建站
咨詢
售后
建站咨詢
新聞中心
一、概述
近年來，隨著硬件成本的下降和電力、通信等基礎(chǔ)設(shè)施逐步完善以及城鎮(zhèn)化水平顯著提高，越來越多的監(jiān)控?cái)z像頭被部署在公共場所以及家庭中，中國監(jiān)控?cái)z像頭行業(yè)市場規(guī)模逐年增長。據(jù)統(tǒng)計(jì)，2022年中國攝像頭市場規(guī)模已達(dá)211億元，預(yù)計(jì)到2024年市場規(guī)模將達(dá)到244.1億元。經(jīng)由這個龐大的監(jiān)控網(wǎng)絡(luò)，每天有大量的視頻數(shù)據(jù)在被產(chǎn)生，一個中等規(guī)模的城市, 僅一天就能產(chǎn)生PB級數(shù)據(jù)量的視頻[1]。隨著計(jì)算機(jī)視覺（Computer Vision，CV）技術(shù)和深度學(xué)習(xí)算法的快速發(fā)展，從這些存在著千絲萬縷時空關(guān)聯(lián)、包含了數(shù)以億計(jì)有效信息的海量監(jiān)控視頻數(shù)據(jù)中高效、自動的識別提取有用信息，是視頻安防領(lǐng)域從“拍下來”到“認(rèn)出來”的智能化轉(zhuǎn)變。
創(chuàng)新互聯(lián)長期為近1000家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對不同對象提供差異化的產(chǎn)品和服務(wù)；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為武宣企業(yè)提供專業(yè)的成都網(wǎng)站制作、成都網(wǎng)站建設(shè)、外貿(mào)營銷網(wǎng)站建設(shè)，武宣網(wǎng)站改版等技術(shù)服務(wù)。擁有十多年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開發(fā)。
對監(jiān)控視頻的運(yùn)用，從人工盯監(jiān)控階段到智能化視頻分析階段一以貫之的一個重要任務(wù)就是辨識人員的身份。在安防智能化大力推行的今天，通過對監(jiān)控視頻內(nèi)容關(guān)聯(lián)分析，確定重點(diǎn)關(guān)注人員的身份依然是重中之重的任務(wù)，不論在學(xué)術(shù)研究領(lǐng)域還是在工業(yè)應(yīng)用領(lǐng)域，都是計(jì)算機(jī)視覺研究的熱點(diǎn)。除了較為成熟的人臉識別技術(shù)外，還包含步態(tài)識別技術(shù)、人員重識別技術(shù)、虹膜識別技術(shù)與跨模態(tài)行人檢測等新興技術(shù)。本文主要介紹幾種以視頻為輸入數(shù)據(jù)源的人員身份識別技術(shù)，同時給出了一些對應(yīng)的應(yīng)用場景，并在最后對基于視頻的人員識別技術(shù)存在問題進(jìn)行回溯及未來應(yīng)用進(jìn)行展望。
二、基于視頻的人員身份識別技術(shù)主要包含方向
2.1 基于視頻流的步態(tài)識別技術(shù)
步態(tài)識別技術(shù)是一種通過挖掘人行走方式中的特征來鑒定人員身份的技術(shù)，與人臉識別技術(shù)、虹膜識別技術(shù)、指紋識別技術(shù)等其他依靠生物特征識別人員的方法相比，步態(tài)識別技術(shù)不需要近距離采集受識別者，對攝像頭的放置高度、視角以及獲取到視頻的清晰度具有更高寬容度，因此，在采集過程中更加隱蔽不易察覺，不需要受識別者進(jìn)行主動配合。此外，相比于人臉識別技術(shù)容易通過口罩遮擋、使用偽裝圖片等方式混淆識別結(jié)果，步態(tài)難以偽裝隱藏，并且每個人具有獨(dú)特性，在身份識別領(lǐng)域具有獨(dú)特優(yōu)勢。目前提出的步態(tài)識別方法基本分為基于外觀（Appearance-Based）和基于模型（Model-based）的兩種方法。
圖 1基于外觀的步態(tài)識別方法示意圖
2.1.1 基于外觀的方法
該方法通過對原始視頻幀進(jìn)行分割，得到消除了外部因素后的人體輪廓圖像，再利用卷積神經(jīng)網(wǎng)絡(luò)提取時空特征，又可分為基于特征模板的方法和基于序列的方法。
（1）基于特征模板的方法目前主要有：
-GEI-NET [2]：直接訓(xùn)練CNN分類器，在最后一層提取步態(tài)特征，結(jié)構(gòu)簡單易于實(shí)現(xiàn)，運(yùn)行速度快常用做baseline；
-Gait Net：分別在兩個CNN網(wǎng)絡(luò)中進(jìn)行分割和分類，并對兩個CNN聯(lián)合學(xué)習(xí)建模，使分割結(jié)果更適用于識別，原始的視頻數(shù)據(jù)在分割后得到步態(tài)輪廓，合成步態(tài)模板最終學(xué)習(xí)到步態(tài)特征；
-GaitGAN：以GAN模型生成側(cè)視圖，解決任意視角問題；
-GEI-GAN：用GAN解決步態(tài)周期不完整問題，重建出完整的步態(tài)能量圖，解決遮擋問題。
（2）基于序列的方法目前主要有：
-GaitSet[3]網(wǎng)絡(luò)：不再使用GEI步態(tài)能量圖，將步態(tài)剪影序列看作圖像集并從中進(jìn)行學(xué)習(xí)，在多個公開跨視角數(shù)據(jù)集中測試出較好性能，如圖2所示；
-GaitPart[4]：對視頻序列進(jìn)行處理，分別利用幀級部分特征提取器FPFE以及微小運(yùn)動捕獲器MCM來獲取短程時間特征，具有結(jié)構(gòu)簡單、性能優(yōu)異、速度快、易實(shí)現(xiàn)的特點(diǎn)；
-Gait Lateral Network：設(shè)計(jì)了一個壓縮模塊，顯著減少步態(tài)表示尺寸，并保證檢測結(jié)果準(zhǔn)確性；
-MT3D：將3D-CNN應(yīng)用于小時間尺寸和大空間尺度來提取時空信息，對幀進(jìn)行池化，具有高效率的特點(diǎn)。
圖 2 GaitSet特征提取示意圖
2.1.2 基于模型的方法
該方法是通過研究骨架的基本結(jié)構(gòu)，從視頻中提取骨架結(jié)構(gòu)進(jìn)行位姿估計(jì)，進(jìn)而提取步態(tài)特征，目前主要有Pose Gait、Gait Graph等，相比于基于外觀的方法具有更好的性能。但是基于輪廓的方法在保留身體形狀時無法處理身體重疊區(qū)域的遮蔽問題，并且容易收到服裝變換的影響。而基于模型的方法雖然能夠保留內(nèi)部結(jié)構(gòu)信息屏蔽遮擋問題，但因?yàn)橥耆雎暂喞獣?dǎo)致性能不佳，因此，目前有學(xué)者在進(jìn)行兩種數(shù)據(jù)模態(tài)的聯(lián)合訓(xùn)練，以進(jìn)一步提升步態(tài)識別效果。在進(jìn)行多模數(shù)據(jù)融合時，如果只是簡單的進(jìn)行信息鏈接，無法有效捕獲更細(xì)粒度的空間信息，也無法對兩種模態(tài)的時間信息進(jìn)行充分利用，
近年來步態(tài)識別解決方案逐步從傳統(tǒng)的非深度學(xué)習(xí)方法向深度學(xué)習(xí)方法轉(zhuǎn)變，但目前基于視頻的步態(tài)識別算法仍存在容易受到跨視角、著裝變化、外物遮擋、攜帶物品等因素的干擾等問題，檢測算法魯棒性有待提升。
2.2 基于視頻流的人員重識別技術(shù)
在實(shí)際應(yīng)用場景中經(jīng)常會出現(xiàn)如下需求：某一特定人員通過了多個監(jiān)控區(qū)域，且視域互不重疊，需要人工在各個監(jiān)控視角中尋找該人員的身影并串聯(lián)出他的行進(jìn)路線。在機(jī)器視覺領(lǐng)域，對這種可以銜接目標(biāo)對象在不同監(jiān)控區(qū)域內(nèi)運(yùn)動軌跡，實(shí)現(xiàn)跨時間、跨地點(diǎn)和跨設(shè)備的行人跟蹤的自動化行人檢索技術(shù)稱為行人重識別技術(shù)（person re-identification，Re-ID）。行人重識別自2006年首次在國際計(jì)算機(jī)視覺與模式會議中提出后，得到了快速的發(fā)展和大量的關(guān)注，逐漸形成日趨成熟的模型框架和算法。在視頻安全領(lǐng)域，在大規(guī)模的視頻監(jiān)控系統(tǒng)中應(yīng)用該技術(shù)，能夠有效彌補(bǔ)攝像頭視覺局限，提高人員識別的檢測效率以及準(zhǔn)確性，具有重要應(yīng)用價(jià)值。
早期人員重識別主要基于傳統(tǒng)計(jì)算機(jī)視覺方法，需要手工提取圖像特征后再進(jìn)行匹配，隨著深度學(xué)習(xí)技術(shù)的突飛猛進(jìn)，研究者也將深度學(xué)習(xí)的方法引入人員重識別領(lǐng)域。首先，根據(jù)行人特征提取方法從檢索圖片/視頻庫中提取特征; 隨后，針對提取的特征利用相似性判別模型進(jìn)行訓(xùn)練, 獲得能夠描述和區(qū)分不同行人的特征表達(dá)向量, 度量計(jì)算特征表達(dá)向量之間的相似性; 最后，根據(jù)相似性大小對圖像進(jìn)行排序, 將相似度最高的圖像作為最終的識別結(jié)果。
在實(shí)際實(shí)驗(yàn)中，特征提取階段會因?yàn)椴杉降娜藛T視頻數(shù)據(jù)存在遮擋、部位不對齊以及姿態(tài)差異等問題，導(dǎo)致直接提取圖像的全局特征并不能達(dá)到最好的識別精度。這也反映了人員重識別研究中，由于數(shù)據(jù)可能會來自于不同位置、不同品牌的攝像頭，因而成像畫質(zhì)、人物背景都存在較大差異，并且數(shù)據(jù)中人員的外觀還易受遮擋、穿著、視角、光照和姿態(tài)等多種因素的影響[5]。因此人員重識別技術(shù)還可以劃分為關(guān)注不同問題點(diǎn)的研究方向：多源數(shù)據(jù)人員重識別、換裝人員重識別、小股人員重識別等。
2.2.1 多源數(shù)據(jù)行人重識別
多源數(shù)據(jù)行人員重識別主要針對每類數(shù)據(jù)使用一個特定于該類型的網(wǎng)絡(luò)來提取或構(gòu)造特定信息并映射到同一個表達(dá)空間，然后利用共享網(wǎng)絡(luò)在共享表達(dá)空間中生成特征，這個通用的重識別網(wǎng)絡(luò)通過中心損失、三重?fù)p失等損失函數(shù)進(jìn)行訓(xùn)練并與普通網(wǎng)絡(luò)相連，實(shí)現(xiàn)跨數(shù)據(jù)類型的人員重識別。
多源數(shù)據(jù)一般分為下列幾種：
-使用不同的相機(jī)規(guī)格和設(shè)置，如高分辨率與低分辨率圖像；
-使用不同的拍攝設(shè)備，如可見光與紅外攝像機(jī)、可見光與深度傳感器；
-根據(jù)歷史文檔記錄或?qū)π腥说拿枋霁@得的文本信息；
-由專家或者數(shù)字傳感器自動獲得的圖像，如刑偵系統(tǒng)使用的素描與數(shù)字照片。
2.2.2 換裝行人重識別
換裝人員重識別技術(shù)主要通過提取出對著裝、視角和光照等因素具有魯棒性的身份判別特征用作相似性度量。該方向的研究近幾年蓬勃發(fā)展，涌現(xiàn)了大量大規(guī)模數(shù)據(jù)集及研究方法。換裝人員重識別技術(shù)根據(jù)數(shù)據(jù)采集樣本可分為基于非視覺傳感器的方法和基于視覺相機(jī)的方法。其中，基于非視覺傳感器的方法主要包含使用深度相機(jī)或射頻裝置；基于視覺相機(jī)的方法主要采用監(jiān)控?cái)z像頭采集RGB圖像或視頻，再從中學(xué)習(xí)判別特征。主要分類情況如圖3所示。
本文主要討論基于視覺相機(jī)的方法，可分為：
-基于顯式特征構(gòu)建或?qū)W習(xí)的方法：對人的人臉、輪廓、體型等具有唯一性的生物特征構(gòu)建輪廓模型或輪廓特征約束，從輪廓中提取身份判別信息[6]；
-基于解耦特征的方法[7]：從人員特征中去除著裝顏色、紋理等身份無關(guān)特性以提高性能，通?？捎申P(guān)節(jié)信息、服裝模板等作為控制條件引導(dǎo)特征分離，或者基于生成對抗網(wǎng)絡(luò)進(jìn)行特征解耦；
-隱式數(shù)據(jù)驅(qū)動的自適應(yīng)學(xué)習(xí)方法：數(shù)據(jù)驅(qū)動學(xué)習(xí)模型能夠自適應(yīng)類內(nèi)樣本間的差異，利于分類的判別行性特征，但對數(shù)據(jù)依賴嚴(yán)重，可解釋性差。
圖 3 換裝行人重識別方法分類示意圖
2.2.3 小股人員重識別
小股人員重識別結(jié)合人類的社會屬性和群居屬性，對研究對象數(shù)目進(jìn)行擴(kuò)展，將小規(guī)模人群作為重識別目標(biāo)的任務(wù)，可以檢測團(tuán)伙作案等違法行為。同時，利用小股人員重識別技術(shù)，可以在單個人員被遮擋表觀特征不可靠時，將與其同行的其他人員的表觀特征作為檢索的線索，提高人員重識別在遮擋等復(fù)雜條件下的魯棒性和判別性。因此，除了傳統(tǒng)人員識別需要面對的問題，小股人員重識別還需要解決由群組人數(shù)變化和群組人員位置變化引起的群組結(jié)構(gòu)變化。
小股行人重識別的算法在數(shù)據(jù)類型上可分為基于靜態(tài)圖像的方法[8]和基于視頻序列的方法；在標(biāo)簽策略上可分為有監(jiān)督、弱監(jiān)督和無監(jiān)督的方法；在模型策略上可分為基于數(shù)據(jù)增強(qiáng)、基于特征提取和基于度量學(xué)習(xí)的方法，如圖4所示?；谔卣魈崛〉姆椒ㄓ挚杉?xì)分為基于手工特征的方法和基于深度學(xué)習(xí)的方法。
各類方法的核心目的都是對群組結(jié)構(gòu)的建模與描述，早期的手工特征描述子從全圖提取群組特征；后續(xù)引入深度學(xué)習(xí)技術(shù)基于卷積神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)的方法從特征層面先構(gòu)造單人特征，并進(jìn)一步在基礎(chǔ)上構(gòu)造群組特征；再后來，基于自注意力模型的方法也是沿襲該研究思路并加以改進(jìn)。但目前并沒有在各種深度學(xué)習(xí)的方法中形成完全統(tǒng)一的處理框架。一般而言，基于生成對抗網(wǎng)絡(luò)的方法通常用于模型離線訓(xùn)練的數(shù)據(jù)增強(qiáng)階段；基于度量學(xué)習(xí)的方法傾向于僅在訓(xùn)練時使用。在實(shí)際工程應(yīng)用中，一般傾向于使用特征提取的網(wǎng)絡(luò)模型，并且選擇提取特征維度短、依賴額外先驗(yàn)少、檢索速度快的深度模型。
圖 4 小股人群重識別分類示意圖
人員重識別技術(shù)作為一種跨鏡頭視頻閾的任務(wù)，用于采集視頻的攝像頭數(shù)量龐大品類繁雜，同一人員在不同場景、不同角度、不同光照條件、不同著裝、是否存在遮擋等問題下都會呈現(xiàn)出較大的圖像差異，相信隨著對這些細(xì)分領(lǐng)域子問題解決方案的逐步優(yōu)化，人員重識別技術(shù)可用于跨街區(qū)追蹤人員、挖掘反復(fù)出現(xiàn)可疑人員等場景，將有力推動視頻安全領(lǐng)域更上一個臺階。
2.3 基于視頻的虹膜識別技術(shù)
人眼中黑色瞳孔和白色鞏膜之間的環(huán)狀部分稱為虹膜，其包含有很多相互交錯的斑點(diǎn)、細(xì)絲、冠狀、條紋、隱窩等細(xì)節(jié)特征，且不隨年歲增長而變化。相比于其他的生物特征模態(tài)，虹膜具有獨(dú)特性、穩(wěn)定性和非接觸性三個特點(diǎn)，因此虹膜識別技術(shù)相比于別的生物特征技術(shù)具有更高的識別精度。與近年來已經(jīng)得到大規(guī)模應(yīng)用的人臉識別技術(shù)相比，雖然都屬于依靠生物信息進(jìn)行識別，但在底層識別原理上還是存在較大不同。人臉識別技術(shù)提取眼睛、鼻子、嘴巴等面部器官的幾何特征以及皮膚紋理顏色等信息，但上述特征容易隨著年齡增長、身體狀況變化而改變，同時也容易被刻意變造偽裝容顏的方法干擾；而虹膜具有復(fù)雜紋路，自嬰兒期發(fā)育穩(wěn)定后就不再變化，雖然在應(yīng)用便捷度和硬件成本上較高于人臉識別，但對具有更高安全需求的場景可提供更準(zhǔn)確的人員識別結(jié)果。
算法上，分為采集、預(yù)處理、模式識別三個環(huán)節(jié)。在虹膜圖像采集環(huán)節(jié)，傳統(tǒng)方法是使用近距離圖像采集，隨著技術(shù)發(fā)展，利用光場成像進(jìn)行遠(yuǎn)距離虹膜采集的技術(shù)已經(jīng)成為主流。圖像預(yù)處理環(huán)節(jié)，需要進(jìn)行虹膜檢測、活體檢測、質(zhì)量評估、分割、定位等常規(guī)流程，同時也需要對處理后的虹膜圖像進(jìn)行獨(dú)特的歸一化和圖像增強(qiáng)來將環(huán)狀虹膜區(qū)域展開成標(biāo)準(zhǔn)矩形紋理。模式識別在全流程中是最能夠?qū)ψ罱K識別結(jié)果產(chǎn)生影響的關(guān)鍵環(huán)節(jié)。
Daugma利用多尺度的 Gabor濾波器來獲得相位相關(guān)的編碼，并通過漢明距離有效地度量了兩個樣本之間的相似性；Wildes利用Laplacian塔式分解在多個尺度上進(jìn)行對比，實(shí)現(xiàn)了圖像對間的身份驗(yàn)證；Boles利用小波變換來將虹膜的環(huán)狀一維采樣結(jié)果進(jìn)行處理，實(shí)現(xiàn)了特征提取和匹配功能。為提高遠(yuǎn)距離非限制場景下識別效率，可引入其他生物特征進(jìn)行輔助認(rèn)證，每種生物特征根據(jù)其自身特點(diǎn)都會在具體的場景中具備獨(dú)特優(yōu)劣勢，根據(jù)實(shí)際場景選擇合適的模態(tài)及融合方式，如利用虹膜和眼周的眼瞼、睫毛、瞳孔等生物特征信息豐富的部位相結(jié)合[9]，提取特征信息，可以使識別可靠性和穩(wěn)定性得到提高。
2.4 跨模態(tài)行人檢測技術(shù)
在人員的識別任務(wù)中，行人檢測是重要的前置任務(wù)，使用深度學(xué)習(xí)方法進(jìn)行行人檢測已經(jīng)成為主流方案并且取得了較大進(jìn)展，在該方向的研究熱點(diǎn)發(fā)展時間軸整理如圖5所示。但僅依靠可見光視頻圖像作為處理數(shù)據(jù)源，在遇到低照度、惡劣天氣等情況時，很難從可見光圖像中分辨出行人輪廓，限制了應(yīng)用場景，此時引入一種新的模態(tài)可有效提升檢測效果。
目前研究較多的跨模態(tài)組合方式有可見光+深度圖、可見光+雷達(dá)圖以及可見光+紅外圖，其中雷達(dá)點(diǎn)云圖的細(xì)粒度不足以把人的輪廓精細(xì)的提取處理出來，深度圖像可提供行人輪廓但同樣不夠精準(zhǔn)，而紅外熱像儀成像原理是采集物體與絕對零度溫之差，人與周圍環(huán)境有清晰的輪廓線，因此將紅外熱像圖與可見光圖像相結(jié)合，可以有效地解決在低照度或雨雪等惡劣天氣場景中識別率低的問題。
圖 5 跨模態(tài)人員識別研究熱點(diǎn)時間軸
早期處理雙模態(tài)圖像數(shù)據(jù)融合的方法主要有基于輪廓的融合方法、基于聯(lián)合雙邊濾波器的融合方法和基于黎曼流形[10]的融合方法。隨著深度學(xué)習(xí)算法的快速發(fā)展成熟，自2016年后跨模態(tài)的行人檢測任務(wù)都是基于CNN模型進(jìn)行改進(jìn)研究。檢測的基本流程為，將可見光-紅外熱像圖像對輸入，產(chǎn)生行人候選框，候選框分類與回歸，后處理階段極大值抑制，輸出檢測結(jié)果。在不同的檢測方法中，融合操作可處于不同的階段，具體分為圖像階段進(jìn)行融合、特征階段進(jìn)行融合、決策階段進(jìn)行檢測結(jié)果融合。
近年來對于跨模態(tài)行人檢測的研究主要分為對模態(tài)差異大問題的研究和實(shí)際應(yīng)用難問題的研究?；谀B(tài)差異大問題的研究又可分為基于圖像未對準(zhǔn)為題的研究（兩種模態(tài)圖像存在位置偏移問題）、基于融合不充分問題的研究（何時融合，如何融合）?；趯?shí)際應(yīng)用難問題的研究可分為基于標(biāo)準(zhǔn)成本問題的研究（引入自動標(biāo)注等方法建立場景多、全天候的數(shù)據(jù)集）、基于硬件成本問題的研究、基于實(shí)時檢測問題的研究。隨著對上述細(xì)分領(lǐng)域研究的不斷推進(jìn)，跨模態(tài)人員識別算法在精度上已測試出了相對優(yōu)異的性能，但在人員密集地區(qū)存在嚴(yán)重遮擋條件下、小目標(biāo)行人檢測、檢測實(shí)時性等方面還存在較大提升空間，也是未來研究持續(xù)發(fā)力的方向。
三、結(jié)語
視頻智能分析技術(shù)是保障場所安全的重要手段，在監(jiān)控設(shè)備部署規(guī)模日臻完善、網(wǎng)絡(luò)傳輸能力極大提升、算力水平成倍增長、基于各種框架的深度學(xué)習(xí)算法百花齊放的今天，視頻分析技術(shù)在實(shí)際工程中的應(yīng)用迎來了全新機(jī)遇。場所安全中，對于人員我們關(guān)心他是誰、于何時、在何地、做了什么，基于這些基本屬性，我們可以結(jié)合場所規(guī)則的數(shù)據(jù)化解讀進(jìn)一步分析判斷是否存在安全威脅。因此人員識別可以說是視頻智能分析在安全領(lǐng)域中最核心最基礎(chǔ)的應(yīng)用。本文就人員識別中的步態(tài)識別、人員重識別、虹膜識別、跨模態(tài)融合識別進(jìn)行了簡單介紹和討論，相信隨著算法的逐漸優(yōu)化和大模型等新興技術(shù)的引入，對遮擋、偽裝、換裝、低照度場景、雨雪惡劣天氣等主觀、客觀制造人員識別難度的場景會有更快速高準(zhǔn)確率的解決方案。
參考文獻(xiàn)
[1] 中國公共安全, 高.J.: ‘視頻結(jié)構(gòu)化技術(shù)視頻數(shù)據(jù)的"賦能者"’, 2018, (5), pp. 4
[2] Shiraga, K., Makihara, Y., Muramatsu, D., Echigo, T., and Yagi, Y.J.I.: ‘GEINet: View-invariant gait recognition using a convolutional neural network’, 2016
[3] Zhang, Z., Tran, L., Yin, X., Atoum, Y., and Wang, N.J.I.: ‘Gait Recognition via Disentangled Representation Learning’, 2019
[4] Fan, C., Peng, Y., Cao, C., Liu, X., and He, Z.J.I.: ‘GaitPart: Temporal Part-Based Model for Gait Recognition’, 2020
[5] 羅浩, 姜偉, 范星, and 自動化學(xué)報(bào), 張.J.: ‘基于深度學(xué)習(xí)的行人重識別研究進(jìn)展’, 2019, 45, (11), pp. 18
[6] Hong, P., Wu, T., Wu, A., Han, X., and Zheng, W.S.J.I.: ‘Fine-Grained Shape-Appearance Mutual Learning for Cloth-Changing Person Re-Identification’, 2021
[7] Jia, X., Zhong, X., Ye, M., Liu, W., Huang, W., and Zhao, S.: ‘Patching Your Clothes: Semantic-Aware Learning for Cloth-Changed Person Re-Identification’, in Editor (Ed.)^(Eds.): ‘Book Patching Your Clothes: Semantic-Aware Learning for Cloth-Changed Person Re-Identification’ (2022, edn.), pp.
[8] Chen, L., Yang, H., Xu, Q., and Gao, Z.J.N.: ‘Harmonious attention network for person re-identification via complementarity between groups and individuals’, 2020
[9] Algashaam, F., Nguyen, K., Banks, J., Chandran, V., Do, T.A., Alkanhal, M.J.M.V., and Applications: ‘Hierarchical fusion network for periocular and iris by neural network approximation and sparse autoencoder’, 2021, 32, (1), pp. 1-10
[10] San-Biagio, M., Crocco, M., Cristani, M., Martelli, S., and Murino, V.: ‘Low-level multimodal integration on Riemannian manifolds for automatic pedestrian detection’, in Editor (Ed.)^(Eds.): ‘Book Low-level multimodal integration on Riemannian manifolds for automatic pedestrian detection’ (2012, edn.), pp.
本文名稱：視頻分析技術(shù)在人員身份識別任務(wù)中的應(yīng)用
文章路徑：http://m.fisionsoft.com.cn/article/djgescg.html
