[發(fā)明專利]基于人形語義分割的行人重識別方法、系統(tǒng)及相關(guān)設(shè)備

有效

• 申請?zhí)枺?/td>: 202110498277.1
• 申請日: 2021-05-08
• 公開（公告）號: CN112906679B
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 孫月;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;G06K9/34;G06N3/04;G06N3/08
• 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

1.一種基于人形語義分割的行人重識別方法，其特征在于，所述基于人形語義分割的行人重識別方法包括以下步驟：

獲取到待識別的視頻數(shù)據(jù)，對所述視頻數(shù)據(jù)進(jìn)行抽幀，得到第一靜態(tài)圖片集合；

通過行人檢測器對所述第一靜態(tài)圖片集合進(jìn)行處理，得到具有人形特征的第二靜態(tài)圖片集合；

對所述第二靜態(tài)圖片集合進(jìn)行背景處理，得到背景為統(tǒng)一純色調(diào)的第三靜態(tài)圖片集合；

將所述第三靜態(tài)圖片集合輸入到預(yù)訓(xùn)練好的行人重識別模型，輸出基于所述第三靜態(tài)圖片集合的全局特征，所述行人重識別模型由主干網(wǎng)絡(luò)、特征聚合模塊和頭模塊組成；

所述主干網(wǎng)絡(luò)包括全尺度特征提取塊和Mixstyle方法塊；

所述全尺度特征提取塊由基本的1x1卷積層、lite3x3卷積層和統(tǒng)一聚合門組成，所述lite3x3卷積層由一個(gè)1x1卷積層、一個(gè)3x3深度卷積層、批歸一化、ReLU激活函數(shù)組成；所述統(tǒng)一聚合門的結(jié)構(gòu)由全局均值池化、全連接、批歸一化、一層ReLU激活的函數(shù)層、第二次全連接、以及輸出sigmoid函數(shù)激活的MLP組成；所述統(tǒng)一聚合門生成的通道權(quán)值結(jié)合卷積結(jié)果動態(tài)融合得到多尺度特征；

每一個(gè)所述全尺度特征提取塊之后設(shè)計(jì)有一個(gè)所述Mixstyle方法塊，所述Mixstyle方法塊由style transfer和mixup兩種方法組成，其中，全尺度特征包括所述多尺度特征；

所述頭模塊的作用為對所述特征聚合模塊的輸出進(jìn)行批歸一化以及最后的全連接。

2.如權(quán)利要求1所述的基于人形語義分割的行人重識別方法，其特征在于，所述對所述第二靜態(tài)圖片集合進(jìn)行背景處理的步驟包括：

將所述第二靜態(tài)圖片集合前景的人像突出顯示；

將所述第二靜態(tài)圖片集合背景進(jìn)行單色調(diào)處理。

3.如權(quán)利要求1所述的基于人形語義分割的行人重識別方法，其特征在于，在將所述第三靜態(tài)圖片集合輸入到預(yù)訓(xùn)練好的行人重識別模型的步驟前，還包括步驟：

對所述第三靜態(tài)圖片集合進(jìn)行數(shù)據(jù)增強(qiáng)處理。

4.如權(quán)利要求1所述的基于人形語義分割的行人重識別方法，其特征在于，在輸出基于所述第三靜態(tài)圖片集合的全局特征的步驟后，還包括步驟：

對所述全局特征進(jìn)行歸一化和降維處理。

5.如權(quán)利要求1所述的基于人形語義分割的行人重識別方法，其特征在于，所述行人重識別模型在訓(xùn)練階段使用Adam優(yōu)化器進(jìn)行優(yōu)化。

6.如權(quán)利要求1所述的基于人形語義分割的行人重識別方法，其特征在于，包括以下步驟：

所述行人重識別模型在訓(xùn)練階段使用Cross-entropy loss、Triplet loss、Circleloss中的至少一種作為損失函數(shù)。