一种行人重识别方法、系统、设备及计算机可读存储介质技术方案

本申请公开了一种行人重识别方法、系统、设备及计算机可读存储介质，获取无标签的第一类行人图像；为第一类行人图像制作标签信息；基于第一类行人图像及标签信息对目标行人重识别网络进行训练，得到第一次训练的目标行人重识别网络；将第一类行人图像中的目标区域进行丢弃，得到第二类行人图像；基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练，得到第二次训练的目标行人重识别网络。本申请可以使得无标签的行人图像中的行人信息也可以用于目标行人重识别网络的训练，提高了目标行人重识别网络的鲁棒性提高目标行人重识别网络的训练效率，进而提高行人重识别方法的运行效率；适用性更好。适用性更好。适用性更好。

【技术实现步骤摘要】
一种行人重识别方法、系统、设备及计算机可读存储介质


[0001]本申请涉及深度学习
，更具体地说，涉及一种行人重识别方法、系统、设备及计算机可读存储介质。

技术介绍

[0002]当前，深度学习用于解决图片分类、图像分割和物体检测等计算机视觉领域的问题并且取得了巨大的成功。且近年来涌现出了很多优秀的卷积神经网络模型，在此过程中，行人重识别任务随着深度学习技术的不断发展也取得了长足的进步。行人重识别(Re
‑
ID)是一种重要的图像识别技术，如今被视为图像检索的一类关键子问题，其利用计算机视觉算法对跨设备的行人图像或视频进行匹配，即给定一个查询图像，在不同监控设备的图像库检索出同一个行人。由于对智能安防、相册聚类和嫌疑人搜索等方面有巨大的应用前景，行人重识别已经成为计算机视觉领域的研究交点。
[0003]目前，在行人重识别过程中，是通过构建行人重识别网络，并基于有标签的行人图像对行人重识别网络进行训练，最后基于训练好的行人重识别网络进行行人重识别。然而，现有行人重识别网络的训练过程缓慢，使得行人重识别方法的运行效率较低本文档来自技高网...

【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：获取无标签的第一类行人图像；为所述第一类行人图像制作标签信息；基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练，得到第一次训练的所述目标行人重识别网络；将所述第一类行人图像中的目标区域进行丢弃，得到第二类行人图像；基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练，得到第二次训练的所述目标行人重识别网络，以基于所述目标行人重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，所述为所述第一类行人图像制作标签信息，包括：确定所述第一类行人图像中的身体部位分界线信息；将所述身体部位分界线信息作为所述第一类行人图像的所述标签信息。3.根据权利要求2所述的方法，其特征在于，所述确定所述第一类行人图像中的身体部位分界线信息，包括：基于模板匹配法确定所述第一类行人图像中的所述身体部位分界线信息。4.根据权利要求3所述的方法，其特征在于，所述基于模板匹配法确定所述第一类行人图像中的所述身体部位分界线信息，包括：获取预设的人体部位模板；确定所述第一类行人图像中与所述人体部位模板对应的身体部位区域；确定所述身体部位区域的边界坐标，边界坐标包括身体部位区域的边界在第一类行人图像中的高度值；将所述边界坐标与所述第一类行人图像的总高度的比值作为所述身体部位分界线信息。5.根据权利要求4所述的方法，其特征在于，所述人体部位模板包括头部模板、躯干模板、下肢模板；所述身体部位区域包括头部区域、躯干区域、下肢区域；所述身体部位分界线信息包括所述头部区域的开始边界信息、所述头部区域与所述躯干区域间的分界线信息、所述躯干区域与所述下肢区域间的分界线信息、所述下肢区域的结束边界信息。6.根据权利要求5所述的方法，其特征在于，所述确定所述第一类行人图像中与所述人体部位模板对应的身体部位区域，包括：从所述第一类行人图像中切割出与所述人体部位模板同大小的临时图像；计算每一个所述临时图像和所述人体部位模板的相似度值；选取相似度值最大的所述临时图像作为所述第一类行人图像中与所述人体部位模板对应的所述身体部位区域。7.根据权利要求1至6任一项所述的方法，其特征在于，所述基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练，得到第一次训练的所述目标行人重识别网络，包括：将所述目标行人重识别网络与第一辅助网络进行连接，得到第一目标网络；基于所述第一类行人图像及所述标签信息对所述第一目...

【专利技术属性】
技术研发人员：李仁刚，王立，郭振华，范宝余，
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：