技术特征：
1.一种基于行人重识别的训练方法，其特征在于，所述方法包括：从不同相机拍摄的视频流中提取m个行人在同一时间段内的n张测试行人图像，对所述测试行人图像进行特征提取得到第一特征矩阵，m和n为正整数；利用识别模型中的第一分支对所述第一特征矩阵进行图像质量处理，得到第一损失值；利用所述识别模型中的第二分支对所述第一特征矩阵和m个行人标识进行中心表征特征处理，得到第二损失值；利用识别模型中的第三分支对所述第一特征矩阵和m*n个图像标识进行图像表征特征处理，得到第三损失值；利用识别模型中的第四分支对所述第一特征矩阵和m个行人标识进行时序特征处理，得到第四损失值；根据所述第一损失值、所述第二损失值、所述第三损失值和所述第四损失值对所述识别模型进行训练。2.根据权利要求1所述的基于行人重识别的训练方法，其特征在于，所述方法还包括：对所述测试行人图像的图像质量进行检测，得到图像质量回归值；所述利用识别模型中的第一分支对所述第一特征矩阵进行图像质量处理，得到第一损失值，包括：利用所述识别模型中的第一分支，依次对所述第一特征矩阵进行全局池化、维度压缩、全连接和维度压缩处理，得到图像质量矩阵；将所述图像质量矩阵和所述图像质量回归值输入第一损失函数中，得到所述第一损失值。3.根据权利要求2所述的基于行人重识别的训练方法，其特征在于，所述利用所述识别模型中的第二分支对所述第一特征矩阵和m个行人标识进行中心表征特征处理，得到第二损失值，包括：利用所述识别模型中的第二分支，对所述第一特征矩阵依次进行维度转换和卷积运算后，与所述图像质量矩阵相乘，得到第二特征矩阵；对所述第二特征矩阵依次进行卷积运算、维度转换和全连接处理，得到中心表征特征矩阵；将所述中心表征特征矩阵和所述m个行人标识输入第二损失函数中，得到所述第二损失值。4.根据权利要求3所述的基于行人重识别的训练方法，其特征在于，所述利用识别模型中的第三分支对所述第一特征矩阵和m*n个图像标识进行图像表征特征处理，得到第三损失值，包括：利用所述识别模型中的第三分支，依次对所述第二特征矩阵进行维度转换和全连接处理，得到图像表征特征矩阵；将所述图像表征特征矩阵和所述m*n个图像标识输入第三损失函数中，得到所述第三损失值。5.根据权利要求1所述的基于行人重识别的训练方法，其特征在于，所述利用识别模型中的第四分支对所述第一特征矩阵和m个行人标识进行时序特征处理，得到第四损失值，包括：利用所述识别模型中的第四分支，依次对所述第一特征矩阵进行卷积运算、维度压缩、
全连接和维度转换处理，得到每张测试行人图像的空间特征向量，且每个行人的n个空间特征向量按照所述n张测试行人图像的时序排列；利用所述第四分支中的长短时记忆网络lstm对所述空间特征向量进行处理，得到每个行人的时序特征向量；对所述时序特征向量进行全连接处理，得到时序特征矩阵；将所述时序特征矩阵和所述m个行人标识输入第四损失函数中，得到所述第四损失值。6.一种基于行人重识别的识别方法、其特征在于，用于安装有识别模型的计算机设备中，所述识别模型由权利要求1至5中任一项所述的训练方法训练得到的，所述方法包括：从不同相机拍摄的视频流中提取每个目标行人在同一时间段内的n张第一行人图像，n为正整数；对于每个目标行人，利用所述第二分支对所述目标行人的n张第一行人图像进行中心表征特征处理，得到所述目标行人的第一中心表征特征矩阵；利用所述第四分支对所述目标行人的n张第一行人图像进行时序特征处理，得到所述目标行人的第一时序特征向量；获取待识别行人的n张第二行人图像；利用所述第二分支对所述n张第二行人图像进行中心表征特征处理，得到第二中心表征特征矩阵；利用所述第四分支对所述n张第二行人图像进行时序特征处理，得到第二时序特征向量；计算所述第二中心表征特征矩阵与每个第一中心表征特征矩阵的第一相似度，以及所述第二时序特征向量与每个第一时序特征向量的第二相似度；若与一个目标行人对应的第一相似度和第二相似度均超过预定阈值，则将所述待识别行人识别为所述目标行人。7.一种基于行人重识别的训练装置，其特征在于，所述装置包括：提取模块，用于从不同相机拍摄的视频流中提取m个行人在同一时间段内的n张测试行人图像，对所述测试行人图像进行特征提取得到第一特征矩阵，m和n为正整数；处理模块，用于利用识别模型中的第一分支对所述第一特征矩阵进行图像质量处理，得到第一损失值；利用所述识别模型中的第二分支对所述第一特征矩阵和m个行人标识进行中心表征特征处理，得到第二损失值；利用识别模型中的第三分支对所述第一特征矩阵和m*n个图像标识进行图像表征特征处理，得到第三损失值；利用识别模型中的第四分支对所述第一特征矩阵和m个行人标识进行时序特征处理，得到第四损失值；训练模块，用于根据所述第一损失值、所述第二损失值、所述第三损失值和所述第四损失值对所述识别模型进行训练。8.一种基于行人重识别的识别装置，其特征在于，用于安装有识别模型的计算机设备中，所述识别模型由权利要求1至5中任一项所述的训练方法训练得到的，所述装置包括：第一提取模块，用于从不同相机拍摄的视频流中提取每个目标行人在同一时间段内的n张第一行人图像，n为正整数；对于每个目标行人，利用所述第二分支对所述目标行人的n张第一行人图像进行中心表征特征处理，得到所述目标行人的第一中心表征特征矩阵；利用所述第四分支对所述目标行人的n张第一行人图像进行时序特征处理，得到所述目标行人的第一时序特征向量；第二提取模块，用于获取待识别行人的n张第二行人图像；利用所述第二分支对所述n张第二行人图像进行中心表征特征处理，得到第二中心表征特征矩阵；利用所述第四分支
对所述n张第二行人图像进行时序特征处理，得到第二时序特征向量；计算模块，用于计算所述第二中心表征特征矩阵与每个第一中心表征特征矩阵的第一相似度，以及所述第二时序特征向量与每个第一时序特征向量的第二相似度；识别模块，用于若与一个目标行人对应的第一相似度和第二相似度均超过预定阈值，则将所述待识别行人识别为所述目标行人。9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至5任一所述的基于行人重识别的训练方法，或者，所述至少一条指令由处理器加载并执行以实现如权利要求6所述的基于行人重识别的识别方法。10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至5任一所述的基于行人重识别的训练方法，或者，所述指令由所述处理器加载并执行以实现如权利要求6所述的基于行人重识别的识别方法。
技术总结
本申请公开了一种基于行人重识别的训练和识别方法、装置、介质及设备，属于机器学习技术领域。该方法包括：提取m个行人在同一时间段内的n张测试行人图像，对其进行特征提取得到第一特征矩阵；利用识别模型中的第一分支对第一特征矩阵进行图像质量处理得到第一损失值；利用第二分支对第一特征矩阵和m个行人标识进行中心表征特征处理得到第二损失值；利用第三分支对第一特征矩阵和m*n个图像标识进行图像表征特征处理得到第三损失值；利用第四分支对第一特征矩阵和m个行人标识进行时序特征处理得到第四损失值；根据四个损失值对识别模型进行训练。本申请中可以结合中心表征特征和时序特征训练得到识别模型，从而能够提高行人重识别的精度。别的精度。别的精度。
技术研发人员：杨帆 朱莹
受保护的技术使用者：南京甄视智能科技有限公司
技术研发日：2022.03.30
技术公布日：2022/4/29