CN109886113A - 一种基于区域候选网络的旷视行人再识别方法 - Google Patents
一种基于区域候选网络的旷视行人再识别方法 Download PDFInfo
- Publication number
- CN109886113A CN109886113A CN201910044230.0A CN201910044230A CN109886113A CN 109886113 A CN109886113 A CN 109886113A CN 201910044230 A CN201910044230 A CN 201910044230A CN 109886113 A CN109886113 A CN 109886113A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- pedestrian image
- feature vector
- limbs
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于区域候选网络的旷视行人再识别方法,包括:构建深度神经网络模型,获取带有行人的图片,将行人图像的部分提取出来,取得所述第一行人图像的整体特征向量H1,提取出第一行人图像中行人的四肢及身体主干部分并分配类别标签,获得行人图像的四肢及主干的特征向量串联形成对应第一行人图像的最终特征向量H2;将所述特征向量重新按人体端正姿态组成第二行人图像,获得所述第二行人图像特征向量H3;基于以上特征向量获得特征矩阵H和数据库中的图像对比获得所需的行人图像。本发明通过对行人整体图像和身体部位图像的标记分类,有效快速的获取所需的人物图象,提高检测目标和已有图像库中行人的匹配速度。
Description
技术领域
本发明涉及一种基于区域候选网络的旷视行人再识别方法,属于模式识别技术领域。
背景技术
行人识别是近几年在计算机视觉领域快速发展的一个研究方向,它指的是从不同的照片中识别出我们所需要寻找的单个行人,即判断不同位置的摄像头在不同时间不同角度捕捉到的是否为同一行人。传统的行人再识别是将待检测图片图像直接通过CNN网络提取整体特征,然后再进行行人的重识别,这种方法使用起来在多方面的环境干扰下,识别效果准确率低下,分类困难,给识别工作带来了较大的阻碍。
发明内容
本发明针对现有技术的不足,提出一种基于区域网络的旷视行人再识别方法。
本发明解决上述技术问题的技术方案如下:一种基于区域候选网络的旷视行人再识别方法,其特征在于,包括以下步骤:
步骤1:构建深度神经网络模型;
步骤2:获取带有行人的图片,通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来,获得第一行人图像的整体特征向量H1;
步骤3:通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来,并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签,获得所述第一行人图像中行人四肢及身体主干的每个部分的特征向量,将所述特征向量串联形成对应图像的最终特征向量H2;
步骤4:将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像,获得所述第二行人图像的特征向量H3;
步骤5:对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重,得到一个特征矩阵H;
步骤6:将所述特征矩阵H与数据库中待检测行人图像进行相似度计算;
步骤7:若所述数据库中存在相似度大于预设相似度阈值的第三行人图像,则输出所述第三行人图像,否则,将第四行人图像添加到下一个行人分组中,所述第四行人图像为相似度小于预设相似度阈值的待检测行人图像。
本发明的有益效果是:解决了行人再识别在检测过程中行人姿态差异较大时识别率较低的问题,以及在行人再识别在实际应用中,因为图像库较多而无法进行迅速匹配的问题,提高了不同姿态的行人间的识别率以及检测目标和已有图像库中行人的匹配速度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述深度神经网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层。
采用上述进一步方案的有益效果是:所述深度神经网络模型包括五个部分且每个部分分别在本发明步骤中起不同作用。
进一步,所述步骤1包括:所述特征全连接层的神经元个数为五个。
采用上述进一步方案的有益效果是:所述神经元用于连接所述深度神经网络模型中的五个部分。
进一步,所述步骤2包括:从带有行人的图片中选择出目标任务对应的照片,通过所述Fast-CNN行人检测网络将所述图片中的行人图像的部分提取出来获得第一行人图像;通过所述CNN特征提取所述第一行人图像对应的整体特征向量H1。
采用上述进一步方案的有益效果是:在步骤2中具体通过所述Fast-CNN行人检测网络对所述图片中的行人图像的部分进行提取;通过所述CNN特征提取网络取得所述第一行人图像的整体特征向量H1。
进一步,所述步骤3具体包括:通过所述RPN区域候选网络将所述第一行人图像中行人的四肢以及身体主干的部分提取出来,并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签;所述CNN特征提取网络获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量,在所述特征全连接层将所述分特征向量串联成一个最终向量H2。
采用上述进一步方案的有益效果是:在步骤3中具体通过所述RPN区域候选网络将所述第一行人图像中的行人四肢及身体主干的部分提取出来,并对所述第一行人图像中的行人四肢及身体主干的部分分配类别标签;所述CNN特征提取网络获得所述第一行人图像中的行人四肢及身体主干的部分的特征向量,在所述特征全连接层将所述特征向量串联成对应第一行人图像的最终向量H2。
根据本发明的另一面,提供了一种基于区域候选网络的旷视行人再识别系统,其特征在于,包括神经网络模型构建模块、特征向量H1提取模块、特征向量H2提取模块、特征向量H3提取模块、特征向量权重组合模块、行人图像处理模块;
所述深度神经网络模型构建模块,用于构建深度神经网络模型;
所述特征向量H1提取模块,用于获得带有行人的图片中第一行人图像的整体特征向量H1;
所述特征向量H2提取模块,用于提取所述第一行人图形中行人的四肢和主干部分,并为提取所述第一行人图像中行人的四肢及身体主干的部分分配类别标签,获得所述第一行人图像中行人四肢及身体主干的每个部分的特征向量,将所述特征向量串联成对应第一行人图像的特征向量H2;
所述特征向量H3提取模块,用于将所述第一行人图形中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像,获得所述第二行人图像的特征向量H3;
所述特征向量权重组合模块,用于对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重,得到一个特征矩阵H3;将所述特征矩阵H与数据库中待检测行人图像进行相似度计算;
所述行人图像处理模块,用于判断在数据库中是否存在相似度大于所述相似度阈值的第三行人图像,是,则输出所有相似度超过阈值的第三行人图像;否,则将第四行人图像添加到下一个行人分组中。
附图说明
图1为本发明的基于区域候选网络的旷视行人再识别方法的方法流程图;
图2为本发明的基于区域候选网络的旷视行人再识别方法的系统示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施列1
如图1所示,本发明提供一种基于区域候选网络的旷视行人再识别方法,包括以下步骤:
步骤1:构建深度神经网络模型;
所述深度区域网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层;
将所述深度神经网络模型中的所述特征全连接层的神经元个数替换成五个。
步骤2:获取带有行人的图片,通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来,获得第一行人图像的整体特征向量H1;
从图片中选取出目标人物所在的图片,通过所述Fast-CNN行人检测网络框选出行人的区域;
将图片中带有行人的图片输入到所述深度神经网络模型中,先通过所述检测出所述图片中的目标人物,并截取所述目标人物的第一行人图像作为所述训练模型网络的输入;
在输入所述训练模型网络前,对上述训练模型网络进行初始化,避免上次训练的结果影响接下来的训练,造成拟合;
然后所述CNN特征提取网络取得所述第一行人图像的整体特征向量H1;
所述训练模型网络包括第一训练模型网络、第二训练模型网络;
所述第一行人图像进入所述第一训练模型网络中训练,输出的向量表示为H1∈Rd *1,其中d表示输出向量的维数。
步骤3:通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来,并为所述第一行人图像中的行人四肢及身体主干部分分配类别标签,获得所述第一行人图像中的行人四肢及身体主干部分的特征向量,将所述特征向量串联形成对应第一行人图像的最终特征向量H2;
将步骤2中获得的所述第一行人图像输入到所述RPN区域候选网络中,通过所述区域候选网络中注意力机制,标定能组成人身体的五个点,由这些点为区域中心的利用所述区域候选网络生成建议框,即组成人体五个部分区域,对所述五个区域分配类别标签,即左手、右手、主干、左脚、右脚,然后获得这些区域的特征向量r1、r2、r3、r4、r5;
将所述特征向量r1、r2、r3、r4、r5通过所述第二训练模型网络的全连接层串联成一个特征向量H2。
步骤4:将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像,获得所述第二行人图像的特征向量H3;
将步骤3提取的所述第一行人图像进行规则重组,即主干图在中间,左手区域在左边,右手区域在主干图右边,左脚区域在主干图左下方,右脚区域在主干图右下方,重组成下一个行人图像,即第二行人图像;
将所述第二行人图像输入到所述第一训练模型网络中,在输入图像前初始化第一训练模型网络,得到所述第二行人图像的特征向量H3。
步骤5:对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重,得到一个特征矩阵H;
将所述输出向量H1赋予一个权重w1,然后输出到所述训练网络的全连接层,将所述输出向量H2赋予一定的权重w2,然后输入到所述特征全连接层中,将所述特征向量H3赋予一个权重w3,然后输出到所述特征全连接层中;
将上述特征向量H1、H2、H3连接起来的到特征矩阵H,H=H1*w1+H2*w2+H3*w3。
步骤6:将所述特征矩阵H与所数据库中待检测行人图像进行相似度计算,得到相似度阈值;
将所数据库中待检测行人图像与所述第一行人图像进行相似度对比,利用欧式距离来计算相似度,xa i为所述第一行人图像中特征向量H1的特征值,xp i为所数据库中待检测行人图像中正向样本特征向量的特征值,则:
欧式距离
通过所述欧式距离计算图像之间的相似度,其转换公式为:
设定一个Simmin值,将每个所述待测图片和所述第一行人图像计算出的相似度与所述Simmin相比较,所述Simmin作为判定标准。
步骤7:若所述数据库中存在相似度大于所述相似度阈值的所述第三行人图像,则输出所有相似度超过阈值的所述第三行人图像;否,则将第四行人图像添加到下一个行人分组中,所述第四行人图像为相似度小于预设小于相似度阈值得待检测行人图像;
若待检测图像与第一行人图像的相似度超过所述Simmin值,则输出所有符合要求的所述第一行人图像,若待检测图像与第一行人图像的相似度未超过所述Simmin值,则将所述第一行人图像添加到下一个行人分组中,并做上新的标签,以便于再次查询。
实施例2
如图2所示,本发明提供一种基于区域候选网络的旷视行人再识别系统,包括神经网络模型构建模块、特征向量H1提取模块、特征向量H2提取模块、特征向量H3提取模块、特征向量权重组合模块、行人图像处理模块;
所述深度神经网络模型构建模块,用于构建深度神经网络模型;
所述特征向量H1提取模块,用于获得带有行人的图片中第一行人图像的整体特征向量H1;
所述特征向量H2提取模块,用于提取所述第一行人图像中行人的四肢和主干部分,并为提取所述第一行人图像中行人的四肢及身体主干的部分分配类别标签,获得所述第一行人图像中行人的四肢及身体主干的部分每个部分的特征向量,将所述特征向量串联成对应的特征向量H2;
所述特征向量H3提取模块,用于将所述第一行人图像中行人的四肢及身体主干的部分的特征向量重新按照人体的端正姿态组成第二个行人图像,获得所述第二行人图像的特征向量H3;
所述特征向量权重组合模块,用于对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重,得到一个特征矩阵H;将所述特征矩阵H与数据库中待检测行人图像进行相似度计算,得到相似度阈值;
所述行人图像处理模块,用于判断在数据库中是否存在相似度大于所述相似度阈值第三行人图像,是,则输出所有相似度超过阈值的第三图像;否,则将第四行人图像添加到下一个行人分组中,并做上新的标签,以便于再次查询。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于区域候选网络的旷视行人再识别方法,其特征在于,包括以下步骤:
步骤1:构建深度神经网络模型;
步骤2:获取带有行人的图片,通过所述深度神经网络模型将所述图片中的行人图像的部分提取出来,获得第一行人图像的整体特征向量H1;
步骤3:通过所述深度神经网络模型将所述第一行人图像中的行人四肢及身体主干的部分提取出来,并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签,根据分配的类别标签获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量,将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量串联形成对应第一行人图像的最终特征向量H2;
步骤4:将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像,获得所述第二行人图像的特征向量H3;
步骤5:对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重,得到一个特征矩阵H;
步骤6:将所述特征矩阵H与数据库中待检测行人图像进行相似度计算;
步骤7:若所述数据库中存在相似度大于预设相似度阈值的第三行人图像,则输出所述第三行人图像,否则,将第四行人图像添加到下一个行人分组中,所述第四行人图像为相似度小于预设相似度阈值的待检测行人图像。
2.根据权利要求1所述的基于区域候选网络的旷视行人再识别方法,其特征在于,所述深度神经网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层。
3.根据权利要求2所述的基于区域候选网络的旷视行人再识别方法,其特征在于,所述特征全连接层的神经元个数为五个。
4.根据权利要求2所述的基于区域候选网络的旷视行人再识别方法,其特征在于,所述步骤2包括:从带有行人的图片中选择出目标任务对应的照片,通过所述Fast-CNN行人检测网络将所述图片中的行人图像的部分提取出来获得第一行人图像;通过所述CNN特征提取网络提取所述第一行人图像对应的整体特征向量H1。
5.根据权利要求2所述的基于区域候选网络的旷视行人再识别方法,其特征在于,所述步骤3具体包括:通过所述RPN区域候选网络将所述第一行人图像中行人的四肢以及身体主干的部分提取出来,并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签;通过所述CNN特征提取网络基于分配的类别标签获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量,在所述特征全连接层将所述特征向量串联成对应第一行人图像最终向量H2。
6.一种基于区域候选网络的旷视行人再识别系统,其特征在于,包括神经网络模型构建模块、特征向量H1提取模块、特征向量H2提取模块、特征向量H3提取模块、特征向量权重组合模块、行人图像处理模块;
所述深度神经网络模型构建模块,用于构建深度神经网络模型;
所述特征向量H1提取模块,用于获得带有行人的图片,将带有行人的图片中的行人图像部分提取出来,获得第一行人图像的整体特征向量H1;
所述特征向量H2提取模块,用于将所述第一行人图像中行人的四肢及身体主干的部分提取出来,并为提取所述第一行人图像中行人的四肢及身体主干的部分分配类别标签,获得所述第一行人图像中行人四肢及身体主干的每个部分的特征向量,将所述特征向量串联成对应第一行人图像的特征向量H2;
所述特征向量H3提取模块,用于将所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量重新按照人体的端正姿态组成第二行人图像,获得所述第二行人图像的特征向量H3;
所述特征向量权重组合模块,用于对所述特征向量H1、所述特征向量H2、所述特征向量H3赋予不同的权重,得到一个特征矩阵H;将所述特征矩阵H与数据库中待检测行人图像进行相似度计算;
所述行人图像处理模块,用于判断在数据库中是否存在相似度大于所述相似度阈值的第三行人图像,是,则输出所有相似度超过阈值的第三行人图像;否,则将第四行人图像添加下一个行人分组中。
7.根据权利要求6所述的基于区域候选网络的旷视行人再识别系统,其特征在于,所述深度神经网络模型包括Fast-CNN行人检测网络、RPN区域候选网络、CNN特征提取网络、训练模型网络以及特征全连接层。
8.根据权利要求6所述的基于区域候选网络的旷视行人再识别系统,其特征在于,所述特征全连接层的神经元个数为五个。
9.根据权利要求7所述的基于区域候选网络的旷视行人再识别系统,其特征在于,所述Fast-CNN行人检测网络将所述图片中的行人图像的部分提取出来获得第一行人图像;所述CNN特征提取网络提取所述第一行人图像对应的整体特征向量H1。
10.根据权利要求7所述的基于区域候选网络的旷视行人再识别系统,其特征在于,所述RPN区域候选网络将所述第一行人图像中行人的四肢以及身体主干的部分提取出来,并为所述第一行人图像中的行人四肢及身体主干的部分分配类别标签;所述CNN特征提取网络基于分配的类别标签获得所述第一行人图像中的行人四肢及身体主干的每个部分的特征向量,在所述特征全连接层将所述特征向量串联成对应第一行人图像最终向量H2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910044230.0A CN109886113A (zh) | 2019-01-17 | 2019-01-17 | 一种基于区域候选网络的旷视行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910044230.0A CN109886113A (zh) | 2019-01-17 | 2019-01-17 | 一种基于区域候选网络的旷视行人再识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886113A true CN109886113A (zh) | 2019-06-14 |
Family
ID=66926193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910044230.0A Pending CN109886113A (zh) | 2019-01-17 | 2019-01-17 | 一种基于区域候选网络的旷视行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886113A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619271A (zh) * | 2019-08-12 | 2019-12-27 | 浙江浩腾电子科技股份有限公司 | 一种基于深度区域特征连接的行人重识别方法 |
WO2021226980A1 (en) * | 2020-05-15 | 2021-11-18 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Partial point cloud-based pedestrians' velocity estimation method |
CN113920306A (zh) * | 2021-09-30 | 2022-01-11 | 北京百度网讯科技有限公司 | 目标再识别方法、装置及电子设备 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
CN107729805A (zh) * | 2017-09-01 | 2018-02-23 | 北京大学 | 用于行人再识别的神经网络和基于深度学习的行人再识别算法 |
US20180253596A1 (en) * | 2017-03-06 | 2018-09-06 | Conduent Business Services, Llc | System and method for person re-identification using overhead view images |
CN109034044A (zh) * | 2018-06-14 | 2018-12-18 | 天津师范大学 | 一种基于融合卷积神经网络的行人再识别方法 |
-
2019
- 2019-01-17 CN CN201910044230.0A patent/CN109886113A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253596A1 (en) * | 2017-03-06 | 2018-09-06 | Conduent Business Services, Llc | System and method for person re-identification using overhead view images |
CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
CN107729805A (zh) * | 2017-09-01 | 2018-02-23 | 北京大学 | 用于行人再识别的神经网络和基于深度学习的行人再识别算法 |
CN109034044A (zh) * | 2018-06-14 | 2018-12-18 | 天津师范大学 | 一种基于融合卷积神经网络的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
HAIYU ZHAO,ET AL.: "Spindle Net: Person Re-identification with Human Body Region Guided Feature Decomposition and Fusion", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
宓超 等: "《装卸机器视觉及其应用》", 31 January 2016 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619271A (zh) * | 2019-08-12 | 2019-12-27 | 浙江浩腾电子科技股份有限公司 | 一种基于深度区域特征连接的行人重识别方法 |
WO2021226980A1 (en) * | 2020-05-15 | 2021-11-18 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Partial point cloud-based pedestrians' velocity estimation method |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
CN113920306A (zh) * | 2021-09-30 | 2022-01-11 | 北京百度网讯科技有限公司 | 目标再识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886113A (zh) | 一种基于区域候选网络的旷视行人再识别方法 | |
CN106127170B (zh) | 一种融合关键特征点的训练方法、识别方法及系统 | |
Zheng et al. | Learning multi-attention convolutional neural network for fine-grained image recognition | |
CN104601964B (zh) | 非重叠视域跨摄像机室内行人目标跟踪方法及系统 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
CN105893936B (zh) | 一种基于hoirm和局部特征融合的行为识别方法 | |
CN110163110A (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
Yao et al. | Robust CNN-based gait verification and identification using skeleton gait energy image | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
Hu et al. | Exploring structural information and fusing multiple features for person re-identification | |
CN110008913A (zh) | 基于姿态估计与视点机制融合的行人再识别方法 | |
CN105488490A (zh) | 基于视频的审判员着装检测方法 | |
CN107273905A (zh) | 一种结合运动信息的目标主动轮廓跟踪方法 | |
CN105868779B (zh) | 一种基于特征增强和决策融合的行为识别方法 | |
CN106529583A (zh) | 一种基于视觉词袋模型的室内场景认知方法 | |
CN112131970A (zh) | 一种基于多通道时空网络和联合优化损失的身份识别方法 | |
CN112016402A (zh) | 基于无监督学习的行人重识别领域自适应方法及装置 | |
CN106909890A (zh) | 一种基于部位聚类特征的人体行为识别方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
CN115527269B (zh) | 一种人体姿态图像智能识别方法及系统 | |
Sun et al. | Human recognition for following robots with a Kinect sensor | |
CN109145947B (zh) | 一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法 | |
Liu et al. | Gender recognition using dynamic gait energy image | |
CN110765925B (zh) | 基于改进的孪生神经网络的携带物检测与步态识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |