[发明专利]一种融合多个源域的跨域行人重识别方法及系统

说明书

本发明公开了一种融合多个源域的跨域行人重识别方法及系统。该方法包括：在对跨域行人重识别模型进行训练时，获取多组源域数据集，采用一组源域数据集训练一个表示学习网络和度量学习网络的方法对跨域行人重识别模型进行训练，得到训练好的跨域行人重识别模型，在进行行人重识别时，将待识别的行人样本对输入训练好的跨域行人重识别模型中，得到行人重识别结果。采用本发明的方法及系统，在训练过程中融合了多个源域的数据，能够更好的学习到行人的特征表示，相比单一训练模型，能够提高行人重识别准确度，有效的解决了域间差异引起的模型性能下降的问题。

技术领域

本发明涉及行人重识别技术领域，特别是涉及一种融合多个源域的跨域行人重识别方法及系统。

背景技术

行人重识别(Person re-identification)也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。近年来由于深度学习的迅速发展，行人重识别算法性能也有了前所未有的提高。在实现基于深度学习的行人重识别系统时，将单一训练集训练好的模型应用于实际场景时，性能下降非常明显，这是因为当直接将训练好的模型直接用于现实场景中时，往往因为实际场景中的行人和训练数据集存在域间差异，导致模型性能下降。

发明内容

本发明的目的是提供一种融合多个源域的跨域行人重识别方法及系统，能够有效解决域间差异引起的模型性能下降的问题，提高行人重识别准确度。

为实现上述目的，本发明提供了如下方案：

一种行人重识别方法，包括：

获取待识别的行人样本对；所述待识别的行人样本对包括两个待识别的行人样本；

将所述待识别的行人样本对输入训练好的跨域行人重识别模型中，得到行人重识别结果；所述跨域行人重识别模型包括多个表示学习网络和一个度量学习网络，所述表示学习网络采用ResNet-50网络结构，所述度量学习网络采用三层全连接网络结构；

所述跨域行人重识别模型的训练方法，具体包括：

获取多组源域数据集；每组所述源域数据集包括多个待训练的行人样本，每个所述待训练的行人样本对应有行人标签；所述源域数据集的个数与所述表示学习网络的个数相同；

采用一组源域数据集训练一个表示学习网络和度量学习网络的方法对所述跨域行人重识别模型进行训练，得到训练好的跨域行人重识别模型。

可选的，所述将所述待识别的行人样本对输入训练好的跨域行人重识别模型中，得到行人重识别结果，具体包括：

将所述待识别的行人样本对输入训练好的跨域行人重识别模型中，得到多个待识别的行人特征组；每个行人特征组包括两个行人特征；

计算每个待识别的行人特征组的两个行人特征之间的距离，得到多个待识别的行人特征距离；

判断所述待识别的行人特征距离小于预设距离的个数是否超过待识别的行人特征距离总数的一半；若是，则确定所述待识别的行人样本对中的行人样本相同；若否，则确定所述待识别的行人样本对中的行人样本不同。

可选的，所述采用一组源域数据集训练一个表示学习网络和度量学习网络的方法对所述跨域行人重识别模型进行训练，得到训练好的跨域行人重识别模型，具体包括：

选取一组源域数据集和一个表示学习网络；所述源域数据集包括正样本对和负样本对，所述正样本对包括行人相同的两个行人样本，所述负样本对包括行人不同的两个行人样本，且所述负样本对中的一个行人样本与所述正样本对中的一个行人样本相同；

将选取的源域数据集输入选取的表示学习网络中，得到多个第一行人特征；

将多个所述第一行人特征输入所述度量学习网络中，得到多个第二行人特征；