(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210234725.1 (22)申请日 2022.03.11 (65)同一申请的已公布的文献号 申请公布号 CN 114332955 A (43)申请公布日 2022.04.12 (73)专利权人 浪潮云信息技 术股份公司 地址 250101 山东省济南市高新区浪潮路 1036号浪潮科技园S01号楼 (72)发明人 朱利霞　伊文超　李明明　潘心冰　 何彬彬　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 刘珂 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/20(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 113095263 A,2021.07.09 CN 109784186 A,2019.0 5.21 CN 112434796 A,2021.0 3.02 WO 202120 3801 A1,2021.10.14 WO 202121273 6 A1,2021.10.28 林佳文.基于深度学习的行 人重识别系统的 设计与实现. 《中国优秀博硕士学位 论文全文数 据库(硕士) 信息科技 辑》 .2022,第2022年卷(第 1期), Yang Li et al.Ef fective perso n re- identificati on by self-at tention model guided feature learn ing. 《Knowledge-Based Systems》 .2019,第187 卷 审查员 张玲 (54)发明名称 一种行人重识别的方法、 装置及计算机可读 存储介质 (57)摘要 本申请公开了一种行人重识别的方法、 装置 及计算机 可读存储介质， 涉及数字图像处理技术 领域。 通过先确定第一图像和第二图像各自的全 局特征信息、 局部特征信息和局部特征信息之间 的互注意力权重信息， 根据第一图像和第二图像 对应的全局特征信息和局部特征信息， 确定第一 图像和第二图像的特征信息， 并将第一图像的特 征信息和第二图像的特征信息进行拼接， 并对拼 接结果进行识别。 可见， 此方法， 通过全局特征信 息和局部特征信息相结合的方式， 在不同背景 时， 全局特征信息可以对行人所在的区域进行定 位， 进一步提取局部特征信息， 在背景相似时， 局 部信息可以根据局部信息之间的互注意力权重 信息对有遮挡的部位的特征进行获取， 使检测结果更加准确。 权利要求书3页 说明书11页 附图3页 CN 114332955 B 2022.06.10 CN 114332955 B 1.一种行 人重识别的方法， 其特 征在于， 包括： 确定第一图像的全局特征信 息、 局部特征信 息和所述局部特征信 息之间的互注意力 权 重信息， 并根据所述全局特 征信息和 局部特征信息确定所述第一图像的特 征信息； 确定第二图像的全局特征信 息、 局部特征信 息和所述第 二图像的局部特征信 息之间的 互注意力权重信息， 并根据所述第二图像的全局特征信息和局部特征信息确定所述第二图 像的特征信息； 对所述第一图像的特 征信息和所述第二图像的特 征信息进行拼接， 得到拼接结果； 对所述拼接结果进行识别， 得到识别结果； 确定所述第一图像的所述全局特 征信息包括： 根据卷积神经网络获取所述第 一图像的第 一全局特征信 息， 并获取所述第 一图像的第 一全局特 征注意力 信息； 获取所述第一图像和所述第二图像的差分数值； 根据所述差分数值确定自适应注意力机制的自适应参数； 所述自适应参数通过 得出， 其中， 为所述自适应参数， 为 所述第一图像和所述第二图像的差分数值； 根据所述自适应参数、 所述第 一全局特征信 息和所述第 一全局特征注意力信 息确定所 述第一图像的全局特 征信息； 确定所述第二图像的全局特 征信息包括： 根据卷积神经网络获取所述第 二图像的第 一全局特征信 息， 并获取所述第 二图像的第 一全局特 征注意力 信息； 根据所述自适应参数、 所述第 二图像的第 一全局特征信 息和所述第 二图像的第 一全局 特征注意力 信息确定所述第二图像的全局特 征信息； 确定所述第一图像的局部特 征信息包括： 获取所述第一图像的感兴趣区域， 其中所述感兴趣区域包括第一区域和第二区域； 所述第一区域包括头、 上身和下身三个区域， 所述第二区域包括四个四肢所在的四个 区域； 将所述第一区域中的三个所述区域和所述第二区域的四个所述区域分别输入到所述 卷积神经网络， 得到七个区域特 征信息； 确定所述第一区域和所述第二区域中各 所述区域的权 重信息； 根据所述第 一区域和所述第 二区域对应的区域对应的特征信 息、 所述第 一区域和所述 第二区域对应的区域的所述权重信息和所述自适应参数确定所述第一图像的局部特征信 息； 确定所述第二图像的局部特 征信息包括： 获取所述第 二图像的感兴趣区域， 其中所述第 二图像的感兴趣区域包括第 一区域和第 二区域； 所述第二图像的第一区域包括头、 上身和下身三个区域， 所述第二图像的第二区域包 括四个四肢所在的四个区域； 将所述第二图像的第一区域的三个所述区域和所述第二图像的第二区域的四个所述权　利　要　求　书 1/3 页 2 CN 114332955 B 2区域分别输入到所述卷积神经网络， 得到七个区域特 征信息； 确定所述第二图像的第一区域和第二区域中各 所述区域的权 重信息； 根据所述第 二图像的第 一区域和第 二区域对应的区域的特征信 息、 所述第 二图像的第 一区域和第二区域对应的区域的权重信息和所述自适应参数确定所述第二图像的局部特 征信息。 2.根据权利要求1所述的行人重识别的方法， 其特征在于， 在所述确定所述第 一区域和 所述第二区域中各 所述区域的权 重信息之后， 还 包括： 将所述第一图像和所述第二图像的各第一全局特征信息与各第一全局注意力权重信 息对齐； 将所述第一图像和所述第二图像的各局部特 征信息与对应的权 重信息对齐。 3.根据权利要求2所述的行人重识别的方法， 其特征在于， 确定所述第 一图像的特征信 息包括： 将所述第一图像的全局特征信 息与所述第一图像的局部特征信 息进行拼接， 得到所述 第一图像的特 征信息； 确定所述第二图像的特 征信息包括： 将所述第二图像的第 二全局特征信 息与所述第二图像的第 二局部特征信 息进行拼接， 得到所述第二图像的特 征信息。 4.根据权利要求1至3任意一项所述的行人重识别的方法， 其特征在于， 在所述对所述 第一图像的特 征信息和所述第二图像的特 征信息进行拼接， 得到拼接结果之后还 包括： 将所述拼接结果输出至全连接网络， 并进入所述对所述拼接结果进行识别， 得到识别 结果的步骤。 5.根据权利要求4所述的行人重识别的方法， 其特征在于， 所述对所述拼接结果进行识 别， 得到识别结果， 包括： 将所述拼接结果发送至Softmax层进行识别， 得到所述识别结果。 6.一种行 人重识别的装置， 其特 征在于， 包括： 第一确定模块， 用于确定第一图像的全局特征信息、 局部特征信息和所述局部特征信 息之间的互注意力权重信息并根据所述全局特征信息和局部特征信息确定所述第一图像 的特征信息； 第二确定模块， 用于确定第二图像的全局特征信息、 局部特征信息和所述第二图像的 局部特征信息之间的互注意力权重信息， 并根据所述第二图像的全局特征信息和局部特征 信息确定所述第二图像的特 征信息； 拼接模块， 用于对所述第一图像的特征信息和所述第二图像的特征信息进行拼接， 得 到拼接结果； 识别模块， 用于对所述 拼接结果进行识别， 得到识别结果； 确定所述第一图像的所述全局特 征信息包括： 根据卷积神经网络获取所述第 一图像的第 一全局特征信 息， 并获取所述第 一图像的第 一全局特 征注意力 信息； 获取所述第一图像和所述第二图像的差分数值； 根据所述差分数值确定自适应注意力机制的自适应参数；权　利　要　求　书 2/3 页 3 CN 114332955 B 3