CN113989835B 一种人员重识别方法、装置、计算机设备以及存储介质 （京北方信息技术股份有限公司）

2所述人员识别模型中包括无监督分类器，用于进行人员身体部位的映射根据人员识别模型输出的各视频片段的人员特征，计算两两视若确定所述人员特征距离满足特征距离条件，则确定与所述通过人员识别模型计算得到所述视频片段的多通过人员识别模型中的无监督分类器，将视频片段的在各编码特征图中选择目标编码特征图，对目标编码特征图进行编码特征加强处理，通过全局平均池化和时域平均池化对各视频帧图像的目标加强编码特征图进行奇偶通过样本视频片段，对预设的机器学习模型进行训练，直至对目标编码特征图进行分块处理，得到多个分块特征，并将所根据各视频帧图像对应的人员身体部位特征，生成人员身体结3根据人员身体部位的连接顺序，对局部特征向量进行拼接，得到与对与各目标编码特征图匹配的局部特征向量进行拼接，得到视频片段的多路局部特视频片段输入模块，用于获取至少两个视频片段，并将所述视频片段输入至人所述人员识别模型中包括无监督分类器，用于进行人员身体部位的映射人员特征距离计算模块，用于根据人员识别模型输出的各视人员重识别模块，用于若确定所述人员特征距离满足特征距离多路全局特征计算模块，用于通过人员识别模多路局部特征计算模块，用于通过人员识别模型中编码特征抽取单元，用于对视频片段的目标视频帧图像进行编码特征加强单元，用于在各编码特征图中选择目标奇偶特征提取单元，用于通过全局平均池化和时域平均池化8.一种包含计算机可执行指令的存储介质计算机处理器执行时用于执行如权利要求1-5中任4[0001]本发明实施例涉及图像处理和深度学习技术领域，尤其涉及一种人员重识别方[0002]人员重识别(personRe-IDentification，Re-ID)是智能视频监控系统中的一项[0013]人员特征距离计算模块，用于根据人员识别模型输出的述人员特征距离匹配的两个视频片段中的人员特5计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的人员[0024]图1是本发明实施例一提供的一种人员重识别方法的流程图，本实施例可适用于用。6[0034]当某一人员特征距离满足特征距离条件时，也即小于或者等于预设的距离阈值输入至人员识别模型中，对同一拍摄装置视区或者不同拍摄装置视区内的人员进行重识视频片段之间人员特征进行人员特征距离的计算，当人员特征距离满足特征距离条件时，[0039]图2是本发明实施例二提供的一种人员重识别方法的流程图，本发明实施例在上7损失满足模型训练条件。随机梯度下降法(StochasticGradientDescentAlgorithm，[0052]示例性的，可以通过50层的ResNet深度残差网络对视频个视频帧图像的原全局特征对，是进行编码特征加强后的第t-1个视频帧图像和8对奇数特征和偶数特征进行拼接得到所述视频片段的[0058]对各视频帧图像的目标编码特征图都进行编码加强处理之后，通过GAP(Global视频帧图像的目标加强编码特征图进行奇偶特[0060]本实施例以为例，若选择第3阶段和第4阶段的编码特征图作为目标编码特征g表示视频片段的全局特征，(zl-1))+zl-1，其中，LN(…)表示层归一化运算，MSA(…)表示多头自注意力运算，l表示9[0089]通过以下方式计算三元组损失Ltri：计算[0092]通过以下方式计算注意力集中度损失[0098]S270、确定与所述人员特征距离匹配的两个视频片段中的人员特征对应同一人[0104]人员特征距离计算模块320，用于根据人员识别模型输出的各视频片段的人员特所述人员特征距离匹配的两个视频片段中的人员特视频片段之间人员特征进行人员特征距离的计算，当人员特征距离满足特征距离条件时，[0114]编码特征抽取单元，用于对视频片段的目标视频帧图像[0128]本发明实施例所提供的人员重识别装置可执行本发明任意实施例所提供的人员包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设中，如计算机的软盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random本发明不限于这里所述的特定实施例，对本