CN112016443B - 同行识别方法及装置、电子设备和存储介质 - Google Patents
同行识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112016443B CN112016443B CN202010873497.3A CN202010873497A CN112016443B CN 112016443 B CN112016443 B CN 112016443B CN 202010873497 A CN202010873497 A CN 202010873497A CN 112016443 B CN112016443 B CN 112016443B
- Authority
- CN
- China
- Prior art keywords
- image
- target objects
- target
- target object
- area
- 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
Links
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种同行识别方法及装置、电子设备和存储介质,所述方法包括:获取在目标区域采集的图像;针对所述图像中任意两个目标对象,确定所述两个目标对象所在图像区域的合并区域;基于所述两个目标对象所在图像区域的图像特征以及所述合并区域的图像特征,得到所述两个目标对象的同行结果,其中,所述同行结果表示目标对象之间是否为同行关系。本公开实施例可提高同行识别的准确率。
Description
技术领域
本公开涉及安防技术领域,尤其涉及一种同行识别方法及装置、电子设备和存储介质。
背景技术
同行人识别是一项关键的人物关系识别技术。从研究意义出发,通过识别目标人物之间的同行关系,一方面可以加深对当前场景的理解,另一方面有助于展开后续分析,例如,轨迹预测、目标跟踪等。在实际应用场景中,同行人识别可以广泛应用于安防、地产、零售等多个领域。特别是人流量大的场景中,识别与指定目标具有同行关系的行人尤为重要。
通常,同行人识别可以通过获取无线保真(Wireless-Fidelity,WI-FI)信号或者全球定位系统(Global Positioning System,GPS)信息,对与指定行人目标同时出现的行人进行统计分析,从而识别同行人关系。但是目前同行人识别的识别结果容易出现同行人的误报的情况。
发明内容
本公开提出了一种同行识别技术方案。
根据本公开的一方面,提供了一种同行识别方法,包括:
获取在目标区域采集的图像;
针对所述图像中任意两个目标对象,确定所述两个目标对象所在图像区域的合并区域;
基于所述两个目标对象所在图像区域的图像特征以及所述合并区域的图像特征,得到所述两个目标对象的同行结果,其中,所述同行结果表示目标对象之间是否为同行关系。
在一些可能的实现方式中,所述两个目标对象包括第一目标对象和第二目标对象;所述针对图像中任意两个目标对象,确定所述两个目标对象所在图像区域的合并区域,包括:根据所述第一目标对象所在图像区域的对角点位置和所述第二目标对象所在图像区域的对角点位置,确定所述第一目标对象与所述第二目标对象所在图像区域的合并区域,其中,所述对角点位置包括:左上角点的图像坐标以及右下角点的图像坐标;或者,右上角点的图像坐标以及左下角点的图像坐标。
在一些可能的实现方式中,所述基于所述两个目标对象所在图像区域的图像特征以及所述合并区域的图像特征,得到所述两个目标对象的同行结果,包括:确定所述两个目标对象所在图像区域的几何特征;基于所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征,得到所述两个目标对象的同行结果。
在一些可能的实现方式中,所述基于所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征,得到所述两个目标对象的同行结果,包括:将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征进行拼接,得到拼接特征;基于所述拼接特征,确定所述两个目标对象的同行结果。
在一些可能的实现方式中,所述根据所述两个目标对象所在图像区域的几何信息得到所述两个目标对象所在图像区域的几何特征,包括:分别对所述两个目标对象所在图像区域的几何信息进行归一化处理,得到所述两个目标对象中每个目标对象归一化后的几何信息;将所述两个目标对象归一化后的几何信息拼接后进行全连接处理,得到所述两个目标对象所在图像区域的几何特征。
在一些可能的实现方式中,所述两个目标对象包括第一目标对象和第二目标对象;所述方法还包括:利用第一特征提取子网络提取所述第一目标对象所在图像区域的图像特征;利用第二特征提取子网络提取所述第二目标对象所在图像区域的图像特征;其中,所述第一特征提取子网络和所述第二特征提取子网络的网络结构和权重参数相同。
在一些可能的实现方式中,所述方法还包括:根据所述图像中任意两个目标对象的同行结果,确定所述图像包括的多个目标对象的同行结果。
在一些可能的实现方式中,所述根据所述图像中任意两个目标对象的同行结果,确定所述图像包括的所述多个目标对象的同行结果,包括:在所述多个目标对象中第一目标对象分别与第二目标对象、第三目标对象的同行结果是同行,所述第二目标对象与所述第三目标对象的同行结果是非同行的情况下,将所述第二目标对象与所述第三目标对象的同行结果修正为同行,得到所述多个目标对象的同行结果。
在一些可能的实现方式中,所述目标区域包括多个图像采集点,所述图像包括预设时间段内所述多个图像采集点拍摄到的多个图像;所述方法还包括:根据所述多个图像中至少一个图像中的目标对象的同行结果,对所述多个图像的目标对象的同行结果进行整合。
在一些可能的实现方式中,根据所述多个图像中至少一个图像中的目标对象的同行结果,对所述多个图像的目标对象的同行结果进行整合,包括:确定不同所述图像中相同的目标对象;整合每个相同的目标对象分别对应于不同所述图像的同行结果,得到所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果。
在一些可能的实现方式中,所述方法还包括:根据所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果,统计所述多个目标对象的同行信息,其中,所述同行信息包括具有同行关系的目标对象共同的到访区域、到访时间、同一到访区域的到访次数中的至少一个。
根据本公开的一方面,提供了一种同行识别装置,包括:
获取模块,用于获取在目标区域采集的图像;
确定模块,用于针对所述图像中任意两个目标对象,确定所述两个目标对象所在图像区域的合并区域;
识别模块,用于基于所述两个目标对象所在图像区域的图像特征以及所述合并区域的图像特征,得到所述两个目标对象的同行结果,其中,所述同行结果表示目标对象之间是否为同行关系。
在一些可能的实现方式中,所述两个目标对象包括第一目标对象和第二目标对象;所述确定模块,用于根据所述第一目标对象所在图像区域的对角点位置和所述第二目标对象所在图像区域的对角点位置,确定所述第一目标对象与所述第二目标对象所在图像区域的合并区域,其中,所述对角点位置包括:
左上角点的图像坐标以及右下角点的图像坐标;或者,右上角点的图像坐标以及左下角点的图像坐标。
在一些可能的实现方式中,所述识别模块,用于确定所述两个目标对象所在图像区域的几何特征;基于所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征,得到所述两个目标对象的同行结果。
在一些可能的实现方式中,所述识别模块,用于将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征进行拼接,得到拼接特征;基于所述拼接特征,确定所述两个目标对象的同行结果。
在一些可能的实现方式中,所述识别模块,用于分别对所述两个目标对象所在图像区域的几何信息进行归一化处理,得到所述两个目标对象中每个目标对象归一化后的几何信息;将所述两个目标对象归一化后的几何信息拼接后进行全连接处理,得到所述两个目标对象所在图像区域的几何特征。
在一些可能的实现方式中,所述两个目标对象包括第一目标对象和第二目标对象;所述识别模块,还用于利用第一特征提取子网络提取所述第一目标对象所在图像区域的图像特征;利用第二特征提取子网络提取所述第二目标对象所在图像区域的图像特征;其中,所述第一特征提取子网络和所述第二特征提取子网络的网络结构和权重参数相同。
在一些可能的实现方式中,所述装置还包括:整合模块,用于根据所述图像中任意两个目标对象的同行结果,确定所述图像包括的多个目标对象的同行结果。
在一些可能的实现方式中,所述整合模块,用于在所述多个目标对象中第一目标对象分别与第二目标对象、第三目标对象的同行结果是同行,所述第二目标对象与所述第三目标对象的同行结果是非同行的情况下,将所述第二目标对象与所述第三目标对象的同行结果修正为同行,得到所述多个目标对象的同行结果。
在一些可能的实现方式中,所述目标区域包括多个图像采集点,所述图像包括预设时间段内所述多个图像采集点拍摄到的多个图像;所述整合模块,用于根据所述多个图像中至少一个图像中的目标对象的同行结果,对所述多个图像的目标对象的同行结果进行整合。
在一些可能的实现方式中,所述整合模块,用于确定不同所述图像中相同的目标对象;整合每个相同的目标对象分别对应于不同所述图像的同行结果,得到所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果。
在一些可能的实现方式中,所述整合模块,还用于根据所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果,统计所述多个目标对象的同行信息,其中,所述同行信息包括具有同行关系的目标对象共同的到访区域、到访时间、同一到访区域的到访次数中的至少一个。
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调用所述存储器存储的指令,以执行上述方法。
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方法。
在本公开实施例中,获取在目标区域采集的图像,图像中可以包括多个目标对象,针对多个目标对象中任意两个目标对象,确定两个目标对象的合并区域,再基于两个目标对象所在图像区域的图像特征以及合并区域的图像特征,得到两个目标对象的同行结果。这样,可以在同行识别的情况下,考虑两个目标对象之间的相关性,从而提高同行识别的准确率。
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同行识别方法的流程图。
图2示出根据本公开实施例的人脸框的示意图。
图3示出根据本公开实施例的同行识别网络的框图。
图4示出根据本公开实施例的同行识别方法的流程图。
图5示出根据本公开实施例的同行识别装置的框图。
图6示出根据本公开实施例的一种电子设备示例的框图。
图7示出根据本公开实施例的一种电子设备示例的框图。
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同行识别方案,可以获取在目标区域采集的包括多个目标对象的图像,针对多个目标对象中的任意两个目标对象,可以确定这两个目标对象在图像中的合并区域,然后根据两个目标对象所在图像区域的图像特征以及合并区域的图像特征,确定两个目标对象的同行结果,这样可以考虑多个目标对象的相关性,例如,可以考虑多个目标对象的肢体接触、表情、距离等相关性,从而可以提高同行识别的准确率。
本公开实施例提供的同行识别方案,可以应用于图像或视频的检测、识别、解析等等应用场景的扩展,本公开实施例对此不做限定。例如,在安防领域中,在大流量人群的场景下,可以通过本公开实施例提供的同行识别方案实现快速识别与指定目标具有同行关系的行人,进而可以发现潜在危险情况并及时做好预防。在危险情况发生时,可以获取行人出现的时间、地点,进而为侦查提供重要线索。再例如,在地产、零售等场景中,可以根据本公开提供的同行识别方案确定场景的同行信息,进而可以根据同行信息可以完善顾客档案,如多人到访、家庭到访、多次到访等同行信息,可以提供顾客的购买意愿,进而可以对顾客的购买意向进行分析,节省人力成本。
本公开实施例提供的同行识别方法可以由终端设备、服务器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 Digital Assistant,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,该数据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。或者,可通过服务器执行所述方法。下面以电子设备作为执行主体为例对本公开实施例的同行识别方法进行说明。
图1示出根据本公开实施例的同行识别方法的流程图,如图1所示,所述同行识别方法包括:
步骤S11,获取在目标区域采集的图像;
在本公开实施例中,电子设备可以具有图像采集功能,可以对所在场景的目标区域进行图像采集,获取采集的图像。或者,电子设备可以从其他设备处获取图像,例如,电子设备可以从摄像设备、监控设备、网络服务器等到设备处获取图像。一些实现方式中,图像可以是视频中的一个图像帧。图像中可以包括多个目标对象,目标对象可以是在图像中检测到的人物,通过对图像进行目标检测,例如,利用现有的目标检测算法或神经网络对图像进行目标检测,可以确定图像中所包括的目标对象。
这里,目标区域可以是进行图像采集的区域,目标区域可以包括一个或多个图像采集点,从而可以获取在一个或多个图像采集点采集的图像。在目标区域包括多个图像采集点的情况下,可以从不同的图像采集方位或角度进行图像采集,从而可以减少由于遮挡、拍摄盲区等因素对采集图像造成的影响。
步骤S12,针对图像中任意两个目标对象,确定所述两个目标对象所在图像区域的合并区域。
在本公开实施例中,针对图像中的任意两个目标对象,可以在图像中确定任意两个目标对象所在的图像区域。每个目标对象所在的图像区域可以通过检测框进行指示,从而可以根据检测框的图像位置确定任意两个目标对象所在的图像区域。
一些实现方式中,一个目标对象对应的检测框可以包围整个目标对象,即此时的检测框可以认为是人体框,可以将人体框的图像位置直接作为目标对象所在的图像区域。
一些实现方式中,一个目标对象对应的检测框可以包围部分目标对象。图2示出根据本公开实施例的人脸框的示意图,图像可以是在目标区域的一个图像采集点(点位4)采集的图像,其中包括6个目标对象,每个目标对象可以通过标识(Identity,ID)进行指示,一个目标对象可以对应唯一的标识。其中,一个检测框仅包围目标对象的人脸,即此时的检测框可以是人脸框。进一步可以将人脸框进行外扩为人体框,例如,按照1:4的比例将人脸框外扩为人体框,并将人体框的图像位置直接作为目标对象所在的图像区域。其中,人体框的面积为人脸框的面积的4倍。
本公开实施例中,在分别确定两个目标对象所在的图像区域之后,可以确定两个目标对象所在图像区域的合并区域,例如,可以将两个目标对象所在图像区域进行比对,将两个图像区域中的最上边界作为合并区域的上边界,两个图像区域中的最下边界作为合并区域的下边界,将两个图像区域中的最左边界作为合并区域的左边界,两个图像区域中的最右边界作为合并区域的右边界,从而得到两个目标对象所在图像区域的合并区域。合并区域可以是两个目标对象所在图像区域的并集,可以体现两个目标对象之间的关联关系,例如,两个目标对象之间的距离、肢体接触等。
步骤S13,基于所述两个目标对象所在图像区域的图像特征以及所述合并区域的图像特征,得到所述两个目标对象的同行结果。
在本公开实施例中,可以分别提取两个目标对象所在图像区域的图像特征,以及提取两个目标对象所在图像区域的合并区域的图像特征,基于两个目标对象所在图像区域的图像特征以及合并区域的图像特征,可以得到两个目标对象的同行结果。例如,可以将两个目标对象所在的图像区域以及所在图像区域的合并区域输入已训练的同行识别网络中,利用已训练的同行识别网络分别对两个目标对象所在的图像区域以及合并区域进行图像特征提取,并由已训练的同行识别网络输出两个目标对象的同行结果。
这里,同行识别网络可以是神经网络,例如,同行识别网络可以包括卷积层、池化层、反卷积层、全连接层等神经网络的网络层。同行识别网络可以包括多个输入,上述两个目标对象所在图像区域可以作为同行识别网络的两个输入,两个目标对象的合并区域可以作为同行识别网络的一个输入,相应地,两个目标对象的同行结果可以是同行识别网络的输出。
这里,同行结果可以指示两个目标对象是否为同行关系,例如,同行结果可以是2维特征,其中,第一维特征可以表示同行关系,第二维特征可以表示非同行关系,根据2维特征中数值较大的一维特征可以确定两个目标对象是否为同行关系。例如,第一维特征数值0.3,第二维特征数值0.7,则可确定两个目标对象为非同行关系。
通过两个目标对象所在图像区域的图像特征和合并区域的图像特征,可以得到两个目标对象的同行结果,合并区域的图像特征可以提供两个目标对象之间的相关性,从而可以提升同行识别的准确率。
上述步骤S12中,可以确定两个目标对象所在图像区域的合并区域,从而可以通过两个目标对象所在图像区域的合并区域提供两个目标对象之间的相关信息。下面通过一些实现方式对确定两个目标对象所在图像区域的合并区域的过程进行说明。
在一些实现方式中,两个目标对象可以包括第一目标对象和第二目标对象。在确定两个目标对象所在图像区域的合并区域的情况下,可以根据第一目标对象所在图像区域的对角点位置和第二目标对象所在图像区域的对角点位置,确定第一目标对象与第二目标对象所在图像区域的合并区域。
在本实现方式中,两个目标对象可以是第一目标对象和第二目标对象。每个目标对象所在图像区域可以通过检测框进行指示,相应地,一个检测框的位置可以通过对角点位置进行确定,从而每个目标对象所在的图像区域也可以通过对角点位置进行确定。在确定两个目标对象所在图像区域的合并区域的情况下,可以将第一目标对象所在图像区域的对角点位置与第二目标对象所在图像区域的对角点位置进行比对,根据比对结果可以快速确定两个目标对象所在图像区域的合并区域。
这里,对角点位置可以包括左上角点的图像坐标以及右下角点的图像坐标,或者,可以包括右上角点的图像坐标以及左下角点的图像坐标。以对角点位置可以包括左上角点的图像坐标以及右下角点的图像坐标为例,以图像的左上角点为坐标原点,以从左向右的方向为横坐标方向,以从上至下的方向为纵坐标方向建立坐标系,第一目标对象所在图像区域的左上角点的图像坐标可以为(left1,top1),第一目标对象所在图像区域的右下角点的图像坐标可以为(right1,down1),相应地,第一目标对象所在图像区域可以表示为b1(left1,top1,right1,down1)。第二目标对象所在图像区域的左上角点的图像坐标可以为(left2,top2),第二目标对象所在图像区域的右下角点的图像坐标可以为(right2,down2),相应地,第二目标对象所在图像区域可以表示为b2(left2,top2,right2,down2)。然后可以将b1(left1,top1,right1,down1)和b2(left2,top2,right2,down2)进行比对,进而确定第一目标对象与第二目标对象所在图像区域的合并区域,其中,可以将(left1,top1)和(left2,top2)进行比对,将(right1,down1)和(right2,down2)进行比对,然后根据两个对比结果可以确定第一目标对象与第二目标对象所在图像区域的合并区域,合并区域可以表示为bunion(min(left1,left2),min(top1,top2),max(right1,right2),max(down1,down2))。
通过两个目标对象所在图像区域的对象点位置,可以快速确定两个目标对象在图像中的合并区域,从而可以通过合并区域体现两个目标对象之间的相关性。
在上述步骤S13中,可以基于两个目标对象所在图像区域的图像特征以及合并区域的图像特征,得到两个目标对象的同行结果,从而可以对两个目标对象是否同行进行判断。为了使得到的同行结果更加准确,在得到两个目标对象的同行结果的情况下,还可以考虑两个目标对象所在图像区域的几何特征。即在一些实现方式中,可以确定两个目标对象所在图像区域的几何特征,然后基于两个目标对象所在图像区域的图像特征、几何特征以及合并区域的图像特征,可以得到两个目标对象的同行结果。
在本实现方式中,可以获取两个目标对象所在图像区域的几何信息,例如,获取两个目标对象所在图像区域的尺寸、图像坐标等几何信息,然后根据两个目标对象所在图像区域的几何信息可以生成两个目标对象所在图像区域的几何特征,例如,可以将两个目标对象所在图像区域的几何信息输入上述同行识别网络,利用上述同行识别网络对两个目标对象所在图像区域提取几何特征,然后可以将两个目标对象所在图像区域的图像特征、几何特征以及合并区域的图像特征相结合,例如,利用上述同行识别网络对目标对象所在图像区域的图像特征、几何特征以及合并区域的图像特征进行卷积处理、池化处理、全连接处理等,可以得到两个目标对象的同行结果。由于在得到两个目标对象的同行结果的情况下,还考虑了两个目标对象所在图像区域的几何特征,从而可以使得到的同行结果更加准确。
在本实现方式的一个示例中,在确定两个目标对象所在图像区域的几何特征的情况下,可以分别对两个目标对象所在图像区域的几何信息进行归一化处理,得到两个目标对象中每个目标对象归一化后的几何信息。然后将两个目标对象归一化后的几何信息拼接后进行全连接处理,可以得到两个目标对象所在图像区域的几何特征。
在本示例中,在确定两个目标对象所在图像区域的几何特征,可以先分别对两个目标对象所在图像区域的几何信息进行归一化处理,使两个目标对象所在图像区域的几何信息可以按比例进行放缩,得到每个目标对象归一化后的几何信息。然后可以将两个目标对象归一化后的几何信息进行拼接,并对拼接后的几何信息进行全连接处理,例如,可以将两个目标对象归一化后的几何信息输入上述同行识别网络,利用同行识别网络将两个目标对象归一化后的几何信息进行拼接,上述同行识别网络可以包括全连接层,进而可以利用同行识别网络的全连接层对归一化后的几何信息进行全连接处理,得到两个目标对象所在图像区域的几何特征。通过分别对两个目标对象所在图像区域的几何信息进行归一化处理,可以将不同目标对象所在图像区域的几何信息统一放缩到一个特定区间内,然后对两个归一化后的几何信息进行拼接处理和全连接处理,从而可以进一步提升同行结果的精度。
举例来说,目标对象可以包括第一目标对象和第二目标对象,目标对象所在图像区域的几何信息可以包括对角点位置、长度、宽度等。分别对第一目标对象的几何信息和第二目标对象的几何信息进行归一化处理,可以第一目标对象归一化后的几何信息和第二目标对象归一化后的几何信息。其中,第一目标对象归一化后的几何信息可以表示为:
其中,left1可以是第一目标对象所在图像区域的左上角点的横坐标,top1是第一目标对象所在图像区域的左上角点的纵坐标,right1可以是第一目标对象所在图像区域的右下角点的横坐标,down1可以是第一目标对象所在图像区域的右下角点的纵坐标,H可以是图像的长度,W可以是图像的宽度。
其中,left2可以是第二目标对象所在图像区域的左上角点的横坐标,top2是第二目标对象所在图像区域的左上角点的纵坐标,right2可以是第二目标对象所在图像区域的右下角点的横坐标,down2可以是第二目标对象所在图像区域的右下角点的纵坐标。
在本实现方式的一个示例中,在基于两个目标对象所在图像区域的图像特征、几何特征以及合并区域的图像特征,得到两个目标对象的同行结果的情况下,可以将两个目标对象所在图像区域的图像特征、几何特征以及合并区域的图像特征进行融合,例如,将第一目标对象所在图像区域的图像特征、第二目标对象所在图像区域的图像特征、两个目标对象所在图像区域的几何特征以及合并区域的图像特征这4部分特征进行拼接,或者,将这4部分特征进行相加或加权求和,可以形成一个融合特征。然后可以进一步对融合特征进行全连接处理,例如,可以将拼接特征输入同行识别网络的全连接层,可以得到两个目标对象的同行结果。通过将多个不同部分的特征融合为一个整体,可以使多个部分的特征更好地结合,从而进一步提高同行结果的精度。
在本公开实施例中,可以利用同行识别网络对图像中任意两个目标对象的同行关系进行识别,得到任意两个目标对象的同行结果。在一些实现方式中,同行识别网络可以包括第一特征提取子网络和第二特征提取子网络。在提取两个目标对象所在图像区域的图像特征的情况下,可以利用第一特征提取子网络提取第一目标对象所在图像区域的图像特征,得到第一目标对象所在图像区域的图像特征,相应地,可以利用第二特征提取子网络提取第二目标对象所在图像区域的图像特征,得到第二目标对象所在图像区域的图像特征。这里,第一特征提取子网络和第二特征提取子网络的网络结构和权重参数相同,从而在图像识别网络的训练过程中,第一特征提取子网络和第二特征子网络可以共享权重参数,从而提高图像识别网络的训练效率。
下面通过一个示例对本公开实施例提供的同行识别过程进行说明。图3示出根据本公开实施例的同行识别网络的框图。以第一目标对象和第二目标对象为例,第一目标对象和第二目标对象可以是图像中任意两个目标对象。以图像的左上角点为坐标原点,以从左向右的方向为横坐标方向,以从上至下的方向为纵坐标方向建立坐标系,第一目标对象所在图像区域可以表示为b1(left1,top1,right1,down1),相应地,第二目标对象所在图像区域可以表示为b2(left2,top2,right2,down2)。
第一目标对象和第二目标对象的合并区域可以表示为bunion(min(left1,left2),min(top1,top2),max(right1,right2),max(down1,down2))。将b1、b2、bunion分别压缩成224*224的图像尺寸作为同行识别网络的输入。同行识别网络可以包括第一特征提取子网络、第二特征提取子网络、第三特征提取子网络,可以利用第一特征提取子网络提取b1的图像特征,利用第二特征提取子网络提取b2的图像特征,利用第三特征提取子网络提取bunion的图像特征,可以分别得到2048维(2048-d)的图像特征。其中,第一特征提取子网络和第二特征提取子网络共享权重参数。此外,还可以将两个目标对象的几何信息归一化后输入同行识别网络,归一化后的几何信息可以拼接在一起形成一个10维的特征,然后将这10维的特征经过一个全连接层可以得到一个256维(256-d)的几何特征。将256维的几何特征和上述3个2048维的图像特征进行拼接,拼接后再经过一个全连接层可以得到包括2维特征的同行结果。
这里,第一特征提取子网络、第二特征提取子网络和第三特征提取子网络的网络结构可以采用残差网络的部分网络结构,例如,可以采用resnet101网络的特征提取部分(resnet101网络除最后全连接层的网络部分)。相应地,同行识别网络可以采用残差网络resnet101的图像数据集ImageNet中的样本图像进行训练。
在一些实现方式中,在确定图像中任意两个目标对象的同行结果之后,还可以根据任意两个目标对象的同行结果,确定图像所包括的多个目标对象的同行结果,即,可以分别确定每个目标对象与多个其他目标对象之间是否为同行关系。例如,可以根据任意两个目标对象的同行结果,生成图像中多个目标对象之间的同行结果列表,列表中的每一行可以表示图像中的一个目标对象分别与图像中的各个其他目标对象的同行结果,其中,如果一个目标对象与另一个目标对象的同行结果为1,则可以认为这两个目标对象是同行关系,如果一个目标对象与另一个目标对象的同行结果为0,则可以认为这两个目标对象是非同行关系。
在一个示例中,根据图像中任意两个目标对象的同行结果,生成的多个目标对象的同行结果列表如表1所示,其中,图像中可以包括6个目标对象,这6个目标对象可以通过标识进行表示,即,这6个目标对象可以分别通过ID1、ID2、ID3、ID4、ID5和ID6进行表示,其中,1可以表示两个目标对象为同行关系,0可以表示两个目标对象为非同行关系。
表1同行结果列表
ID1 | ID2 | ID3 | ID4 | ID5 | ID6 | |
ID1 | - | 1 | 0 | 0 | 0 | 0 |
ID2 | 1 | - | 0 | 0 | 0 | 0 |
ID3 | 0 | 0 | - | 1 | 0 | 0 |
ID4 | 0 | 0 | 1 | - | 0 | 0 |
ID5 | 0 | 0 | 0 | 0 | - | 0 |
ID6 | 0 | 0 | 0 | 0 | 0 | - |
在本实现方式的一个示例中,在多个目标对象中第一目标对象分别与第二目标对象、第三目标对象的同行结果是同行,第二目标对象与第三目标对象的同行结果是非同行的情况下,将第二目标对象与第三目标对象的同行结果修正为同行,得到多个目标对象的同行结果。即可以理解为,一些情况下图像中任意两个目标对象的同行结果可能出现冲突,例如,两个目标对象之间的距离较远或者未进行交流,这两个目标对象的同行结果可能判断为非同行关系,但这两个目标对象同时与第三个目标对象同行,此时可以认为这两个目标对象的同行结果是不准确的,可以对这两个目标对象的同行结果进行修正,将这两个目标对象的同行结果修正为同行关系,从而可以根据图像中任意两个目标对象的同行结果,对多个目标对象的同行结果进行修正,使最终得到的多个目标对象的同行结果更加准确。
在一些实现方式中,上述图像可以包括预设时间段内多个图像采集点拍摄到的多个图像,即,每个图像采集点在预设时间段内可以拍摄到多个图像,多个采集点同一时刻也可以拍摄到多个图像,从而可以根据多个图像中至少一个图像中目标对象的同行结果,对多个图像中目标对象的同行结果进行整合,例如,可以将多个图像中目标对象的同行结果整合为一个类似上述表1的同行结果列表,对于同行结果列表中不存在的目标对象,可以对同行结果列表进行扩充,从而可以得到预设时间段内多个图像采集点拍摄到的多个图像中目标对象的同行结果,为用户提供目标对象之间的同行关系。
这里,可以重复执行上述步骤S11和步骤S12,实现对多个图像中每个图像进行同行识别,在一些实现方式中,也可以设置多个节点并行执行上述步骤S11和步骤S12,从而实现对多个图像进行并行的同行识别。在一些实现方式中,多个采集点可以位于同一个目标区域内,多个采集点可以针对同一目标区域的不同拍摄角度拍摄图像,从而可以减少由于遮挡出现拍摄盲区的情况。
在一个示例中,在对多个图像中目标对象的同行结果进行整合的情况下,可以确定不同图像中相同的目标对象。例如,可以分别将每个图像中的目标对象的人脸特征与人脸特征库中的人脸特征进行比对,根据比对结果可以确定每个目标对象的身份或者ID,通过确定的每个图像中目标对象的身份或者ID,可以进一步确定不同图像中相同的目标对象。或者,还可以根据目标对象的人脸特征,对多个图像的目标对象进行聚类,从而根据聚类结果可以确定不同图像中相同的目标对象。然后可以整合每个相同的目标对象对应于不同图像的同行结果,例如,将每个相同的目标对象对应于不同图像的同行结果统计到同行结果列表中,同行结果列表中相同的目标对象对应一行或一列,如果存在相同的目标对象对应多行或多列的情况,则可以将相同的目标对象对应的多行或多列合并为一行或一列,从而可以得到预设时间段内多个图像采集点拍摄到的多个目标对象的同行结果。例如,目标对象A出现在三张图像中,分别与目标对象B、目标对象B和目标对象C同行,则可以将这三张图像的同行结果整合至同行结果列表中目标对象A所对应的一行中,以表示目标对象A与目标对象B、目标对象C分别为同行关系。
在一些实现方式中,在一个图像或多个图像中确定多个目标对象是同行关系的情况下,可以为同行关系的多个目标对象设置同行关系提示,例如,可以将同行关系的多个目标对象在一个或多个图像中的检测框设置为相同的颜色,或者,可以将同行关系的多个目标对象在一个或多个图像中设置相同的指示符、特效等,从而可以在一个或多个图像中提示用户多个目标对象之间的同行关系,为用户提供便利。
在一些实现方式中,还可以根据预设时间段内多个图像采集点拍摄到的多个目标对象的同行结果,统计多个目标对象的同行信息。这里,同行信息可以包括具有同行关系的目标对象共同的到访区域、到访时间、同一到访区域的到访次数中的至少一个,从而通过统计多个目标对象的同行信息,可以为用户提供有用信息。例如,在零售场景中,可以辅助用户完善顾客档案,如多人到访、家庭到访、多次到访等同行信息可以展示顾客较强的购买意愿,从而可以辅助用户对客户的购买意向进行分析,节省人力成本。再例如,在安防领域中,可以为安防人员提供侦查线索,如在大流量人群中,可以快速识别与指定目标具有同行关系的行人,还可以获取特定时间或地点出现的同伙,从而发现潜在危险并及时做好预防。
下面通过一个示例对本公开提供的同行识别方案进行说明。图4示出根据本公开实施例的同行识别方法的流程图,可以包括以下步骤:
