人体识别方法及装置、计算机可读存储介质及电子设备制造方法及图纸

本发明专利技术涉及网络技术领域，提供了一种人体识别方法及装置、计算机可读存储介质、电子设备。该人体识别方法包括：获取行人图像；提取所述行人图像的特征，以获得全局特征图；将所述全局特征图沿预设方向分为多个区域，并对各所述区域进行池化以获得与各所述区域对应的池化区域；接着将各所述池化区域对应的池化区域特征沿所述预设方向依次连接，以获得所述行人图像对应的行人图像特征。本发明专利技术能够提高图像识别精度，降低错识别误识别的概率；另外本发明专利技术中的人体识别方法适应多场景下的行人重识别任务。

【技术实现步骤摘要】
人体识别方法及装置、计算机可读存储介质及电子设备
本专利技术涉及计算机
，具体而言，涉及一种人体识别方法、人体识别装置、计算机可读存储介质及电子设备。
技术介绍
随着科学技术的迅猛发展，视频监控智能分析技术被广泛应用于各个领域，例如通过视频监控智能分析技术从大量的监控视频中分析车辆的车牌号，分析行人的面部特征、步态等生物特征。行人重识别(PersonRe-Identification，简称ReID)是对跨摄像头、跨场景的监控视频中出现的行人进行关联识别的技术，即识别两张人体图像是否为同一个人，或在一个较大图像库中给定一张库外的参考图像，然后依据参考图像在库内寻找一张与参考图像相同身份的其他图像。传统的行人重识别方法大多采用图像处理领域的手工特征进行模型训练，如SIFT、HOG等，并结合经典的机器学习回归模型来进行行人重识别，但是传统的重识别精度较低，错识别误识别的概率较大，另外使用场景单一，无法适应多场景下的重识别任务。因此本领域亟需寻求一种新的人体识别方法以提高行人重识别的精度。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本文档来自技高网...

【技术保护点】
1.一种人体识别方法，其特征在于，包括：获取行人图像；提取所述行人图像的特征，以获得全局特征图；将所述全局特征图沿预设方向分为多个区域，并对各所述区域进行池化以获得与各所述区域对应的池化区域；将各所述池化区域对应的池化区域特征沿所述预设方向依次连接，以获得所述行人图像对应的行人图像特征。

【技术特征摘要】
1.一种人体识别方法，其特征在于，包括：获取行人图像；提取所述行人图像的特征，以获得全局特征图；将所述全局特征图沿预设方向分为多个区域，并对各所述区域进行池化以获得与各所述区域对应的池化区域；将各所述池化区域对应的池化区域特征沿所述预设方向依次连接，以获得所述行人图像对应的行人图像特征。2.根据权利要求1所述的人体识别方法，其特征在于，在获取行人图像之前，所述人体识别方法还包括：获取包含行人的原始图像；通过对所述原始图像进行人体检测，以获得行人图像框；从所述行人图像框中提取行人对应的区域，以形成所述行人图像。3.根据权利要求1所述的人体识别方法，其特征在于，将所述全局特征图沿预设方向分为多个区域，并对各所述区域进行池化以获得与各所述区域对应的池化区域，包括：将所述全局特征图沿纵轴方向平均分块，以形成多个所述区域；分别对各所述区域进行平均池化，以获得多个所述池化区域。4.根据权利要求1所述的人体识别方法，其特征在于，所述人体识别方法还包括：通过特征提取网络提取所述行人图像的特征，以获得所述全局特征图；通过分步池化网络将所述全局特征图沿所述预设方向分为多个区域，并对各所述区域进行池化以获得多个池化区域；通过全连接网络将各所述池化区域对应的池化区域特征沿所述预设方向依次连接，以获得所述行人图像特征；其中，所述特征提取网络、所述分步池化网络和所述全连接网络构成行人识别模型。5.根据权利要求4所述的人体识别方法，其特征在于，所述行人识别模型为基于稠密卷积神经网络的模型。6.根据权利要求1所述的人体识别方法，其特征在于，所述人体识别方法还包括：通过预设大小的卷积核提取各所述池化区域的特征，以获得所述池化区域特征。7.根据权利要求1所述的人体识别方法，其特征在于，所述行人图像包括待检行人图像和目标行人图像；所述人体识别方法还包括：根据所述待检行人图像对应的待检行人图像特征和所述目标行人图像对应的目标行人图像特征，计算所述目标行人图像特征与所述待检行人图像特征的相似度；根据所述相似度判断所述待检行人图...

【专利技术属性】
技术研发人员：葛彦昊，汪铖杰，李季檩，黄飞跃，吴永坚，晏轶超，贺珂珂，
申请(专利权)人：腾讯科技深圳有限公司，腾讯云计算北京有限责任公司，
类型：发明
国别省市：广东,44