CN109145150B - 目标匹配方法及装置、电子设备和存储介质 - Google Patents

目标匹配方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109145150B
CN109145150B CN201810621959.5A CN201810621959A CN109145150B CN 109145150 B CN109145150 B CN 109145150B CN 201810621959 A CN201810621959 A CN 201810621959A CN 109145150 B CN109145150 B CN 109145150B
Authority
CN
China
Prior art keywords
image sequence
feature vector
frame
candidate image
query
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
CN201810621959.5A
Other languages
English (en)
Other versions
CN109145150A (zh
Inventor
张瑞茂
孙红斌
罗平
葛玉莹
任宽泽
林倞
王晓刚
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201810621959.5A priority Critical patent/CN109145150B/zh
Publication of CN109145150A publication Critical patent/CN109145150A/zh
Priority to SG11202003581YA priority patent/SG11202003581YA/en
Priority to KR1020207007917A priority patent/KR20200042513A/ko
Priority to JP2020515878A priority patent/JP6883710B2/ja
Priority to PCT/CN2019/086670 priority patent/WO2019237870A1/zh
Priority to US16/841,723 priority patent/US11222231B2/en
Application granted granted Critical
Publication of CN109145150B publication Critical patent/CN109145150B/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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • 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
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • 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
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Library & Information Science (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种目标匹配方法及装置、电子设备和存储介质。该方法包括：提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量；基于查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，确定查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量和候选图像序列的协同表达特征向量；基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量和候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量；基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果。本公开能够提高目标匹配的准确性。

Description

目标匹配方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种目标匹配方法及装置、电子设备和存储介质。
背景技术
目标匹配是指返回数据库中与查询视频或查询图像具有相同目标的视频或图像。目标匹配技术广泛地应用于机场、车站、校园和商场等场所的安防监控系统中。相关技术中，目标匹配的准确性较低。
发明内容
本公开提出了一种目标匹配技术方案。
根据本公开的一方面，提供了一种目标匹配方法，包括：
分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，所述查询图像序列包含待匹配目标；
分别基于所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量，确定所述查询图像序列的自表达特征向量和所述候选图像序列的自表达特征向量；
基于所述查询图像序列中每一帧的特征向量和所述候选图像序列的自表达特征向量，确定所述查询图像序列的协同表达特征向量，以及基于所述候选图像序列中每一帧的特征向量和所述查询图像序列的自表达特征向量，确定所述候选图像序列的协同表达特征向量；
基于所述查询图像序列的自表达特征向量、所述查询图像序列的协同表达特征向量、所述候选图像序列的自表达特征向量以及所述候选图像序列的协同表达特征向量，确定所述查询图像序列与所述候选图像序列的相似性特征向量；
基于所述相似性特征向量，确定所述查询图像序列与所述候选图像序列的匹配结果。
在一种可能的实现方式中，分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，包括：
通过第一子神经网络提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。
在一种可能的实现方式中，在提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量之后，所述方法还包括：
通过第一子神经网络的第一全连接层对所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第一降维特征向量和所述候选图像序列中每一帧的第一降维特征向量。
在一种可能的实现方式中，分别基于所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量，确定所述查询图像序列的自表达特征向量和所述候选图像序列的自表达特征向量包括：
将所述查询图像序列中每一帧的特征向量和所述查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述查询图像序列的自表达特征向量；
将所述候选图像序列中每一帧的特征向量和所述候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述候选图像序列的自表达特征向量。
在一种可能的实现方式中，将所述查询图像序列中每一帧的特征向量和所述查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述查询图像序列的自表达特征向量，包括：
通过所述第二子神经网络的第二全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第二降维特征向量；
将所述查询图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述查询图像序列的整体特征向量；
基于所述查询图像序列中每一帧的第二降维特征向量、所述查询图像序列的整体特征向量以及所述查询图像序列中每一帧的第一降维特征向量，确定所述查询图像序列的自表达特征向量。
在一种可能的实现方式中，将所述候选图像序列中每一帧的特征向量和所述候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，得到所述候选图像序列的自表达特征向量，包括：
通过所述第二子神经网络的第二全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第二降维特征向量；
将所述候选图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述候选图像序列的整体特征向量；
基于所述候选图像序列中每一帧的第二降维特征向量、所述候选图像序列的整体特征向量以及所述候选图像序列中每一帧的第一降维特征向量，确定所述候选图像序列的自表达特征向量。
在一种可能的实现方式中，基于所述查询图像序列中每一帧的第二降维特征向量、所述查询图像序列的整体特征向量以及所述查询图像序列中每一帧的第一降维特征向量，确定所述查询图像序列的自表达特征向量，包括：
通过无参数相关函数计算所述查询图像序列中每一帧的第二降维特征向量与所述查询图像序列的整体特征向量的相关度，得到所述查询图像序列中每一帧的第一相关权重；
基于所述查询图像序列中每一帧的第一相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的自表达特征向量。
在一种可能的实现方式中，基于所述候选图像序列中每一帧的第二降维特征向量、所述候选图像序列的整体特征向量以及所述候选图像序列中每一帧的第一降维特征向量，确定所述候选图像序列的自表达特征向量，包括：
通过无参数相关函数计算所述候选图像序列中每一帧的第二降维特征向量与所述候选图像序列的整体特征向量的相关度，得到所述候选图像序列中每一帧的第一相关权重；
基于所述候选图像序列中每一帧的第一相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的自表达特征向量。
在一种可能的实现方式中，所述第一相关权重包括第一归一化相关权重，所述第一归一化相关权重是对所述第一相关权重进行归一化处理得到的。
在一种可能的实现方式中，基于所述查询图像序列中每一帧的特征向量和所述候选图像序列的自表达特征向量，确定所述查询图像序列的协同表达特征向量，以及基于所述候选图像序列中每一帧的特征向量和所述查询图像序列的自表达特征向量，确定所述候选图像序列的协同表达特征向量，包括：
将所述查询图像序列中每一帧的特征向量、所述查询图像序列中每一帧的第一降维特征向量以及所述候选图像序列的自表达特征向量输入第三子神经网络中，得到所述查询图像序列的协同表达特征向量；
将所述候选图像序列中每一帧的特征向量、所述候选图像序列中每一帧的第一降维特征向量以及所述查询图像序列的自表达特征向量输入第三子神经网络中，得到所述候选图像序列的协同表达特征向量。
在一种可能的实现方式中，将所述查询图像序列中每一帧的特征向量、所述查询图像序列中每一帧的第一降维特征向量以及所述候选图像序列的自表达特征向量输入第三子神经网络中，得到所述查询图像序列的协同表达特征向量，包括：
通过所述第三子神经网络的第三全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第三降维特征向量；
基于所述查询图像序列中每一帧的第三降维特征向量、所述候选图像序列的自表达特征向量以及所述查询图像序列中每一帧的第一降维特征向量，得到所述查询图像序列的协同表达特征向量；
将所述候选图像序列中每一帧的特征向量、所述候选图像序列中每一帧的第一降维特征向量以及所述查询图像序列的自表达特征向量输入第三子神经网络中，得到所述候选图像序列的协同表达特征向量，包括：
通过所述第三子神经网络的第三全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第三降维特征向量；
基于所述候选图像序列中每一帧的第三降维特征向量、所述查询图像序列的自表达特征向量以及所述候选图像序列中每一帧的第一降维特征向量，得到所述候选图像序列的协同表达特征向量。
在一种可能的实现方式中，基于所述查询图像序列中每一帧的第三降维特征向量、所述候选图像序列的自表达特征向量以及所述查询图像序列中每一帧的第一降维特征向量，得到所述查询图像序列的协同表达特征向量，包括：
通过无参数相关函数计算所述查询图像序列中每一帧的第三降维特征向量与所述候选图像序列的自表达特征向量的相关度，得到所述查询图像序列中每一帧的第二相关权重；
基于所述查询图像序列中每一帧的第二相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的协同表达特征向量。
在一种可能的实现方式中，基于所述候选图像序列中每一帧的第三降维特征向量、所述查询图像序列的自表达特征向量以及所述候选图像序列中每一帧的第一降维特征向量，得到所述候选图像序列的协同表达特征向量，包括：
通过无参数相关函数计算所述候选图像序列中每一帧的第三降维特征向量与所述查询图像序列的自表达特征向量的相关度，得到所述候选图像序列中每一帧的第二相关权重；
基于所述候选图像序列中每一帧的第二相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的协同表达特征向量。
在一种可能的实现方式中，所述第二相关权重包括第二归一化相关权重，所述第二归一化相关权重是对所述第二相关权重进行归一化处理得到的。
在一种可能的实现方式中，基于所述查询图像序列的自表达特征向量、所述查询图像序列的协同表达特征向量、所述候选图像序列的自表达特征向量以及所述候选图像序列的协同表达特征向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量，包括：
计算所述查询图像序列的自表达特征向量与所述候选图像序列的协同表达特征向量之差，得到第一差向量；
计算所述候选图像序列的自表达特征向量与所述查询图像序列的协同表达特征向量之差，得到第二差向量；
基于所述第一差向量与所述第二差向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
在一种可能的实现方式中，基于所述第一差向量与所述第二差向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量，包括：
计算所述第一差向量与所述第二差向量之和，得到所述查询图像序列与所述候选图像序列的相似性特征向量；或者，
计算所述第一差向量与所述第二差向量的相应位的元素的乘积，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
在一种可能的实现方式中，基于所述相似性特征向量，确定所述查询图像序列与所述候选图像序列的匹配结果，包括：
将所述查询图像序列与所述候选图像序列的相似性特征向量输入第四全连接层，得到所述查询图像序列与所述候选图像序列的匹配分数；
基于所述查询图像序列与所述候选图像序列的匹配分数，确定所述查询图像序列与所述候选图像序列的匹配结果。
在一种可能的实现方式中，在得到所述查询图像序列与所述候选图像序列的匹配分数之后，所述方法还包括：
基于所述查询图像序列与所述候选图像序列的匹配分数，采用同对标注数据和二元交叉熵损失函数，优化网络参数。
在一种可能的实现方式中，在提取查询图像序列中每一帧的特征向量之前，所述方法还包括：
将查询视频切分为多个查询图像序列；
将候选视频切分为多个候选图像序列；
在确定所述查询图像序列与所述候选图像序列的匹配结果之后，所述方法还包括：
基于所述查询视频的查询图像序列与所述候选视频的候选图像序列的匹配结果，确定所述查询视频与所述候选视频的匹配结果。
在一种可能的实现方式中，将查询视频切分为多个查询图像序列，包括：
按照预设序列长度以及预设步长，将查询视频切分为多个查询图像序列，其中，所述查询图像序列的长度等于所述预设序列长度，相邻的查询图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差；
将候选视频切分为多个候选图像序列，包括：
按照预设序列长度以及预设步长，将候选视频切分为多个候选图像序列，其中，所述候选图像序列的长度等于所述预设序列长度，相邻的候选图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差。
在一种可能的实现方式中，基于所述查询视频的查询图像序列与所述候选视频的候选图像序列的匹配结果，确定所述查询视频与所述候选视频的匹配结果，包括：
确定所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数；
计算所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数中最高的N个匹配分数的平均值，得到所述查询视频与所述候选视频的匹配分数，其中，N为正整数；
基于所述查询视频与所述候选视频的匹配分数，确定所述查询视频与所述候选视频的匹配结果。
根据本公开的一方面，提供了一种目标匹配装置，包括：
提取模块，用于分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，所述查询图像序列包含待匹配目标；
第一确定模块，用于分别基于所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量，确定所述查询图像序列的自表达特征向量和所述候选图像序列的自表达特征向量；
第二确定模块，用于基于所述查询图像序列中每一帧的特征向量和所述候选图像序列的自表达特征向量，确定所述查询图像序列的协同表达特征向量，以及基于所述候选图像序列中每一帧的特征向量和所述查询图像序列的自表达特征向量，确定所述候选图像序列的协同表达特征向量；
第三确定模块，用于基于所述查询图像序列的自表达特征向量、所述查询图像序列的协同表达特征向量、所述候选图像序列的自表达特征向量以及所述候选图像序列的协同表达特征向量，确定所述查询图像序列与所述候选图像序列的相似性特征向量；
第四确定模块，用于基于所述相似性特征向量，确定所述查询图像序列与所述候选图像序列的匹配结果。
在一种可能的实现方式中，所述提取模块用于：
通过第一子神经网络提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。
在一种可能的实现方式中，所述装置还包括：
降维模块，用于通过第一子神经网络的第一全连接层对所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第一降维特征向量和所述候选图像序列中每一帧的第一降维特征向量。
在一种可能的实现方式中，所述第一确定模块包括：
第一确定子模块，用于将所述查询图像序列中每一帧的特征向量和所述查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述查询图像序列的自表达特征向量；
第二确定子模块，用于将所述候选图像序列中每一帧的特征向量和所述候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述候选图像序列的自表达特征向量。
在一种可能的实现方式中，所述第一确定子模块包括：
第一降维单元，用于通过所述第二子神经网络的第二全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第二降维特征向量；
第一平均池化单元，用于将所述查询图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述查询图像序列的整体特征向量；
第一确定单元，用于基于所述查询图像序列中每一帧的第二降维特征向量、所述查询图像序列的整体特征向量以及所述查询图像序列中每一帧的第一降维特征向量，确定所述查询图像序列的自表达特征向量。
在一种可能的实现方式中，所述第二确定子模块包括：
第二降维单元，用于通过所述第二子神经网络的第二全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第二降维特征向量；
第二平均池化单元，用于将所述候选图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述候选图像序列的整体特征向量；
第二确定单元，用于基于所述候选图像序列中每一帧的第二降维特征向量、所述候选图像序列的整体特征向量以及所述候选图像序列中每一帧的第一降维特征向量，确定所述候选图像序列的自表达特征向量。
在一种可能的实现方式中，所述第一确定单元包括：
第一计算子单元，用于通过无参数相关函数计算所述查询图像序列中每一帧的第二降维特征向量与所述查询图像序列的整体特征向量的相关度，得到所述查询图像序列中每一帧的第一相关权重；
第一加权子单元，用于基于所述查询图像序列中每一帧的第一相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的自表达特征向量。
在一种可能的实现方式中，所述第二确定单元包括：
第二计算子单元，用于通过无参数相关函数计算所述候选图像序列中每一帧的第二降维特征向量与所述候选图像序列的整体特征向量的相关度，得到所述候选图像序列中每一帧的第一相关权重；
第二加权子单元，用于基于所述候选图像序列中每一帧的第一相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的自表达特征向量。
在一种可能的实现方式中，所述第一相关权重包括第一归一化相关权重，所述第一归一化相关权重是对所述第一相关权重进行归一化处理得到的。
在一种可能的实现方式中，所述第二确定模块包括：
第三确定子模块，用于将所述查询图像序列中每一帧的特征向量、所述查询图像序列中每一帧的第一降维特征向量以及所述候选图像序列的自表达特征向量输入第三子神经网络中，得到所述查询图像序列的协同表达特征向量；
第四确定子模块，用于将所述候选图像序列中每一帧的特征向量、所述候选图像序列中每一帧的第一降维特征向量以及所述查询图像序列的自表达特征向量输入第三子神经网络中，得到所述候选图像序列的协同表达特征向量。
在一种可能的实现方式中，所述第三确定子模块包括：
第三降维单元，用于通过所述第三子神经网络的第三全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第三降维特征向量；
第三确定单元，用于基于所述查询图像序列中每一帧的第三降维特征向量、所述候选图像序列的自表达特征向量以及所述查询图像序列中每一帧的第一降维特征向量，得到所述查询图像序列的协同表达特征向量；
所述第四确定子模块包括：
第四降维单元，用于通过所述第三子神经网络的第三全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第三降维特征向量；
第四确定单元，用于基于所述候选图像序列中每一帧的第三降维特征向量、所述查询图像序列的自表达特征向量以及所述候选图像序列中每一帧的第一降维特征向量，得到所述候选图像序列的协同表达特征向量。
在一种可能的实现方式中，所述第三确定单元包括：
第三计算子单元，用于通过无参数相关函数计算所述查询图像序列中每一帧的第三降维特征向量与所述候选图像序列的自表达特征向量的相关度，得到所述查询图像序列中每一帧的第二相关权重；
第三加权子单元，用于基于所述查询图像序列中每一帧的第二相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的协同表达特征向量。
在一种可能的实现方式中，所述第四确定单元包括：
第四计算子单元，用于通过无参数相关函数计算所述候选图像序列中每一帧的第三降维特征向量与所述查询图像序列的自表达特征向量的相关度，得到所述候选图像序列中每一帧的第二相关权重；
第四加权子单元，用于基于所述候选图像序列中每一帧的第二相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的协同表达特征向量。
在一种可能的实现方式中，所述第二相关权重包括第二归一化相关权重，所述第二归一化相关权重是对所述第二相关权重进行归一化处理得到的。
在一种可能的实现方式中，所述第三确定模块包括：
第一计算子模块，用于计算所述查询图像序列的自表达特征向量与所述候选图像序列的协同表达特征向量之差，得到第一差向量；
第二计算子模块，用于计算所述候选图像序列的自表达特征向量与所述查询图像序列的协同表达特征向量之差，得到第二差向量；
第五确定子模块，用于基于所述第一差向量与所述第二差向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
在一种可能的实现方式中，所述第五确定子模块包括：
第一计算单元，用于计算所述第一差向量与所述第二差向量之和，得到所述查询图像序列与所述候选图像序列的相似性特征向量；或者，
第二计算单元，用于计算所述第一差向量与所述第二差向量的相应位的元素的乘积，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
在一种可能的实现方式中，所述第四确定模块包括：
第六确定子模块，用于将所述查询图像序列与所述候选图像序列的相似性特征向量输入第四全连接层，得到所述查询图像序列与所述候选图像序列的匹配分数；
第七确定子模块，用于基于所述查询图像序列与所述候选图像序列的匹配分数，确定所述查询图像序列与所述候选图像序列的匹配结果。
在一种可能的实现方式中，所述装置还包括：
优化模块，用于基于所述查询图像序列与所述候选图像序列的匹配分数，采用同对标注数据和二元交叉熵损失函数，优化网络参数。
在一种可能的实现方式中，所述装置还包括：
第一切分模块，用于将查询视频切分为多个查询图像序列；
第二切分模块，用于将候选视频切分为多个候选图像序列；
第五确定模块，用于基于所述查询视频的查询图像序列与所述候选视频的候选图像序列的匹配结果，确定所述查询视频与所述候选视频的匹配结果。
在一种可能的实现方式中，所述第一切分模块用于：
按照预设序列长度以及预设步长，将查询视频切分为多个查询图像序列，其中，所述查询图像序列的长度等于所述预设序列长度，相邻的查询图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差；
所述第二切分模块用于：
按照预设序列长度以及预设步长，将候选视频切分为多个候选图像序列，其中，所述候选图像序列的长度等于所述预设序列长度，相邻的候选图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差。
在一种可能的实现方式中，所述第五确定模块包括：
第八确定子模块，用于确定所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数；
第三计算子模块，用于计算所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数中最高的N个匹配分数的平均值，得到所述查询视频与所述候选视频的匹配分数，其中，N为正整数；
第九确定子模块，用于基于所述查询视频与所述候选视频的匹配分数，确定所述查询视频与所述候选视频的匹配结果。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述目标匹配方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述目标匹配方法。
在本公开实施例中，通过基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量以及候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量，并基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果，由此能够提高目标匹配的准确性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例的目标匹配方法的流程图。
图2示出根据本公开实施例的目标匹配方法步骤S12的一示例性的流程图。
图3示出根据本公开实施例的目标匹配方法步骤S121的一示例性的流程图。
图4示出根据本公开实施例的目标匹配方法步骤S122的一示例性的流程图。
图5示出根据本公开实施例的目标匹配方法步骤S1213的一示例性的流程图。
图6示出根据本公开实施例的目标匹配方法步骤S1223的一示例性的流程图。
图7示出根据本公开实施例的目标匹配方法步骤S13的一示例性的流程图。
图8示出根据本公开实施例的目标匹配方法步骤S131的一示例性的流程图。
图9示出根据本公开实施例的目标匹配方法步骤S132的一示例性的流程图。
图10示出根据本公开实施例的目标匹配方法步骤S1312的一示例性的流程图。
图11示出根据本公开实施例的目标匹配方法步骤S1322的一示例性的流程图。
图12示出根据本公开实施例的目标匹配方法步骤S14的一示例性的流程图。
图13示出根据本公开实施例的目标匹配方法步骤S15的一示例性的流程图。
图14示出根据本公开实施例的目标匹配方法的一示例性的流程图。
图15示出根据本公开实施例的目标匹配方法步骤S28的一示例性的流程图。
图16示出根据本公开实施例的目标匹配装置的框图。
图17示出根据本公开实施例的目标匹配装置的一示例性的框图。
图18是根据一示例性实施例示出的一种电子设备800的框图。
图19是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的目标匹配方法的流程图。本公开实施例可以应用于智能视频分析或者安防监控等领域中。例如，本公开实施例可以与行人检测、行人跟踪等技术相结合，应用于机场、车站、校园或者商场等场所的安防监控系统中。如图1所示，该方法包括步骤S11至步骤S15。
在步骤S11中，分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，查询图像序列包含待匹配目标。
在本公开实施例中，查询图像序列可以指需要进行目标匹配的图像序列。候选图像序列可以指数据库中的图像序列。数据库可以包含大量的候选图像序列。在本公开实施例中，查询图像序列可以仅包含一个待匹配目标，也可以包含多个待匹配目标。本公开实施例中的图像序列可以是视频、视频片段或者其他图像序列。
在本公开实施例中，查询图像序列与候选图像序列的帧数可以不同，也可以相同。例如，查询图像序列包含T帧，候选图像序列包含R帧，其中，T和R均为正整数。
在本公开实施例中，提取查询图像序列中每一帧的特征向量，得到
Figure BDA0001698187200000171
其中，xt表示查询图像序列中的第t帧的特征向量；提取候选图像序列中每一帧的特征向量，得到
Figure BDA0001698187200000181
其中，yr表示候选图像序列中的第r帧的特征向量。
在一种可能的实现方式中，分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，包括：通过第一子神经网络提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。例如，第一子神经网络可以为CNN(Convolutional Neural Network，卷积神经网络)。在该实现方式中，可以采用相同参数的卷积神经网络分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。
在一种可能的实现方式中，在提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量之后，该方法还包括：通过第一子神经网络的第一全连接层对查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量进行降维处理，得到查询图像序列中每一帧的第一降维特征向量和候选图像序列中每一帧的第一降维特征向量。例如，查询图像序列中每一帧的第一降维特征向量可以表示为
Figure BDA0001698187200000182
其中，
Figure BDA0001698187200000183
表示查询图像序列中的第t帧的第一降维特征向量；候选图像序列中每一帧的第一降维特征向量可以表示为
Figure BDA0001698187200000184
其中，
Figure BDA0001698187200000185
表示候选图像序列中的第r帧的第一降维特征向量。例如，查询图像序列中每一帧的特征向量维数为2048维，查询图像序列中每一帧的第一降维特征向量的维数为128维；候选图像序列中每一帧的特征向量维数为2048维，候选图像序列中每一帧的第一降维特征向量的维数为128维。例如，第一全连接层可以表示为fc-0。
在步骤S12中，分别基于查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，确定查询图像序列的自表达特征向量和候选图像序列的自表达特征向量。
在本公开实施例中，可以基于查询图像序列中每一帧的特征向量，确定查询图像序列的自表达特征向量；基于候选图像序列中每一帧的特征向量，确定候选图像序列的自表达特征向量。在本公开实施例中，查询图像序列的自表达特征向量仅由查询图像序列的表达确定，与候选图像序列的表达无关；候选图像序列的自表达特征向量仅由候选图像序列的表达确定，与查询图像序列的表达无关。
在步骤S13中，基于查询图像序列中每一帧的特征向量和候选图像序列的自表达特征向量，确定查询图像序列的协同表达特征向量，以及基于候选图像序列中每一帧的特征向量和查询图像序列的自表达特征向量，确定候选图像序列的协同表达特征向量。
在本公开实施例中，查询图像序列的协同表达特征向量不仅与查询图像序列的表达相关，还与候选图像序列的表达相关；候选图像序列的协同表达特征向量不仅与候选图像序列的表达相关，还与查询图像序列的表达相关。
在步骤S14中，基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量以及候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量。
在本公开实施例中，查询图像序列与候选图像序列的相似性特征向量可以用于确定查询图像序列与候选图像序列的相似程度，从而可以用于判断查询图像序列与候选图像序列是否匹配。
在步骤S15中，基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果。
本公开实施例中相匹配的两个图像序列，可能是从不同的拍摄视角拍摄的同一人物的图像序列，也可能是从同一拍摄视角拍摄的同一人物的图像序列。
本公开实施例通过基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量以及候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量，并基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果，由此能够提高目标匹配的准确性。
图2示出根据本公开实施例的目标匹配方法步骤S12的一示例性的流程图。如图2所示，步骤S12可以包括步骤S121和步骤S122。
在步骤S121中，将查询图像序列中每一帧的特征向量和查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定查询图像序列的自表达特征向量。
例如，第二子神经网络可以为SAN(Self Attention Subnetwork，基于注意力机制的自表达子神经网络)。
例如，可以将查询图像序列中每一帧的特征向量
Figure BDA0001698187200000201
和查询图像序列中每一帧的第一降维特征向量
Figure BDA0001698187200000202
输入第二子神经网络中，确定查询图像序列的自表达特征向量
Figure BDA0001698187200000203
在步骤S122中，将候选图像序列中每一帧的特征向量和候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定候选图像序列的自表达特征向量。
例如，可以将候选图像序列中每一帧的特征向量
Figure BDA0001698187200000204
和候选图像序列中每一帧的第一降维特征向量
Figure BDA0001698187200000205
输入第二子神经网络中，确定候选图像序列的自表达特征向量
Figure BDA0001698187200000206
图3示出根据本公开实施例的目标匹配方法步骤S121的一示例性的流程图。如图3所示，步骤S121可以包括步骤S1211和步骤S1213。
在步骤S1211中，通过第二子神经网络的第二全连接层对查询图像序列中每一帧的特征向量进行降维处理，得到查询图像序列中每一帧的第二降维特征向量。
例如，查询图像序列中每一帧的第二降维特征向量可以表示为
Figure BDA0001698187200000211
其中，
Figure BDA0001698187200000212
表示查询图像序列中的第t帧的第二降维特征向量。
例如，第二全连接层可以表示为fc-1。
例如，查询图像序列中每一帧的第二降维特征向量的维数为128维。
在步骤S1212中，将查询图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到查询图像序列的整体特征向量。
例如，查询图像序列的整体特征向量可以表示为
Figure BDA0001698187200000213
在步骤S1213中，基于查询图像序列中每一帧的第二降维特征向量、查询图像序列的整体特征向量以及查询图像序列中每一帧的第一降维特征向量，确定查询图像序列的自表达特征向量。
图4示出根据本公开实施例的目标匹配方法步骤S122的一示例性的流程图。如图4所示，步骤S122可以包括步骤S1221和步骤S1223。
在步骤S1221中，通过第二子神经网络的第二全连接层对候选图像序列中每一帧的特征向量进行降维处理，得到候选图像序列中每一帧的第二降维特征向量。
例如，候选图像序列中每一帧的第二降维特征向量的维数为128维。
在步骤S1222中，将候选图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到候选图像序列的整体特征向量。
例如，候选图像序列的整体特征向量可以表示为
Figure BDA0001698187200000214
在步骤S1223中，基于候选图像序列中每一帧的第二降维特征向量、候选图像序列的整体特征向量以及候选图像序列中每一帧的第一降维特征向量，确定候选图像序列的自表达特征向量。
图5示出根据本公开实施例的目标匹配方法步骤S1213的一示例性的流程图。如图5所示，步骤S1213可以包括步骤S12131和步骤S12132。
在步骤S12131中，通过无参数相关函数计算查询图像序列中每一帧的第二降维特征向量与查询图像序列的整体特征向量的相关度，得到查询图像序列中每一帧的第一相关权重。
例如，可以通过无参数相关函数f()计算查询图像序列中每一帧的第二降维特征向量与查询图像序列的整体特征向量的相关度，得到查询图像序列中每一帧的第一相关权重
Figure BDA0001698187200000221
在一种可能的实现方式中，无参数相关函数f()可以采用点乘的方式计算
Figure BDA0001698187200000222
与
Figure BDA0001698187200000223
的相关度。
本公开实施例基于自表达机制，通过查询图像序列的自己的表达对查询图像序列的每一帧赋予相关权重。
在步骤S12132中，基于查询图像序列中每一帧的第一相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的自表达特征向量。
例如，查询图像序列的自表达特征向量可以表示为
Figure BDA0001698187200000224
其中，
Figure BDA0001698187200000225
表示查询图像序列中的第t帧的第二降维特征向量，
Figure BDA0001698187200000226
表示查询图像序列的整体特征向量，
Figure BDA0001698187200000227
表示查询图像序列中的第t帧的第一降维特征向量。
在一种可能的实现方式中，第一相关权重包括第一归一化相关权重，第一归一化相关权重是对第一相关权重进行归一化处理得到的。在该实现方式中，基于查询图像序列中每一帧的第一相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的自表达特征向量，包括：对查询图像序列中每一帧的第一相关权重进行归一化处理，得到查询图像序列中每一帧的第一归一化相关权重；基于查询图像序列中每一帧的第一归一化相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的自表达特征向量。在该实现方式中，可以采用softmax对查询图像序列中每一帧的第一相关权重进行归一化处理，得到查询图像序列中每一帧的第一归一化相关权重。
图6示出根据本公开实施例的目标匹配方法步骤S1223的一示例性的流程图。如图6所示，步骤S1223可以包括步骤S12231和步骤S12232。
在步骤S12231中，通过无参数相关函数计算候选图像序列中每一帧的第二降维特征向量与候选图像序列的整体特征向量的相关度，得到候选图像序列中每一帧的第一相关权重。
例如，可以通过无参数相关函数f()计算候选图像序列中每一帧的第二降维特征向量与候选图像序列的整体特征向量的相关度，得到候选图像序列中每一帧的第一相关权重
Figure BDA0001698187200000231
在一种可能的实现方式中，无参数相关函数f()可以采用点乘的方式计算
Figure BDA0001698187200000232
与
Figure BDA0001698187200000233
的相关度。
本公开实施例基于自表达机制，通过候选图像序列的自己的表达对候选图像序列的每一帧赋予相关权重。
在步骤S12232中，基于候选图像序列中每一帧的第一相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的自表达特征向量。
例如，候选图像序列的自表达特征向量可以表示为
Figure BDA0001698187200000234
其中，
Figure BDA0001698187200000235
表示候选图像序列中的第r帧的第二降维特征向量，
Figure BDA0001698187200000236
表示候选图像序列的整体特征向量，
Figure BDA0001698187200000237
表示候选图像序列中的第r帧的第一降维特征向量。
在一种可能的实现方式中，第一相关权重包括第一归一化相关权重，第一归一化相关权重是对第一相关权重进行归一化处理得到的。在该实现方式中，基于候选图像序列中每一帧的第一相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的自表达特征向量，包括：对候选图像序列中每一帧的第一相关权重进行归一化处理，得到候选图像序列中每一帧的第一归一化相关权重；基于候选图像序列中每一帧的第一归一化相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的自表达特征向量。在该实现方式中，可以采用softmax对候选图像序列中每一帧的第一相关权重进行归一化处理，得到候选图像序列中每一帧的第一归一化相关权重。
图7示出根据本公开实施例的目标匹配方法步骤S13的一示例性的流程图。如图7所示，步骤S13可以包括步骤S131和步骤S132。
在步骤S131中，将查询图像序列中每一帧的特征向量、查询图像序列中每一帧的第一降维特征向量以及候选图像序列的自表达特征向量输入第三子神经网络中，得到查询图像序列的协同表达特征向量。
例如，第三子神经网络可以为CAN(Collaborative Attention Subnetwork，基于注意力机制的协同表达子神经网络)。
例如，可以将查询图像序列中每一帧的特征向量
Figure BDA0001698187200000241
查询图像序列中每一帧的第一降维特征向量
Figure BDA0001698187200000242
以及候选图像序列的自表达特征向量
Figure BDA0001698187200000243
输入第三子神经网络中，得到查询图像序列的协同表达特征向量
Figure BDA0001698187200000244
在步骤S132中，将候选图像序列中每一帧的特征向量、候选图像序列中每一帧的第一降维特征向量以及查询图像序列的自表达特征向量输入第三子神经网络中，得到候选图像序列的协同表达特征向量。
例如，可以将候选图像序列中每一帧的特征向量
Figure BDA0001698187200000245
候选图像序列中每一帧的第一降维特征向量
Figure BDA0001698187200000246
以及查询图像序列的自表达特征向量
Figure BDA0001698187200000251
输入第三子神经网络中，得到候选图像序列的协同表达特征向量
Figure BDA0001698187200000252
图8示出根据本公开实施例的目标匹配方法步骤S131的一示例性的流程图。如图8所示，步骤S131可以包括步骤S1311和步骤S1312。
在步骤S1311中，通过第三子神经网络的第三全连接层对查询图像序列中每一帧的特征向量进行降维处理，得到查询图像序列中每一帧的第三降维特征向量。
例如，查询图像序列中每一帧的第三降维特征向量可以表示为
Figure BDA0001698187200000253
其中，
Figure BDA0001698187200000254
表示查询图像序列中第t帧的第三降维特征向量。例如，查询图像序列中每一帧的第三降维特征向量的维数为128维。
例如，第三全连接层可以表示为fc-2。
在步骤S1312中，基于查询图像序列中每一帧的第三降维特征向量、候选图像序列的自表达特征向量以及查询图像序列中每一帧的第一降维特征向量，得到查询图像序列的协同表达特征向量。
图9示出根据本公开实施例的目标匹配方法步骤S132的一示例性的流程图。如图9所示，步骤S132可以包括步骤S1321和步骤S1322。
在步骤S1321中，通过第三子神经网络的第三全连接层对候选图像序列中每一帧的特征向量进行降维处理，得到候选图像序列中每一帧的第三降维特征向量。
例如，候选图像序列中每一帧的第三降维特征向量可以表示为
Figure BDA0001698187200000255
其中，
Figure BDA0001698187200000256
表示候选图像序列中第r帧的第三降维特征向量。例如，候选图像序列中每一帧的第三降维特征向量的维数为128维。
在步骤S1322中，基于候选图像序列中每一帧的第三降维特征向量、查询图像序列的自表达特征向量以及候选图像序列中每一帧的第一降维特征向量，得到候选图像序列的协同表达特征向量。
图10示出根据本公开实施例的目标匹配方法步骤S1312的一示例性的流程图。如图10所示，步骤S1312可以包括步骤S13121和步骤S13122。
在步骤S13121中，通过无参数相关函数计算查询图像序列中每一帧的第三降维特征向量与候选图像序列的自表达特征向量的相关度，得到查询图像序列中每一帧的第二相关权重。
例如，查询图像序列中的第t帧的第二相关权重可以表示为
Figure BDA0001698187200000261
本公开实施例基于协同表达机制，通过候选图像序列的表达和查询图像序列的自己的表达对查询图像序列的每一帧赋予相关权重。
在步骤S13122中，基于查询图像序列中每一帧的第二相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的协同表达特征向量。
例如，查询图像序列的协同表达特征向量可以表示为
Figure BDA0001698187200000262
在一种可能的实现方式中，第二相关权重包括第二归一化相关权重，第二归一化相关权重是对第二相关权重进行归一化处理得到的。在该实现方式中，基于查询图像序列中每一帧的第二相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的协同表达特征向量，包括：对查询图像序列中每一帧的第二相关权重进行归一化处理，得到查询图像序列中每一帧的第二归一化相关权重；基于查询图像序列中每一帧的第二归一化相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的协同表达特征向量。
图11示出根据本公开实施例的目标匹配方法步骤S1322的一示例性的流程图。如图11所示，步骤S1322可以包括步骤S13221和步骤S13222。
在步骤S13221中，通过无参数相关函数计算候选图像序列中每一帧的第三降维特征向量与查询图像序列的自表达特征向量的相关度，得到候选图像序列中每一帧的第二相关权重。
例如，候选图像序列中第r帧的第二相关权重可以表示为
Figure BDA0001698187200000271
本公开实施例基于协同表达机制，通过查询图像序列的表达和候选图像序列的自己的表达对候选图像序列的每一帧赋予相关权重。
在步骤S13222中，基于候选图像序列中每一帧的第二相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的协同表达特征向量。
例如，候选图像序列的协同表达特征向量可以表示为
Figure BDA0001698187200000272
在一种可能的实现方式中，第二相关权重包括第二归一化相关权重，第二归一化相关权重是对第二相关权重进行归一化处理得到的。在该实现方式中，基于候选图像序列中每一帧的第二相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的协同表达特征向量，包括：对候选图像序列中每一帧的第二相关权重进行归一化处理，得到候选图像序列中每一帧的第二归一化相关权重；基于候选图像序列中每一帧的第二归一化相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的协同表达特征向量。
在本公开实施例中，第二子神经网络和第三子神经网络基于自表达机制和协同表达机制，通过查询图像序列的表达和候选图像序列的表达为查询图像序列的每一帧和候选图像序列的每一帧赋予相关权重。第二子神经网络和第三子神经网络利用这种非参数的自表达和协同表达，隐式地对查询图像序列和候选图像序列进行帧对齐，从而选择更具有判别性的帧对两段图像序列进行表达。由于第二子神经网络和第三子神经网络是非参数的，因此允许查询图像序列与候选图像序列具有不同的长度，因此本公开实施例提供的目标匹配方法的灵活性较高，能够广泛应用。
图12示出根据本公开实施例的目标匹配方法步骤S14的一示例性的流程图。如图12所示，步骤S14可以包括步骤S141和步骤S143。
在步骤S141中，计算查询图像序列的自表达特征向量与候选图像序列的协同表达特征向量之差，得到第一差向量。
例如，第一差向量为
Figure BDA0001698187200000281
在步骤S142中，计算候选图像序列的自表达特征向量与查询图像序列的协同表达特征向量之差，得到第二差向量。
例如，第二差向量为
Figure BDA0001698187200000282
在步骤S143中，基于第一差向量与第二差向量，得到查询图像序列与候选图像序列的相似性特征向量。
在一种可能的实现方式中，基于第一差向量与第二差向量，得到查询图像序列与候选图像序列的相似性特征向量，包括：计算第一差向量与第二差向量之和，得到查询图像序列与候选图像序列的相似性特征向量。例如，查询图像序列与候选图像序列的相似性特征向量
Figure BDA0001698187200000283
在另一种可能的实现方式中，基于第一差向量与第二差向量，得到查询图像序列与候选图像序列的相似性特征向量，包括：计算第一差向量与第二差向量的相应位的元素的乘积，得到查询图像序列与候选图像序列的相似性特征向量。
图13示出根据本公开实施例的目标匹配方法步骤S15的一示例性的流程图。如图13所示，步骤S15可以包括步骤S151和步骤S152。
在步骤S151中，将查询图像序列与候选图像序列的相似性特征向量输入第四全连接层，得到查询图像序列与候选图像序列的匹配分数。
例如，第四全连接层可以表示为fc-3。
需要说明的是，本公开实施例中不同全连接层的参数可以不相同。第一全连接层、第二全连接层、第三全连接层和第四全连接层中的“第一”“第二”“第三”和“第四”仅为表述和指代的方便，表示这四个全连接层可以是不同的全连接层。“第一”“第二”“第三”和“第四”并不用于限定全连接层的连接顺序。
在步骤S152中，基于查询图像序列与候选图像序列的匹配分数，确定查询图像序列与候选图像序列的匹配结果。
例如，若查询图像序列与候选图像序列的匹配分数大于分数阈值，则可以确定查询图像序列与候选图像序列的匹配结果为查询图像序列与候选图像序列相匹配；若查询图像序列与候选图像序列的匹配分数小于或等于分数阈值，则可以确定查询图像序列与候选图像序列的匹配结果为查询图像序列与候选图像序列不匹配。
在一种可能的实现方式中，在得到查询图像序列与候选图像序列的匹配分数之后，该方法还包括：基于查询图像序列与候选图像序列的匹配分数，采用同对标注数据和二元交叉熵损失函数，优化网络参数。
作为该实现方式的一个示例，可以采用
Figure BDA0001698187200000291
优化网络参数。其中，N表示训练集中查询图像序列与候选图像序列对的数量，mi表示第i对的匹配分数，若第i对的查询图像序列与候选图像序列对属于同一人物，则li＝1，否则li＝0。
在本公开实施例中，在训练过程中，可以对训练图像序列进行切分，生成丰富的查询图像序列与候选图像序列对，从而有效地提升优化效率，并能提高网络模型的鲁棒性，从而能够提高匹配精度。
图14示出根据本公开实施例的目标匹配方法的一示例性的流程图。如图14所示，该方法可以包括步骤S21至步骤S28。
在步骤S21中，将查询视频切分为多个查询图像序列。
在一种可能的实现方式中，将查询视频切分为多个查询图像序列，包括：按照预设序列长度以及预设步长，将查询视频切分为多个查询图像序列，其中，查询图像序列的长度等于预设序列长度，相邻的查询图像序列之间重叠的图像数等于预设序列长度与预设步长之差。
在步骤S22中，将候选视频切分为多个候选图像序列。
在一种可能的实现方式中，将候选视频切分为多个候选图像序列，包括：按照预设序列长度以及预设步长，将候选视频切分为多个候选图像序列，其中，候选图像序列的长度等于预设序列长度，相邻的候选图像序列之间重叠的图像数等于预设序列长度与预设步长之差。
在步骤S23中，分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，查询图像序列包含待匹配目标。
其中，对步骤S23参见上文对步骤S11的描述。
在步骤S24中，分别基于查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，确定查询图像序列的自表达特征向量和候选图像序列的自表达特征向量。
其中，对步骤S24参见上文对步骤S12的描述。
在步骤S25中，基于查询图像序列中每一帧的特征向量和候选图像序列的自表达特征向量，确定查询图像序列的协同表达特征向量，以及基于候选图像序列中每一帧的特征向量和查询图像序列的自表达特征向量，确定候选图像序列的协同表达特征向量。
其中，对步骤S25参见上文对步骤S13的描述。
在步骤S26中，基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量以及候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量。
其中，对步骤S26参见上文对步骤S14的描述。
在步骤S27中，基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果。
其中，对步骤S27参见上文对步骤S15的描述。
在步骤S28中，基于查询视频的查询图像序列与候选视频的候选图像序列的匹配结果，确定查询视频与候选视频的匹配结果。
图15示出根据本公开实施例的目标匹配方法步骤S28的一示例性的流程图。如图15所示，步骤S28可以包括步骤S281至步骤S283。
在步骤S281中，确定查询视频的各个查询图像序列与候选视频的各个候选图像序列的匹配分数。
在步骤S282中，计算查询视频的各个查询图像序列与候选视频的各个候选图像序列的匹配分数中最高的N个匹配分数的平均值，得到查询视频与候选视频的匹配分数，其中，N为正整数。
在步骤S283中，基于查询视频与候选视频的匹配分数，确定查询视频与候选视频的匹配结果。
在一种可能的实现方式中，若查询视频与候选视频的匹配分数大于分数阈值，则可以确定查询视频与候选视频的匹配结果为查询视频与候选视频相匹配；若查询视频与候选视频的匹配分数小于或等于分数阈值，则可以确定查询视频与候选视频的匹配结果为查询视频与候选视频不匹配。
本公开实施例提供的目标匹配方法能够筛选出图像序列中更具有区分性的关键帧，利用多个关键帧对图像序列进行表达，由此能够提升判别能力；本公开实施例提出了更为有效的时域建模方法，捕捉连续帧的动态变化信息，提升了模型的表达能力；本公开实施例提出了更为有效的距离度量方法，减小了相同人物的特征表达之间的距离，增大了不同人物的特征表达之间的距离。本公开实施例提供的目标匹配方法在光照条件较恶劣、遮挡较严重、视角较差或者背景干扰严重的情况下，仍然能够获得较准确的目标匹配结果。利用本公开实施例，可以帮助改进行人检测和/或行人跟踪的效果。利用本公开实施例，可以在智能视频监控中对特定行人(例如犯罪嫌疑人、失踪儿童等)更好地进行跨摄像头的搜索和追踪。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了目标匹配装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种目标匹配方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图16示出根据本公开实施例的目标匹配装置的框图。如图16所示，该装置包括：提取模块31，用于分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，查询图像序列包含待匹配目标；第一确定模块32，用于分别基于查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，确定查询图像序列的自表达特征向量和候选图像序列的自表达特征向量；第二确定模块33，用于基于查询图像序列中每一帧的特征向量和候选图像序列的自表达特征向量，确定查询图像序列的协同表达特征向量，以及基于候选图像序列中每一帧的特征向量和查询图像序列的自表达特征向量，确定候选图像序列的协同表达特征向量；第三确定模块34，用于基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量以及候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量；第四确定模块35，用于基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果。
在一种可能的实现方式中，提取模块31用于：通过第一子神经网络提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。
图17示出根据本公开实施例的目标匹配装置的一示例性的框图。如图17所示：
在一种可能的实现方式中，该装置还包括：降维模块36，用于通过第一子神经网络的第一全连接层对查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量进行降维处理，得到查询图像序列中每一帧的第一降维特征向量和候选图像序列中每一帧的第一降维特征向量。
在一种可能的实现方式中，第一确定模块32包括：第一确定子模块321，用于将查询图像序列中每一帧的特征向量和查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定查询图像序列的自表达特征向量；第二确定子模块322，用于将候选图像序列中每一帧的特征向量和候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定候选图像序列的自表达特征向量。
在一种可能的实现方式中，第一确定子模块321包括：第一降维单元，用于通过第二子神经网络的第二全连接层对查询图像序列中每一帧的特征向量进行降维处理，得到查询图像序列中每一帧的第二降维特征向量；第一平均池化单元，用于将查询图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到查询图像序列的整体特征向量；第一确定单元，用于基于查询图像序列中每一帧的第二降维特征向量、查询图像序列的整体特征向量以及查询图像序列中每一帧的第一降维特征向量，确定查询图像序列的自表达特征向量。
在一种可能的实现方式中，第二确定子模块322包括：第二降维单元，用于通过第二子神经网络的第二全连接层对候选图像序列中每一帧的特征向量进行降维处理，得到候选图像序列中每一帧的第二降维特征向量；第二平均池化单元，用于将候选图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到候选图像序列的整体特征向量；第二确定单元，用于基于候选图像序列中每一帧的第二降维特征向量、候选图像序列的整体特征向量以及候选图像序列中每一帧的第一降维特征向量，确定候选图像序列的自表达特征向量。
在一种可能的实现方式中，第一确定单元包括：第一计算子单元，用于通过无参数相关函数计算查询图像序列中每一帧的第二降维特征向量与查询图像序列的整体特征向量的相关度，得到查询图像序列中每一帧的第一相关权重；第一加权子单元，用于基于查询图像序列中每一帧的第一相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的自表达特征向量。
在一种可能的实现方式中，第二确定单元包括：第二计算子单元，用于通过无参数相关函数计算候选图像序列中每一帧的第二降维特征向量与候选图像序列的整体特征向量的相关度，得到候选图像序列中每一帧的第一相关权重；第二加权子单元，用于基于候选图像序列中每一帧的第一相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的自表达特征向量。
在一种可能的实现方式中，第一相关权重包括第一归一化相关权重，第一归一化相关权重是对第一相关权重进行归一化处理得到的。
在一种可能的实现方式中，第二确定模块33包括：第三确定子模块331，用于将查询图像序列中每一帧的特征向量、查询图像序列中每一帧的第一降维特征向量以及候选图像序列的自表达特征向量输入第三子神经网络中，得到查询图像序列的协同表达特征向量；第四确定子模块332，用于将候选图像序列中每一帧的特征向量、候选图像序列中每一帧的第一降维特征向量以及查询图像序列的自表达特征向量输入第三子神经网络中，得到候选图像序列的协同表达特征向量。
在一种可能的实现方式中，第三确定子模块331包括：第三降维单元，用于通过第三子神经网络的第三全连接层对查询图像序列中每一帧的特征向量进行降维处理，得到查询图像序列中每一帧的第三降维特征向量；第三确定单元，用于基于查询图像序列中每一帧的第三降维特征向量、候选图像序列的自表达特征向量以及查询图像序列中每一帧的第一降维特征向量，得到查询图像序列的协同表达特征向量；第四确定子模块332包括：第四降维单元，用于通过第三子神经网络的第三全连接层对候选图像序列中每一帧的特征向量进行降维处理，得到候选图像序列中每一帧的第三降维特征向量；第四确定单元，用于基于候选图像序列中每一帧的第三降维特征向量、查询图像序列的自表达特征向量以及候选图像序列中每一帧的第一降维特征向量，得到候选图像序列的协同表达特征向量。
在一种可能的实现方式中，第三确定单元包括：第三计算子单元，用于通过无参数相关函数计算查询图像序列中每一帧的第三降维特征向量与候选图像序列的自表达特征向量的相关度，得到查询图像序列中每一帧的第二相关权重；第三加权子单元，用于基于查询图像序列中每一帧的第二相关权重，对查询图像序列中每一帧的第一降维特征向量进行加权，得到查询图像序列的协同表达特征向量。
在一种可能的实现方式中，第四确定单元包括：第四计算子单元，用于通过无参数相关函数计算候选图像序列中每一帧的第三降维特征向量与查询图像序列的自表达特征向量的相关度，得到候选图像序列中每一帧的第二相关权重；第四加权子单元，用于基于候选图像序列中每一帧的第二相关权重，对候选图像序列中每一帧的第一降维特征向量进行加权，得到候选图像序列的协同表达特征向量。
在一种可能的实现方式中，第二相关权重包括第二归一化相关权重，第二归一化相关权重是对第二相关权重进行归一化处理得到的。
在一种可能的实现方式中，第三确定模块34包括：第一计算子模块341，用于计算查询图像序列的自表达特征向量与候选图像序列的协同表达特征向量之差，得到第一差向量；第二计算子模块342，用于计算候选图像序列的自表达特征向量与查询图像序列的协同表达特征向量之差，得到第二差向量；第五确定子模块343，用于基于第一差向量与第二差向量，得到查询图像序列与候选图像序列的相似性特征向量。
在一种可能的实现方式中，第五确定子模块343包括：第一计算单元，用于计算第一差向量与第二差向量之和，得到查询图像序列与候选图像序列的相似性特征向量；或者，第二计算单元，用于计算第一差向量与第二差向量的相应位的元素的乘积，得到查询图像序列与候选图像序列的相似性特征向量。
在一种可能的实现方式中，第四确定模块35包括：第六确定子模块351，用于将查询图像序列与候选图像序列的相似性特征向量输入第四全连接层，得到查询图像序列与候选图像序列的匹配分数；第七确定子模块352，用于基于查询图像序列与候选图像序列的匹配分数，确定查询图像序列与候选图像序列的匹配结果。
在一种可能的实现方式中，该装置还包括：优化模块37，用于基于查询图像序列与候选图像序列的匹配分数，采用同对标注数据和二元交叉熵损失函数，优化网络参数。
在一种可能的实现方式中，该装置还包括：第一切分模块38，用于将查询视频切分为多个查询图像序列；第二切分模块39，用于将候选视频切分为多个候选图像序列；第五确定模块30，用于基于查询视频的查询图像序列与候选视频的候选图像序列的匹配结果，确定查询视频与候选视频的匹配结果。
在一种可能的实现方式中，第一切分模块38用于：按照预设序列长度以及预设步长，将查询视频切分为多个查询图像序列，其中，查询图像序列的长度等于预设序列长度，相邻的查询图像序列之间重叠的图像数等于预设序列长度与预设步长之差；第二切分模块39用于：按照预设序列长度以及预设步长，将候选视频切分为多个候选图像序列，其中，候选图像序列的长度等于预设序列长度，相邻的候选图像序列之间重叠的图像数等于预设序列长度与预设步长之差。
在一种可能的实现方式中，第五确定模块30包括：第八确定子模块301，用于确定查询视频的各个查询图像序列与候选视频的各个候选图像序列的匹配分数；第三计算子模块302，用于计算查询视频的各个查询图像序列与候选视频的各个候选图像序列的匹配分数中最高的N个匹配分数的平均值，得到查询视频与候选视频的匹配分数，其中，N为正整数；第九确定子模块303，用于基于查询视频与候选视频的匹配分数，确定查询视频与候选视频的匹配结果。
本公开实施例通过基于查询图像序列的自表达特征向量、查询图像序列的协同表达特征向量、候选图像序列的自表达特征向量以及候选图像序列的协同表达特征向量，确定查询图像序列与候选图像序列的相似性特征向量，并基于相似性特征向量，确定查询图像序列与候选图像序列的匹配结果，由此能够提高目标匹配的准确性。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图18是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图18，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图19是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图19，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (44)

1.一种目标匹配方法，其特征在于，包括：
分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，所述查询图像序列包含待匹配目标；
分别基于所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量，确定所述查询图像序列的自表达特征向量和所述候选图像序列的自表达特征向量；
基于所述查询图像序列中每一帧的特征向量和所述候选图像序列的自表达特征向量，确定所述查询图像序列的协同表达特征向量，以及基于所述候选图像序列中每一帧的特征向量和所述查询图像序列的自表达特征向量，确定所述候选图像序列的协同表达特征向量；
基于所述查询图像序列的自表达特征向量、所述查询图像序列的协同表达特征向量、所述候选图像序列的自表达特征向量以及所述候选图像序列的协同表达特征向量，确定所述查询图像序列与所述候选图像序列的相似性特征向量；
基于所述相似性特征向量，确定所述查询图像序列与所述候选图像序列的匹配结果。
2.根据权利要求1所述的方法，其特征在于，分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，包括：
通过第一子神经网络提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。
3.根据权利要求1或2所述的方法，其特征在于，在提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量之后，所述方法还包括：
通过第一子神经网络的第一全连接层对所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第一降维特征向量和所述候选图像序列中每一帧的第一降维特征向量。
4.根据权利要求3所述的方法，其特征在于，分别基于所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量，确定所述查询图像序列的自表达特征向量和所述候选图像序列的自表达特征向量包括：
将所述查询图像序列中每一帧的特征向量和所述查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述查询图像序列的自表达特征向量；
将所述候选图像序列中每一帧的特征向量和所述候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述候选图像序列的自表达特征向量。
5.根据权利要求4所述的方法，其特征在于，将所述查询图像序列中每一帧的特征向量和所述查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述查询图像序列的自表达特征向量，包括：
通过所述第二子神经网络的第二全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第二降维特征向量；
将所述查询图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述查询图像序列的整体特征向量；
基于所述查询图像序列中每一帧的第二降维特征向量、所述查询图像序列的整体特征向量以及所述查询图像序列中每一帧的第一降维特征向量，确定所述查询图像序列的自表达特征向量。
6.根据权利要求4所述的方法，其特征在于，将所述候选图像序列中每一帧的特征向量和所述候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，得到所述候选图像序列的自表达特征向量，包括：
通过所述第二子神经网络的第二全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第二降维特征向量；
将所述候选图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述候选图像序列的整体特征向量；
基于所述候选图像序列中每一帧的第二降维特征向量、所述候选图像序列的整体特征向量以及所述候选图像序列中每一帧的第一降维特征向量，确定所述候选图像序列的自表达特征向量。
7.根据权利要求5所述的方法，其特征在于，基于所述查询图像序列中每一帧的第二降维特征向量、所述查询图像序列的整体特征向量以及所述查询图像序列中每一帧的第一降维特征向量，确定所述查询图像序列的自表达特征向量，包括：
通过无参数相关函数计算所述查询图像序列中每一帧的第二降维特征向量与所述查询图像序列的整体特征向量的相关度，得到所述查询图像序列中每一帧的第一相关权重；
基于所述查询图像序列中每一帧的第一相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的自表达特征向量。
8.根据权利要求6所述的方法，其特征在于，基于所述候选图像序列中每一帧的第二降维特征向量、所述候选图像序列的整体特征向量以及所述候选图像序列中每一帧的第一降维特征向量，确定所述候选图像序列的自表达特征向量，包括：
通过无参数相关函数计算所述候选图像序列中每一帧的第二降维特征向量与所述候选图像序列的整体特征向量的相关度，得到所述候选图像序列中每一帧的第一相关权重；
基于所述候选图像序列中每一帧的第一相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的自表达特征向量。
9.根据权利要求7所述的方法，其特征在于，所述第一相关权重包括第一归一化相关权重，所述第一归一化相关权重是对所述第一相关权重进行归一化处理得到的。
10.根据权利要求3所述的方法，其特征在于，基于所述查询图像序列中每一帧的特征向量和所述候选图像序列的自表达特征向量，确定所述查询图像序列的协同表达特征向量，以及基于所述候选图像序列中每一帧的特征向量和所述查询图像序列的自表达特征向量，确定所述候选图像序列的协同表达特征向量，包括：
将所述查询图像序列中每一帧的特征向量、所述查询图像序列中每一帧的第一降维特征向量以及所述候选图像序列的自表达特征向量输入第三子神经网络中，得到所述查询图像序列的协同表达特征向量；
将所述候选图像序列中每一帧的特征向量、所述候选图像序列中每一帧的第一降维特征向量以及所述查询图像序列的自表达特征向量输入第三子神经网络中，得到所述候选图像序列的协同表达特征向量。
11.根据权利要求10所述的方法，其特征在于，将所述查询图像序列中每一帧的特征向量、所述查询图像序列中每一帧的第一降维特征向量以及所述候选图像序列的自表达特征向量输入第三子神经网络中，得到所述查询图像序列的协同表达特征向量，包括：
通过所述第三子神经网络的第三全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第三降维特征向量；
基于所述查询图像序列中每一帧的第三降维特征向量、所述候选图像序列的自表达特征向量以及所述查询图像序列中每一帧的第一降维特征向量，得到所述查询图像序列的协同表达特征向量；
将所述候选图像序列中每一帧的特征向量、所述候选图像序列中每一帧的第一降维特征向量以及所述查询图像序列的自表达特征向量输入第三子神经网络中，得到所述候选图像序列的协同表达特征向量，包括：
通过所述第三子神经网络的第三全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第三降维特征向量；
基于所述候选图像序列中每一帧的第三降维特征向量、所述查询图像序列的自表达特征向量以及所述候选图像序列中每一帧的第一降维特征向量，得到所述候选图像序列的协同表达特征向量。
12.根据权利要求11所述的方法，其特征在于，基于所述查询图像序列中每一帧的第三降维特征向量、所述候选图像序列的自表达特征向量以及所述查询图像序列中每一帧的第一降维特征向量，得到所述查询图像序列的协同表达特征向量，包括：
通过无参数相关函数计算所述查询图像序列中每一帧的第三降维特征向量与所述候选图像序列的自表达特征向量的相关度，得到所述查询图像序列中每一帧的第二相关权重；
基于所述查询图像序列中每一帧的第二相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的协同表达特征向量。
13.根据权利要求11所述的方法，其特征在于，基于所述候选图像序列中每一帧的第三降维特征向量、所述查询图像序列的自表达特征向量以及所述候选图像序列中每一帧的第一降维特征向量，得到所述候选图像序列的协同表达特征向量，包括：
通过无参数相关函数计算所述候选图像序列中每一帧的第三降维特征向量与所述查询图像序列的自表达特征向量的相关度，得到所述候选图像序列中每一帧的第二相关权重；
基于所述候选图像序列中每一帧的第二相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的协同表达特征向量。
14.根据权利要求12所述的方法，其特征在于，所述第二相关权重包括第二归一化相关权重，所述第二归一化相关权重是对所述第二相关权重进行归一化处理得到的。
15.根据权利要求1或2所述的方法，其特征在于，基于所述查询图像序列的自表达特征向量、所述查询图像序列的协同表达特征向量、所述候选图像序列的自表达特征向量以及所述候选图像序列的协同表达特征向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量，包括：
计算所述查询图像序列的自表达特征向量与所述候选图像序列的协同表达特征向量之差，得到第一差向量；
计算所述候选图像序列的自表达特征向量与所述查询图像序列的协同表达特征向量之差，得到第二差向量；
基于所述第一差向量与所述第二差向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
16.根据权利要求15所述的方法，其特征在于，基于所述第一差向量与所述第二差向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量，包括：
计算所述第一差向量与所述第二差向量之和，得到所述查询图像序列与所述候选图像序列的相似性特征向量；或者，
计算所述第一差向量与所述第二差向量的相应位的元素的乘积，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
17.根据权利要求1或2所述的方法，其特征在于，基于所述相似性特征向量，确定所述查询图像序列与所述候选图像序列的匹配结果，包括：
将所述查询图像序列与所述候选图像序列的相似性特征向量输入第四全连接层，得到所述查询图像序列与所述候选图像序列的匹配分数；
基于所述查询图像序列与所述候选图像序列的匹配分数，确定所述查询图像序列与所述候选图像序列的匹配结果。
18.根据权利要求17所述的方法，其特征在于，在得到所述查询图像序列与所述候选图像序列的匹配分数之后，所述方法还包括：
基于所述查询图像序列与所述候选图像序列的匹配分数，采用同对标注数据和二元交叉熵损失函数，优化网络参数。
19.根据权利要求1所述的方法，其特征在于，在提取查询图像序列中每一帧的特征向量之前，所述方法还包括：
将查询视频切分为多个查询图像序列；
将候选视频切分为多个候选图像序列；
在确定所述查询图像序列与所述候选图像序列的匹配结果之后，所述方法还包括：
基于所述查询视频的查询图像序列与所述候选视频的候选图像序列的匹配结果，确定所述查询视频与所述候选视频的匹配结果。
20.根据权利要求19所述的方法，其特征在于，将查询视频切分为多个查询图像序列，包括：
按照预设序列长度以及预设步长，将查询视频切分为多个查询图像序列，其中，所述查询图像序列的长度等于所述预设序列长度，相邻的查询图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差；
将候选视频切分为多个候选图像序列，包括：
按照预设序列长度以及预设步长，将候选视频切分为多个候选图像序列，其中，所述候选图像序列的长度等于所述预设序列长度，相邻的候选图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差。
21.根据权利要求19或20所述的方法，其特征在于，基于所述查询视频的查询图像序列与所述候选视频的候选图像序列的匹配结果，确定所述查询视频与所述候选视频的匹配结果，包括：
确定所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数；
计算所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数中最高的N个匹配分数的平均值，得到所述查询视频与所述候选视频的匹配分数，其中，N为正整数；
基于所述查询视频与所述候选视频的匹配分数，确定所述查询视频与所述候选视频的匹配结果。
22.一种目标匹配装置，其特征在于，包括：
提取模块，用于分别提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量，其中，所述查询图像序列包含待匹配目标；
第一确定模块，用于分别基于所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量，确定所述查询图像序列的自表达特征向量和所述候选图像序列的自表达特征向量；
第二确定模块，用于基于所述查询图像序列中每一帧的特征向量和所述候选图像序列的自表达特征向量，确定所述查询图像序列的协同表达特征向量，以及基于所述候选图像序列中每一帧的特征向量和所述查询图像序列的自表达特征向量，确定所述候选图像序列的协同表达特征向量；
第三确定模块，用于基于所述查询图像序列的自表达特征向量、所述查询图像序列的协同表达特征向量、所述候选图像序列的自表达特征向量以及所述候选图像序列的协同表达特征向量，确定所述查询图像序列与所述候选图像序列的相似性特征向量；
第四确定模块，用于基于所述相似性特征向量，确定所述查询图像序列与所述候选图像序列的匹配结果。
23.根据权利要求22所述的装置，其特征在于，所述提取模块用于：
通过第一子神经网络提取查询图像序列中每一帧的特征向量和候选图像序列中每一帧的特征向量。
24.根据权利要求22或23所述的装置，其特征在于，所述装置还包括：
降维模块，用于通过第一子神经网络的第一全连接层对所述查询图像序列中每一帧的特征向量和所述候选图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第一降维特征向量和所述候选图像序列中每一帧的第一降维特征向量。
25.根据权利要求24所述的装置，其特征在于，所述第一确定模块包括：
第一确定子模块，用于将所述查询图像序列中每一帧的特征向量和所述查询图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述查询图像序列的自表达特征向量；
第二确定子模块，用于将所述候选图像序列中每一帧的特征向量和所述候选图像序列中每一帧的第一降维特征向量输入第二子神经网络中，确定所述候选图像序列的自表达特征向量。
26.根据权利要求25所述的装置，其特征在于，所述第一确定子模块包括：
第一降维单元，用于通过所述第二子神经网络的第二全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第二降维特征向量；
第一平均池化单元，用于将所述查询图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述查询图像序列的整体特征向量；
第一确定单元，用于基于所述查询图像序列中每一帧的第二降维特征向量、所述查询图像序列的整体特征向量以及所述查询图像序列中每一帧的第一降维特征向量，确定所述查询图像序列的自表达特征向量。
27.根据权利要求25所述的装置，其特征在于，所述第二确定子模块包括：
第二降维单元，用于通过所述第二子神经网络的第二全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第二降维特征向量；
第二平均池化单元，用于将所述候选图像序列中每一帧的第二降维特征向量经过时间维度的平均池化处理，得到所述候选图像序列的整体特征向量；
第二确定单元，用于基于所述候选图像序列中每一帧的第二降维特征向量、所述候选图像序列的整体特征向量以及所述候选图像序列中每一帧的第一降维特征向量，确定所述候选图像序列的自表达特征向量。
28.根据权利要求26所述的装置，其特征在于，所述第一确定单元包括：
第一计算子单元，用于通过无参数相关函数计算所述查询图像序列中每一帧的第二降维特征向量与所述查询图像序列的整体特征向量的相关度，得到所述查询图像序列中每一帧的第一相关权重；
第一加权子单元，用于基于所述查询图像序列中每一帧的第一相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的自表达特征向量。
29.根据权利要求27所述的装置，其特征在于，所述第二确定单元包括：
第二计算子单元，用于通过无参数相关函数计算所述候选图像序列中每一帧的第二降维特征向量与所述候选图像序列的整体特征向量的相关度，得到所述候选图像序列中每一帧的第一相关权重；
第二加权子单元，用于基于所述候选图像序列中每一帧的第一相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的自表达特征向量。
30.根据权利要求28所述的装置，其特征在于，所述第一相关权重包括第一归一化相关权重，所述第一归一化相关权重是对所述第一相关权重进行归一化处理得到的。
31.根据权利要求24所述的装置，其特征在于，所述第二确定模块包括：
第三确定子模块，用于将所述查询图像序列中每一帧的特征向量、所述查询图像序列中每一帧的第一降维特征向量以及所述候选图像序列的自表达特征向量输入第三子神经网络中，得到所述查询图像序列的协同表达特征向量；
第四确定子模块，用于将所述候选图像序列中每一帧的特征向量、所述候选图像序列中每一帧的第一降维特征向量以及所述查询图像序列的自表达特征向量输入第三子神经网络中，得到所述候选图像序列的协同表达特征向量。
32.根据权利要求31所述的装置，其特征在于，所述第三确定子模块包括：
第三降维单元，用于通过所述第三子神经网络的第三全连接层对所述查询图像序列中每一帧的特征向量进行降维处理，得到所述查询图像序列中每一帧的第三降维特征向量；
第三确定单元，用于基于所述查询图像序列中每一帧的第三降维特征向量、所述候选图像序列的自表达特征向量以及所述查询图像序列中每一帧的第一降维特征向量，得到所述查询图像序列的协同表达特征向量；
所述第四确定子模块包括：
第四降维单元，用于通过所述第三子神经网络的第三全连接层对所述候选图像序列中每一帧的特征向量进行降维处理，得到所述候选图像序列中每一帧的第三降维特征向量；
第四确定单元，用于基于所述候选图像序列中每一帧的第三降维特征向量、所述查询图像序列的自表达特征向量以及所述候选图像序列中每一帧的第一降维特征向量，得到所述候选图像序列的协同表达特征向量。
33.根据权利要求32所述的装置，其特征在于，所述第三确定单元包括：
第三计算子单元，用于通过无参数相关函数计算所述查询图像序列中每一帧的第三降维特征向量与所述候选图像序列的自表达特征向量的相关度，得到所述查询图像序列中每一帧的第二相关权重；
第三加权子单元，用于基于所述查询图像序列中每一帧的第二相关权重，对所述查询图像序列中每一帧的第一降维特征向量进行加权，得到所述查询图像序列的协同表达特征向量。
34.根据权利要求32所述的装置，其特征在于，所述第四确定单元包括：
第四计算子单元，用于通过无参数相关函数计算所述候选图像序列中每一帧的第三降维特征向量与所述查询图像序列的自表达特征向量的相关度，得到所述候选图像序列中每一帧的第二相关权重；
第四加权子单元，用于基于所述候选图像序列中每一帧的第二相关权重，对所述候选图像序列中每一帧的第一降维特征向量进行加权，得到所述候选图像序列的协同表达特征向量。
35.根据权利要求33所述的装置，其特征在于，所述第二相关权重包括第二归一化相关权重，所述第二归一化相关权重是对所述第二相关权重进行归一化处理得到的。
36.根据权利要求22或23所述的装置，其特征在于，所述第三确定模块包括：
第一计算子模块，用于计算所述查询图像序列的自表达特征向量与所述候选图像序列的协同表达特征向量之差，得到第一差向量；
第二计算子模块，用于计算所述候选图像序列的自表达特征向量与所述查询图像序列的协同表达特征向量之差，得到第二差向量；
第五确定子模块，用于基于所述第一差向量与所述第二差向量，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
37.根据权利要求36所述的装置，其特征在于，所述第五确定子模块包括：
第一计算单元，用于计算所述第一差向量与所述第二差向量之和，得到所述查询图像序列与所述候选图像序列的相似性特征向量；或者，
第二计算单元，用于计算所述第一差向量与所述第二差向量的相应位的元素的乘积，得到所述查询图像序列与所述候选图像序列的相似性特征向量。
38.根据权利要求22或23所述的装置，其特征在于，所述第四确定模块包括：
第六确定子模块，用于将所述查询图像序列与所述候选图像序列的相似性特征向量输入第四全连接层，得到所述查询图像序列与所述候选图像序列的匹配分数；
第七确定子模块，用于基于所述查询图像序列与所述候选图像序列的匹配分数，确定所述查询图像序列与所述候选图像序列的匹配结果。
39.根据权利要求38所述的装置，其特征在于，所述装置还包括：
优化模块，用于基于所述查询图像序列与所述候选图像序列的匹配分数，采用同对标注数据和二元交叉熵损失函数，优化网络参数。
40.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第一切分模块，用于将查询视频切分为多个查询图像序列；
第二切分模块，用于将候选视频切分为多个候选图像序列；
第五确定模块，用于基于所述查询视频的查询图像序列与所述候选视频的候选图像序列的匹配结果，确定所述查询视频与所述候选视频的匹配结果。
41.根据权利要求40所述的装置，其特征在于，所述第一切分模块用于：
按照预设序列长度以及预设步长，将查询视频切分为多个查询图像序列，其中，所述查询图像序列的长度等于所述预设序列长度，相邻的查询图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差；
所述第二切分模块用于：
按照预设序列长度以及预设步长，将候选视频切分为多个候选图像序列，其中，所述候选图像序列的长度等于所述预设序列长度，相邻的候选图像序列之间重叠的图像数等于所述预设序列长度与所述预设步长之差。
42.根据权利要求40或41所述的装置，其特征在于，所述第五确定模块包括：
第八确定子模块，用于确定所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数；
第三计算子模块，用于计算所述查询视频的各个查询图像序列与所述候选视频的各个候选图像序列的匹配分数中最高的N个匹配分数的平均值，得到所述查询视频与所述候选视频的匹配分数，其中，N为正整数；
第九确定子模块，用于基于所述查询视频与所述候选视频的匹配分数，确定所述查询视频与所述候选视频的匹配结果。
43.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至21中任意一项所述的方法。
44.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至21中任意一项所述的方法。
CN201810621959.5A 2018-06-15 2018-06-15 目标匹配方法及装置、电子设备和存储介质 Active CN109145150B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201810621959.5A CN109145150B (zh) 2018-06-15 2018-06-15 目标匹配方法及装置、电子设备和存储介质
SG11202003581YA SG11202003581YA (en) 2018-06-15 2019-05-13 Target matching method and apparatus, electronic device, and storage medium
KR1020207007917A KR20200042513A (ko) 2018-06-15 2019-05-13 타겟 매칭 방법 및 장치, 전자 기기 및 저장 매체
JP2020515878A JP6883710B2 (ja) 2018-06-15 2019-05-13 ターゲットのマッチング方法及び装置、電子機器並びに記憶媒体
PCT/CN2019/086670 WO2019237870A1 (zh) 2018-06-15 2019-05-13 目标匹配方法及装置、电子设备和存储介质
US16/841,723 US11222231B2 (en) 2018-06-15 2020-04-07 Target matching method and apparatus, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810621959.5A CN109145150B (zh) 2018-06-15 2018-06-15 目标匹配方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109145150A CN109145150A (zh) 2019-01-04
CN109145150B true CN109145150B (zh) 2021-02-12

Family

ID=64802036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810621959.5A Active CN109145150B (zh) 2018-06-15 2018-06-15 目标匹配方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US11222231B2 (zh)
JP (1) JP6883710B2 (zh)
KR (1) KR20200042513A (zh)
CN (1) CN109145150B (zh)
SG (1) SG11202003581YA (zh)
WO (1) WO2019237870A1 (zh)

Families Citing this family (6)

* 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
CN111435432B (zh) * 2019-01-15 2023-05-26 北京市商汤科技开发有限公司 网络优化方法及装置、图像处理方法及装置、存储介质
CN110705590B (zh) * 2019-09-02 2021-03-12 创新先进技术有限公司 通过计算机执行的、用于识别车辆部件的方法及装置
CN110866509B (zh) 2019-11-20 2023-04-28 腾讯科技（深圳）有限公司 动作识别方法、装置、计算机存储介质和计算机设备
KR102475177B1 (ko) * 2020-11-04 2022-12-07 한국전자기술연구원 영상 처리 방법 및 장치
CN113243886B (zh) * 2021-06-11 2021-11-09 四川翼飞视科技有限公司 一种基于深度学习的视力检测系统、方法和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160171346A1 (en) * 2014-12-15 2016-06-16 Samsung Electronics Co., Ltd. Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image
CN106326288A (zh) * 2015-06-30 2017-01-11 阿里巴巴集团控股有限公司 图像搜索方法及装置
CN106649663A (zh) * 2016-12-14 2017-05-10 大连理工大学 一种基于紧凑视频表征的视频拷贝检测方法
CN106886599A (zh) * 2017-02-28 2017-06-23 北京京东尚科信息技术有限公司 图像检索方法以及装置
CN107862331A (zh) * 2017-10-31 2018-03-30 华中科技大学 一种基于时间序列及cnn的不安全行为识别方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7921036B1 (en) * 2002-04-30 2011-04-05 Videomining Corporation Method and system for dynamically targeting content based on automatic demographics and behavior analysis
CN105608234A (zh) * 2016-03-18 2016-05-25 北京京东尚科信息技术有限公司 图像检索方法和装置
US9818126B1 (en) * 2016-04-20 2017-11-14 Deep Labs Inc. Systems and methods for sensor data analysis through machine learning
CN107451156B (zh) * 2016-05-31 2021-08-20 杭州华为企业通信技术有限公司 一种图像再识别方法及识别装置
CN107193983A (zh) * 2017-05-27 2017-09-22 北京小米移动软件有限公司 图像搜索方法及装置
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
US20210264496A1 (en) * 2020-02-21 2021-08-26 Goldenspear Llc Machine learning for rapid analysis of image data via curated customer personas

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160171346A1 (en) * 2014-12-15 2016-06-16 Samsung Electronics Co., Ltd. Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image
CN106326288A (zh) * 2015-06-30 2017-01-11 阿里巴巴集团控股有限公司 图像搜索方法及装置
CN106649663A (zh) * 2016-12-14 2017-05-10 大连理工大学 一种基于紧凑视频表征的视频拷贝检测方法
CN106886599A (zh) * 2017-02-28 2017-06-23 北京京东尚科信息技术有限公司 图像检索方法以及装置
CN107862331A (zh) * 2017-10-31 2018-03-30 华中科技大学 一种基于时间序列及cnn的不安全行为识别方法及系统

Also Published As

Publication number Publication date
KR20200042513A (ko) 2020-04-23
JP6883710B2 (ja) 2021-06-09
US20200234078A1 (en) 2020-07-23
US11222231B2 (en) 2022-01-11
SG11202003581YA (en) 2020-05-28
WO2019237870A1 (zh) 2019-12-19
CN109145150A (zh) 2019-01-04
JP2020534606A (ja) 2020-11-26

Similar Documents

Publication Publication Date Title
CN109145150B (zh) 目标匹配方法及装置、电子设备和存储介质
US11120078B2 (en) Method and device for video processing, electronic device, and storage medium
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
WO2021056808A1 (zh) 图像处理方法及装置、电子设备和存储介质
WO2021093375A1 (zh) 检测同行人的方法及装置、系统、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN111931844B (zh) 图像处理方法及装置、电子设备和存储介质
CN111435432B (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
CN111539410B (zh) 字符识别方法及装置、电子设备和存储介质
CN113326768B (zh) 训练方法、图像特征提取方法、图像识别方法及装置
CN111582383B (zh) 属性识别方法及装置、电子设备和存储介质
CN112906484B (zh) 一种视频帧处理方法及装置、电子设备和存储介质
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN110781813A (zh) 图像识别方法及装置、电子设备和存储介质
CN113486830A (zh) 图像处理方法及装置、电子设备和存储介质
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN111311588B (zh) 重定位方法及装置、电子设备和存储介质
CN113283343A (zh) 人群定位方法及装置、电子设备和存储介质
CN111178115B (zh) 对象识别网络的训练方法及系统
CN111062407A (zh) 图像处理方法及装置、电子设备和存储介质
CN115422932A (zh) 一种词向量训练方法及装置、电子设备和存储介质

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