基于姿态时序超图网络的行人重识别方法及装置

1.本技术涉及计算机视觉及行人重识别技术领域，特别涉及一种基于姿态时序超图网络的行人重识别方法及装置。


背景技术：

2.行人重识别任务由于其具有辨别不同视角下行人身份的能力，在计算机视觉和监控分析等领域中获得了广泛应用。相较于使用图像来实现行人重识别任务，由于视频包含了更多的信息，基于视频的行人重识别方法和系统也得到了探索和应用，而如何通过时域和空域的特征来获得一个优异的视频表征是当前基于视频的行人重识别方法中的挑战之一。
3.相关技术中，有不少通过时域和空域的特征来获得优异的视频表征的方法，如：利用光流来描述时域特征，使用注意力机制来对视频中时域和空域上的特征进行融合，以及采用三维卷积神经网络或循环神经网络来同时处理时域和空域上的特征提取。
4.然而，相关技术仅考虑了如何在时空域上融合多种局部的特征，很少探索如何去建模图像局部区域之间的关联性，亟待改进。
5.申请内容
6.本技术提供一种基于姿态时序超图网络的行人重识别方法及装置，以解决相关技术仅考虑了如何在时空域上融合多种局部的特征，缺少对如何去建模图像局部区域之间的关联性的探索，导致视频的时域和空域特征的融合能力较差，可靠性和准确性较低等问题。
7.本技术第一方面实施例提供一种基于姿态时序超图网络的行人重识别方法，包括以下步骤：获取查询视频和检索视频；将所述查询视频和所述检索视频输入预先训练的行人重识别网络，分别得到所述查询视频和所述检索视频的特征向量；以及根据所述查询视频和所述检索视频的特征向量，且在所述查询视频和所述检索视频的特征向量之间的余弦距离小于预设阈值时，识别为同一行人。
8.可选地，在本技术的一个实施例中，在将所述查询视频和所述检索视频输入预先训练的行人重识别网络之前，还包括：使用包含行人关键点作为标签的图像数据训练姿态估计网络；基于训练后的姿态估计网络，在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络。
9.可选地，在本技术的一个实施例中，所述使用包含行人关键点作为标签的图像数据训练姿态估计网络，包括：根据所述标签的位置生成真实的关键点热力图；构建姿态估计深度神经网络；将训练图像输入所述姿态估计深度神经网络，得到预测的关键点热力图；根据所述真实的关键点热力图和所述预测的关键点热力图计算第一损失函数，并基于所述损失函数更新所述姿态估计深度神经网络的参数。
10.可选地，在本技术的一个实施例中，所述基于训练后的姿态估计网络，在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络，包括：将行人重识别训练视频中的每一帧输入所述姿态估计深度神经网络，得到预
测的关键点位置；构建基于姿态时序超图的行人重识别深度神经网络；根据所述预测的行人类标签和真实类标签计算第二损失函数，并基于所述第二损失函数更新所述基于姿态时序超图的行人重识别深度神经网络的参数。
11.可选地，在本技术的一个实施例中，所述将所述查询视频和所述检索视频输入预先训练的行人重识别网络，分别得到所述查询视频和所述检索视频的特征向量，包括：载入训练后的所述行人重识别深度神经网络的参数；将所述查询视频输入载入后的所述行人重识别网络，得到所述查询视频的特征向量；将所述检索视频输入所述行人重识别网络，得到所述检索视频的特征向量。
12.可选地，在本技术的一个实施例中，所述根据所述查询视频和所述检索视频的特征向量，且在所述查询视频和所述检索视频的特征向量之间的余弦距离小于预设阈值时，识别为同一行人，包括：计算所述查询视频和所述检索视频的特征向量之间的余弦距离；如果所述余弦距离小于所述预设阈值，则判定所述查询视频和所述检索视频为同一行人，否则判定为不同行人。
13.本技术第二方面实施例提供一种基于姿态时序超图网络的行人重识别装置，包括：获取模块，用于获取查询视频和检索视频；计算模块，用于将所述查询视频和所述检索视频输入预先训练的行人重识别网络，分别得到所述查询视频和所述检索视频的特征向量；以及识别模块，用于根据所述查询视频和所述检索视频的特征向量，且在所述查询视频和所述检索视频的特征向量之间的余弦距离小于预设阈值时，识别为同一行人。
14.可选地，在本技术的一个实施例中，基于姿态时序超图网络的行人重识别装置还包括：预估模块，为使用包含行人关键点作为标签的图像数据训练姿态估计网络；构建模块，基于训练后的姿态估计网络，在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络；
15.可选地，在本技术的一个实施例中，所述图像数据训练姿态估计网络，进一步用于：根据所述标签的位置生成真实的关键点热力图；构建姿态估计深度神经网络；将训练图像输入所述姿态估计深度神经网络，得到预测的关键点热力图；根据所述真实的关键点热力图和所述预测的关键点热力图计算第一损失函数，并基于所述损失函数更新所述姿态估计深度神经网络的参数。
16.可选地，在本技术的一个实施例中，所述构建模块，包括：第一获取单元，用于将行人重识别训练视频中的每一帧输入所述姿态估计深度神经网络，得到预测的关键点位置；构建单元，用于构建基于姿态时序超图的行人重识别深度神经网络；更新单元，用于根据所述预测的行人类标签和真实类标签计算第二损失函数，并基于所述第二损失函数更新所述基于姿态时序超图的行人重识别深度神经网络的参数。
17.可选地，在本技术的一个实施例中，所述计算模块，包括：载入单元，用于载入训练后的所述行人重识别深度神经网络的参数；检索单元，用于将所述查询视频输入载入后的所述行人重识别网络，得到所述查询视频的特征向量；第二获取单元，用于将所述检索视频输入所述行人重识别网络，得到所述检索视频的特征向量。
18.可选地，在本技术的一个实施例中，所述识别模块，包括：计算单元，用于计算所述查询视频和所述检索视频的特征向量之间的余弦距离；判断单元，用于判定所述查询视频和所述检索视频是否为同一人，如果所述余弦距离小于所述预设阈值，则判定所述查询视
频和所述检索视频为同一行人，否则判定为不同行人。
19.本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于姿态时序超图网络的行人重识别方法。
20.本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的基于姿态时序超图网络的行人重识别方法。
21.本技术实施例的基于姿态时序超图网络的行人重识别方法，使用姿态估计和超图神经网络的方法构建视频序列的时空域特征关联，通过查询和检索视频的特征向量判定行人重识别的结果，从而提高了视频时域和空域特征的融合能力，进而保证了行人重识别方法的可靠性和准确性。由此，解决了相关技术中仅考虑了如何在时空域上融合多种局部的特征，缺少对如何去建模图像局部区域之间的关联性的探索，导致视频的时域和空域特征的融合能力较差，可靠性和准确性均较低等问题。
22.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
23.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
24.图1为根据本技术实施例提供的一种基于姿态时序超图网络的行人重识别方法的流程图；
25.图2为根据本技术一个实施例的基于姿态时序超图的行人重识别深度神经网络的构建方法的流程图；
26.图3为根据本技术一个实施例的基于姿态时序超图网络的行人重识别方法的原理示意图；
27.图4为根据本技术实施例提供的一种基于姿态时序超图网络的行人重识别装置的结构示意图；
28.图5为根据本技术实施例提供的电子设备的结构示意图。
具体实施方式
29.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
30.下面参考附图描述本技术实施例的基于姿态时序超图网络的行人重识别方法及装置。针对上述背景技术中心提到的相关技术仅考虑了如何在时空域上融合多种局部的特征，缺少对如何去建模图像局部区域之间的关联性的探索，导致视频的时域和空域特征的融合能力较差，可靠性和准确性均较低的问题，本技术提供了一种使用姿态估计和超图神经网络的方法，使用姿态估计和超图神经网络的方法构建视频序列的时空域特征关联，通过查询和检索视频的特征向量判定行人重识别的结果，从而提高了视频时域和空域特征的
融合能力，进而保证了行人重识别方法的可靠性和准确性。由此，解决了相关技术中仅考虑了如何在时空域上融合多种局部的特征，缺少对如何去建模图像局部区域之间的关联性的探索，导致视频的时域和空域特征的融合能力较差，可靠性和准确性均较低等问题。
31.具体而言，图1为本技术实施例所提供的一种基于姿态时序超图网络的行人重识别方法的流程示意图。
32.如图1所示，该基于姿态时序超图网络的行人重识别方法包括以下步骤：
33.在步骤s101中，获取查询视频和检索视频。
34.需要说明的是，获取的方式可以有很多种，在此不做具体限制。
35.在步骤s102中，将查询视频和检索视频输入预先训练的行人重识别网络，分别得到查询视频和检索视频的特征向量。
36.可以理解的是，行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，本技术实施例利用预先训练的行人重识别网络获取对应的特征向量，下面对行人重识别网络的训练方式进行详细描述。
37.可选地，在本技术的一个实施例中，在将查询视频和检索视频输入预先训练的行人重识别网络之前，还包括：使用包含行人关键点作为标签的图像数据训练姿态估计网络；基于训练后的姿态估计网络，在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络。
38.举例而言，本技术实施例可以使用包含行人关键点作为标签的图像数据，训练姿态估计网络，并结合在时域和空域上筛选出的关键区域，构建超图神经网络。为了保证行人重识别网络的可靠性，本技术实施例可以使用包含行人标识的视频数据训练行人重识别网络，达到对行人重识别网络进行预先训练的目的。
39.可选地，在本技术的一个实施例中，使用包含行人关键点作为标签的图像数据训练姿态估计网络，包括：根据标签的位置生成真实的关键点热力图；构建姿态估计深度神经网络；将训练图像输入姿态估计深度神经网络，得到预测的关键点热力图；根据真实的关键点热力图和预测的关键点热力图计算第一损失函数，并基于损失函数更新姿态估计深度神经网络的参数。
40.作为一种可能实现的方式，本技术实施例可以根据关键点标签的位置生成真实的关键点热力图，并将训练图像输入预先构建的姿态估计神经网络，进而得到预测的关键点热力图，使用真实的关键点热力图和预测的关键点热力图计算第一损失函数，并以第一损失函数为基础，更新姿态估计深度网络的参数。本技术实施例可以使用训练图像对姿态估计深度神经网络的参数进行更新，使得姿态估计深度神经网络处于可学习、可进化的状态，增加了本技术实施例的实用性与可靠性。
41.可选地，在本技术的一个实施例中，基于训练后的姿态估计网络，在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络，包括：将行人重识别训练视频中的每一帧输入姿态估计深度神经网络，得到预测的关键点位置；构建基于姿态时序超图的行人重识别深度神经网络；根据预测的行人类标签和真实类标签计算第二损失函数，并基于第二损失函数更新基于姿态时序超图的行人重识别深度神经网络的参数。
42.具体地，如图2所示，本技术实施例的基于姿态时序超图的行人重识别深度神经网
络的主要构建方法，包括以下步骤：
43.步骤s201：特征提取。本技术实施例使用基础卷积神经网络提取输入的每一帧图像的特征图。其中，基础卷积神经网络为广泛应用的深度神经网络前端框架，包括：卷积层、最大池化层和平均池化层等结构。
44.步骤s202：关键区域提取。以步骤s201中得到的每一帧图像所预测的关键点位置为中心，本技术实施例在每一帧图像的所述特征图上裁剪相同尺寸的关键区域，关键区域包括：头部关键区域、躯干关键区域以及腿部关键区域。
45.步骤s203：超边构建。本技术实施例根据关键区域的特征相似性构造超边集，其中，超边集包括：全局超边集和局部超边集，局部超边集包括：头部超边集、躯干超边集以及腿部超边集。本技术实施例将关键区域的特征作为超图的结点，根据超边集构建全局超图和局部超图。其中，全局超图由全局超边集进行构建，局部超图由头部超边集、躯干超边集和腿部超边集构建。
46.步骤s204：超图传播。本技术实施例使用超图卷积运算分别对全局超图和局部超图进行超图传播，得到更新后的结点特征。
47.例如，超图卷积运算的计算公式为：
[0048][0049]
其中，v
(l)
为超图网络中第l层结点的特征向量，v
(l 1
)为超图网络中第l 1层结点的特征向量，σ为非线性激活函数，h为描述超图的关联矩阵，dy和de分别为超图中结点的度数和超边的度数，θ为第一超参数向量，we为第二超参数向量。
[0050]
步骤s205：超图特征融合。本技术实施例使用注意力机制，将全局超图中所有结点的特征进行加权平均得到全局特征向量，将局部超图中所有结点的特征进行加权平均得到局部特征向量。
[0051]
例如，注意力机制可以表现为：给全局超图和局部超图的结点分配不同的权重进行加权平均，加权平均的计算公式为：
[0052][0053]
其中，为结点的特征向量，f为由全局超图得到的全局特征向量或局部超图得到的局部特征向量。
[0054]
步骤s206：视频特征融合。本技术实施例将全局特征向量与局部特征向量进行拼接，得到描述输入视频的特征向量。
[0055]
进一步地，预测的行人类标签可以由本技术实施例从训练视频中筛选出关键帧，与预测的关键点位置共同输入基于姿态时序超图的行人重识别深度神经网络得到。其中，关键帧为根据得到的姿态信息进行随机采样的一组定长视频帧，可以理解的是，包含姿态信息的视频帧拥有更高的被采样的概率。
[0056]
本技术实施例可以使用训练视频对行人重识别深度神经网络的参数进行更新，使得行人重识别深度神经网络处于可学习、可进化的状态，增加了本技术实施例的实用性与可靠性。
[0057]
可选地，在本技术的一个实施例中，将查询视频和检索视频输入预先训练的行人重识别网络，分别得到查询视频和检索视频的特征向量，包括：载入训练后的行人重识别深度神经网络的参数；将查询视频输入载入后的行人重识别网络，得到查询视频的特征向量；将检索视频输入行人重识别网络，得到检索视频的特征向量。
[0058]
在实际执行过程中，本技术实施例在载入训练完毕的行人重识别网络参数后，可以将查询视频和检索视频分别输入行人重识别网络，并分别获得查询视频的特征向量以及检索视频的特征向量。本技术实施例通过对行人重识别网络参数的更新，实现对行人重识别网络的更新和完善，从而保证了行人重识别网络的可靠性，并使得识别结果更据准确性。
[0059]
在步骤s103中，根据查询视频和检索视频的特征向量，且在查询视频和检索视频的特征向量之间的余弦距离小于预设阈值时，识别为同一行人。
[0060]
可以理解的是，本技术实施例可以将使用行人重识别网络获得的查询视频的特征向量，与使用行人重识别网络获得的检索视频的特征向量之间的余弦距离判定识别二者是否为同一人。具体地，当查询视频的特征向量与检索视频的特征向量之间的余弦距离小于预设阈值时，可识别查询视频与检索视频中的为同一人。其中，预设阈值可以由本领域技术人员根据实际情况进行设定，在此不做具体限制。
[0061]
可选地，在本技术的一个实施例中，根据查询视频和检索视频的特征向量，且在查询视频和检索视频的特征向量之间的余弦距离小于预设阈值时，识别为同一行人，包括：计算查询视频和检索视频的特征向量之间的余弦距离；如果余弦距离小于预设阈值，则判定查询视频和检索视频为同一行人，否则判定为不同行人。
[0062]
例如，本技术实施例可以通过向量计算，获得查询视频和检索视频的特征向量之间的余弦距离，若余弦距离小于一定阈值，则判定查询视频与检索视频中的是同一行人；若余弦距离大于预设阈值，则判定查询视频与检索视频中的不是同一行人。
[0063]
结合图3对本技术的一个具体实施例的基于姿态时序超图网络的行人重识别方法的原理进行详细阐述。
[0064]
如图3所示，本技术实施例包括以下步骤：
[0065]
步骤s301：根据姿态估计训练图像，构建姿态估计网络。本技术实施例使用包含行人关键点作为标签的图像数据训练姿态估计网络，具体地，本技术实施例根据关键点标签的位置生成真实的关键点热力图，并构建姿态估计深度神经网络，再将训练图像输入姿态估计深度神经网络，得到预测的关键点热力图，最后根据真实的关键点热力图和预测的关键点热力图，计算损失函数，更新姿态估计深度神经网络的参数。本技术实施例使用训练图像对姿态估计深度神经网络的参数进行更新，使得姿态估计深度神经网络处于可学习、可进化的状态，增加了本技术实施例的实用性与可靠性。
[0066]
步骤s302：根据行人重识别训练视频，构建行人重识别网络。本技术实施例在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络。
[0067]
进一步地，预测的行人类标签可以由本技术实施例从训练视频中筛选出关键帧，与预测的关键点位置共同输入基于姿态时序超图的行人重识别深度神经网络得到。其中，关键帧为根据得到的姿态信息进行随机采样的一组定长视频帧，可以理解的是，包含姿态信息的视频帧拥有更高的被采样的概率。
[0068]
本技术实施例使用训练视频对行人重识别深度神经网络的参数进行更新，使得行人重识别深度神经网络处于可学习、可进化的状态，增加了本技术实施例的实用性与可靠性。
[0069]
步骤s303：特征向量计算。本技术实施例将查询视频和检索视频输入行人重识别网络，得到查询视频和检索视频的特征向量。具体地，本技术实施例首先载入训练完毕的行人重识别网络的参数；其次，将查询视频输入行人重识别网络，得到查询视频的特征向量；最后，将检索视频输入行人重识别网络，得到检索视频的特征向量。本技术实施例通过对行人重识别网络参数的更新，实现对行人重识别网络的更新和完善，从而保证了行人重识别网络的可靠性，并使得识别结果更据准确性。
[0070]
步骤s304：识别结果判断。本技术实施例根据查询视频和检索视频的特征向量，通过阈值判断两者是否属于同一行人。具体地，本技术实施例首先计算查询视频和检索视频的特征向量之间的余弦距离；其次，设置阈值，若余弦距离小于阈值则判定查询视频和检索视频为同一行人，否则判定为不同行人。
[0071]
根据本技术实施例提出的基于姿态时序超图网络的行人重识别方法，使用姿态估计和超图神经网络的方法构建视频序列的时空域特征关联，通过查询和检索视频的特征向量判定行人重识别的结果，从而提高了视频时域和空域特征的融合能力，进而保证了行人重识别方法的可靠性和准确性。由此，解决了相关技术中仅考虑了如何在时空域上融合多种局部的特征，缺少对如何去建模图像局部区域之间的关联性的探索，导致视频的时域和空域特征的融合能力较差，可靠性和准确性均较低等问题。
[0072]
其次参照附图描述根据本技术实施例提出的基于姿态时序超图网络的行人重识别装置。
[0073]
图4是本技术实施例的基于姿态时序超图网络的行人重识别装置的方框示意图。
[0074]
如图4所示，该基于姿态时序超图网络的行人重识别装置10包括：获取模块100、计算模块200和识别模块300。
[0075]
具体地，获取模块100，用于获取查询视频和检索视频。
[0076]
计算模块200，用于将查询视频和检索视频输入预先训练的行人重识别网络，分别得到查询视频和检索视频的特征向量。
[0077]
识别模块300，用于根据查询视频和检索视频的特征向量，且在查询视频和检索视频的特征向量之间的余弦距离小于预设阈值时，识别为同一行人。
[0078]
可选地，在本技术的一个实施例中，基于姿态时序超图网络的行人重识别装置10还包括：预估模块和构建模块。
[0079]
其中，预估模块，为使用包含行人关键点作为标签的图像数据训练姿态估计网络。
[0080]
构建模块，基于训练后的姿态估计网络，在时域和空域上筛选出关键区域，构建超图神经网络，并使用包含行人标识的视频数据训练行人重识别网络；
[0081]
可选地，在本技术的一个实施例中，预估模块进一步用于：根据标签的位置生成真实的关键点热力图；构建姿态估计深度神经网络；将训练图像输入姿态估计深度神经网络，得到预测的关键点热力图；根据真实的关键点热力图和预测的关键点热力图计算第一损失函数，并基于损失函数更新姿态估计深度神经网络的参数。
[0082]
可选地，在本技术的一个实施例中，构建模块包括：第一获取单元、构建单元和更
新单元。
[0083]
其中，第一获取单元，用于将行人重识别训练视频中的每一帧输入姿态估计深度神经网络，得到预测的关键点位置。
[0084]
构建单元，用于构建基于姿态时序超图的行人重识别深度神经网络。
[0085]
更新单元，用于根据预测的行人类标签和真实类标签计算第二损失函数，并基于第二损失函数更新基于姿态时序超图的行人重识别深度神经网络的参数。
[0086]
可选地，在本技术的一个实施例中，计算模块200包括：载入单元、检索单元和第二获取单元。
[0087]
其中，载入单元，用于载入训练后的行人重识别深度神经网络的参数。
[0088]
检索单元，用于将查询视频输入载入后的行人重识别网络，得到查询视频的特征向量。
[0089]
第二获取单元，用于将检索视频输入行人重识别网络，得到检索视频的特征向量。
[0090]
可选地，在本技术的一个实施例中，识别模块300包括：计算单元和判定单元。
[0091]
其中，计算单元，用于计算查询视频和检索视频的特征向量之间的余弦距离。
[0092]
判断单元，用于判定查询视频和检索视频是否为同一人，如果余弦距离小于预设阈值，则判定查询视频和检索视频为同一行人，否则判定为不同行人。
[0093]
需要说明的是，前述对基于姿态时序超图网络的行人重识别方法实施例的解释说明也适用于该实施例的基于姿态时序超图网络的行人重识别装置，此处不再赘述。
[0094]
根据本技术实施例提出的基于姿态时序超图网络的行人重识别装置，使用姿态估计和超图神经网络的方法构建视频序列的时空域特征关联，通过查询和检索视频的特征向量判定行人重识别的结果，从而提高了视频时域和空域特征的融合能力，进而保证了行人重识别方法的可靠性和准确性。由此，解决了相关技术中仅考虑了如何在时空域上融合多种局部的特征，缺少对如何去建模图像局部区域之间的关联性的探索，导致视频的时域和空域特征的融合能力较差，可靠性和准确性均较低等问题。
[0095]
图5为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0096]
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
[0097]
处理器502执行程序时实现上述实施例中提供的基于姿态时序超图网络的行人重识别方法。
[0098]
进一步地，电子设备还包括：
[0099]
通信接口503，用于存储器501和处理器502之间的通信。
[0100]
存储器501，用于存放可在处理器502上运行的计算机程序。
[0101]
存储器501可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0102]
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便
于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0103]
可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
[0104]
处理器502可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0105]
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于姿态时序超图网络的行人重识别方法。
[0106]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0107]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0108]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0109]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0110]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技
术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0111]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0112]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0113]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。