一种基于无监督深度模型与层次属性的行人再识别方法

摘要

本发明公开一种基于无监督深度模型与层次属性的行人再识别方法，该方法首先对行人图片进行预处理，并按人体部位分割成互相重叠的多个分块，然后，构建含有三个隐含层的卷积神经网络(CNN)，并通过堆叠的卷积自动编码器(CAE)来训练模型，分别利用CUHK和VIPeR行人数据集对模型进行预训练和微调，接着，为行人设计层次属性并为每个属性设计一个分类器，将卷积神经网络中提取的行人特征输入各属性分类器得到对应属性的概率，再结合属性类别映射关系得到类别的后验概率，从而判断样本所属类别。本发明利用CAE的无监督学习方法预训练CNN模型，有效解决了缺乏带标签训练样本的问题，利用CAE能够较好地重构图像的特点，有效提高了行人再识别的准确率，通过引入层次属性使得对行人的再识别更加符合人类认知规律，让行人再识别方法富有语义表达能力的同时更加具有实际应用价值。