CN114676756A - 图像识别方法、装置及计算机存储介质 - Google Patents

图像识别方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN114676756A
CN114676756A CN202210218745.XA CN202210218745A CN114676756A CN 114676756 A CN114676756 A CN 114676756A CN 202210218745 A CN202210218745 A CN 202210218745A CN 114676756 A CN114676756 A CN 114676756A
Authority
CN
China
Prior art keywords
detected
feature
track
matching
characteristic
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
Application number
CN202210218745.XA
Other languages
English (en)
Inventor
郑腾飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Zhongke Yuncong Technology Co ltd
Original Assignee
Chongqing Zhongke Yuncong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Zhongke Yuncong Technology Co ltd filed Critical Chongqing Zhongke Yuncong Technology Co ltd
Priority to CN202210218745.XA priority Critical patent/CN114676756A/zh
Publication of CN114676756A publication Critical patent/CN114676756A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像识别方法、装置及计算机存储介质，包括依次获取目标视频中的一个待检测特征；将待检测特征与每一个轨迹特征执行匹配，并将与待检测特征相匹配的轨迹特征的目标对象，确定为待检测特征的目标对象；利用待检测特征，更新与待检测特征相匹配的轨迹特征，并返回依次获取目标视频中的一个待检测特征的步骤继续执行。借此，本申请提供的图像识别方案，可供精准执行目标追踪，并有效改善目标轨迹跟断和跟串的情况。

Description

图像识别方法、装置及计算机存储介质
技术领域
本申请实施例涉及轨迹追踪技术领域，特别涉及一种图像识别方法、装置及计算机存储介质。
背景技术
近年来，随着深度学习领域的快速发展，行人识别、目标检测和跟踪等计算机视觉技术取得了巨大的进步。基于摄像头的行人轨迹追踪技术在金融、安防、消费等众多领域，有着巨大的应用需求和前景。例如在商场零售场景中，企业开始关注用户体验研究，根据顾客的行动轨迹或在特定商品前的停留时间进行数据分析，促进产品不断迭代更新。
因此，迫切需要一种可稳定执行目标追踪的技术方案。
发明内容
鉴于上述问题，本申请提供一种图像识别方法、装置及计算机存储介质，可供精准执行目标追踪，并有效改善目标轨迹跟断和跟串的情况。。
本申请第一方面提供一种图像识别方法，包括：依次获取目标视频中的一个待检测特征；将所述待检测特征与每一个轨迹特征执行匹配，并将与所述待检测特征相匹配的轨迹特征的目标对象，确定为所述待检测特征的目标对象；以及利用所述待检测特征，更新与所述待检测特征相匹配的轨迹特征，并返回所述依次获取目标视频中的一个待检测特征的步骤继续执行。
本申请第二方面提供一种图像识别装置，包括：特征获取模块，用于依次获取目标视频中的一个待检测特征；特征匹配模块，用于将所述待检测特征与每一个轨迹特征执行匹配，并将与所述待检测特征相匹配的轨迹特征的目标对象，确定为所述待检测特征的目标对象；特征更新模块，用于利用所述待检测特征，更新与所述待检测特征相匹配的轨迹特征，并返回所述特征获取模块继续执行。
本申请第三方面提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述第一方面所述的方法中各步骤的各指令。
综上所述，本申请各实施例提供的图像识别方案，通过利用待检测特征更新与之相匹配的轨迹特征，借以准确执行目标对象的追踪识别，以实现目标对象的精准追踪，并提高目标对象动态追踪的成功率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请示例性实施例的图像识别方法的处理流程图。
图2为本申请的图像识别方法的应用示例示意图。
图3为本申请另一示例性实施例的图像识别方法的处理流程图。
图4为本申请另一示例性实施例的图像识别方法的处理流程图。
图5为本申请示例性实施例的图像识别装置的结构框图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
现有的行人追踪方案主要包括：1.多目标跟踪方法，其通过稀疏表示方法和相关滤波等，采用前后帧更新的方式，不断的更新模型，以适应不断变化的环境和姿态。2.采用深度学习的多目标跟踪，其通过自定义的残差CNN网络提取视觉信息，在目标检测阶段引入运动特征和外观特征，以外观特征为辅进行多目标跟踪任务。
上述这些技术方案无一例外侧重于运动特征，并没有发挥外观特征的优势，存在鲁棒性差，在复杂场景下容易产生轨迹漂移的问题。
同时，行人的不定向运动使得改变了姿态和场景的外观模式，对于目标尺度变化和遮挡问题的处理效果不佳。常用的跟踪算法都假设物体运动是平滑地不会发生突变的，这使得运动特征不稳定，尤其是当行人框尺度发生变化时，跟踪框不能自适应跟踪，导致目标模型的更新错误。
有鉴于此，本申请提供一种图像识别方案，可以有效改善现有技术中存在的种种技术问题。
以下将结合各附图详细描述本申请的各实施例。
图1示出了本申请示例性实施例的图像识别方法的处理流程。如图所示，本实施例主要包括以下步骤：
步骤S102，依次获取目标视频中的一个待检测特征。
可选地，可通过设置在目标区域(ROI区域)的监控设备(例如摄像机)，获取目标区域的目标视频。
例如，在图2所示的示例中，可利用设置在目标区域A的监控设备A，获取目标区域A对应的目标视频A，利用设置在目标区域B的监控设备B，获取目标区域B对应的目标视频B，以此类推。
可选地，可基于预设帧间隔，依次获取目标视频中的一个视频帧，并检测视频帧中的未知对象，获取未知对象的待检测特征。
于本实施例中，一个视频帧中可能包含有一个或多个未知对象。
于本实施例中，可检测当前视频帧中的每一个未知对象，以获得每一个未知对象的对象检测框，并利用训练好的ReID(行人重识别)模型，提取每一个对象检测框内的图像信息，输出具有固定维度的特征向量作为未知对象的特征表示，从而获得每一个未知对象的待检测特征，借由此特征提取技术手段，可以大大提升人体不定向运动和摄像头非固定的多目标跟踪任务的准确性，以获取稳定的对象轨迹信息。
例如，参考图2，可根据从目标视频A所获取的视频帧执行检测，获得未知对象a的待检测特征a和未知对象b的待检测特征b；根据从目标视频B所获取的视频帧执行检测，获得未知对象c的待检测特征c，以此类推。
步骤S104，将待检测特征与每一个轨迹特征执行匹配，并将与待检测特征相匹配的轨迹特征的目标对象，确定为待检测特征的目标对象。
可选地，可基于第一匹配阈值、第二匹配阈值，将待检测特征与每一个轨迹特征分别执行两次匹配，获得待检测特征的第一匹配结果和第二匹配结果，并基于第一匹配结果和第二匹配结果，确定与待检测特征相匹配的轨迹特征，并根据与之相匹配的轨迹特征对应的目标对象，确定待检测特征的目标对象。
具体地，可通过将待检测特征与每一个轨迹特征执行两次匈牙利匹配，以获取待检测特征的第一匹配结果和第二匹配结果，并基于第一匹配结果和第二匹配结果，确定与待检测特征相匹配的轨迹特征。
于本实施例中，轨迹特征可基于已检测完成的各待检测特征所生成，每一个轨迹特征对应于一个目标对象。
于本实施例中，同一个目标对象可对应于一个或多个的轨迹特征。
具体地，当同一目标对象出现在多个目标区域的情况下，则此目标对象可能具有多个轨迹特征。
可选地，可建立轨迹池，以存储各轨迹特征。
步骤S106，利用待检测特征，更新与待检测特征相匹配的轨迹特征，并返回步骤S102。
于本实施例中，可针对相互匹配的待检测特征与轨迹特征执行融合处理，并基于融合结果更新轨迹特征。
可选地，可通过平滑处理，以获得待检测特征与轨迹特征的融合特征。
综上所述，本实施例的图像识别方法，通过将待检测特征与轨迹特征进行匹配，以针对待检测特征中的未知对象进行识别，并利用与轨迹特征相匹配的待检测特征，针对轨迹特征进行同步更新，借由此技术手段，可供精准执行目标对象的持续追踪，并改善目标轨迹跟断或跟串的问题。
具体地，当被追踪的目标对象执行转身动作时，利用传统的追踪技术，由于目标对象的正身特征图与背身特征图的差异较大，容易导致目标对象跟断的情况(也就是同一目标对象，被打上多个不同的轨迹标签)；或者，当监控画面中出现两个着装相同的目标对象时，由于两个目标对象各自的特征图相似性极高，而容易导致两个目标对象跟串的情况(也就是同一轨迹标签被赋给了不同的目标对象)。
基于此，本申请通过逐帧获取目标视频中的各待检测特征，并持续地利用当前时刻的待检测特征和与之相匹配的轨迹特征进行融合，以针对轨迹特征进行迭代更新，利用此动态更新的轨迹特征，可在追踪的目标对象发生大幅度动作的情况下，或者追踪的多个目标对象之间的相似度较高的情况下，仍能针对追踪的目标对象进行精准识别，以避免目标轨迹跟断和跟串的情况发生，从而提高目标追踪的成功率。
图3示出了本申请另一示例性实施例的图像识别方法的处理流程。本实施例为上述步骤S104至步骤S106的具体实施方案，如图所示，本实施例主要包括以下步骤：
步骤S302，基于第一匹配阈值、第二匹配阈值，将待检测特征与每一个轨迹特征分别执行两次匹配，获得待检测特征的第一匹配结果和第二匹配结果。
可选地，可针对待检测特征与每一个轨迹特征分别执行两次匈牙利匹配，获得待检测特征的第一匹配结果和第二匹配结果。
具体地，可基于第一匹配阈值，将待检测特征与每一个轨迹特征分别执行第一次匈牙利匹配，以获得待检测特征的第一匹配结果，并基于第二匹配阈值，将待检测特征与每一个轨迹特征分别执行第二次匈牙利匹配，以获得待检测特征的第二匹配结果。
可选地，第二匹配阈值为高于第一匹配阈值。
可选地，第一匹配阈值可介于0.2至0.45之间，较佳地，第一匹配阈值可设置为0.4。
可选地，第二匹配阈值可介于0.6至0.9之间，较佳地，第二匹配阈值为0.65。
步骤S304,判断第一匹配结果与第二匹配结果，是否获得了与待检测特征相匹配的同一轨迹特征，若是，进行步骤S306，若否，进行步骤S308。
步骤S306，轨迹特征的目标对象确定为待检测特征的目标对象。
于本实施例中，若根据待检测特征的第一匹配结果和第二匹配结果，获得了与待检测特征相匹配的同一个轨迹特征，代表待检测特征中的未知对象已存在于轨迹池中，则将所匹配到的同一个轨迹特征所对应的目标对象，确定为待检测特征的目标对象。
例如，在图2所示示例中，针对待检测特征a，若第一匹配结果和第二匹配结果均从轨迹池中找到与之相匹配的轨迹特征a，则将轨迹特征a对应的目标对象a确定为待检测特征a的目标对象，亦即，待检测特征a中的未知对象a为目标对象a。
步骤S307，利用待检测特征更新轨迹特征。
可选地，可根据待检测特征、与待检测特征相匹配的轨迹特征、预设融合算法执行特征融合处理，并根据特征融合处理结果，更新与待检测特征相匹配的轨迹特征，获得更新的轨迹特征。
例如，在图2所示示例中，当根据待检测特征的第一匹配结果和第二匹配结果，在轨迹池中找到与待检测特征b相匹配的轨迹特征b时，可将待检测特征b与轨迹特征b进行融合处理，据以针对轨迹特征b进行更新。
于本实施例中，预设融合算法表示为：
Fnew＝α·Fpre+(1-α)·Fcur
其中，Fcur表示待检测特征，Fpre表示与待检测特征相匹配的轨迹特征，Fnew表示更新的轨迹特征，α为权重参数。
步骤S308，判断第一匹配结果与第二匹配结果是否均未获得与待检测特征相匹配的轨迹特征，若是，进行步骤S310,否则进行步骤S312。
步骤S310，根据所述待检测特征生成一个新的轨迹特征，并确定新的轨迹特征的目标对象，并将新的轨迹特征的目标对象，确定为待检测特征的目标对象。
具体地，若第一匹配结果与第二匹配结果均未获得与待检测特征相匹配的轨迹特征，代表待检测特征中的未知对象未存在于轨迹池中，则在轨迹池中针对此未知对象生成新的轨迹特征，并针对新生成的轨迹特征确定相应的目标对象。
可选地，可通过将新生成的轨迹特征与底库中的各底库特征进行匹配，以确定新生成的轨迹特征的目标对象。
于本实施例中，底库中可存储有各目标对象对应的各底库特征(例如各目标对象各自的标准图像)。
例如，在图2所示示例中，当第一匹配结果和第二匹配结果均未能从轨迹池中找到与待检测特征d相匹配的轨迹特征时，则将待检测特征d新增至轨迹池中，以在轨迹池中生成轨迹特征d，并确定轨迹特征d对应的目标对象a，且将轨迹特征d的目标对象a确定为待检测特征d的目标对象，即待检测特征d的未知对象d为目标对象a。
步骤S312，若第一匹配结果未获得与待检测特征匹配的轨迹特征，且第二匹配结果获得与待检测特征匹配的轨迹特征，则丢弃待检测特征。
具体地，由于在本实施例中的第二匹配阈值高于第一匹配阈值，因此，在针对待检测特征与每一个轨迹特征执行第一次匈牙利匹配，所获得的第一匹配结果为获得了与待检测特征相匹配的轨迹特征的情况下，针对待检测特征与每一个轨迹特征执行第二次匈牙利匹配，所获得的第二匹配结果也必然会获得与待检测特征相匹配的轨迹特征。反之，若在所获得的第一匹配结果为未获得与待检测特征相匹配的轨迹特征的情况下，所获得的第二匹配结果获得了与待检测特征相匹配的轨迹特征，代表此待检测特征属于模棱两可的低质量特征，则丢弃此待检测特征，以有效减少误匹配的情况发生。
综上所述，本实施例通过采用双阈值匹配算法，可以提高匹配结果的准确性，可有效减少误匹配的问题。
图4示出了本申请另一实施例的图像识别方法的处理流程图。本实施例为上述步骤S104的另一实施方案。
于本实施例中，可同时针对多个目标视频的待检测特征执行匹配处理，以同步确定各目标视频中的各待检测特征的目标对象。
如图所示，本实施例主要包括以下步骤：
步骤S402,依次获取每一个目标视频中的一个待检测特征，获得每一个目标视频的待检测特征。
于本实施例中，可将从每一个目标视频所获得的每一个待检测特征放入图2所述的检测池中。
步骤S404，计算每一个待检测特征与每一个轨迹特征之间的相似度，获得每一个待检测特征与每一个轨迹特征之间的相似度值。
可选地，可计算每一个待检测特征与每一个轨迹特征之间的余弦相似度，获得每一个检测特征与每一个轨迹特征之间的余弦相似度值。
步骤S406，根据每一个相似度值，获得相似度代价矩阵。
于本实施例中，可根据每一个待检测特征与每一个轨迹特征之间的余弦相似度值，获得每一个待检测特征与每一个轨迹特征之间的相似度代价值，以获得相似度代价矩阵，其中，每一个待检测特征与每一个轨迹特征之间的相似度代价值构成了相似度代价矩阵中的每一个矩阵元素。
例如，假设轨迹池中的轨迹特征的数量为M，检测池中的待检测特征的数量为N，则根据每一个待检测特征与每一个轨迹特征之间的相似度值，可构成M×N的相似度代价矩阵。
于本实施例中，每一个待检测特征与每一个轨迹特征之间的相似度代价值可表示为：
Figure BDA0003533065040000091
其中，
Figure BDA0003533065040000092
表示一个待检测特征与一个轨迹特征之间的余弦相似度值，A可表示任意一个待检测特征，B可表示任意一个轨迹特征。
需说明的是，也可采用其他相似度算法，例如欧式距离算法，获得每一个待检测特征与每一个轨迹特征之间的相似度值，并据以获得相似度代价矩阵。
步骤S408，根据相似度代价矩阵、第一匹配阈值，执行第一次匈牙利匹配，获得每一个待检测特征的第一匹配结果，并根据相似度代价矩阵、第二匹配阈值，执行第二次匈牙利匹配，获得每一个待检测特征的第二匹配结果。
于本实施例中，第二匹配阈值高于第一匹配阈值。
可选地，第一匹配阈值可介于0.2至0.45之间，较佳地，第一匹配阈值可设置为0.4。
可选地，第二匹配阈值可介于0.6至0.9之间，较佳地，第二匹配阈值可设置为0.65。
步骤S410，根据每一个待检测特征的第一匹配结果和第二匹配结果，确定每一个待检测特征的目标对象。
于本实施例中，针对每一个待检测特征，若第一匹配结果和第二匹配结果获得了与待检测特征相匹配的同一轨迹特征，则将轨迹特征的目标对象确定为待检测特征的目标对象；若第一匹配结果和第二匹配结果，均未获得与待检测特征相匹配的轨迹特征，则根据待检测特征生成一个新的轨迹特征，并确定新的轨迹特征的目标对象，且将新的轨迹特征的目标对象确定为待检测特征的目标对象；若第一匹配结果未获得与待检测特征匹配的轨迹特征，而第二匹配结果获得与待检测特征匹配的轨迹特征，则丢弃待检测特征。
