【技术实现步骤摘要】
本专利技术涉及计算机科学，人工智能的，具体而言，涉及一种用于人员识别与跟踪的多路视频数据融合方法与系统。
技术介绍
1、深度学习是人工智能领域的重要分支，近年来取得了显著进展。神经网络模型的深度和复杂性不断增加，由深度卷积神经网络(cnn)和递归神经网络(rnn)演变为更先进的模型，如变换器(transformer)和生成对抗网络(gan)。大规模数据集和强大的计算能力推动了深度学习在图像识别、语音处理、自然语言处理等领域的广泛应用。迁移学习、自监督学习等新兴方法不断涌现，提高了模型的泛化能力。深度学习为解决医疗、金融、交通等现实世界问题提供了新的可能性。
2、不同于传统方法受限于图像质量和复杂场景，深度学习在行人重识别领域取得了显著进展，为视频监控、智能交通等领域提供了更精准和高效的解决方案。通过引入注意力机制有助于模型更加关注图像中具有重要信息的区域，提高了对关键特征的抓取能力，增强了行人特征的表达能力。
3、行人重识别技术在工业上的应用价值是多方面的，尤其表现在监控、预防事故、应急响应和优化工作流程等方面。
4、尽本文档来自技高网...
【技术保护点】
1.一种人员识别与跟踪的多路视频数据融合方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤1包括如下步骤：
3.根据权利要求2所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤1.1中，构造待训练的图像分割网络(11)的过程包括如下步骤：
4.根据权利要求3所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤1.2包括如下步骤：
5.根据权利要求1-4任意一项所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤4包括如
【技术特征摘要】
1.一种人员识别与跟踪的多路视频数据融合方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤1包括如下步骤：
3.根据权利要求2所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤1.1中，构造待训练的图像分割网络(11)的过程包括如下步骤：
4.根据权利要求3所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤1.2包括如下步骤：
5.根据权利要求1-4任意一项所述的人员识别与跟踪的多路视频数据融合方法，其特征在于：所述步骤4包括如下步骤：
6.一种人员识别与跟踪的多路视频数据融合系统，其特征在于：基于权利要求1-5任意一项所述的人员识别与跟踪的多路视频数据融合方法，包括建立通信关系的：
7.根据权利要求6所述的人员识别与跟踪的多路视频数据融合系统，其特征在于：所述视频采集模块(3)包含多个位于不同位置的目标摄像头。
8.根据权利要求7所述的人员识别与跟踪的多路视频数据融合系统，其特征在于：所述特征提取网络(2)包括建立通信关系的：
9.根据权利要求8所述的人员识别与跟踪的多路视频数据融合系统，其特征在于：所述图像分割网络(21)包括：
10.根据权利要求9所述的人员识别与跟踪的多路视频数据融合系统，其特征在于：所述粗略阶段网络(211)包括第一输入模块(2110)、第一注意力掩码模块(2111)、编码器(2112)、卷积模块...
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。