本发明专利技术公开了图像识别技术领域的一种行人重识别方法、装置、设备及存储介质，该方法包括：获取数据集，所述数据集中的数据为无标签的行人图像；对所述数据集中各数据分别进行分块处理，将各分块后的数据分别进行随机排序得到分别与各数据对应的乱序数据，并基于各数据及相应乱序数据生成分别与各数据对应的负样本数据；基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进行无监督学习，得到相应的识别网络，并基于所述识别网络进行行人重识别。可见，本申请能够保证行人重识别准确性的同时，有效降低行人重识别的工作量，提高行人重识别效率。提高行人重识别效率。提高行人重识别效率。
【技术实现步骤摘要】
一种行人重识别方法、装置、设备及存储介质
[0001]本专利技术涉及图像识别
，更具体地说，涉及一种行人重识别方法、装置、设备及存储介质。
技术介绍
[0002]行人重识别(Re
‑
ID)是一种重要的图像识别技术，广泛应用于公安系统、交通监管等领域；行人重识别通过对分布在不同位置的摄像头进行搜索来确定不同摄像头视野中的行人是否是同一个行人。在行人重识别的某些场景下，行人众多，行人图像形成的海量数据需要一一标注，这会带来巨大的工作量，甚至不可实现；因此，如何减少行人重识别所需的工作量，是目前本领域技术人员亟待解决的问题。
技术实现思路
[0003]本专利技术的目的是提供一种行人重识别方法、装置、设备及存储介质，能够保证行人重识别准确性的同时，有效降低行人重识别的工作量，提高行人重识别效率。
[0004]为了实现上述目的，本专利技术提供如下技术方案：一种行人重识别方法，包括：获取数据集，所述数据集中的数据为无标签的行人图像；对所述数据集中各数据分别进行分块处理，将各分块后的数据分别进行随机排序得到分别与各数据对应的乱序数据，并基于各数据及相应乱序数据生成分别与各数据对应的负样本数据；基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进行无监督学习，得到相应的识别网络，并基于所述识别网络进行行人重识别。
[0005]优选的，基于各数据及相应乱序数据生成分别与各数据对应的负样本数据，包括：按照下列公式生成分别与各数据对应的负样本数据：；；；；其中，代表第个数据，为权重参数，为第个数据的数据特征，为第个数据的乱序数据的数据特征，为中心样本特征，为第个数据的负样本数据，iter代表当前的迭代次数，sum_iter代表总的迭代次数，K为计算负样本数据所用的数据数量。
[0006]优选的，基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进
行无监督学习，包括：在无监督学习过程中，按照下列公式计算损失函数loss：；其中，Batchsize为每次从所述数据集中取出的单次迭代所用的数据数量，k为当前次迭代所用的数据的前K个数据中第k个数据，为当前次迭代所用的数据的前K个数据中第k个数据的负样本数据，为比例参数。
[0007]优选的，基于各数据及相应乱序数据生成分别与各数据对应的负样本数据之后，还包括：将最新生成的负样本数据加入至对比样本队列中；其中，所述对比样本队列为先进先出的、长度K的堆栈。
[0008]优选的，对所述数据集中各数据分别进行分块处理，包括：对所述数据集中各数据分别按照行人身高维度按照预设比例进行分块，以使得相应数据中行人的头部、上部肢体及下部肢体分别位于不同的块中。
[0009]优选的，对所述数据集中各数据分别进行分块处理之前，还包括：对所述数据集中的各数据分别进行数据增强处理。
[0010]优选的，得到相应的识别网络之后，还包括：获取所述识别网络在最近预设数量的训练迭代中对应的损失值，并计算所述损失值的平均值；当确定所述平均值小于预设阈值时，利用所述识别网络提取所述数据集中各数据的数据特征；采用均值漂移聚类对所述数据集中各数据的数据特征进行聚类，并基于聚类的结果对所述数据集中的数据进行分类；基于分类的结果确定所述数据集中各数据被抽取的概率，并基于被抽取的概率从所述数据集中抽取数据对所述识别网络继续进行训练。
[0011]优选的，基于分类的结果确定所述数据集中各数据被抽取的概率，包括：按照下列公式计算所述数据集中各数据被抽取的概率：；其中，c表示分类所得第c个类别，j表示第c个类别中的第j个数据，表示第c个类别中第j个数据被抽取的概率，表示第c个类别中距离类中心最远的数据与类中心之间的距离，表示第c个类别中第j个数据与类中心之间的距离；对计算所得所述数据集中各数据被抽取的概率进行归一化处理。
[0012]一种行人重识别装置，包括：获取模块，用于：获取数据集，所述数据集中的数据为无标签的行人图像；处理模块，用于：对所述数据集中各数据分别进行分块处理，将各分块后的数据分
别进行随机排序得到分别与各数据对应的乱序数据，并基于各数据及相应乱序数据生成分别与各数据对应的负样本数据；训练模块，用于：基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进行无监督学习，得到相应的识别网络，并基于所述识别网络进行行人重识别。
[0013]一种行人重识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上任一项所述行人重识别方法的步骤。
[0014]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述行人重识别方法的步骤。
[0015]本专利技术提供了一种行人重识别方法、装置、设备及存储介质，该方法包括：获取数据集，所述数据集中的数据为无标签的行人图像；对所述数据集中各数据分别进行分块处理，将各分块后的数据分别进行随机排序得到分别与各数据对应的乱序数据，并基于各数据及相应乱序数据生成分别与各数据对应的负样本数据；基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进行无监督学习，得到相应的识别网络，并基于所述识别网络进行行人重识别。本申请在获取到包含有无标签行人图像的数据集后，对数据集中各数据分别进行分块处理及随机排序，得到分别与各数据对应的乱序数据，并基于数据集中各数据及相应乱序数据生成相应的负样本数据，从而基于数据集中各数据及相应乱序数据组成的正样本数据及相应负样本数据进行无监督学习，得到识别网络，以基于识别网络实现行人重识别。可见，本申请能够基于无标签行人图像自动生成相应的乱序数据及负样本数据，进而基于无标签行人图像、乱序数据及负样本数据进行无监督学习得到识别网络，以利用识别网络实现行人重识别，无需对海量数据进行标注，从而能够保证行人重识别准确性的同时，有效降低行人重识别的工作量，提高行人重识别效率。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
[0017]图1为本专利技术实施例提供的一种行人重识别方法的流程图；图2为本专利技术实施例提供的一种行人重识别方法中识别网络结构图；图3为本专利技术实施例提供的一种行人重识别方法中行人重识别应用图；图4为本专利技术实施例提供的一种行人重识别方法中分块示意图；图5为本专利技术实施例提供的一种行人重识别方法中数据及相应乱序数据的示意图；图6为本专利技术实施例提供的一种行人重识别方法中聚类结果示意图；图7为本专利技术实施例提供的一种行人重识别方法中类别最远距离示意图；图8为本专利技术实施例提供的一种行人重识别方法的结构示意图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括：获取数据集，所述数据集中的数据为无标签的行人图像；对所述数据集中各数据分别进行分块处理，将各分块后的数据分别进行随机排序得到分别与各数据对应的乱序数据，并基于各数据及相应乱序数据生成分别与各数据对应的负样本数据；基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进行无监督学习，得到相应的识别网络，并基于所述识别网络进行行人重识别。2.根据权利要求1所述的方法，其特征在于，基于各数据及相应乱序数据生成分别与各数据对应的负样本数据，包括：按照下列公式生成分别与各数据对应的负样本数据：；；；；其中，代表第个数据，为权重参数，为第个数据的数据特征，为第个数据的乱序数据的数据特征，为中心样本特征，为第个数据的负样本数据，iter代表当前的迭代次数，sum_iter代表总的迭代次数，K为计算负样本数据所用的数据数量。3.根据权利要求2所述的方法，其特征在于，基于所述数据集中各数据、各数据的乱序数据及各数据的负样本数据进行无监督学习，包括：在无监督学习过程中，按照下列公式计算损失函数loss：；其中，Batchsize为每次从所述数据集中取出的单次迭代所用的数据数量，k为当前次迭代所用的数据的前K个数据中第k个数据，为当前次迭代所用的数据的前K个数据中第k个数据的负样本数据，为比例参数。4.根据权利要求3所述的方法，其特征在于，基于各数据及相应乱序数据生成分别与各数据对应的负样本数据之后，还包括：将最新生成的负样本数据加入至对比样本队列中；其中，所述对比样本队列为先进先出的、长度K的堆栈。5.根据权利要求1所述的方法，其特征在于，对所述数据集中各数据分别进行分块处理，包括：对所述数据集中各数据分别按照行人身高维度按照预设比例进行分块，以使得相应数据中行人的头部、上部肢体及下部肢体分别位于不同的块中。6.根据权利要求5所述的方法，其特征在于，对所述数据集中各数据分别进行分块处理
之前，还包括：对所述数据...
【专利技术属性】
技术研发人员：王立，范宝余，郭振华，李仁刚，
申请(专利权)人：苏州浪潮智能科技有限公司，
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。