[发明专利]行人重识别的方法、装置、终端及存储介质

权利要求书

1.一种行人重识别的方法，其特征在于，包括：

从预先采集的监控视频流中获取目标图像帧序列，所述目标图像帧序列中的目标图像帧中包含待识别行人的图像信息；

利用预先训练完成的特征信息识别模型，对所述待识别行人进行特征识别，得到所述待识别行人的特征信息；

计算所述特征信息属于每类预设标签信息的概率值；

若所述特征信息属于第一类预设标签信息的概率值大于属于第二类预设标签信息的概率值，且所述特征信息属于所述第一类预设标签信息的概率值大于预设的概率阈值，则判定所述第一类预设标签信息为所述特征信息对应的标签信息，所述第二类预设标签信息为除所述第一类预设标签信息之外的任一类预设标签信息；

利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所有所述标签信息进行行人重识别，从所有所述标签信息中确定所述待识别行人的目标标签信息；

基于所述目标标签信息确定所述待识别行人的重识别结果。

2.如权利要求1所述的行人重识别的方法，其特征在于，所述计算所述特征信息属于每类预设标签信息的概率值，包括：

利用预设的概率归一化公式计算所述特征信息属于每类预设标签信息的概率值；所述预设的概率归一化公式为：

其中，表示所述特征信息属于第类预设标签信息的概率值，表示预设标签信息的类别总数，表示所述特征信息属于第类预设标签信息的对数概率值。

3.如权利要求1所述的行人重识别的方法，其特征在于，在所述利用预先训练完成的行人重识别模型分别对所述目标图像帧序列和所述标签信息进行重识别，以完成对所述待识别行人的重识别之前，包括：

采集第一预设数量的训练样本，每个所述训练样本包含待识别行人的图像以及所述待识别行人对应的所有预设标签信息；

利用所述训练样本训练预先建立的机器学习模型，得到训练之后的机器学习模型；

对训练之后的所述机器学习模型进行模型准确性测试；

若对所述训练之后的所述机器学习模型的准确性测试通过，则判定训练之后的所述机器学习模型为所述行人重识别模型；

若对所述训练之后的所述机器学习模型的准确性测试不通过，则增加所述训练样本的数量，并返回执行利用所述训练样本训练预先建立的机器学习模型进行训练，得到所述行人重识别模型。

4.如权利要求3所述的行人重识别的方法，其特征在于，所述利用所述训练样本训练预先建立的机器学习模型，得到训练之后的机器学习模型，包括：

使用所述预先建立的机器学习模型重识别每个所述待识别行人对应的所有预设标签信息，得到每个所述待识别行人属于每类预设标签信息的概率，并确定每个所述待识别行人对应的概率最大的预设标签信息；

分别以每个所述待识别行人对应的所述概率最大的预设标签信息为训练所述机器学习模型的约束条件，迭代所述机器学习模型的预设参数；

若所述机器学习模型对应的损失函数值的变化率趋于稳定，则判定对所述机器学习模型的训练完成，得到所述行人重识别模型。

5.如权利要求3所述的行人重识别的方法，其特征在于，所述预先训练完成的所述行人重识别模型的损失函数为：

其中，

其中， 表示所述训练样本的总数，K表示预设标签信息的类别总数， 表示当前样本属于第类预设标签信息的概率值，为当前样本对应的真实标签信息，为的分布比例，表示当前样本属于相似标签信息的数目，为平衡所述真实标签信息和所述相似标签信息的系数，表示当前样本对应的特征信息属于第类预设标签信息的对数概率值，表示当前样本对应的特征信息属于第k类预设标签信息的对数概率值,，表示输出概率大于预设概率阈值的前n个标签。