基于人工智能的行人重识别方法、装置、设备及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、设备及介质，其中方法包括：将目标图像输入预设的目标模型进行特征提取，得到目标特征，目标模型是基于残差网络、空间注意力机制和通道注意力机制训练得到的模型；对目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行相似度计算，得到单图像相似度；根据各个单图像相似度，从标准行人图像库中筛选与目标图像最相似的标准行人图像，作为行人重识别结果。通过空间注意力机制突出行人部位的权重、通道注意力机制突出图像颜色的权重，使目标模型更加关注图像内的行人的特点，从而有利于提高行人重识别的准确性不高。有利于提高行人重识别的准确性不高。有利于提高行人重识别的准确性不高。

【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，其任务是给定一个待匹配行人图像，检索标准行人图像库中是否存在与待匹配行人图像中的行人相同的标准行人图像。现有的行人重识别的模型更关注不同图像之间的特征，忽视一张图像的内部特征之间的联系，导致行人重识别的准确性不高。

技术实现思路

[0003]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、设备及介质，旨在解决现有的行人重识别的模型更关注不同图像之间的特征，忽视一张图像的内部特征之间的联系，导致行人重识别的准确性不高的技术问题。
[0004]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：
[0005]获取目标图像；
[0006]将所述目标图像输入预设的目标模型进行特征提取，得到目标特征，其中，所述目标模型是基于残差网络、空间注意力机制和通道注意力机制训练得到的模型；
[0007]对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行相似度计算，得到单图像相似度，其中，所述标准行人特征是采用所述目标模型从所述标准行人图像提取得到的特征；
[0008]根据各个所述单图像相似度，从所述标准行人图像库中筛选与所述目标图像最相似的所述标准行人图像，作为行人重识别结果。
[0009]进一步地，所述将所述目标图像输入预设的目标模型进行特征提取，得到目标特征的步骤，包括：
[0010]将所述目标图像输入所述目标模型的残差单元进行特征提取，得到第一特征，其中，所述残差单元是基于残差网络训练得到的网络单元；
[0011]将所述第一特征输入所述目标模型的空间注意力单元进行行人部位特征提取，得到第二特征，其中，所述空间注意力单元是基于空间注意力机制训练得到的网络单元；
[0012]将所述第一特征输入所述目标模型的通道注意力单元进行图像颜色特征提取，得到第三特征，其中，所述通道注意力单元是基于通道注意力机制训练得到的网络单元；
[0013]采用所述目标模型的第一融合单元，对所述第二特征和所述第三特征进行融合，得到第四特征；
[0014]采用所述目标模型的第二融合单元，对所述第一特征和所述第四特征进行融合，
得到所述目标特征。
[0015]进一步地，所述对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行相似度计算，得到单图像相似度的步骤，包括：
[0016]对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行欧式距离计算，得到所述单图像相似度。
[0017]进一步地，所述将所述目标图像输入预设的目标模型进行特征提取，得到目标特征的步骤之前，还包括：
[0018]获取多个图像样本集和初始模型，其中，所述图像样本集中包括多个图像样本；
[0019]将各个所述图像样本集中的任一个所述图像样本集作为目标样本集；
[0020]将所述目标样本集中的每个所述图像样本输入所述初始模型的特征提取模型进行特征提取，得到单样本特征；
[0021]将各个所述单样本特征输入所述初始模型的无监督预测模型，得到各个聚类特征和所述目标样本集中的每个所述图像样本对应的归一化特征；
[0022]根据各个所述归一化特征和各个所述聚类特征进行目标损失值计算；
[0023]根据所述目标损失值更新所述初始模型的网络参数；
[0024]重复执行所述将各个所述图像样本集中的任一个所述图像样本集作为目标样本集的步骤，直至达到预设的训练结束条件，将达到所述训练结束条件的所述初始模型的所述特征提取模型作为所述目标模型。
[0025]进一步地，所述将各个所述单样本特征输入所述初始模型的无监督预测模型，得到各个聚类特征和所述目标样本集中的每个所述图像样本对应的归一化特征的步骤，包括：
[0026]将每个所述单样本特征输入所述无监督预测模型的池化层进行平均池化，得到池化特征；
[0027]将各个所述池化特征输入所述无监督预测模型的聚类模型进行基于图像标识的聚类及每个聚类中心对应的所述聚类特征的提取，其中，所述聚类模型是基于K均值聚类算法得到的模型；
[0028]将每个所述池化特征输入所述无监督预测模型的归一化层，得到所述归一化特征。
[0029]进一步地，所述根据各个所述归一化特征和各个所述聚类特征进行目标损失值计算的步骤，包括：
[0030]基于信息损失函数，对每个所述归一化特征与每个所述聚类特征进行第一损失值计算，基于三元组损失函数，对每个所述归一化特征与每个所述聚类特征进行第二损失值计算；
[0031]根据各个所述第一损失值和各个所述第二损失值进行所述目标损失值计算。
[0032]进一步地，所述基于信息损失函数，对每个所述归一化特征与每个所述聚类特征进行第一损失值计算，基于三元组损失函数，对每个所述归一化特征与每个所述聚类特征进行第二损失值计算的步骤，包括：
[0033]将各个所述归一化特征中的任一个所述归一化特征作为实例特征；
[0034]将各个所述聚类特征中的任一个所述聚类特征作为标签特征；
[0035]若所述实例特征对应的所述图像样本位于所述标签特征对应的聚类集合内，则确定所述实例特征与所述标签特征之间的特征关系为正关系；
[0036]若所述实例特征对应的所述图像样本不位于所述标签特征对应的聚类集合内，则确定所述实例特征与所述标签特征之间的所述特征关系为负关系；
[0037]根据所述信息损失函数、所述特征关系、所述实例特征和所述标签特征进行所述第一损失值计算；
[0038]根据所述三元组损失函数、所述特征关系、所述实例特征和所述标签特征进行所述第二损失值计算。
[0039]本申请还提出了一种基于人工智能的行人重识别装置，所述装置包括：
[0040]图像获取模块，用于获取目标图像；
[0041]目标特征确定模块，用于将所述目标图像输入预设的目标模型进行特征提取，得到目标特征，其中，所述目标模型是基于残差网络、空间注意力机制和通道注意力机制训练得到的模型；
[0042]单图像相似度确定模块，用于对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行相似度计算，得到单图像相似度，其中，所述标准行人特征是采用所述目标模型从所述标准行人图像提取得到的特征；
[0043]行人重识别结果确定模块，用于根据各个所述单图像相似度，从所述标准行人图像库中筛选与所述目标图像最相似的所述标准行人本文档来自技高网...

【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目标模型进行特征提取，得到目标特征，其中，所述目标模型是基于残差网络、空间注意力机制和通道注意力机制训练得到的模型；对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行相似度计算，得到单图像相似度，其中，所述标准行人特征是采用所述目标模型从所述标准行人图像提取得到的特征；根据各个所述单图像相似度，从所述标准行人图像库中筛选与所述目标图像最相似的所述标准行人图像，作为行人重识别结果。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目标模型进行特征提取，得到目标特征的步骤，包括：将所述目标图像输入所述目标模型的残差单元进行特征提取，得到第一特征，其中，所述残差单元是基于残差网络训练得到的网络单元；将所述第一特征输入所述目标模型的空间注意力单元进行行人部位特征提取，得到第二特征，其中，所述空间注意力单元是基于空间注意力机制训练得到的网络单元；将所述第一特征输入所述目标模型的通道注意力单元进行图像颜色特征提取，得到第三特征，其中，所述通道注意力单元是基于通道注意力机制训练得到的网络单元；采用所述目标模型的第一融合单元，对所述第二特征和所述第三特征进行融合，得到第四特征；采用所述目标模型的第二融合单元，对所述第一特征和所述第四特征进行融合，得到所述目标特征。3.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，所述对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行相似度计算，得到单图像相似度的步骤，包括：对所述目标特征与预设的标准行人图像库中的每张标准行人图像对应的标准行人特征进行欧式距离计算，得到所述单图像相似度。4.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目标模型进行特征提取，得到目标特征的步骤之前，还包括：获取多个图像样本集和初始模型，其中，所述图像样本集中包括多个图像样本；将各个所述图像样本集中的任一个所述图像样本集作为目标样本集；将所述目标样本集中的每个所述图像样本输入所述初始模型的特征提取模型进行特征提取，得到单样本特征；将各个所述单样本特征输入所述初始模型的无监督预测模型，得到各个聚类特征和所述目标样本集中的每个所述图像样本对应的归一化特征；根据各个所述归一化特征和各个所述聚类特征进行目标损失值计算；根据所述目标损失值更新所述初始模型的网络参数；重复执行所述将各个所述图像样本集中的任一个所述图像样本集作为目标样本集的步骤，直至达到预设的训练结束条件，将达到所述训练结束条件的所述初始模型的所述特征提取模型作为所述目标模型。
5.根据权利要求4所述的基于人工智能的行人重识别方法，其特征在于，所述将各个所述单样本特征输入所述初始模型的无监督预测...

【专利技术属性】
技术研发人员：郑喜民，杨佳琪，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：