一种行人重识别方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种行人重识别方法、装置及电子设备，属于人工智能的技术领域，解决了现有技术存在行人重识别的精度不高的问题。该行人重识别方法包括：将待识别的人体图像分割为多个局部图像；利用RESNET神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；对人体高维识别特征进行匹配识别，获得识别结果。获得识别结果。获得识别结果。

【技术实现步骤摘要】
一种行人重识别方法、装置及电子设备


[0001]本专利技术涉及人工智能
，尤其是涉及一种行人重识别方法、装置及电子设备。

技术介绍

[0002]随着人工智能技术的发展和进步，目标识别已在诸多领域应用。目标识别技术除了用于识别目标的类别，还能够识别目标的行为。行人重识别(Person Re
‑
Identification，简称REID)技术是现在计算机研究的热门方向，主要解决跨摄像机场景下的行人的识别与检索，该技术能够根据行人的穿着、体态、发型等信息识别行人。
[0003]行人重识别技术可以作为人脸识别技术的重要补充，实现对无法获取清晰人脸的行人进行跨摄像机的连续跟踪，增强数据的时空连续性，对安防监控领域有着重要意义。但是，现有技术在遮挡及外观相似度较高情况下，存在行人重识别的精度不高的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种行人重识别方法、装置及电子设备，解决了现有技术存在行人重识别的精度不高的问题。
[0005]第一方面，本专利技术提供一种行人重识别方法，包括：
[0006]将待识别的人体图像分割为多个局部图像；
[0007]利用RESNET神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；
[0008]通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；
[0009]对人体高维识别特征进行匹配识别，获得识别结果。
[0010]进一步的，所述多个局部图像包括头部、躯干、左臂、右臂、左腿和右腿。
[0011]进一步的，通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征的步骤，包括：
[0012]通过局部特征拼接法，对多个人体特征进行对齐融合，获得人体高维识别特征。
[0013]进一步的，对人体高维识别特征进行匹配识别，获得识别结果的步骤，包括：
[0014]利用余弦相似度算法，在底库中检索人体高维识别特征的匹配目标，获得识别结果。
[0015]进一步的，RESNET神经网络的训练过程，包括：
[0016]将训练样本进行人体图像分割，形成多个局部图像的训练集和验证集；
[0017]利用训练集和验证集输入初始RESNET神经网络；
[0018]配置深度学习参数，对初始RESNET神经网络进行训练；
[0019]获得训练后的RESNET神经网络。
[0020]进一步的，配置深度学习参数，对初始RESNET神经网络进行训练的步骤，包括：
[0021]利用交叉熵损失L
s
和中心损失L
c
一起训练初始RESNET神经网络的网络参数；
[0022]损失函数为
[0023][0024]其中，m表示样本个数，y
i
表示第i个样本的预测结果，表示第i个样本的标签结果，λ表示度量系数，表示第y
i
个类别的特征中心。
[0025]第二方面，本专利技术还提供一种行人重识别装置，包括：
[0026]分割模块，用于将待识别的人体图像分割为多个局部图像；
[0027]特征模块，用于利用RESNET神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；
[0028]融合模块，用于通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；
[0029]识别模块，用于对人体高维识别特征进行匹配识别，获得识别结果。
[0030]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0031]第四方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述的方法。
[0032]本专利技术提供的行人重识别方法，首先将待识别的人体图像分割为多个局部图像；然后利用RESNET神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；再通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；最后对人体高维识别特征进行匹配识别，获得识别结果。通过局部特征的提取与融合，获得人体外观的细腻特征表达，以提高行人重识别的精度与可靠性，解决了现有技术存在行人重识别的精度不高的问题。
[0033]相应地，本专利技术提供的行人重识别装置、电子设备及计算机可读存储介质，也同样具有上述技术效果。
附图说明
[0034]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术实施例提供的行人重识别方法的流程图；
[0036]图2为本专利技术实施例提供的行人重识别方法的另一流程图；
[0037]图3为本专利技术实施例提供的行人重识别装置的示意图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]本专利技术实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0040]如图1和图2所示，本专利技术实施例提供一种行人重识别方法，包括以下步骤：
[0041]S1：将待识别的人体图像分割为多个局部图像。
[0042]S2：利用RESNET(Deep residual network，深度残差网络)神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征。
[0043]S3：通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征。
[0044]S4：对人体高维识别特征进行匹配识别，获得识别结果。
[0045]本专利技术实施例通过局部特征的提取与融合，获得人体外观的细腻特征表达，以提高行人重识别的精度与可靠性，解决了现有技术存在行人重识别的精度不高的问题。
[0046]在一种可能的实施方式中，多个局部图像具体是6个不同部位的局部图像，分别是头部、躯干、左臂、右臂、左腿和右腿。
[0047]在一种可能的实施方式中，上述步骤S3具体包括：
[0048]通过局部特征对齐拼本文档来自技高网...

【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：将待识别的人体图像分割为多个局部图像；利用RESNET神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；对人体高维识别特征进行匹配识别，获得识别结果。2.根据权利要求1所述的方法，其特征在于，所述多个局部图像包括头部、躯干、左臂、右臂、左腿和右腿。3.根据权利要求1所述的方法，其特征在于，通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征的步骤，包括：通过局部特征拼接法，对多个人体特征进行对齐融合，获得人体高维识别特征。4.根据权利要求1所述的方法，其特征在于，对人体高维识别特征进行匹配识别，获得识别结果的步骤，包括：利用余弦相似度算法，在底库中检索人体高维识别特征的匹配目标，获得识别结果。5.根据权利要求1所述的方法，其特征在于，RESNET神经网络的训练过程，包括：将训练样本进行人体图像分割，形成多个局部图像的训练集和验证集；利用训练集和验证集输入初始RESNET神经网络；配置深度学习参数，对初始RESNET神经网络进行训练；获得训练后的RESNET神经网络。6.根据权利要求5所述的方法，其特征在于，配置深度学习参数，对初始RESNET神经网络进行训练...

【专利技术属性】
技术研发人员：于宏志，杜庆雨，王洪涛，王思俊，周湘平，李辰，
申请(专利权)人：天津天地伟业信息系统集成有限公司，
类型：发明
国别省市：