System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉领域中的行人搜索,主要用于智能安防等领域的行人搜索方法。
技术介绍
1、在当今社会中,人们对安全的重视程度与日俱增,相关机构对机场和商场等公共区域的安全尤为关注。为公众提供安全需要花费大量的人力成本和金钱成本。在人工视频监控系统中,由于网络摄像机每天都在连续录制视频,产生了大量需要分析的视频。监控操作员需要同时对任何特定事件或异常进行分析,这是一项具有挑战性并且令人厌倦的工作。智能视频监控系统旨在自动监控和分析来自摄像机网络的视频,以帮助监控操作员处理和理解摄像机网络获取的视频,这使其成为计算机视觉领域中热门和具挑战性的研究领域之一。
2、为了实现这一目标,行人搜索技术在这方面发挥着关键作用。如今,将行人搜索技术应用于智能安防系统正在成为解决各种安全问题的有效工具,如法医调查,预防犯罪,保护禁区等。行人搜索是一项具有挑战性的计算机视觉任务,旨在从一组图库图像中检测和识别被查询行人,或者从不同摄像机视图获取的视频帧中检索感兴趣的行人图像。如图1所示为对实际拍摄场景图像进行行人搜索的结果示例。
3、行人搜索一般被视为行人检测和行人重识别的联合任务[1,2,3,4]。当前的行人搜索方法主要可以分为两步法[5,6,7]和单步法[8,9,10]。两步法分别使用两个独立的网络进行行人检测和行人重识别。与两步法相比,单步法采用单个网络同时进行检测和重识别。如图2所示为单步行人搜索方法的网络框架,主要由主干网络、连接网络和预测网络组成,其中预测网络包括行人检测预测网络和行人重识别预测网络,分别输出
4、在单步行人搜索方法中,基于候选框的方法取得了较好的性能。但是,大多数基于候选框的单步行人搜索方法通常将提取的roi(感兴趣区域)特征经过几个固定的全连接层以提取行人重识别特征。这种简单的重识别预测网络结构忽略了利用丰富的实例信息来提高行人搜索的精度。
5、参考文献
6、[1]gaikwad b,karmakar a.real-time distributed video analyticsforprivacy-aware person search[j].computer vision and image understanding,2023:103749.
7、[2]liu z,mu x,lu y,et al.learning transformer-based attentionregionwith multiple scales for occluded person re-identification[j].computervision and image understanding,2023,229:103652.
8、[3]li x,li q,liang f,et al.multi-granularity pseudo-labelcollaboration for unsupervised person re-identification[j].computervisionand image understanding,2023,227:103616.
9、[4]cao j,pang y,**e j,et al.from handcrafted to deep featuresforpedestrian detection:a survey[j].ieee transactions on pattern analysisandmachine intelligence,2021,44(9):4913-4934.
10、[5]chen d,zhang s,ouyang w,et al.person search via a mask-guidedtwo-stream cnn model[c].proceedings of the european conference on computervision(eccv).2018:734-750.
11、[6]lan x,zhu x,gong s.person search by multi-scale matching[c].
12、proceedings of the european conference on computer vision(eccv).2018:536-552.
13、[7]han c,ye j,zhong y,et al.re-id driven localization refinementforperson search[c].proceedings of the ieee/cvf international conferenceoncomputer vision.2019:9814-9823.
14、[8]xiao t,li s,wang b,et al.joint detection and identificationfeaturelearning for person search.proceedings of the ieee conference oncomputervision and pattern recognition.2017:3415-3424.
15、[9]chen d,zhang s,yang j,et al.norm-aware embedding forefficientperson search[c].proceedings of the ieee/cvf conference on computervisionand pattern recognition.2020:12615-12624.
16、[10]yan y,li j,qin j,et al.anchor-free person search[c].proceedingsofthe ieee/cvf conference on computer vision and pattern recognition.2021:7690-7699.
技术实现思路
1、本专利技术针对现有技术存在的不足,提出了一种基于两分支交互的行人搜索方法,将传统的重识别特征提取方法作为重识别预测网络的一个分支,将设计的动态重识别模块作为另一分支与其并联,以充分利用实例信息,提取更具可辨别性的重识别特征,以提高行人搜索的性能。
2、本专利技术是通过以下技术方案来实现的,本专利技术具体为:
3、一种基于两分支交互的行人搜索方法,采用单步行人搜索的网络框架,构建基于深度卷积神经网络的行人搜索网络,包括主干网络、连接网络和预测网络三部分,其中预测网络分为检测预测网络和重识别预测网络,包含下列步骤:
4、步骤1:准备行人图像数据集;
5、步骤2:将数据集划分为训练集和测试集;本文档来自技高网...
【技术保护点】
1.一种基于两分支交互的行人搜索方法,采用单步行人搜索的网络框架,构建基于深度卷积神经网络的行人搜索网络,包括主干网络、连接网络和预测网络三部分,其中预测网络分为检测预测网络和重识别预测网络,包含下列步骤:
2.根据权利要求1所述的行人搜索方法,其特征在于,准备包含不同身份行人的图像数据集,获得数据集每张图像中行人的标注,包括行人边界框标注以及行人身份标注。
3.根据权利要求1所述的行人搜索方法,其特征在于,主干网络采用ResNet50。
4.根据权利要求1所述的行人搜索方法,其特征在于,采用ImageNet预训练模型的参数初始化主干网络的权重。
5.根据权利要求1所述的行人搜索方法,其特征在于,采用Faster R-CNN作为检测预测网络。
6.根据权利要求1所述的行人搜索方法,其特征在于,行人重识别损失函数采用OIM损失。
【技术特征摘要】
1.一种基于两分支交互的行人搜索方法,采用单步行人搜索的网络框架,构建基于深度卷积神经网络的行人搜索网络,包括主干网络、连接网络和预测网络三部分,其中预测网络分为检测预测网络和重识别预测网络,包含下列步骤:
2.根据权利要求1所述的行人搜索方法,其特征在于,准备包含不同身份行人的图像数据集,获得数据集每张图像中行人的标注,包括行人边界框标注以及行人身份标注。
3.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。