CN111401265B - 行人重识别方法、装置、电子设备和计算机可读存储介质 - Google Patents
行人重识别方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111401265B CN111401265B CN202010194339.5A CN202010194339A CN111401265B CN 111401265 B CN111401265 B CN 111401265B CN 202010194339 A CN202010194339 A CN 202010194339A CN 111401265 B CN111401265 B CN 111401265B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- local
- features
- extraction 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.)
- Active
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
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种行人重识别方法、装置、电子设备和计算机可读存储介质,涉及计算机视觉领域。该方法通过获取多张行人图像,将多张行人图像输入预先训练的识别模型,利用识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度,然后根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、行人局部特征的置信度计算行人相似度,根据行人相似度确定两张行人图像中的行人是否为同一人。如此,实现了对同一行人的不同姿态的全面的、多粒度的特征表达,故可以有效提高行人重识别的准确率。
Description
技术领域
本发明涉及计算机视觉领域,具体而言,涉及一种行人重识别方法、装置、电子设备和计算机可读存储介质。
背景技术
近年来,随着安防行业的逐渐的发展,行人重识别(Person re-identification,Re-ID)技术作为智能监控家族中一支新秀已引起了学术界和安防界的广泛关注。行人重识别也称行人再识别,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。
然而,行人往往处在一个开放的、无约束的场景中,会受到来自不同监控相机的角度、高度、光照、物体的遮挡、背景等外界因素的影响,且
行人本身还存在衣着、姿态、体态的变化,这些客观因素的存在极大降低了行人重识别的准确率。
发明内容
有鉴于此,本发明的目的在于提供一种行人重识别方法、装置、电子设备和计算机可读存储介质,以提高行人重识别的准确率。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种行人重识别方法,所述方法包括:
获取多张行人图像;
将所述多张行人图像输入预先训练的识别模型,利用所述识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及所述行人局部特征的置信度;
根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、所述行人局部特征的置信度计算行人相似度;
根据所述行人相似度确定所述两张行人图像中的行人是否为同一人。
在可选的实施方式中,所述识别模型包括姿态特征提取网络、关键点特征提取网络、全局特征提取网络和局部特征提取网络;
所述利用所述识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及所述行人局部特征的置信度,包括:
利用所述姿态特征提取网络提取出每张行人图像对应的行人姿态特征;
利用所述关键点特征提取网络提取出每张行人图像对应的行人关键点特征;
利用所述全局特征提取网络提取出每张行人图像对应的行人全局特征;
利用所述局部特征提取网络提取出每张行人图像对应的行人局部特征及所述行人局部特征的置信度。
在可选的实施方式中,所述识别模型包括特征图提取网络、关键点和姿态检测模块,所述特征图提取网络、所述关键点和姿态检测模块构成所述姿态特征提取网络;
所述利用所述姿态特征提取网络提取出每张行人图像对应的行人姿态特征,包括:
利用所述姿态特征提取网络的第一特征图提取层提取出每张行人图像对应的第一特征图;
将所述第一特征图输入所述关键点和姿态检测模块,得到关键点坐标信息以及基于所述关键点坐标信息确定的行人姿态特征。
在可选的实施方式中,所述识别模型还包括关键点后处理模块,所述特征图提取网络、所述关键点和姿态检测模块、所述关键点后处理模块构成所述关键点特征提取网络;
所述利用所述关键点特征提取网络提取出每张行人图像对应的行人关键点特征,包括:
将所述关键点坐标信息和所述第一特征图输入所述关键点后处理模块,得到所述行人关键点特征。
在可选的实施方式中,所述识别模型还包括ROI提取模块、ROI池化模块和全局特征提取模块,所述特征图提取网络、所述关键点和姿态检测模块、所述ROI提取模块、所述ROI池化模块和所述全局特征提取模块构成所述全局特征提取网络;
所述利用所述全局特征提取网络提取出每张行人图像对应的行人全局特征,包括:
将所述关键点坐标信息和所述第一特征图输入所述ROI提取模块,得到所述行人图像对应的感兴趣区域;
将所述感兴趣区域输入所述ROI池化模块进行池化处理;
将经过池化处理的感兴趣区域输入所述全局特征提取模块,得到所述行人全局特征。
在可选的实施方式中,所述识别模型还包括局部特征提取模块,所述特征图提取网络、所述关键点和姿态检测模块、所述ROI提取模块和所述局部特征提取模块构成所述局部特征提取网络;
所述利用所述局部特征提取网络提取出每张行人图像对应的行人局部特征及所述行人局部特征的置信度,包括:
