[发明专利]行人再识别模型训练方法及装置、电子设备和存储介质

权利要求书

1.一种行人再识别模型训练方法，其特征在于，包括：

获取视频中各个追踪序列；其中，所述追踪序列是指视频中同一个用户的所有视频帧中的外接框序列；

根据所述追踪序列选取未标注数据作为数据样本；

对所述数据样本进行特征提取，得到数据样本特征；

确定传导质心投影层；其中，所述确定传导质心投影层包括：计算所述追踪序列中每一帧在深度学习网络的特征空间中的特征向量平均值；确定所述特征向量平均值为质心；将每一帧的特征向量与所述质心进行内积计算，将得到的质心投影确定为所述传导质心投影层；

根据所述数据样本特征，对包括传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。

2.根据权利要求1所述的方法，其特征在于，所述根据所述追踪序列选取未标注数据作为数据样本包括：

计算视频追踪序列中非同一身份用户的追踪序列的概率；

在所述非同一身份用户的追踪序列的概率大于预置的追踪序列概率阈值的条件下，确定出追踪序列数量以及追踪序列选取时间间隔，并确定图像帧选取时间间隔；

根据所述追踪序列数量、所述追踪序列选取时间间隔以及所述图像帧选取时间间隔，从视频帧中选择出所述未标注数据。

3.根据权利要求1或2所述的方法，其特征在于，基于半监督学习模式训练得到所述行人再识别模型，或者，基于无监督学习模式训练得到所述行人再识别模型。

4.根据权利要求3所述的方法，其特征在于，当基于半监督学习模式训练得到所述行人再识别模型时，所述数据样本还包括标注数据；

所述对所述数据样本进行特征提取得到数据样本特征包括：

将所述标注数据以及所述未标注数据进行卷积处理，分别得到标注数据特征和未标注数据特征；其中：所述数据样本特征包括所述标注数据特征和所述未标注数据特征。

5.根据权利要求3所述的方法，其特征在于，当基于无监督学习模式训练得到所述行人再识别模型时，所述对所述数据样本进行特征提取得到数据样本特征包括：

将所述未标注数据进行卷积处理，得到未标注数据特征；其中：所述数据样本特征为所述未标注数据特征。

6.一种行人再识别模型训练装置，其特征在于，包括：

追踪序列获取单元，用于获取视频中各个追踪序列；其中，所述追踪序列是指视频中同一个用户的所有视频帧中的外接框序列；

样本选取单元，用于根据所述追踪序列选取未标注数据作为数据样本；

特征提取单元，用于对所述数据样本进行特征提取，得到数据样本特征；

投影层确定单元，用于确定传导质心投影层；所述投影层确定单元包括：特征向量计算子单元，用于计算所述追踪序列中每一帧在深度学习网络的特征空间中的特征向量平均值；质心确定子单元，用于确定所述特征向量平均值为质心；质心投影子单元，用于将每一帧的特征向量与所述质心进行内积计算，将得到的质心投影确定为所述传导质心投影层；

网络训练单元，用于根据所述数据样本特征，对包括所述传导质心投影层的深度学习网络进行训练，得到行人再识别模型；其中，所述传导质心投影层是根据所述追踪序列确定的特征向量投影层。

7.根据权利要求6所述的装置，其特征在于，所述样本选取单元包括：

计算子单元，用于计算视频追踪序列中非同一身份用户的追踪序列的概率；

确定子单元，用于在所述非同一身份用户的追踪序列的概率大于预置的追踪序列概率阈值的条件下，确定出追踪序列数量以及追踪序列选取时间间隔，并确定图像帧选取时间间隔；

选择子单元，用于根据所述追踪序列数量、所述追踪序列选取时间间隔以及所述图像帧选取时间间隔，从视频帧中选择出所述未标注数据。

8.根据权利要求6或7所述的装置，其特征在于，基于半监督学习模式训练得到所述行人再识别模型，或者，基于无监督学习模式训练得到所述行人再识别模型。