[发明专利]分布式边缘协同推理的行人重识别方法、系统及装置

说明书

本申请公开了一种分布式边缘协同推理的行人重识别方法、系统及装置，通过分布式边缘协同推理架构获取待处理的图像；通过ResNet‑50提取图像的身份特征和属性特征；对身份特征进行降维，得到全局特征；使用全连接层和Softmax激活函数对全局特征进行分类处理，得到图像中行人身份的第一分类结果；根据属性特征，得到图像中各个行人的属性分类结果；根据属性分类结果进行属性特征融合，得到融合属性特征，并根据融合属性特征得到图像中行人身份的第二分类结果；根据第一分类结果和第二分类结果，进行行人重识别。该方法能够更为高效地提高模型的识别效率和准确率。本申请可广泛应用于人工智能技术领域内。

技术领域

本申请涉及人工智能技术领域，尤其是一种分布式边缘协同推理的行人重识别方法、系统及装置。

背景技术

早期基于视频的行人重识别的研究思路，通常是先对行人图片提取手工特征，如颜色直方图、方向梯度直方图等，然后使用相似性度量方法，如大边界最近邻算法、交叉二次判别分析算法等来学习度量矩阵。随着深度学习技术的兴起，深度学习广泛应用于行人重识别任务中。

目前，相关技术中，基于深度学习的行人重识别方法在性能上大大超过了传统方法。主要有如下两个原因：1)手工设计的特征描述能力有限，而深度学习使用深度卷积神经网络，可以自动学习出更复杂的特征；2)深度学习可以将特征提取和相似性度量联合在一起，实现端到端的学习，从而得到全局最优解。基于深度学习和云计算的普及推动了计算机视觉在各行业中的广泛应用。但是，集中化的云端推理服务存在带宽资源消耗大、图像数据隐私泄露、时效性难以满足等问题，难以充分满足计算机视觉在行业应用上的多样化应用需求。

发明内容

本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。

为此，本申请实施例的一个目的在于提供一种分布式边缘协同推理的行人重识别方法、系统及装置。

为了达到上述技术目的，本申请实施例所采取的技术方案包括：

一方面，本申请实施例提供了一种分布式边缘协同推理的行人重识别方法，所述方法包括：

通过分布式边缘协同推理架构获取待处理的图像；

通过ResNet-50提取图像的身份特征和属性特征；

对所述身份特征进行全局平均池化，然后使用全连接层、批量规范化层和ReLU激活函数对全局平均池化后的身份特征进行降维，得到全局特征；

使用全连接层和Softmax激活函数对所述全局特征进行分类处理，得到所述图像中行人身份的第一分类结果；

根据所述属性特征，得到所述图像中各个行人的属性分类结果；

根据所述属性分类结果进行属性特征融合，得到融合属性特征，并根据所述融合属性特征得到所述图像中行人身份的第二分类结果；

根据所述第一分类结果和所述第二分类结果，进行行人重识别。

另外，根据本申请上述实施例的一种分布式边缘协同推理的行人重识别方法，还可以具有以下附加的技术特征：

进一步地，在本申请的一个实施例中，所述分布式边缘协同推理架构包括边缘节点和云端节点。

进一步地，在本申请的一个实施例中，所述分布式边缘协同推理架构包括ReID-Worker、特征提取Worker和行人跟踪Worker；

所述ReID-Worker、所述特征提取Worker部署在所述边缘节点和云端节点中，所述行人跟踪Worker部署在边缘节点。

进一步地，在本申请的一个实施例中，所述分布式边缘协同推理架构还包括有Kafka消息队列。