买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利遮挡条件下基于块划分姿态辅助对齐的行人重识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116110077B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310089601.3，技术领域涉及：G06V40/10；该发明授权遮挡条件下基于块划分姿态辅助对齐的行人重识别方法是由雒江涛;覃海波设计研发完成，并于2023-02-09向国家知识产权局提交的专利申请。

本遮挡条件下基于块划分姿态辅助对齐的行人重识别方法在说明书摘要公布了：本发明涉及计算机视觉领域，公开了一种遮挡条件下基于块划分姿态辅助对齐的行人重识别方法，包括：S1、获取含有遮挡的行人图像，对含有遮挡的所述行人图像进行预处理；S2、使用深度残差网络，提取出进行预处理后的所述行人图像的高阶特征图；S3、通过自上向下的人体姿态估计器，从预处理后的所述行人图像提取出行人的人体关节点；S4、利用所述有效关键点生成注意力热图；S5、将所述高阶特征图均匀块划分；S6、使用全局‑分区总损失函数对所述初始行人重识别网络模型进行训练；S7、将查询图像、候选图像作为所述行人重识别网络模型的输入，从所述候选图像中检索出与所述查询图像相同身份的候选排序。本发明提高行人重识别精度。

本发明授权遮挡条件下基于块划分姿态辅助对齐的行人重识别方法在权利要求书中公布了：1.一种遮挡条件下基于块划分姿态辅助对齐的行人重识别方法，其特征在于，包括： S1、获取含有遮挡的行人图像，对含有遮挡的所述行人图像进行预处理； S2、使用深度残差网络，提取出进行预处理后的所述行人图像的高阶特征图； S3、通过自上向下的人体姿态估计器，从预处理后的所述行人图像提取出行人的人体关节点，并设置置信度阈值过滤所述人体关节点得到有效关键点； S4、利用所述有效关键点生成注意力热图，并将所述注意力热图映射到所述高阶特征图上，得到未被遮挡的全局特征； S5、将所述高阶特征图均匀块划分，利用所述有效关键点的坐标信息，得到细粒度的关键点分区特征，从而得到初始行人重识别网络模型； S5的具体步骤为： S5.1、将所述高阶特征图按水平和竖直方向进行均匀块划分，得到所述高阶特征图的分区； S5.2、利用S3获取的有效关键点，为所述高阶特征图的每个分区标注块标签和关键点标签； S5.3、对所述高阶特征图的每个分区进行全局平均池化，得到所述高阶特征图的关键点分区特征，并使用卷积层批处理归一化和ReLU将关键点分区特征降维； S6、使用全局-分区总损失函数对所述初始行人重识别网络模型进行训练，得到最终的行人重识别网络模型； S6的具体过程为： S6.1、采用多分类的交叉熵损失函数设计所述初始行人重识别网络模型的全局损失和分区损失； S6.2、根据所述初始行人重识别网络模型的全局损失和分区损失设计所述初始行人重识别网络模型的联合全局-分区总损失： ； 其中，为全局-分区总损失，为分区损失，为全局损失，的范围为，其取值决定全局损失和分区损失函数对总损失函数的贡献权重； 所述分区损失和全局损失分别为： ； ； 其中，为全局特征对应ID的预测值，为关键点分区特征对应的ID预测值，为真实ID，为一个高阶特征图的均匀块划分的数量； 所述多分类的交叉熵损失函数具体为： ； 其中，和分别代表一个批次的数据量和第个目标的真实ID，为第个目标的预测ID，为类别总数； S7、将查询图像、候选图像作为所述行人重识别网络模型的输入，利用深度外观匹配策略，分别计算所述查询图像与候选图像的全局距离、细粒度的关键点分区特征对齐距离，从所述候选图像中检索出与所述查询图像相同身份的候选排序，完成行人重识别任务。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400000 重庆市南岸区南山街道崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。