(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 202210845929.9 (22)申请日 2022.07.19 (71)申请人 安徽大学 地址 230039 安徽省合肥市蜀山区肥西路3 号 (72)发明人 李成龙　曹凡　鹿安东　汤进　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 丁瑞瑞 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/52(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/40(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种夜间行人重识别方法、 装置、 设备及存 储介质 (57)摘要 本发明公开了一种夜间行人重识别方法、 装 置、 设备及存储介质， 所述方法包括： 训练夜间行 人重识别网络得到训练好的网络； 将原始图像送 入DCE‑Net获得映射图， 使用映射 图对原始图像 迭代进行亮度增强， 得到亮度增强后的图像， 送 入第一ResNet50中， 得到亮度增强后的 图像的特 征图； 将原始图像送入第二ResNet50， 得到原始 图像的特征图； 将原始图像的特征图和经过亮度 增强后的图像的特征图通过级联操作获得融合 特征， 送入亮度蒸馏模块， 获得最终的融合特征； 将最终的融合特征与图库中各图像对应的特征 进行对比， 根据相似性得分进行排序得到识别结 果； 本发明的优点在于： 保留身份判别信息， 从而 对夜间行 人重识别的能力较强。 权利要求书3页 说明书8页 附图3页 CN 115223203 A 2022.10.21 CN 115223203 A 1.一种夜间行 人重识别方法， 其特 征在于， 所述方法包括： 步骤一： 训练夜间行人重识别网络得到训练好的网络， 所述夜间行人重识别网络包括 亮度增强分支、 主干分支、 亮度蒸馏模块， 所述亮度增强分支由DCE ‑Net和第一ResNet50组 成， DCE‑Net由七个具有对称跳跃连接结构的卷积层组成； 主干分支由第二ResNet50组成； 亮度蒸馏模块由瓶颈融合子网络组成， 瓶颈融合子网络为编解码结构； 步骤二： 将原始图像送入训练好的网络， 先经过DCE ‑Net获得与原始图像具有相同大小 的像素级曲线参数映射图， 使用映射图对原始图像迭代进行亮度增强， 得到亮度增强后的 图像， 将亮度增强后的图像送入第一ResNet5 0中， 得到亮度增强后的图像的特 征图； 步骤三： 将原 始图像送入第二ResNet5 0， 得到原 始图像的特 征图； 步骤四： 将原始图像的特征图和经过亮度增强后的图像的特征图通过级联操作获得融 合特征， 送入亮度蒸馏模块， 获得最终的融合特 征； 步骤五： 将最终的融合特征与图库中各图像对应的特征进行对比， 根据相似性得分进 行排序得到识别结果。 2.根据权利要求1所述的一种夜间行人重识别方法， 其特征在于， 所述步骤一包括对亮 度增强分支的损失函数构建： 将原始图像送入DCE ‑Net， 获得与原始图像具有相同大小的像素级曲线参数映射图， 使 用映射图对原始图像迭代进行亮度增强， 达到预设的迭代次数后， 得到亮度增强后的图像； 迭代进行亮度增强的公式为In＝LE(In‑1； An)， 且LE(I0,A1)＝I0+A1*I0*(1‑I0)， 其中， In为n次 迭代后得到的亮度增强图像的像素值， An为参与第n次迭代所使用的映射图的像素值； 将亮度增强后的图像送入第一ResNet50中， 得到亮度增强后的图像的特征图， 送入第 一分类器 ， 预 测行人ID ， 亮度增强分支的 损失函数为LI E B＝LI D+λ1LD C E且 其中， λ1为平衡系数， LDCE为光照增强损失， B为送入第一分类器的 待训练的图像的数量， 为第b个待训练的图像属于真实图像ID标签的预测概 率。 3.根据权利要求2所述的一种夜间行人重识别方法， 其特征在于， 所述步骤一还包括对 主干分支的损失函数构建： 将原始图像送入第二ResNet50， 得到原始图像的特征图， 然后送入第二分类器， 主干分 支的损失函数为 LMB＝LID。 4.根据权利要求3所述的一种夜间行人重识别方法， 其特征在于， 所述步骤一还包括对 亮度蒸馏模块的损失函数构建： 将原始图像的特征图和经过亮度增强后的图像的特征图通过级联操作获得融合特征， 送入亮度蒸馏模块， 获得最 终的融合特征， 将最 终的融合特征送入第三分类器， 亮度蒸馏模 块的损失函数为LIDM＝LID+λ2Lrec， 其中， λ2为平滑参数， Lrec＝||zout‑zin||2， zout和zin分别为 经过瓶颈融合子网络 重建后的特 征和输入瓶颈融合子网络前的级联 特征； 然后将亮度蒸馏模块的预测结果分别与主干分支的预测结果以及亮度增强分支的预 测结果进行损失计算， 损 失函数为 其中， Pt为亮度 蒸馏模块的预测身份概率， Ps为主干分支或者亮度增强分支的预测身份概率， S为学生模 型， t为教师模型， 其中， 学生模型包括主干分支和亮度增强分支， 教师模型为亮度蒸馏模权　利　要　求　书 1/3 页 2 CN 115223203 A 2块。 5.根据权利要求4所述的一种夜间行人重识别方法， 其特征在于， 所述步骤一还包括对 整个夜间行 人重识别网络的训练， 训练过程 为： 使用随机梯度下降算法训练夜间行人重识别网络， 调整网络参数， 当联合损失函数 的值最小 时， 停止训练， 固定住网络参数得 到训练好的网络， 其中， θmb、 θieb、 θidm分别代表主干分支、 亮度增强分支、 亮度蒸馏模块的参 数。 6.根据权利要求5所述的一种夜间行人重识别方法， 其特征在于， 所述步骤五包括： 将 最终的融合特征输入第三分类器， 与图库中各图像对应的特征进行对比， 根据相似性得分 进行排序得到识别结果。 7.一种夜间行 人重识别装置， 其特 征在于， 所述装置包括： 训练模块， 用于训练夜间行人重识别网络得到训练好的网络， 所述夜间行人重识别网 络包括亮度增强分支、 主干分支、 亮度蒸馏模块， 所述亮度增强分支由DCE ‑Net和第一 ResNet50组成， DCE ‑Net由七个具有对称跳跃连接结构的卷积层组成； 主干分支由第二 ResNet50组成； 亮度蒸馏模块由瓶颈融合子网络组成， 瓶颈融合子网络为编解码结构； 亮度增强模块， 用于将原始图像送入训练好的网络， 先经过DCE ‑Net获得与原始图像具 有相同大小的像素级曲线参数映射图， 使用映射图对原始图像迭代进行亮度增强， 得到亮 度增强后的图像， 将亮度增强后的图像送入第一ResNet50中， 得到亮度增强后的图像的特 征图； 特征提取模块， 用于将原 始图像送入第二ResNet5 0， 得到原 始图像的特 征图； 融合模块， 用于将原始图像的特征图和经过亮度增强后的图像的特征图通过级联操作 获得融合特 征， 送入亮度蒸馏模块， 获得最终的融合特 征； 行人重识别模块， 用于将最终的融合特征与图库中各图像对应的特征进行对比， 根据 相似性得分进行排序得到识别结果。 8.根据权利要求7所述的一种夜间行人重识别装置， 其特征在于， 所述训练模块还用于 对亮度增强分支的损失函数构建： 将原始图像送入DCE ‑Net， 获得与原始图像具有相同大小的像素级曲线参数映射图， 使 用映射图对原始图像迭代进行亮度增强， 达到预设的迭代次数后， 得到亮度增强后的图像； 迭代进行亮度增强的公式为In＝LE(In‑1； An)， 且LE(I0,A1)＝I0+A1*I0*(1‑I0)， 其中， In为n次 迭代后得到的亮度增强图像的像素值， An为参与第n次迭代所使用的映射图的像素值； 将亮度增强后的图像送入第一ResNet50中， 得到亮度增强后的图像的特征图， 送入第 一分类器 ， 预 测行人ID ， 亮度增强分支的 损失函数为LI E B＝LI D+λ1LD C E且 其中， λ1为平衡系数， LDCE为光照增强损失， B为送入第一分类器的 待训练的图像的数量， 为第b个待训练的图像属于真实图像ID标签的预测概 率。 9.一种电子设备， 其特征在于， 包括处理器和存储器， 所述存储器存储有能够被所述处 理器执行的计算机程序指 令， 所述处理器执行所述计算机程序指 令时， 实现权利要求 1‑6任 一项所述的方法步骤。权　利　要　求　书 2/3 页 3 CN 115223203 A 3