[发明专利]行人重识别方法、装置及计算机设备

说明书

本发明公开一种行人重识别方法、装置和计算机设备，所述行人重识别方法基于残差网络和生成对抗网络，包括以下：通过生成对抗网络把行人重识别训练集中每一个摄像头下的每一张行人图片都转换为其它摄像头风格的图片，从而增大了训练集的数据规模；将扩充后的数据集经过残差网络提取图像的深度特征，利用三元组损失作为损失函数训练模型；通过计算图像深度特征之间的欧式距离得到图片间的相似度，从而得到候选图像列表。本发明提供的兴仁县重识别方法利用生成对抗网络产生更多更加丰富的数据样本，能够更好解决因为训练数据量不足和背景噪声带来的检索精度损失，提升了跨域场景下行人重识别模型的泛化能力。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及行人重识别方法、装置及计算机设备。

背景技术

随着人们对公共安全问题的重视以及监控摄像头数量和覆盖程度的快速增加，监控设备智能化数据处理日益成为学术界和工业界研究的热点技术之一。这其中，行人重识别技术因对于人物检索、嫌疑人搜寻等多种应用起着至关重要的作用，具有广泛的应用场景和重要的研究意义，也因此在学术界和工业界都得到了高度重视和深入研究。

得益于深度学习算法的快速发展和大规模行人重识别数据集的出现，行人重识别技术在一些标准公开数据集上的测试准确率已经得到了显著提高。然而，由于不同摄像头的架设角度、背景环境，它物遮挡、光线条件、分辨率、行人姿态动作等因素影响，在具体实现该技术时面临着诸多挑战。现有技术中，行人重识别方法利用预训练好的卷积神经网络模型(如ResNet、VGG)提取输入图像特征，之后接一个全连接层和softmax分类器，把每一个行人ID视为一类，通过优化分类损失函数来训练这个模型。这些方法的基本思想是把重识别问题转换为分类问题，该方法在训练分类模型时不仅对数据的质量和数量要求都比较高，而且提取输入图像特征的方法仍然是人为设计或加入先验知识，不仅识别准确率低，而且模型泛化能力比较弱。

可见，大多数行人重识别模型普遍面临同样一个问题：如果训练模型的训练集和评估模型的测试集来自不同的域时，模型表现会有明显下降，这意味着把在一个场景下训练得到的模型迁移到另一个新的场景中进行测试时往往难以得到令人满意的效果。

因此，如何提高行人重识别系统在跨域场景下的识别准确率日益成为本领域技术人员亟待解决的技术问题。

需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明的目的在于提高现有技术中行人重识别系统跨域场景下的识别准确率低及泛化能力差的技术问题，提出一种行人重识别方法、装置及计算机设备。

为实现上述一种行人重识别方法目的，本发明通过以下技术方案予以实现：一种行人重识别方法，包括如下步骤：

S100：利用生成对抗网络，对原始训练数据集中的原始样本图片进行风格转换，扩增所述原始训练数据集，得到扩增后的训练数据集；

S200：初始化残差网络，并利用所述扩增后的训练数据集训练所述残差网络，基于三元组损失优化所述残差网络的参数，得到行人重识别模型；

S300：利用所述行人重识别模型，提取待识别测试集中每一张待识别行人图像的深度特征得到特征向量，计算所述特征向量之间的相似度，得到每一张所述待识别行人图像的候选行人图像列表；

其中，所述风格转换包括，将原始样本图片转换为若干个目标域摄像装置风格下的目标域样本图片，所述目标域摄像装置均为所述原始训练数据集使用的摄像装置的个数。

可选地，在对原始训练数据集中的原始样本图片进行风格转换之前，先对每一张所述原始样本图片预处理，所述预处理包括以下步骤，

将所述原始样本图片进行图像归一化得到大小统一的图片；