[发明专利]行人重识别的特征提取方法及装置、电子设备、存储介质

权利要求书

1.一种行人重识别的特征提取方法，其特征在于，包括：

将视频帧序列中每一视频帧作为已训练的头肩检测网络的输入，获得所述头肩检测网络输出的头肩检测框；

基于所述头肩检测框回归得到行人检测框；

将所述头肩检测框内的局部视频帧输入第一特征提取网络，获得头肩特征向量；

将所述行人检测框内的局部视频帧输入第二特征提取网络，获得行人特征向量；

对所述头肩特征向量和所述行人特征向量进行融合，获得行人外貌特征向量。

2.根据权利要求1所述的方法，其特征在于，所述头肩检测网络通过如下方式训练得到：

将样本数据集中的样本图像作为目标检测网络的输入，获得所述目标检测网络输出的样本头肩预测框；其中，所述样本图像携带已标注的头肩标签框；

基于所述样本头肩预测框和所述头肩标签框之间的差异，调整所述目标检测网络的网络参数；

重复上述过程，直至所述目标检测网络收敛，获得所述头肩检测网络。

3.根据权利要求1所述的方法，其特征在于，所述头肩检测框以中心点坐标、宽度和高度表示；

所述基于所述头肩检测框回归得到行人检测框，包括：

将所述头肩检测框在垂直方向向下移动达到指定距离；

将移动后的所述头肩检测框在中心点不变的情况下，高度扩大指定倍数，获得所述行人检测框。

4.根据权利要求1所述的方法，其特征在于，所述第二特征提取网络为已训练的多粒度网络；

所述将所述行人检测框内的局部视频帧输入第二特征提取网络，获得行人特征向量，包括：

将所述行人检测框内的局部视频帧输入所述多粒度网络的主干网络，获得所述主干网络输出的基础图像特征；

将所述基础图像特征输入所述多粒度网络的全局特征提取网络，获得第一全局特征向量；

将所述基础图像特征输入所述多粒度网络的第一区域特征提取网络，获得第二全局特征向量、第一区域特征向量和第二区域特征向量；

将所述基础图像特征输入所述多粒度网络的第二区域特征提取网络，获得第三全局特征向量、第三区域特征向量和第四区域特征向量；

对所述第一全局特征向量、所述第二全局特征向量、所述第三全局特征向量、所述第一区域特征向量、所述第二区域特征向量、所述第三区域特征向量和所述第四区域特征向量进行融合，得到所述行人特征向量。

5.根据权利要求4所述的方法，其特征在于，所述将所述基础图像特征输入所述多粒度网络的全局特征提取网络，获得第一全局特征向量，包括：

对所述基础图像特征进行下采样处理；

对下采样处理后的基础图像特征进行全局最大池化处理；

对全局最大池化处理后的基础图像特征进行降维处理，得到所述第一全局特征向量。

6.根据权利要求4所述的方法，其特征在于，所述将所述基础图像特征输入所述多粒度网络的第一区域特征提取网络，获得第二全局特征向量、第一区域特征向量和第二区域特征向量，包括：

将所述基础图像特征在垂直方向上二等分，得到第一子基础特征和第二子基础特征；

分别对所述基础图像特征、所述第一子基础特征和所述第二子基础特征进行全局最大池化处理；

分别对全局最大池化处理后的基础图像特征、第一子基础特征和第二子基础特征进行降维处理，得到所述第二全局特征向量、所述第一区域特征向量和所述第二区域特征向量。

7.根据权利要求4所述的方法，其特征在于，所述将所述基础图像特征输入所述多粒度网络的第二区域特征提取网络，获得第三全局特征向量、第三区域特征向量和第四区域特征向量，包括：

将所述基础图像特征在垂直方向上三等分，得到第三子基础特征和第四子基础特征；

分别对所述基础图像特征、所述第三子基础特征和所述第四子基础特征进行全局最大池化处理；

分别对全局最大池化处理后的基础图像特征、第三子基础特征和第四子基础特征进行降维处理，得到所述第三全局特征向量、所述第三区域特征向量和所述第四区域特征向量。