本公開(kāi)涉及計(jì)算機(jī)視覺(jué)，具體而言，涉及一種行人重識(shí)別方法、計(jì)算機(jī)設(shè)備和程序產(chǎn)品。

背景技術(shù)：

1、行人重識(shí)別(person?re-identification，簡(jiǎn)稱(chēng)re-id)也稱(chēng)行人再識(shí)別，是利用計(jì)算機(jī)視覺(jué)技術(shù)判斷異構(gòu)相機(jī)分別采集的圖像是否存在相同行人的技術(shù)。由于異構(gòu)相機(jī)中不同攝像設(shè)備之間的參數(shù)差異，同時(shí)行人外觀易受穿著、尺度、遮擋、姿態(tài)和視角等影響，使得行人重識(shí)別成為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn)。

2、針對(duì)車(chē)載異構(gòu)相機(jī)拍攝的圖像進(jìn)行行人重識(shí)別，作為自動(dòng)駕駛?cè)蝿?wù)中一個(gè)重要問(wèn)題，識(shí)別的精度將影響著自動(dòng)駕駛的決策和安全性。但是一些常見(jiàn)的行人重識(shí)別方式，在車(chē)載異構(gòu)相機(jī)下的重識(shí)別的精度較低，效果較差，影響了自動(dòng)駕駛的安全性。

技術(shù)實(shí)現(xiàn)思路

1、本公開(kāi)實(shí)施例至少提供一種行人重識(shí)別方法、計(jì)算機(jī)設(shè)備和程序產(chǎn)品。

2、第一方面，本公開(kāi)實(shí)施例提供了一種行人重識(shí)別方法，包括：

3、獲取車(chē)載異構(gòu)相機(jī)分別采集的包括行人的圖像，并對(duì)所述圖像進(jìn)行行人檢測(cè)，根據(jù)行人檢測(cè)框?qū)λ鰣D像裁剪得到多個(gè)行人檢測(cè)框圖；

4、利用預(yù)先訓(xùn)練好的第一模型，確定每個(gè)所述行人檢測(cè)框圖對(duì)應(yīng)的圖像特征，并將所述圖像特征輸入預(yù)先訓(xùn)練好的第二模型進(jìn)行人體關(guān)鍵點(diǎn)提取，確定每個(gè)所述行人檢測(cè)框圖中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的關(guān)鍵點(diǎn)特征以及所述關(guān)鍵點(diǎn)特征對(duì)應(yīng)的置信度；

5、對(duì)所述關(guān)鍵點(diǎn)特征、所述置信度和所述圖像特征進(jìn)行特征融合，得到每個(gè)所述行人檢測(cè)框圖中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域分別對(duì)應(yīng)的融合特征；

6、根據(jù)所述異構(gòu)相機(jī)分別對(duì)應(yīng)的所述行人檢測(cè)框圖中各個(gè)所述人體關(guān)鍵點(diǎn)區(qū)域的所述融合特征，確定每個(gè)所述行人檢測(cè)框圖對(duì)應(yīng)的行人識(shí)別結(jié)果。

7、該實(shí)施方式，由于異構(gòu)相機(jī)的內(nèi)參、聚焦、視角均不同，所以異構(gòu)相機(jī)拍攝的圖像屬于不同風(fēng)格的圖像，而通過(guò)從行人檢測(cè)框圖中提取圖像特征，可以實(shí)現(xiàn)對(duì)第一模型在不同圖像風(fēng)格下的圖像的特征提取能力的充分利用，從行人檢測(cè)框圖中提取到更加豐富的圖像細(xì)節(jié)和特征。然后，通過(guò)圖像特征進(jìn)行關(guān)鍵點(diǎn)提取，可以提取出粒度更精細(xì)的關(guān)鍵點(diǎn)特征，并減少異構(gòu)相機(jī)的內(nèi)外參不同導(dǎo)致的局部特征被遮擋、以及異構(gòu)相機(jī)的鏡頭畸變導(dǎo)致同一行人的紋理細(xì)節(jié)變化等問(wèn)題，給行人重識(shí)別帶來(lái)的影響。再通過(guò)將關(guān)鍵點(diǎn)特征和圖像特征的融合，可以實(shí)現(xiàn)對(duì)行人檢測(cè)框圖的全局特征和局部特征(即局部的關(guān)鍵點(diǎn)特征)的兼顧，避免錯(cuò)誤的局部信息以及異構(gòu)相機(jī)拍攝的圖像的分辨率不同對(duì)行人重識(shí)別的干擾，從而得到能夠準(zhǔn)確表征行人的每個(gè)關(guān)鍵點(diǎn)區(qū)域的融合特征。進(jìn)而，利用異構(gòu)相機(jī)拍攝的不同圖像對(duì)應(yīng)的關(guān)鍵點(diǎn)區(qū)域的融合特征進(jìn)行行人重識(shí)別，可以提高在異構(gòu)相機(jī)下的行人重識(shí)別精度，進(jìn)而增加自動(dòng)駕駛的安全性。

8、在一種可能的實(shí)施方式中，所述圖像特征包括所述行人檢測(cè)框圖對(duì)應(yīng)的多個(gè)區(qū)域圖像各自的區(qū)域特征；

9、所述利用預(yù)先訓(xùn)練好的第一模型，確定每個(gè)所述行人檢測(cè)框圖對(duì)應(yīng)的圖像特征，并將所述圖像特征輸入預(yù)先訓(xùn)練好的第二模型進(jìn)行人體關(guān)鍵點(diǎn)提取，確定每個(gè)所述行人檢測(cè)框圖中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的關(guān)鍵點(diǎn)特征以及所述關(guān)鍵點(diǎn)特征對(duì)應(yīng)的置信度，包括：

10、利用所述第一模型，確定每個(gè)所述行人檢測(cè)框圖對(duì)應(yīng)的多個(gè)區(qū)域圖像各自的區(qū)域特征；

11、將每個(gè)所述行人檢測(cè)框圖的多個(gè)區(qū)域圖像的區(qū)域特征輸入所述第二模型進(jìn)行人體關(guān)鍵點(diǎn)提取，確定每個(gè)所述行人檢測(cè)框圖的多個(gè)區(qū)域圖像中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的關(guān)鍵點(diǎn)特征以及所述關(guān)鍵點(diǎn)特征對(duì)應(yīng)的置信度；

12、所述對(duì)所述關(guān)鍵點(diǎn)特征、所述置信度和所述圖像特征進(jìn)行特征融合，得到每個(gè)所述行人檢測(cè)框圖中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域分別對(duì)應(yīng)的融合特征，包括：

13、對(duì)所述關(guān)鍵點(diǎn)特征、所述置信度和所述區(qū)域特征進(jìn)行特征融合，得到每個(gè)所述行人檢測(cè)框圖的多個(gè)所述區(qū)域圖像中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域分別對(duì)應(yīng)的融合特征。

14、該實(shí)施方式，通過(guò)從行人檢測(cè)框圖中提取不同區(qū)域圖像的區(qū)域特征，可以實(shí)現(xiàn)對(duì)第一模型在不同圖像風(fēng)格下的圖像的特征提取能力的充分利用，在小范圍的圖像區(qū)域中提取到更加豐富的圖像細(xì)節(jié)和特征。然后，通過(guò)利用區(qū)域圖像的區(qū)域特征進(jìn)行關(guān)鍵點(diǎn)提取，可以實(shí)現(xiàn)在小范圍圖像中提取出粒度更精細(xì)的關(guān)鍵點(diǎn)特征。再通過(guò)將關(guān)鍵點(diǎn)特征和區(qū)域特征的融合，可以實(shí)現(xiàn)對(duì)區(qū)域圖像的全局特征和局部特征(即局部的關(guān)鍵點(diǎn)特征)的兼顧，避免錯(cuò)誤的局部信息以及異構(gòu)相機(jī)拍攝的圖像的分辨率不同對(duì)行人重識(shí)別的干擾，從而得到能夠準(zhǔn)確表征行人的每個(gè)關(guān)鍵點(diǎn)區(qū)域的融合特征。

15、在一種可能的實(shí)施方式中，所述利用所述第一模型，確定每個(gè)所述行人檢測(cè)框圖對(duì)應(yīng)的多個(gè)區(qū)域圖像各自的區(qū)域特征，包括：

16、利用所述第一模型，將所述行人檢測(cè)框圖劃分為多個(gè)區(qū)域圖像，并從每個(gè)所述區(qū)域圖像中截取目標(biāo)子區(qū)域圖像；

17、對(duì)多個(gè)所述目標(biāo)子區(qū)域圖像進(jìn)行特征提取，得到所述多個(gè)區(qū)域圖像對(duì)應(yīng)的區(qū)域特征。

18、該實(shí)施方式，通過(guò)對(duì)行人檢測(cè)框圖進(jìn)行區(qū)域劃分，可以實(shí)現(xiàn)對(duì)劃分出的各個(gè)區(qū)域圖像的針對(duì)性識(shí)別處理，從而避免從不同區(qū)域圖像中提取的特征之間的相互影響。通過(guò)對(duì)區(qū)域圖像進(jìn)行進(jìn)一步的截取，可以有效消除區(qū)域圖像中的冗余信息對(duì)行人重識(shí)別的影響，使得特征提取過(guò)程更專(zhuān)注于行人自身的特征，從而提高提取出的區(qū)域特征的準(zhǔn)確性。

19、在一種可能的實(shí)施方式中，所述將每個(gè)所述行人檢測(cè)框圖的多個(gè)區(qū)域圖像的區(qū)域特征輸入所述第二模型進(jìn)行人體關(guān)鍵點(diǎn)提取，確定每個(gè)所述行人檢測(cè)框圖的多個(gè)區(qū)域圖像中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的關(guān)鍵點(diǎn)特征以及所述關(guān)鍵點(diǎn)特征對(duì)應(yīng)的置信度，包括：

20、將每個(gè)所述行人檢測(cè)框圖的多個(gè)區(qū)域圖像的區(qū)域特征所述第二模型，對(duì)每個(gè)所述區(qū)域特征進(jìn)行至少一次卷積處理，得到卷積特征，并利用所述卷積特征進(jìn)行人體關(guān)鍵點(diǎn)提取，得到每個(gè)所述區(qū)域圖像對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的關(guān)鍵點(diǎn)特征；

21、對(duì)每個(gè)所述關(guān)鍵點(diǎn)特征進(jìn)行至少一次卷積處理，并對(duì)處理后特征進(jìn)行歸一化處理，得到每個(gè)所述關(guān)鍵點(diǎn)特征對(duì)應(yīng)的置信度。

22、該實(shí)施方式，訓(xùn)練好的第二模型具有可靠的識(shí)別精度，所以利用訓(xùn)練好的第二模型，基于區(qū)域特征進(jìn)行關(guān)鍵點(diǎn)提取和置信度確定，可以得到區(qū)域圖像中準(zhǔn)確的關(guān)鍵點(diǎn)特征以及關(guān)鍵點(diǎn)特征對(duì)應(yīng)的準(zhǔn)確的置信度。

23、在一種可能的實(shí)施方式中，所述對(duì)所述關(guān)鍵點(diǎn)特征、所述置信度和所述區(qū)域特征進(jìn)行特征融合，得到每個(gè)所述行人檢測(cè)框圖的多個(gè)所述區(qū)域圖像中各個(gè)人體關(guān)鍵點(diǎn)區(qū)域分別對(duì)應(yīng)的融合特征，包括：

24、針對(duì)每個(gè)所述區(qū)域圖像中的每個(gè)所述人體關(guān)鍵點(diǎn)區(qū)域，對(duì)所述人體關(guān)鍵點(diǎn)區(qū)域的所述關(guān)鍵點(diǎn)特征和所述置信度進(jìn)行加權(quán)處理，并將加權(quán)結(jié)果和所述關(guān)鍵點(diǎn)特征進(jìn)行特征融合，得到第一特征；

25、對(duì)所述區(qū)域特征和所述第一特征進(jìn)行特征連接處理，得到第二特征；

26、利用卷積注意力模塊，對(duì)所述第二特征和所述區(qū)域特征進(jìn)行特征融合，得到所述人體關(guān)鍵點(diǎn)區(qū)域的所述融合特征。

27、該實(shí)施方式，通過(guò)將每個(gè)關(guān)鍵點(diǎn)區(qū)域?qū)?yīng)的關(guān)鍵點(diǎn)特征和置信度進(jìn)行加權(quán)處理，可以實(shí)現(xiàn)對(duì)被遮擋的關(guān)鍵點(diǎn)區(qū)域?qū)?yīng)的關(guān)鍵點(diǎn)特征進(jìn)行懲罰，避免遮擋位置對(duì)識(shí)別精度的影響。此外，通過(guò)將加權(quán)處理后得到的第一特征與區(qū)域圖像對(duì)應(yīng)的區(qū)域特征進(jìn)行融合，再利用融合后的特征進(jìn)行行人重識(shí)別，可以實(shí)現(xiàn)同時(shí)兼顧不同相機(jī)對(duì)應(yīng)的區(qū)域圖像的全局特征相似性和局部特征相似性，從而提高識(shí)別精度。

28、在一種可能的實(shí)施方式中，所述行人識(shí)別結(jié)果包括行人的識(shí)別標(biāo)識(shí)；

29、所述根據(jù)所述異構(gòu)相機(jī)分別對(duì)應(yīng)的所述行人檢測(cè)框圖中各個(gè)所述人體關(guān)鍵點(diǎn)區(qū)域的所述融合特征，確定每個(gè)所述行人檢測(cè)框圖對(duì)應(yīng)的行人識(shí)別結(jié)果，包括：

30、確定所述異構(gòu)相機(jī)中的基準(zhǔn)相機(jī)和匹配相機(jī)；

31、針對(duì)所述基準(zhǔn)相機(jī)對(duì)應(yīng)的任一第一行人檢測(cè)框圖，根據(jù)所述第一行人檢測(cè)框圖中各個(gè)所述人體關(guān)鍵點(diǎn)區(qū)域?qū)?yīng)的所述融合特征，和所述匹配相機(jī)對(duì)應(yīng)的各個(gè)第二行人檢測(cè)框圖中的各個(gè)所述人體關(guān)鍵點(diǎn)區(qū)域的所述融合特征，確定所述第一行人檢測(cè)框圖中的第一行人與每個(gè)所述第二行人檢測(cè)框圖中的第二行人之間的相似度；

32、根據(jù)所述相似度，確定所述第一行人和各個(gè)所述第二行人之間的匹配結(jié)果；所述匹配結(jié)果用于指示所述第二行人與所述第一行人是否相同；

33、根據(jù)基準(zhǔn)相機(jī)對(duì)應(yīng)的每個(gè)第一行人檢測(cè)框圖中的第一行人的匹配結(jié)果，確定每個(gè)所述第一行人的識(shí)別標(biāo)識(shí)和每個(gè)所述第二行人的識(shí)別標(biāo)識(shí)。

34、該實(shí)施方式，在異構(gòu)相機(jī)拍攝的不同圖像之間，通過(guò)使用各個(gè)關(guān)鍵點(diǎn)區(qū)域?qū)?yīng)的融合有區(qū)域特征和關(guān)鍵點(diǎn)特征的融合特征，進(jìn)行對(duì)應(yīng)位置關(guān)鍵點(diǎn)的匹配，可以得到不同圖像中的多個(gè)關(guān)鍵點(diǎn)區(qū)域之間的匹配結(jié)果，再利用多個(gè)關(guān)鍵點(diǎn)區(qū)域的匹配結(jié)果進(jìn)行行人的匹配，可以提高得到的匹配結(jié)果的準(zhǔn)確性，進(jìn)而得到每個(gè)行人對(duì)應(yīng)的準(zhǔn)確的識(shí)別標(biāo)識(shí)。

35、在一種可能的實(shí)施方式中，所述異構(gòu)相機(jī)包括廣角相機(jī)和魚(yú)眼相機(jī)；

36、在所述獲取車(chē)載異構(gòu)相機(jī)分別采集的包括行人的圖像之前，還包括：

37、獲取所述廣角相機(jī)拍攝的包括行人的第一圖像和所述魚(yú)眼相機(jī)拍攝的包括行人的第二圖像；

38、對(duì)所述第二圖像進(jìn)行去畸變處理，得到所述魚(yú)眼相機(jī)對(duì)應(yīng)的第三圖像；

39、所述對(duì)所述圖像進(jìn)行行人檢測(cè)，根據(jù)行人檢測(cè)框?qū)λ鰣D像裁剪得到多個(gè)行人檢測(cè)框圖，包括：

40、對(duì)所述第一圖像和所述第三圖像分別進(jìn)行行人檢測(cè)，根據(jù)行人檢測(cè)框?qū)Φ谝粓D像和第三圖像分別進(jìn)行裁剪，得到多個(gè)行人檢測(cè)框圖。

