【技术实现步骤摘要】
本专利技术涉及图像处理，特别是涉及一种模型训练和用于reid的方法、装置、设备及存储介质。
技术介绍
1、人物重识别(person re-identification，reid)技术是计算机视觉领域中的一项关键技术，旨在识别不同场景中不同摄像头下的同一人物。它在视频监控、智能安防、自动驾驶、人体分析等领域具有重要应用价值。
技术实现思路
1、本专利技术实施例的目的在于提供一种模型训练和用于reid的方法、装置、设备及存储介质，以提高工服检测的准确性。具体技术方案如下：
2、第一方面，提供了一种用于人物重识别reid的模型训练方法，包括：
3、获取多个工服图像，所述工服图像为人穿着工服的图像；
4、对多个工服图像进行裁切，得到多个包括人体不同部位的样本工服图像；
5、利用每个样本三元组中样本工服图像，通过三元组损失函数计算三元组损失值，并且，利用每个样本工服图像对应的分类层输出，通过交叉熵损失函数计算交叉熵损失值；
6、基于三元组损失值和交叉熵损失值对待训练模型的模型参数进行调整，直至满足预设训练结束条件，得到训练好的用于人物重识别reid的模型；其中，每一样本三元组包括作为锚示例的样本工服图像、作为正示例的样本工服图像、作为负示例的样本工服图像；分类层输出表示样本工服图像输入待训练模型之后经过分类层的预测输出，所述待训练模型包括预处理层、特征提取网络、聚合层和嵌入层。
7、可选地，所述基于三元组损失值和交叉熵损
8、利用等间隔调整学习率的方式，确定当前学习率；
9、结合当前学习率，基于三元组损失值和交叉熵损失值对模型参数进行调整，得到训练好的用于人物重识别reid的模型。
10、可选地，所述对多个工服图像进行裁切，得到多个包括人体不同部位的样本工服图像，包括：
11、按照预设系数比例工服图像中对人身体锚框上半部分进行裁切，得到第一批样本工服图像；
12、以工服图像中躯干的锚框底部作为分界线，得到第二批样本工服图像；
13、选取工服图像中躯干检测锚框结果作为第三批样本工服图像；
14、选取工服图像中躯干检测锚框结果与头部检测锚框结果的最小外接锚框作为第四批样本工服图像。
15、第二方面，提供了用于一种人物重识别reid的方法，包括：
16、获取待检测图像；
17、将所述待检测图像输入第一方面任一项所述的方法训练的模型，得到所述待检测图像的图像特征；
18、获取多个模板图像的图像特征；
19、计算所述待检测图像的图像特征分别与多个模板图像的图像特征的相似度；
20、基于所述相似度确定匹配结果。
21、可选地，所述获取待检测图像，包括：
22、获取监控视频，所述监控视频包括的连续多帧图像为待检测图像；
23、所述方法还包括：
24、当连续多帧图像对应的匹配结果均为不匹配时，触发报警。
25、可选地，所述方法还包括：
26、从匹配结果为匹配的多个待检测图像中选取预设数量个代表图像；
27、分别计算所述预设数量个代表图像的图像特征两两之间的距离；
28、利用所述预设数量个代表图像的图像特征两两之间的距离，对预设数量个代表图像的图像特征进行特征聚类，得到类群中心图像特征；
29、将所述类群中心图像特征对应的代表图像作为模板图像。
30、可选地，所述方法还包括：
31、将匹配结果为匹配的待检测图像作为正样本图像；
32、将匹配结果为不匹配的待检测图像作为负样本图像；
33、计算每一正样本图像分别与每一负样本图像之间的距离；
34、将每一正样本图像分别与每一负样本图像之间的距离中的最小距离作为相似度阈值。
35、第三方面，提供了一种用于人物重识别reid的模型训练装置，包括：
36、获取模块，用于获取多个工服图像，所述工服图像为人穿着工服的图像；
37、裁切模块，用于对多个工服图像进行裁切，得到多个包括人体不同部位的样本工服图像；
38、训练模块，用于利用每个样本三元组中样本工服图像，通过三元组损失函数计算三元组损失值，并且，利用每个样本工服图像对应的分类层输出，通过交叉熵损失函数计算交叉熵损失值；基于三元组损失值和交叉熵损失值对待训练模型的模型参数进行调整，直至满足预设训练结束条件，得到训练好的用于人物重识别reid的模型；其中，每一样本三元组包括作为锚示例的样本工服图像、作为正示例的样本工服图像、作为负示例的样本工服图像；分类层输出表示样本工服图像输入待训练模型之后经过分类层的预测输出，所述待训练模型包括预处理层、特征提取网络、聚合层和嵌入层。
39、第四方面，提供了一种用于人物重识别reid的装置，包括：
40、第一获取模块，用于获取待检测图像；
41、特征提取模块，用于将所述待检测图像输入通过第三方面所述的装置训练的模型，得到所述待检测图像的图像特征；
42、第二获取模块，用于获取多个模板图像的图像特征；
43、计算模块，用于计算所述待检测图像的图像特征分别与多个模板图像的图像特征的相似度；
44、确定模块，用于基于所述相似度确定匹配结果。
45、第五方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
46、存储器，用于存放计算机程序；
47、处理器，用于执行存储器上所存放的程序时，实现第一方面或第二方面任一所述方法的步骤。
48、本专利技术实施例还一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面任一所述方法的步骤。
49、本专利技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述方法。
50、本专利技术实施例有益效果：
51、本专利技术实施例中，可以先对多个工服图像进行裁切，得到多个包括人体不同部位的样本工服图像，利用多个包括人体不同部位的样本工服图像对模型进行训练，能够使得在进行人物重识别reid的过程，使用人体不同部位的图片均可以进行匹配而实现识别，且在模型过程中同时使用三元组损失函数和交叉熵损失函数，更好地优化模型模，提高模型的准确性，进而在人物重识别reid的过程使用该模型能够提高图像匹配的准确性，也可以理解为提高了工服检测的准确性。
52、当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本文档来自技高网...【技术保护点】
1.一种用于人物重识别ReID的模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于三元组损失值和交叉熵损失值对对待训练模型的模型参数进行调整，直至满足预设训练结束条件，得到训练好的用于人物重识别ReID的模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述对多个工服图像进行裁切，得到多个包括人体不同部位的样本工服图像，包括：
4.一种用于人物重识别ReID的方法，其特征在于，包括：
5.根据权利要求4所述的方法，其特征在于，所述获取待检测图像，包括：
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
8.一种用于人物重识别ReID的模型训练装置，其特征在于，包括：
9.一种用于人物重识别ReID的装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
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。