(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210214375.2 (22)申请日 2022.03.04 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 谢晓华　胡仕腾　赖剑煌　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 高冰 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于动量网络和对比学习的行人重识 别方法及系统 (57)摘要 本发明公开了一种基于动量网络和对比学 习的行人重识别方法及系统， 该方法包括： 获取 行人图片并进行标注处理； 初始化动量网络和主 干网络； 提取行人图片特征； 对行人图片平均特 征集合进行对比损失计算并更新主干网络和动 量网络； 对 行人图片平均特征集合进行层次聚类 处理并赋予伪标签； 对聚类结果进行对比损失计 算并更新主干网络和动量网络； 更新行人图片平 均特征集合； 多次对行人重识别模 型进行迭代优 化， 输出优化后的行人重识别模型。 本发明通过 设计动量网络减 轻数据训练过程中 噪声的干扰， 能够在降低人工标注成本的情况下提高行人重 识别效果。 本发 明作为一种基于动量网络和对比 学习的行人重识别方法及系统， 可广泛应用于计 算机视觉技术领域。 权利要求书3页 说明书7页 附图3页 CN 114724075 A 2022.07.08 CN 114724075 A 1.一种基于动量网络和对比学习的行 人重识别方法， 其特 征在于， 包括以下步骤： 获取行人图片并进行 标注处理， 得到具有单摄 像头下标签的行 人图片数据集； 基于使用预训练的深度卷积神经网络模型分别对行人重识别模型中的动量网络和主 干网络进行初始化， 得到初始化后的动量网络和初始化后的主干网络； 基于初始化后的动量网络对具有单摄像头下标签的行人图片数据集进行特征提取处 理， 得到行 人图片平均特 征集合； 基于初始化后的主干网络对行人图片平均特征集合进行单摄像头下的对比损失计算 并依次更新初始 化后的主干网络和初始 化后的动量网络， 得到第一更新主干网络和第一更 新动量网络； 基于第一更新动 量网络对行人图片平均 特征集合进行层次聚类处理并赋予伪标签， 得 到聚类结果； 基于第一更新主干网络对聚类结果进行跨摄像头下的对比损失计算并反 向传播， 依次 更新第一更新主干网络和第一更新动量网络， 得到第二更新主干网络和第二更新动量网 络； 基于第二更新动 量网络更新行人图片平均 特征集合， 得到更新后的行人图片平均 特征 集合； 循环层次聚类算法步骤和跨摄像头下的对比损失计算步骤对行人重识别模型进行多 次迭代优化， 直至迭代次数达 到预设值， 输出优化后的行 人重识别模型； 根据优化后的行 人重识别模型进行跨摄 像头行人重识别应用。 2.根据权利要求1所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述获取行人图片并进行标注处理， 得到具有单摄像头下标签的行人图片数据集这一步 骤， 其具体包括： 基于多个 摄像头获取 行人图片， 构建行 人图片数据集； 基于行人图片数据集对每个摄像头下的行人图片进行标注， 得到具有单摄像头下标签 的行人图片数据集。 3.根据权利要求2所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述基于初始化后的动量网络对具有单摄像头下标签的行人图片数据集进行特征提取处 理， 得到行 人图片平均特 征集合这一步骤， 其具体包括： 基于初始化后的动量网络对具有单摄像头下标签的行人图片数据集进行特征提取处 理， 得到行 人图片特 征； 对同一摄 像头下同一行 人的行人图片特 征取平均， 整合得到行 人图片平均特 征集合。 4.根据权利要求3所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述单摄 像头下的对比损失计算采用对比损失计算， 公式如下： 上式中， L表示第一损失值， c表示摄像头的索引 值， Nc表示在摄像头c下的行人标签总 数， Dc表示摄像头c下的行人图片平均特征集合， j、 k表示单摄像头下行人图片平均特征集 合的索引值， f(xi)表示样本xi的特征， 表示与摄像头c下的样本xi对应的所有标签为j的权　利　要　求　书 1/3 页 2 CN 114724075 A 2行人图片平均特 征集合， τ表示调节因子 。 5.根据权利要求4所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述基于第一更新动量网络对行人图片平均特征集合进行层次聚类处理并赋予伪标签， 得 到聚类结果 这一步骤， 其具体包括： 基于更新后的动 量网络计算单摄像头下的行人平均特征集合的特征融合权重， 得到特 征融合权 重值； 根据特征融合权重值对行人平均特征集合进行处理， 得到融合后的行人平均特征集 合； 根据融合后的行人平均特征集合， 计算融合后的行人平均特征集合中不同摄像头下不 同行人图片特 征之间的jac card距离， 并构建距离集 合； 对距离集 合进行遍历排序处 理， 得到聚类结果； 对聚类结果中不同摄 像头下的同一行 人图片特 征赋予相同的伪标签。 6.根据权利要求5所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述跨摄像头下的对比损失计算采用解耦对比损失计算， 公式如下： 上式中， L表示第二损失值， N表示具有伪标签 的样本总数， f(xi)表示样本xi的特征， mj 表示与样本xi具有相同伪标签的单摄像头下的行人图片 平均特征集合， P表示样本xi所属聚 类中包含的来自不同摄像头的正样本行人数， Nneg表示负样本行人的采样 数量， mk表示与样 本xi距离较近 的属于其它聚类 的负样本单摄像头下的行人 图片平均特征集合， τ表示调节 因子， [•]+表示当值 为负时取值 为0。 7.根据权利要求6所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述基于第二更新动量网络更新行人图片平均特征集合， 得到更新后的行人图片平均特征 集合这一步骤， 其具体包括： 基于第二更新动量网络对具有单摄像头下标签的行人图片数据集进行特征提取并取 平均， 得到提取后的行 人图片平均特 征集合； 基于提取后的行人图片平均 特征集合更新行人图片平均 特征集合， 得到更新后的行人 图片平均特 征集合。 8.根据权利要求7所述一种基于动 量网络和对比学习的行人重识别方法， 其特征在于， 所述返回层次聚类算法步骤和 跨摄像头下的对比损失计算步骤对行人重识别模型进行多 次迭代优化， 直至迭代次数达到预设值， 输出优化后的行人重识别模 型这一步骤， 其具体包 括： 对行人重识别模型的迭代优化次数进行判断； 判断到行人重识别模型的迭代优化 次数未达到预设值， 重复层次聚类算法和跨摄像头 下的对比损失计算对行 人重识别模型的迭代优化； 判断到行 人重识别模型的迭代优化次数达 到预设值， 输出优化后的行 人重识别模型。 9.一种基于动量网络和对比学习的行 人重识别的系统， 其特 征在于， 包括以下模块： 数据标注 处理模块， 用于对行人图片数据集进行标注 处理得到具有单摄像头下标签的 行人图片数据集；权　利　要　求　书 2/3 页 3 CN 114724075 A 3