CN108171184B - 基于Siamese网络的用于行人重识别的方法 - Google Patents

基于Siamese网络的用于行人重识别的方法 Download PDF

Info

Publication number
CN108171184B
CN108171184B CN201810004094.8A CN201810004094A CN108171184B CN 108171184 B CN108171184 B CN 108171184B CN 201810004094 A CN201810004094 A CN 201810004094A CN 108171184 B CN108171184 B CN 108171184B
Authority
CN
China
Prior art keywords
network
images
resnet
image
training data
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.)
Active
Application number
CN201810004094.8A
Other languages
English (en)
Other versions
CN108171184A (zh
Inventor
伏长虹
高梽强
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.)
Haiyou (Nanjing) Technology Co.,Ltd.
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201810004094.8A priority Critical patent/CN108171184B/zh
Publication of CN108171184A publication Critical patent/CN108171184A/zh
Application granted granted Critical
Publication of CN108171184B publication Critical patent/CN108171184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Siamese网络的用于行人重识别的方法。方法为：首先使用两个完全相同的ResNet‑50卷积神经网络构成一个Siamese网络，包括预训练ResNet‑50网络、调整ResNet‑50网络、搭建形成一个Siamese网络、完善Siamese网络；然后预处理训练数据集，并用该训练数据集训练Siamese网络，最后将待查图像与训练数据集中的图像匹配成图像对，进行行人重识别，将两张图像的分类结果和两图像是否一致作为判别条件，判断训练数据集中哪些图像和待查图像属于同一个行人。本发明提高了图像深度特征的区分程度和行人进行重识别的准确率，减少了在大规模图像集中查询图像的查询时间。

Description

基于Siamese网络的用于行人重识别的方法
技术领域
本发明涉及计算机视觉技术领域，特别是一种基于Siamese网络的用于行人重识别的方法。
背景技术
近年来，随着视频监控系统大量普及，视频监控系统在打击犯罪、维护稳定实践中正发挥着越来越重要的作用，视频侦查已成为公安机关侦查办案的新手段。在视频侦查应用中，针对特定嫌疑目标(尤其是人)的检索是重要需求。目前这一过程主要通过人工完成，耗费大量的人力物力以及时间，影响侦查办案效率。特定目标监控视频检索的核心关键问题——行人重识别，是指判断不同监控摄像头下出现的行人图像是否属于同一行人。随着技术发展和应用需求的增加，这一问题正逐渐发展为学术研究和行业应用的热点。
为了在多摄像头画面下准确匹配同一行人，相关学者分别在时空线索、生物特征和外貌视觉特征的基础上开展行人重识别研究。虽然特定应用条件下人脸识别技术等于行人身份识别，然而在实际视频监控环境下，存在监控视频画面的分辨率较差、行人对象尺度较小以及行人对象姿态的随意性等因素，导致人脸、步态等生物特征难以提取。相对于时空线索和生物特征，行人的外貌视觉特征容易提取，并且具有一定的个体辨识力，而且在一定的时空范围内，行人对象往往不会换装。因此，现有研究大多采用行人图像的外貌特征。
在现有基于外貌的行人重识别研究中，研究者围绕特征提取及相似性度量发展了许多方法。特征提取的重点在于设计鲁棒可靠的行人图像特征表示模型，即能够区分不同行人，同时能够不受光照和视角变化的影响；相似性度量的重点在于学习符合行人图像特征分布特性的距离函数，从而使同一行人图像特征距离较小，不同行人图像特征距离较大。然而，这些方法应用到实际监控业务中仍存在不足，由于行人重识别问题中的图片来源于不同的摄像头，摄像头所处的角度、光照等环境的影响，使同一个行人的不同图片中，外貌特征会有一定程度的变化，而不同行人的外貌特征可能比同一个人的外貌特征更相似。
为了尽量减少不可控监控环境因素的干扰，现有的行人重识别技术不得不在每个监控点的识别结果中都提供一组图像供人选择，再通过交互的相关反馈方法提炼识别结果。这种处理方式不仅增加了人工研判的工作量、降低了视频分析的自动化程度，而且，由于视角和光照差异，行人的外貌特征会发生很大的变化，可能导致提供的排序靠前的结果可信度却更低。
发明内容
本发明的目的在于提供一种基于Siamese网络的用于行人重识别的方法，通过结合卷积神经网络去获取图像特征并得出图像间的相似度，以提高识别的准确率。
实现本发明目的的技术解决方案为：一种基于Siamese网络的用于行人重识别的方法，包括以下步骤：
步骤1，预训练ResNet-50网络：将ImageNet数据集作为训练数据集，训练一个ResNet-50网络，使ResNet-50网络具有初始值；
步骤2，调整ResNet-50网络：将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层，在该卷积层后再加上一个softmax层进行归一化操作；
步骤3，搭建形成一个Siamese网络：将步骤2所得的ResNet-50网络进行复制，然后将两个ResNet-50网络做并行连接，形成一个Siamese网络；
步骤4，完善Siamese网络：将步骤2中的两个1*1*4096*n卷积层数据输入到一个平方层中，平方层后依次加入一个1*1*4096*2的卷积层和一个softmax层，组成一个完整的Siamese网络；
步骤5，预处理训练数据集：将训练数据集中的所有图像进行随机剪裁，得到一组尺寸为224*224的训练数据集，将剪裁后得到的训练数据集顺序打乱，从中抽取相同和不同类别的图像，组成新的训练数据集；
步骤6，训练Siamese网络：使用步骤5中所得的训练数据集，训练步骤4中的Siamese网络，利用随机梯度下降法求解损失函数，对网络中的参数进行升级优化；
步骤7，将待查图像与训练数据集中的图像匹配成图像对：使用训练好的模型进行行人识别，将一幅待查图像作为Siamese网络的一个输入，将训练数据集中的图像作为Siamese网络的另一个输入，与待查图像匹配成图像对，并得到Siamese网络对两图像的判别和分类结果；
步骤8：进行行人重识别：将两张图像的分类结果和两图像是否一致作为判别条件，判断训练数据集中哪些图像和待查图像属于同一个行人。
进一步地，步骤1所述的预训练ResNet-50网络，采用dropout或BatchNormalization方法对图像进行优化，使ResNet-50网络具备图像特征提取的能力。
进一步地，步骤2所述的调整ResNet-50网络，具体为：
将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层，其中n为训练数据集中图像所属标签总数，经过了这个卷积层后，得到一个1*1*n大小的张量，然后将这个张量输入一个softmax层中进行归一化处理。
进一步地，步骤4所述的完善Siamese网络，具体如下：
步骤2中卷积层的输入即ResNet-50网络的输出，是一个大小为1*1*4096的张量，这个张量表示ResNet-50网络对输入图像提取的特征；将两个ResNet-50网络提取的图像特征通过平方层做相减平方处理，得到两图像的相似度，再通过一个1*1*4096*2的卷基层和一个softmax层，然后将结果归一化处理。
进一步地，步骤6所述的训练Siamese网络，具体如下：
将步骤5中生成的新训练集输入到Siamese网络中进行训练，损失函数分为三个部分：两个ResNet-50网络的交叉熵和经过平方层输出的交叉熵，交叉熵表达式如下：
Figure BDA0001538038110000031
其中，K为输入图像的个数，i为输入图像的编号，p为这幅图像所属的真实标签，
Figure BDA0001538038110000032
为通过卷积神经网络分类的概率结果；
然后使用随机梯度法对三个损失函数的和求最优解，从而对相应参数优化升级。
进一步地，步骤8所述的进行行人重识别，具体如下：
步骤4中所构建的Siamese网络具备两个功能：对输入图像分类，度量两个输入图像的相似度；如果两图像的分类结果同属一类并且两图像的判别结果为1，那么训练数据集中的图像和待查询图像是同一个行人；如果两图像的分类结果同属一类或者两图像的判别结果为0，则不是同一个行人。
本发明与现有技术相比，其显著优点为：(1)提高了图像深度特征的区分程度和行人进行重识别的准确率；(2)减少了在大规模图像集中查询图像的查询时间。
附图说明
图1为本发明基于Siamese网络的用于行人重识别的方法的流程示意图。
图2为本发明基于Siamese网络的用于行人重识别的方法的系统结构示意图。
具体实施方式
本发明利用经过预训练的ResNet-50网络对图像进行特征提取，为了度量图像间的相似程度，使用了两个相同的ResNet-50网络构成一个Siamese网络，然后使用训练数据集对这个Siamese网络进行训练，这个Siamese网络可以对输入图像进行标签分类，还可以完成两图像间相似程度的度量。
结合图1～2，本发明基于Siamese网络的用于行人重识别的方法，包括以下步骤：
步骤1：预训练ResNet-50网络：将ImageNet数据集作为训练数据集，训练一个ResNet-50网络，使ResNet-50网络具有理想的初始值；理想的初始值是指具备一定学习图像特征的能力；
步骤2：微调ResNet-50网络：将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层，在卷积层后再加上一个softmax层进行归一化操作；
步骤3：搭建形成一个Siamese网络：将步骤2所得的ResNet-50网络进行复制，然后将两个ResNet-50网络做并行连接，形成一个Siamese网络；
步骤4：完善Siamese网络：将步骤2中的两个1*1*4096*n卷积层数据输入到一个平方层中，平方层后依次加入一个1*1*4096*2的卷基层和一个softmax层，组成一个完整的Siamese网络；
步骤5：预处理训练数据集：将训练数据集中的所有图像进行随机剪裁，得到一组尺寸为224*224的训练数据集，将剪裁后得到的训练数据集顺序打乱，从中抽取相同和不同类别的图像，将相同行人的图像抽取出多对，不同行人的图像抽出多对，组成新的训练数据集；
步骤6：训练Siamese网络：使用步骤5中所得的训练数据集，训练步骤4中的Siamese网络，利用随机梯度下降法求解损失函数，对网络中的参数进行升级优化；
步骤7：将待查图像与训练数据集中的图像匹配成图像对：使用训练好的模型进行行人识别，将一幅待查图像作为Siamese网络的一个输入，将训练数据集中的图像作为Siamese网络的另一个输入，与待查图像匹配成图像对，并得到Siamese网络对两图像的判别和分类结果；
步骤8：进行行人重识别：将两张图像的分类结果和两图像是否一致作为判别条件，判断训练数据集中哪些图像和待查图像属于同一个行人。
进一步地，步骤1中所述的预训练ResNet-50网络，采用dropout或BatchNormalization方法对图像进行优化，使ResNet-50网络具备图像特征提取的能力。
进一步地，步骤2所述的微调ResNet-50网络，具体为：
将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层，其中n为训练数据集中图像所属标签总数，经过了这个卷积层后，得到一个1*1*n大小的张量，然后将这个张量输入一个softmax层中进行归一化处理。
进一步地，步骤4所述的完善Siamese网络，具体如下：
步骤2中卷积层的输入即ResNet-50网络的输出，是一个大小为1*1*4096的张量，这个张量表示ResNet-50网络对输入图像提取的特征；将两个ResNet-50网络提取的图像特征通过平方层做相减平方处理，得到两图像的相似度，再通过一个1*1*4096*2的卷基层和一个softmax层，然后将结果归一化处理。
进一步地，步骤6所述的训练Siamese网络，具体如下：
将步骤5中生成的新训练集输入到Siamese网络中进行训练，损失函数分为三个部分：两个ResNet-50网络的交叉熵和经过平方层输出的交叉熵，交叉熵表达式如下：
Figure BDA0001538038110000051
K为输入图像的个数，p为这幅图像所属的真实标签，
Figure BDA0001538038110000052
为通过卷积神经网络分类的概率结果；
然后使用随机梯度法对三个损失函数的和求最优解，以对相应参数优化升级。
进一步地，步骤8所述的进行行人重识别，具体如下：
步骤4中所构建的Siamese网络具备两个功能：对输入图像分类，度量两个输入图像的相似度；如果两图像的分类结果同属一类并且两图像的判别结果为1，那么训练数据集中的图像和待查询图像是同一个行人；如果两图像的分类结果同属一类或者两图像的判别结果为0，则不是同一个行人。
综上所述，本发明使用自定义的Siamese网络提取行人图像中的深度特征值，并计算图像间的相似程度。首先用ImageNet网络对Siamese网络中的ResNet-50网络进行预训练，使网络具有一定的提取图像特征的能力；然后将ResNet-50网络的输出层替换为一个卷机层，复制这个ResNet-50网络并将其并行连接，对替换的卷积层的两个输入做一个差平方层，用来计算两图像深度特征的相似程度，形成了一个完善的Siamese网络；最后使用训练图像集对Siamese网络进行训练。训练完成的Siamese网络能够提高对图像深度特征的区分程度，进而提高对行人进行重识别的准确率。

Claims (6)

1.一种基于Siamese网络的用于行人重识别的方法，其特征在于，包括以下步骤：
步骤1，预训练ResNet-50网络：将ImageNet数据集作为训练数据集，训练一个ResNet-50网络，使ResNet-50网络具有初始值；
步骤2，调整ResNet-50网络：将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层，在该卷积层后再加上一个softmax层进行归一化操作；
步骤3，搭建形成一个Siamese网络：将步骤2所得的ResNet-50网络进行复制，然后将两个ResNet-50网络做并行连接，形成一个Siamese网络；
步骤4，完善Siamese网络：将步骤2中的两个1*1*4096*n卷积层数据输入到一个平方层中，平方层后依次加入一个1*1*4096*2的卷积层和一个softmax层，组成一个完整的Siamese网络；
步骤5，预处理训练数据集：将训练数据集中的所有图像进行随机剪裁，得到一组尺寸为224*224的训练数据集，将剪裁后得到的训练数据集顺序打乱，从中抽取相同和不同类别的图像，组成新的训练数据集；
步骤6，训练Siamese网络：使用步骤5中所得的训练数据集，训练步骤4中的Siamese网络，利用随机梯度下降法求解损失函数，对网络中的参数进行升级优化；
步骤7，将待查图像与训练数据集中的图像匹配成图像对：使用训练好的模型进行行人识别，将一幅待查图像作为Siamese网络的一个输入，将训练数据集中的图像作为Siamese网络的另一个输入，与待查图像匹配成图像对，并得到Siamese网络对两图像的判别和分类结果；
步骤8：进行行人重识别：将两张图像的分类结果以及两图像是否一致这两部分作为判别条件，判断训练数据集中哪些图像和待查图像属于同一个行人。
2.根据权利要求1所述的基于Siamese网络的用于行人重识别的方法，其特征在于，步骤1所述的预训练ResNet-50网络，采用dropout或Batch Normalization方法对图像进行优化，使ResNet-50网络具备图像特征提取的能力。
3.根据权利要求1所述的基于Siamese网络的用于行人重识别的方法，其特征在于，步骤2所述的调整ResNet-50网络，具体为：
将ResNet-50网络的softmax输出层替换为一个大小为1*1*4096*n的卷积层，其中n为训练数据集中图像所属标签总数，经过了这个卷积层后，得到一个1*1*n大小的张量，然后将这个张量输入一个softmax层中进行归一化处理。
4.根据权利要求1所述的基于Siamese网络的用于行人重识别的方法，其特征在于，步骤4所述的完善Siamese网络，具体如下：
步骤2中卷积层的输入即ResNet-50网络的输出，是一个大小为1*1*4096的张量，这个张量表示ResNet-50网络对输入图像提取的特征；将两个ResNet-50网络提取的图像特征通过平方层做相减平方处理，得到两图像的相似度，再通过一个1*1*4096*2的卷基层和一个softmax层，然后将结果归一化处理。
5.根据权利要求1所述的基于Siamese网络的用于行人重识别的方法，其特征在于，步骤6所述的训练Siamese网络，具体如下：
将步骤5中生成的新训练集输入到Siamese网络中进行训练，损失函数分为三个部分：两个ResNet-50网络的交叉熵和经过平方层输出的交叉熵，交叉熵表达式如下：
Figure FDA0002147538280000021
其中，K为输入图像的个数，i为输入图像的编号，p为这幅图像所属的真实标签，
Figure FDA0002147538280000022
为通过卷积神经网络分类的概率结果；
然后使用随机梯度法对损失函数三个部分的和求最优解，从而对相应参数优化升级。
6.根据权利要求1所述的基于Siamese网络的用于行人重识别的方法，其特征在于，步骤8所述的进行行人重识别，具体如下：
步骤4中所构建的Siamese网络具备两个功能：对输入图像分类，度量两个输入图像的相似度；如果两图像的分类结果同属一类并且两图像的判别结果为1，那么训练数据集中的图像和待查询图像是同一个行人；否则不是同一个行人。
CN201810004094.8A 2018-01-03 2018-01-03 基于Siamese网络的用于行人重识别的方法 Active CN108171184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810004094.8A CN108171184B (zh) 2018-01-03 2018-01-03 基于Siamese网络的用于行人重识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810004094.8A CN108171184B (zh) 2018-01-03 2018-01-03 基于Siamese网络的用于行人重识别的方法

Publications (2)

Publication Number Publication Date
CN108171184A CN108171184A (zh) 2018-06-15
CN108171184B true CN108171184B (zh) 2020-04-10

Family

ID=62517228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810004094.8A Active CN108171184B (zh) 2018-01-03 2018-01-03 基于Siamese网络的用于行人重识别的方法

Country Status (1)

Country Link
CN (1) CN108171184B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921107B (zh) * 2018-07-06 2021-10-01 北京市新技术应用研究所 基于排序损失和Siamese网络的行人再识别方法
CN108960331A (zh) * 2018-07-10 2018-12-07 重庆邮电大学 一种基于行人图像特征聚类的行人再识别方法
CN109117744A (zh) * 2018-07-20 2019-01-01 杭州电子科技大学 一种用于人脸验证的孪生神经网络训练方法
CN109102025A (zh) * 2018-08-15 2018-12-28 电子科技大学 基于深度学习联合优化的行人重识别方法
CN109492666B (zh) * 2018-09-30 2021-07-06 北京百卓网络技术有限公司 图像识别模型训练方法、装置及存储介质
CN109344787B (zh) * 2018-10-15 2021-06-08 浙江工业大学 一种基于人脸识别与行人重识别的特定目标跟踪方法
CN109583379A (zh) * 2018-11-30 2019-04-05 常州大学 一种基于随机擦除行人对齐网络的行人重识别方法
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
CN109670555B (zh) * 2018-12-27 2023-07-07 吉林大学 基于深度学习的实例级行人检测和行人重识别系统
CN109767456A (zh) * 2019-01-09 2019-05-17 上海大学 一种基于SiameseFC框架和PFP神经网络的目标跟踪方法
CN109815908A (zh) * 2019-01-25 2019-05-28 同济大学 一种基于深度学习和重叠图像块间度量的行人再辨识方法
CN109885671B (zh) * 2019-02-28 2022-10-14 重庆邮电大学 基于多任务学习的问答方法
CN109919073B (zh) * 2019-03-01 2021-04-06 中山大学 一种具有光照鲁棒性的行人再识别方法
CN110084239B (zh) * 2019-04-10 2022-09-06 中国科学技术大学 降低离线手写数学公式识别时网络训练过拟合的方法
CN110070027A (zh) * 2019-04-17 2019-07-30 南京邮电大学 基于智能物联网系统的行人重识别方法
CN110516533B (zh) * 2019-07-11 2023-06-02 同济大学 一种基于深度度量的行人再辨识方法
CN110532884B (zh) * 2019-07-30 2024-04-09 平安科技（深圳）有限公司 行人重识别方法、装置及计算机可读存储介质
CN112686088A (zh) * 2019-10-20 2021-04-20 广东毓秀科技有限公司 基于行人重识别的跨镜头的行人检索方法
CN111931802A (zh) * 2020-06-16 2020-11-13 南京信息工程大学 基于Siamese网络结构融合中层特征的行人重识别方法
CN112559765B (zh) * 2020-12-11 2023-06-16 中电科大数据研究院有限公司 一种多源异构数据库语义集成方法
CN112861785B (zh) * 2021-03-09 2023-09-29 中山大学 一种基于实例分割和图像修复的带遮挡行人重识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184778A (zh) * 2015-08-25 2015-12-23 广州视源电子科技股份有限公司 一种检测方法及装置
CN105389562A (zh) * 2015-11-13 2016-03-09 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置
CN107220611A (zh) * 2017-05-23 2017-09-29 上海交通大学 一种基于深度神经网络的空时特征提取方法
CN107273872A (zh) * 2017-07-13 2017-10-20 北京大学深圳研究生院 用于图像或视频中行人重识别的深度判别网络模型方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184778A (zh) * 2015-08-25 2015-12-23 广州视源电子科技股份有限公司 一种检测方法及装置
CN105389562A (zh) * 2015-11-13 2016-03-09 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置
CN107220611A (zh) * 2017-05-23 2017-09-29 上海交通大学 一种基于深度神经网络的空时特征提取方法
CN107273872A (zh) * 2017-07-13 2017-10-20 北京大学深圳研究生院 用于图像或视频中行人重识别的深度判别网络模型方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DGD卷积神经网络行人重识别;杨忠桃，等;《中国计量大学学报》;20171231;第28卷(第4期);第504-508页 *
行人重识别研究综述;宋婉茹，等;《智能系统学报》;20171231;第12卷(第6期);第770-780页 *

Also Published As

Publication number Publication date
CN108171184A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN108171184B (zh) 基于Siamese网络的用于行人重识别的方法
CN107330396B (zh) 一种基于多属性和多策略融合学习的行人再识别方法
CN109558823B (zh) 一种以图搜图的车辆识别方法及系统
CN107153817B (zh) 行人重识别数据标注方法和装置
Salimi et al. Visual-based trash detection and classification system for smart trash bin robot
CN108090472B (zh) 基于多通道一致性特征的行人重识别方法及其系统
CN108596010B (zh) 行人重识别系统的实现方法
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN110427825A (zh) 基于关键帧与快速支持向量机融合的视频火焰识别方法
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN108960342B (zh) 基于改进Soft-Max损失函数的图像相似度计算方法
Wang et al. Recent advances in the application of deep learning methods to forestry
CN110008828B (zh) 基于差异正则化的成对约束成分分析度量优化方法
CN110728216A (zh) 一种基于行人属性自适应学习的无监督行人再识别方法
CN116359218B (zh) 一种工业聚集区大气污染移动监测系统
CN110858276A (zh) 一种识别模型与验证模型相结合的行人重识别方法
CN105654054A (zh) 基于半监督近邻传播学习和多视觉词典模型的智能视频分析方法
CN117434082A (zh) 用于硅胶制品生产线的质量检测方法及其系统
CN111461010A (zh) 一种基于模板跟踪的电力设备识别效率优化方法
CN114627424A (zh) 一种基于视角转化的步态识别方法和系统
CN109241315A (zh) 一种基于深度学习的快速人脸检索方法
CN116205905B (zh) 基于移动端的配电网施工安全及质量图像检测方法及系统
CN107563327B (zh) 一种基于自步反馈的行人重识别方法及系统
CN113673534B (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法

Legal Events

Date Code Title Description
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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230413

Address after: Room 1635, Yingying Building, No. 99 Tuanjie Road, Yanchuangyuan, Jiangbei New District, Nanjing City, Jiangsu Province, 210094

Patentee after: Haiyou (Nanjing) Technology Co.,Ltd.

Address before: 210094 Xuanwu District, Jiangsu, Xiaolingwei 200, Nanjing

Patentee before: NANJING University OF SCIENCE AND TECHNOLOGY