CN114549584A - 信息处理的方法、装置、电子设备及存储介质 - Google Patents
信息处理的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114549584A CN114549584A CN202210106946.0A CN202210106946A CN114549584A CN 114549584 A CN114549584 A CN 114549584A CN 202210106946 A CN202210106946 A CN 202210106946A CN 114549584 A CN114549584 A CN 114549584A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- designated
- matching
- images
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 236
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000002411 adverse Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001094 effect on targets Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101000824531 Homo sapiens CAAX prenyl protease 1 homolog Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 102000057847 human ZMPSTE24 Human genes 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种信息处理的方法、装置、电子设备及存储介质,涉及人工智能技术领域,具体为深度学习、计算机视觉技术领域,可应用于智慧城市等场景。具体实现方案为:对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分;根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息;根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、计算机视觉技术领域,可应用于智慧城市等场景。
背景技术
随着人工智能技术的发展,基于视觉的运动目标检测与跟踪已广泛地应用于安防智能监控、无人驾驶、虚拟现实、人机交互和智慧交通等领域。通常,安防智能监控中主要是利用目标检测和跟踪技术来实现对运动的对象的定位和跟踪,例如,对行人和车辆等对象进行检测和跟踪。
目前,目标检测和跟踪的方法主要是基于目标检测模型预测出图像中的对象的位置信息,再基于对象的位置信息进行匹配跟踪,来实现对该对象的跟踪。
发明内容
本公开提供了一种信息处理的方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种信息处理的方法,包括:
对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分;
根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息;
根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
根据本公开的另一方面,提供了一种信息处理的装置,包括:
检测单元,用于对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分;
获得单元,用于根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息;
匹配单元,用于根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
根据本公开的再一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
由上述技术方案可知,本公开实施例通过对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分,进而可以根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息,使得能够根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧图像中所述检测对象的匹配情况。由于根据相邻的两帧图像中检测对象的至少一个指定部分中各指定部分和所获得的该指定部分的图像特征信息,来获得相邻的两帧图像中检测对象的匹配情况,确定相邻的两帧图像中检测对象是否为同一个对象,便可以实现更准确有效地跟踪动态图像中的目标对象,从而提升了对动态图像中对象跟踪的可靠性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第二实施例的信息处理的原理的示意图;
图4是根据本公开第三实施例的示意图;
图5是用来实现本公开实施例的信息处理的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
随着人工智能技术的发展,基于视觉的运动目标检测与跟踪已广泛地应用于安防智能监控、无人驾驶、虚拟现实、人机交互和智慧交通等领域。
对于安防智能监控领域,许多活动场所都布置了高清摄像头以监控异常事件的发生,但仍然需要保安人员费时费力地对监控内容进行观察分析。因此,可以利用人工智能来实现安防智能监控。
通常,安防智能监控中主要是利用目标检测和跟踪技术来实现对运动的目标的定位和跟踪,例如,对行人和车辆等对象进行检测和跟踪。
但是,由于安防摄像头安置的场景多样复杂,在实际应用中对象跟踪受到了器件噪声、监控视角、光线变化和目标遮挡等限制,无法适应各种监控场景中对象跟踪。
目前,目标检测和跟踪的方法主要是基于目标检测模型预测出图像中的对象的位置信息,再基于对象的位置信息进行匹配跟踪,来实现对该对象的跟踪。
因此,亟需提供一种信息处理的方法,能够实现对动态图像中目标对象的更加有效地匹配,以提升对动态图像中对象跟踪的可靠性。
图1是根据本公开第一实施例的示意图,如图1所示。
101、对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分。
102、根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息。
103、根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
需要说明的是,获取的图像可以是视频图像,该视频图像可以包括连续的多帧图像。
需要说明的是,检测对象可以包括图像中车辆、人、以及动物等可移动的事物。
需要说明的是,101~103的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的图像处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
这样,通过对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分,进而可以根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息,使得能够根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧图像中所述检测对象的匹配情况。由于根据相邻的两帧图像中检测对象的至少一个指定部分中各指定部分和所获得的该指定部分的图像特征信息,来获得相邻的两帧图像中检测对象的匹配情况,确定相邻的两帧图像中检测对象是否为同一个对象,便可以实现更准确有效地跟踪动态图像中的目标对象,从而提升了对动态图像中对象跟踪的可靠性。
可选地,在本实施例的一个可能的实现方式中,在101中,具体可以利用预设的目标检测算法,对所述图像进行检测处理,以获得至少两个指定部分。然后,可以根据所述至少两个指定部分,确定每个所述指定部分的检测参数。最后,可以根据所述检测参数和预设检测阈值,获得所述图像中检测对象的至少一个指定部分。
在该实现方式中,指定部分可以是检测得到区域,即区域框。指定部分可以包括检测对象的整体和检测对象的部分。
例如,指定部分可以是人脸,即人脸框。或者,指定部分还可以是人体,即人体框,人体框可以表征是检测对象。
在该实现方式中,预设的目标检测算法可以是基于卷积神经网络和转换器(Transformer)算法等的目标检测算法。
例如,SSD目标检测算法、YOLO目标检测算法、RetinaNet目标检测算法、以及PicoDet目标检测算法等
可以理解的是,预设的目标检测算法还可以是实现图像检测的现有的目标检测算法,在此不再赘述。
在该实现方式中,所述检测参数可以包括重叠度,即交并比(Intersection overUnion,IoU)。
具体地,IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。通常在输出中得出一个预测区域范围(bounding boxes)的任务都可以用IoU来进行测量。即IoU可以是两个区域的交集除以两个区域的并集得出的结果。
在该实现方式的一个具体实现过程中,所述图像可以是连续的多帧图像,进而可以利用预设的目标检测算法,分别对每帧图像进行检测处理,以获得每帧图像中至少两个指定部分。然后,分别根据每帧图像中所述至少两个指定部分,确定每帧图像中每个所述指定部分的检测参数。最后,可以分别根据所述检测参数和预设检测阈值,获得每帧图像中检测对象的至少一个指定部分。
可以理解的是,可以基于本实现方式的方法,可以对每帧图像进行检测处理,获得每一帧图像中检测对象的至少一个指定部分。
在该实现方式的另一个具体实现过程中,进一步地可以根据所述至少两个指定部分,对所述至少两个指定部分中每两个指定部分进行匹配处理,进而可以根据所述匹配处理的结果,确定每两个所述指定部分的检测参数。
在该具体实现过程中,可以根据所述至少两个指定部分中每两个指定部分,计算得到每个所述指定部分的IoU。
例如,若两个指定部分分别为人脸框和人体框,可以根据人脸框和人体框,计算得到人脸框和人体框的IoU。
这样,可以通过根据至少两个指定部分,对至少两个指定部分中每两个指定部分进行匹配处理,以确定每两个指定部分的检测参数,以便于后续步骤可以利用该检测参数更准确地获得图像中检测对象的至少一个指定部分,从而提升了图像检测处理的准确性和可靠性。
在该实现方式的另一个具体实现过程中,可以在确定每个所述指定部分的检测参数之后,若所述检测参数小于预设检测阈值,则可以确定所匹配的两个所述指定部分属于同一个检测对象,以获得所述图像中检测对象的至少一个指定部分。
具体地,该预设检测阈值可以为1。若所述检测参数小于1,则可以确定所匹配的两个所述指定部分属于同一个检测对象,进而可以获得所述图像中检测对象的至少一个指定部分。
在该具体实现过程中,可以为检测对象和该检测对象的每个指定部分设置同一个标识。根据设置的标识,可以区别所述图像中的不同的检测对象,以及检测对象的至少一个指定部分。
这样,在本实现方式中,可以通过根据利用预设的目标检测算法所确定每个所述指定部分的检测参数和预设检测阈值,获得图像中检测对象的至少一个指定部分,可以获得更加准确有效地检测对象的至少一个指定部分,从而提升了图像检测处理的准确性和可靠性。
可选地,在本实施例的一个可能的实现方式中,在102中,具体可以利用预设的特征提取模型,对所述至少一个指定部分进行特征提取,以获得所述至少一个指定部分中各指定部分的图像特征信息。
在该实现方式中,预设的特征提取模型可以包括图像特征提取的模型。
具体地,预设的特征提取模型可以包括但不限于卷积神经网络模型、图神经网络模型以及Transformer模型等。
在该实现方式的一个具体实现过程中,对于每一帧图像,可以利用预设的特征提取模型,该图像中检测对象的至少一个指定部分进行特征提取,以获得所述至少一个指定部分中各指定部分的图像特征信息。
在该实现方式的另一个具体实现过程中,可以利用预设的特征提取模型,基于每个检测对象的标识,对检测对象的至少一个指定部分进行特征提取,以获得所述至少一个指定部分中各指定部分的图像特征信息。
这样,在本实现方式中,可以通过利用预设的特征提取模型,获得检测对象的至少一个指定部分中各指定部分的图像特征信息,以便于后续步骤可以各指定部分的图像特征信息,获得更加准确地相邻的两帧图像中检测对象的匹配情况,实现有效地跟踪动态图像中的目标对象,从而进一步地提升了对动态图像中对象跟踪的可靠性。
需要说明的是,基于本实现方式中所提供的获得各指定部分的图像特征信息的实现方式,可以结合前述实现方式中所提供的获得图像中检测对象的至少一个指定部分的多种具体实现过程,来实现本实施例的信息处理的方法。详细的描述可以参见前述实现方式中的相关内容,此处不再赘述。
可选地,在本实施例的一个可能的实现方式中,在103中,具体可以对相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分进行匹配处理,以获得相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分的匹配参数,进而可以根据所述各指定部分的匹配参数和该指定部分的所述图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
在该实现方式中,相邻的两帧所述图像中所述检测对象的匹配情况可以包括相邻的两帧所述图像中所述检测对象是同一对象,即对象跟踪正确,以及相邻的两帧所述图像中所述检测对象不是同一对象,即对象跟踪错误。
在该实现方式中,该匹配参数可以包括重叠度,即交并比IoU。
具体地,相邻的两帧所述图像包括第一帧图像和第二帧图像。第一帧图像可以是当前帧图像的前一帧图像,第二帧图像可以是当前帧图像。
在该实现方式的一个具体实现过程中,可以利用预设的目标跟踪算法,根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
该具体实现过程中,可以利用预设的目标跟踪算法,根据第一帧图像中检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息与第二帧图像中检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,确定第一帧图像中检测对象与第二帧图像中检测对象是否为同一个对象,以获得该检测对象的匹配情况。
该具体实现过程一种情况,若第一帧图像中检测对象与第二帧图像中检测对象是同一个对象,则该检测对象的匹配情况为对象跟踪正确。
该具体实现过程另一种情况,若第一帧图像中检测对象与第二帧图像中检测对象不是同一个对象,则该检测对象的匹配情况为对象跟踪错误。
在该实现方式的另一个具体实现过程中,利用预设的目标跟踪算法,对相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分进行基于目标跟踪的匹配处理,以获得相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分的匹配参数。然后,可以根据所述各指定部分的匹配参数和该指定部分的所述图像特征信息,再对相邻的两帧所述图像中所述检测对象进行基于目标跟踪的匹配处理,获得相邻的两帧所述图像中所述检测对象的匹配情况。
该具体实现过程中,可以利用预设的目标跟踪算法,对第一帧图像中检测对象的至少一个指定部分中各指定部分与第二帧图像中检测对象的至少一个指定部分中各指定部分进行基于目标跟踪的匹配处理,以获得该检测对象的至少一个指定部分中各指定部分的匹配参数。然后,根据各指定部分的匹配参数和该指定部分的图像特征信息,再对第一帧图像中检测对象与第二帧图像中检测对象进行基于目标跟踪的匹配处理,确定第一帧图像中检测对象与第二帧图像中检测对象是否为同一个对象,以获得该检测对象的匹配情况。
例如,指定部分包括人脸框,首先,可以对第一帧图像中检测对象的人脸框与第二帧图像中检测对象的人脸框进行匹配处理,以获得该检测对象的人脸框的匹配参数。
然后,根据人脸框的匹配参数和该人脸框的图像特征信息,再对第一帧图像中检测对象与第二帧图像中检测对象进行匹配处理,确定第一帧图像中检测对象与第二帧图像中检测对象是否为同一个对象,以获得该检测对象的匹配情况。
再例如,指定部分包括人脸框、人头框、头肩框和人体框,首先,可以对第一帧图像中检测对象的人脸框、人头框、头肩框和人体框与第二帧图像中检测对象的人脸框、人头框、头肩框和人体框进行对应框的匹配处理,以获得人脸框的匹配参数、人头框的匹配参数、头肩框的匹配参数和人体框的匹配参数。
然后,根据人脸框的匹配参数和该人脸框的图像特征信息,人头框的匹配参数和该人头框的图像特征信息、头肩框的匹配参数和该头肩框的图像特征信息,以及人体框的匹配参数和该人体框的图像特征信息,再对第一帧图像中检测对象与第二帧图像中检测对象进行匹配处理,确定第一帧图像中检测对象与第二帧图像中检测对象是否为同一个对象,以获得该检测对象的匹配情况。
该具体实现过程一种情况,若第一帧图像中检测对象与第二帧图像中检测对象是同一个对象,则该检测对象的匹配情况为对象跟踪正确。
该具体实现过程另一种情况,若第一帧图像中检测对象与第二帧图像中检测对象不是同一个对象,则该检测对象的匹配情况为对象跟踪错误。
这样,可以通过根据基于匹配处理所获得的相邻的两帧图像中检测对象的至少一个指定部分中各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧图像中检测对象的匹配情况,由于综合了检测对象的匹配参数和多维图像特征信息进行目标匹配跟踪,可以一定程度上降低因摄像头视角、光线变化和目标遮挡等因素对目标跟踪的不利影响,可以获得更加准确地相邻的两帧图像中检测对象的目标匹配跟踪情况,可以进一步提升了对动态图像中对象跟踪的准确性,从而进一步地提升了对动态图像中对象跟踪的可靠性。
需要说明的是,基于本实现方式中所提供的获得该检测对象的匹配情况的实现方式的多种具体实现过程,可以结合前述实现方式中所提供的获得各指定部分的图像特征信息的实现方式的多种具体实现过程,以及结合前述实现方式中所提供的获得图像中检测对象的至少一个指定部分的多种具体实现过程,来实现本实施例的信息处理的方法。详细的描述可以参见前述实现方式中的相关内容,此处不再赘述。
本实施例中,通过对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分,进而可以根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息,使得能够根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧图像中所述检测对象的匹配情况。由于根据相邻的两帧图像中检测对象的至少一个指定部分中各指定部分和所获得的该指定部分的图像特征信息,来获得相邻的两帧图像中检测对象的匹配情况,确定相邻的两帧图像中检测对象是否为同一个对象,便可以实现更准确有效地跟踪动态图像中的目标对象,从而提升了对动态图像中对象跟踪的可靠性。
另外,采用本实施例所提供的技术方案,还可以通过根据至少两个指定部分,对至少两个指定部分中每两个指定部分进行匹配处理,以确定每两个指定部分的检测参数,以便于后续步骤可以利用该检测参数更准确地获得图像中检测对象的至少一个指定部分,从而提升了图像检测处理的准确性和可靠性。
另外,采用本实施例所提供的技术方案,还可以通过根据利用预设的目标检测算法所确定每个所述指定部分的检测参数和预设检测阈值,获得图像中检测对象的至少一个指定部分,可以获得更加准确有效地检测对象的至少一个指定部分,从而提升了图像检测处理的准确性和可靠性。
另外,采用本实施例所提供的技术方案,还可以通过利用预设的特征提取模型,获得检测对象的至少一个指定部分中各指定部分的图像特征信息,以便于后续步骤可以各指定部分的图像特征信息,获得更加准确地相邻的两帧图像中检测对象的匹配情况,实现有效地跟踪动态图像中的目标对象,从而进一步地提升了对动态图像中对象跟踪的可靠性。
另外,采用本实施例所提供的技术方案,还可以通过根据基于匹配处理所获得的相邻的两帧图像中检测对象的至少一个指定部分中各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧图像中检测对象的匹配情况,由于综合了检测对象的匹配参数和多维图像特征信息进行目标匹配跟踪,可以一定程度上降低因摄像头视角、光线变化和目标遮挡等因素对目标跟踪的不利影响,可以获得更加准确地相邻的两帧图像中检测对象的目标匹配跟踪情况,可以进一步提升了对动态图像中对象跟踪的准确性,从而进一步地提升了动态图像中对象跟踪的可靠性。
图2是根据本公开第二实施例的示意图,如图2所示。
201、获取待处理的图像。
在本实施例中,获取待处理的图像可以是视频图像,该视频图像可以包括连续的多帧图像。
202、利用预设的目标检测算法,对图像进行检测处理,以获得至少两个指定部分。
在本实施例中,指定部分可以是检测得到目标区域,即区域框。指定部分可以包括检测对象的整体和检测对象的部分。检测对象可以包括图像中的车辆、人、以及动物等可移动的事物。
具体地,若检测对象是人,指定部分可以包括人脸、人头、头肩、以及人体,即指定部分可以包括人脸框、人头框、头肩框、以及人体框。其中,人体框也可以表征该检测对象的整体,即可以表征该人。
若检测对象是车辆,指定部分可以包括车头、车头身、以及车体,即指定部分可以包括车头框、车头身框、以及车体框。其中,车体框也可以表征该检测对象的整体,即可以表征该车辆。
203、对至少两个指定部分中每两个指定部分进行匹配处理。
204、根据匹配处理的结果,确定每个指定部分的检测参数。
205、根据检测参数和预设检测阈值,获得图像中检测对象的至少一个指定部分。
在本实施例中,在获得了至少两个指定部分之后,对每两个指定部分进行匹配处理,根据匹配得到的每个指定部分的检测参数和预设检测阈值,判断该两个指定部分是否具有关联关系,根据该两个指定部分的关联关系可以判断两个指定部分是否属于同一个检测对象,即可以获得属于同一个检测对象的指定部分。
具体地,两个指定部分的关联关系可以表征两个指定部分具有包含关系。
具体地,检测参数可以包括IoU。预设检测阈值可以为1,可以判断指定部分的IoU是否小于1,若指定部分的IoU小于1,则可以确定两个指定部分具有包含关系。
例如,可以对任意一个人脸框和任意一个人体框进行匹配处理,根据匹配得到的人脸框和人体框的IoU和预设检测阈值,判断该人脸框和人体框是否具有包含关系,若人脸框和人体框是包含关系,可以确定人脸框和人体框是属于同一个检测对象。
再例如,可以对任意一个人头框和任意一个头肩框进行匹配处理,根据匹配得到的人头框和头肩框的IoU和预设检测阈值,判断人头框和头肩框是否具有包含关系,若人头框和头肩框是包含关系,可以确定人头框和头肩框是属于同一个检测对象。
在本实施例中,在获得了图像中检测对象的至少一个指定部分之后,可以为检测对象和该检测对象的每个指定部分设置同一个标识。即检测对和该检测对象的每个指定部分具体有相同的标识。
根据设置的标识,可以区别图像中的不同的检测对象。
206、利用预设的特征提取模型,对至少一个指定部分进行特征提取,以获得至少一个指定部分中各指定部分的图像特征信息。
207、利用预设的目标跟踪算法,根据相邻的两帧图像中检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧图像中检测对象的匹配情况。
在本实施例中,图3是根据本公开第二实施例的信息处理的原理的示意图,现可以结合图3,基于检测对象是人的示例,对本实施例信息处理的方法进行详细的说明。
相邻的两帧图像包括第一帧图像和第二帧图像。第一帧图像可以是当前帧图像的前一帧图像,第二帧图像可以是当前帧图像。
首先,利用预设的目标检测算法,分别对第一帧图像和第二帧图像进行检测处理,可以确定第一帧图像中检测对象的人脸、人头、头肩框,人体等指定部分的关联关系,以获得第一帧图像中检测对象的人脸、人头、头肩框,人体等指定部分,以及确定第二帧图像中检测对象的人脸、人头、头肩框,人体等指定部分的关联关系,以获得第二帧图像中检测对象的人脸、人头、头肩框,人体等指定部分。
如图3所示,对于第一帧图像,其中,检测对象0可以包括人脸0、人头0、头肩0、人体0;检测对象0可以包括人脸1、人头1、头肩1、人体1;检测对象0可以包括人脸N、人头N、头肩N、人体N。
可以理解的是,这里,对第二帧图像的处理过程与对第一帧图像的处理过程相同,在此不再赘述。
然后,利用预设的特征提取模型,对每个检测对象的指定部分进行特征提取,可以获得对应的人脸特征、人头特征、头肩特征、人体特征。图3中的Y表征提取出人脸特征、人头特征、头肩特征、人体特征。
最后,利用预设的目标跟踪算法,根据相邻的第一帧图像和第二帧图像中检测对象的各指定部分和该指定部分的图像特征信息,获得相邻的第一帧图像和第二帧图像中检测对象的匹配情况。
在本实施例中,进一步地还可以对相邻的两帧图像中检测对象的至少一个指定部分中各指定部分进行匹配处理,以获得相邻的两帧图像中检测对象的至少一个指定部分中各指定部分的匹配参数,再根据各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧图像中检测对象的匹配情况。
采用本实施例所提供的技术方案,通过根据所获得的视频图像的相邻的两帧图像中检测对象的至少一个指定部分中各指定部分和所获得的该指定部分的图像特征信息,来获得相邻的两帧图像中检测对象的匹配情况,确定相邻的两帧图像中检测对象是否为同一个对象,便可以实现更准确有效地跟踪视频图像中的目标对象,从而提升了对视频图像中对象跟踪的可靠性。
而且,可以通过综合利用检测对象的匹配参数IoU和多维图像特征信息进行目标匹配跟踪,可以一定程度上降低因摄像头视角、光线变化和目标遮挡等因素对目标跟踪的不利影响,可以获得更加准确地相邻的两帧图像中检测对象的目标匹配跟踪情况,可以进一步提升了对视频图像中对象跟踪的准确性,从而进一步地提升了对视频图像中对象跟踪的可靠性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
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的部分,可以参见其他实施例的相关描述。
图4是根据本公开第三实施例的示意图,如图4所示。本实施例的信息处理的装置400可以包括检测单元401、获得单元402、和匹配单元403。其中,检测单元401,用于对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分,获得单元402,用于根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息,匹配单元403,用于根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
需要说明的是,本实施例的信息处理的装置的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的图像处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
可选地,在本实施例的一个可能的实现方式中,检测单元401,具体可以用于利用预设的目标检测算法,对所述图像进行检测处理,以获得至少两个指定部分,根据所述至少两个指定部分,确定每个所述指定部分的检测参数,以及根据所述检测参数和预设检测阈值,获得所述图像中检测对象的至少一个指定部分。
可选地,在本实施例的一个可能的实现方式中,检测单元401,还可以用于根据所述至少两个指定部分,对所述至少两个指定部分中每两个指定部分进行匹配处理,根据所述匹配处理的结果,确定每个所述指定部分的检测参数。
可选地,在本实施例的一个可能的实现方式中,所述获得单元402,具体可以用于利用预设的特征提取模型,对所述至少一个指定部分进行特征提取,以获得所述至少一个指定部分中各指定部分的图像特征信息。
可选地,在本实施例的一个可能的实现方式中,所述匹配单元403,具体可以用于对相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分进行匹配处理,以获得相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分的匹配参数,根据所述各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
本实施例中,通过检测单元对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分,进而可以由获得单元根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息,使得匹配单元能够根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况,由于根据相邻的两帧图像中检测对象的至少一个指定部分中各指定部分和所获得的该指定部分的图像特征信息,来获得相邻的两帧图像中检测对象的匹配情况,确定相邻的两帧图像中检测对象是否为同一个对象,便可以实现更准确有效地跟踪动态图像中的目标对象,从而提升了对动态图像中对象跟踪的可靠性。
另外,采用本实施例所提供的技术方案,还可以通过根据至少两个指定部分,对至少两个指定部分中每两个指定部分进行匹配处理,以确定每两个指定部分的检测参数,以便于后续步骤可以利用该检测参数更准确地获得图像中检测对象的至少一个指定部分,从而提升了图像检测处理的准确性和可靠性。
另外,采用本实施例所提供的技术方案,还可以通过根据利用预设的目标检测算法所确定每个所述指定部分的检测参数和预设检测阈值,获得图像中检测对象的至少一个指定部分,可以获得更加准确有效地检测对象的至少一个指定部分,从而提升了图像检测处理的准确性和可靠性。
另外,采用本实施例所提供的技术方案,还可以通过利用预设的特征提取模型,获得检测对象的至少一个指定部分中各指定部分的图像特征信息,以便于后续步骤可以各指定部分的图像特征信息,获得更加准确地相邻的两帧图像中检测对象的匹配情况,实现有效地跟踪动态图像中的目标对象,从而进一步地提升了对动态图像中对象跟踪的可靠性。
另外,采用本实施例所提供的技术方案,还可以通过根据基于匹配处理所获得的相邻的两帧图像中检测对象的至少一个指定部分中各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧图像中检测对象的匹配情况,由于综合了检测对象的匹配参数和多维图像特征信息进行目标匹配跟踪,可以一定程度上降低因摄像头视角、光线变化和目标遮挡等因素对目标跟踪的不利影响,可以获得更加准确地相邻的两帧图像中检测对象的目标匹配跟踪情况,可以进一步提升了对动态图像中对象跟踪的准确性,从而进一步地提升了动态图像中对象跟踪的可靠性。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如信息处理的方法。例如,在一些实施例中,信息处理的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的信息处理的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息处理的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种信息处理的方法,包括:
对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分;
根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息;
根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
2.根据权利要求1所述的方法,其中,所述对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部,包括:
利用预设的目标检测算法,对所述图像进行检测处理,以获得至少两个指定部分;
根据所述至少两个指定部分,确定每个所述指定部分的检测参数;
根据所述检测参数和预设检测阈值,获得所述图像中检测对象的至少一个指定部分。
3.根据权利要求2所述的方法,其中,所述根据所述至少两个指定部分,确定每个所述指定部分的检测参数,包括:
根据所述至少两个指定部分,对所述至少两个指定部分中每两个指定部分进行匹配处理;
根据所述匹配处理的结果,确定每个所述指定部分的检测参数。
4.根据权利要求1-3中任一项所述的方法,其中,所述根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息,包括:
利用预设的特征提取模型,对所述至少一个指定部分进行特征提取,以获得所述至少一个指定部分中各指定部分的图像特征信息。
5.根据权利要求1-4中任一项所述的方法,其中,所述根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况,包括:
对相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分进行匹配处理,以获得相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分的匹配参数;
根据所述各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
6.一种信息处理的装置,包括:
检测单元,用于对获取的图像进行检测处理,以获得所述图像中检测对象的至少一个指定部分;
获得单元,用于根据所述至少一个指定部分,获得所述至少一个指定部分中各指定部分的图像特征信息;
匹配单元,用于根据相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
7.根据权利要求6所述的装置,其中,所述检测单元,具体用于:
利用预设的目标检测算法,对所述图像进行检测处理,以获得至少两个指定部分;
根据所述至少两个指定部分,确定每个所述指定部分的检测参数;以及
根据所述检测参数和预设检测阈值,获得所述图像中检测对象的至少一个指定部分。
8.根据权利要求7所述的装置,其中,所述检测单元,还用于:
根据所述至少两个指定部分,对所述至少两个指定部分中每两个指定部分进行匹配处理;
根据所述匹配处理的结果,确定每个所述指定部分的检测参数。
9.根据权利要求6-8中任一项所述的装置,其中,所述获得单元,具体用于:
利用预设的特征提取模型,对所述至少一个指定部分进行特征提取,以获得所述至少一个指定部分中各指定部分的图像特征信息。
10.根据权利要求6-9中任一项所述的装置,其中,所述匹配单元,具体用于:
对相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分进行匹配处理,以获得相邻的两帧所述图像中所述检测对象的至少一个指定部分中各指定部分的匹配参数;
根据所述各指定部分的匹配参数和该指定部分的图像特征信息,获得相邻的两帧所述图像中所述检测对象的匹配情况。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106946.0A CN114549584A (zh) | 2022-01-28 | 2022-01-28 | 信息处理的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106946.0A CN114549584A (zh) | 2022-01-28 | 2022-01-28 | 信息处理的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549584A true CN114549584A (zh) | 2022-05-27 |
Family
ID=81674534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106946.0A Pending CN114549584A (zh) | 2022-01-28 | 2022-01-28 | 信息处理的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549584A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710697A (zh) * | 2023-08-09 | 2024-03-15 | 荣耀终端有限公司 | 对象检测方法、电子设备、存储介质及程序产品 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985162A (zh) * | 2018-06-11 | 2018-12-11 | 平安科技(深圳)有限公司 | 目标实时跟踪方法、装置、计算机设备及存储介质 |
CN111523447A (zh) * | 2020-04-22 | 2020-08-11 | 北京邮电大学 | 车辆跟踪方法、装置、电子设备及存储介质 |
CN111640140A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
CN111652907A (zh) * | 2019-12-25 | 2020-09-11 | 珠海大横琴科技发展有限公司 | 一种基于数据关联的多目标跟踪方法、装置及电子设备 |
CN111815674A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、装置以及计算机可读存储装置 |
CN112465871A (zh) * | 2020-12-07 | 2021-03-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种视觉跟踪算法准确性的评价方法及系统 |
CN112926410A (zh) * | 2021-02-03 | 2021-06-08 | 深圳市维海德技术股份有限公司 | 目标跟踪方法、装置、存储介质及智能视频系统 |
CN113034541A (zh) * | 2021-02-26 | 2021-06-25 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN113177968A (zh) * | 2021-04-27 | 2021-07-27 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN113223051A (zh) * | 2021-05-12 | 2021-08-06 | 北京百度网讯科技有限公司 | 轨迹优化方法、装置、设备、存储介质以及程序产品 |
CN113489897A (zh) * | 2021-06-28 | 2021-10-08 | 杭州逗酷软件科技有限公司 | 图像处理方法及相关装置 |
CN113674313A (zh) * | 2021-07-05 | 2021-11-19 | 北京旷视科技有限公司 | 一种行人跟踪方法、装置、存储介质和电子设备 |
CN113744310A (zh) * | 2021-08-24 | 2021-12-03 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及可读存储介质 |
CN113822910A (zh) * | 2021-09-30 | 2021-12-21 | 上海商汤临港智能科技有限公司 | 多目标跟踪方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-28 CN CN202210106946.0A patent/CN114549584A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985162A (zh) * | 2018-06-11 | 2018-12-11 | 平安科技(深圳)有限公司 | 目标实时跟踪方法、装置、计算机设备及存储介质 |
CN111652907A (zh) * | 2019-12-25 | 2020-09-11 | 珠海大横琴科技发展有限公司 | 一种基于数据关联的多目标跟踪方法、装置及电子设备 |
CN111523447A (zh) * | 2020-04-22 | 2020-08-11 | 北京邮电大学 | 车辆跟踪方法、装置、电子设备及存储介质 |
CN111640140A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
CN111815674A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、装置以及计算机可读存储装置 |
CN112465871A (zh) * | 2020-12-07 | 2021-03-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种视觉跟踪算法准确性的评价方法及系统 |
CN112926410A (zh) * | 2021-02-03 | 2021-06-08 | 深圳市维海德技术股份有限公司 | 目标跟踪方法、装置、存储介质及智能视频系统 |
CN113034541A (zh) * | 2021-02-26 | 2021-06-25 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN113177968A (zh) * | 2021-04-27 | 2021-07-27 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN113223051A (zh) * | 2021-05-12 | 2021-08-06 | 北京百度网讯科技有限公司 | 轨迹优化方法、装置、设备、存储介质以及程序产品 |
CN113489897A (zh) * | 2021-06-28 | 2021-10-08 | 杭州逗酷软件科技有限公司 | 图像处理方法及相关装置 |
CN113674313A (zh) * | 2021-07-05 | 2021-11-19 | 北京旷视科技有限公司 | 一种行人跟踪方法、装置、存储介质和电子设备 |
CN113744310A (zh) * | 2021-08-24 | 2021-12-03 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及可读存储介质 |
CN113822910A (zh) * | 2021-09-30 | 2021-12-21 | 上海商汤临港智能科技有限公司 | 多目标跟踪方法、装置、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710697A (zh) * | 2023-08-09 | 2024-03-15 | 荣耀终端有限公司 | 对象检测方法、电子设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
CN113205037A (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN113420682A (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
CN112784760B (zh) | 人体行为识别方法、装置、设备以及存储介质 | |
US20220309763A1 (en) | Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system | |
CN113326773A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
CN112863187A (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN114549584A (zh) | 信息处理的方法、装置、电子设备及存储介质 | |
CN112819889B (zh) | 位置信息的确定方法及装置、存储介质、电子装置 | |
CN113569912A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN115937950A (zh) | 一种多角度人脸数据采集方法、装置、设备及存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN115131315A (zh) | 一种图像的变化检测方法、装置、设备及存储介质 | |
CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
US11681920B2 (en) | Method and apparatus for compressing deep learning model | |
CN113313125A (zh) | 图像处理方法和装置、电子设备、计算机可读介质 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN112507957A (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN113936258A (zh) | 图像处理方法、装置、电子设备和存储介质 |
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 |