CN113743387B - 视频行人重识别方法、装置、电子设备及可读存储介质 - Google Patents
视频行人重识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113743387B CN113743387B CN202111308197.1A CN202111308197A CN113743387B CN 113743387 B CN113743387 B CN 113743387B CN 202111308197 A CN202111308197 A CN 202111308197A CN 113743387 B CN113743387 B CN 113743387B
- Authority
- CN
- China
- Prior art keywords
- sequence
- pedestrian
- target
- processed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims description 44
- 230000004044 response Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006835 compression Effects 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 20
- 239000012634 fragment Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 36
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种视频行人重识别方法、装置、电子设备及计算机可读存储介质,用于克服因场景变化带来的目标特性跨域差异,提高行人重识别准确率。该方法包括:获取待处理行人序列,并使用每个图像帧的相关滤波器,从待处理行人序列中选取多个具有强判别信息的目标序列片段;提取各个目标序列片段的特征,并依此得到待处理行人序列的特征;基于各片段的特征计算待处理行人序列和参考行人序列之间的距离向量,并根据各个距离向量,获得待处理行人序列的差异性描述子;分别计算待处理行人序列的特征、差异性描述子和检索库中各个目标行人序列的特征、差异性描述子之间的相似度,并根据这两种相似度得到最终的相似度,从而得到行人重识别结果。
Description
技术领域
本申请属于计算机视觉技术领域,尤其涉及一种视频行人重识别方法、装置、电子设备及计算机可读存储介质。
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视频序列中是否存在特定行人的技术。其可与行人检测、行人跟踪技术相结合,广泛应用于智能视频监控、智能安保等领域。
目前,现有的行人重识别方法在对视频序列上的目标图像构建特征表达时,往往聚焦于目标在单摄像头下的自身特性上,无法有效克服因场景变化带来的目标特性跨域差异。另外,还同等地看待行人序列的所有图像帧,忽略各个图像帧之间的差异,低质量的图像帧会引入噪声,影响行人重识别准确率。
发明内容
本申请实施例提供了一种视频行人重识别方法、装置、电子设备及计算机可读存储介质,可以有效克服因场景变化带来的目标特性跨域差异,提高行人重识别准确率。
第一方面,本申请实施例提供了一种视频行人重识别方法,包括:
获取待处理行人序列,待处理行人序列包括至少一个图像帧;
针对每个图像帧,训练得到图像帧的相关滤波器后,使用相关滤波器分别作用于各个图像帧,获得各个图像帧对应的相关响应图,并根据各个相关响应图,计算图像帧的质量分值;
基于每个图像帧的质量分值,生成待处理行人序列的图像质量分布曲线;
在图像质量分布曲线上选取目标峰值点,并选取每个目标峰值点对应的目标序列片段,目标峰值点为质量分值大于预设阈值的峰值点,目标序列片段包括目标峰值点对应的图像帧和目标峰值点的邻域对应的图像帧;
提取各个目标序列片段的特征,并根据各个目标序列片段的特征得到待处理行人序列的特征;
针对参考集中每个参考行人序列,基于各个目标序列片段的特征,计算各个目标序列片段与参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到待处理行人序列和参考行人序列之间的距离向量;
根据各个距离向量,构建待处理行人序列的差异性矩阵,并将差异性矩阵输入预先构建的压缩网络,获得压缩网络输出的待处理行人序列的差异性描述子;
计算待处理行人序列的特征和预存储的各个目标行人序列的特征之间的第一相似度,计算待处理行人序列的差异性描述子和各个目标行人序列的差异性描述子之间的第二相似度,并根据第一相似度和第二相似度,得到行人重识别结果。
由上可见,本申请实施例先通过相关滤波器,评估每个图像帧的质量分值,其中,质量分值越高,该图像帧的时域稳定性就越高;再基于图像质量分布曲线和预设阈值,选取出质量较高、具有强判别力信息的目标序列片段;最后根据选取出的目标序列片段进行特征计算,这样可以避免使用低质量的图像帧,降低噪声影响,提高了行人重识别的准确率。另外,通过构建待处理行人序列的差异性描述子,以通过差异性描述子来表征行人序列,有效地克服因场景变化带来的目标特性跨域差异。
在第一方面的一些可能的实现方式中,根据各个相关响应图,计算图像帧的质量分值,包括:
在第一方面的一些可能的实现方式中,每个图像帧的相关滤波器的训练过程,包括:
对图像帧进行循环采样,获得图像帧对应的训练样本;
通过高斯函数给每个训练样本赋予标签;
根据训练样本和标签,训练图像帧的相关滤波器,得到训练完成的相关滤波器。
在第一方面的一些可能的实现方式中,提取各个目标序列片段的特征,并根据各个目标序列片段的特征得到待处理行人序列的特征,包括:
针对每个目标序列片段,使用预先训练完成的深度神经网络提取各个目标序列片段中各个图像帧的深度特征后,将目标序列片段中所有图像帧的深度特征进行平均池化,得到目标序列片段的特征;
将各个目标序列片段的特征进行平均池化,得到待处理行人序列的特征。
在第一方面的一些可能的实现方式中,在获取待处理行人序列之前,还包括:
获取目标数据集;
将目标数据集划分成测试集和训练集,并从训练集中提取部分数据作为参考集;
使用训练集对深度神经网络模型进行训练,获得训练完成的深度神经网络模型。
在第一方面的一些可能的实现方式中,基于各个目标序列片段的特征,计算各个目标序列片段与参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到待处理行人序列和参考行人序列之间的距离向量,包括:
其中,待处理行人序列包括M个目标序列片段,表示目标行人序列中的第i个目标序列片段的特征;参考行人序列包括N个序列片段,表示参考行人序列中的第j个序列片段的特征;表示序列片段和序列片段之间的片段距离向量。
在第一方面的一些可能的实现方式中,根据各个距离向量,构建待处理行人序列的差异性矩阵,包括:
在第一方面的一些可能的实现方式中,根据第一距离矩阵和第二距离矩阵,得到行人重识别结果,包括:将第一相似度和第二相似度进行线性加权,获得最终相似度,以得到行人重识别结果。
第二方面,本申请实施例提供了一种视频行人重识别装置,包括:
获取模块,用于获取待处理行人序列,待处理行人序列包括至少一个图像帧;
图像质量分值计算模块,用于针对每个图像帧,训练得到图像帧的相关滤波器后,使用相关滤波器分别作用于各个图像帧,获得各个图像帧对应的相关响应图,并根据各个相关响应图,计算图像帧的质量分值;
图像质量分布曲线生成模块,用于基于每个图像帧的质量分值,生成待处理行人序列的图像质量分布曲线;
序列片段选取模块,用于在图像质量分布曲线上选取目标峰值点,并选取每个目标峰值点对应的目标序列片段,目标峰值点为质量分值大于预设阈值的峰值点,目标序列片段包括目标峰值点对应的图像帧和目标峰值点的邻域对应的图像帧;
特征提取模块,用于提取各个目标序列片段的特征,并根据各个目标序列片段的特征得到待处理行人序列的特征;
序列距离向量计算模块,用于针对参考集中每个参考行人序列,基于各个目标序列片段的特征,计算各个目标序列片段与参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到待处理行人序列和参考行人序列之间的距离向量;
差异性描述子构建模块,用于根据各个距离向量,构建待处理行人序列的差异性矩阵,并将差异性矩阵输入预先构建的压缩网络,获得压缩网络输出的待处理行人序列的差异性描述子;
距离计算模块,用于计算待处理行人序列的特征和预存储的各个目标行人序列的特征之间的第一相似度,计算待处理行人序列的差异性描述子和各个目标行人序列的差异性描述子之间的第二相似度,并根据第一相似度和第二相似度,得到行人重识别结果。
在第二方面的一些可能的实现方式中,图像质量分值计算模块具体用于:
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面任一项的方法。
第四方面,本申请实施例一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面任一项的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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为本申请实施例提供的视频行人重识别方法的一种流程示意图;
图2为本申请实施例提供的强判别帧选取过程的示意图;
图3为本申请实施例提供的差异性描述子生成过程的流程示意框图;
图4为本申请实施例提供的视频行人重识别装置的结构框图;
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的视频行人重识别方法可以应用于监控设备等电子设备上,例如,应用于视频分析一体机。本申请实施例对电子设备的具体类型不作任何限制。示例性地,在监控场景下,通过本申请实施例的视频行人重识别方法,实现监控场景下的行人重识别。
请参见图1,为本申请实施例提供的视频行人重识别方法的一种流程示意图,该方法可以包括以下步骤:
步骤S101、获取待处理行人序列,待处理行人序列包括至少一个图像帧。
可以理解的是,待处理行人序列是指同一个行人的图像序列,其可以通过目标检测器和目标跟踪器从视频序列中自动获取。
示例性地,通过目标检测器和目标跟踪器,采用矩形框框选视频序列每帧中的行人,得到各帧中的行人框,这些行人框可以组成上述待处理行人序列。
步骤S102、针对每个图像帧,训练得到图像帧的相关滤波器后,使用相关滤波器分别作用于各个图像帧,获得各个图像帧对应的相关响应图,并根据各个相关响应图,计算图像帧的质量分值。
在一些实施例中,每个图像帧对应的相关滤波器的训练过程可以如下:
首先,对图像帧进行循环采样,获得图像帧对应的训练样本。
最后,根据训练样本和标签,训练图像帧的相关滤波器,得到训练完成的相关滤波器。
上式(1)的最优化问题可以在对偶空间中转换到傅里叶变换域中进行求解,计算方式如下:
在训练得到每个图像帧的相关滤波器之后,则使用每个图像帧的相关滤波器分别作用于待处理行人序列中的所有图像帧,获得相关响应图。
例如,待处理行人序列中包括T张图像帧,对应地,一共有T个相关滤波器。针对第t帧,使用第t帧对应的相关滤波器分别作用于除第t帧之外的所有图像帧,得到T-1个相关响应图;还可以使用第t帧对应的相关滤波器作用于第t帧,但得到的相关响应图为1。
在本申请实施例中,利用相关响应R来衡量行人图像之间的相关性。如果一个图像帧与序列的大多数帧都高度相关,那么该图像帧就具有很高的时域稳定性,即该图像帧是高质量的帧。
对于待处理行人序列中的每一个图像帧,均进行上述过程,即可得到待处理行人序列中每一个图像帧的质量分值。
为了更好地介绍图像帧的质量分值计算过程,下面结合图2示出的强判别帧选取过程的示意图进行介绍。
如图2所示,对于待处理行人序列中的第t帧,先基于第t帧图像训练该帧图像对应的相关滤波器,训练过程在此不再赘述;相关滤波器训练完成后,使用第t帧的相关滤波器作用于其他帧,得到其他帧中每一帧的相关响应图;基于相关响应图,计算得到第t帧的质量分值为:。
步骤S103、基于每个图像帧的质量分值,生成待处理行人序列的图像质量分布曲线。
具体应用中,在计算出待处理行人序列中每个图像帧的质量分值之后,可以生成图像质量分布曲线。
步骤S104、在图像质量分布曲线上选取目标峰值点,并选取每个目标峰值点对应的目标序列片段,目标峰值点为质量分值大于预设阈值的峰值点,目标序列片段包括目标峰值点对应的图像帧和目标峰值点的邻域对应的图像帧。
具体应用中,在生成图像质量分布曲线之后,利用预设阈值的方式选取多个可信的目标峰值点。图像质量分布曲线有很多个峰值点,当某个峰值点的质量分值大于预设阈值,则可以认为该峰值点为目标峰值点,即该峰值点对应的图像帧为具有强判别性的帧。
考虑到行人运动的连续性,通过“查询扩展”方式,围绕每个目标峰值点均选取出K帧作为目标序列片段,该目标序列片段具备强判别性。
其中,是预定义的常数,用于选择目标峰值点。是指以目标峰值点为基础,往右的第K帧和往左的第K帧。具体选择数量可以根据目标序列片段的帧数量决定。例如,目标序列片段一共包括5帧,此时除了包括目标峰值点处的图像帧,还包括在目标峰值点的左边选择的两帧,以及在目标峰值点的右边选择的两帧,分别为第k-1帧、第k-2帧、第k+1帧以及第k+2帧。也即,目标序列片段包括第k-2帧、第k-1帧、第k帧、第k+1帧以及第k+2帧。同理,如果目标序列片段一共包括3帧,则分别为第k-1帧、第k帧以及第k+1帧。
需要说明的是,上述目标峰值点的邻域是指以目标峰值点为基础的局部范围区域,其由目标序列片段的帧数量决定。例如,当目标序列片段一共包括3帧,则目标峰值点的领域对应的图像帧包括第k-1帧和第k+1帧。
示例性地,如图2所示,图像质量分布曲线中圆圈圈出的范围包括目标峰值点以及目标峰值点的领域,即目标序列片段。
值得指出的是,本申请实施例通过相关滤波器的相关响应图,计算每个图像帧的质量分值,再基于质量分值选取出目标序列片段,选取的图像帧的质量较高,避免了引入低质量的图像帧,降低了噪声的影响,提高了行人重识别的准确率。
步骤S105、提取各个目标序列片段的特征,并根据各个目标序列片段的特征得到待处理行人序列的特征。
在一些实施例中,针对每个目标序列片段,使用预先训练完成的深度神经网络提取各个目标序列片段中各个图像帧的深度特征,所提取的深度特征为图片级深度特征;然后再将目标序列片段中所有图像帧的深度特征进行平均池化,得到目标序列片段的特征。
示例性地,上述深度神经网络模型为深度残差网络ResNet50,该网络选取三元损失函数来训练特征提取网络。
在得到各个目标序列片段的特征之后,可以将各个目标序列片段的特征进行平均池化,得到待处理行人序列的特征。
步骤S106、针对参考集中每个参考行人序列,基于各个目标序列片段的特征,计算各个目标序列片段与参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到待处理行人序列和参考行人序列之间的距离向量。
需要说明的是,参考集是预先构建的,其可以包括多个参考行人序列。
针对每个参考行人序列,使用强判别帧选取方式从参考行人序列中选取具备强判别信息的序列片段。选取过程类似目标序列片段的选取过程,具体请参考上述步骤S102~步骤S104,在此不再赘述。另外,从参考行人序列中选取具有强判别信息的序列片段后,可以使用训练好的深度残差网络提取各个序列片段的特征。
针对待处理行人序列,在选取出目标序列片段之后,基于提取出的目标序列片段的特征,计算每个目标序列片段和参考行人序列中对应的序列片段之间的片段距离向量。其中,对应每个目标序列片段,参考行人序列中有其对应的一个序列片段,计算该目标序列片段和该对应的序列片段之间的片段距离向量。
得到各个片段距离向量之后,可以通过线性加权的方式计算待处理行人序列和各个参考行人序列之间的距离向量。
其中,待处理行人序列包括M个目标序列片段,表示目标行人序列中的第i个目标序列片段的特征;参考行人序列包括N个序列片段,表示参考行人序列中的第j个序列片段的特征;表示序列片段和序列片段之间的片段距离向量,即将两个序列片段的特征进行相减,得到片段距离向量。
步骤S107、根据各个距离向量,构建待处理行人序列的差异性矩阵,并将差异性矩阵输入预先构建的压缩网络,获得压缩网络输出的待处理行人序列的差异性描述子。
步骤S108、计算待处理行人序列的特征和预存储的各个目标行人序列的特征之间的第一相似度,计算待处理行人序列的差异性描述子和各个目标行人序列的差异性描述子之间的第二相似度,并根据第一相似度和第二相似度,得到行人重识别结果。
具体应用中,在获得待处理行人序列的特征和差异性描述子之后,采用距离度量方法,计算待处理行人序列的特征和数据库中预先存储的各个目标行人序列的特征之间的第一相似度,以及计算待处理行人序列的差异性描述子和各个目标行人序列的差异性描述子之间的第二相似度。距离度量方法可以是现有任意的方法,例如,交叉视角的二次判别分析法(Cross-view Quadratic Discriminant Analysis,XQDA)方法。
目标行人序列的特征是预先提取的。示例性地,使用强判别帧选取方式,从目标行人序列中提取出具有强判别信息的序列片段,再使用训练完成的深度神经网络提取各个序列片段的特征,最后基于各个序列片段的特征得到整个序列的特征。该过程与待处理行人序列的特征提取过程类似。
目标行人序列的差异性描述子是预先构建的,具体构建过程与待处理行人序列的差异性描述子构建过程类似。
在获得第一相似度和第二相似度之后,将这两个相似度进行线性加权融合,以得到最终的相似度。该最终的相似度可以描述待处理行人序列和各个目标行人序列之间的相似度,进而得到行人重识别结果。
由上可见,本申请实施例基于每个图像帧的质量分值,选取出质量较高、具有强判别力信息的目标序列片段;再根据选取出的目标序列片段进行特征计算,这样可以避免使用低质量的图像帧,降低噪声影响,提高了行人重识别的准确率。另外,通过构建待处理行人序列的差异性描述子,以通过差异性描述子来表征行人序列,有效地克服因场景变化带来的目标特性跨域差异。
基于上述实施例,参见图3示出的差异性描述子生成过程的流程示意框图,在上述获取待处理行人序列之前,该方法还可以包括以下步骤:
步骤S301、获取目标数据集。
步骤S302、将目标数据集划分成测试集和训练集,并从训练集中提取部分数据作为参考集。
步骤S303、使用训练集对深度神经网络模型进行训练,获得训练完成的深度神经网络模型。
步骤S304、针对测试集中的每个目标行人序列,计算目标行人序列和参考集中各个参考行人序列之间的距离向量,并根据各个距离向量,构建目标行人序列的差异性矩阵。
其中,目标行人序列包括M个序列片段,表示目标行人序列中的第i个序列片段;参考行人序列包括N个序列片段,表示参考行人序列中的第j个序列片段;表示序列片段和序列片段之间的片段距离向量,其用于表征任意两个行人序列的两个序列片段之间的距离。即在获得片段距离向量之后,再对各个片段距离向量进行线性加权,得到目标行人序列和参考行人序列之间的距离向量。
需要说明的是,目标行人序列中的序列片段和参考行人序列中的序列片段均是基于图像质量分值选取出的质量较高、具有强判别信息的片段,具体选取过程可以参见上述步骤S102~步骤S104,在此不再赘述。
上述待处理行人序列和各个参考行人序列之间的差异性矩阵构建过程,与目标行人序列和各个参考行人序列之间的差异性构建过程类似,此处的公式也可用于计算待处理行人序列和各个参考行人序列之间的差异性矩阵。
步骤S305、将各个目标行人序列的差异性矩阵输入预先构建的压缩网络,获得压缩网络输出的目标行人序列的差异性描述子。
示例性地,采用由5个核大小为1x1的卷积层构建压缩网络。该压缩网络架构参数可以如下表1所示。
表1
其中,In.ch表示输入通道的数量,Out.ch表示输出通道的数量。B.N(Y/N)表示是否启动BN(Batch Normalization)层,ReLU(Y/N)表示是否启动ReLU层。
由上可见,本申请实施例通过生成目标行人序列的差异性描述子,有效地克服因场景变化带来的目标特性跨域差异。
应当理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的行人重识别方法,图4示出了本申请实施例提供的视频行人重识别装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图4,该装置包括:
获取模块41,用于获取待处理行人序列,待处理行人序列包括至少一个图像帧;
图像质量分值计算模块42,用于针对每个图像帧,训练得到图像帧的相关滤波器后,使用相关滤波器分别作用于各个图像帧,获得各个图像帧对应的相关响应图,并根据各个相关响应图,计算图像帧的质量分值;
图像质量分布曲线生成模块43,用于基于每个图像帧的质量分值,生成待处理行人序列的图像质量分布曲线;
序列片段选取模块44,用于在图像质量分布曲线上选取目标峰值点,并选取每个目标峰值点对应的目标序列片段,目标峰值点为质量分值大于预设阈值的峰值点,目标序列片段包括目标峰值点对应的图像帧和目标峰值点的邻域对应的图像帧;
特征提取模块45,用于提取各个目标序列片段的特征,并根据各个目标序列片段的特征得到待处理行人序列的特征;
序列距离向量计算模块46,用于针对参考集中每个参考行人序列,基于各个目标序列片段的特征,计算各个目标序列片段与参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到待处理行人序列和参考行人序列之间的距离向量;
差异性描述子构建模块47,用于根据各个距离向量,构建待处理行人序列的差异性矩阵,并将差异性矩阵输入预先构建的压缩网络,获得压缩网络输出的待处理行人序列的差异性描述子;
距离计算模块48,用于计算待处理行人序列的特征和预存储的各个目标行人序列的特征之间的第一相似度,计算待处理行人序列的差异性描述子和各个目标行人序列的差异性描述子之间的第二相似度,并根据第一相似度和第二相似度,得到行人重识别结果。
在一些可能的实现方式中,上述图像质量分值计算模块具体用于:对图像帧进行循环采样,获得图像帧对应的训练样本;通过高斯函数给每个训练样本赋予标签;根据训练样本和标签,训练图像帧的相关滤波器,得到训练完成的相关滤波器。
在一些可能的实现方式中,上述特征提取模块具体用于:针对每个目标序列片段,使用预先训练完成的深度神经网络提取各个目标序列片段中各个图像帧的深度特征后,将目标序列片段中所有图像帧的深度特征进行平均池化,得到目标序列片段的特征;将各个目标序列片段的特征进行平均池化,得到待处理行人序列的特征。
在一些可能的实现方式中,上述装置还包括:
数据集获取模块,用于获取目标数据集;将目标数据集划分成测试集和训练集,并从训练集中提取部分数据作为参考集;
模型训练模块,用于使用训练集对深度神经网络模型进行训练,获得训练完成的深度神经网络模型;
差异性描述子生成模块,用于针对测试集中的每个目标行人序列,计算目标行人序列和参考集中各个参考行人序列之间的距离向量,并根据各个距离向量,构建目标行人序列的差异性矩阵;将各个目标行人序列的差异性矩阵输入预先构建的压缩网络,获得压缩网络输出的目标行人序列的差异性描述子。
其中,待处理行人序列包括M个目标序列片段,表示目标行人序列中的第i个目标序列片段的特征;参考行人序列包括N个序列片段,表示参考行人序列中的第j个序列片段的特征;表示序列片段和序列片段之间的片段距离向量。
在一些可能的实现方式中,差异性描述子构建模块具体用于:
在一些可能的实现方式中,距离计算模块具体用于:将所述第一相似度和所述第二相似度进行线性加权,获得最终相似度,以得到所述行人重识别结果。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请实施例方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本申请一实施例提供的电子设备的结构示意图。如图5所示,该实施例的电子设备5包括:至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52,所述处理器50执行所述计算机程序52时实现上述任意各个行人重识别方法实施例中的步骤。
所述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是电子设备5的举例,并不构成对电子设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),该处理器50还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述电子设备5的内部存储单元,例如电子设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述电子设备5的外部存储设备,例如所述电子设备5上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种电子设备,该电子设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置、电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种视频行人重识别方法,其特征在于,包括:
获取待处理行人序列,所述待处理行人序列包括至少一个图像帧;
针对每个所述图像帧,训练得到所述图像帧的相关滤波器后,使用所述相关滤波器分别作用于各个所述图像帧,获得各个所述图像帧对应的相关响应图,并根据各个所述相关响应图,计算所述图像帧的质量分值;
基于每个所述图像帧的质量分值,生成所述待处理行人序列的图像质量分布曲线;
在图像质量分布曲线上选取目标峰值点,并选取每个所述目标峰值点对应的目标序列片段,所述目标峰值点为质量分值大于预设阈值的峰值点,所述目标序列片段包括所述目标峰值点对应的图像帧和所述目标峰值点的邻域对应的图像帧;
提取各个所述目标序列片段的特征,并根据各个所述目标序列片段的特征得到所述待处理行人序列的特征;
针对参考集中每个参考行人序列,基于各个所述目标序列片段的特征,计算各个所述目标序列片段与所述参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到所述待处理行人序列和所述参考行人序列之间的距离向量;
根据各个所述距离向量,构建所述待处理行人序列的差异性矩阵,并将所述差异性矩阵输入预先构建的压缩网络,获得所述压缩网络输出的所述待处理行人序列的差异性描述子;
计算所述待处理行人序列的特征和预存储的各个目标行人序列的特征之间的第一相似度,计算所述待处理行人序列的差异性描述子和各个所述目标行人序列的差异性描述子之间的第二相似度,并根据所述第一相似度和所述第二相似度,得到行人重识别结果;
其中,根据各个所述相关响应图,计算所述图像帧的质量分值,包括:
2.如权利要求1所述的方法,其特征在于,每个所述图像帧的相关滤波器的训练过程,包括:
对所述图像帧进行循环采样,获得所述图像帧对应的训练样本;
通过高斯函数给每个训练样本赋予标签;
根据所述训练样本和所述标签,训练所述图像帧的相关滤波器,得到训练完成的所述相关滤波器。
3.如权利要求1所述的方法,其特征在于,提取各个所述目标序列片段的特征,并根据各个所述目标序列片段的特征得到所述待处理行人序列的特征,包括:
针对每个所述目标序列片段,使用预先训练完成的深度神经网络提取各个所述目标序列片段中各个图像帧的深度特征后,将所述目标序列片段中所有所述图像帧的深度特征进行平均池化,得到所述目标序列片段的特征;
将各个所述目标序列片段的特征进行平均池化,得到所述待处理行人序列的特征。
6.如权利要求1所述的方法,其特征在于,根据所述第一相似度和所述第二相似度,得到行人重识别结果,包括:
将所述第一相似度和所述第二相似度进行线性加权,获得最终相似度,以得到所述行人重识别结果。
7.一种视频行人重识别装置,其特征在于,包括:
获取模块,用于获取待处理行人序列,所述待处理行人序列包括至少一个图像帧;
图像质量分值计算模块,用于针对每个所述图像帧,训练得到所述图像帧的相关滤波器后,使用所述相关滤波器分别作用于各个所述图像帧,获得各个所述图像帧对应的相关响应图,并根据各个所述相关响应图,计算所述图像帧的质量分值;
图像质量分布曲线生成模块,用于基于每个所述图像帧的质量分值,生成所述待处理行人序列的图像质量分布曲线;
序列片段选取模块,用于在图像质量分布曲线上选取目标峰值点,并选取每个所述目标峰值点对应的目标序列片段,所述目标峰值点为质量分值大于预设阈值的峰值点,所述目标序列片段包括所述目标峰值点对应的图像帧和所述目标峰值点的邻域对应的图像帧;
特征提取模块,用于提取各个所述目标序列片段的特征,并根据各个所述目标序列片段的特征得到所述待处理行人序列的特征;
序列距离向量计算模块,用于针对参考集中每个参考行人序列,基于各个所述目标序列片段的特征,计算各个所述目标序列片段与所述参考行人序列的对应序列片段之间的片段距离向量后,将各个片段距离向量进行线性加权得到所述待处理行人序列和所述参考行人序列之间的距离向量;
差异性描述子构建模块,用于根据各个所述距离向量,构建所述待处理行人序列的差异性矩阵,并将所述差异性矩阵输入预先构建的压缩网络,获得所述压缩网络输出的所述待处理行人序列的差异性描述子;
距离计算模块,用于计算所述待处理行人序列的特征和预存储的各个目标行人序列的特征之间的第一相似度,计算所述待处理行人序列的差异性描述子和各个所述目标行人序列的差异性描述子之间的第二相似度,并根据所述第一相似度和所述第二相似度,得到行人重识别结果;
8.如权利要求7所述的装置,其特征在于,所述特征提取模块具体用于:针对每个所述目标序列片段,使用预先训练完成的深度神经网络提取各个所述目标序列片段中各个图像帧的深度特征后,将所述目标序列片段中所有所述图像帧的深度特征进行平均池化,得到所述目标序列片段的特征;
将各个所述目标序列片段的特征进行平均池化,得到所述待处理行人序列的特征。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111308197.1A CN113743387B (zh) | 2021-11-05 | 2021-11-05 | 视频行人重识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111308197.1A CN113743387B (zh) | 2021-11-05 | 2021-11-05 | 视频行人重识别方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743387A CN113743387A (zh) | 2021-12-03 |
CN113743387B true CN113743387B (zh) | 2022-03-22 |
Family
ID=78727509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111308197.1A Active CN113743387B (zh) | 2021-11-05 | 2021-11-05 | 视频行人重识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743387B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522874A (zh) * | 2018-12-11 | 2019-03-26 | 中国科学院深圳先进技术研究院 | 人体动作识别方法、装置、终端设备及存储介质 |
CN110457985A (zh) * | 2019-06-05 | 2019-11-15 | 深圳大学 | 基于视频序列的行人再识别方法、装置及计算机设备 |
CN111814690A (zh) * | 2020-07-09 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129192A1 (en) * | 2011-11-17 | 2013-05-23 | Sen Wang | Range map determination for a video frame |
CN105574505B (zh) * | 2015-12-16 | 2019-02-12 | 深圳大学 | 一种多摄像机间人体目标再识别的方法及系统 |
CN109151616B (zh) * | 2018-08-07 | 2020-09-08 | 石家庄铁道大学 | 视频关键帧提取方法 |
CN108921140A (zh) * | 2018-08-07 | 2018-11-30 | 安徽云森物联网科技有限公司 | 行人再识别方法 |
CN109271870B (zh) * | 2018-08-21 | 2023-12-26 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN109902565B (zh) * | 2019-01-21 | 2020-05-05 | 深圳市烨嘉为技术有限公司 | 多特征融合的人体行为识别方法 |
CN109919959B (zh) * | 2019-01-24 | 2023-01-20 | 天津大学 | 基于色彩、自然性及结构的色调映射图像质量评价方法 |
CN110232330B (zh) * | 2019-05-23 | 2020-11-06 | 复钧智能科技(苏州)有限公司 | 一种基于视频检测的行人重识别方法 |
CN112016353B (zh) * | 2019-05-30 | 2024-05-21 | 普天信息技术有限公司 | 一种基于视频的人脸图像进行身份识别方法及装置 |
US20200380290A1 (en) * | 2019-05-31 | 2020-12-03 | Apple Inc. | Machine learning-based prediction of precise perceptual video quality |
CN111192241B (zh) * | 2019-12-23 | 2024-02-13 | 深圳市优必选科技股份有限公司 | 一种人脸图像的质量评估方法、装置及计算机存储介质 |
CN111639601B (zh) * | 2020-05-31 | 2022-05-13 | 石家庄铁道大学 | 基于频域特征的视频关键帧提取方法 |
CN112037256A (zh) * | 2020-08-17 | 2020-12-04 | 中电科新型智慧城市研究院有限公司 | 目标跟踪方法、装置、终端设备及计算机可读存储介质 |
-
2021
- 2021-11-05 CN CN202111308197.1A patent/CN113743387B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522874A (zh) * | 2018-12-11 | 2019-03-26 | 中国科学院深圳先进技术研究院 | 人体动作识别方法、装置、终端设备及存储介质 |
CN110457985A (zh) * | 2019-06-05 | 2019-11-15 | 深圳大学 | 基于视频序列的行人再识别方法、装置及计算机设备 |
CN111814690A (zh) * | 2020-07-09 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113743387A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027378B (zh) | 行人重识别的方法、装置、终端及存储介质 | |
Tian et al. | A dual neural network for object detection in UAV images | |
CN111814655B (zh) | 目标重识别方法及其网络训练方法、相关装置 | |
CN110197209A (zh) | 一种基于多特征融合的辐射源识别方法 | |
US10007678B2 (en) | Image processing apparatus, image processing method, and recording medium | |
CN107368802B (zh) | 基于kcf和人脑记忆机制的运动目标跟踪方法 | |
AU2013204156B2 (en) | Classification apparatus and program | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN117292338B (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
CN112734809A (zh) | 基于Deep-Sort跟踪框架的在线多行人跟踪方法及装置 | |
Nizami et al. | No-reference image quality assessment using bag-of-features with feature selection | |
He et al. | Adaptive model update strategy for correlation filter trackers | |
Gundogdu et al. | Extending correlation filter-based visual tracking by tree-structured ensemble and spatial windowing | |
CN113158904B (zh) | 一种基于双掩膜模板更新的孪生网络目标跟踪方法及装置 | |
CN110633630B (zh) | 一种行为识别方法、装置及终端设备 | |
CN113743387B (zh) | 视频行人重识别方法、装置、电子设备及可读存储介质 | |
CN110263196B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
CN115050069A (zh) | 基于深度学习的人脸及属性识别方法、系统及计算机设备 | |
Sanin et al. | K-tangent spaces on Riemannian manifolds for improved pedestrian detection | |
CN114091519A (zh) | 一种基于多粒度遮挡感知的遮挡行人重识别方法 | |
Wang et al. | A fixed-point rotation-based feature selection method for micro-expression recognition | |
Zhang et al. | Unsupervised clustering for logo images using singular values region covariance matrices on Lie groups | |
Yang et al. | Kernel sparse coding method for automatic target recognition in infrared imagery using covariance descriptor | |
CN106372643B (zh) | 一种图像特征的提取方法及设备 |
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 |