[发明专利]一种行人识别模型的训练方法、装置及电子设备

说明书

公开了一种行人识别模型的训练方法、装置及电子设备。该模型训练方法包括：从源域中获取有行人身份标注的第一图片，从待测试的目标域中获取无行人身份标注的第二图片；将第一图片输入卷积神经网络获得第一特征图，并根据第一特征图和第一图片的身份标注计算获得身份损失值；对第一特征图进行部件分割获得第一分割区域预测图并据此计算获得第一分割损失值；将第二图片输入卷积神经网络获得第二特征图，对第二特征图进行部件分割获得第二分割区域预测图并据此计算获得第二分割损失值；根据身份损失值、第一分割损失值及第二分割损失值对行人识别模型进行参数调整，获得训练后的行人识别模型，解决了现有技术中模型跨域识别性能较差的技术问题。

技术领域

本申请涉及软件技术领域，特别涉及一种行人识别模型的训练方法、装置及电子设备。

背景技术

行人再识别的应用场景非常广泛，包括视频监控中的行人检索、智能零售中的多目标跟踪等等。实际应用过程当中，不同场景下采集的视频带有各自域(Domain)的特点，若进行跨域测试，即在源域(Source Domain)进行训练，到目标域(Target Domain)进行测试，现有的行人再识别模型的性能将出现非常的大下降，因为现有的行人再识别模型通常都是采用源域中的样本进行训练，源域中的样本与目标域中的样本可能存在形态特征等的差异，从而导致了其对目标域测试的性能下降，这也体现了现有模型泛化能力的不足，亟需一种新的模型训练方法来提高行人再识别模型的泛化能力。

发明内容

为了解决上述技术问题，提出了本申请。

根据本申请的第一方面，提供了一种行人识别模型的训练方法，所述方法包括：

从源域中获取第一图片，从待测试的目标域中获取第二图片，其中，所述源域中的图片有行人的身份标注，所述目标域中图片无行人的身份标注；

将所述第一图片作为第一训练样本输入行人识别模型中的卷积神经网络获得第一特征图，并根据所述第一特征图和所述第一图片的身份标注计算获得身份损失值；

对所述第一特征图进行部件分割获得第一分割区域预测图，并根据所述第一分割区域预测图计算获得第一分割损失值；

将所述第二图片作为第二训练样本输入所述卷积神经网络获得第二特征图，对所述第二特征图进行部件分割获得第二分割区域预测图，并根据所述第二分割区域预测图计算获得第二分割损失值；

根据所述身份损失值、所述第一分割损失值及所述第二分割损失值对所述行人识别模型进行参数调整，获得训练后的所述行人识别模型。

根据本申请的第二方面，提供了一种行人识别方法，应用于第一方面所述的行人识别模型的训练方法训练获得的行人识别模型，所述识别方法包括：

将查询图片和目标域中的每张测试图片分别输入所述行人识别模型中识别输出所述查询图片的P个特征向量和所述每张测试图片的P个特征向量，其中，所述P个特征向量分别对应被识别图片的P个部件区域；

基于所述查询图片的第p个特征向量和所述每张测试图片的第p个特征向量，计算获得所述查询图片与所述每张测试图片之间的相似度，p∈[1,P]；

基于所述查询图片与所述每张测试图片之间的相似度，获得所述查询图片在所述目标域中的相似图片识别结果；

根据所述识别结果获得所述行人识别结果。

根据本申请的第三方面，提供了一种行人识别模型的训练装置，所述装置包括：

图片获取模块，用于从源域中获取第一图片，从待测试的目标域中获取第二图片，其中，所述源域中的图片有行人的身份标注，所述目标域中图片无行人的身份标注；

识别模块，用于将所述第一图片作为第一训练样本输入行人识别模型中的卷积神经网络获得第一特征图，并根据所述第一特征图和所述第一图片的身份标注计算获得身份损失值；