CN112560690A - 基于多模态特征人物属性标注方法、装置、设备及介质 - Google Patents

基于多模态特征人物属性标注方法、装置、设备及介质 Download PDF

Info

Publication number
CN112560690A
CN112560690A CN202011497246.6A CN202011497246A CN112560690A CN 112560690 A CN112560690 A CN 112560690A CN 202011497246 A CN202011497246 A CN 202011497246A CN 112560690 A CN112560690 A CN 112560690A
Authority
CN
China
Prior art keywords
face
characteristic data
human body
human
model
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
Application number
CN202011497246.6A
Other languages
English (en)
Inventor
张帆
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.)
Beijing Yingshi Technology Co ltd
Original Assignee
Beijing Yingshi Technology 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 Beijing Yingshi Technology Co ltd filed Critical Beijing Yingshi Technology Co ltd
Priority to CN202011497246.6A priority Critical patent/CN112560690A/zh
Publication of CN112560690A publication Critical patent/CN112560690A/zh
Pending legal-status Critical Current

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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例中提供了一种基于多模态特征人物属性标注方法、装置、设备及介质，属于图像处理技术领域，具体包括：在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；根据人脸模型识别全部人脸特征数据，并将人脸模型识别为同一人的人脸特征数据标注相同的编号；将编号相同的人脸特征数据检测时刻对应的人体特征数据与编号关联；利用人体特征数据训练得到人体模型；根据人体模型识别全部人体特征数据并更新人脸模型。通过本公开的方案，自动识别并将识别为同一人的人脸特征数据标注相同的编号，再将对应的人体特征数据关联相同编号，再训练得到新的人体模型和人脸模型，提高了所述方法的标注效率、精准度和安全性。

Description

基于多模态特征人物属性标注方法、装置、设备及介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种基于多模态特征人物属性标注方法、装置、设备及介质。
背景技术
目前，在当今社会，人工智能正在越来越多的领域发挥着巨大的作用。比如人脸识别，人体识别等等。这些技术能真正应用到实际场景，与深度学习技术的发展密不可分，而深度学习的基础，就是海量的带有标签的样本，现在获取数据的成本越来越低，面对海量的数据，如何给每个数据打上合适且正确的标签，成为了制约人工智能技术发展的瓶颈。现有的人物属性标注方法，需要依赖人工标注，费时费力，且由于人工操作失误，可能会出现标注不准确，以及，仅针对同一模态进行标注，若需要对其他模态进行标注，则意味着标注量的加倍增长，同时，在当今社会，越来越强调用户数据的隐私，这种人工看图片或者分发数据给外部标注人员的方式，给数据安全带来极大的不可控风险，造成用户的隐私泄漏。
可见，亟需一种高效精准且安全性强的基于多模态特征人物属性标注方法。
发明内容
有鉴于此，本公开实施例提供一种基于多模态特征人物属性标注方法、装置、设备及介质，至少部分解决现有技术中标注效率、精准度和安全性较低的问题。
第一方面，本公开实施例提供了一种基于多模态特征人物属性标注方法，包括：
在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；
根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；
将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；
利用所述人体特征数据训练得到人体模型；
根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。
根据本公开实施例的一种具体实现方式，所述在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据的步骤，包括：
获取所述预设时段内所述目标视频的每一帧图像；
提取全部所述图像内包含的人脸图像形成所述人脸特征数据，以及，提取全部所述图像内包含的人体图像形成所述人体特征数据。
根据本公开实施例的一种具体实现方式，所述根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号的步骤，包括：
将全部所述人脸特征数据输入所述人脸模型，得到全部所述人脸特征数据之间的匹配度；
判断所述匹配度是否大于阈值；
若所述匹配度大于所述阈值，则将所述匹配度对应的人脸特征数据为同一人并标注相同的编号；
若所述匹配度小于或等于所述阈值，则禁止将所述匹配度对应的人脸特征数据为同一人并标注相同的编号。
根据本公开实施例的一种具体实现方式，所述将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联的步骤，包括：
获取所述编号相同的所述人脸特征数据对应的采集时刻；
获取所述采集时刻内所述人脸特征数据对应的人体特征数据；
将所述人体特征数据标注所述编号。
根据本公开实施例的一种具体实现方式，所述根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型的步骤之后，所述方法还包括：
根据更新后的人脸模型和所述人体模型，对全部所述人脸特征数据和全部所述人体特征数据进行标注。
根据本公开实施例的一种具体实现方式，所述根据更新后的人脸模型和所述人体模型，对全部所述人脸特征数据和全部所述人体特征数据进行标注的步骤之后，所述方法还包括：
在所述预设时段内，识别全部所述人员对应的人物特征数据；
将所述人物特征数据与所述人员对应的编号关联。
第二方面，本公开实施例提供了一种基于多模态特征人物属性标注装置，包括：
检测模块，用于在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；
标注模块，用于根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；
关联模块，用于将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；
训练模块，用于利用所述人体特征数据训练得到人体模型；
更新模块，用于根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。
根据本公开实施例的一种具体实现方式，所述关联模块还用于：
获取所述编号相同的所述人脸特征数据对应的采集时刻；
获取所述采集时刻内所述人脸特征数据对应的人体特征数据；
将所述人体特征数据标注所述编号。
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基于多模态特征人物属性标注方法。
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基于多模态特征人物属性标注方法。
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基于多模态特征人物属性标注方法。
本公开实施例中的基于多模态特征人物属性标注方案，包括：在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；利用所述人体特征数据训练得到人体模型；根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。通过本公开的方案，根据人脸模型识别全部人脸特征数据，并将识别为同一人的人脸特征数据标注相同的编号，然后再将与人脸特征数据对应的人体特征数据与编号关联，然后再训练得到新的人体模型和人脸模型，提高了基于多模态特征人物属性标注方法的标注效率、精准度和安全性。
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基于多模态特征人物属性标注方法的流程示意图；
图2为本公开实施例提供的另一种基于多模态特征人物属性标注方法的流程示意图；
图3为本公开实施例提供的一种基于多模态特征人物属性标注装置的结构示意图；
图4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。
目前，在当今社会，人工智能正在越来越多的领域发挥着巨大的作用。比如人脸识别，人体识别等等。这些技术能真正应用到实际场景，与深度学习技术的发展密不可分，而深度学习的基础，就是海量的带有标签的样本，现在获取数据的成本越来越低，面对海量的数据，如何给每个数据打上合适且正确的标签，成为了制约人工智能技术发展的瓶颈。现有的人物属性标注方法，需要依赖人工标注，费时费力，且由于人工操作失误，可能会出现标注不准确，以及，仅针对同一模态进行标注，若需要对其他模态进行标注，则意味着标注量的加倍增长，同时，在当今社会，越来越强调用户数据的隐私，这种人工看图片或者分发数据给外部标注人员的方式，给数据安全带来极大的不可控风险，造成用户的隐私泄漏。本公开实施例提供一种基于多模态特征人物属性标注方法，所述方法可以应用于商场、景点等场景中的人物分类过程。
参见图1，为本公开实施例提供的一种基于多模态特征人物属性标注方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；
具体实施时，当需要对某段时间内采集到的人员图像进行分析时，可以将所述预设时段内的目标视频输出处理器进行分析处理，例如通过模型识别所述目标视频中出现的人员图像，并根据所述人员图像提取出所述人脸特征数据和所述人体特征数据。
例如，将十点到十二点的采集的所述目标视频传入处理器，将所述目标视频的视频流根据帧数划分，并识别所述目标视频中出现的人员图像，然后可以根据算法图像图像中的人脸特征数据和人体特征数据。
S102，根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；
具体实施时，所述人脸模型用于识别所述人脸特征数据并能计算全部所述人脸特征数据之间的相似度，然后可以根据预先设定所述相似度的标准，将所述人脸特征数据之间的相似度符合标准的作为同一人，并给所述人脸特征数据标注相同的编号，所述人脸模型可以通过样本图像训练得到，也可以从数据库内下载使用。
S103，将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；
考虑到被标注相同编号的所述人脸特征数据均来自所述预设时段内的所述目标视频，则可以确定标注相同编号的所述人脸特征数据对应的人体特征数据也属于同一个人，所以可以将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据也标注所述编号。
S104，利用所述人体特征数据训练得到人体模型；
具体实施时，考虑到所述目标视频的采集过程中，人员会存在移动，其身体姿态和角度可能多种多样，通过所述人脸特征数据对所述人体特征数据的关联性对所述人体特征数据完成标注后，可以利用所述人体特征数据训练卷积神经网络等深度学习网络得到所述人体模型。
S105，根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。
考虑到现有的人脸模型大多仅能对正脸进行识别，所述目标视频的采集过程中，人员会存在移动，其人脸姿态和角度可能多种多样，以及会存在光照影响导致识别失败，可以再根据所述人体模型识别全部所述人体特征数据并标注，然后根据所述人体特征数据与所述人脸特征数据的关联性将全部所述人脸特征数据关联标注，从而扩充所述人脸数据特征，再将标注好的所述人脸特征数据进行训练，更新所述人脸模型，以使得后续识别操作中，识别效率和精准度更高。当然，在具体实施过程中，也可以先识别所述人体特征数据，再训练得到所述人脸模型，或者根据实际需求识别人员的其他身体特征数据并实现标注，在此不再赘述。
本实施例提供的基于多模态特征人物属性标注方法，通过根据人脸模型识别全部人脸特征数据，并将识别为同一人的人脸特征数据标注相同的编号，然后再将与人脸特征数据对应的人体特征数据与编号关联，然后再训练得到新的人体模型和人脸模型，提高了基于多模态特征人物属性标注方法的标注效率、精准度和安全性。
在上述实施例的基础上，步骤S101所述的，在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据，包括：
获取所述预设时段内所述目标视频的每一帧图像；
具体实施时，可以将所述预设时段内的所述目标视频按帧划分出所述目标视频对应的每一帧图像。
提取全部所述图像内包含的人脸图像形成所述人脸特征数据，以及，提取全部所述图像内包含的人体图像形成所述人体特征数据。
例如，所述目标视频包含10万帧图像，则提取全部所述图像内包含的人脸图像形成所述人脸特征数据，以及，提取全部所述图像内包含的人体图像形成所述人体特征数据。然后将所述人脸特征数据和所述人体特征数据发送至处理器进行分析处理操作，也可以将所述人脸特征数据和所述人体特征数据存储至预设的存储空间，在需要对所述人脸特殊数据和所述人体特征数据进行分析时从所述存储空间内提取。
可选的，步骤S102所述的，根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号，包括：
将全部所述人脸特征数据输入所述人脸模型，得到全部所述人脸特征数据之间的匹配度；
具体实施时，将全部所述人脸特征数据输入所述人脸模型，通过所述人脸模型计算全部所述人脸特征数据之间的匹配度。
判断所述匹配度是否大于阈值；
考虑到所述人脸模型可能存在识别精度较低的问题，可以预设一个数值较高的阈值，得到全部所述人脸特征数据之间的匹配度之后，将所述匹配度与所述阈值进行比对，从而确定下一步操作流程。
若所述匹配度大于所述阈值，则将所述匹配度对应的人脸特征数据为同一人并标注相同的编号；
若所述匹配度小于或等于所述阈值，则禁止将所述匹配度对应的人脸特征数据为同一人并标注相同的编号。
例如，若人脸特征数据对应的人脸A和人脸B直接的匹配度为95，所述阈值为85，则可以确定人脸A和人脸B属于同一人，则可以给人脸A和人脸B对应的人脸特征数据标注相同的编号。若人脸特征数据对应的人脸C和人脸D直接的匹配度为65，则可以确定人脸C和人脸D不属于同一人，禁止将人脸C和人脸D对应的人脸特征数据标注相同的编号。
在上述实施例的基础上，如图2所示，步骤S103所述的，将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联，包括：
S201，获取所述编号相同的所述人脸特征数据对应的采集时刻；
具体实施时，若确定人脸A和人脸B属于同一人，则可以获取人脸A和人脸B对应的人脸特征数据对应的采集时刻。
S202，获取所述采集时刻内所述人脸特征数据对应的人体特征数据；
例如，人脸A对应的人脸特征数据的采集时刻为第10帧，则获取第10帧内对人脸A对应的人脸特征数据对应的人体特征数据，人脸B对应的人脸特征数据的采集时刻为第15帧，则获取第15帧内对人脸B对应的人脸特征数据对应的人体特征数据。
S203，将所述人体特征数据标注所述编号。
上述步骤已经将人脸A与人脸B对应的人脸特征数据标注相同编号，则可以将所述人体特征数据也标注相同编号，完成关联。
可选的，步骤S105所述的，根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型之后，所述方法还包括：
根据更新后的人脸模型和所述人体模型，对全部所述人脸特征数据和全部所述人体特征数据进行标注。
具体实施时，考虑到单独使用所述人脸模型和所述人体模型对全部所述人脸特征数据进行标注时，模型内数据量会影响标注精度，可以同时采用所述更新后的人脸模型对全部所述人脸特征数据进行识别，以及，所述人体模型对全部所述人体特征数据进行识别，然后根据共同识别的结果进行标注。当然，也可以根据标注结果再次更新所述人脸模型和所述人体模型。
进一步的，所述根据更新后的人脸模型和所述人体模型，对全部所述人脸特征数据和全部所述人体特征数据进行标注的步骤之后，所述方法还包括：
在所述预设时段内，识别全部所述人员对应的人物特征数据；
将所述人物特征数据与所述人员对应的编号关联。
考虑到所述目标视频内，包含的其他信息很多，若仅对个别模态进行标注，则意味着其他信息的浪费，可以在所述预设时段内，识别全部所述人员对应的人物特征数据例如衣服颜色、性别、是否佩戴眼镜等信息，然后将所述人物特征数据与所述人员对应的编号关联。
与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种基于多模态特征人物属性标注装置30，包括：
检测模块301，用于在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；
标注模块302，用于根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；
关联模块303，用于将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；
训练模块304，用于利用所述人体特征数据训练得到人体模型；
更新模块305，用于根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。
可选的，所述关联模块303还用于：
获取所述编号相同的所述人脸特征数据对应的采集时刻；
获取所述采集时刻内所述人脸特征数据对应的人体特征数据；
将所述人体特征数据标注所述编号。
图3所示装置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4，本公开实施例还提供了一种电子设备40，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基于多模态特征人物属性标注方法。
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基于多模态特征人物属性标注方法。
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基于多模态特征人物属性标注方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备40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4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4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40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40，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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，使得该电子设备可以执行上述方法实施例的相关步骤。
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，使得该电子设备可以执行上述方法实施例的相关步骤。
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。
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)

1.一种基于多模态特征人物属性标注方法，其特征在于，包括：
在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；
根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；
将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；
利用所述人体特征数据训练得到人体模型；
根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。
2.根据权利要求1所述的方法，其特征在于，所述在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据的步骤，包括：
获取所述预设时段内所述目标视频的每一帧图像；
提取全部所述图像内包含的人脸图像形成所述人脸特征数据，以及，提取全部所述图像内包含的人体图像形成所述人体特征数据。
3.根据权利要求1所述的方法，其特征在于，所述根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号的步骤，包括：
将全部所述人脸特征数据输入所述人脸模型，得到全部所述人脸特征数据之间的匹配度；
判断所述匹配度是否大于阈值；
若所述匹配度大于所述阈值，则将所述匹配度对应的人脸特征数据为同一人并标注相同的编号；
若所述匹配度小于或等于所述阈值，则禁止将所述匹配度对应的人脸特征数据为同一人并标注相同的编号。
4.根据权利要求2所述的方法，其特征在于，所述将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联的步骤，包括：
获取所述编号相同的所述人脸特征数据对应的采集时刻；
获取所述采集时刻内所述人脸特征数据对应的人体特征数据；
将所述人体特征数据标注所述编号。
5.根据权利要求1所述的方法，其特征在于，所述根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型的步骤之后，所述方法还包括：
根据更新后的人脸模型和所述人体模型，对全部所述人脸特征数据和全部所述人体特征数据进行标注。
6.根据权利要求5所述的方法，其特征在于，所述根据更新后的人脸模型和所述人体模型，对全部所述人脸特征数据和全部所述人体特征数据进行标注的步骤之后，所述方法还包括：
在所述预设时段内，识别全部所述人员对应的人物特征数据；
将所述人物特征数据与所述人员对应的编号关联。
7.一种基于多模态特征人物属性标注装置，其特征在于，包括：
检测模块，用于在预设时段内，检测目标视频内的全部人员对应的人脸特征数据和人体特征数据；
标注模块，用于根据人脸模型识别全部所述人脸特征数据，并将所述人脸模型识别为同一人的人脸特征数据标注相同的编号；
关联模块，用于将所述编号相同的所述人脸特征数据检测时刻对应的人体特征数据与所述编号关联；
训练模块，用于利用所述人体特征数据训练得到人体模型；
更新模块，用于根据所述人体模型识别全部所述人体特征数据并更新所述人脸模型。
8.根据权利要求7所述的装置，其特征在于，所述关联模块还用于：
获取所述编号相同的所述人脸特征数据对应的采集时刻；
获取所述采集时刻内所述人脸特征数据对应的人体特征数据；
将所述人体特征数据标注所述编号。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的基于多模态特征人物属性标注方法。
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权利要求1-6中任一项所述的基于多模态特征人物属性标注方法。
CN202011497246.6A 2020-12-17 2020-12-17 基于多模态特征人物属性标注方法、装置、设备及介质 Pending CN112560690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011497246.6A CN112560690A (zh) 2020-12-17 2020-12-17 基于多模态特征人物属性标注方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011497246.6A CN112560690A (zh) 2020-12-17 2020-12-17 基于多模态特征人物属性标注方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN112560690A true CN112560690A (zh) 2021-03-26

Family

ID=75063028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011497246.6A Pending CN112560690A (zh) 2020-12-17 2020-12-17 基于多模态特征人物属性标注方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112560690A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399790A (zh) * 2021-12-31 2022-04-26 中国科学院大学 一种基于非配准多模态数据的微小人物检测方法
CN117636426A (zh) * 2023-11-20 2024-03-01 北京理工大学珠海学院 一种基于注意力机制的面部和情景情感识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871819A (zh) * 2019-02-28 2019-06-11 百度在线网络技术（北京）有限公司 用于发送信息的方法和装置
CN110069655A (zh) * 2019-03-26 2019-07-30 中山大学 一种私人相册的人脸搜索方法
CN111639616A (zh) * 2020-06-05 2020-09-08 上海一由科技有限公司 一种基于深度学习的重身份识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871819A (zh) * 2019-02-28 2019-06-11 百度在线网络技术（北京）有限公司 用于发送信息的方法和装置
CN110069655A (zh) * 2019-03-26 2019-07-30 中山大学 一种私人相册的人脸搜索方法
CN111639616A (zh) * 2020-06-05 2020-09-08 上海一由科技有限公司 一种基于深度学习的重身份识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
惠云: "视频图像中行人识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 April 2016 (2016-04-15), pages 138 - 1008 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399790A (zh) * 2021-12-31 2022-04-26 中国科学院大学 一种基于非配准多模态数据的微小人物检测方法
CN117636426A (zh) * 2023-11-20 2024-03-01 北京理工大学珠海学院 一种基于注意力机制的面部和情景情感识别方法

Similar Documents

Publication Publication Date Title
CN111696176B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN111078940B (zh) 图像处理方法、装置、计算机存储介质及电子设备
CN110381368A (zh) 视频封面生成方法、装置及电子设备
CN111783626B (zh) 图像识别方法、装置、电子设备及存储介质
KR102002024B1 (ko) 객체 라벨링 처리 방법 및 객체 관리 서버
CN110674349B (zh) 视频poi识别方法、装置及电子设备
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN110177295B (zh) 字幕越界的处理方法、装置和电子设备
CN110287816B (zh) 车门动作检测方法、装置和计算机可读存储介质
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN110288037A (zh) 图像处理方法、装置及电子设备
CN112486338B (zh) 医疗信息处理方法、装置及电子设备
CN112560690A (zh) 基于多模态特征人物属性标注方法、装置、设备及介质
CN115311730A (zh) 一种人脸关键点的检测方法、系统和电子设备
CN110287817B (zh) 目标识别及目标识别模型的训练方法、装置和电子设备
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN110287350A (zh) 图像检索方法、装置及电子设备
CN114372580A (zh) 模型训练方法、存储介质、电子设备和计算机程序产品
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN112560700B (zh) 一种基于动作分析的信息关联方法、装置及电子设备
CN112651942B (zh) 布局检测方法和装置
CN114694257A (zh) 多人实时三维动作识别评估方法、装置、设备及介质
CN112560958A (zh) 基于人像识别的人员接待方法、装置及电子设备
CN111796663B (zh) 场景识别模型更新方法、装置、存储介质及电子设备
CN113655933A (zh) 文本标注方法及装置、存储介质及电子设备

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