CN117935172B - 一种基于光谱信息过滤的可见光红外行人重识别方法及*** - Google Patents
一种基于光谱信息过滤的可见光红外行人重识别方法及*** Download PDFInfo
- Publication number
- CN117935172B CN117935172B CN202410325387.1A CN202410325387A CN117935172B CN 117935172 B CN117935172 B CN 117935172B CN 202410325387 A CN202410325387 A CN 202410325387A CN 117935172 B CN117935172 B CN 117935172B
- Authority
- CN
- China
- Prior art keywords
- infrared
- visible light
- pedestrian
- training
- loss
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 230000003595 spectral effect Effects 0.000 title claims description 18
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000007704 transition Effects 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于光谱信息过滤的可见光红外行人重识别方法及***，所述方法包括以下步骤：（1）获取原始数据，划分训练集、验证集和测试集并进行预处理；（2）将得到的批量训练样本随机组成跨模态图像对；（3）基于PyTorch搭建三分支行人重识别网络并设置训练参数；（4）将训练时期分为V‑T和V‑I两个阶段，当处于V‑T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；（5）当处于V‑I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；使用验证集验证算法的精度，保存最优精度的网络权重。
Description
技术领域
本发明涉及交通环境技术领域，具体涉及一种基于光谱信息过滤的可见光红外行人重识别方法及***。
背景技术
行人重识别旨在通过分析行人在不同场景或摄像头中的视觉特征，实现对同一行人在不同位置或时间点的准确识别和匹配。近年来，由于其在智能安防和智慧交通领域的广泛应用，这一技术受到了越来越多的关注。随着深度学习和神经网络架构的不断发展，行人重识别已经取得了令人瞩目的成绩。然而，当前大多数方法的设计主要聚焦于单模态行人重识别(可见光)，忽略了可见光图像在成像过程中容易受到光照条件的影响。在照明条件较差或夜间环境中，捕获到的可见光图像缺乏足够的视觉线索来准确辨别身份。因此，为了弥补这一限制，近期的研究逐渐将焦点转向可见光红外行人重识别，充分利用红外图像在低光照环境下的优势，为身份识别提供更可靠的解决方案。
可见光红外行人重识别不仅需应对行人重识别任务固有的挑战（如视角改变、姿势变化、光照差异等），还必须克服两种不同传感器模态之间显著的差异。这种模态差异源于可见光和红外图像在采集过程中所使用的不同物理原理。可见光图像受到自然光照条件的直接影响，捕捉物体的表面颜色和纹理，而红外图像则基于目标物体的热辐射，更注重物体的温度分布。这两种不同的物理性质导致在行人外貌、纹理、亮度和热分布等方面存在明显的差异。现有的方法一般可分为两类：(1) 模态共享特征学习，旨在通过度量学习或模态特定信息解纠缠，挖掘跨模态行人图片的公共表征；(2) 模态补偿学习，其目的是在图像或特征层面生成缺失的模态属性，通过属性补全来减轻模态差异。然而，这两类方法试图直接处理巨大的模态差异，却忽略了较大的模态间隙不利于探索可见光和红外图像之间的光谱对应关系，难以学习到足够的判别语义。
发明内容
发明目的：本发明的目的是提供一种基于光谱信息过滤的可见光红外行人重识别方法及***对现有的可见光红外行人重识别算法进行改进优化，捕获模态间潜在的光谱对应关系，解决特征匹配准确率低的问题。
技术方案：本发明所述的一种基于光谱信息过滤的可见光红外行人重识别方法，包括以下步骤：
（1）获取原始数据，划分训练集、验证集和测试集并进行预处理；
（2）将步骤（1）处理过的批量训练样本随机组成跨模态图像对；
（3）基于PyTorch搭建三分支行人重识别网络并设置训练参数，原始的训练样本以及合成的过渡图片作为网络输入，提取行人表征；
（4）将训练时期分为V-T和V-I两个阶段，当处于V-T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；
（5）当处于V-I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；在训练过程中，使用验证集验证算法的精度，保存最优精度的网络权重。
进一步的，所述步骤（1）中，原始数据集为公开的SYSU-MM01或RegDB；预处理包括：训练样本裁剪缩放为288x144像素，并通过水平翻转，随机擦除增加样本的多样性，最后使用由ImageNet数据集计算得到通道均值和标准差进行标准化。
进一步的，所述步骤（2）具体如下：首先随机选择可见光图像红、绿 、蓝颜色通道的其中一个并扩展成三通道；然后将处理过的可见光图像和原始的红外图像水平划分为多个部分，每个部分以相同的概率保留两模态的其中一个；最后沿着图像的高度维度拼接起来；每个图像对生成一张过渡图像；公式如下：
设取出图像对中的可见光图像随机选择红、绿、蓝三通道的其中一个并扩展成三通道，然后将变换后的可见光图像/>和原始的红外图像/>水平划分为/>个部分；则：
；
其中，、/>、/>分别代表可见光图片中的红色、绿色以及蓝色通道，和/>为随机选择和扩展操作；
；
其中，和 />为图片水平条纹组成的数组，/>表示对数组元素的随机选择操作，得到新的数组；/>为图片高度维度的拼接操作。
进一步的，所述步骤（3）具体如下：选择在ImageNet上预训练的ResNet50模型作为特征提取器，然后在SYSU-MM01或RegDB数据集上对网络进行微调；其中，ResNet50共有五个阶段，将第一个阶段复制三次分别作为可见光、过渡和红外模态的输入口，后四个阶段为模态共享，构成三分支行人重识别网络；将步骤（1）读取的可见光和红外图片以及步骤（2）合成的过渡图片输入到行人重识别网络中提取行人特征。
进一步的，所述步骤（4）具体如下：利用步骤（3）提取得到的行人特征以及步骤（1）读取的身份标签信息，计算由基础损失和语义一致损失组成的联合训练损失，通过梯度反向传播更新行人重识别网络；语义一致损失将过渡模态作为约束条件，从可见光模态中保留与红外模态最为相关的光谱信息；语义一致损失的计算过程如下：
；
；
其中，P代表当前批量batch中行人类别数量， 为单个ID下的可见光/过渡图片数量，/>为全连接网络；/>为超参数权重控制强关联和弱关联样本对的知识传播速率；为L2正则化；/>和/>分别表示第i个身份下第j个可见光特征和第k个过渡特征。
进一步的，基础损失由身份损失即交叉熵损失和三元组损失构成；可见光模态身份损失的计算过程表示为：
；
其中，N为可见光图片数量，C是ID总数，为第I张可见光图片提取得到的特征；为样本真实身份对应的分类器权重；红外和过渡模态的技术过程与此类似；/>为对应的分类器权重；
三元组损失计算过程如下：
；
其中，表示可见光和过渡特征组成的集合；/>与/> 为正样本对；/>与/>为负样本对；/>为欧式距离；/>；/>为边缘参数。
进一步的，所述步骤（5）中，通过梯度反向传播更新行人重识别网络；级联聚合损失的计算过程如下：
；
其中，和/>分别表示第i个身份的可见光和红外特征中心；/>和/>分别表示第i个身份的可见光和红外语义中心；P为当前batch中ID的总数；/>为当前batch中第i个ID中第j张红外图片提取得到的特征。
本发明所述的一种基于光谱信息过滤的可见光红外行人重识别***，包括：
获取预处理模块：用于获取原始数据，划分训练集、验证集和测试集并进行预处理；
跨模态图像对模块：用于将获取预处理模块处理过的批量训练样本随机组成跨模态图像对；
提取模块：用于基于PyTorch搭建三分支行人重识别网络并设置训练参数，原始的训练样本以及合成的过渡图片作为网络输入，提取行人表征；
V-T阶段模块：用于将训练时期分为V-T和V-I两个阶段，当处于V-T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；
V-I阶段模块：用于当处于V-I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；在训练过程中，使用验证集验证算法的精度，保存最优精度的网络权重。
本发明所述的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现任一项所述的一种基于光谱信息过滤的可见光红外行人重识别方法。
本发明所述的一种存储介质，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任一项所述的一种基于光谱信息过滤的可见光红外行人重识别方法。
有益效果：与现有技术相比，本发明具有如下显著优点：利用深度学习对行人身份进行识别和匹配，且具有较高的识别率，可以节省大量的时间成本和人力成本。此外，本发明没有添加额外的模型复杂度，仅使用全局特征就实现了较好的性能，部署时对硬件和计算速度的需求较小。
附图说明
图1为本发明的整体流程图；
图2为本发明提供的基于光谱信息过滤的可见光红外行人重识别方法的网络架构图；
图3为本发明过渡模态生成的示意图；
图4为本发明两阶段训练损失的示意图；
图5为本发明模型训练的流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1-5所示，本发明实施例提供一种基于光谱信息过滤的可见光红外行人重识别方法，包括以下步骤：
（1）获取原始数据，划分训练集、验证集和测试集并进行预处理；其中，原始数据集为公开的SYSU-MM01或RegDB；预处理包括：训练样本裁剪缩放为288x144像素，并通过水平翻转，随机擦除增加样本的多样性，最后使用由ImageNet数据集计算得到通道均值和标准差进行标准化。
（2）将步骤（1）处理过的批量训练样本随机组成跨模态图像对；具体如下：首先随机选择可见光图像红、绿 、蓝颜色通道的其中一个并扩展成三通道；然后将处理过的可见光图像和原始的红外图像水平划分为多个部分，每个部分以相同的概率保留两模态的其中一个；最后沿着图像的高度维度拼接起来；每个图像对生成一张过渡图像；公式如下：
设取出图像对中的可见光图像随机选择红、绿、蓝三通道的其中一个并扩展成三通道，然后将变换后的可见光图像/>和原始的红外图像/>水平划分为/>个部分；则：
；
其中，、/>、/>分别代表可见光图片中的红色、绿色以及蓝色通道，和/>为随机选择和扩展操作；
；
其中，和 />为图片水平条纹组成的数组，/>表示对数组元素的随机选择操作，得到新的数组；/>为图片高度维度的拼接操作。
（3）基于PyTorch搭建三分支行人重识别网络并设置训练参数，原始的训练样本以及合成的过渡图片作为网络输入，提取行人表征；具体如下：选择在ImageNet上预训练的ResNet50模型作为特征提取器，然后在SYSU-MM01或RegDB数据集上对网络进行微调；其中，ResNet50共有五个阶段，将第一个阶段复制三次分别作为可见光、过渡和红外模态的输入口，后四个阶段为模态共享，构成三分支行人重识别网络；将步骤（1）读取的可见光和红外图片以及步骤（2）合成的过渡图片输入到行人重识别网络中提取行人特征。
（4）将训练时期分为V-T和V-I两个阶段，当处于V-T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；具体如下：利用步骤（3）提取得到的行人特征以及步骤（1）读取的身份标签信息，计算由基础损失和语义一致损失组成的联合训练损失，通过梯度反向传播更新行人重识别网络；语义一致损失将过渡模态作为约束条件，从可见光模态中保留与红外模态最为相关的光谱信息；语义一致损失的计算过程如下：
；
；
其中，P代表当前批量batch中行人类别数量， 为单个ID下的可见光/过渡图片数量，/>为全连接网络；/>为超参数权重控制强关联和弱关联样本对的知识传播速率；为L2正则化；/>和/>分别表示第i个身份下第j个可见光特征和第k个过渡特征。
基础损失由身份损失即交叉熵损失和三元组损失构成；可见光模态身份损失的计算过程表示为：
；
其中，N为可见光图片数量，C是ID总数，为第I张可见光图片提取得到的特征；/>为样本真实身份对应的分类器权重；红外和过渡模态的技术过程与此类似；/>为对应的分类器权重；
三元组损失计算过程如下：
；
其中，表示可见光和过渡特征组成的集合；/>与/> 为正样本对；/>与/>为负样本对；/>为欧式距离；/>；/>为边缘参数。
（5）当处于V-I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；在训练过程中，使用验证集验证算法的精度，保存最优精度的网络权重。其中，通过梯度反向传播更新行人重识别网络；级联聚合损失的计算过程如下：
；
其中，和/>分别表示第i个身份的可见光和红外特征中心；/>和/>分别表示第i个身份的可见光和红外语义中心；P为当前batch中ID的总数；/>为当前batch中第i个ID中第j张红外图片提取得到的特征。
本发明初始学习率设置为0.01，然后在第10个epoch后线性增加到0.1。之后，学习率在第20和第60个epoch分别降低0.1倍。一个批量包含64张图像，其中4张可见光图像和4张红外图像是从8个身份中随机选择的。总训练持续时间为110个epoch，其中前100个epoch用于V-T阶段的训练，后10个epoch用于V-I阶段。我们使用SGD 作为优化器，权重衰减设置为0.0005，动量设置为0.9。
在SYSU-MM01和RegDB这两个主流可见光红外行人重识别数据集上取得了卓越的性能，与其它方法的对比结果如表1所示：
表1：本方法与其它可见光红外行人重识别方法的性能对比
本发明实施例提供一种基于光谱信息过滤的可见光红外行人重识别***，包括：
获取预处理模块：用于获取原始数据，划分训练集、验证集和测试集并进行预处理；
跨模态图像对模块：用于将获取预处理模块处理过的批量训练样本随机组成跨模态图像对；
提取模块：用于基于PyTorch搭建三分支行人重识别网络并设置训练参数，原始的训练样本以及合成的过渡图片作为网络输入，提取行人表征；
V-T阶段模块：用于将训练时期分为V-T和V-I两个阶段，当处于V-T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；
V-I阶段模块：用于当处于V-I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；在训练过程中，使用验证集验证算法的精度，保存最优精度的网络权重。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现任一项所述的一种基于光谱信息过滤的可见光红外行人重识别方法。
本发明实施例提供一种存储介质，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任一项所述的一种基于光谱信息过滤的可见光红外行人重识别方法。
Claims (10)
1.一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，包括以下步骤：
（1）获取原始数据，划分训练集、验证集和测试集并进行预处理；
（2）将步骤（1）处理过的批量训练样本随机组成跨模态图像对；
（3）基于PyTorch搭建三分支行人重识别网络并设置训练参数，原始的训练样本以及合成的过渡图片作为网络输入，提取行人表征；
（4）将训练时期分为V-T和V-I两个阶段，当处于V-T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；
（5）当处于V-I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；在训练过程中，使用验证集验证算法的精度，保存最优精度的网络权重。
2.根据权利要求1所述的一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，所述步骤（1）中，原始数据集为公开的SYSU-MM01或RegDB；预处理包括：训练样本裁剪缩放为288x144像素，并通过水平翻转，随机擦除增加样本的多样性，最后使用由ImageNet数据集计算得到通道均值和标准差进行标准化。
3.根据权利要求1所述的一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，所述步骤（2）具体如下：首先随机选择可见光图像红、绿 、蓝颜色通道的其中一个并扩展成三通道；然后将处理过的可见光图像和原始的红外图像水平划分为多个部分，每个部分以相同的概率保留两模态的其中一个；最后沿着图像的高度维度拼接起来；每个图像对生成一张过渡图像；公式如下：
设取出图像对中的可见光图像随机选择红、绿、蓝三通道的其中一个并扩展成三通道，然后将变换后的可见光图像/>和原始的红外图像/>水平划分为/>个部分；则：
；
其中，、/>、/>分别代表可见光图片中的红色、绿色以及蓝色通道， />和/>为随机选择和扩展操作；
；
其中，和 />为图片水平条纹组成的数组，/>表示对数组元素的随机选择操作，得到新的数组；/>为图片高度维度的拼接操作。
4.根据权利要求1所述的一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，所述步骤（3）具体如下：选择在ImageNet上预训练的ResNet50模型作为特征提取器，然后在SYSU-MM01或RegDB数据集上对网络进行微调；其中，ResNet50共有五个阶段，将第一个阶段复制三次分别作为可见光、过渡和红外模态的输入口，后四个阶段为模态共享，构成三分支行人重识别网络；将步骤（1）读取的可见光和红外图片以及步骤（2）合成的过渡图片输入到行人重识别网络中提取行人特征。
5.根据权利要求1所述的一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，所述步骤（4）具体如下：利用步骤（3）提取得到的行人特征以及步骤（1）读取的身份标签信息，计算由基础损失和语义一致损失组成的联合训练损失，通过梯度反向传播更新行人重识别网络；语义一致损失将过渡模态作为约束条件，从可见光模态中保留与红外模态最为相关的光谱信息；语义一致损失的计算过程如下：
；
；
其中，P代表当前批量batch中行人类别数量， 为单个ID下的可见光/过渡图片数量，为全连接网络；/>为超参数权重控制强关联和弱关联样本对的知识传播速率；/>为L2正则化；/>和/>分别表示第i个身份下第j个可见光特征和第k个过渡特征。
6.根据权利要求5所述的一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，基础损失由身份损失即交叉熵损失和三元组损失构成；可见光模态身份损失的计算过程表示为：
；
其中，N为可见光图片数量，C是ID总数，为第I张可见光图片提取得到的特征；/>为样本真实身份对应的分类器权重；/>为对应的分类器权重；
三元组损失计算过程如下：
；
其中，表示可见光和过渡特征组成的集合；/>与/> 为正样本对；/>与为负样本对；/>为欧式距离；/>；/>为边缘参数。
7.根据权利要求5所述的一种基于光谱信息过滤的可见光红外行人重识别方法，其特征在于，所述步骤（5）中，通过梯度反向传播更新行人重识别网络；级联聚合损失的计算过程如下：
；
其中，和/>分别表示第i个身份的可见光和红外特征中心；/>和/>分别表示第i个身份的可见光和红外语义中心；P为当前batch中ID的总数；/>为当前batch中第i个ID中第j张红外图片提取得到的特征。
8.一种基于光谱信息过滤的可见光红外行人重识别***，其特征在于，包括：
获取预处理模块：用于获取原始数据，划分训练集、验证集和测试集并进行预处理；
跨模态图像对模块：用于将获取预处理模块处理过的批量训练样本随机组成跨模态图像对；
提取模块：用于基于PyTorch搭建三分支行人重识别网络并设置训练参数，原始的训练样本以及合成的过渡图片作为网络输入，提取行人表征；
V-T阶段模块：用于将训练时期分为V-T和V-I两个阶段，当处于V-T阶段时，计算语义一致损失更新网络权重，将过渡模态作为过滤条件，从可见光模态中保留与红外模态最为相关的光谱信息；
V-I阶段模块：用于当处于V-I阶段时计算级联聚合损失，更新网络权重，直接在可见光和红外模态间实现模态对齐，提取模态共享表示；在训练过程中，使用验证集验证算法的精度，保存最优精度的网络权重。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的一种基于光谱信息过滤的可见光红外行人重识别方法。
10.一种存储介质，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根据权利要求1-7任一种基于光谱信息过滤的可见光红外行人重识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410325387.1A CN117935172B (zh) | 2024-03-21 | 2024-03-21 | 一种基于光谱信息过滤的可见光红外行人重识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410325387.1A CN117935172B (zh) | 2024-03-21 | 2024-03-21 | 一种基于光谱信息过滤的可见光红外行人重识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117935172A CN117935172A (zh) | 2024-04-26 |
| CN117935172B true CN117935172B (zh) | 2024-06-14 |
Family
ID=90751103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410325387.1A Active CN117935172B (zh) | 2024-03-21 | 2024-03-21 | 一种基于光谱信息过滤的可见光红外行人重识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117935172B (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651262B (zh) * | 2019-10-09 | 2022-10-14 | 四川大学 | 一种基于自适应行人对齐的跨模态行人重识别方法 |
| CN112016401B (zh) * | 2020-08-04 | 2024-05-17 | 杰创智能科技股份有限公司 | 基于跨模态行人重识别方法及装置 |
| CN112434796B (zh) * | 2020-12-09 | 2022-10-25 | 同济大学 | 一种基于局部信息学习的跨模态行人再识别方法 |
| CN114241517B (zh) * | 2021-12-02 | 2024-02-27 | 河南大学 | 基于图像生成和共享学习网络的跨模态行人重识别方法 |
| CN114511878A (zh) * | 2022-01-05 | 2022-05-17 | 南京航空航天大学 | 一种基于多模态关系聚合的可见光红外行人重识别方法 |
| CN116503792A (zh) * | 2022-01-17 | 2023-07-28 | 安徽大学 | 一种基于交叉一致性的多光谱车辆重识别方法 |
| CN115546844A (zh) * | 2022-11-09 | 2022-12-30 | 中国农业银行股份有限公司 | 跨模态行人重识别模型生成方法、识别方法、装置及设备 |
| CN116798070A (zh) * | 2023-05-15 | 2023-09-22 | 安徽理工大学 | 一种基于光谱感知和注意力机制的跨模态行人重识别方法 |
| CN116824625A (zh) * | 2023-05-29 | 2023-09-29 | 北京交通大学 | 基于生成式多模态图像融合的目标重识别方法 |
| CN117523609A (zh) * | 2023-11-15 | 2024-02-06 | 安徽大学 | 基于特定和共享表示学习的可见光与近红外行人重识别方法 |
-
2024
- 2024-03-21 CN CN202410325387.1A patent/CN117935172B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| Learning dual attention enhancement feature for visible–infrared person re-identification;Guoqing Zhang 等;《J. Vis. Commun. Image R.》;20240331;1-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117935172A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537136B (zh) | 基于姿态归一化图像生成的行人重识别方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| US20200184256A1 (en) | Method, system and apparatus for performing re-identification in images | |
| CN109598268A (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
| CN111027421A (zh) | 一种基于图的直推式半监督行人再识别方法 | |
| CN109919073B (zh) | 一种具有光照鲁棒性的行人再识别方法 | |
| CN111382690B (zh) | 基于多损失融合模型的车辆再识别方法 | |
| CN113920472B (zh) | 一种基于注意力机制的无监督目标重识别方法及*** | |
| CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和*** | |
| US11361534B2 (en) | Method for glass detection in real scenes | |
| CN110516707B (zh) | 一种图像标注方法及其装置、存储介质 | |
| CN113159043A (zh) | 基于语义信息的特征点匹配方法及*** | |
| CN111507416B (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
| JP2022082493A (ja) | ノイズチャネルに基づくランダム遮蔽回復の歩行者再識別方法 | |
| CN110348366B (zh) | 一种自动化最优人脸搜索方法及装置 | |
| CN111695531A (zh) | 一种基于异构卷积网络的跨域行人再识别方法 | |
| TWI696958B (zh) | 影像適應性特徵提取法及其應用 | |
| CN113673527B (zh) | 一种车牌识别方法及*** | |
| CN117935172B (zh) | 一种基于光谱信息过滤的可见光红外行人重识别方法及*** | |
| CN115393788B (zh) | 一种基于增强全局信息注意力的多尺度监控行人重识别方法 | |
| CN113128461B (zh) | 基于人体关键点挖掘全尺度特征的行人重识别性能提升方法 | |
| Li et al. | Intelligent terminal face spoofing detection algorithm based on deep belief network | |
| CN117994822B (zh) | 一种基于辅助模态增强和多尺度特征融合的跨模态行人重识别方法 | |
| Ding et al. | Application Analysis of Image Enhancement Method in Deep Learning Image Recognition Scene | |
| CN116523969B (zh) | 基于mscfm和mgfe的红外-可见光跨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 |