[发明专利]行人重识别的方法及装置

摘要

本发明实施例提供一种行人重识别的方法及装置，其中方法包括：将获取的若干个行人图像输入至预先训练的神经网络模型，输出各行人图像的特征向量，作为第一全局特征向量；将目标行人图像输入至预先训练的神经网络模型，输出目标行人图像的特征向量，作为第二全局特征向量；计算第二全局特征向量与各第一全局特征向量间的欧式距离，选取欧式距离最近的若干个行人图像作为目标行人图像的行人重识别结果。本发明实施例在训练过程中同时使用分类信息，全局特征和局部特征，使网络性能大为提升，在测试及使用过程中只使用全局特征衡量图像间差异，兼顾了网络使用时对识别速度的要求，同时使用距离损失与分类损失训练网络，提高了网络识别效率。

主权项

1.一种行人重识别的方法，其特征在于，包括：将获取的若干个行人图像输入至预先训练的神经网络模型，输出各行人图像的特征向量，作为第一全局特征向量；将目标行人图像输入至预先训练的神经网络模型，输出目标行人图像的特征向量，作为第二全局特征向量；计算所述第二全局特征向量与各所述第一全局特征向量间的欧式距离，选取欧式距离最近的若干个行人图像作为所述目标行人图像的行人重识别结果；其中，所述神经网络模型具体通过以下步骤训练：获取行人图像的样本集，所述样本集中的样本预先配置对应的行人ID的标签；将所述样本集中的样本输入至残差网络中，输出第一特征矩阵；根据所述第一特征矩阵分别提取样本的全局特征向量和局部特征向量；根据所述样本的全局特征向量以及标签，使用交叉熵函数计算分类损失；根据所述样本的全局特征向量获取样本的三元组，根据三元组的全局特征向量和局部特征向量分别计算三元组的全局距离损失和局部距离损失；根据所述分类损失、三元组的全局距离损失和三元组的局部距离损失优化所述神经网络模型中的参数。