[發明專利]行人重識別的方法、裝置、終端及存儲介質

有效

• 申請號: 201911060337.0
• 申請日: 2019-11-01
• 公開（公告）號: CN111027378B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 李國法;黃莉莎;徐剛;謝恒;賴偉鑒;陳耀昱
• 申請（專利權）人: 深圳大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李娟

1.一種行人重識別的方法，其特征在于，包括：

從預先采集的監控視頻流中獲取目標圖像幀序列，所述目標圖像幀序列中的目標圖像幀中包含待識別行人的圖像信息；

利用預先訓練完成的特征信息識別模型，對所述待識別行人進行特征識別，得到所述待識別行人的特征信息；

計算所述特征信息屬于每類預設標簽信息的概率值；

若所述特征信息屬于第一類預設標簽信息的概率值大于屬于第二類預設標簽信息的概率值，且所述特征信息屬于所述第一類預設標簽信息的概率值大于預設的概率閾值，則判定所述第一類預設標簽信息為所述特征信息對應的標簽信息，所述第二類預設標簽信息為除所述第一類預設標簽信息之外的任一類預設標簽信息；

利用預先訓練完成的行人重識別模型分別對所述目標圖像幀序列和所有所述標簽信息進行行人重識別，從所有所述標簽信息中確定所述待識別行人的目標標簽信息；

基于所述目標標簽信息確定所述待識別行人的重識別結果。

2.如權利要求1所述的行人重識別的方法，其特征在于，所述計算所述特征信息屬于每類預設標簽信息的概率值，包括：

利用預設的概率歸一化公式計算所述特征信息屬于每類預設標簽信息的概率值；所述預設的概率歸一化公式為：

其中，表示所述特征信息屬于第類預設標簽信息的概率值，表示預設標簽信息的類別總數，表示所述特征信息屬于第類預設標簽信息的對數概率值。

3.如權利要求1所述的行人重識別的方法，其特征在于，在所述利用預先訓練完成的行人重識別模型分別對所述目標圖像幀序列和所述標簽信息進行重識別，以完成對所述待識別行人的重識別之前，包括：

采集第一預設數量的訓練樣本，每個所述訓練樣本包含待識別行人的圖像以及所述待識別行人對應的所有預設標簽信息；

利用所述訓練樣本訓練預先建立的機器學習模型，得到訓練之后的機器學習模型；

對訓練之后的所述機器學習模型進行模型準確性測試；

若對所述訓練之后的所述機器學習模型的準確性測試通過，則判定訓練之后的所述機器學習模型為所述行人重識別模型；

若對所述訓練之后的所述機器學習模型的準確性測試不通過，則增加所述訓練樣本的數量，并返回執行利用所述訓練樣本訓練預先建立的機器學習模型進行訓練，得到所述行人重識別模型。

4.如權利要求3所述的行人重識別的方法，其特征在于，所述利用所述訓練樣本訓練預先建立的機器學習模型，得到訓練之后的機器學習模型，包括：

使用所述預先建立的機器學習模型重識別每個所述待識別行人對應的所有預設標簽信息，得到每個所述待識別行人屬于每類預設標簽信息的概率，并確定每個所述待識別行人對應的概率最大的預設標簽信息；

分別以每個所述待識別行人對應的所述概率最大的預設標簽信息為訓練所述機器學習模型的約束條件，迭代所述機器學習模型的預設參數；

若所述機器學習模型對應的損失函數值的變化率趨于穩定，則判定對所述機器學習模型的訓練完成，得到所述行人重識別模型。

5.如權利要求3所述的行人重識別的方法，其特征在于，所述預先訓練完成的所述行人重識別模型的損失函數為：

其中，

其中，?表示所述訓練樣本的總數，K表示預設標簽信息的類別總數，?表示當前樣本屬于第類預設標簽信息的概率值，為當前樣本對應的真實標簽信息，為的分布比例，表示當前樣本屬于相似標簽信息的數目，為平衡所述真實標簽信息和所述相似標簽信息的系數，表示當前樣本對應的特征信息屬于第類預設標簽信息的對數概率值，表示當前樣本對應的特征信息屬于第k類預設標簽信息的對數概率值,，表示輸出概率大于預設概率閾值的前n個標簽。