CN114663839A - 一种遮挡行人重识别方法及系统 - Google Patents

一种遮挡行人重识别方法及系统 Download PDF

Info

Publication number
CN114663839A
CN114663839A CN202210512112.XA CN202210512112A CN114663839A CN 114663839 A CN114663839 A CN 114663839A CN 202210512112 A CN202210512112 A CN 202210512112A CN 114663839 A CN114663839 A CN 114663839A
Authority
CN
China
Prior art keywords
image
identification information
pedestrian
similarity
formula
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
CN202210512112.XA
Other languages
English (en)
Other versions
CN114663839B (zh
Inventor
李星光
张德馨
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.)
Zhongkezhiwei Technology Tianjin Co ltd
Original Assignee
Zhongkezhiwei Technology Tianjin Co ltd
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 Zhongkezhiwei Technology Tianjin Co ltd filed Critical Zhongkezhiwei Technology Tianjin Co ltd
Priority to CN202210512112.XA priority Critical patent/CN114663839B/zh
Publication of CN114663839A publication Critical patent/CN114663839A/zh
Application granted granted Critical
Publication of CN114663839B publication Critical patent/CN114663839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遮挡行人重识别方法及系统，其中方法包括获取训练集中行人图像的遮挡率，根据遮挡率将行人图像分块，得到每幅行人图像对应的多个序列块；将每幅行人图像对应的多个序列块输入至识别模型中，训练识别模型，得到每幅行人图像的识别信息；将待识别图像和注册图像分块并分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息；确定待识别图像的识别信息和注册图像的识别信息之间的相似度，根据相似度确定识别结果。本发明能够同时提取出全局特征、局部特征以及局部特征的遮挡概率描述，从而提高遮挡行人重识别精度。本发明还可以将手工标记关联到分块策略上，提升检索识别的灵活性。

Description

一种遮挡行人重识别方法及系统
技术领域
本发明公开了一种遮挡行人重识别方法及系统，属于行人重识别技术领域。
背景技术
近年人工智能技术在不断进步，尤其是在计算机视觉领域，从传统提取特征到现在的深度学习技术，不断推进学术界与工业界的发展。行人重识别技术是继人脸识别技术以来又一重要的以人为中心的研究领域，该领域在现实社会中具有非常重要的现实意义和商业转化前景。行人重识别(Person re-identification)目标是依托遍布各地、各场景的监控设备实现跨摄像头的行人特征提取和检索。
传统的行人重识别研究方法可分为基于图像手工特征设计、度量学习以及深度学习的相关方法，在相关的数据集中也取得了较高的识别率。但是在实际的应用场景中，行人重识别技术面临很多问题，如行人的姿态变化、分辨率的变化以及图像域变化等。其中尤其是遮挡因素，越来越得到关注。在一些场景中，行人往往容易被建筑物、人群、汽车等遮挡，或者由于部分身体走出了摄像机拍摄区域而造成遮挡，使得行人图像本身的可辨别性能急剧下降，造成了识别系统的误匹配。特别是在人员密集等条件下，行人的遮挡情况非常严重，从而大大降低了系统的识别性能。因此，有必要准确匹配只具有局部可观测的行人图像。
与匹配出现行人整体信息的情况相比，遮挡情况下的行人重识别更具挑战性，原因如下：
a. 在遮挡区域中，图像包含的辨别信息较少，使得更容易被匹配到错误的人身上去；
b. 基于身体部位之间的特征信息做匹配虽然有效，但需要事先进行严格的人体对齐，因此遮挡严重时效果不佳。
发明内容
本申请的目的在于，提供一种遮挡行人重识别方法及系统，以解决现有识别算法存在的遮挡情况下，行人识别结果精度低的技术问题。
本发明的第一方面提供了一种遮挡行人重识别方法，包括：
获取训练集中行人图像的遮挡率，根据所述遮挡率将所述行人图像分块，得到每幅行人图像对应的多个序列块；
将每幅行人图像对应的多个序列块输入至识别模型中，训练所述识别模型，得到每幅行人图像的识别信息，所述识别信息包括全局特征以及每个序列块对应的局部特征和遮挡概率；
将待识别图像和注册图像分块并分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息；
确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，根据所述相似度确定识别结果。
优选地，获取训练集中行人图像的遮挡率，根据所述遮挡率将所述行人图像分块，得到每幅行人图像对应的多个序列块，具体包括：
获取训练集中行人图像的遮挡比例，得到遮挡比例热图；
对所述遮挡比例热图进行预分块；
获取每个所述预分块的遮挡率，根据所述遮挡率确定每个所述预分块的分块粒度；
根据所述分块粒度，将所述行人图像分块，得到每幅行人图像对应的多个序列块。
优选地，获取训练集中行人图像的遮挡比例，具体包括：
根据第一公式确定训练集中行人图像的遮挡比例，所述第一公式为：
Figure RE-710270DEST_PATH_IMAGE001
式中，
Figure RE-342240DEST_PATH_IMAGE002
为所述遮挡比例热图中第
Figure RE-915172DEST_PATH_IMAGE003
个像素点的遮挡比例，
Figure RE-898172DEST_PATH_IMAGE004
为所述图像序列中第
Figure RE-480332DEST_PATH_IMAGE005
幅行人图像第
Figure RE-966808DEST_PATH_IMAGE006
个像素点的遮挡值，且
Figure RE-976221DEST_PATH_IMAGE007
，
Figure RE-180937DEST_PATH_IMAGE008
和
Figure RE-566788DEST_PATH_IMAGE009
分别为所述行人图像的长和宽，
Figure RE-642192DEST_PATH_IMAGE010
为训练集中行人图像的总数量。
优选地，将每幅行人图像对应的多个序列块输入至识别模型中，训练所述识别模型，得到每幅行人图像的识别信息，具体包括：
将每幅行人图像对应的多个序列块输入至识别模型的线性投射模块，得到线性向量；
在所述线性向量中添加每个所述序列块的位置信息，得到输入向量；
将所述输入向量输入至所述识别模型的自注意力学习模块中，得到每幅行人图像的识别信息；
根据所述识别信息和所述识别信息对应的损失函数，优化所述识别模型的参数，得到训练好的识别模型。
优选地，所述损失函数根据第二公式确定，所述第二公式为：
Figure RE-88085DEST_PATH_IMAGE011
式中
Figure RE-780098DEST_PATH_IMAGE012
为所述识别模型的损失函数，
Figure RE-704060DEST_PATH_IMAGE013
为所述全局特征的损失函数，
Figure RE-165129DEST_PATH_IMAGE014
为第
Figure RE-516344DEST_PATH_IMAGE015
个序列块对应的局部特征的损失函数，
Figure RE-679341DEST_PATH_IMAGE016
为第
Figure RE-157727DEST_PATH_IMAGE017
个序列块对应的遮挡概率的损失函数。
优选地，所述全局特征的损失函数和所述局部特征的损失函数为交叉熵损失函数或者局部三元组损失函数；
所述遮挡概率的损失函数如第三公式，所述第三公式为：
Figure RE-988149DEST_PATH_IMAGE018
式中，
Figure RE-260998DEST_PATH_IMAGE019
为第
Figure RE-911291DEST_PATH_IMAGE020
幅行人图像的第
Figure RE-927789DEST_PATH_IMAGE021
个序列块的遮挡标签且
Figure RE-624436DEST_PATH_IMAGE022
，
Figure RE-802607DEST_PATH_IMAGE023
为第
Figure RE-205776DEST_PATH_IMAGE024
幅行人图像的第
Figure RE-25964DEST_PATH_IMAGE025
个序列块的遮挡预测分类概 率，
Figure RE-565399DEST_PATH_IMAGE026
为训练集中行人图像的总数量。
优选地，确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，具体包括：
确定所述待识别图像的识别信息和所述注册图像的识别信息中的全局特征之间的第一相似度；
确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第二相似度；
利用第四公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，所述第四公式为：
Figure RE-180051DEST_PATH_IMAGE027
式中，
Figure RE-804936DEST_PATH_IMAGE028
为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，
Figure RE-163236DEST_PATH_IMAGE029
为所述第一相似度，
Figure RE-822757DEST_PATH_IMAGE030
为第
Figure RE-591998DEST_PATH_IMAGE031
个序列块的第二相似度，
Figure RE-454912DEST_PATH_IMAGE032
和
Figure RE-866171DEST_PATH_IMAGE033
分别为所述第一相似度和所述第二相似度的权重，
Figure RE-130930DEST_PATH_IMAGE034
根据第五公式确定，所述第五公式为：
Figure RE-336652DEST_PATH_IMAGE035
式中，
Figure RE-686862DEST_PATH_IMAGE036
为所述待识别图像的第
Figure RE-636233DEST_PATH_IMAGE031
个序列块的遮挡概率，
Figure RE-489919DEST_PATH_IMAGE037
为所述注册图像的第
Figure RE-132122DEST_PATH_IMAGE031
个序列块的遮挡概率，
Figure RE-969628DEST_PATH_IMAGE038
为预先设定的遮挡阈值。
优选地，在确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度之前，还包括：
判断所述待识别图像中是否含有手工标注的遮挡区域标记，如是，则确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，具体包括：
确定所述待识别图像的识别信息和所述注册图像的识别信息中的全局特征之间的第一相似度；
确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第二相似度；
利用第六公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，所述第六公式为：
Figure RE-722689DEST_PATH_IMAGE039
式中，
Figure RE-696461DEST_PATH_IMAGE040
为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，
Figure RE-509565DEST_PATH_IMAGE041
为所述第一相似度，
Figure RE-568788DEST_PATH_IMAGE042
为第
Figure RE-859961DEST_PATH_IMAGE043
个序列块的第二相似度，
Figure RE-953819DEST_PATH_IMAGE044
和
Figure RE-672245DEST_PATH_IMAGE045
分别为所述第一相似度和所述第二相似度的权重，
Figure RE-468032DEST_PATH_IMAGE046
根据第七公式确定，所述第七公式为：
Figure RE-579207DEST_PATH_IMAGE047
式中，
Figure RE-511260DEST_PATH_IMAGE048
为所述待识别图像的第
Figure RE-416899DEST_PATH_IMAGE049
个序列块中遮挡区域的面积，
Figure RE-711701DEST_PATH_IMAGE050
为所述待识别图像的第
Figure RE-829829DEST_PATH_IMAGE051
个序列块的面积，
Figure RE-147547DEST_PATH_IMAGE052
为预先设定的第一标记阈值。
优选地，在确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度之前，还包括：
判断所述待识别图像中是否含有手工标注的感兴趣区域标记，如是，则确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，具体包括：
确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第二相似度；
利用第八公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，所述第八公式为：
Figure RE-958508DEST_PATH_IMAGE053
式中，
Figure RE-728887DEST_PATH_IMAGE054
为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，
Figure RE-916286DEST_PATH_IMAGE055
为第
Figure RE-88510DEST_PATH_IMAGE056
个序列块的第二相似度，
Figure RE-335952DEST_PATH_IMAGE057
根据第九公式确定，所述第九公式为：
Figure RE-593627DEST_PATH_IMAGE058
式中，
Figure RE-568405DEST_PATH_IMAGE059
为所述待识别图像的第
Figure RE-345868DEST_PATH_IMAGE060
个序列块中感兴趣区域的面积，
Figure RE-13479DEST_PATH_IMAGE061
为所述待识别图像的第
Figure RE-243603DEST_PATH_IMAGE062
个序列块的面积，
Figure RE-22072DEST_PATH_IMAGE063
为预先设定的第二标记阈值。
本发明的第二方面提供了一种遮挡行人重识别系统，包括：
分块模块，所述分块模块用于获取训练集中行人图像的遮挡率，根据所述遮挡率将所述行人图像分块，得到每幅行人图像对应的多个序列块；
模型训练模块，所述模型训练模块用于将每幅行人图像对应的多个序列块输入至识别模型中，训练所述识别模型，得到每幅行人图像的识别信息，所述识别信息包括全局特征以及每个序列块对应的局部特征和遮挡概率；
识别信息获取模块，所述识别信息获取模块用于将待识别图像和注册图像分块并分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息；
结果确定模块，所述结果确定模块用于确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，根据所述相似度确定识别结果。
本发明的遮挡行人重识别方法及系统，相较于现有技术，具有如下有益效果：
本发明提出了遮挡行人识别的特征提取的新框架，能够同时提取出适配的全局特征、局部特征以及局部特征的遮挡概率描述，从而提高遮挡情况下的行人特征表征能力，提高遮挡行人重识别精度。
进一步地，本发明结合手工标记的遮挡行人重识别方法，可以将手工标记关联到本方法的分块策略上，检索识别过程中可使用全局特征、局部特征和遮挡概率进行检索识别或者可以使用局部特征进行检索识别，提升了检索识别的灵活性。
附图说明
图1为本发明实施例中遮挡行人重识别方法的流程示意图；
图2为本发明实施例中一个图像序列的遮挡比例热图；
图3为本发明实施例中分块粒度示意图，（a）为细粒度分块示意图；（b）为中等粒度分块示意图；（c）为粗粒度分块示意图；
图4为本发明实施例中训练识别模型的示意图。
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，以便透彻理解本发明实施例。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发明。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发明的描述。
本发明的第一方面提供了一种遮挡行人重识别方法，其流程如图1所示，包括：
步骤1、获取训练集中行人图像的遮挡率，根据遮挡率将行人图像分块，得到每幅行人图像对应的多个序列块，具体包括：
步骤11、获取训练集中行人图像的遮挡比例，得到遮挡比例热图。
本发明实施例中，在获取训练集中行人图像的遮挡比例之前，需要先对训练集中的行人图像进行遮挡区域标记，标记可为人工标记或者使用现有技术中的算法进行标记。
根据公式（1）确定训练集中行人图像的遮挡比例，公式（1）为：
Figure RE-654041DEST_PATH_IMAGE064
（1）
式中，
Figure RE-492553DEST_PATH_IMAGE002
为所述遮挡比例热图中第
Figure RE-475553DEST_PATH_IMAGE003
个像素点的遮挡比例，
Figure RE-57713DEST_PATH_IMAGE004
为图像序列中第
Figure RE-544189DEST_PATH_IMAGE005
幅行人图像第
Figure RE-819181DEST_PATH_IMAGE006
个像素点的遮挡值，且
Figure RE-23898DEST_PATH_IMAGE007
，
Figure RE-144169DEST_PATH_IMAGE008
和
Figure RE-750731DEST_PATH_IMAGE009
分别为所述行人图像的长和宽，
Figure RE-931046DEST_PATH_IMAGE010
为训练集中行人图像的总数量。
本发明实施例中的像素点的遮挡值
Figure RE-357479DEST_PATH_IMAGE065
的确定方式为：
若第y幅行人图像第i个像素点被遮挡，则
Figure RE-547021DEST_PATH_IMAGE066
，否则
Figure RE-8089DEST_PATH_IMAGE067
。
示例性地，本发明实施例中的一个图像序列的遮挡比例热图如图2所示。其中深色为遮挡比例高的区域，浅色为遮挡比例低的区域。
步骤12、对遮挡比例热图进行预分块。
步骤13、获取每个预分块的遮挡率，根据遮挡率确定每个预分块的分块粒度。
本发明实施例中的每个预分块的遮挡率可根据对应预分块内的像素点的遮挡比例确定。具体可为预分块内像素点遮挡比例的和或者预分块内像素点遮挡比例的均值。
在确定了每个预分块的遮挡率之后，可将遮挡率与预设的遮挡率阈值进行对比，以确定每个预分块的分块粒度。示例性地，如遮挡率大于或等于预设的遮挡率阈值，则该预分块可使用细粒度划分，以更好地描述遮挡情况，便于后续识别；如遮挡率小于预设的遮挡率阈值，则该预分块可使用粗粒度划分，以减少总分块数，减少数据处理量，提升识别速度。其中分块也可以考虑区域重叠，块与块之间可重叠，以尽可能群举遮挡分布情况。
本发明实施例中的细粒度划分以及粗粒度划分中具体的粒度可根据实际情况确定。
示例性地，本发明实施例的分块粒度可为如图3所示的粒度，图3中的（a）为细粒度分块，可用
Figure RE-359305DEST_PATH_IMAGE068
表征，其中
Figure RE-538613DEST_PATH_IMAGE069
为总序列块数，
Figure RE-688DEST_PATH_IMAGE070
为第一个序列块。图3中的（b）为中等粒度分块，可用
Figure RE-316262DEST_PATH_IMAGE071
表征，其中
Figure RE-115677DEST_PATH_IMAGE072
为总序列块数，
Figure RE-516703DEST_PATH_IMAGE073
为第一个序列块。图3中的（c）为粗粒度分块，可用
Figure RE-782468DEST_PATH_IMAGE074
表征，其中
Figure RE-467396DEST_PATH_IMAGE075
为总序列块数，
Figure RE-645568DEST_PATH_IMAGE076
为第一个序列块。具体使用哪种分块粒度可根据实际情况确定。
步骤14、根据分块粒度，将行人图像分块，得到每幅行人图像对应的多个序列块。将每幅行人图像中k个序列块的遮挡比例记为
Figure RE-48736DEST_PATH_IMAGE077
。
步骤2、将每幅行人图像对应的多个序列块输入至识别模型中，训练识别模型，得到每幅行人图像的识别信息，识别信息包括全局特征以及每个序列块对应的局部特征和遮挡概率，该过程如图4所示，具体包括：
步骤21、将每幅行人图像对应的多个序列块输入至识别模型的线性投射模块，得到线性向量。
本发明实施例的识别模型为Vision Transormer模型。
transformer结构是google在17年的Attention Is All You Need论文中提出的，在自然语言处理的多个任务上取得了非常好的效果。其将句子中的分词(token) 通过变换得到嵌入特征，然后利用自注意力机制结构获取增加了注意力结构之后的信息，然后通过多层堆叠的transformer 结构，形成了自然语言处理中的encoder 和 decoder 结构，完成相应任务。
近年，transformer 结构被引入至计算机视觉中，具体为Vision Transormer(VIT)。Vision Transormer在不改变Transformer中Encoder架构的前提下，直接将其从NLP领域迁移到了计算机视觉领域中。
步骤22、在线性向量中添加每个序列块的位置信息，得到输入向量
Figure RE-868925DEST_PATH_IMAGE078
，其中
Figure RE-408359DEST_PATH_IMAGE079
如公式（2）所示：
Figure RE-23011DEST_PATH_IMAGE080
（2）
式中，
Figure RE-382317DEST_PATH_IMAGE081
表示第
Figure RE-6197DEST_PATH_IMAGE082
个序列块的遮挡比例，
Figure RE-400138DEST_PATH_IMAGE083
为第
Figure RE-451270DEST_PATH_IMAGE084
个序列块的位置信息，j=1,2，…，k。
本发明实施例在添加位置信息
Figure RE-563452DEST_PATH_IMAGE085
时，也将该位置对应的遮挡概率叠加，以更好的描述训练集中行人图像的遮挡情况，并增强识别模型的学习能力。
步骤23、将输入向量输入至识别模型（VIT模型）的自注意力学习模块中，得到每幅 行人图像的识别信息，具体地，将
Figure RE-459864DEST_PATH_IMAGE086
输入至识别模型的自注意力学习模块 中，得到一个全局特征
Figure RE-973890DEST_PATH_IMAGE087
和每个序列块对应的局部特征
Figure RE-195924DEST_PATH_IMAGE088
及每个序列块对应的遮挡概率
Figure RE-264243DEST_PATH_IMAGE089
，其中
Figure RE-479193DEST_PATH_IMAGE090
为全局特征的维数，下角标
Figure RE-598459DEST_PATH_IMAGE091
为全局特征标 志，下角标
Figure RE-240662DEST_PATH_IMAGE092
为局部特征标志。
步骤24、根据识别信息和识别信息对应的损失函数，优化识别模型的参数，得到训练好的识别模型，其中，损失函数根据公式（3）确定：
Figure RE-812588DEST_PATH_IMAGE093
（3）
式中
Figure RE-565650DEST_PATH_IMAGE094
为识别模型的损失函数，
Figure RE-539422DEST_PATH_IMAGE095
为全局特征的损失函数，通常将
Figure RE-352526DEST_PATH_IMAGE096
特征接入分类层以交叉熵损失函数或者局部三元组损失函数表达，
Figure RE-146169DEST_PATH_IMAGE097
为第
Figure RE-702922DEST_PATH_IMAGE098
个序列块对应的局部特征的损失函数，通常将
Figure RE-796780DEST_PATH_IMAGE099
特征接入分类层以交叉熵损失函数或者局部三元组损失函数表达，
Figure RE-780785DEST_PATH_IMAGE100
为第
Figure RE-61725DEST_PATH_IMAGE101
个序列块对应的遮挡概率的损失函数。
进一步地，全局特征的损失函数和局部特征的损失函数为交叉熵损失函数或者局部三元组损失函数等，损失计算可以提升图像的特征表达能力。示例性地，其中全局特征的交叉熵损失函数的具体形式如公式（4）所示：
Figure RE-168307DEST_PATH_IMAGE102
（4）
式中，
Figure RE-116672DEST_PATH_IMAGE103
为全局特征的损失函数，
Figure RE-271578DEST_PATH_IMAGE104
为类别，
Figure RE-305394DEST_PATH_IMAGE105
为类别数量，
Figure RE-938369DEST_PATH_IMAGE106
为 第
Figure RE-256087DEST_PATH_IMAGE107
幅行人图像的全局特征
Figure RE-332627DEST_PATH_IMAGE108
的类别标签，
Figure RE-837427DEST_PATH_IMAGE109
为第
Figure RE-290405DEST_PATH_IMAGE110
幅行人图像 的全局特征的预测分类概率，训练集共
Figure RE-462629DEST_PATH_IMAGE111
幅行人图像。
更进一步地，为了学习各序列块的遮挡概率，可以通过两类的交叉熵损失进行表示，则遮挡概率的损失函数如下述公式（5）：
Figure RE-444492DEST_PATH_IMAGE018
（5）
式中，
Figure RE-436587DEST_PATH_IMAGE019
为第
Figure RE-427677DEST_PATH_IMAGE020
幅行人图像的第
Figure RE-454408DEST_PATH_IMAGE021
个序列块的遮挡标签且
Figure RE-872751DEST_PATH_IMAGE022
，
Figure RE-617722DEST_PATH_IMAGE023
为第
Figure RE-146923DEST_PATH_IMAGE024
幅行人图像的第
Figure RE-293739DEST_PATH_IMAGE025
个序列块的遮挡预测分类概 率，
Figure RE-617405DEST_PATH_IMAGE026
为训练集中行人图像的总数量。
完成了识别模型的训练后，可以构建遮挡行人数据集的底库。其中每幅行人图像的特征可由其全局特征和各序列块的局部特征及其遮挡概率一起组成。在进行识别时，使用步骤3和步骤4对待识别图像A和底库中的注册图像B分别提取相应特征集合并进行相似度比对即可得到识别结果。
步骤3、将待识别图像和注册图像分块并分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息。
本发明实施例中对待识别图像和注册图像分块所使用的方法为上述步骤1中的方法，得到待识别图像对应的多个序列块和注册图像对应的多个序列块。
将待识别图像对应的多个序列块输入至训练好的识别模型中，得到待识别图像的全局特征、每一个序列块的局部特征和遮挡概率。
将注册图像对应的多个序列块输入至训练好的识别模型中，得到注册图像的全局特征、每一个序列块的局部特征和遮挡概率。
步骤4、确定待识别图像的识别信息和注册图像的识别信息之间的相似度，根据相似度确定识别结果。
在第一种实施例中，步骤4具体为：
步骤41、确定待识别图像的识别信息和注册图像的识别信息中的全局特征之间的第一相似度，其中第一相似度的计算公式如式（6）：
Figure RE-584092DEST_PATH_IMAGE112
（6）
式中，
Figure RE-916985DEST_PATH_IMAGE113
为第一相似度，
Figure RE-918308DEST_PATH_IMAGE114
为待识别图像的全局特征，
Figure RE-678453DEST_PATH_IMAGE115
为注册图像的全局特征，
Figure RE-132437DEST_PATH_IMAGE116
相似度计算函数，可为欧氏距离、卡方距离或者Cosine距离等。
步骤42、确定待识别图像的识别信息和注册图像的识别信息中的局部特征之间的第二相似度，其中第二相似度的计算公式如式（7）：
Figure RE-269021DEST_PATH_IMAGE117
（7）
式中，
Figure RE-859271DEST_PATH_IMAGE118
为第二相似度，
Figure RE-790318DEST_PATH_IMAGE119
为待识别图像的局部特征，
Figure RE-731598DEST_PATH_IMAGE120
为注册图像的局部特征，
Figure RE-671872DEST_PATH_IMAGE121
，
Figure RE-116629DEST_PATH_IMAGE122
为相似度计算函数，可为欧氏距离、卡方距离或者Cosine距离等。
步骤43、利用公式（8）确定待识别图像的识别信息和注册图像的识别信息之间的相似度，公式（8）为：
Figure RE-479563DEST_PATH_IMAGE123
（8）
式中，
Figure RE-658872DEST_PATH_IMAGE124
为待识别图像的识别信息和注册图像的识别信息之间的相似度，
Figure RE-120946DEST_PATH_IMAGE125
为第一相似度，
Figure RE-436521DEST_PATH_IMAGE126
为第
Figure RE-224217DEST_PATH_IMAGE127
个序列块的第二相似度，
Figure RE-625243DEST_PATH_IMAGE128
和
Figure RE-156587DEST_PATH_IMAGE129
分别为第一相似度和第二相似度的权重，可通过经验获得，
Figure RE-326668DEST_PATH_IMAGE130
根据公式（9）确定，公式（9）为：
Figure RE-285266DEST_PATH_IMAGE131
（9）
式中，
Figure RE-908008DEST_PATH_IMAGE132
为待识别图像的第
Figure RE-977464DEST_PATH_IMAGE133
个序列块的遮挡概率，
Figure RE-267631DEST_PATH_IMAGE134
为注册图像的第
Figure RE-131551DEST_PATH_IMAGE133
个序列块的遮挡概率，
Figure RE-507169DEST_PATH_IMAGE135
为预先设定的遮挡阈值。
本实施例设置
Figure RE-380316DEST_PATH_IMAGE136
的原因是：局部特征比对模块中，首先需要定义匹配模块，即如何对这两幅图像的局部特征进行匹配。对于每个局部区域，首先判断是否参与相似度计算，因此设置了
Figure RE-524989DEST_PATH_IMAGE137
。若待识别图像A或注册图像B中判定该区域遮挡概率大于预先设定的遮挡阈值，则该局部特征不参与相似度计算，否则按照遮挡概率作为加权系数，最终完成局部特征的比对。
在第二种实施例中，针对于一幅具体的待识别图像，可以直接手工标记出遮挡区域，以获取更精确的识别结果。
在该种实施例中，在计算相似度之前，需要判断待识别图像中是否含有手工标注的遮挡区域标记，如是，则步骤4，具体包括：
步骤41、确定待识别图像的识别信息和注册图像的识别信息中的全局特征之间的第一相似度
Figure RE-825389DEST_PATH_IMAGE138
；
步骤42、确定待识别图像的识别信息和注册图像的识别信息中的局部特征之间的第二相似度
Figure RE-671991DEST_PATH_IMAGE139
；
步骤43、利用公式（10）确定待识别图像的识别信息和注册图像的识别信息之间的相似度，公式（10）为：
Figure RE-833982DEST_PATH_IMAGE140
（10）
式中，
Figure RE-348009DEST_PATH_IMAGE141
为待识别图像的识别信息和注册图像的识别信息之间的相似度，
Figure RE-304464DEST_PATH_IMAGE142
为第一相似度，
Figure RE-638362DEST_PATH_IMAGE143
为第
Figure RE-604044DEST_PATH_IMAGE144
个序列块的第二相似度，
Figure RE-972578DEST_PATH_IMAGE145
和
Figure RE-365513DEST_PATH_IMAGE146
分别为第一相似度和第二相似度的权重，
Figure RE-921128DEST_PATH_IMAGE147
根据公式（11）确定，公式（11）为：
Figure RE-424922DEST_PATH_IMAGE148
（11）
式中，
Figure RE-913541DEST_PATH_IMAGE149
为待识别图像的第j个序列块中遮挡区域的面积，
Figure RE-477377DEST_PATH_IMAGE150
为待识别图像的第
Figure RE-520288DEST_PATH_IMAGE151
个序列块的面积，
Figure RE-495284DEST_PATH_IMAGE152
，
Figure RE-307251DEST_PATH_IMAGE153
为预先设定的第一标记阈值。
如否，则步骤4的步骤与第一种实施例的步骤相同。
在第三种实施例中，针对于一幅具体的待识别图像，可以直接手工标记出想要识别的感兴趣区域，以获取与该区域相似的候选目标集。
在该种实施例中，在计算相似度之前，需要判断待识别图像中是否含有手工标注的感兴趣区域（region of interest，ROI）标记，如是，则步骤4，具体包括：
步骤41、确定待识别图像的识别信息和注册图像的识别信息中的局部特征之间的第二相似度；
步骤42、利用公式（12）确定待识别图像的识别信息和注册图像的识别信息之间的相似度，公式（12）为：
Figure RE-41989DEST_PATH_IMAGE154
（12）
式中，
Figure RE-837775DEST_PATH_IMAGE155
为待识别图像的识别信息和注册图像的识别信息之间的相似度，
Figure RE-683372DEST_PATH_IMAGE156
为第
Figure RE-615424DEST_PATH_IMAGE157
个序列块的第二相似度，
Figure RE-770331DEST_PATH_IMAGE158
根据公式（13）确定，公式（13）为：
Figure RE-804146DEST_PATH_IMAGE159
（13）
式中，
Figure RE-702701DEST_PATH_IMAGE048
为待识别图像的第
Figure RE-505572DEST_PATH_IMAGE160
个序列块中感兴趣区域的面积，
Figure RE-831380DEST_PATH_IMAGE050
为待识别图像的第
Figure RE-352491DEST_PATH_IMAGE160
个序列块的面积，
Figure RE-54737DEST_PATH_IMAGE161
为预先设定的第二标记阈值。
如否，则步骤4的步骤与第一种实施例的步骤相同。
本发明提出了遮挡行人识别的特征提取的新框架，能够同时提取出适配的全局特征、局部特征以及局部特征的遮挡概率描述，从而提高遮挡情况下的行人特征表征能力，提高遮挡行人重识别精度。
进一步地，本发明结合手工标记的遮挡行人重识别方法，可以将手工标记关联到本方法的分块策略上，检索识别过程中可使用全局特征、局部特征和遮挡概率进行检索识别或者可以使用局部特征进行检索识别，提升了检索识别的灵活性。
在某些复杂的遮挡场景，比如可能存在遮挡、模糊等情况，导致行人的全局信息不完整，而造成的全局特征不准确，可以采用局部特征联合全局特征进行细节检索。即在获取一副待识别图像时，可以指定该待识别图像的某一局部区域，在提取完该图像全局和局部特征之后，可以采用对应的局部特征在遮挡数据库中查询与该局部特征相似的图像集合，返回查询结果。
本发明的第二方面提供了一种遮挡行人重识别系统，包括分块模块、模型训练模块、识别信息获取模块和结果确定模块。
其中分块模块用于获取训练集中行人图像的遮挡率，根据遮挡率将行人图像分块，得到每幅行人图像对应的多个序列块；
模型训练模块用于将每幅行人图像对应的多个序列块输入至识别模型中，训练识别模型，得到每幅行人图像的识别信息，识别信息包括全局特征以及每个序列块对应的局部特征和遮挡概率；
识别信息获取模块用于将待识别图像和注册图像分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息；
结果确定模块用于确定待识别图像的识别信息和注册图像的识别信息之间的相似度，根据相似度确定识别结果。
本发明是一种基于Vision Transormer(VIT)的遮挡行人重识别系统，通过提取遮挡下的行人图像的全局特征、局部特征和遮挡概率，提升检索的精度和适用性。
进一步地，本发明系统由于将手工标记关联到分块策略上，因此系统的检索灵活性更强。
以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (10)

1.一种遮挡行人重识别方法，其特征在于，包括：
获取训练集中行人图像的遮挡率，根据所述遮挡率将所述行人图像分块，得到每幅行人图像对应的多个序列块；
将每幅行人图像对应的多个序列块输入至识别模型中，训练所述识别模型，得到每幅行人图像的识别信息，所述识别信息包括全局特征以及每个序列块对应的局部特征和遮挡概率；
将待识别图像和注册图像分块并分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息；
确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，根据所述相似度确定识别结果。
2.根据权利要求1所述的遮挡行人重识别方法，其特征在于，获取训练集中行人图像的遮挡率，根据所述遮挡率将所述行人图像分块，得到每幅行人图像对应的多个序列块，具体包括：
获取训练集中行人图像的遮挡比例，得到遮挡比例热图；
对所述遮挡比例热图进行预分块；
获取每个所述预分块的遮挡率，根据所述遮挡率确定每个所述预分块的分块粒度；
根据所述分块粒度，将所述行人图像分块，得到每幅行人图像对应的多个序列块。
3.根据权利要求2所述的遮挡行人重识别方法，其特征在于，获取训练集中行人图像的遮挡比例，具体包括：
根据第一公式确定训练集中行人图像的遮挡比例，所述第一公式为：
Figure 607096DEST_PATH_IMAGE001
式中，
Figure 786405DEST_PATH_IMAGE002
为所述遮挡比例热图中第
Figure 514058DEST_PATH_IMAGE003
个像素点的遮挡比例，
Figure 829633DEST_PATH_IMAGE004
为第
Figure 882908DEST_PATH_IMAGE005
幅行人图像第
Figure 283934DEST_PATH_IMAGE006
个像素点的遮挡值，且
Figure 80858DEST_PATH_IMAGE007
，
Figure 250939DEST_PATH_IMAGE008
和
Figure 209536DEST_PATH_IMAGE009
分别为所述行人图像的长和宽，
Figure 363437DEST_PATH_IMAGE010
为训练集中行人图像的总数量。
4.根据权利要求1所述的遮挡行人重识别方法，其特征在于，将每幅行人图像对应的多个序列块输入至识别模型中，训练所述识别模型，得到每幅行人图像的识别信息，具体包括：
将每幅行人图像对应的多个序列块输入至识别模型的线性投射模块，得到线性向量；
在所述线性向量中添加每个所述序列块的位置信息，得到输入向量；
将所述输入向量输入至所述识别模型的自注意力学习模块中，得到每幅行人图像的识别信息；
根据所述识别信息和所述识别信息对应的损失函数，优化所述识别模型的参数，得到训练好的识别模型。
5.根据权利要求4所述的遮挡行人重识别方法，其特征在于，所述损失函数根据第二公式确定，所述第二公式为：
Figure DEST_PATH_IMAGE011
式中
Figure 636156DEST_PATH_IMAGE012
为所述识别模型的损失函数，
Figure 926323DEST_PATH_IMAGE013
为所述全局特征的损失函数，
Figure 321401DEST_PATH_IMAGE014
为第
Figure 697018DEST_PATH_IMAGE015
个序列块对应的局部特征的损失函数，
Figure 835745DEST_PATH_IMAGE016
为第
Figure 980418DEST_PATH_IMAGE017
个序列块对应的遮挡概率的损失函数。
6.根据权利要求5所述的遮挡行人重识别方法，其特征在于，所述全局特征的损失函数和所述局部特征的损失函数为交叉熵损失函数或者局部三元组损失函数；
所述遮挡概率的损失函数如第三公式，所述第三公式为：
Figure 297130DEST_PATH_IMAGE018
式中，
Figure DEST_PATH_IMAGE019
为第
Figure 612574DEST_PATH_IMAGE020
幅行人图像的第
Figure 289412DEST_PATH_IMAGE021
个序列块的遮挡标签且
Figure 554171DEST_PATH_IMAGE022
，
Figure 25472DEST_PATH_IMAGE023
为第
Figure 375682DEST_PATH_IMAGE024
幅行人图像的第
Figure 606943DEST_PATH_IMAGE025
个序列块的遮挡预测分类概 率，
Figure 241056DEST_PATH_IMAGE026
为训练集中行人图像的总数量。
7.根据权利要求1-6任一项所述的遮挡行人重识别方法，其特征在于，确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，具体包括：
确定所述待识别图像的识别信息和所述注册图像的识别信息中的全局特征之间的第一相似度；
确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第二相似度；
利用第四公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，所述第四公式为：
Figure 633991DEST_PATH_IMAGE027
式中，
Figure 279404DEST_PATH_IMAGE028
为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，
Figure 783198DEST_PATH_IMAGE029
为所述第一相似度，
Figure 740658DEST_PATH_IMAGE030
为第
Figure 22604DEST_PATH_IMAGE031
个序列块的第二相似度，
Figure 81827DEST_PATH_IMAGE032
和
Figure 638579DEST_PATH_IMAGE033
分别为所述第一相似度和所述第二相似度的权重，
Figure 998016DEST_PATH_IMAGE034
根据第五公式确定，所述第五公式为：
Figure 982022DEST_PATH_IMAGE035
式中，
Figure 794120DEST_PATH_IMAGE036
为所述待识别图像的第
Figure 357825DEST_PATH_IMAGE031
个序列块的遮挡概率，
Figure 306190DEST_PATH_IMAGE037
为所述注册图像的第
Figure 195517DEST_PATH_IMAGE031
个序列块的遮挡概率，
Figure 229332DEST_PATH_IMAGE038
为预先设定的遮挡阈值。
8.根据权利要求1-6任一项所述的遮挡行人重识别方法，其特征在于，在确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度之前，还包括：
判断所述待识别图像中是否含有手工标注的遮挡区域标记，如是，则确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，具体包括：
确定所述待识别图像的识别信息和所述注册图像的识别信息中的全局特征之间的第一相似度；
确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第二相似度；
利用第六公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，所述第六公式为：
Figure 127887DEST_PATH_IMAGE039
式中，
Figure 930758DEST_PATH_IMAGE040
为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，
Figure 256566DEST_PATH_IMAGE041
为所述第一相似度，
Figure 777677DEST_PATH_IMAGE042
为第
Figure 214344DEST_PATH_IMAGE043
个序列块的第二相似度，
Figure 120989DEST_PATH_IMAGE044
和
Figure 102851DEST_PATH_IMAGE045
分别为所述第一相似度和所述第二相似度的权重，
Figure 360526DEST_PATH_IMAGE046
根据第七公式确定，所述第七公式为：
Figure 351616DEST_PATH_IMAGE047
式中，
Figure 112767DEST_PATH_IMAGE048
为所述待识别图像的第
Figure 531110DEST_PATH_IMAGE049
个序列块中遮挡区域的面积，
Figure 276081DEST_PATH_IMAGE050
为所述待识别图像的第
Figure 805283DEST_PATH_IMAGE051
个序列块的面积，
Figure 686520DEST_PATH_IMAGE052
为预先设定的第一标记阈值。
9.根据权利要求1-6任一项所述的遮挡行人重识别方法，其特征在于，在确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度之前，还包括：
判断所述待识别图像中是否含有手工标注的感兴趣区域标记，如是，则确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，具体包括：
确定所述待识别图像的识别信息和所述注册图像的识别信息中的局部特征之间的第二相似度；
利用第八公式确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，所述第八公式为：
Figure 541343DEST_PATH_IMAGE053
式中，
Figure 508031DEST_PATH_IMAGE054
为所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，
Figure 840924DEST_PATH_IMAGE055
为第
Figure 853965DEST_PATH_IMAGE056
个序列块的第二相似度，
Figure 348532DEST_PATH_IMAGE057
根据第九公式确定，所述第九公式为：
Figure 802516DEST_PATH_IMAGE058
式中，
Figure 939099DEST_PATH_IMAGE059
为所述待识别图像的第
Figure 529349DEST_PATH_IMAGE060
个序列块中感兴趣区域的面积，
Figure 709664DEST_PATH_IMAGE061
为所述待识别图像的第
Figure 667255DEST_PATH_IMAGE062
个序列块的面积，
Figure 341950DEST_PATH_IMAGE063
为预先设定的第二标记阈值。
10.一种遮挡行人重识别系统，其特征在于，包括：
分块模块，所述分块模块用于获取训练集中行人图像的遮挡率，根据所述遮挡率将所述行人图像分块，得到每幅行人图像对应的多个序列块；
模型训练模块，所述模型训练模块用于将每幅行人图像对应的多个序列块输入至识别模型中，训练所述识别模型，得到每幅行人图像的识别信息，所述识别信息包括全局特征以及每个序列块对应的局部特征和遮挡概率；
识别信息获取模块，所述识别信息获取模块用于将待识别图像和注册图像分块并分别输入至训练好的识别模型中，得到待识别图像的识别信息和注册图像的识别信息；
结果确定模块，所述结果确定模块用于确定所述待识别图像的识别信息和所述注册图像的识别信息之间的相似度，根据所述相似度确定识别结果。
CN202210512112.XA 2022-05-12 2022-05-12 一种遮挡行人重识别方法及系统 Active CN114663839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210512112.XA CN114663839B (zh) 2022-05-12 2022-05-12 一种遮挡行人重识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210512112.XA CN114663839B (zh) 2022-05-12 2022-05-12 一种遮挡行人重识别方法及系统

Publications (2)

Publication Number Publication Date
CN114663839A true CN114663839A (zh) 2022-06-24
CN114663839B CN114663839B (zh) 2022-11-04

Family

ID=82037928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210512112.XA Active CN114663839B (zh) 2022-05-12 2022-05-12 一种遮挡行人重识别方法及系统

Country Status (1)

Country Link
CN (1) CN114663839B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173221A (zh) * 2023-09-19 2023-12-05 浙江大学 一种基于真实性分级与遮挡恢复的多目标跟踪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101865A (zh) * 2018-05-31 2018-12-28 湖北工业大学 一种基于深度学习的行人重识别方法
CN110929578A (zh) * 2019-10-25 2020-03-27 南京航空航天大学 一种基于注意力机制的抗遮挡行人检测方法
CN112200111A (zh) * 2020-10-19 2021-01-08 厦门大学 一种全局与局部特征融合的遮挡鲁棒行人重识别方法
CN112801051A (zh) * 2021-03-29 2021-05-14 哈尔滨理工大学 一种基于多任务学习的遮挡行人重识别方法
CN113743544A (zh) * 2021-11-05 2021-12-03 中科智为科技(天津)有限公司 一种跨模态神经网络构建方法、行人检索方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101865A (zh) * 2018-05-31 2018-12-28 湖北工业大学 一种基于深度学习的行人重识别方法
CN110929578A (zh) * 2019-10-25 2020-03-27 南京航空航天大学 一种基于注意力机制的抗遮挡行人检测方法
CN112200111A (zh) * 2020-10-19 2021-01-08 厦门大学 一种全局与局部特征融合的遮挡鲁棒行人重识别方法
CN112801051A (zh) * 2021-03-29 2021-05-14 哈尔滨理工大学 一种基于多任务学习的遮挡行人重识别方法
CN113743544A (zh) * 2021-11-05 2021-12-03 中科智为科技(天津)有限公司 一种跨模态神经网络构建方法、行人检索方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEIQIANG JIN ET.AL: "CvT-ASSD: Convolutional vision-Transformer Based Attentive Single Shot MultiBox Detector", 《ARXIV:2110.12364V1》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173221A (zh) * 2023-09-19 2023-12-05 浙江大学 一种基于真实性分级与遮挡恢复的多目标跟踪方法
CN117173221B (zh) * 2023-09-19 2024-04-19 浙江大学 一种基于真实性分级与遮挡恢复的多目标跟踪方法

Also Published As

Publication number Publication date
CN114663839B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
US7519197B2 (en) Object identification between non-overlapping cameras without direct feature matching
CN111507217A (zh) 一种基于局部分辨特征融合的行人重识别方法
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
CN106384345B (zh) 一种基于rcnn的图像检测以及流量统计方法
CN113095263B (zh) 遮挡下行人重识别模型训练方法、装置及遮挡下行人重识别方法、装置
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN112712052A (zh) 一种机场全景视频中微弱目标的检测识别方法
CN106156695A (zh) 出口和/或入口区域识别方法和装置
Zang et al. Traffic lane detection using fully convolutional neural network
CN115841683A (zh) 一种联合多级特征的轻量行人重识别方法
CN116206112A (zh) 基于多尺度特征融合和sam的遥感图像语义分割方法
CN114663839B (zh) 一种遮挡行人重识别方法及系统
CN107045630B (zh) 一种基于rgbd的行人检测和身份识别方法及系统
Wang et al. Multiple pedestrian tracking with graph attention map on urban road scene
CN114882351A (zh) 一种基于改进YOLO-V5s的多目标检测与跟踪方法
CN113129336A (zh) 一种端到端多车辆跟踪方法、系统及计算机可读介质
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
CN115050044B (zh) 一种基于MLP-Mixer的跨模态行人重识别方法
Li et al. Fast monocular visual place recognition for non-uniform vehicle speed and varying lighting environment
CN113392726B (zh) 室外监控场景下人头识别检测方法、系统、终端及介质
CN116385477A (zh) 一种基于图像分割的杆塔图像配准方法
Lin et al. OBBStacking: An ensemble method for remote sensing object detection
Wang et al. Extraction of main urban roads from high resolution satellite images by machine learning
CN114743257A (zh) 图像目标行为的检测识别方法
Xie et al. Feature enhancement and alignment for oriented object detection

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