[发明专利]分布式边缘协同推理的行人重识别方法、系统及装置

权利要求书

1.一种分布式边缘协同推理的行人重识别方法，其特征在于，所述方法包括：

通过分布式边缘协同推理架构获取待处理的图像；

通过ResNet-50提取图像的身份特征和属性特征；

对所述身份特征进行全局平均池化，然后使用全连接层、批量规范化层和ReLU激活函数对全局平均池化后的身份特征进行降维，得到全局特征；

使用全连接层和Softmax激活函数对所述全局特征进行分类处理，得到所述图像中行人身份的第一分类结果；

根据所述属性特征，得到所述图像中各个行人的属性分类结果；

根据所述属性分类结果进行属性特征融合，得到融合属性特征，并根据所述融合属性特征得到所述图像中行人身份的第二分类结果；

根据所述第一分类结果和所述第二分类结果，进行行人重识别。

2.根据权利要求1所述的一种分布式边缘协同推理的行人重识别方法，其特征在于，所述分布式边缘协同推理架构包括边缘节点和云端节点。

3.根据权利要求2所述的一种分布式边缘协同推理的行人重识别方法，其特征在于，所述分布式边缘协同推理架构包括ReID-Worker、特征提取Worker和行人跟踪Worker；

所述ReID-Worker、所述特征提取Worker部署在所述边缘节点和云端节点中，所述行人跟踪Worker部署在边缘节点。

4.根据权利要求1-3中任一项所述的一种分布式边缘协同推理的行人重识别方法，其特征在于，所述分布式边缘协同推理架构还包括有Kafka消息队列。

5.根据权利要求1所述的一种分布式边缘协同推理的行人重识别方法，其特征在于，所述全连接层通过以下步骤训练得到：

获取批量的训练图像数据和所述训练图像数据对应的标签数据；

通过ResNet-50提取图像的第一身份特征；

将所述第一身份特征进行全局平均池化，然后使用全连接层、批量规范化层和ReLU激活函数对全局平均池化后的第一身份特征进行降维，得到第一全局特征

通过所述全连接层对所述第一全局特征进行预测，得到预测结果；

根据所述预测结果和所述标签数据，确定训练的损失值；

根据所述损失值，对所述全连接层进行参数更新。

6.根据权利要求5所述的一种分布式边缘协同推理的行人重识别方法，其特征在于，所述根据所述预测结果和所述标签数据，确定训练的损失值，包括：

根据所述预测结果和所述标签数据，通过交叉熵损失函数确定训练的损失值。

7.根据权利要求1所述的一种分布式边缘协同推理的行人重识别方法，其特征在于，所述分布式边缘协同推理架构通过去中心化的自适应边缘计算，根据节点模型的训练损失，自适应选择边端或者云端节点。

8.一种分布式边缘协同推理的行人重识别装置，其特征在于，所述装置包括：

获取模块，用于通过分布式边缘协同推理架构获取待处理的图像；

提取模块，用于通过ResNet-50提取图像的身份特征和属性特征；

降维模块，用于对所述身份特征进行全局平均池化，然后使用全连接层、批量规范化层和ReLU激活函数对全局平均池化后的身份特征进行降维，得到全局特征；

分类模块，用于使用全连接层和Softmax激活函数对所述全局特征进行分类处理，得到所述图像中行人身份的第一分类结果；

处理模块，用于根据所述属性特征，得到所述图像中各个行人的属性分类结果；

融合模块，用于根据所述属性分类结果进行属性特征融合，得到融合属性特征，并根据所述融合属性特征得到所述图像中行人身份的第二分类结果；

识别模块，用于根据所述第一分类结果和所述第二分类结果，进行行人重识别。