[发明专利]一种目标行人的重识别方法、装置、电子设备和存储介质

权利要求书

1.一种目标行人的重识别方法，其特征在于，所述方法包括：

获取能够对标注数据集中的各个第一图像进行重识别的重识别模型；

通过数据域无关映射模型，将标注数据集中的各个第一图像和无标注数据集中的各个第二图像均映射到共享特征空间中；

通过全局优化以及局部优化模型对所述重识别模型进行优化，得到优化后的重识别模型；

通过所述优化后的重识别模型的分类器，对无标注数据集中的各个第二图像进行重识别，并判断视频库中是否包括目标行人的目标视频；若所述视频库中包括所述目标行人的所述目标视频时，则提醒用户查看所述目标视频。

2.根据权利要求1所述的方法，其特征在于，所述通过数据域无关映射模型，将标注数据集中的各个第一图像和无标注数据集中的各个第二图像均映射到共享特征空间中包括：

训练第一模型；

训练第二模型；

交互训练所述第一模型和所述第二模型，所述第一模型为对鉴别器网络进行训练的模型，所述鉴别器网络用于识别图像来源，所述第二模型为用于对所述鉴别器网络混淆的模型，直至训练判别器对训练特征提取器提取的特征输出为预设领域识别分数值时，将标注数据集中的各个第一图像和无标注数据集中的各个第二图像均映射到共享特征空间中。

3.根据权利要求2所述的方法，其特征在于，所述训练第一模型包括：

获取用于训练所述第一模型的第一训练数据集；

将所述第一训练数据集分为第一源数据集和第一目标数据集；

分别提取所述第一源数据集的第一特征集和所述第一目标数据集的第二特征集；

将所述第一特征集和所述第二特征集输入预先配置的第一训练公式中进行训练，输出能够用于识别图像来源的各个领域识别分数。

4.根据权利要求1所述的方法，其特征在于，在所述通过数据域无关映射模型，将标注数据集中的各个第一图像和无标注数据集中的各个第二图像均映射到共享特征空间中之前，所述方法还包括：

获取所述标注数据集和所述无标注数据集；

提取所述标注数据集的第三特征集和所述无标注数据集的第四特征集；

将所述第三特征集和所述第四特征集输入至所述训练判别器，输出判别值；若所述判别值为1，则训练的数据为所述标注数据集中的数据；若所述判别值为0，则训练的数据为所述无标注数据集中的数据。

5.根据权利要求3所述的方法，其特征在于，所述训练第二模型包括：

获取各个领域识别分数；

从各个领域识别分数中选取符合混淆条件的所述预设领域识别分数值；

提取所述预设领域识别分数值对应的预设特征；

根据预先配置的第二训练公式，对所述预设特征进行训练，得到第二模型。

6.根据权利要求1所述的方法，其特征在于，所述通过全局优化以及局部优化模型对所述重识别模型进行优化包括：

对所述无标注数据集进行预处理，得到所述无标注数据集的正样本和负样本；

根据预设的特征缓存方式和锚点特征在所述无标注数据集对应的正负样本，确定所述锚点特征的更新方向；

基于所述更新方向，对所述重识别模型进行全局优化；

在训练批中，将各个图像均作为负样本，拉远各个负样本之间的距离，对所述重识别模型进行局部优化。

7.根据权利要求6所述的方法，其特征在于，所述对所述无标注数据集进行预处理，得到所述无标注数据集的正样本和负样本包括：

通过DBSCAN聚类模型，对所述无标注数据集的特征进行聚类，得到聚类结果；

根据聚类结果，将聚到同一类的样本数据作为待选正样本；

根据预设的距离阈值，从所述待选正样本中过滤距离大于所述距离阈值的样本，得到所述无标注数据集的所述正样本；

在训练批中，将各个图像均作为所述无标注数据集的所述负样本。