局部特征引导标签平滑与优化的井下弱特征人员重识别

煤矿井下低照度、强光扰、高粉尘等环境条件,以及井下人员服装的相似性和脸部落煤现象,导致井下弱特征人员重识别困难。现有人员重识别方法仅提取全局特征,未充分考虑局部特征,使得井下人员重识别准确率较低。针对上述问题,提出了一种局部特征引导标签平滑与优化的井下弱特征人员重识别方法。该方法首先通过卷积神经网络提取井下人员图像的全局特征与局部特征;然后利用k最近邻相似性计算全局特征和局部特征的互补性得分,来衡量全局特征和局部特征的相似程度;最后根据特征互补性得分对局部特征进行标签平滑及对全局特征进行标签优化,即动态调整每个局部特征的权重,以改进每个局部特征的标签,并对局部特征的预测结果进行汇总,利用更可靠的信息来完善标签以作为全局特征的标签,从而减少图像噪声并增强特征识别能力。实验结果表明,该方法在公开数据集和包含井下人员图像的自建数据集上的平均精度均值(mAP)、第一匹配正确率(Rank-1)和平均逆置负样本惩罚率(mINP)总体优于主流人员重识别方法,具有良好的泛化性和鲁棒性,能有效实现井下弱特征人员重识别。

基于多模态融合的复杂场景人员重识别

人员重识别(re-identification,ReID)是计算机视觉中的关键任务,具有众多实际应用,如视频监控和人员跟踪。通过对各类应用场景的研究,提出了一种新方法,以解决复杂场景下ReID的挑战,包括遮挡、视角变化和光照条件变化等问题。利用多模态融合技术增强了ReID模型的判别能力,使其在具有挑战性的现实场景中更加稳健,并在基准数据集上进行了广泛的试验。结果表明了所提方法的有效性,实现了更为先进的性能。

井下复杂环境人员重识别研究

对煤矿井下视频监控中的人员身份进行智能识别,对提高人员监管效率、减少安全事故发生具有重要意义。受井下环境复杂、视频监控设备性能局限性影响,井下视频监控图像存在分辨率低、遮挡、背景干扰等问题,导致井下人员间差异性较小,人员重识别准确率低。针对上述问题,提出了一种基于通道注意力和距离度量的网络结构,并将其用于井下复杂环境人员重识别。针对监控图像中人员与背景不易区分的问题,在骨干网络中引入通道注意力模块,使其更加关注人员的前景特征而抑制背景信息,并将骨干网络最后一层输出的特征图大小扩大1倍,以获得更多的细粒度特征,丰富人员的特征信息,增强网络对特征的学习能力;在实现不同身份人员分类的基础上,利用人员图像间的绝对距离信息,通过距离度量模块对难以识别的人员图像进行采样和加权处理,增加难样本在反向传播时的权重,使网络更加关注具有判别力的人员特征;联合使用身份损失和距离度量损失优化特征层,使网络提取出更具判别力的人员特征,从而提高重识别准确度。采用Miner-CUMT数据集对提出的井下复杂环境人员重识别方法进行验证,结果表明该方法可充分利用井下不同身份人员的关键信息,使识别网络具有更强的判别能力,提高了井下作业人员身份识别准确度。

人员重识别算法在智慧车辆段中的应用

为保证人员的出行安全,需要在不同交通场景中对智慧车辆的实际应用情况进行计算。人员重识别算法通过多角度摄像机的监控,从计算机的视觉角度,为智慧车辆在特定场景中构建出人员的重新标识系统,可帮助查询者确定此人是否在同一时间出现在其他地方,对智慧车辆运营系统有非常显著的帮助。基于此,对智慧车辆段中人员重识别算法的实际应用情况进行探析,希望对日益严重的交通问题有改善作用。

基于MK-YOLOV4的矿区人员无标注视频检索方法

对矿区人员入矿、出矿及重要生产活动行为进行精准定位与准确识别是实现矿区智能安全生产的重要基础。针对复杂的矿区生产环境,提出一种基于MK-YOLOV4的矿区人员无标注视频检索方法,实现对矿区重要关口监控无标注视频的多人员目标检测和各人员身份重识别。首先,提出MK-YOLOV4算法,实现无标注视频多人员检测,在YOLOV4上构建多尺度预测,结合K-means++算法聚类生成符合样本特点的anchor box,增强卷积神经网络对小目标的表征学习。其次,提出基于外观不变性的通道注意力特征提取网络,实现矿区人员身份的精确重识别,并针对矿区人员统一工作服的难点,提出基于权重约束的难样本采样损失函数,结合Color jitter和随机擦除两种数据增强策略,提高身份识别网络的精确性和鲁棒性。最后,针对现有训练数据集类别少、场景样本单一等特点,构建了更符合矿区场景特点的Miner-Market矿区人员重识别数据集,并在标准数据集和该数据集上对所提方法进行验证,充分证明了所提方法具有较高的检索性能和识别精度。