[發(fā)明專利]基于TensorRT的行人重識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110252063.6
• 申請(qǐng)日: 2021-03-08
• 公開(kāi)（公告）號(hào): CN113033337A
• 公開(kāi)（公告）日: 2021-06-25
• 發(fā)明（設(shè)計(jì)）人: 王偉偉;鄭雙午;閆瀟寧
• 申請(qǐng)（專利權(quán)）人: 深圳市安軟科技股份有限公司;深圳市安軟慧視科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 深圳君信誠(chéng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44636
• 代理人: 劉偉

1.基于TensorRT的行人重識(shí)別方法，其特征在于，包括以下步驟：

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，基于圖像數(shù)據(jù)集對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到行人重識(shí)別模型；

對(duì)所述行人重識(shí)別模型進(jìn)行格式轉(zhuǎn)換，得到包括目標(biāo)格式的所述行人重識(shí)別模型；

構(gòu)建TensorRT加速器工程，通過(guò)所述TensorRT加速器工程對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型在預(yù)設(shè)方向上進(jìn)行層與層的融合，實(shí)現(xiàn)加速處理，以得到特征提取模型；

通過(guò)所述特征提取模型對(duì)采集到的行人圖像進(jìn)行特征提取并識(shí)別。

2.如權(quán)利要求1所述的基于TensorRT的行人重識(shí)別方法，其特征在于，所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，基于圖像數(shù)據(jù)集對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的步驟包括：

獲取多張圖像數(shù)據(jù)，以生成所述圖像數(shù)據(jù)集；

基于遷移學(xué)習(xí)方式，構(gòu)建所述卷積神經(jīng)網(wǎng)絡(luò)模型的輸出層結(jié)構(gòu)；

基于生成的所述圖像數(shù)據(jù)集對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型的輸出層結(jié)構(gòu)進(jìn)行訓(xùn)練，以得到所述行人重識(shí)別模型。

3.如權(quán)利要求1所述的基于TensorRT的行人重識(shí)別方法，其特征在于，所述對(duì)所述行人重識(shí)別模型進(jìn)行格式轉(zhuǎn)換的步驟包括：

獲取與所述TensorRT加速器工程對(duì)應(yīng)的所述目標(biāo)格式；

將所述行人重識(shí)別模型的格式轉(zhuǎn)換為所述TensorRT加速器工程對(duì)應(yīng)的所述目標(biāo)格式。

4.如權(quán)利要求1所述的基于TensorRT的行人重識(shí)別方法，其特征在于，所述預(yù)設(shè)方向包括垂直方向或水平方向，所述構(gòu)建TensorRT加速器工程，通過(guò)所述TensorRT加速器工程對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型在預(yù)設(shè)方向上進(jìn)行層與層的融合的步驟包括:

創(chuàng)建所述TensorRT加速器工程；

通過(guò)所述TensorRT加速器工程對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型中的卷積層、歸一化層以及激活層進(jìn)行所述垂直方向上的融合，以實(shí)現(xiàn)對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型的加速處理，得到特征提取模型；或

通過(guò)所述TensorRT加速器工程對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型中的張量相同以及執(zhí)行操作相同的層進(jìn)行所述水平方向上的融合，以實(shí)現(xiàn)對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型的加速處理，得到特征提取模型。

5.如權(quán)利要求1-4任一項(xiàng)所述的基于TensorRT的行人重識(shí)別方法，其特征在于，所述通過(guò)所述TensorRT加速器工程對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型在預(yù)設(shè)方向上進(jìn)行層與層的融合的步驟之前，所述方法還包括：

預(yù)先對(duì)所述特征提取模型特征提取參數(shù)進(jìn)行設(shè)定，所述特征提取參數(shù)包括色彩模式、圖像的分辨率、并行處理時(shí)圖像數(shù)量以及擬分配的顯存大小。

6.一種基于TensorRT的行人重識(shí)別裝置，其特征在于，包括：

訓(xùn)練模塊，用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，基于圖像數(shù)據(jù)集對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到行人重識(shí)別模型；

轉(zhuǎn)換模塊，用于對(duì)所述行人重識(shí)別模型進(jìn)行格式轉(zhuǎn)換，得到包括目標(biāo)格式的所述行人重識(shí)別模型；

加速模塊，用于構(gòu)建TensorRT加速器工程，通過(guò)所述TensorRT加速器工程對(duì)包括所述目標(biāo)格式的所述行人重識(shí)別模型在預(yù)設(shè)方向上進(jìn)行層與層的融合，實(shí)現(xiàn)加速處理，以得到特征提取模型；

識(shí)別模塊，用于通過(guò)所述特征提取模型對(duì)采集到的行人圖像進(jìn)行特征提取并識(shí)別。

7.如權(quán)利要求6所述的基于TensorRT的行人重識(shí)別裝置，其特征在于，所述訓(xùn)練模塊包括：

獲取單元，用于獲取多張圖像數(shù)據(jù)，以生成所述圖像數(shù)據(jù)集；

構(gòu)建單元，用于基于遷移學(xué)習(xí)方式，構(gòu)建所述卷積神經(jīng)網(wǎng)絡(luò)模型的輸出層結(jié)構(gòu)；

訓(xùn)練單元，用于基于生成的所述圖像數(shù)據(jù)集對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)模型的輸出層結(jié)構(gòu)進(jìn)行訓(xùn)練，以得到所述行人重識(shí)別模型。