[发明专利]一种行人重识别系统和方法、计算机设备及存储介质

说明书

本发明公开了一种行人重识别系统和方法、计算机设备及存储介质。所述系统包括：特征提取模块，用于提取图像F的特征；级联排布的N层SFEM和(N‑1)层级联抑制模块，第一层SFEM与特征提取模块连接，每两级SFEM之间连接有一层级联抑制模块；每一层SFEM用于对输入特征进行条状切割，提取显著性特征；每一层级联抑制模块用于分离输入特征的显著性特征与抑制显著性特征；融合模块，与N层SFEM连接，用于融合N层输出；预测模块，与融合模块连接，用于预测F的行人编号。本发明充分利用了条状切割以及显著性提取得到更具区分性的显著性信息，并设计级联抑制网络探索强度不显著的强判别特征，提高了行人重识别的准确性。

技术领域

本发明实施例涉及计算机视觉领域，尤其涉及一种行人重识别系统和方法、计算机设备及存储介质。

背景技术

自人类职业围棋选手被人工智能机器人阿尔法围棋(AlphaGo)击败以来，其使用的深度学习受到越来越多科研工作者的广泛关注，大量的研究促使人工智能领域涌现出丰硕的成果。作为人工智能领域的一个重要部分，计算机视觉是一类使用计算机和相关多媒体设备模拟生物视觉功能的研究，计算机视觉的主要任务是通过对采集的视频和图像进行处理以获取相应的信息。深度学习研究的火热开展促使众多计算机视觉问题得到了解决，更使得行人重识别任务的准确率显著提升。

行人重识别任务在广义上被认为是一种图像检索或者视频检索的子任务，行人重识别的特点在于：跨摄像头、跨场景下行人的识别与检索且难以使用人脸识别技术。该技术能够根据行人的穿着、体态、发型等信息认知行人，适用于更多新的应用场景，将人工智能的认知水平提高到一个新阶段。然而，跨摄像头可能会导致不同相机的分辨率不同、拍摄角度不一致、图像难对齐等一些列难题，而无法使用人脸检测技术则又说明行人重识别技术是一个更加困难的检索任务。

发明内容

为解决现有技术中存在的上述问题，本发明提供一种行人重识别系统和基于行人重识别系统的行人重识别方法，通过多尺度注意力机制的图卷积对3D点云进行处理，提高对图像在三维空间进行的目标检测的精度。

第一方面，本发明实施例提供了一种行人重识别系统一种行人重识别系统，包括：

特征提取模块，用于获取待识别图像F，对F进行特征提取，输出F的图像特征；

级联排布的N层显著特征提取模块(Significant Feature Extraction Module，简称为“SFEM”)和(N-1)层级联抑制模块，其中，第一层SFEM与所述特征提取模块连接，所述特征提取模块的输出为所述第一层SFEM的输入；每两级SFEM之间连接有一层级联抑制模块，前一层SFEM的输出为所述一层级联抑制模块的输入，所述一层级联抑制模块的输出为后一层SFEM的输入；每一层SFEM用于对输入所述每一层SEFM的特征F1进行条状切割，并对条状分割后的特征并进行显著性特征提取，输出F1的显著性特征SplitA(F1)；每一层级联抑制模块用于分离输入所述每一层抑制模块的特征F2的显著性特征与F2的抑制显著性特征F_ca，输出F_ca；

融合模块，与所述N层SFEM连接，每一层SFEM的输出均为所述融合模块的输入；所述融合模块用于将所述N层SFEM的输出进行融合，输出融合特征F_f；

预测模块，与所述融合模块连接，所述融合模块的输出为所述预测模块的输入；所述预测模块用于基于F_f预测F的行人编号(Identifier，简称为“ID”)。

在一实施例中，每一层SFEM包括：

分割单元，与所述每一层SFEM的前一层模块连接，所述分割单元用于对F1进行条状切割，输出F1的k份条状特征F₁、F₂……F_k，其中，F1的维度为C×W×H，F₁、F₂……F_k的维度均为C×W×(H/k)；