技术摘要：
本申请公开了一种行人再识别方法及系统，包括：输入训练集至待训练模型，确定训练集中的每个图像数据的单分类标签和记忆特征；根据单分类标签和记忆特征集合，通过正标签预测，确定多分类标签；根据训练集中的每个图像数据的图像特征和记忆特征集合，确定分类分数；根  全部
背景技术：
近年来，利用深卷积神经网络从标记的人图像中学习识别特征的行人再识别 (Person  Re-identification)技术取得了巨大的成功。然而由于在多个摄像机上标注人物 图像的成本很高，最近的研究工作开始集中在无监督的行人再识别上。无监督的行人再识 别旨在从无标签的人的图像中学习辨别特征。与有监督学习相比，无监督学习减轻了昂贵 的对数据标注的需求，从而显示出更好的潜力，推动行人再识别走向实际应用。 行人再识别的挑战在于要在没有真实标签的情况下学习辨别特征。为了克服这一 挑战，现有的行人再识别的方法通常使用三种方式：手工设计特征(Hand-Craf t  Features)、采用聚类估计伪标签来训练深卷积神经网络和利用转移学习来改善无监督的 行人再识别。 然而，手工设计的方式在鲁棒性、区别特征设计上具有很大难度。采用聚类估计伪 标签来训深卷积神经网络的方法需要良好的预训练模型，成本高。 最近的大多数工作是将行人再识别作为一个转移学习(Transfer  Learning)任 务，它利用其他领域上的标记数据进行模型初始化或标记转移。然而，有监督和无监督的行 人再识别之间仍然存在着相当大的差距。同时，迁移学习的设置导致了灵活性到受到限制。 由于迁移学习的性能与领域的区别密切相关，较大的领域区别会降低性能，因此，在行人再 识别中，估计领域间的差别和选择合适的源数据集进行迁移学习是非常重要的，而这就会 影响识别性能。 综上所述，需要提供一种不受数据集领域影响，识别性能高，鲁棒性强，成本低的 行人再识别方法及系统。
技术实现要素：
为解决以上问题，本申请提出了一种行人再识别方法及系统。 一方面，本申请提出一种行人再识别方法，包括： 输入训练集至待训练模型，确定训练集中的每个图像数据的单分类标签和记忆特 征； 根据所述单分类标签和记忆特征集合，通过正标签预测，确定多分类标签； 根据训练集中的每个图像数据的图像特征和所述记忆特征集合，确定分类分数； 根据所述多分类标签和分类分数确定多标签分类损失； 根据所述多标签分类损失，更新和训练待训练模型，得到识别模型。 优选地，所述确定训练集中的每个图像数据的单分类标签和记忆特征，包括： 对计算未标记的所述训练集中的每个图像数据进行单分类标签标记，得到多个单 分类标签； 4 CN 111597887 A 说　明　书 2/9 页 对未标记的训练集进行特征提取，得到图像特征，使用记忆特征更新公式，计算记 忆特征，得到包括所有记忆特征的记忆特征集合。 优选地，所述记忆特征更新公式为：M[i]t＝a·fi (1-a)·M[i]t-1，其中，上标t表 示第t个训练周期，a为更新率，M[i]为记忆特征集合，fi为图像特征。 优选地，在所述得到包括所有记忆特征的记忆特征集合之前，还包括： 对得到的所述记忆特征进行归一化。 优选地，所述通过正标签预测，确定多分类标签，包括： 计算记忆特征集合中的各记忆特征之间的相似度得分； 根据单分类标签，相似度得分和候选阈值，确定每个图像数据的第一候选标签； 对第一候选标签进行硬负标签排除，得到每个图像数据对应的第二候选标签集 合； 将每个第二候选标签集合中的第二候选标签设为1，得到对应第二候选标签集合 的正标签集； 根据正标签集，确定每个图像数据对应的多分类标签。 优选地，所述根据所述多分类标签和分类分数确定多标签分类损失，包括： 使用多标签分类损失公式，据所述多分类标签和分类分数确定多标签分类损失， 其中，多标签分类损失公式为： 其中，分类分数为MT×fi， 为多分 类标签，D(.)为通过比较分类分数和多分类标签计算多标签分类损失LMMCL。 优选地，在所述根据所述多标签分类损失，更新和训练待训练模型，得到识别模型 之后，还包括： 使用得到的所述识别模型对行人进行再识别。 优选地，在所述根据所述多标签分类损失，更新和训练待训练模型，得到识别模型 之前，还包括： 若存在有标签数据集，则使用交叉熵损失、三元组损失和多标签分类损失之和作 为更新和训练待训练模型的损失。 优选地，所述训练集中的每个图像数据均为无标签数据，且每个图像数据只包括 一个人。 第二方面，本申请提出一种行人再识别系统，包括： 特征提取模块，用于确定输入至待训练模型的训练集中的每个图像数据的单分类 标签和记忆特征；根据训练集中的每个图像数据的图像特征和所述记忆特征集合，确定分 类分数； 标签预测模块，用于根据所述单分类标签和记忆特征集合，通过正标签预测，确定 多分类标签； 损失计算与更新模块，用于根据所述多分类标签和分类分数确定多标签分类损 失；根据所述多标签分类损失，更新和训练待训练模型，得到识别模型。 本申请的优点在于：通过根据训练集中的每个图像数据的图像特征和所述记忆特 征集合，确定分类分数，不受数据集领域影响；根据所述单分类标签和记忆特征集合，通过 正标签预测，确定多分类标签，再根据所述多分类标签和分类分数确定多标签分类损失，更 新和训练待训练模型，使得最终得到的识别模型识别性能高，鲁棒性强，成本低。 5 CN 111597887 A 说　明　书 3/9 页 附图说明 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通 技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的，而并不认为是对本申请 的限制。而且在整个附图中，用同样的参考符号表示相同的部件。在附图中： 图1是本申请提供的一种行人再识别方法的步骤示意图； 图2是本申请提供的一种行人再识别方法的示意图； 图3是本申请提供的一种行人再识别方法的正标签预测的精确性和召回的示意 图； 图4是本申请提供的一种行人再识别方法的标签预测结果的示意图； 图5是本申请提供的一种行人再识别方法的梯度示意图； 图6是本申请提供的一种行人再识别系统的示意图。