[发明专利]一种行人重识别方法、装置、电子设备及存储介质

说明书

本发明提供一种行人重识别方法、装置、电子设备及存储介质，方法包括：通过行人重识别数据集对行人重识别模型进行模型训练；将行人重识别模型进行格式转换，并构建TensorRT加速器工程对行人重识别模型进行加速，得到行人特征提取模型；获取每个行人的行人图像信息，通过行人特征提取模型提取行人图像信息中的行人特征向量，集合成行人特征向量集；基于预设的图像采集设备信息与预设的采集时间信息对行人特征向量集进行过滤，得到待匹配特征向量集；确定目标行人，提取目标行人的目标特征向量并与所有行人特征向量进行特征相似度匹配。能够提高行人特征向量的提取速度及行人重识别速度，且通过属性过滤，能减小对目标行人进行匹配的数量，提高匹配速度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种行人重识别方法、装置、电子设备及存储介质。

背景技术

目前，随着计算机硬件性能的快速提升，深度学习成为计算机视觉领域的一种主流方法。相比传统方法，深度学习方法在准确度方面有巨大提升。虽然深度学习提高了准确度，但是由于卷积神经网络深度的原因，计算时间的成本比较高，所以对模型进行提速成为许多科研工作者的目标。

在当下行人重识别系统中，对行人进行重识别主要是基于深度学习的方法进行，但由于卷积神经网络在计算时间方面的限制，且在提取行人目标的特征向量进行匹配时，是将目标行人与全部行人特征向量进行匹配，在实际应用中，有些场景只需要在固定区域和时间段内进行匹配，所以每次与全部行人特征向量进行匹配，增加了计算量，降低了了匹配速度。可见，在现有技术中，在保证重识别准确率的前提下，存在模型对行人重识别速度慢、时间成本高的问题。

发明内容

本发明实施例提供一种行人重识别方法，能够在保证准确率的前提下，提高模型对行人重识别的速度，降低时间成本。

第一方面，本发明实施例提供一种行人重识别方法，包括以下步骤：

构建行人重识别数据集以及行人重识别模型，并通过所述行人重识别数据集对所述行人重识别模型进行模型训练；

构建TensorRT加速器工程，将已训练好的所述行人重识别模型的格式转换为所述TensorRT加速器工程的格式；

通过所述TensorRT加速器工程对所述行人重识别模型进行加速，得到行人特征提取模型；

获取每个行人的行人图像信息，通过所述行人特征提取模型提取所述行人图像信息中的行人特征向量，集合每个行人的所述行人特征向量组成行人特征向量集，其中，每条所述行人特征向量包括有对应的图像采集设备信息及采集时间信息；

基于预设的图像采集设备信息与预设的采集时间信息对所述行人特征向量集进行过滤，得到待匹配特征向量集；

确定目标行人，提取所述目标行人的目标特征向量并与所述待匹配特征向量集中的所有所述行人特征向量进行特征相似度匹配，将所述行人特征向量中所述特征相似度满足预设的特征相似度阈值所对应的行人判断为所述目标行人。

可选的，所述获取每个行人的行人图像信息，通过所述行人特征提取模型提取所述行人图像信息中的行人特征向量，集合每个行人的所述行人特征向量组成行人特征向量集的步骤包括：

从视频图像中获取每个行人的所述行人图像信息，所述行人图像信息中包括多种类型的所述行人特征向量；

通过所述行人特征提取模型对所述行人图像信息中每个行人的多种类型的所述行人特征向量进行提取；

将提取出的每个行人的多种类型的所述行人特征向量进行集合，得到所述行人特征向量集。

可选的，所述基于预设的图像采集设备信息与预设的采集时间信息对所述行人特征向量集进行过滤，得到待匹配特征向量集的步骤包括:

获取所述预设的图像采集设备信息与预设的采集时间信息；

将所述预设的图像采集设备信息与预设的采集时间信息与所述行人特征向量集中的每条所述行人特征向量对应的图像采集设备信息及采集时间信息进行比较；