CN111126123A - 一种基于压缩的增量核零空间变换行人再识别方法 - Google Patents
一种基于压缩的增量核零空间变换行人再识别方法 Download PDFInfo
- Publication number
- CN111126123A CN111126123A CN201910807162.9A CN201910807162A CN111126123A CN 111126123 A CN111126123 A CN 111126123A CN 201910807162 A CN201910807162 A CN 201910807162A CN 111126123 A CN111126123 A CN 111126123A
- Authority
- CN
- China
- Prior art keywords
- ini
- pedestrian
- feas
- matrix
- compressed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000007906 compression Methods 0.000 title claims abstract description 57
- 230000009466 transformation Effects 0.000 title claims abstract description 47
- 230000006835 compression Effects 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 155
- 239000011159 matrix material Substances 0.000 claims abstract description 124
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000007620 mathematical function Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 3
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 3
- 210000000299 nuclear matrix Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (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
本发明公开基于压缩的增量核零空间变换的行人再识别方法,首先对初始行人特征集进行KPCA变换得到初始基矢量系数和奇异值,进行零空间变换得初始投影方向集和投影点集;接着对增量后行人特征集进行IKPCA变换得更新的基矢量系数和奇异值,对增量后的样本特征集进行RS压缩和零空间变换得压缩后的投影方向集和点集;最后把测试图像特征集的核矩阵投影到压缩后的投影方向集上得测试图像的投影点集,根据测试图像投影点集和压缩后投影点集的欧式距离进行行人识别。本发明考虑了增量核零空间变换对压缩的限制、增量核主成分分析IKPCA和IKNFST的内在联系,实现基矢量系数规模在线增量学习时的不变性,提高增量时行人识别效率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于压缩的增量核零空间 变换的行人再识别方法。
背景技术
随着公共安全领域视频监控应用需求的快速增长,对行人再识别技术的 研究越来越深入。行人再识别是指给定某一个摄像头下的行人,然后通过算 法在其余摄像头下对该行人进行重识别。行人重识别技术目前存在的主要挑 战是:①由于视频光照、角度、尺度等变化导致行人的外貌特征发生变化; ②由于摄像机视角和行人姿态的变化导致行人外貌特征存在遮挡;③不同摄 像头或不同行人的外貌特征可能比同一个人的外貌特征更相似。
利用增量方法进行行人再识别的研究中,增量核零空间变换 (IKNFST,Incremental Kernel Null Foley-Sammon Transform)的行人再识别 方法取得了很好的性能,但随着同类别行人样本个数的急剧增加,基矢量 系数的维度也会随着增加,导致计算负载会越来越大。为了避免随样本增 加不断增长的计算复杂度和存储空间,需要把基矢量系数的维度保持在一 定规模。
发明内容
本发明的目的是提供一种基于压缩的增量核零空间变换的行人再识别 方法,把IKPCA(Incremental Kernel Principal Component Analysis,即增量 核主成分分析)及RS(Reduced Set,即增减集)压缩相结合以替换传统 IKNFST(Incremental Kernel NullFoley-Sammon Transform,即增量核零空间 变换)方法中的增量部分,实现基矢量系数在线学习时的规模不变性。
本发明采用的技术方案是,一种基于压缩的增量核零空间变换的行人再 识别方法,具体按照以下步骤实施:
步骤1、从标准数据集中获取初始行人图像集Imgsini={Iini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},N表示初始行人图像个数;
步骤2、对Imgsini提取CNN特征,得到特征集Feasini={Fini|ini=1,2,...,N};
步骤4、把Feasini、A0、Labelsini作为输入,调用零空间变换函数NFST(), 得到零空间投影方向集ΨS0和零空间的投影点集XS0, i=1,2,...,N,c=1,2,...,C,j=1,2,...,C-1,C表示行人类别个数;
步骤5、迭代执行增量学习和压缩过程,输入为Feasini,Labelsini,A0,Σ0, 增量的行人图像集增量的行人图像标签集输出更新的零空 间投影方向集ΨSnew,零空间的投影点集XSnew,压缩后的样本特征集压缩后的样本标签集压缩后的基矢量系数A2,压缩后的奇异值Σ2;
步骤6、从标准数据集中获取测试行人图像集Imgsz={Iz|z=1,2,...,Z},测 试行人标签集Labelsz={Lz|z=1,2,...,Z},Z表示测试行人图像个数;
步骤7、对测试行人图像集Imgsz提取CNN特征集Feasz={Fz|z=1,2,...,Z};
步骤9、计算XStest与XSnew或XS0之间的欧式距离D={dcc|c=1,2,...,C},按 升序对D的每一行进行排序,根据每一行最小值对应的行人类别号与测试行 人图像的类别号的一致性进行行人类别判断,如果一致则识别正确,否则识 别不正确。
本发明的特点还在于:
步骤2具体过程为:
把初始行人图像集Imgsini和初始行人标签集Labelsini送入ResNet50网络 结构进行训练得到模型M_ResNet50;把Imgsini送入模型M_ResNet50,提 取第五个池化层的2048维输出构成Imgsini的特征集Feasini={Fini|ini=1,2,...,N}。
步骤3具体过程为:
步骤3.1、输入:CNN特征集Feasini={Fini|ini=1,2,...,N};
步骤3.3、对核矩阵K′去中心化得到K=(v′)T×K′×v′,其中v'为中心化矩 阵,v为N×1维的均值矩阵,v'=IN-v11,N,IN为N×N维的单位阵, 11,N为1×N维的全1矩阵,1N,1为N×1维的全1矩阵;
步骤3.4、对K进行特征值分解:K=QΔQT,得到特征值Δ和特征向量Q;
步骤3.5、按降序对Δ进行排序,取前R个特征值Δr对应的特征向量Qr作 为Feasini的核主成分,1≤R≤rank(Q),rank(Q)函数求取Q的秩;
步骤4具体过程为:
步骤4.3、计算初始的基矢量系数A0和去中心化的核矩阵K″的内积矩阵 H0:
H0=(A0)T×K″×(I-L)
其中(A0)T是A0的转置矩阵,I为N×N的单位阵,L为块对角阵,
其中Nc为第c个行人的图像个数,c∈{1,2,...,C},C为行人类别数;
步骤4.7、输出:ΨS0和XS0。
步骤5具体过程为:
步骤5.1、初始化:增量学习计数器t=1,增量学习总次数Tm;
步骤5.5、把Feasini、Labelsini、A1、Σ1作为输入,调用 RS压缩函数Compress(),计算得到压缩后的样本特征集 压缩后的基矢量系数压缩后的奇异值压缩后样本的标签集 Pt表示压缩后样本的图像个数;
步骤5.6、把A2、作为输入,调用步骤4的零空间变换函 数NFST(),计算得到零空间的投影方向集ΨSnew和零空间的投影点集XSnew,i=1,2,...,Pt,j=1,2,...,C-1,c=1,2,...,C;
步骤5.8、增量学习计数器t=t+1,当t≤Tm时,进入步骤5.2,否则进入 步骤6。
步骤5.4具体过程为:
步骤5.4.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人 特征集压缩前的基矢量系数A0和压缩前的奇异值 Σ0,N表示初始行人图像个数,Nt表示新增行人图像个数;
步骤5.4.2、计算去中心化矩阵γ:
其中是N×Nt维的全零矩阵,w′表示新增样本中心化矩阵,w表示新 增样本均值矩阵,v表示初始样本均值矩阵, 表示Nt×Nt维的单位阵,表示1×Nt维的全1矩阵,表示 Nt×1维的全1矩阵,1N,1是N×1维的全1矩阵;
步骤5.4.3、合并Feasini和得到合并的样本特征集通过核函数G(x,y,σ)计算Feasini和Feas的核矩阵K1,其 中x∈Feasini,y∈Feas,σ=100,计算Feas和Feas的核矩阵K2,其中 x∈Feas,y∈Feas,σ=100;
步骤5.4.4、计算矩阵L:
L=(A0)T×K1×γ
步骤5.4.5、计算矩阵η:
步骤5.4.6、计算矩阵Mh:
Mh=ηT×K2×η
步骤5.4.7、对Mh进行特征值分解Mh=QhΔhQh T得到特征值Δh和特征向量 Qh;
步骤5.4.8、按降序对Δh进行排序,取前Rh个特征值Δrh对应的特征向量 Qrh作为Feas的核主成分,1≤Rh≤rank(Qrh),函数rank()返回Qh的秩;
步骤5.4.9、计算矩阵Ω和矩阵M:
Ω=η×Qrh×Δrh -1/2
M=Δrh 1/2×Qrh
步骤5.4.10、计算矩阵F:
步骤5.4.11、对矩阵F进行SVD分解得到酉矩阵Uf,Vf和对角阵Sf;
步骤5.4.12、计算基矢量系数Psi:
步骤5.5具体过程为:
步骤5.5.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},新增行人特征集 新增行人标签集压缩 前的基矢量系数压缩前的奇异值N表示初始行人图像个数,Nt表示新增行人图 像个数;
步骤5.5.2、把Feasini、Labelsini、A1作为输入,调用 RS扩展函数IterCompress()进行样本压缩和一次基矢量系数估计,得到压缩 后的样本特征集压缩后的样本标签集 一次估计的基矢量系数 Pt为压缩后的样本个数;
步骤5.5.4、把Feasini、A1、Σ1、A1s作为输入,调用基正 交化函数Orthogonalization(),计算得到压缩后的基矢量系数A2和压缩后的 奇异值Σ2,i=1,2,...,R,j=1,2,...,R;
步骤5.5.2具体过程为:
步骤5.5.2.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},新增行人特征集新增行人标签集压缩 前的基矢量系数N表示初始行人图像个 数,Nt表示新增行人图像个数;
步骤5.5.2.4、初始化A1f的基矢量个数计数器j=1;
步骤5.5.2.6、从Feas1随机选取m个特征构成特征集Feasm,并从Labels1中 找出对应特征的标签构成标签集Labelsm,1≤m≤(N+Nt);
步骤5.5.2.7、通过核函数G(x,y,σ)计算Feasm和Feas1的核矩阵Km,其中 x∈Feasm,y∈Feas1,σ=100;
步骤5.5.2.9、按升序对fval进行排列,根据最小值对应的索引号,从Feasm中找到对应行人特征Fj,从Labelsm中找到Fj对应的行人标签Lj;
步骤5.5.2.10、通过核函数G(x,y,σ)计算Fj和Fj的核矩阵Kj,其中 x∈Fj,y∈Fj,σ=100,计算Fj和Feas1的核矩阵Ks,其中x∈Fj,y∈Feas1,σ=100;
步骤5.5.2.14、j=j+1,当j≤R时,进入步骤5.5.2.6,否则进入步骤 5.5.2.15;
步骤5.5.3的具体过程如下:
步骤5.5.3.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数一次估计的基矢量系数压缩后的行人特征集 N表示初始行人图像个数,Nt表示新增行人图像个数,Pt表示压缩后的行人 图像个数;
步骤5.5.3.2、初始化:二次估计的基矢量系数A1s=NULL,A1s的个数计 数器j=1;
步骤5.5.3.3、通过核函数G(x,y,σ),计算Feas和Feas的核矩阵K11,其中 x∈Feas,y∈Feas,σ=100,计算和Feas的核矩阵K22,其中 y∈Feas,σ=100,计算和的核矩阵K33,其中 σ=100;
步骤5.5.3.8、基矢量个数计数器j=j+1;当j≤R时循环步骤5.5.3.6,否 则进入步骤5.5.3.9;
步骤5.5.3.9、输出:二次估计的基矢量系数A1s。
步骤5.5.4具体过程为:
步骤5.5.4.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数压缩前的奇异值二次估计的基矢量系数压缩后的行人特征集 和Feas的核矩阵K22,和的核矩阵K33,N表示初始行人图像 个数,Nt表示新增行人图像个数,Pt表示压缩后的行人图像个数;
步骤5.5.4.2、计算核矩阵K33的范数Mo=(A1s)T×K33×A1s;
步骤5.5.4.3、对Mo进行特征值分解Mo=QoDoQo T得到特征值Do和特征向 量Qo;
步骤5.5.4.7、输出:压缩后的基矢量系数A2和奇异值Σ2。
本发明的有益效果是:
本发明一种基于压缩的增量核零空间变换的行人再识别方法,把压缩理 论在增量核零空间变换中得以应用,对行人样本特征进行RS压缩,控制行 人识别增量在线学习时的基矢量系数的规模不变性,从而提高增量行人识别 的效率。
附图说明
图1是本发明一种基于改进增量核零空间变换的行人再识别方法流程 图;
图2是本发明一种基于改进增量核零空间变换的行人再识别方法中 KPCA方法的流程图;
图3是本发明一种基于改进增量核零空间变换的行人再识别方法中 NFST方法的流程图;
图4是本发明一种基于改进增量核零空间变换的行人再识别方法中 IKPCA流程图;
图5是本发明一种基于改进增量核零空间变换的行人再识别方法中压缩 流程图;
图6是本发明一种基于改进增量核零空间变换的行人再识别方法中压缩 的RS扩展函数进行样本压缩和基矢量系数一次估计流程图;
图7是本发明一种基于改进增量核零空间变换的行人再识别方法中压缩 的RS空系数填充函数进行基矢量系数的二次估计流程图;
图8是本发明一种基于改进增量核零空间变换的行人再识别方法中压缩 的基正交化函数流程图。
图9是本发明针对Market-1501数据集进行测试的主观效果图;
图10是本发明针对DukeMTMC-reID数据集进行测试的主观效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于压缩的增量核零空间变换的行人再识别方法,如图1所 示,具体按照以下步骤实施:
步骤1、从标准数据集中获取初始行人图像集Imgsini={Iini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},N表示初始行人图像个数, N=114;
步骤2、对Imgsini提取CNN特征,得到特征集Feasini={Fini|ini=1,2,...,N};
具体过程为:把初始行人图像集Imgsini和初始行人标签集Labelsini送入ResNet50网络结构进行训练得到模型M_ResNet50。把Imgsini送入模型M_ ResNet50,提取第五个池化层的2048维输出构成Imgsini的特征集 Feasini={Fini|ini=1,2,...,N};
取R=113,核主成分分析KPCA过程如图2所示。
具体过程为:
步骤3.1、输入:CNN特征集Feasini={Fini|ini=1,2,...,N};
步骤3.3、对核矩阵K′去中心化得到K=(v′)T×K′×v′,其中v'为中心化矩 阵,v为N×1维的均值矩阵,v'=IN-v11,N,IN为N×N维的单位阵, 11,N为1×N维的全1矩阵,1N,1为N×1维的全1矩阵;
步骤3.4、对K进行特征值分解K=QΔQT,把K作为输入,调用特征值 分解数学函数eig(),计算得到特征值Δ和特征向量Q;
步骤3.5、按降序对Δ进行排序,取前R个特征值Δr对应的特征向量Qr, R=113,1≤R≤rank(Q),rank(Q)为求秩数学函数;
步骤4、把Feasini、A0、Labelsini作为输入,调用零空间变换函数NFST(), 计算得到零空间投影方向集ΨS0和零空间的投影点集XS0, i=1,2,...,N,c=1,2,...,C,j=1,2,...,C-1,C表示行人类别个数;
取N=114,C=30,零空间变换函数NFST()的具体执行过程如图3所示。
具体过程为:
步骤4.3、计算初始的基矢量系数A0和去中心化的核矩阵K″的内积矩阵 H0:
H0=(A0)T×K″×(I-L)
其中(A0)T是A0的转置矩阵,I为N×N的单位阵,L为块对角阵,
其中Nc为第c个行人的图像个数,c∈{1,2,...,C},C为行人类别数,C=30;
步骤4.4、根据Paul Bodesheim等人2013年在CVPR(IEEE Conference onComputer Vision and Pattern Recognition)会议中提出的名为“Kernel Null SpaceMethods for Novelty Detection”一文中的零空间变换公式HHTβ=0,求 H0对应的核零空间的解向量集这里 H=H0,β=BS0。
步骤4.7、输出:ΨS0和XS0。
步骤5、迭代执行增量学习和压缩过程,输入为Feasini,Labelsini,A0,Σ0, 增量的行人图像集增量的行人图像标签集输出更新的零空 间投影方向集ΨSnew,零空间的投影点集XSnew,压缩后的样本特征集压缩后的样本标签集压缩后的基矢量系数A2,压缩后的奇异值Σ2;
具体过程为:
步骤5.1、初始化:增量学习计数器t=1,取增量学习总次数Tm=4;
增量核主成分计算函数IKPCA()的具体执行过程为:
步骤5.4.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人 特征集初始的基矢量系数A0和初始的奇异值Σ0, N表示初始行人图像个数,Nt表示新增行人图像个数,取N=114,Nt=150;
步骤5.4.2、计算去中心化矩阵γ:
其中是N×Nt维的全零矩阵,w′表示新增样本中心化矩阵,w表示新 增样本均值矩阵,v表示初始样本均值矩阵, 表示Nt×Nt维的单位阵,表示1×Nt维的全1矩阵,表示 Nt×1维的全1矩阵,1N,1是N×1维的全1矩阵;
步骤5.4.3、合并Feasi n和得到合并后的行人特征集通过核函数G(x,y,σ),计算Feasini和Feas的核矩阵K1, 其中x∈Feasini,y∈Feas,σ=100,计算Feas和Feas的核矩阵K2,其中 x∈Feas,y∈Feas,σ=100;
步骤5.4.4、计算矩阵L:
L=(A0)T×K1×γ
步骤5.4.5、计算矩阵η:
步骤5.4.6、计算矩阵Mh:
Mh=ηT×K2×η;
步骤5.4.7、把Mh作为输入,调用特征值分解数学函数eig(),计算得到 特征值Δh和特征向量Qh;
步骤5.4.8、按降序对Δh进行排序,取前Rh个特征值Δrh对应的特征向量 Qrh作为Feas的核主成分,1≤Rh≤rank(Qrh),函数rank()返回Qh的秩,Rh=206;
步骤5.4.9、计算矩阵Ω和M:
Ω=η×Qrh×Δrh -1/2
M=Δrh 1/2×Qrh
步骤5.4.10、计算矩阵F:
步骤5.4.11、把矩阵F作为输入,调用奇异值分解数学函数svd(),计算 得到酉矩阵Uf,Vf和对角阵Sf;
步骤5.4.12、计算基矢量系数Psi:
步骤5.5、如图5所示,把Feasini、Labelsini、A1、Σ1作 为输入,调用RS压缩函数Compress(),计算得到压缩后的样本特征集 压缩后的基矢量系数压缩后的奇异值压缩后的样本标签集 Pt表示压缩后样本的图像个数,取R=113,Pt=113;
具体过程为:
步骤5.5.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},初始行人 标签集Labelsini={Lini|ini=1,2,...,N},新增行人特征集 新增行人标签集压缩 前的基矢量系数压缩前的奇异值N表示初始行人图像个数,Nt表示新增行人图 像个数;
步骤5.5.2、如图6所示,把Feasini、Labelsini、A1作为 输入,调用RS扩展函数IterCompress()进行样本压缩和一次基矢量系数估计, 计算得到压缩后的样本特征集压缩后的样本标签集一次估计的基矢量系数Pt为压缩后的样本个数,取Pt=113;
扩展函数IterCompress()的具体执行过程为:
步骤5.5.2.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},新增行人特征集新增行人标签集压缩 前的基矢量系数N表示初始行人图像个 数,Nt表示新增行人图像个数;
步骤5.5.2.4、初始化A1f的基矢量个数计数器j=1;
步骤5.5.2.6、Feas1随机选取m个特征构成特征集Feasm,并从Labels1中找 出对应特征的标签构成标签集Labelsm,取1≤m≤N+Nt,N+Nt=264;
步骤5.5.2.7、通过核函数G(x,y,σ)计算Feasm和Feas1的核矩阵Km,其中 x∈Feasm,y∈Feas1,σ=100;
步骤5.5.2.9、按升序对fval进行排列,根据最小值对应的索引号,从Feasm中找到对应行人特征Fj,从Labelsm中找到Fj对应的行人标签Lj;
步骤5.5.2.10、通过核函数G(x,y,σ),计算Fj和Fj的核矩阵Kj,其中 x∈Fj,y∈Fj,σ=100,计算Fj和Feas1的核矩阵Ks,其中x∈Fj,y∈Feas1,σ=100;
步骤5.5.2.14、j=j+1,当j≤R时,进入步骤5.5.2.6,否则进入步骤 5.5.2.15;
RS空系数填充函数FillRs()的具体执行过程如下:
步骤5.5.3.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数一次估计的基矢量系数压缩后的行人特征集 N表示初始行人图像个数,Nt表示新增行人图像个数,Pt表示压缩后的行人 图像个数;
步骤5.5.3.2、初始化:二次估计的基矢量系数A1s=NULL,A1s的个数计 数器j=1;
该函数的具体实现为:
①计算K11和K22的范数am1,bm1:
步骤5.5.3.8、基矢量个数计数器j=j+1;当j≤R时循环步骤5.5.3.6,否 则进入步骤5.5.3.9;
步骤5.5.3.9、输出:二次估计的基矢量系数A1s。
步骤5.5.4、如图8所示,把Feasini、A1、Σ1、A1s作为输 入,调用基正交化函数Orthogonalization(),计算得到压缩后的基矢量系数A2和压缩后的奇异值Σ2,i=1,2,...,R,j=1,2,...,R;
基正交化函数Orthogonalization()的具体执行过程为:
步骤5.5.4.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数压缩前的奇异值二次估计的基矢量系数压缩后的行人特征集 和Feas的核矩阵K22,和的核矩阵K33,N表示初始行人图像 个数,Nt表示新增行人图像个数,Pt表示压缩后的行人图像个数;
步骤5.5.4.2、计算核矩阵K33的范数Mo=(A1s)T×K33×A1s;
步骤5.5.4.3、把Mo作为输入,调用特征值分解数学函数eig()对Mo进行 特征值分解Mo=QoDoQo T,计算得到Mo的特征值Do和特征向量Qo;
步骤5.5.4.7、输出:压缩后的基矢量系数A2和压缩后的奇异值Σ2。
步骤5.6、把A2、作为输入,调用步骤4的零空间变换函 数NFST(),计算得到零空间的投影方向集ΨSnew和零空间的投影点集XSnew,i=1,2,...,Pt,j=1,2,...,C-1,c=1,2,...,C;
步骤5.8、增量学习计数器t=t+1,当t≤Tm时,进入步骤5.2,否则进入 步骤6。
步骤6、从标准数据集(Market-1501数据集或DukeMTMC-reID数据集) 获中获取测试行人图像集Imgsz={Iz|z=1,2,...,Z},测试行人标签集 Labelsz={Lz|z=1,2,...,Z},Z表示测试行人图像个数,Z=30;
步骤7、对测试行人图像集Imgsz提取CNN特征集Feasz={Fz|z=1,2,...,Z};
步骤8、通过核函数G0(x,y)计算测试样本特征集Feasz和压缩样本特征集 的核矩阵Kz,其中Kz在零空间投影方向集ΨSnew上投 影得到投影点集XStest,XStest={xcj test|c=1,2,...,C,j=1,2,...,C-1};
步骤9、计算XStest与XSnew或XS0之间的欧式距离D={dcc|c=1,2,...,C},按 升序对D的每一行进行排序,根据每一行最小值对应的行人类别号与测试行 人图像的类别号的一致性进行行人类别判断,如果一致则识别正确,否则识 别不正确。
实施例:
本发明提供一种基于压缩的增量核零空间变换的行人再识别方法,从标 准数据集(Market-1501数据集或DukeMTMC-reID数据集)中选择30个行 人,采用本发明的方法进行测试。
数据集描述:
(1)Market-1501数据集
Liang Zheng等人在2015年ICCV(IEEE International Conference on ComputerVision)会议的“Scalable Person Re-identification:A Benchmark”一文 中提出了Market-1501数据集,该数据集由放置在不同位置的六台摄像机对 清华大学校园内1501个行人拍摄的32,643张图像组成,行人最多跨越六个 摄像头,最少跨越两个摄像头,训练集由751个行人的12,936张图像组成, 测试集由750个行人的19,732张图像组成。
(2)DukeMTMC-reID数据集
Zhedong Zheng等人在2017年ICCV(IEEE International Conference onComputer Vision)会议的“Unlabeled Samples Generated by GAN Improve the PersonRe-identification Baseline in vitro”一文中提出了DukeMTMC-reID数据 集,该数据集由八个摄像机对1,812个行人拍摄的视频组成。训练数据集由 702个行人的16522张图片组成,测试数据集由702个行人的17,661张图片 组成。
算法评价:
本发明通过采用识别率和时间复杂度两个客观评价指标以及主观识别 效果对算法结果进行评价,与本发明进行对比的算法是2018年Xinyu Huang 等人在ICPR(International Conference on Pattern Recognition)会议中提出 的“IncrementalKernel Null Foley-Sammon Transform for Person Re-identification”一文中的IKNFST算法。
①客观评价:
客观评价结果如表1、2、3、4所示,表1显示的是测试图像中排名第 一(Rank 1)时Market1501数据集的识别率实验对比结果;表2Market1501 数据集时间复杂度实验结果;表3显示的是排名第一时DukeMTMC数据集 的识别率实验对比结果;表4是DukeMTMC数据集的时间复杂度实验对比 结果。
表1
表2
表3
表4
由表1和表3可以看出,在相同的训练样本个数情况下,相对IKNFST 算法,本发明取得了更高的识别率;由表2和表4可以看出,在相同识别率 下,相对IKNFST算法,本发明的时间复杂度更低。
②主观评价
数据集Market-1501和DukeMTMC-reID中部分图片和其主观识别效果 分别如图9和图10所示。图第一行是测试图像,一共有五个行人图像;图 第二行是真值图像,即测试图像的正确识别图像;图第三行是IKNFST方法 的识别图像;第四行是本发明的识别图像。对Market-1501数据集,从图9 中第(1)和第(2)列结果可见,本发明和IKNFST方法对测试图像的识别结果 都是正确的,从图9中第(3)、第(4)列和第(5)列结果可见,本发明对测试图 像的识别结果是正确的,IKNFST方法对测试图像的识别结果是错误的;对 于DukeMTMC-reID数据集,从图10中第(1)、第(2)和第(3)列结果可见,本 发明和IKNFST方法对测试图像的识别结果都是正确的,从图10中第(4)和 第(5)列结果可见,本发明对测试图像的识别结果是正确的,IKNFST方法 对测试图像的识别结果是错误的。由此可见相对于IKNFST方法,本发明对 测试图像有更高的识别率。
通过上述方式,本发明一种基于压缩的增量核零空间变换的行人再识别 方法,主要过程是:(1)对提取的初始行人CNN特征集进行KPCA变换得 到初始基矢量系数和奇异值,用初始基矢量系数对初始行人CNN特征集进 行零空间变换得到初始投影方向集和投影点集;(2)对增量后样本的CNN 特征集进行IKPCA变换得到更新的基矢量系数和奇异值;(3)对增量后样 本的CNN特征集进行RS压缩得到压缩后的样本特征集和基矢量系数;(4) 用压缩后的基矢量系数对压缩后的样本特征集进行零空间变换得到压缩后 的投影方向集和投影点集;(5)把测试图像CNN特征集的核矩阵投影到压 缩后的投影方向集上得到测试图像的投影点集,计算测试图像的投影点集和 压缩后投影点集(或初始投影点集)的欧式距离,根据欧式距离的大小进行 测试行人的识别。
本发明提出样本压缩和增量核零空间变换相结合的行人识别方法,避免 了传统增量核零空间变换随样本增加复杂度的不断增长,保持了样本不断增 加情况下增量行人识别方法基矢量系数的规模不变性,从而提高了增量行人 识别方法的计算效率。
Claims (10)
1.一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,具体按照以下步骤实施:
步骤1、从标准数据集中获取初始行人图像集Imgsini={Iini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},N表示初始行人图像个数;
步骤2、对Imgsini提取CNN特征,得到特征集Feasini={Fini|ini=1,2,...,N};
步骤4、把Feasini、A0、Labelsini作为输入,调用零空间变换函数NFST(),得到零空间投影方向集ΨS0和零空间的投影点集XS0,i=1,2,...,N,c=1,2,...,C,j=1,2,...,C-1,C表示行人类别个数;
步骤5、迭代执行增量学习和压缩过程,输入为Feasini,Labelsini,A0,Σ0,增量的行人图像集增量的行人图像标签集输出更新的零空间投影方向集ΨSnew,零空间的投影点集XSnew,压缩后的样本特征集压缩后的样本标签集压缩后的基矢量系数A2,压缩后的奇异值Σ2;
步骤6、从标准数据集中获取测试行人图像集Imgsz={Iz|z=1,2,...,Z},测试行人标签集Labelsz={Lz|z=1,2,...,Z},Z表示测试行人图像个数;
步骤7、对测试行人图像集Imgsz提取CNN特征集Feasz={Fz|z=1,2,...,Z};
步骤8、定义无参核函数通过核函数G0(x,y)计算测试样本特征集Feasz和压缩样本特征集的核矩阵Kz,其中Kz在零空间投影方向集ΨSnew上投影得到投影点集XStest,XStest={xcj test|c=1,2,...,C,j=1,2,...,C-1};
步骤9、计算XStest与XSnew或XS0之间的欧式距离D={dcc|c=1,2,...,C},按升序对D的每一行进行排序,根据每一行最小值对应的行人类别号与测试行人图像的类别号的一致性进行行人类别判断,如果一致则识别正确,否则识别不正确。
2.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤2具体过程为:把初始行人图像集Imgsini和初始行人标签集Labelsini送入ResNet50网络结构进行训练得到模型M_ResNet50;把Imgsini送入模型M_ResNet50,提取第五个池化层的2048维输出构成Imgsini的特征集Feasini={Fini|ini=1,2,...,N}。
3.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤3具体过程为:
步骤3.1、输入:CNN特征集Feasini={Fini|ini=1,2,...,N};
步骤3.3、对核矩阵K′去中心化得到K=(v′)T×K′×v′,其中v'为中心化矩阵,v为N×1维的均值矩阵,v'=IN-v11,N,IN为N×N维的单位阵,11,N为1×N维的全1矩阵,1N,1为N×1维的全1矩阵;
步骤3.4、对K进行特征值分解:K=QΔQT,得到特征值Δ和特征向量Q;
步骤3.5、按降序对Δ进行排序,取前R个特征值Δr对应的特征向量Qr作为Feasini的核主成分,1≤R≤rank(Q),rank(Q)函数求取Q的秩;
4.根据权利要求1所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤4具体过程为:
步骤4.3、计算初始的基矢量系数A0和去中心化的核矩阵K″的内积矩阵H0:
H0=(A0)T×K″×(I-L)
其中(A0)T是A0的转置矩阵,I为N×N的单位阵,L为块对角阵,
其中Nc为第c个行人的图像个数,c∈{1,2,...,C},C为行人类别数;
步骤4.7、输出:ΨS0和XS0。
5.根据权利要求1所述一种基于压缩的改进增量核零空间变换的行人再识别方法,其特征在于,步骤5具体过程为:
步骤5.1、初始化:增量学习计数器t=1,增量学习总次数Tm;
步骤5.5、把Feasini、Labelsini、A1、Σ1作为输入,调用RS压缩函数Compress(),计算得到压缩后的样本特征集压缩后的基矢量系数压缩后的奇异值压缩后样本的标签集Pt表示压缩后样本的图像个数;
步骤5.8、增量学习计数器t=t+1,当t≤Tm时,进入步骤5.2,否则进入步骤6。
6.根据权利要求5所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤5.4具体过程为:
步骤5.4.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数A0和压缩前的奇异值Σ0,N表示初始行人图像个数,Nt表示新增行人图像个数;
步骤5.4.2、计算去中心化矩阵γ:
其中是N×Nt维的全零矩阵,w′表示新增样本中心化矩阵,w表示新增样本均值矩阵,v表示初始样本均值矩阵, 表示Nt×Nt维的单位阵,表示1×Nt维的全1矩阵,表示Nt×1维的全1矩阵,1N,1是N×1维的全1矩阵;
步骤5.4.3、合并Feasini和得到合并的样本特征集通过核函数G(x,y,σ)计算Feasini和Feas的核矩阵K1,其中x∈Feasini,y∈Feas,σ=100,计算Feas和Feas的核矩阵K2,其中x∈Feas,y∈Feas,σ=100;
步骤5.4.4、计算矩阵L:
L=(A0)T×K1×γ
步骤5.4.5、计算矩阵η:
步骤5.4.6、计算矩阵Mh:
Mh=ηT×K2×η
步骤5.4.7、对Mh进行特征值分解Mh=QhΔhQh T得到特征值Δh和特征向量Qh;
步骤5.4.8、按降序对Δh进行排序,取前Rh个特征值Δrh对应的特征向量Qrh作为Feas的核主成分,1≤Rh≤rank(Qrh),函数rank()返回Qh的秩;
步骤5.4.9、计算矩阵Ω和矩阵M:
Ω=η×Qrh×Δrh -1/2
M=Δrh 1/2×Qrh
步骤5.4.10、计算矩阵F:
步骤5.4.11、对矩阵F进行SVD分解得到酉矩阵Uf,Vf和对角阵Sf;
步骤5.4.12、计算基矢量系数Psi:
7.根据权利要求5所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤5.5具体过程为:
步骤5.5.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},新增行人特征集新增行人标签集压缩前的基矢量系数压缩前的奇异值N表示初始行人图像个数,Nt表示新增行人图像个数;
步骤5.5.2、把Feasini、Labelsini、A1作为输入,调用RS扩展函数IterCompress()进行样本压缩和一次基矢量系数估计,得到压缩后的样本特征集压缩后的样本标签集一次估计的基矢量系数Pt为压缩后的样本个数;
8.根据权利要求7所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤5.5.2具体过程为:
步骤5.5.2.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},初始行人标签集Labelsini={Lini|ini=1,2,...,N},新增行人特征集新增行人标签集压缩前的基矢量系数N表示初始行人图像个数,Nt表示新增行人图像个数;
步骤5.5.2.4、初始化A1f的基矢量个数计数器j=1;
步骤5.5.2.6、从Feas1随机选取m个特征构成特征集Feasm,并从Labels1中找出对应特征的标签构成标签集Labelsm,1≤m≤(N+Nt);
步骤5.5.2.7、通过核函数G(x,y,σ)计算Feasm和Feas1的核矩阵Km,其中x∈Feasm,y∈Feas1,σ=100;
步骤5.5.2.9、按升序对fval进行排列,根据最小值对应的索引号,从Feasm中找到对应行人特征Fj,从Labelsm中找到Fj对应的行人标签Lj;
步骤5.5.2.10、通过核函数G(x,y,σ)计算Fj和Fj的核矩阵Kj,其中x∈Fj,y∈Fj,σ=100,计算Fj和Feas1的核矩阵Ks,其中x∈Fj,y∈Feas1,σ=100;
步骤5.5.2.14、j=j+1,当j≤R时,进入步骤5.5.2.6,否则进入步骤5.5.2.15;
9.根据权利要求7所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于:步骤5.5.3的具体过程如下:
步骤5.5.3.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数一次估计的基矢量系数压缩后的行人特征集N表示初始行人图像个数,Nt表示新增行人图像个数,Pt表示压缩后的行人图像个数;
步骤5.5.3.2、初始化:二次估计的基矢量系数A1s=NULL,A1s的个数计数器j=1;
步骤5.5.3.8、基矢量个数计数器j=j+1;当j≤R时循环步骤5.5.3.6,否则进入步骤5.5.3.9;
步骤5.5.3.9、输出:二次估计的基矢量系数A1s。
10.根据权利要求7所述一种基于压缩的增量核零空间变换的行人再识别方法,其特征在于,步骤5.5.4具体过程为:
步骤5.5.4.1、输入:初始行人特征集Feasini={Fini|ini=1,2,...,N},新增行人特征集压缩前的基矢量系数压缩前的奇异值二次估计的基矢量系数压缩后的行人特征集 和Feas的核矩阵K22,和的核矩阵K33,N表示初始行人图像个数,Nt表示新增行人图像个数,Pt表示压缩后的行人图像个数;
步骤5.5.4.2、计算核矩阵K33的范数Mo=(A1s)T×K33×A1s;
步骤5.5.4.3、对Mo进行特征值分解Mo=QoDoQo T得到特征值Do和特征向量Qo;
步骤5.5.4.7、输出:压缩后的基矢量系数A2和奇异值Σ2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807162.9A CN111126123B (zh) | 2019-08-29 | 2019-08-29 | 一种基于压缩的增量核零空间变换行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807162.9A CN111126123B (zh) | 2019-08-29 | 2019-08-29 | 一种基于压缩的增量核零空间变换行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126123A true CN111126123A (zh) | 2020-05-08 |
CN111126123B CN111126123B (zh) | 2023-03-24 |
Family
ID=70495248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807162.9A Active CN111126123B (zh) | 2019-08-29 | 2019-08-29 | 一种基于压缩的增量核零空间变换行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126123B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001243A (zh) * | 2020-07-17 | 2020-11-27 | 广州紫为云科技有限公司 | 一种行人重识别数据标注方法、装置及设备 |
CN117576519A (zh) * | 2024-01-15 | 2024-02-20 | 浙江航天润博测控技术有限公司 | 图像识别模型训练优化方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013054573A (ja) * | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | パターン識別方法、パターン識別装置、およびプログラム |
CN105631441A (zh) * | 2016-03-03 | 2016-06-01 | 暨南大学 | 一种人脸识别方法 |
CN109389017A (zh) * | 2017-08-11 | 2019-02-26 | 苏州经贸职业技术学院 | 行人再识别方法 |
GB201908574D0 (en) * | 2019-06-14 | 2019-07-31 | Vision Semantics Ltd | Optimised machine learning |
-
2019
- 2019-08-29 CN CN201910807162.9A patent/CN111126123B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013054573A (ja) * | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | パターン識別方法、パターン識別装置、およびプログラム |
CN105631441A (zh) * | 2016-03-03 | 2016-06-01 | 暨南大学 | 一种人脸识别方法 |
CN109389017A (zh) * | 2017-08-11 | 2019-02-26 | 苏州经贸职业技术学院 | 行人再识别方法 |
GB201908574D0 (en) * | 2019-06-14 | 2019-07-31 | Vision Semantics Ltd | Optimised machine learning |
Non-Patent Citations (1)
Title |
---|
黄新宇等: "基于增量零空间Foley-Sammon变换的行人重识别", 《光电子.激光》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001243A (zh) * | 2020-07-17 | 2020-11-27 | 广州紫为云科技有限公司 | 一种行人重识别数据标注方法、装置及设备 |
CN117576519A (zh) * | 2024-01-15 | 2024-02-20 | 浙江航天润博测控技术有限公司 | 图像识别模型训练优化方法、装置、电子设备及存储介质 |
CN117576519B (zh) * | 2024-01-15 | 2024-04-09 | 浙江航天润博测控技术有限公司 | 图像识别模型训练优化方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126123B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
Akhter et al. | Trajectory space: A dual representation for nonrigid structure from motion | |
Zhang et al. | Objective video quality assessment combining transfer learning with CNN | |
CN104573665B (zh) | 一种基于改进维特比算法的连续动作识别方法 | |
CN115496928B (zh) | 基于多重特征匹配的多模态图像特征匹配方法 | |
CN111783532B (zh) | 一种基于在线学习的跨年龄人脸识别方法 | |
CN109447123B (zh) | 一种基于标签一致性约束与拉伸正则化字典学习的行人再识别方法 | |
CN107169117B (zh) | 一种基于自动编码器和dtw的手绘图人体运动检索方法 | |
CN109409201B (zh) | 一种基于共享及特有字典对联合学习的行人再识别方法 | |
CN112434655A (zh) | 一种基于自适应置信度图卷积网络的步态识别方法 | |
CN110781766B (zh) | 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法 | |
CN112818850B (zh) | 基于渐进式神经网络和注意力机制的跨姿态人脸识别方法和系统 | |
CN112101262B (zh) | 一种多特征融合手语识别方法及网络模型 | |
CN109284668B (zh) | 一种基于距离正则化投影和字典学习的行人重识别方法 | |
CN104077742B (zh) | 基于Gabor特征的人脸素描合成方法及系统 | |
CN111126123B (zh) | 一种基于压缩的增量核零空间变换行人再识别方法 | |
CN106845375A (zh) | 一种基于层级化特征学习的动作识别方法 | |
CN108062559A (zh) | 一种基于多重感受野的图像分类方法、系统及装置 | |
CN109214442A (zh) | 一种基于列表和身份一致性约束的行人重识别算法 | |
Cha et al. | Unsupervised 3d reconstruction networks | |
CN118135660A (zh) | 一种视角缺失条件下的联合多视角信息瓶颈的跨视角步态识别方法 | |
CN110097008B (zh) | 一种人体动作识别方法 | |
CN116311345A (zh) | 一种基于Transformer的遮挡行人重识别方法 | |
CN112396089B (zh) | 基于lfgc网络和压缩激励模块的图像匹配方法 | |
CN114943862A (zh) | 一种基于结构性解析字典学习的两阶段图像分类方法 |
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 |