(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 202210256790.4 (22)申请日 2022.03.16 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 郑喜民　朱翌　舒畅　陈又新　 (74)专利代理 机构 深圳市明日今典知识产权代 理事务所(普通 合伙) 44343 专利代理师 王杰辉　曹勇 (51)Int.Cl. G06V 40/20(2022.01) G06V 40/10(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 基于人工智能的行人重识别方法、 装置、 设 备及存储介质 (57)摘要 本申请涉及人工智能技术领域， 揭示了一种 基于人工智 能的行人重识别方法、 装置、 设备及 存储介质， 其中方法包括： 将目标图像输入预设 的特征提取模型得到每个特征输出模块输出的 待分析特征向量； 将每个待分析特征向量输入预 设的分类预测模块进行分类概率预测得到分类 概率预测结果； 根据目标特征向量和预设的相似 图像数量从预设的人体图像库中确定相似人体 图像集， 目标特征向量是任一个待分析特征向 量； 针对各个相似人体图像集中的每张人体图 像， 将各个分类概率预测结果和各个 分类预测模 块的权重进行加权求和得到软 投票评分； 根据各 个软投票评分确定行人重识别结果。 实现关注衣 服颜色、 纹理等底层特征和高层全局语义信息， 提高了行 人重识别的准确性。 权利要求书3页 说明书12页 附图3页 CN 114639165 A 2022.06.17 CN 114639165 A 1.一种基于人工智能的行 人重识别方法， 其特 征在于， 所述方法包括： 获取目标图像； 将所述目标图像输入预设的特征提取模型， 得到每个特征输出模块输出的待分析特征 向量， 其中， 所述特征提取模型包括： 特征金字塔和多个所述特征输出模块， 所述特征金字 塔分别与每 个所述特 征输出模块连接； 将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测， 得到分类概 率预测结果； 根据目标特征向量和预设的相似图像数量， 从预设的人体图像库中确定相似人体图像 集， 其中， 所述目标 特征向量是任一个所述待分析 特征向量； 针对各个所述相似人体图像集中的每张人体图像， 将各个所述分类概率预测结果和各 个所述分类预测模块的权 重进行加权求和， 得到软投票评分； 根据各个所述软投票评分， 确定行 人重识别结果。 2.根据权利要求1所述的基于人工智能的行人重识别方法， 其特征在于， 所述将所述目 标图像输入预设的特征提取模型， 得到每个特征输出模块输出的待分析特征向量的步骤， 包括： 将所述目标图像输入所述特 征金字塔的第1个特 征提取层， 得到第1个特 征初始向量； 将第i‑1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层， 得到第i 个所述特 征初始向量， 其中， i大于1并且小于n+1， n是个大于2的整数； 将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理， 得 到第1个融合特 征向量； 将第k‑1个所述融合特征向量和第n ‑k+1个所述特征初始向量输入所述特征金字塔的 第k个所述特征融合层 进行特征融合， 得到第k个所述融合特征向量， 其中， k是大于1并且小 于n； 将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出， 得到第m个所 述待分析 特征向量， 其中， m大于 0并且小于n。 3.根据权利要求2所述的基于人工智能的行人重识别方法， 其特征在于， 所述将第n个 所述特征初始向量输入所述特征金字塔的第1个特征融合层进 行特征处理， 得到第1个融合 特征向量的步骤， 包括： 采用第1个所述特征融合层的通道扩展卷积核， 对第 n个所述特征初始向量进行通道扩 展， 得到第1个所述融合特 征向量， 其中， 所述 通道扩展卷积核为1*1卷积核； 所述将第k ‑1个所述融合特征向量和第n ‑k+1个所述特征初始向量输入所述特征金字 塔的第k个所述特 征融合层进行 特征融合， 得到第k个所述融合特 征向量的步骤， 包括： 采用第k个所述特征融合层的所述通道扩展卷积核， 对第n ‑k+1个所述特征初始向量进 行通道扩展， 得到第k个所述 通道扩展特 征； 将第k‑1个所述融合特征向量输入第k个所述特征融合层的最近邻插值处理子层进行 等比例放大， 得到第k个等比例放大 特征； 将第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理， 得到第k个所 述融合特 征向量。 4.根据权利要求2所述的基于人工智能的行人重识别方法， 其特征在于， 所述将第m个权　利　要　求　书 1/3 页 2 CN 114639165 A 2所述融合特征向量输入第m个所述特征输出模块进 行特征输出， 得到第m个所述待分析特征 向量的步骤， 包括： 采用第m个所述特征输出模块的混叠效应消除层， 对第m个所述融合特征向量进行混叠 效应消除， 得到第m个已消除混叠效应特 征向量， 其中， 所述混叠效应消除层为3 *3卷积核； 将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行池 化处理， 得到第m个所述待分析 特征向量。 5.根据权利要求1所述的基于人工智能的行人重识别方法， 其特征在于， 所述根据目标 特征向量和预设的相似图像数量， 从预设的人体图像库中确定相似人体图像集的步骤， 包 括： 对所述目标特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行 相似度计算， 得到第一相似度； 从各个所述第 一相似度中， 找出值最大并且数量与所述相似图像数量相同的所述第 一 相似度， 作为初始相似度集； 对所述初始相似度集对应的各张所述人体图像的特征向量和所述目标特征向量进行 平均值计算， 得到已调整特 征向量； 对所述已调整特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进 行相似度计算， 得到第二相似度； 从各个所述第 二相似度中， 找出值最大并且数量与所述相似图像数量相同的所述第 二 相似度， 得到目标相似度集； 将所述目标相似度集对应的各张所述人体图像作为所述相似人体图像集。 6.根据权利要求1所述的基于人工智能的行人重识别方法， 其特征在于， 所述根据 各个 所述软投票评分， 确定行 人重识别结果的步骤， 包括： 从各个所述软投票评分中找出值 为最大的所述软投票评分， 得到目标评分； 判断所述目标评分是否大于预设的评分阈值； 若是， 则确定所述行人重识别结果的识别结果为成功， 并且将所述目标评分对应的所 述人体图像作为所述行 人重识别结果的命中图像； 若否， 则确定所述行 人重识别结果的识别结果 为失败。 7.根据权利要求1所述的基于人工智能的行人重识别方法， 其特征在于， 所述将所述目 标图像输入预设的特征提取模型， 得到每个特征输出模块输出的待分析特征向量的步骤之 前， 还包括： 获取初始模型和训练样本集， 其中， 所述初始模型包括： 初始特征金字塔、 多个特征输 出初始模块和多个分类预测初始模块， 所述初始特征金字塔分别与每个所述特征输出初始 模块连接， 所述特征输出初始模块和所述分类预测初始模块连接， 以及所述特征输出初始 模块和所述分类预测初始模块 一一对应； 基于权值的弱分类器集成方法和所述训练样本集， 对所述初始模型进行训练， 将训练 结束的所述初始模型作为 目标模型， 其中， 所述 目标模型 的所述初始特征金字塔作为所述 特征金字塔， 所述 目标模型 的所述特征输出初始模块作为所述特征输出模块， 所述 目标模 型的所述分类预测初始模块作为所述分类预测模块。 8.一种基于人工智能的行 人重识别装置， 其特 征在于， 所述装置包括：权　利　要　求　书 2/3 页 3 CN 114639165 A 3