(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 202210599800.4 (22)申请日 2022.05.30 (71)申请人 郑州大学 地址 450001 河南省郑州市高新 技术开发 区科学大道100号 (72)发明人 吕雪　陈雪　 (74)专利代理 机构 苏州国卓知识产权代理有限 公司 323 31 专利代理师 龚淼 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的行人重识别方法及系 统 (57)摘要 本发明公开一种基于深度学习的行人重识 别方法及系统。 所述方法包括： 采集监控视频， 从 监控视频中分解出图像帧； 从图像帧中获取包含 目标行人且 无遮挡清晰的图像帧集， 利用行人重 识别模型的卷积神经网络对图像帧集进行特征 提取， 得到目标行人特征； 根据目标行人特征对 行人重识别模 型进行训练， 确定行人重识别模型 的训练损失， 根据所述训练损失对 所述行人重识 别模型的参数进行优化， 使用优化后的行人重识 别模型进行行人重识别。 采用本申请技术方案， 能够精确进行行人重识别， 提高行人识别精确 度。 权利要求书2页 说明书6页 附图1页 CN 114882441 A 2022.08.09 CN 114882441 A 1.一种基于深度学习的行 人重识别方法， 其特 征在于， 包括： 采集监控视频， 从监控视频中分解出图像帧； 从图像帧中获取包含目标行人且无遮挡清晰的图像帧集， 利用行人重识别模型的卷积 神经网络对图像帧集进行 特征提取， 得到目标 行人特征； 根据目标行人特征对行人重识别模型进行训练， 确定行人重识别模型的训练损 失， 根 据所述训练损失对所述行人重识别模型的参数进 行优化， 使用优化后的行人重识别模型进 行行人重识别。 2.如权利要求1所述的一种基于深度 学习的行人重识别方法， 其特征在于， 从监控视频 中分解出的图像帧作为训练图像帧， 这些训练图像集是获取到的图像集中随机划分出的一 部分， 训练图像集的选取应该是多样的， 例如可以包括行人姿势多样性、 行人尺度多样性和 背景多样性。 3.如权利要求1所述的一种基于深度 学习的行人重识别方法， 其特征在于， 通过人工标 注或自动标注的方式实现行人检测， 对训练图像集进行预处理， 得到包含目标行人且无遮 挡清晰的图像帧集。 4.如权利要求1所述的一种基于深度 学习的行人重识别方法， 其特征在于， 根据目标行 人特征对行人重识别模型进行训练， 具体包括： 利用行人重识别模型的注意力模块对所述原始特征进行处理， 得到多个行人局部特 征； 利用行人重识别模型的神经网络， 确定各行人局部特征之间的相似性矩阵， 并根据所 述相似性矩阵对各 行人局部特 征进行调整； 基于调整后的行人局部特征确定行人识别结果， 根据所述行人识别结果确定行人重识 别模型的训练损失， 根据训练损失对行 人重识别模型的参数进行优化。 5.如权利要求1所述的一种基于深度 学习的行人重识别方法， 其特征在于， 在得到调整 后的行人局部特征后， 基于该行人局部特征， 利用行人重识别模型中的分类网络对图像中 的行人ID进行分类， 进而得到行人重识别结果及对应的分类损失， 这里的分类网络可以采 用softmax分类器， 对应得到softmax分类器的行人ID分类损失， 基于该分类损失， 对 行人重 识别模型的参数进行优化， 最终得到训练好的行 人重识别模型。 6.如权利要求1所述的一种基于深度 学习的行人重识别方法， 其特征在于， 根据训练损 失对所述行 人重识别模型的参数进行优化， 具体包括如下子步骤： 将行人重识别训练数据集输入预设的行人重识别模型进行处理， 并基于处理结果计算 第一损失函数； 对第一行人重识别训练数据集进行增强处理， 将处理结果输入监督网络进行处理， 计 算第二损失函数； 根据第一损失函数和第 二损失函数的计算结果调整行人重识别模型， 得到目标行人重 识别模型。 7.一种基于深度学习的行 人重识别系统， 其特 征在于， 包括： 图像采集模块， 用于采集 监控视频， 从监控视频中分解出图像帧； 目标行人特征提取模块， 用于从图像帧中获取包含目标行人且无遮挡清晰的图像帧 集， 利用行 人重识别模型的卷积神经网络对图像帧集进行 特征提取， 得到目标 行人特征；权　利　要　求　书 1/2 页 2 CN 114882441 A 2行人重识别模块， 用于根据目标行人特征对行人重识别模型进行训练， 确定行人重识 别模型的训练损失， 根据所述训练损失对所述行人重识别模型的参数进行优化， 使用优化 后的行人重识别模型进行 行人重识别。 8.如权利要求7所述的一种基于深度 学习的行人重识别系统， 其特征在于， 行人重识别 模块， 具体用于利用行人重识别模型 的注意力模块对所述原始特征进行处理， 得到多个行 人局部特征； 利用行人重识别模 型的神经网络， 确定各行人局部特征之间的相似性矩阵， 并 根据所述相似性矩阵对各行人局部特征进 行调整； 基于调整后的行人局部特征确定行人识 别结果， 根据所述行人识别结果确定行人重识别模型 的训练损失， 根据训练损失对行人重 识别模型的参数进行优化。 9.如权利要求7所述的一种基于深度 学习的行人重识别系统， 其特征在于， 行人重识别 模块， 具体用于将行人重识别训练数据集输入预设的行人重识别模型进行处理， 并基于处 理结果计算第一损失函数； 对第一行人重识别训练数据集进行增强处理， 将处理结果输入 监督网络进行处理， 计算第二损失函数； 根据第一损失函数和第二损失函数 的计算结果调 整行人重识别模型， 得到目标 行人重识别模型。权　利　要　求　书 2/2 页 3 CN 114882441 A 3