(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 202210954215.1 (22)申请日 2022.08.10 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 付琰　许顺楠　陈亮辉　范斌　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 专利代理师 孟维娜　项京 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于人工智能的行人重识别方法、 装置、 设 备及存储介质 (57)摘要 本公开提供了一种基于人工智能的行人重 识别方法、 装置、 设备及存储介质， 涉及人工智能 技术领域， 具体涉及图像识别、 视频分析技术， 可 应用在智慧城市、 城市治理、 公安应急场景下。 具 体实现方案为： 确定各待对比图像中的行人区域 以及行人关联的交通工具的类型； 根据所确定的 行人区域， 获得各待对比图像中出现的行人间的 视觉相似度； 根据各待对比图像的拍摄时间、 摄 像机标识和行人关联的交通工具的类型， 确定各 待对比图像中出现同一行人的时空概率； 基于所 述视觉相似度和所述时空概率， 进行行人重识 别。 应用本公开实施例提供的方案能够提高重识 别的准确性。 权利要求书3页 说明书13页 附图4页 CN 115240226 A 2022.10.25 CN 115240226 A 1.一种基于人工智能的行 人重识别方法， 包括： 确定各待对比图像中的行 人区域以及行 人关联的交通工具的类型； 根据所确定的行 人区域， 获得 各待对比图像中出现的行 人间的视 觉相似度； 根据各待对比图像的拍摄时间、 摄像机标识和行人关联的交通工具的类型， 确定各待 对比图像中出现同一行 人的时空概 率； 基于所述视 觉相似度和所述时空概 率， 进行行人重识别。 2.根据权利要求1所述的方法， 其中， 所述根据各待对比图像的拍摄时间、 摄像机标识 和行人关联的交通工具的类型， 确定各待对比图像中出现同一行 人的时空概 率， 包括： 根据各待对比图像的摄 像机标识， 确定各待对比图像的拍摄地； 获得使用目标类型的交通工具从所确定的一个拍摄地行驶至另一拍摄地的预测时长， 其中， 所述目标类型为： 各待对比图像中行 人关联的交通工具的类型； 根据各待对比图像的拍摄时间， 确定拍摄间隔； 根据所述预测时长和拍摄间隔， 确定各待对比图像中出现同一行 人的时空概 率。 3.根据权利要求2所述的方法， 其中， 所述根据所述预测时长和拍摄间隔， 确定各待对 比图像中出现同一行 人的时空概 率， 包括： 若所述拍摄间隔大于所述预测时长， 则确定各待对比图像中出现同一行人的时空概率 为1； 若所述拍摄间隔不大于所述预测时长， 则确定所述 时空概率为所述拍摄间隔与所述预 测时长的比值。 4.根据权利要求1所述的方法， 其中， 所述根据各待对比图像的拍摄时间、 摄像机标识 和行人关联的交通工具的类型， 确定各待对比图像中出现同一行 人的时空概 率， 包括： 将各待对比图像的拍摄时间、 摄像机标识和行人关联的交通工具的类型输入预先训练 的时空概 率预估模型， 得到所述时空概 率预估模型输出的时空概 率； 其中， 所述 时空概率预估模型为： 采用样本图像的拍摄时间、 摄像机标识和行人关联的 交通工具的类型， 对预设的神经网络模型进 行训练得到的用于获得行人处于同一时空的时 空概率的模型。 5.根据权利要求1 ‑4中任一项所述的方法， 其中， 所述基于所述视觉相似度和所述时空 概率， 进行行人重识别， 包括： 基于所述视觉相似度和所述 时空概率分别对应的权重系数， 对所述视觉相似度和所述 时空概率进行加权计算， 得到加权结果； 根据所述加权结果， 判断各待对比图像中出现的行 人是否为同一行 人。 6.一种模型训练方法， 包括： 获得样本图像对， 其中， 所述样本图像对中包括： 所包含样本图像 中在同时空出现同一 行人的正样本图像对和所包 含样本图像中在同时空未 出现同一行 人的负样本图像对； 获得各样本图像对中各样本图像的拍摄时间、 摄像机标识和行人关联的交通工具的类 型； 将各样本图像对中各样本图像的拍摄时间、 摄像机标识和行人关联的交通工具的类型 输入预设的神经网络模型， 获得所述神经网络模型输出的表征样本图像对内样本图像中行 人处于同一时空的时空概 率；权　利　要　求　书 1/3 页 2 CN 115240226 A 2根据所获得的时空概率和各样本图像对应的正样本标注或者负样本标注， 调整所述神 经网络模型的模型参数， 得到时空概 率预估模型。 7.根据权利要求6所述的方法， 其中， 所述获得样本图像对， 包括： 确定各样本图像中的行 人区域； 根据所确定行 人区域的特 征， 对各样本图像进行聚类， 得到多个图像 类； 从同一图像 类中选择样本图像， 得到包 含所选择图像的正样本图像对； 从不同图像 类中分别选择样本图像， 得到包 含所选择图像的负 样本图像对。 8.一种基于人工智能的行 人重识别装置， 包括： 类型确定模块， 用于确定各待对比图像中的行人区域以及行人关联的交通工具的类 型； 相似度确定模块， 用于根据所确定的行人区域， 获得各待对比图像中出现的行人间的 视觉相似度； 时空概率确定模块， 用于根据各待对比图像的拍摄时间、 摄像机标识和行人关联的交 通工具的类型， 确定各待对比图像中出现同一行 人的时空概 率； 重识别模块， 用于基于所述视 觉相似度和所述时空概 率， 进行行人重识别。 9.根据权利要求8所述的装置， 其中， 所述时空概率确定模块， 具体用于根据各待对比图像的摄像机标识， 确定各待对比图 像的拍摄地； 获得使用目标类型的交通工具从所确定的一个拍摄地行驶至另一拍摄地的预 测时长， 其中， 所述 目标类型为： 各待对比图像中行人关联的交通工具的类型； 根据各待对 比图像的拍摄时间， 确定拍摄间隔时长； 根据所述预测时长和拍摄间隔， 确定各待对比图像 中出现同一行 人的时空概 率。 10.根据权利要求9所述的装置， 其中， 所述时空概率确定模块， 具体用于根据各待对比图像的摄像机标识， 确定各待对比图 像的拍摄地； 获得使用目标类型的交通工具从所确定的一个拍摄地行驶至另一拍摄地的预 测时长， 其中， 所述 目标类型为： 各待对比图像中行人关联的交通工具的类型； 根据各待对 比图像的拍摄时间， 确定拍摄间隔时长； 若 所述拍摄间隔大于所述预测时长， 则确定各待对 比图像中出现同一行人的时空概率为 1； 若所述拍摄间隔不大于所述预测时长， 则确定所述 时空概率为所述拍摄间隔与所述预测时长的比值。 11.根据权利要求8所述的装置， 其中， 所述时空概率确定模块， 具体用于将各待对比图像的拍摄时间、 摄像机标识和行人关 联的交通工具的类型输入预先训练的时空概率预估模型， 得到所述时空概率预估模型输出 的时空概 率； 其中， 所述 时空概率预估模型为： 采用样本图像的拍摄时间、 摄像机标识和行人关联的 交通工具的类型， 对预设的神经网络模型进 行训练得到的用于获得行人处于同一时空的时 空概率的模型。 12.根据权利要求8 ‑11中任一项所述的装置， 其中， 所述重识别模块， 具体用于基于所述视觉相似度和所述时空概率分别对应的权重系 数， 对所述视觉相似度和所述时空概率进行加权计算， 得到加权结果； 根据所述加权结果， 判断各待对比图像中出现的行 人是否为同一行 人。权　利　要　求　书 2/3 页 3 CN 115240226 A 3