CN109271870B - 行人重识别方法、装置、计算机设备及存储介质 - Google Patents
行人重识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109271870B CN109271870B CN201810953984.3A CN201810953984A CN109271870B CN 109271870 B CN109271870 B CN 109271870B CN 201810953984 A CN201810953984 A CN 201810953984A CN 109271870 B CN109271870 B CN 109271870B
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- detection image
- vector
- longitudinal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 351
- 239000013598 vector Substances 0.000 claims abstract description 347
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 29
- 238000011176 pooling Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 101000703681 Homo sapiens Single-minded homolog 1 Proteins 0.000 description 2
- 101000616761 Homo sapiens Single-minded homolog 2 Proteins 0.000 description 2
- 102100031980 Single-minded homolog 1 Human genes 0.000 description 2
- 102100021825 Single-minded homolog 2 Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种行人重识别方法、装置、终端设备及存储介质,所述方法包括:获取原始图像,采用行人检测算法对原始图像进行检测,得到检测图像;将检测图像按照预设方式进行分块,得到检测图像块,并对每一检测图像块进行特征提取,得到检测图像的检测特征向量;获取M个基准特征向量,其中,每一基准特征向量是通过对基准图像按照预设方式进行分块得到基准图像块后,提取每一基准图像块的特征向量得到的,其中,M为正整数;计算检测特征向量和每一基准特征向量的向量相似度;根据向量相似度得到行人重识别结果。该行人重识别方法融合了行人图像的局部特征和全局特征的优点,提高了行人重识别的准确率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种行人重识别方法、装置、计算机设备及存储介质。
背景技术
行人重识别(Person re-identification,RE-ID)也称行人再识别,是指判断不同位置的摄像头在不同时刻拍摄到行人目标是否是同一人,可用于视频监控等方面。传统地,都是通过直接提取行人特征,并对提取的特征进行比对的方法以进行行人重识别。但是,由于摄像机所处环境的背景、光照、分辨率和角度等因素的影响,现有的行人重识别效果不好,识别准确率较低。
发明内容
本发明实施例提供一种行人重识别方法、装置、计算机设备及存储介质,以解决行人重识别准确率较低的问题。
一种行人重识别方法,包括:
获取原始图像,采用行人检测算法对所述原始图像进行检测,得到检测图像;
将所述检测图像按照预设方式进行分块,得到检测图像块,并对每一所述检测图像块进行特征提取,得到所述检测图像的检测特征向量;
获取M个基准特征向量,其中,每一所述基准特征向量是通过对基准图像按照所述预设方式进行分块得到基准图像块后,提取所述每一基准图像块的特征向量得到的,其中,M为正整数;
计算所述检测特征向量和每一所述基准特征向量的向量相似度;
根据所述向量相似度得到行人重识别结果。
一种行人重识别装置,包括:
检测图像获取模块,用于获取原始图像,采用行人检测算法对所述原始图像进行检测,得到检测图像;
检测特征向量获取模块,用于将所述检测图像按照预设方式进行分块,得到检测图像块,并对每一所述检测图像块进行特征提取,得到所述检测图像的检测特征向量;
基准特征向量获取模块,用于获取M个基准特征向量,其中,每一所述基准特征向量是通过对基准图像按照所述预设方式进行分块得到基准图像块后,提取所述每一基准图像块的特征向量得到的,其中,M为正整数;
相似度计算模块,用于计算所述检测特征向量和每一所述基准特征向量的向量相似度;
识别结果获取模块,用于根据所述向量相似度得到行人重识别结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述行人重识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述行人重识别方法的步骤。
上述行人重识别方法、装置、计算机设备及存储介质,通过行人检测算法对原始图像进行检测得到检测图像然后通过对检测图像和基准图像分块再进行特征提取,以便得到多个局部特征,由于局部特征更能凸显行人的细节特征,并且充分融合了检测图像和基准图像的局部特征和全局特征的优点,从而有利于提高后续行人重识别的准确率,接下来计算检测图像特征向量和每个基准图像特征向量的向量相似度,减小了行人匹配的计算量。最后根据向量相似度的大小排序得到相似度序列,基于该相似度序列确定行人重识别结果,优化了行人重识别过程中的识别阶段的算法的性能,并且方便获取更为准确的识别结果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的行人重识别方法的应用环境示意图;
图2是本发明实施例提供的行人重识别方法一示例图;
图3是本发明实施例提供的行人重识别方法的另一示例图;
图4是本发明实施例提供的行人重识别方法的另一示例图;
图5是本发明实施例提供的行人重识别方法的另一示例图;
图6是本发明实施例提供的行人重识别方法的另一示例图;
图7是本发明实施例提供的行人重识别方法的另一示例图;
图8是本发明实施例提供的行人重识别装置的一原理框图;
图9是本发明实施例提供的计算机设备的一示意图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的行人重识别方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务端进行通信,服务端接收客户端发送的原始图像,对该原始图像进行检测,得到检测图像,然后提取检测图像的检测特征向量以及预先存储在服务端的基准特征向量,进而计算检测特征向量和基准特征向量的向量相似度,根据向量相似度得到行人重识别结果。其中,客户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,以该方法应用于图1中的服务端为例进行说明,包括如下步骤:
S10:获取原始图像,采用行人检测算法对原始图像进行检测,得到检测图像。
其中,原始图像是指带有监控功能的摄像头拍摄的连续的多帧图像中的任意一帧图像。检测图像是指原始图像中包含有行人的图像。可以理解地,一帧图像中可能没有行人(如原始图像都是背景),也可能有多个行人。即检测图像可以为复数幅,若检测图像为复数幅,则分别对每一幅检测图像来执行本实施例的技术方案即可。
在一具体实施方式中,原始图像是从一个视频序列中获取得到的,客户端可以从视频序列中获取原始图像,再将原始图像发送到服务端,也可以直接将视频序列发送到服务端,服务端再从视频序列中获取原始图像,再采用行人检测算法对原始图像进行检测,得到检测图像。
其中,行人检测算法是指通过检测来判断图像或者视频序列中是否存在行人并给予精确定位的算法。具体地,行人检测算法可以是人工提取特征的行人检测算法,也可以基于神经网络的行人检测算法,还可以是基于深度学习的行人检测算法,优选地,本实施例中采用基于深度学习的行人检测算法。
值得说明的是,在一个具体实施方式中,采用行人检测算法对原始图像进行检测的步骤之后,还对原始图像中的行人按照一定的像素大小进行截取,截取后得到特定形状的图像即为检测图像,例如按照像素大小为1020x720的矩形框进行截取。检测图像形状是一致的,例如有M个(1,2,...,M)检测图像,检测图像1是像素大小为1020x720的矩形框,那么检测图像2到检测图像M也都是像素大小为1020x720的矩形框。
S20:将检测图像按照预设方式进行分块,得到检测图像块,并对每一检测图像块进行特征提取,得到检测图像的检测特征向量。
其中,预设方式是指预先设定的分块方式,如对检测图像水平划分的分块方式或者对检测图像垂直划分的分块方式。检测图像块是指将检测图像按照预设方式进行分块后得到的图像块。检测特征向量是指对每个检测图像块进行特征提取后得到的特征向量,可以理解地,检测图像块是检测图像的局部区域,检测图像是图像的全部区域,通过提取检测图像块的特征向量,能够更加凸显检测图像的局部细节特征,提高了后续行人重识别的准确率,同时在分块后,得到检测图像的特征向量,即检测图像的全局特征,可以较好地融合检测图像的局部特征和全局特征的优点。
本实施例中,通过对检测图像分块再进行特征提取,以便得到多个局部特征,由于局部特征更能凸显行人的细节特征,从而有利于提高后续行人重识别的准确率。
S30:获取M个基准特征向量,其中,每一基准特征向量是通过对基准图像按照预设方式进行分块得到基准图像块后,提取每一基准图像块的特征向量得到的,其中,M为正整数。
其中,基准图像是指包含有行人目标的标准图像,即在进行行人重识别过程中,用于与每个检测图像进行重识别的图像。基准图像块是指将检测图像进行分块后得到的图像块。检测特征向量是指对每个检测图像块进行特征提取后得到的特征向量。
M个基准图像与M个基准特征向量一一对应。值得说明的是,本实施例中的特征提取方法与步骤S20中的特征提取方法相同,并且进行分块的方式都是按照预设方式进行分块,以保证检测图像和基准图像在识别过程的度量标准一致,提高识别准确度。
S40:计算检测特征向量和每一基准特征向量的向量相似度。
其中,向量相似度是指两幅图像内容的相似程度,用于对两幅图像之间内容的相似程度进行打分,根据分数的高低来判断图像内容的相近程度。向量相似度可以是基于距离度量的标准进行相似度的测量(如标准距离),也可以是全参考的图像质量评价指标(如峰值信噪比),还可以是结构相似性(比如平均结果相似性),优选地,本实施例中向量相似度采用基于距离度量的标准进行相似度的测量,例如,以欧氏距离作为图像的向量相似度的判断标准,采用欧式距离计算量较小,可以提高检测图像与基准图像的向量相似度的计算速度。
S50:根据向量相似度得到行人重识别结果。
具体地,在计算检测特征向量和每一基准特征向量的向量相似度,得到检测图像与M个基准图像的M个向量相似度后,根据这M个向量相似度得到行人重识别结果。具体的,对这M个向量相似度按照数值由大到小的顺序进行排序组成相似度序列,从该相似度序列中获取位置最前的向量相似度,该位置最前的向量相似度对应的基准图像确定为与检测图像是同一行人。并将该检测图像对应的行人的行人标识作为行人重识别结果。其中,行人标识为基准图像对应的行人的身份标识。将相似度数值大的排在越靠前位置,使得行人重识别过程中的识别阶段的算法的性能越好,并且方便获取更为准确的识别结果。
本实施例中,通过行人检测算法对原始图像进行检测得到检测图像然后通过对检测图像和基准图像分块再进行特征提取,以便得到多个局部特征,由于局部特征更能凸显行人的细节特征,并且充分融合了检测图像和基准图像的局部特征和全局特征的优点,从而有利于提高后续行人重识别的准确率,接下来计算检测图像特征向量和每个基准图像特征向量的向量相似度,减小了行人匹配的计算量。最后根据向量相似度的大小得到行人重识别结果优化了行人重识别过程中的识别阶段的算法的性能,并且方便获取更为准确的识别结果。
在一实施例中,如图3所示,步骤S20中,将检测图像按照预设方式进行分块,得到检测图像块,并对每一检测图像块进行特征提取,得到检测图像的检测特征向量,具体包括如下步骤:
S21:将检测图像按照从上到下的顺序平均分成N块,得到N个检测图像块,其中,N为正整数。
其中,从上到下的顺序平均分成N块是指对检测图像从上到下进行划分成N块,且每块图像的分辨率是相同的。检测图像块是指检测图像划分后的检测图像的总称。具体地,检测图像是框选出来的行人图像,从上到下的顺序,即是从背景到头部再到脚部最后到背景的顺序。N是正整数,优选地,N为大于或者等于3的正整数。N的具体数值可以依据检测图像的分辨率进行选取,也可以依据行人位于检测图像的区域进行选取,还可以根据人体的具体部位进行选取,此处不做限制。
在一具体实施方式中,将整幅检测图像按照从上到下的顺序平均划分成10块,若检测图像块采用(i表示第i个检测图像,j表示10个区域中第j个检测图像块),例如/>表示第二个检测图像的第10个检测图像块。
由于本实施例中的检测图像都是按照相同像素大小框选出来的,是一个规则的矩形,所以采用平均分块的方式,能够更好的保留检测图像的包含更多有用信息的检测图像块,并且因为每一检测图像块的分辨率都相同,在后续计算过程中无需进行归一化,简化后续的识别过程。
S22:分别对N个检测图像块进行特征提取,得到N个检测图像块向量。
其中,检测图像块向量是指每一检测图像图像块的特征向量,用于表征每一检测图像块的图像信息特征的向量,包含了检测图像块的丰富局部细节局的特征信息。具体地,每一检测图像块对应一个检测图像块向量,通过对N个检测图像块进行特征提取,得到N个检测图像块向量,其中特征提取方法包括但不限于基于投影的特征向量(如PCA(PrincipalComponent Analysis,主成分分析)特征向量)、基于方向的特征向量(如HOG(Histogram ofOriented Gradient,梯度方向直方图)特征向量)和基于深度学习的特征向量(如卷积神经网络特征向量)等。特征向量能够以简单的数据表征图像信息,进一步地,通过对每一检测图像块进行特征提取,得到了N个检测图像块的特征向量,更好地凸显了检测图像的局部细节信息。
S23:将N个检测图像块向量串联后组成检测图像的检测特征向量。
其中,检测特征向量是指检测图像的特征向量,即检测图像的全局特征向量。串联是指对N个检测图像块向量合并成一个特征向量,从而得到检测特征向量。例如,N个检测图像块向量的表达式分别为[X1],[X2],[X3]...[XN],进行串联后,得到的检测特征向量的表达式为[X1,X2,X3...XN]。
本实施例中,通过对N个检测图像块向量串联后组成了检测特征向量,通过串联将局部特征向量组成全局特征向量,通过全局特征向量信息,准确地体现了行人图像整体特征,提高了后续识别匹配的准确率。
本实施例中,通过将检测图像按照从上到下的顺序平均分成N块,减少了后续匹配过程中的归一化的步骤。然后N个检测图像块进行特征提取,得到N个检测图像块向量,更好地凸显了检测图像的局部细节信息,最后将N个检测图像块向量串联后组成检测图像的检测准确地体现现了行人图像整体特征,提高了后续识别匹配的准确率,能够方便高效地对检测图像进行行人重识别。
在一实施例中,基准特征向量包括N个基准图像块向量;
其中,基准图像块向量是指将基准图像按照步骤S21的分块方式进行分块得到N个基准图像块后,并对基准图像块进行特征提取得到的基准图像块的特征向量。值得说明的是,本实施例中的特征提取方法与步骤S21-S23中的特征提取方法相同,并且都是按照预设方式进行分块,以保证检测图像和基准图像的识别过程的度量标准一致,提高识别准确度。
在这个实施例中,如图4所示,步骤S40中,计算检测特征向量和每一基准特征向量的向量相似度,具体包括如下步骤:
S41:按照分块位置计算每一检测图像块向量与对应的基准图像块向量的标准距离,得到N个标准距离。
其中,标准距离是指两幅图像特征向量之间的距离,例如,欧式距离、马氏距离或者曼哈顿距离等,用于衡量两幅图像的相似度。具体地,本实施例中的标准距离是指检测图像块向量与基准图像块的特征向量的距离。
在一具体实施方式中,N个检测图像块向量的表达式分别为[X1],[X2],[X3]...[XN],N个基准图像块向量的表达式分别为[Y1],[Y2],[Y3]...[YN],当标准距离选取欧式距离时,按照分块位置,N个标准距离的表达式分别为 该计算过程简单明了。
本实施例中,通过计算每个检测图像块向量和每个基准图像块向量的标准距离,减少了图像匹配过程中的计算量。
S42:将N个标准距离进行加权求和,得到检测图像与基准图像的向量相似度。
其中,向量相似度是衡量两幅图像的相似程度。加权是指对参与加权的参数赋予各自特定的权重,具体地,是指对N个标准距离赋予各自特定的权重,即各个标准距离分别乘以各自对应的权重,然后进行求和运算,从而得到检测图像和基准图像的相似度。
在一个图像(检测图像或者基准图像)中,不同图像块包含的像素点信息是不同的,一般来说,越接近中间区域位置的像素点信息就越能代表检测行人本身,而越边缘的像素点信息就更可能代表的是图像背景的像素点信息。因此,根据这一情况为不同局部图像块的局部向量距离设置不同的权值,优选地,中间区域的权值最大,两个边缘区域的权值最小,不同区域之间的权值可以按线性变化。
由步骤S41可知:N个标准距离的表达式分别为:
将其简化为:L1,L2,L3...LN,即Li(i=1,2,3...N),由此,可以得到检测图像与基准图像的相似度为:
其中,N为检测图像块的个数,Li为第i个检测图像块向量与第i个基准图像块向量的标准距离,ai为与Li对应的权值。
本实施例中通过给定每个标准距离的权值,充分考虑了每个检测图像块向量和对应的基准图像向量的标准距离在图像匹配识别过程中的细节信息,并且中间区域赋予较高权值,边缘区域赋予较低权值,从而扩大了有用信息(如行人本身特征信息)对图像识别的作用,减小了干扰信息(如背景特征信息)对识别的影响,进而提高了行人重识别的准确率。
本实施例中,首先通过计算每个检测图像块向量和每个基准图像块向量的标准距离,简化了图像匹配过程中的计算量,然后给定每个标准距离的权值并进行求和运算,从而扩大了有用信息对图像识别的作用,减小了干扰信息对识别的影响,进而提高了行人重识别的准确率。
在一实施例中,如图5所示,步骤S20中,将检测图像按照预设方式进行分块,得到检测图像块,并对每一检测图像块进行特征提取,得到检测图像的检测特征向量,具体包括如下步骤:
S21’:将检测图像按照从上到下的顺序平均分成N块,得到N个横向检测图像块。
其中,本实施例中的N个横向检测图像块的获取方式与步骤S21中的检测图像块的获取方式相同,此处不再赘述。
S22’:对N个横向检测图像块进行特征提取,得到N个横向检测图像块向量。
其中,本实施例中的N个横向检测图像块向量与步骤S22中的N个检测图像块向量的获取方式相同,此处不再赘述。
S23’:将检测图像按照从左到右的顺序平均分成K块,得到K个纵向检测图像块,其中,K为正整数。
其中,从左到右的顺序平均分成K块是指对检测图像从左到右进行划分成K块,且每块图像的分辨率是相同的,K为正整数,优选地,K为大于或者等于3的正整数。纵向检测图像块是指检测图像划分后的检测图像的总称。具体地,检测图像是框选出来的行人图像,从左到右的顺序,即是指从背景到行人再到背景的顺序。
优选地,本实施例中的K的大小与步骤S21’中N的大小一致,以便后续进行标准距离计算时,省去向量维度归一化的步骤,加快了图像匹配识别的速度。
在一具体实施方式中,将整幅检测图像按照从左到右的顺序平均划分成10块,若检测图像块采用(i表示第i个检测图像,j表示10个区域中第j个纵向检测图像块),例如,表示第二个检测图像的第10个纵向检测图像块。
由于本实施例中的检测图像都是按照相同像素大小框选出来的,是一个规则的矩形,所以采用平均分块的方式,能够更好的保留检测图像的包含更多有用信息的检测图像块,并且因为每一检测图像块的分辨率都相同,在后续计算过程中无需进行归一化,简化后续的识别过程。
S24’:对K个纵向检测图像块进行特征提取,得到K个纵向检测图像块向量。
其中,纵向检测图像块向量是指每一纵向检测图像图像块的特征向量,用于表征每一纵向检测图像块的图像信息特征的向量,包含了检测图像的丰富局部细节局的特征信息。具体地,每一检测图像块对应一个纵向检测图像块向量,通过对K个检测图像块进行特征提取,得到K个纵向检测图像块向量,其中特征提取方法包括但不限于基于投影的特征向量(如PCA(Principal Component Analysis,主成分分析)特征向量)、基于方向的特征向量(如HOG(Histogram of Oriented Gradient,梯度方向直方图)特征向量)和基于深度学习的特征向量(如卷积神经网络特征向量)等。特征向量能够以简单的数据表征图像信息,进一步地,通过对每一纵向检测图像块进行特征提取,得到了K个纵向检测图像块的特征向量,更好地凸显了检测图像的局部细节信息。
S25’:将N个横向检测图像块向量串联后组成检测图像的横向检测特征向量,并将K个纵向检测图像块向量串联后组成检测图像的纵向检测特征向量。
其中,横向检测特征向量是指将检测图像按照从上到下平均分块方式进行划分后的提取的特征向量,即检测图像的全局特征向量。纵向检测特征向量是指将检测图像按照从左到右平均分块方式进行划分后的提取的特征向量。串联是指对N个横向检测图像块向量或者K个纵向检测图像块向量合并成一个特征向量,从而得到检测特征向量。
本实施例中,通过对N个横向检测图像块向量串联后组成了横向检测图像全局特征向量,并且通过对K个纵向检测图像块向量串联后组成了纵向检测图像全局特征向量,通过提取两种分块方式下的全局特征向量信息,以便后续高效地融合横向检测图像块向量和纵向检测图像块向量,更加准确地体现了行人图像整体特征,提高了后续识别匹配的准确率。
S26’:将横向检测特征向量和纵向检测特征向量组成检测图像的检测特征向量。
具体地,横向检测特征向量能够体现行人各个身体部位特征,纵向检测特征向量能够很好的区分行人特征与背景信息特征,通过将横向检测特征向量和纵向检测特征向量组成检测图像的检测特征向量,使得检测特征向量的信息更加丰富,提高了行人重识别的准确率。
本实施例中,通过将检测图像按照从上到下的顺序平均分成N块,对N个横向检测图像块进行特征提取,得到N个横向检测图像块向量,然后将检测图像按照从左到右的顺序平均分成K块,对K个纵向检测图像块进行特征提取,得到K个纵向检测图像块向量,通过采用两种分块方式对每一检测图像块进行特征提取,更好地凸显了检测图像的局部细节信息,接下来,将N个横向检测图像块向量串联后组成检测图像的横向检测特征向量,并将K个纵向检测图像块向量串联后组成检测图像的纵向检测特征向量,提取了两种分块方式下的全局特征向量信息,更加准确地体现了行人图像整体特征,最后,将横向检测特征向量和纵向检测特征向量组成检测图像的检测特征向量,融合两种分块方式下检测图像的特征信息,使得检测特征向量的信息更加丰富,提高了行人重识别的准确率。
在一实施例中,基准特征向量包括横向基准特征向量和纵向基准特征向量;
其中,横向基准特征向量是指将基准图像按照从上到下的顺序平均分成N块,得到N块横向基准图像块,并对横向基准图像块进行特征提取后得到特征向量。纵向基准特征向量是指将基准图像按照从左到右的顺序平均分成K块,得到K块纵向基准图像块,并对纵向基准图像块进行特征提取后得到特征向量。具体地,横向基准特征向量的提取方式和步骤S21’-S22'相同,纵向基准特征向量的提取方式和步骤S23’-S24’相同,在此不再赘述。
在这个实施例中,如图6所示,步骤S40中,计算检测特征向量和每一基准特征向量的向量相似度,具体包括如下步骤:
S41’:按照分块位置计算每一横向检测图像块向量与对应的横向基准图像块向量的标准距离,得到N个横向标准距离。
其中,标准距离是指两幅图像特征向量之间的距离,例如,欧式距离、马氏距离或者曼哈顿距离等,用于衡量两幅图像的相似度。具体地,本实施例中的横向标准距离是指横向检测图像块向量与横向基准图像块的特征向量的距离。
S42’:按照分块位置计算每一纵向检测图像块向量与对应的纵向基准图像块向量的标准距离,得到K个纵向标准距离。
其中,纵向标准距离是指纵向检测图像块向量与纵向基准图像块的特征向量的距离。
本实施例中,通过计算每个横向检测图像块向量和每个横向基准图像块向量的横向标准距离以及每个纵向检测图像块向量和每个纵向基准图像块向量的纵向标准距离,减少了图像匹配过程中的计算量。
S43’:将N个横向标准距离进行加权求和,得到检测图像与基准图像的横向相似度,并将K个纵向标准距离进行加权求和,得到检测图像与基准图像的纵向相似度。
具体地,横向相似度是指横向检测图像特征向量与横向基准图像特征向量的相似程度,相同地,纵向相似度是指纵向检测图像特征向量与纵向基准图像特征向量的相似程度。
在一具体实施方式中,N个横向标准距离的表达式分别为:H1,H2,H3...HN,即Hi(i=1,2,3...N),由此,可以得到检测图像与基准图像的横向相似度为:
其中,SIM1为横向相似度,N为检测图像块的个数,Hi为第i个横向检测图像块向量与第i个横向基准图像块向量的标准距离,ai为与Hi对应的权值。
相同地,K个纵向标准距离的表达式分别为:V1,V2,V3...VK,即Vi(i=1,2,3...K),由此,可以得到检测图像与基准图像的纵向相似度为:
其中,SIM2为纵向相似度,N为检测图像块的个数,Vi为第i个纵向检测图像块向量与第i个纵向基准图像块向量的标准距离,bi为与Vi对应的权值。
本实施例中,通过计算两种分块方式下的检测图像和基准图像的相似度,以便后续融合两种分块方式下检测图像与基准图像相似度,提高行人重识别的准确率。
S44’:将横向相似度和纵向相似度分别乘以预设权值后进行求和再取平均值,得到检测图像与基准图像的向量相似度。
其中,预设权值是指预先设置好的权重。具体地,将横向相似度乘以预设权值,并且将纵向相似度乘以预设权值,得到结果进行相加后,再取平均值,即除以2,得到的结果为检测图像与基准图像的向量相似度。
由步骤S43’可知,SIM1为横向相似度,SIM2为纵向相似度,横向相似度,与纵向相似度分别对应的预设权值为c1和c2,则检测图像与基准图像的相似度可通过如下公式进行计算得到:
其中,S表示检测图像与基准图像的向量相似度。
本实施例中,首先通过计算每一横向检测图像块向量与每一横向基准图像块向量的标准距离,并计算每一纵向检测图像块向量与每一纵向基准图像块向量的标准距离,简化了图像匹配过程中的计算量,然后将N个横向标准距离进行加权求和,得到检测图像与基准图像的横向相似度,并将K个纵向标准距离进行加权求和,得到检测图像与基准图像的纵向相似度,从而扩大了有用信息对图像识别的作用,减小了干扰信息对识别的影响,最后,将横向相似度和纵向相似度分别乘以预设权值后进行求和再取平均值,得到的结果作为检测图像与基准图像的相似度,更好地融合了两种分块方式下行人重识别过程中相似度的计算的准确程度,进而提高了行人重识别的准确率。
在一实施例中,如图7所示,步骤S10中,采用行人检测算法对原始图像进行检测,得到检测图像,具体包括如下步骤:
S11:采用卷积神经网络提取原始图像中的行人卷积特征。
其中,卷积神经网络是一种由多个卷积层和全连接层构成的监督学习神经网络,用于提取有效特征,从而将有效特征用在不同任务中,如场景分类、目标检测和图像检索等任务。
卷积层的特征图个数是在网络初始化指定的,而卷积层的特征图的大小是由卷积核和上一层输入特征图的大小决定的,假设上一层的特征图大小是n*n、卷积核的大小是k*k,则该层的特征图大小是(n-k+1)*(n-k+1)。
具体地,将原始图像中包含有行人的图像输入到卷积神经网络后,通过卷积神经网络卷积层的卷积计算得到卷积层的特征图,即行人卷积特征。
S12:利用卷积神经网络的卷积层计算行人卷积特征,输出卷积神经网络卷积层的全连接层的特征,得到目标特征向量。
具体地,行人卷积特征包括浅层特征信息和深层特征信息,浅层特征信息是指卷积神经网络的前级的卷积层得到的特征图,深层特征信息是指卷积神经网络的后级的卷积层卷积得到的特征图信息。
在卷积神经网络中,全连接层用于将经过多个卷积层和池化层的图像特征图中的特征进行整合,获取图像特征具有的高层含义,之后用于图像分类。在一具体实施方式中,全连接层将卷积层产生的特征图的行人卷积特征映射成一个固定长度(本实施方式中为输入为行人集合数据库中的原始图像类别数,行人和非行人(背景),即固定长度为2)的特征向量。该特征向量包含了输入原始图像所有特征的组合信息,该向量将图像中含有最具有特点的图像特征保留了下来以此完成图像分类任务。
具体地,池化计算的方法很多,最常用的是最大池化(Max Pooling)方法和平均池化(mean pooling)方法。其中,最大池化方法是将特征图区域的最大值作为该区域池化后的值,也就是通过最大池化方法提取取各个特征图中目标特征的最大元素值作为池化结果。平均池化方法是计算特征图区域的平均值作为该区域的池化结果,例如,可以计算特征图的某个特定特征的平均值。全局池化层不仅不需要对参数优化,避免了过拟合,而且输出的池化结果相对于位置具有不变性,不同位置的输出共享参数。
对于图像深层信息的理解,采用卷积神经网络抽取图像目标中卷积特征,卷积神经网络会将上一阶段的随后卷积层计算完成特征抽取完成之后,将全连接层的输出直接作为的目标特征向量。
S13:利用支持向量机对目标特征向量进行分类,得到检测图像。
具体地,利用支持向量机的方法将数据进行最大间隔可能的划分,使得分类效果达到预期效果。基于图像分类任务是检测到行人图像,因此只需要对图像内容进行判定,计算输入图像具体所属类别数值(所属类别概率),将最有可能的类别输出即可完成分类任务,获取到检测图像。
本实施例中,通过采用卷积神经网络提取原始图像中的行人卷积特征,采用深度卷积神经网络进行特征提取,深度学习能够自动从检测图像的数据中学习,因此能够适用多种环境,提高了获取检测图像适应性,有利于检测图像后续处理。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种行人重识别装置,该行人重识别装置与上述实施例中行人重识别方法一一对应。如图8所示,该行人重识别装置包括检测图像获取模块10、检测特征向量获取模块20、基准特征向量获取模块30、相似度计算模块40和识别结果获取模块50。各功能模块详细说明如下:
检测图像获取模块10,用于获取原始图像,采用行人检测算法对原始图像进行检测,得到检测图像;
检测特征向量获取模块20,用于将检测图像按照预设方式进行分块,得到检测图像块,并对每一检测图像块进行特征提取,得到检测图像的检测特征向量;
基准特征向量获取模块30,用于获取M个基准特征向量,其中,每一基准特征向量是通过对基准图像按照预设方式进行分块得到基准图像块后,提取每一基准图像块的特征向量得到的,其中,M为正整数;
相似度计算模块40,用于计算检测特征向量和每一基准特征向量的向量相似度;
识别结果获取模块50,用于根据向量相似度得到行人重识别结果。
具体地,检测特征向量获取模块20包括检测图像块获取单元21、检测图像块向量获取单元22和检测特征向量获取单元23。
检测图像块获取单元21,用于将检测图像按照从上到下的顺序平均分成N块,得到N个检测图像块,其中,N为正整数;
检测图像块向量获取单元22,用于分别对N个检测图像块进行特征提取,得到N个检测图像块向量;
检测特征向量获取单元23,用于将N个检测图像块向量串联后组成检测图像的检测特征向量。
具体地,基准特征向量包括N个基准图像块向量;相似度计算模块40包括标准距离计算单元41和向量相似度获取单元42。
标准距离计算单元41,用于按照分块位置计算每一检测图像块向量与对应的基准图像块向量的标准距离,得到N个标准距离;
向量相似度获取单元42,用于将N个标准距离进行加权求和,得到检测图像与基准图像的向量相似度。
具体地,检测特征向量获取模块20包括横向检测图像块获取单元21’、横向检测图像块向量获取单元22’、纵向检测图像块获取单元23’、纵向检测图像块向量获取单元24’、纵向检测特征向量获取单元25’和检测特征向量获取单元26’。
横向检测图像块获取单元21’,用于将检测图像按照从上到下的顺序平均分成N块,得到N个横向检测图像块;
横向检测图像块向量获取单元22’,用于对N个横向检测图像块进行特征提取,得到N个横向检测图像块向量;
纵向检测图像块获取单元23’,用于将检测图像按照从左到右的顺序平均分成K块,得到K个纵向检测图像块,其中,K为正整数;
纵向检测图像块向量获取单元24’,用于对K个纵向检测图像块进行特征提取,得到K个纵向检测图像块向量;
纵向检测特征向量获取单元25’,用于将N个横向检测图像块向量串联后组成检测图像的横向检测特征向量,并将K个纵向检测图像块向量串联后组成检测图像的纵向检测特征向量;
检测特征向量获取单元26’,用于将横向检测特征向量和纵向检测特征向量组成检测图像的检测特征向量。
具体地,基准特征向量包括横向基准特征向量和纵向基准特征向量;相似度计算模块40包括横向标准距离获取单元41’、纵向标准距离获取单元42’、相似度获取单元43’和向量相似度获取单元44’。
横向标准距离获取单元41’,用于按照分块位置计算每一横向检测图像块向量与对应的横向基准图像块向量的标准距离,得到N个横向标准距离;
纵向标准距离获取单元42’,用于按照分块位置计算每一纵向检测图像块向量与对应的纵向基准图像块向量的标准距离,得到K个纵向标准距离;
相似度获取单元43’,用于将N个横向标准距离进行加权求和,得到检测图像与基准图像的横向相似度,并将K个纵向标准距离进行加权求和,得到检测图像与基准图像的纵向相似度;
向量相似度获取单元44’,用于将横向相似度和纵向相似度分别乘以预设权值后进行求和再取平均值,得到检测图像与基准图像的向量相似度。
具体地,检测图像获取模块10包括行人卷积特征获取单元11、目标向量获取单元12和检测图像获取单元13。
行人卷积特征获取单元11,用于采用卷积神经网络提取原始图像中的行人卷积特征;
目标向量获取单元12,用于利用卷积神经网络的卷积层计算行人卷积特征,输出卷积神经网络卷积层的全连接层的特征,得到目标特征向量;
检测图像获取单元13,用于利用支持向量机对目标特征向量进行分类,得到检测图像。
关于行人重识别装置的具体限定可以参见上文中对于行人重识别方法的限定,在此不再赘述。上述行人重识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基准图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种行人重识别方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例行人重识别方法的步骤,例如图2所示的步骤S10至步骤S50。或者,处理器执行计算机程序时实现上述实施例行人重识别装置的各模块/单元的功能,例如图8所示的模块10至模块50。为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例行人重识别方法的步骤,或者,计算机程序被处理器执行时实现上述实施例行人重识别装置的各模块/单元的功能,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
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,均应包含在本发明的保护范围之内。
Claims (5)
1.一种行人重识别方法,其特征在于,所述行人重识别方法包括:
获取原始图像,采用行人检测算法对所述原始图像进行检测,得到检测图像;
将所述检测图像按照预设方式进行分块,得到检测图像块,并对每一所述检测图像块进行特征提取,得到所述检测图像的检测特征向量;
获取M个基准特征向量,其中,每一所述基准特征向量是通过对基准图像按照所述预设方式进行分块得到基准图像块后,提取每一所述基准图像块的特征向量得到的,其中,M为正整数;
计算所述检测特征向量和每一所述基准特征向量的向量相似度;
根据所述向量相似度得到行人重识别结果;
其中,所述将所述检测图像按照预设方式进行分块,得到检测图像块,并对每一所述检测图像块进行特征提取,得到所述检测图像的检测特征向量,包括:
将所述检测图像按照从上到下的顺序平均分成N块,得到N个横向检测图像块;
对N个所述横向检测图像块进行特征提取,得到N个横向检测图像块向量;
将所述检测图像按照从左到右的顺序平均分成K块,得到K个纵向检测图像块,其中,K为正整数;
对K个所述纵向检测图像块进行特征提取,得到K个纵向检测图像块向量;
将N个所述横向检测图像块向量串联后组成所述检测图像的横向检测特征向量,并将K个所述纵向检测图像块向量串联后组成所述检测图像的纵向检测特征向量;
将所述横向检测特征向量和所述纵向检测特征向量组成所述检测图像的检测特征向量;
所述基准特征向量包括横向基准特征向量和纵向基准特征向量;
所述计算所述检测特征向量和每一所述基准特征向量的向量相似度,包括:
按照分块位置计算每一所述横向检测图像块向量与对应的横向基准图像块向量的标准距离,得到N个横向标准距离;
按照分块位置计算每一所述纵向检测图像块向量与对应的纵向基准图像块向量的标准距离,得到K个纵向标准距离;
将N个所述横向标准距离进行加权求和,得到所述检测图像与所述基准图像的横向相似度,并将K个所述纵向标准距离进行加权求和,得到所述检测图像与所述基准图像的纵向相似度;
将所述横向相似度和所述纵向相似度分别乘以预设权值后进行求和再取平均值,得到所述检测图像与所述基准图像的所述向量相似度。
2.如权利要求1所述的行人重识别方法,其特征在于,所述采用行人检测算法对所述原始图像进行检测,得到检测图像,包括:
采用卷积神经网络提取所述原始图像中的行人卷积特征;
利用所述卷积神经网络的卷积层计算所述行人卷积特征,输出卷积神经网络卷积层的全连接层的特征,得到目标特征向量;
利用支持向量机对所述目标特征向量进行分类,得到所述检测图像。
3.一种行人重识别装置,其特征在于,所述行人重识别装置包括:
检测图像获取模块,用于获取原始图像,采用行人检测算法对所述原始图像进行检测,得到检测图像;
检测特征向量获取模块,用于将所述检测图像按照预设方式进行分块,得到检测图像块,并对每一所述检测图像块进行特征提取,得到所述检测图像的检测特征向量;
基准特征向量获取模块,用于获取M个基准特征向量,其中,每一所述基准特征向量是通过对基准图像按照所述预设方式进行分块得到基准图像块后,提取每一所述基准图像块的特征向量得到的,其中,M为正整数;
相似度计算模块,用于计算所述检测特征向量和每一所述基准特征向量的向量相似度;
识别结果获取模块,用于根据所述向量相似度得到行人重识别结果;
其中,所述检测特征向量获取模块包括:
横向检测图像块获取单元,用于将检测图像按照从上到下的顺序平均分成N块,得到N个横向检测图像块;
横向检测图像块向量获取单元,用于对N个横向检测图像块进行特征提取,得到N个横向检测图像块向量;
纵向检测图像块获取单元,用于将检测图像按照从左到右的顺序平均分成K块,得到K个纵向检测图像块,其中,K为正整数;
纵向检测图像块向量获取单元,用于对K个纵向检测图像块进行特征提取,得到K个纵向检测图像块向量;
纵向检测特征向量获取单元,用于将N个横向检测图像块向量串联后组成检测图像的横向检测特征向量,并将K个纵向检测图像块向量串联后组成检测图像的纵向检测特征向量;
检测特征向量获取单元,用于将横向检测特征向量和纵向检测特征向量组成检测图像的检测特征向量;
所述相似度计算模块包括:
横向标准距离获取单元,用于按照分块位置计算每一横向检测图像块向量与对应的横向基准图像块向量的标准距离,得到N个横向标准距离;
纵向标准距离获取单元,用于按照分块位置计算每一纵向检测图像块向量与对应的纵向基准图像块向量的标准距离,得到K个纵向标准距离;
相似度获取单元,用于将N个横向标准距离进行加权求和,得到检测图像与基准图像的横向相似度,并将K个纵向标准距离进行加权求和,得到检测图像与基准图像的纵向相似度;
向量相似度获取单元,用于将横向相似度和纵向相似度分别乘以预设权值后进行求和再取平均值,得到检测图像与基准图像的向量相似度。
4.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述行人重识别方法。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述行人重识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810953984.3A CN109271870B (zh) | 2018-08-21 | 2018-08-21 | 行人重识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810953984.3A CN109271870B (zh) | 2018-08-21 | 2018-08-21 | 行人重识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271870A CN109271870A (zh) | 2019-01-25 |
CN109271870B true CN109271870B (zh) | 2023-12-26 |
Family
ID=65153876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810953984.3A Active CN109271870B (zh) | 2018-08-21 | 2018-08-21 | 行人重识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271870B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886242A (zh) * | 2019-03-01 | 2019-06-14 | 中国科学院重庆绿色智能技术研究院 | 一种行人重识别的方法及系统 |
CN109977823B (zh) * | 2019-03-15 | 2021-05-14 | 百度在线网络技术(北京)有限公司 | 行人识别跟踪方法、装置、计算机设备和存储介质 |
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 |
CN110163110B (zh) * | 2019-04-23 | 2023-06-06 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
CN109977928B (zh) * | 2019-04-25 | 2021-03-23 | 中国科学院自动化研究所 | 一种机器人目标行人检索方法 |
CN110263921B (zh) * | 2019-06-28 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种联邦学习模型的训练方法及装置 |
CN110334675B (zh) * | 2019-07-11 | 2022-12-27 | 山东大学 | 一种基于人体骨骼关键点分割和列卷积的行人重识别方法 |
CN110443174B (zh) * | 2019-07-26 | 2021-08-10 | 浙江大学 | 一种基于解耦自适应判别性特征学习的行人重识别方法 |
CN110390676A (zh) * | 2019-07-26 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 显微镜下医学染色图像的细胞检测方法、智能显微镜系统 |
CN110717885A (zh) * | 2019-09-02 | 2020-01-21 | 平安科技(深圳)有限公司 | 顾客数量的统计方法及装置、电子设备及可读存储介质 |
CN111611846A (zh) * | 2020-03-31 | 2020-09-01 | 北京迈格威科技有限公司 | 行人再识别方法、装置、电子设备及存储介质 |
CN111582036B (zh) * | 2020-04-09 | 2023-03-07 | 天津大学 | 可穿戴设备下基于形状和姿态的跨视角人物识别方法 |
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 |
CN111738362B (zh) * | 2020-08-03 | 2020-12-01 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
CN113627352A (zh) * | 2021-08-12 | 2021-11-09 | 塔里木大学 | 一种行人重识别方法和系统 |
WO2023060575A1 (zh) * | 2021-10-15 | 2023-04-20 | 中国科学院深圳先进技术研究院 | 图像识别方法、装置、电子设备及存储介质 |
CN113743387B (zh) * | 2021-11-05 | 2022-03-22 | 中电科新型智慧城市研究院有限公司 | 视频行人重识别方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001148019A (ja) * | 1999-06-01 | 2001-05-29 | Fujitsu Ltd | 移動物体間動作分類方法及び装置、画像認識装置並びに移動物体認識方法及び装置 |
CN105389589A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 一种基于随机森林回归的胸腔x光片肋骨检测方法 |
CN105426914A (zh) * | 2015-11-19 | 2016-03-23 | 中国人民解放军信息工程大学 | 一种面向位置识别的图像相似度检测方法 |
CN106469293A (zh) * | 2015-08-21 | 2017-03-01 | 上海羽视澄蓝信息科技有限公司 | 快速检测目标的方法及系统 |
CN107563344A (zh) * | 2017-09-18 | 2018-01-09 | 天津师范大学 | 一种基于语义区域测度学习的行人再识别方法 |
CN108108674A (zh) * | 2017-12-08 | 2018-06-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于关节点分析的行人再识别方法 |
CN108229444A (zh) * | 2018-02-09 | 2018-06-29 | 天津师范大学 | 一种基于整体和局部深度特征融合的行人再识别方法 |
-
2018
- 2018-08-21 CN CN201810953984.3A patent/CN109271870B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001148019A (ja) * | 1999-06-01 | 2001-05-29 | Fujitsu Ltd | 移動物体間動作分類方法及び装置、画像認識装置並びに移動物体認識方法及び装置 |
CN106469293A (zh) * | 2015-08-21 | 2017-03-01 | 上海羽视澄蓝信息科技有限公司 | 快速检测目标的方法及系统 |
CN105389589A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 一种基于随机森林回归的胸腔x光片肋骨检测方法 |
CN105426914A (zh) * | 2015-11-19 | 2016-03-23 | 中国人民解放军信息工程大学 | 一种面向位置识别的图像相似度检测方法 |
CN107563344A (zh) * | 2017-09-18 | 2018-01-09 | 天津师范大学 | 一种基于语义区域测度学习的行人再识别方法 |
CN108108674A (zh) * | 2017-12-08 | 2018-06-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于关节点分析的行人再识别方法 |
CN108229444A (zh) * | 2018-02-09 | 2018-06-29 | 天津师范大学 | 一种基于整体和局部深度特征融合的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
分层纹理特征和梯度特征融合的图像分类;李欢欢 等;河南科技大学学报(自然科学版);第36卷(第01期);第52-57页 * |
多方向显著性权值学习的行人再识别;陈莹 等;中国图象图形学报;第20卷(第12期);第1674-1683页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109271870A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271870B (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
US9292745B2 (en) | Object detection apparatus and method therefor | |
US9245206B2 (en) | Image processing apparatus and image processing method | |
JP6112801B2 (ja) | 画像認識装置及び画像認識方法 | |
CN109840524B (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
WO2019033569A1 (zh) | 眼球动作分析方法、装置及存储介质 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
WO2013086255A1 (en) | Motion aligned distance calculations for image comparisons | |
CN110069989B (zh) | 人脸图像处理方法及装置、计算机可读存储介质 | |
CN108875456B (zh) | 目标检测方法、目标检测装置和计算机可读存储介质 | |
WO2019007253A1 (zh) | 图像识别方法、装置及设备、可读介质 | |
CN111524145A (zh) | 图片智能裁剪方法、系统、计算机设备及存储介质 | |
JP6756406B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
WO2019102608A1 (en) | Image processing device, image processing method, and image processing program | |
CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
KR20130058286A (ko) | 보행자 검출기의 보행자 검출 방법 | |
CN112232140A (zh) | 人群计数方法、装置、电子设备及计算机存储介质 | |
US12002218B2 (en) | Method and apparatus with object tracking | |
JP2017129990A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN108875488B (zh) | 对象跟踪方法、对象跟踪装置以及计算机可读存储介质 |
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 |