一、行人再识别研究研究背景：行人再识别（Person Re-Identification，简称 Re-ID）研究跨视域跨摄像头情况下对行人进行连续跟踪，是目前计算机视觉研究的热门方向，在智能安防领域有巨大的市场和广阔的发展前景。研究成果：基于特征级有监督背景消除的行人再识别方法、基于激活引导属性分类模型（AGAC）的行人再识别方法。二、面向智能终端的隐式身份认证不同用户的触摸智能手机的习惯具有独特性，不易被模仿。利用用户触摸智能手机的习惯作为生物识别符，“隐形地” 完成对用户身份的合法性认证。三、利用双通道建模的鬼影抑制算法研究背景：检测中的鬼影经常造成误检测，该算法可以抑制在检测时产生鬼影

高校科技成果尽在科转云

本发明公开了一种基于有限混合模型的行人再识别方法，属于 计算机视觉和模式识别领域，提升行人再识别的准确度，包括以下步 骤：(1)构建行人图像库预处理图像并提取图像特征；(2)计算图像库中 所有图像的有限混合模型和待再识别行人的图像的有限混合模型参 数；(3)将需再识别行人的有限混合模型与图像库中所有图像的有限混 合模型之间的距离进行最优化求解，并进行距离排序返回再识别结果。 本发明优化混合模型之间的距离度量，提高行人

本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先 根据已标注训练样本集 L 中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵 Mc 和 Mt;随机选择查询对象使用 Mc 和 Mt 进行马氏距离度量，得到相应排序结果，从中取得正样本 和负样本生成新的已标注训练样本集 L，更新 Mc 和 Mt，直到未标注训练样本集 U 为空，得到最终的 标注样本集 L*，并融合颜色和纹理特征得到 Mf，就可以使用基于 Mf 的马氏距离函数进行行人重识别。 本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学 习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。

本发明公开了一种行人重识别的度量学习方法和系统，其中方法的实现包括：收集两个摄像头下行人目标的特征向量，建立正样本对特征向量集合和负样本对特征向量集合，计算正、负样本对特征向量的距离，对正样本对特征向量进行单阈值约束，对负样本对特征向量采用双阈值进行约束，在正、负样本对特征向量的距离约束条件下建立基于度量矩阵的损失函数，以损失函数值最小为目标迭代更新度量矩阵，这种方法可以有效的减轻图像背景、噪声等无关变量对矩阵

本发明公开了一种基于双角度排序优化的行人重识别方法，属于监控视频检索技术领域。本发明首 先通过基于全局特征和局部特征的方法得到初始的排序结果;然后通过取两者排序结果的前 k 个结果的 交集作为初始查询更可靠的最近邻;再然后对里的每一个目标作为新的查询进行交叉的反向查询，通过 加权融合反向查询的排序列表得到整个优化的排序列表;最后再对里的每个去构建一个双层图，计算图 的近邻相似性去对进行进一步的重排，进而得到更好的重识别效果。

本发明公开了一种基于数据驱动的自适应尺度行人重识别方法，首先采用稀疏表示的方法获得查询 行人和待测行人间的跨域的支撑一致性，然后采用 K 近邻的方法获得查询行人和待测行人间的跨域的投 影一致性，最后综合跨域的支撑一致性因子和跨域的投影一致性因子来计算行人对之间的距离。本发明 通过再次利用训练数据在不同视角下的一致性来自适应地调节尺度，可以提高现有算法的性能，获得更 准确的行人重识别结果。 

本发明提供一种基于区域相关反馈的行人重识别方法及系统，进行初次查询匹配和反馈样本收集， 选取不相关图像作为反馈样本并标记类型;确定近邻集合、区域权重调整和特征权重调整;进行特征表 达和距离度量，得到查询匹配结果;查询匹配结果，如果符合要求则输出结果，如果不符合要求，则返 回进行迭代更新反馈样本，直到符合要求。本发明提出的基于区域相关反馈的技术，是充分了利用行人 图像的局部特征信息，从局部特征出发，结合其他信息实时动态地调整局部特征权重，并结合传统行人 重识别方法最终实现准确快速地找出并成功匹配目标嫌

本发明公开了一种基于相似性和不相似性融合排序优化的行人重识别方法，行人重识别是一种针对 特定行人的检索问题，本发明的主要思想是正确检索的行人目标应该跟查询行人的极正样本相似，并且 跟查询行人的极负样本不相似。同时我们将与极正样本相似的那些行人定义为疑正样本，与极负样本相 似的样本为疑负样本，通过提高疑正样本的排名，同时降低疑负样本的排名，来达到通过排序优化的方 式来提升行人重识别的效果。此外，融合多种方法的结果来加强这种相似性和不相似性关系。本

AI心理情绪识别系统1.多模态信号采集：人脸动态图像、脑电信号采集、语音情感检测。2.功能模块包含：情绪检测、情绪档案、数据统计、用户管理、系统设置功能模块。3.系统基于情绪心理学相关理论，结合面部表情的二维情感空间分析技术、脑电信号的状态分析、语音的三维情感空间分析三种模态相互融合叠加技术，检测人心理情绪状态，提高其检测准确度。3.    基于摄像头面部情绪识别技术，可以实时分析人体面部所包含的情绪状态。通过非接触式的实时视采用 AI 人工智能学习技术，结合心理学，通过对被测试人员 60秒的测试，能够获取相关心理/心理指标。帮助被测试人员了解自己的心理健康状况，并且引起人们重视心理健康，从而在工作、学习、生活当中提高身心健康。并且通过定期测试，能够获取个体、准确的进行心理危机预警，显示被测人员心理危机测试报告，提醒心理医生重点关注。用户在进行注册登录后，根据语音提示可直接进入测试界面进行情绪识别。点击测试按钮，调整好站立位置，脸部朝向屏幕，人脸录入即可完成测试，测试完成即可生成测试报告并能打印报告。4    基于脑电生物传感器状态检测、实时展示人体脑波原始状态指标以及Delta、Theta、Alpha、Beta、Gamma等8个EEG参数。5.    采用任务态模式进行语音情感分析，测试者按照系统设定的特定语境信息进行朗读来进行情感分析。6.    检测结束后可实时出具“心理生理状态分析结果报告”，其中包括被测试人员信息、检测时间、12维度心理生理情绪数据，包含正面情绪（平衡、自信心、活力、调节水平），负面情绪（攻击性、压力、紧张、可疑），生理参数（抑制、神经质、消沉、幸福指数），以及综合状态指标：专注度、放松度、疲劳指数、焦虑指数、压力指数、抑郁指数等。7.    统计分析：系统自带数据中心的统计功能，可以按单位进行所有检测人员的压力分布图及重点关注人员的信息显示。8.    检测完成后系统自动生成检测报告，检测报告需包含每项参数的检测数据大小、参考范围、异常数据等，以及用情绪参数雷达图、饼状图、直方图、曲线视图等多种表示方法。9.    信息查询功能：管理员可通过多条件查询功能，只需通过任意一项查询条件即可快速查询出与之对应和匹配的测试者信息，以及该测试者的历史测试记录，并可对该测试者的测试记录进行纵向和横向对比，综合分析该名测试者的心理健康状况。9.用户管理端：以管理员身份登录该系统可对用户进行管理。可进行添加用户、删除用户、查询用户、用户信息修改、密码修改、级别权限设置、单位框架搭建、查看用户报告，以及导出、打印用户报告。10.系统具有特定场合模态设置功能，可关闭和开启语音检测功能。11.视频检测时面部框具有信号质量检测功能，通过不能的颜色在面部框进行彩色状态提示，同时具有人脸检测判别功能，比如面部不全、距离较远等识别功能