基于自然语言描述的视频监控行人搜索图像文本融合方法

摘要

一种基于自然语言描述的视频监控行人搜索图像文本融合方法，包括：设卷积神经网络提取的第n张图像特征向量为I_n，所述第n张图像对应的自然语言描述中含有若干个单词，其中，第k个单词的文本特征向量为将第n张图像特征向量I_n分别与第n张图像对应的自然语言描述中每个单词的文本特征向量进行融合，从而找到该自然语言描述中每个单词与该第n张图像的对应关系。本发明是为了视频监控的行人搜索可以更好的应用于实际之中，从而使用一段自然语言描述进行行人搜索而不采用属性搜索行人的方式。将一段自然语言描述中的单词文本特征向量分别与对应的图像特征向量可以更有效的融合，从而得到适用于自然语言描述的视频监控的行人搜索的融合特征向量。