CN114333041B - 一种图像处理方法、装置、设备及介质 - Google Patents
一种图像处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114333041B CN114333041B CN202210228651.0A CN202210228651A CN114333041B CN 114333041 B CN114333041 B CN 114333041B CN 202210228651 A CN202210228651 A CN 202210228651A CN 114333041 B CN114333041 B CN 114333041B
- Authority
- CN
- China
- Prior art keywords
- face
- vehicle
- determining
- picture
- similarity
- 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.)
- Active
Links
Images
Abstract
本申请公开了一种图像处理方法、装置、设备及介质。由于先确定与目标车窗图片对应的车牌号相关联的人脸类簇,然后根据人脸类簇对应的聚档车辆特征,对目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。后续根据调整后的相似度以及预设的相似度阈值,确定该目标车窗图片所归属的人脸类簇,从而实现准确地确定该人脸的身份,进而提高人像聚档的准确性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、设备及介质。
背景技术
随着智能视频监控设备的大量普及,每天都会累积海量的人像图片。为了方便对道路上的过往人员进行管理,可以使用人像聚档方法,将采集到的人像图片以人为单位进行归档。其中,该采集到的人像图片主要包括过往的行人图片,以及乘坐在机动车内的乘客的车窗图片。
相关技术中,可以提取采集到的人像图片中人脸的人脸特征,然后将该人脸特征与预设的标准人脸特征进行比对,从而确定该人脸的身份信息,实现对该人像图片进行人像聚档。考虑到车窗图片除了具有图片特征之外,还包含有乘客所乘坐的车辆的信息,使得在对车窗图片进行人像归档时,可以借助该车辆的信息,确定与提取到的人脸特征进行比对的标准人脸特征,例如,可以根据该车辆的信息,确定该车辆对应的车主身份证图片,将从该车主身份证图片所提取到的人脸特征确定为标准人脸特征。对于该种人像聚档的方法,由于机动车的移动速度比行人的行走速度快,且车窗玻璃的一般会存在一定反光现象,使得采集到的车窗图片一般会比行人图片质量差,降低了从该车窗图片中提取到的人脸特征的准确性,后续将该人脸特征与预设的标准人脸特征进行比对时,无法获取到准确地比对结果,降低人像聚档的准确性。
因此,如何提高人像聚档的准确性是一个亟待解决的问题。
发明内容
本申请实施例提供了一种图像处理方法、装置、设备及介质,用以解决现有人像聚档的准确性低的问题。
本申请实施例提供了一种图像处理方法,所述方法包括:
确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇。
本申请实施例提供了一种图像处理装置,所述装置包括:
确定单元,用于确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
调整单元,用于根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
处理单元,用于根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇。
本申请实施例提供了一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述所述图像处理方法的步骤。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述图像处理方法的步骤。
由于在对目标车窗图片中包含的人脸进行人像聚档时,可以先确定与目标车窗图片对应的车牌号相关联的人脸类簇,然后根据人脸类簇对应的聚档车辆特征,对目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。后续根据调整后的相似度以及预设的相似度阈值,确定该目标车窗图片所归属的人脸类簇,从而实现准确地确定该人脸的身份,进而提高人像聚档的准确性。
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要介绍,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,对于本领域的普通技术人员来讲,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。
图1为本申请实施例提供的一种图像处理过程示意图;
图2为本申请实施例提供的一种主副驾信息与车辆类型之间的权重值示意图;
图3为本申请实施例提供的具体的图像处理流程示意图;
