(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 202210204501.6 (22)申请日 2022.03.02 (71)申请人 特斯联科技 集团有限公司 地址 101100 北京市通州区滨惠北一 街3号 院1号楼1- 6室 (72)发明人 张睿　 (74)专利代理 机构 北京辰权知识产权代理有限 公司 11619 专利代理师 刘广达 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种行人重识别模型的训练方法、 装置、 存 储介质及终端 (57)摘要 本申请涉及一种行人重识别模型的训练方 法、 装置、 存储介质及终端。 方法包括： 采集人体 数据样本集； 将人体数据样本集输入 行人重识别 模型中的层次化自注意力网络模 型， 输出行人重 识别模型的人体全局特征； 根据人体全局特征， 获取行人重识别模型的人体局部特征； 根据人体 全局特征、 人体局部特征和行人重识别模型中的 分类器、 三元组损失函数、 类中心损失函数、 批次 归一化算法和基于角度间隔的损失函数， 获取行 人重识别模 型的局部损失函数和全局损失函数； 采用反向传播的方式， 根据局部损失函数和全局 损失函数对 行人重识别模型进行迭代训练。 本申 请的行人重识别模型包括层次化自注意力网络 模型， 能够识别出人体全局特征和人体局部特 征， 进而识别出 人。 权利要求书2页 说明书17页 附图5页 CN 114782979 A 2022.07.22 CN 114782979 A 1.一种行 人重识别模型的训练方法， 其特 征在于， 包括以下步骤： 采集行人重识别模型的人体数据样本集； 将所述人体数据样本集输入所述行人重识别模型中的层次化自注意力网络模型， 输出 所述行人重识别模型的人体全局特 征； 根据所述人体全局特 征， 获取所述行人重识别模型的人体局部特 征； 根据所述人体全局特征、 所述人体局部特征， 以及所述行人重识别 模型中的分类器、 三 元组损失函数、 类中心损失函数、 批次归一化算法和基于角度间隔的损失函数， 获取所述行 人重识别模型的局部损失函数和全局损失函数； 采用反向传播的方式， 根据 所述局部损失函数和所述全局损失函数对所述行人重识别 模型进行迭代训练， 获取训练之后的所述行 人重识别模型。 2.根据权利要求1所述的训练方法， 其特征在于， 所述采集行人重识别模型的人体数据 样本集， 包括： 获取包含人体尺度及宽高比特 征的RGB图像； 将所述RGB图像进行图像增强操作， 获取 所述行人重识别模型的人体数据样本集。 3.根据权利要求1所述的训练方法， 其特征在于， 所述根据所述人体全局特征， 获取所 述行人重识别模型的人体局部特 征， 包括： 将所述人体全局特 征输入所述行 人重识别模型的自适应全局平均池化层； 将所述自适应全局平均池化层输出的所述人体全局特征沿深度方向切割成所述人体 局部特征。 4.根据权利要求1所述的训练方法， 其特征在于， 所述分类器包括局部分类器和角度分 类器； 所述根据所述人体全局特征、 所述人体局部特征， 以及所述行人重识别模型中的分类 器、 三元组损失函数、 类中心损失函数、 批次归一化算法和 基于角度间隔的损失函数， 获取 所述行人重识别模型的局部损失函数和全局损失函数， 包括： 将所述人体局部特征输入所述人体局部特征对应的所述局部分类器， 输出所述行人重 识别模型的局部特 征类别概 率； 根据所述局部特征类别概率与所述局部特征类别概率对应的真实标签， 计算所述行人 重识别模型的所述局部损失函数。 5.根据权利要求4所述的训练方法， 其特征在于， 所述根据所述人体全局特征、 所述人 体局部特征， 以及所述行人重识别模型中的分类器、 三元组损失函数、 类中心损失函数、 批 次归一化算法和基于角度间隔的损失函数， 获取所述行人重识别模型的局部损失函数和全 局损失函数， 包括： 根据所述人体全局特征、 所述三元组损 失函数和所述类中心损 失函数， 获取所述行人 重识别模型的自由欧式空间表征损失函数； 根据所述人体全局特征、 所述批次归一化算法、 所述角度分类器和所述基于角度间隔 的损失函数， 获取 所述行人重识别模型的超球面表征损失函数； 根据所述局部损失函数、 所述自由欧式空间表征损失函数、 所述超球面表征损失函数， 获取所述行人重识别模型的所述全局损失函数。 6.根据权利要求5所述的训练方法， 其特征在于， 所述根据所述人体全局特征、 所述三权　利　要　求　书 1/2 页 2 CN 114782979 A 2元组损失函数和所述类中心损失函数， 获取所述行人重识别模型的自由欧式空间表征损失 函数， 包括： 根据所述人体全局特 征， 提取所述行人重识别模型的锚样本； 根据所述锚样本、 所述锚样本的同类样本、 所述锚样本的异类样本和所述三元组损 失 函数， 获取 所述行人重识别模型的类别损失函数； 根据所述锚样本、 所述锚样本所属类别的类中心和所述类中心损 失函数， 获取所述行 人重识别模型的距离损失函数； 根据所述类别损失函数和所述距离损失函数， 获取所述行人重识别模型的自由欧式空 间表征损失函数。 7.根据权利要求5所述的训练方法， 其特征在于， 所述根据所述人体全局特征、 所述批 次归一化算法、 所述角度分类器和所述基于角度间隔的损失函数， 获取所述行人重识别模 型的超球面表征损失函数， 包括： 通过所述批次归一 化算法将所述人体全局特 征的各特征通道维度分布进行归一 化； 将归一化之后的所述人体全局特征输入所述角度分类器， 获取所述行人重识别模型的 最终样本表征； 根据所述最终样本表征和所述基于角度间隔的损失函数， 计算所述行人重识别模型的 超球面表征损失函数。 8.一种行 人重识别模型的训练装置， 其特 征在于， 包括： 数据样本采集模块， 用于采集行 人重识别模型的人体数据样本集； 全局特征获取模块， 用于将所述人体数据样本集输入所述行人重识别模型中的层次化 自注意力网络模型， 输出 所述行人重识别模型的人体全局特 征； 局部特征获取模块， 用于根据所述人体全局特征， 获取所述行人重识别模型的人体局 部特征； 损失函数获取模块， 用于根据 所述人体全局特征、 所述人体局部特征， 以及所述行人重 识别模型中的分类器、 三元组损失函数、 类中心损失函数、 批次归一化算法和基于角度间隔 的损失函数， 获取 所述行人重识别模型的局部损失函数和全局损失函数； 模型训练模块， 用于采用反向传播的方式， 根据所述局部损 失函数和所述全局损 失函 数对所述行 人重识别模型进行迭代训练， 获取训练之后的所述行 人重识别模型。 9.一种计算机存储介质， 其特征在于， 所述计算机存储介质存储有多条指令， 所述指令 适于由处 理器加载并执 行如权利要求1 ‑7任意一项的方法步骤。 10.一种终端， 其特征在于， 包括： 处理器和存储器； 其中， 所述存储器存储有计算机程 序， 所述计算机程序适于由所述处 理器加载并执 行如权利要求1 ‑7任意一项的方法步骤。权　利　要　求　书 2/2 页 3 CN 114782979 A 3