一种行人重识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种行人重识别方法、装置、设备及存储介质，该方法包括：获取提取待识别的行人图像得到的多个输入特征图；融合每个输入特征图得到融合特征图，计算融合特征图中每个通道对应特征图的统计量得到统计量向量，基于不同的包含全连接层的结构对统计量向量进行学习得到重要性向量，基于重要性向量确定每个输入特征图中每个通道对应的权重向量；将每个输入特征图及对应权重向量进行加权求和，得到对应的输出特征图，基于输出特征图得到待识别特征，将待识别特征与数据库中各标准特征进行比对，并确定与待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人。能够实现行人特征表达和有鉴别力的特征的有效筛选，提高识别准确率。

【技术实现步骤摘要】
一种行人重识别方法、装置、设备及存储介质
本专利技术涉及计算机视觉
，更具体地说，涉及一种行人重识别方法、装置、设备及存储介质。
技术介绍
行人重识别是指检索非重叠视域下拍摄到的图像或视频中是否存在特定行人的技术，在行人重识别任务中，主要分为2步：1)行人特征的获取；2)度量学习。其中，行人特征表达和有鉴别力的特征的筛选直接决定目标行人能否被正确识别，它是行人重识别任务的重要环节。
技术实现思路
本专利技术的目的是提供一种行人重识别方法、装置、设备及存储介质，能够实现行人特征表达和有鉴别力的特征的有效筛选，进而提高识别准确率。为了实现上述目的，本专利技术提供如下技术方案：一种行人重识别方法，包括：获取提取待识别的行人图像得到的需输入至多分支的多个输入特征图；融合每个所述输入特征图得到相应的融合特征图，计算所述融合特征图中每个通道对应特征图的统计量，得到包含每个通道对应统计量的统计量向量，基于不同的包含全连接层的结构对所述统计量向量进行学习，得到分别与每个所述输入特征图对应的重要性向量，并基于所述重要性向量确定每个所述输入特征图对应的权重向量；其中，任一输入特征图对应的权重向量包含该任一输入特征图中各通道的权重；将每个所述输入特征图及对应权重向量进行加权求和，得到对应的输出特征图，基于所述输出特征图得到待识别特征，将所述待识别特征与数据库中各标准特征进行比对，并确定与所述待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人。优选的，基于所述重要性向量确定每个所述输入特征图对应的权重向量，包括：对每个所述重要性向量进行归一化，得到分别与每个所述输入特征图对应的第一权重向量；并且，将每个所述重要性向量中相同位置的元素组成对应的向量，得到相应的多个重组向量，对每个所述重组向量进行归一化，利用每个所述重组向量中每个元素的值替换所述重要性向量中相同元素的值，得到分别与每个所述输入特征图对应的第二权重向量；将分别与每个所述输入特征图对应的所述第一权重向量及所述第二权重向量进行融合，得到分别与每个所述输入特征图对应的权重向量。优选的，将分别与每个所述输入特征图对应的所述第一权重向量及所述第二权重向量进行融合，包括：按照下列公式将分别与每个所述输入特征图对应的所述第一权重向量及所述第二权重向量进行融合：Wi＝αiPi+βiQi其中，Pi为第i个输入特征图的第一权重向量，Qi为第i个输入特征图的第二权重向量，αi及βi均为可训练第i个输入特征图对应的超参数，Wi为第i个输入特征图的权重向量。优选的，对每个所述重要性向量及所述重组向量进行归一化，包括：利用softmax函数对每个所述重组向量进行归一化，利用sigmoid函数对每个所述重要性向量进行归一化。优选的，基于所述输出特征图得到待识别特征，包括：依次基于GlobalPooling层、两个全连接层及softmax函数对所述输出特征图进行处理，得到相应的待识别特征。优选的，所述包含全连接层的结构依次包括第一全连接层、第一激活函数、第二全连接层及第二激活函数，且不同的包含全连接层的结构中参数的值不完全相同。优选的，确定与所述待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人之后，还包括：将待识别的行人图像中包含的行人对应的行人标识进行记录及显示。一种行人重识别装置，包括：获取模块，用于：获取提取待识别的行人图像得到的需输入至多分支的多个输入特征图；预处理模块，用于：融合每个所述输入特征图得到相应的融合特征图，计算所述融合特征图中每个通道对应特征图的统计量，得到包含每个通道对应统计量的统计量向量，基于不同的包含全连接层的结构对所述统计量向量进行学习，得到分别与每个所述输入特征图对应的重要性向量，并基于所述重要性向量确定每个所述输入特征图对应的权重向量；其中，任一输入特征图对应的权重向量包含该任一输入特征图中各通道的权重；识别模块，用于：将每个所述输入特征图及对应权重向量进行加权求和，得到对应的输出特征图，基于所述输出特征图得到待识别特征，将所述待识别特征与数据库中各标准特征进行比对，并确定与所述待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人。一种行人重识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上任一项所述行人重识别方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质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如上任一项所述行人重识别方法的步骤。本专利技术提供了一种行人重识别方法、装置、设备及存储介质，该方法包括：获取提取待识别的行人图像得到的需输入至多分支的多个输入特征图；融合每个所述输入特征图得到相应的融合特征图，计算所述融合特征图中每个通道对应特征图的统计量，得到包含每个通道对应统计量的统计量向量，基于不同的包含全连接层的结构对所述统计量向量进行学习，得到分别与每个所述输入特征图对应的重要性向量，并基于所述重要性向量确定每个所述输入特征图对应的权重向量；其中，任一输入特征图对应的权重向量包含该任一输入特征图中各通道的权重；将每个所述输入特征图及对应权重向量进行加权求和，得到对应的输出特征图，基于所述输出特征图得到待识别特征，将所述待识别特征与数据库中各标准特征进行比对，并确定与所述待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人。本申请公开的技术方案中，在获取对待识别的行人图像提取得到的需输入至多分支的多个输入特征图后，融合每个输入特征图得到融合特征图，计算融合特征图中每个通道对应特征图的统计量，得到由这些统计量组成的统计量向量，基于对应个数的包含全连接层的结构对统计量向量进行学习能够得到分别与每个输入特征图对应的重要性向量，进而基于每个重要性向量得到每个特征图对应权重向量，将每个输入特征图及对应权重向量加权求和，得到待识别特征，最终通过将待识别特征与数据库中标准特征进行比对，确定出行人图像中包含的行人；通过这种方式实现多分支通道级别的特征选择，从而增强网络中能够对性能有提升的通道的表达能力，同时抑制对最终结果影响不大的通道的表达能力，实现行人特征表达和有鉴别力的特征的有效筛选，进而提高识别准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种行人重识别方法的流程图；图2为本专利技术实施例提供的一种行人重识别方法中基于新型注意力模型的基本block结构示意图；图3为本专利技术实施例提供的一种行人重识别方法中包含基于新型注意力模型的基本block结构的新型的网络结构图；图4为本专利技术实施例提供的一种行人重识别本文档来自技高网...

【技术保护点】
1.一种行人重识别方法，其特征在于，包括：/n获取提取待识别的行人图像得到的需输入至多分支的多个输入特征图；/n融合每个所述输入特征图得到相应的融合特征图，计算所述融合特征图中每个通道对应特征图的统计量，得到包含每个通道对应统计量的统计量向量，基于不同的包含全连接层的结构对所述统计量向量进行学习，得到分别与每个所述输入特征图对应的重要性向量，并基于所述重要性向量确定每个所述输入特征图对应的权重向量；其中，任一输入特征图对应的权重向量包含该任一输入特征图中各通道的权重；/n将每个所述输入特征图及对应权重向量进行加权求和，得到对应的输出特征图，基于所述输出特征图得到待识别特征，将所述待识别特征与数据库中各标准特征进行比对，并确定与所述待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人。/n

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括：
获取提取待识别的行人图像得到的需输入至多分支的多个输入特征图；
融合每个所述输入特征图得到相应的融合特征图，计算所述融合特征图中每个通道对应特征图的统计量，得到包含每个通道对应统计量的统计量向量，基于不同的包含全连接层的结构对所述统计量向量进行学习，得到分别与每个所述输入特征图对应的重要性向量，并基于所述重要性向量确定每个所述输入特征图对应的权重向量；其中，任一输入特征图对应的权重向量包含该任一输入特征图中各通道的权重；
将每个所述输入特征图及对应权重向量进行加权求和，得到对应的输出特征图，基于所述输出特征图得到待识别特征，将所述待识别特征与数据库中各标准特征进行比对，并确定与所述待识别特征匹配的标准特征的行人为待识别的行人图像中包含的行人。


2.根据权利要求1所述的方法，其特征在于，基于所述重要性向量确定每个所述输入特征图对应的权重向量，包括：
对每个所述重要性向量进行归一化，得到分别与每个所述输入特征图对应的第一权重向量；并且，将每个所述重要性向量中相同位置的元素组成对应的向量，得到相应的多个重组向量，对每个所述重组向量进行归一化，利用每个所述重组向量中每个元素的值替换所述重要性向量中相同元素的值，得到分别与每个所述输入特征图对应的第二权重向量；
将分别与每个所述输入特征图对应的所述第一权重向量及所述第二权重向量进行融合，得到分别与每个所述输入特征图对应的权重向量。


3.根据权利要求2所述的方法，其特征在于，将分别与每个所述输入特征图对应的所述第一权重向量及所述第二权重向量进行融合，包括：
按照下列公式将分别与每个所述输入特征图对应的所述第一权重向量及所述第二权重向量进行融合：
Wi＝αiPi+βiQi
其中，Pi为第i个输入特征图的第一权重向量，Qi为第i个输入特征图的第二权重向量，αi及βi均为可训练第i个输入特征图对应的超参数，Wi为第i个输入特征图的权重向量。


4.根据权利要求3所述的方法，其特征在于，对每个所述重要性向量及所述重组向量进行归一化，包括：
利用softmax函数对每个所述...

【专利技术属性】
技术研发人员：范宝余，王立，郭振华，赵雅倩，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32