CN113761987A - 一种行人重识别的方法、装置、计算机设备和存储介质 - Google Patents
一种行人重识别的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113761987A CN113761987A CN202010507615.9A CN202010507615A CN113761987A CN 113761987 A CN113761987 A CN 113761987A CN 202010507615 A CN202010507615 A CN 202010507615A CN 113761987 A CN113761987 A CN 113761987A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- abnormal
- human body
- mask
- 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 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000036544 posture Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 3
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种行人重识别方法、装置、计算机设备和存储介质。方法包括:采集首次进入监控场景的行人图像,对每个行人图像建立对应的行人身份,形成图像数据信息底库;追踪每个行人身份,实时采集异常行人图像,获取异常行人图像的实例掩膜;提取异常行人人体特征;将异常行人人体特征与图像数据信息底库中的每个行人图像的人体特征进行距离判定,完成匹配。本发明采用行人重识别技术辅助跟踪,利用了实例分割技术,对需要重识别的行人去除背景信息,提高行人重识别的准确率。
Description
技术领域
本申请涉及图像检索技术领域,特别是涉及一种行人重识别方法、装置、计算机设备和存储介质。
背景技术
随着人工智能的兴起,基于机器视觉的智能产业迅速发展。为了实现监控场景下精准高效的行人检测、跟踪和识别,采用俯拍式的摄像头覆盖进入场景的每一个行人的轨迹,利用跟踪技术实现监控场景下的多目标跟踪。但是多人进店的情形下容易出现遮挡的现象,使得跟踪技术失效,出现行人跟丢的现象。
发明内容
本发明旨在解决在监控场景下的行人跟踪问题。基于此,有必要针对上述技术问题,提供结合行人重识别技术,在因遮挡造成跟踪失效的场景下,启用行人重识别的技术实现跨摄像头的全场景跟踪一种行人重识别方法、装置、计算机设备和存储介质。
一种行人重识别方法,所述方法包括:
采集首次进入监控场景的行人图像,对每个所述行人图像建立对应的行人身份,形成图像数据信息底库;
追踪每个所述行人身份,实时采集异常行人图像,获取所述异常行人图像的实例掩膜;
提取异常行人人体特征;
将所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征进行距离判定,完成匹配。
在一个实施例中,使用图像分割算法,实现人体实例分割,获取所述异常行人图像的实例掩膜。
在一个实施例中,所述人体实例分割,包括:
对所述异常行人图像进行特征提取;
同时进行检测和分割,其中所述检测得到所述异常行人图像中实例的位置,所述分割得到所述异常行人图像中前背景系数的掩模;
通过所述实例的位置和前背景系数的掩模,得到所述实例掩模;
对所述实例掩模分别进行像素级前背景预测和类别预测,完成所述人体实例分割,输出人体实例分割。
在一个实施例中,通过对所述实例的位置和前背景系数的掩模进行线性运算得到所述实例掩模。
在一个实施例中,所述提取异常行人人体特征包括,采用深度学习方法提取所述人体实例分割的特征信息,所述特征信息至少包括姿态、动作、和/或服饰。
在一个实施例中,所述提取异常行人人体特征包括,利用[传统特征提取算子或卷积神经网络]颜色直方图提取所述人体实例分割的特征信息。
在一个实施例中,所述距离判定包括,
获取所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征;
计算进行所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征的相似度;
确定所述异常行人图像与所述行人图像之间的特征距离;
存在一个异常行人图像时,计算进行所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征的相似度,确定所述异常行人图像与所述行人图像之间的特征距离,使用最小距离匹配,将所述最小距离对应的图像数据信息底库中的所述行人图像匹配为所述异常行人图像;
存在至少两个异常行人图像时,分别计算所述至少两个异常行人图像与所述图像数据信息底库中的每个所述行人图像的人体特征的相似度,分别确定所述至少两个异常行人图像与所述行人图像之间的特征距离,计算得到的距离矩阵,将结果对应的图像数据信息底库中的所述行人图像分别匹配为所述至少两个异常行人图像;
完成图像匹配。
一种行人重识别装置,所述装置包括:
采集模块,用于采集首次进入监控场景的行人图像,对每个所述行人图像建立对应的行人身份,形成图像数据信息底库;
掩膜获取模块,用于追踪每个所述行人身份,实时采集异常行人图像,获取所述异常行人图像的实例掩膜;
特征提取模块,用于去除所述掩膜的背景,提取异常行人人体特征;
匹配模块,用于将所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征进行距离判定,完成匹配。
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计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明行人重识别方法、装置、计算机设备和存储介质,具有以下效果:
(1)应用图像分割算法进行去背景操作,减少了特征提取中背景信息造成的影响。当前行人重识别通常由目标检测得到人体框,并在该人体框区域内进行特征提取。在俯拍场景下,由于视角,遮挡等情形容易使得行人在画面中出现畸变,即实际人体区域在人体框中占比较小,使得提取得到的背景信息对行人的特征信息产生较大的干扰,为了去除因背景信息带来的误差,采用图像分割的技术去除人体框中的背景信息,得到更高质量的人体特征信息,从而提高行人重识别的性能。
(2)特征提取阶段,采用了深度学习的方法和传统方法,在分割出的人体上进行特征提取。兼顾特征提取的效率和性能两方面,在对精度要求较低的场景中,采用传统特征提取的方法能实现快速的部署,降低数据标注和训练成本。在具有较高要求的场景中,采用深度学习的特征能更好的表征人体的特征,实现更精确的识别。
(3)在匹配阶段为进一步提升识别的精度,采用重排技术对提取得到的特征矩阵进行处理,采用重排技术能在不增加数据和多余操作的基础上提升性能。该方法的基本思路是对各个探针数据对应的底库进行重排,使得正确的匹配尽可能的排在靠前的位置,从而提高匹配的精度。
附图说明
图1为一个实施例中一种行人重识别方法的流程示意图;
图2为一个实施例中一种行人重识别方法的实例分割流程示意图;
图3为一个实施例中一种行人重识别装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种行人重识别方法,可以解决针对监控场景的行人跟踪问题,在一个实施例中,如图1所示,包括以下步骤:
S100,采集首次进入监控场景的行人图像,对每个行人图像建立对应的行人身份,形成图像数据信息底库。
在本实施例中,首先对进入监控场景的行人进行数据采集,将采集到的图像建立一个图像数据信息底库,该图像数据信息底库用于后续跟丢行人时进行验证,实现身份判定。
S200,追踪每个行人身份,实时采集异常行人图像,获取异常行人图像的实例掩膜。
在本实施例中,实时追踪图像数据信息底库中每个行人身份,当出现跟丢情况时,出现异常行人图像时,实时采集该异常行人图像,并且通过实例分割,得到该异常行人图像的掩膜。
在一实施例中,使用图像分割算法,实现人体实例分割,获取异常行人图像的实例掩膜。
在一实施例中,步骤200还包括,
对采集的异常行人图像进行特征提取,优选地,采用卷积神经网络进行特征提取。
同时进行目标检测和分割,并行目标检测分支和分割分支,其中通过目标检测分支可以预测得到异常行人图像中实例的位置,分割分支可以得到异常行人图像中前背景系数的掩模。
汇总目标检测分支和分割分支的结果,通过实例的位置和前背景系数的掩模,得到实例掩,优选地,通过对实例的位置和前背景系数的掩模进行线性运算得到实例掩模。
对实例掩模分别进行像素级前背景预测和类别预测,完成人体实例分割,输出人体实例分割结果。
具体地,首先通过卷积神经网络进行特征提取,在提取的特征上分出目标检测分支和实例分割分支。其中目标检测分支采用区域生成网络(RPN, RegionProposalNetwork)提取得到感兴趣区域(ROI,region of interest), 实例分割分支利用提取的特征得到位置敏感得分图,即分别得到各个像素点属于实例或者背景的概率。结合目标检测结果和实例分割结果得到包含感兴趣区域和像素前背景信息的特征图,对该特征图分别预测实例类别和像素是否属于前景,从而实现实例分割。
在实际应用中,从原始图像上得到对应的掩膜,并利用掩膜得到原始图像中的人体区域。具体地,采用黑白二值掩膜和原始图像进行按位乘法运算,把原始图像中的背景区域的像素值置零,公式如下:
N(i,j)=I(i,j)*M(i,j)
其中,N表示去除背景后的图像,I表示原始图像,M表示采用实例分割得到的掩膜,运算符*表示按位相乘。
常见的行人重识别技术是基于目标检测,采用目标检测方法得到人体区域,再对该区域进行特征提取。然而,由于目标检测得到的矩形框包含较多的背景信息,特别是在俯拍的监控场景下,人体畸变较大,使得人体实际在检测框中的比例较小,在特征提取阶段会出现背景信息淹没行人特征信息的现象。而通过使用图像分割算法得到原始图像的掩膜,实现人体实例分割,能准确提取得到行人的特征,减少背景干扰。
S300,提取异常行人人体特征。
在本实施例中,对步骤200中得到的人体实例进行特征提取,可以采用深度学习方法和传统的特征提取方法完成人体特征的提取,其中,采用深度学习方法能提取得到更深层次的隐藏信息,而传统的特征提取方法(如颜色直方图)具有较小的计算复杂度,且不需要大量的数据进行训练来满足特定场景的需求。
具体地,采用深度学习方法,利用卷积神经网络进行特征提取,充分表征场景中行人的深层信息,包括姿态,动作,服饰等特征信息。通过实例分割算法得到的去除背景的人体图像,背景是黑色的区域,在卷积神经网络中,由于减少了背景信息对行人特征的干扰,从而得到更高质量的人体信息,提高行人重识别的准确率。
采用传统的特征提取方法,可以是颜色和边缘的方向性描述符(Color and EdgeDirectivity Descriptor,CEDD)、方向梯度直方图(Histogram of Oriented Gradient,HOG)或颜色直方图,优选地,采用颜色直方图来表征行人的纹理特征,降低开发周期和人力成本,减少深度学习方法所需要大量的数据标注和训练成本,在对精度要求较低的一些场景下具有很好的应用价值。
S400,将异常行人人体特征与图像数据信息底库中的每个行人图像的人体特征进行距离判定,完成匹配。
在本实施例中通过步骤S300中提取图像中的行人特征,将异常行人人体特征,在图像数据信息底库中与每个行人图像的人体特征进行比对,通过距离判断,从而确定匹配结果。
在一实施例中,步骤S400包括:
分别获取异常行人人体特征和图像数据信息底库中的每个行人图像的人体特征,可以利用深度学习或者颜色直方图等传统方法。
计算异常行人人体特征与图像数据信息底库中的每个行人图像的人体特征的相似度。
进一步确定异常行人图像与图像数据信息底库中的每个行人图像之间的特征距离,从而进行匹配。
度量距离包括余弦距离、欧式距离、巴式距离,优选地,采用余弦距离作为相似度的度量工具。余弦相似度的计算公式如下:
其中,a、b表示两个N维特征向量,cos(θ)表示计算得到的余弦相似度。
余弦距离的计算公式如下:
dist=1-cos(θ)
其中,dist表示两个N维向量的余弦距离。
在一个实施例中,在监控场景下只有一个行人跟丢时,即仅存在一个异常行人图像时,计算该异常行人图像的异常行人人体特征与图像数据信息底库中的每个行人图像的人体特征的相似度,使用余弦距离作为相似度的度量工具,将相似度从大到小进行排序,余弦距离越小的相似度越高,确定异常行人图像与行人图像之间的特征距离,按照最小距离匹配,选取相似度最高的,即余弦距离最小的,将最小距离对应的图像数据信息底库中的行人图像匹配为异常行人图像,并将该行人图像对应的行人身份指派给该异常行人图像,完成匹配过程。
在一个实施例中,在监控场景下出现多人跟丢的情形,即存在至少两个异常行人图像时,此时就需要行人重识别(ReID)能够对再次出现在监控场景内的行人进行身份判定。分别计算场景内的至少两个异常行人图像与图像数据信息底库中的每个行人图像的人体特征的相似度,分别确定所述至少两个异常行人图像与所述行人图像之间的特征距离,进行匹配。优选地,采用匈牙利算法进行匹配。在匹配之前,先计算特征之间的余弦距离,再对得到的距离矩阵采用匈牙利算法完成匹配,将结果对应的图像数据信息底库中的行人图像对应的行人身份分别匹配为异常行人图像。
进一步地,为了达到更好的识别结果,结合Top-5精度和重排序 (Re-ranking)的方法,对每一个P值(prob)对应的Top-5进行重排序操作。具体地,为了解决Top-1误识别的情形,采用重排序的方式对Top-K 中的行人全身图数据库(gallery)样本进行双向验证。假设一张gallery 集中的图片跟K-互邻近编码(K-reciprocal encoding)近邻中的P值很类似的话,那么它很有可能是一个真正的匹配。具体来说,对于给定的一张图片,通过将其K-互邻近编码的最近邻编码为一个向量来计算K-互邻近编码特征。该向量用于在Jaccard距离下的重排序,最后的距离是原始距离和Jaccard距离的加权和。
定义N(p,k)作为P值的k个最近邻:
|N(p,k)|=k
其中,k为样本列表中前k个样本,|N(p,k)|表示集合中元素的个数。
R(p,k)的定义如下:
R(p,k)={gi|(gi∈N(p,k)∧p∈N(gi,k))}
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,附图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了应用上述方法的行人重识别装置,包括:采集模块100、掩膜获取模块200、特征提取模块300和匹配模块400。其中:
采集模块100,用于采集首次进入监控场景的行人图像,对每个行人图像建立对应的行人身份,形成图像数据信息底库;
掩膜获取模块200,用于追踪每个行人身份,实时采集异常行人图像,获取异常行人图像的实例掩膜;
特征提取模块300,用于去除掩膜的背景,提取异常行人人体特征;
匹配模块400,用于将异常行人人体特征与图像数据信息底库中的每个行人图像的人体特征进行距离判定,完成匹配。
上述行人重识别装置,结合实例分割技术,利用实例分割完成去背景操作,减少背景信息对行人特征的污染,并采用体征提取算法提取人体的特征,采用余弦距离度量之后用匹配算法完成行人身份的重新识别。
关于行人重识别装置的具体限定可以参见上文中对于行人重识别方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是数据管理服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的数据源终端通过网络连接通信,以接收数据源终端上传的数据。该计算机程序被处理器执行时以实现行人重识别方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,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,处理器执行计算机程序时实现上述行人重识别方法。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明的行人重识别方法、装置、计算机设备和存储介质,在自建的监控场景行人数据集上进行评测,采用深度学习去背景技术去除行人背景后,Top-1精度有7.72%的性能提升,Top-5精度提升了4.03%。在细粒度性能上,使用去除背景信息的颜色直方图进行行人重识别技术同样具有很好的性能,Top-1,Top-5精度分别提升6.58%和3.10%。该方法在跟踪失效的情况下能够准确实现行人身份的重识别,在监控场景下具有很好的性能。本发明可用于辅助多目标跟踪,应用场景包括监控设备下的行人检测跟踪和行人重识别领域,如无人店场景下的多目标跟踪,可以实现实时准确的多人跟踪。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种行人重识别方法,其特征在于,所述方法包括:
采集首次进入监控场景的行人图像,对每个所述行人图像建立对应的行人身份,形成图像数据信息底库;
追踪每个所述行人身份,实时采集异常行人图像,获取所述异常行人图像的实例掩膜;
提取异常行人人体特征;
将所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征进行距离判定,完成匹配。
2.根据权利要求1所述的方法,其特征在于,使用图像分割算法,实现人体实例分割,获取所述异常行人图像的实例掩膜。
3.根据权利要求2所述的方法,其特征在于,所述人体实例分割,包括:
对所述异常行人图像进行特征提取;
同时进行检测和分割,其中所述检测得到所述异常行人图像中实例的位置,所述分割得到所述异常行人图像中前背景系数的掩模;
通过所述实例的位置和前背景系数的掩模,得到所述实例掩模;
对所述实例掩模分别进行像素级前背景预测和类别预测,完成所述人体实例分割,输出人体实例分割。
4.根据权利要求3所述的方法,其特征在于,通过对所述实例的位置和前背景系数的掩模进行线性运算得到所述实例掩模。
5.根据权利要求3所述的方法,其特征在于,所述提取异常行人人体特征包括,采用深度学习方法提取所述人体实例分割的特征信息,所述特征信息至少包括姿态、动作、和/或服饰。
6.根据权利要求3所述的方法,其特征在于,所述提取异常行人人体特征包括,利用颜色直方图提取所述人体实例分割的特征信息。
7.根据权利要求5或6所述的方法,其特征在于,所述距离判定包括,
获取所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征;
计算进行所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征的相似度;
确定所述异常行人图像与所述行人图像之间的特征距离;
存在一个异常行人图像时,计算进行所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征的相似度,确定所述异常行人图像与所述行人图像之间的特征距离,使用最小距离匹配,将所述最小距离对应的图像数据信息底库中的所述行人图像匹配为所述异常行人图像;
存在至少两个异常行人图像时,分别计算所述至少两个异常行人图像与所述图像数据信息底库中的每个所述行人图像的人体特征的相似度,分别确定所述至少两个异常行人图像与所述行人图像之间的特征距离,计算得到的距离矩阵,将结果对应的图像数据信息底库中的所述行人图像分别匹配为所述至少两个异常行人图像;
完成图像匹配。
8.一种行人重识别装置,其特征在于,所述装置包括:
采集模块,用于采集首次进入监控场景的行人图像,对每个所述行人图像建立对应的行人身份,形成图像数据信息底库;
掩膜获取模块,用于追踪每个所述行人身份,实时采集异常行人图像,获取所述异常行人图像的实例掩膜;
特征提取模块,用于去除所述掩膜的背景,提取异常行人人体特征;
匹配模块,用于将所述异常行人人体特征与所述图像数据信息底库中的每个所述行人图像的人体特征进行距离判定,完成匹配。
9.一种计算机设备,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计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507615.9A CN113761987A (zh) | 2020-06-05 | 2020-06-05 | 一种行人重识别的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507615.9A CN113761987A (zh) | 2020-06-05 | 2020-06-05 | 一种行人重识别的方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761987A true CN113761987A (zh) | 2021-12-07 |
Family
ID=78785148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010507615.9A Pending CN113761987A (zh) | 2020-06-05 | 2020-06-05 | 一种行人重识别的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581491A (zh) * | 2022-04-30 | 2022-06-03 | 苏州浪潮智能科技有限公司 | 一种行人轨迹跟踪方法、系统及相关装置 |
-
2020
- 2020-06-05 CN CN202010507615.9A patent/CN113761987A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581491A (zh) * | 2022-04-30 | 2022-06-03 | 苏州浪潮智能科技有限公司 | 一种行人轨迹跟踪方法、系统及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111310731B (zh) | 基于人工智能的视频推荐方法、装置、设备及存储介质 | |
Pham et al. | Count forest: Co-voting uncertain number of targets using random forest for crowd density estimation | |
CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
CN112016531A (zh) | 模型训练方法、对象识别方法、装置、设备及存储介质 | |
CN111582126B (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
CN111508006A (zh) | 一种基于深度学习的运动目标同步检测、识别与跟踪方法 | |
CN112861695A (zh) | 行人身份再识别方法、装置、电子设备及存储介质 | |
CN111914762A (zh) | 基于步态信息的身份识别方法及装置 | |
CN114428875A (zh) | 一种行人重识别建库的方法、装置、计算机设备和存储介质 | |
CN112884782A (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN113160276A (zh) | 一种目标跟踪方法、目标跟踪装置及计算机可读存储介质 | |
CN110599514B (zh) | 图像分割的方法、装置、电子设备及存储介质 | |
CN113449676B (zh) | 一种基于双路互促进解纠缠学习的行人重识别方法 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
CN113761987A (zh) | 一种行人重识别的方法、装置、计算机设备和存储介质 | |
CN117292338A (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
CN110287970B (zh) | 一种基于cam与掩盖的弱监督物体定位方法 | |
CN112766065A (zh) | 一种移动端考生身份认证方法、装置、终端及存储介质 | |
CN115018886A (zh) | 运动轨迹识别方法、装置、设备及介质 | |
US20180053321A1 (en) | Image Target Relative Position Determining Method, Device, and System Thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211207 |