[发明专利]行人重识别方法、模型构建方法、装置、设备和存储介质

权利要求书

1.一种行人重识别方法，其特征在于，包括：

输入第一预设帧数的第一类型的连续帧图像至第一通道，输入第二预设帧数的第二类型的连续帧图像至第二通道，其中，第一类型的连续帧图像为多通道图像，第二类型的连续帧图像为单通道图像，所述第一通道由预先构建的第一残差神经网络模型构成，所述第二通道由预先构建的第二残差神经网络模型构成，所述第一残差神经网络模型包括P3D-ResNet127模型，所述第二残差神经网络模型包括通道数缩减的所述P3D-ResNet127模型；

针对每个残差卷积层，将第一通道中的残差卷积层的输出结果与对应的第二通道中的残差卷积层的输出结果，按照预设侧向连接方式进行融合，将融合后的结果分别输入至下一残差卷积层，其中，每个残差卷积层包含的归一化模块的输出，根据第一可学习参数和第二可学习参数，应用各个图像通道的平均值和标准差确定，所述第一可学习参数和所述第二可学习参数的更新包括将第二预设帧数的第二类型的连续帧图像输入至构建的部件亲和域预测器；

分别提取所述第一残差神经网络模型输出的空间级特征和第二残差神经网络模型输出的时序级特征；

根据所述空间级特征和所述时序级特征来共同训练所述预先构建的第一残差神经网络模型和所述预先构建的第二残差神经网络模型；

应用训练好的第一残差神经网络模型和所述第二残差神经网络模型进行行人重识别。

2.根据权利要求1所述的方法，其特征在于，所述多通道图像为RGB三通道图像，所述单通道图像为灰度图像。

3.根据权利要求1所述的方法，其特征在于，所述第一残差神经网络模型和所述第二残差神经网络模型的生成包括：

基于获取的拓扑结构信息和配置参数信息，构建形成初始网络模型，其中，所述拓扑结构信息包括：残差卷积层信息、最大池化层信息、平均池化层信息、跨连接层信息和各层之间的拓扑连接顺序；所述配置参数信息包括每个残差卷积层中的残差模块的参数信息；

根据获取的训练学习信息，迭代训练所述初始网络模型，构建第一残差神经网络模型和第二残差神经网络模型。

4.根据权利要求3所述的方法，其特征在于，每层残差卷积层包括至少一个残差模块，每个残差模块包括：卷积模块、归一化模块和激活函数模块。

5.根据权利要求1所述的方法，其特征在于，还包括：更新所述归一化模块，相应的，所述更新所述归一化模块包括：

构建置信图预测器和部件亲和域预测器；

将第一预设帧数的第二类型的连续帧图像输入至所述置信图预测器，以获取人体的部件置信图，并确定所述人体的部件的相对位置信息，根据所述相对位置信息更新所述第一残差神经网络模型的归一化模块中的第一可学习参数和第二可学习参数，以更新所述归一化模块；

将第二预设帧数的第二类型的连续帧图像输入至所述部件亲和域预测器，以获取人体关键点在空间上的位置信息和方向信息，根据所述位置信息和方向信息更新所述第二残差神经网络模型的归一化模块中的第一可学习参数和第二可学习参数，以更新所述归一化模块；

其中，所述第二类型的连续帧图像为单通道图像。

6.根据权利要求4所述的方法，其特征在于，针对第一残差神经网络模型：

卷积模块的卷积核的大小为1*7*7*3*64，卷积步长为(1,2,2)，填充参数为(0,3,3)；最大池化层的核形状为1*3*3，卷积步长为(1,2,2)，填充参数为(0,1,1)；各个残差卷积层的输入通道数分别为64、256、512、1024，对应的输出通道数分别为256、512、1024和2048。

7.根据权利要求4所述的方法，其特征在于，针对第二残差神经网络模型：

卷积模块的卷积核的大小为5*7*7*3*64*β，卷积步长为(1,2,2)，填充参数为(0,3,3)；最大池化层的核形状为1*3*3，卷积步长为(1,2,2)，填充参数为(0,1,1)；各个残差卷积层的输入通道数分别为64*β、256*β、512*β、1024*β，对应的输出通道数分别为256*β、512*β、1024*β和2048*β，其中β为大于零且小于1的自然数。