CN111444757A - 无人超市的行人重识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种无人超市的行人重识别方法、装置、电子设备及存储介质。本申请实施例提供的技术方案，通过获取进入无人超市的各个行人顶部视角的图像数据及对应的ID信息，将各个图像数据输入预先训练的行人重识别模型进行行人特征提取，并将提取到的行人特征与对应的ID信息绑定放入候选集。在进行行人ID查询时，获取用于行人ID查询的待检测图像，将待检测图像输入行人重识别模型提取对应的行人特征，并基于对应的行人特征查询候选集，确定对应行人的ID信息。采用上述技术手段，可以避免行人相互遮挡影响行人身份识别的技术问题，提供较好的行人重识别效果，并进一步优化无人超市的运行效果。

Description

无人超市的行人重识别方法、装置、设备及存储介质

技术领域

本申请实施例涉及计算机视觉技术领域，尤其涉及一种无人超市的行人重识别方法、装置、电子设备及存储介质。

背景技术

随着新零售概念的提出和落实，其衍生产物无人超市也得到了快速的发展。为了实现无人超市的自动零售，会将计算机视觉技术和人工智能技术大量在无人超市中。其中。在无人超市中存在许多需要判断行人身份的场景，例如确定拿走商品的行人、结账的行人等。而由于单个摄像头的拍摄范围无法覆盖整个无人超市，无法全程跟踪行人，需要使用跨摄像头的重识别方法对行人进行重识别，以确定无人超市中行人的身份。

现有的行人重识别(Person Re-identification，简称为ReID)技术主要是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。其通过摄像头获取行人斜侧视角的图像数据，以通过图像数据中确定行人头部、身躯、四肢等特征信息，进一步通过特征信息比对确定行人的身份。但是，现有的行人重识别算法一般都是通过斜侧视角进行图像数据获取的，而无人超市受限于空间影响，斜侧视角获取的图像数据效果较差。并且，通过斜侧视角获取到的图像数据，还容易出现行人相互遮挡影响特征识别，进而影响行人识别效果的情况，其在无人超市中的行人重识别效果相对较差。

发明内容

本申请实施例提供一种无人超市的行人重识别方法、装置、电子设备及存储介质，能够提供无人超市较好的行人重识别效果，优化无人超市运行。

在第一方面，本申请实施例提供了一种无人超市的行人重识别方法，包括：

获取进入无人超市的各个行人的图像数据及对应的ID信息，所述图像数据对应各个行人的顶部视角获取；

将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；

在进行行人ID查询时，获取用于行人ID查询的待检测图像，所述待检测图像对应行人的顶部视角获取，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的 ID信息。

进一步的，所述获取进入无人超市的各个行人的图像数据，包括：

从各个行人顶部视角的中心、边缘及对角处获取各个行人的图像数据。

进一步的，所述行人重识别模型进行行人特征提取包括：

通过目标检测模型检测图像数据或待检测图像中的行人图片；

根据检测区域从所述行人图片中筛选待识别图片，所述检测区域为行人重识别模型对应检测识别的设定位置；

将待识别图片输入预先训练的行人重识别模型进行行人特征提取。

进一步的，所述将提取到的行人特征与对应的ID信息绑定并放入候选集，还包括：

对各个行人配置对应的track id，将所述track id与所述ID信息绑定，所述track id用于对应行人的轨迹跟踪；

对应的，所述在进行行人ID查询时，获取用于行人ID查询的待检测图像，包括：

响应于触发信号进行行人ID查询，对应新增的track id，通过拟合出对应行人的移动轨迹，确定和触发位置及移动轨迹距离之和最近的对应行人，以对应行人的图像数据作为待检测图像；

