[发明专利]基于动态拟合多任务推理网络的多行人识别方法及系统

权利要求书

1.基于动态拟合多任务推理网络的多行人识别方法，其特征是，包括：

获取待识别的视频流，对待识别的视频帧进行解码生成待识别的视频帧序列；

将待识别的视频帧序列，输入到训练后的动态拟合多任务推理神经网络，得到行人检测结果、行人属性识别结果和行人的重识别结果。

2.如权利要求1所述的基于动态拟合多任务推理网络的多行人识别方法，其特征是，所述动态拟合多任务推理神经网络，包括：

特征提取层，所述特征提取层的输入端用于输入待识别的视频帧序列；

所述特征提取层的输出端分别与行人检测分支的输入端、行人属性识别分支的输入端和行人重识别分支的输入端连接；

行人检测分支的输出端用于输出行人检测结果；

行人属性识别分支的输出端用于输出行人属性识别结果；

行人重识别分支的输出端用于输出行人重识别结果。

3.如权利要求2所述的基于动态拟合多任务推理网络的多行人识别方法，其特征是，所述行人检测分支，包括：依次连接的第一区域生成网络RPN层和第一感兴趣区域ROI Align层；其中，第一区域生成网络RPN层与特征提取层连接；第一感兴趣区域ROIAlign层分别与第一特征分类层和第一边框回归层连接；

所述行人检测分支，工作原理包括：

经过第一RPN层提取候选框，经过第一ROI Align层进行特征对齐，最后在第一特征分类层实现行人的检测，在第一边框回归层实现行人的识别；识别类别包括：步行行人、骑行行人。

4.如权利要求2所述的基于动态拟合多任务推理网络的多行人识别方法，其特征是，所述行人属性识别分支，包括：依次连接的第一特征再提取模块、第二区域生成网络RPN层和第二ROI Align层；其中，第一特征再提取模块与特征提取层连接；第一特征再提取模块与第二ROIAlign层连接，第二ROIAlign层分别与第二特征分类层和第二边框回归层连接；

所述行人属性识别分支，工作原理包括：

采用第一特征再提取模块提取行人属性特征，经过第二RPN层提取候选框，经过第二ROIAlign层进行特征对齐，最后在第二特征分类层和第二边框回归层实现行人属性的识别。

5.如权利要求2所述的基于动态拟合多任务推理网络的多行人识别方法，其特征是，所述行人重识别分支，包括：依次连接的第二特征再提取模块和归一化层；其中，第二特征再提取模块与特征提取层连接；归一化模块与度量学习层连接；其中，度量学习层，其被配置为，计算特征之间的距离，以衡量特征之间的相似程度；

所述行人重识别分支，工作原理包括：

采用第二特征再提取模块提取行人之间的相似度特征；

采用归一化层对行人之间的相似度特征进行归一化处理；

最后通过度量学习计算特征之间的距离，完成行人重识别的任务。

6.如权利要求4所述的基于动态拟合多任务推理网络的多行人识别方法，其特征是，所述第一特征再提取模块，其工作原理包括：

首先对特征提取层所提取出来的特征图进行特征切割，生成区域特征队列；特征切割原则：按照候选框对应到特征图上的位置进行切割；

以队列尺寸的最大长和最大宽为基准，以最大特征图为基准，对其他特征图进行补0对齐；

对齐后的区域特征队列，经过四次的卷积和池化操作计算得到再提取特征图。