CN110796072B - 一种基于双任务学习的目标跟踪及身份识别方法 - Google Patents
一种基于双任务学习的目标跟踪及身份识别方法 Download PDFInfo
- Publication number
- CN110796072B CN110796072B CN201911032470.5A CN201911032470A CN110796072B CN 110796072 B CN110796072 B CN 110796072B CN 201911032470 A CN201911032470 A CN 201911032470A CN 110796072 B CN110796072 B CN 110796072B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- face
- confidence
- similarity
- feature
- 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
Images
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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双任务学习的目标跟踪及身份识别方法,涉及目标跟踪及识别领域,技术方案为,抓拍人脸及行人图片,同时记录抓拍时间和地点,对两个位置的摄像头拍摄到的图片进行人脸相似度结果识别和行人特征识别;确定两个摄像头获取图片为同一目标行人;将确定为同一目标行人的人脸识别和行人特征识别信息整合为全局特征;结合时空信息确认目标行人的行为模式特征,所述时空信息包括上传至服务器的抓拍时间和地点信息;通过获取的行为模式特征及全局特征进行目标行人识别。本发明的有益效果是:本发明利用多个人脸摄像头抓拍点抓拍人脸及行人图片,缓解了复杂场景下,目标跟踪及身份难以确定的技术挑战,此方法方式更加友好。
Description
技术领域
本发明涉及目标跟踪及识别领域,特别涉及一种基于双任务学习的目标跟踪及身份识别方法。
背景技术
基于深度学习的目标跟踪、行人再识别及人脸识别技术日益成熟。但在复杂场景中,仅基于图片的目标跟踪及识别技术难以满足人们的要求。其原因在于:(1)、复杂场景中,随机抓拍的人脸及行人图片易受到环境及目标抓拍的角度等因素影响;(2)、非配合场景中,大角度及低分辩的人脸识别技术难以实现目标身份“头位命中”。
数据融合技术是处理传统方法的一种有效手段。基于深度学习苏纳法框架,本发明提出一种基于双任务学习的目标跟踪及身份识别方法。融合学习行人图片、人脸比对结果及时空信息等数据,训练一个端到端的神经网络模型,实现对目标的跟踪与身份识别的任务。
发明内容
针对上述技术问题,本发明提供一种基于双任务学习的目标跟踪及身份识别方法。
其技术方案为,包括
S1、在行人行进路线上安装多个人脸摄像头,抓拍人脸及行人图片,同时记录抓拍时间和地点,并将图片及对应的信息上传至数据服务器;
S2、结合数据库,对S1中两个位置的摄像头拍摄到的人脸图片进行人脸相似度结果识别,对S1两个摄像头拍摄到的行人图片进行行人特征识别;
S3、对S2的识别结果进行转化比对,确定两个摄像头获取图片中人脸相似度识别和行人特征识别为同一目标行人;
S4、将确定为同一目标行人的人脸识别和行人特征识别信息整合为全局特征;结合时空信息确认目标行人的行为模式特征,所述时空信息包括S1上传至服务器的抓拍时间和地点信息;
S5、通过S4获取的行为模式特征及全局特征进行目标行人识别。
优选为,所述S2具体为,
S201、利用海量的行人数据与人脸数据分别预训练一个行人特征提取与人脸识别模型;
S202、根据所述S1中相邻两个摄像头获取的行人图片,用所述S201的行人特征提取模型提取行人特征P1和P2;
S203、搭建人脸数据库,根据所述S1中相邻两个摄像头获取的人脸图片,利用步骤S201人脸识别模型提取人脸特征;分别返回两个摄像头与人脸数据库中相似度排序高的人脸编号ID1和ID2及相似度结果F1和F2。
优选为,所述S203具体为,利用余弦距离公式计算人脸特征与人脸库中人脸特征的相似度,并返回两个摄像头的人脸相似度中按从大到小排序靠前的个人脸库编号ID1和ID2及对应的相似度结果F1和F2。
优选为,可取排序前10的人脸编号ID及相似度结果F。
优选为,所述S3具体为,
S301、分别将S2人脸识别的相似度结果F1与F2输入到结果转化矩阵中进行学习,输出为人脸识别相似度的转化特征T1与T2;
S302、根据S2得到的行人特征P1与P2,分别计算行人特征P1与P2的余弦相似度距离L1,和转化特征T1与T2的余弦相似度距离L2;
S303、通过公式θ=λ1L1+λ2L2,判断行人特征P1与P2、转化特征T1与T2是否属于同一目标行人;
如当θ大于阈值时,判断是为同一目标。
优选为,所述S4具体为,
S401、将时空信息,即摄像头位置信息和照片抓拍时间信息,输入行为模式学习层(embeding model)学习目标行人的行为模式特征ST;
S402、将转化特征T1与T2分别输入置信度-局部注意力机制模型,输出为局部置信特征X1与X2;
S402、将转化特征T1与T2同时输入置信度-全部注意力机制模型,输出为全局置信特征X3。
优选为,所述S5具体为,
将所述S4的行为模式特征ST、局部置信特征X1与X2及全局置信特征X3串联为串联特征,并将所述串联特征输入全连接神经网络学习,以softmax层为网络输出,串联特征的输出结果中概率最高下标所对应的目标身份即为本发明识别结果。
优选为,所述S301中,基于转化矩阵识别人脸相似度的方法为,借助公式:
T=WF;
其中,T为转化特征、W为权重矩阵、F为人脸识别相似度结果;
利用余弦距离公式计算T1与T2的距离L2,当L2小于阈值时,即可判断T1与T2为同一目标信息。
优选为,所述S4中,
置信度-局部注意力机制模型包括:
(2)、将特征T′与特征T串联输入两层的全连接网络输出为T″,其维度与T相同;
(3)、X=T*T″,其中X为置信度-注意力机制模型的输出;
其中T表示转化特征、Ti表示转化特征的第i个元素、Tmin表示转化特征的最小元素、Tmax表示转化特征的最大元素;β表示置信度权重因子、T″表示置信度-注意力因子。
优选为,所述S4中,
置信度-全局注意力机制模型的细节包括:
(1)、将转化特征T1与T2相加生成融合特征V,目标身份ID特征ID1与ID2相加生成融合特征K;
(3)、将特征V′、特征K与特征V串联输入两层的全连接网络输出为V″,其维度与V相同;
(4)、X=V*V″,其中X为置信度-注意力机制模型的输出;
其中V表示融合特征、Vi表示融合特征的第i个元素、Vmin表示融合特征的最小元素、Vmax表示融合特征的最大元素;γ表示置信度权重因子、V″表示置信度-注意力因子。
优选为,所述S5的公式为:
Q=(ST:X1:X2:X3);
Y=F(Q);
其中(ST:X1:X2:X3)表示将ST、X1、X2、X3特征串联生成一个融合特征,F(Q)表示本发明的神经网络模型,Y表示模型输出。
本发明实施例提供的技术方案带来的有益效果是:1、本发明利用多个人脸摄像头抓拍点抓拍人脸及行人图片,缓解了复杂场景下,目标跟踪及身份难以确定的技术挑战,此方法方式更加友好;2、通过结果转化矩阵学习的方式,发现同一目标的人脸识别相似度结果,这种方式较为高效、准确;3、结合行人特征及人脸识别相似度转化特征的余弦距离实现目标再识别;4、通过置信度-注意力机制,发现更为精确的人脸识别相似度结果;5、融合了目标的行为模式特征ST、局部置信特征X1与X2及全局置信特征X3,能准确识别目标的身份。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例的目标跟踪原理图。
图3为本发明实施例的目标识别流程原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
实施例1
参见图1至图3,本发明提供一种基于双任务学习的目标跟踪及身份识别方法,包括
S1、在行人行进路线上安装多个人脸摄像头,抓拍人脸及行人图片,同时记录抓拍时间和地点,并将图片及对应的信息上传至数据服务器;
S2、结合数据库,对S1中两个位置的摄像头拍摄到的人脸图片进行人脸相似度结果识别,对S1两个摄像头拍摄到的行人图片进行行人特征识别;
S2具体为,
S201、利用海量的行人数据与人脸数据分别预训练一个行人特征提取与人脸识别模型;
S202、根据S1中相邻两个摄像头获取的行人图片,用S201的行人特征提取模型提取行人特征P1和P2;
S203、搭建人脸数据库,根据S1中相邻两个摄像头获取的人脸图片,利用步骤S201人脸识别模型提取人脸特征;分别返回两个摄像头与人脸数据库中相似度排序高的人脸编号ID1和ID2及相似度结果F1和F2。
S203具体为,利用余弦距离公式计算人脸特征与人脸库中人脸特征的相似度,并返回两个摄像头的人脸相似度中按从大到小排序靠前的个人脸库编号ID1和ID2及对应的相似度结果F1和F2。
可取排序前10的人脸编号ID及相似度结果F。
S3、对S2的识别结果进行转化比对,确定两个摄像头获取图片中人脸相似度识别和行人特征识别为同一目标行人;
S3具体为,
S301、如图2所示,分别将S2人脸识别的相似度结果F1与F2输入到结果转化矩阵中进行学习,输出为人脸识别相似度的转化特征T1与T2;
S302、根据S2得到的行人特征P1与P2,分别计算行人特征P1与P2的余弦相似度距离L1,和转化特征T1与T2的余弦相似度距离L2;
S303、通过公式θ=λ1L1+λ2L2,判断行人特征P1与P2、转化特征T1与T2是否属于同一目标行人;
如当θ大于阈值时,判断是为同一目标。
S4、将确定为同一目标行人的人脸识别和行人特征识别信息整合为全局特征;结合时空信息确认目标行人的行为模式特征,时空信息包括S1上传至服务器的抓拍时间和地点信息;
S4具体为,
S401、将时空信息,即摄像头位置信息和照片抓拍时间信息,输入行为模式学习层(embeding model)学习目标行人的行为模式特征ST;
S402、将转化特征T1与T2分别输入置信度-局部注意力机制模型,输出为局部置信特征X1与X2;
S402、将转化特征T1与T2同时输入置信度-全部注意力机制模型,输出为全局置信特征X3。
S4中,
置信度-局部注意力机制模型包括:
(2)、将特征T′与特征T串联输入两层的全连接网络输出为T″,其维度与T相同;
(3)、X=T*T″,其中X为置信度-注意力机制模型的输出;
其中T表示转化特征、Ti表示转化特征的第i个元素、Tmin表示转化特征的最小元素、Tmax表示转化特征的最大元素;β表示置信度权重因子、T″表示置信度-注意力因子。
S4中,
置信度-全局注意力机制模型的细节包括:
(1)、将转化特征T1与T2相加生成融合特征V,目标身份ID特征ID1与ID2相加生成融合特征K;
(3)、将特征V′、特征K与特征V串联输入两层的全连接网络输出为V″,其维度与V相同;
(4)、X=V*V″,其中X为置信度-注意力机制模型的输出。
其中V表示融合特征、Vi表示融合特征的第i个元素、Vmin表示融合特征的最小元素、Vmax表示融合特征的最大元素;γ表示置信度权重因子、V″表示置信度-注意力因子。
S5、通过S4获取的行为模式特征及全局特征进行目标行人识别。
S5具体为,
如图3所示,将S4的行为模式特征ST、局部置信特征X1与X2及全局置信特征X3串联为串联特征,并将串联特征输入全连接神经网络学习,以softmax层为网络输出,串联特征的输出结果中概率最高下标所对应的目标身份即为本发明识别结果。
S301中,基于转化矩阵识别人脸相似度的方法为,借助公式:
T=WF;
其中,T为转化特征、W为权重矩阵、F为人脸识别相似度结果;
利用余弦距离公式计算T1与T2的距离L2,当L2小于阈值时,即可判断T1与T2为同一目标信息。
S5的公式为:
Q=(ST:X1:X2:X3);
Y=F(Q);
其中(ST:X1:X2:X3)表示将ST、X1、X2、X3特征串联生成一个融合特征,F(Q)表示本发明的神经网络模型,Y表示模型输出。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于双任务学习的目标跟踪及身份识别方法,其特征在于,包括
S1、在行人行进路线上安装多个人脸摄像头,抓拍人脸及行人图片,同时记录抓拍时间和地点,并将图片及对应的信息上传至数据服务器;
S2、结合数据库,对S1中两个位置的摄像头拍摄到的人脸图片进行人脸相似度结果识别,对S1两个摄像头拍摄到的行人图片进行行人特征识别;
S3、对S2的识别结果进行转化比对,确定两个摄像头获取图片中人脸相似度识别和行人特征识别为同一目标行人;
S4、将确定为同一目标行人的人脸识别和行人特征识别信息整合为全局特征;结合时空信息确认目标行人的行为模式特征,所述时空信息包括S1上传至服务器的抓拍时间和地点信息;
S5、通过S4获取的行为模式特征及全局特征进行目标行人识别;
其中,所述S2具体为,
S201、利用行人数据与人脸数据分别预训练一个行人特征提取与人脸识别模型;
S202、根据所述S1中相邻两个摄像头获取的行人图片,用所述S201的行人特征提取模型提取行人特征P1和P2;
S203、搭建人脸数据库,根据所述S1中相邻两个摄像头获取的人脸图片,利用步骤S201人脸识别模型提取人脸特征;分别返回两个摄像头与人脸数据库中相似度排序高的人脸编号ID1和ID2及相似度结果F1和F2;
其中,所述S203具体为,利用余弦距离公式计算人脸特征与人脸库中人脸特征的相似度,并返回两个摄像头的人脸相似度中按从大到小排序靠前的个人脸库编号ID1和ID2及对应的相似度结果F1和F2;
其中,所述S3具体为,
S301、分别将S2人脸识别的相似度结果F1与F2输入到结果转化矩阵中进行学习,输出为人脸识别相似度的转化特征T1与T2;
S302、根据S2得到的行人特征P1与P2,分别计算行人特征P1与P2的余弦相似度距离L1,和转化特征T1与T2的余弦相似度距离L2;
S303、通过公式θ=λ1L1+λ2L2,判断行人特征P1与P2、转化特征T1与T2是否属于同一目标行人;
如当θ大于阈值时,判断是为同一目标;
其中,所述S4具体为,
S401、将时空信息输入行为模式学习层学习目标行人的行为模式特征ST;
S402、将转化特征T1与T2分别输入置信度-局部注意力机制模型,输出为局部置信特征X1与X2;
S402、将转化特征T1与T2同时输入置信度-全部注意力机制模型,输出为全局置信特征X3;
其中,所述S5具体为,
将步骤S4的行为模式特征ST、局部置信特征X1与X2及全局置信特征X3串联为串联特征,并将所述串联特征输入全连接神经网络学习,以softmax层为网络输出,串联特征的输出结果中概率最高下标所对应的目标身份即为识别结果;
其中,所述S4中,置信度-局部注意力机制模型包括:
(1)T′=β*T,其中
(2)将特征T′与特征T串联输入两层的全连接网络输出为T″,其维度与T相同;
(3)X=T*T″,其中X为置信度-注意力机制模型的输出;
其中T表示转化特征、Ti表示转化特征的第i个元素、Tmin表示转化特征的最小元素、Tmax表示转化特征的最大元素;β表示置信度权重因子、T″表示置信度-注意力因子;
所述S4中,置信度-全局注意力机制模型的细节包括:
(1)将转化特征T1与T2相加生成融合特征V,目标身份ID特征ID1与ID2相加生成融合特征K;
(2)V′=γ*V,其中
(3)将特征V′、特征K与特征V串联输入两层的全连接网络输出为V″,其维度与V相同;
(4)X=V*V″,其中X为置信度-注意力机制模型的输出;
其中V表示融合特征、Vi表示融合特征的第i个元素、Vmin表示融合特征的最小元素、Vmax表示融合特征的最大元素;γ表示置信度权重因子、V″表示置信度-注意力因子;
所述S301中,基于转化矩阵识别人脸相似度的方法为,借助公式:
T=WF;
其中,T为转化特征、W为权重矩阵、F为人脸识别相似度结果;
利用余弦距离公式计算T1与T2的距离L2,当L2小于阈值时,即可判断T1与T2为同一目标信息;
所述步骤S5的公式为:
Q=(ST:X1:X2:X3);
Y=F(Q);
其中(ST:X1:X2:X3)表示将ST、X1、X2、X3特征串联生成一个融合特征,F(Q)表示神经网络模型,Y表示模型输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911032470.5A CN110796072B (zh) | 2019-10-28 | 2019-10-28 | 一种基于双任务学习的目标跟踪及身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911032470.5A CN110796072B (zh) | 2019-10-28 | 2019-10-28 | 一种基于双任务学习的目标跟踪及身份识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796072A CN110796072A (zh) | 2020-02-14 |
CN110796072B true CN110796072B (zh) | 2023-04-07 |
Family
ID=69441617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911032470.5A Active CN110796072B (zh) | 2019-10-28 | 2019-10-28 | 一种基于双任务学习的目标跟踪及身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796072B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553234B (zh) * | 2020-04-22 | 2023-06-06 | 上海锘科智能科技有限公司 | 融合人脸特征与Re-ID特征排序的行人跟踪方法及装置 |
CN111444440B (zh) * | 2020-06-15 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种身份信息识别方法、装置、电子设备和存储介质 |
CN111967497B (zh) * | 2020-07-15 | 2024-01-26 | 桂林远望智能通信科技有限公司 | 一种动态身份识别数据处理方法及*** |
CN111968152B (zh) * | 2020-07-15 | 2023-10-17 | 桂林远望智能通信科技有限公司 | 一种动态身份识别方法及装置 |
CN112257628A (zh) * | 2020-10-29 | 2021-01-22 | 厦门理工学院 | 一种户外比赛运动员的身份识别方法、装置及设备 |
CN112966604B (zh) * | 2021-03-05 | 2022-08-26 | 上海深硅信息科技有限公司 | 一种多维度行为识别方法 |
CN113408348B (zh) * | 2021-05-14 | 2022-08-19 | 桂林电子科技大学 | 一种基于视频的人脸识别方法、装置及存储介质 |
CN113034550B (zh) * | 2021-05-28 | 2021-08-10 | 杭州宇泛智能科技有限公司 | 跨镜行人轨迹追踪的方法、***、电子装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109543606A (zh) * | 2018-11-22 | 2019-03-29 | 中山大学 | 一种加入注意力机制的人脸识别方法 |
CN109635686A (zh) * | 2018-11-29 | 2019-04-16 | 上海交通大学 | 结合人脸与外观的两阶段行人搜索方法 |
CN110020626A (zh) * | 2019-04-09 | 2019-07-16 | 中通服公众信息产业股份有限公司 | 一种基于注意力机制的多源异构数据身份识别方法 |
CN110147712A (zh) * | 2019-03-27 | 2019-08-20 | 苏州书客贝塔软件科技有限公司 | 一种行人分析智能云平台 |
-
2019
- 2019-10-28 CN CN201911032470.5A patent/CN110796072B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109543606A (zh) * | 2018-11-22 | 2019-03-29 | 中山大学 | 一种加入注意力机制的人脸识别方法 |
CN109635686A (zh) * | 2018-11-29 | 2019-04-16 | 上海交通大学 | 结合人脸与外观的两阶段行人搜索方法 |
CN110147712A (zh) * | 2019-03-27 | 2019-08-20 | 苏州书客贝塔软件科技有限公司 | 一种行人分析智能云平台 |
CN110020626A (zh) * | 2019-04-09 | 2019-07-16 | 中通服公众信息产业股份有限公司 | 一种基于注意力机制的多源异构数据身份识别方法 |
Non-Patent Citations (2)
Title |
---|
The Combination of Features Extracted from Different Parts for Person Re-Identification;W. Huang;《2018 2nd International Conference on Robotics and Automation Sciences (ICRAS)》;20180625;2-3页 * |
智能视觉监控中行人再识别技术研究;四建楼;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20180915;1-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110796072A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796072B (zh) | 一种基于双任务学习的目标跟踪及身份识别方法 | |
Zhou et al. | Deep alignment network based multi-person tracking with occlusion and motion reasoning | |
Zhou et al. | To learn or not to learn: Visual localization from essential matrices | |
CN110728702B (zh) | 一种基于深度学习的高速跨摄像头单目标跟踪方法及*** | |
CN114005096B (zh) | 基于特征增强的车辆重识别方法 | |
Liu et al. | A deep learning-based approach to progressive vehicle re-identification for urban surveillance | |
Liu et al. | Multi-channel CNN-based object detection for enhanced situation awareness | |
Wen et al. | Visdrone-sot2018: The vision meets drone single-object tracking challenge results | |
CN112651262B (zh) | 一种基于自适应行人对齐的跨模态行人重识别方法 | |
CN110968711B (zh) | 一种基于序列图像特征的自主无人***位置识别定位方法 | |
KR102376479B1 (ko) | 인공지능 기반 객체 자동 인식을 위한 cctv 제어 방법, 장치 및 시스템 | |
CN107545256B (zh) | 一种结合时空和网络一致性的摄像机网络行人重识别方法 | |
CN112434654B (zh) | 一种基于对称卷积神经网络的跨模态行人重识别方法 | |
CN110765841A (zh) | 基于混合注意力机制的群组行人重识别***及终端 | |
Meng et al. | Deep graph metric learning for weakly supervised person re-identification | |
CN108363771B (zh) | 一种面向公安侦查应用的图像检索方法 | |
CN115063832A (zh) | 一种基于全局与局部特征的对抗学习跨模态行人重识别方法 | |
CN112507859A (zh) | 一种用于移动机器人的视觉跟踪方法 | |
CN110516540B (zh) | 基于多流架构与长短时记忆网络的组群行为识别方法 | |
CN113269099B (zh) | 基于图匹配的异构无人***下车辆重新识别方法 | |
CN114495004A (zh) | 一种基于无监督跨模态的行人重识别方法 | |
Yuan et al. | A multi-image Joint Re-ranking framework with updateable Image Pool for person re-identification | |
CN116152747A (zh) | 一种基于外观辨识和动作建模的人类行为意图识别方法 | |
CN115830643A (zh) | 一种姿势引导对齐的轻量行人重识别方法 | |
CN113361392B (zh) | 无监督的基于相机和无线定位的多模态行人重识别方法 |
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 |