行人重识别方法、装置、电子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、电子设备及存储介质，所述的方法包括获取含有行人的图像信息；将含有行人的图像信息输入预先训练的神经网络中，得到图像信息中行人的特征向量，其中行人的特征向量包括行人属性的特征向量和行人重识别的特征向量；将行人的特征向量与预设特征向量集中的特征向量进行比对，根据比对结果，对图像信息中的行人进行重识别。由于用于行人重识别的神经网络在训练阶段加入了行人属性图像数据，使得预先训练的神经网络既具有行人重识别的细粒度特征，也具有行人属性的粗粒度特征，解决了图像跨域时行人重识别精度较低的问题。

【技术实现步骤摘要】
行人重识别方法、装置、电子设备及存储介质
本专利技术涉及人工智能
，具体涉及一种行人重识别方法、装置、电子设备及存储介质。
技术介绍
行人重识别是指根据所获取的行人图像，在不同拍摄设备所拍摄的图像中检索该行人图像中的行人。行人重识别现在所面临的最大问题为图像跨域的问题，也就是，将B训练图像数据集输入采用A训练图像数据集已训练好的神经网络中，神经网络的性能常常大幅下降，影响行人重识别的精度。
技术实现思路
本专利技术主要解决的技术问题是如何解决图像跨域时行人重识别精度较低的问题。根据第一方面，一种实施例中提供一种行人重识别方法，包括：获取含有行人的图像信息；将所述含有行人的图像信息输入预先训练的神经网络中，得到图像信息中行人的特征向量，其中所述行人的特征向量包括行人属性的特征向量和行人重识别的特征向量；将所述行人的特征向量与预设特征向量集中的特征向量进行比对，根据比对结果，对所述图像信息中的行人进行重识别。进一步地，神经网络包括公共神经单元、属性神经单元和重识别神经单元，所述公共神经单元的输入端与所述神经网络的输入端连接，所述公共神经单元的输出端分别与所述属性神经单元的输入端和所述重识别神经单元的输入端连接，所述属性神经单元的输出端和所述重识别神经单元的输出端与所述神经网络的输出端连接；其中，所述属性神经单元的输出端用于输出行人属性的特征向量，所述重识别神经单元的输出端用于输出行人重识别的特征向量；所述公共神经单元、属性神经单元和重识别神经单元均包括至少一个池化层和/或至少一个卷积层。进一步地，所述预先训练的神经网络通过以下方式进行训练：获取行人属性训练数据集和行人重识别训练数据集；构建神经网络；将所述行人属性训练数据集输入所述神经网络中的公共神经单元和所述属性神经单元中进行训练，得到属性训练后的神经网络；将所述行人重识别训练数据集输入所述属性训练后的神经网络中的公共神经单元和所述重识别神经单元中进行训练，得到预先训练的神经网络。进一步地，所述图像信息中行人的特征向量由所述行人属性的特征向量和所述行人重识别的特征向量拼接得到。根据第二方面，一种实施例中提供一种行人重识别装置，包括：获取图像模块，用于获取含有行人的图像信息；特征提取模块，用于将所述含有行人的图像信息输入预先训练的神经网络中，得到图像信息中行人的特征向量，其中所述行人的特征向量包括行人属性的特征向量和行人重识别的特征向量；行人重识别模块，用于将所述行人的特征向量与预设特征向量集中的特征向量进行比对，根据比对结果，对所述图像信息中的行人进行重识别。进一步地，神经网络包括公共神经单元、属性神经单元和重识别神经单元，所述公共神经单元的输入端与所述神经网络的输入端连接，所述公共神经单元的输出端分别与所述属性神经单元的输入端和所述重识别神经单元的输入端连接，所述属性神经单元的输出端和所述重识别神经单元的输出端与所述神经网络的输出端连接；其中，所述属性神经单元的输出端用于输出行人属性的特征向量，所述重识别神经单元的输出端用于输出行人重识别的特征向量；所述公共神经单元、属性神经单元和重识别神经单元均包括至少一个池化层和/或至少一个卷积层。进一步地，还包括训练模块，其用于按照以下方式对神经网络进行训练：获取行人属性训练数据集和行人重识别训练数据集；构建神经网络；将所述行人属性训练数据集输入所述神经网络中的公共神经单元和所述属性神经单元中进行训练，得到属性训练后的神经网络；将所述行人重识别训练数据集输入所述属性训练后的神经网络中的公共神经单元和所述重识别神经单元中进行训练，得到预先训练的神经网络。进一步地，所述图像信息中行人的特征向量由所述行人属性的特征向量和所述行人重识别的特征向量拼接得到。根据第三方面，一种实施例提供一种电子设备，包括：存储器，用于存储程序；处理器，用于通过执行所述存储器存储的程序以实现上述实施例所述的方法。根据第四方面，一种实施例提供一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现上述实施例所述的方法。依据上述实施例的行人重识别方法、装置、电子设备及存储介质，由于用于行人重识别的神经网络在训练阶段加入了行人属性图像数据，使得预先训练的神经网络既具有行人重识别的细粒度特征，也具有行人属性的粗粒度特征，解决了图像跨域时行人重识别精度较低的问题。附图说明图1为一种实施例的行人重识别方法的流程图；图2为一种实施例的神经网络结构示意图；图3为一种实施例的行人重识别装置的结构框图；图4为一种实施例的电子设备的结构框图。具体实施方式下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。实施例一：请参考图1，图1为一种实施例的行人重识别方法的流程图，所述的行人重识别方法可在服务器上执行，其包括步骤S10至步骤S30，下面具体说明。步骤S10，获取含有行人的图像信息。本实施例中含有行人的图像信息可以为监控摄像头所拍摄的行人视频或者行人图片，其可以为RGB图像、红外图像等多种形式的图像。步骤S20，将含有行人的图像信息输入预先训练的神经网络中，得到图像信息中行人的特征向量，其中所述行人的特征向量包括行人属性的特征向量和行人重识别的特征向量。本实施例中，行人属性是指行人的性别、年龄、着装、背包、是否长发等，行人属性的特征向量是指图像信息(图片、视频)中行人属性对应的特征向量。请参考图2，图2为一种实施的神经网络的结构示意图，所述的神经网络包括公共神经单元101、属性神经单元102和重识别神经单元103，公共神经单元101的输入端与神经网络的输入端连接，公共神经单元10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获取含有行人的图像信息；/n将所述含有行人的图像信息输入预先训练的神经网络中，得到图像信息中行人的特征向量，其中所述行人的特征向量包括行人属性的特征向量和行人重识别的特征向量；/n将所述行人的特征向量与预设特征向量集中的特征向量进行比对，根据比对结果，对所述图像信息中的行人进行重识别。/n

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括：
获取含有行人的图像信息；
将所述含有行人的图像信息输入预先训练的神经网络中，得到图像信息中行人的特征向量，其中所述行人的特征向量包括行人属性的特征向量和行人重识别的特征向量；
将所述行人的特征向量与预设特征向量集中的特征向量进行比对，根据比对结果，对所述图像信息中的行人进行重识别。


2.如权利要求1所述的行人重识别方法，其特征在于，神经网络包括公共神经单元、属性神经单元和重识别神经单元，所述公共神经单元的输入端与所述神经网络的输入端连接，所述公共神经单元的输出端分别与所述属性神经单元的输入端和所述重识别神经单元的输入端连接，所述属性神经单元的输出端和所述重识别神经单元的输出端与所述神经网络的输出端连接；其中，所述属性神经单元的输出端用于输出行人属性的特征向量，所述重识别神经单元的输出端用于输出行人重识别的特征向量；
所述公共神经单元、属性神经单元和重识别神经单元均包括至少一个池化层和/或至少一个卷积层。


3.如权利要求2所述的行人重识别方法，其特征在于，所述预先训练的神经网络通过以下方式进行训练：
获取行人属性训练数据集和行人重识别训练数据集；
构建神经网络；
将所述行人属性训练数据集输入所述神经网络中的公共神经单元和所述属性神经单元中进行训练，得到属性训练后的神经网络；
将所述行人重识别训练数据集输入所述属性训练后的神经网络中的公共神经单元和所述重识别神经单元中进行训练，得到预先训练的神经网络。


4.如权利要求1所述的行人重识别方法，其特征在于，所述图像信息中行人的特征向量由所述行人属性的特征向量和所述行人重识别的特征向量拼接得到。


5.一种行人重识别装置，其特征在于，包括：
获取图像模块，用于获取含有行人的图像信息；
特征提取模块，用于将所述含有行人的图像信息输入预先训练的神经网络中，得到图像信息...

【专利技术属性】
技术研发人员：张浩，李一力，邵新庆，刘强，徐明，
申请(专利权)人：深圳力维智联技术有限公司，南京中兴力维软件有限公司，
类型：发明
国别省市：广东;44