CN110781842A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110781842A CN110781842A CN201911039325.XA CN201911039325A CN110781842A CN 110781842 A CN110781842 A CN 110781842A CN 201911039325 A CN201911039325 A CN 201911039325A CN 110781842 A CN110781842 A CN 110781842A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- similarity
- feature
- target images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 133
- 238000000605 extraction Methods 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 description 36
- 238000013528 artificial neural network Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,其中,所述方法包括:获取第一对象的多个目标图像;将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。本公开实施例可提高图像特征提取的效率。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
随着计算机视觉技术的普及,利用图像特征对图像识别和检索的技术已经逐渐应用于各行各业。目前人脸识别技术已经广泛应用在安防以及安防相关领域,应用场景主要包含人脸布控、静态库检索、路人库轨迹搜索等。
在利用同一个目标对象的多个目标图像进行人脸识别时,通常需要分别对每个目标图像进行特征提取,图像特征提取效率低。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:
获取第一对象的多个目标图像;将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。
这样,针对第一对象的多个目标图像,可以通过一次性的特征提取,得到第一对象的融合特征,可以提高图像特征提取的效率。并且,在图像特征提取过程中,可以先将多个目标图像进行图像融合,从而可以减少有效信息的遗漏,避免重复提取相同的图像特征,提高提取的图像特征的精度。
在一种可能的实现方式中,所述第一对象为多个;所述获取第一对象的多个目标图像,包括:获取多个目标图像;将所述多个目标图像进行分类,得到每个第一对象的多个目标图像。
这样,可以通过将来自不同第一对象的多个目标图像进行分类,得到同一个第一对象的多个目标图像,实现针对同一个第一对象的目标图像进行特征提取。
在一种可能的实现方式中,所述获取第一对象的多个目标图像,包括:获取图像采集装置采集的视频帧序列;对所述视频帧序列中的每个视频帧进行目标检测,得到所述第一对象的多个目标图像。
如此,可以在获取的目标图像对应多个第一对象的情况下,可以通过对目标图像进行目标检测的方式,得到同一个第一对象的多个目标图像,例如在监控、追踪拍摄场景中,可以得到某个人物的多个目标图像,实现针对同一个第一对象的目标图像进行特征提取。
在一种可能的实现方式中,所述对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征之后,包括:获取第二对象的图像特征;确定所述第一对象的融合特征与第二对象的图像特征的相似度;根据所述相似度判断所述第一对象与所述第二对象是否为同一对象。
如此,可以通过第一对象的人脸融合特征与第二对象的人脸图像进行对比,可以判定第一对象和第二对象是否为同一人,从而可以利用提取的人脸融合特征进行准确的人脸识别。
在一种可能的实现方式中,所述根据所述相似度判断所述第一对象与所述第二对象是否为同一对象,包括:
在所述相似度大于预设的第一相似度阈值的情况下,确定所述第一对象与所述第二对象是同一对象;在所述相似度小于或等于所述第一相似度阈值的情况下,确定所述第一对象与所述第二对象是不同对象。
通过预设的相似度阈值,可以快速地判定第一对象与第二对象是否为同一对象,提高同一对象的判定效率。
在一种可能的实现方式中,所述对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征之后,包括:获取多个第二对象的图像特征;确定所述第一对象的融合特征与每个第二对象的图像特征的相似度;根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象。
通过融合特征,可以在多个第二对象中查找与第一对象匹配的第二对象,可以准确并快速地确定第一对象的身份。
在一种可能的实现方式中,根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象,包括:
确定所述第一对象的融合特征与各个第二对象的图像特征的相似度中最大的相似度;在所述最大的相似度大于预设的第二相似度阈值的情况下,确定所述最大的相似度对应的第二对象是与所述第一对象匹配的第二对象;在所述最大的相似度小于或等于预设的第二相似度阈值的情况下,确定所述多个第二对象中不存在与所述第一对象匹配的第二对象。
通过将最大的相似度与预设的第二相似度阈值进行比较,可以快速地在多个第二对象中查找第一对象,从而可以进一步获取匹配的第二对象的信息,或,确定第一对象是在逃人员,可以调取第一对象的轨迹等。
