用于行人重识别的方法、装置及计算机存储介质制造方法及图纸

本发明专利技术实施例提供了一种用于行人重识别的方法、装置及计算机存储介质。该方法包括：提取视频序列中的每一帧图像中行人的静态特征向量；根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量；根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量。由此可见，考虑到视频中行人的行走姿态等动作特征，在静态特征向量的基础上结合动作特征向量来得到用于行人重识别的特征向量，能够保证后续行人重识别的准确性，降低误识别率。

Pedestrian Recognition Method, Device and Computer Storage Media

The embodiment of the present invention provides a method, device and computer storage medium for pedestrian recognition. The method includes: extracting the static characteristic vectors of pedestrians in each frame of video sequence; obtaining the action characteristic vectors of the pedestrians according to the static characteristic vectors of the pedestrians in the multi-frame images of the video sequence; and according to the action characteristic vectors of the pedestrians and the static characteristics of the pedestrians in the multi-frame images. The eigenvector is used to determine the eigenvector for pedestrian recognition. Thus, considering the walking posture and other motion features of pedestrians in video, the feature vectors for pedestrian recognition can be obtained by combining the static feature vectors with the action feature vectors, which can ensure the accuracy of subsequent pedestrian recognition and reduce the false recognition rate.

【技术实现步骤摘要】
用于行人重识别的方法、装置及计算机存储介质
本专利技术涉及图像处理领域，更具体地涉及一种用于行人重识别的方法、装置及计算机存储介质。
技术介绍
行人检测可以应用于智能驾驶、辅助驾驶和智能监控等相关领域，主要用于检测图像或视频中是否存在行人。行人重识别(re-identification，ReID)也称为行人再识别，可以应用于安防领域、刑侦领域等相关领域，主要用于在一组行人的图像中找到和目标最像的一张图像。但是，在行人重识别过程中，主要是通过对单帧图像中的行人特征进行匹配，对于静态特征类似的行人无法进行准确的区分，从而导致出现误识别的情况。
技术实现思路
考虑到上述问题而提出了本专利技术。本专利技术提供了一种用于行人重识别的方法、装置及计算机存储介质，在静态特征向量的基础上结合动作特征向量来得到用于行人重识别的特征向量，能够保证后续行人重识别的准确性，降低误识别率。根据本专利技术的一方面，提供了一种用于行人重识别的方法，所述方法包括：提取视频序列中的每一帧图像中行人的静态特征向量；根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量；根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量。在本专利技术的一个实施例中，所述根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量，包括：将所述视频序列中的多帧图像中所述行人的静态特征向量输入至循环神经网络，并将所述循环神经网络的输出确定为所述行人的动作特征向量。在本专利技术的一个实施例中，所述根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量，包括：对所述视频序列中的所述多帧图像中行人的静态特征向量进行池化操作；根据所述行人的动作特征向量和所述池化后的行人的静态特征向量，确定所述用于行人重识别的特征向量。在本专利技术的一个实施例中，所述根据所述行人的动作特征向量和所述池化后的行人的静态特征向量，确定所述用于行人重识别的特征向量，包括：将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合，得到所述用于行人重识别的特征向量。在本专利技术的一个实施例中，所述将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合，包括：采用如下任一种方法将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合：按位取平均、按位求和、合并。在本专利技术的一个实施例中，还包括：基于所述用于行人重识别的特征向量，确定所述行人是否为目标行人。根据本专利技术另一方面，提供了一种用于行人重识别的装置，所述装置包括：提取模块，用于提取视频序列中的每一帧图像中行人的静态特征向量；第一确定模块，用于根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量；第二确定模块，用于根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量。在本专利技术的一个实施例中，所述第一确定模块，具体用于：将所述视频序列中的多帧图像中所述行人的静态特征向量输入至循环神经网络，并将所述循环神经网络的输出确定为所述行人的动作特征向量。在本专利技术的一个实施例中，所述第二确定模块，包括：池化子模块，用于对所述视频序列中的所述多帧图像中行人的静态特征向量进行池化操作；确定子模块，用于根据所述行人的动作特征向量和所述池化后的行人的静态特征向量，确定所述用于行人重识别的特征向量。在本专利技术的一个实施例中，所述确定子模块，具体用于：将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合，得到所述用于行人重识别的特征向量。在本专利技术的一个实施例中，所述确定子模块，具体用于：采用如下任一种方法将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合：按位取平均、按位求和、合并。在本专利技术的一个实施例中，还包括判断模块，用于：基于所述用于行人重识别的特征向量，确定所述行人是否为目标行人。该装置能够用于实现前述方面及其各种示例的用于行人重识别的方法。根据本专利技术的又一方面，提供了一种用于行人重识别的装置，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述方面及各个示例所述的用于行人重识别的方法的步骤。根据本专利技术的再一方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方面及各个示例所述的用于行人重识别的方法的步骤。由此可见，考虑到视频中行人的行走姿态等动作特征，在静态特征向量的基础上结合动作特征向量来得到用于行人重识别的特征向量，能够保证后续行人重识别的准确性，降低误识别率。附图说明通过结合附图对本专利技术实施例进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与本专利技术实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1是本专利技术实施例的电子设备的一个示意性框图；图2是本专利技术实施例的用于行人重识别的方法的一个示意性流程图；图3是本专利技术实施例的循环神经网络的一个示意图；图4是本专利技术实施例的用于行人重识别的方法的另一个示意性流程图；图5是本专利技术实施例的用于行人重识别的装置的一个示意性框图。具体实施方式为了使得本专利技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本专利技术的示例实施例。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是本专利技术的全部实施例，应理解，本专利技术不受这里描述的示例实施例的限制。基于本专利技术中描述的本专利技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本专利技术的保护范围之内。本专利技术实施例可以应用于电子设备，图1所示为本专利技术实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或更多个处理器102、一个或更多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或更多个非图像传感器114，这些组件通过总线系统112和/或其它形式互连。应当注意，图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。所述处理器102可以包括CPU1021和GPU1022或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，例如现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或进阶精简指令集机器(AdvancedRISC(ReducedInstructionSetComputer)Machine，ARM)等，并且处理器102可以控制所述电子设备10中的其它组件以执行期望的功能。所述存储装置104可以包括一个或更多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器1041和/或非易失性存储器1042。所述易失性存储器1041例如可以包括随机存取存储器(RandomAccessMemory，RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器1042例如可以包括只读存储器(Read-OnlyMemory，ROM)、硬盘、闪本文档来自技高网...

【技术保护点】
1.一种用于行人重识别的方法，其特征在于，所述方法包括：提取视频序列中的每一帧图像中行人的静态特征向量；根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量；根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量。

【技术特征摘要】
1.一种用于行人重识别的方法，其特征在于，所述方法包括：提取视频序列中的每一帧图像中行人的静态特征向量；根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量；根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量。2.根据权利要求1所述的方法，其特征在于，所述根据所述视频序列中的多帧图像中所述行人的静态特征向量，得到所述行人的动作特征向量，包括：将所述视频序列中的多帧图像中所述行人的静态特征向量输入至循环神经网络，并将所述循环神经网络的输出确定为所述行人的动作特征向量。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述行人的动作特征向量和所述多帧图像中所述行人的静态特征向量，确定用于行人重识别的特征向量，包括：对所述视频序列中的所述多帧图像中行人的静态特征向量进行池化操作；根据所述行人的动作特征向量和所述池化后的行人的静态特征向量，确定所述用于行人重识别的特征向量。4.根据权利要求3所述的方法，其特征在于，所述根据所述行人的动作特征向量和所述池化后的行人的静态特征向量，确定所述用于行人重识别的特征向量，包括：将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合，得到所述用于行人重识别的特征向量。5.根据权利要求4所述的方法，其特征在于，所述将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合，包括：采用如下任一种方法将所述行人的动作特征向量和所述池化后的行人的静态特征向量进行整合：按位取平均、按位求和、合并。6.根据权利要求1或2所述的方法，其特征在于，还包括：基于所述用于行人重识别的特征向量，确定所述行人是否为目标行人。7.一种用于行人重识别的装置，其特征在于，所述装置包括：提取模块，用于提取...

【专利技术属性】
技术研发人员：徐子扬，张弛，
申请(专利权)人：北京旷视科技有限公司，北京迈格威科技有限公司，
类型：发明
国别省市：北京,11