CN115546701A - 匹配特征确定方法、装置及电子设备 - Google Patents
匹配特征确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115546701A CN115546701A CN202211376984.4A CN202211376984A CN115546701A CN 115546701 A CN115546701 A CN 115546701A CN 202211376984 A CN202211376984 A CN 202211376984A CN 115546701 A CN115546701 A CN 115546701A
- Authority
- CN
- China
- Prior art keywords
- image frame
- vector information
- feature
- matching
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种匹配特征确定方法、装置及电子设备,涉及人工智能技术领域,尤其涉及深度学习、图像处理、计算机视觉技术领域,可应用于OCR等场景,匹配特征确定方法,包括:获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息;计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息;根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习、图像处理、计算机视觉技术领域,可应用于光学符号识别(Optical Character Recognition,OCR)等场景,具体涉及一种匹配特征确定方法、装置及电子设备。
背景技术
随着人工智能技术的发展与应用,人工智能技术越来越多的应用到各个领域。当前图像帧可以采用人工智能技术完成对目标的分割。当前在对图像帧进行分割时,通常是对视频中所有的图像帧进行匹配。
发明内容
本公开提供了一种匹配特征确定方法、装置及电子设备。
根据本公开的第一方面,提供了一种匹配特征确定方法,包括:
获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息,所述参考帧、所述第一图像帧和所述N张第二图像帧均为目标视频中的图像帧,所述目标视频还包括目标图像帧,所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧在所述目标视频中的播放顺序依次排序为:所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧,N为大于1的整数;
计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息;
根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
根据本公开的第二方面,提供了一种匹配特征确定装置,包括:
第一获取模块,用于获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息,所述参考帧、所述第一图像帧和所述N张第二图像帧均为目标视频中的图像帧,所述目标视频还包括目标图像帧,所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧在所述目标视频中的播放顺序依次排序为:所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧,N为大于1的整数;
计算模块,用于计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息;
确定模块,用于根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法。
根据本公开的第四方面,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,该计算机指令用于使计算机执行第一方面中的任一项方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现第一方面中的任一项方法。
本公开实施方式中,计算N张第二图像帧中每个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,即每次只计算一个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的一个匹配特征,并通过N次计算得到N个匹配特征,然后再根据N个匹配特征确定目标图像帧中所述目标对象的预测匹配特征;这样,与直接计算所有的第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征的方式相比,可以减小在计算匹配特征时,第二图像帧中错误信息和噪声的影响,从而可以提高第三空间向量信息的准确度,进而可以提高最终得到的预测匹配特征的准确度。
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
图1是本公开实施例提供的一种匹配特征确定方法的流程图;
图2是本公开实施例提供的一种匹配特征确定装置的结构示意图;
图3是本公开实施例提供的一种匹配特征确定装置中确定模块的结构示意图;
图4是本公开实施例提供的另一种匹配特征确定装置中确定模块的结构示意图;
图5是本公开实施例提供的一种匹配特征确定装置中计算模块的结构示意图;
图6是本公开实施例提供的一种匹配特征确定装置中第三确定子模块的结构示意图;
图7是本公开实施例提供的另一种匹配特征确定装置的结构示意图;
图8是用来实施本公开的实施例的示例电子设备的示意性框图。
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。
当前在对图像帧进行分割时,通常是对视频中所有的图像帧中的目标对象进行匹配,由于图像帧中包括的错误信息和噪声较多,且不同图像帧包括的错误信息和噪声并不完全相同,导致最终得到的图像帧的目标对象的分割结果的准确度较低,为了解决以上问题,提出了以下方案:
参见图1,图1为本公开实施例提供的一种匹配特征确定方法的流程图,如图1所示,匹配特征确定方法,包括如下步骤:
步骤S101、获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息,所述参考帧、所述第一图像帧和所述N张第二图像帧均为目标视频中的图像帧,所述目标视频还包括目标图像帧,所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧在所述目标视频中的播放顺序依次排序为:所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧,N为大于1的整数。
其中,参考帧可以被称作为ref图像帧,而目标图像帧可以被称作为prev图像帧。
其中,参考帧、第一图像帧、N张第二图像帧和目标图像帧中均包括目标对象,目标对象可以被称作为光学符号,而目标对象的具体内容在此不做限定,可选地,目标对象可以为人脸图像或者自动驾驶车辆等。
其中,参考帧在目标视频中的具体位置在此不做限定,作为一种可选的实施方式,参考帧可以为目标对象在目标视频中第M次出现时对应的图像帧,M可以为正整数。
进一步可选的,M可以为1,即参考帧可以为目标对象在目标视频中第1次出现时对应的图像帧,而参考帧的第一空间向量信息的置信度大于预设数值,即可以认为参考帧的第一空间向量信息的可信度较高,或者,参考帧的第一空间向量信息可以被认为是绝对准确的信息。
其中,第一图像帧在目标视频中的播放时刻与目标图像帧在目标视频中的播放时刻之间的差值可以小于预设差值,而预设差值的具体取值在此不做限定,且预设差值的取值越小越好。
作为一种可选的实施方式,当预设差值为目标差值时,第一图像帧可以认为是目标视频中与目标图像帧相邻的图像帧,即第一图像帧可以被称作为目标视频中目标图像帧的前一帧图像帧。这样,可以使得第二空间向量信息与目标图像帧的预测向量信息之间的误差较小,也就是说:第二空间向量信息可以被认为非常贴近目标图像帧的预测向量信息,在特定情况下,可以将第二空间向量信息确定为目标图像帧的预测向量信息。
这样,当计算N张第二图像帧中每个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征时,由于空间向量信息集中的第一空间向量信息可以被认为是准确度较高(或者被称作为绝对准确),而第二空间向量信息可以被认为非常贴近目标图像帧的预测向量信息,可以提高计算得到的匹配特征的准确度,同时,又由于每次只计算N张第二图像帧中一个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,从而可以减少第二图像帧中的错误信息和噪声的影响,从而可以提高第三空间向量信息的准确度。
步骤S102、计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息。
其中,计算N张第二图像帧中每个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征可以理解为:
每次只计算一个第二图像帧中目标对象对应的第三空间向量信息与空间向量信息集之间的匹配特征,由于有N个第二图像帧,因而需要计算N次,从而得到N个匹配特征。
而上述计算一个第二图像帧中目标对象对应的第三空间向量信息与空间向量信息集之间的匹配特征,可以理解为计算第二图像帧中目标对象与参考帧第一图像帧的目标对象和第一图像帧的目标对象的分割结果。
步骤S103、根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
其中,目标图像帧中目标对象的预测匹配特征可以理解为目标图像帧中目标对象的分割结果,而由于除了参考帧的目标对象的分割结果可以直接给定之外,其他目标视频中所有的图像帧的目标对象的分割结果均可以根据参考帧进行预测得到。
本公开实施方式中,通过步骤S101至S103,计算N张第二图像帧中每个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,即每次只计算一个第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的一个匹配特征,并通过N次计算得到N个匹配特征,然后再根据N个匹配特征确定目标图像帧中所述目标对象的预测匹配特征;这样,与直接计算所有的第二图像帧中目标对象的第三空间向量信息与空间向量信息集之间的匹配特征的方式相比,可以减小在计算匹配特征时,第二图像帧中错误信息和噪声的影响,从而可以提高第三空间向量信息的准确度,进而可以提高最终得到的预测匹配特征的准确度。
需要说明的是,根据N个匹配特征确定目标图像帧中目标对象的预测匹配特征的具体方式在此不做限定。
作为一种可选的实施方式,所述根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征,包括:
计算所述N个匹配特征的第一平均特征;
将所述第一平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
本公开实施方式中,由于先计算得到N个匹配特征,然后将N个匹配特征的第一平均特征确定为目标图像帧中目标对象的预测匹配特征,既可以减少每个第二图像帧中的错误信息和噪声的影响,同时又可以使得预设匹配特征利用到了每个第二图像帧的匹配特征,即增加了信息来源的广泛性,提高了预设匹配特征的准确度。
作为一种可选的实施方式,所述根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征,包括:
计算所述N个匹配特征的第一加权平均特征;
将所述第一加权平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
其中,在计算加权平均特征时,权值的具体内容在此不做限定,可选地,权值可以为应用场景的数值,不同应用场景对应的权值不同。另外,权值还可以为匹配特征对应的第二图像帧与目标图像帧在目标视频中播放时刻之间的差值,差值越大,权值越小,差值越小,权值越大。
例如:当应用场景为深度学习、图像处理、计算机视觉等场景时,权值较大,当应用场景为其他场景时,权值较小。
本公开实施方式中,将第一加权平均特征确定为目标图像帧中目标对象的预测匹配特征,这样,进一步增强了预测匹配特征确定方式的多样性和灵活性。
作为一种可选的实施方式,所述空间向量信息集包括第一空间向量信息集和第二空间向量信息集,所述第一空间向量信息包括第一键空间特征向量和第一值空间特征向量,所述第二空间向量信息包括第二键空间特征向量和第二值空间特征向量,所述第三空间向量信息包括第三键空间特征向量和第三值空间特征向量,所述第一空间向量信息集包括所述第一键空间特征向量和所述第二键空间特征向量,所述第二空间向量信息集包括所述第一值空间特征向量和所述第二值空间特征向量;
所述计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,包括:
计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三键空间特征向量与所述第一空间向量信息集的匹配特征,得到N个第一匹配特征;且计算所述N张第二图像帧中每个第二图像帧中所述目标对象与所述第二空间向量信息集的匹配特征,得到N个第二匹配特征;
根据所述N个第一匹配特征和所述N个第二匹配特征确定N个匹配特征。
其中,第一键空间特征向量、第二键空间特征向量和第三键空间特征向量均可以被称作为key、key空间或者key空间特征向量,且第一键空间特征向量、第二键空间特征向量和第三键空间特征向量可以存储于第一存储空间服务器中,而上述第一存储空间服务器可以被称作为mem_k;第一值空间特征向量、第二值空间特征向量和第三值空间特征向量均可以被称作为value、value空间或者value空间特征向量,且第一值空间特征向量、第二值空间特征向量和第三值空间特征向量可以存储于第二存储空间服务器中,而上述第二存储空间服务器可以被称作为mem_v。
本公开实施方式中,根据N个第一匹配特征和N个第二匹配特征确定N个匹配特征,可以进一步增强N个匹配特征确定方式的多样性和灵活性,且可以进一步提高目标图像帧中目标对象的预测匹配特征的准确度。
作为一种可选的实施方式,所述根据所述N个第一匹配特征和所述N个第二匹配特征确定N个匹配特征,包括:
计算所述N个第一匹配特征中每个第一匹配特征和所述N个第二匹配特征中对应的第二匹配特征的平均特征,以得到N个第二平均特征;
将所述N个第二平均特征确定为所述N个匹配特征。
其中,每个第一匹配特征与N个第二匹配特征中对应的第二匹配特征可以理解为:第一匹配特征和第二匹配特征均对应同一个第二图像帧。
本公开实施方式中,将N个第二平均特征确定为N个匹配特征,这样,可以进一步增强N个匹配特征确定方式的多样性和灵活性,且可以进一步提高目标图像帧中目标对象的预测匹配特征的准确度。同时,由于第二平均特征可以减少偶然性因素对N个匹配特征的准确度的影响,即可以提高N个匹配特征的确定结果的准确度。
作为一种可选的实施方式,还包括:
获取所述目标图像帧的目标特征向量;
根据所述目标特征向量对所述预测匹配特征进行修正。
其中,目标特征向量的具体内容在此不做限定,可选地,目标特征向量可以为实例特征向量、键空间特征向量和值空间特征向量中的至少一项。
本公开实施方式中,可以根据目标特征向量对预测匹配特征进行修正,从而进一步提高了预测匹配特征确定方式的多样性和灵活性,同时,还提高了预测匹配特征的确定结果的准确度。
参见图2,图2为本公开实施例提供的一种匹配特征确定装置的结构示意图,如图2所示,匹配特征确定装置200,包括:
第一获取模块201,用于获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息,所述参考帧、所述第一图像帧和所述N张第二图像帧均为目标视频中的图像帧,所述目标视频还包括目标图像帧,所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧在所述目标视频中的播放顺序依次排序为:所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧,N为大于1的整数;
计算模块202,用于计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息;
确定模块203,用于根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
作为一种可选的实施方式,参见图3,所述确定模块203,包括:
第一计算子模块2031,用于计算所述N个匹配特征的第一平均特征;
第一确定子模块2032,用于将所述第一平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
作为一种可选的实施方式,参见图4,所述确定模块203,包括:
第二计算子模块2033,用于计算所述N个匹配特征的第一加权平均特征;
第二确定子模块2034,用于将所述第一加权平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
作为一种可选的实施方式,所述空间向量信息集包括第一空间向量信息集和第二空间向量信息集,所述第一空间向量信息包括第一键空间特征向量和第一值空间特征向量,所述第二空间向量信息包括第二键空间特征向量和第二值空间特征向量,所述第三空间向量信息包括第三键空间特征向量和第三值空间特征向量,所述第一空间向量信息集包括所述第一键空间特征向量和所述第二键空间特征向量,所述第二空间向量信息集包括所述第一值空间特征向量和所述第二值空间特征向量;
参见图5,所述计算模块202,包括:
第三计算子模块2021,用于计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三键空间特征向量与所述第一空间向量信息集的匹配特征,得到N个第一匹配特征;且计算所述N张第二图像帧中每个第二图像帧中所述目标对象与所述第二空间向量信息集的匹配特征,得到N个第二匹配特征;
第三确定子模块2022,用于根据所述N个第一匹配特征和所述N个第二匹配特征确定N个匹配特征。
作为一种可选的实施方式,参见图6,所述第三确定子模块2022,包括:
计算单元20221,用于计算所述N个第一匹配特征中每个第一匹配特征和所述N个第二匹配特征中对应的第二匹配特征的平均特征,以得到N个第二平均特征;
确定单元20222,用于将所述N个第二平均特征确定为所述N个匹配特征。
作为一种可选的实施方式,参见图7,匹配特征确定装置200,还包括:
第二获取模块204,用于获取所述目标图像帧的目标特征向量;
修正模块205,用于根据所述目标特征向量对所述预测匹配特征进行修正。
本公开提供的匹配特征确定装置200,能够实现匹配特征确定方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
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8示出了可以用来实施本公开的实施例的示例电子设备800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8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理,例如匹配特征确定方法。例如,在一些实施例中,匹配特征确定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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的匹配特征确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行匹配特征确定方法。
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)、负载可编程逻辑设备(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 (15)
1.一种匹配特征确定方法,包括:
获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息,所述参考帧、所述第一图像帧和所述N张第二图像帧均为目标视频中的图像帧,所述目标视频还包括目标图像帧,所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧在所述目标视频中的播放顺序依次排序为:所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧,N为大于1的整数;
计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息;
根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
2.根据权利要求1所述的方法,其中,所述根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征,包括:
计算所述N个匹配特征的第一平均特征;
将所述第一平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
3.根据权利要求1所述的方法,其中,所述根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征,包括:
计算所述N个匹配特征的第一加权平均特征;
将所述第一加权平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
4.根据权利要求1所述的方法,其中,所述空间向量信息集包括第一空间向量信息集和第二空间向量信息集,所述第一空间向量信息包括第一键空间特征向量和第一值空间特征向量,所述第二空间向量信息包括第二键空间特征向量和第二值空间特征向量,所述第三空间向量信息包括第三键空间特征向量和第三值空间特征向量,所述第一空间向量信息集包括所述第一键空间特征向量和所述第二键空间特征向量,所述第二空间向量信息集包括所述第一值空间特征向量和所述第二值空间特征向量;
所述计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,包括:
计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三键空间特征向量与所述第一空间向量信息集的匹配特征,得到N个第一匹配特征;且计算所述N张第二图像帧中每个第二图像帧中所述目标对象与所述第二空间向量信息集的匹配特征,得到N个第二匹配特征;
根据所述N个第一匹配特征和所述N个第二匹配特征确定N个匹配特征。
5.根据权利要求4所述的方法,其中,所述根据所述N个第一匹配特征和所述N个第二匹配特征确定N个匹配特征,包括:
计算所述N个第一匹配特征中每个第一匹配特征和所述N个第二匹配特征中对应的第二匹配特征的平均特征,以得到N个第二平均特征;
将所述N个第二平均特征确定为所述N个匹配特征。
6.根据权利要求1至5中任一项所述的方法,还包括:
获取所述目标图像帧的目标特征向量;
根据所述目标特征向量对所述预测匹配特征进行修正。
7.一种匹配特征确定装置,包括:
第一获取模块,用于获取参考帧中目标对象的第一空间向量信息、第一图像帧中所述目标对象的第二空间向量信息和N张第二图像帧中所述目标对象的第三空间向量信息,所述参考帧、所述第一图像帧和所述N张第二图像帧均为目标视频中的图像帧,所述目标视频还包括目标图像帧,所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧在所述目标视频中的播放顺序依次排序为:所述参考帧、所述N张第二图像帧、所述第一图像帧和所述目标图像帧,N为大于1的整数;
计算模块,用于计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三空间向量信息与空间向量信息集之间的匹配特征,以得到N个匹配特征,所述空间向量信息集包括所述第一空间向量信息和所述第二空间向量信息;
确定模块,用于根据所述N个匹配特征确定所述目标图像帧中所述目标对象的预测匹配特征。
8.根据权利要求7所述的装置,其中,所述确定模块,包括:
第一计算子模块,用于计算所述N个匹配特征的第一平均特征;
第一确定子模块,用于将所述第一平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
9.根据权利要求7所述的装置,其中,所述确定模块,包括:
第二计算子模块,用于计算所述N个匹配特征的第一加权平均特征;
第二确定子模块,用于将所述第一加权平均特征确定为所述目标图像帧中所述目标对象的预测匹配特征。
10.根据权利要求7所述的装置,其中,所述空间向量信息集包括第一空间向量信息集和第二空间向量信息集,所述第一空间向量信息包括第一键空间特征向量和第一值空间特征向量,所述第二空间向量信息包括第二键空间特征向量和第二值空间特征向量,所述第三空间向量信息包括第三键空间特征向量和第三值空间特征向量,所述第一空间向量信息集包括所述第一键空间特征向量和所述第二键空间特征向量,所述第二空间向量信息集包括所述第一值空间特征向量和所述第二值空间特征向量;所述计算模块,包括:
第三计算子模块,用于计算所述N张第二图像帧中每个第二图像帧中所述目标对象的第三键空间特征向量与所述第一空间向量信息集的匹配特征,得到N个第一匹配特征;且计算所述N张第二图像帧中每个第二图像帧中所述目标对象与所述第二空间向量信息集的匹配特征,得到N个第二匹配特征;
第三确定子模块,用于根据所述N个第一匹配特征和所述N个第二匹配特征确定N个匹配特征。
11.根据权利要求10所述的装置,其中,所述第三确定子模块,包括:
计算单元,用于计算所述N个第一匹配特征中每个第一匹配特征和所述N个第二匹配特征中对应的第二匹配特征的平均特征,以得到N个第二平均特征;
确定单元,用于将所述N个第二平均特征确定为所述N个匹配特征。
12.根据权利要求7至11中任一项所述的装置,还包括:
第二获取模块,用于获取所述目标图像帧的目标特征向量;
修正模块,用于根据所述目标特征向量对所述预测匹配特征进行修正。
13.一种电子设备,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权利要求1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品,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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211376984.4A CN115546701A (zh) | 2022-11-04 | 2022-11-04 | 匹配特征确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211376984.4A CN115546701A (zh) | 2022-11-04 | 2022-11-04 | 匹配特征确定方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546701A true CN115546701A (zh) | 2022-12-30 |
Family
ID=84720479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211376984.4A Pending CN115546701A (zh) | 2022-11-04 | 2022-11-04 | 匹配特征确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546701A (zh) |
-
2022
- 2022-11-04 CN CN202211376984.4A patent/CN115546701A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
CN113436100A (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN114120414B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN112528995B (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN113902696A (zh) | 图像处理方法、装置、电子设备和介质 | |
CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN112508115A (zh) | 建立节点表示模型的方法、装置、设备和计算机存储介质 | |
CN114511743A (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN113642711A (zh) | 一种网络模型的处理方法、装置、设备和存储介质 | |
CN113223051A (zh) | 轨迹优化方法、装置、设备、存储介质以及程序产品 | |
CN112529018A (zh) | 图像局部特征的训练方法、装置及存储介质 | |
CN116129101A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN115546701A (zh) | 匹配特征确定方法、装置及电子设备 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN114463361A (zh) | 网络模型训练方法、装置、设备、介质及程序产品 | |
CN114581730A (zh) | 检测模型的训练方法、目标检测方法、装置、设备和介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN112966607A (zh) | 模型训练方法、人脸视频生成方法、装置、设备和介质 | |
CN115641481A (zh) | 用于训练图像处理模型和图像处理的方法、装置 | |
CN113379592A (zh) | 图片中敏感区域的处理方法、装置和电子设备 |
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 |