CN111159475B - 基于多摄像头视频图像的行人再识别路径生成方法 - Google Patents
基于多摄像头视频图像的行人再识别路径生成方法 Download PDFInfo
- Publication number
- CN111159475B CN111159475B CN201911240131.6A CN201911240131A CN111159475B CN 111159475 B CN111159475 B CN 111159475B CN 201911240131 A CN201911240131 A CN 201911240131A CN 111159475 B CN111159475 B CN 111159475B
- Authority
- CN
- China
- Prior art keywords
- path
- paths
- pedestrian
- camera
- node
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
- G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多摄像头视频图像的行人再识别路径生成方法,该方法使用多目标跟踪算法作为单摄像头关联方法,实现单摄像头条件下的同一个人的路径生成,再将多摄像头下的单个人的路径集合通过他们出现的时间和预先设置好的路径时间参数进行比较,得到有向图,再利用深度优先搜索算法得到目标最有可能的跨摄像头路径。本发明方法拓展性强,人机交互更加自然,且实用性更高。
Description
技术领域
本发明涉及视频监控研究领域,特别涉及一种基于多摄像头视频图像的行人再识别路径生成方法。
背景技术
近年来,行人跨域追踪一直是学界研究的热点方向,虽然当前单图像的成对摄像头之间的行人跨域追踪得到了极大的发展,但是离实际应用还有一些未解决的问题,主要体现在:
当前行人关联跟踪***主要基于单张图片,由成对摄像头实现,这些***往往通过采样的方法从视频帧中提取行人范围框,再提取该行人的特征,再通过求取距离排序的方式,然后得到候选目标的方式,这种方式对于人的使用而言非常不友好,存在着大量的同一人的重复图片。之所以出现这一问题,是由于行人框采样后仅仅作为单一图片存在数据库中,没有进行前后帧的关联,导致前后帧的同一人的相似图片作为结果同时作为输出返回给了用户。现有方法无法在没有实际标注数据条件下做到时间关联,也无法针对得到的结果用时空关联得到可行的路径。另外,当前大部分***使用的摄像头数量过少,或者在大社区范围下无法将得到的结果快速应用到实际事务中,实用性较低。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于多摄像头视频图像的行人再识别路径生成方法,该方法拓展性强,人机交互更加自然,且实用性更高。
本发明的目的通过以下的技术方案实现:基于多摄像头视频图像的行人再识别路径生成方法,包括步骤:
S1、对输入的多个摄像头的视频图像进行行人检测;
S2、对单个摄像头检测到的行人图像进行前后帧的关联,将每一个行人表示为一段路径,同时提取检测到的行人图像的特征;
S3、提取待检索图像的特征,将其与每个摄像头关联得到的路径中的行人特征进行比较,筛选出和待检索图像特征距离小于预设阈值的路径,以及与待检索图像特征距离最近的N个路径,上述所有路径作为该摄像头下的候选路径;
S4、对全部摄像头下的候选路径进行关联,首先将全部摄像头下的候选路径组成一个节点集合,也作为有向图G的节点,有向图G的边的权重的计算方法是:
计算两个节点最后更新的时间的差值,取其绝对值;
预设两个节点之间的时间差值;所述时间差值可根据两个节点之间可能相差的步行时间差来确定;
若所述绝对值与所述时间差值之差的绝对值小于预设阈值,则保留这两个节点之间的边,同时将绝对值与时间差值之差的绝对值作为该边的权重,边的方向由先出现的节点指向后出现的节点;
S5、针对建立的有向图搜索所有可能的路径,计算每条路径的优先级,优先级计算方法是取路径中所有边的权重之和除以边的总数;
S6、按照路径的优先级从大到小排序,输出结果路径。
优选的,所述步骤S1中,使用RFBNet深度网络目标检测器对输入的视频图像进行行人检测,目标检测器的输入为输入的图像,输出为该图像中行人的边界框。
优选的,所述步骤S2中,对单个摄像头检测到的行人图像进行前后帧的关联,方法是:
初始化一个路径集合Bi,对于新来的行人a及其特征,如果Bi为空,则初始化一个新的路径,把a加入其中,放入有向图的边集合S中,否则a的特征应与Bi中的所有的路径中的特征进行级联比较,比较方法如下:Bi中更新时间最近的比较优先级最高,比较时,a的特征要与待比较的路径中所有的特征求差值,如果存在一个差值小于预先设定的阈值,则把这条路径放入该优先级的候选路径中,相同优先级中的候选路径中差值最小的路径作为关联路径,把a放入该路径中,如果S中所有路径都不满足小于预先设定的阈值条件,则初始化一个新的路径,把a加入其中,放入Bi中;Bi中含有该摄像头下走过的所有行人路径。
优选的,所述步骤S3中,筛选路径的方法是:对待检索图像求取其特征向量,将该特征向量与B集合中任意的路径的任意一个结点的特征向量求一个距离,如果该距离小于一个阈值,那么保留该路径,否则删除,保留下的路径集合为B*。
优选的,对于全部摄像头下得到的候选路径,初始化一个有向图G,G的结点由多个摄像头的路径集合B*组成,每一条路径都是一个0节点;
针对生成的有向图G,遍历其中的没有入边的节点,组成集合S,作为路径的起点,遍历G中没有出边的节点,组成集合E;
从集合S中的元素出发,利用图搜索算法,得到一条从集合S的任何一个节点到集合E中的一个节点的路径,计算每条路径的优先级。
优选的,步骤S6中,在输出结果路径前,对路径进行去重处理,方法是:
B是A的重复路径的定义如下:对于路径A和路径B,A的长度大于B的长度,当且仅当B路径是A路径的子序列时,B是A的重复路径。
优选的,步骤S6中,在输出结果路径前,对路径进行去相似处理,方法是:
对于路径A和路径B,如果A的长度不等于B的长度,或者A和B的路径长度相同,但是A和B只要有一个相对应的节点出现的摄像头位置不同,那么A和B为不相似路径,不相似度定义为无穷;
两条相似路径(A的长度等于B的长度)的不相似度计算方法是:
其中,TAi、TBi表示路径A和B中第i个节点的出现时间戳,n表示路径A和B中节点的个数,也即长度;
如果不相似度小于预设的阈值,则合并两个路径,直到不能合并为止。
更进一步的,如果不相似度小于预设的阈值,则合并两个路径,合并方法是:
设A1是路径A里面的第一个节点,包含经过单个摄像头目标跟踪的多个图像,B1同理,如果路径A和路径B是相似路径,A1和B1应当是同一个摄像头下,那么把A1和B1里面单个摄像头目标跟踪的结果放到一起组成新路径节点C1,依次类推到Cn,新路径C1,C2,……,Cn即为合并结果。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明使用多目标跟踪算法作为单摄像头关联方法,实现单摄像头条件下的同一个人的路径标注,再将多摄像头下的单个人的标注通过他们出现的时间和预先设置好的路径时间参数进行比较,得到路径结点邻接矩阵,再利用深度优先搜索算法得到目标最有可能的路径,与传统的单图片关联行人再识别***相比,应用领域更加广泛,实用性更高。
2、本发明提出了一种行人路径生成方法,通过预先设置不同摄像头之间的可能相差的步行时间差,关联不同摄像头之间出现的个体,再把这些路径连接起来,得到总的路径,这种得到路径的方法相比于只得到单一图片的方法,路径更加具有实际意义。
附图说明
图1为本发明方法的操作流程图。
图2为本发明单一摄像头视频内的级联匹配算法流程图。
图3为待检测的行人示例图。
图4为本发明方法检索得到的检索结果示例图。
图5为本发明方法生成的部分路径示例图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明基于多摄像头视频图像的行人再识别路径生成方法,包括步骤:
S1、对输入的多个摄像头的视频图像进行行人检测;
S2、对单个摄像头检测到的行人图像进行前后帧的关联,将每一个视频中的行人出现的图像按照时间顺序表示为一段路径,同时提取检测到的行人图像的特征;
S3、提取待检索图像的特征,将其与每个摄像头关联得到的路径中的行人特征进行比较,筛选出和待检索图像特征距离小于预设阈值的路径,以及与待检索图像特征距离最近的N个路径,上述所有路径作为该摄像头下的候选路径;
S4、全部摄像头下的候选路径组成一个节点集合,也作为有向图G的节点,基于有向图G进行多摄像头关联。
S5、针对建立的有向图搜索所有可能的路径,计算每条路径的优先级,优先级计算方法是取路径中所有边的权重之和除以边的总数;
S6、对路径进行去重、去相似后按照路径的优先级从大到小排列作为输出。
步骤S1中,设输入的视频图像有N路,分别用c1,c2,c3,...,cN表示,每一路摄像头通常含有多个视频段,可以将这些视频段串联起来,统一用fij表示,其中i表示摄像头的ID,j表示这一帧的时间。针对输入的每一帧图像fij,使用行人目标检测算法(本例中使用RFBNet深度网络目标检测器)得到每一帧图像fij中的行人框(x1,y1,x2,y2),(x1,y1)表示框的左上角,(x2,y2)表示框的右下角。设第i个摄像头下的第j帧检测到的第k个行人框用aijk表示,用nij表示第i个摄像头下的第j帧检测到的行人总数。使用特征提取算法(本例中使用Denset101深度网络)针对第i个摄像头下的第j帧的图像aijk框中部分的图像提取对应的向量特征,用vijk表示,该向量满足同一个行人在不同条件下,照得的图像获得的特征向量距离尽可能的小。
步骤S2中,初始化一个集合Bi,集合B的具体生成过程如图2所示。定义Bi中的每一个元素bp也是一个集合,这个集合包含连续时间内同一个个体p的路径的框坐标,针对第i个摄像头下的第j帧检测到的行人框aijk,如果Bi为空,则添加一个含有aijk的元素bp加入Bi中,否则aijk应和Bi中的每一个元素bp进行级联比较,比较的优先级按照bp中添加的最后的元素出现的时间进行排序,含有最新元素的bp最先进行比较。atjk和bp比较的具体步骤为:设bpq表示B中第p个人的路径中第q个框的特征向量,遍历q,求取aijk与bpq求取一个距离dpq=distance(vijk,bpq),这里具体使用的距离为欧氏距离,dp表示dpq组成的集合,如果在dp中存在小于阈值d*的元素,则将aijk关联到bp,如果存在多个相同优先级的bp,则取含有最小距离的bp且该bp得到的最小距离小于阈值d*作为关联对象,如果不存在小于阈值的bp,则新建一个含有aijk的路径元素作为新bp加入到Bi中。这个步骤完成后,针对每个摄像头录制的视频,可以得到一个Bi,含有该摄像头下走过的所有行人路径。
设G表示一个有向图,所有的摄像头得到的B*组成一个大的集合,集合中的每个元素是G中的一个节点,节点的边通过以下方法建立:所有的摄像头两两组成摄像头对,设B1,B2表示其中的一个任意摄像头对,节点B1p与节点B2q建立有向边的条件是:B1p与B2q最后更新的时间差绝对值tpq减去两个摄像头之间预先设置的时间差值t12,如果获得结果的绝对值满足“小于阈值t*”这一条件,则将获得结果的绝对值作为该节点的边的权重。如果B1p比B2q后出现,有向边的方向为B2q指向B1p,否则相反。举例说明如下,现在已知A点到B点要100s(这是预先设定的值,该值可以在多人步行时间的平均值的基础上适当上浮得到),节点B1p与节点B2q最后更新时间差的绝对值是90s(这是测量值),那么二者差的绝对值10s就是这两个节点的权重,假设阈值t*=15s,则保留这条边。
针对生成的有向图G,遍历其中的没有入边的节点,组成集合S,作为路径的起点,遍历G中没有出边的节点,组成集合E。从集合S中的元素出发,利用图搜索算法,可以得到一条从集合S的任何一个节点到集合E中的一个节点的路径,路径的优先级用e表示,其值取路径中所有边权重的和除以边的总数,e越小,优先级越高。
步骤S6中,对路径进行去重即去除所有路径中重复的路径,B是A的重复路径定义如下:对于路径A和路径B,A的长度大于B的长度,当且仅当B路径是A路径的子序列时,B是A的重复路径。
针对去重后的路径集合,还要对路径进行去相似。定义路径A和路径B的不相似度如下:
对于路径A和路径B,如果A的长度不等于B的长度,或者A和B的路径长度相同,但是A和B的只要有一个相对应的节点出现的摄像头位置不同,那么A和B的不相似度为无穷,否则需要求得它们的不相似度。
两条相似路径的不相似度计算方法是:
其中,TAi、TBi表示路径A和B中第i个节点的出现时间戳,n表示路径A和B中节点的个数,也即长度。如果不相似度小于预设的阈值,则合并两个路径,直到不能合并为止,合并方法是:
设A1是路径A里面的第一个节点,包含经过单个摄像头目标跟踪的多个图像,B1同理,如果路径A和路径B是相似路径,A1和B1应当是同一个摄像头下,那么把A1和B1里面单个摄像头目标跟踪的结果放到一起组成新路径节点C1,依次类推到Cn,新路径C1,C2,……,Cn即为合并结果。
最后将去重、去相似后的路径按照路径的优先级从大到小排列作为输出。
本实施例提供了一个实例,针对图3所示的待检测的行人示例图,通过提取特征向量,然后在多个摄像头中进行关联,得到图4所示部分摄像头中检索的结果,通过上述结果,生成图5所示的路径,从图5可直接看到该待检测行人目标行走的路径,更加直观,实用性更高。
以上所述,仅为本发明的具体实施方式,但本发明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揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,包括步骤:
S1、对输入的多个摄像头的视频图像进行行人检测;
S2、对单个摄像头检测到的行人图像进行前后帧的关联,将每一个行人表示为一段路径,同时提取检测到的行人图像的特征;
S3、提取待检索图像的特征,将其与每个摄像头关联得到的路径中的行人特征进行比较,筛选出和待检索图像特征距离小于预设阈值的路径,以及与待检索图像特征距离最近的N个路径,上述所有路径作为该摄像头下的候选路径;
S4、对全部摄像头下的候选路径进行关联,首先将全部摄像头下的候选路径组成一个节点集合,也作为有向图G的节点,有向图G的边的权重的计算方法是:
计算两个节点最后更新的时间的差值,取其绝对值;
预设两个节点之间的时间差值;所述时间差值根据两个节点之间相差的步行时间差来确定;
若所述绝对值与所述时间差值之差的绝对值小于预设阈值,则保留这两个节点之间的边,同时将绝对值与时间差值之差的绝对值作为该边的权重,边的方向由先出现的节点指向后出现的节点;
S5、针对建立的有向图搜索所有可能的路径,计算每条路径的优先级,优先级计算方法是取路径中所有边的权重之和除以边的总数;
S6、按照路径的优先级从大到小排序,输出结果路径。
2.根据权利要求1所述的基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,所述步骤S1中,使用RFBNet深度网络目标检测器对输入的视频图像进行行人检测,目标检测器的输入为输入的图像,输出为该图像中行人的边界框。
3.根据权利要求1所述的基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,所述步骤S2中,对单个摄像头检测到的行人图像进行前后帧的关联,方法是:
初始化一个路径集合Bi,对于新来的行人a及其特征,如果Bi为空,则初始化一个新的路径,把a加入其中,放入有向图的边集合S中,否则a的特征应与Bi中的所有的路径中的特征进行级联比较,比较方法如下:Bi中更新时间最近的比较优先级最高,比较时,a的特征要与待比较的路径中所有的特征求差值,如果存在一个差值小于预先设定的阈值,则把这条路径放入该优先级的候选路径中,相同优先级中的候选路径中差值最小的路径作为关联路径,把a放入该路径中,如果S中所有路径都不满足小于预先设定的阈值条件,则初始化一个新的路径,把a加入其中,放入Bi中;Bi中含有该摄像头下走过的所有行人路径。
4.根据权利要求3所述的基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,所述步骤S3中,筛选路径的方法是:对待检索图像求取其特征向量,将该特征向量与B集合中任意的路径的任意一个结点的特征向量求一个距离,如果该距离小于一个阈值,那么保留该路径,否则删除,保留下的路径集合为B*。
