CN107133601A - 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 - Google Patents

一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 Download PDF

Info

Publication number
CN107133601A
CN107133601A CN201710360795.0A CN201710360795A CN107133601A CN 107133601 A CN107133601 A CN 107133601A CN 201710360795 A CN201710360795 A CN 201710360795A CN 107133601 A CN107133601 A CN 107133601A
Authority
CN
China
Prior art keywords
image
generation
pedestrian
resisted
dense
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
Application number
CN201710360795.0A
Other languages
English (en)
Other versions
CN107133601B (zh
Inventor
翟懿奎
陈璐菲
徐颖
甘俊英
应自炉
曾军英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201710360795.0A priority Critical patent/CN107133601B/zh
Publication of CN107133601A publication Critical patent/CN107133601A/zh
Application granted granted Critical
Publication of CN107133601B publication Critical patent/CN107133601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/11—Technique with transformation invariance effect

Abstract

本发明公开了一种基于生成式对抗网络图像超分辨率技术的行人再识别方法。首先利用拉普拉斯金字塔生成式对抗网络生成一群图像清晰的图像，然后利用局部最大事件表示和Dense Correspondences算法分别提取图像HSV颜色特征、纹理特征和LAB颜色特征，然后将这些特征融合，再利用交叉视觉二次判别分析算法将这些特征进行度量学习，并利用曼哈顿距离计算probe集与gallery集之间的距离，最后利用multi‑shot模式进行1∶N和N∶N评估。本发明利用LAPGAN网络生成高分辨率图像，再利用传统方法获取图像特征并进行相应匹配。结合深度学习和传统方法解决由光照、角度等原因造成图像分辨率低的问题，提高图像匹配率。

Description

一种基于生成式对抗网络图像超分辨率技术的行人再识别 方法
技术领域
本发明属于计算机视觉与模式识别领域，特别涉及一种基于生成式对抗网络图像超分辨率技术的行人再识别方法。
背景技术
当前大多数监控系统采用实时拍摄和人工监视的形式，要求监控人员时时刻刻盯着监控画面，仔细分辨视频中的事件，但实际上人类很难做到如此一丝不苟，而且人工查看的方式存在疏漏和主观误差。考虑到日益增长的监控视频规模，传统的方式需要大量人力，成本高，效率低，因此急需方便快捷的方法改善当前监控不足。行人再识别是在多摄像头无重叠视频监控环境下，通过一系列图像处理技术判断出现在某个摄像头中感兴趣的目标人物是否在其他摄像头中出现过。换句话说行人再识别是一种自动识别技术，能快速定位到监控网络感兴趣的人体目标。因此行人再识别技术是计算机视觉领域的一个研究热点，且在现实生活中有着十分重要的应用价值。
现有的行人再识别技术主要研究方式有两种，一种是采用传统方式手工对图像进行特征提取和相似度量匹配；一种是利用深度学习直接将图像对输入构建好的网络模型，最后输出匹配结果。目前行人再识别技术通常根据图像或视频中的行人颜色、纹理等信息进行特征提取，但由于光照、拍摄角度、遮挡等因素，导致图像或视频中的行人分辨率低，同一个人在不同相机出现特征差距较大。用于深度学习的数据集规模和数量相对实际数据较小，而大规模数据库训练得出的结果更符合实际。
发明内容
本发明针对现有行人再识别技术存在的不足，提出了一种基于生成式网络图像超分辨率技术的行人再识别方法，通过拉普拉斯金字塔生成式对抗网络(LAPGAN)将低分辨率图像转换成高分辨率图像，再利用传统方法对获取的图像提取特征和度量学习提高图像识别的准确率，适用于任何场所。
为解决上述问题，本发明提供了一种基于生成式网络图像超分辨率技术的行人再识别方法，其主要步骤如下：
(1)利用LAPGAN网络生成高质量样本，扩大数据量；
(2)提取颜色和纹理特征；
(3)利用XQDA算法进行度量学习；
(4)利用multi-shot方法进行1∶N和N∶N评估。
所述步骤(1)包括以下步骤：本发明利用LAPGAN网络生成高质量图像，而LAPGAN包括生成模式和辨别模式两部分，分别通过上采样和下采样进行生成高质量图像和判别生成图像和原图像。
所述步骤(2)将生成的图像与原图像一起提取LOMO特征和Dense Correspondence特征，并将两种特征进行融合。LOMO特征分别用Retinex算法提取HSV颜色特征，SILTP(Scale Invariant Local Ternary Pattern)描述器处理光照不变情况下的纹理特征；Dense Correspondence包括Dense Color Histogram和Dense SIFT，其中Dense ColorHistogram提取LAB颜色直方图，Dense SIFT是一种对颜色直方图补充的特征。
所述步骤(3)将获取的特征进行相似度量，本发明采用XQDA(Cross-viewQuadratic Discrimination Analysis)算法对图像进行类内和类间分类，利用KISSME将获取的特征维度降到有效维度，并利用Manhattan距离计算probe集和gallery集之间的距离。
所述步骤(4)采用multi-shot匹配方法进行1∶N和N∶N评估，将原数据集的一半作为probe集，原数据集的另一半和获取的相应生成图像作为gallery集，进行1∶N匹配，再将原数据的一半和生成相应数据作为probe集，原数据集的另一半和获取的相应生成图像作为gallery集进行N∶N匹配，重复上述过程10次，获取平均值。
本发明的优点是：本发明将深度学习与传统方法相结合，利用LAPGAN网络将低分辨率图像转化成高分辨率图像，提高识辨率；融合LOMO和Dense Correspondence特征，提取更多有效特征；利用XQDA算法有效克服了原始数据的类间相似性和类内差异性，最后将高分辨率图像和原图像混合进行multi-shot匹配，原始数据的先验性能用来指导优化学习过程，促进生成更好的结果。
附图说明
图1为本发明的工作流程图；
图2为本发明CGAN网络结构图；
图3为本发明LAPGAN网络中生成网络图；
图4为本发明LAPGAN网络中判别网络图；
图5为本发明LOMO特征提取方法示意图；
图6为本发明VIPeR局部数据库图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图实施例对本发明作进一步的详细说明。
图1是本发明工作流程图，首先利用LAPGAN网络对生成高质量图像，该算法包括生成模式和判别模式，即将条件生成对抗网络(Conditional Generative AdversarialNetworks，CGAN)模型和拉普拉斯金字塔框架相结合，其中CGAN是原始GAN的一个扩展，而原始GAN是一种训练生成式模型，包含两个“对抗”模型：生成模型(G)用于捕捉数据分布，判别模型(D)用于估计输入样本是真实样本的概率。CGAN网络的生成器和判别器都在原GAN的基础上增加额外信息y作为条件，y可以是任意信息，例如类别信息或其他模态的数据。如图2所示，通过额外信息y输送给判别模型和生成模型，作为输入层的一部分实现CGAN。在生成模型中先验输入噪声pnoise(z)和条件信息y联合组成联合隐层表征，对抗框架训练在隐层表征的组成方式上较灵活。判别网络D等概率随机从真实样本和生成样本选择一张图像作为输入，输入图像是真实图像，输出概率大，反之输出概率小。CGAN网络的损失函数如下：
其中py(y)是类别的先验分布，生成模型的输出受条件变量y控制。拉普拉斯金字塔是一个线性可逆图像表征，由一个带通图像集合构成，构成一个octave apart空间，加上一个低频残差。拉普拉斯金字塔包括上采样u(.)和下采样d(.)，其中下采样将大小n×n图像变模糊缩小成大小n/2×n/2图像，上采样则是将大小n×n图像光滑扩大成大小2n×2n图像。首先构建一个高斯金字塔G(I)＝[I0，I1，…Ik]，其中I0＝I，Ik表示对I重复进行K次下采样，K表示金字塔的层数。上采获取样本公式如下：
hk＝Lk(I)＝Gk(I)-u(Gk+1(I))＝Ik-u(Ik+1) (2)
拉普拉斯金字塔最后一层并不是一张不同的图像，而是一张与高斯金字塔最后一层一样，是一张低频残留图像。因此
Ik＝hk+u(Ik+1) (3)
在LAPGAN网络中生成模型用来生成图像hk，生成网络模型{C0，C1，…Ck}在每层金字塔用CGAN方法训练。每层金字塔用Ck等概率随机生成图像因此
令Ik+1＝0，最后一层Ck用模型和噪音向量zk生成一张残留图像即输入噪声向量zk，生成一个残差图像生成模型公式如下，
除了最后一层，条件生成模型进行上采样把图像作为条件变量，外加噪音向量zk，生成模式的实施示意图如图3所示，其具体步骤如下所示：
从右边的带有噪声的图像z3开始，用一个生成模型C3生成图像然后对进行上采样生成图像l2并将生成的图像l2作为下一层生成模型的条件变量，与另一个带有噪声的图像z2一起在生成模型C2生成一个不同的图像再将图像和图像l2相加生成图像按照此方法重复2次，最后生成一个高质量图像
判别模式的实施示意图如图4所示，其具体步骤如下所示：
(1)64×64原始图像I，令I0＝I，下采样生成I1；
(2)对I1上采样，得到图像I0的低通样本l0；
(3)计算高通h0＝I0-l0，生成模型生成的高通(残差)图像并把它们作为判别模型D0的输入；
(4)在判别模型D0中等概率地从真实样本和生成样本中选择输入样本，判断真实样本的概率。
传统方法包括图像特征提取和度量匹配，其中图5是LOMO特征提取方法。首先将数据集图像统一像素为128×48，LOMO算法提取HSV颜色特征和纹理特征，其中HSV颜色特征和纹理特征采用10×10大小滑动子窗口描述局部行人图像，其中滑动步数为5个像素，并在每个子窗口中提取2个尺度SILTP直方图(和)和一个8×8×8柱HSV直方图，每个子窗口中的直方图柱表示一个模型发生概率。由于图像是多维信息，因而用3层度金字塔表示。用大小2×2框架对大小为128×48原图像进行下采样。重复以上特征提取步骤，最终获得LOMO提取特征维度为(8×8×8+34×2SILTP)×(24+11+5)＝26960。DenseCorrespondence结合Dense Color Histogram和Dense SIFT特征获取LAB颜色特征，将dense grid大小设置为10×10，步数为4，并且L、A、B三个通道的颜色直方图均是32柱，3层下采样的采样因子分别是0.5、0.75和1。SIFT颜色描述器则是将每块小样本分成4×4单元，每块样本局部梯度为8柱，因而获得4×4×8＝128维SIFT特征。SIFT特征从每块的3个颜色通道中获取，共获得128×3维SIFT特征，因此Dense Correspondence总共获得32×3×3+128×3＝672维特征。将LOMO和Dense Correspondence两种特征进行融合，共获得27632维特征。
本发明度量学习采用XQDA算法。通常获取的特征维度d比较大，而低维空间Rr(r＜d)更适合分类，因此扩展Bayesian face和KISSME算法进行交叉视觉度量学习，对类内协方差∑I和类间协方差∑E进行降维。Bayesian face和KISSME算法在零均值高斯分布中类内差值ΩI和类间差值ΩE的概率分别为
其中Δ＝xi-xj表示样本之间的差别，利用Bayesian face和对数似然比得到决定函数可以定义为
Bayesian face和KISSME应用到交叉矩阵学习，从交叉视觉数据中学习子空间W＝(w1，w2，…，wr)∈Rd×r，同时学习r维子空间交叉度量距离函数。假设c类交叉训练集为{X，Z}，X＝(x1，x2，…，xn)∈Rd×n，其中一个视角在d维子空间中包含n个样本，Z＝(z1，z2，…，zm)∈Rd ×m表示在其他视角中d维子空间m个样本。利用子空间W，在r维子空间内的距离为
其中因此核心矩阵由于计算协方差∑I和∑E需要O(Nkd2)和O(nmd2)，其中N＝max(m，n)，k表示每类图像平均数量。为降低计算量，有如下表示
其中 yi和lj是类标签，nk是X中k类样本数量，mk是Z中k类样本数量，而且
nEΣE＝mXXT+nZZT-srT-rsT-nIΣI (11)
其中
获得匹配距离后进行multi-shot配对，本发明数据库选择VIPeR数据库，包含632个人，由两个摄像头获取，每个摄像头包含一个人一张图像，共1264张图像。VIPeR数据库目前是行人再识别技术中具有挑战性的数据库，包含背景变化、光照和视角变化，数据库图像如图6所示，(a)是摄像头A获取图像，(b)是摄像头B获取头像，其1∶N配对方式如下：
(1)将数据集(a)作为probe集，数据集(b)和LAPGAN生成的图像作为gallery集；
(2)Probe集每一个人与gallery集所有的图像进行匹配，根据距离按从小到大顺序排列找出前一百排序序列；
(3)重复以上步骤十次；
(4)取平均值。
N∶N配对方式如下：
(1)将数据集(a)和LAPGAN对应生成的图像作为probe集，数据集(b)和LAPGAN对应生成的图像作为gallery集；
(2)获取Probe集所有图像与gallery集所有的图像距离，将probe集上同一个人的距离求和取平均值，再根据距离大小进行排列匹配，根据距离按从小到大顺序排列找出前一百排序序列；
(3)重复以上步骤十次；
(4)取平均值。

Claims (6)

1.一种基于生成式对抗网络图像超分辨率技术的行人再识别方法，其特征在于，所述方法包括：
通过拉普拉斯金字塔生成式对抗网络(LAPGAN)将低分辨率图片转换成高分辨率图片，再利用传统方法对获取的图片提取特征和度量学习提高图像识别的准确率，适用于任何场所。
2.根据权利要求1所述的一种基于生成式对抗网络图像超分辨率技术的行人再识别方法，其特征在于，包括以下主要步骤如下：
(1)利用LAPGAN网络生成高质量样本，扩大数据量；
(2)提取颜色和纹理特征；
(3)利用XQDA算法进行度量学习；
(4)利用multi-shot方法进行1∶N和N∶N评估。
3.根据权利要求1所述的一种基于生成式对抗网络图像超分辨率技术的行人再识别方法，其特征在于，所述步骤(1)包括利用LAPGAN网络生成高质量图片，而LAPGAN包括生成模式和辨别模式两部分，分别通过上采样和下采样进行生成高质量图片和判别生成图片和原图片。
4.根据权利要求1所述的一种基于生成式对抗网络图像超分辨率技术的行人再识别方法，其特征在于，所述步骤(2)将生成的图像与原图像一起提取LOMO特征和DenseCorrespondence特征，并将两种特征进行融合。LOMO特征分别用Retinex算法提取HSV颜色特征，SILTP(Scale Invariant Local Ternary Pattern)描述器处理光照不变情况下的纹理特征；Dense Correspondence包括Dense Color Histogram和Dense SIFT，其中DenseColor Histogram提取LAB颜色直方图，Dense SIFT是一种对颜色直方图补充的特征。
5.根据权利要求1所述的一种基于生成式对抗网络图像超分辨率技术的行人再识别方法，其特征在于，所述步骤(3)将获取的特征进行相似度量，本发明采用XQDA(Cross-viewQuadratic Discrimination Analysis)算法对图像进行类内和类间分类，利用KISSME将获取的特征维度降到有效维度，并利用Manhattan距离计算probe集和gallery集之间的距离。
6.根据权利要求1所述的一种基于生成式对抗网络图像超分辨率技术的行人再识别方法，其特征在于，所述步骤(4)采用multi-shot匹配方法进行1∶N和N∶N评估，将原数据集的一半作为probe集，原数据集的另一半和获取的相应生成图像作为gallery集，进行1∶N匹配，再将原数据的一半和生成相应数据作为probe集，原数据集的另一半和获取的相应生成图像作为gallery集进行N∶N匹配，重复上述过程10次，获取平均值。
CN201710360795.0A 2017-05-13 2017-05-13 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 Active CN107133601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710360795.0A CN107133601B (zh) 2017-05-13 2017-05-13 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710360795.0A CN107133601B (zh) 2017-05-13 2017-05-13 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法

Publications (2)

Publication Number Publication Date
CN107133601A true CN107133601A (zh) 2017-09-05
CN107133601B CN107133601B (zh) 2021-03-23

Family

ID=59731915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710360795.0A Active CN107133601B (zh) 2017-05-13 2017-05-13 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法

Country Status (1)

Country Link
CN (1) CN107133601B (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622104A (zh) * 2017-09-11 2018-01-23 中央民族大学 一种文字图像识别标注方法及系统
CN107767384A (zh) * 2017-11-03 2018-03-06 电子科技大学 一种基于对抗训练的图像语义分割方法
CN108009568A (zh) * 2017-11-14 2018-05-08 华南理工大学 一种基于wgan模型的行人检测方法
CN108363771A (zh) * 2018-02-08 2018-08-03 杭州电子科技大学 一种面向公安侦查应用的图像检索方法
CN108399432A (zh) * 2018-02-28 2018-08-14 成都果小美网络科技有限公司 物体检测方法和装置
CN108549883A (zh) * 2018-08-06 2018-09-18 国网浙江省电力有限公司 一种人脸再识别方法
CN108573222A (zh) * 2018-03-28 2018-09-25 中山大学 基于循环对抗生成网络的行人图像遮挡检测方法
CN108629823A (zh) * 2018-04-10 2018-10-09 北京京东尚科信息技术有限公司 多视角图像的生成方法和装置
CN108897769A (zh) * 2018-05-29 2018-11-27 武汉大学 基于生成式对抗网络实现文本分类数据集扩展方法
CN108898066A (zh) * 2018-06-06 2018-11-27 天津大学 一种基于生成式对抗网络的人体运动检测方法
CN108960142A (zh) * 2018-07-04 2018-12-07 国家新闻出版广电总局广播科学研究院 基于全局特征损失函数的行人再识别方法
CN109063776A (zh) * 2018-08-07 2018-12-21 北京旷视科技有限公司 图像再识别网络训练方法、装置和图像再识别方法及装置
CN109345455A (zh) * 2018-09-30 2019-02-15 京东方科技集团股份有限公司 图像鉴别方法、鉴别器和计算机可读存储介质
CN109360151A (zh) * 2018-09-30 2019-02-19 京东方科技集团股份有限公司 图像处理方法及系统、分辨率提升方法、可读存储介质
CN109523538A (zh) * 2018-11-21 2019-03-26 上海七牛信息技术有限公司 一种基于生成对抗神经网络的人群计数方法以及系统
CN109697389A (zh) * 2017-10-23 2019-04-30 北京京东尚科信息技术有限公司 身份识别方法与装置
CN109726669A (zh) * 2018-12-26 2019-05-07 浙江捷尚视觉科技股份有限公司 基于对抗网络的不同光照条件下行人再识别数据生成方法
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN109934117A (zh) * 2019-02-18 2019-06-25 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109948561A (zh) * 2019-03-25 2019-06-28 广东石油化工学院 基于迁移网络的无监督图像视频行人重识别的方法及系统
CN109993072A (zh) * 2019-03-14 2019-07-09 中山大学 基于超分辨图像生成的低分辨率行人重识别系统和方法
CN110135366A (zh) * 2019-05-20 2019-08-16 厦门大学 基于多尺度生成对抗网络的遮挡行人重识别方法
CN110188835A (zh) * 2019-06-05 2019-08-30 国家广播电视总局广播电视科学研究院 基于生成式对抗网络模型的数据增强行人再识别方法
CN110427888A (zh) * 2019-08-05 2019-11-08 北京深醒科技有限公司 一种基于特征聚类的人脸质量评估方法
CN110472691A (zh) * 2019-08-20 2019-11-19 中国科学技术大学 目标定位模块训练方法、装置、机器人及存储介质
CN110490802A (zh) * 2019-08-06 2019-11-22 北京观微科技有限公司 一种基于超分辨率的卫星影像飞机目标型号识别方法
CN110738099A (zh) * 2019-08-30 2020-01-31 中山大学 一种基于自适应双分支网络的低分辨率行人再识别方法
CN110782398A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN110782397A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN111274873A (zh) * 2020-01-09 2020-06-12 济南浪潮高新科技投资发展有限公司 一种基于人工特征与深度特征融合的行人重识别方法
CN112084830A (zh) * 2019-06-13 2020-12-15 百度（美国）有限责任公司 通过基于视觉的感知系统检测对抗样本
CN112784857A (zh) * 2021-01-29 2021-05-11 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置
CN112801051A (zh) * 2021-03-29 2021-05-14 哈尔滨理工大学 一种基于多任务学习的遮挡行人重识别方法
CN113298181A (zh) * 2021-06-16 2021-08-24 合肥工业大学智能制造技术研究院 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统
US11348005B2 (en) 2018-09-30 2022-05-31 Boe Technology Group Co., Ltd. Apparatus, method, and computer-readable medium for image processing, and system for training a neural network
CN114898410A (zh) * 2022-07-14 2022-08-12 安徽云森物联网科技有限公司 一种基于小波变换的跨分辨率行人重识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793702A (zh) * 2014-02-28 2014-05-14 武汉大学 基于协同尺度学习的行人重识别方法
CN103824272A (zh) * 2014-03-03 2014-05-28 武汉大学 基于k近邻重识别的人脸超分辨率重建方法
CN104809461A (zh) * 2015-05-08 2015-07-29 内蒙古科技大学 结合序列图像超分辨率重建的车牌识别方法及系统
CN105005760A (zh) * 2015-06-11 2015-10-28 华中科技大学 一种基于有限混合模型的行人再识别方法
CN105718882A (zh) * 2016-01-19 2016-06-29 上海交通大学 一种分辨率自适应特征提取与融合的行人重识别方法
CN106548139A (zh) * 2016-10-21 2017-03-29 华中科技大学 一种行人重识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793702A (zh) * 2014-02-28 2014-05-14 武汉大学 基于协同尺度学习的行人重识别方法
CN103824272A (zh) * 2014-03-03 2014-05-28 武汉大学 基于k近邻重识别的人脸超分辨率重建方法
CN104809461A (zh) * 2015-05-08 2015-07-29 内蒙古科技大学 结合序列图像超分辨率重建的车牌识别方法及系统
CN105005760A (zh) * 2015-06-11 2015-10-28 华中科技大学 一种基于有限混合模型的行人再识别方法
CN105718882A (zh) * 2016-01-19 2016-06-29 上海交通大学 一种分辨率自适应特征提取与融合的行人重识别方法
CN106548139A (zh) * 2016-10-21 2017-03-29 华中科技大学 一种行人重识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
EMILY DENTON ET AL: "Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks", 《ARXIV:1506.05751V1》 *
GIUSEPPE LISANTI ET AL: "Person Re-Identification by Iterative Re-Weighted Sparse Ranking", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
WEISHI ZHENG ET AL: "Towards Open-World Person Re-Identification by One-Shot Group-Based Verification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
周保亮: "基于视觉显著特征分析的行人再识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李轶: "基于步态与人脸融合的远距离身份识别关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *
赵兴方: "基于GPU并行计算的智能视频分析技术", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622104A (zh) * 2017-09-11 2018-01-23 中央民族大学 一种文字图像识别标注方法及系统
CN107622104B (zh) * 2017-09-11 2020-03-06 中央民族大学 一种文字图像识别标注方法及系统
CN109697389A (zh) * 2017-10-23 2019-04-30 北京京东尚科信息技术有限公司 身份识别方法与装置
CN109697389B (zh) * 2017-10-23 2021-10-01 北京京东尚科信息技术有限公司 身份识别方法与装置
CN107767384A (zh) * 2017-11-03 2018-03-06 电子科技大学 一种基于对抗训练的图像语义分割方法
CN107767384B (zh) * 2017-11-03 2021-12-03 电子科技大学 一种基于对抗训练的图像语义分割方法
CN108009568A (zh) * 2017-11-14 2018-05-08 华南理工大学 一种基于wgan模型的行人检测方法
CN108363771A (zh) * 2018-02-08 2018-08-03 杭州电子科技大学 一种面向公安侦查应用的图像检索方法
CN108363771B (zh) * 2018-02-08 2020-05-01 杭州电子科技大学 一种面向公安侦查应用的图像检索方法
CN108399432A (zh) * 2018-02-28 2018-08-14 成都果小美网络科技有限公司 物体检测方法和装置
CN108573222B (zh) * 2018-03-28 2020-07-14 中山大学 基于循环对抗生成网络的行人图像遮挡检测方法
CN108573222A (zh) * 2018-03-28 2018-09-25 中山大学 基于循环对抗生成网络的行人图像遮挡检测方法
CN108629823A (zh) * 2018-04-10 2018-10-09 北京京东尚科信息技术有限公司 多视角图像的生成方法和装置
CN108629823B (zh) * 2018-04-10 2022-09-06 北京京东尚科信息技术有限公司 多视角图像的生成方法和装置
CN108897769A (zh) * 2018-05-29 2018-11-27 武汉大学 基于生成式对抗网络实现文本分类数据集扩展方法
CN108898066B (zh) * 2018-06-06 2022-01-04 天津大学 一种基于生成式对抗网络的人体运动检测方法
CN108898066A (zh) * 2018-06-06 2018-11-27 天津大学 一种基于生成式对抗网络的人体运动检测方法
CN108960142A (zh) * 2018-07-04 2018-12-07 国家新闻出版广电总局广播科学研究院 基于全局特征损失函数的行人再识别方法
CN108960142B (zh) * 2018-07-04 2021-04-27 国家新闻出版广电总局广播科学研究院 基于全局特征损失函数的行人再识别方法
CN108549883A (zh) * 2018-08-06 2018-09-18 国网浙江省电力有限公司 一种人脸再识别方法
CN109063776A (zh) * 2018-08-07 2018-12-21 北京旷视科技有限公司 图像再识别网络训练方法、装置和图像再识别方法及装置
CN109063776B (zh) * 2018-08-07 2021-08-10 北京旷视科技有限公司 图像再识别网络训练方法、装置和图像再识别方法及装置
US11361222B2 (en) 2018-09-30 2022-06-14 Boe Technology Group Co., Ltd. System, method, and computer-readable medium for image classification
CN109345455A (zh) * 2018-09-30 2019-02-15 京东方科技集团股份有限公司 图像鉴别方法、鉴别器和计算机可读存储介质
CN109360151A (zh) * 2018-09-30 2019-02-19 京东方科技集团股份有限公司 图像处理方法及系统、分辨率提升方法、可读存储介质
US11348005B2 (en) 2018-09-30 2022-05-31 Boe Technology Group Co., Ltd. Apparatus, method, and computer-readable medium for image processing, and system for training a neural network
CN109360151B (zh) * 2018-09-30 2021-03-05 京东方科技集团股份有限公司 图像处理方法及系统、分辨率提升方法、可读存储介质
CN109345455B (zh) * 2018-09-30 2021-01-26 京东方科技集团股份有限公司 图像鉴别方法、鉴别器和计算机可读存储介质
US11615505B2 (en) 2018-09-30 2023-03-28 Boe Technology Group Co., Ltd. Apparatus and method for image processing, and system for training neural network
US11449751B2 (en) 2018-09-30 2022-09-20 Boe Technology Group Co., Ltd. Training method for generative adversarial network, image processing method, device and storage medium
CN109523538A (zh) * 2018-11-21 2019-03-26 上海七牛信息技术有限公司 一种基于生成对抗神经网络的人群计数方法以及系统
CN110782397A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN110782398A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN110782397B (zh) * 2018-12-13 2020-08-28 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN109726669A (zh) * 2018-12-26 2019-05-07 浙江捷尚视觉科技股份有限公司 基于对抗网络的不同光照条件下行人再识别数据生成方法
CN109934117A (zh) * 2019-02-18 2019-06-25 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109934117B (zh) * 2019-02-18 2021-04-27 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN109993072A (zh) * 2019-03-14 2019-07-09 中山大学 基于超分辨图像生成的低分辨率行人重识别系统和方法
CN109993072B (zh) * 2019-03-14 2021-05-25 中山大学 基于超分辨图像生成的低分辨率行人重识别系统和方法
CN109948561A (zh) * 2019-03-25 2019-06-28 广东石油化工学院 基于迁移网络的无监督图像视频行人重识别的方法及系统
CN109948561B (zh) * 2019-03-25 2019-11-08 广东石油化工学院 基于迁移网络的无监督图像视频行人重识别的方法及系统
CN110135366A (zh) * 2019-05-20 2019-08-16 厦门大学 基于多尺度生成对抗网络的遮挡行人重识别方法
CN110188835A (zh) * 2019-06-05 2019-08-30 国家广播电视总局广播电视科学研究院 基于生成式对抗网络模型的数据增强行人再识别方法
CN112084830A (zh) * 2019-06-13 2020-12-15 百度（美国）有限责任公司 通过基于视觉的感知系统检测对抗样本
CN110427888A (zh) * 2019-08-05 2019-11-08 北京深醒科技有限公司 一种基于特征聚类的人脸质量评估方法
CN110490802A (zh) * 2019-08-06 2019-11-22 北京观微科技有限公司 一种基于超分辨率的卫星影像飞机目标型号识别方法
CN110490802B (zh) * 2019-08-06 2021-01-19 北京观微科技有限公司 一种基于超分辨率的卫星影像飞机目标型号识别方法
CN110472691A (zh) * 2019-08-20 2019-11-19 中国科学技术大学 目标定位模块训练方法、装置、机器人及存储介质
CN110738099B (zh) * 2019-08-30 2022-06-07 中山大学 一种基于自适应双分支网络的低分辨率行人再识别方法
CN110738099A (zh) * 2019-08-30 2020-01-31 中山大学 一种基于自适应双分支网络的低分辨率行人再识别方法
CN111274873A (zh) * 2020-01-09 2020-06-12 济南浪潮高新科技投资发展有限公司 一种基于人工特征与深度特征融合的行人重识别方法
CN112784857A (zh) * 2021-01-29 2021-05-11 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置
CN112801051A (zh) * 2021-03-29 2021-05-14 哈尔滨理工大学 一种基于多任务学习的遮挡行人重识别方法
CN113298181A (zh) * 2021-06-16 2021-08-24 合肥工业大学智能制造技术研究院 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统
CN114898410A (zh) * 2022-07-14 2022-08-12 安徽云森物联网科技有限公司 一种基于小波变换的跨分辨率行人重识别方法

Also Published As

Publication number Publication date
CN107133601B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN107133601A (zh) 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法
CN109961051B (zh) 一种基于聚类和分块特征提取的行人重识别方法
CN110837784B (zh) 一种基于人体头部特征的考场偷窥作弊检测系统
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
CN109522853B (zh) 面向监控视频的人脸检测与搜索方法
CN102663411B (zh) 一种目标人体识别方法
CN107330371A (zh) 3d脸部模型的脸部表情的获取方法、装置和存储装置
CN111241975B (zh) 一种基于移动端边缘计算的人脸识别检测方法及系统
CN110245593A (zh) 一种基于图像相似度的手势图像关键帧提取方法
CN111967363B (zh) 一种基于微表情识别和眼动追踪的对情绪预测的方法
Sun et al. Recognizing partial facial action units based on 3D dynamic range data for facial expression recognition
WO2013075295A1 (zh) 低分辨率视频的服装识别方法及系统
CN109190456A (zh) 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN111199245A (zh) 油菜害虫识别方法
CN111723773A (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN112528939A (zh) 一种人脸图像的质量评价方法及装置
CN106529441A (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN108830222A (zh) 一种基于信息性和代表性主动学习的微表情识别方法
CN114332942A (zh) 基于改进YOLOv3的夜间红外行人检测方法及系统
Sokolova et al. Methods of gait recognition in video
CN115311327A (zh) 融合共现统计与fhog梯度特征的目标跟踪方法及系统
CN109214352A (zh) 基于2d摄像头三维成像技术的动态人脸检索识别方法
CN111046861B (zh) 识别红外影像的方法、构建识别模型的方法及应用
CN104809435B (zh) 一种基于视觉一致性约束的图像目标分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant