申请/专利权人：沈阳工业大学

申请日：2024-01-30

公开（公告）日：2024-04-19

公开（公告）号：CN117911678A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/26;G06V10/42;G06V10/82;G06V10/74;G06V20/52;G06N3/0464;G06N3/082;G06V40/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明涉及计算机视觉和深度学习技术领域，提供一种遮挡目标重识别方法，包括如下步骤：当判断任务类型为车辆重识别时，将车辆图片输入车辆重识别模型，车辆重识别模型包括改进的全尺度网络、广义平均池化层、组特征注意力模块和全连接层；当判断任务类型为行人重识别时，将行人图片输入行人重识别模型，行人重识别模型包括改进的全尺度网络、人体姿态估计网络、自适应平均池化层、最大池化层、广义平均池化层和全连接层。本发明对车辆重识别模型和行人重识别模型进行了优化，通过丰富特征表达解决了遮挡场景下的公共场所中对行人或车辆跟踪与识别的问题，在保证准确率的同时，减小了模型的参数量，使模型更加轻量化。

主权项：1.一种遮挡目标重识别方法，其特征在于，所述遮挡目标重识别方法包括如下步骤：输入目标重识别任务数据，判断任务类型为车辆重识别或行人重识别；当判断任务类型为车辆重识别时，所述目标重识别任务数据为车辆图片，将所述车辆图片输入车辆重识别模型，所述车辆重识别模型包括改进的全尺度网络、广义平均池化层、组特征注意力模块和全连接层；利用所述改进的全尺度网络对所述车辆图片进行全尺度特征提取，得到车辆全尺度特征图；利用所述广义平均池化层将所述车辆全尺度特征图转换成车辆全尺度特征向量；将所述车辆全尺度特征向量输入所述组特征注意力模块，输出代表性特征向量；所述代表性特征向量输入所述全连接层后输出概率值，利用所述概率值和损失函数优化所述车辆重识别模型；根据所述代表性特征向量进行相似度匹配，并根据相似度排名输出车辆重识别结果；当判断任务类型为行人重识别时，所述目标重识别任务数据为行人图片，将所述行人图片输入行人重识别模型，所述行人重识别模型包括改进的全尺度网络、人体姿态估计网络、自适应平均池化层、最大池化层、广义平均池化层和全连接层；所述改进的全尺度网络对所述行人图片进行全尺度特征提取，得到行人全尺度特征图；所述人体姿态估计网络对所述行人图片进行特征提取，得到人体关键点热图，所述自适应平均池化层对所述人体关键点热图进行下采样，得到与所述行人全尺度特征图的特征维度相匹配的降维人体关键点热图；将所述降维人体关键点热图和所述行人全尺度特征图进行元素级融合，得到融合后特征图，所述最大池化层将所述融合后特征图转换成融合后特征向量；所述广义平均池化层将所述行人全尺度特征图转换成行人全尺度特征向量；将所述融合后特征向量与所述行人全尺度特征向量进行拼接，得到关注于非遮挡区域特征信息的总特征向量；所述总特征向量输入所述全连接层后输出概率值，利用所述概率值和损失函数优化所述行人重识别模型；根据所述总特征向量进行相似度匹配，并根据相似度排名输出行人重识别结果。

全文数据：

权利要求：

百度查询： 沈阳工业大学 一种遮挡目标重识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD