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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。