CN109344787B - 一种基于人脸识别与行人重识别的特定目标跟踪方法 - Google Patents

一种基于人脸识别与行人重识别的特定目标跟踪方法 Download PDF

Info

Publication number
CN109344787B
CN109344787B CN201811196063.3A CN201811196063A CN109344787B CN 109344787 B CN109344787 B CN 109344787B CN 201811196063 A CN201811196063 A CN 201811196063A CN 109344787 B CN109344787 B CN 109344787B
Authority
CN
China
Prior art keywords
pedestrian
face
feature
recognition
library
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
CN201811196063.3A
Other languages
English (en)
Other versions
CN109344787A (zh
Inventor
赵云波
林建武
李灏
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201811196063.3A priority Critical patent/CN109344787B/zh
Publication of CN109344787A publication Critical patent/CN109344787A/zh
Application granted granted Critical
Publication of CN109344787B publication Critical patent/CN109344787B/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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Abstract

基于人脸识别与行人重识别的特定目标跟踪方法，首先训练基于特征融合与三重损失函数的行人重识别神经网络，建立追踪目标人脸库，人脸识别模块提取人脸库的人脸特征向量；然后检测监控画面中的行人，人脸识别模块提取监控画面中行人人脸特征，与人脸库特征向量比对相似度，人脸识别成功则保存由行人重识别模型得到的行人特征至行人库。人脸识别失败则进行行人重识别，比对行人特征与行人特征库的相似度。行人重识别成功则保存相似度高的行人特征至行人库，行人重识别失败则利用上下帧的时空相关性确定行人的身份。最终实现在监控中对特定目标实时、有效的跟踪。

Description

一种基于人脸识别与行人重识别的特定目标跟踪方法
技术领域
本发明涉及多目标跟踪领域，具体涉及监控视角下，对特定行人进行跟踪的方法。
背景技术
随着“平安城市”、“城市治安防控”等重大项目的推动，基于监控视频设备进行的精准定位、目标识别和特定目标跟踪等智能侦查技术，已经成为了新形势下维护国家安全和社会稳定的重要侦查手段。其中，跟踪跨镜监控中特定行人的技术显得尤为重要。
人脸识别与行人重识别是识别特定行人的关键技术。人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，人脸识别的优势在于人脸的唯一性和长期有效性，但由于监控视角下的人脸存在遮挡、角度不佳的问题，无法用人脸识别进行长时间跟踪；行人重识别是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，行人重识别的优势在于受遮挡影响小，但由于行人特征受服装影响较大，服装变换会导致目标的丢失，无法长时间跟踪。
发明内容
本发明要克服现有技术的上述缺点，基于特征融合与三重损失函数的行人重识别神经网络，提出一种基于人脸识别与行人重识别的特定目标跟踪方法，结合行人的时间相关性与空间相关性，在一定程度上解决了特定行人长时间跨镜跟踪的问题，可应用在追踪逃犯、寻找丢失儿童、分析特定目标行为等方面。
本发明解决其技术问题所采用的技术方案是：
一种基于人脸识别与行人重识别的特定目标跟踪方法，含有以下步骤：
步骤1.训练基于特征融合与三重损失函数的行人重识别神经网络：预训练ResNet50网络，改进ResNet50网络，拼接ResNet50中层特征向量和高层特征向量的融合特征作为输出的行人特征向量，并添加hard triplet、softmax和ring三重损失函数来构造行人重识别网络，预处理Market1501数据集，训练行人重识别网络；
步骤2.建立目标人脸库的：拍摄追踪目标的人脸，并以“姓名+序号”的图片名格式保存在本地的步骤；
步骤3.读取多源监控画面：rtsp协议读取监控画面并上传至服务器；
步骤4.检测行人：用训练好的Yolo3神经网络模型检测监控图片中的行人，得到所有行人在监控图片中的坐标，并根据坐标将行人从原始画面中裁剪出来；
步骤5.提取行人特征：加载训练好的行人重识别模型，将裁剪出的行人图片输入到该模型中，输出长度为3072的特征向量作为行人特征；
步骤6.人脸识别：人脸检测模块确定人脸位置，人脸识别模块提取人脸库和待识别行人的人脸特征，计算行人人脸与人脸库的相似度，行人身份匹配为人脸库中相似度最高且相似度大于阈值α的身份；
步骤7.行人重识别：人脸识别失败后，计算当前行人特征与行人特征库的欧式距离，行人身份匹配为行人特征库中欧式距离最短且欧氏距离小于阈值β的身份，并保存欧式距离小于阈值γ的行人特征；
步骤8.基于上下帧时空相关性进行跟踪：人脸识别和行人重识别都失败后，记录上一帧行人位置和行人标签，利用上下帧的时空相关性进行确定当前帧行人身份。
与现有技术相比，本发明技术方案的优点有：
(1)本发明结合人脸识别和行人重识别的优点，人脸识别弥补行人重识别易受服装影响缺点，行人重识别弥补人脸识别人脸易受遮挡影响的缺点，实现长时间跟踪特定目标的目的；
(2)甄选符合条件的行人特征添加至行人特征库，使行人特征库越来越丰富，可识别各个角度的目标行人，不受行人角度和姿势的影响。
附图说明
图1：本发明实施例1的基于特征融合与三重损失函数的行人重识别模型结构图；
图2：本发明实施例1的系统流程图；
图3：基于上下帧时空相关性跟踪方法的示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图和实施例对本发明作进一步的详细描述。
实施例1：
一种基于人脸识别与行人重识别的特定目标跟踪方法，含有以下步骤：
(1)训练基于特征融合与三重损失函数的行人重识别神经网络；
步骤11：预训练ResNet50网络；
利用ImageNet数据集作为训练数据集，训练1000分类的ResNet50网络，使ResNet50有理想的初始值，理想的初始值使行人重识别网络更容易收敛；
步骤12：改进ResNet50网络；
搭建基于ResNet50的特征融合网络。如图1所示，加载预训练模型参数，除去ResNet50的全连接层，将ResNet50中的res5a、res5b做全局平均池化，拼接得到两张特征图，用全连接层fc-1024作用在这张拼接特征图上得到长度为1024的特征向量，记为mid-level feature；同时，将ResNet50中的res5c也做全局平均池化，池化后展开得到长度为2048的特征向量，记为high-level feature。将mid-level feature和high-level feature拼接得到长度为3072的特征向量，记为final feature。
添加hard triplet损失函数。一种基于训练批量(Batch)的在线难样本采样方法，对于每一个训练批次，随机挑选P个ID的行人，每个行人随机挑选K张不同的图片，即一个batch含有P×K张图片。对于batch中的每一张图片a，挑选一个最难的正样本和一个最难的负样本和a组成一个三元组。定义和a为相同ID的图片集为A，剩下不同ID的图片集为B，则hard triplet损失表示为：
Figure GDA0002946440840000041
本发明中m设定为0.3。hard triplet损失会计算a和batch中的每一张图片在特征空间final feature的欧式距离，然后选出与a距离最远(最不像)的正样本p和距离最近(最像)的负样本n来计算三元组损失，hard triplet损失效果比传统的三元组损失要好；
添加softmax损失函数。softmax在分类问题上有非常好的表现，将每一个行人作为一个类别进行训练，Market1501训练集中共751个人，因此在final feature之后加一层全连接层，得到长度为751的fc-class。softmax loss作用于fc-class上；
添加ring损失函数。一种原用于人脸识别的辅助损失函数，Ring loss将特征final feature限制到缩放后的单位圆上，同时能保持凸性，来得到更稳健的特征。其定义如下：
Figure GDA0002946440840000042
这里λ取0.005，T为训练批次大小(P*K)，R是可训练参数，初始值为1。
步骤13：预处理Market1501数据集；
每一个训练批次，随机挑选P＝12个ID的行人，每个行人随机挑选K＝4张不同的图片，即一个batch含有P*K＝48张图片。图片随机裁剪成128*256大小，每张图片有概率地进行水平翻转，并归一化图片像素值；
步骤14：训练行人重识别网络：
加载预训练模型参数到本发明中修改过的ResNet50中，使用预处理过的数据集，三重损失值相加为最终损失值，利用Adam算法优化模型，迭代更新神经网络权重，直至模型收敛。最终，该模型在Market1501上取得rank1为92.2％的精度。
(2)建立目标人脸库；
步骤21：每个目标行人保存三张人脸图片，以“姓名+序号”的图片名保存。所有人保存在同一个文件夹下，一个人的库图片越多，检索起来越容易；
步骤22：在该文件夹下建立一个文本文件，文件内容为图片名和对应的人名，如：张三01.jpg张三。
(3)读取多源监控画面；
步骤31：开启多个子线程，每个线程对应一个监控设备，设备个数可增减；
步骤32：通过rtsp协议读取每个监控的每帧画面，传到服务器进行以下处理。
(4)行人检测；
步骤41：加载Yolo3模型，加载一次即可；
步骤42：将整帧图片送入Yolo3，得到行人的坐标位置，根据坐标从原始画面中裁剪出每个行人，逐个行人进行以下步骤。
(5)提取行人特征；
步骤51：加载训练好的行人重识别模型，加载一次即可；
步骤52：将行人图片送入行人重识别模型，一个行人得到一行长度为3072的特征向量,即图1中的final feature，该特征向量作为行人特征，在以下步骤中使用。
(6)人脸识别；
步骤61：调用face-recognition库的人脸识别模块提取人脸库的人脸特征向量，人脸库特征提取一次即可；
步骤62：调用face-recognition的人脸检测模块检测人脸，检测监控中行人面部是否可见，若面部检测成功，则继续以下步骤，否则，跳转至步骤(7)进行行人重识别。提取监控中行人的人脸特征向量C，分别求C与行人库中所有人脸相似度。假设人脸库中有特征向量记为D，其相似度计算公式为：
Figure GDA0002946440840000061
其中，dist为C与D的欧式距离；
步骤63：取其中相似度最高的值S；
步骤64：若S大于等于阈值α，本发明中α取0.77，则认为S对应的人脸与该行人匹配。即人脸识别成功，与此同时，保存该行人的行人特征和标签到行人特征库中，如图2所示，行人特征由步骤(5)得到。人脸识别成功则跳过步骤(7)和步骤(8)；
步骤65：若S小于阈值α，与该行人最相似的人脸相似度达不到阈值，即人脸识别失败，进入步骤(7)进行行人重识别；
步骤66：由于人脸遮挡严重，或者行人背对监控，无法检测到人脸而导致的人脸识别失败，进入步骤(7)进行行人重识别。
(7)行人重识别；
步骤71：当人脸识别失败时，利用行人特征进行识别。将步骤(5)得到的行人特征记为G，分别求G与行人特征库中每一个行人的欧式距离，欧式距离越小，相似度越高；
步骤72：取G与行人库中最短的欧氏距离，记为x，设置行人重识别阈值β＝115，保存至行人库的阈值γ＝60；
步骤73：若x<β，则该行人与最小欧式距离对应的标签相匹配，行人重识别成功，进入步骤(4)；否则，跳过步骤74进入步骤(8)；
步骤74：若x<γ，表示该行人特征与行人库中某一特征非常相似，即该行人属于目标行人的概率非常大，如图2所示，保存该行人特征至行人特征库。跳过步骤(8)。
(8)基于上下帧时空相关性进行跟踪；
步骤81：记录上一帧每个行人的位置坐标和身份标签(没有身份标签的记为‘None’)；
步骤82：假设人脸识别和行人重识别不能识别某一行人，将该行人记为W；
步骤83：如图3所示，计算行人W的位置框与上一帧每个行人位置框的重合度，重合度越高的，表示属于同一人的可能性越大。因此，认定行人W与上一帧中位置重合度最高的行人相匹配。
实施例2：
(1)选取实验数据；
考虑到多源视频监控视角下行人外观的差异性，选取行人重识别中常用的Market1501数据集作为训练数据，Market1501具体信息如表1所示。
表1 Market1501
Figure GDA0002946440840000071
其中，训练集中的行人不会在Gallery和Query中出现。Gallery和Query在测试中被使用，Query图片为待识别的行人图片，Gallery是查询库，Gallery中部分图片与Query图片属于相同行人，其余部分是为检验模型是否过拟合的非行人图片，即“垃圾”图片。
(2)模型选取；
由于行人重识别数据集采集困难，数据量普遍较小，没有百万级的数据集。小数据集在过深的网络中不能取得很好的效果，Resnet在图像识别的各个领域取得不错的性能，因此本发明选用Resnet50作为行人重识别的基础网络，而后对Resnet50进行改进，拼接ResNet50中层特征向量和高层特征向量的融合特征作为输出的行人特征向量，并添加hardtriplet、softmax和ring三重损失函数来构造行人重识别网络。
(3)实验结果；
实验结果用Cumulative Matching Characteristics(CMC)方法来度量。将Market1501数据集的Gallery所有图片输入到本发明的行人重识别网络中，提取finalfeature作为每张图片的特征向量。同样的方法提取Query待识别图片的特征向量，对于Query中的一张图片，分别计算该图片的特征向量与Gallery所有特征向量的欧氏距离，认定欧式距离最短的为匹配图片，根据Query标签验证是否匹配正确，以此得到CMC的各个指标。实验结果如表2所示：
表2实验结果
Figure GDA0002946440840000081
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于人脸识别与行人重识别的特定目标跟踪方法，含有以下步骤：
(1)训练基于特征融合与三重损失函数的行人重识别神经网络；
步骤11：预训练ResNet50网络；
利用ImageNet数据集作为训练数据集，训练1000分类的ResNet50网络，使ResNet50有理想的初始值，理想的初始值使行人重识别网络更容易收敛；
步骤12：改进ResNet50网络；
搭建基于ResNet50的特征融合网络；加载预训练模型参数，除去ResNet50的全连接层，将ResNet50中的res5a、res5b做全局平均池化，拼接得到两张特征图，用全连接层fc-1024作用在这张拼接特征图上得到长度为1024的特征向量，记为mid-level feature；同时，将ResNet50中的res5c也做全局平均池化，池化后展开得到长度为2048的特征向量，记为high-level feature；将mid-level feature和high-level feature拼接得到长度为3072的特征向量，记为final feature；
添加hard triplet损失函数；一种基于训练批量Batch的在线难样本采样方法，对于每一个训练批次，随机挑选P个ID的行人，每个行人随机挑选K张不同的图片，即一个batch含有P×K张图片；对于batch中的每一张图片a，挑选一个最难的正样本和一个最难的负样本和a组成一个三元组；定义和a为相同ID的图片集为A，剩下不同ID的图片集为B，则hardtriplet损失表示为：
Figure FDA0002946440830000011
m设定为0.3；hard triplet损失会计算a和batch中的每一张图片在特征空间finalfeature的欧式距离，然后选出与a距离最远即最不像的正样本p和距离最近即最像的负样本n来计算三元组损失，hard triplet损失效果比传统的三元组损失要好；
添加softmax损失函数；softmax在分类问题上有非常好的表现，将每一个行人作为一个类别进行训练，Market1501训练集中共751个人，因此在final feature之后加一层全连接层，得到长度为751的fc-class；softmax loss作用于fc-class上；
添加ring损失函数；一种原用于人脸识别的辅助损失函数，Ring loss将特征finalfeature限制到缩放后的单位圆上，同时能保持凸性，来得到更稳健的特征；其定义如下：
Figure FDA0002946440830000021
这里λ取0.005，T为训练批次大小，即P*K，R是可训练参数，初始值为1；
步骤13：预处理Market1501数据集；
每一个训练批次，随机挑选P＝12个ID的行人，每个行人随机挑选K＝4张不同的图片，即一个batch含有P*K＝48张图片；图片随机裁剪成128*256大小，每张图片有概率地进行水平翻转，并归一化图片像素值；
步骤14：训练行人重识别网络：
加载预训练模型参数到修改过的ResNet50中，使用预处理过的数据集，三重损失值相加为最终损失值，利用Adam算法优化模型，迭代更新神经网络权重，直至模型收敛；最终，该模型在Market1501上取得rank1为92.2％的精度；
(2)建立目标人脸库；
步骤21：每个目标行人保存三张人脸图片，以“姓名+序号”的图片名保存；所有人保存在同一个文件夹下，一个人的库图片越多，检索起来越容易；
步骤22：在该文件夹下建立一个文本文件，文件内容为图片名和对应的人名；
(3)读取多源监控画面；
步骤31：开启多个子线程，每个线程对应一个监控设备，设备个数可增减；
步骤32：通过rtsp协议读取每个监控的每帧画面，传到服务器进行以下处理；
(4)行人检测；
步骤41：加载Yolo3模型，加载一次即可；
步骤42：将整帧图片送入Yolo3，得到行人的坐标位置，根据坐标从原始画面中裁剪出每个行人，逐个行人进行以下步骤；
(5)提取行人特征；
步骤51：加载训练好的行人重识别模型，加载一次即可；
步骤52：将行人图片送入行人重识别模型，一个行人得到一行长度为3072的特征向量，该特征向量作为行人特征，在以下步骤中使用；
(6)人脸识别；
步骤61：调用face-recognition库的人脸识别模块提取人脸库的人脸特征向量，人脸库特征提取一次即可；
步骤62：调用face-recognition的人脸检测模块检测人脸，检测监控中行人面部是否可见，若面部检测成功，则继续以下步骤，否则，跳转至步骤(7)进行行人重识别；提取监控中行人的人脸特征向量C，分别求C与行人库中所有人脸相似度；假设人脸库中有特征向量记为D，其相似度计算公式为：
Figure FDA0002946440830000031
其中，dist为C与D的欧式距离；
步骤63：取其中相似度最高的值S；
步骤64：若S大于等于阈值α，α取0.77，则认为S对应的人脸与该行人匹配；即人脸识别成功，与此同时，保存该行人的行人特征和标签到行人特征库中，行人特征由步骤(5)得到；人脸识别成功则跳过步骤(7)和步骤(8)；
步骤65：若S小于阈值α，与该行人最相似的人脸相似度达不到阈值，即人脸识别失败，进入步骤(7)进行行人重识别；
步骤66：由于人脸遮挡严重，或者行人背对监控，无法检测到人脸而导致的人脸识别失败，进入步骤(7)进行行人重识别；
(7)行人重识别；
步骤71：当人脸识别失败时，利用行人特征进行识别；将步骤(5)得到的行人特征记为G，分别求G与行人特征库中每一个行人的欧式距离，欧式距离越小，相似度越高；
步骤72：取G与行人库中最短的欧氏距离，记为x，设置行人重识别阈值β＝115，保存至行人库的阈值γ＝60；
步骤73：若x<β，则该行人与最小欧式距离对应的标签相匹配，行人重识别成功，进入步骤(4)；否则，跳过步骤74进入步骤(8)；
步骤74：若x<γ，表示该行人特征与行人库中某一特征非常相似，即该行人属于目标行人的概率非常大，保存该行人特征至行人特征库，跳过步骤(8)；
(8)基于上下帧时空相关性进行跟踪；
步骤81：记录上一帧每个行人的位置坐标和身份标签，没有身份标签的记为‘None’；
步骤82：假设人脸识别和行人重识别不能识别某一行人，将该行人记为W；
步骤83：计算行人W的位置框与上一帧每个行人位置框的重合度，重合度越高的，表示属于同一人的可能性越大；因此，认定行人W与上一帧中位置重合度最高的行人相匹配。
CN201811196063.3A 2018-10-15 2018-10-15 一种基于人脸识别与行人重识别的特定目标跟踪方法 Active CN109344787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811196063.3A CN109344787B (zh) 2018-10-15 2018-10-15 一种基于人脸识别与行人重识别的特定目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811196063.3A CN109344787B (zh) 2018-10-15 2018-10-15 一种基于人脸识别与行人重识别的特定目标跟踪方法

Publications (2)

Publication Number Publication Date
CN109344787A CN109344787A (zh) 2019-02-15
CN109344787B true CN109344787B (zh) 2021-06-08

Family

ID=65310157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811196063.3A Active CN109344787B (zh) 2018-10-15 2018-10-15 一种基于人脸识别与行人重识别的特定目标跟踪方法

Country Status (1)

Country Link
CN (1) CN109344787B (zh)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977798B (zh) * 2019-03-06 2021-06-04 中山大学 用于行人重识别的掩膜池化模型训练和行人重识别方法
CN109948490A (zh) * 2019-03-11 2019-06-28 浙江工业大学 一种基于行人重识别的员工特定行为记录方法
CN109948587B (zh) * 2019-03-29 2021-06-08 清华大学 基于高判别力特征挖掘的车辆再识别方法及装置
CN110070010B (zh) * 2019-04-10 2022-06-14 武汉大学 一种基于行人重识别的人脸属性关联方法
CN110135295A (zh) * 2019-04-29 2019-08-16 华南理工大学 一种基于迁移学习的无监督行人重识别方法
CN110110650A (zh) * 2019-05-02 2019-08-09 西安电子科技大学 行人中的人脸识别方法
CN110084215A (zh) * 2019-05-05 2019-08-02 上海海事大学 一种二值化三元组孪生网络模型的行人重识别方法及系统
CN110287767A (zh) * 2019-05-06 2019-09-27 深圳市华付信息技术有限公司 可防攻击的活体检测方法、装置、计算机设备及存储介质
CN110457985B (zh) * 2019-06-05 2022-04-05 深圳大学 基于视频序列的行人再识别方法、装置及计算机设备
CN110378931A (zh) * 2019-07-10 2019-10-25 成都数之联科技有限公司 一种基于多摄像头的行人目标移动轨迹获取方法及系统
CN110309810B (zh) * 2019-07-10 2021-08-17 华中科技大学 一种基于批次中心相似度的行人重识别方法
CN110609920B (zh) * 2019-08-05 2022-03-18 华中科技大学 一种视频监控场景下的行人混合搜索方法及系统
WO2021043168A1 (zh) * 2019-09-05 2021-03-11 华为技术有限公司 行人再识别网络的训练方法、行人再识别方法和装置
CN110619658B (zh) * 2019-09-16 2022-04-19 北京地平线机器人技术研发有限公司 对象跟踪方法、对象跟踪装置和电子设备
CN110796072B (zh) * 2019-10-28 2023-04-07 桂林电子科技大学 一种基于双任务学习的目标跟踪及身份识别方法
CN110796079A (zh) * 2019-10-29 2020-02-14 深圳龙岗智能视听研究院 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统
CN110852219B (zh) * 2019-10-30 2022-07-08 广州海格星航信息科技有限公司 一种多行人跨摄像头在线跟踪系统
CN112766021A (zh) * 2019-11-04 2021-05-07 广东毓秀科技有限公司 一种基于行人的关键点信息与语义分割信息进行行人重识别的方法
CN111079600A (zh) * 2019-12-06 2020-04-28 长沙海格北斗信息技术有限公司 多摄像头的行人识别方法及识别系统
CN111046798A (zh) * 2019-12-12 2020-04-21 智慧视通(杭州)科技发展有限公司 一种基于形体识别的视频实时分析方法
CN112989896A (zh) * 2019-12-18 2021-06-18 广东毓秀科技有限公司 跨镜头追踪方法
CN111241932A (zh) * 2019-12-30 2020-06-05 广州量视信息科技有限公司 汽车展厅客流检测与分析系统、方法及存储介质
CN111291633B (zh) * 2020-01-17 2022-10-14 复旦大学 一种实时行人重识别方法及装置
CN111291821A (zh) * 2020-02-20 2020-06-16 上海眼控科技股份有限公司 车辆重识别方法、装置、计算机设备和存储介质
CN111291887B (zh) * 2020-03-06 2023-11-10 北京迈格威科技有限公司 神经网络的训练方法、图像识别方法、装置及电子设备
CN111401249B (zh) * 2020-03-17 2023-08-08 中科(厦门)数据智能研究院 一种基于不同粒度特征匹配一致性的物体重识别方法
CN111444817B (zh) * 2020-03-24 2023-07-07 咪咕文化科技有限公司 一种人物图像识别方法、装置、电子设备和存储介质
CN111553234B (zh) * 2020-04-22 2023-06-06 上海锘科智能科技有限公司 融合人脸特征与Re-ID特征排序的行人跟踪方法及装置
CN111680638B (zh) * 2020-06-11 2020-12-29 深圳北斗应用技术研究院有限公司 一种乘客路径识别方法和基于该方法的客流清分方法
CN111709391B (zh) * 2020-06-28 2022-12-02 重庆紫光华山智安科技有限公司 一种人脸人体匹配方法、装置及设备
CN111967497B (zh) * 2020-07-15 2024-01-26 桂林远望智能通信科技有限公司 一种动态身份识别数据处理方法及系统
CN111968152B (zh) * 2020-07-15 2023-10-17 桂林远望智能通信科技有限公司 一种动态身份识别方法及装置
CN112070185A (zh) * 2020-08-13 2020-12-11 五邑大学 基于Re-ID的非接触式发烧人员追踪系统及其追踪方法
CN112434796B (zh) * 2020-12-09 2022-10-25 同济大学 一种基于局部信息学习的跨模态行人再识别方法
CN112668483B (zh) * 2020-12-30 2022-06-10 福州大学 一种融合行人重识别和人脸检测的单目标人物跟踪方法
CN112734003A (zh) * 2020-12-30 2021-04-30 南京邮电大学 一种基于深层卷积网络的人体皮肤温度检测方法
CN112699810B (zh) * 2020-12-31 2024-04-09 中国电子科技集团公司信息科学研究院 一种提升室内监控系统人物识别精度的方法及装置
CN112733719B (zh) * 2021-01-11 2022-08-02 西南交通大学 一种融合人脸及人体特征的跨境行人轨迹检测方法
CN112668544B (zh) * 2021-01-13 2022-03-22 昆明理工大学 一种基于难样本混淆增强特征鲁棒性的行人重识别方法
CN112818917B (zh) * 2021-02-24 2022-03-22 复旦大学 一种实时行人检测与重识别方法及装置
CN113095222A (zh) * 2021-04-13 2021-07-09 电子科技大学 一种行人重识别领域中的行人比对识别方法
CN113205058A (zh) * 2021-05-18 2021-08-03 中国科学院计算技术研究所厦门数据智能研究院 一种防止非活体攻击的人脸识别方法
CN113095304B (zh) * 2021-06-08 2021-09-03 成都考拉悠然科技有限公司 减弱重采样对行人重识别的影响的方法
CN113269127B (zh) * 2021-06-10 2024-04-02 北京中科通量科技有限公司 实时自动建库的人脸识别和行人重识别监控方法及系统
CN114694184B (zh) * 2022-05-27 2022-10-14 电子科技大学 一种基于多模板特征更新的行人重识别方法及系统
CN117152851B (zh) * 2023-10-09 2024-03-08 中科天网（广东）科技有限公司 基于大模型预训练的人脸、人体协同聚类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171184A (zh) * 2018-01-03 2018-06-15 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN108197584A (zh) * 2018-01-12 2018-06-22 武汉大学 一种基于三元组深度神经网络的行人重识别方法
CN108596010A (zh) * 2017-12-31 2018-09-28 厦门大学 行人重识别系统的实现方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10275683B2 (en) * 2017-01-19 2019-04-30 Cisco Technology, Inc. Clustering-based person re-identification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596010A (zh) * 2017-12-31 2018-09-28 厦门大学 行人重识别系统的实现方法
CN108171184A (zh) * 2018-01-03 2018-06-15 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN108197584A (zh) * 2018-01-12 2018-06-22 武汉大学 一种基于三元组深度神经网络的行人重识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Person Re-identification Based on Feature Fusion and Triplet Loss Function";Jun Xiang等;《 2018 24th International Conference on Pattern Recognition (ICPR)》;20180824;第3477-3482页 *

Also Published As

Publication number Publication date
CN109344787A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109344787B (zh) 一种基于人脸识别与行人重识别的特定目标跟踪方法
CN111126360B (zh) 基于无监督联合多损失模型的跨域行人重识别方法
Leng et al. A survey of open-world person re-identification
Khan et al. Deep unified model for face recognition based on convolution neural network and edge computing
Kumar et al. The p-destre: A fully annotated dataset for pedestrian detection, tracking, and short/long-term re-identification from aerial devices
Yin et al. Adversarial attribute-image person re-identification
Qu et al. RGBD salient object detection via deep fusion
CN105590097B (zh) 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法
CN110717411A (zh) 一种基于深层特征融合的行人重识别方法
Wang et al. P2snet: Can an image match a video for person re-identification in an end-to-end way?
WO2016107482A1 (zh) 确定人脸图像中人脸的身份标识的方法、装置和终端
CN111832514B (zh) 基于软多标签的无监督行人重识别方法及装置
CN112614187B (zh) 回环检测方法、装置、终端设备和可读存储介质
CN111523621A (zh) 图像识别方法、装置、计算机设备和存储介质
CN110580460A (zh) 基于行人身份和属性特征联合识别验证的行人再识别方法
CN108596010B (zh) 行人重识别系统的实现方法
CN110399835B (zh) 一种人员停留时间的分析方法、装置及系统
CN111611880B (zh) 一种基于神经网络无监督对比学习的高效行人重识别方法
CN108960047B (zh) 基于深度二次树的视频监控中人脸去重方法
Dai et al. Cross-view semantic projection learning for person re-identification
CN111126122B (zh) 人脸识别算法评估方法及装置
KR101917354B1 (ko) 모바일 환경 객체 신뢰도 평가와 학습을 통한 융합 객체 추적 시스템 및 방법
CN110796074A (zh) 一种基于时空数据融合的行人再识别方法
Mehta et al. Face detection and tagging using deep learning
CN112465854A (zh) 基于无锚点检测算法的无人机跟踪方法

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
GR01 Patent grant
GR01 Patent grant