一种行人重识别匹配边界阈值设置方法、装置及相关组件制造方法及图纸

本发明专利技术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。本发明专利技术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。的准确性和稳定性。的准确性和稳定性。

【技术实现步骤摘要】
一种行人重识别匹配边界阈值设置方法、装置及相关组件


[0001]本专利技术涉及计算机视觉
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]第一方面，本专利技术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：
[0007]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；
[0008]利用预设的卷积神经网络模型对每一场景中的多张行人数据进行特征提取，得到每一场景中的多个行人特征；
[0009]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，得到对应的多个相似度得分，然后对每一场景中的多个相似度得分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；
[0010]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一目标相似度索引号，然后将与所述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。
[0011]第二方面，本专利技术实施例提供了一种行人重识别匹配边界阈值设置装置，包括：
[0012]采集单元，用于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；
[0013]第一提取单元，用于利用预设的卷积神经网络模型对每一场景中的多张行人数据进行特征提取，得到每一场景中的多个行人特征；
[0014]相似度单元，用于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，得到对应的多个相似度得分，然后对每一场景中的多个相似度得分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；
[0015]第一确定单元，用于针对每一场景，根据预设的负样本错误率以及相似度得分的个数确定一目标相似度索引号，然后将与所述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。
[0016]第三方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的行人重识别匹配边界阈值的设置方法。
[0017]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的行人重识别匹配边界阈值的设置方法。
[0018]本专利技术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，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；利用预设的卷积神经网络模型对每一场景中的多张行人数据进行特征提取，得到每一场景中的多个行人特征；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，得到对应的多个相似度得分，然后对每一场景中的多个相似度得分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一目标相似度索引号，然后将与所述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。本专利技术实施例在无需对样本
进行标注的情况下，仅根据预设的负样本错误率即可确定最终的匹配边界阈值，并且可以有效保证该匹配边界阈值的准确性和稳定性。
附图说明
[0019]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例提供的一种行人重识别匹配边界阈值设置方法的流程示意图；
[0021]图2为本专利技术实施例提供的一种行人重识别匹配边界阈值设置方法中的具体示例图；
[0022]图3为本专利技术实施例提供的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人重识别匹配边界阈值的设置方法，其特征在于，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；利用预设的卷积神经网络模型对每一场景中的多张行人数据进行特征提取，得到每一场景中的多个行人特征；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，得到对应的多个相似度得分，然后对每一场景中的多个相似度得分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一目标相似度索引号，然后将与所述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。2.根据权利要求1所述的行人重识别匹配边界阈值的设置方法，其特征在于，所述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之前，包括：利用包含不同图像类别的图像库对预设的卷积神经网络模型进行预训练，直至所述卷积神经网络模型中的目标函数损失收敛或者所述卷积神经网络模型输出的分类效果符合预期值；3.根据权利要求1所述的行人重识别匹配边界阈值的设置方法，其特征在于，所述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之前，还包括：利用行人重识别数据库中的数据对经过预训练的卷积神经网络模型进行优化更新。4.根据权利要求1所述的行人重识别匹配边界阈值的设置方法，其特征在于，所述利用预设的卷积神经网络模型对每一场景中的多张行人数据进行特征提取，得到每一场景中的多个行人特征，包括：将每一场景中的每一张行人数据输入至所述卷积神经网络模型中；利用所述卷积神经网络模型中的第一卷积层对每一张行人数据进行初步特征提取，得到每一张行人数据的第一特征矩阵；利用第一池化层对所述第一特征矩阵进行池化处理，得到每一张行人数据的第一目标矩阵；将所述第一目标矩阵输入至第二卷积层中，并由所述第二卷积层输出第二特征矩阵；利用第二池化层对所述第二特征矩阵进行池化处理，得到第二目标矩阵；依次利用第一全连接层和第二全连接层对所述第二目标矩阵分类处理，得到每一场景中的每一张行人数据对应的行人特征。5.根据权利要求1所述的行人重识别匹配边界阈值的设置方法，其特征在于，所述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，得到对应的多个相似度得分，然后对每一场景中的多个相似度得分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，包括：对每一场景中的任意两个行人特征之间进行余弦相似度计算，得到对应的相似度得分；通过等差数列求和公式确定每一场景中相似度得分的个数为(N
i
^2
‑
N
i
)/2，其中，i为第i个场景，N
i
第i个场景中行人特征的个数；对(N
i
^2
‑<...

【专利技术属性】
技术研发人员：林丕成，胡海峰，胡伟鹏，宋开银，叶春雨，张文硕，
申请(专利权)人：深研人工智能技术深圳有限公司，
类型：发明
国别省市：