41、該實(shí)施方式，由于魚(yú)眼相機(jī)拍攝的圖像具有較嚴(yán)重的畸變，所以通過(guò)對(duì)魚(yú)眼相機(jī)拍攝的第二圖像進(jìn)行去畸變處理，可以在一定程度上消除畸變帶來(lái)的影響，再利用消除畸變的圖像進(jìn)行行人檢測(cè)，可以提高確定的行人檢測(cè)框圖的準(zhǔn)確性。

42、在一種可能的實(shí)施方式中，所述第一模型根據(jù)以下步驟訓(xùn)練得到：

43、獲取樣本圖像數(shù)據(jù)集；所述樣本圖像數(shù)據(jù)集包括多個(gè)樣本圖像對(duì)，所述樣本圖像對(duì)中包括利用所述異構(gòu)相機(jī)分別拍攝的樣本圖像；

44、針對(duì)任一所述樣本圖像對(duì)，將所述樣本圖像對(duì)包括的各個(gè)樣本圖像中的樣本行人檢測(cè)框圖，輸入至待訓(xùn)練的第一模型，得到所述樣本行人檢測(cè)框圖中的多個(gè)樣本區(qū)域圖像分別對(duì)應(yīng)的預(yù)測(cè)區(qū)域特征；

45、將所述樣本區(qū)域圖像對(duì)應(yīng)的所述預(yù)測(cè)區(qū)域特征和人工構(gòu)建的共享特征合并，并將合并后特征輸入到待訓(xùn)練的第一模型中的解碼模塊，得到所述樣本區(qū)域圖像對(duì)應(yīng)的還原區(qū)域圖像；

46、根據(jù)各個(gè)所述樣本圖像對(duì)分別對(duì)應(yīng)的各個(gè)所述樣本區(qū)域圖像、以及每個(gè)所述樣本區(qū)域圖像對(duì)應(yīng)的所述還原區(qū)域圖像，確定待訓(xùn)練的第一模型的第一損失；

47、利用所述第一損失對(duì)待訓(xùn)練的第一模型進(jìn)行迭代訓(xùn)練，直至滿(mǎn)足訓(xùn)練截止條件，得到訓(xùn)練好的第一模型。

48、該實(shí)施方式，利用解碼模塊對(duì)編碼模型提取出的預(yù)測(cè)區(qū)域特征進(jìn)行解碼處理，可以還原出編碼模型提取出的預(yù)測(cè)區(qū)域特征對(duì)應(yīng)的還原區(qū)域圖像。然后通過(guò)還原區(qū)域圖像和原本的樣本區(qū)域圖像構(gòu)建第一損失，可以實(shí)現(xiàn)利用第一損失準(zhǔn)確表征編碼模型在提取區(qū)域特征時(shí)的提取誤差。最后利用第一損失對(duì)待訓(xùn)練的第一模型進(jìn)行迭代訓(xùn)練，可以有效提高第一模型區(qū)域特征提取能力。并且，利用異構(gòu)相機(jī)采集的樣本圖像進(jìn)行訓(xùn)練，可以使得第一模型專(zhuān)注于不同風(fēng)格圖像下的行人識(shí)別，提高第一模型在異構(gòu)相機(jī)下的特征提取能力。

49、在一種可能的實(shí)施方式中，所述方法還包括訓(xùn)練所述第二模型的步驟：

50、獲取多個(gè)樣本行人檢測(cè)框圖中各個(gè)樣本區(qū)域圖像的樣本區(qū)域特征；所述樣本區(qū)域特征為訓(xùn)練好的第一模型，對(duì)樣本圖像中的所述樣本行人檢測(cè)框圖進(jìn)行特征提取得到的；所述樣本圖像為樣本圖像對(duì)中的圖像；所述樣本圖像對(duì)包括利用所述異構(gòu)相機(jī)分別拍攝的樣本圖像；

