CN112861785A - 一种基于实例分割和图像修复的带遮挡行人重识别方法 - Google Patents

一种基于实例分割和图像修复的带遮挡行人重识别方法 Download PDF

Info

Publication number
CN112861785A
CN112861785A CN202110254662.1A CN202110254662A CN112861785A CN 112861785 A CN112861785 A CN 112861785A CN 202110254662 A CN202110254662 A CN 202110254662A CN 112861785 A CN112861785 A CN 112861785A
Authority
CN
China
Prior art keywords
image
pedestrian
example segmentation
trained
pedestrian image
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
CN202110254662.1A
Other languages
English (en)
Other versions
CN112861785B (zh
Inventor
赖剑煌
何智通
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110254662.1A priority Critical patent/CN112861785B/zh
Publication of CN112861785A publication Critical patent/CN112861785A/zh
Application granted granted Critical
Publication of CN112861785B publication Critical patent/CN112861785B/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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于实例分割和图像修复的带遮挡行人重识别方法，该方法包括：获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像；基于预训练的实例分割模型对行人图像库中的行人图像进行实例分割，得到分割后行人图像；分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像。本发明方法通过对行人缺失部位进行检测并修复的方式，提供更大区域更加完整的行人信息，帮助后续网络获得更具判别性的特征表示，从而提高行人重识别效果。本发明作为一种基于实例分割和图像修复的带遮挡行人重识别方法，可广泛应用于行人重识别领域。

Description

一种基于实例分割和图像修复的带遮挡行人重识别方法
技术领域
本发明涉及行人重识别领域，尤其涉及一种基于实例分割和图像修复的带遮挡行人重识别方法。
背景技术
行人重识别任务是指在多摄像头环境下，将一个摄像头视角下出现的目标行人从其它摄像头视角中检索出来的任务。尽管一般的行人重识别工作已经有许多研究，但是针对遮挡问题的行人重识别任务依旧存在很大缺陷。现有的一些遮挡行人重识别方法通过检测遮挡物所在的像素区域，来减少遮挡物对特征提取的影响，但是存在遮挡物种类多样、形态各异等问题，无法很好地对遮挡物进行学习。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于实例分割和图像修复的带遮挡行人重识别方法，提高行人重识别效果。
本发明所采用的第一技术方案是：一种基于实例分割和图像修复的带遮挡行人重识别方法，包括以下步骤：
获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像；
基于预训练的实例分割模型对行人图像库中的行人图像进行实例分割，得到分割后行人图像；
分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像。
进一步，所述获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像这一步骤，其具体包括：
获取待查图像；
基于预训练的实例分割模型对待查图像进行实例分割处理，得到目标行人图像；
基于预训练的图像修复网络对目标行人图像进行图像修复，得到修复后行人图像。
进一步，所述预训练的实例分割模型采用深度卷积神经网络构建而成，包括卷积层、激活层、池化层和反卷积层。
进一步，所述基于预训练的实例分割模型对待查图像进行实例分割处理，得到目标行人图像这一步骤具体包括：
将待查图像输入到预训练的实例分割模型，输出待查图像的置信度、类别、边界框和掩膜；
根据类别将部分掩膜作为遮挡物模块；
根据置信度和掩膜计算预测得分并根据预测得分将目标行人区域与干扰区域分离，得到目标行人图像。
进一步，所述根据置信度和掩膜计算预测得分并根据预测得分将目标行人区域与干扰区域分离，得到目标行人图像这一步骤，其具体包括：
根据置信度和掩膜计算预测得分并以得分最高的对应掩膜区域作为目标行人区域；
将待查图像中该目标行人区域以外的部分设置为黑色，得到只保留目标行人区域的目标行人图像。
进一步，所述预训练的图像修复网络的训练步骤包括：
构建行人图像训练集并从行人图像训练集中获取完整行人图像；
将遮挡物模板添加至完整行人图像，得到残缺行人图像；
将完整行人图像和残缺行人图像输入到生成对抗网络；
基于编码器对残缺行人图像进行处理，转换为隐空间内的特征；
基于解码器将隐空间内的特征恢复，得到训练用修复图像；
判别器根据完整行人图像对训练用修复图像进行判断，并根据判断结果对生成对抗网络进行参数调整，得到训练完成的图像修复网络。
进一步，所述分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像这一步骤，其具体包括：
将修复后行人图像输入预训练的特征提取模块，得到第一特征表示；
将分割后行人图像输入预训练的特征提取模块，得到第二特征表示；
计算第一特征表示和第二特征表示的欧氏距离，进行相似性度量并排序，选择相似度高的图像作为检索结果，检索出同一行人的其他图像。
进一步，所述预训练的特征提取模块的训练步骤包括：
从行人图像训练集中获取行人图像和对应的真实标签；
将行人图像输入到特征提取模块并得到特征表示，生成预测标签；
根据预测标签和对应的真实标签计算损失函数得到训练误差；
重复训练步骤直至训练误差小于预设值，得到训练完成的特征提取模块。
本发明方法的有益效果是：本发明通过直接检测图像中目标行人所在区域，将行人区域与遮挡物、背景进行分离，从而减少其他区域对行人特征提取的干扰；通过对行人缺失部位进行检测并修复的方式，提供更大区域更加完整的行人信息，帮助后续网络获得更具判别性的特征表示，从而提高行人重识别效果。
附图说明
图1是本发明一种基于实例分割和图像修复的带遮挡行人重识别方法的步骤流程图；
图2是本发明具体实施例的整体框架示意图；
图3是本发明具体实施例行人图像实例分割示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种基于实例分割和图像修复的带遮挡行人重识别方法，该方法包括以下步骤：
获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像；
基于预训练的实例分割模型对行人图像库中的行人图像进行实例分割，得到分割后行人图像；
分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像。
具体地，参照图2，对于每张输入的待查行人图像，首先，通过一个实例分割模块检测行人所在区域，生成行人区域掩膜，将行人与背景、遮挡物、其他行人等干扰信息分离，得到目标行人图像；然后，通过图像修复网络，利用生成对抗网络对目标行人图像中缺失的身体部件进行检测并补全，得到修复后行人图像，提供更大区域的行人信息。对于图像库中的完整行人图像，只需要通过实例分割模块获得目标行人图像即可，而不再需要图像修复模块进行补全。最后，将修复后行人图像送入特征提取模块得到具有判别性的特征表示，并与图像库中的其他行人进行相似性度量，从而检索出同一行人的其他图像。
进一步作为本方法的优选实施例，所述获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像这一步骤，其具体包括：
获取待查图像；
基于预训练的实例分割模型对待查图像进行实例分割处理，得到目标行人图像；
基于预训练的图像修复网络对目标行人图像进行图像修复，得到修复后行人图像。
进一步作为本方法的优选实施例，所述预训练的实例分割模型采用深度卷积神经网络构建而成，包括卷积层、激活层、池化层和反卷积层。
具体地，实例分割模型由深度卷积神经网络构成，包含一系列的卷积层、激活层、池化层和反卷积层等交替组成，输入的图像或者特征映射通过卷积层和激活层得到新的特征映射，获取更高维度的特征信息，再通过池化层降低特征映射的尺寸，以减少网络中的参数，反卷积层则可以从高维的特征中还原出对各个像素点的分类结果。
进一步作为本方法优选实施例，所述基于预训练的实例分割模型对待查图像进行实例分割处理，得到目标行人图像这一步骤具体包括：
将待查图像输入到预训练的实例分割模型，输出待查图像的置信度、类别、边界框和掩膜；
根据类别将部分掩膜作为遮挡物模块；
根据置信度和掩膜计算预测得分并根据预测得分将目标行人区域与干扰区域分离，得到目标行人图像。
具体地，选择实例分割模型预测为人的实例，计算他们的得分scorei，选择得分最高的实例作为最后的目标行人，得分由实例的置信度vi和掩膜面积
Figure BDA0002967571410000041
决定，计算方法如下：
Figure BDA0002967571410000042
同时，将一些预测为部分其他类别的实例的掩膜保留下来，这些类别包括汽车、雨伞等经常对行人发生遮挡的物体，这些掩膜则作为遮挡物模板，在之后的图像修复模块中训练生成对抗网络时，在未被遮挡的完整行人图像上添加这些遮挡物模板模拟被遮挡情况，生成被遮挡图像，进而获得图像对用于训练图像修复网络。
进一步作为本方法优选实施例，所述根据置信度和掩膜计算预测得分并根据预测得分将目标行人区域与干扰区域分离，得到目标行人图像这一步骤，其具体包括：
根据置信度和掩膜计算预测得分并以得分最高的对应掩膜区域作为目标行人区域；
将待查图像中该目标行人区域以外的部分设置为黑色，得到只保留目标行人区域的目标行人图像。
具体地，分离示意图参照图3。
进一步作为本方法的优选实施例，所述预训练的图像修复网络的训练步骤包括：
构建行人图像训练集并从行人图像训练集中获取完整行人图像；
将遮挡物模板添加至完整行人图像，得到残缺行人图像；
将完整行人图像和残缺行人图像输入到生成对抗网络；
基于编码器对残缺行人图像进行处理，转换为隐空间内的特征；
基于解码器将隐空间内的特征恢复，得到训练用修复图像；
判别器根据完整行人图像对训练用修复图像进行判断，并根据判断结果对生成对抗网络进行参数调整，得到训练完成的图像修复网络。
进一步作为本方法的优选实施例，所述分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像这一步骤，其具体包括：
将修复后行人图像输入预训练的特征提取模块，得到第一特征表示；
将分割后行人图像输入预训练的特征提取模块，得到第二特征表示；
计算第一特征表示和第二特征表示的欧氏距离，进行相似性度量并排序，选择相似度高的图像作为检索结果，检索出同一行人的其他图像。
进一步作为本方法优选实施例，所述预训练的特征提取模块的训练步骤包括：
从行人图像训练集中获取行人图像和对应的真实标签；
将行人图像输入到特征提取模块并得到特征表示，生成预测标签；
根据预测标签和对应的真实标签计算损失函数得到训练误差；
重复训练步骤直至训练误差小于预设值，得到训练完成的特征提取模块。
具体地，所述训练误差包括分类损失、三元组损失，将误差通过反向传播方式，更新前面卷积层和全连接层中的参数以达到训练完成的特征提取模块。
分类损失Lid表示为：
Figure BDA0002967571410000051
其中，p(yi|xi)为网络将输入图像xi预测为yi的置信度，n表示训练次数。
三元组损失Ltri(i，j，k)表示为：
Ltri(i，j，k)＝max(ρ+dij-djk，0)
其中，一个三元组包含一个锚样本xi、一个相同类别的正样本xj和一个不同类别的负样本xk，ρ为间隔参数，d(·)表示两个样本间的欧氏距离。
一种基于实例分割和图像修复的带遮挡行人重识别装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于实例分割和图像修复的带遮挡行人重识别方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，包括以下步骤：
获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像；
基于预训练的实例分割模型对行人图像库中的行人图像进行实例分割，得到分割后行人图像；
分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像。
2.根据权利要求1所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述获取待查图像并对待查图像进行实例分割和图像修复处理，得到修复后行人图像这一步骤，其具体包括：
获取待查图像；
基于预训练的实例分割模型对待查图像进行实例分割处理，得到目标行人图像；
基于预训练的图像修复网络对目标行人图像进行图像修复，得到修复后行人图像。
3.根据权利要求2所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述预训练的实例分割模型采用深度卷积神经网络构建而成，包括卷积层、激活层、池化层和反卷积层。
4.根据权利要求3所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述基于预训练的实例分割模型对待查图像进行实例分割处理，得到目标行人图像这一步骤具体包括：
将待查图像输入到预训练的实例分割模型，输出待查图像的置信度、类别、边界框和掩膜；
根据类别将部分掩膜作为遮挡物模块；
根据置信度和掩膜计算预测得分并根据预测得分将目标行人区域与干扰区域分离，得到目标行人图像。
5.根据权利要求4所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述根据置信度和掩膜计算预测得分并根据预测得分将目标行人区域与干扰区域分离，得到目标行人图像这一步骤，其具体包括：
根据置信度和掩膜计算预测得分并以得分最高的对应掩膜区域作为目标行人区域；
将待查图像中该目标行人区域以外的部分设置为黑色，得到只保留目标行人区域的目标行人图像。
6.根据权利要求5所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述预训练的图像修复网络的训练步骤包括：
构建行人图像训练集并从行人图像训练集中获取完整行人图像；
将遮挡物模板添加至完整行人图像，得到残缺行人图像；
将完整行人图像和残缺行人图像输入到生成对抗网络；
基于编码器对残缺行人图像进行处理，转换为隐空间内的特征；
基于解码器将隐空间内的特征恢复，得到训练用修复图像；
判别器根据完整行人图像对训练用修复图像进行判断，并根据判断结果对生成对抗网络进行参数调整，得到训练完成的图像修复网络。
7.根据权利要求6所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述分别对修复后行人图像和分割后行人图像进行特征提取并将提取的特征进行相似性度量，检索得到同一行人的其他图像这一步骤，其具体包括：
将修复后行人图像输入预训练的特征提取模块，得到第一特征表示；
将分割后行人图像输入预训练的特征提取模块，得到第二特征表示；
计算第一特征表示和第二特征表示的欧氏距离，进行相似性度量并排序，选择相似度高的图像作为检索结果，检索出同一行人的其他图像。
8.根据权利要求7所述一种基于实例分割和图像修复的带遮挡行人重识别方法，其特征在于，所述预训练的特征提取模块的训练步骤包括：
从行人图像训练集中获取行人图像和对应的真实标签；
将行人图像输入到特征提取模块并得到特征表示，生成预测标签；
根据预测标签和对应的真实标签计算损失函数得到训练误差；
重复训练步骤直至训练误差小于预设值，得到训练完成的特征提取模块。
CN202110254662.1A 2021-03-09 2021-03-09 一种基于实例分割和图像修复的带遮挡行人重识别方法 Active CN112861785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110254662.1A CN112861785B (zh) 2021-03-09 2021-03-09 一种基于实例分割和图像修复的带遮挡行人重识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110254662.1A CN112861785B (zh) 2021-03-09 2021-03-09 一种基于实例分割和图像修复的带遮挡行人重识别方法

Publications (2)

Publication Number Publication Date
CN112861785A true CN112861785A (zh) 2021-05-28
CN112861785B CN112861785B (zh) 2023-09-29

Family

ID=75993479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110254662.1A Active CN112861785B (zh) 2021-03-09 2021-03-09 一种基于实例分割和图像修复的带遮挡行人重识别方法

Country Status (1)

Country Link
CN (1) CN112861785B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378980A (zh) * 2021-07-02 2021-09-10 西安电子科技大学 基于自适应上下文注意力机制的口罩遮挡人脸恢复方法
CN115183763A (zh) * 2022-09-13 2022-10-14 南京北新智能科技有限公司 一种基于人脸识别和栅格法的人员地图定位方法
CN116740452A (zh) * 2023-06-19 2023-09-12 北京数美时代科技有限公司 一种基于图像修复的图像分类方法、系统和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171184A (zh) * 2018-01-03 2018-06-15 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN110135366A (zh) * 2019-05-20 2019-08-16 厦门大学 基于多尺度生成对抗网络的遮挡行人重识别方法
CN110991316A (zh) * 2019-11-28 2020-04-10 智慧视通(杭州)科技发展有限公司 一种运用于开放环境的形体和身份信息自动采集的方法
CN112115879A (zh) * 2020-09-21 2020-12-22 中科人工智能创新技术研究院(青岛)有限公司 一种遮挡敏感的自监督行人重识别方法及系统
CN112131929A (zh) * 2020-08-06 2020-12-25 北京航空航天大学 一种基于区块链的跨摄像机行人跟踪系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171184A (zh) * 2018-01-03 2018-06-15 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN110135366A (zh) * 2019-05-20 2019-08-16 厦门大学 基于多尺度生成对抗网络的遮挡行人重识别方法
CN110991316A (zh) * 2019-11-28 2020-04-10 智慧视通(杭州)科技发展有限公司 一种运用于开放环境的形体和身份信息自动采集的方法
CN112131929A (zh) * 2020-08-06 2020-12-25 北京航空航天大学 一种基于区块链的跨摄像机行人跟踪系统及方法
CN112115879A (zh) * 2020-09-21 2020-12-22 中科人工智能创新技术研究院(青岛)有限公司 一种遮挡敏感的自监督行人重识别方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378980A (zh) * 2021-07-02 2021-09-10 西安电子科技大学 基于自适应上下文注意力机制的口罩遮挡人脸恢复方法
CN113378980B (zh) * 2021-07-02 2023-05-09 西安电子科技大学 基于自适应上下文注意力机制的口罩遮挡人脸恢复方法
CN115183763A (zh) * 2022-09-13 2022-10-14 南京北新智能科技有限公司 一种基于人脸识别和栅格法的人员地图定位方法
CN116740452A (zh) * 2023-06-19 2023-09-12 北京数美时代科技有限公司 一种基于图像修复的图像分类方法、系统和存储介质
CN116740452B (zh) * 2023-06-19 2023-12-22 北京数美时代科技有限公司 一种基于图像修复的图像分类方法、系统和存储介质

Also Published As

Publication number Publication date
CN112861785B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN109934115B (zh) 人脸识别模型的构建方法、人脸识别方法及电子设备
CN110348376B (zh) 一种基于神经网络的行人实时检测方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN106778835B (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
CN108090435B (zh) 一种可停车区域识别方法、系统及介质
CN112381075B (zh) 一种机房特定场景下进行人脸识别的方法及系统
CN111723748A (zh) 一种红外遥感图像舰船检测方法
CN112861785B (zh) 一种基于实例分割和图像修复的带遮挡行人重识别方法
CN111696118B (zh) 动态场景下基于语义分割与图像修复的视觉回环检测方法
CN110175504A (zh) 一种基于多任务级联卷积网络的目标检测和对齐方法
US11288548B2 (en) Target detection method and apparatus, and computer device
CN113592923B (zh) 一种基于深度局部特征匹配的批图像配准方法
CN101147159A (zh) 利用统计模板匹配进行对象检测的快速方法
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN112861970B (zh) 一种基于特征融合的细粒度图像分类方法
CN113221956B (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN113076860B (zh) 一种野外场景下的鸟类检测系统
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN112200056A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN115497122A (zh) 遮挡行人重识别方法、装置、设备和计算机可存储介质
CN114049541A (zh) 基于结构化信息特征解耦与知识迁移的视觉场景识别方法
CN117541652A (zh) 一种基于深度lk光流法与d-prosac采样策略的动态slam方法
CN112396036A (zh) 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法
CN115713633A (zh) 动态场景下基于深度学习的视觉slam方法、系统及存储介质
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置

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