[发明专利]一种行人重识别方法、装置、电子设备和存储介质

权利要求书

1.一种行人重识别方法，其特征在于，包括：

获取输入图像集合；

利用所述输入图像集合对具有峰值检测器的初始多粒度网络模型进行特征训练，得到具有峰值检测器的多粒度网络模型；

将待检测图像输入所述具有峰值检测器的多粒度网络模型，得到特征提取结果；

将所述特征提取结果与含有目标行人的图片库中提取的特征向量集合进行匹配，识别目标行人；

其中，所述利用所述输入图像集合对具有峰值检测器的初始多粒度网络模型进行特征训练，得到具有峰值检测器的多粒度网络模型，包括：

利用所述具有峰值检测器的初始多粒度网络模型，对所述输入图像集合中的各个图像进行特征提取，得到全局特征图；

利用所述模型中的峰值检测器对所述全局特征图进行人体部位检测，生成感兴趣区域；

对所述各个图像中的所述感兴趣区域进行水平切分，得到局部特征图，并对所述局部特征图进行拼接得到拼接特征图；

利用所述全局特征图、所述局部特征图和所述拼接特征图进行训练得到所述具有峰值检测器的多粒度网络模型；

所述具有峰值检测器的多粒度网络模型中七层卷积神经网络的第一层、第三层、第五层和第七层被分别划分出一个分支；

所述分支用于生成对不同位置不同粗细粒度敏感度的峰值检测器。

2.根据权利要求1所述的行人重识别方法，其特征在于，所述对所述全局特征图、所述局部特征图和所述拼接特征图进行训练得到所述具有峰值检测器的多粒度网络模型，包括：

将行人ID和行人属性作为标签，利用所述全局特征图、所述局部特征图和所述拼接特征图进行特征训练，得到所述具有峰值检测器的多粒度网络模型。

3.根据权利要求2所述的行人重识别方法，其特征在于，所述将待检测图像输入所述具有峰值检测器的多粒度网络模型，得到特征提取结果，包括：

将所述待检测图像输入所述具有峰值检测器的多粒度网络模型，得到对应的全局特征图、局部特征图和拼接特征图；

对所述全局特征图、所述局部特征图和所述拼接特征图进行特征提取，得到全局特征向量、局部特征向量和拼接特征向量；

根据所述全局特征向量、局部特征向量和拼接特征向量得到联合特征向量，并将所述联合特征向量作为所述特征提取结果。

4.根据权利要求1所述的行人重识别方法，其特征在于，所述将所述特征提取结果与含有目标行人的图片库中提取的特征向量集合进行匹配，识别目标行人，包括：

将所述特征提取结果与含有目标行人的图片库中提取的特征向量集合进行匹配，得到匹配概率；

选取所述匹配概率最大的特征向量，并将所述特征向量对应的行人作为所述目标行人。

5.根据权利要求1所述的行人重识别方法，其特征在于，所述利用所述输入图像集合对具有峰值检测器的初始多粒度网络模型进行特征训练，得到具有峰值检测器的多粒度网络模型之前，还包括：

设置所述多粒度网络模型的损失函数为Combined Margin Loss。