[发明专利]一种行人重识别方法、装置、设备及介质

权利要求书

1.一种行人重识别方法，其特征在于，包括：

步骤S11：将行人重识别训练样本输入至backbone网络，提取对应的特征图；所述行人重识别训练样本包括行人样本图像和对应的标注信息；

步骤S12：提取所述特征图的全局特征，并计算对应的全局距离；

步骤S13：利用目标检测算法确定出所述特征图中的行人位置；

步骤S14：利用所述行人位置从所述特征图中提取出对应的行人特征；行人特征为根据行人在图像中位置在整幅图像中抠取出的特征；

步骤S15：基于ROI Align技术对所述行人特征进行归一化处理，以得到预设尺寸的行人特征；

步骤S16：从归一化后的所述行人特征中提取对应的局部特征，并计算对应的局部距离；

步骤S17：利用所述全局距离和所述局部距离计算出总距离；

步骤S18：计算整个训练过程中产生的损失；

重复所述步骤S11至步骤S18对预先构建的行人重识别模型进行训练，得到训练后行人重识别模型；

步骤S19：当获取到待识别图像，则利用所述训练后行人重识别模型输出对应的识别结果；

其中，所述从归一化后的所述行人特征中提取对应的局部特征，包括：对所述行人特征的每个通道进行水平池化，以提取出对应的局部特征；

其中，根据公式计算整个训练过程中产生的损失；Loss为训练损失，λ₀～λ₄为各loss对应权重；

L_{triplet(a,p,n)}＝max(d(a,p)-d(a,n)+margin,0)；

其中，

其中，计算L_ID的公式中p_i为第i个anchor的预测概率，为第i个anchor是groundtruth label真实便签的概率；

计算的L_trihard公式中N为batch size，A和A’指相同人的不同图像，B指与A不同的人的图像，f_A为提取的图像A的特征,α代表margin，为常数；

计算L_{triplet(a,p,n)}的公式中a和p指同一个人不同图像，n指不同人的图像,d表示距离；

L_RPN由两部分组成:分类loss和回归loss，公式L_box中指预测位置坐标，v_i指真实ground truth坐标，x,y为目标框的左上角点，w,h为目标框的宽和高；N_cls为计算分类loss时样本数，N_box为计算box loss是样本数；L_F表示目标检测最后输出目标时的loss。

2.根据权利要求1所述的行人重识别方法，其特征在于，所述利用目标检测算法确定出所述特征图中的行人位置，包括：

将所述特征图输入至RPN网络，以提取出所述特征图对应的候选框；

利用所述特征图和所述候选框确定出所述特征图中的行人位置。

3.根据权利要求1所述的行人重识别方法，其特征在于，所述提取所述特征图的全局特征，包括：

利用全局平均池化提取所述特征图的全局特征。

4.根据权利要求1所述的行人重识别方法，其特征在于，还包括：

对提取出的所述局部特征进行卷积降维。

5.根据权利要求1至4任一项所述的行人重识别方法，其特征在于，所述将行人重识别训练样本输入至backbone网络之前，还包括：

利用行人检测数据集对初始行人检测模型进行训练，得到训练后行人检测模型；其中，所述行人检测数据集中剔除了小目标图像；

利用所述训练后行人检测模型对行人重识别数据集进行位置标注，以得到对应的行人位置标签，将所述行人位置标签和行人类别标签作为所述标注信息；其中，所述行人重识别数据集包括所述行人样本图像和对应的所述行人类别标签。