[发明专利]行人重识别方法、装置及计算机可读存储介质

说明书

本发明公开了一种行人重识别方法、装置及计算机可读存储介质，该方法包括：从待识别的视频数据中提取行人图像，构建行人重识别训练数据集，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，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，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；其中，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；本发明通过将CRF和DNN结合起来，学得更加一致性的相似性度量，挖掘了整个数据集所有行人图像之间的信息，从而更充分地挖掘了更多有用信息。

技术领域

本发明涉及计算机技术领域，尤其涉及一种行人重识别方法、装置及计算机可读存储介质。

背景技术

行人重识别(Person re-identification，ReID)，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。行人重识别技术广泛被认为是一个图像检索的子问题。行人重识别技术的训练库趋于大规模化，广泛采用深度学习框架。在行人重识别技术中，给定一个监控行人图像，检索跨设备下的该行人图像。行人重识别技术旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。

然而在具体实现行人重识别技术时会面临着许多挑战，例如行人对象会受到光照、遮挡、视角等因素影响，这使得行人间的内类(同一个行人)差异甚至大于类间(不同行人)差异，从而导致实施行人重识别技术的失败。现在的行人重识别技术主要分为三个步骤：特征提取(行人对象的外观特征表示)，距离度量(行人间的相似性比较)和排序优化(对排序结果的优化)。在实施的过程中，从数据样本中采样了一些很小的集合，比如三元组、四元祖等，然后将这些很小的集合组成一个批处理样品集，构建一个优化损失函数，从而学习一个相似性度量模型，在很大程度上依赖采样策略。

现有的四元组行人重识别模型中，为了训练出行人重识别模型，一般是从行人重识别数据集中随机取出4个图像作为一个四元组，在将行人重识别数据集中待训练的行人图像形成多个四元组后，再对行人重识别模型进行训练。但是，将随机取出4个图像作为一个四元组中，如果选出的4个图像的识别度较高，则容易导致训练出的行人重识别模型对行人的识别能力较差。

发明内容

本发明提供一种行人重识别方法、装置及计算机可读存储介质，其主要目的在于可以挖掘整个数据集所有行人图像之间的信息、以更充分地挖掘更多有用信息。

为实现上述目的，本发明提供一种行人重识别方法，该方法包括：

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。

可选地，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：