一种行人重识别方法、系统、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114299442A(43)申请公布日2022.04.08(21)申请号202111344388.3G06V10/764(2022.01)(22)申请日2021.11.15G06K9/62(2022.01)G06N3/04(2006.01)(71)申请人苏州浪潮智能科技有限公司G06N3/08(2006.01)地址215100江苏省苏州市吴中区吴中经G06N5/02(2006.01)济开发区郭巷街道官浦路1号9幢(72)发明人王立郭振华范宝余赵雅倩李仁刚(74)专利代理机构北京集佳知识产权代理有限公司11227代理人刘珂(51)Int.Cl.G06V20/52(2022.01)G06V10/774(2022.01)G06V10/74(2022.01)G06V10/82(2022.01)权利要求书2页说明书10页附图5页(54)发明名称一种行人重识别方法、系统、电子设备及存储介质(57)摘要本申请公开了一种行人重识别方法，所述行人重识别方法包括：构建基于卷积神经网络的辅助训练模型和目标模型；确定辅助训练模型和目标模型的损失函数，并利用损失函数训练辅助训练模型和目标模型；在辅助训练模型训练完毕后，将辅助训练模型的知识迁移至目标模型，得到行人重识别模型；向行人重识别模型输入行人图像，得到行人图像的嵌入层特征；将行人图像的嵌入层特征与待查询图像的嵌入层进行相似度比对，并根据相似度比对结果输出行人重识别结果。本申请能够如何在不提高参数量和计算量的前提下，提高行人重识别的准确率。本申请还公开了一种行人重识别系统、一种电子设备及一种存储介质，具有以上有益效果。CN114299442ACN114299442A权利要求书1/2页1.一种行人重识别方法，其特征在于，包括：构建基于卷积神经网络的辅助训练模型和目标模型；确定所述辅助训练模型和所述目标模型的损失函数，并利用所述损失函数训练所述辅助训练模型和所述目标模型；在所述辅助训练模型训练完毕后，将所述辅助训练模型的知识迁移至所述目标模型，得到行人重识别模型；向所述行人重识别模型输入行人图像，得到所述行人图像的嵌入层特征；将所述行人图像的嵌入层特征与待查询图像的嵌入层进行相似度比对，并根据相似度比对结果输出行人重识别结果。2.根据权利要求1所述行人重识别方法，其特征在于，构建基于卷积神经网络的辅助训练模型和目标模型，包括：构建包括至少两个卷积神经网络的所述辅助训练模型，构建包括至少两个卷积神经网络的所述目标模型；或，利用包括至少两个头部网络的卷积神经网络构建所述辅助训练模型，利用包括至少两个头部网络的卷积神经网络构建所述目标模型；其中，所述头部网络包括池化层、embedding层、全连接层、输出层和softmax层。3.根据权利要求2所述行人重识别方法，其特征在于，确定所述辅助训练模型和所述目标模型的损失函数，包括：计算每一所述卷积神经网络的交叉熵损失函数；对所述卷积神经网络的嵌入层特征进行相似性比对，得到特征相似性损失函数；根据所述卷积神经网络的嵌入层特征的类中心确定类中心损失函数；按照预设规则对所述嵌入层特征的类中心的位置进行约束，得到对类中心距离进行约束的损失函数；根据所述交叉熵损失函数、所述特征相似性损失函数、所述类中心损失函数、以及所述对类中心距离进行约束的损失函数确定所述辅助训练模型和所述目标模型的损失函数。4.根据权利要求3所述行人重识别方法，其特征在于，还包括：对最近一次确定的类中心和当前输出的嵌入层特征进行加权计算，得到更新后的类中心。5.根据权利要求4所述行人重识别方法，其特征在于，在对最近一次确定的类中心和当前输出的嵌入层特征进行加权计算之前，还包括：判断所述当前输出的嵌入层特征对应的特征分类是否正确；若是，则进入对最近一次确定的类中心和当前输出的嵌入层特征进行加权计算的步骤。6.根据权利要求3所述行人重识别方法，其特征在于，所述按照预设规则对所述嵌入层特征的类中心的位置进行约束，得到对类中心距离进行约束的损失函数，包括：通过艰难样本挖掘的方法计算所有类中心的最小类间差，得到所述嵌入层特征的类中心的位置信息；根据所述位置信息生成所述对类中心距离进行约束的损失函数。7.根据权利要求1至6任一项所述行人重识别方法，其特征在于，所述构建基于卷积神2CN114299442A权利要求书2/2页经网络的辅助训练模型和目标模型，包括：按照预设规则构建基于卷积神经网络的所述辅助训练模型和所述目标模型；其中，所述预设规则为所述辅助训练模型的模型复杂度高于所述目标模型的模型复杂度。8.一种行人重识别系统，其特征在于，包括：模型构建模块，用于构建基于卷积神经网络的辅助训练模型和目标模型；模型训练模块，用于确定所述辅助训练模