[發(fā)明專利]一種行人重識(shí)別方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011505063.4
• 申請(qǐng)日: 2020-12-18
• 公開（公告）號(hào): CN112541448B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 尤煒鋒;謝會(huì)斌;李聰廷
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南博觀智能科技有限公司
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V20/52;G06V10/44;G06V10/74;G06V10/80;G06V10/82;G06N3/0464
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 劉新雷

1.一種行人重識(shí)別方法，其特征在于，包括：

獲取輸入圖像集合；

利用所述輸入圖像集合對(duì)具有峰值檢測(cè)器的初始多粒度網(wǎng)絡(luò)模型進(jìn)行特征訓(xùn)練，得到具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型；

將待檢測(cè)圖像輸入所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型，得到特征提取結(jié)果；

將所述特征提取結(jié)果與含有目標(biāo)行人的圖片庫(kù)中提取的特征向量集合進(jìn)行匹配，識(shí)別目標(biāo)行人；

其中，所述利用所述輸入圖像集合對(duì)具有峰值檢測(cè)器的初始多粒度網(wǎng)絡(luò)模型進(jìn)行特征訓(xùn)練，得到具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型，包括：

利用所述具有峰值檢測(cè)器的初始多粒度網(wǎng)絡(luò)模型，對(duì)所述輸入圖像集合中的各個(gè)圖像進(jìn)行特征提取，得到全局特征圖；

利用所述模型中的峰值檢測(cè)器對(duì)所述全局特征圖進(jìn)行人體部位檢測(cè)，生成感興趣區(qū)域；

對(duì)所述各個(gè)圖像中的所述感興趣區(qū)域進(jìn)行水平切分，得到局部特征圖，并對(duì)所述局部特征圖進(jìn)行拼接得到拼接特征圖；

利用所述全局特征圖、所述局部特征圖和所述拼接特征圖進(jìn)行訓(xùn)練得到所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型；

所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型中七層卷積神經(jīng)網(wǎng)絡(luò)的第一層、第三層、第五層和第七層被分別劃分出一個(gè)分支；

所述分支用于生成對(duì)不同位置不同粗細(xì)粒度敏感度的峰值檢測(cè)器。

2.根據(jù)權(quán)利要求1所述的行人重識(shí)別方法，其特征在于，所述對(duì)所述全局特征圖、所述局部特征圖和所述拼接特征圖進(jìn)行訓(xùn)練得到所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型，包括：

將行人ID和行人屬性作為標(biāo)簽，利用所述全局特征圖、所述局部特征圖和所述拼接特征圖進(jìn)行特征訓(xùn)練，得到所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的行人重識(shí)別方法，其特征在于，所述將待檢測(cè)圖像輸入所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型，得到特征提取結(jié)果，包括：

將所述待檢測(cè)圖像輸入所述具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型，得到對(duì)應(yīng)的全局特征圖、局部特征圖和拼接特征圖；

對(duì)所述全局特征圖、所述局部特征圖和所述拼接特征圖進(jìn)行特征提取，得到全局特征向量、局部特征向量和拼接特征向量；

根據(jù)所述全局特征向量、局部特征向量和拼接特征向量得到聯(lián)合特征向量，并將所述聯(lián)合特征向量作為所述特征提取結(jié)果。

4.根據(jù)權(quán)利要求1所述的行人重識(shí)別方法，其特征在于，所述將所述特征提取結(jié)果與含有目標(biāo)行人的圖片庫(kù)中提取的特征向量集合進(jìn)行匹配，識(shí)別目標(biāo)行人，包括：

將所述特征提取結(jié)果與含有目標(biāo)行人的圖片庫(kù)中提取的特征向量集合進(jìn)行匹配，得到匹配概率；

選取所述匹配概率最大的特征向量，并將所述特征向量對(duì)應(yīng)的行人作為所述目標(biāo)行人。

5.根據(jù)權(quán)利要求1所述的行人重識(shí)別方法，其特征在于，所述利用所述輸入圖像集合對(duì)具有峰值檢測(cè)器的初始多粒度網(wǎng)絡(luò)模型進(jìn)行特征訓(xùn)練，得到具有峰值檢測(cè)器的多粒度網(wǎng)絡(luò)模型之前，還包括：

設(shè)置所述多粒度網(wǎng)絡(luò)模型的損失函數(shù)為Combined?Margin?Loss。