[发明专利]行人重识别方法、步态识别网络训练方法及相关装置

权利要求书

1.一种步态识别网络的训练方法，其特征在于，所述方法包括：

利用步态识别网络的第一单元从步态轮廓图中提取特征图；

在高度维度上对所述特征图进行随机擦除处理，得到擦除后的特征图；

利用步态识别网络的第二单元对所述擦除后的特征图进行处理，得到特征向量；

利用所述特征向量，计算损失；

基于所述损失训练所述步态识别网络。

2.根据权利要求1所述的步态识别网络的训练方法，其特征在于，所述特征图包括高度为1的至少一个高度单元特征图，所述在高度维度上对特征图进行随机擦除处理，包括：

将所述特征图上连续的至少一个高度单元特征图的响应值设置为0。

3.根据权利要求1所述的步态识别网络的训练方法，其特征在于，所述利用步态识别网络的第二单元对所述擦除后的特征图进行处理，包括：对所述特征图进行多尺度划分，得到以每个尺度进行划分后的特征图分块；计算每个特征图分块的特征向量；

所述利用所述特征向量，计算损失，包括：基于每个特征图分块的特征向量，计算每个特征图分块的损失；将多尺度划分得到的所有特征图分块的损失的总和作为总损失；

所述基于所述损失训练所述步态识别网络，包括：基于所述总损失训练所述步态识别网络。

4.根据权利要求3所述的步态识别网络的训练方法，其特征在于，所述计算每个特征图分块的特征向量，包括：

将每个特征图分块处理为高度为1的特征图分块；

对每个高度为1的特征图分块进行池化处理，得到每个特征图分块的池化向量；

对每个特征图分块的所述池化向量进行映射，得到每个特征图分块的特征向量。

5.根据权利要求4所述的步态识别网络的训练方法，其特征在于，所述对每个高度为1的特征图分块进行池化处理，得到每个特征图分块的池化向量，包括：

对每个高度为1的特征图分块进行平均池化处理，得到每个特征图分块的池化向量；或，

对每个高度为1的特征图分块进行最大池化处理，得到每个特征图分块的池化向量；或，

对每个高度为1的特征图分块进行平均池化处理，得到每个特征图分块的第一池化向量；对每个高度为1的特征图分块进行最大池化处理，得到每个特征图分块的第二池化向量，将每个特征图分块的第一池化向量和第二池化向量相加，得到每个特征图分块的池化向量。

6.根据权利要求1所述的步态识别网络的训练方法，其特征在于，所述步态识别网络的第一单元包括六个卷积层和两个池化层，其中，第一层卷积层的卷积核大小为5*5，其余卷积层的卷积核大小为3*3；两个池化层分别连接于第二层卷积层和第四层卷积层之后；所述池化层为最大池化层或平均池化层。

7.根据权利要求1所述的步态识别网络的训练方法，其特征在于，所述步态轮廓图包括多帧同一个行人的步态轮廓图，所述利用步态识别网络的第一单元从步态轮廓图中提取特征图，包括：利用步态识别网络的第一单元从多帧步态轮廓图中分别提取多帧特征图；

所述对所述特征图进行随机擦除处理，得到擦除后的特征图，包括：对所述多帧特征图分别进行随机擦除处理，得到多帧擦除后的特征图；

所述利用步态识别网络的第二单元对所述擦除后的特征图进行处理，包括：将多帧擦除后的特征图进行融合，得到一帧融合特征图；对融合特征图进行处理，得到特性向量。

8.根据权利要求1所述的步态识别网络的训练方法，其特征在于，利用所述特征向量，计算损失，包括：

基于所述特征向量，利用三元组损失函数和交叉熵损失函数计算损失。

9.一种行人重识别方法，其特征在于，所述方法包括：

利用权利要求1-8任一项所述的方法训练后的步态识别网络从待识别行人步态轮廓图和目标行人步态轮廓图分别提取特征，以得到待识别行人步态轮廓图的特征向量和目标行人步态轮廓图的特征向量；

计算目标行人步态轮廓图和待识别行人步态轮廓图的特征向量之间的差异；

根据差异确定行人重识别结果。