[发明专利]行人特征识别方法、装置、计算机设备和存储介质

权利要求书

1.一种行人特征识别方法，其特征在于，包括：

对包含行人的图像进行特征提取，确定所述行人对应的底层特征；

对所述底层特征进行全局特征识别处理，确定所述行人对应的全局特征向量；

对所述底层特征进行局部特征识别处理，确定所述行人对应的局部特征向量；

根据所述行人对应的全局特征向量及局部特征向量，确定所述行人对应的特征向量。

2.如权利要求1所述的方法，其特征在于，所述对所述底层特征进行局部特征识别处理，确定所述行人对应的局部特征向量，包括：

采用预设的分割模式，对所述底层特征进行局部特征识别处理，确定所述行人对应的N个局部子特征向量，其中，N为根据所述预设的分割模式将所述图像分割后获得的子图像数量；

将所述N个局部子特征向量进行拼接处理，确定所述行人对应的局部特征向量。

3.如权利要求1所述的方法，其特征在于，所述对所述底层特征进行局部特征识别处理，确定所述行人对应的局部特征向量，包括：

采用至少两种分割模式，对所述底层特征进行局部特征识别处理，确定所述行人对应的至少两个局部特征向量；

所述根据所述行人对应的全局特征向量及局部特征向量，确定所述行人对应的特征向量，包括：

根据所述行人对应的至少两个局部特征向量及所述行人对应的全局特征向量，确定所述行人对应的至少两个特征向量。

4.如权利要求1所述的方法，其特征在于，所述确定所述行人对应的特征向量之后，还包括：

判断所述行人对应的特征向量是否与特征库中任一特征向量匹配；

若匹配，则根据采集所述图像的摄像头的位置及所述图像的采集时间，对所述行人的轨迹进行更新。

5.如权利要求4所述的方法，其特征在于，所述判断所述行人对应的特征向量是否与特征库中任一特征向量匹配之后，还包括：

若所述行人对应的特征向量与特征库中全部特征向量均未匹配，则将所述行人对应的特征向量加入所述特征库中，并启动对所述行人的跟踪线程。

6.如权利要求1-5任一所述的方法，其特征在于，所述对包含行人的图像进行特征提取之前，还包括：

对摄像组件采集的初始图像进行行人识别，以确定所述初始图像中各行人所在位置；

根据每个行人所在的位置，将所述初始图像进行分割处理，以获取每个行人所在的局部图像；

所述对包含行人的图像进行特征提取，包括：

对每个行人所在的局部图像进行特征提取。

7.如权利要求1-5任一所述的方法，其特征在于，所述行人特征识别方法由预设的网络模型实现，所述预设的网络模型包括特征提取层；

所述对包含行人的图像进行特征提取，确定所述行人对应的底层特征，包括：

将所述包含行人的图像输入所述预设的网络模型中，由所述预设的网络模型中的特征提取层对所述包含行人的图像进行特征提取，确定所述行人对应的底层特征。

8.如权利要求7所述的方法，其特征在于，所述预设的网络模型中，还包括分别与所述特征提取层连接的全局特征识别子网络及局部特征识别子网络；

所述将所述包含行人的图像输入所述预设的网络模型中之前，还包括：

获取包含多个数据组的训练数据集，其中，每个数据组中包括：M个行人的至少M+1张图像及每张图像对应的用户标识，M为大于或等于2的正整数；

将每个数据组输入初始网络模型中，以获取M+1张图像中每张图像对应的全局特征向量及局部特征向量；

根据每张图像对应的全局特征向量与用户标识匹配的概率及M个用户标识对应的全局特征向量间的距离，对所述初始网络模型中的特征提取层及全局特征识别子网络进行修正；

根据每张图像对应的局部特征向量与用户标识匹配的概率及M个用户标识对应的局部特征向量间的距离，对所述初始网络模型中的特征提取层及局部特征识别子网络进行修正，以得到所述预设的网络模型。