(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 202210843728.5 (22)申请日 2022.07.18 (71)申请人 深圳集智数字科技有限公司 地址 518000 广东省深圳市南 山区南山街 道南山社区南 新路1003号103 (72)发明人 杨战波　黄泽元　祁晓婷　蒋召　 (74)专利代理 机构 北京嘉科知识产权代理事务 所(特殊普通 合伙) 11687 专利代理师 杨超 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/52(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 行人再识别方法及装置 (57)摘要 本公开涉及机器学习技术领域， 提供了一种 行人再识别方法及装置。 该方法包括： 构建行人 再识别模型， 其中， 行人再识别模型， 包括： 行人 再识别分支与质量回归分支； 获取预训练模型， 并利用预训练模 型初始化行人再识别模型； 对初 始化后的行人再识别模型进行多阶段训练； 获取 待分类的行人数据集， 其中， 行人数据集， 包括： 多个人的多张图片； 利用经过多阶段训练后的行 人再识别模 型对行人数据集中的图片进行分类， 得到每个人的一张或多张图片。 采用上述技术手 段， 解决现有 技术中， 目前的行人再识别算法中， 存在模型训练耗时多、 成本高， 以及精度低的问 题。 权利要求书2页 说明书12页 附图3页 CN 115147870 A 2022.10.04 CN 115147870 A 1.一种行 人再识别方法， 其特 征在于， 包括： 构建行人再识别模型， 其中， 所述行人再识别模型， 包括： 行人再识别分支与质量回归 分支； 获取预训练模型， 并利用所述预训练模型初始化所述行 人再识别模型； 对初始化后的行 人再识别模型进行多阶段训练； 获取待分类的行 人数据集， 其中， 所述行 人数据集， 包括： 多个人的多张图片； 利用经过所述多阶段训练后的行人再识别模型对所述行人数据集中的图片进行分类， 得到每个人的一张或多张图片。 2.根据权利要求1所述的方法， 其特征在于， 所述对初始化后的行人再识别模型进行多 阶段训练， 包括： 冻结所述质量 回归分支， 利用所述行人再识别模型的第 一损失函数训练所述行人再识 别分支， 其中， 所述第一损失函数中的间隔因子由所述质量回归分支确定， 冻结所述质量回 归分支后， 所述间隔因子为常数； 冻结所述行人再识别分支， 利用确定所述间隔因子的第 二损失函数训练所述质量 回归 分支； 利用所述第一损 失函数同时训练所述行人再识别分支和所述质量回归分支， 其中， 没 有冻结所述质量回归分支， 则所述间隔因子为变量。 3.根据权利要求2所述的方法， 其特 征在于， 所述第一损失函数Lcircle： αp＝1+m‑sp Δp＝1‑m Δn＝m 其中， sp表示当前图片的特征向量与当前图片的正类中心向量 的相似度， 表示当前 图片的特征向量与当前图片的第j个负类中心向量的相似度， L表示负类个数， γ为特征缩 放因子， m为间隔因子， m由所述质量回归分支确定， 如果所述质量回归分支被冻结了， 则m为 常数， 如果所述质量回归分支没有被冻结， 则m为变量， m等于所述第二损失函数的函数值。 4.根据权利要求2所述的方法， 其特 征在于， 所述第二损失函数m： 其中， m0和m1为常量， q为所述质量回归分支的输出， qmin为所述质量回归分支的最小输 出， qmax为所述质量回归分支的最大输出。 5.根据权利要求1或2所述的方法， 其特征在于， 所述行人再识别分支， 包括如下多个依 次串行连接的网络层： 第一卷积层、 第二卷积层、 第三卷积层、 第四卷积层、 第五卷积层以及 全局池化和全连接层；权　利　要　求　书 1/2 页 2 CN 115147870 A 2所述第一卷积层的通道的数量为第 一数量， 经过所述第 一卷积层的图片的尺寸变为原 来的四分之一； 所述第二卷积层的通道的数量 为第二数量， 经 过所述第二卷积层的图片的尺寸 不变； 所述第三卷积层的通道的数量为第 三数量， 经过所述第 三卷积层的图片的尺寸变为原 来的二分之一； 所述第四卷积层的通道的数量为第四数量， 经过所述第四卷积层的图片的尺寸变为原 来的二分之一； 所述第五卷积层的通道的数量为第五数量， 经过所述第五卷积层的图片的尺寸变为原 来的二分之一。 6.根据权利要求1或2所述的方法， 其特 征在于， 包括： 所述质量 回归分支的输入为所述行人再识别分支的第 三卷积层、 第四卷积层和第五卷 积层的输出； 所述质量 回归分支包括如下多个依次串行连接的网络层： 全局池化层、 特征拼接层、 第 六卷积层以及全连接层。 7.根据权利要求1所述的方法， 其特征在于， 所述获取预训练模型， 并利用所述预训练 模型初始化所述行 人再识别模型之前， 所述方法还 包括： 构建所述预训练模型， 其中， 所述预训练模型由具有相同结构的第一编码器和第二编 码器组成； 利用第三损失函数训练所述第一编码器； 利用动量更新函数训练所述第二编码器， 其中， 所述动量更新函数和所述第一编码器 以及所述第二编码器的模型参数相关。 8.一种行 人再识别装置， 其特 征在于， 包括： 构建模块， 被配置为构建行人再识别 模型， 其中， 所述行人再识别 模型， 包括： 行人再识 别分支与质量回归分支； 初始化模块， 被配置为获取预训练模型， 并利用所述预训练模型初始化所述行人再识 别模型； 训练模块， 被 配置为对初始化后的行 人再识别模型进行多阶段训练； 获取模块， 被配置为获取待分类的行人数据集， 其中， 所述行人数据集， 包括： 多个人的 多张图片； 分类模块， 被配置为利用经过所述多阶段训练后的行人再识别模型对所述行人数据集 中的图片进行分类， 得到每 个人的一张或多张图片。 9.一种电子设备， 包括存储器、 处理器以及存储在所述存储器中并且可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至 7中任一项所述方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读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7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115147870 A 3