基于人工智能的行人重识别方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，揭示了一种基于人工智能的行人重识别方法、装置、设备及存储介质，其中方法包括：将目标图像输入预设的特征提取模型得到每个特征输出模块输出的待分析特征向量；将每个待分析特征向量输入预设的分类预测模块进行分类概率预测得到分类概率预测结果；根据目标特征向量和预设的相似图像数量从预设的人体图像库中确定相似人体图像集，目标特征向量是任一个待分析特征向量；针对各个相似人体图像集中的每张人体图像，将各个分类概率预测结果和各个分类预测模块的权重进行加权求和得到软投票评分；根据各个软投票评分确定行人重识别结果。实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性。提高了行人重识别的准确性。提高了行人重识别的准确性。

【技术实现步骤摘要】
基于人工智能的行人重识别方法、装置、设备及存储介质


[0001]本申请涉及到人工智能
，特别是涉及到一种基于人工智能的行人重识别方法、装置、设备及存储介质。

技术介绍

[0002]行人重识别(Person re
‑
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，广泛被认为是一个图像检索的子问题，其任务是给定一个监控行人图像，检索人体图像库中是否存在与监控行人图像中的行人相同的人体图像。
[0003]一般来说，行人重识别任务的流程是首先训练一个特征提取网络，根据特征所计算的余弦度量距离得到损失值，优化器根据损失值不断更新网络的参数达到学习的效果。
[0004]在行人重识别任务的特征提取网络中，靠近输入层的特征往往包含了更多局部细节的语义信息，而靠近输出层的特征往往包含了更高层的全局语义信息，现有的行人重识别方法往往只使用特征提取网络的最后一层的特征向量与人体图像库中的人体图像做匹配而没有考虑底层特征，因小物体本身具有的像素信息较少，从而在特征提取网络进行下采样的过程中极易被丢失，导致行人重识别的准确性不高。

技术实现思路

[0005]本申请的主要目的为提供一种基于人工智能的行人重识别方法、装置、设备及存储介质，旨在解决现有的行人重识别方法只使用特征提取网络的最后一层的特征向量与人体图像库中的人体图像做匹配而没有考虑底层特征，导致行人重识别的准确性不高的技术问题。
[0006]为了实现上述专利技术目的，本申请提出一种基于人工智能的行人重识别方法，所述方法包括：
[0007]获取目标图像；
[0008]将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
[0009]将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
[0010]根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
[0011]针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
[0012]根据各个所述软投票评分，确定行人重识别结果。
[0013]进一步的，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模
块输出的待分析特征向量的步骤，包括：
[0014]将所述目标图像输入所述特征金字塔的第1个特征提取层，得到第1个特征初始向量；
[0015]将第i
‑
1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层，得到第i个所述特征初始向量，其中，i大于1并且小于n+1，n是个大于2的整数；
[0016]将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量；
[0017]将第k
‑
1个所述融合特征向量和第n
‑
k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量，其中，k是大于1并且小于n；
[0018]将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量，其中，m大于0并且小于n。
[0019]进一步的，所述将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量的步骤，包括：
[0020]采用第1个所述特征融合层的通道扩展卷积核，对第n个所述特征初始向量进行通道扩展，得到第1个所述融合特征向量，其中，所述通道扩展卷积核为1*1卷积核；
[0021]所述将第k
‑
1个所述融合特征向量和第n
‑
k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量的步骤，包括：
[0022]采用第k个所述特征融合层的所述通道扩展卷积核，对第n
‑
k+1个所述特征初始向量进行通道扩展，得到第k个所述通道扩展特征；
[0023]将第k
‑
1个所述融合特征向量输入第k个所述特征融合层的最近邻插值处理子层进行等比例放大，得到第k个等比例放大特征；
[0024]将第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理，得到第k个所述融合特征向量。
[0025]进一步的，所述将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量的步骤，包括：
[0026]采用第m个所述特征输出模块的混叠效应消除层，对第m个所述融合特征向量进行混叠效应消除，得到第m个已消除混叠效应特征向量，其中，所述混叠效应消除层为3*3卷积核；
[0027]将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行池化处理，得到第m个所述待分析特征向量。
[0028]进一步的，所述根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集的步骤，包括：
[0029]对所述目标特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第一相似度；
[0030]从各个所述第一相似度中，找出值最大并且数量与所述相似图像数量相同的所述第一相似度，作为初始相似度集；
[0031]对所述初始相似度集对应的各张所述人体图像的特征向量和所述目标特征向量进行平均值计算，得到已调整特征向量；
[0032]对所述已调整特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第二相似度；
[0033]从各个所述第二相似度中，找出值最大并且数量与所述相似图像数量相同的所述第二相似度，得到目标相似度集；
[0034]将所述目标相似度集对应的各张所述人体图像作为所述相似人体图像集。
[0035]进一步的，所述根据各个所述软投票评分，确定行人重识别结果的步骤，包括：
[0036]从各个所述软投票评分中找出值为最大的所述软投票评分，得到目标评分；
[0037]判断所述目标评分是否大于预设的评分阈值；
[0038]若是，则确定所述行人重识别结果的识别结果为成功，并且将所述目标评分对应的所述人体图像作为所述行人重识别结果的命中图像；
[0039]若否，则确定所述行人重识别结果的识别结果为失败。
[0040]进一步的，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤之前，还包括：
[0041]获取初始模型和训练样本集，其中，所述初始模型包括：初始特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的行人重识别方法，其特征在于，所述方法包括：获取目标图像；将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；根据各个所述软投票评分，确定行人重识别结果。2.根据权利要求1所述的基于人工智能的行人重识别方法，其特征在于，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤，包括：将所述目标图像输入所述特征金字塔的第1个特征提取层，得到第1个特征初始向量；将第i
‑
1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层，得到第i个所述特征初始向量，其中，i大于1并且小于n+1，n是个大于2的整数；将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量；将第k
‑
1个所述融合特征向量和第n
‑
k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量，其中，k是大于1并且小于n；将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量，其中，m大于0并且小于n。3.根据权利要求2所述的基于人工智能的行人重识别方法，其特征在于，所述将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量的步骤，包括：采用第1个所述特征融合层的通道扩展卷积核，对第n个所述特征初始向量进行通道扩展，得到第1个所述融合特征向量，其中，所述通道扩展卷积核为1*1卷积核；所述将第k
‑
1个所述融合特征向量和第n
‑
k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量的步骤，包括：采用第k个所述特征融合层的所述通道扩展卷积核，对第n
‑
k+1个所述特征初始向量进行通道扩展，得到第k个所述通道扩展特征；将第k
‑
1个所述融合特征向量输入第k个所述特征融合层的最近邻插值处理子层进行等比例放大，得到第k个等比例放大特征；将第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理，得到第k个所述融合特征向量。4.根据权利要求2所述的基于人工智能的行人重识别方法，其特征在于，所述将第m个
所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量的步骤，包括：采用第m个所述特征输出模块的混叠效应消除层，对第m个所述融合特征向量进行混叠效应消除，得到第m个已消除混叠效应特征向量，其中，所述混叠效应消除层为3*3卷积核；将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行池化处理，得到第m个所述待分析特征向量。5.根据权利要求1所述的基于人工智...

【专利技术属性】
技术研发人员：郑喜民，朱翌，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：