(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 202210512112.X (22)申请日 2022.05.12 (65)同一申请的已公布的文献号 申请公布号 CN 114663839 A (43)申请公布日 2022.06.24 (73)专利权人 中科智为科技 （天津） 有限公司 地址 300450 天津市滨 海新区天津经济技 术开发区滨海-中关村科技园泉州道3 号北塘建 设发展大厦B座215室 (72)发明人 李星光　张德馨　 (74)专利代理 机构 西安迪业欣知识产权代理事 务所(普通 合伙) 61278 专利代理师 校丽丽 (51)Int.Cl. G06V 20/52(2022.01)G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) (56)对比文件 CN 112200111 A,2021.01.08 CN 110929578 A,2020.0 3.27 CN 113743544 A,2021.12.0 3 CN 10910186 5 A,2018.12.28 Weiqiang Ji n et.al.Cv T-ASSD: Convolutional visi on-Transformer Based Attentive Si ngle Shot MultiBox Detector. 《arXiv:21 10.12364v1》 .2021,第1-2页. 审查员 洪汇隆 (54)发明名称 一种遮挡行 人重识别方法及系统 (57)摘要 本发明公开了一种遮挡行人重识别方法及 系统， 其中方法包括获取训练集中行人图像的遮 挡率， 根据遮挡率将行人图像分块， 得到每幅行 人图像对应的多个序列块； 将每幅行人图像对应 的多个序列块输入至识别模型中， 训练识别模 型， 得到每幅行人图像的识别信息； 将待识别图 像和注册 图像分块并分别输入至训练好的识别 模型中， 得到待识别图像的识别信息和注册图像 的识别信息； 确定待识别图像的识别信息和注册 图像的识别信息之间的相似度， 根据相似度确定 识别结果。 本发明能够同时提取出全局特征、 局 部特征以及局部特征的遮挡概率描述， 从而提高 遮挡行人重识别精度。 本发明还 可以将手工标记 关联到分块策略上， 提升 检索识别的灵活性。 权利要求书4页 说明书11页 附图2页 CN 114663839 B 2022.11.04 CN 114663839 B 1.一种遮挡行 人重识别方法， 其特 征在于， 包括： 获取训练集中行人图像的遮挡率， 根据所述遮挡率将所述行人图像分块， 得到每幅行 人图像对应的多个序列块； 将每幅行人图像对应的多个序列块输入至识别模型中， 训练所述识别模型， 得到每幅 行人图像的识别信息， 所述识别信息包括全局特征以及每个序列块对应的局部特征和遮挡 概率； 所述识别模型 的损失函数包括全局特征 的损失函数、 局部特征 的损失函数和遮挡概 率的损失函数； 将待识别图像和注册图像分块并分别输入至训练好的识别模型中， 得到待识别图像的 识别信息和注 册图像的识别 信息； 确定所述待识别图像的识别信 息和所述注册图像的识别信 息之间的相似度， 根据 所述 相似度确定识别结果； 所述遮挡概 率的损失函数如第三公式， 所述第三公式为： 式中， 为第 幅行人图像的第 个序列块的遮挡标签且 ， 为第 幅行人图像的第 个序列块的遮挡预测分类概率， 为训练集 中行人图 像的总数量。 2.根据权利要求1所述的遮挡行人重识别方法， 其特征在于， 获取训练集中行人图像的 遮挡率， 根据所述遮挡率将所述行人图像 分块， 得到每幅行人图像对应的多个序列块， 具体 包括： 获取训练集中行 人图像的遮挡比例， 得到遮挡比例热图； 对所述遮挡比例热图进行 预分块； 获取每个所述预分块的遮挡率， 根据所述遮挡率确定每 个所述预分块的分块粒度； 根据所述分块粒度， 将所述行 人图像分块， 得到每幅行 人图像对应的多个序列块。 3.根据权利要求2所述的遮挡行人重识别方法， 其特征在于， 获取训练集中行人图像的 遮挡比例， 具体包括： 根据第一公式确定训练集中行 人图像的遮挡比例， 所述第一公式为： 式中， 为所述遮挡比例热图中第 个像素点的遮挡比例， 为第 幅行人图像第 个 像素点的遮挡值， 且 ， 和 分别为所述行人图像的长和宽， 为训练集中 行人图像的总数量。 4.根据权利要求1所述的遮挡行人重识别方法， 其特征在于， 将每幅行人图像对应的多 个序列块输入至识别模型中， 训练所述识别模型， 得到每幅行人图像的识别信息， 具体包 括：权　利　要　求　书 1/4 页 2 CN 114663839 B 2将每幅行 人图像对应的多个序列块输入至识别模型的线性投射模块， 得到线性向量； 在所述线性向量中添加每 个所述序列块的位置信息， 得到 输入向量； 将所述输入向量输入至所述识别模型的自注意力学习模块中， 得到每幅行人图像的识 别信息； 根据所述识别信息和所述识别信息对应的损 失函数， 优化所述识别模型的参数， 得到 训练好的识别模型。 5.根据权利要求4所述的遮挡行人重识别方法， 其特征在于， 所述损失函数根据第 二公 式确定， 所述第二公式为： 式中 为所述识别模型的损失函数， 为所述全局特征的损失函数， 为第 个序 列块对应的局部特 征的损失函数， 为第 个序列块对应的遮挡概 率的损失函数。 6.根据权利要求5所述的遮挡行人重识别方法， 其特征在于， 所述全局特征的损失函数 和所述局部特 征的损失函数为交叉熵损失函数或者局部三元组损失函数。 7.根据权利要求1 ‑6任一项所述的遮挡行人重识别方法， 其特征在于， 确定所述待识别 图像的识别 信息和所述注 册图像的识别 信息之间的相似度， 具体包括： 确定所述待识别图像的识别信息和所述注册图像的识别信息中的全局特征之间的第 一相似度； 确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第 二相似度； 利用第四公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相 似度， 所述第四公式为： 式中， 为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度， 为所述第一相似度， 为第 个序列块的第二相似度， 和 分别为所述第一相似度和所 述第二相似度的权 重， 根据第五 公式确定， 所述第五 公式为： 式中， 为所述待识别图像的第 个序列块的遮挡概率， 为所述注册图像的第 个 序列块的遮挡概 率， 为预先设定的遮挡阈值。 8.根据权利要求1 ‑6任一项所述的遮挡行人重识别方法， 其特征在于， 在确定所述待识 别图像的识别 信息和所述注 册图像的识别 信息之间的相似度之前， 还 包括：权　利　要　求　书 2/4 页 3 CN 114663839 B 3