[发明专利]行人重识别方法、装置及计算机可读存储介质

权利要求书

1.一种行人重识别方法，其特征在于，所述方法包括：

步骤A：从待识别的视频数据中提取行人图像；

步骤B：构建行人重识别训练数据集，其中，所述数据集包括预设数量的行人图像；

步骤C：根据所述行人重识别训练数据集训练特征提取网络，以获得行人重识别特征提取网络的模型参数；

步骤D：根据所述模型参数，利用所述特征提取网络从所述数据集中提取行人图像特征；

步骤E：根据行人图像特征计算所有行人的最终特征相似度，根据所有行人的最终特征相似度大小进行行人重识别。

2.如权利要求1所述的行人重识别方法，其特征在于，所述步骤E包括：

步骤E1：计算局部相似度；及

步骤E2：计算组相似度；

其中，对应局部相似性的值为局部相似度，对应组相似性的值为组相似度；

局部相似性是由深度神经网络(Deep Neural Networks，DNN)所表示的函数计算得到：

组相似性被建模成随机变量，用来描述probe图像和gallery图像之间的相似性，组成组相似性集合y＝{y_p,i|I_i∈g}，其中，y_p,i代表在图像组中的任意两个图像的组相似性，I_i表示具有i个probe图像组成的图像组集合，g表示gallery图像组的集合；

其中，s是英文scale的缩写，表示特定的尺度；m和n表示一种索引，m和n且分别表示图像组中的第m和n个图像；p是英文probe的缩写，表示指定的probe图像，i表示指定的probe图像中的第i个图像。

3.如权利要求2所述的行人重识别方法，其特征在于，在所述步骤E还包括：

步骤E3：根据所述局部相似度和组相似度构建CRF模型；及

步骤E4：根据所述CRF模型获得最终多尺度相似性的线性组合；

其中，所述获得的最终多尺度相似性的线性组合是最终获得行人特征相似度。

4.如权利要求3所述的行人重识别方法，其特征在于，给定一组图像O，所有图像组中的相似性集合其中，表示其中一个尺度下的相似性集合，I_m和I_n分别表示具有m个图像的图像组集合和具有n个图像的图像组集合。

5.如权利要求4所述的行人重识别方法，其特征在于，所述最终多尺度相似性的线性组合表示如下：

其中，α^s是对应尺度下的与一元项关联的正参数，k表示一种索引，且k表示probe图像和gallery图像中的第k个图像。

6.如权利要求4所述的行人重识别方法，其特征在于，用T_u和T_p分别表示一元项和成对项，其中，T_u包括probe图像和gallery图像之间的局部相似度，T_p包括gallery图像中所有图像之间的相似度，T_u和T_p表示如下:

其中，α^S＝exp(w^S),β^s＝exp(v^s)；

和初始化为0，初始化为：

其中，β^S是对应尺度下的与成对项关联的正参数；

i和j分别表示一种索引，且i和j分别表示gallery图像中的第i和j个图像；

I_k表示具有k个probe图像和gallery图像组成的图像组集合。

7.如权利要求3所述的行人重识别方法，其特征在于，使用交叉损失来监督每个图像的多尺度特征嵌入，所示如下：