CN111680716A - 一种识别对比方法、装置、计算机设备和存储介质 - Google Patents
一种识别对比方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111680716A CN111680716A CN202010387711.4A CN202010387711A CN111680716A CN 111680716 A CN111680716 A CN 111680716A CN 202010387711 A CN202010387711 A CN 202010387711A CN 111680716 A CN111680716 A CN 111680716A
- Authority
- CN
- China
- Prior art keywords
- comparison
- precision
- registry
- feature vectors
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别对比方法、装置、计算机设备和存储介质,其中,获取对比样本的应用场景;根据第一精度完成样本特征向量的第一注册库的注册,其中,该注册包括对该第一注册库按照第二精度进行拆分存放;确定与应用场景对应的对比精度,对比精度包括该第一精度或者该第二精度;根据该对比精度,完成该第一注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据该预设数量的特征向量确定识别对比的结果,解决了图像比对系统不能满足多种场合下计算策略、对比准确度以及实时性要求的问题,最终实现同一系统适配多种应用场景,提升了对比系统灵活性,从而减少整个系统的部署成本。
Description
技术领域
本发明涉及视频监控领域,具体而言,涉及一种识别对比方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的快速发展,人脸识别及车辆识别技术在公安、金融、机场、地铁、边防口岸等领域应用越来越多。随着应用场景增多,如何提高比对系统的适应性、灵活性成为各个厂家提升自身产品竞争力的主要方向。
随着图像比对系统应用场合的增多,不同场合具有不同的比对计算策略、对比对准确度以及实时性要求也不同。例如,车辆识别可以采用颜色、车型进行筛选,行人抓拍分析对实时性要求较高以及常住人口归档对精度要求较高等,因此,在系统硬件不变的情况下通过算法优化、架构优化等方式,实现同一套设备上满足多种应用场景下的需求差异、兼顾多应用场景下的比对策略选择、比对准确度、比对实时性,成为亟待解决的问题。
针对相关技术中,图像比对系统不能满足多种场合下计算策略、对比准确度以及实时性要求的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中,图像比对系统不能满足多种场合下计算策略、对比准确度以及实时性要求的问题,本发明的实施例至少解决上述问题。
根据本发明的一个方面,提供了一种识别对比方法,所述方法包括:
获取对比样本的应用场景;
根据第一精度完成样本特征向量的第一注册库的注册,其中,所述注册包括对所述第一注册库按照第二精度进行拆分存放;
确定与应用场景对应的对比精度,对比精度包括所述第一精度或者所述第二精度;
根据所述对比精度,完成所述第一注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据所述预设数量的特征向量确定识别对比的结果。
在其中一个实施例中,所述根据所述对比精度,完成所述第一注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量包括:
确定与所述应用场景对应的初筛方式,根据所述初筛方式,对所述第一注册库进行初筛,得到第二注册库;
根据所述对比精度,完成所述第二注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量。
在其中一个实施例中,所述初筛方式包括以下至少之一:汉明距离筛选、属性筛选和通道筛选。
在其中一个实施例中,所述获取对比样本的应用场景包括:
通过客户端界面设置中获取所述应用场景,或者,在所述注册的过程中,从所述第一注册库的附属信息中获取所述应用场景。
在其中一个实施例中,所述根据所述预设数量的特征向量确定识别对比的结果包括:
根据所述第一精度,所述预设数量的特征向量与所述对比样本进行对比计算,得到校准后的所述预设数量的特征向量;
根据该校准后的所述预设数量的特征向量,确定识别比对的结果。
根据本发明的另一个方面,提供了一种识别对比装置,所述装置包括:
获取模块,用于获取对比样本的应用场景;
注册模块,用于根据第一精度完成样本特征向量的第一注册库的注册,其中,所述注册包括对所述第一注册库按照第二精度进行拆分存放;
对比模块,用于确定与应用场景对应的对比精度,对比精度包括所述第一精度或者所述第二精度,根据所述对比精度,完成所述第一注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据所述预设数量的特征向量确定识别对比的结果。
在其中一个实施例中,所述对比模块还包括:
筛选单元,用于确定与所述应用场景对应的初筛方式,根据所述初筛方式,对所述第一注册库进行初筛,得到第二注册库;
根据所述对比精度,完成所述第二注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量。
在其中一个实施例中,所述获取模块包括:
场景单元,用于通过客户端界面设置中获取所述应用场景,或者,用于在所述注册的过程中,从所述第一注册库的附属信息中获取所述应用场景。
在其中一个实施例中,所述对比模块包括:
初筛单元,用于根据所述第一精度,所述预设数量的特征向量与所述对比样本进行对比计算,得到校准后的所述预设数量的特征向量。
根据本发明的另一个方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
根据本发明的另一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
通过本发明,获取对比样本的应用场景;根据第一精度完成样本特征向量的第一注册库的注册,其中,该注册包括对该第一注册库按照第二精度进行拆分存放;确定与应用场景对应的对比精度,对比精度包括该第一精度或者该第二精度;根据该对比精度,完成该第一注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据该预设数量的特征向量确定识别对比的结果,解决了图像比对系统不能满足多种场合下计算策略、对比准确度以及实时性要求的问题,最终实现同一系统适配多种应用场景,提升了对比系统灵活性,从而减少整个系统的部署成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种识别对比方法的应用环境示意图;
图2是根据本发明实施例的一种识别对比方法的流程图一;
图3是根据本发明实施例的注册库拆分存放的示意图;
图4是根据本发明实施例的一种识别对比的方法的流程图二;
图5是根据本发明实施例的一种识别对比的方法的流程图三;
图6是根据本发明实施例的智能对比分析系统的流程示意图;
图7是根据本发明实施例的人脸识别对比应用场景的流程图;
图8是根据本发明实施例的车辆识别对比应用场景的流程图;
图9是根据本发明实施例的识别对比装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供的一种识别对比的方法,可以应用于如图1所示的应用环境中,图1是根据本发明实施例的一种识别对比方法的应用环境示意图,如图1所示。其中,其中,电子设备102包括芯片104。电子设备102获取对比样本,芯片104获取对比样本的应用场景;根据第一精度完成样本特征向量的第一注册库的注册,其中,该注册包括对该第一注册库按照第二精度进行拆分存放;确定与应用场景对应的对比精度,对比精度包括该第一精度或者该第二精度;根据该对比精度,完成该第一注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据该预设数量的特征向量确定识别对比的结果。其中,电子设备102包括手机、平板电脑、服务器或者监控摄像头等。
在一个实施例中,提供了一种识别对比方法,图2是根据本发明实施例的一种识别对比方法的流程图一,如图2所示,该方法包括如下步骤:
步骤S202,获取对比样本的应用场景,对比样本可以为含有一个或多个对象的各种图像,对比样本中的需要对比的对象也可以为各种类型的对象,包括人脸、车辆、车牌或其他类型的对象,该应用场景的获取可以为在客户端界面输入的设置,也可以从对比样本的附属信息中获取;
步骤S204,根据第一精度完成样本特征向量的第一注册库的注册,其中,该注册包括对该第一注册库按照第二精度进行拆分存放,特征向量是用于表征图像信息特征的向量,例如:基于投影的特征向量、基于方向的特征向量(例如梯度方向直方图的特征向量)和基于深度学习的特征向量(如卷积神经网络特征向量)等。特征向量能够以简单的数据表征图像信息,通过提取图像的特征向量可以简化后续的比对过程以及计算对比的相似度,第一精度和第二精度均指特征向量的量化精度,特征向量量化精度是指特征向量提取后的各维度数据分成多少个等级。量化精度越高,其与原始值的误差越小,也可以用典型的特征提取后用fp32(32位的浮点数)表示,在一些实施例中,浮点数的计算要比定点复杂,智能识别中经常会将各维度特征数据用INT32(32位定点)、INT16(16位定点)或INT8(8位定点)表示,量化精度越高,计算量越大,比对耗时越多,图3是根据本发明实施例的注册库拆分存放的示意图,如图3所示,注册库N的特征维度的INT32拆成了4个INT8,在该实施例中,第一精度为INT32,第二精度为INT8;
