CN111832361B - 一种行人重识别方法、装置和计算机设备 - Google Patents
一种行人重识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111832361B CN111832361B CN201910320299.1A CN201910320299A CN111832361B CN 111832361 B CN111832361 B CN 111832361B CN 201910320299 A CN201910320299 A CN 201910320299A CN 111832361 B CN111832361 B CN 111832361B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- human body
- picture
- queried
- body part
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种行人重识别方法、装置和计算机设备。本申请提供的行人重识别方法,包括:确定待查询行人图片的类别信息;其中,所述类别信息用于表征所述待查询行人图片包含的人体部件所属的类别;从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库;计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。本申请提供的行人重识别方法、装置和计算机设备,可准确地进行行人重识别。
Description
技术领域
本申请涉及计算机视觉领域,尤其涉及一种行人重识别方法、装置和计算机设备。
背景技术
行人重识别是指针对待查询行人图片,在另外的监控中查找出该行人的相关图片,其广泛应用于智能视频监控、智能安保等领域。
现有的行人重识别方法,只关注整个人体。但是,摄像头采集的行人图片由于盲区、干扰等原因,往往存在被遮挡的问题。这样,当待查询行人图片因被遮挡只保留部分人体部件时,采用现有的行人重识别方法进行行人重识别时,准确率较低。
发明内容
有鉴于此,本申请提供一种行人重识别方法、装置和计算机设备,以提供一种准确率较高的行人重识别方法。
本申请第一方面提供一种行人重识别方法,包括:
确定待查询行人图片的类别信息;其中,所述类别信息用于表征所述待查询行人图片包含的人体部件所属的类别;
从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库;
计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。
本申请第二方面提供一种行人重识别装置,包括分类模块、选择模块和处理模块,其中,
所述分类模块,用于确定待查询行人图片的类别信息;其中,所述类别信息用于表征所述待查询行人图片包含的人体部件所属的类别;
所述选择模块,用于从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库;
所述处理模块,用于计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。
本申请第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请第一方面提供的任一项所述方法的步骤。
本申请第四方面提供一种计算机设备,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本申请第一方面提供的任一项所述方法的步骤。
本申请提供的行人重识别方法、装置和计算机设备,通过确定待查询行人图片的类别信息,并从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库,进而计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。这样,通过预先建立人体部件对应的比对库,进而依据与类别信息匹配的比对库来计算相似度,这样,可实现人体部件级别的搜索,进而基于该搜索,实现行人重识别,准确性较高。
附图说明
图1为本申请提供的行人重识别方法实施例一的流程图;
图2为本申请提供的行人重识别方法实施例二的流程图;
图3为本申请提供的行人重识别方法实施例三的流程图;
图4为本申请一示例性实施例示出的行人重识别装置所在计算机设备的硬件结构图;
图5为本申请提供的行人重识别装置实施例一的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供一种行人重识别方法、装置和计算机设备,以提供一种准确率较高的行人重识别方法。
下面给出几个具体的实施例,用以详细介绍本申请的技术方案。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请提供的行人重识别方法实施例一的流程图。请参照图1,本实施例提供的方法,可以包括:
S101、确定待查询行人图片的类别信息;其中,上述类别信息用于表征上述待查询行人图片包含的人体部件所属的类别。
具体的,待查询行人图片的类别信息用于表征该待查询行人图片包含的人体部件所属的类别。例如,一实施例中,待查询行人图片的下半部分被遮挡,其仅存在行人的头肩,此时,该待查询行人图片的类别信息为头肩。再例如,另一实施例中,待查询行人图片的上半部分被遮挡,其仅存在行人的下肢,此时,该待查询行人图片的类别信息为下肢。
需要说明的是,本申请中,人体部件指的是人体的构成部件。例如,可以是头肩、上肢、下肢等构成部件。
可选地,在本申请一可能的实现方式中,该步骤的具体实现过程,可以包括:
(1)将所述待查询行人图片输入到预先训练好的人体部件分类网络,由所述人体部件分类网络对所述待查询行人图片进行特征提取和分类后,输出所述待查询行人图片属于各所述指定人体部件的概率,并将最大概率对应的指定人体部件确定为所述待查询行人图片所属的类别;
(2)将所述待查询行人图片所属的类别确定为所述类别信息。
需要说明的是,该人体部件分类网络的输入为行人图片,输出为该行人图片属于各指定人体部件的概率。
例如,一实施例中,人体部件分类网络的预设指定人体部件(人体分类网络的预设类别)包括三个指定人体部件,这三个指定人体部件分别为头肩、躯干和下肢。本步骤中,将待查询行人图片输入到该人体部件分类网络后,该人体部件分类网络对上述待查询行人图片进行特征提取和分类后输出上述待查询行人图片属于头肩的概率、属于躯干的概率和属于下肢的概率,并将最大概率对应的指定人体部件确定为上述待查询行人图片所属的类别。例如,一实施例中,人体部件分类网络输出待查询行人图片属于头肩的概率为0.8,输出待查询行人图片属于躯干的概率为0.1,输出待查询行人图片属于下肢的概率为0.1,此时,确定待查询行人图片所属的类别为头肩。进一步地,确定待查询行人图片的类别信息为头肩。
下面简单介绍人体部件分类网络的工作原理:
具体的,人体部件分类网络为预先训练好的网络,该人体部件分类网络通过下述方法训练获得:
(1)构建人体部件分类网络
人体部件分类网络可以由第一神经网络和分类器组成,其中,第一神经网络用于对待查询行人图片进行特征提取;分类器,用于进行分类。
示例性的,第一神经网络可以包括卷积层,该卷积层用于对输入的图片进行滤波处理。进一步地,此时,该卷积层输出的滤波处理结果即为提取到特征图。
此外,该第一神经网络还可以包括池化层和/或全连接层。例如,一实施例中,该第一神经网络包括卷积层、池化层和全连接层,其中,卷积层,用于对输入的图片进行滤波处理;池化层,用于对滤波处理结果进行压缩处理;全连接层,用于对压缩处理结果进行聚合处理。进一步地,此时,该全连接层输出的聚合处理结果即为提取到的特征图。
此外,分类器可以包括softmax层,用于实现分类的目的。有关softmax层的具体工作原理可以参见相关技术中的描述,此处不再赘述。
(2)获取训练样本集
具体的,可获取待标签的行人图片作为训练样本。需要说明的是,本申请中,训练样本的标签为该行人图片所属的类别。例如,一样本的标签为头肩,表征该行人图片所属的类别为头肩。
(3)采用上述训练样本集训练上述人体部件分类网络,得到训练好的人体部件分类网络。
具体的,可先将人体部件分类网络的网络参数设定为指定值,然后利用获取到的训练样本训练上述网络,得到训练好的网络。
具体的,该过程可以包括前向传播和后向传播两个阶段:前向传播,即输入一个训练样本,对训练样本进行前向传播提取数据特征,计算损失函数;后向传播,利用损失函数从人体部件分类网络的最后一层依次往前反向传播,同时利用梯度下降法修改人体部件分类网络的网络参数,以使损失函数收敛。
参见前面的描述,这样,训练好该人体部件分类网络后,便可利用其得到待查询行人图片所属的类别。
S102、从预先建立的各指定人体部件对应的比对库中选取与上述类别信息匹配的比对库作为目标比对库。
需要说明的是,指定人体部件对应的比对库中的目标数据为用于表征该指定人体部件的数据。例如,指定人体部件对应的比对库中的目标数据可以为指定人体部件图片或指定人体部件图片对应的特征图。例如,头肩对应的比对库中的目标数据可以为头肩图片或头肩图片对应的特征图。
进一步地,本步骤中,当类别信息为头肩时,选择头肩对应的比对库为目标比对库;当类型信息为躯干时,选择躯干对应的比对库为目标比对库;当类别信息为下肢时,选择下肢对应的比对库为目标比对库。
具体的,一实施例中,指定人体部件对应的比对库中的目标数据为人体部件图片。此时,各指定人体部件对应的比对库采用如下方法建立:
(1)从预先采集的行人图片中截取包含各所述指定人体部件的人体部件图片。
具体的,一实施例中,可首先将行人图片按照预设的长宽比进行缩放(例如,一实施例中,预设的长宽比为3:1),然后分别从上往下进行截取,依次得到包含头肩的头肩人体部件图片、包含躯干的躯干人体部件图片和包含下肢的下肢人体部件图片。
(2)按照各所述人体部件图片所包含的人体部件,将各所述人体部件图片分类存储,得到各所述指定人体部件对应的比对库。
本步骤中,就将包含头肩的头肩人体部件图片存储在一起,得到头肩对应的比对库;将包含躯干的躯干人体部件图片存储在一起,得到躯干对应的比对库;将包含下肢的下肢人体部件图片存储在一起,得到下肢对应的比对库。
S103、计算上述待查询行人图片与上述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对上述待查询行人图片进行行人重识别。
例如,结合上面的例子,当目标数据为人体部件图片时,就计算待查询行人图片与上述目标比对库中的人体部件图片之间的相似度。例如,具体实现时,可首先计算待查询行人图片和目标比对库中的各人体部件图片的直方图,进而依据直方图计算相似度。其中,有关计算直方图和依据直方图计算相似度的具体实现方法和实现原理可以参见相关技术中的描述,此处不再赘述。
此外,有关依据计算得到的相似度对待查询行人图片进行行人重识别的具体实现原理可以参见相关技术中的描述,此处不再赘述。例如,在一实施例中,可输出相似度排序结果。
本实施例提供的方法,通过确定待查询行人图片的类别信息,并从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库,进而计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。这样,通过预先建立人体部件对应的比对库,进而依据与类别信息匹配的比对库来计算相似度,这样,可实现人体部件级别的搜索,进而基于该搜索,实现行人重识别,准确性较高。
下面给出几个具体的实施例,用以详细介绍本申请提供的技术方案。
图2为本申请提供的行人重识别方法实施例二的流程图。请参照图2,本实施例提供的方法,目标数据为人体部件图片对应的特征图,此时,步骤S103中,计算所述待查询行人图片与所述目标比对特征库中的目标数据之间的相似度的步骤,可以包括:
S201、对上述待查询行人图片进行特征提取,得到上述待查询行人图片对应的目标特征图。
具体的,可以采用传统的方法对待查询行人图片进行特征提取。例如,采用尺度不变特征转换SIFI算法(Scale-invariant Feature Transform,简称SIFT)对待查询行人图片进行特征提取。当然,也可利用特征提取网络对待查询行人图片进行特征提取,例如,一实施例中,该步骤的具体实现过程,可以包括:
(1)将上述待查询行人图片输入到预先训练好的特征提取网络,由该特征提取网络中的指定层对上述待查询行人图片进行特征提取;所述指定层包括卷积层,或者是,所述指定层包括卷积层,以及池化层和全连接层中的至少一个;
(2)将所述指定层的输出结果确定为该查询行人图片对应的目标特征图。
具体的,该特征提取网络可以包括卷积层,该卷积层用于对输入的图片进行滤波处理。进一步地,此时,该卷积层输出的滤波处理结果即为提取到特征图。此外,该特征提取网络还可以包括池化层和/或全连接层。例如,一实施例中,该特征提取网络包括卷积层、池化层和全连接层,其中,卷积层,用于对输入的图片进行滤波处理;池化层,用于对滤波处理结果进行压缩处理;全连接层,用于对压缩处理结果进行聚合处理。进一步地,此时,该全连接层输出的聚合处理结果即为提取到的特征图。
S202、计算上述目标特征图与上述比对特征库中的各人体部件图片对应的特征图之间的相似度。
具体的,可采用相关的相似度计算方式计算两特征图之间的相似度。例如,可计算两特征图之间的距离(例如,可计算欧式距离、曼哈顿距离等),得到两者之间的距离。
本实施例提供的方法,目标数据为人体部件图片对应的特征图,此时,预先建立的各指定人体部件对应的比对库采用如下方法建立:
(1)从预先采集的行人图片中截取包含各所述指定人体部件的人体部件图片。
有关该步骤的具体实现过程和实现原理可以参见前面的介绍,此处不再赘述。
(2)对各所述人体部件图片进行特征提取,得到各所述人体部件图片对应的特征图。
参见前面的描述,可采用传统的方法对人体部件图片进行特征提取,或采用特征提取网络对人体部件图片进行特征提取,此处不再赘述。
(3)按照各所述人体部件图片所包含的人体部件,将各所述人体部件图片对应的特征图分类存储,得到各所述指定人体部件对应的比对库。
具体的,将头肩人体部件对应的特征图存储在一起,得到头肩对应的比对库;将躯干对应的特征图存储在一起,得到躯干对应的比对库;将下肢对应的特征图存储在一起,得到下肢对应的比对库。
本实施例提供的方法,提供了一种计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度的方法。这样,依据与类别信息匹配的比对库来计算相似度,可实现人体部件级别的搜索,进而基于该搜索,实现行人重识别,准确性较高。
图3为本申请提供的行人重识别方法实施例三的流程图。本实施例提供的方法,目标数据为人体部件图片。此时,步骤S103中,计算所述待查询行人图片与所述目标比对特征库中的目标数据之间的相似度的步骤,可以包括:
S301、对上述待查询行人图片进行特征提取,得到上述待查询行人图片对应的目标特征图。
有关该步骤的具体实现过程和实现原理可以参见前面实施例中的描述,此处不再赘述。
S302、对上述目标比对库中的各人体图片进行特征提取,得到上述目标比对库中的各人体图片对应的特征图。
具体的,可采用与步骤S301相同的方法对目标比对库中的各人体图片进行特征提取,此处不再赘述。
S303、计算上述目标特征图与上述目标比对特征库中的各人体部件图片对应的特征图之间的相似度。
本实施例提供的方法,提供了一种计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度的方法。这样,依据与类别信息匹配的比对库来计算相似度,可实现人体部件级别的搜索,进而基于该搜索,实现行人重识别,准确性较高。
需要说明的是,本申请中涉及到的人体部件分类网络及特征提取网络,均为预先训练好的网络。下面以人体部件分类网络为例,说明该人体部件分类网络的训练过程:
(1)搭建神经网络
例如,本例中,该人体部件分类网络可以包括卷积层、池化层和softmax层。其中,卷积层和池化层用于进行特征提取;softmax层用于进行分类。
(2)获取训练样本
例如,训练样本可以为摄像机采集到的行人图片,样本的标签为人体部件(例如,本例中,标签为头肩、躯干和下肢中的一种)。
(3)利用获取到的训练样本训练上述神经网络,得到训练好的神经网络
具体的,可先将该神经网络中的网络参数设定为指定值,然后利用获取到的训练样本训练上述神经网络,得到训练好的神经网络。
具体的,该过程可以包括前向传播和后向传播两个阶段:前向传播,即输入一个训练样本,对训练样本进行前向传播提取数据特征,计算损失函数;后向传播,利用损失函数从该神经网络的最后一层依次往前反向传播,同时利用梯度下降法修改该神经网络的网络参数,以使损失函数收敛。
与前述行人重识别方法的实施例相对应,本申请还提供了行人重识别装置的实施例。
本申请行人重识别装置的实施例可以应用在计算机设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在计算机设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本申请一示例性实施例示出的行人重识别装置所在计算机设备的硬件结构图,除了图4所示的存储器410、处理器420、内存430和网络接口440之外,实施例中装置所在的计算机设备通常根据该行人重识别装置的实际功能,还可以包括其他硬件,对此不再赘述。
图5为本申请提供的行人重识别装置实施例一的结构示意图。请参照图5,本实施例提供的行人重识别装置,可以包括分类模块510、选择模块520和处理模块530,其中,
所述分类模块510,用于确定待查询行人图片的类别信息;其中,所述类别信息用于表征所述待查询行人图片包含的人体部件所属的类别;
所述选择模块520,用于从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库;
所述处理模块530,用于计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。
具体的,本实施例的装置,可用于执行图1所示方法的技术方案,其实现原理和技术效果类似,此处不再赘述。
进一步地,所述分类模块510,具体用于将将所述待查询行人图片输入到预先训练好的人体部件分类网络,由所述人体部件分类网络对所述待查询行人图片进行特征提取和分类后,输出所述待查询行人图片属于各所述指定人体部件的概率,并将最大概率对应的指定人体部件确定为所述待查询行人图片所属的类别;将所述待查询行人图片所属的类别确定为所述类别信息。
进一步地,所述目标数据为人体部件图片对应的特征图,所述处理模块530,具体用于对所述待查询行人图片进行特征提取,得到所述待查询行人图片对应的目标特征图,并计算所述目标特征图与所述目标比对特征库中的各人体部件图片对应的特征图之间的相似度。
进一步地,所述各指定人体部件对应的比对库采用如下方法建立:
从预先采集的行人图片中截取包含各所述指定人体部件的人体部件图片;
对各所述人体部件图片进行特征提取,得到各所述人体部件图片对应的特征图;
按照各所述人体部件图片所包含的人体部件,将各所述人体部件图片对应的特征图分类存储,得到各所述指定人体部件对应的比对库。
进一步地,对图片进行特征提取的步骤,包括:
将该图片输入到预先训练好的特征提取网络,由所述特征提取网络对该图片进行特征提取后输出该图片对应的特征图。
进一步地,所述目标数据为人体部件图片;所述处理模块530,具体用于对所述待查询行人图片进行特征提取,得到所述待查询行人图片对应的目标特征图,并对所述目标比对库中的各人体部件图片进行特征提取,得到所述目标比对库中的各人体部件图片对应的特征图,以及计算所述目标特征图与所述目标比对特征库中的各人体部件图片对应的特征图之间的相似度。
进一步地,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本申请提供的任一行人重识别方法所述的步骤。
具体的,适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。
请继续参照图4,本申请还提供一种计算机设备,包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序,所述处理器420执行所述程序时实现提供的任一行人重识别方法所述的步骤。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种行人重识别方法,其特征在于,所述方法包括:
确定待查询行人图片的类别信息;其中,所述类别信息用于表征所述待查询行人图片包含的人体部件所属的类别;
从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库;
计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。
2.根据权利要求1所述的方法,其特征在于,所述确定待查询行人图片的类别信息,包括:
将所述待查询行人图片输入到预先训练好的人体部件分类网络,由所述人体部件分类网络对所述待查询行人图片进行特征提取和分类后,输出所述待查询行人图片属于各所述指定人体部件的概率,并将最大概率对应的指定人体部件确定为所述待查询行人图片所属的类别;
将所述待查询行人图片所属的类别确定为所述类别信息。
3.根据权利要求1所述的方法,其特征在于,所述目标数据为人体部件图片对应的特征图,所述计算所述待查询行人图片与所述目标比对特征库中的目标数据之间的相似度,包括:
对所述待查询行人图片进行特征提取,得到所述待查询行人图片对应的目标特征图;
计算所述目标特征图与所述目标比对特征库中的各人体部件图片对应的特征图之间的相似度。
4.根据权利要求3所述的方法,其特征在于,所述各指定人体部件对应的比对库采用如下方法建立:
从预先采集的行人图片中截取包含各所述指定人体部件的人体部件图片;
对各所述人体部件图片进行特征提取,得到各所述人体部件图片对应的特征图;
按照各所述人体部件图片所包含的人体部件,将各所述人体部件图片对应的特征图分类存储,得到各所述指定人体部件对应的比对库。
5.根据权利要求3或4所述的方法,其特征在于,对图片进行特征提取的步骤,包括:
将该图片输入到预先训练好的特征提取网络,由所述特征提取网络对该图片进行特征提取后输出该图片对应的特征图。
6.根据权利要求1所述的方法,其特征在于,所述目标数据为人体部件图片;所述计算所述待查询行人图片与所述目标比对特征库中的目标数据之间的相似度,包括:
对所述待查询行人图片进行特征提取,得到所述待查询行人图片对应的目标特征图;
对所述目标比对库中的各人体部件图片进行特征提取,得到所述目标比对库中的各人体部件图片对应的特征图;
计算所述目标特征图与所述目标比对特征库中的各人体部件图片对应的特征图之间的相似度。
7.一种行人重识别装置,其特征在于,所述装置包括分类模块、选择模块和处理模块,其中,
所述分类模块,用于确定待查询行人图片的类别信息;其中,所述类别信息用于表征所述待查询行人图片包含的人体部件所属的类别;
所述选择模块,用于从预先建立的各指定人体部件对应的比对库中选取与所述类别信息匹配的比对库作为目标比对库;
所述处理模块,用于计算所述待查询行人图片与所述目标比对库中的目标数据之间的相似度,并依据计算得到的相似度,对所述待查询行人图片进行行人重识别。
8.根据权利要求7所述的装置,其特征在于,所述分类模块,具体用于将将所述待查询行人图片输入到预先训练好的人体部件分类网络,由所述人体部件分类网络对所述待查询行人图片进行特征提取和分类后,输出所述待查询行人图片属于各所述指定人体部件的概率,并将最大概率对应的指定人体部件确定为所述待查询行人图片所属的类别;将所述待查询行人图片所属的类别确定为所述类别信息。
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,所述程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
10.一种计算机设备,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权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910320299.1A CN111832361B (zh) | 2019-04-19 | 2019-04-19 | 一种行人重识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910320299.1A CN111832361B (zh) | 2019-04-19 | 2019-04-19 | 一种行人重识别方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832361A CN111832361A (zh) | 2020-10-27 |
CN111832361B true CN111832361B (zh) | 2023-08-29 |
Family
ID=72912166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910320299.1A Active CN111832361B (zh) | 2019-04-19 | 2019-04-19 | 一种行人重识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832361B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049749A (zh) * | 2012-12-30 | 2013-04-17 | 信帧电子技术(北京)有限公司 | 在栅格遮挡下的人体再识别方法 |
CN103390150A (zh) * | 2012-05-08 | 2013-11-13 | 北京三星通信技术研究有限公司 | 人体部件检测方法和装置 |
CN106874884A (zh) * | 2017-03-03 | 2017-06-20 | 中国民航大学 | 基于部位分割的人体再识别方法 |
CN107153817A (zh) * | 2017-04-29 | 2017-09-12 | 深圳市深网视界科技有限公司 | 行人重识别数据标注方法和装置 |
AU2018100321A4 (en) * | 2018-03-15 | 2018-04-26 | Chen, Jinghan Mr | Person ReID method based on metric learning with hard mining |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN109271932A (zh) * | 2018-09-17 | 2019-01-25 | 中国电子科技集团公司第二十八研究所 | 基于颜色匹配的行人再识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6555906B2 (ja) * | 2015-03-05 | 2019-08-07 | キヤノン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
-
2019
- 2019-04-19 CN CN201910320299.1A patent/CN111832361B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390150A (zh) * | 2012-05-08 | 2013-11-13 | 北京三星通信技术研究有限公司 | 人体部件检测方法和装置 |
CN103049749A (zh) * | 2012-12-30 | 2013-04-17 | 信帧电子技术(北京)有限公司 | 在栅格遮挡下的人体再识别方法 |
CN106874884A (zh) * | 2017-03-03 | 2017-06-20 | 中国民航大学 | 基于部位分割的人体再识别方法 |
CN107153817A (zh) * | 2017-04-29 | 2017-09-12 | 深圳市深网视界科技有限公司 | 行人重识别数据标注方法和装置 |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
AU2018100321A4 (en) * | 2018-03-15 | 2018-04-26 | Chen, Jinghan Mr | Person ReID method based on metric learning with hard mining |
CN109271932A (zh) * | 2018-09-17 | 2019-01-25 | 中国电子科技集团公司第二十八研究所 | 基于颜色匹配的行人再识别方法 |
Non-Patent Citations (1)
Title |
---|
《基于特征融合的行人重识别方法》;张耿宁 等;《计算机工程与应用》;第53卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832361A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Correlation-guided attention for corner detection based visual tracking | |
CN109587554B (zh) | 视频数据的处理方法、装置及可读存储介质 | |
CN110909651B (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
CN109960742B (zh) | 局部信息的搜索方法及装置 | |
US10565713B2 (en) | Image processing apparatus and method | |
CN102422325B (zh) | 用于识别对象及另一低级别对象的模式识别装置及其方法 | |
US8634656B2 (en) | Recognizing objects by utilizing dictionary data and probability data determined by machine learning | |
CN109214403B (zh) | 图像识别方法、装置及设备、可读介质 | |
CN111046821B (zh) | 一种视频行为识别方法、系统及电子设备 | |
CN112926410B (zh) | 目标跟踪方法、装置、存储介质及智能视频系统 | |
CN110059728B (zh) | 基于注意力模型的rgb-d图像视觉显著性检测方法 | |
CN108664526B (zh) | 检索的方法和设备 | |
CN108376242A (zh) | 针对视频的持续性特征描述符 | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
CN107451156B (zh) | 一种图像再识别方法及识别装置 | |
CN113361636B (zh) | 一种图像分类方法、系统、介质及电子设备 | |
CN112287954A (zh) | 图像分类方法、图像分类模型的训练方法及其装置 | |
CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
CN111553182A (zh) | 一种船只检索方法、装置及电子设备 | |
CN110705566A (zh) | 一种基于空间金字塔池的多模态融合显著性检测方法 | |
CN107644105A (zh) | 一种搜题方法及装置 | |
CN111353504B (zh) | 基于图像块多样性选择和残差预测模块的源相机识别方法 | |
JP2022539423A (ja) | 画像特徴抽出及びネットワークの訓練方法、装置並びに機器 | |
CN110992404A (zh) | 目标跟踪方法、装置和系统及存储介质 | |
Wang et al. | Discriminative features matter: Multi-layer bilinear pooling for camera localization |
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 |