[发明专利]一种行人重识别方法、智能终端及计算机可读存储介质

说明书

本发明公开了一种行人重识别方法、智能终端及计算机可读存储介质，所述方法包括：获取查询图像；将所述查询图像输入到已训练的特征编码器中，并通过所述特征编码器对所述查询图像进行编码，得到所述查询图像对应的初始特征；将所述初始特征与预设的记忆存储器中的各个记忆特征进行特征融合，得到所述查询图像对应的查询特征；计算所述查询特征与预设的若干个目标特征之间的比较相似度，并根据所述比较相似度确定所述查询图像对应的目标分类。本发明针对少样本场景，提出利用外部存储器的记忆增强网络元学习框架，使得在少样本的情景下行人重识别仍可以达到高性能，推进了行人重识别技术进一步推广应用。

技术领域

本发明涉及人工智能领域，尤其涉及一种行人重识别方法、智能终端及计算机可读存储介质。

背景技术

随着科技水平的日益发展和公共安全意识的提高，公共活动场所以及关键的交通道路，都分布大量的监控摄像头，例如火车站、机场、图书馆。监控摄像头的主要作用是记录环境中发生的事件，在某写意外事件发生时，可以真实地记录发生的过程。而记录事件中最重要的一点是记录人的行为。在人员稀疏的区域，可以有效地对某一个目标进行核查监控，但在人员密集的区域，常常需要逐个人物行为的识别，因此消耗大量的人力物力。而且在逐个识别过程中常常会出现疏忽，导致效率低下。另一方面，虽然监控摄像头分布已经较为密集，但是仍然存在一定的死角，只能记录目标的部分特征，很难进行有效的识别。针对这一问题，行人重识别技术应运而生。

行人重识别技术就是利用一张查询图像，在一个海量的数据库中检索和匹配，从而获得具有判别性的特征，以区分来源于同一个人的图像。目前行人重识别技术主要是采用有监督学习进行的，而提高识别的准确性，需要海量的数据，而数据标注工作就需要花费大量的人力和财力。尤其是对于跨摄像头采集的图像，行人的关联是一个非常繁琐的步骤。

行人重识别技术流程可分为两个阶段，分别为特征提取和特征匹配。在特征提取阶段，利用大量有标签数据样本，训练神经网络作为行人身份分类器。神经网络可以提取图像中行人的特征，因此利用该分类器作为特征提取器，提取查询图像和数据库中的图像的嵌入特征。在特征匹配阶段，使用距离度量函数，如欧几里得距离、余弦距离，衡量查询图像和数据库中的图像之间的相似度，并根据相似度进行排序和召回。但深度学习技术对数据量具有较强的依赖性，当数据量缺乏时，虽然能使模型在样本内的训练效果较好，但缺少泛化能力，在实际应用中效果与训练中的效果具有较大差距。而数据标注的高成本使得有监督方法难以拓展到现实生活中。因此，如何利用少量样本进行模型训练，最终得到具有较强泛化能力和鲁棒性的模型，是当前行人重识别领域的一个关键问题。

发明内容

本发明的主要目的在于提供一种行人重识别方法、智能终端及计算机可读存储介质，旨在解决现有技术中行人重识别模型缺乏泛化能力和鲁棒性的问题。

为实现上述目的，本发明提供一种行人重识别方法，所述行人重识别方法包括如下步骤：

获取查询图像；

将所述查询图像输入到已训练的特征编码器中，并通过所述特征编码器对所述查询图像进行编码，得到所述查询图像对应的初始特征；

将所述初始特征与预设的记忆存储器中的各个记忆特征进行特征融合，得到所述查询图像对应的查询特征；

计算所述查询特征与预设的若干个目标特征之间的比较相似度，并根据所述比较相似度确定所述查询图像对应的目标分类。

可选地，所述的行人重识别方法，其中，所述将所述初始特征与预设的记忆存储器中的各个记忆特征进行特征融合，得到所述查询图像对应的查询特征，具体包括：

计算所述初始特征与预设的记忆存储器中的各个记忆特征之间的记忆相似度值；

根据各个所述记忆特征对应的记忆相似度值，将所述记忆特征和所述初始特征进行融合，得到所述查询图像对应的查询特征。