行人重识别的处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种行人重识别的处理方法、装置、计算机设备和存储介质。所述方法包括：将待进行重识别的识别图像输入至预先训练的预测神经网络中，得到所述预测神经网络输出的所述识别图像的多个子特征，以及与所述识别图像的每个子特征对应的可见性置信度；根据所述识别图像的多个子特征和与所述识别图像的每个子特征对应的可见性置信度，确定所述识别图像的特征；根据所述识别图像的特征在预先设置的图像数据库中搜索出包含所述目标对象的目标图像。通过本发明专利技术实施例，提高了图像搜索的准确性，降低了图像搜索的难度。

Processing method, device, computer equipment and storage medium of pedestrian recognition

【技术实现步骤摘要】
行人重识别的处理方法、装置、计算机设备和存储介质
本申请涉及行人重识别
，特别是涉及一种行人重识别的处理方法、装置、计算机设备和存储介质。
技术介绍
行人重识别(Personre-identification)也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，广泛应用于智能视频监控、智能安保等领域。目前，行人重识别已经对物体的外表颜色、外观等明显特征等有着较高的判别能力。但是，如果图像中行人被部分遮挡，那么可用于识别的图像区域就缩小了，增加了行人重识别的难度。例如，一个图像中行人骑非机动车，由于非机动车遮挡了行人的部分特征，则很难根据该图像查找出包含同一行人的其他图像。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够在目标对象被遮挡时降低识别难度的行人重识别的处理方法、装置、计算机设备和存储介质。第一方面，本专利技术实施例提供了一种行人重识别的处理方法，该方法包括：将待进行重识别的识别图像输入至预先训练的预测神经网络中，得到预测神经网络输出的识别图像的多个子特征，以及与识别图像的每个子特征对应的可见性置信度；其中，识别图像包含目标对象，识别图像的多个子特征对应目标对象的多个部分区域，目标对象的多个部分区域组成目标对象；可见性置信度用于指示识别图像的每个子特征对应的目标对象的部分区域未被遮挡的概率；根据识别图像的多个子特征和与识别图像的每个子特征对应的可见性置信度，确定识别图像的特征；根据识别图像的特征在预先设置的图像数据库中搜索出包含目标对象的目标图像。在其中一个实施例中，在上述将待进行重识别的识别图像输入至预先训练的预测神经网络中之前，该方法还包括：获取训练样本集；训练样本集中包括多个训练样本和各训练样本的可见性标注；训练样本包含训练对象，训练样本的多个子特征对应训练对象的多个部分区域，训练对象的多个部分区域组成训练对象，可见性标注用于指示训练样本的每个子特征对应训练对象的部分区域的可见性；基于训练样本集进行神经网络的训练，得到预测神经网络。在其中一个实施例中，上述获取训练样本集，包括：获取多个训练样本；根据像素值对各训练样本中的每个子特征进行标注，得到各训练样本的可见性标注。在其中一个实施例中，上述根据像素值对各训练样本中的每个子特征进行标注，得到各训练样本的可见性标注，包括：计算训练样本的平均像素值；若训练样本的子特征对应的训练对象的部分区域的平均像素值大于训练样本的平均像素值，则将训练样本的子特征标注为可见；若训练样本的子特征对应的训练对象的部分区域的平均像素值小于或等于训练样本的平均像素值，则将训练样本的子特征标注为不可见。在其中一个实施例中，上述基于训练样本集进行神经网络的训练，得到预测神经网络，包括：通过神经网络对训练样本进行特征提取，得到训练样本的特征，并将训练样本的特征分割成多个子特征；对训练样本的子特征采用权值不共享的卷积层进行卷积，并通过全局平均池化层和一个全连接层获得训练样本的每个子特征对应的一维特征向量；根据激活函数和训练样本的每个子特征对应的一维特征向量，得到训练样本的每个子特征对应的可见性置信度；根据训练样本的可见性标注和训练样本的每个子特征对应的可见性置信度进行神经网络的训练，得到预测神经网络。在其中一个实施例中，上述根据识别图像的多个子特征和与识别图像的每个子特征对应的可见性置信度，确定识别图像的特征，包括：将识别图像的多个子特征与识别图像的每个子特征对应的可见性置信度进行加权计算，得到多个中间特征；对多个中间特征进行求和计算，得到识别图像的特征。在其中一个实施例中，上述根据识别图像的目标特征在预先设置的图像数据库中搜索出包含目标对象的目标图像，包括：将图像数据库中的各候选图像进行特征提取，得到各候选图像的特征；从各候选图像的特征中，查找出与识别图像的特征匹配的目标特征；将目标特征对应的候选图像确定为目标图像。在其中一个实施例中，识别图像的特征为行人的全身特征；识别图像的多个子特征包括行人的上半身特征和下半身特征。第二方面，本专利技术实施例提供了一种行人重识别的处理装置，装置包括：可见性预测模块，用于将待进行重识别的识别图像输入至预先训练的预测神经网络中，得到预测神经网络输出的识别图像的多个子特征，以及与识别图像的每个子特征对应的可见性置信度；其中，识别图像包含目标对象，识别图像的多个子特征对应目标对象的多个部分区域，目标对象的多个部分区域组成目标对象；可见性置信度用于指示识别图像的每个子特征对应的目标对象的部分区域未被遮挡的概率；识别图像特征确定模块，用于根据识别图像的多个子特征和与识别图像的每个子特征对应的可见性置信度，确定识别图像的特征；目标图像搜索模块，用于根据识别图像的特征在预先设置的图像数据库中搜索出包含目标对象的目标图像。在其中一个实施例中，该装置还包括：训练样本集获取模块，用于获取训练样本集；训练样本集中包括多个训练样本和各训练样本的可见性标注；训练样本包含训练对象，训练样本的多个子特征对应训练对象的多个部分区域，训练对象的多个部分区域组成训练对象，可见性标注用于指示训练样本的每个子特征对应训练对象的部分区域的可见性；训练模块，用于基于训练样本集进行神经网络的训练，得到预测神经网络。在其中一个实施例中，上述训练样本集获取模块，包括：训练样本获取子模块，用于获取多个训练样本；可见性标注获取子模块，用于根据像素值对各训练样本中的每个子特征进行标注，得到各训练样本的可见性标注。在其中一个实施例中，上述可见性标注获取子模块，具体用于计算训练样本的平均像素值；若训练样本的子特征对应的训练对象的部分区域的平均像素值大于训练样本的平均像素值，则将训练样本的子特征标注为可见；若训练样本的子特征对应的训练对象的部分区域的平均像素值小于或等于训练样本的平均像素值，则将训练样本的子特征标注为不可见。在其中一个实施例中，上述训练模块，具体用于通过神经网络对训练样本进行特征提取，得到训练样本的特征，并将训练样本的特征分割成多个子特征；对训练样本的子特征采用权值不共享的卷积层进行卷积，并通过全局平均池化和一个全连接层获得训练样本的每个子特征对应的一维特征向量；根据激活函数和训练样本的每个子特征对应的一维特征向量，得到训练样本的每个子特征对应的可见性置信度；根据训练样本的可见性标注和训练样本的每个子特征对应的可见性置信度进行神经网络的训练，得到预测神经网络。在其中一个实施例中，识别图像特征确定模块，具体用于将识别图像的多个子特征与识别图像的每个子特征对应的可见性置信度进行加权计算，得到多个中间特征；对多个中间特征进行求和计算，得到识别图像的特征。在其中一个实施例中，目标图像搜索模块，具体用于将图像数据库中的各候选图像进行特征提取，得到各候本文档来自技高网...

【技术保护点】
1.一种行人重识别的处理方法，其特征在于，所述方法包括：/n将待进行重识别的识别图像输入至预先训练的预测神经网络中，得到所述预测神经网络输出的所述识别图像的多个子特征，以及与所述识别图像的每个子特征对应的可见性置信度；其中，所述识别图像包含目标对象，所述识别图像的多个子特征对应所述目标对象的多个部分区域，所述目标对象的多个部分区域组成所述目标对象；所述可见性置信度用于指示所述识别图像的每个子特征对应的所述目标对象的部分区域未被遮挡的概率；/n根据所述识别图像的多个子特征和与所述识别图像的每个子特征对应的可见性置信度，确定所述识别图像的特征；/n根据所述识别图像的特征在预先设置的图像数据库中搜索出包含所述目标对象的目标图像。/n

【技术特征摘要】
1.一种行人重识别的处理方法，其特征在于，所述方法包括：
将待进行重识别的识别图像输入至预先训练的预测神经网络中，得到所述预测神经网络输出的所述识别图像的多个子特征，以及与所述识别图像的每个子特征对应的可见性置信度；其中，所述识别图像包含目标对象，所述识别图像的多个子特征对应所述目标对象的多个部分区域，所述目标对象的多个部分区域组成所述目标对象；所述可见性置信度用于指示所述识别图像的每个子特征对应的所述目标对象的部分区域未被遮挡的概率；
根据所述识别图像的多个子特征和与所述识别图像的每个子特征对应的可见性置信度，确定所述识别图像的特征；
根据所述识别图像的特征在预先设置的图像数据库中搜索出包含所述目标对象的目标图像。


2.根据权利要求1所述的方法，其特征在于，在所述将待进行重识别的识别图像输入至预先训练的预测神经网络中之前，所述方法还包括：
获取训练样本集；所述训练样本集中包括多个训练样本和各所述训练样本的可见性标注；所述训练样本包含训练对象，所述训练样本的多个子特征对应所述训练对象的多个部分区域，所述训练对象的多个部分区域组成所述训练对象，所述可见性标注用于指示所述训练样本的每个子特征对应所述训练对象的部分区域的可见性；
基于所述训练样本集进行神经网络的训练，得到所述预测神经网络。


3.根据权利要求2所述的方法，其特征在于，所述获取训练样本集，包括：
获取多个训练样本；
根据像素值对各所述训练样本的每个子特征进行标注，得到各所述训练样本的可见性标注。


4.根据权利要求3所述的方法，其特征在于，所述根据像素值对各所述训练样本的每个子特征进行标注，得到各所述训练样本的可见性标注，包括：
计算所述训练样本的平均像素值；
若所述训练样本的子特征对应的所述训练对象的部分区域的平均像素值大于所述训练样本的平均像素值，则将所述训练样本的子特征标注为可见；
若所述训练样本的子特征对应的所述训练对象的部分区域的平均像素值小于或等于所述训练样本的平均像素值，则将所述训练样本的子特征标注为不可见。


5.根据权利要求2所述的方法，其特征在于，所述基于所述训练样本集进行神经网络的训练，得到所述预测神经网络，包括：
通过所述神经网络对所述训练样本进行特征提取，得到所述训练样本的特征，并将所述训练样本的特征分割成多个子特征；
对所述训练样本的子特征采用权值不共享的卷积层进行卷积，并通过全局平均池化层和一个全连接层获得所述训练样本的每个子...

【专利技术属性】
技术研发人员：王鋆玙，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11