CN110008913A - 基于姿态估计与视点机制融合的行人再识别方法 - Google Patents
基于姿态估计与视点机制融合的行人再识别方法 Download PDFInfo
- Publication number
- CN110008913A CN110008913A CN201910287259.1A CN201910287259A CN110008913A CN 110008913 A CN110008913 A CN 110008913A CN 201910287259 A CN201910287259 A CN 201910287259A CN 110008913 A CN110008913 A CN 110008913A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- image
- viewpoint
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 102100040160 Rabankyrin-5 Human genes 0.000 claims description 4
- 101710086049 Rabankyrin-5 Proteins 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 101001043764 Homo sapiens Inhibitor of nuclear factor kappa-B kinase subunit alpha Proteins 0.000 claims description 2
- 102100021892 Inhibitor of nuclear factor kappa-B kinase subunit alpha Human genes 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 210000000746 body region Anatomy 0.000 abstract description 4
- 238000011840 criminal investigation Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本发明设计一种基于姿态估计与视点机制融合的行人再识别方法。用于解决各种需要进行刑侦，失踪人员寻找问题，为了达到该目的，该方法通过考虑行人的姿势结构信息，采用姿势估计网络Openpose提取行人关键点，同时考虑相机拍摄的视点位置，根据图像的拍摄的角度，生成行人身体关键区域，帮助对齐图像中的身体区域特征并可以避免相机拍摄到行人侧面时行人关键区域被遮挡等问题。最终，通过特征融合子网络将局部特征图与全局特征图进行融合来合并不同语义级别的区域特征。通过对行人数据集的训练，得到对应的模型，通过加载模型并采用本文的神经网络结构预测出所有与目标行人匹配的行人。
Description
技术领域
本发明涉及计算机视觉与图像检索领域，具体设计了一种基于姿态估计与视点机制融合的行人再识别方法。
背景技术
行人再识别(Person re-identification，Re-ID)起源于多摄像头跟踪，用于判断非重叠视域中拍摄到的不同图像中的行人是否属于同一个人。行人再识别涉及计算机视觉、机器学习、模式识别等多个学科领域，可以广泛应用于智能视频监控、安保、刑侦等领域。近年来，行人再识别技术引起了学术界和工业界的广泛关注，已经成为计算机视觉领域的一个研究热点，由于行人兼具刚性和柔性物体的特性，外观易受穿着、姿态和视角变化以及光照、遮挡、环境等各种复杂因素的影响，这使得行人再识别面临着巨大的技术挑战。
行人再识别由行人检测和行人识别发展而来，可以看作两者功能的“结合”。传统的行人检测的目的是判断输入的图片或者视频中是否有行人，主要用于智能驾驶，辅助驾驶和智能监控等相关领域；行人识别是从输入的图片或者视频中识别指定的人，主要用于图像检索等问题；而行人再识别是从没有任何重区域的不同摄像头的视频中识别出同个人，主要用于刑侦、寻找失踪人员等工作。在一定时间内，一个行走的行人可能会经过相邻的若干个摄像头，如何识别出在不同摄像头下出现的同一个人，是行人再识别所研究的重点。
发明内容
本发明设计一种基于姿态估计与视点机制融合的行人再识别方法。用于解决各种需要进行刑侦，失踪人员寻找问题，为了达到该目的，该方法通过考虑行人的姿势结构信息，采用姿势估计网络Openpose提取行人关键点，同时考虑相机拍摄的视点位置，根据图像的拍摄的角度，生成行人身体关键区域，帮助对齐图像中的身体区域特征并可以避免相机拍摄到行人侧面时行人关键区域被遮挡等问题。最终，通过特征融合子网络将局部特征图与全局特征图进行融合来合并不同语义级别的区域特征。通过对行人数据集的训练，得到对应的模型，通过加载模型并采用本文的神经网络结构预测出所有与目标行人匹配的行人。
本发明所述的方法首先对图像中的行人进行姿态估计与视图判别，根据姿态估计得到的人体关节点与图像视图方向将身体区域划分为6个或3个子区域，从局部区域中提取行人局部特征，同时从完整图像中提取全局特征，最终通过特征融合将全局与局部特征融合得到最终的特征表示，采用欧几里得距离进行再识别判别。在训练过程中，使用二元交叉熵损失来进行类别预测。
区别于现有的处理方法，本发明的有益效果是：1)在CNN框架中考虑人体结构信息，缓解行人由姿势变化造成的对齐困难。2)考虑相机视点信息，帮助本文模型规避由身体部位被遮挡而导致的姿势估计不准确。3)分别从全局图像与局部图像中学习特征表示，并提出特征融合网络将全局与局部的特征融合以获取更具鲁棒性的特征表示。使行人再识别的效率与精度又大大地提升。同时能够较好地克服行人姿态变化、视角变化的检测难度大的缺点。
附图说明
图1是本发明所述的一种基于姿态估计与视点机制融合的行人再识别方法。
具体实施方式
请参阅图1所示：
1、一种基于姿态估计与视点机制融合的行人再识别方法，其特征在于，所述方法包括以下步骤：
步骤一：行人再识别数据集采集，获取行人再识别公开数据集，区分训练集与测试集，进入步骤二；
步骤二：行人再识别数据集训练，将行人再识别公开数据集的训练集作为深度卷积神经网络模型的训练集，最终得到行人再识别模型进行进入步骤三；
步骤三：特征提取与融合，根据步骤二，得到的行人再识别模型，对查询图像与库图像提取网络中的全局特征与局部特征，将一张图像输入网络后，通过特征嵌入网络与特征融合网络最终获得一个2048维向量特征进入步骤四；
步骤四：再识别分析，根据步骤三获得的2048维特征向量，计算查询图像特征与待查询图像特征之间的欧几里得距离，将该距离由小到大排序，排名较前的图像较大可能与查询图像为同一行人，并利用CMC累积匹配曲线中的 RANK1，RANK5，RANK10，RANK20与平均精度mAP作为算法性能的评价指标；
2、根据权利要求1所述的一种基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤一中所述得到行人再识别数据集方法包括以下步骤：
步骤一：获取广泛使用的行人再识别数据集CHUK 03，Market-1501，与DukeMTMC-reID数据集进行实验，将CHUK03中的第三组的100个行人图像作为测试集，剩余1367个行人的图像作为训练集，Market1501训练集有751人，包含12,936张图像；测试集有750人，包含19,732张图像；训练集有702 个行人的16522张图像，测试集有702个行人的17661张图像；
3、根据权利要求1所述的一种基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤二所述的卷积神经网络模型训练包括以下步骤：
步骤一：训练过程中，输入图像进入我们的卷积神经网络，进行特征提取，深度卷积神经网络框架由特征嵌入网络与特征融合网络组成，其主干网络为 Resnet50；
步骤二：考虑训练过程中的损失函数，我们采用三个Softmax loss作为 Loss函数，分别为全局损失，融合损失，局部损失，统一用以下公式作为损失函数：
4、根据权利要求1所述的一种基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤三所述的特征提取与融合包括以下步骤：
步骤一：首先输入待查询图像，对图像中行人进行姿态估计与视点判别，获取行人姿势关节位置，并通过视图分类器获取图像视点方向，根据不同的视点方向以及姿势关节位置组合成不同的人体部位推荐，视点位置为“前”，“后”时图像角度良好，推荐6个局部身体区域，分别为{头部B1，躯干B2，左臂B3，右臂 B4，左腿B5，右腿B6}，视点位置为“侧”时，图像角度较差，推荐3个局部身体区域，分别为{头肩部A1＝(B1)，上身A2＝(B2，B3，B4)，下身A3＝(B5，B6)}
其中15个关节点Ki＝[Xi，Yi]，(i＝1，2，...，15)可以通过NMS(非极大值抑制) 方法获取，通过以下公式表示：
式中为每个身体关节的响应图；
若相机视点为{前，后}则根据上述的6个关键点子集生成6个子区域边界框，边界框的4个坐标可以根据每个关节点集的所有身体关节位置坐标计算得到，如下式(3)所示：
若相机视点为“侧”则根据上述的6个子集划分为3个宏观子区域
最终特征嵌入网络通过裁剪，旋转并进行尺寸调整将这些身体子区域标准化为固定的尺寸，将经过调整大小和旋转的身体部分重新组合为行人局部特征图像进入步骤二；
步骤二：根据步骤一得到的局部特征图像，与全局图像经过两个阶段的CNN 特征提取后得到两个1024×16×8的特征图，进入特征融合网络，通过一个双线性池化操作聚合两种类型的特征映射生成融合后的特征，然后进行归一化生成最终的2048维融合向量，特征融合的公式如下：其计算公式为：
联立上式得：
其中
上述公式中g(x，y)为全局特征图G中(x，y)处的特征向量，p(x，y)为局部特征图 P中(x，y)处的特征向量；fusion(x，y)为将两个特征向量进行融合后的(x，y)处的融合特征向量，为将融合向量fusion归一化后得到的最终向量；将融合的2048维特征向量作为最终表示，使用欧几里得距离进行再识别判别；
5、根据权利要求1所述的一种基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤四再识别分析，包括以下步骤：
步骤一：将源图像与数据集中库图象的特征向量进行欧几里得距离比较，最终在CHUK03数据集上以累积匹配曲线(CMC)曲线中的rank1，rank5，rank10， rank20作为评价指标，在Market1501与DukeMTMC数据集中额外加入平均精度 (mAP)作为评价指标；
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等流程变换，或直接或间接运用在相关技术领域，均同理包括在本发明的专利保护范围。
Claims (5)
1.基于姿态估计与视点机制融合的行人再识别方法，其特征在于，所述方法包括以下步骤：
步骤一：行人再识别数据集采集，获取行人再识别公开数据集，区分训练集与测试集，进入步骤二；
步骤二：行人再识别数据集训练，将行人再识别公开数据集的训练集作为深度卷积神经网络模型的训练集，最终得到行人再识别模型进行进入步骤三；
步骤三：特征提取与融合，根据步骤二，得到的行人再识别模型，对查询图像与库图像提取网络中的全局特征与局部特征，将一张图像输入网络后，通过特征嵌入网络与特征融合网络最终获得一个2048维向量特征进入步骤四；
步骤四：再识别分析，根据步骤三获得的2048维特征向量，计算查询图像特征与待查询图像特征之间的欧几里得距离，将该距离由小到大排序，排名较前的图像较大可能与查询图像为同一行人，并利用CMC累积匹配曲线中的RANK1，RANK5，RANK10，RANK20与平均精度mAP作为算法性能的评价指标。
2.根据权利要求1所述的基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤一中所述得到行人再识别数据集方法包括以下步骤：
步骤一：获取广泛使用的行人再识别数据集CHUK 03，Market-1501，与DukeMTMC-reID数据集进行实验，将CHUK03中的第三组的100个行人图像作为测试集，剩余1367个行人的图像作为训练集，Market1501训练集有751人，包含12,936张图像；测试集有750人，包含19,732张图像；训练集有702个行人的16522张图像，测试集有702个行人的17661张图像。
3.根据权利要求1所述的基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤二所述的卷积神经网络模型训练包括以下步骤：
步骤一：训练过程中，输入图像进入我们的卷积神经网络，进行特征提取，深度卷积神经网络框架由特征嵌入网络与特征融合网络组成，其主干网络为Resnet50；
步骤二：考虑训练过程中的损失函数，我们采用三个Softmax loss作为Loss函数，分别为全局损失，融合损失，局部损失，统一用以下公式作为损失函数：
4.根据权利要求1所述的基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤三所述的特征提取与融合包括以下步骤：
步骤一：首先输入待查询图像，对图像中行人进行姿态估计与视点判别，获取行人姿势关节位置，并通过视图分类器获取图像视点方向，根据不同的视点方向以及姿势关节位置组合成不同的人体部位推荐，视点位置为“前”，“后”时图像角度良好，推荐6个局部身体区域，分别为{头部B1，躯干B2，左臂B3，右臂B4，左腿B5，右腿B6}。视点位置为“侧”时，图像角度较差，推荐3个局部身体区域，分别为{头肩部A1＝(B1)，上身A2＝(B2，B3，B4)，下身A3＝(B5，B6)}；
其中15个关节点Ki＝[Xi，Yi]，(i＝1，2，...，15)可以通过NMS(非极大值抑制)方法获取，通过以下公式(2)表示：
式中为每个身体关节的响应图
若相机视点为{前，后}则根据上述的6个关键点子集生成6个子区域边界框；边界框的4个坐标可以根据每个关键点集的所有身体关节位置坐标计算得到，如下式(3)所示：
若相机视点为“侧”则根据上述的6个子集划分为3个宏观子区域
最终特征嵌入网络通过裁剪，旋转并进行尺寸调整将这些身体子区域标准化为固定的尺寸，将经过调整大小和旋转的身体部分重新组合为行人局部特征图像进入步骤二；
步骤二：根据步骤一得到的局部特征图像，与全局图像经过两个阶段的CNN特征提取后得到两个1024×16×8的特征图，进入特征融合网络，通过一个双线性池化操作聚合两种类型的特征映射生成融合后的特征，然后进行归一化生成最终的2048维融合向量，特征融合的公式如下：
联立上式得：
其中
上述公式中g(x，y)为全局特征图G中(x，y)处的特征向量，p(x，y)为局部特征图P中(x，y)处的特征向量，fusion(x，y)为将两个特征向量进行融合后的(x，y)处的融合特征向量，为将融合向量fusion归一化后得到的最终向量，将融合的2048维特征向量作为最终表示，使用欧几里得距离进行再识别判别。
5.根据权利要求1所述的基于姿态估计与视点机制融合的行人再识别方法，其特征在于，步骤四再识别分析，包括以下步骤：
步骤一：将源图像与数据集中库图象的特征向量进行欧几里得距离比较，最终在CHUK03数据集上以累积匹配曲线(CMC)曲线中的rank1，rank5，rank10，rank20作为评价指标，在Market1501与DukeMTMC数据集中额外加入平均精度(mAP)作为评价指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287259.1A CN110008913A (zh) | 2019-04-08 | 2019-04-08 | 基于姿态估计与视点机制融合的行人再识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287259.1A CN110008913A (zh) | 2019-04-08 | 2019-04-08 | 基于姿态估计与视点机制融合的行人再识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110008913A true CN110008913A (zh) | 2019-07-12 |
Family
ID=67170954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910287259.1A Pending CN110008913A (zh) | 2019-04-08 | 2019-04-08 | 基于姿态估计与视点机制融合的行人再识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008913A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490901A (zh) * | 2019-07-15 | 2019-11-22 | 武汉大学 | 抗姿态变化的行人检测跟踪方法 |
| CN110543817A (zh) * | 2019-07-25 | 2019-12-06 | 北京大学 | 基于姿势指导特征学习的行人再识别方法 |
| CN110781736A (zh) * | 2019-09-19 | 2020-02-11 | 杭州电子科技大学 | 基于双流网络将姿态和注意力相结合的行人重识别方法 |
| CN110781817A (zh) * | 2019-10-25 | 2020-02-11 | 南京大学 | 一种解决部件不对齐的行人再识别方法 |
| CN111126275A (zh) * | 2019-12-24 | 2020-05-08 | 广东省智能制造研究所 | 一种基于多粒度特征融合的行人再识别方法及装置 |
| CN111652076A (zh) * | 2020-05-11 | 2020-09-11 | 重庆大学 | 一种面向ad量表理解能力测试的姿态自动识别系统 |
| WO2021109118A1 (en) * | 2019-12-06 | 2021-06-10 | Intel Corporation | Object re-identification using pose part based models |
| CN113011514A (zh) * | 2021-03-29 | 2021-06-22 | 吉林大学 | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 |
| CN115830643A (zh) * | 2023-02-17 | 2023-03-21 | 石家庄铁道大学 | 一种姿势引导对齐的轻量行人重识别方法 |
| WO2023134071A1 (zh) * | 2022-01-12 | 2023-07-20 | 平安科技（深圳）有限公司 | 行人重识别方法、装置、电子设备及存储介质 |
| US11715213B2 (en) | 2020-06-26 | 2023-08-01 | Intel Corporation | Apparatus and methods for determining multi-subject performance metrics in a three-dimensional space |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010134697A (ja) * | 2008-12-04 | 2010-06-17 | Canon Inc | コンボリューション演算回路、階層的コンボリューション演算回路及び物体認識装置 |
| CN107330396A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于多属性和多策略融合学习的行人再识别方法 |
| CN108491884A (zh) * | 2018-03-27 | 2018-09-04 | 中山大学 | 基于轻量级网络的行人再识别系统及实现方法 |
| CN108960140A (zh) * | 2018-07-04 | 2018-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于多区域特征提取和融合的行人再识别方法 |
| WO2019016540A1 (en) * | 2017-07-18 | 2019-01-24 | Vision Semantics Limited | REITTED IDENTIFICATION OF TARGET |
| CN109299659A (zh) * | 2018-08-21 | 2019-02-01 | 中国农业大学 | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 |
-
2019
- 2019-04-08 CN CN201910287259.1A patent/CN110008913A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010134697A (ja) * | 2008-12-04 | 2010-06-17 | Canon Inc | コンボリューション演算回路、階層的コンボリューション演算回路及び物体認識装置 |
| CN107330396A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于多属性和多策略融合学习的行人再识别方法 |
| WO2019016540A1 (en) * | 2017-07-18 | 2019-01-24 | Vision Semantics Limited | REITTED IDENTIFICATION OF TARGET |
| CN108491884A (zh) * | 2018-03-27 | 2018-09-04 | 中山大学 | 基于轻量级网络的行人再识别系统及实现方法 |
| CN108960140A (zh) * | 2018-07-04 | 2018-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于多区域特征提取和融合的行人再识别方法 |
| CN109299659A (zh) * | 2018-08-21 | 2019-02-01 | 中国农业大学 | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 |
Non-Patent Citations (4)
| Title |
|---|
| HAIYU ZHAO等: ""Spindle Net: Person Re-identification with Human Body Region Guided Feature Decomposition and Fusion"", 2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR) * |
| KAJAL KANSAL等: ""Transfer Learning of Spatio-Temporal Information Using 3D-CNN for Person Re-identification"", 2018 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC) * |
| YUAN TIAN等: ""Discriminative Transfer Learning Siamese CNN for Person Re-identification"", 2017 4TH IAPR ASIAN CONFERENCE ON PATTERN RECOGNITION (ACPR) * |
| 四建楼: "\"智能视觉监控中行人再识别技术研究\"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490901A (zh) * | 2019-07-15 | 2019-11-22 | 武汉大学 | 抗姿态变化的行人检测跟踪方法 |
| CN110543817A (zh) * | 2019-07-25 | 2019-12-06 | 北京大学 | 基于姿势指导特征学习的行人再识别方法 |
| CN110781736A (zh) * | 2019-09-19 | 2020-02-11 | 杭州电子科技大学 | 基于双流网络将姿态和注意力相结合的行人重识别方法 |
| CN110781817A (zh) * | 2019-10-25 | 2020-02-11 | 南京大学 | 一种解决部件不对齐的行人再识别方法 |
| WO2021109118A1 (en) * | 2019-12-06 | 2021-06-10 | Intel Corporation | Object re-identification using pose part based models |
| CN111126275A (zh) * | 2019-12-24 | 2020-05-08 | 广东省智能制造研究所 | 一种基于多粒度特征融合的行人再识别方法及装置 |
| CN111126275B (zh) * | 2019-12-24 | 2023-05-05 | 广东省智能制造研究所 | 一种基于多粒度特征融合的行人再识别方法及装置 |
| CN111652076A (zh) * | 2020-05-11 | 2020-09-11 | 重庆大学 | 一种面向ad量表理解能力测试的姿态自动识别系统 |
| US11715213B2 (en) | 2020-06-26 | 2023-08-01 | Intel Corporation | Apparatus and methods for determining multi-subject performance metrics in a three-dimensional space |
| CN113011514A (zh) * | 2021-03-29 | 2021-06-22 | 吉林大学 | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 |
| CN113011514B (zh) * | 2021-03-29 | 2022-01-14 | 吉林大学 | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 |
| WO2023134071A1 (zh) * | 2022-01-12 | 2023-07-20 | 平安科技（深圳）有限公司 | 行人重识别方法、装置、电子设备及存储介质 |
| CN115830643A (zh) * | 2023-02-17 | 2023-03-21 | 石家庄铁道大学 | 一种姿势引导对齐的轻量行人重识别方法 |
| CN115830643B (zh) * | 2023-02-17 | 2023-05-09 | 石家庄铁道大学 | 一种姿势引导对齐的轻量行人重识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008913A (zh) | 基于姿态估计与视点机制融合的行人再识别方法 | |
| Nadeem et al. | Human actions tracking and recognition based on body parts detection via Artificial neural network | |
| CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
| CN108052896B (zh) | 基于卷积神经网络与支持向量机的人体行为识别方法 | |
| CN107392964B (zh) | 基于室内特征点和结构线结合的室内slam方法 | |
| Yang et al. | Extraction of 2d motion trajectories and its application to hand gesture recognition | |
| CN104008370B (zh) | 一种视频人脸识别方法 | |
| CN103530599B (zh) | 一种真实人脸和图片人脸的区别方法和系统 | |
| Ogale | A survey of techniques for human detection from video | |
| CN110135249B (zh) | 基于时间注意力机制和lstm的人体行为识别方法 | |
| CN110555412B (zh) | 基于rgb和点云相结合的端到端人体姿态识别方法 | |
| Medioni et al. | Identifying noncooperative subjects at a distance using face images and inferred three-dimensional face models | |
| WO2009123354A1 (en) | Method, apparatus, and program for detecting object | |
| CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
| CN104794451B (zh) | 基于分块匹配结构的行人比对方法 | |
| CN106682641A (zh) | 基于fhog‑lbph特征的图像行人识别方法 | |
| CN106030610A (zh) | 移动设备的实时3d姿势识别和跟踪系统 | |
| CN108171133A (zh) | 一种基于特征协方差矩阵的动态手势识别方法 | |
| CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
| CN110135277B (zh) | 一种基于卷积神经网络的人体行为识别方法 | |
| CN111476077A (zh) | 一种基于深度学习的多视角步态识别方法 | |
| CN106909890A (zh) | 一种基于部位聚类特征的人体行为识别方法 | |
| CN112989889A (zh) | 一种基于姿态指导的步态识别方法 | |
| Antonio et al. | Pedestrians' Detection Methods in Video Images: A Literature Review | |
| CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |