CN113449596A - 对象重识别方法以及电子设备、存储装置 - Google Patents
对象重识别方法以及电子设备、存储装置 Download PDFInfo
- Publication number
- CN113449596A CN113449596A CN202110580394.2A CN202110580394A CN113449596A CN 113449596 A CN113449596 A CN 113449596A CN 202110580394 A CN202110580394 A CN 202110580394A CN 113449596 A CN113449596 A CN 113449596A
- Authority
- CN
- China
- Prior art keywords
- feature
- fusion
- face
- current
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 301
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims description 101
- 230000001815 facial effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 31
- 210000000746 body region Anatomy 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000037237 body shape Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011895 specific detection 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种对象重识别方法以及电子设备、存储装置,其中,对象重识别方法包括:提取待识别图像中目标对象的第一融合特征;基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息;其中,第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且第一融合特征、第二融合特征和第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。上述方案,能够提高对象身份以及轨迹识别的准确性。
Description
技术领域
本申请涉及图像处理处理技术领域,特别是涉及一种对象重识别方法以及电子设备、存储装置。
背景技术
随着城市建设的不断完善,视频监控已经逐渐成为城市管理主要辅助手段之一。得益于人脸识别技术的快速发展,在视频监控中集成人脸识别技术,能够自动且高效地执行对象身份以及轨迹识别任务,从而在智慧社区、智能商业等场景中体现出越来越重要的应用价值。然而,现实场景中,难免存在低头、口罩或帽子遮挡等无法拍摄到人脸的情况,同时还存在同一画面中存在大量行人且部分行人之间相隔很近的情况,从而影响对象身份以及轨迹识别的准确性。有鉴于此,如何提高对象身份以及轨迹识别的准确性成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种对象重识别方法以及电子设备、存储装置,能够提高对象身份以及轨迹识别的准确性。
为了解决上述技术问题,本申请第一方面提供了一种对象重识别方法,包括:提取待识别图像中目标对象的第一融合特征;基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息;其中,第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且第一融合特征、第二融合特征和第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。
为了解决上述技术问题,本申请第二方面提供了一种对象重识别装置,包括提取模块和检索模块,提取模块用于提取待识别图像中目标对象的第一融合特征;检索模块用于基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息;其中,第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且第一融合特征、第二融合特征和第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。
为了解决上述技术问题,本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,存储器中存储有程序指令,处理器用于执行程序指令以实现上述第一方面中的对象重识别方法。
为了解决上述技术问题,本申请第四方面提供了一种存储装置,存储有能够被处理器运行的程序指令,程序指令用于实现上述第一方面中的对象重识别方法。
上述方案,获取待识别图像中目标对象的第一融合特征,再基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息,且第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,第一融合特征、第二融合特征和第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,由于第一融合特征、第二融合特征和第三融合特征均是在特征空间层面利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,故在执行目标对象身份以及轨迹识别任务的全过程中,始终能够关联人脸特征和形体特征,使得两者能够相互补充,有利于提高对象身份以及轨迹识别的准确性。
附图说明
图1是本申请对象重识别方法一实施例的流程示意图;
图2是提取融合特征一实施例的示意图;
图3是本申请对象重识别方法一实施例的过程示意图;
图4是获取第一数据库一实施例的流程示意图;
图5是获取第二数据库一实施例的流程示意图;
图6是目标跟踪一实施例的流程示意图;
图7是本申请电子设备一实施例的框架示意图;
图8是本申请对象重识别装置一实施例的框架示意图;
图9是本申请存储装置一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“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。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请对象重识别方法一实施例的流程示意图。
具体而言,可以包括如下步骤:
步骤S11:提取待识别图像中目标对象的第一融合特征。
本公开实施中,第一融合特征包含人脸特征信息和形体特征信息。具体地,第一融合特征可以包含目标对象的人脸特征信息和形体特征信息。人脸特征信息可以包括但不限于:眼耳口鼻等面部器官之间的几何关系(如,距离、面积、角度等)、脸型等,在此不做限定;形体特征可以包括但不限于:高矮胖瘦等体态特征、穿着打扮等特征,在此不做限定。
在一个实施场景中,第一融合特征可以是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,且融合特征提取模型可以包括区域检测网络、特征提取网络和特征处理网络,在此基础上,可以利用区域检测网络分别对待识别图像进行人脸检测和形体检测,得到目标对象的第一人脸区域和第一形体区域,并利用特征提取网络分别对第一人脸区域和第一形体区域继续特征提取,得到目标对象的第一人脸特征和第一形体特征,再利用特征处理网络对第一人脸特征和第一形体特征进行特征处理,得到目标对象的第一融合特征。上述方式,区别于手动设置权重参数来融合人脸及形体两种模态特征,在特征空间对第一人脸特征和第一形体特征进行处理,得到两者的第一融合特征,一方面能够免于手动设置权重参数,另一方面也能够降低因手动设置权重参数的误差对第一融合特征的影响,有利于提升第一融合特征的准确性。
在一个具体的实施场景中,区域检测网络可以包括人脸检测网络和形体检测网络,从而可以直接利用人脸检测网络对待识别图像进行人脸检测,得到目标对象的第一人脸区域,并利用形体检测网络对待识别图像进行形体检测,得到目标对象的第一形体区域。人脸检测网络可以包括但不限于:卷积层、池化层、全连接层等,在此不做限定。形体检测网络可以包括但不限于:卷积层、池化层、全连接层等,在此不做限定。在人脸检测网络的具体训练过程中,可以预先收集样本图像,且样本图像中标注有人脸的样本区域,并利用人脸检测网络对样本图像进行人脸检测,得到人脸的预测区域,在此基础上,可以利用样本区域和预测区域之间的差异,调整人脸检测网络的网络参数。此外,在形体检测网络的具体训练过程中,可以预先收集样本图像,且样本图像中标注有形体的样本区域,并利用形体检测网络对样本图像进行形体检测,得到形体的预测区域,在此基础上,可以利用样本区域和预测区域之间的差异,调整形体检测网络的网络参数。
在另一个具体的实施场景中,区别于前述方案分别采用不同神经网络来进行人脸检测和形体检测,区域检测网络可以同时对待识别图像进行人脸检测和形体检测,得到目标对象的第一人脸区域和第一形体区域。人脸形体检测网络具体可以为YOLO(You OnlyLook Once)、Faster RCNN等,在此不做限定。具体训练过程中,可以预先收集样本图像,且样本图像中标注有人脸的第一样本区域和形体的第二样本区域,并利用人脸形体检测网络对样本图像进行人脸检测和形体检测,得到人脸的第一预测区域和形体的第二预测区域,在此基础上,可以利用第一样本区域和第一预测区域之间的差异以及第二样本区域和第二预测区域之间的差异,调整人脸形体检测网络的网络参数。
在又一个具体的实施场景中,特征提取网络具体可以包括:卷积层、池化层等,在此不做限定。具体训练过程中,可以预先收集若干样本对象的人脸图像和形体图像,从而可以利用特征提取网络分别对人脸图像和形体图像进行特征提取,得到样本人脸特征和样本形体特征,进而可以分别将各个人脸图像所提取的样本人脸特征作为当前人脸特征,并将属于相同样本对象的人脸图像所提取到的样本人脸特征作为当前人脸特征的正例人脸特征,并将属于不同样本对象的人脸图像所提取到的样本人脸特征作为当前人脸特征的负例人脸特征,以及基于三元组损失函数处理当前人脸特征、正例人脸特征和负例人脸特征,得到子损失值,再基于所有人脸图像的子损失值,得到人脸特征提取的第一损失值。类似地,可以分别将各个形体图像所提取的样本形体特征作为当前形体特征,并将属于相同样本对象的形体图像所提取到的样本形体特征作为当前形体特征的正例形体特征,并将属于不同样本对象的形体图像所提取到的样本形体特征作为当前形体特征的负例形体特征,以及基于三元组损失函数处理当前形体特征、正例形体特征和负例形体特征,得到子损失值,再基于所有形体图像的子损失值,得到形体特征提取的第二损失值。最终,可以基于第一损失值和第二损失值,调整特征提取网络的网络参数,从而可以使得相同对象的人脸特征趋于一致,而不同对象的人脸特征趋于疏离,以及相同对象的形体特征也趋于一致,且不同对象的形体特征也趋于疏离,进而能够有利于提升特征提取准确性。
在又一个具体的实施场景中,由于现实场景中,有可能存在由于遮挡等原因而导致待识别图像中未检测到人脸区域或形体区域的情况,为了提升识别稳定性,可以在待识别图像中未检测到第一人脸区域的情况下,将与第一形体特征相同维度的预设人脸特征(如,与第一形体特征相同维度的全0向量)作为第一人脸特征,或者在待识别图像中未检测到第一形体区域的情况下,将与第一人脸特征相同维度的预设形体特征(如,与第一人脸特征相同维度的全0向量)作为第一形体特征。上述方式,在待识别图像中未检测到第一人脸区域的情况下,将与第一形体特征相同维度的预设人脸特征作为第一人脸特征,或者在待识别图像中未检测到第一形体特征的情况下,将与第一人脸特征相同维度的预设形体特征作为第一形体特征,故即使待识别图像中未检测到人脸或形体,也能够通过预设人脸特征或预设形体特征继续执行后续对象识别任务,能够有利于提升识别的稳定性。
在又一个具体的实施场景中,请结合参阅图2,图2是提取融合特征一实施例的示意图。如图2所示,在提取到第一人脸特征和第一形体特征之后,可以将第一人脸特征和第一形体特征进行拼接,得到第一拼接特征,并利用特征处理网络对第一拼接特征进行特征处理,得到第一融合特征。特征处理网络具体可以包括:全连接层等,在此不做限定。具体训练过程中,可以预先收集若干样本对象的样本图像,且样本图像中可以标注有样本对象的样本人脸区域和样本形体区域,并对样本人脸区域和样本形体区域分别进行特征提取,得到样本对象的样本人脸特征和样本形体特征,之后可以将样本人脸特征和样本形体特征进行拼接,得到样本拼接特征,再利用特征处理网络对样本拼接特征进行预测,得到样本融合特征,对于每一样本图像的样本融合特征,可以将样本图像的样本融合特征作为当前融合特征,并将与属于相同样本对象的样本图像所提取到的样本融合特征作为正例融合特征,将属于不同样本对象的样本图像所提取到的样本融合特征作为负例融合特征,以及基于三元组损失函数处理当前融合特征、正例融合特征和负例融合特征,得到子损失值,再基于所有样本图像的子损失值,得到总损失值,从而可以基于总损失值,调整特征处理网络的网络参数,从而可以使得相同对象的融合特征趋于一致,而不同对象的融合特征趋于疏离,进而能够有利于提升特征处理准确性。上述方式,通过将第一人脸特征和第一形体特征进行拼接,得到第一拼接特征,并利用特征处理网络对第一拼接特征进行特征处理,得到第一融合特征,从而能够直接通过特征处理网络来预测得到人脸特征和形体特征的融合特征,进而能够避免在特征融合时手动设置权重参数而可能带来的误差,有利于提升融合特征的准确性。
需要说明的是,为了进一步提升融合特征提取模型的训练效果,预先收集的样本图像可以覆盖不同光照条件、遮挡程度、人脸角度、形体姿态等,并通过人工标注将预先收集的样本图像分别三类:包含人脸和形体、仅包含形体、仅包含人脸,且对于每个样本对象均需收集上述三类样本图像。此外,每类样本图像的占比可以根据实际情况进行设置。例如,可以在实际应用场景中,对能够同时检测到人脸和形体、仅能够检测到形体以及仅能够检测到人脸这三种情况进行统计,并根据统计结果来设置这三类样本图像的占比。
步骤S12:基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息。
本公开实施例中,第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且第二融合特征和第三融合特征也是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。具体地,第二融合特征可以包括预设对象的人脸特征信息和形体特征信息,而第三融合特征可以包括抓拍对象的人脸特征信息和形体特征信息,关于人脸特征信息和形体特征信息的具体含义,可以参阅前述相关描述,在此不再赘述。此外,第一数据库和第二数据库的获取过程,可以参阅下述公开实施例,在此暂不赘述。
在一个实施场景中,如前所述,上述第二融合特征和第三融合特征可以与第一融合特征一样都是通过融合特征提取模型提取得到的,从而能够在构建数据库以及实际识别过程中,复用同一套融合特征提取模型,从而能够有利于提高对象重识别的效率,且有利于降本增效,提高工程落地价值。
在一个实施场景中,预设对象可以根据实际应用场景进行设置。例如,在需要对工业园区进行对象重识别的场景中,预设对象可以包括工业园区内的员工;或者,在需要对住宅小区进行对象重识别的场景中,预设对象可以包括小区住户。其他场景可以以此类推,在此不再一一举例。
在一个实施场景中,身份信息可以包括但不限于:姓名、联系电话、等,在此不做限定。此外,根据实际应用场景,身份信息还可以包括其他内容。例如,在需要对工业园区进行对象重识别的场景中,身份信息还可以包括:工作单位(部门)、职位等;或者,在需要对住宅小区进行对象重识别的场景中,身份信息还可以包括住址等。其他场景可以以此类推,在此不再一一举例。
在一个实施场景中,视频数据可以是由监控相机拍摄得到的,监控相机可以布置于商业街、社区、工业园区、车站、机场等场所,在此不做限定。此外,抓拍对象具体可以包括在视频数据中所检测得到的对象。
在一个实施场景中,轨迹信息可以包含若干组轨迹数据,每组轨迹数据可以包括抓拍时间和抓拍地点。抓拍时间可以由检测出抓拍对象的视频帧图像的时间戳提供,而抓拍地点可以由检测出抓拍对象的视频帧图像所对应的监控相机的安装地点提供。
需要说明的是,第一数据库可以预先设置,并在后续应用过程中保持不变。当然,在预设对象发生变化时,也可以随之而更新第一数据库。以工业园区应用场景为例,在工业园区内入驻新企业时,可以将提取新企业内员工的第二融合特征以及身份信息,并添加至第一数据库。其他情况可以以此类推,在此不再一一举例。第二数据库可以随视频数据的更新而进行更新。仍以工业园区应用场景为例,工业园区内监控相机可以24小时实时拍摄,从而可以根据实时拍摄的视频数据更新第二数据库。具体可以参阅下述公开实施例,在此暂不赘述。
在一个实施场景中,请结合参阅图3,图3是本申请对象重识别方法一实施例的过程示意图。如图3所示,通过融合特征提取模型可以提取得到待识别图像的第一融合特征,在此基础上,可以利用第一融合特征在第一数据库中进行特征检索,具体可以基于第一融合特征分别与若干抓拍对象的第三融合特征之间的第一相似度,选择一个抓拍对象作为检索对象,并将检索对象的轨迹信息作为目标对象的轨迹信息,以及基于检索对象的第三融合特征在第二数据库中进行特征检索,具体可以基于检索对象的第三融合特征分别与若干预设对象的第二融合特征之间的第二相似度,得到目标对象的身份信息。上述方式,通过第一融合特征分别与若干抓拍对象的第三融合特征之间的第一相似度,选择一个抓拍对象作为检索对象,并基于检索对象的第三融合特征分别与若干预设对象的第二融合特征之间的第二相似度,识别目标对象的身份及轨迹,由于在识别的全过程中完全依赖于融合特征,故能够有利于提升轨迹及身份识别的准确性。
在一个具体的实施场景中,第二数据库还可以包括每一第三融合特征的质量分值。该质量分值可以是前述人脸检测的置信度得分,也可以是上述形体检测的置信度得分,在此不做限定。请继续结合参阅图3,按照第一相似度由高到低的顺序,可以选择第一相似度位于前预设序位(如,前3位、前4位、前5位等等)的第三融合特征,作为第一候选特征,如可以根据第一相似度,在第二数据库中选择得到抓拍对象A、抓拍对象B和抓拍对象C的第三融合特征,作为第一候选特征。在此基础上,可以将质量分值最高的第一候选特征所对应的抓拍对象,作为检索对象。如可以基于在抓拍对象A、抓拍对象B和抓拍对象C中,抓拍对象A的第三融合特征的质量分值最高,则可以将抓拍对象A作为检索对象。其他情况可以以此类推,在此不再一一举例。上述方式,由于第二数据库还包括每一第三融合特征的质量分值,故通过按照第一相似度由高到低的顺序,选择第一相似度位于前预设序位的第三融合特征,作为第一候选特征,并将质量分值最高的第一候选特征所对应的抓拍对象,作为检索对象,能够在筛选检索对象的过程中,兼顾融合特征的相似度以及融合特征的质量分值,从而能够有利于提高筛选检索对象的精度。
在另一个具体的实施场景中,可以将第二相似度最高的第二融合特征所对应的预设对象的身份信息,作为目标对象的身份信息。例如,在将抓拍对象A作为检索对象之后,可以计算抓拍对象A的第三融合特征分别与预设对象01、预设对象02、……、预设对象N的第二融合特征之间的第二相似度,经计算发现与预设对象02之间的第二相似度最高,故可以将预设对象02的身份信息,作为待识别图像中目标对象的身份信息。
上述方案,获取待识别图像中目标对象的第一融合特征,再基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息,且第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,第一融合特征、第二融合特征和第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,由于第一融合特征、第二融合特征和第三融合特征均是在特征空间层面利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,故在执行目标对象身份以及轨迹识别任务的全过程中,始终能够关联人脸特征和形体特征,使得两者能够相互补充,有利于提高对象身份以及轨迹识别的准确性。
请参阅图4,图4是获取第一数据库一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S41:获取若干预设对象的预设图像和身份信息。
在一个实施场景中,预设图像可以为全身图像;或者,考虑到人脸特征一般较为稳定,而形体特征可能由于穿着、体态等因素而发生变化,从而影响形体特征的稳定性,故预设图像也可以为预设对象的人脸图像。仍以工业园区的应用场景为例,可以采集工业园区内各个员工的预设图像(如,人脸图像)和身份信息(如,姓名、联系电话等)。其他应用场景可以以此类推,在此不再一一举例。
步骤S42:利用区域检测网络对预设图像进行人脸检测和形体检测,得到预设对象的第二人脸区域和第二形体区域。
人脸检测和形体检测的具体过程,可以参阅前述公开实施例中相关描述,在此不再赘述。
步骤S43:利用特征提取网络分别对第二人脸区域和第二形体区域进行特征提取,得到预设对象的第二人脸特征和第二形体特征。
特征提取的具体过程,可以参阅前述公开实施例中相关描述,在此不再赘述。
在一个实施场景中,如前所述,为了提高第二融合特征的稳定性,预设图像可以为预设对象的人脸图像,在此情况下,由于预设图像中未检测得到第二形体区域,则可以直接将第二形体特征设置为与第二人脸特征具有相同维度的预设形体特征(如,与第二人脸特征具有相同维度的全0向量)。
步骤S44:利用特征处理网络对第二人脸特征和第二形体特征进行特征处理,得到预设对象的第二融合特征。
特征处理的具体过程,可以参阅前述公开实施例中相关描述,在此不再赘述。
步骤S45:将若干预设对象的第二融合特征和身份信息存储至第一数据库。
在分别提取到若干预设对象的第二融合特征之后,可以将每一预设对象的第二融合特征和身份信息关联并存储至第一数据库中。
此外,如前述公开实施例所述,第一数据库在后续应用过程中可以保持不变。当然,在预设对象发生变化时,也可以随之而更新第一数据库。仍以工业园区的应用场景为例,在工业园区入驻新企业时,可以采集新企业内员工的预设图像和身份信息,并执行本公开实施例中上述步骤,以得到这些员工的第二融合特征,以及将每一员工的第二融合特征和身份信息关联并存储至第一数据库中;或者,在工业园区迁出企业时,为了排除迁出企业内各个员工的第二融合特征对后续识别的干扰,可以在第一数据库中删除该迁出企业内各个员工的第二融合特征和身份信息,当然也可以不执行上述删除操作,在此不做限定。其他应用场景,可以以此类推,在此不再一一举例。
上述方案,获取若干预设对象的预设图像和身份信息,并利用区域检测网络对预设图像进行人脸检测和形体检测,得到预设对象的第二人脸区域和第二形体区域,在此基础上,利用特征提取网络分别对第二人脸区域和第二形体区域进行特征提取,得到预设对象的第二人脸特征和第二形体特征,并利用特征处理网络对第二人脸特征和第二形体特征进行特征处理,得到预设对象的第二融合特征,从而将若干预设对象的第二融合特征和身份信息存储至第一数据库。由于区别于手动设置权重参数来融合人脸及形体两种模态特征,在特征空间对第二人脸特征和第二形体特征进行处理,得到两者的第二融合特征,一方面能够免于手动设置权重参数,另一方面也能够降低因手动设置权重参数的误差对第二融合特征的影响,有利于提升第二融合特征的准确性。
请参阅图5,图5是获取第二数据库一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S51:分别将若干帧原始图像作为当前图像,并获取对历史图像分析得到的若干跟踪序列信息。
本公开实施例中,如前述公开实施例所述,第二数据库是根据视频数据构建得到的,视频数据可以包括若干帧原始图像,而历史图像为位于当前图像之前的原始图像。例如,在处理第t帧原始图像时,可以将第t帧原始图像作为当前图像,并将第一至第t-1帧原始图像作为历史图像。需要说明的是,在处理第一帧原始图像时,可以将第一帧原始图像作为当前图像,且第一帧原始图像之前不存在任何历史图像。
本公开实施例中,不同跟踪序列信息对应于不同抓拍对象,且跟踪序列信息包括抓拍对象在历史图像中所获取的历史对象区域、历史融合特征及其质量分值。例如,在处理第t帧原始图像(即第t帧原始图像为当前图像)时,可以获取到3个不同跟踪序列信息,分别对应于抓拍对象A、抓拍对象B和抓拍对象C,抓拍对象A的跟踪序列信息包括抓拍对象A分别在第一帧至第t-1帧原始图像中的历史对象区域,以及分别从第一帧至第t-1帧原始图像中提取得到的即历史融合特征及其质量分值,类似地,抓拍对象B的跟踪序列信息包括抓拍对象B分别在第一帧至第t-1帧原始图像中的历史对象区域,以及分别从第一帧至第t-1帧原始图像中提取得到的历史融合特征及其质量分值,抓拍对象C的跟踪序列信息包括抓拍对象C分别在第一帧至第t-1帧原始图像中的历史对象区域,以及分别从第一帧至第t-1帧原始图像中提取得到的历史融合特征及其质量分值。其他情况可以以此类推,在此不再一一举例。
步骤S52:对于当前图像,检测当前图像中抓拍对象的当前对象区域,并基于当前对象区域,获取抓拍对象的当前融合特征及其质量分值,以及利用当前对象区域和当前融合特征,更新若干跟踪序列信息。
在一个实施场景中,如前述公开实施例所述,可以利用区域检测网络对当前图像进行人脸检测和形体检测,得到当前图像中抓拍对象的第三人脸区域和第三形体区域,并将第三人脸区域和第三形体区域关联为抓拍对象的当前对象区域。
在另一个实施场景中,由于视频数据中相邻两帧原始图像之间具有极高的相似度,故为了降低运算负荷,可以在视频数据中每隔预设帧数提取至少一帧原始图像,得到若干帧关键图像,从而可以分别将若干帧关键图像作为当前图像。例如,可以每隔T(如,10、15、20等)帧原始图像提取一帧关键图像。或者,也可以在视频数据中每隔预设时长提取至少一帧原始图像,得到若干帧关键图像,从而可以分别将若干帧关键图像作为当前图像。例如,可以每隔t(如,1、2、3)秒提取一帧关键图像。上述方式,通过在视频数据中每隔预设帧数提取至少一帧原始图像,得到若干帧关键图像,从而分别将若干帧关键图像作为当前图像,能够避免对相邻原始图像进行检测识别,有利于大大降低运算负荷。
在又一个实施场景中,在现实场景中,监控相机抓拍得到的视频数据中可能存在多个抓拍对象出现在同一帧图像的情况,在此情形下可以分别对当前图像进行人脸检测和形体检测,得到若干第三人脸区域和若干第三形体区域,并将满足第一预设条件的第三人脸区域和第三形体区域关联为抓拍对象的当前对象区域,以及将未关联的第三人脸区域或第三形体区域单独作为抓拍对象的当前对象区域,上述第一预设条件可以包括:第三人脸区域和第三形体区域的第一重合度大于重合度阈值且第三人脸区域与第三形体区域满足预设位置关系。具体地,可以通过计算第三人脸区域和第三形体区域之间的交并比(Intersection-over-Union,IoU)来得到第一重合度,交并比的计算过程具体可以参阅IoU相关技术细节,在此不再赘述。此外,重合度阈值可以根据实际应用需要设置,如可以设置为20%、25%等等,在此不做限定。预设位置关系可以包括但不限于:第三人脸区域位于第三形体区域的中上位置等,在此不做限定。上述方式,在同一图像中存在多个抓拍对象的情况下,通过检测出来的人脸区域和形体区域之间的重合度以及两者的位置关系来共同进行人脸与形体的关联,有利于提高人脸与形体关联的准确性。
在一个具体的实施场景中,人脸检测和形体检测的具体过程,可以参阅前述公开实施例中相关描述,在此不再赘述。
在另一个具体的实施场景中,当前图像经人脸检测和形体检测,可以得到3个第三人脸区域和4个第三形体区域,经重合度和位置关系的双重校验,可以发现第三人脸区域01和第三形体区域01满足上述第一预设条件,则可以将第三人脸区域01和第三形体区域01关联为某一抓拍对象的当前对象区域;类似地,第三人脸区域02和第三形体区域04满足上述第一预设条件,则可以将第三人脸区域02和第三形体区域04关联为另一抓拍对象的当前对象区域;而第三人脸区域03、第三形体区域02和第三形体区域03均未做关联,则可以认为第三人脸区域03对应的抓拍对象被遮挡住了身体,而第三形体区域02对应的抓拍对象和第三形体区域03对应的抓拍对象均被遮挡住了脸部,故可以将第三人脸区域03单独作为又一抓拍对象的当前对象区域,并将第三形体区域02单独作为又一抓拍对象的当前对象区域,以及将第三形体区域03单独作为又一抓拍对象的当前对象区域。其他情况可以以此类推,在此不再一一举例。
在又一个实施场景中,如前所述,在将第三形体区域或第三人脸区域单独作为抓拍对象的当前对象区域的情况下,若当前对象区域仅存在第三人脸区域,则可以利用特征提取网络对第三人脸区域进行特征提取,得到第三人脸特征,并将与第三人脸特征具有相同维度的预设形体特征(如,与第三人脸特征具有相同维度的全0向量)作为第三形体特征;类似地,若当前对象区域仅存在第三形体区域,则可以利用特征提取网络对第三形体区域进行特征提取,得到第三形体特征,并将于第三形体特征具有相同维度的预设人脸特征(如,与第三形体特征具有相同维度的全0向量)作为第三人脸特征。在此基础上,可以利用特征处理网络对第三人脸特征和第三形体特征进行特征处理,得到即当前融合特征。上述特征提取以及特征处理的具体过程,可以参阅前述公开实施例中关于第一融合特征(或第二融合特征)的提取过程,在此不再赘述。此外,如前述公开实施例所述,质量分值具体可以为人脸检测的置信度得分,或者形体检测的置信度得分。
在又一个实施场景中,在更新跟踪序列信息的过程中,可以在获取到的若干跟踪序列信息中,选择与当前融合特征之间的第三相似度满足第二预设条件的历史融合特征,作为第二候选特征,在第二候选特征对应的历史对象区域与当前对象区域之间的第二重合度满足第三预设条件的情况下,可以将当前对象区域、当前融合特征及其质量分值添加至第二候选特征所在的跟踪序列信息中,而在未选择到第二候选特征,或不存在满足第三预设条件的第二候选特征的情况下,可以将当前对象区域、当前融合特征及其质量分值添加至一个新的跟踪序列信息中。上述方式,通过当前融合特征与跟踪序列信息中历史融合特征之间的第三相似度筛选第二候选特征,并根据第二候选特征对应的历史对象区域与当前对象区域之间的第二重合度来进一步确定当前融合特征是否属于第二候选特征所在的跟踪序列信息,故通过多重验证确定能够有利于提高跟踪准确性。
在一个具体的实施场景中,第二预设条件可以包括:第三相似度最高,且最高的第三相似度高于相似度阈值。也就是说,需要在跟踪序列信息中筛选出一个历史融合特征,该历史融合特征与当前融合特征之间的第三相似度要高于其他任意历史融合特征与当前融合特征之间的第三相似度,且该历史融合特征与当前融合特征之间的第三相似度要高于相似度阈值。
在另一个具体的实施场景中,仍以前述第三人脸区域01和第三形体区域01为例,第三人脸区域01和第三形体区域01经特征提取、特征处理等处理之后,可以得到某一抓拍对象(为便于区分,可以将该抓拍对象命名为未知对象)的当前融合特征,为了确定该抓拍对象是否已经历史图像中出现,可以获取到由历史图像分析得到的抓拍对象A的跟踪序列信息、抓拍对象B的跟踪序列信息以及抓拍对象C的跟踪序列信息,并在上述三个跟踪序列信息中选择一个历史融合特征与当前融合特征之间的第三相似度能够满足第二预设条件,如在抓拍对象B的跟踪序列信息中选择得到一个历史融合特征,并将其作为第二候选特征。此外该第二候选特征是在历史图像t-K中抓拍对象B的历史对象区域所提取到的,进一步地,可以通过卡尔曼滤波预测得到抓拍对象B在历史图像t-K的历史对象区域经运动之后在当前图像t中理论对象区域,并计算该理论对象区域与当前对象区域之间的第二重合度,理论上若该未知对象就是抓拍对象B,则理论对象区域与当前对象区域之间的第二重合度应满足第三预设条件。例如,第二重合度应高于重合度阈值(如,15%、20%、25%等)。故此,通过进一步检验第二重合度是否满足第三预设条件,即可确定未知对象是否为第二候选特征所在跟踪序列信息所对应的抓拍对象,若是则可以直接将当前对象区域、当前融合特征及其质量分值添加至第二候选特征所在跟踪序列信息中。反之,若第二重合度不满足第三预设条件,或者,甚至于未选择到第二候选特征,则可以认为该未知对象是在当前图像中最新出现的,而并不存在于历史图像中,此时可以新建一个新的跟踪序列信息,如可以命名为抓拍对象D的跟踪序列信息,并将当前对象区域、当前融合特征及其质量分值添加至该跟踪序列信息。此外,利用卡尔曼滤波进行位置预测的具体过程,可以参阅卡尔曼滤波的具体原理在,在此不再赘述。
在又一个具体的实施场景中,如前所述,当前对象区域有可能是未关联的第三人脸区域或未关联的第三形体区域,在此情况下,在计算第二重合度时,若当前对象区域仅包括第三人脸区域,则可以计算第三人脸区域和历史对象区域所含的人脸区域之间的第二重合度;或者,若当前对象区域仅包括第三形体区域,则可以计算第三形体区域和历史对象区域所含的形体区域之间的第二重合度。
在又一个具体的实施场景中,请结合参阅图6,图6是目标跟踪一实施例的流程示意图。如图6所示,上述目标跟踪具体可以包括如下步骤:
步骤S601:视频解码。
在获取到视频数据之后,即可对视频数据进行解码,得到若干帧原始图像。为了提高识别效率,可以在若干帧原始图像中每隔预设帧数提取至少一帧原始图像,得到若干帧关键图像,并分别将若干帧关键图像作为当前图像。具体可以参阅前述相关描述,在此不在赘述。
步骤S602:目标检测。
具体地,可以对当前图像进行人脸检测和形体检测,具体检测过程可以参阅前述公开实施例中相关描述,在此不再赘述。
步骤S603:是否完成跟踪序列信息遍历。若否,则执行步骤S604,否则执行步骤S610。
每一抓拍对象的跟踪序列信息是由当前图像之前的历史图像分析得到的。具体可以参阅前述相关描述,在此不再赘述。
具体地,若完成跟踪序列信息遍历,则可以认为当前图像中可能存在新的目标,否则可以认为当前图像中所存在的目标可能为历史图像中出现过的目标。
步骤S604:获取上一帧跟踪结果。
由于图像之间的连续性,通过获取上一帧的跟踪结果,并与上一帧跟踪结果进行比较,可以确定当前图像中所出现的目标对应的抓拍对象。具体地,上一帧跟踪结果可以包括上一帧中抓拍对象的对象区域、融合特征及其质量分值。对象区域、融合特征及其质量分值的具体含义,可以参阅前述相关描述,在此不再赘述。
步骤S605:是否完成当前帧检测结果遍历。若是,则执行步骤S603,否则执行步骤S606。
若完成当前帧检测结果遍历,可以再次检查是否完成跟踪序列信息遍历,若未完成当前帧检测结果遍历,则可以对当前帧检测结果继续进行检验。
步骤S606:重合度判断。若满足则执行步骤S607,否则执行步骤S609。
若当前图像中对象区域与上一帧中抓拍对象的对象区域之间的重合度满足条件,则可以继续执行后续步骤,否则可以扩大检查范围,将当前帧的检测结果继续和之前N帧(如,2、3、4)缓存的结果(即抓拍对象的对象区域、融合特征及其质量分值)进行匹配检查。需要说明的是,重合度需要满足的条件可以参阅前述相关描述,在此不再赘述。
步骤S607:特征相似度判断。若满足则执行步骤S608,否则执行步骤S609。
若当前图像中提取的融合特征与上一帧中抓拍对象的融合特征之间的特征相似度满足条件,则可以认为通过区域重合度和特征相似度的共同判断,可以确定当前图像中检测出来的目标对象与历史图像中抓拍对象匹配,则可以进行记录,并重新执行上述步骤S605,以对当前帧检测结果继续遍历。
若当前图像中提取的融合特征与上一帧中抓拍对象的融合特征之间的特征相似度不满足条件,则可以认为通过区域重合度和特征相似度的共同判断,可以确定当前图像中检测出来的目标对象与历史图像中抓拍对象不匹配,则可以扩大检查范围,将当前帧的检测结果继续和之前N帧(如,2、3、4)缓存的结果(即抓拍对象的对象区域、融合特征及其质量分值)进行匹配检查。需要说明的是,特征相似度所要满足的条件可以参阅前述相关描述,在此不再赘述。
步骤S608:匹配成功,记录状态。
步骤S609:与之前N帧缓存的结果匹配。若匹配,则执行步骤S608,否则执行步骤S605。
若与之前N帧缓存的结果匹配,则可以认为当前图像检测出来的目标对象与之前N帧检测出来的抓拍对象匹配,并进行记录。
反之,若与之前N帧缓存的结果不匹配,则可以继续对当前帧检测结果遍历,如果完成当前帧检测结果遍历且完成跟踪序列信息遍历,则认为当前图像可能存在新的目标对象,并继续进行识别检查。
步骤S610:检查是否有新的目标。
步骤S611:是否完成当前帧检测结果遍历。若是,则可以结束流程,否则可以执行步骤S612。
若完成当前帧检测结果遍历,则可以结束流程,否则可以继续对检测结果进行检验。
步骤S612:获取检测结果。
如前所述,检测结果可以包括当前图像中所检测出来的对象区域、融合特征及其质量分值。
步骤S613:检查合法性。若合法,则执行步骤S614,否则执行步骤S611。
合法性检查可以包括但不限于:对象区域的面积是否过小(如,小于一预设阈值)、质量分值是否过低(如,低于一预设阈值)等,在此不做限定。在对象区域的面积过小或者质量分值过低的情况下,有较大可能存在误检,为降低误差,则可以忽略这一检测结果,反之若合法,则可以该检测结果对应的目标对象作为新目标,并进行存储。
步骤S614:确定新目标,提特征并存储。
自此之后,还可以再次执行上述步骤S611,以检验是否已经遍历当前帧的检测结果,若完成则可以结束流程,反之可以继续进行检验。
步骤S53:基于各个抓拍对象的跟踪序列信息,得到第二数据库。
具体地,在各个图像均完成上述步骤S52的处理流程之后,可以得到若干跟踪序列信息,如前所述,每一跟踪序列信息对应于一抓拍对象,且每一跟踪序列信息中可以包括该抓拍对象在历史图像中所获取的历史对象区域、历史融合特征及其质量分值。在此情况下,可以分别将各个跟踪序列信息作为当前序列信息,并在当前序列信息中,将质量分值最高的历史融合特征,作为当前序列信息对应的抓拍对象的第三融合特征,并基于提取到各个历史融合特征的历史图像,得到当前序列信息对应的抓拍对象的轨迹信息。上述方式,通过各个跟踪序列信息中历史融合特征的质量分值,得到抓拍对象的第三融合特征以及轨迹信息,能够有利于提高第二数据库的准确性。
在一个具体的实施场景中,仍以前述抓拍对象B的跟踪序列信息为例,该跟踪序列信息中可以包括历史图像01提取的历史融合特征及其质量分值、历史图像05提取的历史融合特征及其质量分值和历史图像09提取的历史融合特征及其质量分值,在此其中,历史图像09提取的历史融合特征具有最高的质量分值,则可以将历史图像09提取到的历史融合特征作为抓拍对象B的第三融合特征。
在另一个具体的实施场景中,可以根据上述各个历史图像的时间戳和拍摄地点,得到抓拍对象的轨迹信息。例如,可以将历史图像01的时间戳(如,XX月XX日8点)和拍摄地点(如,食堂)作为一组轨迹数据,并将历史图像05的时间戳(如,XX月XX日8点05分)和拍摄地点(如,园区内部道路)作为一组轨迹数据,以及将历史图像09的时间戳(如,XX月XX日8点10分)和拍摄地点(如,车间)作为一组轨迹数据。
上述方案,分别将若干帧原始图像作为当前图像,并获取对历史图像分析得到的若干跟踪序列信息,且历史图像为位于当前图像之前的原始图像,不同跟踪序列对应于不同抓拍对象,且跟踪序列信息包括抓拍对象在历史图像中所获取的历史对象区域、历史融合特征及其质量分值。在此基础上,对于当前图像,检测当前图像中抓拍对象的当前对象区域,并基于当前对象区域,获取抓拍对象的当前融合特征及其质量分值,以及利用当前对象区域和当前融合特征,更新若干跟踪序列信息,从而基于各个抓拍对象的跟踪序列信息,得到第二数据库,故能够对视频数据中各帧图像进行目标跟踪,有利于提升第二数据库中数据完整性。
请参阅图7,图7是本申请电子设备70一实施例的框架示意图。电子设备70包括相互耦接的存储器71和处理器72,存储器71中存储有程序指令,处理器72用于执行程序指令以实现上述任一对象重识别方法实施例中的步骤。具体地,电子设备70可以包括但不限于:台式计算机、笔记本电脑、服务器、手机、平板电脑等等,在此不做限定。
具体而言,处理器72用于控制其自身以及存储器71以实现上述任一对象重识别方法实施例中的步骤。处理器72还可以称为CPU(Central Processing Unit,中央处理单元)。处理器72可能是一种集成电路芯片,具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。另外,处理器72可以由集成电路芯片共同实现。
上述方案,获取待识别图像中目标对象的第一融合特征,再基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息,且第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,第一融合特征、第二融合特征和第三融合特征均是利用融合特征模型提取并处理人脸特征信息和形体特征信息而得到的,由于第一融合特征、第二融合特征和第三融合特征均在特征空间层面利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,故在执行目标对象身份以及轨迹识别任务的全过程中,始终能够关联人脸特征和形体特征,使得两者能够相互补充,有利于提高对象身份以及轨迹识别的准确性。
请参阅图8,图8是本申请对象重识别装置80一实施例的框架示意图。对象重识别装置80包括提取模块81和检索模块82,提取模块81用于提取待识别图像中目标对象的第一融合特征;检索模块82用于基于第一数据库、第二数据库和所述第一融合特征,得到所述目标对象的轨迹信息和身份信息;其中,所述第一数据库包含若干预设对象的第二融合特征和身份信息,所述第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且所述第一融合特征、所述第二融合特征和所述第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。
上述方案,获取待识别图像中目标对象的第一融合特征,再基于第一数据库、第二数据库和第一融合特征,得到目标对象的轨迹信息和身份信息,且第一数据库包含若干预设对象的第二融合特征和身份信息,第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,第一融合特征、第二融合特征和第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,由于第一融合特征、第二融合特征和第三融合特征均是在特征空间层面利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的,故在执行目标对象身份以及轨迹识别任务的全过程中,始终能够关联人脸特征和形体特征,使得两者能够相互补充,有利于提高对象身份以及轨迹识别的准确性。
在一些公开实施例中,检索模块82包括轨迹检索子模块,用于基于第一融合特征分别与若干抓拍对象的第三融合特征之间的第一相似度,选择一个抓拍对象作为检索对象,并将检索对象的轨迹信息作为目标对象的轨迹信息;检索模块82包括身份检索子模块,用于基于检索对象的第三融合特征分别与若干预设对象的第二融合特征之间的第二相似度,得到目标对象的身份信息。
因此,通过第一融合特征分别与若干抓拍对象的第三融合特征之间的第一相似度,选择一个抓拍对象作为检索对象,并基于检索对象的第三融合特征分别与若干预设对象的第二融合特征之间的第二相似度,识别目标对象的身份及轨迹,由于在识别的全过程中完全依赖于融合特征,故能够有利于提升轨迹及身份识别的准确性。
在一些公开实施例中,第二数据库还包括每一第三融合特征的质量分值;轨迹检索子模块包括融合特征排序单元,用于按照第一相似度由高到低的顺序,选取第一相似度位于前预设序位的第三融合特征,作为第一候选特征;轨迹检索子模块包括检索对象确定单元,用于将质量分值最高的第一候选特征所对应的抓拍对象,作为检索对象。
因此,由于第二数据库还包括每一第三融合特征的质量分值,故通过按照第一相似度由高到低的顺序,选择第一相似度位于前预设序位的第三融合特征,作为第一候选特征,并将质量分值最高的第一候选特征所对应的抓拍对象,作为检索对象,能够在筛选检索对象的过程中,兼顾融合特征的相似度以及融合特征的质量分值,从而能够有利于提高筛选检索对象的精度。
在一些公开实施例中,融合特征提取模型包括区域检索网络、特征提取网络和特征处理网络,提取模块81包括区域检测子模块,用于利用区域检测网络分别对待识别图像进行人脸检测和形体检测,得到目标对象的第一人脸区域和第一形体区域;提取模块81包括特征提取子模块,用于利用特征提取网络分别对第一人脸区域和第一形体区域进行特征提取,得到目标对象的第一人脸特征和第一形体特征;提取模块81包括特征处理子模块,用于利用特征处理网络对第一人脸特征和第一形体特征进行特征处理,得到目标对象的第一融合特征。
因此,区别于手动设置权重参数来融合人脸及形体两种模态特征,在特征空间对第一人脸特征和第一形体特征进行预测,得到两者的第一融合特征,一方面能够免于手动设置权重参数,另一方面也能够降低因手动设置权重参数的误差对第一融合特征的影响,有利于提升第一融合特征的准确性。
在一些公开实施例中,特征处理子模块包括特征拼接单元,用于将第一人脸特征和第一形体特征进行拼接,得到第一拼接特征;特征处理子模块包括特征处理单元,用于利用特征处理网络对第一拼接特征进行特征处理,得到第一融合特征。
因此,通过将第一人脸特征和第一形体特征进行拼接,得到第一拼接特征,并利用特征处理网络对第一拼接特征进行特征处理,得到第一融合特征,从而能够直接通过特征处理网络来预测得到人脸特征和形体特征的融合特征,进而能够避免在特征融合时手动设置权重参数而可能带来的误差,有利于提升融合特征的准确性。
在一些公开实施例中,特征处理子模块还包括预设特征获取单元,用于在待识别图像中未检测到第一人脸区域的情况下,将与第一形体特征相同维度的预设人脸特征作为第一人脸特征;或者,用于在待识别图像中未检测到第一形体区域的情况下,将与第一人脸特征相同维度的预设形体特征作为第一形体特征。
因此,在待识别图像中未检测到第一人脸区域的情况下,将与第一形体特征相同维度的预设人脸特征作为第一人脸特征,或者在待识别图像中未检测到第一形体特征的情况下,将与第一人脸特征相同维度的预设形体特征作为第一形体特征,故即使待识别图像中未检测到人脸或形体,也能够通过预设人脸特征或预设形体特征继续执行后续对象识别任务,能够有利于提升识别的稳定性。
在一些公开实施例中,融合特征提取模型包括区域检测网络、特征提取网络和特征处理网络,对象重识别装置80还包括信息获取模块,用于获取若干预设对象的预设图像和身份信息;对象重识别装置80还包括区域检测模块,用于利用区域检测网络对预设图像进行人脸检测和形体检测,得到预设对象的第二人脸区域和第二形体区域;对象重识别装置80还包括特征提取模块,用于利用特征提取网络分别对第二人脸区域和第二形体区域进行特征提取,得到预设对象的第二人脸特征和第二形体特征;对象重识别装置80还包括特征提取模块,用于利用特征处理网络对第二人脸特征和第二形体特征进行特征处理,得到预设对象的第二融合特征;对象重识别装置80包括数据存储模块,用于将若干预设对象的第二融合特征和身份信息存储至第一数据库。
因此,融合特征提取模型包括区域检测网络、特征提取网络和特征处理网络,在此基础上,获取若干预设对象的预设图像和身份信息,并利用区域检测网络对预设图像进行人脸检测和形体检测,得到预设对象的第二人脸区域和第二形体区域,并利用特征提取网络分别对第二人脸区域和第二形体区域进行特征提取,得到预设对象的第二人脸特征和第二形体特征,以及利用特征处理网络对第二人脸特征和第二形体特征进行特征处理,得到预设对象的第二融合特征,从而将若干预设对象的第二融合特征和身份信息存储至第一数据库。由于区别于手动设置权重参数来融合人脸及形体两种模态特征,在特征空间对第二人脸特征和第二形体特征进行处理,得到两者的第二融合特征,一方面能够免于手动设置权重参数,另一方面也能够降低因手动设置权重参数的误差对第二融合特征的影响,有利于提升第二融合特征的准确性。
在一些公开实施例中,预设图像为预设对象的人脸图像,预设图像中未检测到第二形体区域,且第二形体特征为与第二人脸特征相同维度的预设形体特征。
因此,通过将预设图像设置为预设对象的人脸图像,且在预设图像中未检测到第二形体区域的情况下,第二形体特征设置为与第二人脸特征相同维度的预设形体特征,能够降低由于形体特征可能由于穿着、体态等因素而发生变化等原因对第二融合特征的稳定性的负面影响,有利于提升第二融合特征的稳定性。
在一些公开实施例中,视频数据包括若干帧原始图像;对象重识别装置80包括图像分析模块,用于分别将若干帧原始图像作为当前图像,并获取对历史图像分析得到的若干跟踪序列信息;其中,历史图像为位于当前图像之前的原始图像,不同跟踪序列对应于不同抓拍对象,且跟踪序列信息包括抓拍对象在历史图像中所获取的历史对象区域、历史融合特征及其质量分值;对象重识别装置80包括序列更新模块,用于对于当前图像,检测当前图像中抓拍对象的当前对象区域,并基于当前对象区域,获取抓拍对象的当前融合特征及其质量分值,以及利用当前对象区域和当前融合特征,更新若干跟踪序列信息;对象重识别装置80包括数据库获取模块,用于基于各个抓拍对象的跟踪序列信息,得到第二数据库。
因此,分别将若干帧原始图像作为当前图像,并获取对历史图像分析得到的若干跟踪序列信息,且历史图像为位于当前图像之前的原始图像,不同跟踪序列对应于不同抓拍对象,且跟踪序列信息包括抓拍对象在历史图像中所获取的历史对象区域、历史融合特征及其质量分值。在此基础上,对于当前图像,检测当前图像中抓拍对象的当前对象区域,并基于当前对象区域,获取抓拍对象的当前融合特征及其质量分值,以及利用当前对象区域和当前融合特征,更新若干跟踪序列信息,从而基于各个抓拍对象的跟踪序列信息,得到第二数据库,故能够对视频数据中各帧图像进行目标跟踪,有利于提升第二数据库中数据完整性。
在一些公开实施例中,图像分析模块包括关键帧提取子模块,用于在视频数据中每隔预设帧数提取至少一帧原始图像,得到若干帧关键图像;图像分析模块包括当前图像获取子模块,用于分别将若干帧关键图像作为当前图像。
因此,通过在视频数据中每隔预设帧数提取至少一帧原始图像,得到若干帧关键图像,从而分别将若干帧关键图像作为当前图像,能够避免对相邻原始图像进行检测识别,有利于大大降低运算负荷。
在一些公开实施例中,当前图像中存在多个抓拍对象;序列更新模块包括图像检测子模块,用于分别对当前图像进行人脸检测和形体检测,得到若干第三人脸区域和若干第三形体区域;序列更新模块包括区域关联子模块,用于将满足第一预设条件的第三人脸区域和第三形体区域关联为抓拍对象的当前对象区域,并将未关联的第三人脸区域或第三形体区域单独作为抓拍对象的当前对象区域;其中,第一预设条件包括:第三人脸区域和第三形体区域的第一重合度大于第一重合度阈值且第三人脸区域与第三形体区域满足预设位置关系。
因此,在同一图像中存在多个抓拍对象的情况下,通过检测出来的人脸区域和形体区域之间的重合度以及两者的位置关系来共同进行人脸与形体的关联,有利于提高人脸与形体关联的准确性。
在一些公开实施例中,序列更新模块包括候选特征选择子模块,用于在若干跟踪序列信息中,选择与当前融合特征之间的第三相似度满足第二预设条件的历史融合特征,作为第二候选特征;序列更新模块包括第一更新子模块,用于在第二候选特征对应的历史对象区域与当前对象区域之间的第二重合度满足第三预设条件的情况下,将当前对象区域、当前融合特征及其质量分值添加至第二候选特征所在的跟踪序列信息中;序列更新模块包括第二更新子模块,用于在未选择到第二候选特征,或不存在满足第三预设条件的第二候选特征的情况下,将当前对象区域、当前融合特征及其质量分值添加至一个新的跟踪序列信息中。
因此,通过当前融合特征与跟踪序列信息中历史融合特征之间的第三相似度筛选第二候选特征,并根据第二候选特征对应的历史对象区域与当前对象区域之间的第二重合度来进一步确定当前融合特征是否属于第二候选特征所在的跟踪序列信息,故通过多重验证确定能够有利于提高跟踪准确性。
在一些公开实施例中,数据库获取模块包括当前序列获取子模块,用于分别将各个跟踪序列信息,作为当前序列信息;数据库获取模块包括轨迹信息获取子模块,用于在当前序列信息中,将质量分值最高的历史融合特征,作为当前序列信息对应的抓拍对象的第三融合特征,并基于提取到各个历史融合特征的历史图像,得到当前序列信息对应的抓拍对象的轨迹信息。
因此,通过各个跟踪序列信息中历史融合特征的质量分值,得到抓拍对象的第三融合特征以及轨迹信息,能够有利于提高第二数据库的准确性。
请参阅图9,图9是本申请存储装置90一实施例的框架示意图。存储装置90存储有能够被处理器运行的程序指令91,程序指令91用于实现上述任一对象重识别方法实施例中的步骤。
上述方案,能够提高对象身份以及轨迹识别的准确性。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
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,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、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。
Claims (16)
1.一种对象重识别方法,其特征在于,包括:
提取待识别图像中目标对象的第一融合特征;
基于第一数据库、第二数据库和所述第一融合特征,得到所述目标对象的轨迹信息和身份信息;
其中,所述第一数据库包含若干预设对象的第二融合特征和身份信息,所述第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且所述第一融合特征、所述第二融合特征和所述第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。
2.根据权利要求1所述的方法,其特征在于,所述基于第一数据库、第二数据库和所述第一融合特征,得到所述目标对象的轨迹信息和身份信息,包括:
基于所述第一融合特征分别与所述若干抓拍对象的第三融合特征之间的第一相似度,选择一个所述抓拍对象作为检索对象,并将所述检索对象的轨迹信息作为所述目标对象的轨迹信息;
基于所述检索对象的第三融合特征分别与所述若干预设对象的第二融合特征之间的第二相似度,得到所述目标对象的身份信息。
3.根据权利要求2所述的方法,其特征在于,所述第二数据库还包括每一所述第三融合特征的质量分值;所述基于所述第一融合特征分别与所述若干抓拍对象的第三融合特征之间的第一相似度,选择一个所述抓拍对象作为检索对象,包括:
按照所述第一相似度由高到低的顺序,选取所述第一相似度位于前预设序位的第三融合特征,作为第一候选特征;
将所述质量分值最高的第一候选特征所对应的抓拍对象,作为所述检索对象。
4.根据权利要求1所述的方法,其特征在于,所述融合特征提取模型包括区域检测网络、特征提取网络和特征处理网络;所述提取待识别图像中目标对象的第一融合特征,包括:
利用所述区域检测网络分别对所述待识别图像进行人脸检测和形体检测,得到所述目标对象的第一人脸区域和第一形体区域;
利用所述特征提取网络分别对所述第一人脸区域和所述第一形体区域进行特征提取,得到所述目标对象的第一人脸特征和第一形体特征;
利用所述特征处理网络对所述第一人脸特征和所述第一形体特征进行特征处理,得到所述目标对象的第一融合特征。
5.根据权利要求4所述的方法,其特征在于,所述利用所述特征处理网络对所述第一人脸特征和所述第一形体特征进行特征处理,得到所述目标对象的第一融合特征,包括:
将所述第一人脸特征和所述第一形体特征进行拼接,得到第一拼接特征;
利用所述特征处理网络对所述第一拼接特征进行特征处理,得到所述第一融合特征。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述待识别图像中未检测到所述第一人脸区域的情况下,将与所述第一形体特征相同维度的预设人脸特征作为所述第一人脸特征;或者,
在所述待识别图像中未检测到所述第一形体区域的情况下,将与所述第一人脸特征相同维度的预设形体特征作为所述第一形体特征。
7.根据权利要求1所述的方法,其特征在于,所述融合特征提取模型包括区域检测网络、特征提取网络和特征处理网络;所述第一数据库的获取步骤包括:
获取所述若干预设对象的预设图像和身份信息;
利用所述区域检测网络对所述预设图像进行人脸检测和形体检测,得到所述预设对象的第二人脸区域和第二形体区域;
利用所述特征提取网络分别对所述第二人脸区域和所述第二形体区域进行特征提取,得到所述预设对象的第二人脸特征和第二形体特征;
利用所述特征处理网络对第二人脸特征和所述第二形体特征进行特征处理,得到所述预设对象的第二融合特征;
将所述若干预设对象的第二融合特征和身份信息存储至所述第一数据库。
8.根据权利要求7所述的方法,其特征在于,所述预设图像为所述预设对象的人脸图像,所述预设图像中未检测到所述第二形体区域,且所述第二形体特征为与所述第二人脸特征相同维度的预设形体特征。
9.根据权利要求1所述的方法,其特征在于,所述视频数据包括若干帧原始图像;所述第二数据库的获取步骤包括:
分别将所述若干帧原始图像作为当前图像,并获取对历史图像分析得到的若干跟踪序列信息;其中,所述历史图像为位于所述当前图像之前的原始图像,不同所述跟踪序列信息对应于不同所述抓拍对象,且所述跟踪序列信息包括所述抓拍对象在所述历史图像中所获取的历史对象区域、历史融合特征及其质量分值;
对于所述当前图像,检测所述当前图像中所述抓拍对象的当前对象区域,并基于所述当前对象区域,获取所述抓拍对象的当前融合特征及其质量分值,以及利用所述当前对象区域和所述当前融合特征,更新所述若干跟踪序列信息;
基于各个所述抓拍对象的跟踪序列信息,得到所述第二数据库。
10.根据权利要求9所述的方法,其特征在于,所述分别将所述若干帧原始图像作为当前图像,包括:
在所述视频数据中每隔预设帧数提取至少一帧所述原始图像,得到若干帧关键图像;
分别将所述若干帧关键图像作为所述当前图像。
11.根据权利要求9所述的方法,其特征在于,所述当前图像中存在多个所述抓拍对象;所述检测所述当前图像中所述抓拍对象的当前对象区域,包括:
分别对所述当前图像进行人脸检测和形体检测,得到若干第三人脸区域和若干第三形体区域;
将满足第一预设条件的所述第三人脸区域和所述第三形体区域关联为所述抓拍对象的当前对象区域,并将未关联的所述第三人脸区域或所述第三形体区域单独作为所述抓拍对象的当前对象区域;
其中,所述第一预设条件包括:所述第三人脸区域和所述第三形体区域的第一重合度大于重合度阈值且所述第三人脸区域与所述第三形体区域满足预设位置关系。
12.根据权利要求9所述的方法,其特征在于,所述利用所述当前对象区域和所述当前融合特征,更新所述若干跟踪序列信息,包括:
在若干跟踪序列信息中,选择与所述当前融合特征之间的第三相似度满足第二预设条件的历史融合特征,作为第二候选特征;
在所述第二候选特征对应的历史对象区域与所述当前对象区域之间的第二重合度满足第三预设条件的情况下,将所述当前对象区域、所述当前融合特征及其质量分值添加至所述第二候选特征所在的跟踪序列信息中;
在未选择到所述第二候选特征,或不存在满足所述第三预设条件的所述第二候选特征的情况下,将所述当前对象区域、所述当前融合特征及其质量分值添加至一个新的所述跟踪序列信息中。
13.根据权利要求9所述的方法,其特征在于,所述基于各个所述抓拍对象的跟踪序列信息,得到所述第二数据库,包括:
分别将各个所述跟踪序列信息,作为当前序列信息;
在所述当前序列信息中,将所述质量分值最高的所述历史融合特征,作为所述当前序列信息对应的抓拍对象的第三融合特征,并基于提取到各个所述历史融合特征的历史图像,得到所述当前序列信息对应的抓拍对象的轨迹信息。
14.一种对象重识别装置,其特征在于,包括:
提取模块,用于提取待识别图像中目标对象的第一融合特征;
检索模块,用于基于第一数据库、第二数据库和所述第一融合特征,得到所述目标对象的轨迹信息和身份信息;
其中,所述第一数据库包含若干预设对象的第二融合特征和身份信息,所述第二数据库包含视频数据中若干抓拍对象的第三融合特征和轨迹信息,且所述第一融合特征、所述第二融合特征和所述第三融合特征均是利用融合特征提取模型提取并处理人脸特征信息和形体特征信息而得到的。
15.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述存储器中存储有程序指令,所述处理器用于执行所述程序指令以实现权利要求1至13任一项所述的对象重识别方法。
16.一种存储装置,其特征在于,存储有能够被处理器运行的程序指令,所述程序指令用于实现权利要求1至13任一项所述的对象重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580394.2A CN113449596B (zh) | 2021-05-26 | 对象重识别方法以及电子设备、存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580394.2A CN113449596B (zh) | 2021-05-26 | 对象重识别方法以及电子设备、存储装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449596A true CN113449596A (zh) | 2021-09-28 |
CN113449596B CN113449596B (zh) | 2024-06-04 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1503194A (zh) * | 2002-11-26 | 2004-06-09 | 中国科学院计算技术研究所 | 利用身材信息辅助人脸信息的身份识别方法 |
CN107958244A (zh) * | 2018-01-12 | 2018-04-24 | 成都视观天下科技有限公司 | 一种基于视频多帧人脸特征融合的人脸识别方法及装置 |
CN110287880A (zh) * | 2019-06-26 | 2019-09-27 | 西安电子科技大学 | 一种基于深度学习的姿态鲁棒性人脸识别方法 |
CN110717428A (zh) * | 2019-09-27 | 2020-01-21 | 上海依图网络科技有限公司 | 一种融合多个特征的身份识别方法、装置、系统、介质及设备 |
CN110807362A (zh) * | 2019-09-23 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置和计算机可读存储介质 |
CN110852219A (zh) * | 2019-10-30 | 2020-02-28 | 广州海格星航信息科技有限公司 | 一种多行人跨摄像头在线跟踪系统 |
US20200218884A1 (en) * | 2019-01-07 | 2020-07-09 | National Chiao Tung University | Identity recognition system and identity recognition method |
CN112597850A (zh) * | 2020-12-15 | 2021-04-02 | 浙江大华技术股份有限公司 | 一种身份识别方法及装置 |
CN112733719A (zh) * | 2021-01-11 | 2021-04-30 | 西南交通大学 | 一种融合人脸及人体特征的跨境行人轨迹检测方法 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1503194A (zh) * | 2002-11-26 | 2004-06-09 | 中国科学院计算技术研究所 | 利用身材信息辅助人脸信息的身份识别方法 |
CN107958244A (zh) * | 2018-01-12 | 2018-04-24 | 成都视观天下科技有限公司 | 一种基于视频多帧人脸特征融合的人脸识别方法及装置 |
US20200218884A1 (en) * | 2019-01-07 | 2020-07-09 | National Chiao Tung University | Identity recognition system and identity recognition method |
CN110287880A (zh) * | 2019-06-26 | 2019-09-27 | 西安电子科技大学 | 一种基于深度学习的姿态鲁棒性人脸识别方法 |
CN110807362A (zh) * | 2019-09-23 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置和计算机可读存储介质 |
CN110717428A (zh) * | 2019-09-27 | 2020-01-21 | 上海依图网络科技有限公司 | 一种融合多个特征的身份识别方法、装置、系统、介质及设备 |
CN110852219A (zh) * | 2019-10-30 | 2020-02-28 | 广州海格星航信息科技有限公司 | 一种多行人跨摄像头在线跟踪系统 |
CN112597850A (zh) * | 2020-12-15 | 2021-04-02 | 浙江大华技术股份有限公司 | 一种身份识别方法及装置 |
CN112733719A (zh) * | 2021-01-11 | 2021-04-30 | 西南交通大学 | 一种融合人脸及人体特征的跨境行人轨迹检测方法 |
Non-Patent Citations (2)
Title |
---|
LIU, RUIXU: "Attention Based Temporal Convolutional Neural Network for Real-Time 3D Human Pose Reconstruction", UNIVERSITY OF DAYTON, 31 December 2019 (2019-12-31) * |
纪德益: "基于人脸联合识别和全局轨迹模式一致性的跨摄像头多目标追踪算法", 中国优秀硕士学位论文全文数据库信息科技辑, no. 06 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717414B (zh) | 一种目标检测追踪方法、装置及设备 | |
US10417503B2 (en) | Image processing apparatus and image processing method | |
CN111507232B (zh) | 多模态多策略融合的陌生人识别方法和系统 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN112257660B (zh) | 无效客流的去除方法、系统、设备及计算机可读存储介质 | |
CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
US20220215647A1 (en) | Image processing method and apparatus and storage medium | |
CN112183162A (zh) | 一种监控场景下人脸自动注册识别系统及方法 | |
CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
CN115841649A (zh) | 一种用于城市复杂场景的多尺度人数统计方法 | |
JP2021520015A (ja) | 画像処理方法、装置、端末機器、サーバおよびシステム | |
WO2023236514A1 (zh) | 一种跨摄像头的多目标追踪方法、装置、设备及介质 | |
CN112330715A (zh) | 一种跟踪方法、跟踪装置、终端设备及可读存储介质 | |
JP6844230B2 (ja) | 画像処理プログラム、画像処理装置および画像処理方法 | |
CN109146913B (zh) | 一种人脸跟踪方法及装置 | |
CN109359530B (zh) | 一种智能视频监控方法及装置 | |
CN116824641B (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
US20230386188A1 (en) | Image analysis system an update method for machine learning model | |
CN112700472A (zh) | 目标跟踪方法及相关设备 | |
CN113449596B (zh) | 对象重识别方法以及电子设备、存储装置 | |
CN113449596A (zh) | 对象重识别方法以及电子设备、存储装置 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN110866500A (zh) | 人脸检测对齐系统、方法、装置、平台、移动终端和存储介质 | |
CN114373203A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
CN113609317A (zh) | 一种图像库构建方法、装置及电子设备 |
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 | ||
GR01 | Patent grant |