CN107844753A - 视频图像中的行人重识别方法、装置、存储介质及处理器 - Google Patents
视频图像中的行人重识别方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN107844753A CN107844753A CN201710982219.XA CN201710982219A CN107844753A CN 107844753 A CN107844753 A CN 107844753A CN 201710982219 A CN201710982219 A CN 201710982219A CN 107844753 A CN107844753 A CN 107844753A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- network model
- neural network
- volume
- target
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频图像中的行人重识别方法、装置、存储介质及处理器。其中,该方法包括:训练第一卷积神经网络模型,得到第二卷积神经网络模型;对第二卷积神经网络模型添加哈希二值化层,得到第三卷积神经网络模型;训练第三卷积神经网络模型,得到第四卷积神经网络模型;输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到多张初步识别行人图像;将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离,得到行人重识别结果。本发明解决了现有技术中的视频图像行人重识别方式存在的识别效率低、精度差的技术问题。
Description
技术领域
本发明涉及视频处理领域,具体而言,涉及一种视频图像中的行人重识别方法、装置、存储介质及处理器。
背景技术
行人重识别,即给定目标行人的检索图像(probe),在多个无视野重叠的摄像机视频图像中(gallery)检索与目标行人相匹配的图像,从而确定目标行人出现过的位置及监控画面。行人重识别对于人物检索、嫌疑人搜寻等多种应用起着至关重要的作用。然而,由于不同摄像头的架设角度、背景环境、光线条件、分辨率、行人姿态动作等区别变化,行人重识别问题存在诸多难点。
现有的技术中,常将行人重识别作为两个问题分别进行解决,即特征表示与度量学习,前者在于学习一种具有光线、角度、环境等多种条件不变性的特征,后者旨在基于行人特征向量学习一种强区分性的距离度量函数。随着深度学习的流行,有研究通过构建卷积神经网络,同时进行特征表示与度量学习,实现端对端的行人重识别。如,专利CN106971178A提出了一种行人检测和再识别的方法及装置,利用卷积神经网络进行行人检测之后对检测到的行人图像区域提取特征张量,将目标行人特征张量与待识别行人特征张量进行直接对比,得到匹配结果。专利CN106778464A提出了一种基于深度学习的行人重识别方法和装置,基于深度学习网络模型提取目标行人图像与参考行人图像的特征,计算特征相似度并进行排序,将相似度最高的参考行人图像判断为目标行人。
考虑到人类视觉系统在进行辨别时,首先通过全局特征进行区分,如行人的服装总体颜色、外形轮廓特征等,然后进一步对全局相似的图像进行局部化细节特征的区分,属于从粗糙到精细的多个阶段化过程。然而,现有行人重识别技术中的匹配过程仅为单个阶段。在现实应用中,需要检索的行人监控图像视频数量常常十分庞大,现有技术通过将目标行人图像与待检索的行人图像进行逐一比对,一次性得到识别匹配结果,不仅所需的计算量与计算时间随着检索图像的增加而骤增,同时识别精度也会随着干扰图像增多而大大降低,难以在效率与精度之间获得平衡。综上,现有技术中的视频图像中的行人重识别方式存在识别效率低、精度差的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种视频图像中的行人重识别方法、装置、存储介质及处理器,以至少解决现有技术中的视频图像行人重识别方式存在的识别效率低、精度差的技术问题。
根据本发明实施例的一个方面,提供了一种视频图像中的行人重识别方法,该方法包括:根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,上述第二卷积神经网络模型为达到收敛状态的上述第一卷积神经网络模型,上述第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;对上述第二卷积神经网络模型中的上述全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;根据上述预设行人重识别数据集训练上述第三卷积神经网络模型,得到第四卷积神经网络模型,其中,上述第四卷积神经网络模型为达到收敛状态的上述第三卷积神经网络模型;输入一张目标行人图像和多张待识别行人图像至上述第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;计算上述一个目标全局二值化特征向量和上述多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,上述多张初步识别行人图像中的每张上述初步识别行人图像与上述目标行人图像对应的上述第一空间向量距离均小于预设第一空间向量距离阈值;将上述多张初步识别行人图像输入至上述第四卷积神经网络模型,得到多个初步识别局部特征向量;计算上述目标局部特征向量和上述多个初步识别局部特征向量之间的第二空间向量距离,得到与上述目标行人图像所匹配的行人重识别结果。
进一步地,在根据预设行人重识别数据集训练第一卷积神经网络模型之前,上述方法还包括:获取多个摄像头拍摄到的行人视频图像;截取上述行人视频图像中的每帧图片中的行人区域,并对上述行人区域添加身份标签;根据上述行人区域和上述身份标签得到上述预设行人重识别数据集。
进一步地,上述输入一张目标行人图像和多张待识别行人图像至上述第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量包括:输入上述一张目标行人图像至上述第四卷积神经网络模型,基于上述第四卷积神经网络模型中的上述全局特征提取分支得到上述一个目标全局二值化特征向量,以及基于上述第四卷积神经网络模型中的上述局部特征提取分支得到上述一个目标局部特征向量;输入上述多张待识别行人图像至上述第四卷积神经网络模型,基于上述第四卷积神经网络模型中的上述全局特征提取分支得到上述多个待识别全局二值化特征向量。
进一步地,上述根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型包括:根据预设行人重识别数据集和随机梯度下降法对上述第一卷积神经网络模型中的参数进行更新,并根据同一预设目标函数分别对上述第一卷积神经网络模型中的上述全局特征提取分支和上述局部特征提取分支进行梯度计算,得到上述第二卷积神经网络模型。
根据本发明实施例的另一方面,还提供了一种视频图像中的行人重识别装置,该装置包括:第一训练单元,用于根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,上述第二卷积神经网络模型为达到收敛状态的上述第一卷积神经网络模型,上述第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;第一添加单元,用于对上述第二卷积神经网络模型中的上述全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;第二训练单元,用于根据上述预设行人重识别数据集训练上述第三卷积神经网络模型,得到第四卷积神经网络模型,其中,上述第四卷积神经网络模型为达到收敛状态的上述第三卷积神经网络模型;第一输入单元,用于输入一张目标行人图像和多张待识别行人图像至上述第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;第一计算单元,用于计算上述一个目标全局二值化特征向量和上述多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,上述多张初步识别行人图像中的每张上述初步识别行人图像与上述目标行人图像对应的上述第一空间向量距离均小于预设第一空间向量距离阈值;第二输入单元,用于将上述多张初步识别行人图像输入至上述第四卷积神经网络模型,得到多个初步识别局部特征向量;第二计算单元,用于计算上述目标局部特征向量和上述多个初步识别局部特征向量之间的第二空间向量距离,得到与上述目标行人图像所匹配的行人重识别结果。
进一步地,上述装置还包括:第一获取单元,用于获取多个摄像头拍摄到的行人视频图像;第二添加单元,用于截取上述行人视频图像中的每帧图片中的行人区域,并对上述行人区域添加身份标签;第二获取单元,用于根据上述行人区域和上述身份标签得到上述预设行人重识别数据集。
进一步地,上述第一输入单元包括:第一输入子单元,用于输入上述一张目标行人图像至上述第四卷积神经网络模型,基于上述第四卷积神经网络模型中的上述全局特征提取分支得到上述一个目标全局二值化特征向量,以及基于上述第四卷积神经网络模型中的上述局部特征提取分支得到上述一个目标局部特征向量;第二输入子单元,用于输入上述多张待识别行人图像至上述第四卷积神经网络模型,基于上述第四卷积神经网络模型中的上述全局特征提取分支得到上述多个待识别全局二值化特征向量。
进一步地,上述第一训练单元包括:更新子单元,用于根据预设行人重识别数据集和随机梯度下降法对上述第一卷积神经网络模型中的参数进行更新,并根据同一预设目标函数分别对上述第一卷积神经网络模型中的上述全局特征提取分支和上述局部特征提取分支进行梯度计算,得到上述第二卷积神经网络模型。
根据本发明实施例的又一方面,还提供了一种存储介质,上述存储介质包括存储的程序,其中,在上述程序运行时控制上述存储介质所在设备执行上述的视频图像中的行人重识别方法。
根据本发明实施例的又一方面,还提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述的视频图像中的行人重识别方法。
在本发明实施例中,采用根据预设行人重识别数据集训练第一卷积神经网络模型、得到第二卷积神经网络模型的方式,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型,第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;通过对第二卷积神经网络模型中的全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;根据预设行人重识别数据集训练第三卷积神经网络模型,得到第四卷积神经网络模型,其中,第四卷积神经网络模型为达到收敛状态的第三卷积神经网络模型;输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,多张初步识别行人图像中的每张初步识别行人图像与目标行人图像对应的第一空间向量距离均小于预设第一空间向量距离阈值;将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;达到了计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离、得到与目标行人图像所匹配的行人重识别结果的目的,从而实现了提升视频图像中的行人重识别方式的识别效率、提高行人重识别方式的精确度的技术效果,进而解决了现有技术中的视频图像行人重识别方式存在的识别效率低、精度差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1(a)是根据本发明实施例的一种可选的视频图像中的行人重识别方法的流程示意图;
图1(b)是根据本发明实施例的一种可选的视频图像中的行人重识别方法中的第一卷积神经网络模型的结构示意图;
图1(c)是根据本发明实施例的一种可选的视频图像中的行人重识别方法中的全局特征提取分支的结构示意图;
图1(d)是根据本发明实施例的一种可选的视频图像中的行人重识别方法中的局部特征提取分支的结构示意图;
图2是根据本发明实施例的另一种可选的视频图像中的行人重识别方法的流程示意图;
图3是根据本发明实施例的又一种可选的视频图像中的行人重识别方法的流程示意图;
图4是根据本发明实施例的一种可选的视频图像中的行人重识别装置的结构示意图。
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。
需要说明的是,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”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种视频图像中的行人重识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1(a)是根据本发明实施例的一种可选的视频图像中的行人重识别方法的流程示意图,如图1(a)所示,该方法包括如下步骤:
步骤S102,根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型,第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;
步骤S104,对第二卷积神经网络模型中的全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;
步骤S106,根据预设行人重识别数据集训练第三卷积神经网络模型,得到第四卷积神经网络模型,其中,第四卷积神经网络模型为达到收敛状态的第三卷积神经网络模型;
步骤S108,输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;
步骤S110,计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,多张初步识别行人图像中的每张初步识别行人图像与目标行人图像对应的第一空间向量距离均小于预设第一空间向量距离阈值;
步骤S112,将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;
步骤S114,计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离,得到与目标行人图像所匹配的行人重识别结果。
在本发明实施例中,采用根据预设行人重识别数据集训练第一卷积神经网络模型、得到第二卷积神经网络模型的方式,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型,第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;通过对第二卷积神经网络模型中的全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;根据预设行人重识别数据集训练第三卷积神经网络模型,得到第四卷积神经网络模型,其中,第四卷积神经网络模型为达到收敛状态的第三卷积神经网络模型;输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,多张初步识别行人图像中的每张初步识别行人图像与目标行人图像对应的第一空间向量距离均小于预设第一空间向量距离阈值;将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;达到了计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离、得到与目标行人图像所匹配的行人重识别结果的目的,从而实现了提升视频图像中的行人重识别方式的识别效率、提高行人重识别方式的精确度的技术效果,进而解决了现有技术中的视频图像行人重识别方式存在的识别效率低、精度差的技术问题。
可选地,图1(b)是根据本发明实施例的一种可选的视频图像中的行人重识别方法中的第一卷积神经网络模型的结构示意图,如图1(b)所示,第一卷积神经网络模型包括共享层1001、全局特征提取分支1003及局部特征提取分支1005,其中,共享层包含卷积层,其输入为行人区域图像。
可选地,图1(c)是根据本发明实施例的一种可选的视频图像中的行人重识别方法中的全局特征提取分支的结构示意图,如图1(c)所示,全局特征提取分支包含卷积层、池化层、全连接层、输出层,其输入为共享层的输出特征图。全局特征提取分支包含5个卷积层、3个池化层、1个全连接层、1个输出层。其中,每层卷积层采用ReLU激活函数。其中,第一层卷积层卷积核尺寸为5x5,通道数为32,步长为1;第二层卷积核尺寸为3x3,通道数为64,步长为1;第三层卷积核尺寸为3x3,通道数为128,步长为1;第四层卷积核尺寸为3x3,通道数为256,步长为1;第五层卷积核尺寸为3x3,通道数为256,步长为1;所有池化层尺寸为2x2,步长为2;全连接层神经元个数为512。
可选地,图1(d)是根据本发明实施例的一种可选的视频图像中的行人重识别方法中的局部特征提取分支的结构示意图,如图1(d)所示,局部特征提取分支包含N个子分支、特征整合层、输出层,每个子分支包含卷积层、池化层、全连接层。将共享层的输出特征图沿着水平方向切分为N个特征图子块,每个子块之间可以是重叠的或者不重叠的,N个特征图子块作为局部特征提取分支中对应的N个子分支的输入,其中,N为1到10之间的整数,推荐设置为3。局部特征提取分支包含3个子分支、1个特征整合层、1个输出层。其中,每个子分支的输入为对应的特征图子块,每个子分支包含3个卷积层、2个池化层、1个全连接层。其中,每层卷积层采用ReLU激活函数。其中,第一层卷积层卷积核尺寸为3x3,通道数为32,步长为1;第二层卷积核尺寸为3x3,通道数为64,步长为1;第三层卷积核尺寸为3x3,通道数为128,步长为1;所有池化层尺寸为2x2,步长为2;全连接层神经元个数为256;特征整合层神经元个数为512。
可选地,步骤S104中,可以将哈希二值化层添加到第二卷积神经网络模型的全局特征提取分支的最后一层全连接层与分类层之间。其中,哈希二值化层可以是全连接层,采用sigmoid激活函数,并以0.5为阈值进行二值化,即:若激活后数值小于0.5,则输出值为0;若激活后数值大于或等于0.5,则输出值为1。其中,哈希二值化层的神经元个数可以为64。
可选地,步骤S106中,根据预设行人重识别数据集训练第三卷积神经网络模型包括:保持共享层和局部特征提取分支权值不变,基于随机梯度下降法更新第三卷积神经网络模型中的全局特征提取分支的权值参数。
可选地,步骤S110中,计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离可以采用第一距离计算公式,第一距离计算公式可以为汉明距离计算公式。
可选地,步骤S112中,将多张初步识别行人图像输入至第四卷积神经网络模型,可以基于第四卷积神经网络模型中的局部特征提取分支得到多个初步识别局部特征向量。
可选地,步骤S114中,可以通过计算单个目标局部特征向量与多个初步识别局部特征向量之间的第二空间距离,按照筛选规则得到精确的行人重识别结果。其中,筛选规则可以是前M个距离最小的行人重识别结果,也可以是距离小于预设阈值的行人重识别结果,M为大于1的整数,推荐设置可以为5。其中,计算单个目标局部特征向量与多个初步识别局部特征向量之间的第二空间距离可以采用第二距离计算公式,第二距离计算公式可以为欧式距离计算公式或者余弦距离计算公式。
可选地,图2是根据本发明实施例的另一种可选的视频图像中的行人重识别方法的流程示意图,如图2所示,在执行步骤S102之前,即在根据预设行人重识别数据集训练第一卷积神经网络模型之前,该方法还可以包括:
步骤S202,获取多个摄像头拍摄到的行人视频图像;
步骤S204,截取行人视频图像中的每帧图片中的行人区域,并对行人区域添加身份标签;
步骤S206,根据行人区域和身份标签得到预设行人重识别数据集。
可选地,可以获取不同摄像头视角下的行人视频图像,对行人视频图像中出现过的行人区域添加身份标签,从而获得预设行人重识别数据集。其中,对行人区域添加身份标签包括:截取行人视频图像中每帧图像内的行人区域,对所有行人区域添加身份标签。
可选地,图3是根据本发明实施例的另一种可选的视频图像中的行人重识别方法的流程示意图,如图3所示,执行步骤S108,输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量包括:
步骤S302,输入一张目标行人图像至第四卷积神经网络模型,基于第四卷积神经网络模型中的全局特征提取分支得到一个目标全局二值化特征向量,以及基于第四卷积神经网络模型中的局部特征提取分支得到一个目标局部特征向量;
步骤S304,输入多张待识别行人图像至第四卷积神经网络模型,基于第四卷积神经网络模型中的全局特征提取分支得到多个待识别全局二值化特征向量。
可选地,执行步骤S102,根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型包括:
步骤S10,根据预设行人重识别数据集和随机梯度下降法对第一卷积神经网络模型中的参数进行更新,并根据同一预设目标函数分别对第一卷积神经网络模型中的全局特征提取分支和局部特征提取分支进行梯度计算,得到第二卷积神经网络模型。
可选地,训练第一卷积神经网络模型时,全局特征提取分支及局部特征提取分支采用相同的目标函数,基于随机梯度下降法同时进行参数更新。其中,目标函数可以是交叉熵分类误差。
在本发明实施例中,采用根据预设行人重识别数据集训练第一卷积神经网络模型、得到第二卷积神经网络模型的方式,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型,第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;通过对第二卷积神经网络模型中的全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;根据预设行人重识别数据集训练第三卷积神经网络模型,得到第四卷积神经网络模型,其中,第四卷积神经网络模型为达到收敛状态的第三卷积神经网络模型;输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,多张初步识别行人图像中的每张初步识别行人图像与目标行人图像对应的第一空间向量距离均小于预设第一空间向量距离阈值;将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;达到了计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离、得到与目标行人图像所匹配的行人重识别结果的目的,从而实现了提升视频图像中的行人重识别方式的识别效率、提高行人重识别方式的精确度的技术效果,进而解决了现有技术中的视频图像行人重识别方式存在的识别效率低、精度差的技术问题。
实施例2
根据本发明实施例的另一个方面,还提供了一种视频图像中的行人重识别装置,如图4所示,该装置可以包括:
第一训练单元401,用于根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型,第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;第一添加单元403,用于对第二卷积神经网络模型中的全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;第二训练单元405,用于根据预设行人重识别数据集训练第三卷积神经网络模型,得到第四卷积神经网络模型,其中,第四卷积神经网络模型为达到收敛状态的第三卷积神经网络模型;第一输入单元407,用于输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;第一计算单元409,用于计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,多张初步识别行人图像中的每张初步识别行人图像与目标行人图像对应的第一空间向量距离均小于预设第一空间向量距离阈值;第二输入单元411,用于将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;第二计算单元413,用于计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离,得到与目标行人图像所匹配的行人重识别结果。
可选地,该装置还可以包括:第一获取单元,用于获取多个摄像头拍摄到的行人视频图像;第二添加单元,用于截取行人视频图像中的每帧图片中的行人区域,并对行人区域添加身份标签;第二获取单元,用于根据行人区域和身份标签得到预设行人重识别数据集。
可选地,第一输入单元407包括:第一输入子单元,用于输入一张目标行人图像至第四卷积神经网络模型,基于第四卷积神经网络模型中的全局特征提取分支得到一个目标全局二值化特征向量,以及基于第四卷积神经网络模型中的局部特征提取分支得到一个目标局部特征向量;第二输入子单元,用于输入多张待识别行人图像至第四卷积神经网络模型,基于第四卷积神经网络模型中的全局特征提取分支得到多个待识别全局二值化特征向量。
可选地,第一训练单元401包括:更新子单元,用于根据预设行人重识别数据集和随机梯度下降法对第一卷积神经网络模型中的参数进行更新,并根据同一预设目标函数分别对第一卷积神经网络模型中的全局特征提取分支和局部特征提取分支进行梯度计算,得到第二卷积神经网络模型。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的视频图像中的行人重识别方法。
根据本发明实施例的又一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述的视频图像中的行人重识别方法。
在本发明实施例中,采用根据预设行人重识别数据集训练第一卷积神经网络模型、得到第二卷积神经网络模型的方式,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型,第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;通过对第二卷积神经网络模型中的全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;根据预设行人重识别数据集训练第三卷积神经网络模型,得到第四卷积神经网络模型,其中,第四卷积神经网络模型为达到收敛状态的第三卷积神经网络模型;输入一张目标行人图像和多张待识别行人图像至第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;计算一个目标全局二值化特征向量和多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,多张初步识别行人图像中的每张初步识别行人图像与目标行人图像对应的第一空间向量距离均小于预设第一空间向量距离阈值;将多张初步识别行人图像输入至第四卷积神经网络模型,得到多个初步识别局部特征向量;达到了计算目标局部特征向量和多个初步识别局部特征向量之间的第二空间向量距离、得到与目标行人图像所匹配的行人重识别结果的目的,从而实现了提升视频图像中的行人重识别方式的识别效率、提高行人重识别方式的精确度的技术效果,进而解决了现有技术中的视频图像行人重识别方式存在的识别效率低、精度差的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种视频图像中的行人重识别方法,其特征在于,包括:
根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,所述第二卷积神经网络模型为达到收敛状态的所述第一卷积神经网络模型,所述第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;
对所述第二卷积神经网络模型中的所述全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;
根据所述预设行人重识别数据集训练所述第三卷积神经网络模型,得到第四卷积神经网络模型,其中,所述第四卷积神经网络模型为达到收敛状态的所述第三卷积神经网络模型;
输入一张目标行人图像和多张待识别行人图像至所述第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;
计算所述一个目标全局二值化特征向量和所述多个待识别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,其中,所述多张初步识别行人图像中的每张所述初步识别行人图像与所述目标行人图像对应的所述第一空间向量距离均小于预设第一空间向量距离阈值;
将所述多张初步识别行人图像输入至所述第四卷积神经网络模型,得到多个初步识别局部特征向量;
计算所述目标局部特征向量和所述多个初步识别局部特征向量之间的第二空间向量距离,得到与所述目标行人图像所匹配的行人重识别结果。
2.根据权利要求1所述的方法,其特征在于,在根据预设行人重识别数据集训练第一卷积神经网络模型之前,所述方法还包括:
获取多个摄像头拍摄到的行人视频图像;
截取所述行人视频图像中的每帧图片中的行人区域,并对所述行人区域添加身份标签;
根据所述行人区域和所述身份标签得到所述预设行人重识别数据集。
3.根据权利要求1所述的方法,其特征在于,所述输入一张目标行人图像和多张待识别行人图像至所述第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量包括:
输入所述一张目标行人图像至所述第四卷积神经网络模型,基于所述第四卷积神经网络模型中的所述全局特征提取分支得到所述一个目标全局二值化特征向量,以及基于所述第四卷积神经网络模型中的所述局部特征提取分支得到所述一个目标局部特征向量;
输入所述多张待识别行人图像至所述第四卷积神经网络模型,基于所述第四卷积神经网络模型中的所述全局特征提取分支得到所述多个待识别全局二值化特征向量。
4.根据权利要求1所述的方法,其特征在于,所述根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型包括:
根据预设行人重识别数据集和随机梯度下降法对所述第一卷积神经网络模型中的参数进行更新,并根据同一预设目标函数分别对所述第一卷积神经网络模型中的所述全局特征提取分支和所述局部特征提取分支进行梯度计算,得到所述第二卷积神经网络模型。
5.一种视频图像中的行人重识别装置,其特征在于,包括:
第一训练单元,用于根据预设行人重识别数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,所述第二卷积神经网络模型为达到收敛状态的所述第一卷积神经网络模型,所述第二卷积神经网络模型包括全局特征提取分支和局部特征提取分支;
第一添加单元,用于对所述第二卷积神经网络模型中的所述全局特征提取分支添加哈希二值化层,得到第三卷积神经网络模型;
第二训练单元,用于根据所述预设行人重识别数据集训练所述第三卷积神经网络模型,得到第四卷积神经网络模型,其中,所述第四卷积神经网络模型为达到收敛状态的所述第三卷积神经网络模型;
第一输入单元,用于输入一张目标行人图像和多张待识别行人图像至所述第四卷积神经网络模型,得到一个目标全局二值化特征向量、一个目标局部特征向量和多个待识别全局二值化特征向量;
第一计算单元,用于计算所述一个目标全局二值化特征向量和所述多个待识
别全局二值化特征向量之间的第一空间向量距离,得到多张初步识别行人图像,
其中,所述多张初步识别行人图像中的每张所述初步识别行人图像与所述目标行人图像对应的所述第一空间向量距离均小于预设第一空间向量距离阈值;
第二输入单元,用于将所述多张初步识别行人图像输入至所述第四卷积神经网络模型,得到多个初步识别局部特征向量;
第二计算单元,用于计算所述目标局部特征向量和所述多个初步识别局部特征向量之间的第二空间向量距离,得到与所述目标行人图像所匹配的行人重识别结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第一获取单元,用于获取多个摄像头拍摄到的行人视频图像;
第二添加单元,用于截取所述行人视频图像中的每帧图片中的行人区域,并对所述行人区域添加身份标签;
第二获取单元,用于根据所述行人区域和所述身份标签得到所述预设行人重识别数据集。
7.根据权利要求5所述的装置,其特征在于,所述第一输入单元包括:
第一输入子单元,用于输入所述一张目标行人图像至所述第四卷积神经网络模型,基于所述第四卷积神经网络模型中的所述全局特征提取分支得到所述一个目标全局二值化特征向量,以及基于所述第四卷积神经网络模型中的所述局部特征提取分支得到所述一个目标局部特征向量;
第二输入子单元,用于输入所述多张待识别行人图像至所述第四卷积神经网络模型,基于所述第四卷积神经网络模型中的所述全局特征提取分支得到所述多个待识别全局二值化特征向量。
8.根据权利要求5所述的装置,其特征在于,所述第一训练单元包括:
更新子单元,用于根据预设行人重识别数据集和随机梯度下降法对所述第一卷积神经网络模型中的参数进行更新,并根据同一预设目标函数分别对所述第一卷积神经网络模型中的所述全局特征提取分支和所述局部特征提取分支进行梯度计算,得到所述第二卷积神经网络模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求4中任意一项所述
的视频图像中的行人重识别方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至权利要求4中任意一项所述的视频图像中的行人重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710982219.XA CN107844753A (zh) | 2017-10-20 | 2017-10-20 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710982219.XA CN107844753A (zh) | 2017-10-20 | 2017-10-20 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107844753A true CN107844753A (zh) | 2018-03-27 |
Family
ID=61661556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710982219.XA Pending CN107844753A (zh) | 2017-10-20 | 2017-10-20 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844753A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765506A (zh) * | 2018-05-21 | 2018-11-06 | 上海交通大学 | 基于逐层网络二值化的压缩方法 |
CN108764308A (zh) * | 2018-05-16 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于卷积循环网络的行人重识别方法 |
CN109101913A (zh) * | 2018-08-01 | 2018-12-28 | 北京飞搜科技有限公司 | 行人重识别方法和装置 |
CN109101865A (zh) * | 2018-05-31 | 2018-12-28 | 湖北工业大学 | 一种基于深度学习的行人重识别方法 |
CN109145766A (zh) * | 2018-07-27 | 2019-01-04 | 北京旷视科技有限公司 | 模型训练方法、装置、识别方法、电子设备及存储介质 |
CN109658445A (zh) * | 2018-12-14 | 2019-04-19 | 北京旷视科技有限公司 | 网络训练方法、增量建图方法、定位方法、装置及设备 |
CN109657533A (zh) * | 2018-10-27 | 2019-04-19 | 深圳市华尊科技股份有限公司 | 行人重识别方法及相关产品 |
CN109711267A (zh) * | 2018-12-03 | 2019-05-03 | 浙江大华技术股份有限公司 | 一种行人重识别、行人运动轨迹生成方法及装置 |
CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
CN109784182A (zh) * | 2018-12-17 | 2019-05-21 | 北京飞搜科技有限公司 | 行人重识别方法和装置 |
CN109784295A (zh) * | 2019-01-25 | 2019-05-21 | 佳都新太科技股份有限公司 | 视频流特征识别方法、装置、设备及存储介质 |
CN109784186A (zh) * | 2018-12-18 | 2019-05-21 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN109871749A (zh) * | 2019-01-02 | 2019-06-11 | 上海高重信息科技有限公司 | 一种基于深度哈希的行人重识别方法和装置、计算机系统 |
CN109886245A (zh) * | 2019-03-02 | 2019-06-14 | 山东大学 | 一种基于深度学习级联神经网络的行人检测识别方法 |
CN110110755A (zh) * | 2019-04-04 | 2019-08-09 | 长沙千视通智能科技有限公司 | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 |
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 |
CN110175527A (zh) * | 2019-04-29 | 2019-08-27 | 北京百度网讯科技有限公司 | 行人再识别方法及装置、计算机设备及可读介质 |
CN110309855A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像分割的训练方法、计算机设备及存储介质 |
WO2019237450A1 (zh) * | 2018-06-15 | 2019-12-19 | 深圳大学 | 物体功能性预测方法、计算机设备和存储介质 |
CN110837775A (zh) * | 2019-09-30 | 2020-02-25 | 合肥合工安驰智能科技有限公司 | 一种基于二值化网络的井下机车行人及距离检测方法 |
CN111160275A (zh) * | 2019-12-30 | 2020-05-15 | 深圳元戎启行科技有限公司 | 行人重识别模型训练方法、装置、计算机设备和存储介质 |
CN111428612A (zh) * | 2020-03-19 | 2020-07-17 | 深圳力维智联技术有限公司 | 行人重识别方法、终端、装置及存储介质 |
CN111582094A (zh) * | 2020-04-27 | 2020-08-25 | 西安交通大学 | 并行选取超参数设计多分支卷积神经网络识别行人的方法 |
CN111783624A (zh) * | 2020-06-29 | 2020-10-16 | 厦门市美亚柏科信息股份有限公司 | 一种保留平移不变性的行人重识别方法、装置及存储介质 |
CN112307868A (zh) * | 2019-07-31 | 2021-02-02 | 百度(美国)有限责任公司 | 图像识别方法、电子设备和计算机可读介质 |
CN112347957A (zh) * | 2020-11-12 | 2021-02-09 | 广联达科技股份有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN112417932A (zh) * | 2019-08-23 | 2021-02-26 | 中移雄安信息通信科技有限公司 | 视频中的目标对象的识别方法、装置及设备 |
CN113312946A (zh) * | 2020-02-27 | 2021-08-27 | 敦泰电子(深圳)有限公司 | 指纹图像的特征提取方法、装置及计算机可读存储介质 |
CN113610114A (zh) * | 2021-07-09 | 2021-11-05 | 广州大学 | 一种车辆重识别方法、系统、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984915A (zh) * | 2014-02-28 | 2014-08-13 | 中国计量学院 | 一种监控视频中行人重识别方法 |
CN106250870A (zh) * | 2016-08-16 | 2016-12-21 | 电子科技大学 | 一种联合局部和全局相似性度量学习的行人再识别方法 |
CN107169106A (zh) * | 2017-05-18 | 2017-09-15 | 珠海习悦信息技术有限公司 | 视频检索方法、装置、存储介质及处理器 |
-
2017
- 2017-10-20 CN CN201710982219.XA patent/CN107844753A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984915A (zh) * | 2014-02-28 | 2014-08-13 | 中国计量学院 | 一种监控视频中行人重识别方法 |
CN106250870A (zh) * | 2016-08-16 | 2016-12-21 | 电子科技大学 | 一种联合局部和全局相似性度量学习的行人再识别方法 |
CN107169106A (zh) * | 2017-05-18 | 2017-09-15 | 珠海习悦信息技术有限公司 | 视频检索方法、装置、存储介质及处理器 |
Non-Patent Citations (2)
Title |
---|
WEI LI ET AL.: "Person Re-Identification by Deep Joint Learning of Multi-Loss Classification", 《ARXIV》 * |
朱奇光 等: "基于全局特征与局部特征的图像分级匹配算法研究及应用", 《中国机械工程》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108764308B (zh) * | 2018-05-16 | 2021-09-14 | 中国人民解放军陆军工程大学 | 一种基于卷积循环网络的行人重识别方法 |
CN108764308A (zh) * | 2018-05-16 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种基于卷积循环网络的行人重识别方法 |
CN108765506B (zh) * | 2018-05-21 | 2021-01-29 | 上海交通大学 | 基于逐层网络二值化的压缩方法 |
CN108765506A (zh) * | 2018-05-21 | 2018-11-06 | 上海交通大学 | 基于逐层网络二值化的压缩方法 |
CN109101865A (zh) * | 2018-05-31 | 2018-12-28 | 湖北工业大学 | 一种基于深度学习的行人重识别方法 |
US11288538B2 (en) | 2018-06-15 | 2022-03-29 | Shenzhen University | Object functionality predication methods, computer device, and storage medium |
WO2019237450A1 (zh) * | 2018-06-15 | 2019-12-19 | 深圳大学 | 物体功能性预测方法、计算机设备和存储介质 |
CN109145766B (zh) * | 2018-07-27 | 2021-03-23 | 北京旷视科技有限公司 | 模型训练方法、装置、识别方法、电子设备及存储介质 |
CN109145766A (zh) * | 2018-07-27 | 2019-01-04 | 北京旷视科技有限公司 | 模型训练方法、装置、识别方法、电子设备及存储介质 |
CN109101913A (zh) * | 2018-08-01 | 2018-12-28 | 北京飞搜科技有限公司 | 行人重识别方法和装置 |
CN109657533A (zh) * | 2018-10-27 | 2019-04-19 | 深圳市华尊科技股份有限公司 | 行人重识别方法及相关产品 |
CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
CN109711267A (zh) * | 2018-12-03 | 2019-05-03 | 浙江大华技术股份有限公司 | 一种行人重识别、行人运动轨迹生成方法及装置 |
CN109658445A (zh) * | 2018-12-14 | 2019-04-19 | 北京旷视科技有限公司 | 网络训练方法、增量建图方法、定位方法、装置及设备 |
CN109784182A (zh) * | 2018-12-17 | 2019-05-21 | 北京飞搜科技有限公司 | 行人重识别方法和装置 |
CN109784186B (zh) * | 2018-12-18 | 2020-12-15 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN109784186A (zh) * | 2018-12-18 | 2019-05-21 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN109871749B (zh) * | 2019-01-02 | 2021-07-16 | 上海高重信息科技有限公司 | 一种基于深度哈希的行人重识别方法和装置、计算机系统 |
CN109871749A (zh) * | 2019-01-02 | 2019-06-11 | 上海高重信息科技有限公司 | 一种基于深度哈希的行人重识别方法和装置、计算机系统 |
CN109784295A (zh) * | 2019-01-25 | 2019-05-21 | 佳都新太科技股份有限公司 | 视频流特征识别方法、装置、设备及存储介质 |
CN109784295B (zh) * | 2019-01-25 | 2020-12-25 | 佳都新太科技股份有限公司 | 视频流特征识别方法、装置、设备及存储介质 |
CN109886245A (zh) * | 2019-03-02 | 2019-06-14 | 山东大学 | 一种基于深度学习级联神经网络的行人检测识别方法 |
CN110110755A (zh) * | 2019-04-04 | 2019-08-09 | 长沙千视通智能科技有限公司 | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 |
CN110110755B (zh) * | 2019-04-04 | 2021-02-26 | 长沙千视通智能科技有限公司 | 基于ptgan区域差距与多重分支的行人重识别检测方法及装置 |
US11379696B2 (en) | 2019-04-29 | 2022-07-05 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Pedestrian re-identification method, computer device and readable medium |
CN110175527A (zh) * | 2019-04-29 | 2019-08-27 | 北京百度网讯科技有限公司 | 行人再识别方法及装置、计算机设备及可读介质 |
CN110309855A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像分割的训练方法、计算机设备及存储介质 |
CN112307868B (zh) * | 2019-07-31 | 2024-04-19 | 百度(美国)有限责任公司 | 图像识别方法、电子设备和计算机可读介质 |
CN112307868A (zh) * | 2019-07-31 | 2021-02-02 | 百度(美国)有限责任公司 | 图像识别方法、电子设备和计算机可读介质 |
CN112417932A (zh) * | 2019-08-23 | 2021-02-26 | 中移雄安信息通信科技有限公司 | 视频中的目标对象的识别方法、装置及设备 |
CN112417932B (zh) * | 2019-08-23 | 2023-04-07 | 中移雄安信息通信科技有限公司 | 视频中的目标对象的识别方法、装置及设备 |
CN110837775A (zh) * | 2019-09-30 | 2020-02-25 | 合肥合工安驰智能科技有限公司 | 一种基于二值化网络的井下机车行人及距离检测方法 |
CN111160275B (zh) * | 2019-12-30 | 2023-06-23 | 深圳元戎启行科技有限公司 | 行人重识别模型训练方法、装置、计算机设备和存储介质 |
CN111160275A (zh) * | 2019-12-30 | 2020-05-15 | 深圳元戎启行科技有限公司 | 行人重识别模型训练方法、装置、计算机设备和存储介质 |
CN113312946A (zh) * | 2020-02-27 | 2021-08-27 | 敦泰电子(深圳)有限公司 | 指纹图像的特征提取方法、装置及计算机可读存储介质 |
CN111428612B (zh) * | 2020-03-19 | 2023-08-15 | 深圳力维智联技术有限公司 | 行人重识别方法、终端、装置及存储介质 |
CN111428612A (zh) * | 2020-03-19 | 2020-07-17 | 深圳力维智联技术有限公司 | 行人重识别方法、终端、装置及存储介质 |
CN111582094A (zh) * | 2020-04-27 | 2020-08-25 | 西安交通大学 | 并行选取超参数设计多分支卷积神经网络识别行人的方法 |
CN111783624B (zh) * | 2020-06-29 | 2023-03-24 | 厦门市美亚柏科信息股份有限公司 | 一种保留平移不变性的行人重识别方法、装置及存储介质 |
CN111783624A (zh) * | 2020-06-29 | 2020-10-16 | 厦门市美亚柏科信息股份有限公司 | 一种保留平移不变性的行人重识别方法、装置及存储介质 |
CN112347957A (zh) * | 2020-11-12 | 2021-02-09 | 广联达科技股份有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN113610114A (zh) * | 2021-07-09 | 2021-11-05 | 广州大学 | 一种车辆重识别方法、系统、计算机设备和存储介质 |
CN113610114B (zh) * | 2021-07-09 | 2023-08-08 | 广州大学 | 一种车辆重识别方法、系统、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844753A (zh) | 视频图像中的行人重识别方法、装置、存储介质及处理器 | |
CN111259850B (zh) | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN104392228B (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN105447529B (zh) | 一种服饰检测及其属性值识别的方法和系统 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
CN108875522A (zh) | 人脸聚类方法、装置和系统及存储介质 | |
CN109697434A (zh) | 一种行为识别方法、装置和存储介质 | |
CN106295502B (zh) | 一种人脸检测方法及装置 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
CN107423701A (zh) | 基于生成式对抗网络的人脸非监督特征学习方法及装置 | |
CN108416250A (zh) | 人数统计方法及装置 | |
CN108470138A (zh) | 用于目标检测的方法和装置 | |
KR20230107415A (ko) | 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을실행하기 위한 모바일 디바이스 | |
CN108734283A (zh) | 神经网络系统 | |
CN109919085B (zh) | 基于轻量型卷积神经网络的人人交互行为识别方法 | |
CN107545249A (zh) | 一种人群年龄识别方法及装置 | |
CN110287889A (zh) | 一种身份识别的方法及装置 | |
CN108280396A (zh) | 基于深度多特征主动迁移网络的高光谱图像分类方法 | |
CN106650615B (zh) | 一种图像处理方法及终端 | |
CN104134364B (zh) | 具有自我学习能力的实时交通标记识别方法及系统 | |
CN111368943A (zh) | 图像中对象的识别方法和装置、存储介质及电子装置 | |
CN109410211A (zh) | 一种图像中目标物体的分割方法及装置 | |
CN110826379A (zh) | 一种基于特征复用与YOLOv3的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180327 |
|
WD01 | Invention patent application deemed withdrawn after publication |