行人重识别方法、装置、设备、存储介质和程序产品与流程

本申请涉及人工智能，特别是涉及一种行人重识别方法、装置、设备、存储介质和程序产品。

背景技术：

1、重识别（re-identification）是一种计算机视觉技术，其主要目标是通过比较和分析图像或视频中的个体特征，如面部和体态等，在跨摄像头、跨时间、跨场景等复杂条件下，来识别和追踪这些个体。该技术广泛应用于不同场景下的行人识别。

2、银行作为金融服务机构，其安全性至关重要。为了对银行场景中的行人进行监控，及时发现并响应潜在的安全隐患，如何高效准确的识别行人成为了本领域亟待解决的技术问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够高效准确的识别行人的行人重识别方法、装置、设备、存储介质和程序产品。

2、第一方面，本申请提供了一种行人重识别方法。该方法包括：

3、获取待识别行人图像，该待识别行人图像为可见光图像和/或红外图像；

4、将该待识别行人图像输入至目标特征提取模型，以得到该待识别行人图像对应的待识别特征图；该目标特征提取模型为基于第一训练集对初始特征提取模型进行训练得到的，该第一训练集包括第一可见光图像、与该第一可见光图像对应的第一红外图像、该第一可见光图像的标准特征图；

5、若该待识别特征图与特征图库中的目标特征图匹配，则将该目标特征图对应的行人的身份信息，确定为该待识别行人图像中行人的身份信息。

6、在其中一个实施例中，该方法还包括：

7、获取该第一可见光图像；

8、将该第一可见光图像输入至目标生成模型，以得到该第一可见光图像对应的第一红外图像；该目标生成模型为基于第二训练集对生成式对抗网络进行训练得到的，该第二训练集包括多个第二可见光图像，以及与每个该第二可见光图像对应的第二红外图像；

9、将该第一可见光图像和该第一可见光图像对应的第一红外图像作为第一训练集中的数据；

10、基于该第一训练集对该初始特征提取模型进行训练，以得到该目标特征提取模型。

11、在其中一个实施例中，该生成式对抗网络包括生成模型和判别模型，该方法还包括：

12、将该第二可见光图像输入至该中间生成模型，以得到该中间生成模型输出的第一生成图像；该中间生成模型为基于该第二可见光图像，以及与该第二可见光图像对应的第二红外图像对该生成模型进行训练得到的，该中间生成模型用于根据可见光图像生成对应的红外图像；

13、将该第二可见光图像、与该第二可见光图像对应的第二红外图像、该第一生成图像输入至该判别模型，以得到该判别模型输出的第一判别结果；该第二可见光图像对应的第二红外图像为真实数据，该判别模型用于区分真实数据和生成数据，该判别结果用于指示红外图像为生成数据的概率；

14、根据该第一判别结果和标准判别结果对该判别模型的参数进行调整；

15、利用调参后的判别模型，对该中间生成模型生成的红外图像进行判别，并根据判别结果调节该中间生成模型的参数，以得到该目标生成模型。

16、在其中一个实施例中，该利用调参后的判别模型，对该中间生成模型生成的红外图像进行判别，并根据判别结果调节该中间生成模型的参数，以得到该目标生成模型，包括：

17、将该第二可见光图像输入至该中间生成模型，以得到第二生成图像；该第二生成图像为红外图像；

18、将该第二可见光图像和该第二生成图像输入至该调参后的判别模型，以得到该调参后的判别模型输出的第二判别结果；

19、根据该第二判别结果对该中间生成模型的参数进行调整，并将调参后的中间生成模型作为该目标生成模型。

20、在其中一个实施例中，该若该待识别特征图与特征图库中的目标特征图匹配，则将该目标特征图对应的行人的身份信息，确定为该待识别行人图像中行人的身份信息，包括：

21、若该特征图库中的若干特征图中存在与该待识别特征图的相似度大于预设阈值的特征图，则将该与该待识别特征图的相似度大于预设阈值的特征图作为目标特征图，并确定该待识别特征图与目标特征图匹配；

22、将该目标特征图对应的行人的身份信息，确定为该待识别行人图像中行人的身份信息。

23、在其中一个实施例中，该方法还包括：

24、若该特征图库中的若干特征图中不存在与该待识别特征图的相似度大于预设阈值的特征图，则确定该待识别行人图像中行人的身份信息为陌生人；

25、输出提醒信息，和/或，将该待识别行人图像中行人的身份信息和该待识别特征图对应存储至该特征图库中；

26、其中，该提醒信息用于提示待识别行人图像中的行人为陌生人。

27、第二方面，本申请还提供了一种行人重识别装置。该装置包括：

28、第一获取模块，用于获取待识别行人图像，该待识别行人图像为可见光图像和/或红外图像；

29、第二获取模块，用于将该待识别行人图像输入至目标特征提取模型，以得到该待识别行人图像对应的待识别特征图；该目标特征提取模型为基于第一训练集对初始特征提取模型进行训练得到的，该第一训练集包括第一可见光图像、与该第一可见光图像对应的第一红外图像、该第一可见光图像的标准特征图；

30、第一确定模块，用于若该待识别特征图与特征图库中的目标特征图匹配，则将该目标特征图对应的行人的身份信息，确定为该待识别行人图像中行人的身份信息。

31、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述任一方法的步骤。

32、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一方法的步骤。

33、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法的步骤。

34、上述行人重识别方法、装置、设备、存储介质和程序产品，获取待识别行人图像，将待识别行人图像输入至目标特征提取模型，以得到待识别行人图像对应的待识别特征图，若待识别特征图与特征图库中的目标特征图匹配，则将目标特征图对应的行人的身份信息，确定为待识别行人图像中行人的身份信息，由于本申请中的目标特征提取模型为基于可见光图像和红外图像共同训练得到的，从而减少光线、颜色等外部条件对特征提取结果的影响，使用多模态的信息，能够提高目标特征提取模型的准确性，进而提高确定的行人的身份信息的准确性。

技术特征：

1.一种行人重识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述生成式对抗网络包括生成模型和判别模型，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述利用调参后的判别模型，对所述中间生成模型生成的红外图像进行判别，并根据判别结果调节所述中间生成模型的参数，以得到所述目标生成模型，包括：

5.根据权利要求1-4任一项所述的方法，其特征在于，所述若所述待识别特征图与特征图库中的目标特征图匹配，则将所述目标特征图对应的行人的身份信息，确定为所述待识别行人图像中行人的身份信息，包括：

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.一种行人重识别装置，其特征在于，所述装置包括：

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结本申请涉及一种行人重识别方法、装置、设备、存储介质和程序产品，涉及人工智能技术领域。所述方法包括：获取待识别行人图像，将待识别行人图像输入至目标特征提取模型，以得到待识别行人图像对应的待识别特征图，若待识别特征图与特征图库中的目标特征图匹配，则将目标特征图对应的行人的身份信息，确定为待识别行人图像中行人的身份信息，由于本申请中的目标特征提取模型为基于可见光图像和红外图像共同训练得到的，从而减少光线、颜色等外部条件对特征提取结果的影响，使用多模态的信息，能够提高目标特征提取模型的准确性，进而提高确定的行人的身份信息的准确性。技术研发人员：贺庭睿,陈永录,张晶晶受保护的技术使用者：中国工商银行股份有限公司技术研发日：技术公布日：2024/8/27