CN104992142B - 一种基于深度学习和属性学习相结合的行人识别方法 - Google Patents
一种基于深度学习和属性学习相结合的行人识别方法 Download PDFInfo
- Publication number
- CN104992142B CN104992142B CN201510297560.2A CN201510297560A CN104992142B CN 104992142 B CN104992142 B CN 104992142B CN 201510297560 A CN201510297560 A CN 201510297560A CN 104992142 B CN104992142 B CN 104992142B
- Authority
- CN
- China
- Prior art keywords
- attribute
- classification
- layer
- neural networks
- convolutional neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于深度学习和属性学习相结合的行人识别方法,该方法通过构建一个含五层隐层的卷积神经网络,采用反卷积方法对网络进行训练,并结合了属性学习的概念,将从卷积神经网络得到的优选特征输入各属性分类器,得到样本具有属性的后验概率,再结合属性类别映射关系得到类别的后验概率,从而判断样本所属类别。此方法具有良好的检测识别性能,能够提取图像的本质特征,并且由于属性相比于低层特征具有更好的语义表达性能,且对光线、视角的不敏感性,使得算法具有较好的识别效果。
Description
技术领域
本发明涉及模式识技术领域,具体涉及基于深度学习与属性学习相结合的行人识别方法。
背景技术
行人识别在视频控制、机器人学、智能交通、多媒体检索等领域有广泛的应用前景,也是近年来计算机视觉领域的热门研究对象。但是由于行人识别涉及到大量数据的计算和分析,外加光线、视角等环境因素的干扰,传统识别算法无法提取到图像的优选特征并通过较好的语义来表达,导致识别率有限。
行人识别的一种传统识别算法为人工神经网络。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型。一种基于人工神经网络的训练算法为反向传播算法,它使得网络模型经过对大量训练样本进行学习的过程能够获得统计规律,从而对未知事件做出预测。人工神经网络具有较强的非线性映射能力、自学习和自适应能力、泛化能力和一定的容错能力。其缺点是在行人识别样本训练时收敛速度慢,且其训练过程是一个有监督的过程,而对训练样本的标注既费时又费力。
传统的行人识别中利用低层特征数据进行识别,例如颜色、纹理、空间结构等,纯粹地依赖于自底向上的统计数据来进行特征选择。这些低层特征计算时相对容易且可靠。其缺点是这些低层特征数据不具备较好的语义表达能力,此外,在使用底层特征数据时通常需要假设光线和视角是不变的,这不符合实际环境条件,大大影响了识别能力。
发明内容
本发明的目的在于克服上述现有技术的缺陷,在深度学习和属性学习的基础上将两者结合,提出一种基于深度学习和属性学习相结合的行人识别方法。此方法能够在无监督条件下提取图像的优选特征,并以具有较好语义表达能力的属性作为区分个体的介质,且在由于光线、视角等因素而造成部分属性缺失时对整体类别的判断没有太大影响,具有良好的识别性能。
本发明采用的技术方案如下:一种基于深度学习和属性学习相结合的行人识别方法,包括以下步骤:
步骤1,从行人识别领域专家设定的属性中选择最具代表性的、适合本行人识别的多个属性,包括服装相关属性和人体生物相关属性;
步骤2,构建一个深度学习模型并对该模型进行训练,深度学习模型采用含五层隐层的卷积神经网络模型;
步骤3,对训练好的卷积神经网络输入测试样本图像,经过多次卷积和次抽样的过程得到优选特征;
步骤4,为每个属性设计一个属性分类器,将卷积神经网络提取的优选特征输入每个分类器,通过支持向量机的模型训练方法训练分类器;
步骤5,通过训练数据统计出具有属性ak的样本中属于类别yj的比例,即代表具有属性ak且属于类别yj的样本个数,代表具有属性ak的样本个数,统计出每个属性对应每个类别的映射关系,得到属性类别映射关系表;
步骤6,将测试样本xt输入训练完毕的卷积神经网络得到优选特征,将优选特征输入训练完毕的各属性分类器得到样本具有属性ak的后验概率p(ak|xt),结合属性类别映射关系表,通过贝叶斯公式得到类别yj后验概率p(yj|xt),贝叶斯公式为:其中,N为属性个数,最大的概率对应的类别作为样本的识别类别,样本的识别类别为
进一步,所述步骤1中,从行人识别领域专家设定的属性中选择最具代表性并适合本行人识别的23个属性,包括了与服装相关的属性及与人体生物特征相关的属性。人体生物特征相关属性有6个:男性、女性、小孩、老人、长发、短发;服装相关类属性有17个:带帽、戴眼镜、长袖、短袖、无袖、有外套、上衣有花纹、短裤、长裤、裙子、下装有花纹、单色鞋、多色鞋、双肩包、单肩包、手提包、有图案。
进一步,所述步骤2中,采用含五层隐层的卷积神经网络模型具体包括:
第一层卷积层C1:设定6个特征平面,卷积核大小为5×5;
第一层次抽样层S1:设定6个特征平面,池化窗口大小为2×2;
第二层卷积层C2:设定12个特征平面,卷积核大小为5×5;
第二层次抽样层S2:设定12个特征平面,池化窗口大小为2×2;
最后一层输出层。
进一步,所述步骤2中,卷积神经网络训练步骤为:
步骤2.1,对每一隐含层的输出进行反卷积,将反卷积结果与该层的输入特征对比得到误差E;
步骤2.2,通过梯度下降算法调整卷积核权值,公式为:其中W*为更新的权值,η为设定的学习率-1,为误差对权值的偏导;
步骤2.3,运用步骤2.1,步骤2.2两步,通过对所有训练样本的10次迭代训练,即对网络权值的10次更新,训练得到能够提取图像优选特征的卷积神经网络。
进一步,所述卷积神经网络中卷积核选取索贝尔算子和拉普拉斯算子,并且采用反卷积方法,利用逐层最小化重建误差法,调整神经网络权值。
进一步,所述步骤4中,支持向量机在训练过程中的核函数选用径向基函数,采用最小最大优化方法确定径向基参数σ值为3.2,进而使得各个属性分类器平均识别精度达90%以上。
本发明提出了一种基于深度学习与属性学习相结合的行人识别方法。该方法构建一个合适的卷积神经网络模型,并用训练样本对其进行训练,采用属性的概念来进行行人的识别,其有益效果是:
1、本发明与传统的行人识别方法相比,采用深度学习的方法与不采用深度学习的方法相比体现出更好的识别率,能够提取图像的优选特征,且由于卷积神经网络的训练过程是无监督的,降低了人工标注训练样本的成本。
2、本发明与传统的使用低层特征数据进行识别相比,具有更好的语义表达能力,并在有光线、视角等因素影响的情况下体现出更好的识别效果。
附图说明
下面结合附图和具体实施方式对本发明进一步详细说明。
图1是本发明所述属性学习模型示意图。
图2是本发明所述基于深度学习与属性学习相结合的行人识别方法流程示意图。
图3是本发明所述属性类别映射关系学习流程示意图。
具体实施方式
本发明基于深度学习和属性学习相结合的行人识别方法,分为深度学习、属性学习、属性类别映射关系学习和测试四个部分。其将深度学习与属性学习相结合,从而提取图像的优选特征并通过较好的语义来表示。其中,深度学习分为构建深度学习模型和模型训练两个阶段。在构建深度学习模型阶段,构造一个多层的卷积神经网络模型,初始化模型并设定模型的相关参数;在模型训练阶段将训练样本输入已构建的模型进行深度学习,通过反卷积的训练方法调整卷积神经网络的参数。在属性学习部分,为每个属性设定一个属性分类器。将从卷积神经网络模型中训练得到的优选特征输入各个分类器,通过样本的属性标签让分类器对属性进行学习。在属性类别映射关系学习部分,通过训练数据统计出具有某属性的样本中属于某类别的比例,得到属性类别映射关系表。在测试部分,将样本输入训练完毕的卷积神经网络得到样本的优选特征,将优选特征输入各个属性分类器,得到样本具有该属性的后验概率。最后根据属性后验概率和属性类别映射关系表推断图像类别的后验概率,从而判断图像所属类别。
具体是依序采用如下步骤:首先从行人识别领域专家设定的属性中选择最具代表性的、适合本行人识别的23个属性,包括服装相关属性和人体生物相关属性。接着构建一个深度学习模型,深度学习模型采用五层隐层的卷积神经网络模型。然后将训练样本输入已构建的卷积神经网络,经过多次卷积、次抽样的过程得到优选特征值,通过反卷积的方法调整网络中的权值,使网络能够提取到最本质的优选特征。为每个属性设计一个属性分类器,将卷积神经网络提取的优选特征输入每个分类器,通过支持向量机的模型训练方法训练分类器。通过训练数据统计出属性类别映射关系表。最后,将测试样本输入训练完毕的卷积神经网络得到优选特征,将优选特征输入训练完毕的各属性分类器得到样本具有该属性的后验概率,结合属性类别映射关系表,通过贝叶斯公式得到类别的后验概率,选取最大的概率对应的类别作为样本的识别类别。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
图1为本发明属性学习模型示意图。本发明的基本思想为:首先得到样本与属性之间的映射关系,再结合属性与类别之间的映射关系,得到样本与类别之间的关系。具体来说,将样本xt输入卷积神经网络得到优选特征,将优选特征输入各属性分类器得到样本xt具有属性a1,a2,…,ak的后验概率,然后结合属性类别映射关系通过贝叶斯公式得到类别的后验概率,从而判断样本所属类别。
图3为本发明提出的基于深度学习与属性学习相结合的行人识别方法流程示意图。
第一步:从行人识别领域专家设定的属性中选择最具代表性的、适合本行人识别的23个属性,包括服装相关属性和人体生物相关属性。人体生物特征相关属性有6个:男性、女性、小孩、老人、长发、短发;服装相关类属性有17个:带帽、戴眼镜、长袖、短袖、无袖、有外套、上衣有花纹、短裤、长裤、裙子、下装有花纹、单色鞋、多色鞋、双肩包、单肩包、手提包、有图案。
第二步:构建一个深度学***面个数、卷积核大小和池化矩阵大小,输入是训练样本图像,输出是调整好的网络权重,参数就是那些网络权重,初始化卷积核权值为阈值[0,1]间的随机值,偏置初始化为0,并设定网络的迭代训练次数10次,学习率为-1。将训练样本输入构建好的卷积神经网络,并通过对每两层间采用反卷积方法,利用逐层最小化重建误差法,调整神经网络权值。其中,卷积核选取索贝尔(Sobel)算子和拉普拉斯(Laplacian)算子,卷积神经网络的结构为:
第一层卷积层C1:设定6个特征平面,卷积核大小为5×5;
第一层次抽样层S1:设定6个特征平面,池化窗口大小为2×2;
第二层卷积层C2:设定12个特征平面,卷积核大小为5×5;
第二层次抽样层S2:设定12个特征平面,池化窗口大小为2×2;
最后一层为输出层;
尤其需要指出的是,经过大量反复的实验验证对比发现,采用上述卷积神经网络的结构更为合理,使得后期的卷积神经网络训练具有很好的泛化能力和识别精度,进而能够体现出更好的行人识别率。
卷积神经网络训练步骤为:
1)对每一隐含层的输出进行反卷积,将反卷积结果与该层的输入特征(即上一层的输出特征)对比得到误差E;
2)通过梯度下降算法调整卷积核权值,公式为:其中W*为更新的权值,η为设定的学习率-1,为误差对权值的偏导。
3)运用1)、2)两步,通过对所有训练样本的10次迭代训练,即对网络权值的10次更新,训练得到能够精确提取图像优选特征的卷积神经网络。
第三步:对训练好的卷积神经网络输入测试样本图像,经过多次卷积和次抽样的过程得到优选特征。该步骤中输入是测试图像,输出是测试图像通过网络模型提取出的优选特征。其具体步骤为:
1)将测试图像输入卷积神经网络底层网络;
2)图像特征经过第一层卷积层C1,通过5×5大小的卷积核的卷积操作,输出6个特征平面;
3)将C1层的6个输出特征平面作为第一层次抽样层S1的输入,通过2×2大小的池化窗口进行次抽样操作,输出6个特征平面;
4)将S1层的6个输出特征平面作为第二层卷积层C2的输入,通过5×5大小的的卷积核的卷积操作,输出12个特征平面;
5)将C2层的12个输出特征平面作为第二层次抽样层S2的输入,通过2×2大小的池化窗口进行次抽样操作,输出12个特征平面,此即为网络最后一层,输出经卷积神经网络逐层提升优选出的测试图像特征。
第四步:为每个属性设计一个属性分类器,将卷积神经网络提取的优选特征输入每个分类器,通过支持向量机的模型训练方法训练分类器。
对所有属性,将具有属性ak的样本标记为正例,将不具有属性ak的样本标记为反例,由第三步卷积神经网络提取到具有明确标记的优选特征,将这些正反优选特征输入到每个支持向量机Sk进行分类器训练,得到可以区分样本具有属性ak或不具有属性ak的属性分类器,并得到样本xt具有属性ak的后验概率p(ak|xt),其中支持向量机核函数选用径向基函数采用最小最大优化方法确定径向基参数σ值为3.2,使得各个属性分类器平均识别精度达90%以上。
第五步:属性类别映射关系学习,参考图2。通过训练数据统计出具有属性ak的样本中属于类别yj的比例,即代表具有属性ak且属于类别yj的样本个数,代表具有属性ak的样本个数。统计出每个属性对应每个类别的映射关系,得到属性类别映射关系表,参考表1属性类别映射关系示例表。
表1 属性类别映射关系示例表
第六步:对测试样本进行测试,其具体步骤为:
1)将测试样本xt输入训练完毕的卷积神经网络得到优选特征;
2)将优选特征输入训练完毕的各属性分类器得到具有属性ak的后验概率p(ak|xt);
3)结合属性类别映射关系表,通过贝叶斯公式得到类别yj对于样本xt的后验概率p(yj|xt),贝叶斯公式为:N为属性个数;
4)取最大的概率对应的类别作为样本的识别类别,样本的识别类别为
本发明验证实验采用i-LIDS行人数据库作为训练和测试数据库,该数据库包含了119个行人的479张图片,图片尺寸大小为128×64,这些图片由机场候机室内多个不重叠摄像头拍摄而来,具有姿态和光照的多变性。
本发明通过构建一个含五层隐层的卷积神经网络,采用反卷积方法对网络进行训练,并结合了属性学习的概念,将从卷积神经网络得到的优选特征输入各属性分类器,得到样本具有属性的后验概率,再结合属性类别映射关系得到类别的后验概率,从而判断样本所属类别。实验表明,本发明方法的识别准确率为80%以上,该方法与没有采用深度学习的方法相比较,由于可以提取更优选的特征,大大提高了分类准确率。并且由于属性相比于低层特征具有更好的语义表达性能,且对光线、视角的不敏感性,使得算法的识别效果更好。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于深度学习和属性学习相结合的行人识别方法,其特征在于,包括以下步骤:
步骤1,从行人识别领域专家设定的属性中选择最具代表性的、适合本行人识别的多个属性,包括服装相关属性和人体生物相关属性;
步骤2,构建一个深度学习模型并对该模型进行训练,深度学习模型采用含五层隐层的卷积神经网络模型;
步骤3,对训练好的卷积神经网络输入测试样本图像,经过多次卷积和下抽样的过程得到优选特征;
步骤4,为每个属性设计一个属性分类器,将卷积神经网络提取的优选特征输入每个分类器,通过支持向量机的模型训练方法训练分类器;
步骤5,通过训练数据统计出具有属性ak的样本中属于类别yj的比例,即 代表具有属性ak且属于类别yj的样本个数,代表具有属性ak的样本个数,统计出每个属性对应每个类别的映射关系,得到属性类别映射关系表;
步骤6,将测试样本xt输入训练完毕的卷积神经网络得到优选特征,将优选特征输入训练完毕的各属性分类器得到样本具有属性ak的后验概率p(ak|xt),结合属性类别映射关系表,通过贝叶斯公式得到类别yj后验概率p(yj|xt),贝叶斯公式为:其中,N为属性个数,最大的概率对应的类别作为样本的识别类别,样本的识别类别为
2.根据权利要求1所述的基于深度学习和属性学习相结合的行人识别方法,其特征在于,所述步骤1中,从行人识别领域专家设定的属性中选择最具代表性并适合本行人识别的23个属性,包括了与服装相关的属性及与人体生物特征相关的属性,人体生物特征相关属性有6个:男性、女性、小孩、老人、长发、短发;服装相关类属性有17个:戴帽、戴眼镜、长袖、短袖、无袖、有外套、上衣有花纹、短裤、长裤、裙子、下装有花纹、单色鞋、多色鞋、双肩包、单肩包、手提包、有图案。
3.根据权利要求1所述的基于深度学习和属性学习相结合的行人识别方法,其特征在于,所述步骤2中,采用含五层隐层的卷积神经网络模型具体包括:
第一层卷积层C1:设定6个特征平面,卷积核大小为5×5;
第一层下抽样层S1:设定6个特征平面,池化窗口大小为2×2;
第二层卷积层C2:设定12个特征平面,卷积核大小为5×5;
第二层下抽样层S2:设定12个特征平面,池化窗口大小为2×2;
最后一层输出层。
4.根据权利要求1所述的基于深度学习和属性学习相结合的行人识别方法,其特征在于,所述步骤2中,卷积神经网络训练步骤为:
步骤2.1,对每一隐含层的输出进行反卷积,将反卷积结果与该层的输入特征对比得到误差E;
步骤2.2,通过梯度下降算法调整卷积核权值,公式为:其中W*为更新的权值,η为设定的学习率-1,为误差对权值的偏导;
步骤2.3,运用步骤2.1,步骤2.2两步,通过对所有训练样本的10次迭代训练,即对网络权值的10次更新,训练得到能够提取图像优选特征的卷积神经网络。
5.根据权利要求3所述的基于深度学习和属性学习相结合的行人识别方法,其特征在于,所述卷积神经网络中卷积核选取索贝尔算子和拉普拉斯算子,并且采用反卷积方法,利用逐层最小化重建误差法,调整神经网络权值。
6.根据权利要求1所述的基于深度学习和属性学习相结合的行人识别方法,其特征在于,所述步骤4中,支持向量机在训练过程中的核函数选用径向基函数,采用最小最大优化方法确定径向基参数σ值为3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510297560.2A CN104992142B (zh) | 2015-06-03 | 2015-06-03 | 一种基于深度学习和属性学习相结合的行人识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510297560.2A CN104992142B (zh) | 2015-06-03 | 2015-06-03 | 一种基于深度学习和属性学习相结合的行人识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992142A CN104992142A (zh) | 2015-10-21 |
CN104992142B true CN104992142B (zh) | 2018-04-17 |
Family
ID=54303955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510297560.2A Active CN104992142B (zh) | 2015-06-03 | 2015-06-03 | 一种基于深度学习和属性学习相结合的行人识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992142B (zh) |
Families Citing this family (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9542626B2 (en) * | 2013-09-06 | 2017-01-10 | Toyota Jidosha Kabushiki Kaisha | Augmenting layer-based object detection with deep convolutional neural networks |
CN105426908B (zh) * | 2015-11-09 | 2018-11-02 | 国网冀北电力有限公司信息通信分公司 | 一种基于卷积神经网络的变电站属性分类方法 |
CN105426930B (zh) * | 2015-11-09 | 2018-11-02 | 国网冀北电力有限公司信息通信分公司 | 一种基于卷积神经网络的变电站属性分割方法 |
CN105426917A (zh) * | 2015-11-23 | 2016-03-23 | 广州视源电子科技股份有限公司 | 一种元件分类方法及装置 |
CN105404877A (zh) * | 2015-12-08 | 2016-03-16 | 商汤集团有限公司 | 基于深度学习和多任务学习的人脸属性预测方法及装置 |
CN105554782B (zh) * | 2015-12-09 | 2019-01-01 | 中国联合网络通信集团有限公司 | 用户感知指标的预测方法和装置 |
US9971953B2 (en) * | 2015-12-10 | 2018-05-15 | Intel Corporation | Visual recognition using deep learning attributes |
CN105631415A (zh) * | 2015-12-25 | 2016-06-01 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的视频行人识别方法 |
CN106022226B (zh) * | 2016-05-11 | 2019-03-01 | 同济大学 | 一种基于多方向多通道条形结构的行人再辨识方法 |
CN106203318B (zh) * | 2016-06-29 | 2019-06-11 | 浙江工商大学 | 基于多层次深度特征融合的摄像机网络行人识别方法 |
CN106203296B (zh) * | 2016-06-30 | 2019-05-07 | 北京小白世纪网络科技有限公司 | 一种属性辅助的视频动作识别方法 |
CN106127173B (zh) * | 2016-06-30 | 2019-05-07 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
CN106203490A (zh) * | 2016-06-30 | 2016-12-07 | 江苏大学 | 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法 |
CN106203506B (zh) * | 2016-07-11 | 2019-06-21 | 上海凌科智能科技有限公司 | 一种基于深度学习技术的行人检测方法 |
US10230860B2 (en) * | 2016-08-08 | 2019-03-12 | Kabushiki Kaisha Toshiba | Authentication apparatus for carrying out authentication based on captured image, authentication method and server |
CN106205126B (zh) * | 2016-08-12 | 2019-01-15 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN106326925A (zh) * | 2016-08-23 | 2017-01-11 | 南京邮电大学 | 一种基于深度学习网络的苹果病变图像识别方法 |
CN107797998B (zh) * | 2016-08-29 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 含谣言用户生成内容识别方法和装置 |
CN106651973B (zh) * | 2016-09-28 | 2020-10-02 | 北京旷视科技有限公司 | 图像结构化方法及装置 |
CN106529511B (zh) * | 2016-12-13 | 2019-12-10 | 北京旷视科技有限公司 | 图像结构化方法及装置 |
CN108256401B (zh) * | 2016-12-29 | 2021-03-26 | 杭州海康威视数字技术股份有限公司 | 一种获取目标属性特征语义的方法及装置 |
CN106683091B (zh) * | 2017-01-06 | 2019-09-24 | 北京理工大学 | 一种基于深度卷积神经网络的目标分类及姿态检测方法 |
CN106845415B (zh) * | 2017-01-23 | 2020-06-23 | 中国石油大学(华东) | 一种基于深度学习的行人精细化识别方法及装置 |
CN106981080A (zh) * | 2017-02-24 | 2017-07-25 | 东华大学 | 基于红外图像和雷达数据的夜间无人车场景深度估计方法 |
CN106951872B (zh) * | 2017-03-24 | 2020-11-06 | 江苏大学 | 一种基于无监督深度模型与层次属性的行人再识别方法 |
CN107038419A (zh) * | 2017-03-28 | 2017-08-11 | 南京邮电大学 | 一种基于视频序列深度学习的人物行为语义识别方法 |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN107330451B (zh) * | 2017-06-16 | 2020-06-26 | 西交利物浦大学 | 基于深度卷积神经网络的服装属性检索方法 |
CN108229288B (zh) * | 2017-06-23 | 2020-08-11 | 北京市商汤科技开发有限公司 | 神经网络训练及衣服颜色检测方法、装置、存储介质、电子设备 |
CN107480631B (zh) * | 2017-08-11 | 2020-06-05 | 中山大学 | 一种基于视角关联与深度网络学习的行人再识别方法 |
DE102018205561A1 (de) * | 2017-08-18 | 2019-02-21 | Robert Bosch Gmbh | Vorrichtung zur Klassifizierung von Signalen |
CN111052126B (zh) * | 2017-09-04 | 2024-06-04 | 华为技术有限公司 | 行人属性识别与定位方法以及卷积神经网络*** |
CN107644213A (zh) * | 2017-09-26 | 2018-01-30 | 司马大大(北京)智能***有限公司 | 视频人物提取方法及装置 |
CN108038543B (zh) * | 2017-10-24 | 2021-01-22 | 华南师范大学 | 期望与反期望深度学习方法和神经网络*** |
CN108009472B (zh) * | 2017-10-25 | 2020-07-21 | 五邑大学 | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 |
CN107862300A (zh) * | 2017-11-29 | 2018-03-30 | 东华大学 | 一种基于卷积神经网络的监控场景下行人属性识别方法 |
CN108334849A (zh) * | 2018-01-31 | 2018-07-27 | 中山大学 | 一种基于黎曼流形的行人重识别方法 |
CN108427714A (zh) * | 2018-02-02 | 2018-08-21 | 北京邮电大学 | 基于机器学习的房源重复记录识别方法及*** |
CN108460407A (zh) * | 2018-02-02 | 2018-08-28 | 东华大学 | 一种基于深度学习的行人属性精细化识别方法 |
CN108875536A (zh) * | 2018-02-06 | 2018-11-23 | 北京迈格威科技有限公司 | 行人分析方法、装置、***和存储介质 |
DE102018201914A1 (de) * | 2018-02-07 | 2019-08-08 | Robert Bosch Gmbh | Verfahren zum Anlernen eines Modells zur Personen-Wiedererkennung unter Verwendung von Bildern einer Kamera und Verfahren zum Erkennen von Personen aus einem angelernten Modell zur Personen-Wiedererkennung durch eine zweite Kamera eines Kameranetzwerkes |
CN108345943B (zh) * | 2018-02-08 | 2020-04-07 | 重庆理工大学 | 一种基于嵌入编码与对比学习的机器学习识别方法 |
CN108268863B (zh) * | 2018-02-13 | 2020-12-01 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置和计算机存储介质 |
CN108596171A (zh) * | 2018-03-29 | 2018-09-28 | 青岛海尔智能技术研发有限公司 | 开门控制方法和*** |
CN108921022A (zh) * | 2018-05-30 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 一种人体属性识别方法、装置、设备及介质 |
CN108805101A (zh) * | 2018-06-28 | 2018-11-13 | 陈静飞 | 一种基于深度学习的寄生虫虫卵的识别方法 |
CN109239102B (zh) * | 2018-08-21 | 2021-04-09 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109934081A (zh) * | 2018-08-29 | 2019-06-25 | 厦门安胜网络科技有限公司 | 一种基于深度神经网络的行人属性识别方法、装置及存储介质 |
CN109359515A (zh) * | 2018-08-30 | 2019-02-19 | 东软集团股份有限公司 | 一种用于对目标对象的属性特征进行识别的方法及装置 |
CN110135883A (zh) * | 2019-03-27 | 2019-08-16 | 浙江新再灵科技股份有限公司 | 一种电梯人群画像和广告受众分析的方法及*** |
CN110796819B (zh) * | 2019-10-18 | 2021-07-13 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种针对站台黄线入侵越界人员的检测方法及*** |
CN111931937B (zh) * | 2020-09-30 | 2021-01-01 | 深圳云天励飞技术股份有限公司 | 图像处理模型的梯度更新方法、装置及*** |
CN112464820A (zh) * | 2020-11-30 | 2021-03-09 | 江苏金鑫信息技术有限公司 | 一种无人车辆智能识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810476A (zh) * | 2014-02-20 | 2014-05-21 | 中国计量学院 | 基于小群体信息关联的视频监控网络中行人重识别方法 |
CN104063719A (zh) * | 2014-06-27 | 2014-09-24 | 深圳市赛为智能股份有限公司 | 基于深度卷积网络的行人检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396412B2 (en) * | 2012-06-21 | 2016-07-19 | Siemens Aktiengesellschaft | Machine-learnt person re-identification |
-
2015
- 2015-06-03 CN CN201510297560.2A patent/CN104992142B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810476A (zh) * | 2014-02-20 | 2014-05-21 | 中国计量学院 | 基于小群体信息关联的视频监控网络中行人重识别方法 |
CN104063719A (zh) * | 2014-06-27 | 2014-09-24 | 深圳市赛为智能股份有限公司 | 基于深度卷积网络的行人检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于属性学习的图像分类研究;林武旭等;《计算机科学》;20140531;第41卷(第5期);第288-291页 * |
多核支持向量机多示例学习的行人再识别;刘红海等;《光电工程》;20141130;第41卷(第11期);第16-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104992142A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992142B (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
KR102102161B1 (ko) | 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램 | |
CN109711281B (zh) | 一种基于深度学习的行人重识别与特征识别融合方法 | |
CN106503687B (zh) | 融合人脸多角度特征的监控视频人物身份识别***及其方法 | |
CN106127164B (zh) | 基于显著性检测和卷积神经网络的行人检测方法及装置 | |
CN107391703B (zh) | 图像库的建立方法及***、图像库和图像分类方法 | |
CN109815801A (zh) | 基于深度学习的人脸识别方法及装置 | |
CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN109766872A (zh) | 图像识别方法和装置 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN108171184A (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
CN107742107A (zh) | 人脸图像分类方法、装置及服务器 | |
CN105303150B (zh) | 实现图像处理的方法和*** | |
CN106951825A (zh) | 一种人脸图像质量评估***以及实现方法 | |
CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、***及设备 | |
CN109543602A (zh) | 一种基于多视角图像特征分解的行人再识别方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN108334849A (zh) | 一种基于黎曼流形的行人重识别方法 | |
CN106844614A (zh) | 一种户型图功能区域快速识别*** | |
CN108460407A (zh) | 一种基于深度学习的行人属性精细化识别方法 | |
CN108921107A (zh) | 基于排序损失和Siamese网络的行人再识别方法 | |
CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
CN104850825A (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN104463243B (zh) | 基于平均脸特征的性别检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191225 Address after: Room 333, 3 / F, science and technology innovation center, No.1, Xiankun Road, Jianye District, Nanjing City, Jiangsu Province Patentee after: Nanjing Zhaoshi Intelligent Technology Co., Ltd Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: jiangsu university |