CN114565894A - 一种工作服装识别方法、装置、电子设备及存储介质 - Google Patents
一种工作服装识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114565894A CN114565894A CN202210201849.XA CN202210201849A CN114565894A CN 114565894 A CN114565894 A CN 114565894A CN 202210201849 A CN202210201849 A CN 202210201849A CN 114565894 A CN114565894 A CN 114565894A
- Authority
- CN
- China
- Prior art keywords
- reid
- image
- feature
- tool
- feature library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种工作服装识别方法、装置、电子设备及存储介质，该方法包括：获取待识别图像，待识别图像是对目标对象进行拍摄获得的；提取待识别图像中的行人重识别ReID特征；判断是否在工装特征库中匹配到ReID特征；若是，则将目标对象的服装类别确定为工作服装。通过提取待识别图像中的行人重识别ReID特征，并将该ReID特征与工装特征库中的特征进行匹配来确定目标对象的服装类别，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。
Description
技术领域
本申请涉及图像识别和机器学习的技术领域，具体而言，涉及一种工作服装识别方法、装置、电子设备及存储介质。
背景技术
目前，对工作服装进行识别的过程大都是，采用图像分类网络模型对工作服装进行分类，即可确定目标对象的服装类别是否是工作服装，其具体过程例如：首先，采集现有的工作人员穿戴服装的图像；然后，将所有图像标注为工作服装和非工作服装共两个类别，形成一个图像分类数据集；再使用图像分类数据集对图像分类网络模型进行训练，即可获得用于对工作服装进行识别的网络模型。
在具体的实践过程中发现，当有未来加盟商门店加入导致工作服装与原来的工作服装不一致时，需要重复上述训练过程，采集新的门店训练数据来重新训练图像分类网络模型，才能保持较好的正确率。因此，目前对工作服装进行识别的便捷性不够。
发明内容
本申请实施例的目的在于提供一种工作服装识别方法、装置、电子设备及存储介质，用于改善对工作服装进行识别的便捷性不够的问题。
第一方面，本申请实施例提供了一种工作服装识别方法，包括：获取待识别图像，待识别图像是对目标对象进行拍摄获得的；提取待识别图像中的行人重识别ReID特征；判断是否在工装特征库中匹配到ReID特征；若是，则将目标对象的服装类别确定为工作服装。在上述方案的实现过程中，通过提取待识别图像中的行人重识别ReID特征，并将该ReID特征与工装特征库中的特征进行匹配来确定目标对象的服装类别，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。
在第一方面的一种可选实现方式中，在判断是否在工装特征库中匹配到ReID特征之后，还包括：若在工装特征库中没有匹配到ReID特征，则将目标对象的服装类别确定为非工作服装。在上述方案的实现过程中，通过在工装特征库中没有匹配到ReID特征的情况下，就确定不是工作服装，避免了将工装服装误分类的情况，从而提高了对工作服装进行识别的正确率。
在第一方面的一种可选实现方式中，判断是否在工装特征库中匹配到ReID特征，包括：计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度；判断多个相似度中的最小相似度是否大于工装特征库的相似阈值；若是，则确定匹配到ReID特征，否则，确定没有匹配到ReID特征。在上述方案的实现过程中，通过根据多个相似度中的最小相似度是否大于相似阈值来确定是否匹配到ReID特征，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。
在第一方面的一种可选实现方式中，还包括：获取多个样本图像和每个样本图像标注的标签类别；提取每个样本图像的ReID特征，并计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度；在满足工装特征库的更新条件时，根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库。
在上述方案的实现过程中，通过在满足工装特征库的更新条件的情况下，立即根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库，避免了工装特征库更新不及时导致对工作服装进行识别错误的问题，从而提高了对工作服装进行识别的准确率。
在第一方面的一种可选实现方式中，根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库，包括：若样本图像标注的标签类别是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将最小相似度对应的样本图像和样本图像的ReID特征加入工装特征库中。在上述方案的实现过程中，通过在样本图像标注的标签类别是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同的情况下，将最小相似度对应的样本图像和样本图像的ReID特征加入工装特征库中，从而实现了自动更新工装特征库的效果，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。
在第一方面的一种可选实现方式中，根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库，包括：若样本图像标注的标签类别不是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将工装特征库的相似阈值修改为最小相似度。在上述方案的实现过程中，通过在样本图像标注的标签类别不是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同的情况下，将工装特征库的相似阈值修改为最小相似度，避免了工装特征库的相似阈值修改不及时导致对工作服装进行识别错误的问题，从而提高了对工作服装进行识别的准确率。
在第一方面的一种可选实现方式中，工装特征库的更新条件是多个样本图像中的一批次样本图像被特征提取和处理后，一批次样本图像的图像数量大于1。
第二方面，本申请实施例提供了一种工作服装识别装置，包括：目标图像获取模块，用于获取待识别图像，待识别图像是对目标对象进行拍摄获得的；ReID特征提取模块，用于提取待识别图像中的行人重识别ReID特征；ReID特征判断模块，用于判断是否在工装特征库中匹配到ReID特征；工作服装确定模块，用于若在工装特征库中匹配到ReID特征，则将目标对象的服装类别确定为工作服装。
在第二方面的一种可选实现方式中，工作服装识别装置，还包括：工作服装否定模块，用于若在工装特征库中没有匹配到ReID特征，则将目标对象的服装类别确定为非工作服装。
在第二方面的一种可选实现方式中，ReID特征判断模块，包括：相似度计算模块，用于计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度；相似阈值计算模块，用于判断多个相似度中的最小相似度是否大于工装特征库的相似阈值；ReID特征匹配模块，用于若多个相似度中的最小相似度大于工装特征库的相似阈值，则确定匹配到ReID特征，否则，确定没有匹配到ReID特征。
在第二方面的一种可选实现方式中，工作服装识别装置，还包括：图像类别获取模块，用于获取多个样本图像和每个样本图像标注的标签类别；相似度获取模块，用于提取每个样本图像的ReID特征，并计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度；特征库更新模块，用于在满足工装特征库的更新条件时，根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库。
在第二方面的一种可选实现方式中，特征库更新模块，包括：ReID特征加入模块，用于若样本图像标注的标签类别是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将最小相似度对应的样本图像和样本图像的ReID特征加入工装特征库中。
在第二方面的一种可选实现方式中，特征库更新模块，包括：相似阈值修改模块，用于若样本图像标注的标签类别不是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将工装特征库的相似阈值修改为最小相似度。
在第二方面的一种可选实现方式中，工装特征库的更新条件是多个样本图像中的一批次样本图像被特征提取和处理后，一批次样本图像的图像数量大于1。
第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请实施例中的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的工作服装识别方法的流程示意图；
图2示出的本申请实施例提供的提取ReID特征的过程示意图；
图3示出的本申请实施例提供的更新工装特征库的流程示意图；
图4示出的本申请实施例提供的更新ReID特征的流程示意图；
图5示出的本申请实施例提供的工作服装识别装置的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请实施例中的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围，而是仅仅表示本申请实施例中的选定实施例。基于本申请实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请实施例保护的范围。
可以理解的是，本申请实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在介绍本申请实施例提供的工作服装识别方法之前，先介绍本申请实施例中所涉及的一些概念：
行人重识别(Person Re-IDentification，缩写为ReID)，也被称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。
需要说明的是，本申请实施例提供的工作服装识别方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和UNIX服务器。
下面介绍该工作服装识别方法适用的应用场景，这里的应用场景包括但不限于：使用该工作服装识别方法对衣着服装进行识别，以便清点员工到场情况等，或者，当有新的工作服装需要被统计时(例如有新的门店或部门加入时均定制有新的工作服装)，可以使用该工作服装识别方法提取待识别图像中的行人重识别ReID特征，并根据ReID特征来确定目标对象的服装类别。可以避免传统模型在增加新图像类别时需要重新训练模型的情况，减少数据采集、迭代训练和部署等等工作量。
请参见图1示出的本申请实施例提供的工作服装识别方法的流程示意图；该工作服装识别方法的主要思路是，通过提取待识别图像中的行人重识别ReID特征，并将该ReID特征与工装特征库中的特征进行匹配来确定目标对象的服装类别，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。上述的工作服装识别方法具体可以包括：
步骤S110：获取待识别图像，待识别图像是对目标对象进行拍摄获得的。
目标对象是指被拍摄图像的目标，可以是员工穿着不同的工作服装或者便装，也可以是路人或行人，使用单反彩色照相机、黑白照相机、监控摄像机、照相机或带摄像头的终端等图像采集设备对目标对象进行拍摄，获得目标对象的待识别图像。
步骤S120：提取待识别图像中的行人重识别ReID特征。
ReID特征是指同一行人在图像中的全局特征(global feature)和局部特征(local feature)，即全局特征和局部特征相结合的特征。
请参见图2示出的本申请实施例提供的提取ReID特征的过程示意图；作为步骤S120的一种可选实施方式，提取ReID特征的过程可以包括：使用残差网络(ResidualNetwork，ResNet)、卷积神经网络(Convolutional Neural Networks，CNN)或者循环神经网络(Recurrent Neural Network，RNN)等特征提取模型提取待识别图像中的全局特征，使用包含图像切块、利用骨架关键点定位以及注意力(Attention)机制等等特征提取模型提取待识别图像中的局部特征，然后对全局特征和局部特征进行编码生成ReID特征，该ReID特征可以是以脚本对象简谱(JavaScript Object Notation，JSON)格式存放的。
步骤S130：判断是否在工装特征库中匹配到ReID特征。
步骤S140：若在工装特征库中匹配到ReID特征，则将目标对象的服装类别确定为工作服装。
作为上述方法的一种可选实施方式，在步骤S130之后，还可以包括：
步骤S150：若在工装特征库中没有匹配到ReID特征，则将目标对象的服装类别确定为非工作服装。
在上述方案的实现过程中，通过提取待识别图像中的行人重识别ReID特征，并将该ReID特征与工装特征库中的特征进行匹配来确定目标对象的服装类别，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。
作为步骤S130的一种可选实施方式，上述判断是否匹配到ReID特征的过程可以包括：
步骤S131：计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度。
上述步骤S131的实施方式例如：使用预设编程语言编译或者解释的可执行程序计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度。具体可以采用相似度包括：余弦距离、欧氏距离(Euclidean Distance)、汉明距离(Hamming Distance)或信息熵(Information Entropy)等等；当然，在实践过程中，也可以选择多种组合加权参数等复杂模式来计算相似度。
步骤S132：判断多个相似度中的最小相似度是否大于工装特征库的相似阈值。
相似阈值是指特征之间的相似度阈值，可以预先设置或者动态改变的阈值，具体例如：将相似阈值设置为0.4、0.6或者0.8等等。
上述步骤S132的实施方式例如：使用预设编程语言编译或者解释的可执行程序判断多个相似度中的最小相似度是否大于工装特征库的相似阈值；其中，可以使用的编程语言例如：C、C++、Java、BASIC、JavaScript、LISP、Shell、Perl、Ruby、Python和PHP等等。
步骤S133：若多个相似度中的最小相似度大于工装特征库的相似阈值，则确定匹配到ReID特征。
步骤S134：若多个相似度中的最小相似度不大于工装特征库的相似阈值，则确定没有匹配到ReID特征。
上述步骤S133至步骤S134的实施方式例如：假设此处的相似阈值以0.4为例进行说明，若多个相似度中的最小相似度大于工装特征库的0.4，则确定匹配到ReID特征，即可以认为该待识别图像与工装特征库的数据是同一类别的；若多个相似度中的最小相似度不大于工装特征库的0.4，则确定没有匹配到ReID特征，即可以认为该待识别图像与工装特征库的数据不是同一类别的。
请参见图3示出的本申请实施例提供的更新工装特征库的流程示意图；作为上述工作服装识别方法的一种可选实施方式，在使用工装特征库时，还可以更新工装特征库，更新工装特征库可以是在使用工装特征库之前或者之后，也可以是在使用工装特征库的过程中同时维护更新工装特征库。上述更新工装特征库的过程可以包括：
步骤S210：获取多个样本图像和每个样本图像标注的标签类别。
可以先获取用于更新工装特征库的训练数据(假设有100个)，该训练数据可以包括多个样本图像和多个标签类别，每个标签类别是每个样本图像标注的标签类别，标签类别可以是二分类标签(例如：0代表非工装服装，1代表工装服装)，当然也可以采用多分类标签(例如：0代表非工装服装，1代表春秋工装服装，2代表夏天工装服装，3代表动态工装服装等等)。
步骤S220：提取每个样本图像的ReID特征，并计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度。
上述步骤S220的实施方式例如：使用残差网络(ResNet)、卷积神经网络(CNN)或者循环神经网络(RNN)等特征提取模型提取待识别图像中的全局特征，使用包含图像切块、利用骨架关键点定位以及注意力(Attention)机制等等特征提取模型提取待识别图像中的局部特征，然后对全局特征和局部特征进行编码生成ReID特征，该ReID特征可以是以脚本对象简谱(JSON)格式存放的，具体例如100个512维的ReID特征可以表示为特征值(100，512)。使用预设编程语言编译或者解释的可执行程序计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度；其中，具体可以采用相似度包括：余弦距离、欧氏距离(Euclidean Distance)、汉明距离(Hamming Distance)或信息熵(Information Entropy)等等；当然，在实践过程中，也可以选择多种组合加权参数等复杂模式来计算相似度。
步骤S230：在满足工装特征库的更新条件时，根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库。
可选地，上述的工装特征库的更新条件可以是多个样本图像中的一批次样本图像被特征提取和处理后，一批次样本图像的图像数量大于1，具体例如：每个批次样本图像的图像数量设置为10或者50等等。
上述步骤S230的实施方式例如：假设共100张样本图像需要处理，且每个批次样本图像的图像数量是10，此处以10为例进行说明，在第一批次(即首次10张)样本图像被提取特征和匹配之后，就根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库。
请参见图4示出的本申请实施例提供的更新ReID特征的流程示意图；作为上述步骤S230的一种可选实施方式，更新工装特征库的具体原理是根据是否存在分类错误来更新的，更新工装特征库具体可以是更新该特征库中的ReID特征，该实施方式可以包括：
步骤S231：若样本图像标注的标签类别是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将最小相似度对应的样本图像和样本图像的ReID特征加入工装特征库中。
上述步骤S231的实施方式例如：假设标注的标签类别是工作服装的样本图像称之为正样本，且标注的标签类别不是工作服装称之为负样本。如果存在将正样本被分为负样本(即样本图像标注的标签类别与最小相似度对应的类别不相同)的情况，可以说明工装特征库中的正样本数量较少，当工装特征库中有足够的ReID特征(即特征分别足够大)时，就可以让新样本图像计算出的相似度小于相似阈值，使得该新样本图像被分为正样本。此时就可以将所有分错类别的正样本中相似度最小的样本图像加入到工装特征库中，即将最小相似度对应的样本图像和样本图像的ReID特征加入工装特征库中。
在上述方案的实现过程中，通过实现了自动更新工装特征库的效果，避免了使用图像分类网络模型来识别导致在增加新图像类别时需要重新训练模型的情况，减少了在增加新图像类别时需要重新训练模型的繁琐操作，从而提高了对工作服装进行识别的便捷性。
作为上述步骤S230的一种可选实施方式，更新工装特征库的具体原理是根据是否存在分类错误来更新的，更新工装特征库具体可以是更新该工装特征库的相似阈值，该实施方式可以包括：
步骤S232：若样本图像标注的标签类别不是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将工装特征库的相似阈值修改为最小相似度。
上述步骤S232的实施方式例如：假设标注的标签类别是工作服装的样本图像称之为正样本，且标注的标签类别不是工作服装称之为负样本。如果存在将负样本被分为正样本的情况(即样本图像标注的标签类别与最小相似度对应的类别不相同)，可以说明负样本与工装特征库中的正样本之间的相似阈值太高。此时可以将相似阈值设置为分错类别的负样本中的最小相似度，即将工装特征库的相似阈值修改为最小相似度。假设原来的相似度阈值是0.4，而最小相似度是0.35，那么可以将工装特征库的相似阈值由0.4修改为0.35。
在上述方案的实现过程中，通过在样本图像标注的标签类别不是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同的情况下，将工装特征库的相似阈值修改为最小相似度，避免了工装特征库的相似阈值修改不及时导致对工作服装进行识别错误的问题，从而提高了对工作服装进行识别的准确率。
请参见图5示出的本申请实施例提供的工作服装识别装置的结构示意图。本申请实施例提供了一种工作服装识别装置300，包括：
目标图像获取模块310，用于获取待识别图像，待识别图像是对目标对象进行拍摄获得的。
ReID特征提取模块320，用于提取待识别图像中的行人重识别ReID特征。
ReID特征判断模块330，用于判断是否在工装特征库中匹配到ReID特征。
工作服装确定模块340，用于若在工装特征库中匹配到ReID特征，则将目标对象的服装类别确定为工作服装。
可选地，在本申请实施例中，工作服装识别装置，还包括：
工作服装否定模块，用于若在工装特征库中没有匹配到ReID特征，则将目标对象的服装类别确定为非工作服装。
可选地，在本申请实施例中，ReID特征判断模块，包括：
相似度计算模块，用于计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度。
相似阈值计算模块，用于判断多个相似度中的最小相似度是否大于工装特征库的相似阈值。
ReID特征匹配模块，用于若多个相似度中的最小相似度大于工装特征库的相似阈值，则确定匹配到ReID特征，否则，确定没有匹配到ReID特征。
可选地，在本申请实施例中，工作服装识别装置，还包括：
图像类别获取模块，用于获取多个样本图像和每个样本图像标注的标签类别。
相似度获取模块，用于提取每个样本图像的ReID特征，并计算ReID特征与工装特征库中的每个特征之间的相似度，获得多个相似度。
特征库更新模块，用于在满足工装特征库的更新条件时，根据样本图像标注的标签类别与多个相似度中的最小相似度更新工装特征库。
可选地，在本申请实施例中，特征库更新模块，包括：
ReID特征加入模块，用于若样本图像标注的标签类别是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将最小相似度对应的样本图像和样本图像的ReID特征加入工装特征库中。
可选地，在本申请实施例中，特征库更新模块，包括：
相似阈值修改模块，用于若样本图像标注的标签类别不是工作服装，且样本图像标注的标签类别与最小相似度对应的类别不相同，则将工装特征库的相似阈值修改为最小相似度。
可选地，在本申请实施例中，工装特征库的更新条件是多个样本图像中的一批次样本图像被特征提取和处理后，一批次样本图像的图像数量大于1。
应理解的是，该装置与上述的工作服装识别方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。
本申请实施例提供的一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上的方法。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上的方法。
其中，计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Read-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。
另外，在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种工作服装识别方法，其特征在于，包括：
获取待识别图像，所述待识别图像是对目标对象进行拍摄获得的；
提取所述待识别图像中的行人重识别ReID特征；
判断是否在工装特征库中匹配到所述ReID特征；
若是，则将所述目标对象的服装类别确定为工作服装。
2.根据权利要求1所述的方法，其特征在于，在所述判断是否在工装特征库中匹配到所述ReID特征之后，还包括：
若在工装特征库中没有匹配到所述ReID特征，则将所述目标对象的服装类别确定为非工作服装。
3.根据权利要求1所述的方法，其特征在于，所述判断是否在工装特征库中匹配到所述ReID特征，包括：
计算所述ReID特征与所述工装特征库中的每个特征之间的相似度，获得多个相似度；
判断所述多个相似度中的最小相似度是否大于所述工装特征库的相似阈值；
若是，则确定匹配到所述ReID特征，否则，确定没有匹配到所述ReID特征。
4.根据权利要求3所述的方法，其特征在于，还包括：
获取多个样本图像和每个所述样本图像标注的标签类别；
提取每个所述样本图像的ReID特征，并计算所述ReID特征与所述工装特征库中的每个特征之间的相似度，获得多个相似度；
在满足所述工装特征库的更新条件时，根据所述样本图像标注的标签类别与所述多个相似度中的最小相似度更新所述工装特征库。
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像标注的标签类别与所述多个相似度中的最小相似度更新所述工装特征库，包括：
若所述样本图像标注的标签类别是工作服装，且所述样本图像标注的标签类别与所述最小相似度对应的类别不相同，则将所述最小相似度对应的样本图像和所述样本图像的ReID特征加入所述工装特征库中。
6.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像标注的标签类别与所述多个相似度中的最小相似度更新所述工装特征库，包括：
若所述样本图像标注的标签类别不是工作服装，且所述样本图像标注的标签类别与所述最小相似度对应的类别不相同，则将所述工装特征库的相似阈值修改为所述最小相似度。
7.根据权利要求4-6任一所述的方法，其特征在于，所述工装特征库的更新条件是所述多个样本图像中的一批次样本图像被特征提取和处理后，所述一批次样本图像的图像数量大于1。
8.一种工作服装识别装置，其特征在于，包括：
目标图像获取模块，用于获取待识别图像，所述待识别图像是对目标对象进行拍摄获得的；
ReID特征提取模块，用于提取所述待识别图像中的行人重识别ReID特征；
ReID特征判断模块，用于判断是否在工装特征库中匹配到所述ReID特征；
工作服装确定模块，用于若在工装特征库中匹配到所述ReID特征，则将所述目标对象的服装类别确定为工作服装。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210201849.XA CN114565894A (zh) | 2022-03-03 | 2022-03-03 | 一种工作服装识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210201849.XA CN114565894A (zh) | 2022-03-03 | 2022-03-03 | 一种工作服装识别方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565894A true CN114565894A (zh) | 2022-05-31 |
Family
ID=81718090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210201849.XA Pending CN114565894A (zh) | 2022-03-03 | 2022-03-03 | 一种工作服装识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565894A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522454A (zh) * | 2024-01-05 | 2024-02-06 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778604A (zh) * | 2015-12-15 | 2017-05-31 | 西安电子科技大学 | 基于匹配卷积神经网络的行人再识别方法 |
| CN113128265A (zh) * | 2019-12-30 | 2021-07-16 | 华为技术有限公司 | 一种人物识别方法及装置 |
| CN113989858A (zh) * | 2021-12-28 | 2022-01-28 | 安维尔信息科技(天津)有限公司 | 一种工作服识别方法及系统 |
| CN114049378A (zh) * | 2021-11-05 | 2022-02-15 | 北京市商汤科技开发有限公司 | 一种排队分析方法和装置 |
-
2022
- 2022-03-03 CN CN202210201849.XA patent/CN114565894A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778604A (zh) * | 2015-12-15 | 2017-05-31 | 西安电子科技大学 | 基于匹配卷积神经网络的行人再识别方法 |
| CN113128265A (zh) * | 2019-12-30 | 2021-07-16 | 华为技术有限公司 | 一种人物识别方法及装置 |
| CN114049378A (zh) * | 2021-11-05 | 2022-02-15 | 北京市商汤科技开发有限公司 | 一种排队分析方法和装置 |
| CN113989858A (zh) * | 2021-12-28 | 2022-01-28 | 安维尔信息科技(天津)有限公司 | 一种工作服识别方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522454A (zh) * | 2024-01-05 | 2024-02-06 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
| CN117522454B (zh) * | 2024-01-05 | 2024-04-16 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
| CN109086873B (zh) | 递归神经网络的训练方法、识别方法、装置及处理设备 | |
| CN108256479B (zh) | 人脸跟踪方法和装置 | |
| CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
| CN111339979B (zh) | 基于特征提取的图像识别方法及图像识别装置 | |
| US20240257423A1 (en) | Image processing method and apparatus, and computer readable storage medium | |
| CN109086811A (zh) | 多标签图像分类方法、装置及电子设备 | |
| CN108564102A (zh) | 图像聚类结果评价方法和装置 | |
| CN111881741B (zh) | 车牌识别方法、装置、计算机设备和计算机可读存储介质 | |
| US10671887B2 (en) | Best image crop selection | |
| CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
| CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
| CN110780965B (zh) | 基于视觉的流程自动化方法、设备及可读存储介质 | |
| CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
| CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
| CN112597997A (zh) | 感兴趣区域确定方法、图像内容识别方法及装置 | |
| CN112347957A (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
| CN111797762A (zh) | 一种场景识别方法和系统 | |
| CN111723852A (zh) | 针对目标检测网络的鲁棒训练方法 | |
| CN114565894A (zh) | 一种工作服装识别方法、装置、电子设备及存储介质 | |
| CN114637877A (zh) | 标注方法、电子设备及存储介质 | |
| CN116957051A (zh) | 一种优化特征提取的遥感图像弱监督目标检测方法 | |
| US20230401809A1 (en) | Image data augmentation device and method | |
| CN115937536A (zh) | 基于光刻sem图像的轮廓提取方法、装置、设备及存储介质 | |
| CN112508135B (zh) | 模型训练方法、行人属性预测方法、装置及设备 |
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 |