【技术实现步骤摘要】
基于行人重识别的训练和识别方法、装置、介质及设备
[0001]本申请涉及机器学习
，特别涉及一种基于行人重识别的训练和识别方法、装置、介质及设备。
技术介绍
[0002]行人重识别是利用计算机视觉技术检索图像或者视频序列中是否存在特定行人的技术。当给定一张行人图像时，利用行人重识别技术可以确定行人在其它监控视频中是否出现过。行人重识别可与行人检测、行人跟踪等技术相结合，广泛应用于智能视频监控、智能安保等领域。
[0003]相关技术中，可以从监控摄像机获取监控视频流，从监控视频流中提取视频帧，通过人工方式、行人检测或者行人跟踪方式从视频帧中裁切出行人图像，再对行人图像中的行人特征进行识别，将该特征与底库中的行人特征进行比较，根据比较结果对行人与底库中的行人进行匹配。
[0004]在实际应用时往往存在各种复杂的情况，如在商场中，行人与行人紧挨着而导致遮挡严重，或者，行人逐渐消失在相机视野中而导致行人的有效面积逐渐变小，这些都会影响行人特征的准确性，从而影响行人重识别的识别精度。
技术实现思路
>[0005]本申请本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于行人重识别的训练方法，其特征在于，所述方法包括：从不同相机拍摄的视频流中提取m个行人在同一时间段内的n张测试行人图像，对所述测试行人图像进行特征提取得到第一特征矩阵，m和n为正整数；利用识别模型中的第一分支对所述第一特征矩阵进行图像质量处理，得到第一损失值；利用所述识别模型中的第二分支对所述第一特征矩阵和m个行人标识进行中心表征特征处理，得到第二损失值；利用识别模型中的第三分支对所述第一特征矩阵和m*n个图像标识进行图像表征特征处理，得到第三损失值；利用识别模型中的第四分支对所述第一特征矩阵和m个行人标识进行时序特征处理，得到第四损失值；根据所述第一损失值、所述第二损失值、所述第三损失值和所述第四损失值对所述识别模型进行训练。2.根据权利要求1所述的基于行人重识别的训练方法，其特征在于，所述方法还包括：对所述测试行人图像的图像质量进行检测，得到图像质量回归值；所述利用识别模型中的第一分支对所述第一特征矩阵进行图像质量处理，得到第一损失值，包括：利用所述识别模型中的第一分支，依次对所述第一特征矩阵进行全局池化、维度压缩、全连接和维度压缩处理，得到图像质量矩阵；将所述图像质量矩阵和所述图像质量回归值输入第一损失函数中，得到所述第一损失值。3.根据权利要求2所述的基于行人重识别的训练方法，其特征在于，所述利用所述识别模型中的第二分支对所述第一特征矩阵和m个行人标识进行中心表征特征处理，得到第二损失值，包括：利用所述识别模型中的第二分支，对所述第一特征矩阵依次进行维度转换和卷积运算后，与所述图像质量矩阵相乘，得到第二特征矩阵；对所述第二特征矩阵依次进行卷积运算、维度转换和全连接处理，得到中心表征特征矩阵；将所述中心表征特征矩阵和所述m个行人标识输入第二损失函数中，得到所述第二损失值。4.根据权利要求3所述的基于行人重识别的训练方法，其特征在于，所述利用识别模型中的第三分支对所述第一特征矩阵和m*n个图像标识进行图像表征特征处理，得到第三损失值，包括：利用所述识别模型中的第三分支，依次对所述第二特征矩阵进行维度转换和全连接处理，得到图像表征特征矩阵；将所述图像表征特征矩阵和所述m*n个图像标识输入第三损失函数中，得到所述第三损失值。5.根据权利要求1所述的基于行人重识别的训练方法，其特征在于，所述利用识别模型中的第四分支对所述第一特征矩阵和m个行人标识进行时序特征处理，得到第四损失值，包括：利用所述识别模型中的第四分支，依次对所述第一特征矩阵进行卷积运算、维度压缩、
全连接和维度转换处理，得到每张测试行人图像的空间特征向量，且每个行人的n个空间特征向量按照所述n张测试行人图像的时序排列；利用所述第四分支中的长短时记忆网络LSTM对所述空间特征向量进行处理，得到每个行人的时序特征向量；对所述时序特征向量进行全连接处理，得到时序特征矩阵；将所述时序特征矩阵和所述m个行人标识输入第四损失函数中，得到所述第四损失值。6.一种基于行人重识别的识别方法、其特征在于，用于安装有识别模型的计算机设备中，所述识别模型由权利要求1至5中任一项所述的训练方法训练得到的，所述方法包括：从不同相机拍摄的视频流中提取每个目标行人在同一时间段内的n张第一行人图像，n为正整数；对于每个目标行人，利用所述第二分支对所述目标行人的n张第一行人图像进行中心表...
【专利技术属性】
技术研发人员：杨帆，朱莹，
申请(专利权)人：南京甄视智能科技有限公司，
类型：发明
国别省市：
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。