CN113673321A - 目标重识别方法、目标重识别装置及计算机可读存储介质 - Google Patents

目标重识别方法、目标重识别装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113673321A
CN113673321A CN202110786261.0A CN202110786261A CN113673321A CN 113673321 A CN113673321 A CN 113673321A CN 202110786261 A CN202110786261 A CN 202110786261A CN 113673321 A CN113673321 A CN 113673321A
Authority
CN
China
Prior art keywords
target
candidate
image
determining
background
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
Application number
CN202110786261.0A
Other languages
English (en)
Inventor
赵志明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110786261.0A priority Critical patent/CN113673321A/zh
Publication of CN113673321A publication Critical patent/CN113673321A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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

Abstract

本申请公开了一种目标重识别方法、目标重识别装置及计算机可读存储介质，该目标重识别方法包括：获取待识别图像和参考图像；确定参考图像中的预设目标，以及识别待识别图像中的至少一个候选目标，候选目标和预设目标为同一类型的目标；确定预设目标在待识别图像中的映射位置；确定至少一个候选目标中各个候选目标的位置偏离信息，位置偏离信息是基于对应的候选目标的位置与映射位置确定的；基于各个候选目标的位置偏离信息，从至少一个候选目标中确定出与预设目标匹配的候选目标。本申请所提供的目标重识别方法能够提高目标重识别的准确率。

Description

目标重识别方法、目标重识别装置及计算机可读存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种目标重识别方法、目标重识别装置及计算机可读存储介质。
背景技术
目标重识别是一种通过对跨镜头下的图像或者视频中的目标进行匹配来实现目标识别的计算机视觉技术，其能够使相机设备在一定程度上摆脱安装位置和角度的限制，对实现多相机设备联动功能具有重要意义，在智慧零售、智能交通和公安刑侦等领域具有非常重要的应用价值。
本申请的发明人发现，虽然目标重识别技术在当前存在众多的研究，但是在众多的研究中，目标重识别的准确率还有待进一步提升。
发明内容
有鉴于此，本申请提供一种目标重识别方法、目标重识别装置及计算机可读存储介质，能够提高目标重识别的准确率。
第一方面，本申请实施例提供一种目标重识别方法，所述方法包括：获取待识别图像和参考图像；确定所述参考图像中的预设目标，以及识别所述待识别图像中的至少一个候选目标，所述候选目标和所述预设目标为同一类型的目标；确定所述预设目标在所述待识别图像中的映射位置；确定所述至少一个候选目标中各个候选目标的位置偏离信息，所述位置偏离信息是基于对应的候选目标的位置与所述映射位置确定的；基于所述各个候选目标的位置偏离信息，从所述至少一个候选目标中确定出与所述预设目标匹配的候选目标。
第二方面，本申请实施例提供一种目标重识别装置，所述目标重识别装置包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器、所述通信电路，所述存储器中存储有程序数据，所述处理器通过执行所述存储器内的所述程序数据以实现上述方法中的步骤。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被处理器执行以实现上述方法中的步骤。
有益效果是：本申请的目标重识别方法在确定好参考图像中的预设目标后，首先确定预设目标在待识别图像中的映射位置，然后确定待识别图像中各个候选目标的位置偏离信息，最后基于各个候选目标的位置偏离信息，从至少一个候选目标中确定与预设目标匹配的候选目标，即通过各个候选目标的位置偏离信息进行目标重识别，相比较于现有技术中仅通过候选目标的外观相似度进行目标重识别，可以避免外观相似的候选目标的区分度不够的问题，从而提高目标重识别的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请目标重识别方法一实施方式的流程示意图；
图2是图1中步骤S140的部分流程示意图；
图3是图1实施方式中的方法在计算外观相似度的流程示意图；
图4是图1中步骤S130的流程示意图；
图5是图4中步骤S131在一应用场景中的流程示意图；
图6是图4中步骤S131在另一应用场景中的流程示意图；
图7是图4中步骤S131在又一应用场景中的流程示意图；
图8是图4中步骤S131在再一应用场景中的流程示意图；
图9是本申请目标重识别方法另一实施方式的流程示意图；
图10是本申请目标重识别装置一实施方式的结构示意图；
图11是本申请目标重识别装置另一实施方式的结构示意图；
图12是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参阅图1，图1是本申请目标重识别方法一实施方式的流程示意图，该方法包括：
S110：获取待识别图像和参考图像。
在一应用场景中，步骤S110具体可以包括：对两路视频数据分别进行抽帧处理，得到待识别图像和参考图像，其中两路视频数据是由两个不同的相机设备分别对同一场景进行拍摄而得到的，其中，两个不同的相机设备的拍摄角度相同或者不同；在另一应用场景中，步骤S110具体还可以包括：对同一路视频数据进行抽帧处理，得到待识别图像和参考图像，也就是说，对同一相机设备拍摄的视频数据进行抽帧处理，得到待识别图像和参考图像，此时，该相机设备在拍摄的过程中，可以调节拍摄角度。
其中，参考图像和待处理图像除了可以是不同角度采集的图像，也可以是同一角度不同时间采集的图像。
总而言之，本申请对待识别图像和参考图像的获取方法不作限定。
S120：确定参考图像中的预设目标，以及识别待识别图像中的至少一个候选目标，其中，候选目标和预设目标为同一类型的目标。
其中，预设目标是重识别的对象，且预设目标可以是人、车、动物等，同时目标重识别方法的目的就是从待识别图像中识别出预设目标。
同时，候选目标与预设目标为同一种类型的目标，例如，预设目标为人时，候选目标也是人，预设目标为车，候选目标也是车。
在一应用场景中，步骤S120具体包括：识别出待识别图像中所有与预设目标属于同一类型的目标。
在一应用场景中，为了提高识别效率以及准确率，预先训练一目标检测模型，利用该目标检测模型识别待识别图像中的候选目标。
其中，参考图像中预设目标可以是一个，也可以是两个以上，当预设目标是两个以上时，针对每个预设目标，分别执行后续的步骤。
S130：确定预设目标在待识别图像中的映射位置。
具体地，预设目标在待识别图像中的映射位置指的是，预设目标理论上在待识别图像中的位置，也可以理解为，在理想状态下，待识别图像中的映射位置处存在的目标与参考图像中的预设目标为同一个目标。
S140：确定至少一个候选目标中各个候选目标的位置偏离信息，位置偏离信息是基于对应的候选目标的位置与映射位置确定的。
具体地，位置偏离信息表示对应的候选目标在待识别图像中的位置与映射位置的远近，可以理解的是，候选目标在待识别图像中的位置与映射位置越近，表明候选目标是预设目标的概率越大。
S150：基于各个候选目标的位置偏离信息，从至少一个候选目标中确定出与预设目标匹配的候选目标。
具体地，与预设目标匹配的候选目标指的是，至少一个候选目标中，最有可能是预设目标的候选目标。
从上述分析可以，候选目标在待识别图像中的位置与映射位置越近，表明候选目标是预设目标的概率越大，因此基于各个候选目标的位置偏离信息，可以从至少一个候选目标中确定最有可能是预设目标的候选目标。
现有技术中，在进行目标重识别时，主流做法是将待识别图像中与预设目标的外观最相似的候选目标作为预设目标，这种做法存在对相似目标的区分度不够的问题，这个问题在交通等场景中尤其常见，例如，当待识别图像中存在较多与参考图像中预设车辆(即预设目标)相似的车辆时，此时识别过程繁琐，且目标重识别的准确率会降低。
而本实施方式通过各个候选目标的位置偏离信息进行目标重识别，能够避免现有技术中在进行目标重识别时，存在对外观相似目标的区分度不够的问题，从而提高目标重识别的准确率。
在本实施方式中，为了进一步增加候选目标与预设目标的区分度，在步骤S150从至少一个候选目标中确定出与预设目标匹配的候选目标之前，还包括：
S160：确定各个候选目标对应的外观相似度，外观相似度是基于对应的候选目标的外观与预设目标的外观的相似程度确定的。
作为一种实施例，本申请实施例中目标(候选目标和预设目标)的外观可以但不局限于包括目标的形状、材质、颜色、大小、面积、姿态等中的至少一种。也就是说，可以从形状、材质、颜色、大小、面积、姿态等中的至少一种参数去确定各个候选目标对应的外观相似度。
其中，外观相似度为外观相似的程度，外观相似度越高，候选目标的外观与预设目标的外观越相似，可以理解的是，候选目标的外观与预设目标的外观越相似，表明候选目标是预设目标的概率越大。
此时步骤S150基于确定的各个候选目标的位置偏离信息，从至少一个候选目标中确定出与预设目标匹配的候选目标，具体包括：
基于各个候选目标的位置偏离信息和各个候选目标对应的外观相似度，从至少一个候选目标中确定出与预设目标匹配的候选目标。
具体地，综合位置偏离信息和外观相似度两个参数，可以进一步增加候选目标与预设目标的区分度，既能使得与预设目标的外观都比较相似的若干候选目标最终与预设目标的区分度不同，也能使得位置偏离信息都比较相似的若干候选目标最终与预设目标的区分度不同，从而既能减少目标重识别的难度，也能提高目标重识别的准确率。
在一应用场景中，步骤S150基于各个候选目标的位置偏离信息和各个候选目标对应的外观相似度，从候选目标中确定出与预设目标匹配的候选目标，具体包括：
S151：分别对各个候选目标执行如下评估操作，确定各个候选目标的评估值；评估操作包括：基于各个候选目标中一个候选目标的位置偏离信息，和一个候选目标对应的外观相似度，确定一个候选目标的评估值。
S152：基于确定的各个评估值的大小，各个候选目标中确定出与预设目标匹配的候选目标。
具体地，结合候选目标对应的位置偏离信息和外观相似度，对该候选目标进行评估，得到对应的评估值。
在一应用场景中，在位置偏离信息相同的情况下，外观相似度越高，候选目标对应的评估值越大，在外观相似度相同的情况下，候选目标在待识别图像中的位置与映射位置越近，候选目标对应的评估值越大，此时可以将对应评估值最大的候选目标确定为与预设目标匹配的候选目标。或者，在另一应用场景中，在位置偏离信息相同的情况下，外观相似度越高，候选目标对应的评估值越小，在外观相似度相同的情况下，候选目标在待识别图像中的位置与映射位置越近，候选目标对应的评估值越小，此时可以将对应评估值最小的候选目标确定为与预设目标匹配的候选目标。
在一应用场景中，可以利用如下公式计算候选目标对应的评估值：
Si＝α×Lio+β×Simio；其中，Si表示候选目标i的评估值，Lio表示候选目标i对应的偏离位置信息，α表示位置偏离信息的权重，Simio表示候选目标i对应的外观相似度，β表示外观相似度的权重。
从上述可以看出，在确定评估值时，可以为对应的位置偏离信息和外观相似度设置对应的权重，其中可以根据不同的实际需求为位置偏离信息以及外观相似度设置不同的权重。在一具体应用场景中，α+β＝1，且α、β都为正数。
在本实施方式中，结合图2，步骤S140计算位置偏离信息具体包括：
S141：获取在待识别图像中分别框选至少一个候选目标的各个第一图像框在待识别图像中所占的第一区域。
具体地，第一图像框在待识别图像中框选预设目标，是预设目标的外接框。
S142：确定在待识别图像中框选预设目标在映射位置处形成的映射对象的第二图像框，并获取第二图像框在待识别图像中所占的第二区域。
具体地，预设目标在映射位置处形成的映射对象与预设目标完全相同，且与第一图像框类似，第二图像框在待识别图像中框选映射对象，是映射对象的外接框。
S143：确定各个第一图像框对应的第一区域与第二区域的交并比，得到至少一个候选目标中各个候选目标的位置偏离信息。
具体地，利用如下公式计算第一区域与第二区域的交并比：
Figure BDA0003159297120000071
其中，recto表示第一区域，recti表示第二区域。
本应用场景利用第一区域与第二区域的交并比表示对应的候选目标在待识别图像中的位置与映射位置的位置偏离信息，则位置偏离信息越大，表示候选目标在待识别图像中的位置与映射位置越近。
在本实施方式中，结合图3，步骤S160计算外观相似度具体包括：
S161：提取各个候选目标的外观特征向量以及预设目标的外观特征向量。
具体地，对待识别图像、参考图像分别进行特征提取，得到各个候选目标的外观特征向量以及预设目标的外观特征向量。
S162：确定各个候选目标的外观特征向量分别与预设目标的外观特征向量的第二距离值。
具体地，利用如下公式确定各个候选目标的外观特征向量与预设目标的外观特征向量的第二距离值disab：
Figure BDA0003159297120000072
其中，ai表示预设目标的外观特征向量中的元素，bi表示候选目标的外观特征向量中的元素，i表示预设目标的外观特征向量或者候选目标的外观特征向量中元素对应的位数值。
S163：根据第二距离值，确定各个候选目标对应的外观相似度，其中，候选目标对应的外观相似度与对应的第二距离值呈负相关。
具体地，从上述分析可知，外观相似度越高，候选目标的外观与预设目标的外观越相似，而鉴于第二距离值越小，表示对应的候选目标的外观与预设目标的外观越相似，因此设置候选目标对应的外观相似度与对应的第二距离值呈负相关，从而第二距离值越小，候选目标对应的外观相似度越高。
在一应用场景中，可以利用如下公式计算外观相似度Simab：
Simab＝1-disab，其中，disab表示候选目标的外观特征向量与预设目标的外观特征向量的第二距离值。
在本实施方式中，结合图4，步骤S130确定映射位置具体包括：
S131：基于参考图像的背景特征与待识别图像的背景特征，计算参考图像与待识别图像之间的单应性矩阵。
具体地，单应性矩阵表征参考图像与待识别图像之间的映射关系，表征同一个目标对象在参考图像和待识别图像中位置的转换关系。
S132：根据单应性矩阵以及预设目标在参考图像中的位置，确定预设目标在待识别图像中的映射位置。
具体地，利用如下公式确定预设目标在待识别图像中的映射位置：
Figure BDA0003159297120000081
其中，表示N表示参考图像与待识别图像之间的单应性矩阵，xa表示预设目标在参考图像中的位置的横坐标，ya表示预设目标在参考图像中的位置的纵坐标，xb表示预设目标在待识别图像中的映射位置的横坐标，yb表示预设目标在待识别图像中的映射位置的纵坐标。
本实施方式基于参考图像的背景特征与待识别图像的背景特征计算单应性矩阵，使得单应性矩阵与待识别图像、参考图像的拍摄角度、拍摄位置等其他信息无关，从而使得本申请的方法应用更加灵活，例如可以应用于带云台的相机设备。
在一应用场景中，参阅图5，步骤S131计算单应性矩阵的步骤，具体包括：
S1301：识别参考图像中分布在预设目标周围的多个第一背景特征点。
具体地，识别参考图像中分布在预设目标周围一定区域内背景上的第一背景特征点。
S1302：识别待识别图像中的多个第二背景特征点。
具体地，识别待识别图像中背景上的所有特征点，得到第二背景特征点。
S1303：将多个第一背景特征点与多个第二背景特征点进行匹配，得到多组匹配特征点对。
具体地，将多个第一背景特征点与多个第二背景特征点进行一一匹配，将匹配的第一背景特征点与第二背景特征点形成一组匹配特征点对，从而得到多组匹配特征点对。
其中，第一背景特征点与第二背景特征点匹配，说明第一背景特征点与第二背景特征点可能对应同一个实际位置点。
S1304：根据多组匹配特征点对，计算参考图像与待识别图像之间的单应性矩阵。
具体地，根据至少4组匹配特征点对计算参考图像与待识别图像之间的单应性矩阵，其中根据匹配特征点对计算单应性矩阵的过程可参考现有技术，在此不再赘述。
在另一应用场景中，参阅图6，步骤S131计算单应性矩阵的步骤，具体包括：
S1305：识别参考图像中分布在预设目标周围的多个第一背景特征点。
S1306：识别待识别图像中的多个第二背景特征点。
S1307：对多个第一背景特征点进行筛选，筛选出排列在第一序列中前面预设数量且均匀分布在预设目标周围的多个第一背景特征点。
其中，预先将多个第一背景特征点按照置信度从大到小进行排列而得到第一序列。
具体地，置信度为表征第一背景特征点为特征点的概率，其中在进行第一背景特征点识别时，会随着产生对应的置信度。
同时在进行筛选时，首先按照置信度从大从小的顺序对步骤S1305得到的多个第一背景特征点进行排序，得到第一序列，然后先筛选出排在第一序列中前面预设数量的第一背景特征点，接着对筛选出的第一背景特征点进行再次筛选，以筛选出均匀分布在预设目标周围的第一背景特征点。
S1308：将筛选出的多个第一背景特征点与多个第二背景特征点进行匹配，得到多组匹配特征点对。
S1309：根据多组匹配特征点对，计算参考图像与待识别图像之间的单应性矩阵。
具体地，与上述应用场景不同的是，本应用场景为了减少计算量，在将第一背景特征点与第二背景特征点进行匹配之前，会对第一背景特征点进行筛选，在保证置信度高的基础上，筛选出均匀分布在预设目标周围的第一背景特征点，后续利用筛选出的第一背景特征点与第二背景特征点进行匹配，从而计算单应性矩阵。
在又一应用场景中，参阅图7，步骤S131计算单应性矩阵的步骤，具体包括：
S1310：识别参考图像中分布在预设目标周围的多个第一背景特征点。
S1311：识别待识别图像中的多个第二背景特征点。
S1312：将多个第一背景特征点与多个第二背景特征点进行匹配，得到多组匹配特征点对。
S1313：对多组匹配特征点对进行筛选，筛选出排列在第二序列中前面预设数量且对应第一背景特征点均匀分布在预设目标周围的多组匹配特征点对。
其中，预先将匹配特征点对按照匹配度从大到小进行排序，得到第二序列。
具体地，首先按照匹配度从大到小的顺序对步骤S1312得到的多组匹配特征点对进行排序，得到第二序列，然后先筛选出排在第二序列中前面预设数量的匹配特征点对，接着对筛选出的匹配特征点对进行再次筛选，以筛选出对应第一背景特征点均匀分布在预设目标周围的匹配特征点对。
S1314：根据筛选出的多组匹配特征点对，计算待识别图像与参考图像之间的单应性矩阵。
具体地，与上述应用场景不同的是，本应用场景为了减少计算量，在将第一背景特征点与第二背景特征点匹配之后，对得到的多组匹配特征点对进行筛选，在保证匹配度高的基础上，筛选出对应第一背景特征点均匀分布在预设目标周围的匹配特征点对，后续根据筛选出的匹配特征点对计算单应性矩阵。
在再一应用场景中，参阅图8，步骤S131计算单应性矩阵的步骤，具体包括：
S1315：识别参考图像中分布在预设目标周围的多个第一背景特征点。
S1316：识别待识别图像中的多个第二背景特征点。
S1317：对多个第一背景特征点进行筛选，筛选出排列在第一序列中前面预设数量且均匀分布在预设目标周围的多个第一背景特征点。
其中，预先将多个第一背景特征点按照置信度从大到小进行排列而得到第一序列。
S1318：将筛选出的多个第一背景特征点与多个第二背景特征点进行匹配，得到多组匹配特征点对。
S1319：对多组匹配特征点对进行筛选，筛选出排列在第二序列中前面预设数量且对应第一背景特征点均匀分布在预设目标周围的多组匹配特征点对。
其中，预先将匹配特征点对按照匹配度从大到小进行排序，得到第二序列。
S1320：根据筛选出的多组匹配特征点对，计算待识别图像与参考图像之间的单应性矩阵。
具体地，与上述应用场景不同的是，本应用场景为了进一步减少计算量，在将第一背景特征点与第二背景特征点进行匹配之前，会对第一背景特征点进行筛选，然后将筛选出的第一背景特征点与第二背景特征点进行匹配，得到多组匹配特征点对，接着再对多组匹配特征点对进行筛选，最后根据筛选出的匹配特征点对计算单应性矩阵。
也就是说，本应用场景中计算单应性矩阵的方法相当于将图6中的方法和图7中的方法结合在一起。
在一应用场景中，步骤S1303将第一背景特征点与第二背景特征点进行匹配的步骤具体包括：
(a)：提取第一背景特征点的特征向量以及第二背景特征点的特征向量。
(b)：计算第一背景特征点的特征向量与第二背景特征点的特征向量的第一距离值。
(c)：若第一距离值小于距离阈值，则确定对应的第一背景特征点与第二背景特征点匹配，形成匹配特征点对。
具体地，利用如下公式计算第一背景特征点的特征向量与第二背景特征点的特征向量的第一距离值disxy：
Figure BDA0003159297120000121
其中，xi表示第一背景特征点的特征向量中的元素，yi表示第二背景特征点的特征向量中的元素，i表示第一背景特征点的特征向量或者第二背景特征点的特征向量中元素对应的位数值。
此时用第一背景特征点的特征向量与第二背景特征点的特征向量之间的第一距离值表示第一背景特征点与第二背景特征点的匹配度：第一距离值越小，对应的第一背景特征点与第二背景特征点的匹配度越高。
同时距离阈值预先设置，若第一距离值小于距离阈值，则确定对应的第一背景特征点与第二背景特征点匹配，否则确定对应的第一背景特征点与第二背景特征点不匹配。
可以理解的是，当用第一背景特征点的特征向量与第二背景特征点的特征向量之间的第一距离值表示第一背景特征点与第二背景特征点的匹配度时，上述在将匹配特征点对按照匹配度从大到小进行排序，得到第二序列的步骤具体可以是：将匹配特征点对按照对应第一距离值从小到大进行排序，得到第二序列。
参阅图9，图9是本申请目标重识别方法另一实施方式的流程示意图，在该实施方式中，目标重识别方法包括：
S210：获取待识别图像和参考图像。
S220：确定参考图像中的预设目标，以及识别待识别图像中的至少一个候选目标，其中，候选目标和预设目标为同一类型的目标。
S230：确定预设目标在待识别图像中的映射位置。
S240：确定至少一个候选目标中各个候选目标的位置偏离信息，位置偏离信息是基于对应的候选目标的位置与映射位置确定的。
S250：对至少一个候选目标进行筛选，筛选出对应位置偏离信息满足预设要求的候选目标。
具体地，根据对应位置偏离信息对候选目标进行筛选，筛选出位置在映射位置周围一定区域范围内的候选目标。
在一应用场景中，当采用图2中的方法计算候选目标在待识别图像中的位置与映射位置的位置偏离信息时，步骤S250具体包括，对至少一个候选目标进行筛选，筛选出对应交并比大于预设阈值的候选目标，或者，对至少一个候选目标进行筛选，筛选出对应交并比不为零的候选目标。
S260：确定筛选出的各个候选目标对应的外观相似度。
S270：基于各个候选目标的位置偏离信息和各个候选目标对应的外观相似度，从至少一个候选目标中确定出与预设目标匹配的候选目标。
其中，可以理解的是，由于步骤S260只确定筛选出的候选目标对应的外观相似度，因此步骤S270具体是从筛选中的候选目标中确定与预设目标匹配的候选目标。
考虑到图1实施方式中的计算量会随着候选目标数量的增加而线性增长，因为在本实施方式中，在计算外观相似度之前，基于位置信息先对候选目标进行过滤，极大地减少外观相似度的计算，降低计算耗时。且若参考图像中需要重识别的预设目标的数量不止一个时，本实施方式中方法的耗时也不会出现显著的增加。
参阅图10，图10是本申请目标重识别装置一实施方式的结构示意图。该目标重识别装置300包括处理器310、存储器320以及通信电路330，处理器310分别耦接存储器320、通信电路330，存储器320中存储有程序数据，处理器310通过执行存储器320内的程序数据以实现上述任一项实施方式方法中的步骤，其中详细的步骤可参见上述实施方式，在此不再赘述。
其中，目标重识别装置300可以是电脑、手机等任一项具有图像处理能力的装置，在此不做限制。
参阅图11，图11是本申请目标重识别装置另一实施方式的结构示意图。该目标重识别装置400包括图像获取模块410、目标识别模块420、位置确定模块430、位置偏离信息确定模块440以及匹配模块450。
图像获取模块410用于获取待识别图像和参考图像。
目标识别模块420与图像获取模块410连接，用于确定参考图像中的预设目标，以及识别待识别图像中的至少一个候选目标，候选目标和预设目标为同一类型的目标。
位置确定模块430与目标识别模块420连接，用于确定预设目标在待识别图像中的映射位置。
位置偏离信息确定模块440与位置确定模块430连接，用于确定至少一个候选目标中各个候选目标的位置偏离信息，位置偏离信息是基于对应的候选目标的位置与映射位置确定的。
匹配模块450与位置偏离信息确定模块440连接，用于基于各个候选目标的位置偏离信息，从至少一个候选目标中确定出与预设目标匹配的候选目标。
在一实施方式中，位置偏离信息确定模块440与匹配模块450之间还连接有外观相似度确定模块，用于确定各个候选目标对应的外观相似度，外观相似度是基于对应的候选目标的外观与预设目标的外观的相似程度确定的；此时匹配模块450具体用于基于各个候选目标的位置偏离信息和各个候选目标对应的外观相似度，从至少一个候选目标中确定出与预设目标匹配的候选目标。
在一实施方式中，外观相似度确定模块包括筛选单元以及外观相似度确定单元，其中筛选单元用于对至少一个候选目标进行筛选，筛选出对应位置偏离信息满足预设要求的候选目标；外观相似度确定单元用于确定筛选出的各个候选目标对应的外观相似度。
在一实施方式中，匹配模块450具体用于分别对各个候选目标执行如下评估操作，确定各个候选目标的评估值；评估操作包括：基于各个候选目标中一个候选目标的位置偏离信息，和一个候选目标对应的外观相似度，确定一个候选目标的评估值；基于确定的各个评估值的大小，各个候选目标中确定出与预设目标匹配的候选目标。
在一实施方式中，位置确定模块430具体包括单应性矩阵计算单元以及位置确定单元；单应性矩阵计算单元用于基于参考图像的背景特征与待识别图像的背景特征，计算参考图像与待识别图像之间的单应性矩阵；位置确定单元用于根据单应性矩阵以及预设目标在参考图像中的位置，确定预设目标在待识别图像中的映射位置。
在一实施方式中，单应性矩阵计算单元具体用于识别参考图像中分布在预设目标周围的多个第一背景特征点；识别待识别图像中的多个第二背景特征点；将多个第一背景特征点与多个第二背景特征点进行匹配，得到多组匹配特征点对；根据多组匹配特征点对，计算参考图像与待识别图像之间的单应性矩阵。
在一实施方式中，单应性矩阵计算单元还具体用于对多个第一背景特征点进行筛选，筛选出排列在第一序列中前面预设数量且均匀分布在预设目标周围的多个第一背景特征点；将筛选出的多个第一背景特征点与多个第二背景特征点进行匹配，得到多组匹配特征点对；其中，预先将多个第一背景特征点按照置信度从大到小进行排列而得到第一序列。
在一实施方式中，单应性矩阵计算单元还具体用于对多组匹配特征点对进行筛选，筛选出排列在第二序列中前面预设数量且对应第一背景特征点均匀分布在预设目标周围的多组匹配特征点对；根据筛选出的多组匹配特征点对，计算待识别图像与参考图像之间的单应性矩阵；其中，预先将匹配特征点对按照匹配度从大到小进行排序，得到第二序列。
在一实施方式中，单应性矩阵计算单元还具体用于提取第一背景特征点的特征向量以及第二背景特征点的特征向量；计算第一背景特征点的特征向量与第二背景特征点的特征向量的第一距离值；若第一距离值小于距离阈值，则确定对应的第一背景特征点与第二背景特征点匹配，形成匹配特征点对。
在一实施方式中，位置偏离信息确定模块440具体用于获取在待识别图像中分别框选至少一个候选目标的各个第一图像框在待识别图像中所占的第一区域；确定在待识别图像中框选预设目标在映射位置处形成的映射对象的第二图像框，并获取第二图像框在待识别图像中所占的第二区域；确定各个第一图像框对应的第一区域与第二区域的交并比，得到至少一个候选目标中各个候选目标的位置偏离信息。
其中，目标重识别装置400可以是电脑、手机等任一项具有图像处理能力的装置，在此不做限制。
参阅图12，图12是本申请计算机可读存储介质一实施方式的结构示意图。该计算机可读存储介质500存储有计算机程序510，计算机程序510能够被处理器执行以实现上述任一项方法中的步骤。
其中，计算机可读存储介质500具体可以为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)、磁碟或者光盘等可以存储计算机程序510的装置，或者也可以为存储有该计算机程序510的服务器，该服务器可将存储的计算机程序510发送给其他设备运行，或者也可以自运行该存储的计算机程序510。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (12)

1.一种目标重识别方法，其特征在于，所述方法包括：
获取待识别图像和参考图像；
确定所述参考图像中的预设目标，以及识别所述待识别图像中的至少一个候选目标，所述候选目标和所述预设目标为同一类型的目标；
确定所述预设目标在所述待识别图像中的映射位置；
确定所述至少一个候选目标中各个候选目标的位置偏离信息，所述位置偏离信息是基于对应的候选目标的位置与所述映射位置确定的；
基于所述各个候选目标的位置偏离信息，从所述至少一个候选目标中确定出与所述预设目标匹配的候选目标。
2.如权利要求1所述的方法，其特征在于，所述基于所述各个候选目标的位置偏离信息，从所述至少候选目标中确定出与所述预设目标匹配的候选目标之前，还包括：
确定所述各个候选目标对应的外观相似度，所述外观相似度是基于对应的候选目标的外观与所述预设目标的外观的相似程度确定的；
所述基于确定的各个候选目标的位置偏离信息，从所述至少一个候选目标中确定出与所述预设目标匹配的候选目标，包括：
基于所述各个候选目标的位置偏离信息和所述各个候选目标对应的外观相似度，从所述至少一个候选目标中确定出与所述预设目标匹配的候选目标。
3.如权利要求2所述的方法，其特征在于，所述确定所述各个候选目标对应的外观相似度的步骤，包括；
对所述至少一个候选目标进行筛选，筛选出对应位置偏离信息满足预设要求的候选目标；
确定筛选出的各个候选目标对应的所述外观相似度。
4.如权利要求2所述的方法，其特征在于，所述基于所述各个候选目标的位置偏离信息和所述各个候选目标对应的外观相似度，从所述候选目标中确定出与所述预设目标匹配的候选目标，包括：
分别对所述各个候选目标执行如下评估操作，确定所述各个候选目标的评估值；所述评估操作包括：基于所述各个候选目标中一个候选目标的位置偏离信息，和所述一个候选目标对应的外观相似度，确定所述一个候选目标的评估值；
基于确定的各个评估值的大小，所述各个候选目标中确定出与所述预设目标匹配的候选目标。
5.如权利要求1所述的方法，其特征在于，所述确定所述预设目标在所述待识别图像中的映射位置的步骤，包括：
基于所述参考图像的背景特征与所述待识别图像的背景特征，计算所述参考图像与所述待识别图像之间的单应性矩阵；
根据所述单应性矩阵以及所述预设目标在所述参考图像中的位置，确定所述预设目标在所述待识别图像中的所述映射位置。
6.如权利要求5所述的方法，其特征在于，所述基于所述参考图像的背景特征与所述待识别图像的背景特征，计算所述参考图像与所述待识别图像之间的单应性矩阵的步骤，包括：
识别所述参考图像中分布在所述预设目标周围的多个第一背景特征点；
识别所述待识别图像中的多个第二背景特征点；
将多个所述第一背景特征点与多个所述第二背景特征点进行匹配，得到多组匹配特征点对；
根据所述多组匹配特征点对，计算所述参考图像与所述待识别图像之间的所述单应性矩阵。
7.如权利要求6所述的方法，其特征在于，所述将多个所述第一背景特征点与多个所述第二背景特征点进行匹配，得到多组匹配特征点对的步骤，包括：
对多个所述第一背景特征点进行筛选，筛选出排列在第一序列中前面预设数量且均匀分布在所述预设目标周围的多个所述第一背景特征点；
将筛选出的多个所述第一背景特征点与多个所述第二背景特征点进行匹配，得到多组所述匹配特征点对；
其中，预先将多个所述第一背景特征点按照置信度从大到小进行排列而得到所述第一序列。
8.如权利要求6所述的方法，其特征在于，所述根据所述多组匹配特征点对，计算所述参考图像与所述待识别图像之间的所述单应性矩阵的步骤，包括：
对多组所述匹配特征点对进行筛选，筛选出排列在第二序列中前面预设数量且对应所述第一背景特征点均匀分布在所述预设目标周围的多组所述匹配特征点对；
根据筛选出的多组所述匹配特征点对，计算所述待识别图像与所述参考图像之间的所述单应性矩阵；
其中，预先将所述匹配特征点对按照匹配度从大到小进行排序，得到所述第二序列。
9.权利要求6所述的方法，其特征在于，所述将多个所述第一背景特征点与多个所述第二背景特征点进行匹配，得到多组匹配特征点对的步骤，包括：
提取所述第一背景特征点的特征向量以及所述第二背景特征点的特征向量；
计算所述第一背景特征点的特征向量与所述第二背景特征点的特征向量的第一距离值；
若所述第一距离值小于距离阈值，则确定对应的所述第一背景特征点与所述第二背景特征点匹配，形成所述匹配特征点对。
10.如权利要求1所述的方法，其特征在于，所述确定所述至少一个候选目标中各个候选目标的位置偏离信息的步骤，包括：
获取在所述待识别图像中分别框选所述至少一个候选目标的各个第一图像框在所述待识别图像中所占的第一区域；
确定在所述待识别图像中框选所述预设目标在所述映射位置处形成的映射对象的第二图像框，并获取所述第二图像框在所述待识别图像中所占的第二区域；
确定所述各个第一图像框对应的所述第一区域与所述第二区域的交并比，得到所述至少一个候选目标中各个候选目标的所述位置偏离信息。
11.一种目标重识别装置，其特征在于，所述目标重识别装置包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器、所述通信电路，所述存储器中存储有程序数据，所述处理器通过执行所述存储器内的所述程序数据以实现如权利要求1-10任一项所述方法中的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1-10任一项所述方法中的步骤。
CN202110786261.0A 2021-07-12 2021-07-12 目标重识别方法、目标重识别装置及计算机可读存储介质 Pending CN113673321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110786261.0A CN113673321A (zh) 2021-07-12 2021-07-12 目标重识别方法、目标重识别装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110786261.0A CN113673321A (zh) 2021-07-12 2021-07-12 目标重识别方法、目标重识别装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113673321A true CN113673321A (zh) 2021-11-19

Family

ID=78538964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110786261.0A Pending CN113673321A (zh) 2021-07-12 2021-07-12 目标重识别方法、目标重识别装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113673321A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770568A (zh) * 2008-12-31 2010-07-07 南京理工大学 基于仿射不变点及光流计算的目标自动识别和跟踪方法
US20120148164A1 (en) * 2010-12-08 2012-06-14 Electronics And Telecommunications Research Institute Image matching devices and image matching methods thereof
CN104318588A (zh) * 2014-11-04 2015-01-28 北京邮电大学 一种基于位置感知判别外观模型的多摄像机目标跟踪方法
US20180137630A1 (en) * 2016-11-15 2018-05-17 Samsung Electronics Co., Ltd. Image processing apparatus and method
CN108596197A (zh) * 2018-05-15 2018-09-28 汉王科技股份有限公司 一种印章匹配方法及装置
CN108615248A (zh) * 2018-04-27 2018-10-02 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN110246163A (zh) * 2019-05-17 2019-09-17 联想（上海）信息技术有限公司 图像处理方法及其装置、设备、计算机存储介质
CN111414914A (zh) * 2020-02-21 2020-07-14 深圳追一科技有限公司 图像识别方法、装置、计算机设备和存储介质
CN111429530A (zh) * 2020-04-10 2020-07-17 浙江大华技术股份有限公司 一种坐标标定方法及相关装置
CN112598714A (zh) * 2021-03-04 2021-04-02 广州市玄武无线科技股份有限公司 一种基于视频帧单应性变换的静止目标跟踪方法
CN113077511A (zh) * 2020-01-06 2021-07-06 初速度（苏州）科技有限公司 一种用于汽车的多相机目标匹配与跟踪方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770568A (zh) * 2008-12-31 2010-07-07 南京理工大学 基于仿射不变点及光流计算的目标自动识别和跟踪方法
US20120148164A1 (en) * 2010-12-08 2012-06-14 Electronics And Telecommunications Research Institute Image matching devices and image matching methods thereof
CN104318588A (zh) * 2014-11-04 2015-01-28 北京邮电大学 一种基于位置感知判别外观模型的多摄像机目标跟踪方法
US20180137630A1 (en) * 2016-11-15 2018-05-17 Samsung Electronics Co., Ltd. Image processing apparatus and method
CN108615248A (zh) * 2018-04-27 2018-10-02 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN108596197A (zh) * 2018-05-15 2018-09-28 汉王科技股份有限公司 一种印章匹配方法及装置
CN110246163A (zh) * 2019-05-17 2019-09-17 联想（上海）信息技术有限公司 图像处理方法及其装置、设备、计算机存储介质
CN113077511A (zh) * 2020-01-06 2021-07-06 初速度（苏州）科技有限公司 一种用于汽车的多相机目标匹配与跟踪方法及装置
CN111414914A (zh) * 2020-02-21 2020-07-14 深圳追一科技有限公司 图像识别方法、装置、计算机设备和存储介质
CN111429530A (zh) * 2020-04-10 2020-07-17 浙江大华技术股份有限公司 一种坐标标定方法及相关装置
CN112598714A (zh) * 2021-03-04 2021-04-02 广州市玄武无线科技股份有限公司 一种基于视频帧单应性变换的静止目标跟踪方法

Similar Documents

Publication Publication Date Title
US10534957B2 (en) Eyeball movement analysis method and device, and storage medium
CN108388879B (zh) 目标的检测方法、装置和存储介质
CN105095905B (zh) 目标识别方法和目标识别装置
CN108960211B (zh) 一种多目标人体姿态检测方法以及系统
CN105404886B (zh) 特征模型生成方法和特征模型生成装置
CN108090435B (zh) 一种可停车区域识别方法、系统及介质
CN114783003B (zh) 一种基于局部特征注意力的行人重识别方法和装置
CN112287866A (zh) 一种基于人体关键点的人体动作识别方法及装置
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
Wang et al. Combined use of FCN and Harris corner detection for counting wheat ears in field conditions
CN111814690B (zh) 一种目标重识别方法、装置和计算机可读存储介质
CN109190456B (zh) 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN111259756A (zh) 基于局部高频次特征和混合度量学习的行人重识别方法
CN110991389A (zh) 判断目标行人在非重叠相机视角中出现的匹配方法
Yamauchi et al. Relational HOG feature with wild-card for object detection
CN113052185A (zh) 一种基于Faster R-CNN的小样本目标检测方法
CN112287867A (zh) 一种多摄像头的人体动作识别方法及装置
Ou et al. Vehicle logo recognition based on a weighted spatial pyramid framework
CN110175500B (zh) 指静脉比对方法、装置、计算机设备及存储介质
CN114898116A (zh) 一种基于嵌入式平台的车库管理方法、系统及存储介质
CN111310720A (zh) 基于图度量学习的行人重识别方法及系统
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN109657083B (zh) 纺织品图片特征库的建立方法和装置
Fritz et al. Object recognition using local information content
CN113673321A (zh) 目标重识别方法、目标重识别装置及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination