CN111368623A - 目标搜索方法和目标搜索系统 - Google Patents
目标搜索方法和目标搜索系统 Download PDFInfo
- Publication number
- CN111368623A CN111368623A CN201911014000.6A CN201911014000A CN111368623A CN 111368623 A CN111368623 A CN 111368623A CN 201911014000 A CN201911014000 A CN 201911014000A CN 111368623 A CN111368623 A CN 111368623A
- Authority
- CN
- China
- Prior art keywords
- image
- neighborhood
- capture device
- image capture
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 101100459256 Cyprinus carpio myca gene Proteins 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 101100459261 Cyprinus carpio mycb gene Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000228740 Procrustes Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种目标搜索方法和目标搜索系统,属于安全防护技术领域,该方法包括:获取包含所述目标的第一图像,其中所述第一图像为通过第一图像捕获装置在第一定时处执行图像捕获操作而获得的图像,并且通过图像识别来确定所述第一图像中是否包含所述目标;获取第一图像捕获装置的邻域图像捕获装置,其中邻域图像捕获装置的视场包围所述第一图像捕获装置的视场;以及对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定邻域图像捕获装置所捕获的图像中是否包含所述目标;其中,对于图像捕获装置所捕获的图像至多执行一次图像识别。通过本公开的处理方案,提高了目标搜索效率。
Description
技术领域
本公开涉及安全防护技术领域,尤其涉及一种海量数据和复杂场景下的目标搜索方法和目标搜索系统。
背景技术
随着现代社会的快速发展,公共安全问题已经引起全世界人民的密切关注,各个国家持续加大对安防领域尤其是视频监控的经费投入。
监控视频中的行人是最为关注的对象,辨别行人身份和理解其行为表现可以大幅度提升视频监控系统在维护社会公共安全中的作用。目前这一过程主要通过人工完成,耗费大量的人力物力以及时间,影响破案效率。
基于内容的行人重识别作为计算机视觉领域的一个重要研究课题,在过去的十年里受到国内外学者的广泛关注。基于内容的行人重识别是指从行人数据库中查找出与待检索行人最相似的图像。但传统的行人重识别技术在进行相似行人查找时会和海量的数据底库特征对比,而行人特征库的数据量很大,这就使得底库特征对比很耗时。因此,需要研究一种新的行人搜索方法。
公开号为CN109635686A的中国发明专利申请公开了一种结合人脸与外观的两阶段行人搜索方法,包括:利用人脸检测器检测行人的人脸,基于人脸比对模型输出人脸表征向量;根据欧氏距离对待匹配行人集进行排序获取人脸排序结果;根据排序结果选取若干个样本作为下一阶段的多匹配目标;将同一数据集中不同行人的所挑选出的下一阶段的多匹配目标作为彼此的负样本,从而压缩下一阶段匹配的样本空间;最后进行多目标行人再识别,将待匹配图片集根据与多个目标的平均距离或相似度进行排序输出最终结果。该发明通过基于 DenseNet的卷积神经网络将人脸与行人再识别联合起来搜索目标行人,并通过精心设计的限制条件提高了鲁棒性减少了计算量,进一步提升了行人搜索的性能。然而,该发明申请在将人脸与行人在识别联合起来搜索目标行人,以及采用限制条件提高鲁棒性来减少计算量的过程中,都是在全部数据中进行,并没有缩小查找范围,不能够大幅度的提高行人查找效率。
公开号为CN109165540A的发明申请公开了一种基于先验候选框选择策略的行人搜索方法和装置。该方法包括:根据训练集中所有行人边界框的长和宽构建行人候选框特征向量,包含长宽比和长度两个元素;通过k-means++算法选出初始化聚类中心;利用k-means算法进行迭代聚类,得到聚类后的先验候选框;将训练集中的行人图像输入预先定义的行人搜索网络,利用先验候选框生成候选行人并识别出行人的身份,通过训练得到训练好的行人搜索网络;将行人探针和监控场景图像分别通过训练好的行人搜索网络,得到行人探针特征以及监控图像中候选行人的特征,通过计算该两种特征的相似性获得行人探针所在的监控图像及其具体位置。该发明能够有效提高行人搜索的精度和速度。但是,该发明依然是在全部数据中进行搜索的,没有缩小有效查找范围,不能够大幅度地提高行人查找效率。
发明内容
有鉴于此,本公开实施例提供一种目标搜索方法和目标搜索系统,以至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种目标搜索方法,包括:
获取包含所述目标的第一图像,其中所述第一图像为通过第一图像捕获装置在第一定时处执行图像捕获操作而获得的图像,并且通过图像识别来确定所述第一图像中是否包含所述目标;
获取所述第一图像捕获装置的邻域图像捕获装置,其中所述邻域图像捕获装置的视场包围所述第一图像捕获装置的视场;以及
对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标;
其中,对于图像捕获装置所捕获的图像至多执行一次图像识别。
根据本公开实施例的一种具体实现方式,所述获取所述第一图像捕获装置的邻域图像捕获装置,包括:
设置查找表,所述查找表包含图像捕获装置以及与所述图像捕获装置对应的邻域图像捕获装置;以及
根据所述查找表获取所述第一图像捕获装置的邻域图像捕获装置。
根据本公开实施例的一种具体实现方式,所述对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标,包括:
获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像;以及
对所述图像执行图像识别以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标;
其中,所述第一定时的邻域时间指示所述第一定时之后的预定时间段和所述第一定时之前的预定时间段中的至少一者。
根据本公开实施例的一种具体实现方式,所述获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像,包括:
对图像捕获装置捕获的图像设置时间标识符和捕获装置标识符,其中所述时间标识符指示捕获所述图像的定时,所述捕获装置标识符指示捕获所述图像的装置;以及
根据所述时间标识符和捕获装置标识符获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像。
根据本公开实施例的一种具体实现方式,所述第一定时的邻域时间对于各邻域图像捕获装置不同,并且所述邻域时间的长度与所述图像捕获装置到所述邻域图像捕获装置的距离相关。
根据本公开实施例的一种具体实现方式,所述对于图像捕获装置所捕获的图像至多执行一次图像识别,包括:
对已经执行了图像识别操作的图像进行标识;并且
将所述已经执行了图像识别操作的图像从所述邻域图像捕获装置所捕获的图像中剔除。
根据本公开实施例的一种具体实现方式,所述对于图像捕获装置所捕获的图像至多执行一次图像识别,包括:
当在所述邻域图像捕获装置中的第二图像捕获装置所捕获的图像中识别出所述目标时,如果所述第一图像捕获装置为所述第二图像捕获装置的邻域图像捕获装置,则在所述第二图像捕获装置的邻域图像捕获装置所捕获的图像中识别所述目标时,剔除所述第一图像捕获装置所捕获的图像。
根据本公开实施例的一种具体实现方式,所述对于图像捕获装置所捕获的图像至多执行一次图像识别,包括:
对图像捕获装置所捕获的图像设置时间标识符,并且对时间标识符相同的的图像至多执行一次图像识别。
第二方面,本公开实施例提供了一种目标搜索系统,所述目标搜索系统包括:
图像获取模块,所述图像获取模块包含多个图像捕获装置,并且所述多个图像捕获装置中的每个图像捕获装置具有与所述图像捕获装置对应的邻域图像捕获装置;以及
目标识别模块,用于确定所述多个图像捕获装置捕获的图像中是否包含所述目标;
其中,每个图像捕获装置的邻域图像捕获装置的视场包围所述图像捕获装置的视场;
其中,当所述图像捕获装置在第一定时处捕获到所述目标时,所述目标识别模块在所述邻域图像捕获装置于所述第一定时的邻域时间内捕获的图像中识别所述目标;并且
其中,所述目标识别模块对于同一图像至多执行一次识别操作。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的目标搜索方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的目标搜索方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的目标搜索方法。
本公开实施例中的目标搜索方案,包括:获取包含所述目标的第一图像,其中第一图像为通过第一图像捕获装置在第一定时处执行图像捕获操作而获得的图像,并且通过图像识别来确定所述第一图像中是否包含所述目标;获取第一图像捕获装置的邻域图像捕获装置,其中邻域图像捕获装置的视场包围所述第一图像捕获装置的视场;以及对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定邻域图像捕获装置所捕获的图像中是否包含所述目标;其中,对于图像捕获装置所捕获的图像至多执行一次图像识别。通过本公开的处理方案,提高了目标搜索效率。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种目标搜索方法的流程示意图;
图2为本公开实施例提供的邻域相机的示意图;
图3为本公开实施例提供的对邻域相机捕获的图像进行图像识别的流程示意图;
图4为本公开实施例提供的一种目标搜索系统的结构示意图;并且
图5为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。此外,虽然在以下的描述中,以行人作为被搜索的目标进行描述,但是根据本公开实施例的目标搜索方法可以搜索例如特定动物、特定物品等其他的目标。
本公开实施例提供一种目标搜索方法。本实施例提供的目标搜索可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
本公开实施例的目标搜索方法的一个目的例如是在被相机(图像捕获装置的示例)监控的场所中,找到某一行人(目标的示例)走过的路径,也即把所有捕捉到该行人的相机连起来,从而构成该形成的行走轨迹。
参见图1,本公开实施例提供的一种目标搜索方法,包括:
S100:获取包含所述目标的第一图像,其中所述第一图像为通过第一图像捕获装置在第一定时处执行图像捕获操作而获得的图像,并且通过图像识别来确定所述第一图像中是否包含所述目标。
对于要跟踪或者搜索的目标,可以通过诸如相机、摄影机之类的图像捕获装置对其视场进行成像,并通过人工标注或者检测算法得到的行人图片,并与数据底库特征进行对比,以识别出所捕获的图像中是否包含目标。
以行人重识别场景为例,当相机在t0定时处对其视场进行成像,并通过图像识别技术识别出所捕获的图像中包含目标时,则可获得包含了要搜索的目标的图像。
在本公开实施例中,图像识别技术用于识别所捕获的图像中是否包含目标。具体地,在行人重识别场景中,图像识别技术用于识别所捕获的图像中是否包含特定行人,并且例如可以通过人脸检测算法来进行人脸检测。
人脸检测算法的输入是图像捕获装置所捕获的图像,输出是人脸框的坐标序列,具体结果是0个人脸框或1个人脸框或多个人脸框。输出的人脸框可以为正方形、矩形等。人脸检测算法的示例例如包括模板匹配技术、用级联 AdaBoost分类器进行人脸检测、Cascade CNN等等。
在检测出人脸之后,例如可以通过人脸配准技术来确定所捕获的图像中是否包含所要搜索的行人。人脸配准算法例如可以包括ASM(Active Shape Model) 算法、Procrustes方法以及利用局部二值特征进行人脸配准的算法等等。
虽然在以上的示例性,以人脸检测来识别相机所捕获的图像中是否包含特定行人,但是本发明不限于此,而是可以采用姿态识别、生物特征识别等其他识别手段来确定所捕获的图像中是否包含目标。
S200:获取所述第一图像捕获装置的邻域图像捕获装置,其中所述邻域图像捕获装置的视场包围所述第一图像捕获装置的视场。
由于传统的行人重识别技术在进行相似行人查找时会和海量的数据底库特征对比,而行人特征库的数据量很大,这就使得底库特征对比很耗时。为了减少时耗,在本公开实施例中仅对当前相机的邻域相机所捕获的图像进行搜索。
具体地,如图2所示,其示出了邻域相机的示例。对于相机cam0而言,它的邻域相机有六个:cam1、cam2、cam3、cam4、cam5、cam6,而cam7、cam8、 cam9、cam10不是它的邻域相机,因为如果一个人出现在cam0,那么cam1-cam6 包含了这个人下一次可能出现的所有相机。换句话说,该行人从当前相机cam0 的视场到达其他相机的视场必然会出现在其邻域相机的视场中,即,所有邻域相机cam1-cam6的视场包围或者涵盖了当前相机cam0的视场,使得行人从当前相机cam0移动时,必然会在邻域相机cam1-cam6中的至少一个相机的视场中出现。
在本公开实施例中,以字典的形式编排每一个相机的邻域相机,在该字典中,字典的key值为任意一个相机的序列号(标识符),字典的value值为该相机的所有邻域相机的序列号(标识符),如此,能够根据该字典方便地确定该相机的邻域相机。
可以看出,一个相机的邻域相机与相机本身的布置相关。因此,在本公开实施例中,根据相机的实际布置或实际使用场景来确定一个相机的邻域相机。也即,所布置的相机不是单个独立的,而是通过其视场范围存在一定的关系。
S300:对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标。
在本公开实施例中,为了减少搜索的时耗,对搜索范围进行空间约束。也即,仅对当前相机的邻域相机所捕获的图像进行搜索。
如上所述,由于邻域相机的视场包围当前相机的视场,因此所要搜索的行人第二次必然会出现在邻域相机的视场中,仅对邻域相机所捕获的图像进行搜索不仅能够确保搜索的成功率而且能够缩小搜索范围,减少搜索的时耗。
另一方面,在本公开实施例中,还对搜索进行时间上的约束。具体地,仅对第一次捕获到目标图像的定时t0的邻域时间内所捕获的图像进行图像识别,以确定所捕获的图像中是否包含目标图像。
一般而言,行人从一个相机的视场到达另一个相机的视场所需的时间是有限的,因此无需对邻域相机所捕获的所有图像进行图像识别,而是只需要在前一次捕获到目标的定时前后一定阈值时间内所捕获的图像中进行搜索即可。
例如,如果一个人在t0时刻出现在某个相机中,那么他在t0时刻的前后Δt时间里很可能会出现在该相机的邻域相机中,所以就能在搜索该行人的时候把时间限定在t0-Δt到t0+Δt的时间内。例如,可以搜索邻域相机在定时t0前后一分钟、两分钟之内所捕获的图像。如此,能够进一步减少搜索量,从而节省搜索目标所花费的时间。
另外,因为行人重识别的一个目的是找到一个人所走过的轨迹,也就是找到所有捕捉到该行人的相机。如图2所示,假设一个人走过的轨迹以cam0为起点,即第一次查找以cam0为当前相机,在时间约束下,需要在cam0的所有邻域相机中找到该行人第二次出现的画面,假设在cam1中找到第二次出现的画面,那么在第二次查找时需要以cam1为当前相机,而cam1的邻域相机不能包含 cam0,因为行人是从cam0走到cam1的,如果再以cam0为cam1的邻域相机,那么在第二次查找的时候很可能又找之前找过的画面,因此可能形成无线循环,所以需要加入路径约束以防找路径的时候走回头路。
为此,在本公开实施例中,对于图像捕获装置所捕获的图像至多执行一次图像识别,术语“至多执行一次图像识别”是指图像不会在多次搜索中被重复识别,例如,在第一次搜索中该图像被识别之后,则在第二次搜索、第三次搜索中不会对该图像进行再次识别。“至多执行一次图像识别”并不意味着在单次搜索中不能对所捕获的图像进行多次识别以提高识别的准确性。
如上所述,根据本公开实施例的目标搜索方法通过时间约束、空间约束和路径约束,减少了搜索时耗、提高了搜索效率。
根据本公开实施例的一种具体实现方式,还可以以查找表的方式设置相机以及与该相机对应的邻域相机。也就是说,该查找表包含有相机以及与该相机对应的邻域相机,如此,通过搜索该查找表即可获得某个相机的邻域相机。
另外,为了防止在搜索过程中出现如上所述的循环搜索,根据本公开实施例的查找表是动态变化的。具体地,对于互为邻域相机的情况,例如,第一相机的邻域相机包含第二相机,而第二相机的邻域相机也包含第一相机。在这种情况下,在进行目标搜索时,对于相邻的两次搜索,在当前搜索完成并确定当前相机捕获到了目标之后,将查找表中的与当前相机相关的内容剔除,并且在后一搜索完成之后恢复与当前相机相关的内容。
如此,一方面能够防止如上所述的循环搜索的问题,因为可能导致循环搜索的当前相机已经被剔除,而不会出现在后一搜索的范围内。另一方面,直接在查找表中暂时剔除当前相机的信息避免了先挑选出当前相机捕获的图像,再删除所捕获的图像所消耗的操作,因此,如此设置的动态查找表不会在相邻的两次搜索中对当前相机捕获的照片进行识别,从而减少了操作的时耗。
参见图3,根据本公开实施例的一种具体实现方式,所述对第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标,包括:
S301:获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像。
在例如于定时t0处由当前相机cam0捕获到了目标图像的情况下,首先获取当前相机的邻域相机,并且获取邻域相机在定时t0的领域时间内所捕获的图像。
S302:对所述图像执行图像识别以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标。
在获得了由邻域相机在定时t0的领域时间内所捕获的图像之后,例如可以以与步骤S100中类似的方法来检测所获得的图像中是否包含目标。
在本公开实施例中,第一定时(t0)的邻域时间例如可以是第一定时之后的预定时间段和/或者第一定时之前的预定时间段。
在向前搜索的过程中,第一定时(t0)的邻域时间可以是第一定时之后的预定时间段。如此,能够获得目标随后的行动路径。在向后搜索的过程中,第一定时(t0)的邻域时间可以是第一定时之前的预定时间段。如此,能够获得目标之前的行动路径。当第一定时(t0)的邻域时间包括第一定时之后和之前的预定时间段二者的情况下,可以获得目标的整个行动轨迹。
根据本公开实施例的一种具体实现方式,为了获取第一定时的邻域时间内邻域相机所捕获的图像,可以对相机所捕获的图像设置时间标识符和捕获装置标识符。时间标识符例如可以指示捕获该图像的定时,例如t0,而捕获装置标识符则可以指示捕获该图像的装置,例如当前相机cam0。
通过对相机和图像的捕获时间进行标识,可以方便地通过捕获装置标识符获取当前相机的邻域相机,并且例如可以通过仅对与当前相机捕获的图像的时间标识符具有不同标识符的图像进行识别,如此能够避免循环识别的问题。
在还有的实施例中,可以不通过时间标识符对所捕获的图像进行标识,而是可以直接对已经执行了图像识别操作的图像进行标识。如此,当在执行下次搜索时,可以将已经被标识为执行了图像识别操作的图像从邻域相机所捕获的图像中剔除,如此能够避免循环识别的问题。
在另外的实施例中,当在邻域相机中的第二相机所捕获的图像中识别出目标时,如果当前相机为第二相机的邻域相机,则在第二相机的邻域相机所捕获的图像中进行目标识别时,可以剔除当前相机所捕获的图像,如此能够避免循环识别的问题。
根据本公开实施例的一种具体实现方式,第一定时的邻域时间对于各邻域相机不同。具体地说,对于与当前相机距离较远的邻域相机被设置较大的邻域时间,并且与当前相机距离较近的邻域相机被设置较小的邻域时间。换句话说,在本公开实施例中,邻域时间的长度与当前相机到邻域相机的距离相关,如此能够在保证邻域相机捕获到目标的同时进一步减少计算的时耗。
参见图4,本公开实施例还提供了一种目标搜索系统400,该目标搜索系统 400包括图像获取模块401和目标识别模块402。
图像获取模块401包含多个图像捕获装置,并且所述多个图像捕获装置中的每个图像捕获装置具有与所述图像捕获装置对应的邻域图像捕获装置。
目标识别模块402用于确定所述多个图像捕获装置捕获的图像中是否包含所述目标。
在本公开实施例的目标搜索系统400中,每个图像捕获装置的邻域图像捕获装置的视场包围所述图像捕获装置的视场;当所述图像捕获装置在第一定时处捕获到所述目标时,所述目标识别模块在所述邻域图像捕获装置于所述第一定时的邻域时间内捕获的图像中识别所述目标;并且所述目标识别模块对于同一图像至多执行一次识别操作。
图4所示系统可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图5,本公开实施例还提供了一种电子设备500,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的目标搜索方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的目标搜索方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的目标搜索方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O) 接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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装置509 从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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。在本公开中,计算机可读存储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。而在本公开中,计算机可读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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,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电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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公开的操作的计算机程序代码,上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,图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中,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,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种目标搜索方法,其特征在于,包括:
获取包含所述目标的第一图像,其中所述第一图像为通过第一图像捕获装置在第一定时处执行图像捕获操作而获得的图像,并且通过图像识别来确定所述第一图像中是否包含所述目标;
获取所述第一图像捕获装置的邻域图像捕获装置,其中所述邻域图像捕获装置的视场包围所述第一图像捕获装置的视场;以及
对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标;
其中,对于图像捕获装置所捕获的图像至多执行一次图像识别。
2.根据权利要求1所述的目标搜索方法,其特征在于,所述获取所述第一图像捕获装置的邻域图像捕获装置,包括:
设置查找表,所述查找表包含图像捕获装置以及与所述图像捕获装置对应的邻域图像捕获装置;以及
根据所述查找表获取所述第一图像捕获装置的邻域图像捕获装置。
3.根据权利要求1所述的目标搜索方法,其特征在于,所述对所述第一图像捕获装置的邻域图像捕获装置于所述第一定时的邻域时间内所捕获的图像执行图像识别,以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标,包括:
获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像;以及
对所述图像执行图像识别以确定所述邻域图像捕获装置所捕获的图像中是否包含所述目标;
其中,所述第一定时的邻域时间指示所述第一定时之后的预定时间段和所述第一定时之前的预定时间段中的至少一者。
4.根据权利要求3所述的目标搜索方法,其特征在于,所述获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像,包括:
对图像捕获装置捕获的图像设置时间标识符和捕获装置标识符,其中所述时间标识符指示捕获所述图像的定时,所述捕获装置标识符指示捕获所述图像的装置;以及
根据所述时间标识符和捕获装置标识符获取所述第一定时的邻域时间内由所述邻域图像捕获装置捕获的图像。
5.根据权利要求3所述的目标搜索方法,其特征在于,所述第一定时的邻域时间对于各邻域图像捕获装置不同,并且所述邻域时间的长度与所述图像捕获装置到所述邻域图像捕获装置的距离相关。
6.根据权利要求1所述的目标搜索方法,其特征在于,所述对于图像捕获装置所捕获的图像至多执行一次图像识别,包括:
对已经执行了图像识别操作的图像进行标识;并且
将所述已经执行了图像识别操作的图像从所述邻域图像捕获装置所捕获的图像中剔除。
7.根据权利要求1所述的目标搜索方法,其特征在于,所述对于图像捕获装置所捕获的图像至多执行一次图像识别,包括:
当在所述邻域图像捕获装置中的第二图像捕获装置所捕获的图像中识别出所述目标时,如果所述第一图像捕获装置为所述第二图像捕获装置的邻域图像捕获装置,则在所述第二图像捕获装置的邻域图像捕获装置所捕获的图像中识别所述目标时,剔除所述第一图像捕获装置所捕获的图像。
8.根据权利要求1所述的目标搜索方法,其特征在于,所述对于图像捕获装置所捕获的图像至多执行一次图像识别,包括:
对图像捕获装置所捕获的图像设置时间标识符,并且对时间标识符相同的的图像至多执行一次图像识别。
9.一种目标搜索系统,其特征在于,包括:
图像获取模块,所述图像获取模块包含多个图像捕获装置,并且所述多个图像捕获装置中的每个图像捕获装置具有与所述图像捕获装置对应的邻域图像捕获装置;以及
目标识别模块,用于确定所述多个图像捕获装置捕获的图像中是否包含所述目标;
其中,每个图像捕获装置的邻域图像捕获装置的视场包围所述图像捕获装置的视场;
其中,当所述图像捕获装置在第一定时处捕获到所述目标时,所述目标识别模块在所述邻域图像捕获装置于所述第一定时的邻域时间内捕获的图像中识别所述目标;并且
其中,所述目标识别模块对于同一图像至多执行一次识别操作。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述利要求1-8中任一项所述的目标搜索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014000.6A CN111368623A (zh) | 2019-10-23 | 2019-10-23 | 目标搜索方法和目标搜索系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014000.6A CN111368623A (zh) | 2019-10-23 | 2019-10-23 | 目标搜索方法和目标搜索系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111368623A true CN111368623A (zh) | 2020-07-03 |
Family
ID=71206263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911014000.6A Pending CN111368623A (zh) | 2019-10-23 | 2019-10-23 | 目标搜索方法和目标搜索系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368623A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123732A (zh) * | 2014-07-14 | 2014-10-29 | 中国科学院信息工程研究所 | 一种基于多摄像头的在线目标跟踪方法及系统 |
CN109558831A (zh) * | 2018-11-27 | 2019-04-02 | 成都索贝数码科技股份有限公司 | 一种融合时空模型的跨摄像头行人定位方法 |
CN110070566A (zh) * | 2019-04-29 | 2019-07-30 | 武汉睿智视讯科技有限公司 | 信息检测方法、装置、计算机设备及可读存储介质 |
-
2019
- 2019-10-23 CN CN201911014000.6A patent/CN111368623A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123732A (zh) * | 2014-07-14 | 2014-10-29 | 中国科学院信息工程研究所 | 一种基于多摄像头的在线目标跟踪方法及系统 |
CN109558831A (zh) * | 2018-11-27 | 2019-04-02 | 成都索贝数码科技股份有限公司 | 一种融合时空模型的跨摄像头行人定位方法 |
CN110070566A (zh) * | 2019-04-29 | 2019-07-30 | 武汉睿智视讯科技有限公司 | 信息检测方法、装置、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117714B (zh) | 一种同行人员识别方法、装置、系统及计算机存储介质 | |
CN109035304B (zh) | 目标跟踪方法、介质、计算设备和装置 | |
CN111047621B (zh) | 一种目标对象追踪方法、系统、设备及可读介质 | |
CN110929770A (zh) | 一种基于图像处理的智能追踪方法、系统、设备及可读介质 | |
CN112381104B (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
CN111598012B (zh) | 一种图片聚类管理方法、系统、设备及介质 | |
CN110660102B (zh) | 基于人工智能的说话人识别方法及装置、系统 | |
CN111553234B (zh) | 融合人脸特征与Re-ID特征排序的行人跟踪方法及装置 | |
CN111209431A (zh) | 一种视频搜索方法、装置、设备及介质 | |
CN112905824A (zh) | 目标车辆追踪方法、装置、计算机设备及存储介质 | |
CN114783061B (zh) | 一种吸烟行为检测方法、装置、设备和介质 | |
CN112529939A (zh) | 一种目标轨迹匹配方法、装置、机器可读介质及设备 | |
CN111178455B (zh) | 图像聚类方法、系统、设备及介质 | |
CN113269125B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN113343069B (zh) | 用户信息的处理方法、装置、介质及电子设备 | |
WO2013189202A1 (zh) | 一种智能视频分析系统及方法 | |
CN110348367B (zh) | 视频分类方法、视频处理方法、装置、移动终端及介质 | |
CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
CN110222576A (zh) | 拳击动作识别方法、装置和电子设备 | |
CN111368623A (zh) | 目标搜索方法和目标搜索系统 | |
CN111797655A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN117237386A (zh) | 对目标对象进行结构化处理的方法、装置和计算机设备 | |
CN110781797B (zh) | 一种标注方法、装置及电子设备 | |
CN112907627A (zh) | 实现小样本目标精准跟踪的系统、方法、装置、处理器及其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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |