一种用于跨境行人重识别的行人检测模型及其应用方法技术

本发明专利技术提供一种用于跨境行人重识别的行人检测模型及其应用方法，该行人检测模型主要由结构重参化卷积模块、结构重参化聚合卷积模块、多尺度表征模块以及上下文细节模块组成，其中结构重参化卷积模块在训练阶段和推理阶段有不同的网络结构，以达到在训练阶段可学习丰富的特征信息且在推理阶段可节省内存消耗以实现快速推理的效果；结构重参化聚合卷积模块是用于确保特征的复用以增强相邻层特征之间在不同通道的信息流动；多尺度表征模块作为编码器，上下文细节模块采用两个分支在不同方向上计算图像梯度，获得边缘并增强组件的纹理，使得该行人检测模型准确检测行人目标，且该行人检测模型可在跨境行人重识别场景下使用。用。用。

【技术实现步骤摘要】
一种用于跨境行人重识别的行人检测模型及其应用方法


[0001]本申请涉及行人重识别领域，特别是涉及一种用于跨境行人重识别的行人检测模型及其应用方法。

技术介绍

[0002]跨镜追踪(Person Re
‑
Identification，简称ReID)技术是现在计算机视觉研究的热门方向，主要解决跨摄像头跨场景下行人的识别与检索。相较于传统的视频监控，ReID有一定的优势但是也存在一定技术挑战；ReID在实际应用场景下的数据非常复杂，由于不同摄像设备之间的差异，同时行人兼具刚性和柔性的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，所以对跨镜追踪(ReID)算法的要求也更高，实际应用中常常出现由于无正面照、服装更换、遮挡、图像分辨率低、光线差异以及室内室外场景变化而无法识别同一个行人的情况，这些都是行人重识别的干扰因素，这些干扰因素不仅影响模型识别准确度，也在极大程度上影响了模型的识别效率。
[0003]虽然诸多研究人员已经在行人重识别领域下取得一定的进展，但是依旧难以很好地满足实际应用需求，行人ReID作为一个实例级识别问题，在实际设计和使用中仍面临许多问题，主要体现在以下几个方面：
[0004]1.为了在复杂环境中获取很好的行人识别结果，需要在模型中密集连接线性增加通道数，而这样设计的大数量的通道数导致了较重的内存访问成本，使得模型的运算成本大且效率低下；
[0005]2.目前的模型在光照不佳(如暗光照射)的条件下的行人检测精度不高，然而实际的行人重识别场景下经常会出现环境光照条件差的情况，导致目前的行人重识别模型在此类场景环境下检测结果难以满足实际需求。

技术实现思路

[0006]本申请实施例提供了一种用于跨境行人重识别的行人检测模型及其应用方法，通过优化行人检测模型的架构内容使得该跨境行人重识别方法可在复杂环境下准确地检测到行人目标，进而提高整体跨境行人重识别的效率和质量。
[0007]第一方面，本申请实施例提供了一种用于跨境行人重识别的行人检测模型的构建方法，包括以下步骤：获取标记有行人目标框的图像集作为训练样本；将训练样本输入到行人检测模型中进行训练直到满足训练条件，所述行人检测模型包括第一采样分支、第二采样分支以及三个检测网络组成，其中所述第一采样分支内包括交替出现的训练结构重参化卷积模块和多尺度表征模块和空间金字塔池化层组成，最后一个多尺度表征模块的输出输入到空间金字塔池化层中得到第一采样分支的第一采样特征；所述第二分支包括依次连接的卷积层、上采样层、第一结构重参化聚合卷积模块、特征堆叠层、第二结构重参化聚合卷积模块、上下文细节处理模块、第二特征堆叠层以及第三结构重参化聚合卷积模块，第一采样特征输入到第二分支的卷积层且经过卷积层处理的特征输入到第二特征堆叠层中进行
特征堆叠，第一分支中位于中间位置的多尺度表征模块的输出特征输入到第一特征堆叠层中进行特征堆叠；三个检测网络分别为同第一采样分支的空间金字塔池化层连接的第一检测网络，同第一结构重参化聚合卷积模块连接的第二检测网络，以及同第三结构重参化聚合卷积模块连接的第三检测网络，其中每一检测网络包括依次连接的上下文细节处理模块以及检测头部。
[0008]第二方面，本申请实施例提供了一种用于跨境行人重识别的行人检测模型，由用于跨境行人重识别的行人检测模型的构建方法构建得到。
[0009]第三方面，一种用于跨境行人重识别的行人检测模型的应用方法，包括以下步骤：获取来自于不同监控设备的包括视频图像的视频流，将视频图像输入到行人检测模型中检测得到行人目标检测结果；将同一监控设备的多张视频图像的行人目标检测结果输入到目标跟踪器中得到每个行人的跟踪ID和运动轨迹；将不同监控设备的行人目标检测结果输入到目标重识别模块中判断是否为同一行人；汇总同一行人在不同监控设备的运动轨迹。
[0010]第四方面，本申请实施例提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行用于跨境行人重识别的行人检测模型的构建方法。
[0011]本专利技术的主要贡献和创新点如下：
[0012]本申请实施例提供的行人检测模型中的上下文细节处理模块捕获场景中的全局信息，这对于在低光弱光环境下的增强低级的目标检测视觉任务是有益的，有利于更好地检测到行人目标；多尺度表征模块使其作为跨阶段连接，并保留来自前面层的信息，最后将所有分割连接在一起，并应用1*1卷积来在所有分割之间进行交互，每个分割都编码不同尺度的特征，当网络加深时，这个1*1卷积也用于调整通道数；结构重参化聚合卷积模块被重复堆叠，以确保特征的复用，并增强相邻层特征之间不同通道之间的信息流动，也就是说本方案的行人检测模型可提高行人检测的准确度。本申请实施例提供的行人检测模型可用于跨境行人重识别场景的应用。
[0013]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0014]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0015]图1是根据本申请实施例的行人检测模型的整体框架示意图；
[0016]图2是根据本申请一种实施例的训练结构重参化卷积模块的示意图；
[0017]图3是根据本申请一种实施例的推理结构重参化卷积模块的示意图；
[0018]图4是根据本申请一种实施例的多尺度表征模块的示意图；
[0019]图5是根据本申请一种实施例的结构重参化聚合卷积模块的示意图；
[0020]图6是根据本申请一种实施例的上下文细节处理模块的示意图；
[0021]图7是根据本申请一种实施例的目标重识别模型的示意图；
[0022]图8是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
[0023]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
[0024]需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
[0025]实施例一
[0026]本方案提供了一种用于跨境行人重识别的行人检测模型及其应用方法，该方案优化设计了行人检测模型并将其用于跨境行人重识别场景，利用该跨境行人重识别方法实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于跨境行人重识别的行人检测模型的构建方法，其特征在于，包括以下步骤：获取标记有行人目标框的图像集作为训练样本；将训练样本输入到行人检测模型中进行训练直到满足训练条件，所述行人检测模型包括第一采样分支、第二采样分支以及三个检测网络组成，其中所述第一采样分支内包括交替出现的训练结构重参化卷积模块和多尺度表征模块和空间金字塔池化层组成，最后一个多尺度表征模块的输出输入到空间金字塔池化层中得到第一采样分支的第一采样特征；所述第二分支包括依次连接的卷积层、上采样层、第一结构重参化聚合卷积模块、特征堆叠层、第二结构重参化聚合卷积模块、上下文细节处理模块、第二特征堆叠层以及第三结构重参化聚合卷积模块，第一采样特征输入到第二分支的卷积层且经过卷积层处理的特征输入到第二特征堆叠层中进行特征堆叠，第一分支中位于中间位置的多尺度表征模块的输出特征输入到第一特征堆叠层中进行特征堆叠；三个检测网络分别为同第一采样分支的空间金字塔池化层连接的第一检测网络，同第一结构重参化聚合卷积模块连接的第二检测网络，以及同第三结构重参化聚合卷积模块连接的第三检测网络，其中每一检测网络包括依次连接的上下文细节处理模块以及检测头部。2.根据权利要求1所述的用于跨境行人重识别的行人检测模型的构建方法，其特征在于，标记有行人目标框的图像输入到第一采样分支中输出第一采样特征，第一采样特征输入到第一个检测网络中输出第一检测结果，同时第一采样特征输入到第二采样分支中进行采样处理；第一采样特征经过卷积层、上采样层以及第一结构重参化聚合卷积模块后得到得到第一聚合特征，第一聚合特征输入到第二检测网络中输出第二检测结果，且第一聚合特征和第一采样分支中的第二多尺度表征模块的输出特征在第一特征堆叠层中进行特征堆叠得到第一堆叠特征，第一堆叠特征继续进入第二结构重参化聚合卷积模块和上下文细节处理模块后输入第二特征堆叠层，且第一采样特征经过卷积层处理后的特征也一并输入到第二特征堆叠层中，第二特征堆叠层输出第二堆叠特征，第二堆叠特征经过第三结构重参化聚合卷积模块后输入到第三检测网络中得到第三检测结果。3.根据权利要求1所述的用于跨境行人重识别的行人检测模型的构建方法，其特征在于，每一训练结构重参化卷积模块包括两个特征分离通道，其中第一特征分离通道为恒等映射分支，第二特征分离通道包括并行的恒等映射分支、3*3卷积分支以及1*1卷积分支以及连接三个分支的SILU层，两个特征分离通道的输出特征经过特征堆叠后进行特征通道混洗输出当前训练结构重参化卷积模块的输出特征。4.根据权利要求3所述的用于跨境行人重识别的行人检测模型的构建方法，其特征在于，当行人检测模块完成训练后投入推理使用时，行人检测模块中的训练结构重参化卷积模块转换为推理结构重参化卷积模块，推理结构重参化卷积模块在训练结构重参化卷积模块上使用结构重参化，将训练结构重参化卷积模块的第二特征分离通道中并行的恒等映射分支、3*3卷积分支以及1*1卷积分支转换为唯一的3*3卷积分支。5.根据权利要求1所述的用于跨境行人重识别的行人检测模型的构建方法，其特征在于，多尺度表征模块包括1*1逐点卷积、同1*1逐点卷积连接的多层提取层、同多层提取层连接的特征堆叠层以及同特征堆叠层连接的特征混洗层，除了第一层的提取层外的提取层均包括依次连接的1*1卷积、k*k卷积和1*1卷积，其中输入多尺度表征模块内的特征经过1*1逐点卷积后输出不同通道数量的通道特征，不同通道特征分别输入到对应的提取层中，且
上一层提取层的输出特征同对应当前提取层的通道特征拼接后输入到当前提取层中进行提取，不同提取层的输出特征进入特征堆叠层中进行特征堆叠，特征堆叠...

【专利技术属性】
技术研发人员：张香伟，夏如意，毛云青，王德平，
申请(专利权)人：城云科技中国有限公司，
类型：发明
国别省市：