申请/专利权人：中交第二公路勘察设计研究院有限公司

申请日：2023-09-22

公开（公告）日：2024-06-28

公开（公告）号：CN117315576B

主分类号：G06V20/52

分类号：G06V20/52;G06V10/774;G06V10/82;G06N3/0464;G06T3/4007;G06N3/048;G06T3/4046

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开了一种在监控视频中识别指定人员的方法，主要通过前景增强模块抑制待识别图像的背景，提取精确的前景增强的全局特征图和前景区域；然后语义单元自适应模块对前景增强的全局特征图进行像素级的分类，得到各身体语义单元对应的局部语义特征，最后通过结构化图卷积模块学习局部语义特征间的相关性特征，获得图结构特征。本发明对遮挡具有鲁棒性，在目标身体被部分遮挡的情况下仍然能够准确识别；本发明聚焦于目标本身，不会受到背景变化的影像；本发明除对行人外观重识别，也对目标的运动姿态和随身物品也敏感，重识别准确性高。

主权项：1.一种在监控视频中识别指定人员的方法，其特征在于，包括以下步骤：步骤1、获取用于训练的指定人员图像作为样本图像构成训练样本集；步骤2、构建基于局部语义与图卷积的行人重识别网络，基于局部语义与图卷积的行人重识别网络包括主干网络、前景增强模块、语义单元自适应模块和结构化图卷积模块，前景增强模块，用于提取输入图像的前景增强的全局特征图Fg和前景区域，语义单元自适应模块，基于前景增强的全局特征图Fg和前景区域，提取前景特征Ff和身体部位的局部语义特征Fpart-i，结构化图卷积模块，用于输入身体部位的局部语义特征Fpart-i，并依次经过包含随机初始化的邻接矩阵M的隐藏层的GCN网络，不断地在节点之间传递特征，最终输出图结构特征Fgraph；步骤3、将样本图像输入到基于局部语义与图卷积的行人重识别网络，以最小化网络总损失函数为目标，优化基于局部语义与图卷积的行人重识别网络；步骤4、将视频帧输入到训练完成的基于局部语义与图卷积的行人重识别网络，获取对应的前景增强的全局特征图Fg、前景特征Ff、身体部位的局部语义特征Fpart-i和图结构特征Fgraph，计算样本图像和视频帧的前景增强的全局特征图Fg、前景特征Ff、身体部位的局部语义特征Fpart-i和图结构特征Fgraph的相似度，按照相似度从高到低对各个视频帧进行排列，所述主干网络提取输入的图像的主干网络特征图，所述前景增强模块，用于将主干网络特征图馈送进空间注意力层，空间注意力层输出前景注意力掩膜，前景注意力掩膜与主干网络特征图像素相乘，生成前景增强的全局特征图Fg，基于前景增强的全局特征图Fg生成用于二分类的前景增强全局特征图F1x,y，并对用于二分类的前景增强全局特征图F1x,y进行分类，提取前景区域。

全文数据：

权利要求：

百度查询： 中交第二公路勘察设计研究院有限公司 一种在监控视频中识别指定人员的方法

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