CN106022293A - 一种基于自适应共享小生境进化算法的行人再识别方法 - Google Patents
一种基于自适应共享小生境进化算法的行人再识别方法 Download PDFInfo
- Publication number
- CN106022293A CN106022293A CN201610378683.3A CN201610378683A CN106022293A CN 106022293 A CN106022293 A CN 106022293A CN 201610378683 A CN201610378683 A CN 201610378683A CN 106022293 A CN106022293 A CN 106022293A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- pixel
- evolution algorithm
- population
- self
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于自适应共享小生境进化算法的行人再识别方法,包括以下步骤:(1)设计自适应共享小生境:(2)设计基于自适应共享小生境的进化算法,该算法根据自适应共享小生境技术设计进化算子和适应值函数,并通过合理设置参数,人为控制搜索方向,以及维持种群多样性等手段改善传统进化算法;(3)将基于自适应共享小生境进化算法应用于行人再识别问题,优化特征选择与提取过程,指导相似性度量方法的设计,提升行人再识别的准确度。本发明解决了传统进化算法存在的收敛速度慢和易早熟两大缺陷,并在很大程度上提升了行人再识别的准确度。
Description
技术领域
本发明涉及计算机视觉的行人再识别技术领域,特别涉及一种基于自适应共享小生境进化算法的行人再识别方法。
背景技术
行人再识别是指利用计算机技术在监控视频中自动识别出某个特定的已经在监控网络中出现过的行人。这是一个有着重要现实意义的研究问题,可以应用于刑事侦查中的罪犯追踪和确认,在公共场所中寻找丢失的小孩等,是近几年计算机视觉及相关领域的研究热点。
行人再识别技术按照技术方案的不同可以分为两类,一类基于生物特征,如人脸、步态等;另一类基于外貌特征,如所穿着的衣服和携带的物品等。基于生物特征的行人再识别对于监控视频的清晰度、拍摄角度以及拍摄环境等有较高的要求,而实际的监控环境往往很复杂且不可控,所获取的行人图像质量较低,很难提取鲁棒的人脸和步态等生物特征。因此,基于生物特征的行人再识别的实际应用相对较少,基于外貌特征的行人再识别成为研究热点。但是,基于外貌特征的行人再识别技术仍然面临诸多难题。首先,受监控环境的光照变化、人的姿态变化以及不同拍摄角度等因素的影响,可能导致同一行人在不同监控视频中的图像有着一定程度的差异,也可能导致不同的人看起来很相似,这会使得所提取的外貌特征变得不可靠从而影响识别结果。其次,目前还没有一个足够好的相似性度量方法能够直接应用于行人再识别问题中,而相似性度量方法的好坏会直接影响识别的准确度。
行人再识别问题的实质是对两幅图像中的行人特征进行匹配,即计算一副图像中的特征集在另一幅图像中的最佳覆盖,是一个典型的优化问题。可用于优化问题的方法有很多,近年来,进化算法因其速度快、可靠性高而引起研究者们的关注。进化算法是一类以Darwin自然进化论和Mendel遗传变异理论为基础的求解复杂全局优化问题的仿生型算法,基于适者生存、优胜劣汰的进化原则,通过对包含可能解的群体反复使用遗传学基本操作,使之不断生成新的群体,最终促使种群不断进化。进化算法在优化计算过程中不依赖优化变量的具体取值,能够求解一些无法用数值表达的问题;也不依赖具体的目标函数,只需要构造一个合适的适应度计算方法,可用于无目标函数或目标函数无法准确估值的优化问题;进化计算是一个群体搜索策略,而不是专门针对某个个体,适合全局求解;进化算法采用概率搜索机制,能够保证进化过程中的个体一直保持寻优的活力。进化算法的这些特点使其成为一种适合图像处理目标优化的技术,在图像处理中的研究和应用日益增多。
将进化算法应用于行人再识别问题,主要是应用进化算法优化特征选择与提取过程,以及指导相似性度量方法的设计,能够在很大程度上提升行人再识别的准确度。但传统进化算法本身在理论和应用技术上也有一些不足,从实际应用的角度看,比较突出的有两点。一是进化算法在变量多、取值范围大或无给定范围时收敛速度会下降,从而影响算法效率。与其相反的另外一个问题是,进化算法很容易出现“早熟”现象,即很快收敛到局部最优解而不是全局最优解。相比较而言,改善早熟现象比提高收敛速度更加困难。
收敛速度可能受多种因素影响,若求解问题的规模很大,其搜索空间就会很大,收敛所需要的代数必然会增多。此外,所运用的搜索策略、计算方法以及设置的收敛条件等,都会影响收敛速度。目前已有的对于提高进化算法收敛速度的研究,基本都是从改善搜索策略或提升计算效率等方面着手的,不能根本解决大规模复杂优化问题所导致的收敛速度慢问题。
早熟现象产生的根本原因在于进化算法后期未能有效维护种群多样性,导致算法搜索停滞不前,最后只能收敛到局部解。因此,如何维持种群多样性是解决早熟问题的关键。小生境技术通过表示个体之间相似度的共享函数来强调群体中各个个体的适应度,从而在群体的进化过程中,算法能够依据调整后的适应度进行选择操作,有效维护种群多样性。小生境技术的这一特点使其成为解决进化算法早熟现象的一种比较有效的方法,但传统小生境技术需要事先掌握一定的解空间中的信息,这使得对于解空间了解不够的问题解决起来比较困难。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种基于自适应共享小生境进化算法的行人再识别方法,解决传统进化算法存在的收敛速度慢和易早熟两大缺陷,然后将算法应用于行人再识别问题的特征选择与表示,以得到具有较高鲁棒性和可靠性的特征表示模型,以及更加合理有效的相似性度量方法,解决了传统进化算法的问题,提升了行人再识别的准确度。
本发明的目的通过以下技术方案实现:
一种基于自适应共享小生境进化算法的行人再识别方法,包括以下步骤:
(1)设计自适应共享小生境:
(1-1)随机生成初始种群,计算每个个体的适应值Fa,其中,a=1,2,…,M,M是初始种群个体的数量;
(1-2)将种群分成p个聚类,采用比例选择方法从当前种群中选取N个个体,其中,N<M,p值随机产生;
(1-3)使用单点交叉和基本位变异的方法,从每个聚类中随机选取个体进行交叉和变异,产生新个体,直到种群规模达到N为止;
(1-4)重复上述步骤直到达到设定的收敛条件;当前种群的聚类中心即为极值点的集合;
(2)设计基于自适应共享小生境的进化算法,所述进化算法包括:
(2-1)采用以下映射函数初始化种群:
τn表示当前已经生成的个体的值,τn+1表示接下来要生成计算的个体的值,n为正整数;
(3)首先应用步骤(2)得到的基于自适应共享小生境的进化算法对行人图像进行颜色不变性处理,再对行人图像进行自适应图像分割,分割成不同的区域;然后学习距离函数;对行人图像对进行匹配,得到行人再识别结果。
步骤(2)所述进化算法包括:
(2-2)采用以下方法控制种群的搜索方向:对于搜索空间中的较优个体序列X=xj,j=1,2,3…np;
其中,为第m次迭代后xj的数据值;xj代表搜索空间中当前个体序列的第j维数据;Tc为变异尺度,μg为压缩因子。
步骤(2)所述进化算法包括:
(2-3)采用以下方法进行种群的多样性度量:
其中,Si的计算方法如下:
其中,d表示个体的序列长度,np为种群规模,xj,i表示第i个个体序列中的第j维数据;xj,max为第j维数据允许的最大值;xj,min为第j维数据允许的最小值。
所述颜色不变性处理包括以下步骤:
在RGB颜色空间中,对行人图像进行以下操作:
(3-1-1)对每个像素点按以下公式进行操作:
(3-1-2)对每个像素点按以下公式进行操作:
(3-1-3)重复(3-1-1)~(3-1-2),直至(3-1-1)和(3-1-2)的处理结果之差小于设定值。
所述自适应图像分割包括以下步骤:
(3-2-1)计算行人图像的每个像素点的能量值,根据能量值分布情况,将所有像素点分成m个区间,抛掉像素点个数过少的区间,从剩余的k个区间中各选择一个像素点,作为初始聚类中心:k≤m;
f是待处理的图像,e(x,y)是待处理的图像中的像素点(x,y)的能量值,grad()为梯度计算函数;
(3-2-2)使用欧氏距离计算行人图像的每个像素点到k个聚类中心点的距离,将其分配给距离最近的中心点,从而将所有点归属成k个聚类:对于待处理的图像中的任意像素点p和q,其欧氏距离为:
D(p,q)=|ep-eq|
D(p,q)表示像素点p和q之间的距离,通过两个像素点能量差的方式计算得到,ep和eq分别表示像素点p和q的能量值;
(3-2-3)使用下述公式作为步骤(2)的进化算法的适应度函数,重新计算每个聚类的中心点:
Cv表示第v个聚类,ep是聚类Cv中的像素点p的能量值,Mv是聚类Cv.中所有像素点能量值的平均数;wt为惩罚因子;
(3-2-4)重复步骤(3-2-2)~(3-2-3),直至收敛。
所述学习距离函数包括以下步骤:
(3-3-1)学习距离函数,采用进化算法进行迭代优化得到A,B,W以及z的具体值
F(X,Y)=XTAX+YTAY+XTBX+YTBY+WTX+WTY+z
X,Y为行人图像的特征向量,A,B,W为调节矩阵,z为偏移量;
(3-3-2)使用学习得到的距离函数,计算经步骤(3-2)的自适应图像分割后得到的各个区域的距离以得到最终的距离,采用步骤(2)得到的进化算法来进行目标优化,得到最优权值向量。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明对传统小生境算法进行改进,并依据改进的小生境技术及相关操作,对传统进化算法进行改进,解决其收敛速度慢和易早熟的缺陷,根据行人再识别各个环节的具体特点,运用改进后的进化算法进行目标优化,切实提高了识别的准确度。
(2)本发明通过对颜色特征进行不变性处理,以解决拍摄角度和光照变化的影响,并采取基于进化算法和模糊聚类的方式对行人图像进行高度自适应地分割,能够提取到更加稳定和有区分性的行人外貌特征。
(3)本发明使用进化算法改进传统的马氏距离模型,加强距离函数对个体视觉特征变化的捕捉能力,能够切实提升匹配的效率和准确性。
附图说明
图1为本发明的基于自适应共享小生境进化算法的行人再识别方法的流程示意图。
图2为VIPeR数据集中本发明的方法与其它经典行人再识别方法的识别结果对比图。
图3为CUHK01数据集中本发明的方法与其它经典行人再识别方法的识别结果对比图。
具体实施方式
下面结合实施例,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
本实施例在经典的行人再识别数据集VIPeR和CUHK01中实施基于自适应共享小生境进化算法的行人再识别方法。首先对行人图像进行颜色不变性处理和自适应分割,然后学习距离函数,对行人图像对进行匹配,最后给出匹配结果的CMC曲线图。
如图1所示,一种基于自适应共享小生境进化算法的行人再识别方法,包括以下步骤:
(1)设计自适应共享小生境,对传统的共享小生境技术进行改进。先是对峰半径自适应编码,使得不需要事先掌握解空间的信息;然后引进模糊聚类分析,将其与共享小生境技术结合,以提高算法的搜索效率,具体步骤如下:
(1-1)随机生成初始种群,计算每个个体的适应值Fa,其中,a=1,2,…,M,M是初始种群个体的数量;
(1-2)将种群分成p个聚类,采用比例选择方法从当前种群中选取N个个体,其中,N<M,p值随机产生;
(1-3)使用单点交叉和基本位变异的方法,从每个聚类中随机选取个体进行交叉和变异,产生新个体,直到种群规模达到N为止;
(1-4)重复上述步骤直到达到设定的收敛条件;当前种群的聚类中心即为极值点的集合;
(2)设计基于自适应共享小生境的进化算法,所述进化算法包括:
(2-1)采用以下映射函数初始化种群,对传统的共享小生境技术进行改进。先是对峰半径自适应编码,使得不需要事先掌握解空间的信息;然后引进模糊聚类分析,将其与共享小生境技术结合,以提高算法的搜索效率;
τn表示当前已经生成的个体的值,τn+1表示接下来要生成计算的个体的值,n为正整数;其中τ0随机生成;
进化算法包括:
(2-2)为了减少计算量,加快搜索速度,将人为控制种群的搜索方向,使得算法随着代数的增加围绕较优个体的搜索空间逐渐缩小。对于较优个体中的量xj,每一次迭代其新位置用下述方法计算得到。具体采用以下方法控制种群的搜索方向:对于搜索空间中的较优个体序列X=xj,j=1,2,3…np;
其中,为第m次迭代后xj的数据值;xj代表搜索空间中当前个体序列的第j维数据,是一个较优个体,搜索围绕着该较优个体进行,不断迭代产生新的值;Tc为变异尺度,μg为压缩因子;
(2-3)采用以下方法进行种群的多样性度量:
其中,Si的计算方法如下:
其中,d表示个体的序列长度,np为种群规模,xj,i表示第i个个体序列中的第j维数据;xj,max为第j维数据允许的最大值;xj,min为第j维数据允许的最小值;
(3)应用步骤(2)得到的基于自适应共享小生境的进化算法对行人图像进行颜色不变性处理和自适应图像分割,然后学习距离函数,对行人图像对进行匹配,得到行人再识别结果;
(3-1)颜色不变性处理:
所述颜色不变性处理包括以下步骤:
在RGB颜色空间中,对行人图像进行以下操作:
(3-1-1)对每个像素点按以下公式进行操作:
(3-1-2)对每个像素点按以下公式进行操作:
(3-1-3)重复(3-1-1)~(3-1-2),直至(3-1-1)和(3-1-2)的处理结果之差小于设定值;
光照变化和拍摄角度变化是行人再识别问题中影响颜色变化的两大主要因素。在RGB颜色空间中,假设两种拍摄角度或光照条件下得到的某像素点的颜色描述子分别为(R1,G1,B1)和(R2,G2,B2)。若拍摄角度不同,则有R2=sR1,G2=sG1,B2=sB1,要想保持颜色不变性,只需要对每个像素点执行步骤(3-1-1)的操作,将RGB颜色空间进行调整。若光照条件不同,则有R2=αR1,G2=βG1,B2=γB1。只需要对每个像素点执行下述公式的操作,将RGB颜色空间进行调整。但如果同时解决拍摄角度和光照变化引起的颜色变化,使用单独应用步骤(3-1-1)和步骤(3-1-2)都没有办法做到。本实施例采用步骤(3-1-1)和步骤(3-1-2),即可解决这一问题。对于一副输入图像,先按(3-1-1)进行处理,然后再使用第二个公式进行处理,如此反复,直到两次处理结果差别足够小。运用改进的进化算法来解决这一问题,能够减少计算量,加快迭代过程的收敛速度。
(3-2)自适应图像分割:
所述自适应图像分割包括以下步骤:
(3-2-1)计算行人图像的每个像素点的能量值,根据能量值分布情况,将所有像素点分成m个区间,抛掉像素点个数过少的区间,从剩余的k个区间中各选择一个像素点,作为初始聚类中心:k≤m;
f是待处理的图像,e(x,y)是待处理的图像中的像素点(x,y)的能量值,grad()为梯度计算函数;表示对像素点的x分量求导,表示对像素点的y分量求导。
(3-2-2)使用欧氏距离计算行人图像的每个像素点到k个聚类中心点的距离,将其分配给距离最近的中心点,从而将所有点归属成k个聚类:对于待处理的图像中的任意像素点p和q,其欧氏距离为:
D(p,q)=|ep-eq|
D(p,q)表示像素点p和q之间的距离,通过两个像素点能量差的方式计算得到,ep和eq分别表示像素点p和q的能量值;
(3-2-3)使用下述公式作为步骤(2)的进化算法的适应度函数,重新计算每个聚类的中心点:
Cv表示第v个聚类,ep是聚类Cv中的像素点p的能量值,Mv是聚类Cv.中所有像素点能量值的平均数;wt为惩罚因子;其中w取值为聚类Cv中像素点个数的倒数,t一般取经验值2;
(3-3)学习距离函数:以马氏距离模型为基础,保留其充分考虑了特征向量各个分量之间相关性的优点,通过度量学习,加强其对个体表观特征变化的捕捉能力。
所述学习距离函数包括以下步骤:
(3-3-1)学习距离函数,采用进化算法进行迭代优化得到A,B,W以及z的具体值。
F(X,Y)=XTAX+YTAY+XTBX+YTBY+WTX+WTY+z
X,Y为行人图像的特征向量,A,B,W为调节矩阵,z为偏移量;
(3-3-2)使用学习得到的距离函数,计算经步骤(3-2)的自适应图像分割得到的各个区域的距离以得到最终的距离,采用步骤(2)得到的进化算法来进行目标优化,得到最优权值向量。
采用本实施例的基于自适应共享小生境的进化算法对行人图像对进行匹配的一个实例如下:
当使用颜色特征进行行人再识别的时候,由于拍摄角度、光照变化等因素的影响,同一个行人的外貌特征可能变得不同,从而会导致错误的匹配结果。因此,本发明首先运用进化算法的迭代优化,对图像颜色进行不变性处理,迭代过程如下。其中,TI和SI分别代表处理后的图像和原始图像,P1和P2表示处理过程,分别对应光照变化和拍摄角度变化的处理公式,ε是一个非常小的正数。同一行人的两幅颜色不一致的图像经处理后颜色会变得比较一致。
(1)TI0=SI;
(2)TIi+1=P2(P1(TIi));
(3)重复步骤(2)直到TIi+1-TIi<ε.
将下述公式作为进化算法的适应度函数,经过不断地进化计算,将待匹配的行人图像进行自适应分割。根据行人图像的颜色聚类,将其自适应地分割成不同的区域,匹配时按照对应区域进行匹配。
用下述公式作为距离函数,选择了非常有挑战性的VIPeR和CUHK01两个行人再识别数据集,对本发明算法进行验证。
εh的最优权值向量由最大化同类样本成为最相似R个样本概率的方式求得,如下式所示。其中,E()代表不同类间样本的特征距离小于类内样本距离的事件数。
maxP(E(D(Xi,Xj)<D(Xi,Xj′)))<R
图2和图3分别给出了VIPeR和CUHK01数据集中的匹配结果的CMC曲线图,并将本发明算法与一些非常经典的行人再识别方法的匹配结果进行了对比。从图中可以看出,本发明的方法是一种可行的行人再识别解决方案,跟一些经典算法相比,具有更高的匹配准确率。
从上述实例可以看出,本发明采用基于自适应共享小生境技术的进化算法对行人再识别的特征表示与特征匹配进行优化处理,切实提高了行人再识别的准确度。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于自适应共享小生境进化算法的行人再识别方法,其特征在于,包括以下步骤:
(1)设计自适应共享小生境:
(1-1)随机生成初始种群,计算每个个体的适应值Fa,其中,a=1,2,…,M,M是初始种群个体的数量;
(1-2)将种群分成p个聚类,采用比例选择方法从当前种群中选取N个个体,其中,N<M,p值随机产生;
(1-3)使用单点交叉和基本位变异的方法,从每个聚类中随机选取个体进行交叉和变异,产生新个体,直到种群规模达到N为止;
(1-4)重复上述步骤直到达到设定的收敛条件;当前种群的聚类中心即为极值点的集合;
(2)设计基于自适应共享小生境的进化算法,所述进化算法包括:
(2-1)采用以下映射函数初始化种群:
τn表示当前已经生成的个体的值,τn+1表示接下来要生成计算的个体的值,n为正整数;
(3)首先应用步骤(2)得到的基于自适应共享小生境的进化算法对行人图像进行颜色不变性处理,再对行人图像进行自适应图像分割,分割成不同的区域;然后学习距离函数;对行人图像对进行匹配,得到行人再识别结果。
2.根据权利要求1所述的基于自适应共享小生境进化算法的行人再识别方法,其特征在于,步骤(2)所述进化算法包括:
(2-2)采用以下方法控制种群的搜索方向:对于搜索空间中的较优个体序列X=xj,j=1,2,3…np;np为种群规模;
其中,为第m次迭代后xj的数据值;xj代表搜索空间中当前个体序列的第j维数据;Tc为变异尺度,μg为压缩因子。
3.根据权利要求1所述的基于自适应共享小生境进化算法的行人再识别方法,其特征在于,步骤(2)所述进化算法包括:
(2-3)采用以下方法进行种群的多样性度量:
其中,Si的计算方法如下:
其中,d表示个体的序列长度,np为种群规模,xj,i表示第i个个体序列中的第j维数据;xj,max为第j维数据允许的最大值;xj,min为第j维数据允许的最小值。
4.根据权利要求1所述的基于自适应共享小生境进化算法的行人再识别方法,其特征在于,所述颜色不变性处理包括以下步骤:
在RGB颜色空间中,对行人图像进行以下操作:
(3-1-1)对每个像素点按以下公式进行操作:
(3-1-2)对每个像素点按以下公式进行操作:
(3-1-3)重复(3-1-1)~(3-1-2),直至(3-1-1)和(3-1-2)的处理结果之差小于设定值。
5.根据权利要求1所述的基于自适应共享小生境进化算法的行人再识别方法,其特征在于,所述自适应图像分割包括以下步骤:
(3-2-1)计算行人图像的每个像素点的能量值,根据能量值分布情况,将所有像素点分成m个区间,抛掉像素点个数过少的区间,从剩余的k个区间中各选择一个像素点,作为初始聚类中心:k≤m;
f是待处理的图像,e(x,y)是待处理的图像中的像素点(x,y)的能量值,grad()为梯度计算函数;
(3-2-2)使用欧氏距离计算行人图像的每个像素点到k个聚类中心点的距离,将其分配给距离最近的中心点,从而将所有点归属成k个聚类:对于待处理的图像中的任意像素点p和q,其欧氏距离为:
D(p,q)=|ep-eq|
D(p,q)表示像素点p和q之间的距离,通过两个像素点能量差的方式计算得到,ep和eq分别表示像素点p和q的能量值;
(3-2-3)使用下述公式作为步骤(2)的进化算法的适应度函数,重新计算每个聚类的中心点:
Cv表示第v个聚类,ep是聚类Cv中的像素点p的能量值,Mv是聚类Cv.中所有像素点能量值的平均数;wt为惩罚因子;
(3-2-4)重复步骤(3-2-2)~(3-2-3),直至收敛。
6.根据权利要求5所述的基于自适应共享小生境进化算法的行人再识别方法,其特征在于,所述学习距离函数包括以下步骤:
(3-3-1)学习距离函数,采用进化算法进行迭代优化得到A,B,W以及z的具体值:
F(X,Y)=XTAX+YTAY+XTBX+YTBY+WTX+WTY+z
X,Y为行人图像的特征向量,A,B,W为调节矩阵,z为偏移量;
(3-3-2)使用学习得到的距离函数,计算经步骤(3-2)的自适应图像分割后得到的各个区域的距离以得到最终的距离,采用步骤(2)得到的进化算法来进行目标优化,得到最优权值向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610378683.3A CN106022293B (zh) | 2016-05-31 | 2016-05-31 | 一种基于自适应共享小生境进化算法的行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610378683.3A CN106022293B (zh) | 2016-05-31 | 2016-05-31 | 一种基于自适应共享小生境进化算法的行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022293A true CN106022293A (zh) | 2016-10-12 |
CN106022293B CN106022293B (zh) | 2019-05-07 |
Family
ID=57093201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610378683.3A Active CN106022293B (zh) | 2016-05-31 | 2016-05-31 | 一种基于自适应共享小生境进化算法的行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022293B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320027A (zh) * | 2017-12-29 | 2018-07-24 | 国网河南省电力公司信息通信公司 | 一种基于量子计算的大数据处理方法 |
CN109447123A (zh) * | 2018-09-28 | 2019-03-08 | 昆明理工大学 | 一种基于标签一致性约束与拉伸正则化字典学习的行人再识别方法 |
CN113642486A (zh) * | 2021-08-18 | 2021-11-12 | 国网江苏省电力有限公司泰州供电分公司 | 一种具有机载前端识别模型的无人机配网巡检方法 |
WO2021243947A1 (zh) * | 2020-06-04 | 2021-12-09 | 商汤集团有限公司 | 对象再识别方法及装置、终端和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1766907A (zh) * | 2005-10-24 | 2006-05-03 | 中国电子科技集团公司第四十五研究所 | 基于聚类遗传算法的多目标图像识别方法 |
CN103617206A (zh) * | 2013-11-18 | 2014-03-05 | 浙江工业大学 | 基于自适应小生境的遗传聚类方法 |
CN104239434A (zh) * | 2014-08-28 | 2014-12-24 | 浙江工业大学 | 一种基于带有多样化半径技术的小生境遗传算法的聚类方法 |
CN105095494A (zh) * | 2015-08-21 | 2015-11-25 | 中国地质大学(武汉) | 一种对分类数据集进行测试的方法 |
-
2016
- 2016-05-31 CN CN201610378683.3A patent/CN106022293B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1766907A (zh) * | 2005-10-24 | 2006-05-03 | 中国电子科技集团公司第四十五研究所 | 基于聚类遗传算法的多目标图像识别方法 |
CN103617206A (zh) * | 2013-11-18 | 2014-03-05 | 浙江工业大学 | 基于自适应小生境的遗传聚类方法 |
CN104239434A (zh) * | 2014-08-28 | 2014-12-24 | 浙江工业大学 | 一种基于带有多样化半径技术的小生境遗传算法的聚类方法 |
CN105095494A (zh) * | 2015-08-21 | 2015-11-25 | 中国地质大学(武汉) | 一种对分类数据集进行测试的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320027A (zh) * | 2017-12-29 | 2018-07-24 | 国网河南省电力公司信息通信公司 | 一种基于量子计算的大数据处理方法 |
CN109447123A (zh) * | 2018-09-28 | 2019-03-08 | 昆明理工大学 | 一种基于标签一致性约束与拉伸正则化字典学习的行人再识别方法 |
CN109447123B (zh) * | 2018-09-28 | 2021-07-16 | 昆明理工大学 | 一种基于标签一致性约束与拉伸正则化字典学习的行人再识别方法 |
WO2021243947A1 (zh) * | 2020-06-04 | 2021-12-09 | 商汤集团有限公司 | 对象再识别方法及装置、终端和存储介质 |
CN113642486A (zh) * | 2021-08-18 | 2021-11-12 | 国网江苏省电力有限公司泰州供电分公司 | 一种具有机载前端识别模型的无人机配网巡检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106022293B (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689086B (zh) | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 | |
CN107766850B (zh) | 基于结合人脸属性信息的人脸识别方法 | |
CN105069400B (zh) | 基于栈式稀疏自编码的人脸图像性别识别系统 | |
CN109446898A (zh) | 一种基于迁移学习和特征融合的行人重识别方法 | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN110134774A (zh) | 一种基于注意力决策的图像视觉问答模型、方法和系统 | |
CN108171320A (zh) | 一种基于生成式对抗网络的图像域转换网络和转换方法 | |
CN109255364A (zh) | 一种基于深度卷积生成对抗网络的场景识别方法 | |
CN106295694B (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN105488528A (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
CN106022293A (zh) | 一种基于自适应共享小生境进化算法的行人再识别方法 | |
CN105608471A (zh) | 一种鲁棒直推式标签估计及数据分类方法和系统 | |
CN104915643A (zh) | 一种基于深度学习的行人再标识方法 | |
CN102314614A (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
CN108197669B (zh) | 卷积神经网络的特征训练方法及装置 | |
CN107909008A (zh) | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 | |
CN110516723B (zh) | 一种基于深度张量融合的多模态地基云图识别方法 | |
CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
CN115907001B (zh) | 基于知识蒸馏的联邦图学习方法及自动驾驶方法 | |
CN106326843A (zh) | 一种人脸识别方法 | |
CN109064389A (zh) | 一种手绘线条画生成现实感图像的深度学习方法 | |
CN107351080A (zh) | 一种基于相机单元阵列的混合智能研究系统及控制方法 | |
CN109165698A (zh) | 一种面向智慧交通的图像分类识别方法及其存储介质 |
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 |