[发明专利]行人重识别方法、装置及电子设备

说明书

本发明提供了一种行人重识别方法、装置及电子设备。涉及人工智能技术领域。该方法包括：通过自适应学习的方法生成训练样本；基于训练样本对特殊的神经网络中进行训练，得到训练好的神经网络，所述神经网络包括可扩充卷积，所述可扩充卷积基于卷积核和卷积核偏移量确定；基于训练好的神经网络对进行行人重识别。可以更好的提取特定目标独有的特点，提升识别准确率。

技术领域

本发明涉及人工智能技术领域，尤其是涉及一种行人重识别方法、装置及电子设备。

背景技术

在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技术。ReID有一个非常重要的特性就是跨摄像头，所以设计一种准确检索跨摄像头目标的方法显得尤为重要。

发明内容

本发明的目的在于提供一种行人重识别方法、装置及电子设备，以缓解了现有技术中存在的识别精度低的技术问题。

第一方面，提供了一种行人重识别方法。该方法包括：

通过自适应学习的方法生成训练样本；

基于训练样本对特殊的神经网络中进行训练，得到训练好的神经网络，所述神经网络包括可扩充卷积，所述可扩充卷积基于卷积核和卷积核偏移量确定；

基于训练好的神经网络对进行行人重识别。

在一些可选的实现中，所述通过自适应学习的方法生成训练样本，包括：

基于对抗神经网络生成初始训练样本；其中，所述对抗神经网络包括一个外观编码器，一个结构编码器，一个解码器以及一个判别器来区分真实样本以及生成样本；

对所述初始训练样本进行二次优化过滤，得到最终训练样本，所述最终训练样本用于对所述特殊的神经网络进行训练。

在一些可选的实现中，基于可扩充卷积的特征提取过程基于如下公式确定：

其中，R为卷积之后的特征值，J为卷积核，(m，n)为卷积大小，i为待卷积矩阵，Δp为卷积核偏移量。

在一些可选的实现中，基于可扩充卷积的特征提取过程基于如下公式确定：

其中，R为卷积之后的特征值，J为卷积核，(m，n)为卷积大小，i为待卷积矩阵，Δp为卷积核偏移量，F为双线性插值方法，使得得到的特征值变为整数。

在一些可选的实现中，基于组合式损失函数以及训练样本对特殊的神经网络中进行训练，所述组合式损失函数基于如下公式确定：

其中z_i为第i个节点的输出值，C为输出节点个数，即分类的类别个数，a为anchor(锚示例)，p为positive，与a是同一类别的样本；n为negative，与a是不同类别的样本；margin是一个大于0的常数。

在一些可选的实现中，所述基于训练好的神经网络对进行行人重识别，包括：

基于训练好的神经网络对测试库和检索图片进行特征提取，生成特征库和检索图片所对应的特征值；

对特征库和检索图像所对应的特征值进行特征比对，使用特殊的排序方法输出结果，所述特殊的排序方法包括对待检索目标进行特征比对，排序，对排序结果的前n位结果特征值进行加权平均，得到第一特征值，对第一特征值进行二次排序得到排序结果，基于所述排序结果进行行人重识别。

第二方面，提供了一种行人重识别装置。该装置包括：

生成模块，用于通过自适应学习的方法生成训练样本；