CN112633369A - 图像匹配方法、装置、电子设备、计算机可读存储介质 - Google Patents

图像匹配方法、装置、电子设备、计算机可读存储介质 Download PDF

Info

Publication number
CN112633369A
CN112633369A CN202011522740.3A CN202011522740A CN112633369A CN 112633369 A CN112633369 A CN 112633369A CN 202011522740 A CN202011522740 A CN 202011522740A CN 112633369 A CN112633369 A CN 112633369A
Authority
CN
China
Prior art keywords
image
sample image
matched
feature vector
sampling
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
CN202011522740.3A
Other languages
English (en)
Other versions
CN112633369B (zh
Inventor
曾祁泽
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011522740.3A priority Critical patent/CN112633369B/zh
Publication of CN112633369A publication Critical patent/CN112633369A/zh
Application granted granted Critical
Publication of CN112633369B publication Critical patent/CN112633369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像匹配方法，装置、电子设备、计算机可读存储介质。图像匹配方法包括：根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量；根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率；利用所述准入概率满足预设条件的样本图像建立第二种群；更新所述预设采样方式的采样参数进行迭代，直至得到与所述待匹配图像相似度最高的样本图像。以此减少大规模人脸匹配场景下的计算成本与时间开销。

Description

图像匹配方法、装置、电子设备、计算机可读存储介质
技术领域
本发明涉及网络连接技术领域，尤其是涉及一种图像匹配方法、装置、电子设备、计算机可读存储介质。
背景技术
在人脸识别领域中，待识别的人脸图像经过预处理与特征提取后被转换为特定维数的特征向量，该特征向量可以表征人脸图像所对应个人的身份，即对应一个身份ID。在人脸特征匹配中，通过对待识别的人脸图像特征向量与系统底库中的样本图像特征向量计算相似度，我们可以得到底库中与待识别图像特征向量最相似的底库图片特征向量，进而为待匹配图像的匹配一个对应的身份ID。在该过程中，待识别的图片特征向量需要与底库中所有图片的特征向量计算相似度，在底库规模较大的情况下，人脸特征匹配是一个计算成本高、时间成本高的任务。
发明内容
本发明提供一种图像匹配方法，装置、电子设备、计算机可读存储介质。用于减少大规模人脸匹配场景下的计算成本与时间开销。
为解决上述技术问题，本发明提供的第一个技术方案为：提供一种图像匹配方法，包括：根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量；根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率；利用所述准入概率满足预设条件的样本图像建立第二种群；更新所述预设采样方式的采样参数进行迭代，直至得到与所述待匹配图像相似度最高的样本图像。
其中，所述根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率，包括：若一所述样本图像的第二特征向量与所述待匹配图像的第一特征向量的特征距离不大于准入阈值时，所述样本图像的准入概率被赋值为1；若否，根据所述样本图像的第二特征向量与所述待匹配图像的第一特征向量的特征距离、所述准入阈值和退火温度参数计算得到所述样本图像的准入概率。
其中，所述退火温度参数随着迭代的当前进化代数的增加而逐渐减少。
其中，所述利用所述准入概率满足预设条件的样本图像建立第二种群，包括：对每一所述样本图像分别生成随机数，其中，所述随机数位于0～1之间；若一所述样本图像的随机数小于所述样本图像的准入概率，则所述样本图像满足所述预设条件，所述样本图像加入所述第二种群。
其中，所述根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量，包括：根据预设采样距离采样所述待匹配图像的第一特征向量和所述第一种群中的所述样本图像的第二特征向量。
其中，更新预设采样方式的采样参数进行迭代，直至得到与待匹配图像相似度最高的样本图像，包括：判断迭代的当前进化代数是否达到预设的最大迭代次数；若否，更新预设采样距离、迭代的当前进化代数、准入阈值和退火温度参数，并进行下一次迭代；若是，则将第二种群中与待匹配图像的第一特征向量的特征距离最小的样本图像，作为与匹配图像相似度最高的样本图像，并进行输出。
其中，预设采样距离随着迭代的当前进化代数的增加而逐渐减小，以使下一次迭代所采样的待匹配图像的第一特征向量和样本图像的第二特征向量的维数，大于本次迭代所采样的待匹配图像的第一特征向量和样本图像的第二特征向量的维数。
其中，所述预设采样方式包括等间隔采样、分段采样或主成分分析；特征距离度量方式包括欧氏距离度量或余弦距离度量。
为解决上述技术问题，本发明提供的第二个技术问题为：提供一种图像匹配装置，包括：特征采样模块，用于根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量；概率获取模块，用于根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率；种群建立模块，用于利用所述准入概率满足预设条件的样本图像建立第二种群；更新模块，用于更新所述预设采样方式的采样参数进行迭代，直至得到与所述待匹配图像相似度最高的样本图像。
为解决上述技术问题，本发明提供的第三个技术方案为：提供一种电子设备，包括：存储器和处理器，其中，存储器存储有程序指令，处理器从存储器调取程序指令以执行上述任一项的图像匹配方法。
为解决上述技术问题，本发明提供的第四个技术方案为：提供一种计算机可读存储介质，存储有程序文件，程序文件能够被执行以实现上述任一项的图像匹配方法。
本发明的有益效果，区别于现有技术，本发明根据待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量之间的特征距离得到每个样本图像的准入概率，利用准入概率满足预设条件的样本图像建立第二种群，并且更新第一特征向量以及第二特征向量的采样参数，以实现第一特征向量与第二特征向量由粗到精的采样方式，直至得到与待匹配图像相似度最高的样本图像。以此减少大规模人脸匹配场景下的计算成本与时间开销。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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发明的一些实施例，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，其中：
图1为本发明图像匹配方法的第一实施例的流程示意图；
图2为本发明图像匹配方法的第二实施例的流程示意图；
图3为本发明图像匹配装置的一实施例的结构示意图；
图4为本发明电子设备的一实施例的结构示意图；
图5为本发明计算机可读存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。
现有技术提出了一种多阶层识别搜索引擎来完成人脸图像的多层次过滤搜索和匹配运算，其利用向量搜索模块基于低分辨人脸图进行匹配，利用主成分分析搜索模块基于主成分分析进行匹配、利用纹理特征搜索模块基于高分辨的纹理特征进行匹配、利用三维重构搜索模块根据前置模块的匹配分数建立首要候选人，若首要候选人匹配分数高于阈值，则输出匹配结果。该多阶层过滤识别算法基于“信息度”对候选的匹配模板进行逐层过滤，不断缩小搜索范围，以达到减少特征匹配计算开销的目的。该方法引入从粗略到细致三种不同的方法逐阶层计算候选模板关于待匹配图片的“信心度”，根据“信心度”逐级对候选模板进行筛选。候选模板一旦被筛除后，无法再参与后续的匹配，而前面阶层较为粗略的匹配方法有可能将真实的匹配模板错误地筛除，导致该方法无法获取正确的匹配结果。另外，该方法用了三个特定的模块基于不同的指标进行逐层过滤，模块的数量与计算的指标都是固定的，因此灵活性和易用性都较差。
现有技术还提出一种人脸匹配方法，该方法将n张人脸图片输入预先训练出的神经网络并从网络的隐藏层中获取对应的特征向量，随后通过大盈余最近邻算法将人脸特征向量映射到匹配空间计算特征间的距离，当两特征间的距离小于预设距离时，判定对应的两张人脸图像为同一人脸。该方法将所有人脸图片输入预训练的神经网络获取特征向量，并且需要计算待匹配图片特征向量与所有样本图像特征向量间的距离，当特征向量维数较高，样本图像数量较多时，该过程具有高昂的计算开销。
现有技术还提出一种基于非监督距离算法的人脸特征索引方法，该方法采用K-mean的无监督聚类算法对特征库进行提前聚类，在实际检索时，输入查询的图像特征，先计算与之最近的数个类簇中心，再进入不同的簇中进行检索。该方法在进行特征匹配前，需要先对图像特征库进行聚类操作，操作繁琐；另外类簇中心的与待匹配图片特征间的相似度并不能准确反映簇内图片与待匹配图片特征间的相似度，存在错误匹配的问题。
基于上述的现有技术的缺点，本申请提出一种图像匹配方法，其能够在大规模人脸特征匹配场景下，快速、准确的进行特征匹配，在模板(样本)图片数较多时，能够减少待匹配图像与样本图像进行匹配的计算开销，且能够避免粗略匹配带来的错误筛选问题。下面结合具体实施例以及附图对本申请的方案进行详细说明。
请参见图1，为本发明提供的图像匹配方法的第一实施例的流程示意图，具体包括：
步骤S11：根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量。
具体的，在本申请中，可以预先确定预设采样方式。在一实施例中，预设采样方式包括等间隔采样、分段采样或主成分分析。
在一实施例中，在确定好预设采样方式后，根据预设采样方式采样待匹配图像的第一特征向量，以及根据预设采样方式采样第一种群中样本图像的第二特征向量。
具体的，预设采样方式的采样距离关系到采样的到的第一特征向量以及第二特征向量的维数。因此，需要设定预设采样距离，根据预设采样距离采样待匹配图像的第一特征向量和样本图像的第二特征向量。进而得到预定维数的第一特征向量以及第二特征向量。
步骤S12：根据第一特征向量与第二特征向量之间的特征距离获取每个样本图像的准入概率。
具体的，预先设置距离度量方式，利用预先设置的距离度量方式确定第一特征向量与第二特征向量之间的特征距离。
在一实施例中，特征距离度量方式包括欧氏距离度量或余弦距离度量。
根据第一特征向量与第二特征向量之间的特征距离确定每个样本图像的准入概率。具体的，两个特征向量之前的距离表明对应图像的相似度，距离越近，相似度越高；距离越远，相似度越低。
在一具体实施例中，可以将准入概率设置为相似度阈值，即第一特征向量与第二特征向量之间的特征距离满足相似度阈值时，则将对应的样本图像加入第二种群。以此基于自然界中的种群演变规则，采用优胜劣汰机制，在迭代的过程中逐渐过滤掉和待匹配图像相似度较低的样本图像，保留和待匹配图像相似度较高的样本图像。即将待匹配图像的特征与样本图像的特征进行相似度比较，若相似度降低，则将对应的样本图像以及对应的特征淘汰，只保留相似度较高的样本图像以及对应的特征。迭代完成后将得到一个规模远小于完整底库的模板子集，且该模板子集中的样本图像以及特征向量都与待匹配图片特征向量有较高的相似度。最终，待匹配图像的特征向量只需要和模板子集中的特征向量进行匹配即可。在本方法中，底库中模板人脸特征向量对应一个个体，与待匹配图像的特征向量匹配度较高的个体构成优势种群，该匹配度可用特征向量间的距离来表示。本方法会迭代运行多次，每次从当前优势种群中挑选与待匹配图像的特征向量匹配度高的样本图像构建新的优势种群，并替换掉原来的优势种群，在这个过程中，种群的规模会不断减小。
在优势种群的构建过程中，待匹配图像特征向量只会与优势种群(系统底库的一个子集)内的个体计算相似度，而优势种群的规模是逐代减小的。在迭代前期，优势种群中的样本图像较多(在第1代时，优势种群即为完整的底库)，待匹配图像的特征向量需要与较多的样本图像的特征向量计算相似度，为了缩减计算成本，我们对待匹配图像的特征向量与优势种群内样本图像的特征向量进行下采样操作得到维数较小的特征向量，并用维数较小的特征向量进行粗略的特征匹配。而在迭代后期，优势种群规模较小，待匹配图像的特征向量只与少部分匹配度较高的样本图像的特征向量计算相似度，为了获取较为准确的匹配结果，我们降低对特征进行下采样的程度(不进行下采样时，得到的特征向量即为原特征向量)，并用维数较大的特征向量进行精细的特征匹配。具体的，采样第一特征向量与第二特征向量所用的预设采样方式的预设采样距离随着迭代的当前进化代数的增加而逐渐减小，以使下一次迭代所采样的待匹配图像的第一特征向量和样本图像的第二特征向量的维数，大于本次迭代所采样的待匹配图像的第一特征向量和样本图像的第二特征向量的维数。进而能够随着当前进化代数的增加，进行精细的特征匹配。
综合起来，本申请的方法通过多次迭代来实现图片特征匹配，其中迭代前期，进行大规模粗略匹配，迭代后期，进行小规模精细匹配，以减少大规模人脸特征匹配场景下的计算成本与时间开销。
本申请的方法在迭代前期只进行粗略的特征匹配，在这个过程中，原本与待匹配图像的特征向量最相似的模板特征向量(真实匹配模板)，经过下采样后，由于信息的丢失，可能无法算出准确的相似度值。为了缓解真实匹配模板的特征向量在前期粗略匹配阶段被错误筛除的问题，在另一实施例中，我们引入概率来确定进入下一代优势种群的个体。即当前种群中每个样本都被赋予一个由与待匹配图像的特征向量“相似度”确定的“准入概率”。直观上，与待匹配图像的特征向量越相似的个体，进入下一代优势种群的概率也就越大。引入概率，使得与待匹配图像的相似度较低的样本也有一定的概率能被选入优势种群，一定程度上可以缓解真实匹配模板的特征向量在前期粗略匹配阶段被错误筛除的问题。
另外，为了确保迭代后期，待匹配图像的特征向量只与匹配度较高的样本计算相似度，避免无意义的计算开销，本方法引入模拟退火策略。即在计算种群中个体的“准入概率”时，引入一个“退火温度”参数T。该参数的值较大时，匹配度较低的样本也能以一个较大的概率进入优势种群，该参数值较小时，匹配度较低的样本进入优势种群的概率也较小。退火温度参数随着迭代的当前进化代数的增加而逐渐减少，确保本申请的方法在迭代前期能对尽可能对更多的样本图像进行粗略匹配，确保搜索范围，而在迭代后期，只对匹配度较高的样本图像计算相似度，避免无意义的计算开销。
具体的，若一样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离不大于准入阈值时，则该样本图像的准入概率被赋值为1。若一样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离大于准入阈值时，可以根据样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离、准入阈值和退火温度参数而计算得到样本图像的准入概率。
在一具体实施例中，准入阈值为预先设定的数值，例如，准入阈值为t，样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离记为Dk，若Dk≤t，则准入概率Pk＝1；若Dk＞t，则
Figure BDA0002849698660000081
其中，T为退火温度参数。
本实施例中，为了确保迭代后期，待匹配图像的特征向量只与匹配度较高的样本计算相似度，避免无意义的计算开销，本方法引入模拟退火策略。能够使得匹配度较低的样本也能以一个较大的概率进入优势种群。由于匹配度较低的样本进入优势种群的概率也较小，退火温度参数随着迭代的当前进化代数的增加而逐渐减少，确保本申请的方法在迭代前期能对尽可能对更多的样本图像进行粗略匹配，确保搜索范围，而在迭代后期，只对匹配度较高的样本图像计算相似度，避免无意义的计算开销。
步骤S13：利用准入概率满足预设条件的样本图像建立第二种群。
具体的，对每一样本图像分别生成随机数，其中，随机数位于0～1之间。若一样本图像的随机数小于样本图像的准入概率，则样本图像满足预设条件，样本图像加入第二种群。
步骤S14：更新预设采样方式的采样参数进行迭代，直至得到与待匹配图像相似度最高的样本图像。
具体的，判断迭代的当前进化代数是否达到预设的最大迭代次数。若否，更新预设采样距离、迭代的当前进化代数、准入阈值和退火温度参数，并进行下一次迭代。若是，则将第二种群中与待匹配图像的第一特征向量的特征距离最小的样本图像，作为与匹配图像相似度最高的样本图像，并进行输出。
下面举例对本申请上述图像匹配方法进行说明，如图2所示，图像匹配方法包括：
步骤S31：设定预设采样方式为等间隔采样，预设采样距离为m＝8，预设的最大迭代次数Nmax＝4，准入阈值t＝0.8，退火温度T＝1，预设距离度量方式为欧氏距离，初始化优势种群即第一种群为整个模板库。
步骤S32：根据预设采样距离m对待匹配图像进行下采样，以得到第一特征向量，根据预设采样距离m对样本图像进行下采样，以得到第二特征向量。
步骤S33：根据预设距离度量方式如欧氏距离计算第一特征向量以及第二特征向量的欧式距离，将待匹配图像的第一特征向量与第一种群中第k个样本图像的第二特征向量的特征距离记为Dk，计算准入概率。
其中，若样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离Dk不大于准入阈值t时，该样本图像的准入概率被赋值为1；例如，若第一种群中第k个样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离Dk不大于准入阈值t时，则第k个样本图像的准入概率被赋值为1。若样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离Dk大于准入阈值t时，根据样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离Dk、准入阈值t和退火温度T参数而计算得到样本图像的准入概率Pk，具体的，
Figure BDA0002849698660000101
步骤S34：对第一种群内的每一样本图像分别生成0～1之间的随机数Ri，若一样本图像的随机数Ri小于样本图像的准入概率Pk，即Ri＜Pk时，则该样本图像加入第二种群。
在遍历所有样本图像构建第二种群后，进行步骤S35：判断迭代的当前进化代数是否达到预设的最大迭代次数。
步骤S36：若是，则将第二种群中与待匹配图像的第一特征向量的特征距离最小的样本图像，作为与匹配图像相似度最高的样本图像，并进行输出。
步骤S37：若否，则更新预设采样距离m，当前迭代代数i，退火温度T。
具体的，使得预设采样距离
Figure BDA0002849698660000102
当前迭代代数i＝i+1，退火温度T＝T×0.5。然后利用更新后的预设采样距离m，当前迭代代数i，退火温度T计算准入阈值，并返回上述步骤S32。
本实施例提供的图像匹配方法，采用预设采样方式以及预设距离度量方式进行特征提取以及相似度比较，具有更好的易用性，且迭代次数可控，更加灵活。在构建种群时，利用准入概率进行选择，扩大搜索空间。引入模拟退火策略，以一定概率接受粗略匹配时相似性较差的个体，在一定程度上可以缓解正确匹配个体在粗略匹配阶段被错误筛除的问题。
本实施例提供的图像匹配方法，在计算待匹配图像的特征向量与样本图像的特征向量的欧式距离时，在迭代初期用较大的采样距离采样获得的维数较低的特征向量；在迭代后期采用较小的采样距离采样获得的维数较高的特征向量，降低计算开销。
本实施例提供的图像匹配方法，采用逐级迭代的方法对完整的图像数据库进行划分，和直接聚类划分相比，更好地避免了正确匹配模板图片特征被错误筛除的问题；随着迭代的进行缩小搜索范围，不需要对图片特征库进行额外的操作，具有更好的易用性。
本实施例提供的图像匹配方法，在人脸特征匹配的过程中将待匹配图像的特征向量与样本图像的特征向量的匹配转变成待匹配图像的特征向量与一个小规模样本图像的特征向量的匹配，降低了计算成本。在构建优势种群的过程中，重复多次迭代，并通过一定的策略保证迭代前期待匹配图像的特征向量进行大规模粗略匹配，在迭代后期进行小规模精细匹配，降低计算开销。
请参见图3，为本发明图像匹配装置的一实施例的结构示意图，包括：特征采样模块41、概率获取模块42、种群建立模块43以及更新模块44。
其中，特征采样模块41用于根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量。具体的，特征采样模块41用于根据预设采样距离采样所述待匹配图像的第一特征向量和所述第一种群中的所述样本图像的第二特征向量。
概率获取模块42用于根据根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率。
在一实施例中，概率获取模块42用于在样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离不大于准入阈值时，将样本图像的准入概率被赋值为1；在样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离大于准入阈值时，根据样本图像的第二特征向量与待匹配图像的第一特征向量的特征距离、准入阈值和退火温度参数而计算得到样本图像的准入概率。其中，退火温度参数随着迭代的当前进化代数的增加而逐渐减少。预设采样距离随着迭代的当前进化代数的增加而逐渐减小，以使下一次迭代所采样的待匹配图像的第一特征向量和样本图像的第二特征向量的维数，大于本次迭代所采样的待匹配图像的第一特征向量和样本图像的第二特征向量的维数。
种群建立模块43用于利用准入概率满足预设条件的样本图像建立第二种群。
在一实施例中，种群建立模块43用于对每一样本图像分别生成随机数，其中，随机数位于0～1之间；在一样本图像的随机数小于样本图像的准入概率，则样本图像满足预设条件，种群建立模块43将样本图像加入第二种群。
更新模块44用于更新预设采样方式的采样参数进行迭代，直至得到与待匹配图像相似度最高的样本图像。
在一实施例中，更新模块44用于判断迭代的当前进化代数是否达到预设的最大迭代次数；若否，更新预设采样距离、迭代的当前进化代数、准入阈值和退火温度参数，并进行下一次迭代；若是，则将第二种群中与待匹配图像的第一特征向量的特征距离最小的样本图像，作为与匹配图像相似度最高的样本图像，并进行输出。
请参见图4，为本发明电子设备的一实施例的结构示意图，电子设备包括相互连接的存储器202和处理器201。
存储器202用于存储实现上述任意一项的设备的图像匹配方法的程序指令。
处理器201用于执行存储器202存储的程序指令。
其中，处理器201还可以称为CPU(Central Processing Unit，中央处理单元)。处理器201可能是一种集成电路芯片，具有信号的处理能力。处理器201还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。
存储器202可以为内存条、TF卡等，可以存储设备的电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，系统服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
请参阅图5，为本发明计算机可读存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有图像匹配方法的程序文件203，其中，该程序文件203可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种图像匹配方法，其特征在于，包括：
根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量；
根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率；
利用所述准入概率满足预设条件的样本图像建立第二种群；
更新所述预设采样方式的采样参数进行迭代，直至得到与所述待匹配图像相似度最高的样本图像。
2.根据权利要求1所述的图像匹配方法，其特征在于，所述根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率，包括：
若一所述样本图像的第二特征向量与所述待匹配图像的第一特征向量的特征距离不大于准入阈值时，所述样本图像的准入概率被赋值为1；
若否，根据所述样本图像的第二特征向量与所述待匹配图像的第一特征向量的特征距离、所述准入阈值和退火温度参数计算得到所述样本图像的准入概率。
3.根据权利要求2所述的图像匹配方法，其特征在于，所述退火温度参数随着迭代的当前进化代数的增加而逐渐减少。
4.根据权利要求1所述的图像匹配方法，其特征在于，所述利用所述准入概率满足预设条件的样本图像建立第二种群，包括：
对每一所述样本图像分别生成随机数，其中，所述随机数位于0～1之间；
若一所述样本图像的随机数小于所述样本图像的准入概率，则所述样本图像满足所述预设条件，所述样本图像加入所述第二种群。
5.根据权利要求1所述的图像匹配方法，其特征在于，所述根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量，包括：
根据预设采样距离采样所述待匹配图像的第一特征向量和所述第一种群中的所述样本图像的第二特征向量。
6.根据权利要求5所述的图像匹配方法，其特征在于，所述更新所述预设采样方式的采样参数进行迭代，直至得到与所述待匹配图像相似度最高的样本图像，包括：
判断迭代的当前进化代数是否达到预设的最大迭代次数；
若否，更新所述预设采样距离、迭代的当前进化代数、准入阈值和退火温度参数，并进行下一次迭代；
若是，则将所述第二种群中与所述待匹配图像的第一特征向量的特征距离最小的样本图像，作为与所述匹配图像相似度最高的所述样本图像，并进行输出。
7.根据权利要求5所述的图像匹配方法，其特征在于，预设采样距离随着迭代的当前进化代数的增加而逐渐减小，以使下一次迭代所采样的所述待匹配图像的第一特征向量和所述样本图像的第二特征向量的维数，大于本次迭代所采样的所述待匹配图像的第一特征向量和所述样本图像的第二特征向量的维数。
8.根据权利要求1所述的图像匹配方法，其特征在于，所述预设采样方式包括等间隔采样、分段采样或主成分分析；特征距离度量方式包括欧氏距离度量或余弦距离度量。
9.一种图像匹配装置，其特征在于，包括：
特征采样模块，用于根据预设采样方式采样待匹配图像的第一特征向量和第一种群中的样本图像的第二特征向量；
概率获取模块，用于根据所述第一特征向量与所述第二特征向量之间的特征距离获取每个所述样本图像的准入概率；
种群建立模块，用于利用所述准入概率满足预设条件的样本图像建立第二种群；
更新模块，用于更新所述预设采样方式的采样参数进行迭代，直至得到与所述待匹配图像相似度最高的样本图像。
10.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器存储有程序指令，所述处理器从所述存储器调取所述程序指令以执行如权利要求1-8任一项所述的图像匹配方法。
11.一种计算机可读存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1-8任一项所述的图像匹配方法。
CN202011522740.3A 2020-12-21 2020-12-21 图像匹配方法、装置、电子设备、计算机可读存储介质 Active CN112633369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011522740.3A CN112633369B (zh) 2020-12-21 2020-12-21 图像匹配方法、装置、电子设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011522740.3A CN112633369B (zh) 2020-12-21 2020-12-21 图像匹配方法、装置、电子设备、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112633369A true CN112633369A (zh) 2021-04-09
CN112633369B CN112633369B (zh) 2023-04-07

Family

ID=75320436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011522740.3A Active CN112633369B (zh) 2020-12-21 2020-12-21 图像匹配方法、装置、电子设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112633369B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435506A (zh) * 2021-06-28 2021-09-24 联仁健康医疗大数据科技股份有限公司 相似医学图像的识别方法、装置、计算机设备及介质
CN115100441A (zh) * 2022-08-23 2022-09-23 浙江大华技术股份有限公司 目标检测方法、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060188139A1 (en) * 2004-12-20 2006-08-24 Ali Khamene Tree structure based 2D to 3D registration
CN101859326A (zh) * 2010-06-09 2010-10-13 南京大学 一种图像检索方法
CN104008402A (zh) * 2014-05-12 2014-08-27 南京信息工程大学 一种基于改进som算法的地基云图识别方法
US20160275414A1 (en) * 2015-03-17 2016-09-22 Qualcomm Incorporated Feature selection for retraining classifiers
WO2019019595A1 (zh) * 2017-07-27 2019-01-31 平安科技（深圳）有限公司 图片匹配方法及电子设备方法、装置、电子设备及介质
CN111062974A (zh) * 2019-11-27 2020-04-24 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及系统
CN111275132A (zh) * 2020-02-24 2020-06-12 电子科技大学 一种基于sa-pfcm++算法的目标分群方法
CN111488798A (zh) * 2020-03-11 2020-08-04 北京迈格威科技有限公司 指纹识别方法、装置、电子设备及存储介质
CN111860573A (zh) * 2020-06-04 2020-10-30 北京迈格威科技有限公司 模型训练方法、图像类别检测方法、装置和电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060188139A1 (en) * 2004-12-20 2006-08-24 Ali Khamene Tree structure based 2D to 3D registration
CN101859326A (zh) * 2010-06-09 2010-10-13 南京大学 一种图像检索方法
CN104008402A (zh) * 2014-05-12 2014-08-27 南京信息工程大学 一种基于改进som算法的地基云图识别方法
US20160275414A1 (en) * 2015-03-17 2016-09-22 Qualcomm Incorporated Feature selection for retraining classifiers
WO2019019595A1 (zh) * 2017-07-27 2019-01-31 平安科技（深圳）有限公司 图片匹配方法及电子设备方法、装置、电子设备及介质
CN111062974A (zh) * 2019-11-27 2020-04-24 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及系统
CN111275132A (zh) * 2020-02-24 2020-06-12 电子科技大学 一种基于sa-pfcm++算法的目标分群方法
CN111488798A (zh) * 2020-03-11 2020-08-04 北京迈格威科技有限公司 指纹识别方法、装置、电子设备及存储介质
CN111860573A (zh) * 2020-06-04 2020-10-30 北京迈格威科技有限公司 模型训练方法、图像类别检测方法、装置和电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435506A (zh) * 2021-06-28 2021-09-24 联仁健康医疗大数据科技股份有限公司 相似医学图像的识别方法、装置、计算机设备及介质
CN115100441A (zh) * 2022-08-23 2022-09-23 浙江大华技术股份有限公司 目标检测方法、电子设备和存储介质
CN115100441B (zh) * 2022-08-23 2022-11-18 浙江大华技术股份有限公司 目标检测方法、电子设备和存储介质

Also Published As

Publication number Publication date
CN112633369B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111291817B (zh) 图像识别方法、装置、电子设备和计算机可读介质
CN108564102A (zh) 图像聚类结果评价方法和装置
CN112633369B (zh) 图像匹配方法、装置、电子设备、计算机可读存储介质
CN111753863A (zh) 一种图像分类方法、装置、电子设备及存储介质
CN112052251B (zh) 目标数据更新方法和相关装置、设备及存储介质
CN116580257A (zh) 特征融合模型训练及样本检索方法、装置和计算机设备
CN111241992A (zh) 人脸识别模型构建方法、识别方法、装置、设备及存储介质
Sui et al. ScanDMM: A deep markov model of scanpath prediction for 360deg images
CN113435253A (zh) 一种多源影像联合城区地表覆盖分类方法
CN114565807A (zh) 训练目标图像检索模型的方法和装置
CN110135428B (zh) 图像分割处理方法和装置
US20220335566A1 (en) Method and apparatus for processing point cloud data, device, and storage medium
CN114494809A (zh) 特征提取模型优化方法、装置及电子设备
CN114463552A (zh) 迁移学习、行人重识别方法及相关设备
CN107077617B (zh) 指纹提取方法及装置
Prince et al. Bayesian identity clustering
CN112183336A (zh) 表情识别模型训练方法、装置、终端设备及存储介质
CN111798376A (zh) 图像识别方法、装置、电子设备及存储介质
CN116883740A (zh) 相似图片识别方法、装置、电子设备和存储介质
KR20230127509A (ko) 콘셉트 기반의 퓨샷 학습 방법 및 장치
CN112329797A (zh) 目标对象的检索方法、装置、服务器和存储介质
Alford et al. Genetic and evolutionary methods for biometric feature reduction
CN112906724A (zh) 一种图像处理装置、方法、介质及系统
CN113269176B (zh) 图像处理模型训练、图像处理方法、装置和计算机设备
CN118135357B (zh) 核心集构造方法、装置、设备及介质

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