新葡京娱乐场-大陆娱乐场开户注册

一、行人再識(shí)別研究研究背景：行人再識(shí)別（Person Re-Identification，簡稱 Re-ID）研究跨視域跨攝像頭情況下對(duì)行人進(jìn)行連續(xù)跟蹤，是目前計(jì)算機(jī)視覺研究的熱門方向，在智能安防領(lǐng)域有巨大的市場和廣闊的發(fā)展前景。研究成果：基于特征級(jí)有監(jiān)督背景消除的行人再識(shí)別方法、基于激活引導(dǎo)屬性分類模型（AGAC）的行人再識(shí)別方法。二、面向智能終端的隱式身份認(rèn)證不同用戶的觸摸智能手機(jī)的習(xí)慣具有獨(dú)特性，不易被模仿。利用用戶觸摸智能手機(jī)的習(xí)慣作為生物識(shí)別符，“隱形地” 完成對(duì)用戶身份的合法性認(rèn)證。三、利用雙通道建模的鬼影抑制算法研究背景：檢測中的鬼影經(jīng)常造成誤檢測，該算法可以抑制在檢測時(shí)產(chǎn)生鬼影

高校科技成果盡在科轉(zhuǎn)云

本發(fā)明公開了一種基于協(xié)同尺度學(xué)習(xí)的行人重識(shí)別方法，屬于監(jiān)控視頻檢索技術(shù)領(lǐng)域。本發(fā)明首先 根據(jù)已標(biāo)注訓(xùn)練樣本集 L 中圖像的顏色和紋理特征，進(jìn)行尺度學(xué)習(xí)得到相應(yīng)馬氏距離中的協(xié)方差矩陣 Mc 和 Mt;隨機(jī)選擇查詢對(duì)象使用 Mc 和 Mt 進(jìn)行馬氏距離度量，得到相應(yīng)排序結(jié)果，從中取得正樣本 和負(fù)樣本生成新的已標(biāo)注訓(xùn)練樣本集 L，更新 Mc 和 Mt，直到未標(biāo)注訓(xùn)練樣本集 U 為空，得到最終的 標(biāo)注樣本集 L*，并融合顏色和紋理特征得到 Mf，就可以使用基于 Mf 的馬氏距離函數(shù)進(jìn)行行人重識(shí)別。 本發(fā)明在半監(jiān)督框架下研究基于尺度學(xué)習(xí)的行人重識(shí)別技術(shù)，通過未標(biāo)注樣本輔助標(biāo)注樣本進(jìn)行尺度學(xué) 習(xí)，符合實(shí)際視頻偵查應(yīng)用標(biāo)注訓(xùn)練樣本難以獲取的要求，能有效提升少標(biāo)注樣本下的重識(shí)別性能。

本發(fā)明屬于視頻圖像數(shù)據(jù)處理領(lǐng)域，公開了一種監(jiān)控視頻行人檢測匹配方法，包括視頻行人目標(biāo)檢測步驟；幀間同目標(biāo)關(guān)聯(lián)步驟；目標(biāo)序列及待匹配目標(biāo)特征提取步驟；特征相似度計(jì)算步驟和目標(biāo)匹配判別步驟。由于相鄰幀間行人目標(biāo)不會(huì)有太大的位移，本發(fā)明使用被檢測出的行人的位置信息對(duì)序列連續(xù)幀中的同一目標(biāo)進(jìn)行關(guān)聯(lián)得到目標(biāo)序列；目標(biāo)序列特征提取的方法一是提取目標(biāo)序列多幀的灰度直方圖特征，一是目標(biāo)序列的 PCA 模板，由于都采用了多幀的信息，相

一種基于顯著區(qū)域的行人檢測方法及系統(tǒng)，搜集包含行人的正樣本及不包含行人的負(fù)樣本的數(shù)據(jù)集， 將歸一化正樣本和負(fù)樣本為預(yù)設(shè)尺寸，然后分別從各正樣本和負(fù)樣本中提取協(xié)方差矩陣特征作為訓(xùn)練數(shù) 據(jù)，構(gòu)成級(jí)聯(lián)分類器；對(duì)于輸入圖像提取有效區(qū)域，進(jìn)行先驗(yàn)概率的分析，對(duì)各有效區(qū)域提取協(xié)方差矩 陣特征，將所得結(jié)果輸入分類器進(jìn)行行人檢測，得到有效區(qū)域是否為包含行人的局部區(qū)域，根據(jù)貝葉斯 分布由統(tǒng)計(jì)學(xué)推導(dǎo)出最優(yōu)結(jié)果。 

（1）主要功能和應(yīng)用領(lǐng)域 項(xiàng)目是北京市交通運(yùn)行監(jiān)測調(diào)度中心牽頭多家合作單位共同承擔(dān)的交通運(yùn)輸部信息化技術(shù)研究項(xiàng)目，應(yīng)用于交通領(lǐng)域。旨在分析重點(diǎn)區(qū)域行人導(dǎo)引需求，研發(fā)區(qū)域行人交互式導(dǎo)引服務(wù)技術(shù)，在樞紐內(nèi)行人可能面臨決策的關(guān)鍵位置，設(shè)置信息導(dǎo)引點(diǎn)，通過智能終端實(shí)現(xiàn)定制化、交互式行人導(dǎo)引服務(wù)。研發(fā)用于行人定位導(dǎo)引的導(dǎo)引點(diǎn)設(shè)備、WiFi設(shè)備，并進(jìn)行定制加工，在大型交通換乘樞紐開展測試驗(yàn)證和示范應(yīng)用，提高導(dǎo)引服務(wù)的實(shí)時(shí)性和精準(zhǔn)化水平。研究面向復(fù)合目標(biāo)優(yōu)化的一體化出行智能決策支持技術(shù)，實(shí)現(xiàn)面向出行鏈的多方式無縫銜接和動(dòng)態(tài)誘導(dǎo)。 （2）特色及先進(jìn)性 在重點(diǎn)區(qū)域內(nèi)為行人提供實(shí)時(shí)交互式導(dǎo)引信息服務(wù)。設(shè)計(jì)了室內(nèi)高精度定位算法，提出了基于方向的室內(nèi)路由導(dǎo)引策略。研發(fā)了基于智能終端的室內(nèi)導(dǎo)引App和樞紐監(jiān)控系統(tǒng)。可以為用戶提供基于目的地、無目的地、多目的地的定位和導(dǎo)引服務(wù)。 申請(qǐng)專利2項(xiàng)。 （3）技術(shù)指標(biāo) 導(dǎo)引信息獲取時(shí)間不超過2秒； 導(dǎo)引差錯(cuò)率小于千分之一，定位精準(zhǔn)度受環(huán)境影響帶來的誤差降低20%以上； 建立支持WiFi、蜂窩網(wǎng)等2種以上的無線技術(shù)接口的精準(zhǔn)定位技術(shù)試驗(yàn)網(wǎng)絡(luò)； 可實(shí)現(xiàn)行人在樞紐走行的全過程連續(xù)導(dǎo)引。 （4）解決問題與實(shí)施效果 項(xiàng)目應(yīng)用在大型交通樞紐(如機(jī)場、火車站等)內(nèi)實(shí)現(xiàn)旅客導(dǎo)引服務(wù)，也可以擴(kuò)展到其他室內(nèi)區(qū)域的導(dǎo)引服務(wù)，如大型商場、旅游景區(qū)、隧道、礦井等。可以克服GPS無法在室內(nèi)提供導(dǎo)航服務(wù)的問題，與GPS導(dǎo)航結(jié)合，可以實(shí)現(xiàn)任意場地?zé)o縫導(dǎo)引的服務(wù)。

項(xiàng)目是北京市交通運(yùn)行監(jiān)測調(diào)度中心牽頭多家合作單位共同承擔(dān)的交通運(yùn)輸部信息化技術(shù)研究項(xiàng)目，應(yīng)用于交通領(lǐng)域。旨在分析重點(diǎn)區(qū)域行人導(dǎo)引需求，研發(fā)區(qū)域行人交互式導(dǎo)引服務(wù)技術(shù)，在樞紐內(nèi)行人可能面臨決策的關(guān)鍵位置，設(shè)置信息導(dǎo)引點(diǎn)，通過智能終端實(shí)現(xiàn)定制化、交互式行人導(dǎo)引服務(wù)。研發(fā)用于行人定位導(dǎo)引的導(dǎo)引點(diǎn)設(shè)備、WiFi設(shè)備，并進(jìn)行定制加工，在大型交通換乘樞紐開展測試驗(yàn)證和示范應(yīng)用，提高導(dǎo)引服務(wù)的實(shí)時(shí)性和精準(zhǔn)化水平。研究面向復(fù)合目標(biāo)優(yōu)化的一體化出行智能決策支持技術(shù)，實(shí)現(xiàn)面向出行鏈的多方式無縫銜接和動(dòng)態(tài)誘導(dǎo)。

本發(fā)明公開了一種行人重識(shí)別的度量學(xué)習(xí)方法和系統(tǒng)，其中方法的實(shí)現(xiàn)包括：收集兩個(gè)攝像頭下行人目標(biāo)的特征向量，建立正樣本對(duì)特征向量集合和負(fù)樣本對(duì)特征向量集合，計(jì)算正、負(fù)樣本對(duì)特征向量的距離，對(duì)正樣本對(duì)特征向量進(jìn)行單閾值約束，對(duì)負(fù)樣本對(duì)特征向量采用雙閾值進(jìn)行約束，在正、負(fù)樣本對(duì)特征向量的距離約束條件下建立基于度量矩陣的損失函數(shù)，以損失函數(shù)值最小為目標(biāo)迭代更新度量矩陣，這種方法可以有效的減輕圖像背景、噪聲等無關(guān)變量對(duì)矩陣

一種基于顯著直方圖特征的行人檢測方法及系統(tǒng)，訓(xùn)練階段包括首先分別將樣本數(shù)據(jù)集中每個(gè)正樣 本或負(fù)樣本歸一化為預(yù)設(shè)尺寸，然后作為輸入圖像提取特征，根據(jù)所得特征訓(xùn)練分類器;正樣本的圖像 包含行人，負(fù)樣本的圖像不包含行人;測試階段包括對(duì)測試數(shù)據(jù)集中任一測試圖像，首先以測試圖像為 輸入圖像，分別以輸入圖像的每個(gè)像素為中心建立預(yù)設(shè)尺寸的局部區(qū)域，并提取每個(gè)局部區(qū)域的特征， 然后將每個(gè)局部區(qū)域的特征輸入訓(xùn)練階段所得分類器，得到各局部區(qū)域是否包含行人的分類結(jié)果。提取 特征時(shí)，將梯度的幅值和相應(yīng)局部區(qū)域顯著概率值結(jié)合

本發(fā)明公開了一種基于有限混合模型的行人再識(shí)別方法，屬于 計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域，提升行人再識(shí)別的準(zhǔn)確度，包括以下步 驟：(1)構(gòu)建行人圖像庫預(yù)處理圖像并提取圖像特征；(2)計(jì)算圖像庫中 所有圖像的有限混合模型和待再識(shí)別行人的圖像的有限混合模型參 數(shù)；(3)將需再識(shí)別行人的有限混合模型與圖像庫中所有圖像的有限混 合模型之間的距離進(jìn)行最優(yōu)化求解，并進(jìn)行距離排序返回再識(shí)別結(jié)果。 本發(fā)明優(yōu)化混合模型之間的距離度量，提高行人