行人重识别

摘要： 为了提高在大量视频监控中寻找目标行人的效率,本文基于行人重识别算法开发了一个智能视频监控系统。该系统使用行人检测算法获取监控视频中的行人图片并裁剪后输入行人重识别算法中,得到行人特征并通过对比来检索行人。经过测试,本系统在6路摄像头下表现良好,能较准确地在视频监控中搜寻目标行人,极大地提高了工作效率。

摘要： 能否提取具有区别度的行人特征是行人重识别问题的关键所在.该文在ResNet-50的基础上,提出一种使用多种方法提取特征的多分支网络结构(MMNet).该网络将多种方法以一种巧妙的方式组合起来,从而解决行人姿态变化、部分遮挡等引起的行人判别特征信息缺失问题.在第一个分支中提取行人的全局特征,在第二个分支中使用通道注意力模块提取想要关注的局部特征,在第三个分支中将骨干网络提取的特征水平均匀的分割成不同的块,从而提取出不同粒度的局部特征,接着使用批量难样本三元组损失函数和softmax损失函数联合训练模型.最终使用不同分支提取的特征串联在一起作为最终特征.通过行人的全局特征和多种局部特征相互补充,从而提取出更有区别度的行人特征.算法在Market-1501和DukeMTMC-reID数据集上的平均精度均值和首位命中率分别达到87.7%和95.9%、79.9%和89.2%.试验结果表明,使用多分支网络提取的特征具有互补性,且平均精度均值和首位命中率比大多数行人重识别算法高.

摘要： 行人重识别旨在跨监控设备下检索出特定的行人目标.由于不同的行人可能具有相似的外观,因此要求行人重识别模型能够捕捉到充足的细粒度特征.本文提出一种融合属性特征的行人重识别的深度网络方法,将行人重识别和属性识别集成在分类网络中,进行端到端的多任务学习.此外,对于每张输入图片,网络自适应地生成对应于每个属性的权重,并将所有属性的特征以加权求和的方式结合起来,与全局特征一起用于行人重识别任务.全局特征关注行人的整体外观,而属性特征关注细节区域,两者相互补充可以对行人进行更全面的描述.在行人重识别的主流数据集DukeMTMC-reID和Market-1501上的实验结果表明了本文方法的有效性,平均精度均值(Mean average precision,mAP)分别达到了74.2%和83.5%,Rank-1值分别达到了87.1%和93.6%.此外,在这两个数据集上的属性识别也得到了比较好的结果.

摘要： 行人外观属性是区分行人差异的重要语义信息。行人属性识别在智能视频监控中有着至关重要的作用,可以帮助我们对目标行人进行快速的筛选和检索。在行人重识别任务中,可以利用属性信息得到精细的特征表达,从而提升行人重识别的效果。文中尝试将行人属性识别与行人重识别相结合,寻找一种提高行人重识别性能的方法,进而提出了一种基于特征定位与融合的行人重识别框架。首先,利用多任务学习的方法将行人重识别与属性识别结合,通过修改卷积步长和使用双池化来提升网络模型的性能。其次,为了提高属性特征的表达能力,设计了基于注意力机制的平行空间通道注意力模块,它不仅可以在特征图上定位属性的空间位置,而且还可以有效地挖掘与属性关联度较高的通道特征,同时采用多组平行分支结构减小误差,进一步提高网络模型的性能。最后,利用卷积神经网络设计特征融合模块,将属性特征与行人身份特征进行有效融合,以获得更具鲁棒性和表达力的行人特征。实验在两个常用的行人重识别数据集DukeMTMC-reID和Market-1501上进行,结果表明,所提方法在现有的行人重识别方法中处于领先水平。

摘要： 行人重识别的目的是在跨区域、跨场景的情况下,检索出特定目标行人。由于行人外观可能相似,以及存在姿态变化和遮挡的问题,因此要求行人重识别模型能够捕捉到足够的细节信息。基于此,提出了图像特征融合的行人重识别算法,融合图像的全局特征与局部特征进行目标行人的检索。该算法构建了特征融合的图像通道,由卷积神经网络提取图像的视觉信息,将视觉特征分割为两个分支,分别进行全局特征和局部特征的计算。全局特征关注行人的整体外观,局部特征提供更多的细粒度信息。将所提方法在行人重识别的主流数据集Market1501和DukeMTMC-reID上进行了广泛的实验,证明了该方法的有效性。

摘要： 文章提出了一种基于深度学习的行人重识别算法,并利用FPGA硬件对该算法进行实验,最终实现一种新型的行人重识别技术的研究。

摘要： 行人重识别的目标是利用计算机视觉技术在多个摄像头采集的图像序列或视频中识别目标行人,基于监督学习的行人重识别算法虽然提高了目标的识别性能,但难以解决行人重识别中无标注目标域的域内变化问题,从而导致无标注数据检索准确度低。提出一种基于域自适应的无监督行人重识别算法,其主要由ResNet-50骨干网络、跨域特征提取器和用以存储目标域特征的特征库组成。通过跨域特征提取器融合行人样本在特征图与通道方向的特征,以挖掘不同行人重识别数据集间潜在的特征关联关系,同时为无标注目标数据集样本内的特征关联构建特征库,在无任何标注信息的情况下从一个未知数据集学习判别性特征。实验结果表明,该算法在源域DukeMTMC-reID/Market-1501和目标域Market-1501/DukeMTMC-reID的首位命中率相较于ECN算法分别提高8.9和6.8个百分点,能够提高模型在未知数据集上的泛化能力和无监督跨域行人重识别的准确度。

摘要： 由于行人重识别面临姿态变化、遮挡干扰、光照差异等挑战,因此提取判别力强的行人特征至关重要.本文提出一种在全局特征基础上进行改进的行人重识别方法,首先,设计多重感受野融合模块充分获取行人上下文信息,提升全局特征辨别力;其次,采用GeM池化获取细粒度特征;最后,构建多分支网络,融合网络不同深度的特征预测行人身份.本文方法在Market1501和DukeMTMC-ReID两大数据集上的mAP指标分别达到83.8%和74.9%.实验结果表明,本文方法有效改进了基于全局特征的模型,提升了行人重识别的识别准确率.

摘要： 针对行人重识别中因遮挡、姿态变化使模型特征无法充分表达行人信息的问题,提出了基于注意力机制与多尺度特征融合的行人重识别方法。首先使用改进的骨干网络R-ResNet50提取图像特征;其次,抽取网络不同尺度的特征层嵌入注意力机制DANet,使模型更关注于重点信息;最后,对提取出的关键特征进行多尺度特征融合,实现特征间的优势互补,并使用联合交叉熵损失、难样本采样三元组损失和中心损失的多损失函数策略对网络模型进行训练。实验结果表明,所提方法在Market1501、DukeMTMC-ReID数据集上的首位命中率Rank-1和平均精度均值mAP分别达到了92.7%、80.4%和86.4%、71.0%,模型提取的特征更具有判别性,识别率更高。

摘要： 针对行人重识别中行人姿态变化和遮挡问题,提出了一种结合注意机制和局部擦除的行人重识别方法。首先,构建由ResNet50为全局分支和注意擦除为局部分支组成的双分支网络。全局分支用来提取全局特征表示,在训练过程中可以监督注意擦除分支的训练。注意擦除局部分支由注意模块和擦除模块组成,该分支将输入特征映射的同一区域随机地分批擦除,以增强局部区域的注意特征学习;其次,在训练阶段采用标签平滑损失函数和三元组损失函数对模型进行联合训练。标签平滑损失函数用于防止分类任务过度拟合,三元组损失函数用于解决类间相似、类内差异的分类问题;最后,在Market-1501,DukeMTMC-reID两个数据集上、和现有的八种方法进行对比测试实验,rank-1/mAP分别达到94.3%/85.9%,87.2%/75.3%,优于其他现有方法。

摘要： 行人重识别技术广泛应用于辅助驾驶、公共安全、智能医疗、工业检测等多个领域.行人重识别是指在跨区域的摄像头即不同摄像头视角下中匹配同一个目标人物的过程.首先简单介绍使用传统方法的局限性,其次列举一些使用深度学习方法解决行人重识别的数据集,再次详细的总结一下几种典型的解决行人重识别的深度学习方法,如基于表观特征、基于度量学习的方法,对于跨域、泛化能力方面,对于基于特征学习解决遮挡、姿势变换等问题方面,最后展望行人重识别的发展趋势和发展方向.

摘要： 行人重识别是实现跨摄像机场景大范围追踪行人的关键技术,利用该技术可以把行人的碎片化多场景轨迹连接起来.本文首先回顾了行人重识别的发展,列举了目前行人重识别研究的主要难点和挑战.然后进一步介绍了作者所在研究团队针对行人重识别发展的非对称度量学习理论,及基于非对称度量理论和思想所开展的面向开放性行人重识别的非对称行人重识别建模.与现有用于行人重识别的度量学习算法相比,现有算法通常忽略了摄像机特征变化的特性,而非对称度量的优点是可以学习具备建模不同视域特点非一致性能力的特征变换.非对称建模除了应用在一般的行人重识别问题上,还可以应用在跨模态行人重识别、低分辨率行人重识别、基于属性与图像匹配的行人重识别、无监督行人重识别和不完整行人重识别等问题上.最后,本文讨论了行人重识别未来的发展.

摘要： 行人重识别技术是嫌疑目标跨摄像头的完整活动路径分析系统的核心技术,但是在被用于实际应用时面临计算复杂度高和存储开销大等问题.针对这些问题,以视频侦查应用为背景,提出一种基于空间颜色特征的行人重识别方法,建立一种在计算复杂度和性能上较均衡的行人外貌特征描述符,对外貌中直观和重要的颜色特征采用对光照具有不变性的颜色描述符进行描述,一定程度上降低了光照变化对颜色特征稳定性的影响.为了弥补颜色直方图缺少空间信息的缺陷,并提高颜色直方图对光照和姿态变化的鲁棒性,把行人团块按语义分割成躯干和腿两部分,再把每一部分细分成若干子块,然后分别计算颜色描述符,并在计算相似度时引入位置信息.实验结果显示本方法在取得接近最好性能的同时具有低计算复杂度的优点。

摘要： 本发明公开了一种行人重识别模型的训练方法，包括：利用行人重识别模型的特征提取器提取行人的多模态图像的特征，得到行人的多模态特征；利用行人重识别模型的模态级对齐模块处理多模态特征，得到行人的多模态补全特征；根据预设查询特征，利用行人重识别模型的实例级对齐模块处理多模态补全特征，得到多模态查询结果；根据多模态特征、多模态补全特征、预设查询特征和多模态查询结果，利用损失函数优化行人重识别模型；迭代进行特征提取操作、模态级对齐处理操作、实例级对齐处理操作和优化操作，直到损失函数的值满足预设条件，得到训练完成的行人重识别模型。本发明还公开了一种行人重识别方法及装置、电子设备和存储介质。

摘要： 本发明提供一种行人重识别模型训练方法、行人重识别方法、装置和设备，应用于图像处理领域，该方法包括：将第一样本图像划分为多个第一图像块，将多个第一图像块划分为多个第一图像块组；分别对各第一图像块组中的部分第一图像块进行掩码处理，得到各第一图像块组中的遮挡图像块和未遮挡图像块；根据每个第一图像块组中的遮挡图像块和未遮挡图像块，对初始行人重识别模型中的编码器进行预训练，得到预训练完成的编码器；根据预训练完成的编码器对第二样本图像进行处理后输出的特征表示，微调初始行人重识别模型的网络参数，得到行人重识别模型。本发明可以提高预训练模型的准确度，从而使得行人重识别模型的精度较高，提高了行人重识别准确度。

摘要： 本发明公开了一种行人重识别模型的构建方法及行人重识别方法，构建方法包括：步骤1，构建非全连接卷积，对于非全连接卷积，不同的位置将会被不同的卷积核进行卷积运算，计算得到非全连接卷积中卷积核的数目，即被卷积操作的位置数量为N；步骤2，将非全连接卷积和普通卷积通过加权方式结合，形成全局‑局部注意力模块；使用全局‑局部注意力模块替换OSNet中的所有普通卷积，保留OSNet的其余结构不变，形成基于非全连接卷积的行人重识别模型。通过构建非全连接卷积，平衡了在实际场景下的识别精度和运算速度，达到实时检测的要求。

摘要： 本发明提供了行人重识别网络的训练及基于其的行人重识别的方法、装置、系统和存储介质，所述行人重识别网络的训练方法包括：利用分类损失对基准网络进行预训练；以及联合分类损失和五元组损失对经预训练的基准网络进行调优以得到行人重识别网络。根据本发明实施例的行人重识别网络的训练方法、装置、系统和存储介质联合分类损失和距离损失进行训练，能够加快训练过程并提高精度；此外，在距离损失环节中采用五元组方法，相比于传统的三元组、改进三元组和四元组方法，能够显著缩短训练时间，并且进一步提高精度。

摘要： 本发明涉及一种用于行人重识别的掩膜池化模型训练和行人重识别方法，包括S1.获取锚图像a、正样本图像p、负样本图像n；S2.将a、p、n以及a、p、n对应的掩膜分别输入掩膜池化模型中，得到对应的三维张量Ta、Tp、Tn；S3.对Ta、Tp、Tn分别进行池化操作、卷积操作，得到对应的Ha、Hp、Hn；S4.将Ha、Hp、Hn分别输入分类器，得到对应的预测结果Ra、Rp、Rn；S5.根据预测结果Ra、Rp、Rn计算损失值；S6.根据损失值训练掩膜池化模型。本发明可以增强图像中的非背景信息，学习到图像最关键的特征。

摘要： 本发明公开了一种行人重识别模型的训练方法，包括：利用行人重识别模型的特征提取器提取行人的多模态图像的特征，得到行人的多模态特征；利用行人重识别模型的模态级对齐模块处理多模态特征，得到行人的多模态补全特征；根据预设查询特征，利用行人重识别模型的实例级对齐模块处理多模态补全特征，得到多模态查询结果；根据多模态特征、多模态补全特征、预设查询特征和多模态查询结果，利用损失函数优化行人重识别模型；迭代进行特征提取操作、模态级对齐处理操作、实例级对齐处理操作和优化操作，直到损失函数的值满足预设条件，得到训练完成的行人重识别模型。本发明还公开了一种行人重识别方法及装置、电子设备和存储介质。

摘要： 本发明实施例提供一种行人重识别方法、行人重识别训练方法及装置，包括：获取第一图像集以及第一图像集对应的第一分类标签；截取第一图像集包括的人所在位置的图像片段得到图像片段集；将第一图像片段输入待训练行人重识别网络得到第一特征图、第一特征和第二分类标签；将第一图像片段输入第一行人重识别网络得到第二特征图和第二特征，第一行人重识别网络的复杂度大于待训练行人重识别网络的复杂度；根据第一分类标签、第二分类标签、第一特征图、第二特征图、第一特征和第二特征计算总损失；根据总损失优化待训练行人重识别网络的参数得到第二行人重识别网络。本发明实施例，可以在保证训练的行人重识别网络的准确性的情况下提高其效率。

摘要： 本发明提供一种行人重识别模型训练方法、行人重识别方法、装置和设备，应用于图像处理领域，该方法包括：将第一样本图像划分为多个第一图像块，将多个第一图像块划分为多个第一图像块组；分别对各第一图像块组中的部分第一图像块进行掩码处理，得到各第一图像块组中的遮挡图像块和未遮挡图像块；根据每个第一图像块组中的遮挡图像块和未遮挡图像块，对初始行人重识别模型中的编码器进行预训练，得到预训练完成的编码器；根据预训练完成的编码器对第二样本图像进行处理后输出的特征表示，微调初始行人重识别模型的网络参数，得到行人重识别模型。本发明可以提高预训练模型的准确度，从而使得行人重识别模型的精度较高，提高了行人重识别准确度。

摘要： 本发明公开了一种行人重识别模型的构建方法及行人重识别方法，构建方法包括：步骤1，构建非全连接卷积，对于非全连接卷积，不同的位置将会被不同的卷积核进行卷积运算，计算得到非全连接卷积中卷积核的数目，即被卷积操作的位置数量为N；步骤2，将非全连接卷积和普通卷积通过加权方式结合，形成全局‑局部注意力模块；使用全局‑局部注意力模块替换OSNet中的所有普通卷积，保留OSNet的其余结构不变，形成基于非全连接卷积的行人重识别模型。通过构建非全连接卷积，平衡了在实际场景下的识别精度和运算速度，达到实时检测的要求。

摘要： 本发明提出遮挡下行人重识别模型训练方法、装置及遮挡下行人重识别方法、装置。在进行模型训练时，通过结构相同、参数共享的特征提取网络分别提取一对输入图像的特征图像。由于只有输入图像对之间存在遮挡区域的不同，其余参数保持一致，因此通过对两个特征图做差，即可得到遮挡区域所对应的差异特征。再通过注意力生成器为差异特征进行不等价的权重分配，对模型精度影响较大的特征分配更高的权重，之后再从原特征图中把分配好的特征给减去，保留较多的非遮挡区域。最后得到的两个特征图像送入池化层池化后再经全连接层进行基于损失函数的递归训练。本发明不依赖第三方监督信息，模型具备更高的准确度，能够实现更准确的遮挡下行人重识别。