(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 202211031306.4 (22)申请日 2022.08.26 (71)申请人 智慧眼科技股份有限公司 地址 410205 湖南省长 沙市高新 开发区尖 山路39号长 沙中电软件园一期14栋 申请人 中华人民共和国拱 北海关 (72)发明人 谢喜林　 (74)专利代理 机构 深圳众鼎汇成知识产权代理 有限公司 4 4566 专利代理师 朱业刚 (51)Int.Cl. G06V 40/20(2022.01) G06V 20/52(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于 半监督学习的行人重识别方法、 装 置及存储介质 (57)摘要 本发明提供一种基于半监督学习的行人重 识别方法、 装置及存储介质， 方法包括以下步骤： 获取行人图像数据集， 从所述行人图像数据集中 选择若干图像作为训练分类数据集； 对所述训练 分类数据集进行聚类处理， 得到伪标签数据集； 将所述伪标签数据集作为训练数据集输入到预 设的行人重识别网络模型进行迭代训练， 得到最 终的行人重识别网络模型； 将所述行人图像数据 集输入到最终的行人重识别网络模 型进行识别， 得到行人重识别结果。 本发明提供的基于半监督 学习的行人重识别方法相比于监督学习的方式， 大大降低人工标注行人重识别数据工作量， 并且 提高了行 人重识别算法的精度。 权利要求书2页 说明书11页 附图4页 CN 115457652 A 2022.12.09 CN 115457652 A 1.一种基于半监 督学习的行 人重识别方法， 其特 征在于， 包括如下步骤: 获取行人图像数据集， 从所述行 人图像数据集中选择若干图像作为训练分类数据集； 对所述训练分类数据集进行聚类处 理， 得到伪标签数据集； 将所述伪标签数据集作为训练数据集输入到预设的行人重识别网络模型进行迭代训 练， 得到最终的行 人重识别网络模型； 将所述行人图像数据集输入到最终的行人重识别网络模型进行识别， 得到行人重识别 结果。 2.如权利要求1中所述的基于半监督学习的行人重识别方法， 其特征在于， 所述对所述 训练分类数据集进行聚类处 理， 得到伪标签数据集的步骤， 具体包括： 对所述训练分类数据集进行 特征提取， 得到训练分类数据特 征； 计算所述训练分类数据 特征之间的相似度， 将所述训练分类数据 特征之间的相似度与 预设的第一判断阈值进行比较， 筛选并保留符合所述第一判断阈值要求的所述训练分类数 据特征， 得到伪标签数据集。 3.如权利要求2中所述基于半监督学习的行人重识别方法， 其特征在于， 所述计算所述 训练分类数据特征之 间的相似度， 将所述训练分类数据特征之 间的相似度与预设的第一判 断阈值进行比较， 筛选并保留符合所述第一判断阈值要求的所述训练分类数据特征， 得到 伪标签数据集的步骤， 具体包括： 计算所述训练分类数据 特征之间的相似度， 根据 所述训练分类数据特征之间的相似度 构建所述训练分类数据集的特 征无向图网络； 基于特征无向图网络将关联节点对应的所述训练分类数据特征之间的相似度与预设 的第一判断阈值进行比较； 将相似度 大于或等于所述第 一判断阈值的所述训练分类数据特征保留， 并剔除相似度 小于所述第一判断阈值的所述训练分类数据特 征， 得到伪标签数据集。 4.如权利要求1中所述的基于半监督学习的行人重识别方法， 其特征在于， 所述将所述 伪标签数据集作为训练数据集输入到预设的行人重识别网络模型进行迭代训练， 得到最 终 的行人重识别网络模型的步骤， 具体包括： 将所述伪标签数据集作为训练数据集输入到预设的行 人重识别网络模型进行训练； 步骤A： 将所述伪标签数据集输入经过所述伪标签数据集训练后的行人重识别网络模 型进行数据特征提取， 得到伪标签数据特 征； 步骤B： 将所述伪标签数据 特征和所述伪标签数据集进行聚类处理， 得到新的伪标签数 据集； 步骤C： 将新的伪标签数据集作为训练数据集输入到行 人重识别网络模型进行训练； 重复执行上述步骤A至步骤C， 直到达到预设收敛条件为止， 得到最终的行人重识别网 络模型。 5.如权利要求4中所述的基于半监督学习的行人重识别方法， 其特征在于， 所述步骤B： 将所述伪标签数据特征和所述伪标签数据集进行聚类处理， 得到新的伪标签数据集， 具体 包括： 计算包括所述伪标签数据特征和所述伪标签数据集的各个数据 特征之间的相似度， 根 据各个数据特 征之间的相似度构建特 征无向图网络， 得到聚类结果；权　利　要　求　书 1/2 页 2 CN 115457652 A 2检测所述 聚类结果的每一类聚类数据中是否存在数据聚类中心， 若该聚类数据中存在 数据聚类中心， 则将该聚类数据归类到强关联 数据中； 基于所有所述强关联 数据， 确定新的伪标签数据集。 6.如权利要求5 中所述的基于半监督学习的行人重识别方法， 其特征在于， 所述基于所 有所述强关联 数据， 确定新的伪标签数据集的步骤， 具体包括： 提取所述强关联数据中每一类聚类数据的数据聚类中心对应的数据特征， 得到 中心数 据特征； 计算所有所述中心数据 特征之间的相似度， 根据 所述中心数据 特征之间的相似度构建 所述强关联 数据的特 征无向图网络； 基于特征无向图网络将关联节点对应的所述中心数据特征之间的相似度与预设的第 二判断阈值进行比较； 将相似度 大于或等于所述第 二判断阈值的所述中心数据 特征保留， 得到新的伪标签数 据集。 7.如权利要求6 中所述的基于半监督学习的行人重识别方法， 其特征在于， 所述将相似 度大于或等于所述第二判断阈值的所述中心数据特征保留， 并剔除相似度低于所述第二判 断阈值的所述中心数据特 征， 得到新的伪标签数据集的步骤， 还 包括： 将相似度小于所述第二判断阈值的所述中心数据特征作为困难样本数据加入到新的 伪标签数据集中， 用于下一次迭代训练使用。 8.如权利要求4中所述的基于半监督学习的行人重识别方法， 其特征在于， 所述重复执 行上述步骤A至步骤C， 直到达到预设收敛条件为止， 得到最终的行人重识别网络模型 的步 骤中， 在重复执行上述步骤A至步骤C对行人重识别网络模型进行迭代训练时， 包括但不限 于调整聚类处 理时的相似度判断阈值。 9.一种基于半监 督学习的行 人重识别装置， 其特 征在于， 包括： 数据获取模块， 用于获取行人图像数据集， 从所述行人图像数据集中选择若干 图像作 为训练分类数据集； 聚类处理模块， 用于对所述训练分类数据集进行聚类处 理， 得到伪标签数据集； 模型训练模块， 用于将所述伪标签数据集作为训练数据集输入到预设的行人重识别网 络模型进行迭代训练， 得到最终的行 人重识别网络模型； 识别输出模块， 用于将所述行人图像数据集输入到最终的行人重识别网络模型进行识 别， 得到行 人重识别结果。 10.一种计算机存储介质， 所述计算机存储介质存储有计算机程序， 其特征在于， 所述 计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于半监督学习的行人重 识别方法。权　利　要　求　书 2/2 页 3 CN 115457652 A 3