[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

说明书

本申请实施例公开了一种行人重识别方法、网络模型构建方法、装置、设备和存储介质，包括：输入第一类型的连续帧图像至第一通道，输入第二类型的连续帧图像至第二通道；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；分别提取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；根据空间级特征和时序级特征，训练预先构建的第一残差神经网络模型和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第二残差神经网络模型进行行人重识别。提高了行人重识别的效率和正确率。

技术领域

本申请实施例涉及计算机视觉技术，尤其涉及一种行人重识别方法、网络模型构建方法、装置、设备和存储介质。

背景技术

行人重识别，主要应用于视频监控方面，例如，在刑侦工作中，刑侦人员通常需要浏览多个摄像头中的视频，查找某个特定的行人在哪个摄像头中出现过。这种针对特定的行人的监控视频检索问题，通常也称为行人重识别。

现有技术中对行人重识别的过程，通常采用过拟合的数据模型进行行人的识别，使得模型的泛化能力不够强，导致识别的效率和识别的正确率较低，难以满足行人重识别的要求。

发明内容

本申请提供了一种行人重识别方法、模型构建方法、装置、设备和存储介质，以解决现有技术中行人重识别的效率和正确率较低的问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种行人重识别方法，该方法包括：

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；

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；

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，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。

第二方面，本申请实施例提供了一种网络模型构建方法，该方法包括：

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。

第三方面，本申请实施例提供了一种行人重识别装置，该装置包括：

图像输入模块，用于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；

融合模块，用于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；