CN110472499B - 一种行人重识别的方法及装置 - Google Patents
一种行人重识别的方法及装置 Download PDFInfo
- Publication number
- CN110472499B CN110472499B CN201910616632.3A CN201910616632A CN110472499B CN 110472499 B CN110472499 B CN 110472499B CN 201910616632 A CN201910616632 A CN 201910616632A CN 110472499 B CN110472499 B CN 110472499B
- Authority
- CN
- China
- Prior art keywords
- threshold
- model
- similarity score
- sample
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 76
- 238000006243 chemical reaction Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种行人重识别的方法及装置，涉及数据处理技术领域，为解决现有技术中服务方更换识别模型时增加业务方工作量的问题。该方法主要包括：根据预置识别模型，建立阈值映射关系表；获取待测样本，所述待测样本中包含需要识别的两张图像；根据预置识别规则，从所述预置识别模型中选取目标识别模型；根据所述目标识别模型，计算待测样本的模型相似度分数；根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。本发明主要应用于行人重识别的过程中。
Description
技术领域
本发明涉及一种数据处理技术领域，特别是涉及一种行人重识别的方法及装置。
背景技术
行人重识别就是指判断图像或者视频序列中是否存在特定行人的技术。现有技术中，通过识别模型计算图像或视频序列的待识别特征向量，然后根据待识别特征向量与特定行人的特征向量的相似性进行行人重识别。
在行人重识别(re-id)***中，通常包括行人重识别的后端服务***(简称服务方)，以及调用服务方实现行人重识别的前端业务***(简称业务方)。在应用行人重识别***时，业务方给服务方发送两张包含行人的图像，服务方向业务方返回一个相似度分数，业务方根据业务方自身设定的阈值判断这两张图像的行人是否为同一人。举例来说，假如服务方使用识别模型A时，相似度分数的取值范围是[0,1]，在业务方设定阈值为0.5时，能够使得负样本错误率达到0.01％，然而服务方将识别模型更换为模型B之后，相似度分数的取值范围变成了[10,20]，在业务方设定阈值为14时才能使得负样本错误率达到0.01％，此时，如果业务方继续设定阈值为0.5，那么所有的样本的相似度分数都会大于0.5，于是会造成100％负样本错误率。
使用不同的识别模型比对同样两张行人图像得到的相似度分数是不同的，其相似度分数的取值范围也不相同。如果为了保证相同的比对结果准确度，每次修改模型都需要业务方根据修改后的模型重新设置阈值，增加了业务方的工作量。
发明内容
有鉴于此，本发明提供一种行人重识别的方法及装置，主要目的在于解决现有技术中在服务方更换识别模型时增加业务方工作量的问题。
依据本发明一个方面，提供了一种行人重识别的方法，包括：
根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取待测样本，所述待测样本中包含需要识别的两张图像；
根据预置识别规则，从所述预置识别模型中选取目标识别模型；
根据所述目标识别模型，计算待测样本的模型相似度分数；
根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；
根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
依据本发明另一个方面，提供了一种行人重识别的装置，包括：
建立模块，用于根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取模块，用于获取待测样本，所述待测样本中包含需要识别的两张图像；
选取模块，用于根据预置识别规则，从所述预置识别模型中选取目标识别模型；
计算模块，用于根据所述目标识别模型，计算待测样本的模型相似度分数；
转换模块，用于根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；
判断模块，用于根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述行人重识别的方法对应的操作。
