CN113918510A - 图片归档方法、装置、终端设备及计算机可读存储介质 - Google Patents
图片归档方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113918510A CN113918510A CN202111139012.9A CN202111139012A CN113918510A CN 113918510 A CN113918510 A CN 113918510A CN 202111139012 A CN202111139012 A CN 202111139012A CN 113918510 A CN113918510 A CN 113918510A
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- pictures
- human body
- file
- 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
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
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
- G06F16/113—Details of archiving
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种图片归档方法、装置、终端设备及计算机可读存储介质,包括:获取多张待归档图片,每张待归档图片中包括人脸和/或人体;若待归档图片中包括人脸,则提取待归档图片中的人脸特征信息;若待归档图片中包括人体,则提取待归档图片中的人体特征信息;根据人脸特征信息对多张待归档图片进行归档,得到至少一个人脸档案;根据人体特征信息对多张待归档图片进行归档,得到至少一个人体档案;根据待归档图片所属的轨迹信息对至少一个人脸档案和至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案。通过上述方法,能够有效提高图片归档结果的可靠性。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种图片归档方法、装置、终端设备及计算机可读存储介质。
背景技术
图片归档是指,将拍摄装置采集的抓拍图片分类成多个档案的过程。图片归档的目标是,归档后的每个档案中的图片包括相同的拍摄对象。图片归档被广泛应用于身份识别、轨迹追踪等领域。例如,在对多个目标人物进行轨迹追踪时,对多张抓拍图片进行归档,归档后的每个档案中的图片包括相同的目标人物。
现有的图片归档方法,通常是提取抓拍图片中人物的人脸特征信息,根据人脸特征信息计算两张抓拍图片之间的相似度,根据相似度的大小确定是否将两张抓拍图片归纳到同一档案中。当人脸拍摄角度发生变化、或者人脸特征模糊时,计算出的相似度的可靠性较低,导致图片归档效果较差。
发明内容
本申请实施例提供了一种图片归档方法、装置、终端设备及计算机可读存储介质,可以有效提高图片归档结果的可靠性。
第一方面,本申请实施例提供了一种图片归档方法,包括:
获取多张待归档图片,每张待归档图片中包括人脸和/或人体;
若所述待归档图片中包括人脸,则提取所述待归档图片中的人脸特征信息;
若所述待归档图片中包括人体,则提取所述待归档图片中的人体特征信息;
根据所述人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案;
根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案;
根据所述待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,其中,属于同一组轨迹信息的两张待归档图片中包含相同的拍摄对象。
本申请实施例中,通过对待归档图片分别提取人脸特征信息和人体特征信息,并根据人脸特征信息和人体特征信息分别对待归档图片进行归档,得到人脸档案和人体档案;最后再根据待归档图片的轨迹信息将人脸档案和人体档案进行匹配。通过上述方法,在人脸特征信息的基础上,考虑了人体特征信息,增加了特征信息的维度,避免了因单一维度的特征信息的不准确导致的相似度的不准确,有效提高了图片归档结果的可靠性;并且利用待归档图片的轨迹信息将人脸档案和人体档案进行匹配,将相匹配的人脸档案和人体档案进行合并,由于考虑了轨迹信息,进一步增加了归档结果的可靠性。
在第一方面的一种可能的实现方式中,所述根据所述人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案,包括:
计算多张人脸图片各自的图像质量值,其中,所述人脸图片为包括人脸的待归档图片;
根据所述图像质量值和所述人脸特征信息计算每两张所述人脸图片之间的人脸融合相似度;
根据所述人脸融合相似度对所述多张人脸图片进行归档,得到所述至少一个人脸档案。
在第一方面的一种可能的实现方式中,所述计算所述多张人脸图片各自的图像质量值,包括:
对于每张人脸图片,获取所述人脸图片的多个图像质量参数各自的参数值;
将所述参数值加权求和,得到所述人脸图片的图像质量值。
在第一方面的一种可能的实现方式中,所述根据所述图像质量值和所述人脸特征信息计算每两张所述人脸图片之间的人脸融合相似度,包括:
根据所述人脸特征信息计算每两张所述人脸图片之间的人脸特征相似度;
根据所述图像质量值将所述多张人脸图片划分为多个图片组;
获取预设的系数矩阵,所述系数矩阵包括每两张所述人脸图片各自所属的图片组之间的权重系数;
根据每两张所述人脸图片之间的所述人脸特征相似度和所述权重系数计算每两张所述人脸图片之间的人脸融合相似度。
在第一方面的一种可能的实现方式中,所述根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案,包括:
根据所述人体特征信息计算每两张人体图片之间的人体特征相似度,其中,所述人体图片为包括人体的待归档图片;
计算每两张所述人体图片之间的时空相似度;
根据所述人体特征相似度和所述时空相似度计算每两张所述人体图片之间的人体融合相似度;
根据所述人体融合相似度对所述多张人体图片进行归档,得到所述至少一个人体档案。
在第一方面的一种可能的实现方式中,所述计算每两张所述人体图片之间的时空相似度,包括:
计算每两张所述人体图片各自对应的拍摄装置之间的实际距离;
计算每两张所述人体图片各自的拍摄时间之间的时间相似度;
根据所述实际距离和所述时间相似度计算每两张所述人体图片之间的所述时空相似度。
在第一方面的一种可能的实现方式中,所述根据所述待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,包括:
对于任意一个所述人体档案,分别计算所述人体档案与每个所述人脸档案之间的匹配值,其中,所述匹配值表示所述人体档案中属于所述人脸档案对应的所述轨迹信息的人脸图片的数量;
将最大的所述匹配值对应的所述人脸档案和所述人体档案合并为一个档案。
第二方面,本申请实施例提供了一种图片归档装置,包括:
图片获取单元,用于获取多张待归档图片,每张待归档图片中包括人脸和/或人体;
第一提取单元,用于若所述待归档图片中包括人脸,则提取所述待归档图片中的人脸特征信息;
第二提取单元,用于若所述待归档图片中包括人体,则提取所述待归档图片中的人体特征信息;
人脸归档单元,用于根据所述多张人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案;
人体归档单元,用于根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案;
图片归档单元,用于根据所述待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,其中,属于同一组轨迹信息的两张待归档图片中包含相同的拍摄对象。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的图片归档方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,本申请实施例提供了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,其特征在于,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的图片归档方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的图片归档方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的图片归档方法的流程示意图;
图2是本申请实施例提供的人脸角度的示意图;
图3是本申请实施例提供的拍摄装置的位置示意图;
图4是本申请实施例提供的图片归档流程的示意图;
图5是本申请实施例提供图片归档装置的结构示意图;
图6是本申请实施例提供终端设备的结构示意图。
具体实施方式
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、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样,术语“若”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
参见图1,是本申请实施例提供的图片归档方法的流程示意图,作为示例而非限定,所述方法可以包括以下步骤:
S101,获取多张待归档图片,每张待归档图片中包括人脸和/或人体。
本申请实施例中,多张待归档图片可以由不同的拍摄装置拍摄,也可以由相同的拍摄装置拍摄。
示例性的,在一个应用场景中,商场内安装有10个摄像头,每个摄像头拍摄出100张抓拍图片,这10个摄像头共拍摄出1000张抓拍图片。这1000张抓拍图片中有些图片只包括人脸部分,有些图片只包括人体部分,有些图片包括整个人物(既包括人脸部分、又包括人体部分)。这1000张抓拍图片即构成了多张待归档图片。本申请后续实施例中,将包括人脸部分的待归档图片记为人脸图片,将包括人体部分的待归档图片记为人体图片。
为了后续能够精准地提取特征信息,还可以将包括整个人物的图片分割为只包括人脸部分的人脸图片和只包括人体部分的人体图片,后续对分割后的人脸图片和人体图片分别进行特征提取。
实际应用中,可以人工分拣待归档图片,将待归档图片人工划分为人脸图片和人体图片,或将整个人物图片人工分割为人脸图片和人体图片。还可以利用训练好的识别模型对待归档图片进行分拣,在此不做具体限定。
S102,若待归档图片中包括人脸,则提取待归档图片中的人脸特征信息。
S103,若待归档图片中包括人体,则提取待归档图片中的人体特征信息。
本申请实施例中,可以利用现有的图像特征提取方法提取人脸特征信息和人体特征信息。例如,利用训练后的神经网络模型提取特征信息、利用尺度不变特征变化方法提取特征信息、利用方向梯度直方图提取特征信息等,在此不做具体限定。
需要说明的是,当某一张待归档图片既包括人脸、又包括人体时,该待归档图片既为人脸图片、又为人体图片,需要对该待归档图片分别提取人脸特征信息和人体特征信息。
S104,根据人脸特征信息对多张待归档图片进行归档,得到至少一个人脸档案。
S104步骤相当于对待归档图片中的人脸图片进行归档。在一个实施例中,对人脸图片进行归档的步骤包括:
计算每两张人脸图片各自的人脸特征信息之间的人脸特征相似度;若人脸特征相似度大于第一预设阈值,则将该两张人脸图片归纳到同一个人脸档案。
其中,可以利用欧式距离、马氏距离等距离计算方法计算两张人脸图片各自的人脸特征信息之间的距离,然后用预设数值减去距离得到人脸特征相似度。还可以利用余弦相似度、皮尔斯相关系数和杰卡德相似系数等相似度计算方法计算两张人脸图片各自的人脸特征信息之间的人脸特征相似度。本申请中不对人脸特征相似度的计算方法做具体限定。
实际应用中,经常会出现拍摄出的人脸图片是侧脸。由于侧脸包含的人脸特征信息比正脸包含的人脸特征信息少,因而两张侧脸图片之间的人脸特征相似度可能大于两张正脸图片之间的人脸特征相似度。这种情况下计算出的人脸特征相似度是不准确的。
为了解决上述问题,在一个实施例中,对人脸图片进行归档的步骤包括:
计算多张人脸图片各自的图像质量值;根据图像质量值和人脸特征信息计算每两张人脸图片之间的人脸融合相似度;根据人脸融合相似度对多张人脸图片进行归档,得到至少一个人脸档案。
人脸图片通常存在多种状态,包括角度、图片大小、是否佩戴口罩以及图片清晰度等。将人脸图片的每种状态作为一个用于评估图像质量的质量参数,统计每个质量参数的参数值,然后根据参数值计算人脸图片的图像质量值。
以角度为例,参见图2,是本申请实施例提供的人脸角度的示意图。如图2所示,人脸角度包括roll、pitch和yaw三种角度。其中,roll表示沿着头部从前向后的轴向旋转的角度,pitch表示沿着头部从左到右的轴向旋转的角度,yaw表示沿着头部从下到上的轴向旋转的角度。这三种角度可以表示人脸的相对于拍摄装置的旋转角度。
可选的,图像质量值的计算方式包括:
对于每张人脸图片,获取人脸图片的多个图像质量参数各自的参数值;将参数值加权求和,得到人脸图片的图像质量值。
以上述图2实施例所述的角度为例,可以将roll、pitch和yaw三个角度值分别作为一个参数值。对于图片大小,可以将图片的长和宽分别作为一个参数值;还可以将图片的面积作为一个参数值。对于是否佩戴口罩,可以为佩戴口罩和未佩戴口罩的情况分别设置参数值,例如,将佩戴口罩的情况的参数值设置为1,未佩戴口罩的情况的参数值设置为0。对于图片清晰度,可以将图片的分辨率作为一个参数值。需要说明的是,除本申请实施例中列举的几种质量参数外,还可以选用其他对图片质量产生影响的质量参数,在此不做具体限定。
所述人脸图片的角度值可由现有的人脸角度识别模型进行识别得到,在此不做具体限定。所述人脸佩戴口罩的情况可由现有的人脸口罩识别模型进行识别得到,在此不做具体限定。
某个质量参数对图像质量的影响越大,其对应的权重越大。例如:图片中人脸的角度对图像质量影响较大,而图片的大小对图像质量的影响较小,那么增加角度对应的权重,减少图片大小对应的权重。
为了提高图像质量值的计算精度,可以不断地对权重进行学习。例如,利用图片之间的特征相似度和每张图片的多个质量参数的参数值对权重进行学习。
通过上述方法,将影响人脸图片的图片质量的各种因素考虑到人脸特征相似度的计算中,有效提高了人脸相似度的准确度。
基于上述对图像质量值的描述,可选的,人脸融合相似度的计算方式可以包括:将每两张人脸图片之间的人脸特征相似度、以及每两张人脸图片各自的图像质量值加权求和,得到每两张人脸图片之间的人脸融合相似度。
可选的,人脸融合相似度的另一种计算方式包括:
根据人脸特征信息计算每两张人脸图片之间的人脸特征相似度;根据图像质量值将多张人脸图片划分为多个图片组;获取预设的系数矩阵,系数矩阵包括每两张人脸图片各自所属的图片组之间的权重系数;根据每两张人脸图片之间的人脸特征相似度和权重系数计算每两张人脸图片之间的人脸融合相似度。
图片组的划分方式可以为:预先设定图像质量值的划分范围;将属于划分范围内的图像质量值对应的人脸图片划分为一个图片组。
示例性的,假设图像质量值的划分范围为0~50、50~80和80~100。人脸图片A、B、C、D的图像质量值分别为30、60、70和90。人脸图片A属于第一个图片组,人脸图片B和C属于第二个图片组,人脸图片D属于第三个图片组。需要说明的是,上述只是图片组划分的示例,并不对图像质量值的划分范围做具体限定。
本申请实施例中,系数矩阵可以是预先人为设定的,也可以是根据实际经验计算出的,还可以随着实际应用过程不断调整。
本申请实施例中,可以将人脸相似度和权重系数相乘,以获得人脸融合相似度。示例性的,假设有A、B、C三张人脸图片,A、B、C的图片质量值分别为40、70、90。根据图片质量值将三张人脸图片分为两个图片组,具体的,将图片质量值大于50的人脸图片分到一个图片组(高质量图片组),将图片质量值小于50的人脸图片分到一个图片组(低质量图片组)。即A属于低质量图片组,B和C属于高质量图片组。预设的系数矩阵中,高质量图片组和低质量图片组之间的权重系数为0.9,高质量图片组和高质量图片组之间的权重系数为0.4,低质量图片组和低质量图片组之间的权重系数为0.5。
计算A和B之间的人脸融合相似度:计算A和B之间的人脸特征相似度;A所属的低质量图片组和B所属的高质量图片组之间的权重系数为0.9;将A和B之间的人脸特征相似度乘以0.9,得到A和B之间的人脸融合相似度。
计算A和C之间的人脸融合相似度:计算A和B之间的人脸特征相似度;A所属的低质量图片组和C所属的高质量图片组之间的权重系数为0.9;将A和C之间的人脸特征相似度乘以0.9,得到A和C之间的人脸融合相似度。
计算B和C之间的人脸融合相似度:计算B和C之间的人脸特征相似度;B所属的高质量图片组和C所属的高质量图片组之间的权重系数为0.4;将B和C之间的人脸特征相似度乘以0.4,得到B和C之间的人脸融合相似度。
由上述示例可以看出,通过对各个图像质量值的区间内的人脸特征相似度分别进行修正,使得各个不同质量区间的人脸特征相似度的度量得以统一。这样,即可利用统一的阈值对人脸图片进行归档,避免了由于特征相似度的度量不统一而导致的归档结果的不合理。
S105,根据人体特征信息对多张待归档图片进行归档,得到至少一个人体档案。
S105步骤相当于对待归档图片中的人体图片进行归档。在一个实施例中,对人体图片归档的步骤包括:
计算每两张人体图片各自的人体特征信息之间的人体特征相似度;若人体特征相似度大于第二预设阈值,则将该两张人体图片归纳到同一个人体档案。
实际应用中,可能存在两个人物穿了相似的服装,这将会导致两张人体图片之间的人体特征相似度较高,导致最后的归档结果不准确。
为了解决上述问题,在一个实施例中,对人体图片归档的步骤包括:
根据人体特征信息计算每两张人体图片之间的人体特征相似度;计算每两张人体图片之间的时空相似度;根据人体特征相似度和时空相似度计算每两张人体图片之间的人体融合相似度;根据人体融合相似度对多张人体图片进行归档,得到至少一个人体档案。
其中,时空相似度包括时间信息上的相似度和空间信息上的相似度。本申请实施例中的时间可以指拍摄装置对目标对象进行抓拍、获得人体图片的时间。由于实际场景中可能存在多个拍摄装置,不同拍摄装置的安装位置不同,导致不同拍摄装置之间存在实际距离。而这个实际距离即构成了空间信息。
示例性的,参见图3,是本申请实施例提供的拍摄装置的位置示意图。如图3所示,获取摄像头A和摄像头B的位置点,其中,摄像头A的位置点为摄像头A的视野中心与所照射道路的中线的交点O1,摄像头B的位置点为摄像头B的视野中心与所照射道路的中心的交点O2。摄像头A和B之间的实际距离为由O1到O2之间的实际距离(如图3所示的线段O1M、MN和NO2)。
可选的,时空相似度的计算方式包括:
计算每两张人体图片各自对应的拍摄装置之间的实际距离;计算每两张人体图片各自的拍摄时间之间的时间相似度;根据实际距离和时间相似度计算每两张人体图片之间的时空相似度。
计算实际距离的方法,可以为:确定两个拍摄装置在应用场景地图中的位置点,确定应用场景地图中两个位置点之间的路径,计算该路径的实际长度,将该实际长度确定为实际距离。
计算时间相似度的方法,可以为:将每两张人体图片各自的拍摄时间相乘,得到每两张人体图片之间的时间相似度。还可以为:计算每两张人体图片各自的拍摄时间之间的相似度,得到时间相似度。例如,计算两个拍摄时间之间的差值,将该差值作为时间相似度;还可以计算两个拍摄时间之间的余弦相似度,将该余弦相似度作为时间相似度。当然,还可以采用其他相似度计算方法,如欧式距离、马氏距离等,在此不做具体限定。
可选的,根据实际距离和时间相似度计算两张人体图片之间的时空相似度的一种实现方式可以为:将计算出的实际距离进行归一化处理,将距离缩减到0-1之间,然后用1减去归一化后的距离,得到空间相似度;然后将每两张人体图片之间的空间相似度和时间相似度相乘,得到每两张人体图片之间的时空相似度。
根据人体特征相似度和时空相似度计算每两张人体图片之间的人体融合相似度的一种实现方式为:将每两张人体图片之间的人体特征相似度和时空相似度相乘,得到每两张人体图片之间的人体融合相似度。
进一步的,根据人体融合相似度对多张人体图片进行归档,得到至少一个人体档案,包括:若两张人体图片之间的人体融合相似度大于第二预设阈值,则将该两张人体图片归纳到同一个人体档案。
在S104和S105之后,还可以利用社区图切方法(如infomap、louvain算法等)进行后处理,以提升归档的准确度。
S106,根据待归档图片所属的轨迹信息对至少一个人脸档案和至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案。
在一个实施例中,人脸档案和人体档案匹配的实现方式包括:
对于任意一个人体档案,分别计算人体档案与每个人脸档案之间的匹配值,将最大的匹配值对应的人脸档案和人体档案合并为一个档案。
其中,匹配值表示人体档案中属于人脸档案对应的轨迹信息的人脸图片的数量。
可选的,也可以将较大的N个匹配值对应的人脸档案和人体档案合并为一个档案。实际应用中,可以根据归档的精确度确定N值的大小。N值越大,归档精度越低;N值越小,归档精度越高。
本申请实施例中,在对人体档案和人脸档案进行匹配时,可以利用轨迹信息。在单个拍摄装置下对同一拍摄对象拍摄得到的多张抓拍图片属于同一组轨迹信息。所述轨迹信息可利用现有的轨迹跟踪技术识别得到,在此不做限定。
实际应用中,一个拍摄装置可以利用跟踪算法对某一个拍摄对象进行跟踪拍摄。在跟踪拍摄过程中,获得多张抓拍图片,这些抓拍图片构成了一组轨迹信息。一组轨迹信息的多张抓拍图片中可能包括人脸图片和人体图片。属于同一组轨迹信息的人脸图片和人体图片为相匹配的图片。
示例性的,将人体档案A与每个人脸档案进行匹配。假设共有两个人脸档案B和C,其中,人体档案A中包括10张人体图片,人脸档案B和C中各包括10张人脸图片。人体档案A中有8张人体图片与人脸档案B中的8张人脸图片相匹配,即A中有8张人体图片属于B对应的轨迹信息,A与B之间的匹配值为8;人体档案A中有3张人体图片与人脸档案C中的3张人脸图片相匹配,即A中有3张人体图片属于C对应的轨迹信息,A与C之间的匹配值为3。将最大的匹配值(即8)对应的人脸档案和人体档案A合并为一个档案,即将匹配值8对应的人脸档案B与人体档案A合并为一个档案。
参见图4,是本申请实施例提供的图片归档流程的示意图。如图4所示,根据图片质量和人脸图片特征(即人脸特征信息)得到人脸融合相似度,根据人脸融合相似度对人脸图片进行归档,得到人脸档案。根据时空相似度和人体图片特征(即人体特征信息)得到人体融合相似度,根据人体融合相似度对人体图片进行归档,得到人体档案。最后根据轨迹信息对人脸档案和人体档案进行聚档处理。
通过上述方法,在人脸特征信息的基础上,考虑了人体特征信息;并且在人脸归档时考虑了图片质量、在人体归档时考虑了时空信息,增加了特征信息的维度,避免了因单一维度的特征信息的不准确导致的相似度的不准确,有效提高了图片归档结果的可靠性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的图片归档方法,图5是本申请实施例提供的图片归档装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,该装置包括:
图片获取单元51,用于获取多张待归档图片,每张待归档图片中包括人脸和/或人体。
第一提取单元52,用于若所述待归档图片中包括人脸,则提取所述待归档图片中的人脸特征信息。
第二提取单元53,用于若所述待归档图片中包括人体,则提取所述待归档图片中的人体特征信息。
人脸归档单元54,用于根据所述人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案。
人体归档单元55,用于根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案。
图片归档单元56,用于根据待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,其中,属于同一组轨迹信息的两张待归档图片中包含相同的拍摄对象。
可选的,人脸归档单元54还用于:
计算多张人脸图片各自的图像质量值,其中,所述人脸图片为包括人脸的待归档图片;根据所述图像质量值和所述人脸特征信息计算每两张所述人脸图片之间的人脸融合相似度;根据所述人脸融合相似度对所述多张人脸图片进行归档,得到所述至少一个人脸档案。
可选的,人脸归档单元54还用于:
对于每张人脸图片,获取所述人脸图片的多个图像质量参数各自的参数值;将所述参数值加权求和,得到所述人脸图片的图像质量值。
可选的,人脸归档单元54还用于:
根据所述人脸特征信息计算每两张所述人脸图片之间的人脸特征相似度;
根据所述图像质量值将所述多张人脸图片划分为多个图片组;
获取预设的系数矩阵,所述系数矩阵包括每两张所述人脸图片各自所属的图片组之间的权重系数;
根据每两张所述人脸图片之间的所述人脸特征相似度和所述权重系数计算每两张所述人脸图片之间的人脸融合相似度。
可选的,人体归档单元55还用于:
根据所述人体特征信息计算每两张人体图片之间的人体特征相似度,其中,所述人体图片为包括人体的待归档图片;计算每两张所述人体图片之间的时空相似度;根据所述人体特征相似度和所述时空相似度计算每两张所述人体图片之间的人体融合相似度;根据所述人体融合相似度对所述多张人体图片进行归档,得到所述至少一个人体档案。
可选的,人体归档单元55还用于:
计算每两张所述人体图片各自对应的拍摄装置之间的实际距离;计算每两张所述人体图片各自的拍摄时间之间的时间相似度;根据所述实际距离和所述时间相似度计算每两张所述人体图片之间的所述时空相似度。
可选的,图片归档单元56还用于:
对于任意一个所述人体档案,分别计算所述人体档案与每个所述人脸档案对应的轨迹信息之间的匹配值,其中,所述匹配值表示所述人体档案中属于所述人脸档案对应的轨迹信息的人脸图片的数量;将最大的所述匹配值对应的所述人脸档案和所述人体档案合并为一个档案。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
另外,图5所示的图片归档装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中,还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6是本申请实施例提供的终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意各个图片归档方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了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,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图片归档方法,其特征在于,包括:
获取多张待归档图片,每张待归档图片中包括人脸和/或人体;
若所述待归档图片中包括人脸,则提取所述待归档图片中的人脸特征信息;
若所述待归档图片中包括人体,则提取所述待归档图片中的人体特征信息;
根据所述人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案;
根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案;
根据所述待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,其中,属于同一组轨迹信息的两张待归档图片中包含相同的拍摄对象。
2.如权利要求1所述的图片归档方法,其特征在于,所述根据所述人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案,包括:
计算多张人脸图片各自的图像质量值,其中,所述人脸图片为包括人脸的待归档图片;
根据所述图像质量值和所述人脸特征信息计算每两张所述人脸图片之间的人脸融合相似度;
根据所述人脸融合相似度对所述多张人脸图片进行归档,得到所述至少一个人脸档案。
3.如权利要求2所述的图片归档方法,其特征在于,所述计算所述多张人脸图片各自的图像质量值,包括:
对于每张人脸图片,获取所述人脸图片的多个图像质量参数各自的参数值;
将所述参数值加权求和,得到所述人脸图片的图像质量值。
4.如权利要求2所述的图片归档方法,其特征在于,所述根据所述图像质量值和所述人脸特征信息计算每两张所述人脸图片之间的人脸融合相似度,包括:
根据所述人脸特征信息计算每两张所述人脸图片之间的人脸特征相似度;
根据所述图像质量值将所述多张人脸图片划分为多个图片组;
获取预设的系数矩阵,所述系数矩阵包括每两张所述人脸图片各自所属的图片组之间的权重系数;
根据每两张所述人脸图片之间的所述人脸特征相似度和所述权重系数计算每两张所述人脸图片之间的人脸融合相似度。
5.如权利要求1所述的图片归档方法,其特征在于,所述根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案,包括:
根据所述人体特征信息计算每两张人体图片之间的人体特征相似度,其中,所述人体图片为包括人体的待归档图片;
计算每两张所述人体图片之间的时空相似度;
根据所述人体特征相似度和所述时空相似度计算每两张所述人体图片之间的人体融合相似度;
根据所述人体融合相似度对所述多张人体图片进行归档,得到所述至少一个人体档案。
6.如权利要求5所述的图片归档方法,其特征在于,所述计算每两张所述人体图片之间的时空相似度,包括:
计算每两张所述人体图片各自对应的拍摄装置之间的实际距离;
计算每两张所述人体图片各自的拍摄时间之间的时间相似度;
根据所述实际距离和所述时间相似度计算每两张所述人体图片之间的所述时空相似度。
7.如权利要求1所述的图片归档方法,其特征在于,所述根据所述待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,包括:
对于任意一个所述人体档案,分别计算所述人体档案与每个所述人脸档案之间的匹配值,其中,所述匹配值表示所述人体档案中属于所述人脸档案对应的轨迹信息的人脸图片的数量;
将最大的所述匹配值对应的所述人脸档案和所述人体档案合并为一个档案。
8.一种图片归档装置,其特征在于,包括:
图片获取单元,用于获取多张待归档图片,每张待归档图片中包括人脸和/或人体;
第一提取单元,用于若所述待归档图片中包括人脸,则提取所述待归档图片中的人脸特征信息;
第二提取单元,用于若所述待归档图片中包括人体,则提取所述待归档图片中的人体特征信息;
人脸归档单元,用于根据所述人脸特征信息对所述多张待归档图片进行归档,得到至少一个人脸档案;
人体归档单元,用于根据所述人体特征信息对所述多张待归档图片进行归档,得到至少一个人体档案;
图片归档单元,用于根据所述待归档图片所属的轨迹信息对所述至少一个人脸档案和所述至少一个人体档案进行匹配处理,将相匹配的人脸档案和人体档案合并为一个档案,其中,属于同一组轨迹信息的两张待归档图片中包含相同的拍摄对象。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111139012.9A CN113918510A (zh) | 2021-09-27 | 2021-09-27 | 图片归档方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111139012.9A CN113918510A (zh) | 2021-09-27 | 2021-09-27 | 图片归档方法、装置、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113918510A true CN113918510A (zh) | 2022-01-11 |
Family
ID=79236495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111139012.9A Pending CN113918510A (zh) | 2021-09-27 | 2021-09-27 | 图片归档方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113918510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639143A (zh) * | 2022-03-07 | 2022-06-17 | 北京百度网讯科技有限公司 | 基于人工智能的人像归档方法、设备及存储介质 |
-
2021
- 2021-09-27 CN CN202111139012.9A patent/CN113918510A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639143A (zh) * | 2022-03-07 | 2022-06-17 | 北京百度网讯科技有限公司 | 基于人工智能的人像归档方法、设备及存储介质 |
CN114639143B (zh) * | 2022-03-07 | 2024-04-16 | 北京百度网讯科技有限公司 | 基于人工智能的人像归档方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104867B (zh) | 基于部件分割的识别模型训练、车辆重识别方法及装置 | |
CN108229456B (zh) | 目标跟踪方法和装置、电子设备、计算机存储介质 | |
US20140044348A1 (en) | Image quality assessment | |
US20080187172A1 (en) | Tracking Apparatus And Tracking Method | |
CN106650580B (zh) | 基于图像处理的货架快速清点方法 | |
Cho et al. | PaMM: Pose-aware multi-shot matching for improving person re-identification | |
Seo et al. | Effective and efficient human action recognition using dynamic frame skipping and trajectory rejection | |
CN110866466A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
Hu et al. | Real-time Target Tracking Based on PCANet-CSK Algorithm | |
Al-Shakarji et al. | Robust multi-object tracking with semantic color correlation | |
CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
CN112651321A (zh) | 档案处理方法、装置及服务器 | |
Chi et al. | Smart self-checkout carts based on deep learning for shopping activity recognition | |
CN111062927A (zh) | 一种无人机图像质量检测的方法、系统及设备 | |
CN113918510A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
CN112087593A (zh) | 视频配置的更新装置、方法以及电子设备 | |
CN112633281A (zh) | 一种基于Hash算法车辆身份认证方法及系统 | |
Imani et al. | Local binary pattern, local derivative pattern and skeleton features for RGB-D person re-identification | |
CN111738194A (zh) | 一种用于人脸图像相似性的评价方法和装置 | |
CN114333039B (zh) | 一种人像聚类的方法、装置及介质 | |
CN111104857A (zh) | 一种基于步态能量图的身份识别方法及系统 | |
Sreelakshmy et al. | An improved method for copy-move forgery detection in digital forensic | |
CN114419489A (zh) | 特征提取网络的训练方法、装置、终端设备和介质 | |
CN110751046B (zh) | 一种用户识别方法、装置、可读存储介质及终端设备 | |
Clark et al. | Perspective correction for improved visual registration using natural features. |
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 |