(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 202210895039.9 (22)申请日 2022.07.28 (71)申请人 长沙海信智能系统研究院有限公司 地址 410006 湖南省长 沙市岳麓区洋湖街 道潇湘南路一段368号中盈广场C座5 层502号 (72)发明人 何群　闾凡兵　吴婷　 (74)专利代理 机构 长沙市岳麓慧专利代理事务 所(普通合伙) 43270 专利代理师 王中华 (51)Int.Cl. G06V 40/10(2022.01) G06N 3/04(2006.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 40/20(2022.01) (54)发明名称 行人重识别方法、 装置及电子设备 (57)摘要 本发明提供一种行人重识别方法、 装置及电 子设备。 所述方法包括如下步骤： 获取第一图像 集， 所述第一图像集包括多张第一图片； 对第一 图像进行特征抽取处理， 得到具有第一图像的原 始分辨率的原始特征图； 利用原始特征图生成具 有大于原始分辨率的第一分辨率和具有小于原 始分辨率的第二分辨率的两种特征图， 并对原始 特征图和所述两种特征图进行多分辨率特征融 合， 得到具有原始分辨率的融合特征图； 将所述 融合特征图输入训练好的行人重识别模型进行 行人重识别， 得到行人重识别结果， 通过对原始 特征图进行多分辨率融合， 再利用多分辨率融合 后的特征图进行行人重识别， 能够解决行人重识 别中不同分辨率特征匹配的问题， 实现更加高效 准确的行 人重识别。 权利要求书2页 说明书9页 附图7页 CN 115188027 A 2022.10.14 CN 115188027 A 1.一种行 人重识别方法， 其特 征在于， 包括如下步骤： 步骤S1、 获取第一图像集， 所述第一图像集包括多张第一图片； 步骤S2、 对第一图像进行特征抽取处理， 得到具有第一图像的原始分辨率的原始特征 图； 步骤S3、 利用原始特征图生成具有大于原始分辨率的第 一分辨率和具有小于原始分辨 率的第二分辨率的两种特征图， 并对原始特征图和所述两种特征图进行多分辨率特征融 合， 得到具有原 始分辨率的融合特 征图； 步骤S4、 将所述融合特征图输入训练好的行人重识别模型进行行人重识别， 得到行人 重识别结果。 2.如权利要求1所述的行 人重识别方法， 其特 征在于， 所述 步骤S3具体包括： 对原始特征图进行 上采样， 得到具有大于原 始分辨率的第一分辨 率的高分特 征图； 对所述第一特 征图进行 下采样， 得到具有原 始分辨率的第一过渡特 征图； 对原始特征图进行 下采样， 得到具有 小于原始分辨率的第二分辨 率的低分特 征图； 对所述低分特 征图进行 上采样， 得到具有原 始分辨率的第二过渡特 征图； 对第一过渡特征图、 第二过渡特征图、 原始特征图进行融合处理， 得到目标融合特征 图。 3.如权利要求1所述的行人重识别方法， 其特征在于， 所述步骤S3中通过跨并行子网交 换单元完成， 所述跨并行子网交换单元包括： 高分子网， 所述高分子网包括依次连接的多个 高分卷积层； 原始子网， 所述原始子网包括依 次连接的多个原始卷积层； 低分子网， 所述低 分子网包括依 次连接的多个低分卷积层； 不同的子网之间通过上采样层及下采样层相连， 以转换不同子网之间的特 征图的分辨 率。 4.如权利要求1所述的行人重识别方法， 其特征在于， 所述高分子网包括： 依次连接的 第一高分卷积层、 第二高分卷积层、 第三高分卷积层 及第四高分卷积层； 所述原始子网包括： 依次连接的第一原始卷积层、 第二原始卷积层、 第三原始卷积层、 第四原始卷积层、 第五原 始卷积层 及第六原 始卷积层； 所述低分子网包括： 依次连接的依次连接的第一低分卷积层 及第二低分卷积层； 所述第二原 始卷积层的通过第一上采样层与第一高分卷积层相连； 所述第三原 始卷积层通过第二上采样层与第二高分卷积层相连； 所述第四原始卷积层通过第 一下采样层与第 一高分卷积层相连， 通过第 二下采样层与 第一低分卷积层相连； 所述第五原始卷积层通过第 三上采样层与第四高分卷积层相连， 通过第 三下采样层与 第二低分卷积层相连； 所述第三高分卷积层通过第四下采样层与第六原始卷积层相连， 通过第五下采样层与 第二低分卷积层相连； 所述第一低分卷积层通过第四上采样层与第六原始卷积层相连， 通过第五上采样层与 第四高分卷积层相连。 5.如权利要求4所述的行人重识别方法， 其特征在于， 所述第四原始卷积层同时接收第 三原始卷积层和第一下采样层输出的特 征图， 并对其进行融合处 理； 所述第二高分卷积层同时接收第 二上采样层和第 一高分卷积层输出的特征图， 并对其权　利　要　求　书 1/2 页 2 CN 115188027 A 2进行融合处 理； 所述第四高分卷积层同时接收第 三高分卷积层、 第 三上采样层及第五上采样层输出的 特征图， 并对其进行融合处 理； 所述第六原始卷积层同时接收第五原始卷积层、 第四下采样层及第四上采样层输出的 特征图， 并对其进行融合处 理； 所述第二低分卷积层同时接收第 一低分卷积层、 第 三下采样层及第五下采样层输出的 特征图， 并对其进行融合处 理； 所述第六原 始卷积层输出目标融合特 征图。 6.如权利要求4所述的行人重识别方法， 其特征在于， 所述第一上采样层、 第二上采样 层、 第三上采样层及第四上采样层用于对输入的特征图进行N倍的上采样， 以使得输出的特 征图的分辨 率为输入的特 征图的N倍； 所述第一下采样层、 第二下采样层、 第三下采样层及第 四下采样层用于对输入的特征 图进行N倍的下采样， 以使得输出的特 征图的分辨 率为输入的特 征图的N分之一； 所述第五上采样层用于对输入的特征图进行2N倍的上采样， 以使得输出的特征图的分 辨率为输入的特 征图的2N 倍； 所述第五下采样层用于对输入的特征图进行2N倍的下采样， 以使得输出的特征图的分 辨率为输入的特 征图的2N分之一， N 为大于1的正整数。 7.如权利要求2所述的行人重识别方法， 其特征在于， 所述上采样通过最近邻采样的1 ×1卷积来实现， 下采样通过步长为2的3 ×3卷积实现。 8.如权利要求1所述的行人重识别方法， 其特征在于， 通过包括ResNet101x和IBN ‑Net 的主干网络对第一图像进行 特征抽取处 理， 得到具有原 始分辨率的原始特征图。 9.一种行 人重识别装置， 其特 征在于， 包括： 图像获取 单元， 用于获取第一图像集， 所述第一图像集包括多张第一图片； 特征抽取单元， 用于对第一图像进行特征抽取处理， 得到具有第一图像的原始分辨率 的原始特征图； 分辨率融合单元， 用于通过原始特征图生成具有大于原始分辨率的第 一分辨率和具有 小于原始分辨率的第二分辨率的两种特征图， 并对原始特征图和所述两种特征图进行多分 辨率特征融合， 得到具有原 始分辨率的融合特 征图； 以及识别单元， 用于将所述融合特征图输入训练好的行人重识别模型进行行人重识 别， 得到行 人重识别结果。 10.一种电子设备， 其特征在于， 包括： 存储器和处理器， 所述存储器存储有计算机程 序， 所述计算机程序被所述处理器执行时， 使得所述处理器执行如权利要求 1‑8中任一项 所 述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115188027 A 3