-
公开(公告)号：CN107315795B
公开(公告)日：2019-08-02
申请号：CN201710454025.2
申请日：2017-06-15
申请人： 武汉大学
IPC分类号： G06F16/783 , G06K9/00
摘要： 本发明涉及联合特定人物和场景的视频实例检索方法及系统，包括进行视频中特定人物的实例检索，进行基于局部与全局组合优化的特定场景检索，实现基于高分保留的视频实例检索，实现基于近邻扩展的视频实例检索，融合特定人物检索和特定场景检索结果，包括对于每个镜头，融合初始的场景检索结果与近邻扩展后的人物检索结果，再融合初始的人物检索结果和近邻扩展后的场景检索结果，取两种融合结果的最大值，得到视频实例检索的镜头排序结果。本发明提供的视频实例检索排序结果更加可靠，拓展性和适用性很强。
-
公开(公告)号：CN108133192A
公开(公告)日：2018-06-08
申请号：CN201711430149.3
申请日：2017-12-26
申请人： 武汉大学
IPC分类号： G06K9/00
摘要： 本发明公开了一种基于高斯-拉普拉斯分布统计的行人重识别，首先通过使用手工或深度学习模型从训练样本中提取特征，将样本对的特征相减，产生正样本对差异和负样本对差异，从而得到正样本对差异和负样本对差异的分布参数，然后对正样本对差异采用拉普拉斯分布、负样本对差异采用高斯分布拟合，进而得到距离度量函数，最后将查询图片和库图片带入距离度量函数中计算距离，按照距离的大小进行排序，得到最后的识别结果。本发明提供的距离度量函数更加准确可靠，拓展性和适用性更强。
-
公开(公告)号：CN107315795A
公开(公告)日：2017-11-03
申请号：CN201710454025.2
申请日：2017-06-15
申请人： 武汉大学
CPC分类号： G06F16/783 , G06K9/00288 , G06K9/00664
摘要： 本发明涉及联合特定人物和场景的视频实例检索方法及系统，包括进行视频中特定人物的实例检索，进行基于局部与全局组合优化的特定场景检索，实现基于高分保留的视频实例检索，实现基于近邻扩展的视频实例检索，融合特定人物检索和特定场景检索结果，包括对于每个镜头，融合初始的场景检索结果与近邻扩展后的人物检索结果，再融合初始的人物检索结果和近邻扩展后的场景检索结果，取两种融合结果的最大值，得到视频实例检索的镜头排序结果。本发明提供的视频实例检索排序结果更加可靠，拓展性和适用性很强。
-
公开(公告)号：CN108121970A
公开(公告)日：2018-06-05
申请号：CN201711417699.1
申请日：2017-12-25
申请人： 武汉大学
IPC分类号： G06K9/00
摘要： 本发明涉及一种基于差异矩阵和矩阵度量的行人重识别方法，本发明的目的在于利用不同行人之间的差异性来提升重识别效果。该方法首先得到行人的特征描述，再把特征描述子从特征向量转换成差异矩阵，利用不同行人之间的差异，引入了差异内投影矩阵L1和差异间投影矩阵L2，实现不同的图像对之间的距离度量由向量度量转换到矩阵度量，该度量方式不仅利用了某一行人单独的外貌信息，更深层次地利用了不同行人之间的联系，提升了多摄像头下同一行人匹配的准确性。
-
公开(公告)号：CN107103308A
公开(公告)日：2017-08-29
申请号：CN201710375064.3
申请日：2017-05-24
申请人： 武汉大学
CPC分类号： G06K9/00362 , G06K9/00281 , G06K9/6256 , G06K2209/21 , G06T5/50
摘要： 本发明公开了一种基于深度尺度学习的行人重识别方法。通过三个层级结构的框架来描述行人重识别的由粗到精的深度判别学习。第一个层次是选取来自两个不同摄像头视角的监控中的人物图片，然后随机地把这两张图片拼合在一起作为第二层的原始输入。第二层次是通过减去平均值和对每个样本对进行标准化来实现预处理，图片转换成灰度图像，形成栈式自编码网络的输入。第三层次是利用每个栈式自编码带有的softmax分类器得到一个分类结果。在本发明中，采用了三个不同隐藏层结构的栈式自编码网络，针对上述第三层中所得到的每一个自编码网络和分类器的结果，利用加权分配处理机制综合其分类结果已得到最终的分类精度，根据是同一对人的相似程度大于不同人的相似度原理实现最终的行人重识别判别结果。
-
公开(公告)号：CN106599795A
公开(公告)日：2017-04-26
申请号：CN201611041696.8
申请日：2016-11-24
申请人： 武汉大学
CPC分类号： G06K9/00718 , G06K9/6282
摘要： 本发明公开了一种基于尺度距离渐变函数分界面学习的动态低分辨率行人重识别方法，本发明的目的就在于图像为低分辨且尺度变化时的重识别效果。首先，获得来自同一个人的图像对即正样本对，以及来自不同人的图像对即负样本对；然后引入距离尺度渐变函数，由正样本对产生可行的尺度距离渐变函数，由负样本对产生不可行的尺度距离渐变函数，这两种尺度距离渐变函数构成尺度距离渐变函数空间，并由正的参数向量表示可行的尺度距离渐变函数，负的参数向量表示不可行的尺度距离渐变函数；最后训练了的随机森林分类器在该函数空间根据某个尺度距离渐变函数是否在正域或负域，将其分类为是否来自同一个对象。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.021 秒)
