行人重识别方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种行人重识别方法、装置及电子设备。所述方法包括如下步骤：获取第一图像集，所述第一图像集包括多张第一图片；对第一图像进行特征抽取处理，得到具有第一图像的原始分辨率的原始特征图；利用原始特征图生成具有大于原始分辨率的第一分辨率和具有小于原始分辨率的第二分辨率的两种特征图，并对原始特征图和所述两种特征图进行多分辨率特征融合，得到具有原始分辨率的融合特征图；将所述融合特征图输入训练好的行人重识别模型进行行人重识别，得到行人重识别结果，通过对原始特征图进行多分辨率融合，再利用多分辨率融合后的特征图进行行人重识别，能够解决行人重识别中不同分辨率特征匹配的问题，实现更加高效准确的行人重识别。准确的行人重识别。准确的行人重识别。

【技术实现步骤摘要】
行人重识别方法、装置及电子设备


[0001]本专利技术涉及行人识别
，尤其涉及一种行人重识别方法、装置及电子设备。

技术介绍

[0002]近年来，随着人工智能技术的发展，在公共安防、图像检索等应用场景中的行人重识别技术被广泛研究和关注。但是行人重识别与人脸识别、手势识别等传统生物识别技术相比，因监控视频的分辨率，背景影响，光线和姿态不同等不可控原因从而会导致识别精度低。
[0003]因此，行人重识别技术在实际应用场景下会面临较大的挑战。另外随着城市发展日新月异，提取到的行人样本中由于不同镜头抓拍导致同一个目标会有不同分辨率的图像，会对模型特征匹配造成很大的困难，如何使得行人重识别模型能在推理阶段学习到同一个目标在不同分辨率下的特征也是一个亟待解决的问题。一些方法虽然取得了不错的效果，但是仅仅在训练阶段起作用或者对数据多样性要求很高。所以，如何在样本多样性不足的前提下学习到同一目标在不同分辨率下的特征仍然值得研究。
[0004]在真实场景下，收集到的行人数据分辨率和光照以及清晰程度非常多样，并且不同分辨率和光照对模型的特征匹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人重识别方法，其特征在于，包括如下步骤：步骤S1、获取第一图像集，所述第一图像集包括多张第一图片；步骤S2、对第一图像进行特征抽取处理，得到具有第一图像的原始分辨率的原始特征图；步骤S3、利用原始特征图生成具有大于原始分辨率的第一分辨率和具有小于原始分辨率的第二分辨率的两种特征图，并对原始特征图和所述两种特征图进行多分辨率特征融合，得到具有原始分辨率的融合特征图；步骤S4、将所述融合特征图输入训练好的行人重识别模型进行行人重识别，得到行人重识别结果。2.如权利要求1所述的行人重识别方法，其特征在于，所述步骤S3具体包括：对原始特征图进行上采样，得到具有大于原始分辨率的第一分辨率的高分特征图；对所述第一特征图进行下采样，得到具有原始分辨率的第一过渡特征图；对原始特征图进行下采样，得到具有小于原始分辨率的第二分辨率的低分特征图；对所述低分特征图进行上采样，得到具有原始分辨率的第二过渡特征图；对第一过渡特征图、第二过渡特征图、原始特征图进行融合处理，得到目标融合特征图。3.如权利要求1所述的行人重识别方法，其特征在于，所述步骤S3中通过跨并行子网交换单元完成，所述跨并行子网交换单元包括：高分子网，所述高分子网包括依次连接的多个高分卷积层；原始子网，所述原始子网包括依次连接的多个原始卷积层；低分子网，所述低分子网包括依次连接的多个低分卷积层；不同的子网之间通过上采样层及下采样层相连，以转换不同子网之间的特征图的分辨率。4.如权利要求1所述的行人重识别方法，其特征在于，所述高分子网包括：依次连接的第一高分卷积层、第二高分卷积层、第三高分卷积层及第四高分卷积层；所述原始子网包括：依次连接的第一原始卷积层、第二原始卷积层、第三原始卷积层、第四原始卷积层、第五原始卷积层及第六原始卷积层；所述低分子网包括：依次连接的依次连接的第一低分卷积层及第二低分卷积层；所述第二原始卷积层的通过第一上采样层与第一高分卷积层相连；所述第三原始卷积层通过第二上采样层与第二高分卷积层相连；所述第四原始卷积层通过第一下采样层与第一高分卷积层相连，通过第二下采样层与第一低分卷积层相连；所述第五原始卷积层通过第三上采样层与第四高分卷积层相连，通过第三下采样层与第二低分卷积层相连；所述第三高分卷积层通过第四下采样层与第六原始卷积层相连，通过第五下采样层与第二低分卷积层相连；所述第一低分卷积层通过第四上采样层与第六原始卷积层相连，通过第五上采样层与第四高分卷积层相连。5.如权利要求4所述的行人重识别方法，其特征在于，所述第四原始卷积层同时接收第三原始卷...

【专利技术属性】
技术研发人员：何群，闾凡兵，吴婷，
申请(专利权)人：长沙海信智能系统研究院有限公司，
类型：发明
国别省市：