CN112906483A - 一种目标重识别方法、装置及计算机可读存储介质 - Google Patents

一种目标重识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112906483A
CN112906483A CN202110095415.1A CN202110095415A CN112906483A CN 112906483 A CN112906483 A CN 112906483A CN 202110095415 A CN202110095415 A CN 202110095415A CN 112906483 A CN112906483 A CN 112906483A
Authority
CN
China
Prior art keywords
target
image
global
target image
recognition library
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
CN202110095415.1A
Other languages
English (en)
Other versions
CN112906483B (zh
Inventor
任培铭
刘金杰
乐振浒
林诰
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.)
China Unionpay Co Ltd
Original Assignee
China Unionpay 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 China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN202110095415.1A priority Critical patent/CN112906483B/zh
Publication of CN112906483A publication Critical patent/CN112906483A/zh
Priority to TW110133172A priority patent/TWI798815B/zh
Priority to PCT/CN2021/117512 priority patent/WO2022156234A1/zh
Application granted granted Critical
Publication of CN112906483B publication Critical patent/CN112906483B/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
    • G06V20/40—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
    • 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
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Transition And Organic Metals Composition Catalysts For Addition Polymerization (AREA)

Abstract

本发明提供了一种目标重识别方法、装置及计算机可读存储介质，该方法包括：获取设置于监控区域内的多个摄像头采集的多个当前帧；根据多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；根据每个摄像头捕获到的目标图像进行数量检测，得到全局目标数量；根据目标图像和目标识别库进行目标重识别，目标识别库包括至少一个目标的身份标识和特征数据；当检测到全局目标数量符合预设增加条件时，根据目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对至少一个未识别目标图像进行标记；根据新的身份标识和至少一个未识别目标图像的特征数据更新目标识别库。利用上述方法，能够提供目标重识别的准确度和稳定性。

