CN114724090B - 行人再识别模型的训练方法、行人再识别方法及装置 - Google Patents

Abstract

本公开提供了一种行人再识别模型的训练方法、行人再识别方法及装置，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉、图像处理技术，可应用于智慧城市、智能交通等场景。该方法包括：将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到原始样本图像的第一样本特征；对原始样本图像的第一样本特征进行聚类，得到多个聚类簇；根据原始样本图像的第一样本特征生成原始样本图像对应的难正样本的第二样本特征；基于第一样本特征、第二样本特征和聚类簇，更新初始行人再识别模型。该方法提高了行人再识别模型的识别结果的准确性。

Description

行人再识别模型的训练方法、行人再识别方法及装置

技术领域

本公开涉及人工智能技术领域中的深度学习、计算机视觉、图像处理技术，尤其涉及一种行人再识别模型的训练方法、行人再识别方法及装置，可应用于智慧城市、智能交通等场景。

背景技术

行人再识别是指在不同摄像头拍摄到的行人图像中搜索到特定的行人，可应用于智慧城市、智能交通等场景，在实际应用中，往往通过训练行人再识别模型来实现该功能。

有监督的行人再识别模型的训练方法，需要利用有身份信息标签的行人图像进行模型训练，但有监督训练的标注成本高、样本采集困难。因此，目前的发展方向是探索直接从无标签的行人图像上进行无监督的模型训练，现有的无监督的训练方法得到的行人再识别模型的识别结果准确性较低。

发明内容

本公开提供了一种提高了识别结果准确性的行人再识别模型的训练方法、行人再识别方法及装置。

根据本公开的第一方面，提供了一种行人再识别模型的训练方法，包括：

将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到所述原始样本图像的第一样本特征；

对所述原始样本图像的第一样本特征进行聚类，得到多个聚类簇；

根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征；

基于所述第一样本特征、所述第二样本特征和所述聚类簇，更新所述初始行人再识别模型。

根据本公开的第二方面，提供了一种行人再识别方法，包括：

获取待识别图像和目标行人图像；

将所述待识别图像和所述目标行人图像分别输入行人再识别模型，得到所述待识别图像的特征向量和所述目标行人图像的特征向量，其中，所述行人再识别模型是采用第一方面所述的方法训练得到的；

基于所述待识别图像的特征向量与所述目标行人图像的特征向量的相似度确定所述待识别图像的识别结果。

根据本公开的第三方面，提供了一种行人再识别模型的训练装置，包括：

输入模块，用于将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到所述原始样本图像的第一样本特征；

聚类模块，用于对所述原始样本图像的第一样本特征进行聚类，得到多个聚类簇；

生成模块，用于根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征；

更新模块，用于基于所述第一样本特征、所述第二样本特征和所述聚类簇，更新所述初始行人再识别模型。

根据本公开的第四方面，提供了一种行人再识别装置，包括：

获取模块，用于获取待识别图像和目标行人图像；

输入模块，用于将所述待识别图像和所述目标行人图像分别输入行人再识别模型，得到所述待识别图像的特征向量和所述目标行人图像的特征向量，其中，所述行人再识别模型是采用第一方面所述的方法训练得到的；

识别模块，用于基于所述待识别图像的特征向量与所述目标行人图像的特征向量的相似度确定所述待识别图像的识别结果。

根据本公开的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面或第二方面所述的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面或第二方面所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。

根据本公开的技术方案，提高了行人再识别模型的识别结果的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例提供的一种行人再识别模型的训练方法的流程示意图；

图2是根据本公开实施例提供的一种行人再识别模型的训练过程示意图；

图3是根据本公开实施例提供的一种行人再识别方法的流程示意图；

图4是根据本公开实施例提供的一种行人再识别模型的训练装置的结构示意图；

图5是根据本公开实施例提供的一种行人再识别装置的结构示意图；

图6是用来实现本公开实施例的方法的电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

相关技术中，无监督的行人再识别模型的训练方法通常采用基于伪标签的方法，基于伪标签的行人再识别模型的训练方法中，通常是利用聚类算法对无标签的行人图像进行聚类，从而得到不同的聚类簇，同一聚类簇的样本被当作具有相同身份信息的样本，进而被标注为相同的伪标签信息，将这些伪标签作为监督信号进行模型训练。由于聚类结果的准确性不能保证，也就是样本的伪标签不一定准确，在模型的训练过程中会产生模糊的分类边界，影响模型的判别性能，导致识别结果不准确。

本公开实施例提供的行人再识别模型的训练方法，对原始样本进行聚类，但是并不利用伪标签作为监督信号进行模型训练，而是针对每个原始样本，生成分布于决策边界附近的难正样本，将难正样本也加入模型训练中，利用原始样本、难正样本和聚类簇之间的损失函数进行对比训练，从而解决聚类可能导致的聚类簇中样本不完整或者聚类簇中样本混杂的问题，提高模型的特征表征能力，提高识别结果的准确性。

本公开提供一种行人再识别模型的训练方法、行人再识别方法、装置及电子设备，应用于人工智能技术领域的深度学习、计算机视觉、图像处理领域，具体可以应用在智慧城市、智能交通、智能视频监控、智能安保等场景中，以提高识别结果的准确性。

下面，将通过具体的实施例对本公开提供的行人再识别模型的训练方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1是根据本公开实施例提供的一种行人再识别模型的训练方法的流程示意图。该方法的执行主体为行人再识别模型的训练装置，该装置可以通过软件和/或硬件的方式实现。如图1所示，该方法包括：

S101、将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到原始样本图像的第一样本特征。

原始样本集中的原始样本图像为无标签的行人图像，利用初始行人再识别模型对原始样本图像进行特征提取，得到第一样本特征。

在训练初期时，初始行人再识别模型为随机初始化的行人再识别模型，或者是预训练的行人再识别模型。在经过一个训练周期之后的训练过程中，初始行人再识别模型为经过了各训练周期更新后的行人再识别模型。

S102、对原始样本图像的第一样本特征进行聚类，得到多个聚类簇。

采用聚类算法对S101中提取到原始样本集中的所有原始样本图像的第一样本特征进行聚类，示例的，聚类算法可采用基于密度的空间聚类算法（Density-Based SpatialClustering of Applications with Noise，DBSCAN）、k均值（k-means）聚类算法等，本公开实施例对此并不限定。利用聚类算法可以将无标签的原始样本集分为不同的聚类簇，而每个聚类簇中的原始样本图像则可以视为具有相同的身份信息，也就是每个聚类簇中的原始样本图像中具有相同的行人信息，每个聚类簇中的原始样本图像标注为相同的伪标签。

S103、根据原始样本图像的第一样本特征生成原始样本图像对应的难正样本的第二样本特征。

在每个训练周期中，基于原始样本图像的第一样本特征生成该原始样本图像对应的难正样本的第二样本特征，难正样本与原始样本图像具有相同的身份信息，即相同的伪标签，并且难正样本分布在初始行人再识别模型的决策边界周围。

S104、基于第一样本特征、第二样本特征和聚类簇，更新初始行人再识别模型。

将原始样本图像对应的难正样本加入模型训练中，也就是基于第一样本特征、第二样本特征和聚类簇来共同更新初始行人再识别模型，利用第一样本特征和第二样本特征进行对比训练，减少伪标签不准确而产生的负面影响，解决聚类不准确可能导致的聚类簇中原始样本图像缺失或者聚类簇中原始样本图像混杂的问题，从而提高模型的特征表征能力，提高识别结果的准确性。

上述实施例中的训练过程如图2中所示，将原始样本集201中的原始样本图像分别输入初始行人再识别模型202中，得到各原始样本图像的第一样本特征203，基于原始样本图像的第一样本特征203生成聚类簇204，并基于原始样本图像的第一样本特征203生成难正样本的第二样本特征205，最终基于原始样本图像的第一样本特征203、聚类簇204和难正样本的第二样本特征205生成对比损失206，基于对比损失206对初始行人再识别模型202的参数进行更新。

需要说明的是，上述过程为一个训练周期的训练过程，在实际训练过程中，在更新初始行人再识别模型202后，重复执行上述步骤，将原始样本集201中的原始样本图像分别输入更新后的初始行人再识别模型202，得到新的第一样本特征203，对新的第一样本特征203进行聚类，得到多个新的聚类簇204，并且，根据新的第一样本特征203生成原始样本图像对应的新的难正样本的第二样本特征205，最后再次基于新的第一样本特征203、新的第二样本特征205和新的聚类簇204，更新初始行人再识别模型202。迭代执行上述步骤，直至达到预设的训练周期或者满足预先设定的测试条件，即停止迭代，得到训练完成的行人再识别模型。

在上述实施例的基础上，对如何生成原始样本图像对应的难正样本的第二样本特征，以及如何基于第一样本特征、第二样本特征和聚类簇更新初始行人再识别模型进行说明。

首先，根据第一样本特征，确定初始行人再识别模型的多个可学习参数各自对应的权重，其中，可学习参数表征所有原始样本图像的共同特征，可学习参数的维度与第一样本特征的维度相同；根据可学习参数和可学习参数对应的权重，确定原始样本图像对应的难正样本的第二样本特征。

初始行人再识别模型的多个可学习参数在训练初期是随机初始化的，在经过一个训练周期之后的训练过程中，可学习参数为经过了各训练周期更新后的可学习参数，即可学习参数在每个训练周期是动态变化的。可学习参数与原始样本图像的特征维度相同，也即与第一样本特征的维度相同，用于表征所有原始样本图像的共同特征，可学习参数的数量可以根据聚类簇的大小进行设置。根据第一样本特征确定的多个可学习参数各自对应的权重，仅与该第一样本特征相关，可选的，将第一样本特征分别输入多个全链接层，得到与多个可学习参数各自对应的权重，全连接层的数量与可学习参数的数量相同。不同的原始样本图像的第一样本特征对应的可学习参数的权重不同，按照可学习参数对应的权重，对可学习参数进行加权求和，即可得到与原始样本图像对应的难正样本的第二样本特征。

通过在特征层面上进行难正样本生成，利用全连接层针对性的生成与原始样本图像对应的可学习参数的权重，针对不同的原始样本图像动态生成不同的难正样本，保证该难正样本的伪标签不变，且难正样本分布在初始行人再识别模型的决策边界周围。

在生成难正样本的第二样本特征后，即可基于第一样本特征、第二样本特征和聚类簇，更新初始行人再识别模型。

其中，根据第一样本特征和聚类簇的聚类中心之间的第一损失函数，确定第一损失；根据第二样本特征和聚类簇的聚类中心之间的第二损失函数，确定第二损失；根据第一样本特征、第二样本特征和原始样本图像所属的聚类簇的聚类中心之间的第三损失函数，确定第三损失；基于第一损失、第二损失和第三损失，更新初始行人再识别模型。

以下分别对上述三个损失函数进行说明。

可选的，第一损失函数

如下：

其中，f为原始样本图像的第一样本特征（经过归一化，且在各训练周期会动态更 新），c为原始样本图像所属的聚类簇的聚类中心（经过归一化，且在各训练周期会动态更 新），sim（）表示余弦相似度，τ为超参数，

为第n个聚类簇的聚类中心（经过归一化，且在 各训练周期会动态更新），N为所有聚类簇的数目。

第一损失函数用于使得原始样本图像与原始样本图像所属的聚类簇的聚类中心的距离减小，且原始样本图像与其他聚类簇的聚类中心的距离增大，从而提高模型的特征表征能力。

可选的，第二损失函数

如下：

其中，

为原始样本图像对应的难正样本的第二样本特征（经过归一化，且在各训 练周期会动态更新），c为原始样本图像所属的聚类簇的聚类中心（经过归一化，且在各训练 周期会动态更新），sim（）表示余弦相似度，τ为超参数，

为第n个聚类簇的聚类中心（经过 归一化，且在各训练周期会动态更新），N为所有聚类簇的数目。

第二损失函数用于使得难正样本与原始样本图像所属的聚类簇的聚类中心的距离减小，且难正样本与其他聚类簇的聚类中心的距离增大，从而保证了难正样本的伪标签与原始样本图像相同。

可选的，第三损失函数

如下：

其中，f为原始样本图像的第一样本特征（经过归一化，且在各训练周期会动态更 新），

为原始样本图像对应的难正样本的第二样本特征（经过归一化，且在各训练周期会 动态更新），c为原始样本图像所属的聚类簇的聚类中心（经过归一化，且在各训练周期会动 态更新），sim（）表示余弦相似度，τ为超参数，

为原始样本图像所属的聚类簇中第k个原始 样本图像对应的难正样本的第二样本特征（经过归一化，且在各训练周期会动态更新），K为 原始样本图像所属的聚类簇中的原始样本图像数目。

第三损失函数用于使得原始样本图像距离原始样本图像所属的聚类簇的聚类中心的距离，小于难正样本距离原始样本图像所属的聚类簇的聚类中心的距离，也就是，使得生成的难正样本比原始样本图像距离原始样本图像所属的聚类簇的聚类中心更远，即难正样本分布在初始行人再识别模型的决策边界周围，从而提高模型的表征能力，提高识别结果的准确性。

通过动态地针对性地生成难正样本，使得每个聚类簇中的样本进行扩充，通过损失函数来约束生成难正样本的难度，提高样本的多样性，从而利用生成的难正样本提高模型的表征能力。本公开实施例的方法在特征层面上进行难正样本生成，且能够保证生成的难正样本的身份信息，能够取得更好的训练效果。

图3是根据本公开实施例提供的一种行人再识别方法的流程示意图。如图3所示，该方法包括：

S301、获取待识别图像和目标行人图像。

目标行人图像是具有特定的目标行人的图像，待识别图像可以为一张或多张，行人再识别的目的是验证待识别图像是否包含目标行人，或者是从多张待识别图像中检索出包含目标行人的图像。

S302、将待识别图像和目标行人图像分别输入行人再识别模型，得到待识别图像的特征向量和目标行人图像的特征向量，其中，行人再识别模型是采用前述实施例的方法训练得到的。

S303、基于待识别图像的特征向量与目标行人图像的特征向量的相似度确定待识别图像的识别结果。

可选的，若需要验证待识别图像是否包含目标行人，则可以设置相似度阈值，若待识别图像的特征向量与目标行人图像的特征向量的相似度大于相似度阈值，则识别结果为待识别图像包含目标行人。

可选的，若需要从多张待识别图像中检索出包含目标行人的图像，则可以计算每张待识别图像的特征向量与目标行人图像的特征向量的相似度，将相似度最高的预设数量张待识别图像确定为包含目标行人的图像，也就是从多张待识别图像中检索出包含目标行人的图像的识别结果为该相似度最高的预设数量张待识别图像。

图4是根据本公开实施例提供的一种行人再识别模型的训练装置的结构示意图。如图4所示，行人再识别模型的训练装置400包括：

输入模块401，用于将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到所述原始样本图像的第一样本特征；

聚类模块402，用于对所述原始样本图像的第一样本特征进行聚类，得到多个聚类簇；

生成模块403，用于根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征；

更新模块404，用于基于所述第一样本特征、所述第二样本特征和所述聚类簇，更新所述初始行人再识别模型。

在一种实施方式中，所述生成模块403包括：

第一确定单元，用于根据所述第一样本特征，确定所述初始行人再识别模型的多个可学习参数各自对应的权重，其中，所述可学习参数表征所有原始样本图像的共同特征，所述可学习参数的维度与所述第一样本特征的维度相同；

第二确定单元，用于根据所述可学习参数和所述可学习参数对应的权重，确定所述原始样本图像对应的难正样本的第二样本特征。

在一种实施方式中，所述第一确定单元用于：

将所述第一样本特征分别输入多个全链接层，得到与所述多个可学习参数各自对应的权重。

在一种实施方式中，所述第二确定单元用于：

按照所述可学习参数对应的权重，对所述可学习参数进行加权求和，得到所述第二样本特征。

在一种实施方式中，所述更新模块404包括：

第三确定单元，用于根据所述第一样本特征和所述聚类簇的聚类中心之间的第一损失函数，确定第一损失；

第四确定单元，用于根据所述第二样本特征和所述聚类簇的聚类中心之间的第二损失函数，确定第二损失；

第五确定单元，用于根据所述第一样本特征、所述第二样本特征和所述原始样本图像所属的聚类簇的聚类中心之间的第三损失函数，确定第三损失；

更新单元，用于基于所述第一损失、所述第二损失和所述第三损失，更新所述初始行人再识别模型。

在一种实施方式中，所述第一损失函数用于使得所述原始样本图像与所述原始样本图像所属的聚类簇的聚类中心的距离减小，且所述原始样本图像与其他聚类簇的聚类中心的距离增大。

在一种实施方式中，所述第二损失函数用于使得所述难正样本与所述原始样本图像所属的聚类簇的聚类中心的距离减小，且所述难正样本与其他聚类簇的聚类中心的距离增大。

在一种实施方式中，所述第三损失函数用于使得所述原始样本图像距离所述原始样本图像所属的聚类簇的聚类中心的距离，小于所述难正样本距离所述原始样本图像所属的聚类簇的聚类中心的距离。

本公开实施例的装置可用于执行上述方法实施例中的行人再识别模型的训练方法，其实现原理和技术效果类似，此处不再赘述。

图5是根据本公开实施例提供的一种行人再识别装置的结构示意图。如图5所示，行人再识别装置500包括：

获取模块501，用于获取待识别图像和目标行人图像。

输入模块502，用于将待识别图像和目标行人图像分别输入行人再识别模型，得到待识别图像的特征向量和目标行人图像的特征向量，其中，行人再识别模型是采用上述实施例的方法训练得到的。

识别模块503，用于基于待识别图像的特征向量与目标行人图像的特征向量的相似度确定待识别图像的识别结果。

本公开实施例的装置可用于执行上述方法实施例中的行人再识别方法，其实现原理和技术效果类似，此处不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备和存储有计算机指令的非瞬时计算机可读存储介质。

根据本公开的实施例，本公开还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图6是用来实现本公开实施例的方法的电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器（ROM）602中的计算机程序或者从存储单元608加载到随机访问存储器（RAM）603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如行人再识别模型的训练方法或行人再识别方法。例如，在一些实施例中，行人再识别模型的训练方法或行人再识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的行人再识别模型的训练方法或行人再识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行行人再识别模型的训练方法或行人再识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种行人再识别模型的训练方法，包括：

将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到所述原始样本图像的第一样本特征；

对所述原始样本图像的第一样本特征进行聚类，得到多个聚类簇；

根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征；

基于所述第一样本特征、所述第二样本特征和所述聚类簇，更新所述初始行人再识别模型；

所述基于所述第一样本特征、所述第二样本特征和所述聚类簇，更新所述初始行人再识别模型，包括：

根据所述第一样本特征和所述聚类簇的聚类中心之间的第一损失函数，确定第一损失；其中，所述第一损失函数用于使得所述原始样本图像与所述原始样本图像所属的聚类簇的聚类中心的距离减小，且所述原始样本图像与其他聚类簇的聚类中心的距离增大；

根据所述第二样本特征和所述聚类簇的聚类中心之间的第二损失函数，确定第二损失；其中，所述第二损失函数用于使得所述难正样本与所述原始样本图像所属的聚类簇的聚类中心的距离减小，且所述难正样本与其他聚类簇的聚类中心的距离增大；

根据所述第一样本特征、所述第二样本特征和所述原始样本图像所属的聚类簇的聚类中心之间的第三损失函数，确定第三损失；其中，所述第三损失函数用于使得所述原始样本图像距离所述原始样本图像所属的聚类簇的聚类中心的距离，小于所述难正样本距离所述原始样本图像所属的聚类簇的聚类中心的距离；

基于所述第一损失、所述第二损失和所述第三损失，更新所述初始行人再识别模型。

2.根据权利要求1所述的方法，其中，所述根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征，包括：

根据所述第一样本特征，确定所述初始行人再识别模型的多个可学习参数各自对应的权重，其中，所述可学习参数表征所有原始样本图像的共同特征，所述可学习参数的维度与所述第一样本特征的维度相同；

根据所述可学习参数和所述可学习参数对应的权重，确定所述原始样本图像对应的难正样本的第二样本特征。

3.根据权利要求2所述的方法，其中，所述确定所述初始行人再识别模型的多个可学习参数各自对应的权重，包括：

将所述第一样本特征分别输入多个全链接层，得到与所述多个可学习参数各自对应的权重。

4.根据权利要求2所述的方法，其中，所述根据所述可学习参数和所述可学习参数对应的权重，确定所述原始样本对应的难正样本的第二样本特征，包括：

按照所述可学习参数对应的权重，对所述可学习参数进行加权求和，得到所述第二样本特征。

5.一种行人再识别方法，包括：

获取待识别图像和目标行人图像；

将所述待识别图像和所述目标行人图像分别输入行人再识别模型，得到所述待识别图像的特征向量和所述目标行人图像的特征向量，其中，所述行人再识别模型是采用权利要求1-4中任一项所述的方法训练得到的；

基于所述待识别图像的特征向量与所述目标行人图像的特征向量的相似度确定所述待识别图像的识别结果。

6.一种行人再识别模型的训练装置，包括：

输入模块，用于将原始样本集中的原始样本图像分别输入初始行人再识别模型，得到所述原始样本图像的第一样本特征；

聚类模块，用于对所述原始样本图像的第一样本特征进行聚类，得到多个聚类簇；

生成模块，用于根据所述原始样本图像的第一样本特征生成所述原始样本图像对应的难正样本的第二样本特征；

更新模块，用于基于所述第一样本特征、所述第二样本特征和所述聚类簇，更新所述初始行人再识别模型；

所述更新模块包括：

第三确定单元，用于根据所述第一样本特征和所述聚类簇的聚类中心之间的第一损失函数，确定第一损失；其中，所述第一损失函数用于使得所述原始样本图像与所述原始样本图像所属的聚类簇的聚类中心的距离减小，且所述原始样本图像与其他聚类簇的聚类中心的距离增大；

第四确定单元，用于根据所述第二样本特征和所述聚类簇的聚类中心之间的第二损失函数，确定第二损失；其中，所述第二损失函数用于使得所述难正样本与所述原始样本图像所属的聚类簇的聚类中心的距离减小，且所述难正样本与其他聚类簇的聚类中心的距离增大；

第五确定单元，用于根据所述第一样本特征、所述第二样本特征和所述原始样本图像所属的聚类簇的聚类中心之间的第三损失函数，确定第三损失；其中，所述第三损失函数用于使得所述原始样本图像距离所述原始样本图像所属的聚类簇的聚类中心的距离，小于所述难正样本距离所述原始样本图像所属的聚类簇的聚类中心的距离；

更新单元，用于基于所述第一损失、所述第二损失和所述第三损失，更新所述初始行人再识别模型。

7.根据权利要求6所述的装置，其中，所述生成模块包括：

第一确定单元，用于根据所述第一样本特征，确定所述初始行人再识别模型的多个可学习参数各自对应的权重，其中，所述可学习参数表征所有原始样本图像的共同特征，所述可学习参数的维度与所述第一样本特征的维度相同；

第二确定单元，用于根据所述可学习参数和所述可学习参数对应的权重，确定所述原始样本图像对应的难正样本的第二样本特征。

8.根据权利要求7所述的装置，其中，所述第一确定单元用于：

将所述第一样本特征分别输入多个全链接层，得到与所述多个可学习参数各自对应的权重。

9.根据权利要求7所述的装置，其中，所述第二确定单元用于：

按照所述可学习参数对应的权重，对所述可学习参数进行加权求和，得到所述第二样本特征。

10.一种行人再识别装置，包括：

获取模块，用于获取待识别图像和目标行人图像；

输入模块，用于将所述待识别图像和所述目标行人图像分别输入行人再识别模型，得到所述待识别图像的特征向量和所述目标行人图像的特征向量，其中，所述行人再识别模型是采用权利要求1-4中任一项所述的方法训练得到的；

识别模块，用于基于所述待识别图像的特征向量与所述目标行人图像的特征向量的相似度确定所述待识别图像的识别结果。

11.一种电子设备，包括：

至少一个处理器；以及与至少一个处理器通信连接的存储器；

其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images