[发明专利]人体识别模型及其训练方法、系统、存储介质及设备

说明书

本发明公开人体识别模型及其训练方法、系统、存储介质及设备。该人体识别模型的训练方法包括：A、从数据库中筛选符合预置站立状态的训练图像作为训练样本图像，并将其调整为预设大小；B、对调整后的训练样本图像进行翻转处理和旋转处理；C、从预置旋转范围内随机选取一旋转角度对步骤B得到的图像进行旋转；D、卷积神经网络对步骤C得到的图像进行相应于步骤B的旋转处理的逆向操作，获取图像中的人体特征；E、利用损失函数计算损失梯度；根据损失梯度更新卷积神经网络的参数；F、重复步骤B～E，直至损失函数收敛。通过本发明的人体识别模型的训练方法得到的人体识别模型能够对倒立、弯身等非人体直立情况下的人体识别具有更高的识别率。

技术领域

本发明实施例涉及人体识别技术领域，尤其涉及一种人体识别模型及其训练方法、系统、存储介质及设备。

背景技术

人体识别在视频监控、视频/图像搜索、人体跟踪等领域具有广泛的应用。在视频监控中主要的研究为行人重识别，目前最有效的行人重识别算法是基于深度卷积神经网络的识别算法，但是现有技术中的行人重识别的算法只考虑人体直立情况下的人体识别，对于倒立、弯身等人体非直立姿态下的识别效果差，远远不能满足人体搜索、人体跟踪等需求。因此提供一种对人体非直立姿态仍具有高识别效率的人体识别模型是我们急需解决的技术问题。

发明内容

本发明提供一种人体识别模型及其训练方法、系统、存储介质及设备，以使通过该人体识别模型训练方法训练得到的人体识别模型能够对倒立、弯身等非人体直立姿态的人体识别具有更高的识别率。

第一方面，本发明提供了一种人体识别模型的训练方法，该人体识别模型的训练方法包括：

A、从数据库中筛选符合预置站立状态的训练图像作为训练样本图像，将所述训练样本图像的大小调整为预设大小；

B、对调整后的训练样本图像进行翻转处理和旋转处理；

C、从预置旋转范围内随机选取一旋转角度对步骤B得到的图像进行旋转；

D、卷积神经网络对步骤C得到的图像进行相应于步骤B的旋转处理的逆向操作，通过横向取均值的方式获取图像中的人体特征；

E、利用损失函数计算所述人体特征的损失梯度，根据所述损失梯度更新卷积神经网络的参数；

F、重复步骤B～E，直至损失函数收敛，得到基于卷积神经网络的人体识别模型。

第二方面，本发明还提供了一种人体识别模型的训练系统，该人体识别模型的训练系统包括：

样本筛选模块，用于从数据库中筛选符合预置站立状态的训练图像作为训练样本图像，将所述训练样本图像的大小调整为预设大小；

处理模块，用于对调整后的训练样本图像进行翻转处理和旋转处理；

旋转模块，用于从预置旋转范围内随机选取一旋转角度对处理模块得到的图像进行旋转；

逆向操作模块，用于对旋转模块得到的图像进行相应于处理模块的旋转处理的逆向操作；

特征提取模块，用于通过横向取均值的方式获取逆向操作模块得到的图像中的人体特征；

损失计算模块，用于利用损失函数计算所述人体特征的损失梯度；

参数更新模块，用于根据所述损失梯度更新卷积神经网络的参数。

第三方面，本发明还提供了一种人体识别模型，该人体识别模型通过上述一种人体识别模型的训练方法训练得到。

第四方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述一种人体识别模型的训练方法。