[发明专利]行人重识别方法、装置、电子设备及可读存储介质

说明书

本申请公开了一种行人重识别方法、装置、电子设备及可读存储介质。其中，方法包括预先构建专家网络和行人重识别初始模型，利用专家网络对行人重识别初始模型的分类标签和嵌入层进行知识监督，从而将专家网络获得的知识迁移至行人重识别初始模型，得到训练好的行人重识别初始模型；删除该行人重识别初始模型的分类层，得到行人重识别模型。将待识别图像输入至行人重识别模型，得到待识别图像的嵌入特征，通过对嵌入特征与数据库中各检索图像的嵌入特征进行比对，得到待识别图像的识别结果。本申请可在不增加网络模型的参数量和计算量的前提下，实现精准、高效地行人重识别。

技术领域

本申请涉及计算机视觉技术领域，特别是涉及一种行人重识别方法、装置、电子设备及可读存储介质。

背景技术

行人重识别(Person re-identification，Re-ID)也称行人再识别，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，通过对分布在不同位置的摄像头进行搜索来确定不同摄像头视野中的行人是否是同一个行人。

相关技术通过基于深度学习训练得到行人重识别模型，利用训练好的行人重识别模型对视频或图像进行图像识别，为了提高行人重识别模型的精度，通常通过改进网络结构的方式来提高网络性能。但是，随着深度学习的发展，网络结构的变化也越来越复杂。对于不同的训练数据集，选取和训练出最优的网络模型，来适应当前的行人重识别任务也变得越来越复杂，甚至无法获得最优。具体来说，相关技术可通过构建更为复杂的网络结构的形式继续提高网络模型性能。而更深、更宽或更为复杂的网络通常会带来参数量的激增，参数量的增加不利于便携式设备的存储与部署。例如，在网络摄像头中实现实时的行人检测识别程序的部署，需要网络具有较小的参数量和较高的识别准确率。此外，更深、更宽或更为复杂的网络通常会带来计算量的增加，不利于对实时性要求较高的场景应用。大的计算延迟会使整个系统错失最好的时机，给系统功能带来负面影响。

鉴于此，如何在不增加网络模型的参数量和计算量的前提下，提高行人重识别精度，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种行人重识别方法、装置、电子设备及可读存储介质，可在不增加网络模型的参数量和计算量的前提下，实现精准、高效地行人重识别。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种行人重识别方法，包括：

预先构建专家网络和行人重识别初始模型，利用所述专家网络对行人重识别初始模型的分类标签和嵌入层进行知识监督，以将所述专家网络获得的知识迁移至所述行人重识别初始模型，得到训练好的行人重识别初始模型；删除训练好的行人重识别初始模型的分类层，得到行人重识别模型；

将待识别图像输入至所述行人重识别模型，得到所述待识别图像的嵌入特征；

通过将所述待识别图像的嵌入特征与数据库中各检索图像的嵌入特征进行比对，得到所述待识别图像的识别结果。

可选的，所述构建专家网络和行人重识别初始模型之后，还包括：

获取所述专家网络的输出特征图；

按照预设比例参数对所述输出特征图进行分块处理，得到多块子输出特征图；

对每块子输出特征图进行下采样操作，得到所述专家网络的输入图像的局部特征；

对所述输出特征图进行最大池化处理，得到所述输入图像的全局特征；

将所述局部特征和所述全局特征作为所述专家网络的嵌入特征。

可选的，所述预先构建专家网络和行人重识别初始模型，包括：

采用轻量级神经网络结构搭建行人重识别初始模型。