图4为本申请实施例提供的一种图像处理装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。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劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
本领域技术人员知道,本申请的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本申请可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
在本文中,需要理解的是,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
为了提高人像聚档的准确性,本申请实施例提供了一种图像处理方法、装置、设备及介质。
实施例1:
图1为本申请实施例提供的一种图像处理过程示意图,该过程包括以下步骤:
S101:确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的。
本申请实施例提供的图像处理方法应用于电子设备,该电子设备可以是图像采集设备,也可以是接收到图像采集设备采集到的图像的PC、服务器等设备。
在一些可能的应用场景中,道路两旁会安装有至少一个摄像头,以实时采集途径该道路的行人的图像(记为人像图片),和/或,车辆图片,从而方便后续对道路上的过往人员进行管理。其中,每个摄像头的拍摄区域可以不同,也可以不同,相邻摄像头的拍摄区域之间可以存在重叠。另外保证能够得到途径道路的所有人像图片以及车辆图片,每个摄像头可以按照一定的采集周期进行图像的采集,或者按照设置的采集时间进行图像的采集。后续电子设备可以对摄像头采集到的图片(包括人像图片以及车辆图片)进行相应的处理,从而实现对获取到的图片进行人像聚档。
由于机动车的移动速度比行人的行走速度快,且车窗玻璃的一般会存在一定反光现象,使得采集到的车窗图片一般会比行人图片质量差,降低了对该车窗图像中人脸进行人像聚档的准确性。因此,在本申请中,电子设备可以对获取到的车窗图片,采用本申请提供的图像处理方法进行处理,从而实现准确地对获取到的车窗图片中人脸进行人像聚档。示例性的,电子设备首先获取目标车窗图片以及该目标车窗图片中车辆的车牌号。其中,电子设备可以将获取到的所有车窗图片均确定为目标车窗图片,也可以将获取到的部分车窗图片确定为目标车窗图片,例如,将获取到的无法准确地继续人像聚档的车窗图片确定为目标车窗图片,或,将包含有不清晰的人脸的车窗图片确定为目标车窗图片。
在一种示例中,电子设备获取到图片后,可以对该图片进行特征提取,获取该图片的特征信息。若确定该特征信息中包含有人脸特征以及车辆特征,则确定该图片为车窗图片。然后将该人脸特征与预设的标准人脸特征进行比对,若确定不存在匹配的标准人脸特征,且提取到该车窗图片中车辆的车牌号,则可以将该车窗图片确定为目标车窗图片。
其中,该车辆特征包括以下的一项或多项:主副驾信息、性别、车辆颜色,车辆类型。
在另一种示例中,电子设备可以只对包含有不清晰人脸的车窗图片,采用本申请的图像处理方法进行处理,以减少电子设备所需处理的车窗图片的数量,降低电子设备的功耗。因此,在本申请中,预设有清晰条件,以确定获取到的图片中人脸是否清晰。示例性的,当电子设备获取到图片后,可以对该图片进行特征提取,获取该图片的特征信息。若确定该特征信息中包含有人脸特征以及车辆特征,则确定该图片为车窗图片。然后判断该车窗图片中人脸是否满足预设的清晰条件。若确定该车窗图片中人脸满足预设的清晰条件,则确定可以直接基于该车窗图片中人脸的人脸特征进行人像聚档,例如,将该人脸特征与预设的标准人脸特征进行比对,根据比对结果,对该人脸进行人像聚档。若确定该车窗图片中人脸不满足预设的清晰条件,且获取到该车窗图片中包含的车辆的车牌号,说明车窗图片中人脸是不清晰的,可能无法准确地对该车窗图片中人脸进行人像聚档,则可以将该车窗图片确定为目标车窗图片。也就是说,若确定车窗图片中人脸不满足预设的清晰条件,且获取到该车窗图片中包含的车辆的车牌号,则确定所述图片为目标车窗图片。
需要说明的是,对获取到的图片进行特征提取以及获取车窗图片中包含的车辆的车牌号的方法均属于现有技术,在此不做赘述。
在一种可能的实施方式中,电子设备可以通过如下至少一种方式确定所述图片中人脸不满足预设的清晰条件:
方式一、根据该图片中包含有该人脸的区域的清晰度,确定该图片中人脸是否满足预设的清晰条件。
示例性的,预设有清晰度阈值,电子设备获取到该图片中包含有该人脸的区域的清晰度后,可以判断该清晰度是否高于预设的清晰度阈值。若确定该清晰度高于预设的清晰度阈值,说明该图片中人脸是清晰的,则确定该图片中人脸满足预设的清晰条件。若确定该清晰度不高于预设的清晰度阈值,说明该图片中人脸是模糊的,则确定该图片中人脸不满足预设的清晰条件。
需要说明的是,获取图片中包含有该人脸的区域的清晰度的方法属于现有技术,在此不做赘述。
方式二、考虑到图片的亮度过高或过低,都会影响到从该图片中提取到的人脸特征的准确性。因此,在本申请中,可以根据该图片中包含有该人脸的区域的亮度,确定该图片中人脸是否满足预设的清晰条件。
示例性的,预设有亮度范围,电子设备获取到该图片中包含有该人脸的区域的亮度后,可以判断该亮度是否位于预设的亮度范围内。若确定该亮度位于预设的亮度范围内,说明该区域处未存在曝光或欠光的问题,则确定该图片中人脸满足预设的清晰条件。若确定该亮度不位于预设的亮度范围内,说明该区域可能存在曝光或欠光的问题,则确定该图片中人脸不满足预设的清晰条件。
需要说明的是,获取图片中包含有该人脸的区域的亮度的方法属于现有技术,在此不做赘述。
方式三、考虑到图片中人脸的俯仰角度可能会导致图片中人脸发生变形,从而影响从该图片中提取到的人脸特征的准确性。因此,在本申请中,可以根据该图片中该人脸的俯仰角度,确定该图片中人脸是否满足预设的清晰条件。
示例性的,预设有俯仰角范围,电子设备获取到该图片中该人脸的俯仰角度后,可以判断该俯仰角度是否位于预设的俯仰角范围内。若确定该俯仰角度位于预设的俯仰角范围内,说明该图片中人脸不存在形变的问题,则确定该图片中人脸满足预设的清晰条件。若确定该俯仰角度未位于预设的俯仰角范围内,说明该图片中人脸可能存在形变的问题,则确定该图片中人脸不满足预设的清晰条件。
需要说明的是,获取图片中该人脸的俯仰角度的方法属于现有技术,在此不做赘述。
方式四、考虑到图片中人脸的宽度过宽过窄可能是图片中人脸发生了形变,从而影响从该图片中提取到的人脸特征的准确性。因此,在本申请中,可以根据该图片中该人脸的宽度,确定该图片中人脸是否满足预设的清晰条件。
示例性的,预设有宽度范围,电子设备获取到该图片中包含有该人脸的区域的宽度后,可以判断该宽度是否位于预设的宽度范围内。若确定该宽度位于预设的宽度范围内,说明该图片中人脸不存在形变的问题,则确定该图片中人脸满足预设的清晰条件。若确定该宽度未位于预设的宽度范围内,说明该图片中人脸可能存在形变的问题,则确定该图片中人脸不满足预设的清晰条件。
需要说明的是,获取图片中该人脸的宽度的方法属于现有技术,在此不做赘述。
当基于上述的实施例获取到了目标车窗图片以及目标车窗图片对应的车牌号后,可以根据该车牌号,确定与该车牌号关联的人脸类簇,这样可以通过目标车窗图片对应的车牌号以及与该车牌号关联的人脸类簇,确定该目标车窗图片中人脸可能存在的身份。其中,该人脸类簇可以是基于预先收集的数据库(比如,黑名单、驾驶员身份库等)中人脸图片确定的,也可以是基于实时的人像聚档结果确定的。具体实施过程中,可以根据实际需求进行灵活设置,在此不做具体限定。
需要说明的是,与该车牌号关联的人脸类簇可能是一个或多个。
在本申请中,对于任一人脸类簇,该人脸类簇均对应有标准人脸特征。示例性的,可以获取归属于该人脸类簇的所有车窗图片中人脸的人脸特征,并通过聚类算法,比如,K均值算法等,对所有人脸特征进行聚类,以获取聚类中心,然后根据该聚类中心,确定该人脸类簇对应的标准人脸特征。可以理解的是,该标准人脸特征为归属于该人脸类簇的所有车窗图片中人脸的人脸特征的聚类中心。
其中,该人脸类簇还对应有车辆特征,该车辆特征是根据归属于该人脸类簇的所有车窗图片中的车辆所确定的。
S102:根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整。
基于上述的实施例获取到与目标车窗图片对应的车牌号关联的人脸类簇后,可以获取目标车窗图片中人脸的人脸特征与该人脸类簇对应的标准人脸特征之间的相似度。然后基于该相似度,确定该人脸所归属的人脸类簇。
在一种可能的实施方式中,可以获取人脸类簇对应的车辆特征(记为聚档车辆特征),然后根据该聚档车辆特征,对获取到的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。
在一种示例中,可以确定不同类型的车辆特征之间的权重值,对获取到的相似度进行调整。示例性的,该不同类型的车辆特征之间的权重值,可以是车辆颜色与主副驾信息之间的权重值,或,主副驾信息与车辆类型之间的权重值,或车辆类型与车辆颜色之间的权重值等。
图2为本申请实施例提供的一种主副驾信息与车辆类型之间的权重值示意图。当不同类型的车辆特征之间的权重值为主副驾信息与车辆类型之间的权重值时,该主副驾信息与车辆类型之间的权重值可以如图2所示。
在一种可能的实施方式中,不同类型的车辆特征之间的权重值可以是工作人员根据人为经验进行设置的,也可以是人脸类簇分别包含每种车辆特征的车窗图片的数量确定的。
示例性的,对于不同类型的两个车辆特征,确定具有该两个车辆特征的车窗图片的细分数量。例如,不同类型的车辆特征之间的权重值为主副驾信息与车辆类型之间的权重值时,主副驾信息包括主驾和副驾,车辆类型包括轿车、货车、客车以及其他,不同类型的两个车辆特征可以为(主驾、轿车),(主驾、货车),(主驾、客车),(主驾、其他),(副驾、轿车),(副驾、货车),(副驾、客车),(副驾、其他)。其中,(主驾、轿车)的细分数量为10000张,(主驾、货车)的细分数量为8000张,(主驾、客车)的细分数量为8500张,(主驾、其他)的细分数量为8500张,(副驾、轿车)的细分数量为8500张,(副驾、货车)的细分数量为7500张,(副驾、客车)的细分数量为7000张,(副驾、其他)的细分数量为6000张。
获取到任一细分数量后,可以基于比例对标值,将该细分数量进行量化,并将量化后的数值确定为该两种类型的车辆特征之间的权重值。其中,该比例对标值可以是基于细分数量最大值确定的,也可以是工作人员根据经验值进行设定的。仍以上述获取到的每个细分数量为例,若基于细分数量最大值确定比例对标值,则该比例对标值为10000。
当基于上述的实施例确定了每个权重值后,针对每个权重值,可以从该人脸类簇包含的所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量,并确定该数量与该权重值的乘积。以图2为例,当不同类型的车辆特征之间的权重值为主副驾信息与车辆类型之间的权重值时,人脸类簇中具有(主驾、轿车)的车辆特征的参考车窗图片有150张,则该乘积为1*150=150,具有(主驾、货车)的车辆特征的参考车窗图片有30张,则该乘积为30*0.8=24。
在一种示例中,从该人脸类簇包含的所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量时,判断该目标车窗图片是否具有该权重值所对应的车辆特征。若确定目标车窗图片具有该权重值对应的车辆特征,则可以在该数量上增加预设数值并更新。其中,该预设数值可以为任一数值,比如,1,2,10等。
获取到每个权重值分别对应的乘积后,获取每个乘积的和与该人脸类簇包含的所有车窗图片的总数量的比值,并根据该比值对获取到的相似度进行调整。例如,若该人脸类簇中包含有6400张,(主驾、轿车)对应的乘积为150,(主驾、货车)对应的乘积为24,则两个乘积的和为174,每个乘积的和与该人脸类簇包含的所有车窗图片的总数量的比值为0.027。在获取到的相似度上增加该0.027。
为了避免调整的幅度过大,影响相似度的准确性,可以预设有最大相似拉伸值,例如,0.1~0.2等。当基于上述的实施例获取到比值后,可以根据所述比值与预设的最大相似拉伸值,对所述相似度进行调整。示例性的,获取该比值与预设的最大相似拉伸值的乘积,根据该乘积对该相似度进行调整。
需要说明的是,在设置最大相似拉伸值时,可以根据场景的不同,设置不同的值。如果希望避免调整的幅度过大,影响相似度的准确性,则可以将该最大相似拉伸值设置的小一些;如果希望尽可能将目标车窗 图片进行人像聚档,则可以将该最大相似拉伸值设置的大一些。
示例性的,若不同类型的车辆特征之间的权重值为第一类型的车辆特征与第二类型的车辆特征之间的权重值,则通过如下公式根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整:
其中,表示调整前的相似度,表示调整后的相似度,i表示第一类
型的第i个车辆特征,j表示第二类型的第j个车辆特征,表示第i个车辆特征与第j个车
辆特征之间的权重值,表示目标车窗图片、以及人脸类簇包含的所有车窗图片中,具有
第i个车辆特征和第j个车辆特征的图片的数量,表示目标车窗图片、以及人脸类簇
包含的所有车窗图片的总数量,表示预设的最大相似拉伸值。
在另一种示例中,可以确定与目标车窗图片中车辆的车辆特征相同的聚档车辆特征的目标数量,然后根据该目标数量,对该相似度进行调整。示例性的,预设有数量与调整幅度值的对应关系,当获取到目标数量后,可以根据数量与调整幅度值的对应关系,确定目标数量对应的调整幅度值。然后根据该调整幅度值,对获取到的相似度进行调整。
在一种可能的实施方式中,获取到相似度后,可以先确定该相似度是否大于预设的相似度阈值,以在确定该相似度大于预设的相似度阈值时,不再对相似度进行调整,从而降低电子设备的计算量,提高人像聚档的效率。示例性的,若确定该相似度大于预设的相似度阈值,说明该目标车窗图片中人脸可能是该人脸类簇所归属的人脸,则确定该目标车窗图片归属于该人脸类簇。若确定该相似度不大于预设的相似度阈值,则可以对该相似度进行调整,根据调整后的相似度,确定目标车窗图片所归属的人脸类簇。
S103:根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇。
当基于上述的实施例获取到调整后的相似度后,可以判断该调整后的相似度是否大于预设的相似度阈值。若确定该调整后的相似度大于预设的相似度阈值,说明该目标车窗图片中人脸可能是该人脸类簇所归属的人脸,则确定该目标车窗图片归属于该人脸类簇。若确定该调整后的相似度不大于预设的相似度阈值,说明该目标车窗图片中人脸可能不是该人脸类簇所归属的人脸,则确定该目标车窗图片不归属于该人脸类簇。
由于在对目标车窗图片中包含的人脸进行人像聚档时,可以先确定与目标车窗图片对应的车牌号相关联的人脸类簇,然后根据人脸类簇对应的聚档车辆特征,对目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。后续根据调整后的相似度以及预设的相似度阈值,确定该目标车窗图片所归属的人脸类簇,从而实现准确地确定该人脸的身份,进而提高人像聚档的准确性。
实施例2:
下面通过具体的实施例对本申请提供的图像处理方法进行说明,图3为本申请实施例提供的具体的图像处理流程示意图,该流程包括:
S301:获取图片并进行特征提取,获取该图片的特征信息。
S302:筛选出车窗图片以及人像图片,执行S312。
S303:从车窗图片中确定目标车窗图片。
在一种示例中,具体从车窗图片中确定目标车窗图片以及非目标车窗图片的过程包括:
若确定车窗图片中人脸不满足预设的清晰条件,且获取到车窗图片中包含的车辆的车牌号,则确定图片为目标车窗图片;
若确定车窗图片中人脸满足预设的清晰条件,则确定图片为非目标车窗图片。
S304:确定与目标车窗图片对应的车牌号相关联的人脸类簇。
S305:确定目标车窗图片中人脸的人脸特征与该人脸类簇对应的标准人脸特征之间的相似度。
需要说明的是,在执行S306之前,可以先确定该相似度是否大于预设的相似度阈值,以在确定该相似度大于预设的相似度阈值时,不再对相似度进行调整,从而降低电子设备的计算量,提高人像聚档的效率。示例性的,若确定该相似度大于预设的相似度阈值,说明该目标车窗图片中人脸可能是该人脸类簇所归属的人脸,则执行S310。若确定该相似度不大于预设的相似度阈值,则执行S306。
S306:确定不同类型的车辆特征之间的权重值。
S307:针对每个权重值,从目标车窗图片以及该人脸类簇包含的所有车窗图片中,确定具有该权重值所对应的车辆特征的图片的数量,确定该数量与该权重值的乘积。
S308:获取目标车窗图片与该人脸类簇包含的所有车窗图片的总数量,并根据S307获取到的每个乘积的和、与该总数量的比值,对目标车窗图片中人脸的人脸特征与该人脸类簇对应的标准人脸特征之间的相似度进行调整。
示例性的,若不同类型的车辆特征之间的权重值为第一类型的车辆特征与第二类型的车辆特征之间的权重值,则通过如下公式根据人脸类簇对应的聚档车辆特征,对人脸的人脸特征与标准人脸特征之间的相似度进行调整:
其中,表示调整前的相似度,表示调整后的相似度,i表示第一类
型的第i个车辆特征,j表示第二类型的第j个车辆特征,表示第i个车辆特征与第j个车
辆特征之间的权重值,表示目标车窗图片、以及人脸类簇包含的所有车窗图片中,具有
第i个车辆特征和第j个车辆特征的图片的数量,表示目标车窗图片、以及人脸类簇
包含的所有车窗图片的总数量,表示预设的最大相似拉伸值。
S309:判断调整后的相似度是否大于预设的相似度阈值,若是,执行S310,否则,执行S311。
S310:确定该目标车窗图片归属于该人脸类簇。
S311:确定该目标车窗图片不归属于该人脸类簇。
S312:基于人脸特征与预设的标准人脸特征之间的相似度,确定执行本步骤的图片所归属的人脸类簇。
实施例3:
本申请实施例提供了一种图像处理装置,图4为本申请实施例提供的一种图像处理装置的结构示意图,该装置包括:
确定单元41,用于确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
调整单元42,用于根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
处理单元43,用于根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇。
在某些可能的实施方式中,所述确定单元41,还用于确定与目标车窗图片对应的车牌号相关联的人脸类簇之前,获取任一车窗图片;若确定所述车窗图片中人脸不满足预设的清晰条件,且获取到所述车窗图片中包含的车辆的车牌号,则确定所述图片为目标车窗图片。
在某些可能的实施方式中,所述确定单元41,具体用于通过如下至少一种方式确定所述图片中人脸不满足预设的清晰条件:
所述图片中包含有所述人脸的区域的清晰度不高于预设的清晰度阈值;
所述区域的亮度未位于预设的亮度范围内;
所述人脸的俯仰角度未位于预设的俯仰角范围内;
所述区域的宽度未位于预设的宽度范围内。
在某些可能的实施方式中,所述调整单元42,具体用于确定不同类型的车辆特征之间的权重值;针对每个所述权重值,从所述所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量;确定所述数量与所述权重值的乘积;根据每个所述乘积的和、与所述所有车窗图片的总数量的比值,对所述相似度进行调整。
在某些可能的实施方式中,所述调整单元42,具体用于对于不同类型的两个车辆特征,确定具有该两个车辆特征的车窗图片的细分数量;基于比例对标值,将所述细分数量进行量化,并将量化后的数值确定为该两个车辆特征之间的权重值。
在某些可能的实施方式中,所述调整单元42,还用于从所述所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量之后,确定所述数量与所述权重值的乘积之前,针对每个所述权重值,若所述目标车窗图片具有该权重值所对应的车辆特征,则对所述数量增加预设数值并更新。
在某些可能的实施方式中,所述调整单元42,具体用于根据所述比值与预设的最大相似拉伸值,对所述相似度进行调整。
在某些可能的实施方式中,所述确定单元41,还用于确定与目标车窗图片对应的车牌号相关联的人脸类簇之后,根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整之前,确定所述相似度不大于所述相似度阈值。
由于在对目标车窗图片中包含的人脸进行人像聚档时,可以先确定与目标车窗图片对应的车牌号相关联的人脸类簇,然后根据人脸类簇对应的聚档车辆特征,对目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。后续根据调整后的相似度以及预设的相似度阈值,确定该目标车窗图片所归属的人脸类簇,从而实现准确地确定该人脸的身份,进而提高人像聚档的准确性。
实施例4:
在上述实施例的基础上,本申请实施例还提供了一种电子设备,图5为本申请实施例提供的一种电子设备的结构示意图,如图5所示,包括:处理器51、通信接口52、存储器53和通信总线54,其中,处理器51,通信接口52,存储器53通过通信总线54完成相互间的通信;
存储器53中存储有计算机程序,当程序被处理器51执行时,使得处理器51执行如下步骤:
确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇。
由于上述电子设备解决问题的原理与图像处理方法相似,因此上述电子设备的实施可以参见方法的实施例,重复之处不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口52用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(RandomAccess Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列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。
由于在对目标车窗图片中包含的人脸进行人像聚档时,可以先确定与目标车窗图片对应的车牌号相关联的人脸类簇,然后根据人脸类簇对应的聚档车辆特征,对目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。后续根据调整后的相似度以及预设的相似度阈值,确定该目标车窗图片所归属的人脸类簇,从而实现准确地确定该人脸的身份,进而提高人像聚档的准确性。
实施例5:
在上述各实施例的基础上,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有可由处理器执行的计算机程序,当程序在处理器上运行时,使得处理器执行时实现如下步骤:
确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇。
由于上述计算机可读存储介质解决问题的原理与图像处理方法相似,因此上述计算机可读存储介质的实施可以参见方法的实施,重复之处不再赘述。
由于在对目标车窗图片中包含的人脸进行人像聚档时,可以先确定与目标车窗图片对应的车牌号相关联的人脸类簇,然后根据人脸类簇对应的聚档车辆特征,对目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度进行调整,从而实现结合与人脸类簇关联的车辆特征、及目标车窗图片中车辆的车辆特征,动态调整目标车窗图片中人脸的人脸特征与该标准人脸特征之间的相似度,避免目标车窗图片中人脸特征不清晰所导致的无法对该人脸进行聚档的情况,有利于提高人像聚档的准确性。后续根据调整后的相似度以及预设的相似度阈值,确定该目标车窗图片所归属的人脸类簇,从而实现准确地确定该人脸的身份,进而提高人像聚档的准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇;
其中,所述根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整,包括:
确定不同类型的车辆特征之间的权重值;
针对每个所述权重值,从所述所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量;确定所述数量与所述权重值的乘积;
根据每个所述乘积的和、与所述所有车窗图片的总数量的比值,对所述相似度进行调整。
2.根据权利要求1所述的方法,其特征在于,所述确定与目标车窗图片对应的车牌号相关联的人脸类簇之前,所述方法还包括:
获取任一车窗图片;
若确定该车窗图片中人脸不满足预设的清晰条件,且获取到该车窗图片中包含的车辆的车牌号,则确定该车窗图片为目标车窗图片。
3.根据权利要求2所述的方法,其特征在于,通过如下至少一种方式确定该车窗图片中人脸不满足预设的清晰条件,包括:
该车窗图片中包含有所述人脸的区域的清晰度不高于预设的清晰度阈值;
所述区域的亮度未位于预设的亮度范围内;
所述人脸的俯仰角度未位于预设的俯仰角范围内;
所述区域的宽度未位于预设的宽度范围内。
4.根据权利要求1所述的方法,其特征在于,所述确定不同类型的车辆特征之间的权重值,包括:
对于不同类型的两个车辆特征,确定具有该两个车辆特征的车窗图片的细分数量;基于比例对标值,将所述细分数量进行量化,并将量化后的数值确定为该两个车辆特征之间的权重值。
5.根据权利要求1所述的方法,其特征在于,所述从所述所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量之后,确定所述数量与所述权重值的乘积之前,所述方法还包括:
针对每个所述权重值,若所述目标车窗图片具有该权重值所对应的车辆特征,则对所述数量增加预设数值并更新。
6.根据权利要求1所述的方法,其特征在于,所述根据每个所述乘积的和、与所述所有车窗图片的总数量的比值,对所述相似度进行调整,包括:
根据所述比值与预设的最大相似拉伸值,对所述相似度进行调整。
7.根据权利要求1所述的方法,其特征在于,所述确定与目标车窗图片对应的车牌号相关联的人脸类簇之后,所述根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整之前,所述方法还包括:
确定所述相似度不大于所述相似度阈值。
8.一种图像处理装置,其特征在于,所述装置包括:
确定单元,用于确定与目标车窗图片对应的车牌号相关联的人脸类簇;其中,所述目标车窗图片包含有人脸,所述人脸类簇对应有标准人脸特征,所述标准人脸特征是根据归属于所述人脸类簇的所有车窗图片中人脸所确定的;
调整单元,用于根据所述人脸类簇对应的聚档车辆特征,对所述人脸的人脸特征与所述标准人脸特征之间的相似度进行调整;
处理单元,用于根据调整后的相似度以及预设的相似度阈值,确定所述目标车窗图片所归属的人脸类簇;
所述调整单元,具体用于确定不同类型的车辆特征之间的权重值;针对每个所述权重值,从所述所有车窗图片中,确定具有该权重值所对应的车辆特征的参考车窗照片的数量;确定所述数量与所述权重值的乘积;根据每个所述乘积的和、与所述所有车窗图片的总数量的比值,对所述相似度进行调整。
9.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一所述图像处理方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228651.0A CN114333041B (zh) | 2022-03-10 | 2022-03-10 | 一种图像处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228651.0A CN114333041B (zh) | 2022-03-10 | 2022-03-10 | 一种图像处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333041A CN114333041A (zh) | 2022-04-12 |
CN114333041B true CN114333041B (zh) | 2022-06-17 |
Family
ID=81033486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228651.0A Active CN114333041B (zh) | 2022-03-10 | 2022-03-10 | 一种图像处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333041B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348315A (zh) * | 2019-06-14 | 2019-10-18 | 深圳英飞拓科技股份有限公司 | 动态更新人脸特征底库的方法及装置、人脸抓拍系统 |
CN110414459A (zh) * | 2019-08-02 | 2019-11-05 | 中星智能系统技术有限公司 | 建立人车关联的方法及装置 |
CN111243325A (zh) * | 2020-01-14 | 2020-06-05 | 武汉裕众信息科技有限公司 | 驻车多维感知侦查方法、装置、存储介质及终端 |
CN111862476A (zh) * | 2020-06-01 | 2020-10-30 | 北京骑胜科技有限公司 | 一种共享车辆的运维管理方法、装置、电子设备及介质 |
CN114004987A (zh) * | 2021-09-26 | 2022-02-01 | 浙江大华技术股份有限公司 | 人脸聚类方法、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379627B2 (en) * | 2003-10-20 | 2008-05-27 | Microsoft Corporation | Integrated solution to digital image similarity searching |
KR20120028058A (ko) * | 2010-09-14 | 2012-03-22 | 현대자동차주식회사 | 차량 내 운전자의 안면 촬영 장치 |
WO2012089902A1 (en) * | 2010-12-30 | 2012-07-05 | Nokia Corporation | Method, apparatus, and computer program product for image clustering |
CN110969215B (zh) * | 2019-12-18 | 2023-06-16 | 浙江大华技术股份有限公司 | 聚类处理方法和装置、存储介质及电子装置 |
CN114155576A (zh) * | 2021-11-15 | 2022-03-08 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
-
2022
- 2022-03-10 CN CN202210228651.0A patent/CN114333041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348315A (zh) * | 2019-06-14 | 2019-10-18 | 深圳英飞拓科技股份有限公司 | 动态更新人脸特征底库的方法及装置、人脸抓拍系统 |
CN110414459A (zh) * | 2019-08-02 | 2019-11-05 | 中星智能系统技术有限公司 | 建立人车关联的方法及装置 |
CN111243325A (zh) * | 2020-01-14 | 2020-06-05 | 武汉裕众信息科技有限公司 | 驻车多维感知侦查方法、装置、存储介质及终端 |
CN111862476A (zh) * | 2020-06-01 | 2020-10-30 | 北京骑胜科技有限公司 | 一种共享车辆的运维管理方法、装置、电子设备及介质 |
CN114004987A (zh) * | 2021-09-26 | 2022-02-01 | 浙江大华技术股份有限公司 | 人脸聚类方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114333041A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102693432B (zh) | 使用可靠局部模型更新来调节畅通路径检测 | |
CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN106781458A (zh) | 一种交通事故监控方法及系统 | |
CN202563526U (zh) | 一种基于视频的交通车辆检测识别系统 | |
CN102682301B (zh) | 使用附加分类器来调节畅通路径检测 | |
CN112712057B (zh) | 交通信号识别方法、装置、电子设备及存储介质 | |
WO2008025092A1 (en) | Method and system of identifying one or more features represented in a plurality of sensor acquired data sets | |
CN102637257A (zh) | 一种基于视频的交通车辆检测识别系统和方法 | |
Xu et al. | Automatic recognition algorithm of traffic signs based on convolution neural network | |
CN107529659B (zh) | 安全带佩戴检测方法、装置及电子设备 | |
CN112289037B (zh) | 基于复杂环境下高视角的机动车辆违规停车检测方法及系统 | |
CN109948419A (zh) | 一种基于深度学习的违法停车自动审核方法 | |
Ketcham et al. | Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine | |
CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
CN114724122A (zh) | 一种目标追踪方法、装置、电子设备及存储介质 | |
CN114333041B (zh) | 一种图像处理方法、装置、设备及介质 | |
CN114494994A (zh) | 车辆异常聚集监控方法、装置、计算机设备及存储介质 | |
CN111179610B (zh) | 一种交通信号设备的控制方法及装置 | |
CN111985448A (zh) | 车辆图像识别方法、装置、计算机设备及可读存储介质 | |
CN115131564A (zh) | 基于人工智能的车辆部件损伤检测方法及相关设备 | |
CN112200835A (zh) | 一种交通事故检测方法、装置、电子设备及存储介质 | |
CN114882451A (zh) | 一种图像处理方法、装置、设备及介质 | |
Shahrear et al. | An automatic traffic rules violation detection and number plate recognition system for Bangladesh | |
Sugamya et al. | A dynamic density based traffic control system using IoT | |
Li et al. | On traffic density estimation with a boosted SVM classifier |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |