CN112686196A - 图像选择方法、电子设备和计算机可读存储介质 - Google Patents
图像选择方法、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112686196A CN112686196A CN202110017253.XA CN202110017253A CN112686196A CN 112686196 A CN112686196 A CN 112686196A CN 202110017253 A CN202110017253 A CN 202110017253A CN 112686196 A CN112686196 A CN 112686196A
- Authority
- CN
- China
- Prior art keywords
- candidate image
- target
- image sequences
- sequences
- image sequence
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种图像选择方法、电子设备和计算机可读存储介质,其中,该方法包括:获取备选图像序列集合,所述备选图像序列集合中的每个备选图像序列具有视角标识,其中,所述备选图像序列包括步态能量图序列或轮廓图序列;在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,作为训练步态识别模型的单次训练样本集。通过本发明的技术方案,通过选择视角相同的样本组成步态识别模型的训练集,减小了样本间视角差异在训练步态识别模型过程中的负面影响,使所得的步态识别模型能够生成更加真实、准确的步态识别结果,提升了步态识别的可靠性。
Description
【技术领域】
本发明涉及步态识别技术领域,尤其涉及一种图像选择方法、电子设备和计算机可读存储介质。
【背景技术】
步态识别模型需要大量含有人体步态的图像序列作为样本进行训练得到,这样的步态识别模型依赖于监督学习。然而,作为训练样本的图像序列其拍摄所用的视角各异,由此所得的步态识别模型在反映步态识别结果时受视角因素的干扰很大。
比如,将在视角b拍摄人体a的图像输入该步态识别模型,生成步态特征c,而将在视角d拍摄人体a的图像输入该步态识别模型,生成步态特征c’,视角b与视角d的差异越大,步态特征c与步态特征c’的差异也就越大,当该差异足够大时,同一人体a在不同视角下的两张图像对应的步态识别结果也完全不同。由此可知,样本间视角差异会导致步态识别模型的识别结果不准确。
因此,如何提升步态识别模型识别结果的准确性,成为目前亟待解决的技术问题。
【发明内容】
本发明实施例提供了一种图像选择方法、电子设备和计算机可读存储介质,旨在解决相关技术中样本间视角差异会导致步态识别模型的识别结果不准确的技术问题。
第一方面,本发明实施例提供了一种图像选择方法,包括:获取备选图像序列集合,所述备选图像序列集合中的每个备选图像序列具有视角标识,其中,所述备选图像序列包括步态能量图序列或轮廓图序列;在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,作为训练步态识别模型的单次训练样本集。
第二方面,本发明实施例提供了一种电子设备,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,所述指令被设置为用于执行上述第一方面中任一项所述的方法。
第三方面,本发明实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述第一方面中任一项所述的方法流程。
以上技术方案,通过选择视角相同的样本组成步态识别模型的训练集,减小了样本间视角差异在训练步态识别模型过程中的负面影响,使所得的步态识别模型能够生成更加真实、准确的步态识别结果,提升了步态识别的可靠性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,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。
图1示出了根据本发明的一个实施例的图像选择方法的流程图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
实施例一
图1示出了根据本发明的一个实施例的图像选择方法的流程图。
如图1所示,根据本发明的一个实施例的图像选择方法的流程包括:
步骤102,获取备选图像序列集合,所述备选图像序列集合中的每个备选图像序列具有视角标识。
其中,备选图像序列集合包括多个备选图像序列,用于为训练步态识别模型提供训练集。每个备选图像序列具有视角标识,视角指的是拍摄装置的镜头所能拍摄的拍摄场景中距离最大的两点与镜头连线的夹角,备选图像序列的视角标识示出了拍摄备选图像所属人体时的视角,在不同的视角下进行拍摄,所产生的备选图像差异较大,当然,同一备选图像序列的备选图像均在相同视角下拍摄。
在相关技术中,由于不考虑视角因素的影响,在备选图像序列集合中为训练步态识别模型确定训练集时,随机选择指定数量的备选图像序列作为训练步态识别模型的单次训练样本集即可。对此,在本技术方案中,为排除视角因素对训练步态识别模型的干扰,可为每个备选图像序列设置体现拍摄其自身对应的人体时之视角的视角标识,视角标识用于在接下来的步骤中排除视角因素对训练步态识别模型的干扰提供依据。
步骤104,在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,作为训练步态识别模型的单次训练样本集。
多个目标备选图像序列具有相同视角标识,相当于在同一视角下拍摄多个目标备选图像序列对应的人体,那么,由于作为样本的多个目标备选图像序列均处于相同视角下,该多个目标备选图像序列间因视角差别带来的差异被有效消除了,基于该多个目标备选图像序列训练所得的步态识别模型也就避免了样本间视角差异过大带来的干扰。
在一种可能的设计中,备选图像序列集合可包括10000个备选图像序列,在10000个备选图像序列选择128个具有相同视角标识的备选图像序列,组成训练步态识别模型的单次训练样本集。以此过程作为单次采样来说,在训练步态识别模型的过程中,可进行多次采样。当然,在实际场景中,训练步态识别模型的过程包括但不限于本技术方案所述,还可以是任何符合实际步态识别需求的训练过程。
以上技术方案,通过选择视角相同的样本组成步态识别模型的训练集,减小了样本间视角差异在训练步态识别模型过程中的负面影响,使所得的步态识别模型能够生成更加真实、准确的步态识别结果,提升了步态识别的可靠性。
实施例二
根据本发明的另一个实施例的图像选择方法的流程包括:
步骤202,获取备选图像序列集合,所述备选图像序列集合中的每个备选图像序列具有视角标识。
步骤204,在全部所述备选图像序列的视角标识中随机或基于接收到的视角选择信息选择目标视角标识。
步骤206,在所述备选图像序列集合中选择具有所述目标视角标识的多个目标备选图像序列。
备选图像序列集合具有大量备选图像序列,大量备选图像序列的视角各异,一般地,可在全部所述备选图像序列的视角标识中随机选择一个目标视角标识,将目标视角标识所示的视角作为训练步态识别模型的样本所应具有的共同视角。这样,作为样本的多个目标备选图像序列均处于相同视角下,该多个目标备选图像序列间因视角差别带来的差异被有效消除了,基于该多个目标备选图像序列训练所得的步态识别模型也就避免了样本间视角差异过大带来的干扰。
在另一种可能的设计中,可获取视角选择信息,并基于视角选择信息接收到的视角选择信息选择目标视角标识。
具体地,对于一步态识别模型来说,其所应用的步态识别场景是相对确定的,比如,用于路口、闸机等位置,由此,待进行步态识别的图像和/或视频的视角也是相对确定的。比如,对于路口来说,拍摄待进行步态识别的图像和/或视频的拍摄装置往往位于路口悬挂交通信号灯的横杆上;再比如,对于闸机来说,拍摄待进行步态识别的图像和/或视频的拍摄装置往往设置于闸机内侧的上方,以便清晰拍摄闸机外侧的人体。因此,视角选择信息可包括用户输入信息或系统依据实际步态识别需求自动生成的视角选择信息,由用户或系统基于实际步态识别需求中拍摄待进行步态识别的图像和/或视频的拍摄装置与拍摄位置的相对确定位置,来指定目标视角标识。
通过以上技术方案,可为训练步态识别模型的样本设置符合实际步态识别需求的目标视角标识,从而能够选择更贴合实际场景的有效样本,进而提升依照更贴合实际场景的有效样本训练所得的步态识别模型的可靠性。
实施例三
根据本发明的再一个实施例的图像选择方法的流程包括:
步骤302,获取备选图像序列集合,所述备选图像序列集合中的每个备选图像序列具有视角标识和图像内人体的身份标识。
身份标识示出了备选图像序列内的人体的身份,其以用户ID的方式展示。例如,备选图像序列集合包括100个身份标识各自对应的100个备选图像序列,共计10000个备选图像序列。
步骤304,在全部所述备选图像序列的身份标识中随机选择第一指定数量的多个目标身份标识,和在全部所述备选图像序列的视角标识中随机或基于接收到的视角选择信息选择目标视角标识。
步骤306,针对每个所述目标身份标识,在所述备选图像序列集合中选择同时具有所述目标身份标识和所述目标视角标识的多个目标备选图像序列,作为训练步态识别模型的单次训练样本集。
样本间不同用户的步态差异也会一定程度上影响步态识别模型的可靠性,对此,可指定仅选择可在全部所述备选图像序列的身份标识中随机选择第一指定数量的多个目标身份标识,其中,第一指定数量处于用户数量不足以对步态识别模型的识别结果准确性产生实质性影响的数量范围内。由此,可使训练步态识别模型的单次训练样本集所涉及的用户数量保持在合理范围内,从而避免了样本间不同用户的步态差异对步态识别模型的识别结果准确性产生负面影响。
同时,可在全部所述备选图像序列的视角标识中随机选择一个目标视角标识,这样,作为样本的多个目标备选图像序列均处于相同视角下,在避免了样本间不同用户的步态差异对步态识别模型的识别结果准确性产生负面影响的同时,还使得该多个目标备选图像序列间因视角差别带来的差异被有效消除了。
在另一种可能的设计中,在使训练步态识别模型的单次训练样本集所涉及的用户数量保持在合理范围内的同时,通过视角选择信息选择目标视角标识,可在避免了样本间不同用户的步态差异对步态识别模型的识别结果准确性产生负面影响的同时,为训练步态识别模型的样本设置符合实际步态识别需求的目标视角标识,提升依照更贴合实际场景的有效样本训练所得的步态识别模型的可靠性。
例如,备选图像序列集合包括100个身份标识各自对应的100个备选图像序列,共计10000个备选图像序列。在100个身份标识中随机挑选8个目标身份标识,并在这8个目标身份标识各自对应的100个备选图像序列中,基于接收到的视角选择信息,选择16个具有目标视角标识的备选图像序列,作为目标备选图像序列,组成训练步态识别模型的单次训练样本集。
同一人体在同一视角下穿着不同厚度衣着时各自对应的轮廓图,其轮廓厚度具有较大差异,因此,干扰步态识别模型的识别结果准确性的因素包括但不限于图像内人体和视角,还包括图像内人体的衣着。对此,在限制训练步态识别模型的样本内的不同人体数量和限制所有轮廓图处于相同视角的同时,还应减小衣着不同带来的差异。下面通过实施例四和实施例五提供的两者方式分别就如何同步减小衣着不同带来的差异进行阐述。
实施例四
在备选图像序列包括轮廓图序列时,备选图像序列集合中的每个备选图像序列具有视角标识、图像内人体的身份标识和图像内人体的衣着标识。衣着标识示出了图像内人体的衣着类型,该衣着类型是基于衣着厚度进行区分的。
具体地,可在全部所述备选图像序列的身份标识中随机选择第一指定数量的多个目标身份标识,和在全部所述备选图像序列的视角标识中随机或基于接收到的视角选择信息选择目标视角标识,和在全部所述备选图像序列的衣着标识中随机或基于接收到的衣着选择信息选择目标衣着标识。由此,分别完成了对训练步态识别模型的样本内的不同人体数量、备选图像序列的统一视角以及备选图像序列的统一衣着的限定。
一般地,可在全部所述备选图像序列的衣着标识中随机选择一个目标衣着标识,这样,作为样本的多个目标备选图像序列均为包括相同衣着类型下人体的图像。在避免了样本间大量不同用户和不同视角带来的差异的基础上,还可消除样本间不同衣着带来的差异,进一步提升了训练步态识别模型的样本的可靠性,从而使得依此训练的步态识别模型之步态识别结果更具准确性。
在另一种可能的设计中,可基于接收到的衣着选择信息选择目标衣着标识。其中,衣着选择信息可包括用户输入信息或系统依据实际步态识别需求自动生成的衣着选择信息,由用户或系统基于步态识别的实际场景中人体所可能具有的衣着,来指定目标衣着标识。由此,可选择统一且适用于实际步态识别场景的目标衣着标识用以筛选样本,在避免了样本间大量不同用户和不同视角带来的差异的基础上,也消除样本间不同衣着带来的差异。
接下来,针对每个所述目标身份标识,在所述备选图像序列集合中选择同时具有所述目标身份标识、所述目标视角标识和所述目标衣着标识的多个目标备选图像序列,组成训练步态识别模型的单次训练样本集。例如,备选图像序列集合包括100个身份标识各自对应的100个备选图像序列,共计10000个备选图像序列,每个身份标识对应的100个备选图像序列中,基于四种衣着标识a、b、c、d分为四个组,每组内具有25个备选图像序列。在设置训练步态识别模型的单次训练样本集时,在100个身份标识中随机挑选8个目标身份标识,并基于接收到的视角选择信息设置目标视角标识60°,以及基于接收到的衣着选择信息选择目标衣着标识a。接下来,在这8个目标身份标识各自对应的100个备选图像序列中,选择16个具有目标衣着标识a和目标视角标识60°的备选图像序列,作为目标备选图像序列,组成训练步态识别模型的单次训练样本集。这样,最终所得的单次训练样本集中,共计有8人的备选图像序列,其中,每个备选图像序列均为视角60°下拍摄的、穿着a衣着的人体。
实施例五
在备选图像序列包括轮廓图序列时,在实施例三示出的技术方案的基础上,所述在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列之前,还包括:对于所述备选图像序列集合中的每个备选图像序列,对所述备选图像序列中已有衣着下的第一轮廓图进行模糊化处理;按照预定衣着对应的厚度阈值,对模糊化处理后的第一轮廓图的轮廓厚度进行调整,得到第二轮廓图;以所述第二轮廓图替换所述备选图像序列中的所述第一轮廓图。
具体来说,可将备选图像序列集合中的每个备选图像序列内之图像修改为相同轮廓厚度的图像,达到衣着相同产生的效果。其中,模糊化处理可通过经典卷积操作来实现,在这一过程中,可通过对第一轮廓图中的相邻像素点取反而清零其他区域,进一步精确所述第一轮廓图的边界。接着,按照预定衣着对应的厚度阈值,对模糊化处理后的第一轮廓图的轮廓厚度进行调整,得到第二轮廓图。具体地,在第一轮廓图的轮廓厚度低于预定衣着对应的厚度阈值的情况下,将第一轮廓图的轮廓厚度增加,在第一轮廓图的轮廓厚度高于预定衣着对应的厚度阈值的情况下,将轮廓区域的轮廓厚度减少。总之,是减少第一轮廓图的轮廓厚度与预定衣着对应的厚度阈值的差异,使得第一轮廓图通过加厚或减薄而形成附有预定衣着的人像所应有的轮廓区域。最终,得到均处于预定衣着对应效果下的第二轮廓图,相当于消除了样本间因衣着不同产生的差异。
在另一种可能的设计中,可在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列之后,再采用上述轮廓厚度修改的方式获得均处于相同衣着、相同视角下的样本。由此,仅对选中的多个目标备选图像序列进行轮廓厚度修改处理即可,减少了轮廓厚度修改处理的工作量,提升了步态识别模型训练的效率。
至此,对于训练步态识别模型所需的样本,既消除了样本间因拍摄的视角不同产生差异,也消除了样本间因其内人体衣着不同产生的差异,还避免因样本所属人体过多带来的不规律因素,在排除拍摄的视角、人体衣着、样本所属人体数量之干扰的基础上,可获得更为准确的人体轮廓到三维空间的映射,使得以这样的样本训练所得的步态识别模型能够更准确地反映人体轮廓与人体姿态的关联性,获得更高的实用性和识别准确性。
在上述任一实施例中,可选地,在获得所述多个目标备选图像序列后,确定所述多个目标备选图像序列的数量是否小于第二指定数量;在所述多个目标备选图像序列的数量小于所述第二指定数量时,基于所述多个目标备选图像序列各自与指定图像序列的关联度,选择所述关联度满足指定条件的若干个目标备选图像序列;将所述若干个目标备选图像序列的复制序列加入所述多个目标备选图像序列,使所述多个目标备选图像序列的数量达到所述第二指定数量;其中,所述指定图像序列为与所述多个目标备选图像序列具有相同视角标识、相同身份标识和相同衣着标识的图像序列,所述指定条件为所述关联度最高或所述关联度大于或等于指定数值。
基于随机选择第一指定数量的多个目标身份标识、随机或基于接收到的视角选择信息选择的目标视角标识以及随机或基于接收到的衣着选择信息选择的目标衣着标识中的一项或多项所选择的多个目标备选图像序列,其数量可多可少,在其数量过少时,即训练步态识别模型的样本过少,由于样本覆盖范围小,训练所得的步态识别模型之步态识别结果也缺乏准确性。因此,在得到多个目标备选图像序列后,可对多个目标备选图像序列的数量进行判断,以确定是否需要增设样本。
具体地,可判断多个目标备选图像序列的数量是否小于第二指定数量,其中,第二指定数量为基于多个目标备选图像序列训练所得的步态识别模型之识别结果可靠性符合实际检测需求的情况下多个目标备选图像序列的最低数量。因此,当多个目标备选图像序列的数量大于或等于第二指定数量时,说明多个目标备选图像序列的数量足够,无需增设样本,反之,当多个目标备选图像序列的数量小于第二指定数量时,说明多个目标备选图像序列的数量不足,需增设样本。
增设样本的方式主要为复制已选择的目标备选图像序列,但已选择的多个目标备选图像序列内的样本各异,对应反映的人体图像与人体姿态的映射信息的可靠性也各不相同,因此,可在已选择的多个目标备选图像序列挑选更优质的目标备选图像序列进行复制,以达到增设样本的目的。
具体地,首先,确定多个目标备选图像序列各自与指定图像序列的关联度,其中,所述指定图像序列为与所述多个目标备选图像序列具有相同视角标识、相同身份标识和相同衣着标识的图像序列,是可以准确反映人体图像与人体姿态的关联关系的样本。目标备选图像序列与指定图像序列的关联度越高,目标备选图像序列所反映的人体图像与人体姿态的关联关系越准确。因此,可基于所述多个目标备选图像序列各自与指定图像序列的关联度,选择所述关联度满足指定条件的若干个目标备选图像序列,并将所述若干个目标备选图像序列的复制序列加入所述多个目标备选图像序列,使所述多个目标备选图像序列的数量达到所述第二指定数量。其中,指定条件为所述关联度最高或所述关联度大于或等于指定数值。也就是说,可选择与指定图像序列的关联度最高的一个目标备选图像序列复制,使目标备选图像序列的总数量达到所述第二指定数量。或者,也可将多个目标备选图像序列与指定图像序列的关联度进行排序,将关联度大于指定数值的前若干个目标备选图像序列进行复制,使目标备选图像序列的总数量达到所述第二指定数量。另外,复制目标备选图像序列的次数可基于实际所需的第二指定数量进行设置。
以上技术方案,通过复制较高质量的样本保证了样本数量的充足和样本平均质量的提升,有助于获得更为准确可靠的步态识别模型。
需要补充的是,训练步态识别模型的方式包括但不限于轮廓图方式和步态能量图方式,而无论应用何种方式训练步态识别模型,均可将样本图像处理为该方式对应的备选图像序列,比如,在采用步态能量图方式时,备选图像序列包括步态能量图序列,在采用轮廓图方式时,备选图像序列包括轮廓图序列。无论应用何种方式训练步态识别模型,均可应用本申请上述任一实施例进行备选图像序列的选择。
本发明的一个实施例的电子设备,包括至少一个存储器;以及,与所述至少一个存储器通信连接的处理器;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,所述指令被设置为用于执行上述任一实施例中所述的方案。因此,该电子设备具有和上述任一实施例相同的技术效果,在此不再赘述。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
另外,本发明实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述任一实施例中所述的方法流程。
以上结合附图详细说明了本发明的技术方案,通过本发明的技术方案,通过选择视角相同的样本组成步态识别模型的训练集,减小了样本间视角差异在训练步态识别模型过程中的负面影响,使所得的步态识别模型能够生成更加真实、准确的步态识别结果,提升了步态识别的可靠性。
应当理解,本文中使用的术语“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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二等来描述指定数量,但这些指定数量不应限于这些术语。这些术语仅用来将指定数量彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一指定数量也可以被称为第二指定数量,类似地,第二指定数量也可以被称为第一指定数量。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (8)
1.一种图像选择方法,其特征在于,包括:
获取备选图像序列集合,所述备选图像序列集合中的每个备选图像序列具有视角标识,其中,所述备选图像序列包括步态能量图序列或轮廓图序列;
在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,作为训练步态识别模型的单次训练样本集。
2.根据权利要求1所述的图像选择方法,其特征在于,所述在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,包括:
在全部所述备选图像序列的视角标识中随机或基于接收到的视角选择信息选择目标视角标识;
在所述备选图像序列集合中选择具有所述目标视角标识的多个目标备选图像序列。
3.根据权利要求2所述的图像选择方法,其特征在于,所述备选图像序列集合中的每个备选图像序列还具有图像内人体的身份标识,则
所述在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,包括:
在全部所述备选图像序列的身份标识中随机选择第一指定数量的多个目标身份标识,和
在全部所述备选图像序列的视角标识中随机或基于接收到的视角选择信息选择目标视角标识;
针对每个所述目标身份标识,在所述备选图像序列集合中选择同时具有所述目标身份标识和所述目标视角标识的多个目标备选图像序列。
4.根据权利要求3所述的图像选择方法,其特征在于,在所述备选图像序列包括轮廓图序列时,所述备选图像序列集合中的每个备选图像序列还具有图像内人体的衣着标识,则
所述在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列,包括:
在全部所述备选图像序列的身份标识中随机选择第一指定数量的多个目标身份标识,和
在全部所述备选图像序列的视角标识中随机或基于接收到的视角选择信息选择目标视角标识,和
在全部所述备选图像序列的衣着标识中随机或基于接收到的衣着选择信息选择目标衣着标识;
针对每个所述目标身份标识,在所述备选图像序列集合中选择同时具有所述目标身份标识、所述目标视角标识和所述目标衣着标识的多个目标备选图像序列。
5.根据权利要求3所述的图像选择方法,其特征在于,在所述备选图像序列包括轮廓图序列时,所述在所述备选图像序列集合中选择具有相同所述视角标识的多个目标备选图像序列之前,还包括:
对于所述备选图像序列集合中的每个备选图像序列,对所述备选图像序列中已有衣着下的第一轮廓图进行模糊化处理;
按照预定衣着对应的厚度阈值,对模糊化处理后的第一轮廓图的轮廓厚度进行调整,得到第二轮廓图;
以所述第二轮廓图替换所述备选图像序列中的所述第一轮廓图。
6.根据权利要求1至5中任一项所述的图像选择方法,其特征在于,还包括:
在获得所述多个目标备选图像序列后,确定所述多个目标备选图像序列的数量是否小于第二指定数量;
在所述多个目标备选图像序列的数量小于所述第二指定数量时,基于所述多个目标备选图像序列各自与指定图像序列的关联度,选择所述关联度满足指定条件的若干个目标备选图像序列;
将所述若干个目标备选图像序列的复制序列加入所述多个目标备选图像序列,使所述多个目标备选图像序列的数量达到所述第二指定数量;
其中,所述指定图像序列为与所述多个目标备选图像序列具有相同视角标识、相同身份标识和相同衣着标识的图像序列,所述指定条件为所述关联度最高或所述关联度大于或等于指定数值。
7.一种电子设备,其特征在于,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,所述指令被设置为用于执行上述权利要求1至6中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至6中任一项所述的方法流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110017253.XA CN112686196A (zh) | 2021-01-07 | 2021-01-07 | 图像选择方法、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110017253.XA CN112686196A (zh) | 2021-01-07 | 2021-01-07 | 图像选择方法、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686196A true CN112686196A (zh) | 2021-04-20 |
Family
ID=75456247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110017253.XA Pending CN112686196A (zh) | 2021-01-07 | 2021-01-07 | 图像选择方法、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686196A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100111370A1 (en) * | 2008-08-15 | 2010-05-06 | Black Michael J | Method and apparatus for estimating body shape |
US20140270402A1 (en) * | 2011-07-29 | 2014-09-18 | University Of Ulster | Gait recognition methods and systems |
US20170243058A1 (en) * | 2014-10-28 | 2017-08-24 | Watrix Technology | Gait recognition method based on deep learning |
CN110458394A (zh) * | 2019-07-05 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种基于对象关联度的指标测算方法及装置 |
CN111241990A (zh) * | 2020-01-08 | 2020-06-05 | 浙江每日互动网络科技股份有限公司 | 图像处理方法及装置、计算机设备、计算机可读存储介质 |
CN111368787A (zh) * | 2020-03-17 | 2020-07-03 | 浙江大学 | 视频处理方法及装置、设备和计算机可读存储介质 |
CN111476077A (zh) * | 2020-01-07 | 2020-07-31 | 重庆邮电大学 | 一种基于深度学习的多视角步态识别方法 |
-
2021
- 2021-01-07 CN CN202110017253.XA patent/CN112686196A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100111370A1 (en) * | 2008-08-15 | 2010-05-06 | Black Michael J | Method and apparatus for estimating body shape |
US20140270402A1 (en) * | 2011-07-29 | 2014-09-18 | University Of Ulster | Gait recognition methods and systems |
US20170243058A1 (en) * | 2014-10-28 | 2017-08-24 | Watrix Technology | Gait recognition method based on deep learning |
CN110458394A (zh) * | 2019-07-05 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种基于对象关联度的指标测算方法及装置 |
CN111476077A (zh) * | 2020-01-07 | 2020-07-31 | 重庆邮电大学 | 一种基于深度学习的多视角步态识别方法 |
CN111241990A (zh) * | 2020-01-08 | 2020-06-05 | 浙江每日互动网络科技股份有限公司 | 图像处理方法及装置、计算机设备、计算机可读存储介质 |
CN111368787A (zh) * | 2020-03-17 | 2020-07-03 | 浙江大学 | 视频处理方法及装置、设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王竣 等: "特征融合的多视角步态识别研究", 《中国计量大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6832504B2 (ja) | 物体追跡方法、物体追跡装置およびプログラム | |
CN108875542B (zh) | 一种人脸识别方法、装置、系统及计算机存储介质 | |
CN105512627A (zh) | 一种关键点的定位方法及终端 | |
WO2021130546A1 (en) | Target object identification system, method and apparatus, electronic device and storage medium | |
CN112419388A (zh) | 深度检测方法、装置、电子设备和计算机可读存储介质 | |
CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
KR20220004009A (ko) | 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체 | |
CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
CN112084939A (zh) | 图像特征数据管理方法、装置、计算机设备及存储介质 | |
CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
WO2023015938A1 (zh) | 三维点检测的方法、装置、电子设备及存储介质 | |
CN114743026A (zh) | 目标对象的方位检测方法、装置、设备及计算机可读介质 | |
CN114299546A (zh) | 识别宠物身份的方法、装置、存储介质及电子设备 | |
CN112258647B (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
CN112380951B (zh) | 一种识别异常行为的方法、装置、计算机设备及存储介质 | |
CN112686196A (zh) | 图像选择方法、电子设备和计算机可读存储介质 | |
CN115018886B (zh) | 运动轨迹识别方法、装置、设备及介质 | |
US20220122341A1 (en) | Target detection method and apparatus, electronic device, and computer storage medium | |
CN113706578B (zh) | 一种基于轨迹的移动对象伴随关系的确定方法和装置 | |
CN113486761B (zh) | 一种指甲识别方法、装置、设备及存储介质 | |
CN112733704B (zh) | 图像处理方法、电子设备和计算机可读存储介质 | |
CN114913470A (zh) | 一种事件检测方法及装置 | |
CN115131691A (zh) | 对象匹配方法、装置、电子设备及计算机可读存储介质 | |
CN112364309A (zh) | 信息处理方法、电子设备和计算机可读存储介质 | |
CN112700494A (zh) | 定位方法、装置、电子设备及计算机可读存储介质 |
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 |