一种行人重识别方法、装置、设备及介质制造方法及图纸

本申请公开了一种行人重识别方法、装置、设备及介质，涉及行人重识别技术领域，方法包括：基于获取的待识别行人图像和若干原始行人图像获取待识别全局特征图和原始全局特征图；获取待识别全局特征图和原始全局特征图分别对应的加权权重系数，基于相应的加权权重系数得到加权后待识别全局特征图和加权后原始全局特征图；获取加权后待识别全局特征图和加权后原始全局特征图分别对应的行人属性特征和分别对应的行人全局特征，基于行人全局特征和行人属性特征获取待识别行人图像和原始行人图像分别对应的行人识别特征；基于行人识别特征从原始行人图像中提取与待识别行人图像对应的目标行人图像以实现行人重识别。本申请提高了行人重识别的准确性。高了行人重识别的准确性。高了行人重识别的准确性。

【技术实现步骤摘要】
一种行人重识别方法、装置、设备及介质


[0001]本专利技术涉及行人重识别
，特别涉及一种行人重识别方法、装置、设备及介质。

技术介绍

[0002]行人重识别(Person Re
‑
identification，ReID)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技术。广泛被认为是一个图像检索的子问题，即给定一个监控行人图像，检索跨设备下的该行人图像。
[0003]现有的有监督行人重识别技术，与常规的有监督图像识别模型提取特征并特征比对方法相似，即训练一个强特征提取模型，用该特征提取模型对原始行人图像进行特征提取，变换而得到抽象的行人描述，然后通过学习一个距离度量函数对行人的特征进行相似性判别，从而得到初步的排序列表，最后再根据相关排序优化原始排序列表，最后得到最终的行人识别结果；具体的，现有方法使用常规的CNN(Convolutional Neural Network，卷积神经网络)图像分类模型，如ResNet(residual network，残差网络)系列模型作为模型框架主干，在Bottleneck(瓶颈层)中引入通道注意力的操作后为不同通道赋予不同的权重，从而学习通道之间的相关性；为了使网络关注局部特征，存在将全局特征划分为H(高)*W(宽)块局部块，每个局部块经过一个通道注意力的处理，然后将得到的权值经过均值和扩展处理得到一组H*W的二维矩阵，最终与全局特征进行相乘得到新特征；其中，Bottleneck为神经网络中一种基础结构单元，使用1*1神经网络进行降维处理，常见出现在ResNet中。
[0004]但是，现有技术方案中将全局特征划分为W*H块局部特征经过通道注意力模块处理，而通道注意力模块本身常规是由全连接层组成，因此相对普通的卷积层更消耗性能，因此如果使用较多的通道注意力模块，整体模型性能会是一个较大的问题；其次，所有局部区域都经过通道注意力的处理，局部区域依然没有针对性，人体以外的显著性目标依然可能会重点学习，从而可能无法较好的关注人体的重点区域；此外，将每个局部权值根据通道经过均值处理，可能会削弱通道注意力机制学习不同通道相关性的特点，以至降低行人重识别的准确性；另外，仅依靠行人ID(Identity document)信息进行行人检索，可能无法有效辨识不同行人特征达到重识别的目的，也会降低行人重识别的准确性。
[0005]综上所述，如何提高行人重识别的准确性是当前亟待解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种行人重识别方法、装置、设备及介质，能够提高行人重识别的准确性。其具体方案如下：
[0007]第一方面，本申请公开了一种行人重识别方法，包括：
[0008]获取待识别行人图像和若干原始行人图像，并利用行人重识别模型获取所述待识别行人图像对应的待识别全局特征图和所述原始行人图像对应的原始全局特征图；
[0009]获取所述待识别全局特征图和所述原始全局特征图分别对应的不同通道的加权
权重系数，并基于相应的所述加权权重系数对所述待识别全局特征图和所述原始全局特征图分别对应的头肩区域图像进行加权以得到加权后待识别全局特征图和加权后原始全局特征图；
[0010]通过行人属性分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的行人属性特征，并利用所述行人重识别模型中预先基于多维全局辅助分支训练得到的目标主干全局分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的行人全局特征，然后基于所述行人全局特征和所述行人属性特征获取所述待识别行人图像和所述原始行人图像分别对应的行人识别特征；
[0011]基于所述行人识别特征从所述原始行人图像中提取与所述待识别行人图像对应的目标行人图像，以实现行人重识别。
[0012]可选的，所述获取所述待识别全局特征图和所述原始全局特征图分别对应的不同通道的加权权重系数，包括：
[0013]基于全局池化层对所述待识别全局特征图和所述原始全局特征图进行特征压缩，并基于全连接层和激活层对压缩后图像进行特征激发以获取所述待识别全局特征图和所述原始全局特征图分别对应的不同通道的加权权重系数。
[0014]可选的，所述基于相应的所述加权权重系数对所述待识别全局特征图和所述原始全局特征图分别对应的头肩区域图像进行加权以得到加权后待识别全局特征图和加权后原始全局特征图，包括：
[0015]对所述待识别全局特征图和所述原始全局特征图进行横向三等分，以得到所述待识别全局特征图和所述原始全局特征图分别对应的头肩区域图像、躯体区域图像和下半身区域图像；
[0016]将所述待识别全局特征图和所述原始全局特征图分别对应的所述权重系数和所述头肩区域图像进行点乘，以得到所述待识别行人图像和所述原始行人图像分别对应的加权后头肩区域图像；
[0017]将所述加权后头肩区域图像与相应的所述躯体区域图像和所述下半身区域图像进行拼接，以得到加权后待识别全局特征图和加权后原始全局特征图。
[0018]可选的，所述获取待识别行人图像和若干原始行人图像，并利用行人重识别模型获取所述待识别行人图像对应的待识别全局特征图和所述原始行人图像对应的原始全局特征图之前，还包括：
[0019]利用预先获取的目标区域中由不同方位的摄像头拍摄的若干参考行人图片构建训练集，并利用所述训练集对基于残差网络搭建的行人重识别网络进行训练得到所述行人重识别模型。
[0020]可选的，所述利用所述行人重识别模型中预先基于多维全局辅助分支训练得到的目标主干全局分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的行人全局特征之前，还包括：
[0021]利用所述行人重识别网络新增的多维全局辅助分支获取所述训练集对应的不同维度的参考全局特征，并利用所述行人重识别网络的原始主干全局分支获取所述训练集对应的目标维度的目标全局特征；
[0022]基于所述参考全局特征和目标全局特征，并利用loss反传播训练所述原始主干全
局分支得到目标主干全局分支，以便利用所述目标主干全局分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的所述行人全局特征。
[0023]可选的，所述基于所述行人全局特征和所述行人属性特征获取所述待识别行人图像和所述原始行人图像分别对应的行人识别特征，包括：
[0024]通过特征融合降维卷积层分别将所述加权后待识别全局特征图和所述加权后原始全局特征图对应的所述行人全局特征和所述行人属性特征进行拼接，并对拼接后特征进行降维卷积操作以获取所述待识别行人图像和所述原始行人图像分别对应的行人识别特征。
[0025]可选的，所述基于所述行人识别特征从所述原始行人图像中提取与所述待识别行人图像对应的目标行人图像，以实现行人重识别，包括：
[0026]计算所述待识别图像对应的所述行人识别特征与所有所述原始图像对应的所述行人识别特征之间的目标距离；...

【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：获取待识别行人图像和若干原始行人图像，并利用行人重识别模型获取所述待识别行人图像对应的待识别全局特征图和所述原始行人图像对应的原始全局特征图；获取所述待识别全局特征图和所述原始全局特征图分别对应的不同通道的加权权重系数，并基于相应的所述加权权重系数对所述待识别全局特征图和所述原始全局特征图分别对应的头肩区域图像进行加权以得到加权后待识别全局特征图和加权后原始全局特征图；通过行人属性分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的行人属性特征，并利用所述行人重识别模型中预先基于多维全局辅助分支训练得到的目标主干全局分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的行人全局特征，然后基于所述行人全局特征和所述行人属性特征获取所述待识别行人图像和所述原始行人图像分别对应的行人识别特征；基于所述行人识别特征从所述原始行人图像中提取与所述待识别行人图像对应的目标行人图像，以实现行人重识别。2.根据权利要求1所述的行人重识别方法，其特征在于，所述获取所述待识别全局特征图和所述原始全局特征图分别对应的不同通道的加权权重系数，包括：基于全局池化层对所述待识别全局特征图和所述原始全局特征图进行特征压缩，并基于全连接层和激活层对压缩后图像进行特征激发以获取所述待识别全局特征图和所述原始全局特征图分别对应的不同通道的加权权重系数。3.根据权利要求1所述的行人重识别方法，其特征在于，所述基于相应的所述加权权重系数对所述待识别全局特征图和所述原始全局特征图分别对应的头肩区域图像进行加权以得到加权后待识别全局特征图和加权后原始全局特征图，包括：对所述待识别全局特征图和所述原始全局特征图进行横向三等分，以得到所述待识别全局特征图和所述原始全局特征图分别对应的头肩区域图像、躯体区域图像和下半身区域图像；将所述待识别全局特征图和所述原始全局特征图分别对应的所述权重系数和所述头肩区域图像进行点乘，以得到所述待识别行人图像和所述原始行人图像分别对应的加权后头肩区域图像；将所述加权后头肩区域图像与相应的所述躯体区域图像和所述下半身区域图像进行拼接，以得到加权后待识别全局特征图和加权后原始全局特征图。4.根据权利要求1所述的行人重识别方法，其特征在于，所述获取待识别行人图像和若干原始行人图像，并利用行人重识别模型获取所述待识别行人图像对应的待识别全局特征图和所述原始行人图像对应的原始全局特征图之前，还包括：利用预先获取的目标区域中由不同方位的摄像头拍摄的若干参考行人图片构建训练集，并利用所述训练集对基于残差网络搭建的行人重识别网络进行训练得到所述行人重识别模型。5.根据权利要求4所述的行人重识别方法，其特征在于，所述利用所述行人重识别模型中预先基于多维全局辅助分支训练得到的目标主干全局分支获取所述加权后待识别全局特征图和所述加权后原始全局特征图分别对应的行人全局特征...

【专利技术属性】
技术研发人员：林开东，杨爱胜，王一妍，谢志文，崔国臣，
申请(专利权)人：济南博观智能科技有限公司，
类型：发明
国别省市：