CN114092955A - 数据库更新方法、设备以及存储介质 - Google Patents
数据库更新方法、设备以及存储介质 Download PDFInfo
- Publication number
- CN114092955A CN114092955A CN202010744159.XA CN202010744159A CN114092955A CN 114092955 A CN114092955 A CN 114092955A CN 202010744159 A CN202010744159 A CN 202010744159A CN 114092955 A CN114092955 A CN 114092955A
- Authority
- CN
- China
- Prior art keywords
- image
- person
- sample
- characteristic value
- feature value
- 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 description 74
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000012217 deletion Methods 0.000 claims description 16
- 230000037430 deletion Effects 0.000 claims description 16
- 230000036544 posture Effects 0.000 abstract 2
- 239000000284 extract Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000005034 decoration Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001301648 Tradescantia ohiensis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种对数据库中的图像特征值进行更新的方法,当确定目标人员是样例人员时,按照人员图像特征(例如姿态特征、拍摄高度特征)的不同,把人员的图像的特征值按照特征值记录到对应的特征值分类中,从而尽量让不同的姿态(或者拍摄位置)的图像特征值都得以保存。使得人员图像的特征值在数据库中得到更精细化的管理,提高数据库的检索成功率。
Description
技术领域
本申请涉及行人重识别(Person re-identification)领域,尤其涉及一种数据库更新方法、设备以及存储介质。
背景技术
行人重识别也称行人再识别,能够通过跨多个摄像设备检索样例人员,突破单个摄像设备的视野局限,实现对样例人员进行跟踪。行人重识别可以应用于行人检索、行人跟踪、异常事件检测、行人、动作行为分析等等,具有重要的意义。
但是,目前行人重识别的及时性并不高,因此如何提高识别的效率就是目前急需解决的问题。
发明内容
本申请提供了一种数据库更新方法、设备以及存储介质,能够有效提高识别的效率。
第一方面,提供了一种数据库更新方法,其特征在于,服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,所述方法包括:
在确定第一图像中的人员和所述样例人员是同一个人的情况下,确定所述第一图像中的人员的第一特征值属于所述样例人员的图像特征值集合中的所述第一特征值分类;
将所述第一特征值存储到所述第一特征值分类所对应的第一图像字段中;
在确定第二图像中的人员和所述样例人员是同一个人的情况下,确定所述第二图像中的人员的第二特征值属于所述样例人员的图像特征值集合中的所述第二特征值分类;
将所述第二特征值存储到所述第二特征值分类所对应的第二图像字段中。
上述方案中,第一图像中的人员、第二图像中的人员和样例人员是同一个人。但是当第一图像中人员的特征值和第二图像中人员的特征值对应于不同的特征值分类时,人员特征值会分别存入到相应特征值分类的字段中。例如:第一图像中人员被拍摄的是正面,第二图像中人员被拍摄的是侧面,那么第一图像中人员的特征值会存入正向特征值分类所对应的字段中,第二图像中人员的特征值会存入侧向特征值分类所对应的字段中。
可以看出,对同一个人的不同图像的特征值,在数据库中进行了更精细化的分类。这样的话,当后续需要在数据库中对目标图像中的人员进行检索时,可以直接到精细化的分类中检索。例如:当摄像机获得一张正向的人员图片,那么对于这个人员的特征值只需要与正向特征值分类所对应的字段中的特征值进行比对即可,不需要与侧向特征值分类所对应的字段中的特征值进行比对。因此检索速度更快。而现有技术中,把同一个人的所有图像特征值全部存在一起,没有进行精细化分类,不得不与数据库中所有特征值进行比对,降低了比对的效率。
更进一步的,出于存储成本和检索效率的考虑,数据库中对同一个人员的特征值存储数量往往是有限的。例如:对同一个人员,存储6个特征值。如果不对特征值进行分类,那么这6个特征值可能全部都是正向图像的特征值,那么当需要对侧向的人员图像进行检索时,由于被检索的样本过于单一,检索的召回率会比较低。而本实施例中,由于对特征值进行了更精细化的分类,当需要对侧向的人员图像进行检索时,样本可以更为丰富,检索的召回率得以提升。例如:假设第一、第二特征值分类分别是正向、侧向的特征值分类。那么可以做到每个特征值分类都存储有特征值(例如正向、侧向各存储3个特征值),从而避免了所有特征值都集中在正向,提高检索召回率。
上述方案既可以用于对大量图片的非及时性分类检索,也可以用于对少量图片的及时性检索(例如人员追踪)。
在一些可能的设计中,确定第一图像中的目标人员和所述样例人员是同一个人的具体过程包括:
获取第三图像中的人员的第三特征值以及第一预设图像中样例人员的特征值,其中,所述第三图像和所述第一图像是同一个人的不同图像;
当第三图像中的人员的第三特征值和所述第一预设图像中样例人员的特征值能够匹配,则确定第一图像中的目标人员和所述样例人员是同一个人。
在一些可能的设计中,所述第三图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第一图像为所述人员的人体图像。
上述方案中,可以通过判断第三图像中的人员和第一预设图像中样例人员是否为同一个人,然后,在是同一个人的情况下,将第一图像特征值更新到数据库的对应的第一图像字段中,从而实现根据预设的人脸特写图像更新数据库中样例人员的人体的特征值。
在一些可能的设计中,确定第一图像中的目标人员和所述样例人员是同一个人的过程具体包括:
获取所述第一图像中人员的所述第一特征值以及第二预设图像中所述样例人员的特征值;
当第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值能够匹配,则确定第一图像中的目标人员和所述样例人员是同一个人。
在一些可能的设计中,所述第二预设图像为所述样例人员的人体图像,所述第一图像为所述人员的人体图像。
上述方案中,可以通过判断第一图像中的人员和第二预设图像中样例人员是否为同一个人,然后,在是同一个人的情况下,将第一图像特征值更新到数据库的对应的第一图像字段中,从而实现根据预设的人体特写图像更新数据库中样例人员的人体的特征值。
在一些可能的设计中,将所述第一特征值存储到所述第一特征值分类的第一图像字段中,包括:
在所述第一图像字段中已经存储有特征值的情况下,服务器使用所述第一特征值替换数据库中所述第一图像字段中的特征值。
上述方案中,在第一特征值属于第一特征值分类时,能够仅仅更新第一特征值分类对应的第一图像字段中的特征值,在保证数据库中已知图像特征的即时性的同时,避免其他特征分类对应的图像字段的特征值被替换,从而保证数据库中特征值的多样性。
在一些可能的设计中,将所述第一特征值存储到所述第一特征值分类的第一图像字段之前,所述方法还包括:
确定所述第一图像字段中没有存储有特征值,并且,所述数据库中特征值的总数量没有超过所述数据库的容量。
上述方案中,能够在数据库剩余容量充足的情况下,尽可能地存储更多类型的特征值,从而保证数据库中特征值的多样性。
在一些可能的设计中,所述多个特征分类还包括第三特征值分类,所述方法还包括:
删除第三特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第三特征值分类中的特征值数目,不少于在所述第一特征值写入所述第一图像字段之后,所述第一特征值分类中的特征值数目。
上述方案中,能够确保只删除特征值数量比较多的特征值分类中的特征值,保留特征值数量比较少的特征值分类中的特征值。
第二方面,提供了一种数据库更新方法,服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段,所述方法包括:
在第四图像中的人员和所述样例人员是同一个人的情况下,确定所述第四图像中的人员的第四特征值属于所述样例人员的图像特征值集合中的所述第四特征值分类;
删除第五特征值分类所对应的第三图像字段中的特征值;
删除之后所述第五特征值分类中的特征值数目,不少于在所述第四特征值写入所述第四图像字段之后,所述第四特征值分类中的特征值数目;
将所述第四特征值存储到所述第四特征值分类所对应的第四图像字段中。
上述方案中,能够确保只删除特征值数量比较多的特征值分类中的特征值,保留特征值数量比较少的特征值分类中的特征值。
在一些可能的设计中,确定第四图像中的人员和所述样例人员是同一个人的具体过程包括:
获取所述第五图像中的人员的第五特征值以及第一预设图像中样例人员的特征值,其中,所述第五图像和所述第四图像是同一个人的不同图像;
当第五图像中的人员的第五特征值和所述第一预设图像中样例人员的特征值能够匹配,则确定第四图像中的目标人员和所述样例人员是同一个人。
在一些可能的设计中,所述第五图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第四图像为所述人员的人体图像。
在一些可能的设计中,确定第四图像中的人员和所述样例人员是同一个人的过程具体包括:
获取所述第四图像中人员的所述第四特征值以及第二预设图像中所述样例人员的特征值;
当第四图像中的人员的第四特征值和所述第二预设图像中样例人员的特征值能够匹配,则确定第四图像中的人员和所述样例人员是同一个人。
第三方面,提供了一种服务器,所述服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,包括:确定模块以及存储模块,
所述确定模块用于在确定第一图像中的人员和所述样例人员是同一个人的情况下,确定所述第一图像中的人员的第一特征值属于所述样例人员的图像特征值集合中的所述第一特征值分类;
所述存储模块用于将所述第一特征值存储到所述第一特征值分类所对应的第一图像字段中;
所述确定模块用于在确定第二图像中的人员和所述样例人员是同一个人的情况下,确定所述第二图像中的人员的第二特征值属于所述样例人员的图像特征值集合中的所述第二特征值分类;
所述存储模块用于将所述第二特征值存储到所述第二特征值分类所对应的第二图像字段中。
在一些可能的设计中,所述确定模块用于获取第三图像中的人员的第三特征值以及第一预设图像中样例人员的特征值,其中,所述第三图像和所述第一图像是同一个人的不同图像;在第三图像中的人员的第三特征值和所述第一预设图像中样例人员的特征值能够匹配的情况下,确定第一图像中的人员和所述样例人员是同一个人。
在一些可能的设计中,所述第三图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第一图像为所述人员的人体图像。
在一些可能的设计中,所述确定模块用于获取所述第一图像中人员的所述第一特征值以及第二预设图像中所述样例人员的特征值;在第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值能够匹配的情况下,确定第一图像中的人员和所述样例人员是同一个人。
在一些可能的设计中,所述多个特征分类还包括第三特征值分类,所述服务器还包括删除模块,
所述删除模块用于删除第三特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第三特征值分类中的特征值数目,不少于在所述第一特征值写入所述第一图像字段之后,所述第一特征值分类中的特征值数目。
在一些可能的设计中,所述第二预设图像为所述样例人员的人体图像,所述第一图像为所述人员的人体图像。
在一些可能的设计中,所述存储模块用于在所述第一图像字段中已经存储有特征值的情况下,服务器使用所述第一特征值替换数据库中所述第一图像字段中的特征值。
在一些可能的设计中,所述确定模块还用于确定所述第一图像字段中没有存储有特征值,并且,所述数据库中特征值的总数量没有超过所述数据库的容量。
第四方面,提供了一种服务器,服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段,所述服务器包括:确定模块、删除模块以及存储模块,
所述确定模块用于在第四图像中的人员和所述样例人员是同一个人的情况下,确定所述第四图像中的人员的第四特征值属于所述样例人员的图像特征值集合中的所述第四特征值分类;
所述删除模块用于删除第五特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第五特征值分类中的特征值数目,不少于在所述第四特征值写入所述第四图像字段之后,所述第四特征值分类中的特征值数目;
所述存储模块用于将所述第四特征值存储到所述第四特征值分类所对应的第四图像字段中。
在一些可能的设计中,所述服务器还包括获取模块,
所述获取模块用于获取所述第五图像中的人员的第五特征值以及第一预设图像中样例人员的特征值,其中,所述第五图像和所述第四图像是同一个人的不同图像;
所述确定模块用于在第五图像中的人员的第五特征值和所述第一预设图像中样例人员的特征值能够匹配的情况下,确定第四图像中的目标人员和所述样例人员是同一个人。
在一些可能的设计中,所述第五图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第四图像为所述人员的人体图像。
在一些可能的设计中,所述服务器还包括获取模块,
所述获取模块用于获取所述第四图像中人员的所述第四特征值以及第二预设图像中所述样例人员的特征值;
所述确定模块用于在第四图像中的人员的第四特征值和所述第二预设图像中样例人员的特征值能够匹配的情况下,确定第四图像中的人员和所述样例人员是同一个人。
第五方面,提供了一种服务器,包括处理器和存储器,所述处理器执行所述存储器中的代码执行如第一方面或者第二方面任一项所述的方法。
第六方面,提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面或者第二方面任一项所述的方法。
第七方面,提供了一种计算机程序产品,包括计算机程序,当所述计算机程序被计算设备读取并执行时,使得所述计算设备执行如第一方面或者第二方面任一项所述的方法。
附图说明
图1是本申请提供的一种行人重识别系统的结构示意图;
图2是本申请涉及的一种行人重识别的应用场景的示意图;
图3是本申请涉及的一种人体识别模型的结构示意图;
图4是本申请涉及的一种更具体的人体识别模型的结构示意图;
图5是本申请涉及的一些人员从不同行进方向拍摄得到的图像;
图6是本申请涉及的一些人员从不同行进方向拍摄得到的图像;
图7是本申请提供的一种数据库的结构示意图;
图8是本申请提出的第一种数据库更新方法的流程示意图;
图9是本申请提出的第二种数据库更新方法的流程示意图;
图10是本申请提出的第三种数据库更新方法的流程示意图;
图11是本申请提出的一种数据库更新方法的流程示意图;
图12A-图12C是在图2所示的应用场景下对数据库进行更新的示意图;
图13是一种实现方式的云平台的结构框图;
图14是本申请提供的一种服务器的结构示意图;
图15是本申请提供的一种服务器的结构示意图。
具体实施方式
参见图1,图1是本申请涉及的一种行人重识别系统的结构示意图。本申请的行人重识别系统可以包括:摄像设备110、网络设备120以及云渲染平台130。
摄像设备110可以包括摄像头,摄像头包括镜头和感光元件(又可称为图像传感器),用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号,如标准的RGB,YUV等格式的图像信号。例如,普通摄像头、广角摄像头、超广角摄像头、长焦摄像头、超长焦摄像头等。
网络设备120用于在终端设备110通过任何通信机制/通信标准的通信网络与云渲染平台23之间传输数据。其中,通信网络可以是广域网、局域网、点对点连接等方式,或它们的任意组合。
云平台130包括多个服务节点,每个服务节点自下而上包括硬件、虚拟化服务、人工智能引擎以及ReID应用。其中,
硬件包括计算资源、存储资源以及网络资源。计算资源可以采用异构计算架构,例如,可以采用中央处理器(Central Processing Unit,CPU)+图形处理器(GraphicsProcessing Unit,GPU)架构,CPU+AI芯片,CPU+GPU+AI芯片架构等等,此处不作具体限定。存储资源可以包括内存等等。这里,计算资源可以被分成多个计算单位资源,存储资源可以被分成多个存储单位资源,网络资源可以被分成多个网络单位资源。因此,云平台可以按照用户的资源需求以单位资源为基础进行自由组合,从而用户的需要提供资源。例如,计算资源可以被分成5u作为计算单位的资源,存储资源可以被分成10G作为单位的资源,则计算资源和存储资源的组合可以是,5u+10G,5u+20G,5u+30G,…,10u+10G,10u+20G,10u+30G,…。虚拟化服务是通过虚拟化技术将多个物理主机的资源构建为统一的资源池,并按照用户的需要灵活地隔离出相互独立的资源以运行用户的应用程序的服务。虚拟化服务可以包括虚拟机(Virtual Machine,VM)服务、裸金属服务器(Bare Metal Server,BMS)服务以及容器(Container)服务。其中,VM服务可以是通过虚拟化技术在多个物理主机上虚拟出虚拟机(Virtual Machine,VM)资源池以为用户按需提供VM进行使用的服务。BMS服务是在多个物理主机上虚拟出BMS资源池以为用户按需提供BMS进行使用的服务。容器服务是在多个物理主机上虚拟出容器资源池以为用户按需提供容器进行使用的服务。VM是模拟出来的一台虚拟的计算机,也即逻辑上的一台计算机。BMS是一种可弹性伸缩的高性能计算服务,计算性能与传统物理机无差别,具有安全物理隔离的特点。容器是一种内核虚拟化技术,可以提供轻量级的虚拟化,以达到隔离用户空间、进程和资源的目的。应理解,上述虚拟化服务中的VM服务、BMS服务以及容器服务仅仅是作为具体的事例,在实际应用中,虚拟化服务还可以其他轻量级或者重量级的虚拟化服务,此处不作具体限定。人工智能引擎可以用于实现人脸特征提取、人体特征提取、人脸特征检索、人体特征检索、人脸特征匹配、人体特征匹配等等。行人重识别服务端应用可以用于调用人工智能引擎以实现行人重识别。
参见图2,图2是本申请涉及的一种行人重识别的应用场景的示意图。如图2所示,人员从出发点出发,沿着路线前行,在经过摄像设备A的时候,被摄像设备A所拍摄得到A图像,然后,在经过摄像设备B的时候,被摄像设备B所拍摄得到B图像,最后,在经过摄像设备C的时候,被摄像设备C所拍摄得到C图像,将各个摄像设备拍摄得到的图像(包括A图像、B图像以及C图像)发送给后端的服务器。服务器从数据库中读取预设图像,其中,预设图像为的图像内容中记录有样例人员。例如在一幅行人在道路上行走的图像中,行人可以作为图像中的样例人员。服务器将A图像和数据库中的预设图像输入识别模型,如果确定A图像中的人员与预设图像中的样例人员是同一个人,则可以确定样例人员经过摄像设备A;服务器将B图像和数据库中的预设图像输入识别模型,如果确定B图像中的人员与预设图像中的样例人员是同一个人,则可以确定样例人员经过摄像设备B;服务器将C图像和数据库中的预设图像输入识别模型,如果确定C图像中的人员与预设图像中的样例人员是同一个人,则可以确定样例人员经过摄像设备C;从而实现对样例人员的运动轨迹的跟踪。
这里,识别模型可以是人脸识别模型或者人体识别模型,如果A图像为人脸特写图像,预设图像为预设人脸图像,将A图像输入人脸识别模型可以对A图像中的人员进行识别,如果A图像为人体图像,预设图像为预设人体图像,将A图像输入人体识别模型可以对A图像中的人员进行识别。其中,人脸特写图像为对人员的脸部进行特写的图像,即,为主要突出人员脸部的图像,例如,证件照、大头照、半身照等等,人体图像为包括人员人体的图像,这里,人体图像可以包括人员的整个人体,或者,大部分人体,此处不做具体限定。对出现在人体图像和人脸特写图像中的人员而言,他在人体图像中所展现的身体部分多于在人脸特写图像中所展示的身体部分。B图像和C图像也可以依此类推,此处不作具体限定。
在一具体的实施例中,如图3所示,人体识别模型可以表示为:
y=f(Istd,Icolt)
其中,Istd为预设人体图像,Icolt为摄像设备拍摄得到的图像,即人体图像,y为匹配结果,匹配结果可以是0或1,“0”表示人体图像中的人员和预设人体图像中的样例人员不是同一个人,“1”表示人体图像中的人员和预设人体图像中的样例人员是同一个人,f为人体图像、预设人体图像与匹配结果直接的映射关系。其中,f可以是通过数据库中的已有的样例人员的人体图像、预设人体图像和已知的匹配结果训练得到的。
在一更具体的实施例中,如图4所示,人体识别模型可以包括至少两个基本网络、丢弃单元、分类子网络以及验证子网络。其中,基本网络可以是卷积神经网络,所述卷积神经网络可以包括一个或者多个卷积层,还可以包括一个或者多个反卷积层以及一个或者多个池化层等等。丢弃单元可以用于将部分特征进行丢弃,以防止对过多参数进行拟合导致过拟合。分类子网络可以用于计算误差损失。验证子网络可以本质为二分类网络,用于判断这两张图像是否属于同一个行人。
在一具体的实施例中,服务器将人体图像输入如图3所示的人体识别模型进行行人再识别的具体过程是:服务器将人体图像Icolt以及预设人体图像Istd分别输入人体识别模型,从而得到人体图像Icolt和预设人体图像Istd的匹配结果。
在一具体的实施例中,服务器将人体图像输入如图4所示的人体识别模型进行行人再识别的具体过程是:服务器将人体图像Icolt输入基本网络1进行特征提取,从而得到特征值si;将预设人体图像Istd输入基本网络2进行特征提取,从而得到特征值sj;将特征值si输入丢弃单元进行局部特征丢弃处理,从而得到特征值s'i,将特征值sj输入丢弃单元进行局部特征丢弃处理,从而得到特征值s'j,将特征值s'i和特征值s'j输入分类子网络进行相减,从而得到融合向量s'i-s'j,根据融合向量s'i-s'j确定是否同一个人,将特征值si输入丢弃单元进行局部特征丢弃处理,从而得到特征值s”i,将特征值sj输入丢弃单元进行局部特征丢弃处理,从而得到特征值s”j,将特征值s”i以及特征值s”j输入分类子网络从而确定误差损失。
应理解,图4所示例子是以人体识别模型采用基于表征学习的ReID方法为例进行说明,但是,在实际应用中,人体识别模型还可以采用基于度量学习的ReID方法或者基于局部特征的ReID方法等等,此处不作具体限定。
在服务器将人体图像输入人体识别模型进行行人再识别之前,需要使用数据库中存储的人体图像、预设人体图像和对应的已知的匹配结果对人体识别模型进行训练。对于单次训练来说,使用数据库中存储的人体图像、预设人体图像和对应的已知的匹配结果对人体识别模型进行训练的过程具体是:因为人体识别模型输出的识别结果要尽可能的接近“真相”,所以,可以将数据库中存储的人体图像和预设人体图像输入人体识别模型,从而得到数据库中存储的人体图像和预设人体图像的匹配结果,并将该匹配结果作为“预测值”,已知的匹配结果作为真正想要的“目标值”,比较“预测值”和“目标值”,再根据两者之间的差异值来人体识别模型中的神经网络的每一层的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为人体识别模型中的各层预先配置参数)。依照上述的方式不断地调整,直到识别输出的“预测值”与“目标值”的差异值足够的小。因此,就需要预先定义如何比较“预测值”和“目标值”,这便是损失函数(loss function)或目标函数(objectivefunction),它们是用于衡量当前“预测值”和“目标值”之间的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么识别的训练就变成了尽可能缩小这个loss的过程。可以理解,使用数据库中存储的人体图像、预设人体图像和对应的匹配结果对人体识别模型进行训练可以采用在线训练的方式,也可以采用离线训练的方式,此处不作具体限定。
上述例子中是以数据库中存储人体图像为例进行说明的,在实际应用中,为了提高训练的效率或者节约存储空间,数据库中也可以不存储人体图像,而是,存储人体图像中人员的特征值,在训练时,直接使用人体图像中人员的特征值以及预设图像中样例人员的特征值对人体识别模型进行训练即可。
在一具体的实施例中,拍摄数据库中存储的人体图像的摄像设备的放置情况可以是多种多样的,例如,有些摄像设备可以被放置在树上,有些摄像设备可以被放置在灌木丛中,有些摄像设备被设置在阳光暴晒的街道之上,有些被设置在浓郁的树荫之下,有些摄像设备附近存在遮挡物,有些摄像设备的附近不存在遮挡物等等。应理解,上述例子仅仅是作为具体的事例,在实际应用中,摄像设备还可以被设置在商场内部、医院的走廊等等,此处不作具体限定。
在一具体的实施例中,摄数据库中存储的人体图像涉及的人员的情况可以是多种多样的,主要体现在人员可以随意更换自己前进的行进方向,人员可以随意更换自己的装饰打扮,例如,人员在由于未知原因刻意更换自己的行进方向,或者,人员在同一天的不同时间段更换自己的服装等等。应理解,上述例子仅仅是作为具体的事例,在实际应用中,人员还可能戴上帽子或者戴上墨镜等等,此处不作具体限定。
在一具体的实施例中,摄数据库中存储的人体图像(例如,A图像或者B图像或者C图像)的内容受摄像设备、人员以及环境等等因素影响。具体地,
与摄像设备相关的,摄像设备拍摄得到的图像的影响因素包括摄像设备的拍摄高度等等。以图5所示为例,摄像设备可能被设置在树上,此时,摄像设备拍摄得到的图像是摄像设备从拍摄高度h1对人员进行拍摄得到的;摄像设备可能被设置在灌木丛中,此时,摄像设备拍摄得到图像是摄像设备从拍摄高度h2对人员进行拍摄得到的,明显地,这两幅图像的内容明显不同。应理解,上述拍摄高度的例子仅仅是作为具体的事例,在实际应用中,与摄像设备相关的影响因素还包括摄像设备的像素数量、摄像设备的镜头类型(例如,广角)等等,此处不作具体限定。
与人员相关的,摄像设备拍摄得到的图像的影响因素包括人员的行进方向以及装饰打扮(例如,衣着、发型)等等。举例说明,当人员的行进方向为正向(即,人员正面面向摄像设备)行进时,摄像设备拍摄得到图像是从人员正面拍摄得到的如图6中(a)所示的正面图像,当人员的行进方向为侧向(即,人员侧面面向摄像设备)行进时,摄像设备拍摄得到图像是从人员侧面拍摄得到的如图6中(b)所示的侧面图像,当人员的行进方向为背向(即,人员背面面向摄像设备)行进时摄像设备拍摄得到图像是从人员背面拍摄得到的如图6中(c)所示的背面图像。很容易理解,当人员的装饰打扮(例如,衣着、发型)发生变化时,摄像设备拍摄得到图像也会发生变化,此处无需展开描述。应理解,上述行进方向和装饰打扮的例子仅仅是作为具体的事例,在实际应用中,与人员相关的影响因素还包括人员的姿态等等,此处不作具体限定。
与环境相关的,摄像设备拍摄得到的图像的影响因素可以包括环境光线以及遮挡物等等。例如,在摄像设备被设置的环境为在浓郁的树荫之下时,摄像设备拍摄得到的图像的光线将会偏暗,在摄像设备被设置的环境为在阳光暴晒的街道之上时,摄像设备拍摄得到的图像的光线将会偏亮。又例如,在摄像设备被设置的环境为附近存在遮挡物时,摄像设备拍摄得到的图像将会拍摄到遮挡物;在摄像设备被设置的环境为附近不存在遮挡物时,摄像设备拍摄得到的图像将不会拍摄到遮挡物。应理解,上述环境光线和遮挡物的例子仅仅是作为具体的事例,不应构成限定。
可以理解,数据库中的人体图像的内容受摄像设备、人员以及环境等等因素影响,数据库中的人体图像中人员的特征值自然也受摄像设备、人员以及环境等等因素影响。
从人体识别模型的训练过程可以看出,人体识别模型是根据数据库中存储的人体图像中人员的特征值来进行学习的。因此,数据库存储中的人体图像中人员的特征值将会影响摄像设备拍摄得到的人体图像识别的正确率,具体地,如果数据库中存储的人体图像中人员的特征值的内容和摄像设备拍摄得到的人体图像中人员的特征值的差异比较小,则摄像设备拍摄得到的人体图像中人员的特征值的正确匹配率比较高,如果数据库中存储的人体图像中不存在人体图像中人员的特征值和摄像设备拍摄得到的人体图像中人员的特征值的差异比较小,则摄像设备拍摄得到的人体图像中人员的特征值的正确匹配率比较低。
在一具体的实施例中,数据库中存储的人体图像中人员的特征值是固定不变的,并且,数据库中存储的人体图像中人员的特征值的数量是有限的。服务器通常将摄像设备初始发送给服务器的样例人员的人体图像中人员的特征值固定存储在数据库中,因此,数据库中存储的人体图像中人员的特征值是固定不变的。另外,由于数据库中存储容量是有限的,而且,数据库通常需要存储多个样例人员的特征值,因此,分配给每个样例人员的存储空间是有限的,每个样例人员的特征值的数量是有限的。
在行人重识别的场景中,人体图像的中人员的特征值的影响因素,例如,摄像设备的高度、拍摄角度、人员的行进方向、衣着、发型以及环境光线的经常发生变化,但是,数据库中存储的人体图像中人员的特征值是固定不变的以及数量是有限的,并且,不同特征值类型的特征值通常是混合存放的,这样的话,当后续需要在数据库中对目标图像中的人员进行检索时,需要和整个数据库中特征值进行匹配,从而导致效率非常低下。
另外,可能会导致摄像设备拍摄得到的人体图像和数据库中存储的人体图像中人员的特征值的差异比较大,从而导致人体识别模型的正确匹配率降低。例如,数据库中存储的人体图像的特征值可能是从较高的高度拍摄得到的图像中提取的,但是,摄像设备拍摄得到的人体图像的特征值是从较低的高度拍摄得到的图像中提取的;数据库中存储的人体图像的特征值可能都是从样例人员的行进方向为正向时拍摄得到的样例人员的正面图像中提取得到的,但是,摄像设备拍摄得到的人体图像的特征值是从样例人员的行进方向为侧时拍摄得到的人员的侧面图像中提取得到的;数据库中存储的人体图像的特征值可能都是样例人员的穿红色上衣的时候拍摄得到的图像中提取得到的,但是,摄像设备拍摄得到的人体图像的特征值是样例人员穿蓝色上衣的时候拍摄得到的图像中提取得到的;数据库中存储的人体图像的特征值可能都是从在光线明亮的时候拍摄得到的图像中提取得到的,但是,摄像设备拍摄得到的人体图像的特征值是从在光线暗淡的时候拍摄得到的图像中提取得到的;在这些情况下,人体识别模型的正确匹配率将会下降。
为了解决上述问题,本申请提出了一种数据库更新方法、设备以及系统,能够有效保证数据库中样例人员的特征值的多样性,从而提高识别的效率。
为了便于对数据库中人体图像中人员的特征值进行管理,可以依据人体图像中人员的特征值的影响因素设置多个特征值分类。如表1所示,可以依据摄像设备的拍摄高度具有高、中、低三个分类,对应设置高、中、低三个特征值分类,可以依据人员的行进方向具有正向、侧向、背向三个分类,对应设置正向、侧向、背向三个特征值分类;可以依据人员的装饰打扮具有红色的上衣和蓝色的上衣两个分类,对应设置红色的上衣和蓝色的上衣两个特征值分类,可以依据环境的光线具有明亮以及暗淡两个分类,从而设置明亮以及暗淡两个特征值分类;可以依据环境的障碍物具有“有”以及“无”两个分类,从而设置“有”以及“无”两个特征值分类。
表1特征值分类表
应理解,上述表1所示的例子仅仅是作为示例,在实际应用中,还可以依据摄像设备的拍摄高度分成1-1.5米、1.5-2米、2-3米、3-5米等多个分类,相应设置1-1.5米、1.5-2米、2-3米、3-5米等多个特征值分类,还可以依据人员的行进方向可以分成正向、左侧向、右侧、背向等多个分类,相应设置正向、左侧向、右侧、背向等多个特征值分类,还可以依据人员的装饰打扮分成背包、手提包、鞋子、上衣、下衣等多个分类,相应设置背包、手提包、鞋子、上衣、下衣等多个特征值分类,此处不作具体限定。可选的,还可以有对以上多个特征进行综合后形成的“高+正向”,“高+侧向”的分类。
多个特征值分类中的每个特征值分类均对应设置多个图像字段(字段的内容可以为空),所述多个图像字段中的每个图像字段均用于存储对应特征值分类的一个特征值(一个特征值用于描述图像中一个对象的图像特征,对象例如是人,特征值可以由图像中这个对象的一组特征点的数据组成)。如图7所示,以影响因素包括行进方向为例,由于行进方向可以包括正向、侧向以及背向三个分类,数据库中可以分别设置正向、侧向以及背向三个特征值分类,其中,正向特征值分类中的图像字段用于存储摄像设备拍摄的行进方向为正向的人员得到的人体图像的特征值,侧向字段用于存储摄像设备拍摄的行进方向为侧向的人员得到的人体图像的特征值,背向字段用于存储摄像设备拍摄的行进方向为背向的人员的人体图像的特征值。为了便于理解,图7中用人体图像代表从图像字段,图像中的人体代表从人体图像中的人员提取出的特征值。
此外,数据库还可以关联设置特征标识字段、人员标识字段、图片标识字段、时间字段、角度字段、摄像设备标识字段、相似度字段以及特征点数量字段等等中的一个或多个。其中,特征标识字段用于存储对应人体图像中人员的特征值的标识;所述人员标识字段用于存储对应人体图像中的样例人员的标识;所述图片标识用于存储所述人体图像的标识;所述时间字段用于存储对应人体图像被摄像设备拍摄到的时间;所述角度字段用于存储摄像设备拍摄对应的人体图像的拍摄角度,所述摄像设备标识字段用于存储拍摄对应的人体图像的摄像设备的标识;所述相似度字段用于存储所述对应人体图像和预设人体图像的相似度;所述特征点数量用于存储从对应人体图像提出到的特征点的数量。此外,数据库还可以设置预设特征字段,用于存储预设图像中样例人员的特征值。应理解,上述例子仅仅是作为具体的事例,在实际应用中,预设图像可以是变化的,例如,刚开始是光线暗淡的人体图像,后面被替换为光线明亮的人脸图像等等,此处不作具体限定。
参见图8,图8是本申请提出的第一种数据库更新方法的流程示意图。本实施方式的数据库更新方法,应用于服务器,服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,包括如下步骤:
S101:服务器获取第一图像中人员的特征值和第三图像中人员的特征值,以及,获取预先存储在服务器的第一预设图像中样例人员的特征值。
在一具体的实施例中,所述第一图像和所述第三图像是同一个人的不同图像,例如,第一图像为所述人员的人体图像,所述第三图像为所述人员的人脸图像等等。
在一具体的实施例中,第一图像是图1所示的行人重识别系统中的摄像设备对所述人员进行拍摄得到的人体图像,即,第一图像可以是所述人员的抓拍照。第一图像可以包括所述人员的整个人体,或者,大部分人体,并且,第一图像除了包括所述人员的人体之外,还可以包括其他人员或者物体。
在一具体的实施例中,所述第三图像为对所述第一图像中所述人员的脸部进行提取得到人脸特写图像,即,所述人员的人脸的面积在所述第三图像的面积中占较重的比例。所述第三图像通常只包括所述人员的头部,或者,所述人员的头部+脖子,或者,所述人员的头部+脖子+上半身。第一图像中人员被展示的身体部分大于第三图像中人员被展示的身体部分。
在一具体的实施例中,摄像设备将所述第一图像和所述第三图像关联存储,并将所述第一图像和所述第三图像一起发送给服务器。
在一具体的实施例中,服务器获取第一图像中人员的特征值包括:服务器接收到摄像设备发送的第一图像之后,从第一图像中提取第一图像中人员的特征值。
在一具体的实施例中,所述第一预设图像为用户上传到服务器中的。所述第一预设图像为所述样例人员的人脸特写图像。即,所述样例人员的人脸的面积在所述第一预设图像的面积中占较重的比例。所述第一预设图像通常只包括所述人员的头部,或者,所述人员的头部+脖子,或者,所述人员的头部+脖子+上半身。在一具体的实施例中,所述第一预设图像可以是所述样例人员的证件照,大头照或者半身照等等,此处不作具体限定。
在一具体的实施例中,服务器获取第一预设图像中样例人员的特征值包括以下两种方式:
在第一种方式中,服务器在接收到用户上传的第一预设图像之后,从第一预设图像中提取出样例人员的特征值,并存储在数据库的预设特征字段中。当服务器接收到摄像设备发送的第一图像以及第三图像后,从数据库中读取第一预设图像中样例人员的特征值。
在第二种方式中,服务器在接收到用户上传的第一预设图像之后,将第一预设图像存储在数据中。当服务器接收到摄像设备发送的第一图像以及第三图像后,从数据库中读取第一预设图像,并从第一预设图像中提取出样例人员的特征值。
S102:服务器将第三图像中的人员的第三特征值和所述第一预设图像中样例人员的特征值进行匹配。
S103:在第三图像中的人员的第三特征值和所述第一预设图像中样例人员的特征值能够匹配的情况下,服务器确定出第三图像中的人员和所述样例人员是同一个人,从而确定出第一图像中的人员和所述样例人员是同一个人。
S104:服务器确定所述第一图像中的人员的第一特征值中特征点的数量大于预设数量阈值。
S105:服务器在所述特征点的数量大于预设数量阈值的情况下,确定所述第一图像中的人员的特征值所属的特征值分类为第一特征值分类。
在一具体的实施例中,第一特征值分类为可以是数据库中多个特征值分类中的一个特征值分类。例如,数据库中多个特征值分类可以是表1所示的特征值分类表中的多个特征值分类,第一特征值分类可以是表1所示的特征值分类表中的其中一个特征值分类,例如,正向特征值分类等等。
在一具体的实施例中,确定所述第一图像中的人员的特征值所属的特征值分类为第一特征值分类可以是:以表1所示为例,如果第一图像是摄像设备在所述人员的行进方向为正向时拍摄得到的图像,此时,确定所述第一图像中的人员的特征值所属的特征值分类为第一特征值分类-正向特征值分类;如果第一图像是摄像设备在所述人员的行进方向为侧向时拍摄得到的图像,此时,确定所述第一图像中的人员的特征值所属的特征值分类为第一特征值分类-测向特征值分类;如果第一图像是摄像设备在所述人员的行进方向为背向时拍摄得到的图像,此时,确定所述第一图像中的人员的特征值所属的特征值分类为第一特征值分类-背向特征值分类。
S106:服务器判断所述第一特征值分类对应的第一图像字段是否已经存储有特征值。
S107:在所述第一特征值分类对应的第一图像字段是否已经存储有特征值的情况下,服务器使用所述第一特征值替换数据库中所述第一特征值分类对应的第一应图像字段中的存储的特征值。
S108:在所述第一特征值分类对应的第一图像字段是否已经存储有特征值的情况下,服务器确定没有超过所述数据库的容量。
S109:在没有超过所述数据库的容量的情况下,服务器将所述第一特征值存储到所述第一特征值分类的对应的第一图像字段中。
S110:在超过所述数据库的容量的情况下,服务器将之前其他特征值分类的对应的图像字段存储的特征值删除,并将所述第一特征值存储到所述第一特征值分类的对应的第一图像字段中。
应理解,第二图像中的人员的第二特征值存储到第二特征值分类对应的第二图像字段中的过程可以依照第一图像中的人员的第一特征值存储到第一特征值分类对应的第一图像字段中的过程进行推理,此处不再展开描述。
需要说明的是,本实施例以及其他实施例中,特征值分类和图像字段是一对一或者一对多的对应关系。也就是说,一个特征值分类可以对应多个图像字段。例如,本实施中第二特征值分类可以对应:包括第二图像字段在内的多个图像字段,其中每个图像字段可以存储一个特征值。反之,一个图像字段只对应单个特征值分类。此外,当特征值分类尚没有对应到特征值时(例如初始化状态),可以认为这个特征值分类对应了空的特征值字段。
本实施方式是通过人特写脸图像对人员的身份进行识别,然后,根据人脸特写图像找到对应的人体图像,并,使用人体图像中所述人员的特征值对数据库中的特征值进行更新。
为了简便起见,本实施例中的数据库更新方法并没有进行详细的描述,具体请结合图1至图7以及相关描述,此处不在展开描述。
参见图9,图9是本申请提出的第二种数据库更新方法的流程示意图。本实施方式的数据库更新方法,应用于服务器,服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,包括如下步骤:
S201:服务器获取第一图像中人员的特征值,以及,获取预先存储在服务器的第二预设图像中样例人员的特征值。
在一具体的实施例中,第一图像是图1所示的行人重识别系统中的摄像设备对所述人员进行拍摄得到的人体图像,即,第一图像可以是所述人员的全身抓拍照。第一图像可以包括所述人员的整个人体,或者,大部分人体,并且,第一图像除了包括所述人员的人体之外,还可以包括其他人员或者物体。
在一具体的实施例中,服务器获取第一图像中人员的特征值包括:服务器接收到摄像设备发送的第一图像之后,从第一图像中提取第一图像中人员的特征值。例如,第一图像可以是图4中的人体图像Icolt,将第一图像输入基本网络1,从而得到特征值Si。
在一具体的实施例中,所述第二预设图像为用户上传到服务器中的。所述第二预设图像为所述样例人员的人体图像。即,第二预设图像可以是所述样例人员的全身抓拍照。第二预设图像可以包括所述样例人员的整个人体,或者,大部分人体。
在一具体的实施例中,服务器获取第二预设图像中样例人员的特征值包括以下两种方式:
在第一种方式中,服务器在接收到用户上传的第二预设图像之后,从第二预设图像中提取出样例人员的特征值,例如,第二预设图像可以是图4中的预设人体图像Icolt,将第二预设图像输入基本网络2,从而得到特征值Sj,并存储在数据库的预设特征字段中。当服务器接收到摄像设备发送的第一图像后,从数据库中读取第二预设图像中样例人员的特征值。
在第二种方式中,服务器在接收到用户上传的第二预设图像之后,将第二预设图像存储在数据中。当服务器接收到摄像设备发送的第一图像后,从数据库中读取第二预设图像,并从第二预设图像中提取出样例人员的特征值。例如,第二预设图像可以是图4中的预设人体图像Icolt,将第二预设图像输入基本网络2,从而得到特征值Sj。
S202:服务器将第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值进行匹配。
在一具体的实施例中,第一图像中的人员的第一特征值可以是图4中的特征值Si,第二预设图像中样例人员的特征值可以是图4中的特征值Sj,按照图4所示的人体识别模型对特征值Si以及特征值Sj进行匹配。
S203:服务器在第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值能够匹配的情况下,确定第一图像中的人员和所述样例人员是同一个人,从而确定第一图像中的人员和所述样例人员是同一个人。
S204:服务器确定所述第一图像中的人员的第一特征值中特征点的数量大于预设数量阈值。
S205:服务器在所述特征点的数量大于预设数量阈值的情况下,确定所述第一图像中的人员的第一特征值所属的特征值分类为第一特征值分类。
S206:服务器判断所述第一特征值分类对应的第一图像字段是否已经存储有特征值。
S207:在所述第一特征值分类对应的第一图像字段是否已经存储有特征值的情况下,服务器使用所述第一特征值替换数据库中所述第一特征值分类的对第一应图像字段中的存储的特征值。
S208:在所述第一特征值分类对应的第一图像字段是否已经存储有特征值的情况下,服务器确定没有超过所述数据库的容量。
S209:在没有超过所述数据库的容量的情况下,服务器将所述第一特征值存储到所述第一特征值分类的对应的第一图像字段中。
S210:在超过所述数据库的容量的情况下,服务器将之前其他特征值分类的对应的图像字段存储的特征值删除,并将所述第一特征值存储到所述第一特征值分类的对应的第一图像字段中。
应理解,第二图像中的人员的第二特征值存储到第二特征值分类对应的第二图像字段中的过程可以依照第一图像中的人员的第一特征值存储到第一特征值分类对应的第一图像字段中的过程进行推理,此处不再展开描述。
本实施方式是通过人体图像对人员的身份进行识别,然后,根据人体图像找到对应的人体图像,并,使用人体图像中所述人员的特征值对数据库中的特征值进行更新。
为了简便起见,本实施例中的数据库更新方法并没有进行详细的描述,具体请结合图1至图7以及相关描述,此处不在展开描述。
参见图10,图10是本申请提出的第三种数据库更新方法的流程示意图。本实施方式的数据库更新方法,应用于服务器,服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值以及第三特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,包括如下步骤:
S301:服务器获取第一图像中人员的特征值以及获取预先存储在服务器的第二预设图像中样例人员的特征值。
在一具体的实施例中,第一图像是图1所示的行人重识别系统中的摄像设备对所述人员进行拍摄得到的人体图像,即,第一图像可以是所述人员的全身抓拍照。第一图像可以包括所述人员的整个人体,或者,大部分人体,并且,第一图像除了包括所述人员的人体之外,还可以包括其他人员或者物体。
在一具体的实施例中,服务器获取第一图像中人员的特征值包括:服务器接收到摄像设备发送的第一图像之后,从第一图像中提取第一图像中人员的特征值。例如,第一图像可以是图4中的人体图像Icolt,将第一图像输入基本网络1,从而得到特征值Si。
在一具体的实施例中,所述第二预设图像为用户上传到服务器中的。所述第二预设图像为所述样例人员的人体图像。即,第二预设图像可以是所述样例人员的全身抓拍照。第二预设图像可以包括所述样例人员的整个人体,或者,大部分人体。
在一具体的实施例中,服务器获取第二预设图像中样例人员的特征值包括以下两种方式:
在第一种方式中,服务器在接收到用户上传的第二预设图像之后,从第二预设图像中提取出样例人员的特征值,例如,第二预设图像可以是图4中的预设人体图像Icolt,将第二预设图像输入基本网络2,从而得到特征值Sj,并存储在数据库的预设特征字段中。当服务器接收到摄像设备发送的第一图像后,从数据库中读取第二预设图像中样例人员的特征值。
在第二种方式中,服务器在接收到用户上传的第二预设图像之后,将第二预设图像存储在数据中。当服务器接收到摄像设备发送的第一图像后,从数据库中读取第二预设图像,并从第二预设图像中提取出样例人员的特征值。例如,第二预设图像可以是图4中的预设人体图像Icolt,将第二预设图像输入基本网络2,从而得到特征值Sj。
S302:服务器第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值进行匹配。
在一具体的实施例中,第一图像中的人员的第一特征值可以是图4中的特征值Si,第二预设图像中样例人员的特征值可以是图4中的特征值Sj,按照图4所示的人体识别模型对特征值Si以及特征值Sj进行匹配。
S303:服务器在第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值能够匹配的情况下,确定第一图像中的人员和所述样例人员是同一个人。
S304:服务器删除第三特征值分类所对应的第三图像字段中的特征值,其中,删除之后所述第三特征值分类中的特征值数目,不少于在所述第一特征值写入所述第一图像字段之后,所述第一特征值分类中的特征值数目。
为了简便起见,本实施例中的数据库更新方法并没有进行详细的描述,具体请结合图1至图7以及相关描述,此处不在展开描述。
参见图11,图11是本申请提出的一种数据库更新方法的流程示意图。本实施方式的数据库更新方法,应用于服务器,服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段。
S401:服务器获取第四图像中人员的第四特征值以及获取预先存储在服务器的第二预设图像中样例人员的特征值。
在一具体的实施例中,第四图像是图1所示的行人重识别系统中的摄像设备对所述人员进行拍摄得到的人体图像,即,第四图像可以是所述人员的抓拍照,即,第一图像可以包括所述人员的整个人体,或者,大部分人体,并且,第一图像除了包括所述人员的人体之外,还可以包括其他人员或者物体。
在一具体的实施例中,服务器获取第四图像中人员的特征值包括:服务器接收到摄像设备发送的第四图像之后,从第四图像中提取第四图像中人员的特征值。例如,第四图像可以是图4中的人体图像Icolt,将第四图像输入基本网络1,从而得到特征值Si。
在一具体的实施例中,所述第二预设图像为用户上传到服务器中的。所述第二预设图像为所述样例人员的人体图像。即,第二预设图像可以是所述样例人员的全身抓拍照。第二预设图像可以包括所述样例人员的整个人体,或者,大部分人体。
在一具体的实施例中,服务器获取第二预设图像中样例人员的特征值包括以下两种方式:
在第一种方式中,服务器在接收到用户上传的第二预设图像之后,从第二预设图像中提取出样例人员的特征值,例如,第二预设图像可以是图4中的预设人体图像Icolt,将第二预设图像输入基本网络2,从而得到特征值Sj,并存储在数据库的预设特征字段中。当服务器接收到摄像设备发送的第四图像后,从数据库中读取第二预设图像中样例人员的特征值。
在第二种方式中,服务器在接收到用户上传的第二预设图像之后,将第二预设图像存储在数据中。当服务器接收到摄像设备发送的第四图像后,从数据库中读取第二预设图像,并从第二预设图像中提取出样例人员的特征值。例如,第二预设图像可以是图4中的预设人体图像Icolt,将第二预设图像输入基本网络2,从而得到特征值Sj。
S402:服务器第四图像中的人员的第四特征值和所述第二预设图像中样例人员的特征值进行匹配。
在一具体的实施例中,第四图像中的人员的第四特征值可以是图4中的特征值Si,第二预设图像中样例人员的特征值可以是图4中的特征值Sj,按照图4所示的人体识别模型对特征值Si以及特征值Sj进行匹配。
S403:服务器在第四图像中的人员和所述样例人员是同一个人的情况下,确定所述第四图像中的人员的第四特征值属于所述样例人员的图像特征值集合中的所述第四特征值分类。
S404:服务器删除第五特征值分类所对应的第三图像字段中的特征值,其中,删除之后所述第五特征值分类中的特征值数目,不少于在所述第四特征值写入所述第四图像字段之后,所述第四特征值分类中的特征值数目。
S405:服务器将所述第四特征值存储到所述第四特征值分类所对应的第四图像字段中。
为了简便起见,本实施例中的数据库更新方法并没有进行详细的描述,具体请结合图1至图7以及相关描述,此处不在展开描述。
下面将结合图2所示的行人重识别场景以及图7所示的数据库来说明数据库中已知人体图像的更新过程,其中,数据库中预先存储了第一预设图像中样例人员的特征值,第二预设图像中样例人员的特征值,其中,第一预设图像为所述样例人员的脸部特写图像,第二预设图像为所述样例人员的人体图像:
如图12A所示,假设人员沿着图2所示路线前进到摄像设备A附近时,被摄像设备A从正面拍摄得到,从而获得A图像,其中,A图像包括A人脸图像以及A人体图像,其中,A人脸图像是从A人体图像中提取得到的脸部特写图像。摄像设备A将A图像发送给服务器。服务器对A人脸图像中的人员进行特征提取,从而得到A人脸图像中的人员的特征值,将A人脸图像中的人员的特征值和预先存储的第一预设图像的样例人员的特征值进行匹配,从而确定A人脸图像中的人员和第一预设图像中的样例人员是同一个人。在所述人员和所述样例人员是同一个人的情况下,服务器根据A人脸图像查找到A人体图像,并从A人体图像中提取的所述人员的特征值。服务器确定A图像中人员的行进方向为正向,于是,服务器确定数据库中样例人员的正向特征值分类中对应的图像字段中已经存储有特征值,并将正向特征值分类中对应的图像字段中的特征值替换为从A人体图像中提取的所述人员的特征值。
如图12B所示,假设人员继续沿着图2所示路线前进到摄像设备B附近时,被摄像设备B从侧面拍摄得到,从而获得B图像,其中,其中,B图像包括B人体图像。摄像设备B将B图像发送给服务器。服务器对B人体图像中的人员进行特征提取,从而得到B人体图像中的人员的特征值,将B人体图像中的人员的特征值和预先存储的第二预设图像的样例人员的特征值进行匹配,从而确定B人脸图像中的人员和第二预设图像中的样例人员是同一个人。在所述人员和所述样例人员是同一个人的情况下,服务器确定B人体图像中人员的行进方向为侧向,于是,服务器确定数据库中样例人员的侧向特征值分类中对应的图像字段中已经存储有特征值,并将侧向特征值分类中对应的图像字段中的特征值替换为从B人体图像中提取的所述人员的特征值。
如图12C所示,假设人员继续沿着图2所示路线前进到摄像设备C附近时,被摄像设备C从背面拍摄得到,从而获得C图像,其中,C图像包括C人体图像。摄像设备C将C图像发送给服务器。服务器对C人体图像中的人员进行特征提取,从而得到C人体图像中的人员的特征值,将C人体图像中的人员的特征值和预先存储的第二预设图像的样例人员的特征值进行匹配,从而确定C人脸图像中的人员和第二预设图像中的样例人员是同一个人。在所述人员和所述样例人员是同一个人的情况下,服务器确定C图像中人员的行进方向为背向,于是,服务器确定数据库中样例人员的侧向特征值分类中对应的图像字段中已经存储有特征值,并将背向特征值分类中对应的图像字段中的特征值替换为从C人体图像中提取的所述人员的特征值。
图13是一种实现方式的云平台的结构框图。如图13所示,云平台可以包括一个或者多个服务节点。服务节点包括:处理系统210、第一存储器220、智能网卡230以及总线240。
处理系统210可以是采用异构结构,即,包括一个或者多个通用处理器,以及,一个或者多个特殊处理器,例如,GPU或者AI芯片等等,其中,通用处理器可以是能够处理电子指令的任何类型的设备,包括中央处理器(Central Processing Unit,CPU)、微处理器、微控制器、主处理器、控制器以及专用集成电路(Application Specific Integrated Circuit,ASIC)等等。通用处理器执行各种类型的数字存储指令,例如存储在第一存储器220中的软件或者固件程序。在一具体的实施例中,通用处理器可以是x86处理器等等。通用处理器通过物理接口将命令发送给第一存储器220,以完成存储相关的任务,例如,通用处理器可以提供的命令包括读取命令、写入命令、复制命令以及擦除命令等等。所述命令可以指定与第一存储器220的特定页和块有关的操作。特殊处理器用于完成图像渲染的复杂运算等等。
第一存储器220可以包括是随机存取存储器(Random Access Memory,RAM)、快闪存储器(Flash Memory)等,也可以是RAM,只读存储器(Read-Only Memory,ROM)或者硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD)。第一存储器920存储了实现渲染引擎以及渲染应用的程序代码。
智能网卡230,还被称为网络接口控制器、网络接口卡或者局域网(Local AreaNetwork,LAN)适配器。每块智能网卡230都有一个唯一的MAC地址,是智能网卡230厂家在生产时烧入只读存储芯片中的。智能网卡230包括处理器231、第二存储器232以及收发器233。处理器231与通用处理器相类似,但是,处理器231的性能要求可以低于通用处理器的性能要求。在一具体的实施例中,处理器231可以是ARM处理器等等。第二存储器232也可以是快闪存储器、HDD或者SDD,第二存储器232的存储容量可以小于第一存储器220的存储容量。收发器233可以用于接收和发送报文,并将接收到的报文上传给处理器231进行处理。智能网卡230还可以包括多个端口,端口可以是粗缆接口、细缆接口和双绞线接口三种接口类型中的任意一种或者多种。
这里,本实施例的云平台可以用于执行图7-图10中的已知人体图像的更新方法,具体请参见图7-图10以及相关描述,此处不再展开描述。
参见图14,图14是本申请提供的一种服务器的结构示意图。本实施方式的服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段,所述服务器包括:确定模块310、存储模块320以及删除模块330。
所述确定模块310用于在确定第一图像中的人员和所述样例人员是同一个人的情况下,确定所述第一图像中的人员的第一特征值属于所述样例人员的图像特征值集合中的所述第一特征值分类。
所述存储模块320用于将所述第一特征值存储到所述第一特征值分类所对应的第一图像字段中。
所述确定模块310用于在确定第二图像中的人员和所述样例人员是同一个人的情况下,确定所述第二图像中的人员的第二特征值属于所述样例人员的图像特征值集合中的所述第二特征值分类。
所述存储模块320用于将所述第二特征值存储到所述第二特征值分类所对应的第二图像字段中。
所述删除模块330用于删除第三特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第三特征值分类中的特征值数目,不少于在所述第一特征值写入所述第一图像字段之后,所述第一特征值分类中的特征值数目。
图14所示的服务器可以用于执行图7-图9所示的数据库更新方法,具体请参见图7-图9以及相关描述,此处不再展开描述。
参见图15,图15是本申请提供的一种服务器的结构示意图。本实施方式的服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段,所述服务器包括:获取模块410、确定模块420、删除模块430以及存储模块440。
获取模块410用于获取所述第五图像中的人员的第五特征值以及第一预设图像中样例人员的特征值,其中,所述第五图像和所述第四图像是同一个人的不同图像;
确定模块420用于当第五图像中的人员的第五特征值和所述第一预设图像中样例人员的特征值能够匹配,确定第四图像中的目标人员和所述样例人员是同一个人。
所述确定模块420用于在第四图像中的人员和所述样例人员是同一个人的情况下,确定所述第四图像中的人员的第四特征值属于所述样例人员的图像特征值集合中的所述第四特征值分类。
所述删除模块430用于删除第五特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第五特征值分类中的特征值数目,不少于在所述第四特征值写入所述第四图像字段之后,所述第四特征值分类中的特征值数目。
所述存储模块440用于将所述第四特征值存储到所述第四特征值分类所对应的第四图像字段中。
图15所示的服务器可以用于执行图10所示的数据库更新方法,具体请参见图10以及相关描述,此处不再展开描述。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,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,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地生成按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (20)
1.一种数据库更新方法,其特征在于,服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,所述方法包括:
在确定第一图像中的人员和所述样例人员是同一个人的情况下,确定所述第一图像中的人员的第一特征值属于所述样例人员的图像特征值集合中的所述第一特征值分类;
将所述第一特征值存储到所述第一特征值分类所对应的第一图像字段中;
在确定第二图像中的人员和所述样例人员是同一个人的情况下,确定所述第二图像中的人员的第二特征值属于所述样例人员的图像特征值集合中的所述第二特征值分类;
将所述第二特征值存储到所述第二特征值分类所对应的第二图像字段中。
2.根据权利要求1中的方法,其特征在于,确定第一图像中的人员和所述样例人员是同一个人的具体过程包括:
获取第三图像中的人员的第三特征值以及第一预设图像中样例人员的特征值,其中,所述第三图像和所述第一图像是同一个人的不同图像;
当第三图像中的人员的第三特征值和所述第一预设图像中样例人员的特征值能够匹配,则确定第一图像中的人员和所述样例人员是同一个人。
3.根据权利要求2所述的方法,其特征在于,所述第三图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第一图像为所述人员的人体图像。
4.根据权利要求1中的方法,其特征在于,确定第一图像中的人员和所述样例人员是同一个人的过程具体包括:
获取所述第一图像中人员的所述第一特征值以及第二预设图像中所述样例人员的特征值;
当第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值能够匹配,则确定第一图像中的人员和所述样例人员是同一个人。
5.根据权利要求1至4任一权利要求所述的方法,其特征在于,所述多个特征分类还包括第三特征值分类,所述方法还包括:
删除第三特征值分类所对应的第三图像字段中的特征值;
删除之后所述第三特征值分类中的特征值数目,不少于在所述第一特征值写入所述第一图像字段之后,所述第一特征值分类中的特征值数目。
6.一种数据库更新方法,其特征在于,服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段,所述方法包括:
在第四图像中的人员和所述样例人员是同一个人的情况下,确定所述第四图像中的人员的第四特征值属于所述样例人员的图像特征值集合中的所述第四特征值分类;
删除第五特征值分类所对应的第三图像字段中的特征值;
删除之后所述第五特征值分类中的特征值数目,不少于在所述第四特征值写入所述第四图像字段之后,所述第四特征值分类中的特征值数目;
将所述第四特征值存储到所述第四特征值分类所对应的第四图像字段中。
7.根据权利要求6所述的方法,其特征在于,确定第四图像中的人员和所述样例人员是同一个人的具体过程包括:
获取所述第五图像中的人员的第五特征值以及第一预设图像中样例人员的特征值,其中,所述第五图像和所述第四图像是同一个人的不同图像;
当第五图像中的人员的第五特征值和所述第一预设图像中样例人员的特征值能够匹配,则确定第四图像中的目标人员和所述样例人员是同一个人。
8.根据权利要求7所述的方法,其特征在于,所述第五图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第四图像为所述人员的人体图像。
9.根据权利要求6中的方法,其特征在于,确定第四图像中的人员和所述样例人员是同一个人的过程具体包括:
获取所述第四图像中人员的所述第四特征值以及第二预设图像中所述样例人员的特征值;
当第四图像中的人员的第四特征值和所述第二预设图像中样例人员的特征值能够匹配,则确定第四图像中的人员和所述样例人员是同一个人。
10.一种服务器,其特征在于,所述服务器中运行有数据库,所述数据库记录有样例人员的包括第一特征值分类、第二特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均对应于图像字段,包括:确定模块以及存储模块,
所述确定模块用于在确定第一图像中的人员和所述样例人员是同一个人的情况下,确定所述第一图像中的人员的第一特征值属于所述样例人员的图像特征值集合中的所述第一特征值分类;
所述存储模块用于将所述第一特征值存储到所述第一特征值分类所对应的第一图像字段中;
所述确定模块用于在确定第二图像中的人员和所述样例人员是同一个人的情况下,确定所述第二图像中的人员的第二特征值属于所述样例人员的图像特征值集合中的所述第二特征值分类;
所述存储模块用于将所述第二特征值存储到所述第二特征值分类所对应的第二图像字段中。
11.根据权利要求10中的服务器,其特征在于,
所述确定模块用于获取第三图像中的人员的第三特征值以及第一预设图像中样例人员的特征值,其中,所述第三图像和所述第一图像是同一个人的不同图像;在第三图像中的人员的第三特征值和所述第一预设图像中样例人员的特征值能够匹配的情况下,确定第一图像中的人员和所述样例人员是同一个人。
12.根据权利要求11所述的服务器,其特征在于,所述第三图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第一图像为所述人员的人体图像。
13.根据权利要求10中的服务器,其特征在于,
所述确定模块用于获取所述第一图像中人员的所述第一特征值以及第二预设图像中所述样例人员的特征值;在第一图像中的人员的第一特征值和所述第二预设图像中样例人员的特征值能够匹配的情况下,确定第一图像中的人员和所述样例人员是同一个人。
14.根据权利要求10至13任一权利要求所述的服务器,其特征在于,所述多个特征分类还包括第三特征值分类,所述服务器还包括删除模块,
所述删除模块用于删除第三特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第三特征值分类中的特征值数目,不少于在所述第一特征值写入所述第一图像字段之后,所述第一特征值分类中的特征值数目。
15.一种服务器,其特征在于,服务器中运行有数据库,所述数据库记录有样例人员的包括第四特征值分类、第五特征值分类在内的多个特征值分类,所述多个特征值分类中的每个特征值分类均包括图像字段,所述服务器包括:确定模块、删除模块以及存储模块,
所述确定模块用于在第四图像中的人员和所述样例人员是同一个人的情况下,确定所述第四图像中的人员的第四特征值属于所述样例人员的图像特征值集合中的所述第四特征值分类;
所述删除模块用于删除第五特征值分类所对应的第三图像字段中的特征值;其中,删除之后所述第五特征值分类中的特征值数目,不少于在所述第四特征值写入所述第四图像字段之后,所述第四特征值分类中的特征值数目;
所述存储模块用于将所述第四特征值存储到所述第四特征值分类所对应的第四图像字段中。
16.根据权利要求15所述的服务器,其特征在于,所述服务器还包括获取模块,
所述获取模块用于获取所述第五图像中的人员的第五特征值以及第一预设图像中样例人员的特征值,其中,所述第五图像和所述第四图像是同一个人的不同图像;
所述确定模块用于在第五图像中的人员的第五特征值和所述第一预设图像中样例人员的特征值能够匹配的情况下,确定第四图像中的目标人员和所述样例人员是同一个人。
17.根据权利要求16所述的服务器,其特征在于,所述第五图像为所述人员的人脸特写图像,所述第一预设图像为所述样例人员的人脸特写图像,所述第四图像为所述人员的人体图像。
18.根据权利要求6中的服务器,其特征在于,所述服务器还包括获取模块,
所述获取模块用于获取所述第四图像中人员的所述第四特征值以及第二预设图像中所述样例人员的特征值;
所述确定模块用于在第四图像中的人员的第四特征值和所述第二预设图像中样例人员的特征值能够匹配的情况下,确定第四图像中的人员和所述样例人员是同一个人。
19.一种服务器,其特征在于,包括处理器和存储器,所述处理器执行所述存储器中的代码执行如权利要求1至9任一权利要求所述的方法。
20.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1至9任一权利要求所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744159.XA CN114092955A (zh) | 2020-07-29 | 2020-07-29 | 数据库更新方法、设备以及存储介质 |
PCT/CN2021/088791 WO2022021956A1 (zh) | 2020-07-29 | 2021-04-21 | 数据库更新方法、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744159.XA CN114092955A (zh) | 2020-07-29 | 2020-07-29 | 数据库更新方法、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092955A true CN114092955A (zh) | 2022-02-25 |
Family
ID=80037481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010744159.XA Pending CN114092955A (zh) | 2020-07-29 | 2020-07-29 | 数据库更新方法、设备以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114092955A (zh) |
WO (1) | WO2022021956A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361327B (zh) * | 2014-11-20 | 2018-09-18 | 苏州科达科技股份有限公司 | 一种行人检测方法和系统 |
CN108629233A (zh) * | 2017-03-20 | 2018-10-09 | 华为技术有限公司 | 一种行人检索方法及装置 |
CN108229314B (zh) * | 2017-11-28 | 2021-05-04 | 深圳市商汤科技有限公司 | 目标人物的搜索方法、装置和电子设备 |
CN110609920B (zh) * | 2019-08-05 | 2022-03-18 | 华中科技大学 | 一种视频监控场景下的行人混合搜索方法及系统 |
CN111460884A (zh) * | 2020-02-09 | 2020-07-28 | 天津博宜特科技有限公司 | 基于人体跟踪的多人脸识别方法 |
-
2020
- 2020-07-29 CN CN202010744159.XA patent/CN114092955A/zh active Pending
-
2021
- 2021-04-21 WO PCT/CN2021/088791 patent/WO2022021956A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022021956A1 (zh) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019128507A1 (zh) | 图像处理方法、装置、存储介质及电子设备 | |
JP6471934B2 (ja) | 画像認識方法、カメラシステム | |
WO2018177237A1 (zh) | 图像处理方法、装置和存储介质 | |
WO2019137131A1 (zh) | 图像处理方法、装置、存储介质及电子设备 | |
WO2020206850A1 (zh) | 基于高维图像的图像标注方法和装置 | |
WO2021114814A1 (zh) | 人体属性识别方法、装置、电子设备以及存储介质 | |
CN110235138A (zh) | 用于外观搜索的系统和方法 | |
CN108323204A (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
CN111382613B (zh) | 图像处理方法、装置、设备和介质 | |
CN106165386A (zh) | 用于照片上传和选择的自动化技术 | |
WO2020111776A1 (en) | Electronic device for focus tracking photographing and method thereof | |
WO2020042126A1 (zh) | 一种对焦装置、方法及相关设备 | |
JP2016099734A (ja) | 画像処理装置、情報処理方法及びプログラム | |
CN113591527A (zh) | 一种对象轨迹识别方法、装置、电子设备和存储介质 | |
CN109800699A (zh) | 图像识别方法、系统及装置 | |
WO2024077935A1 (zh) | 一种基于视觉slam的车辆定位方法及装置 | |
CN106980372B (zh) | 一种无需地面操控终端的无人机操控方法及系统 | |
CN112435257A (zh) | 一种多光谱成像的烟雾检测方法及系统 | |
CN109635649B (zh) | 一种无人机侦察目标的高速检测方法及系统 | |
US20210342577A1 (en) | Face recognition method and face recognition device | |
CN205883437U (zh) | 一种视频监控系统 | |
WO2022016909A1 (zh) | 获取Wi-Fi指纹空间分布的方法、装置和电子设备 | |
JP5436142B2 (ja) | 画像処理装置、画像処理システムおよび画像処理装置の制御方法 | |
CN114092955A (zh) | 数据库更新方法、设备以及存储介质 | |
CN114092720A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 |
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 |