51、將所述樣本區(qū)域特征輸入至待訓(xùn)練的第二模型進(jìn)行人體關(guān)鍵點(diǎn)提取，確定每個(gè)樣本行人檢測(cè)框圖中各個(gè)所述樣本區(qū)域圖像對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)關(guān)鍵點(diǎn)特征以及所述預(yù)測(cè)關(guān)鍵點(diǎn)特征對(duì)應(yīng)的預(yù)測(cè)置信度；

52、利用所述預(yù)測(cè)關(guān)鍵點(diǎn)特征和所述預(yù)測(cè)置信度，確定各個(gè)所述樣本區(qū)域圖像中的各個(gè)像素點(diǎn)的預(yù)測(cè)類(lèi)別；

53、對(duì)所述預(yù)測(cè)關(guān)鍵點(diǎn)特征、所述預(yù)測(cè)置信度和所述樣本區(qū)域特征進(jìn)行特征融合，得到每個(gè)所述樣本行人檢測(cè)框圖中各個(gè)所述樣本區(qū)域圖像中的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域分別對(duì)應(yīng)的預(yù)測(cè)融合特征，并根據(jù)所述預(yù)測(cè)融合特征，確定每個(gè)所述樣本行人檢測(cè)框圖中的行人的預(yù)測(cè)標(biāo)識(shí)；

54、根據(jù)所述樣本行人檢測(cè)框圖中的各個(gè)像素點(diǎn)的預(yù)測(cè)類(lèi)別和標(biāo)簽類(lèi)別，所述樣本行人檢測(cè)框圖中的行人的預(yù)測(cè)標(biāo)識(shí)和標(biāo)簽標(biāo)識(shí)、以及所述預(yù)測(cè)融合特征，確定待訓(xùn)練的第二模型的第二損失，并利用所述第二損失對(duì)待訓(xùn)練的第二模型進(jìn)行迭代訓(xùn)練，直至滿(mǎn)足訓(xùn)練截止條件，得到訓(xùn)練好的第二模型。

55、該實(shí)施方式，利用像素點(diǎn)的預(yù)測(cè)類(lèi)別和標(biāo)簽類(lèi)別、以及行人的預(yù)測(cè)標(biāo)識(shí)和標(biāo)簽標(biāo)識(shí)確定出的第二損失，能夠準(zhǔn)確表征第二模型的關(guān)鍵點(diǎn)特征提取損失和標(biāo)識(shí)預(yù)測(cè)損失。利用第二損失對(duì)第二模型進(jìn)行迭代訓(xùn)練，可以有效提高第二模型的關(guān)鍵點(diǎn)特征提取能力和標(biāo)識(shí)預(yù)測(cè)能力。

56、在一種可能的實(shí)施方式中，所述根據(jù)所述樣本行人檢測(cè)框圖中的各個(gè)像素點(diǎn)的預(yù)測(cè)類(lèi)別和標(biāo)簽類(lèi)別，所述樣本行人檢測(cè)框圖中的行人的預(yù)測(cè)標(biāo)識(shí)和標(biāo)簽標(biāo)識(shí)、以及所述預(yù)測(cè)融合特征，確定待訓(xùn)練的第二模型的第二損失，包括：

57、根據(jù)所述樣本行人檢測(cè)框圖中的各個(gè)像素點(diǎn)的預(yù)測(cè)類(lèi)別和標(biāo)簽類(lèi)別，確定關(guān)鍵點(diǎn)預(yù)測(cè)損失；

58、根據(jù)所述樣本行人檢測(cè)框圖中的行人的預(yù)測(cè)標(biāo)識(shí)和標(biāo)簽標(biāo)識(shí)、以及所述預(yù)測(cè)融合特征，確定識(shí)別損失；

59、根據(jù)所述關(guān)鍵點(diǎn)預(yù)測(cè)損失和所述識(shí)別損失，確定所述第二損失。

60、該實(shí)施方式，利用預(yù)測(cè)類(lèi)別和標(biāo)簽類(lèi)別，可以準(zhǔn)確確定出第二模型在進(jìn)行關(guān)鍵點(diǎn)提取時(shí)的損失(即關(guān)鍵點(diǎn)預(yù)測(cè)損失)。利用預(yù)測(cè)標(biāo)識(shí)和標(biāo)簽標(biāo)識(shí)、以及預(yù)測(cè)融合特征，可以準(zhǔn)確確定出第二模型在進(jìn)行行人匹配和識(shí)別時(shí)的識(shí)別損失。

61、在一種可能的實(shí)施方式中，所述根據(jù)所述樣本行人檢測(cè)框圖中的行人的預(yù)測(cè)標(biāo)識(shí)和標(biāo)簽標(biāo)識(shí)、以及所述預(yù)測(cè)融合特征，確定識(shí)別損失，包括：

62、根據(jù)各個(gè)所述樣本行人檢測(cè)框圖中的行人的預(yù)測(cè)標(biāo)識(shí)、每個(gè)所述行人的標(biāo)簽標(biāo)識(shí)、以及所述行人的第一數(shù)量，確定標(biāo)識(shí)預(yù)測(cè)損失；

63、針對(duì)各個(gè)所述樣本行人檢測(cè)框圖中的任一第一樣本行人檢測(cè)框圖，根據(jù)所述第一樣本行人檢測(cè)框圖中的行人的第一標(biāo)簽標(biāo)識(shí)，和除所述第一樣本行人檢測(cè)框圖外的各個(gè)第二樣本行人檢測(cè)框圖中的行人的第二標(biāo)簽標(biāo)識(shí)，從所述第二樣本行人檢測(cè)框圖中確定所述第一樣本行人檢測(cè)框圖對(duì)應(yīng)的正樣本集合和負(fù)樣本集合；

64、利用所述第一樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征、所述正樣本集合中各個(gè)第二樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征、所述負(fù)樣本集合中各個(gè)第二樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征，確定三元組損失；

65、根據(jù)所述標(biāo)識(shí)預(yù)測(cè)損失和所述三元組損失，確定所述識(shí)別損失。

66、該實(shí)施方式，標(biāo)識(shí)預(yù)測(cè)損失能夠準(zhǔn)確表征第二模型在進(jìn)行標(biāo)識(shí)預(yù)測(cè)時(shí)的差異，三元組損失能夠表征第二模型輸出的預(yù)測(cè)融合特征，與正樣本和負(fù)樣本分別對(duì)應(yīng)的預(yù)測(cè)融合特征之間的差異。因此，利用標(biāo)識(shí)預(yù)測(cè)損失和三元組損失一起作為識(shí)別損失，對(duì)第二模型進(jìn)行訓(xùn)練，可以提高第二模型在進(jìn)行特征融合和標(biāo)識(shí)輸出時(shí)的處理能力。

67、在一種可能的實(shí)施方式中，所述根據(jù)所述第一樣本行人檢測(cè)框圖中的行人的第一標(biāo)簽標(biāo)識(shí)，和除所述第一樣本行人檢測(cè)框圖外的各個(gè)第二樣本行人檢測(cè)框圖中的行人的第二標(biāo)簽標(biāo)識(shí)，從所述第二樣本行人檢測(cè)框圖中確定所述第一樣本行人檢測(cè)框圖對(duì)應(yīng)的正樣本集合和負(fù)樣本集合，包括：

68、從所述第一數(shù)量的行人中選取第二數(shù)量的目標(biāo)行人；

69、針對(duì)每個(gè)所述目標(biāo)行人，根據(jù)所述目標(biāo)行人的第三標(biāo)簽標(biāo)識(shí)和各個(gè)所述第二標(biāo)簽標(biāo)識(shí)，從各個(gè)第二樣本行人檢測(cè)框圖中，篩選出每個(gè)所述目標(biāo)行人對(duì)應(yīng)的第三數(shù)量的第三樣本行人檢測(cè)框圖；

70、根據(jù)所述第一標(biāo)簽標(biāo)識(shí)，以及各個(gè)所述目標(biāo)行人的第三標(biāo)簽標(biāo)識(shí)，從各個(gè)目標(biāo)行人對(duì)應(yīng)的第三樣本行人檢測(cè)框圖中，確定與第一樣本行人檢測(cè)框圖對(duì)應(yīng)相同標(biāo)識(shí)的正樣本集合、以及與第一樣本行人檢測(cè)框圖對(duì)應(yīng)不同標(biāo)識(shí)的負(fù)樣本集合。

71、該實(shí)施方式，通過(guò)限定目標(biāo)行人的數(shù)量，以及每個(gè)目標(biāo)行人的樣本行人檢測(cè)框圖的數(shù)量，可以限定在一個(gè)批次batch下的訓(xùn)練樣本的數(shù)量，避免批次尺寸batch_size過(guò)大對(duì)資源要求高、以及模型泛化能力下降的問(wèn)題，以及避免batch_size過(guò)小導(dǎo)致訓(xùn)練速度過(guò)慢以及收斂速度慢的問(wèn)題。

72、在一種可能的實(shí)施方式中，所述利用所述第一樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征、所述正樣本集合中各個(gè)第二樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征、所述負(fù)樣本集合中各個(gè)第二樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征，確定三元組損失，包括：

73、針對(duì)所述正樣本集合中任一第二樣本行人檢測(cè)框圖，從該第二樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征中，選取多個(gè)第一目標(biāo)特征；

74、針對(duì)所述負(fù)樣本集合中任一第二樣本行人檢測(cè)框圖，從該第二樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征中，選取多個(gè)第二目標(biāo)特征；

75、從所述第一樣本行人檢測(cè)框圖對(duì)應(yīng)的各個(gè)人體關(guān)鍵點(diǎn)區(qū)域的預(yù)測(cè)融合特征中，篩選與每個(gè)所述第一目標(biāo)特征匹配的第三目標(biāo)特征，以及與每個(gè)所述第二目標(biāo)特征匹配的第四目標(biāo)特征；

76、根據(jù)每個(gè)所述第一目標(biāo)特征與匹配的第三目標(biāo)特征之間的歐式距離，以及每個(gè)所述第二目標(biāo)特征與匹配的第四目標(biāo)特征之間的歐式距離，確定所述三元組損失。

77、該實(shí)施方式，利用部分關(guān)鍵點(diǎn)區(qū)域?qū)?yīng)的預(yù)測(cè)關(guān)鍵點(diǎn)特征(即第一目標(biāo)特征、第二目標(biāo)特征和第三目標(biāo)特征)進(jìn)行損失確定，可以避免使用的關(guān)鍵點(diǎn)數(shù)量過(guò)多導(dǎo)致對(duì)于計(jì)算資源要求高、處理速度慢的問(wèn)題。并且，通過(guò)身體部分級(jí)別(即關(guān)鍵點(diǎn)區(qū)域級(jí)別)的特征進(jìn)行三元組損失的確定，可以使得第二模型能夠更加關(guān)注不同風(fēng)格圖像之間不變的標(biāo)識(shí)辨別特征，再結(jié)合標(biāo)識(shí)預(yù)測(cè)損失，可以使得第二模型能夠在全局視角下對(duì)行人的身份進(jìn)行識(shí)別。

78、第三方面，本公開(kāi)可選實(shí)現(xiàn)方式還提供一種計(jì)算機(jī)設(shè)備，處理器、存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)有所述處理器可執(zhí)行的機(jī)器可讀指令，所述處理器用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的機(jī)器可讀指令，所述機(jī)器可讀指令被所述處理器執(zhí)行時(shí)執(zhí)行上述第一方面，或第一方面中任一種可能的實(shí)施方式中的步驟。

79、第四方面，本公開(kāi)可選實(shí)現(xiàn)方式還提供一種計(jì)算機(jī)程序產(chǎn)品，該計(jì)算機(jī)程序產(chǎn)品被運(yùn)行時(shí)執(zhí)行上述第一方面，或第一方面中任一種可能的實(shí)施方式中的步驟。

80、關(guān)于上述計(jì)算機(jī)設(shè)備、及計(jì)算機(jī)程序產(chǎn)品的效果描述參見(jiàn)上述行人重識(shí)別方法的說(shuō)明，這里不再贅述。

81、為使本公開(kāi)的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說(shuō)明如下。