CN113807122A - 模型训练方法、对象识别方法及装置、存储介质 - Google Patents
模型训练方法、对象识别方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113807122A CN113807122A CN202010529203.5A CN202010529203A CN113807122A CN 113807122 A CN113807122 A CN 113807122A CN 202010529203 A CN202010529203 A CN 202010529203A CN 113807122 A CN113807122 A CN 113807122A
- Authority
- CN
- China
- Prior art keywords
- sample
- group
- cross
- samples
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种模型训练方法、对象识别方法及装置、存储介质,所述方法包括获取图像采集装置采集的图像,根据获取的图像建立多组样本集合;对获取的图像进行关联处理,获得多个视频片段,根据视频片段和样本集合建立单组样本对集合,利用单组样本对集合训练单组距离模型,该单组距离模型用于计算属于相同样本集合的两个样本之间的距离;根据单组距离模型和样本集合建立第一跨组样本对集合和第二跨组样本对集合,利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练跨组距离模型。本申请实现了无监督跨摄像头模型训练和对象识别,且识别精度相对较高。
Description
技术领域
本申请涉及但不限于图像识别技术领域,尤其涉及一种模型训练方法、对象识别方法及装置、存储介质。
背景技术
目前,大量的监控摄像头被应用于人群密度较大且较容易发生安全问题的场所,如:超市防盗、园区安防等。行人重识别也被称为行人再识别或重验证,是判断来自非重叠摄像头所拍摄到的行人是否为同一个行人的技术。行人重识别技术使得针对特定对象的监控视频检索成为可能,具有重要的现实意义。根据对训练数据的依赖性,行人重识别算法可分为基于监督学习的行人重识别算法、基于半监督学习的行人重识别算法和基于无监督学习的行人重识别算法。前两者用户需要通过在特定应用场景大量收集和标注训练样本,不仅耗时而且迁移性差。而无监督行人重识别不依赖于数据标注,成为行人重识别技术发展的趋势。
发明内容
本申请提供了一种模型训练方法、对象识别方法及装置、存储介质,能够实现无监督跨摄像头行人重识别,且识别精度相对较高。
本申请实施例提供了一种模型训练方法,包括:获取图像采集装置采集的图像,根据获取的图像建立多组样本集合;对获取的图像进行关联处理,获得多个视频片段,根据所述视频片段和样本集合建立单组样本对集合,利用所述单组样本对集合训练单组距离模型,所述单组距离模型用于计算属于相同样本集合的两个样本之间的距离;根据所述单组距离模型和样本集合,建立第一跨组样本对集合和第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本;利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练所述跨组距离模型直至所述跨组距离模型训练完成,所述跨组距离模型用于计算属于不同样本集合的两个样本之间的距离。
在一些可能的实现方式中,所述根据获取的图像建立多组样本集合,包括:将所述获取的图像缩放至预设像素值;提取缩放后的图像的多维特征向量;对提取的多维特征向量进行降维;将降维之后的特征向量存储为所述样本集合中的样本。
在一些可能的实现方式中,一个所述图像采集装置采集的图像对应一组或多组所述样本集合。
在一些可能的实现方式中,所述单组样本对集合包括正样本对集合和负样本对集合;所述根据所述视频片段和样本集合建立单组样本对集合,包括:将属于相同视频片段的任意两个样本作为一个正样本对,一组样本集合对应的多个正样本对组成该组样本集合对应的正样本对集合;将属于不同视频片段的任意两个样本作为一个负样本对,一组样本集合对应的多个负样本对组成该组样本集合对应的负样本对集合。
在一些可能的实现方式中,所述单组距离模型和跨组距离模型均为跨视图二次鉴别分析距离模型。
在一些可能的实现方式中,在所述利用第二跨组样本对集合继续训练所述跨组距离模型时,循环收敛条件为所有第二跨组样本对训练完毕或者训练次数达到预设迭代次数。
本申请实施例还提供了一种模型训练装置,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如以上任意一项所述的模型训练方法的步骤。
本申请实施例还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如以上任意一项所述的模型训练方法的步骤。
本申请实施例提供了一种对象识别方法,包括:获取待识别图像;利用预先训练的跨组距离模型,对待识别图像进行对象识别,所述跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,所述初始训练样本集包括单组样本对集合和第一跨组样本对集合,所述二次训练样本集包括第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
本申请实施例提供了一种对象识别方法,包括:云端服务器接收用户输入的待识别图像,所述待识别图像中包含目标对象;云端服务器利用预先训练的跨组距离模型,对待识别图像进行对象识别,输出一个或多个图像,所输出的图像中包含与所述目标对象相匹配的对象,所述跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,所述初始训练样本集包括单组样本对集合和第一跨组样本对集合,所述二次训练样本集包括第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
本申请实施例还提供了一种对象识别装置,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如以上任意一项所述的对象识别方法的步骤。
本申请实施例还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如以上任意一项所述的对象识别方法的步骤。
本申请实施例还提供了一种模型训练装置,包括样本建立模块、单组训练模块和跨组训练模块,其中:所述样本建立模块,用于获取图像采集装置采集的图像,根据获取的图像建立多组样本集合;所述单组训练模块,用于对获取的图像进行关联处理,获得多个视频片段,根据所述视频片段和样本集合建立单组样本对集合,利用所述单组样本对集合训练单组距离模型,所述单组距离模型用于计算属于相同样本集合的两个样本之间的距离;所述跨组训练模块,用于根据所述单组距离模型和样本集合,建立第一跨组样本对集合和第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本;利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练所述跨组距离模型直至所述跨组距离模型训练完成,所述跨组距离模型用于计算属于不同样本集合的两个样本之间的距离。
本申请实施例还提供了一种对象识别装置,包括图像获取模块和对象识别模块,其中:所述图像获取模块,用于获取待识别图像;所述对象识别模块,用于利用预先训练的跨组距离模型,对待识别图像进行对象识别,所述跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,所述初始训练样本集包括单组样本对集合和第一跨组样本对集合,所述二次训练样本集包括第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
本申请的模型训练方法、对象识别方法及装置、存储介质,通过利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型以及利用第二跨组样本对集合继续训练跨组距离模型,实现了一种无监督跨摄像头模型训练方法和行人重识别方法,且本申请的对象识别结果精度相对较高。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请实施例的一种模型训练方法的流程示意图;
图2为本申请实施例的一种模型训练方法的处理过程示意图;
图3为本申请实施例的一种对象识别方法的流程示意图;
图4为本申请实施例的另一种对象识别方法的流程示意图;
图5为本申请实施例的一种行人重识别结果示意图;
图6为本申请实施例的一种模型训练装置的结构示意图;
图7为本申请实施例的一种对象识别装置的结构示意图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
如图1所示,本申请实施例提供了一种模型训练方法,包括步骤101至步骤104。
步骤101包括:获取图像采集装置采集的图像,根据获取的图像建立多组样本集合。
在一种示例性实施例中,图像采集装置可以为摄像头、图像感测器或其他任意类型的图像采集装置。
在一种示例性实施例中,所述方法还包括:在采集的图像中利用可形变模型(Deformable Parts Model,DPM)算法进行行人检测,抠取行人图像。
DPM算法是一个非常成功的目标检测算法,已成为众多分类器、分割、人体姿态和行为分类的重要部分。DPM算法可以看做是方向梯度直方图(Histogrrams of OrientedGradients,HOG)的扩展,大体思路与HOG一致。先计算梯度方向直方图,然后用支持向量机(Surpport Vector Machine,SVM)训练得到物体的梯度模型(Model)。
在一种示例性实施例中,一个图像采集装置采集的图像可以对应一组样本集合;或者,一个图像采集装置采集的图像对应多组样本集合。
在一种示例性实施例中,根据获取的图像建立多组样本集合,包括:
步骤1011、将获取的图像缩放至预设像素值;
步骤1012、提取缩放后的图像的多维特征向量;
步骤1013、对提取的多维特征向量进行降维;
步骤1014、将降维之后的特征向量存储为样本集合中的样本。
在一种示例性实施例中,预设像素值可以为128×48像素,以使得缩放后的图像占用的存储空间较小,且仍然能够较为清晰地显示出图像的特征。
在一种示例性实施例中,可以利用局部最大概率(Local Maximal Occurrence,LOMO)算法提取缩放后的每个行人图像中的26960维的特征向量。与深度特征相比,人工设计的LOMO算子提取的特征向量更加高效和稳定,适合于嵌入式部署及不容易受到对抗攻击。
LOMO算法主要着眼于光照和视角问题。特征提取之前采用Retinex图像增强算法进行图像增强。特征表示采用HSV(Hue,Saturation,Value)直方图和尺度不变局部三元模型(Scale Invariant Local Ternary Pattern,SILTP)直方图,HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩(Hue)、饱和度(Saturation)和值(Value)。
在一种示例性实施例中,利用主成分分析(Principal Component Analysis,PCA)算法对提取的多维特征向量进行降维,示例性的,降维之后的特征向量可以为600维。
PCA算法是最重要的降维方法之一,在数据压缩、消除冗余和数据噪音消除等领域都有着广泛的应用。PCA算法通过线性变换,将原始数据变换为一组各维度线性无关的表示,以此来提取数据的主要线性分量。
步骤102包括:对获取的图像进行关联处理,获得多个视频片段,根据视频片段和样本集合建立单组样本对集合,利用单组样本对集合训练单组距离模型,该单组距离模型用于计算属于相同样本集合的两个样本之间的距离。
在一种示例性实施例中,利用广义最大化多团问题(Generalized Maximum MultiClique Problem,GMMCP)跟踪算法对获取的图像进行关联处理,获得多个视频片段。
GMMCP跟踪算法提供了一种基于全局框架的数据关联方法,它首先借助二值整数规划制定目标函数,然后加入虚拟节点以处理目标缺失的问题,并在此基础上提出了加速方法:聚合虚拟节点。最后利用最大二值整数规划求解无向图,从而同时获得多个团,也即多目标跟踪结束。总之,GMMCP把多目标跟踪转换为图的问题,首先利用权值构建图,通过求解图来得到最终的轨迹。
在一种示例性实施例中,单组样本对集合包括正样本对集合和负样本对集合。根据视频片段和样本集合建立单组样本对集合,包括:
将属于相同视频片段的任意两个样本作为一个正样本对,一组样本集合对应的多个正样本对组成该组样本集合对应的正样本对集合;
将属于不同视频片段的任意两个样本作为一个负样本对,一组样本集合对应的多个负样本对组成该组样本集合对应的负样本对集合。
在一种示例性实施例中,本申请实施例建立的单组距离模型和跨组距离模型均为跨视图二次鉴别分析(Cross-view Quadratic Discriminant Analysis,XQDA)距离模型。
本申请实施例的XQDA距离模型包括单组距离模型和跨组距离模型两种。在一种示例性实施例中,第i组样本集合对应的单组距离模型表示为di(.,.),第j组样本集合对应的单组距离模型表示为dj(.,.),第i组样本集合到第j组样本集合的跨组距离模型表示为di,j(.,.),第j组样本集合到第i组样本集合的跨组距离模型表示为dj,i(.,.)。
XQDA距离模型是在保持直接简单原则的度量(Keep It Simple andStraightforward,KISSME)和贝叶斯人脸方法基础上提出的。该方法用高斯模型分别拟合类内和类间样本特征的差值分布,根据两个高斯分布的对数似然比推导出马氏距离。
本申请实施例可以针对每一组样本集合,将相同视频片段内的任意两个样本作为正样本对,不同视频片段内的任意两个样本作为负样本对,建立单组样本对集合S,例如,对于第i组样本集合,单组样本对集合为Si。在单组样本对集合S上利用XQDA训练单组距离模型d(x,y)。例如,第i组样本集合对应的单组距离模型为di(x,y),其中,上角标i代表第i组样本集合,x和y代表不同的样本。
本申请实施例的XQDA距离模型的表达式为(,)(T(y))TM(WT(x-y))),其中,W为模型矩阵参数,M为模型协方差参数,W和M可以由训练样本和XQDA算法学习获得。
步骤103包括:根据单组距离模型和样本集合,建立第一跨组样本对集合和第二跨组样本对集合,第一跨组样本对集合包括多个第一跨组样本对,第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;第二跨组样本对集合包括多个第二跨组样本对,第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
本申请实施例中,第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本,指的是:第二样本为在第二样本所在样本集合中搜索到的与第一样本距离最近的样本,且第一样本为在第一样本所在样本集合中搜索到的与第二样本距离最近的样本。
第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本,指的是:第四样本为在第四样本所在样本集合中搜索到的与第三样本距离最近的样本,或者第三样本为在第三样本所在样本集合中搜索到的与第四样本距离最近的样本。
本申请实施例利用第一跨组样本对集合来收集可信度高的第一跨组样本对,第一跨组样本对集合中的第一跨组样本对能够有效地初始化跨组距离模型。然后,利用交叉视图协同学习方法,在两组样本集合之间进行迭代相互标记第二跨组样本对,从而可以继续训练跨组距离模型。
在一种示例性实施例中,第一跨组样本对集合包括多个第一跨组样本对,例如,第i组样本集合到第j组样本集合的第一跨组样本对可以表示为(xi,),其中,i和j均为自然数且i≠j,xi为第i组样本集合中的一个样本,为在第j组样本集合中搜索到的与xi距离最近的样本且在第i组样本集合中搜索到的与距离最近的样本与xi为相同的样本,Ωj为第j组样本集合,Ωi为第i组样本集合。
在一种示例性实施例中,第二跨组样本对集合包括多个第二跨组样本对,第i组样本集合到第j组样本集合的第二跨组样本对为(xi,),其中,i和j均为自然数且i≠j,xi为第i组样本集合中的一个样本,为在第j组样本集合中搜索到的与xi距离最近的样本Ωj为第j组样本集合。
步骤104包括:利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练所述跨组距离模型直至跨组距离模型训练完成,该跨组距离模型用于计算属于不同样本集合的两个样本之间的距离。
本申请实施例中,首先,建立多个跨组距离模型的初始训练样本对集合,例如,将第i组样本集合到第j组样本集合对应的所有的第一跨组样本对加入到第i组样本集合对应的单组样本对集合,得到第i组样本集合到第j组样本集合的跨组距离模型的初始训练样本对集合Si,j=Si∪Ss,其中,Si为第i组样本集合对应的单组样本对集合(该单组样本对集合包括正样本对集合和负样本对集合),Ss为第i组样本集合到第j组样本集合的第一跨组样本对集合。将所有的第j组样本集合到第i组样本集合的第一跨组样本对加入到第j组样本集合对应的单组样本对集合,得到第j组样本集合到第i组样本集合的跨组距离模型的初始训练样本对集合Sj,i=Sj∪Ss′,其中,Sj为第j组样本集合对应的单组样本对集合(该单组样本对集合包括正样本对集合和负样本对集合),Ss′为第j组样本集合到第i组样本集合的第一跨组样本对集合。
然后,分别利用建立的初始训练样本对集合初始化训练多个跨组距离模型。例如,用初始训练样本对集合Si,j初始化训练得到第i组样本集合到第j组样本集合的跨组距离模型di,j(.,.),用初始训练样本集合Sj,i初始化训练得到第j组样本集合到第i组样本集合的跨组距离模型dj,i(.,.)。
将所有满足条件的第二跨组样本对均加入到初始训练样本对集合,得到更新的训练样本对集合,用更新的训练样本对集合继续训练跨组距离模型。例如,将所有的第i组样本集合到第j组样本集合的第二跨组样本对均加入到初始训练样本对集合Si,j,得到更新的训练样本对集合,继续训练第i组样本集合到第j组样本集合的跨组距离模型di,j(.,.);以同样的方式更新训练样本集合Sj,i,再继续训练模型dj,i(.,.)。
在一种示例性实施例中,在利用第二跨组样本对集合继续训练跨组距离模型时,循环收敛条件可以为所有第二跨组样本对训练完毕或者训练次数达到预设迭代次数。示例性的,预设迭代次数可以设为20次。
在一种示例性实施例中,如图2所示,用户采集图像并发送至服务端,服务端运用该模型训练方法建立多组样本集合,根据样本集合建立单组样本对集合,并用单组样本对集合训练单组距离模型,根据单组距离模型和样本集合建立第一跨组样本对集合和第二跨组样本对集合,用第一跨组样本对集合初始化训练跨组距离模型,用第二跨组样本对集合继续训练跨组距离模型,输出训练好的跨组距离模型给用户。
在另一种示例性实施例中,用户输入图像集及其原有的图像识别模型,服务端运用该模型训练方法对用户输入的图像集建立单组距离模型和跨组距离模型并对建立的单组距离模型和跨组距离模型进行训练,根据训练好的跨组距离模型对用户输入的图像识别模型进行调优。
本申请实施例还提供了一种对象识别方法,如图3所示,该对象识别方法包括步骤301至步骤302。
其中,步骤301包括:获取待识别图像。
步骤302包括:利用预先训练的跨组距离模型,对待识别图像进行对象识别,该跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,初始训练样本集包括单组样本对集合和第一跨组样本对集合,二次训练样本集包括第二跨组样本对集合,第一跨组样本对集合包括多个第一跨组样本对,第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;第二跨组样本对集合包括多个第二跨组样本对,第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与第三样本和第四样本中的另一个距离最近的样本。
在一种示例性实施例中,单组样本对集合包括正样本对集合和负样本对集合。正样本对集合包括多个正样本对,每个正样本对包括属于相同视频片段的两个样本。负样本对集合包括多个负样本对,每个负样本对包括属于不同视频片段的两个样本。
在一种示例性实施例中,该跨组距离模型为跨视图二次鉴别分析距离模型。
本申请实施例还提供了一种对象识别方法,如图4所示,该对象识别方法包括步骤401至步骤402。
其中,步骤401包括:云端服务器接收用户输入的待识别图像,该待识别图像中包含目标对象;
步骤402包括:云端服务器利用预先训练的跨组距离模型,对待识别图像进行对象识别,输出一个或多个图像,所输出的图像中包含与目标对象相匹配的对象,该跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,初始训练样本集包括单组样本对集合和第一跨组样本对集合,二次训练样本集包括第二跨组样本对集合,第一跨组样本对集合包括多个第一跨组样本对,第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;第二跨组样本对集合包括多个第二跨组样本对,第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与第三样本和第四样本中的另一个距离最近的样本。
在一种示例性实施例中,用户先发送训练图像集至云端服务器,云端服务器运用前述的模型训练方法,为用户发送的训练图像集建立初始训练样本集和二次训练样本集,并用初始训练样本集和二次训练样本集对预先建立的单组距离模型和跨组距离模型进行训练;之后,用户输入测试图像,云端服务器根据训练好的跨组距离模型对用户输入的测试图像进行对象识别,输出与用户输入的测试图像最接近的识别结果给用户。
在一种示例性实施例中,如图5所示,用户将一个待识别行人的原型图像片段输入至预先训练好的跨组距离模型,得到识别出的一个或多个与其接近的行人图像片段。
行人重识别(Person Re-Identification,ReID),即对行人进行重新识别,是指对不同的、没有视野重叠覆盖的(non-over lapping)摄像机拍摄的行人图像建立对应关系的处理过程。当摄像头拍摄范围之间不存在重叠时,由于没有了连续信息,检索难度也随之增大。因此,行人重识别强调的是在跨摄像机的视频中对特定行人进行检索。行人重识别主要应用于图像检索等方面,通过给定某人的一张图片(query image),从多张图片(galleryimages)中找到属于他/她的那一张或多张,是通过行人整体特征实现的人员比对技术。
本申请实施例利用PRID 2011标准行人重识别数据库来测试本申请的行人重识别方法的有效性。该数据集由奥地利科技学院(Austrian Institute of Technology)采集,目的是为了推进行人重识别技术的研究。该数据集由从两个不同的静态监控摄像头记录的多个行人人轨迹中提取的图像组成。这些图像由于摄像机视点的变化以及照明度,行人背景和摄像机特性等因素而存在差异。由于图像是从轨迹中提取的,因此每个人在图像中都存在几种不同的姿势。该数据集从一种视角记录了475人的轨迹,从另一种视角记录了856人的轨迹,两种视角都出现了的有245人。该数据集已经过滤掉了一些被严重遮挡的行人,在一个摄像头下可靠图像少于五个的行人,以及由于标注错误而导致损坏的图像。
图5是本申请实施例的测试效果图。如图5所示,左侧为待识别行人的原型图像片段,右侧为通过本申请实施例识别出来的排名前十位的结果。针对第一个行人原型图像片段,有六个识别结果正确,有四个识别结果错误,针对第二个行人原型图像片段,十个识别结果全部正确。从图5可以看出,本申请实施例能够较为成功地识别出相同的行人和相似的行人。
利用前k排序准确率(Rank-k准确率)评估方法将本申请实施例的行人重识别方法与现有的行人重识别方法进行定性的比较和分析,来评估本申请实施例的行人重识别方法和现有的行人重识别方法的重识别精度,本实施例中,k分别取1,5,10,20。Rank-k即表示按照相似度排序后的前k张图像中存在与查询图像(Query Image)属于同一ID的准确率。
实验结果表明在PRID 2011视频行人重识别数据库上,本申请实施例的精度与其他无监督方法相比具有明显的优势,与监督学习方法相比精度也相差不多。表1汇报了在PRID 2011数据库上的识别精度对比结果。如表1所示,Euclidean(LOMO)代表基于LOMO特征和欧式距离的无监督行人重识别算法,Salience代表基于显著性特征的无监督行人重识别算法,CNN+XQDA代表基于卷积神经网络特征特征和XQDA距离学习的监督行人重识别算法,XQDA(LOMO)代表基于LOMO特征和XQDA距离学习的监督行人重识别算法。从表1可以看出,本申请实施例在行人重识别精度上取得了不错的效果。与现有的行人重识别方法相比,本申请实施例提供的行人重识别方法的重识别精度显著优于无监督行人重识别算法,略低于监督行人重识别算法,但是,本申请实施例不依赖于数据标注,在实践中具有更大优势。
表1
本申请实施例的对象识别方法,通过利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型以及利用第二跨组样本对集合继续训练跨组距离模型,实现了一种无监督跨摄像头对象识别方法,且实验结果表明,识别精度相对较高。
本申请实施例还提供了一种模型训练装置,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如以上任意一项所述的模型训练方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如以上任意一项所述的模型训练方法的步骤。
本申请实施例还提供了一种对象识别装置,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如以上任意一项所述的对象识别方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如以上任意一项所述的对象识别方法的步骤。
如图6所示,本申请实施例还提供了一种模型训练装置,包括样本建立模块601、单组训练模块602和跨组训练模块603。
其中,样本建立模块601,用于获取图像采集装置采集的图像,根据获取的图像建立多组样本集合。
单组训练模块602,用于对获取的图像进行关联处理,获得多个视频片段,根据视频片段和样本集合建立单组样本对集合,利用单组样本对集合训练单组距离模型,该单组距离模型用于计算属于相同样本集合的两个样本之间的距离。
跨组训练模块603,用于根据单组距离模型和样本集合,建立第一跨组样本对集合和第二跨组样本对集合,第一跨组样本对集合包括多个第一跨组样本对,第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;第二跨组样本对集合包括多个第二跨组样本对,第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本;利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练所述跨组距离模型直至跨组距离模型训练完成,该跨组距离模型用于计算属于不同样本集合的两个样本之间的距离。
在一种示例性实施例中,样本建立模块601根据获取的图像建立多组样本集合,包括:将获取的图像缩放至预设像素值;提取缩放后的图像的多维特征向量;对提取的多维特征向量进行降维;将降维之后的特征向量存储为样本集合中的样本。
在一种示例性实施例中,单组样本对集合包括正样本对集合和负样本对集合;单组训练模块602根据视频片段和样本集合建立单组样本对集合,包括:将属于相同视频片段的任意两个样本作为一个正样本对,一组样本集合对应的多个正样本对组成该样本集合对应的正样本对集合;将属于不同视频片段的任意两个样本作为一个负样本对,一组样本集合对应的多个负样本对组成该样本集合对应的负样本对集合。
在一种示例性实施例中,单组距离模型和跨组距离模型均为跨视图二次鉴别分析距离模型。
在一种示例性实施例中,第一跨组样本对集合包括多个第一跨组样本对,第i组样本集合到第j组样本集合的第一跨组样本对为(xi,),其中,i和j均为自然数且i≠j,xi为第i组样本集合中的一个样本,为在第j组样本集合中搜索到的与xi距离最近的样本且在第i组样本集合中搜索到的与距离最近的样本与xi为相同的样本,Ωj为第j组样本集合,Ωi为第i组样本集合,dj(.,.)为第j组样本集合对应的单组距离模型,di(.,.)为第i组样本集合对应的单组距离模型。
在一种示例性实施例中,第二跨组样本对集合包括多个第二跨组样本对,第i组样本集合到第j组样本集合的第二跨组样本对为(xi,),其中,i和j均为自然数且i≠j,xi为第i组样本集合中的一个样本,为在第j组样本集合中搜索到的与xi距离最近的样本Ωj为第j组样本集合,di(.,.)为第i组样本集合对应的单组距离模型。
在一种示例性实施例中,在利用第二跨组样本对集合继续训练跨组距离模型时,循环收敛条件为所有第二跨组样本对训练完毕或者训练次数达到预设迭代次数。
如图7所示,本申请实施例还提供了一种对象识别装置,包括图像获取模块701和对象识别模块702。
其中,图像获取模块701,用于获取待识别图像。
对象识别模块702,用于利用预先训练的跨组距离模型,对待识别图像进行对象识别,跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,初始训练样本集包括单组样本对集合和第一跨组样本对集合,二次训练样本集包括第二跨组样本对集合,第一跨组样本对集合包括多个第一跨组样本对,第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;第二跨组样本对集合包括多个第二跨组样本对,第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与第三样本和第四样本中的另一个距离最近的样本。
在一种示例性实施例中,单组样本对集合包括正样本对集合和负样本对集合。正样本对集合包括多个正样本对,每个正样本对包括属于相同视频片段的两个样本。负样本对集合包括多个负样本对,每个负样本对包括属于不同视频片段的两个样本。
在一种示例性实施例中,该跨组距离模型为跨视图二次鉴别分析距离模型。
本申请实施例的对象识别装置,通过利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型以及利用第二跨组样本对集合继续训练跨组距离模型,实现了无监督跨摄像头对象识别,且实验结果表明,识别精度相对较高。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (13)
1.一种模型训练方法,其特征在于,包括:
获取图像采集装置采集的图像,根据获取的图像建立多组样本集合;
对获取的图像进行关联处理,获得多个视频片段,根据所述视频片段和样本集合建立单组样本对集合,利用所述单组样本对集合训练单组距离模型,所述单组距离模型用于计算属于相同样本集合的两个样本之间的距离;
根据所述单组距离模型和样本集合,建立第一跨组样本对集合和第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本;
利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练所述跨组距离模型直至所述跨组距离模型训练完成,所述跨组距离模型用于计算属于不同样本集合的两个样本之间的距离。
2.根据权利要求1所述的模型训练方法,其特征在于,所述根据获取的图像建立多组样本集合,包括:
将所述获取的图像缩放至预设像素值;
提取缩放后的图像的多维特征向量;
对提取的多维特征向量进行降维;
将降维之后的特征向量存储为所述样本集合中的样本。
3.根据权利要求1所述的模型训练方法,其特征在于,一个所述图像采集装置采集的图像对应一组或多组所述样本集合。
4.根据权利要求1所述的模型训练方法,其特征在于,所述单组样本对集合包括正样本对集合和负样本对集合;所述根据所述视频片段和样本集合建立单组样本对集合,包括:
将属于相同视频片段的任意两个样本作为一个正样本对,一组样本集合对应的多个正样本对组成该组样本集合对应的正样本对集合;
将属于不同视频片段的任意两个样本作为一个负样本对,一组样本集合对应的多个负样本对组成该组样本集合对应的负样本对集合。
5.根据权利要求1所述的模型训练方法,其特征在于,所述单组距离模型和跨组距离模型均为跨视图二次鉴别分析距离模型。
6.一种模型训练装置,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至5任意一项所述的模型训练方法的步骤。
7.一种存储介质,其特征在于,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述的模型训练方法的步骤。
8.一种对象识别方法,其特征在于,包括:
获取待识别图像;
利用预先训练的跨组距离模型,对待识别图像进行对象识别,所述跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,所述初始训练样本集包括单组样本对集合和第一跨组样本对集合,所述二次训练样本集包括第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
9.一种对象识别方法,其特征在于,包括:
云端服务器接收用户输入的待识别图像,所述待识别图像中包含目标对象;
云端服务器利用预先训练的跨组距离模型,对待识别图像进行对象识别,输出一个或多个图像,所输出的图像中包含与所述目标对象相匹配的对象,所述跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,所述初始训练样本集包括单组样本对集合和第一跨组样本对集合,所述二次训练样本集包括第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
10.一种对象识别装置,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求8或权利要求9任一所述的对象识别方法的步骤。
11.一种存储介质,其特征在于,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求8或权利要求9任一所述的对象识别方法的步骤。
12.一种模型训练装置,其特征在于,包括样本建立模块、单组训练模块和跨组训练模块,其中:
所述样本建立模块,用于获取图像采集装置采集的图像,根据获取的图像建立多组样本集合;
所述单组训练模块,用于对获取的图像进行关联处理,获得多个视频片段,根据所述视频片段和样本集合建立单组样本对集合,利用所述单组样本对集合训练单组距离模型,所述单组距离模型用于计算属于相同样本集合的两个样本之间的距离;
所述跨组训练模块,用于根据所述单组距离模型和样本集合,建立第一跨组样本对集合和第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本;利用单组样本对集合和第一跨组样本对集合初始化训练跨组距离模型,利用第二跨组样本对集合继续训练所述跨组距离模型直至所述跨组距离模型训练完成,所述跨组距离模型用于计算属于不同样本集合的两个样本之间的距离。
13.一种对象识别装置,其特征在于,包括图像获取模块和对象识别模块,其中:
所述图像获取模块,用于获取待识别图像;
所述对象识别模块,用于利用预先训练的跨组距离模型,对待识别图像进行对象识别,所述跨组距离模型的训练样本集包括初始训练样本集和二次训练样本集,所述初始训练样本集包括单组样本对集合和第一跨组样本对集合,所述二次训练样本集包括第二跨组样本对集合,所述第一跨组样本对集合包括多个第一跨组样本对,所述第一跨组样本对包括属于不同样本集合的第一样本和第二样本,且所述第一样本和第二样本互为在对方所在样本集合中搜索到的与自身距离最近的样本;所述第二跨组样本对集合包括多个第二跨组样本对,所述第二跨组样本对包括属于不同样本集合的第三样本和第四样本,且所述第三样本和第四样本中的一个为在自身所在样本集合中搜索到的与所述第三样本和第四样本中的另一个距离最近的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529203.5A CN113807122A (zh) | 2020-06-11 | 2020-06-11 | 模型训练方法、对象识别方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529203.5A CN113807122A (zh) | 2020-06-11 | 2020-06-11 | 模型训练方法、对象识别方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807122A true CN113807122A (zh) | 2021-12-17 |
Family
ID=78943854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529203.5A Pending CN113807122A (zh) | 2020-06-11 | 2020-06-11 | 模型训练方法、对象识别方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550241A (zh) * | 2022-01-28 | 2022-05-27 | 智慧眼科技股份有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201711541D0 (en) * | 2017-07-18 | 2017-08-30 | Vision Semantics Ltd | Target re-identification |
CN108960013A (zh) * | 2017-05-23 | 2018-12-07 | 上海荆虹电子科技有限公司 | 一种行人再识别方法及装置 |
WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
CN109492702A (zh) * | 2018-11-21 | 2019-03-19 | 中国科学院自动化研究所 | 基于排序度量函数的行人重识别方法、***、装置 |
CN109583332A (zh) * | 2018-11-15 | 2019-04-05 | 北京三快在线科技有限公司 | 人脸识别方法、人脸识别***、介质及电子设备 |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
WO2019237657A1 (zh) * | 2018-06-15 | 2019-12-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
-
2020
- 2020-06-11 CN CN202010529203.5A patent/CN113807122A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960013A (zh) * | 2017-05-23 | 2018-12-07 | 上海荆虹电子科技有限公司 | 一种行人再识别方法及装置 |
WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
GB201711541D0 (en) * | 2017-07-18 | 2017-08-30 | Vision Semantics Ltd | Target re-identification |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
WO2019237657A1 (zh) * | 2018-06-15 | 2019-12-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109583332A (zh) * | 2018-11-15 | 2019-04-05 | 北京三快在线科技有限公司 | 人脸识别方法、人脸识别***、介质及电子设备 |
CN109492702A (zh) * | 2018-11-21 | 2019-03-19 | 中国科学院自动化研究所 | 基于排序度量函数的行人重识别方法、***、装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550241A (zh) * | 2022-01-28 | 2022-05-27 | 智慧眼科技股份有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN114550241B (zh) * | 2022-01-28 | 2023-01-31 | 智慧眼科技股份有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961051B (zh) | 一种基于聚类和分块特征提取的行人重识别方法 | |
Xiao et al. | Joint detection and identification feature learning for person search | |
Farfade et al. | Multi-view face detection using deep convolutional neural networks | |
Chen et al. | An end-to-end system for unconstrained face verification with deep convolutional neural networks | |
Hong et al. | Multi-store tracker (muster): A cognitive psychology inspired approach to object tracking | |
Taylor et al. | Convolutional learning of spatio-temporal features | |
Gray et al. | Evaluating appearance models for recognition, reacquisition, and tracking | |
Gilbert et al. | Scale invariant action recognition using compound features mined from dense spatio-temporal corners | |
US8170280B2 (en) | Integrated systems and methods for video-based object modeling, recognition, and tracking | |
Cho et al. | PaMM: Pose-aware multi-shot matching for improving person re-identification | |
CN114240997B (zh) | 一种智慧楼宇在线跨摄像头多目标追踪方法 | |
Bąk et al. | Exploiting feature correlations by Brownian statistics for people detection and recognition | |
Afsar et al. | Automatic human action recognition from video using hidden markov model | |
Singh et al. | A comprehensive survey on person re-identification approaches: various aspects | |
Khan et al. | Dimension invariant model for human head detection | |
Padmavathi et al. | Kernel principal component analysis feature detection and classification for underwater images | |
Epshtein et al. | Identifying semantically equivalent object fragments | |
CN113807122A (zh) | 模型训练方法、对象识别方法及装置、存储介质 | |
Zhu et al. | Correspondence-free dictionary learning for cross-view action recognition | |
Pflug et al. | Segmentation and normalization of human ears using cascaded pose regression | |
Han et al. | Multi-target tracking based on high-order appearance feature fusion | |
Khedher et al. | Fusion of interest point/image based descriptors for efficient person re-identification | |
Lenc et al. | Confidence Measure for Automatic Face Recognition. | |
Ali et al. | Recognition of human action and identification based on SIFT and watermark | |
Ez-Zahout | A distributed big data analytics model for people re-identification based dimensionality reduction |
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 |