根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述行人重识别的方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种行人重识别的方法及装置，首先根据预置识别模型建立阈值映射关系表，然后获取待测样本，再根据预置识别规则从预置识别模型中选取目标识别模型，再根据目标识别模型计算待测样本的模型相似度分数，再根据阈值关系转换公式和阈值映射关系表，将模型相似度分数转换为标准相似度分数，最后根据标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。与现有技术相比，本发明实施例通过阈值映射关系表，将模型相似度分数转换为标准相似度分数，使得相同的标准相似度分数对应的负样本错误率/正样本通过率相同，业务方不需要依据服务方更新识别模型而更改阈值也能够达到相同的识别准确率，实现服务方更新识别模型同时不增加业务方工作量。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种行人重识别的方法流程图；
图2示出了本发明实施例提供的另一种行人重识别的方法流程图；
图3示出了本发明实施例提供的一种行人重识别的装置组成框图；
图4示出了本发明实施例提供的另一种行人重识别的装置组成框图；
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在行人重识别(re-id)***中，通常包括行人重识别的后端服务***(简称服务方)，以及调用服务方实现行人重识别的前端业务***(简称业务方)。在应用行人重识别***时，业务方给服务方发送两张包含行人的图像，服务方向业务方返回一个相似度分数，业务方根据业务方自身设定的阈值判断这两张图像的行人是否为同一人。本发明实施例提供了一种行人重识别的方法，如图1所示，应用于服务端，该方法包括：
101、根据预置识别模型，建立阈值映射关系表。
预置识别模型的数量至少为1种，阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率。其中，标准阈值和负样本错误率/正样本通过率都是一列数据，标准阈值的取值范围可以为[0～1]，在取值范围内选取多个数值共同构成标准阈值集合，将标准阈值集合中的数据按照按照从小到大的顺序排列。为标准阈值集合中的每个数值配置负样本错误率/正样本通过率。阈值映射关系表中的实际阈值的列数与预置识别模型中的数量相同，实际阈值中每一行的数值是使用预置识别模型计算样本库中每个样本的相似度分数，能够达到负样本错误率/正样本通过率的实际阈值。样本库是指测试预置识别模型精度时，使用的包含m个正样本和n个负样本的测试集，每个正样本包含两张属于同一人的行人图像，每个负样本包含两张不属于同一人的行人图像。
示例性的，以负样本错误率为基准的阈值映射关系表，预置识别模型中包括模型A和模型B，假设测试集S包括m个正样本和n个负样本，建立的阈值映射关系表为：
| 标准阈值 | 负样本错误率 | 实际阈值(模型A) | 实际阈值(模型B) |
| 0 | 100％ | tA0 | tB0 |
| 0.2 | 10％ | tA1 | tB1 |
| 0.3 | 1％ | tA2 | tB2 |
| 0.4 | 0.1％ | tA3 | tB3 |
| 0.5 | 0.01％ | tA4 | tB4 |
| 0.6 | 0.001％ | tA5 | tB5 |
| 0.7 | 0.0001％ | tA6 | tB6 |
| 0.8 | 0.00001％ | tA7 | tB7 |
| 1 | 0 | tA8 | tB8 |
以求取tA2为例，模型A对S中的每个样本计算得到一个相似度分数，如果设定阈值t，统计得到大于t的正样本数m0和负样本数n0，计算当n0与n的比值近似等于1％的值tA2。由于S中的负样本数量有限，所以在计算比值时往往不能得到正好等于1％，所以取近似等于1％的数值。用类似的方式求取所需的实际阈值tA0～tA8，以及模型B对应的实际阈值tB0～tB8。
102、获取待测样本。
服务方接收业务方上传的待测样本，待测样本中包含需要识别的两张图像。
103、根据预置识别规则，从所述预置识别模型中选取目标识别模型。
预置识别规则可以是根据业务方上传的识别场景选取对应的目标识别模型，也可以根据待测样本选取目标识别模型。识别场景可能是识别罪犯、识别走失老人、识别走失儿童等等，针对不同的识别场景，如果识别罪犯，考虑到罪犯在逃跑过程中可能会进行改变穿着、增加配饰等伪装，所以目标识别模型需要以体态、人脸等不易改变的特征作为主识别依据，以减少遗漏的可能性；如果识别走失老人，考虑到老人在走失过程中，变换服装配饰的可能性较小，所以目标识别模型以服装颜色做筛选、再对筛选出的图像用体态、人脸等特征做筛查，以保证筛查速度。由于待测样本的可能是证件照、生活照、或视频截图，那么待样本中的两张图像可能是两种不同类型的照片，那么在两张图像中能够提取的行人特征是不同的，所以只能以两张图像都能提取到的共同的行人特征作为识别依据。
在选取目标识别模型之前，在服务方设置识别场景与预置识别模型的映射关系表，或者识别依据与预置识别模型的映射关系表。然后根据业务方上传的识别场景或待测样本的识别依据，选取目标识别模型。
104、根据所述目标识别模型，计算待测样本的模型相似度分数。
待测样本的模型相似度分数是指计算待测样本中的两种图像的相似度。在计算相似度分数时，根据目标识别模型进行计算，在目标识别模型中可采用直方图匹配、矩阵分解或基于特征点的方法比较待测样本中的图像。
105、根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数。
阈值关系转换公式，用于将模型相似度分数转换为标准相似度分数，其依据为阈值映射关系表。在计算过程中，首先确定阈值映射关系表中目标识别模型对应的实际阈值，然后确定相似度分数所处的实际阈值范围，实际阈值范围也就是阈值映射关系表中的实际阈值中与模型相似度分数最接近的2个数据，再查找与实际阈值范围对应的标准阈值范围，与实际阈值范围类似，标准阈值范围是相邻的2个数值，最后根据标准阈值范围、实际阈值范围和模型相似度分数，按照阈值关系转换公式计算标准相似度分数。
106、根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
业务方接收到标准相似度分数后，如果标准相似度分数大于用户的设定阈值，则判断待测样本中的两张图像为同一行人图像；如果标准相似度分数不大于用户的设定阈值，则判断待测样本中的两张图像不为同一行人图像。设定阈值相当于阈值映射关系表中的标准阈值，当设定阈值不变时，即使服务方使用的目标识别模型不同，待测样本的判断结果的负样本错误率/正样本通过率也保持不变。
本发明提供了一种行人重识别的方法，首先根据预置识别模型建立阈值映射关系表，然后获取待测样本，再根据预置识别规则从预置识别模型中选取目标识别模型，再根据目标识别模型计算待测样本的模型相似度分数，再根据阈值关系转换公式和阈值映射关系表，将模型相似度分数转换为标准相似度分数，最后根据标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。与现有技术相比，本发明实施例通过阈值映射关系表，将模型相似度分数转换为标准相似度分数，使得相同的标准相似度分数对应的负样本错误率/正样本通过率相同，业务方不需要依据服务方更新识别模型而更改阈值也能够达到相同的识别准确率，实现服务方更新识别模型同时不增加业务方工作量。
本发明实施例提供了另一种行人重识别的方法，如图2所示，该方法包括：
201、根据所述识别场景，将预置全样本划分为至少一个子样本，所述子样本与所述识别场景一一对应。
识别场景包括识别罪犯、识别走失老人、识别走失儿童等等，针对不同的识别场景，将预置全样本划分为与识别场景对应的子样本，比如逃犯和走失老人属于不同的子样本。
202、根据所述子样本，训练与所述子样本对应的识别场景相同的预置识别模型。
查找子样本对应的识别场景，并根据识别场景查找对应的预置识别模型，将不同的预置识别模型，采用与识别场景对应的子样本进行训练。示例性的，用逃犯子样本训练模型A，那么模型A将更有利于区分不同的逃犯，实现模型A与识别逃犯的识别场景实现真正的对应关系，同样的走失老人子样本训练模型B，那么模型B将更有利于区分不同的老人。在训练过程中，模型A和模型B都可以在较小的计算成本上做到实时性训练，使得训练的实时性和计算成本之间达到平衡。
203、根据预置识别模型，建立阈值映射关系表。
预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率。具体的建立过程包括：在预置值域内根据预置步长计算所述标准阈值；配置与所述标准阈值对应的负样本错误率/正样本通过率；根据预置样本库，计算所述预置识别模型达到所述负样本错误率/所述正样本通过率对应的实际阈值；根据所述标准阈值，所述实际阈值和所述负样本错误率/所述正样本通过率，生成所述阈值映射关系表。
预置值域的取值范围可以为[0～1]，预置步长可选取0.1，在预置值域内按照预置步长选取多个数值共同构成标准阈值集合，将标准阈值集合中的数据按照按照从小到大的顺序排列。示例性的，以正样本通过率为基准的阈值映射关系表，预置识别模型中包括模型A和模型B，假设测试集S包括m个正样本和n个负样本，建立的阈值映射关系表为：
| 标准阈值 | 正样本通过率 | 实际阈值(模型A) | 实际阈值(模型B) |
| 0 | 100％ | tA0 | tB0 |
| 0.1 | 90％ | tA1 | tB1 |
| 0.2 | 80％ | tA2 | tB2 |
| 0.3 | 70％ | tA3 | tB3 |
| 0.4 | 60％ | tA4 | tB4 |
| 0.5 | 50％ | tA5 | tB5 |
| 0.6 | 40％ | tA6 | tB6 |
| 0.7 | 30％ | tA7 | tB7 |
| 0.8 | 20％ | tA8 | tB8 |
| 0.9 | 10％ | tA9 | tB9 |
| 1 | 0 | tA10 | tB10 |
以求取tA2为例，模型A对S中的每个样本计算得到一个相似度分数，如果设定阈值t，统计得到大于t的正样本数m0和负样本数n0，计算当m0与m的比值近似等于80％的值tA2。由于S中的负样本数量有限，所以在计算比值时往往不能得到正好等于80％，所以取近似等于80％的数值。用类似的方式求取所需的实际阈值tA0～tA8，以及模型B对应的实际阈值tB0～tB8。
在建立阈值映射关系表之前，还需要判断业务方是否曾使用某一识别模型进行行人重识别，如果判断结果为是则以最近一次使用的识别模型的实际阈值作为预置映射关系表中的标准阈值，以使得业务方用户不需要根据新的识别模型重新设定阈值，以最大程度的减少业务方用户的工作量。如果判断结果为否，则以方便计算为目的设置阈值映射关系表中的标准阈值。
考虑到行人重识别模型在使用过程中是不断改进的，而且也可能发明新的识别模型，所以在建立阈值映射关系表之后，可能在服务方使用改进的识别模型或新的识别模型。针对该情况，在服务方设置预置识别模型的更新渠道，如果接收到所述预置识别模型的更新指令，则根据预置样本库，计算所述更新指令对应的更新识别模型达到所述负样本错误率/所述正样本通过率对应的更新实际阈值；将所述更新实际阈值保存至所述阈值映射关系表。
在更新阈值映射关系表时，还可以删除弃用的识别模型对应的实际阈值，如果所有正在使用的业务方是否全部弃用该识别模型再删除该弃用模型对应的实际阈值。
204、获取待测样本。
服务方接收业务方上传的待测样本，待测样本中包含需要识别的两张图像。
205、根据预置识别规则，从所述预置识别模型中选取目标识别模型。
预置识别规则可以是根据业务方上传的识别场景选取对应的目标识别模型，也可以根据待测样本选取目标识别模型。对于根据识别场景选取目标识别模型，具体包括：获取所述预置识别模型与识别场景的场景适用对照表；在所述场景适用对照表中，查找与预选识别场景对应的目标识别模型。预选识别场景可以由业务方上传，也可以根据待测样本的样本特征选取。
206、根据所述目标识别模型，计算待测样本的模型相似度分数。
欧式距离和余弦相似度都是向量距离的度量方法，欧式距离既要考虑向量的方向又要考虑向量的长度，而余弦相似度只考虑方向，采用余弦相似度的计算量小，所以本发明的模型相似度分数是待测样本中的两张图像之间的余弦相似度。
207、根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数。
标准相似度分数的转换方法具体包括：在所述阈值映射关系表中，查找所述目标识别模型所对应的实际阈值；提取所述模型相似度分数在所述目标识别模型所对应的实际阈值中所属的实际阈值范围；提取所述实际阈值范围对应的标准阈值范围；根据所述阈值关系转换公式、所述标准阈值范围和所述实际阈值范围，计算所述模型相似度分数对应的标准相似度分数，所述阈值关系转换公式为其中s'为所述标准相似度分数，s为所述模型相似度分数，t-为所述模型相似度分数所属的实际阈值范围中的下边界，t+为所述模型相似度分数所属的实际阈值范围中的上边界，s-为与t-对应的标准阈值范围中的下边界，s+为与t+对应的标准阈值范围中的上边界。
示例性的，假设模型相似度分数s的实际阈值范围是tA3～tA4，对应的标准阈值范围0.3～0.4，标准阈值范围把s代入公式，计算与模型相似度分数对应的标准相似度分数。
208、根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
业务方接收到标准相似度分数后，如果标准相似度分数大于用户的设定阈值，则判断待测样本中的两张图像为同一行人图像；如果标准相似度分数不大于用户的设定阈值，则判断待测样本中的两张图像不为同一行人图像。设定阈值相当于阈值映射关系表中的标准阈值，当设定阈值不变时，即使服务方使用的目标识别模型不同，待测样本的判断结果的负样本错误率/正样本通过率也保持不变。
本发明提供了一种行人重识别的方法，首先根据预置识别模型建立阈值映射关系表，然后获取待测样本，再根据预置识别规则从预置识别模型中选取目标识别模型，再根据目标识别模型计算待测样本的模型相似度分数，再根据阈值关系转换公式和阈值映射关系表，将模型相似度分数转换为标准相似度分数，最后根据标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。与现有技术相比，本发明实施例通过阈值映射关系表，将模型相似度分数转换为标准相似度分数，使得相同的标准相似度分数对应的负样本错误率/正样本通过率相同，业务方不需要依据服务方更新识别模型而更改阈值也能够达到相同的识别准确率，实现服务方更新识别模型同时不增加业务方工作量。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种行人重识别的装置，如图3所示，该装置包括：
