(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210033877.5 (22)申请日 2022.01.12 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 郑喜民　翟尤　舒畅　陈又新　 (74)专利代理 机构 深圳市赛恩倍吉知识产权代 理有限公司 4 4334 代理人 陈实顺 (51)Int.Cl. G06V 40/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01) G06V 10/62(2022.01) (54)发明名称 行人重识别方法、 装置、 电子设备及存储介 质 (57)摘要 本发明涉及人工智能技术领域， 提供一种行 人重识别方法、 装置、 电子设备及存储介质， 所述 方法包括： 将第一图像序列输入至预设的姿态识 别网络中， 得到待识别行人的每个身体部位的第 一局部特征； 将第一图像序列输入至预设的多层 卷积神经网络中， 得到待识别行人的第一全局特 征； 对多个身体部位的第一局部特征与第一全局 特征进行第一次融合， 得到每个身体部位的第二 局部特征； 将待识别行人的多个身体部位的第二 局部特征输入至预先训练好的行人重识别模型 中， 输出行人重识别结果。 本发明通过将待识别 行人划分为多个身体部位， 并对每个身体部位进 行单独计算， 提高了行 人重识别的准确率。 权利要求书3页 说明书14页 附图2页 CN 114359970 A 2022.04.15 CN 114359970 A 1.一种行 人重识别方法， 其特 征在于， 所述方法包括： 获取待识别行人的第一图像序列， 将所述第一图像序列输入至预设的姿态识别网络 中， 得到所述待识别行人的每个身体部位的第一局部特征， 其中， 所述待识别行人包含有多 个身体部位； 将所述第一图像序列输入至预设的多层卷积神经网络 中， 得到所述待识别行人的第 一 全局特征； 对所述待识别行人的每个所述身体部位的第一局部特征与第一全局特征进行第一次 融合， 得到所述待识别行 人的每个所述身体部位的第二局部特 征； 将所述待识别行人的每个所述身体部位的第二局部特征输入至预先训练好的行人重 识别模型中， 并接收所述行人重识别模 型输出的行人重识别结果， 其中， 所述行人重识别模 型中包含有多个通道 注意力模块和多个位置注意力模块。 2.如权利要求1所述的行人重识别方法， 其特征在于， 所述将所述第 一图像序列输入至 预设的姿态 识别网络中， 得到所述待识别行 人的每个身体部位的第一局部特 征包括： 将所述第一图像序列输入至预设的姿态识别网络中， 在所述预设的姿态识别网络 中检 测所述第一图像序列中的每张图像进行 所述待识别行 人的身体部位 提取； 获取所述待识别行 人的每个身体部位的第一 位置坐标和第一置信度； 对所述待识别行人的每个身体部位的第 一位置坐标和第 一置信度进行向量转换， 得到 所述待识别行 人的对应身体部位的第一局部特 征。 3.如权利要求1所述的行人重识别方法， 其特征在于， 所述对所述待识别行人的每个所 述身体部位的第一局部特征与第一全局特征进 行第一次融合， 得到所述待识别行人的每个 所述身体部位的第二局部特 征包括： 计算所述待识别行人的多个身体部位中的每个身体部位的第一局部特征与所述待识 别行人的第一全局特征之间的乘积， 得到所述待识别行人的对应身体部位的第二局部特 征。 4.如权利要求1所述的行人重识别方法， 其特征在于， 在所述将所述待识别行人的每个 所述身体部位的第二局部特征输入至预先训练好的行人重识别模型中之前， 所述方法还包 括： 获取每个行人样本的第二图像序列， 其中， 每 个行人样本包 含有多个身体部位； 将每个行人样本的第 二图像序列输入至预设的姿态识别网络 中， 得到每个行人样本的 多个身体部位的第二 位置坐标和第二置信度； 根据每个行人样本的每个身体部位的第 二位置坐标和第 二置信度， 获取对应身体部位 的第三局部特 征； 将每个行人样本的第 二图像序列输入至预设的多层卷积神经网络 中， 得到每个行人样 本的第二全局特 征； 对每个行人样本的每个所述身体部位的第三局部特征与第一全局特征进行第一次融 合， 得到每 个行人样本的每 个所述身体部位的第四局部特 征； 将所述每 个行人样本的多个身体部位的第四局部特 征作为第一样本数据集； 将所述第一样本数据集分别输入至所述通道注意力模块和所述位置注意力模块中进 行处理， 得到每 个行人样本的目标通道 注意力结果和目标位置注意力结果；权　利　要　求　书 1/3 页 2 CN 114359970 A 2对每个行人样本的目标通道注意力结果、 目标位置注意力结果和第 二全局特征进行第 二次融合， 得到每 个行人样本的第三全局特 征； 将所述多个行 人样本的多个第三全局特 征作为第二样本数据集； 从所述第二样本数据集划分出训练集和 测试集； 将所述训练集输入预设神经网络中进行训练， 得到行 人重识别模型； 将所述测试集输入至所述行 人重识别模型中进行测试， 并计算测试通过率； 若所述测试通过率大于或者等于预设通过率阈值， 则确定所述行人重识别模型的训练 结束； 若所述测试通过率小于所述预设通过率阈值， 则更新所述第二样本数据， 以获取新的 训练集， 并将所述 新的训练集输入预设神经网络中重新进行 所述行人重识别模型的训练。 5.如权利要求4所述的行人重识别方法， 其特征在于， 所述将所述第 一样本数据集分别 输入至所述通道注意力模块和所述位置注意力模块中进行 处理， 得到每个行人样本的目标 通道注意力结果和目标位置注意力结果包括： 从所述第一样本数据集中获取每个行人样本的每个身体部位的第 四局部特征， 其中， 每个身体部位对应一个通道 注意力模块和一个位置注意力模块； 将每个行人样本的多个身体部位的多个第四局部特征分别输入至对应的通道注意力 模块和对应的位置注 意力模块中进行加权处理， 得到每个行人样本的每个身体部位的通道 注意力结果和位置注意力结果； 对每个行人样本的多个身体部位的多个通道注意力结果求第 一平均值， 将所述第 一平 均值确定为对应行人的目标通道注意力结果， 及对每个行人样本的多个身体部位的多个位 置注意力结果 求第二平均值， 将所述第二平均值确定为对应行 人的目标位置注意力结果。 6.如权利要求4所述的行人重识别方法， 其特征在于， 所述对每个行人样本的目标通道 注意力结果、 目标位置注意力结果和第二全局特征进行第二次融合， 得到每个行人样本的 第三全局特 征包括： 计算每个行人样本的目标通道注意力结果、 目标位置注意力结果和第 二全局特征之间 的乘积， 得到每 个行人样本的第三全局特 征。 7.如权利要求1所述的行人重识别方法， 其特征在于， 所述将所述第 一图像序列输入至 预设的多层卷积神经网络中， 得到所述待识别行 人的第一全局特 征包括： 将所述第一图像序列输入至预设的深度残差网络ResNet50中进行人体检测， 得到所述 待识别行 人的第一全局特 征。 8.一种行 人重识别装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待识别行人的第一图像序列， 将所述第一图像序列输入至预设的 姿态识别网络中， 得到所述待识别行人的每个身体部位的第一局部特征， 其中， 所述待识别 行人包含有多个身体部位； 第一输入模块， 用于将所述第一图像序列输入至预设的多层卷积神经网络中， 得到所 述待识别行 人的第一全局特 征； 融合模块， 用于对所述待识别行人的每个所述身体部位的第 一局部特征与第 一全局特 征进行第一次融合， 得到所述待识别行 人的每个所述身体部位的第二局部特 征； 第二输入模块， 用于将所述待识别行人的每个所述身体部位的第 二局部特征输入至预 先训练好的行人重识别模型中， 并接收所述行人重识别模型输出的行人重识别结果， 其中，权　利　要　求　书 2/3 页 3 CN 114359970 A 3