CN107657249A - 多尺度特征行人重识别的方法、装置、存储介质及处理器 - Google Patents
多尺度特征行人重识别的方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN107657249A CN107657249A CN201711017356.6A CN201711017356A CN107657249A CN 107657249 A CN107657249 A CN 107657249A CN 201711017356 A CN201711017356 A CN 201711017356A CN 107657249 A CN107657249 A CN 107657249A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- neural network
- network model
- model
- identified
- 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
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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多尺度特征行人重识别的方法、装置、存储介质及处理器。其中,该方法包括:根据预设多尺度特征提取法建立第一卷积神经网络模型;根据预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型;根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型;输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;计算目标行人特征向量和待识别行人特征向量之间的向量距离,根据向量距离得到识别结果。本发明解决了现有技术中的行人重识别方式存在的识别精度较低的技术问题。
Description
技术领域
本发明涉及视频图像处理领域,具体而言,涉及一种多尺度特征行人重识别的方法、装置、存储介质及处理器。
背景技术
行人重识别技术,即在多个视角无交叉重叠的摄像头视频之间自动检索目标行人的技术,对于智能视频监控、嫌疑人员检索等应用起着至关重要的作用。然而,由于摄像头视角差异、行人姿态变化、前期检测误差等影响,行人重识别问题存在着很大挑战。
现有的行人重识别技术,通过提取行人的全局和局部特征,缓解由于姿态变化、检测误差等造成的影响。专利CN104376334A提出了一种多尺度特征融合的行人比对方法,通过对图像进行不同比例的缩放,将低尺度和高尺度相结合,在不同图像尺度上进行比对。然而,该方法采用手工设计的特征,鲁棒性差,且仅包含两种图像尺度,精度低,适用范围小。文献《Person Re-Identification by Deep Joint Learning of Multi-LossClassification》提出了一种多分支的卷积神经网络,基于完整特征图提取全局特征,并将共享特征图水平分割成条形子块分别提取局部特征,共同实现行人重识别。然而,子块个数越多,局部特征的细节性越强,算法的复杂度也越高,且其精度受到前期检测误差影响,难以得到保证。文献《Pose Invariant Embedding for Deep Person Re-Identification》结合姿态估计技术,基于检测到的不同人体部位,进行对应部位的特征提取及相似度匹配。该方法可有效利用不同行人图像对应部位的局部特征之间的相似度,提升行人重识别的可靠性,然而对前期的行人检测及部位检测要求较高,且部位检测的误差带来误差积累,影响识别精度。综上,现有技术中的行人重识别方式存在识别精度较低的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种多尺度特征行人重识别的方法、装置、存储介质及处理器,以至少解决现有技术中的行人重识别方式存在的识别精度较低的技术问题。
根据本发明实施例的一个方面,提供了一种多尺度特征行人重识别的方法,该方法包括:根据预设多尺度特征提取法建立第一卷积神经网络模型,其中,上述第一卷积神经网络模型中第任意层的输入分支包含上述第任意层的至少一个前位层级的输出分支;根据预设公开数据集训练上述第一卷积神经网络模型,得到第二卷积神经网络模型,其中,上述第二卷积神经网络模型为达到收敛状态的上述第一卷积神经网络模型;根据预设三元组数据集对由上述第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,上述模型群组包含三个并联的上述第二卷积神经网络模型,上述第三卷积神经网络模型为达到收敛状态的上述模型群组;输入目标行人图像和待识别行人图像至上述第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;计算上述目标行人特征向量和上述待识别行人特征向量之间的向量距离,根据上述向量距离得到识别结果。
进一步地,在根据预设三元组数据集对由上述第二卷积神经网络模型组成的模型群组进行训练之前,上述方法还包括:获取多个摄像头拍摄到的行人视频图像;截取上述行人视频图像中的每帧图片中的行人区域,并对上述行人区域添加身份标签;根据上述行人区域和上述身份标签得到行人重识别数据集;对上述行人重识别数据集进行数据组合,得到上述预设三元组数据集。
进一步地,上述根据预设三元组数据集对由上述第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型包括:将上述预设三元组数据集中的任意一组三元组训练图片分别输入至上述三个并联的上述第二卷积神经网络模型中,从而得到三个全连接层特征向量,其中,上述三个全连接层特征向量与上述三个并联的上述第二卷积神经网络模型具有一一对应关系;基于上述三个全连接层特征向量计算与上述三元组训练图片关联的代价函数;根据上述代价函数和预设随机梯度法对上述三个并联的上述第二卷积神经网络模型的权值进行同步更新,得到上述第三卷积神经网络模型。
进一步地,上述计算上述目标行人特征向量和上述待识别行人特征向量之间的向量距离,根据上述向量距离得到识别结果包括:判断上述向量距离是否小于预设距离阈值;若上述向量距离小于上述预设距离阈值,则确定上述目标行人图像和上述待识别行人图像匹配;若上述向量距离不小于上述预设距离阈值,则确定上述目标行人图像和上述待识别行人图像不匹配。
根据本发明实施例的另一方面,还提供了一种多尺度特征行人重识别的装置,该装置包括:第一构建单元,用于根据预设多尺度特征提取法建立第一卷积神经网络模型,其中,上述第一卷积神经网络模型中第任意层的输入分支包含上述第任意层的至少一个前位层级的输出分支;第一训练单元,用于根据预设公开数据集训练上述第一卷积神经网络模型,得到第二卷积神经网络模型,其中,上述第二卷积神经网络模型为达到收敛状态的上述第一卷积神经网络模型;第二训练单元,用于根据预设三元组数据集对由上述第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,上述模型群组包含三个并联的上述第二卷积神经网络模型,上述第三卷积神经网络模型为达到收敛状态的上述模型群组;输入单元,用于输入目标行人图像和待识别行人图像至上述第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;计算单元,用于计算上述目标行人特征向量和上述待识别行人特征向量之间的向量距离,根据上述向量距离得到识别结果。
进一步地,上述装置还包括:第一获取单元,用于获取多个摄像头拍摄到的行人视频图像;第一处理单元,用于截取上述行人视频图像中的每帧图片中的行人区域,并对上述行人区域添加身份标签;第二获取单元,用于根据上述行人区域和上述身份标签得到行人重识别数据集;第二处理单元,用于对上述行人重识别数据集进行数据组合,得到上述预设三元组数据集。
进一步地,上述第二训练单元包括:输入子单元,用于将上述预设三元组数据集中的任意一组三元组训练图片分别输入至上述三个并联的上述第二卷积神经网络模型中,从而得到三个全连接层特征向量,其中,上述三个全连接层特征向量与上述三个并联的上述第二卷积神经网络模型具有一一对应关系;计算子单元,用于基于上述三个全连接层特征向量计算与上述三元组训练图片关联的代价函数;更新子单元,用于根据上述代价函数和预设随机梯度法对上述三个并联的上述第二卷积神经网络模型的权值进行同步更新,得到上述第三卷积神经网络模型。
进一步地,上述计算单元包括:判断子单元,用于判断上述向量距离是否小于预设距离阈值;第一确定子单元,用于若上述向量距离小于上述预设距离阈值,则确定上述目标行人图像和上述待识别行人图像匹配;第二确定子单元,用于若上述向量距离不小于上述预设距离阈值,则确定上述目标行人图像和上述待识别行人图像不匹配。
根据本发明实施例的又一方面,还提供了一种存储介质,上述存储介质包括存储的程序,其中,在上述程序运行时控制上述存储介质所在设备执行上述的多尺度特征行人重识别的方法。
根据本发明实施例的又一方面,还提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述的多尺度特征行人重识别的方法。
在本发明实施例中,采用预设多尺度特征提取法建立第一卷积神经网络模型的方式,其中,第一卷积神经网络模型中第任意层的输入分支包含第任意层的至少一个前位层级的输出分支;通过预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型;根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型,第三卷积神经网络模型为达到收敛状态的模型群组;输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;达到了计算目标行人特征向量和待识别行人特征向量之间的向量距离、根据向量距离得到识别结果的目的,从而实现了提升行人重识别方式的识别精度、提高行人重识别方式的识别效率的技术效果,进而解决了现有技术中的行人重识别方式存在的识别精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的多尺度特征行人重识别的方法的流程示意图;
图2是根据本发明实施例的另一种可选的多尺度特征行人重识别的方法的流程示意图;
图3是根据本发明实施例的又一种可选的多尺度特征行人重识别的方法的流程示意图;
图4是根据本发明实施例的又一种可选的多尺度特征行人重识别的方法的流程示意图;
图5是根据本发明实施例的一种可选的多尺度特征行人重识别的装置的结构示意图;
图6是根据本发明实施例的一种可选的第一卷积神经网络模型的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种多尺度特征行人重识别的方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的多尺度特征行人重识别的方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤S102,根据预设多尺度特征提取法建立第一卷积神经网络模型,其中,第一卷积神经网络模型中第任意层的输入分支包含第任意层的至少一个前位层级的输出分支;
步骤S104,根据预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型;
步骤S106,根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型,第三卷积神经网络模型为达到收敛状态的模型群组;
步骤S108,输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;
步骤S110,计算目标行人特征向量和待识别行人特征向量之间的向量距离,根据向量距离得到识别结果。
在本发明实施例中,采用预设多尺度特征提取法建立第一卷积神经网络模型的方式,其中,第一卷积神经网络模型中第任意层的输入分支包含第任意层的至少一个前位层级的输出分支;通过预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型;根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型,第三卷积神经网络模型为达到收敛状态的模型群组;输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;达到了计算目标行人特征向量和待识别行人特征向量之间的向量距离、根据向量距离得到识别结果的目的,从而实现了提升行人重识别方式的识别精度、提高行人重识别方式的识别效率的技术效果,进而解决了现有技术中的行人重识别方式存在的识别精度较低的技术问题。
可选地,步骤S102中,第一卷积神经网络模型中的每一层级的输入可以包含多个层级的输出,用于提取不同尺度的特征。例如,第一卷积网络的第N层级的输入可以包含第(N-1)层级的输出、第(N-3)层级的输出和第(N-5)层级的输出。
可选地,步骤S102中的第一卷积神经网络模型包含多个多尺度提取单元,每个单元内的卷积层的输入可以是前面所有层级或部分层级的输出,因此,可以重复利用前列层级提取的特征,训练时有利于梯度回传,提升网络的收敛速度。此外,这种模型结构可以提取多种尺度的特征向量,有效利用行人图像的全局与局部信息,从而对于姿态、视角等条件变化保持鲁棒性,提升行人重识别精度。
可选地,步骤S104中,公开数据集可以是物体分类数据集,如ImageNet等。根据预设公开数据集训练第一卷积神经网络模型可以采用分类交叉熵代价函数。
可选地,步骤S106中,根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,可以保证同一个行人图像之间的距离小于不同行人图像之间的距离,从而学习到的特征具有良好的分布,保证识别精度。
可选地,步骤S110中,计算目标行人特征向量和待识别行人特征向量之间的向量距离,根据向量距离得到识别结果包括:将所述向量距离带入预设匹配规则,得到识别结果,该预设匹配规则可以是目标行人特征向量和待识别行人特征向量之间的距离小于预设的距离阈值,也可以是多个待识别行人特征向量与目标行人特征向量之间的距离中排序最小的前M个结果,例如,M可取值为5。
可选地,图2是根据本发明实施例的另一种可选的多尺度特征行人重识别的方法的流程示意图,如图2所示,在执行步骤S106之前,即在根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练之前,该方法还可以包括:
步骤S202,获取多个摄像头拍摄到的行人视频图像;
步骤S204,截取行人视频图像中的每帧图片中的行人区域,并对行人区域添加身份标签;
步骤S206,根据行人区域和身份标签得到行人重识别数据集;
步骤S208,对行人重识别数据集进行数据组合,得到预设三元组数据集。
可选地,执行步骤S204具体包括:对行人视频图像进行解码,得到多张单帧行人图像,对每帧行人图像中的行人区域添加位置标签及身份标签;
可选地,执行步骤S208具体包括:对行人重识别数据集进行数据组合,得到预设三元组数据集,其中,该预设三元组数据集中的每个三元组包括两张来自同一个行人的图像以及一张其他行人的图像,该数据组合的方式可以为数据集合的合并。
可选地,图3是根据本发明实施例的又一种可选的多尺度特征行人重识别的方法的流程示意图,如图3所示,执行步骤S106,即根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型包括:
步骤S302,将预设三元组数据集中的任意一组三元组训练图片分别输入至三个并联的第二卷积神经网络模型中,从而得到三个全连接层特征向量,其中,三个全连接层特征向量与三个并联的第二卷积神经网络模型具有一一对应关系;
步骤S304,基于三个全连接层特征向量计算与三元组训练图片关联的代价函数;
步骤S306,根据代价函数和预设随机梯度法对三个并联的第二卷积神经网络模型的权值进行同步更新,得到第三卷积神经网络模型。
可选地,步骤S306中的代价函数的函数公式可以为:E=[d(x,x_p)-d(x,x_n)+τ],其中,d为距离度量函数,x为三元组中的probe图像,x_p为正例图像,x_n为反例图像,τ为距离控制因子,[]+代表若括号内值为负数,则E为0,若为正数,则E等于该值。可选地,距离度量函数d可以是欧式距离。
可选地,图4是根据本发明实施例的又一种可选的多尺度特征行人重识别的方法的流程示意图,如图4所示,执行步骤S106,即计算目标行人特征向量和待识别行人特征向量之间的向量距离,根据向量距离得到识别结果包括:
步骤S402,判断向量距离是否小于预设距离阈值;
步骤S404,若向量距离小于预设距离阈值,则确定目标行人图像和待识别行人图像匹配;
步骤S406,若向量距离不小于预设距离阈值,则确定目标行人图像和待识别行人图像不匹配。
在本发明实施例中,采用预设多尺度特征提取法建立第一卷积神经网络模型的方式,其中,第一卷积神经网络模型中第任意层的输入分支包含第任意层的至少一个前位层级的输出分支;通过预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型;根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型,第三卷积神经网络模型为达到收敛状态的模型群组;输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;达到了计算目标行人特征向量和待识别行人特征向量之间的向量距离、根据向量距离得到识别结果的目的,从而实现了提升行人重识别方式的识别精度、提高行人重识别方式的识别效率的技术效果,进而解决了现有技术中的行人重识别方式存在的识别精度较低的技术问题。
实施例2
根据本发明实施例的另一方面,还提供了一种多尺度特征行人重识别的装置,如图5所示,该装置包括:
第一构建单元501,用于根据预设多尺度特征提取法建立第一卷积神经网络模型,其中,第一卷积神经网络模型中第任意层的输入分支包含第任意层的至少一个前位层级的输出分支;第一训练单元503,用于根据预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型;第二训练单元505,用于根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型,第三卷积神经网络模型为达到收敛状态的模型群组;输入单元507,用于输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;计算单元509,用于计算目标行人特征向量和待识别行人特征向量之间的向量距离,根据向量距离得到识别结果。
可选地,图6是根据本发明实施例的一种可选的第一卷积神经网络模型的结构示意图,如图6所示,该第一卷积神经网络模型包括:
第一卷积层,卷积核尺寸为5x5,通道数为16,步长为2,激活函数类型为ReLU。
第一池化层,池化尺寸为2x2,步长为2。
第二卷积层,卷积核尺寸为3x3,通道数为16,步长为2,激活函数类型为ReLU。
第二池化层,池化尺寸为2x2,步长为2。
第一多尺度提取单元,包含3个卷积层,每层卷积核尺寸为3x3,通道数为12,步长为1,激活函数类型为ReLU,使用batch normalization进行归一化。每层卷积层的输入为单元内前面所有卷积层的输出特征图拼接得到的总特征图。
第一过渡层,由卷积实现,卷积核尺寸为3x3,通道数为128,步长为2,激活函数类型为ReLU。
第二多尺度提取单元,包含3个卷积层,每层卷积核尺寸为3x3,通道数为12,步长为1,激活函数类型为ReLU,使用batch normalization进行归一化。每层卷积层的输入为单元内前面所有卷积层的输出特征图拼接得到的总特征图。
第二过渡层,由卷积实现,卷积核尺寸为3x3,通道数为256,步长为2,激活函数类型为ReLU。
第三多尺度提取单元,包含3个卷积层,每层卷积核尺寸为3x3,通道数为12,步长为1,激活函数类型为ReLU,使用batch normalization进行归一化。每层卷积层的输入为单元内前面所有卷积层的输出特征图拼接得到的总特征图。
第三过渡层,由卷积实现,卷积核尺寸为3x3,通道数为512,步长为2,激活函数类型为ReLU。
第四多尺度提取单元,包含3个卷积层,每层卷积核尺寸为3x3,通道数为12,步长为1,激活函数类型为ReLU,使用batch normalization进行归一化。每层卷积层的输入为单元内前面所有卷积层的输出特征图拼接得到的总特征图。
全局平均池化层,输入为第四多尺度提取单元所有卷积层的输出特征图拼接得到的总特征图经过batch normalization归一化之后的结果。
全连接层,包含512个神经元。
输出层,使用softmax分类函数,神经元个数为分类数。对于ImageNet数据集,神经元个数为1000。
可选地,该装置还可以包括:第一获取单元,用于获取多个摄像头拍摄到的行人视频图像;第一处理单元,用于截取行人视频图像中的每帧图片中的行人区域,并对行人区域添加身份标签;第二获取单元,用于根据行人区域和身份标签得到行人重识别数据集;第二处理单元,用于对行人重识别数据集进行数据组合,得到预设三元组数据集。
可选地,第二训练单元可以包括:输入子单元,用于将预设三元组数据集中的任意一组三元组训练图片分别输入至三个并联的第二卷积神经网络模型中,从而得到三个全连接层特征向量,其中,三个全连接层特征向量与三个并联的第二卷积神经网络模型具有一一对应关系;计算子单元,用于基于三个全连接层特征向量计算与三元组训练图片关联的代价函数;更新子单元,用于根据代价函数和预设随机梯度法对三个并联的第二卷积神经网络模型的权值进行同步更新,得到第三卷积神经网络模型。
可选地,计算单元包括:判断子单元,用于判断向量距离是否小于预设距离阈值;第一确定子单元,用于若向量距离小于预设距离阈值,则确定目标行人图像和待识别行人图像匹配;第二确定子单元,用于若向量距离不小于预设距离阈值,则确定目标行人图像和待识别行人图像不匹配。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述实施例1中的多尺度特征行人重识别的方法。
根据本发明实施例的又一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述实施例1中的多尺度特征行人重识别的方法。
在本发明实施例中,采用预设多尺度特征提取法建立第一卷积神经网络模型的方式,其中,第一卷积神经网络模型中第任意层的输入分支包含第任意层的至少一个前位层级的输出分支;通过预设公开数据集训练第一卷积神经网络模型,得到第二卷积神经网络模型,其中,第二卷积神经网络模型为达到收敛状态的第一卷积神经网络模型;根据预设三元组数据集对由第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,模型群组包含三个并联的第二卷积神经网络模型,第三卷积神经网络模型为达到收敛状态的模型群组;输入目标行人图像和待识别行人图像至第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;达到了计算目标行人特征向量和待识别行人特征向量之间的向量距离、根据向量距离得到识别结果的目的,从而实现了提升行人重识别方式的识别精度、提高行人重识别方式的识别效率的技术效果,进而解决了现有技术中的行人重识别方式存在的识别精度较低的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多尺度特征行人重识别的方法,其特征在于,包括:
根据预设多尺度特征提取法建立第一卷积神经网络模型,其中,所述第一卷积神经网络模型中第任意层的输入分支包含所述第任意层的至少一个前位层级的输出分支;
根据预设公开数据集训练所述第一卷积神经网络模型,得到第二卷积神经网络模型,其中,所述第二卷积神经网络模型为达到收敛状态的所述第一卷积神经网络模型;
根据预设三元组数据集对由所述第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,所述模型群组包含三个并联的所述第二卷积神经网络模型,所述第三卷积神经网络模型为达到收敛状态的所述模型群组;
输入目标行人图像和待识别行人图像至所述第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;
计算所述目标行人特征向量和所述待识别行人特征向量之间的向量距离,根据所述向量距离得到识别结果。
2.根据权利要求1所述的方法,其特征在于,在根据预设三元组数据集对由所述第二卷积神经网络模型组成的模型群组进行训练之前,所述方法还包括:
获取多个摄像头拍摄到的行人视频图像;
截取所述行人视频图像中的每帧图片中的行人区域,并对所述行人区域添加身份标签;
根据所述行人区域和所述身份标签得到行人重识别数据集;
对所述行人重识别数据集进行数据组合,得到所述预设三元组数据集。
3.根据权利要求1所述的方法,其特征在于,所述根据预设三元组数据集对由所述第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型包括:
将所述预设三元组数据集中的任意一组三元组训练图片分别输入至所述三个并联的所述第二卷积神经网络模型中,从而得到三个全连接层特征向量,其中,所述三个全连接层特征向量与所述三个并联的所述第二卷积神经网络模型具有一一对应关系;
基于所述三个全连接层特征向量计算与所述三元组训练图片关联的代价函数;
根据所述代价函数和预设随机梯度法对所述三个并联的所述第二卷积神经网络模型的权值进行同步更新,得到所述第三卷积神经网络模型。
4.根据权利要求1所述的方法,其特征在于,所述计算所述目标行人特征向量和所述待识别行人特征向量之间的向量距离,根据所述向量距离得到识别结果包括:
判断所述向量距离是否小于预设距离阈值;
若所述向量距离小于所述预设距离阈值,则确定所述目标行人图像和所述待识别行人图像匹配;
若所述向量距离不小于所述预设距离阈值,则确定所述目标行人图像和所述待识别行人图像不匹配。
5.一种多尺度特征行人重识别的装置,其特征在于,包括:
第一构建单元,用于根据预设多尺度特征提取法建立第一卷积神经网络模型,其中,所述第一卷积神经网络模型中第任意层的输入分支包含所述第任意层的至少一个前位层级的输出分支;
第一训练单元,用于根据预设公开数据集训练所述第一卷积神经网络模型,得到第二卷积神经网络模型,其中,所述第二卷积神经网络模型为达到收敛状态的所述第一卷积神经网络模型;
第二训练单元,用于根据预设三元组数据集对由所述第二卷积神经网络模型组成的模型群组进行训练,得到第三卷积神经网络模型,其中,所述模型群组包含三个并联的所述第二卷积神经网络模型,所述第三卷积神经网络模型为达到收敛状态的所述模型群组;
输入单元,用于输入目标行人图像和待识别行人图像至所述第三卷积神经网络模型,得到目标行人特征向量和待识别行人特征向量;
计算单元,用于计算所述目标行人特征向量和所述待识别行人特征向量之间的向量距离,根据所述向量距离得到识别结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第一获取单元,用于获取多个摄像头拍摄到的行人视频图像;
第一处理单元,用于截取所述行人视频图像中的每帧图片中的行人区域,并对所述行人区域添加身份标签;
第二获取单元,用于根据所述行人区域和所述身份标签得到行人重识别数据集;
第二处理单元,用于对所述行人重识别数据集进行数据组合,得到所述预设三元组数据集。
7.根据权利要求5所述的装置,其特征在于,所述第二训练单元包括:
输入子单元,用于将所述预设三元组数据集中的任意一组三元组训练图片分别输入至所述三个并联的所述第二卷积神经网络模型中,从而得到三个全连接层特征向量,其中,所述三个全连接层特征向量与所述三个并联的所述第二卷积神经网络模型具有一一对应关系;
计算子单元,用于基于所述三个全连接层特征向量计算与所述三元组训练图片关联的代价函数;
更新子单元,用于根据所述代价函数和预设随机梯度法对所述三个并联的所述第二卷积神经网络模型的权值进行同步更新,得到所述第三卷积神经网络模型。
8.根据权利要求5所述的装置,其特征在于,所述计算单元包括:
判断子单元,用于判断所述向量距离是否小于预设距离阈值;
第一确定子单元,用于若所述向量距离小于所述预设距离阈值,则确定所述目标行人图像和所述待识别行人图像匹配;
第二确定子单元,用于若所述向量距离不小于所述预设距离阈值,则确定所述目标行人图像和所述待识别行人图像不匹配。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求4中任意一项所述的多尺度特征行人重识别的方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至权利要求4中任意一项所述的多尺度特征行人重识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711017356.6A CN107657249A (zh) | 2017-10-26 | 2017-10-26 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711017356.6A CN107657249A (zh) | 2017-10-26 | 2017-10-26 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657249A true CN107657249A (zh) | 2018-02-02 |
Family
ID=61094991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711017356.6A Pending CN107657249A (zh) | 2017-10-26 | 2017-10-26 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657249A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491880A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于神经网络的物体分类和位姿估计方法 |
CN108681743A (zh) * | 2018-04-16 | 2018-10-19 | 腾讯科技(深圳)有限公司 | 图像对象识别方法和装置、存储介质 |
CN108921140A (zh) * | 2018-08-07 | 2018-11-30 | 安徽云森物联网科技有限公司 | 行人再识别方法 |
CN109034109A (zh) * | 2018-08-16 | 2018-12-18 | 新智数字科技有限公司 | 一种基于聚类算法的行人重识别方法和装置 |
CN109086690A (zh) * | 2018-07-13 | 2018-12-25 | 北京旷视科技有限公司 | 图像特征提取方法、目标识别方法及对应装置 |
CN109101913A (zh) * | 2018-08-01 | 2018-12-28 | 北京飞搜科技有限公司 | 行人重识别方法和装置 |
CN109241902A (zh) * | 2018-08-30 | 2019-01-18 | 北京航空航天大学 | 一种基于多尺度特征融合的山体滑坡检测方法 |
CN109271895A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 基于多尺度特征学习和特征分割的行人重识别方法 |
CN109345506A (zh) * | 2018-08-23 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种基于卷积神经网络的热点与marfe自动检测方法 |
CN109492610A (zh) * | 2018-11-27 | 2019-03-19 | 广东工业大学 | 一种行人重识别方法、装置及可读存储介质 |
CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
CN110082283A (zh) * | 2019-05-23 | 2019-08-02 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及*** |
CN110148052A (zh) * | 2019-04-17 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 商家贷后管控方法、装置、计算机设备及存储介质 |
CN110175904A (zh) * | 2019-04-15 | 2019-08-27 | 深圳壹账通智能科技有限公司 | 商店客流量坪效的检测方法、***、设备及存储介质 |
CN110175506A (zh) * | 2019-04-08 | 2019-08-27 | 复旦大学 | 基于并行降维卷积神经网络的行人重识别方法及装置 |
CN110516787A (zh) * | 2019-07-15 | 2019-11-29 | 杭州电子科技大学 | 基于易分特征丢弃策略的深度学习网络正则化约束方法 |
CN110543817A (zh) * | 2019-07-25 | 2019-12-06 | 北京大学 | 基于姿势指导特征学习的行人再识别方法 |
CN110705431A (zh) * | 2019-09-26 | 2020-01-17 | 中国人民解放军陆军炮兵防空兵学院 | 基于深度c3d特征的视频显著性区域检测方法及*** |
CN110827208A (zh) * | 2019-09-19 | 2020-02-21 | 重庆特斯联智慧科技股份有限公司 | 卷积神经网络的通用池化增强方法、装置、设备及介质 |
CN110909701A (zh) * | 2019-11-28 | 2020-03-24 | 北京百度网讯科技有限公司 | 行人特征的提取方法、装置、设备及介质 |
CN111044045A (zh) * | 2019-12-09 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 基于神经网络的导航方法、装置及终端设备 |
CN111144294A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 目标识别方法、装置、计算机设备及可读存储介质 |
CN111191561A (zh) * | 2019-12-25 | 2020-05-22 | 北京迈格威科技有限公司 | 用于非机动车的重识别的方法、装置及计算机存储介质 |
CN111291606A (zh) * | 2019-04-16 | 2020-06-16 | 北京潼荔科技有限公司 | 基于边缘计算的场景自适应目标识别人工智能方法及*** |
CN111428612A (zh) * | 2020-03-19 | 2020-07-17 | 深圳力维智联技术有限公司 | 行人重识别方法、终端、装置及存储介质 |
CN111523470A (zh) * | 2020-04-23 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 特征融合块、卷积神经网络、行人重识别方法及相关设备 |
CN111814857A (zh) * | 2020-06-29 | 2020-10-23 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111898732A (zh) * | 2020-06-30 | 2020-11-06 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111914668A (zh) * | 2020-07-08 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种基于图像增强技术的行人重识别方法、装置及*** |
CN112347957A (zh) * | 2020-11-12 | 2021-02-09 | 广联达科技股份有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN112784648A (zh) * | 2019-11-07 | 2021-05-11 | 中国科学技术大学 | 一种优化视频行人重识别***特征提取的方法及装置 |
CN113486815A (zh) * | 2021-07-09 | 2021-10-08 | 山东力聚机器人科技股份有限公司 | 一种行人重识别***和方法、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130343642A1 (en) * | 2012-06-21 | 2013-12-26 | Siemens Corporation | Machine-learnt person re-identification |
CN106203533A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于混合训练的深度学习人脸验证方法 |
CN106709449A (zh) * | 2016-12-22 | 2017-05-24 | 深圳市深网视界科技有限公司 | 一种基于深度学习和强化学习的行人重识别方法及*** |
CN106778464A (zh) * | 2016-11-09 | 2017-05-31 | 深圳市深网视界科技有限公司 | 一种基于深度学习的行人重识别方法和装置 |
CN106780906A (zh) * | 2016-12-28 | 2017-05-31 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的人证合一识别方法及*** |
CN106845330A (zh) * | 2016-11-17 | 2017-06-13 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的二维人脸识别模型的训练方法 |
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN107145845A (zh) * | 2017-04-26 | 2017-09-08 | 中山大学 | 基于深度学习及多特征点融合的行人检测方法 |
-
2017
- 2017-10-26 CN CN201711017356.6A patent/CN107657249A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130343642A1 (en) * | 2012-06-21 | 2013-12-26 | Siemens Corporation | Machine-learnt person re-identification |
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN106203533A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于混合训练的深度学习人脸验证方法 |
CN106778464A (zh) * | 2016-11-09 | 2017-05-31 | 深圳市深网视界科技有限公司 | 一种基于深度学习的行人重识别方法和装置 |
CN106845330A (zh) * | 2016-11-17 | 2017-06-13 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的二维人脸识别模型的训练方法 |
CN106709449A (zh) * | 2016-12-22 | 2017-05-24 | 深圳市深网视界科技有限公司 | 一种基于深度学习和强化学习的行人重识别方法及*** |
CN106780906A (zh) * | 2016-12-28 | 2017-05-31 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的人证合一识别方法及*** |
CN107145845A (zh) * | 2017-04-26 | 2017-09-08 | 中山大学 | 基于深度学习及多特征点融合的行人检测方法 |
Non-Patent Citations (2)
Title |
---|
JIAWEI LIU ET AL: "Multi-scale triplet CNN for person re-identification", 《PROCEEDINGS OF THE 24TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
XUELIN QIAN ET AL: "Multi-scale Deep Learning Architectures for Person Re-identification", 《ARXIV》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491880A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于神经网络的物体分类和位姿估计方法 |
US11227182B2 (en) | 2018-04-16 | 2022-01-18 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, and storage medium for recognizing image object |
CN108681743A (zh) * | 2018-04-16 | 2018-10-19 | 腾讯科技(深圳)有限公司 | 图像对象识别方法和装置、存储介质 |
CN108681743B (zh) * | 2018-04-16 | 2019-12-06 | 腾讯科技(深圳)有限公司 | 图像对象识别方法和装置、存储介质 |
CN109086690A (zh) * | 2018-07-13 | 2018-12-25 | 北京旷视科技有限公司 | 图像特征提取方法、目标识别方法及对应装置 |
CN109101913A (zh) * | 2018-08-01 | 2018-12-28 | 北京飞搜科技有限公司 | 行人重识别方法和装置 |
CN108921140A (zh) * | 2018-08-07 | 2018-11-30 | 安徽云森物联网科技有限公司 | 行人再识别方法 |
CN109034109B (zh) * | 2018-08-16 | 2021-03-23 | 新智数字科技有限公司 | 一种基于聚类算法的行人重识别方法和装置 |
CN109034109A (zh) * | 2018-08-16 | 2018-12-18 | 新智数字科技有限公司 | 一种基于聚类算法的行人重识别方法和装置 |
CN109345506A (zh) * | 2018-08-23 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种基于卷积神经网络的热点与marfe自动检测方法 |
CN109241902A (zh) * | 2018-08-30 | 2019-01-18 | 北京航空航天大学 | 一种基于多尺度特征融合的山体滑坡检测方法 |
CN109271895A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 基于多尺度特征学习和特征分割的行人重识别方法 |
CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
CN109492610A (zh) * | 2018-11-27 | 2019-03-19 | 广东工业大学 | 一种行人重识别方法、装置及可读存储介质 |
CN110175506A (zh) * | 2019-04-08 | 2019-08-27 | 复旦大学 | 基于并行降维卷积神经网络的行人重识别方法及装置 |
CN110175904A (zh) * | 2019-04-15 | 2019-08-27 | 深圳壹账通智能科技有限公司 | 商店客流量坪效的检测方法、***、设备及存储介质 |
CN111291606A (zh) * | 2019-04-16 | 2020-06-16 | 北京潼荔科技有限公司 | 基于边缘计算的场景自适应目标识别人工智能方法及*** |
CN110148052A (zh) * | 2019-04-17 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 商家贷后管控方法、装置、计算机设备及存储介质 |
CN110082283B (zh) * | 2019-05-23 | 2021-12-14 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及*** |
CN110082283A (zh) * | 2019-05-23 | 2019-08-02 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及*** |
CN110516787A (zh) * | 2019-07-15 | 2019-11-29 | 杭州电子科技大学 | 基于易分特征丢弃策略的深度学习网络正则化约束方法 |
CN110516787B (zh) * | 2019-07-15 | 2021-04-09 | 杭州电子科技大学 | 基于易分特征丢弃的网络正则化约束的行人重识别方法 |
CN110543817A (zh) * | 2019-07-25 | 2019-12-06 | 北京大学 | 基于姿势指导特征学习的行人再识别方法 |
CN110827208A (zh) * | 2019-09-19 | 2020-02-21 | 重庆特斯联智慧科技股份有限公司 | 卷积神经网络的通用池化增强方法、装置、设备及介质 |
CN110705431A (zh) * | 2019-09-26 | 2020-01-17 | 中国人民解放军陆军炮兵防空兵学院 | 基于深度c3d特征的视频显著性区域检测方法及*** |
CN110705431B (zh) * | 2019-09-26 | 2022-03-15 | 中国人民解放军陆军炮兵防空兵学院 | 基于深度c3d特征的视频显著性区域检测方法及*** |
CN112784648A (zh) * | 2019-11-07 | 2021-05-11 | 中国科学技术大学 | 一种优化视频行人重识别***特征提取的方法及装置 |
CN112784648B (zh) * | 2019-11-07 | 2022-09-06 | 中国科学技术大学 | 一种优化视频行人重识别***特征提取的方法及装置 |
CN110909701B (zh) * | 2019-11-28 | 2023-03-24 | 北京百度网讯科技有限公司 | 行人特征的提取方法、装置、设备及介质 |
CN110909701A (zh) * | 2019-11-28 | 2020-03-24 | 北京百度网讯科技有限公司 | 行人特征的提取方法、装置、设备及介质 |
CN111044045A (zh) * | 2019-12-09 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 基于神经网络的导航方法、装置及终端设备 |
CN111191561A (zh) * | 2019-12-25 | 2020-05-22 | 北京迈格威科技有限公司 | 用于非机动车的重识别的方法、装置及计算机存储介质 |
CN111144294A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 目标识别方法、装置、计算机设备及可读存储介质 |
CN111428612B (zh) * | 2020-03-19 | 2023-08-15 | 深圳力维智联技术有限公司 | 行人重识别方法、终端、装置及存储介质 |
CN111428612A (zh) * | 2020-03-19 | 2020-07-17 | 深圳力维智联技术有限公司 | 行人重识别方法、终端、装置及存储介质 |
CN111523470A (zh) * | 2020-04-23 | 2020-08-11 | 苏州浪潮智能科技有限公司 | 特征融合块、卷积神经网络、行人重识别方法及相关设备 |
CN111523470B (zh) * | 2020-04-23 | 2022-11-18 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、装置、设备及介质 |
CN111814857A (zh) * | 2020-06-29 | 2020-10-23 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111898732B (zh) * | 2020-06-30 | 2023-06-20 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111898732A (zh) * | 2020-06-30 | 2020-11-06 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111914668A (zh) * | 2020-07-08 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种基于图像增强技术的行人重识别方法、装置及*** |
CN112347957A (zh) * | 2020-11-12 | 2021-02-09 | 广联达科技股份有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN113486815A (zh) * | 2021-07-09 | 2021-10-08 | 山东力聚机器人科技股份有限公司 | 一种行人重识别***和方法、计算机设备及存储介质 |
CN113486815B (zh) * | 2021-07-09 | 2022-10-21 | 山东力聚机器人科技股份有限公司 | 一种行人重识别***和方法、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN108509859B (zh) | 一种基于深度神经网络的无重叠区域行人跟踪方法 | |
CN111898547B (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
CN106485215B (zh) | 基于深度卷积神经网络的人脸遮挡检测方法 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN110728209B (zh) | 一种姿态识别方法、装置、电子设备及存储介质 | |
CN106845487B (zh) | 一种端到端的车牌识别方法 | |
CN107844753A (zh) | 视频图像中的行人重识别方法、装置、存储介质及处理器 | |
CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
US8401292B2 (en) | Identifying high saliency regions in digital images | |
CN108090433A (zh) | 人脸识别方法及装置、存储介质、处理器 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN108520219A (zh) | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 | |
CN111709285A (zh) | 一种基于无人机的疫情防护监控方法、装置和存储介质 | |
CN105469376B (zh) | 确定图片相似度的方法和装置 | |
CN107220635A (zh) | 基于多造假方式的人脸活体检测方法 | |
CN108197587A (zh) | 一种通过人脸深度预测进行多模态人脸识别的方法 | |
CN112861690B (zh) | 多方法融合的遥感影像变化检测方法及*** | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN108595585A (zh) | 样本数据分类方法、模型训练方法、电子设备及存储介质 | |
CN107609512A (zh) | 一种基于神经网络的视频人脸捕捉方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN107545249A (zh) | 一种人群年龄识别方法及装置 | |
CN112016464A (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180202 |
|
WD01 | Invention patent application deemed withdrawn after publication |