CN115830631B - 基于姿态辅助遮挡人体再识别的一人一档系统构建方法 - Google Patents
基于姿态辅助遮挡人体再识别的一人一档系统构建方法 Download PDFInfo
- Publication number
- CN115830631B CN115830631B CN202211481729.6A CN202211481729A CN115830631B CN 115830631 B CN115830631 B CN 115830631B CN 202211481729 A CN202211481729 A CN 202211481729A CN 115830631 B CN115830631 B CN 115830631B
- Authority
- CN
- China
- Prior art keywords
- module
- feature
- features
- human body
- human
- 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
- 238000010276 construction Methods 0.000 title claims description 7
- 238000000605 extraction Methods 0.000 claims abstract description 59
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims 1
- 208000006440 Open Bite Diseases 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 239000007787 solid Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于姿态辅助遮挡人体再识别的一人一档系统构建方法，所述方法包括：利用网络模型中深度特征提取模块的外观特征提取子模块实现对不同行人图像人脸特征的提取；利用多源特征融合模块实现融合并生成新的行人特征；利用特征嵌入模块对新的行人特征进行不同身份的嵌入；模型训练完成后用多源特征融合模块所生成的特征实现人像识别。本发明设计了一种基于姿态辅助的多源特征融合网络，非局部注意力机制和姿态辅助模块的加入实现了特征信息长距离依赖和使网络更加关注人体非遮挡区域，有效提高了人像识别网络的表征能力和人像识别精度，为“一人一档”系统的行人检索与实时更新成档打下坚实基础。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于姿态辅助遮挡人体再识别的一人一档系统构建方法。
背景技术
人像识别技术是一种借助视频监控摄像系统进行排查搜寻的计算机视觉技术。人像识别技术源于跨摄像头多目标跟踪问题，用于从不同视频或图像中识别出目标人物。现如今，科技的持续进步使得监控摄像头广泛应用于日常生活。人像识别技术在城市安防、人员搜索、人物跟踪等方面的应用越来越广泛，对城市的安全有重要意义。
人物识别包含人脸识别和人体识别。目前，人脸识别已经被大量应用于在现实环境中，但由于摄像头拍摄角度、光线等问题，有时会出现无法通过人脸识别辨别身份的情况。此时需要通过衣着、发型、体貌等人体特征识别人物身份。虽然现有的人体识别网络实现了非遮挡人体识别方向的应用，但其不能很好地关注带遮挡人体图像中的非遮挡区域，对于遮挡人体识别的精度不高。
发明内容
为了解决上述现有技术的不足，本发明提供了一种基于姿态辅助遮挡人体再识别的一人一档系统构建方法，该方法构建的网络模型包括深度特征提取模块、多源特征融合模块以及特征嵌入模块。
其中深度特征提取模块含有外观特征提取子模块和姿态辅助子模块，外观特征子模块实现对人脸特征的提取，外观特征子模块和姿态辅助子模块实现对人体特征的提取；
多源特征融合模块通过融合人脸特征和人体特征，生成新的行人特征；
特征嵌入模块对新的行人特征进行身份的嵌入，最终在模型训练完成后将多源特征融合模块所生成的特征用于人像识别任务的行人图像查询。
本发明联合了人脸识别和人体识别，有效整合多源信息，降低了由单一的人脸识别导致的人像识别错误；与现有的不带遮挡人体再识别相比，引入姿态辅助的网络更关注图像非遮挡区域，对不带遮挡图像和带遮挡图像都有更佳的识别效果；并且在深度特征提取模块中引入非局部注意力机制，充分学习了网络长距离卷积计算中的空间依赖关系，学习到了图像不同空间区域的关联信息，更有利于实现对不同行人图像的区分。
进一步的，所述深度特征提取模块含有外观特征提取子模块和姿态辅助子模块两个子模块；其中外观特征提取子模块用于对输入图像提取人脸信息、人体信息和身份信息，生成外观特征，其网络以Resnet-50网络为主干，并在主干网络中间引入非局部注意力模块，捕获空间域中不同局部感受野间的长距离依赖关系，进一步增强网络特征提取能力，在主干网络之后包含全局特征支路和局部特征支路，以获得更加丰富的深度特征；其中姿态辅助子模块用于辅助提取输入图像的人体信息，输出部分人体特征，它通过姿态估计器实现；
所述引入的非局部注意力模块对输入的特征图用三个1×1卷积块进行映射分别获得Query、Key和Value三条支路特征图，接着对Query和每个Key进行点乘计算并通过Softmax函数得到Value支路的权重，将Value支路乘以权重并通过Softmax函数获得最终的自注意力系数，将此系数与原始输入特征相乘得到非局部注意力模块的输出；根据下式实现非局部注意力模块的输出：
zi＝Wz×φ(xi)+xi
其中，Wz是要学习的权重矩阵，φ(xi)表示非局部运算和输入xi形成的残差；
所述加入的姿态辅助子模块借助姿态信息辅助人体特征提取，其通过姿态估计器标注人体特征点，接着利用特征点产生人体热图，然后将特征图元素相乘，再连接池化后的外观特征提取子模块的全局特征和姿态辅助特征，使特征维度减小，生成最终的姿态辅助特征；人体特征点的计算公式为：
其中，LMj表示第j个特征点，cxj,cyj表示第j个特征点坐标，为置信值，γ为阈值；
进一步的，所述多源特征融合模块能够将输入的人脸特征和人体特征进行融合，然后卷积降维得到最终的检索特征，其中融合函数如下：
其中，F_face为人脸特征，F_body为人体特征，F_fusion为拼接降维后的检索特征；Cat为按通道对多源特征的拼接操作；
进一步的，所述特征嵌入模块将上述降维后的检索特征用全连接层进行特征的最终分类，实现人脸与人体融合降维特征对行人身份的最终映射；
进一步的，要上述各模块实现所述的功能，需在训练阶段对不同模块使用适当的损失函数来实现各模块的学习目标，所述深度特征提取模块当目标是实现对所输入行人图像的深层区别性特征的提取，因此采用三元组损失函数进行类内聚合和类间的分离，三元组损失函数如下所示：
Ltri＝(da,p-da,n+α)+
其中，da,p为正样本对间的距离，da,n为负样本间的距离，α为人为设置的阈值，(z)+表示max(z,0)；所述特征嵌入模块的学习目标是将行人特征嵌入到对应身份的行人标签中，因此采用交叉熵损失函数分别对行人特征和行人身份信息进行约束，交叉熵损失函数如下所示：
Lid＝E[-log(p(yi|xi))]
其中，yi为第i个输入图像的真实类别，xi为第i个输入图像的预测类别向量，p(yi|xi)为计算xi属于类别yi的预测概率；最终总的损失函数如下：
Ltotal＝λ1Ltri+λ2Lid
不同的λ权重值用于平衡不同的损失在训练过程中所起到的作用。
本发明的另一个目的是提供一种装置，包括深度特征提取模块、多源特征融合模块以及特征嵌入模块；
所述深度特征提取模块含有外观特征提取子模块和姿态辅助子模块，外观特征子模块对人脸特征的提取，外观特征子模块和姿态辅助子模块对人体特征的提取；
多源特征融合模块通过融合人脸特征和人体特征，生成新的行人特征；
特征嵌入模块对新的行人特征进行身份的嵌入，在模型训练完成后将多源特征融合模块所生成的特征用于人像识别任务的行人图像查询。
本发明的第三个目的是提供一种设备，所述设备包括：
存储器，用于存储程序；
处理器，用于运行所述存储器中存储的所述程序，以执行前述一人一档系统构建方法。
本发明的第四个目的是提供一种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，使得所述处理器执行前述方一人一档系统构建方法的步骤。
本发明相对于现有技术具有如下的有益效果：
1、本发明在进行人体特征提取时引入姿态辅助模块，实现了姿态辅助人体特征提取，让网络更加关注人体的非遮挡部分，降低因遮挡部分相似导致的行人误识别的概率，从而提高人像识别精度。
2、本发明通过多源特征融合模块实现对人脸特征和人体特征的融合，进一步生成新的行人特征，解决了仅靠人脸识别辨别行人的局限性，提高了基于姿态辅助的多源特征融合网络的泛化性。
3、本发明的行人再识别主干网络与外观特征提取子模块共用同一种具有非局部注意力模块的残差网络，关注了行人图像在网络传播中的长距离依赖信息，有效的提升了模型克服遮挡、光照、姿态变化带来的辨别困难问题的能力，提高了模型对不同行人图像的区分能力。
附图说明
图1为本发明实施例1的基于姿态辅助的多源特征融合网络的流程图；
图2为本发明实施例1的外观特征提取子模块的主干网络结构图；
图3为本发明实施例1的外观特征提取子模块的局部特征支路结构图；
图4为本发明实施例1的姿态辅助子模块的结构图；
图5为本发明实施例1的基于姿态辅助的多源特征融合网络总的结构图；
图6为本发明实施例2基于人像识别技术的“一人一档”档案系统架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供一种基于姿态辅助的多源特征融合网络，主要包括以下步骤：
S101、利用网络模型中深度特征提取模块的外观特征提取子模块实现对不同行人图像人脸特征的提取；
具体的，以Resnet-50网络为主干搭建深度特征提取模块中的外观特征提取子模块，原始Resnet-50网络包含四个大的Block结构，每个Block均由多个Bottleneck结构连接而成，在本方法的外观特征提取子模块中在主干网络中引入非局部注意力模块，具体的非局部注意力模块分别加在第2个和第3个Block结构的最后2个和最后3个Bottleneck结构之后，共5个非局部注意力模块加在了原始的Resnet-50主干网络内部，如图2所示，然后通过全局平均池化层以及将最后的全连接层删除，关于人脸的外观特征提取仅提取全局特征，最后将外观特征提取子模块输出的2048维全局特征向量作为行人的人脸特征；
S102、利用网络模型中深度特征提取模块的外观特征提取子模块和姿态辅助子模块实现对不同行人图像人体特征的提取；
具体的，以Resnet-50网络为主干搭建深度特征提取模块中的外观特征提取子模块，原始Resnet-50网络包含四个大的Block结构，每个Block均由多个Bottleneck结构连接而成，在本方法的外观特征提取子模块中在主干网络中引入非局部注意力模块，具体的非局部注意力模块分别加在第2个和第3个Block结构的最后2个和最后3个Bottleneck结构之后，共5个非局部注意力模块加在了原始的Resnet-50主干网络内部，再由主干网络输出两条支路，一条直接全局平均池化输出1024维全局特征向量，另一条将原始Resnet-50主干网络全局平均池化层的单通道输出由1*1改为3*1，用于输出三部分分支的局部特征分别进行行人人体的身份预测，如图3所示，最终构成外观特征提取子模块，其中分支前的非局部注意力主干网络如图2所示；以姿态估计器作为深度特征提取模块中的姿态辅助子模块，如图4所示，本方法使用在coco数据集上预先训练的人体姿态估计器从人体图像中检测人体特征点，然后借助特征点产生由以特征点真实位置为中心的二维高斯分布形成的热图，然后将热图进行全局平均池化获得1024姿态辅助特征向量，最后将外观特征提取子模块中的全局支路1024维向量和姿态辅助子模块输出1024维特征拼接为2048维行人人体特征；
S103、利用网络模型中多源特征融合模块实现对人脸特征和人体特征的融合并生成新的行人特征；
具体的，多源特征融合模块由拼接层和1*1卷积层组成，将外观特征提取子模块获得的2048维人脸特征和上述2048维姿态辅助人体特征拼接形成新的4096维行人特征，然后对特征进行1*1卷积降维至2048维以满足一般行人重识别任务的常用检索向量长度；
S104、利用特征嵌入模块对新的行人特征进行不同身份的嵌入；
具体的，特征嵌入模块是在特征提取层之后接上一个全连接层，对于Occluded_Duke数据集来说，就是将2048维人脸与人体协同特征嵌入到702个不同身份的行人上，实现行人身份的分类；
S105、根据不同学习目标对各网络进行联合训练直至损失函数收敛，最终在模型训练完成后用多源特征融合模块所生成的特征实现人像识别；
具体的，所述总的网络模型结构如图5所示，首先将所有输入的行人图像尺寸设置为384*128大小，并对其进行数据归一化处理和数据增强处理；接着对本方法网络中的深度特征提取模块的外观特征提取子模块和姿态辅助子模块进行参数初始化，外观特征提取子模块使用了Resnet-50主干网络，因此可以使用在ImageNet上预训练的模型参数对其对应层进行初始化，其他层和姿态辅助子模块则使用Kaiming初始化随机产生权重；接着通过Adam优化器对外观特征提取子模块进行训练，学习率设置为0.1，该模型共训练12000个迭代周期；
深度特征提取模块的目标是实现对所输入行人图像的深层区别性特征的提取，因此采用三元组损失函数进行类内聚合和类间的分离，三元组损失函数如下所示：
Ltri＝(da,p-da,n+α)+
其中，da,p为正样本对间的距离，da,n为负样本间的距离，α为人为设置的阈值，(z)+表示max(z,0)；所述特征嵌入模块的学习目标是将最终模型输出的姿态辅助多源特征嵌入到对应身份的行人标签中，因此采用交叉熵损失函数分别对行人特征和行人身份信息进行约束，交叉熵损失函数如下所示：
Lid＝E[-log(p(yi|xi))]
其中，yi为第i个输入图像的真实类别，xi为第i个输入图像的预测类别向量，p(yi|xi)为计算xi属于类别yi的预测概率；最终总的损失函数如下：
Ltotal＝λ1Ltri+λ2Lid
不同的λ权重值用于平衡不同的损失在训练过程中所起到的作用，具体的λ权重值为λ1＝2,λ2＝1；
利用上述特征嵌入模块的特征提取层提取待查询图像和图库中的图像的人脸人体协同特征，计算所有待查询图像与图库图像特征之间的欧氏距离并归一化为余弦距离，将距离最近的图库图像视为待查询图像的目标图像。
实施例2：
如图6所示，本实施例提供一种基于人像识别技术的“一人一档”档案系统，该系统包括人像检测模块，人像档案构建模块，人体、人脸协同检索模块，其中
人像检测模块，用于对监控视频中出现的行人进行人脸及整个人体的检测和裁剪保存；
人像档案构建模块，用于构建“一人一档”系统的“一档”，包括一个人的人脸、人体等特征，解决在一定区域内，拍不到人脸情况下，根据其衣着、发型等人体特征，确定嫌疑人的身份，进而找到这个嫌疑人，并根据不同时空下检测到的“一档”人像信息进行实时更新和自动归档；
人体、人脸协同检索模块，用姿态辅助的人脸、人体多源信息融合身份重识别算法实现对不同行人的跨摄像机的检索，以此作为人像档案系统数据的更新机制，用于建设动态人像系统，并与多源数据库对接，保证数据的鲜活性，充分挖掘数据的价值；
最终实现基于人像识别技术的“一人一档”系统，研究“一人一档”档案系统数据的实时更新、自动归档、按时域空间域自动分发比对技术。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (5)
1.一种基于姿态辅助遮挡人体再识别的一人一档系统构建方法，其特征在于，所述方法包括步骤：
S101：利用网络模型中深度特征提取模块的外观特征提取子模块实现对不同行人图像人脸特征的提取；
S102：利用网络模型中深度特征提取模块的外观特征提取子模块和姿态辅助子模块实现对不同行人图像人体特征的提取；
S103：利用网络模型中多源特征融合模块实现对人脸特征和人体特征的融合并生成新的行人特征；
S104：利用特征嵌入模块对新的行人特征进行不同身份的嵌入；
S105：根据不同学习目标对各网络进行联合训练直到损失函数收敛，最终在训练模型完成后用多源特征融合模块所生成的特征实现人像识别；
所述方法的网络模型包括深度特征提取模块、多源特征融合模块以及特征嵌入模块；
所述深度特征提取模块含有外观特征提取子模块和姿态辅助子模块，外观特征子模块对人脸特征的提取，外观特征子模块和姿态辅助子模块对人体特征的提取；
多源特征融合模块通过融合人脸特征和人体特征，生成新的行人特征；
特征嵌入模块对新的行人特征进行身份的嵌入，在模型训练完成后将多源特征融合模块所生成的特征用于人像识别任务的行人图像查询；
所述深度特征提取模块含有外观特征提取子模块和姿态辅助子模块两个子模块；
其中外观特征提取子模块用于对输入图像提取人脸信息、人体信息和身份信息，生成外观特征，其网络以Resnet-50网络为主干，并在主干网络中间引入非局部注意力模块，在主干网络后包含全局特征支路和局部特征支路；
其中姿态辅助子模块通过姿态估计器辅助提取输入图像的人体信息，输出部分人体特征；
所述非局部注意力模块对输入的特征图用三个1×1卷积块进行映射分别获得Query、Key和Value三条支路特征图，然后对Query和每个Key进行点乘计算并通过Softmax函数得到Value支路的权重，将Value支路乘以权重并通过Softmax函数获得最终的自注意力系数，将此系数与原始输入特征相乘得到非局部注意力模块的输出；
根据下式实现非局部注意力模块的输出：
；
其中，是要学习的权重矩阵，/>表示非局部运算和输入/>形成的残差；
所述姿态辅助子模块借助姿态信息辅助人体特征提取，其通过姿态估计器标注人体特征点，接着利用特征点产生人体热图，然后将特征图元素相乘，再连接池化后的外观特征提取子模块的全局特征和姿态辅助特征，使特征维度减小，生成最终的姿态辅助特征；人体特征点的计算公式为：
；
其中，表示第j个特征点，/>表示第j个特征点坐标，/>为置信值，γ为阈值；
在训练阶段对不同模块使用适当的损失函数来实现各模块的学习目标；
所述深度特征提取模块采用三元组损失函数进行类内聚合和类间的分离，三元组损失函数如下所示：
；
其中，为正样本对间的距离，/>为负样本间的距离，/>为人为设置的阈值，/>表示/>；
所述特征嵌入模块采用交叉熵损失函数分别对行人特征和行人身份信息进行约束，交叉熵损失函数如下所示：
；
其中，为第i个输入图像的真实类别，/>为第i个输入图像的预测类别向量，/>为计算/>属于类别/>的预测概率；
最终总的损失函数如下：
；
不同的权重值用于平衡不同的损失在训练过程中所起到的作用；
利用上述特征嵌入模块的特征提取层提取待查询图像和图库中的图像的人脸人体协同特征，计算所有待查询图像与图库图像特征之间的欧氏距离并归一化为余弦距离，将距离最近的图库图像视为待查询图像的目标图像。
2.根据权利要求1所述的基于姿态辅助遮挡人体再识别的一人一档系统构建方法，其特征在于，所述多源特征融合模块能够将输入的人脸特征和人体特征进行融合，然后卷积降维得到最终的检索特征，其中融合函数如下：
；
其中，为人脸特征，/>为人体特征，/>为拼接降维后的检索特征；/>为按通道对多源特征的拼接操作。
3.根据权利要求1所述的基于姿态辅助遮挡人体再识别的一人一档系统构建方法，其特征在于，所述特征嵌入模块将降维后的检索特征用全连接层进行特征的最终分类，进行人脸与人体融合降维特征对行人身份的最终映射。
4.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储程序；
处理器，用于运行所述存储器中存储的所述程序，以执行权利要求1-3任一所述的一人一档系统构建方法。
5.一种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，使得所述处理器执行如权利要求1-3中任一项所述的一人一档系统构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481729.6A CN115830631B (zh) | 2022-11-24 | 2022-11-24 | 基于姿态辅助遮挡人体再识别的一人一档系统构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481729.6A CN115830631B (zh) | 2022-11-24 | 2022-11-24 | 基于姿态辅助遮挡人体再识别的一人一档系统构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115830631A CN115830631A (zh) | 2023-03-21 |
| CN115830631B true CN115830631B (zh) | 2023-11-28 |
Family
ID=85531102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211481729.6A Active CN115830631B (zh) | 2022-11-24 | 2022-11-24 | 基于姿态辅助遮挡人体再识别的一人一档系统构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830631B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495917B (zh) * | 2024-01-03 | 2024-03-26 | 山东科技大学 | 基于jde多任务网络模型的多目标跟踪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633624A (zh) * | 2019-07-26 | 2019-12-31 | 北京工业大学 | 一种基于多特征融合的机器视觉人体异常行为识别方法 |
| CN110796079A (zh) * | 2019-10-29 | 2020-02-14 | 深圳龙岗智能视听研究院 | 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统 |
| CN111507311A (zh) * | 2020-05-22 | 2020-08-07 | 南京大学 | 一种基于多模态特征融合深度网络的视频人物识别方法 |
| WO2021258329A1 (en) * | 2020-06-24 | 2021-12-30 | Intel Corporation | Object identification based on adaptive learning |
| CN114511589A (zh) * | 2022-01-05 | 2022-05-17 | 北京中广上洋科技股份有限公司 | 一种人体跟踪方法和系统 |
| CN115131880A (zh) * | 2022-05-30 | 2022-09-30 | 上海大学 | 一种多尺度注意力融合的双重监督人脸活体检测方法 |
-
2022
- 2022-11-24 CN CN202211481729.6A patent/CN115830631B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633624A (zh) * | 2019-07-26 | 2019-12-31 | 北京工业大学 | 一种基于多特征融合的机器视觉人体异常行为识别方法 |
| CN110796079A (zh) * | 2019-10-29 | 2020-02-14 | 深圳龙岗智能视听研究院 | 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统 |
| CN111507311A (zh) * | 2020-05-22 | 2020-08-07 | 南京大学 | 一种基于多模态特征融合深度网络的视频人物识别方法 |
| WO2021258329A1 (en) * | 2020-06-24 | 2021-12-30 | Intel Corporation | Object identification based on adaptive learning |
| CN114511589A (zh) * | 2022-01-05 | 2022-05-17 | 北京中广上洋科技股份有限公司 | 一种人体跟踪方法和系统 |
| CN115131880A (zh) * | 2022-05-30 | 2022-09-30 | 上海大学 | 一种多尺度注意力融合的双重监督人脸活体检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115830631A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
| CN111709311B (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
| CN110728263A (zh) | 一种基于距离选择的强判别特征学习的行人重识别方法 | |
| CN110298404A (zh) | 一种基于三重孪生哈希网络学习的目标跟踪方法 | |
| CN113408492A (zh) | 一种基于全局-局部特征动态对齐的行人重识别方法 | |
| CN115171165A (zh) | 全局特征与阶梯型局部特征融合的行人重识别方法及装置 | |
| CN111695460B (zh) | 一种基于局部图卷积网络的行人再识别方法 | |
| CN111414875B (zh) | 基于深度回归森林的三维点云头部姿态估计系统 | |
| CN115830631B (zh) | 基于姿态辅助遮挡人体再识别的一人一档系统构建方法 | |
| CN112084895B (zh) | 一种基于深度学习的行人重识别方法 | |
| CN111259837A (zh) | 一种基于部位注意力的行人重识别方法及系统 | |
| CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
| CN114882537A (zh) | 一种基于神经辐射场的手指新视角图像生成方法 | |
| CN113076876B (zh) | 一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统 | |
| CN114764870A (zh) | 对象定位模型处理、对象定位方法、装置及计算机设备 | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN116597267B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN111767839B (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
| CN116912763A (zh) | 一种融合步态人脸模态的多行人重识别方法 | |
| CN113761995A (zh) | 一种基于双变换对齐与分块的跨模态行人重识别方法 | |
| CN116485894A (zh) | 视频场景建图与定位方法、装置、电子设备及存储介质 | |
| CN116310701A (zh) | 基于注意力效率网络的跨视角图像地理定位方法及装置 | |
| CN114155273B (zh) | 一种结合历史轨迹信息的视频图像单目标跟踪方法 | |
| CN115098646A (zh) | 一种图文数据的多级关系分析与挖掘方法 | |
| CN114022906A (zh) | 基于多层次特征与注意力机制的行人再识别方法 |
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 |