5.根据权利要求4所述的基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,对于全部摄像头下得到的候选路径,初始化一个有向图G,G的结点由多个摄像头的路径集合B*组成,每一条路径都是一个节点;
针对生成的有向图G,遍历其中的没有入边的节点,组成集合S,作为路径的起点,遍历G中没有出边的节点,组成集合E;
从集合S中的元素出发,利用图搜索算法,得到一条从集合S的任何一个节点到集合E中的一个节点的路径,计算每条路径的优先级。
6.根据权利要求1或5所述的基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,步骤S6中,在输出结果路径前,对路径进行去重处理,方法是:
B是A的重复路径的定义如下:对于路径A和路径B,A的长度大于B的长度,当且仅当B路径是A路径的子序列时,B是A的重复路径。
8.根据权利要求7所述的基于多摄像头视频图像的行人再识别路径生成方法,其特征在于,如果不相似度小于预设的阈值,则合并两个路径,合并方法是:
设A1是路径A里面的第一个节点,包含经过单个摄像头目标跟踪的多个图像,B1同理,如果路径A和路径B是相似路径,A1和B1是同一个摄像头下,那么把A1和B1里面单个摄像头目标跟踪的结果放到一起组成新路径节点C1,依次类推到Cn,新路径C1,C2,……,Cn即为合并结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240131.6A CN111159475B (zh) | 2019-12-06 | 2019-12-06 | 基于多摄像头视频图像的行人再识别路径生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240131.6A CN111159475B (zh) | 2019-12-06 | 2019-12-06 | 基于多摄像头视频图像的行人再识别路径生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159475A CN111159475A (zh) | 2020-05-15 |
CN111159475B true CN111159475B (zh) | 2022-09-23 |
Family
ID=70556467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911240131.6A Active CN111159475B (zh) | 2019-12-06 | 2019-12-06 | 基于多摄像头视频图像的行人再识别路径生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159475B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680638B (zh) * | 2020-06-11 | 2020-12-29 | 深圳北斗应用技术研究院有限公司 | 一种乘客路径识别方法和基于该方法的客流清分方法 |
CN112906483B (zh) * | 2021-01-25 | 2024-01-23 | ***股份有限公司 | 一种目标重识别方法、装置及计算机可读存储介质 |
CN113688814B (zh) * | 2021-10-27 | 2022-02-11 | 武汉邦拓信息科技有限公司 | 图像识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887014A (zh) * | 2017-01-13 | 2017-06-23 | 中山大学 | 一种跨摄像头的行人轨迹匹配方法 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN109241173A (zh) * | 2017-07-10 | 2019-01-18 | 华为技术有限公司 | 查询追踪目标的方法及查询设备 |
CN109359552A (zh) * | 2018-09-21 | 2019-02-19 | 中山大学 | 一种高效的跨摄像头行人双向跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355320B2 (en) * | 2014-10-30 | 2016-05-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Blur object tracker using group lasso method and apparatus |
US10579880B2 (en) * | 2017-08-31 | 2020-03-03 | Konica Minolta Laboratory U.S.A., Inc. | Real-time object re-identification in a multi-camera system using edge computing |
-
2019
- 2019-12-06 CN CN201911240131.6A patent/CN111159475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887014A (zh) * | 2017-01-13 | 2017-06-23 | 中山大学 | 一种跨摄像头的行人轨迹匹配方法 |
CN109241173A (zh) * | 2017-07-10 | 2019-01-18 | 华为技术有限公司 | 查询追踪目标的方法及查询设备 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN109359552A (zh) * | 2018-09-21 | 2019-02-19 | 中山大学 | 一种高效的跨摄像头行人双向跟踪方法 |
Non-Patent Citations (2)
Title |
---|
Person Re-Identification by Camera Correlation Aware Feature Augmentation;Ying-Cong Chen;《IEEE》;20180228;第392-408页 * |
基于度量学习和深度学习的行人重识别研究;朱婷婷;《信息与电脑》;20190831;第131-132页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111159475A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126360B (zh) | 基于无监督联合多损失模型的跨域行人重识别方法 | |
Shen et al. | Multiobject tracking by submodular optimization | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN111159475B (zh) | 基于多摄像头视频图像的行人再识别路径生成方法 | |
CN109635686B (zh) | 结合人脸与外观的两阶段行人搜索方法 | |
US20180260415A1 (en) | Instance-level image retrieval with a region proposal network | |
Khan et al. | Analyzing crowd behavior in naturalistic conditions: Identifying sources and sinks and characterizing main flows | |
CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
Yan et al. | To track or to detect? an ensemble framework for optimal selection | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
US9626585B2 (en) | Composition modeling for photo retrieval through geometric image segmentation | |
CN107315795B (zh) | 联合特定人物和场景的视频实例检索方法及*** | |
CN110399835B (zh) | 一种人员停留时间的分析方法、装置及*** | |
CN110796074B (zh) | 一种基于时空数据融合的行人再识别方法 | |
CN106557728B (zh) | 查询图像处理和图像检索方法和装置以及监视*** | |
CN103810299A (zh) | 基于多特征融合的图像检索方法 | |
Mittal et al. | Vehicle detection and classification using improved faster region based convolution neural network | |
Rubinstein et al. | Towards longer long-range motion trajectories | |
CN107688830A (zh) | 一种用于案件串并的现勘视觉信息关联图层生成方法 | |
Diaz et al. | Detecting dynamic objects with multi-view background subtraction | |
CN111709317A (zh) | 一种基于显著性模型下多尺度特征的行人重识别方法 | |
Chen et al. | Multi-gait identification based on multilinear analysis and multi-target tracking | |
CN104504162B (zh) | 一种基于机器人视觉平台的视频检索方法 | |
Hasan et al. | Tiny head pose classification by bodily cues | |
Wang et al. | Virtual reality scene construction based on multimodal video scene segmentation algorithm |
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 |