(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 202210170514.6 (22)申请日 2022.02.24 (71)申请人 以萨技术股份有限公司 地址 266000 山东省青岛市黄岛区灵山 卫 街道办事处灵岩路7 7号 (72)发明人 苏照阳　李凡平　石柱国　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张萌 (51)Int.Cl. G06V 20/52(2022.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) (54)发明名称 基于局部特征的无监督行人重识别方法和 装置 (57)摘要 本发明提供了一种基于局部特征的无监督 行人重识别方法和装置， 涉及视频监控技术领 域， 包括： 将至少一张目标行人图像输入预训练 骨干网络， 对目标行人图像进行特征提取， 得到 目标行人图像对应的整体特征图； 按照预设比例 将整体特征图切割成预设数量的局部特征图， 并 将整体特征图和局部特征图分别转化为局部特 征向量和整体特征向量； 将局部特征向量和整体 特征向量分别在对应的特征向量空间中聚类， 输 出目标整体特征和目标局部特征； 将目标整体特 征和目标局部特征进行拼接， 并计算拼接后特征 的特征相似度； 根据特征相似度和相似度阈值的 比较结果， 对目标行人进行重识别， 以节省了繁 琐的样本标识操作的技术问题， 还能实现较为精 确的行人重识别效果。 权利要求书2页 说明书9页 附图2页 CN 114550091 A 2022.05.27 CN 114550091 A 1.一种基于局部特 征的无监 督行人重识别方法， 其特 征在于， 所述方法包括： 将至少一张目标行人图像输入预训练骨干网络， 对所述目标行人图像进行特征提取， 得到所述目标 行人图像对应的整体特 征图， 其中， 所述目标 行人图像为无 标签数据； 按照预设比例将所述整体特征图切割成预设数量的局部特征图， 并将所述整体特征图 和所述局部特 征图分别转 化为局部特 征向量和整体特 征向量； 将所述局部特征向量和所述整体特征向量分别在对应的特征向量空间中聚类， 输出目 标整体特 征和目标局部特 征； 将所述目标整体特征和所述目标局部特征进行拼接， 并计算拼接后特征的特征相似 度； 根据所述特 征相似度和相似度阈值的比较结果， 对所述目标 行人进行重识别。 2.根据权利要求1所述的方法， 其特征在于， 按照预设比例 将所述整体特征图切割成预 设数量的局部特征图， 并将所述整体特征图和所述局部特征图分别转化为局部特征向量和 整体特征向量的步骤， 包括： 根据目标识别精度和/或业 务需求确定预设比例； 按照所述预设比例将所述整体特征图均切割成局部特征图， 其中， 所述整体特征图对 应的局部特 征图的个数为预设数量， 每种所述预设比例对应一个预设数量； 根据所述预训练骨干网络的全局平均池化层分别将所述局部特征图和所述整体特征 图转化为局部特 征向量和整体特 征向量。 3.根据权利要求2所述的方法， 其特征在于， 按照所述预设比例将所述整体特征图均切 割成局部特 征图的步骤， 包括： 若预设数量为两个， 则以所述整体特征图的高度为基准， 将所述整体特征图等分切割 成顶部特 征图和底部特 征图； 若预设数量为五个， 则以所述整体特征图的高度为基准， 将所述整体特征图等分切割 成第一局部特 征图、 第二局部特 征图、 第三局部特 征图、 第四局部特 征图、 第五局部特 征图。 4.根据权利要求1所述的方法， 其特征在于， 将所述局部特征向量和所述整体特征向量 分别在对应的特 征向量空间中聚类， 输出目标整体特 征和目标局部特 征的步骤， 包括： 根据基于密度的聚类算法将每个所述局部特征向量在分别对应的第一特征向量空间 中进行聚类， 输出每 个所述局部特 征向量对应的目标局部特 征； 根据基于密度的聚类算法将所述整体特征向量在对应的第二特征向量空间中进行聚 类， 输出目标整体特 征。 5.根据权利要求1所述的方法， 其特征在于， 将所述目标整体特征和所述目标局部特征 进行拼接的步骤， 包括： 将所述目标整体特 征和所述目标局部特 征进行串联拼接 。 6.根据权利要求3所述的方法， 其特征在于， 计算拼接后特征的特征相似度的步骤， 包 括： 若所述整体特征图等分切割成顶部特征图和底部特征图， 则通过以下公式计算拼接后 特征的特征相似度： dt＝sim(ft,f′t) dup＝sim(fup,f′up)权　利　要　求　书 1/2 页 2 CN 114550091 A 2ddown＝sim(fdown,f′down) f＝{ft,fup,fdown} f'＝{ft',f′up,f′down} D(f,f')＝( α +β )dt+α dup+β ddown 其中， dt为整体特征相似度， dup为顶部特征相似度， ddown为底部特征相似度， sim表示余 弦相似度， D为 拼接后特 征的特征相似度， 表示顶部特 征相似度权 重， 表示 底部特征相似度权 重。 7.根据权利要求1所述的方法， 其特征在于， 将至少一张目标行人图像输入预训练骨干 网络的步骤之前， 所述方法还 包括： 对所述骨干网络进行 预先训练； 将每张第一行人图像对应的局部特征向量和整体特征向量分别在对应的特征向量空 间中计算 非参数分类损失， 并更新所述骨干网络的网络参数和存储单元中局部特征向量和 整体特征向量， 直至全部的所述第一行 人图像均被遍历。 8.一种基于局部特 征的无监 督行人重识别装置， 其特 征在于， 所述装置包括： 特征提取模块， 将至少一张目标行人图像输入预训练骨干网络， 对所述目标行人图像 进行特征提取， 得到所述目标行人图像对应的整体特征图， 其中， 所述目标行人图像为无标 签数据； 切割转化模块， 按照预设比例将所述整体特征图切割成预设数量的局部特征图， 并将 所述整体特 征图和所述局部特 征图分别转 化为局部特 征向量和整体特 征向量； 聚类模块， 将所述局部特征向量和所述整体特征向量分别在对应的特征向量空间中聚 类， 输出目标整体特 征和目标局部特 征； 拼接模块， 将所述目标整体特征和所述目标局部特征进行拼接， 并计算拼接后特征的 特征相似度； 重识别模块， 根据所述特征相似度和相似度阈值的比较结果， 对所述目标行人进行重 识别。 9.一种电子设备， 其特征在于， 包括存储器、 处理器及存储在所述存储器上并且能够在 所述处理器上运行的程序， 所述处理器执行所述程序时实现如权利要求 1至7中任一项所述 的方法。 10.一种计算机可读存储介质， 其特征在于， 所述可读存储介质中存储有计算机程序， 所述计算机程序被执 行时实现权利要求1 ‑7中任意一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114550091 A 3