[發明專利]行人特征提取模型的訓練方法、行人識別方法及相關裝置

有效

• 申請號: 202010521293.3
• 申請日: 2020-06-10
• 公開（公告）號: CN111666902B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 樊強
• 申請（專利權）人: 重慶紫光華山智安科技有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張欣欣

本發明實施例提供了一種行人特征提取模型的訓練方法、行人識別方法及相關裝置，其中，訓練方法包括：通過待訓練行人特征提取模型的分類層獲取M個類中心特征向量；任意兩個類中心特征向量的類間距為第一類間距；類間距表征M個不同的行人之間的差異度；根據預設更新策略更新M個類中心特征向量；任意兩個更新后的類中心特征向量之間的間距為第二間距，第二類間距大于第一類間距；獲取樣本圖像集合；基于更新后的M個類中心特征向量和樣本圖像集合對待訓練行人特征提取模型進訓練，得到行人特征提取模型，該行人特征提取模型用于獲取行人圖像的特征向量。與現有技術相比，本發明擴大了類中心特征向量之間的類間距，能夠提高行人識別的準確度。

技術領域

本發明涉及行人識別領域，具體而言，涉及一種行人特征提取模型的訓練方法、行人識別方法及相關裝置。

背景技術

行人再識別(Personre-identification，簡稱reid)是視頻監控和公共安全中的一個熱門課題，指的是在非重疊視域的不同攝像機中識別匹配同一行人問題。

隨著深度學習技術的發展，在進行行人再識別的過程中，通常需要將每一張行人圖像通過行人特征提取模型中獲得對應的特征向量，然后根據每一張圖所對應的特征向量獲得每一張圖像與其他圖像之間的相似度來完成行人再識別。

目前，由于各個類之間的關聯性，在訓練行人特征提取模型的過程中，由于同一類的各個特征向量在訓練的過程中在各自的類中心擬合，當模型中各個類中心之間的距離較小時，通過行人特征提取模型提取的特征向量的區分度較低，容易出現行人識別的準確率低的缺陷。

發明內容

有鑒于此，本發明實施例提供一種行人特征提取模型的訓練方法、行人識別方法及相關裝置，用于解決通過行人特征提取模型提取的特征向量的區分度較低，容易出現行人識別的準確率低的問題。

為了實現上述目的，本發明實施例采取的技術方案為：

第一方面，本發明實施例提供了一種行人特征提取模型的訓練方法，所述方法包括：

通過待訓練行人特征提取模型的分類層獲取M個類中心特征向量；其中，所述M為大于1的整數；任意兩個類中心特征向量之間的間距為第一間距；通過待訓練行人特征提取模型的分類層獲取M個類中心特征向量；其中，所述M為大于1的整數；所述M個類中心特征向量與M個不同的行人具有一一對應關系；任意兩個所述類中心特征向量的類間距為第一類間距；所述類間距表征所述M個不同的行人之間的差異度；

根據預設更新策略更新所述M個類中心特征向量；其中，任意兩個更新后的類中心特征向量之間的間距為第二類間距，所述第二類間距大于所述第一類間距；

獲取樣本圖像集合；其中，所述樣本圖像集合中包括N個樣本圖像；所述N為大于所述M的整數；

基于更新后的M個類中心特征向量和所述樣本圖像集合對所述待訓練行人特征提取模型進訓練，得到行人特征提取模型，其中，所述行人特征提取模型用于獲取行人圖像的特征向量。

可選地，所述根據預設更新策略更新所述M個類中心特征向量的步驟，包括：計算所述M個類中心特征向量對應的平均類中心特征向量和任意一個類中心特征向量與所述平均類中心特征向量之間的夾角；根據預設的角度調整參數、任意一個類中心特征向量與所述平均類中心特征向量之間的夾角確定更新更新所述M個類中心特征向量。

可選地，所述更新后的M個類中心特征向量滿足如下關系式：

其中，和分別表征第j個類中心特征向量和更新后的第j個類中心特征向量，j＝1,2,...,M；表征所述平均類中心特征向量；θ_j表征第j個類中心特征向量與所述平均類中心特征向量之間的夾角；λ表征所述角度調整參數；|·|表征向量的模。