建立模块31，用于根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取模块32，用于获取待测样本，所述待测样本中包含需要识别的两张图像；
选取模块33，用于根据预置识别规则，从所述预置识别模型中选取目标识别模型；
计算模块34，用于根据所述目标识别模型，计算待测样本的模型相似度分数；
转换模块35，用于根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；
判断模块36，用于根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
本发明提供了一种行人重识别的装置，首先根据预置识别模型建立阈值映射关系表，然后获取待测样本，再根据预置识别规则从预置识别模型中选取目标识别模型，再根据目标识别模型计算待测样本的模型相似度分数，再根据阈值关系转换公式和阈值映射关系表，将模型相似度分数转换为标准相似度分数，最后根据标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。与现有技术相比，本发明实施例通过阈值映射关系表，将模型相似度分数转换为标准相似度分数，使得相同的标准相似度分数对应的负样本错误率/正样本通过率相同，业务方不需要依据服务方更新识别模型而更改阈值也能够达到相同的识别准确率，实现服务方更新识别模型同时不增加业务方工作量。
进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种行人重识别的装置，如图4所示，该装置包括：
建立模块41，用于根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取模块42，用于获取待测样本，所述待测样本中包含需要识别的两张图像；
选取模块43，用于根据预置识别规则，从所述预置识别模型中选取目标识别模型；
计算模块44，用于根据所述目标识别模型，计算待测样本的模型相似度分数；
转换模块45，用于根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；
判断模块46，用于根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
进一步地，所述建立模块41，包括：
第一计算单元411，用于在预置值域内根据预置步长计算所述标准阈值；
配置单元412，用于配置与所述标准阈值对应的负样本错误率/正样本通过率；
第二计算单元413，还用于根据预置样本库，计算所述预置识别模型达到所述负样本错误率/所述正样本通过率对应的实际阈值；
生成单元414，用于根据所述标准阈值，所述实际阈值和所述负样本错误率/所述正样本通过率，生成所述阈值映射关系表。
进一步地，所述选取模块43，包括：
获取单元431，用于获取所述预置识别模型与识别场景的场景适用对照表；
查找单元432，用于在所述场景适用对照表中，查找与预选识别场景对应的目标识别模型。
进一步地，所述方法还包括：
划分模块47，用于所述根据预置识别模型，建立阈值映射关系表之前根据所述识别场景，将预置全样本划分为至少一个子样本，所述子样本与所述识别场景一一对应；
训练模块48，用于根据所述子样本，训练与所述子样本对应的识别场景相同的预置识别模型。
进一步地，所述转换模块45，包括：
查找单元451，用于在所述阈值映射关系表中，查找所述目标识别模型所对应的实际阈值；
提取单元452，用于提取所述模型相似度分数在所述目标识别模型所对应的实际阈值中所属的实际阈值范围；
所述提取单元452，还用于提取所述实际阈值范围对应的标准阈值范围；
计算单元453，用于根据所述阈值关系转换公式、所述标准阈值范围和所述实际阈值范围，计算所述模型相似度分数对应的标准相似度分数，所述阈值关系转换公式为其中s'为所述标准相似度分数，s为所述模型相似度分数，t-为所述模型相似度分数所属的实际阈值范围中的下边界，t+为所述模型相似度分数所属的实际阈值范围中的上边界，s-为与t-对应的标准阈值范围中的下边界，s+为与t+对应的标准阈值范围中的上边界。
进一步地，所述方法还包括：
更新模块49，用于所述根据预置识别模型，建立阈值映射关系表之后，如果接收到所述预置识别模型的更新指令，则根据预置样本库，计算所述更新指令对应的更新识别模型达到所述负样本错误率/所述正样本通过率对应的更新实际阈值；
保存模块410，用于将所述更新实际阈值保存至所述阈值映射关系表。
进一步地，所述模型相似度分数是所述待测样本中两张图像之间的余弦相似度。
本发明提供了一种行人重识别的装置，首先根据预置识别模型建立阈值映射关系表，然后获取待测样本，再根据预置识别规则从预置识别模型中选取目标识别模型，再根据目标识别模型计算待测样本的模型相似度分数，再根据阈值关系转换公式和阈值映射关系表，将模型相似度分数转换为标准相似度分数，最后根据标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。与现有技术相比，本发明实施例通过阈值映射关系表，将模型相似度分数转换为标准相似度分数，使得相同的标准相似度分数对应的负样本错误率/正样本通过率相同，业务方不需要依据服务方更新识别模型而更改阈值也能够达到相同的识别准确率，实现服务方更新识别模型同时不增加业务方工作量。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的行人重识别的方法。
图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示，该计算机设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述行人重识别的方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取待测样本，所述待测样本中包含需要识别的两张图像；
根据预置识别规则，从所述预置识别模型中选取目标识别模型；
根据所述目标识别模型，计算待测样本的模型相似度分数；
根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；
根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (9)
1.一种行人重识别的方法，其特征在于，包括：
根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取待测样本，所述待测样本中包含需要识别的两张图像；
根据预置识别规则，从所述预置识别模型中选取目标识别模型；
根据所述目标识别模型，计算待测样本的模型相似度分数；
在所述阈值映射关系表中，查找所述目标识别模型所对应的实际阈值；
提取所述模型相似度分数在所述目标识别模型所对应的实际阈值中所属的实际阈值范围；
提取所述实际阈值范围对应的标准阈值范围；
根据阈值关系转换公式、所述标准阈值范围和所述实际阈值范围，计算所述模型相似度分数对应的标准相似度分数，所述阈值关系转换公式为，其中/>为所述标准相似度分数，/>为所述模型相似度分数，/>为所述模型相似度分数所属的实际阈值范围中的下边界，/>为所述模型相似度分数所属的实际阈值范围中的上边界，/>为与/>对应的标准阈值范围中的下边界，/>为与/>对应的标准阈值范围中的上边界；
根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像。
2.如权利要求1所述的方法，其特征在于，所述根据预置识别模型，建立阈值映射关系表，包括：
在预置值域内根据预置步长计算所述标准阈值；
配置与所述标准阈值对应的负样本错误率/正样本通过率；
根据预置样本库，计算所述预置识别模型达到所述负样本错误率/所述正样本通过率对应的实际阈值；
根据所述标准阈值，所述实际阈值和所述负样本错误率/所述正样本通过率，生成所述阈值映射关系表。
3.如权利要求1所述的方法，其特征在于，所述根据预置识别规则，从所述预置识别模型中选取目标识别模型，包括：
获取所述预置识别模型与识别场景的场景适用对照表；
在所述场景适用对照表中，查找与预选识别场景对应的目标识别模型。
4.如权利要求3所述的方法，其特征在于，所述根据预置识别模型，建立阈值映射关系表之前，所述方法还包括：
根据所述识别场景，将预置全样本划分为至少一个子样本，所述子样本与所述识别场景一一对应；
根据所述子样本，训练与所述子样本对应的识别场景相同的预置识别模型。
5.如权利要求2所述的方法，其特征在于，所述根据预置识别模型，建立阈值映射关系表之后，所述方法还包括：
如果接收到所述预置识别模型的更新指令，则根据预置样本库，计算所述更新指令对应的更新识别模型达到所述负样本错误率/所述正样本通过率对应的更新实际阈值；
将所述更新实际阈值保存至所述阈值映射关系表。
6.如权利要求1-5任一项所述的方法，其特征在于，所述模型相似度分数是所述待测样本中两张图像之间的余弦相似度。
7.一种行人重识别的装置，其特征在于，包括：
建立模块，用于根据预置识别模型，建立阈值映射关系表，所述预置识别模型的数量至少为1种，所述阈值映射关系表中包括标准阈值、实际阈值和负样本错误率/正样本通过率；
获取模块，用于获取待测样本，所述待测样本中包含需要识别的两张图像；
选取模块，用于根据预置识别规则，从所述预置识别模型中选取目标识别模型；
计算模块，用于根据所述目标识别模型，计算待测样本的模型相似度分数；
转换模块，用于根据阈值关系转换公式和所述阈值映射关系表，将所述模型相似度分数转换为标准相似度分数；
判断模块，用于根据所述标准相似度分数判断所述待测样本中的两张图像是否为同一行人图像；
所述转换模块，包括：
查找单元，用于在所述阈值映射关系表中，查找所述目标识别模型所对应的实际阈值；
提取单元，用于提取所述模型相似度分数在所述目标识别模型所对应的实际阈值中所属的实际阈值范围；
所述提取单元，还用于提取所述实际阈值范围对应的标准阈值范围；
计算单元，用于根据阈值关系转换公式、所述标准阈值范围和所述实际阈值范围，计算所述模型相似度分数对应的标准相似度分数，所述阈值关系转换公式为，其中/>为所述标准相似度分数，/>为所述模型相似度分数，/>为所述模型相似度分数所属的实际阈值范围中的下边界，/>为所述模型相似度分数所属的实际阈值范围中的上边界，/>为与/>对应的标准阈值范围中的下边界，/>为与/>对应的标准阈值范围中的上边界。
8.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的行人重识别的方法对应的操作。
9.一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的行人重识别的方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910616632.3A CN110472499B (zh) | 2019-07-09 | 2019-07-09 | 一种行人重识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910616632.3A CN110472499B (zh) | 2019-07-09 | 2019-07-09 | 一种行人重识别的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472499A CN110472499A (zh) | 2019-11-19 |
| CN110472499B true CN110472499B (zh) | 2024-01-30 |
Family
ID=68507578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910616632.3A Active CN110472499B (zh) | 2019-07-09 | 2019-07-09 | 一种行人重识别的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472499B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582305B (zh) * | 2020-03-26 | 2023-08-18 | 平安科技（深圳）有限公司 | 生物特征识别方法、装置、计算机设备及存储介质 |
| CN112560787A (zh) * | 2020-12-28 | 2021-03-26 | 深研人工智能技术(深圳)有限公司 | 一种行人重识别匹配边界阈值设置方法、装置及相关组件 |
| CN113435325B (zh) * | 2021-06-25 | 2024-07-16 | 平安科技（深圳）有限公司 | 图像重识别方法、装置、电子设备及存储介质 |
| CN113469015A (zh) * | 2021-06-29 | 2021-10-01 | 浙江大华技术股份有限公司 | 人脸识别方法、装置、电子设备及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107577687A (zh) * | 2016-07-20 | 2018-01-12 | 北京陌上花科技有限公司 | 图像检索方法及装置 |
| CN108241868A (zh) * | 2016-12-26 | 2018-07-03 | 浙江宇视科技有限公司 | 图像客观相似度到主观相似度的映射方法及装置 |
| CN108304435A (zh) * | 2017-09-08 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
| CN108804578A (zh) * | 2018-05-24 | 2018-11-13 | 南京理工大学 | 基于一致性片段生成的无监督视频摘要方法 |
| CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技（深圳）有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5257071B2 (ja) * | 2006-08-03 | 2013-08-07 | 日本電気株式会社 | 類似度計算装置及び情報検索装置 |
-
2019
- 2019-07-09 CN CN201910616632.3A patent/CN110472499B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107577687A (zh) * | 2016-07-20 | 2018-01-12 | 北京陌上花科技有限公司 | 图像检索方法及装置 |
| CN108241868A (zh) * | 2016-12-26 | 2018-07-03 | 浙江宇视科技有限公司 | 图像客观相似度到主观相似度的映射方法及装置 |
| CN108304435A (zh) * | 2017-09-08 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
| CN108804578A (zh) * | 2018-05-24 | 2018-11-13 | 南京理工大学 | 基于一致性片段生成的无监督视频摘要方法 |
| CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技（深圳）有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 本体算法中相似度矩阵的学习;吴剑章;朱林立;高炜;;小型微型计算机***;第36卷(第04期);第774-777页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472499A (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472499B (zh) | 一种行人重识别的方法及装置 | |
| CN109977262B (zh) | 从视频中获取候选片段的方法、装置及处理设备 | |
| CN109753928B (zh) | 违章建筑物识别方法和装置 | |
| US10402627B2 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
| US20150339516A1 (en) | Collation apparatus and method for the same, and image searching apparatus and method for the same | |
| CN109635686B (zh) | 结合人脸与外观的两阶段行人搜索方法 | |
| WO2019071664A1 (zh) | 结合深度信息的人脸识别方法、装置及存储介质 | |
| CN110147710B (zh) | 人脸特征的处理方法、装置和存储介质 | |
| CN107977391B (zh) | 绘本识别方法、装置、***及电子设备 | |
| JP2018055195A (ja) | 学習装置、画像識別装置、学習方法、画像識別方法及びプログラム | |
| CN113887387A (zh) | 一种滑雪场目标影像生成方法、***和服务器 | |
| JP2011215716A (ja) | 位置推定装置、位置推定方法及びプログラム | |
| CN111582282A (zh) | 一种文本识别方法、装置、设备及存储介质 | |
| JP2012103859A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| CN109961103B (zh) | 特征提取模型的训练方法、图像特征的提取方法及装置 | |
| KR101705584B1 (ko) | 얼굴 정렬을 위한 특징점별 특징을 추출하기 위한 서술자 생성 시스템 및 이를 이용한 특징점별 서술자 생성 방법 | |
| CN105229700B (zh) | 用于从多个连续拍摄图像提取峰图像的设备和方法 | |
| CN113128278A (zh) | 一种图像识别方法及装置 | |
| CN113470093B (zh) | 基于航拍图像处理的视频果冻效应检测方法、装置及设备 | |
| US20220148193A1 (en) | Adaptive object recognition apparatus and method in fixed closed circuit television edge terminal using network | |
| CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
| JP7253967B2 (ja) | 物体対応付け装置、物体対応付けシステム、物体対応付け方法及びコンピュータプログラム | |
| CN109087351B (zh) | 基于深度信息对场景画面进行闭环检测的方法及装置 | |
| JP5923744B2 (ja) | 画像検索システム、画像検索方法及び検索装置 | |
| CN113128277A (zh) | 一种人脸关键点检测模型的生成方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |