一种人物识别模型训练方法以及人物识别方法技术

本申请提供了一种人物识别模型训练方法以及人物识别方法，其中，该人物识别模型训练方法包括：基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类；将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对目标域数据进行迁移学习，得到完成训练的目标神经网络和目标分类器；第一类别为对多个训练视频进行分类所得到的多个类别中的一个；第二类别为对多个类别除第一类别以外的类别。本申请实施例能够对多个训练视频进行分类，将人物的通过摄像头时的行走曲线类似的训练视频划归到一类，训练的时候，采用分类别为人物识别模型输入训练视频的方法，降低模型训练的难度。

A training method of character recognition model and character recognition method

The present application provides a training method of a person recognition model and a person recognition method, wherein the training method of the person recognition model includes: classifying a plurality of training videos based on different input signal processing modes of the training video producer; classifying the training image frames of the first class of training videos as the number of source domains According to this, the training image frame of the training video of the second category is input into the target neural network as the target domain data, and the target domain data is migrated and studied to obtain the training target neural network and the target classifier. Do not classify categories except for the first category. The embodiment of the present application can classify a plurality of training videos, classify training videos with similar walking curves when a person passes through a camera into one class, and input training videos for a character recognition model by classifying the training videos to reduce the difficulty of model training.

【技术实现步骤摘要】
一种人物识别模型训练方法以及人物识别方法
本申请涉及图像处理
，具体而言，涉及一种人物识别模型训练方法以及人物识别方法。
技术介绍
城市治安监控系统能够为交通、治安等各类案件的侦破提供技术支持，大大提高公安机关执法办案的水平和效率。城市治安监控系统包括设置在城市不同位置的摄像头，通过摄像头能够获得对人物、车辆的监控视频。在基于城市治安监控系统获取的监控视频对案件进行侦破的时候，通常需要联合多个监控视频，从多个监控视频中识别出目标人物，进而对目标人物的行为，例如移动方向、出现的地点等进行分析，获得侦查线索。但是由于位于不同监控位置的拍摄像头的生产厂家不一样，摄像头的硬件不同；硬件的差异导致不同厂家生产的摄像头对输入信号的处理方式不同，会导致人物的通过摄像头时的行走曲线是不一样的，人物通过不同摄像头的时空分布明显存在差异，这就造成基于这些摄像头获得的监控视频，对人物识别模型训练难度大。
技术实现思路
有鉴于此，本申请实施例的目的在于提供一种人物识别模型训练方法以及人物识别方法，能够对多个训练视频进行分类，将人物的通过摄像头时的行走曲线类似的训练视频划归到一类，训练的时候，采用分类别为人物识别模型输入训练视频的方法，降低模型训练的难度。第一方面，本申请实施例提供了一种人物识别模型训练方法，包括：基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类；将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，得到完成训练的目标神经网络和目标分类器；所述第一类别为对多个训练视频进行分类所得到的多个类别中的一个；所述第二类别为对多个训练视频进行分类所得到的多个类别除第一类别以外的类别。第二方面，本申请实施例提供了一种人物识别方法，该方法包括：获取待识别视频；使用通过如权利要求1-9任意一项所述的人物识别模型训练方法得到的人物识别模型对所述待识别视频中的人物进行识别；所述人物识别模型包括：目标神经网络以及目标分类器。本申请实施例在对人物识别模型进行训练的时候，首先会基于训练视频生成这对输入信号处理方式的不同，对多个训练视频进行分类，将人物的通过摄像头时的行走曲线类似的训练视频划归到一类后，将对训练视频分类的第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，使得模型在训练过程中，能够先对训练视频中具有共同特征的训练视频帧进行学习，然后再按照训练视频对应的类别，对训练视频进行分别学习，降低模型训练的难度。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本申请实施例所提供的一种人物识别模型训练方法的流程图；图2示出了本申请实施例所提供的人物识别模型训练方法中，对多个训练视频进行分类的具体方法的流程图；图3示出了本申请实施例所提供的人物识别模型训练方法中，确定每个训练视频的人物速度正态分布曲线的具体方法的流程图；图4示出了本申请实施例所提供的行人的正态速度正态分布曲线示意图；图5示出了本申请实施例所提供的人物识别模型训练方法中，对训练视频进行画面质量增强的具体方法的流程图；图6示出了本申请实施例所提供的一种人物识别模型训练装置的结构示意图；图7示出了本申请实施例所提供的一种人计算机设备的结构示意图；图8示出了本申请实施例所提供的一种人物识别方法的流程图；图9示出了本申请实施例所提供的一种人物识别装置的结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。目前治安监控系统通过在监控场景布置安装位置不同的摄像头，以实现对监控场景的监控。但是由于下述情况的存在，很难对监控到的人物进行自动识别：其一，不同位置的生产厂家可能会有所区别，不同厂家生产的摄像头可能会采用不同的硬件，而硬件的差异又会导致生产厂家不同的摄像头对输入信号的处理方式有所区别，导致人物通过摄像头时的时空分布存在明显差异，时空的差异造成自动识别难的问题。其二，摄像头获取的人物在运动状态下的图像会存在抖动和画质模糊的情况，这些图像由于质量太差，无法用于对人物的重识别。其三，不同的摄像头所获取的图像质量有所区别，质量不同的摄像头所获取的图像存在明显的差异特征，使用质量不同的视频对人物识别模型进行训练比较困难。基于此，本申请实施例提供的一种人物识别模型训练方法以及人物识别方法，用以解决上述问题。参见图1所示，本申请实施例提供的人物识别模型训练方法包括：S101：基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类。在具体实现的时候，训练视频生成者可以是摄像头，摄像头能够直接获取监控视频，将摄像头直接获取的监控视频作为训练视频生成者。另外，由于监控场景很多情况下都是基于远程进行监控的。也即摄像头在获取了监控视频后，需要基于互联网将监控视频发送至监控中心。摄像头是监控视频的直接获取设备；为了在将监控视频发送至监控中心的时候，保证数据的流畅传输以及降低对互联网的压力，摄像头还会连接编码设备，使用编码设备对监控视频进行编码压缩后通过互联网发送给监控中心；此时可以将编码设备作为训练视频生成者。另外，针对不同的实际情况还可以有其他的训练视频生成者。以训练视频生成者为摄像头为例对本申请实施例加以说明。摄像头的硬件区别，是造成摄像头对输入信号处理方式不同的主要原因；对输入信号处理方式不同，人物在通过摄像头时的速度正态分布曲线不同。参见图2所示，可以采用下述步骤，基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类：S201：确定每个训练视频的人物速度正态分布曲线。S202：根据得到的人物速度正态分布曲线之间的相似度，对多个训练视频进行分类。在具体实现的时候，若摄像头的硬件相同，则摄像头对输入信号处理方式是比较接近的，对输入信号处理的方式接近，则人物通过摄像头时，对于摄像头而言，人物的速度正态分布曲线的形状也是相似的。因此可以通过确定每个训练视频的人物速度正态分布曲线之间的相似度，来对训练视频进行分类。具体地，参见图3所示，本申请实施例提供一种确定每个训练视频的人物速度正态分布曲线的具体方法，包括：S301：针对每个训练视频中的每个人物，确定该训练视频的样本训练图像帧中该人物的位置及样本训本文档来自技高网...

【技术保护点】
1.一种人物识别模型训练方法，其特征在于，包括：基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类；将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，得到完成训练的目标神经网络和目标分类器；所述第一类别为对多个训练视频进行分类所得到的多个类别中的一个；所述第二类别为对多个训练视频进行分类所得到的多个类别除第一类别以外的类别。

【技术特征摘要】
1.一种人物识别模型训练方法，其特征在于，包括：基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类；将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，得到完成训练的目标神经网络和目标分类器；所述第一类别为对多个训练视频进行分类所得到的多个类别中的一个；所述第二类别为对多个训练视频进行分类所得到的多个类别除第一类别以外的类别。2.根据权利要求1所述的方法，其特征在于，基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类，包括：确定每个训练视频的人物速度正态分布曲线；根据得到的人物速度正态分布曲线之间的相似度，对多个训练视频进行分类。3.根据权利要求2所述的方法，其特征在于，确定每个训练视频的人物速度正态分布曲线，包括：针对每个训练视频中的每个人物，确定该训练视频的样本训练图像帧中该人物的位置及样本训练图像帧的时间戳；根据各相邻样本训练图像帧中该人物的位置以及时间戳之间的差值确定该人物移动速度并生成该人物的速度正态分布曲线；针对每个训练视频，为该训练视频中多个人物速度正态分布曲线生成包络；并将生成的包络确定为该训练视频的人物速度正态分布曲线。4.根据权利要求1所述的方法，其特征在于，将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，具体包括：使用所述目标神经网络，为作为所述源域数据提取源域特征向量，并为所述目标域数据提取目标特征向量；将所述源域特征向量和所述目标域特征向量输入至域分类器，得到所述源域数据和所述目标域数的域分类结果；基于所述域分类结果，对所述目标神经网络以及所述域分类器进行参数调整；以及，将所述源域特征向量输入至目标分类器，得到所述源域数据的分类结果；基于所述源域数据的分类结果，对所述目标神经网络以及所述目标分类器进行参数调整。5.根据权利要求4所述的方法，其特征在于，所述为所述目标域数据提取目标特征向量，具体包括：基于为所述目标域数据中每个人物标注的位置，提取所述目标域数据中与每个人物对应的目标域特征向量。6.根据权利要求5所述的方法，其特征...

【专利技术属性】
技术研发人员：孙源良，刘萌，樊雨茂，段立新，
申请(专利权)人：国信优易数据有限公司，
类型：发明
国别省市：北京,11