CN107451156B - 一种图像再识别方法及识别装置 - Google Patents

一种图像再识别方法及识别装置 Download PDF

Info

Publication number
CN107451156B
CN107451156B CN201610380518.1A CN201610380518A CN107451156B CN 107451156 B CN107451156 B CN 107451156B CN 201610380518 A CN201610380518 A CN 201610380518A CN 107451156 B CN107451156 B CN 107451156B
Authority
CN
China
Prior art keywords
image
feature vector
dominant
target
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610380518.1A
Other languages
English (en)
Other versions
CN107451156A (zh
Inventor
骆立俊
白博
唐振
陈茂林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Huawei Enterprises Communications Technologies Co Ltd
Original Assignee
Hangzhou Huawei Enterprises Communications Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Huawei Enterprises Communications Technologies Co Ltd filed Critical Hangzhou Huawei Enterprises Communications Technologies Co Ltd
Priority to CN201610380518.1A priority Critical patent/CN107451156B/zh
Publication of CN107451156A publication Critical patent/CN107451156A/zh
Application granted granted Critical
Publication of CN107451156B publication Critical patent/CN107451156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施提供一种图像再识别方法及识别装置，涉及图像显示领域，能够克服属性特征的多样性、对图像的属性特征进行准确的检测。包括：接收待搜索图像，根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标；获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量；将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合；获取预生成的图像库中的历史图像的特征向量集合，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像。

Description

一种图像再识别方法及识别装置
技术领域
本发明涉及图像显示领域，尤其涉及一种图像再识别方法及识别装置。
背景技术
为了营造安全的城市环境，监控视频被广泛应用，随之伴随着视频数据的急剧增长，图像再识别技术得到了广泛关注。如：以图搜图，即以图像为输入，在视频数据库中查找匹配的图像。
现有的图像再识别技术主要有：人工设计出多种属性特征，并针对设计出的每一种属性特征设计出相应的检测器。如：属性可以是——手表、帽子等，针对“手表”这一属性特征设计出一种检测器，针对“帽子”这一属性特征设计出一种检测器。依次采用各个检测器对某一图像属性特征检测，获得并记录该图像的属性特征。在进行目标识别时，首先采用检测器获取目标图像的属性特征，再判断某图像的属性特征是否与目标图像的属性特征相同。若相同，则确定该图像与目标图像匹配。
可见，现有图像再识别技术需要人工设计多种属性特征，但实际上属性种类、数量繁多，人工无法穷尽。现有图像再识别技术无法克服多样性，无法对图像的属性特征进行准确的检测。
发明内容
本发明实施提供一种图像再识别方法及识别装置，能够克服属性特征的多样性、对图像的属性特征进行准确的检测。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，公开了一种图像再识别方法，包括：
接收待搜索图像，根据所述待搜索图像确定目标图像，该目标图像仅包括待搜索目标。获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量，进一步，将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合。最后，根据所述目标图像的所述特征向量集合查询预生成的图像库中是否存在匹配图像，这里所述图像库是根据历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；将所述图像库中与所述目标图像的特征向量集合相同的图像确定为所述匹配图像，也就是说该匹配图像、目标图像分别呈现的是待搜索目标在不同时刻的形态。需要说明的是，图像特征主要包括全局特征和局部特征两种，其中全局特征主要通过图像的某一种特性来对图像整体进行描述，如图像的颜色、纹理等。而局部特征是图像中各个显性局部区域的特征信息，所谓显性局部区域可以是图像中的视觉关注区域，通常是特征点比较密集的区域。局部特征可以是某个显性局部区域的尺度、颜色、纹理、边缘、形状等，相比于全局特征具有更高的精度。在本发明中，用向量形式表述图像的局部特征以及全局特征，从特征描述信息到特征向量的转化在此不作详述，后续实施例形式中将给出具体实现方式。另外，以图搜图技术(也就是图像再识别)中，图像匹配可以认为是同一目标在不同时刻的表现形态，即该目标在两帧图像中的形态可以略微不同，但根据特征向量的匹配可以认为这两帧图像包含的是同一目标，确定这两帧图像是匹配的。
现有的图像再识别技术，需要人工设计多种属性特征检测器，进行图像再识别时，采用已有的属性特征检测器检测目标图像包含的属性特征，最后在图像库中查询与该目标图像具有相同的属性特征的图像，将其作为该目标图像的匹配图像。也就说，采用既定的检测器对目标图像进行有限的特征检测，由于属性特征种类、数量繁多，人工无法穷尽，因此现有的方案并不能完整、准确地检测出目标图像的属性特征。
本发明中预先对历史图像进行特征分析，获取历史图像的全局特征向量以及局部特征向量，组合历史图像的全局特征向量以及局部特征向量获得历史图像的特征向量集合，进而生成包含所有历史图像的特征向量集合的图像库。另外，进行图像再识别时，获取目标图像的全局特征向量、局部特征向量，组合二者得到目标图像的特征向量集合，将与图像库中与目标图像的特征向量集合相同或高度相似的历史图像确定为与该目标图像匹配的图像。可见，本发明中并不是采用既定的检测器对图像进行属性特征检测，而是对图像进行全面分析，尽可能检测出图像全部的属性特征，克服了属性特征多样性对图像再识别带来的影响，能够对图像的属性特征进行准确的检测。
结合第一方面，在第一方面的第一种可能的实现方式中，所述采用异常检测方法提取目标图像的全局属性特征之前，所述方法还包括：
获取至少一个图像序列，该图像序列是某一目标的跟踪序列，包括了N张历史图像，N为大于1的整数。进一步地，去除这N张历史图像的背景，使其仅包括所述目标，获得N张前景图像。针对一张前景图像，获取该前景图像的全局特征向量、局部特征向量；将全局特征向量、局部特征向量组合获得该前景图像对应的历史图像的特征向量集合。如此往复，就可以获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应。最后，根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
当然，对于接收到的任何一个图像序列，都可以进行上述图像分析步骤，获得该图像序列包括的历史图像的特征向量集合，并在图片库中记录历史图像与其特征向量集合的对应关系。
可见，本发明的图像库的生成方法也不同于现有的图像库的生成方法，现有技术中，依次采用各个已有的检测器对某个历史图像进行属性特征检测，获得并记录该历史图像的属性特征，也就是说一个图像库记录一个历史图像的属性特征。当然图像库中记录的属性特征也是有限的，取决于检测器的种类、数量。而本发明中，是对历史图像进行全面分析，尽可能检测出历史图像全部的属性特征，丰富了图像库中记录的属性特征，进而为完整、准确地进行图像再识别提供了基础。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量具体包括：
对所述前景图像中的所述目标进行分区，获得M个区域；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量。示例的，若所述目标为行人，可以将其分为头部、上半身、下半身三个区域，其中，第一区域(头部)的全局特征向量为A，第二区域(上半身)的全局特征向量为B，第二区域(下半身)的全局特征向量为C，可以确定该行人的全局特征向量为A、B和C。
将所述前景图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异，也就是将n·n个图像块中特征点比较密集的图像块确定为显性图像块。对所述显性图像块进行特征分析(可以是进行频域特性描述，获取纹理特性以及颜色特性在频域空间的表征)，获得所述显性图像块的显性特征向量，这里显性特征向量是根据颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量中的至少一个确定的，可以是这些向量的组合，构成所述显性图像块的显性特征向量。将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
需要说明的是，获得n·n个图像块之后，还可以每个图像块进行重叠变换(LappedTransform，拉普拉斯变换)。目前检测器常用的特征提取算法，例如LBP算法，对光照、遮挡、目标形态改变、以及图像中的噪声过于敏感，导致正确率低，进而现有图像再识别技术无法对属性特征进行准确的检测。重叠变换对光照、遮挡、目标形态变化、以及图像中的噪声不敏感，可以有效解决特征提取过程中干扰造成特征不准确的问题。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量之后，所述方法还包括：
根据所述待搜索目标的属性确定S个候选区域；针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否满足预设条件：Q/N＜X和
Figure BDA0001006018950000041
若所述候选区域满足所述预设条件，则确定所述候选区域具有稳定性。
其中，所述Q是所述图像序列中在所述候选区域存在所述显性图像块的图像的数量；所述Si (k,k+1)是所述图像序列中相邻两帧图像在所述候选区域的相似度；若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离；所述X、所述Y为预设门限值。
这里的候选区域可以根据待搜索目标的属性，参考经验来确定。示例的，如果待搜索目标是行人，依照经验，人系领带时领口区域就是一个显性区域，因此可以将领口区域确定为一个候选区域。实际上，需要统计在整个图像序列包括的N张历史图像中在领口区域检测到显性区域的图像的数量，即为Q。进一步，若相邻两帧图像在同一候选区域(如：领口区域)均检测到了显性区域，则这两帧图像的相似度是两帧图像在该候选区域检测出的显性特征向量的欧氏距离。若相邻的两帧图像有一帧在该候选区域未检测出显性区域，则这两帧图像的相似度为0。整个图像序列在该候选区域的相似度为
Figure BDA0001006018950000051
即针对图像序列中的每一帧历史图像，均计算其与相邻帧图像的相似度，得到N-1个值，相加得到整个图像序列在该候选区域的相似度。
需要说明的是，在此相邻帧图像特指编号在该帧图像之后的相邻帧。示例的，对于图像序列中的第一帧图像，计算其与相邻帧图像的相似度，考量的是第一帧图像与该图像序列中的第二帧图像的相似度。
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述方法还包括：若所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性；
在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
也就是说，当某个候选区域检测到了局部显性特征，但其局部显性特征不稳定，则可以在图像库中删除该候选区域的显性特征向量，以保证图像库的准确性，从而实现完整、准确地进行图像再识别。
结合第一方面的第三种可能的实现方式，在第一方面的第五种可能的实现方式中，若所述候选区域具有稳定性且所述Q小于所述N，则所述方法还包括：
将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像即所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
示例的，当第i个候选区域的局部显性特征稳定时，若Q<N(即存在某几帧在第i个候选区域没有检测到局部显性特征)，则用第i个候选区域检测到的局部特征对在这几帧在第i个候选区域没有检测到局部显性特征的特征向量集合其进行填充。进而可以保证图像库的准确性，从而实现完整、准确地进行图像再识别。
结合第一方面，在第一方面的第六种可能的实现方式中，所述获取所述目标图像的全局特征向量具体包括：
对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
和上述第二种实现方式采用同样的方式对目标图像进行分析处理，尽可能检测出目标图像的全部属性特征，实现准确度更高的以图搜图。
结合第一方面，在第一方面的第七种可能的实现方式中，所述获取所述目标图像的局部特征向量具体包括：
将所述目标图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量；将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
和上述第二种实现方式采用同样的方式对目标图像进行分析处理，尽可能检测出目标图像的全部属性特征，实现准确度更高的以图搜图。
结合第一方面，在第一方面的第八种可能的实现方式中，所述将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像具体包括：
针对每一历史图像，确定所述历史图像与所述目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)；其中，所述A1、B1是所述历史图像的全局特征向量，所述C1、D1是所述历史图像的局部特征向量；所述A2、B2是所述目标图像的全局特征向量，所述C2、D2是所述历史目标的局部特征向量；所述x、y是全局特征向量的权重系数，所述z、q是局部特征向量的权重系数；
将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像。
结合第一方面，在第一方面的第九种可能的实现方式中，所述根据所述待搜索图像确定目标图像具体包括：去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
第二方面，公开了一种识别装置，包括：
接收单元，用于接收待搜索图像；
确定单元，用于根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标；
获取单元，用于获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量；
组合单元，用于将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合；
所述获取单元还用于，获取预生成的图像库中的历史图像的特征向量集合，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；
所述确定单元还用于，将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像。
结合第二方面，在第二方面的第一种可能的实现方式中，还包括生成单元，
所述生成单元用于，在所述接收单元接收待搜索图像之前，获取至少一个图像序列；所述图像序列是一目标的跟踪序列，所述图像序列包括N张历史图像；所述N为大于1的整数；
去除所述N张历史图像的背景，获得N张前景图像；所述N张前景图像均仅包括所述目标；
获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量；将所述前景图像的全局特征向量以及所述前景图像的局部特征向量组合获得所述前景图像对应的历史图像的特征向量集合；
获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应；
根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述生成单元具体用于，对所述前景图像中的所述目标进行分区，获得M个区域；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量；
将所述前景图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量，所述显性特征向量包括颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量中的至少一个；将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述确定单元还用于，
在所述获取单元获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量之后，根据所述待搜索目标的属性确定S个候选区域；
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否满足预设条件：Q/N＜X和
Figure BDA0001006018950000091
若所述候选区域满足所述预设条件，则确定所述候选区域具有稳定性；
其中，所述Q是所述图像序列中在所述候选区域存在所述显性图像块的图像的数量；所述Si (k,k+1)是所述图像序列中相邻两帧图像在所述候选区域的相似度；若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离；所述X、所述Y为预设门限值。
结合第二方面的第三种可能的实现方式，在第二方面的第四种可能的实现方式中，还包括删除单元，
所述确定单元还用于，若所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性；
所述删除单元用于，在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
结合第二方面的第三种可能的实现方式，在第二方面的第五种可能的实现方式中，还包括添加单元，
所述添加单元用于，若所述候选区域具有稳定性且所述Q小于所述N，将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像是所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
结合第二方面，在第二方面的第六种可能的实现方式中，所述获取单元具体用于，对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数；
对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；
将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
结合第二方面，在第二方面的第七种可能的实现方式中，所述获取单元具体用于，将所述目标图像等分为n·n块，获得n·n个图像块；
采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；
对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量；
将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
结合第二方面，在第二方面的第八种可能的实现方式中，所述确定单元具体用于，针对每一历史图像，确定所述历史图像与所述目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)；其中，所述A1、B1是所述历史图像的全局特征向量，所述C1、D1是所述历史图像的局部特征向量；所述A2、B2是所述目标图像的全局特征向量，所述C2、D2是所述历史目标的局部特征向量；所述x、y是全局特征向量的权重系数，所述z、q是局部特征向量的权重系数；
将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像。
结合第二方面，在第二方面的第九种可能的实现方式中，所述确定单元具体用于，去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有的图像再识别技术的框架图；
图2是本发明实施例提供的图像再识别方法的框架示意图；
图3是本发明实施例提供的历史图像的全局特征向量的提取流程图；
图4是本发明实施例提供的历史图像的局部特征向量的提取流程图；
图5是本发明实施例提供的图像分块示意图；
图6是本发明实施例提供的对历史图像进行稳定性验证、更新以及融合的流程示意图；
图7是本发明实施例提供的图像再识别方法的流程示意图；
图8是本发明实施例提供的识别装置的结构框图；
图9是本发明实施例提供的识别装置的另一结构框图；
图10是本发明实施例提供的识别装置的另一结构框图；
图11是本发明实施例提供的识别装置的另一结构框图；
图12是本发明实施例提供的识别装置的另一结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示，为传统的图像再识别技术的框架，以一张图片为单位进行图像再识别，并不考虑跟踪信息(时间域信息)。具体地，需要预先人工设计出多种属性特征，并针对设计出的每一种属性特征设计出相应的检测器。如：属性可以是——手表、帽子等，针对“手表”这一属性特征设计出一种检测器，针对“帽子”这一属性特征设计出一种检测器。
参考图1，依次采用各个检测器对某一图像属性特征检测，获得并记录该图像的属性特征，也就是说现有的图像库对应一张历史图像的属性特征。在进行目标识别时，首先采用检测器获取目标图像的属性特征，再遍历所有历史图像的图像库，判断某图像的属性特征是否与目标图像的属性特征相同。若相同，则确定该图像与目标图像匹配。
由于属性种类、数量繁多，人工无法穷尽，因此，现有图像再识别技术无法克服多样性，无法对图像的属性特征进行准确的检测。
本发明的原理在于：基于跟踪序列的多帧图像，利用“异常检测”对图像进行分析，尽可能检测出图像全部的全局特征属性以及全部的局部特征属性，从而解决了属性特征多样性给图像再识别带来的问题。另外，利用“时间域信息”(跟踪信息)对多帧图像的局部特征属性进行稳定性验证，从而解决了属性特征不稳定性给图像再识别带来的问题。
图2所示，为本发明提供的图像再识别方法的框架示意图。
参考图2，首先，针对跟踪序列包括的图像生成图像库。具体地，获取至少一个图像序列，该图像序列是某一目标的跟踪序列，包括了N张历史图像，N为大于1的整数。进一步地，去除这N张历史图像的背景，使其仅包括所述目标，获得N张前景图像。
其次，针对每一张前景图像，获取该前景图像的全局特征向量、局部特征向量；将全局特征向量、局部特征向量组合获得该前景图像对应的历史图像的特征向量集合。如此往复，就可以获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应。
最后，根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
另外，可以对在时间轴上提取的局部特征向量进行快速匹配验证，从而得到稳定收敛的局部特征(显性特征)。进一步，还可以对各个历史图像的局部特征向量进行融合与更新。具体的就是，在图像库中删除不具有稳定性的候选区域的局部特征向量。若某一候选区域具有稳定性，但该图像序列中有几帧图像在该候选区域并未检测出显性特征，则用该候选区域的显性特征向量填充非显性图像的特征向量集合，即将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中。这里的非显性图像即所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
进一步地，在本发明的优选实施例中，参考图3，历史图像的全局特征向量的提取包括以下步骤：
101、对前景图像中的所述目标进行分区，获得M个区域。
在此之前，首先接收输入的图像序列，该图像序列是所述目标的跟踪序列，该图像序列包括N张历史图像。而所述前景图像即去除所述历史图像的背景的图像，所述前景图像仅包括所述目标。
具体实现中，输入为一个目标(行人)的跟踪序列，如：图像1、图像2，…图像n分别为同一行人在同一跟踪轨迹中不同时刻的彩色图像。通过“运动目标检测”算法去除图像的背景，图像i用Pici表示，Maski表示Pici的背景去除情况，当Maski(x,y)＝1表示Pici(x,y)为前景，Maski(x,y)＝0表示Pici(x,y)为背景，后续只针对图像的前景像素进行各项操作。
示例的，若所述目标为行人，可以将其分为头部、上半身、下半身三个区域，其中，第一区域(头部)的全局特征向量为A，第二区域(上半身)的全局特征向量为B，第二区域(下半身)的全局特征向量为C，可以确定该行人的全局特征向量为A、B和C。
102、对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量。
示例的，对每个区域进行颜色分析，可以是在R、G、B、H、S五个通道上提取该区域颜色直方图。之后，根据获得的颜色直方图进一步确定该区域的颜色特征向量。
对每个区域进行颜色分析，可以是对每个区域进行频域分析，提取频域特征信息用来表征其纹理。之后，根据获得的频域特征信息进一步确定该区域的纹理特征向量。
最后，将该区域的颜色特征向量与该区域的纹理特征向量组合，获得该区域的全局特征向量。
103、将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量。
在本发明的另一优选实施例中，参考图4，历史图像的局部特征向量的提取包括以下步骤：
201、将所述前景图像等分为n·n块，获得n·n个图像块。
示例的，参考图5，可以将前景图像等分为n·n个图像块。
202、对n·n个图像块中的每个图像块进行重叠变换。
这里的重叠变换可以是(Lapped Transform，拉普拉斯变换)。目前检测器常用的特征提取算法，例如LBP算法，对光照、遮挡、目标形态改变、以及图像中的噪声过于敏感，导致正确率低，进而现有图像再识别技术无法对属性特征进行准确的检测。重叠变换对光照、遮挡、目标形态变化、以及图像中的噪声不敏感，可以有效解决特征提取过程中干扰造成特征不准确的问题。
203、采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异。
实际上，就是将n·n个图像块中特征点比较密集的图像块确定为显性图像块。
204、对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量。
这里一个显性图像块可以有多个显性特征向量，可以是颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量，也可以是这些向量的任意组合。最终将该显性图像块的所有显性特征向量组合(如：颜色特征向量与纹理特征向量组合)，可以得到该显性图像块的显性特征向量。
具体实现中，特征向量可以表示为自变量为T、p、V的函数f(T,p,V)。其中，T为局部特征可见性，
Figure BDA0001006018950000141
为局部特征的置信度，Si (k,k+1)为相邻帧相似度；V为局部特征的具体表述，可以是尺度、颜色、纹理、边缘、形状等。
205、将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
在本发明的另一优选实施例中，参考图6，对整个图像序列包括的各个历史图像的局部特征稳定性验证、更新以及融合，包括以下步骤：
301、输入整个图像序列的局部特征向量。
也就是需要在时间轴上横向比较该图像序列各个历史图像的局部特征向量，以便得到稳定收敛的局部特征向量。
302、根据所述待搜索目标的属性确定S个候选区域。
这里的候选区域可以根据待搜索目标的属性，参考经验来确定。示例的，如果待搜索目标是行人，依照经验，人系领带时领口区域就是一个显性区域，因此可以将领口区域确定为一个候选区域。
303、针对一个候选区域，确定该候选区域局部特征存在量Q。
实际上，所述Q是确定整个图像序列中在所述候选区域存在所述显性图像块的图像的数量。
304、针对该候选区域，进行相邻帧相似度判断。
具体实现中，相邻帧相似度可以表示为：Si (k,k+1)，即所述图像序列中相邻两帧图像在所述候选区域的相似度。若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离。
进一步，整个图像序列在该候选区域的相似度为
Figure BDA0001006018950000151
即针对图像序列中的每一帧历史图像，均计算其与相邻帧图像的相似度，得到N-1个值，相加得到整个图像序列在该候选区域的相似度。
305、针对该候选区域，判断所述候选区域是否具有稳定性，即判断所述候选区域是否满足预设条件。
其中，所述预设条件是：Q/N＜X和
Figure BDA0001006018950000152
所述X、所述Y为预设门限值。
若，所述候选区域满足所述预设条件，则确定所述候选区域具有稳定性，进行步骤306；所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性，进行步骤307。
306、根据对该候选区域的显性特征向量对图像库进行融合更新。
具体地，将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像即所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
示例的，当第i个候选区域的局部显性特征稳定时，若Q<N(即存在某几帧在第i个候选区域没有检测到局部显性特征)，则用第i个候选区域检测到的局部特征对在这几帧在第i个候选区域没有检测到局部显性特征的特征向量集合其进行填充。进而可以保证图像库的准确性，从而实现完整、准确地进行图像再识别。
307、对图像库进行存在性更新。
具体实现中，在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
也就是说，当某个候选区域检测到了局部显性特征，但其局部显性特征不稳定，则可以在图像库中删除该候选区域的显性特征向量，以保证图像库的准确性，从而实现完整、准确地进行图像再识别。
实施例1：
本发明实施例提供一种图像再识别方法，如图7所示，所述方法包括以下步骤：
401、接收待搜索图像，根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标。
具体实现中，去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
同样，通过“运动目标检测”算法去除待搜索图像的背景，待搜索图像i用Pici表示，Maski表示Pici的背景去除情况，当Maski(x,y)＝1表示Pici(x,y)为前景，Maski(x,y)＝0表示Pici(x,y)为背景，后续只针对待搜索图像的前景像素进行各项操作。
402、获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量。
具体实现中，采用异常检测方法对所述目标图像进行分析，获得目标图像的全局特征向量以及局部特征向量。进一步地，具体包括：对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
将所述目标图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量；将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
在此，尽可能检测出目标图像的全部属性特征，实现准确度更高的以图搜图。
403、将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合。
404、获取预生成的图像库中的历史图像的特征向量集合。
其中，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的。也就是说，图像库存储有各个历史图像的特征向量集合，每个历史图像的特征向量集合也是由该历史图像的全局特征向量以及该历史图像的局部特征向量组成。
405、将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像。
其中，图像匹配可以认为是同一目标在不同时刻的表现形态，即该目标在两帧图像中的形态可以略微不同，但根据特征向量的匹配可以认为这两帧图像包含的是同一目标，确定这两帧图像是匹配的。
具体实现中，根据两幅图像的相似度来判断两幅图像是否匹配。示例的，针对图像库中的每一历史图像，确定所述历史图像与所述目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)。将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像，即计算各个历史图像与所述目标图像的相似度，将相似度最高的历史图像确定为所述匹配图像。其中，公式中的dis()指括号中的两个向量的欧式距离，如：dis(A1,A2)是向量A1,A2的欧氏距离，dis(B1,B2)是向量B1,B2的欧氏距离。公式中的“·”指的是相乘，如：x·dis(A1,A2)即x与向量A1,A2的欧氏距离的乘积。
需要说明的是，所有图像(包括图像库的历史图像和目标图像)的全局特征向量的数量是特定的，如：颜色特征向量、纹理特征向量等。不同的图像的局部特征向量的数量是不同的，这是由于不同的图像在某一区域可能存在显性特征，也可能不存在显性特征。在此，假设所有图像均仅有两类全局特征向量：第一类全局特征向量和第二类全局特征向量。
参照上述公式，可以认为所述A1是所述历史图像的全局特征向量对应于第一类全局特征向量的表征向量，如所述历史图像的颜色特征向量，B1是所述历史图像对应于所述第二类全局特征向量的表征向量，如所述历史图像的纹理特征向量；相应地，所述A2、B2分别是所述目标图像对应于所述第一类全局特征向量和所述第二类全局特征向量的表征向量。所述x是第一类全局特征向量的权重系数，所述y是第二类全局特征向量的权重系数。
同样地，C1、D1是所述历史图像的局部特征向量。所述C2、D2是所述历史目标的局部特征向量。可以认为所述C1、C2对应于第一类局部特征向量，D1、D2对应于第二类局部特征向量。由此，所述z是第一类局部特征向量的权重系数，q是第二类局部特征向量的权重系数。承上所述，目标图像与待匹配的历史图像(即上述“所述历史图像”)的局部特征向量的数量可能不同，类型也可能不同。当目标图像存在第一类局部特征向量C1，历史图像不存在第一类局部特征向量C2，上述公式中z·dis(C1,C2)一项则为零。
或者，在计算历史图像与目标图像的相似度时，可以先分别将二者的特征向量集合中的向量加权组合，得到两个向量，将这两个向量的相似度确定为历史图像与目标图像的相似度。具体地，针对历史图像，将向量A1、B1、C1、D1串联(即向量相加)，得到向量M；针对目标图像，将向量A2、B2、C2、D2串联，得到向量N。计算向量M和向量N的相似度。
进一步地，可以根据如下公式计算两个特征向量的相似度计算：
Figure BDA0001006018950000191
其中，f1,f2分别表示两个特征向量，dis(V1,V2)是两个特征向量的欧氏距离。
Figure BDA0001006018950000192
为局部特征的置信度，Si (k,k+1)为相邻帧相似度。
另外，在对两幅图像进行相似度计算时，若其中一幅图像的某显性特征对于另一幅图像不可见，则不对该特征进行相似度计算。例：一个图像为正面图像，一个图像为背面图像，则对于领口区域的局部特征无需比较。
本发明实施例预先对历史图像进行特征分析，获取历史图像的全局特征向量以及局部特征向量，组合历史图像的全局特征向量以及局部特征向量获得历史图像的特征向量集合，进而生成包含所有历史图像的特征向量集合的图像库。另外，进行图像再识别时，获取目标图像的全局特征向量、局部特征向量，组合二者得到目标图像的特征向量集合，将与图像库中与目标图像的特征向量集合相同或高度相似的历史图像确定为与该目标图像匹配的图像。可见，本发明中并不是向现有技术那样采用既定的检测器对图像进行属性特征检测，而是对图像进行全面分析，尽可能检测出图像全部的属性特征，克服了属性特征多样性对图像再识别带来的影响，能够对图像的属性特征进行准确的检测。
实施例2：
本发明实施例提供一种识别装置，如图8所示，所述识别装置包括：接收单元501、确定单元502、获取单元503、组合单元504。
接收单元501，用于接收待搜索图像。
确定单元502，用于根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标。
获取单元503，用于获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量。
组合单元504，用于将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合。
所述获取单元503还用于，获取预生成的图像库中的历史图像的特征向量集合，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；
所述确定单元502还用于，将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像。
如图9所示，所述识别装置还包括生成单元505。
所述生成单元505用于，在所述接收单元接收待搜索图像之前，获取至少一个图像序列；所述图像序列是一目标的跟踪序列，所述图像序列包括N张历史图像；所述N为大于1的整数。
去除所述N张历史图像的背景，获得N张前景图像；所述N张前景图像均仅包括所述目标。
获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量；将所述前景图像的全局特征向量以及所述前景图像的局部特征向量组合获得所述前景图像对应的历史图像的特征向量集合。
获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应。
根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
所述生成单元505具体用于，对所述前景图像中的所述目标进行分区，获得M个区域；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量。
将所述前景图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量，所述显性特征向量包括颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量中的至少一个；将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
所述确定单元502还用于，在所述获取单元获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量之后，根据所述待搜索目标的属性确定S个候选区域。
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否满足预设条件：Q/N<X和
Figure BDA0001006018950000211
若所述候选区域满足所述预设条件，则确定所述候选区域具有稳定性。
其中，所述Q是所述图像序列中在所述候选区域存在所述显性图像块的图像的数量；所述Si (k,k+1)是所述图像序列中相邻两帧图像在所述候选区域的相似度；若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离；所述X、所述Y为预设门限值。
如图10所示，所述识别装置还包括删除单元506。
所述确定单元502还用于，若所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性。
所述删除单元506用于，在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
如图11所示，所述识别装置还包括添加单元507。
所述添加单元507用于，若所述候选区域具有稳定性且所述Q小于所述N，将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像是所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
所述获取单元503具体用于，对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数。
对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量。
将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
所述获取单元503具体用于，将所述目标图像等分为n·n块，获得n·n个图像块。
采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异。
对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量。
将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
确定单元502具体用于，针对每一历史图像，确定所述历史图像与所述目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)。
其中，所述A1、B1是所述历史图像的全局特征向量，所述C1、D1是所述历史图像的局部特征向量；所述A2、B2是所述目标图像的全局特征向量，所述C2、D2是所述历史目标的局部特征向量；所述x、y是全局特征向量的权重系数，所述z、q是局部特征向量的权重系数。
将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像。
所述确定单元502具体用于，去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
需要说明的是，需要说明的是，本实施例中的接收单元501、确定单元502、获取单元503、组合单元504、生成单元505、删除单元506以及添加单元507可以为单独设立的处理器，也可以集成在识别装置的某一个处理器中实现，此外，也可以程序代码的形式存储于识别装置的存储器中，由识别装置的某一个处理器调用并执行以上接收单元501、确定单元502、获取单元503、组合单元504、生成单元505、删除单元506以及添加单元507的功能。这里所述的处理器可以是一个中央处理器，或是特定集成电路。
本发明实施例提供的识别装置，预先对历史图像进行特征分析，获取历史图像的全局特征向量以及局部特征向量，组合历史图像的全局特征向量以及局部特征向量获得历史图像的特征向量集合，进而生成包含所有历史图像的特征向量集合的图像库。另外，进行图像再识别时，获取目标图像的全局特征向量、局部特征向量，组合二者得到目标图像的特征向量集合，将与图像库中与目标图像的特征向量集合相同或高度相似的历史图像确定为与该目标图像匹配的图像。可见，本发明中并不是向现有技术那样采用既定的检测器对图像进行属性特征检测，而是对图像进行全面分析，尽可能检测出图像全部的属性特征，克服了属性特征多样性对图像再识别带来的影响，能够对图像的属性特征进行准确的检测。
实施例3：
本发明实施例提供一种识别装置，包括：处理器601以及存储器602。
其中，处理器601可以为中央处理器(英文：central processing unit，缩写：CPU)。存储器602，用于存储程序代码，并将该程序代码传输给该处理器601，处理器601根据程序代码执行下述指令。
存储器602可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器602也可以包括非易失性存储器(英文：non-volatile memory)，例如只读存储器(英文：read-only memory，缩写：ROM)，快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)。存储器602还可以包括上述种类的存储器的组合。
处理器601用于，接收待搜索图像；根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标；获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量；将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合；获取预生成的图像库中的历史图像的特征向量集合，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像。
处理器601还用于，在所述接收单元接收待搜索图像之前，获取至少一个图像序列；所述图像序列是一目标的跟踪序列，所述图像序列包括N张历史图像；所述N为大于1的整数；去除所述N张历史图像的背景，获得N张前景图像；所述N张前景图像均仅包括所述目标；获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量；将所述前景图像的全局特征向量以及所述前景图像的局部特征向量组合获得所述前景图像对应的历史图像的特征向量集合；获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应；根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
处理器601具体用于，对所述前景图像中的所述目标进行分区，获得M个区域；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量。将所述前景图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量，所述显性特征向量包括颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量中的至少一个；将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
处理器601还用于，在所述获取单元获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量之后，根据所述待搜索目标的属性确定S个候选区域。
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否满足预设条件：Q/N＜X和
Figure BDA0001006018950000241
若所述候选区域满足所述预设条件，则确定所述候选区域具有稳定性。
其中，所述Q是所述图像序列中在所述候选区域存在所述显性图像块的图像的数量；所述Si (k,k+1)是所述图像序列中相邻两帧图像在所述候选区域的相似度；若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离；所述X、所述Y为预设门限值。
处理器601还用于，若所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性；所述删除单元用于，在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
处理器601用于，若所述候选区域具有稳定性且所述Q小于所述N，将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像是所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
处理器601具体用于，对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
处理器601具体用于，将所述目标图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量；将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
处理器601具体用于，针对每一历史图像，确定历史图像与目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)；其中，所述A1、B1是所述历史图像的全局特征向量，所述C1、D1是所述历史图像的局部特征向量；所述A2、B2是所述目标图像的全局特征向量，所述C2、D2是所述历史目标的局部特征向量；所述x、y是全局特征向量的权重系数，所述z、q是局部特征向量的权重系数。
将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像。
处理器601具体用于，去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
本发明实施例提供的识别装置，预先对历史图像进行特征分析，获取历史图像的全局特征向量以及局部特征向量，组合历史图像的全局特征向量以及局部特征向量获得历史图像的特征向量集合，进而生成包含所有历史图像的特征向量集合的图像库。另外，进行图像再识别时，获取目标图像的全局特征向量、局部特征向量，组合二者得到目标图像的特征向量集合，将与图像库中与目标图像的特征向量集合相同或高度相似的历史图像确定为与该目标图像匹配的图像。可见，本发明中并不是向现有技术那样采用既定的检测器对图像进行属性特征检测，而是对图像进行全面分析，尽可能检测出图像全部的属性特征，克服了属性特征多样性对图像再识别带来的影响，能够对图像的属性特征进行准确的检测。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (20)

1.一种图像再识别方法，其特征在于，包括：
接收待搜索图像，根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标；
获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量；
将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合；
获取预生成的图像库中的多幅历史图像的特征向量集合，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；
将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像；
其中，所述方法还包括：
输入至少一个图像序列的局部特征向量；所述图像序列是一目标的跟踪序列，所述图像序列包括N张历史图像；所述N为大于1的整数；
根据所述待搜索目标的属性确定S个候选区域；
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否具有稳定性；
若所述候选区域具有稳定性，则对所述图像库进行融合更新；若所述候选区域不具有稳定性，则对所述图像库进行存在性更新。
2.根据权利要求1所述的方法，其特征在于，所述接收待搜索图像之前，所述方法还包括：
获取所述至少一个图像序列；
去除所述N张历史图像的背景，获得N张前景图像；所述N张前景图像均仅包括所述目标；
获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量；将所述前景图像的全局特征向量以及所述前景图像的局部特征向量组合获得所述前景图像对应的历史图像的特征向量集合；
获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应；
根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
3.根据权利要求2所述的方法，其特征在于，所述获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量具体包括：
对所述前景图像中的所述目标进行分区，获得M个区域；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量；
将所述前景图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量，所述显性特征向量包括颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量中的至少一个；将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
4.根据权利要求1所述的方法，其特征在于，所述针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否具有稳定性，包括：
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否满足预设条件：Q/N＜X和
Figure FDA0003047024150000021
若所述候选区域满足所述预设条件，则确认所述候选区域具有稳定性；
其中，所述Q是所述图像序列中在所述候选区域存在所述显性图像块的图像的数量；所述Si (k,k+1)是所述图像序列中相邻两帧图像在所述候选区域的相似度；若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离；所述X、所述Y为预设门限值。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：若所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性；
在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
6.根据权利要求4所述的方法，其特征在于，若所述候选区域具有稳定性且所述Q小于所述N，则所述方法还包括：
将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像是所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
7.根据权利要求1所述的方法，其特征在于，所述获取所述目标图像的全局特征向量具体包括：
对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数；
对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；
将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
8.根据权利要求1所述的方法，其特征在于，所述获取所述目标图像的局部特征向量具体包括：
将所述目标图像等分为n·n块，获得n·n个图像块；
采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；
对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量；
将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
9.根据权利要求1所述的方法，其特征在于，所述将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像具体包括：
针对每一历史图像，确定所述历史图像与所述目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)；其中，所述A1、B1是所述历史图像的全局特征向量，所述C1、D1是所述历史图像的局部特征向量；所述A2、B2是所述目标图像的全局特征向量，所述C2、D2是所述历史图像的局部特征向量；所述x、y是全局特征向量的权重系数，所述z、q是局部特征向量的权重系数；
将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像。
10.根据权利要求1所述的方法，其特征在于，所述根据所述待搜索图像确定目标图像具体包括：
去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
11.一种识别装置，其特征在于，包括：
接收单元，用于接收待搜索图像；
确定单元，用于根据所述待搜索图像确定目标图像；所述目标图像仅包括待搜索目标；
获取单元，用于获取所述目标图像的全局特征向量以及所述目标图像的局部特征向量；
组合单元，用于将所述全局特征向量与所述局部特征向量组合，构成所述目标图像的特征向量集合；
所述获取单元还用于，获取预生成的图像库中的多幅历史图像的特征向量集合，所述图像库是根据所述历史图像的全局特征向量以及所述历史图像的局部特征向量生成的；
所述确定单元还用于，将所述历史图像中与所述目标图像的特征向量集合匹配的特征向量集合对应的历史图像确定为所述目标图像的匹配图像；
其中，所述接收单元，还用于接至少一个图像序列的局部特征向量；所述图像序列是一目标的跟踪序列，所述图像序列包括N张历史图像；所述N为大于1的整数；
所述确定单元，还用于根据所述待搜索目标的属性确定S个候选区域；
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否具有稳定性；
所述装置还包括删除单元和添加单元，
若所述确定单元确定所述候选单元具有稳定性，则所述添加单元用于对所述图像库进行融合更新；
若所述确定单元确定所述候选单元不具有稳定性，则所述删除单元用于对所述图像库进行存在性更新。
12.根据权利要求11所述的装置，其特征在于，还包括生成单元，
所述生成单元用于，在所述接收单元接收待搜索图像之前，获取至少一个图像序列；所述图像序列是一目标的跟踪序列，所述图像序列包括N张历史图像；所述N为大于1的整数；
去除所述N张历史图像的背景，获得N张前景图像；所述N张前景图像均仅包括所述目标；
获取所述前景图像的全局特征向量以及所述前景图像的局部特征向量；将所述前景图像的全局特征向量以及所述前景图像的局部特征向量组合获得所述前景图像对应的历史图像的特征向量集合；
获得所述N张历史图像对应的N个特征向量集合；所述特征向量集合与所述历史图像一一对应；
根据所述N张历史图像对应的N个特征向量集合生成所述图像库；所述图像库记录有特征向量集合与所述历史图像的对应关系。
13.根据权利要求12所述的装置，其特征在于，所述生成单元具体用于，对所述前景图像中的所述目标进行分区，获得M个区域；对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；将所述M个区域的全局特征向量组合，构成所述前景图像的全局特征向量；
将所述前景图像等分为n·n块，获得n·n个图像块；采用异常检测方法确定所述n·n个图像块中的显性图像块，所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量，所述显性特征向量包括颜色特征向量、纹理特征向量、尺寸特征向量、边缘特征向量或形状特征向量中的至少一个；将所有所述显性图像块的显性特征向量组合，构成所述前景图像的局部特征向量。
14.根据权利要求11所述的装置，其特征在于，所述确定单元还用于，
针对所述S个候选区域中的每一个候选区域，判断所述候选区域是否满足预设条件：Q/N＜X和
Figure FDA0003047024150000061
若所述候选区域满足所述预设条件，则确认所述候选区域具有稳定性；
其中，所述Q是所述图像序列中在所述候选区域存在显性图像块的图像的数量；所述Si (k,k+1)是所述图像序列中相邻两帧图像在所述候选区域的相似度；若所述相邻两帧图像中有一帧图像在所述候选区域不存在所述显性图像块，则确定所述相邻两帧图像的相似度为0；若所述相邻两帧图像在所述候选区域均存在所述显性图像块，则确定所述相邻两帧图像的相似度为两帧图像在所述候选区域的显性特征向量的欧式距离；所述X、所述Y为预设门限值。
15.根据权利要求14所述的装置，其特征在于，还包括删除单元，
所述确定单元还用于，若所述候选区域不满足所述预设条件，则确定所述候选区域不具有稳定性；
所述删除单元用于，在所述图像库中删除所述候选区域包括的显性图形块对应的局部特征向量。
16.根据权利要求14所述的装置，其特征在于，还包括添加单元，
所述添加单元用于，若所述候选区域具有稳定性且所述Q小于所述N，将所述候选区域的显性特征向量增加至非显性图像的特征向量集合中；所述非显性图像是所述图像序列中，在所述候选区域不存在所述显性图像块的图像。
17.根据权利要求11所述的装置，其特征在于，所述获取单元具体用于，对所述目标图像中的所述搜索目标进行分区，获得M个区域；所述M为大于1的整数；
对所述M个区域中的每一个区域进行颜色分析以及纹理分析，获得所述M个区域中的每一个区域的全局特征向量；
将所述M个区域的全局特征向量组合，构成所述目标图像的全局特征向量。
18.根据权利要求11所述的装置，其特征在于，所述获取单元具体用于，将所述目标图像等分为n·n块，获得n·n个图像块；
采用异常检测方法确定所述n·n个图像块中的显性图像块；所述显性图像块相对所述n·n个图像块中的其他图像块具有显性差异；
对所述显性图像块进行特征分析，获得所述显性图像块的显性特征向量；
将所有所述显性图像块的显性特征向量组合，构成所述目标图像的局部特征向量。
19.根据权利要求11所述的装置，其特征在于，所述确定单元具体用于，针对每一历史图像，确定所述历史图像与所述目标图像的相似度A＝x·dis(A1,A2)+y·dis(B1,B2)+z·dis(C1,C2)+q·dis(D1,D2)；其中，所述A1、B1是所述历史图像的全局特征向量，所述C1、D1是所述历史图像的局部特征向量；所述A2、B2是所述目标图像的全局特征向量，所述C2、D2是所述历史图像的局部特征向量；所述x、y是全局特征向量的权重系数，所述z、q是局部特征向量的权重系数；
将所有历史图像中，与所述目标图像的相似度最高的历史图像确定为所述目标图像的匹配图像。
20.根据权利要求11所述的装置，其特征在于，所述确定单元具体用于，去除所述待搜索图像的背景，仅保留所述待搜索目标；将仅包含所述待搜索目标的图像作为所述目标图像。
CN201610380518.1A 2016-05-31 2016-05-31 一种图像再识别方法及识别装置 Active CN107451156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610380518.1A CN107451156B (zh) 2016-05-31 2016-05-31 一种图像再识别方法及识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610380518.1A CN107451156B (zh) 2016-05-31 2016-05-31 一种图像再识别方法及识别装置

Publications (2)

Publication Number Publication Date
CN107451156A CN107451156A (zh) 2017-12-08
CN107451156B true CN107451156B (zh) 2021-08-20

Family

ID=60486036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610380518.1A Active CN107451156B (zh) 2016-05-31 2016-05-31 一种图像再识别方法及识别装置

Country Status (1)

Country Link
CN (1) CN107451156B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145150B (zh) * 2018-06-15 2021-02-12 深圳市商汤科技有限公司 目标匹配方法及装置、电子设备和存储介质
CN109711399B (zh) * 2018-11-05 2021-04-27 北京三快在线科技有限公司 基于图像的店铺识别方法、装置，电子设备
CN110413826A (zh) * 2019-06-27 2019-11-05 南京旷云科技有限公司 物品图像识别方法和设备、图像处理设备及介质
CN110309335B (zh) * 2019-07-03 2023-01-06 腾讯科技（深圳）有限公司 一种图片匹配方法、装置、设备及存储介质
CN110866532B (zh) * 2019-11-07 2022-12-30 浙江大华技术股份有限公司 对象的匹配方法和装置、存储介质及电子装置
CN111444370A (zh) * 2020-03-09 2020-07-24 腾讯科技（深圳）有限公司 图像检索方法、装置、设备及其存储介质
CN112925937B (zh) * 2021-02-22 2022-10-18 浙江大华技术股份有限公司 图像筛选方法、装置、存储介质及电子装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077376A (zh) * 2012-12-30 2013-05-01 信帧电子技术（北京）有限公司 基于视频图像中的人体图像再识别的方法
CN104166685A (zh) * 2014-07-24 2014-11-26 北京捷成世纪科技股份有限公司 一种检测视频片段的方法和装置
WO2016038647A1 (en) * 2014-09-11 2016-03-17 Nec Corporation Image processing device, image processing method and storage medium storing program thereof

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10069892B2 (en) * 2014-09-27 2018-09-04 Jianqing Wu Versatile information management system and method thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077376A (zh) * 2012-12-30 2013-05-01 信帧电子技术（北京）有限公司 基于视频图像中的人体图像再识别的方法
CN104166685A (zh) * 2014-07-24 2014-11-26 北京捷成世纪科技股份有限公司 一种检测视频片段的方法和装置
WO2016038647A1 (en) * 2014-09-11 2016-03-17 Nec Corporation Image processing device, image processing method and storage medium storing program thereof

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于全局和局部特征集成的人脸识别;苏煜;《软件学报》;20100831;1849-1861页 *

Also Published As

Publication number Publication date
CN107451156A (zh) 2017-12-08

Similar Documents

Publication Publication Date Title
CN107451156B (zh) 一种图像再识别方法及识别装置
US9478039B1 (en) Background modeling and foreground extraction method based on depth image
US10311595B2 (en) Image processing device and its control method, imaging apparatus, and storage medium
US9672634B2 (en) System and a method for tracking objects
CN108268823B (zh) 目标再识别方法和装置
EP1542155A1 (en) Object detection
US20110158540A1 (en) Pattern recognition method and pattern recognition apparatus
KR102095842B1 (ko) 격자지도 생성 장치 및 방법
US20140205186A1 (en) Techniques for Ground-Level Photo Geolocation Using Digital Elevation
US10007678B2 (en) Image processing apparatus, image processing method, and recording medium
CN109829353B (zh) 一种基于空间约束的人脸图像风格化方法
WO2019007253A1 (zh) 图像识别方法、装置及设备、可读介质
CN107408119A (zh) 图像检索装置、系统以及方法
US20170323149A1 (en) Rotation invariant object detection
EP1542154A2 (en) Object detection
US20210158071A1 (en) Match determination device, match determination method, storage medium
US20180307940A1 (en) A method and a device for image matching
Bashar et al. Multiple object tracking in recent times: A literature review
CN111159475B (zh) 基于多摄像头视频图像的行人再识别路径生成方法
CN111275616B (zh) 低空航拍图像拼接方法和装置
JP2020006788A (ja) 建築限界判定装置
KR20150131537A (ko) 오브젝트 추적 장치 및 그의 오브젝트 추적 방법
Li et al. Multi-object dynamic memory network for cell tracking in time-lapse microscopy images
JP6040825B2 (ja) 物体追跡プログラム、物体追跡方法及び物体追跡装置
CN104850600A (zh) 一种用于搜索包含人脸的图片的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant