[發明專利]一種行人重識別方法、裝置、設備及介質

有效

• 申請號: 202010614594.0
• 申請日: 2020-06-30
• 公開（公告）號: CN111914642B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 金良;尹云峰;范寶余;張潤澤;郭振華;梁玲燕;李茹楊
• 申請（專利權）人: 浪潮電子信息產業股份有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/46;G06V10/82;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 巴翠昆

1.一種行人重識別方法，其特征在于，包括：

步驟S11：將行人重識別訓練樣本輸入至backbone網絡，提取對應的特征圖；所述行人重識別訓練樣本包括行人樣本圖像和對應的標注信息；

步驟S12：提取所述特征圖的全局特征，并計算對應的全局距離；

步驟S13：利用目標檢測算法確定出所述特征圖中的行人位置；

步驟S14：利用所述行人位置從所述特征圖中提取出對應的行人特征；行人特征為根據行人在圖像中位置在整幅圖像中摳取出的特征；

步驟S15：基于ROI?Align技術對所述行人特征進行歸一化處理，以得到預設尺寸的行人特征；

步驟S16：從歸一化后的所述行人特征中提取對應的局部特征，并計算對應的局部距離；

步驟S17：利用所述全局距離和所述局部距離計算出總距離；

步驟S18：計算整個訓練過程中產生的損失；

重復所述步驟S11至步驟S18對預先構建的行人重識別模型進行訓練，得到訓練后行人重識別模型；

步驟S19：當獲取到待識別圖像，則利用所述訓練后行人重識別模型輸出對應的識別結果；

其中，所述從歸一化后的所述行人特征中提取對應的局部特征，包括：對所述行人特征的每個通道進行水平池化，以提取出對應的局部特征；

其中，根據公式計算整個訓練過程中產生的損失；Loss為訓練損失，λ₀～λ₄為各loss對應權重；

L_{triplet(a,p,n)}＝max(d(a,p)-d(a,n)+margin,0)；

其中，

其中，計算L_ID的公式中p_i為第i個anchor的預測概率，為第i個anchor是groundtruth?label真實便簽的概率；

計算的L_trihard公式中N為batch?size，A和A’指相同人的不同圖像，B指與A不同的人的圖像，f_A為提取的圖像A的特征,α代表margin，為常數；

計算L_{triplet(a,p,n)}的公式中a和p指同一個人不同圖像，n指不同人的圖像,d表示距離；

L_RPN由兩部分組成:分類loss和回歸loss，公式L_box中指預測位置坐標，v_i指真實ground?truth坐標，x,y為目標框的左上角點，w,h為目標框的寬和高；N_cls為計算分類loss時樣本數，N_box為計算box?loss是樣本數；L_F表示目標檢測最后輸出目標時的loss。

2.根據權利要求1所述的行人重識別方法，其特征在于，所述利用目標檢測算法確定出所述特征圖中的行人位置，包括：

將所述特征圖輸入至RPN網絡，以提取出所述特征圖對應的候選框；

利用所述特征圖和所述候選框確定出所述特征圖中的行人位置。

3.根據權利要求1所述的行人重識別方法，其特征在于，所述提取所述特征圖的全局特征，包括：

利用全局平均池化提取所述特征圖的全局特征。

4.根據權利要求1所述的行人重識別方法，其特征在于，還包括：

對提取出的所述局部特征進行卷積降維。

5.根據權利要求1至4任一項所述的行人重識別方法，其特征在于，所述將行人重識別訓練樣本輸入至backbone網絡之前，還包括：

利用行人檢測數據集對初始行人檢測模型進行訓練，得到訓練后行人檢測模型；其中，所述行人檢測數據集中剔除了小目標圖像；

利用所述訓練后行人檢測模型對行人重識別數據集進行位置標注，以得到對應的行人位置標簽，將所述行人位置標簽和行人類別標簽作為所述標注信息；其中，所述行人重識別數據集包括所述行人樣本圖像和對應的所述行人類別標簽。