一种行人重识别方法、装置及电子设备与流程

1.本发明涉及人工智能技术领域，尤其是涉及一种行人重识别方法、装置及电子设备。


背景技术：

2.随着人工智能技术的发展和进步，目标识别已在诸多领域应用。目标识别技术除了用于识别目标的类别，还能够识别目标的行为。行人重识别(person re-identification，简称reid)技术是现在计算机研究的热门方向，主要解决跨摄像机场景下的行人的识别与检索，该技术能够根据行人的穿着、体态、发型等信息识别行人。
3.行人重识别技术可以作为人脸识别技术的重要补充，实现对无法获取清晰人脸的行人进行跨摄像机的连续跟踪，增强数据的时空连续性，对安防监控领域有着重要意义。但是，现有技术在遮挡及外观相似度较高情况下，存在行人重识别的精度不高的问题。


技术实现要素：

4.本发明的目的在于提供一种行人重识别方法、装置及电子设备，解决了现有技术存在行人重识别的精度不高的问题。
5.第一方面，本发明提供一种行人重识别方法，包括：
6.将待识别的人体图像分割为多个局部图像；
7.利用resnet神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；
8.通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；
9.对人体高维识别特征进行匹配识别，获得识别结果。
10.进一步的，所述多个局部图像包括头部、躯干、左臂、右臂、左腿和右腿。
11.进一步的，通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征的步骤，包括：
12.通过局部特征拼接法，对多个人体特征进行对齐融合，获得人体高维识别特征。
13.进一步的，对人体高维识别特征进行匹配识别，获得识别结果的步骤，包括：
14.利用余弦相似度算法，在底库中检索人体高维识别特征的匹配目标，获得识别结果。
15.进一步的，resnet神经网络的训练过程，包括：
16.将训练样本进行人体图像分割，形成多个局部图像的训练集和验证集；
17.利用训练集和验证集输入初始resnet神经网络；
18.配置深度学习参数，对初始resnet神经网络进行训练；
19.获得训练后的resnet神经网络。
20.进一步的，配置深度学习参数，对初始resnet神经网络进行训练的步骤，包括：
21.利用交叉熵损失ls和中心损失lc一起训练初始resnet神经网络的网络参数；
22.损失函数为
[0023][0024]
其中，m表示样本个数，yi表示第i个样本的预测结果，表示第i个样本的标签结果，λ表示度量系数，表示第yi个类别的特征中心。
[0025]
第二方面，本发明还提供一种行人重识别装置，包括：
[0026]
分割模块，用于将待识别的人体图像分割为多个局部图像；
[0027]
特征模块，用于利用resnet神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；
[0028]
融合模块，用于通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；
[0029]
识别模块，用于对人体高维识别特征进行匹配识别，获得识别结果。
[0030]
第三方面，本发明还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0031]
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述的方法。
[0032]
本发明提供的行人重识别方法，首先将待识别的人体图像分割为多个局部图像；然后利用resnet神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征；再通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征；最后对人体高维识别特征进行匹配识别，获得识别结果。通过局部特征的提取与融合，获得人体外观的细腻特征表达，以提高行人重识别的精度与可靠性，解决了现有技术存在行人重识别的精度不高的问题。
[0033]
相应地，本发明提供的行人重识别装置、电子设备及计算机可读存储介质，也同样具有上述技术效果。
附图说明
[0034]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1为本发明实施例提供的行人重识别方法的流程图；
[0036]
图2为本发明实施例提供的行人重识别方法的另一流程图；
[0037]
图3为本发明实施例提供的行人重识别装置的示意图。
具体实施方式
[0038]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0040]
如图1和图2所示，本发明实施例提供一种行人重识别方法，包括以下步骤：
[0041]
s1：将待识别的人体图像分割为多个局部图像。
[0042]
s2：利用resnet(deep residual network，深度残差网络)神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征。
[0043]
s3：通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征。
[0044]
s4：对人体高维识别特征进行匹配识别，获得识别结果。
[0045]
本发明实施例通过局部特征的提取与融合，获得人体外观的细腻特征表达，以提高行人重识别的精度与可靠性，解决了现有技术存在行人重识别的精度不高的问题。
[0046]
在一种可能的实施方式中，多个局部图像具体是6个不同部位的局部图像，分别是头部、躯干、左臂、右臂、左腿和右腿。
[0047]
在一种可能的实施方式中，上述步骤s3具体包括：
[0048]
通过局部特征对齐拼接的方法，对头部、躯干、左臂、右臂、左腿和右腿的人体特征进行对齐融合，获得人体高维识别特征。可以利用superpoint算法提取图像特征点及其特征描述子，利用superglue算法进行全局图像与局部图像间的特征配准，然后根据两者面积比等比例扩大全局图像的匹配点坐标，求解单应性矩阵将局部图像无缩放的投影至全局图像所在平面，最后融合投影后局部图像的重叠区域，获得人体高维识别特征。
[0049]
在一种可能的实施方式中，对人体高维识别特征进行匹配识别，获得识别结果的步骤，包括：
[0050]
利用余弦相似度算法，在底库中检索人体高维识别特征的匹配目标，获得识别结果，利用余弦相似度算法，通过计算两个特征向量的夹角余弦值来评估二者的相似度。
[0051]
在一种可能的实施方式中，步骤s2中的resnet神经网络的训练过程，包括：
[0052]
将训练样本进行人体图像分割，形成多个局部图像的训练集和验证集。例如，训练样本包括1000个人体图像，将这些人体图像进行分割，获得头部、躯干、左臂、右臂、左腿和右腿的图像各1000个，并将其划分为训练集和验证集。
[0053]
利用训练集和验证集输入初始resnet神经网络。resnet神经网络为多个残差模块(residual block)的串联，比较容易修改和扩展，通过调整模块内的通道数量以及堆叠的模块数量，就可以很容易地调整网络的宽度和深度，来得到不同表达能力的网络。
[0054]
配置深度学习参数，对初始resnet神经网络进行训练。
[0055]
具体的，利用交叉熵损失ls和中心损失lc一起训练初始resnet神经网络的网络参数。
[0056]
损失函数为
[0057][0058]
其中，m表示样本个数，yi表示第i个样本的预测结果，表示第i个样本的标签结果，λ表示度量系数，表示第yi个类别的特征中心。
[0059]
最后，获得训练后的resnet神经网络。
[0060]
如图3所示，本发明实施例还提供一种行人重识别装置，包括：
[0061]
分割模块，用于将待识别的人体图像分割为多个局部图像。
[0062]
特征模块，用于利用resnet神经网络对各个局部图像进行特征提取，获得多个局部部位的人体特征。
[0063]
融合模块，用于通过特征拼接，对多个人体特征进行对齐融合，获得人体高维识别特征。
[0064]
识别模块，用于对人体高维识别特征进行匹配识别，获得识别结果。
[0065]
本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0066]
对应于上述方法，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述方法的步骤。
[0067]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0068]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0069]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。都应涵盖在本发明的保护范围之
内。因此，本发明的保护范围应以权利要求的保护范围为准。