CN108491872A - 目标再识别方法和装置、电子设备、程序和存储介质 - Google Patents
目标再识别方法和装置、电子设备、程序和存储介质 Download PDFInfo
- Publication number
- CN108491872A CN108491872A CN201810220900.5A CN201810220900A CN108491872A CN 108491872 A CN108491872 A CN 108491872A CN 201810220900 A CN201810220900 A CN 201810220900A CN 108491872 A CN108491872 A CN 108491872A
- Authority
- CN
- China
- Prior art keywords
- similarity
- image
- image data
- images
- data set
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种目标再识别方法和装置、电子设备、计算机程序和存储介质。其中,方法包括:根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;根据所述第二相似度对所述第一相似度进行优化处理;根据所述优化处理后的第一相似度,确定目标再识别的结果。本发明实施例可以获得更准确的再识别结果。
Description
技术领域
本发明属于计算机视觉技术领域,特别是涉及一种目标再识别方法和装置、电子设备、计算机程序和存储介质。
背景技术
行人再识别的任务主要是针对给出的一个行人的待识别图像,在大规模的图像数据集中寻找与待识别图像具有同一个行人的所有图像。目前解决这一问题的方法主要是对每一张行人的图像提取一个特征向量,利用这个特征向量将不同的行人区分开。
由于不同摄像设备之间的差异,以及行人的外观容易受到穿着、尺度、遮挡、姿态和视角等因素的影响,使得行人再识别成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。
发明内容
本发明实施例提供一种目标再识别技术方案。
根据本发明实施例的一个方面,提供一种目标再识别方法,包括:
根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;
根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;
根据所述第二相似度对所述第一相似度进行优化处理;
根据所述优化处理后的第一相似度,确定目标再识别的结果。
可选地,在本发明上述任一方法实施例中,所述根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度,包括:
对所述待识别图像与所述图像数据集中的每一个图像进行匹配处理,得到所述待识别图像与所述图像数据集中每一个图像的第一相似度。
可选地,在本发明上述任一方法实施例中,所述根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度,包括:
对所述图像数据集中的两两个图像进行匹配处理,得到所述图像数据集中两两个图像之间的第二相似度。
可选地,在本发明上述任一方法实施例中,所述根据所述第二相似度对所述第一相似度进行优化处理之前,还包括:
根据所述待识别图像与所述图像数据集中每一个图像的第一相似度,构成相似度向量;
根据所述图像数据集中两两个图像之间的第二相似度,构成相似度矩阵;
所述根据所述第二相似度对所述第一相似度进行优化处理,包括:根据所述相似度矩阵对所述相似度向量进行优化处理;
所述根据所述优化处理后的第一相似度,确定目标再识别的结果,包括:根据所述优化处理后的相似度向量,确定所述目标再识别的结果。
可选地,在本发明上述任一方法实施例中,所述根据所述优化处理后的第一相似度,确定目标再识别的结果,包括:
将小于预设相似度阈值的所述优化处理后的第一相似度对应的所述图像数据集中的图像确定为目标图像。
可选地,在本发明上述任一方法实施例中,所述根据待识别图像与图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度,包括:
根据所述待识别图像的特征向量和所述图像数据集中每一个图像的特征向量进行匹配处理,得到所述待识别图像与所述图像数据集中每一个图像的第一相似度;和/或
所述根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度,包括:
根据所述图像数据集中两两个图像的特征向量进行匹配处理,得到所述图像数据集中两两个图像之间的第二相似度。
可选地,在本发明上述任一方法实施例中,还包括:
对所述待识别图像的特征向量进行分组处理,得到第一特征向量组;
分别对所述图像数据集中的每一个图像的特征向量进行分组处理,得到所述图像数据集中每一个图像对应的第二特征向量组,所述图像数据集中全部图像对应的第二特征向量组构成第三特征向量组;
所述根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度,包括:根据所述第一特征向量组中的特征向量和所述第三特征向量组中的特征向量,确定相似度向量组;
所述根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度,包括:根据所述第三特征向量组中的特征向量,确定相似度矩阵组;
所述根据所述第二相似度对所述第一相似度进行优化处理,包括:根据所述相似度矩阵组对所述相似度向量组进行优化处理;
所述根据所述优化处理后的第一相似度,确定目标再识别的结果,包括:根据所述优化处理后的相似度向量组,确定目标再识别的结果。
可选地,在本发明上述任一方法实施例中,所述根据所述相似度矩阵组对所述相似度向量组进行优化处理,包括:
所述相似度矩阵组中的每一个相似度矩阵分别对所述相似度向量组中每一个相似度向量进行优化处理。
可选地,在本发明上述任一方法实施例中,所述根据所述优化处理后的相似度向量组,确定目标再识别的结果,包括:
根据所述优化处理后的相似度向量组中对应于所述图像数据集中同一个图像的相似度的平均值,得到所述待识别图像与所述图像数据集中每一个图像优化处理后的第一相似度;
将小于预设相似度阈值的所述优化处理后的第一相似度对应的所述图像数据集中的图像确定为目标图像。
可选地,在本发明上述任一方法实施例中,所述根据所述第一特征向量组中的特征向量和所述第三特征向量组中的特征向量,确定相似度向量组,包括:
根据所述第一特征向量组中的每一个特征向量和所述第三特征向量组中的全部特征向量,确定所述似度向量组中的每一个相似度向量。
可选地,在本发明上述任一方法实施例中,所述根据所述第一特征向量组中的每一个特征向量和所述第三特征向量组中的全部特征向量,确定所述似度向量组中的每一个相似度向量,包括:
根据所述第一特征向量组中的每一个特征向量和所述第三特征向量组中的每一个特征向量进行匹配处理,得到对应的相似度向量中的每一个相似度;
所述根据所述第三特征向量组中的特征向量,确定相似度矩阵组,包括:
根据所述第三特征向量组中的两两个特征向量进行匹配处理,得到所述相似度矩阵组中的每一个相似度;
根据所述相似度向量组中相似度向量的数量,确定所述相似度矩阵组中相似度矩阵的数量。
根据本发明实施例的另一个方面,提供一种目标再识别装置,包括:
处理单元,用于根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;以及根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;
优化单元,用于根据所述第二相似度对所述第一相似度进行优化处理;
识别单元,用于根据所述优化处理后的第一相似度,确定目标再识别的结果。
可选地,在本发明上述任一装置实施例中,所述处理单元,具体用于对所述待识别图像与所述图像数据集中的每一个图像进行匹配处理,得到所述待识别图像与所述图像数据集中每一个图像的第一相似度。
可选地,在本发明上述任一装置实施例中,所述处理单元,具体用于对所述图像数据集中的两两个图像进行匹配处理,得到所述图像数据集中两两个图像之间的第二相似度。
可选地,在本发明上述任一装置实施例中,所述处理单元,还用于根据所述待识别图像与所述图像数据集中每一个图像的第一相似度,构成相似度向量;以及根据所述图像数据集中两两个图像之间的第二相似度,构成相似度矩阵;
所述优化单元,具体用于根据所述相似度矩阵对所述相似度向量进行优化处理;
所述识别单元,具体用于根据所述优化处理后的相似度向量,确定所述目标再识别的结果。
可选地,在本发明上述任一装置实施例中,所述识别单元,具体用于将小于预设相似度阈值的所述优化处理后的第一相似度对应的所述图像数据集中的图像确定为目标图像。
可选地,在本发明上述任一装置实施例中,所述处理单元,具体用于根据所述待识别图像的特征向量和所述图像数据集中每一个图像的特征向量进行匹配处理,得到所述待识别图像与所述图像数据集中每一个图像的第一相似度;和/或根据所述图像数据集中两两个图像的特征向量进行匹配处理,得到所述图像数据集中两两个图像之间的第二相似度。
可选地,在本发明上述任一装置实施例中,还包括:
分组单元,用于对所述待识别图像的特征向量进行分组处理,得到第一特征向量组;以及分别对所述图像数据集中的每一个图像的特征向量进行分组处理,得到所述图像数据集中每一个图像对应的第二特征向量组,所述图像数据集中全部图像对应的第二特征向量组构成第三特征向量组;
所述处理单元,具体用于根据所述第一特征向量组中的特征向量和所述第三特征向量组中的特征向量,确定相似度向量组;以及根据所述第三特征向量组中的特征向量,确定相似度矩阵组;
所述优化单元,具体用于根据所述相似度矩阵组对所述相似度向量组进行优化处理;
所述识别单元,具体用于根据所述优化处理后的相似度向量组,确定目标再识别的结果。
可选地,在本发明上述任一装置实施例中,所述优化单元,具体用于所述相似度矩阵组中的每一个相似度矩阵分别对所述相似度向量组中每一个相似度向量进行优化处理。
可选地,在本发明上述任一装置实施例中,所述识别单元,具体用于根据所述优化处理后的相似度向量组中对应于所述图像数据集中同一个图像的相似度的平均值,得到所述待识别图像与所述图像数据集中每一个图像优化处理后的第一相似度;将小于预设相似度阈值的所述优化处理后的第一相似度对应的所述图像数据集中的图像确定为目标图像。
可选地,在本发明上述任一装置实施例中,所述处理单元,具体用于根据所述第一特征向量组中的每一个特征向量和所述第三特征向量组中的全部特征向量,确定所述似度向量组中的每一个相似度向量。
可选地,在本发明上述任一装置实施例中,所述处理单元,具体用于根据所述第一特征向量组中的每一个特征向量和所述第三特征向量组中的每一个特征向量进行匹配处理,得到对应的相似度向量中的每一个相似度;以及根据所述第三特征向量组中的两两个特征向量进行匹配处理,得到所述相似度矩阵组中的每一个相似度;根据所述相似度向量组中相似度向量的数量,确定所述相似度矩阵组中相似度矩阵的数量。
根据本发明实施例的又一个方面,提供的一种电子设备,包括上述任一实施例所述的装置。
根据本发明实施例的再一个方面,提供的一种电子设备,包括:
存储器,用于存储可执行指令;以及
处理器,用于与所述存储器通信以执行所述可执行指令从而完成上述任一实施例所述的方法。
根据本发明实施例的再一个方面,提供的一种计算机程序,包括计算机可读代码,当所述计算机可读代码在设备上运行时,所述设备中的处理器执行用于实现上述任一实施例所述方法的指令。
根据本发明实施例的再一个方面,提供的一种计算机程序产品,用于存储计算机可读指令,所述指令被执行时使得计算机执行上述任一实施例所述的方法。
在一个可选实施方式中,所述计算机程序产品具体为计算机存储介质,在另一个可选实施方式中,所述计算机程序产品具体为软件产品,例如SDK等。
基于本发明上述实施例提供的目标再识别方法和装置、电子设备、计算机程序和存储介质,通过在目标再识别的过程将数据集图像之间的相似性考虑进来,利用数据集图像之间的相似性对待识别图像与数据集图像的相似度进行优化,可以充分利用数据集图像提供的大量有效的信息来改善目标再识别方法的性能,从而可以获得更准确的再识别结果,当采用神经网络进行目标再识别时,通过在神经网络的训练过程中引入数据集图像之间的相似度,可以使神经网络学习到更多待识别图像的特征用来改善神经网络模型本身的参数。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1是本发明实施例目标再识别方法一些实施例的流程图。
图2是本发明实施例目标再识别方法另一些实施例的流程图。
图3是本发明实施例目标再识别方法的网络模型的一个示例的结构示意图。
图4是本发明实施例目标再识别装置一些实施例的结构示意图。
图5是本发明实施例目标再识别装置另一些实施例的结构示意图。
图6是本发明实施例电子设备一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
现有的行人再识别方法大多只关注某个待识别图像与数据集图像之间的相似程度,而忽略了数据集图像之间的相似性对识别结果的改善。这样必然会损失大量的信息,例如:一个行人的正面图像和背面图像很难匹配,但是行人的侧面图像与正面图像和背面图像都可以匹配起来。如果行人的正面图像是待识别图像,侧面图像和背面图像是数据集图像,单纯考虑待识别图像和数据集图像,很难将同一个行人的正面图像与背面图像进行正确匹配。但是如果利用侧面图像与背面图像的相似性,则可以间接地将正面图像与背面图像正确匹配,从而改善最终的结果,由此我们提出一种目标再识别方法,下面将结合图1详细描述本发明实施例提出的目标再识别方法的流程。
应理解,这里的目标再识别方法是对行人再识别方法的扩展,其中,目标可以是行人,也可以是除行人外的其他物体,本发明实施例对上述方法中的目标不作限定,因此这里的目标再识别可以是指利用计算机视觉技术判断图像或者视频序列中是否存在特定目标的技术,它与利用计算机视觉技术识别出图像或者视频中的目标的目标识别技术不同。
应理解,这里的目标再识别方法可以应用于实际对于图像的目标再识别,例如,利用神经网络对图像进行目标再识别,或者也可以应用于在神经网络的训练过程中对于图像的目标再识别,本发明实施例对上述方法的应用场景不作限定。
应理解,图1的例子仅仅是为了帮助本领域技术人员更好地理解本发明的技术方案,而不应理解成对本发明的限定。本领域技术人员可以在图1的基础上进行各种变换,而这种变换也应理解成本发明技术方案的一部分。
如图1所示,该方法包括:
102,根据待识别图像和图像数据集中的图像,确定待识别图像与图像数据集中每一个图像的第一相似度。
在本实施例中,待识别图像是包含给定的待识别目标的图像,例如:给定的待识别目标可以是行人,也可以是除行人外的其他物体,本发明实施例对待识别图像中的给定的待识别目标不做限定。在本实施例中,待识别图像可以通过多种方式获得。在一个可选的例子中,待识别图像可以是选自待识别图像数据集中的图像。在另一个可选的例子中,待识别图像可以是从摄像头随机获取的图像。本发明实施例对待识别图像的获得方式不做限定。
在本实施例中,图像数据集包含多个图像,是用来判断其中是否存在给定的待识别目标的图像的数据集。在本实施例中,图像数据集可以通过多种方式获得。在一个可选的例子中,图像数据集可以是由预先存储于数据库中的图像构成。在另一个可选的例子中,图像数据集可以是由采集自不重叠覆盖的摄像头中的图像构成。本发明实施例对图像数据集的获得方式不做限定。
可选地,可以通过对待识别图像与图像数据集中的每一个图像进行匹配处理,得到待识别图像与图像数据集中每一个图像的第一相似度。在一个或多个可选的例子中,可以根据待识别图像的特征向量和图像数据集中每一个图像的特征向量进行匹配处理,得到待识别图像与图像数据集中每一个图像的第一相似度。本发明实施例也可以通过其他方式进行匹配处理,本发明实施例对匹配处理的方式不做限定。
可选地,可以通过欧氏距离或者其它的相似度确定原则,确定待识别图像与图像数据集中图像的第一相似度,本发明实施例对此不做限定。
可选地,在根据图像的特征向量进行匹配处理之前,还可以根据待识别图像获得待识别图像的特征向量。在一个可选的例子中,可以通过对待识别图像进行特征提取处理,得到待识别图像的特征向量,在另一个可选的例子中,可以从预先存储的待识别图像的相关信息中,获得的待识别图像的特征向量,本发明实施例对待识别图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对待识别图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
可选地,在根据图像的特征向量进行匹配处理之前,还可以根据图像数据集中的每一个图像获得图像数据集中每一个图像的特征向量。在一个可选的例子中,可以通过分别对图像数据集中的每一个图像进行特征提取处理,得到图像数据集中每一个图像的特征向量。在另一个可选的例子中,可以从预先存储的图像数据集中每一个图像的相关信息中,获得的图像数据集中每一个图像的特征向量,本发明实施例对图像数据集中图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对数据集中的图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
在一个或多个可选的例子中,可以根据待识别图像与图像数据集中每一个图像的第一相似度构成相似度向量,通过将待识别图像与图像数据集中图像的第一相似度构成相似度向量,可以方便后续统一对这些第一相似度进行处理。
104,根据图像数据集中的图像,确定图像数据集中两两个图像之间的第二相似度。
可选地,可以通过对图像数据集中的两两个图像进行匹配处理,得到图像数据集中两两个图像之间的第二相似度。在一个或多个可选的例子中,可以根据图像数据集中两两个图像的特征向量进行匹配处理,得到图像数据集中两两个图像之间的第二相似度。本发明实施例也可以通过其他方式进行匹配处理,本发明实施例对匹配处理的方式不做限定。
可选地,可以通过欧氏距离或者其它的相似度确定原则,确定图像数据集中图像之间的第二相似度,本发明实施例对此不做限定。
在一个或多个可选的例子中,可以根据图像数据集中两两个图像之间的第二相似度构成相似度矩阵,通过将图像数据集中图像之间的第二相似度构成相似度矩阵,可以方便后续统一对这些第二相似度进行处理。
106,根据第二相似度对第一相似度进行优化处理。
可选地,当将待识别图像与图像数据集中每一个图像的第一相似度构成相似度向量,而将图像数据集中两两个图像之间的第二相似度构成相似度矩阵时,可以根据相似度矩阵对相似度向量进行优化处理,从而可以方便根据图像数据集中图像的第二相似度,统一对待识别图像与图像数据集中图像的第一相似度进行优化处理。
在一个或多个可选的例子中,可以通过随机游走模型获得根据相似度矩阵对相似度向量进行优化处理的方式,本发明实施例也可以通过其他方法获得优化处理的方式,本发明实施例对获得优化处理方式的方法不做限定。
108,根据优化处理后的第一相似度,确定目标再识别的结果。
可选地,当将待识别图像与图像数据集中每一个图像的第一相似度构成相似度向量,而将图像数据集中两两个图像之间的第二相似度构成相似度矩阵时,可以根据优化处理后的相似度向量确定目标再识别的结果,可以方便根据优化处理后的相似度向量,统一获得待识别图像与图像数据集中的图像优化后的相似度,从而方便根据优化后的相似度确定目标再识别的结果。
在一个或多个可选的例子中,在根据优化处理后的第一相似度,确定目标再识别的结果时,可以将小于预设相似度阈值的优化处理后的第一相似度对应的图像数据集中的图像确定为目标图像,作为目标再识别的结果。
可选地,本发明实施例的目标再识别的方法可以通过神经网络或者其他机器学习的方法来实现,在一个可选例子中,可以采用卷积神经网络或者其他类型的神经网络,本发明实施例对此不做限定。
基于本发明上述实施例提供的目标再识别方法,通过根据待识别图像和图像数据集中的图像,确定待识别图像与图像数据集中每一个图像的第一相似度,根据图像数据集中的图像,确定图像数据集中两两个图像之间的第二相似度,然后根据第二相似度对第一相似度进行优化处理,根据优化处理后的第一相似度,确定目标再识别的结果,在目标再识别的过程将数据集图像之间的相似性考虑进来,利用数据集图像之间的相似性对待识别图像与数据集图像的相似度进行优化,可以充分利用数据集图像提供的大量有效的信息来改善目标再识别方法的性能,从而可以获得更准确的再识别结果,当采用神经网络进行目标再识别时,通过在神经网络的训练过程中引入数据集图像之间的相似度,可以使神经网络学习到更多待识别图像的特征用来改善神经网络模型本身的参数。
当通过神经网络来实现本发明实施例提供的目标再识别方法时,在训练神经网络时可能会出现过度拟合的情况,一些神经元可能总是不活跃的,例如:人的上半身区域通常比下半身区域更明显,在经过神经网络训练后,经过人的上半身区域训练的神经元会受到良好的训练,而经过人的下半身区域训练的神经元则可能是非常不活跃的,这样在进行损失计算时经过人的上半身区域训练的神经元会占据主导地位,从而出现过度拟合的情况。
为了解决这一问题,我们提出分组处理的方法,将经由神经网络提取的每个特征向量进行分割,得到一组特征向量,将分割得到的一组特征向量中的每一个特征向量都作为一个独立的特征向量,来计算待识别图像和数据集图像之间的相似程度,以及数据集图像之间的相似程度,最后利用数据集图像之间的相似程度来改善待识别图像和数据集图像之间的相似程度。下面将结合图2详细描述在本发明实施例的方法中引入分组处理的流程。
应理解,图2的例子仅仅是为了帮助本领域技术人员更好地理解本发明的技术方案,而不应理解成对本发明的限定。本领域技术人员可以在图2的基础上进行各种变换,而这种变换也应理解成本发明技术方案的一部分。
如图2所示,该方法包括:
202,对待识别图像的特征向量进行分组处理,得到第一特征向量组。
在一个可选的例子中,可以通过对待识别图像进行特征提取处理,得到待识别图像的特征向量,在另一个可选的例子中,可以从预先存储的待识别图像的相关信息中,获得的待识别图像的特征向量,本发明实施例对待识别图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对待识别图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
可选地,可以根据待识别图像的特征向量的维度,沿着待识别图像的特征向量的维度对待识别图像的特征向量进行分组处理。在一个可选的实施例中,可以将待识别图像的特征向量均分为多个第一特征向量,由这些第一特征向量构成第一特征向量组。
204,分别对图像数据集中的每一个图像的特征向量进行分组处理,得到图像数据集中每一个图像对应的第二特征向量组,其中图像数据集中全部图像对应的第二特征向量组构成第三特征向量组。
在一个可选的例子中,可以通过分别对图像数据集中的每一个图像进行特征提取处理,得到图像数据集中每一个图像的特征向量。在另一个可选的例子中,可以从预先存储的图像数据集中每一个图像的相关信息中,获得的图像数据集中每一个图像的特征向量,本发明实施例对图像数据集中图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对数据集中的图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
可选地,对于图像数据集中的每一个图像的特征向量:可以根据这个特征向量的维度,沿着这个特征向量的维度对这个特征向量进行分组处理。在一个可选的实施例中,可以将这个特征向量均分为多个第二特征向量,由这些第二个特征向量构成第二特征向量组。进而由图像数据集中所有图像对应的第二特征向量组构成第三特征向量组。
可选地,可以使图像数据集中不同图像对应的第二特征向量组中第二特征向量的数量相同,且维度相同,即第三特征向量组中的第二特征向量的维度均相同,同时使第三特征向量组中第二特征向量的维度与第一特征向量组中第一特征向量的维度相同。
206,根据第一特征向量组中的特征向量和第三特征向量组中的特征向量,确定相似度向量组。
可选地,可以根据第一特征向量组中的每一个特征向量和第三特征向量组中的全部特征向量,确定相似度向量组中的每一个第一相似度向量。在一个可选的例子中,可以根据第一特征向量组中的每一个特征向量和第三特征向量组中的每一个特征向量进行匹配处理,得到对应的相似度向量中的每一个相似度。
可选地,可以通过欧氏距离或者其它的相似度确定原则确定相似度,本发明实施例对此不做限定。
208,根据第三特征向量组中的特征向量,确定相似度矩阵组。
可选地,可以根据第三特征向量组中的两两个特征向量进行匹配处理,得到相似度矩阵组中的每一个相似度,然后根据相似度向量组中相似度向量的数量,确定相似度矩阵组中相似度矩阵的数量,从而得到相似度矩阵组。
可选地,可以通过欧氏距离或者其它的相似度确定原则确定相似度,本发明实施例对此不做限定。
210,根据相似度矩阵组对相似度向量组进行优化处理。
可选地,可以通过相似度矩阵组中的每一个相似度矩阵分别对相似度向量组中每一个相似度向量进行优化处理,使相似度向量组中的每一个相似度向量均被相似度矩阵组中的所有相似度矩阵优化。
212,根据优化处理后的相似度向量组,确定目标再识别的结果。
可选地,可以根据优化处理后的相似度向量组中对应于图像数据集中同一个图像的相似度的平均值,得到待识别图像与图像数据集中每一个图像优化处理后的第一相似度,然后将小于预设相似度阈值的优化处理后的第一相似度对应的图像数据集中的图像确定为目标图像,作为目标再识别的结果。
在一个或多个可选的例子中,本发明实施例的目标再识别方法可以通过神经网络实现。下面将结合图3的例子详细描述实现本发明实施例的目标再识别方法的神经网络的结构。应理解,图3的例子仅仅是为了帮助本领域技术人员更好地理解本发明的技术方案,而不应理解成对本发明的限定。本领域技术人员可以在图3的基础上进行各种变换,而这种变换也应理解成本发明技术方案的一部分。
如图3所示,在目标再识别神经网络中,通过特征提取网络302分别对待识别图像和图像数据集进行特征提取处理,得到特征向量,特征向量通过分组模块304a、304b进行分组处理,将每个特征向量分为k组,得到第一特征向量组和第三特征向量组,第一特征向量组和第三特征向量组通过处理模块306a得到相似度向量组,第三特征向量组通过处理模块306b得到相似度矩阵组,通过优化模块308相似度矩阵组对相似度向量组进行优化处理,得到优化处理后的相似度向量。
图4是本发明实施例目标再识别装置一些实施例的结构示意图。应理解,图4的例子仅仅是为了帮助本领域技术人员更好地理解本发明的技术方案,而不应理解成对本发明的限定。本领域技术人员可以在图4的基础上进行各种变换,而这种变换也应理解成本发明技术方案的一部分。
如图4所示,该装置包括:处理单元410、优化单元420和识别单元430。其中,
处理单元410,用于根据待识别图像和图像数据集中的图像,确定待识别图像与图像数据集中每一个图像的第一相似度;以及根据图像数据集中的图像,确定图像数据集中两两个图像之间的第二相似度。
在本实施例中,待识别图像是包含给定的待识别目标的图像,例如:给定的待识别目标可以是行人,也可以是除行人外的其他物体,本发明实施例对待识别图像中的给定的待识别目标不做限定。在本实施例中,待识别图像可以通过多种方式获得。在一个可选的例子中,待识别图像可以是选自待识别图像数据集中的图像。在另一个可选的例子中,待识别图像可以是从摄像头随机获取的图像。本发明实施例对待识别图像的获得方式不做限定。
在本实施例中,图像数据集包含多个图像,是用来判断其中是否存在给定的待识别目标的图像的数据集。在本实施例中,图像数据集可以通过多种方式获得。在一个可选的例子中,图像数据集可以是由预先存储于数据库中的图像构成。在另一个可选的例子中,图像数据集可以是由采集自不重叠覆盖的摄像头中的图像构成。本发明实施例对图像数据集的获得方式不做限定。
可选地,处理单元410可以通过对待识别图像与图像数据集中的每一个图像进行匹配处理,得到待识别图像与图像数据集中每一个图像的第一相似度。在一个或多个可选的例子中,处理单元410可以根据待识别图像的特征向量和图像数据集中每一个图像的特征向量进行匹配处理,得到待识别图像与图像数据集中每一个图像的第一相似度。本发明实施例也可以通过其他方式进行匹配处理,本发明实施例对匹配处理的方式不做限定。
可选地,可以通过欧氏距离或者其它的相似度确定原则,确定待识别图像与图像数据集中图像的第一相似度,本发明实施例对此不做限定。
可选地,在根据图像的特征向量进行匹配处理之前,还可以根据待识别图像获得待识别图像的特征向量。在一个可选的例子中,可以通过对待识别图像进行特征提取处理,得到待识别图像的特征向量,在另一个可选的例子中,可以从预先存储的待识别图像的相关信息中,获得的待识别图像的特征向量,本发明实施例对待识别图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对待识别图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
可选地,在根据图像的特征向量进行匹配处理之前,还可以根据图像数据集中的每一个图像获得图像数据集中每一个图像的特征向量。在一个可选的例子中,可以通过分别对图像数据集中的每一个图像进行特征提取处理,得到图像数据集中每一个图像的特征向量。在另一个可选的例子中,可以从预先存储的图像数据集中每一个图像的相关信息中,获得的图像数据集中每一个图像的特征向量,本发明实施例对图像数据集中图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对数据集中的图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
在一个或多个可选的例子中,处理单元410可以根据待识别图像与图像数据集中每一个图像的第一相似度构成相似度向量,通过将待识别图像与图像数据集中图像的第一相似度构成相似度向量,可以方便后续统一对这些第一相似度进行处理。
可选地,处理单元410可以通过对图像数据集中的两两个图像进行匹配处理,得到图像数据集中两两个图像之间的第二相似度。在一个或多个可选的例子中,处理单元410可以根据图像数据集中两两个图像的特征向量进行匹配处理,得到图像数据集中两两个图像之间的第二相似度。本发明实施例也可以通过其他方式进行匹配处理,本发明实施例对匹配处理的方式不做限定。
可选地,可以通过欧氏距离或者其它的相似度确定原则,确定图像数据集中图像之间的第二相似度,本发明实施例对此不做限定。
在一个或多个可选的例子中,处理单元410可以根据图像数据集中两两个图像之间的第二相似度构成相似度矩阵,通过将图像数据集中图像之间的第二相似度构成相似度矩阵,可以方便后续统一对这些第二相似度进行处理。
优化单元420,用于根据第二相似度对第一相似度进行优化处理。
可选地,当将待识别图像与图像数据集中每一个图像的第一相似度构成相似度向量,而将图像数据集中两两个图像之间的第二相似度构成相似度矩阵时,优化单元420可以根据相似度矩阵对相似度向量进行优化处理,从而可以方便根据图像数据集中图像的第二相似度,统一对待识别图像与图像数据集中图像的第一相似度进行优化处理。
在一个或多个可选的例子中,可以通过随机游走模型获得根据相似度矩阵对相似度向量进行优化处理的方式,本发明实施例也可以通过其他方法获得优化处理的方式,本发明实施例对获得优化处理方式的方法不做限定。
识别单元430,用于根据优化处理后的第一相似度,确定目标再识别的结果。
可选地,当将待识别图像与图像数据集中每一个图像的第一相似度构成相似度向量,而将图像数据集中两两个图像之间的第二相似度构成相似度矩阵时,识别单元430可以根据优化处理后的相似度向量确定目标再识别的结果,可以方便根据优化处理后的相似度向量,统一获得待识别图像与图像数据集中的图像优化后的相似度,从而方便根据优化后的相似度确定目标再识别的结果。
在一个或多个可选的例子中,识别单元430在根据优化处理后的第一相似度,确定目标再识别的结果时,可以将小于预设相似度阈值的优化处理后的第一相似度对应的图像数据集中的图像确定为目标图像,作为目标再识别的结果。
可选地,本发明实施例的目标再识别的方法可以通过神经网络或者其他机器学习的方法来实现,在一个可选例子中,可以采用卷积神经网络或者其他类型的神经网络,本发明实施例对此不做限定。
基于本发明上述实施例提供的目标再识别装置,通过根据待识别图像和图像数据集中的图像,确定待识别图像与图像数据集中每一个图像的第一相似度,根据图像数据集中的图像,确定图像数据集中两两个图像之间的第二相似度,然后根据第二相似度对第一相似度进行优化处理,根据优化处理后的第一相似度,确定目标再识别的结果,在目标再识别的过程将数据集图像之间的相似性考虑进来,利用数据集图像之间的相似性对待识别图像与数据集图像的相似度进行优化,可以充分利用数据集图像提供的大量有效的信息来改善目标再识别方法的性能,从而可以获得更准确的再识别结果,当采用神经网络进行目标再识别时,通过在神经网络的训练过程中引入数据集图像之间的相似度,可以使神经网络学习到更多待识别图像的特征用来改善神经网络模型本身的参数。
图5是本发明实施例目标再识别装置另一些实施例的结构示意图。应理解,图5的例子仅仅是为了帮助本领域技术人员更好地理解本发明的技术方案,而不应理解成对本发明的限定。本领域技术人员可以在图5的基础上进行各种变换,而这种变换也应理解成本发明技术方案的一部分。
如图5所示,该装置包括:分组单元510、处理单元520、优化单元530和识别单元540。其中,
分组单元510,用于对待识别图像的特征向量进行分组处理,得到第一特征向量组;以及分别对图像数据集中的每一个图像的特征向量进行分组处理,得到图像数据集中每一个图像对应的第二特征向量组,其中图像数据集中全部图像对应的第二特征向量组构成第三特征向量组。
在一个可选的例子中,可以通过对待识别图像进行特征提取处理,得到待识别图像的特征向量,在另一个可选的例子中,可以从预先存储的待识别图像的相关信息中,获得的待识别图像的特征向量,本发明实施例对待识别图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对待识别图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
可选地,可以根据待识别图像的特征向量的维度,沿着待识别图像的特征向量的维度对待识别图像的特征向量进行分组处理。在一个可选的实施例中,可以将待识别图像的特征向量均分为多个第一特征向量,由这些第一特征向量构成第一特征向量组。
在一个可选的例子中,可以通过分别对图像数据集中的每一个图像进行特征提取处理,得到图像数据集中每一个图像的特征向量。在另一个可选的例子中,可以从预先存储的图像数据集中每一个图像的相关信息中,获得的图像数据集中每一个图像的特征向量,本发明实施例对图像数据集中图像的特征向量的获取方式不做限定。
可选地,可以通过神经网络对数据集中的图像进行特征提取处理。在一个可选的例子中,神经网络可以采用卷积神经网络。可选地,也可以采用其它类型的神经网络,本发明实施例对此不做限定。
可选地,对于图像数据集中的每一个图像的特征向量:可以根据这个特征向量的维度,沿着这个特征向量的维度对这个特征向量进行分组处理。在一个可选的实施例中,可以将这个特征向量均分为多个第二特征向量,由这些第二个特征向量构成第二特征向量组。进而由图像数据集中所有图像对应的第二特征向量组构成第三特征向量组。
可选地,可以使图像数据集中不同图像对应的第二特征向量组中第二特征向量的数量相同,且维度相同,即第三特征向量组中的第二特征向量的维度均相同,同时使第三特征向量组中第二特征向量的维度与第一特征向量组中第一特征向量的维度相同。
处理单元520,用于根据第一特征向量组中的特征向量和第三特征向量组中的特征向量,确定相似度向量组;以及根据第三特征向量组中的特征向量,确定相似度矩阵组。
可选地,处理单元520可以根据第一特征向量组中的每一个特征向量和第三特征向量组中的全部特征向量,确定相似度向量组中的每一个第一相似度向量。在一个可选的例子中,处理单元520可以根据第一特征向量组中的每一个特征向量和第三特征向量组中的每一个特征向量进行匹配处理,得到对应的相似度向量中的每一个相似度。
可选地,处理单元520可以根据第三特征向量组中的两两个特征向量进行匹配处理,得到相似度矩阵组中的每一个相似度,然后根据相似度向量组中相似度向量的数量,确定相似度矩阵组中相似度矩阵的数量,从而得到相似度矩阵组。
可选地,可以通过欧氏距离或者其它的相似度确定原则确定相似度,本发明实施例对此不做限定。
优化单元530,用于根据相似度矩阵组对相似度向量组进行优化处理。
可选地,优化单元530可以通过相似度矩阵组中的每一个相似度矩阵分别对相似度向量组中每一个相似度向量进行优化处理,使相似度向量组中的每一个相似度向量均被相似度矩阵组中的所有相似度矩阵优化。
识别单元540,用于根据优化处理后的相似度向量组,确定目标再识别的结果。
可选地,识别单元540可以根据优化处理后的相似度向量组中对应于图像数据集中同一个图像的相似度的平均值,得到待识别图像与图像数据集中每一个图像优化处理后的第一相似度,然后将小于预设相似度阈值的优化处理后的第一相似度对应的图像数据集中的图像确定为目标图像,作为目标再识别的结果。
另外,本发明实施例还提供了一种电子设备,例如可以是移动终端、个人确定机(PC)、平板电脑、服务器等,该电子设备设置有本发明上述任一实施例的目标再识别装置。
本发明实施例还提供了一种电子设备,例如可以是移动终端、个人确定机(PC)、平板电脑、服务器等。下面参考图6,其示出了适于用来实现本申请实施例的终端设备或服务器的电子设备600的结构示意图:如图6所示,确定机系统600包括一个或多个处理器、通信部等,所述一个或多个处理器例如:一个或多个中央处理单元(CPU)601,和/或一个或多个图像处理器(GPU)613等,处理器可以根据存储在只读存储器(ROM)602中的可执行指令或者从存储部分608加载到随机访问存储器(RAM)603中的可执行指令而执行各种适当的动作和处理。通信部612可包括但不限于网卡,所述网卡可包括但不限于IB(Infiniband)网卡。
处理器可与只读存储器602和/或随机访问存储器630中通信以执行可执行指令,通过总线604与通信部612相连、并经通信部612与其他目标设备通信,从而完成本申请实施例提供的任一项方法对应的操作,例如,根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;根据所述第二相似度对所述第一相似度进行优化处理;根据所述优化处理后的第一相似度,确定目标再识别的结果。
此外,在RAM 603中,还可存储有装置操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。在有RAM603的情况下,ROM602为可选模块。RAM603存储可执行指令,或在运行时向ROM602中写入可执行指令,可执行指令使处理器601执行上述通信方法对应的操作。输入/输出(I/O)接口605也连接至总线604。通信部612可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡),并在总线链接上。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的确定机程序根据需要被安装入存储部分608。
需要说明的,如图6所示的架构仅为一种可选实现方式,在具体实践过程中,可根据实际需要对上述图6的部件数量和类型进行选择、删减、增加或替换;在不同功能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置或者可将GPU集成在CPU上,通信部可分离设置,也可集成设置在CPU或GPU上,等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令,例如,根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;根据所述第二相似度对所述第一相似度进行优化处理;根据所述优化处理后的第一相似度,确定目标再识别的结果。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
在一个或多个可选实施方式中,本发明实施例还提供了一种计算机程序程序产品,用于存储计算机可读指令,该指令被执行时使得计算机执行上述任一可能的实现方式中的目标再识别方法。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选例子中,该计算机程序产品具体体现为计算机存储介质,在另一个可选例子中,该计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
在一个或多个可选实施方式中,本发明实施例还提供了一种目标再识别方法及其对应的装置和电子设备、计算机存储介质、计算机程序以及计算机程序产品,其中,该方法包括:第一装置向第二装置发送目标再识别指示,该指示使得第二装置执行上述任一可能的实施例中的目标再识别方法;第一装置接收第二装置发送的图像的目标检测结果。
在一些实施例中,该目标再识别指示可以具体为调用指令,第一装置可以通过调用的方式指示第二装置执行目标再识别,相应地,响应于接收到调用指令,第二装置可以执行上述目标再识别方法中的任意实施例中的步骤和/或流程。
应理解,本发明实施例中的“第一”、“第二”等术语仅仅是为了区分,而不应理解成对本发明实施例的限定。
还应理解,在本发明中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本发明中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
还应理解,本发明对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种目标再识别方法,其特征在于,包括:
根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;
根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;
根据所述第二相似度对所述第一相似度进行优化处理;
根据所述优化处理后的第一相似度,确定目标再识别的结果。
2.根据权利要求1所述的方法,其特征在于,所述根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度,包括:
对所述待识别图像与所述图像数据集中的每一个图像进行匹配处理,得到所述待识别图像与所述图像数据集中每一个图像的第一相似度。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度,包括:
对所述图像数据集中的两两个图像进行匹配处理,得到所述图像数据集中两两个图像之间的第二相似度。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,所述根据所述第二相似度对所述第一相似度进行优化处理之前,还包括:
根据所述待识别图像与所述图像数据集中每一个图像的第一相似度,构成相似度向量;
根据所述图像数据集中两两个图像之间的第二相似度,构成相似度矩阵;
所述根据所述第二相似度对所述第一相似度进行优化处理,包括:根据所述相似度矩阵对所述相似度向量进行优化处理;
所述根据所述优化处理后的第一相似度,确定目标再识别的结果,包括:根据所述优化处理后的相似度向量,确定所述目标再识别的结果。
5.根据权利要求1所述的方法,其特征在于,还包括:
对所述待识别图像的特征向量进行分组处理,得到第一特征向量组;
分别对所述图像数据集中的每一个图像的特征向量进行分组处理,得到所述图像数据集中每一个图像对应的第二特征向量组,所述图像数据集中全部图像对应的第二特征向量组构成第三特征向量组;
所述根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度,包括:根据所述第一特征向量组中的特征向量和所述第三特征向量组中的特征向量,确定相似度向量组;
所述根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度,包括:根据所述第三特征向量组中的特征向量,确定相似度矩阵组;
所述根据所述第二相似度对所述第一相似度进行优化处理,包括:根据所述相似度矩阵组对所述相似度向量组进行优化处理;
所述根据所述优化处理后的第一相似度,确定目标再识别的结果,包括:根据所述优化处理后的相似度向量组,确定目标再识别的结果。
6.一种目标再识别装置,其特征在于,包括:
处理单元,用于根据待识别图像和图像数据集中的图像,确定所述待识别图像与所述图像数据集中每一个图像的第一相似度;以及根据所述图像数据集中的图像,确定所述图像数据集中两两个图像之间的第二相似度;
优化单元,用于根据所述第二相似度对所述第一相似度进行优化处理;
识别单元,用于根据所述优化处理后的第一相似度,确定目标再识别的结果。
7.一种电子设备,其特征在于,包括权利要求6所述的装置。
8.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;以及
处理器,用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至5中任意一项所述的方法。
9.一种计算机程序,包括计算机可读代码,其特征在于,当所述计算机可读代码在设备上运行时,所述设备中的处理器执行用于实现权利要求1至5中任意一项所述方法的指令。
10.一种计算机存储介质,用于存储计算机可读取的指令,其特征在于,所述指令被执行时执行权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220900.5A CN108491872B (zh) | 2018-03-16 | 2018-03-16 | 目标再识别方法和装置、电子设备、程序和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220900.5A CN108491872B (zh) | 2018-03-16 | 2018-03-16 | 目标再识别方法和装置、电子设备、程序和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491872A true CN108491872A (zh) | 2018-09-04 |
CN108491872B CN108491872B (zh) | 2020-10-30 |
Family
ID=63339774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220900.5A Active CN108491872B (zh) | 2018-03-16 | 2018-03-16 | 目标再识别方法和装置、电子设备、程序和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491872B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522937A (zh) * | 2018-10-23 | 2019-03-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109697457A (zh) * | 2018-11-26 | 2019-04-30 | 上海图森未来人工智能科技有限公司 | 物体重识别系统的训练方法、物体重识别方法及相关设备 |
WO2020186689A1 (zh) * | 2019-03-18 | 2020-09-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
CN111738362A (zh) * | 2020-08-03 | 2020-10-02 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
CN111738062A (zh) * | 2020-05-09 | 2020-10-02 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别方法及系统 |
CN112733067A (zh) * | 2020-12-22 | 2021-04-30 | 上海机器人产业技术研究院有限公司 | 一种面向机器人目标检测算法的数据集选择方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160048741A1 (en) * | 2014-08-12 | 2016-02-18 | Siemens Aktiengesellschaft | Multi-layer aggregation for object detection |
CN107153824A (zh) * | 2017-05-22 | 2017-09-12 | 中国人民解放军国防科学技术大学 | 基于图聚类的跨视频行人重识别方法 |
CN107704890A (zh) * | 2017-10-27 | 2018-02-16 | 北京旷视科技有限公司 | 一种四元组图像的生成方法和装置 |
-
2018
- 2018-03-16 CN CN201810220900.5A patent/CN108491872B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160048741A1 (en) * | 2014-08-12 | 2016-02-18 | Siemens Aktiengesellschaft | Multi-layer aggregation for object detection |
CN107153824A (zh) * | 2017-05-22 | 2017-09-12 | 中国人民解放军国防科学技术大学 | 基于图聚类的跨视频行人重识别方法 |
CN107704890A (zh) * | 2017-10-27 | 2018-02-16 | 北京旷视科技有限公司 | 一种四元组图像的生成方法和装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522937A (zh) * | 2018-10-23 | 2019-03-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109697457A (zh) * | 2018-11-26 | 2019-04-30 | 上海图森未来人工智能科技有限公司 | 物体重识别系统的训练方法、物体重识别方法及相关设备 |
WO2020186689A1 (zh) * | 2019-03-18 | 2020-09-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
US11232288B2 (en) | 2019-03-18 | 2022-01-25 | Shenzhen Sensetime Technology Co., Ltd. | Image clustering method and apparatus, electronic device, and storage medium |
CN111738062A (zh) * | 2020-05-09 | 2020-10-02 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别方法及系统 |
CN111738062B (zh) * | 2020-05-09 | 2024-05-17 | 广智微芯(扬州)有限公司 | 一种基于嵌入式平台的自动再识别系统 |
CN111738362A (zh) * | 2020-08-03 | 2020-10-02 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
CN111738362B (zh) * | 2020-08-03 | 2020-12-01 | 成都睿沿科技有限公司 | 对象识别方法及装置、存储介质及电子设备 |
CN112733067A (zh) * | 2020-12-22 | 2021-04-30 | 上海机器人产业技术研究院有限公司 | 一种面向机器人目标检测算法的数据集选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108491872B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491872A (zh) | 目标再识别方法和装置、电子设备、程序和存储介质 | |
Oh et al. | Approaching the computational color constancy as a classification problem through deep learning | |
CN106599789B (zh) | 视频类别识别方法和装置、数据处理装置和电子设备 | |
CN109214273A (zh) | 人脸图像比对方法、装置、计算机设备及存储介质 | |
Kim et al. | Salient region detection via high-dimensional color transform | |
CN109902548B (zh) | 一种对象属性识别方法、装置、计算设备及系统 | |
CN108427927B (zh) | 目标再识别方法和装置、电子设备、程序和存储介质 | |
CN108229318A (zh) | 手势识别和手势识别网络的训练方法及装置、设备、介质 | |
CN105809123B (zh) | 人脸检测方法及装置 | |
CN109800821A (zh) | 训练神经网络的方法、图像处理方法、装置、设备和介质 | |
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
EP4099217A1 (en) | Image processing model training method and apparatus, device, and storage medium | |
CN108229341A (zh) | 分类方法和装置、电子设备、计算机存储介质、程序 | |
CN108229303A (zh) | 检测识别和检测识别网络的训练方法及装置、设备、介质 | |
CN109960974A (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN110399890A (zh) | 图像识别方法、装置、电子设备及可读存储介质 | |
CN110163096B (zh) | 人物识别方法、装置、电子设备和计算机可读介质 | |
Yan et al. | Multiscale convolutional neural networks for hand detection | |
CN110175980A (zh) | 图像清晰度识别方法、图像清晰度识别装置及终端设备 | |
CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
CN108280455A (zh) | 人体关键点检测方法和装置、电子设备、程序和介质 | |
CN108229532A (zh) | 图像识别方法、装置和电子设备 | |
CN110222572A (zh) | 跟踪方法、装置、电子设备及存储介质 | |
CN113989944B (zh) | 操作动作识别方法、装置及存储介质 |
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 |