行人再识别模型训练方法及装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种行人再识别模型训练方法、装置、电子设备及存储介质，其中的方法包括：获取视频中各个追踪序列；根据所述追踪序列选取未标注数据作为数据样本；对所述数据样本进行特征提取，得到数据样本特征；根据所述数据样本特征，对包括传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。本发明专利技术实施例可提升模型性能和网络效果。

Pedestrian re identification model training method and device, electronic equipment and storage medium

An embodiment of the invention discloses a training method, a device, an electronic device and a storage medium for a pedestrian re recognition model. The method includes: acquiring each tracking sequence in the video, selecting unlabeled data as data samples according to the tracking sequence, extracting the characteristics of the data sample, and obtaining the data sample special. According to the characteristics of the data sample, the depth learning network including the projecting layer of the conducting centroid is trained to obtain a pedestrian re recognition model, in which the projected centroid projection layer is a feature vector projection layer determined according to the traced sequence. The embodiment of the invention can improve the performance and network effect of the model.

【技术实现步骤摘要】
行人再识别模型训练方法及装置、电子设备和存储介质
本专利技术涉及深度学习技术，尤其是一种行人再识别模型训练方法及装置、电子设备和存储介质。
技术介绍
行人再识别，用于判断某个摄像头中的某个行人是否曾经出现在其他的摄像头中，即需要将某个行人特征与其他行人特征进行对比，判断是否属于同一个行人。
技术实现思路
本专利技术实施例提供一种行人再识别模型训练方法及装置、电子设备和存储介质的技术方案。本专利技术实施例提供的一种行人再识别模型训练方法，包括：获取视频中各个追踪序列；根据所述追踪序列选取未标注数据作为数据样本；对所述数据样本进行特征提取，得到数据样本特征；根据所述数据样本特征，对包括传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。在一种可选方式中，所述根据所述追踪序列选取未标注数据作为数据样本包括：计算视频追踪序列中非同一身份用户的追踪序列的概率；在所述非同一身份用户的追踪序列的概率大于预置的追踪序列概率阈值的条件下，确定出追踪序列数量以及追踪序列选取时间间隔，并确定图像帧选取时间间隔；根据所述追踪序列数量、所述追踪序列选取时间间隔以及所述图像帧选取时间间隔，从视频帧中选择出所述未标注数据。在一种可选方式中，所述追踪序列是指视频中同一个用户的所有视频帧中的外接框序列。在一种可选方式中，还包括：确定所述传导质心投影层；所述确定所述传导质心投影层包括：计算所述追踪序列中每一帧在所述深度学习网络的特征空间中的特征向量平均值；确定所述特征向量平均值为质心；将每一帧的特征向量与所述质心进行内积计算，将得到的质心投影确定为所述传导质心投影层。在一种可选方式中，基于半监督学习模式训练得到所述行人再识别模型，或者，基于无监督学习模式训练得到所述行人再识别模型。在一种可选方式中，当基于半监督学习模式训练所述行人再识别模型时，所述数据样本还包括标注数据；所述对所述数据样本进行特征提取得到数据样本特征包括：将所述标注数据以及所述未标注数据进行卷积处理，分别得到标注数据特征和未标注数据特征；其中：所述数据样本特征包括所述标注数据特征和所述未标注数据特征。在一种可选方式中，当基于无监督学习模式训练所述行人再识别模型时，所述对所述数据样本进行特征提取得到数据样本特征包括：将所述未标注数据进行卷积处理，得到未标注数据特征；其中：所述数据样本特征为所述未标注数据特征。本专利技术实施例还提供一种行人再识别模型训练装置，包括：追踪序列获取单元，用于获取视频中各个追踪序列；样本选取单元，用于根据所述追踪序列选取未标注数据作为数据样本；特征提取单元，用于对所述数据样本进行特征提取，得到数据样本特征；网络训练单元，用于根据所述数据样本特征，对包括传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。在一种可选方式中，所述样本选取单元包括：计算子单元，用于计算视频追踪序列中非同一身份用户的追踪序列的概率；确定子单元，用于在所述非同一身份用户的追踪序列的概率大于预置的追踪序列概率阈值的条件下，确定出追踪序列数量以及追踪序列选取时间间隔，并确定图像帧选取时间间隔；选择子单元，用于根据所述追踪序列数量、所述追踪序列选取时间间隔以及所述图像帧选取时间间隔，从视频帧中选择出所述未标注数据。在一种可选方式中，所述追踪序列是指视频中同一个用户的所有视频帧中的外接框序列。在一种可选方式中，还包括：投影层确定单元，用于确定所述传导质心投影层；所述投影层确定单元包括：特征向量计算子单元，用于计算所述追踪序列中每一帧在所述深度学习网络的特征空间中的特征向量平均值；质心确定子单元，用于确定所述特征向量平均值为质心；质心投影子单元，用于将每一帧的特征向量与所述质心进行内积计算，将得到的质心投影确定为所述传导质心投影层。在一种可选方式中，基于半监督学习模式训练得到所述行人再识别模型，或者，基于无监督学习模式训练得到所述行人再识别模型。在一种可选方式中，当基于半监督学习模式训练所述行人再识别模型时，所述数据样本还包括标注数据；所述特征提取单元具体用于：将所述标注数据以及所述未标注数据进行卷积处理，分别得到标注数据特征和未标注数据特征；其中：所述数据样本特征包括所述标注数据特征和所述未标注数据特征。在一种可选方式中，当基于无监督学习模式训练所述行人再识别模型时，所述特征提取单元具体用于：将所述未标注数据进行卷积处理，得到未标注数据特征；其中：所述数据样本特征为所述未标注数据特征。本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述行人再识别模型训练方法的步骤。本专利技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述任一项所述行人再识别模型训练方法的步骤。基于本专利技术上述实施例提供的行人再识别模型训练方法，对未标注数据中的用户做追踪(tracking)，得到若干追踪序列，然后直接将追踪序列的ID作为类别ID，输入带有传导质心投影层的网络中训练。相较于传统网络训练方法需要有标注的数据来训练，本专利技术实施例是利用追踪序列确定的未标注数据来训练深度学习网络，可提升模型性能。并且，可利用传导质心投影来有效利用无标注数据来提升网络的性能，这是因为，利用传导质心投影可避免未标注数据中相同身份的追踪序列之间的冲突，避免半监督学习过程中的迭代自我学习的过程，进而提升网络效果。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明构成说明书的一部分的附图描述了本专利技术的实施例，并且连同描述一起用于解释本专利技术的原理。参照附图，根据下面的详细描述，可以更加清楚地理解本专利技术，其中：图1为本专利技术行人再识别模型训练方法一个实施例的流程图。图2为本专利技术实施例中行人再识别模型训练方法中半监督学习模式的示意图。图3为本专利技术实施例中行人再识别模型训练方法中无监督学习模式的示意图。图4为本专利技术行人再识别模型训练装置一个实施例的结构示意图。图5为本专利技术行人再识别模型训练装置另一个实施例的结构示意图。图6为本专利技术电子设备一个实施例的结构示意图。具体实施方式现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。行人再识别是计算机视觉急智能视频监控领域的重要问题。行人再识别可以在很多领域有重要应用，如监控场景内对人体进行身份识别，多区域监控场景内对行人身份进行匹配，以及增强行人追踪的准确性。然而，行人再识别的建模本文档来自技高网...

【技术保护点】
1.一种行人再识别模型训练方法，其特征在于，包括：获取视频中各个追踪序列；根据所述追踪序列选取未标注数据作为数据样本；对所述数据样本进行特征提取，得到数据样本特征；根据所述数据样本特征，对包括传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。

【技术特征摘要】
1.一种行人再识别模型训练方法，其特征在于，包括：获取视频中各个追踪序列；根据所述追踪序列选取未标注数据作为数据样本；对所述数据样本进行特征提取，得到数据样本特征；根据所述数据样本特征，对包括传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。2.根据权利要求1所述的方法，其特征在于，所述根据所述追踪序列选取未标注数据作为数据样本包括：计算视频追踪序列中非同一身份用户的追踪序列的概率；在所述非同一身份用户的追踪序列的概率大于预置的追踪序列概率阈值的条件下，确定出追踪序列数量以及追踪序列选取时间间隔，并确定图像帧选取时间间隔；根据所述追踪序列数量、所述追踪序列选取时间间隔以及所述图像帧选取时间间隔，从视频帧中选择出所述未标注数据。3.根据权利要求1所述的方法，其特征在于，所述追踪序列是指视频中同一个用户的所有视频帧中的外接框序列。4.根据权利要求1所述的方法，其特征在于，还包括：确定所述传导质心投影层；所述确定所述传导质心投影层包括：计算所述追踪序列中每一帧在所述深度学习网络的特征空间中的特征向量平均值；确定所述特征向量平均值为质心；将每一帧的特征向量与所述质心进行内积计算，将得到的质心投影确定为所述传导质心投影层。5.根据权利要求1-4任一项所述的方法，其特征在于，基于半监督学习模式训练得到所述行人再识别模型，或者，基于无监督学习模式训练得到所述行...

【专利技术属性】
技术研发人员：刘宇，宋广录，金啸，闫俊杰，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11