-
公开(公告)号：CN103793721A
公开(公告)日：2014-05-14
申请号：CN201410076028.3
申请日：2014-03-04
Applicant: 武汉大学
IPC: G06K9/66
Abstract: 本发明提供一种基于区域相关反馈的行人重识别方法及系统，进行初次查询匹配和反馈样本收集，选取不相关图像作为反馈样本并标记类型；确定近邻集合、区域权重调整和特征权重调整；进行特征表达和距离度量，得到查询匹配结果；查询匹配结果，如果符合要求则输出结果，如果不符合要求，则返回进行迭代更新反馈样本，直到符合要求。本发明提出的基于区域相关反馈的技术，是充分了利用行人图像的局部特征信息，从局部特征出发，结合其他信息实时动态地调整局部特征权重，并结合传统行人重识别方法最终实现准确快速地找出并成功匹配目标嫌疑人。
-
公开(公告)号：CN102402784A
公开(公告)日：2012-04-04
申请号：CN201110421817.2
申请日：2011-12-16
Applicant: 武汉大学
IPC: G06T5/50
Abstract: 一种基于最近特征线流形学习的人脸图像超分辨率方法，把人脸图像块样本空间中的样本点两两相连形成特征线，将已有样本点扩充为特征线上的无数多个样本点，从而增强人脸图像块样本空间的表达能力；在扩充之后的样本空间中，利用最近特征线准则来定义样本空间中样本点之间的近邻关系，通过保持高低分辨率图像块样本空间的这种邻域关系，从而正确揭示高低分辨率人脸图像块流形之间的局部相似结构特征；通过保持这种局部相似结构特征，重构输入的低分辨率人脸图像块对应的高分辨率块，融合所有高分辨率块得到高分辨率人脸图像。此外，本发明根据输入的低分辨率图像块，对原始样本空间进行预筛选，再利用上述方法对其分析，大大降低本方法的运算复杂度。
-
公开(公告)号：CN104200206B
公开(公告)日：2017-04-26
申请号：CN201410454857.0
申请日：2014-09-09
Applicant: 武汉大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于双角度排序优化的行人重识别方法，属于监控视频检索技术领域。本发明首先通过基于全局特征和局部特征的方法得到初始的排序结果；然后通过取两者排序结果的前k个结果的交集作为初始查询更可靠的最近邻；再然后对里的每一个目标作为新的查询进行交叉的反向查询，通过加权融合反向查询的排序列表得到整个优化的排序列表；最后再对里的每个去构建一个双层图，计算图的近邻相似性去对进行进一步的重排，进而得到更好的重识别效果。
-
公开(公告)号：CN103325122A
公开(公告)日：2013-09-25
申请号：CN201310277359.9
申请日：2013-07-03
Applicant: 武汉大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于双向排序的行人检索方法，属于监控视频检索技术领域。本发明首先通过行人对象的特征提取和尺度学习对待测行人集进行初始排序；然后，反向查询待测行人集中各行人，并计算待查询行人和待测行人的双向内容相似性和近邻相似性；最后，依据双向内容相似性和近邻相似性重排待测行人集中各待测行人。本发明引入双向匹配的思想，通过内容和近邻相似性重排待测行人，可获得更准确的行人检索结果，且对于环境变化导致的行人外貌变化更鲁棒。
-
公开(公告)号：CN103793702A
公开(公告)日：2014-05-14
申请号：CN201410071721.1
申请日：2014-02-28
Applicant: 武汉大学
Abstract: 本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先根据已标注训练样本集L中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵Mc和Mt；随机选择查询对象使用Mc和Mt进行马氏距离度量，得到相应排序结果，从中取得正样本和负样本生成新的已标注训练样本集L，更新Mc和Mt，直到未标注训练样本集U为空，得到最终的标注样本集L*，并融合颜色和纹理特征得到Mf，就可以使用基于Mf的马氏距离函数进行行人重识别。本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。
-
Patent Agency Ranking
公开(公告)号：CN102402784B
公开(公告)日：2013-07-24
申请号：CN201110421817.2
申请日：2011-12-16
Applicant: 武汉大学
IPC: G06T5/50
Abstract: 一种基于最近特征线流形学习的人脸图像超分辨率方法，把人脸图像块样本空间中的样本点两两相连形成特征线，将已有样本点扩充为特征线上的无数多个样本点，从而增强人脸图像块样本空间的表达能力；在扩充之后的样本空间中，利用最近特征线准则来定义样本空间中样本点之间的近邻关系，通过保持高低分辨率图像块样本空间的这种邻域关系，从而正确揭示高低分辨率人脸图像块流形之间的局部相似结构特征；通过保持这种局部相似结构特征，重构输入的低分辨率人脸图像块对应的高分辨率块，融合所有高分辨率块得到高分辨率人脸图像。此外，本发明根据输入的低分辨率图像块，对原始样本空间进行预筛选，再利用上述方法对其分析，大大降低本方法的运算复杂度。
-
公开(公告)号：CN103793721B
公开(公告)日：2017-05-10
申请号：CN201410076028.3
申请日：2014-03-04
Applicant: 武汉大学
IPC: G06K9/66
Abstract: 本发明提供一种基于区域相关反馈的行人重识别方法及系统，进行初次查询匹配和反馈样本收集，选取不相关图像作为反馈样本并标记类型；确定近邻集合、区域权重调整和特征权重调整；进行特征表达和距离度量，得到查询匹配结果；查询匹配结果，如果符合要求则输出结果，如果不符合要求，则返回进行迭代更新反馈样本，直到符合要求。本发明提出的基于区域相关反馈的技术，是充分了利用行人图像的局部特征信息，从局部特征出发，结合其他信息实时动态地调整局部特征权重，并结合传统行人重识别方法最终实现准确快速地找出并成功匹配目标嫌疑人。
-
公开(公告)号：CN104200206A
公开(公告)日：2014-12-10
申请号：CN201410454857.0
申请日：2014-09-09
Applicant: 武汉大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于双角度排序优化的行人重识别方法，属于监控视频检索技术领域。本发明首先通过基于全局特征和局部特征的方法得到初始的排序结果；然后通过取两者排序结果的前k个结果的交集作为初始查询更可靠的最近邻；再然后对里的每一个目标作为新的查询进行交叉的反向查询，通过加权融合反向查询的排序列表得到整个优化的排序列表；最后再对里的每个去构建一个双层图，计算图的近邻相似性去对进行进一步的重排，进而得到更好的重识别效果。
-
公开(公告)号：CN102646070A
公开(公告)日：2012-08-22
申请号：CN201210048614.8
申请日：2012-02-29
Applicant: 武汉大学
Abstract: 本发明提出一种基于区域的时空轨迹数据存储方法，通过网格区域的存储，将距离较近的点存储在同一个网格区域内，压缩了轨迹的存储空间。本发明还将网格区域的索引存储在轨迹中，提供轨迹的快速检索方式，搜索相似轨迹时，不用与数据库中的所有轨迹匹配，而只需要计算该轨迹与其通过的网格区域中的轨迹的相似度即可，提供了查找匹配效率。
-
公开(公告)号：CN103793702B
公开(公告)日：2017-02-01
申请号：CN201410071721.1
申请日：2014-02-28
Applicant: 武汉大学
Abstract: 本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先根据已标注训练样本集L中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵Mc和Mt；随机选择查询对象使用Mc和Mt进行马氏距离度量，得到相应排序结果，从中取得正样本和负样本生成新的已标注训练样本集L，更新Mc和Mt，直到未标注训练样本集U为空，得到最终的标注样本集L*，并融合颜色和纹理特征得到Mf，就可以使用基于Mf的马氏距离函数进行行人重识别。本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
