CN109165572B - 用于生成信息的方法和装置 - Google Patents

用于生成信息的方法和装置 Download PDF

Info

Publication number
CN109165572B
CN109165572B CN201810879258.1A CN201810879258A CN109165572B CN 109165572 B CN109165572 B CN 109165572B CN 201810879258 A CN201810879258 A CN 201810879258A CN 109165572 B CN109165572 B CN 109165572B
Authority
CN
China
Prior art keywords
matched
image
target object
sub
dimension
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
CN201810879258.1A
Other languages
English (en)
Other versions
CN109165572A (zh
Inventor
王健
李甫
李旭斌
孙昊
文石磊
丁二锐
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.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201810879258.1A priority Critical patent/CN109165572B/zh
Publication of CN109165572A publication Critical patent/CN109165572A/zh
Application granted granted Critical
Publication of CN109165572B publication Critical patent/CN109165572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。该实施方式提供了一种基于局部特征的相似度信息生成机制，丰富了信息生成方法。

Description

用于生成信息的方法和装置
技术领域
本申请实施例涉及计算机技术领域，尤其涉及用于生成信息的方法和装置。
背景技术
随着计算机技术的飞快发展，数字图像处理技术发展越来越迅猛，已经深入到生活的方方面面。目标识别作为数字图像处理技术领域重要研究课题之一，被广泛应用于国防军事、公共交通、社会安全和商业应用等各个领域。所谓目标识别，是在图像中识别出特定目标，例如，如何在摄像头拍摄的视频中准确的识别行人，以及行人在变换姿态，或被遮挡后的任何重新识别该行人。现有的目标识别，主要是基于目标的全局特征进行的。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。
在一些实施例中，在一些实施例中，第二维度包括水平方向维度和/或竖直方向维度；以及基于第二维度切分特征矩阵得到至少两个子矩阵，包括：在水平方向维度和/或竖直方向维度将特征矩阵平均切分为预设数目个子矩阵。
在一些实施例中，提取待识别图像中目标对象的特征矩阵，包括：对待识别图像进行目标检测，得到目标对象所在图像区域的位置信息；利用深度神经网络对目标对象所在图像区域中的图像进行特征提取，得到目标对象的特征矩阵。
在一些实施例中，基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度，包括：将该子矩阵与所获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与目标对象匹配的待匹配对象的标识以及目标对象与待匹配对象的相似度，分类及度量学习模型用于表征输入的目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系。
在一些实施例中，方法还包括：获取样本集，其中，样本集中的样本包括样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像以及与样本目标对象匹配的待匹配对象的标识；从样本集中选取样本，以及执行以下训练步骤：根据选取的样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像，提取选取的样本目标对象、样本待匹配对象的特征矩阵；基于提取的特征矩阵的第二维度切分选取的样本目标对象、样本待匹配对象的特征矩阵，得到至少两个样本目标对象的特征矩阵的子矩阵与至少两个样本待匹配对象的特征矩阵的子矩阵；将切分得到的在图像区域中的位置相同的子矩阵输入针对该位置的初始分类及度量学习模型，根据针对该位置的初始分类及度量学习模型的输出与选取的样本目标对象匹配的待匹配对象的标识，调整针对该位置的初始分类及度量学习模型中的相关参数；确定针对该位置的初始分类及度量学习模型是否训练完成；响应于确定针对该位置的初始分类及度量学习模型训练完成，将针对该位置的初始分类及度量学习模型作为人脸检测模型；响应于确定针对该位置的初始分类及度量学习模型训练未完成，从样本集中重新选取样本，使用调整后的针对该位置的初始分类及度量学习模型作为针对该位置的初始分类及度量学习模型，继续执行训练步骤。
第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：提取单元，被配置成提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；切分单元，被配置成基于第二维度切分特征矩阵得到至少两个子矩阵；生成单元，被配置成对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。
在一些实施例中，第二维度包括水平方向维度和/或竖直方向维度；以及切分单元，进一步被配置成：在水平方向维度和/或竖直方向维度将特征矩阵平均切分为预设数目个子矩阵。
在一些实施例中，提取单元，包括：检测子单元，被配置成对待识别图像进行目标检测，得到目标对象所在图像区域的位置信息；提取子单元，被配置成利用深度神经网络对目标对象所在图像区域中的图像进行特征提取，得到目标对象的特征矩阵。
在一些实施例中，生成单元，进一步被配置成：将该子矩阵与所获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与目标对象匹配的待匹配对象的标识以及目标对象与待匹配对象的相似度，分类及度量学习模型用于表征输入的目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系。
在一些实施例中，装置还包括：获取单元，被配置成获取样本集，其中，样本集中的样本包括样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像以及与样本目标对象匹配的待匹配对象的标识；训练单元，被配置成从样本集中选取样本，以及执行以下训练步骤：根据选取的样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像，提取选取的样本目标对象、样本待匹配对象的特征矩阵；基于提取的特征矩阵的第二维度切分选取的样本目标对象、样本待匹配对象的特征矩阵，得到至少两个样本目标对象的特征矩阵的子矩阵与至少两个样本待匹配对象的特征矩阵的子矩阵；将切分得到的在图像区域中的位置相同的子矩阵输入针对该位置的初始分类及度量学习模型，根据针对该位置的初始分类及度量学习模型的输出与选取的样本目标对象匹配的待匹配对象的标识，调整针对该位置的初始分类及度量学习模型中的相关参数；确定针对该位置的初始分类及度量学习模型是否训练完成；响应于确定针对该位置的初始分类及度量学习模型训练完成，将针对该位置的初始分类及度量学习模型作为人脸检测模型；响应于确定针对该位置的初始分类及度量学习模型训练未完成，从样本集中重新选取样本，使用调整后的针对该位置的初始分类及度量学习模型作为针对该位置的初始分类及度量学习模型，继续执行训练步骤。
第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的用于生成信息的方法和装置，通过提取待识别图像中目标对象的特征矩阵，并基于第二维度切分特征矩阵得到至少两个子矩阵，而后对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，最后基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度，提供了一种基于局部特征的相似度信息生成机制，丰富了信息生成方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成信息的方法的一个实施例的流程图；
图3是根据本申请的用于生成信息的方法的应用场景的一个示意图；
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器或终端的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如安防监控类应用、图像采集类应用、图像处理类应用、通讯客户端类应用、搜索类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105可以提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。
需要说明的是，本申请实施例所提供的用于生成信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：
步骤201，提取待识别图像中目标对象的特征矩阵。
在本实施例中，用于生成信息的方法执行主体(例如图1所示的服务器或终端)可以首先提取待识别图像中目标对象的特征矩阵。上述主体可以采用一个或多个卷积神经网络进行图像特征的提取。待识别图像可以是任何待对其进行识别的图片，例如，安防摄像头拍摄到的待识别行人的图片。目标对象可以是人或动物以及人或者动物的身体某部分等。
在这里，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置。作为示例，特征矩阵可以是一个三维的矩阵，其维度为C＊H＊W，其中，C可以用于表征目标对象所在图像区域中图像的图像特征，H可以用于表征图像特征所对应的图像在图像区域中的竖直方向上的位置，W可以用于表征图像特征所对应的图像在图像区域中的水平方向上的位置。
本实施例的一些可选实现方式中，提取待识别图像中目标对象的特征矩阵，包括：对待识别图像进行目标检测，得到目标对象所在图像区域的位置信息；利用深度神经网络对目标对象所在图像区域中的图像进行特征提取，得到目标对象的特征矩阵。
在本实现方式中，目标检测可以是通过分析图像或者视频中的目标的特征，将目标识别出来，目标对象所在图像区域的位置信息可以是任何可以表征目标对象所在图像区域的位置的信息，例如，图像区域的坐标，目标区域为矩形时，位置信息可以包括右上角顶点的横坐标、右上角顶点的纵坐标、左下角顶点的横坐标、左下角顶点的纵坐标；或表征图像区域的中心的横坐标、中心的纵坐标、区域的长、区域的宽。此外，还可以采用基于模板、边缘、灰度等的特征提取方法，本申请对此不做限定。
步骤202，基于第二维度切分特征矩阵得到至少两个子矩阵。
在本实施例中，上述执行主体可以基于第二维度切分步骤201中提取的特征矩阵得到至少两个子矩阵。上述执行主体可以平均切分或按照预先设置的比例切分特征矩阵，具体可以根据实际需要进行设置。
在本实施例的一些可选实现方式中，第二维度包括水平方向维度和/或竖直方向维度；以及基于第二维度切分特征矩阵得到至少两个子矩阵，包括：在水平方向维度和/或竖直方向维度将特征矩阵平均切分为预设数目个子矩阵。
在本实现方式中，第二维度包括水平方向维度时，可以在水平方向维度将特征矩阵平均切分为预设数目个子矩阵，第二维度包括竖直方向维度时，可以在竖直方向维度将特征矩阵平均切分为预设数目个子矩阵。
作为示例，可以在竖直方向维度将特征矩阵平均切分为6个子矩阵，在水平方向维度将特征矩阵平均切分为2个子矩阵。具体的数值可以根据实际需要进行设置。
步骤203，获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵。
在本实施例中，上述执行主体可以对于步骤202中切分出的至少两个子矩阵中的子矩阵，获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵。其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同。作为示例，切分方式是将特征矩阵在水平方向维度将特征矩阵平均切分为2个子矩阵，那么，待匹配对象的特征矩阵中左边的子矩阵与目标对象的特征矩阵中左边的子矩阵在图像区域中的位置匹配。切分方式是将特征矩阵在竖直方向维度将特征矩阵平均切分为6个子矩阵，那么，待匹配对象的特征矩阵中从上至下第2个子矩阵与目标对象的特征矩阵中从上至下第2个子矩阵在图像区域中的位置匹配。
步骤204，基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。
在本实施例中，上述执行主体可以基于该子矩阵与步骤203中获取的子矩阵生成待匹配对象与目标对象的相似度。相似度可以通过度量学习算法确定，也可以通过特征矩阵之间的距离确定，这里的距离包括但不限于欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、夹角余弦、汉明距离、杰卡德距离、相关距离和信息熵，以及其他现在已知或者未来开发的矩阵之间的距离。
继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以首先提取待识别图像302中目标对象3021的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；而后基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取图像303中待匹配对象3031、3022、3033的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵；基于该子矩阵与所获取待匹配对象3031、3022、3033的子矩阵生成待匹配对象3031、3022、3033与目标对象3021的相似度。
本申请的上述实施例提供的方法通过提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度，提供了一种基于局部特征的相似度信息生成机制，丰富了信息生成方法。
进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：
步骤401，提取待识别图像中目标对象的特征矩阵。
在本实施例中，用于生成信息的方法执行主体(例如图1所示的服务器或终端)可以首先提取待识别图像中目标对象的特征矩阵。
步骤402，基于第二维度切分特征矩阵得到至少两个子矩阵。
在本实施例中，上述执行主体可以基于第二维度切分步骤401中提取的特征矩阵得到至少两个子矩阵。
步骤403，获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵。
在本实施例中，上述执行主体可以对于步骤402中切分出的至少两个子矩阵中的子矩阵，获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵。
步骤404，将该子矩阵与所获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与目标对象匹配的待匹配对象的标识以及目标对象与待匹配对象的相似度。
在本实施例中，上述执行主体可以将该子矩阵与步骤403中获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与目标对象匹配的待匹配对象的标识以及目标对象与待匹配对象的相似度。标识可以是任何可以区分不同对象的信息，作为示例，目标对象为行人时，待匹配对象的标识可以是摄像头采集到的图像中已检测到的行人ID。
作为示例，上述分类及度量学习模型可以包括目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系表。对应关系表可以是技术人员基于对大量的目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的统计而预先制定的、存储有多个目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系的对应关系表。
在本实施例的一些可选实现方式中，方法还包括：获取样本集，其中，样本集中的样本包括样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像以及与样本目标对象匹配的待匹配对象的标识；从样本集中选取样本，以及执行以下训练步骤：根据选取的样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像，提取选取的样本目标对象、样本待匹配对象的特征矩阵；基于提取的特征矩阵的第二维度切分选取的样本目标对象、样本待匹配对象的特征矩阵，得到至少两个样本目标对象的特征矩阵的子矩阵与至少两个样本待匹配对象的特征矩阵的子矩阵；将切分得到的在图像区域中的位置相同的子矩阵输入针对该位置的初始分类及度量学习模型，根据针对该位置的初始分类及度量学习模型的输出与选取的样本目标对象匹配的待匹配对象的标识，调整针对该位置的初始分类及度量学习模型中的相关参数；确定针对该位置的初始分类及度量学习模型是否训练完成；响应于确定针对该位置的初始分类及度量学习模型训练完成，将针对该位置的初始分类及度量学习模型作为人脸检测模型；响应于确定针对该位置的初始分类及度量学习模型训练未完成，从样本集中重新选取样本，使用调整后的针对该位置的初始分类及度量学习模型作为针对该位置的初始分类及度量学习模型，继续执行训练步骤。
在本实现方式中，初始分类及度量学习模型可以是本邻域常用的分类模型与度量学习模型的组合，可以综合分类模型与度量学习模型的损失函数，例如对二者的损失函数进行加权求和，对初始分类及度量学习模型进行训练。确定初始分类及度量学习模型训练是否完成，可以是损失函数的函数值是否小于预设阈值，或样本集中样本是否均被选取完。对于模型参数的调整，可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如随机梯度下降算法)等方法，本申请对此不做限定。
在本实施例中，步骤401、步骤402、步骤403的操作与步骤201、步骤202、步骤203的操作基本相同，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400中通过预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与目标对象匹配的待匹配对象的标识以及目标对象与待匹配对象的相似度，由此，本实施例描述的方案进一步提高了生成的信息的准确度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于生成信息的装置500包括：提取单元501、切分单元502和生成单元503。其中，提取单元，被配置成提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；切分单元，被配置成基于第二维度切分特征矩阵得到至少两个子矩阵；生成单元，被配置成对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。
在本实施例中，用于生成信息的装置500的提取单元501、切分单元502和生成单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选实现方式中，第二维度包括水平方向维度和/或竖直方向维度；以及切分单元，进一步被配置成：在水平方向维度和/或竖直方向维度将特征矩阵平均切分为预设数目个子矩阵。
在本实施例的一些可选实现方式中，提取单元，包括：检测子单元，被配置成对待识别图像进行目标检测，得到目标对象所在图像区域的位置信息；提取子单元，被配置成利用深度神经网络对目标对象所在图像区域中的图像进行特征提取，得到目标对象的特征矩阵。
在本实施例的一些可选实现方式中，生成单元，进一步被配置成：将该子矩阵与所获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与目标对象匹配的待匹配对象的标识以及目标对象与待匹配对象的相似度，分类及度量学习模型用于表征输入的目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系。
在本实施例的一些可选实现方式中，装置还包括：获取单元，被配置成获取样本集，其中，样本集中的样本包括样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像以及与样本目标对象匹配的待匹配对象的标识；训练单元，被配置成从样本集中选取样本，以及执行以下训练步骤：根据选取的样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像，提取选取的样本目标对象、样本待匹配对象的特征矩阵；基于提取的特征矩阵的第二维度切分选取的样本目标对象、样本待匹配对象的特征矩阵，得到至少两个样本目标对象的特征矩阵的子矩阵与至少两个样本待匹配对象的特征矩阵的子矩阵；将切分得到的在图像区域中的位置相同的子矩阵输入针对该位置的初始分类及度量学习模型，根据针对该位置的初始分类及度量学习模型的输出与选取的样本目标对象匹配的待匹配对象的标识，调整针对该位置的初始分类及度量学习模型中的相关参数；确定针对该位置的初始分类及度量学习模型是否训练完成；响应于确定针对该位置的初始分类及度量学习模型训练完成，将针对该位置的初始分类及度量学习模型作为人脸检测模型；响应于确定针对该位置的初始分类及度量学习模型训练未完成，从样本集中重新选取样本，使用调整后的针对该位置的初始分类及度量学习模型作为针对该位置的初始分类及度量学习模型，继续执行训练步骤。
本申请的上述实施例提供的装置，通过提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度，提供了一种基于局部特征的相似度信息生成机制，丰富了信息生成方法。
下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件可以连接至I/O接口605：包括诸如键盘、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计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。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。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元、切分单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“被配置成提取待识别图像中目标对象的特征矩阵的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：提取待识别图像中目标对象的特征矩阵，特征矩阵的维度包括第一维度和第二维度，第一维度用于表征目标对象所在图像区域中图像的图像特征，第二维度用于表征图像特征所对应的图像在图像区域中的位置；基于第二维度切分特征矩阵得到至少两个子矩阵；对于至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，待匹配对象的特征矩阵的子矩阵的切分方式与目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成待匹配对象与目标对象的相似度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成信息的方法，包括：
提取待识别图像中目标对象的特征矩阵，所述特征矩阵的维度包括第一维度和第二维度，所述第一维度用于表征所述目标对象所在图像区域中图像的图像特征，所述第二维度用于表征所述图像特征所对应的图像在所述图像区域中的位置；
基于所述第二维度切分所述特征矩阵得到至少两个子矩阵；
对于所述至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，所述待匹配对象的特征矩阵的子矩阵的切分方式与所述目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成所述待匹配对象与所述目标对象的相似度；所述第二维度包括水平方向维度和/或竖直方向维度；以及
所述基于所述第二维度切分所述特征矩阵得到至少两个子矩阵，包括：
在水平方向维度和/或竖直方向维度将所述特征矩阵平均切分为预设数目个子矩阵。
2.根据权利要求1所述的方法，其中，所述提取待识别图像中目标对象的特征矩阵，包括：
对所述待识别图像进行目标检测，得到目标对象所在图像区域的位置信息；
利用深度神经网络对所述目标对象所在图像区域中的图像进行特征提取，得到所述目标对象的特征矩阵。
3.根据权利要求1-2中任一项所述的方法，其中，所述基于该子矩阵与所获取的子矩阵生成所述待匹配对象与所述目标对象的相似度，包括：
将该子矩阵与所获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与所述目标对象匹配的待匹配对象的标识以及所述目标对象与所述待匹配对象的相似度，所述分类及度量学习模型用于表征输入的目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系。
4.根据权利要求3所述的方法，其中，所述方法还包括：
获取样本集，其中，所述样本集中的样本包括样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像以及与样本目标对象匹配的待匹配对象的标识；
从所述样本集中选取样本，以及执行以下训练步骤：根据选取的样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像，提取选取的样本目标对象、样本待匹配对象的特征矩阵；基于提取的特征矩阵的第二维度切分选取的样本目标对象、样本待匹配对象的特征矩阵，得到至少两个样本目标对象的特征矩阵的子矩阵与至少两个样本待匹配对象的特征矩阵的子矩阵；将切分得到的在图像区域中的位置相同的子矩阵输入针对该位置的初始分类及度量学习模型，根据针对该位置的初始分类及度量学习模型的输出与选取的样本目标对象匹配的待匹配对象的标识，调整针对该位置的初始分类及度量学习模型中的相关参数；确定针对该位置的初始分类及度量学习模型是否训练完成；响应于确定针对该位置的初始分类及度量学习模型训练完成，将针对该位置的初始分类及度量学习模型作为人脸检测模型；响应于确定针对该位置的初始分类及度量学习模型训练未完成，从所述样本集中重新选取样本，使用调整后的针对该位置的初始分类及度量学习模型作为针对该位置的初始分类及度量学习模型，继续执行所述训练步骤。
5.一种用于生成信息的装置，包括：
提取单元，被配置成提取待识别图像中目标对象的特征矩阵，所述特征矩阵的维度包括第一维度和第二维度，所述第一维度用于表征所述目标对象所在图像区域中图像的图像特征，所述第二维度用于表征所述图像特征所对应的图像在所述图像区域中的位置；
切分单元，被配置成基于所述第二维度切分所述特征矩阵得到至少两个子矩阵；
生成单元，被配置成对于所述至少两个子矩阵中的子矩阵：获取待匹配对象的特征矩阵中与该子矩阵在图像区域中的位置匹配的子矩阵，其中，所述待匹配对象的特征矩阵的子矩阵的切分方式与所述目标对象的特征矩阵的子矩阵的切分方式相同；基于该子矩阵与所获取的子矩阵生成所述待匹配对象与所述目标对象的相似度；所述第二维度包括水平方向维度和/或竖直方向维度；以及
所述切分单元，进一步被配置成：
在水平方向维度和/或竖直方向维度将所述特征矩阵平均切分为预设数目个子矩阵。
6.根据权利要求5所述的装置，其中，所述提取单元，包括：
检测子单元，被配置成对所述待识别图像进行目标检测，得到目标对象所在图像区域的位置信息；
提取子单元，被配置成利用深度神经网络对所述目标对象所在图像区域中的图像进行特征提取，得到所述目标对象的特征矩阵。
7.根据权利要求5-6中任一项所述的装置，其中，所述生成单元，进一步被配置成：
将该子矩阵与所获取的子矩阵输入至预先训练的针对该子矩阵在图像区域中的位置的分类及度量学习模型，得到与所述目标对象匹配的待匹配对象的标识以及所述目标对象与所述待匹配对象的相似度，所述分类及度量学习模型用于表征输入的目标对象的子矩阵、待匹配对象的子矩阵与目标对象匹配的待匹配对象的标识、目标对象与待匹配对象的相似度的对应关系。
8.根据权利要求7所述的装置，其中，所述装置还包括：
获取单元，被配置成获取样本集，其中，所述样本集中的样本包括样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像以及与样本目标对象匹配的待匹配对象的标识；
训练单元，被配置成从所述样本集中选取样本，以及执行以下训练步骤：根据选取的样本目标对象所在图像区域中的图像、样本待匹配对象所在图像区域中图像，提取选取的样本目标对象、样本待匹配对象的特征矩阵；基于提取的特征矩阵的第二维度切分选取的样本目标对象、样本待匹配对象的特征矩阵，得到至少两个样本目标对象的特征矩阵的子矩阵与至少两个样本待匹配对象的特征矩阵的子矩阵；将切分得到的在图像区域中的位置相同的子矩阵输入针对该位置的初始分类及度量学习模型，根据针对该位置的初始分类及度量学习模型的输出与选取的样本目标对象匹配的待匹配对象的标识，调整针对该位置的初始分类及度量学习模型中的相关参数；确定针对该位置的初始分类及度量学习模型是否训练完成；响应于确定针对该位置的初始分类及度量学习模型训练完成，将针对该位置的初始分类及度量学习模型作为人脸检测模型；响应于确定针对该位置的初始分类及度量学习模型训练未完成，从所述样本集中重新选取样本，使用调整后的针对该位置的初始分类及度量学习模型作为针对该位置的初始分类及度量学习模型，继续执行所述训练步骤。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN201810879258.1A 2018-08-03 2018-08-03 用于生成信息的方法和装置 Active CN109165572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810879258.1A CN109165572B (zh) 2018-08-03 2018-08-03 用于生成信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810879258.1A CN109165572B (zh) 2018-08-03 2018-08-03 用于生成信息的方法和装置

Publications (2)

Publication Number Publication Date
CN109165572A CN109165572A (zh) 2019-01-08
CN109165572B true CN109165572B (zh) 2022-02-08

Family

ID=64898914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810879258.1A Active CN109165572B (zh) 2018-08-03 2018-08-03 用于生成信息的方法和装置

Country Status (1)

Country Link
CN (1) CN109165572B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638774B (zh) * 2020-12-01 2024-02-02 珠海碳云智能科技有限公司 图像数据处理方法及装置、非易失性存储介质
CN113590857A (zh) * 2021-08-10 2021-11-02 北京有竹居网络技术有限公司 键值匹配方法、装置、可读介质及电子设备
CN115131307B (zh) * 2022-06-23 2024-08-30 腾讯科技（深圳）有限公司 物品缺陷检测方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9466109B1 (en) * 2015-06-30 2016-10-11 Gopro, Inc. Image stitching in a multi-camera array
CN106886771A (zh) * 2017-03-15 2017-06-23 同济大学 基于模块化pca的图像主信息提取方法及人脸识别方法
CN107679466A (zh) * 2017-09-21 2018-02-09 百度在线网络技术（北京）有限公司 信息输出方法和装置
CN108154196A (zh) * 2018-01-19 2018-06-12 百度在线网络技术（北京）有限公司 用于输出图像的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6647139B1 (en) * 1999-02-18 2003-11-11 Matsushita Electric Industrial Co., Ltd. Method of object recognition, apparatus of the same and recording medium therefor
KR101183781B1 (ko) * 2009-12-22 2012-09-17 삼성전자주식회사 실시간 카메라 모션 추정을 이용한 물체 검출/추적 방법 및 단말

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9466109B1 (en) * 2015-06-30 2016-10-11 Gopro, Inc. Image stitching in a multi-camera array
CN106886771A (zh) * 2017-03-15 2017-06-23 同济大学 基于模块化pca的图像主信息提取方法及人脸识别方法
CN107679466A (zh) * 2017-09-21 2018-02-09 百度在线网络技术（北京）有限公司 信息输出方法和装置
CN108154196A (zh) * 2018-01-19 2018-06-12 百度在线网络技术（北京）有限公司 用于输出图像的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Support vector regression for multi-view gait recognition based on local motion feature selection;Worapan Kusakunniran et al;《2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition》;20100805;974-981页 *
最大后验耦合互信息的图像精确配准算法;赵玉兰等;《计算机工程与设计》;20171130;第38卷(第11期);3111-3117页 *
面向监控视频的行人重识别技术研究;王亦民;《中国博士学位论文全文数据库 信息科技辑 》;20150615;第2015年卷(第06期);I138-36页 *

Also Published As

Publication number Publication date
CN109165572A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN108898186B (zh) 用于提取图像的方法和装置
CN108038880B (zh) 用于处理图像的方法和装置
CN108830235B (zh) 用于生成信息的方法和装置
CN108509915B (zh) 人脸识别模型的生成方法和装置
CN108229419B (zh) 用于聚类图像的方法和装置
CN108280477B (zh) 用于聚类图像的方法和装置
CN108269254B (zh) 图像质量评估方法和装置
CN109145828B (zh) 用于生成视频类别检测模型的方法和装置
CN109034069B (zh) 用于生成信息的方法和装置
CN108986169B (zh) 用于处理图像的方法和装置
CN108197618B (zh) 用于生成人脸检测模型的方法和装置
CN108491794B (zh) 面部识别的方法和装置
CN108509994B (zh) 人物图像聚类方法和装置
CN108564102A (zh) 图像聚类结果评价方法和装置
CN111667001B (zh) 目标重识别方法、装置、计算机设备和存储介质
CN108509921B (zh) 用于生成信息的方法和装置
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN109165572B (zh) 用于生成信息的方法和装置
CN109389096B (zh) 检测方法和装置
CN108229375B (zh) 用于检测人脸图像的方法和装置
CN109214501B (zh) 用于识别信息的方法和装置
CN110059624B (zh) 用于检测活体的方法和装置
CN108399401B (zh) 用于检测人脸图像的方法和装置
CN108615006B (zh) 用于输出信息的方法和装置
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质

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