[发明专利]一种遮挡驱动的行人再识别方法、系统及可存储介质

权利要求书

1.一种遮挡驱动的行人再识别方法，其特征在于，包括以下步骤：

获取全景视频并构建全景数据集；

通过数据增强的方法对所述全景数据集进行扩充，得到增强后的全景数据集，作为训练集；

构建遮挡分类模型，将所述训练集输入所述遮挡分类模型中进行训练，直至模型收敛，得到训练完成的遮挡分类模型；

构建重识别模型，基于遮挡程度的不同，将所述训练集输入所述重识别模型中对应不同遮挡程度的子模型中进行训练，直到各个子模型的识别准确率达到预设值时停止训练，得到训练完成的重识别模型；

将待检测图片输入所述训练完成的遮挡分类模型中，获取所述待检测图片的遮挡程度，并将所述待检测图片输入所述训练完成的重识别模型的相应的子模型中进行识别，得到所述待检测图片的行人特征识别结果。

2.根据权利要求1所述的一种遮挡驱动的行人再识别方法，其特征在于，所述获取全景视频并构建全景数据集，具体包括以下步骤：

通过全景摄像机拍摄全景视频；

对所述全景视频进行剪辑，获取每帧均有行人的视频；

对所述每帧均有行人的视频进行截断帧操作，将视频数据转换为图片数据，并采用没有丰富运动特征但人像清晰的图片构建全景数据集。

3.根据权利要求1所述的一种遮挡驱动的行人再识别方法，其特征在于，通过数据增强的方法对所述全景数据集进行扩充，具体为：采用opencv对图片数据进行亮度增强、色度增强及锐度增强，得到增强后的全景数据集。

4.根据权利要求1所述的一种遮挡驱动的行人再识别方法，其特征在于，构建的遮挡分类模型为ResNet18模型；得到训练完成的遮挡分类模型，具体包括以下步骤：

采用数据集函数对训练集和对应标签进行处理，获取所述训练集长度；

通过对数据迭代器中的训练集进行迭代，获取相应的图片张量和标签张量；

将所述ResNet18模型迁移到GPU上，获得预测遮挡程度；

通过交叉熵损失函数对所述ResNet18模型进行训练，采用优化器对网络参数进行优化，直至所述交叉熵损失函数收敛，得到训练完成的遮挡分类模型。

5.根据权利要求4所述的一种遮挡驱动的行人再识别方法，其特征在于，所述交叉熵损失函数为：

H(p,q)＝-∑(p(x)logq(x))；

其中：p(x)表示输入数据的特征x的真实概率分布，q(x)表示输入数据的特征x的预测概率分布。

6.根据权利要求1所述的一种遮挡驱动的行人再识别方法，其特征在于，基于转化器模型构建重识别模型，所述重识别模型包括无遮挡子模型、小遮挡子模型、严重遮挡子模型。

7.根据权利要求6所述的一种遮挡驱动的行人再识别方法，其特征在于，子模型的训练包括两个阶段：特征提取与监督学习；

在特征提取阶段，将图片切割成若干块，每个块为一个序列，并输入转化器模型的编码器中，获取具有重叠像素的块；

在监督学习阶段，通过全局分支和图像块重组分支两个独立的变换器层分别对全局特征和局部特征进行编码；其中，通过所述图像块重组分支中的图像块重组模块将所有图像块重新分组后输入共享的变换器层中，获取本地特征。