[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

说明书

本发明公开了一种人体目标行人的重识别方法、装置、电子设备和存储介质，所述方法包括：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重识别模型进行优化，得到优化后的重识别模型；通过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。因此，采用本申请实施例，由于引入了数据域无关映射模型，能够通过迁移技术，使得在有标签数据上训练得到的模型，能够应用于无标签数据集上；此外，通过引入全局优化以及局部优化模型，提升了训练对标签噪声的鲁棒性，提升了重识别模型的模型性能。

技术领域

本发明涉及神经网络技术领域，特别涉及一种目标行人的重识别方法、装置、电子设备和存储介质。

背景技术

众所周知，行人再识别技术旨在将需要进行查询的行人图像与图库集进行匹配，并且最近的相关工作已经在存在监督的场景中取得了较好的成果。不过，如果将这种具有监督的重标识模型用于不同的目标领域，那么就会存在着数据标注过于昂贵且性能大幅劣化的问题。为解决这些问题，最近的相关研究均将通过将从标签域学习的知识转移到目标域来实现领域自适应行人重标识作为其研究重点。研究结果显示，经转换后的模型具有较好的泛化能力，无须标注数据即可应用于目标领域。

尽管人们在这一领域已经成果颇丰，但领域自适应行人再识别仍然是一项具有挑战性的任务，因为截至目前其依旧存在几个悬而未决的问题有待探索。首先，以往的工作通常分两个阶段进行知识传递，即首先利用生成式对抗性网络将标记图像传递到目标领域，然后利用传递的图像对再识别模型进行训练。然而，需要注意的是，生成式对抗网络可能很难进行调整。图像生成也具有一定的挑战性，并且对各种因素(如背景、照明等)条件十分敏感。其次，对于未标记目标域的行人ReID模型而言，其可以通过预测标签来进行优化。不过，这一过程需要一种对噪声标签具有良好鲁棒性的优化策略。

现有的一种对目标行人的重识别方法，其原理为：基于对抗学习的降低数据域鸿沟的重识别方法。该方法只限制了无标签数据的映射方法，没有对有标签数据映射进行限制，因而降低数据域鸿沟的效率更低，对距离优化的扰动更大。

在跨数据域知识迁移中，以前方法使用图像生成算法，将标注图像迁移到非标注图像域中，之后利用迁移图像进行模型训练。

上述方法可能存在如下问题：

问题1：效率低下，因为需要先训练生成式对抗网络，之后利用生成式对抗网络生成新的训练图像参与训练。

问题2：模型训练难度高。模型训练会受到生成式对抗网络所生成的图片的质量的影响，因而会受到生成式对抗网络的训练影响。而生成式对抗网络模型一般难以训练得到较好的结果。

问题3：理论上存在缺陷。在图片空间中的迁移，并不能保证特征空间中的迁移，从而无法保证特征判别力的迁移。

发明内容

基于此，有必要针对基于现有的重识别方法中对得到的训练模型的性能不佳，训练过程中对标签噪声的鲁棒性差的问题，提供一种目标行人的重识别的方法、装置、电子设备和存储介质。

第一方面，本申请实施例提供了一种目标行人的重识别方法，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。