CN107145900A - 基于一致性约束特征学习的行人再识别方法 - Google Patents

基于一致性约束特征学习的行人再识别方法 Download PDF

Info

Publication number
CN107145900A
CN107145900A CN201710272142.7A CN201710272142A CN107145900A CN 107145900 A CN107145900 A CN 107145900A CN 201710272142 A CN201710272142 A CN 201710272142A CN 107145900 A CN107145900 A CN 107145900A
Authority
CN
China
Prior art keywords
mrow
msup
msub
msubsup
mtd
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
CN201710272142.7A
Other languages
English (en)
Other versions
CN107145900B (zh
Inventor
鲁继文
周杰
任亮亮
林己
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201710272142.7A priority Critical patent/CN107145900B/zh
Publication of CN107145900A publication Critical patent/CN107145900A/zh
Priority to PCT/CN2017/115769 priority patent/WO2018196396A1/zh
Application granted granted Critical
Publication of CN107145900B publication Critical patent/CN107145900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种基于一致性约束特征学习的行人再识别方法，包括：S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络；S2：从数据库当中采样出一个图片子集，使用卷积神经网络提取特征信息，根据特征信息计算得到所有行人的相似度矩阵；S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配；S4：根据所有行人的关系矩阵的最优匹配和根据实际情况得到的所有行人的关系矩阵之间的偏差求出梯度反传，来根据梯度反转训练卷积神经网络；S5：重复步骤S2‑S4，直至满足用户需求。本发明具有如下优点：适应大型摄像机网络下进行匹配的应用场景，消除互相矛盾的匹配误差。

Description

基于一致性约束特征学习的行人再识别方法
技术领域
本发明涉及数字图像处理技术领域，具体涉及一种基于一致性约束特征学习的行人再识别方法。
背景技术
行人再识别(Person Re-Identification)就是在不同的摄像机的视角下对采集的行人进行匹配，判断不同的图片是否属于同一个人。行人再识别在监控安防等领域有广泛的应用和广阔的前景，但是由于采集到的行人图片在尺寸、光照、视角、姿态等方面都有很大的变化，所以尽管近几年很多研究者参与到相关的研究当中，也一直没有被很好地解决。
现阶段的行人再识别方式主要都是基于对对匹配(pairwise re-identification)，也就是每次只考虑两张采集的图片是否属于同一个人，得到一个相似度的数值。当前的方法主要可以分为两类：基于图片的行人再识别和基于视频的行人再识别。基于图片的方法着重于寻找一种有足够分辨能力的特征和一种更优的度量方式来提升行人再识别系统的性能。行人再识别常用的特征有颜色直方图特征，颜色描述子，局部二值模式(LBP)，尺寸不变性特征变换和尺寸不变局部三值模式等等，这些特征在提升识别的准确率方面有着非常重要的作用。另一方面，度量学习也是增强系统性能的重要部分，包括局部自适应决策函数(LADF)，跨视角平方辨别分析(XQDA)，概率相关距离比较(PRDC)，局部fisher辨别分析(LFDA)及其核函数变换(k-LFDA)等方法。基于视频的行人再识别方法主要关注怎样对行人视频序列进行有效的建模，并且提出新的匹配技巧来减小摄像机镜头畸变和光照变化带来的影响。代表性的方法有条件随机场、时空特征描述子，视频排序函数和顶推受限匹配等等。
近年来深度学习在很多计算机视觉领域都取得了重大的突破，比如图片分类、物体检测、人脸识别等方向，并且也有越来越多的方法将深度学习应用到行人再识别当中，取得了很好的结果。相关技术中提出了以下方式：
一种孪生神经网络来进行行人再识别，使用了三组孪生卷积神经网络(S-CNN)来进行深度特征学习；
一种基于交叉输入邻域差值的方法来提取跨摄像机视角的特征关系；一种深度滤波匹配神经网络(FPNN)来同时解决对齐误差、光度和摄影几何变换、摄像机畸变和背景区域干扰等等问题；
一种同时包含共享网络和两个非共享子网络的结构，可以同时提取单张图片的特征和跨图片的特征表达；
一种带阀门的孪生卷积升级网络结构，通过比较不同图片对之间的中层特征来选择性地对某些公共局部特征进行着重比较。
以上的方法都是基于一对摄像机进行匹配，这和现实生活当中由几百个摄像机组成的摄像机网络环境相比有比较大的不符。同时所有的方法都采用了pairwise的比较方式，每次只考虑两张图片，这样没有很好地利用摄像机下的结构特征来帮助匹配，会出现互相冲突的匹配情况，比如图1当中就是一个例子，其中行人P1与P2、P1和P3被认为是同一个人，而P2和P3被认为是不同的人，导致行人识别精度低。
发明内容
本发明旨在至少解决上述技术问题之一。
为此，本发明的目的在于提出一种行人识别精度高的基于一致性约束特征学习的行人再识别方法，适应大型摄像机网络下进行匹配的应用场景，消除互相矛盾的匹配误差。
为了实现上述目的，本发明的实施例公开了一种基于一致性约束特征学习的行人再识别方法，包括以下步骤：S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络，其中，所述摄像头网络构建多个相机对；S2：从数据库当中采样出一个图片子集，使用所述卷积神经网络提取特征信息，根据所述特征信息计算得到所有行人的相似度矩阵；S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配，其中，所述所有行人的关系矩阵通过二值表示是否为同一个行人，所述预设梯度下降算法中通过二值约束、行列约束和三角约束得到所述所有行人的关系矩阵的最优匹配；S4：根据所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差求出梯度反传，来根据所述梯度反转训练所述卷积神经网络；S5：重复步骤S2-S4，直至满足用户需求。
进一步地，使用DPM(可变部分模型)从所述行人图片中将得到行人信息。
进一步地，步骤S3中还包括：
引入预设损失函数，以缩短所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差。
进一步地，步骤S3进一步包括：
提供全局最优匹配目标和约束条件，得到以下公式：
其中，C表示相似度矩阵，H表示关系矩阵，表示摄像头a中第i个人和摄像机b中第j个人的相似度，表示摄像头a中第i个人和摄像头b中第j个人是否是同一个人，1或者0表示是或者不是同一个人；
关系矩阵H的二值约束如下：
关系矩阵H的行列约束如下：
其中
三角约束如下：
后将全局最大目标函数和约束函数结合得到以下公式：
引入损失函数，以缩短所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差：
以所述预设损失函数作为监督信号，进行反向传播，使用梯度下降方法求解，具体的直接导数如下：
其中x代表提取的特征。
根据本发明实施例的基于一致性约束特征学习的行人再识别方法，首先获得摄像头拍摄到的图片，然后用现有的方法将行人框出。使用神经网络对行人图片进行特征提取，对两个摄像头之间的所有行人建立相似度矩阵，然后再使用本发明中的梯度下降算法求解最优无冲突匹配。实验结果证明，该方法极大得提高了性能。
本发明的附加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，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是相关技术中行人再识别的示意图；
图2是本发明实施例的基于一致性约束特征学习的行人再识别方法的流程图；
图3是本发明基于一致性约束特征学习的行人再识别方法一个示例的流程图。
具体实施方式
下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述本发明。
图2是本发明一个实施例的基于一致性约束特征学习的行人再识别方法。如图2所示，本发明实施例的基于一致性约束特征学习的行人再识别方法，包括以下步骤：
S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络，其中，摄像头网络构建多个相机对。
在本发明的一个实施例中，使用DPM(可变部分模型)从行人图片中将得到行人信息。
S2：从数据库当中采样出一个图片子集，使用卷积神经网络提取特征信息，根据特征信息计算得到所有行人的相似度矩阵。
S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配，其中，所有行人的关系矩阵通过二值表示是否为同一个行人，预设梯度下降算法中通过二值约束、行列约束和三角约束得到所有行人的关系矩阵的最优匹配；
在本发明的一个实施例中，步骤S3中还包括：
引入预设损失函数，以缩短所有行人的关系矩阵的最优匹配和根据实际情况得到的所有行人的关系矩阵之间的偏差。
在本发明的一个实施例中，步骤S3进一步包括：
提供全局最优匹配目标和约束条件，得到以下公式：
其中，C表示相似度矩阵，H表示关系矩阵，表示摄像头a中第i个人和摄像机b中第j个人的相似度，表示摄像头a中第i个人和摄像头b中第j个人是否是同一个人，1或者0表示是或者不是同一个人；
关系矩阵H的二值约束如下：
关系矩阵H的行列约束如下：
其中
三角约束如下：
后将全局最大目标函数和约束函数结合得到以下公式：
引入损失函数，以缩短所有行人的关系矩阵的最优匹配和根据实际情况得到的所有行人的关系矩阵之间的偏差：
以预设损失函数作为监督信号，进行反向传播，使用梯度下降方法求解，具体的直接导数如下：
其中x代表提取的特征。
S4：根据所有行人的关系矩阵的最优匹配和根据实际情况得到的所有行人的关系矩阵之间的偏差求出梯度反传，来根据梯度反转训练卷积神经网络；
S5：重复步骤S2-S4，直至满足用户需求。
为使本领域人员进一步理解本发明，将通过以下实施例进行详细说明。
图3是本发明基于一致性约束特征学习的行人再识别方法一个示例的流程图。如图3所示，对于一个有m个摄像头的网络，一共有m(m-1)/2个可能的相机对，对于每个相机对构建两个矩阵：相似度矩阵C和关系矩阵H。相似度矩阵C的每一个元素记录了相应摄像机对内两个人的相似度，相似度为一个0-1之间的数值，用来记录摄像机a中第i个人和摄像机b中第j个人的相似度；关系矩阵H的每一个元素是1或者0，代表是或者不是同一个人，用来记录摄像头a中第i个人和摄像头b中第j个人是否是同一个人。
为了达到整体最优的匹配效果，本发明不能像其他的方法一样仅仅考虑两个图片之间的相似度，而需要同时考虑全局的相似度，希望让全局的相似度最大。显示场景中的行人匹配时，通常不同摄像头会采集到不同的人，对于同一个人的采集仅有一部分相同。假设每个相机内的行人都是相同的。在这种情况下，为了保持结果的一致性，H矩阵需要有一些约束条件，比如H的每一个元素只能是0或者1，并且每一行、每一列有且仅有一个1，其余都为0，同时还要考虑一个环路的约束。如果认为P1和P2、P2和P3、P3和P4、P4和P5都是同一个人，为了保持识别的一致性，也应该认为P1和P5是同一个人。这样的环路约束可以分解为若干个三角形的约束，并且很容易证明只要所有的三角形约束满足，那么这样的环路约束也便满足。总结以上的全局最优匹配目标和约束条件，得到以下公式：
在给定C矩阵的情况下来求解H矩阵的方法有很多，比如采用的二值规划方法。但是这样的方法是NP难的，当摄像头数目和人数上升之后，复杂度很快过于高而不可解。为了解决这个问题，本发明提出了一种使用梯度下降法来求解最优匹配矩阵H的方法。虽然H是二值的，但是为了梯度下降求解，首先将其连续化，并将每一个元素初始化为1/n(n为人数)，再施加以下目标函数使之收敛到最优匹配结果。
第一项是二值约束，希望H矩阵尽量是二值的，如下：
第二项是行列约束，希望H的每一行和每一列均只有一个1，其余是0，于是提出以下目标函数来保证每一个行的和为1：
其中
二值约束和行列约束一起保证了H的每一行和每一列均只有一个1，其余为0。
为了保证环路约束，将环路拆解为三角形，提出三角约束：
最后将全局最大目标函数和约束函数结合得到以下公式：
然后希望求解得到的最优匹配H和真正的结果H*尽量接近，引入损失函数：
以此作为监督信号，进行反向传播，使用梯度下降方法求解。具体的直接导数如下：
其中x代表了提取的特征。
对于不是所有人都出现在所有摄像头下的情况，对目标函数进行一些修改，如下：
此处省略梯度的求解。
另外，本发明实施例的基于一致性约束特征学习的行人再识别方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。
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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (4)

1.一种基于一致性约束特征学习的行人再识别方法，其特征在于，包括以下步骤：
S1：通过摄像头网络获取行人图片，并标注训练集；设定参数，并初始化卷积神经网络，其中，所述摄像头网络构建多个相机对；
S2：从数据库当中采样出一个图片子集，使用所述卷积神经网络提取特征信息，根据所述特征信息计算得到所有行人的相似度矩阵；
S3：根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配，其中，所述所有行人的关系矩阵通过二值表示是否为同一个行人，所述预设梯度下降算法中通过二值约束、行列约束和三角约束得到所述所有行人的关系矩阵的最优匹配；
S4：根据所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差求出梯度反传，来根据所述梯度反转训练所述卷积神经网络；
S5：重复步骤S2-S4，直至满足用户需求。
2.根据权利要求1所述的基于一致性约束特征学习的行人再识别方法，其特征在于，使用DPM(可变部分模型)从所述行人图片中将得到行人信息。
3.根据权利要求1所述的基于一致性约束特征学习的行人再识别方法，其特征在于，步骤S3中还包括：
引入预设损失函数，以缩短所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差。
4.根据权利要求3所述的基于一致性约束特征学习的行人再识别方法，其特征在于，步骤S3进一步包括：
提供全局最优匹配目标和约束条件，得到以下公式：
<mrow> <munder> <mi>max</mi> <mi>H</mi> </munder> <mi>S</mi> <mi>i</mi> <mi>m</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>a</mi> <mo>&lt;</mo> <mi>b</mi> </mrow> <mi>m</mi> </munderover> <msup> <mi>C</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>&amp;CenterDot;</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> </mrow>
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mi>u</mi> <mi>b</mi> <mi>j</mi> <mi>e</mi> <mi>c</mi> <mi>t</mi> <mi> </mi> <mi>t</mi> <mi>o</mi> <mo>:</mo> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msubsup> <mo>&amp;Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msubsup> <mo>=</mo> <mn>1</mn> <mo>,</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msubsup> <mo>=</mo> <mn>1</mn> <mo>,</mo> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>k</mi> </mrow> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> </mrow> </msubsup> <msubsup> <mi>H</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>c</mi> <mo>,</mo> <mi>b</mi> </mrow> </msubsup> <mo>&amp;le;</mo> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msubsup> <mo>,</mo> </mrow>
<mrow> <mo>&amp;ForAll;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>,</mo> <mi>c</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>,</mo> <mi>a</mi> <mo>&lt;</mo> <mi>b</mi> </mrow>
其中，C表示相似度矩阵，H表示关系矩阵，表示摄像头a中第i个人和摄像机b中第j个人的相似度，表示摄像头a中第i个人和摄像头b中第j个人是否是同一个人，1或者0表示是或者不是同一个人；
关系矩阵H的二值约束如下：
<mrow> <msub> <mi>J</mi> <mi>B</mi> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mrow> <mo>(</mo> <mi>H</mi> <mo>-</mo> <mn>0.5</mn> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mi>H</mi> <mo>-</mo> <mn>0.5</mn> <mo>)</mo> </mrow> <mo>-</mo> <mn>0.25</mn> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
关系矩阵H的行列约束如下：
<mrow> <msub> <mi>J</mi> <mi>R</mi> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>H</mi> <mi>e</mi> <mo>-</mo> <mi>e</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>,</mo> <msub> <mi>J</mi> <mi>C</mi> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msup> <mi>e</mi> <mi>T</mi> </msup> <mi>H</mi> <mo>-</mo> <msup> <mi>e</mi> <mi>T</mi> </msup> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> </mrow>
其中
e＝[1，1，…，1]T
三角约束如下：
<mrow> <msup> <msub> <mi>J</mi> <mi>T</mi> </msub> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mn>0</mn> <mo>,</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> </mrow> </msup> <msup> <mi>H</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>-</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>}</mo> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>w</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>e</mi> </mrow> </mtd> <mtd> <mrow> <mo>&amp;ForAll;</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>a</mi> <mo>&lt;</mo> <mi>b</mi> <mo>&lt;</mo> <mi>c</mi> <mo>&amp;le;</mo> <mi>m</mi> <mo>.</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
后将全局最大目标函数和约束函数结合得到以下公式：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <munder> <mi>min</mi> <mi>H</mi> </munder> <msub> <mi>J</mi> <mn>1</mn> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <mo>(</mo> <mrow> <mo>-</mo> <mo>|</mo> <mo>|</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>&amp;CenterDot;</mo> <msup> <mi>C</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <mo>(</mo> <mrow> <msup> <msub> <mi>&amp;alpha;J</mi> <mi>B</mi> </msub> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>+</mo> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mrow> <msup> <msub> <mi>J</mi> <mi>R</mi> </msub> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>+</mo> <msup> <msub> <mi>J</mi> <mi>C</mi> </msub> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>&amp;mu;</mi> <mfrac> <mn>1</mn> <mrow> <mi>m</mi> <mo>-</mo> <mn>2</mn> </mrow> </mfrac> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> <mo>,</mo> <mi>b</mi> </mrow> <mi>m</mi> </munderover> <msup> <msub> <mi>J</mi> <mi>T</mi> </msub> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced>
引入损失函数，以缩短所述所有行人的关系矩阵的最优匹配和根据实际情况得到的所述所有行人的关系矩阵之间的偏差：
<mrow> <munder> <mrow> <mi>arg</mi> <mi>min</mi> </mrow> <mi>f</mi> </munder> <msub> <mi>J</mi> <mn>2</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <mi>H</mi> <mo>-</mo> <msup> <mi>H</mi> <mo>*</mo> </msup> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow>
以所述预设损失函数作为监督信号，进行反向传播，使用梯度下降方法求解，具体的直接导数如下：
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>J</mi> <mn>2</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <mfrac> <mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msub> <mi>x</mi> <mi>j</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> <mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>J</mi> <mn>2</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> </mfrac> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>H</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mfrac> <mrow> <msubsup> <mi>x</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msub> <mi>x</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> <mrow> <msubsup> <mi>x</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>J</mi> <mn>1</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>&amp;CenterDot;</mo> <msup> <mi>C</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> <mn>2</mn> </mrow> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mrow> <msup> <mrow> <mo>(</mo> <mrow> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>-</mo> <mn>0.5</mn> </mrow> <mo>)</mo> </mrow> <mrow> <mo>&amp;CenterDot;</mo> <mn>2</mn> </mrow> </msup> <mo>-</mo> <mn>0.25</mn> </mrow> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mrow> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>-</mo> <mn>0.5</mn> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mrow> <mrow> <mo>(</mo> <mrow> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mi>e</mi> <mo>-</mo> <mi>e</mi> </mrow> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mi>T</mi> </msup> <mo>+</mo> <mi>e</mi> <mrow> <mo>(</mo> <mrow> <msup> <mi>e</mi> <mi>T</mi> </msup> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>-</mo> <msup> <mi>e</mi> <mi>T</mi> </msup> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>&amp;mu;</mi> <munderover> <mi>&amp;Sigma;</mi> <mi>c</mi> <mi>m</mi> </munderover> <mo>-</mo> <mrow> <mo>(</mo> <mrow> <mi>max</mi> <mrow> <mo>{</mo> <mrow> <mn>0</mn> <mo>,</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>c</mi> </mrow> </msup> <msup> <mi>H</mi> <mrow> <mi>c</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> <mo>-</mo> <msup> <mi>H</mi> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </msup> </mrow> <mo>}</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中x代表提取的特征。
CN201710272142.7A 2017-04-24 2017-04-24 基于一致性约束特征学习的行人再识别方法 Active CN107145900B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710272142.7A CN107145900B (zh) 2017-04-24 2017-04-24 基于一致性约束特征学习的行人再识别方法
PCT/CN2017/115769 WO2018196396A1 (zh) 2017-04-24 2017-12-13 基于一致性约束特征学习的行人再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710272142.7A CN107145900B (zh) 2017-04-24 2017-04-24 基于一致性约束特征学习的行人再识别方法

Publications (2)

Publication Number Publication Date
CN107145900A true CN107145900A (zh) 2017-09-08
CN107145900B CN107145900B (zh) 2019-07-26

Family

ID=59775351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710272142.7A Active CN107145900B (zh) 2017-04-24 2017-04-24 基于一致性约束特征学习的行人再识别方法

Country Status (2)

Country Link
CN (1) CN107145900B (zh)
WO (1) WO2018196396A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268855A (zh) * 2018-02-05 2018-07-10 北京信息科技大学 一种面向行人再识别的函数模型的优化方法及装置
CN108388927A (zh) * 2018-03-26 2018-08-10 西安电子科技大学 基于深度卷积孪生网络的小样本极化sar地物分类方法
WO2018196396A1 (zh) * 2017-04-24 2018-11-01 清华大学 基于一致性约束特征学习的行人再识别方法
CN108764065A (zh) * 2018-05-04 2018-11-06 华中科技大学 一种行人重识别特征融合辅助学习的方法
CN108830236A (zh) * 2018-06-21 2018-11-16 电子科技大学 一种基于深度特征的行人重识别方法
CN109063649A (zh) * 2018-08-03 2018-12-21 中国矿业大学 基于孪生行人对齐残差网络的行人重识别方法
CN109117888A (zh) * 2018-08-20 2019-01-01 北京旷视科技有限公司 目标对象识别方法及其神经网络生成方法以及装置
CN109146058A (zh) * 2018-07-27 2019-01-04 中国科学技术大学 具有变换不变能力且表达一致的卷积神经网络
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
CN109508787A (zh) * 2018-10-16 2019-03-22 深圳大学 用于超声位移估计的神经网络模型训练方法及系统
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
CN109977787A (zh) * 2019-03-01 2019-07-05 北京工业大学 一种多视角的人体行为识别方法
CN110427317A (zh) * 2019-07-05 2019-11-08 深圳壹账通智能科技有限公司 一种相关值确定方法及装置
CN111553474A (zh) * 2019-12-19 2020-08-18 珠海大横琴科技发展有限公司 船只检测模型训练方法及基于无人机视频的船只跟踪方法
CN111862216A (zh) * 2020-07-29 2020-10-30 上海高仙自动化科技发展有限公司 计算机设备定位方法、装置、计算机设备和存储介质
CN112132059A (zh) * 2020-09-25 2020-12-25 中南民族大学 一种基于深度条件随机场的行人重识别方法和系统
CN112784772A (zh) * 2021-01-27 2021-05-11 浙江大学 一种基于对比学习的相机内有监督跨相机行人重识别方法
CN113383345A (zh) * 2019-12-17 2021-09-10 索尼互动娱乐有限责任公司 用于定义情感机器的方法和系统
TWI780563B (zh) * 2020-05-29 2022-10-11 大陸商深圳市商湯科技有限公司 圖像定位模型獲取方法、終端和電腦可讀儲存介質

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097032B (zh) * 2019-05-15 2023-09-08 成都电科智达科技有限公司 一种基于深度学习的行人重识别方法
CN110516787B (zh) * 2019-07-15 2021-04-09 杭州电子科技大学 基于易分特征丢弃的网络正则化约束的行人重识别方法
CN110543823B (zh) * 2019-07-30 2024-03-19 平安科技（深圳）有限公司 基于残差网络的行人再识别方法、装置和计算机设备
CN110728216A (zh) * 2019-09-27 2020-01-24 西北工业大学 一种基于行人属性自适应学习的无监督行人再识别方法
CN111079585B (zh) * 2019-12-03 2023-08-15 浙江工商大学 图像增强结合伪孪生卷积神经网络的行人再识别方法
CN111476189B (zh) * 2020-04-14 2023-10-13 北京爱笔科技有限公司 一种身份识别方法和相关装置
CN111506691B (zh) * 2020-04-20 2024-05-31 杭州数澜科技有限公司 一种基于深度匹配模型的轨迹匹配方法和系统
CN111695460B (zh) * 2020-05-29 2023-04-21 天津师范大学 一种基于局部图卷积网络的行人再识别方法
CN111814854B (zh) * 2020-06-28 2023-07-28 北京交通大学 一种无监督域适应的目标重识别方法
CN111897993A (zh) * 2020-07-20 2020-11-06 杭州叙简科技股份有限公司 一种基于行人再识别的高效目标人物轨迹生成方法
CN113221671A (zh) * 2021-04-22 2021-08-06 浙江大学 一种基于梯度和无线信号的环境无关的动作识别方法及系统
CN113627497B (zh) * 2021-07-27 2024-03-12 武汉大学 一种基于时空约束的跨摄像头行人轨迹匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354548A (zh) * 2015-10-30 2016-02-24 武汉大学 一种基于ImageNet检索的监控视频行人重识别方法
CN106022237A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种端到端的卷积神经网络的行人检测方法
CN106096568A (zh) * 2016-06-21 2016-11-09 同济大学 一种基于cnn和卷积lstm网络的行人再识别方法
CN106529442A (zh) * 2016-10-26 2017-03-22 清华大学 一种行人识别方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145900B (zh) * 2017-04-24 2019-07-26 清华大学 基于一致性约束特征学习的行人再识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354548A (zh) * 2015-10-30 2016-02-24 武汉大学 一种基于ImageNet检索的监控视频行人重识别方法
CN106022237A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种端到端的卷积神经网络的行人检测方法
CN106096568A (zh) * 2016-06-21 2016-11-09 同济大学 一种基于cnn和卷积lstm网络的行人再识别方法
CN106529442A (zh) * 2016-10-26 2017-03-22 清华大学 一种行人识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DAS, ABIR 等: "onsistent Re-identification in a Camera Network", 《COMPUTER VISION-ECCV》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018196396A1 (zh) * 2017-04-24 2018-11-01 清华大学 基于一致性约束特征学习的行人再识别方法
CN108268855B (zh) * 2018-02-05 2020-09-22 北京信息科技大学 一种面向行人再识别的函数模型的优化方法及装置
CN108268855A (zh) * 2018-02-05 2018-07-10 北京信息科技大学 一种面向行人再识别的函数模型的优化方法及装置
CN108388927A (zh) * 2018-03-26 2018-08-10 西安电子科技大学 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN108388927B (zh) * 2018-03-26 2021-10-29 西安电子科技大学 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN108764065A (zh) * 2018-05-04 2018-11-06 华中科技大学 一种行人重识别特征融合辅助学习的方法
CN108830236A (zh) * 2018-06-21 2018-11-16 电子科技大学 一种基于深度特征的行人重识别方法
CN109146058B (zh) * 2018-07-27 2022-03-01 中国科学技术大学 具有变换不变能力且表达一致的卷积神经网络
CN109146058A (zh) * 2018-07-27 2019-01-04 中国科学技术大学 具有变换不变能力且表达一致的卷积神经网络
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
CN109063649B (zh) * 2018-08-03 2021-05-14 中国矿业大学 基于孪生行人对齐残差网络的行人重识别方法
CN109063649A (zh) * 2018-08-03 2018-12-21 中国矿业大学 基于孪生行人对齐残差网络的行人重识别方法
CN109117888A (zh) * 2018-08-20 2019-01-01 北京旷视科技有限公司 目标对象识别方法及其神经网络生成方法以及装置
CN109508787A (zh) * 2018-10-16 2019-03-22 深圳大学 用于超声位移估计的神经网络模型训练方法及系统
CN109977787A (zh) * 2019-03-01 2019-07-05 北京工业大学 一种多视角的人体行为识别方法
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
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
CN110427317A (zh) * 2019-07-05 2019-11-08 深圳壹账通智能科技有限公司 一种相关值确定方法及装置
WO2021004118A1 (zh) * 2019-07-05 2021-01-14 深圳壹账通智能科技有限公司 一种相关值确定方法及装置
CN113383345A (zh) * 2019-12-17 2021-09-10 索尼互动娱乐有限责任公司 用于定义情感机器的方法和系统
CN111553474A (zh) * 2019-12-19 2020-08-18 珠海大横琴科技发展有限公司 船只检测模型训练方法及基于无人机视频的船只跟踪方法
TWI780563B (zh) * 2020-05-29 2022-10-11 大陸商深圳市商湯科技有限公司 圖像定位模型獲取方法、終端和電腦可讀儲存介質
CN111862216A (zh) * 2020-07-29 2020-10-30 上海高仙自动化科技发展有限公司 计算机设备定位方法、装置、计算机设备和存储介质
CN111862216B (zh) * 2020-07-29 2023-05-26 上海高仙自动化科技发展有限公司 计算机设备定位方法、装置、计算机设备和存储介质
CN112132059B (zh) * 2020-09-25 2021-04-20 中南民族大学 一种基于深度条件随机场的行人重识别方法和系统
CN112132059A (zh) * 2020-09-25 2020-12-25 中南民族大学 一种基于深度条件随机场的行人重识别方法和系统
CN112784772A (zh) * 2021-01-27 2021-05-11 浙江大学 一种基于对比学习的相机内有监督跨相机行人重识别方法
CN112784772B (zh) * 2021-01-27 2022-05-27 浙江大学 一种基于对比学习的相机内有监督跨相机行人重识别方法

Also Published As

Publication number Publication date
WO2018196396A1 (zh) 2018-11-01
CN107145900B (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN107145900A (zh) 基于一致性约束特征学习的行人再识别方法
CN110781838B (zh) 一种复杂场景下行人的多模态轨迹预测方法
WO2019169816A1 (zh) 一种用于精细化识别车辆属性的深度神经网络及训练方法
US20210034840A1 (en) Method for Recognzing Face from Monitoring Video Data
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN109063649B (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN107273872A (zh) 用于图像或视频中行人重识别的深度判别网络模型方法
Bao et al. Masked graph attention network for person re-identification
CN106503687A (zh) 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN107408211A (zh) 用于物体的再识别的方法
CN106570491A (zh) 一种机器人智能互动的方法及智能机器人
CN109711366A (zh) 一种基于群组信息损失函数的行人重识别方法
CN109614907A (zh) 基于特征强化引导卷积神经网络的行人再识别方法及装置
CN111639580B (zh) 一种结合特征分离模型和视角转换模型的步态识别方法
CN110674874A (zh) 基于目标精细组件检测的细粒度图像识别方法
CN105718882A (zh) 一种分辨率自适应特征提取与融合的行人重识别方法
CN109583507A (zh) 一种基于深度卷积神经网络的猪体识别方法
CN110472495B (zh) 一种基于图形推理全局特征的深度学习人脸识别方法
CN108090472A (zh) 基于多通道一致性特征的行人重识别方法及其系统
CN103714526A (zh) 基于稀疏多流形嵌入的超分辨率图像重构方法
CN103729620B (zh) 一种基于多视角贝叶斯网络的多视角行人检测方法
CN110008861A (zh) 一种基于全局和局部特征学习的行人再识别方法
CN108416325B (zh) 一种结合视角转换模型与隐马尔可夫模型的步态识别方法
CN111680560A (zh) 一种基于时空特征的行人再识别方法
CN107944395A (zh) 一种基于神经网络验证人证合一的方法及系统

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