CN115527168A - 行人重识别方法、存储介质、数据库编辑方法、存储介质 - Google Patents
行人重识别方法、存储介质、数据库编辑方法、存储介质 Download PDFInfo
- Publication number
- CN115527168A CN115527168A CN202211222394.6A CN202211222394A CN115527168A CN 115527168 A CN115527168 A CN 115527168A CN 202211222394 A CN202211222394 A CN 202211222394A CN 115527168 A CN115527168 A CN 115527168A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- local
- identified
- feature
- identification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种行人重识别方法,包括:获取拍摄图像;根据拍摄图像确定待识别行人的坐标信息,以及待识别行人的多个局部块;将待识别行人的坐标信息以及多个局部块输入行人重识别模型中,得到对应的整体行人特征和多个局部行人特征;根据整体行人特征与数据库中预存的多个已识别行人的整体行人特征,得到整体行人重识别结果;根据局部行人特征与数据库中预存的多个已识别行人的局部行人特征,得到局部行人重识别结果;根据整体行人重识别结果和局部行人重识别结果确定待识别行人对应的已识别行人。本发明能够有效提高通过行人重识别技术识别行人身份的准确率。本发明还提供一种计算机可读存储介质、一种数据库编辑方法和一种计算机可读存储介质。
Description
技术领域
本发明涉及行人监控领域,具体地,涉及一种行人重识别方法、一种存储有用于实现该行人重识别方法的行人重识别程序的计算机可读存储介质、一种数据库编辑方法以及一种存储有用于实现该数据库编辑方法的数据库编辑程序的计算机可读存储介质。
背景技术
行人重识别(ReID)技术,是指利用算法在图像库(数据库)中找到要搜索的目标的技术,该技术能够在监控拍不到人脸的情况下,代替人脸识别在视频序列中找到想要找的目标对象,实现对拍摄到的行人进行重识别,确认其实际身份。
现有的行人重识别技术大多是基于目标整体图像的行人重识别,虽然目前的行人重识别模型能够学习到具有较强表征能力的行人特征,但是现实场景中在着装、姿态、发型等因素的影响下大多数行人之间往往存在较强的相似性,并且在一些公共场所下存在对行人遮挡的现象,行人身上许多具有重要意义的细节性信息极容易被忽略。与全局特征相比较,局部特征在图像中的含量比较丰富,并且特征之间的相关性不大,在被遮挡时不会因为某部分特征的消失影响其他特征的表达能力,但如果将视线聚焦于局部特征又容易忽略行人自身的整体性。因此对行人重识别算法的准确率提出了严峻的挑战。
具体地,业内的行人重识别通常将行人全局特征作为判断的依据,使用卷积神经网络将一张图片直接输入卷积网络提取特征,而该方式无法关注到行人的显著特征,因此性能提升并不高。如图1所示,业内的大多行人重识别技术分为3步,首先通过行人检测算法(行人检测算法模型)得到行人在图像中的坐标,然后通过行人重识别模型得到行人的整体特征,最后根据距离测量算法计算得出该行人的特征和数据库中行人特征的相似度,相似度最高的那个人,则与该行人视为同一个人。
然而,当行人被遮挡的时候,行人重识别的准确率常会大幅降低,导致现有的行人重识别技术误检率较高。因此,如何提高行人重识别的准确率,成为本领域亟待解决的技术问题。
发明内容
本发明旨在提供一种行人重识别方法、一种存储有用于实现该行人重识别方法的行人重识别程序的计算机可读存储介质、一种数据库编辑方法以及一种存储有用于实现该数据库编辑方法的数据库编辑程序的计算机可读存储介质,该行人重识别方法能够提高识别行人身份的准确率。
为实现上述目的,作为本发明的一个方面,提供一种行人重识别方法,所述行人重识别方法包括:
获取拍摄待识别行人得到的拍摄图像;
根据所述拍摄图像确定所述待识别行人的坐标信息,以及所述待识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块;
将所述待识别行人的坐标信息以及多个所述局部块输入行人重识别模型中,得到所述待识别行人对应的整体行人特征和多个局部行人特征,所述多个局部行人特征包括头部特征、上半身特征和下半身特征;
根据所述待识别行人对应的所述整体行人特征与数据库中预存的多个已识别行人对应的整体行人特征,得到所述待识别行人对应的整体行人重识别结果;根据所述待识别行人对应的多个所述局部行人特征与所述数据库中预存的多个所述已识别行人对应的多个所述局部行人特征,得到所述待识别行人对应的局部行人重识别结果;
根据所述整体行人重识别结果和所述局部行人重识别结果确定所述待识别行人对应的所述已识别行人,以实现对所述待识别行人的重识别。
可选地,所述根据所述拍摄图像确定所述待识别行人的坐标信息,以及所述待识别行人的多个局部块,包括:
将所述拍摄图像输入整体行人检测模型中,以得到所述待识别行人的坐标信息,将所述待识别行人的坐标信息输入局部行人检测模型中,以得到所述待识别行人的多个所述局部块。
可选地,所述行人重识别方法还包括:
基于yolov5算法训练得到所述整体行人检测模型和所述局部行人检测模型。
可选地,所述行人重识别方法还包括:
利用行人重识别数据集,训练得到所述行人重识别模型。
可选地,所述整体行人重识别结果包括所述待识别行人的所述整体行人特征对应于所述数据库中每个所述已识别行人的所述整体行人特征的整体匹配概率,所述局部行人重识别结果包括所述待识别行人的多个所述局部行人特征对应于所述数据库中每个所述已识别行人的多个所述局部行人特征的局部匹配概率;
所述根据所述整体行人重识别结果和所述局部行人重识别结果确定所述待识别行人对应的所述已识别行人,包括:
对所述待识别行人对应于每个所述已识别行人的所述整体匹配概率及所述局部匹配概率进行加权计算,以得到所述待识别行人对应于每个所述已识别行人的融合匹配概率,并将所述融合匹配概率最大的所述已识别行人确定为所述待识别行人对应的所述已识别行人。
可选地,所述整体行人特征以及所述局部行人特征均为多维特征,所述整体匹配概率与所述待识别行人的所述整体行人特征与所述已识别行人的所述整体行人特征之间的余弦相似度成正相关,所述局部匹配概率与所述待识别行人的所述局部行人特征与所述已识别行人的所述局部行人特征之间的余弦相似度成正相关。
作为本发明的第二个方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有行人重识别程序,所述行人重识别程序被处理器执行时能够实现前面所述的行人重识别方法。
作为本发明的第三个方面,提供一种数据库编辑方法,所述数据库编辑方法用于得到前面所述的行人重识别方法中的数据库,所述数据库编辑方法包括:
获取包括多个已识别行人的图像信息的多张拍摄图像;
根据多张所述拍摄图像确定多个所述已识别行人的坐标信息,以及每个所述已识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块;
将多个所述已识别行人的坐标信息以及多个所述局部块输入行人重识别模型中,得到多个所述已识别行人对应的整体行人特征和多个局部行人特征,所述多个局部行人特征包括头部特征、上半身特征和下半身特征;
将每个所述已识别行人对应的整体行人特征和多个所述局部行人特征存入所述数据库中。
可选地,所述根据多张所述拍摄图像确定多个所述已识别行人的坐标信息,以及每个所述已识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块,包括:
将多张所述拍摄图像输入整体行人检测模型中,以得到多个已识别行人的坐标信息,将多个所述已识别行人的坐标信息输入局部行人检测模型中,以得到每个所述已识别行人的多个所述局部块。
作为本发明的第四个方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有数据库编辑程序,所述数据库编辑程序被处理器执行时能够实现前面所述的数据库编辑方法。
在本发明提供的行人重识别方法、存储有用于实现该行人重识别方法的行人重识别程序的计算机可读存储介质、数据库编辑方法以及存储有用于实现该数据库编辑方法的数据库编辑程序的计算机可读存储介质中,行人重识别方法先根据拍摄图像确定待识别行人的整体图像(即待识别行人的坐标信息)以及身体各部分的局部图像(即多个局部块),再分别提取待识别行人的整体图像的整体行人特征和各局部图像的局部行人特征,最后分别得到基于整体行人特征得到的整体行人重识别结果和基于局部行人特征得到的局部行人重识别结果,并将整体行人重识别结果与所述局部行人重识别结果进行决策层融合得到最终的行人重识别结果。
本发明兼顾行人的整体特征和局部特征,提取行人特征的鲁棒性更强,其中整体特征关注行人的整体性,局部特征关注行人细粒度的信息,两种特征相互补充,从而有效提高了通过行人重识别技术识别行人身份的准确率。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是现有的行人重识别技术的流程示意图;
图2是本发明实施例提供的行人重识别方法的流程示意图;
图3是本发明实施例提供的数据库编辑方法的流程示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
本发明的发明人在研究中发现,随着行人到观测者之间距离的变化,观测者对行人进行观测所专注的特征往往会发生改变。当距离观测者较远的时候,观测者往往根据行人的整体的轮廓来判断是否认识这个人,当行人距离观测者较近的时候,观测者判断的依据会注意力集中在行人的上半身,尤其是行人的人脸来判断。而现有的行人重识别技术仅能对行人全局特征进行识别,不能综合考虑行人的局部特征,因此难以达到人类观测者识别行人身份的准确率。
为解决上述技术问题,作为本发明的一个方面,提供一种行人重识别方法,如图2所示,所述行人重识别方法包括:
步骤S1、获取拍摄待识别行人得到的拍摄图像;
步骤S2、根据所述拍摄图像确定所述待识别行人的坐标信息(即表示待识别行人的图像在拍摄图像中的位置的信息,例如可以为坐标框),以及所述待识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块;
步骤S3、将所述待识别行人的坐标信息以及多个所述局部块输入行人重识别模型中,得到所述待识别行人对应的整体行人特征和多个局部行人特征,所述多个局部行人特征包括头部特征、上半身特征和下半身特征;
步骤S4、根据所述待识别行人对应的所述整体行人特征与数据库中预存的多个已识别行人对应的整体行人特征,得到所述待识别行人对应的整体行人重识别结果;根据所述待识别行人对应的多个所述局部行人特征与所述数据库中预存的多个所述已识别行人对应的多个所述局部行人特征,得到所述待识别行人对应的局部行人重识别结果;
步骤S5、根据所述整体行人重识别结果和所述局部行人重识别结果确定所述待识别行人对应的所述已识别行人(即,判断该已识别行人与待识别行人为同一个人),以实现对所述待识别行人的重识别。
本发明提供的行人重识别方法先通过步骤S2根据拍摄图像确定待识别行人的整体图像(即待识别行人的坐标信息)以及身体各部分的局部图像(即多个局部块),再通过步骤S3分别提取待识别行人的整体图像的整体行人特征和各局部图像的局部行人特征,最后通过步骤S4分别得到基于整体行人特征得到的整体行人重识别结果和基于局部行人特征得到的局部行人重识别结果,并通过步骤S5将整体行人重识别结果与所述局部行人重识别结果进行决策层融合得到最终的行人重识别结果(即确定待识别行人是数据库中的哪一个已识别行人)。本发明提供的行人重识别方法兼顾行人的整体特征和局部特征,提取行人特征的鲁棒性更强,其中整体特征关注行人的整体性,局部特征关注行人细粒度的信息,两种特征相互补充,从而有效提高了通过行人重识别技术识别行人身份的准确率。
作为本发明的一种可选实施方式,步骤S2可通过训练得到的模型实现,具体地,所述根据所述拍摄图像确定所述待识别行人的坐标信息,以及所述待识别行人的多个局部块,具体可以包括:
将所述拍摄图像输入整体行人检测模型中,以得到所述待识别行人的坐标信息,将所述待识别行人的坐标信息输入局部行人检测模型中,以得到所述待识别行人的多个所述局部块。
作为本发明的一种可选实施方式,所述行人重识别方法还包括:
基于yolov5算法训练得到所述整体行人检测模型和所述局部行人检测模型。
作为本发明的一种可选实施方式,所述行人重识别方法还包括:
利用行人重识别数据集,训练得到所述行人重识别模型。
作为本发明的一种可选实施方式,所述行人重识别数据集可以为Market1501数据集。
作为本发明的一种可选实施方式,所述整体行人重识别结果包括所述待识别行人的所述整体行人特征对应于所述数据库中每个所述已识别行人的所述整体行人特征的整体匹配概率,所述局部行人重识别结果包括所述待识别行人的多个所述局部行人特征对应于所述数据库中每个所述已识别行人的多个所述局部行人特征的局部匹配概率;
步骤S5具体包括:
对所述待识别行人对应于每个所述已识别行人的所述整体匹配概率及所述局部匹配概率进行加权计算,以得到所述待识别行人对应于每个所述已识别行人的融合匹配概率,并将所述融合匹配概率最大的所述已识别行人确定为所述待识别行人对应的所述已识别行人。
在现有技术中,仅通过行人全局特征进行行人重识别,即,将待识别行人的行人全局特征与所有已识别行人的行人全局特征进行比较,然后将匹配概率最高的已识别行人直接确认为待识别行人对应的已识别行人。而在本发明实施例中,步骤S4中得到的是待识别行人对应于每个已识别行人的整体匹配概率和局部匹配概率,但不进行由所有整体匹配概率中挑出最大值或者由所有局部匹配概率中挑出最大值的步骤,而是在步骤S5中对所有的整体匹配概率及对应的局部匹配概率进行加权计算(整体匹配概率的权重系数与局部匹配概率的权重系数之和为1),以得到待识别行人对应于每个已识别行人的融合匹配概率,进而实现将行人整体特征与行人局部特征进行融合,提高行人识别率。
作为本发明的一种可选实施方式,所述整体行人特征以及所述局部行人特征均为多维特征,所述整体匹配概率与所述待识别行人的所述整体行人特征与所述已识别行人的所述整体行人特征之间的余弦相似度成正相关,所述局部匹配概率与所述待识别行人的所述局部行人特征与所述已识别行人的所述局部行人特征之间的余弦相似度成正相关。
例如,可选地,整体行人特征可以为512维特征,每种局部行人特征也均为512维特征,每个已识别行人的512维的行人全局特征、512维的头部特征、512维的上半身特征和512维的下半身特征拼接得到2048维特征,并存储在数据库中。
在对待识别行人进行行人重识别时,先计算待识别行人的整体行人特征对应的512维向量与每个已识别行人的整体行人特征对应的512维向量之间的余弦大小,并得到与整体行人特征之间的余弦相似度对应的整体匹配概率(即整体行人重识别结果),计算待识别行人的三种局部行人特征对应的1536维向量与每个已识别行人的三种局部行人特征对应的1536维向量之间的余弦大小,并得到与局部行人特征之间的余弦相似度对应的局部匹配概率(即局部行人重识别结果),再对每个已识别行人对应的整体匹配概率与局部匹配概率进行加权计算,即可得到待识别行人对应于每个已识别行人的融合匹配概率,进而选取融合匹配概率最大的作为待识别行人对应的已识别行人,实现对待识别行人的重识别。
作为本发明的第二个方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有行人重识别程序,所述行人重识别程序被处理器执行时能够实现本发明实施例提供的行人重识别方法。
本发明提供的计算机可读存储介质中存储有行人重识别程序,行人重识别程序被处理器执行时能够实现本发明实施例提供的行人重识别方法,该行人重识别方法先通过步骤S2根据拍摄图像确定待识别行人的整体图像(即待识别行人的坐标信息)以及身体各部分的局部图像(即多个局部块),再通过步骤S3分别提取待识别行人的整体图像的整体行人特征和各局部图像的局部行人特征,最后通过步骤S4分别得到基于整体行人特征得到的整体行人重识别结果和基于局部行人特征得到的局部行人重识别结果,并通过步骤S5将整体行人重识别结果与所述局部行人重识别结果进行决策层融合得到最终的行人重识别结果(即确定待识别行人是数据库中的哪一个已识别行人)。本发明提供的行人重识别方法兼顾行人的整体特征和局部特征,提取行人特征的鲁棒性更强,其中整体特征关注行人的整体性,局部特征关注行人细粒度的信息,两种特征相互补充,从而有效提高了通过行人重识别技术识别行人身份的准确率。
作为本发明的第三个方面,提供一种数据库编辑方法,所述数据库编辑方法用于得到本发明实施例提供的行人重识别方法中的数据库,如图3所示,所述数据库编辑方法包括:
步骤S01、获取包括多个已识别行人的图像信息的多张拍摄图像;
步骤S02、根据多张所述拍摄图像确定多个所述已识别行人的坐标信息,以及每个所述已识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块;
步骤S03、将多个所述已识别行人的坐标信息以及多个所述局部块输入行人重识别模型中,得到多个所述已识别行人对应的整体行人特征和多个局部行人特征,所述多个局部行人特征包括头部特征、上半身特征和下半身特征;
步骤S04、将每个所述已识别行人对应的整体行人特征和多个所述局部行人特征存入所述数据库中。
通过本发明提供的数据库编辑方法能够得到本发明实施例提供的行人重识别方法中所需的数据库,该行人重识别方法先通过步骤S2根据拍摄图像确定待识别行人的整体图像(即待识别行人的坐标信息)以及身体各部分的局部图像(即多个局部块),再通过步骤S3分别提取待识别行人的整体图像的整体行人特征和各局部图像的局部行人特征,最后通过步骤S4分别得到基于整体行人特征得到的整体行人重识别结果和基于局部行人特征得到的局部行人重识别结果,并通过步骤S5将整体行人重识别结果与所述局部行人重识别结果进行决策层融合得到最终的行人重识别结果(即确定待识别行人是数据库中的哪一个已识别行人)。本发明提供的行人重识别方法兼顾行人的整体特征和局部特征,提取行人特征的鲁棒性更强,其中整体特征关注行人的整体性,局部特征关注行人细粒度的信息,两种特征相互补充,从而有效提高了通过行人重识别技术识别行人身份的准确率。
作为本发明的一种可选实施方式,步骤S02可通过训练得到的模型实现,具体地,所述根据多张所述拍摄图像确定多个所述已识别行人的坐标信息,以及每个所述已识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块,包括:
将多张所述拍摄图像输入整体行人检测模型中,以得到多个已识别行人的坐标信息,将多个所述已识别行人的坐标信息输入局部行人检测模型中,以得到每个所述已识别行人的多个所述局部块。
作为本发明的第四个方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有数据库编辑程序,所述数据库编辑程序被处理器执行时能够实现本发明实施例提供的数据库编辑方法。
本发明提供的计算机可读存储介质中存储有数据库编辑程序,数据库编辑程序被处理器执行时能够实现本发明实施例提供的数据库编辑方法并得到本发明实施例提供的行人重识别方法中所需的数据库,该行人重识别方法先通过步骤S2根据拍摄图像确定待识别行人的整体图像(即待识别行人的坐标信息)以及身体各部分的局部图像(即多个局部块),再通过步骤S3分别提取待识别行人的整体图像的整体行人特征和各局部图像的局部行人特征,最后通过步骤S4分别得到基于整体行人特征得到的整体行人重识别结果和基于局部行人特征得到的局部行人重识别结果,并通过步骤S5将整体行人重识别结果与所述局部行人重识别结果进行决策层融合得到最终的行人重识别结果(即确定待识别行人是数据库中的哪一个已识别行人)。本发明提供的行人重识别方法兼顾行人的整体特征和局部特征,提取行人特征的鲁棒性更强,其中整体特征关注行人的整体性,局部特征关注行人细粒度的信息,两种特征相互补充,从而有效提高了通过行人重识别技术识别行人身份的准确率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种行人重识别方法,其特征在于,所述行人重识别方法包括:
获取拍摄待识别行人得到的拍摄图像;
根据所述拍摄图像确定所述待识别行人的坐标信息,以及所述待识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块;
将所述待识别行人的坐标信息以及多个所述局部块输入行人重识别模型中,得到所述待识别行人对应的整体行人特征和多个局部行人特征,所述多个局部行人特征包括头部特征、上半身特征和下半身特征;
根据所述待识别行人对应的所述整体行人特征与数据库中预存的多个已识别行人对应的整体行人特征,得到所述待识别行人对应的整体行人重识别结果;根据所述待识别行人对应的多个所述局部行人特征与所述数据库中预存的多个所述已识别行人对应的多个所述局部行人特征,得到所述待识别行人对应的局部行人重识别结果;
根据所述整体行人重识别结果和所述局部行人重识别结果确定所述待识别行人对应的所述已识别行人,以实现对所述待识别行人的重识别。
2.根据权利要求1所述的行人重识别方法,其特征在于,所述根据所述拍摄图像确定所述待识别行人的坐标信息,以及所述待识别行人的多个局部块,包括:
将所述拍摄图像输入整体行人检测模型中,以得到所述待识别行人的坐标信息,将所述待识别行人的坐标信息输入局部行人检测模型中,以得到所述待识别行人的多个所述局部块。
3.根据权利要求2所述的行人重识别方法,其特征在于,所述行人重识别方法还包括:
基于yolov5算法训练得到所述整体行人检测模型和所述局部行人检测模型。
4.根据权利要求1至3中任意一项所述的行人重识别方法,其特征在于,所述行人重识别方法还包括:
利用行人重识别数据集,训练得到所述行人重识别模型。
5.根据权利要求1至3中任意一项所述的行人重识别方法,其特征在于,所述整体行人重识别结果包括所述待识别行人的所述整体行人特征对应于所述数据库中每个所述已识别行人的所述整体行人特征的整体匹配概率,所述局部行人重识别结果包括所述待识别行人的多个所述局部行人特征对应于所述数据库中每个所述已识别行人的多个所述局部行人特征的局部匹配概率;
所述根据所述整体行人重识别结果和所述局部行人重识别结果确定所述待识别行人对应的所述已识别行人,包括:
对所述待识别行人对应于每个所述已识别行人的所述整体匹配概率及所述局部匹配概率进行加权计算,以得到所述待识别行人对应于每个所述已识别行人的融合匹配概率,并将所述融合匹配概率最大的所述已识别行人确定为所述待识别行人对应的所述已识别行人。
6.根据权利要求5所述的行人重识别方法,其特征在于,所述整体行人特征以及所述局部行人特征均为多维特征,所述整体匹配概率与所述待识别行人的所述整体行人特征与所述已识别行人的所述整体行人特征之间的余弦相似度成正相关,所述局部匹配概率与所述待识别行人的所述局部行人特征与所述已识别行人的所述局部行人特征之间的余弦相似度成正相关。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有行人重识别程序,所述行人重识别程序被处理器执行时能够实现权利要求1至6中任意一项所述的行人重识别方法。
8.一种数据库编辑方法,其特征在于,所述数据库编辑方法用于得到权利要求1至6中任意一项所述的行人重识别方法中的数据库,所述数据库编辑方法包括:
获取包括多个已识别行人的图像信息的多张拍摄图像;
根据多张所述拍摄图像确定多个所述已识别行人的坐标信息,以及每个所述已识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块;
将多个所述已识别行人的坐标信息以及多个所述局部块输入行人重识别模型中,得到多个所述已识别行人对应的整体行人特征和多个局部行人特征,所述多个局部行人特征包括头部特征、上半身特征和下半身特征;
将每个所述已识别行人对应的整体行人特征和多个所述局部行人特征存入所述数据库中。
9.根据权利要求8所述的数据库编辑方法,其特征在于,所述根据多张所述拍摄图像确定多个所述已识别行人的坐标信息,以及每个所述已识别行人的多个局部块,所述多个局部块包括头部局部块、上半身局部块和下半身局部块,包括:
将多张所述拍摄图像输入整体行人检测模型中,以得到多个已识别行人的坐标信息,将多个所述已识别行人的坐标信息输入局部行人检测模型中,以得到每个所述已识别行人的多个所述局部块。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有数据库编辑程序,所述数据库编辑程序被处理器执行时能够实现权利要求8或9所述的数据库编辑方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222394.6A CN115527168A (zh) | 2022-10-08 | 2022-10-08 | 行人重识别方法、存储介质、数据库编辑方法、存储介质 |
PCT/CN2023/109760 WO2024074075A1 (zh) | 2022-10-08 | 2023-07-28 | 重识别方法、存储介质、数据库编辑方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222394.6A CN115527168A (zh) | 2022-10-08 | 2022-10-08 | 行人重识别方法、存储介质、数据库编辑方法、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115527168A true CN115527168A (zh) | 2022-12-27 |
Family
ID=84701718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211222394.6A Pending CN115527168A (zh) | 2022-10-08 | 2022-10-08 | 行人重识别方法、存储介质、数据库编辑方法、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115527168A (zh) |
WO (1) | WO2024074075A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024074075A1 (zh) * | 2022-10-08 | 2024-04-11 | 通号通信信息集团有限公司 | 重识别方法、存储介质、数据库编辑方法、存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3015072B1 (fr) * | 2013-12-18 | 2017-03-17 | Movea | Procede de determination de l'orientation d'un repere capteur lie a un terminal mobile muni d'un ensemble capteur, porte par un utilisateur et comprenant au moins un capteur de mouvement lie en mouvement |
CN109784186B (zh) * | 2018-12-18 | 2020-12-15 | 深圳云天励飞技术有限公司 | 一种行人重识别方法、装置、电子设备及计算机可读存储介质 |
CN109977793B (zh) * | 2019-03-04 | 2022-03-04 | 东南大学 | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 |
CN114359970A (zh) * | 2022-01-12 | 2022-04-15 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、电子设备及存储介质 |
CN114943937A (zh) * | 2022-06-29 | 2022-08-26 | 中国电信股份有限公司 | 行人重识别方法、装置、存储介质及电子设备 |
CN115527168A (zh) * | 2022-10-08 | 2022-12-27 | 通号通信信息集团有限公司 | 行人重识别方法、存储介质、数据库编辑方法、存储介质 |
-
2022
- 2022-10-08 CN CN202211222394.6A patent/CN115527168A/zh active Pending
-
2023
- 2023-07-28 WO PCT/CN2023/109760 patent/WO2024074075A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024074075A1 (zh) * | 2022-10-08 | 2024-04-11 | 通号通信信息集团有限公司 | 重识别方法、存储介质、数据库编辑方法、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024074075A1 (zh) | 2024-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427905B (zh) | 行人跟踪方法、装置以及终端 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN110569731B (zh) | 一种人脸识别方法、装置及电子设备 | |
JP4479478B2 (ja) | パターン認識方法および装置 | |
CN109190470B (zh) | 行人重识别方法及装置 | |
KR102132722B1 (ko) | 영상 내 다중 객체 추적 방법 및 시스템 | |
CN112541448B (zh) | 一种行人重识别方法、装置、电子设备和存储介质 | |
KR20190068000A (ko) | 다중 영상 환경에서의 동일인 재식별 시스템 | |
CN110674680B (zh) | 活体识别的方法、装置、存储介质 | |
CN111401171B (zh) | 一种人脸图像的识别方法、装置、电子设备和存储介质 | |
CN115240130A (zh) | 一种行人多目标跟踪方法、装置和计算机可读存储介质 | |
CN112464786B (zh) | 一种视频的检测方法及装置 | |
CN111444817B (zh) | 一种人物图像识别方法、装置、电子设备和存储介质 | |
CN111814690A (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
WO2024074075A1 (zh) | 重识别方法、存储介质、数据库编辑方法、存储介质 | |
KR102225613B1 (ko) | 사람 재식별 장치 및 방법 | |
CN113869110A (zh) | 物品检测方法、装置、终端及计算机可读存储介质 | |
CN114037886A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN112001280A (zh) | 一种实时、可在线优化的人脸识别系统和方法 | |
CN111738059A (zh) | 一种面向无感场景的人脸识别方法 | |
CN112749605A (zh) | 身份识别方法、系统和设备 | |
Garcia et al. | Automatic detection of heads in colored images | |
CN114387612A (zh) | 一种基于双模态特征融合网络的人体重识别方法及装置 | |
CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
KR102540290B1 (ko) | 이종 센서 카메라 기반 사람 재식별 장치 및 방법 |
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 |