CN111680564A - 一种全天候行人重识别方法、系统、设备及存储介质 - Google Patents

一种全天候行人重识别方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111680564A
CN111680564A CN202010388048.XA CN202010388048A CN111680564A CN 111680564 A CN111680564 A CN 111680564A CN 202010388048 A CN202010388048 A CN 202010388048A CN 111680564 A CN111680564 A CN 111680564A
Authority
CN
China
Prior art keywords
image
pedestrian
visible light
infrared
recognition
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
Application number
CN202010388048.XA
Other languages
English (en)
Other versions
CN111680564B (zh
Inventor
王凤随
刘芙蓉
陈金钢
王启胜
刘慧紫
罗淑慧
王杰
孙心怡
金曙
张学伟
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.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic 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 Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN202010388048.XA priority Critical patent/CN111680564B/zh
Publication of CN111680564A publication Critical patent/CN111680564A/zh
Application granted granted Critical
Publication of CN111680564B publication Critical patent/CN111680564B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书一个或多个实施例提供一种全天候行人重识别方法、系统、设备及存储介质，包括如下步骤，采集行人的可见光图像和红外图像，构建行人图像数据库；通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型；将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果；本发明通过采集行人的可见光图像及红外图像，并通过多光谱融合算法对可见光图像及红外图像进行融合，结合红外图像采集和可见光图像采集的优点，防止暗光、遮挡等情况，能够进行全天候的行人重识别。

Description

一种全天候行人重识别方法、系统、设备及存储介质
技术领域
本说明书一个或多个实施例涉及重识别技术领域，尤其涉及一种全天候行人重识别方法、系统、设备及存储介质。
背景技术
随着深度学习的发展，目前的行人重识别技术主要基于深度学习将特征表示和距离度量结合起来。此项技术主要应用在针对可见光图片的识别，传统的行人重识别方法对不良光线条件下的行人重识别问题就显得束手无策。随着传感器技术的发展，出现了具有红外功能的可见光摄像头，于是出现了针对红外图像的重识别技术。但是如何将可见光图像与红外图像结合建立一个面向全天的智能监控的行人重识别系统仍是一个技术难点。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种全天候行人重识别方法、系统、设备及存储介质，以解决上述问题。
基于上述目的本发明提供的一种全天候行人重识别方法，包括如下步骤：
采集行人的可见光图像和红外图像，构建行人图像数据库；
通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；
将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型；
将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果。
可选的，所述通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合的具体步骤如下：
根据所述可见光图像的图像背景与所述红外图像的图像背景确定所述可见光图像的影响权重与所述红外图像的影响权重；
通过回归算法，并根据所述可见光图像的影响权重与所述红外图像的影响权重对所述可见光图像与所述红外图像进行分类；
对所述可见光图像与所述红外图像进行加权，输出融合后的图像。
可选的，所述根据所述可见光图像的图像背景与所述红外图像的图像背景确定所述可见光图像的影响权重与所述红外图像的影响权重，包括：
对所述可见光图像的图像背景与所述红外图像的图像背景进行分析，得出当前环境参数；
根据所述当前环境参数确定可见光图像的影响权重与所述红外图像的影响权重；
其中，当前环境参数至少包括光照强度、背光强度以及逆光强度。
可选的，所述对融合后的图像进行检测，得到检测图像数据集具体包括如下步骤：
将融合后的图像采用YOLO算法进行检测；
将检测后的图像进行剪切，得到检测图像数据集。
可选的，所述将融合后的图像采用YOLO算法进行检测的具体步骤如下：
将融合后的图像进行划分，划分出训练集；
将训练集作为输入带入YOLO神经网络模型进行训练，得出训练好的YOLOv3神经网络模型；
将融合后的图像作为输入带入训练好的YOLO神经网络模型，得出检测后的图像。
可选的，所述预设的行人重识别模型为以ResNet残差网络构建的模型，所述ResNet残差网络为双路网络。
可选的，所述双路网络包括可见光残差子网络与红外残差子网络，所述可见光残差子网络从所述数据集中的可见光图像中提取图像特征，并进行训练；所述红外残差子网络从所述数据集中的红外图像中提取图像特征，并进行训练。
一种全天候行人重识别系统，包括：
数据库构建模块，用于采集行人的可见光图像和红外图像，构建行人图像数据库；
检测模块，用于通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；
重识别模块，用于将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型，并将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果。
根据本公开的一方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述的方法。
根据本公开的一方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述方法。
从上面所述可以看出，本说明书一个或多个实施例提供的一种全天候行人重识别方法、系统、设备及存储介质，通过采集行人的可见光图像及红外图像，并通过多光谱融合算法对可见光图像及红外图像进行融合，结合红外图像采集和可见光图像采集的优点，防止暗光、遮挡等情况，能够进行全天候的行人重识别。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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的附图。
图1为本说明书一个或多个实施例的全天候行人重识别方法的流程示意图；
图2为本说明书一个或多个实施例的全天候行人重识别系统的示意图；
图3为本说明书一个或多个实施例的执行全天候行人重识别方法的电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
基于上述目的本发明提供一种全天候行人重识别方法，作为一种实施方式，如图所示，包括如下步骤：
101.采集行人的可见光图像和红外图像，构建行人图像数据库；在本实施例中采用具有红外功能的监控摄像头采集行人的可见光图像和红外图像，具体的说采用点阵式红外摄像机，点阵式红外摄像机中的红外灯使用第三代红外发光元器件，体积小、散热好、衰减慢、寿命长；
102.通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；
103.将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型；
104.将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果。
可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
本方案通过采集行人的可见光图像及红外图像，并通过多光谱融合算法对可见光图像及红外图像进行融合，结合红外图像采集和可见光图像采集的优点，防止暗光、遮挡等情况，能够进行全天候的行人重识别。
在一种实施方式中，步骤102中的所述通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合的具体步骤如下：
根据所述可见光图像的图像背景与所述红外图像的图像背景确定所述可见光图像的影响权重与所述红外图像的影响权重；
通过回归算法，并根据所述可见光图像的影响权重与所述红外图像的影响权重对所述可见光图像与所述红外图像进行分类；
对所述可见光图像与所述红外图像进行加权，输出融合后的图像。
在一种实施方式中，所述根据所述可见光图像的图像背景与所述红外图像的图像背景确定所述可见光图像的影响权重与所述红外图像的影响权重，包括：
对所述可见光图像的图像背景与所述红外图像的图像背景进行分析，得出当前环境参数；
根据所述当前环境参数确定可见光图像的影响权重与所述红外图像的影响权重；
其中，当前环境参数至少包括光照强度、背光强度以及逆光强度。其中，通过光照强度、背光强度以及逆光强度等参数判断当前环境是白天还是夜晚，在白天场景下令可见光图像的影响权重ωRGB＝1,在夜晚场景下令红外图像的影响权重ωIR＝1，以使在白天场景下，可见光图像的所述红外图像融合后的图像以可见光图像为主，进而使融合后的图像有更丰富的纹理和颜色；在夜晚场景下，由于可见光图像难以得到有效内容，可见光图像的纹理等信息对红外图像产生了干扰，反而加大了行人检测的难度，这时基于红外图像的行人检测性能要优于可见光图像，因此融合后的图像以红外图像为主。
在一种实施方式中，步骤102中的所述对融合后的图像进行检测，得到检测图像数据集具体包括如下步骤：
将融合后的图像采用YOLO算法进行检测；
将检测后的图像进行剪切，得到检测图像数据集。
具体的说，所述将融合后的图像采用YOLO算法进行检测的具体步骤如下：
将融合后的图像进行划分，划分出训练集；
将训练集作为输入带入YOLO神经网络模型进行训练，得出训练好的YOLOv3神经网络模型；
将融合后的图像作为输入带入训练好的YOLO神经网络模型，得出检测后的图像。
可选的，所述预设的行人重识别模型为以ResNet残差网络构建的模型，所述ResNet残差网络为双路网络。
可选的，所述双路网络包括可见光残差子网络与红外残差子网络，所述可见光残差子网络从所述数据集中的可见光图像中提取图像特征，并进行训练；所述红外残差子网络从所述数据集中的红外图像中提取图像特征，并进行训练。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在一方面，还提出了一种全天候行人重识别系统，包括：
数据库构建模块，用于采集行人的可见光图像和红外图像，构建行人图像数据库；
检测模块，用于通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；
重识别模块，用于将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型，并将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
根据本公开的一方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述的方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
根据本公开的一方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述方法。
本实施例的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。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种全天候行人重识别方法，其特征在于，包括如下步骤：
采集行人的可见光图像和红外图像，构建行人图像数据库；
通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；
将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型；
将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果。
2.根据权利要求1所述的重识别方法，其特征在于，所述通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合的具体步骤如下：
根据所述可见光图像的图像背景与所述红外图像的图像背景确定所述可见光图像的影响权重与所述红外图像的影响权重；
通过回归算法，并根据所述可见光图像的影响权重与所述红外图像的影响权重对所述可见光图像与所述红外图像进行分类；
对所述可见光图像与所述红外图像进行加权，输出融合后的图像。
3.根据权利要求1所述的重识别方法，其特征在于，所述根据所述可见光图像的图像背景与所述红外图像的图像背景确定所述可见光图像的影响权重与所述红外图像的影响权重，包括：
对所述可见光图像的图像背景与所述红外图像的图像背景进行分析，得出当前环境参数；
根据所述当前环境参数确定可见光图像的影响权重与所述红外图像的影响权重；
其中，当前环境参数至少包括光照强度、背光强度以及逆光强度。
4.根据权利要求1所述的重识别方法，其特征在于，所述对融合后的图像进行检测，得到检测图像数据集具体包括如下步骤：
将融合后的图像采用YOLO算法进行检测；
将检测后的图像进行剪切，得到检测图像数据集。
5.根据权利要求4所述的重识别方法，其特征在于，所述将融合后的图像采用YOLO算法进行检测的具体步骤如下：
将融合后的图像进行划分，划分出训练集；
将训练集作为输入带入YOLO神经网络模型进行训练，得出训练好的YOLOv3神经网络模型；
将融合后的图像作为输入带入训练好的YOLO神经网络模型，得出检测后的图像。
6.根据权利要求1所述的重识别方法，其特征在于，所述预设的行人重识别模型为以ResNet残差网络构建的模型，所述ResNet残差网络为双路网络。
7.根据权利要求6所述的重识别方法，其特征在于，所述双路网络包括可见光残差子网络与红外残差子网络，所述可见光残差子网络从所述数据集中的可见光图像中提取图像特征，并进行训练；
所述红外残差子网络从所述数据集中的红外图像中提取图像特征，并进行训练。
8.一种全天候行人重识别系统，其特征在于，包括：
数据库构建模块，用于采集行人的可见光图像和红外图像，构建行人图像数据库；
检测模块，用于通过多光谱融合算法对数据库中的可见光图像和红外图像进行融合，并对融合后的图像进行检测，得到检测图像数据集；
重识别模块，用于将检测图像数据集输入预设的行人重识别模型进行训练，得到训练后的行人重识别模型，并将待匹配行人图像输入训练后的行人重识别模型，获取行人重识别结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7任一所述的方法。
CN202010388048.XA 2020-05-09 2020-05-09 一种全天候行人重识别方法、系统、设备及存储介质 Active CN111680564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010388048.XA CN111680564B (zh) 2020-05-09 2020-05-09 一种全天候行人重识别方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010388048.XA CN111680564B (zh) 2020-05-09 2020-05-09 一种全天候行人重识别方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111680564A true CN111680564A (zh) 2020-09-18
CN111680564B CN111680564B (zh) 2023-04-07

Family

ID=72451904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010388048.XA Active CN111680564B (zh) 2020-05-09 2020-05-09 一种全天候行人重识别方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111680564B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465735A (zh) * 2020-11-18 2021-03-09 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 行人检测方法、装置及计算机可读存储介质
CN113627346A (zh) * 2021-08-11 2021-11-09 深圳市捷顺科技实业股份有限公司 一种通道闸检测方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605961A (zh) * 2013-11-20 2014-02-26 吉林大学 一种指纹和虹膜融合识别装置
CN110674878A (zh) * 2019-09-26 2020-01-10 苏州航韧光电技术有限公司 一种双模决策级图像融合的目标检测方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605961A (zh) * 2013-11-20 2014-02-26 吉林大学 一种指纹和虹膜融合识别装置
CN110674878A (zh) * 2019-09-26 2020-01-10 苏州航韧光电技术有限公司 一种双模决策级图像融合的目标检测方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陶江等: "红外与可见光图像融合的空间碎片识别方法", 《导航定位与授时》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465735A (zh) * 2020-11-18 2021-03-09 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 行人检测方法、装置及计算机可读存储介质
CN113627346A (zh) * 2021-08-11 2021-11-09 深圳市捷顺科技实业股份有限公司 一种通道闸检测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN111680564B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN105051754B (zh) 用于通过监控系统检测人的方法和装置
CN108256404B (zh) 行人检测方法和装置
WO2020134528A1 (zh) 目标检测方法及相关产品
US11948355B2 (en) Synthetic infrared data for image classification systems and methods
CN111476780A (zh) 一种图像检测方法、装置、电子设备以及存储介质
US20230334890A1 (en) Pedestrian re-identification method and device
CN109580004A (zh) 一种温度检测方法及装置
CN111680564B (zh) 一种全天候行人重识别方法、系统、设备及存储介质
CN109313806A (zh) 图像处理装置、图像处理系统、图像处理方法和程序
JP2018136767A (ja) 光学センサ、学習装置、及び画像処理システム
KR102402170B1 (ko) 이미지 분석을 이용한 메타버스 생성 장치 및 방법
Bauer et al. UASOL, a large-scale high-resolution outdoor stereo dataset
CN111783654B (zh) 车辆重识别方法、装置及电子设备
Liu et al. Soft prototyping camera designs for car detection based on a convolutional neural network
CN114219855A (zh) 点云法向量的估计方法、装置、计算机设备和存储介质
CN110910445A (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN113920540A (zh) 基于知识蒸馏的行人重识别方法、装置、设备及存储介质
CN115661522A (zh) 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质
US20220100795A1 (en) Systems and methods for image retrieval
CN111311022A (zh) 发电量预测方法、装置、设备及计算机可读存储介质
CN109785439A (zh) 人脸素描图像生成方法及相关产品
CN105683959A (zh) 信息处理设备、信息处理方法及信息处理系统
CN110222576B (zh) 拳击动作识别方法、装置和电子设备
CN113139540B (zh) 背板检测方法及设备
CN110827194A (zh) 图像处理的方法、装置及计算机存储介质

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