(19)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 202211043447.8 (22)申请日 2022.08.29 (71)申请人 智慧眼科技股份有限公司 地址 410205 湖南省长 沙市高新 开发区尖 山路39号长 沙中电软件园一期14栋 申请人 中华人民共和国拱 北海关 (72)发明人 谢喜林　 (74)专利代理 机构 深圳众鼎汇成知识产权代理 有限公司 4 4566 专利代理师 朱业刚 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/80(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多细粒度特征的行人重识别方法、 装置 及存储介质 (57)摘要 本发明提供基于多细粒度特征的行人重识 别方法、 装置及存储介质， 方法包括以下步骤： 获 取行人图像， 行人图像至少包括目标行人图像和 待识别图像； 将待识别图像输入训练好的行人躯 干部位检测网络模型进行特征提取， 得到待识别 图像的全局特征和多层待识别图像的行人躯干 部位分区的细粒度特征； 将待识别图像的全局特 征和多层行人躯干部位分区的细粒度特征进行 加权融合， 得到待识别图像的行人重识别特征； 将待识别图像的行人重识别特征与 目标行人图 像的行人重识别特征进行相似度计算， 确定行人 重识别结果。 本发明提高了行人重识别的准确 率。 权利要求书2页 说明书12页 附图5页 CN 115471868 A 2022.12.13 CN 115471868 A 1.基于多细粒度特 征的行人重识别方法， 其特 征在于， 包括如下步骤: 获取行人图像， 所述行 人图像至少包括目标 行人图像和待识别图像； 将所述待识别图像输入训练好的行人躯干部位检测网络模型进行特征提取， 得到所述 待识别图像的全局特征和多层所述待识别图像的行人躯干部位分区的细粒度特征， 所述行 人躯干部位检测网络模型包括特征金字塔网络和细粒度网络， 所述行人躯干部位分区由所 述细粒度网络进行分区得到； 将所述待识别图像的全局特征和多层所述行人躯干部位分区的细粒度特征进行加权 融合， 得到所述待识别图像的行 人重识别特 征； 将所述待识别图像的行人重识别特征与所述目标行人图像的行人重识别特征进行相 似度计算， 根据相似度计算结果确定行 人重识别结果。 2.如权利要求1中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述行人 图像还包括训练图像， 所述将所述待识别图像输入训练好的行人躯干部位检测网络模型进 行特征提取， 得到所述待识别图像的全局特征和多层所述待识别图像的行人躯干部位分区 的细粒度特 征的步骤之前， 还 包括： 对所述训练图像进行训练用行人躯干部位分区标注， 所述训练用行人躯干部位分区至 少包括头肩部位分区、 上身躯 干部位分区和下身部位分区； 通过所述训练图像对预设的基于特征金字塔网络和细粒度网络的行人躯干部位检测 网络进行训练， 得到训练好的所述行 人躯干部位检测网络模型。 3.如权利要求1中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述将所 述待识别图像输入训练好的行人躯干部位检测网络模型进 行特征提取， 得到所述待识别图 像的全局特 征和多层所述待识别图像的行 人躯干部位分区的细粒度特 征的步骤， 包括： 将所述待识别图像通过所述特征金字塔网络进行特征提取， 得到所述待识别图像的全 局特征和多层 层级特征； 将所述待识别图像的多层层级特征分别通过所述细粒度网络进行特征提取， 得到多层 所述待识别图像的所述行 人躯干部位分区的细粒度特 征。 4.如权利要求3 中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述将所 述待识别图像的多层层级 特征分别通过所述细粒度网络进 行特征提取， 得到多层所述待识 别图像的行 人躯干部位分区的细粒度特 征， 包括： 在所述细粒度网络 中嵌入行人躯干部位注意力 机制， 通过所述行人躯干部位注意力 机 制进行所述行人躯干部位分区的细粒度特 征提取。 5.如权利要求1中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述将所 述待识别图像的全局特征和多层所述行人躯干部位分区的细粒度特征进 行加权融合， 得到 所述待识别图像的行 人重识别特 征， 包括： 将所述待识别图像的全局特 征进行全局最大池化处 理； 将池化后的全局特征在高度维度上从上到下均匀划分为三个分区特征， 并将池化后的 全局特征进行降维处 理， 得到低维全局特 征； 将所述待识别图像的三个所述分区特征、 低维全局特征和多层所述行人躯干部位分区 的细粒度特征进行降维处理统一维度并加权融合， 得到所述待识别图像的行人重识别特 征。权　利　要　求　书 1/2 页 2 CN 115471868 A 26.如权利要求5 中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述将三 个所述分区特征和低维全局特征与多层所述行人躯干部位分区的细粒度特征进行加权融 合， 得到所述待识别图像的行人重识别特征 的步骤之前， 还包括对所述待识别图像的多层 行人躯干部位分区的细粒度特 征进行融合前处 理， 具体包括： 将所述待识别图像的多层所述行人躯干部位分区的细粒度特征通过全连接层进行连 接处理， 得到多个细粒度综合特 征； 将所述细粒度综合特征进行降维处理， 得到与三个所述分区特征、 所述低维全局特征 的维度一 致的细粒度综合特 征。 7.如权利要求6 中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述将所 述细粒度综合特征进行降维处理， 得到与三个所述分区特征、 所述低 维全局特征 的维度一 致的细粒度综合特 征的步骤之前， 还 包括： 基于所述待识别图像的多层所述行人躯干部位分区的细粒度特征构建对应数量特征 网络分支， 分别在所述特征网络分支上通过RoIAlign对所述细粒度综合特征进行特征聚 合， 得到对齐的相同尺度的细粒度综合特 征。 8.如权利要求1中所述的基于多细粒度 特征的行人重识别方法， 其特征在于， 所述将所 述待识别图像输入训练好的行人躯干部位检测网络模型进 行特征提取， 得到所述待识别图 像的全局特征和多层所述待识别图像的行人躯干部位分区的细粒度特征的步骤之前， 还包 括： 将所述待识别图像按照行 人躯干部位分区进行检测； 将检测到的所述待识别图像上的行人躯干部位填充到预设的行人识别样本图像中进 行补齐， 且所述待识别图像上的行人躯干部位缺 失的部分使用0值进 行补齐， 填充后的行人 识别样本图像用于作为所述待识别图像在所述行人躯干部位检测网络模型的输入进行特 征提取。 9.一种基于多细粒度特 征的行人重识别装置， 其特 征在于， 包括： 图像获取模块， 用于获取行人图像， 所述行人图像至少包括目标行人图像和待识别图 像； 特征提取模块， 用于将所述待识别图像输入训练好的行人躯干部位检测网络模型进行 特征提取， 得到所述待识别图像的全局特征和多层所述待识别图像的行人躯干部位分区的 细粒度特征， 所述行人躯干部位检测网络模型包括特征金字塔网络和细粒度网络， 所述行 人躯干部位分区由所述细粒度网络进行分区得到； 特征融合模块， 用于将所述待识别图像的全局特征和多层所述行人躯干部位分区的细 粒度特征进行加权融合， 得到所述待识别图像的行 人重识别特 征； 识别输出模块， 用于将所述待识别图像的行人重识别特征与 所述目标行人图像的行人 重识别特 征进行相似度计算， 根据相似度计算结果确定行 人重识别结果。 10.一种计算机存储介质， 所述计算机存储介质存储有计算机程序， 其特征在于， 所述 计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于多细粒度特征 的行人 重识别方法。权　利　要　求　书 2/2 页 3 CN 115471868 A 3