CN112906798A - 图像匹配方法、装置及计算机存储介质 - Google Patents
图像匹配方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112906798A CN112906798A CN202110212863.5A CN202110212863A CN112906798A CN 112906798 A CN112906798 A CN 112906798A CN 202110212863 A CN202110212863 A CN 202110212863A CN 112906798 A CN112906798 A CN 112906798A
- Authority
- CN
- China
- Prior art keywords
- standard
- feature
- image
- fusion
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像匹配方法、装置及计算机存储介质,主要包括根据各标准对象对应的各标准图像,获得各标准图像对应的各标准特征,并针对同一标准对象的各标准特征进行融合,获得各标准对象对应的各融合特征;根据目标对象的目标图像,获得目标图像的目标特征;并根据目标对象的目标特征与各标准对象对应的各融合特征,获得目标对象与各标准对象之间的各图像匹配结果。据此,本申请可提高图像匹配效率及图像匹配准确率。
Description
技术领域
本申请实施例涉及图片识别技术领域,特别涉及一种图像匹配方法、装置及计算机存储介质。
背景技术
当今的信息时代,也是一个数据即生产力的时代,其中,海量的原始数据需要通过特征提取并归类总结以转换为有效信息数据(如聚类之后形成档案)之后才能产生价值。
在对有效信息数据(即归类总结后的数据)的使用过程中,使用已有的目标数据查询其应该属于的归类总结后的类别是一种常见且重要的使用手段;此类任务往往存在搜索底库大而导致搜索效率不高,以及搜索准确率较低的问题,且随着有效数据的不断更新加入,底库往往存在着高更新率的问题。
以当前逐渐兴起的人脸抓拍数据为例,城市各类摄像头每天均能抓拍海量的人脸数据,有关部门采用例如聚类算法类等方式将人脸数据归纳分类以形成人脸档案,目前,针对所形成的人脸档案所使用的最常见和重要的一个手段为:根据一个已知的人脸照片,需要查询得到其所属的人脸档案,并从人脸档案上获取更多的信息,如身份信息、活动轨迹信息等。
有鉴于此,如何提供一种可提高大容量底库搜索效率和准确率的图像匹配技术,即为业界亟待解决的技术课题。
发明内容
鉴于上述问题,本申请提供一种图像匹配方法、装置及计算机存储技术,可以提高图像匹配效率及准确率。
本申请第一方面提供一种图像匹配方法,其包括根据各标准对象对应的各标准图像,获得各所述标准图像对应的各标准特征,并针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征;根据目标对象的目标图像,获得所述目标图像的目标特征;以及根据所述目标对象的所述目标特征与各所述标准对象对应的各所述融合特征,获得所述目标对象与各所述标准对象之间的各图像匹配结果。
本申请第二方面提供一种计算机存储介质,其特征在于,所述计算机存储介质中储存有用于执行上述第一方面所述的图像匹配方法的各所述步骤的指令。
本申请第三方面提供一种图像匹配装置,其包括:特征提取模块,用于根据各标准对象对应的各标准图像,获得各所述标准图像对应的各标准特征,或根据目标对象的目标图像,获得所述目标对象的目标特征;特征融合模块,用于针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征;图像匹配模块,用于根据所述目标对象的所述目标特征与各所述标准对象的各所述融合特征,获得所述目标对象与各所述标准对象之间的匹配结果。
由以上技术方案可见,本申请提供的图像匹配方法、装置及计算机存储介质,通过针对同一标准对象的各个标准特征进行融合以获得融合特征,并根据目标对象的目标特征与标准对象的融合特征进行图像匹配,以获目标对象与标准对象之间的图像匹配结果,相较于现有以图搜图的图片匹配技术,本申请可在相同的硬件资源条件下支持更大数量的标准图像,并具备了更高的搜索效率,且搜索准确率也可得到有效提升。
再者,本申请利用迭代更新的方式更新融合特征,可以满足标准图像更新率较高的应用需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请第一实施例的图像匹配方法的流程示意图;
图2为本申请第二实施例的图像匹配方法的流程示意图;
图3为本申请第三实施例的图像匹配方法的流程示意图;
图4为本申请第四实施例的图像匹配方法的流程示意图;
图5为本申请第五实施例的图像匹配方法的流程示意图;
图6为本申请第六实施例的图像匹配方法的流程示意图;
图7为本申请第八实施例的图像匹配装置的架构示意图;
图8为本申请第九实施例的图像匹配装置的架构示意图。
元件标号
700:图像匹配装置;710:特征提取模块;720:特征融合模块;730:图像匹配模块;740:权重评估模块。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,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实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
第一实施例
图1为本申请第一实施例的图像匹配方法的流程示意图。如图所示,本实施例的图像匹配方法主要包括以下:
步骤S11,根据各标准对象对应的各标准图像,获得各标准图像对应的各标准特征,并针对同一标准对象的各标准特征进行融合,获得各标准对象对应的各融合特征。
可选地,标准图像可包括人脸图像或人体图像。
于本实施例中,标准对象的标准图像例如为人物的人脸照片(例如身份证、驾照、护照等各类证件上所使用的一寸免冠照),亦或是人物的标准姿态照片(例如正身照、侧身照、背身照等)。需说明的是,标准对象并不限于人类,亦可为动物、植物、建筑等客体对象。
可选地,可利用残差网络模型针对标准图像进行特征提取,以获得标准图像的标准特征。但并不以此为限,亦可采用其他神经网络模型或技术手段获得标准图像的标准特征,本申请对此不作限制。
步骤S12,根据目标对象的目标图像,获得目标图像的目标特征。
可选地,目标图像可包括人脸图像或人体图像。
于本实施例中,目标对象的目标图像例如为人物的抓拍照片,例如,目标人物被设置在公共场所中的监控摄像头所抓拍到的图像。于本实施例中,目标对象的类别不限于人类,亦可为动物或其他各类静态物。
可选地,可利用残差网络模型针对目标图像进行特征提取,以获得目标图像的目标特征。但并不以此为限,亦可采用其他神经网络模型或技术手段获得目标图像的目标特征,本申请对此不作限制。
步骤S13,根据目标对象的目标特征与各标准对象对应的各融合特征,获得目标对象与各标准对象之间的各图像匹配结果。
可选地,可通过计算目标特征与各融合特征之间的相似度,获得目标对象相对于各标准对象的各相似度值,并根据目标对象相对于各标准对象的各相似度值,获得目标对象与各标准对象之间的各图像匹配结果。
可选地,可依照由大到小的顺序针对目标对象相对于各标准对象的各相似度值进行排序,并根据各相似度值的排序结果,提取满足预设匹配数量的多个相似度值对应的多个标准对象,输出目标对象与所提取的各标准对象之间的各图像匹配结果。
可选地,可基于预设相似度阈值,将相似度值大于预设相似度阈值的标准对象确定为与目标对象相匹配。
例如,预设相似度阈值可设定为96%,亦即,当目标对象相较于标准对象的相似度值大于96%时,可将所述标准对象确定为与目标对象相匹配。
需说明的是,上述预设相似度阈值的设定可根据容错率、软硬件配置等各类因素的实际设计需求而进行调整,本申请对此不作限制。
可选地,可利用近邻搜索算法搜索与目标特征最相似的融合特征。
综上所述,本实施例提供的图像匹配方法融合同一标准对象的各标准特征,使得每一个标准对象仅对应一个融合特征。相较于现有技术中以图搜图的图像匹配方式,本申请的搜索量的大小取决于标准对象的数量,而与标准对象的标准图像的数量多寡无关,因此,在相同的软硬件资源条件下,使得本申请可支持的标准图像的数量得到极大扩充,能够在提高搜索效率的前提下,还可同时提高匹配结果的准确性。
第二实施例
图2示出了本申请第二实施例的图像匹配方法的流程示意图。本实施例主要示出了上述步骤S11中获取标准对象的融合特征的一种具体实施方案,其主要包括以下:
步骤S21,获得一个标准对象的各标准特征。
具体而言,收集当前待分析的标准对象的所有标准图像的所有标准特征。
步骤S22,根据第一预设特征融合规则、标准对象的各标准特征,获得标准对象对应的融合特征。
于本实施例中,第一预设特征融合规则表示为:
步骤S23,判断是否所有标准对象的融合特征均已获得,若是则结束本流程,若否,则返回执行步骤S21。
综上所述,本申请通过将同一标准对象的不同标准特征进行融合,使得每一个标准对象仅对应于一个融合特征,可以大幅减少后续的图像搜索量,此外,由于融合特征维度与每个标准图像中的标准特征维度相同,因此,标准图像的数量增加并不会导致融合特征维度的增加,使得本申请可以无限扩充标准图像的数量,以提高后续图像匹配结果的准确性。
再者,本申请的融合特征是通过融合各标准特征而生成,因此,对于个别标准特征中存在错误,可具有较好抗干扰的能力,能够进一步提升图像匹配结果的准确率。
第三实施例
图3示出了本申请第三实施例的图像匹配方法的流程示意图。
有鉴于本申请的标准图像往往来源于海量数据的聚类结果,且存在着高更新率的特点,本申请设计了一套迭代更新策略,其主要包括以下:
步骤S31,分析标准对象的标准图像的更新状态,若分析出标准对象的标准图像减少时,则进行步骤S32,若分析出标准对象的标准图像增加时,则进行步骤S33。
具体而言,可当标准对象的标准图像发生更新操作时,统计标准对象的标准图像的数量发生了减少还是增加。
步骤S32,根据第一预设更新规则、标准图像的减少数量,更新标准对象的融合特征。
于本实施例中,第一预设更新规则表示为:
其中,表示更新前的标准对象的融合特征,N表示更新前的标准对象的标准图像的数量;D为标准对象的标准图像的减少数量;更新后的标准对象的标准图像的数量为N=N-D;为标准对象的第i个被减少的标准图像的图像特征;表示更新后的标准对象的融合特征。
步骤S33,根据第二预设更新规则、标准图像的增加数量,更新标准对象的融合特征。
于本实施例中,第二预设更新规则表示为:
其中,表示更新前的标准对象的融合特征;N表示更新前的标准对象的标准图像的数量;D为标准对象的标准图像的增加数量;更新后的标准对象的标准图像的数量为N=N+D;为标准对象的第i个被增加的标准图像的图像特征;表示更新后的标准对象的所述融合特征。
综上所述,本实施例的迭代更新策略,可以利用仅发生了更新的标准图像所对应的标准特征来针对现有的融合特征进行迭代更新处理,而无需针对全部标准图像的全部标准特征进行重新计算,借以提高融合特征的更新效率。
第四实施例
图4示出了本申请第四实施例的图像匹配方法的流程示意图。
考量到在实际应用中,不同的标准图像往往存在图片质量好坏的差异,例如不同标准图像的光照、环境等参数各不相同,人脸角度、遮挡情况也各不相同,据此,本实施例根据标准图像的标准特征提取质量,设置相应的特征分值及权重值,其主要包括以下:
步骤S41,提取一个标准对象。
步骤S42,利用特征检测模型针对标准对象的各标准图像执行特征检测,获得各标准图像对应的各标准特征。
例如,可采用训练完成的人脸特征模型对人脸图像进行人脸检测和人脸特征提取。
于本实施例中,特征检测模型可为残差网络,但并不以此为限,亦可采用其他特征检测模型,本申请对此不作限制。
步骤S43,利用质量评估模型针对标准对象的各标准图像对应的各标准特征进行质量评估,获得各标准图像对应的各特征分值。
具体而言,可利用训练完成的质量评估模型针对人脸特征模型输出的人脸特征进行评分,以评价人脸特征对于人脸表示的好坏,例如,当评分越高时,则人脸特征对于人脸图像的表征越好。
步骤S44,根据各标准图像对应的各特征分值以及预设权重换算规则,获得标准对象的权重值。
于本实施例中,预设权重换算规则表示为:
步骤S45,判断所有标准对象的权重值是否均已获得,若是,则结束本流程,若否,则返回步骤S41。
综上所述,本实施例根据标准图像的标准特征提取质量设置相应的特征分值和权重值,可以提升后续图像匹配结果的准确率。
第五实施例
图5示出了本申请第五实施例的图像匹配方法的流程图。结合上述第四实施例所引入的权重值概念,本实施例主要示出了上述步骤S11中获取标准对象的融合特征的另一种具体实施方案,其主要包括以下:
步骤S51,获得一个标准对象的各标准特征及权重值。
具体而言,收集当前待分析的标准对象的所有标准图像的所有标准特征以及所述标准对象的权重值。
步骤S52,根据第二预设特征融合规则、标准对象的各标准图像对应的各标准特征、标准对象的权重值、各标准图像对应的各特征分值,获得标准对象的融合特征。
于本实施例中,第二预设特征融合规则表示为:
步骤S53,判断是否所有标准对象的融合特征均已获得,若是则结束本流程,若否,则返回执行步骤S51。
综上所述,本申请结合权重值获得标准对象的融合特征,可以进一步提高融合特征的准确性,进而提高后续图像匹配结果的准确性。
第六实施例
图6示出了本申请第六实施例的图像匹配方法的流程示意图。结合上述第四实施例所引入的权重值概念,本实施例主要示出了更新融合特征的另一种具体实施方案,其主要包括以下:
步骤S61,分析标准对象的标准图像的更新状态,若分析出标准对象的标准图像减少时,则进行步骤S62,若分析出标准对象的标准图像增加时,则进行步骤S63。
具体而言,可当标准对象的标准图像发生更新操作时,统计标准对象的标准图像的数量发生了减少还是增加。
步骤S62,根据第三预设更新规则、标准图像的减少数量、标准对象的所述权重值、各标准图像对应的各特征分值,更新标准对象的融合特征。
于本实施例中,第三预设更新规则表示为:
其中,表示更新前的标准对象的融合特征;γ为标准对象的权重值;λi为标准特征的特征分值;N表示更新前的标准对象的标准图像的数量;D为标准对象的标准图像的减少数量;更新后的标准对象的标准图像的数量为N=N-D;为标准对象的第i个被减少的标准图像的图像特征;表示更新后的标准对象的融合特征。
步骤S63,根据第四预设更新规则、标准图像的增加数量、标准对象的权重值、各标准图像对应的各特征分值,更新标准对象的融合特征。
于本实施例中,第四预设更新规则表示为:
其中,表示更新前的标准对象的融合特征;γ为标准对象的权重值;λi为标准特征的特征分值;N表示更新前的标准对象的标准图像的数量;D为标准对象的标准图像的增加数量;更新后的标准对象的标准图像的数量为N=N+D;为标准对象的第i个被增加的标准图像的图像特征;表示更新后的标准对象的所述融合特征。
综上所述,本实施例结合标准对象的权重值以及标准图像的特征分值,针对融合特征进行更新,可以提高融合特征更新的准确性。
第七实施例
本申请第七实施例提供了一种计算机存储介质中存储有用于执行上述第一至第六实施例所述的图像匹配方法的各所述步骤的指令。
第八实施例
图7示出了本申请第八实施例的图像匹配装置的基本架构图。如图所示,本实施例的图像匹配装置700主要包括特征提取模块710、特征融合模块720、图像匹配模块730。
特征提取模块710用于根据各标准对象对应的各标准图像,获得各所述标准图像对应的各标准特征,或根据目标对象的目标图像,获得所述目标对象的目标特征。
可选地,所述特征提取模块710利用残差网络模型获得各所述标准图像对应的各所述标准特征,以及获得所述目标图像的所述目标特征。
可选地,所述标准图像与所述目标图像各自包含人脸图像、或人体图像。
特征融合模块720用于针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征。
可选地,特征融合模块720包括获得一个所述标准对象的所述融合特征;并重复所述获得一个所述标准对象的所述融合特征的步骤,以获得各所述标准对象对应的各所述融合特征;其中,所述获得一个所述标准对象的所述融合特征的步骤包括:根据第一预设特征融合规则、所述标准对象的各所述标准特征,获得所述标准对象对应的所述融合特征。
可选地,特征融合模块720还包括若所述标准对象的所述标准图像减少时,根据第一预设更新规则、所述标准图像的减少数量,更新所述标准对象的所述融合特征;若所述标准对象的所述标准图像增加时,根据第二预设更新规则、所述标准图像的增加数量,更新所述标准对象的所述融合特征。
图像匹配模块730用于根据所述目标对象的所述目标特征与各所述标准对象的各所述融合特征,获得所述目标对象与各所述标准对象之间的匹配结果。
可选地,图像匹配模块730还包括计算所述目标特征与各所述标准对象对应的各所述融合特征之间的相似度,获得所述目标对象相对于各所述标准对象的各相似度值;根据所述目标对象相对于各所述标准对象的各所述相似度值,获得所述目标对象与各所述标准对象之间的各所述图像匹配结果。
可选地,图像匹配模块730还包括依照由大到小的顺序针对所述目标对象相对于各所述标准对象的各所述相似度值进行排序;根据各所述相似度值的排序结果,提取满足预设匹配数量的多个所述相似度值对应的多个所述标准对象,输出所述目标对象与所提取的各所述标准对象之间的各所述图像匹配结果。
可选地,图像匹配模块730还包括基于预设相似度阈值,将所述相似度值大于所述预设相似度阈值的所述标准对象确定为与所述目标对象相匹配。
第九实施例
图8示出了本申请第九实施例的图像匹配装置的基本架构图。如图所示,本实施例的图像匹配装置700除了包括上述的特征提取模块710、特征融合模块720、图像匹配模块730之外,还包括以下:
权重评估模块740,用于针对各所述标准对象的各所述标准图像对应的各所述标准特征进行质量评估,获得各所述标准图像对应的各特征分值,并基于各所述标准图像对应的各所述特征分值,获得各所述标准对象的各权重值。
可选地,特征融合模块720还包括根据第二预设特征融合规则、所述标准对象的各所述标准图像对应的各所述标准特征、所述标准对象的所述权重值,获得所述标准对象的所述融合特征。
可选地,特征融合模块720还包括若所述标准对象的所述标准图像减少时,根据第三预设更新规则、所述标准图像的减少数量、所述标准对象的所述权重值、各所述标准图像对应的各所述特征分值,更新所述标准对象的所述融合特征;若所述标准对象的所述标准图像增加时,根据第四预设更新规则、所述标准图像的增加数量、所述标准对象的所述权重值、各所述标准图像对应的各所述特征分值,更新所述标准对象的所述融合特征。
此外,本发明各实施例的图像匹配装置还可用于实现前述各图像匹配方法实施例中的其他步骤,并具有相应的方法步骤实施例的有益效果,在此不再赘述。
综上所述,本申请各实施例提供的图像匹配方法、装置及计算机存储介质通过针对同一标准对象的各个标准特征进行融合,以使每一个标准对象仅对应于一个融合特征,并利用各标准对象的各融合特征与目标对象进行比对,据此,本申请可以提高图像匹配的处理效率,且可大量扩充标准图像的数量,以提升图像匹配结果的准确率。
再者,本申请利用迭代更新策略更新融合特征,可以提高融合特征的更新效率,可以很好地满足标准图像高更新率的应用需求。
此外,本申请根据标准特征的提取质量设置相应的特征分值以及权重值,可以进一步提高图像匹配结果的准确率。
最后应说明的是:以上实施例仅用以说明本申请实施例的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种图像匹配方法,其特征在于,包括:
根据各标准对象对应的各标准图像,获得各所述标准图像对应的各标准特征,并针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征;
根据目标对象的目标图像,获得所述目标图像的目标特征;以及
根据所述目标对象的所述目标特征与各所述标准对象对应的各所述融合特征,获得所述目标对象与各所述标准对象之间的各图像匹配结果。
2.根据权利要求1所述的图像匹配方法,其特征在于,所述标准图像与所述目标图像各自包含人脸图像、或人体图像。
3.根据权利要求1所述的图像匹配方法,其特征在于,所述针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征包括:
获得一个所述标准对象的所述融合特征;以及
重复所述获得一个所述标准对象的所述融合特征的步骤,以获得各所述标准对象对应的各所述融合特征;
其中,所述获得一个所述标准对象的所述融合特征的步骤包括:
根据第一预设特征融合规则、所述标准对象的各所述标准特征,获得所述标准对象对应的所述融合特征;
所述第一预设特征融合规则表示为:
4.根据权利要求1所述的图像匹配方法,其特征在于,所述方法还包括:
若所述标准对象的所述标准图像减少时,根据第一预设更新规则、所述标准图像的减少数量,更新所述标准对象的所述融合特征;
若所述标准对象的所述标准图像增加时,根据第二预设更新规则、所述标准图像的增加数量,更新所述标准对象的所述融合特征;
所述第一预设更新规则表示为:
所述第二预设更新规则表示为:
5.根据权利要求1所述的图像匹配方法,其特征在于,所述方法还包括:
获得一个所述标准对象的权重值;以及
重复所述获得一个所述标准对象的权重值的步骤,获得各所述标准对象对应的各所述权重值;
其中,所述获得所述标准对象的权重值的步骤包括:
利用特征检测模型针对所述标准对象的各所述标准图像执行特征检测,获得各所述标准图像对应的各所述标准特征;
利用质量评估模型针对所述标准对象的各所述标准图像对应的各所述标准特征进行质量评估,获得各所述标准图像对应的各特征分值;
根据各所述标准图像对应的各所述特征分值以及预设权重换算规则,获得所述标准对象的所述权重值;
所述预设权重换算规则表示为:
6.根据权利要求5所述的图像匹配方法,其特征在于,所述针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征包括:
获得一个所述标准对象的所述融合特征;以及
重复所述获得一个所述标准对象的所述融合特征的步骤,以获得各所述标准对象对应的各所述融合特征;
其中,所述获得一个所述标准对象的所述融合特征的步骤包括:
根据第二预设特征融合规则、所述标准对象的各所述标准图像对应的各所述标准特征、所述标准对象的所述权重值、各所述标准图像对应的各所述特征分值,获得所述标准对象的所述融合特征;
所述第二预设特征融合规则表示为:
7.根据权利要求5所述的图像匹配方法,其特征在于,所述方法还包括:
若所述标准对象的所述标准图像减少时,根据第三预设更新规则、所述标准图像的减少数量、所述标准对象的所述权重值、各所述标准图像对应的各所述特征分值,更新所述标准对象的所述融合特征;
若所述标准对象的所述标准图像增加时,根据第四预设更新规则、所述标准图像的增加数量、所述标准对象的所述权重值、各所述标准图像对应的各所述特征分值,更新所述标准对象的所述融合特征;
所述第三预设更新规则表示为:
所述第四预设更新规则表示为:
8.根据权利要求1所述的图像匹配方法,其特征在于,所述根据所述目标对象的所述目标特征与各所述标准对象的各所述融合特征,获得所述目标对象与各所述标准对象之间的各图像匹配结果包括:
计算所述目标特征与各所述标准对象对应的各所述融合特征之间的相似度,获得所述目标对象相对于各所述标准对象的各相似度值;
根据所述目标对象相对于各所述标准对象的各所述相似度值,获得所述目标对象与各所述标准对象之间的各所述图像匹配结果。
9.根据权利要求8所述的图像匹配方法,其特征在于,所述方法还包括:
依照由大到小的顺序针对所述目标对象相对于各所述标准对象的各所述相似度值进行排序;
根据各所述相似度值的排序结果,提取满足预设匹配数量的多个所述相似度值对应的多个所述标准对象,输出所述目标对象与所提取的各所述标准对象之间的各所述图像匹配结果。
10.根据权利要求8所述的图像匹配方法,其特征在于,所述方法还包括:
基于预设相似度阈值,将所述相似度值大于所述预设相似度阈值的所述标准对象确定为与所述目标对象相匹配。
11.一种计算机存储介质,其特征在于,所述计算机存储介质中储存有用于执行根据权利要求1-10中任一项所述的图像匹配方法的各所述步骤的指令。
12.一种图像匹配装置,其特征在于,包括:
特征提取模块,用于根据各标准对象对应的各标准图像,获得各所述标准图像对应的各标准特征,或根据目标对象的目标图像,获得所述目标对象的目标特征;
特征融合模块,用于针对同一所述标准对象的各所述标准特征进行融合,获得各所述标准对象对应的各融合特征;以及
图像匹配模块,用于根据所述目标对象的所述目标特征与各所述标准对象的各所述融合特征,获得所述目标对象与各所述标准对象之间的匹配结果。
13.根据权利要求12所述的图像匹配装置,其特征在于,所述装置还包括权重评估模块,用于针对各所述标准对象的各所述标准图像对应的各所述标准特征进行质量评估,获得各所述标准图像对应的各特征分值,并基于各所述标准图像对应的各所述特征分值,获得各所述标准对象的各权重值;其中,
所述特征融合模块还包括根据各所述标准对象的各所述标准图像对应的各所述标准特征、各所述标准对象对应的各所述权重值,获得各所述标准对象对应的各所述融合特征。
14.根据权利要求12所述的图像匹配装置,其特征在于,所述特征提取模块利用残差网络模型获得各所述标准图像对应的各所述标准特征,以及获得所述目标图像的所述目标特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212863.5A CN112906798A (zh) | 2021-02-25 | 2021-02-25 | 图像匹配方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212863.5A CN112906798A (zh) | 2021-02-25 | 2021-02-25 | 图像匹配方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906798A true CN112906798A (zh) | 2021-06-04 |
Family
ID=76107177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110212863.5A Pending CN112906798A (zh) | 2021-02-25 | 2021-02-25 | 图像匹配方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906798A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419491A (zh) * | 2021-12-28 | 2022-04-29 | 云从科技集团股份有限公司 | 视频识别方法、装置及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222789A (zh) * | 2019-06-14 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 图像识别方法及存储介质 |
US20200012885A1 (en) * | 2017-07-20 | 2020-01-09 | Alibaba Group Holding Limited | Image processing methods and devices |
CN110781842A (zh) * | 2019-10-29 | 2020-02-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110858286A (zh) * | 2018-08-23 | 2020-03-03 | 杭州海康威视数字技术股份有限公司 | 一种用于目标识别的图像处理方法及装置 |
-
2021
- 2021-02-25 CN CN202110212863.5A patent/CN112906798A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200012885A1 (en) * | 2017-07-20 | 2020-01-09 | Alibaba Group Holding Limited | Image processing methods and devices |
CN110858286A (zh) * | 2018-08-23 | 2020-03-03 | 杭州海康威视数字技术股份有限公司 | 一种用于目标识别的图像处理方法及装置 |
CN110222789A (zh) * | 2019-06-14 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 图像识别方法及存储介质 |
CN110781842A (zh) * | 2019-10-29 | 2020-02-11 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419491A (zh) * | 2021-12-28 | 2022-04-29 | 云从科技集团股份有限公司 | 视频识别方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941594B (zh) | 一种视频文件的拆分方法、装置、电子设备及存储介质 | |
CN109086756B (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
WO2020164282A1 (zh) | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 | |
US9910829B2 (en) | Automatic document separation | |
US8867828B2 (en) | Text region detection system and method | |
EP2806374B1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
US20080159627A1 (en) | Part-based pornography detection | |
CN108090406B (zh) | 人脸识别方法及系统 | |
CN111340123A (zh) | 一种基于深度卷积神经网络的图像分数标签预测方法 | |
JP2014232533A (ja) | Ocr出力検証システム及び方法 | |
CN111695392B (zh) | 基于级联的深层卷积神经网络的人脸识别方法及系统 | |
CN113221711A (zh) | 一种信息提取方法及装置 | |
CN111783681A (zh) | 大规模人脸库识别方法、系统、计算机设备及存储介质 | |
CN108363771B (zh) | 一种面向公安侦查应用的图像检索方法 | |
Ning et al. | MT-YOLOv5: Mobile terminal table detection model based on YOLOv5 | |
CN112906798A (zh) | 图像匹配方法、装置及计算机存储介质 | |
CN113688826A (zh) | 基于特征融合的花粉图像检测方法及系统 | |
CN111062388B (zh) | 基于深度学习的广告文字的识别方法、系统、介质及设备 | |
KR102230559B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN113988148A (zh) | 一种数据聚类的方法、系统、计算机设备和存储介质 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
Zhang et al. | Photo aesthetic quality assessment via label distribution learning | |
CN113192108A (zh) | 一种针对视觉跟踪模型的人在回路训练方法及相关装置 | |
Wei et al. | Web page segmentation based on the hough transform and vision cues | |
CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 |
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 |