[發(fā)明專利]行人重識別模型優(yōu)化處理方法、裝置和計算機設(shè)備

有效

• 申請?zhí)枺?/td>: 202010529356.X
• 申請日: 2020-06-11
• 公開（公告）號: CN111860147B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計）人: 張少林;寧欣;龔克
• 申請（專利權(quán)）人: 北京市威富安防科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 唐彩琴

本申請涉及一種行人重識別模型優(yōu)化處理方法、裝置和計算機設(shè)備。所述方法包括：對模型標(biāo)識對應(yīng)的原行人重識別模型進(jìn)行網(wǎng)絡(luò)層刪除以及對指定網(wǎng)絡(luò)層的卷積步幅進(jìn)行修改，得到主干網(wǎng)絡(luò)模型；通過主干網(wǎng)絡(luò)模型對樣本數(shù)據(jù)集中的各樣本圖像進(jìn)行特征提取，得到初始特征數(shù)據(jù)；對初始特征數(shù)據(jù)進(jìn)行批量標(biāo)準(zhǔn)化處理，得到多個特征圖；根據(jù)多個特征圖和主干網(wǎng)絡(luò)模型的預(yù)設(shè)網(wǎng)絡(luò)層構(gòu)建多個注意力分支網(wǎng)絡(luò)模型；將主干網(wǎng)絡(luò)模型以及多個注意力分支網(wǎng)絡(luò)模型進(jìn)行組合，得到優(yōu)化后的行人重識別模型，通過樣本數(shù)據(jù)集和多個損失函數(shù)關(guān)系對優(yōu)化后的行人重識別模型進(jìn)行訓(xùn)練，直至達(dá)到預(yù)設(shè)條件，停止模型訓(xùn)練，輸出訓(xùn)練后的行人重識別模型。采用本方法能夠節(jié)約計算資源。

技術(shù)領(lǐng)域

本申請涉及計算機技術(shù)領(lǐng)域，特別是涉及一種行人重識別模型優(yōu)化處理方法、裝置、計算機設(shè)備和存儲介質(zhì)。

背景技術(shù)

行人重識別(Person Reidentification，簡稱ReID)是指判斷兩個不同拍攝區(qū)域內(nèi)的攝像頭拍攝的圖像中是否存在特定行人的技術(shù)。行人再識別技術(shù)廣泛應(yīng)用于安防、刑偵、智慧城市等領(lǐng)域。傳統(tǒng)方式中，是基于部件的行人重識別模型進(jìn)行特征提取以及利用度量方法進(jìn)行相似度度量來實現(xiàn)行人重識別。

然而，傳統(tǒng)的基于部件的行人重識別模型所提取的部件特征并非都是有效的，有些特征對于行人重識別來說是沒有任何作用的，從而導(dǎo)致了計算資源的浪費。因此，如何對傳統(tǒng)的基于部件的行人重識別模型進(jìn)行優(yōu)化處理來篩選有效的特征，以節(jié)約計算資源成為目前需要解決的一個技術(shù)問題。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠?qū)鹘y(tǒng)的基于部件的行人重識別模型進(jìn)行優(yōu)化處理來篩選有效的特征，以節(jié)約計算資源的行人重識別模型優(yōu)化處理方法、裝置、計算機設(shè)備和存儲介質(zhì)。

一種行人重識別模型優(yōu)化處理方法，所述方法包括：

獲取樣本數(shù)據(jù)集以及模型標(biāo)識；

對所述模型標(biāo)識對應(yīng)的原行人重識別模型進(jìn)行網(wǎng)絡(luò)層刪除處理以及對指定網(wǎng)絡(luò)層的卷積步幅進(jìn)行修改，得到主干網(wǎng)絡(luò)模型；

將所述樣本數(shù)據(jù)集輸入至所述主干網(wǎng)絡(luò)模型中，通過所述主干網(wǎng)絡(luò)模型對所述樣本數(shù)據(jù)集中的各樣本圖像進(jìn)行特征提取，得到初始特征數(shù)據(jù)；

對所述初始特征數(shù)據(jù)進(jìn)行批量標(biāo)準(zhǔn)化處理，得到多個特征圖；

根據(jù)多個特征圖以及所述主干網(wǎng)絡(luò)模型的預(yù)設(shè)網(wǎng)絡(luò)層構(gòu)建多個注意力分支網(wǎng)絡(luò)模型；

將所述主干網(wǎng)絡(luò)模型以及多個注意力分支網(wǎng)絡(luò)模型進(jìn)行組合，得到優(yōu)化后的行人重識別模型，通過所述樣本數(shù)據(jù)集以及多個損失函數(shù)關(guān)系對所述優(yōu)化后的行人重識別模型進(jìn)行訓(xùn)練，直至達(dá)到預(yù)設(shè)條件，停止模型訓(xùn)練，輸出訓(xùn)練后的行人重識別模型。

在其中一個實施例中，所述方法還包括：

獲取待識別圖像；

將所述待識別圖像輸入至預(yù)設(shè)訓(xùn)練的行人重識別模型中，通過所述行人重識別模型提取所述待識別圖像的有效特征數(shù)據(jù)；

將圖像庫中的預(yù)設(shè)圖像輸入至預(yù)先訓(xùn)練的行人重識別模型中，通過所述行人重識別模型提取各預(yù)設(shè)圖像的有效特征數(shù)據(jù)；

根據(jù)所述待識別圖像的有效特征數(shù)據(jù)與各預(yù)設(shè)圖像的有效特征數(shù)據(jù)計算所述待識別圖像與各預(yù)設(shè)圖像之間的相似度，確定目標(biāo)圖像。

在其中一個實施例中，有效特征數(shù)據(jù)包括全局特征數(shù)據(jù)以及局部特征數(shù)據(jù)，所述通過所述行人重識別模型提取所述待識別圖像的有效特征數(shù)據(jù)包括：

通過所述行人重識別模型中的主干網(wǎng)絡(luò)模型對所述待識別圖像進(jìn)行特征提取，得到所述待識別圖像的全局特征數(shù)據(jù)；

通過所述行人重識別模型中的各注意力分支網(wǎng)絡(luò)模型提取所述待識別圖像的多個局部特征數(shù)據(jù)；