行人轨迹数据标注方法、装置以及计算机可读存储介质

技术领域

本发明涉及计算机技术领域，具体提供一种行人轨迹数据标注方法、装置以及计算机可读存储介质。

背景技术

计算机视觉技术应用最广的领域就是安防场景，安防场景中最重要的技术之一就是行人重识别技术(ReID，利用计算机技术判断图像或者视频序列是否存在特定行人的技术)。

目前主流的行人重识别方法在应用上的难点是：在源数据域上训练的模型部署在未训练的目标域上面后，出现识别精度显著下降的问题。当前解决的主要手段是不断的添加目标域的数据，扩大训练数据，提升模型的泛化能力，但是行人重识别数据的标注十分的困难，需要从不同摄像头下寻找相同身份的人，所以人工标注的成本非常高。出于减少人工成本的考虑，需要一种行人重识别数据自动标注的技术，来解决行人重识别数据的标注问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分解决自动标准行人轨迹数据的技术问题的行人轨迹数据标注方法、装置以及计算机可读存储介质。

在第一方面，本发明提供一种行人轨迹数据标注方法，所述方法包括：

逐帧识别视频数据中的图像，发现多个行人轨迹；

提取所述多个行人轨迹对应的图像的特征；

根据所述多个行人轨迹对应的图像的特征，计算所述多个行人轨迹的特征；

对所述多个行人轨迹的特征进行聚类，根据聚类结果对所述多个行人轨迹分类并设置类别标签。

在上述行人轨迹数据标注方法的一个技术方案中，“根据所述多个行人轨迹对应的图像的特征，计算所述多个行人轨迹的特征”的步骤，具体包括：

以所述多个行人轨迹中的任一行人轨迹作为目标行人轨迹，计算所述目标行人轨迹对应的图像的特征的平均值，作为所述目标行人轨迹的特征；

和/或，还包括：

对聚类后的多类行人轨迹进行过滤，其中，以所述多类行人轨迹中的任一类行人轨迹作为目标类型行人轨迹，获取所述目标类型行人轨迹对应的镜头信息，对于同一镜头信息对应的行人轨迹进行过滤；

和/或，

在“对于同一镜头信息对应的行人轨迹进行过滤”的步骤之前，还包括：

判断所述目标类型行人轨迹是否仅对应一个镜头信息，在所述目标类型行人轨迹对应多个镜头信息时，执行“对于同一镜头信息对应的行人轨迹进行过滤”的步骤；

和/或，还包括：

在所述目标类型行人轨迹仅对应一个镜头信息时，清除所述目标类型行人轨迹；

和/或，

“对于同一镜头信息对应的行人轨迹进行过滤”的步骤包括：

计算所述同一镜头信息对应的行人轨迹相互之间的相似度，根据相似度高低进行过滤；

和/或，

“提取所述多个行人轨迹对应的图像的特征”的步骤包括：

通过预设模型提取所述多个行人轨迹对应的图像的特征；

在“根据聚类结果对所述多个行人轨迹分类并设置类别标签”的步骤后，还包括：

使用设置所述类别标签的所述多个行人轨迹对所述模型进行训练。

在第二方面，提供一种行人轨迹数据标注装置，所述装置包括：

行人轨迹识别模块，逐帧识别视频数据中的图像，发现多个行人轨迹；

图像特征提取模块，提取所述多个行人轨迹对应的图像的特征；

行人轨迹特征计算模块，根据所述多个行人轨迹对应的图像的特征，计算所述多个行人轨迹的特征；

聚类模块，对所述多个行人轨迹的特征进行聚类，根据聚类结果对所述多个行人轨迹分类并设置类别标签。

在第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述行人轨迹数据标注方法的技术方案中任一项技术方案所述行人轨迹数据标注方法。

在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述行人轨迹数据标注方法的技术方案中任一项技术方案所述的上述行人轨迹数据标注方法。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

在实施本发明的一个技术方案中，行人轨迹数据标注方法可以包括下列步骤：逐帧识别视频数据中的图像，发现多个行人轨迹；提取多个行人轨迹对应的图像的特征；根据所述多个行人轨迹对应的图像的特征，计算多个行人轨迹的特征；对多个行人轨迹的特征进行聚类，根据聚类结果对多个行人轨迹分类并设置类别标签。根据本发明的技术方案，在基于同一行人轨迹的图像特征计算出该行人轨迹的特征之后，通过聚类方法实现了对行人轨迹的分类，并自动设置各类行人轨迹的类别标签，实现了对行人轨迹的自动标注，不需要人工标注，提升了数据标注的速度，有利于加快使用数据训练模型的效率。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：

图1是根据本发明的一个实施例的行人轨迹数据标注方法的主要步骤流程示意图；

图2是根据本发明的一个实施例的行人轨迹数据标注方法的主要步骤流程示意图；

图3是根据本发明的一个实施例的行人轨迹数据标注方法提取图像特征的示意图；

图4是根据本发明的一个实施例的行人轨迹数据标注方法计算图像相似度的示意图；

图5是根据本发明的另一个实施例的行人轨迹数据标注装置的主要结构框图示意图；

图6是根据本发明的另一个实施例的行人轨迹数据标注装置的主要结构框图示意图。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

参阅附图1，图1是根据本发明的一个实施例的行人轨迹数据标注方法的主要步骤流程示意图。如图1所示，本发明实施例中的行人轨迹数据标注方法主要包括下列步骤：

步骤S110，逐帧识别视频数据中的图像，发现多个行人轨迹。

一般地，该视频数据来源于不同的摄像头，所以视频数据中还携带了摄像头的镜头信息。行人轨迹是指一个行人在镜头下的一段连续帧。通过获取镜头区域的行人检测框，能够确定每个行人的轨迹信息。

步骤S120，提取多个行人轨迹对应的图像的特征。

提取行人轨迹图像特征是指将行人图像转换为一个特征向量，用特征向量来表示该图像。本实施例中可以使用基于改进ResNet(一种卷积神经网络模型)的深度神经网络将检测得到的行人图像转换成为固定维度的深度特征向量。

步骤S130，根据多个行人轨迹对应的图像的特征，计算多个行人轨迹的特征。

具体地，以多个行人轨迹中的任一行人轨迹作为目标行人轨迹，计算目标行人轨迹对应的图像的特征的平均值，作为目标行人轨迹的特征。进一步地，除计算平均值外，还可以按各图像的特点为对其特征设置权重，根据权重及图像特征计算轨迹特征。

此处提取行人轨迹有关多张图像的特征后，进一步计算得到每个轨迹的特征。计算每个轨迹的特征时，该特征取轨迹相关所有图片的特征平均值。

步骤S140，对多个行人轨迹的特征进行聚类，根据聚类结果对多个行人轨迹分类并设置类别标签。

计算每个轨迹的平均值特征后，可以使用Infomap聚类算法(一种聚类算法)每个轨迹的特征进行聚类，聚类得到类别标签即为自动标注的结果。通过对行人轨迹聚类，能够将中断掉的轨迹以及跨镜(来源于不同镜头)的轨迹归于一类，有利于实现中断轨迹和跨镜轨迹的合并追踪，得到标注结果。

本实施例的技术方案针对现有人工标注数据成本较高的问题，提供了一种基于轨迹的行人跨镜数据自动标注的技术方案，首先获得行人轨迹数据，然后获得轨迹的特征并利用轨迹的特征进行聚类，给新的数据进行标注，基于轨迹的自动标注替代了人工标注，可以提高数据的获取效率，用于训练模型时能够高效的迭代优化模型的性能。

参阅附图2，图2是根据本发明的一个实施例的行人轨迹数据标注方法的主要步骤流程示意图。如图2所示，本发明实施例中的行人轨迹数据标注方法主要包括下列步骤：

步骤S210，逐帧识别视频数据中的图像，发现多个行人轨迹。

从监控视频中获取每帧图像的行人检测框，实现对行人轨迹的追踪。具体地，在监控网络中得到每个摄像头的视频数据，对每一个视频进行行人检测跟踪得到行人轨迹，并且保存每个轨迹ID的图片数据。

步骤S220，通过预设模型提取多个行人轨迹对应的图像的特征。

根据行人人体的各张图片，使用已训练好的识别模型提取人体特征，模型输出人体的特征是固定维度的向量。具体地，在特征提取环节，采用在已有大数据上预先训练好的卷积神经网络模型提取特征，如图3所示，该模型通过修改常用的ResNet101来获得一个精度和速度平衡的卷积网络结构。最终通过模型的特征提取，每一张图片由一个512维的向量来表示。

步骤S230，根据多个行人轨迹对应的图像的特征，计算多个行人轨迹的特征。

具体地，以多个行人轨迹中的任一行人轨迹作为目标行人轨迹，计算目标行人轨迹对应的图像的特征的平均值，作为目标行人轨迹的特征。

步骤S240，对多个行人轨迹的特征进行聚类，根据聚类结果对多个行人轨迹分类并设置类别标签。

因为自动标注的结果是由Infomap聚类算法得到的，本实施例中聚类算法所采用的距离度量为余弦距离.具体公式如下：

考虑到实际中并不需要对所有轨迹进行聚类，同时为了减少聚类的时间，本实施例简单的利用K邻近算法只保留K个大于阈值的作为Infomap的初始图。通过聚类获得每个轨迹初始的自动标注ID，但是这个时候的数据存在大量噪声，通过分析和调参优化发现，聚类后不是一个人的轨迹聚在一起的概率很小，缺陷主要在于无法将同一个人的轨迹聚类到一起的情况。所以如果直接训练这个数据，会出现同一个人不同ID的情况，所以需要进行后续操作。

对于轨迹的自动标注，也可以不采用聚类方式，而是采用相似度阈值分类的方式将不同轨迹合并到一起，实现对于追踪结果的标注。相比聚类方式而言，只使用相似度合并，最大的缺点是无法判断哪一个片段的轨迹才是这个分类的中心特征，即无法有效的对于不同摄像头下的相同人轨迹进行合并，自动标注的效果也不如通过聚类得到的结果。而本实施例可以在稀疏的关系图中实现对于不同摄像头下的数据标注，同时对于聚类时候的参数并不敏感，是一个稳定且高效的自动标注方法。

步骤S250，对聚类后的多类行人轨迹进行过滤，其中，以多类行人轨迹中的任一类行人轨迹作为目标类型行人轨迹，获取目标类型行人轨迹对应的镜头信息，判断目标类型行人轨迹是否仅对应一个镜头信息，在目标类型行人轨迹对应多个镜头信息时，对于同一镜头信息对应的行人轨迹进行过滤。

而在目标类型行人轨迹仅对应一个镜头信息时，清除目标类型行人轨迹。

此处对每个类别的标注结果进行去重(一种减少重复样本的方法，这种数据产生的原因是行人长时间保持不动)，并只保留跨镜数据，得到优化的标注结果。考虑到模型更需要学习的是跨镜的行人信息，所以去除掉单镜数据可以减少模型的训练时间同时不会降低模型性能。

具体地，计算同一镜头信息对应的行人轨迹相互之间的相似度，根据相似度高低进行过滤。

这是因为轨迹跟踪中会出现不动的行人，这种相同的数据对于模型的训练作用很小，所以利用每个轨迹中行人图片之间的相似度可以过滤掉重复的结果。

本实施例中考虑到聚类出现的噪声，要过滤掉不合理的结果。选择合理的训练数据，是指尽可能选择对模型有提升的数据以及减少重复的数据。对模型有提升的数据主要是指不同摄像头下的数据，所以根据数据的镜头信息，选择出包含不同摄像头ID的聚类结果，实现对数据的过滤，可以去除掉检测错误的结果，比如假人，还可以去除掉未发生聚类的单镜结果，减少一部分同一个人出现不同的ID的情况。此处采用在同ID中循环去除最多相似样本的方法，如图4所示，计算最第一个样本和其他所有样本的相似度，然后统计出相似度大于设定阈值的个数后，如发现该样本的频次是最大的，剔除掉这个样本，接着进入下一轮去重，通过不断的循环，直到无法统计出相似样本大于设定阈值的时候停止，即剩下的样本之间的相似度都小于设定阈值。

针对于标注的轨迹数据，在去重的阶段也可以采用随机采样的方式，减少每个ID的样本数据。但是只进行随机采样降重无法有效的去除真正重复的数据，只是减少的训练的样本数量。相比之下，本实施例去除的是真正的重复的数据，保留了模型需要学习的样本数据，对比于随机采样的数据可以获得更高的模型性能。

步骤S260，使用设置类别标签的多个行人轨迹对模型进行训练。

由于初始的模型在新场景下辨别力不够强，部分难的轨迹未能用于对模型的训练，所以利用自动标注的数据再训练得到的模型重复上面的过程就至关重要。利用自动标注的结果和已有的标注数据联合训练，得到适应新数据域的模型，利用重新训练的模型，重复前述步骤获得更好的标注结果。通过实验发现，初始时识别模型在新场景下性能下降，所以在进行聚类合并时并不能有比较好的聚类效果，所以可以利用第一次聚类标注的结果融合进之前的数据进行模型的迭代优化，提升模型在新场景的适应力，实验结果表明本实施例的技术方案可以发掘出更具有场景代表性的样本，使用这些样本进行模型训练，在有些场景中性能甚至可以超过使用人工标注结果训练的模型。

此处也可以采用基于聚类的一阶段数据自动标注方式，只是通过一次的聚类获得最终的标注结果，而本实施例是为采用循环迭代的方式进行优化。一阶段的聚类自动标注方式的缺陷在于，忽略掉了模型跨域性能损失的问题，无法挖掘出训练数据中的难样本，同时会丢失掉大量的无法合并的数据，本实施例使用标注数据再次对模型进行训练，这种自监督迭代方式可以有效的解决初始模型性能差的问题，最终实现和手工标注相等的模型性能提升。

本实施例的技术方案，基于图片特征进行去重，可以有效的降低重复的图片，减少模型训练的时间；基于镜头信息进行行人轨迹过滤，可以自动去除轨迹图片中的噪声数据，降低行人重识别模型学习的难度；使用了标注的行人轨迹再次训练识别模型，实现了循环迭代自标注的效果，可以降低由于初始模型在目标域识别精度表现差导致出现同一个人存在多个身份的情况。

参阅附图5，图5是根据本发明的一个实施例的行人轨迹数据标注装置的主要结构框图示意图。如图5所示，本发明实施例中的行人轨迹数据标注装置主要包括下列模块：

行人轨迹识别模块510，逐帧识别视频数据中的图像，发现多个行人轨迹。

一般地，该视频数据来源于不同的摄像头，所以视频数据中还携带了摄像头的镜头信息。行人轨迹是指一个行人在镜头下的一段连续帧。通过获取镜头区域的行人检测框，能够确定每个行人的轨迹信息。

图像特征提取模块520，提取多个行人轨迹对应的图像的特征。

提取行人轨迹图像特征是指将行人图像转换为一个特征向量，用特征向量来表示该图像。本实施例中可以使用基于改进ResNet(一种卷积神经网络模型)的深度神经网络将检测得到的行人图像转换成为固定维度的深度特征向量。

行人轨迹特征计算模块530，根据多个行人轨迹对应的图像的特征，计算多个行人轨迹的特征。

具体地，以多个行人轨迹中的任一行人轨迹作为目标行人轨迹，计算目标行人轨迹对应的图像的特征的平均值，作为目标行人轨迹的特征。进一步地，除计算平均值外，还可以按各图像的特点为对其特征设置权重，根据权重及图像特征计算轨迹特征。

此处提取行人轨迹有关多张图像的特征后，进一步计算得到每个轨迹的特征。计算每个轨迹的特征时，该特征取轨迹相关所有图片的特征平均值。

聚类模块540，对多个行人轨迹的特征进行聚类，根据聚类结果对多个行人轨迹分类并设置类别标签。

计算每个轨迹的平均值特征后，可以使用Infomap聚类算法(一种聚类算法)每个轨迹的特征进行聚类，聚类得到类别标签即为自动标注的结果。通过对行人轨迹聚类，能够将中断掉的轨迹以及跨镜(来源于不同镜头)的轨迹归于一类，有利于实现中断轨迹和跨镜轨迹的合并追踪，得到标注结果。

本实施例的技术方案针对现有人工标注数据成本较高的问题，提供了一种基于轨迹的行人跨镜数据自动标注的技术方案，首先获得行人轨迹数据，然后获得轨迹的特征并利用轨迹的特征进行聚类，给新的数据进行标注，基于轨迹的自动标注替代了人工标注，可以提高数据的获取效率，用于训练模型时能够高效的迭代优化模型的性能。

参阅附图6，图6是根据本发明的一个实施例的行人轨迹数据标注装置的主要结构框图示意图。如图6所示，本发明实施例中的行人轨迹数据标注装置主要包括下列模块：

图像特征提取模块610，逐帧识别视频数据中的图像，发现多个行人轨迹。

从监控视频中获取每帧图像的行人检测框，实现对行人轨迹的追踪。具体地，在监控网络中得到每个摄像头的视频数据，对每一个视频进行行人检测跟踪得到行人轨迹，并且保存每个轨迹ID的图片数据。

图像特征计算模块620，通过预设模型提取多个行人轨迹对应的图像的特征。

根据行人人体的各张图片，使用已训练好的识别模型提取人体特征，模型输出人体的特征是固定维度的向量。具体地，在特征提取环节，采用在已有大数据上预先训练好的卷积神经网络模型提取特征，如图3所示，该模型通过修改常用的ResNet101来获得一个精度和速度平衡的卷积网络结构。最终通过模型的特征提取，每一张图片由一个512维的向量来表示。

行人轨迹特征计算模块630，根据多个行人轨迹对应的图像的特征，计算多个行人轨迹的特征。

具体地，以多个行人轨迹中的任一行人轨迹作为目标行人轨迹，计算目标行人轨迹对应的图像的特征的平均值，作为目标行人轨迹的特征。

聚类模块640，对多个行人轨迹的特征进行聚类，根据聚类结果对多个行人轨迹分类并设置类别标签。

因为自动标注的结果是由Infomap聚类算法得到的，本实施例中聚类算法所采用的距离度量为余弦距离，具体公式如下：

考虑到实际中并不需要对所有轨迹进行聚类，同时为了减少聚类的时间，本实施例简单的利用K邻近算法，只保留K个大于阈值的作为Infomap的初始图。通过聚类获得每个轨迹初始的自动标注ID，但是这个时候的数据存在大量噪声，通过分析和调参优化发现，聚类后不是一个人的轨迹聚在一起的概率很小，缺陷主要在于无法将同一个人的轨迹聚类到一起的情况。所以如果直接训练这个数据，会出现同一个人不同ID的情况，所以需要进行后续操作。

对于轨迹的自动标注，也可以不采用聚类方式，而是采用相似度阈值分类的方式将不同轨迹合并到一起，实现对于追踪结果的标注。相比聚类方式而言，只使用相似度合并，最大的缺点是无法判断哪一个片段的轨迹才是这个分类的中心特征，即无法有效的对于不同摄像头下的相同人轨迹进行合并，自动标注的效果也不如通过聚类得到的结果。而本实施例可以在稀疏的关系图中实现对于不同摄像头下的数据标注，同时对于聚类时候的参数并不敏感，是一个稳定且高效的自动标注方法。

行人轨迹过滤模块650，对聚类后的多类行人轨迹进行过滤，其中，以多类行人轨迹中的任一类行人轨迹作为目标类型行人轨迹，获取目标类型行人轨迹对应的镜头信息，判断目标类型行人轨迹是否仅对应一个镜头信息，在目标类型行人轨迹对应多个镜头信息时，对于同一镜头信息对应的行人轨迹进行过滤。

而在目标类型行人轨迹仅对应一个镜头信息时，清除目标类型行人轨迹。

此处对每个类别的标注结果进行去重(一种减少重复样本的方法，这种数据产生的原因是行人长时间保持不动)，并只保留跨镜数据，得到优化的标注结果。考虑到模型更需要学习的是跨镜的行人信息，所以去除掉单镜数据可以减少模型的训练时间，同时不会降低模型性能。

具体地，计算同一镜头信息对应的行人轨迹相互之间的相似度，根据相似度高低进行过滤。

这是因为轨迹跟踪中会出现不动的行人，这种相同的数据对于模型的训练作用很小，所以利用每个轨迹中行人图片之间的相似度可以过滤掉重复的结果。

本实施例中考虑到聚类出现的噪声，要过滤掉不合理的结果。选择合理的训练数据，是指尽可能选择对模型有提升的数据以及减少重复的数据。对模型有提升的数据主要是指不同摄像头下的数据，所以根据数据的镜头信息，选择出包含不同摄像头ID的聚类结果，实现对数据的过滤，可以去除掉检测错误的结果，比如假人，还可以去除掉未发生聚类的单镜结果，减少一部分同一个人出现不同的ID的情况。此处采用在同ID中循环去除最多相似样本的方法，如图4所示，计算最第一个样本和其他所有样本的相似度，然后统计出相似度大于设定阈值的个数后，如发现该样本的频次是最大的，剔除掉这个样本，接着进入下一轮去重，通过不断的循环，直到无法统计出相似样本大于设定阈值的时候停止，即剩下的样本之间的相似度都小于设定阈值。

针对于标注的轨迹数据，在去重的阶段也可以采用随机采样的方式，减少每个ID的样本数据。但是只进行随机采样降重无法有效的去除真正重复的数据，只是减少的训练的样本数量。相比之下，本实施例去除的是真正的重复的数据，保留了模型需要学习的样本数据，对比于随机采样的数据可以获得更高的模型性能。

模型训练模块660，使用设置类别标签的多个行人轨迹对模型进行训练。

由于初始的模型在新场景下辨别力不够强，部分难的轨迹未能用于对模型的训练，所以利用自动标注的数据再训练得到的模型重复上面的过程就至关重要。利用自动标注的结果和已有的标注数据联合训练，得到适应新数据域的模型，利用重新训练的模型，重复前述步骤获得更好的标注结果。通过实验发现，初始时识别模型在新场景下性能下降，所以在进行聚类合并时并不能有比较好的聚类效果，所以可以利用第一次聚类标注的结果融合进之前的数据进行模型的迭代优化，提升模型在新场景的适应力，实验结果表明本实施例的技术方案可以发掘出更具有场景代表性的样本，使用这些样本进行模型训练，在有些场景中性能甚至可以超过使用人工标注结果训练的模型。

此处也可以采用基于聚类的一阶段数据自动标注方式，只通过一次的聚类获得最终的标注结果，而本实施例是采用循环迭代的方式进行优化。一阶段的聚类自动标注方式的缺陷在于，忽略掉了模型跨域性能损失的问题，无法挖掘出训练数据中的难样本，同时会丢失掉大量的无法合并的数据，本实施例使用标注数据再次对模型进行训练，这种自监督迭代的方式可以有效的解决初始模型性能差的问题，最终实现和手工标注相等的模型性能提升。

本实施例的技术方案，基于图片特征进行去重，可以有效的降低重复的图片，减少模型训练的时间；基于镜头信息进行行人轨迹过滤，可以自动去除轨迹图片中的噪声数据，降低行人重识别模型学习的难度；使用了标注的行人轨迹再次训练识别模型，实现了循环迭代自标注的效果，可以降低由于初始模型在目标域识别精度表现差导致出现同一个人存在多个身份的情况。

上述图5至6所示的行人轨迹数据标注装置以用于执行图1至2所示的行人轨迹数据标注方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，行人轨迹数据标注装置的具体工作过程及有关说明，可以参考行人轨迹数据标注方法的实施例所描述的内容，此处不再赘述。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的行人轨迹数据标注方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的行人轨迹数据标注方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。

进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的行人轨迹数据标注方法的程序，该程序可以由处理器加载并运行以实现上述行人轨迹数据标注方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。