[发明专利]一种行人重识别方法、装置、设备及存储介质

说明书

本申请公开了一种行人重识别方法、装置、设备及存储介质，涉及智能安防技术领域，用于提升行人重识别的准确性。在该方法中，在进行行人重识别模型的训练时，将训练过程划分为2个训练阶段，即历史迭代次数不大于设定的迭代次数阈值的前期阶段，和大于设定的迭代次数阈值的后期阶段，并在不同训练阶段采用不同的损失值计算方式来调整行人重识别模型，使得在不同训练阶段均能够采用更为合适的损失值计算方式，使得模型调整更为精确，进而提升训练得到的行人重识别模型的准确性，相应也就提高了行人重识别的准确性。

技术领域

本申请涉及智能安防技术领域，提供一种行人重识别方法、装置、设备及存储介质。

背景技术

行人重识别也称行人再识别，是指利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。由于行人的姿态变化、摄像机的拍摄视角以及视线遮挡等问题，使得行人特征的提取非常具有挑战性，目前主流的识别方法是用大规模的行人数据来训练深度神经网络模型，以通过从训练数据中提取具有判别性的行人特征，并计算各个行人特征之间的相似度，来实现对行人身份的识别。

因此，所训练的深度神经网络模型的识别准确程度直接决定了行人重识别是否准确，进而如何提升深度神经网络模型的识别准确程度是值得思考的问题。

发明内容

本申请实施例提供一种行人重识别方法、装置、设备及存储介质，用于提升行人重识别的准确性。

一方面，提供一种行人重识别方法，所述方法包括：

将包括待识别检测目标的目标图像，以及监控设备采集的至少一个监控图像输入已训练的行人重识别模型，获得所述行人重识别模型输出的行人重识别结果，所述行人重识别结果用于指示所述至少一个监控图像中是否存在所述待识别目标；

其中，所述行人重识别模型是采用循环迭代的方式训练得到的，每一轮迭代训练过程包括如下步骤：

基于本轮输入的各个训练样本，构造多个第一类三元组；其中，每个第一类三元组包括一个训练样本，与所述一个训练样本的相似度大于设定相似度阈值的至少一个正样本，以及与所述一个训练样本的相似度不大于设定相似度阈值的至少一个负样本，一个训练样本包括一个目标对应的监控图像；

在历史迭代次数不大于设定的迭代次数阈值时，基于所述多个第一类三元组，确定所述行人重识别模型的总损失值；

在所述历史迭代次数大于所述迭代次数阈值时，将所述多个第一类三元组中至少一个三元组更新为相应的第二类三元组，并基于未进行更新的多个第一类三元组以及更新后的至少一个第二类三元组，确定所述行人重识别模型的总损失值；其中，每个第二类三元组包括一个训练样本、与所述一个训练样本相似度最小的正样本，以及与所述一个训练样本相似度最大的负样本；

基于所述总损失值对所述行人重识别模型进行调整。

一方面，提供一种行人重识别装置，所述装置包括：

行人重识别单元，用于将包括待识别目标的目标图像，以及监控设备采集的至少一个监控图像输入已训练的行人重识别模型，获得所述行人重识别模型输出的行人重识别结果，所述行人重识别结果用于指示所述至少一个监控图像中是否存在所述待识别目标；

其中，所述行人重识别模型是采用循环迭代的方式训练得到的，每一轮迭代训练过程包括如下步骤：

基于本轮输入的各个训练样本，构造多个第一类三元组；其中，每个第一类三元组包括一个训练样本，与所述一个训练样本的相似度大于设定相似度阈值的至少一个正样本，以及与所述一个训练样本的相似度不大于设定相似度阈值的至少一个负样本，一个训练样本包括一个目标对应的监控图像；

在历史迭代次数不大于设定的迭代次数阈值时，基于所述多个第一类三元组，确定所述行人重识别模型的总损失值；