公开(公告)号：CN108197584A

公开(公告)日：2018-06-22

申请号：CN201810031436.5

申请日：2018-01-12

Applicant: 武汉大学

Inventor： 胡瑞敏 ,  熊明福 ,  胡亮 ,  陈军 ,  梁超 ,  丁贵广 ,  黄文心 ,  王晓

IPC: G06K9/00 ,  G06N3/04

Abstract: 本发明提供一种基于三元组深度神经网络的行人重识别方法，其特征在于：采用以下方式提取行人特征，以实现行人重识别，包括在训练集上随机选取一张图片，通过原始图片产生三种不同尺度的图片，包括原始图片fullScale、半尺度原始图片halfScale和上半身尺度图片topscale；然后对每一个尺度的图片找出与它同一类及不同类的样本，以构成三元组；再把不同尺度下的三元组样本分别输入到三种结构不同的深度卷积神经网络中，最后把三种卷积神经网络的输出特征串联在一起，通过归一化输出最终结果。本发明可以有效地提取行人特征并最终提高行人重识别的结果准确度。

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

Applicant: 武汉大学

Inventor： 胡瑞敏 ,  王正 ,  陈宇静 ,  兰佳梅 ,  陈军 ,  丁贵广

IPC: G06K9/00

Abstract: 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：CN108229396A

公开(公告)日：2018-06-29

申请号：CN201810005775.6

申请日：2018-01-03

Applicant: 武汉大学

Inventor： 胡瑞敏 ,  王晓 ,  丁贵广 ,  陈军 ,  梁超 ,  焦黎 ,  胡必成 ,  阮威健 ,  郑淇

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于分辨率分值变化的行人检测方法，包括在训练阶段根据训练数据提取样本特征，根据所得特征训练检测子，样本通过检测子后可以获得判别分值，当样本的分辨率逐渐下降时判别分值会随之下降，样本的分辨率和对应的分值形成一条渐变线，由能表达渐变线的参数组成参数特征，训练行人分类器；在测试阶段对待检测区域提取相应的参数特征后输入训练阶段所得分类器进行判断待检测区域是否包含行人。本发明应用在行人检测领域中可以取得很好的效果。