CN111027378B - 行人重识别的方法、装置、终端及存储介质 - Google Patents
行人重识别的方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111027378B CN111027378B CN201911060337.0A CN201911060337A CN111027378B CN 111027378 B CN111027378 B CN 111027378B CN 201911060337 A CN201911060337 A CN 201911060337A CN 111027378 B CN111027378 B CN 111027378B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- tag information
- preset
- information
- recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 107
- 238000010801 machine learning Methods 0.000 claims description 93
- 238000012360 testing method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机技术领域,提出一种行人重识别的方法,包括:从预先采集的监控视频流中获取目标图像帧序列;从图像信息中识别出待识别行人的特征信息,并确定特征信息对应的所有标签信息;利用预先训练完成的行人重识别模型分别对目标图像帧序列和所有标签信息进行行人重识别,从所有标签信息中确定待识别行人的目标标签信息;基于目标标签信息确定待识别行人的重识别结果。通过从包含待识别行人的图像信息中识别出待识别行人的特征信息,确定特征信息对应的所有标签信息;并利用预先训练完成的行人重识别模型分别对包含有待识别行人的图像信息和所有标签信息进行行人重识别,提高行人重识别的准确性。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种行人重识别的方法、装置、终端及存储介质。
背景技术
行人重识别(Person re-identification)也称行人再识别,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。目前,在行人重识别过程中,常借助于网络识别模型。但是,由于不同摄像设备之间的差异,同时行人兼具刚性和柔性的特性,外观易受穿着、尺度、遮挡、姿态和视角等影响,使得行人重识别的过程比常见的人脸识别过程难度更大,如何提高行人重识别的准确性是目前亟待解决的技术问题。
发明内容
有鉴于此,本申请实施例提供了行人重识别的方法、装置、终端及存储介质,以提高行人重识别的准确性。
本申请实施例的第一方面提供了一种行人重识别的方法,包括:
从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;
从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息;
利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;
基于所述目标标签信息确定所述待识别行人的重识别结果。
在一种可选的实现方式中,所述从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的标签信息,包括:
利用预先训练完成的特征信息识别模型,对所述待识别行人进行特征识别,得到所述待识别行人的特征信息;
计算所述特征信息属于每类预设标签信息的概率值;
若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值,且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值,则判定所述第一类预设标签信息为所述特征信息对应的标签信息,所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息。
在一种可选的实现方式中,所述计算所述特征信息属于每类预设标签信息的概率值,包括:
利用预设的概率归一化公式计算所述特征信息属于每类预设标签信息的概率值;所述预设的概率归一化公式为:
其中,pi表示所述特征信息属于第i类预设标签信息的概率值,K表示预设标签信息的类别总数,表示所述特征信息属于第i类预设标签信息的对数概率值。
在一种可选的实现方式中,在所述利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所述标签信息进行重识别,以完成对所述待识别行人的重识别之前,包括:
采集第一预设数量的训练样本,每个所述训练样本包含待识别行人的图像以及所述待识别行人对应的所有预设标签信息;
利用所述训练样本训练预先建立的机器学习模型进行训练,得到训练之后的机器学习模型;
对训练之后的所述机器学习模型进行模型准确性测试;
若对所述训练之后的所述机器学习模型的准确性测试通过,则判定训练之后的所述机器学习模型为所述行人重识别模型;
若对所述训练之后的所述机器学习模型的准确性测试不通过,则增加所述训练样本的数量,并返回执行利用所述训练样本训练预先建立的机器学习模型进行训练,得到所述行人重识别模型。
在一种可选的实现方式中,所述利用所述训练样本训练预先建立的机器学习模型,得到训练之后的机器学习模型,包括:
使用所述预先建立的机器学习模型重识别每个所述待识别行人对应的所有预设标签信息,得到每个所述待识别行人属于每类预设标签信息的概率,并确定每个所述待识别行人对应的概率最大的预设标签信息;
分别以每个所述待识别行人对应的所述概率最大的预设标签信息为训练所述机器学习模型的约束条件,迭代所述机器学习模型的预设参数;
若所述机器学习模型对应的损失函数值的变化率趋于稳定,则判定对所述机器学习模型的训练完成,得到所述行人重识别模型。
在一种可选的实现方式中,所述预先训练完成的所述行人重识别模型的损失函数为:
其中,
其中,N表示所述训练样本的总数,K表示预设标签信息的类别总数,pj表示当前样本属于第j类预设标签信息的概率值,yi为当前样本对应的真实标签信息,qi,j为pj的分布比例,Nsc表示当前样本属于相似标签信息的数目,ε为平衡所述真实标签信息和所述相似标签信息的系数,表示当前样本对应的特征信息属于第j类预设标签信息的对数概率值,表示当前样本对应的特征信息属于第k类预设标签信息的对数概率值,表示输出概率大于预设概率阈值的前n个标签。
在一种可选的实现方式中,所述对训练之后的机器学习模型进行模型准确性测试,包括:
将第二预设数量的测试样本输入训练之后的所述机器学习模型进行分析,确定训练之后的所述机器学习模型的损失函数的变化率;
若所述变化率小于或者等于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试通过;
若所述变化率大于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试不通过。
本申请实施例第二方面提供了一种行人重识别装置,包括:
获取模块,用于从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;
第一确定模块,用于从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息;
重识别模块,用于利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;
第二确定模块,用于基于所述目标标签信息确定所述待识别行人的重识别结果。
在一种可选的实现方式中,所述第一确定模块,包括:
识别单元,用于利用预先训练完成的特征信息识别模型,对所述待识别行人进行特征识别,得到所述待识别行人的特征信息;
计算单元,用于计算所述特征信息属于每类预设标签信息的概率值;
第一判定单元,用于在若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值,且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值,则判定所述第一类预设标签信息为所述特征信息对应的标签信息,所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息。
在一种可选的实现方式中,所述计算单元,包括:
利用预设的概率归一化公式计算所述特征信息属于每类预设标签信息的概率值;所述预设的概率归一化公式为:
其中,pi表示所述特征信息属于第i类预设标签信息的概率值,K表示预设标签信息的类别总数,表示所述特征信息属于第i类预设标签信息的对数概率值。
在一种可选的实现方式中,还包括:
采集模块,用于采集第一预设数量的训练样本,每个所述训练样本包含待识别行人的图像以及所述待识别行人对应的所有预设标签信息;
训练模块,用于利用所述训练样本训练预先建立的机器学习模型进行训练,得到训练之后的机器学习模型;
测试模块,用于对训练之后的所述机器学习模型进行模型准确性测试;
第一判定模块,用于在若对所述训练之后的所述机器学习模型的准确性测试通过,则判定训练之后的所述机器学习模型为所述行人重识别模型;
第二判定模块,用于在若对所述训练之后的所述机器学习模型的准确性测试不通过,则增加所述训练样本的数量,并返回执行利用所述训练样本训练预先建立的机器学习模型进行训练,得到所述行人重识别模型。
在一种可选的实现方式中,所述训练模块,包括:
重识别单元,用于使用所述预先建立的机器学习模型重识别每个所述待识别行人对应的所有预设标签信息,得到每个所述待识别行人属于每类预设标签信息的概率,并确定每个所述待识别行人对应的概率最大的预设标签信息;
迭代单元,用于分别以每个所述待识别行人对应的所述概率最大的预设标签信息为训练所述机器学习模型的约束条件,迭代所述机器学习模型的预设参数;
第二判定单元,用于在若所述机器学习模型对应的损失函数值的变化率趋于稳定,则判定对所述机器学习模型的训练完成,得到所述行人重识别模型。
在一种可选的实现方式中,所述预先训练完成的所述行人重识别模型的损失函数为:
其中,
其中,N表示所述训练样本的总数,K表示预设标签信息的类别总数,pj表示当前样本属于第j类预设标签信息的概率值,yi为当前样本对应的真实标签信息,qi,j为pj的分布比例,Nsc表示当前样本属于相似标签信息的数目,ε为平衡所述真实标签信息和所述相似标签信息的系数,表示当前样本对应的特征信息属于第j类预设标签信息的对数概率值,表示当前样本对应的特征信息属于第k类预设标签信息的对数概率值,表示输出概率大于预设概率阈值的前n个标签。
在一种可选的实现方式中,所述测试模块,包括:
分析单元,用于将第二预设数量的测试样本输入训练之后的所述机器学习模型进行分析,确定训练之后的所述机器学习模型的损失函数的变化率;
第三判定单元,用于在若所述变化率小于或者等于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试通过;
第四判定单元,用于在若所述变化率大于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试不通过。
本申请实施例第三方面提供一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上实施例第一方面所述行人重识别的方法的步骤。
本申请实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上实施例第一方面所述行人重识别的方法的步骤。
本申请实施例第一方面提供的行人重识别的方法,包括:从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息;利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;基于所述目标标签信息确定所述待识别行人的重识别结果。与现有技术相比,通过从包含待识别行人的图像信息中识别出待识别行人的特征信息,确定特征信息对应的所有标签信息;并利用预先训练完成的行人重识别模型分别对包含有待识别行人的图像信息和所有标签信息进行行人重识别,提高行人重识别的准确性。
本申请第二方面至第四方面提供的实施例与本申请第一方面提供的实施例,与现有技术相比,存在的有益效果相同,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的行人重识别的方法的实现流程图;
图2是图1中S102的具体实施流程图;
图3是本申请第二实施例提供的行人重识别的方法的实现流程图;
图4是图3中S304的具体实施流程图;
图5是图3中S305的具体实现流程图;
图6是本申请实施例提供的行人重识别装置的结构示意图;
图7是本申请实施例提供的终端的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
需要说明的是,随着机器(深度)学习的迅速发展和视频监控设备的日益普及,行人重识别在智能安防、智能监控等领域愈加受到重视。现有大多数行人重识别方法通过使用机器学习模型来识别图像帧中的行人是否为同一人,将行人重识别问题看做为一个多分类问题。而常见的用于分类的机器学习模型,其损失函数通常为交叉熵损失函数。由于交叉熵损失函数只通过计算训练样本与所属正确类别之间的损失来保证分类的正确性,而没有考虑误判的损失信息,导致分类结果存在一定的误差。因此如何将错误类别的损失融入损失函数中,降低误判发生的概率,提高行人重识别网络模型的性能,是亟待解决的问题。
本发明提供一种行人重识别方法,其基于新型损失函数的行人重识别网络模型进行行人重识别,通过增加错误类别的损失来改进交叉熵损失函数,从而使得机器学习模型获得更好的分类性能。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。如图1所示,是本申请第一实施例提供的行人重识别的方法的实现流程图,本实施例可以由行人重识别的装置的硬件或者软件实现,所述行人重识别的装置可以是终端。详述如下:
S101,从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息。
所述预先采集的监控视频流由预先确定的监控设备采集,例如校园中的监控设备采集的视频流,所述监控视频流包括具有时间顺序的连续图像帧,不同时间段采集的视频流包括的图像帧对应包含不同的目标信息。在本实施例中,从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含有待识别行人的图像信息,所述待识别行人的图像信息包括待识别行人的脸部信息、穿衣信息、肢体信息等。
S102,从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息。
所述待识别行人的特征信息包括如皮肤状态、面部表情、五官特征等面部特征,衣服颜色、衣服纹理、手提包、背包、帽子等外观特征,所占据的图像局域、在图像中的相对位置等位置特征。在本实施例中,所述特征信息具有对应的标签信息,所述标签信息用于标识所述特征信息,例如所述特征信息为皮肤状态,对应的标签信息为光滑或者不光滑等。
在一种可选的实现方式中,如图2所示,是图1中S102的具体实施流程图。由图2可知,S102,包括:
S1021,利用预先训练完成的特征信息识别模型,对所述待识别行人进行特征识别,得到所述待识别行人的特征信息。
所述预先训练完成的特征信息识别模型可以是具有识别功能的机器学习模型,例如神经网络模型,所述神经网络模型的输入为待识别行人,输出为待识别行人对应的特征信息。
S1022,计算所述特征信息属于每类预设标签信息的概率值。
可以理解地,通常待识别行人具有多个不同的特征信息,例如皮肤状况,衣服颜色等,且不同的特征信息对应多个预设标签信息,例如衣服颜色对应的预设标签信息有红、黑、黄、绿等,且当特征信息的特征不明显时,识别结果可能会出现多个预设标签信息,例如,当衣服颜色为黑时,识别结果可能对应为黑、灰两种预设标签信息,此时需要进一步计算所述特征信息属于每类预设标签信息的概率值。
具体地,可以通过利用预设的概率归一化公式计算所述特征信息属于每类预设标签信息的概率值;所述预设的概率归一化公式为:
其中,pi表示所述特征信息属于第i类预设标签信息的概率值,K表示预设标签信息的类别总数,表示所述特征信息属于第i类预设标签信息的对数概率值。
S1023,若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值,且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值,则判定所述第一类预设标签信息为所述特征信息对应的标签信息,所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息。
在本实施例中,通过计算所述特征信息属于预设标签信息的概率值来确定所述特征信息对应的预设标签信息。可以理解地,计算概率值的方式不限于利用上述预设的概率归一化公式,具体在此不做限定。
S103,利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息。
所述预先训练完成的行人重识别模型可以为具有识别功能的机器学习模型,所述行人重识别模型的输入为包含有待识别行人的图像帧序列和所述待识别行人的特征信息对应的所有标签信息,输出为所述待识别行人的目标标签信息。其中,所述待识别行人属于每类预设标签信息的概率最大的标签信息。
S104,基于所述目标标签信息确定所述待识别行人的重识别结果。
具体地,当所述目标标签信息与预设的所述待识别行人的标签信息匹配,则确定所述待识别行人是预先确定的特定行人,若所述目标标签信息与预设的所述待识别行人的标签信息不匹配,则判定所述待识别行人不是预先确定的特定行人。
由上述分析可知,本申请实施例提供的行人重拾别的方法,包括:从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息;利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;基于所述目标标签信息确定所述待识别行人的重识别结果。与现有技术相比,通过从包含待识别行人的图像信息中识别出待识别行人的特征信息,确定特征信息对应的所有标签信息;并利用预先训练完成的行人重识别模型分别对包含有待识别行人的图像信息和所有标签信息进行行人重识别,提高行人重识别的准确性。
如图3所示,是本申请第二实施例提供的行人重识别的方法的实现流程图。由图3可知,本实施与图图1所示实施例相比,S301~S302以及S308~S309的具体实施过程与S101~S104的具体实现过程相同,不同之处在于,在S308之前还包括S303~S307,其中,S307与S308为并列执行关系,可以择一执行。S303~S307的具体实施过程详述如下:
S303,采集第一预设数量的训练样本,每个所述训练样本包含待识别行人的图像以及所述待识别行人对应的所有预设标签信息。
S304,利用所述训练样本训练预先建立的机器学习模型进行训练,得到训练之后的机器学习模型。
如图4所示,是图3中S304的具体实施流程图。由图4可知,S304包括:
S3041,使用所述预先建立的机器学习模型重识别每个所述待识别行人对应的所有预设标签信息,得到每个所述待识别行人属于每类预设标签信息的概率,并确定每个所述待识别行人对应的概率最大的预设标签信息。
所述机器学习模型可以是神经网络模型、逻辑分类模型、随机森林模型等深度学习模型。可以理解地,每个所述待识别行人对应的所有预设标签信息通常不完全相同,通过所述机器学习模型进行预设标签识别,可以快速准确地得到每个所述待识别行人属于每类所述预设标签信息的概率。
S3042,分别以每个所述待识别行人对应的所述概率最大的预设标签信息为训练所述机器学习模型的约束条件,迭代所述机器学习模型的预设参数。
可以理解地,分别以每个所述待识别行人对应的所述概率最大的预设标签性为训练所述机器学习模型的约束条件,通过最小化所述机器学习模型对应的损失函数,不断迭代所述机器学习模型的预设参数,来提高所述机器学习模型对错误标签识别的准确率。
S3043,若所述机器学习模型对应的损失函数值的变化率趋于稳定,则判定对所述机器学习模型的训练完成,得到所述行人重识别模型。
S305,对训练之后的所述机器学习模型进行模型准确性测试。
如图5所示,是图3中S305的具体实现流程图。由图5可知,S305包括:
S3051,将第二预设数量的测试样本输入训练之后的所述机器学习模型进行分析,确定训练之后的所述机器学习模型的损失函数的变化率。
S3052,若所述变化率小于或者等于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试通过。
S3053,若所述变化率大于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试不通过。
S306,若对所述训练之后的所述机器学习模型的准确性测试通过,则判定训练之后的所述机器学习模型为所述行人重识别模型。
S307,若对所述训练之后的所述机器学习模型的准确性测试不通过,则增加所述训练样本的数量,并返回执行利用所述训练样本训练预先建立的机器学习模型进行训练,得到所述行人重识别模型。
所述预先训练完成的所述行人重识别模型的损失函数为:
其中,
其中,N表示所述训练样本的总数,K表示预设标签信息的类别总数,pj表示当前样本属于第j类预设标签信息的概率值,yi为当前样本对应的真实标签信息,qi,j为pj的分布比例,Nsc表示当前样本属于相似标签信息的数目,ε为平衡所述真实标签信息和所述相似标签信息的系数,表示当前样本对应的特征信息属于第j类预设标签信息的对数概率值,表示当前样本对应的特征信息属于第k类预设标签信息的对数概率值,表示输出概率大于预设概率阈值的前n个标签。
图6是本申请实施例提供的行人重识别装置的结构示意图。由图6可知,本实施例提供的行人重识别装置6包括:获取模块601、第一确定模块602、重识别模块603以及第二确定模块604。其中,
获取模块601,用于从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;
第一确定模块602,用于从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息;
重识别模块603,用于利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;
第二确定模块604,用于基于所述目标标签信息确定所述待识别行人的重识别结果。
在一种可选的实现方式中,所述第一确定模块602,包括:
识别单元,用于利用预先训练完成的特征信息识别模型,对所述待识别行人进行特征识别,得到所述待识别行人的特征信息;
计算单元,用于计算所述特征信息属于每类预设标签信息的概率值;
第一判定单元,用于在若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值,且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值,则判定所述第一类预设标签信息为所述特征信息对应的标签信息,所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息。
在一种可选的实现方式中,所述计算单元,包括:
利用预设的概率归一化公式计算所述特征信息属于每类预设标签信息的概率值;所述预设的概率归一化公式为:
其中,pi表示所述特征信息属于第i类预设标签信息的概率值,K表示预设标签信息的类别总数,表示所述特征信息属于第i类预设标签信息的对数概率值。
在一种可选的实现方式中,还包括:
采集模块,用于采集第一预设数量的训练样本,每个所述训练样本包含待识别行人的图像以及所述待识别行人对应的所有预设标签信息;
训练模块,用于利用所述训练样本训练预先建立的机器学习模型进行训练,得到训练之后的机器学习模型;
测试模块,用于对训练之后的所述机器学习模型进行模型准确性测试;
第一判定模块,用于在若对所述训练之后的所述机器学习模型的准确性测试通过,则判定训练之后的所述机器学习模型为所述行人重识别模型;
第二判定模块,用于在若对所述训练之后的所述机器学习模型的准确性测试不通过,则增加所述训练样本的数量,并返回执行利用所述训练样本训练预先建立的机器学习模型进行训练,得到所述行人重识别模型。
在一种可选的实现方式中,所述训练模块,包括:
重识别单元,用于使用所述预先建立的机器学习模型重识别每个所述待识别行人对应的所有预设标签信息,得到每个所述待识别行人属于每类预设标签信息的概率,并确定每个所述待识别行人对应的概率最大的预设标签信息;
迭代单元,用于分别以每个所述待识别行人对应的所述概率最大的预设标签信息为训练所述机器学习模型的约束条件,迭代所述机器学习模型的预设参数;
第二判定单元,用于在若所述机器学习模型对应的损失函数值的变化率趋于稳定,则判定对所述机器学习模型的训练完成,得到所述行人重识别模型。
在一种可选的实现方式中,所述预先训练完成的所述行人重识别模型的损失函数为:
其中,
其中,N表示所述训练样本的总数,K表示预设标签信息的类别总数,pj表示当前样本属于第j类预设标签信息的概率值,yi为当前样本对应的真实标签信息,qi,j为pj的分布比例,Nsc表示当前样本属于相似标签信息的数目,ε为平衡所述真实标签信息和所述相似标签信息的系数,表示当前样本对应的特征信息属于第j类预设标签信息的对数概率值,表示当前样本对应的特征信息属于第k类预设标签信息的对数概率值,表示输出概率大于预设概率阈值的前n个标签。
图7是本申请实施例提供的终端的结构示意图。如图7所示,该实施例的终端7包括:处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72,例如行人重识别的程序。处理器70执行计算机程序72时实现上述各个行人重识别的方法实施例中的步骤,例如图1所示的步骤101至104。
示例性的,计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在存储器71中,并由处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序72在所述终端7中的执行过程。例如,计算机程序72可以被分割成获取模块、第一确定模块、重识别模块以及第二确定模块(虚拟装置中的模块),各模块具体功能如下:
获取模块,用于从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;
第一确定模块,用于从所述图像信息中识别出所述待识别行人的特征信息,并确定所述特征信息对应的所有标签信息;
重识别模块,用于利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;
第二确定模块,用于基于所述目标标签信息确定所述待识别行人的重识别结果。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种行人重识别的方法,其特征在于,包括:
从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;
利用预先训练完成的特征信息识别模型,对所述待识别行人进行特征识别,得到所述待识别行人的特征信息;
计算所述特征信息属于每类预设标签信息的概率值;
若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值,且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值,则判定所述第一类预设标签信息为所述特征信息对应的标签信息,所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息;
利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;
基于所述目标标签信息确定所述待识别行人的重识别结果。
2.如权利要求1所述的行人重识别的方法,其特征在于,所述计算所述特征信息属于每类预设标签信息的概率值,包括:
利用预设的概率归一化公式计算所述特征信息属于每类预设标签信息的概率值;所述预设的概率归一化公式为:
其中,表示所述特征信息属于第/>类预设标签信息的概率值,/>表示预设标签信息的类别总数,/>表示所述特征信息属于第/>类预设标签信息的对数概率值。
3.如权利要求1所述的行人重识别的方法,其特征在于,在所述利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所述标签信息进行重识别,以完成对所述待识别行人的重识别之前,包括:
采集第一预设数量的训练样本,每个所述训练样本包含待识别行人的图像以及所述待识别行人对应的所有预设标签信息;
利用所述训练样本训练预先建立的机器学习模型,得到训练之后的机器学习模型;
对训练之后的所述机器学习模型进行模型准确性测试;
若对所述训练之后的所述机器学习模型的准确性测试通过,则判定训练之后的所述机器学习模型为所述行人重识别模型;
若对所述训练之后的所述机器学习模型的准确性测试不通过,则增加所述训练样本的数量,并返回执行利用所述训练样本训练预先建立的机器学习模型进行训练,得到所述行人重识别模型。
4.如权利要求3所述的行人重识别的方法,其特征在于,所述利用所述训练样本训练预先建立的机器学习模型,得到训练之后的机器学习模型,包括:
使用所述预先建立的机器学习模型重识别每个所述待识别行人对应的所有预设标签信息,得到每个所述待识别行人属于每类预设标签信息的概率,并确定每个所述待识别行人对应的概率最大的预设标签信息;
分别以每个所述待识别行人对应的所述概率最大的预设标签信息为训练所述机器学习模型的约束条件,迭代所述机器学习模型的预设参数;
若所述机器学习模型对应的损失函数值的变化率趋于稳定,则判定对所述机器学习模型的训练完成,得到所述行人重识别模型。
5.如权利要求3所述的行人重识别的方法,其特征在于,所述预先训练完成的所述行人重识别模型的损失函数为:
其中,
其中, 表示所述训练样本的总数,K表示预设标签信息的类别总数, />表示当前样本属于第/>类预设标签信息的概率值,/>为当前样本对应的真实标签信息,/>为/>的分布比例,/>表示当前样本属于相似标签信息的数目,/>为平衡所述真实标签信息和所述相似标签信息的系数,/>表示当前样本对应的特征信息属于第/>类预设标签信息的对数概率值,表示当前样本对应的特征信息属于第k类预设标签信息的对数概率值,,表示输出概率大于预设概率阈值的前n个标签。
6.如权利要求5所述的行人重识别的方法,其特征在于,所述对训练之后的机器学习模型进行模型准确性测试,包括:
将第二预设数量的测试样本输入训练之后的所述机器学习模型进行分析,确定训练之后的所述机器学习模型的损失函数的变化率;
若所述变化率小于或者等于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试通过;
若所述变化率大于预设的变化率阈值,则判定对训练之后的所述机器学习模型的测试不通过。
7.一种行人重识别装置,其特征在于,包括:
获取模块,用于从预先采集的监控视频流中获取目标图像帧序列,所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息;
识别模块,用于利用预先训练完成的特征信息识别模型,对所述待识别行人进行特征识别,得到所述待识别行人的特征信息;
计算模块,用于计算所述特征信息属于每类预设标签信息的概率值;
对比模块,用于若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值,且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值,则判定所述第一类预设标签信息为所述特征信息对应的标签信息,所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息;
重识别模块,用于利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别,从所有所述标签信息中确定所述待识别行人的目标标签信息;
第二确定模块,用于基于所述目标标签信息确定所述待识别行人的重识别结果。
8.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述行人重识别的方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述行人重识别的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911060337.0A CN111027378B (zh) | 2019-11-01 | 2019-11-01 | 行人重识别的方法、装置、终端及存储介质 |
PCT/CN2019/119860 WO2021082118A1 (zh) | 2019-11-01 | 2019-11-21 | 行人重识别的方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911060337.0A CN111027378B (zh) | 2019-11-01 | 2019-11-01 | 行人重识别的方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027378A CN111027378A (zh) | 2020-04-17 |
CN111027378B true CN111027378B (zh) | 2023-08-18 |
Family
ID=70204935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911060337.0A Active CN111027378B (zh) | 2019-11-01 | 2019-11-01 | 行人重识别的方法、装置、终端及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111027378B (zh) |
WO (1) | WO2021082118A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950591B (zh) * | 2020-07-09 | 2023-09-01 | 中国科学院深圳先进技术研究院 | 模型训练方法、交互关系识别方法、装置及电子设备 |
CN111860316B (zh) * | 2020-07-20 | 2024-03-19 | 上海汽车集团股份有限公司 | 一种驾驶行为的识别方法、装置及存储介质 |
CN113065495B (zh) * | 2021-04-13 | 2023-07-14 | 深圳技术大学 | 图像相似度的计算方法、目标对象重识别方法及系统 |
CN113343810B (zh) * | 2021-05-28 | 2023-03-21 | 国家计算机网络与信息安全管理中心 | 基于时序多样性与相关性的行人重识别模型训练和识别方法与装置 |
CN113349105B (zh) * | 2021-06-01 | 2022-06-21 | 深圳市天和荣科技有限公司 | 智能喂鸟方法、电子设备、喂鸟器和存储介质 |
CN113361603B (zh) * | 2021-06-04 | 2024-05-10 | 北京百度网讯科技有限公司 | 训练方法、类别识别方法、装置、电子设备以及存储介质 |
CN113610028A (zh) * | 2021-08-13 | 2021-11-05 | 广联达科技股份有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN113762425B (zh) * | 2021-11-09 | 2022-04-05 | 天津创启投资有限公司 | 基于5g智慧空间的数据屏显滑动门控制系统 |
CN114758485A (zh) * | 2022-04-21 | 2022-07-15 | 成都商汤科技有限公司 | 一种告警信息处理方法、装置、计算机设备及存储介质 |
CN114821651B (zh) * | 2022-04-30 | 2023-11-10 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
CN115132278B (zh) * | 2022-05-27 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 一种抗体物种的改造方法、装置、设备及存储介质 |
CN114863224B (zh) * | 2022-07-05 | 2022-10-11 | 深圳比特微电子科技有限公司 | 训练方法、图像质量检测方法、装置和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10331968B2 (en) * | 2017-03-24 | 2019-06-25 | Disney Enterprises, Inc. | One shot color calibrated metric learning for object re-identification |
CN107301380A (zh) * | 2017-06-01 | 2017-10-27 | 华南理工大学 | 一种用于视频监控场景中行人重识别的方法 |
CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
CN110334687A (zh) * | 2019-07-16 | 2019-10-15 | 合肥工业大学 | 一种基于行人检测、属性学习和行人识别的行人检索增强方法 |
-
2019
- 2019-11-01 CN CN201911060337.0A patent/CN111027378B/zh active Active
- 2019-11-21 WO PCT/CN2019/119860 patent/WO2021082118A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于行人属性先验分布的行人再识别;吴彦丞等;《自动化学报》;20181218(第05期);第954-962页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021082118A1 (zh) | 2021-05-06 |
CN111027378A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027378B (zh) | 行人重识别的方法、装置、终端及存储介质 | |
CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
CN112016464B (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 | |
CN106484837A (zh) | 相似视频文件的检测方法和装置 | |
CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN110717554B (zh) | 图像识别方法、电子设备及存储介质 | |
CN103577838A (zh) | 一种人脸识别方法和装置 | |
CN104992148A (zh) | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN109903053B (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
CN112307886A (zh) | 行人重识别方法和装置 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
CN111723749A (zh) | 一种安全帽佩戴识别方法、系统及设备 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
US20190147613A1 (en) | Estimation of human orientation in images using depth information | |
CN113793620B (zh) | 基于场景分类的语音降噪方法、装置、设备及存储介质 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN112383488B (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
CN111783570A (zh) | 一种目标重识别的方法、装置、系统及计算机存储介质 | |
CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN110633630A (zh) | 一种行为识别方法、装置及终端设备 | |
CN115035562A (zh) | 一种基于FaceNet改进的口罩遮挡下的人脸识别方法 | |
CN113743387B (zh) | 视频行人重识别方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |