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！

龙图腾网恭喜南京理工大学申请的专利一种基于局部特征和图卷积的行人重识别方法及系统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：CN114170631B 。

龙图腾网通过国家知识产权局官网在2025-05-02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：202111466902.0，技术领域涉及：G06V40/10；该发明授权一种基于局部特征和图卷积的行人重识别方法及系统是由项欣光;汪子祥;金露设计研发完成，并于2021-12-03向国家知识产权局提交的专利申请。

本一种基于局部特征和图卷积的行人重识别方法及系统在说明书摘要公布了：本发明涉及一种基于局部特征和图卷积的行人重识别方法及系统，所述方法包括如下步骤：获取待识别视频序列的N帧图片；分别对每帧的图片进行分块，并分别对每个图像块的特征进行平均池化处理，得到第一特征矩阵；对所述第一特征矩阵进行空间特征提取，获得空间特征；采用图卷积的方式，对第一特征矩阵进行时间特征提取，获得时间特征；将待识别视频序列的时间特征和空间特征进行拼接，获得所述待识别视频序列的拼接特征；根据拼接特征待识别视频序列中的行人。本发明通过进行分块处理，实现局部特征的区分，采用图卷积关注每个图像块中变化的特征，将时间变化特征和每个局部空间特征进行结合识别，提高了行人重识别的区分度。

本发明授权一种基于局部特征和图卷积的行人重识别方法及系统在权利要求书中公布了：1.一种基于局部特征和图卷积的行人重识别方法，其特征在于，所述方法包括如下步骤：获取待识别视频序列的N帧图片；分别对每帧的图片进行分块，并分别对分块得到的每个图像块的特征进行平均池化处理，得到每个图像块的特征向量，组成第一特征矩阵；对所述第一特征矩阵进行空间特征提取，获得所述待识别视频序列的空间特征；采用图卷积的方式，对所述第一特征矩阵进行时间特征提取，获得所述待识别视频序列的时间特征；将所述待识别视频序列的时间特征和空间特征进行拼接，获得所述待识别视频序列的拼接特征；将所述待识别视频序列的拼接特征与数据库中带有行人ID标签的视频序列的拼接特征进行比较，确定所述待识别视频序列中的行人的ID；所述对所述第一特征矩阵进行空间特征提取，获得所述待识别视频序列的空间特征，具体包括：对所述第一特征矩阵在第一维度上进行最大池化操作，获得所述待识别视频序列的空间特征；所述采用图卷积的方式，对所述第一特征矩阵进行时间特征提取，获得所述待识别视频序列的时间特征，具体包括：将所述第一特征矩阵按照N帧图片的时间顺序分成S个第二特征矩阵；分别对每个所述第二特征矩阵分别进行最大池化操作，获得S个最大池化后的特征向量，组成第三特征矩阵；将所述第三特征矩阵按照图像块进行分割，获得P个第四特征矩阵；其中，P表示图像块的数量，每个所述第四特征矩阵中包含S个最大池化后的特征；分别对每个所述第四特征矩阵进行多次图卷积操作，得到P个图卷积结果；分别对每个所述图卷积结果进行最大池化操作，获得待识别视频序列的时间特征；所述分别对每个所述第四特征矩阵进行多次图卷积操作，得到P个图卷积结果，之前还包括：构建邻接矩阵：其中，A表示邻接矩阵，D表示对角特征矩阵，Di,i表示D中的第i，i个元素，A2表示自循环邻接矩阵，A2＝A1+E，A1表示特征关系矩阵，E表示单位矩阵，表示A1中的第i，j个元素，表示A2中的第i，j个元素，xi和xj分别表示第四特征矩阵中第i个和第j个元素，表示xi和xj的关系的函数，S为参与图卷积的特征数量；每个所述第三特征矩阵进行图卷积操作的公式为：其中，表示对第p个第四特征矩阵进行k次图卷积操作得到的结果；表示对第p个第四特征矩阵进行k-1次图卷积操作得到的结果，Wk表示第k次图卷积的参数矩阵，A表示邻接矩阵。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200号南京理工大学；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”。