[发明专利]自适应网络的行人重识别方法、装置、设备及存储介质

说明书

本发明提供一种自适应网络的行人重识别方法、装置、设备及存储介质，该方法包括：获取行人视频，利用行人检测算法提取所述行人视频中行人图像；根据当前场景自适应调整冗余的残差网络结构至最佳网络结构；利用基于残差网络的所述最佳网络结构提取待测的所述行人图像的特征向量；识别待测行人与预设行人之间的特征向量的余弦相似度得到行人重识别结果。本发明从精到粗自动划分冗余残差网络结构中的patch分支，直到匹配到当前场景下的最佳网络结构，减少为了获取最佳网络架构而进行反复人工设计与实验所付出的巨大工作量，同时，避免了因人为因素导致的误判，更适合多个场景之间的自由切换，便于后续场景扩展。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种自适应网络的行人重识别方法、装置、设备及存储介质。

背景技术

行人重识别(Person re-identification，RE-ID)也称行人再识别，即，判断不同位置的摄像头在不同时刻拍摄到行人目标是否是同一人，可用于视频监控等方面。传统地，通过提取行人图像的人工设计特征并对提取的人工设计特征进行比对而实现行人重识别，由于待识别的行人图片与原图片拍摄于不同的相机，设备的差异会给成像条件带来误差；不同的场景下的环境不一致，采集的数据也会产生不同的偏差；且光照的改变会使得同一种颜色的表现不同；更重要的是，行人在摄像头下的姿态变化以及遮挡问题，都使得对同一个人的辨别难度相当大。

然而，现有的行人重识别过程中，需要结合全局特征与局部特征才能较好地表达行人图像，从当前业界的行人重识别研究情况来看，如果要达到一定的识别率，需要设计global分支和一系列细粒度patch分支的网络结构来合理融合行人图像的全局特征和局部特征，由于不同的场景下的环境不一致，采集的数据也会产生不同的偏差；而图像识别算法自身对场景数据的过度依赖，导致不同场景的数据可能需要对细粒度特征的划分方式不同，而依靠人工实验来确定细粒度特征划分不仅工作量大，还很难找到与当前应用场景匹配最合适的网络结构。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种自适应网络的行人重识别方法、装置、设备及存储介质，用于解决现有技术中的行人重识别无法根据当前场景自适应匹配合适的网络结构问题。

为实现上述目的及其他相关目的，本申请的第一方面，本发明提供一种自适应网络的行人重识别方法，包括：

获取行人视频，利用行人检测算法提取所述行人视频中行人图像；

根据当前场景自适应调整冗余的残差网络结构至最佳网络结构；

利用基于残差网络的所述最佳网络结构提取待测的所述行人图像的特征向量；

识别待测行人与预设行人之间的特征向量的余弦相似度得到行人重识别结果。

本申请的第二方面，提供一种自适应网络的行人重识别装置，包括：

行人检测模块，用于获取行人视频，利用行人检测算法提取所述行人视频中行人图像；

自适应网络结构，用于根据当前场景自适应调整冗余的残差网络结构至最佳网络结构；

特征提取模块，用于利用基于残差网络的所述最佳网络结构提取待测的所述行人图像的特征向量；

行人重识别模块，用于识别待测行人与预设行人之间的特征向量的余弦相似度得到行人重识别结果。

本申请的第三方面，提供一种自适应网络的行人重识别电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行指令，所述一个或多个处理器执行所述执行指令使得所述电子设备执行上述自适应网络的行人重识别方法的步骤。