一种用于图片搜索的重识别处理方法及装置与流程

本发明涉及大数据分析及应用，具体涉及用于图片搜索的重识别处理方法及装置。

背景技术：

1、随着当前硬件算力的飞速发展，人工智能计算机视觉技术，尤其是深度学习技术得到了快速发展和普及。在安防等领域，行人重识别技术应用越来越广泛。现阶段的行人重识别主要是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。在给定一个监控行人图像的情况下，能够跨设备实现摄像头多角度无死角的监控追踪，即与行人检测/行人跟踪技术结合。行人重识别任务一般包含行人图片提取，行人特征提取，行人特征比对等步骤。其中行人重识别的后处理方法可以大幅提升比对结果的准确度，常用的有re-rank，query expansion，pca等。但是现有的re-rank等重排序方法非常耗时，不能用于在线比对。

技术实现思路

1、本发明实施例提供一种用于图片搜索的重识别处理方法及装置，能够解决现有技术中的行人重识别处理方法耗时长的问题。所述技术方案如下：

2、根据本发明实施例的第一方面，提供用于图片搜索的重识别处理方法，所述方法包括：

3、获取目标重识别数据集的初始特征向量，所述初始特征向量包括n维向量，所述目标重识别数据集中包括至少一张人形图片，所述n≥1；

4、计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，所述图片数据库的当前存储量为n_g；

5、判断所述第一相似度结果列表是否全部低于第一预设阈值；

6、若是，将所述初始特征向量添加至所述图片数据库中，则n_g＝n_g+1。

7、本发明实施例提供的用于图片搜索的重识别处理方法，首先获取目标重识别数据集的初始特征向量，初始特征向量包括n维向量，目标重识别数据集中包括至少一张人形图片，n≥1；然后计算初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，图片数据库的当前存储量为n_g；最后判断第一相似度结果列表是否全部低于第一预设阈值；若是，将初始特征向量添加至图片数据库中，则n_g＝n_g+1。本发明提供的重识别处理方法能够快速识别图片，大幅度提高了图片的处理效率。

8、作为本发明再进一步的方案：在所述计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度之前，所述方法还包括：

9、预先创建所述图片数据库；

10、将第一张人形图片添加至所述图片数据库。

11、作为本发明再进一步的方案：所述获取目标重识别数据集的初始特征向量包括：

12、获取目标重识别数据集；

13、对所述目标重识别数据集进行多重神经网络结构训练，提取所述初始特征向量。

14、作为本发明再进一步的方案：在所述判断所述第一相似度结果列表是否全部低于第一预设阈值之后，所述方法还包括：

15、若否，则将所述图片数据库中所述初始相似度结果最高的前n1个特征向量记为{t_a}，对所述{t_a}中元素t_i更新相似度，得到更新相似度结果列表，其中，所述n1＜n_g；

16、判断所述更新相似度结果列表是否全部低于第二预设阈值；

17、若是，将所述初始特征向量添加至所述图片数据库中，则n_g＝n_g+1。

18、作为本发明再进一步的方案：所述对所述{t_a}中元素t_i更新相似度，得到更新相似度结果列表包括：

19、计算所述t_i与所述图片数据库中除t_i外其他特征向量的相似度，获得第二相似度结果列表；

20、获取所述第二相似度结果列表中结果最高的前n2个特征向量在所述第一相似度结果列表中的对应值，得到第三相似度结果列表，其中，n2＜n1；

21、校正所述t_i与所述初始特征向量的相似度，得到更新相似度；

22、将所述第一相似度结果列表中t_i向量对应的所述初始相似度变更为所述更新相似度，得到所述更新相似度结果列表。

23、作为本发明再进一步的方案：在所述判断所述更新相似度结果列表是否全部低于第二预设阈值之后，所述方法还包括：

24、若否，根据所述更新相似度结果列表中最高的所述初始特征向量计算更新特征向量；

25、将所述图片数据库中对应的所述初始特征向量更新为所述更新特征向量。

26、作为本发明再进一步的方案：所述更新相似度通过第一公式进行计算，所述第一公式为：

27、x_ti_＝w1×mean(x3)+w2×x_ti；

28、其中，x_ti_为所述更新相似度；w1、w2为预设的加权权重，取值在0-1之间；x3为所述第三相似度结果列表，mean为取均值。x_ti为所述t_i与所述初始特征向量的相似度。

29、作为本发明再进一步的方案：所述更新特征向量通过第二公式进行计算，所述第二公式为：

30、p_new＝w3×tq+w4×p；

31、其中，p_new为所述更新特征向量；w3、w4为预设加权权重，取值在0-1之间；tq为所述图片数据库中对应的所述更新相似度结果列表中最高的所述初始特征向量；p为所述初始特征向量。

32、作为本发明再进一步的方案：所述初始相似度通过以下第三公式计算，所述第三公式为：

33、

34、其中，s为所述初始相似度；a为所述初始特征向量，b为所述图片数据库中的特征向量；ai和bi分别代表a和b的各分量。

35、根据本发明实施例的第二方面，提供一种用于图片搜索的重识别处理装置，包括获取模块、计算模块、第一判断模块以及添加模块。

36、所述获取模块，用于获取目标重识别数据集的初始特征向量，所述初始特征向量包括n维向量，所述目标重识别数据集中包括至少一张人形图片，所述n≥1；

37、所述计算模块，用于计算所述初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，所述图片数据库的当前存储量为n_g；

38、所述第一判断模块，用于判断所述第一相似度结果列表是否全部低于第一预设阈值；

39、所述添加模块，用于在所述第一判断模块的判断结果为是时，将所述初始特征向量添加至所述图片数据库中，则n_g＝n_g+1。

40、本发明实施例提供的用于图片搜索的重识别处理装置，包括获取模块、计算模块、第一判断模块以及添加模块。获取模块获取目标重识别数据集的初始特征向量，初始特征向量包括n维向量，目标重识别数据集中包括至少一张人形图片，n≥1；计算模块计算初始特征向量与预设的图片数据库中的所有特征向量的初始相似度，得到第一相似度结果列表，图片数据库的当前存储量为n_g；第一判断模块判断第一相似度结果列表是否全部低于第一预设阈值；添加模块在第一判断模块的判断结果为是时，将初始特征向量添加至图片数据库中，则n_g＝n_g+1。本发明提供的重识别处理方法能够快速识别图片，大幅度提高了图片的处理效率。

41、根据本发明实施例的第三方面，提供一种用于图片搜索的重识别处理设备，所述用于图片搜索的重识别处理设备包括处理器和存储器，所述存储器中存储有至少一条计算机指令，所述指令由所述处理器加载并执行以实现上述任一项所述的用于图片搜索的重识别处理方法中所执行的步骤。

42、根据本发明实施例的第四方面，提供一种计算机可读存储介质，所述存储介质中存储有至少一条计算机指令，所述指令由处理器加载并执行以实现上述任一项所述的用于图片搜索的重识别处理方法中所执行的步骤。

43、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。