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领域普通技术人员已知的现有技术的信息。
技术实现思路
本专利技术的目的在于提供一种人体识别方法及装置、计算机可读存储介质、电子设备，进而提高识别精度，降低错识别误识别概率，同时提高在多场景下进行行人重识别的能力。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术的第一方面，提供一种人体识别方法，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。根据本专利技术的第二方面，提供一种人体识别装置，其特征在于，包括：第一获取模块，用于获取行人图像；特征提取模块，用于提取所述行人图像的特征，以获得全局特征图；分步池化模块，用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；全连接模块，用于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。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：第二获取模块，用于获取包含行人的原始图像；人体检测模块，用于通过对所述原始图像进行人体检测，以获得行人图像框；图像生成模块，用于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。在本专利技术的一些实施例中，基于前述方案，本专利技术的分步池化模块包括：分区单元，用于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；池化单元，用于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。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：所述特征提取模块、所述分步池化模块和所述全连接模块构成行人识别模型。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：池化特征提取模块，用于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。在本专利技术的一些实施例中，所述行人图像包括待检行人图像和目标行人图像，基于前述方案，本专利技术的装置还包括：相似度计算模块，用于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；判断模块，用于根据所述相似度判断所述待检行人图像中的行人是否为所述目标行人图像中的行人。在本专利技术的一些实施例中，基于前述方案，本专利技术的相似度计算模块包括：距离计算单元，用于计算所述目标行人图像特征与所述待检行人图像特征的距离；相似度计算单元，用于根据所述目标行人图像特征与所述待检行人图像特征的距离，确定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。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：排列模块，用于根据所述目标行人图像特征与所述待检行人图像特征的距离的大小，由近到远排列所述待检行人图像。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：第三获取模块，用于获取由图像采集设备采集的包含行人的原始图像；待检行人图像生成模块，用于对所述原始图像进行人体检测并提取人体区域，以获得所述待检行人图像。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：目标行人图像生成模块，用于接收用户选择的人体图像，并将所述人体图像作为所述目标行人图像。在本专利技术的一些实施例中，基于前述方案，本专利技术的装置还包括：第四获取模块，用于获取多个人体标注图像，各所述人体标注图像对应不同场景；模型训练模块，用于将所述人体标注图像输入至所述行人识别模型，以对所述行人识别模型进行训练。根据本专利技术的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中所述的人体识别方法。根据本专利技术的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的人体识别方法。根据本示例实施例中的人体识别方法，服务器获取行人图像后，首先对行人图像进行特征提取以获取全局特征图；然后将全局特征图沿预设方向分为多个区域，并对各区域池化形成与各区域对应的池化区域；最后将各池化区域对应的池化区域特征按照预设方向连接，以获得与行人图像对应的行人图像特征。本专利技术通过将全局特征图分为多个区域以进行分步池化，然后将各池化区域的池化区域特征依次连接获得行人图像对应的特征，提高了行人图像的识别精度，降低了错识别误识别的概率。本专利技术应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出可以应用本专利技术实施例的用于人体识别方法或用于人体识别装置的示例性系统架构的示意图；图2示出了适于用来实现本专利技术实施例的电子设备的计算机系统的结构示意图；图3示出本专利技术一实施例中的人体识别方法流程图；图4A-4C示出本专利技术一实施例中的全局特征图沿预设方向分为多个区域的结构示意图；图5示出本专利技术一实施例中稠密卷积神经网络中稠密块的结构示意图；图6示出本专利技术一实施例中人体识别方法的流程图；图7示出本专利技术一实施例中行人重识别的流程图；图8示出本专利技术一实施例中人体识别装置的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节本文档来自技高网...

【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