CN114639165A - 基于人工智能的行人重识别方法、装置、设备及存储介质 - Google Patents
基于人工智能的行人重识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114639165A CN114639165A CN202210256790.4A CN202210256790A CN114639165A CN 114639165 A CN114639165 A CN 114639165A CN 202210256790 A CN202210256790 A CN 202210256790A CN 114639165 A CN114639165 A CN 114639165A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- human body
- initial
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 249
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 230000004927 fusion Effects 0.000 claims description 80
- 230000000694 effects Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000003321 amplification Effects 0.000 claims description 15
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 238000007499 fusion processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static 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
- G06F18/24—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本申请涉及人工智能技术领域，揭示了一种基于人工智能的行人重识别方法、装置、设备及存储介质，其中方法包括：将目标图像输入预设的特征提取模型得到每个特征输出模块输出的待分析特征向量；将每个待分析特征向量输入预设的分类预测模块进行分类概率预测得到分类概率预测结果；根据目标特征向量和预设的相似图像数量从预设的人体图像库中确定相似人体图像集，目标特征向量是任一个待分析特征向量；针对各个相似人体图像集中的每张人体图像，将各个分类概率预测结果和各个分类预测模块的权重进行加权求和得到软投票评分；根据各个软投票评分确定行人重识别结果。实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性。
Description
技术领域
本申请涉及到人工智能技术领域，特别是涉及到一种基于人工智能的行人重识别方法、装置、设备及存储介质。
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，其任务是给定一个监控行人图像，检索人体图像库中是否存在与监控行人图像中的行人相同的人体图像。
一般来说，行人重识别任务的流程是首先训练一个特征提取网络，根据特征所计算的余弦度量距离得到损失值，优化器根据损失值不断更新网络的参数达到学习的效果。
在行人重识别任务的特征提取网络中，靠近输入层的特征往往包含了更多局部细节的语义信息，而靠近输出层的特征往往包含了更高层的全局语义信息，现有的行人重识别方法往往只使用特征提取网络的最后一层的特征向量与人体图像库中的人体图像做匹配而没有考虑底层特征，因小物体本身具有的像素信息较少，从而在特征提取网络进行下采样的过程中极易被丢失，导致行人重识别的准确性不高。
发明内容
本申请的主要目的为提供一种基于人工智能的行人重识别方法、装置、设备及存储介质，旨在解决现有的行人重识别方法只使用特征提取网络的最后一层的特征向量与人体图像库中的人体图像做匹配而没有考虑底层特征，导致行人重识别的准确性不高的技术问题。
为了实现上述发明目的，本申请提出一种基于人工智能的行人重识别方法，所述方法包括：
获取目标图像；
将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
根据各个所述软投票评分，确定行人重识别结果。
进一步的，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤，包括：
将所述目标图像输入所述特征金字塔的第1个特征提取层，得到第1个特征初始向量；
将第i-1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层，得到第i个所述特征初始向量，其中，i大于1并且小于n+1，n是个大于2的整数；
将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量；
将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量，其中，k是大于1并且小于n；
将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量，其中，m大于0并且小于n。
进一步的，所述将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量的步骤，包括：
采用第1个所述特征融合层的通道扩展卷积核，对第n个所述特征初始向量进行通道扩展，得到第1个所述融合特征向量，其中，所述通道扩展卷积核为1*1卷积核；
所述将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量的步骤，包括：
采用第k个所述特征融合层的所述通道扩展卷积核，对第n-k+1个所述特征初始向量进行通道扩展，得到第k个所述通道扩展特征；
将第k-1个所述融合特征向量输入第k个所述特征融合层的最近邻插值处理子层进行等比例放大，得到第k个等比例放大特征；
将第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理，得到第k个所述融合特征向量。
进一步的，所述将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量的步骤，包括：
采用第m个所述特征输出模块的混叠效应消除层，对第m个所述融合特征向量进行混叠效应消除，得到第m个已消除混叠效应特征向量，其中，所述混叠效应消除层为3*3卷积核；
将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行池化处理，得到第m个所述待分析特征向量。
进一步的，所述根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集的步骤，包括：
对所述目标特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第一相似度；
从各个所述第一相似度中，找出值最大并且数量与所述相似图像数量相同的所述第一相似度，作为初始相似度集；
对所述初始相似度集对应的各张所述人体图像的特征向量和所述目标特征向量进行平均值计算，得到已调整特征向量；
对所述已调整特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第二相似度；
从各个所述第二相似度中，找出值最大并且数量与所述相似图像数量相同的所述第二相似度，得到目标相似度集；
将所述目标相似度集对应的各张所述人体图像作为所述相似人体图像集。
进一步的，所述根据各个所述软投票评分，确定行人重识别结果的步骤，包括：
从各个所述软投票评分中找出值为最大的所述软投票评分，得到目标评分；
判断所述目标评分是否大于预设的评分阈值；
若是，则确定所述行人重识别结果的识别结果为成功，并且将所述目标评分对应的所述人体图像作为所述行人重识别结果的命中图像；
若否，则确定所述行人重识别结果的识别结果为失败。
进一步的，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤之前，还包括：
获取初始模型和训练样本集，其中，所述初始模型包括：初始特征金字塔、多个特征输出初始模块和多个分类预测初始模块，所述初始特征金字塔分别与每个所述特征输出初始模块连接，所述特征输出初始模块和所述分类预测初始模块连接，以及所述特征输出初始模块和所述分类预测初始模块一一对应；
基于权值的弱分类器集成方法和所述训练样本集，对所述初始模型进行训练，将训练结束的所述初始模型作为目标模型，其中，所述目标模型的所述初始特征金字塔作为所述特征金字塔，所述目标模型的所述特征输出初始模块作为所述特征输出模块，所述目标模型的所述分类预测初始模块作为所述分类预测模块。
本申请还提出了一种基于人工智能的行人重识别装置，所述装置包括：
图像获取模块，用于获取目标图像；
待分析特征向量确定模块，用于将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
分类概率预测结果确定模块，用于将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
相似人体图像集确定模块，用于根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
软投票评分确定模块，用于针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
行人重识别结果确定模块，用于根据各个所述软投票评分，确定行人重识别结果。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了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任一项所述的方法的步骤。
本申请的基于人工智能的行人重识别方法、装置、设备及存储介质，其中方法将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；根据各个所述软投票评分，确定行人重识别结果。通过特征提取模型的特征金字塔分别与每个特征输出模块连接，获取到了具有不同层级的语义信息的待分析特征向量，从而实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性；而且通过在根据目标特征向量和预设的相似图像数量确定的相似人体图像集范围内进行软投票评分的确定，进一步提高了行人重识别的准确性。
附图说明
图1为本申请一实施例的基于人工智能的行人重识别方法的流程示意图；
图2为本申请一实施例的基于人工智能的行人重识别装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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。
参照图1，本申请实施例中提供一种基于人工智能的行人重识别方法，所述方法包括：
S1：获取目标图像；
S2：将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
S3：将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
S4：根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
S5：针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
S6：根据各个所述软投票评分，确定行人重识别结果。
本实施例通过特征提取模型的特征金字塔分别与每个特征输出模块连接，获取到了具有不同层级的语义信息的待分析特征向量，从而实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性；而且通过在根据目标特征向量和预设的相似图像数量确定的相似人体图像集范围内进行软投票评分的确定，进一步提高了行人重识别的准确性。
对于S1，可以从数据库中获取目标图像，可以获取用户输入的目标图像，还可以从第三方应用中获取目标图像。
目标图像，是需要在人体图像库中进行检索的图像。目标图像是针对人体拍摄的图像。
对于S2，将所述目标图像输入预设的特征提取模型，特征提取模型的每个特征输出模块输出一个待分析特征向量。
特征金字塔包括：自底向上的特征提取链路、自顶向下的特征融合链路和横向连接，其中，横向连接是自底向上的特征提取链路与自顶向下的特征融合链路之间的连接。
特征金字塔的自顶向下的特征融合链路的每个特征融合层与一个所述特征输出模块链接，并且特征融合层与所述特征输出模块一一对应。
自底向上的特征提取链路，其中就是网络的前向过程，在前向过程中，特征图(feature map)的大小在经过某些网络层后会改变，而在经过其它一些网络层的时候不会改变，将具有相同特征图尺寸的网络层统一归为一个特征提取层。
自顶向下的特征融合链路，是将高层特征图采用上采样进行等比例放大。
横向连接，是将上采样得到的特征向量和自底向上的特征提取链路输出的具有相同大小的各个特征图经过1*1卷积核的通道扩展得到的特征向量进行融合，得到融合特征向量。融合特征向量将输出给所述特征输出模块。
对于S3，将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，将预测得到的概率向量作为分类概率预测结果。
分类概率预测结果中的向量元素的数量与人体图像库中的人体图像的数量相同，也就是说，分类概率预测结果中的向量元素与人体图像库中的人体图像一一对应。
分类概率预测结果中的向量元素的值，是目标图像中的人体与该向量元素对应的人体图像的人体相似的概率。
可以理解的是，分类概率预测结果的数量与所述待分析特征向量的数量相同。
分类预测模块是采用softmax激活函数的全连接层。
对于S4，将任一个所述待分析特征向量作为目标特征向量；根据目标特征向量，从预设的人体图像库中确定人体最相似的人体图像作为相似人体图像集，相似人体图像集中的图像数量等于所述相似图像数量。
人体图像库包括：图像标识、人体图像和人体图像对应的特征向量。人体图像，是针对人体拍摄的图像。
对于S5，将各个所述相似人体图像集进行合集处理和去重处理，得到目标人体图像集；将所述目标人体图像集中的任一张人体图像作为待投票图像；将各个所述分类概率预测结果中的与所述待投票图像对应的各个向量元素值和各个所述分类预测模块的权重进行加权求和，将加权求和得到的数据作为待投票图像对应的软投票评分。
比如，所述分类概率预测结果的数量为4个，第1个所述分类概率预测结果(是第1个所述分类预测模块输出的)中的与待投票图像对应的向量元素值与第1个所述分类预测模块的权重进行相乘得到第1个评分，第2个所述分类概率预测结果(是第2个所述分类预测模块输出的)中的与待投票图像对应的向量元素值与第2个所述分类预测模块的权重进行相乘得到第2个评分，第3个所述分类概率预测结果(是第3个所述分类预测模块输出的)中的与待投票图像对应的向量元素值与第3个所述分类预测模块的权重进行相乘得到第3个评分，第4个所述分类概率预测结果(是第4个所述分类预测模块输出的)中的与待投票图像对应的向量元素值与第4个所述分类预测模块的权重进行相乘得到第4个评分，将第1个评分、第2个评分、第3个评分和第4个评分进行相加，将相加得到的数据作为待投票图像对应的软投票评分。
对于S6，将各个所述软投票评分中的值为最大的所述软投票评分对应的人体图像作为行人重识别结果的命中图像。
在一个实施例中，上述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤，包括：
S21：将所述目标图像输入所述特征金字塔的第1个特征提取层，得到第1个特征初始向量；
S22：将第i-1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层，得到第i个所述特征初始向量，其中，i大于1并且小于n+1，n是个大于2的整数；
S23：将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量；
S24：将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量，其中，k是大于1并且小于n；
S25：将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量，其中，m大于0并且小于n。
本实施例实现了采用自底向上的特征提取链路、自顶向下的特征融合链路和横向连接进行特征提取，针对每个融合特征向量输出一个所述待分析特征向量，获取到了具有不同层级的语义信息的待分析特征向量，从而实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性。
其中，所述特征金字塔的第1个至第n个特征提取层可以采用一个Resnet50网络(残差网络)。
对于S21，将所述目标图像输入所述特征金字塔的第1个特征提取层，将第1个特征提取层输出的特征向量作为第1个特征初始向量。
对于S22，将第i-1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层，将第i个特征提取层输出的特征向量作为第i个所述特征初始向量，其中，i大于1并且小于n+1，n是个大于2的整数。
也就是说，特征初始向量的数量为n。
对于S23，将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行通道扩展，将通道扩展得到的特征向量作为第1个融合特征向量。
对于S24，将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行元素相加以实现特征融合，将特征融合得到的特征向量作为第k个所述融合特征向量，k是大于1并且小于n，也就是说，融合特征向量的数量为n-1。
对于S25，将第m个所述融合特征向量输入第m个所述特征输出模块进行池化，将池化得到的特征向量作为第m个所述待分析特征向量，m大于0并且小于n，也就是说，待分析特征向量的数量为n-1。
在一个实施例中，上述将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量的步骤，包括：
S231：采用第1个所述特征融合层的通道扩展卷积核，对第n个所述特征初始向量进行通道扩展，得到第1个所述融合特征向量，其中，所述通道扩展卷积核为1*1卷积核；
所述将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量的步骤，包括：
S241：采用第k个所述特征融合层的所述通道扩展卷积核，对第n-k+1个所述特征初始向量进行通道扩展，得到第k个所述通道扩展特征；
S242：将第k-1个所述融合特征向量输入第k个所述特征融合层的最近邻插值处理子层进行等比例放大，得到第k个等比例放大特征；
S243：将第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理，得到第k个所述融合特征向量。
本实施例通过通道扩展以使采用相同通道的特征进行融合处理，为获取到了具有不同层级的语义信息的待分析特征向量提供了基础。
对于S231，采用第1个所述特征融合层的通道扩展卷积核，对第n个所述特征初始向量进行卷积，以实现通道扩展，将卷积得到的特征向量作为第1个所述融合特征向量。
对于S241，采用第k个所述特征融合层的所述通道扩展卷积核，对第n-k+1个所述特征初始向量进行卷积，以实现通道扩展，将卷积得到的特征向量作为第k个所述通道扩展特征。
对于S242，采用第k个所述特征融合层的最近邻插值处理子层，对第k-1个所述融合特征向量进行最近邻插值处理以实现等比例放大，将等比例放大得到的特征向量作为第k个等比例放大特征。
可选的，最近邻插值处理子层的放大比例为2。
对于S243，将第k个所述通道扩展特征和第k个所述等比例放大特征进行元素相加，将元素相加得到的数据作为第k个所述融合特征向量。
可选的，采用1*1卷积核，对第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理，将融合处理得到的数据作为第k个所述融合特征向量。
在一个实施例中，上述将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量的步骤，包括：
S251：采用第m个所述特征输出模块的混叠效应消除层，对第m个所述融合特征向量进行混叠效应消除，得到第m个已消除混叠效应特征向量，其中，所述混叠效应消除层为3*3卷积核；
S252：将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行池化处理，得到第m个所述待分析特征向量。
因特征金字塔的自顶向下的特征融合链路进行上采样时会存在混叠效应，为了解决该问题，本实施例采用3*3卷积核进行卷积，从而提高了待分析特征向量的准确性。
对于S251，采用第m个所述特征输出模块的混叠效应消除层，对第m个所述融合特征向量进行卷积，将卷积得到的数据作为第m个已消除混叠效应特征向量。
可以理解的是，还可以采用其他尺寸的卷积核进行卷积以进行混叠效应消除，在此不做限定。
对于S252，将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行最大池化处理，将最大池化处理得到的数据作为第m个所述待分析特征向量。
在一个实施例中，上述根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集的步骤，包括：
S41：对所述目标特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第一相似度；
S42：从各个所述第一相似度中，找出值最大并且数量与所述相似图像数量相同的所述第一相似度，作为初始相似度集；
S43：对所述初始相似度集对应的各张所述人体图像的特征向量和所述目标特征向量进行平均值计算，得到已调整特征向量；
S44：对所述已调整特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第二相似度；
S45：从各个所述第二相似度中，找出值最大并且数量与所述相似图像数量相同的所述第二相似度，得到目标相似度集；
S46：将所述目标相似度集对应的各张所述人体图像作为所述相似人体图像集。
本实施例首先找出与目标特征向量最相似的并且数量为相似图像数量的人体图像，然后将找出的人体图像的特征向量和目标特征向量进行平均值计算，得到已调整特征向量，然后找出与已调整特征向量最相似的并且数量为相似图像数量的人体图像，将找出的各个人体图像作为相似人体图像集，因最相似的并且数量为相似图像数量的人体图像的置信度高、噪声少，通过与目标特征向量最相似的并且数量为相似图像数量的人体图像的特征向量和目标特征向量进行平均值计算得到已调整特征向量，将再找出与已调整特征向量最相似的并且数量为相似图像数量的人体图像的操作，提高了整体的召回率。
对于S41，对所述目标特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行余弦相似度计算，将计算得到的每个余弦相似度作为一个第一相似度。
对于S42，从各个所述第一相似度中，找出值最大的多个所述第一相似度，将找出的各个所述第一相似度作为初始相似度集，其中，初始相似度集中的所述第一相似度的数量等于所述相似图像数量。
对于S43，将对所述初始相似度集对应的各张所述人体图像的特征向量和所述目标特征向量进行合集处理，得到待计算集合；对待计算集合中的各个特征向量进行平均值计算，将平均值计算得到的数据作为已调整特征向量。
对于S44，对所述已调整特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行余弦相似度计算，将计算得到的每个余弦相似度作为一个第二相似度。
对于S45，从各个所述第二相似度中，找出值最大的多个所述第二相似度，将找出的各个所述第二相似度作为目标相似度集，其中，目标相似度集中的所述第二相似度的数量等于所述相似图像数量。
对于S46，所述目标相似度集对应的各张所述人体图像是人体图像库中与目标特征向量对应的特征最相似的人体图像，因此，将所述目标相似度集对应的各张所述人体图像作为所述相似人体图像集。
在一个实施例中，上述根据各个所述软投票评分，确定行人重识别结果的步骤，包括：
S61：从各个所述软投票评分中找出值为最大的所述软投票评分，得到目标评分；
S62：判断所述目标评分是否大于预设的评分阈值；
S63：若是，则确定所述行人重识别结果的识别结果为成功，并且将所述目标评分对应的所述人体图像作为所述行人重识别结果的命中图像；
S64：若否，则确定所述行人重识别结果的识别结果为失败。
本实施例将大于预设的评分阈值的软投票评分对应的人体图像作为行人重识别结果的命中图像，从而提高了确定的行人重识别结果的准确性。
对于S61，从各个所述软投票评分中找出值为最大的所述软投票评分，将找出的所述软投票评分作为目标评分。
对于S63，若是，也就是说，所述目标评分大于预设的评分阈值，意味着值为最大的所述软投票评分大于预设的评分阈值，因此确定所述行人重识别结果的识别结果为成功，并且将所述目标评分对应的所述人体图像作为所述行人重识别结果的命中图像。
对于S64，若否，也就是说，所述目标评分小于或等于预设的评分阈值，意味着值为最大的所述软投票评分小于或等于预设的评分阈值，因此确定所述行人重识别结果的识别结果为失败。
在一个实施例中，上述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤之前，还包括：
S71：获取初始模型和训练样本集，其中，所述初始模型包括：初始特征金字塔、多个特征输出初始模块和多个分类预测初始模块，所述初始特征金字塔分别与每个所述特征输出初始模块连接，所述特征输出初始模块和所述分类预测初始模块连接，以及所述特征输出初始模块和所述分类预测初始模块一一对应；
S72：基于权值的弱分类器集成方法和所述训练样本集，对所述初始模型进行训练，将训练结束的所述初始模型作为目标模型，其中，所述目标模型的所述初始特征金字塔作为所述特征金字塔，所述目标模型的所述特征输出初始模块作为所述特征输出模块，所述目标模型的所述分类预测初始模块作为所述分类预测模块。
本实施例采用了基于权值的弱分类器集成方法对所述初始模型进行训练，从而在每轮训练都提升错误率小的分类预测初始模块的权重，同时减小错误率高的分类预测初始模块的权重，使得分类预测初始模块对误分的数据有较好的效果。
对于S71，训练样本包括：样本图像和分类概率标定值。样本图像是针对人体拍摄的图像。分类概率标定值，是对样本图像中的人体与人体图像库的每个人体图像的人体是否为同一个人的准确标定结果。
对于S72，基于权值的弱分类器集成方法和所述训练样本集，对所述初始模型进行训练，将训练结束的所述初始模型作为目标模型，从而在每轮训练都提升错误率小的分类预测初始模块的权重，同时减小错误率高的分类预测初始模块的权重。
所述分类预测初始模块的数量为n-1，则采用对(n-1)/2进行向下取整得到x；针对所述训练样本集，计算每个分类预测初始模块的预测准确率；将各个分类预测初始模块，按预测准确率进行倒序排序，得到倒序排序后的分类预测初始模块集；采用第一权重更新公式，对倒序排序后的分类预测初始模块集的第1个至第x个分类预测初始模块的权重进行更新；采用第二权重更新公式，对倒序排序后的分类预测初始模块集的第x+1个至第n-1个分类预测初始模块的权重进行更新；其中，第一权重更新公式Qy1为：Qy1＝qy1*ax-y1+1，第二权重更新公式Qy2为：Qy2＝qy2/ax-y2+1，a是超级参数，Qy1是倒序排序后的分类预测初始模块集第y1个分类预测初始模块的权重更新公式，y1大于0并且小于x+1，qy1是倒序排序后的分类预测初始模块集第y1个分类预测初始模块的当前权重，Qy2是倒序排序后的分类预测初始模块集的第y2个分类预测初始模块的权重更新公式，y2大于x并且小于n，qy2是倒序排序后的分类预测初始模块集第y2个分类预测初始模块的当前权重。
Qy1计算出来的值，对倒序排序后的分类预测初始模块集第y1个分类预测初始模块的权重进行更新。
Qy2计算出来的值，对倒序排序后的分类预测初始模块集第y2个分类预测初始模块的权重进行更新。
可选的，a设置为1.1。
参照图2，本申请还提出了一种基于人工智能的行人重识别装置，所述装置包括：
图像获取模块100，用于获取目标图像；
待分析特征向量确定模块200，用于将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
分类概率预测结果确定模块300，用于将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
相似人体图像集确定模块400，用于根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
软投票评分确定模块500，用于针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
行人重识别结果确定模块600，用于根据各个所述软投票评分，确定行人重识别结果。
本实施例通过特征提取模型的特征金字塔分别与每个特征输出模块连接，获取到了具有不同层级的语义信息的待分析特征向量，从而实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性；而且通过在根据目标特征向量和预设的相似图像数量确定的相似人体图像集范围内进行软投票评分的确定，进一步提高了行人重识别的准确性。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3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，该计算机设计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。该计算机设备的数据库用于储存基于人工智能的行人重识别方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的行人重识别方法。所述基于人工智能的行人重识别方法，包括：获取目标图像；将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；根据各个所述软投票评分，确定行人重识别结果。
本实施例通过特征提取模型的特征金字塔分别与每个特征输出模块连接，获取到了具有不同层级的语义信息的待分析特征向量，从而实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性；而且通过在根据目标特征向量和预设的相似图像数量确定的相似人体图像集范围内进行软投票评分的确定，进一步提高了行人重识别的准确性。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的行人重识别方法，包括步骤：获取目标图像；将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；根据各个所述软投票评分，确定行人重识别结果。
上述执行的基于人工智能的行人重识别方法，通过特征提取模型的特征金字塔分别与每个特征输出模块连接，获取到了具有不同层级的语义信息的待分析特征向量，从而实现关注衣服颜色、纹理等底层特征和高层全局语义信息，提高了行人重识别的准确性；而且通过在根据目标特征向量和预设的相似图像数量确定的相似人体图像集范围内进行软投票评分的确定，进一步提高了行人重识别的准确性。
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，本申请所提供的和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。非易失性存储器可以包括只读存储器(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)、双速据率SDRAM(SSRSDRAM)、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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于人工智能的行人重识别方法，其特征在于，所述方法包括：
获取目标图像；
将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
根据各个所述软投票评分，确定行人重识别结果。
2.根据权利要求1所述的基于人工智能的行人重识别方法，其特征在于，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤，包括：
将所述目标图像输入所述特征金字塔的第1个特征提取层，得到第1个特征初始向量；
将第i-1个所述特征初始向量输入所述特征金字塔的第i个所述特征提取层，得到第i个所述特征初始向量，其中，i大于1并且小于n+1，n是个大于2的整数；
将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量；
将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量，其中，k是大于1并且小于n；
将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量，其中，m大于0并且小于n。
3.根据权利要求2所述的基于人工智能的行人重识别方法，其特征在于，所述将第n个所述特征初始向量输入所述特征金字塔的第1个特征融合层进行特征处理，得到第1个融合特征向量的步骤，包括：
采用第1个所述特征融合层的通道扩展卷积核，对第n个所述特征初始向量进行通道扩展，得到第1个所述融合特征向量，其中，所述通道扩展卷积核为1*1卷积核；
所述将第k-1个所述融合特征向量和第n-k+1个所述特征初始向量输入所述特征金字塔的第k个所述特征融合层进行特征融合，得到第k个所述融合特征向量的步骤，包括：
采用第k个所述特征融合层的所述通道扩展卷积核，对第n-k+1个所述特征初始向量进行通道扩展，得到第k个所述通道扩展特征；
将第k-1个所述融合特征向量输入第k个所述特征融合层的最近邻插值处理子层进行等比例放大，得到第k个等比例放大特征；
将第k个所述通道扩展特征和第k个所述等比例放大特征进行融合处理，得到第k个所述融合特征向量。
4.根据权利要求2所述的基于人工智能的行人重识别方法，其特征在于，所述将第m个所述融合特征向量输入第m个所述特征输出模块进行特征输出，得到第m个所述待分析特征向量的步骤，包括：
采用第m个所述特征输出模块的混叠效应消除层，对第m个所述融合特征向量进行混叠效应消除，得到第m个已消除混叠效应特征向量，其中，所述混叠效应消除层为3*3卷积核；
将第m个所述已消除混叠效应特征向量输入第m个所述特征输出模块的池化层进行池化处理，得到第m个所述待分析特征向量。
5.根据权利要求1所述的基于人工智能的行人重识别方法，其特征在于，所述根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集的步骤，包括：
对所述目标特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第一相似度；
从各个所述第一相似度中，找出值最大并且数量与所述相似图像数量相同的所述第一相似度，作为初始相似度集；
对所述初始相似度集对应的各张所述人体图像的特征向量和所述目标特征向量进行平均值计算，得到已调整特征向量；
对所述已调整特征向量和所述人体图像库中的每张所述人体图像对应的特征向量进行相似度计算，得到第二相似度；
从各个所述第二相似度中，找出值最大并且数量与所述相似图像数量相同的所述第二相似度，得到目标相似度集；
将所述目标相似度集对应的各张所述人体图像作为所述相似人体图像集。
6.根据权利要求1所述的基于人工智能的行人重识别方法，其特征在于，所述根据各个所述软投票评分，确定行人重识别结果的步骤，包括：
从各个所述软投票评分中找出值为最大的所述软投票评分，得到目标评分；
判断所述目标评分是否大于预设的评分阈值；
若是，则确定所述行人重识别结果的识别结果为成功，并且将所述目标评分对应的所述人体图像作为所述行人重识别结果的命中图像；
若否，则确定所述行人重识别结果的识别结果为失败。
7.根据权利要求1所述的基于人工智能的行人重识别方法，其特征在于，所述将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量的步骤之前，还包括：
获取初始模型和训练样本集，其中，所述初始模型包括：初始特征金字塔、多个特征输出初始模块和多个分类预测初始模块，所述初始特征金字塔分别与每个所述特征输出初始模块连接，所述特征输出初始模块和所述分类预测初始模块连接，以及所述特征输出初始模块和所述分类预测初始模块一一对应；
基于权值的弱分类器集成方法和所述训练样本集，对所述初始模型进行训练，将训练结束的所述初始模型作为目标模型，其中，所述目标模型的所述初始特征金字塔作为所述特征金字塔，所述目标模型的所述特征输出初始模块作为所述特征输出模块，所述目标模型的所述分类预测初始模块作为所述分类预测模块。
8.一种基于人工智能的行人重识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标图像；
待分析特征向量确定模块，用于将所述目标图像输入预设的特征提取模型，得到每个特征输出模块输出的待分析特征向量，其中，所述特征提取模型包括：特征金字塔和多个所述特征输出模块，所述特征金字塔分别与每个所述特征输出模块连接；
分类概率预测结果确定模块，用于将每个所述待分析特征向量输入预设的分类预测模块进行分类概率预测，得到分类概率预测结果；
相似人体图像集确定模块，用于根据目标特征向量和预设的相似图像数量，从预设的人体图像库中确定相似人体图像集，其中，所述目标特征向量是任一个所述待分析特征向量；
软投票评分确定模块，用于针对各个所述相似人体图像集中的每张人体图像，将各个所述分类概率预测结果和各个所述分类预测模块的权重进行加权求和，得到软投票评分；
行人重识别结果确定模块，用于根据各个所述软投票评分，确定行人重识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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 (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210256790.4A CN114639165B (zh) | 2022-03-16 | 基于人工智能的行人重识别方法、装置、设备及存储介质 | |
| PCT/CN2022/090156 WO2023173544A1 (zh) | 2022-03-16 | 2022-04-29 | 基于人工智能的行人重识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210256790.4A CN114639165B (zh) | 2022-03-16 | 基于人工智能的行人重识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114639165A true CN114639165A (zh) | 2022-06-17 |
| CN114639165B CN114639165B (zh) | 2024-05-10 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116052220A (zh) * | 2023-02-07 | 2023-05-02 | 北京多维视通技术有限公司 | 行人重识别方法、装置、设备及介质 |
| CN117522454A (zh) * | 2024-01-05 | 2024-02-06 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学（深圳） | 基于无监督学习的行人重识别方法、装置及介质 |
| CN110532884A (zh) * | 2019-07-30 | 2019-12-03 | 平安科技（深圳）有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
| CN111259836A (zh) * | 2020-01-20 | 2020-06-09 | 浙江大学 | 一种基于动态图卷积表征的视频行人重识别方法 |
| CN111783576A (zh) * | 2020-06-18 | 2020-10-16 | 西安电子科技大学 | 基于改进型YOLOv3网络和特征融合的行人重识别方法 |
| CN112232203A (zh) * | 2020-10-15 | 2021-01-15 | 平安科技（深圳）有限公司 | 行人识别方法、装置、电子设备及存储介质 |
| CN112396036A (zh) * | 2020-12-09 | 2021-02-23 | 中山大学 | 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 |
| US20210150194A1 (en) * | 2017-07-04 | 2021-05-20 | Peking University Shenzhen Graduate School | Image feature extraction method for person re-identification |
| CN112926531A (zh) * | 2021-04-01 | 2021-06-08 | 深圳市优必选科技股份有限公司 | 特征信息提取方法、模型训练方法、装置及电子设备 |
| CN113269190A (zh) * | 2021-07-21 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于人工智能的数据分类方法、装置、计算机设备及介质 |
| CN113642505A (zh) * | 2021-08-25 | 2021-11-12 | 四川大学 | 一种基于特征金字塔的人脸表情识别方法及装置 |
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210150194A1 (en) * | 2017-07-04 | 2021-05-20 | Peking University Shenzhen Graduate School | Image feature extraction method for person re-identification |
| CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学（深圳） | 基于无监督学习的行人重识别方法、装置及介质 |
| CN110532884A (zh) * | 2019-07-30 | 2019-12-03 | 平安科技（深圳）有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
| CN111259836A (zh) * | 2020-01-20 | 2020-06-09 | 浙江大学 | 一种基于动态图卷积表征的视频行人重识别方法 |
| CN111783576A (zh) * | 2020-06-18 | 2020-10-16 | 西安电子科技大学 | 基于改进型YOLOv3网络和特征融合的行人重识别方法 |
| CN112232203A (zh) * | 2020-10-15 | 2021-01-15 | 平安科技（深圳）有限公司 | 行人识别方法、装置、电子设备及存储介质 |
| CN112396036A (zh) * | 2020-12-09 | 2021-02-23 | 中山大学 | 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 |
| CN112926531A (zh) * | 2021-04-01 | 2021-06-08 | 深圳市优必选科技股份有限公司 | 特征信息提取方法、模型训练方法、装置及电子设备 |
| CN113269190A (zh) * | 2021-07-21 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于人工智能的数据分类方法、装置、计算机设备及介质 |
| CN113642505A (zh) * | 2021-08-25 | 2021-11-12 | 四川大学 | 一种基于特征金字塔的人脸表情识别方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116052220A (zh) * | 2023-02-07 | 2023-05-02 | 北京多维视通技术有限公司 | 行人重识别方法、装置、设备及介质 |
| CN116052220B (zh) * | 2023-02-07 | 2023-11-24 | 北京多维视通技术有限公司 | 行人重识别方法、装置、设备及介质 |
| CN117522454A (zh) * | 2024-01-05 | 2024-02-06 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
| CN117522454B (zh) * | 2024-01-05 | 2024-04-16 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023173544A1 (zh) | 2023-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200372243A1 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
| CN112232232B (zh) | 一种目标检测方法 | |
| US20190130212A1 (en) | Deep Network Embedding with Adversarial Regularization | |
| CN112288770A (zh) | 基于深度学习的视频实时多目标检测与跟踪方法和装置 | |
| CN109871821B (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
| CN111191533A (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
| CN114037888B (zh) | 基于联合注意力和自适应nms的目标检测方法和系统 | |
| CN112749726B (zh) | 目标检测模型的训练方法、装置、计算机设备和存储介质 | |
| CN112699941B (zh) | 植物病害严重程度图像分类方法、装置、设备和存储介质 | |
| US11449728B2 (en) | Method of optimization of operating a convolutional neural network and system thereof | |
| CN113570029A (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
| CN117037215B (zh) | 人体姿态估计模型训练方法、估计方法、装置及电子设备 | |
| CN111428854A (zh) | 一种结构搜索方法及结构搜索装置 | |
| CN111738270A (zh) | 模型生成方法、装置、设备和可读存储介质 | |
| CN112508924A (zh) | 一种小目标检测识别方法、装置、系统和存储介质 | |
| CN113221645A (zh) | 目标模型训练方法、人脸图像生成方法以及相关装置 | |
| CN114743067A (zh) | 训练数据的增强方法、装置、计算机设备及存储介质 | |
| CN117636298A (zh) | 基于多尺度特征学习的车辆重识别方法、系统及存储介质 | |
| CN114639165B (zh) | 基于人工智能的行人重识别方法、装置、设备及存储介质 | |
| CN114639165A (zh) | 基于人工智能的行人重识别方法、装置、设备及存储介质 | |
| CN113449586A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN113076823B (zh) | 一种年龄预测模型的训练方法、年龄预测方法及相关装置 | |
| CN115830711A (zh) | 基于深度学习的手语词汇识别方法、系统、设备及介质 | |
| CN114973393A (zh) | 一种关系检测方法、装置、计算机设备及存储介质 | |
| CN112989788A (zh) | 关系三元组的提取方法、装置、设备及介质 |
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 |