一种行人重识别系统和方法、计算机设备及存储介质技术方案

本发明专利技术公开了一种行人重识别系统和方法、计算机设备及存储介质。所述系统包括：特征提取模块，用于提取图像F的特征；级联排布的N层SFEM和(N

【技术实现步骤摘要】
一种行人重识别系统和方法、计算机设备及存储介质


[0001]本专利技术实施例涉及计算机视觉领域，尤其涉及一种行人重识别系统和方法、计算机设备及存储介质。

技术介绍

[0002]自人类职业围棋选手被人工智能机器人阿尔法围棋(AlphaGo)击败以来，其使用的深度学习受到越来越多科研工作者的广泛关注，大量的研究促使人工智能领域涌现出丰硕的成果。作为人工智能领域的一个重要部分，计算机视觉是一类使用计算机和相关多媒体设备模拟生物视觉功能的研究，计算机视觉的主要任务是通过对采集的视频和图像进行处理以获取相应的信息。深度学习研究的火热开展促使众多计算机视觉问题得到了解决，更使得行人重识别任务的准确率显著提升。
[0003]行人重识别任务在广义上被认为是一种图像检索或者视频检索的子任务，行人重识别的特点在于：跨摄像头、跨场景下行人的识别与检索且难以使用人脸识别技术。该技术能够根据行人的穿着、体态、发型等信息认知行人，适用于更多新的应用场景，将人工智能的认知水平提高到一个新阶段。然而，跨摄像头可能会导致不同相机的分辨率不同、拍摄角度不一致、图像难对齐等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人重识别系统，其特征在于，包括：特征提取模块，用于获取待识别图像F，对F进行特征提取，输出F的图像特征；级联排布的N层显著特征提取模块SFEM和(N
‑
1)层级联抑制模块，其中，第一层SFEM与所述特征提取模块连接，所述特征提取模块的输出为所述第一层SFEM的输入；每两级SFEM之间连接有一层级联抑制模块，前一层SFEM的输出为所述一层级联抑制模块的输入，所述一层级联抑制模块的输出为后一层SFEM的输入；每一层SFEM用于对输入所述每一层SEFM的特征F1进行条状切割，并对条状分割后的特征并进行显著性特征提取，输出F1的显著性特征SplitA(F1)；每一层级联抑制模块用于分离输入所述每一层抑制模块的特征F2的显著性特征与F2的抑制显著性特征F
ca
，输出F
ca
；融合模块，与所述N层SFEM连接，每一层SFEM的输出均为所述融合模块的输入；所述融合模块用于将所述N层SFEM的输出进行融合，输出融合特征F
f
；预测模块，与所述融合模块连接，所述融合模块的输出为所述预测模块的输入；所述预测模块用于基于F
f
预测F的行人编号ID。2.如权利要求1所述的行人重识别系统，其特征在于，每一层SFEM包括：分割单元，与所述每一层SFEM的前一层模块连接，所述分割单元用于对F1进行条状切割，输出F1的k份条状特征F1、F2……
F
k
，其中，F1的维度为C
×
W
×
H，F1、F2……
F
k
的维度均为C
×
W
×
(H/k)；k个卷积单元，分别与所述分割单元连接，所述k个卷积单元分别用于对F1、F2……
F
k
进行卷积操作，得到卷积后的特征F1'、F2'
……
F
k
'，其中，F1'、F2'
……
F
k
'维度为均1
×
W
×
(H/k)；k个全局平均池化GAP单元，每个GAP与一个卷积单元连接，所述k个GAP单元分别用于对F1'、F2'
……
F
k
'分别进行全局平均池化；非线性单元，与所述k个全局平均池化GAP单元连接，所述非线性单元用于对池化后的k个特征进行softmax激活，生成权重向量V，其中，V的维度为k
×
1；显著特征提取单元，与所述非线性单元和所述每一层SFEM的前一层模块连接，所述显著特征提取单元用于将V的第x维与F1的第x份条状特征相乘，将相乘后的k个条状特征拼接为SplitA(F1)，其中，x＝1、2、
…
k。3.如权利要求1所述的行人重识别系统，其特征在于，每一层级联抑制模块包括：掩码生成单元，与所述每一层级联抑制模块的前一层SFEM模块连接，所述分离单元用于对于F2的每个像素位置，在像素值大于或等于设定阈值的情况下，将所述像素值设置为0，在所述像素值小于所述设定阈...

【专利技术属性】
技术研发人员：丁冬睿，黄瑾，王潇涵，张凯，杨光远，房体品，
申请(专利权)人：山东力聚机器人科技股份有限公司，
类型：发明
国别省市：