[发明专利]模型训练方法、装置、识别方法、电子设备及存储介质

说明书

本发明实施例提供一种模型训练方法、装置、识别方法、电子设备及存储介质，涉及图像识别技术领域。该方法包括获取第一特征向量，第一特征向量是由训练样本对第一ReID模型训练获得的全局特征构成的；根据第一ReID模型对训练样本进行聚类分析获得训练样本中的难样本；根据难样本和损失函数训练第二ReID模型，直至第二ReID模型符合预设要求，获得第二特征向量，第二特征向量包括全局特征和局部特征。装置用于执行上述方法。本发明实施例通过利用难样本训练第二ReID模型，并利用损失函数使得第二ReID模型输出的第二特征向量中既包含全局特征又包含布局特征，从而在进行图像重识别是能够同时兼顾一般样例和高度相似样例。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种模型训练方法、装置、识别方法、电子设备及存储介质。

背景技术

行人重识别(Person Re-identification，简称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，即是指在照射区域无重叠的多摄像头画面下自动匹配同一行人的技术，用以快速准确地发现行人对象在多摄像头下的活动画面和轨迹。目前行人重识别技术在学术界和工业界已经得到广泛的关注与应用。

早期的ReID研究大家还主要关注点在全局特征(global feature)上，就是用整图得到一个特征向量进行图像检索。但是后来大家逐渐发现全局特征遇到了瓶颈，于是开始渐渐研究起局部特征(local feature)。由此，便带来了新的问题，就是现有技术中，对ReID模型进行训练时，要么只依赖全局特征，要么只依赖局部特征，这将导致训练好的模型在进行识别时，不能够同时在一般样例及高度相似样例上有较好的表现。

发明内容

有鉴于此，本发明实施例的目的在于提供一种一种模型训练方法、装置、识别方法、电子设备及存储介质，以解决上述技术问题。

第一方面，本发明实施例提供了一种模型训练方法，包括：

获取第一ReID模型对应的第一特征向量，所述第一特征向量是通过训练样本对第一ReID模型训练获得的全局特征构成的；

根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本；

根据所述难样本和损失函数训练第二ReID模型，若本次训练的第二ReID模型不符合预设要求，则对本次训练中所用的难样本进行聚类分析，更新获得下次训练所需的难样本，以及根据本次训练的第二ReID模型更新下次训练所需的损失函数，根据更新的难样本和更新的损失函数对第二ReID模型进行下一次训练，依此循环，直至第二ReID模型符合预设要求，获得第二特征向量；其中，第二特征向量包括局部特征和所述第一特征向量中的全局特征。

进一步地，所述根据所述第一ReID模型对所述训练样本进行聚类分析，获得所述训练样本中的难样本，包括：

根据所述第一ReID模型获取所述训练样本的至少一个聚类中心点，根据所述聚类中心点对所述训练样本进行聚类；

计算每个聚类中的训练样本与对应聚类中心点之间的第一距离，将所述第一距离大于第一预设阈值的训练样本作为所述难样本。

进一步地，所述根据所述难样本和损失函数训练第二ReID模型，包括：

根据所述难样本对所述第二ReID模型进行训练，获得所述第二特征向量；

计算所述第二特征向量与所述第一特征向量之间的第二距离，并利用所述损失函数对所述第二ReID模型中的参数进行优化，直到优化后的第二Reid模型输出的所述第二特征向量与所述第一特征向量之间的所述第二距离小于第二预设阈值。

进一步地，所述计算所述第二特征向量与所述第一特征向量之间的第二距离，包括：

分别对所述第一特征向量和所述第二特征向量进行压缩处理；