步骤S206,确定与应用场景对应的对比精度,对比精度包括该第一精度或者该第二精度,根据该对比精度,完成该第一注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据该预设数量的特征向量确定识别对比的结果,其中,对每个应用场景,对应的对应精度也会不同,例如,人脸识别应用场景可以选择不同比对精度策略,首先将比对精度划分成多个精度等级(例如划分INT32、INT16、INT8等),对应的将应用场景进行精度等级划分(人脸抓拍可以选择INT8,常住人口归档选择INT32等),在用户界面设置可选的应用场景,系统根据应用场景完成比对精度等级选择,INT8的比对计算量只有INT32比对计算量的四分之一,因此具有更高的比对效率及实时性,适用于实时抓拍比对等实时性要求高的场合。而INT32的比对结果准确度高,适用于归档等比对准确度要求高的场合。
通过上述步骤S202至S206,对注册库的拆分建库,根据应用场景采取不同的对比精度,在应用场景对比精度要求不高的应用场景下,对比性能有成倍的提升,例如,INT8的比对计算量只有INT32比对计算量的四分之一,可以降低对存储介质的访问性能,解决了图像比对系统不能满足多种场合下计算策略、对比准确度以及实时性要求的问题,最终实现同一系统适配多种应用场景,提升了对比系统灵活性,从而减少整个系统的部署成本。
在一个实施例中,提供了一种识别对比的方法,图4是根据本发明实施例的一种识别对比的方法的流程图二,如图4所示,该方法包括如下步骤:
步骤S402,确定与该应用场景对应的初筛方式,根据该初筛方式,对该第一注册库进行初筛,得到第二注册库,例如,车辆识别应用场景选择属性库初筛,首先在注册车辆特征库(相当于第一注册库)的同时注册车辆属性库,当用户根据界面设置车辆识别时,首先提取车辆的属性特征(如颜色、车型),将所述第一注册库与车辆属性库进行特征筛选得到第二注册库;
步骤S404,根据该对比精度,完成该第二注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量。
通过上述步骤S402至S404,经过初筛的第二注册库要比第一注册库的库容量小好多,可以提高对比计算的效率,需要进一步说明的是,该初筛方式包括以下至少之一:汉明距离筛选、属性筛选和通道筛选,其中,汉明距离(Hamming distance)表示两个特征向量对应位不同的数量。对两个特征向量进行异或运算,并统计结果为1的个数,那么这个数就是汉明距离,可以理解的,汉明距离越小,则标识两个特征向量之间的相似度越高,通道筛选可以针对不同颜色的图像通道进行初筛,例如,在RGB色彩模式下包括单独的红色、绿色、蓝色部分,可以要求对红色部分做一个初筛减少库容量。
在一个实施例中,提供了一种识别对比的方法,图5是根据本发明实施例的一种识别对比的方法的流程图三,如图5所示,该方法包括如下步骤:
步骤S502,根据该第一精度,该预设数量的特征向量与该对比样本进行对比计算,得到校准后的该预设数量的特征向量,根据该校准后的该预设数量的特征向量,确定识别比对的结果,例如,在第一精度为INT32和第二精度为INT8的情况下,与应用场景匹配的是第二精度,首先按照INT8进行比对计算,得到相似度最高(Top)K个结果;最终将筛选出来的K个结果按照INT32进行二次核查校准,再次得到相似度最高(Top)K个结果。
通过上述步骤S502,在通过与应用场景匹配的对比精度进行对比计算和排序筛选后,在通过初始要求的对比精度对对比结果进行了二次对比计算和排序筛选,进一步提高了对比结果的精准度。
图6是根据本发明实施例的智能对比分析系统的流程示意图,如图6所示,在智能比对分析系统中提出识别比对计算应用场景,根据应用场景选择比对计算方式和计算精度,完成对比计算并获取对比样本n相似度最高的K个结果。通过应用场景识别选择合适的比对初筛策略、计算精度、是否进行结果校准等,可以满足不同场景下不同的比对需求应用。例如,可以在人脸的智能分析系统中根据实时抓拍、常住人口归档等不同场景,分别可选的方案包括:汉明距离初筛以及通过INT8比对方案,或者,汉明距离初筛、INT8比对和INT32结果校准方案等,针对归档等结果准确度要求高的场合,提升比对速度的同时,兼顾比对结果的准确度。另外,提出拆分建库的方法,在降精度计算时降低对存储介质数据访问速度要求,从而在一定程度上降低智能比对分析系统的硬件成本。
下面结合具体应用场景对本申请进行详细说明。
图7是根据本发明实施例的人脸识别对比应用场景的流程图,如图7所示,包括如下步骤:
步骤S701,通过客户端界面获取比对应用场景,根据应用场景选择比对策略、比对精度。比对应用场景获取方式不限于客户端界面设置,还可以在注册库时放到库的附属信息中。根据应用场景选择比对策略见步骤S704、比对精度见步骤S705;
步骤S702,按照原始精度(相当于上述的第一精度,例如为INT32)完成Z特征库N(相当于上述的第一注册库)的注册,其中,注册特征库N时,可以将每个特征维度的INT32拆分成两个16bit或者四个8bit进行存放,这样步骤S704可以减少对数据存储介质访问数据量大小;
步骤S703,按照原始精度获取待比对样本n的特征向量;
步骤S704,对比样本与注册数据库N中各特征进行初筛,得到筛选后的注册库N`。其中,在人脸识别场景,选择汉明距离筛选方式。设置合适的汉明距离阈值(例如200),得到筛选后的注册库N`;
步骤S705,按照选定精度完成注册库N`与对比样本n的全量比对计算、结果排序筛选,得到相似度最高的K个特征向量,将对比样本n与筛选后的注册库N`中的每个库特征进行比对计算,在人脸识别场景选择典型值INT8,只需要读取步骤S702中存放的每个特征向量的最高8bit。若步骤S702未实施分库存放,比对计算需要读取每个特征向量所有维度的32bit后再截取得到高8bit;若步骤S702已实施分库存放,比对计算直接读取每个特征向量所有维度的高8bit,读取总数据量减少为原始数据的四分之一。因此步骤S702的分库存放可以降低对存储介质访问性能要求。对对比计算得到的结果进行排序,并筛选出注册库中与对比样本n相似度最高的TopK个特征向量;
步骤S706,按照原始精度INT32完成TopK个特征向量与对比样本n进行比对计算,结果排序,得到校准后的K个结果,该校准步骤S706,在一些实施例中可省略,例如,实时抓拍可不选择步骤S706,在常住人口归档对准确度要求高的情况下,需要选择该步骤S706;
步骤S707,将计算排序后的K个特征向量的序号、每个特征向量与对比样本n的相似度结果返回人脸的智能分析系统得到识别结果。
图8是根据本发明实施例的车辆识别对比应用场景的流程图,如图8所示,包括如下步骤:
步骤S801,通过客户端界面获取比对应用场景,根据场景选择比对策略、比对精度。比对应用场景获取方式不限于客户端界面设置,还可以在注册库时放到库的附属信息中,根据应用场景选择比对策略见步骤S804、比对精度见步骤S805;
步骤S802,按照原始精度(例如INT32)完成注册特征库N的注册,并建立属性库。原始精度典型值选择INT32进行特征库N注册。注册特征库N时,可以将每个特征维度的INT32拆分成两个16bit或者四个8bit进行存放,这样步骤S804可以减少对数据存储介质访问数据量大小,建立车辆属性库,该属性库包括车辆的属性信息,属性信息包括车辆的颜色和车型等,用于步骤S804的筛选;
步骤S803,按照原始精度获取待比对样本n的特征值;
步骤S804,对比样本与注册库N中各特征进行初筛,得到筛选后的注册库N`,在车辆识别场景,同时采用属性筛选、汉明筛选方式进行初筛,设置合适的属性值(典型的如颜色、车型),得到筛选后的注册库N`;
步骤S805,按照选定精度完成注册库N`与对比样本n的全量比对计算、结果排序筛选,得到相似度最高的K个特征向量,将对比样本n与筛选后的注册库N`中的每个库特征进行比对计算,在车辆识别场景选择典型值INT16,只需要读取步骤S802中存放的每个特征向量的最高8bit,对比对计算得到的结果进行排序,并筛选出注册库中与对比样本n相似度最高的TopK个特征向量,可选的,按照原始精度完成TopK个特征向量与对比样本n进行比对计算,结果排序,得到校准后的K个结果;
步骤S806,将计算排序后的K个特征向量的序号、每个特征向量与样本n的相似度结果返回车辆的智能分析系统得到识别结果。
对应于上述识别对比的方法,在本实施例中,还提供了一种识别对比装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中,提供了一种识别对比装置,图9是根据本发明实施例的识别对比装置的结构框图,如图9所示,包括:
获取模块92,用于获取对比样本的应用场景;
注册模块94,用于根据第一精度完成样本特征向量的第一注册库的注册,其中,该注册包括对该第一注册库按照第二精度进行拆分存放;
对比模块96,用于确定与应用场景对应的对比精度,对比精度包括该第一精度或者该第二精度,根据该对比精度,完成该第一注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据该预设数量的特征向量确定识别对比的结果。
通过上述装置,注册模块94对注册库的拆分建库,对比模块96根据应用场景采取不同的对比精度,在应用场景对比精度要求不高的应用场景下,对比性能有成倍的提升,解决了图像比对系统不能满足多种场合下计算策略、对比准确度以及实时性要求的问题,最终实现同一系统适配多种应用场景,提升了对比系统灵活性,从而减少整个系统的部署成本。
在一个实施例中,该对比模块96还包括:筛选单元,用于确定与该应用场景对应的初筛方式,根据该初筛方式,对该第一注册库进行初筛,得到第二注册库;根据该对比精度,完成该第二注册库与该对比样本的对比计算,确定相似度最高的预设数量的特征向量。
在一个实施例中,该获取模块92包括:场景单元,用于通过客户端界面设置中获取该应用场景,或者,用于在该注册的过程中,从该第一注册库的附属信息中获取该应用场景。
在一个实施例中,该对比模块96包括:初筛单元,用于根据该第一精度,该预设数量的特征向量与该对比样本进行对比计算,得到校准后的该预设数量的特征向量。
在一个实施例中,提供了一种计算机设备。该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种识别对比的方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例提供的识别对比方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上该实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种识别对比方法,其特征在于,所述方法包括:
获取对比样本的应用场景;
根据第一精度完成样本特征向量的第一注册库的注册,其中,所述注册包括对所述第一注册库按照第二精度进行拆分存放;
确定与所述应用场景对应的对比精度,对比精度包括所述第一精度或者所述第二精度;
根据所述对比精度,完成所述第一注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据所述预设数量的特征向量确定识别对比的结果。
2.根据权利要求1所述方法,其特征在于,所述根据所述对比精度,完成所述第一注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量包括:
确定与所述应用场景对应的初筛方式,根据所述初筛方式,对所述第一注册库进行初筛,得到第二注册库;
根据所述对比精度,完成所述第二注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量。
3.根据权利要求2所述方法,其特征在于,所述初筛方式包括以下至少之一:汉明距离筛选、属性筛选和通道筛选。
4.根据权利要求1所述方法,其特征在于,所述获取对比样本的应用场景包括:
通过客户端界面设置中获取所述应用场景,或者,在所述注册的过程中,从所述第一注册库的附属信息中获取所述应用场景。
5.根据权利要求1至4任一项所述方法,其特征在于,所述根据所述预设数量的特征向量确定识别对比的结果包括:
根据所述第一精度,所述预设数量的特征向量与所述对比样本进行对比计算,得到校准后的所述预设数量的特征向量;
根据该校准后的所述预设数量的特征向量,确定识别比对的结果。
6.一种识别对比装置,其特征在于,所述装置包括:
获取模块,用于获取对比样本的应用场景;
注册模块,用于根据第一精度完成样本特征向量的第一注册库的注册,其中,所述注册包括对所述第一注册库按照第二精度进行拆分存放;
对比模块,用于确定与所述应用场景对应的对比精度,对比精度包括所述第一精度或者所述第二精度,根据所述对比精度,完成所述第一注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量,根据所述预设数量的特征向量确定识别对比的结果。
7.根据权利要求6所述装置,其特征在于,所述对比模块还包括:
筛选单元,用于确定与所述应用场景对应的初筛方式,根据所述初筛方式,对所述第一注册库进行初筛,得到第二注册库;
根据所述对比精度,完成所述第二注册库与所述对比样本的对比计算,确定相似度最高的预设数量的特征向量。
8.根据权利要求6所述装置,其特征在于,所述获取模块包括:
场景单元,用于通过客户端界面设置中获取所述应用场景,或者,用于在所述注册的过程中,从所述第一注册库的附属信息中获取所述应用场景。
9.根据权利要求6至8任一项所述装置,其特征在于,所述对比模块包括:
初筛单元,用于根据所述第一精度,所述预设数量的特征向量与所述对比样本进行对比计算,得到校准后的所述预设数量的特征向量。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387711.4A CN111680716B (zh) | 2020-05-09 | 2020-05-09 | 一种识别对比方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387711.4A CN111680716B (zh) | 2020-05-09 | 2020-05-09 | 一种识别对比方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680716A true CN111680716A (zh) | 2020-09-18 |
CN111680716B CN111680716B (zh) | 2023-05-12 |
Family
ID=72451855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387711.4A Active CN111680716B (zh) | 2020-05-09 | 2020-05-09 | 一种识别对比方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680716B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258891A (zh) * | 2020-10-27 | 2021-01-22 | 湖南云航教育科技有限公司 | 基于智能化城市的大数据平台 |
WO2022088603A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京妙医佳健康科技集团有限公司 | 一种物品识别方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106169067A (zh) * | 2016-07-01 | 2016-11-30 | 恒东信息科技无锡有限公司 | 一种高通量警用动态人脸采集比对方法及系统 |
US20180211152A1 (en) * | 2017-01-20 | 2018-07-26 | Nvidia Corporation | Automated methods for conversions to a lower precision data format |
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
CN109902745A (zh) * | 2019-03-01 | 2019-06-18 | 成都康乔电子有限责任公司 | 一种基于cnn的低精度训练与8位整型量化推理方法 |
CN110147251A (zh) * | 2019-01-28 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 用于计算神经网络模型的架构、芯片及计算方法 |
CN110175641A (zh) * | 2019-05-22 | 2019-08-27 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像识别方法、装置、设备和存储介质 |
CN110222755A (zh) * | 2019-05-30 | 2019-09-10 | 国网山东省电力公司枣庄供电公司 | 基于特征融合的深度学习场景识别方法 |
CN110348562A (zh) * | 2019-06-19 | 2019-10-18 | 北京迈格威科技有限公司 | 神经网络的量化策略确定方法、图像识别方法和装置 |
WO2020024093A1 (en) * | 2018-07-30 | 2020-02-06 | Intel Corporation | Method and apparatus for keeping statistical inference accuracy with 8-bit winograd convolution |
CN110866234A (zh) * | 2019-09-29 | 2020-03-06 | 南京大学 | 一种基于多生物特征的身份验证系统 |
-
2020
- 2020-05-09 CN CN202010387711.4A patent/CN111680716B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106169067A (zh) * | 2016-07-01 | 2016-11-30 | 恒东信息科技无锡有限公司 | 一种高通量警用动态人脸采集比对方法及系统 |
US20180211152A1 (en) * | 2017-01-20 | 2018-07-26 | Nvidia Corporation | Automated methods for conversions to a lower precision data format |
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
WO2020024093A1 (en) * | 2018-07-30 | 2020-02-06 | Intel Corporation | Method and apparatus for keeping statistical inference accuracy with 8-bit winograd convolution |
CN110147251A (zh) * | 2019-01-28 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 用于计算神经网络模型的架构、芯片及计算方法 |
CN109902745A (zh) * | 2019-03-01 | 2019-06-18 | 成都康乔电子有限责任公司 | 一种基于cnn的低精度训练与8位整型量化推理方法 |
CN110175641A (zh) * | 2019-05-22 | 2019-08-27 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像识别方法、装置、设备和存储介质 |
CN110222755A (zh) * | 2019-05-30 | 2019-09-10 | 国网山东省电力公司枣庄供电公司 | 基于特征融合的深度学习场景识别方法 |
CN110348562A (zh) * | 2019-06-19 | 2019-10-18 | 北京迈格威科技有限公司 | 神经网络的量化策略确定方法、图像识别方法和装置 |
CN110866234A (zh) * | 2019-09-29 | 2020-03-06 | 南京大学 | 一种基于多生物特征的身份验证系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258891A (zh) * | 2020-10-27 | 2021-01-22 | 湖南云航教育科技有限公司 | 基于智能化城市的大数据平台 |
WO2022088603A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京妙医佳健康科技集团有限公司 | 一种物品识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111680716B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348562B (zh) | 神经网络的量化策略确定方法、图像识别方法和装置 | |
CN108399052B (zh) | 图片压缩方法、装置、计算机设备和存储介质 | |
US8103058B2 (en) | Detecting and tracking objects in digital images | |
CN110826418B (zh) | 脸部特征提取方法及装置 | |
CN110795976A (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN111275685A (zh) | 身份证件的翻拍图像识别方法、装置、设备及介质 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN110046577B (zh) | 行人属性预测方法、装置、计算机设备和存储介质 | |
CN112183295A (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
CN111259915A (zh) | 翻拍图像识别的方法、装置、设备及介质 | |
CN111680716A (zh) | 一种识别对比方法、装置、计算机设备和存储介质 | |
CN111191521B (zh) | 人脸活体检测方法、装置、计算机设备及存储介质 | |
CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
CN112102235B (zh) | 人体部位识别方法、计算机设备和存储介质 | |
CN111401524A (zh) | 卷积神经网络处理方法、装置、设备、存储介质及模型 | |
Du et al. | A comparative study of different color spaces in computer-vision-based flame detection | |
CN111199193B (zh) | 基于数字切片的图片分类方法、装置和计算机设备 | |
CN109784379B (zh) | 纺织品图片特征库的更新方法和装置 | |
CN112183542A (zh) | 基于文本图像的识别方法、装置、设备和介质 | |
CN112785595B (zh) | 目标属性检测、神经网络训练及智能行驶方法、装置 | |
CN112818960A (zh) | 基于人脸识别的等待时长处理方法、装置、设备及介质 | |
CN110659631A (zh) | 车牌识别方法和终端设备 | |
CN109657083B (zh) | 纺织品图片特征库的建立方法和装置 | |
CN113947568B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113159079A (zh) | 目标检测方法、装置、计算机设备和存储介质 |
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 |