CN112784630A - 一种基于物理分割的局部特征进行行人重识别的方法 - Google Patents
一种基于物理分割的局部特征进行行人重识别的方法 Download PDFInfo
- Publication number
- CN112784630A CN112784630A CN201911076650.3A CN201911076650A CN112784630A CN 112784630 A CN112784630 A CN 112784630A CN 201911076650 A CN201911076650 A CN 201911076650A CN 112784630 A CN112784630 A CN 112784630A
- Authority
- CN
- China
- Prior art keywords
- image
- pedestrian
- target
- segmentation
- local features
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及行人重识别技术领域,尤其是一种基于物理分割的局部特征进行行人重识别的方法;包括以下步骤:指定视频中的目标,根据目标所在区域进行视频的物理分割;根据目标的局部特征进行行人重识别。先通过视频的物理分割,去除大量无效信息,减轻整个系统的计算工作量和节省时间,然后通过局部特征进行行人重识别,避免嫌疑人的换装、蒙面等恶意逃避行为对重识别的影响。
Description
技术领域
本发明涉及行人重识别技术领域,尤其是一种基于物理分割的局部特征进行行人重识别的方法。
背景技术
行人重识别(Person re-identification)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。广泛被认为是一个图像检索的子问题。给定一个监控行人图像,检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限,并可与行人检测/行人跟踪技术相结合,可广泛应用于智能视频监控、智能安保等领域。
目前应用比较广的包括姿态预估模型、人体骨骼关键点信息检测等。但需要指出的是:上述技术方案会在整个视频数据库中进行大数据匹配,在一些大画幅摄像头的信息中,显然包含了大量的空白信息。那么有必要对视频信息甚至在线的视觉信息进行物理分割。
发明内容
针对现有技术的不足,本发明提供一种基于物理分割的局部特征进行行人重识别的方法。
本发明的技术方案为:
一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:包括以下步骤:
步骤一,指定视频中的目标,例如行人;
步骤二,根据目标所在区域进行视频的物理分割;
步骤三,根据目标的局部特征进行行人重识别。
具体的,所述步骤二中,所述视频的物理分割方法为静态分割或者交互分割。
所述的静态分割方法为:将视频导出,将视频包导入视频编辑软件,例如会声会影,通过编辑软件中的修剪滤镜得到小画幅视频。
所述的交互分割方法为:
(1)根据上一帧图像的分割结果,得到目标在上一帧图像中的轮廓线;
(2)将目标在上一帧图像中的轮廓线映射到当前帧图像,并对轮廓线上的每个像素点都匹配到该像素点在当前帧图像中的位置,得到目标在当前帧图像中的预估初始轮廓线;
(3)基于目标在当前帧图像中的预估初始轮廓线,通过距离映射得出每个像素点到预估初始轮廓线的最短距离,作为该像素点的位置属性;
(4)将当前帧图像中各像素由RGB颜色空间变换到YUV颜色空间,并在当前帧图像中各像素点的YUV颜色属性的基础上,加入各像素点的位置属性,以将各像素点属性的特征维数扩展到高维空间;
(5)将当前帧像素点到上一帧邻域像素点的平滑项根据上一帧像素点的标记折算为数据项,将折算后的数据项叠加到通过全局概率模型计算得到的数据项中,将叠加之后的数据项作为能量函数模型的数据项,得到能量函数模型;
(6)求解能量函数模型得到能量函数模型的解,并将当前帧图像作为上一帧图像,继续执行步骤(1)~步骤(5)直至视频分割结束。
具体的,所述根据目标的局部特征进行行人重识别的方法为:
步骤1:寻找与目标人物最相似的若干行人图像;
步骤1.1:训练图片输入ResNet-50网络,提取特征图,同时作为全局池化和水平池化两个分支的输入,提取局部特征,再降维,直至训练模型收敛。
步骤1.2:利用步骤1训练得到的模型,采用可信搜索路径优化,在一定范围内实现行人重识别。
步骤1.3:使用L2距离作为相似性度量,分别计算待查询图像与每一张候选图像之间的距离。
步骤1.4:使用概率分布函数Softmax将距离转换为概率分布,获得有效身份置信度。
步骤1.5:将上一阶段得到的图像的识别概率按照降序排列,考虑到每个范围内可能同一时间会识别出多个相似行人,可能是其他外貌比较相似的行人,故引入误判概率:有效身份数量和拍摄到相似行人的监控点数越多,则误判率越低。
步骤2:定位图像中行人的脸部;
步骤2.1:训练多尺度特征器,直至训练模型收敛。
步骤2.2:将行人重识别过程中得到的图片依次采用插值将其重新缩放到特定尺度,利用步骤1中得到的模型进行单张图片的人脸检测。
步骤2.3:利用步骤2.2中得到的人脸检测坐标对原图进行裁剪,得到每张图片的人脸部分图像。
步骤3:选取最具有辨识度的人脸图像;
步骤3.1:对图像进行像素范围的压缩,采用非线性预处理来减少动态范围。
步骤3.2:变换后的图像Ilog被分成M个小块,每一个小块Bi有n×n个像素,为了适应面部图像之间的对比度变化,将每个小块标准化,使其满足零均值和单位方差。
步骤3.3:对每一个小块Bi进行特征提取,再对每个小块提取一个2D的离散余弦变换 (DCT)特征向量,保留除首个直流分量外的前3个低频分量。
步骤3.4:对于每个小块Bi计算局部概率,利用定位概率模型计算每个小块对应特征向量xi的概率。
步骤3.5:计算给定人脸和理想人脸(一系列训练图片所表示的)相似的整体概率,由于各个小块相互独立,由M个小块组成的图像I的总概率为各小块概率之和。
步骤3.6:建立可信身份识别测度模型,确定目标人物的可辨识人脸。
本发明的有益效果为:先通过视频的物理分割,去除大量无效信息,减轻整个系统的计算工作量和节省时间,然后通过局部特征进行行人重识别,避免嫌疑人的换装、蒙面等恶意逃避行为对重识别的影响。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
实施例1
如图1所示,一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:包括以下步骤:
步骤一,指定视频中的目标,例如行人;
步骤二,根据目标所在区域进行视频的物理分割;具体的,所述步骤二中,所述视频的物理分割方法为静态分割。
所述的静态分割方法为:将视频导出,将视频包导入视频编辑软件,例如会声会影,通过编辑软件中的修剪滤镜得到小画幅视频。
步骤三,根据目标的局部特征进行行人重识别。
具体的,所述根据目标的局部特征进行行人重识别的方法为:
步骤1:寻找与目标人物最相似的若干行人图像;
步骤1.1:训练图片输入ResNet-50网络,提取特征图,同时作为全局池化和水平池化两个分支的输入,提取局部特征,再降维,直至训练模型收敛。
步骤1.2:利用步骤1训练得到的模型,采用可信搜索路径优化,在一定范围内实现行人重识别。
步骤1.3:使用L2距离作为相似性度量,分别计算待查询图像与每一张候选图像之间的距离。
步骤1.4:使用概率分布函数Softmax将距离转换为概率分布,获得有效身份置信度。
步骤1.5:将上一阶段得到的图像的识别概率按照降序排列,考虑到每个范围内可能同一时间会识别出多个相似行人,可能是其他外貌比较相似的行人,故引入误判概率:有效身份数量和拍摄到相似行人的监控点数越多,则误判率越低。
步骤2:定位图像中行人的脸部;
步骤2.1:训练多尺度特征器,直至训练模型收敛。
步骤2.2:将行人重识别过程中得到的图片依次采用插值将其重新缩放到特定尺度,利用步骤1中得到的模型进行单张图片的人脸检测。
步骤2.3:利用步骤2.2中得到的人脸检测坐标对原图进行裁剪,得到每张图片的人脸部分图像。
步骤3:选取最具有辨识度的人脸图像;
步骤3.1:对图像进行像素范围的压缩,采用非线性预处理来减少动态范围。
步骤3.2:变换后的图像Ilog被分成M个小块,每一个小块Bi有n×n个像素,为了适应面部图像之间的对比度变化,将每个小块标准化,使其满足零均值和单位方差。
步骤3.3:对每一个小块Bi进行特征提取,再对每个小块提取一个2D的离散余弦变换 (DCT)特征向量,保留除首个直流分量外的前3个低频分量。
步骤3.4:对于每个小块Bi计算局部概率,利用定位概率模型计算每个小块对应特征向量xi的概率。
步骤3.5:计算给定人脸和理想人脸(一系列训练图片所表示的)相似的整体概率,由于各个小块相互独立,由M个小块组成的图像I的总概率为各小块概率之和。
步骤3.6:建立可信身份识别测度模型,确定目标人物的可辨识人脸。
实施例2
一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:包括以下步骤:
步骤一,指定视频中的目标,例如行人;
步骤二,根据目标所在区域进行视频的物理分割;
步骤三,根据目标的局部特征进行行人重识别。
具体的,所述步骤二中,所述视频的物理分割方法为交互分割。
所述的交互分割方法为:
(1)根据上一帧图像的分割结果,得到目标在上一帧图像中的轮廓线;
(2)将目标在上一帧图像中的轮廓线映射到当前帧图像,并对轮廓线上的每个像素点都匹配到该像素点在当前帧图像中的位置,得到目标在当前帧图像中的预估初始轮廓线;
(3)基于目标在当前帧图像中的预估初始轮廓线,通过距离映射得出每个像素点到预估初始轮廓线的最短距离,作为该像素点的位置属性;
(4)将当前帧图像中各像素由RGB颜色空间变换到YUV颜色空间,并在当前帧图像中各像素点的YUV颜色属性的基础上,加入各像素点的位置属性,以将各像素点属性的特征维数扩展到高维空间;
(5)将当前帧像素点到上一帧邻域像素点的平滑项根据上一帧像素点的标记折算为数据项,将折算后的数据项叠加到通过全局概率模型计算得到的数据项中,将叠加之后的数据项作为能量函数模型的数据项,得到能量函数模型;
(6)求解能量函数模型得到能量函数模型的解,并将当前帧图像作为上一帧图像,继续执行步骤(1)~步骤(5)直至视频分割结束。
具体的,所述根据目标的局部特征进行行人重识别的方法为:
步骤1:寻找与目标人物最相似的若干行人图像;
步骤1.1:训练图片输入ResNet-50网络,提取特征图,同时作为全局池化和水平池化两个分支的输入,提取局部特征,再降维,直至训练模型收敛。
步骤1.2:利用步骤1训练得到的模型,采用可信搜索路径优化,在一定范围内实现行人重识别。
步骤1.3:使用L2距离作为相似性度量,分别计算待查询图像与每一张候选图像之间的距离。
步骤1.4:使用概率分布函数Softmax将距离转换为概率分布,获得有效身份置信度。
步骤1.5:将上一阶段得到的图像的识别概率按照降序排列,考虑到每个范围内可能同一时间会识别出多个相似行人,可能是其他外貌比较相似的行人,故引入误判概率:有效身份数量和拍摄到相似行人的监控点数越多,则误判率越低。
步骤2:定位图像中行人的脸部;
步骤2.1:训练多尺度特征器,直至训练模型收敛。
步骤2.2:将行人重识别过程中得到的图片依次采用插值将其重新缩放到特定尺度,利用步骤1中得到的模型进行单张图片的人脸检测。
步骤2.3:利用步骤2.2中得到的人脸检测坐标对原图进行裁剪,得到每张图片的人脸部分图像。
步骤3:选取最具有辨识度的人脸图像;
步骤3.1:对图像进行像素范围的压缩,采用非线性预处理来减少动态范围。
步骤3.2:变换后的图像Ilog被分成M个小块,每一个小块Bi有n×n个像素,为了适应面部图像之间的对比度变化,将每个小块标准化,使其满足零均值和单位方差。
步骤3.3:对每一个小块Bi进行特征提取,再对每个小块提取一个2D的离散余弦变换 (DCT)特征向量,保留除首个直流分量外的前3个低频分量。
步骤3.4:对于每个小块Bi计算局部概率,利用定位概率模型计算每个小块对应特征向量xi的概率。
步骤3.5:计算给定人脸和理想人脸(一系列训练图片所表示的)相似的整体概率,由于各个小块相互独立,由M个小块组成的图像I的总概率为各小块概率之和。
步骤3.6:建立可信身份识别测度模型,确定目标人物的可辨识人脸。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:包括以下步骤:
步骤一,指定视频中的目标;
步骤二,根据目标所在区域进行视频的物理分割;
步骤三,根据目标的局部特征进行行人重识别。
2.根据权利要求1所述的一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:所述步骤二中,所述视频的物理分割方法为静态分割或者交互分割。
3.根据权利要求2所述的一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:所述的静态分割方法为:将视频导出,将视频包导入视频编辑软件,通过编辑软件中的修剪滤镜得到小画幅视频。
4.根据权利要求2所述的一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:所述的交互分割方法为:
(1)根据上一帧图像的分割结果,得到目标在上一帧图像中的轮廓线;
(2)将目标在上一帧图像中的轮廓线映射到当前帧图像,并对轮廓线上的每个像素点都匹配到该像素点在当前帧图像中的位置,得到目标在当前帧图像中的预估初始轮廓线;
(3)基于目标在当前帧图像中的预估初始轮廓线,通过距离映射得出每个像素点到预估初始轮廓线的最短距离,作为该像素点的位置属性;
(4)将当前帧图像中各像素由RGB颜色空间变换到YUV颜色空间,并在当前帧图像中各像素点的YUV颜色属性的基础上,加入各像素点的位置属性,以将各像素点属性的特征维数扩展到高维空间;
(5)将当前帧像素点到上一帧邻域像素点的平滑项根据上一帧像素点的标记折算为数据项,将折算后的数据项叠加到通过全局概率模型计算得到的数据项中,将叠加之后的数据项作为能量函数模型的数据项,得到能量函数模型;
(6)求解能量函数模型得到能量函数模型的解,并将当前帧图像作为上一帧图像,继续执行步骤(1)~步骤(5)直至视频分割结束。
5.根据权利要求1所述的一种基于物理分割的局部特征进行行人重识别的方法,其特征在于:所述根据目标的局部特征进行行人重识别的方法为:
步骤1:寻找与目标人物最相似的若干行人图像;
步骤1.1:训练图片输入ResNet-50网络,提取特征图,同时作为全局池化和水平池化两个分支的输入,提取局部特征,再降维,直至训练模型收敛;
步骤1.2:利用步骤1训练得到的模型,采用可信搜索路径优化,在一定范围内实现行人重识别;
步骤1.3:使用L2距离作为相似性度量,分别计算待查询图像与每一张候选图像之间的距离;
步骤1.4:使用概率分布函数Softmax将距离转换为概率分布,获得有效身份置信度;
步骤1.5:将上一阶段得到的图像的识别概率按照降序排列,考虑到每个范围内可能同一时间会识别出多个相似行人,可能是其他外貌比较相似的行人,故引入误判概率:有效身份数量和拍摄到相似行人的监控点数越多,则误判率越低;
步骤2:定位图像中行人的脸部;
步骤2.1:训练多尺度特征器,直至训练模型收敛;
步骤2.2:将行人重识别过程中得到的图片依次采用插值将其重新缩放到特定尺度,利用步骤1中得到的模型进行单张图片的人脸检测;
步骤2.3:利用步骤2.2中得到的人脸检测坐标对原图进行裁剪,得到每张图片的人脸部分图像;
步骤3:选取最具有辨识度的人脸图像;
步骤3.1:对图像进行像素范围的压缩,采用非线性预处理来减少动态范围;
步骤3.2:变换后的图像Ilog被分成M个小块,每一个小块Bi有n×n个像素,为了适应面部图像之间的对比度变化,将每个小块标准化,使其满足零均值和单位方差;
步骤3.3:对每一个小块Bi进行特征提取,再对每个小块提取一个2D的离散余弦变换(DCT)特征向量,保留除首个直流分量外的前3个低频分量;
步骤3.4:对于每个小块Bi计算局部概率,利用定位概率模型计算每个小块对应特征向量xi的概率;
步骤3.5:计算给定人脸和理想人脸(一系列训练图片所表示的)相似的整体概率,由于各个小块相互独立,由M个小块组成的图像I的总概率为各小块概率之和;
步骤3.6:建立可信身份识别测度模型,确定目标人物的可辨识人脸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076650.3A CN112784630A (zh) | 2019-11-06 | 2019-11-06 | 一种基于物理分割的局部特征进行行人重识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076650.3A CN112784630A (zh) | 2019-11-06 | 2019-11-06 | 一种基于物理分割的局部特征进行行人重识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784630A true CN112784630A (zh) | 2021-05-11 |
Family
ID=75748862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076650.3A Pending CN112784630A (zh) | 2019-11-06 | 2019-11-06 | 一种基于物理分割的局部特征进行行人重识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784630A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090034791A1 (en) * | 2006-12-04 | 2009-02-05 | Lockheed Martin Corporation | Image processing for person and object Re-identification |
CN103679196A (zh) * | 2013-12-05 | 2014-03-26 | 河海大学 | 视频监控中的人车自动分类方法 |
CN105095870A (zh) * | 2015-07-27 | 2015-11-25 | 中国计量学院 | 基于迁移学习的行人重识别方法 |
CN107590818A (zh) * | 2017-09-06 | 2018-01-16 | 华中科技大学 | 一种交互式视频分割方法 |
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 |
CN110020579A (zh) * | 2018-01-09 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 行人重识别方法及装置、存储介质和电子设备 |
CN110070010A (zh) * | 2019-04-10 | 2019-07-30 | 武汉大学 | 一种基于行人重识别的人脸属性关联方法 |
CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 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 |
-
2019
- 2019-11-06 CN CN201911076650.3A patent/CN112784630A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090034791A1 (en) * | 2006-12-04 | 2009-02-05 | Lockheed Martin Corporation | Image processing for person and object Re-identification |
CN103679196A (zh) * | 2013-12-05 | 2014-03-26 | 河海大学 | 视频监控中的人车自动分类方法 |
CN105095870A (zh) * | 2015-07-27 | 2015-11-25 | 中国计量学院 | 基于迁移学习的行人重识别方法 |
CN107590818A (zh) * | 2017-09-06 | 2018-01-16 | 华中科技大学 | 一种交互式视频分割方法 |
CN110020579A (zh) * | 2018-01-09 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 行人重识别方法及装置、存储介质和电子设备 |
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 |
CN110070010A (zh) * | 2019-04-10 | 2019-07-30 | 武汉大学 | 一种基于行人重识别的人脸属性关联方法 |
CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 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 |
Non-Patent Citations (3)
Title |
---|
HUA GAO等: "Parts Semantic Segmentation Aware Representation Learning for Person Re-Identification", 《APPLIED SCIENCE》, vol. 9, no. 6, 25 March 2019 (2019-03-25), pages 1239 - 1 * |
MAHDI M. KALAYEH等: "Human Semantic Parsing for Person Re-Identification", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 31 December 2018 (2018-12-31), pages 1062 - 1071 * |
吴丹等: "融合掩码约束算法的Spindle Net行人重识别网络", 《长春理工大学学报(自然科学版)》, vol. 42, no. 05, 15 October 2019 (2019-10-15), pages 98 - 101 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
CN108509859B (zh) | 一种基于深度神经网络的无重叠区域行人跟踪方法 | |
CN108197326B (zh) | 一种车辆检索方法及装置、电子设备、存储介质 | |
TW201828158A (zh) | 視頻目標跟蹤方法和裝置 | |
CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
CN109598268A (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
CN111428689B (zh) | 一种多池化信息融合的人脸图像特征提取方法 | |
CN112101195B (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
Tao et al. | Smoke vehicle detection based on multi-feature fusion and hidden Markov model | |
CN109325407B (zh) | 基于f-ssd网络滤波的光学遥感视频目标检测方法 | |
CN114758362A (zh) | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 | |
CN111353385B (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
Gao et al. | Occluded person re-identification based on feature fusion and sparse reconstruction | |
CN111428612B (zh) | 行人重识别方法、终端、装置及存储介质 | |
CN113706550A (zh) | 图像场景识别和模型训练方法、装置和计算机设备 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN112215205B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN112784630A (zh) | 一种基于物理分割的局部特征进行行人重识别的方法 | |
CN114663835A (zh) | 一种行人跟踪方法、系统、设备及存储介质 | |
Sedai et al. | Evaluating shape and appearance descriptors for 3D human pose estimation | |
Kaushik et al. | A novel beard removal method based on structural similarity and co-ordinate transformations | |
CN109544556A (zh) | 一种图像特征提取方法 | |
CN115240121B (zh) | 一种用于增强行人局部特征的联合建模方法和装置 | |
Liu | Pedestrian Reidentification Algorithm Based on Local Feature Fusion Mechanism |
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 |