Description

一种目标重识别方法、装置及计算机可读存储介质
技术领域
本发明属于识别领域，具体涉及一种目标重识别方法、装置及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前，随着视频监控技术的普及以及不断提升的安防需求，应用于视频监控领域中的目标重识别逐渐成为计算机视觉研究领域的热点之一。
在诸如数据中心、商场等的安全需求较高的监控场所中实现跨摄像头的目标重识别显得非常重要。在目标重识别过程中，当新的目标进入监控区域时，需要为该新的目标分配一个新ID以便后续进行识别，业界通常采用计算目标图像和目标识别库中的特征数据之间的特征相似度的方法来判断是否创建并分配新ID，而有些场景下，由于目标遮挡、拍摄角度等问题会对上述判断的准确度造成较大的影响，进而可能造成目标重识别不准确的问题。
发明内容
针对上述现有技术中存在的问题，提出了一种目标重识别方法、装置及计算机可读存储介质，利用这种方法、装置及计算机可读存储介质，能够解决上述问题。
本发明提供了以下方案。
第一方面，提供一种目标重识别方法，包括：获取设置于监控区域内的多个摄像头采集的多个当前帧；根据多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；根据每个摄像头捕获到的目标图像进行数量检测，得到全局目标数量；根据目标图像和目标识别库进行目标重识别，目标识别库包括至少一个目标的身份标识和特征数据；当检测到全局目标数量符合预设增加条件时，根据目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对至少一个未识别目标图像进行标记；根据新的身份标识和至少一个未识别目标图像的特征数据更新目标识别库。
在一种可能的实施方式中，根据多个当前帧进行目标检测，还包括：将多个当前帧输入经训练的目标检测模型，以提取出每个摄像头捕获到的目标图像；其中，目标检测模型为基于YOLOv4-tiny网络创建的人体检测模型。
在一种可能的实施方式中，方法还包括：根据监控区域内的真实采集图像对YOLOv4-tiny网络进行训练，得到目标检测模型。
在一种可能的实施方式中，目标图像为当前帧中包含目标特征的局部图像，根据每个摄像头捕获到的目标图像进行数量检测，还包括：根据每个摄像头的取景位置对捕获到的目标图像进行位置转换，得到每个摄像头捕获到的目标图像对应的全局位置；确定由不同摄像头各自捕获的目标图像的全局位置重合度，根据全局位置重合度对不同摄像头各自捕获的目标图像进行筛选，检测筛选后保留的目标图像的数量。
在一种可能的实施方式中，方法还包括：当数量检测的结果少于在先全局目标数量时，则根据多个摄像头采集的多个当前帧和多个当前帧的上一帧，判断是否存在从预定区域离开监控区域的目标；若不存在目标，则仍然保留在先全局目标数量作为本次确定的全局目标数量；若存在目标，则将数量检测的结果作为本次确定的全局目标数量；其中，在先全局目标数量根据对多个当前帧的上一帧进行目标检测和数量检测得到。
在一种可能的实施方式中，根据每个摄像头的取景位置对捕获到的目标图像进行位置转换,还包括：根据每个摄像头的取景位置对当前帧中的目标图像的底部中心点进行投影变换，从而确定每个目标图像的地面坐标。
在一种可能的实施方式中，方法还包括：将多个当前帧输入经训练的目标数量检测模型，以执行目标检测和数量检测，得到全局目标数量；其中，目标数量检测模型为基于YOLOv4-tiny网络创建的行人数量检测模型。
在一种可能的实施方式中，根据目标图像和目标识别库进行目标重识别，还包括：计算目标图像与目标识别库中的特征数据之间的相似度，并依据计算得到的相似度，对目标图像进行目标重识别；当目标重识别的结果指示第一目标图像与目标识别库中的第一目标匹配时，根据第一目标的身份标识对第一目标图像进行标记。
在一种可能的实施方式中，方法还包括：若当前帧为非首帧，且当前帧对应的全局目标数量相较于上一帧对应的全局目标数量增加时，则全局目标数量符合预设增加条件；若当前帧为首帧时，默认全局目标数量符合预设增加条件。
在一种可能的实施方式中，根据新的身份标识和至少一个未识别目标图像的特征数据更新目标识别库，还包括：判断至少一个未识别目标图像是否满足预设图像质量条件；将新的身份标识和满足预设图像质量条件的未识别目标图像对应存入目标识别库。
在一种可能的实施方式中，根据目标图像和目标识别库进行目标重识别之后，方法还包括：根据第一目标图像或第一目标图像的特征值对目标识别库中的第一目标的特征数据进行动态更新。
在一种可能的实施方式中，方法还包括对目标识别库进行替换更新，具体包括：根据目标识别库中的每个目标的特征数据对应的来源时间和当前时间的比较结果，对目标识别库进行替换更新；和/或，根据目标识别库中的每个目标的特征数据对应的全局位置和每个目标的当前全局位置的比较结果，对目标识别库进行替换更新；和/或，根据目标识别库中的每个目标的多个特征数据之间的特征相似度，对目标识别库进行替换更新。
在一种可能的实施方式中，方法还包括：任意一个目标的特征数据的数量超过预设阈值之后，启动替换更新。
第二方面，提供一种目标重识别装置，包括：获取模块，用于获取设置于监控区域内的多个摄像头采集的多个当前帧；目标检测模块，用于根据多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；数量检测模块，用于根据每个摄像头捕获到的目标图像进行数量检测，得到全局目标数量；目标重识别模块，用于根据目标图像和目标识别库进行目标重识别，目标识别库包括至少一个目标的身份标识和特征数据；身份标识模块，用于当检测到全局目标数量符合预设增加条件时，根据目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对至少一个未识别目标图像进行标记；目标识别库更新模块，用于根据新的身份标识和至少一个未识别目标图像的特征数据更新目标识别库。
在一种可能的实施方式中，目标检测模块，还用于：将多个当前帧输入经训练的目标检测模型，以提取出每个摄像头捕获到的目标图像；其中，目标检测模型为基于YOLOv4-tiny网络创建的人体检测模型。
在一种可能的实施方式中，目标检测模块，还用于：根据监控区域内的真实采集图像对YOLOv4-tiny网络进行训练，得到目标检测模型。
在一种可能的实施方式中，目标图像为当前帧中包含目标特征的局部图像，数量检测模块还用于：根据每个摄像头的取景位置对捕获到的目标图像进行位置转换，得到每个摄像头捕获到的目标图像对应的全局位置；确定由不同摄像头各自捕获的目标图像的全局位置重合度，根据全局位置重合度对不同摄像头各自捕获的目标图像进行筛选，检测筛选后保留的目标图像的数量。
在一种可能的实施方式中，数量检测模块还用于：当数量检测的结果少于在先全局目标数量时，则根据多个摄像头采集的多个当前帧和多个当前帧的上一帧，判断是否存在从预定区域离开监控区域的目标；若不存在目标，则仍然保留在先全局目标数量作为本次确定的全局目标数量；若存在目标，则将数量检测的结果作为本次确定的全局目标数量；其中，在先全局目标数量根据对多个当前帧的上一帧进行目标检测和数量检测得到。
在一种可能的实施方式中，数量检测模块还用于：根据每个摄像头的取景位置对当前帧中的目标图像的底部中心点进行投影变换，从而确定每个目标图像的地面坐标。
在一种可能的实施方式中，装置还用于：将多个当前帧输入经训练的目标数量检测模型，以执行目标检测和数量检测，得到全局目标数量；其中，目标数量检测模型为基于YOLOv4-tiny网络创建的行人数量检测模型。
在一种可能的实施方式中，目标重识别模块还用于：计算目标图像与目标识别库中的特征数据之间的相似度，并依据计算得到的相似度，对目标图像进行目标重识别；当目标重识别的结果指示第一目标图像与目标识别库中的第一目标匹配时，根据第一目标的身份标识对第一目标图像进行标记。
在一种可能的实施方式中，身份标识模块还用于：若当前帧为非首帧，且当前帧对应的全局目标数量相较于上一帧对应的全局目标数量增加时，则全局目标数量符合预设增加条件；若当前帧为首帧时，默认全局目标数量符合预设增加条件。
在一种可能的实施方式中，目标识别库更新模块还用于：判断至少一个未识别目标图像是否满足预设图像质量条件；将新的身份标识和满足预设图像质量条件的未识别目标图像对应存入目标识别库。
在一种可能的实施方式中，目标识别库更新模块还用于：根据第一目标图像或第一目标图像的特征值对目标识别库中的第一目标的特征数据进行动态更新。
在一种可能的实施方式中，目标识别库更新模块还用于：根据目标识别库中的每个目标的特征数据对应的来源时间和当前时间的比较结果，对目标识别库进行替换更新；和/或，根据目标识别库中的每个目标的特征数据对应的全局位置和每个目标的当前全局位置的比较结果，对目标识别库进行替换更新；和/或，根据目标识别库中的每个目标的多个特征数据之间的特征相似度，对目标识别库进行替换更新。
在一种可能的实施方式中，目标识别库更新模块还用于：任意一个目标的特征数据的数量超过预设阈值之后，启动替换更新。
第三方面，提供一种目标重识别装置，包括：一个或者多个多核处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或者多个多核处理器执行时，使得所述一个或多个多核处理器实现：如第一方面的方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被多核处理器执行时，使得所述多核处理器执行如第一方面的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本实施例中，检测监控区域内的全局目标数量，通过检测到的全局目标数量对新的身份标识的创建和分配进行控制，能够很好地保证身份标识的分配准确，保证目标重识别的准确度和稳定性。。
应当理解，上述说明仅是本发明技术方案的概述，以便能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施。为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举例说明本发明的具体实施方式。
附图说明
通过阅读下文的示例性实施例的详细描述，本领域普通技术人员将明白本文所述的优点和益处以及其他优点和益处。附图仅用于示出示例性实施例的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的标号表示相同的部件。在附图中：
图1为根据本发明一实施例的目标重识别方法的流程示意图；
图2为根据本发明一实施例的监控区域的地面示意图；
图3为根据本发明一实施例的多个摄像头的取景画面示意图；
图4为根据本发明一实施例的多个摄像头的当前帧的示意图；
图5为根据本发明一实施例的多个摄像头捕获的目标图像的示意图；
图6为根据本发明一实施例的多个摄像头捕获的目标图像的全局位置的示意图；
图7为根据本发明一实施例的目标重识别装置的结构示意图；
图8为根据本发明另一实施例的目标重识别装置的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本申请实施例的描述中，应理解，诸如“包括”或“具有”等术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不旨在排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在的可能性。
除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“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。
术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本申请中的所有代码都是示例性的，本领域技术人员根据所使用的编程语言，具体的需求和个人习惯等因素会在不脱离本申请的思想的条件下想到各种变型。
目标实时跟踪方法，其特征在于，包括：获取设置于监控区域内的多个摄像头采集的多个当前帧；根据所述多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；根据每个摄像头捕获到的所述目标图像进行数量检测，得到全局目标数量；根据所述目标图像和目标识别库进行目标重识别，其中所述目标识别库包括至少一个目标的身份标识和特征数据；当检测到所述全局目标数量符合预设增加条件时，根据所述目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对所述至少一个未识别目标图像进行标记；根据所述新的身份标识和所述至少一个未识别目标图像的特征数据更新所述目标识别库。
另外还需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1为根据本申请一实施例的实时目标跟踪方法的流程示意图，用于跟踪预设场景内的指定目标，在该流程中，从设备角度而言，执行主体可以是一个或者多个电子设备；从程序角度而言，执行主体相应地可以是搭载于这些电子设备上的程序。
如图1所示，该方法100包括：
步骤101、获取设置于监控区域内的多个摄像头采集的多个当前帧；
具体地，监控区域是指多个摄像头的取景区域的总和，多个摄像头包括至少两个摄像头，并且上述多个摄像头的取景区域彼此相邻接或至少部分地重叠，从而待跟踪的目标能够在监控区域中移动进而出现在任意一个或多个摄像头的取景区域内。其中，从多个摄像头的监控视频中分别提取多个摄像头的当前帧，其中每个摄像头的当前帧具有相同的采集时间。可选地，本公开中的跟踪目标优选为行人，本领域技术人员可以理解，上述跟踪目标也可以是其他可移动的物体，比如动物、车辆等，本公开对此不作具体限制。
例如，在复杂监控场景下，比如在楼道、大型商场、机房等场所，通常会使用大量的摄像头对各个区域进行监控，并得到多路监控视频。图2示出一种示意性监控场景，在该监控场景中设置有摄像头201和摄像头202，如图3示出上述摄像头201和摄像头202的取景画面。其中，摄像头201采集的监控视频可解析为图像帧序列(A1，A2，...，AN)，摄像头202采集的监控视频可解析为图像帧序列(B1，B2，...，BN)，其中上述解析可以实时在线进行或离线进行。基于此，可以按时序从上述多个图像帧序列中依次提取两个摄像头的当前帧An和Bn以进行本公开所示出的实时目标跟踪，其中，下标n的取值可以是n＝1，2，...，N。
如图1所示，该方法100可以包括：
步骤102、根据多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；
具体地，目标图像可以是当前帧中包含目标特征的局部图像。例如，如图4所示，示出了摄像头201和摄像头202的当前帧An和Bn，然后，在任意基于深度学习的目标检测模型中输入预处理后的当前帧An和Bn进行检测，输出针对每个摄像头的一系列行人图像(目标图像的一种示例)。目标检测模型比如可以是YOL0(统一实时目标检测，You Only Look Once)模型等，本公开对此不作具体限制。如图5所示，示出了对多个当前帧An和Bn进行检测得到的多个目标(行人)检测框，可以理解，根据目标(行人)检测框从当前帧中可以截取到目标(行人)图像，其中摄像头201捕获到的目标(行人)图像包括(a1，a2，a3)，摄像头202捕获到的目标(行人)包括图像(b)。可以将截取出的目标(行人)图像进行归一化处理，以便于后续的跟踪展示。
进一步地，在一种可能的实施方式中，为了更准确地检测到目标图像，步骤102还可以包括：将多个当前帧输入经训练的目标检测模型，以提取出每个摄像头捕获到的目标图像；其中，目标检测模型为基于YOLOv4-tiny网络创建的人体检测模型。
具体地，可以基于深度学习的实时目标检测算法YOLOV4-TINY进行改进得到YOLOV4-TINY-P(YOLOv4-tiny-People)，并训练生成人体检测模型，利用该人体检测模型可以针对行人整体特征进行识别，且不受佩戴口罩等脸部遮挡的影响。此外，无需专业的人脸摄像头，利用多个普通的监控摄像头就可以直接完成上述目标检测。
可选地，也可以采用基于其他目标检测算法，比如faster-rcnn目标检测算法、yolov4目标检测算法等，本申请对此不作具体限制。
可选地，针对诸如车辆检测、动物检测等其他目标检测场景，可以对应采用其他目标检测模型，本申请对此不作具体限制。
进一步地，在一些实施方式中，为了使目标检测模型针对具体监控场景时仍可以保持高准确度，还可以执行以下步骤以获取上述目标检测模型：根据监控区域内的真实采集图像对YOLOv4-tiny网络进行训练，得到目标检测模型。
例如，当应用于机房场景时，可以对诸如机房的实际场景中的行人进行针对性训练，基于实际场景增设目标正负样本，例如，椅子、背包、服务器等物品为负样本，行人为正样本，从而避免由于光线原因将远处的背包和椅子杂物等物体误识别成不同形态的行人的情况。训练数据采用可以采用实际机房场景数据、PASCAL VOC2007和VOC2012等目标检测数据集联合训练，进一步提升模型检测能力。
如图1所示，该方法100还包括：
步骤103、根据每个摄像头捕获到的目标图像进行数量检测，得到全局目标数量。
可以利用任何可能的目标统计方法进行上述数量检测，本申请对此不作具体限制。
比如，可以先单独检测每个摄像头中的局部目标数量，将多个局部目标数量累加后再分析出不同摄像头中捕获到得到重合的目标图像，并进行对应删减。参考图5，在摄像头201捕获到三个目标(行人)图像，包括(a1，a2，a3)，摄像头202捕获到的一个目标(行人)图像，包括(b)，将局部目标数量累加，由于不同摄像头之间存在取景范围的交叉，因此必然存在由不同摄像头拍摄到了同一目标的不同角度的目标图像的情况，可以通过位置分析判断摄像头201捕获到的a3与摄像头202捕获到的(b)重合，从局部目标数量累加结果中删减重合的数量，由此可以得到全局目标数量为3个。
在一些实施方式中，为了准确获取监控区域内的全局目标数量，步骤103还可以包括以下步骤：根据每个摄像头的取景位置对捕获到的目标图像进行位置转换，得到每个摄像头捕获到的目标图像对应的全局位置；确定由不同摄像头各自捕获的目标图像的全局位置重合度，根据全局位置重合度对目标图像进行筛选；根据筛选后保留的目标图像的数量确定监控区域内的全局目标数量。
可以理解，目标图像为当前帧中包含目标特征的局部图像，通过局部图像和当前帧的位置关系以及对应摄像头的取景范围进行简单的位置计算，即可获知目标图像的全局位置和监控区域内的全局目标数量。
参考图5，在摄像头201捕获到目标图像(a1，a2，a3)，摄像头202捕获到的目标图像(b)，根据摄像头201的取景位置对捕获到的目标图像(a1，a2，a3)进行位置转换，根据摄像头202的取景位置对捕获到的目标图像(b)进行位置转换，得到图6示出的每个目标图像的全局位置，可以看出，摄像头201捕获到的目标图像a3和摄像头202捕获到的目标图像b的全局位置重合度很高，假设其超过预设的重合度阈值，即可认为目标图像a3和b实际为同一目标，可以仅保留一个，进而可以判断监控区域中的全局目标数量为3个。
在一些实施方式中，进一步地，由于监控区域中可能出现背景遮挡目标的情况，从而导致检测到的全局目标数量相较于实际数量减少的情况，基于此，还可以执行以下步骤：当数量检测的结果少于在先全局目标数量时，则根据多个摄像头采集的多个当前帧和多个当前帧的上一帧，判断是否存在从预定区域离开监控区域的目标；其中，若不存在从预定区域离开监控区域的目标，则仍然保留在先全局目标数量作为本次确定的全局目标数量；若存在从预定区域离开监控区域的目标，则将数量检测的结果作为本次确定的全局目标数量；
其中，在先全局目标数量是根据对多个上一帧进行目标检测和数量检测得到。具体地，将步骤101-步骤103中的多个当前帧替换为多个当前帧的上一帧，即可利用相同的方案获得该在先全局目标数量，本申请不再赘述。
例如，假设在对多个摄像头采集的多个当前帧的上一帧进行目标实时跟踪时，检测到监控区域中的全局目标数量为5，也即总共包括5个目标对象。在对多个摄像头采集的多个当前帧进行目标实时跟踪时，数量检测的结果指示监控区域内仅包含4个目标对象，相较于上一帧发生了数量减少，则需要考虑是否存在暂时的目标遮挡情况。具体可以将诸如监控区域的出口区域划分为预定区域，判断是否存在一个目标，根据多个当前帧的上一帧能够确定该目标位于该出口区域，且根据多个当前帧能够确定该目标从该出口区域消失。如果存在这样的目标，则可以认为真实发生了目标离开监控区域的情况，可以将上述数量检测的结果作为全局目标数量。相反，如果不存在这样的目标对象，则可以认为存在目标遮挡等情况，仍然保留在先全局目标数量作为本次确定的全局目标数量。
在一些实施方式中，根据每个摄像头的取景位置对捕获到的目标图像进行位置转换,还包括：根据每个摄像头的取景位置对当前帧中的目标图像的底部中心点进行投影变换，从而确定每个目标图像的地面坐标。这样，可以将每个摄像头取景范围内捕获的待识别目标组合到统一的坐标系中。
例如，可以获取图5中每个摄像头捕获的每个目标图像的底部中心点位置，对该每个目标图像的底部中心点进行转换，得到待识别目标在监控场景中的实际地面位置，图6示出了通过投影转换获得的每个目标图像对应的地面坐标。具体而言，可以看出，每个摄像头视角下的地面过道是一个近似梯形区域，因此针对每个摄像头捕获的目标图像，首先可以通过梯形-矩形转换得到每个目标图像的底部中心点在标准矩形区域中的坐标，其次根据监控场景的实际布局对标准矩形区域进行旋转，通过旋转矩阵计算得到每个目标图像的底部中心点的旋转后坐标，最后根据监控场景的实际布局对旋转后坐标进行平移和缩放，得到最终的地面坐标位置。
进一步地，在一些实施方式中，可以预先训练获得目标数量检测模型，以用于实时检测监控区域的全局目标数量的，在执行目标实时跟踪方法时，将多个当前帧输入经训练的目标数量检测模型以执行目标检测和数量检测，直接得到全局目标数量。
例如，可以通过改进基于深度学习的实时目标检测算法YOLOV4-TINY，提出改进的人数统计算法YOLOv4-TINY-PC(YOLOv4-tiny-People Counting)，其中YOLOV4-TINY算法不具备多摄像头的人数统计能力，YOLOv4-TINY-PC可以实时得到监控区域内人数信息以统计人流量。具体地，该目标数量检测模型可以通过行人检测算法(YOLOv4-TINY-P)得到各个摄像头识别的目标图像，对目标图像进行位置转换，得到在整体监控区域内的全局位置坐标。对机房内各个摄像头区域进行划分，对机房摄像头分为主摄像头和辅摄像头，对各个摄像头的数量检测结果进行筛选，使得彼此无重合，得到最终当前帧的所有摄像头中的目标数量，即为全局目标数量。
在本实施例中，目标数量检测模型为基于YOLOv4-tiny网络创建的行人数量检测模型。可选地，也可以基于诸如faster-rcnn、yolov4其他网络创建行人数量检测模型。可选地，也可以针对其他应用场景创建诸如车辆数量检测模型、动物数量检测模型的目标数量检测模型。
如图1所示，该方法还包括：
步骤104、根据目标图像和目标识别库进行目标重识别。
其中，目标识别库包括至少一个目标的身份标识和特征数据。例如，目标识别库可以包括{目标1：特征数据1，…，特征数据N}；{目标2：特征数据1，…，特征数据N}，诸如此类。
进一步地，在一种可能的实施方式中，在步骤104之后，还可以包括：计算目标图像与目标识别库中的特征数据之间的相似度，并依据计算得到的相似度，对目标图像进行目标重识别；当目标重识别的结果指示第一目标图像与目标识别库中的第一目标匹配时，对第一目标图像标识第一目标的身份标识。
例如，参考图5，计算示出的行人图像b和目标识别库包含的每个目标的特征数据之间的相似度，假设行人图像b和目标1的特征数据之间的相似度最高，且该相似度超过预设匹配阈值，则可以认为目标重识别的结果指示行人图像b与目标识别库中的目标1匹配，进一步可以将该行人图像b标识为目标1。基于相似的做法，行人图像a2匹配到目标识别库中的目标2并进行标识。行人图像a3同样匹配目标识别库中的目标1并进行标识。
如图1所示，该方法还包括：
步骤105、当检测到全局目标数量符合预设增加条件时，根据目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识(以下简称新ID)对至少一个未识别目标图像进行标记。
可以理解，当新的目标进入监控区域时，需要为该新的目标分配一个新ID，业界通常采用计算目标图像和目标识别库中的特征数据之间的特征相似度的方法来判断是否创建并分配新ID，而有些场景下，由于目标遮挡、拍摄角度等问题会对上述判断的准确度造成较大的影响。比如，当已经处于监控区域内的某个目标由于其目标图像的拍摄质量较差，导致其目标识别库中的对应特征数据无法匹配，则容易将其误认为是新的目标。与本实施例中，只有当检测到的全局目标数量符合预设增长条件时，比如当全局目标数量相较于根据多个当前帧的前一帧进行目标数量检测得到的先前目标数量增加时，才会生成新的ID，通过全局目标数量对新ID的创建和分配进行控制，能够很好保证身份标识数量的增长准确，保证稳定性。
基于此，当检测到的全局目标数量符合预设增长条件时，进一步根据目标重识别的结果确定至少一个未识别目标图像。例如，参考图5，假设目标识别库可以包括{目标1：特征数据1，…，特征数据N}；{目标2：特征数据1，…，特征数据N}，该目标重识别的结果指示行人图像b匹配到目标1并进行标识。行人图像a2匹配到目标2并进行标识。行人图像a3同样匹配到目标1并进行标识。此时，行人图像a1并未匹配到目标识别库中的任何一个目标，也即行人图像a1为上述目标重识别过程中确定的未识别目标图像，进一步地，可以根据创建新ID(比如目标3)并对该行人图像a1进行标记。由此可以实现为新的目标分配一个新ID。
值得注意的是，由于目标识别库是不断进行淘汰更新的，上述新的目标是指当前的目标识别库中未存放与其相匹配的身份标识和特征数据的目标。换言之，如果一个行人在先前进入过该监控区域并离开，仍然可能在下次进入该监控区域时作为新的目标，需要重新为该新的目标分配新创建的身份标识并相应存入特征数据。
在一种可能的实施方式中，进一步地，步骤105还可以包括检测全局目标数量是否符合预设增加条件的步骤，具体包括：若当前帧为非首帧，且当前帧对应的全局目标数量相较于多个当前帧的前一帧对应的在先全局目标数量增加时，则全局目标数量符合预设增加条件。若当前帧为首帧时，默认全局目标数量符合预设增加条件。具体地，已经在前文中描述了该在先全局目标数量，此处不再赘述。
如图1所示，该方法还包括：
步骤106、根据新的身份标识和至少一个未识别目标图像的特征数据更新目标识别库。
在一种实施方式中，为了提升新ID的识别准确性，步骤106可以具体包括：判断至少一个未识别目标图像是否满足预设图像质量条件；将新的身份标识和满足预设图像质量条件的未识别目标图像对应存入目标识别库。
可以理解，由于在目标识别库中，新ID对应的特征数据较少，为了保证后续涉及新ID的目标重识别准确度，需要对新ID对应的首项特征数据进行较为严格的质量控制。比如，某个新ID对应的至少一个未识别目标图像来源自不同的摄像头，可能某些未识别目标图像存在原始图像尺寸较小，采集模糊、环境遮挡等图像质量问题，判断新ID对应的未识别目标图像是否满足预设图像质量条件，从而综合判断其是否满足成为新ID的首个特征数据。这样，可以过滤掉拍摄不完整，遮挡等情况，提升新ID识别的准确性。
在一种实施方式中，进一步地，在上述步骤103之后，为了保证该目标识别库的实时性和避免冗余，上述方法还可以包括：根据第一目标图像或第一目标图像的特征值对目标识别库中的第一目标的特征数据进行动态更新。这样可以利用实时性较高的特征数据进行特征匹配，有利于提升识别准确度。
可以理解，当采用目标图像的特征值替代目标图像进行更新后，在后续计算中可以直接采用特征值，避免重复计算，极大减少了运算时间，保证了实时效果。
在一种实施方式中，为避免目标识别库产生特征冗余，方法还包括对目标识别库进行替换更新，具体包括以下三种替换更新的场景：(1)根据目标识别库中的每个目标的特征数据对应的来源时间和当前时间的比较结果，对目标识别库进行替换更新。比如，可以将当前时间的指定时间长度之前获取的全部特征数据予以删除。也可以针对特征数据数量超过阈值的一个或多个目标，将其在另一指定时间长度之前获取的全部特征数据予以删除。由此可以保证目标识别库的实时性，有利于后续的目标重识别。(2)根据目标识别库中的每个目标的特征数据对应的全局位置和每个目标的当前全局位置的比较结果，对目标识别库进行替换更新。比如，可以理解，特征数据的来源为先前获得的目标图像，因此特征数据可以根据其来源的目标图像对应到某个全局位置，针对一个或多个目标，可以将距离目标当前全局位置超过一定范围的特征数据进行删除。(3)根据目标识别库中的每个目标的多个特征数据之间的特征相似度，对目标识别库进行替换更新。比如，针对目标识别库中的每个目标，对特征相似程高于预设值的两个或以上特征数据进行删减，以减少目标识别库中的特征重复。
在一种实施方式中，方法还包括：任意一个目标的特征数据的数量超过预设阈值之后，启动替换更新。例如，设置该预设阈值为100，在目标识别库中，每个目标的特征数据数量超过100之后，开始进行上述实施例描述的替换更新，在保证特征数据足量的同时有效避免出现冗余。
关于本申请实施例的方法流程图，将某些操作描述为以一定顺序执行的不同的步骤。这样的流程图属于说明性的而非限制性的。可以将在本文中所描述的某些步骤分组在一起并且在单个操作中执行、可以将某些步骤分割成多个子步骤、并且可以以不同于在本文中所示出的顺序来执行某些步骤。可以由任何电路结构和/或有形机制(例如，由在计算机设备上运行的软件、硬件(例如，处理器或芯片实现的逻辑功能)等、和/或其任何组合)以任何方式来实现在流程图中所示出的各个步骤。
基于相同的技术构思，本发明实施例还提供一种目标重识别装置，用于执行上述任一实施例所提供的目标重识别方法。图7为本发明实施例提供的一种目标重识别装置结构示意图。
如图7所示，目标重识别装置700包括：
获取模块701，用于获取设置于监控区域内的多个摄像头采集的多个当前帧；
目标检测模块702，用于根据多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；
数量检测模块703，用于根据每个摄像头捕获到的目标图像进行数量检测，得到全局目标数量；
目标重识别模块704，用于根据目标图像和目标识别库进行目标重识别，目标识别库包括至少一个目标的身份标识和特征数据；
身份标识模块705，用于当检测到全局目标数量符合预设增加条件时，根据目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对至少一个未识别目标图像进行标记；
目标识别库更新模块706，用于根据新的身份标识和至少一个未识别目标图像的特征数据更新目标识别库。
在一种可能的实施方式中，目标检测模块，还用于：将多个当前帧输入经训练的目标检测模型，以提取出每个摄像头捕获到的目标图像；其中，目标检测模型为基于YOLOv4-tiny网络创建的人体检测模型。
在一种可能的实施方式中，目标检测模块，还用于：根据监控区域内的真实采集图像对YOLOv4-tiny网络进行训练，得到目标检测模型。
在一种可能的实施方式中，目标图像为当前帧中包含目标特征的局部图像，数量检测模块还用于：根据每个摄像头的取景位置对捕获到的目标图像进行位置转换，得到每个摄像头捕获到的目标图像对应的全局位置；确定由不同摄像头各自捕获的目标图像的全局位置重合度，根据全局位置重合度对不同摄像头各自捕获的目标图像进行筛选，检测筛选后保留的目标图像的数量。
在一种可能的实施方式中，数量检测模块还用于：当数量检测的结果少于在先全局目标数量时，则根据多个摄像头采集的多个当前帧和多个当前帧的上一帧，判断是否存在从预定区域离开监控区域的目标；若不存在目标，则仍然保留在先全局目标数量作为本次确定的全局目标数量；若存在目标，则将数量检测的结果作为本次确定的全局目标数量；其中，在先全局目标数量根据对多个当前帧的上一帧进行目标检测和数量检测得到。
在一种可能的实施方式中，数量检测模块还用于：根据每个摄像头的取景位置对当前帧中的目标图像的底部中心点进行投影变换，从而确定每个目标图像的地面坐标。
在一种可能的实施方式中，装置还用于：将多个当前帧输入经训练的目标数量检测模型，以执行目标检测和数量检测，得到全局目标数量；其中，目标数量检测模型为基于YOLOv4-tiny网络创建的行人数量检测模型。
在一种可能的实施方式中，目标重识别模块还用于：计算目标图像与目标识别库中的特征数据之间的相似度，并依据计算得到的相似度，对目标图像进行目标重识别；当目标重识别的结果指示第一目标图像与目标识别库中的第一目标匹配时，根据第一目标的身份标识对第一目标图像进行标记。
在一种可能的实施方式中，身份标识模块还用于：若当前帧为非首帧，且当前帧对应的全局目标数量相较于上一帧对应的全局目标数量增加时，则全局目标数量符合预设增加条件；若当前帧为首帧时，默认全局目标数量符合预设增加条件。
在一种可能的实施方式中，目标识别库更新模块还用于：判断至少一个未识别目标图像是否满足预设图像质量条件；将新的身份标识和满足预设图像质量条件的未识别目标图像对应存入目标识别库。
在一种可能的实施方式中，目标识别库更新模块还用于：根据第一目标图像或第一目标图像的特征值对目标识别库中的第一目标的特征数据进行动态更新。
在一种可能的实施方式中，目标识别库更新模块还用于：根据目标识别库中的每个目标的特征数据对应的来源时间和当前时间的比较结果，对目标识别库进行替换更新；和/或，根据目标识别库中的每个目标的特征数据对应的全局位置和每个目标的当前全局位置的比较结果，对目标识别库进行替换更新；和/或，根据目标识别库中的每个目标的多个特征数据之间的特征相似度，对目标识别库进行替换更新。
在一种可能的实施方式中，目标识别库更新模块还用于：任意一个目标的特征数据的数量超过预设阈值之后，启动替换更新。
需要说明的是，本申请实施例中的目标重识别装置可以实现前述目标重识别方法的实施例的各个过程，并达到相同的效果和功能，这里不再赘述。
图8为根据本申请一实施例的目标重识别装置，用于执行图1所示出的目标重识别方法，该装置包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例所述的方法。
根据本申请的一些实施例，提供了目标重识别方法的非易失性计算机存储介质，其上存储有计算机可执行指令，该计算机可执行指令设置为在由处理器运行时执行：上述实施例所述的方法。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以其描述进行了简化，相关之处可参见方法实施例的部分说明即可。
本申请实施例提供的装置、设备和计算机可读存储介质与方法是一一对应的，因此，装置、设备和计算机可读存储介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述装置、设备和计算机可读存储介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (28)

1.一种目标重识别方法，其特征在于，包括：
获取设置于监控区域内的多个摄像头采集的多个当前帧；
根据所述多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；
根据每个摄像头捕获到的所述目标图像进行数量检测，得到全局目标数量；
根据所述目标图像和目标识别库进行目标重识别，所述目标识别库包括至少一个目标的身份标识和特征数据；
当检测到所述全局目标数量符合预设增加条件时，根据所述目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对所述至少一个未识别目标图像进行标记；
根据所述新的身份标识和所述至少一个未识别目标图像的特征数据更新所述目标识别库。
2.根据权利要求1所述的方法，其特征在于，根据所述多个当前帧进行目标检测，还包括：
将所述多个当前帧输入经训练的目标检测模型，以提取出每个摄像头捕获到的所述目标图像；
其中，所述目标检测模型为基于YOLOv4-tiny网络创建的人体检测模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述监控区域内的真实采集图像对所述YOLOv4-tiny网络进行训练，得到所述目标检测模型。
4.根据权利要求1所述的方法，其特征在于，所述目标图像为所述当前帧中包含目标特征的局部图像，根据每个摄像头捕获到的所述目标图像进行数量检测，还包括：
根据每个摄像头的取景位置对捕获到的所述目标图像进行位置转换，得到每个摄像头捕获到的所述目标图像对应的全局位置；
确定由不同摄像头各自捕获的所述目标图像的全局位置重合度，根据所述全局位置重合度对不同摄像头各自捕获的所述目标图像进行筛选，检测筛选后保留的所述目标图像的数量。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
当所述数量检测的结果少于在先全局目标数量时，则根据所述多个摄像头采集的所述多个当前帧和所述多个当前帧的上一帧，判断是否存在从预定区域离开所述监控区域的目标；
若不存在所述目标，则仍然保留所述在先全局目标数量作为本次确定的所述全局目标数量；若存在所述目标，则将所述数量检测的结果作为本次确定的所述全局目标数量；
其中，所述在先全局目标数量根据对所述多个当前帧的上一帧进行所述目标检测和所述数量检测得到。
6.根据权利要求4所述的方法，其特征在于，以及，根据每个摄像头的取景位置对捕获到的所述目标图像进行位置转换,还包括：
根据每个摄像头的取景位置对所述当前帧中的所述目标图像的底部中心点进行投影变换，从而确定所述每个所述目标图像的地面坐标。
7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述方法还包括：
将所述多个当前帧输入经训练的目标数量检测模型，以执行所述目标检测和所述数量检测，得到所述全局目标数量；
其中，所述目标数量检测模型为基于YOLOv4-tiny网络创建的行人数量检测模型。
8.根据权利要求1所述的方法，其特征在于，根据所述目标图像和目标识别库进行目标重识别，还包括：
计算所述目标图像与所述目标识别库中的特征数据之间的相似度，并依据计算得到的相似度，对所述目标图像进行目标重识别；
当所述目标重识别的结果指示第一目标图像与所述目标识别库中的第一目标匹配时，根据所述第一目标的身份标识对所述第一目标图像进行标记。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述当前帧为非首帧，且当前帧对应的所述全局目标数量相较于上一帧对应的所述全局目标数量增加时，则所述全局目标数量符合所述预设增加条件；
若所述当前帧为首帧时，默认所述全局目标数量符合所述预设增加条件。
10.根据权利要求1所述的方法，其特征在于，根据所述新的身份标识和所述至少一个未识别目标图像的特征数据更新所述目标识别库，还包括：
判断所述至少一个未识别目标图像是否满足预设图像质量条件；
将所述新的身份标识和满足所述预设图像质量条件的所述未识别目标图像对应存入所述目标识别库。
11.根据权利要求8所述的方法，其特征在于，根据所述目标图像和目标识别库进行目标重识别之后，所述方法还包括：
根据所述第一目标图像或所述第一目标图像的特征值对所述目标识别库中的所述第一目标的特征数据进行动态更新。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括对所述目标识别库进行替换更新，具体包括：
根据所述目标识别库中的每个目标的所述特征数据对应的来源时间和当前时间的比较结果，对所述目标识别库进行替换更新；和/或，
根据所述目标识别库中的每个目标的所述特征数据对应的全局位置和每个所述目标的当前全局位置的比较结果，对所述目标识别库进行替换更新；和/或，
根据所述目标识别库中的每个目标的多个特征数据之间的特征相似度，对所述目标识别库进行替换更新。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
任意一个所述目标的所述特征数据的数量超过预设阈值之后，启动所述替换更新。
14.一种目标重识别装置，其特征在于，包括：
获取模块，用于获取设置于监控区域内的多个摄像头采集的多个当前帧；
目标检测模块，用于根据所述多个当前帧进行目标检测，确定每个摄像头捕获到的目标图像；
数量检测模块，用于根据每个摄像头捕获到的所述目标图像进行数量检测，得到全局目标数量；
目标重识别模块，用于根据所述目标图像和目标识别库进行目标重识别，所述目标识别库包括至少一个目标的身份标识和特征数据；
身份标识模块，用于当检测到所述全局目标数量符合预设增加条件时，根据所述目标重识别的结果确定至少一个未识别目标图像，创建新的身份标识对所述至少一个未识别目标图像进行标记；
目标识别库更新模块，用于根据所述新的身份标识和所述至少一个未识别目标图像的特征数据更新所述目标识别库。
15.根据权利要求14所述的装置，其特征在于，所述目标检测模块，还用于：
将所述多个当前帧输入经训练的目标检测模型，以提取出每个摄像头捕获到的所述目标图像；
其中，所述目标检测模型为基于YOLOv4-tiny网络创建的人体检测模型。
16.根据权利要求15所述的装置，其特征在于，所述目标检测模块，还用于：
根据所述监控区域内的真实采集图像对所述YOLOv4-tiny网络进行训练，得到所述目标检测模型。
17.根据权利要求16所述的装置，其特征在于，所述目标图像为所述当前帧中包含目标特征的局部图像，所述数量检测模块还用于：
根据每个摄像头的取景位置对捕获到的所述目标图像进行位置转换，得到每个摄像头捕获到的所述目标图像对应的全局位置；
确定由不同摄像头各自捕获的所述目标图像的全局位置重合度，根据所述全局位置重合度对不同摄像头各自捕获的所述目标图像进行筛选，检测筛选后保留的所述目标图像的数量。
18.根据权利要求17所述的装置，其特征在于，所述数量检测模块还用于：
当所述数量检测的结果少于在先全局目标数量时，则根据所述多个摄像头采集的所述多个当前帧和所述多个当前帧的上一帧，判断是否存在从预定区域离开所述监控区域的目标；
若不存在所述目标，则仍然保留所述在先全局目标数量作为本次确定的所述全局目标数量；若存在所述目标，则将所述数量检测的结果作为本次确定的所述全局目标数量；
其中，所述在先全局目标数量根据对所述多个当前帧的上一帧进行所述目标检测和所述数量检测得到。
19.根据权利要求17所述的装置，其特征在于，所述数量检测模块还用于：
根据每个摄像头的取景位置对所述当前帧中的所述目标图像的底部中心点进行投影变换，从而确定所述每个所述目标图像的地面坐标。
20.根据权利要求14-19中任意一项所述的装置，其特征在于，所述装置还用于：
将所述多个当前帧输入经训练的目标数量检测模型，以执行所述目标检测和所述数量检测，得到所述全局目标数量；
其中，所述目标数量检测模型为基于YOLOv4-tiny网络创建的行人数量检测模型。
21.根据权利要求14所述的装置，其特征在于，所述目标重识别模块还用于：
计算所述目标图像与所述目标识别库中的特征数据之间的相似度，并依据计算得到的相似度，对所述目标图像进行目标重识别；
当所述目标重识别的结果指示第一目标图像与所述目标识别库中的第一目标匹配时，根据所述第一目标的身份标识对所述第一目标图像进行标记。
22.根据权利要求14所述的装置，其特征在于，所述身份标识模块还用于：
若所述当前帧为非首帧，且当前帧对应的所述全局目标数量相较于上一帧对应的所述全局目标数量增加时，则所述全局目标数量符合所述预设增加条件；
若所述当前帧为首帧时，默认所述全局目标数量符合所述预设增加条件。
23.根据权利要求14所述的装置，其特征在于，所述目标识别库更新模块还用于：
判断所述至少一个未识别目标图像是否满足预设图像质量条件；
将所述新的身份标识和满足所述预设图像质量条件的所述未识别目标图像对应存入所述目标识别库。
24.根据权利要求21所述的装置，其特征在于，所述目标识别库更新模块还用于：
根据所述第一目标图像或所述第一目标图像的特征值对所述目标识别库中的所述第一目标的特征数据进行动态更新。
25.根据权利要求14所述的装置，其特征在于，所述目标识别库更新模块还用于：
根据所述目标识别库中的每个目标的所述特征数据对应的来源时间和当前时间的比较结果，对所述目标识别库进行替换更新；和/或，
根据所述目标识别库中的每个目标的所述特征数据对应的全局位置和每个所述目标的当前全局位置的比较结果，对所述目标识别库进行替换更新；和/或，
根据所述目标识别库中的每个目标的多个特征数据之间的特征相似度，对所述目标识别库进行替换更新。
26.根据权利要求25所述的装置，其特征在于，所述目标识别库更新模块还用于：
任意一个所述目标的所述特征数据的数量超过预设阈值之后，启动所述替换更新。
27.一种目标重识别装置，其特征在于，包括：一个或者多个多核处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或者多个多核处理器执行时，使得所述一个或多个多核处理器实现：如权利要求1-13中任一项所述的方法。
28.一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被多核处理器执行时，使得所述多核处理器执行如权利要求1-13中任一项所述的方法。
CN202110095415.1A 2021-01-25 2021-01-25 一种目标重识别方法、装置及计算机可读存储介质 Active CN112906483B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110095415.1A CN112906483B (zh) 2021-01-25 2021-01-25 一种目标重识别方法、装置及计算机可读存储介质
TW110133172A TWI798815B (zh) 2021-01-25 2021-09-07 目標重識別方法、裝置及電腦可讀存儲介質
PCT/CN2021/117512 WO2022156234A1 (zh) 2021-01-25 2021-09-09 一种目标重识别方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110095415.1A CN112906483B (zh) 2021-01-25 2021-01-25 一种目标重识别方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112906483A true CN112906483A (zh) 2021-06-04
CN112906483B CN112906483B (zh) 2024-01-23

Family

ID=76118765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110095415.1A Active CN112906483B (zh) 2021-01-25 2021-01-25 一种目标重识别方法、装置及计算机可读存储介质

Country Status (3)

Country Link
CN (1) CN112906483B (zh)
TW (1) TWI798815B (zh)
WO (1) WO2022156234A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723361A (zh) * 2021-09-18 2021-11-30 西安邮电大学 一种基于深度学习的视频监测方法及设备
WO2022156234A1 (zh) * 2021-01-25 2022-07-28 中国银联股份有限公司 一种目标重识别方法、装置及计算机可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423051B (zh) * 2023-10-18 2024-03-26 广州元沣智能科技有限公司 一种基于场所活动对象的信息监测分析方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017000115A1 (zh) * 2015-06-29 2017-01-05 北京旷视科技有限公司 行人再识别方法及设备
US20170177946A1 (en) * 2015-12-21 2017-06-22 Canon Kabushiki Kaisha Method, device, and computer program for re-identification of objects in images obtained from a plurality of cameras
WO2017150899A1 (ko) * 2016-02-29 2017-09-08 광주과학기술원 전역적 다중 객체 추적을 위한 객체 재식별 방법
WO2017190656A1 (zh) * 2016-05-05 2017-11-09 华为技术有限公司 行人再识别方法和装置
CN108875588A (zh) * 2018-05-25 2018-11-23 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
US20180374233A1 (en) * 2017-06-27 2018-12-27 Qualcomm Incorporated Using object re-identification in video surveillance
WO2019080669A1 (zh) * 2017-10-23 2019-05-02 北京京东尚科信息技术有限公司 封闭场所内人物再识别的方法、系统及终端设备
CN109902573A (zh) * 2019-01-24 2019-06-18 中国矿业大学 面向矿井下视频监控的多摄像机无标注行人重识别方法
CN110826415A (zh) * 2019-10-11 2020-02-21 上海眼控科技股份有限公司 一种场景图像中车辆的重识别方法及设备
CN110991283A (zh) * 2019-11-21 2020-04-10 北京格灵深瞳信息技术有限公司 重识别及训练数据获取方法、装置、电子设备及存储介质
US20200134321A1 (en) * 2018-02-12 2020-04-30 Beijing Sensetime Technology Development Co., Ltd. Pedestrian re-identification methods and apparatuses, electronic devices, and storage media
CN111145213A (zh) * 2019-12-10 2020-05-12 中国银联股份有限公司 一种目标跟踪方法、装置、系统及计算机可读存储介质
CN111159475A (zh) * 2019-12-06 2020-05-15 中山大学 基于多摄像头视频图像的行人再识别路径生成方法
CN111160275A (zh) * 2019-12-30 2020-05-15 深圳元戎启行科技有限公司 行人重识别模型训练方法、装置、计算机设备和存储介质
WO2020098158A1 (zh) * 2018-11-14 2020-05-22 平安科技（深圳）有限公司 行人重识别方法、装置及计算机可读存储介质
CN111274992A (zh) * 2020-02-12 2020-06-12 北方工业大学 一种跨摄像头的行人重识别方法及系统
CN111382751A (zh) * 2020-03-11 2020-07-07 西安应用光学研究所 一种基于颜色特征的目标再识别方法
CN111680551A (zh) * 2020-04-28 2020-09-18 平安国际智慧城市科技股份有限公司 监控牲畜数量的方法、装置、计算机设备及存储介质
CN111783570A (zh) * 2020-06-16 2020-10-16 厦门市美亚柏科信息股份有限公司 一种目标重识别的方法、装置、系统及计算机存储介质
US20200342271A1 (en) * 2019-04-29 2020-10-29 Beijing Baidu Netcom Science And Technology Co., Ltd. Pedestrian re-identification method, computer device and readable medium
CN111882586A (zh) * 2020-06-23 2020-11-03 浙江工商大学 一种面向剧场环境的多演员目标跟踪方法
CN112183431A (zh) * 2020-10-12 2021-01-05 上海汉时信息科技有限公司 实时行人数量统计方法、装置、相机和服务器

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9607402B1 (en) * 2016-05-09 2017-03-28 Iteris, Inc. Calibration of pedestrian speed with detection zone for traffic intersection control
CN108427914B (zh) * 2018-02-08 2020-08-18 阿里巴巴集团控股有限公司 入离场状态检测方法和装置
CN110008799A (zh) * 2018-11-09 2019-07-12 阿里巴巴集团控股有限公司 指定区域的人流状况估算方法和装置
CN110309717A (zh) * 2019-05-23 2019-10-08 南京熊猫电子股份有限公司 一种基于深度神经网络的行人计数方法
TWI705383B (zh) * 2019-10-25 2020-09-21 緯創資通股份有限公司 人物追蹤系統及人物追蹤方法
CN111623791A (zh) * 2020-05-28 2020-09-04 识加科技(上海)有限公司 在公共区域进行导航的方法、装置、设备和介质
CN112906483B (zh) * 2021-01-25 2024-01-23 中国银联股份有限公司 一种目标重识别方法、装置及计算机可读存储介质

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017000115A1 (zh) * 2015-06-29 2017-01-05 北京旷视科技有限公司 行人再识别方法及设备
US20170177946A1 (en) * 2015-12-21 2017-06-22 Canon Kabushiki Kaisha Method, device, and computer program for re-identification of objects in images obtained from a plurality of cameras
WO2017150899A1 (ko) * 2016-02-29 2017-09-08 광주과학기술원 전역적 다중 객체 추적을 위한 객체 재식별 방법
WO2017190656A1 (zh) * 2016-05-05 2017-11-09 华为技术有限公司 行人再识别方法和装置
US20180374233A1 (en) * 2017-06-27 2018-12-27 Qualcomm Incorporated Using object re-identification in video surveillance
US20200349348A1 (en) * 2017-10-23 2020-11-05 Beijing Jingdong Shangke Information Technology Co., Ltd. Method for person re-identification in enclosed place, system, and terminal device
WO2019080669A1 (zh) * 2017-10-23 2019-05-02 北京京东尚科信息技术有限公司 封闭场所内人物再识别的方法、系统及终端设备
US20200134321A1 (en) * 2018-02-12 2020-04-30 Beijing Sensetime Technology Development Co., Ltd. Pedestrian re-identification methods and apparatuses, electronic devices, and storage media
CN108875588A (zh) * 2018-05-25 2018-11-23 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
WO2020098158A1 (zh) * 2018-11-14 2020-05-22 平安科技（深圳）有限公司 行人重识别方法、装置及计算机可读存储介质
CN109902573A (zh) * 2019-01-24 2019-06-18 中国矿业大学 面向矿井下视频监控的多摄像机无标注行人重识别方法
US20200342271A1 (en) * 2019-04-29 2020-10-29 Beijing Baidu Netcom Science And Technology Co., Ltd. Pedestrian re-identification method, computer device and readable medium
CN110826415A (zh) * 2019-10-11 2020-02-21 上海眼控科技股份有限公司 一种场景图像中车辆的重识别方法及设备
CN110991283A (zh) * 2019-11-21 2020-04-10 北京格灵深瞳信息技术有限公司 重识别及训练数据获取方法、装置、电子设备及存储介质
CN111159475A (zh) * 2019-12-06 2020-05-15 中山大学 基于多摄像头视频图像的行人再识别路径生成方法
CN111145213A (zh) * 2019-12-10 2020-05-12 中国银联股份有限公司 一种目标跟踪方法、装置、系统及计算机可读存储介质
CN111160275A (zh) * 2019-12-30 2020-05-15 深圳元戎启行科技有限公司 行人重识别模型训练方法、装置、计算机设备和存储介质
CN111274992A (zh) * 2020-02-12 2020-06-12 北方工业大学 一种跨摄像头的行人重识别方法及系统
CN111382751A (zh) * 2020-03-11 2020-07-07 西安应用光学研究所 一种基于颜色特征的目标再识别方法
CN111680551A (zh) * 2020-04-28 2020-09-18 平安国际智慧城市科技股份有限公司 监控牲畜数量的方法、装置、计算机设备及存储介质
CN111783570A (zh) * 2020-06-16 2020-10-16 厦门市美亚柏科信息股份有限公司 一种目标重识别的方法、装置、系统及计算机存储介质
CN111882586A (zh) * 2020-06-23 2020-11-03 浙江工商大学 一种面向剧场环境的多演员目标跟踪方法
CN112183431A (zh) * 2020-10-12 2021-01-05 上海汉时信息科技有限公司 实时行人数量统计方法、装置、相机和服务器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANWEI ZHENG; HAO SHENG; YANG LIU; KAI LV; WEI KE; ZHANG XIONG: "Learning Irregular Space Transformation for Person Re-Identification", IEEE ACCESS, pages 53214 - 53225 *
崔鹏，范志旭: "基于域鉴别网络和域自适应的行人重识别", 光电子·激光, vol. 30, no. 6, pages 632 - 639 *
李幼蛟;卓力;张菁;李嘉锋;张辉;: "行人再识别技术综述", 自动化学报, no. 09, pages 20 - 34 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022156234A1 (zh) * 2021-01-25 2022-07-28 中国银联股份有限公司 一种目标重识别方法、装置及计算机可读存储介质
CN113723361A (zh) * 2021-09-18 2021-11-30 西安邮电大学 一种基于深度学习的视频监测方法及设备

Also Published As

Publication number Publication date
TW202230215A (zh) 2022-08-01
WO2022156234A1 (zh) 2022-07-28
TWI798815B (zh) 2023-04-11
CN112906483B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
WO2021043073A1 (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
WO2019218824A1 (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
US11748399B2 (en) System and method for training a damage identification model
CN112906483A (zh) 一种目标重识别方法、装置及计算机可读存储介质
AU2014240213B2 (en) System and Method for object re-identification
US10388022B2 (en) Image target tracking method and system thereof
CN110866466B (zh) 一种人脸识别方法、装置、存储介质和服务器
CN112435215A (zh) 一种基于图像的车辆定损方法、移动终端、服务器
WO2015070764A1 (zh) 一种人脸定位的方法与装置
CN111368772B (zh) 身份识别方法、装置、设备及存储介质
Molina-Moreno et al. Efficient scale-adaptive license plate detection system
WO2019076187A1 (zh) 视频遮蔽区域选取方法、装置、电子设备及系统
CN112633255B (zh) 目标检测方法、装置及设备
US20230060211A1 (en) System and Method for Tracking Moving Objects by Video Data
CN110826484A (zh) 车辆重识别的方法、装置、计算机设备及模型训练方法
CN114428875A (zh) 一种行人重识别建库的方法、装置、计算机设备和存储介质
US20240087352A1 (en) System for identifying companion animal and method therefor
Ye et al. Person tracking and reidentification for multicamera indoor video surveillance systems
KR101826669B1 (ko) 동영상 검색 시스템 및 그 방법
US10140727B2 (en) Image target relative position determining method, device, and system thereof
US20210287051A1 (en) Methods and systems for recognizing object using machine learning model
CN114387496A (zh) 一种目标检测方法和电子设备
CN115346143A (zh) 行为检测方法、电子设备、计算机可读介质
CN113761987A (zh) 一种行人重识别的方法、装置、计算机设备和存储介质
CN113051975A (zh) 人流量统计方法及相关产品

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40047889

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant