[发明专利]一种行人重识别方法、装置及电子设备和存储介质

说明书

本申请公开了一种行人重识别方法、装置及一种电子设备和计算机可读存储介质，该方法包括：获取行人图片和行人重识别网络；其中，行人重识别网络包括骨干网络、全局特征提取分支、局部特征提取分支；将行人图片输入骨干网络得到行人图片对应的特征图，利用全局特征提取分支从特征图中提取全局特征，利用局部特征提取分支从特征图中提取局部特征；利用损失函数计算全局特征和局部特征的损失量，并基于损失量对行人重识别网络进行参数调整，得到调整后的行人重识别网络，以便利用调整后的行人重识别网络进行行人重识别。本申请提供的述行人重识别方法，提高了行人重识别网络的迁移效果。

技术领域

本申请涉及行人重识别技术领域，更具体地说，涉及一种行人重识别方法、装置及一种电子设备和一种计算机可读存储介质。

背景技术

行人重识别(Person Re-identification，ReID)即是对一个摄像头感兴趣的行人，检索到该行人在其他摄像头的所有图片。当前ReID领域主要关注特征学习及度量学习两大方向。度量学习目的是将特征映射不同空间使同一个人的特征向量更接近，而不同人的特征向量更远。特征学习则是设计网络如何学习到更具有判别力的特征。

当前ReID任务存在诸多挑战，不同摄像头会造成遮挡、视角、光照、模糊等诸多挑战，同时监控摄像头拍摄的低分辨率图片也给ReID造成了巨大的困难。这些困难都会造成类内差异增大、类间差异减小。因而如何产生具有判别力的特征，将类内和类间区分开来，就显得很重要。

同时由于ReID数据集的公开数据集图片数量较少，且图片同Imagenet数据集中图片差距较大。因而一般从Imagenet预训练的骨干网络生成的特征图迁移ReID数据集上效果并不好。

因此，如何提高行人重识别网络的迁移效果是本领域技术人员需要解决的技术问题。

发明内容

本申请的目的在于提供一种行人重识别方法、装置及一种电子设备和一种计算机可读存储介质，提高了行人重识别网络的迁移效果。

为实现上述目的，本申请提供了一种行人重识别方法，包括：

获取行人图片和行人重识别网络；其中，行人重识别网络包括骨干网络、全局特征提取分支、局部特征提取分支；

将所述行人图片集输入所述骨干网络得到所述行人图片对应的特征图，利用所述全局特征提取分支从所述特征图中提取全局特征，利用所述局部特征提取分支从所述特征图中提取局部特征；

利用损失函数计算所述全局特征和所述局部特征的损失量，并基于所述损失量对所述行人重识别网络进行参数调整，得到调整后的行人重识别网络，以便利用所述调整后的行人重识别网络进行行人重识别。

其中，所述骨干网络包括浅层网络和深层网络；所述浅层网络具体为Batch Norm与Instance Norm结合的网络，所述深层网络具体为Batch Norm。

其中，所述局部特征提取分支包括第一局部特征提取分支和第二局部特征提取分支，所述利用所述局部特征提取分支从所述特征图中提取局部特征，包括：

利用第一局部特征提取分支将所述特征图划分为两个部分，并分别提取所述两个部分的特征作为所述局部特征；

利用第二局部特征提取分支将所述特征图划分为三个部分，并分别提取所述三个部分的特征作为所述局部特征。

其中，所述利用损失函数计算所述全局特征和所述局部特征的损失量，包括：

确定所述全局特征对应的第一损失函数和所述局部特征对应的第二损失函数；

利用所述第一损失函数计算所述全局特征的损失量，利用所述第二损失函数计算所述局部特征的损失量。