一种行人重识别的方法和装置制造方法及图纸

本发明专利技术实施例提供了一种行人重识别的方法和装置，所述方法包括：获取多个图像数据，并对所述多个图像数据进行行人信息标注，得到标注数据集，所述标注的行人信息至少包括图像数据中行人对象的身份标识、所述行人对象的人体解释信息，以及所述行人对象的人体属性信息；从所述标注数据集中，确定训练数据集；根据所述标注的行人信息，生成针对所述行人对象的人体掩码信息，并根据所述人体掩码信息，对所述训练数据集进行扩充；采用所述扩充后的训练数据集进行深度学习，得到目标网络模型，以采用所述网络模型进行行人重识别。通过本发明专利技术实施例，实现了对行人重识别的优化，提升了识别的准确性。

【技术实现步骤摘要】
一种行人重识别的方法和装置
本专利技术涉及图像识别领域，特别是涉及一种行人重识别的方法和装置。
技术介绍
行人重识别技术是利用计算机视觉技术判断图像或者视频是否存在特定行人的技术，该技术主要应用方式为给定一个行人的图像或者视频，检索跨设备下的该行人对应的图像或者视频，以此获得身份上的确认和统一。在实际应用中，行人重识别技术可与行人检测技术以及行人跟踪技术相结合来实现更加复杂的目的，该技术可以广泛应用于智能安保、智能楼宇和智慧商场中，拥有巨大的经济价值。行人重识别技术一直是图像识别领域研究的重点方向，影响行人重识别效果的主要因素有光照、分辨率、视角、姿势和遮挡等，行人重识别通常包含三个步骤：首先对获取行人图像或者视频做预处理，接着对预处理结果提取特征表示，最后利用特征表示比对来得到行人重识别结果。行人重识别的核心问题是如何根据图像或视频提取行人鲁棒的特征表示，传统的行人重识别方法基于人工经验设计特征，其学习的特征针对复杂的现实场景较难保证类内相似度大于类间相似度，影响识别的准确性。
技术实现思路
鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种行人重识别的方法和装置，包括：一种行人重识别的方法，所述方法包括：获取多个图像数据，并对所述多个图像数据进行行人信息标注，得到标注数据集，所述标注的行人信息至少包括图像数据中行人对象的身份标识、所述行人对象的人体解释信息，以及所述行人对象的人体属性信息；从所述标注数据集中，确定训练数据集；根据所述标注的行人信息，生成针对所述行人对象的人体掩码信息，并根据所述人体掩码信息，对所述训练数据集进行扩充；采用所述扩充后的训练数据集进行深度学习，得到目标网络模型，以采用所述网络模型进行行人重识别。可选地，还包括：从所述标注数据集中，确定验证数据集；根据所述目标网络模型，生成所述验证数据集的行人信息预测结果；根据所述验证数据集标注的行人信息，确定所述行人信息预测结果中各个行人信息的准确率；按照所述准确率，对所述行人信息进行排序，得到最优行人信息集。可选地，还包括：从所述标注数据集中，确定测试数据集；其中，所述测试数据集包括测试查询数据集和测试候选数据集；根据所述测试查询数据集、所述测试候选数据集，以及所述最优行人信息集，获得所述目标数据模型进行行人重识别的相似性测试结果。可选地，所述深度学习的方式包括以下任一项或多项：针对所述身份标识的深度学习、针对所述人体解释信息的深度学习、针对所述人体属性信息的深度学习。可选地，每种深度学习的方式具有对应的损失函数。一种行人重识别的装置，所述装置包括：数据标注模块，用于获取多个图像数据，并对所述多个图像数据进行行人信息标注，得到标注数据集，所述标注的行人信息至少包括图像数据中行人对象的身份标识、所述行人对象的人体解释信息，以及所述行人对象的人体属性信息；训练数据集确定模块，用于从所述标注数据集中，确定训练数据集；训练数据集扩充模块，用于根据所述标注的行人信息，生成针对所述行人对象的人体掩码信息，并根据所述人体掩码信息，对所述训练数据集进行扩充；目标网络模型得到模块，用于采用所述扩充后的训练数据集进行深度学习，得到目标网络模型，以采用所述网络模型进行行人重识别。可选地，还包括：验证数据集确定模块，用于从所述标注数据集中，确定验证数据集；行人信息预测结果生成模块，用于根据所述目标网络模型，生成所述验证数据集的行人信息预测结果；准确率确定模块，用于根据所述验证数据集标注的行人信息，确定所述行人信息预测结果中各个行人信息的准确率；最优行人信息集得到模块，用于按照所述准确率，对所述行人信息进行排序，得到最优行人信息集。可选地，还包括：测试数据集确定模块，用于从所述标注数据集中，确定测试数据集；其中，所述测试数据集包括测试查询数据集和测试候选数据集；相似性测试结果获得模块，用于根据所述测试查询数据集、所述测试候选数据集，以及所述最优行人信息集，获得所述目标数据模型进行行人重识别的相似性测试结果。可选地，所述深度学习的方式包括以下任一项或多项：针对所述身份标识的深度学习、针对所述人体解释信息的深度学习、针对所述人体属性信息的深度学习。可选地，每种深度学习的方式具有对应的损失函数。本专利技术实施例具有以下优点：在本专利技术实施例中，通过获取多个图像数据，并对所述多个图像数据进行行人信息标注，得到标注数据集，所述标注的行人信息至少包括图像数据中行人对象的身份标识、所述行人对象的人体解释信息，以及所述行人对象的人体属性信息；从所述标注数据集中，确定训练数据集；根据所述标注的行人信息，生成针对所述行人对象的人体掩码信息，并根据所述人体掩码信息，对所述训练数据集进行扩充；采用所述扩充后的训练数据集进行深度学习，得到目标网络模型，以采用所述网络模型进行行人重识别，实现了对行人重识别的优化，提升了识别的准确性。附图说明为了更清楚地说明本专利技术的技术方案，下面将对本专利技术的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例提供的一种行人重识别的方法的步骤流程图；图2是本专利技术一实施例提供的一种网络模型的示意图；图3是本专利技术一实施例提供的一种行人重识别的装置的结构示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动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。随着深度学习技术的蓬勃发展，卷积神经网络技术逐渐在图像处理各个领域展露头角，基于优化的思想能够拟合复杂的函数映射，从而超越人工经验的设计，故目前流行的主要方式是设计特定卷积神经网络结构提取行人特征表示，采用度量学习的方法来优化网络参数。在实际应用中，通过尝试引入其他任务如关键点检测任务或者人体属性识别任务来辅助提升行人特征提取任务，结果证明在一定条件下能够很好的提升行人重识别的效果。因此，利用多线索多特征联合进行行人重识别成为提升识别准确率的有效途径。在行人重识别方法的研究中，为获取鲁棒的行人特征嵌入，结合多任务学习的方法，提出了一种基于多线索多特征融合的行人重识别算法，以解决问题主要有以下两个方面：1、扩充最终描述行人的特征，由行人特征嵌入学习分支、行人解释学习分支以及行人属性学习分支组成，提高行人重识别的准确度；2、在实际应用时，采用一种级联人体属性和人体特征嵌入的方式来作为行人的特征本文档来自技高网...

