【技术实现步骤摘要】
本专利技术涉及行人重识别，尤其涉及一种行人重识别网络模型生成方法、装置、计算机设备及存储介质。
技术介绍
1、行人重识别(person re-identification)也称为行人再识别，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一种技术，被广泛认为是图像检索的子问题，即给定一个监控行人图像，进行跨设备下的该行人图像检索。
2、现有的行人重识别模型训练方法，主要采用有有监督的方法，即，在有标签的数据集上对模型进行训练和测试，但是这个任务需要大量的标签数据形成有标签的数据集(简称数据集)。随着数据集的增大，人工标记产生标签数据变得耗时且费力，成本过高，难以应用到复杂多变的实际场景中。而采用无监督方法，完全基于无标注的数据进行训练，太过盲目，导致训练出来的模型识别准确率很低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种行人重识别网络模型生成方法、装置、计算机设备及存储介质，以解决上述现有技术中存在的至少一个问题。
2、第一方面，本申请实施例提供了一种行人重识别网络模型生成方法，包括：
3、获取图片样本数据集，所述图片样本数据集包括有标签图片以及无标签图片；
4、选取第一预设数量的有标签图片，并输入至初始行人重识别网络的预设预测网络中进行预测处理，以得到第一预测结果，并基于所述第一预测结果计算第一损失值；
5、选取第二预设数量的无标签图片，并分别输入至不同的图片增强器中进行图片增强处理，并将增
6、对所述第二预设数量的无标签图片进行特征提取，以得到第一特征向量，并基于所述第一特征向量与所述第二预测结果，对目标无标签图片赋予伪标签，并基于所述伪标签以及所述第三预测结果，计算第二损失值；
7、基于所述第一损失值与所述第二损失值，计算总损失值，并基于所述总损失值进行迭代训练，直到所述损失值符合预设收敛条件时，得到训练后的行人重识别网络模型。
8、在一实施例中，所述选取第二预设数量的无标签图片，并分别输入至不同的图片增强器中进行图片增强处理，包括：
9、将所述第二预设数量的无标签图片输入至第一图片增强器中，通过第一增强方式对所述无标签图片进行增强处理，以得到第一增强图片；
10、将所述第二预设数量的无标签图片输入至第二图片增强器中，通过第二增强方式对所述无标签图片进行增强处理，以得到第二增强图片。
11、在一实施例中，所述第一增强方式与所述第二增强方式不同，且所述第一增强方式与所述第二增强方式均可包括翻转、平移、随机缩放以及增加亮度中的一个或其任意组合。
12、在一实施例中，所述将增强处理后的图片分别输入至所述预设预测网络中进行预测处理，以得到第二预测结果以及第三预测结果，包括：
13、将所述第一增强图片以及所述第二增强图片分别输入至特征提取网络中进行特征提取，以得到第二特征向量以及第三特征向量；
14、将所述第二特征向量以及所述第三特征向量分别输入至分类网络中进行分类预测，以得到第一概率分布以及第二概率分布。
15、在一实施例中，所述选取第一预设数量的有标签图片，并输入至初始行人重识别网络的预设预测网络中进行预测处理，以得到第一预测结果，包括：
16、将所述第一预设数量的有标签图片，输入至预设特征提取网络中进行特征提取，以得到第四特征向量；
17、将所述第四特征向量，输入至分类网络中进行分类预测，以得到所述第一预测结果。
18、在一实施例中，所述基于所述第一特征向量与所述第二预测结果，对所述无标签图片赋予伪标签，包括：
19、基于所述第二预测结果，按照各个类别的概率值从高到低的规则选取预设个图片样本，并所述图片样本对应的所述第一特征向量的平均值作为各个类别的中心；
20、计算所述第一特征向量到到各个类中心的距离值，将所述距离值最小的图片样本赋予伪标签。
21、在一实施例中，所述得到训练后的行人重识别网络模型之后，包括：
22、获取预设行人图像数据库中所有行人图片，以及待识别行人图片，并分别输入至所述行人重识别网络模型中，以得到所述所有行人图片的图片特征，以及所述待识别行人的图片特征；
23、将所述待识别行人的图片特征分别与所述所有行人的图片特征进行相似度计算，以得到相似度值；
24、将相似度值最大的行人图片作为行人重识别结果。
25、第二方面，提供了一种行人重识别网络模型生成装置，包括：
26、样本图片获取单元，用于获取图片样本数据集，所述图片样本数据集包括有标签图片以及无标签图片；
27、第一损失值计算单元，用于选取第一预设数量的有标签图片，并输入至初始行人重识别网络的预设预测网络中进行预测处理，以得到第一预测结果，并基于所述第一预测结果计算第一损失值；
28、预测单元，用于选取第二预设数量的无标签图片，并分别输入至不同的图片增强器中进行图片增强处理，并将增强处理后的图片，分别输入至所述预设预测网络中进行预测处理，得到第二预测结果以及第三预测结果；
29、第二损失值计算单元，用于对所述第二预设数量的无标签图片进行特征提取，以得到第一特征向量，并基于所述第一特征向量与所述第二预测结果，对目标无标签图片赋予伪标签，并基于所述伪标签以及所述第三预测结果，计算第二损失值；
30、行人重识别网络模型生成单元，用于基于所述第一损失值与所述第二损失值，计算总损失值，并基于所述总损失值进行迭代训练，直到所述损失值符合预设收敛条件时，得到训练后的行人重识别网络模型。
31、第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的行人重识别网络模型生成方法。
32、第四方面，提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述的行人重识别网络模型生成方法。
33、上述行人重识别网络模型生成方法、装置、计算机设备及存储介质，其方法实现，包括：获取图片样本数据集，所述图片样本数据集包括有标签图片以及无标签图片；选取第一预设数量的有标签图片，并输入至初始行人重识别网络的预设预测网络中进行预测处理，以得到第一预测结果，并基于所述第一预测结果计算第一损失值；选取第二预设数量的无标签图片，并分别输入至不同的图片增强器中进行图片增强处理，并将增强处理后的图片，分别输入至所述预设预测网络进行预测处理，得到第二预测结果以及第三预测结果；对所述第二预设数量的无标签图片进行特征提取，以得到第一特征向量，并基于所述第一特征向量与所述第二预测结果，对目标无标签图片赋予伪标签，并基于所述伪标签以及所述第三预本文档来自技高网...
【技术保护点】
1.一种行人重识别网络模型生成方法，其特征在于，所述方法，包括：
2.如权利要求1所述的行人重识别网络模型生成方法，其特征在于，所述选取第二预设数量的无标签图片，并分别输入至不同的图片增强器中进行图片增强处理，包括：
3.如权利要求2所述的行人重识别网络模型生成方法，其特征在于，所述第一增强方式与所述第二增强方式不同，且所述第一增强方式与所述第二增强方式均可包括翻转、平移、随机缩放以及增加亮度中的一个或其任意组合。
4.如权利要求2所述的行人重识别网络模型生成方法，其特征在于，所述将增强处理后的图片分别输入至所述预设预测网络中进行预测处理，以得到第二预测结果以及第三预测结果，包括：
5.如权利要求1所述的行人重识别网络模型生成方法，其特征在于，所述选取第一预设数量的有标签图片，并输入至初始行人重识别网络的预设预测网络中进行预测处理，以得到第一预测结果，包括：
6.如权利要求1所述行人重识别网络模型生成方法，其特征在于，所述基于所述第一特征向量与所述第二预测结果，对所述无标签图片赋予伪标签，包括：
7.如权利要
8.一种行人重识别网络模型生成装置，其特征在于，所述装置，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的行人重识别网络模型生成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的行人重识别网络模型生成方法。
...【技术特征摘要】
1.一种行人重识别网络模型生成方法，其特征在于，所述方法，包括：
2.如权利要求1所述的行人重识别网络模型生成方法，其特征在于，所述选取第二预设数量的无标签图片，并分别输入至不同的图片增强器中进行图片增强处理，包括：
3.如权利要求2所述的行人重识别网络模型生成方法，其特征在于，所述第一增强方式与所述第二增强方式不同，且所述第一增强方式与所述第二增强方式均可包括翻转、平移、随机缩放以及增加亮度中的一个或其任意组合。
4.如权利要求2所述的行人重识别网络模型生成方法，其特征在于，所述将增强处理后的图片分别输入至所述预设预测网络中进行预测处理，以得到第二预测结果以及第三预测结果，包括：
5.如权利要求1所述的行人重识别网络模型生成方法，其特征在于，所述选取第一预设数量的有标签图片，并输入至初始行人重识别网络的预设预测网络...
【专利技术属性】
技术研发人员：毛经纬，邱添羽，李航，史清江，
申请(专利权)人：深圳市大数据研究院，
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。