CN113221764A - 一种快速行人再识别方法 - Google Patents

一种快速行人再识别方法 Download PDF

Info

Publication number
CN113221764A
CN113221764A CN202110537719.9A CN202110537719A CN113221764A CN 113221764 A CN113221764 A CN 113221764A CN 202110537719 A CN202110537719 A CN 202110537719A CN 113221764 A CN113221764 A CN 113221764A
Authority
CN
China
Prior art keywords
pedestrian
shoulder
matched
marking
identified
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
CN202110537719.9A
Other languages
English (en)
Other versions
CN113221764B (zh
Inventor
谷灵康
谷宣锋
谷宣萱
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.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic 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 Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN202110537719.9A priority Critical patent/CN113221764B/zh
Publication of CN113221764A publication Critical patent/CN113221764A/zh
Application granted granted Critical
Publication of CN113221764B publication Critical patent/CN113221764B/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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种快速行人再识别方法，属于行人再识别技术领域，包括以下步骤：S1：检测出所有指定视频帧中的待识别行人；S2：在所有指定视频帧中分别构建三维空间坐标系；S3：获取待识别行人的特征点A、B、C在三维空间坐标系中的坐标；S4：求取B与C之间在Z轴上的差值Pn；S5：求取B与A之间在Y轴上的差值Qn；S6：求取C与A之间在Y轴上的差值Wn；S7：将待检测视频帧中行人的特征点标记为a、b、c，求取Pj、Qj与Wj；S8：将Pj与Pn进行匹配、Qj与Qn进行匹配、Wj与Wn进行匹配；S9：根据匹配结果确认待检测视频帧中的待识别行人。本发明，通过对行人的头顶、两侧肩峰的相对位置进行检测，能够快速有效地对行人进行再识别。

Description

一种快速行人再识别方法
技术领域
本发明涉及一种行人再识别技术领域，具体是一种快速行人再识别方法。
背景技术
行人再识别是图像处理和模式识别研究的重要领域之一；所谓行人再识别，是指将某个待识别行人作为搜索源，在其他的没有重复视线的摄像头所采集到的视频图像里自动地找到这一搜索源的算法，其主要难点在于同一目标在不同场景下受光照、视角、遮挡等干扰因素的影响呈现出极大的类内差异。
现有行人再识别主要通过衣物和面容来进行识别。但是，当出现与待识别行人身穿同样衣物的行人时，识别过程中不好判断。特别是行人从摄像头的背面走过，而摄像头采集不到行人的面容，只能采集到行人的侧影与背影时，这给行人再识别造成了很大的困扰。
现有技术存在如下问题：摄像头无法在没有行人面容只有行人侧影与背影时快速对行人进行再识别。因此，本领域技术人员提供了一种快速行人再识别方法，以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种快速行人再识别方法，通过对行人的头顶、两侧肩峰的相对位置进行检测，能够快速有效地对行人进行再识别，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种快速行人再识别方法，包括以下步骤：
S1：检测出所有指定视频帧中的待识别行人；
S2：在所有指定视频帧中分别构建三维空间坐标系；
S3：获取待识别行人的特征点在三维空间坐标系中的坐标；
S31：将待识别行人的头顶标记为A，则在所有指定视频帧中A的坐标分别为(Xa1、Ya1、Za1)、(Xa2、Ya2、Za2)、…、(Xan、Yan、Zan)，其中n为正整数；
S31：将待识别行人的一侧肩峰标记为B，则在所有指定视频帧中B的坐标分别为(Xb1、Yb1、Zb1)、(Xb2、Yb2、Zb2)、…、(Xbn、Ybn、Zbn)，其中n为正整数；
S31：将待识别行人的另一侧肩峰标记为C，则在所有指定视频帧中C的坐标分别为(Xc1、Yc1、Zc1)、(Xc2、Yc2、Zc2)、…、(Xcn、Ycn、Zcn)，其中n为正整数；
S4：根据S3中所有指定视频帧的A、B、C坐标，求取B与C之间在Z轴上的差值Pn＝|Zbn—Zcn|，其中n为正整数；
S5：根据S3中所有指定视频帧的A、B、C坐标，求取B与A之间在Y轴上的差值Qn＝|Ybn—Yan|，其中n为正整数；
S6：根据S3中所有指定视频帧的A、B、C坐标，求取C与A之间在Y轴上的差值Wn＝|Ycn—Yan|，其中n为正整数；
S7：在待检测视频帧中构建三维空间坐标系，并将每个行人的头顶标记为a、一侧肩峰标记为b、另一侧肩峰标记为c，求取b与c之间在Z轴上的差值Pj、b与a之间在Y轴上的差值Qj、c与a之间在Y轴上的差值Wj；
S8：将Pj与Pn进行匹配、Qj与Qn进行匹配、Wj与Wn进行匹配；
S9：根据匹配结果确认待检测视频帧中的待识别行人。
本发明将待识别行人的头顶、两侧肩峰分别标记为A、B、C，并建立三维空间坐标系确定A、B、C空间坐标。通过A、B、C空间坐标求取B与C之间在Z轴上的差值，进而确定该待识别行人的高低肩情况。通过A、B、C空间坐标求取B与A之间在Y轴上的差值以及C与A之间在Y轴上的差值，进而确定该待识别行人的驼背情况。最后根据待识别行人的驼背情况与高低肩情况确定行人的走路姿势，通过匹配行人走路时头顶以及两侧肩峰的相对位置来快速再识别行人。
作为本发明进一步的方案：所述指定视频帧为以待识别行人出现在视频中的时间为起始时间，每隔2S抽取一帧图像，直至待识别行人离开视频。
该设置进行多点采集，避免行人在偶尔更改走路姿势时被采集到，进而防止影响检测结果。
作为本发明再进一步的方案：所述S8中的具体匹配过程为：
1)：将Pj与Pn进行匹配；
2)：若Pj与任一一个Pn匹配则检测结果显示肩峰吻合；若Pj不与任一一个Pn匹配则检测结果显示肩峰不吻合；
3)：将Qj与Qn进行匹配；
4)：若Qj与任一一个Qn匹配则检测结果显示第一肩顶吻合；若Qj不与任一一个Qn匹配则检测结果显示第一肩顶不吻合；
5)：Wj与Wn进行匹配；
6)：若Wj与任一一个Wn匹配则检测结果显示第二肩顶吻合；若Wj不与任一一个Wn匹配则检测结果显示第二肩顶不吻合。
通过将实时检测特诊与以往任意检测特诊做匹配，能够快速有效地对行人进行识别。
作为本发明再进一步的方案：所述S9中具体确定过程为：
(1)：将肩峰、第一肩顶、第二肩顶三项均吻合的结果标记为三级匹配；
(2)：将肩峰、第一肩顶、第二肩顶三项中任意两项吻合的结果标记为二级匹配；
(3)：将肩峰、第一肩顶、第二肩顶三项中任意一项吻合的结果标记为一级匹配；
(4)：三级匹配的确认度最高，二级匹配的确认度次之，一级匹配的确认度最低。
工作人员可以根据确认度的高低优先查看确认度最高的行人，减少辨别时间。
作为本发明再进一步的方案：所述S7中Pj、Qj、Wj的具体求取过程为：
SS1：将a的坐标在构建的三维空间坐标系中标记为(Xaj、Yaj、Zaj)；
SS2：将b的坐标在构建的三维空间坐标系中标记为(Xbj、Ybj、Zbj)；
SS3：将c的坐标在构建的三维空间坐标系中标记为(Xcj、Ycj、Zcj)；
SS1：求取Pj＝|Zbj—Zcj|；
SS1：求取Qj＝|Ybj—Yaj|；
SS1：求取Wj＝|Ycj—Yaj|。
通过实时求取的Pj、Qj、Wj，快速有效地得知行人匹配结果，进而对行人进行快速再识别。
作为本发明再进一步的方案：所述构建三维空间坐标系时以行人双脚之间的中点为原点，并以行人前进方向为Y轴。
该设置工作人员更加直观的看清行人身上三个特征点的相对位置，也方便后期求取相对数值。
与现有技术相比，本发明的有益效果是：
每个人的走路姿势都会有些区别，而本发明将待识别行人的头顶、两侧肩峰分别标记为A、B、C，并建立三维空间坐标系确定A、B、C空间坐标。通过A、B、C空间坐标求取B与C之间在Z轴上的差值，进而确定该待识别行人的高低肩情况。通过A、B、C空间坐标求取B与A之间在Y轴上的差值以及C与A之间在Y轴上的差值，进而确定该待识别行人的驼背情况。最后根据待识别行人的驼背情况与高低肩情况确定行人的走路姿势，通过匹配行人走路时头顶以及两侧肩峰的相对位置来快速再识别行人。此外，将匹配结果分成三个等级能够帮助工作人员快速查看确认度最高的行人，节省时间。
附图说明
图1为一种快速行人再识别方法的流程示意图；
图2为一种快速行人再识别方法中A、B、C空间坐标示意图。
具体实施方式
请参阅图1～2，本发明实施例中，一种快速行人再识别方法，包括以下步骤：
S1：检测出所有指定视频帧中的待识别行人。
S2：在所有指定视频帧中分别构建三维空间坐标系。
S3：获取待识别行人的特征点在三维空间坐标系中的坐标。
S31：将待识别行人的头顶标记为A，则在所有指定视频帧中A的坐标分别为(Xa1、Ya1、Za1)、(Xa2、Ya2、Za2)、…、(Xan、Yan、Zan)，其中n为正整数。
S31：将待识别行人的一侧肩峰标记为B，则在所有指定视频帧中B的坐标分别为(Xb1、Yb1、Zb1)、(Xb2、Yb2、Zb2)、…、(Xbn、Ybn、Zbn)，其中n为正整数。
S31：将待识别行人的另一侧肩峰标记为C，则在所有指定视频帧中C的坐标分别为(Xc1、Yc1、Zc1)、(Xc2、Yc2、Zc2)、…、(Xcn、Ycn、Zcn)，其中n为正整数。
S4：根据S3中所有指定视频帧的A、B、C坐标，求取B与C之间在Z轴上的差值Pn＝|Zbn—Zcn|，其中n为正整数。
S5：根据S3中所有指定视频帧的A、B、C坐标，求取B与A之间在Y轴上的差值Qn＝|Ybn—Yan|，其中n为正整数。
S6：根据S3中所有指定视频帧的A、B、C坐标，求取C与A之间在Y轴上的差值Wn＝|Ycn—Yan|，其中n为正整数。
S7：在待检测视频帧中构建三维空间坐标系，并将每个行人的头顶标记为a、一侧肩峰标记为b、另一侧肩峰标记为c，求取b与c之间在Z轴上的差值Pj、b与a之间在Y轴上的差值Qj、c与a之间在Y轴上的差值Wj。
S8：将Pj与Pn进行匹配、Qj与Qn进行匹配、Wj与Wn进行匹配。
S9：根据匹配结果确认待检测视频帧中的待识别行人。
本发明将待识别行人的头顶、两侧肩峰分别标记为A、B、C，并建立三维空间坐标系确定A、B、C空间坐标。通过A、B、C空间坐标求取B与C之间在Z轴上的差值，进而确定该待识别行人的高低肩情况。通过A、B、C空间坐标求取B与A之间在Y轴上的差值以及C与A之间在Y轴上的差值，进而确定该待识别行人的驼背情况。最后根据待识别行人的驼背情况与高低肩情况确定行人的走路姿势，通过匹配行人走路时头顶以及两侧肩峰的相对位置来快速再识别行人。
在本实施例中：所述指定视频帧为以待识别行人出现在视频中的时间为起始时间，每隔2S抽取一帧图像，直至待识别行人离开视频。该设置确保定视频帧是通过多点采集得来的，避免行人在偶尔更改走路姿势时被采集到，进而防止影响检测结果。
在本实施例中：所述S8中的具体匹配过程为：
1)：将Pj与Pn进行匹配。
2)：若Pj与任一一个Pn匹配则检测结果显示肩峰吻合。若Pj不与任一一个Pn匹配则检测结果显示肩峰不吻合。
3)：将Qj与Qn进行匹配。
4)：若Qj与任一一个Qn匹配则检测结果显示第一肩顶吻合。若Qj不与任一一个Qn匹配则检测结果显示第一肩顶不吻合。
5)：Wj与Wn进行匹配。
6)：若Wj与任一一个Wn匹配则检测结果显示第二肩顶吻合。若Wj不与任一一个Wn匹配则检测结果显示第二肩顶不吻合。
通过将实时检测特诊与以往任意检测特诊做匹配，能够快速有效地对行人进行识别。
在本实施例中：所述S9中具体确定过程为：
(1)：将肩峰、第一肩顶、第二肩顶三项均吻合的结果标记为三级匹配。
(2)：将肩峰、第一肩顶、第二肩顶三项中任意两项吻合的结果标记为二级匹配。
(3)：将肩峰、第一肩顶、第二肩顶三项中任意一项吻合的结果标记为一级匹配。
(4)：三级匹配的确认度最高，二级匹配的确认度次之，一级匹配的确认度最低。
工作人员可以根据确认度的高低优先查看确认度最高的行人，减少辨别时间。
作为本发明再进一步的方案：所述S7中Pj、Qj、Wj的具体求取过程为：
SS1：将a的坐标在构建的三维空间坐标系中标记为(Xaj、Yaj、Zaj)。
SS2：将b的坐标在构建的三维空间坐标系中标记为(Xbj、Ybj、Zbj)。
SS3：将c的坐标在构建的三维空间坐标系中标记为(Xcj、Ycj、Zcj)。
SS1：求取Pj＝|Zbj—Zcj|。
SS1：求取Qj＝|Ybj—Yaj|。
SS1：求取Wj＝|Ycj—Yaj|。
通过实时求取的Pj、Qj、Wj，快速有效地得知行人匹配结果，进而对行人进行快速再识别。
在本实施例中：所述构建三维空间坐标系时以行人双脚之间的中点为原点，并以行人前进方向为Y轴。该设置工作人员更加直观的看清行人身上三个特征点的相对位置，也方便后期求取相对数值。
本发明将待识别行人的头顶、两侧肩峰分别标记为A、B、C，并建立三维空间坐标系确定A、B、C空间坐标。通过A、B、C空间坐标求取B与C之间在Z轴上的差值，进而确定该待识别行人的高低肩情况。通过A、B、C空间坐标求取B与A之间在Y轴上的差值以及C与A之间在Y轴上的差值，进而确定该待识别行人的驼背情况。最后根据待识别行人的驼背情况与高低肩情况确定行人的走路姿势，通过匹配行人走路时头顶以及两侧肩峰的相对位置来快速再识别行人。此外，将匹配结果分成三个等级能够帮助工作人员快速查看确认度最高的行人，节省时间。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种快速行人再识别方法，其特征在于，包括以下步骤：
S1：检测出所有指定视频帧中的待识别行人；
S2：在所有指定视频帧中分别构建三维空间坐标系；
S3：获取待识别行人的特征点在三维空间坐标系中的坐标；
S31：将待识别行人的头顶标记为A，则在所有指定视频帧中A的坐标分别为(Xa1、Ya1、Za1)、(Xa2、Ya2、Za2)、…、(Xan、Yan、Zan)，其中n为正整数；
S31：将待识别行人的一侧肩峰标记为B，则在所有指定视频帧中B的坐标分别为(Xb1、Yb1、Zb1)、(Xb2、Yb2、Zb2)、…、(Xbn、Ybn、Zbn)，其中n为正整数；
S31：将待识别行人的另一侧肩峰标记为C，则在所有指定视频帧中C的坐标分别为(Xc1、Yc1、Zc1)、(Xc2、Yc2、Zc2)、…、(Xcn、Ycn、Zcn)，其中n为正整数；
S4：根据S3中所有指定视频帧的A、B、C坐标，求取B与C之间在Z轴上的差值Pn＝|Zbn—Zcn|，其中n为正整数；
S5：根据S3中所有指定视频帧的A、B、C坐标，求取B与A之间在Y轴上的差值Qn＝|Ybn—Yan|，其中n为正整数；
S6：根据S3中所有指定视频帧的A、B、C坐标，求取C与A之间在Y轴上的差值Wn＝|Ycn—Yan|，其中n为正整数；
S7：在待检测视频帧中构建三维空间坐标系，并将每个行人的头顶标记为a、一侧肩峰标记为b、另一侧肩峰标记为c，求取b与c之间在Z轴上的差值Pj、b与a之间在Y轴上的差值Qj、c与a之间在Y轴上的差值Wj；
S8：将Pj与Pn进行匹配、Qj与Qn进行匹配、Wj与Wn进行匹配；
S9：根据匹配结果确认待检测视频帧中的待识别行人。
2.根据权利要求1所述的一种快速行人再识别方法，其特征在于，所述指定视频帧为以待识别行人出现在视频中的时间为起始时间，每隔2S抽取一帧图像，直至待识别行人离开视频。
3.根据权利要求1所述的一种快速行人再识别方法，其特征在于，所述S8中的具体匹配过程为：
1)：将Pj与Pn进行匹配；
2)：若Pj与任一一个Pn匹配则检测结果显示肩峰吻合；若Pj不与任一一个Pn匹配则检测结果显示肩峰不吻合；
3)：将Qj与Qn进行匹配；
4)：若Qj与任一一个Qn匹配则检测结果显示第一肩顶吻合；若Qj不与任一一个Qn匹配则检测结果显示第一肩顶不吻合；
5)：Wj与Wn进行匹配；
6)：若Wj与任一一个Wn匹配则检测结果显示第二肩顶吻合；若Wj不与任一一个Wn匹配则检测结果显示第二肩顶不吻合。
4.根据权利要求3所述的一种快速行人再识别方法，其特征在于，所述S9中具体确定过程为：
(1)：将肩峰、第一肩顶、第二肩顶三项均吻合的结果标记为三级匹配；
(2)：将肩峰、第一肩顶、第二肩顶三项中任意两项吻合的结果标记为二级匹配；
(3)：将肩峰、第一肩顶、第二肩顶三项中任意一项吻合的结果标记为一级匹配；
(4)：三级匹配的确认度最高，二级匹配的确认度次之，一级匹配的确认度最低。
5.根据权利要求1所述的一种快速行人再识别方法，其特征在于，所述S7中Pj、Qj、Wj的具体求取过程为：
SS1：将a的坐标在构建的三维空间坐标系中标记为(Xaj、Yaj、Zaj)；
SS2：将b的坐标在构建的三维空间坐标系中标记为(Xbj、Ybj、Zbj)；
SS3：将c的坐标在构建的三维空间坐标系中标记为(Xcj、Ycj、Zcj)；
SS1：求取Pj＝|Zbj—Zcj|；
SS1：求取Qj＝|Ybj—Yaj|；
SS1：求取Wj＝|Ycj—Yaj|。
6.根据权利要求1所述的一种快速行人再识别方法，其特征在于，所述构建三维空间坐标系时以行人双脚之间的中点为原点，并以行人前进方向为Y轴。
CN202110537719.9A 2021-05-18 2021-05-18 一种快速行人再识别方法 Active CN113221764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110537719.9A CN113221764B (zh) 2021-05-18 2021-05-18 一种快速行人再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110537719.9A CN113221764B (zh) 2021-05-18 2021-05-18 一种快速行人再识别方法

Publications (2)

Publication Number Publication Date
CN113221764A true CN113221764A (zh) 2021-08-06
CN113221764B CN113221764B (zh) 2023-04-28

Family

ID=77092587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110537719.9A Active CN113221764B (zh) 2021-05-18 2021-05-18 一种快速行人再识别方法

Country Status (1)

Country Link
CN (1) CN113221764B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060177097A1 (en) * 2002-06-14 2006-08-10 Kikuo Fujimura Pedestrian detection and tracking with night vision
CN101777114A (zh) * 2009-01-08 2010-07-14 北京中星微电子有限公司 视频监控智能分析系统和方法及头肩检测跟踪系统和方法
CN103049758A (zh) * 2012-12-10 2013-04-17 北京工业大学 融合步态光流图和头肩均值形状的远距离身份验证方法
CN103310194A (zh) * 2013-06-07 2013-09-18 太原理工大学 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN105518744A (zh) * 2015-06-29 2016-04-20 北京旷视科技有限公司 行人再识别方法及设备
CN107368790A (zh) * 2017-06-27 2017-11-21 上海汇纳信息科技股份有限公司 行人检测方法、系统、计算机可读存储介质及电子设备
CN109359625A (zh) * 2018-11-16 2019-02-19 南京甄视智能科技有限公司 基于头肩检测和人脸识别技术判断顾客身份的方法和系统
CN109448026A (zh) * 2018-11-16 2019-03-08 南京甄视智能科技有限公司 基于头肩检测的客流统计方法和系统
CN112307886A (zh) * 2020-08-25 2021-02-02 北京京东尚科信息技术有限公司 行人重识别方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060177097A1 (en) * 2002-06-14 2006-08-10 Kikuo Fujimura Pedestrian detection and tracking with night vision
CN101777114A (zh) * 2009-01-08 2010-07-14 北京中星微电子有限公司 视频监控智能分析系统和方法及头肩检测跟踪系统和方法
CN103049758A (zh) * 2012-12-10 2013-04-17 北京工业大学 融合步态光流图和头肩均值形状的远距离身份验证方法
CN103310194A (zh) * 2013-06-07 2013-09-18 太原理工大学 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN105518744A (zh) * 2015-06-29 2016-04-20 北京旷视科技有限公司 行人再识别方法及设备
CN107368790A (zh) * 2017-06-27 2017-11-21 上海汇纳信息科技股份有限公司 行人检测方法、系统、计算机可读存储介质及电子设备
CN109359625A (zh) * 2018-11-16 2019-02-19 南京甄视智能科技有限公司 基于头肩检测和人脸识别技术判断顾客身份的方法和系统
CN109448026A (zh) * 2018-11-16 2019-03-08 南京甄视智能科技有限公司 基于头肩检测的客流统计方法和系统
CN112307886A (zh) * 2020-08-25 2021-02-02 北京京东尚科信息技术有限公司 行人重识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘少华等: "《一种单目视频下的人体量测参数计算方法》", 《海军工程大学学报》 *

Also Published As

Publication number Publication date
CN113221764B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN107392964B (zh) 基于室内特征点和结构线结合的室内slam方法
CN104794451B (zh) 基于分块匹配结构的行人比对方法
CN108319973B (zh) 一种树上柑橘果实检测方法
CN107993258B (zh) 一种图像配准方法及装置
CN106355577B (zh) 基于特征状态与全局一致性的快速图像匹配方法及系统
CN110223296A (zh) 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统
CN110443137B (zh) 多维度身份信息识别方法、装置、计算机设备及存储介质
CN104751465A (zh) 一种基于lk光流约束的orb图像特征配准方法
CN103093191A (zh) 一种三维点云数据结合数字影像数据的物体识别方法
CN101833762B (zh) 基于对象间粗大边缘和拟合的异源图像匹配的方法
CN104077605A (zh) 一种基于颜色拓扑结构的行人搜索识别方法
CN103853794B (zh) 一种基于部件关联的行人检索方法
Galiyawala et al. Person retrieval in surveillance video using height, color and gender
Labati et al. Weight estimation from frame sequences using computational intelligence techniques
WO2023236886A1 (zh) 一种基于密集光流法的云遮挡预测方法
CN103913166A (zh) 一种基于能量分布的星点提取方法
CN110222661A (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN110222735A (zh) 一种基于神经网络与背景建模的物品被盗遗留识别方法
CN109271927A (zh) 一种空基多平台的协同监视方法
CN105654479A (zh) 多光谱图像配准方法和装置
CN106023096B (zh) 消除边缘锯齿化影响的图像匹配方法
CN113221764A (zh) 一种快速行人再识别方法
Li et al. Detecting and tracking human faces in videos
Yang A moving objects detection algorithm in video sequence
CN106504251B (zh) 一种基于图片处理的电子铝箔立方织构含量检测方法

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
CB02 Change of applicant information

Address after: 241000 No. 8 Beijing Middle Road, Jiujiang District, Wuhu City, Anhui Province

Applicant after: ANHUI POLYTECHNIC University

Address before: 241000 No.8, Beijing Middle Road, Jinghu District, Wuhu City, Anhui Province

Applicant before: ANHUI POLYTECHNIC University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant