CN112232203A - 行人识别方法、装置、电子设备及存储介质 - Google Patents

行人识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112232203A
CN112232203A CN202011105923.5A CN202011105923A CN112232203A CN 112232203 A CN112232203 A CN 112232203A CN 202011105923 A CN202011105923 A CN 202011105923A CN 112232203 A CN112232203 A CN 112232203A
Authority
CN
China
Prior art keywords
pedestrian
feature
preset
features
image
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
Application number
CN202011105923.5A
Other languages
English (en)
Other versions
CN112232203B (zh
Inventor
陈嘉莉
周超勇
刘玉宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011105923.5A priority Critical patent/CN112232203B/zh
Publication of CN112232203A publication Critical patent/CN112232203A/zh
Application granted granted Critical
Publication of CN112232203B publication Critical patent/CN112232203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理，提供一种行人识别方法、装置、电子设备及存储介质。该方法能够获取待处理视频，并提取行人图像，分割行人图像，得到包含行人的行人预测框，将行人预测框中的干扰特征进行裁剪，得到感兴趣区域，提取感兴趣区域的感兴趣特征，并将感兴趣特征转换为特征向量，将特征向量与特征预设库中的所有预设特征进行匹配，得到特征向量与每个预设特征的特征相似度，从所有预设特征中选取目标特征，获取与目标特征对应的识别码，并推荐识别码，所述识别码用于指示行人身份。本发明能够提高行人重识别的准确度，进而提高整体的行人搜索结果。此外，本发明还涉及区块链技术，所述识别码可存储于区块链中。

Description

行人识别方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种行人识别方法、装置、电子设备及存储介质。
背景技术
为了更好地检测监控视频中的某些特定人员，行人检测与行人重识别方式也随之发展。在目前的行人检测与行人重识别方式中，由于在行人检测时无法消除无关人员及干扰背景等因素，进而造成行人重识别的准确度低下，从而影响整体的行人搜索结果。
发明内容
鉴于以上内容，有必要提供一种行人识别方法、装置、电子设备及存储介质，能够提高行人重识别的准确度，进而提高整体的行人搜索结果。
一方面，本发明提出一种行人识别方法，所述行人识别方法包括：
当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像；
分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框；
将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域；
提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息；
将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象；
根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数；
获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
根据本发明优选实施例，所述从所述待处理视频中提取行人图像包括：
从所述待处理视频中提取多张待处理图像及前景图像；
获取所述前景图像中的前景像素，并获取每张待处理图像中的待确定像素；
将每张待处理图像中的所述待确定像素与所述前景像素进行差分运算，得到每张待处理图像的灰度差；
将灰度差大于或者等于预设阈值的待处理图像确定为所述行人图像。
根据本发明优选实施例，所述分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框包括：
提取所述行人图像的图像特征，得到所述行人图像的特征图；
采用区域候选网络将所述特征图分割成所述多个候选区域；
识别所述多个候选区域中是否包含行人，并将包含行人的候选区域确定为目标区域；
确定所述目标区域的区域坐标，并对所述区域坐标进行回归处理，得到检测坐标；
根据所述检测坐标确定所述行人预测框。
根据本发明优选实施例，所述将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域包括：
获取与所述区域坐标对应的目标坐标系，并根据所述目标坐标系获取所述行人图像的图像坐标；
将所述区域坐标转换为第一矩阵，并将所述图像坐标转换为第二矩阵；
将所述第二矩阵除以所述第一矩阵，得到转换矩阵；
将所述转换矩阵及所述行人预测框输入预先构建的双线性采样器中，得到裁剪掉所述干扰特征的所述感兴趣区域。
根据本发明优选实施例，所述提取所述感兴趣区域的感兴趣特征包括：
利用预设图像金字塔对所述感兴趣区域进行处理，得到所述预设图像金字塔中每层金字塔的第一特征；
获取配置数量，并从每层金字塔的所述第一特征中提取数量为所述配置数量的第二特征，得到每层金字塔的第二特征；
确定所述第二特征的交集特征，并将所述交集特征确定为所述感兴趣特征。
根据本发明优选实施例，所述将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度包括：
确定每个预设特征的预设向量；
基于距离公式，计算所述特征向量与每个预设向量的相似度，得到所述特征向量与每个预设特征的特征相似度。
根据本发明优选实施例，所述根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数包括：
将所述特征相似度与所述配置值进行比较，并将大于所述配置值的特征相似度确定为目标特征相似度；
按照所述目标特征相似度从大至小的顺序对所述所有预设特征进行排序，得到特征队列；
从所述特征队列中提取前N个预设特征作为所述目标特征，N为预设正整数。
另一方面，本发明还提出一种行人识别装置，所述行人识别装置包括：
提取单元，用于当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像；
检测单元，用于分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框；
裁剪单元，用于将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域；
转换单元，用于提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息；
匹配单元，用于将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象；
选取单元，用于根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数；
推荐单元，用于获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述行人识别方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述行人识别方法。
由以上技术方案可以看出，本发明能够当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像，能够准确地从所述待处理视频中提取到所述行人图像，通过对所述行人图像中的行人进行识别，以及对区域坐标进行回归处理，能够准确确定出所述行人预测框，通过确定出的转换矩阵以及预先构建的双线性采样器能够对所述行人预测框进行裁剪，进而能够消除掉无关人员及干扰背景等因素，提高了行人重识别的准确度，同时，通过对所述行人预测框进行裁剪，能够提高图像处理效率，通过提取所述感兴趣区域的感兴趣特征，能够提高所述感兴趣特征的转换效率，将所述特征向量与特征预设库中的所有预设特征进行匹配，能够准确得到所述特征向量与每个预设特征的特征相似度，根据所述特征相似度从所述所有预设特征中能够选取出与所述感兴趣特征贴近的目标特征，获取与所述目标特征对应的识别码，并推荐所述识别码。本发明能够提高行人重识别的准确度，进而提高整体的行人搜索结果。本发明应用于人工智能场景中，从而推进智慧城市的建设。
附图说明
图1是本发明行人识别方法的较佳实施例的流程图。
图2是本发明行人识别装置的较佳实施例的功能模块图。
图3是本发明实现行人识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明行人识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述行人识别方法应用于人工智能场景，所述行人识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像。
在本发明的至少一个实施例中，所述行人识别请求可以由用户触发，也可以在配置时间内触发。
在本发明的至少一个实施例中，所述行人识别请求中携带的数据信息包括，但不限于：请求编号、预设标签、视频存储位置等。
进一步地，所述预设标签是指预先定义好的标签，所述预设标签与所述视频存储位置相对应。例如，所述预设标签可以是address。
更进一步地，所述视频存储位置上存储所述待处理视频。例如：所述视频存储位置可以是某个文件夹下的子文件夹，所述视频存储位置也可以是磁盘上的某条磁道。
在本发明的至少一个实施例中，所述待处理视频可以是任意监控视频，例如，所述待处理视频可以是某大厦的出入口监控视频。
在本发明的至少一个实施例中，所述行人图像包括任意行人。
在本发明的至少一个实施例中，所述电子设备从所述行人识别请求中获取待处理视频包括：
获取预设线程连接池，所述预设线程连接池中包括多个预先设定的线程；
从所述预设线程连接池中获取闲置线程；
利用所述闲置线程解析所述行人识别请求，得到所述行人识别请求携带的数据信息；
获取预设标签，所述预设标签是指预先定义好的标签；