或者，响应于触发信号进行行人ID查询，对应已有的track id，确定和触发位置最近的track id坐标所对应的行人，以对应行人的图像数据作为待检测图像。

进一步的，所述将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息，还包括：

提取对应行人的track id，与候选集中与对应行人的ID信息绑定的track id 进行比对，校验两个track id是否属于同一行人。

进一步的，所述ID信息通过行人刷脸反馈、终端设备扫码反馈或者系统自动分配。

进一步的，在并基于对应的行人特征查询所述候选集，确定对应行人的ID 信息之后，还包括：

检测到行人离开无人超市时，根据行人的行人特征确定对应的ID信息，将对应的ID信息和相绑定的行人特征从所述候选集中删除。

在第二方面，本申请实施例提供了一种无人超市的行人重识别装置，包括：

获取模块，用于获取进入无人超市的各个行人的图像数据及对应的ID信息，所述图像数据对应各个行人的顶部视角获取；

提取模块，用于将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；

查询模块，用于在进行行人ID查询时，获取用于行人ID查询的待检测图像，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息。

在第三方面，本申请实施例提供了一种电子设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的无人超市的行人重识别方法。

在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的无人超市的行人重识别方法。

本申请实施例通过获取进入无人超市的各个行人顶部视角的图像数据及对应的ID信息，将各个图像数据输入预先训练的行人重识别模型进行行人特征提取，并将提取到的行人特征与对应的ID信息绑定放入候选集。在进行行人ID 查询时，获取用于行人ID查询的待检测图像，将待检测图像输入行人重识别模型提取对应的行人特征，并基于对应的行人特征查询候选集，确定对应行人的 ID信息。采用上述技术手段，可以避免行人相互遮挡影响行人身份识别的技术问题，提供较好的行人重识别效果，并进一步优化无人超市的运行效果。

附图说明

图1是本申请实施例一提供的一种无人超市的行人重识别方法的流程图；

图2是本申请实施例一中的第一行人特征提取流程图；

图3是本申请实施例二提供的一种无人超市的行人重识别装置的结构示意图；

图4是本申请实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请提供的无人超市的行人重识别方法，旨在无人超市运行场景中，通过获取超市顶部视角的图像数据以及对应的ID信息，将图像数据中的行人特征与ID信息绑定并放入候选集。后续在对超市中的行人进行ID查询时，通过超市顶部视角获取要进行身份识别(即行人ID查询)的待检测图像，通过特征提取并比对候选集，即可确定对应的ID信息，以此来实现无人超市中的身份识别。参照现有的行人重识别方法，其在进行行人重识别时，一般获取的是行人斜侧视角的图像数据，由于斜侧视角下行人存在相互遮挡的情况，会影响行人重识别的效果，在无人超市中通过斜侧视角进行行人身份识别容易出现识别失败的情况。并且，考虑到无人超市空间有限，通过斜侧视角获取到的图像数据相对较少，并且容易被货架等障碍物遮挡，导致行人重识别的效果进一步变差，无法适应无人超市的应用场景。基于此，提供本申请实施例的一种无人超市的行人重识别方法，以解决现有行人重识别算法由于行人遮挡导致识别效果差的技术问题。

实施例一：

图1给出了本申请实施例一提供的一种无人超市的行人重识别方法的流程图，本实施例中提供的无人超市的行人重识别方法可以由无人超市的行人重识别设备执行，该无人超市的行人重识别设备可以通过软件和/或硬件的方式实现，该无人超市的行人重识别设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该无人超市的行人重识别设备可以是电脑、服务器主机设备、无人超市计费结算终端等智能终端设备。

下述以无人超市的行人重识别设备为执行无人超市的行人重识别方法的主体为例，进行描述。参照图1，该无人超市的行人重识别方法具体包括：

S110、获取进入无人超市的各个行人的图像数据及对应的ID信息，所述图像数据对应各个行人的顶部视角获取。

示例性的，无人超市在运行过程中，会在无人超市选购区域的各个位置布置摄像头，摄像头对应超市内行人的顶部视角设置，实时获取对应区域的图像数据，以用于对应行人的身份识别。无人超市的入口同样设置摄像头，摄像头同样对应行人的顶部视角设置，用于获取进入无人超市的对应行人的顶部视角的图像数据。可以理解的是，摄像头通过顶部视角进行图像数据的获取，能够有效地避免行人间相互遮挡的情况，以确保每一个行人的图像数据都尽量完整，保证图像数据的行人特征提取完整。

此外，在行人进入无人超市时，还对应获取行人的ID信息，该ID信息为对应行人在无人超市的唯一标识，通过配置这一ID信息，可以便于确定行人在无人超市的购买行为、结算行为等一系列操作，以此来实现无人超市的自动计费结算的功能。ID信息可以是ID信息通过行人刷脸反馈、终端设备扫码反馈或者系统自动分配。即行人进入无人超市时，通过刷脸上传人脸信息或者终端设备扫码上传相关设备信息，以这一人脸信息或相关设备信息作为其ID信息。另一方面，也可以在行人进入无人超市时，由系统直接分配一个ID信息，该ID信息具备唯一性。将ID信息与行人进入无人超市时获取到的图像数据一一对应，以用于后续根据图像数据提取行人特征，并进一步将行人特征与ID信息进行绑定。以便于后续在进行行人重识别时，通过识别比对行人特征进而确定对应行人的ID信息，以此来实现无人超市中对行人的跟踪识别。

具体的，本申请实施例中在通过顶部视角进行图像数据获取时，从各个行人顶部视角的中心、边缘及对角处获取各个行人的图像数据。本申请实施例在无人超市的过闸处的顶部摄像头，并且为了得到行人在图片上处于中心，边缘，和对角的位置，需要同时使用3个摄像头拍摄。其中，“中心”即为行人顶部视角的正中心位置，“边缘”即为对应中心拍摄的图像的边缘位置进行图像拍摄的位置，“对角”即为对应中心拍摄的图像的四个对角进行图像拍摄的位置。可以理解的是，在进行行人重识别时，经常会出现遮挡的情况导致只能提取部分的行人特征。因此本申请实施例通过各个行人顶部视角的中心、边缘及对角处获取各个行人的图像数据，可以尽可能地避免后续特征比对时，由于提取的行人特征较少而导致匹配不成功的情况。并且，为了尽可能提取出描述行人的特征，一个行人需要提取一定数量的特征，目前做法是三个摄像头分别对应行人在摄像头中心，边缘，和对角处，每个摄像头取10张图，共30张图片，即提取后一个行人含有30个图像特征。

S120、将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；

基于上述获取到的图像数据，需要进行行人特征的提取，以将提取到的行人特征与对应的ID信息绑定在一起。其中，参照图2，行人特征的提取包括：

S1201、通过目标检测模型检测图像数据或待检测图像中的行人图片；

S1202、根据检测区域从所述行人图片中筛选待识别图片，所述检测区域为行人重识别模型对应检测识别的设定位置；

S1203、将待识别图片输入预先训练的行人重识别模型进行行人特征提取。

具体的，对应一个图像数据，在进行行人特征提取的时候，需要对图像数据中的行人先进行检测，采用目标检测模型进行图像数据中的行人检测。目标检测模型可采用Faster R-CNN、YOLOv3等目标检测模型，本申请实施例不做固定限制。需要注意的是，基于目标检测模型检测到的行人可能为多个，即一个图像数据中可能包含多个行人的情况。例如，在无人超市的入口处，摄像头拍摄到的图像数据中，可能包含了店员及用户等多个对象，为了准确提取出对应用户的行人特征，则需要对摄像头视野范围内的特定位置进行图像数据的提取。通过过滤掉无用的背景信息，只保留对应行人的图片，作为待识别图片，进而实现待识别对象的准确筛选。可以理解的是，为了准确筛选出待识别图片，会设定一个检测区域，检测区域作为行人重识别模型对应检测识别的设定区域，以检测区域处检测到的行人图片作为待识别图片，输入行人重识别模型以进行行人特征提取。该检测区域可以是无人超市单向入口的某一个特定区域(如闸门)，行人进入无人超市进行购物需要通过该区域进入。

之后，对应筛选到的待识别图片，通过目标检测模型区分出行人和背景后，即可输入行人重识别模型进行行人特征提取。需要说明的是，本申请实施例的行人重识别模型，在进行行人特征提取时，可采用多种方式进行行人各种不同特征的提取，本申请实施例对提取行人那部分特征进行行人重识别不做固定限制。

此外，本申请实施例在进行ID信息绑定时，还进一步为每一个行人配置一个唯一的track id，track id用于进行行人的轨迹跟踪。Track id是由目标跟踪算法分配，如卡尔曼滤波跟踪算法等。track id可实时记录对应行人的移动轨迹，得到行人连续的移动位置数据，以此即可确定进入无人超市的行人的移动轨迹。 track id用于本申请实施例在进行行人拿起商品等动作触发时，用于更准确地确定触发进行行人重识别的对应行人。

S130、在进行行人ID查询时，获取用于行人ID查询的待检测图像，所述待检测图像对应行人的顶部视角获取，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息。

示例性的，行人进入无人超市后，无人超市需要对行人的商品选购等行为进行识别，以便于基于识别到的用户的选购操作进行计费结算等操作。而为了确定当前摄像头中选购商品的行人身份，则需要进行行人重识别，以便于查询当前视频画面中行人的ID信息，基于识别到的ID信息进行当前行人选购操作的计费统计。则通过顶部摄像头获取当前行人的待检测图像，参照上述步骤S120 对待检测图像进行背景信息的过滤，筛选出对应行人的待识别图片。将待识别图片输入行人重识别模型，参照上述步骤S120识别得到对应的行人特征。将该行人特征与候选集中的各个行人特征进行比对，若存在相似性达到设定阈值的行人特征，则认为候选集中这一行人特征所绑定的ID信息为当前待识别图片对应行人的ID信息，即两个行人特征对应同一个行人。通过特征比对确定对应行人的实施方式有许多，本申请实施例不做固定限制，这里不多赘述。

最终，通过上述特征识别比对，即可确定对应用户的ID信息，进一步将当前用户的商品选购操作记录在对应ID信息下，当进行计费计算时，即可根据对应ID信息所选购的商品进行计费结算。该ID信息还可以与支付账户绑定。则根据该ID信息确定到的所有选购行为，均通过该支付账户进行计费结算操作，以此来实现无人超市的智能化、无人化运行，以进一步优化无人超市的运营，优化用户的购物体验。

具体的，在进行行人ID查询，获取用于行人ID查询的待检测图像时，可通过行人的track id进行待检测图像的确定。举例而言，当行人在无人超市选购商品时，为了记录行人当前的选购操作，会根据行人拿起商品的动作来确定行人的ID信息，以此来形成对应行人的购买记录，以便于后续基于购买记录进行计费结算，实现无人超市的自动计费结算操作。行人在无人超市的货架上拿起商品时，根据货架上电子秤的重量变化情况触发进行对应行人的ID查询，以确定当前拿起商品的用户的ID信息。无人超市的行人重识别设备接收到这一触发信号后，响应于触发信号进行行人ID查询。利用track id以准确的确定当前触发位置处拿起商品的行人。由于track id在行人进入无人超市时会进行分配，但是在无人超市中，由于遮挡情况的出现，会导致轨迹跟踪中断，行人再次被识别时会再次配置一个新的track id。因此，对应新增的track id，通过线性回归拟合出对应行人的移动轨迹，确定和触发位置及移动轨迹距离之和最近的对应行人，以对应行人的图像数据作为待检测图像。其中，在确定行人与触发位置的距离时，根据目标检测算法框出对应行人，并进一步计算该行人框中心点到触发位置处的欧式距离。则欧式距离越短，行人就离触发位置越近。由于跟踪算法一般需要全程看到行人，才能跟踪，所以在理想状态下摄像头是全覆盖的，即某个行人在任意时刻都能被摄像头找到。但是，考虑到无人超市的场景限制，行人在移动过程中会出现遮挡的情况，如果行人没有在任何摄像头出现，就会跟踪丢失，所以遮挡后很容易丢失track id，当这个行人重新出现在摄像头就会产生新的track id。具体的，无人超市的行人重识别设备对应触发位置处接收对应摄像头返回的n张图片，对n张图片中所有行人的track id的对应坐标点作线性回归，拟合出触发操作行人的移动轨迹。该移动轨迹即为跟踪丢失的行人通过线性回归重新拟合的移动轨迹。分别对每一张图片检测行人，并选择行人和触发位置距离，以及行认和移动轨迹距离之后最近的对应行人，以对应行人的图像数据作为待检测图像。即根据检测，某一行人与触发位置点到点的距离为 A，与线性拟合得到的移动轨迹点到线的距离为B，若A+B的值最小，则确定对应行人的图像数据作为待检测图像。

另一方面，若track id确定为行人入门时配置的track id，则无人超市的行人重识别设备响应于触发信号进行行人ID查询，对应已有的track id，确定和触发位置最近的track id坐标所对应的行人，以对应行人的图像数据作为待检测图像。即根据触发位置处各个行人track id的对应坐标点，选择最靠近触发位置的行人所对应的图像数据作为待检测图像。

更具体的，本申请在将待检测图像输入行人重识别模型提取对应的行人特征，并基于对应的行人特征查询候选集，确定对应行人的ID信息时，还进一步使用track id进行行人身份信息的校验。通过提取对应行人的track id，与候选集中与对应行人的ID信息绑定的track id进行比对，校验两个track id是否属于同一行人。以此来进一步提高本申请实施行人重识别的准确性，确保行人ID信息的识别准确。

此外，本申请实施例在检测到行人离开无人超市时，还根据行人的行人特征确定对应的ID信息，将对应的ID信息和相绑定的行人特征从候选集中删除。可以理解的是，当无人超市中某一行人离开无人超市后，则表示其购物行程结束。此时为了减少候选集中的数据量，提高行人比对识别效率，会将离开无人超市的行人的对应ID信息及行人特征删除。通过确定离开无人超市的行人的待识别图片，参照上述步骤S120提取其行人特征，将行人特征与候选集比对，确定候选集中对应的行人特征和ID信息，将该行人特征和ID信息删除。

上述，通过获取进入无人超市的各个行人顶部视角的图像数据及对应的ID 信息，将各个图像数据输入预先训练的行人重识别模型进行行人特征提取，并将提取到的行人特征与对应的ID信息绑定放入候选集。在进行行人ID查询时，获取用于行人ID查询的待检测图像，将待检测图像输入行人重识别模型提取对应的行人特征，并基于对应的行人特征查询候选集，确定对应行人的ID信息。采用上述技术手段，可以避免行人相互遮挡影响行人身份识别的技术问题，提供较好的行人重识别效果，并进一步优化无人超市的运行效果。

实施例二：

在上述实施例的基础上，图3为本申请实施例二提供的一种无人超市的行人重识别装置的结构示意图。参考图3，本实施例提供的无人超市的行人重识别装置具体包括：获取模块21、提取模块22和查询模块23。

其中，获取模块21用于获取进入无人超市的各个行人的图像数据及对应的 ID信息，所述图像数据对应各个行人的顶部视角获取；

提取模块22用于将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；

查询模块23用于在进行行人ID查询时，获取用于行人ID查询的待检测图像，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息。

上述，通过获取进入无人超市的各个行人顶部视角的图像数据及对应的ID 信息，将各个图像数据输入预先训练的行人重识别模型进行行人特征提取，并将提取到的行人特征与对应的ID信息绑定放入候选集。在进行行人ID查询时，获取用于行人ID查询的待检测图像，将待检测图像输入行人重识别模型提取对应的行人特征，并基于对应的行人特征查询候选集，确定对应行人的ID信息。采用上述技术手段，可以避免行人相互遮挡影响行人身份识别的技术问题，提供较好的行人重识别效果，并进一步优化无人超市的运行效果。

本申请实施例二提供的无人超市的行人重识别装置可以用于执行上述实施例一提供的无人超市的行人重识别方法，具备相应的功能和有益效果。

实施例三：

本申请实施例三提供了一种电子设备，参照图4，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的无人超市的行人重识别方法对应的程序指令/模块(例如，无人超市的行人重识别装置中的获取模块、提取模块和查询模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块33用于进行数据传输。

处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的无人超市的行人重识别方法。

输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。

上述提供的电子设备可用于执行上述实施例一提供的无人超市的行人重识别方法，具备相应的功能和有益效果。

实施例四：

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种无人超市的行人重识别方法，该无人超市的行人重识别方法包括：获取进入无人超市的各个行人的图像数据及对应的ID信息，所述图像数据对应各个行人的顶部视角获取；将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；在进行行人ID查询时，获取用于行人ID查询的待检测图像，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯 (Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网) 连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的无人超市的行人重识别方法，还可以执行本申请任意实施例所提供的无人超市的行人重识别方法中的相关操作。

上述实施例中提供的无人超市的行人重识别装置、存储介质及电子设备可执行本申请任意实施例所提供的无人超市的行人重识别方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的无人超市的行人重识别方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种无人超市的行人重识别方法，其特征在于，包括：

获取进入无人超市的各个行人的图像数据及对应的ID信息，所述图像数据对应各个行人的顶部视角获取；

将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；

在进行行人ID查询时，获取用于行人ID查询的待检测图像，所述待检测图像对应行人的顶部视角获取，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息。

2.根据权利要求1所述的无人超市的行人重识别方法，其特征在于，所述获取进入无人超市的各个行人的图像数据，包括：

从各个行人顶部视角的中心、边缘及对角处获取各个行人的图像数据。

3.根据权利要求1所述的无人超市的行人重识别方法，其特征在于，所述行人重识别模型进行行人特征提取包括：

通过目标检测模型检测图像数据或待检测图像中的行人图片；

根据检测区域从所述行人图片中筛选待识别图片，所述检测区域为行人重识别模型对应检测识别的设定位置；

将待识别图片输入预先训练的行人重识别模型进行行人特征提取。

4.根据权利要求1所述的无人超市的行人重识别方法，其特征在于，所述将提取到的行人特征与对应的ID信息绑定并放入候选集，还包括：

根据目标跟踪算法对各个行人配置对应的track id，将所述track id与所述ID信息绑定，所述track id用于对应行人的轨迹跟踪；

对应的，所述在进行行人ID查询时，获取用于行人ID查询的待检测图像，包括：

响应于触发信号进行行人ID查询，对应新增的track id，通过拟合出对应行人的移动轨迹，确定和触发位置及移动轨迹距离之和最近的对应行人，以对应行人的图像数据作为待检测图像；

或者，响应于触发信号进行行人ID查询，对应已有的track id，确定和触发位置最近的track id坐标所对应的行人，以对应行人的图像数据作为待检测图像。

5.根据权利要求4所述的无人超市的行人重识别方法，其特征在于，所述将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息，还包括：

提取对应行人的track id，与候选集中与对应行人的ID信息绑定的track id进行比对，校验两个track id是否属于同一行人。

6.根据权利要求1所述的无人超市的行人重识别方法，其特征在于，所述ID信息通过行人刷脸反馈、终端设备扫码反馈或者系统自动分配。

7.根据权利要求1所述的无人超市的行人重识别方法，其特征在于，在并基于对应的行人特征查询所述候选集，确定对应行人的ID信息之后，还包括：

检测到行人离开无人超市时，根据行人的行人特征确定对应的ID信息，将对应的ID信息和相绑定的行人特征从所述候选集中删除。

8.一种无人超市的行人重识别装置，其特征在于，包括：

获取模块，用于获取进入无人超市的各个行人的图像数据及对应的ID信息，所述图像数据对应各个行人的顶部视角获取；

提取模块，用于将各个所述图像数据输入预先训练的行人重识别模型进行行人特征提取，将提取到的行人特征与对应的ID信息绑定并放入候选集；

查询模块，用于在进行行人ID查询时，获取用于行人ID查询的待检测图像，将所述待检测图像输入所述行人重识别模型提取对应的行人特征，并基于对应的行人特征查询所述候选集，确定对应行人的ID信息。

9.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的无人超市的行人重识别方法。

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的无人超市的行人重识别方法。

Images