CN109446956B - 一种行人再识别方法及设备 - Google Patents

一种行人再识别方法及设备 Download PDF

Info

Publication number
CN109446956B
CN109446956B CN201811210536.0A CN201811210536A CN109446956B CN 109446956 B CN109446956 B CN 109446956B CN 201811210536 A CN201811210536 A CN 201811210536A CN 109446956 B CN109446956 B CN 109446956B
Authority
CN
China
Prior art keywords
training
pedestrian
patch
image
feature vector
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
CN201811210536.0A
Other languages
English (en)
Other versions
CN109446956A (zh
Inventor
朱友泽
徐文超
杨艳琴
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.)
East China Normal University
Original Assignee
East China Normal University
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 East China Normal University filed Critical East China Normal University
Priority to CN201811210536.0A priority Critical patent/CN109446956B/zh
Publication of CN109446956A publication Critical patent/CN109446956A/zh
Application granted granted Critical
Publication of CN109446956B publication Critical patent/CN109446956B/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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Abstract

本申请的目的是提供一种行人再识别方法及设备，本申请通过采用预设图像特征提取算法对探测行人的训练图像进行特征提取，得到探测行人特征向量，并基于探测行人特征向量建立训练分类器；当需要识别行人时，获取待识别行人的测试图像，并采用同样的预设图像特征提取算法继续对测试图像进行特征提取，得到待识别行人特征向量；并将待识别行人特征向量输入训练分类器进行待识别行人与所述探测行人是否为同一个人的识别，实现了基于预先训练好的训练分类器来对实时获取的待识别行人的训练图像进行分析，从而快速准确的识别出待识别行人是否与探测行人为同一人，进而可以在视频监控与追踪应用场景中实现对待识别行人的识别或对探测行人进行追踪等。

Description

一种行人再识别方法及设备
技术领域
本申请涉及视频领域，尤其涉及一种行人再识别方法及设备。
背景技术
在视频监视领域，当提交一个探测行人时，行人重识别方法就会提示该行人是否出现在另一个时间或地点摄像头拍摄的照片或视频中。近年来，由于公共安全需求提升和摄像头在公共场所的普及，行人重识别方法越来越受到研究者的关注。行人照片像素较低并且姿势不确定性大，因此被广泛使用的是颜色信息例如色彩直方图。色彩信息往往会和纹理特征合并作为行人重识别方法的特征向量。
行人重识别方法按照研究领域主要包含如下三类方法：行人描述子方法，该行人描述子方法通常着重于如何设计行人的特征，由于初始特征向量的维度较高，会使用适当的降维算法处理后得到低维的特征向量，其中，最常使用的特征为色彩和纹理特征，该行人描述子方法有较快的检测速度。距离度量学习方法，在行人重识别模型中，高维的特征无法在样本的多变性中捕获不变因子，因此距离度量至关重要，该距离度量学习方法能够增大不同行人之间的区别，减少同一行人的区别；该距离度量学习方法分为无监督学习方法和监督学习方法，也可分为全局学习方法和局部学习方法，其中，大部分的模型基于监督学习加上全局学习。基于深度学习的方法，在深度学习的方法中通常需要较大的网络架构，包括卷积层，池化层，全连接层等，能从原始像素中学习出不同的特征，该深度学习的方法无需人工设计特征，效果往往较为出色。
然而，现有的行人重识别方法中，为了追求运算速度，提取过少的原始特征会使方法鲁棒性不强，无法很好分辨不同视角、光照强度、姿势、背景、穿着的行人，但若在行人重识别的方法中提取的特征相对较多的话，往往会导致在特征建模时花费大量时间，致使算法运行速度较慢。因此，在行人重识别中如何实现性能与耗时之间取得平衡成为业界研究的主要课题。
发明内容
本申请的一个目的是提供一种行人再识别方法及设备。
根据本申请的一个方面，提供了一种行人再识别方法，其中，所述方法包括：
采用预设图像特征提取算法，对获取的探测行人的训练图像进行特征提取，得到所述探测行人特征向量，并基于所述探测行人特征向量建立训练分类器；
获取待识别行人的测试图像，并采用所述预设图像特征提取算法对所述测试图像进行特征提取，得到待识别行人特征向量；
将所述待识别行人特征向量输入所述训练分类器进行所述待识别行人与所述探测行人是否为同一个人的识别。
进一步地，上述行人再识别方法中，所述采用预设图像特征提取算法，对探测行人的训练图像进行特征提取，得到所述探测行人特征向量，包括：
获取所述探测行人的训练图像，并将所述训练图像分为至少一个训练区域，其中，每个所述训练区域包括一个或多个训练补丁，每个所述训练补丁由像素点组成；
分别对所述训练图像中每个像素点进行特征提取，得到所述训练图像中的每个像素点的初始特征向量；
分别在每个所述训练补丁中依序对所述初始特征向量进行高斯分布补丁的建模、对称正定矩阵(symmetric and positive definite matrix，SPD)映射及上三角矩阵处理，得到每个所述训练补丁对应的高斯补丁特征向量；
分别在每个所述训练区域中依序对所述训练补丁特征向量进行高斯分布区域的建模、对称正定矩阵映射、上三角矩阵处理及L2范数归一化处理，得到所述探测行人特征向量。
进一步地，上述行人再识别方法中，所述分别对所述训练图像中每个像素点进行特征提取，得到所述训练图像中的每个像素点的初始特征向量，包括：
分别提取所述训练图像中的每个像素点的垂直方向坐标、方向梯度尺寸、RGB色彩特征值及局部二值模式(Local Binary Pattern，LBP)纹理特征，得到所述训练图像中的每个所述像素点的初始特征向量。进一步地，上述行人再识别方法中，所述分别在每个所述训练补丁中依序对所述初始特征向量进行高斯分布补丁的建模、对称正定矩阵映射及上三角矩阵处理，得到每个所述训练补丁对应的训练补丁特征向量，包括：
分别在每个所述训练补丁中基于所述像素点的均值和协方差对所述像素点的初始特征向量进行高斯分布补丁的建模，得到每个所述训练补丁对应的高斯补丁；
分别将每个所述训练补丁对应的高斯补丁映射至对称正定矩阵后，再进行上三角矩阵处理，得到每个所述训练补丁对应的高斯补丁特征向量。
进一步地，上述行人再识别方法中，所述分别在每个所述训练区域中依序对所述训练补丁特征向量进行高斯分布区域的建模、对称正定矩阵映射、上三角矩阵处理及L2范数归一化处理，得到所述探测行人特征向量，包括：
分别在每个所述训练区域中，基于所述训练区域在所述训练图像中的权重均值和权重协方差，对所述训练补丁特征向量进行高斯分布区域的建模，得到每个所述训练区域对应的高斯区域；
分别将每个所述训练区域对应的高斯区域映射至对称正定矩阵后，再进行上三角矩阵处理，得到每个所述训练区域对应的高斯区域特征向量；
基于每个所述训练区域对应的高斯区域特征向量进行L2范数归一化处理，得到所述训练图像的探测行人特征向量。
进一步地，上述行人再识别方法中，所述训练区域在所述训练图像中的权重均值由所述训练区域中的训练补丁对应的高斯补丁特征向量和是训练补丁在所述训练图像中的权重确定的。
进一步地，上述行人再识别方法中，所述训练分类器包括随机森林分类器或支持向量机分类器。
根据本申请的另一方面，还提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述行人再识别方法。
根据本申请的另一方面，还提供了一种设备，其中，该设备包括：
一个或多个处理器；
非易失性存储介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述行人再识别。
与现有技术相比，本申请通过采用预设图像特征提取算法对获取的探测行人的训练图像进行特征提取，得到所述探测行人特征向量，并基于所述探测行人特征向量建立训练分类器，以便后续对实时获取的待识别行人的测试图像进行特征提取后得到的特征向量进行分类；当需要识别行人时，获取待识别行人的测试图像，并采用同样的所述预设图像特征提取算法继续对所述测试图像进行特征提取，得到待识别行人特征向量；并将所述待识别行人特征向量输入所述训练分类器进行所述待识别行人与所述探测行人是否为同一个人的识别，实现了基于预先训练好的训练分类器来对实时获取的待识别行人的训练图像进行分析，从而快速准确的识别出待识别行人是否与探测行人为同一人，进而可以在视频监控与追踪应用场景中实现对待识别行人的识别或对探测行人进行追踪等。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种行人再识别方法的流程示意图；
图2示出根据本申请一个方面的一种行人再识别方法中的建立随机森林分类器的流程示意图；
图3示出根据本申请一个方面的一种行人再识别方法的具体流程示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，本申请一个方面的一种行人再识别方法的流程示意图，应用于视频监控与追踪应用场景中，该方法包括步骤S11、步骤S12和步骤S13，具体包括如下步骤：
步骤S11，采用预设图像特征提取算法对获取的探测行人的训练图像进行特征提取，得到所述探测行人特征向量，并基于所述探测行人特征向量建立训练分类器，以便后续对实时获取的待识别行人的测试图像进行特征提取后得到的特征向量进行分类，进而实现对待识别行人是否与探测行人为同一人的判断；
步骤S12，当需要识别行人时，获取待识别行人的测试图像，并采用同样的所述预设图像特征提取算法继续对所述测试图像进行特征提取，得到待识别行人特征向量；
步骤S13，将所述待识别行人特征向量输入所述训练分类器进行所述待识别行人与所述探测行人是否为同一个人的识别。
通过上述步骤S11至步骤S13，实现了基于预先训练好的训练分类器来对实时获取的待识别行人的训练图像进行分析，从而快速准确的识别出待识别行人是否与探测行人为同一人，进而可以在视频监控与追踪应用场景中实现对待识别行人的识别或对探测行人进行追踪等。
本实施例中，所述步骤S11中的采用预设图像特征提取算法，对探测行人的训练图像进行特征提取，得到所述探测行人特征向量，包括：
获取所述探测行人的训练图像，并将所述训练图像分为至少一个训练区域，其中，每个所述训练区域包括一个或多个训练补丁，每个所述训练补丁由像素点组成；
分别对所述训练图像中每个像素点进行特征提取，得到所述训练图像中的每个像素点的初始特征向量；
分别在每个所述训练补丁中依序对所述初始特征向量进行高斯分布补丁的建模、SPD矩阵映射及上三角矩阵处理，得到每个所述训练补丁对应的高斯补丁特征向量；
分别在每个所述训练区域中依序对所述训练补丁特征向量进行高斯分布区域的建模、SPD矩阵映射、上三角矩阵处理及L2范数归一化处理，得到所述探测行人特征向量。
例如，在训练阶段的步骤S11中，首先步骤S111(未示出)获取探测行人的训练图像，该训练图像从VIPeR数据库中获取，该训练图像包括多张，在本申请的优选实施例中，从该VIPeR数据库获得632张训练图像，并对每张训练图像进行标记以区分不同训练图像，为了便于后续对训练图像进行特征提取，输入的每张训练图像的大小为128×48像素。
步骤S112(未示出)，将每张训练图像分为G个训练区域(训练区域优选为正方形)，其中G为大于等于一的正整数，在每个训练区域中包括一个或多个训练补丁P，P亦为大于等于一的正整数，每个训练补丁中由像素点组成，其中nP为训练补丁P中的像素点的数量；
步骤S113(未示出)，针对每张训练图像，分别对每张训练图像中的每个像素点i进行特征提取，例如，分别提取对每个像素点i的垂直方向坐标、方向梯度尺寸、R，G，B色彩特征值及LBP纹理特征，以得到每个像素点i的初始特征向量fi：
fi＝[L,go,g90,g180,g270,R,G,B,LBP]T
其中，fi是像素点i的初始特征向量，L是像素点在i在垂直方向上的坐标，gn是在n度的方向上的像素紧密度梯度尺寸，当紧密度为I时，
Figure BDA0001832342180000071
Ix为对I求横坐标x求偏导数，Iy为对I纵坐标y求偏导数。R,G,B是色彩特征值(即色彩通道值)，LBP是LBP纹理特征，其中，fi每个维度的特征值都可线性伸展至[0,1]之间。
步骤S114(未示出)，针对每张训练图像中的每个训练补丁P，基于训练补丁P中的每个像素点的均值和协方差，对所有像素点的初始特征向量f进行高斯分布补丁的建模，得到每个训练补丁P对应对的高斯补丁gp(f；mP,cp)：
Figure BDA0001832342180000081
其中，||是求取矩阵行列式，mP是训练补丁P中的所有像素点的初始特征向量的均值(在此，均值为矩阵形式)，
Figure BDA0001832342180000082
cp是训练补丁P中的所有像素点的协方差(在此，协方差为矩阵形式)，
Figure BDA0001832342180000083
np为训练补丁P中的像素点的数量。
步骤S115(未示出)，特征向量是一个区域中的特征总结，即高斯补丁，将9维的高斯补丁嵌入到10维的SPD矩阵SPDp中，如下所示：
Figure BDA0001832342180000084
由于协方差会由于缺少足够数量的像素点的像素而变为单数形式，因此可以cp＝cp+aU，其中a为常数，U为单位矩阵。为了描述欧式计算的区域分布，通过矩阵算法将经过SPD矩阵转换的高斯补丁投影到正切空间上，即：将SPDp上三角部分(上三角矩阵)保存至向量中得到训练补丁P对应的高斯补丁特征向量vp＝u(log(SPDp))，其中，u()为取上三角矩阵，log()为矩阵算法。
步骤S116(未示出)，由于探测行人在训练图像中的姿势的多变性，局部部分的位置在不同方向也会发生变化，因此将局部的训练补丁归纳到区域分布的训练区域中。由于在大多数情况下，人体都位于每张训练图像的中央，则在横坐标中间值附近会分配一个更高的权值。训练补丁P在该训练补丁所在的整张训练图像中的权重
Figure BDA0001832342180000085
其中xp为训练补丁在整张训练图像的横坐标x中央坐标下的权重，w为图片权重。接着定义训练区域g在其所在的训练图像中的权重均值mg(在此，均值为向量形式)和协方差cg(向在此，协方差为向量形式)，具体如下所示：
Figure BDA0001832342180000091
Figure BDA0001832342180000092
其中，g是训练补丁P所在的训练区域，因此得出高斯区域gr(v；mg,cg)。接着对训练区域g对应的高斯区域gr(v；mg,cg)进行SPD矩阵的投影以及上三角矩阵处理(半向量化处理)得到高斯区域特征向量vf。在此，所述训练区域g在其所在的训练图像中的权重均值mg由所述训练区域中的训练补丁对应的高斯补丁特征向量和是训练补丁在所述训练图像中的权重确定的。
在每张训练图像中，基于G个训练区域中提取得到的对应的高斯区域特征向量vf，将G个训练区域对应的高斯区域特征向量连起来并进行L2范数归一化处理，得到探测行人的这张训练图像提取得到的探测行人特征向量
Figure BDA0001832342180000093
其中，进行L2范数归一化处理如下：
v＝(v-vm)/||v-vm||2
其中，vm为样本均值。
步骤S117(未示出)，基于探测行人特征向量建立训练分类器，在此，所述训练分类器包括随机森林分类器或支持向量机分类器等，在本申请以优选实施例中，将所述训练分类器优选为随机森林分类器，如图2所示，将探测行人特征向量v输入到随机森林分类器中(即输入样本特征)，该随机森林分类器进行4轮的学习，每一轮树的数量分别为：32，64，128，最后到256，每棵树的建立过程中都会从庞大的特征中随机取样1/32的特征，初始化样本权重，这些权重按照降序排序，并且对每个节点经过贪心极大搜索。每一轮过后，都会加入50个负例，累积的负例不超过200个，以确保训练所得到的随机森林分类器中的决策树具有真实性。
在寻找最优特征的训练过程中，1)在相对较小的训练图像分别对应的探测行人特征向量集合中测试每个特征；2)基于先前训练的错误值进行从好到差的排序；3)对于每个特征，继续在逐渐增大的样本集合中训练，升级错误值；如果被证明是不正确的，立即修剪，若训练完成，将其保存为最佳状态；4)输出最佳特征和相应的参数。
在提升阶段，1)使用线性搜索决定优化标量αt；2)对于给定的错误分类和提升时的具体变量参数来升级样本权重；3)若需要更多的提升迭代次数，降序排序样本权重，增加迭代次数t，重复执行2)中的对于给定的错误分类和提升时的具体变量参数来升级样本权重，直至训练完成，得到用于后续对待识别行人进行图像识别的随机森林分类器，该随机森林分类器中包括用于进行行人重识别的256棵决策树。
所述步骤S12，在测试阶段获取待识别行人的测试图像，待识别行人的测试图像既可以是实时抓拍的摄像头拍摄的照片，也可以是人为通过智能摄像设备拍摄的图像，并对该测试图像进行标注以区分，并将该测试图像等比例所放至图片大小为128×48像素，以便后续进行特征提取。
采用上述步骤S112(未示出)至步骤S116(未示出)的预设图像特征提取算法，对获取的待识别行人的测试图像进行特征提取，以得到待识别行人的测试图像中的每个像素点的9维的初始特征向量，并将待识别行人的测试图像中的每个像素点的9维的初始特征向量进行高斯分布补丁的建模、SPD矩阵映射及上三角矩阵处理(半向量化处理)，接着把补丁用高斯分布建模归纳至区域内，再进行SPD矩阵映射和上三角矩阵处理(半向量化处理)，最后经过范数归一化处理得到待识别行人特征向量。
步骤S13，将待识别行人特征向量输入随机森林分类器中已经训练好的256棵决策树中，以判断该待识别行人与探测行人是否为同一个人。
在本申请以实际应用场景中，如图3所示，将需要探测的探测行人的训练图像作为训练数据从VIPeR数据库中获取，并获取判断与探测行人是否为同一人的测试行人的测试图像作为测试数据(该测试图像可以是实时抓拍的摄像头拍摄图片)，利用坐标、方向梯度、色彩和LBP等9个维度来分别对该训练图像和测试图像进行特征提取，分别得到训练图像和测试图像中的每个像素点的初始特征向量，分别对训练图像中的每个像素点的初始特征向量和测试图像中的每个像素点的初始特征向量进行高斯分布补丁的建模、投影之SPD矩阵并进行半角化处理，接着分别进行高斯分布区域的建模、投影之SPD矩阵及半角化处理等，分别得到训练图像对应的探测行人特征向量(即训练图片特征)和测试图像对应的待识别行人特征向量(即测试图片特征)，接着根据训练图像对应的探测行人特征向量(即训练图片特征)来建立随机森林分类器(即决策森林，该决策森林中包括256棵决策树)，进而得到训练完成的随机森林分类器，并将待识别行人特征向量输入该随机森林分类器中，来判断该测试行人是否为探测行为，即将待识别行人特征向量在随机森林分类器中来进行该测试行人与探测行人是否为同一人的识别，实现对与该探测行人是否为同一人的测试行人的重识别。
根据本申请的另一方面，还提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述行人再识别方法。
根据本申请的另一方面，还提供了一种设备，其中，所述设备包括：
一个或多个处理器；
非易失性存储介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述行人再识别方法。
在此，所述用于行人再识别的设备中的各实施例的详细内容，具体可参见上述在用于行人再识别方法实施例的对应部分，在此，不再赘述。
综上所述，本申请通过采用预设图像特征提取算法对获取的探测行人的训练图像进行特征提取，得到所述探测行人特征向量，并基于所述探测行人特征向量建立训练分类器，以便后续对实时获取的待识别行人的测试图像进行特征提取后得到的特征向量进行分类；当需要识别行人时，获取待识别行人的测试图像，并采用同样的所述预设图像特征提取算法继续对所述测试图像进行特征提取，得到待识别行人特征向量；并将所述待识别行人特征向量输入所述训练分类器进行所述待识别行人与所述探测行人是否为同一个人的识别，实现了基于预先训练好的训练分类器来对实时获取的待识别行人的训练图像进行分析，从而快速准确的识别出待识别行人是否与探测行人为同一人，进而可以在视频监控与追踪应用场景中实现对待识别行人的识别或对探测行人进行追踪等。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (8)

1.一种行人再识别方法，其中，所述方法包括：
采用预设图像特征提取算法，对获取的探测行人的训练图像进行特征提取，得到所述探测行人特征向量，并基于所述探测行人特征向量建立训练分类器；
获取待识别行人的测试图像，并采用所述预设图像特征提取算法对所述测试图像进行特征提取，得到待识别行人特征向量；
将所述待识别行人特征向量输入所述训练分类器进行所述待识别行人与所述探测行人是否为同一个人的识别；
其中，所述采用预设图像特征提取算法，对探测行人的训练图像进行特征提取，得到所述探测行人特征向量，包括：
获取所述探测行人的训练图像，并将所述训练图像分为至少一个训练区域，其中，每个所述训练区域包括一个或多个训练补丁，每个所述训练补丁由像素点组成；
分别对所述训练图像中每个像素点进行特征提取，得到所述训练图像中的每个像素点的初始特征向量；
分别在每个所述训练补丁中依序对所述初始特征向量进行高斯分布补丁的建模、对称正定矩阵映射及上三角矩阵处理，得到每个所述训练补丁对应的高斯补丁特征向量；
分别在每个所述训练区域中依序对所述训练补丁特征向量进行高斯分布区域的建模、对称正定矩阵映射、上三角矩阵处理及L2范数归一化处理，得到所述探测行人特征向量。
2.根据权利要求1所述的方法，其中，所述分别对所述训练图像中每个像素点进行特征提取，得到所述训练图像中的每个像素点的初始特征向量，包括：
分别提取所述训练图像中的每个像素点的垂直方向坐标、方向梯度尺寸、RGB色彩特征值及局部二值模式纹理特征，得到所述训练图像中的每个所述像素点的初始特征向量。
3.根据权利要求2所述的方法，其中，所述分别在每个所述训练补丁中依序对所述初始特征向量进行高斯分布补丁的建模、对称正定矩阵映射及上三角矩阵处理，得到每个所述训练补丁对应的训练补丁特征向量，包括：
分别在每个所述训练补丁中基于所述像素点的均值和协方差对所述像素点的初始特征向量进行高斯分布补丁的建模，得到每个所述训练补丁对应的高斯补丁；
分别将每个所述训练补丁对应的高斯补丁映射至对称正定矩阵后，再进行上三角矩阵处理，得到每个所述训练补丁对应的高斯补丁特征向量。
4.根据权利要求3所述的方法，其中，所述分别在每个所述训练区域中依序对所述训练补丁特征向量进行高斯分布区域的建模、对称正定矩阵映射、上三角矩阵处理及L2范数归一化处理，得到所述探测行人特征向量，包括：
分别在每个所述训练区域中，基于所述训练区域在所述训练图像中的权重均值和权重协方差，对所述训练补丁特征向量进行高斯分布区域的建模，得到每个所述训练区域对应的高斯区域；
分别将每个所述训练区域对应的高斯区域映射至对称正定矩阵后，再进行上三角矩阵处理，得到每个所述训练区域对应的高斯区域特征向量；
基于每个所述训练区域对应的高斯区域特征向量进行L2范数归一化处理，得到所述训练图像的探测行人特征向量。
5.根据权利要求4所述的方法，其中，所述训练区域在所述训练图像中的权重均值由所述训练区域中的训练补丁对应的高斯补丁特征向量和是训练补丁在所述训练图像中的权重确定的。
6.根据权利要求1所述的方法，其中，所述训练分类器包括随机森林分类器或支持向量机分类器。
7.一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至6中任一项所述的方法。
8.一种设备，其中，该设备包括：
一个或多个处理器；
非易失性存储介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
CN201811210536.0A 2018-10-17 2018-10-17 一种行人再识别方法及设备 Active CN109446956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811210536.0A CN109446956B (zh) 2018-10-17 2018-10-17 一种行人再识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811210536.0A CN109446956B (zh) 2018-10-17 2018-10-17 一种行人再识别方法及设备

Publications (2)

Publication Number Publication Date
CN109446956A CN109446956A (zh) 2019-03-08
CN109446956B true CN109446956B (zh) 2021-01-01

Family

ID=65547253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811210536.0A Active CN109446956B (zh) 2018-10-17 2018-10-17 一种行人再识别方法及设备

Country Status (1)

Country Link
CN (1) CN109446956B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633229A (zh) * 2020-12-31 2021-04-09 天津大学 一种基于spd流形的行人重识别系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778504A (zh) * 2016-11-21 2017-05-31 南宁市浩发科技有限公司 一种行人检测方法
CN105005760B (zh) * 2015-06-11 2018-04-24 华中科技大学 一种基于有限混合模型的行人再识别方法
CN105160319B (zh) * 2015-08-31 2018-10-16 电子科技大学 一种在监控视频下实现行人再识别的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005760B (zh) * 2015-06-11 2018-04-24 华中科技大学 一种基于有限混合模型的行人再识别方法
CN105160319B (zh) * 2015-08-31 2018-10-16 电子科技大学 一种在监控视频下实现行人再识别的方法
CN106778504A (zh) * 2016-11-21 2017-05-31 南宁市浩发科技有限公司 一种行人检测方法

Also Published As

Publication number Publication date
CN109446956A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109740413B (zh) 行人重识别方法、装置、计算机设备及计算机存储介质
CN106897675B (zh) 双目视觉深度特征与表观特征相结合的人脸活体检测方法
Chen et al. Accurate and efficient traffic sign detection using discriminative adaboost and support vector regression
US9898686B2 (en) Object re-identification using self-dissimilarity
CN109284733B (zh) 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
KR100724932B1 (ko) 얼굴 검출 장치 및 방법
US10922581B2 (en) Method, system and apparatus for performing re-identification in images captured by at least two camera pairs operating with different environmental factors
US8559726B2 (en) Image analysis based on pixel brightness grouping
US20110007940A1 (en) Automated target detection and recognition system and method
Xia et al. Loop closure detection for visual SLAM using PCANet features
WO2023005161A1 (zh) 人脸图像相似度的计算方法、装置、设备及存储介质
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
US8094971B2 (en) Method and system for automatically determining the orientation of a digital image
CN109902576B (zh) 一种头肩图像分类器的训练方法及应用
CN111339812A (zh) 一种基于全部或部分人体结构化特征集的行人识别和再识别的方法、电子设备和存储介质
CN111259756A (zh) 基于局部高频次特征和混合度量学习的行人重识别方法
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN109446956B (zh) 一种行人再识别方法及设备
Lenc et al. Face Recognition under Real-world Conditions.
US20240087352A1 (en) System for identifying companion animal and method therefor
CN116415210A (zh) 图像侵权检测方法、装置及存储介质
CN114462479A (zh) 模型训练方法、检索方法以及模型、设备和介质
Ştefan et al. Deep learning-based person search with visual attention embedding
Khryashchev et al. Enhancement of Fast Face Detection Algorithm Based on A Cascade of Decision Trees
CN111640071A (zh) 基于卷积神经网络修复帧差法获取全景前景目标的方法

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