【技术保护点】
1.一种行人重识别的方法，其特征在于，所述方法包括：/n获取多个图像数据，并对所述多个图像数据进行行人信息标注，得到标注数据集，所述标注的行人信息至少包括图像数据中行人对象的身份标识、所述行人对象的人体解释信息，以及所述行人对象的人体属性信息；/n从所述标注数据集中，确定训练数据集；/n根据所述标注的行人信息，生成针对所述行人对象的人体掩码信息，并根据所述人体掩码信息，对所述训练数据集进行扩充；/n采用所述扩充后的训练数据集进行深度学习，得到目标网络模型，以采用所述网络模型进行行人重识别。/n

【技术特征摘要】
1.一种行人重识别的方法，其特征在于，所述方法包括：
获取多个图像数据，并对所述多个图像数据进行行人信息标注，得到标注数据集，所述标注的行人信息至少包括图像数据中行人对象的身份标识、所述行人对象的人体解释信息，以及所述行人对象的人体属性信息；
从所述标注数据集中，确定训练数据集；
根据所述标注的行人信息，生成针对所述行人对象的人体掩码信息，并根据所述人体掩码信息，对所述训练数据集进行扩充；
采用所述扩充后的训练数据集进行深度学习，得到目标网络模型，以采用所述网络模型进行行人重识别。


2.根据权利要求1所述的方法，其特征在于，还包括：
从所述标注数据集中，确定验证数据集；
根据所述目标网络模型，生成所述验证数据集的行人信息预测结果；
根据所述验证数据集标注的行人信息，确定所述行人信息预测结果中各个行人信息的准确率；
按照所述准确率，对所述行人信息进行排序，得到最优行人信息集。


3.根据权利要求2所述的方法，其特征在于，还包括：
从所述标注数据集中，确定测试数据集；其中，所述测试数据集包括测试查询数据集和测试候选数据集；
根据所述测试查询数据集、所述测试候选数据集，以及所述最优行人信息集，获得所述目标数据模型进行行人重识别的相似性测试结果。


4.根据权利要求1或2或3所述的方法，其特征在于，所述深度学习的方式包括以下任一项或多项：
针对所述身份标识的深度学习、针对所述人体解释信息的深度学习、针对所述人体属性信息的深度学习。


5.根据权利要求4所述的方法，其特征在于，每种深度学习的方式具有对应的损失函数。


6.一种行人重识别的装置，其特征在于，所述装置包括：
数据标注模块，用于获取多个图像数据，并对所述多个图像...

【专利技术属性】
技术研发人员：李大铭，邓练兵，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：广东;44