CN109657533A - 行人重识别方法及相关产品 - Google Patents
行人重识别方法及相关产品 Download PDFInfo
- Publication number
- CN109657533A CN109657533A CN201811262562.8A CN201811262562A CN109657533A CN 109657533 A CN109657533 A CN 109657533A CN 201811262562 A CN201811262562 A CN 201811262562A CN 109657533 A CN109657533 A CN 109657533A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- obtains
- training
- input picture
- 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
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了行人重识别方法及相关产品,方法包括:通过预设卷积神经网络训练模型对目标图像进行特征提取,得到第一特征集,预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将第一训练模块和第二训练模块提取的特征融合成一个特征集;确定第一特征集与多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;通过多个汉明距离值计算输入图像与图像库中每一图像之间的相似概率值,得到多个相似概率值;从多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;按照相似概率值由大到小的顺序将至少一个目标相似概率值对应的图像库中的图像展示给用户。采用本申请可提升行人识别精准率。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种行人重识别方法及相关产品。
背景技术
行人重识别(Person Re-identification),简称ReID,是一种利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,即给定一个监控行人图像的情况下,检索跨设备下的该目标图像。旨在弥补当前固定摄像头的视觉局限,同时可与行人检测/行人跟踪技术相结合。
行人重识别技术(ReID),被认为是一个图像检索的子问题,可广泛应用于智能视频监控、智能安保等领域。在监控视频中,由于摄像头分辨率的缘故,通常无法得到质量非常高的人脸图片。在人脸识别失效的情况下,ReID就成为了一个非常重要的替代品技术。而且,实际视频监控场景复杂,而不同摄像头所处的角度、光照等环境的影响,导致同一个行人在不同摄像头下所表现出的外貌特征会不一样;相反,由于摄像头角度和行人姿态的变化,导致不同行人的外貌特征可能比同一人的外貌特征更相似,进而对行人重识别造成极大的影响。
发明内容
本申请实施例提供了一种行人重识别方法及相关产品,能够提高行人重识别精准率。
本申请实施例第一方面提供了一种行人重识别方法,包括:
获取输入图像;
对所述输入图像进行预处理,得到目标图像;
通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;
通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;
确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;
通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;
从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;
按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
本申请实施例第二方面提供了一种行人重识别装置,包括:
获取单元,用于获取输入图像;
处理单元,用于对所述输入图像进行预处理,得到目标图像;
提取单元,用于通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;以及通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;
确定单元,用于确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;
计算单元,用于通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;
选取单元,用于从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;
展示单元,用于按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
第三方面,本申请实施例提供了一种电子设备,包括:处理器和存储器;以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置成由所述处理器执行,所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质用于存储计算机程序,其中,所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤的指令。
第五方面,本申请实施例提供了一种计算机程序产品,其中,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,具有如下有益效果:
可以看出,通过本申请实施例所描述的行人重识别方法及相关产品,获取输入图像,对输入图像进行预处理,得到目标图像,通过预设卷积神经网络训练模型对目标图像进行特征提取,得到第一特征集,预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将第一训练模块和第二训练模块提取的特征融合成一个特征集,第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征,通过预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集,确定第一特征集与多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值,通过多个汉明距离值计算输入图像与图像库中每一图像之间的相似概率值,得到多个相似概率值,从多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值,按照相似概率值由大到小的顺序将至少一个目标相似概率值对应的图像库中的图像展示给用户,如此,能够提取行人的局部以及全局特征,能够将行人的全局特征以及局部特征均用于识别,提升了行人识别精准率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的一种行人重识别方法的实施例流程示意图;
图1B是本申请实施例提供的一种行人重识别方法的特征提取的演示示意图;
图1C是本申请实施例提供的一种行人重识别方法的实施例流程示意图;
图2是本申请实施例提供的一种行人重识别方法的又一演示示意图;
图3A是本申请实施例提供的一种行人重识别装置的实施例结构示意图;
图3B是本申请实施例提供的图3A所描述的行人重识别装置的又一结构示意图;
图4是本申请实施例提供的一种电子设备的实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所描述行电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、视频矩阵、监控平台、车载设备、卫星、掌上电脑、笔记本电脑、移动互联网设备(MID,Mobile Internet Devices)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述电子设备还可以为服务器。
请参阅图1A,为本申请实施例提供的一种行人重识别方法的实施例流程示意图。本实施例中所描述的行人重识别方法,包括以下步骤:
101、获取输入图像。
其中,电子设备可以获取输入图像,输入图像可以由摄像头拍摄的行人的全身照,输入图像可以由公共场所的摄像头拍摄所得。
102、对所述输入图像进行预处理,得到目标图像。
其中,电子设备可以对输入图像进行预处理,例如,尺寸调整,背景去除,等等操作,得到目标图像。
可选地,上述步骤102,对所述输入图像进行预处理,得到目标图像,可包括如下步骤:
21、对所述输入图像进行缩放处理,使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样;
22、对缩放处理后的所述输入图像进行图像分割,得到所述目标图像。
其中,电子设备可以对输入图像进行缩放处理,使得缩放处理后的输入图像与图像库中的图像的尺寸大小一样,然后,对该缩放处理后的输入图像进行缩放处理,得到目标图像,如此,可以减少无效的数据,提升后续识别精度。
可选地,上述步骤102,对所述输入图像进行预处理,得到目标图像,可包括如下步骤:
23、对所述输入图像进行抠图处理,得到行人区域图像;
24、对所述行人区域图像进行缩放处理,得到所述目标图像,缩放处理后的目标图像与图像库中的图像的尺寸大小一样。
其中,可以先对输入图像进行抠图处理,得到行人区域图像,抠图处理的具体算法可以为图像分割算法,例如,基于信息熵的图像分割算法、基于GraphCuts图割算法的图像分割算法、基于分水岭算法的图像分割算法等等,在此不作限定,其次,对该行人区域图像进行缩放处理,使得其与图像库中的图像的尺寸大小一致,得到目标图像。
103、通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征。
其中,预设卷积神经网络训练模型可以在上述步骤101之前预先训练得到,该预设卷积神经网络训练模型可以由第一训练模块和第二训练模块组成,第一训练模块基于SphereLoss函数和SoftmaxLoss函数实现,主要用于训练全局特征,第二训练模型基于SoftmaxLoss函数实现,主要用于训练局部特征,然后将第一训练模块和第二训练模组提取的特征融合成一个特征集。
可选地,上述步骤103,通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,可包括如下步骤:
31、通过DeeperCut算法对所述目标图像进行运算,得到4个关键点;
32、依据所述4个关键点将所述目标图像划分为三个区域,所述三个区域分别为人头区域、上半身区域和下半身区域;
33、将所述目标图像输入所述第一训练模型进行训练,得到一个特征集;
34、分别将所述人头区域、所述上半身区域和所述下半身区域输入到所述第二训练模型进行训练,得到三个特征集;
35、将所述一个特征集和所述三个特征集合成所述第一特征集。
具体实现中,电子设备可以通过DeeperCut算法得到4个关键点,由4个关键点可以得到输入图像的3个部件(人头、上半身和下半身区域),如图1B所示,将全局图像和部件图像送入预设卷积神经网络训练模型进行训练,分别学习全局特征和局部特征,得到全局特征对应的一个特征集,和部件图像对应的三个特征集,并最终融合为一个特征,即第一特征集,假设4个关键点的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)和(x4,y4)。
具体地,假设行人图像大小为H×W,人头的坐标为(x1,y1),脖子坐标为(x2,y2),则可获取人头区域Ph:
Ph=[(xc-w/2,y1-α),(xc+w/2,y2+α)]
w=y2-y1+2α
xc=(x1+x2)/2
类比头部区域的计算规则,假设左肩区域坐标为(x3,y3),右下坐标为(x4,y4),则可获取人体上半身区域Pu,下半身区域Pl分别为:
Pu=[(0,y2-2α),(W-1,yc+2α)]
Pl=[(0,y2-2α),(W-1,H-1)]
yc=(y3+y4)/2
其中,α可以理解为是一个控制相邻区域重叠部分的一个参数。
上述Sphere Loss将特征映射到一个高维球面上,具体的公式如下:
在训练过程中,还可以将权重向量和特征向量都进行归一化消除模的影响,并引入一个温度参数s,控制softmax的温度(即曲线的波动程度)。
如图1C所示所示,原始的softmax是比较点积,对于样本x如果|W1||x|cosθ1>|W2||x|cosθ2则分到第1类,反之,分到第2类,分类结果不仅和角度有关,还与向量的模有关。而进行归一化之后,只需要比较两个角度的大小,如果cosθ1>cosθ2,则分到第1类,反之分到第2类,只由角度值决定,清晰简单,所有特征归一化后全部映射到一个超球面上。
可选地,利用预设卷积神经网络训练模型进行行人特征提取,分别将全局图像和三个部件图像送到预设卷积神经网络训练模型中,提取预设卷积神经网络训练模型融合后的特征作为图像的特征表示向量,由于使用卷积网络模型对行人特征进行提取时,使用图像的全局特征和三个局部特征(人体头部特征,上半身特征和下半身特征)进行融合,假设,四个特征向量分别为fg,fh,fu,fl。则特征融合的特征可表示为:
FP={fg;fh;fu;fl}
将Fp作为图像的表征特征,采用欧式距离计算图像之间的相似度,并根据相似度排序,得到最终检索后的概率结果。
104、通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集。
其中,上述步骤104的具体描述,可以参照上述步骤31-35,在此不再赘述。上述预设图像库中可以存储有多张图像,每一图像的尺寸大小均相等。电子设备可以收集在不同摄像头下同一行人不同状态下的图片,统一图片尺寸,并通过随机裁剪、缩放以及擦除等方式对图像数据进行了增强处理,构建行人数据集,即图像库。
105、确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值。
其中,电子设备可以计算第一特征集与多个第二特征集中每一特征集之间的汉明距离,得到多个汉明距离值。
106、通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值。
其中,汉明距离在一定程度上反映了相似概率值,例如,汉明距离越小,则相似概率值越大。
107、从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值。
其中,上述预设阈值可以由用户自行设置或者***默认。
108、按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
其中,电子设备可以按照相似概率值由大到小的顺序将至少一个目标相似概率值对应的图像库中的图像展示给用户。如此,提取全局特征和局部特征融合作为行人的特征,并对其特征进行编码,以提高检索速度。采用汉明距离计算之间的相似度,对相似度进行排序输出,得到最终检索结果。
可选地,在上述步骤101获取输入图像之前,还可以包括如下步骤:
A1、获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像;
A2、对所述多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集;
A3、将所述全局图像集输入到所述第一训练模块中进行训练;
A4、将所述部件图像集输入到所述第二训练模块中进行训练;
A5、将训练后的所述第一训练模块和训练后的所述第二训练模块构成所述预设卷积神经网络训练模型。
其中,上述A2的具体描述,可以参照上述步骤31-35,在此不再赘述,在执行上述步骤A2的过程中,也可以将A2中的每一图像划分为人头区域、上半身区域和下半身区域。电子设备可以获取多个图像集,每一图像集包括同一行人在不同摄像头下的不同状态下的多张图像,例如,针对某个环境,有A、B、C三个摄像头,三个摄像头均可以对行人D进行拍摄,得到其在不同状态下的多张图像,上述状态可以理解为:位置、天气、时间、光线等等,在此不作限定。具体实现中,提取出多个图像集中的的各个部件,然后将全局图像送入第一训练模块进行训练和部件图像送入第二训练模块进行训练,其中全局采用SphereLoss与SoftmaxLoss结合,三个部件采用局部SoftmaxLoss,并得到最终的训练模型。
可选地,具体实现中,可以通过对图像数据进行增强来提高卷积神经网(ConvolutionalNeural Network,CNN)模型的识别能力和泛化能力。本申请将使用以下方法对预处理阶段得到的行人图像进行数据增强。首先,对颜色的数据增强,主要包括色彩的饱和度、亮度以及对比度等方面,其次,对CNN网络的输入数据进行规范化,计算行人图像的RGB颜色通道的均值和标准差,并在整个训练集上计算了协方差矩阵,最后进行特征分解得到特征向量和特征值,并做PCA Jittering处理。最后,在训练的阶段对行人图像进行随机裁剪、缩放以及擦除等,能够通过数据增强来提高模型的泛化能力。
可以看出,通过本申请实施例所描述的行人重识别方法,获取输入图像,对输入图像进行预处理,得到目标图像,通过预设卷积神经网络训练模型对目标图像进行特征提取,得到第一特征集,预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将第一训练模块和第二训练模块提取的特征融合成一个特征集,第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征,通过预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集,确定第一特征集与多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值,通过多个汉明距离值计算输入图像与图像库中每一图像之间的相似概率值,得到多个相似概率值,从多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值,按照相似概率值由大到小的顺序将至少一个目标相似概率值对应的图像库中的图像展示给用户,如此,能够提取行人的局部以及全局特征,能够将行人的全局特征以及局部特征均用于识别,提升了行人识别精准率。
与上述一致地,请参阅图2,为本申请实施例提供的一种行人重识别方法的第二实施例流程示意图。本实施例中所描述的行人重识别方法,包括以下步骤:
201、获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像。
202、对所述多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集。
203、将所述全局图像集输入到第一训练模块中进行训练。
204、将所述部件图像集输入到第二训练模块中进行训练。
205、将训练后的所述第一训练模块和训练后的所述第二训练模块构成预设卷积神经网络训练模型。
206、获取输入图像。
207、对所述输入图像进行预处理,得到目标图像。
208、通过所述预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由所述第一训练模块和所述第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征。
209、通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集。
210、确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值。
211、通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值。
212、从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值。
213、按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
其中,上述步骤201-步骤213的具体描述可参照图1A所描述的行人重识别方法的对应步骤101-步骤108,在此不再赘述。
可以看出,通过本申请实施例所描述的行人重识别方法,获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像,对多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集,将全局图像集输入到第一训练模块中进行训练,将部件图像集输入到第二训练模块中进行训练,将训练后的第一训练模块和训练后的第二训练模块构成预设卷积神经网络训练模型,获取输入图像,对输入图像进行预处理,得到目标图像,通过预设卷积神经网络训练模型对目标图像进行特征提取,得到第一特征集,预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将第一训练模块和第二训练模块提取的特征融合成一个特征集,第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征,通过预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集,确定第一特征集与多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值,通过多个汉明距离值计算输入图像与图像库中每一图像之间的相似概率值,得到多个相似概率值,从多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值,按照相似概率值由大到小的顺序将至少一个目标相似概率值对应的图像库中的图像展示给用户,如此,能够提取行人的局部以及全局特征,能够将行人的全局特征以及局部特征均用于识别,提升了行人识别精准率。
与上述一致地,以下为实施上述行人重识别方法的装置,具体如下:
请参阅图3A,为本申请实施例提供的一种行人重识别装置的实施例结构示意图。本实施例中所描述的行人重识别装置,包括:获取单元301、处理单元302、提取单元303、确定单元304、计算单元305、选取单元306和展示单元307,具体如下:
获取单元301,用于获取输入图像;
处理单元302,用于对所述输入图像进行预处理,得到目标图像;
提取单元303,用于通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;以及通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;
确定单元304,用于确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;
计算单元305,用于通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;
选取单元306,用于从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;
展示单元307,用于按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
可选地,在所述通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集方面,所述提取单元303具体用于:
通过DeeperCut算法对所述目标图像进行运算,得到4个关键点;
依据所述4个关键点将所述目标图像划分为三个区域,所述三个区域分别为人头区域、上半身区域和下半身区域;
将所述目标图像输入所述第一训练模型进行训练,得到一个特征集;
分别将所述人头区域、所述上半身区域和所述下半身区域输入到所述第二训练模型进行训练,得到三个特征集;
将所述一个特征集和所述三个特征集合成所述第一特征集。
可选地,在所述对所述输入图像进行预处理,得到目标图像方面,所述处理单元302具体用于:
对所述输入图像进行缩放处理,使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样;
对缩放处理后的所述输入图像进行图像分割,得到所述目标图像。
可选地,在所述对所述输入图像进行预处理,得到目标图像方面,所述处理单元302具体用于:
对所述输入图像进行抠图处理,得到行人区域图像;
对所述行人区域图像进行缩放处理,得到所述目标图像,缩放处理后的目标图像与图像库中的图像的尺寸大小一样。
可选地,如图3B所示,图3B为图3A所示的行人重识别装置的又一变型结构,其与图3A相比较,还可以包括训练单元308,具体如下:
所述获取单元301,在所述获取输入图像之前,还具体用于:获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像;
所述提取单元303,还具体用于对所述多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集;
所述训练单元308,用于将所述全局图像集输入到所述第一训练模块中进行训练;以及将所述部件图像集输入到所述第二训练模块中进行训练;将训练后的所述第一训练模块和训练后的所述第二训练模块构成所述预设卷积神经网络训练模型。
可以看出,通过本申请实施例所描述的行人重识别装置,获取输入图像,对输入图像进行预处理,得到目标图像,通过预设卷积神经网络训练模型对目标图像进行特征提取,得到第一特征集,预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将第一训练模块和第二训练模块提取的特征融合成一个特征集,第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征,通过预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集,确定第一特征集与多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值,通过多个汉明距离值计算输入图像与图像库中每一图像之间的相似概率值,得到多个相似概率值,从多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值,按照相似概率值由大到小的顺序将至少一个目标相似概率值对应的图像库中的图像展示给用户,如此,能够提取行人的局部以及全局特征,能够将行人的全局特征以及局部特征均用于识别,提升了行人识别精准率。
与上述一致地,请参阅图4,为本申请实施例提供的一种电子设备的实施例结构示意图。本实施例中所描述的电子设备,包括:至少一个输入设备1000;至少一个输出设备2000;至少一个处理器3000,例如CPU;和存储器4000,上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中,上述输入设备1000具体可为触控面板、物理按键或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器,也可为非易失存储器(non-volatilememory),例如磁盘存储器。上述存储器4000用于存储一组程序代码,上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码,执行如下操作:
上述处理器3000,用于:
获取输入图像;
对所述输入图像进行预处理,得到目标图像;
通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;
通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;
确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;
通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;
从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;
按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
可选地,在所述通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集方面,上述处理器3000具体用于:
通过DeeperCut算法对所述目标图像进行运算,得到4个关键点;
依据所述4个关键点将所述目标图像划分为三个区域,所述三个区域分别为人头区域、上半身区域和下半身区域;
将所述目标图像输入所述第一训练模型进行训练,得到一个特征集;
分别将所述人头区域、所述上半身区域和所述下半身区域输入到所述第二训练模型进行训练,得到三个特征集;
将所述一个特征集和所述三个特征集合成所述第一特征集。
可选地,在所述对所述输入图像进行预处理,得到目标图像方面,上述处理器3000具体用于:
对所述输入图像进行缩放处理,使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样;
对缩放处理后的所述输入图像进行图像分割,得到所述目标图像。
可选地,在所述对所述输入图像进行预处理,得到目标图像方面,上述处理器3000还具体用于:
对所述输入图像进行抠图处理,得到行人区域图像;
对所述行人区域图像进行缩放处理,得到所述目标图像,缩放处理后的目标图像与图像库中的图像的尺寸大小一样。
可选地,在所述获取输入图像之前,上述处理器3000还具体用于:
获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像;
对所述多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集;
将所述全局图像集输入到所述第一训练模块中进行训练;
将所述部件图像集输入到所述第二训练模块中进行训练;
将训练后的所述第一训练模块和训练后的所述第二训练模块构成所述预设卷积神经网络训练模型。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何一种行人重识别方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种行人重识别方法的部分或全部步骤。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中,与其它硬件一起提供或作为硬件的一部分,也可以采用其他分布形式,如通过Internet或其它有线或无线电信***。
本申请是参照本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程车牌定位设备的处理器以产生一个机器,使得通过计算机或其他可编程车牌定位设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程车牌定位设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程车牌定位设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种行人重识别方法,其特征在于,包括:
获取输入图像;
对所述输入图像进行预处理,得到目标图像;
通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;
通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;
确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;
通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;
从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;
按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
2.根据权利要求1所述的方法,其特征在于,所述通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,包括:
通过DeeperCut算法对所述目标图像进行运算,得到4个关键点;
依据所述4个关键点将所述目标图像划分为三个区域,所述三个区域分别为人头区域、上半身区域和下半身区域;
将所述目标图像输入所述第一训练模型进行训练,得到一个特征集;
分别将所述人头区域、所述上半身区域和所述下半身区域输入到所述第二训练模型进行训练,得到三个特征集;
将所述一个特征集和所述三个特征集合成所述第一特征集。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述输入图像进行预处理,得到目标图像,包括:
对所述输入图像进行缩放处理,使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样;
对缩放处理后的所述输入图像进行图像分割,得到所述目标图像。
4.根据权利要求1或2所述的方法,其特征在于,所述对所述输入图像进行预处理,得到目标图像,包括:
对所述输入图像进行抠图处理,得到行人区域图像;
对所述行人区域图像进行缩放处理,得到所述目标图像,缩放处理后的目标图像与图像库中的图像的尺寸大小一样。
5.根据权利要求1至4任一项所述的方法,其特征在于,在所述获取输入图像之前,所述方法还包括:
获取多个图像集,每一图像集包括同一个行人在不同摄像头的不同状态下的多张图像;
对所述多个图像集中每一图像进行特征提取,得到全局图像集和部件图像集;
将所述全局图像集输入到所述第一训练模块中进行训练;
将所述部件图像集输入到所述第二训练模块中进行训练;
将训练后的所述第一训练模块和训练后的所述第二训练模块构成所述预设卷积神经网络训练模型。
6.一种行人重识别装置,其特征在于,包括:
获取单元,用于获取输入图像;
处理单元,用于对所述输入图像进行预处理,得到目标图像;
提取单元,用于通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集,所述预设卷积神经网络训练模型由第一训练模块和第二训练模块组成,并将所述第一训练模块和所述第二训练模块提取的特征融合成一个特征集,所述第一训练模型基于SphereLoss函数和SoftmaxLoss函数实现,其用于训练全局特征,所述第二训练模型基于SoftmaxLoss函数实现,其用于训练局部特征;以及通过所述预设卷积神经网络训练模型对预设图像库中的每一图像进行特征提取,得到多个第二特征集;
确定单元,用于确定所述第一特征集与所述多个第二特征集中每一第二特征集之间的汉明距离,得到多个汉明距离值;
计算单元,用于通过所述多个汉明距离值计算所述输入图像与所述图像库中每一图像之间的相似概率值,得到多个相似概率值;
选取单元,用于从所述多个相似概率值中选取大于预设阈值的相似概率值,得到至少一个目标相似概率值;
展示单元,用于按照相似概率值由大到小的顺序将所述至少一个目标相似概率值对应的所述图像库中的图像展示给用户。
7.根据权利要求6所述的装置,其特征在于,在所述通过预设卷积神经网络训练模型对所述目标图像进行特征提取,得到第一特征集方面,所述提取单元具体用于:
通过DeeperCut算法对所述目标图像进行运算,得到4个关键点;
依据所述4个关键点将所述目标图像划分为三个区域,所述三个区域分别为人头区域、上半身区域和下半身区域;
将所述目标图像输入所述第一训练模型进行训练,得到一个特征集;
分别将所述人头区域、所述上半身区域和所述下半身区域输入到所述第二训练模型进行训练,得到三个特征集;
将所述一个特征集和所述三个特征集合成所述第一特征集。
8.根据权利要求6或7所述的装置,其特征在于,在所述对所述输入图像进行预处理,得到目标图像方面,所述处理单元具体用于:
对所述输入图像进行缩放处理,使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样;
对缩放处理后的所述输入图像进行图像分割,得到所述目标图像。
9.根据权利要求6或7所述的装置,其特征在于,在所述对所述输入图像进行预处理,得到目标图像方面,所述处理单元具体用于:
对所述输入图像进行抠图处理,得到行人区域图像;
对所述行人区域图像进行缩放处理,得到所述目标图像。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811262562.8A CN109657533B (zh) | 2018-10-27 | 2018-10-27 | 行人重识别方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811262562.8A CN109657533B (zh) | 2018-10-27 | 2018-10-27 | 行人重识别方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657533A true CN109657533A (zh) | 2019-04-19 |
CN109657533B CN109657533B (zh) | 2020-09-25 |
Family
ID=66110372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811262562.8A Active CN109657533B (zh) | 2018-10-27 | 2018-10-27 | 行人重识别方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657533B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502659A (zh) * | 2019-08-23 | 2019-11-26 | 深圳市商汤科技有限公司 | 图像特征提取及网络的训练方法、装置和设备 |
CN110674391A (zh) * | 2019-08-15 | 2020-01-10 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、***和计算机设备 |
CN110738101A (zh) * | 2019-09-04 | 2020-01-31 | 平安科技(深圳)有限公司 | 行为识别方法、装置及计算机可读存储介质 |
CN110795592A (zh) * | 2019-10-28 | 2020-02-14 | 深圳市商汤科技有限公司 | 图片处理方法、装置及设备 |
CN110807361A (zh) * | 2019-09-19 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN111444758A (zh) * | 2019-12-26 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种基于时空信息的行人重识别方法及装置 |
CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
CN111738362A (zh) * | 2020-08-03 | 2020-10-02 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
CN111738039A (zh) * | 2019-05-10 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种行人重识别方法、终端及存储介质 |
CN111739060A (zh) * | 2019-08-01 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 识别方法、设备及存储介质 |
CN111783570A (zh) * | 2020-06-16 | 2020-10-16 | 厦门市美亚柏科信息股份有限公司 | 一种目标重识别的方法、装置、***及计算机存储介质 |
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*** |
CN111967290A (zh) * | 2019-05-20 | 2020-11-20 | 阿里巴巴集团控股有限公司 | 物体识别方法、装置及车辆 |
CN112036250A (zh) * | 2020-08-04 | 2020-12-04 | 汇纳科技股份有限公司 | 基于邻域协同注意力的行人重识别方法、***、介质及终端 |
WO2020244071A1 (zh) * | 2019-06-06 | 2020-12-10 | 平安科技(深圳)有限公司 | 基于神经网络的手势识别方法、装置、存储介质及设备 |
CN112349096A (zh) * | 2020-10-28 | 2021-02-09 | 厦门博海中天信息科技有限公司 | 一种道路中智能识别行人的方法、***、介质及设备 |
CN112560969A (zh) * | 2020-12-21 | 2021-03-26 | 重庆紫光华山智安科技有限公司 | 用于人体重识别的图像处理方法、模型训练方法及装置 |
CN112906614A (zh) * | 2021-03-08 | 2021-06-04 | 中南大学 | 基于注意力指导的行人重识别方法、装置及存储介质 |
CN113408339A (zh) * | 2021-05-11 | 2021-09-17 | 浙江大华技术股份有限公司 | 标签构建方法及相关装置 |
CN114783037A (zh) * | 2022-06-17 | 2022-07-22 | 浙江大华技术股份有限公司 | 目标重识别方法、目标重识别装置和计算机可读存储介质 |
CN116052220A (zh) * | 2023-02-07 | 2023-05-02 | 北京多维视通技术有限公司 | 行人重识别方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130343642A1 (en) * | 2012-06-21 | 2013-12-26 | Siemens Corporation | Machine-learnt person re-identification |
CN107766791A (zh) * | 2017-09-06 | 2018-03-06 | 北京大学 | 一种基于全局特征和粗粒度局部特征的行人再识别方法及装置 |
CN107844753A (zh) * | 2017-10-20 | 2018-03-27 | 珠海习悦信息技术有限公司 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
-
2018
- 2018-10-27 CN CN201811262562.8A patent/CN109657533B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130343642A1 (en) * | 2012-06-21 | 2013-12-26 | Siemens Corporation | Machine-learnt person re-identification |
CN107766791A (zh) * | 2017-09-06 | 2018-03-06 | 北京大学 | 一种基于全局特征和粗粒度局部特征的行人再识别方法及装置 |
CN107844753A (zh) * | 2017-10-20 | 2018-03-27 | 珠海习悦信息技术有限公司 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738039A (zh) * | 2019-05-10 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种行人重识别方法、终端及存储介质 |
CN111738039B (zh) * | 2019-05-10 | 2024-05-24 | 北京京东尚科信息技术有限公司 | 一种行人重识别方法、终端及存储介质 |
CN111967290A (zh) * | 2019-05-20 | 2020-11-20 | 阿里巴巴集团控股有限公司 | 物体识别方法、装置及车辆 |
WO2020244071A1 (zh) * | 2019-06-06 | 2020-12-10 | 平安科技(深圳)有限公司 | 基于神经网络的手势识别方法、装置、存储介质及设备 |
CN111739060A (zh) * | 2019-08-01 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 识别方法、设备及存储介质 |
CN110674391B (zh) * | 2019-08-15 | 2024-05-03 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、***和计算机设备 |
CN110674391A (zh) * | 2019-08-15 | 2020-01-10 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、***和计算机设备 |
CN110502659A (zh) * | 2019-08-23 | 2019-11-26 | 深圳市商汤科技有限公司 | 图像特征提取及网络的训练方法、装置和设备 |
CN110502659B (zh) * | 2019-08-23 | 2022-07-15 | 深圳市商汤科技有限公司 | 图像特征提取及网络的训练方法、装置和设备 |
CN110738101A (zh) * | 2019-09-04 | 2020-01-31 | 平安科技(深圳)有限公司 | 行为识别方法、装置及计算机可读存储介质 |
WO2021042547A1 (zh) * | 2019-09-04 | 2021-03-11 | 平安科技(深圳)有限公司 | 行为识别方法、装置及计算机可读存储介质 |
CN110738101B (zh) * | 2019-09-04 | 2023-07-25 | 平安科技(深圳)有限公司 | 行为识别方法、装置及计算机可读存储介质 |
CN110807361A (zh) * | 2019-09-19 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN110807361B (zh) * | 2019-09-19 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN110795592A (zh) * | 2019-10-28 | 2020-02-14 | 深圳市商汤科技有限公司 | 图片处理方法、装置及设备 |
CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
CN111444758A (zh) * | 2019-12-26 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种基于时空信息的行人重识别方法及装置 |
CN111783570A (zh) * | 2020-06-16 | 2020-10-16 | 厦门市美亚柏科信息股份有限公司 | 一种目标重识别的方法、装置、***及计算机存储介质 |
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*** |
CN111738362A (zh) * | 2020-08-03 | 2020-10-02 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
CN112036250B (zh) * | 2020-08-04 | 2022-09-09 | 汇纳科技股份有限公司 | 基于邻域协同注意力的行人重识别方法、***、介质及终端 |
CN112036250A (zh) * | 2020-08-04 | 2020-12-04 | 汇纳科技股份有限公司 | 基于邻域协同注意力的行人重识别方法、***、介质及终端 |
CN112349096A (zh) * | 2020-10-28 | 2021-02-09 | 厦门博海中天信息科技有限公司 | 一种道路中智能识别行人的方法、***、介质及设备 |
CN112560969A (zh) * | 2020-12-21 | 2021-03-26 | 重庆紫光华山智安科技有限公司 | 用于人体重识别的图像处理方法、模型训练方法及装置 |
CN112906614A (zh) * | 2021-03-08 | 2021-06-04 | 中南大学 | 基于注意力指导的行人重识别方法、装置及存储介质 |
CN113408339A (zh) * | 2021-05-11 | 2021-09-17 | 浙江大华技术股份有限公司 | 标签构建方法及相关装置 |
CN114783037A (zh) * | 2022-06-17 | 2022-07-22 | 浙江大华技术股份有限公司 | 目标重识别方法、目标重识别装置和计算机可读存储介质 |
CN116052220A (zh) * | 2023-02-07 | 2023-05-02 | 北京多维视通技术有限公司 | 行人重识别方法、装置、设备及介质 |
CN116052220B (zh) * | 2023-02-07 | 2023-11-24 | 北京多维视通技术有限公司 | 行人重识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109657533B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657533A (zh) | 行人重识别方法及相关产品 | |
CN110909651B (zh) | 视频主体人物的识别方法、装置、设备及可读存储介质 | |
US20220172518A1 (en) | Image recognition method and apparatus, computer-readable storage medium, and electronic device | |
CN109815843B (zh) | 图像处理方法及相关产品 | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
US20180018503A1 (en) | Method, terminal, and storage medium for tracking facial critical area | |
CN110705478A (zh) | 人脸跟踪方法、装置、设备及存储介质 | |
CN108960114A (zh) | 人体识别方法及装置、计算机可读存储介质及电子设备 | |
CN112530019B (zh) | 三维人体重建方法、装置、计算机设备和存储介质 | |
CN112541448A (zh) | 一种行人重识别方法、装置、电子设备和存储介质 | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
CN111898561A (zh) | 一种人脸认证方法、装置、设备及介质 | |
CN111291612A (zh) | 一种基于多人多摄像头跟踪的行人重识别方法及装置 | |
WO2023279799A1 (zh) | 对象识别方法、装置和电子*** | |
CN109784140A (zh) | 驾驶员属性识别方法及相关产品 | |
CN111666976A (zh) | 基于属性信息的特征融合方法、装置和存储介质 | |
CN111104911A (zh) | 一种基于大数据训练的行人重识别方法及装置 | |
Vaishali | Real-time object detection system using caffe model | |
CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN113689527A (zh) | 一种人脸转换模型的训练方法、人脸图像转换方法 | |
Yadav et al. | Human Illegal Activity Recognition Based on Deep Learning Techniques | |
CN113780066B (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN113792569B (zh) | 对象识别方法、装置、电子设备及可读介质 | |
CN114898447A (zh) | 一种基于自注意力机制的个性化注视点检测方法及装置 | |
CN112101154B (zh) | 视频分类方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Pedestrian recognition method and related products Effective date of registration: 20210810 Granted publication date: 20200925 Pledgee: Shenzhen hi tech investment small loan Co.,Ltd. Pledgor: SHENZHEN HARZONE TECHNOLOGY Co.,Ltd. Registration number: Y2021980007467 |