模型训练方法、装置、识别方法、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供一种模型训练方法、装置、识别方法、电子设备及存储介质，涉及图像识别技术领域。该方法包括获取第一特征向量，第一特征向量是由训练样本对第一ReID模型训练获得的全局特征构成的；根据第一ReID模型对训练样本进行聚类分析获得训练样本中的难样本；根据难样本和损失函数训练第二ReID模型，直至第二ReID模型符合预设要求，获得第二特征向量，第二特征向量包括全局特征和局部特征。装置用于执行上述方法。本发明专利技术实施例通过利用难样本训练第二ReID模型，并利用损失函数使得第二ReID模型输出的第二特征向量中既包含全局特征又包含布局特征，从而在进行图像重识别是能够同时兼顾一般样例和高度相似样例。

【技术实现步骤摘要】
模型训练方法、装置、识别方法、电子设备及存储介质
本专利技术涉及图像处理
，具体而言，涉及一种模型训练方法、装置、识别方法、电子设备及存储介质。
技术介绍
行人重识别(PersonRe-identification，简称ReID)，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，即是指在照射区域无重叠的多摄像头画面下自动匹配同一行人的技术，用以快速准确地发现行人对象在多摄像头下的活动画面和轨迹。目前行人重识别技术在学术界和工业界已经得到广泛的关注与应用。早期的ReID研究大家还主要关注点在全局特征(globalfeature)上，就是用整图得到一个特征向量进行图像检索。但是后来大家逐渐发现全局特征遇到了瓶颈，于是开始渐渐研究起局部特征(localfeature)。由此，便带来了新的问题，就是现有技术中，对ReID模型进行训练时，要么只依赖全局特征，要么只依赖局部特征，这将导致训练好的模型在进行识别时，不能够同时在一般样例及高度相似样例上有较好的表现。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种一种模型训练方法、装置、识别方法、电子设备及存储介质，以解决上述技术问题。第一方面，本专利技术实施例提供了一种模型训练方法，包括：获取第一ReID模型对应的第一特征向量，所述第一特征向量是通过训练样本对第一ReID模型训练获得的全局特征构成的；根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本；根据所述难样本和损失函数训练第二ReID模型，若本次训练的第二ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二ReID模型进行下一次训练，依此循环，直至第二ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征。进一步地，所述根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本，包括：根据所述第一ReID模型获取所述训练样本的至少一个聚类中心点，根据所述聚类中心点对所述训练样本进行聚类；计算每个聚类中的训练样本与对应聚类中心点之间的第一距离，将所述第一距离大于第一预设阈值的训练样本作为所述难样本。进一步地，所述根据所述难样本和损失函数训练第二ReID模型，包括：根据所述难样本对所述第二ReID模型进行训练，获得所述第二特征向量；计算所述第二特征向量与所述第一特征向量之间的第二距离，并利用所述损失函数对所述第二ReID模型中的参数进行优化，直到优化后的第二Reid模型输出的所述第二特征向量与所述第一特征向量之间的所述第二距离小于第二预设阈值。进一步地，所述计算所述第二特征向量与所述第一特征向量之间的第二距离，包括：分别对所述第一特征向量和所述第二特征向量进行压缩处理；计算压缩后的第二特征向量与压缩后的第一特征向量之间的所述第二距离。进一步地，所述方法，还包括：根据所述训练样本，采用预设算法对所述第一ReID模型进行训练；其中，所述预设算法包括以下任意一种：对比损失学习算法、三元组损失学习算法、四元组损失学习算法、难样本采样三元组损失学习算法和边界挖掘损失学习算法。进一步地，所述第二ReID模型符合预设要求，包括：通过验证集对所述第二ReID模型进行验证，若验证结果精度大于预设精度，则所述第二ReID模型符合预设要求。进一步地，所述第一ReID模型和所述第二ReID模型为多层卷积神经网络。第二方面，本专利技术实施例提供了一种模型训练装置，包括：获取模块，用于获取第一ReID模型对应的第一特征向量，所述第一特征向量是由训练样本对第一ReID模型训练获得的全局特征构成的；聚类模块，用于根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本；难样本训练模块，用于根据所述难样本和损失函数训练第二ReID模型，若本次训练的第二ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二ReID模型进行下一次训练，依此循环，直至第二ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征。第三方面，本专利技术实施例提供一种电子设备，包括：处理器和存储器，其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。第五方面，本专利技术实施例提供一种基于第一方面的训练方法获得的第二ReID模型进行行人重识别的方法，包括：获取待识别图像；将所述待识别图像输入训练好的第二ReID模型中进行识别，获得所述待识别图像对应的第二特征向量，其中，所述第二特征向量包括所述待识别图像对应的局部特征和全局特征。本专利技术实施例通过训练样本对第一ReID模型训练获得的全局特征构成的第一特征向量，然后从训练样本中获取难样本，再用难样本训练第二ReID模型，并利用损失函数使得第二ReID模型输出的第二特征向量中既包含全局特征又包含布局特征，从而在进行图像重识别是能够同时兼顾一般样例和高度相似样例。本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术实施例的技术方案，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专利技术的某些实施例，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为本专利技术实施例提供的一种电子设备结构示意图；图2为本专利技术实施例提供的一种模型训练方法流程示意图；图3为本专利技术另一实施例提供的一种模型训练方法流程示意图；图4为本专利技术实施例提供的一种模型训练装置结构示意图；图5为本专利技术实施例提供的一种行人重识别方法流程示意图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术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专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，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，都属于本专利技术保护的范围。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定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，包括：获取第一行人重识别ReID模型对应的第一特征向量，所述第一特征向量是由训练样本对所述第一ReID模型训练获得的全局特征构成的；根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本；根据所述难样本和损失函数训练第二ReID模型，若本次训练的第二ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二ReID模型进行下一次训练，依此循环，直至第二ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征。

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取第一行人重识别ReID模型对应的第一特征向量，所述第一特征向量是由训练样本对所述第一ReID模型训练获得的全局特征构成的；根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本；根据所述难样本和损失函数训练第二ReID模型，若本次训练的第二ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二ReID模型进行下一次训练，依此循环，直至第二ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征。2.根据权利要求1所述的训练方法，其特征在于，所述根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本，包括：根据所述第一ReID模型获取所述训练样本的至少一个聚类中心点，根据所述聚类中心点对所述训练样本进行聚类；计算每个聚类中的训练样本与对应聚类中心点之间的第一距离，将所述第一距离大于第一预设阈值的训练样本作为所述难样本。3.根据权利要求1所述的训练方法，其特征在于，所述根据所述难样本和损失函数训练第二ReID模型，包括：根据所述难样本对所述第二ReID模型进行训练，获得所述第二特征向量；计算所述第二特征向量与所述第一特征向量之间的第二距离，并利用所述损失函数对所述第二ReID模型中的参数进行优化，直到优化后的第二Reid模型输出的所述第二特征向量与所述第一特征向量之间的所述第二距离小于第二预设阈值。4.根据权利要求3所述的训练方法，其特征在于，所述计算所述第二特征向量与所述第一特征向量之间的第二距离，包括：分别对所述第一特征向量和所述第二特征向量进行压缩处理；计算压缩后的第二特征向量与压缩后的第一特征向量之间的所述第二距离。5.根据权利要求1所述的训练方法，其特征在于，所述方法，还包括：根据所述训练样本，采用预设算法对所述第一ReID模型...

【专利技术属性】
技术研发人员：张弛，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：北京,11