[发明专利]行人再识别模型的训练方法、行人再识别方法及系统

权利要求书

1.一种行人再识别模型的训练方法，其特征在于，包括：

分别提取一个训练样本的源域和目标域的人物图像的原始特征向量，通过行人再识别模型将所述原始特征向量分解得到域不变身份特征和域特定增强特征；

重构所述原始特征向量、域不变身份特征和域特定增强特征，得到重构特征向量组；

将所述重构特征向量组输入跨域人脸识别损失函数和域分类损失函数中计算对应的跨域人脸识别损失和域分类损失；

循环迭代上述步骤，直到完成所有训练样本的训练，选择跨域人脸识别损失与域分类损失之和最小的模型作为训练完成的行人再识别模型。

2.根据权利要求1所述的行人再识别模型的训练方法，其特征在于：所述分别提取训练样本的一个源域和目标域的人物图像的原始特征向量，通过行人再识别模型将所述原始特征向量获得域不变身份特征和域特定增强特征的步骤包括：

分别提取训练样本中的一个所述源域和所述目标域的人物图像的原始特征向量；

通过全尺度网络OSNet分解获得域不变身份特征和域特定增强特征：

B＝(1-O(F))⊙F,

E＝O(F)⊙F，

其中，F为特征向量；B为域不变身份特征；E为域特定增强特征；⊙为逐元素相乘；O(·)为OSNet网络的响应，且

其中，T＝4；G(Ft)为长度跨越输入F^t的整个通道维数的向量。

3.根据权利要求1所述的行人再识别模型的训练方法，其特征在于，所述重构所述原始特征向量、域不变身份特征和域特定增强特征，得到重构特征向量组的步骤包括：

重新组合所述源域和所述目标域的人物图像的域不变身份特征和域特定增强特征，获得第一重构特征向量和第二重构特征向量；

按照不同顺序，重新排列组合所述源域的人物图像的原始特征向量、所述目标域的人物图像的原始特征向量、所述第一重构特征向量和所述第二重构特征向量，获得重构特征向量组。

4.根据权利要求3所述的行人再识别模型的训练方法，其特征在于，所述重新组合所述源域和所述目标域的人物图像的域不变身份特征和域特定增强特征，获得第一重构特征向量和第二重构特征向量的步骤包括：

重新组合所述源域的人物图像的域不变身份特征和所述目标域的人物图像的域特定增强特征，获得所述第一重构特征向量；

重新组合所述源域的人物图像的域特定增强特征和所述目标域的人物图像的域不变身份特征，获得所述第二重构特征向量。

5.根据权利要求1所述的行人再识别模型的训练方法，其特征在于，所述跨域人脸识别损失函数为：

其中，m为所述重构特征向量组中的元素索引号；表示对应正对的(余弦)相似度；表示对应正对的第n对负对；τ表示初始化为1的可训练温度值。

6.根据权利要求1所述的行人再识别模型的训练方法，其特征在于，所述域分类损失函数为：

其中，p(·)表示经过训练的域分类器将其分类为源域的概率。

7.一种行人再识别方法，其特征在于：包括：

获取待识别的人物图像；

将待识别的人物图像输入权利要求1-6任一项所述的行人再识别模型中，提取待识别的人物图像中的特征向量，计算待识别的人物图像中的特征向量与样本库中人物图像的特征向量之间的相似度，将该相似度与设定的阈值比较，若大于阈值，则判断人脸图像为同一个人，否则不是同一个人，得到行人再识别模型的识别结果。