[发明专利]一种人物识别模型训练方法以及人物识别方法

权利要求书

1.一种人物识别模型训练方法，其特征在于，包括：

基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类；

将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，得到完成训练的目标神经网络和目标分类器；

所述第一类别为对多个训练视频进行分类所得到的多个类别中的一个；所述第二类别为对多个训练视频进行分类所得到的多个类别除第一类别以外的类别；

其中，基于训练视频生成者对所输入信号处理方式不同，对多个训练视频进行分类，包括：

确定每个训练视频的人物速度正态分布曲线；

根据得到的人物速度正态分布曲线之间的相似度，对多个训练视频进行分类；

将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，具体包括：

使用所述目标神经网络，为所述源域数据提取源域特征向量，并为所述目标域数据提取目标特征向量；

将所述源域特征向量和所述目标域特征向量输入至域分类器，得到所述源域数据和所述目标域数据的域分类结果；

基于所述域分类结果，对所述目标神经网络以及所述域分类器进行参数调整；

以及，

将所述源域特征向量输入至目标分类器，得到所述源域数据的分类结果；

基于所述源域数据的分类结果，对所述目标神经网络以及所述目标分类器进行参数调整。

2.根据权利要求1所述的方法，其特征在于，确定每个训练视频的人物速度正态分布曲线，包括：

针对每个训练视频中的每个人物，确定该训练视频的样本训练图像帧中该人物的位置及样本训练图像帧的时间戳；

根据各相邻样本训练图像帧中该人物的位置以及时间戳之间的差值确定该人物移动速度并生成该人物的速度正态分布曲线；

针对每个训练视频，为该训练视频中多个人物速度正态分布曲线生成包络；并将生成的包络确定为该训练视频的人物速度正态分布曲线。

3.根据权利要求1所述的方法，其特征在于，所述为所述目标域数据提取目标特征向量，具体包括：

基于为所述目标域数据中每个人物标注的位置，提取所述目标域数据中与每个人物对应的目标域特征向量。

4.根据权利要求3所述的方法，其特征在于，所述基于为所述目标域数据中每个人物标注的位置，提取所述目标域数据中与每个人物对应的目标域特征向量之后，还包括：

计算目标域数据中每个人物的目标域特征向量与所述源域数据中已标注人物的源域特征特征向量之间的余弦相似度；

若所述源域数据中存在已标注人物与所述目标域数据中任一人物的余弦相似度不小于预设的余弦相似度阈值，则确定该任一人物与对应已标注人物为同一个人；或者

若存在预设数量的训练图像帧，其分别对应的目标域数据中均存在任一人物，各任一人物与所述源域数据中同一已标注人物余弦相似度不小于预设的余弦相似度阈值，则确定各任一人物与对应已标注人物为同一个人。

5.根据权利要求1所述的方法，其特征在于，所述将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习之前，还包括：

计算所述第二类别的训练视频的人物速度正态分布曲线和第一类别的训练视频的人物速度正态分布曲线之间的相似度；

所述将第一类别的训练视频的训练图像帧作为源域数据，将第二类别的训练视频的训练图像帧作为目标域数据输入目标神经网络，对所述目标域数据进行迁移学习，具体包括：

按照相似度从大到小的顺序，确定当前第二类别；

将第一类别的训练视频的训练图像帧作为源域数据，以及将当前第二类别的训练视频的训练图像帧作为目标域数据，输入至所述目标神经网络，对所述目标域数据进行本轮迁移学习；

对所述目标域数据进行本轮迁移学习后，执行确定当前第二类别的步骤；

其中，当前第二类别为所有所述第二类别中，没有对目标神经网络训练过的第二类别。