CN112257669A - 行人重识别方法、装置及电子设备 - Google Patents
行人重识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112257669A CN112257669A CN202011271830.XA CN202011271830A CN112257669A CN 112257669 A CN112257669 A CN 112257669A CN 202011271830 A CN202011271830 A CN 202011271830A CN 112257669 A CN112257669 A CN 112257669A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- similarity
- image
- local features
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域，具体涉及一种行人重识别方法、装置及电子设备。其中，方法包括：获取第一行人图像和至少一帧第二行人图像；将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度；根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度；其中，所述权值表示各局部特征在行人重识别过程中的重要程度；基于所述行人的目标相似度，确定行人重识别结果。本发明按照各局部特征在识别过程中的重要程度，赋予相应的权值，最后利用各行人局部特征之间的相似度以及对应的权值，得到目标相似度，识别精度更高、容错率更高。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种行人重识别方法、装置及电子设备。
背景技术
现今社会对于公共安全的重视程度逐步增加，智能视频监控被广泛应用于学校、商城、公园和交通运输等公共场所，以辅助城市安全管理。而视频监控系统的规模也日益庞大，对未授权的人进行活动干预与预警是视频监控系统中的重要部分之一。
监控视频由于摄像头分辨率不高和拍摄角度的缘故，且行人之间相互遮挡问题广泛存在，通常无法得到质量和分辨率非常高的正面人脸图片。在实际场景中，行人的多变性、各种干扰和实际场景中的不确定因素增加，导致检测和识别难度较大，不同外观、视角、姿态各异的行人检测精度较低。在人脸识别失效的情况下，使用人体的结构信息对行人进行识别，能够通过不同的摄像头实现跨时间和空间对目标人体或人群进行跟踪、匹配和身份鉴定，从而有效弥补固定摄像头的视觉局限。
但是发明人发现，现有技术中利用人体结构信息进行识别的方案中，通常只对设定的人体结构进行识别，比如只对人脸或只对全身进行识别，当图像中人脸被遮挡、全身图像不全或错位的情况下，该方案的识别精度将有所下降甚至直接失效。
发明内容
有鉴于此，本发明实施例提供了一种行人重识别方法、装置及电子设备，以解决现有技术中只对人脸或全身进行识别导致识别精度低的问题。
根据第一方面，本发明实施例提供了一种行人重识别方法，包括：获取第一行人图像和至少一帧第二行人图像；其中，所述第一行人图像与所述至少一帧第二行人图像由覆盖区域不同的监控摄像头拍摄得到；将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度；根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度；其中，所述权值表示各局部特征在行人重识别过程中的重要程度；基于所述行人的目标相似度，确定行人重识别结果。
可选地，所述基于所述行人的目标相似度，确定行人重识别结果，包括：判断所述目标相似度是否大于第一相似度阈值；当所述目标相似度大于所述第一相似度阈值时，确定对应的第二行人图像中的行人与所述第一行人图像中的行人为同一目标行人。
可选地，所述当所述目标相似度大于所述第一相似度阈值时，还包括：根据大于所述第一相似度阈值的目标相似度对应的第二行人图像，获取所述目标行人的时空信息。
可选地，所述根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度，包括：将所述相似度按照其对应的局部特征的权值大小进行排序；按照从大到小的顺序，逐次判断所述相似度是否大于第二相似度阈值；当存在相似度大于所述第二相似度阈值时，将该相似度对应的权值置为1，其他相似度的权值置为0，计算所述目标相似度；当所有相似度均不大于所述第二相似度阈值时，按照预设配置规则对每个相似度配置权值，利用各行人局部特征之间的相似度和对应的权值进行加权求和得到所述目标相似度。
可选地，所述行人重识别模型包括：特征提取模块、注意力模块、图神经网络模块。
可选地，在将所述第一行人图像以及所述第二行人图像输入行人重识别模型之前，还包括：获取第一训练样本图像以及至少一帧第二训练样本图像；其中，所述第一训练样本图像以及所述至少一帧第二训练样本图像由覆盖区域不同的监控摄像头拍摄得到；获取所述行人重识别模型；将所述第一训练样本图以及所述第二训练样本图像输入所述特征提取模块，输出所述第一训练样本图像以及所述第二训练样本图像的全局特征；将所述全局特征输入所述注意力模块，输出所述第一训练样本图像以及所述第二训练样本图像的多个局部特征；其中，所述多个局部特征对应于不同的行人人体结构；将所述第一训练样本图像以及所述第二训练样本图像的多个局部特征输入所述图神经网络模块，输出各行人局部特征之间的相似度；根据所述各行人局部特征之间的相似度与所述训练样本的预设标签，确定所述行人重识别模型的损失函数；根据所述损失函数利用梯度下降法，调节所述特征提取模块、注意力模块、图神经网络模块的参数，得到所述行人重识别模型。
可选地，所述多个局部特征分别对应于行人头部结构、手部结构、脚部结构以及主干结构。
根据第二方面，本发明实施例提供了一种行人重识别装置，包括：获取模块，用于获取第一行人图像和至少一帧第二行人图像；其中，所述第一行人图像与所述至少一帧第二行人图像由覆盖区域不同的监控摄像头拍摄得到；第一处理模块，用于将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度；第二处理模块，用于根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度；其中，所述权值表示各局部特征在行人重识别过程中的重要程度；确定模块，用于基于所述行人的目标相似度，确定行人重识别结果。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面中任一项可选实施方式所述的行人重识别方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面中任一项可选实施方式所述的行人重识别方法。
本发明具有如下有益效果：
本发明利用行人重识别模型识别多个人体结构，得到对应于不同人体结构的多个局部特征以及各行人局部特征之间的相似度，并按照各局部特征在识别过程中的重要程度，赋予相应的权值，最后利用各行人局部特征之间的相似度以及对应的权值，得到目标相似度。与现有技术中只对设定的人体结构进行识别相比，识别精度更高、容错率更高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的行人重识别方法流程图；
图2是本发明实施例的行人重识别模型的组成结构示意图；
图3是本发明实施例的多个局部特征示意图；
图4是本发明实施例的行人重识别方法的完整流程图；
图5是本发明实施例的行人重识别模型的训练方法流程图；
图6是本发明实施例的行人重识别装置的组成结构示意图；
图7是本发明实施例的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明实施例，提供了一种行人重识别方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某性情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种行人重识别方法，可用于上述的电子设备，图1是本发明实施例的行人重识别方法流程图，如图1所示，该流程包括如下步骤：
S11，获取第一行人图像和至少一帧第二行人图像。
其中，所述第一行人图像与所述至少一帧第二行人图像由覆盖区域不同的监控摄像头拍摄得到。
在这里，电子设备可先从覆盖区域不同的监控摄像头中获取其拍摄的监控视频，再通过简单的行人识别技术，筛选出不同监控摄像头拍摄到的行人图像帧，作为所述第一行人图像和至少一帧第二行人图像。此处还可将所述第一行人图像和至少一帧第二行人图像同一缩放至预设尺寸。可以理解的是，现有技术中，监控摄像头所拍摄到的图像中可包括摄像机编号、图像的拍摄时间等信息。
S12，将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度。
在这里，所述行人人体结构可以是头部结构、手部结构、脚部结构、主干结构等，依据实际需求进行设置。通过所述行人重识别模型可得到对应于不同人体结构的局部特征。
图2是本发明实施例的行人重识别模型的组成结构示意图，如图2所示，所述行人重识别模型包括特征提取模块10、注意力模块20、图神经网络模块30。其中，所述特征提取模块10用于对所述第一行人图像以及所述第二行人图像进行特征提取，得到全局特征；所述注意力模块20用于根据所述全局特征，得到所述第一行人图像以及所述第二行人图像的多个局部特征；所述图神经网络模块30用于计算各行人局部特征之间的相似度。
S13，根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度。
其中，所述权值表示各局部特征在行人重识别过程中的重要程度。
请结合图3，第一行人图像A、第二行人图像B1、第二行人图像B2经过所述特征提取模块10以及所述注意力模块20后，得到多个局部特征，其中，局部特征1为行人头部特征，局部特征2为行人手部特征，局部特征2为行人脚部特征，局部特征4为行人主干特征。头部特征A、手部特征A、脚部特征A以及主干特征A对应于所述第一行人图像A，其他类同。所述图神经网络模块30计算各行人局部特征之间的相似度，具体地，头部特征A与头部特征B1之间的相似度为x1，头部特征A与头部特征B2之间的相似度为x2；手部特征A与手部特征B1之间的相似度为y1，手部特征A与手部特征B2之间的相似度为y2；脚部特征A与脚部特征B1之间的相似度为z1，脚部特征A与脚部特征B2之间的相似度为z2；主干特征A与主干特征B1之间的相似度为w1，主干特征A与主干特征B2之间的相似度为w2。行人头部特征对应的权值为k1，行人手部特征对应的权值为k2，行人脚部特征对应的权值为k3，行人主干特征对应的权值为k4。
由于头部结构的信息最丰富，主干结构次之，手部和脚部最少，因此，头部特征在识别过程中的重要程度最高，主干特征次之，手部特征和脚部特征最小，进一步地，各局部特征对应的权值大小可按照以下规则设置：k1＞k4＞k2＝k3，k1+k2+k3+k4＝1。相应地，所述第一行人图像A与所述第二行人图像B1的目标相似度L1＝k1*x1+k2*y1+k3*z1+k4*w1，所述第一行人图像A与所述第二行人图像B2的目标相似度L2＝k1*x2+k2*y2+k3*z2+k4*w2。
在这里，所述各局部特征对应的权值可以是固定值，也可以是根据实际情况实时调整的值，在此不做限定。所述目标相似度的计算并不仅限于加权求和的方式，还可以是例如加权平均或加权求和与加权平均结合的其他计算方式。
S14，基于所述行人的目标相似度，确定行人重识别结果。
在这里，可将上述目标相似度L1与L2进行比较，数值大的目标相似度对应的第二行人图像中的行人与所述第一行人图像中的行人为同一目标行人，例如，L1大于L2表示，第二行人图像B1中设为行人与第一行人图像中的行人为同一目标行人。还可设置目标相似度度阈值，大于所述目标相似度阈值的目标相似度对应的第二行人图像中的行人与所述第一行人图像中的行人为同一目标行人。
本发明利用行人重识别模型识别多个人体结构，得到对应于不同人体结构的多个局部特征以及各行人局部特征之间的相似度，并按照各局部特征在识别过程中的重要程度，赋予相应的权值，最后利用各行人局部特征之间的相似度以及对应的权值，得到目标相似度。与现有技术中只对设定的人体结构进行识别相比，识别精度更高、容错率更高。
图4是本发明实施例的行人重识别方法的完整流程图，如图4所示，该流程包括如下步骤：
S21，获取第一行人图像和至少一帧第二行人图像。
详细请参见图1所示的S11，在此不再赘述。
S22，将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度。
详细请参见图1所示的S12，在此不再赘述。
S23，根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度。
详细请参见图1所示的S13，在此不再赘述。
S24，基于所述行人的目标相似度，确定行人重识别结果。
作为本发明实施例的一个可选实施方式，所述S24可包括：
S241，判断所述目标相似度是否大于第一相似度阈值。当所述目标相似度大于所述第一相似度阈值时，执行步骤S242和步骤S243；当所述目标相似度不大于第一相似度阈值时，执行“所述第二行人图像中的行人与所述第一行人图像中的行人不为同一目标行人”的步骤。
S242，确定对应的第二行人图像中的行人与所述第一行人图像中的行人为同一目标行人。
S243，根据大于所述第一相似度阈值的目标相似度对应的第二行人图像，获取所述目标行人的时空信息。
在这里，所述大于第一相似度阈值的目标相似度对应的第二行人图像中包括了摄像头编号以及拍摄时间，根据所述摄像头编号便可得到所述目标行人的位置信息，根据所述拍摄时间，便可得到所述目标行人出现在所述第一行人图像至所述大于第一相似度阈值的目标相似度对应的第二行人图像的时间。
作为本发明实施例的一个可选实施方式，所述S23可包括：
(1)，将所述相似度按照其对应的局部特征的权值大小进行排序。
(2)，按照从大到小的顺序，逐次判断所述相似度是否大于第二相似度阈值。
(3)，当存在相似度大于所述第二相似度阈值时，将该相似度对应的权值置为1，其他相似度的权值置为0，计算所述目标相似度。
(4)，当所有相似度均不大于所述第二相似度阈值时，按照预设配置规则对每个相似度配置权值，利用各行人局部特征之间的相似度和对应的权值进行加权求和得到所述目标相似度。
结合图3，局部特征1-局部特征4的权值排序为k1＞k4＞k2＝k3，则相似度排序为：[x1、x2]＞[w1、w2]＞[y1、y2]＝[z1、z2]。则先判断x1或x2是否大于所述第二相似度阈值，即先判断头部特征对应的相似度x1或x2是否大于所述第二相似度阈值，大于则将对应的权值置为1，w1、w2以及y1、y2以及z1、z2对应的权值置为0，按照上述的加权计算方式计算所述目标相似度；否则，判断主干特征对应的相似度w1或w2是否大于所述第二相似度阈值，大于则将对应的权值置为1，x1、x2以及y1、y2以及z1、z2对应的权值置为0，计算目标相似度；否则，判断手部特征对应的相似度y1或y2是否大于所述第二相似度阈值，大于则将对应的权值置为1，x1、x2以及w1、w2以及z1、z2对应的权值置为0，计算目标相似度；否则，判断脚部特征对应的相似度z1或z2是否大于所述第二相似度阈值，大于则将对应的权值置为1，x1、x2以及w1、w2以及y1、y2对应的权值置为0，计算目标相似度；否则，确定所述至少一帧第二行人图像中不存在与所述第一行人图像中的行人相同的目标行人。
其中，当某一局部特征对应的不止一个相似度大于所述第二相似度阈值时，则说明在所述至少一帧第二行人图像中不只一帧第二行人图像存在与所述第一行人图像中的行人相同的目标行人。
作为本发明实施例的一个可选实施方式，所述行人重识别模型可包括：特征提取模块10、注意力模块20、图神经网络模块30，在上述S22中的将所述第一行人图像以及所述第二行人图像输入行人重识别模型之前，可先对所述行人重识别模型进行训练，如图5所示，所述训练具体包括如下步骤：
S31，获取第一训练样本图像以及至少一帧第二训练样本图像。
其中，所述第一训练样本图像以及所述至少一帧第二训练样本图像由覆盖区域不同的监控摄像头拍摄得到。
电子设备可先从覆盖区域不同的监控摄像头中获取其拍摄的监控视频，再通过简单的行人识别技术，筛选出不同监控摄像头拍摄到的行人图像帧，作为所述第一训练样本图像和至少一帧第二训练样本图像。此处还可将所述第一训练样本图像和至少一帧第二训练样本图像统一缩放至预设尺寸。
S32，获取所述行人重识别模型。
S33，将所述第一训练样本图以及所述第二训练样本图像输入所述特征提取模块，输出所述第一训练样本图像以及所述第二训练样本图像的全局特征。
S34，将所述全局特征输入所述注意力模块，输出所述第一训练样本图像以及所述第二训练样本图像的多个局部特征。
其中，所述多个局部特征对应于不同的行人人体结构。所述行人人体结构可根据实际需求进行设置，在一个实施例中，所述行人人体结构包括：行人头部结构、手部结构、脚部结构、主干结构。
S35，将所述第一训练样本图像以及所述第二训练样本图像的多个局部特征输入所述图神经网络模块，输出各行人局部特征之间的相似度。
S36，根据所述各行人局部特征之间的相似度与所述训练样本的预设标签，确定所述行人重识别模型的损失函数。
在这里，所述预设标签为通过人工标记或利用标记工具标记的所述第一训练样本图像与所述至少一帧第二样本图像中各行人局部特征之间的理想相似度。
S37，根据所述损失函数利用梯度下降法，调节所述特征提取模块、注意力模块、图神经网络模块的参数，得到所述行人重识别模型。
根据第二方面，本发明实施例提供了一种行人重识别装置，如图6所示，该装置包括：
获取模块41，用于获取第一行人图像和至少一帧第二行人图像；其中，所述第一行人图像与所述至少一帧第二行人图像由覆盖区域不同的监控摄像头拍摄得到；
第一处理模块42，用于将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度；
第二处理模块43，用于根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度；其中，所述权值表示各局部特征在行人重识别过程中的重要程度；
确定模块44，用于基于所述行人的目标相似度，确定行人重识别结果。
本发明利用行人重识别模型识别多个人体结构，得到对应于不同人体结构的多个局部特征以及各行人局部特征之间的相似度，并按照各局部特征在识别过程中的重要程度，赋予相应的权值，最后利用各行人局部特征之间的相似度以及对应的权值，得到目标相似度。与现有技术中只对设定的人体结构进行识别相比，识别精度更高、容错率更高。
上述各个模块的实现可参见相应的步骤，在此不再赘述。
根据第三方面，本发明实施例提供了一种电子设备，请参阅图7，图7是本发明可选实施例提供的一种电子设备的结构示意图，如图7所示，该电子设备可以包括：至少一个处理器51，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。存储器54中存储应用程序，且处理器51调用存储器54中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线52可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器54可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器54还可以包括上述种类的存储器的组合。
其中，处理器51可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本申请图1、图4、图5所示的行人重识别方法。
根据第四方面，本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行本申请图1、图4、图5所示的行人重识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种行人重识别方法，其特征在于，包括：
获取第一行人图像和至少一帧第二行人图像；其中，所述第一行人图像与所述至少一帧第二行人图像由覆盖区域不同的监控摄像头拍摄得到；
将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度；
根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度；其中，所述权值表示各局部特征在行人重识别过程中的重要程度；
基于所述行人的目标相似度，确定行人重识别结果。
2.根据权利要求1所述的行人重识别方法，其特征在于，所述基于所述行人的目标相似度，确定行人重识别结果，包括：
判断所述目标相似度是否大于第一相似度阈值；
当所述目标相似度大于所述第一相似度阈值时，确定对应的第二行人图像中的行人与所述第一行人图像中的行人为同一目标行人。
3.根据权利要求2所述的行人重识别方法，其特征在于，所述当所述目标相似度大于所述第一相似度阈值时，还包括：
根据大于所述第一相似度阈值的目标相似度对应的第二行人图像，获取所述目标行人的时空信息。
4.根据权利要求1或2所述的行人重识别方法，其特征在于，所述根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度，包括：
将所述相似度按照其对应的局部特征的权值大小进行排序；
按照从大到小的顺序，逐次判断所述相似度是否大于第二相似度阈值；
当存在相似度大于所述第二相似度阈值时，将该相似度对应的权值置为1，其他相似度的权值置为0，计算所述目标相似度；
当所有相似度均不大于所述第二相似度阈值时，按照预设配置规则对每个相似度配置权值，利用各行人局部特征之间的相似度和对应的权值进行加权求和得到所述目标相似度。
5.根据权利要求1所述的行人重识别方法，其特征在于，所述行人重识别模型包括：特征提取模块、注意力模块、图神经网络模块。
6.根据权利要求1或5所述的行人重识别方法，其特征在于，在将所述第一行人图像以及所述第二行人图像输入行人重识别模型之前，还包括：
获取第一训练样本图像以及至少一帧第二训练样本图像；其中，所述第一训练样本图像以及所述至少一帧第二训练样本图像由覆盖区域不同的监控摄像头拍摄得到；
获取所述行人重识别模型；
将所述第一训练样本图以及所述第二训练样本图像输入所述特征提取模块，输出所述第一训练样本图像以及所述第二训练样本图像的全局特征；
将所述全局特征输入所述注意力模块，输出所述第一训练样本图像以及所述第二训练样本图像的多个局部特征；其中，所述多个局部特征对应于不同的行人人体结构；
将所述第一训练样本图像以及所述第二训练样本图像的多个局部特征输入所述图神经网络模块，输出各行人局部特征之间的相似度；
根据所述各行人局部特征之间的相似度与所述训练样本的预设标签，确定所述行人重识别模型的损失函数；
根据所述损失函数利用梯度下降法，调节所述特征提取模块、注意力模块、图神经网络模块的参数，得到所述行人重识别模型。
7.根据权利要求1所述的行人重识别方法，其特征在于，所述多个局部特征分别对应于行人头部结构、手部结构、脚部结构以及主干结构。
8.一种行人重识别装置，其特征在于，包括：
获取模块，用于获取第一行人图像和至少一帧第二行人图像；其中，所述第一行人图像与所述至少一帧第二行人图像由覆盖区域不同的监控摄像头拍摄得到；
第一处理模块，用于将所述第一行人图像以及所述第二行人图像输入行人重识别模型，得到对应于行人人体结构的多个局部特征，以及各行人局部特征之间的相似度；
第二处理模块，用于根据所述各行人局部特征之间的相似度以及各局部特征对应的权值，计算行人的目标相似度；其中，所述权值表示各局部特征在行人重识别过程中的重要程度；
确定模块，用于基于所述行人的目标相似度，确定行人重识别结果。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的行人重识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的行人重识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011271830.XA CN112257669A (zh) | 2020-11-13 | 2020-11-13 | 行人重识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011271830.XA CN112257669A (zh) | 2020-11-13 | 2020-11-13 | 行人重识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112257669A true CN112257669A (zh) | 2021-01-22 |
Family
ID=74265772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011271830.XA Pending CN112257669A (zh) | 2020-11-13 | 2020-11-13 | 行人重识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257669A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465078A (zh) * | 2021-02-03 | 2021-03-09 | 成都点泽智能科技有限公司 | 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质 |
| CN113033349A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像选取方法、存储介质和电子设备 |
| CN113505723A (zh) * | 2021-07-23 | 2021-10-15 | 京东科技控股股份有限公司 | 行人重识别方法及装置、存储介质及电子设备 |
| CN113627253A (zh) * | 2021-07-07 | 2021-11-09 | 上海交通大学 | 一种目标重识别方法及装置 |
| CN113642685A (zh) * | 2021-10-19 | 2021-11-12 | 之江实验室 | 一种高效的基于相似度的跨摄像头的目标重识别方法 |
| CN113780172A (zh) * | 2021-09-10 | 2021-12-10 | 济南博观智能科技有限公司 | 一种行人重识别方法、装置、设备及存储介质 |
| US11836966B2 (en) | 2021-10-19 | 2023-12-05 | Zhejiang Lab | Efficient across-camera target re-identification method based on similarity |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401265A (zh) * | 2020-03-19 | 2020-07-10 | 重庆紫光华山智安科技有限公司 | 行人重识别方法、装置、电子设备和计算机可读存储介质 |
| CN111738090A (zh) * | 2020-05-27 | 2020-10-02 | 北京三快在线科技有限公司 | 行人重识别模型训练方法、装置及行人重识别方法、装置 |
-
2020
- 2020-11-13 CN CN202011271830.XA patent/CN112257669A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401265A (zh) * | 2020-03-19 | 2020-07-10 | 重庆紫光华山智安科技有限公司 | 行人重识别方法、装置、电子设备和计算机可读存储介质 |
| CN111738090A (zh) * | 2020-05-27 | 2020-10-02 | 北京三快在线科技有限公司 | 行人重识别模型训练方法、装置及行人重识别方法、装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465078B (zh) * | 2021-02-03 | 2021-04-16 | 成都点泽智能科技有限公司 | 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质 |
| CN112465078A (zh) * | 2021-02-03 | 2021-03-09 | 成都点泽智能科技有限公司 | 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质 |
| CN113033349A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像选取方法、存储介质和电子设备 |
| CN113033349B (zh) * | 2021-03-11 | 2023-12-26 | 北京文安智能技术股份有限公司 | 行人重识别的俯视图像选取方法、存储介质和电子设备 |
| CN113627253B (zh) * | 2021-07-07 | 2023-10-27 | 上海交通大学 | 一种目标重识别方法及装置 |
| CN113627253A (zh) * | 2021-07-07 | 2021-11-09 | 上海交通大学 | 一种目标重识别方法及装置 |
| CN113505723A (zh) * | 2021-07-23 | 2021-10-15 | 京东科技控股股份有限公司 | 行人重识别方法及装置、存储介质及电子设备 |
| CN113505723B (zh) * | 2021-07-23 | 2024-05-24 | 北京京东尚科信息技术有限公司 | 行人重识别方法及装置、存储介质及电子设备 |
| CN113780172A (zh) * | 2021-09-10 | 2021-12-10 | 济南博观智能科技有限公司 | 一种行人重识别方法、装置、设备及存储介质 |
| CN113780172B (zh) * | 2021-09-10 | 2024-01-23 | 济南博观智能科技有限公司 | 一种行人重识别方法、装置、设备及存储介质 |
| US11836966B2 (en) | 2021-10-19 | 2023-12-05 | Zhejiang Lab | Efficient across-camera target re-identification method based on similarity |
| WO2023065472A1 (zh) * | 2021-10-19 | 2023-04-27 | 之江实验室 | 一种高效的基于相似度的跨摄像头的目标重识别方法 |
| CN113642685A (zh) * | 2021-10-19 | 2021-11-12 | 之江实验室 | 一种高效的基于相似度的跨摄像头的目标重识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257669A (zh) | 行人重识别方法、装置及电子设备 | |
| US10650261B2 (en) | System and method for identifying re-photographed images | |
| CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
| CN109389135B (zh) | 一种图像筛选方法及装置 | |
| Sidla et al. | Pedestrian detection and tracking for counting applications in crowded situations | |
| CN107256377B (zh) | 用于检测视频中的对象的方法、设备和系统 | |
| CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
| CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
| CN112381075B (zh) | 一种机房特定场景下进行人脸识别的方法及系统 | |
| CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
| CN110348331B (zh) | 人脸识别方法及电子设备 | |
| CN112949508A (zh) | 模型训练方法、行人检测方法、电子设备及可读存储介质 | |
| Zhang et al. | License plate localization in unconstrained scenes using a two-stage CNN-RNN | |
| CN111160202A (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
| CN114359641A (zh) | 目标对象的检测方法以及相关装置、设备 | |
| CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
| CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
| CN113569594A (zh) | 一种人脸关键点的标注方法及装置 | |
| CN116051736A (zh) | 一种三维重建方法、装置、边缘设备和存储介质 | |
| CN115909400A (zh) | 一种用于低分辨率监控场景中使用手机行为的识别方法 | |
| CN112308061B (zh) | 一种车牌字符识别方法及装置 | |
| CN114373203A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
| JP2019066909A (ja) | 物体分布推定装置 | |
| CN114387670A (zh) | 基于时空特征融合的步态识别方法、装置及存储介质 | |
| CN113469135A (zh) | 对象身份信息的确定方法、装置、存储介质及电子装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |