CN106250870B - 一种联合局部和全局相似性度量学习的行人再识别方法 - Google Patents
一种联合局部和全局相似性度量学习的行人再识别方法 Download PDFInfo
- Publication number
- CN106250870B CN106250870B CN201610673967.5A CN201610673967A CN106250870B CN 106250870 B CN106250870 B CN 106250870B CN 201610673967 A CN201610673967 A CN 201610673967A CN 106250870 B CN106250870 B CN 106250870B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- global
- rgb
- similarity
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种联合局部和全局相似性度量学习的行人再识别方法,首先将行人再识别数据库中的所有行人图像做预处理,提取每幅行人图的局部特征和全局特征;其次,在训练模块,联合行人样本的局部相似性和全局相似性,度量两行人样本的整体相似性,学习度量矩阵;最后,在测试模块,导入训练模块学习的度量矩阵,度量每一个待测行人样本和库行人样本的相似性,按照相似性大小排序,识别待测行人样本。
Description
技术领域:
本发明提出了一种联合局部和全局相似性度量学习的行人再识别方法,涉及计算机视觉与模式识别领域。
背景技术:
随着社会经济的发展,人们对安全防范的要求越来越高尤其是在火车站、机场、大型商场等公共场所。视频监控是科技发展的产物,被广泛应用于安全防范领域。然而在传统的视频监控系统中,监控任务是由人工来完成的,这就需要监控人员一刻不停的盯着监控视频,这对监控人员来说是个极大的挑战。行人再识别是跨监控领域的行人目标识别技术,它能快速的识别监控系统中感兴趣的人体目标。
在大多数的监控场景中,拍摄的行人图像往往存在遮挡,姿态变化,光照变化和低分辨率等问题,使行人再识别成为智能视频监控领域最具挑战性的问题之一。目前行人再识别方法分为两类,第一类是从特征方面出发提取出最具区分性的特征;第二类是根据提取出的特征,提出一种好的相似度度量准则,使得同一行人的行人特征之间比不同行人特征之间具有更高的相似性。行人再识别是作为一个新兴起的热门课题,受到全世界研究者们的广泛关注。
发明内容:
针对现有的行人再识别技术的不足,本发明提出一种联合局部和全局相似性度量学习的行人再识别方法,此方法可以弥补单纯依靠全局相似性学习的或单纯依靠局部相似性学习的方法的缺陷,提高行人再识别性能。本发明采用如下技术方案:
一种联合局部和全局相似性度量学习的行人再识别方法,包括以下步骤:
步骤1:将行人再识别数据库中的所有行人图做预处理,预处理使每幅行人图分割为互相重叠的矩形块;
步骤2:每个矩形块提取出3种颜色直方图特征RGB、HSV和LAB,还提取出2种纹理直方图特征HOG和SILTP;
步骤3:将3种颜色直方图特征RGB、HSV、LAB和2种纹理直方图特征HOG、SILTP进行结合,获得U=6种不同的全局特征;
步骤4:根据人体的结构,将行人图分为由矩形块构成的R=4个局部区域,每个局部区域提取U=6种不同的局部特征;
步骤5:建立训练模块和测试模块,将所有行人样本分为训练集和测试集;
步骤6:在训练模块,根据全局特征和局部特征,表示出行人样本的局部相似性和全局相似性,再联合局部相似性和全局相似性,度量行人样本的整体相似性;
步骤7:将整体相似性代入最小化目标函数,学习度量矩阵;
步骤8:在测试模块,导入步骤7学习到的度量矩阵,识别出待测行人样本中的行人。
以上技术方案中,所述步骤3中提取U=6种不同的全局特征,包括以下步骤:
步骤3.1:将所有矩形块的RGB颜色直方图特征按照矩形块的顺序串联得到全局RGBG特征,同理依次得到全局HSVG,LABG,HOGG和SILTPG特征。
步骤3.2:将全局RGBG和全局HOGG直方图特征串联,然后利用PCA降维,得第一种全局特征RGBG+HOGG,同理依次得到第2至U=6种全局特征RGBG+SILTPG,HSVG+HOGG,HSVG+SILTPG,LABG+HOGG,LABG+SILTPG。
以上技术方案中,所述步骤4中每个局部区域提取U=6种不同的局部特征,包括以下步骤:
步骤4.1:按照人体的结构将行人图分为R=4个局部区域包括头部,躯干,左腿和右腿,每个局部区域由重叠的矩形块组成。
步骤4.2:对其中的每个局部区域提取U=6种局部特征。以其中的某个局部区域r为例,将局部区域r中所有矩形块RGB直方图特征顺序串联得到的RGBr直方图特征,同理依次得到HSVr,LABr,HOGr,SILTPr直方图特征。
步骤4.3:将RGBr直方图特征和HOGr直方图特征串联,然后利用PCA降维得第一种局部特征RGBr+HOGr,同理依次得到区域r的第2至U=6种局部特征RGBr+SILTPr,HSVr+HOGr,HSVr+SILTPr,LABr+HOGr,LABr+SILTPr。
以上技术方案中,所述步骤6中联合行人样本的局部相似性和全局相似性,度量两行人样本的整体相似性,详细步骤如下:
步骤6.1:相似度度量函数的确定,用x1,x2分别表示行人样本1和样本2,分别表示行人样本1和样本2的第u种特征。相似性度量函数由两部分组成,第一部分是马氏距离度量第二部分是双线性相似性度量其中vec(A)表示将矩阵A拉成列向量, 分别表示基于特征u的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射,并且为半负定矩阵。相似性函数如下:
重写(1)如下:
步骤6.2:全局相似性度量,用U种全局特征表示的行人样本x1和x2的全局相似性如下:
其中分别表示基于第u种全局特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。
步骤6.3:局部相似性度量,所有R个局部区域基于U种局部特征的局部相似性如下:
其中分别表示局部区域r基于第u种局部特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。
步骤6.4:联合局部相似性和全局相似性,度量两行人样本的整体相似性如下:
S(x1,x2)=Slocal(x1,x2)+αSglobal(x1,x2) (5)
其中α是权衡局部和全局相似性重要性的参数,将(5)写成线性的形式:
S(x1,x2)=WTP (6)
其中为整体度量矩阵,为整体特征映射。而 分别表示局部区r基于U种局部特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。同理分别表示基于U种全局特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。
以上技术方案中,所述步骤7其最小化的目标函数如下:
其中 表示与xn是同类别的样本,表示与xn是不同类别的样本。利用迭代法学习度量矩阵,包括以下步骤:
步骤7.1:每次迭代,随机选取三元组求解如下的问题:
约束条件:并且ξ≥0
其中C是平衡参数为常数。
步骤7.2:当max(0,1+S(xi,xl)-S(xi,xj))=0时,Wi=Wi-1;若不然,用拉格朗日乘子法求解得每次迭代
步骤7.3:求解参数τ,
步骤7.4:求出把Wi中马氏度量矩阵半负定化,转到步骤7.2进行下一次迭代,直至达到收敛条件,其中,的含义为和之间的整体特征映射。
本发明采用上述技术方案,具备以下优点及效果:
本发明采用局部特征和全局特征两种形式表示行人图,这种表示不仅描述了行人图的整体分布结构而且抓住了行人图的局部特性。本发明结合了马氏距离度量准则和双线性度量准则两种不同的度量准则度量局部相似性和全局相似性,突破现有方法的局限性,提高了行人识别率。
附图说明
图1行人再识别整体流程图;
图2行人图分割为矩形块示意图;
图3行人图分割为4个局部区域示意图;
图4局部特征和全局特征提取过程;
图5相似性度量过程。
具体实施方式
为详细说明本发明的技术内容、构造特征、实现目的及效果,以下结合实施方式并配合附图详予说明。
如图1所示,联合局部和全局相似性度量学习的行人再识别方法包括以下几个步骤:
步骤1:将行人再识别数据库中的所有行人图做预处理,每幅行人图分割为互相重叠的矩形块示意图如图2所示,包括以下步骤:
步骤1.1:对行人再识别数据库中的所有行人图像归一化为大小为128×48的行人图。
步骤1.2:将归一化后的行人图利用高度为h=8,宽度为w=16的滑动窗分别在X方向和Y方向进行步长为h/2=4和w/2=8的滑动,将行人图分割为高度为h=8,宽度为w=16的重叠的矩形块。
步骤2:每个矩形块提取3种颜色直方图特征RGB,HSV,LAB和2种纹理直方图特征HOG,SILTP如图4所示,其提取步骤如下:
步骤2.1:RGB直方图的提取,在每个矩形块内,对RGB颜色空间的每个颜色通道提取16维的颜色直方图特征,然后串联RGB三个通道的颜色直方图成48维的直方图特征。按照相同的方法,在每个矩形块内,分别对HSV颜色空间和LAB颜色空间提取48维的直方图特征。
步骤2.2:HOG的提取,将RGB行人图转为灰度图,在每个矩形块内提取8维的方向梯度直方图特征。
步骤2.3:SILTP的提取,将RGB行人图转为灰度图,在每个矩形块内分别提取半径为5和3两种不同尺度的纹理直方图并将其串联成162维纹理直方图特征。
步骤3:将3种颜色直方图特征RGB、HSV、LAB和2种纹理直方图特征HOG、SILTP进行结合,提取U=6种全局特征如图4所示,其详细步骤如下:
步骤3.1:将所有矩形块的RGB颜色直方图特征按照矩形块的顺序串联得到全局RGBG特征,同理按照此方法依次得到全局HSVG,LABG,HOGG和SILTPG特征。
步骤3.2:将全局RGBG和全局HOGG直方图特征串联,然后利用PCA降维,得第一种全局特征RGBG+HOGG,同理依次得到第2至U=6种全局特征RGBG+SILTPG,HSVG+HOGG,HSVG+SILTPG,LABG+HOGG,LABG+SILTPG。
步骤4:将行人图分为R=4个互不重叠的局部区域,每个局部区域提取U=6种不同的局部特征如图4所示,包括以下步骤:
步骤4.1:按照人体的结构将行人图分为R=4个局部区域包括头部,躯干,左腿和右腿,每个局部区域由步骤1.2得到的重叠的矩形块组成,如图3所示。
步骤4.2:对其中的每个局部区域提取U=6种局部特征。以其中的某个局部区域r为例,将局部区域r中所有矩形块RGB直方图特征顺序串联得到的RGBr直方图特征,按照相同的方法依次得到HSVr,LABr,HOGr,SILTPr直方图特征。
步骤4.3:将RGBr直方图特征和HOGr直方图特征串联,然后利用PCA降维得第一种局部特征RGBr+HOGr,同理依次得到区域r的第2至U=6种局部特征RGBr+SILTPr,HSVr+HOGr,HSVr+SILTPr,LABr+HOGr,LABr+SILTPr。
步骤5:建立训练模块和测试模块,将所有行人样本分为训练样本和测试样本。
步骤5.1:按照整个数据库行人数量,将其平分到训练集和测试集。
步骤5.2:将测试集分为待测样本集和库样本集,随机选取测试集中每个行人的一幅行人样本作为库样本集,剩下的为待测样本集。
步骤6:在训练模块,联合行人样本的局部相似性和全局相似性,度量两行人样本的整体相似性。如图5所示,其步骤包括如下:
步骤6.1:相似度度量函数的确定,用x1,x2分别表示行人样本1和样本2,分别表示行人样本1和样本2的第u种特征。相似性度量函数由两部分组成,第一部分是马氏距离度量第二部分是双线性相似性度量其中vec(A)表示将矩阵A拉成列向量, 分别表示基于特征u的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射,并且为半负定矩阵。相似性函数如下:
重写(1)如下:
步骤6.2:全局相似性度量,用U种全局特征表示的行人样本x1和x2的全局相似性如下:
其中分别表示基于第u种全局特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。
步骤6.3:局部相似性度量,所有R个局部区域基于U种局部特征的局部相似性如下:
其中分别表示局部区域r基于第u种局部特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。
步骤6.4:联合局部相似性和全局相似性,度量两行人样本的整体相似性如下:
S(x1,x2)=Slocal(x1,x2)+αSglobal(x1,x2) (5)
其中α是权衡局部和全局相似性重要性的参数,将(5)写成线性的形式:
S(x1,x2)=WTP (6)
其中为整体度量矩阵,为整体特征映射。而 分别表示局部区域r用U种局部特征表示的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。同理 分别表示基于U种全局特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射。
步骤7:最小化目标函数形式,学习度量矩阵W,其最小化的目标函数如下:
其中 表示与xn是同类别的样本,表示与xn是不同类别的样本。利用迭代法学习度量矩阵,包括以下步骤:
表示和xn之间的线性特征映射
步骤7.1:每次迭代,随机选取三元组求解如下的问题:
约束条件:并且ξ≥0
其中C是平衡参数为常数。
步骤7.2:当max(0,1+S(xi,xl)-S(xi,xj))=0时,Wi=Wi-1;若不然,用拉格朗日乘子法求解(8)拉格朗日函数如下:
其中τ≥0,λ≥0是拉格朗日乘子,(9)对W求梯度令其为0。
求解得
步骤7.3:求解τ,(9)对ξ求梯度令其为0。
将(10)(11)带入(9)得: L(τ)对τ求梯度令其为0, 由于λ≥0,所以τ≤C,其中,的含义为和之间的整体特征映射。
步骤7.4:马氏度量矩阵半负定化,求解出 取出求其特征值及其特征向量,置正特征值为0。然后由特征向量和正特征值置零后的所有特征值反求然后取代原来的值。转到步骤7.2进行下一次迭代,直至达到收敛条件。
步骤8:在测试模块,导入步骤7学习到的度量矩阵,识别出行人样本中的行人。
步骤8.1:导入步骤7学习到的度量矩阵,计算每一个待测样本和库样本的相似度。
步骤8.2:根据相似度大小排序,识别待测行人样本。
Claims (3)
1.一种联合局部和全局相似性度量学习的行人再识别方法,其特征在于,包括以下步骤:
步骤1:将行人再识别数据库中的所有行人图做预处理,预处理使每幅行人图分割为互相重叠的矩形块;
步骤2:每个矩形块提取出3种颜色直方图特征RGB、HSV和LAB,还提取出2种纹理直方图特征HOG和SILTP;
步骤3:将3种颜色直方图特征RGB、HSV、LAB和2种纹理直方图特征HOG、SILTP进行结合,获得U=6种不同的全局特征;
步骤4:根据人体的结构,将行人图分为由矩形块构成的R=4个局部区域,每个局部区域提取U=6种不同的局部特征;
步骤5:建立训练模块和测试模块,将所有行人样本分为训练集和测试集;
步骤6:在训练模块,根据全局特征和局部特征,表示出行人样本的局部相似性和全局相似性,再联合局部相似性和全局相似性,度量行人样本的整体相似性;
步骤7:将整体相似性代入最小化目标函数,学习度量矩阵;
步骤8:在测试模块,导入步骤7学习到的度量矩阵,识别出待测行人样本中的行人;
其步骤6中联合行人样本的局部相似性和全局相似性,度量两行人样本的整体相似性,详细步骤如下:
步骤6.1:相似度度量函数的确定,用x1,x2分别表示行人样本1和样本2,分别表示行人样本1和样本2的第u种特征,相似性度量函数由两部分组成,第一部分是马氏距离度量第二部分是双线性相似性度量其中vec(A)表示将矩阵A拉成列向量, 分别表示基于特征u的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射,并且为半负定矩阵,相似性函数如下:
重写(1)如下:
步骤6.2:全局相似性度量,用U种全局特征表示的行人样本x1和x2的全局相似性如下:
其中分别表示基于第u种全局特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射;
步骤6.3:局部相似性度量,所有R个局部区域用U种局部特征表示的局部相似性如下:
其中分别表示局部区域r基于第u种局部特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射;
步骤6.4:联合局部相似性和全局相似性,度量两行人样本的整体相似性如下:
S(x1,x2)=Slocal(x1,x2)+αSglobal(x1,x2) (5)
其中α是权衡局部和全局相似性重要性的参数,将(5)写成线性的形式:
S(x1,x2)=WTP (6)
其中为整体度量矩阵,为整体特征映射,而 分别表示局部区r基于U种局部特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射,同理分别表示基于U种全局特征的马氏度量矩阵,双线性度量矩阵,马氏特征映射和双线性特征映射;
其步骤7中最小化的目标函数如下:
其中[z]+ = max(z,0) , 表示与xn是同类别的样本,表示与xn是不同类别的样本,利用迭代法学习度量矩阵,包括以下步骤:
步骤7.1:每次迭代,随机选取三元组求解如下的问题:
约束条件:并且ξ≥0
其中C是平衡参数为常数;
步骤7.2:当max(0,1+S(xi,xl)-S(xi,xj))=0时,Wi=Wi-1;若不然,用拉格朗日乘子法求解得每次迭代
步骤7.3:求解参数τ,
步骤7.4:求出把Wi中的马氏度量矩阵半负定化,转到步骤7.2进行下一次迭代,直至达到收敛条件,其中,的含义为和之间的整体特征映射。
2.根据权利要求1所述一种联合局部和全局相似性度量学习的行人再识别方法,其特征在于,其步骤3中提取U=6种不同的全局特征,包括以下步骤:
步骤3.1:将所有矩形块的RGB颜色直方图特征按照矩形块的顺序串联得到全局RGBG直方图特征,同理依次得到全局HSVG,LABG,HOGG和SILTPG直方图特征;
步骤3.2:将全局RGBG和全局HOGG直方图特征串联,然后利用PCA降维,得第一种全局特征RGBG+HOGG,同理依次得到第2至U=6种全局特征RGBG+SILTPG,HSVG+HOGG,HSVG+SILTPG,LABG+HOGG,LABG+SILTPG。
3.根据权利要求1所述一种联合局部和全局相似性度量学习的行人再识别方法,其特征在于,其步骤4中每个局部区域提取U=6种不同的局部特征,包括以下步骤:
步骤4.1:按照人体的结构将行人图像分为R=4个局部区域包括头部,躯干,左腿和右腿,每个局部区域由重叠的矩形块组成;
步骤4.2:对其中的每个局部区域提取U=6种局部特征,以其中的某个局部区域r为例,将局部区域r中所有矩形块RGB直方图特征顺序串联得到的RGBr直方图特征,按照相同的方法依次得到HSVr,LABr,HOGr,SILTPr直方图特征;
步骤4.3:将RGBr直方图特征和HOGr直方图特征串联,然后利用PCA降维得第一种局部特征RGBr+HOGr,同理依次得到区域r的第2至U=6种局部特征RGBr+SILTPr,HSVr+HOGr,HSVr+SILTPr,LABr+HOGr,LABr+SILTPr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610673967.5A CN106250870B (zh) | 2016-08-16 | 2016-08-16 | 一种联合局部和全局相似性度量学习的行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610673967.5A CN106250870B (zh) | 2016-08-16 | 2016-08-16 | 一种联合局部和全局相似性度量学习的行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106250870A CN106250870A (zh) | 2016-12-21 |
CN106250870B true CN106250870B (zh) | 2019-10-08 |
Family
ID=57592902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610673967.5A Expired - Fee Related CN106250870B (zh) | 2016-08-16 | 2016-08-16 | 一种联合局部和全局相似性度量学习的行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250870B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918782B (zh) * | 2016-12-29 | 2020-01-21 | 中国科学院计算技术研究所 | 一种生成描述图像内容的自然语言的方法与系统 |
CN108229521B (zh) * | 2017-02-23 | 2020-09-15 | 北京市商汤科技开发有限公司 | 对象识别网络的训练方法、装置、系统及其应用 |
CN106874884B (zh) * | 2017-03-03 | 2019-11-12 | 中国民航大学 | 基于部位分割的人体再识别方法 |
CN108960013B (zh) * | 2017-05-23 | 2020-09-15 | 深圳荆虹科技有限公司 | 一种行人再识别方法及装置 |
CN107330397B (zh) * | 2017-06-28 | 2020-10-02 | 苏州经贸职业技术学院 | 一种基于大间隔相对距离度量学习的行人重识别方法 |
CN107316031B (zh) * | 2017-07-04 | 2020-07-10 | 北京大学深圳研究生院 | 用于行人重识别的图像特征提取方法 |
CN107330416B (zh) * | 2017-07-10 | 2019-08-09 | 天津师范大学 | 一种基于判别结构测度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 |
GB201715509D0 (en) * | 2017-09-25 | 2017-11-08 | Thirdeye Labs Ltd | Person indentification across multiple captured images |
CN108875487B (zh) * | 2017-09-29 | 2021-06-15 | 北京旷视科技有限公司 | 行人重识别网络的训练及基于其的行人重识别 |
CN107844753A (zh) * | 2017-10-20 | 2018-03-27 | 珠海习悦信息技术有限公司 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
CN107886116B (zh) * | 2017-10-30 | 2021-03-26 | 国家新闻出版广电总局广播科学研究院 | 针对视频数据行人再识别的lomo3d特征提取方法 |
CN108196680B (zh) * | 2018-01-25 | 2021-10-08 | 盛视科技股份有限公司 | 一种基于人体特征提取与检索的机器人视觉跟随方法 |
CN108537771B (zh) * | 2018-01-30 | 2020-10-09 | 西安电子科技大学昆山创新研究院 | 基于hsv的mc-siltp运动目标检测方法 |
CN108229444B (zh) * | 2018-02-09 | 2021-10-12 | 天津师范大学 | 一种基于整体和局部深度特征融合的行人再识别方法 |
CN110163041A (zh) * | 2018-04-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频行人再识别方法、装置及存储介质 |
CN108596277B (zh) * | 2018-05-10 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
CN108985190B (zh) * | 2018-06-28 | 2021-08-27 | 北京市商汤科技开发有限公司 | 目标识别方法和装置、电子设备、存储介质 |
CN109063591B (zh) * | 2018-07-12 | 2021-10-15 | 杭州电子科技大学 | 一种基于距离分布度量学习的行人再识别方法 |
CN109165673B (zh) * | 2018-07-18 | 2021-08-31 | 广东工业大学 | 基于度量学习和多示例支持向量机的图像分类方法 |
CN109344842A (zh) * | 2018-08-15 | 2019-02-15 | 天津大学 | 一种基于语义区域表达的行人重识别方法 |
CN109348410B (zh) * | 2018-11-16 | 2020-07-10 | 电子科技大学 | 基于全局和局部联合约束迁移学习的室内定位方法 |
CN109840466A (zh) * | 2018-12-05 | 2019-06-04 | 华南理工大学 | 基于聚类及全局/局部距离综合的多重度量学习方法 |
CN109784166A (zh) * | 2018-12-13 | 2019-05-21 | 北京飞搜科技有限公司 | 行人重识别的方法及装置 |
CN110781733B (zh) * | 2019-09-17 | 2022-12-06 | 浙江大华技术股份有限公司 | 图像去重方法、存储介质、网络设备和智能监控系统 |
CN110991413B (zh) * | 2019-12-20 | 2020-12-15 | 西南交通大学 | 一种基于ReID的跑步检测方法 |
CN111738062B (zh) * | 2020-05-09 | 2024-05-17 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别系统 |
CN111626213A (zh) * | 2020-05-27 | 2020-09-04 | 北京嘀嘀无限科技发展有限公司 | 一种身份验证方法、装置、电子设备及可读存储介质 |
CN112200009B (zh) * | 2020-09-15 | 2023-10-17 | 青岛邃智信息科技有限公司 | 社区监控场景下基于关键点特征对齐的行人重识别方法 |
CN114863486A (zh) * | 2022-05-31 | 2022-08-05 | 厦门市美亚柏科信息股份有限公司 | 联合全局和局部信息的层次监督行人再识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336960A (zh) * | 2013-07-26 | 2013-10-02 | 电子科技大学 | 一种基于流形学习的人脸识别方法 |
CN104200206A (zh) * | 2014-09-09 | 2014-12-10 | 武汉大学 | 一种基于双角度排序优化的行人重识别方法 |
CN105046195A (zh) * | 2015-06-09 | 2015-11-11 | 浙江理工大学 | 基于非对称广义高斯模型的人体行为识别方法 |
CN105426871A (zh) * | 2015-12-16 | 2016-03-23 | 华南理工大学 | 一种适用于运动行人再识别的相似性度量计算方法 |
-
2016
- 2016-08-16 CN CN201610673967.5A patent/CN106250870B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336960A (zh) * | 2013-07-26 | 2013-10-02 | 电子科技大学 | 一种基于流形学习的人脸识别方法 |
CN104200206A (zh) * | 2014-09-09 | 2014-12-10 | 武汉大学 | 一种基于双角度排序优化的行人重识别方法 |
CN105046195A (zh) * | 2015-06-09 | 2015-11-11 | 浙江理工大学 | 基于非对称广义高斯模型的人体行为识别方法 |
CN105426871A (zh) * | 2015-12-16 | 2016-03-23 | 华南理工大学 | 一种适用于运动行人再识别的相似性度量计算方法 |
Non-Patent Citations (4)
Title |
---|
Coupled-View Based Ranking Optimization for Person Re-identification;Mang Ye 等;《MultiMedia Modeling》;20150107;105-117 * |
Person Re-identification by Local Maximal Occurrence Representation and Metric Learning;Shengcai Liao 等;《Computer Vision and Pattern Recognition》;20150612;2197-2206 * |
Similarity Learning with Spatial Constraints for Person Re-identification;Dapeng Chen 等;《Computer Vision and Pattern Recognition》;20160630;第1270页左栏、右栏最后一段、1271页左栏第1段、1272页右栏倒数第2段、5.1节第1-4段 * |
基于加权欧氏距离度量的目标再识别算法;谭飞刚 等;《华南理工大学学报( 自然科学版)》;20150930;第43卷(第9期);88-94 * |
Also Published As
Publication number | Publication date |
---|---|
CN106250870A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250870B (zh) | 一种联合局部和全局相似性度量学习的行人再识别方法 | |
CN103186904B (zh) | 图片轮廓提取方法及装置 | |
CN108875911A (zh) | 一种泊车位检测方法 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN103793702B (zh) | 基于协同尺度学习的行人重识别方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN106023257B (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN103325122B (zh) | 基于双向排序的行人检索方法 | |
CN106096561A (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN109409190A (zh) | 基于梯度直方图和Canny边缘检测器的行人检测方法 | |
CN105956632B (zh) | 一种检测目标的方法和装置 | |
CN107506703A (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
CN105303152B (zh) | 一种人体再识别方法 | |
CN103591940B (zh) | 评估高光谱图像的标记匹配置信度的方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN102663411B (zh) | 一种目标人体识别方法 | |
CN104134071A (zh) | 一种基于颜色描述的可变形部件模型物体检测方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN103927758B (zh) | 一种基于对比度与角点最小凸包的显著性检测方法 | |
CN107341538A (zh) | 一种基于视觉的统计数量方法 | |
CN103473571A (zh) | 一种人体检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191008 Termination date: 20200816 |