[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

说明书

本发明涉及图像识别技术领域，提供一种行人再识别模型的训练方法、行人再识别方法及系统，分别提取一个训练样本的源域和目标域原始特征向量，通过行人再识别模型分解得到域不变身份特征和域特定增强特征；重原始特征向量、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；依此循环迭代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。本发明的重构特征组增加了训练中使用样本的多样性，继承了源域中可靠的身份标签，能够很好地表征源域和目标域的数据分布，在样本较少的情况下训练出高效识别的行人再识别模型。

技术领域

本发明涉及一种图像识别技术领域，特别是涉及一种行人再识别模型的训练方法、行人再识别方法及系统。

背景技术

行人再识别(person re-identification，ReID)是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，如给定一个行人，检索该行人在多个摄像头监控视频中的图像。

无监督域自适应技术UDA(Unsupervised Domain Adaptation)将知识从有标签的源域转移到无标签的目标域，使知识在新环境中获得更好的性能，被广泛应用于行人再识别场景中，但是由于源域和目标域之间由于环境和捕捉相机的差异，导致领域间隙，从而使得领域不变特征通常不能包含所有的判别信息，而领域特定特征中仍然存在判别信息，降低了行人再识别的精度。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种行人再识别模型的训练方法、行人再识别方法及系统，用于解决现有技术中训练的复杂度较高、识别效果不好的问题。

本发明的第一方面提供行人再识别模型的训练方法包括：

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。

于本发明的一实施例中，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(F^t)为长度跨越输入F^t的整个通道维数的向量。

于本发明的一实施例中，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；