[发明专利]基于行人再识别模型的行人再识别方法、设备及存储介质

权利要求书

1.一种基于行人再识别模型的行人再识别方法，其特征在于，包括：

随机选取待训练行人图像，对所述待训练行人图像进行预处理；

将预处理后的所述待训练行人图像输入预置特征提取模块，获得所述待训练行人图像的行人特征，并利用预置软标签损失函数、预置三元损失函数和预置中心损失函数优化所述待训练行人图像的行人特征；

将所述预置特征提取模块中的卷积激活图输入到预置局部相关注意力模块中，得到具有局部相关性的卷积激活图；

将所述具有局部相关性的卷积激活图和所述待训练行人图像的行人特征输入到预置整体相关注意力模块中，获得具有整体相关性的行人特征，并利用预置交叉熵损失函数优化所述具有整体相关性的行人特征；

基于优化后的所述待训练行人图像的行人特征和优化后所述具有整体相关性的行人特征优化预置深度模型，生成行人再识别模型；

将待测试行人图像输入训练好的所述行人再识别模型；

根据所述行人再识别模型提取所述待测试行人图像的行人特征，并计算特征相似度，以得到所述待测试行人图像的行人识别结果。

2.如权利要求1所述的基于行人再识别模型的行人再识别方法，其特征在于，所述将所述预置特征提取模块中的卷积激活图输入到预置局部相关注意力模块中，得到具有局部相关性的卷积激活图之前，还包括：

构建局部相关注意力模块，并将构建的所述局部相关注意力模块嵌入到构建的所述预置特征提取模块中，以获取图像卷积激活图中的局部相关性。

3.如权利要求1所述的基于行人再识别模型的行人再识别方法，其特征在于，所述将所述具有局部相关性的卷积激活图和所述待训练行人图像的行人特征输入到预置整体相关注意力模块中，获得具有整体相关性的行人特征之前，还包括：

构建整体相关注意力模块，并将构建的所述整体相关注意力模块植入到构建的所述预置特征提取模块中，以获得图像卷积激活图的整体相关性。

4.如权利要求1所述的基于行人再识别模型的行人再识别方法，其特征在于，所述将预处理后的所述待训练行人图像输入预置特征提取模块，获得所述待训练行人图像的行人特征，包括：

将预处理后的所述待训练行人图像输入预置特征提取模块，获得所述待训练行人图像的卷积激活图；

对所述待训练行人图像的卷积激活图执行全局池化操作，获得所述待训练行人图像的第一行人特征；

对所述待训练行人图像的卷积激活图实施全局池化操作，并执行归一化处理获得所述待训练行人图像的第二行人特征。

5.如权利要求4所述的基于行人再识别模型的行人再识别方法，其特征在于，所述利用预置软标签损失函数、预置三元损失函数和预置中心损失函数优化所述待训练行人图像的行人特征，包括：

将所述第一行人特征输入预置分类器进行类别预测，并利用预置软标签损失计算所述第一行人特征的损失值；

利用预置三元损失函数计算所述第二行人特征的第一损失值；

利用预置中心损失函数计算所述第二行人特征的第二损失值。

6.如权利要求1所述的基于行人再识别模型的行人再识别方法，其特征在于，所述将所述预置特征提取模块中的卷积激活图输入到预置局部相关注意力模块中，得到具有局部相关性的卷积激活图，包括：

基于预置局部相关注意力模块的第一权重矩阵，获取所述卷积激活图的第一依赖系数；

基于预置局部相关注意力模块的第二权重矩阵，获取所述卷积激活图的第二依赖系数；

通过所述第一依赖系数、所述第二依赖系数、所述预置局部相关注意力模块的第三权重矩阵和所述卷积激活图，获取所述卷积激活图中任意两个像素之间的依赖系数；

通过所述卷积激活图中任意两个像素之间的依赖系数、所述预置局部相关注意力模块的第四权重矩阵和所述卷积激活图，得到具有局部相关性的卷积激活图。