可选地，针对每一个轨迹特征，若侦测到轨迹特征在预设匹配时段内未与任何一个待检测特征发生匹配，则丢弃轨迹特征。
具体地，参考图2，针对轨迹池中保存的各个轨迹特征，当轨迹特征在预设匹配时段内未与任何一个待检测特征发生匹配时，代表此轨迹特征对应的目标对象已离开了目标区域，则可将此轨迹特征从轨迹池中删除，借由此机制，不仅可减少轨迹池中的轨迹特征的数量，以减少计算量，亦可有效提高匹配结果的准确性。
具体地，在实际应用场景中，常常存在着特征相似的多个目标对象，例如，当目标对象1和目标对象2都身着黑色衣服时，目标对象1和目标对象2的待检测特征的相似度将较高，倘若目标对象1已经长时间离开了目标区域(监控区域)，但未删除目标对象1在轨迹池中的轨迹特征，则目标对象1的轨迹特征容易与目标区域中的目标对象2发生错误匹配。
综上所述，本申请实施例可同时针对多个目标视频中的当前的待检测特征进行匹配，可以提高特征检测的处理效率。此外，通过采用双阈值匹配算法，可以提高匹配结果的准确性，并有效减少误匹配的问题。
图5为本申请示例性实施例的图像识别装置的结构框图。如图所示，本实施例的图像识别装置500主要包括特征获取模块502、特征匹配模块504、特征更新模块506。
特征获取模块502，用于依次获取目标视频中的一个待检测特征。
特征匹配模块504，用于将所述待检测特征与每一个轨迹特征执行匹配，并将与所述待检测特征相匹配的轨迹特征的目标对象，确定为所述待检测特征的目标对象。
特征更新模块506，用于利用所述待检测特征，更新与所述待检测特征相匹配的轨迹特征，并返回所述特征获取模块继续执行。
可选地，特征获取模块502还用于：基于预设帧间隔，依次获取所述目标视频中的一个视频帧；检测所述视频帧中的未知对象，获取所述未知对象的待检测特征。
可选地，特征匹配模块504还用于：基于第一匹配阈值、第二匹配阈值，将所述待检测特征与每一个轨迹特征分别执行两次匹配，获得所述待检测特征的第一匹配结果和第二匹配结果；若根据所述待检测特征的第一匹配结果与第二匹配结果，获得与所述待检测特征相匹配的同一轨迹特征，将所述轨迹特征的目标对象确定为所述待检测特征的目标对象。
可选地，特征匹配模块504还用于：若所述第一匹配结果与所述第二匹配结果均未获得与所述待检测特征相匹配的轨迹特征，根据所述待检测特征生成一个新的轨迹特征，并确定所述新的轨迹特征的目标对象；将所述新的轨迹特征的目标对象，确定为所述待检测特征的目标对象。
可选地，所述两次匹配分别为匈牙利匹配，且所述第二匹配阈值高于所述第一匹配阈值。
可选地，所述第一匹配阈值可介于0.2至0.45之间，较佳地，所述第一匹配阈值为0.4；所述第二匹配阈值可介于0.6至0.9之间，较佳地，所述第二匹配阈值为0.65。
可选地，特征匹配模块504还用于：若所述第一匹配结果未获得与所述待检测特征匹配的轨迹特征，且所述第二匹配结果获得与所述待检测特征匹配的轨迹特征，则丢弃所述待检测特征。
所述目标视频包括多个，特征匹配模块504还用于：依次获取每一个目标视频中的一个待检测特征，获得每一个目标视频的待检测特征；将每一个待检测特征与每一个轨迹特征执行匹配，并根据与每一个待检测特征相匹配的轨迹特征的目标对象，确定每一个待检测特征的目标对象。
可选地，特征匹配模块504还用于：计算每一个待检测特征与每一个轨迹特征之间的相似度，获得每一个待检测特征与每一个轨迹特征之间的相似度值；根据每一个相似度值，获得相似度代价矩阵；根据所述相似度代价矩阵、第一匹配阈值，执行第一次匈牙利匹配，获得每一个待检测特征的第一匹配结果；根据所述相似度代价矩阵、第二匹配阈值，执行第二次匈牙利匹配，获得每一个待检测特征的第二匹配结果；针对每一个待检测特征，若所述第一匹配结果和所述第二匹配结果，获得与所述待检测特征相匹配的同一轨迹特征，将所述轨迹特征的目标对象确定为所述待检测特征的目标对象；若所述第一匹配结果和所述第二匹配结果，均未获得与所述待检测特征相匹配的轨迹特征，根据所述待检测特征生成一个新的轨迹特征，并确定所述新的轨迹特征的目标对象；若所述第一匹配结果未获得与所述待检测特征匹配的轨迹特征，且所述第二匹配结果获得与所述待检测特征匹配的轨迹特征，则丢弃所述待检测特征。
可选地，特征更新模块506还用于：根据所述待检测特征、与所述待检测特征相匹配的轨迹特征、预设融合算法执行特征融合处理；根据特征融合处理结果，更新与所述待检测特征相匹配的轨迹特征，获得更新的轨迹特征；其中，所述预设融合算法表示为：
Fnew＝α·Fpre+(1-α)·Fcur
其中，所述Fcur表示所述待检测特征，所述Fpre表示与所述待检测特征相匹配的轨迹特征，所述Fnew表示所述更新的轨迹特征。
可选地，图像识别装置500还用于：针对每一个轨迹特征，若侦测所述轨迹特征在预设匹配时段内未与任何一个待检测特征发生匹配，则丢弃所述轨迹特征。
此外，本申请的图像识别装置500还可用于实现前述各图像识别方法实施例中的其他步骤，并具有相应的方法步骤实施例的有益效果，在此不再赘述。
本申请示例性实施例还提供一种计算机存储介质，所述计算机存储介质中存储有用于执行上述各方法实施例所述的方法中各步骤的各指令。
综上所述，本申请各实施例提供的图像识别方法、装置及计算机存储介质，利用待检测特征针对轨迹特征进行迭代更新，以利用动态更新的轨迹特征，精准地执行目标追踪，并可有效改善目标轨迹跟断和跟串的情况。
另外，采用基于ReID信息的双阈值匹配算法，可有效过滤模棱两可的检测特征，使得轨迹跟串的可能性大大降低，进而使得轨迹追踪更加稳定。
此外，通过针对在预设匹配时段内未与任何一个待检测特征发生匹配的轨迹特征进行实时删除，可以提升匹配计算速度的同时，亦可提高匹配的精度。
最后应说明的是：以上实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (13)

1.一种图像识别方法，包括：
依次获取目标视频中的一个待检测特征；
将所述待检测特征与每一个轨迹特征执行匹配，并将与所述待检测特征相匹配的轨迹特征的目标对象，确定为所述待检测特征的目标对象；以及
利用所述待检测特征，更新与所述待检测特征相匹配的轨迹特征，并返回所述依次获取目标视频中的一个待检测特征的步骤继续执行。
2.根据权利要求1所述的方法，其中，所述依次获取目标视频中的一个待检测特征，包括：
基于预设帧间隔，依次获取所述目标视频中的一个视频帧；
检测所述视频帧中的未知对象，获取所述未知对象的待检测特征。
3.根据权利要求1所述的方法，其中，所述将所述待检测特征与每一个轨迹特征执行匹配，包括：
基于第一匹配阈值、第二匹配阈值，将所述待检测特征与每一个轨迹特征分别执行两次匹配，获得所述待检测特征的第一匹配结果和第二匹配结果；
若根据所述待检测特征的第一匹配结果与第二匹配结果，获得与所述待检测特征相匹配的同一轨迹特征，将所述轨迹特征的目标对象确定为所述待检测特征的目标对象。
4.根据权利要求3所述的方法，其中，所述方法还包括：
若所述第一匹配结果与所述第二匹配结果均未获得与所述待检测特征相匹配的轨迹特征，根据所述待检测特征生成一个新的轨迹特征，并确定所述新的轨迹特征的目标对象；
将所述新的轨迹特征的目标对象，确定为所述待检测特征的目标对象。
5.根据权利要求3所述的方法，其中，所述两次匹配分别为匈牙利匹配，且所述第二匹配阈值高于所述第一匹配阈值。
6.根据权利要求5所述的方法，其中，
所述第一匹配阈值可介于0.2至0.45之间，较佳地，所述第一匹配阈值为0.4；
所述第二匹配阈值可介于0.6至0.9之间，较佳地，所述第二匹配阈值为0.65。
7.根据权利要求6所述的方法，其中，所述方法还包括：
若所述第一匹配结果未获得与所述待检测特征匹配的轨迹特征，且所述第二匹配结果获得与所述待检测特征匹配的轨迹特征，则丢弃所述待检测特征。
8.根据权利要求3所述的方法，其中，所述目标视频包括多个，且所述方法还包括：
依次获取每一个目标视频中的一个待检测特征，获得每一个目标视频的待检测特征；
将每一个待检测特征与每一个轨迹特征执行匹配，并根据与每一个待检测特征相匹配的轨迹特征的目标对象，确定每一个待检测特征的目标对象。
9.根据权利要求8所述的方法，其中，所述将每一个待检测特征与每一个轨迹特征执行匹配，并根据与每一个待检测特征相匹配的轨迹特征的目标对象，确定每一个待检测特征的目标对象，包括：
计算每一个待检测特征与每一个轨迹特征之间的相似度，获得每一个待检测特征与每一个轨迹特征之间的相似度值；
根据每一个相似度值，获得相似度代价矩阵；
根据所述相似度代价矩阵、第一匹配阈值，执行第一次匈牙利匹配，获得每一个待检测特征的第一匹配结果；
根据所述相似度代价矩阵、第二匹配阈值，执行第二次匈牙利匹配，获得每一个待检测特征的第二匹配结果；
针对每一个待检测特征，
若所述第一匹配结果和所述第二匹配结果，获得与所述待检测特征相匹配的同一轨迹特征，将所述轨迹特征的目标对象确定为所述待检测特征的目标对象；
若所述第一匹配结果和所述第二匹配结果，均未获得与所述待检测特征相匹配的轨迹特征，根据所述待检测特征生成一个新的轨迹特征，并确定所述新的轨迹特征的目标对象；
若所述第一匹配结果未获得与所述待检测特征匹配的轨迹特征，且所述第二匹配结果获得与所述待检测特征匹配的轨迹特征，则丢弃所述待检测特征。
10.根据权利要求1所述的方法，其中，所述利用所述待检测特征，更新与所述待检测特征相匹配的轨迹特征，包括：
根据所述待检测特征、与所述待检测特征相匹配的轨迹特征、预设融合算法执行特征融合处理；
根据特征融合处理结果，更新与所述待检测特征相匹配的轨迹特征，获得更新的轨迹特征；
其中，所述预设融合算法表示为：
Fnew＝α·Fpre+(1-α)·Fcur
其中，所述Fcur表示所述待检测特征，所述Fpre表示与所述待检测特征相匹配的轨迹特征，所述Fnew表示所述更新的轨迹特征。
11.根据权利要求1所述的方法，其中，所述方法还包括：
针对每一个轨迹特征，若侦测所述轨迹特征在预设匹配时段内未与任何一个待检测特征发生匹配，则丢弃所述轨迹特征。
12.一种图像识别装置，包括：
特征获取模块，用于依次获取目标视频中的一个待检测特征；
特征匹配模块，用于将所述待检测特征与每一个轨迹特征执行匹配，并将与所述待检测特征相匹配的轨迹特征的目标对象，确定为所述待检测特征的目标对象；
特征更新模块，用于利用所述待检测特征，更新与所述待检测特征相匹配的轨迹特征，并返回所述特征获取模块继续执行。
13.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述权利要求1至11中任一项所述的方法中各步骤的各指令。
CN202210218745.XA 2022-03-04 2022-03-04 图像识别方法、装置及计算机存储介质 Pending CN114676756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210218745.XA CN114676756A (zh) 2022-03-04 2022-03-04 图像识别方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210218745.XA CN114676756A (zh) 2022-03-04 2022-03-04 图像识别方法、装置及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114676756A true CN114676756A (zh) 2022-06-28

Family

ID=82071889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210218745.XA Pending CN114676756A (zh) 2022-03-04 2022-03-04 图像识别方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114676756A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937498A (zh) * 2023-03-14 2023-04-07 天津所托瑞安汽车科技有限公司 一种目标检测方法、装置及电子设备
CN117557789A (zh) * 2024-01-12 2024-02-13 国研软件股份有限公司 一种海上目标的智能化检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937498A (zh) * 2023-03-14 2023-04-07 天津所托瑞安汽车科技有限公司 一种目标检测方法、装置及电子设备
CN117557789A (zh) * 2024-01-12 2024-02-13 国研软件股份有限公司 一种海上目标的智能化检测方法及系统
CN117557789B (zh) * 2024-01-12 2024-04-09 国研软件股份有限公司 一种海上目标的智能化检测方法及系统

Similar Documents

Publication Publication Date Title
Guo et al. Learning to measure change: Fully convolutional siamese metric networks for scene change detection
Wang et al. Saliency-aware video object segmentation
CN109360226B (zh) 一种基于时间序列多特征融合的多目标跟踪方法
Tsintotas et al. Probabilistic appearance-based place recognition through bag of tracked words
CN111127513A (zh) 一种多目标跟踪方法
CN109559330B (zh) 运动目标的视觉跟踪方法、装置、电子设备及存储介质
CN106203423B (zh) 一种融合上下文探测的弱结构感知视觉目标跟踪方法
CN114676756A (zh) 图像识别方法、装置及计算机存储介质
Yu et al. A content-adaptively sparse reconstruction method for abnormal events detection with low-rank property
KR101917354B1 (ko) 모바일 환경 객체 신뢰도 평가와 학습을 통한 융합 객체 추적 시스템 및 방법
Yang et al. Binary descriptor based nonparametric background modeling for foreground extraction by using detection theory
CN113608663B (zh) 一种基于深度学习和k-曲率法的指尖跟踪方法
KR20220004009A (ko) 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체
US20200005444A1 (en) Systems and methods of feature correspondence analysis
Gong et al. A two-level framework for place recognition with 3D LiDAR based on spatial relation graph
Chen et al. Robust object tracking via online dynamic spatial bias appearance models
CN107665495B (zh) 对象跟踪方法及对象跟踪装置
Sahbi Relevance feedback for satellite image change detection
Bhuyan et al. Finite state representation of hand gesture using key video object plane
Chuang et al. Human action recognition using star templates and delaunay triangulation
KR101489216B1 (ko) 직선을 기반으로 장소를 인식하는 방법 및 장치
Revathi et al. A survey of activity recognition and understanding the behavior in video survelliance
CN112541403A (zh) 一种利用红外摄像头的室内人员跌倒检测方法
CN112528937A (zh) 一种视频抽油机启停的检测方法
Zhao et al. IR saliency detection via a GCF-SB visual attention framework

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