行人重识别方法及装置制造方法及图纸

本申请提供了一种行人重识别方法及装置。该方法包括：利用特征提取网络、全局最大池化层、特征切分层、全局关系学习网络、全连接层和分类层构建行人重识别模型；获取训练样本，将训练样本输入行人重识别模型：特征提取网络提取训练样本的图像语义特征，全局最大池化层处理图像语义特征得到第一池化特征，特征切分层将第一池化特征按照通道切分为预设数量的局部特征，全局关系学习网络处理预设数量的局部特征得到全局关系特征，全局关系特征经过全连接层和分类层得到训练样本的分类结果；基于训练样本的分类结果和标签，利用交叉熵损失函数计算分类损失，依据分类损失更新行人重识别模型的模型参数，以完成对行人重识别模型的训练。练。练。

【技术实现步骤摘要】
行人重识别方法及装置


[0001]本申请涉及目标检测
，尤其涉及一种行人重识别方法及装置。

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。随着行人重识别技术的发展，现有行人重识别模型精度越来越高，但是在行人姿态变化和图像模糊等复杂场景下，仍然存在因无法充分学习到局部特征和全局特征的关系，导致行人重识别模型识别错误。

技术实现思路

[0003]有鉴于此，本申请实施例提供了一种行人重识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，复杂场景下行人重识别模型无法充分学习到局部特征和全局特征的关系，导致识别准确率低的问题。
[0004]本申请实施例的第一方面，提供了一种行人重识别方法，包括：构建全局关系学习网络，利用特征提取网络、全局最大池化层、特征切分层、全局关系学习网络、全连接层和分类层构建行人重识别模型；获取训练样本，将训练样本输入行人重识别模型：特征提取网络提取训本文档来自技高网...

【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：构建全局关系学习网络，利用特征提取网络、全局最大池化层、特征切分层、所述全局关系学习网络、全连接层和分类层构建行人重识别模型；获取训练样本，将所述训练样本输入所述行人重识别模型：所述特征提取网络提取所述训练样本的图像语义特征，所述全局最大池化层处理所述图像语义特征得到第一池化特征，所述特征切分层将所述第一池化特征按照通道切分为预设数量的局部特征，所述全局关系学习网络处理预设数量的局部特征得到全局关系特征，所述全局关系特征经过所述全连接层和所述分类层得到所述训练样本的分类结果；基于所述训练样本的分类结果和标签，利用交叉熵损失函数计算分类损失，依据所述分类损失更新所述行人重识别模型的模型参数，以完成对所述行人重识别模型的训练；利用训练后的所述行人重识别模型进行行人重识别。2.根据权利要求1所述的方法，其特征在于，构建全局关系学习网络，包括：将并行之后的所述全局最大池化层与全局平均池化层连接到特征相减层，在所述全局最大池化层和所述特征相减层后各接一个卷积层，将所述全局最大池化层和所述特征相减层后接的两个卷积层连接到特征拼接层，在所述特征拼接层后接一个卷积层，得到所述全局关系学习网络。3.根据权利要求2所述的方法，其特征在于，将所述预设数量的局部特征输入所述全局关系学习网络：所述全局最大池化层与所述全局平均池化层分别处理所述预设数量的局部特征，得到第二池化特征和第三池化特征；所述特征相减层计算所述第二池化特征和所述第三池化特征之间的差值；所述全局最大池化层和所述特征相减层后各接的卷积层分别处理所述差值，得到第一卷积特征和第二卷积特征；所述特征拼接层对所述第一卷积特征和所述第二卷积特征进行拼接，得到拼接特征；所述特征拼接层后接的卷积层处理所述拼接特征，得到所述全局关系特征。4.根据权利要求1所述的方法，其特征在于，利用特征提取网络、全局最大池化层、特征切分层、所述全局关系学习网络、全连接层和分类层构建行人重识别模型，包括：依次连接所述特征提取网络、所述全局最大池化层、所述特征切分层、所述全局关系学习网络、所述全连接层和所述分类层，得到所述行人重识别模型。5.根据权利要求1所述的方法，其特征在于，利用训练后的所述行人重识别模型进行行人重识别之前，所述方法还包括：构建人体部位切分网络和所述全局关系学习网络，利用图像切分网络、所述特征提取网络、所述全局最大池化层、所述全局关系学习网络、所述全连接层和所述分类层构建所述行人重识别模型；获取所述训练样本，将所述训练样本输入所述行人重识别模型：所述图...

【专利技术属性】
技术研发人员：蒋召，程剑杰，
申请(专利权)人：深圳须弥云图空间科技有限公司，
类型：发明
国别省市：