一种用于图片搜索的重识别处理方法及装置制造方法及图纸

本发明专利技术公开了一种用于图片搜索的重识别处理方法及装置，涉及大数据分析及应用技术领域，能够解决现有技术中的行人重识别处理方法耗时长的问题

【技术实现步骤摘要】
一种用于图片搜索的重识别处理方法及装置


[0001]本专利技术涉及大数据分析及应用
，具体涉及用于图片搜索的重识别处理方法及装置
。

技术介绍

[0002]随着当前硬件算力的飞速发展，人工智能计算机视觉技术，尤其是深度学习技术得到了快速发展和普及
。
在安防等领域，行人重识别技术应用越来越广泛
。
现阶段的行人重识别主要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
。
在给定一个监控行人图像的情况下，能够跨设备实现摄像头多角度无死角的监控追踪，即与行人检测
/
行人跟踪技术结合
。
行人重识别任务一般包含行人图片提取，行人特征提取，行人特征比对等步骤
。
其中行人重识别的后处理方法可以大幅提升比对结果的准确度，常用的有
Re
‑
rank
，
Query Expansion
，
PCA
等
。
但是现有的
Re
‑
rank
等重排序方法非常耗时，不能用于在线比对
。

技术实现思路

[0003]本专利技术实施例提供一种用于图片搜索的重识别处理方法及装置，能够解决现有技术中的行人重识别处理方法耗时长的问题
。
所述技术方案如下：
[0004]根据本专利技术实施例的第一方面，提供用于图片搜索的重识别处理方法，所述方法包括：
[0005]获取目标重识别数据集的初始特征向量，所述初始特征向量包括
N
维向量，所述目标重识别数据集中包括至少一张人形图片，所述
N≥1
；
[0006]计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，所述图片数据库的当前存储量为
N_G
；
[0007]判断所述第一相似度结果列表是否全部低于第一预设阈值；
[0008]若是，将所述初始特征向量添加至所述图片数据库中，则
N_G
＝
N_G+1。
[0009]本专利技术实施例提供的用于图片搜索的重识别处理方法，首先获取目标重识别数据集的初始特征向量，初始特征向量包括
N
维向量，目标重识别数据集中包括至少一张人形图片，
N≥1
；然后计算初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，图片数据库的当前存储量为
N_G
；最后判断第一相似度结果列表是否全部低于第一预设阈值；若是，将初始特征向量添加至图片数据库中，则
N_G
＝
N_G+1。
本专利技术提供的重识别处理方法能够快速识别图片，大幅度提高了图片的处理效率
。
[0010]作为本专利技术再进一步的方案：在所述计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度之前，所述方法还包括：
[0011]预先创建所述图片数据库；
[0012]将第一张人形图片添加至所述图片数据库
。
[0013]作为本专利技术再进一步的方案：所述获取目标重识别数据集的初始特征向量包括：
[0014]获取目标重识别数据集；
[0015]对所述目标重识别数据集进行多重神经网络结构训练，提取所述初始特征向量
。
[0016]作为本专利技术再进一步的方案：在所述判断所述第一相似度结果列表是否全部低于第一预设阈值之后，所述方法还包括：
[0017]若否，则将所述图片数据库中所述初始相似度结果最高的前
N1
个特征向量记为
{T_a}
，对所述
{T_a}
中元素
T_i
更新相似度，得到更新相似度结果列表，其中，所述
N1
＜
N_G
；
[0018]判断所述更新相似度结果列表是否全部低于第二预设阈值；
[0019]若是，将所述初始特征向量添加至所述图片数据库中，则
N_G
＝
N_G+1。
[0020]作为本专利技术再进一步的方案：所述对所述
{T_a}
中元素
T_i
更新相似度，得到更新相似度结果列表包括：
[0021]计算所述
T_i
与所述图片数据库中除
T_i
外其他特征向量的相似度，获得第二相似度结果列表；
[0022]获取所述第二相似度结果列表中结果最高的前
N2
个特征向量在所述第一相似度结果列表中的对应值，得到第三相似度结果列表，其中，
N2
＜
N1
；
[0023]校正所述
T_i
与所述初始特征向量的相似度，得到更新相似度；
[0024]将所述第一相似度结果列表中
T_i
向量对应的所述初始相似度变更为所述更新相似度，得到所述更新相似度结果列表
。
[0025]作为本专利技术再进一步的方案：在所述判断所述更新相似度结果列表是否全部低于第二预设阈值之后，所述方法还包括：
[0026]若否，根据所述更新相似度结果列表中最高的所述初始特征向量计算更新特征向量；
[0027]将所述图片数据库中对应的所述初始特征向量更新为所述更新特征向量
。
[0028]作为本专利技术再进一步的方案：所述更新相似度通过第一公式进行计算，所述第一公式为：
[0029]x_ti_
＝
w1
×
Mean(x3)+w2
×
x_ti
；
[0030]其中，
x_ti_
为所述更新相似度；
w1、w2
为预设的加权权重，取值在0‑1之间；
x3
为所述第三相似度结果列表，
Mean
为取均值
。x_ti
为所述
T_i
与所述初始特征向量的相似度
。
[0031]作为本专利技术再进一步的方案：所述更新特征向量通过第二公式进行计算，所述第二公式为：
[0032]p_new
＝
w3
×
tq+w4
×
p
；
[0033]其中，
p_new
为所述更新特征向量；
w3、w4
为预设加权权重，取值在0‑1之间；
tq
为所述图片数据库中对应的所述更新相似度结果列表中最高的所述初始特征向量；
p
为所述初始特征向量
。
[0034]作为本专利技术再进一步的方案：所述初始相似度通过以下第三公式计算，所述第三公式为：
[0035][0036]其中，
s
为所述初始相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于图片搜索的重识别处理方法，其特征在于，所述方法包括：获取目标重识别数据集的初始特征向量，所述初始特征向量包括
N
维向量，所述目标重识别数据集中包括至少一张人形图片，所述
N≥1
；计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，所述图片数据库的当前存储量为
N_G
；判断所述第一相似度结果列表是否全部低于第一预设阈值；若是，将所述初始特征向量添加至所述图片数据库中，则
N_G
＝
N_G+1。2.
根据权利要求1所述的用于图片搜索的重识别处理方法，其特征在于，在所述计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度之前，所述方法还包括：预先创建所述图片数据库；将第一张人形图片添加至所述图片数据库
。3.
根据权利要求1所述的用于图片搜索的重识别处理方法，其特征在于，所述获取目标重识别数据集的初始特征向量包括：获取目标重识别数据集；对所述目标重识别数据集进行多重神经网络结构训练，提取所述初始特征向量
。4.
根据权利要求1所述的用于图片搜索的重识别处理方法，其特征在于，在所述判断所述第一相似度结果列表是否全部低于第一预设阈值之后，所述方法还包括：若否，则将所述图片数据库中所述初始相似度结果最高的前
N1
个特征向量记为
{T_a}
，对所述
{T_a}
中元素
T_i
更新相似度，得到更新相似度结果列表，其中，所述
N1
＜
N_G
；判断所述更新相似度结果列表是否全部低于第二预设阈值；若是，将所述初始特征向量添加至所述图片数据库中，则
N_G
＝
N_G+1。5.
根据权利要求4所述的用于图片搜索的重识别处理方法，其特征在于，所述对所述
{T_a}
中元素
T_i
更新相似度，得到更新相似度结果列表包括：计算所述
T_i
与所述图片数据库中除
T_i
外其他特征向量的相似度，获得第二相似度结果列表；获取所述第二相似度结果列表中结果最高的前
N2
个特征向量在所述第一相似度结果列表中的对应值，得到第三相似度结果列表，其中，
N2
＜
N1
；校正所述
T_i
与所述初始特征向量的相似度，得到更新相似度；将所述第一相似度结果列表中
T_i
向量对应的所述初始相似度变更为所述更新相似度，得到所述更新相似度结果列表
。6.
根据权利要求4所述的用于图片搜索的重识别处理方法，其特征在于，在所述判断所述更新相似度结果列表是否全部低于第二预设阈值之后，所述...

【专利技术属性】
技术研发人员：胡玉帅，沈修平，
申请(专利权)人：上海悠络客电子科技股份有限公司，
类型：发明
国别省市：