[发明专利]一种行人重识别匹配边界阈值设置方法、装置及相关组件

说明书

本发明提供了一种行人重识别匹配边界阈值设置方法、装置及相关组件，该方法包括：获取多个待设定匹配边界阈值的场景，并对每一场景分别随机采集多张行人数据；利用卷积神经网络模型对每一场景中的行人数据进行特征提取，得到行人特征；对每一场景中的多个行人特征进行两两之间的相似度计算，得到多个相似度得分，然后按照数值大小进行排序，并对排序后的每一相似度得分设置对应的相似度索引号；针对每一场景，根据预设的负样本错误率以及相似度得分的个数确定目标相似度索引号，然后将目标相似度索引号对应的相似度得分作为对应场景的匹配边界阈值。本发明根据负样本错误率确定最终的匹配边界阈值，可以有效保证该匹配边界阈值的准确性和稳定性。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种行人重识别匹配边界阈值设置方法、装置及相关组件。

背景技术

物体分类识别任务，比如行人重识别、车辆重识别、人脸识别、物体分类等，一直是计算机视觉热点研究问题之一。当前对于物体分类识别任务研究，常常致力于训练数据、模型结构、目标函数研究。为了提高分类任务性能，可以采用更加丰富、质量更高的训练数据，并且海量高质量数据可以快速提高模型性能。此外，还可以挖掘、设计更有效的网络结构以提高分类任务性能。另外，采用更有效的目标函数训练模型，也能进一步提高模型性能，比如softmax、center loss(中心损失)等模型，采用不同的目标函数训练可以得到不同的网络性能。当前主要从这三方面(即训练数据、网络结构、目标函数)进行了大量研究，极大的提高分类任务性能。但是，对于一个物体分类应用，除了从以上三方面的改进以提升性能以外，阈值的选择和设置对物体分类系统的性能影响非常大。而当前对于阈值设置往往是根据经验设置，而且设置的阈值会受到应用环境的影响，当应用环境改变时，比如光照条件、天气变化、摄像头参数改变时，阈值需要不断地进行相应的调整，但是每次调整都需要大量人力物力和经验，在生产过程中带来极大麻烦和不便。

对于分类任务，特别是行人重识别任务，在现实场景应用过程中，需要跨越多个摄像头进行行人分析识别，判断不同摄像头的行人是否是同一个人。行人重识别任务包括两种，一种是识别任务，即对于一个行人probe(查询)，需要在gallery(行人全身图数据库)中找到对应的行人。如果probe是陌生人，也就是gallery中不包含probe这个身份，这时不需要返回行人结果。另一个是验证任务，即对于两个不同摄像头的行人，判断这两个跨摄像头的行人是相同行人(正样本对)还是不同行人(负样本对)。对于识别和验证这两个不同任务，在现实场景应用中，均需要结合阈值做判断。对于识别任务，probe对gallery进行匹配，找到rank-1(排序为1)对应的行人，但这时还不能判定该gallery中的rank-1行人与probe是同一个身份，因为probe很可能是陌生人，其身份ID不在gallery中。此时便要结合阈值边界值进行判断，如果相似度得分大于阈值，则判定为同一个人；如果相似度得分小于阈值，则判定为陌生人。因此阈值的设置在行人重识别应用中是非常重要的。阈值设置过大，会导致检出率过低，即系统模型容易把正样本判定为负样本，或者probe经常被误判为陌生人。阈值设置过小，会导致误检出率过大，即系统模型容易把负样本判定为正样本，或者probe中的陌生人经常被误判。

目前，对于阈值，通常依靠人工经验设置，且设置的阈值往往不是最优的。随着环境条件变化，比如光照条件、天气条件、摄像头参数等，设置的阈值随着环境条件变化而不再适用，从而导致现实场景应用效果变差，这时又要大量的人力物力投入到阈值的研究和设置。不能便捷智能的调节分类任务的阈值，经常需要阈值的维护和修订，导致生产过程成本过高。

发明内容

本发明实施例提供了一种行人重识别匹配边界阈值设置方法、装置、计算机设备及存储介质，旨在提供一种准确、稳定的阈值设置方法。

第一方面，本发明实施例提供了一种行人重识别匹配边界阈值设置方法，包括：

获取多个待设定匹配边界阈值的场景，并对每一场景分别随机采集多张行人数据；