CN107346409A - 行人再识别方法和装置 - Google Patents
行人再识别方法和装置 Download PDFInfo
- Publication number
- CN107346409A CN107346409A CN201610294143.7A CN201610294143A CN107346409A CN 107346409 A CN107346409 A CN 107346409A CN 201610294143 A CN201610294143 A CN 201610294143A CN 107346409 A CN107346409 A CN 107346409A
- Authority
- CN
- China
- Prior art keywords
- significant characteristics
- pedestrian
- local
- target area
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004891 communication Methods 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 18
- 210000000746 body region Anatomy 0.000 description 12
- 238000012360 testing method Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种行人再识别方法和行人再识别装置。本发明实施例方法包括:获取目标图像和参考图像;分别检测第一局部显著性特征和第二局部显著性特征,第一局部显著性特征为目标图像在目标区域上的局部显著性特征,第二局部显著性特征为参考图像在目标区域上的局部显著性特征;计算第一局部显著性特征和第二局部显著性特征的相似度;其中,目标区域位于行人身上的任意一个区域,检测局部显著性特征包括:获取目标区域中的显著性图(salience);对目标区域的显著性图进行二值化,生成二值图像;从二值图像中提取目标区域中的连通部件集合,确定局部显著性特征,局部显著性特征包括连通部件集合中满足预置条件的连通部件。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种行人再识别方法和装置。
背景技术
随着人们对社会公共安全的日益关注以及视频采集技术和大规模数据存储技术的发展,大量的监控摄像头应用在人群密集易发生公共安全的场所,人工已难以应对海量增长的监控视频,因此利用计算机对监控视频中的行人等进行再识别的需求应运而生。其中再识别是指监控视频中识别出某个特定的已经在监控网络中出现过的行人。例如,在监控网络中,行人会在不同的摄像头下出现,行人再识别的任务是在监控网络中行人的身份的鉴定,将曾经在监控网络中出现过的目标行人在其他摄像机的场景内再次识别出来的技术,即在给定一些候选目标的情况下如何将行人进行再识别。
现有的行人再识别技术中,将目标行人的全局特征和行人图像库中的行人的全局特征进行比较,通过该两个全局特征的相似度来确定该两个行人是否为同一人。然而,仅仅靠全局特征的相似度比较得到的判断结果的准确度较低。因此,一种改进的方法是还获取目标行人的局部显著性特征和用于比较的行人的显著性特征,结合该两个行人的全局特征比较结果以及局部显著性特征比较结果来判断该两个行人是否为同一人。
现有技术中提取行人身上的局部显著性特征的一种方法为,人工设计有36种属性的局部特征,并针对该36种属性的特征分布设计了36中检测器,通过该36种检测器来提取行人身上的局部显著性特征。然而,针对每种局部显著性特征设计的检测器需要大量的标注样本,使得设计检测器的成本较高。
发明内容
本发明实施例提供了一种行人再识别方法和行人再识别装置。
第一方面,本发明提供一种行人再识别方法,包括:获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像;采用同样的检测局部显著性特征的方法分别检测所述目标图像在目标区域上的局部显著性特征(下文简称为第一局部显著性特征)和所述参考图像在所述目标区域上的局部显著性特征(下面简称为第二局部显著性特征);计算所述第一局部显著性特征和第二局部显著性特征的相似度;
其中,所述目标区域位于行人身上的任意一个区域,所述检测局部显著性特征的方法包括:获取所述目标区域中的显著性图(salience);对所述目标区域的显著性图进行二值化,生成二值图像;从所述二值图像中提取所述目标区域中的连通部件集合,确定局部显著性特征,所述局部显著性特征包括所述连通部件集合中满足预置条件的连通部件;
或者,
所述目标区域位于行人图像的头部区域,所述检测局部显著性特征的方法包括:获取所述目标区域的颜色分布以及标准颜色分布,计算所述目标区域的颜色分布与所述目标区域的标准颜色分布的距离;当所述距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
结合第一方面,在第一方面的第一种可能的实现方式中,所述计算所述第一局部显著性特征和第二局部显著性特征的相似度,包括:
分别生成所述第一局部显著性特征和所述第二局部显著性特征的描述向量,其中,所述描述包括尺度描述、颜色描述、位置描述和形状描述中的至少一种;计算所述第一局部显著性特征和所述第二局部显著性特征的描述向量的距离的倒数,将所述倒数作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
结合第一方面,在第一方面的第二种可能的实现方式中,所述获取所述目标区域中的显著性图,包括:
对所述目标区域中的任意一个像素点(x,y),所述像素点的显著性值为将Salience(x,y)归一化到0-255之间得到的值,其中, 其中,δ为所述目标区域中包括像素点(x,y)的像素点集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在预置色彩空间内的距离。可选的,所述预置空间为预置色彩空间或者预置频域空间。可选的,所述预置色彩空间为HIS、HSV、RGB、CMY、CMYK、HSL、HSB、Ycc、XYZ、Lab或者YUV色彩空间。可选的,所述距离为欧式距离、卡方距离、汉明距离或马氏距离。
结合第一方面、第一方面的第一种可能的实现方式或者第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,所述预置条件包括:尺寸位于预置范围内,且在尺寸位于预置范围内的所有连通部件中显著性最大,其中,连通部件的显著性为所述连通部件中各像素点(x,y)的显著性值的和。
结合第一方面的第三种可能的实现方式或者第一方面的第二种可能的实现方式,在第一方面的第四种可能的实现方式中,所述预置条件还包括:所述连通部件的中心位于预置区域集合内。
结合第一方面、第一方面的第一种可能的实现方式、第一方面的第二种可能的实现方式、第一方面的第三种可能的实现方式或者第一方面的第四种可能的实现方式,在第一方面的第五种可能的实现方式中,所述获取参考图像,包括:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;当确定所述局部显著性特征稳定时,根据所述行人跟踪序列中所述目标区域上存在局部显著性特征的各图像中的所述局部显著性特征确定待填充特征,对所述行人跟踪序列中目标区域上不存在局部显著性特征的图像填充所述待填充特征;将所述行人跟踪序列中的各图像依次作为所述参考图像。
结合第一方面、第一方面的第一种可能的实现方式、第一方面的第二种可能的实现方式、第一方面的第三种可能的实现方式或者第一方面的第四种可能的实现方式,在第一方面的第六种可能的实现方式中,所述获取参考图像,包括:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;当确定所述局部显著性特征不稳定时,将所述行人跟踪序列中目标区域上存在局部显著性特征的图像中目标区域上的局部显著性特征删除;将所述行人跟踪序列中的各图像依次作为所述参考图像。
结合第一方面的第五种可能的实现方式或者第一方面的第六种可能的实现方式,在第一方面的第七种可能的实现方式中,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;当所述第一比值小于第二预置数值时,确定所述局部显著性特征不稳定;当所述第一比值不小于第二预置数值,确定所述局部显著性特征稳定;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;当小于第三预置数值时,确定所述局部显著性特征不稳定,当不小于第三预置数值时,确定所述局部显著性特征稳定;其中,k为正整数,n为所述行人跟踪序列中的图像总数;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;当所述第一比值小于第二预置数值和/或小于第三预置数值时,确定所述局部显著性特征不稳定,当所述第一比值不小于第二预置数值且小于第三预置数值时,确定所述局部显著性特征稳定。
结合第一方面的第五种可能的实现方式或者第一方面的第六种可能的实现方式,在第一方面的第八种可能的实现方式中,所述计算所述第一局部显著性特征和第二局部显著性特征的相似度,包括:
分别获取所述第一局部显著性特征的置信度p1和所述第二局部显著性特征的置信度p2,其中p1=1,sk,k+1为所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度;计算p=|p1-p2|/(p1+p2),将p作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
第二方面,提供一种行人再识别装置,包括:
获取模块,用于获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像;
检测模块,用于采用同样的检测局部显著性特征的方法分别检测所述目标图像在目标区域上的局部显著性特征(下文简称为第一局部显著性特征)和所述参考图像在所述目标区域上的局部显著性特征(下面简称为第二局部显著性特征);
计算模块,用于计算所述第一局部显著性特征和第二局部显著性特征的相似度;
其中,
所述目标区域位于行人身上的任意一个区域,所述检测模块在检测局部显著性特征时,具体用于获取所述目标区域中的显著性图(salience);对所述目标区域的显著性图进行二值化,生成二值图像;从所述二值图像中提取所述目标区域中的连通部件集合,确定局部显著性特征,所述局部显著性特征包括所述连通部件集合中满足预置条件的连通部件;
或者,
所述目标区域位于行人图像的头部区域,所述检测模块在检测局部显著性特征时,具体用于:获取所述目标区域的颜色分布以及标准颜色分布,计算所述目标区域的颜色分布与所述目标区域的标准颜色分布的距离;当所述距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
结合第二方面,在第二方面的第一种可能的实现方式中,所述计算模块具体用于:
分别生成所述第一局部显著性特征和所述第二局部显著性特征的描述向量,其中,所述描述包括尺度描述、颜色描述、位置描述和形状描述中的至少一种;计算所述第一局部显著性特征和所述第二局部显著性特征的描述向量的距离的倒数,将所述倒数作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
结合第二方面,在第二方面的第二种可能的实现方式中,所述检测模块在获取所述目标区域中的显著性图时,具体用于:
对所述目标区域中的任意一个像素点(x,y),所述像素点的显著性值为将Salience(x,y)归一化到0-255之间得到的值,其中,
其中,δ为所述目标区域中包括像素点(x,y)的像素点集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在预置色彩空间内的距离。
结合第二方面、第二方面的第一种可能的实现方式或者第二方面的第二种可能的实现方式,在第二方面的第三种可能的实现方式中,所述预置条件包括:尺寸位于预置范围内,且在尺寸位于预置范围内的所有连通部件中显著性最大,其中,连通部件的显著性为所述连通部件中各像素点(x,y)的显著性值的和。
结合第二方面的第三种可能的实现方式或者第二方面的第二种可能的实现方式,在第二方面的第四种可能的实现方式中所述预置条件还包括:所述连通部件的中心位于预置区域集合内。
结合第二方面、第二方面的第一种可能的实现方式、第二方面的第二种可能的实现方式、第二方面的第三种可能的实现方式或者第二方面的第四种可能的实现方式,在第二方面的第五种可能的实现方式中,所述获取模块在获取参考图像时,具体用于:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征稳定时,根据所述行人跟踪序列中所述目标区域上存在局部显著性特征的各图像中的所述局部显著性特征确定待填充特征,对所述行人跟踪序列中目标区域上不存在局部显著性特征的图像填充所述待填充特征;;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
结合第二方面、第二方面的第一种可能的实现方式、第二方面的第二种可能的实现方式、第二方面的第三种可能的实现方式或者第二方面的第四种可能的实现方式,在第二方面的第六种可能的实现方式中,所述获取模块在获取参考图像时,具体用于:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征不稳定时,将所述行人跟踪序列中目标区域上存在局部显著性特征的图像中目标区域上的局部显著性特征删除;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
结合第二方面的第五种可能的实现方式或者第一方面的第六种可能的实现方式,在第二方面的第七种可能的实现方式中,所述获取模块在判断所述局部显著性特征在所述行人跟踪序列中是否稳定时,具体用于:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;当所述第一比值小于第二预置数值时,确定所述局部显著性特征不稳定;当所述第一比值不小于第二预置数值,确定所述局部显著性特征稳定;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;当小于第三预置数值时,确定所述局部显著性特征不稳定,当不小于第三预置数值时,确定所述局部显著性特征稳定;其中,k为正整数,n为所述行人跟踪序列中的图像总数;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;当所述第一比值小于第二预置数值和/或小于第三预置数值时,确定所述局部显著性特征不稳定,当所述第一比值不小于第二预置数值且小于第三预置数值时,确定所述局部显著性特征稳定。
结合第二方面的第五种可能的实现方式或者第二方面的第六种可能的实现方式,在第二方面的第八种可能的实现方式中,所述计算模块具体用于:
分别获取所述第一局部显著性特征的置信度p1和所述第二局部显著性特征的置信度p2,其中p1=1;sk,k+1为所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度;
计算p=|p1-p2|/(p1+p2),将p作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
从以上技术方案可以看出,本发明实施例具有以下优点:
对图像中的任意一个区域,通过获取该区域中的显著性图并将该显著性图二值化生成二值图像,再从该二值图像中提取出符合预置条件的连通部件作为该区域的局部显著性特征的至少部分,这样,本发明采用统一的框架对行人图像中的局部显著性特征进行检测,避免了现有技术中对每一种局部显著性特征训练一种分类器而导致的检测成本较高,或者,对图像的头部区域中的任意一个区域,通过获取该区域的颜色分布以及标准颜色分别,并计算该区域的颜色分布与标准颜色分布的距离,当该距离大于第一预置数值时确定该区域为局部显著性特征,这样,通过采用统一的框架对行人图像的头部中的显著性特征进行检测,避免了现有技术中对头部上的每一种局部显著性特征训练一种分类器,因此,本发明能够降低检测成本。
附图说明
图1为本发明的行人再识别方法的一个实施例的流程示意图;
图2为本发明的行人再识别方法的另一个实施例的流程示意图;
图3为本发明的行人再识别装置的一个实施例的流程示意图;
图4为本发明的行人再识别装置的一个实施例的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一种常见的应用场景中,对行人甲的图像,需要从存有多个行人图像的数据库中找出与该行人甲为同一人的图像。因此,需要将该行人甲的图像依次与数据库中的各行人图像进行比较。一种方法是提取行人甲的图像中行人甲的全局特征以及用于对比的图像中的行人的全局特征,并将该两个全局特征进行比较,以评价行人甲与用于对比的图像中的行人的相似度。其中,提取行人的全局特征的方法有多种。例如,将该行人甲的图像中显示的行人甲以及用于对比的图像中的行人分别分为头部、上半身和下半身三个区域,并提取每个区域的颜色特征(例如每个区域在R、G、B、H、S五个通道上的颜色直方图)和纹理特征(例如局部二值模式(英文:Local Binary Patterns,缩写:LBP)特征)。然后,将行人甲的每个区域的颜色特征和纹理特征串联后生成该区域的全局特征,再将行人甲的三个区域的全局特征串联,得到该行人甲的全局特征。用于对比的行人图像采用同样的方法得到该行人的全局特征。通过计算行人甲的全局特征和用于对比的行人的全局特征的相似度来评价行人甲与用于对比的行人是否同一个人。
然而,仅通过全局特征的比较来判断两个图像中的行人是否为同一人,得到的判断结果的准确度较低,因此,本发明中,还采用如下的行人再识别方法,来比较两个图像中的局部显著性特征,以提到判断结果的准确度。当然,实际应用中,下文描述的行人再识别方法不一定要结合上面描述的全局特征的方法使用,也可以单独用于比较两个图像在目标区域上的局部显著性特征的相似度。
下面对本发明的行人再识别方法进行详细说明。
如图1所示,图1为本发明的行人再识别方法的一个实施例的流程示意图。本实施例中,行人再识别方法包括:
101、获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像。
本实施例中,行人图像指的是图中只有一个行人,没有环境背景的图像。目标图像中的行人为需要从数据库中寻找的行人,参考图像中的行人为数据库中已经存储有图像的行人,采用目标图像与参考图像进行相比较,以从数据库中找出与目标图像中的行人为同一人的图像。实际应用中,一般获取到的图像中不仅仅包括行人,还有背景环境图。因此,在获取到目标行人的图像以及数据库中的图像后,首先对图像处理,将图像中的背景像素去除,以提取出前景像素,也即行人图像。去除背景像素的方法有多种,例如,可采用“运动目标检测”的算法来去除背景像素,或者采用图像分割算法来去除背景像素,此为现有技术,在此不再赘述。
102、分别检测第一局部显著性特征和第二局部显著性特征。
其中,第一局部显著性特征为所述目标图像在目标区域上的局部显著性特征,第二局部显著性特征为所述参考图像在所述目标区域上的局部显著性特征。本实施例中,目标区域指的是行人图像上的任意一个区域。由于本发明中需检测参考图像在目标区域上的局部显著性特征与目标图像在目标区域上的局部显著性特征的相似度,因此,优选的,目标区域为目标图像中的行人身上的任意一个区域。实际应用中,可将人体划分不同的区域,并依次将各区域作为目标区域;或者,也可以仅取人体中的部分区域来依次作为目标区域,在此不作限制。获取目标区域上的局部显著性特征的方法有多种。下面对其中的一种方法进行举例说明。
首先,计算目标区域的显著性图(Salience)。举例来说,在目标区域的显著性图中,对目标区域中的任意一个像素点(x,y),该像素点(x,y)的显著性值为根据以下公式计算得到的Salience(x,y)归一化到0-255之间后得到的值,其中,Salience(x,y)=∑(i,j)∈δDis(dot(x,y)-dot(i,j)),其中,Dis(dot(x,y)-dot(i,j))表示目标区域在预置空间内像素点(x,y)与像素点(i,j)之间的距离,所述距离为欧式距离、卡方距离、汉明距离或马氏距离,或者为其他类型的距离,在此不作限制。
其中,所述预置空间可以是预置色彩空间、预置频域空间或者其他空间,在此不作限制。下面以预置空间为色彩空间进行具体举例说明。具体的,
具体的,其中,δ为所述目标区域中包括像素点(x,y)的像素点子集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在预置色彩空间内的距离。具体来说,δ为以像素点(x,y)为中心的、且边缘为规则图形的像素点集,在此不作限制。所述预置色彩空间为HIS、HSV、RGB、CMY、CMYK、HSL、HSB、Ycc、XYZ、Lab或者YUV色彩空间,或者为其他色彩空间,在此不作限制。
其次,对所述目标区域的显著性图进行二值化,生成二值图像。具体的,可采用二值化方法(例如大津算法(OTSU))对目标区域的显著性图进行二值化,或者还可以采用Nicblack算法、双峰法、P参数法、最大熵值法、迭代法等等二值化方法来对目标区域的显著性图进行二值化,在此不作限制。
然后,从所述二值图像中提取所述目标区域中的连通部件集合。其中,连通部件指的是图像中具有相同像素值且位置相邻的前景像素点组成的区域。具体提取连通部件的方法为现有技术,在此不再赘述。
获取到连通部件集合后,从该连通部件中选出满足预置条件的连通部件作为目标区域的局部显著性特征。举例来说,该预置条件包括:尺寸位于预置范围内,且在尺寸位于预置范围内的所有连通部件中显著性最大。例如,对于该目标区域预设有最大高度值、最小高度值、最大宽度值和最小宽度值;连通部件的尺寸位于预置范围内,具体指的是连通部件的高度不大于最大高度值且不小于最小高度值,和/或连通部件的宽度不大于最大宽度值且不小于最小宽度值。当然,上述仅为举例,并不做限制。其中,连通部件的显著性等于该连通部件中各像素点(x,y)的Salience(x,y)的和。这样,目标区域中仅有一个局部显著性特征,便于后续目标图像和参考图像的目标区域中的局部显著性特征进行比较。
需注意的是,目标区域对应不同区域时,该目标区域所对应的预置范围并不一定相同。
进一步,可选的,该预置条件还包括:连通部件的中心位于预置区域集合内。其中,该预置区域集合中各区域为预先设定的出现局部显著性特征的概率较高的区域,例如包括领口区域、胸前区域等等,在此不作限制。这样,可以进一步提高所检测出的局部显著性特征的准确性。
优选的,本实施例中,获取到连通部件集合后,从该连通部件中选出满足预置条件的连通部件,并以该连通部件的外接预置规则图形作为目标区域的局部显著性特征。其中,该外接预置规则图形可以为矩形或者圆形,或者其他规则图形,在此不作限制。这样,可以采用较少的参数描述该局部显著性特征的形状。
需注意的是,目标图像或者参考图像上的目标区域上可能不存在局部显著性特征,这种情况中,则输出不存在局部显著性特征的结果。或者,参考图像上不存在目标区域,例如,目标图像为行人的正面图像,而参考图像为行人的背面图像。因此,可选的,在分别检测第一局部显著性特征和第二局部显著性特征之前,本实施例的行人再识别方法还包括:确定所述参考图像是否存在所述目标区域,当确定存在时,执行步骤102,当确定不存在时,停止执行步骤102和103。其中,确定参考图像是否存在目标区域为现有技术,在此不再赘述。
103、计算所述第一局部显著性特征和第二局部显著性特征的相似度。
本实施例中,计算第一局部显著性特特征和第二局部显著性特征的相似度的方法有多种,下面对其中的一种进行举例描述。
在获取到第一局部显著性特征和第二局部显著性特征后,分别生成该两个局部显著性特征的描述向量,其中,该描述包括尺度描述、颜色描述、位置描述和形状描述中的至少一种。
其中,尺度描述可以有多种,例如,尺度描述包括局部显著性特征的宽度、高度和像素点数量,或者包括外接椭圆的长短轴长度和像素点数量,在此不作限制。
其中,颜色描述可以有多种,例如,颜色描述包括局部显著性特征的颜色均值、颜色方差,或者包括局部显著性特征的混合高斯模型,在此不作限制。在局部显著性特征为满足条件的连通部件的外接预置规则形状的情况中,可选的,颜色描述包括局部显著性特征的前景灰度均值与背景灰度均值的差、前景颜色均值,其中,局部显著性特征的前景指的是该局部显著性特征的连通部件,背景指的是该局部显著性特征中除连通部件以外的区域。
其中,位置描述可以有多种,例如,第一局部显著性特征的位置描述包括该第一局部显著性特征或者所在区域的几何中心与目标图像的几何中心的相对位置,第二局部显著性特征的位置描述包括该第二局部显著性特征或者所在区域的几何中心与参考图像的几何中心的相对位置,在此不作限制。
其中,形状描述可以有多种,例如,第一局部显著性特征的形状描述feature1=(blackNum1/edgeNum1,blackNum1/area1),其中blackNum1为第一局部显著性特征中连通部件所包含的像素点数,blackNum1为该连通部件的边缘像素点数,area1为第一局部显著性特征的面积;第二局部显著性特征的形状描述feature2=(blackNum2/edgeNum2,blackNum2/area2),其中blackNum2为第二局部显著性特征中连通部件所包含的像素点数,blackNum2为该连通部件的边缘像素点数,area2为第二局部显著性特征的面积;或者,形状描述包括局部显著性特征中连通部件的边缘像素点的梯度分布,在此不作限制。
具体的,可将各描述归一化后串联起来形成局部显著性特征的描述向量。具体举例来说,局部显著性特征的特征向量其中,featuresi为尺度描述,featureco为颜色描述,featurelo为位置描述,featuresh为形状描述,featuren表示feature的归一化结果。当然,局部显著性特征的描述向量可以有其他表示方式,在此不作限制。
生成第一局部显著性特征和所述第二局部显著性特征的描述向量后,计算该两个描述向量的距离,并将该距离的倒数作为第一局部显著性特征和所述第二局部显著性特征的相似度的其中一个因子。也即similarity(f1,f2)=α×1/dis(feature1,feature2);其中,α表示其他因子,similarity(f1,f2)表示第一局部显著性特征和所述第二局部显著性特征的相似度,dis(feature1,feature2)表示第一局部显著性特征和所述第二局部显著性特征的描述向量的距离。其中,该两个描述向量的距离可以是欧式距离、汉明距离、马氏距离、卡方距离或者其他距离,在此不作限制。
可以理解的是,在不存在第二局部显著性特征的情况中,第一局部显著性特征和第二局部显著性特征的相似度为0。
本实施例中,对图像中的任意一个区域,通过获取该区域中的显著性图并将该显著性图二值化生成二值图像,再从该二值图像中提取出符合预置条件的连通部件作为该区域的局部显著性特征的至少部分,这样,本发明将行人图像中的所有局部特征的检测整合到统一的框架下进行处理,避免了现有技术中对每一种局部特征训练一种分类器从而无法穷举所有局部特征的缺陷,能够覆盖所有的局部显著性特征,且降低检测成本。
本实施例中,在步骤102中对检测局部显著性特征局部显著性特征的其中一种获取方法进行了描述。可选的,当目标区域位于头部区域时,还可以采用如下方法来检测局部显著性特征。
获取所述目标区域的颜色分布以及标准颜色分布,计算目标区域的颜色分布与目标区域的标准颜色分布的距离,当该距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
其中,目标区域可以是头发区域、眼睛区域、嘴部区域或者其他区域,在此不作限制。目标区域的颜色分布可以为该目标区域的颜色直方图,或者为该目标区域的颜色均值和颜色方差,或者为该目标区域的混合高斯模型,或者是其他颜色分布,在此不作限制。目标区域的标准颜色分布为根据预置数据库中至少部分图像的目标区域上的颜色分布所统计出的参考值,例如,目标区域的标准颜色分布为数据库中至少部分图像的目标区域的颜色分布的平均值。其中,该预置数据库可以为本发明中获取参考图像的数据库或者其他数据库,在此不作限制。需注意的是,参考图像的目标区域的标准颜色分布和目标图像的目标区域的标准颜色分布不一定相同。例如,统计出目标图像的目标区域的标准颜色分布所依据的数据库和统计出参考图像的目标区域的标准颜色分布所依据的数据库不同,在此不作限制。
获取到目标区域的颜色分布和标准颜色分布后,计算该两个分布的距离,其中,该距离可以是欧式距离、卡方距离、汉明距离或马氏距离,或者为其他类型的距离,在此不作限制。当该距离大于第一预置数值时,确定目标区域局部显著性特征。需注意的是,目标区域对应头部的不同区域时,该目标区域所对应的第一预置数值并不一定相同。
本实施例中,对图像的头部区域中的任意一个区域,通过获取该区域的颜色分布以及标准颜色分别,并计算该区域的颜色分布与标准颜色分布的距离,当该距离大于第一预置数值时确定该区域为局部显著性特征,这样,通过采用统一的框架对行人图像的头部中的显著性特征进行检测,避免了现有技术中对头部上的每一种局部显著性特征训练一种分类器,因此能够降低检测成本。
本实施例中,参考图像的目标区域中的局部显著性特征用于和目标图像的目标区域中的局部显著性特征进行比较,该两个局部显著性特征的相似度用于判断参考图像和目标图像是否为同一人。然而,实际应用中,由于运动变化、位置变化、视觉变化或者其他原因导致参考图像的目标区域中的局部显著性特征存在较大的不稳定性,这在一定程度上降低了参考图像和目标图像在目标区域中的局部显著性特征的比较结果的置信度。在本发明的另一种可能的实施方式中,在步骤“获取参考图像”中,利用时域信息提高参考图像的目标区域中的局部显著性特征的稳定性。下面对本发明的另一种可能的实施方式中的步骤“获取参考图像”进行详细说明。如图2所示,图2为获取参考图像的方法的另一种实施例的流程示意图。
201、获取行人跟踪序列。
本实施例中,行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像。也即,行人跟踪序列中的各图像的行人为穿着打扮相同的同一行人。其中,行人跟踪序列中的每个行人图像中只有行人,没有环境背景。实际应用中,一般获取到的图像中不仅仅包括行人,还有背景环境图。因此,在获取到行人的一系列跟踪图像后,首先对各图像处理,将图像中的背景像素去除,以提取出前景像素,也即行人图像。去除背景像素的方法有多种,例如,可采用“运动目标检测”的算法来去除背景像素,或者采用图像分割算法来去除背景像素,此为现有技术,在此不再赘述。
202、当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定。
其中,检测局部显著性特征的方法可以和上面实施例中所描述的检测局部显著性特征的方法相同,在此不再赘述。
其中,判断局部显著性特征在所述行人跟踪序列中是否稳定的方法有多种。举例来说,确定行人跟踪序列中目标区域上存在局部显著性特征的所有图像后,计算该所有图像的数量与行人跟踪序列中图像总数的比值,为描述方便,称该比值为第一比值。当所述第一比值小于第二预置数值时,确定所述局部显著性特征不稳定。当所述第一比值不小于第二预置数值时,确定所述局部显著性特征稳定。
或者,在检测所述行人跟踪序列中各图像在所述目标区域上是否存在局部显著性特征后,计算行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1,当小于第三预置数值时,确定所述局部显著性特征不稳定,当不小于第三预置数值时,确定所述局部显著性特征稳定。其中,k为正整数,n为所述行人跟踪序列中的图像总数。其中,第k帧和第k+1帧图像可以是所述行人跟踪序列中各图像按时间发生排序后得到的第k帧和第k+1帧图像,也可以是行人跟踪序列中各图像按其他排列方法排列后得到的第k帧和第k+1帧图像,在此不作限制。其中,计算两个局部显著性特征的相似度的方法可以和图1所示实施例中步骤103所描述的计算两个局部显著性特征的相似度的方法相同,在此不作限制。
或者,也可以当所述第一比值不小于第二预置数值和/或小于第三预置数值时,确定所述局部显著性特征不稳定,当所述第一比值不小于第二预置数值且不小于第三预置数值时,确定所述局部显著性特征稳定。在此不作限制。
203、执行步骤A和/或步骤B。
步骤A:当确定所述局部显著性特征稳定时,根据所述行人跟踪序列中存在局部显著性特征的各图像中的所述局部显著性特征确定待填充特征,对所述行人跟踪序列中目标区域上不存在局部显著性特征的图像中填充所述待填充特征。
当确定目标区域上的局部显著性特征稳定时,可认为所述行人跟踪序列中的行人实际中身上存在该局部显著性特征。因此,对该行人跟踪序列中目标区域上不存在局部显著性特征的每一个图像,在该图像的目标区域上填充特征,为描述方便,将在该图像的目标区域上填充的特征称为待填充特征。
本实施例中,具体根据行人跟踪序列中目标区域上存在局部显著性特征的各图像的目标区域上的局部显著性特征确定待填充特征。其中,确定待填充特征的方法有多种,例如,可将行人跟踪序列中目标区域上存在局部显著性特征的各图像中的其中一个图像中的目标区域上的局部显著性特征作为待填充特征,或者将行人跟踪序列中目标区域上存在局部显著性特征的各图像中至少部分图像的目标区域上的局部显著性特征的均值作为待填充特征,在此不作限制。
步骤B:当确定所述局部显著性特征不稳定时,将所述行人跟踪序列中目标区域上存在局部显著性特征的图像中目标区域上的局部显著性特征删除。
当确定目标区域上的局部显著性特征不稳定时,可认为所述行人跟踪序列中的行人实际中身上不存在该局部显著性特征。因此,对该行人跟踪序列中目标区域上存在局部显著性特征的各图像的目标区域上的局部显著性特征删除。
204、将所述行人跟踪序列中的各图像依次作为所述参考图像。
行人跟踪序列中的图像填充特征和/或删除特征后,将行人跟踪序列中的各图像依次作为参考图像,或者将行人跟踪序列中的其中一个图像作为参考图像,在此不作限制。
可选的,本实施例中,还对填充特征和/或删除特征后的行人跟踪序列以及该行人跟踪序列中各图像中的局部显著性特征的信息进行保存,以避免在采用不同的目标图像与该参考图像进行比较时进行重复计算。
205、获取目标图像。
获取目标图像的方法可参考图1所示实施例中步骤101的解释说明,在此不再赘述。
206、分别检测第一局部显著性特征和第二局部显著性特征。
其中,第一局部显著性特征为所述目标图像在目标区域上的局部显著性特征,第二局部显著性特征为当前的参考图像在所述目标区域上的局部显著性特征。
检测第一局部显著性特征和第二局部显著性特征的方法可参考图1所示实施例中步骤102的解释说明,在此不再赘述。
207、计算所述第一局部显著性特征和第二局部显著性特征的相似度。
计算所述第一局部显著性特征和第二局部显著性特征的相似度的方法可参考图1所示实施例中步骤103的解释说明,在此不再赘述。
可选的,本实施例中,还分别获取所述第一局部显著性特征的置信度p1和所述第二局部显著性特征的置信度p2,其中p1=1,p2为归一化后的值,sk,k+1为行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度,由于目标图像只有一帧,因此第一局部显著性特征的置信度为1。这样,在行人跟踪序列中的每一个图像作为参考图像时,将p=|p1-p2|/(p1+p2)作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
本实施例中,通过不同时刻下同一行人的跟踪图像对该行人在目标区域上的局部显著性特征的稳定性进行验证,以提高该行人在目标区域上的局部显著性特征的置信度,进而提高参考图像和目标图像在目标区域中的局部显著性特征的比较结果的置信度。
为理解本发明,下面结合一个具体应用场景对本发明的行人再识别方法进行举例描述。
本实施例中,数据库中存有多个行人的跟踪序列,其中,该跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的图像。现需要从数据库中查找出与第一图像中的目标行人为同一人的图像。具体的,依次将第一图像与各行人的跟踪序列进行比较。其中,在将第一图像与任意一个行人的跟踪序列进行比较的过程中,包括将该第一图像中的行人身上的局部显著性特征与该行人的跟踪序列中行人身上的局部显著性特征进行比较。下面对如何将第一图像中行人身上的局部显著性特征与其中一个行人(下文中称为参考行人)的跟踪序列中行人身上的局部显著性特征比较进行详细解释。
首先,下面先对如何对参考行人的跟踪序列处理进行解释说明。
对参考行人的跟踪序列中的每一个图像,根据“运动目标检测”算法将该图像中的背景去除,仅留下该图像中的行人图像。下面称去除背景后的跟踪序列为行人跟踪序列。对参考行人的行人跟踪序列中的每一个行人图像,按同一个预置分割方法将该行人图像的身体区域分为不同的区域,以及将该行人图像的头部区域进行垂直方向的分区,具体的,将该行人图像的头部区域分为头发区域、眼睛区域和嘴部区域。其中,对每一个区域,获取该区域的局部显著性特征。
具体的,当获取行人图像的头部区域上的各区域的局部显著性特征时,采用如下方法来获取每一个区域的局部显著性特征:获取该区域的颜色直方图以及该区域的标准颜色直方图,其中该区域的标准颜色直方图为根据数据库中至少部分图像在该区域上的颜色直方图所统计出的参考值。计算该区域的颜色直方图和该区域的标准颜色直方图的卡方距离,当该大方举例大于第一预置数值时,确定该整个区域为局部显著性特征。其中,头部区域上的不同区域所采用的第一预置数值并不相同。
当获取行人图像的身体区域上各区域的局部显著性特征时,采用如下方法来获取身体区域上的局部显著性特征:
对身体区域上的每一个区域中的每一个像素点(x,y),该像素点(x,y)的显著性值为根据以下公式计算得到的Salience(x,y)归一化到0-255之间后得到的值,其中,δ为该区域中以像素点(x,y)为中心的、且边缘为圆形的像素点子集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在RGB色彩空间内的欧式距离。该区域中所有像素点的显著性值构成该区域的显著性图,这样,可以获取到身体区域上每一个区域的显著性图。
利用大津算法对该身体区域上的每一个区域的显著性图进行二值化,得到身体区域上每个区域的二值图像。从各区域的二值图像中提取该区域中的所有连通部件,得到身体区域上的所有连通部件,为描述方便,称为总连通部件集合。对该总连通部件集合进行过滤,具体的,预设有最大高度值、最小高度值、最大宽度值和最小宽度值,且预设有特定区域集合(例如包括领口区域、胸前区域等等);当该总连通部件集合中任意一个连通部件的高度大于最大高度值,或小于最小高度值,或该连通部件的宽度大于最大宽度值,或小于最小宽度值时,或者该连通部件的中心不位于该特定区域集合内时,将该连通部件从该总连通部件集合中删除。这样,总连通部件集合中剩下的连通部件作为候选局部显著性特征集合。在该候选局部显著性特征集合中,若任意至少两个候选局部显著性特征位于身体区域上的同一个区域上时,将该区域中∑(i,j)∈CSalience(x,y)最大的候选局部显著性特征作为该特定区域的局部显著性特征,并将其余候选局部显著性特征删除。对于其余候选局部显著性特征,则分别作为所在的区域的局部显著性特征。
这样,可以确定出参考行人的行人跟踪序列中每个行人图像的头部区域上各区域和身体区域上各区域的局部显著性特征(当然,部分区域上不存在局部显著性特征)。
确定每一个行人图像上各区域的局部显著性特征后,判断每个区域上的局部显著性特征在该参考行人的行人跟踪序列中是否稳定。其中,判断方法可参考图2所示实施例中步骤203的解释说明,在此不再赘述。
当确定该区域上的局部显著性特征稳定时,将参考行人的行人跟踪序列中该区域上存在局部显著性特征的各图像在区域上的局部显著性特征的均值作为待填充特征,将该待填充特征填充到该行人跟踪序列中在该区域上不存在局部显著性特征的各图像的该区域中。
当确定该区域上的局部显著性特征稳定时,将参考行人的行人跟踪序列中该区域上存在局部显著性特征的各图像在区域上的局部显著性特征删除。
这样,通过以上方法对参考行人的行人跟踪序列中各行人图像的局部显著性特征进行融合与更新后,得到参考行人的新行人跟踪序列。将该新行人跟踪序列以及该新行人跟踪序列中各行人图像中的局部显著性特征保存至数据库中,并采用该新行人跟踪序列和第一图像进行比较。
具体的,根据“运动目标检测”算法将该第一图像中的背景去除,仅留下该第一图像中的行人图像(下面称为目标图像)。采用分割参考行人的行人图像的方法对目标图像进行分割,使得目标图像上的各区域分别和参考行人的行人图像上的各区域为人体上的同一区域。
获取目标图像上区域的局部显著性特征,其中,获取方法和获取参考行人的行人图像上各区域的局部显著性特征的方法相同,在此不再赘述。
依次将参考行人的新行人跟踪序列中的各行人图像(下面称为参考图像)和目标图像进行比较,具体的,依次对目标图像上的每一个区域,检测该区域上的局部显著性特征和参考图像上在该区域上的局部显著性特征的相似度。若参考图像不存在该区域(例如该区域为胸前区域而参考图像为人体的背面图像),则相似度为0。若参考区域存在该区域,则计算目标图像和参考图像在该区域上的局部显著性图特征的相似度的方法可参考图2所示实施例中步骤209的解释说明,在此不再赘述。
这样,目标图像与参考行人的新行人跟踪序列中各行人图像在各区域上的局部显著性特征的相似度用于辅助判断该目标图像中的行人和参考行人是否为同一人。
上面对本发明的行人再识别方法进行了描述,下面将对本发明的行人再识别装置进行描述。
如图3所示,图3为本发明的行人再识别装置的一个实施例的结构示意图。本实施例中,行人再识别装置300包括:
获取模块301,用于获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像;
检测模块302,用于分别检测第一局部显著性特征和第二局部显著性特征,所述第一局部显著性特征为所述目标图像在目标区域上的局部显著性特征,所述第二局部显著性特征为所述参考图像在所述目标区域上的局部显著性特征;
计算模块303,用于计算所述第一局部显著性特征和第二局部显著性特征的相似度;
其中,
所述目标区域位于所述目标图像中行人身上的任意一个区域,所述检测模块在检测局部显著性特征时,具体用于获取所述目标区域中的显著性图(salience);对所述目标区域的显著性图进行二值化,生成二值图像;从所述二值图像中提取所述目标区域中的连通部件集合,确定局部显著性特征,所述局部显著性特征包括所述连通部件集合中满足预置条件的连通部件;
和/或,
所述目标区域位于行人图像的头部区域,所述检测模块在检测局部显著性特征时,具体用于:获取所述目标区域的颜色分布以及标准颜色分布,计算所述目标区域的颜色分布与所述目标区域的标准颜色分布的距离;当所述距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
对图像中的任意一个区域,通过获取该区域中的显著性图并将该显著性图二值化生成二值图像,再从该二值图像中提取出符合预置条件的连通部件作为该区域的局部显著性特征的至少部分,这样,本发明将行人图像中的所有局部特征的检测整合到统一的框架下进行处理,避免了现有技术中对每一种局部特征训练一种分类器从而无法穷举所有局部特征的缺陷,能够覆盖所有的局部显著性特征,且降低检测成本。
可选的,所述计算模块303具体用于:
分别生成所述第一局部显著性特征和所述第二局部显著性特征的描述向量,其中,所述描述包括尺度描述、颜色描述、位置描述和形状描述中的至少一种;计算所述第一局部显著性特征和所述第二局部显著性特征的描述向量的距离的倒数,将所述倒数作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
可选的,所述检测模块302具体用于:
对所述目标区域中的任意一个像素点(x,y),所述像素点的显著性值为将Salience(x,y)归一化到0-255之间得到的值,其中,
其中,δ为所述目标区域中包括像素点(x,y)的像素点集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在预置色彩空间内的距离。
可选的,所述预置条件包括:尺寸位于预置范围内的所有连通部件中,显著性最大的连通部件,其中,连通部件的显著性为所述连通部件中各像素点(x,y)的Salience(x,y)的和。
可选的,所述获取模块301在获取参考图像时,具体用于:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
检测所述行人跟踪序列中各图像在所述目标区域上是否存在局部显著性特征;
判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征稳定时,根据所述行人跟踪序列中所述目标区域上存在局部显著性特征的各图像中的所述局部显著性特征确定待填充特征,对所述行人跟踪序列中目标区域上不存在局部显著性特征的图像填充所述待填充特征;
当确定所述局部显著性特征不稳定时,将所述行人跟踪序列中目标区域上存在局部显著性特征的图像中目标区域上的局部显著性特征删除;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
可选的,所述获取模块301在判断所述局部显著性特征在所述行人跟踪序列中是否稳定时,具体用于:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;当所述第一比值小于第二预置数值时,确定所述局部显著性特征不稳定;
或者,
计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1,当小于第三预置数值时,确定所述局部显著性特征不稳定,其中,k为正整数,n为所述行人跟踪序列中的图像总数。
可选的,所述计算模块303具体用于:
分别获取所述第一局部显著性特征的置信度p1和所述第二局部显著性特征的置信度p2,其中p1=1;
计算p=|p1-p2|/(p1+p2),将p作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
上面从单元化功能实体的角度对本发明实施例中的行人再识别装置进行了描述,下面从硬件处理的角度对本发明实施例中的行人再识别装置进行描述。
请参阅图4,图4为本发明的行人再识别装置的一个实施例的结构示意图。本实施例中,行人再识别装置400包括:
处理器401,以及耦合到所述处理器401的存储器402;其中,所述处理器401读取所述存储器402中存储的计算机程序用于执行以下操作:
获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像;
分别检测第一局部显著性特征和第二局部显著性特征,所述第一局部显著性特征为所述目标图像在目标区域上的局部显著性特征,所述第二局部显著性特征为所述参考图像在所述目标区域上的局部显著性特征;
计算所述第一局部显著性特征和第二局部显著性特征的相似度;
其中,
所述目标区域位于行人身上的任意一个区域,所述检测局部显著性特征包括:获取所述目标区域中的显著性图(salience);对所述目标区域的显著性图进行二值化,生成二值图像;从所述二值图像中提取所述目标区域中的连通部件集合,确定局部显著性特征,所述局部显著性特征包括所述连通部件集合中满足预置条件的连通部件;
或者,
所述目标区域位于行人图像的头部区域,所述检测局部显著性特征包括:获取所述目标区域的颜色分布以及标准颜色分布,计算所述目标区域的颜色分布与所述目标区域的标准颜色分布的距离;当所述距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
对处理器401所执行的操作可参考图1和图2所示实施例中的行人再识别方法,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (18)
1.一种行人再识别方法,其特征在于,包括:
获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像;
分别检测第一局部显著性特征和第二局部显著性特征,所述第一局部显著性特征为所述目标图像在目标区域上的局部显著性特征,所述第二局部显著性特征为所述参考图像在所述目标区域上的局部显著性特征;
计算所述第一局部显著性特征和第二局部显著性特征的相似度;
其中,
所述目标区域位于行人身上的任意一个区域,所述检测局部显著性特征包括:获取所述目标区域中的显著性图(salience);对所述目标区域的显著性图进行二值化,生成二值图像;从所述二值图像中提取所述目标区域中的连通部件集合,确定局部显著性特征,所述局部显著性特征包括所述连通部件集合中满足预置条件的连通部件;
或者,
所述目标区域位于行人图像的头部区域,所述检测局部显著性特征包括:获取所述目标区域的颜色分布以及标准颜色分布,计算所述目标区域的颜色分布与所述目标区域的标准颜色分布的距离;当所述距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
2.根据权利要求1所述的行人再识别方法,其特征在于,所述计算所述第一局部显著性特征和第二局部显著性特征的相似度,包括:
分别生成所述第一局部显著性特征和所述第二局部显著性特征的描述向量,其中,所述描述包括尺度描述、颜色描述、位置描述和形状描述中的至少一种;
计算所述第一局部显著性特征和所述第二局部显著性特征的描述向量的距离的倒数,将所述倒数作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
3.根据权利要求1所述的行人再识别方法,其特征在于,所述获取所述目标区域中的显著性图,包括:
对所述目标区域中的任意一个像素点(x,y),所述像素点的显著性值为将Salience(x,y)归一化到0-255之间得到的值,其中,
其中,δ为所述目标区域中包括像素点(x,y)的像素点集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在预置色彩空间内的距离。
4.根据权利要求1或3所述的行人再识别方法,其特征在于,所述预置条件包括:尺寸位于预置范围内,且在尺寸位于预置范围内的所有连通部件中显著性最大,其中,连通部件的显著性为所述连通部件中各像素点(x,y)的显著性值的和。
5.根据权利要求4所述的行人再识别方法,其特征在于,所述预置条件还包括:所述连通部件的中心位于预置区域集合内。
6.根据权利要求1至5任一项所述的行人再识别方法,其特征在于,所述获取参考图像,包括:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征稳定时,根据所述行人跟踪序列中所述目标区域上存在局部显著性特征的各图像中的所述局部显著性特征确定待填充特征,对所述行人跟踪序列中目标区域上不存在局部显著性特征的图像填充所述待填充特征;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
7.根据权利要求1至5任一项所述的行人再识别方法,其特征在于,所述获取参考图像,包括:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征不稳定时,将所述行人跟踪序列中目标区域上存在局部显著性特征的图像中目标区域上的局部显著性特征删除;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
8.根据权利要求6或7所述的行人再识别方法,其特征在于,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;
当所述第一比值小于第二预置数值时,确定所述局部显著性特征不稳定;当所述第一比值不小于第二预置数值,确定所述局部显著性特征稳定;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;
当小于第三预置数值时,确定所述局部显著性特征不稳定,当不小于第三预置数值时,确定所述局部显著性特征稳定;其中,k为正整数,n为所述行人跟踪序列中的图像总数;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;
当所述第一比值小于第二预置数值和/或小于第三预置数值时,确定所述局部显著性特征不稳定,当所述第一比值不小于第二预置数值且不小于第三预置数值时,确定所述局部显著性特征稳定。
9.根据权利要求6或7所述的行人再识别方法,其特征在于,所述计算所述第一局部显著性特征和第二局部显著性特征的相似度,包括:
分别获取所述第一局部显著性特征的置信度p1和所述第二局部显著性特征的置信度p2,其中p1=1,sk,k+1为所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度;
计算p=|p1-p2|/(p1+p2),将p作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
10.一种行人再识别装置,其特征在于,包括:
获取模块,用于获取目标图像和参考图像,所述目标图像和所述参考图像均为行人图像;
检测模块,用于分别检测第一局部显著性特征和第二局部显著性特征,所述第一局部显著性特征为所述目标图像在目标区域上的局部显著性特征,所述第二局部显著性特征为所述参考图像在所述目标区域上的局部显著性特征;
计算模块,用于计算所述第一局部显著性特征和第二局部显著性特征的相似度;
其中,
所述目标区域位于行人身上的任意一个区域,所述检测模块在检测局部显著性特征时,具体用于获取所述目标区域中的显著性图(salience);对所述目标区域的显著性图进行二值化,生成二值图像;从所述二值图像中提取所述目标区域中的连通部件集合,确定局部显著性特征,所述局部显著性特征包括所述连通部件集合中满足预置条件的连通部件;
或者,
所述目标区域位于行人图像的头部区域,所述检测模块在检测局部显著性特征时,具体用于:获取所述目标区域的颜色分布以及标准颜色分布,计算所述目标区域的颜色分布与所述目标区域的标准颜色分布的距离;当所述距离大于第一预置数值时,确定所述目标区域为局部显著性特征。
11.根据权利要求10所述的行人再识别装置,其特征在于,所述计算模块具体用于:
分别生成所述第一局部显著性特征和所述第二局部显著性特征的描述向量,其中,所述描述包括尺度描述、颜色描述、位置描述和形状描述中的至少一种;计算所述第一局部显著性特征和所述第二局部显著性特征的描述向量的距离的倒数,将所述倒数作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
12.根据权利要求10所述的行人再识别装置,其特征在于,所述检测模块在获取所述目标区域中的显著性图时,具体用于:
对所述目标区域中的任意一个像素点(x,y),所述像素点的显著性值为将Salience(x,y)归一化到0-255之间得到的值,其中,
其中,δ为所述目标区域中包括像素点(x,y)的像素点集,||Pic(x,y)-Pic(i,j)||2为像素点(x,y)和像素点(i,j)在预置色彩空间内的距离。
13.根据权利要求10或12所述的行人再识别装置,其特征在于,所述预置条件包括:尺寸位于预置范围内,且在尺寸位于预置范围内的所有连通部件中显著性最大,其中,连通部件的显著性为所述连通部件中各像素点(x,y)的显著性值的和。
14.根据权利要求13所述的行人再识别方法,其特征在于,所述预置条件还包括:所述连通部件的中心位于预置区域集合内。
15.根据权利要求10至14任一项所述的行人再识别方法,其特征在于,所述获取模块在获取参考图像时,具体用于:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征稳定时,根据所述行人跟踪序列中所述目标区域上存在局部显著性特征的各图像中的所述局部显著性特征确定待填充特征,对所述行人跟踪序列中目标区域上不存在局部显著性特征的图像填充所述待填充特征;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
16.根据权利要求10至14任一项所述的行人再识别方法,其特征在于,所述获取模块在获取参考图像时,具体用于:
获取行人跟踪序列,所述行人跟踪序列包括同一行人在同一跟踪轨迹中至少两个时刻的行人图像;
当检测到所述行人跟踪序列中至少部分图像在所述目标区域上存在局部显著性特征时,判断所述局部显著性特征在所述行人跟踪序列中是否稳定;
当确定所述局部显著性特征不稳定时,将所述行人跟踪序列中目标区域上存在局部显著性特征的图像中目标区域上的局部显著性特征删除;
将所述行人跟踪序列中的各图像依次作为所述参考图像。
17.根据权利要求15或16所述的行人再识别装置,其特征在于,所述获取模块在判断所述局部显著性特征在所述行人跟踪序列中是否稳定时,具体用于:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;
当所述第一比值小于第二预置数值时,确定所述局部显著性特征不稳定;当所述第一比值不小于第二预置数值,确定所述局部显著性特征稳定;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;
当小于第三预置数值时,确定所述局部显著性特征不稳定,当不小于第三预置数值时,确定所述局部显著性特征稳定;其中,k为正整数,n为所述行人跟踪序列中的图像总数;
或者,所述判断所述局部显著性特征在所述行人跟踪序列中是否稳定,包括:
获取第一比值,所述第一比值为在所述行人跟踪序列中目标区域上存在局部显著性特征的图像的数量与所述行人跟踪序列中图像总数的比值;计算所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度sk,k+1;
当所述第一比值小于第二预置数值和/或小于第三预置数值时,确定所述局部显著性特征不稳定,当所述第一比值不小于第二预置数值且小于第三预置数值时,确定所述局部显著性特征稳定。
18.根据权利要求15或16所述的行人再识别装置,其特征在于,所述计算模块具体用于:
分别获取所述第一局部显著性特征的置信度p1和所述第二局部显著性特征的置信度p2,其中p1=1;sk,k+1为所述行人跟踪序列中第k帧和第k+1帧图像在所述目标区域的局部显著性特征的相似度;
计算p=|p1-p2|/(p1+p2),将p作为所述第一局部显著性特征和所述第二局部显著性特征的相似度的一个因子。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610294143.7A CN107346409B (zh) | 2016-05-05 | 2016-05-05 | 行人再识别方法和装置 |
PCT/CN2017/082847 WO2017190656A1 (zh) | 2016-05-05 | 2017-05-03 | 行人再识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610294143.7A CN107346409B (zh) | 2016-05-05 | 2016-05-05 | 行人再识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107346409A true CN107346409A (zh) | 2017-11-14 |
CN107346409B CN107346409B (zh) | 2019-12-17 |
Family
ID=60202757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610294143.7A Active CN107346409B (zh) | 2016-05-05 | 2016-05-05 | 行人再识别方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107346409B (zh) |
WO (1) | WO2017190656A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399381A (zh) * | 2018-02-12 | 2018-08-14 | 北京市商汤科技开发有限公司 | 行人再识别方法、装置、电子设备和存储介质 |
CN108577803A (zh) * | 2018-04-26 | 2018-09-28 | 上海鹰瞳医疗科技有限公司 | 基于机器学习的眼底图像检测方法、装置及系统 |
CN109063774A (zh) * | 2018-08-03 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 图像追踪效果评价方法、装置、设备及可读存储介质 |
CN109344695A (zh) * | 2018-08-14 | 2019-02-15 | 中山大学 | 一种基于特征选择卷积神经网络的目标重识别方法和装置 |
CN109711316A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种行人重识别方法、装置、设备及存储介质 |
CN111046732A (zh) * | 2019-11-11 | 2020-04-21 | 华中师范大学 | 一种基于多粒度语义解析的行人重识别方法及存储介质 |
CN111126379A (zh) * | 2019-11-22 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种目标检测方法与装置 |
CN111275096A (zh) * | 2020-01-17 | 2020-06-12 | 青梧桐有限责任公司 | 基于图像识别的同名小区辨别方法及系统 |
CN111723836A (zh) * | 2019-03-21 | 2020-09-29 | 杭州三坛医疗科技有限公司 | 图像相似度的计算方法及装置、电子设备、存储介质 |
CN111738062A (zh) * | 2020-05-09 | 2020-10-02 | 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方法及系统 |
CN111783524A (zh) * | 2020-05-19 | 2020-10-16 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
CN112001289A (zh) * | 2020-08-17 | 2020-11-27 | 海尔优家智能科技(北京)有限公司 | 物品的检测方法和装置、存储介质及电子装置 |
CN112580525A (zh) * | 2020-12-22 | 2021-03-30 | 南京信息工程大学 | 一种基于行人再识别的病例活动轨迹监测方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110020579A (zh) * | 2018-01-09 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 行人重识别方法及装置、存储介质和电子设备 |
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 |
CN110414294B (zh) * | 2018-04-26 | 2023-09-26 | 北京京东尚科信息技术有限公司 | 行人重识别方法和装置 |
CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
CN109993116B (zh) * | 2019-03-29 | 2022-02-11 | 上海工程技术大学 | 一种基于人体骨骼相互学习的行人再识别方法 |
CN110991321B (zh) * | 2019-11-29 | 2023-05-02 | 北京航空航天大学 | 一种基于标签更正与加权特征融合的视频行人再识别方法 |
CN111738048B (zh) * | 2020-03-10 | 2023-08-22 | 重庆大学 | 一种行人再识别的方法 |
CN112906483B (zh) * | 2021-01-25 | 2024-01-23 | 中国银联股份有限公司 | 一种目标重识别方法、装置及计算机可读存储介质 |
CN113096162B (zh) * | 2021-04-21 | 2022-12-13 | 青岛海信智慧生活科技股份有限公司 | 一种行人识别跟踪方法及装置 |
CN113848186A (zh) * | 2021-10-15 | 2021-12-28 | 广东粤港供水有限公司 | 浓度检测方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093203A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 一种人体再识别方法以及人体再识别系统 |
CN103838864A (zh) * | 2014-03-20 | 2014-06-04 | 北京工业大学 | 一种视觉显著性与短语相结合的图像检索方法 |
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 |
CN104268583A (zh) * | 2014-09-16 | 2015-01-07 | 上海交通大学 | 基于颜色区域特征的行人重识别方法及系统 |
CN105550703A (zh) * | 2015-12-09 | 2016-05-04 | 华南理工大学 | 一种适用于人体再识别的图片相似度计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794451B (zh) * | 2015-04-28 | 2018-01-02 | 上海交通大学 | 基于分块匹配结构的行人比对方法 |
CN105023008B (zh) * | 2015-08-10 | 2018-12-18 | 河海大学常州校区 | 基于视觉显著性及多特征的行人再识别方法 |
-
2016
- 2016-05-05 CN CN201610294143.7A patent/CN107346409B/zh active Active
-
2017
- 2017-05-03 WO PCT/CN2017/082847 patent/WO2017190656A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093203A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 一种人体再识别方法以及人体再识别系统 |
CN103838864A (zh) * | 2014-03-20 | 2014-06-04 | 北京工业大学 | 一种视觉显著性与短语相结合的图像检索方法 |
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 |
CN104268583A (zh) * | 2014-09-16 | 2015-01-07 | 上海交通大学 | 基于颜色区域特征的行人重识别方法及系统 |
CN105550703A (zh) * | 2015-12-09 | 2016-05-04 | 华南理工大学 | 一种适用于人体再识别的图片相似度计算方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399381B (zh) * | 2018-02-12 | 2020-10-30 | 北京市商汤科技开发有限公司 | 行人再识别方法、装置、电子设备和存储介质 |
WO2019153830A1 (zh) * | 2018-02-12 | 2019-08-15 | 北京市商汤科技开发有限公司 | 行人再识别方法、装置、电子设备和存储介质 |
CN108399381A (zh) * | 2018-02-12 | 2018-08-14 | 北京市商汤科技开发有限公司 | 行人再识别方法、装置、电子设备和存储介质 |
US11301687B2 (en) | 2018-02-12 | 2022-04-12 | Beijing Sensetime Technology Development Co., Ltd. | Pedestrian re-identification methods and apparatuses, electronic devices, and storage media |
CN108577803A (zh) * | 2018-04-26 | 2018-09-28 | 上海鹰瞳医疗科技有限公司 | 基于机器学习的眼底图像检测方法、装置及系统 |
CN109063774A (zh) * | 2018-08-03 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 图像追踪效果评价方法、装置、设备及可读存储介质 |
US11023781B2 (en) | 2018-08-03 | 2021-06-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus and device for evaluating image tracking effectiveness and readable storage medium |
CN109344695A (zh) * | 2018-08-14 | 2019-02-15 | 中山大学 | 一种基于特征选择卷积神经网络的目标重识别方法和装置 |
CN109344695B (zh) * | 2018-08-14 | 2022-03-22 | 中山大学 | 一种基于特征选择卷积神经网络的目标重识别方法和装置 |
CN109711316A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种行人重识别方法、装置、设备及存储介质 |
CN109711316B (zh) * | 2018-12-21 | 2022-10-21 | 广东工业大学 | 一种行人重识别方法、装置、设备及存储介质 |
CN111723836A (zh) * | 2019-03-21 | 2020-09-29 | 杭州三坛医疗科技有限公司 | 图像相似度的计算方法及装置、电子设备、存储介质 |
CN111046732A (zh) * | 2019-11-11 | 2020-04-21 | 华中师范大学 | 一种基于多粒度语义解析的行人重识别方法及存储介质 |
CN111046732B (zh) * | 2019-11-11 | 2023-11-28 | 华中师范大学 | 一种基于多粒度语义解析的行人重识别方法及存储介质 |
CN111126379B (zh) * | 2019-11-22 | 2022-05-17 | 苏州浪潮智能科技有限公司 | 一种目标检测方法与装置 |
CN111126379A (zh) * | 2019-11-22 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种目标检测方法与装置 |
CN111275096A (zh) * | 2020-01-17 | 2020-06-12 | 青梧桐有限责任公司 | 基于图像识别的同名小区辨别方法及系统 |
CN111738062A (zh) * | 2020-05-09 | 2020-10-02 | 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方法及系统 |
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 |
CN111783524A (zh) * | 2020-05-19 | 2020-10-16 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
CN111783524B (zh) * | 2020-05-19 | 2023-10-17 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
CN112001289A (zh) * | 2020-08-17 | 2020-11-27 | 海尔优家智能科技(北京)有限公司 | 物品的检测方法和装置、存储介质及电子装置 |
CN112580525A (zh) * | 2020-12-22 | 2021-03-30 | 南京信息工程大学 | 一种基于行人再识别的病例活动轨迹监测方法 |
CN112580525B (zh) * | 2020-12-22 | 2023-05-23 | 南京信息工程大学 | 一种基于行人再识别的病例活动轨迹监测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017190656A1 (zh) | 2017-11-09 |
CN107346409B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346409A (zh) | 行人再识别方法和装置 | |
US9754160B2 (en) | Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
Wang et al. | An effective method for plate number recognition | |
CN103996046B (zh) | 基于多视觉特征融合的人员识别方法 | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
CN109918969A (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
CN105701519A (zh) | 基于超像素的图像的实际货架图景象分析 | |
Wei et al. | Face detection for image annotation | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN104102909B (zh) | 基于多重视觉信息的车辆特征定位及匹配方法 | |
WO2019197021A1 (en) | Device and method for instance-level segmentation of an image | |
CN106203539A (zh) | 识别集装箱箱号的方法和装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN110020627A (zh) | 一种基于深度图与特征融合的行人检测方法 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
JP2016099835A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN109977714A (zh) | 一种仓储货物多qr码一体化视觉定位方法 | |
Dewan et al. | Using Ant's Colony Algorithm for improved segmentation for number plate recognition | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
CN110210561B (zh) | 神经网络的训练方法、目标检测方法及装置、存储介质 |
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 |