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！

龙图腾网获悉集美大学;深圳市赛维网络科技有限公司申请的专利一种基于上下文感知和步态特征的换装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：CN118196827B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202410145581.1，技术领域涉及：G06V40/10；该发明授权一种基于上下文感知和步态特征的换装行人重识别方法是由王宗跃;曾炳辉;刘昭亮;陈智鹏;陈文平设计研发完成，并于2024-02-01向国家知识产权局提交的专利申请。

本一种基于上下文感知和步态特征的换装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，尤其涉及一种基于上下文感知和步态特征的换装行人重识别方法。本方法引入的自适应多尺度特征融合算法提升了在不同服装和环境变化下的人物识别准确率；边缘感知特征强化技术有效地增强了模型对人物轮廓的识别能力，特别是在视觉复杂的背景下；综合步态特征提取框架使得模型能够精准捕捉步态的细微变化，增强了识别的准确性；复合损失函数的创新设计提高了模型的学习效率，并确保了高度的识别稳定性。

本发明授权一种基于上下文感知和步态特征的换装行人重识别方法在权利要求书中公布了：1.一种基于上下文感知和步态特征的换装行人重识别方法，其特征在于，包括： S101：输入原始人物图像； S102：使用深度卷积神经网络提取多尺度特征，其中表示第个尺度的特征图； S103：引入边缘检测器，计算边缘强度图； S104：定义边缘感知特征，其中代表元素级乘法，以增强边缘信息； S105：采用自适应权重融合不同尺度的边缘感知特征，生成融合特征： S106：利用空洞卷积构建一个上下文模块融合特征中提取上下文特征信息，从而获取人物轮廓掩膜； S107：输入一个人物轮廓掩膜，编码器Q首先执行一系列卷积操作来提取低层次和高层次的特征，生成特征图集合，即： 其中，是编码器的参数，是第层的特征图； S108：设计轮廓空间映射器，对于每一个像素点的位置，生成一个二维高斯分布来捕获位置信息，强化轮廓的中心区域，表示为： position 其中，用于控制高斯分布的宽度； S109：特征融合器结合空间映射和特征图集合生成增强的特征图： 其中，是特征融合器的参数； S110：使用动态注意力机制增强特征图的细节信息： 其中，是动态注意力机制的参数； S111：解码器利用增强的特征图预测人物轮廓图，输出为： 其中，是解码器的参数； S112：计算双重融合损失函数，表示为： 其中，是真实的标注结果；是正则化项； S113：输入解码器输出的结果，通过多个卷积层和池化层，提取原始的步态特征，表示为： 其中，代表从结果提取出的原始步态特征向量； S114：采用自注意力机制对每一个位置的特征进行加权，以便捕捉长距离依赖关系，表示为： 其中，是利用自注意力机制加权后的步态特征； S115：对进行非局部操作，实现特征的全局增强，表示为： Gnonlocal＝NonLocalGselfatt S116：使用双向LSTM处理Gnonlocal，捕捉前向和后向的时序信息，表示为： Gtemp＝BiLSTMGnonlocal 其中，包含前后时序信息的步态特征； S117：通过一个全连接层来融合各种特征Graw、Gselfatt、Gnonlocal和，表示为： Gfusion＝FCGraw,Gselfatt,Gnonlocal,Gtemp 其中，是综合步态特征，其结合了原始特征、自注意力加权特征、非局部特征和双向时序特征的信息； S118：定义语义一致性损失和最大均值差异损失； 语义一致性损失用于度量特征之间的均方误差，表示为： 其中，为特征维度的数量，为下文特征的第维，为综合步态特征的第维； 最大均值差异损失用于度量两个特征分布的差异，表示为： 其中，为核函数，用于计算特征之间的相似度； S119：计算语义一致性损失； S120：计算最大均值差异损失； S121：计算综合损失函数，表示为 S122：计算输入图像的综合步态特征和数据库中图像的步态特征的余弦相似度，表示为： 其中，·代表点积，是L2范数； S123：从数据库中选取与余弦相似度最高的步态特征，并记录其标识；基于最高相似度标识，返回对应的人员信息。

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集美大学;深圳市赛维网络科技有限公司，其通讯地址为：361021 福建省厦门市集美区银江路185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。