[发明专利]行人身份再识别方法及存储介质

权利要求书

1.一种行人身份再识别方法，其特征在于，包括：

对图像识别神经网络模型进行调整；

检测调整后的图像识别神经网络模型的识别准确度；

根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；

若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；

若否，则转向所述对图像识别神经网络模型进行调整。

2.根据权利要求1所述的方法，其特征在于，所述对图像识别神经网络模型进行调整，包括：

获取图像识别神经网络模型的整体损失；

利用所述整体损失更新所述图像识别神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述获取图像识别神经网络模型的整体损失，包括：

获取已标记源域上的最小化交叉熵损失；

通过自适应分类模型获取最小化分类局部损失；

通过时间引导的聚类模型获取多标签分类全局损失；

对所述最小化交叉熵损失进行加权求和，以得到的和作为所述图像识别神经网络模型的整体损失。

4.根据权利要求3所述的方法，其特征在于，所述获取已标记源域上的最小化交叉熵损失，包括：

计算所述已标记源域中的各图像属于各类别的概率；

对各所述概率进行取对数操作，得到取对数后的值；

计算各所述取对数后的值的平均值；

对所述平均值进行取负数操作，得到所述已标记源域上的最小化交叉熵损失。

5.根据权利要求3所述的方法，其特征在于，所述通过自适应分类模型获取最小化分类局部损失，包括：

从未标记目标域中抽取若干样本图像；

通过自适应分类模型给各所述样本图像分配不同的行人身份标签；

生成分类器，利用所述分类器对分配行人身份标签后的样本图像进行分类；

计算分类后的样本图像所对应的分类分数；

比较所述分类分数与one-hot标签，计算各所述样本图像所对应的损失；

计算各所述样本图像所对应的损失的平均值，得到最小化分类局部损失。

6.根据权利要求5所述的方法，其特征在于，所述生成分类器，包括：

针对每一所述样本图像进行增强，生成对应的若干个增强图像；

计算每一所述样本图像及其对应的增强图像的平均特征；

利用所述平均特征构成张量，得到分类器。

7.根据权利要求3所述的方法，其特征在于，所述通过时间引导的聚类模型获取多标签分类全局损失，包括：

通过时间引导的聚类模型对未标记目标域的图像进行多标签分类，得到多标签分类后的图像；

计算各所述多标签分类后的图像的分类分数；

比较所述分类分数与预测标签，计算各所述多标签分类后的图像所对应的多标签分类损失；

计算各所述多标签分类损失的平均值，得到多标签分类全局损失。

8.根据权利要求3所述的方法，其特征在于，所述检测调整后的图像识别神经网络模型的识别准确度，包括：

针对若干图像对，利用所述调整后的图像识别神经网络模型计算每一图像对的两图像之间的相似性；

根据所述一致性判断所述图像对的两图像是否为同一人的图像；

根据对所有图像对进行判断的结果，计算识别准确度。

9.根据权利要求8所述的方法，其特征在于，所述计算每一图像对的两图像之间的相似性，包括：

计算所述两图像之间的视觉相似性；

计算所述两图像之间的时间一致性；

基于所述视觉相似性和所述时间一致性，计算联合相似函数值，得到所述两图像之间的相似性。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-9中任一所述的行人身份再识别方法。