申请/专利权人：平安科技(深圳)有限公司

申请日：2019-07-30

公开（公告）日：2024-04-09

公开（公告）号：CN110532884B

主分类号：G06V20/52

分类号：G06V20/52;G06V40/10;G06V10/44;G06V10/74;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.09.28#实质审查的生效;2019.12.03#公开

摘要：本发明公开了一种行人重识别方法、装置及计算机可读存储介质，该方法包括：从待识别的视频数据中提取行人图像，构建行人重识别训练数据集，根据所述行人重识别训练数据集训练特征提取网络，以获得行人重识别特征提取网络的模型参数，根据所述模型参数，利用所述特征提取网络从所述数据集中提取行人图像特征，根据行人图像特征计算所有行人的最终特征相似度，根据所有行人的最终特征相似度大小进行行人重识别；其中，获得的最终多尺度相似性的线性组合是最终获得行人特征相似度；本发明通过将CRF和DNN结合起来，学得更加一致性的相似性度量，挖掘了整个数据集所有行人图像之间的信息，从而更充分地挖掘了更多有用信息。

主权项：1.一种行人重识别方法，其特征在于，所述方法包括：步骤A：从待识别的视频数据中提取行人图像；步骤B：构建行人重识别训练数据集，其中，所述数据集包括预设数量的行人图像；步骤C：根据所述行人重识别训练数据集训练特征提取网络，以获得行人重识别特征提取网络的模型参数；步骤D：根据所述模型参数，利用所述特征提取网络从所述数据集中提取行人图像特征；步骤E：根据行人图像特征计算所有行人的最终特征相似度，根据所有行人的最终特征相似度大小进行行人重识别；所述步骤E包括：步骤E1：计算局部相似度；步骤E2：计算组相似度；步骤E3：根据所述局部相似度和组相似度构建CRF模型；步骤E4：根据所述CRF模型获得最终多尺度相似性的线性组合；其中，对应局部相似性的值为局部相似度，对应组相似性的值为组相似度；局部相似性是由深度神经网络所表示的函数计算得到：组相似性被建模成随机变量，用来描述probe图像和gallery图像之间的相似性，组成组相似性集合y＝{yp,i|Ii∈g}，其中，yp,i代表在图像组中的任意两个图像的组相似性，Ii表示具有i个probe图像组成的图像组集合，g表示gallery图像组的集合；其中，中的s是英文scale的缩写，表示特定的尺度；m和n表示一种索引，m和n且分别表示图像组中的第m和n个图像；yp,i中的p是英文probe的缩写，表示指定的probe图像，i表示指定的probe图像中的第i个图像；其中，所述获得的最终多尺度相似性的线性组合是最终获得行人特征相似度；给定一组图像O，所有图像组中的相似性集合其中，表示其中一个尺度下的相似性集合，Im和In分别表示具有m个图像的图像组集合和具有n个图像的图像组集合；所述最终多尺度相似性的线性组合表示如下：其中，αs是对应尺度下的与一元项关联的正参数，k表示一种索引，且k表示probe图像和gallery图像中的第k个图像；用Tu和Tp分别表示一元项和成对项，其中，Tu包括probe图像和gallery图像之间的局部相似度，Tp包括gallery图像中所有图像之间的相似度，Tu和Tp表示如下: 其中，αS＝expwS； 初始化为0；其中，i和j分别表示一种索引，且i和j分别表示gallery图像中的第i和j个图像；Ik表示具有k个probe图像和gallery图像组成的图像组集合。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 行人重识别方法、装置及计算机可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD