[发明专利]一种基于概率密度函数的行人重识别评价方法

说明书

一种基于概率密度函数的行人重识别评价方法，包括以下步骤：1)行人数据集准备；2)构建Person ReID训练网络，设计损失函数，设置训练参数，开始训练；3)训练过程中保存模型，进行概率密度验证，确定训练停止时间；4)判定训练得到的最终Person ReID模型性能是否满足使用要求。本发明使用随机抽样方法构建训练和测试类内类间图像对，效率更高，实施性更强，更节省资源；利用概率密度函数监控Person ReID训练过程，可以及时调整，节省时间；训练正确率高，训练过程可控性得到有效提升；利用概率密度函数的重叠区域面积与正确率相结合，判定Person ReID模型是否可以实用，可靠性更高；还可以将模型在特征提取上存在的问题直观的暴露出来，为下一步的训练提供指导。

技术领域

本发明涉及图像处理技术领域。

背景技术

目前大部分Person ReID的研究，采用观察训练过程中的正确率、召回率、损失函数(loss)等变量的值来判断何时停止模型训练，以及评价模型的训练结果。而由于上述指标只关注个别变量数值上的变化，无法较全面展示模型在实际测试集上的表现情况。导致模型极易出现过拟合和欠拟合，以及训练得到模型测试结果不达标的情况，进而使训练得到的模型在实际应用中无法使用。

通常情况下，当训练集和验证集的正确率、召回率超过一定阈值(此处以95％为例)，loss值小于一定阈值(此处以0.1为例)，认为所训练的模型进入收敛状态，可以停止训练保存模型参数。若保存的模型在测试集上的正确率达到一定阈值(此处以95％为例)，则认为该模型可以使用。

首先，只由训练和验证数据集的正确率，召回率和loss值的数值来判断模型是否训练完成，存在极大的片面性在Person ReID模型训练时无法反应训练过程的真实情况，容易出现模型过拟合的情况，即训练集和验证集的数值满足条件，但是测试集上无法达标。

其次，只通过保存模型在测试集上的正确率来评价模型的好坏过于笼统，当正确率不满足条件时无法提供关于模型缺陷点的有效反馈，进而使模型的修改变得艰难且没有针对性，极大地增加了模型的修改时间和修改难度。

发明内容

针对上述Person ReID评价方法存在的不足，本发明提供了一种基于概率密度函数的行人重识别评价方法。

本发明为实现上述目的所采用的技术方案是：一种基于概率密度函数的行人重识别评价方法，包括以下步骤：

3)行人数据集准备：

a)使用公开Person ReID数据集合并在一起作为训练数据集；

b)利用训练数据的标签制作验证图像对，分为类内图像对和类间图像对；

c)使用未参与训练数据集构建的公开Person ReID数据集作为测试数据集，按步骤1)-b)，制作测试数据类内图像对和类间图像对；

4)构建Person ReID训练网络，设计损失函数，设置训练参数，开始训练，方法如下：

a)选择网络结构，；

b)选择损失函数；

c)开始训练，计算训练过程中每一轮权重更新后训练数据集的正确率，召回率和loss值。

3)训练过程中保存模型，进行概率密度验证，确定训练停止时间，具体方法如下：

a)记录开始训练的第一次权重更新后的正确率，在训练过程中当权重更新后的正确率比上一次记录值增长设定值，保存当前模型，同时将记录值刷新为当前正确率；

b)利用保存的模型对步骤1)-b)中得到的训练数据集上的类间和类内图像对进行特征提取，计算每个图像对中两张图像的距离dis；