CN107330360A - 一种行人衣着颜色识别、行人检索方法和装置 - Google Patents
一种行人衣着颜色识别、行人检索方法和装置 Download PDFInfo
- Publication number
- CN107330360A CN107330360A CN201710368944.8A CN201710368944A CN107330360A CN 107330360 A CN107330360 A CN 107330360A CN 201710368944 A CN201710368944 A CN 201710368944A CN 107330360 A CN107330360 A CN 107330360A
- Authority
- CN
- China
- Prior art keywords
- identification
- retrieval
- pedestrian
- subregion
- feature
- 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.)
- Pending
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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种行人衣着颜色识别、行人检索方法和装置,其中行人检索方法包括以下步骤:获取待检索的行人样片;从行人样片提取检索区域;根据行人识别模型提取检索区域的特征;将检索库中图像区域的特征与检索区域的特征进行比对,得到综合相似度;根据综合相似度输出检索目标。可以通过将检索区域划分为检索分区域,将检索库中图像区域的检索子区域分别与检索分区域进行对比得到各检索子区域的检索相似度,各检索子区域的检索相似度根据检索分区权值加权计算得到综合相似度;进而可以根据综合相似度选出检索目标。如果行人样片的某检索分区域较为显著,则可增大相应的检索分区权值,凸显关键区域,提升了检索的速度和效果。
Description
技术领域
本发明涉及图像识别技术,尤其涉及行人衣着颜色识别、行人检索方法和装置。
背景技术
目前,行人衣着颜色检索旨在搜索行人库中指定衣服或者裤子颜色的行人,行人衣着颜色识别旨在识别视频或图像中行人的衣服和裤子颜色,行人衣着颜色检索和行人衣着颜色识别可以看做两个相对应的过程。无论是检索还是识别在安防领域中有着重要的应用。
颜色识别是一个传统的课题,基于颜色的识别也催生出了许多重要应用,比如车辆颜色的识别;传统的车牌识别中依靠颜色特征作为辅助条件进行车牌定位;在一些工业领域依靠颜色的识别来区分物体,比如彩色铅笔生产线的分拣系统,运用颜色特征进行不同颜色铅笔的分拣,一些背景简单的物体识别也有不少运用了颜色的方法。许多传统的颜色特征如RGB或HSV颜色直方图特征被广泛地应用在各行各业,在行人衣着颜色识别中,典型的方法也是运用不同颜色空间下的特征。
传统颜色特征的行人衣着颜色识别一般利用传统颜色特征表述,通过提取样本的颜色特征,再训练一个分类器的方式来实现,比如专利CN103034852B 公开了静止摄像机场景下特定颜色行人的检测方法,利用HSV空间颜色直方图统计的方法分别对行人的上衣和裤子进行识别。该专利首先在RGB三个通道中运用Sobel算子计算水平和垂直梯度投影从而得到上下半身的分割线,再通过人为限定分割线的位置区间来确定分割线。对于行人颜色的识别方法,该专利使用了将HSV颜色空间划分为8个颜色区域,将图像颜色空间从RGB转换到HSV 之后统计落在8个颜色区域的像素个数,从而得到衣着颜色。
传统的衣着颜色识别利用传统颜色直方图统计特征进行颜色识别,方法简单,应用广泛,在应用场景简单、背景单一、光照影响小的时候识别效果比较好,但是在场景复杂、光照影响较大的情况下识别效果很差。在监控场景中,复杂背景、遮挡、光线等问题的影响非常严重,这样的情况下直接使用传统颜色直方图等方法提取特征干扰较大,得到特征之后识别效果很差。
行人重识别技术旨在识别不同视角的非重叠监控场景下的行人身份,特别在监控视频应用中,有较大的应用前景。由于不同监控场景下行人存在背景,光照,朝向等差异大的问题,行人重识别一直是图像识别中难度较大的领域。在追踪目标人物中,颜色检索对缩小搜索范围有着重要的作用。
目前,行人重识别或行人衣着颜色属性识别方法中,研究主要集中在如何利用好的特征表述方法来提取行人身份特征,其中包括了一些基于颜色特征的方法、深度神经网络的方法等。经过调研,现有技术中一般只将颜色特征用于行人身份识别,无法实现行人衣着颜色识别和行人检索。而且现有的基于多区域特征的行人重识别以及属性识别只能机械的对各区域分别进行特征属性识别,进而根据不同属性进行分类。对于侧重的区域无法进行重点描述,对于个性化的对象无法快速、有效地进行检索。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种行人衣着颜色识别方法和装置,其能解决现有的衣着颜色识别在场景复杂、光照影响较大的情况下识别效果很差,在监控场景中,复杂背景、遮挡、光线等问题的影响非常严重,这样的情况下直接使用传统颜色直方图等方法提取特征干扰较大,得到特征之后识别效果很差问题。
本发明的目的之二在于提供一种行人检索方法和装置,其能解决现有的基于多区域特征的行人重识别以及属性识别对于侧重的区域无法进行重点描述,对于个性化的对象无法快速、有效地进行检索的问题。
本发明的目的之一采用以下技术方案实现:
一种行人衣着颜色识别方法,包括以下步骤:
获取目标行人图像;
从所述目标行人图像提取识别区域;
根据行人识别模型提取所述识别区域的特征;
将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述从所述目标行人图像提取识别区域,具体为,所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述颜色区域包括对应于所述识别分区域的识别子区域;
所述将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度,具体为,分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
一种行人衣着颜色识别装置,包括:
识别获取模块,用于获取目标行人图像;
识别提取模块,用于从所述目标行人图像提取识别区域;
识别特征模块,用于根据行人识别模型提取所述识别区域的特征;
识别比对模块,将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
识别输出模块,根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述识别提取模块被设置为:所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述识别比对模块被设置为:所述颜色区域包括对应于所述识别分区域的识别子区域;
所述识别比对模块还被设置为:分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
一种行人衣着颜色识别装置,包括:
处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取目标行人图像;
从所述目标行人图像提取识别区域;
根据行人识别模型提取所述识别区域的特征;
将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述从所述目标行人图像提取识别区域,具体为,所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述颜色区域包括对应于所述识别分区域的识别子区域;
所述将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度,具体为,分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
本发明的目的之二采用以下技术方案实现:
一种行人检索方法,包括以下步骤:
获取待检索的行人样片;
从所述行人样片提取检索区域;
根据行人识别模型提取所述检索区域的特征;
将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
根据所述综合相似度输出检索目标;
所述从所述行人样片提取检索区域,具体为,所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述图像区域包括对应于所述检索分区域的检索子区域;
所述将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度,具体为,分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
进一步地,所述获取待检索的行人样片,具体为:利用前述的行人衣着颜色识别方法,根据目标行人图像输出所述待检索的行人样片。
进一步地,所述获取待检索的行人样片,具体包括以下步骤:
获取对空白样片的填色指令;
对所述空白样片填色,得到所述行人样片。
一种行人检索装置,包括:
检索获取模块,用于获取待检索的行人样片;
检索提取模块,用于从所述行人样片提取检索区域;
检索特征模块,用于根据行人识别模型提取所述检索区域的特征;
检索比对模块,用于将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
检索输出模块,用于根据所述综合相似度输出检索目标;
所述检索提取模块被设置为:所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述检索比对模块被设置为:所述图像区域包括对应于所述检索分区域的检索子区域;
所述检索比对模块还被设置为:分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
进一步地,所述检索获取模块包括前述的行人衣着颜色识别装置,用于根据目标行人图像,利用前述的行人衣着颜色识别方法输出所述待检索的行人样片。
进一步地,所述检索获取模块包括:
获取单元,用于获取对空白样片的填色指令;
填色单元,用于对所述空白样片填色,得到所述行人样片。
一种行人检索装置,包括:
处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取待检索的行人样片;
从所述行人样片提取检索区域;
根据行人识别模型提取所述检索区域的特征;
将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
根据所述综合相似度输出检索目标;
所述从所述行人样片提取检索区域,具体为,所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述图像区域包括对应于所述检索分区域的检索子区域;
所述将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度,具体为,分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
相比现有技术,本发明提供的行人衣着颜色识别方法和装置的有益效果在于:通过将识别区域划分为识别分区域,将颜色模板库中颜色区域的识别子区域分别与识别分区域进行对比得到各识别子区域的识别相似度,各识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度;进而可以根据复合相似度选出识别结果。如果目标行人图片的某识别分区域较为显著,则可增大相应的识别分区权值,凸显关键区域,提升了识别的速度和效果。
相比现有技术,本发明提供的行人检索方法和装置的有益效果在于:通过将检索区域划分为检索分区域,将检索库中图像区域的检索子区域分别与检索分区域进行对比得到各检索子区域的检索相似度,各检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度;进而可以根据综合相似度选出检索目标。如果行人样片的某检索分区域较为显著,则可增大相应的检索分区权值,凸显关键区域,提升了检索的速度和效果。
附图说明
图1为本发明实施例一的行人衣着颜色识别方法的流程示意图;
图2为基于区域学习的深度神经网络的结构示意图;
图3为本发明实施例二的行人衣着颜色识别装置的结构示意图;
图4为本发明实施例三的行人衣着颜色识别装置或行人检索装置的结构示意图;
图5为本发明实施例四的行人检索方法的流程示意图;
图6为图5中获取行人样片的示意图;
图7为本发明实施例五的行人检索装置的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
如图1为一种行人衣着颜色识别方法,可以根据目标行人图像从颜色模板库中找出色彩特征与所述目标行人图片最为近似的颜色模板。行人衣着颜色识别方法包括以下步骤:
步骤S110、获取目标行人图像。行人目标行人图像指的是包括所要识别的行人的图片。
步骤S120、从所述目标行人图像提取识别区域;其中,所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值。
例如,对于一个目标行人图像,识别区域指的是目标行人图像中的人形;识别区域包括上衣、裤子等识别分区域。对于不同的目标行人图像,可以针对性的对各识别分区域设定相应的识别分区权值。例如。某目标行人图像中的目标行人穿的上衣色彩比较独特,就可以将对应于上衣这一识别分区域的识别分区权值设置的大于裤子对应的识别分区域,以在后续识别过程中凸显上衣这一特点。
步骤S130、根据行人识别模型提取所述识别区域的特征。
进一步地,所述根据行人识别模型提取所述识别区域的特征,具体为分别求取各识别分区域的特征。
作为本发明的进一步改进,采用如图2所示的基于区域学习的深度神经网络在深度神经网络模型结构的中间或者后面进行特征划分,即先对目标行人图像进行卷积、池化操作获取整体的特征,卷积操作保留了图像的空间信息,然后依据空间信息对整体的特征进行分离得到各识别分区域的特征;而不是先将目标行人图像进行区域划分,再分别用三个分支对各区域进行特征提取;从而可以减小模型规模,降低计算开支。
深度神经网络一般来说可以使用Vggnet,残差网络(residual networks)等实现,这样可以提高网络使用效率,这两个深度神经网络都包括了输入层,卷积层,批规范化层,非线性层,池化层,全连接层等以及最后的softmax分类。在本发明中,还加入了特征的分离、合并操作。在图2中,卷积层可重复构建为多层的卷积结构。
在基于区域学习的深度神经网络学习训练过程中,数据输入层可以对目标行人图片进行预处理操作,旨在增加训练样本数量,比如镜像,随机剪裁等操作。该深度神经网络包括多个卷积层,第一个卷积层的输入是经过数据输入层处理过的目标行人图片,输出为图像特征,后面的卷积层输入与输出都是图像特征。所有卷积层的输出都带了批规范化层,规范化层优化了训练,在非线性映射层之前做了规范化,优化网络训练,加快收敛速度。批规范化层的输出为非线性层的输入,非线性层通过非线性函数,对卷积层输入的特征进行非线性变换,使得其输出的特征有较强的表达能力。池化层可以进行多对一的映射操作,该层可进一步强化所学习特征的非线性,还可以减小输出特征的大小,降低网络参数,池化层的输入可以来自卷积层。全连接层是对特征输入做线性变换,将学习的特征投影到更利于预测的子空间。最后为softmax损耗层,计算预测类别和标签类别的误差。有别于普通深度神经网络模型的是特征分离和合并操作层,卷积操作保留了图像的空间信息,因此可以在最后一个卷积层所跟的池化层之后进行特征划分,而不必要在图像的一开始就进行区域划分,特征分离之后三部分特征分别进入各自的全连接层,在各个分支的最后一个全连接层进行特征合并操作。
步骤S140、将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;所述颜色区域包括对应于所述识别分区域的识别子区域。
颜色模板库包括大量的只对行人进行涂色、背景空白或涂黑的图片,只保留了行人的色彩信息,如上身为蓝白条纹,下身为蓝色,保留有行人色彩信息的区域为颜色区域。
将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度,具体为,分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
以上半身、下半身两个识别分区域、识别子区域为例,设颜色模板库图片i 的颜色区域中上半身对应的识别子区域与识别区域中上半身对应的识别分区域的识别相似度为Si1,上半身对应的识别分区权值为W1;下半身的识别相似度为Si2,识别分区权值为W2;则复合相似度为:
步骤S150、根据所述复合相似度输出与所述目标行人图像对应的识别结果。
将颜色模板库中的颜色区域与目标行人图像进行对比完成后,有些颜色区域的复合相似度比较高,有些则比较低。可以根据实际情况,选择复合相似度最高或排名靠前的颜色区域作为识别结果输出,至此完成根据目标行人图像从颜色模板库中找出色彩特征与所述目标行人图片最为近似的颜色模板。如果目标行人图片的某识别分区域较为显著,则可增大相应的识别分区权值,凸显关键区域,提升了识别的速度和效果。
通过将识别区域划分为识别分区域,将颜色模板库中颜色区域的识别子区域分别与识别分区域进行对比得到各识别子区域的识别相似度,各识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度;进而可以根据复合相似度选出识别结果。如果目标行人图片的某识别分区域较为显著,则可增大相应的识别分区权值,凸显关键区域,提升了识别的速度和效果。
进一步地,在另一实施例中,采用上下半身匹配位置一致性策略选取识别结果。设颜色模板库中模板j的上身对应的识别子区域的识别相似度相对于颜色模板库中的全部模板的排名为Qj1,下身为Qj2,则图片j的整体排名为 Qj=Qj1+Qj2。当上下半身的排序位置都很靠前,则Qj的值比较小,说明上下半身排序一致性较强,更加可靠。当上身或者下身中有一个排序比较靠前但另一个比较靠后,则Qj较大,排序一致性较差,整体位置重新排序的时候就难以排的靠前了。然后选择整体排名靠前的颜色区域作为识别结果输出。
实施例二
如图3所示的行人衣着颜色识别装置,包括:
识别获取模块110,用于获取目标行人图像;
识别提取模块120,用于从所述目标行人图像提取识别区域;
识别特征模块130,用于根据行人识别模型提取所述识别区域的特征;
识别比对模块140,将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
识别输出模块150,根据所述复合相似度输出与所述目标行人图像对应的识别结果。
所述识别提取模块120被设置为:所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述识别比对模块 140被设置为:所述颜色区域包括对应于所述识别分区域的识别子区域;
所述识别比对模块140还被设置为:分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
本实施例中的装置与前述实施例中的方法是基于同一发明构思下的两个方面,在前面已经对方法实施过程作了详细的描述,所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程,为了说明书的简洁,在此就不再赘述。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的,作为模块或单元示意的部件可以是或者也可以不是物理模块,既可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等,如实施例三。
实施例三
如图4所示的行人衣着颜色识别装置,包括:处理器200以及用于存储处理器200可执行的指令的存储器300;
所述处理器200被配置为:
获取目标行人图像;
从所述目标行人图像提取识别区域;
根据行人识别模型提取所述识别区域的特征;
将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述从所述目标行人图像提取识别区域,具体为,所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述颜色区域包括对应于所述识别分区域的识别子区域;
所述将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度,具体为,分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
本发明实施例提供的行人衣着颜色识别装置,可以通过将识别区域划分为识别分区域,将颜色模板库中颜色区域的识别子区域分别与识别分区域进行对比得到各识别子区域的识别相似度,各识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度;进而可以根据复合相似度选出识别结果。如果目标行人图片的某识别分区域较为显著,则可增大相应的识别分区权值,凸显关键区域,提升了识别的速度和效果。
实施例四
如图5为一种行人检索方法,可以根据行人样片从检索库中检索出与行人样片色彩特征近似的图像区域。行人检索方法包括以下步骤:
步骤S310、获取待检索的行人样片。行人样片只保留了行人的色彩信息,如上身为蓝白条纹,下身为蓝色的行人图片。
在本实施例中,进一步地,如图6所示,所述获取待检索的行人样片,具体为:利用上述行人衣着颜色识别方法,根据目标行人图像输出所述待检索的行人样片。典型的应用场景如下:获取到某嫌疑人的一张照片,要根据视频监控找到该嫌疑人的活动信息。首先将该照片作为目标行人图像,利用上述行人衣着颜色识别方法得到仅保留色彩信息的行人样片;然后利用该行人样片对监控视频的海量图片中检索出与所述色彩信息较为匹配的视频图片。由于只针对色彩信息,检索过程中需要处理的信息量得到了极大地减少,检索快速高效;为后续进一步高精度的搜索提供了准确、较小的搜索范围,以增快搜索速度,减小搜索量。
在另一实施例中,还可以通过以下步骤获得行人样片:
步骤S311、获取对空白样片的填色指令;
步骤S312、对所述空白样片填色,得到所述行人样片。
如果仅仅掌握了目击者对嫌疑人的描述,没有具体的嫌疑人的照片,就可以将填色后的样片作为行人样片进行检索。
步骤S320、从所述行人样片提取检索区域;所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值。
检索区域指的是只对行人进行涂色、背景空白或涂黑的图片,只保留了行人的色彩信息,如上身为蓝白条纹,下身为蓝色的行人图片,包括上身、下身两个检索分区域,上身对应的检索分区权值为0.7,下身为0.3。
步骤S330、根据行人识别模型提取所述检索区域的特征。
进一步地,所述根据行人识别模型提取所述检索区域的特征,具体为分别求取各检索分区域的特征。
作为本发明的进一步改进,采用如图2所示的基于区域学习的深度神经网络在深度神经网络模型结构的中间或者后面进行特征划分,即先对行人样片进行卷积、池化操作获取整体的特征,卷积操作保留了图像的空间信息,然后依据空间信息对整体的特征进行分离得到各检索分区域的特征。
步骤S340、将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;所述图像区域包括对应于所述检索分区域的检索子区域。检索库中包括含有行人的图片,行人所在的区域即为图像区域。
所述将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度,具体为,分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
以上身、下身两个检索分区域、检索子区域为例,设检索库中图片i的图像区域中上身对应的检索子区域与检索区域中上身对应的检索分区域的检索相似度为Ti1,上身对应的检索分区权值为V1;下身的检索相似度为Ti2,检索分区权值为V2;则综合相似度为:
步骤S350、根据所述综合相似度输出检索目标。
将检索库中的图像区域与行人样片进行对比完成后,有些图像区域的综合相似度比较高,有些则比较低。可以根据实际情况,选择综合相似度最高或排名靠前的图像区域作为检索结果输出,至此完成根据行人样片从检索库中检索出与行人样片色彩特征近似的图像区域。如果行人样片的某检索分区域较为显著,则可增大相应的检索分区权值,凸显关键区域,提升了检索的速度和效果。
通过将检索区域划分为检索分区域,将检索库中图像区域的检索子区域分别与检索分区域进行对比得到各检索子区域的检索相似度,各检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度;进而可以根据综合相似度选出检索目标。如果行人样片的某检索分区域较为显著,则可增大相应的检索分区权值,凸显关键区域,提升了检索的速度和效果。
进一步地,在另一实施例中,采用上下半身匹配位置一致性策略选取检索目标。设检索库中图片j上身对应的检索子区域的检索相似度相对于检索库中的全部的排名为Pj1,下身为Pj2,则图片j的整体排名为Pj=Pj1+Pj2。当上下半身的排序位置都很靠前,则Pj的值比较小,说明上下半身排序一致性较强,更加可靠。当上身或者下身中有一个排序比较靠前但另一个比较靠后,则Pj较大,排序一致性较差,整体位置重新排序的时候就难以排的靠前了。然后选择整体排名靠前的图片作为检索目标。
进一步地,前述特征具体为色彩特征。
实施例五
如图7所示的行人检索装置,包括:
检索获取模块310,用于获取待检索的行人样片;
检索提取模块320,用于从所述行人样片提取检索区域;
检索特征模块330,用于根据行人识别模型提取所述检索区域的特征;
检索比对模块340,用于将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
检索输出模块350,用于根据所述综合相似度输出检索目标;
所述检索提取模块320被设置为:所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述检索比对模块 340被设置为:所述图像区域包括对应于所述检索分区域的检索子区域;
所述检索比对模块340还被设置为:分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
进一步地,所述特征具体为色彩特征。
进一步地,所述检索获取模块310包括上述行人衣着颜色识别装置,用于根据目标行人图像,利用上述行人衣着颜色识别方法输出所述待检索的行人样片。
进一步地,在另一实施例中,检索获取模块310还包括:
获取单元,用于获取对空白样片的填色指令;
填色单元,用于对所述空白样片填色,得到所述行人样片。
本实施例中的装置与前述实施例中的方法是基于同一发明构思下的两个方面,在前面已经对方法实施过程作了详细的描述,所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程,为了说明书的简洁,在此就不再赘述。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
同样的,本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等,如实施例六。
实施例六
行人检索装置,包括:处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取待检索的行人样片;
从所述行人样片提取检索区域;
根据行人识别模型提取所述检索区域的特征;
将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
根据所述综合相似度输出检索目标;
所述从所述行人样片提取检索区域,具体为,所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述图像区域包括对应于所述检索分区域的检索子区域;
所述将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度,具体为,分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
本发明实施例提供的行人检索装置,可以通过将检索区域划分为检索分区域,将检索库中图像区域的检索子区域分别与检索分区域进行对比得到各检索子区域的检索相似度,各检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度;进而可以根据综合相似度选出检索目标。如果行人样片的某检索分区域较为显著,则可增大相应的检索分区权值,凸显关键区域,提升了检索的速度和效果。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种行人衣着颜色识别方法,其特征在于,包括以下步骤:
获取目标行人图像;
从所述目标行人图像提取识别区域;
根据行人识别模型提取所述识别区域的特征;
将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述从所述目标行人图像提取识别区域,具体为,所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述颜色区域包括对应于所述识别分区域的识别子区域;
所述将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度,具体为,分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
2.一种行人衣着颜色识别装置,其特征在于,包括:
识别获取模块,用于获取目标行人图像;
识别提取模块,用于从所述目标行人图像提取识别区域;
识别特征模块,用于根据行人识别模型提取所述识别区域的特征;
识别比对模块,将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
识别输出模块,根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述识别提取模块被设置为:所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述识别比对模块被设置为:所述颜色区域包括对应于所述识别分区域的识别子区域;
所述识别比对模块还被设置为:分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
3.一种行人衣着颜色识别装置,其特征在于,包括:
处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取目标行人图像;
从所述目标行人图像提取识别区域;
根据行人识别模型提取所述识别区域的特征;
将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度;
根据所述复合相似度输出与所述目标行人图像对应的识别结果;
所述从所述目标行人图像提取识别区域,具体为,所述识别区域包括一个或多个识别分区域;各所述识别分区域均对应于一识别分区权值;相应的,所述颜色区域包括对应于所述识别分区域的识别子区域;
所述将颜色模板库中颜色区域的特征与所述识别区域的特征进行比对,得到复合相似度,具体为,分别将所述颜色区域中的所述识别子区域的特征相应的与所述识别区域中各所述识别分区域的特征与进行比对,得到各所述识别子区域的识别相似度,各所述识别子区域的识别相似度根据所述识别分区权值加权计算得到所述复合相似度。
4.一种行人检索方法,其特征在于,包括以下步骤:
获取待检索的行人样片;
从所述行人样片提取检索区域;
根据行人识别模型提取所述检索区域的特征;
将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
根据所述综合相似度输出检索目标;
所述从所述行人样片提取检索区域,具体为,所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述图像区域包括对应于所述检索分区域的检索子区域;
所述将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度,具体为,分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
5.如权利要求4所述的行人检索方法,其特征在于,所述获取待检索的行人样片,具体为:利用如权利要求1所述的行人衣着颜色识别方法,根据目标行人图像输出所述待检索的行人样片。
6.如权利要求4所述的行人检索方法,其特征在于,所述获取待检索的行人样片,具体包括以下步骤:
获取对空白样片的填色指令;
对所述空白样片填色,得到所述行人样片。
7.一种行人检索装置,其特征在于,包括:
检索获取模块,用于获取待检索的行人样片;
检索提取模块,用于从所述行人样片提取检索区域;
检索特征模块,用于根据行人识别模型提取所述检索区域的特征;
检索比对模块,用于将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
检索输出模块,用于根据所述综合相似度输出检索目标;
所述检索提取模块被设置为:所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述检索比对模块被设置为:所述图像区域包括对应于所述检索分区域的检索子区域;
所述检索比对模块还被设置为:分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
8.如权利要求7所述的行人检索装置,其特征在于,所述检索获取模块包括如权利要求2所述的行人衣着颜色识别装置,用于根据目标行人图像,利用如权利要求1所述的行人衣着颜色识别方法输出所述待检索的行人样片。
9.如权利要求7所述的行人检索装置,其特征在于,所述检索获取模块包括:
获取单元,用于获取对空白样片的填色指令;
填色单元,用于对所述空白样片填色,得到所述行人样片。
10.一种行人检索装置,其特征在于,包括:
处理器以及用于存储处理器可执行的指令的存储器;
所述处理器被配置为:
获取待检索的行人样片;
从所述行人样片提取检索区域;
根据行人识别模型提取所述检索区域的特征;
将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度;
根据所述综合相似度输出检索目标;
所述从所述行人样片提取检索区域,具体为,所述检索区域包括一个或多个检索分区域;各所述检索分区域均对应于一检索分区权值;相应的,所述图像区域包括对应于所述检索分区域的检索子区域;
所述将检索库中图像区域的特征与所述检索区域的特征进行比对,得到综合相似度,具体为,分别将所述图像区域中的所述检索子区域的特征相应的与所述检索区域中各所述检索分区域的特征与进行比对,得到各所述检索子区域的检索相似度,各所述检索子区域的检索相似度根据所述检索分区权值加权计算得到所述综合相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368944.8A CN107330360A (zh) | 2017-05-23 | 2017-05-23 | 一种行人衣着颜色识别、行人检索方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368944.8A CN107330360A (zh) | 2017-05-23 | 2017-05-23 | 一种行人衣着颜色识别、行人检索方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330360A true CN107330360A (zh) | 2017-11-07 |
Family
ID=60192804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710368944.8A Pending CN107330360A (zh) | 2017-05-23 | 2017-05-23 | 一种行人衣着颜色识别、行人检索方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330360A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009523A (zh) * | 2017-12-23 | 2018-05-08 | 江铃汽车股份有限公司 | 办公室人员定位方法、装置、移动终端及存储介质 |
CN108021933A (zh) * | 2017-11-23 | 2018-05-11 | 深圳市华尊科技股份有限公司 | 神经网络识别模型及识别方法 |
CN109063543A (zh) * | 2018-06-11 | 2018-12-21 | 中山大学 | 一种考虑局部形变的视频车辆重识别方法、系统及装置 |
CN110209866A (zh) * | 2019-05-30 | 2019-09-06 | 苏州浪潮智能科技有限公司 | 一种图像检索方法、装置、设备及计算机可读存储介质 |
CN110298893A (zh) * | 2018-05-14 | 2019-10-01 | 桂林远望智能通信科技有限公司 | 一种行人衣着颜色识别模型的生成方法及装置 |
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 |
CN110941994A (zh) * | 2019-10-30 | 2020-03-31 | 杭州电子科技大学 | 一种基于元类基学习器的行人重识别集成方法 |
CN111339979A (zh) * | 2020-03-04 | 2020-06-26 | 平安科技(深圳)有限公司 | 基于特征提取的图像识别方法及图像识别装置 |
CN113392713A (zh) * | 2021-05-20 | 2021-09-14 | 上海可深信息科技有限公司 | 一种工衣工服穿戴识别方法 |
TWI740624B (zh) * | 2019-10-28 | 2021-09-21 | 中國商深圳市商湯科技有限公司 | 圖片處理方法、設備和儲存媒體 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6469706B1 (en) * | 1999-11-16 | 2002-10-22 | International Business Machines Corporation | Method and apparatus for detecting regions belonging to a specified color surface in an unsegmented image |
US6668078B1 (en) * | 2000-09-29 | 2003-12-23 | International Business Machines Corporation | System and method for segmentation of images of objects that are occluded by a semi-transparent material |
CN102034080A (zh) * | 2009-09-24 | 2011-04-27 | 北京汉王智通科技有限公司 | 车辆颜色识别方法及装置 |
CN104011713A (zh) * | 2011-12-28 | 2014-08-27 | 乐天株式会社 | 检索装置、检索方法、检索程序以及记录介质 |
CN104077605A (zh) * | 2014-07-18 | 2014-10-01 | 北京航空航天大学 | 一种基于颜色拓扑结构的行人搜索识别方法 |
CN104572680A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市牧笛科技有限公司 | 基于颜色矩的衣服检索方法 |
CN105630906A (zh) * | 2015-12-21 | 2016-06-01 | 苏州科达科技股份有限公司 | 一种人员搜索方法、装置及系统 |
CN105741324A (zh) * | 2016-03-11 | 2016-07-06 | 江苏物联网研究发展中心 | 移动平台上的运动目标检测识别与跟踪方法 |
WO2017076715A1 (en) * | 2015-11-05 | 2017-05-11 | Philips Lighting Holding B.V. | People sensing system |
JP2017086850A (ja) * | 2015-11-04 | 2017-05-25 | セイコーエプソン株式会社 | 電子機器、システム、方法、プログラム、及び記録媒体 |
-
2017
- 2017-05-23 CN CN201710368944.8A patent/CN107330360A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6469706B1 (en) * | 1999-11-16 | 2002-10-22 | International Business Machines Corporation | Method and apparatus for detecting regions belonging to a specified color surface in an unsegmented image |
US6668078B1 (en) * | 2000-09-29 | 2003-12-23 | International Business Machines Corporation | System and method for segmentation of images of objects that are occluded by a semi-transparent material |
CN102034080A (zh) * | 2009-09-24 | 2011-04-27 | 北京汉王智通科技有限公司 | 车辆颜色识别方法及装置 |
CN104011713A (zh) * | 2011-12-28 | 2014-08-27 | 乐天株式会社 | 检索装置、检索方法、检索程序以及记录介质 |
CN104572680A (zh) * | 2013-10-16 | 2015-04-29 | 深圳市牧笛科技有限公司 | 基于颜色矩的衣服检索方法 |
CN104077605A (zh) * | 2014-07-18 | 2014-10-01 | 北京航空航天大学 | 一种基于颜色拓扑结构的行人搜索识别方法 |
JP2017086850A (ja) * | 2015-11-04 | 2017-05-25 | セイコーエプソン株式会社 | 電子機器、システム、方法、プログラム、及び記録媒体 |
WO2017076715A1 (en) * | 2015-11-05 | 2017-05-11 | Philips Lighting Holding B.V. | People sensing system |
CN105630906A (zh) * | 2015-12-21 | 2016-06-01 | 苏州科达科技股份有限公司 | 一种人员搜索方法、装置及系统 |
CN105741324A (zh) * | 2016-03-11 | 2016-07-06 | 江苏物联网研究发展中心 | 移动平台上的运动目标检测识别与跟踪方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021933A (zh) * | 2017-11-23 | 2018-05-11 | 深圳市华尊科技股份有限公司 | 神经网络识别模型及识别方法 |
CN108021933B (zh) * | 2017-11-23 | 2020-06-05 | 深圳市华尊科技股份有限公司 | 神经网络识别装置及识别方法 |
CN108009523A (zh) * | 2017-12-23 | 2018-05-08 | 江铃汽车股份有限公司 | 办公室人员定位方法、装置、移动终端及存储介质 |
CN110298893A (zh) * | 2018-05-14 | 2019-10-01 | 桂林远望智能通信科技有限公司 | 一种行人衣着颜色识别模型的生成方法及装置 |
CN109063543A (zh) * | 2018-06-11 | 2018-12-21 | 中山大学 | 一种考虑局部形变的视频车辆重识别方法、系统及装置 |
CN109063543B (zh) * | 2018-06-11 | 2022-03-25 | 中山大学 | 一种考虑局部形变的视频车辆重识别方法、系统及装置 |
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 |
CN110209866A (zh) * | 2019-05-30 | 2019-09-06 | 苏州浪潮智能科技有限公司 | 一种图像检索方法、装置、设备及计算机可读存储介质 |
TWI740624B (zh) * | 2019-10-28 | 2021-09-21 | 中國商深圳市商湯科技有限公司 | 圖片處理方法、設備和儲存媒體 |
CN110941994A (zh) * | 2019-10-30 | 2020-03-31 | 杭州电子科技大学 | 一种基于元类基学习器的行人重识别集成方法 |
CN110941994B (zh) * | 2019-10-30 | 2021-05-04 | 杭州电子科技大学 | 一种基于元类基学习器的行人重识别集成方法 |
CN111339979A (zh) * | 2020-03-04 | 2020-06-26 | 平安科技(深圳)有限公司 | 基于特征提取的图像识别方法及图像识别装置 |
CN111339979B (zh) * | 2020-03-04 | 2023-09-19 | 平安科技(深圳)有限公司 | 基于特征提取的图像识别方法及图像识别装置 |
CN113392713A (zh) * | 2021-05-20 | 2021-09-14 | 上海可深信息科技有限公司 | 一种工衣工服穿戴识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330360A (zh) | 一种行人衣着颜色识别、行人检索方法和装置 | |
US10817749B2 (en) | Dynamically identifying object attributes via image analysis | |
Chang et al. | Batch-normalized maxout network in network | |
Peeples et al. | Histogram layers for texture analysis | |
Bianco et al. | Predicting image aesthetics with deep learning | |
CN109241985A (zh) | 一种图像识别方法及装置 | |
CN109359515A (zh) | 一种用于对目标对象的属性特征进行识别的方法及装置 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
CN109657715B (zh) | 一种语义分割方法、装置、设备及介质 | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN109101913A (zh) | 行人重识别方法和装置 | |
CN104021384B (zh) | 一种人脸识别方法及装置 | |
Perveen et al. | Facial expression recognition using facial characteristic points and Gini index | |
CN109284759A (zh) | 一种基于支持向量机(svm)的魔方颜色识别方法 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
Yeh et al. | Intelligent mango fruit grade classification using alexnet-spp with mask r-cnn-based segmentation algorithm | |
CN111368865A (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
CN108764083A (zh) | 基于自然语言表达的目标检测方法、电子设备、存储介质 | |
CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及系统 | |
Jingyi et al. | Classification of images by using TensorFlow | |
Zheng et al. | Capturing micro deformations from pooling layers for offline signature verification | |
Zhang et al. | Multiscale target extraction using a spectral saliency map for a hyperspectral image | |
CN108376254A (zh) | 融合多源特征的内部威胁人物检测方法 | |
CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
Liu et al. | Simple and efficient smoke segmentation based on fully convolutional network |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220311 |
|
AD01 | Patent right deemed abandoned |