[發明專利]行人重識別方法、裝置、服務器以及存儲介質

有效

• 申請號: 201910866301.5
• 申請日: 2019-09-12
• 公開（公告）號: CN110555428B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 杜俊瓏;郭曉威;余宗橋;孫星
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王兆林

1.一種行人重識別方法，其特征在于，包括：

獲取目標行人圖像，所述目標行人圖像為待進行行人重識別的行人圖像；

獲取檢索庫，所述檢索庫中包括參考行人圖像；

將所述目標行人圖像與所述參考行人圖像輸入至預先訓練生成的行人重識別網絡中得到所述目標行人圖像的原始特征與所述參考行人圖像的原始特征之間的余弦距離；

將所述目標行人圖像與所述參考行人圖像輸入至預先訓練生成的姿態生成對抗網絡中得到所述目標行人圖像的姿態特征與所述參考行人圖像的姿態特征之間的余弦距離，其中，將所述目標行人圖像與所述參考行人圖像輸入至預先訓練生成的姿態生成對抗網絡中得到所述目標行人圖像的姿態特征與所述參考行人圖像的姿態特征之間的余弦距離具體包括：將所述目標行人圖像輸入至所述姿態生成對抗網絡的生成器中，生成與所述目標行人圖像對應的第一行人圖像，所述第一行人圖像為所述目標行人圖像中的行人在目標姿態角度下的圖像；將所述參考行人圖像輸入至所述姿態生成對抗網絡的生成器中，生成與所述參考行人圖像對應的第一參考行人圖像，所述第一參考行人圖像為所述參考行人圖像中的行人在目標姿態角度下的圖像；將所述第一行人圖像以及所述第一參考行人圖像分別輸入至所述姿態生成對抗網絡的提取器中，生成所述目標行人圖像的第一姿態特征，以及所述參考行人圖像的第二姿態特征；根據所述第一姿態特征以及所述第二姿態特征計算所述目標行人圖像的姿態特征與所述參考行人圖像的姿態特征之間的余弦距離；

將所述姿態特征的余弦距離與所述原始特征的余弦距離求加權和，得到最終的重排序距離。

2.根據權利要求1所述的方法，其特征在于，所述姿態生成對抗網絡包括姿態生成對抗網絡生成器、姿態生成對抗網絡判別器以及姿態生成對抗網絡姿態特征表達器；其中：

所述姿態生成對抗網絡生成器包括編碼器、解碼器，其中，編碼器使用三層普通卷積層實現，解碼器使用三層反卷積層實現，編碼器與解碼器中間使用三個步長為1的殘差塊連接；

所述姿態生成對抗網絡判別器使用5層卷積層實現；

所述姿態生成對抗網絡姿態特征表達器使用ResNet50作為基礎模型，并在所述基礎模型的基礎上添加新的卷積層實現。

3.根據權利要求2所述的方法，其特征在于，所述姿態生成對抗網絡是采用如下方式訓練的：

采用方差為0.01，均值為0的高斯分布對所述姿態生成對抗網絡生成器以及所述姿態生成對抗網絡判別器進行初始化；

采用ResNet50是參數對所述姿態生成對抗網絡姿態特征表達器的基礎模型進行初始化，采用方差為0.01，均值為0的高斯分布對所述姿態生成對抗網絡姿態特征表達器的新的卷積層進行初始化；

將樣本人體圖像以及目標人體關鍵點圖像作為所述姿態生成對抗網絡的輸入，采用基于隨機梯度下降法訓練生成所述姿態生成對抗網絡。

4.根據權利要求1所述的方法，其特征在于，所述將所述第一行人圖像以及所述第一參考行人圖像分別輸入至所述姿態生成對抗網絡的提取器中，生成所述目標行人圖像的第一姿態特征，以及所述參考行人圖像的第二姿態特征，包括：

提取所述第一行人圖像的行人特征，對所述第一行人圖像的行人特征進行特征均值融合或特征拼接融合處理，生成所述目標行人圖像的第一姿態特征；

提取所述第一參考行人圖像的行人特征，對所述第一參考行人圖像的行人特征進行特征均值融合或特征拼接融合處理，生成所述參考行人圖像的第一姿態特征。

5.根據權利要求1所述的方法，其特征在于，在生成與所述目標行人圖像對應的第一行人圖像之前，所述方法還包括：

利用人體關鍵點檢測算法提取所述目標行人圖像中的人體關鍵點信息；

根據所述目標行人圖像中的人體關鍵點信息確定所述目標行人圖像中的行人的第一姿態角度；

根據預先生成的典型人體姿態圖確定目標姿態角度，所述目標姿態角度包括所述第一姿態角度、在所述典型人體姿態圖中排序在所述第一姿態角度前面，和/或，在所述典型人體姿態圖中排序在在所述第一姿態角度后面的N個姿態角度，所述N為大于等于0的整數。

6.根據權利要求1至5中任意一項所述的方法，其特征在于，所述方法的執行主體為區塊鏈中的一個節點。