[發(fā)明專利]基于TensorRT的行人重識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202110252063.6
• 申請日: 2021-03-08
• 公開（公告）號: CN113033337A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 王偉偉;鄭雙午;閆瀟寧
• 申請（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: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 深圳君信誠知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44636
• 代理人: 劉偉

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，提供基于TensorRT的行人重識別方法及裝置，方法包括：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，基于圖像數(shù)據(jù)集對所述卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到行人重識別模型；對所述行人重識別模型進行格式轉(zhuǎn)換，得到包括目標格式的所述行人重識別模型；構(gòu)建TensorRT加速器工程，通過所述TensorRT加速器工程對包括所述目標格式的所述行人重識別模型在預設(shè)方向上進行層與層的融合，實現(xiàn)加速處理，以得到特征提取模型；通過所述特征提取模型對采集到的行人圖像進行特征提取并識別。本申請能夠?qū)π腥酥刈R別模型進行加速，得到的特征提取模型可以提高對行人的特征的提取速度以及行人重識別的速度，在生產(chǎn)環(huán)境下，面對大規(guī)模數(shù)據(jù)時能夠提高處理效率，節(jié)約時間成本。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及基于TensorRT的行人重識別方法及裝置。

背景技術(shù)

近年來，行人重識別在安全防護領(lǐng)域中越來越得到廣泛的應用。尤其隨著人工智能領(lǐng)域中，深度學習技術(shù)的發(fā)展以及相關(guān)硬件設(shè)備算力的提升，構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)模型來提取特征以解決行人重識別問題已經(jīng)逐步成為主要的技術(shù)手段，這對提高行人重識別的準確度起到了積極作用。但是，卷積神經(jīng)網(wǎng)絡(luò)模型使用的層數(shù)越多，通常其運行速度就越慢。可見，在現(xiàn)有技術(shù)中，在保證準確率的前提下，存在模型運行速度慢、時間成本高的問題。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種基于TensorRT的行人重識別方法，能夠在保證準確率的前提下，提高行人重識別模型的運行速度，有利于在生產(chǎn)環(huán)境下面對大規(guī)模數(shù)據(jù)時提高處理效率，同時也節(jié)約時間成本。

第一方面，本發(fā)明實施例提供一種基于TensorRT的行人重識別方法，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)集對所述卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到行人重識別模型；

對所述行人重識別模型進行格式轉(zhuǎn)換，得到包括目標格式的所述行人重識別模型；

構(gòu)建TensorRT加速器工程，通過所述TensorRT加速器工程對包括所述目標格式的所述行人重識別模型在預設(shè)方向上進行層與層的融合，實現(xiàn)加速處理，以得到特征提取模型；

通過所述特征提取模型對采集到的行人圖像進行特征提取并識別。

可選的，所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，基于圖像數(shù)據(jù)集對所述卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練的步驟包括：

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

基于遷移學習方式，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)集對所述卷積神經(jīng)網(wǎng)絡(luò)模型的輸出層結(jié)構(gòu)進行訓練，以得到所述行人重識別模型。

可選的，所述對所述行人重識別模型進行格式轉(zhuǎn)換的步驟包括：

獲取與所述TensorRT加速器工程對應的所述目標格式；

將所述行人重識別模型的格式轉(zhuǎn)換為所述TensorRT加速器工程對應的所述目標格式。

可選的，所述預設(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，通過所述TensorRT加速器工程對包括所述目標格式的所述行人重識別模型在預設(shè)方向上進行層與層的融合的步驟包括:

創(chuàng)建所述TensorRT加速器工程；

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