步骤S201,获取目标检测后的图像;
步骤S202,针对图像中目标检测得到的任意两个目标对象,确定两个目标对象所在图像区域的合并区域;
步骤S203,分别将两个目标对象所在的图像区域、两个目标对象所在图像区域的合并区域以及两个目标对象的几何信息输入同行识别网络,得到两个目标对象的同行结果;
步骤S204,根据图像中任意两个目标对象的同行结果,生成图像中多个目标对象的同行结果列表;
步骤S205,根据预设时间段内多个图像采集点拍摄到的多个图像中目标对象的同行结果,对同行结果列表进行扩充,不断更新同行结果列表,得到表示多个图像的目标对象的同行结果列表;
步骤S206,根据多个图像的目标对象的同行结果列表,展示预设时间段内同行关系的目标对象组。
本示例通过对预设时间段内多个图像采集点拍摄到的多个图像进行同行识别,可以为用户提供多个图像中具有同行关系的目标对象组,从而在一些实际应用场景中,例如,在安防、地产、零售等多个应用场景中,可以快速进行同行识别,辅助用户整理或统计同行信息。
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。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了同行识别装置、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同行识别方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的同行识别装置的框图,如图5所示,所述装置包括:
获取模块31,用于获取在目标区域采集的图像;
确定模块32,用于针对所述图像中任意两个目标对象,确定所述两个目标对象所在图像区域的合并区域;
识别模块33,用于基于所述两个目标对象所在图像区域的图像特征以及所述合并区域的图像特征,得到所述两个目标对象的同行结果,其中,所述同行结果表示目标对象之间是否为同行关系。
在一些可能的实现方式中,所述两个目标对象包括第一目标对象和第二目标对象;所述确定模块32,用于根据所述第一目标对象所在图像区域的对角点位置和所述第二目标对象所在图像区域的对角点位置,确定所述第一目标对象与所述第二目标对象所在图像区域的合并区域,其中,所述对角点位置包括:
左上角点的图像坐标以及右下角点的图像坐标;或者,右上角点的图像坐标以及左下角点的图像坐标。
在一些可能的实现方式中,所述识别模块33,用于确定所述两个目标对象所在图像区域的几何特征;基于所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征,得到所述两个目标对象的同行结果。
在一些可能的实现方式中,所述识别模块33,用于将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征进行拼接,得到拼接特征;基于所述拼接特征,确定所述两个目标对象的同行结果。
在一些可能的实现方式中,所述识别模块33,用于分别对所述两个目标对象所在图像区域的几何信息进行归一化处理,得到所述两个目标对象中每个目标对象归一化后的几何信息;将所述两个目标对象归一化后的几何信息拼接后进行全连接处理,得到所述两个目标对象所在图像区域的几何特征。
在一些可能的实现方式中,所述两个目标对象包括第一目标对象和第二目标对象;所述识别模块33,还用于利用第一特征提取子网络提取所述第一目标对象所在图像区域的图像特征;利用第二特征提取子网络提取所述第二目标对象所在图像区域的图像特征;其中,所述第一特征提取子网络和所述第二特征提取子网络的网络结构和权重参数相同。
在一些可能的实现方式中,所述装置还包括:整合模块,用于根据所述图像中任意两个目标对象的同行结果,确定所述图像包括的多个目标对象的同行结果。
在一些可能的实现方式中,所述整合模块,用于在所述多个目标对象中第一目标对象分别与第二目标对象、第三目标对象的同行结果是同行,所述第二目标对象与所述第三目标对象的同行结果是非同行的情况下,将所述第二目标对象与所述第三目标对象的同行结果修正为同行,得到所述多个目标对象的同行结果。
在一些可能的实现方式中,所述目标区域包括多个图像采集点,所述图像包括预设时间段内所述多个图像采集点拍摄到的多个图像;所述整合模块,用于根据所述多个图像中至少一个图像中的目标对象的同行结果,对所述多个图像的目标对象的同行结果进行整合。
在一些可能的实现方式中,所述整合模块,用于确定不同所述图像中相同的目标对象;整合每个相同的目标对象分别对应于不同所述图像的同行结果,得到所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果。
在一些可能的实现方式中,所述整合模块,还用于根据所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果,统计所述多个目标对象的同行信息,其中,所述同行信息包括具有同行关系的目标对象共同的到访区域、到访时间、同一到访区域的到访次数中的至少一个。
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调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的同行识别方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的同行识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备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6,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,如互补金属氧化物半导体(CMOS)或电荷耦合装置(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,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,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 (11)
1.一种同行识别方法,其特征在于,包括:
获取在目标区域采集的图像;
针对所述图像中任意两个目标对象,在所述图像中确定所述两个目标对象中的第一目标对象所在图像区域,在所述图像中确定所述两个目标对象中的第二目标对象所在图像区域,并根据所述第一目标对象所在图像区域和所述第二目标对象所在图像区域,确定所述两个目标对象所在图像区域的合并区域;
利用同行识别网络的第一特征提取子网络提取所述第一目标对象所在图像区域的图像特征,并利用所述同行识别网络的第二特征提取子网络提取所述第二目标对象所在图像区域的图像特征,其中,所述第一特征提取子网络和所述第二特征提取子网络的网络结构和权重参数相同;其中,所述同行识别网络预先采用样本图像进行训练;
利用所述同行识别网络的第三特征提取子网络提取所述合并区域的图像特征,其中,所述合并区域的图像特征用于提供所述两个目标对象之间的相关性;
分别对所述两个目标对象所在图像区域的几何信息进行归一化处理,得到所述两个目标对象中每个目标对象归一化后的几何信息,并将所述两个目标对象归一化后的几何信息拼接后通过所述同行识别网络的第一全连接层进行全连接处理,得到所述两个目标对象所在图像区域的几何特征;
将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征融合,得到融合特征,并将所述融合特征输入所述同行识别网络的第二全连接层,得到所述两个目标对象的同行结果,其中,所述同行结果表示目标对象之间是否为同行关系。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一目标对象所在图像区域和所述第二目标对象所在图像区域,确定所述两个目标对象所在图像区域的合并区域,包括:
根据所述第一目标对象所在图像区域的对角点位置和所述第二目标对象所在图像区域的对角点位置,确定所述第一目标对象与所述第二目标对象所在图像区域的合并区域,其中,所述对角点位置包括:
左上角点的图像坐标以及右下角点的图像坐标;或者,右上角点的图像坐标以及左下角点的图像坐标。
3.根据权利要求1所述的方法,其特征在于,所述将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征融合,得到融合特征,包括:
将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征进行拼接,得到拼接特征。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法还包括:
根据所述图像中任意两个目标对象的同行结果,确定所述图像包括的多个目标对象的同行结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述图像中任意两个目标对象的同行结果,确定所述图像包括的所述多个目标对象的同行结果,包括:
在所述多个目标对象中第一目标对象分别与第二目标对象、第三目标对象的同行结果是同行,所述第二目标对象与所述第三目标对象的同行结果是非同行的情况下,将所述第二目标对象与所述第三目标对象的同行结果修正为同行,得到所述多个目标对象的同行结果。
6.根据权利要求4所述的方法,其特征在于,所述目标区域包括多个图像采集点,所述图像包括预设时间段内所述多个图像采集点拍摄到的多个图像;所述方法还包括:
根据所述多个图像中至少一个图像中的目标对象的同行结果,对所述多个图像的目标对象的同行结果进行整合。
7.根据权利要求6所述的方法,其特征在于,根据所述多个图像中至少一个图像中的目标对象的同行结果,对所述多个图像的目标对象的同行结果进行整合,包括:
确定不同所述图像中相同的目标对象;
整合每个相同的目标对象分别对应于不同所述图像的同行结果,得到所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述预设时间段内所述多个图像采集点拍摄到的多个目标对象的同行结果,统计所述多个目标对象的同行信息,其中,所述同行信息包括具有同行关系的目标对象共同的到访区域、到访时间、同一到访区域的到访次数中的至少一个。
9.一种同行识别装置,其特征在于,包括:
获取模块,用于获取在目标区域采集的图像;
确定模块,用于针对所述图像中任意两个目标对象,在所述图像中确定所述两个目标对象中的第一目标对象所在图像区域,在所述图像中确定所述两个目标对象中的第二目标对象所在图像区域,并根据所述第一目标对象所在图像区域和所述第二目标对象所在图像区域,确定所述两个目标对象所在图像区域的合并区域;
识别模块,用于利用同行识别网络的第一特征提取子网络提取所述第一目标对象所在图像区域的图像特征,并利用所述同行识别网络的第二特征提取子网络提取所述第二目标对象所在图像区域的图像特征,其中,所述第一特征提取子网络和所述第二特征提取子网络的网络结构和权重参数相同;利用所述同行识别网络的第三特征提取子网络提取所述合并区域的图像特征,其中,所述合并区域的图像特征用于提供所述两个目标对象之间的相关性;分别对所述两个目标对象所在图像区域的几何信息进行归一化处理,得到所述两个目标对象中每个目标对象归一化后的几何信息,并将所述两个目标对象归一化后的几何信息拼接后通过所述同行识别网络的第一全连接层进行全连接处理,得到所述两个目标对象所在图像区域的几何特征;将所述两个目标对象所在图像区域的图像特征、所述合并区域的图像特征以及所述几何特征融合,得到融合特征,并将所述融合特征输入所述同行识别网络的第二全连接层,得到所述两个目标对象的同行结果,其中,所述同行结果表示目标对象之间是否为同行关系。
10.一种电子设备,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8中任意一项所述的方法。
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8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873497.3A CN112016443B (zh) | 2020-08-26 | 2020-08-26 | 同行识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873497.3A CN112016443B (zh) | 2020-08-26 | 2020-08-26 | 同行识别方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016443A CN112016443A (zh) | 2020-12-01 |
CN112016443B true CN112016443B (zh) | 2022-04-26 |
Family
ID=73502338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010873497.3A Active CN112016443B (zh) | 2020-08-26 | 2020-08-26 | 同行识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016443B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830076B (zh) * | 2023-02-21 | 2023-05-09 | 创意信息技术股份有限公司 | 一种人员轨迹视频智能分析系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345866A (zh) * | 2018-03-08 | 2018-07-31 | 天津师范大学 | 一种基于深度特征学习的行人再识别方法 |
CN109766786A (zh) * | 2018-12-21 | 2019-05-17 | 深圳云天励飞技术有限公司 | 人物关系分析方法及相关产品 |
CN110084103A (zh) * | 2019-03-15 | 2019-08-02 | 深圳英飞拓科技股份有限公司 | 一种基于人脸识别技术的同行人分析方法及系统 |
CN110781842A (zh) * | 2019-10-29 | 2020-02-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111209776A (zh) * | 2018-11-21 | 2020-05-29 | 杭州海康威视系统技术有限公司 | 同行人识别方法、装置、处理服务器、存储介质及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015186436A1 (ja) * | 2014-06-06 | 2017-04-20 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、および、画像処理プログラム |
CN109784199B (zh) * | 2018-12-21 | 2020-11-24 | 深圳云天励飞技术有限公司 | 同行分析方法及相关产品 |
CN109829501B (zh) * | 2019-02-01 | 2021-02-19 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-08-26 CN CN202010873497.3A patent/CN112016443B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345866A (zh) * | 2018-03-08 | 2018-07-31 | 天津师范大学 | 一种基于深度特征学习的行人再识别方法 |
CN111209776A (zh) * | 2018-11-21 | 2020-05-29 | 杭州海康威视系统技术有限公司 | 同行人识别方法、装置、处理服务器、存储介质及系统 |
CN109766786A (zh) * | 2018-12-21 | 2019-05-17 | 深圳云天励飞技术有限公司 | 人物关系分析方法及相关产品 |
CN110084103A (zh) * | 2019-03-15 | 2019-08-02 | 深圳英飞拓科技股份有限公司 | 一种基于人脸识别技术的同行人分析方法及系统 |
CN110781842A (zh) * | 2019-10-29 | 2020-02-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112016443A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688951B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN110348537B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN110647834A (zh) | 人脸和人手关联检测方法及装置、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 | |
CN113538517A (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
US20210166040A1 (en) | Method and system for detecting companions, electronic device and storage medium | |
CN110287671B (zh) | 验证方法及装置、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 | |
CN109543536B (zh) | 图像标识方法及装置、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 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN111435432A (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN113139471A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN114187498A (zh) | 遮挡检测方法及装置、电子设备和存储介质 | |
CN112529846A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114581525A (zh) | 姿态确定方法及装置、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 | |
CN110633715A (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN112016443B (zh) | 同行识别方法及装置、电子设备和存储介质 | |
CN110929545A (zh) | 人脸图像的整理方法及装置 |
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 |