CN105303152A - 一种人体再识别方法 - Google Patents
一种人体再识别方法 Download PDFInfo
- Publication number
- CN105303152A CN105303152A CN201410337472.6A CN201410337472A CN105303152A CN 105303152 A CN105303152 A CN 105303152A CN 201410337472 A CN201410337472 A CN 201410337472A CN 105303152 A CN105303152 A CN 105303152A
- Authority
- CN
- China
- Prior art keywords
- human body
- spatial
- parameter
- histogram
- human
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种人体再识别方法。采用以人体躯干部分为人体尺度空间划分的第1层图像区域、后续每一层次的人体尺度空间划分均在前一层次图像区域划分的基础上进行等面积拆分的方式对人体图像进行多层次人体尺度空间划分,获得多层次人体图像区域;选取多个颜色通道,每个颜色通道根据多层次人体尺度空间划分获得的每一层次人体图像区域进行空间直方图计算,然后多个颜色通道再次级联形成多通道空间直方图。本发明解决了现有技术在特征描述和特征匹配方面存在的不完善问题,具有较高的识别成功率和较低的虚警率。
Description
技术领域
本发明属于视频监视与识别技术领域,涉及一种人体再识别方法,尤其涉及一种使用多通道空间直方图实现人体再识别的方法。
背景技术
近年来人体目标再识别技术得到了广泛的研究,在视频网络监控、多目标跟踪和人体行为分析等方面发挥了重要作用。由于经典的人脸等生物特征在较远距离下可识度太低,研究人员逐渐把像素较多的整个人体作为识别对象。人体再识别是指利用已经存在的人体目标图库,在场景或时间变化时,通过搜索图库,再次识别和确认当前所查询人体图片的目标身份。由于存在光照、视角、姿态、背景和遮挡等极具挑战性的因素,人体再识别并不是一个容易的问题。在人体再识别过程中,通常假设在短时间内人的着装相同,因此颜色是人体再识别最常用且最有效的特征。另外,人体作为一种特殊的目标,其结构对于人体识别也非常重要。将人体图像进行合理的多层次多区域划分,能够更好地反映出人体的结构信息。
人体再识别主要使用的特征有颜色、结构、纹理、关键点以及区域描述子等。SDALF方法[文献1:FarenzenaM,BazzaniL,PerinaA,etal.Personre-identificationbysymmetry-drivenaccumulationoflocalfeatures.IEEEConferenceonComputerVisionandPatternRecognition.SanFrancisco,USA,2010:2360-2367]提取前景后将人体目标分割为头部、躯干和腿部,并使用HSV直方图和重复纹理块等特征进行组合识别。CPS方法[文献2:ChengDS,CristaniM,StoppaM,etal.Custompictorialstructuresforre-identification.BritishMachineVisionConference,Dundee,UK,2011:6]利用人体结构检测出人体的详细部位后再进行识别。上述方法对人体图像的质量要求较高,对于低解析度图像来说,难以计算形成前述方法所需要采用的特征。
在对人体图像特定区域进行描述时,颜色直方图能够表现该区域的整体特征,对视角和形状变化具有一定的不变性。SCEFA方法[文献3:HuY,LiaoS,LeiZ,etal.Exploringstructuralinformationandfusingmultiplefeaturesforpersonre-identification.IEEEConferenceonComputerVisionandPatternRecognition,Portland,USA,2013:794-799]采用分层加权的HSV直方图和双向匹配的颜色区域特征,并用Gabor纹理模式描述检测到的人体关键点。刘忠轩等提交的专利“基于视频图像中的人体图像再识别的方法”(申请号:201210592515.6)采用HSV直方图作为人体特征向量。蒋云良等提交的专利“一种应用于行人再识别的多核支持向量机多示例学习算法”(申请号:201410091319.X)则采用了HSV空间的级联组合,用支持向量机完成特征的匹配。但上述方法都只使用了颜色直方图,忽略了像素的空间位置信息,即忽略了颜色的空间结构,因此模型的分辨能力不高,对颜色直方图相似的人体目标缺乏判别能力。
以上人体再识别方法,在特征描述和特征匹配方面的不完善,造成了人体再识别的识别率成功率偏低、虚警率过高问题。
发明内容
本发明提出一种人体再识别方法,解决了现有技术在特征描述和特征匹配方面存在的不完善问题,具有较高的识别成功率和较低的虚警率。
解决上述技术问题的技术方案为:一种人体再识别方法,采用以人体躯干部分为人体尺度空间划分的第1层图像区域、后续每一层次的人体尺度空间划分均在前一层次图像区域划分的基础上进行等面积拆分的方式对人体图像进行多层次人体尺度空间划分,获得多层次人体图像区域。进一步,选取多个颜色通道,每个颜色通道根据多层次人体尺度空间划分获得的每一层次人体图像区域进行空间直方图计算,然后多个颜色通道再次级联形成多通道空间直方图。
本发明与现有技术相比,其显著优点在于:(1)本发明把空间直方图的概念扩展到多个颜色空间,构成的多通道空间直方图(本发明中记为MCSH,Multi-ChannelSpatio-Histogram)不但能避免复杂的计算过程和计算异常,而且获得了更好的人体再识别能力;(2)本发明根据人体再识别的应用场景,简化了空间直方图的定义,通过测试和交叉验证,确定了人体图像的尺度空间参数,这些测试参数具有普遍适用性,在更多的测试中得到了验证;(3)本发明通过设计的加权1-范数组合距离测度,避免了加权巴氏距离所面临的矩阵求逆问题,保证任意的MCSH特征都可以获得距离测度。
附图说明
图1是人体分层区域划分的示意图;
图2是本发明方法流程图;
图3是本发明不同通道组合的识别性能比较图;
图4是本发明与现有技术的识别性能比较图。
具体实施方式
一、本发明使用的人体尺度空间划分方法和多通道空间直方图
使用单个颜色通道建立空间直方图进行人体再识别的效果有限。本发明针对人体再识别的特定应用,以人体图像区域为单位,采用多层次多尺度的空间划分建立多个空间直方图,并且在像素特征方面引入人体图像区域的多种颜色通道,可以更准确地反映人体的颜色和结构信息。
1、人体尺度空间划分
受成像条件限制,人体再识别过程中输入的人体图像并不一定完全准确,且使用人体的手脚等特征雷同区域并不一定能为人体再识别带来益处。因为体躯干部一般在人体图像的中间位置,且图像信息比较完整,所以本发明只采用人体躯干部分作为人体尺度空间划分的第1层(基层)图像区域。然后,后续的每一层次的人体尺度空间划分均是在前一层次图像区域划分的基础上再进行等面积拆分,获得更小的图像区域。所有的层次构成尺度空间。
以对VIPeR图库中某一图片进行4层图像区域划分为例,在VIPeR图库中选取如图1中(a)和(b)所示图片进行人体尺度空间划分。图1中(a)所示图片表示一个人在斜45度视角的图片,图1中(b)所示图片表示同一个人在正面视角的图片,图中带有网格划分,其中粗线网格所框出的部分为图片中人体的躯干部分,其位于图片中部位置。选取图1中(a)粗线网格所框出的部分作为第1图像区域,如图1中(c)所示。图1中(d)、(e)、(f)依次为自顶向下的2、3、4层人体尺度空间划分后获得的人体图像区域。
2、多通道空间直方图
空间直方图是一种图像的区域描述方法,最初提出时用于图像面目标的跟踪。空间直方图结合颜色直方图和像素的空间关系,提高了颜色直方图的描述能力。
对每个尺度空间中的任意一个人体图像区域I,其空间直方图如公式(1)所示:
S(b)=<nb,μb,Σb>,b=1,2,...,B(1)
公式(1)中,b为直方图的统计区间的序号;B为统计区间总数,根据不同的图库经训练获得;nb为第b个统计区间的颜色统计值;μb和Σb分别是用属于第b个统计区间的所有像素计算获得的平均空间位置向量和位置协方差矩阵,nb、μb和Σb的定义如公式(2)所示:
公式(2)中,N为图像区域I的像素总数;ck=(x,y)T为像素k的空间坐标;如果像素k在第b个统计区间内,则函数δkb=1,如果像素k不在第b个统计区间内,则函数δkb=0。
对尺度空间划分中每个人体图像区域在进行空间直方图统计时,尺度空间划分的层次数量以及每个层次内的统计区间总数B,都是通过训练测试获得的,具有普遍适应性。例如,对图1中(c)、(d)、(e)、(f)所示的4层次划分中每个人体图像区域进行空间直方图统计时,统计区间总数B分别设为32,32,16和8。具体的训练方法在后续内容中描述。
公式(1)所示为单通道空间直方图,本发明同时使用多个颜色通道建立人体图像区域的空间直方图,从而形成多通道空间直方图。本发明除了使用HSV颜色空间外,还使用YCbCr颜色空间以及可消除光照影响的归一化RGB颜色空间。其中,HSV颜色空间和YCbCr颜色空间直接由第1层人体图像区域的原始RGB空间转换得到。为了进一步消除光照影响,本发明在提取归一化RGB空间前,先对原始RGB空间的三个通道进行直方图均衡,再按照公式(3)的定义获得归一化RGB颜色空间中的像素值:
式(3)中,R、G、B分别为红、绿、蓝颜色,nR、nG、nB分别为归一化后的红、绿、蓝颜色。
从前述三种颜色空间选出8个颜色通道{Y,Cb,Cr,H,S,nR,nG,nB},不使用V颜色通道。丢弃V颜色通道,是因为在图库测试过程中发现V颜色通道不显著。所选出的8个颜色通道中,每个通道都根据前述人体尺度空间划分获得的每一层次人体图像区域进行空间直方图计算,然后8个颜色通道再次级联形成多通道空间直方图S。例如,根据图1中(c)、(d)、(e)、(f)所示的4层人体图像区域进行空间直方图计算。所选出的8个颜色通道中,每个颜色通道都根据图1中(c)、(d)、(e)、(f)所示的4层人体图像区域进行空间直方图计算。此时,每个颜色通道提取统计区间总数为88(即32+32+16+8=88)的空间直方图。8个颜色通道再次级联形成总量化级数为704(即88×8=704)的多通道空间直方图S。
在实际场景中,摄像机一般都位于与人体高度相当或略高的水平面上。因此,利用空间信息时可以去掉图像中像素的水平方向位置信息,只保留像素的垂直方向位置信息。所以,本发明进一步将公式(1)所示的空间直方图的每个统计区间的统计对象简化为如公式(4)所示:
S(b)=<nb,μby,σby>,b=1,2,...,B(4)
式(4)中,μby和σby分别代表属于第b个统计区间的像素点在垂直方向上的坐标位置分布均值和标准差,即μby=μb(2),前述两种垂直方向的空间信息对于相同人体图片具有较好的不变性。
则简化后形成的多通道空间直方图如公式(5)所示:
S={h=(nb),μy=(μby),σy=(σby),b=1,2,...,B}(5)
可以看出,多通道空间直方图由三个向量h、μy和σy组成,而每一个向量构成人体图像区域的一个子特征。本发明中只保留垂直方向空间信息的多通道空间直方图信息就是本发明所述多通道直方图特征。
通过去除性能较差的水平空间信息,每个统计区间的特征提取速度和存储空间都得到了优化。例如,特征优化后,根据图1中(c)、(d)、(e)、(f)所示的4层人体图像区域进行空间直方图计算获得的8个通道的直方图S含有三个704维的子特征向量,它们从不同的角度构成了对人体的特征描述。
二、本发明使用的多通道空间直方图的距离测度
常规的空间直方图距离是加权巴氏距离(BhattacharyyaDistance),它将空间相似度信息融入到直方图测度中。对于两个不同人体图像区域形成的空间直方图S(b)=<nb,μb,Σb>和S'(b)=<n'b,μ'b,Σ'b>,b=1,2,...,B,加权巴氏距离计算如式(6)、(7)、(8)所示:
式(6)、(7)、(8)中,权重为空间相似性测度,C是满足公式(8)权重归一化条件的常数。在计算权重时,公式(7)采用马氏距离(MahalanobisDistance)作为空间向量的归一化权重,用负指数函数把归一化距离转换到[0,1]区间。在计算马氏距离时,其加权协方差为
在获取多通道空间直方图后,如果直接采用公式(6)计算距离测度,不但存在大量矩阵求逆运算带来的高计算复杂性,而且实际计算时常出现矩阵不可逆的现象。因此,根据人体再识别的实际情况,不能采用常规的加权巴氏距离。这也是本发明中对空间直方图进行改造,只保留垂直方向的空间信息的重要原因。
在本发明中,构造了只保留垂直方向信息的多通道空间直方图,因此本发明设计了加权1-范数距离测度,实现多向量的距离测度合成。本发明所述加权1-范数距离测度是三个子特征h、μy和σy的1-范数距离测度的加权组合,如公式(9)所示:
d(S,S′)=w1||h-h'||1+w2||μy-μ'y||1+w3||σy-σ'y||1(9)
公式(9)中,S和S′分别代表训练图库中任意两副人体图像的多通道空间直方图。d(S,S′)为S和S′的加权1-范数距离测度,w1、w2和w3是子特征h、μy和σy的权重,令三个子特征的组合权重为wf(f=1,2,3),则wf(f=1,2,3)需满足公式(10)所示的归一化条件:
三、加权1-范数距离测度参数和人体尺度空间划分参数的训练
公式(9)中三个子特征权重w1、w2和w3的组合权重wf(f=1,2,3)是加权1-范数距离测度的必要参数,平均地设置w1、w2和w3并不能带来良好的再识别性能。另外,多通道直方图特征向量的计算与人体尺度空间参数(包括尺度空间划分层数和统计区间总数B)直接相关。
因此,在使用本发明所述多通道直方图和加权1-范数距离测度进行人体再识别之前,需要在训练图库上对人体图像进行交叉验证,通过训练获得具有最高正确识别率的组合权重wf(f=1,2,3)、尺度空间划分层数以及统计区间总数B的最优参数组合。本发明称之为离线训练阶段。
然后,根据训练获得的最优尺度空间划分层数和统计区间总数值,对需要识别的两幅图像计算获得多通道直方图特征,再根据训练获得的最优权值使用加权1-范数距离测度计算要识别的两幅图像的相似性,以完成两幅人体图像的再识别任务。本发明称之为在线识别阶段。
如图2所示,离线训练阶段在图库中进行交叉验证的过程为:
在满足公式(10)的前提下,以wf等值步进为条件,例如等值步进0.01为条件,构造组合权重wf(f=1,2,3)的一个候选组合权重参数,所有的候选组合权重参数形成候选组合权重参数集合;选择多种人体尺度空间参数,即选择多种尺度空间划分层数和统计区间总数作为候选人体尺度空间参数集合;
选择合适的训练图库,可以是通用图库,也可以是用户应用特定图库;
在人体尺度空间参数集合中选择任意一个尺度空间划分层数、一个统计区间总数;在候选组合权重参数集合中任选一个组合权重的组合;空间尺度参数和权重参数是并列的关系,需要遍历它们的所有组合;
按照交叉验证的方法,利用图库形成测试集和训练集;针对训练图库中选择的任意两张人体图像,根据选择的尺度空间划分层数和统计区间总数,对该任意两张人体图像计算其多通道直方图特征向量;在候选组合权重参数集合中选择任意一个组合权重,根据选择的组合权重使用加权1-范数距离测度计算该任意两张人体图像的相似性,根据最邻近(NN,NearestNeighbor)原则,交叉验证所选择的参数在人体图库上的再识别性能。根据测试集和训练集对1-范数距离测度的组合加权参数进行学习和验证;多次随机划分测试集和训练集,形成特定尺度空间参数下加权1-范数距离测度最优的组合权重参数;
每次交叉验证时,先选择训练图库中的一半人体图像作为训练样本,然后用另一半人体图向作为测试样本,统计并记录正确识别率。最后,在遍历完成所有候选组合权重参数和候选人体尺度空间参数后,选择具有最高正确识别率的组合权重参数和人体尺度空间参数作为最优的人体尺度空间划分参数和加权1-范数距离测度参数。
本发明的有益效果可以通过以下实验进一步验证:
在评估人体再识别方法的性能时,目前通常采用累积匹配特性曲线(CumulativeMatchingCharacteristic,CMC)进行评估。CMC曲线反映的是在目标图库前n个最相似候选目标内找到探测图片正确匹配的概率。n=1时的Rank-1指标反映最相似候选目标刚好为探测图片目标的概率,类似于传统人脸识别的正确识别率。通常CMC曲线下的归一化面积(normalizedAreaUnderCMC,nAUC)能够反映出CMC曲线的整体性能。
VIPeR图库是人体再识别中使用最多的单帧模式图库,它包含某校园中632对不同视角、姿态和光照条件下采集到的行人图片。本发明离线训练阶段采用典型的5轮二分交叉验证方法,可以计算出平均的CMC曲线。每轮交叉验证时从图库选出316对行人,其中一半用作目标图库,另一半用作探测集,每个人在目标图库和探测集中均只含一张图片。
在VIPeR图库上验证多通道空间直方图特征本身的性能,所得CMC曲线如图3所示,图中只画出了目标库前10%排序值的结果。图3首先考察了本发明多通道空间直方图(MCSH特征)三个子特征的识别性能(MCSH-Hist表示1-范数测度中只使用颜色直方图向量,MCSH-Ymean表示1-范数测度中只使用Y位置向量,MCSH-Ystd表示1-范数测度中只使用Y方差向量),以及使用公式(1)传统空间直方图测度(简记为MCSH-TSM,TraditionalSpatiogramsMetric)的识别性能。MCSH组合特征计算测度时设定权重w=(0.45,0.3,0.25)。从图3可发现,单独使用MCSH中的子特征不能得到满意的性能,而三个子特征的加权合成可以获得很好的性能,远远好于传统巴氏距离测度。
图4将本发明与当前其他主要人体再识别方法进行了比较,参与比较的方法包括特征类的SDALF、MSPC和SCEAF方法,以及测度学习类的PRDC方法。为了比较本发明在计算时间上的效率,表1比较了MCSH特征方法和部分其他方法在VIPeR图库上进行特征提取和测度学习/计算的时间耗费。
表1计算时间比较
根据图4和表1可得如下结论:(1)本发明(MCSH)所含的空间信息增强了直方图的识别性能,三个子特征互补性较好,公式(1)定义空间直方图的传统测度方法计算时间极长,性能却差于MCSH子特征;(2)MCSH特征方法的CMC曲线优于其他特征类方法,包括目前最新的SCEAF多特征组合方法,而且本文特征不需要进行复杂的前景/背景分割和人体部件检测,特征提取时间短;(3)MCSH特征采用式1-范数加权组合测度的计算效率很高,在不进行测度学习的情况下仍优于多数测度学习方法,其CMC曲线的整体性能超过了测度学习方法,Rank-1指标达到28.2%,是目前性能最好的人体再识别特征描述方法。
Claims (7)
1.一种人体再识别方法,其特征在于,采用以人体躯干部分为人体尺度空间划分的第1层图像区域、后续每一层次的人体尺度空间划分均在前一层次图像区域划分的基础上进行等面积拆分的方式对人体图像进行多层次人体尺度空间划分,获得多层次人体图像区域。
2.如权利要求1所述的人体再识别方法,其特征在于,选取多个颜色通道,每个颜色通道根据多层次人体尺度空间划分获得的每一层次人体图像区域进行空间直方图计算,然后多个颜色通道再次级联形成多通道空间直方图。
3.如权利要求2所述的人体再识别方法,其特征在于,选取8个颜色通道{Y,Cb,Cr,H,S,nR,nG,nB},其中,Y、Cb、Cr为YCbCr颜色空间的三个颜色通道,H、S为HSV颜色空间的H颜色通道和S颜色通道,nR、nG、nB为RGB颜色空间归一化后的R、G、B颜色通道,在提取归一化RGB空间前,先对原始RGB空间的三个通道进行直方图均衡;获得归一化RGB颜色空间中的像素值的计算方式如公式(1)所示:
式(1)中,R、G、B分别为红、绿、蓝颜色,nR、nG、nB分别为归一化后的红、绿、蓝颜色。
4.如权利要求2所述的人体再识别方法,其特征在于,在进行空间直方图计算时,去掉图像中像素的水平方向位置信息,保留垂直方向位置信息;所形成的多通道空间直方图S如公式(2)所示:
S={h=(nb),μy=(μby),σy=(σby),b=1,2,...,B}(2)
公式(2)中,h=(nb)、μy=(μby)、σy=(σby)是组成多通道空间直方图S的三个向量;其中,b为直方图的统计区间的序号;B为统计区间总数;nb为第b个统计区间的颜色统计值;μby和σby分别代表属于第b个统计区间的像素点在垂直方向上的坐标位置分布均值和标准差,且μby=μb(2)、μb和Σb分别是用属于第b个统计区间的所有像素计算获得的平均空间位置向量和位置协方差矩阵。
5.如权利要求4所述的人体再识别方法,其特征在于,使用加权1-范数距离测度实现多向量的距离测度合成,所述加权1-范数距离测度如公式(3)所示:
d(S,S′)=w1||h-h'||1+w2||μy-μ'y||1+w3||σy-σ'y||1(3)
公式(3)中,S和S′分别代表两副人体图像的多通道空间直方图,d(S,S′)为多通道空间直方图S和S′的加权1-范数距离测度,w1、w2和w3分别是加权1-范数距离测度三个子特征h、μy和σy的权重,令三个子特征的组合权重为wf(f=1,2,3),则wf(f=1,2,3)满足公式(4)所示的归一化条件:
6.如权利要求4所述的人体再识别方法,其特征在于,在使用所述多通道直方图和加权1-范数距离测度进行人体再识别之前,先在训练图库上对人体图像进行交叉验证,通过训练获得具有最高正确识别率的组合权重wf(f=1,2,3)、尺度空间划分层数以及统计区间总数的最优参数组合;然后,根据训练获得的最优尺度空间划分层数和统计区间总数,对需要识别的两幅图像计算获得多通道直方图特征,再根据训练获得的最优组合权重使用加权1-范数距离测度计算待识别的两幅图像的相似性,以完成人体再识别任务;所述交叉验证的过程为:
在满足公式(4)的前提下,以wf等值步进为条件,构造组合权重wf(f=1,2,3)的一个候选组合权重参数,所有的候选组合权重参数形成候选组合权重参数集合;选择多种人体尺度空间参数,即选择多种尺度空间划分层数和统计区间总数作为候选人体尺度空间参数集合;
在人体尺度空间参数集合中选择任意一个尺度空间划分层数、一个统计区间总数;在候选组合权重参数集合中任选一个组合权重的组合;
按照交叉验证的方法,利用训练图库形成测试集和训练集;针对训练图库中选择的任意两张人体图像,根据选择的尺度空间划分层数和统计区间总数,对该任意两张人体图像计算其多通道直方图特征向量;根据选择的组合权重使用加权1-范数距离测度计算该任意两张人体图像的相似性;根据最邻近原则,交叉验证所选择的参数在人体图库上的再识别性能;根据测试集和训练集对加权1-范数距离测度的组合权重参数进行学习和验证;多次随机划分测试集和训练集,形成特定尺度空间参数下加权1-范数距离测度最优的组合权重。
7.如权利要求6所述的人体再识别方法,其特征在于,交叉验证时,先选择训练图库中的一半人体图像作为训练样本,然后再用另一半人体图向作为测试样本,统计并记录正确识别率;在遍历完成所有候选组合权重参数和候选人体尺度空间参数后,选择具有最高正确识别率的组合权重参数和人体尺度空间参数作为最优的人体尺度空间划分参数和加权1-范数距离测度的组合权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410337472.6A CN105303152B (zh) | 2014-07-15 | 2014-07-15 | 一种人体再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410337472.6A CN105303152B (zh) | 2014-07-15 | 2014-07-15 | 一种人体再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105303152A true CN105303152A (zh) | 2016-02-03 |
CN105303152B CN105303152B (zh) | 2019-03-22 |
Family
ID=55200403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410337472.6A Active CN105303152B (zh) | 2014-07-15 | 2014-07-15 | 一种人体再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303152B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548139A (zh) * | 2016-10-21 | 2017-03-29 | 华中科技大学 | 一种行人重识别方法 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
CN108647663A (zh) * | 2018-05-17 | 2018-10-12 | 西安电子科技大学 | 基于深度学习和多层次图结构模型的人体姿态估计方法 |
CN108828574A (zh) * | 2018-04-26 | 2018-11-16 | 电子科技大学 | 一种类间分离增强子空间真假目标特征提取方法 |
CN109190475A (zh) * | 2018-08-01 | 2019-01-11 | 中国计量大学 | 一种人脸识别网络与行人再识别网络协同训练方法 |
CN110458139A (zh) * | 2019-08-19 | 2019-11-15 | 浙江工业大学 | 基于行人身体子区域颜色直方图的行人重识别预匹配方法 |
WO2020052513A1 (zh) * | 2018-09-14 | 2020-03-19 | 阿里巴巴集团控股有限公司 | 图像识别和行人再识别方法及装置,电子和存储设备 |
WO2020147308A1 (zh) * | 2019-01-15 | 2020-07-23 | 南京人工智能高等研究院有限公司 | 对象识别方法、对象识别装置和电子设备 |
CN111738927A (zh) * | 2020-03-23 | 2020-10-02 | 阳光暖果(北京)科技发展有限公司 | 基于直方图均衡化的人脸识别特征增强与去噪方法及系统 |
CN113096162A (zh) * | 2021-04-21 | 2021-07-09 | 青岛海信智慧生活科技股份有限公司 | 一种行人识别跟踪方法及装置 |
CN113486979A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 基于关键点的轻量级目标检测方法 |
CN113781488A (zh) * | 2021-08-02 | 2021-12-10 | 横琴鲸准智慧医疗科技有限公司 | 舌象图像的分割方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1691054A (zh) * | 2004-04-23 | 2005-11-02 | 中国科学院自动化研究所 | 基于内容的图像识别方法 |
US20100034457A1 (en) * | 2006-05-11 | 2010-02-11 | Tamir Berliner | Modeling of humanoid forms from depth maps |
CN104091302A (zh) * | 2014-07-10 | 2014-10-08 | 北京工业大学 | 一种基于多尺度空间的鲁棒水印嵌入与提取方法 |
-
2014
- 2014-07-15 CN CN201410337472.6A patent/CN105303152B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1691054A (zh) * | 2004-04-23 | 2005-11-02 | 中国科学院自动化研究所 | 基于内容的图像识别方法 |
US20100034457A1 (en) * | 2006-05-11 | 2010-02-11 | Tamir Berliner | Modeling of humanoid forms from depth maps |
CN104091302A (zh) * | 2014-07-10 | 2014-10-08 | 北京工业大学 | 一种基于多尺度空间的鲁棒水印嵌入与提取方法 |
Non-Patent Citations (1)
Title |
---|
曾明勇等: "多通道特征级联的人体目标再识别", 《军事通信技术》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548139A (zh) * | 2016-10-21 | 2017-03-29 | 华中科技大学 | 一种行人重识别方法 |
CN106548139B (zh) * | 2016-10-21 | 2019-04-12 | 华中科技大学 | 一种行人重识别方法 |
CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
CN107506700B (zh) * | 2017-08-07 | 2021-03-16 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
CN108828574B (zh) * | 2018-04-26 | 2022-02-08 | 电子科技大学 | 一种类间分离增强子空间真假目标特征提取方法 |
CN108828574A (zh) * | 2018-04-26 | 2018-11-16 | 电子科技大学 | 一种类间分离增强子空间真假目标特征提取方法 |
CN108647663A (zh) * | 2018-05-17 | 2018-10-12 | 西安电子科技大学 | 基于深度学习和多层次图结构模型的人体姿态估计方法 |
CN108647663B (zh) * | 2018-05-17 | 2021-08-06 | 西安电子科技大学 | 基于深度学习和多层次图结构模型的人体姿态估计方法 |
CN109190475A (zh) * | 2018-08-01 | 2019-01-11 | 中国计量大学 | 一种人脸识别网络与行人再识别网络协同训练方法 |
CN109190475B (zh) * | 2018-08-01 | 2021-09-14 | 中国计量大学 | 一种人脸识别网络与行人再识别网络协同训练方法 |
WO2020052513A1 (zh) * | 2018-09-14 | 2020-03-19 | 阿里巴巴集团控股有限公司 | 图像识别和行人再识别方法及装置,电子和存储设备 |
WO2020147308A1 (zh) * | 2019-01-15 | 2020-07-23 | 南京人工智能高等研究院有限公司 | 对象识别方法、对象识别装置和电子设备 |
CN110458139A (zh) * | 2019-08-19 | 2019-11-15 | 浙江工业大学 | 基于行人身体子区域颜色直方图的行人重识别预匹配方法 |
CN110458139B (zh) * | 2019-08-19 | 2022-02-11 | 浙江工业大学 | 基于行人身体子区域颜色直方图的行人重识别预匹配方法 |
CN111738927A (zh) * | 2020-03-23 | 2020-10-02 | 阳光暖果(北京)科技发展有限公司 | 基于直方图均衡化的人脸识别特征增强与去噪方法及系统 |
CN113096162A (zh) * | 2021-04-21 | 2021-07-09 | 青岛海信智慧生活科技股份有限公司 | 一种行人识别跟踪方法及装置 |
CN113096162B (zh) * | 2021-04-21 | 2022-12-13 | 青岛海信智慧生活科技股份有限公司 | 一种行人识别跟踪方法及装置 |
CN113486979A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 基于关键点的轻量级目标检测方法 |
CN113781488A (zh) * | 2021-08-02 | 2021-12-10 | 横琴鲸准智慧医疗科技有限公司 | 舌象图像的分割方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105303152B (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303152A (zh) | 一种人体再识别方法 | |
An et al. | Reference-based person re-identification | |
CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN106778517A (zh) | 一种监控视频序列图像车辆再识别的方法 | |
Vignesh et al. | Face image quality assessment for face selection in surveillance video using convolutional neural networks | |
CN105160317A (zh) | 一种基于区域分块行人性别识别方法 | |
CN108830185B (zh) | 基于多任务联合学习的行为识别及定位方法 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN102176208A (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN103632146A (zh) | 一种基于头肩距的人体检测方法 | |
CN110309810B (zh) | 一种基于批次中心相似度的行人重识别方法 | |
Beksi et al. | Object classification using dictionary learning and rgb-d covariance descriptors | |
CN111488951B (zh) | 一种用于rgb-d图像分类的对抗度量学习模型生成方法 | |
CN109543546A (zh) | 基于深度序分布回归的步态年龄估计方法 | |
Yang et al. | A method of pedestrians counting based on deep learning | |
CN110321935A (zh) | 业务事件关系确定方法及装置、计算机可读存储介质 | |
CN113011359B (zh) | 一种基于图像的同时检测平面结构和生成平面描述的方法及应用 | |
US10311332B2 (en) | Orientation-based subject-matching in images | |
Messelodi et al. | Boosting fisher vector based scoring functions for person re-identification | |
CN110110670B (zh) | 基于Wasserstein度量的行人跟踪中的数据关联方法 | |
CN107944340A (zh) | 一种结合直接度量和间接度量的行人再识别方法 | |
CN115311327A (zh) | 融合共现统计与fhog梯度特征的目标跟踪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |