CN113449739A - 数据处理方法、装置和系统 - Google Patents
数据处理方法、装置和系统 Download PDFInfo
- Publication number
- CN113449739A CN113449739A CN202010224463.1A CN202010224463A CN113449739A CN 113449739 A CN113449739 A CN 113449739A CN 202010224463 A CN202010224463 A CN 202010224463A CN 113449739 A CN113449739 A CN 113449739A
- Authority
- CN
- China
- Prior art keywords
- image
- feature point
- local feature
- point information
- local
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 33
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000013434 data augmentation Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 19
- 230000005855 radiation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000014616 translation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数据处理方法、装置和系统。其中，该方法包括：获取目标图像，其中，目标图像包括主体部分和非主体部分；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。本发明解决了现有技术中进行图像匹配时的准确度低的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种数据处理方法、装置和系统。
背景技术
基于海量交通监控视频图像数据的车辆图搜问题正受到越来越多的关注。目前通常使用深度神经网络基于车辆的全局特征进行车辆的图搜，以确定指定车辆的身份，例如，车辆的颜色、外型、品牌等，但由于城市级监控数据中，存在部分车辆的外观极为相似，因此使得基于深度神经网络的全局特征图搜技术在一些情况下难以进行准确的搜索，从而难以对车辆身份进行有效的鉴别。
针对现有技术中进行图像匹配时的准确度低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法、装置和系统，以至少解决现有技术中进行图像匹配时的准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种数据处理方法，包括：获取目标图像，其中，目标图像包括主体部分和非主体部分；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
根据本发明实施例的另一方面，还提供了一种数据处理方法，包括：获取目标车辆的目标图像，其中，目标车辆为产生违章事件的车辆，目标图像为目标车辆在产生违章事件时拍摄得到的图像；根据目标图像从车辆图像库中查找目标车辆对应的候选车辆；获取候选车辆在候选车辆图像中的第一局部特征点信息；获取目标图像的第二局部特征点信息；基于第一局部特征点信息和第二局部特征点信息，从候选车辆中查找出与目标车辆匹配的匹配车辆。
根据本发明实施例的另一方面，还提供了一种数据处理装置，包括：第一获取模块，用于获取目标图像，其中，目标图像包括主体部分和非主体部分；第二获取模块，用于获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；第一查找模块，用于从图像库中查找与目标图像对应的候选图像；第三获取模块，用于获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；第二查找模块，用于基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
根据本发明实施例的另一方面，还提供了一种数据处理系统，包括：图像采集装置，用于采集目标图像；处理器，用于获取目标图像以及获取目标图像的第二局部特征点信息，从图像库中查找与目标图像对应的候选图像，获取候选图像的第一局部特征点信息，并基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像，其中，目标图像包括主体部分和非主体部分，第一局部特征点信息包括候选图像中的主体的局部特征点向量，第二局部特征点信息包括目标图像中的主体的局部特征点向量。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的数据处理方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，所述程序运行时执行上述的数据处理方法
在本发明实施例中，获取目标图像，并获取所述目标图像的第二局部特征点信息，其中，所述第二局部特征点信息包括所述目标图像中的主体的局部特征点向量，从图像库中查找与目标图像对应的候选图像；获取所述候选图像的第一局部特征点信息，其中，所述第一局部特征点信息为所述候选图像中的主体的局部特征点向量；基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像。上述方案在从图像库中初步提取目标图像的候选图像的基础上，基于候选图像的局部特征信息和目标图像的局部特征信息进行匹配，从而能够感知到图像的细节信息，进而能够提高图像匹配的准确度，解决了现有技术中进行图像匹配时的准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现数据处理方法的计算设备(或移动设备)的硬件结构框图；
图2是根据本申请实施例1的一种数据处理方法的流程图；
图3是根据本申请实施例的一种基于车辆图像进行图搜的示意图；
图4a是根据本申请实施例的一种调整第一局部特征点的示意图；
图4b是根据本申请实施例的另一种调整第一局部特征点的示意图；
图5是根据本申请实施例2的一种数据处理方法的流程图；
图6是根据本申请实施例3的一种图像匹配的系统的示意图；
图7是根据本申请实施例4的一种数据处理装置的示意图；
图8是根据本申请实施例5的一种数据处理装置的示意图；
图9是根据本申请实施例6的一种计算设备的结构框图
图10是根据本申请实施例8的一种数据处理方法的流程图；以及
图11是根据本申请实施例9的一种数据处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，还提供了一种数据处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算设备或者类似的运算装置中执行。图1示出了一种用于实现数据处理方法的计算设备(或移动设备)的硬件结构框图。如图1所示，计算设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的数据处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算设备10(或移动设备)的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下，本申请提供了如图2所示的数据处理方法。图2是根据本申请实施例1的一种数据处理方法的流程图。结合图1所示，该方法包括如下步骤：
步骤S21，获取目标图像，其中，所述目标图像包括主体部分和非主体部分。
具体的，上述目标图像可以是含有需要搜索的主体的图像，目标图像中的主体部分用于表示需要进行搜索的主体在目标图像中所处的部分，非主体部分用于表示除需要进行搜索的主体部分之外的其他部分。需要进行搜索的主体可以包括：车辆、人物、动物、无人机等移动的主体。
例如，目标图像为在交通卡口拍摄的包含目标车辆的图像为例，该图像中目标车辆所在的部分即为主体部分，除目标车辆的其他部分则为非主体部分。
再例如，以寻找儿童后老人为例，目标图像还可以为摄像头拍摄的包含儿童或老人的图像，该图像中儿童或老人所在的部分即为主体部分，除儿童或老人以外的其他部分则为非主体部分。
步骤S23，获取目标图像的第二局部特征点信息，其中，第二局部特征点信息为目标图像中的主体的局部特征点向量。
具体的，目标图像的主体上具有多个局部特征点，第二局部特征点信息为目标图像的主体上的多个局部特征点的向量的集合。局部特征点用于描述局部特征，局部特征是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和具有特别属性的区域等。与线特征、纹理特征、结构特征等全局图像特征相比，图像的局部特征具有在图像中蕴含数量丰富，特征间相关度小，遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等特点，且局部特征还具有特征检测重复率高、速度快,特征描述对光照、旋转、视点变化等图像变换具有鲁棒性，特征描述符维度低，易于实现快速匹配等特点。
在一种可选的实施例中，以目标图像为违章车辆图像为例进行说明，可以通过预设的局部特征点提取模型来对目标图像的局部特征进行提取，得到目标图像的第二局部特征点信息。
步骤S25，从图像库中查找与目标图像对应的候选图像。
具体的，图像库可以是大量包含主体的图像的数据库，且在图像库中，可以对获取的图像中的主体进行提取后再进行存储。候选图像可以是基于目标图像中的一种或多种全局特征从图像库中初步筛选得到的图像。上述全局特征可以包括如下任意一项或多项：颜色、型号、品牌等。
在一种可选的实施例中，实时获取全市交通卡口的摄像头所拍摄的车辆的图像，并对图像中的车辆进行提取后，存储在图像库中。当检测某个交通卡口存在违章车辆，但由于角度、光线或人为原因导致难以准确的识别车辆车牌的情况下，将违章车辆违章时所拍摄的图像作为目标图像，在图像库中基于违章车辆的全局特征查找其对应的候选图像。
通过上述步骤，能够从图像库所存储的海量车辆的图像中，筛选出与目标图像中的车辆相似的车辆图像，从而排除了大部分车辆。在得到候选图像之后，在候选图像中进行进一步查找。
步骤S27，获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量。
在一种可选的实施例中，仍可以通过预设的局部特征点提取模型来对候选图像的局部特征进行提取，得到候选图像的第一局部特征点信息。
步骤S29，基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
在上述方案中，获得第一局部特征点信息和第二局部特征点信息后，可以获取二者的相似度，用该相似度表示候选图像与目标图像的相似度，从而根据相似度确定与目标图像最匹配的匹配图像。
在一种可选的实施例中，仍以违章车辆的图像为目标图像为例，当车辆违章时，由于角度、光线或人为原因导致难以准确的识别车辆车牌，进而无法识别车辆的身份。但车辆在其他交通卡口处也会留下图像，且其他交通卡口处所留下的图像可能包含车辆的车牌。在此情况下，通过局部特征点信息的匹配，从候选图像中查找出于目标图像最匹配的匹配图像，认为该匹配图像中的主体即为上述的违章车辆，并可以基于匹配图像中的车牌确定车辆身份。
此方案利用图搜方式进行车辆的身份鉴别，可显著提升车辆图搜系统在较多同品牌车情况下的搜索准确率，为交通场景违法车辆管控稽查提供了有力的手段。
本申请上述实施例从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息为候选图像中的主体的局部特征点向量；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息为目标图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。上述方案在从图像库中初步提取目标图像的候选图像的基础上，基于候选图像的局部特征信息和目标图像的局部特征信息进行匹配，从而能够感知到图像的细节信息，进而能够提高图像匹配的准确度，解决了现有技术中进行图像匹配时的准确度低的技术问题。
作为一种可选的实施例，从图像库中查找与目标图像对应的候选图像，包括：提取目标图像的全局特征信息；基于全局特征信息在图像库中查找候选图像。
具体的，上述目标图像的全局特征信息可以包括：颜色特征信息、纹理特征信息和形状特征信息等。
仍以车辆为例，全局特征信息可以是目标图像中车辆的颜色、品牌、外形、强度直方图等，通过全局特征信息的匹配，可以从图像库中召回与目标图像中的车辆具有一定相似度的候选图像，从而排除图像库中大量不相关的车辆图像。更具体的说，如果目标图像中的违章车辆为红色的小轿车，那么图像库中的除红色小轿车之外的车辆的图像都将会被排除，仅留下红色小轿车的图像作为候选图像。
作为一种可选的实施例，获取候选图像的第一局部特征点信息，包括：通过预设的深度局部特征点提取模型获取候选图像的第一局部特征点信息。
具体的，上述预设的深度局部特征提取模型用于提取图像中的特征点信息。在一种可选的实施例中，深度局部特征点提取模型可以为编码器-解码器结构，该特征点信息可以包括：特征点位置和特征点向量，因此上述深度局部特征点提取模型具有一个输入和两个输出，将候选图像输入至该深度局部特征点提取模型，即可得到深度局部特征点提取模型输出的特征点位置和特征点向量。
作为一种可选的实施例，获取目标图像的第二局部特征点信息，包括：接收选择指令，其中，选择指令用于在目标图像中选择待匹配区域；通过预设的深度局部特征点提取模型获取待匹配区域的局部特征点信息，并确定待匹配区域的局部特征点信息为第二局部特征点信息。
具体的，上述预设的深度局部特征点提取模型可以与用于提取第一局部特征点信息的模型相同。
在一种可选的实施例中，上述选择指令可以由用户发出，用于在目标图像中框选待匹配区域，例如，目标图像的主体中存在一个区域具有较明显的特征，则用户可以对这个区域进行选择，从而使用深度局部特征点提取模型在选择的区域内进行局部特征点信息的提取，进而使得提取的局部特征点信息更具有针对性。仍以目标图像为违章车辆的图像为例，如果目标图像拍摄到了违章车辆挂在正面的横幅，则可以将横幅所在区域作为待匹配区域，对该区域进行选择。
在另一种可选的实施例中，上述待匹配区域还可以为目标图像中的感兴趣区域，选择指令由于提取目标图像中的感兴趣区域的处理模型发出。仍以目标图像为违章车辆的图像为例，感兴趣区域的处理模型从目标图像中提取感兴趣区域作为待匹配区域。
图3是根据本申请实施例的一种基于车辆图像进行图搜的示意图，结合图3所示，目标图像中，车辆的上方挂有横幅“XXXX”，这是该车辆与相似甚至同车型的车辆都具有的不同之处，在此基础上，用户可以横幅在图中所在的区域进行框选，得到待匹配区域。深度局部特征点提取模型将从框选的该待匹配区域进行局部特征点信息的提取。
作为一种可选的实施例，上述方法还包括：获取深度局部特征点提取模型，获取深度局部特征点提取模型包括：基于预设的二维图形中的关键点进行训练，得到基础关键点检测模型；通过基础关键点检测模型，检测样本图像中主体上的样本特征点；将样本特征点作为样本数据，对预设的初始网络模型进行训练，得到深度局部特征点提取模型，其中，预设的初始网络模型包括编码器与两个解码器，两个解码器分别用于预测特征点的位置和向量。
具体的，上述预设的二维图形可以是简单的基础图像，例如：三角形、矩形等，在一种可选的实施例中，以三角形为例，可以将三角形的三个角所在的点作为特征点，将三角形的二维图形和三个角所在点的位置及向量作为训练关键点检测模型的样本数据，对基础关键点检测模型进行仿真预训练，得到基础关键点检测模型。
上述样本图像与包含二维图形的图像不同，其包含真实的主体。以目标图像为违章车辆的图像为例，样本图像是包括真实车辆的图像。在得到基础关键点检测模型后，通过基础关键点检测模型从样本图像中提取特征点，将该关键点作为训练深度局部特征点提取模型的样本特征点。
需要注意的是，如图3所示，上述深度局部特征点提取模型通过编解码架构，联合特征检测与描述双分支网络，来同时对局部特征点进行检测和特征提取，也即解码器为两个解码器，分别用于输出特征点的位置和特征点的向量。
上述方案先基于基础的二维图形进行仿真预训练，得到基础关键点检测模型，再通过基础关键点模型对包含真实主体的样本图像进行关键点检测，进行真实车辆数据的迁移调优，得到伪标签信息，即样本特征点，最后根据伪标签信息进行深度局部特征点提取模型的训练，从而得到最终的深度局部特征点提取模型。
作为一种可选的实施例，通过基础关键点检测模型，检测样本图像中主体上的样本特征点，包括：通过对样本图像进行图像变换来对样本图像进行数据增广；通过基础关键点检测模型，检测数据增广后的样本图像中主体上的样本特征点。
具体的，上述图像变换用于对一个样本图像进行指定形式的变换后，得到多个样本图像，从而起到数据增广的作用。在一种可选的实施例中，上述图像变换用于表示对图像的几何变换，可以包括：图像的平移变换、图像的镜像变换、图像的转置变换、图像的旋转变换、图像的缩放等。
为了训练更准确的深度局部特征点提取模型，需要使得大量的伪标签信息，但包含真实主体的样本图像数量有限，或获取包含真实主体的样本图像具有一定难度，因此上述方案对样本图像进行图像变换以进行数据增广，从而大量的提高了样本数据的数量，进而能够提高伪标签信息的数量，进行使训练得到的深度局部特征点提取模型更加准确。
作为一种可选的实施例，图像变换包括如下至少之一：平移、缩放和尺度翻转。
通过对图像进行变换，能够得到图像对应的多种增广图像。在一种可选的实施例中，可以指定对每个样本图像进行两种不同距离的平移、两种不同尺度的缩放和一次翻转，从而对于一个样本图像，能够得到五个对应的增广图像。
作为一种可选的实施例，基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像，包括：将第一局部特征点信息和第二局部特征点信息输入至深度特征点匹配模型，得到深度特征点匹配模型输出的候选图像与目标图像的相似度参数；基于相似度参数确定与目标图像匹配的匹配图像。
在一种可选的实施例中，结合图3所示，深度局部特征点提取模型分别对目标图像和候选图像提取局部特征点集，并获取局部特征点集的向量，并将这些信息输入至深度特征点匹配模型中，得到深度特征点匹配模型输出的匹配分数，该匹配分数用于表示目标图像与候选图像的相似度。然后基于预设的规则，根据每个候选图像与目标图像的相似度，对相似度较高的候选图像进行召回，可以是相似度最高的一个，也可以是相似度由高至低排序的多个，从而确定与目标图像匹配的匹配图像，该匹配图像中的车辆与目标图像中的车辆为同一车辆，可以根据匹配图像中车辆的的车牌信息，确定目标图像中车辆的身份。
作为一种可选的实施例，深度特征点匹配模型包括：对应点匹配权重模型和基础矩阵估计模型，将第一局部特征点信息和第二局部特征点信息输入至深度特征点匹配模型，得到深度特征点匹配模型输出的候选图像与目标图像的相似度参数，包括：通过对应点匹配权重模型预测第一局部特征点信息和第二局部特征点信息中，任意两个特征点之间的匹配概率；通过基础矩阵估计模型，根据匹配概率、第一局部特征点信息和第二局部特征点信息，获取候选图像与目标图像之间的仿射变换矩阵；基于仿射变换矩阵对候选图像中的第一局部特征点和目标图像中的第二局部特征点的空间关系进行验证，得到候选图像与目标图像的相似度参数。
由于候选图像和目标图像存在拍摄角度、光线等差异，因此直接进行特征点匹配的结果并不准确，还需要特征点之间满足候选图像和目标图像之间的空间关系。上述方案通过深度特征点匹配模型，基于第一局部特征点信息和第二局部特征点信息进行特征匹配和空间关系验证。
具体的，上述对应点权重匹配模型可以为改良的残差网络(在残差网络上增加Batch-Normalization，以使网络收敛性更佳)，使用对应点权重匹配模型进行特征匹配，预测任意两个点的匹配程度，然后再基于该匹配程度确定目标图像与候选图像之间的放射变换矩阵，根据该放射变换矩阵对特征点之间的空间关系进行验证，即判断特征点之间是否满足放射变换矩阵所定义的空间关系，如果满足，则认为两个特征点匹配。
上述放射变换矩阵即表示候选图像与目标图像之间的空间关系，上述方案在确定候选图像与目标对象的放射变换矩阵时，还引入到了第一局部特征点信息和第二局部特征点信息中任意两个点的匹配概率，从而使得到的放射变换矩阵的准确度更高。
在得到候选图像和目标图像之间的仿射变换矩阵后，可以基于该仿射变换矩阵所描述的候选图像和目标图像之间的空间关系，对第一局部特征点信息和第二局部特征点进行空间关系验证，在验证时，其基于这种假设：如果候选图像和目标图像相匹配，则二者的特征点能够基于仿射变换矩阵进行转换。
需要说明的是，可以使用联合学习框架，利用改进的弱监督分类损失联合训练对应点匹配权重模型和基础矩阵估计模型，从而使得最终深度特征点匹配网络能准确预测两个点集的匹配程度。
还需要说明的是，由于传统的匹配方式在CPU中采用迭代的方式执行，因此执行效率较低，而上述方案通过深度特征点匹配模型来确定候选图像与目标图像之间的相似度，其在GPU中执行，其无需进行迭代运算，因此能够解决传统匹配方法中RANSAC(RandomSample Consensus，随机样本一致性)误匹配和效率慢等问题。
作为一种可选的实施例，基于仿射变换矩阵对候选图像中的第一局部特征点和目标图像中的第二局部特征点的空间关系进行验证，得到候选图像与目标图像的相似度参数，包括：将第一局部特征点根据仿射变换矩阵进行仿射变换，得到第一局部特征点对应的变换点；获取变换点属于第二局部特征点的目标第一局部特征点的数量；根据目标第一局部特征点的数量与第一局部特征点的数量确定候选图像与目标图像的相似度参数。
在上述方案中，将第一局部特征点通过仿射变换矩阵进行转换，转换得到第一局部特征点对应的变换点，该变换点所表示的意义是，如果候选图像和目标图像相匹配，则一个候选匹配对象中的特征点对应的变换点应该属于目标图像的第二局部特征点，因此如果其不属于第二局部特征点，则认为至少这一个特征点不满足候选图像与目标图像之间的空间关系。
对每个第一局部特征点都进行如上操作，从而得到满足候选图像与目标图像之间的空间关系的特征点，和不满足该空间关系的特征点，满足该空间关系的特征点的数量越多，说明候选图像和目标图像之间的相似度越高，因此可以将变换点属于第二局部特征点的目标第一局部特征点的数量，与所有第一局部特征点的数量的比值作为候选图像和目标图像之间的相似度。
作为一种可选的实施例，在基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像之前，上述方法还包括：显示所述目标图像以及所述目标图像上的第二局部特征点，其中，所述第二局部特征点的信息构成所述第二局部特征点信息；显示所述候选图像以及所述候选图像上的第一局部特征点，其中，所述第一局部特征点的信息构成所述第一局部特征点信息；接收调整指令，其中，所述调整指令用于调整所述第一局部特征点在所述候选图像中的区域；根据所述调整指令调整所述第一局部特征点在所述候选图像中的位置。
在上述步骤中，可以在人机交互界面上显示目标图像和候选图像，并显示第一局部特征点和第二局部特征点，具体的，可以通过显示目标图像的第二局部特征点所在的区域来显示第二局部特征点，同样的，也可以通过显示候选图像的第一局部特征点所在的区域来显示第一局部特征点。上述调整指令用于调整第一局部特征点在候选图像中的区域。在操作时，可以与目标图像中的第二局部特征点所在的区域作为对照，对第一局部特征点所在的区域进行调整，调整的对象可以是第一局部特征点所在的区域的大小、位置等。
图4a是根据本申请实施例的一种调整第一局部特征点的示意图，结合图4a所示，通过虚线在目标图像和候选图像中框出了第二局部特征点所在的区域和第一局部特征点所在的区域。上方的两个图像是初始情况下显示的目标图像和候选图像，可以看出候选图像中虚线框出的第一局部特征点所在的区域与目标图像中第二局部特征点所在的区域相比较大，用户可以对候选图像中的虚线框出的区域的大小进行调整，得到图4a中的下图，使得调整后目标图像和候选图像中框出的第二局部特征点所在的区域和第一局部特征点所在的区域相同。
图4b是根据本申请实施例的另一种调整第一局部特征点的示意图，结合图4b所示，通过虚线在目标图像和候选图像中框出了第二局部特征点所在的区域和第一局部特征点所在的区域。上方的两个图像是初始情况下显示的目标图像和候选图像，可以看出候选图像中虚线框出的第一局部特征点所在的区域与目标图像中第二局部特征点所在的区域相比位置有所偏差，用户可以对候选图像中的虚线框出的区域的位置进行调整，得到图4b中的下图，使得调整后目标图像和候选图像中框出的第二局部特征点所在的区域和第一局部特征点所在的区域相同。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种如图5所示的数据处理方法。图5是根据本申请实施例2的一种数据处理方法的流程图。结合图5所示，该方法包括如下步骤：
步骤S51，获取目标车辆的目标图像，其中，目标车辆为产生违章事件的车辆，目标图像为目标车辆在产生违章事件时拍摄得到的图像。
具体的，交通卡口处的摄像头会对经过的车辆进行拍照。上述方案将违章车辆在违章时的图像作为目标图像进行匹配，用于在未拍清楚违章车辆的车牌导致无法确定违章车辆的身份时，通过目标图像来寻找与违章车辆匹配的车辆，进而确定违章车辆的身份信息。
步骤S53，根据目标图像从车辆图像库中查找目标车辆对应的候选车辆。
具体的，上述图像库可以是大量包含车辆的图像的数据库，且在图像库中，可以对获取的图像中的车辆进行提取后再进行存储。候选图像可以是基于目标图像中的一种或多种全局特征从图像库中初步筛选得到的图像。上述全局特征可以包括如下任意一项或多项：颜色、型号、品牌等。
在一种可选的实施例中，实时获取全市交通卡口的摄像头所拍摄的车辆的图像，并对图像中的车辆进行提取后，存储在图像库中。当检测某个交通卡口存在违章车辆，但由于角度、光线或人为原因导致难以准确的识别车辆车牌的情况下，将违章车辆违章时所拍摄的图像作为目标图像，在图像库中基于违章车辆的全局特征查找其对应的候选图像。
通过上述步骤，能够从图像库所存储的海量车辆的图像中，筛选出与目标图像中的车辆相似的车辆图像，从而排除了大部分车辆。在得到候选图像之后，在候选图像中进行进一步查找。
步骤S55，获取候选车辆在候选车辆图像中的第一局部特征点信息。
具体的，候选图像的车辆上具有多个局部特征点，第一局部特征点信息为候选图像的车辆上的多个局部特征点的向量的集合。局部特征点用于描述局部特征，局部特征是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和具有特别属性的区域等。与线特征、纹理特征、结构特征等全局图像特征相比，图像的局部特征具有在图像中蕴含数量丰富，特征间相关度小，遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等特点，且局部特征还具有特征检测重复率高、速度快,特征描述对光照、旋转、视点变化等图像变换具有鲁棒性，特征描述符维度低，易于实现快速匹配等特点。
步骤S57，获取目标图像的第二局部特征点信息。
在一种可选的实施例中，以目标图像为违章车辆图像为例进行说明，仍可以通过预设的局部特征点提取模型来对目标图像的局部特征进行提取，得到目标图像的第二局部特征点信息。
步骤S59，基于第一局部特征点信息和第二局部特征点信息，从候选车辆中查找出与目标车辆匹配的匹配车辆。
在上述方案中，获得第一局部特征点信息和第二局部特征点信息后，可以获取二者的相似度，用该相似度表示候选图像与目标图像的相似度，从而根据相似度确定与目标图像最匹配的匹配图像。
在一种可选的实施例中，仍以违章车辆的图像为目标图像为例，当车辆违章时，由于角度、光线或人为原因导致难以准确的识别车辆车牌，进而无法识别车辆的身份。但车辆在其他交通卡口处也会留下图像，且其他交通卡口处所留下的图像可能包含车辆的车牌。在此情况下，通过局部特征点信息的匹配，从候选图像中查找出于目标图像最匹配的匹配图像，认为该匹配图像中的主体即为上述的违章车辆，并可以基于匹配图像中的车牌确定车辆身份。
此方案利用图搜方式进行车辆的身份鉴别，可显著提升车辆图搜系统在较多同品牌车情况下的搜索准确率，为交通场景违法车辆管控稽查提供了有力的手段。
本申请上述实施例获取目标车辆的目标图像，其中，目标车辆为产生违章事件的车辆，目标图像为目标车辆在产生违章事件时拍摄得到的图像；根据目标图像从车辆图像库中查找目标车辆对应的候选车辆；获取候选车辆在候选车辆图像中的第一局部特征点信息；获取目标图像的第二局部特征点信息；基于第一局部特征点信息和第二局部特征点信息，从候选车辆中查找出与目标车辆匹配的匹配车辆。上述方案在从图像库中初步提取目标图像的候选图像的基础上，基于候选图像的局部特征信息和目标图像的局部特征信息进行匹配，从而能够感知到图像的细节信息，进而能够提高图像匹配的准确度，解决了现有技术中进行图像匹配时的准确度低的技术问题。
本实施例在不冲突的情况下还可以包含实施例1中的其他步骤，此处不再赘述。
实施例3
根据本发明实施例，还提供了一种如图6所示的图像匹配的系统。图6是根据本申请实施例3的一种图像匹配的系统的示意图。结合图6所示，该系统包括：
图像采集装置60，用于采集目标图像。
处理器62，用于获取目标图像以及获取所述目标图像的第二局部特征点信息，从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，并基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量，第二局部特征点信息包括目标图像中的主体的局部特征点向量。
具体的，上述目标图像可以是含有需要搜索的主体的图像，图像库可以是大量包含主体的图像的数据库，且在图像库中，可以对获取的图像中的主体进行提取后再进行存储。候选图像可以是基于目标图像中的一种或多种全局特征从图像库中初步筛选得到的图像。上述全局特征可以包括如下任意一项或多项：颜色、型号、品牌等。
通过上查找与目标图像对应的候选图像，能够从图像库所存储的海量车辆的图像中，筛选出与目标图像中的车辆相似的车辆图像，从而排除了大部分车辆。在得到候选图像之后，在候选图像中进行进一步查找。
候选图像的主体上具有多个局部特征点，第一局部特征点信息为候选图像的主体上的多个局部特征点的向量的集合。局部特征点用于描述局部特征，局部特征是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和具有特别属性的区域等。与线特征、纹理特征、结构特征等全局图像特征相比，图像的局部特征具有在图像中蕴含数量丰富，特征间相关度小，遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等特点，且局部特征还具有特征检测重复率高、速度快,特征描述对光照、旋转、视点变化等图像变换具有鲁棒性，特征描述符维度低，易于实现快速匹配等特点。
在上述方案中，获得第一局部特征点信息和第二局部特征点信息后，可以获取二者的相似度，用该相似度表示候选图像与目标图像的相似度，从而根据相似度确定与目标图像最匹配的匹配图像。
在一种可选的实施例中，仍以违章车辆的图像为目标图像为例，当车辆违章时，由于角度、光线或人为原因导致难以准确的识别车辆车牌，进而无法识别车辆的身份。但车辆在其他交通卡口处也会留下图像，且其他交通卡口处所留下的图像可能包含车辆的车牌。在此情况下，通过局部特征点信息的匹配，从候选图像中查找出于目标图像最匹配的匹配图像，认为该匹配图像中的主体即为上述的违章车辆，并可以基于匹配图像中的车牌确定车辆身份。
此方案利用图搜方式进行车辆的身份鉴别，可显著提升车辆图搜系统在较多同品牌车情况下的搜索准确率，为交通场景违法车辆管控稽查提供了有力的手段。
作为一种可选的实施例，上述系统还包括：人机交互设备，与处理器通信，用于接收选择指令，并通过预设的深度局部特征点提取模型获取待匹配区域的局部特征点信息，确定待匹配区域的局部特征点信息为第二局部特征点信息，其中，选择指令用于在目标图像中选择待匹配区域。
具体的，上述预设的深度局部特征点提取模型可以与用于提取第一局部特征点信息的模型相同。
在一种可选的实施例中，上述选择指令可以由用户发出，用于在目标图像中框选待匹配区域，例如，目标图像的主体中存在一个区域具有较明显的特征，则用户可以对这个区域进行选择，从而使用深度局部特征点提取模型在选择的区域内进行局部特征点信息的提取，进而使得提取的局部特征点信息更具有针对性。仍以目标图像为违章车辆的图像为例，如果目标图像拍摄到了违章车辆挂在正面的横幅，则可以将横幅所在区域作为待匹配区域，对该区域进行选择。
本实施例中的处理器在不冲突的情况下还可以执行实施例1中的其他步骤，此处不再赘述。
实施例4
根据本发明实施例，还提供了一种用于实施上述实施例1的数据处理方法的数据处理装置，图7是根据本申请实施例4的一种数据处理装置的示意图，如图7所示，该装置700包括：
第一获取模块702，用于获取目标图像，其中，所述目标图像包括主体部分和非主体部分；
第二获取模块704，用于获取所述目标图像的第二局部特征点信息，其中，所述第二局部特征点信息包括所述目标图像中的主体的局部特征点向量；
第一查找模块706，用于从图像库中查找与目标图像对应的候选图像。
第三获取模块708，用于获取所述候选图像的第一局部特征点信息，其中，所述第一局部特征点信息包括所述候选图像中的主体的局部特征点向量。
第二查找模块7010，用于基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
此处需要说明的是，上述第一获取模块702、第二获取模块704、第一查找模块706、第三获取模块708和第二查找模块7010对应于实施例1中的步骤S21至步骤S29，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算设备10中。
作为一种可选的实施例，第一查找模块包括：提取子模块，用于提取目标图像的全局特征信息；查找子模块，用于基于全局特征信息在图像库中查找候选图像。
作为一种可选的实施例，第三获取模块包括：第一获取子模块，用于通过预设的深度局部特征点提取模型获取候选图像的第一局部特征点信息。
作为一种可选的实施例，第二获取模块包括：接收子模块，用于接收选择指令，其中，选择指令用于在目标图像中选择待匹配区域；第二获取子模块，用于通过预设的深度局部特征点提取模型获取待匹配区域的局部特征点信息，并确定待匹配区域的局部特征点信息为第二局部特征点信息。
作为一种可选的实施例，上述装置还包括：第三获取模块，用于获取深度局部特征点提取模型，第三获取模块包括：第一训练子模块，用于基于预设的二维图形中的关键点进行训练，得到基础关键点检测模型；检测子模块，用于通过基础关键点检测模型，检测样本图像中主体上的样本特征点；第二训练子模块，用于将样本特征点作为样本数据，对预设的初始网络模型进行训练，得到深度局部特征点提取模型，其中，预设的初始网络模型包括编码器与两个解码器，两个解码器分别用于预测特征点的位置和向量。
作为一种可选的实施例，检测子模块包括：变换单元，用于通过对样本图像进行图像变换来对样本图像进行数据增广；检测单元，用于通过基础关键点检测模型，检测数据增广后的样本图像中主体上的样本特征点。
作为一种可选的实施例，图像变换包括如下至少之一：平移、缩放和尺度翻转。
作为一种可选的实施例，第二查找模块包括：输入子模块，用于将第一局部特征点信息和第二局部特征点信息输入至深度特征点匹配模型，得到深度特征点匹配模型输出的候选图像与目标图像的相似度参数；确定子模块，用于基于相似度参数确定与目标图像匹配的匹配图像。
作为一种可选的实施例，深度特征点匹配模型包括：对应点匹配权重模型和基础矩阵估计模型，输入子模块包括：预测单元，用于通过对应点匹配权重模型预测第一局部特征点信息和第二局部特征点信息中，任意两个特征点之间的匹配概率；获取单元，用于通过基础矩阵估计模型，根据匹配概率、第一局部特征点信息和第二局部特征点信息，获取候选图像与目标图像之间的仿射变换矩阵；验证单元，用于基于仿射变换矩阵对候选图像中的第一局部特征点和目标图像中的第二局部特征点的空间关系进行验证，得到候选图像与目标图像的相似度参数。
作为一种可选的实施例，验证单元包括：变换子单元，用于将第一局部特征点根据仿射变换矩阵进行仿射变换，得到第一局部特征点对应的变换点；获取子单元，用于获取变换点属于第二局部特征点的目标第一局部特征点的数量；确定子单元，用于根据目标第一局部特征点的数量与第一局部特征点的数量确定候选图像与目标图像的相似度参数。
作为一种可选的实施例，上述装置还包括：第一显示模块，用于在基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像之前，显示所述目标图像以及所述目标图像上的第二局部特征点，其中，所述第二局部特征点的信息构成所述第二局部特征点信息；第二显示模块，用于显示所述候选图像以及所述候选图像上的第一局部特征点，其中，所述第一局部特征点的信息构成所述第一局部特征点信息；接收模块，用于接收调整指令，其中，所述调整指令用于调整所述第一局部特征点在所述候选图像中的区域；调整模块，用于根据所述调整指令调整所述第一局部特征点在所述候选图像中的位置。
实施例5
根据本发明实施例，还提供了一种用于实施上述实施例2的数据处理方法的数据处理装置，图8是根据本申请实施例5的一种数据处理装置的示意图，如图8所示，该装置700包括：
第一获取模块802，用于获取目标车辆的目标图像，其中，目标车辆为产生违章事件的车辆，目标图像为目标车辆在产生违章事件时拍摄得到的图像。
第一查找模块804，用于根据目标图像从车辆图像库中查找目标车辆对应的候选车辆。
第二获取模块806，用于获取候选车辆在候选车辆图像中的第一局部特征点信息。
第三获取模块808，用于获取目标图像的第二局部特征点信息。
第二查找模块8010，用于基于第一局部特征点信息和第二局部特征点信息，从候选车辆中查找出与目标车辆匹配的匹配车辆。
此处需要说明的是，上述第一查找模块804、第二获取模块806、第二获取模块806、第三获取模块808和第二查找模块8010对应于实施例2中的步骤S51至步骤S59，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算设备10中。
实施例6
本发明的实施例可以提供一种计算设备，该计算设备可以是计算设备群中的任意一个计算设备设备。可选地，在本实施例中，上述计算设备也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算设备可以执行应用程序的漏洞检测方法中以下步骤的程序代码：获取目标图像，其中，目标图像包括主体部分和非主体部分；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
可选地，图9是根据本申请实施例6的一种计算设备的结构框图。如图9所示，该计算设备A可以包括：一个或多个(图中仅示出一个)处理器902、存储器906、以及外设接口908。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的安全漏洞检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的系统漏洞攻击的检测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标图像，其中，目标图像包括主体部分和非主体部分；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
可选的，上述处理器还可以执行如下步骤的程序代码：提取目标图像的全局特征信息；基于全局特征信息在图像库中查找候选图像。
可选的，上述处理器还可以执行如下步骤的程序代码：通过预设的深度局部特征点提取模型获取候选图像的第一局部特征点信息。
可选的，上述处理器还可以执行如下步骤的程序代码：接收选择指令，其中，选择指令用于在目标图像中选择待匹配区域；通过预设的深度局部特征点提取模型获取待匹配区域的局部特征点信息，并确定待匹配区域的局部特征点信息为第二局部特征点信息。
可选的，上述处理器还可以执行如下步骤的程序代码：获取深度局部特征点提取模型，获取深度局部特征点提取模型包括：基于预设的二维图形中的关键点进行训练，得到基础关键点检测模型；通过基础关键点检测模型，检测样本图像中主体上的样本特征点；将样本特征点作为样本数据，对预设的初始网络模型进行训练，得到深度局部特征点提取模型，其中，预设的初始网络模型包括编码器与两个解码器，两个解码器分别用于预测特征点的位置和向量。
可选的，上述处理器还可以执行如下步骤的程序代码：通过对样本图像进行图像变换来对样本图像进行数据增广；通过基础关键点检测模型，检测数据增广后的样本图像中主体上的样本特征点。
可选的，图像变换包括如下至少之一：平移、缩放和尺度翻转。
可选的，上述处理器还可以执行如下步骤的程序代码：基于第一局部特征点信息和第二局部特征点信息，将第一局部特征点信息和第二局部特征点信息输入至深度特征点匹配模型，得到深度特征点匹配模型输出的候选图像与目标图像的相似度参数；基于相似度参数确定与目标图像匹配的匹配图像。
可选的，深度特征点匹配模型包括：对应点匹配权重模型和基础矩阵估计模型，上述处理器还可以执行如下步骤的程序代码：通过对应点匹配权重模型预测第一局部特征点信息和第二局部特征点信息中，任意两个特征点之间的匹配概率；通过基础矩阵估计模型，根据匹配概率、第一局部特征点信息和第二局部特征点信息，获取候选图像与目标图像之间的仿射变换矩阵；基于仿射变换矩阵对候选图像中的第一局部特征点和目标图像中的第二局部特征点的空间关系进行验证，得到候选图像与目标图像的相似度参数。
可选的，上述处理器还可以执行如下步骤的程序代码：将第一局部特征点根据仿射变换矩阵进行仿射变换，得到第一局部特征点对应的变换点；获取变换点属于第二局部特征点的目标第一局部特征点的数量；根据目标第一局部特征点的数量与第一局部特征点的数量确定候选图像与目标图像的相似度参数。
可选的，上述处理器还可以执行如下步骤的程序代码：在基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像之前，显示目标图像以及目标图像上的第二局部特征点，其中，第二局部特征点的信息构成第二局部特征点信息；显示候选图像以及候选图像上的第一局部特征点，其中，第一局部特征点的信息构成第一局部特征点信息；接收调整指令，其中，调整指令用于调整第一局部特征点在候选图像中的区域；根据调整指令调整第一局部特征点在候选图像中的位置。
采用本发明实施例，提供了一种数据处理方法。获取目标图像，其中，目标图像包括主体部分和非主体部分；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。上述方案在从图像库中初步提取目标图像的候选图像的基础上，基于候选图像的局部特征信息和目标图像的局部特征信息进行匹配，从而能够感知到图像的细节信息，进而能够提高图像匹配的准确度，解决了现有技术中进行图像匹配时的准确度低的技术问题。
本领域普通技术人员可以理解，图9所示的结构仅为示意，计算设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图9其并不对上述电子装置的结构造成限定。例如，计算设备80还可包括比图9中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图9所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例7
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的数据处理方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算设备群中的任意一个计算设备中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像，其中，目标图像包括主体部分和非主体部分；获取目标图像的第二局部特征点信息，其中，第二局部特征点信息包括目标图像中的主体的局部特征点向量；从图像库中查找与目标图像对应的候选图像；获取候选图像的第一局部特征点信息，其中，第一局部特征点信息包括候选图像中的主体的局部特征点向量；基于第一局部特征点信息和第二局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。
实施例8
根据本发明实施例，还提供了一种如图10所示的数据处理方法。图10是根据本申请实施例8的一种数据处理方法的流程图。结合图10所示，该方法包括如下步骤：
步骤S101，获取目标车辆的目标图像。
具体的，上述目标车辆可以是待确定运行轨迹的车辆，例如违章车辆等，目标车辆的目标图像可以是交通卡口处的摄像头所拍摄的任意一张图像。
步骤S103，获取所述目标图像的局部特征点信息，其中，所述局部特征点信息包括所述目标车辆的局部特征点向量。
具体的，目标图像的局部特征点信息可以是目标图像中目标车辆上的局部特征点信息，局部特征点信息为目标车辆上的多个局部特征点的向量的集合。局部特征点用于描述局部特征，局部特征是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和具有特别属性的区域等。与线特征、纹理特征、结构特征等全局图像特征相比，图像的局部特征具有在图像中蕴含数量丰富，特征间相关度小，遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等特点，且局部特征还具有特征检测重复率高、速度快,特征描述对光照、旋转、视点变化等图像变换具有鲁棒性，特征描述符维度低，易于实现快速匹配等特点。
在一种可选的实施例中，可以通过预设的局部特征点提取模型来对目标图像中目标车辆上的局部特征进行提取，得到目标图像的局部特征点信息。
步骤S105，根据所述目标图像的局部特征点信息，从图库中搜索得到与所述目标图像匹配的匹配图像，其中，所述图库包括不同位置的图像采集装置所采集的图像。
具体的，上述处于不同位置的图像采集装置可以为设置在不同交通卡口处的摄像头，上述方案从图像中搜索得到的匹配图像，即为不同的摄像头所采集得到的包括目标车辆的图像。
在一种可选的实施例中，可以首先根据目标车辆的全局特征信息(例如：车辆的颜色、型号等信息)，从图像库中查找与所述目标图像对应的候选图像，再获取候选图像的局部特征点信息，最后基于目标图像的局部特征点信息和候选图像的局部特征点信息，从候选图像中查找出与目标图像匹配的匹配图像。该过程可以应用实施例1中的数据处理方法来实现，此处不再赘述。
步骤S105，根据所述图像采集装置的位置和采集所述匹配图像的时间，确定所述目标车辆的运行轨迹。
目标车辆在驾驶状态时，会经过多个不同的交通卡口，因此不同交通卡口处的摄像头会在不同时间拍摄到目标车辆的图像，即上述匹配图像。因此基于摄像头所在的位置和摄像头拍摄到匹配图像的时间，即可确定目标车辆在拍摄时间所处的位置，进而可以确定出目标车辆的运行轨迹。
在一种可选的实施例中，在获取到预设时间内目标车辆的所有匹配图像以及摄像头采集匹配图像的采集时间后，首先获取采集到的匹配图像的摄像头的位置，然后根据摄像头拍摄到匹配图像的时间的先后顺序，对匹配图像进行排序，最后将摄像头所在的位置，按照排序结果进行连接，即可得到目标车辆的运行轨迹。
通过上述方案，可以基于对目标车辆的目标图像的匹配，来对车辆的运行轨迹进行描绘，从而实现了对车辆的准确追踪。
实施例9
根据本发明实施例，还提供了一种用于实施上述实施例8的数据处理方法的数据处理装置，图11是根据本申请实施例9的一种数据处理装置的示意图，如图11所示，该装置1100包括：
第一获取模块1102，用于获取目标车辆的目标图像。
第二获取模块1104，用于获取所述目标图像的局部特征点信息，其中，所述局部特征点信息包括所述目标车辆的局部特征点向量。
搜索模块1106，用于根据所述目标图像的局部特征点信息，从图库中搜索得到与所述目标图像匹配的匹配图像，其中，所述图库包括不同位置的图像采集装置所采集的图像。
确定模块1108，用于根据所述图像采集装置的位置和采集所述匹配图像的时间，确定所述目标车辆的运行轨迹。
此处需要说明的是，上述第一获取模块1102、第二获取模块1104、搜索模块1106和搜索模块1106对应于实施例8中的步骤S101至步骤S107，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例一提供的计算设备10中。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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例方案的目的。
另外，在本发明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。
所述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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种数据处理方法，其特征在于，包括：
获取目标图像，其中，所述目标图像包括主体部分和非主体部分；
获取所述目标图像的第二局部特征点信息，其中，所述第二局部特征点信息包括所述目标图像中的主体的局部特征点向量；
从图像库中查找与所述目标图像对应的候选图像；
获取所述候选图像的第一局部特征点信息，其中，所述第一局部特征点信息包括所述候选图像中的主体的局部特征点向量；
基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像。
2.根据权利要求1所述的方法，其特征在于，从图像库中查找与所述目标图像对应的候选图像，包括：
提取所述目标图像的全局特征信息；
基于所述全局特征信息在所述图像库中查找所述候选图像。
3.根据权利要求1所述的方法，其特征在于，获取所述候选图像的第一局部特征点信息，包括：
通过预设的深度局部特征点提取模型获取所述候选图像的第一局部特征点信息。
4.根据权利要求1所述的方法，其特征在于，获取所述目标图像的第二局部特征点信息，包括：
接收选择指令，其中，所述选择指令用于在所述目标图像中选择待匹配区域；
通过预设的深度局部特征点提取模型获取所述待匹配区域的局部特征点信息，并确定所述待匹配区域的局部特征点信息为所述第二局部特征点信息。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取所述深度局部特征点提取模型，获取所述深度局部特征点提取模型包括：
基于预设的二维图形中的关键点进行训练，得到基础关键点检测模型；
通过所述基础关键点检测模型，检测样本图像中主体上的样本特征点；
将所述样本特征点作为样本数据，对预设的初始网络模型进行训练，得到所述深度局部特征点提取模型，其中，所述预设的初始网络模型包括编码器与两个解码器，所述两个解码器分别用于预测特征点的位置和向量。
6.根据权利要求5所述的方法，其特征在在于，通过所述基础关键点检测模型，检测样本图像中主体上的样本特征点，包括：
通过对所述样本图像进行图像变换来对所述样本图像进行数据增广；
通过所述基础关键点检测模型，检测数据增广后的样本图像中主体上的样本特征点。
7.根据权利要求6所述的方法，其特征在于，所述图像变换包括如下至少之一：平移、缩放和尺度翻转。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像，包括：
将所述第一局部特征点信息和所述第二局部特征点信息输入至深度特征点匹配模型，得到所述深度特征点匹配模型输出的所述候选图像与所述目标图像的相似度参数；
基于所述相似度参数确定与所述目标图像匹配的匹配图像。
9.根据权利要求8所述的方法，其特征在于，所述深度特征点匹配模型包括：对应点匹配权重模型和基础矩阵估计模型，将所述第一局部特征点信息和所述第二局部特征点信息输入至深度特征点匹配模型，得到所述深度特征点匹配模型输出的所述候选图像与所述目标图像的相似度参数，包括：
通过所述对应点匹配权重模型预测所述第一局部特征点信息和所述第二局部特征点信息中，任意两个特征点之间的匹配概率；
通过所述基础矩阵估计模型，根据所述匹配概率、所述第一局部特征点信息和所述第二局部特征点信息，获取所述候选图像与所述目标图像之间的仿射变换矩阵；
基于所述仿射变换矩阵对所述候选图像中的第一局部特征点和所述目标图像中的第二局部特征点的空间关系进行验证，得到所述候选图像与所述目标图像的相似度参数。
10.根据权利要求9所述的方法，其特征在于，基于所述仿射变换矩阵对所述候选图像中的第一局部特征点和所述目标图像中的第二局部特征点的空间关系进行验证，得到所述候选图像与所述目标图像的相似度参数，包括：
将第一局部特征点根据所述仿射变换矩阵进行仿射变换，得到所述第一局部特征点对应的变换点；
获取所述变换点属于所述第二局部特征点的目标第一局部特征点的数量；
根据所述目标第一局部特征点的数量与所述第一局部特征点的数量确定所述候选图像与所述目标图像的相似度参数。
11.根据权利要求1所述的方法，其特征在于，在基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像之前，所述方法还包括：
显示所述目标图像以及所述目标图像上的第二局部特征点，其中，所述第二局部特征点的信息构成所述第二局部特征点信息；
显示所述候选图像以及所述候选图像上的第一局部特征点，其中，所述第一局部特征点的信息构成所述第一局部特征点信息；
接收调整指令，其中，所述调整指令用于调整所述第一局部特征点在所述候选图像中的区域；
根据所述调整指令调整所述第一局部特征点在所述候选图像中的位置。
12.一种数据处理方法，其特征在于，包括：
获取目标车辆的目标图像，其中，所述目标车辆为产生违章事件的车辆，所述目标图像为所述目标车辆在产生违章事件时拍摄得到的图像；
根据所述目标图像从车辆图像库中查找目标车辆对应的候选车辆；
获取所述候选车辆在候选车辆图像中的第一局部特征点信息；
获取所述目标图像的第二局部特征点信息；
基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选车辆中查找出与所述目标车辆匹配的匹配车辆。
13.一种数据处理装置，其特征在于，包括：
第一获取模块，用于获取目标图像，其中，所述目标图像包括主体部分和非主体部分；
第二获取模块，用于获取所述目标图像的第二局部特征点信息，其中，所述第二局部特征点信息包括所述目标图像中的主体的局部特征点向量；
第一查找模块，用于从图像库中查找与所述目标图像对应的候选图像；
第三获取模块，用于获取所述候选图像的第一局部特征点信息，其中，所述第一局部特征点信息包括所述候选图像中的主体的局部特征点向量；
第二查找模块，用于基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像。
14.一种数据处理系统，其特征在于，包括：
图像采集装置，用于采集目标图像；
处理器，用于获取目标图像以及获取所述目标图像的第二局部特征点信息，从图像库中查找与所述目标图像对应的候选图像，获取所述候选图像的第一局部特征点信息，并基于所述第一局部特征点信息和所述第二局部特征点信息，从所述候选图像中查找出与所述目标图像匹配的匹配图像，其中，所述目标图像包括主体部分和非主体部分，所述第一局部特征点信息包括所述候选图像中的主体的局部特征点向量，所述第二局部特征点信息包括所述目标图像中的主体的局部特征点向量。
15.根据权利要求14所述的系统，其特征在于，所述系统还包括：
人机交互设备，与所述处理器通信，用于接收选择指令，并通过预设的深度局部特征点提取模型获取待匹配区域的局部特征点信息，确定所述待匹配区域的局部特征点信息为所述第二局部特征点信息，其中，所述选择指令用于在所述目标图像中选择待匹配区域。
16.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至12中任意一项所述的数据处理方法。
17.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至12中任意一项所述的数据处理方法。
18.一种数据处理方法，其特征在于，包括：
获取目标车辆的目标图像；
获取所述目标图像的局部特征点信息，其中，所述局部特征点信息包括所述目标车辆的局部特征点向量；
根据所述目标图像的局部特征点信息，从图库中搜索得到与所述目标图像匹配的匹配图像，其中，所述图库包括不同位置的图像采集装置所采集的图像；
根据所述图像采集装置的位置和采集所述匹配图像的时间，确定所述目标车辆的运行轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224463.1A CN113449739A (zh) | 2020-03-26 | 2020-03-26 | 数据处理方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224463.1A CN113449739A (zh) | 2020-03-26 | 2020-03-26 | 数据处理方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449739A true CN113449739A (zh) | 2021-09-28 |
Family
ID=77807187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010224463.1A Pending CN113449739A (zh) | 2020-03-26 | 2020-03-26 | 数据处理方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449739A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860091A (zh) * | 2023-02-15 | 2023-03-28 | 武汉图科智能科技有限公司 | 一种基于正交约束的深度特征描述符学习方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103442225A (zh) * | 2013-07-26 | 2013-12-11 | 清华大学 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
| CN103561264A (zh) * | 2013-11-07 | 2014-02-05 | 北京大学 | 一种基于云计算的媒体解码方法及解码器 |
| CN103810505A (zh) * | 2014-02-19 | 2014-05-21 | 北京大学 | 基于多层描述子的车辆标识方法与系统 |
| KR101404640B1 (ko) * | 2012-12-11 | 2014-06-20 | 한국항공우주연구원 | 영상 매칭 방법 및 이를 수행하는 시스템 |
| US20160155011A1 (en) * | 2014-12-02 | 2016-06-02 | Xerox Corporation | System and method for product identification |
| CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技（深圳）有限公司 | 一种车辆识别方法、装置和存储介质 |
| CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技（深圳）有限公司 | 一种车辆身份识别方法、装置和存储介质 |
| CN109558823A (zh) * | 2018-11-22 | 2019-04-02 | 北京市首都公路发展集团有限公司 | 一种以图搜图的车辆识别方法及系统 |
| CN110119460A (zh) * | 2019-05-16 | 2019-08-13 | 广东三维家信息科技有限公司 | 图像检索方法、装置及电子设备 |
| CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
| CN110335291A (zh) * | 2019-07-01 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 人物追踪方法及终端 |
| CN110428449A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
| CN110796686A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 目标跟踪方法及设备、存储装置 |
-
2020
- 2020-03-26 CN CN202010224463.1A patent/CN113449739A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101404640B1 (ko) * | 2012-12-11 | 2014-06-20 | 한국항공우주연구원 | 영상 매칭 방법 및 이를 수행하는 시스템 |
| CN103442225A (zh) * | 2013-07-26 | 2013-12-11 | 清华大学 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
| CN103561264A (zh) * | 2013-11-07 | 2014-02-05 | 北京大学 | 一种基于云计算的媒体解码方法及解码器 |
| CN103810505A (zh) * | 2014-02-19 | 2014-05-21 | 北京大学 | 基于多层描述子的车辆标识方法与系统 |
| US20160155011A1 (en) * | 2014-12-02 | 2016-06-02 | Xerox Corporation | System and method for product identification |
| CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技（深圳）有限公司 | 一种车辆识别方法、装置和存储介质 |
| CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技（深圳）有限公司 | 一种车辆身份识别方法、装置和存储介质 |
| CN109558823A (zh) * | 2018-11-22 | 2019-04-02 | 北京市首都公路发展集团有限公司 | 一种以图搜图的车辆识别方法及系统 |
| CN110119460A (zh) * | 2019-05-16 | 2019-08-13 | 广东三维家信息科技有限公司 | 图像检索方法、装置及电子设备 |
| CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
| CN110335291A (zh) * | 2019-07-01 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 人物追踪方法及终端 |
| CN110428449A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
| CN110796686A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 目标跟踪方法及设备、存储装置 |
Non-Patent Citations (3)
| Title |
|---|
| YUANMAN LI 等: "Fast and Effective Image Copy-Move Forgery Detection via Hierarchical Feature Point Matching", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》, vol. 14, no. 5, 31 May 2019 (2019-05-31), pages 1307 - 1322, XP011706976, DOI: 10.1109/TIFS.2018.2876837 * |
| 朱奇光 等: "基于全局特征与局部特征的图像分级匹配算法研究及应用", 《中国机械工程》, vol. 27, no. 16, 31 August 2016 (2016-08-31), pages 2211 - 2217 * |
| 贾迪 等: "图像匹配方法研究综述", 《中国图象图形学报》, no. 05, 16 May 2019 (2019-05-16), pages 17 - 39 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860091A (zh) * | 2023-02-15 | 2023-03-28 | 武汉图科智能科技有限公司 | 一种基于正交约束的深度特征描述符学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Person re-identification with correspondence structure learning | |
| Liu et al. | Cross‐ethnicity face anti‐spoofing recognition challenge: A review | |
| US11908238B2 (en) | Methods and systems for facial point-of-recognition (POR) provisioning | |
| US20180089534A1 (en) | Cross-modiality image matching method | |
| Li et al. | Unsupervised learning for human sensing using radio signals | |
| US20210056312A1 (en) | Video blocking region selection method and apparatus, electronic device, and system | |
| Feng et al. | Cityflow-nl: Tracking and retrieval of vehicles at city scale by natural language descriptions | |
| CN110555428B (zh) | 行人重识别方法、装置、服务器以及存储介质 | |
| CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
| CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
| Fang et al. | Surveillance face anti-spoofing | |
| CN110245573A (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
| García‐Martín et al. | People detection in surveillance: classification and evaluation | |
| US11055572B2 (en) | System and method of training an appearance signature extractor | |
| Ruiz-Santaquiteria et al. | Improving handgun detection through a combination of visual features and body pose-based data | |
| Guo | Impact on Biometric Identification Systems of COVID‐19 | |
| CN113673308B (zh) | 对象识别方法、装置和电子系统 | |
| Di Martino et al. | Rethinking shape from shading for spoofing detection | |
| CN113449739A (zh) | 数据处理方法、装置和系统 | |
| Xiong et al. | Mask guided local-global attentive network for change detection in remote sensing images | |
| Huang et al. | Multi‐class obstacle detection and classification using stereovision and improved active contour models | |
| CN111091089B (zh) | 一种人脸图像处理方法、装置、电子设备及存储介质 | |
| CN116994332A (zh) | 基于轮廓图引导的跨模态行人重识别方法及系统 | |
| CN117132922A (zh) | 图像识别方法、装置、设备及存储介质 | |
| CN113743160A (zh) | 活体检测的方法、装置以及存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40059949 Country of ref document: HK |