行人再识别方法及装置制造方法及图纸

本公开涉及机器学习技术领域，提供了一种行人再识别方法及装置。该方法包括：构建行人再识别模型，其中，行人再识别模型，包括：行人再识别分支与质量回归分支；获取预训练模型，并利用预训练模型初始化行人再识别模型；对初始化后的行人再识别模型进行多阶段训练；获取待分类的行人数据集，其中，行人数据集，包括：多个人的多张图片；利用经过多阶段训练后的行人再识别模型对行人数据集中的图片进行分类，得到每个人的一张或多张图片。采用上述技术手段，解决现有技术中，目前的行人再识别算法中，存在模型训练耗时多、成本高，以及精度低的问题。题。题。

【技术实现步骤摘要】
行人再识别方法及装置


[0001]本公开涉及机器学习
，尤其涉及一种行人再识别方法及装置。

技术介绍

[0002]在一个时间段内，获得的所有监控图片中，可能一个人有多张监控图片，如果将所有监控图片分别划分给该时间段内监控设备下出现的每个人，然后利用每个人的多张图片分析此人，那么可以极大的提高分析的精度和正确率，上述在很多监控图片中，找到特定的一个人对应的图片的技术称之为行人重识别。行人重识别(Person re
‑
identification)也称行人再识别，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。目前的行人重识别算法往往是通过训练一个神经网络来实现的，其存在训练耗时多、成本高，以及最终的模型的精度低的问题。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：目前的行人再识别算法中，存在模型训练耗时多、成本高，以及精度低的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种行人再识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，目前的行人再识别算法中，存在模型训练耗时多、成本高，以及精度低的问题。
[0005]本公开实施例的第一方面，提供了一种行人再识别方法，包括：构建行人再识别模型，其中，行人再识别模型，包括：行人再识别分支与质量回归分支；获取预训练模型，并利用预训练模型初始化行人再识别模型；对初始化后的行人再识别模型进行多阶段训练；获取待分类的行人数据集，其中，行人数据集，包括：多个人的多张图片；利用经过多阶段训练后的行人再识别模型对行人数据集中的图片进行分类，得到每个人的一张或多张图片。
[0006]本公开实施例的第二方面，提供了一种行人再识别装置，包括：构建模块，被配置为构建行人再识别模型，其中，行人再识别模型，包括：行人再识别分支与质量回归分支；初始化模块，被配置为获取预训练模型，并利用预训练模型初始化行人再识别模型；训练模块，被配置为对初始化后的行人再识别模型进行多阶段训练；获取模块，被配置为获取待分类的行人数据集，其中，行人数据集，包括：多个人的多张图片；分类模块，被配置为利用经过多阶段训练后的行人再识别模型对行人数据集中的图片进行分类，得到每个人的一张或多张图片。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过构建行
人再识别模型，其中，行人再识别模型，包括：行人再识别分支与质量回归分支；获取预训练模型，并利用预训练模型初始化行人再识别模型；对初始化后的行人再识别模型进行多阶段训练；获取待分类的行人数据集，其中，行人数据集，包括：多个人的多张图片；利用经过多阶段训练后的行人再识别模型对行人数据集中的图片进行分类，得到每个人的一张或多张图片，因此，采用上述技术手段，可以解决现有技术中，目前的行人再识别算法中，存在模型训练耗时多、成本高，以及精度低的问题，进而降低行人再识别算法中模型训练耗时和成本，提高模型精度。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本公开实施例的应用场景的场景示意图；
[0012]图2是本公开实施例提供的一种行人再识别方法的流程示意图；
[0013]图3是本公开实施例提供的一种行人再识别装置的结构示意图；
[0014]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0015]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0016]下面将结合附图详细说明根据本公开实施例的一种行人再识别方法和装置。
[0017]图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。
[0018]终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备101、102和103为软件时，其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备101、102和103上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
[0019]服务器104可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器104可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
[0020]需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时，其
可以是为终端设备101、102和103提供各种服务的多个软件或软件模块，也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
[0021]网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near Field Communication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。
[0022]用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接，以接收或发送信息等。需要说明的是，终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
[0023]图2是本公开实施例提供的一种行人再识别方法的流程示意图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人再识别方法，其特征在于，包括：构建行人再识别模型，其中，所述行人再识别模型，包括：行人再识别分支与质量回归分支；获取预训练模型，并利用所述预训练模型初始化所述行人再识别模型；对初始化后的行人再识别模型进行多阶段训练；获取待分类的行人数据集，其中，所述行人数据集，包括：多个人的多张图片；利用经过所述多阶段训练后的行人再识别模型对所述行人数据集中的图片进行分类，得到每个人的一张或多张图片。2.根据权利要求1所述的方法，其特征在于，所述对初始化后的行人再识别模型进行多阶段训练，包括：冻结所述质量回归分支，利用所述行人再识别模型的第一损失函数训练所述行人再识别分支，其中，所述第一损失函数中的间隔因子由所述质量回归分支确定，冻结所述质量回归分支后，所述间隔因子为常数；冻结所述行人再识别分支，利用确定所述间隔因子的第二损失函数训练所述质量回归分支；利用所述第一损失函数同时训练所述行人再识别分支和所述质量回归分支，其中，没有冻结所述质量回归分支，则所述间隔因子为变量。3.根据权利要求2所述的方法，其特征在于，所述第一损失函数L
circle
：α
p
＝1+m
‑
s
p
Δ
p
＝1
‑
mΔ
n
＝m其中，s
p
表示当前图片的特征向量与当前图片的正类中心向量的相似度，表示当前图片的特征向量与当前图片的第j个负类中心向量的相似度，L表示负类个数，γ为特征缩放因子，m为间隔因子，m由所述质量回归分支确定，如果所述质量回归分支被冻结了，则m为常数，如果所述质量回归分支没有被冻结，则m为变量，m等于所述第二损失函数的函数值。4.根据权利要求2所述的方法，其特征在于，所述第二损失函数m：其中，m0和m1为常量，q为所述质量回归分支的输出，q
min
为所述质量回归分支的最小输出，q
max
为所述质量回归分支的最大输出。5.根据权利要求1或2所述的方法，其特征在于，所述行人再识别分支，包括如下多个依次串行连接的网络层：第一卷积层、第二卷积层、第三卷积层、第...

【专利技术属性】
技术研发人员：杨战波，黄泽元，祁晓婷，蒋召，
申请(专利权)人：深圳集智数字科技有限公司，
类型：发明
国别省市：