CN116071569A - 图像选择方法、计算机设备及存储装置 - Google Patents
图像选择方法、计算机设备及存储装置 Download PDFInfo
- Publication number
- CN116071569A CN116071569A CN202211691887.4A CN202211691887A CN116071569A CN 116071569 A CN116071569 A CN 116071569A CN 202211691887 A CN202211691887 A CN 202211691887A CN 116071569 A CN116071569 A CN 116071569A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- preset
- target image
- classified
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06F16/55—Clustering; Classification
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像选择方法、计算机设备及存储装置。该方法包括:获取目标的目标图像序列;依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,每个分类图像集包含一种分类的目标图像;对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据;基于目标对应的特征聚类数据,选出目标对应的优选目标图像。上述方案,能够提高目标图像选择的多样性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像选择方法、计算机设备及存储装置。
背景技术
近年来,随着信息技术的不断发展,在各种各样的应用场景会获取到大量的图像,如视频监控系统拍摄的视频或图像帧、智能终端拍照的图像、各领域中采集的文字图像等等,由于图像的数据量大,对图像的存储压力大。
目前,通常在目标的多个图像中,根据图像的图像质量,选出一张或多张图像进行存储,虽然降低了对图像的存储量,但由于受图像选取方式的限制,会导致选出的图像过于单一,从而,后续对图像的实际使用效果不好。
发明内容
本申请主要解决的技术问题是提供一种图像选择方法、计算机设备及存储装置,能够提高目标图像选择的多样性。
为了解决上述问题,本申请第一方面提供了一种图像选择方法,该方法包括:获取目标的目标图像序列;依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,每个分类图像集包含一种分类的目标图像;对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据;基于目标对应的特征聚类数据,选出目标对应的优选目标图像。
为了解决上述问题,本申请第二方面提供了一种计算机设备,该计算机设备包括相互耦接的存储器和处理器,存储器中存储有程序数据,处理器用于执行程序数据以实现上述图像选择方法的任一步骤。
为了解决上述问题,本申请第三方面提供了一种存储装置,该存储装置存储有能够被处理器运行的程序数据,程序数据用于实现上述图像选择方法的任一步骤。
上述方案,通过获取目标的目标图像序列;依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,每个分类图像集包含一种分类的目标图像;对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据;通过针对同一目标的至少一个分类图像集进行聚类处理进行优选,能够得到表达目标的多种分类的图像,提高目标图像选择的多样性;另外,基于目标对应的特征聚类数据,选出目标对应的优选目标图像,能够提高目标图像优选的精度。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例描述中所需要的附图作简单的介绍,显而易见地,下面描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来说,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。其中:
图1是本申请图像选择方法第一实施例的流程示意图;
图2是本申请图1中步骤S12一实施例的流程示意图;
图3是本申请目标的分类图像集一实施例的存储结构示意图;
图4是本申请图1中步骤S13一实施例的流程示意图;
图5是本申请目标的特征聚类数据一实施例的图例示意图;
图6是本申请图1中步骤S14一实施例的流程示意图;
图7是本申请目标的特征聚类数据另一实施例的图例示意图;
图8是本申请图像选择方法第二实施例的流程示意图;
图9是本申请图像选择装置第一实施例的结构示意图;
图10是本申请图像选择装置第二实施例的结构示意图;
图11是本申请计算机设备一实施例的结构示意图;
图12是本申请存储装置一实施例的结构示意图。
具体实施方式
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的一部分实施例,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他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
经过本申请的发明人长期研究发现,以在视频监控应用场景为例,可以对目标(例如行人、车辆)进行抓拍得到多个抓拍图像,由于抓拍过程易受到目标的着装、遮挡、环境等因素影响,可能存在抓拍图像质量低等情况,通常是根据抓拍图像的图像质量,从多个抓拍图像中选择一张或多张图像质量高的抓拍图像进行存储。
上述图像选择方式,会导致选出目标的抓拍图像过于单一,在抓拍图像的实际应用中,对于后续目标的结构化分析、检索等都受影响,会降低对目标的检索的成功率。
为了解决上述技术问题,本申请提供以下实施例,下面对各实施例进行具体说明。
请参阅图1,图1是本申请图像选择方法第一实施例的流程示意图。该方法可以包括以下步骤:
S11:获取目标的目标图像序列。
目标可以是人员、动物、物体等,本申请该实施例下述以目标为人员为例进行说明,本申请不限于此。
需要说明的是,目标即为我们感兴趣的目标,如需要跟踪并进行目标图像优选的目标,在实际应用过程中,需要根据实际需求确定该目标的具体指代实物,比如,在银行、商场等场景,目标可以指目标行人的头部、脸部、头肩部、人体部等;在马路、桥梁等场景,目标可以指车辆、行人;在森林、草原等场景,目标可以指动物,本申请对此不做限制。
目标的目标图像序列可以是包含目标的多张目标图像,例如,是对目标拍摄得到的目标视频,将目标视频中多个视频帧(目标图像)作为目标图像序列;或者,是对目标进行拍照,得到的多个目标图像,组成目标图像序列,等等。
在一些实施方式中,在视频监控场景,可以利用对目标视频中实体目标进行跟踪,从目标视频的多个视频帧也即多个目标图像中检测出目标(行人、车辆、机动车等)以及每个目标的坐标检测框,以目标为行人为例进行说明,可以将每个检测得到目标作为跟踪目标,并赋予不同的ID(Identity document,身份标识号)值,该ID值可以从0或1开始计数。
在一些实施方式中,在获取目标的目标图像序列之前,可以至少一个目标的初始图像序列,其中,初始图像序列可以是在预设区域对至少一个目标拍摄得到的,预设区域可以是街道、商场、办公区域等,本申请对此不做限制。
获取初始图像序列中的每张目标图像中每个目标的预设评估值。其中,初始图像序列中包括至少一个目标,预设评估值包括图像质量评估值、目标完整度、姿态质量评估值中的至少一种;图像质量评估值可以表示目标图像的曝光、清晰度、颜色、质感、噪音、像素等情况的评估值,目标完整度可以表示目标在目标图像中的完整程度,姿态质量评估值可以表示目标在目标图像中姿态的完整度、姿态的生成情况等情况的评估值。可以理解的是,预设评估值还可以包括其他的评估值,本申请的预设评估值不限于此。
基于预设评估值,从初始图像序列中选出满足预设优选要求的目标的目标图像序列。可以为各预设评估值设置对应的权重值,基于各权重值可以得到初始图像序列中每张目标图像的每个目标的预设评估值,预设优先要求可以是预设评估值大于或等于预设评估阈值。
S12:依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,每个分类图像集包含一种分类的目标图像。
提取目标图像序列中每张目标图像的特征信息,在一些实施方式中,特征信息可以包括头部特征、头肩部特征、装饰特征、姿态特征等中的至少一种。
依据目标图像序列的每张目标图像的特征信息,对目标图像序列的每张目标图像进行分类,分类的种类可以根据具体应用场景进行设置,如目标的姿态特征、头肩部特征等,本申请对此不做限制。
对目标图像序列进行分类后,可以得到目标的至少一个分类图像集,也即得到目标对应每个分类的分类图像集,每个分类图像集包含一种分类的目标图像。
S13:对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据。
对于一个目标,可以包含至少一种分类的分类图像集,以每个分类图像集为聚类处理的目标,对目标的每个分类图像集进行聚类处理,可以得到每个分类图像集对应的特征聚类数据。
在一些实施方式中,特征聚类数据包括分类图像集的多个聚类以及聚类的相关信息。
S14:基于目标对应的特征聚类数据,选出目标对应的优选目标图像。
以在监控视频的应用场景为例,可以为目标选出优选目标图像,其中,目标图像的优选是指在监控视频中,对一个目标从出现到消失的每一帧视频帧中,获取该目标的优选目标图像,优选目标图像可以表达在目标图像序列中整个生命周期中质量表达能力最高的图像。
基于目标对应的特征聚类数据,可以在目标的每个分类图像集的特征聚类数据中,从特征聚类数据的至少一个图像类簇中选出至少一个目标图像作为目标对应的优选目标图像。
在一些实施方式中,优选目标图像可以用于后续目标的特征提取、结构化分析以及检索等,能够有效提高目标属性识别的准确性以及检索的成功率。
在一些实施方式中,若目标图像序列包括多个目标,对目标图像序列包括的每个目标均执行利用目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到各目标的至少一个分类图像集及其后续步骤,以得到每个目标的优选目标图像。
本实施例中,通过获取目标的目标图像序列;依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,每个分类图像集包含一种分类的目标图像;对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据;通过针对同一目标的至少一个分类图像集进行聚类处理进行优选,能够得到表达目标的多种分类的图像,提高目标图像选择的多样性;另外,基于目标对应的特征聚类数据,选出目标对应的优选目标图像,能够提高目标图像优选的精度。
在一些实施例中,请参阅图2,可以对上述实施例的步骤S12进一步扩展。依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,本实施例可以包括以下步骤:
S121:对目标图像序列的每张目标图像进行特征提取,得到每张目标图像的特征信息。
该步骤可以参考上述实施例中步骤S12的具体实施过程,本申请在此不做赘述。
S122:依据目标图像的特征信息,按照预设分类策略对每张目标图像进行分类,得到目标的至少一个分类图像集。
其中,特征信息可以包括头部特征、头肩部特征、装饰特征、姿态特征等中的至少一种。依据目标图像的特征信息,对每个目标图像按照预设特征进行分类,如对同一目标按照不同姿态特征进行分类,得到目标的每种预设特征分别对应的分类图像集。
在一些实施方式中,预设特征包括目标在多个不同视角下的姿态特征,多个不同视角可以是间隔预设角度的视角,如预设特征的分类包括目标在0度的姿态特征、45度的姿态特征、90度的姿态特征、135度的姿态特征、180度的姿态特征、……、360度的姿态特征等,其中,还可以将不同视角的姿态特征合并为一类,如0度的姿态特征和180度的姿态特征可以合并为一类等,可以根据具体应用场景进行分类,本申请对预设分类策略不做限制。
在一些实施方式中,预设特征的分类可以包括正面姿态特征、背面姿态特征、侧面姿态特征中的至少一种。以目标为人体为例,正面姿态特征可以为人体的正面的特征,背面姿态特征为人体的背面的特征,侧面姿态特征为人体的左侧面和/或右侧面的特征。
在一些实施方式中,以包含目标的脸部为正面,例如划分的正面姿态特征的姿态范围(或角度范围)可以为30度~150度,侧面姿态特征的姿态范围(或角度范围)可以为150度~210度和330度(或-30度)~30度,背面姿态特征的姿态范围(或角度范围)可以为210度~330度。例如正面姿态特征的姿态范围可以与侧面姿态特征的姿态范围有重叠,背面姿态特征的姿态范围可以与侧面姿态特征的姿态范围有重叠等,本申请对此不做限制。
在一些实施方式中,以预设特征的分类包括正面姿态特征、背面姿态特征、侧面姿态特征为例,可以利用预设分类策略的分类模型对目标图像序列的目标图像进行分类,分类模型可以是利用样本图像序列进行训练得到的,样本图像序列中每个样本图像标记有对应分类的标签,如正面姿态特征、背面姿态特征、侧面姿态特征等,训练后的分类模型能够对目标图像序列进行分类。
请参阅图3,以预设特征包括的分类为正面姿态特征、背面姿态特征、侧面姿态特征为例进行说明,在对目标图像序列按照预设分类策略进行分类,得到每个目标对应的至少一种分类图像集,在对目标的至少一种分类图像集进行存储时,每个目标赋予不同的ID值,ID值也即标识符,按照目标包含的分类图像集进行存储。
例如目标1包含正面1(正面姿态特征,下同)和正面2等、侧面1(侧面姿态特征,下同)和侧面2等、背面1(侧面姿态特征,下同)和背面2等。目标2包含正面3和正面4等、侧面3和侧面4等、背面3和背面4等,目标n包含正面n和正面n+1等、侧面n和侧面n+1等、背面n和背面n+1等,n为大于1的正整数。目标1属于正面姿态特征分类的分类图像集可以包括正面1和正面2,其他分类的分类图像集同理。在一些应用场景中,还可以单独为每个目标的每个分类图像集中的目标图像进行编号,以对分类图像集的每个目标图像进行管理。
在一些实施例中,请参阅图4,可以对上述实施例的步骤S13进一步扩展。对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据,本实施例可以包括以下步骤:
S131:将目标的各个分类图像集分别作为聚类目标数据。
在一些实施方式中,可以对每个目标包含的至少一个分类图像集进行聚类,可以将各个分类图像集分别作为聚类目标数据。
在一些实施方式中,可以以目标为单位进行聚类,将目标的所有分类图像集作为聚类目标数据。
S132:分别对目标的每个聚类目标数据进行聚类处理,得到每个分类对应的特征聚类数据。
分别对目标的每个聚类目标数据进行聚类处理,也即以目标为单位,对每个分类图像集进行聚类处理,得到每个分类对应的特征聚类数据,也即每个分类图像集对应的特征聚类数据。
其中,聚类处理的聚类方法可以为划分式方法(Partition-based Methods)、基于密度的聚类方法(Density-based Methods)、层次化聚类方法(Hierarchical Methods)等,如K-means聚类算法、DBSCAN聚类算法等,本申请对此不做限制。
对目标的每个分类图像集进行聚类处理,得到每个分类对应的特征聚类数据,分类对应的特征聚类数据包括对分类对应的分类图像集聚类得到的至少一个图像类簇,也即可以得到每个分类的至少一个图像类簇,每个图像类簇包含至少一个目标图像。
请参阅图5,以预设特征包括的分类为正面姿态特征、侧面姿态特征、背面姿态特征为例进行说明,可以分别得到目标的正面、侧面、背面的分类图像集分别对应的至少一个图像类簇。如目标100的正面的分类图像集可以包括图像类簇101、图像类簇102和图像类簇103,侧面的分类图像集可以包括图像类簇104和图像类簇105,背面的分类图像集可以包括图像类簇106。在图5中,图像类簇中每个样本点可以表示一个目标图像。
在一些实施例中,请参阅图6,可以对上述实施例的步骤S14进一步扩展。基于目标对应的特征聚类数据,选出目标对应的优选目标图像,本实施例可以包括以下步骤:
S141:对于目标的每个分类,利用分类的至少一个图像类簇,选出分类对应的聚类表征图像。
目标对应的特征聚类数据包括目标的每个分类对应的特征聚类数据,分类对应的特征聚类数据包括对分类对应的分类图像集聚类得到的至少一个图像类簇。
对于每个目标的每个分类,可以得到每个分类的分类图像集聚类处理后的至少一个图像类簇,可以从至少一个图像类簇中选出的聚类表征图像,以得到每个分类对应的聚类表征图像。
在一些实施方式中,选出每个分类对应的聚类表征图像的数量可以为预设数量,预设数量是大于或等于1的正整数,可以从至少一个图像类簇中选出一个或多个图像类簇,再从图像类簇中选出预设数量的聚类表征图像。
在一些实施方式中,选出每个分类对应的聚类表征图像的数量可以为与图像类簇的数量相同,可以从分类对应的每个图像类簇中选出的聚类表征图像。
在一些实施方式中,分类的聚类表征图像为分类的每个图像类簇中位于类中心的目标图像。类中心是在聚类分析中的一个特殊样本点,用来代表某一类,也即可以代表图像类簇,其他样本点通过与它计算距离来决定是否属于该图像类簇。
请参阅图7,例如目标100的正面的分类图像集可以包括图像类簇101、图像类簇102和图像类簇103,侧面的分类图像集可以包括图像类簇104和图像类簇105,背面的分类图像集可以包括图像类簇106。可以分别从每个图像类簇中选出每个图像类簇对应的聚类表征图像1001,图像类簇对应的聚类表征图像1001可以表征该图像类簇,代表对该图像类簇中所有样本点(目标图像)。
S142:将目标的不同分类的聚类表征图像,作为目标对应的优选目标图像。
将目标的不同分类的所有聚类表征图像,作为目标对应的优选目标图像,也即可以将每个分类的图像类簇中位于类中心的目标图像作为目标对应的优选目标图像。
上述方案,对于目标的每个分类,通过利用分类的至少一个图像类簇,选出分类对应的聚类表征图像,将目标的不同分类的聚类表征图像,作为目标对应的优选目标图像,使得可以选出每个分类对应的优选目标图像,另外,由于分类的聚类表征图像为分类的每个图像类簇中位于类中心的目标图像,选出的优选目标图像对目标的每个分类具有代表性,可以尽可能多地选出所有分类的优选目标图像。
请参阅图8,图8是本申请图像选择方法第二实施例的流程示意图。该方法可以包括以下步骤:
S21:利用预设去重数据库中所述目标的预存目标图像,对目标对应的优选目标图像进行去重处理。
在一些实施方式中,在上述实施例的步骤S14之后,也即基于目标对应的特征聚类数据,选出目标对应的优选目标图像之后,可以执行该实施例的步骤S21、步骤S22和/或步骤S23。
在一些实施例中,预设去重数据库中目标的预存目标图像按照分类进行存储。例如按照目标的每个分类存储每个分类对应的预存目标图像,该存储方式可以参考上述步骤S13的具体实施过程,本申请在此不做赘述。
具体地,可以将属于同一分类的目标的优选目标图与目标的预存目标图像进行比对,判断是否满足预设去重要求。例如可以判断优选目标图像与预存目标图像的相似度,若相似度大于预设相似度阈值,则可以确定为满足预设去重要求。
若不满足预设去重要求,则将目标的优选目标图加入预设去重数据库的对应分类中进行存储,以作为后续的预存目标图像。
在一些实施方式中,若不满足预设去重要求,则将目标的优选目标图加入预设去重数据库和/或预设优选数据库的对应分类中进行存储,预设优选数据库中目标的优选目标图像按照分类进行存储,将优选目标图像存储在预设优选数据库中,可以在后续对目标的优选目标图像进行分析、检索等。
在一些实施方式中,若满足预设去重要求,则不将优选目标图像存储至预设去重数据库中,或者,获取优选目标图像与预存目标图像的预设评估值,若优选目标图像的预设评估值高于预存目标图像的预设评估值,则将优选目标图像存储至预设去重数据库的对应分类中,并删除预存目标图像;反之,则不将目标的优选目标图像存储至预设去重数据库中。
S22:将去重处理之后的优选目标图像存储至预设优选数据库中。
可以将去重处理之后的优选目标图像存储至预设优选数据库的目标的对应分类中,预设优选数据库中目标的优选目标图像按照分类进行存储。
在一些实施方式中,可以将不满足预设去重要求的优选目标图像存储至预设优选数据库的目标的对应分类中。
在一些实施方式中,可以从目标的每个分类中选出至少一个优选目标图像存储至预设优选数据库的目标的对应分类中。
在一些实施方式中,上述预设去重数据库与预设优选数据库可以为同一数据库,也可以作为单独的数据库,本申请对此不做限制。
S23:在预设优选数据库中按预设查询方式查找目标对应的优选目标图像;其中,预设查询方式包括以图搜图方式的待搜索图像、目标的标识符、优选目标图像的属性、优选目标图像的分类中的至少一种。
将目标的优选目标图像存储至预设优选数据中之后,可以对目标的优选目标图像进行分析处理。例如检索、结构化分析等。
可以按照预设查询方式查找目标对应的优选目标图像,也即在预设优选数据库进行目标检索。其中,预设查询方式包括以图搜图方式的待搜索图像、目标的标识符、优选目标图像的属性、优选目标图像的分类中的至少一种。可以理解的是,还可以采用其他的检索方式,本申请的预设查询方式不限于此。
以图搜图方式为:将待搜索图像输入预设优选数据库,提取待搜索图像的特征,与预设优选数据库中的优选目标图像进行相似度比较,输出相似度排名前N的优选目标图像,N为大于或等于1的正整数。
目标的标识符为:将待检索的目标的标识符输入预设优选数据库,比较预设优选数据库中目标的标识符,输出与待检索的目标的标识符相符的目标以及相关的优选目标图像。
优选目标图像的属性:在预设优选数据库中存储优选目标图像时,还可以设置优选目标图像的属性标签,输入待检索的优选目标图像的属性,将属性与属性标签进行比较,可以输出相符的优选目标图像。
优选目标图像的分类:输入待检索的优选目标图像的分类,与预设优选数据库中存储的目标的优选目标图像的分类进行比较,可以输出相符的优选目标图像。
在一些实施方式中,可以将上述多种检索方式进行组合,以组合检索的方式更将精确地找到优选目标图像,本申请对上述检索方式不做限制。
上述方案,通过将去重处理之后的优选目标图像存储至预设优选数据库中,可以尽可能降低对优选目标图像的存储量;另外,检索优选目标图像时,可以通过目标的标识符进行检索,基于目标的标识符可以找出目标所有分类的优选目标图像,可以提高目标检索的成功率及命中率。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例,本申请还提供一种图像选择装置。请参阅图9,图9是本申请图像选择装置第一实施例的结构示意图。该图像选择装置30包括获取模块31、分类模块32、聚类模块33和选择模块34。
获取模块31用于获取目标的目标图像序列。
分类模块32用于依据目标图像序列的每张目标图像的特征信息,对每张目标图像进行分类,得到目标的至少一个分类图像集,每个分类图像集包含一种分类的目标图像。
聚类模块33用于对目标的至少一个分类图像集进行聚类处理,得到特征聚类数据。
选择模块34用于基于目标对应的特征聚类数据,选出目标对应的优选目标图像。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
在一些实施例中。请参阅图9,图9是本申请图像选择装置第二实施例的结构示意图。上述图像选择装置30包括获取模块31、分类模块32、聚类模块33和选择模块34。此外,还包括去重模块35、存储模块36和查询模块37。
去重模块35用于利用预设去重数据库中目标的预存目标图像,对目标对应的优选目标图像进行去重处理。
存储模块36用于将去重处理之后的优选目标图像存储至预设优选数据库中。
查询模块37用于在预设优选数据库中按预设查询方式查找目标对应的优选目标图像;其中,预设查询方式包括以图搜图方式的待搜索图像、目标的标识符、优选目标图像的属性、优选目标图像的分类中的至少一种。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例,本申请提供一种计算机设备,请参阅图11,图11是本申请计算机设备一实施例的结构示意图。该计算机设备40包括存储器41和处理器42,其中,存储器41和处理器42相互耦接,存储器41中存储有程序数据,处理器42用于执行程序数据以实现上述图像选择方法任一实施例中的步骤。
在本实施例中,处理器42还可以称为CPU(Central Processing Unit,中央处理单元)。处理器42可能是一种集成电路芯片,具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)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。通用处理器可以是微处理器或者该处理器42也可以是任何常规的处理器等。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例的方法,其可以采用计算机程序的形式实现,因而本申请提出一种存储装置,请参阅图12,图12是本申请存储装置一实施例的结构示意图。该存储装置50中存储有能够被处理器运行的程序数据51,程序数据51可被处理器执行以实现上述图像选择方法任一实施例的步骤。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
本实施例存储装置50可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储程序数据51的介质,或者也可以为存储有该程序数据51的服务器,该服务器可将存储的程序数据51发送给其他设备运行,或者也可以自运行该存储的程序数据51。
在本申请所提供的几个实施例中,应该理解的,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储装置中,该存储装置是一种计算机可读取存储介质。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种图像选择方法,其特征在于,所述方法包括:
获取目标的目标图像序列;
依据所述目标图像序列的每张目标图像的特征信息,对每张所述目标图像进行分类,得到所述目标的至少一个分类图像集,每个所述分类图像集包含一种分类的所述目标图像;
对所述目标的至少一个分类图像集进行聚类处理,得到特征聚类数据;
基于所述目标对应的所述特征聚类数据,选出所述目标对应的优选目标图像。
2.根据权利要求1所述的方法,其特征在于,所述依据所述目标图像序列的每张目标图像的特征信息,对每张所述目标图像进行分类,得到所述目标的至少一个分类图像集,包括:
对所述目标图像序列的每张目标图像进行特征提取,得到所述每张目标图像的特征信息;
依据所述目标图像的特征信息,按照预设分类策略对每张所述目标图像进行分类,得到所述目标的至少一个分类图像集。
3.根据权利要求2所述的方法,其特征在于,所述依据所述目标图像的特征信息,按照预设分类策略对每张所述目标图像进行分类,得到所述目标的至少一个分类图像集,包括:
依据所述目标图像的特征信息,对每个所述目标图像按照预设特征进行分类,得到所述目标的每种预设特征分别对应的所述分类图像集;
其中,所述预设特征包括目标在多个不同视角下的姿态特征;或者,所述预设特征包括正面姿态特征、背面姿态特征、侧面姿态特征中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标的至少一个分类图像集进行聚类处理,得到特征聚类数据,包括:
将所述目标的各个所述分类图像集分别作为聚类目标数据;
分别对所述目标的每个所述聚类目标数据进行聚类处理,得到每个分类对应的特征聚类数据。
5.根据权利要求1所述的方法,其特征在于,所述目标对应的所述特征聚类数据包括所述目标的每个分类对应的特征聚类数据,所述分类对应的特征聚类数据包括对所述分类对应的分类图像集聚类得到的至少一个图像类簇;
所述基于所述目标对应的所述特征聚类数据,选出所述目标对应的优选目标图像,包括:
对于所述目标的每个分类,利用所述分类的所述至少一个图像类簇,选出所述分类对应的聚类表征图像;
将所述目标的不同分类的所述聚类表征图像,作为所述目标对应的优选目标图像。
6.根据权利要求5所述的方法,其特征在于,所述分类的聚类表征图像为所述分类的每个图像类簇中位于类中心的所述目标图像。
7.根据权利要求1所述的方法,其特征在于,所述基于所述目标对应的所述特征聚类数据,选出所述目标对应的优选目标图像之后,所述方法还包括:
利用预设去重数据库中所述目标的预存目标图像,对所述目标对应的优选目标图像进行去重处理;
将去重处理之后的所述优选目标图像存储至预设优选数据库中。
8.根据权利要求7所述的方法,其特征在于,
所述预设去重数据库中所述目标的预存目标图像按照所述分类进行存储;
所述利用预设去重数据库中所述目标的预存目标图像,对所述目标对应的优选目标图像进行去重处理,包括:
将属于同一分类的所述目标的优选目标图与所述目标的预存目标图像进行比对,判断是否满足预设去重要求;
若不满足所述预设去重要求,则将所述目标的优选目标图加入所述预设去重数据库和/或预设优选数据库的对应分类中。
9.根据权利要求7所述的方法,其特征在于,所述将去重处理之后的所述优选目标图像存储至预设优选数据库中之后,所述方法还包括:
在所述预设优选数据库中按预设查询方式查找所述目标对应的优选目标图像;
其中,所述预设查询方式包括以图搜图方式的待搜索图像、所述目标的标识符、所述优选目标图像的属性、所述优选目标图像的分类中的至少一种。
10.根据权利要求1所述的方法,其特征在于,所述获取目标的目标图像序列,包括:
获取初始图像序列中的每张目标图像中每个目标的预设评估值;其中,所述初始图像序列中包括至少一个目标,所述预设评估值包括图像质量评估值、目标完整度、姿态质量评估值中的至少一种;
基于所述预设评估值,从所述初始图像序列中选出满足预设优选要求的目标的目标图像序列。
11.一种计算机设备,其特征在于,包括相互耦接的存储器和处理器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现权利要求1至10任一项所述方法的步骤。
12.一种存储装置,其特征在于,存储有能够被处理器运行的程序数据,所述程序数据用于实现权利要求1至10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211691887.4A CN116071569A (zh) | 2022-12-27 | 2022-12-27 | 图像选择方法、计算机设备及存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211691887.4A CN116071569A (zh) | 2022-12-27 | 2022-12-27 | 图像选择方法、计算机设备及存储装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071569A true CN116071569A (zh) | 2023-05-05 |
Family
ID=86177919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211691887.4A Pending CN116071569A (zh) | 2022-12-27 | 2022-12-27 | 图像选择方法、计算机设备及存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235297A (zh) * | 2023-11-15 | 2023-12-15 | 浙江大华技术股份有限公司 | 图像选择方法及计算机设备 |
-
2022
- 2022-12-27 CN CN202211691887.4A patent/CN116071569A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235297A (zh) * | 2023-11-15 | 2023-12-15 | 浙江大华技术股份有限公司 | 图像选择方法及计算机设备 |
CN117235297B (zh) * | 2023-11-15 | 2024-04-26 | 浙江大华技术股份有限公司 | 图像选择方法及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106354816B (zh) | 一种视频图像处理方法及装置 | |
US10102443B1 (en) | Hierarchical conditional random field model for labeling and segmenting images | |
CN104572804B (zh) | 一种视频物体检索的方法及其系统 | |
Satta et al. | Fast person re-identification based on dissimilarity representations | |
CN108875542B (zh) | 一种人脸识别方法、装置、系统及计算机存储介质 | |
JP2017033547A (ja) | 情報処理装置及びその制御方法及びプログラム | |
US20120148157A1 (en) | Video key-frame extraction using bi-level sparsity | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
Benini et al. | Shot scale distribution in art films | |
CN110569918B (zh) | 一种样本分类的方法以及相关装置 | |
Huang et al. | Soft-margin mixture of regressions | |
Demirkus et al. | Hierarchical temporal graphical model for head pose estimation and subsequent attribute classification in real-world videos | |
CN112101156B (zh) | 一种目标识别的方法、装置和电子设备 | |
CN115115825B (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN107315984B (zh) | 一种行人检索的方法及装置 | |
CN114783037B (zh) | 目标重识别方法、目标重识别装置和计算机可读存储介质 | |
CN111753601A (zh) | 一种图像处理的方法、装置以及存储介质 | |
Li et al. | Multi-view vehicle detection based on fusion part model with active learning | |
Zhang et al. | Appearance-based loop closure detection via locality-driven accurate motion field learning | |
CN112651321A (zh) | 档案处理方法、装置及服务器 | |
Mathuravalli et al. | Deep Learning Techniques For Exoticism Mining From Visual Content Based Image Retrieval | |
CN116071569A (zh) | 图像选择方法、计算机设备及存储装置 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
CN106557523A (zh) | 代表性图像选择方法和设备以及对象图像检索方法和设备 | |
CN115482569A (zh) | 目标客流统计方法、电子设备以及计算机可读存储介质 |
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 |