CN111897993A - 一种基于行人再识别的高效目标人物轨迹生成方法 - Google Patents

一种基于行人再识别的高效目标人物轨迹生成方法 Download PDF

Info

Publication number
CN111897993A
CN111897993A CN202010696799.8A CN202010696799A CN111897993A CN 111897993 A CN111897993 A CN 111897993A CN 202010696799 A CN202010696799 A CN 202010696799A CN 111897993 A CN111897993 A CN 111897993A
Authority
CN
China
Prior art keywords
target
model
pedestrian
pictures
person
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
Application number
CN202010696799.8A
Other languages
English (en)
Inventor
俞一奇
邱彦林
陈尚武
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.)
Hangzhou Xujian Science And Technology Co ltd
Original Assignee
Hangzhou Xujian Science And Technology Co ltd
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 Hangzhou Xujian Science And Technology Co ltd filed Critical Hangzhou Xujian Science And Technology Co ltd
Priority to CN202010696799.8A priority Critical patent/CN111897993A/zh
Publication of CN111897993A publication Critical patent/CN111897993A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F16/54—Browsing; Visualisation therefor
    • 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
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

本发明提供一种基于行人再识别的高效目标人物轨迹生成方法，结合当前主流MoblileNet‑V2网络中深度可分离卷积的思想，设计轻量型卷积神经网络，对现有的公开行人再识别数据集进行训练得到生成模型，再通过mAP和Rank‑k对生成模型进行性能评估，挑选出性能最优的行人再识别模型；本发明根据现有监控场景下的视频数据，设计出一个资源占用少，准确率高的目标人物轨迹生成方案，工作人员只需要提供目标人物的图片，就能够在待检索的数据库中匹配出全部相似可疑人物目标图片，通过人工筛选后，再通过准确图片进行二次检索，直到没有新的准确目标人物图片生成位置，再结合图片中的时间地点信息就能获取目标人物完整的轨迹线路。

Description

一种基于行人再识别的高效目标人物轨迹生成方法
技术领域
本发明属于计算机视觉分析技术领域，具体涉及一种基于行人再识别的高效目标人物轨迹生成方法。
背景技术
随着城市化步伐的加快，导致城市人口密度与日俱增，为了保证人民群众的生命财产安全，越来越多的监控摄像头布置在了众多公共场合。面对每天海量的视频数据，如果仅靠人工筛选、查找的方法去检索目标人物，这将会极其花费人力，物力和时间，并且该方法的识别率也不是很高。而行人再识别的目的是将一个摄像机中抓拍的人物图片与其它不同摄像机中的人物图片进行匹配。由于其能够对于安全监控领域的应用需求提供实用的技术支持，因此得到工业界和学术界的广泛重视。
目前，如何快速准确地生成行人轨迹对于众多行业都有极大的应用价值，例如：在安防行业，通过给定犯罪嫌疑人照片，通过搜索历史监控视频以获得更多嫌疑人的图片信息，以便更快速地对目标人物进行精确定位；在商业，通过对客户进行停留轨迹识别和行为分析，智能理解用户需求，并有针对性的提供广告推送；此外，在一些大型的公共场所(如游乐场，火车站等)，可以进行丢失人口查找，警察只需要根据提供的照片，通过再识别技术能够快速的定位到当前丢失人物所在的位置。
当然，通过行人再识别技术来如何快速、高效、准确的生成目标人物轨迹也面临着几个重要的问题有待解决：1、设计轻量并且准确率高的行人再识别模型，以便在资源小、成本低的设备上运行。2、如何有效的将各个监控视频通过行人检测技术与目标跟踪技术将所有的待查找目标准确有效的检索出来。3、对于获取的行人图片，如何尽可能多匹配出全部的目标人物图片以便生成更为详细的轨迹信息。
针对上述所存在的问题，需要设计出一种基于行人再识别的高效目标人物轨迹生成方法，通过该方法来满足当前监控场景的实际应用需求。
发明内容
有鉴于此，本发明提出一种基于行人再识别的高效目标人物轨迹生成方法，根据现有监控场景下的视频数据，设计出一个资源占用少，准确率高的目标人物轨迹生成方案，工作人员只需要提供目标人物的图片，就能够在待检索的数据库中匹配出全部相似可疑人物目标图片，通过人工筛选后，再通过准确图片进行二次检索，重复上述步骤，直到没有新的准确目标人物图片生成位置，再结合图片中的时间地点信息就能获取目标人物完整的轨迹线路。通过采用该方法能够极大的提升工作效率，并且降低了人工和硬件成本。
为实现上述目的，本发明提供如下技术方案：
本发明一种基于行人再识别的高效目标人物轨迹生成方法，其包括1、行人再识别模型生成模块，其中包括了网络设计、模型训练以及性能测试。2、监控视频数据采集模块，主要是为了收集在相同时间段下多个没有交叠摄像头的监控数据。3、数据库图片生成模块，该模块的目的是将视频中的人物信息以图片的形式保存在数据库中，并且保存所有图片的地点和时间信息。4、特征生成匹配模块，该模块主要是将模块3中的数据库图片通过模块1进行特征生成，并保存在数据库中，然后通过特征匹配，结合人为干预筛选出正确目标图片。5、轨迹生成模块，该模块主要是依据上一模块所匹配出正确的图片，按照时间信息从小到大排列，最后得到目标人物的轨迹线路。
一种基于行人再识别的高效目标人物轨迹生成方法，包括以下步骤：
步骤(1)：结合当前主流MoblileNet-V2网络中深度可分离卷积的思想，设计轻量型(参数少，浮点运算量少)卷积神经网络，对现有的公开行人再识别数据集进行训练得到生成模型，再通过mAP和Rank-k对生成模型进行性能评估，挑选出性能最优：mAP和Rank-k值均最大的模型作为行人再识别模型；
步骤(2)：根据具体需求采集同一时间段的不同位置摄像头监控数据；
步骤(3)：采用当前主流的目标检测算法(具体采用：YOLO-V3算法)对步骤(2)中的视频数据中的行人进行检测，为了避免同一个目标在相邻多帧中同时被检测到多次，从而出现大量数据冗余的情况，采用目标跟踪算法(具体采用：KCF算法)，对相邻的跟踪框和检测框进行IOU判断其是否是同一个目标，通常情况下当IOU>0.4，则认为跟踪框与检测框中人物为同一目标，如果是，则保留该人物通过当前摄像头的其中一张图片；
步骤(4)：根据该摄像头的IP地址，以及当前图片所在时间信息对图片进行命名；所述图片命名规则如下，假设图片名称为192.168.130.1_20191212114309.png，则表示摄像头的IP是192.168.130.1，图片在摄像头出现的时间是2019年12月12日11点43分09秒；
步骤(5)：通过步骤(1)的行人再识别模型提取出步骤(3)中所有候选图片特征；其中，所述“候选图片”指的是所需要查找目标人物图片；所述“图片特征”为步骤(1)中轻量型卷积神经网络中最后一层全链接层的输出，通常情况下是一组n维的浮点数据，并将其存入到数据库中；
步骤(6)：采用步骤(5)相同的方法提取出待检索m个目标人物的二维特征x[n*m]存到数据库中，根据目标人物图片，提取出对应特征y[n]，并与数据库中所有的目标图片进行特征匹配，其中特征匹配是指计算待检索人物图片特征x[n*m]与目标人物图片特征y[n]的相似程度；
为了防止目标遗漏，将第一次目标匹配的阈值调低一些，其阈值为0.6，以便匹配出更多的候选人物，然后通过人工判断筛选出正确的目标人物；
通过余弦相似度的方法进行匹配，具体实现公式如下所示；为了防止遗漏目标图片，开始选取相似度阈值相对较低进行匹配(sim(X，Y)≥0.6)，其中x向量为候选图片中待检索人物图片特征，y向量为目标人物图片特征；
Figure BDA0002591486520000031
步骤(7)：将上一步中的正确人物再与数据库中的人物进行特征匹配，这次为了保证匹配准确性，通过调高阈值进行匹配，通常情况下选取阈值为0.8，然后对于候选人物图片再进行人工筛选；重复执行上述步骤(6)～步骤(7)，直到没有新目标人物图片生成为止；
步骤(8)：将最终的目标人物图片根据其时间信息按照由小到大排列，得到该目标的完整轨迹信息。
作为优选地，步骤(1)中的行人重识别模型的设计与训练如下步骤：
S11、选择Pytorch作为模型的训练框架；
S12、为了保证模型能够实时的处理图像数据，采用当前主流的MobileNet-V2模型作为主干网络，原因是它使用了深度可分离结构能够减少模型的参数量的同时，提升模型的前向的推理速度；
S13、为了提升模型的准确率，首先在imageNet数据集上做分类训练，然后再将模型在行人重识别的公开数据集上进行训练；
S14、通过mAP和Rank-k对生成训练模型进行性能评估，选择性能最好的模型作为最终的行人重识别模型；
所述mAP(mean Average Precision)平均精度均值衡量的是模型在所有测试集类别上的好坏，在相同测试集下模型的mAP值越大，表示其分类的效果越好；
所述Rank-k表示搜索结果中最靠前(置信度最高)的n张图有正确结果的概率。通过统计排名从第一到第k样本的累计正确结果的准确率，在相同的测试集下如果模型的Rank-k排名越前准确率越大，表明该模型的检索精度越高。
作为优选地，步骤(2)中将目标检测与目标跟踪算法相结合具体做法如下：
S21、将视频的初始帧作为目标检测算法(具体采用：YOLO-V3算法)的输入，检测相应的目标行人，并通过检测框对其进行标记；
S22、使用检测框作为目标跟踪算法(具体采用：KCF算法)的输入，对之后的3帧图像进行跟踪，获得最后一帧图片的跟踪框；
S23、将上述步骤S22中的全部跟踪框与上述步骤S21中的全部检测框进行逐一IOU计算，如果IOU值最大并且其值大于0.4，则认为跟踪框和检测框中是同一人；否则，则认为不是同一个人。
其中，轻量型卷积神经网络是卷积神经网络的一种形式，其采用的是深度可分离卷积方式；
现有公开的行人再识别数据集有Market-1501,Viper，Duke01-03等等；
所述IOU(Intersection over Union)是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率，IOU越大说明候选框和原标记框位置更接近。即它们的交集与并集的比值。
所述mAP(mean Average Precision)平均精度均值衡量的是模型在所有测试集类别上的好坏，在相同测试集下模型的mAP值越大，表示其分类的效果越好。
所述Rank-k表示搜索结果中最靠前(置信度最高)的n张图有正确结果的概率。通过统计排名从第一到第k样本的累计正确结果的准确率，在相同的测试集下如果模型的Rank-k排名越前准确率越大，表明该模型的检索精度越高。
与现有技术相比，本发明的有益效果为：
通过现有的人力去在海量的监控视频数据中去筛选同一个目标人物，并且通过筛选的人物图片去生成目标人物在某一个特定时间段的行动轨迹，这将会是十分耗时的一项工作。此外，人工筛选还存在易遗漏目标以及准确率不高的缺陷。为此，通过将现有的行人检测，目标跟踪以及行人再识别技术相结合设计的高效目标人物轨迹生成方法，能够快速准确的生成目标的行动轨迹。工作人员只需提供一张待检索的目标人物照片以及相应时间段的视频，并在核查时适当的加入一些人工干预，就能即刻生成目标人物轨迹。该方法能够极大的节省现有的人力，物力和财力成本，生成目标人物轨迹在商业，安防行业以及大型的公共场合都有着很高应用需求和前景。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例中提供的一种基于行人再识别的高效目标人物轨迹生成方法的整体流程图；
图2为本发明实施例中提供的目标人物图片匹配核查流程图。
具体实施方式
下面结合本发明实施例中的附图，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。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例中提供的一种基于行人再识别的高效目标人物轨迹生成方法的流程图。如图1～2所示，其主要包括如下步骤：
一种基于行人再识别的高效目标人物轨迹生成方法，包括以下步骤：
步骤(1)：结合当前主流MoblileNet-V2网络中深度可分离卷积的思想，设计轻量型(参数少，浮点运算量少)卷积神经网络，对现有的公开行人再识别数据集进行训练得到生成模型，再通过mAP和Rank-k对生成模型进行性能评估，挑选出性能最优：mAP和Rank-k值均最大的模型作为行人再识别模型；
步骤(2)：根据具体需求采集同一时间段的不同位置摄像头监控数据；
步骤(3)：采用当前主流的目标检测算法(具体采用：YOLO-V3算法)对步骤(2)中的视频数据中的行人进行检测，为了避免同一个目标在相邻多帧中同时被检测到多次，从而出现大量数据冗余的情况，采用目标跟踪算法(具体采用：KCF算法)，对相邻的跟踪框和检测框进行IOU判断其是否是同一个目标，通常情况下当IOU>0.4，则认为跟踪框与检测框中人物为同一目标，如果是，则保留该人物通过当前摄像头的其中一张图片；
步骤(4)：根据该摄像头的IP地址，以及当前图片所在时间信息对图片进行命名；所述图片命名规则如下，假设图片名称为192.168.130.1_20191212114309.png，则表示摄像头的IP是192.168.130.1，图片在摄像头出现的时间是2019年12月12日11点43分09秒；
步骤(5)：通过步骤(1)的行人再识别模型提取出步骤(3)中所有候选图片特征；其中，所述“候选图片”指的是所需要查找目标人物图片；所述“图片特征”为步骤(1)中轻量型卷积神经网络中最后一层全链接层的输出，通常情况下是一组n维的浮点数据，并将其存入到数据库中；
步骤(6)：采用步骤(5)相同的方法提取出待检索m个目标人物的二维特征x[n*m]存到数据库中，根据目标人物图片，提取出对应特征y[n]，并与数据库中所有的目标图片进行特征匹配，其中特征匹配是指计算待检索人物图片特征x[n*m]与目标人物图片特征y[n]的相似程度；
为了防止目标遗漏，将第一次目标匹配的阈值调低一些，其阈值为0.6，以便匹配出更多的候选人物，然后通过人工判断筛选出正确的目标人物；
通过余弦相似度的方法进行匹配，具体实现公式如下所示；为了防止遗漏目标图片，开始选取相似度阈值相对较低进行匹配(sim(X，Y)≥0.6)，其中x向量为候选图片中待检索人物图片特征，y向量为目标人物图片特征；
Figure BDA0002591486520000061
步骤(7)：将上一步中的正确人物再与数据库中的人物进行特征匹配，这次为了保证匹配准确性，通过调高阈值进行匹配，通常情况下选取阈值为0.8，然后对于候选人物图片再进行人工筛选；重复执行上述步骤(6)～步骤(7)，直到没有新目标人物图片生成为止；
步骤(8)：将最终的目标人物图片根据其时间信息按照由小到大排列，得到该目标的完整轨迹信息。
其中，步骤(1)中的行人重识别模型的设计与训练如下步骤：
S11、选择Pytorch作为模型的训练框架；
S12、为了保证模型能够实时的处理图像数据，采用当前主流的MobileNet-V2模型作为主干网络，原因是它使用了深度可分离结构能够减少模型的参数量的同时，提升模型的前向的推理速度；
S13、为了提升模型的准确率，首先在imageNet数据集上做分类训练，然后再将模型在行人重识别的公开数据集上进行训练；
S14、通过mAP和Rank-k对生成训练模型进行性能评估，选择性能最好的模型作为最终的行人重识别模型；
所述mAP(mean Average Precision)平均精度均值衡量的是模型在所有测试集类别上的好坏，在相同测试集下模型的mAP值越大，表示其分类的效果越好；
所述Rank-k表示搜索结果中最靠前(置信度最高)的n张图有正确结果的概率。通过统计排名从第一到第k样本的累计正确结果的准确率，在相同的测试集下如果模型的Rank-k排名越前准确率越大，表明该模型的检索精度越高。
其中，步骤(2)中将目标检测与目标跟踪算法相结合具体做法如下：
S21、将视频的初始帧作为目标检测算法(具体采用：YOLO-V3算法)的输入，检测相应的目标行人，并通过检测框对其进行标记；
S22、使用检测框作为目标跟踪算法(具体采用：KCF算法)的输入，对之后的3帧图像进行跟踪，获得最后一帧图片的跟踪框；
S23、将上述步骤S22中的全部跟踪框与上述步骤S21中的全部检测框进行逐一IOU计算，如果IOU值最大并且其值大于0.4，则认为跟踪框和检测框中是同一人；否则，则认为不是同一个人。
对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。

Claims (3)

1.一种基于行人再识别的高效目标人物轨迹生成方法，其特征在于，包括以下步骤：
步骤(1)：结合当前主流MoblileNet-V2网络中深度可分离卷积的思想，设计轻量型卷积神经网络，对现有的公开行人再识别数据集进行训练得到生成模型，再通过mAP和Rank-k对生成模型进行性能评估，挑选出性能最优：mAP和Rank-k值均最大的模型作为行人再识别模型；
步骤(2)：根据具体需求采集同一时间段的不同位置摄像头监控数据；
步骤(3)：采用当前主流的目标检测算法对步骤(2)中的视频数据中的行人进行检测，为了避免同一个目标在相邻多帧中同时被检测到多次，从而出现大量数据冗余的情况，采用目标跟踪算法，对相邻的跟踪框和检测框进行IOU判断其是否是同一个目标，通常情况下当IOU>0.4，则认为跟踪框与检测框中人物为同一目标，如果是，则保留该人物通过当前摄像头的其中一张图片；
步骤(4)：根据该摄像头的IP地址，以及当前图片所在时间信息对图片进行命名；
步骤(5)：通过步骤(1)的行人再识别模型提取出步骤(3)中所有候选图片特征；其中，所述候选图片指的是所需要查找目标人物图片；所述图片特征为步骤(1)中轻量型卷积神经网络中最后一层全链接层的输出，通常情况下是一组n维的浮点数据，并将其存入到数据库中；
步骤(6)：采用步骤(5)相同的方法提取出待检索m个目标人物的二维特征x[n*m]存到数据库中，根据目标人物图片，提取出对应特征y[n]，并与数据库中所有的目标图片进行特征匹配，其中特征匹配是指计算待检索人物图片特征x[n*m]与目标人物图片特征y[n]的相似程度；
为了防止目标遗漏，将第一次目标匹配的阈值调低一些，其阈值为0.6，以便匹配出更多的候选人物，然后通过人工判断筛选出正确的目标人物；
通过余弦相似度的方法进行匹配，具体实现公式如下所示；为了防止遗漏目标图片，开始选取相似度阈值相对较低进行匹配(sim(X，Y)≥0.6)，其中x向量为候选图片中待检索人物图片特征，y向量为目标人物图片特征；
Figure FDA0002591486510000011
步骤(7)：将上一步中的正确人物再与数据库中的人物进行特征匹配，这次为了保证匹配准确性，通过调高阈值进行匹配，通常情况下选取阈值为0.8，然后对于候选人物图片再进行人工筛选；重复执行上述步骤(6)～步骤(7)，直到没有新目标人物图片生成为止；
步骤(8)：将最终的目标人物图片根据其时间信息按照由小到大排列，得到该目标的完整轨迹信息。
2.根据权利要求1中所述的一种基于行人再识别的高效目标人物轨迹生成方法，其特征在于，步骤(1)中的行人重识别模型的设计与训练如下步骤：
S11、选择Pytorch作为模型的训练框架；
S12、为了保证模型能够实时的处理图像数据，采用当前主流的MobileNet-V2模型作为主干网络，原因是它使用了深度可分离结构能够减少模型的参数量的同时，提升模型的前向的推理速度；
S13、为了提升模型的准确率，首先在imageNet数据集上做分类训练，然后再将模型在行人重识别的公开数据集上进行训练；
S14、通过mAP和Rank-k对生成训练模型进行性能评估，选择性能最好的模型作为最终的行人重识别模型。
3.根据权利要求1中所述的一种基于行人再识别的高效目标人物轨迹生成方法，其特征在于，步骤(2)中将目标检测与目标跟踪算法相结合具体做法如下：
S21、将视频的初始帧作为目标检测算法的输入，检测相应的目标行人，并通过检测框对其进行标记；
S22、使用检测框作为目标跟踪算法的输入，对之后的3帧图像进行跟踪，获得最后一帧图片的跟踪框；
S23、将上述步骤S22中的全部跟踪框与上述步骤S21中的全部检测框进行逐一IOU计算，如果IOU值最大并且其值大于0.4，则认为跟踪框和检测框中是同一人；否则，则认为不是同一个人。
CN202010696799.8A 2020-07-20 2020-07-20 一种基于行人再识别的高效目标人物轨迹生成方法 Pending CN111897993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010696799.8A CN111897993A (zh) 2020-07-20 2020-07-20 一种基于行人再识别的高效目标人物轨迹生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010696799.8A CN111897993A (zh) 2020-07-20 2020-07-20 一种基于行人再识别的高效目标人物轨迹生成方法

Publications (1)

Publication Number Publication Date
CN111897993A true CN111897993A (zh) 2020-11-06

Family

ID=73190658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010696799.8A Pending CN111897993A (zh) 2020-07-20 2020-07-20 一种基于行人再识别的高效目标人物轨迹生成方法

Country Status (1)

Country Link
CN (1) CN111897993A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699745A (zh) * 2020-12-16 2021-04-23 安徽建筑大学 一种用于火灾现场的被困人员定位方法
CN112949539A (zh) * 2021-03-16 2021-06-11 安徽领云物联科技有限公司 一种基于摄像头位置的行人重识别交互检索方法及系统

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509859A (zh) * 2018-03-09 2018-09-07 南京邮电大学 一种基于深度神经网络的无重叠区域行人跟踪方法
CN108650492A (zh) * 2018-05-17 2018-10-12 淘然视界(杭州)科技有限公司 基于行人重识别的目标预警方法、装置及系统
WO2018196396A1 (zh) * 2017-04-24 2018-11-01 清华大学 基于一致性约束特征学习的行人再识别方法
CN108830142A (zh) * 2018-05-02 2018-11-16 淘然视界(杭州)科技有限公司 基于行人重识别的定位追踪方法及装置
CN109359552A (zh) * 2018-09-21 2019-02-19 中山大学 一种高效的跨摄像头行人双向跟踪方法
CN109409250A (zh) * 2018-10-08 2019-03-01 高新兴科技集团股份有限公司 一种基于深度学习的无交叠视域跨摄像机行人再识别方法
CN109446953A (zh) * 2018-10-17 2019-03-08 福州大学 一种基于轻量化卷积神经网络的行人重识别方法
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN109934176A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人识别系统、识别方法及计算机可读存储介质
CN110414368A (zh) * 2019-07-04 2019-11-05 华中科技大学 一种基于知识蒸馏的无监督行人重识别方法
CN110619268A (zh) * 2019-08-07 2019-12-27 北京市新技术应用研究所 基于时空分析与深度特征的行人再识别方法及装置
CN110751065A (zh) * 2019-09-30 2020-02-04 北京旷视科技有限公司 训练数据的采集方法及装置
CN110796074A (zh) * 2019-10-28 2020-02-14 桂林电子科技大学 一种基于时空数据融合的行人再识别方法
CN110796040A (zh) * 2019-10-15 2020-02-14 武汉大学 一种基于多元空间轨迹关联的行人身份识别方法
CN110826449A (zh) * 2019-10-30 2020-02-21 杭州叙简科技股份有限公司 基于轻量型卷积神经网络的非机动车再识别目标检索方法
CN110858276A (zh) * 2018-08-22 2020-03-03 北京航天长峰科技工业集团有限公司 一种识别模型与验证模型相结合的行人重识别方法
CN110929578A (zh) * 2019-10-25 2020-03-27 南京航空航天大学 一种基于注意力机制的抗遮挡行人检测方法
US20200134321A1 (en) * 2018-02-12 2020-04-30 Beijing Sensetime Technology Development Co., Ltd. Pedestrian re-identification methods and apparatuses, electronic devices, and storage media
US20200134306A1 (en) * 2018-10-30 2020-04-30 Fujitsu Limited Person searching method and apparatus and image processing device
WO2020098158A1 (zh) * 2018-11-14 2020-05-22 平安科技（深圳）有限公司 行人重识别方法、装置及计算机可读存储介质
CN111242180A (zh) * 2020-01-03 2020-06-05 南京邮电大学 一种基于轻量化卷积神经网络的图像识别方法及系统
CN111291633A (zh) * 2020-01-17 2020-06-16 复旦大学 一种实时行人重识别方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018196396A1 (zh) * 2017-04-24 2018-11-01 清华大学 基于一致性约束特征学习的行人再识别方法
US20200134321A1 (en) * 2018-02-12 2020-04-30 Beijing Sensetime Technology Development Co., Ltd. Pedestrian re-identification methods and apparatuses, electronic devices, and storage media
CN108509859A (zh) * 2018-03-09 2018-09-07 南京邮电大学 一种基于深度神经网络的无重叠区域行人跟踪方法
CN108830142A (zh) * 2018-05-02 2018-11-16 淘然视界(杭州)科技有限公司 基于行人重识别的定位追踪方法及装置
CN108650492A (zh) * 2018-05-17 2018-10-12 淘然视界(杭州)科技有限公司 基于行人重识别的目标预警方法、装置及系统
CN110858276A (zh) * 2018-08-22 2020-03-03 北京航天长峰科技工业集团有限公司 一种识别模型与验证模型相结合的行人重识别方法
CN109359552A (zh) * 2018-09-21 2019-02-19 中山大学 一种高效的跨摄像头行人双向跟踪方法
CN109409250A (zh) * 2018-10-08 2019-03-01 高新兴科技集团股份有限公司 一种基于深度学习的无交叠视域跨摄像机行人再识别方法
CN109446953A (zh) * 2018-10-17 2019-03-08 福州大学 一种基于轻量化卷积神经网络的行人重识别方法
US20200134306A1 (en) * 2018-10-30 2020-04-30 Fujitsu Limited Person searching method and apparatus and image processing device
WO2020098158A1 (zh) * 2018-11-14 2020-05-22 平安科技（深圳）有限公司 行人重识别方法、装置及计算机可读存储介质
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN109934176A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人识别系统、识别方法及计算机可读存储介质
CN110414368A (zh) * 2019-07-04 2019-11-05 华中科技大学 一种基于知识蒸馏的无监督行人重识别方法
CN110619268A (zh) * 2019-08-07 2019-12-27 北京市新技术应用研究所 基于时空分析与深度特征的行人再识别方法及装置
CN110751065A (zh) * 2019-09-30 2020-02-04 北京旷视科技有限公司 训练数据的采集方法及装置
CN110796040A (zh) * 2019-10-15 2020-02-14 武汉大学 一种基于多元空间轨迹关联的行人身份识别方法
CN110929578A (zh) * 2019-10-25 2020-03-27 南京航空航天大学 一种基于注意力机制的抗遮挡行人检测方法
CN110796074A (zh) * 2019-10-28 2020-02-14 桂林电子科技大学 一种基于时空数据融合的行人再识别方法
CN110826449A (zh) * 2019-10-30 2020-02-21 杭州叙简科技股份有限公司 基于轻量型卷积神经网络的非机动车再识别目标检索方法
CN111242180A (zh) * 2020-01-03 2020-06-05 南京邮电大学 一种基于轻量化卷积神经网络的图像识别方法及系统
CN111291633A (zh) * 2020-01-17 2020-06-16 复旦大学 一种实时行人重识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
双锴: "《计算机视觉》", vol. 1, 北京邮电大学出版社, pages: 116 - 117 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699745A (zh) * 2020-12-16 2021-04-23 安徽建筑大学 一种用于火灾现场的被困人员定位方法
CN112949539A (zh) * 2021-03-16 2021-06-11 安徽领云物联科技有限公司 一种基于摄像头位置的行人重识别交互检索方法及系统

Similar Documents

Publication Publication Date Title
Yu et al. A new spatial-oriented object detection framework for remote sensing images
CN109977782B (zh) 基于目标位置信息推理的跨店经营行为检测方法
CN110414441B (zh) 一种行人行踪分析方法及系统
CN104700099A (zh) 识别交通标志的方法和装置
CN107977656A (zh) 一种行人重识别方法及系统
Oberdiek et al. Detection and retrieval of out-of-distribution objects in semantic segmentation
CN109241349A (zh) 一种基于深度学习的监控视频多目标分类检索方法及系统
CN111652035B (zh) 一种基于ST-SSCA-Net的行人重识别方法及系统
CN104978567A (zh) 基于场景分类的车辆检测方法
CN111274886B (zh) 一种基于深度学习的行人闯红灯违法行为分析方法及系统
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN111008574A (zh) 一种基于形体识别技术的重点人员轨迹分析方法
CN110728252A (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
CN112836657A (zh) 一种基于轻量化YOLOv3的行人检测方法及系统
CN110659622A (zh) 一种倾倒垃圾检测方法、装置及系统
CN111897993A (zh) 一种基于行人再识别的高效目标人物轨迹生成方法
CN113269091A (zh) 一种面向智慧园区的人员轨迹分析方法、设备及介质
CN113963399A (zh) 基于多算法融合应用的人员轨迹检索方法及装置
CN112668375B (zh) 景区内游客分布分析系统及方法
CN112258254A (zh) 基于大数据架构的互联网广告风险监测方法及系统
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN116052110B (zh) 一种路面标线缺损智能定位方法及系统
CN113158891A (zh) 一种基于全局特征匹配的跨摄像头行人重识别方法
CN112465854A (zh) 基于无锚点检测算法的无人机跟踪方法

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