利用所述姿态特征提取网络的第二特征图提取层提取出每张行人图像对应的第二特征图;其中,所述第二特征图的分辨率高于所述第一特征图;
将所述ROI提取模块获取的所述关键点坐标信息按照预设的比例进行放大处理;
将所述第二特征图和经过放大处理的关键点坐标信息输入所述局部特征提取模块,得到所述行人局部特征及所述行人局部特征的置信度。
在可选的实施方式中,所述根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、所述行人局部特征的置信度计算行人相似度,包括:
根据所述两张行人图像各自对应的行人关键点特征计算关键点特征相似度;
根据所述两张行人图像各自对应的行人全局特征计算全局特征相似度;
根据所述两张行人图像各自对应的行人局部特征以及所述行人局部特征的置信度计算局部特征相似度;
根据所述两张行人图像各自对应的行人姿态特征确定所述关键点特征相似度、所述全局特征相似度和所述局部特征相似度各自对应的权重超参数;
根据所述关键点特征相似度、所述全局特征相似度、所述局部特征相似度以及各自对应的权重超参数计算所述行人相似度。
第二方面,本发明实施例提供一种行人重识别装置,所述装置包括:
图像获取模块,用于获取多张行人图像;
行人特征获取模块,用于将所述多张行人图像输入预先训练的识别模型,利用所述识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及所述行人局部特征的置信度;
相似度计算模块,用于根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、所述行人局部特征的置信度计算行人相似度;
判断模块,用于根据所述行人相似度确定所述两张行人图像中的行人是否为同一人。
第三方面,本发明实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述计算机程序被所述处理器执行时,实现如前述实施方式中任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。
本发明实施例提供的行人重识别方法、装置、电子设备和计算机可读存储介质,通过获取多张行人图像,将多张行人图像输入预先训练的识别模型,利用识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度,然后根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、行人局部特征的置信度计算行人相似度,根据行人相似度确定两张行人图像中的行人是否为同一人。本发明利用识别模型提取出行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及该行人局部特征的置信度,实现了对同一行人的不同姿态的全面的、多粒度的特征表达,从而在一定程度上克服了不同监控相机的角度、高度、光照、物体的遮挡、背景以及行人本身衣着、姿态等因素对行人重识别的影响,故可以有效提高行人重识别的准确率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的行人重识别方法的一种流程示意图;
图2示出了识别模型的一种结构示意图;
图3示出了图1中步骤S102的子步骤流程示意图;
图4示出了识别模型的另一种结构示意图;
图5示出了行人图像的关键点及感兴趣区域的示意图;
图6示出了图1中步骤S103的子步骤流程示意图;
图7示出了本发明实施例提供的一种行人重识别装置的功能模块图;
图8示出了本发明实施例提供的电子设备的一种方框示意图。
图标:100-电子设备;400-行人重识别装置;110-存储器;120-处理器;130-通信模块;410-图像获取模块;420-行人特征获取模块;430-相似度计算模块;440-判断模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
行人往往处在一个开放的、无约束的场景中,会受到来自不同监控相机的角度、高度、光照、物体的遮挡、背景等外界因素的影响,且行人本身还存在衣着、姿态、体态的变化,基于这些客观因素的存在,在做行人特征提取时,难以获得更具有鲁棒性的鉴别特征,使得行人重识别的准确率不高。
针对上述问题,发明人在研究中发现,目前主流的行人特征提取方法有三种:全局特征提取、局部特征提取以及全局特征和局部特征提取相结合的方法,全局特征提取方法中只关注全局特征,比如衣着、身体形态等,忽略了行人的细节信息,会导致行人图像的匹配失败;局部特征提取方法是将行人分割为几个部分进行特征提取,只关注局部信息而忽略了整体信息,且容易受到物体遮挡的影响;全局特征和局部特征提取相结合的方法中全局特征的提取和局部特征的提取一般是分别进行,导致计算量增大,且未能充分挖掘行人的全局特征与局部特征,使得行人的特征表达仍不够全面、丰富。
基于此,本发明实施例提出一种行人重识别方法,其利用预先训练的识别模型对多张行人图像分别进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度,实现了对同一行人的不同姿态的全面的、多粒度的特征表达,从而在一定程度上克服了不同监控相机的角度、高度、光照、物体的遮挡、背景以及行人本身衣着、姿态等因素对行人重识别的影响,故可以有效提高行人重识别的准确率。下面,结合附图对本发明实施例提供的行人重识别方法进行详细描述。
图1示出了本发明实施例所提供的行人重识别方法的一种流程示意图。该方法的执行主体可以是运行该行人重识别方法的终端、服务器等设备,本发明在此不作限制。如图1所示,该方法包括:
步骤S101,获取多张行人图像。
其中,该多张行人图像可以从多个不同场景的监控视频中获得。
步骤S102,将多张行人图像输入预先训练的识别模型,利用识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度。
在本实施例中,行人姿态特征可以包括行人的正面、背面和侧面姿态特征;行人关键点特征可以包括行人的肩宽、躯干长度、四肢长度等;行人全局特征是从整体上对行人图像的描述;行人局部特征用于描述行人的某部分的特征,可以包括六个部件的特征(例如,头、左右手臂、躯干、左右腿)。
步骤S103,根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、行人局部特征的置信度计算行人相似度。
步骤S104,根据行人相似度确定两张行人图像中的行人是否为同一人。
在本实施例中,可以预先设定一个相似度阈值(例如,90%),当计算出的行人相似度达到设定的相似度阈值时,则可以认为该两张行人图像中的行人为同一人;当计算出的行人相似度未达到设定的相似度阈值时,则可以认为该两张行人图像中的行人不为同一人。如此,可以对不同监控相机所拍摄的不同场景的行人进行识别。
本发明实施例提供的行人重识别方法,利用识别模型提取出行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及该行人局部特征的置信度,实现了对同一行人的不同姿态的全面的、多粒度的特征表达,从而在一定程度上克服了不同监控相机的角度、高度、光照、物体的遮挡、背景以及行人本身衣着、姿态等因素对行人重识别的影响,故可以有效提高行人重识别的准确率。
可选地,如图2所示,上述的识别模型可以包括姿态特征提取网络、关键点特征提取网络、全局特征提取网络和局部特征提取网络,分别用于提取行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度。基于图2所示的识别模型,请参照图3,上述的步骤S102可以包括:
步骤S1021,利用姿态特征提取网络提取出每张行人图像对应的行人姿态特征。
步骤S1022,利用关键点特征提取网络提取出每张行人图像对应的行人关键点特征。
步骤S1023,利用全局特征提取网络提取出每张行人图像对应的行人全局特征。
步骤S1024,利用局部特征提取网络提取出每张行人图像对应的行人局部特征及行人局部特征的置信度。
在实际应用中,虽然通过识别模型提取不同类型的行人特征,能够实现对同一行人的不同姿态的全面的、多粒度的特征表达,进而达到提高行人重识别的准确率的目的,但是不同类型的行人特征采用不同的网络提取,在一定程度上会造成计算量的增加。基于此,本发明实施例采用如图4所示的识别模型对行人特征进行提取,该识别模型通过在特征图提取网络部分实现权重的共享,有效避免了多个网络分开提取特征造成的计算量的增加。下面,基于图4所示的识别模型的结构,对该识别模型的训练过程以及该识别模型进行特征提取的过程进行详细阐述。
该识别模型包括特征图提取网络、关键点和姿态检测模块、关键点后处理模块、ROI提取模块、ROI池化模块、全局特征提取模块和局部特征提取模块,特征图提取网络、关键点和姿态检测模块构成上述的姿态特征提取网络。特征图提取网络、关键点和姿态检测模块、关键点后处理模块构成上述的关键点特征提取网络。特征图提取网络、关键点和姿态检测模块、ROI提取模块、ROI池化模块和全局特征提取模块构成上述的全局特征提取网络。特征图提取网络、关键点和姿态检测模块、ROI提取模块和局部特征提取模块构成上述的局部特征提取网络。
上述的特征图提取网络可以根据深度残差网络(ResNet50)获得,即将ResNet50去除最后的池化(pooling)层和全连接层后,剩余部分作为该识别模型的基础网络(BaseNetwork)。其中,ResNet50中的conv5_x模块的最后一层输出层在本实施例中称为该特征图提取网络的第一特征图提取层(即conv5),通过conv5可以提取出高语义、低分辨率的特征图,ResNet50中的conv4_x模块的最后一层输出层在本实施例中称为该特征图提取网络的第二特征图提取层(即conv4),通过conv4可以提取出低语义、高分辨率的特征图。
在本实施例中,可以通过Imagenet数据集上的预训练模型来确定该特征图提取网络的初始化参数,在conv5上采用上采样层、卷积层、ReLU(Rectified Linear Unit,激活函数)层等来构建关键点和姿态检测模块,其中关键点坐标信息和姿态特征的损失函数分别使用均方误差损失函数(MSEloss)和SoftMaxLoss;全局特征和局部特征对应的损失函数分别采用TripletLoss和交叉熵损失函数;局部特征的置信度对应的损失函数采用sigmoid_cross_entropy,关键点特征对应的损失函数采用交叉熵损失函数。
在对该识别模型进行训练前,首先从多个不同场景的监控视频中,使用行人检测方法检测出行人,保存行人图像并标注不同场景中的同一行人以及人体16个关键点、正面、侧面、背面姿态标签;将标定的行人图像数据分为训练图像集和测试图像集。其中,训练图像集和测试图像集各自的占比可根据实际需要设定,例如,可选总标定数据的90%作为训练图像集,总标定数据的10%作为测试图像集。
在获取训练图像集和测试图像后,对训练图像集和测试图像集中的行人图像进行图像预处理,包括图像缩放(例如,将行人图像RGB缩放至384×128×3),减去图像均值并归一化图像,对训练图像集中的行人图像进行左右翻转处理,以增加训练图像集中的数据量,以提高识别模型的识别精度。
将训练图像集中的行人图像输入该识别模型并对该识别模型进行训练,行人图像经过特征图提取网络的conv4处理后,可提取出低语义、高分辨率的第二特征图,该第二特征图经过特征图提取网络的conv5处理后,可得到高语义、低分辨率的第一特征图。需要说明的是,对于该第一特征图和第二特征图而言,高低语义和高低分辨率都是相对的。该第一特征图输入关键点和姿态检测模块后,可得到该行人图像对应的关键点坐标预测结果和基于该关键点坐标预测结果确定的姿态特征预测结果;将该关键点坐标预测结果分别输入关键点后处理模块和ROI提取模块,关键点后处理模块可输出相应的关键点特征预测结果,ROI提取模块基于该关键点坐标预测结果可确定出行人图像的感兴趣区域,将该感兴趣区域输入ROI池化模块进行池化处理,然后输入全局特征提取模块进行特征提取,可提取出行人全局特征,得到全局特征预测结果;将ROI提取模块获取的关键点坐标预测结果按照预设的比例进行放大处理后输入局部特征提取模块,局部特征提取模块基于该关键点坐标预测结果和第二特征图可提取出语义的行人局部特征(包括头、左右手臂、躯干、左右腿六个局部部件)及其相应的置信度,得到局部特征预测结果以及置信度预测结果。
需要说明的是,在其他实施例中,ROI提取模块也可以将行人图像的感兴趣区域输入局部特征提取模块,使得局部特征提取模块基于该感兴趣区域和第二特征图提取出行人局部特征,本发明对此不做限制。
在本实施例中,基于上述的预测结果和对应的标签可分别计算损失函数,并根据损失函数对识别模型进行更新。例如,对于关键点和姿态检测模块,在获得关键点坐标预测结果和姿态特征预测结果后,基于该关键点坐标预测结果和预先标注的人体16个关键点标签可计算出关键点坐标信息的损失函数MSEloss,基于姿态特征预测结果和预先标注的姿态标签计算出姿态特征的损失函数SoftMaxLoss,基于该损失函数MSEloss和损失函数SoftMaxLoss更新关键点和姿态检测模块的模型参数,直至姿态特征提取网络收敛;同理,关键点后处理模块、全局特征提取模块和局部特征提取模块的模型参数的更新也可以按照上述方式进行,直至达到收敛状态。
需要说明的是,在实际的训练过程中,可优先训练姿态特征提取网络至收敛,然后依次训练全局特征提取网络、局部特征提取网络、关键点特征提取网络至收敛,最后将整个识别模型微调至收敛。
在整个识别模型训练完成后,利用训练好的识别模型可以对行人特征进行提取,得到行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及该行人局部特征的置信度。下面,对利用该识别模型提取行人特征的过程进行详细描述。
其中,该识别模型提取行人姿态特征时,上述的步骤S1021具体包括:利用姿态特征提取网络的第一特征图提取层提取出每张行人图像对应的第一特征图,将第一特征图输入关键点和姿态检测模块,得到关键点坐标信息以及基于关键点坐标信息确定的行人姿态特征。
在本实施例中,通过检测行人的姿态特征,可以根据行人的不同姿态,例如正面、侧面、背面等姿态可以粗略地区分行人特征。
该识别模型提取行人关键点特征时,上述的步骤S1022具体包括:将关键点坐标信息和第一特征图输入关键点后处理模块,得到行人关键点特征。
在本实施例中,通过对检测到的关键点坐标信息进行后处理,能够进一步细粒度行人特征,尤其是正面或背面关键点特征可以进一步刻画行人的体态信息,在一定程度上克服光照、衣着变换的影响。
该识别模型提取行人全局特征时,上述的步骤S1023具体包括:将关键点坐标信息和第一特征图输入ROI提取模块,得到行人图像对应的感兴趣区域,将感兴趣区域输入ROI池化模块进行池化处理,将经过池化处理的感兴趣区域输入全局特征提取模块,得到行人全局特征。
在实际应用中,通过行人检测方法获取的行人图像,往往因为行人检测不够准确,使得行人检测框过大、偏移,从而导致行人图像中包含过多的背景信息,使得提取的特征表达不佳,最终导致行人重识别失败。基于此,本实施例根据关键点坐标信息获取感兴趣区域,可以实现行人的精确定位,不仅能够除去背景干扰,还能在一定程度上克服尺寸的影响,有利于实现特征的对齐匹配。
该识别模型提取行人局部特征及该行人局部特征的置信度时,上述的步骤S1024具体包括:利用姿态特征提取网络的第二特征图提取层提取出每张行人图像对应的第二特征图;其中,第二特征图的分辨率高于第一特征图;将ROI提取模块获取的关键点坐标信息按照预设的比例进行放大处理,然后将第二特征图和经过放大处理的关键点坐标信息输入局部特征提取模块,得到行人局部特征及行人局部特征的置信度。
在本实施例中,由于局部部件被遮挡时,置信度值就比较低,故结合局部部件的置信度和局部特征,可以有效减少局部部件被遮挡对行人重识别的影响,提高识别准确率。
如图5所示,白色小圆圈表示关键点,黑色线框表示感兴趣区域。由此可见,通过检测行人图像上的关键点,可得到每个关键点的坐标信息,基于关键点坐标信息可以获得感兴趣区域,即具有最小横坐标、最大横坐标、最小纵坐标和最大纵坐标的四个关键点所围成的区域为感兴趣区域。此外,基于检测出的关键点坐标信息,还可以得出该行人图像对应的行人姿态特征、行人全局特征、行人局部特征。例如,图5中的三个行人图像对应的行人姿态特征分别为正面姿态、背面姿态和侧面姿态。
可见,本实施例通过该识别模型提取行人图像中的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度,实现了对同一行人的不同姿态的全面的、多粒度的特征表达,达到深入挖掘行人的局部特征和全局特征的目的,从而更加全面、丰富、多粒度地刻画行人。此外,由于该识别模型中的姿态特征提取网络、关键点特征提取网络、全局特征提取网络和局部特征提取网络,在特征图提取网络部分实现了权重的共享,故可以有效减少了行人重识别过程中的计算量。
在本实施例中,当利用识别模型得到行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、行人局部特征的置信度后,可按照图6所示的步骤计算行人相似度,即上述的步骤S103具体包括:
步骤S1031,根据两张行人图像各自对应的行人关键点特征计算关键点特征相似度。
步骤S1032,根据两张行人图像各自对应的行人全局特征计算全局特征相似度。
步骤S1033,根据两张行人图像各自对应的行人局部特征以及行人局部特征的置信度计算局部特征相似度。
步骤S1034,根据两张行人图像各自对应的行人姿态特征确定关键点特征相似度、全局特征相似度和局部特征相似度各自对应的权重超参数。
在本实施例中,可以预先设定两组权重超参数,当两张行人图像各自对应的行人姿态特征一致时,选择其中一组权重超参数;当两张行人图像各自对应的行人姿态特征不一致时,选择另一组权重超参数,从而确定关键点特征相似度、全局特征相似度和局部特征相似度各自对应的权重超参数。
步骤S1035,根据关键点特征相似度、全局特征相似度、局部特征相似度以及各自对应的权重超参数计算行人相似度。
在本实施例中,该行人相似度的计算公式可以表示为Similarity(A,B)=αSg(A,B)+βSl(A,B)+γSp(A,B),Sg(A,B)、Sl(A,B)、Sp(A,B)分别表示全局特征相似度、局部特征相似度、关键点特征相似度,α、β、γ分别表示全局特征相似度、局部特征相似度、关键点特征相似度所对应的权重超参数。
在一个示例中,可以设定当两张行人图像各自对应的行人姿态特征一致时,确定的权重超参数为α=β=0.45,γ=0.1;当两张行人图像各自对应的行人姿态特征不一致时,确定的权重超参数为α=β=0.5,γ=0。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种行人重识别装置的实现方式。请参阅图7,为本发明实施例提供的一种行人重识别装置400的功能模块图。需要说明的是,本实施例所提供的行人重识别装置400,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该行人重识别装置400包括图像获取模块410、行人特征获取模块420、相似度计算模块430、判断模块440。
该图像获取模块410用于获取多张行人图像。
可以理解,该图像获取模块410可以执行上述步骤S101。
该行人特征获取模块420用于将多张行人图像输入预先训练的识别模型,利用识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及行人局部特征的置信度。
可选地,该识别模型包括姿态特征提取网络、关键点特征提取网络、全局特征提取网络和局部特征提取网络,该行人特征获取模块420可以用于利用姿态特征提取网络提取出每张行人图像对应的行人姿态特征,利用关键点特征提取网络提取出每张行人图像对应的行人关键点特征,利用全局特征提取网络提取出每张行人图像对应的行人全局特征,利用局部特征提取网络提取出每张行人图像对应的行人局部特征及行人局部特征的置信度。
可选地,识别模型包括特征图提取网络、关键点和姿态检测模块、关键点后处理模块、ROI提取模块、ROI池化模块、全局特征提取模块和局部特征提取模块,特征图提取网络、关键点和姿态检测模块构成上述的姿态特征提取网络。特征图提取网络、关键点和姿态检测模块、关键点后处理模块构成上述的关键点特征提取网络。特征图提取网络、关键点和姿态检测模块、ROI提取模块、ROI池化模块和全局特征提取模块构成上述的全局特征提取网络。特征图提取网络、关键点和姿态检测模块、ROI提取模块和局部特征提取模块构成上述的局部特征提取网络。
该行人特征获取模块420具体用于利用姿态特征提取网络的第一特征图提取层提取出每张行人图像对应的第一特征图,将第一特征图输入关键点和姿态检测模块,得到关键点坐标信息以及基于关键点坐标信息确定的行人姿态特征。将关键点坐标信息和第一特征图输入关键点后处理模块,得到行人关键点特征。将关键点坐标信息和第一特征图输入ROI提取模块,得到行人图像对应的感兴趣区域,将感兴趣区域输入ROI池化模块进行池化处理,将经过池化处理的感兴趣区域输入全局特征提取模块,得到行人全局特征。利用姿态特征提取网络的第二特征图提取层提取出每张行人图像对应的第二特征图;其中,第二特征图的分辨率高于第一特征图;将ROI提取模块获取的关键点坐标信息按照预设的比例进行放大处理,然后将第二特征图和经过放大处理的关键点坐标信息输入局部特征提取模块,得到行人局部特征及行人局部特征的置信度。
可以理解,该行人特征获取模块420可以执行上述步骤S102、S1021、S1022、S1023、S1024。
该相似度计算模块430用于根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、行人局部特征的置信度计算行人相似度。
可选地,该相似度计算模块430用于根据两张行人图像各自对应的行人关键点特征计算关键点特征相似度。具体地,该相似度计算模块430用于根据公式计算关键点特征相似度,其中,Sp(A,B)为关键点特征相似度,Ap、Bp分别表示两张行人图像经过识别模型提取出的行人关键点特征。
可选地,该相似度计算模块430用于根据两张行人图像各自对应的行人全局特征计算全局特征相似度。具体地,该相似度计算模块430用于根据公式计算全局特征相似度,其中,Sg(A,B)为全局特征相似度,Ag、Bg分别表示两张行人图像经过识别模型提取出的行人全局特征。
可选地,该相似度计算模块430用于根据两张行人图像各自对应的行人局部特征以及行人局部特征的置信度计算局部特征相似度。具体地,该相似度计算模块430用于根据公式计算局部特征相似度,其中,Sl(A,B)为局部特征相似度,Ail、Bil分别表示两张行人图像经过识别模型提取出的第i个行人局部特征,ci表示第i个行人局部特征的置信度。
可选地,该相似度计算模块430用于根据两张行人图像各自对应的行人姿态特征确定关键点特征相似度、全局特征相似度和局部特征相似度各自对应的权重超参数。
可选地,该相似度计算模块430用于根据关键点特征相似度、全局特征相似度、局部特征相似度以及各自对应的权重超参数计算行人相似度。具体地,该相似度计算模块430用于根据公式Similarity(A,B)=αSg(A,B)+βSl(A,B)+γSp(A,B)计算行人相似度,其中,Sg(A,B)、Sl(A,B)、Sp(A,B)分别表示全局特征相似度、局部特征相似度、关键点特征相似度,α、β、γ分别表示全局特征相似度、局部特征相似度、关键点特征相似度所对应的权重超参数。
可以理解,该相似度计算模块430可以执行上述步骤S103、S1031、S1032、S1033、S1034及S1035。
该判断模块440用于根据行人相似度确定两张行人图像中的行人是否为同一人。
可以理解,该判断模块440可以执行上述步骤S104。
请参照图8,是本发明实施例提供的电子设备100的一种方框示意图。电子设备100包括存储器110、处理器120及通信模块130。存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。例如,当存储器110中存储的计算机程序被处理器120执行时,可以实现上述各实施例所揭示的行人重识别方法。
通信模块130用于通过网络建立电子设备100与其它设备之间的通信连接,并用于通过网络收发数据。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器120执行时,可以实现上述各实施例所揭示的行人重识别方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (9)
1.一种行人重识别方法,其特征在于,所述方法包括:
获取多张行人图像;
将所述多张行人图像输入预先训练的识别模型,所述识别模型包括姿态特征提取网络、关键点特征提取网络、全局特征提取网络和局部特征提取网络;利用所述识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及所述行人局部特征的置信度,包括:利用所述姿态特征提取网络提取出每张行人图像对应的行人姿态特征;利用所述关键点特征提取网络提取出每张行人图像对应的行人关键点特征;利用所述全局特征提取网络提取出每张行人图像对应的行人全局特征;利用所述局部特征提取网络提取出每张行人图像对应的行人局部特征及所述行人局部特征的置信度;
根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、所述行人局部特征的置信度计算行人相似度;
根据所述行人相似度确定所述两张行人图像中的行人是否为同一人。
2.根据权利要求1所述的方法,其特征在于,所述识别模型包括特征图提取网络、关键点和姿态检测模块,所述特征图提取网络、所述关键点和姿态检测模块构成所述姿态特征提取网络;
所述利用所述姿态特征提取网络提取出每张行人图像对应的行人姿态特征,包括:
利用所述姿态特征提取网络的第一特征图提取层提取出每张行人图像对应的第一特征图;
将所述第一特征图输入所述关键点和姿态检测模块,得到关键点坐标信息以及基于所述关键点坐标信息确定的行人姿态特征。
3.根据权利要求2所述的方法,其特征在于,所述识别模型还包括关键点后处理模块,所述特征图提取网络、所述关键点和姿态检测模块、所述关键点后处理模块构成所述关键点特征提取网络;
所述利用所述关键点特征提取网络提取出每张行人图像对应的行人关键点特征,包括:
将所述关键点坐标信息和所述第一特征图输入所述关键点后处理模块,得到所述行人关键点特征。
4.根据权利要求2所述的方法,其特征在于,所述识别模型还包括感兴趣区域ROI提取模块、ROI池化模块和全局特征提取模块,所述特征图提取网络、所述关键点和姿态检测模块、所述ROI提取模块、所述ROI池化模块和所述全局特征提取模块构成所述全局特征提取网络;
所述利用所述全局特征提取网络提取出每张行人图像对应的行人全局特征,包括:
将所述关键点坐标信息和所述第一特征图输入所述ROI提取模块,得到所述行人图像对应的感兴趣区域;
将所述感兴趣区域输入所述ROI池化模块进行池化处理;
将经过池化处理的感兴趣区域输入所述全局特征提取模块,得到所述行人全局特征。
5.根据权利要求4所述的方法,其特征在于,所述识别模型还包括局部特征提取模块,所述特征图提取网络、所述关键点和姿态检测模块、所述ROI提取模块和所述局部特征提取模块构成所述局部特征提取网络;
所述利用所述局部特征提取网络提取出每张行人图像对应的行人局部特征及所述行人局部特征的置信度,包括:
利用所述姿态特征提取网络的第二特征图提取层提取出每张行人图像对应的第二特征图;其中,所述第二特征图的分辨率高于所述第一特征图;
将所述ROI提取模块获取的所述关键点坐标信息按照预设的比例进行放大处理;
将所述第二特征图和经过放大处理的关键点坐标信息输入所述局部特征提取模块,得到所述行人局部特征及所述行人局部特征的置信度。
6.根据权利要求1所述的方法,其特征在于,所述根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、所述行人局部特征的置信度计算行人相似度,包括:
根据所述两张行人图像各自对应的行人关键点特征计算关键点特征相似度;
根据所述两张行人图像各自对应的行人全局特征计算全局特征相似度;
根据所述两张行人图像各自对应的行人局部特征以及所述行人局部特征的置信度计算局部特征相似度;
根据所述两张行人图像各自对应的行人姿态特征确定所述关键点特征相似度、所述全局特征相似度和所述局部特征相似度各自对应的权重超参数;
根据所述关键点特征相似度、所述全局特征相似度、所述局部特征相似度以及各自对应的权重超参数计算所述行人相似度。
7.一种行人重识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取多张行人图像;
行人特征获取模块,用于将所述多张行人图像输入预先训练的识别模型,所述识别模型包括姿态特征提取网络、关键点特征提取网络、全局特征提取网络和局部特征提取网络;利用所述识别模型进行特征提取,得到每张行人图像对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征及所述行人局部特征的置信度,包括:利用所述姿态特征提取网络提取出每张行人图像对应的行人姿态特征;利用所述关键点特征提取网络提取出每张行人图像对应的行人关键点特征;利用所述全局特征提取网络提取出每张行人图像对应的行人全局特征;利用所述局部特征提取网络提取出每张行人图像对应的行人局部特征及所述行人局部特征的置信度;
相似度计算模块,用于根据任意两张行人图像各自对应的行人姿态特征、行人关键点特征、行人全局特征、行人局部特征、所述行人局部特征的置信度计算行人相似度;
判断模块,用于根据所述行人相似度确定所述两张行人图像中的行人是否为同一人。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194339.5A CN111401265B (zh) | 2020-03-19 | 2020-03-19 | 行人重识别方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194339.5A CN111401265B (zh) | 2020-03-19 | 2020-03-19 | 行人重识别方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401265A CN111401265A (zh) | 2020-07-10 |
CN111401265B true CN111401265B (zh) | 2020-12-25 |
Family
ID=71428871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010194339.5A Active CN111401265B (zh) | 2020-03-19 | 2020-03-19 | 行人重识别方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401265B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101183B (zh) * | 2020-09-10 | 2021-08-24 | 深圳市商汤科技有限公司 | 车辆识别方法及装置、电子设备及存储介质 |
CN112257669A (zh) * | 2020-11-13 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 行人重识别方法、装置及电子设备 |
CN112560969B (zh) * | 2020-12-21 | 2022-01-11 | 重庆紫光华山智安科技有限公司 | 用于人体重识别的图像处理方法、模型训练方法及装置 |
CN112465078B (zh) * | 2021-02-03 | 2021-04-16 | 成都点泽智能科技有限公司 | 跨摄像头行人轨迹处理方法、计算机设备及可读存储介质 |
CN112836759B (zh) * | 2021-02-09 | 2023-05-30 | 重庆紫光华山智安科技有限公司 | 一种机选图片评价方法、装置、存储介质及电子设备 |
WO2022252432A1 (zh) * | 2021-06-03 | 2022-12-08 | 华为技术有限公司 | 特征提取方法及装置、模型训练方法及装置 |
CN113505736A (zh) * | 2021-07-26 | 2021-10-15 | 浙江大华技术股份有限公司 | 对象的识别方法及装置、存储介质、电子装置 |
CN113642515B (zh) * | 2021-08-30 | 2023-11-24 | 北京航空航天大学 | 基于姿态关联的行人识别方法与装置、电子设备和介质 |
CN113920306B (zh) * | 2021-09-30 | 2022-10-25 | 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 |
CN114140825A (zh) * | 2021-12-01 | 2022-03-04 | 深圳集智数字科技有限公司 | 行人匹配方法、装置、电子设备及计算机可读存储介质 |
CN114359970A (zh) * | 2022-01-12 | 2022-04-15 | 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 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344841A (zh) * | 2018-08-10 | 2019-02-15 | 北京华捷艾米科技有限公司 | 一种服装识别方法及装置 |
CN109740541A (zh) * | 2019-01-04 | 2019-05-10 | 重庆大学 | 一种行人重识别系统与方法 |
CN109784186A (zh) * | 2018-12-18 | 2019-05-21 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN110309701A (zh) * | 2019-04-17 | 2019-10-08 | 武汉大学 | 一种基于跨视角同一区域的行人重识别方法 |
CN110555428A (zh) * | 2019-09-12 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 行人重识别方法、装置、服务器以及存储介质 |
CN110659589A (zh) * | 2019-09-06 | 2020-01-07 | 中国科学院自动化研究所 | 基于姿态和注意力机制的行人再识别方法、系统、装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095827B (zh) * | 2014-04-18 | 2019-05-17 | 汉王科技股份有限公司 | 人脸表情识别装置和方法 |
US11176382B2 (en) * | 2017-03-06 | 2021-11-16 | Conduent Business Services, Llc | System and method for person re-identification using overhead view images |
CN107358149B (zh) * | 2017-05-27 | 2020-09-22 | 深圳市深网视界科技有限公司 | 一种人体姿态检测方法和装置 |
CN108764065B (zh) * | 2018-05-04 | 2020-12-08 | 华中科技大学 | 一种行人重识别特征融合辅助学习的方法 |
CN109934177A (zh) * | 2019-03-15 | 2019-06-25 | 艾特城信息科技有限公司 | 行人再识别方法、系统及计算机可读存储介质 |
CN110163110B (zh) * | 2019-04-23 | 2023-06-06 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
-
2020
- 2020-03-19 CN CN202010194339.5A patent/CN111401265B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344841A (zh) * | 2018-08-10 | 2019-02-15 | 北京华捷艾米科技有限公司 | 一种服装识别方法及装置 |
CN109784186A (zh) * | 2018-12-18 | 2019-05-21 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN109740541A (zh) * | 2019-01-04 | 2019-05-10 | 重庆大学 | 一种行人重识别系统与方法 |
CN110309701A (zh) * | 2019-04-17 | 2019-10-08 | 武汉大学 | 一种基于跨视角同一区域的行人重识别方法 |
CN110659589A (zh) * | 2019-09-06 | 2020-01-07 | 中国科学院自动化研究所 | 基于姿态和注意力机制的行人再识别方法、系统、装置 |
CN110555428A (zh) * | 2019-09-12 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 行人重识别方法、装置、服务器以及存储介质 |
Non-Patent Citations (2)
Title |
---|
Optimizing Multi-Granularity Region Similarity for Person Re-Identification;CUIQUN CHEN 等;《IEEE Access》;20190123;第7卷;8847-8857 * |
姿态引导与多粒度特征融合的行人再识别;张良 等;《激光与光电子学进展》;20191031;第56卷(第20期);摘要,正文第2.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111401265A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401265B (zh) | 行人重识别方法、装置、电子设备和计算机可读存储介质 | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
Li et al. | Nested network with two-stream pyramid for salient object detection in optical remote sensing images | |
CN108108764B (zh) | 一种基于随机森林的视觉slam回环检测方法 | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN109559330B (zh) | 运动目标的视觉跟踪方法、装置、电子设备及存储介质 | |
CN110598600A (zh) | 一种基于unet神经网络的遥感图像云检测方法 | |
CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN107679513B (zh) | 图像处理方法、装置及服务器 | |
CN111461238B (zh) | 模型训练方法、字符识别方法、装置、设备及存储介质 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
Gu et al. | Multiple stream deep learning model for human action recognition | |
Arivazhagan et al. | Human action recognition from RGB-D data using complete local binary pattern | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN113378770B (zh) | 手势识别方法、装置、设备、存储介质 | |
WO2021012493A1 (zh) | 短视频关键词提取方法、装置及存储介质 | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
CN107886062A (zh) | 图像处理方法、系统及服务器 | |
CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
CN103902989A (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
CN110991278A (zh) | 计算机视觉系统的视频中人体动作识别方法和装置 |
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 |