本發(fā)明實施例提供了一種行人重識別方法、裝置、電子設備和計算機可讀存儲介質(zhì)，涉及計算機視覺領域。該方法通過獲取多張行人圖像，將多張行人圖像輸入預先訓練的識別模型，利用識別模型進行特征提取，得到每張行人圖像對應的行人姿態(tài)特征、行人關鍵點特征、行人全局特征、行人局部特征及行人局部特征的置信度，然后根據(jù)任意兩張行人圖像各自對應的行人姿態(tài)特征、行人關鍵點特征、行人全局特征、行人局部特征、行人局部特征的置信度計算行人相似度，根據(jù)行人相似度確定兩張行人圖像中的行人是否為同一人。如此，實現(xiàn)了對同一行人的不同姿態(tài)的全面的、多粒度的特征表達，故可以有效提高行人重識別的準確率。

技術領域

本發(fā)明涉及計算機視覺領域，具體而言，涉及一種行人重識別方法、裝置、電子設備和計算機可讀存儲介質(zhì)。

背景技術

近年來，隨著安防行業(yè)的逐漸的發(fā)展，行人重識別(Person re-identification，Re-ID)技術作為智能監(jiān)控家族中一支新秀已引起了學術界和安防界的廣泛關注。行人重識別也稱行人再識別，是利用計算機視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術。

然而，行人往往處在一個開放的、無約束的場景中，會受到來自不同監(jiān)控相機的角度、高度、光照、物體的遮擋、背景等外界因素的影響，且

行人本身還存在衣著、姿態(tài)、體態(tài)的變化，這些客觀因素的存在極大降低了行人重識別的準確率。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種行人重識別方法、裝置、電子設備和計算機可讀存儲介質(zhì)，以提高行人重識別的準確率。

為了實現(xiàn)上述目的，本發(fā)明實施例采用的技術方案如下：

第一方面，本發(fā)明實施例提供一種行人重識別方法，所述方法包括：

獲取多張行人圖像；

將所述多張行人圖像輸入預先訓練的識別模型，利用所述識別模型進行特征提取，得到每張行人圖像對應的行人姿態(tài)特征、行人關鍵點特征、行人全局特征、行人局部特征及所述行人局部特征的置信度；

根據(jù)任意兩張行人圖像各自對應的行人姿態(tài)特征、行人關鍵點特征、行人全局特征、行人局部特征、所述行人局部特征的置信度計算行人相似度；

根據(jù)所述行人相似度確定所述兩張行人圖像中的行人是否為同一人。

在可選的實施方式中，所述識別模型包括姿態(tài)特征提取網(wǎng)絡、關鍵點特征提取網(wǎng)絡、全局特征提取網(wǎng)絡和局部特征提取網(wǎng)絡；

所述利用所述識別模型進行特征提取，得到每張行人圖像對應的行人姿態(tài)特征、行人關鍵點特征、行人全局特征、行人局部特征及所述行人局部特征的置信度，包括：

利用所述姿態(tài)特征提取網(wǎng)絡提取出每張行人圖像對應的行人姿態(tài)特征；

利用所述關鍵點特征提取網(wǎng)絡提取出每張行人圖像對應的行人關鍵點特征；

利用所述全局特征提取網(wǎng)絡提取出每張行人圖像對應的行人全局特征；

利用所述局部特征提取網(wǎng)絡提取出每張行人圖像對應的行人局部特征及所述行人局部特征的置信度。

在可選的實施方式中，所述識別模型包括特征圖提取網(wǎng)絡、關鍵點和姿態(tài)檢測模塊，所述特征圖提取網(wǎng)絡、所述關鍵點和姿態(tài)檢測模塊構成所述姿態(tài)特征提取網(wǎng)絡；

所述利用所述姿態(tài)特征提取網(wǎng)絡提取出每張行人圖像對應的行人姿態(tài)特征，包括：

利用所述姿態(tài)特征提取網(wǎng)絡的第一特征圖提取層提取出每張行人圖像對應的第一特征圖；

將所述第一特征圖輸入所述關鍵點和姿態(tài)檢測模塊，得到關鍵點坐標信息以及基于所述關鍵點坐標信息確定的行人姿態(tài)特征。