一种行人重识别方法、装置、介质和移动机器人制造方法及图纸

本发明专利技术公开了一种行人重识别方法、装置、介质和移动机器人，方法包括：构建行人重识别网络模型；通过第一训练集对行人重识别网络模型的骨干网络和检测头模块进行训练；固定优化后骨干网络和检测头模块的网络参数，并通过第二训练集对行人重识别网络模型的感兴趣池化模块和行人特征提取模块进行训练；采集实时行人图片，并基于训练完成的行人重识别网络模型对目标行人进行检测。本发明专利技术将行人识别网络、行人特征提取网络和行人特征对比模块整合到一个深度神经网络中，并将运算都移植到图形处理器，从而去除了不必要的数据拷贝过程，减少了CPU资源的占用率，加快了目标行人的识别速度，保障了网络有稳定的耗时，在实际业务环境中更容易落地。

【技术实现步骤摘要】
一种行人重识别方法、装置、介质和移动机器人
本专利技术涉及机器人领域，尤其涉及一种行人重识别方法、装置、介质和移动机器人。
技术介绍
随着机器人行业的快速发展，各种服务机器人层出不穷，机器人在我们的生活、工作中也应用得越来越广泛。在酒店、银行等服务行业的楼宇中，迎宾机器人可以协助实现宾客身份登记、协助宾客存放随身背包等物品，并跟随宾客直到服务结束。而在实际场景下，尤其是在人流量大、人与人相互穿行等场景，机器人容易错认目标宾客或者在目标宾客转弯时错失目标宾客等。机器人实现宾客跟随的首要前提是对行人重识别，行人重识别是一种判断图像中是否存在特定人，即目标宾客的技术，通过该技术实现对特定人的追随功能。现有技术的行人重识别方法包含多个步骤，即行人识别、行人特征提取和行人特征比对，其中行人识别和行人特征提取都是基于不同功能的深度卷积神经网络实现。在实际运用过程中，多步骤的行人重识别方案计算量大，且需要进行多次的数据拷贝，因此网络计算执行效率低，影响了机器人在各种复杂环境下的跟随效果。
技术实现思路
本专利技术提供了一种行人重识别方法、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，包括以下步骤：/n步骤1，构建行人重识别网络模型，并将所述行人重识别网络模型设置到图形处理器中；所述行人重识别网络模型包括依次连接的骨干网络、检测头模块、感兴趣池化模块、行人特征提取模块和行人特征比对模块；/n步骤2，获取第一训练集，并通过所述第一训练集对所述骨干网络和所述检测头模块进行训练，优化所述骨干网络和所述检测头模块的网络参数；/n步骤3，固定优化后所述骨干网络和所述检测头模块的网络参数，并获取第二训练集，通过所述第二训练集对所述感兴趣池化模块和所述行人特征提取模块进行训练，优化所述感兴趣池化模块和所述行人特征提取模块的网络参数；/n步骤4，采集实时...

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括以下步骤：
步骤1，构建行人重识别网络模型，并将所述行人重识别网络模型设置到图形处理器中；所述行人重识别网络模型包括依次连接的骨干网络、检测头模块、感兴趣池化模块、行人特征提取模块和行人特征比对模块；
步骤2，获取第一训练集，并通过所述第一训练集对所述骨干网络和所述检测头模块进行训练，优化所述骨干网络和所述检测头模块的网络参数；
步骤3，固定优化后所述骨干网络和所述检测头模块的网络参数，并获取第二训练集，通过所述第二训练集对所述感兴趣池化模块和所述行人特征提取模块进行训练，优化所述感兴趣池化模块和所述行人特征提取模块的网络参数；
步骤4，采集实时行人图片，并基于训练完成的所述行人重识别网络模型对所述实时行人图片中的目标行人进行检测。


2.根据权利要求1所述的行人重识别方法，其特征在于，所述骨干网络的网络结构按计算单元处理顺序为：
第一卷积块，卷积层为30通道，3x3卷积核，步长为2，连接BN层处理，再连接一个LeakyReLU层输出；
第二卷积块，卷积层为61通道，3x3卷积核，步长为2，连接BN层处理，再连接一个LeakyReLU层输出；
第一卷积块组，包括依次连接的第三卷积块、第四卷积块和第五卷积块，所述第三卷积块的卷积层为109通道，3x3卷积核，步长为2；所述第四卷积块的卷积层为64通道，1x1卷积核，步长为2；所述第五卷积块的卷积层为106通道，3x3卷积核，步长为1；
第二卷积块组，包括依次连接的第六卷积块、第七卷积块和第八卷积块，所述第六卷积块的卷积层为129通道，3x3卷积核，步长为2；所述第七卷积块的卷积层为128通道，1x1卷积核，步长为1；所述第八卷积块的卷积层为181通道，3x3卷积核，步长为1；
第三卷积块组，包括依次连接的第九卷积块、第十卷积块、第十一卷积块、第十二卷积块和第十三卷积块，所述第九卷积块的卷积层为277通道，3x3卷积核，步长为2；所述第十卷积块的卷积层为195通道，1x1卷积核，步长为1；所述第十一卷积块的卷积层为297通道，3x3卷积核，步长为1；所述第十二卷积块的卷积层为195通道，1x1卷积核，步长为1；所述第十三卷积块的卷积层为381通道，3x3卷积核，步长为1；
第四卷积块组，包括依次连接的第十四卷积块、第十五卷积块、第十六卷积块、第十七卷积块和第十八卷积块，所述第十四卷积块的卷积层为469通道，3x3卷积核，步长为2；所述第十五卷积块的卷积层为379通道，1x1卷积核，步长为1；所述第十六卷积块的卷积层为499通道，3x3卷积核，步长为1；所述第十七卷积块的卷积层为351通道，1x1卷积核，步长为1；所述第十八卷积块的卷积层为340通道，3x3卷积核，步长为1。


3.根据权利要求2所述的行人重识别方法，其特征在于，所述检测头模块的网络结构包括第一检测头单元、第二检测头单元、上采样单元和非极大值抑制单元，
所述第一检测头单元包括第十九卷积块和第一检测头，所述第十九卷积块的第一输入端连接所述第三卷积块组的输出端，所述第十九卷积块的第一输出端经所述第一检测头连接所述非极大值抑制单元的第一输入端；
所述第二检测头单元包括第二十卷积块和第二检测头，所述第二十卷积块的输入端连接所述第四卷积块组的输出端，所述第二十卷积块的第一输出端经所述第二检测头连接所述非极大值抑制单元的第二输入端，所述第二十卷积块的第二输出端经所述上采样单元连接所述第十九卷积块的第二输入端；
所述第十九卷积块的卷积层为128通道，1x1卷积核，步长为1，连接BN层处理，再连接一个LeakyReLU层输出；
所述第二十卷积块的卷积层为128通道，1x1卷积核，步长为1，连接BN层处理，再连接一个LeakyReLU层输出。


4.根据权利要求3所述的行人重识别方法，其特征在于，所述感兴趣池化模块的第一输入端连接所述第二卷积块组的输出端，所述感兴趣池化模块的第二输入端连接所述非极大值抑制单元的输出端，所述感兴趣池化模块的输出端连接所述行人特征提取模块的输入端；所述行人特征提取模块的网络结构包括第二十一卷积块、第二十二卷积块和第二十三卷积块，
所述第二十一卷积块的卷积层为128通道，3x3卷积核，步长为1；
所述第二十二卷积块的卷积层为96通道，3x3卷积核，步长为1；
所述第二十三卷积块的卷积层为64通道，3x3卷积核，步长为1。

【专利技术属性】
技术研发人员：秦豪，赵明，
申请(专利权)人：上海有个机器人有限公司，
类型：发明
国别省市：上海;31