[发明专利]基于行人再识别模型的行人再识别方法、设备及存储介质

说明书

本申请公开了一种基于行人再识别模型的行人再识别方法、计算机设备及计算机可读存储介质，该方法包括：通过随机选取待训练行人图像、预置特征提取模块、预置局部相关注意力模块和预置整体相关注意力模块得到优化后的所述待训练行人图像的行人特征和优化后具有整体相关性的行人特征优化预置深度模型，生成行人再识别模型以得到待测试行人图像的行人识别结果，实现通过深度模型学习行人图像间的依赖和图像内的依赖，并将图像间依赖与图像内依赖融合于一个网络结构中，学习行人图像的鲁棒性特征，克服环境、行人等多变性引起的不确定性问题，提高了行人再识别搜索的正确率。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于行人再识别模型的行人再识别方法、计算机设备及计算机可读存储介质。

背景技术

安防关系着社会的稳定与发展，与人民的生活息息相关，是国家的重要战略目标。为维护社会稳定，及时发现存在的安全隐患，安装监控摄像头进行全天候的监控是一种及时、有效的手段。然而，面对大量的监控数据，实现全天候检测需要大量的人力、财力，耗资巨大，难以实现。行人再识别(Person Re-Identification)的目的就是利用计算机技术快速、高效地检索视频监控中的目标行人。然而，由于监控摄像头的多样性、场景的复杂性、行人的不确定性，使得行人再识别面临巨大挑战。研究者努力探索更具鲁棒性的行人特征，以提高行人再识别的检索精确度。

近年来，深度学习的应用大幅度提升了行人再识别的正确识别率。由于不同镜头拍摄的相同行人图像具有潜在的相关性，人们一般构建样本对去约束行人特征的空间分布，探索图像间的依赖关系。Varior等人构建正负样本对，利用孪生网络约束样本对的特征分布，使正样本对的特征分布相似，负样本对的特征分布不同；Hermans等人设计难三元损失减小正样本之间的差距，增大负样本之间的差异；Si等人提出紧致三元损失计算每个行人类别的特征中心，之后减小相同行人类别的特征分布。此外，由于行人图像局部特征之间具有一定的关联，研究者也研究图像内的依赖关系。Sun等人划分图像的卷积激活图为均等的六部分，之后对每部分执行分类操作，学习行人图像的局部信息；Ye等人直接利用非局部模块获取行人卷积激活图中任意两个像素之间的联系，计算长距离的依赖关系。然而，以上约束特征间关系的方法只限制相同行人图像之间的特征分布，没有计算相同行人图像之间的依赖关系，获得少的特征信息；学习局部特征的方法没有关注行人的前景信息，容易丢失重要特征。

发明内容

本申请的主要目的在于提供一种基于行人再识别模型的行人再识别方法、计算机设备及计算机可读存储介质，旨在解决现有约束特征间关系的方法只限制相同行人图像之间的特征分布，没有计算相同行人图像之间的依赖关系，只能获得少的特征信息，而学习局部特征的方法没有关注行人的前景信息，容易丢失重要特征的技术问题。

第一方面，本申请提供一种基于行人再识别模型的行人再识别方法，所述方法包括以下步骤：

随机选取待训练行人图像，对所述待训练行人图像进行预处理；

将预处理后的所述待训练行人图像输入预置特征提取模块，获得所述待训练行人图像的行人特征，并利用预置软标签损失函数、预置三元损失函数和预置中心损失函数优化所述待训练行人图像的行人特征；

将所述预置特征提取模块中的卷积激活图输入到预置局部相关注意力模块中，得到具有局部相关性的卷积激活图；

将所述具有局部相关性的卷积激活图和所述待训练行人图像的行人特征输入到预置整体相关注意力模块中，获得具有整体相关性的行人特征，并利用预置交叉熵损失函数优化所述具有整体相关性的行人特征；

基于优化后的所述待训练行人图像的行人特征和优化后所述具有整体相关性的行人特征优化预置深度模型，生成行人再识别模型；

将待测试行人图像输入训练好的所述行人再识别模型；

根据所述行人再识别模型提取所述待测试行人图像的行人特征，并计算特征相似度，以得到所述待测试行人图像的行人识别结果。