从所述数据信息中获取与所述预设标签对应的信息作为视频存储位置；
从所述视频存储位置中获取所述待处理视频。
通过从所述预设线程连接池中获取闲置线程，能够节省创建闲置线程的时间，进而利用闲置线程处理所述行人识别请求，无需等待闲置线程处理其他优先级较高的请求，提高行人识别请求的解析效率，通过预设标签与视频存储位置的映射关系，能够准确获取到所述待处理视频。
在本发明的至少一个实施例中，所述电子设备从所述待处理视频中提取行人图像包括：
从所述待处理视频中提取多张待处理图像及前景图像；
获取所述前景图像中的前景像素，并获取每张待处理图像中的待确定像素；
将每张待处理图像中的所述待确定像素与所述前景像素进行差分运算，得到每张待处理图像的灰度差；
将灰度差大于或者等于预设阈值的待处理图像确定为所述行人图像。
其中，所述前景图像是指所述待处理视频中拍摄的静态应用场景，所述前景图像中不包括任意运动对象。
进一步地，所述待确定像素中包括多个像素，所述前景像素中包括多个像素。
更进一步地，所述预设阈值是根据所述待处理视频中拍摄的应用场景确定的，所述预设阈值的具体取值在本发明中不作限制。
具体地，所述电子设备将每张待处理图像中的所述待确定像素与所述前景像素进行差分运算，得到每张待处理图像的灰度差包括：
将每张待处理图像上的所述待确定像素与对应位置上的所述前景像素进行差分运算，得到多个差分结果；
计算所述多个差分结果的总和，得到每张待处理图像的灰度差。
通过所述待确定像素与所述前景像素的比较，能够得到每张待处理图像的灰度差，进而能够准确确定出所述行人图像。
S11，分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框。
在本发明的至少一个实施例中，所述行人预测框可以是矩形，也可以是圆形，本发明对所述行人预测框的形状不作限制。进一步地，所述行人预测框中包括行人。
在本发明的至少一个实施例中，所述电子设备分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框包括：
提取所述行人图像的图像特征，得到所述行人图像的特征图；
采用区域候选网络(Region Proposal Networks，RPN)将所述特征图分割成所述多个候选区域；
识别所述多个候选区域中是否包含行人，并将包含行人的候选区域确定为目标区域；
确定所述目标区域的区域坐标，并对所述区域坐标进行回归处理，得到检测坐标；
根据所述检测坐标确定所述行人预测框。
通过对所述行人图像中的行人进行识别，以及对所述区域坐标进行回归处理，能够准确确定出所述行人预测框。
S12，将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域。
在本发明的至少一个实施例中，所述干扰特征是指无关人员等干扰因素，所述感兴趣区域是从所述行人预测框中剔除掉所述干扰特征后得到的区域。
在本发明的至少一个实施例中，所述电子设备将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域包括：
获取与所述区域坐标对应的目标坐标系，并根据所述目标坐标系获取所述行人图像的图像坐标；
将所述区域坐标转换为第一矩阵，并将所述图像坐标转换为第二矩阵；
将所述第二矩阵除以所述第一矩阵，得到转换矩阵；
将所述转换矩阵及所述行人预测框输入预先构建的双线性采样器中，得到裁剪掉所述干扰特征的所述感兴趣区域。
通过确定出的转换矩阵以及预先构建的双线性采样器能够对所述行人预测框进行裁剪，进而能够消除掉无关人员及干扰背景等因素，提高了行人重识别的准确度，同时，通过对所述行人预测框进行裁剪，能够提高图像处理效率。
在本发明的至少一个实施例中，在将所述转换矩阵及所述行人预测框输入预先构建的双线性采样器之前，所述电子设备利用获取到的多张训练图像进行训练，并利用获取到的多张测试图像对训练得到的学习器进行调整，得到所述双线性采样器。
S13，提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息。
在本发明的至少一个实施例中，所述提取所述感兴趣区域的感兴趣特征包括：
利用预设图像金字塔对所述感兴趣区域进行处理，得到所述预设图像金字塔中每层金字塔的第一特征；
获取配置数量，并从每层金字塔的所述第一特征中提取数量为所述配置数量的第二特征，得到每层金字塔的第二特征；
确定所述第二特征的交集特征，并将所述交集特征确定为所述感兴趣特征。
其中，所述预设图像金字塔中包括多层金字塔，每层金字塔的尺寸大小及分辨率大小均不相同。
进一步地，所述配置数量可以是任意配置的数量。
通过提取所述感兴趣区域的感兴趣特征，能够提高所述感兴趣特征的转换效率。
在本发明的至少一个实施例中，所述电子设备将所述感兴趣特征转换为特征向量包括：
从向量映射表中获取与所述感兴趣特征对应的向量作为所述特征向量。
其中，所述向量映射表中存储多个特征与多个向量的映射关系。
S14，将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象。
在本发明的至少一个实施例中，所述特征预设库中存储多个用户的预设特征。
在本发明的至少一个实施例中，所述电子设备将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度包括：
确定每个预设特征的预设向量；
基于距离公式，计算所述特征向量与每个预设向量的相似度，得到所述特征向量与每个预设特征的特征相似度。
通过上述实施方式，能够快速确定出所述特征向量与每个预设特征的特征相似度。
S15，根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数。
在本发明的至少一个实施例中，所述目标特征是指与所述感兴趣特征贴近的预设特征。
在本发明的至少一个实施例中，所述电子设备根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数包括：
将所述特征相似度与所述配置值进行比较，并将大于所述配置值的特征相似度确定为目标特征相似度；
按照所述目标特征相似度从大至小的顺序对所述所有预设特征进行排序，得到特征队列；
从所述特征队列中提取前N个预设特征作为所述目标特征，N为预设正整数。
通过上述实施方式，根据所述特征相似度从所述所有预设特征中能够选取出与所述感兴趣特征贴近的目标特征。
S16，获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
需要强调的是，为进一步保证上述识别码的私密和安全性，上述识别码还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述识别码可以是身份证号、工号等。
在本发明的至少一个实施例中，所述电子设备从配置库中获取与所述目标特征对应的编号作为所述识别码。
在本发明的至少一个实施例中，所述电子设备推荐所述识别码包括：
按照所述特征相似度从大至小的顺序推送所述识别码。
通过推荐多个识别码，能够提高行人搜索结果的准确度。
由以上技术方案可以看出，本发明能够当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像，能够准确地从所述待处理视频中提取到所述行人图像，通过对所述行人图像中的行人进行识别，以及对区域坐标进行回归处理，能够准确确定出所述行人预测框，通过确定出的转换矩阵以及预先构建的双线性采样器能够对所述行人预测框进行裁剪，进而能够消除掉无关人员及干扰背景等因素，提高了行人重识别的准确度，同时，通过对所述行人预测框进行裁剪，能够提高图像处理效率，通过提取所述感兴趣区域的感兴趣特征，能够提高所述感兴趣特征的转换效率，将所述特征向量与特征预设库中的所有预设特征进行匹配，能够准确得到所述特征向量与每个预设特征的特征相似度，根据所述特征相似度从所述所有预设特征中能够选取出与所述感兴趣特征贴近的目标特征，获取与所述目标特征对应的识别码，并推荐所述识别码。本发明能够提高行人重识别的准确度，进而提高整体的行人搜索结果。本发明应用于人工智能场景中，从而推进智慧城市的建设。
如图2所示，是本发明行人识别装置的较佳实施例的功能模块图。所述行人识别装置11包括提取单元110、检测单元111、裁剪单元112、转换单元113、匹配单元114、选取单元115及推荐单元116。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到行人识别请求时，提取单元110从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像。
在本发明的至少一个实施例中，所述行人识别请求可以由用户触发，也可以在配置时间内触发。
在本发明的至少一个实施例中，所述行人识别请求中携带的数据信息包括，但不限于：请求编号、预设标签、视频存储位置等。
进一步地，所述预设标签是指预先定义好的标签，所述预设标签与所述视频存储位置相对应。例如，所述预设标签可以是address。
更进一步地，所述视频存储位置上存储所述待处理视频。例如：所述视频存储位置可以是某个文件夹下的子文件夹，所述视频存储位置也可以是磁盘上的某条磁道。
在本发明的至少一个实施例中，所述待处理视频可以是任意监控视频，例如，所述待处理视频可以是某大厦的出入口监控视频。
在本发明的至少一个实施例中，所述行人图像包括任意行人。
在本发明的至少一个实施例中，所述提取单元110从所述行人识别请求中获取待处理视频包括：
获取预设线程连接池，所述预设线程连接池中包括多个预先设定的线程；
从所述预设线程连接池中获取闲置线程；
利用所述闲置线程解析所述行人识别请求，得到所述行人识别请求携带的数据信息；
获取预设标签，所述预设标签是指预先定义好的标签；
从所述数据信息中获取与所述预设标签对应的信息作为视频存储位置；
从所述视频存储位置中获取所述待处理视频。
通过从所述预设线程连接池中获取闲置线程，能够节省创建闲置线程的时间，进而利用闲置线程处理所述行人识别请求，无需等待闲置线程处理其他优先级较高的请求，提高行人识别请求的解析效率，通过预设标签与视频存储位置的映射关系，能够准确获取到所述待处理视频。
在本发明的至少一个实施例中，所述提取单元110从所述待处理视频中提取行人图像包括：
从所述待处理视频中提取多张待处理图像及前景图像；
获取所述前景图像中的前景像素，并获取每张待处理图像中的待确定像素；
将每张待处理图像中的所述待确定像素与所述前景像素进行差分运算，得到每张待处理图像的灰度差；
将灰度差大于或者等于预设阈值的待处理图像确定为所述行人图像。
其中，所述前景图像是指所述待处理视频中拍摄的静态应用场景，所述前景图像中不包括任意运动对象。
进一步地，所述待确定像素中包括多个像素，所述前景像素中包括多个像素。
更进一步地，所述预设阈值是根据所述待处理视频中拍摄的应用场景确定的，所述预设阈值的具体取值在本发明中不作限制。
具体地，所述提取单元110将每张待处理图像中的所述待确定像素与所述前景像素进行差分运算，得到每张待处理图像的灰度差包括：
将每张待处理图像上的所述待确定像素与对应位置上的所述前景像素进行差分运算，得到多个差分结果；
计算所述多个差分结果的总和，得到每张待处理图像的灰度差。
通过所述待确定像素与所述前景像素的比较，能够得到每张待处理图像的灰度差，进而能够准确确定出所述行人图像。
检测单元111分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框。
在本发明的至少一个实施例中，所述行人预测框可以是矩形，也可以是圆形，本发明对所述行人预测框的形状不作限制。进一步地，所述行人预测框中包括行人。
在本发明的至少一个实施例中，所述检测单元111分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框包括：
提取所述行人图像的图像特征，得到所述行人图像的特征图；
采用区域候选网络(Region Proposal Networks，RPN)将所述特征图分割成所述多个候选区域；
识别所述多个候选区域中是否包含行人，并将包含行人的候选区域确定为目标区域；
确定所述目标区域的区域坐标，并对所述区域坐标进行回归处理，得到检测坐标；
根据所述检测坐标确定所述行人预测框。
通过对所述行人图像中的行人进行识别，以及对所述区域坐标进行回归处理，能够准确确定出所述行人预测框。
裁剪单元112将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域。
在本发明的至少一个实施例中，所述干扰特征是指无关人员等干扰因素，所述感兴趣区域是从所述行人预测框中剔除掉所述干扰特征后得到的区域。
在本发明的至少一个实施例中，所述裁剪单元112将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域包括：
获取与所述区域坐标对应的目标坐标系，并根据所述目标坐标系获取所述行人图像的图像坐标；
将所述区域坐标转换为第一矩阵，并将所述图像坐标转换为第二矩阵；
将所述第二矩阵除以所述第一矩阵，得到转换矩阵；
将所述转换矩阵及所述行人预测框输入预先构建的双线性采样器中，得到裁剪掉所述干扰特征的所述感兴趣区域。
通过确定出的转换矩阵以及预先构建的双线性采样器能够对所述行人预测框进行裁剪，进而能够消除掉无关人员及干扰背景等因素，提高了行人重识别的准确度，同时，通过对所述行人预测框进行裁剪，能够提高图像处理效率。
在本发明的至少一个实施例中，在将所述转换矩阵及所述行人预测框输入预先构建的双线性采样器之前，利用获取到的多张训练图像进行训练，并利用获取到的多张测试图像对训练得到的学习器进行调整，得到所述双线性采样器。
转换单元113提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息。
在本发明的至少一个实施例中，所述转换单元113提取所述感兴趣区域的感兴趣特征包括：
利用预设图像金字塔对所述感兴趣区域进行处理，得到所述预设图像金字塔中每层金字塔的第一特征；
获取配置数量，并从每层金字塔的所述第一特征中提取数量为所述配置数量的第二特征，得到每层金字塔的第二特征；
确定所述第二特征的交集特征，并将所述交集特征确定为所述感兴趣特征。
其中，所述预设图像金字塔中包括多层金字塔，每层金字塔的尺寸大小及分辨率大小均不相同。
进一步地，所述配置数量可以是任意配置的数量。
通过提取所述感兴趣区域的感兴趣特征，能够提高所述感兴趣特征的转换效率。
在本发明的至少一个实施例中，所述转换单元113将所述感兴趣特征转换为特征向量包括：
从向量映射表中获取与所述感兴趣特征对应的向量作为所述特征向量。
其中，所述向量映射表中存储多个特征与多个向量的映射关系。
匹配单元114将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象。
在本发明的至少一个实施例中，所述特征预设库中存储多个用户的预设特征。
在本发明的至少一个实施例中，所述匹配单元114将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度包括：
确定每个预设特征的预设向量；
基于距离公式，计算所述特征向量与每个预设向量的相似度，得到所述特征向量与每个预设特征的特征相似度。
通过上述实施方式，能够快速确定出所述特征向量与每个预设特征的特征相似度。
选取单元115根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数。
在本发明的至少一个实施例中，所述目标特征是指与所述感兴趣特征贴近的预设特征。
在本发明的至少一个实施例中，所述选取单元115根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数包括：
将所述特征相似度与所述配置值进行比较，并将大于所述配置值的特征相似度确定为目标特征相似度；
按照所述目标特征相似度从大至小的顺序对所述所有预设特征进行排序，得到特征队列；
从所述特征队列中提取前N个预设特征作为所述目标特征，N为预设正整数。
通过上述实施方式，根据所述特征相似度从所述所有预设特征中能够选取出与所述感兴趣特征贴近的目标特征。
推荐单元116获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
需要强调的是，为进一步保证上述识别码的私密和安全性，上述识别码还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述识别码可以是身份证号、工号等。
在本发明的至少一个实施例中，所述推荐单元116从配置库中获取与所述目标特征对应的编号作为所述识别码。
在本发明的至少一个实施例中，所述推荐单元116推荐所述识别码包括：
按照所述特征相似度从大至小的顺序推送所述识别码。
通过推荐多个识别码，能够提高行人搜索结果的准确度。
由以上技术方案可以看出，本发明能够当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像，能够准确地从所述待处理视频中提取到所述行人图像，通过对所述行人图像中的行人进行识别，以及对区域坐标进行回归处理，能够准确确定出所述行人预测框，通过确定出的转换矩阵以及预先构建的双线性采样器能够对所述行人预测框进行裁剪，进而能够消除掉无关人员及干扰背景等因素，提高了行人重识别的准确度，同时，通过对所述行人预测框进行裁剪，能够提高图像处理效率，通过提取所述感兴趣区域的感兴趣特征，能够提高所述感兴趣特征的转换效率，将所述特征向量与特征预设库中的所有预设特征进行匹配，能够准确得到所述特征向量与每个预设特征的特征相似度，根据所述特征相似度从所述所有预设特征中能够选取出与所述感兴趣特征贴近的目标特征，获取与所述目标特征对应的识别码，并推荐所述识别码。本发明能够提高行人重识别的准确度，进而提高整体的行人搜索结果。本发明应用于人工智能场景中，从而推进智慧城市的建设。
如图3所示，是本发明实现行人识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如行人识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个行人识别方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成提取单元110、检测单元111、裁剪单元112、转换单元113、匹配单元114、选取单元115及推荐单元116。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种行人识别方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像；
分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框；
将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域；
提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息；
将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象；
根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数；
获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时还用以实现以下步骤：
当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像；
分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框；
将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域；
提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息；
将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象；
根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数；
获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种行人识别方法，其特征在于，所述行人识别方法包括：
当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像；
分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框；
将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域；
提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息；
将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象；
根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数；
获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
2.如权利要求1所述的行人识别方法，其特征在于，所述从所述待处理视频中提取行人图像包括：
从所述待处理视频中提取多张待处理图像及前景图像；
获取所述前景图像中的前景像素，并获取每张待处理图像中的待确定像素；
将每张待处理图像中的所述待确定像素与所述前景像素进行差分运算，得到每张待处理图像的灰度差；
将灰度差大于或者等于预设阈值的待处理图像确定为所述行人图像。
3.如权利要求1所述的行人识别方法，其特征在于，所述分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框包括：
提取所述行人图像的图像特征，得到所述行人图像的特征图；
采用区域候选网络将所述特征图分割成所述多个候选区域；
识别所述多个候选区域中是否包含行人，并将包含行人的候选区域确定为目标区域；
确定所述目标区域的区域坐标，并对所述区域坐标进行回归处理，得到检测坐标；
根据所述检测坐标确定所述行人预测框。
4.如权利要求3所述的行人识别方法，其特征在于，所述将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域包括：
获取与所述区域坐标对应的目标坐标系，并根据所述目标坐标系获取所述行人图像的图像坐标；
将所述区域坐标转换为第一矩阵，并将所述图像坐标转换为第二矩阵；
将所述第二矩阵除以所述第一矩阵，得到转换矩阵；
将所述转换矩阵及所述行人预测框输入预先构建的双线性采样器中，得到裁剪掉所述干扰特征的所述感兴趣区域。
5.如权利要求1所述的行人识别方法，其特征在于，所述提取所述感兴趣区域的感兴趣特征包括：
利用预设图像金字塔对所述感兴趣区域进行处理，得到所述预设图像金字塔中每层金字塔的第一特征；
获取配置数量，并从每层金字塔的所述第一特征中提取数量为所述配置数量的第二特征，得到每层金字塔的第二特征；
确定所述第二特征的交集特征，并将所述交集特征确定为所述感兴趣特征。
6.如权利要求1所述的行人识别方法，其特征在于，所述将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度包括：
确定每个预设特征的预设向量；
基于距离公式，计算所述特征向量与每个预设向量的相似度，得到所述特征向量与每个预设特征的特征相似度。
7.如权利要求1所述的行人识别方法，其特征在于，所述根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数包括：
将所述特征相似度与所述配置值进行比较，并将大于所述配置值的特征相似度确定为目标特征相似度；
按照所述目标特征相似度从大至小的顺序对所述所有预设特征进行排序，得到特征队列；
从所述特征队列中提取前N个预设特征作为所述目标特征，N为预设正整数。
8.一种行人识别装置，其特征在于，所述行人识别装置包括：
提取单元，用于当接收到行人识别请求时，从所述行人识别请求中获取待处理视频，并从所述待处理视频中提取行人图像；
检测单元，用于分割所述行人图像，得到多个候选区域，并根据识别出的包含行人的候选区域确定行人预测框；
裁剪单元，用于将所述行人预测框中的干扰特征进行裁剪，并将裁剪后的行人预测框确定为感兴趣区域；
转换单元，用于提取所述感兴趣区域的感兴趣特征，并将所述感兴趣特征转换为特征向量，所述感兴趣特征是指所述感兴趣区域中的特征信息；
匹配单元，用于将所述特征向量与特征预设库中的所有预设特征进行匹配，得到所述特征向量与每个预设特征的特征相似度，所述所有预设特征用于指示行人对象；
选取单元，用于根据所述特征相似度从所述所有预设特征中选取目标特征，所述目标特征是指所述特征相似度最高的前N个大于配置值的预设特征，N为预设正整数；
推荐单元，用于获取与所述目标特征对应的识别码，并推荐所述识别码，所述识别码用于指示行人身份。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的行人识别方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的行人识别方法。
CN202011105923.5A 2020-10-15 2020-10-15 行人识别方法、装置、电子设备及存储介质 Active CN112232203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011105923.5A CN112232203B (zh) 2020-10-15 2020-10-15 行人识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011105923.5A CN112232203B (zh) 2020-10-15 2020-10-15 行人识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112232203A true CN112232203A (zh) 2021-01-15
CN112232203B CN112232203B (zh) 2024-05-28

Family

ID=74118470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011105923.5A Active CN112232203B (zh) 2020-10-15 2020-10-15 行人识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112232203B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449725A (zh) * 2021-06-30 2021-09-28 平安科技（深圳）有限公司 对象分类方法、装置、设备及存储介质
CN114639165A (zh) * 2022-03-16 2022-06-17 平安科技（深圳）有限公司 基于人工智能的行人重识别方法、装置、设备及存储介质
CN114741553A (zh) * 2022-03-31 2022-07-12 慧之安信息技术股份有限公司 基于图像特征的图片搜索方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305475A (zh) * 2017-03-06 2018-07-20 腾讯科技（深圳）有限公司 一种交通灯识别方法及装置
CN109143241A (zh) * 2018-07-26 2019-01-04 清华大学苏州汽车研究院（吴江） 雷达数据和图像数据的融合方法及系统
CN110826424A (zh) * 2019-10-21 2020-02-21 华中科技大学 一种基于行人重识别驱动定位调整的行人搜索方法
CN111539257A (zh) * 2020-03-31 2020-08-14 苏州科达科技股份有限公司 人员重识别方法、装置和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305475A (zh) * 2017-03-06 2018-07-20 腾讯科技（深圳）有限公司 一种交通灯识别方法及装置
CN109143241A (zh) * 2018-07-26 2019-01-04 清华大学苏州汽车研究院（吴江） 雷达数据和图像数据的融合方法及系统
CN110826424A (zh) * 2019-10-21 2020-02-21 华中科技大学 一种基于行人重识别驱动定位调整的行人搜索方法
CN111539257A (zh) * 2020-03-31 2020-08-14 苏州科达科技股份有限公司 人员重识别方法、装置和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449725A (zh) * 2021-06-30 2021-09-28 平安科技（深圳）有限公司 对象分类方法、装置、设备及存储介质
CN113449725B (zh) * 2021-06-30 2024-02-02 平安科技（深圳）有限公司 对象分类方法、装置、设备及存储介质
CN114639165A (zh) * 2022-03-16 2022-06-17 平安科技（深圳）有限公司 基于人工智能的行人重识别方法、装置、设备及存储介质
CN114639165B (zh) * 2022-03-16 2024-05-10 平安科技（深圳）有限公司 基于人工智能的行人重识别方法、装置、设备及存储介质
CN114741553A (zh) * 2022-03-31 2022-07-12 慧之安信息技术股份有限公司 基于图像特征的图片搜索方法

Also Published As

Publication number Publication date
CN112232203B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN109858371B (zh) 人脸识别的方法及装置
CN112232203B (zh) 行人识别方法、装置、电子设备及存储介质
CN111754541B (zh) 目标跟踪方法、装置、设备及可读存储介质
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
CN110874594A (zh) 基于语义分割网络的人体外表损伤检测方法及相关设备
CN110688524B (zh) 视频检索方法、装置、电子设备及存储介质
CN111160243A (zh) 客流量统计方法及相关产品
CN113435522A (zh) 图像分类方法、装置、设备及存储介质
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN115063632A (zh) 基于人工智能的车辆损伤识别方法、装置、设备及介质
CN111400550A (zh) 一种目标运动轨迹构建方法、设备以及计算机存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
Wang et al. Non-local attention association scheme for online multi-object tracking
CN116363365A (zh) 基于半监督学习的图像分割方法及相关设备
CN111709762A (zh) 信息匹配度的评估方法、装置、设备及存储介质
CN116543460A (zh) 基于人工智能的时空动作识别方法及相关设备
CN112102205B (zh) 图像去模糊方法、装置、电子设备及存储介质
CN113269125B (zh) 一种人脸识别方法、装置、设备及存储介质
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质
CN113792569A (zh) 对象识别方法、装置、电子设备及可读介质
CN113486848A (zh) 文档表格识别方法、装置、设备及存储介质
JP2018137639A (ja) 動画像処理システム、並びに、符号化装置及びプログラム、並びに、復号装置及びプログラム
CN113762031A (zh) 一种图像识别方法、装置、设备及存储介质
CN113343970A (zh) 文本图像检测方法、装置、设备及存储介质

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