CN112214631B - 方向信息指导的车辆重识别检索重排序方法及系统 - Google Patents

方向信息指导的车辆重识别检索重排序方法及系统 Download PDF

Info

Publication number
CN112214631B
CN112214631B CN202011120539.2A CN202011120539A CN112214631B CN 112214631 B CN112214631 B CN 112214631B CN 202011120539 A CN202011120539 A CN 202011120539A CN 112214631 B CN112214631 B CN 112214631B
Authority
CN
China
Prior art keywords
vehicle
retrieval
pictures
picture
direction information
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
Application number
CN202011120539.2A
Other languages
English (en)
Other versions
CN112214631A (zh
Inventor
聂秀山
孙自若
尹义龙
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu 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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202011120539.2A priority Critical patent/CN112214631B/zh
Publication of CN112214631A publication Critical patent/CN112214631A/zh
Application granted granted Critical
Publication of CN112214631B publication Critical patent/CN112214631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/53—Querying
    • G06F16/538—Presentation of query results
    • 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
    • G06F18/24—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于车辆重识别领域，提供了一种方向信息指导的车辆重识别检索重排序方法及系统。其中，方向信息指导的车辆重识别检索重排序方法包括提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序；从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征；根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果。其引入方向信息，通过方向信息的引导，实现了对图片原有特征的补充及对方向变化较大的图片的检索排名的优化。

Description

方向信息指导的车辆重识别检索重排序方法及系统
技术领域
本发明属于车辆重识别领域，尤其涉及一种方向信息指导的车辆重识别检索重排序方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
车辆重识别是指在不依赖车牌信息的前提下对不同监控相机下的车辆图片进行匹配，在非重叠相机不同时间拍摄的视频中找到目标车辆的过程。车辆重识别在现实生活具有重要应用，在刑侦，公共管理，智慧城市建设中具有重要意义。车辆重识别刚被提出时，基于传感器的方法成为主流。而随着城市大规模监控系统的部署，大量的视觉信息可以轻松获取到，基于计算机视觉的车辆重识别由于其适用范围广，成本低等特点成为本领域的研究重点。
但由于车辆拍摄角度的极端变化，摄像头获取到的图片上车辆的方向各异从显著影响了识别的准确率。所以有必要对检索的排名进行重新优化，但发明人发现，现有的重排序方法普遍基于K近邻进行特征增强或者距离优化，检索得到的K近邻往往是和查询图像方向相似的图片，这样仍无法有效优化方向差别比较大的图片的排名。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种方向信息指导的车辆重识别检索重排序方法及系统，其引入方向信息，通过方向信息的引导，实现了对图片原有特征的补充及对方向变化较大的图片的检索排名的优化。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种方向信息指导的车辆重识别检索重排序方法。
一种方向信息指导的车辆重识别检索重排序方法，包括：
提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序；
从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征；
根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果。
本发明的第二个方面提供一种方向信息指导的车辆重识别检索重排序系统。
一种方向信息指导的车辆重识别检索重排序系统，包括：
初始检索排序模块，其用于提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序；
方向引导特征融合模块，其用于从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征；
检索重排序模块，其用于根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的方向信息指导的车辆重识别检索重排序方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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如上述所述的方向信息指导的车辆重识别检索重排序方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明引入方向信息，通过方向信息的引导，实现了对图片原有特征的补充，从而实现了对那些方向变化较大的图片的检索排名的优化，通过融合查询图片，以及距离他最近并且和查询图片方向不相似的图片这两张图片的特征，从而得到优化后的特征重新进行检索排序。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的方向信息指导的车辆重识别检索重排序方法流程图；
图2是本发明实施例的方向信息指导的车辆重识别检索重排序图片。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1，本实施例的方向信息指导的车辆重识别检索重排序方法，其包括：
S101：提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序。
在具体实施中，基于车辆重识别模型提取待检测车辆图片的特征。
例如：车辆重识别模型可采用设定神经网络模型，比如CNN神经网络模型等。其可采用训练集来进行训练，测试集进行测试。其中，训练集和测试集中的车辆图片均标注有ID。
将采集到的车辆图片人工标记其id信息后，利用现在存在的车辆重识别模型，用采集到的车辆图片对其进行训练，得到训练好的识别模型，此时便可对一张新的图片提取特征。
S102：从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征。
具体地，利用方向分类器获得初始检索排序结果中各个车辆图片的方向标签。
根据两个车辆图片的方向信息是否具有共享视域作为车辆图片相似性判断的标准。其中，所述共享视域为两张车辆待识别图片中是否具有相同的视域特征。
在具体实施中，训练集和测试集中的车辆图片还标注有方向信息。利用标记的方向信息训练一个方向分类器，用来预测一张新的图片的方向标签。
其中，方向信息包括若干个方向；所述若干个方向为八个方向，分别为：前、后、左、右、左前、右前、左后和右后。
当两张车辆图片的方向标签满足下列任一条件时，判断方向相似：
(a)两张车辆图片的方向标签相同；
(b)方向标签为前、左前和右前的车辆图片；
(c)方向标签为后、左后和右后的车辆图片。
具体地，方向是否相似判别方法如下：为了判断方向是否类似制定了如下规则，例如前和前以及左前属于相似方向，左前和右后属于不相似方向。表中S代表属于相似方向，而D代表不属于相似方向。
表1是否具有共享视域判定图表
此处需要说明的是，两张车辆图片的方向相似的判断原则，可根据实际情况来具体设置，比如：以当两张车辆图片的方向标签满足下列任一条件时，判断方向相似：
(a1)两张车辆图片的方向标签相同；
(b1)方向标签为左、左前和左后的车辆图片；
(c1)方向标签为右、右前和右后的车辆图片。
基于相似性的加权融合，是将原图片与近邻图片的特征进行标准化后求它们的内积，以此作为他们的相似性度量，近邻与原图片相似性越大，其占的权重也越大。融合的特征为：
其中，fq是待检测车辆图片特征，fneighbor是距离待检测车辆图片最近且方向不相似的图片的特征,d(fq,fneighbor)是两个特征经过标准化后的内积，λ代表加权参数。
S103：根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果，如图2所示。
下面提供一个仿真实验，该实验采用MAP(平均准确率)和CMC(累积匹配曲线)进行度量，在VeRi-776和VehicleID两个常用数据库上进行实验。表2和表3数据为本实施例与其他算法的性能比较，其中表一是在VeRi-776数据集上的结果，表二是在VehicleID数据集上的结果。
表2本实施例与其他算法在VeRi-776数据集上的性能比较(％)
表3本实施例与其他算法在VehicleId数据集上的性能比较(％)
本实施例引入方向信息，通过方向信息的引导，实现了对图片原有特征的补充，从而实现了对那些方向变化较大的图片的检索排名的优化，通过融合查询图片，以及距离他最近并且和查询图片方向不相似的图片这两张图片的特征，从而得到优化后的特征重新进行检索排序。
实施例二
本实施例提供了一种方向信息指导的车辆重识别检索重排序系统，包括：
初始检索排序模块，其用于提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序；
方向引导特征融合模块，其用于从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征；
检索重排序模块，其用于根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果。
本实施例的方向信息指导的车辆重识别检索重排序系统中的各个模块的具体实施过程，与实施例一所述的方向信息指导的车辆重识别检索重排序方法中的各个步骤具体实施过程一一对应，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的方向信息指导的车辆重识别检索重排序方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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如上述所述的方向信息指导的车辆重识别检索重排序方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
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 (8)

1.一种方向信息指导的车辆重识别检索重排序方法，其特征在于，包括：
提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序；
从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征；
根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果；
融合的特征为：
其中，fq是待检测车辆图片特征，fneighbor是距离待检测车辆图片最近且方向不相似的图片的特征,d(fq,fneighbor)是两个特征经过标准化后的内积，λ代表加权参数；
所述方向信息包括若干个方向；所述若干个方向为八个方向，分别为：前、后、左、右、左前、右前、左后和右后；
当两张车辆图片的方向标签满足下列任一条件时，判断方向相似：
(a)两张车辆图片的方向标签相同；
(b)方向标签为前、左前和右前的车辆图片；
(c)方向标签为后、左后和右后的车辆图片。
2.如权利要求1所述的方向信息指导的车辆重识别检索重排序方法，其特征在于，基于车辆重识别模型提取待检测车辆图片的特征。
3.如权利要求1所述的方向信息指导的车辆重识别检索重排序方法，其特征在于，利用方向分类器获得初始检索排序结果中各个车辆图片的方向标签。
4.如权利要求1所述的方向信息指导的车辆重识别检索重排序方法，其特征在于，根据两个车辆图片的方向信息是否具有共享视域作为车辆图片相似性判断的标准。
5.如权利要求1所述的方向信息指导的车辆重识别检索重排序方法，其特征在于，共享视域为两张车辆待识别图片中是否具有相同的视域特征。
6.一种方向信息指导的车辆重识别检索重排序系统，其特征在于，包括：
初始检索排序模块，其用于提取待检测车辆图片的特征，根据距离度量的相似性对车辆重识别数据库内的车辆图片进行初始检索排序；
方向引导特征融合模块，其用于从初始检索排序结果中，查找与待检测车辆图片距离最近且方向不相似的邻居车辆图片；基于距离度量的相似性进行加权融合待检测车辆图片和所述查找到的邻居车辆图片的特征；
检索重排序模块，其用于根据融合的特征及距离度量的相似性，对初始检索排序结果进行重检索排序并作为最终的检索排序结果；
在所述方向引导特征融合模块中，融合的特征为：
其中，fq是待检测车辆图片特征，fneighbor是距离待检测车辆图片最近且方向不相似的图片的特征,d(fq,fneighbor)是两个特征经过标准化后的内积，λ代表加权参数；
所述方向信息包括若干个方向；所述若干个方向为八个方向，分别为：前、后、左、右、左前、右前、左后和右后；
当两张车辆图片的方向标签满足下列任一条件时，判断方向相似：
(a)两张车辆图片的方向标签相同；
(b)方向标签为前、左前和右前的车辆图片；
(c)方向标签为后、左后和右后的车辆图片。
7.一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，该程序被处理器执行时实现如权利要求1-5中任一项所述的方向信息指导的车辆重识别检索重排序方法中的步骤。
8.一种计算机设备，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如权利要求1-5中任一项所述的方向信息指导的车辆重识别检索重排序方法中的步骤。
CN202011120539.2A 2020-10-19 2020-10-19 方向信息指导的车辆重识别检索重排序方法及系统 Active CN112214631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120539.2A CN112214631B (zh) 2020-10-19 2020-10-19 方向信息指导的车辆重识别检索重排序方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120539.2A CN112214631B (zh) 2020-10-19 2020-10-19 方向信息指导的车辆重识别检索重排序方法及系统

Publications (2)

Publication Number Publication Date
CN112214631A CN112214631A (zh) 2021-01-12
CN112214631B true CN112214631B (zh) 2024-02-27

Family

ID=74055872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120539.2A Active CN112214631B (zh) 2020-10-19 2020-10-19 方向信息指导的车辆重识别检索重排序方法及系统

Country Status (1)

Country Link
CN (1) CN112214631B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034086A (zh) * 2018-08-03 2018-12-18 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN109063768A (zh) * 2018-08-01 2018-12-21 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN111582178A (zh) * 2020-05-09 2020-08-25 山东建筑大学 基于多方位信息和多分支神经网络车辆重识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063768A (zh) * 2018-08-01 2018-12-21 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN109034086A (zh) * 2018-08-03 2018-12-18 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN111582178A (zh) * 2020-05-09 2020-08-25 山东建筑大学 基于多方位信息和多分支神经网络车辆重识别方法及系统

Also Published As

Publication number Publication date
CN112214631A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
Garcia-Fidalgo et al. Hierarchical place recognition for topological mapping
CN110728263A (zh) 一种基于距离选择的强判别特征学习的行人重识别方法
CN104615986B (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN105224947B (zh) 分类器训练方法和系统
CN108921083B (zh) 基于深度学习目标检测的非法流动摊贩识别方法
CN107315795B (zh) 联合特定人物和场景的视频实例检索方法及系统
CN104281572B (zh) 一种基于互信息的目标匹配方法及其系统
CN110969166A (zh) 一种巡检场景下小目标识别方法和系统
CN105824862A (zh) 一种基于电子设备的图片分类方法及电子设备
CN111582178B (zh) 基于多方位信息和多分支神经网络车辆重识别方法及系统
CN111738036B (zh) 图像处理方法、装置、设备及存储介质
CN113129335B (zh) 一种基于孪生网络的视觉跟踪算法及多模板更新策略
WO2022062419A1 (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
Kobyshev et al. Matching features correctly through semantic understanding
CN109299664A (zh) 一种行人重识别的重排序方法
Bashir et al. DUPL-VR: Deep unsupervised progressive learning for vehicle re-identification
CN112214631B (zh) 方向信息指导的车辆重识别检索重排序方法及系统
CN112115996A (zh) 图像数据的处理方法、装置、设备及存储介质
CN108563692B (zh) 一种目标查重方法及装置
CN113743251B (zh) 一种基于弱监督场景的目标搜索方法及装置
CN116343135A (zh) 一种基于纯视觉的特征后融合车辆重识别方法
CN111738039A (zh) 一种行人重识别方法、终端及存储介质
CN113657378B (zh) 车辆跟踪方法、车辆跟踪系统和计算设备
CN110941994B (zh) 一种基于元类基学习器的行人重识别集成方法
CN112036494A (zh) 一种基于深度学习网络的枪支图像识别方法和系统

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