CN113723209A - 目标识别方法、装置、电子设备和计算机可读存储介质 - Google Patents
目标识别方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113723209A CN113723209A CN202110897228.5A CN202110897228A CN113723209A CN 113723209 A CN113723209 A CN 113723209A CN 202110897228 A CN202110897228 A CN 202110897228A CN 113723209 A CN113723209 A CN 113723209A
- Authority
- CN
- China
- Prior art keywords
- target
- processed
- reference value
- information
- quality reference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 82
- 238000010586 diagram Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training 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
- G06F18/24—Classification techniques
-
- 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
-
- 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
Abstract
本申请公开了一种目标识别方法、装置、电子设备和计算机可读存储介质,包括:获取实时的监控视频流中的当前帧后,基于当前帧中目标对应的第一质量参考值和第一特征信息,以及信息库中包含的目标对应的第二质量参考值和第二特征信息,确定是否将第一特征信息添加至信息库;第二质量参考值是历史帧中目标对应的质量参考值的最小值,第二质量参考值和第二特征信息基于同一历史帧确定;响应于识别指令,基于目标的第三特征信息和各个第四特征信息,对目标进行识别;第三特征信息是信息库中质量参考值最高的目标对应的特征信息;第四特征信息是信息库中除第三特征信息之外的目标的特征信息。上述方案,能够提高视频帧中的目标进行目标识别的准确性。
Description
技术领域
本申请涉及视频处理技术领域,特别是涉及一种目标识别方法、装置、电子设备和计算机可读存储介质。
背景技术
随着视频监控的普及,摄像装置所拍摄的视频帧需要占用的存储空间较大导致数据存储不便,因此需要对视频帧中的待处理目标进行识别,得到待处理目标对应的识别结果以便于存储和后续应用。
其中,待处理目标进行目标识别的准确性直接决定了识别结果的应用价值,一旦待处理目标的识别结果不准确,便会导致识别结果应用价值较低甚至失去应用价值。有鉴于此,如果提高视频帧中的待处理目标进行目标识别的准确性成为了值得研究的方向和需要解决的问题。
发明内容
本申请主要解决的技术问题是提供一种目标识别方法、装置、电子设备和计算机可读存储介质,能够提高视频帧中的目标进行目标识别的准确性。
为解决上述技术问题,本申请第一方面提供一种目标识别方法,该方法包括:获取实时的监控视频流中的当前帧后,基于所述当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的所述待处理目标对应的第二质量参考值和第二特征信息,确定是否将所述第一特征信息添加至所述信息库;所述第二质量参考值是在所述监控视频流中所述当前帧之前的历史帧中所述待处理目标对应的质量参考值的最小值,所述第二质量参考值和所述第二特征信息是基于同一历史帧确定的;响应于针对所述待处理目标的识别指令,基于所述待处理目标的第三特征信息和各个第四特征信息,对所述待处理目标进行识别;所述第三特征信息是所述信息库中质量参考值最高的所述待处理目标对应的特征信息;所述第四特征信息是所述信息库中除所述第三特征信息之外的所述待处理目标的特征信息。
为解决上述技术问题,本申请第二方面提供一种目标识别装置,该装置包括:选择模块和识别模块,其中,选择模块用于获取实时的监控视频流中的当前帧后,基于所述当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的所述待处理目标对应的第二质量参考值和第二特征信息,确定是否将所述第一特征信息添加至所述信息库;所述第二质量参考值是在所述监控视频流中所述当前帧之前的历史帧中所述待处理目标对应的质量参考值的最小值,所述第二质量参考值和所述第二特征信息是基于同一历史帧确定的;识别模块用于响应针对所述待处理目标的识别指令,基于所述待处理目标的第三特征信息和各个第四特征信息,对所述待处理目标进行识别;所述第三特征信息是所述信息库中质量参考值最高的所述待处理目标对应的特征信息;所述第四特征信息是所述信息库中除所述第三特征信息之外的所述待处理目标的特征信息。
为解决上述技术问题,本申请第三方面提供一种电子设备,该电子设备包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行上述第一方面所述的方法。
为解决上述技术问题,本申请第四方面提供一种计算机可读存储介质,其上存储有程序数据,所述程序数据被处理器执行时实现上述第一方面所述的方法。
上述方案,在获得实时的监控视频流中的当前帧后,基于当前帧中待处理目标对应的第一质量参考值和第一特征信息,和信息库中待处理目标对应的第二质量参考值和第二特征信息,其中,第二质量参考值是历史帧中待处理目标对应的质量参考值的最小值,第二质量参考值和第二特征信息是基于同一历史帧确定的。故此,可以选择质量更高的特征信息添加至信息库,也可以用质量参考值更高的待处理目标对应的特征信息替换质量分数较低的待处理目标对应的特征信息,还可以将区别较大的特征信息添加至信息库中,以使信息库中的特征信息相对质量更高且具有一定差异性和代表性,当获得针对待处理目标的识别指令后,基于待处理目标的第三特征信息和各个第四特征信息,对待处理目标进行识别,其中,第三特征信息是信息库中质量参考值最高的待处理目标对应的特征信息也就是质量最佳的特征信息,第四特征信息是信息库中除第三特征信息之外的待处理目标的特征信息,且第四特征信息具有一定差异性和代表性,从而基于第三特征信息和第四特征信息来对待处理目标进行识别能够获得更加准确的识别结果,提高视频帧中的目标进行目标识别的准确性。
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是本申请目标识别方法一实施方式的流程示意图;
图2是本申请目标识别方法另一实施方式的流程示意图;
图3是本申请目标识别装置一实施方式的结构示意图;
图4是本申请电子设备一实施方式的结构示意图;
图5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是本申请目标识别方法一实施方式的流程示意图,该方法包括:
S101:获取实时的监控视频流中的当前帧后,基于当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的待处理目标对应的第二质量参考值和第二特征信息,确定是否将第一特征信息添加至信息库。
具体地,第二质量参考值是在监控视频流中当前帧之前的历史帧中待处理目标对应的质量参考值的最小值,第二质量参考值和第二特征信息是基于同一历史帧确定的。
在一应用方式中,响应于获得时序上的当前帧,利用待处理目标跟踪算法对待处理目标进行跟踪,为同一待处理目标设置同一标识,将当前帧中的不同待处理目标提取出来,对当前帧中的待处理目标进行评分得到第一质量参考值,并提取待处理目标对应的特征得到第一特征信息。当信息库中已经存储有同一待处理目标对应的质量参考值和特征信息时,则基于待处理目标对应的标识,从信息库中查找当前帧之前的历史帧中质量参考值最低的同一待处理目标对应的第二质量参考值,并从信息库中提取同一待处理目标对应的第二特征信息。
进一步地,当第一质量参考值小于或等于第二质量参考值时,若第一特征信息与第二特征信息之间的特征差值小于或等于第一差值阈值,则将第一特征信息丢弃,若第一特征信息与第二特征信息之间的特征差值大于第一差值阈值且信息库中已满,则将第一特征信息丢弃,若第一特征信息与第二特征信息之间的特征差值大于第一差值阈值且信息库中未满,则将第一信息添加中信息库中,以使信息库中的特征信息之间具有差异性和代表性。
在一实施方式中,利用质量评分模型对当前帧中的待处理目标进行评分,质量评分模型经过预先训练且不同类型的待处理目标对应有各自的质量评分模型,不同类型的待处理目标包括但不限于行人、车辆、动物、植物和建筑。质量评分模型基于待处理目标的不同部位的完整度和待处理目标在当前帧中的清晰度对待处理目标的质量进行评分,得到在当前帧中待处理目标对应的第一质量参考值。利用特征提取模型对当前帧中的待处理目标进行特征提取,得到在当前帧中待处理目标对应的第一特征信息,特征提取模型经过预先训练且不同类型的待处理目标对应有各自的特征提取模型。
在一具体应用场景中,以待处理目标为行人为例,质量评分模型对待处理目标进行评分时,基于待处理目标对应的头部、躯干、腿部这些不同部位的完整度、待处理目标在当前帧中的姿态、待处理目标在当前帧中的位置对应的光照和待处理目标在当前帧中的分辨率对待处理目标进行评分,从而获得待处理目标对应的第一质量参考值。
在一实施方式中,当第一质量参考值大于第二质量参考值时,若特征差值小于或等于第一差值阈值,则用第一特征信息替换信息库中的第二特征信息,以使同一待处理目标对应的差异性较小的特征信息用质量参考值更高的视频帧中的特征信息替换,若特征差值大于第一差值阈值且信息库中未满,则将第一信息添加中信息库中,若特征差值大于第一差值阈值且信息库中已满,则将信息库中第二特征信息移除,并将第一特征信息添加至信息库中,以使信息库中的特征信息之间具有差异性和代表性。
可选地,待处理目标在视频帧中的特征信息被添加至或移除出信息库时,同一待处理目标在同一视频帧中对应的质量参考值与特征信息执行相同的操作,以使信息库中的数据保持对应关系。
S102:响应于针对待处理目标的识别指令,基于待处理目标的第三特征信息和各个第四特征信息,对待处理目标进行识别。
具体地,第三特征信息是信息库中质量参考值最高的待处理目标对应的特征信息,第四特征信息是信息库中除第三特征信息之外的待处理目标的特征信息。
在一应用方式中,当跟踪算法判定待处理目标已经从监控区域内离开,也即当前帧中已不再包括原先跟踪的待处理目标时,针对待处理目标的识别指令自动生成,将待处理目标的第三特征信息和信息库中的除第三特征信息之外的第四特征信息融合,获得融合特征信息,基于融合特征信息对目标进行识别,以获得目标对应的识别结果。
进一步地,如果待处理目标在全生命周期中质量均不佳,则质量参考值最高的待处理目标所对应的第三特征信息是所有包括已经消失的待处理目标的视频帧中最佳的特征信息,并且,信息库中存储的特征信息是具有差异性和代表性的特征信息,从而以最佳的特征信息为基础融合信息库中其余的特征信息所获得的融合特征信息,能够尽可能应对待处理目标在全生命周期中质量均不佳的情况,使基于融合特征信息的所获得的识别结果能够更加准确,而且,对于待处理目标在全生命周期中包含至少部分质量较高的视频帧的场景也同样适用,因为信息库中的特征信息之间具有差异性和代表性,所以能够对最佳的特征信息进行补充和完善。
需要说明的是,当待处理目标在不同视频帧中的姿态和/或角度和/或光照存在的差异越大时,待处理目标在不同视频帧中对应的特征信息之间的特征差值也就越大,因此,信息库中存储的不同特征信息能够从待处理目标的姿态、角度和光照的不同维度对最佳的特征信息进行补充,从而获得更加准确的融合特征信息。
在一具体应用场景中,在获得融合特征信息后利用属性分类模型对融合特征信息进行识别,以获得待处理目标对应的属性分类结果。其中,属性分类模型经过预先训练,能够对不同类型的待处理目标进行属性分类。其中,当待处理目标为行人时,属性分类结果包括人种、年龄、性别、着装、面部遮挡和头顶遮挡中的一种或几种,当待处理目标为车辆时,属性分类结果包括车型、归属地、颜色和载客中的一种或几种。可以理解的是,当待处理目标为其他类型时,不同类型的待处理目标对应有各自的属性分类结果,在此不一一列举。
上述方案,在获得实时的监控视频流中的当前帧后,基于当前帧中待处理目标对应的第一质量参考值和第一特征信息,和信息库中待处理目标对应的第二质量参考值和第二特征信息,其中,第二质量参考值是历史帧中待处理目标对应的质量参考值的最小值,第二质量参考值和第二特征信息是基于同一历史帧确定的。故此,可以选择质量更高的特征信息添加至信息库,也可以用质量参考值更高的待处理目标对应的特征信息替换质量分数较低的待处理目标对应的特征信息,还可以将区别较大的特征信息添加至信息库中,以使信息库中的特征信息相对质量更高且具有一定差异性和代表性,当获得针对待处理目标的识别指令后,基于待处理目标的第三特征信息和各个第四特征信息,对待处理目标进行识别,其中,第三特征信息是信息库中质量参考值最高的待处理目标对应的特征信息也就是质量最佳的特征信息,第四特征信息是信息库中除第三特征信息之外的待处理目标的特征信息,且第四特征信息具有一定差异性和代表性,从而基于第三特征信息和第四特征信息来对待处理目标进行识别能够获得更加准确的识别结果,提高视频帧中的目标进行目标识别的准确性。
参阅图2,图2是本申请目标识别方法另一实施方式的流程示意图,该方法包括:
S201:基于待处理目标在当前帧中的尺寸参考值、高宽比参考值和完整度参考值中的至少一个信息,确定待处理目标的初始质量参考值。
具体地,基于待处理目标在当前帧中的尺寸确定待处理目标在当前帧中的尺寸参考值,基于待处理目标在当前帧中的高宽比确定待处理目标在当前帧中的高宽比参考值,基于待处理目标在当前帧中的完整度确定待处理目标在当前帧中的完整度参考值,根据尺寸参考值、高宽比参考值和完整度参考值中的至少一个数值得到初始质量参考值,且同一待处理目标初始质量参考值的评价标准相同。
在一应用方式中,基于待处理目标的高度及其对应的高度阈值,确定待处理目标在当前帧中的尺寸参考值;以及基于待处理目标的高度与宽度的高宽比及其对应的比值阈值,确定待处理目标在当前帧中的高宽比参考值;以及基于待处理目标的不同部位的完整程度,确定待处理目标在当前帧中的完整度参考值。
具体地,高度阈值、比值阈值基于摄像装置的安装位置和安装角度以及待处理目标的类型预先设置,在实际应用中,过小的待处理目标相对不清晰,影响进行目标识别的准确率,因此需要对待处理目标的尺寸进行评分,当待处理目标某些部位不存在,尤其是关键部位不存在时直接影响待处理目标进行目标识别的准确性,因此需要对待处理目标的完整度进行评分,当摄像装置的安装位置和角度固定后,不同类型的待处理目标在监控区域内的高宽比会在一定区间值内,当待处理目标的高宽比异常时则说明待处理目标严重失真,因此需要对待处理目标的高宽比进行评分,进而从多个方面出发对待处理目标在当前帧中的初始质量评分进行评估,以提高初始质量评分的准确性和合理性。
在一具体应用场景中,以待处理目标为行人为例,基于待处理目标的高度及其对应的高度阈值,确定待处理目标在当前帧中的尺寸参考值的步骤,包括:响应于待处理目标的高度大于或等于高度阈值,尺寸参考值置为1;或者,响应于待处理目标的高度小于高度阈值,尺寸参考值置为高度与高度阈值的比值;基于待处理目标的高度与宽度的高宽比及其对应的比值阈值,确定待处理目标在当前帧中的高宽比参考值的步骤,包括:响应于待处理目标的高宽比在比值阈值的上限值和下限值之间,高宽比参考值置为1;或者,响应于待处理目标的高宽比大于比值阈值的上限值或小于比值阈值的下限值,高宽比参考值置为待处理目标的高度与宽度比值和待处理目标的宽度与高度的比值中的最小值;基于待处理目标的不同部位的完整程度,确定待处理目标在当前帧中的完整度参考值的步骤,包括:对待处理目标的不同部位进行加权求和,获得待处理目标在当前帧中的完整度参考值,其中,待处理目标的部位若存在则对应部位用于加权求和的数值为1,否则数值为0,且不同部位对应的权重值的和为1。上述过程利用公式表示如下:
其中,Ssz为尺寸参考值,Oh为待处理目标的高度,为高度阈值,当待处理目标的高度小于高度阈值,则以待处理目标的高度与高度阈值的比值作为尺寸参考值,当待处理目标的高度大于等于高度阈值,则将尺寸参考值设置为1,从而在待处理目标的尺寸过小时降低待处理目标的尺寸参考值,以使待处理目标的尺寸参考值更加合理。
在一个实施方式中,高度阈值设置为300像素值,在其他实施方式中也可由用户定义为其他数值。
其中,Sratio为高宽比参考值,Oh为待处理目标的高度,Ow为待处理目标的宽度,为比值的上限值,为比值的下限值,当待处理目标的高宽比大于等于上限值或待处理目标的高宽比小于等于下限值时,则将待处理目标的高度与宽度比值和待处理目标的宽度与高度的比值中的最小值作为高宽比参考值,当待处理目标的高宽比在比值阈值的上限值和下限值之间,则将高宽比参考值设置为1,从而在待处理目标高宽比异常时降低待处理目标的高宽比参考值,以使待处理目标的高宽比参考值更加合理。
在一个实施方式中,当摄像装置的拍摄角度在10度到25度之间时,待处理目标为行人,该拍摄俯角下完整待处理目标的高宽比基本在3左右,当待处理目标的高宽比远小于3或者远大于3时,基本可以判定待处理目标严重失真。设置比值阈值的上限值为3.5,比值阈值的下限值为2.5。在其他实施方式中,也可根据摄像装置的拍摄角度设置对应的比值阈值的上限值和下限值。
其中,Spart为完整度参考值,当待处理目标为行人时,为头部的权重,为躯干的权重,为下半身的权重,Bhas_head为头部的参考值,Bhas_body为躯干的参考值,Bhas_down为下半身的参考值。待处理目标的不同部位的参考值与缺失的程度正相关,当部位完全缺失时,对应部位的参考值为0,当部位完全无遮挡时,对应部位的参考值为1,当部位存在遮挡时,对应部分的参考值在0-1之间。所有部位的权重值和为1,从而在待处理目标的不同部位存在或缺失时生成待处理目标的完整度参考值,以使待处理目标的完整度参考值更加合理。
进一步地,基于尺寸参考值、高宽比参考值和完整度参考值,确定得到初始质量参考值。
在一应用方式中,将尺寸参考值、高宽比参考值和完整度参考值累加得到初始质量参考值。上述过程利用公式表示如下:
Srough=Ssz+Sratio+Spart (4)
其中,Srough为初始质量参考值,Ssz为尺寸参考值,Sratio为高宽比参考值,Spart为完整度参考值。通过结合不同方面的参考值,以提高初始质量参考值的合理性和准确性,基于初始质量参考值能够对待处理目标在当前帧中的质量具有初步判断。
在另一应用方式中,将尺寸参考值、高宽比参考值和完整度参考值加权求和,得到初始质量参考值,且尺寸参考值、高宽比参考值和完整度参考值对应的权重值的和为1,且加权求和的权重值可以根据实际需求设置,以使权重值与不同的参考值的重要程度正相关,本申请对此不做具体限制。
S202:判断初始质量参考值是否小于第一参考值阈值。
具体地,初始质量参考值对应有第一参考值阈值,当初始质量参考值小于第一参考值阈值时进入步骤S202,当初始质量参考值大于或等于第一参考值阈值进入步骤S203。
S203:响应于初始质量参考值小于第一参考值阈值,将初始质量参考值作为目标在当前帧中的第一质量参考值。
具体地,当初始质量参考值小于第一参考值阈值,则判定初始质量参考值较低,进而不再对初始质量参考值进行细化,直接将初始质量参考值作为待处理目标在当前帧中的第一质量参考值,以提高获得质量较低的待处理目标的质量参考值的效率。
S204:响应于初始质量参考值大于或等于第一参考值阈值,基于待处理目标在当前帧中的属性信息,确定目标在当前帧中的第一质量参考值。
具体地,当初始质量参考值大于或等于第一参考值阈值时,则判定初始质量参考值较高,进而对待处理目标的初始质量参考值进行细化,利用神经网络模型对待处理目标进行更加精细的评估得到精细质量参考值,并结合待处理目标的初始质量参考值共同确定待处理目标在当前帧中的第一质量参考值。
在一应用方式中,基于当前帧中待处理目标对应的第一特征信息,获取待处理目标对应的属性信息;生成属性信息对应的属性分类序列,基于属性分类序列的维度确定待处理目标的精细质量参考值。
具体地,基于待处理目标的第一特征信息分类出待处理目标对应的属性信息,根据属性信息的分类结果生成属性分类序列,待处理目标的精细质量参考值与属性分类序列中的维度正相关。上述过程利用公式表示如下:
Sfine,Clist=f(W(I)) (5)
其中,Sfine为精细质量参考值,Clist为多个属性分类结果构成的属性分类序列,I表示当前帧中的待处理目标,W()表示提取出的特征信息,f()表示基于特征信息进行分类的对个全连接层序列,其中,有多少个属性分类结果,就有多少个全连接层,因此,属性分类序列中的维度与全连接层的个数正相关,也即属性分类序列中的维度与不同类型的属性的个数正相关。
在一应用方式中,利用神经网络模型提取待处理目标在当前帧中对应的第一特征信息,并且神经网络模型还用于根据特征信息分类出待处理目标对应的属性信息。其中,神经网络模型经过预先训练,能够对待处理目标进行特征提取并基于特征信息进行属性分类。
可选地,每种类型的待处理目标对应有各自的神经网络模型,在提取到当前帧上的待处理目标之后对待处理目标的类型进行判断,进而基于待处理目标的类型选择对应的神经网络模型。
可以理解的是,当待处理目标在当前帧中能够提取出更多类型的属性信息时,则当前帧中的待处理目标用于目标识别的价值也就越高,因此,精细质量参考值也就越高。
进一步地,获得精细质量参考值与系数的乘积,并将乘积和初始质量参考值之和作为待处理目标在当前帧中的第一质量参考值。上述过程利用公式表示如下:
其中,Ssz为第一质量参考值,Srough为初始质量参考值,N为系数,Sfine为精细质量参考值,当存在多个初始质量参考值大于第一参考值阈值的待处理目标时,比对当前帧与历史帧中同一待处理目标的质量参考值,通过结合视频帧待处理目标的初始质量参考值和精细质量参考值,来获得更精准的质量参考值,便于提高后续进行质量比对的准确性。
在一个实施方式中,系数取值为10,在其他实施方式中也可以设置成其他数值,本申请对此不作具体限制。
S205:确定待处理目标在当前帧中的第一特征信息,从信息库中提取待处理目标对应的第二质量参考值和第二特征信息。
具体地,对于初始质量参考值低于第一参考值阈值的待处理目标利用神经网络模型提取待处理目标在当前帧中的第一特征信息,对于初始质量参考值大于或等于第一参考值阈值的待处理目标直接提取上述步骤中已经提取出的特征信息作为第一特征信息,第二质量参考值是在监控视频流中当前帧之前的历史帧中待处理目标对应的质量参考值的最小值,第二质量参考值和第二特征信息是基于同一历史帧确定的。
S206:对第一特征信息和第二特征信息进行归一化处理,并基于归一化处理后的第一特征信息和第二特征信息,得到特征差值。
具体地,对第一特征信息和第二特征信息进行归一化处理,以使第一特征信息和第二特征信息变成同一维度,提高特征差值的合理性,进而基于归一化处理后的第一特征信息和第二特征信息确定两者之间的差异,得到特征差值。上述过程利用公式表示如下:
其中,D为特征差值,norm()为归一化操作,Fcur为第一特征信息,Fpre为第二特征信息,*表示点乘操作,sum()表示求和操作,sqrt()表示平方根操作。
S207:判断第一质量参考值是否小于第二参考值阈值。
具体地,第一质量参考值对应有第二参考值阈值,当第一质量参考值小于第二参考值阈值时进入步骤S208,当第一质量参考值大于或等于第二参考值阈值进入步骤S209。
S208:响应于第一质量参考值小于第二参考值阈值,基于第一质量参考值与第二质量参考值的大小关系,确定第一特征信息是否添加至信息库。
具体地,当第一质量参考值小于第二参考值阈值时,则判定第一质量参考值较低,比较第一质量参考值与第二质量参考值之间的大小关系,当第一质量参考值小于第二质量参考值时,则将第一特征信息丢弃,当第一质量参考值大于或等于第二质量参考值时,则将第二特征信息从信息库中移除,并将第一特征信息添加至信息库中,在第一质量参考值较低的情况下,用相对质量更高的第一特征信息替换信息库中的第二特征信息。
S209:响应于第一质量参考值大于或等于第二参考值阈值,基于第一质量参考值与第二质量参考值的大小关系以及特征差值与特征差值对应的第一差值阈值的大小关系,确定第一特征信息是否添加至信息库。
具体地,当第一质量参考值大于或等于第二参考值阈值时,则判定第一质量参考值较高,通过综合考虑第一质量参考值和第二质量参考值的大小关系以及特征差值与特征差值对应的第一差值阈值的大小关系,来确定第一特征信息是否添加至信息库,从而挑选出质量更优、差异性更大且更具代表性的特征信息添加至信息库中。
在一应用方式中,当第一质量参考值小于或等于第二质量参考值时,响应于特征差值小于或等于第一差值阈值,或者响应于特征差值大于第一差值阈值且信息库中特征信息的个数超过第一数量阈值,将第一特征信息丢弃;当特征差值大于第一差值阈值且中特征信息的个数未超过第一数量阈值时,将第一特征信息添加至信息库中;当第一质量参考值大于第二质量参考值时,响应于特征差值小于或等于第一差值阈值,或者响应于特征差值大于第一差值阈值且信息库中特征信息的个数超过第一数量阈值,将信息库中第二特征信息移除,并将第一特征信息添加至信息库中。
具体地,假设第一质量参考值为S,第二质量参考值为Smin,特征差值为D,第一差值阈值为Dthresh,第一数量阈值为Nthresh。
在一个实施场景中,当S≤Smin,D≤Dthresh时,或者当S≤Smin,D>Dthresh,且信息库中特征信息的数量超过Nthresh时,将第一特征信息丢弃,以排除掉质量相对较低的特征信息,不添加至信息库中。
在另一实施场景中,当S≤Smin,D>Dthresh,且信息库中特征信息的数量不超过Nthresh时,或者当S>Smin,D>Dthresh且信息库中特征信息的数量不超过Nthresh时,将第一特征信息添加至信息库中,以使信息库中还未存储满时,将与第二特征信息区别较大的第一特征信息添加至信息库中,以提高信息库中不同特征信息之间的差异性,使信息库中的特征信息具有代表性,便于后续进行目标识别。
在又一实施场景中,当S>Smin,D≤Dthresh时,或者,当S>Smin,D>Dthresh,且信息库中特征信息的数量超过Nthresh时,将信息库中第二特征信息移除,并将第一特征信息添加至信息库中,以使第一特征信息与第二特征信息相近时,利用质量更高的第一特征信息替换第二特征信息,以使第一特征信息与第二特征信息区别较大,且信息库中已满时,利用质量更高的第一特征信息替换第二特征信息,从而使得信息库中的特征信息具有更高的质量。
S210:响应于针对待处理目标的识别指令,基于待处理目标的第三特征信息和各个第四特征信息,对待处理目标进行识别。
具体地,响应于针对待处理目标的识别指令,从信息库中提取质量参考值最高的待处理目标对应的特征信息,作为第三特征信息。其中,识别指令在待处理目标从监控视频流中消失后生成。
在一实施场景中,跟踪算法跟踪待处理目标从视频帧中消失,也即当前帧之前的视频帧中存在待处理目标而当前帧不存在待处理目标后,生成针对待处理目标的识别指令。
进一步地,以第三特征信息为主体,与信息库中除第三特征信息之外待处理目标对应的第四特征信息融合,获得融合特征信息,基于融合特征信息,对待处理目标进行识别,获得待处理目标对应的识别结果。
具体地,在第三特征信息的基础上,融合信息库中与第三特征信息具有差异性的第四特征信息,得到融合特征信息,从而加强待处理目标的特征信息,尤其是对于待处理目标在全生命周期中质量均不佳的场景,起到更好的特征信息加强的效果。
进一步地,利用识别模型对融合特征信息进行目标识别,识别模型经过预先训练能够对特征信息中所包含的信息进行识别,得到待处理目标对应的识别结果。
在一个具体应用场景中,待处理目标为行人,识别模型具体为属性分类模型,则属性分类模型基于待处理目标的特征信息至少分析出待处理目标的人种、年龄和性别,其中,年龄为年龄区间段,并且,当特征信息中还包括有待处理目标的面部特征信息时则分析出待处理目标是否面部遮挡,和/或当特征信息中还包括有头部特征信息时则分析出待处理目标是否头顶遮挡,和/或当特征信息中还包括有躯干特征信息时则分析出待处理目标的着装。可以理解的是,基于特征信息还可以分析出其他维度的属性,在此不一一列举。
在本实施例中,在获得待处理目标在当前帧中的第一质量参考值和第一特征信息,以及待处理目标在历史帧中同一待处理目标对应的第二质量参考值和第二特征信息后,综合考虑第一质量参考值和第二质量参考值的大小关系以及特征差值与特征差值对应的第一差值阈值的大小关系,来确定第一特征信息是否添加至信息库,从而挑选出质量更优、差异性更大且更具代表性的特征信息添加至信息库中,将质量最高的待处理目标对应的第三特征信息与信息库中第四特征信息融合后进行属性分类,尤其是待处理目标在全生命周期中质量均不佳时,能够大大提高对待处理目标进行目标识别的准确性。
请参阅图3,图3是本申请目标识别装置一实施方式的结构示意图,该目标识别装置30包括:选择模块300和识别模块302,选择模块300用于获取实时的监控视频流中的当前帧后,基于当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的待处理目标对应的第二质量参考值和第二特征信息,确定是否将第一特征信息添加至信息库;第二质量参考值是在监控视频流中当前帧之前的历史帧中待处理目标对应的质量参考值的最小值,第二质量参考值和第二特征信息是基于同一历史帧确定的;识别模块302用于响应针对待处理目标的识别指令,基于待处理目标的第三特征信息和各个第四特征信息,对待处理目标进行识别;第三特征信息是信息库中质量参考值最高的待处理目标对应的特征信息;第四特征信息是信息库中除第三特征信息之外的待处理目标的特征信息。
上述方案,选择模块300在获得实时的监控视频流中的当前帧后,基于当前帧中待处理目标对应的第一质量参考值和第一特征信息,和信息库中待处理目标对应的第二质量参考值和第二特征信息,其中,第二质量参考值是历史帧中待处理目标对应的质量参考值的最小值,第二质量参考值和第二特征信息是基于同一历史帧确定的。故此,选择模块300可以选择质量更高的特征信息添加至信息库,也可以用质量参考值更高的待处理目标对应的特征信息替换质量分数较低的待处理目标对应的特征信息,还可以将区别较大的特征信息添加至信息库中,以使信息库中的特征信息相对质量更高且具有一定差异性和代表性,当获得针对待处理目标的识别指令后,识别模块302基于待处理目标的第三特征信息和各个第四特征信息,对待处理目标进行识别,其中,第三特征信息是信息库中质量参考值最高的待处理目标对应的特征信息也就是质量最佳的特征信息,第四特征信息是信息库中除第三特征信息之外的待处理目标的特征信息,且第四特征信息具有一定差异性和代表性,从而基于第三特征信息和第四特征信息来对待处理目标进行识别能够获得更加准确的识别结果,提高视频帧中的目标进行目标识别的准确性。
请参阅图4,图4是本申请电子设备一实施方式的结构示意图,该电子设备40包括相互耦接的存储器401和处理器402,其中,存储器401存储有程序数据(图未示),处理器402调用程序数据以实现上述任一实施例中的目标识别方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
请参阅图5,图5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50存储有程序数据500,该程序数据500被处理器执行时实现上述任一实施例中的目标识别方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
需要说明的是,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。
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 (11)
1.一种目标识别方法,其特征在于,所述方法包括:
获取实时的监控视频流中的当前帧后,基于所述当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的所述待处理目标对应的第二质量参考值和第二特征信息,确定是否将所述第一特征信息添加至所述信息库;所述第二质量参考值是在所述监控视频流中所述当前帧之前的历史帧中所述待处理目标对应的质量参考值的最小值,所述第二质量参考值和所述第二特征信息是基于同一历史帧确定的;
响应于针对所述待处理目标的识别指令,基于所述待处理目标的第三特征信息和各个第四特征信息,对所述待处理目标进行识别;所述第三特征信息是所述信息库中质量参考值最高的所述待处理目标对应的特征信息;所述第四特征信息是所述信息库中除所述第三特征信息之外的所述待处理目标的特征信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的所述待处理目标对应的第二质量参考值和第二特征信息,确定是否将所述第一特征信息添加至所述信息库的步骤之前,包括:
基于所述待处理目标在所述当前帧中的尺寸参考值、高宽比参考值和完整度参考值中的至少一个信息,确定所述待处理目标的初始质量参考值;
响应于所述初始质量参考值小于第一参考值阈值,将所述初始质量参考值作为所述目标在所述当前帧中的第一质量参考值;或者,
响应于所述初始质量参考值大于或等于所述第一参考值阈值,基于所述待处理目标在所述当前帧中的属性信息,确定所述目标在所述当前帧中的第一质量参考值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述待处理目标在所述当前帧中的尺寸参考值、高宽比参考值和完整度参考值中的至少一个信息,确定所述待处理目标的初始质量参考值的步骤,包括:
基于所述待处理目标的高度及其对应的高度阈值,确定所述待处理目标在当前帧中的尺寸参考值;以及
基于所述待处理目标的高度与宽度的高宽比及其对应的比值阈值,确定所述待处理目标在所述当前帧中的高宽比参考值;以及
基于所述待处理目标的不同部位的完整程度,确定所述待处理目标在所述当前帧中的完整度参考值;
基于所述尺寸参考值、所述高宽比参考值和所述完整度参考值,确定得到所述初始质量参考值。
4.根据权利要求3所述的方法,其特征在于,
所述基于所述待处理目标的高度及其对应的高度阈值,确定所述待处理目标在当前帧中的尺寸参考值的步骤,包括:
响应于所述待处理目标的高度大于或等于所述高度阈值,所述尺寸参考值置为1;或者,
响应于所述待处理目标的高度小于所述高度阈值,所述尺寸参考值置为所述高度与所述高度阈值的比值;
所述基于所述待处理目标的高度与宽度的高宽比及其对应的比值阈值,确定所述待处理目标在所述当前帧中的高宽比参考值的步骤,包括:
响应于所述待处理目标的高宽比在所述比值阈值的上限值和下限值之间,所述高宽比参考值置为1;或者,
响应于所述待处理目标的高宽比大于所述比值阈值的上限值或小于所述比值阈值的下限值,所述高宽比参考值置为所述待处理目标的高度与宽度比值和所述待处理目标的宽度与高度的比值中的最小值;
所述基于所述待处理目标的不同部位的完整程度,确定所述待处理目标在所述当前帧中的完整度参考值的步骤,包括:
对所述待处理目标的不同部位进行加权求和,获得所述待处理目标在所述当前帧中的完整度参考值,其中,所述待处理目标的部位若存在则对应部位用于加权求和的数值为1,否则数值为0,且所述不同部位对应的权重值的和为1。
5.根据权利要求2所述的方法,其特征在于,所述基于所述待处理目标在所述当前帧中的属性信息,确定所述目标在所述当前帧中的第一质量参考值的步骤,包括:
基于所述当前帧中待处理目标对应的第一特征信息,获取所述待处理目标对应的属性信息;
生成所述属性信息对应的属性分类序列,基于所述属性分类序列的维度确定所述待处理目标的精细质量参考值;
获得所述精细质量参考值与系数的乘积,并将所述乘积和所述初始质量参考值之和作为所述待处理目标在所述当前帧中的第一质量参考值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的所述待处理目标对应的第二质量参考值和第二特征信息,确定是否将所述第一特征信息添加至所述信息库的步骤,包括:
对所述第一特征信息和所述第二特征信息进行归一化处理,并基于归一化处理后的所述第一特征信息和所述第二特征信息,得到特征差值;
响应于所述第一质量参考值小于第二参考值阈值,基于所述第一质量参考值与所述第二质量参考值的大小关系,确定所述第一特征信息是否添加至所述信息库;或者,
响应于所述第一质量参考值大于或等于第二参考值阈值,基于所述第一质量参考值与所述第二质量参考值的大小关系以及所述特征差值与所述特征差值对应的第一差值阈值的大小关系,确定所述第一特征信息是否添加至所述信息库。
7.根据权利要求6所述的方法,其特征在于,所述基于所述第一质量参考值与所述第二质量参考值的大小关系以及所述特征差值与所述特征差值对应的第一差值阈值的大小关系,确定所述第一特征信息是否添加至所述信息库的步骤,包括:
当所述第一质量参考值小于或等于所述第二质量参考值时,响应于所述特征差值小于或等于所述第一差值阈值,或者响应于所述特征差值大于所述第一差值阈值且所述信息库中特征信息的个数超过第一数量阈值,将所述第一特征信息丢弃;
当所述特征差值大于所述第一差值阈值且所述中特征信息的个数未超过第一数量阈值时,将所述第一特征信息添加至所述信息库中;
当所述第一质量参考值大于所述第二质量参考值时,响应于所述特征差值小于或等于所述第一差值阈值,或者响应于所述特征差值大于所述第一差值阈值且所述信息库中特征信息的个数超过第一数量阈值,将所述信息库中所述第二特征信息移除,并将所述第一特征信息添加至所述信息库中。
8.根据权利要求1所述的方法,其特征在于,所述响应于针对所述待处理目标的识别指令,基于所述待处理目标的第三特征信息和各个第四特征信息,对所述待处理目标进行识别的步骤,包括:
响应于针对所述待处理目标的识别指令,从所述信息库中提取质量参考值最高的所述待处理目标对应的特征信息,作为所述第三特征信息;所述识别指令在所述待处理目标从所述监控视频流中消失后生成;
以所述第三特征信息为主体,与所述信息库中除所述第三特征信息之外所述待处理目标对应的所述第四特征信息融合,获得融合特征信息;
基于所述融合特征信息,对所述待处理目标进行识别,获得所述待处理目标对应的识别结果。
9.一种目标识别装置,其特征在于,包括:
选择模块,用于获取实时的监控视频流中的当前帧后,基于所述当前帧中待处理目标对应的第一质量参考值和第一特征信息,以及信息库中包含的所述待处理目标对应的第二质量参考值和第二特征信息,确定是否将所述第一特征信息添加至所述信息库;所述第二质量参考值是在所述监控视频流中所述当前帧之前的历史帧中所述待处理目标对应的质量参考值的最小值,所述第二质量参考值和所述第二特征信息是基于同一历史帧确定的;
识别模块,用于响应针对所述待处理目标的识别指令,基于所述待处理目标的第三特征信息和各个第四特征信息,对所述待处理目标进行识别;所述第三特征信息是所述信息库中质量参考值最高的所述待处理目标对应的特征信息;所述第四特征信息是所述信息库中除所述第三特征信息之外的所述待处理目标的特征信息。
10.一种电子设备,其特征在于,包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有程序数据,其特征在于,所述程序数据被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897228.5A CN113723209A (zh) | 2021-08-05 | 2021-08-05 | 目标识别方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897228.5A CN113723209A (zh) | 2021-08-05 | 2021-08-05 | 目标识别方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723209A true CN113723209A (zh) | 2021-11-30 |
Family
ID=78674927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110897228.5A Pending CN113723209A (zh) | 2021-08-05 | 2021-08-05 | 目标识别方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723209A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100725A (zh) * | 2022-08-23 | 2022-09-23 | 浙江大华技术股份有限公司 | 目标识别方法、目标识别装置以及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114068A1 (en) * | 2016-10-24 | 2018-04-26 | Accenture Global Solutions Limited | Processing an image to identify a metric associated with the image and/or to determine a value for the metric |
CN110490078A (zh) * | 2019-07-18 | 2019-11-22 | 平安科技(深圳)有限公司 | 监控视频处理方法、装置、计算机设备和存储介质 |
CN110765913A (zh) * | 2019-10-15 | 2020-02-07 | 浙江大华技术股份有限公司 | 基于多评价指标的人体目标优选方法、装置及存储介质 |
US20200258242A1 (en) * | 2018-03-06 | 2020-08-13 | Beijing Sensetime Technology Development Co., Ltd. | Target tracking method and apparatus, and storage medium |
CN111935479A (zh) * | 2020-07-30 | 2020-11-13 | 浙江大华技术股份有限公司 | 一种目标图像确定方法、装置、计算机设备及存储介质 |
CN112488071A (zh) * | 2020-12-21 | 2021-03-12 | 重庆紫光华山智安科技有限公司 | 提取行人特征的方法、装置、电子设备和存储介质 |
CN112507953A (zh) * | 2020-12-21 | 2021-03-16 | 重庆紫光华山智安科技有限公司 | 一种目标搜索及追踪方法和装置及设备 |
CN113139428A (zh) * | 2021-03-16 | 2021-07-20 | 西安天和防务技术股份有限公司 | 目标识别方法、边缘设备、边防监控系统及可读存储介质 |
-
2021
- 2021-08-05 CN CN202110897228.5A patent/CN113723209A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114068A1 (en) * | 2016-10-24 | 2018-04-26 | Accenture Global Solutions Limited | Processing an image to identify a metric associated with the image and/or to determine a value for the metric |
US20200258242A1 (en) * | 2018-03-06 | 2020-08-13 | Beijing Sensetime Technology Development Co., Ltd. | Target tracking method and apparatus, and storage medium |
CN110490078A (zh) * | 2019-07-18 | 2019-11-22 | 平安科技(深圳)有限公司 | 监控视频处理方法、装置、计算机设备和存储介质 |
CN110765913A (zh) * | 2019-10-15 | 2020-02-07 | 浙江大华技术股份有限公司 | 基于多评价指标的人体目标优选方法、装置及存储介质 |
CN111935479A (zh) * | 2020-07-30 | 2020-11-13 | 浙江大华技术股份有限公司 | 一种目标图像确定方法、装置、计算机设备及存储介质 |
CN112488071A (zh) * | 2020-12-21 | 2021-03-12 | 重庆紫光华山智安科技有限公司 | 提取行人特征的方法、装置、电子设备和存储介质 |
CN112507953A (zh) * | 2020-12-21 | 2021-03-16 | 重庆紫光华山智安科技有限公司 | 一种目标搜索及追踪方法和装置及设备 |
CN113139428A (zh) * | 2021-03-16 | 2021-07-20 | 西安天和防务技术股份有限公司 | 目标识别方法、边缘设备、边防监控系统及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
张静;王文杰;: "基于多信息融合的多目标跟踪方法研究", 计算机测量与控制, no. 09, 25 September 2020 (2020-09-25), pages 239 - 243 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100725A (zh) * | 2022-08-23 | 2022-09-23 | 浙江大华技术股份有限公司 | 目标识别方法、目标识别装置以及计算机存储介质 |
CN115100725B (zh) * | 2022-08-23 | 2022-11-22 | 浙江大华技术股份有限公司 | 目标识别方法、目标识别装置以及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1542155B1 (en) | Object detection | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
JP2008152789A (ja) | 顔映像の類似度の算出方法及び装置とこれを利用した顔映像の検索方法及び装置、並びに顔合成方法 | |
CN114581491B (zh) | 一种行人轨迹跟踪方法、系统及相关装置 | |
GB2409030A (en) | Face detection | |
EP1542154A2 (en) | Object detection | |
GB2409031A (en) | Face detection | |
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 | |
CN111814846B (zh) | 属性识别模型的训练方法、识别方法及相关设备 | |
CN115440196A (zh) | 基于用户面部表情的语音识别方法、装置、介质及设备 | |
CN113723209A (zh) | 目标识别方法、装置、电子设备和计算机可读存储介质 | |
CN113033523B (zh) | 跌倒判断模型的构建方法及系统、跌倒判断方法及系统 | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN111738059B (zh) | 一种面向无感场景的人脸识别方法 | |
JP4496005B2 (ja) | 画像処理方法および画像処理装置 | |
CN116091781B (zh) | 一种用于图像识别的数据处理方法及装置 | |
CN112926616A (zh) | 图像匹配方法和装置、电子设备、计算机可读存储介质 | |
CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
CN114220045A (zh) | 对象识别方法、装置及计算机可读存储介质 | |
CN113255549B (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
CN115457595A (zh) | 人脸与人体的关联方法、电子设备以及存储介质 | |
CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN114445787A (zh) | 非机动车重识别方法及相关设备 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN111859022A (zh) | 封面生成方法、电子设备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 |