[發明專利]行人重識別方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202011264154.3
• 申請日: 2020-11-12
• 公開（公告）號: CN112347957A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 李波;王洋
• 申請（專利權）人: 廣聯達科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

1.一種行人重識別方法，其特征在于，包括以下步驟：

獲取多個參照行人的參照圖像，利用特征提取模型從所述參照圖像中提取對應的參照特征；其中所述特征提取模型是利用神經網絡訓練得到的；

將所述參照特征存儲至行人特征庫，并基于預設頻率對所述行人特征庫中存儲的參照特征進行更新；

獲取包含待識別行人的待識別圖像，利用所述特征提取模型從所述待識別圖像中提取對應的待識別特征；

將所述待識別特征與所述行人特征庫中存儲的候選特征進行對比，以從所述候選特征中確定與所述待識別圖像的差別小于預設第一閾值的目標特征；

根據所述目標特征對應的類別標簽對所述待識別行人進行識別。

2.根據權利要求1所述的行人重識別方法，其特征在于，所述基于預設頻率對所述行人特征庫中存儲的參照特征進行更新的步驟包括：

獲取包含參照行人的更新圖像；

利用所述特征提取模型從所述更新圖像中提取對應的更新特征；

判斷所述行人特征庫中是否已存儲有參照特征；

在所述行人特征庫中未存儲有參照特征的情況下，將所述更新特征存儲至所述行人特征庫作為新的參照特征，并為所述更新特征添加新的類別標簽；

在所述行人特征庫中已存儲有參照特征的情況下，計算所述更新特征和與存儲的其中一個參照特征之間的第一距離；

判斷所述第一距離是否小于第一閾值；

若所述第一距離小于第一閾值，將所述更新特征存儲至所述行人特征庫作為新的參照特征，為所述更新特征添加與所述其中一個參照特征相同的已有類別標簽；

若所述第一距離不小于第一閾值，將所述更新特征存儲至所述行人特征庫作為新的參照特征，為所述更新特征添加新的類別標簽。

3.根據權利要求1或2所述的行人重識別方法，其特征在于，所述特征提取模型的訓練過程包括：

基于改進的softmax函數構造第一損失函數，基于triplet函數構造第二損失函數，基于Angular softmax函數構造第三損失函數；

根據所述第一損失函數、所述第二損失函數和所述第三損失函數確定所述特征提取模型的綜合損失函數。

4.根據權利要求3所述的行人重識別方法，其特征在于，所述第一損失函數L1為：

上式中，y_i代表待識別特征對應的類別標簽；c代表特征庫中的參照特征對應的類別標簽；I(y_i＝c)代表y_i＝c為真則返回1，否則返回0的邏輯運算；W代表特征提取模型中包含的全連接層的參數矩陣；b為待優化參數；

所述第二損失函數L2為：

上式中，a表示訓練集中的任一張參照圖像，p代表與a具有同一類別標簽的參照圖像，n代表與a具有不同類別標簽的參照圖像；d(a,p)代表a和p之間的歐氏距離，d(a,n)代表a和n之間的歐氏距離，m為待優化參數，[d(a,p)-d(a,n)+m,0]代表取d(a,p)-d(a,n)+m和0中的較大值；

第三損失函數L3為：

上式中i和j代表不同的類別標簽；

綜合損失函數L為：

L＝αL1+βL2+γL3

其中α、β、γ分別代表權重系數。

5.根據權利要求3所述的行人重識別方法，其特征在于，所述特征提取模型的訓練過程還包括：

基于領域自適應算法對所述特征提取模型進行訓練，以使所述特征提取模型適應從生活場景到施工場景的跨度。

6.根據權利要求1所述的行人重識別方法，其特征在于，所述將所述待識別特征與所述行人特征庫中存儲的候選特征進行對比，以從所述候選特征中確定與所述待識別圖像的差別小于預設第一閾值的目標特征的步驟包括：

將所述待識別特征構成的第一向量和所述候選特征構成的第一矩陣相乘，以得到第二向量；其中所述第一矩陣中的每個列向量分別對應一個候選特征；

判斷所述第二向量中的最小值是否小于所述預設第一閾值；

若是，將所述最小值相對應的所述候選特征作為目標特征。