(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210486758.5 (22)申请日 2022.05.06 (65)同一申请的已公布的文献号 申请公布号 CN 114581858 A (43)申请公布日 2022.06.03 (73)专利权人 中科智为科技 （天津） 有限公司 地址 300450 天津市滨 海新区天津经济技 术开发区滨海-中关村科技园泉州道3 号北塘建 设发展大厦B座215室 (72)发明人 李星光　张德馨　 (74)专利代理 机构 西安迪业欣知识产权代理事 务所(普通 合伙) 61278 专利代理师 校丽丽 (51)Int.Cl. G06V 20/52(2022.01)G06K 9/62(2022.01) G06V 10/762(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 113469080 A,2021.10.01 CN 110751018 A,2020.02.04 CN 110135233 A,2019.08.16 审查员 张丽娜 (54)发明名称 一种小股人群 重识别方法及模型训练方法 (57)摘要 本发明公开了一种小股人群重识别方法及 模型训练方法， 属于行人重识别技术领域， 能够 解决小股人群重识别准确率低的问题。 所述方法 包括： 获取第一样本图像和第二样本图像， 并确 定其中的第一人群区域和第二人群区域； 将第一 人群区域输入第一主干网络中， 获得第一人群的 个体特征和全局特征， 并将第二人群区域输入第 二主干网络中， 获得第二人群的个体特征和全局 特征； 将第一人群和第二人群的全局特征输入第 一神经网络中进行训练， 得到人群相似性判断网 络； 将第一人群和第二人群的个体特征输入第二 神经网络中进行训练， 得到个体相似性判断网 络； 根据人群相似性判断网络和个体相似性判断 网络构建小股人群重识别模型。 本发 明用于行人 重识别。 权利要求书3页 说明书9页 附图3页 CN 114581858 B 2022.08.23 CN 114581858 B 1.一种小股人群重识别方法， 其特 征在于， 所述方法包括： S101、 获取第一待测图像和第二待测图像， 确定所述第一待测图像中的第一待测人群 区域和所述第二待测图像中的第二待测人群区域， 并两 两组合形成比对人群对； S102、 将所述比对人群对中的第一待测人群区域输入小股人群重识别模型的第一主干 网络中， 获得第一待测人群中每个行人 的个体特征和第一待测人群的全局特征， 并将所述 比对人群对中的第二待测人群区域输入所述小股人群重识别模型的第二主干网络中， 获得 第二待测人群中每 个行人的个体特征和第二待测人群的全局特 征； S103、 将所述第 一待测人群的全局特征和所述第二待测人群的全局特征输入所述小股 人群重识别模型的人群相似性判断网络中， 得到所述比对人群对的人群相似性分数； S104、 将所述第 一待测人群 中所有行人的个体特征和所述第 二待测人群 中所有行人的 个体特征两两组合输入所述小股人群重识别模型的个体相似性判断网络中， 得到所述比对 人群对中每对行 人的个体相似性分数； S105、 根据所述人群相似性分数和所述个体相似性分数， 得到所述比对人群对的最终 相似性分数和所述比对人群对中为同一行 人的重识别结果； 其中， 所述小股人群重识别模型的训练方法包括： S1、 获取第一样本图像和第二样本图像， 并确定所述第一样本图像中的第一人群区域 和所述第二样本图像中的第二人群区域； S2、 将所述第一人群区域输入第一主干网络中， 获得第一人群中每个行人的个体特征 和第一人群的全局特征， 并将所述第二人群区域输入第二主干网络中， 获得第二人群中每 个行人的个体特征和第二人群的全局特 征； S3、 将所述第 一人群的全局特征和所述第二人群的全局特征输入第 一神经网络 中进行 训练， 得到人群相似性判断网络； S4、 将第一人群的个体特征和第二人群的个体特征输入第二神经网络中进行训练， 得 到个体相似性判断网络； S5、 根据所述第一主干网络、 所述第二主干网络、 所述人群相似性判断网络和所述个体 相似性判断网络构建小股人群重识别模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述S4具体包括： 选取距离所述第一人群区域中心最近的行人坐标作为第 一中心目标， 并选取距离所述 第二人群区域中心最近的行 人坐标作为第二中心目标； 根据所述第一中心目标和所述第二中心目标的坐标分别获取其对应的个 体特征； 将两个所述个 体特征输入第二神经网络进行训练， 得到个 体相似性判断网络 。 3.根据权利要求1所述的方法， 其特征在于， 所述S1中的确定所述第 一样本图像中的第 一人群区域和所述第二样本图像中的第二人群区域， 具体包括： S11、 对样本图像进行 行人目标检测， 并标记出每 个目标行人的目标框； S12、 获取距离所述样本图像中心位置最近的目标 行人作为第一目标 行人； S13、 计算其余目标行人与所述第一目标行人之间的坐标距离， 并按所述坐标距离从小 到大对其 余目标行人进行排序， 形成目标 行人序列； S14、 将所述目标行人序列中坐标距离小于预设距离的前N个目标行人与所述第一目标 行人划分为同一群体， 所述同一群体的所有目标框的外接矩形所围区域即为一个人群区权　利　要　求　书 1/3 页 2 CN 114581858 B 2域； S15、 将未进入所述人群区域的一个目标 行人作为更新后的第一目标 行人； S16、 计算其余未进入所述人群区域的目标行人与所述第 一目标行人之间的坐标距离， 并按所述坐标距离从小到大对其余未进入所述人群区域的目标行人进 行排序， 形成更新后 的目标行人序列； S17、 重复执行步骤S14至S16， 直至所述样本图像中的所有目标行人均划入某一人群区 域中； 其中， 若所述样本图像为所述第 一样本图像， 则所述人群区域为所述第 一人群区域； 若 所述样本图像为所述第二样本图像， 则所述人群区域 为所述第二人群区域。 4.根据权利要求1或3所述的方法， 其特 征在于， 在所述S1后， 所述方法还 包括： 调整所述第 一人群区域或所述第 二人群区域的尺寸， 使得所述第 一人群区域和所述第 二人群区域的尺寸相同。 5.根据权利要求1所述的方法， 其特征在于， 所述第一主干网络和/或所述第二主干网 络为引入了注意力机制的CvT网络结构。 6.根据权利要求1所述的方法， 其特征在于， 所述小股人群重识别模型的损失函数 ； 其中， 为人群损失函数； 为个体损失函数； 为预设的超参数。 7.根据权利要求1所述的方法， 其特 征在于， 所述S10 5具体包括： S1051、 根据每对行 人的所述个 体相似性分数计算每 个行人的个体相似性统计分数； S1052、 根据第一公式计算得到所述比对人群对的最终相似性分数， 并将所述比对人群 对中匹配成功的行 人对作为所述比对人群对中为同一行 人的重识别结果； 所述第一公式为 ； 其中， 为所述比对人群对的最终相似性分数； 为所述比对人群对的人群相似性分 数； 为常数系数； 为所述第一待测人群区域中第 个行人的个体相似性统计分数； ， 为所述比对人群对中匹配到同一人的个数。 8.根据权利要求7 所述的方法， 其特 征在于， 所述S10 51具体包括： 若所述第一待测人群区域中第 个行人与所述第二待测人群区域中的每个行人组成 的行人对中， 仅有一个行人对的个体相似性分数 大于预设阈值 ， 则 ； 其中， 为所述第一待测人群区域中第 个行人的个体相似性统计分数； 若所述第一待测人群区域中第 个行人与所述第二待测人群区域中的每个行人组成的 行人对中， 有多个行人对的个体相似性分数 大于预设阈值 ， 则对满足要求的所述多权　利　要　求　书 2/3 页 3 CN 114581858 B 3