在一种可能的实现方式中,在所述多个第二对象中确定与所述第一对象匹配的第二对象之后,还包括:生成并发送提示信息,其中,所述提示信息用于提示存在于所述第一对象匹配的第二对象。
通过提示信息,可以及时提醒用户已经查找到与第一对象匹配的第二对象,方便用户进行下一步操作。
在一种可能的实现方式中,所述目标图像包括人脸图像;
所述将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像,包括:对所述第一对象的多个人脸图像进行人脸融合,得到所述第一对象的人脸融合图像;所述对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征,包括:对所述第一对象的融合图像进行人脸特征提取,得到所述第一对象的人脸融合特征。
如此,可以将该人脸融合特征与人脸数据库中的人脸特征进行对比,确定第一对象的身份信息,实现通过人脸图像对第一对象进行身份识别。
在一种可能的实现方式中,所述将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像,包括:
将所述第一对象的多个目标图像输入特征提取模型,利用所述特征提取模型的融合网络将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;所述对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征,包括:利用特征所述提取模型的特征提取网络对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征;其中,所述特征提取模型为基于多个采样对象的采样图像序列,对神经网络进行训练得到的。
这样,可以将神经网络应用到特征提取中,使得到的融合特征具有较高的准确性。
在一种可能的实现方式中,所述神经网络的训练过程包括:
将采样对象的采样图像序列输入所述神经网络,得到所述采样对象的融合特征;根据所述采样对象的融合特征和所述采样对象的参考特征,确定所述神经网络的损失;基于所述损失对所述神经网络的网络参数进行调整。如此,可以利用得到的损失对神经网络的网络参数不断进行调整,以得到更好的网络参数,使神经网络具有更加优越的性能。
在一种可能的实现方式中,所述得到所述第一对象的融合特征之后还包括:将所述第一对象的融合特征输入至识别网络中进行识别,得到人脸识别结果。
这里,由于融合特征具有较高的准确性,从而在利用融合特征对第一对象进行人脸识别时,得到的人脸识别结果同样具有较高的准确性。
根据本公开的一方面,提供了一种图像处理装置,包括:
获取模块,用于获取第一对象的多个目标图像;
融合模块,用于将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;
提取模块,用于对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。
在一种可能的实现方式中,所述第一对象为多个;所述获取模块,具体用于获取多个目标图像;将所述多个目标图像进行分类,得到每个第一对象的多个目标图像。
在一种可能的实现方式中,所述获取模块,具体用于获取图像采集装置采集的视频帧序列;对所述视频帧序列中的每个视频帧进行目标检测,得到所述第一对象的多个目标图像。
在一种可能的实现方式中,所述装置还包括:
判断模块,用于获取第二对象的图像特征;确定所述第一对象的融合特征与第二对象的图像特征的相似度;根据所述相似度判断所述第一对象与所述第二对象是否为同一对象。
在一种可能的实现方式中,所述判断模块,具体用于在所述相似度大于预设的第一相似度阈值的情况下,确定所述第一对象与所述第二对象是同一对象;在所述相似度小于或等于所述第一相似度阈值的情况下,确定所述第一对象与所述第二对象是不同对象。
在一种可能的实现方式中,所述装置还包括:
匹配模块,用于获取多个第二对象的图像特征;确定所述第一对象的融合特征与每个第二对象的图像特征的相似度;根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象。
在一种可能的实现方式中,所述匹配模块,具体用于确定所述第一对象的融合特征与各个第二对象的图像特征的相似度中最大的相似度;在所述最大的相似度大于预设的第二相似度阈值的情况下,确定所述最大的相似度对应的第二对象是与所述第一对象匹配的第二对象;在所述最大的相似度小于或等于预设的第二相似度阈值的情况下,确定所述多个第二对象中不存在与所述第一对象匹配的第二对象。
在一种可能的实现方式中,所述装置还包括:提示模块,用于生成并发送提示信息,其中,所述提示信息用于提示存在于所述第一对象匹配的第二对象。
在一种可能的实现方式中,所述目标图像包括人脸图像;
所述融合模块,具体用于对所述第一对象的多个人脸图像进行人脸融合,得到所述第一对象的人脸融合图像;
所述提取模块,具体用于对所述第一对象的融合图像进行人脸特征提取,得到所述第一对象的人脸融合特征。
在一种可能的实现方式中,所述述融合模块,具体用于将所述第一对象的多个目标图像输入特征提取模型,利用所述特征提取模型的融合网络将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;
所述提取模块,具体用于利用所述特征提取模型的特征提取网络对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征;其中,所述特征提取模型为基于多个采样对象的采样图像序列,对神经网络进行训练得到的。
在一种可能的实现方式中,所述装置还包括:
训练模块,用于将采样对象的采样图像序列输入所述神经网络,得到所述采样对象的融合特征;根据所述采样对象的融合特征和所述采样对象的参考特征,确定所述神经网络的损失;基于所述损失对所述神经网络的网络参数进行调整。
在一种可能的实现方式中,所述装置还包括:
识别模块,用于将所述第一对象的融合特征输入至识别网络中进行识别,得到人脸识别结果。
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:执行上述图像处理方法。
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图像处理方法。
在本公开实施例中,可以获取第一对象的多个目标图像,然后将第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像,再对第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。这样,针对第一对象的多个目标图像,可以通过一次性的特征提取,得到第一对象的融合特征,可以提高图像特征提取的效率。并且,在图像特征提取过程中,可以先将多个目标图像进行图像融合,从而可以减少有效信息的遗漏,避免重复提取相同的图像特征,提高提取的图像特征的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
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
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的对第一对象的目标图像提取图像特征的框图。
图3示出根据本公开实施例的图像处理方法一示例的流程图。
图4示出根据本公开实施例的图像处理装置的框图。
图5示出根据本公开实施例的电子设备一示例的框图。
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。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,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。
本公开实施例提供的图像处理方案,可以获取第一对象的多个目标图像,将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像,然后对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。通过这种方式,可以在提取图像特征之前,对多个目标图像进行图像融合,可以减少有效信息的遗漏,减少重复提取相同的图像特征,提高提取的图像特征的精度。在提取图像特征过程中,可以直接对融合图像进行图像特征提取,从而可以减少分别提取多个目标图像的图像特征的时间,提高图像特征提取的效率。
在相关技术中,通常是对同一个对象的不同目标图像分别进行图像特征提取,然后得到提取后的多个图像特征,再将这些图像特征进行加权融合,得到该对象最终的图像特征。这种图像特征提取的方式,同一个对象的不同目标图像中可能会存类似的图像区域,例如,同一个人的不同人脸图像中会存在相同的人脸区域,那么会出现针对相同的图像区域多次重复提取图像特征的情况,造成特征提取资源的浪费。同时,针对N个目标图像,会提取N次图像特征,图像特征的提取效率较低。而本公开实施例提供的图像处理方案,针对N个目标图像,经过一次的图像特征提取,即可以得到多个目标图像的融合特征,不涉及加权操作,可以节省特征提取资源,提高图像特征提取的效率。
图1示出根据本公开实施例的图像处理方法的流程图。该图像处理方法可以由终端设备或其它类型的电子设备执行。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以图像处理终端作为执行主体为例对本公开实施例的图像处理方法进行说明。
如图1所示,所示图像处理方法可以包括以下步骤:
S11,获取第一对象的多个目标图像。
在本公开实施例中,图像处理终端可以采集第一对象的多个目标图像,或者,可以接收其他设备采集的第一对象的多个目标图像。第一对象可以是需要进行特征提取的目标对象,例如,行人、车辆等目标对象。第一对象的多个目标图像可以包括第一对象的完成图像,例如,包括车辆整个车身的图像。或者,第一对象的多个目标图像可以包括第一对象的部分图像,例如,包括行人的人脸图像。这里,目标图像可以是具有多种颜色特征的彩色图像,也可以是具有灰度特征的灰度图像。
S12,将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像。
在本公开实施例中,图像处理终端可以利用特征提取模型,将第一对象的多个目标图像进行图像融合,得到第一对象的融合图像。这里,第一对象的多个目标图像可以作为特征提取模型的输入信息,然后可以对多个目标图像进行一次或多次卷积处理,可以将多个目标图像融合为一个融合图像。在对多个目标图像进行卷积处理时,可以通过调整卷积处理过程中的通道数,由多个目标图像生成一个融合图像。融合图像可以包括多个目标图像中第一对象的图像信息,从而可以包括更加全面的第一对象的图像信息,提高图像特征提取的准确性。同时,对多个目标图像进行融合时,第一对象重复的图像区域可以进行整合,从而可以减少对重复的图像区域进行多次图像特征的提取,提高图像特征提取的效率。
这里,在将第一对象的多个目标图像进行图像融合之前,可以对多个目标图像进行预处理,例如,对目标人脸图像进行放缩、剪裁、图像增强等预处理,这样,可以过滤目标图像中的噪声,一定程度上增强目标图像中的有效信息,提高图像融合的效果。
S13,对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。
在本公开实施例中,在得到第一对象的融合图像之后,可以利用上述特征提取模型对第一对象的融合图像进行图像特征提取,得到第一对象的融合特征,融合特征可以是上述特征提取模型的输出信息。举例来说,可以利用上述特征提取模型对融合图像进行一级或多级卷积处理,可以得到第一对象的融合特征。这样,在针对第一对象进行图像特征提取时,可以对第一对象的融合图像进行一次性图像特征提取,与针对第一对象的每个目标图像进行一次图像特征提取而言,可以大大提高图像特征提取的效率。举例来说,假设第一对象存在N个目标图像,N为正整数。如果对N个目标图像提取图像特征,那么至少会经过N次特征提取流程。本公开实施例提供的图像处理方案,可以针对第一对象的多个目标图像,进行1次特征提取流程即可得到第一对象的融合特征,图像特征的提取效率最多可以提高N倍。并且,得到融合特征相比于对每个目标图像提取的图像特征而言,具有更高的准确性。
在一种可能的实现方式中,可以在得到第一对象的融合特征之后,将第一对象的融合特征输入至识别网络中进行识别,得到人脸识别结果。在该实现方式中,可以利用得到的融合特征对第一对象进行人脸识别,在人脸识别时可以使用识别网络,该识别网络可以是一个神经网络。由于融合特征具有较高的准确性,从而在利用融合特征对第一对象进行人脸识别时,得到的人脸识别结果同样具有较高的准确性。
在本公开实施例中,可以将第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像,然后对第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征,从而可以提高图像特征提取的精度和效率。
在一种可能的实现方式中,上述的第一对象可以为多个,获取第一对象的多个目标图像可以包括:获取多个目标图像;将所述多个目标图像进行分类,得到每个第一对象的多个目标图像。
在该实现方式中,在存在多个第一对象的情况下,图像处理终端获取的多个目标图像可以来自不同的第一对象,针对获取多个目标图像,可以通过聚类的方式,将来自不同第一对象的多个目标图像进行分类,得到每个第一对象的多个目标图像。或者,可以根据多个目标图像的人脸特征或人体特征,在多个目标图像形成的图像序列中,抽取属于每个第一对象的目标图像。
这里,在第一对象为多个的情况下,可以确定每个第一对象的多个目标图像。然后将每个第一对象的多个目标图像输入上述特征提取模型。利用上述特征提取模型,可以并行对多个第一对象的目标图像进行特征提取,分别得到每个第一对象的融合特征。
在一个可能的实现方式中,将所述第一对象的多个目标图像输入特征提取模型,利用特征提取模型的融合网络将所述第一对象的多个目标图像进行图像融合,得到第一对象的融合图像,然后利用特征提取模型的特征提取网络对所述第一对象的融合图像进行图像特征提取,得到第一对象的融合特征。其中,特征提取模型为基于多个采样对象的采样图像序列,对神经网络进行训练得到的。
在该实现方式中,上述特征提取模型可以包括融合网络和特征提取网络。融合网络和特征提取网络可以分开进行使用,例如,在对图像进行融合时,可以仅利用融合网络对输入的多个图像进行融合,在对图像进行特征提取时,可以仅利用特征提取网络对输入的图像进行特征提取。这里,特征提取模型可以是由神经网络训练得到的。
图2示出根据本公开实施例的对第一对象的目标图像提取图像特征的框图。
这里,假设存在第一对象的多个目标图像,可以将第一对象的多个目标图像输出上述特征提取模型,利用特征提取模型的融合网络对输入的多个目标图像进行图像融合,得到第一对象的融合图像。然后再利用特征提取模型的特征提取网络对第一对象的融合图像进行特征提取,得到第一对象的融合特征。这样,可以将神经网络应用到特征提取中,使得到的融合特征具有较高的准确性。
在一个示例中,可以将采样对象的采样图像序列输入所述神经网络,得到所述采样对象的融合特征,然后根据所述采样对象的融合特征和所述采样对象的参考特征,确定所述神经网络的损失,再基于所述损失对所述神经网络的网络参数进行调整。
在该示例中,在神经网络进行训练时,可以为该神经网络设置图像融合层、特征提取层等网络层,图像融合层对应上述融合网络,特征提取层对应上述特征提取网络。针对获取的每个采样对象的采样图像序列,可以在采样图像序列选择一部分采样图像,例如,选择10个、15个采样图像,输入构建的神经网络中,利用神经网络的图像融合层将多个采样图像融合为一个融合图像,然后可以利用特征提取层对融合图像进行图像特征提取,得到该采样对象的融合特征。然后可以将得到的每个采样对象的融合特征与该采样对象的参考特征进行对比,确定神经网络的损失。该参考特征可以是对该采样对象预先确定的较为准确的图像特征。然后可以根据神经网络的损失对网络参数进行调整,使得神经网络输出的融合特征不断趋近于采样对象的参考特征,如此反复对神经网络的网络参数进行调整,可以得到最终训练好的特征提取模型。
这里,在对神经网络进行训练时,还可以将采样图像序列中采样图像直接输入神经网络的特征提取层,利用特征提取层对单个的采样集图像进行特征提取,得到该采样图像的图像特征,再将得到的图像特征与该采样图像的参考特征进行比对,确定特征提取层的损失,根据该损失对特征提取层的网络参数进行调整,以得到更好的网络参数。
在一种可能的实现方式中,上述获取第一对象的多个目标图像还可以包括:获取图像采集装置采集的视频帧序列;对所述视频帧序列中的每个视频帧进行目标检测,得到所述第一对象的多个目标图像。
在该实现方式中,多个目标图像可以来源于图像采集装置采集的视频帧序列。图像处理终端可以获取图像采集装置实时采集的视频帧序列,然后可以对视频帧序列中的每个视频帧进行目标检测,确定每个视频帧中包括的一个或多个第一对象,然后根据任意一个第一对象的形状、轮廓等特征,对该第一对象进行目标跟踪,在视频帧序列的每个视频帧对该第一对象进行目标检测,确定视频帧中是否存在该第一对象。然后可以在视频帧序列中获取存在该第一对象的视频帧,得到每个第一对象的多个目标图像。举例来说,在视频监控场景中,图像处理终端可以获取视频监控场景中拍摄的视频流,然后对视频流进行解码之后,可以针对视频流中的每个视频帧进行目标检测,得到视频流中属于同一个人的目标图像序列。这样,可以在获取的目标图像对应多个第一对象的情况下,可以通过对目标图像进行目标检测的方式,得到每个第一对象的多个目标图像。
在一种可能的实现方式中,对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征之后,包括:获取第二对象的图像特征;确定所述第一对象的融合特征与第二对象的图像特征的相似度;根据所述相似度判断所述第一对象与所述第二对象是否为同一对象。
在该实现方式中,在得到第一对象的融合特征之后,可以计算第一对象的融合特征与第二对象的图像特征的相似度,例如,计算第一对象的融合特征与第二对象的图像特征之间的余弦距离或欧式距离,得到第一图像的融合特征与第二对象的图像特征的相似度。根据该相似度可以判断第一对象与第二对象是否为同一对象。举例来说,第一对象的目标图像可以是人脸图像,第一对象的融合特征可以是第一对象的人脸融合特征,然后通过第一对象的人脸融合特征与第二对象的人脸图像进行对比,可以判定第一对象和第二对象是否为同一人。这样,可以利用本公开实施例提供的图像处理方案进行人脸识别。
在该实现方式的一个示例中,在根据所述相似度判断所述第一对象与所述第二对象是否为同一对象时,可以通过预设的相似度阈值判定第一对象与第二对象是否为同一对象。即,可以在所述相似度大于预设的第一相似度阈值的情况下,确定所述第一对象与所述第二对象是同一对象;在所述相似度小于或等于所述第一相似度阈值的情况下,确定所述第一对象与所述第二对象是不同对象。这里,第一相似度预设可以根据实际应用场景进行设置。这样,通过预设的相似度阈值,可以快速地判定第一对象与第二对象是否为同一对象,提高同一对象的判定效率。
在一种可能的实现方式中,对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征之后,还可以包括:获取多个第二对象的图像特征;确定所述第一对象的融合特征与每个第二对象的图像特征的相似度;根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象。
在该实现方式中,可以将第一对象的融合特征与多个第二对象的图像特征进行对比,例如,将第一对象的人脸融合特征与人脸库中每个第二对象的人脸特征进行对比,或者,与人脸库中逃犯等重点人员的人脸特征对比,计算第一对象的融合特征与每个第二对象的图像特征的相似度。然后可以根据第一对象的融合特征与每个第二对象的图像特征的相似度,确定多个第二对象中与第一对象匹配的第二对象,例如,将最高相似度对应的第二对象确定为与第一对象匹配的第二对象。
在该实现方式的一个示例中,可以确定所述第一对象的融合特征与各个第二对象的图像特征的相似度中最大的相似度;在所述最大的相似度大于预设的第二相似度阈值的情况下,确定所述最大的相似度对应的第二对象是与所述第一对象匹配的第二对象;在所述最大的相似度小于或等于预设的第二相似度阈值的情况下,确定所述多个第二对象中不存在与所述第一对象匹配的第二对象。
在该示例中,可以将第一对象的融合特征与各个第二对象的图像特征的相似度由大到小进行排序,确定各个相似度中最大的相似度。然后可以将最大的相似度与预设的第二相似度阈值进行比较,如果最大的相似度大于预设的第二相似度阈值,可以认为最大相似度对应的第二对象是与第一对象匹配的第二对象,可以进一步获取匹配的第二对象的信息,或,确定第一对象是在逃人员,可以调取第一对象的轨迹等。如果最大的相似度小于或等于预设的第二相似度阈值,可以认为多个第二对象中不存在与第一对象匹配的第二对象,可以更换数据库查找与第一对象匹配的第二对象。
在该示例中,还可以在确定与所述第一对象匹配的第二对象之后,生成并发送提示信息,其中,所述提示信息用于提示存在于所述第一对象匹配的第二对象。这样,可以在查找到与第一对象匹配的第二对象时,向用户发出提示信息,例如,发出警报或者对匹配的第二对象设置提示标识等,从而可以及时提醒用户已经查找到与第一对象匹配的第二对象,方便用户进行下一步操作。
图3示出根据本公开实施例的图像处理一示例的流程图。
在一个示例中,目标图像可以包括人脸图像,上述图像处理方法可以包括以下步骤:
步骤S21,获取第一对象的多个人脸图像;
步骤S22,对所述第一对象的多个人脸图像进行人脸融合,得到所述第一对象的人脸融合图像;
步骤S23,对所述第一对象的融合图像进行人脸特征提取,得到所述第一对象的人脸融合特征。
在该示例中,上述图像处理方法可以应用于视频监控场景中。在视频监控场景中,图像处理终端可以获取视频监控场景中拍摄的视频流,然后对视频流进行解码之后,可以针对视频流中的每个视频帧进行人脸检测,得到视频流中属于同一个人的人脸图像序列。然后可以利用上述特征提取模型,将同一个人的人脸图像序列融合为一个人脸融合图像,并利用特征提取模型对该人脸融合图像进行人脸特征提取,得到人脸融合特征。得到人脸融合特征之后,可以将该人脸融合特征与人脸数据库中的人脸特征进行对比,确定第一对象的身份信息,实现通过人脸图像对第一对象进行身份识别。
本公开实施例提供的图像处理方案,可以由第一对象的多个目标图像直接得到一个融合特征,可以提高图像特征提取的效率,可以将原先用于K路视频流的特征提取产品,最多拓展到N*K路视频流的特征提取,提高产品竞争力。并且,在对多个目标图像剂型图像融合时,可以不对多个目标图像进行筛选,方式简单易行,得到的融合特征可以综合多个目标图像的图像特征,提高图像特征的准确性。
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,本公开还提供了图像处理装置、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图像处理方法,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。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图4示出根据本公开实施例的图像处理装置的框图,如图4所示,所述图像处理装置包括:
获取模块41,用于获取第一对象的多个目标图像;
融合模块42,用于将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;
提取模块43,用于对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。
在一个可能的实现方式中,所述第一对象为多个;所述获取模块41,具体用于获取多个目标图像;将所述多个目标图像进行分类,得到每个第一对象的多个目标图像。
在一个可能的实现方式中,具体用于获取图像采集装置采集的视频帧序列;对所述视频帧序列中的每个视频帧进行目标检测,得到所述第一对象的多个目标图像。
在一个可能的实现方式中,所述装置还包括:
判断模块,用于获取第二对象的图像特征;确定所述第一对象的融合特征与第二对象的图像特征的相似度;根据所述相似度判断所述第一对象与所述第二对象是否为同一对象。
在一个可能的实现方式中,所述判断模块,具体用于,
在所述相似度大于预设的第一相似度阈值的情况下,确定所述第一对象与所述第二对象是同一对象;
在所述相似度小于或等于所述第一相似度阈值的情况下,确定所述第一对象与所述第二对象是不同对象。
在一个可能的实现方式中,所述装置还包括:
匹配模块,用于获取多个第二对象的图像特征;确定所述第一对象的融合特征与每个第二对象的图像特征的相似度;根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象。
在一个可能的实现方式中,匹配模块,具体用于,
确定所述第一对象的融合特征与各个第二对象的图像特征的相似度中最大的相似度;
在所述最大的相似度大于预设的第二相似度阈值的情况下,确定所述最大的相似度对应的第二对象是与所述第一对象匹配的第二对象;
在所述最大的相似度小于或等于预设的第二相似度阈值的情况下,确定所述多个第二对象中不存在与所述第一对象匹配的第二对象。
在一个可能的实现方式中,所述装置还包括:
提示模块,用于生成并发送提示信息,其中,所述提示信息用于提示存在于所述第一对象匹配的第二对象。
在一个可能的实现方式中,所述目标图像包括人脸图像;
所述融合模块42,具体用于对所述第一对象的多个人脸图像进行人脸融合,得到所述第一对象的人脸融合图像;
所述提取模块43,具体用于对所述第一对象的融合图像进行人脸特征提取,得到所述第一对象的人脸融合特征。
在一个可能的实现方式中,所述述融合模块42,具体用于将所述第一对象的多个目标图像输入特征提取模型,利用所述特征提取模型的融合网络将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;
所述提取模块43,具体用于利用所述特征提取模型的特征提取网络对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征;其中,所述特征提取模型为基于多个采样对象的采样图像序列,对神经网络进行训练得到的。
在一个可能的实现方式中,所述装置还包括:
训练模块,用于将采样对象的采样图像序列输入所述神经网络,得到所述采样对象的融合特征;根据所述采样对象的融合特征和所述采样对象的参考特征,确定所述神经网络的损失;基于所述损失对所述神经网络的网络参数进行调整。
在一个可能的实现方式中,所述装置还包括:
识别模块,用于将所述第一对象的融合特征输入至识别网络中进行识别,得到人脸识别结果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
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5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5,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。
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 (10)
1.一种图像处理方法,其特征在于,包括:
获取第一对象的多个目标图像;
将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;
对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。
2.根据权利要求1所述的方法,其特征在于,所述第一对象为多个;所述获取第一对象的多个目标图像,包括:
获取多个目标图像;
将所述多个目标图像进行分类,得到每个第一对象的多个目标图像。
3.根据权利要求1所述的方法,其特征在于,所述获取第一对象的多个目标图像,包括:
获取图像采集装置采集的视频帧序列;
对所述视频帧序列中的每个视频帧进行目标检测,得到所述第一对象的多个目标图像。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征之后,包括:
获取第二对象的图像特征;
确定所述第一对象的融合特征与第二对象的图像特征的相似度;
根据所述相似度判断所述第一对象与所述第二对象是否为同一对象。
5.根据权利要求4所述的方法,其特征在于,所述根据所述相似度判断所述第一对象与所述第二对象是否为同一对象,包括:
在所述相似度大于预设的第一相似度阈值的情况下,确定所述第一对象与所述第二对象是同一对象;
在所述相似度小于或等于所述第一相似度阈值的情况下,确定所述第一对象与所述第二对象是不同对象。
6.根据权利要求1至3任意一项所述的方法,其特征在于,所述对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征之后,包括:
获取多个第二对象的图像特征;
确定所述第一对象的融合特征与每个第二对象的图像特征的相似度;
根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象。
7.根据权利要求6所述的方法,其特征在于,根据所述第一对象的融合特征与每个第二对象的图像特征的相似度,在所述多个第二对象中确定与所述第一对象匹配的第二对象,包括:
确定所述第一对象的融合特征与各个第二对象的图像特征的相似度中最大的相似度;
在所述最大的相似度大于预设的第二相似度阈值的情况下,确定所述最大的相似度对应的第二对象是与所述第一对象匹配的第二对象;
在所述最大的相似度小于或等于预设的第二相似度阈值的情况下,确定所述多个第二对象中不存在与所述第一对象匹配的第二对象。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于获取第一对象的多个目标图像;
融合模块,用于将所述第一对象的多个目标图像进行图像融合,得到所述第一对象的融合图像;
提取模块,用于对所述第一对象的融合图像进行图像特征提取,得到所述第一对象的融合特征。
9.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一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7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039325.XA CN110781842A (zh) | 2019-10-29 | 2019-10-29 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039325.XA CN110781842A (zh) | 2019-10-29 | 2019-10-29 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781842A true CN110781842A (zh) | 2020-02-11 |
Family
ID=69387337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039325.XA Pending CN110781842A (zh) | 2019-10-29 | 2019-10-29 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781842A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016443A (zh) * | 2020-08-26 | 2020-12-01 | 深圳市商汤科技有限公司 | 同行识别方法及装置、电子设备和存储介质 |
CN112906798A (zh) * | 2021-02-25 | 2021-06-04 | 云从科技集团股份有限公司 | 图像匹配方法、装置及计算机存储介质 |
CN113033307A (zh) * | 2021-02-22 | 2021-06-25 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599837A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 基于多图像输入的人脸识别方法及装置 |
US20170193286A1 (en) * | 2015-12-31 | 2017-07-06 | Pinhole (Beijing) Technology Co., Ltd. | Method and device for face recognition in video |
CN108229330A (zh) * | 2017-12-07 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸融合识别方法及装置、电子设备和存储介质 |
CN108763373A (zh) * | 2018-05-17 | 2018-11-06 | 厦门美图之家科技有限公司 | 人脸图像检索方法及装置 |
CN108921100A (zh) * | 2018-07-04 | 2018-11-30 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 |
CN109166220A (zh) * | 2018-09-26 | 2019-01-08 | 深圳万智联合科技有限公司 | 一种基于区块链的智能门禁系统 |
CN109325549A (zh) * | 2018-10-25 | 2019-02-12 | 电子科技大学 | 一种人脸图像融合方法 |
CN109409060A (zh) * | 2018-09-26 | 2019-03-01 | 中国平安人寿保险股份有限公司 | 身份验证方法、系统和计算机可读存储介质 |
-
2019
- 2019-10-29 CN CN201911039325.XA patent/CN110781842A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193286A1 (en) * | 2015-12-31 | 2017-07-06 | Pinhole (Beijing) Technology Co., Ltd. | Method and device for face recognition in video |
CN106599837A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 基于多图像输入的人脸识别方法及装置 |
CN108229330A (zh) * | 2017-12-07 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸融合识别方法及装置、电子设备和存储介质 |
CN108763373A (zh) * | 2018-05-17 | 2018-11-06 | 厦门美图之家科技有限公司 | 人脸图像检索方法及装置 |
CN108921100A (zh) * | 2018-07-04 | 2018-11-30 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 |
CN109166220A (zh) * | 2018-09-26 | 2019-01-08 | 深圳万智联合科技有限公司 | 一种基于区块链的智能门禁系统 |
CN109409060A (zh) * | 2018-09-26 | 2019-03-01 | 中国平安人寿保险股份有限公司 | 身份验证方法、系统和计算机可读存储介质 |
CN109325549A (zh) * | 2018-10-25 | 2019-02-12 | 电子科技大学 | 一种人脸图像融合方法 |
Non-Patent Citations (2)
Title |
---|
江泽涛 等: "基于卷积自编码器和残差块的红外与可见光图像融合方法", 《光学学报》 * |
魏文博: "视频安防监控系统的运动目标检测算法研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016443A (zh) * | 2020-08-26 | 2020-12-01 | 深圳市商汤科技有限公司 | 同行识别方法及装置、电子设备和存储介质 |
CN112016443B (zh) * | 2020-08-26 | 2022-04-26 | 深圳市商汤科技有限公司 | 同行识别方法及装置、电子设备和存储介质 |
CN113033307A (zh) * | 2021-02-22 | 2021-06-25 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
CN113033307B (zh) * | 2021-02-22 | 2024-04-02 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
CN112906798A (zh) * | 2021-02-25 | 2021-06-04 | 云从科技集团股份有限公司 | 图像匹配方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
JP6852150B2 (ja) | 生体検知方法および装置、システム、電子機器、記憶媒体 | |
US20210089799A1 (en) | Pedestrian Recognition Method and Apparatus and Storage Medium | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109948494B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN110569777B (zh) | 图像处理方法及装置、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 | |
CN111104920B (zh) | 视频处理方法及装置、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 | |
CN109145150B (zh) | 目标匹配方法及装置、电子设备和存储介质 | |
CN111222404A (zh) | 检测同行人的方法及装置、系统、电子设备和存储介质 | |
CN111242188B (zh) | 入侵检测方法、装置及存储介质 | |
CN111523346B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112270288A (zh) | 活体识别、门禁设备控制方法和装置、电子设备 | |
CN109101542B (zh) | 图像识别结果输出方法及装置、电子设备和存储介质 | |
CN109034106B (zh) | 人脸数据清洗方法及装置 | |
CN111553372A (zh) | 一种训练图像识别网络、图像识别搜索的方法及相关装置 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN110929545A (zh) | 人脸图像的整理方法及装置 | |
CN110909562A (zh) | 视频审核方法及装置 | |
CN111062407B (zh) | 图像处理方法及装置、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |