[发明专利]行人重识别方法和装置

权利要求书

1.一种行人重识别方法，其特征在于，包括：

对待识别的视频图像序列进行预处理，使得预处理后的待识别的视频图像序列中各图像的尺寸相同；

将预处理后的待识别的视频图像序列输入预设的行人重识别模型，获取所述预设的行人重识别模型的输出的待识别的视频图像序列的行人重识别结果；

其中，所述预设的行人重识别模型是根据样本视频图像序列进行训练后获得的；

所述预设的行人重识别模型包括：

第一卷积神经网络，用于获取待识别的视频图像序列中每一图像的多个区域特征；

第二卷积神经网络，用于获取待识别的视频图像序列中每一图像的每一区域特征对应的权重；

分类器，用于根据待识别的视频图像序列中各图像的区域特征以及区域特征对应的权重，获取待识别的视频图像序列的特征向量，并根据所述待识别的视频图像序列的特征向量输出待识别的视频图像序列的行人重识别结果。

2.根据权利要求1所述的行人重识别方法，其特征在于，获取待识别的视频图像序列中每一图像的多个区域特征的具体步骤包括：

对于预处理后的待识别的视频图像序列中的每一图像，对该图像进行下采样，获取该图像的特征矩阵；

根据预设的比例，将该图像的特征矩阵的行分为多组；

对于每一组，根据该组内元素的值获取该组对应的区域特征。

3.根据权利要求2所述的行人重识别方法，其特征在于，获取待识别的视频图像序列中每一图像的每一区域特征对应的权重的具体步骤包括：

对于预处理后的待识别的视频图像序列中的每一图像，对该图像的图像质量进行量化，获得该图像的权重矩阵；

根据所述预设的比例，将该图像的权重矩阵的行分为多组；

对于每一组，根据该组内元素的值获取该组对应的区域特征对应的权重；

其中，该图像的权重矩阵的行秩和列秩，分别与该图像的特征矩阵的行秩和列秩相同。

4.根据权利要求1所述的行人重识别方法，其特征在于，根据待识别的视频图像序列中各图像的区域特征以及区域特征对应的权重，获取待识别的视频图像序列的特征向量的具体步骤包括：

根据待识别的视频图像序列中各图像的区域特征对应的权重，对各图像的区域特征进行加权求和，获取待识别的视频图像序列的特征向量。

5.根据权利要求1所述的行人重识别方法，其特征在于，根据所述待识别的视频图像序列的特征向量输出待识别的视频图像序列的行人重识别结果的具体步骤包括：

获取所述待识别的视频图像序列的特征向量，与样本视频图像序列中各行人的视频图像序列的特征向量之间的余弦相似度，将所述余弦相似度的最大值对应的行人确定待识别的视频图像序列的行人重识别结果并输出。

6.根据权利要求1至5任一所述的行人重识别方法，其特征在于，获得所述预设的行人重识别模型的具体步骤包括：

根据样本视频图像序列对行人重识别模型进行多轮训练，获得满足预设的条件的行人重识别模型作为所述预设的行人重识别模型；

对于每一轮训练，根据样本视频图像生成第一训练图像序列、第二训练图像序列和第三训练图像序列，并获取第一训练图像序列的特征向量、第二训练图像序列的特征向量和第三训练图像序列的特征向量；

根据第一训练图像序列的特征向量、第二训练图像序列的特征向量和第三训练图像序列的特征向量和预设的损失函数，获得行人重识别模型的本轮损失值；

根据所述本轮损失值和梯度下降方法，更新行人重识别模型的参数；

其中，所述第一训练图像序列中的行人与所述第二训练图像序列中的行人相同；所述第一训练图像序列中的行人与所述第三训练图像序列中的行人不同。

7.根据权利要求6所述的行人重识别方法，其特征在于，所述预设的损失函数至少包括三元组损失函数和归一化损失函数。