[发明专利]行人重识别数据标注方法和装置

权利要求书

1.行人重识别数据标注方法，其特征在于，包括以下步骤：

获取待标注的图片序列，所述图片序列包括待标图片；

从所述待标图片获取行人图片，具体为通过行人检测深度神经网络，根据所述行人检测深度神经网络输出的包含行人的坐标信息分别抠出对应的所有行人图片；并计算所述行人图片的前景比例或高宽比，以删去所述前景比例或高宽比不满足阈值条件的行人图片；

抽取处理后的所述行人图片的特征，具体为通过行人重识别深度神经网络抽取所述行人图片的特征；

根据所述特征对所述行人图片进行聚类，得到结果类；

计算所述结果类与目标类的距离；

将与所述目标类的距离符合匹配条件的结果类作为匹配类；

其中，在所述获取待标注的图片序列时，还包括以下子步骤：

获取所述待标图片的标识号，所述标识号包括视角码和顺序码；

在所述从所述待标图片获取行人图片时，还包括以下子步骤：

分别将所述行人图片与一编码号相关联，所述编码号包括相应的所述待标图片的标识号和所述行人图片的序号；

在所述计算所述结果类与目标类的距离之前，还包括以下步骤：

根据相应的所述编码号中的标识号对所述结果类进行筛选；

或者，在所述将与所述目标类的距离符合匹配条件的结果类作为匹配类之后，还包括以下步骤：

根据相应的所述编码号中的标识号对所述匹配类进行筛选。

2.如权利要求1所述的行人重识别数据标注方法，其特征在于：所述抽取所述行人图片的特征，具体为通过行人重识别深度神经网络抽取所述行人图片的特征。

3.如权利要求2所述的行人重识别数据标注方法，其特征在于，还包括以下步骤：

根据所述匹配类对所述行人重识别深度神经网络进行再训练。

4.如权利要求2所述的行人重识别数据标注方法，其特征在于：所述行人重识别深度神经网络包括：输入层、卷积层、规范化层、非线性映射层、池化层、全连接层和分类层；其中，所述输入层用于对所述行人图片预处理，增加样本数量。

5.如权利要求1-3中任一项所述的行人重识别数据标注方法，其特征在于：所述获取待标注的图片序列，具体为获取根据视频位置、视频时间、人流量或行人相似度中的至少一种筛选后的视频数据。

6.行人重识别数据标注装置，其特征在于，包括：

第一获取模块，用于获取待标注的图片序列，所述图片序列包括待标图片；

第二获取模块，用于从所述待标图片获取行人图片，具体为通过行人检测深度神经网络，根据所述行人检测深度神经网络输出的包含行人的坐标信息分别抠出对应的所有行人图片；并计算所述行人图片的前景比例或高宽比，以删去所述前景比例或高宽比不满足阈值条件的行人图片；

特征模块，用于抽取处理后的所述行人图片的特征，具体为通过行人重识别深度神经网络抽取所述行人图片的特征；

聚类模块，用于根据所述特征对所述行人图片进行聚类，得到结果类；

计算模块，用于计算所述结果类与目标类的距离；

匹配模块，用于将与所述目标类的距离符合匹配条件的结果类作为匹配类；

其中，在所述获取待标注的图片序列时，还包括以下子步骤：

获取所述待标图片的标识号，所述标识号包括视角码和顺序码；

在所述从所述待标图片获取行人图片时，还包括以下子步骤：

分别将所述行人图片与一编码号相关联，所述编码号包括相应的所述待标图片的标识号和所述行人图片的序号；

在所述计算所述结果类与目标类的距离之前，还包括以下步骤：

根据相应的所述编码号中的标识号对所述结果类进行筛选；

或者，在所述将与所述目标类的距离符合匹配条件的结果类作为匹配类之后，还包括以下步骤：

根据相应的所述编码号中的标识号对所述匹配类进行筛选。