CN111898462A - 对象属性的处理方法、装置、存储介质以及电子装置 - Google Patents
对象属性的处理方法、装置、存储介质以及电子装置 Download PDFInfo
- Publication number
- CN111898462A CN111898462A CN202010653152.7A CN202010653152A CN111898462A CN 111898462 A CN111898462 A CN 111898462A CN 202010653152 A CN202010653152 A CN 202010653152A CN 111898462 A CN111898462 A CN 111898462A
- Authority
- CN
- China
- Prior art keywords
- attribute
- group
- data
- objects
- 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.)
- Granted
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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种对象属性的处理方法,该方法包括:采集第一组对象的监控数据,根据监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,确定出第一对象属性组,再基于采集到的第一目标对象的监控数据,确定第一目标对象的目标属性信息,因此,可以解决相关技术中存在的对象属性识别的效率较低的问题,达到可动态在各种应用场景中部署更合理、更具有鲁棒性的模型,提升对象属性识别效率和精度的效果。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种对象属性的处理方法、装置、存储介质以及电子装置。
背景技术
如今,使用视频结构化技术已成为多个视频监控行业中的常规技术方案,通过一种基于视频内容信息提取对应的关键目标对象,包括车辆、行人等的技术,对视频内容按照语义关系,采用时空分割、特征提取、对象识别等处理手段,组织成可供计算机和人类理解的结构化信息的技术。以安防行业为例,视频结构化技术能够在大量视频中快速寻找目标对象。
其中,行人对象的属性识别是视频结构化技术中重要的功能模块,通过将非行人视频数据转化为人和机器可理解的视频结构化数据,并进一步转化为可搜索的语义信息,也即,从监控视频中预测对象的各个属性标签,例如,在对象为行人时,属性标签为年龄、性别和服装款式等,用于视频感知世界的智慧应用。
但是,相关技术中对于对象属性的分组是通过预定义的方式,例如,对象的姿态、对象的部位等方式,缺少属性分组的科学性,使得相关技术中存在的对象属性识别的效率较低的技术问题。
发明内容
本发明实施例提供了一种对象属性的处理方法、装置、存储介质以及电子装置,以至少解决相关技术中存在的对象属性识别的效率较低的问题。
根据本发明的一个实施例,提供了一种对象属性的处理方法,包括:获取在第一时间段内采集到的第一组对象的监控数据;根据所述第一组对象的监控数据,确定所述第一组对象在多个对象属性中的每个对象属性上的属性数据;根据所述第一组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,其中,所述第一对象属性组用于确定目标属性信息;获取在第二时间段内采集到的第一目标对象的第一监控数据;根据所述第一监控数据,确定所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据;根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息。
根据本发明的另一个实施例,提供了一种对象属性的处理装置,包括:第一获取模块,用于获取在第一时间段内采集到的第一组对象的监控数据;第一确定模块,用于根据所述第一组对象的监控数据,确定所述第一组对象在多个对象属性中的每个对象属性上的属性数据;第一处理模块,用于根据所述第一组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,其中,所述第一对象属性组用于确定目标属性信息;第二获取模块,获取在第二时间段内采集到的第一目标对象的第一监控数据;第二确定模块,根据所述第一监控数据,确定所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据;第二处理模块,根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,采集第一组对象的监控数据,根据第一组对象的监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组,采集第一目标对象的监控数据,根据第一目标对象的监控数据,确定第一目标对象在第一对象属性组中的每个对象属性上的属性数据,根据第一目标对象在第一对象属性组中的每个对象属性上的属性数据,确定第一目标对象的目标属性信息,替代了相关技术中通过预定义的方式对对象属性进行分组,因此,可以解决相关技术中存在的对象属性识别的效率较低的问题,达到可动态在各种应用场景中部署最合理、最具鲁棒性的模型,提升对象属性识别效率和精度的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种对象属性的处理方法的移动终端的硬件结构框图;
图2是根据本发明实施例的一种对象属性的处理方法的流程示意图;
图3是根据本发明实施例的另一种对象属性的处理方法的流程示意图;
图4是根据本发明实施例的一种对象属性的处理装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种对象属性的处理方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的对象属性的处理方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的对象属性的处理方法,图2是根据本发明实施例的对象属性的处理的流程示意图,如图2所示,该流程包括如下步骤:
步骤S202,获取在第一时间段内采集到的第一组对象的监控数据;
步骤S204,根据第一组对象的监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据;
步骤S206,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组,其中,第一对象属性组用于确定目标属性信息;
步骤S208,获取在第二时间段内采集到的第一目标对象的第一监控数据;
步骤S210,根据第一监控数据,确定第一目标对象在第一对象属性组中的每个对象属性上的属性数据;
步骤S212,根据第一目标对象在第一对象属性组中的每个对象属性上的属性数据,确定第一目标对象的目标属性信息。
可选地,在本实施例中,上述第一组对象以及第一目标对象可以包括但不限于行人、车辆、动物、飞行器等能够通过图像识别算法从视频采集设备采集的监控数据中识别出的对象。
可选地,在本实施例中,上述对象属性可以包括但不限于对象的颜色、对象的移动速度、在对象为行人时,可以包括但不限于行人的年龄、性别、身材、服装款式、头发形状、头发长度等,上述仅是一种示例,具体的对象属性本实施例不做任何限定。
可选地,在本实施例中,上述监控数据可以包括但不限于通过视频采集设备直接采集到的监控数据,也可以包括但不限于从服务器或者其他终端获取到的预设类型的监控数据,例如,马路上的监控摄像头实时采集的监控数据,或者,由监控摄像头预先采集完成,保存在数据库或其他存储设备中的监控数据。
可选地,在本实施例中,上述第一时间段和上述第二时间段可以相同或者不同,换言之,可以基于同一时间段采集到的监控数据进行上述处理,也可以基于不同时间段采集到的监控数据进行上述处理。
可选地,在本实施例中,上述属性数据可以包括但不限于年龄的大小、行人对象为长发或者短发、行人对象的性别为男性或者女性,对于车辆而言,可以包括但不限于车辆的长度值、高度值、速度值等。上述仅是一种示例,本实施例不做任何具体地限定。
可选地,在本实施例中,上述第一组对象的属性数据在每个对象属性上的数据分布之间的距离可以包括但不限于将上述每个对象属性的属性数据分布在同一坐标系中,将上述分布在上述坐标系中通过连接线的形式估计上述每个对象属性的属性数据分布,基于上述对应于不同连接线的对象属性的数据分布,计算每个连接线的距离,以得到上述数据分布之间的距离。
可选地,在本实施例中,上述根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组可以包括但不限于比较每个对象属性上的数据分布之间的距离和预设距离阈值的大小,来确定是否需要将一个或多个对象属性确定为第一对象属性组,例如,在行人对象为长发或者短发的数据分布与行人对象的性别为男性或者女性的数据分布距离为3,上述预设距离阈值为2时,由于行人对象为长发或者短发的数据分布与行人对象的性别为男性或者女性的数据分布距离大于预设距离阈值,因此,将行人对象的头发长短和行人对象的性别确定为第一对象属性组。
可选地,在本实施例中,上述目标属性信息的种类可以与上述对象属性相同或者不同,可以基于实际需要进行设置,例如,将上述目标属性信息的种类设置为行人对象的性别,相关技术中通过行人对象的头发长短、行人对象的身高、行人对象的穿着分别进行预测行人对象的性别,而通过本实施例,可以将行人对象的头发长短、行人对象的身高确定为第一对象属性组,将行人对象头发长短和行人对象的穿着确定为第二对象属性组,基于上述第一对象属性组和第二对象属性组进行预测行人对象的性别。
通过本发明,采集第一组对象的监控数据,根据第一组对象的监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组,采集第一目标对象的监控数据,根据第一目标对象的监控数据,确定第一目标对象在第一对象属性组中的每个对象属性上的属性数据,根据第一目标对象在第一对象属性组中的每个对象属性上的属性数据,确定第一目标对象的目标属性信息,替代了相关技术中通过预定义的方式对对象属性进行分组,因此,可以解决相关技术中存在的对象属性识别的效率较低的问题,达到可动态在各种应用场景中部署最合理、最具鲁棒性的模型,提升对象属性识别效率和精度的效果。
在一个可选的实施例中,所述根据所述一组目标的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,包括:
将第一对象属性所对应的属性数据以及第二对象属性所对应的属性数据向量化,得到第一组向量和第二组向量,所述第一组向量对应于所述第一对象属性,所述第二组向量对应于所述第二对象属性;
将所述第一组向量和第二组向量输入目标函数,得到所述第一组向量与所述第二组向量之间的距离;
在所述距离大于等于目标阈值的情况下,将所述第一对象属性和所述第二对象属性确定为第一对象属性组。
可选地,在本实施例中,上述将第一对象属性所对应的属性数据以及第二对象属性所对应的属性数据向量化可以包括但不限于基于特征提取算法将上述属性数据向量化,以得到上述第一组向量和第二组向量。
可选地,在本实施例中,上述目标函数可以包括但不限于最大均值差异损失函数,将两个不同的对象属性作为两种分布,通过确定两组向量之间的距离判断是否能够确定为一个对象属性组。
在一个可选的实施例中,将所述第一组向量和第二组向量输入目标函数,得到所述第一组向量与所述第二组向量之间的距离,包括:
通过如下公式得到所述第一组向量与所述第二组向量之间的距离:
其中,n是向量维度,x和y分别对应于所述第一组向量和所述第二组向量,K(·)是用于将所述第一组向量和所述第二组向量映射到再生核希尔伯特空间的核函数。
可选地,在本实施例中,以第一组向量对应于行人对象的头发长度分布,第二组向量对应于行人对象的身高,通过将上述行人对象的头发长度和身高的数据分布输入上述再生核希尔伯特空间,以确定行人对象的头发长度和行人对象的身高的数据分布之间的距离。
在一个可选的实施例中,所述再生核希尔伯特空间的定义包括以下至少之一:
K(x,y)=<x,y>;
K(x,y)=(γ<x,y>+c)n;
K(x,y)=exp(-γ||x-y||2);
K(x,y)=tanh(γ<x,y>+c)。
可选地,在本实施例中,具体再生核希尔伯特空间的定义可以包括但不限于上述的一种,或者,还可以包括但不限于其他能够定义再生核希尔伯特空间的核函数。
在一个可选的实施例中,所述根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息,包括:将所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据输入预设模型,得到所述第一对象属性组的置信度;基于所述置信度,确定所述第一目标对象的所述目标属性信息。
可选地,在本实施例中,上述预设模型可以包括但不限于能够利用对象属性信息进行属性识别的模型,上述置信度用于表示上述第一对象属性组确定目标属性信息的概率。
在一个可选的实施例中,所述获取在第一时间段内采集到的第一组对象的监控数据,包括:检测在所述第一时间段内采集到的一组图像,得到所述一组图像中的所有对象的第一组坐标;从所述第一组坐标中确定所述所有对象中每个对象所对应的第二组坐标,其中,所述第二组坐标为所述每个对象在所述一组图像中出现的全部生命周期的坐标;基于所述第二组坐标确定所述每个对象的历史轨迹信息;根据所述历史轨迹信息确定所述一组对象中每个对象的质量参数;将所述一组对象中每个对象的质量参数分别进行排序,得到目标数据集,其中,所述目标数据集中记录有所述一组对象中每个对象以及所述每个对象对应的排名最高的质量参数;将所述目标数据集中记录的数据确定为所述第一组对象的监控数据,其中,所述第一组对象中的对象为所述质量参数排名最高的对象。
可选地,在本实施例中,上述检测在所述第一时间段内采集到的一组图像,得到所述一组图像中的所有对象的第一组坐标,可以包括但不限于使用相关目标检测算法实现,例如,行人识别模型等。
可选地,在本实施例中,上述从所述第一组坐标中确定所述所有对象中每个对象所对应的第二组坐标,可以包括但不限于使用相关目标跟踪算法实现,例如,行人跟踪模型等,上述第二组坐标用于表示上述每个对象在全部视频数据的全生命周期中出现的一组坐标,进而获取每个对象的历史轨迹信息。
可选地,在本实施例中,上述根据所述历史轨迹信息确定所述一组对象中每个对象的质量参数;将所述一组对象中每个对象的质量参数分别进行排序,得到目标数据集,可以包括但不限于通过维护当前图像对应于每个对象分配的标识信息确定上述每个对象以及对应的历史轨迹信息,使用相关目标优选算法获取上述目标对象在全部视频数据的全生命周期中的全部质量参数,对上述质量参数排序,将排序最高的一帧图像确定为最优最优的一帧图像,最优的一帧图像。
在一个可选的实施例中,所述方法还包括:获取在第三时间段内采集到的第二组对象的监控数据;根据所述第二组对象的监控数据,确定所述第二组对象在所述多个对象属性中的每个对象属性上的属性数据;根据所述第二组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第二对象属性组,其中,所述第二对象属性组用于确定所述目标属性信息;获取在第四时间段内采集到的第二目标对象的第二监控数据;根据所述第二监控数据,确定所述第二目标对象在所述第二对象属性组中的每个对象属性上的属性数据;根据所述第二目标对象在所述第二对象属性组中的每个对象属性上的属性数据,确定所述第二目标对象的所述目标属性信息。
可选地,在本实施例中,可以对多个对象进行多种分组,每个对象可以在相同或不同的分组中同时分配,例如,第一对象属性组为行人对象的头发长短、行人对象的性别,第二对象属性组为行人对象的头发长短、行人对象的年龄、行人对象的身高。上述仅是一种示例,本实施例不做任何具体的限制。
可选地,上述第三时间段、第四时间段可以与上述第一时间段或第二时间段相同或者不同。
下面结合具体的实施例,以对象是行人为例,对本发明做进一步解释说明:
S302,基于指定帧率采集前端设备获取的完整图像(对应于前述的监控数据);
S304,基于行人检测算法获得该图像中所有目标坐标(对应于前述的第一组坐标);
S306,基于行人跟踪算法获得所有目标在整个视频中出现的生命周期的坐标(对应于前述的第二组坐标);
S308,维护当前图像每一ID行人的历史帧轨迹信息,基于优选算法获得行人质量分数,基于行人质量分数对同一行人ID进行排序,获得最高分数的行人目标;
S310,基于特征提取算法将行人各属性向量化(对应于前述的向量组),基于最大均值差异算法获得属性之间的相关性,并对相关属性分组;
S312,基于行人优选模块获得行人数据集(对应于前述的目标数据集),将行人数据集送入相关性属性分组学习算法获得行人各分组属性的置信度。
其中,上述最大均值差异算法是迁移学习中的一种损失函数,主要用来度量两个不同但相关的分布在再生核希尔伯特空间中的距离,其是一种核学习方法。
可选地,在本实施例中,通过将两个不同的行人属性作为两种分布,它们之间的距离可作为判断属性之间的相关性,定义如下:
其中,n是向量维度,x和y分别是向量化的行人属性,K(·)是核函数,用于把向量映射到再生核希尔伯特空间中,一般形式的再生核希尔伯特空间定义如下:
K(x,y)=<x,y>
K(x,y)=(γ<x,y>+c)n
K(x,y)=exp(-γ||x-y||2)
K(x,y)=tanh(γ<x,y>+c)
通过本实施例,利用将度量各个分布之间的距离作为度量行人属性之间相关性的方式,并基于最大均值差异度量属性之间的相关性,并利用此相关性进行分组,不用依赖人类先验知识来分组,提升了人类的开发效率,进而寻找到当前应用场景中最合理的属性分组方案,提高行人属性部署模型的真实应用鲁棒性,提升属性识别精度;
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种对象属性的处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的对象属性的处理装置的结构框图,如图4所示,该装置包括
第一获取模块402,用于获取在第一时间段内采集到的第一组对象的监控数据;
第一确定模块404,用于根据所述第一组对象的监控数据,确定所述第一组对象在多个对象属性中的每个对象属性上的属性数据;
第一处理模块406,用于根据所述第一组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,其中,所述第一对象属性组用于确定目标属性信息;
第二获取模块408,用于获取在第二时间段内采集到的第一目标对象的第一监控数据;
第二确定模块410,用于根据所述第一监控数据,确定所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据;
第二处理模块412,用于根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息。
在一个可选的实施例中,所述第一处理模块406,包括:
处理单元,用于将第一对象属性所对应的属性数据以及第二对象属性所对应的属性数据向量化,得到第一组向量和第二组向量,所述第一组向量对应于所述第一对象属性,所述第二组向量对应于所述第二对象属性;
第一输入单元,用于将所述第一组向量和第二组向量输入目标函数,得到所述第一组向量与所述第二组向量之间的距离;
第一确定单元,用于在所述距离大于等于目标阈值的情况下,将所述第一对象属性和所述第二对象属性确定为第一对象属性组。
在一个可选的实施例中,所述处理单元,包括:
计算子单元,用于通过如下公式得到所述第一组向量与所述第二组向量之间的距离:
其中,n是向量维度,x和y分别对应于所述第一组向量和所述第二组向量,K(·)是用于将所述第一组向量和所述第二组向量映射到再生核希尔伯特空间的核函数。
在一个可选的实施例中,所述再生核希尔伯特空间的定义包括以下至少之一:
K(x,y)=<x,y>;
K(x,y)=(γ<x,y>+c)n;
K(x,y)=exp(-γ||x-y||2);
K(x,y)=tanh(γ<x,y>+c)。
在一个可选的实施例中,所述第二处理模块412,包括:
第二输入单元,用于将所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据输入预设模型,得到所述第一对象属性组的置信度;
第二确定单元,用于基于所述置信度,确定所述第一目标对象的所述目标属性信息。
在一个可选的实施例中,所述第一获取模块402用于通过如下方式获取在第一时间段内采集到的第一组对象的监控数据,包括:
检测在所述第一时间段内采集到的一组图像,得到所述一组图像中的所有对象的第一组坐标;
从所述第一组坐标中确定所述所有对象中每个对象所对应的第二组坐标,其中,所述第二组坐标为所述每个对象在所述一组图像中出现的全部生命周期的坐标;
基于所述第二组坐标确定所述每个对象的历史轨迹信息;
根据所述历史轨迹信息确定所述一组对象中每个对象的质量参数;
将所述一组对象中每个对象的质量参数分别进行排序,得到目标数据集,其中,所述目标数据集中记录有所述一组对象中每个对象以及所述每个对象对应的排名最高的质量参数;
将所述目标数据集中记录的数据确定为所述第一组对象的监控数据,其中,所述第一组对象中的对象为所述质量参数排名最高的对象。
在一个可选的实施例中,所述装置还用于:
获取在第三时间段内采集到的第二组对象的监控数据;
根据所述第二组对象的监控数据,确定所述第二组对象在所述多个对象属性中的每个对象属性上的属性数据;
根据所述第二组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第二对象属性组,其中,所述第二对象属性组用于确定所述目标属性信息;
获取在第四时间段内采集到的第二目标对象的第二监控数据;
根据所述第二监控数据,确定所述第二目标对象在所述第二对象属性组中的每个对象属性上的属性数据;
根据所述第二目标对象在所述第二对象属性组中的每个对象属性上的属性数据,确定所述第二目标对象的所述目标属性信息。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的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中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取在第一时间段内采集到的第一组对象的监控数据;
S2,根据第一组对象的监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据;
S3,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组,其中,第一对象属性组用于确定目标属性信息;
S4,获取在第二时间段内采集到的第一目标对象的第一监控数据;
S5,根据第一监控数据,确定第一目标对象在第一对象属性组中的每个对象属性上的属性数据;
S6,根据第一目标对象在第一对象属性组中的每个对象属性上的属性数据,确定第一目标对象的目标属性信息。
计算机可读存储介质还被设置为存储用于执行以下步骤的计算机程序:
在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取在第一时间段内采集到的第一组对象的监控数据;
S2,根据第一组对象的监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据;
S3,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组,其中,第一对象属性组用于确定目标属性信息;
S4,获取在第二时间段内采集到的第一目标对象的第一监控数据;
S5,根据第一监控数据,确定第一目标对象在第一对象属性组中的每个对象属性上的属性数据;
S6,根据第一目标对象在第一对象属性组中的每个对象属性上的属性数据,确定第一目标对象的目标属性信息。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
在一个示例性实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取在第一时间段内采集到的第一组对象的监控数据;
S2,根据第一组对象的监控数据,确定第一组对象在多个对象属性中的每个对象属性上的属性数据;
S3,根据第一组对象的属性数据在每个对象属性上的数据分布之间的距离,在多个对象属性中确定出第一对象属性组,其中,第一对象属性组用于确定目标属性信息;
S4,获取在第二时间段内采集到的第一目标对象的第一监控数据;
S5,根据第一监控数据,确定第一目标对象在第一对象属性组中的每个对象属性上的属性数据;
S6,根据第一目标对象在第一对象属性组中的每个对象属性上的属性数据,确定第一目标对象的目标属性信息。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明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,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,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,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,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种对象属性的处理方法,其特征在于,包括:
获取在第一时间段内采集到的第一组对象的监控数据;
根据所述第一组对象的监控数据,确定所述第一组对象在多个对象属性中的每个对象属性上的属性数据;
根据所述第一组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,其中,所述第一对象属性组用于确定目标属性信息;
获取在第二时间段内采集到的第一目标对象的第一监控数据;
根据所述第一监控数据,确定所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据;
根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述一组目标的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,包括:
将第一对象属性所对应的属性数据以及第二对象属性所对应的属性数据向量化,得到第一组向量和第二组向量,所述第一组向量对应于所述第一对象属性,所述第二组向量对应于所述第二对象属性;
将所述第一组向量和第二组向量输入目标函数,得到所述第一组向量与所述第二组向量之间的距离;
在所述距离大于等于目标阈值的情况下,将所述第一对象属性和所述第二对象属性确定为第一对象属性组。
4.根据权利要求3所述的方法,其特征在于,所述再生核希尔伯特空间的定义包括以下至少之一:
K(x,y)=<x,y>;
K(x,y)=(γ<x,y>+c)n;
K(x,y)=exp(-γ||x-y||2);
K(x,y)=tanh(γ<x,y>+c)。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息,包括:
将所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据输入预设模型,得到所述第一对象属性组的置信度;
基于所述置信度,确定所述第一目标对象的所述目标属性信息。
6.根据权利要求1所述的方法,其特征在于,所述获取在第一时间段内采集到的第一组对象的监控数据,包括:
检测在所述第一时间段内采集到的一组图像,得到所述一组图像中的所有对象的第一组坐标;
从所述第一组坐标中确定所述所有对象中每个对象所对应的第二组坐标,其中,所述第二组坐标为所述每个对象在所述一组图像中出现的全部生命周期的坐标;
基于所述第二组坐标确定所述每个对象的历史轨迹信息;
根据所述历史轨迹信息确定所述一组对象中每个对象的质量参数;
将所述一组对象中每个对象的质量参数分别进行排序,得到目标数据集,其中,所述目标数据集中记录有所述一组对象中每个对象以及所述每个对象对应的排名最高的质量参数;
将所述目标数据集中记录的数据确定为所述第一组对象的监控数据,其中,所述第一组对象中的对象为所述质量参数排名最高的对象。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取在第三时间段内采集到的第二组对象的监控数据;
根据所述第二组对象的监控数据,确定所述第二组对象在所述多个对象属性中的每个对象属性上的属性数据;
根据所述第二组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第二对象属性组,其中,所述第二对象属性组用于确定所述目标属性信息;
获取在第四时间段内采集到的第二目标对象的第二监控数据;
根据所述第二监控数据,确定所述第二目标对象在所述第二对象属性组中的每个对象属性上的属性数据;
根据所述第二目标对象在所述第二对象属性组中的每个对象属性上的属性数据,确定所述第二目标对象的所述目标属性信息。
8.一种对象属性的处理装置,包括:
第一获取模块,用于获取在第一时间段内采集到的第一组对象的监控数据;
第一确定模块,用于根据所述第一组对象的监控数据,确定所述第一组对象在多个对象属性中的每个对象属性上的属性数据;
第一处理模块,用于根据所述第一组对象的属性数据在所述每个对象属性上的数据分布之间的距离,在所述多个对象属性中确定出第一对象属性组,其中,所述第一对象属性组用于确定目标属性信息;
第二获取模块,获取在第二时间段内采集到的第一目标对象的第一监控数据;
第二确定模块,根据所述第一监控数据,确定所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据;
第二处理模块,根据所述第一目标对象在所述第一对象属性组中的每个对象属性上的属性数据,确定所述第一目标对象的所述目标属性信息。
9.一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至7中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653152.7A CN111898462B (zh) | 2020-07-08 | 2020-07-08 | 对象属性的处理方法、装置、存储介质以及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653152.7A CN111898462B (zh) | 2020-07-08 | 2020-07-08 | 对象属性的处理方法、装置、存储介质以及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898462A true CN111898462A (zh) | 2020-11-06 |
CN111898462B CN111898462B (zh) | 2023-04-07 |
Family
ID=73192056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653152.7A Active CN111898462B (zh) | 2020-07-08 | 2020-07-08 | 对象属性的处理方法、装置、存储介质以及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898462B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424254A (zh) * | 2013-08-28 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 获取相似对象集合、提供相似对象信息的方法及装置 |
CN108182509A (zh) * | 2017-12-07 | 2018-06-19 | 东软集团股份有限公司 | 基于数据的分配方法、装置、存储介质及电子设备 |
CN108510000A (zh) * | 2018-03-30 | 2018-09-07 | 北京工商大学 | 复杂场景下行人细粒度属性的检测与识别方法 |
CN108776673A (zh) * | 2018-05-23 | 2018-11-09 | 哈尔滨工业大学 | 关系模式的自动转换方法、装置及存储介质 |
CN108875537A (zh) * | 2018-02-28 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和***及存储介质 |
CN109767062A (zh) * | 2018-12-07 | 2019-05-17 | 国网江苏省电力有限公司南京供电分公司 | 一种电网任务处置方案的动态生成方法 |
CN109934852A (zh) * | 2019-04-01 | 2019-06-25 | 重庆理工大学 | 一种基于对象属性关系图的视频描述方法 |
CN110516569A (zh) * | 2019-08-15 | 2019-11-29 | 华侨大学 | 一种基于身份和非身份属***互学习的行人属性识别方法 |
CN110569779A (zh) * | 2019-08-28 | 2019-12-13 | 西北工业大学 | 基于行人局部和整体属性联合学习的行人属性识别方法 |
CN110674756A (zh) * | 2019-09-25 | 2020-01-10 | 普联技术有限公司 | 人体属性识别模型训练方法、人体属性识别方法及装置 |
FR3084946A1 (fr) * | 2018-08-07 | 2020-02-14 | Amadeus S.A.S. | Procedes et systemes d'apprentissage automatique pour des sequences attribuees |
CN111091391A (zh) * | 2018-10-24 | 2020-05-01 | 北京字节跳动网络技术有限公司 | 用于识别作弊用户的方法、装置和电子设备 |
CN111158828A (zh) * | 2019-12-30 | 2020-05-15 | 青岛海尔科技有限公司 | 应用程序app的用户界面确定方法及装置、存储介质 |
CN111297337A (zh) * | 2020-02-25 | 2020-06-19 | 云从科技集团股份有限公司 | 一种检测对象判断方法、***、机器可读介质及设备 |
-
2020
- 2020-07-08 CN CN202010653152.7A patent/CN111898462B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424254A (zh) * | 2013-08-28 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 获取相似对象集合、提供相似对象信息的方法及装置 |
CN108182509A (zh) * | 2017-12-07 | 2018-06-19 | 东软集团股份有限公司 | 基于数据的分配方法、装置、存储介质及电子设备 |
CN108875537A (zh) * | 2018-02-28 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和***及存储介质 |
CN108510000A (zh) * | 2018-03-30 | 2018-09-07 | 北京工商大学 | 复杂场景下行人细粒度属性的检测与识别方法 |
CN108776673A (zh) * | 2018-05-23 | 2018-11-09 | 哈尔滨工业大学 | 关系模式的自动转换方法、装置及存储介质 |
FR3084946A1 (fr) * | 2018-08-07 | 2020-02-14 | Amadeus S.A.S. | Procedes et systemes d'apprentissage automatique pour des sequences attribuees |
CN111091391A (zh) * | 2018-10-24 | 2020-05-01 | 北京字节跳动网络技术有限公司 | 用于识别作弊用户的方法、装置和电子设备 |
CN109767062A (zh) * | 2018-12-07 | 2019-05-17 | 国网江苏省电力有限公司南京供电分公司 | 一种电网任务处置方案的动态生成方法 |
CN109934852A (zh) * | 2019-04-01 | 2019-06-25 | 重庆理工大学 | 一种基于对象属性关系图的视频描述方法 |
CN110516569A (zh) * | 2019-08-15 | 2019-11-29 | 华侨大学 | 一种基于身份和非身份属***互学习的行人属性识别方法 |
CN110569779A (zh) * | 2019-08-28 | 2019-12-13 | 西北工业大学 | 基于行人局部和整体属性联合学习的行人属性识别方法 |
CN110674756A (zh) * | 2019-09-25 | 2020-01-10 | 普联技术有限公司 | 人体属性识别模型训练方法、人体属性识别方法及装置 |
CN111158828A (zh) * | 2019-12-30 | 2020-05-15 | 青岛海尔科技有限公司 | 应用程序app的用户界面确定方法及装置、存储介质 |
CN111297337A (zh) * | 2020-02-25 | 2020-06-19 | 云从科技集团股份有限公司 | 一种检测对象判断方法、***、机器可读介质及设备 |
Non-Patent Citations (4)
Title |
---|
ORON ASHUAL等: "Specifying Object Attributes and Relations in Interactive Scene Generation", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
丁宇新等: "基于半监督学习的社交网络用户属性预测", 《通信学报》 * |
冯欣等: "一种基于对象属性关系图的视频描述方法", 《重庆理工大学学报(自然科学)》 * |
叶青: "隐私保护强度量化度量技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898462B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443210B (zh) | 一种行人跟踪方法、装置以及终端 | |
CN112183153A (zh) | 一种基于视频分析的对象行为检测方法及装置 | |
CN110796135B (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
CN109740573B (zh) | 视频分析方法、装置、设备及服务器 | |
CN111144284B (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
CN112380955B (zh) | 动作的识别方法及装置 | |
CN109033955A (zh) | 一种人脸跟踪方法和*** | |
CN108932509A (zh) | 一种基于视频跟踪的跨场景目标检索方法及装置 | |
CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN106503631A (zh) | 一种人群分析方法及计算机设备 | |
CN112052771A (zh) | 一种对象重识别方法及装置 | |
CN111291646A (zh) | 一种人流量统计方法、装置、设备及存储介质 | |
CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN111899279A (zh) | 一种目标对象的运动速度检测方法及装置 | |
CN111353429A (zh) | 基于眼球转向的感兴趣度方法与*** | |
CN104978583B (zh) | 人物动作的识别方法及装置 | |
Chen et al. | Multiscale geometric and spectral analysis of plane arrangements | |
CN113627334A (zh) | 对象的行为识别方法及装置 | |
CN114168768A (zh) | 图像检索方法及相关设备 | |
CN113505720A (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN111898462B (zh) | 对象属性的处理方法、装置、存储介质以及电子装置 | |
CN116959113A (zh) | 步态识别方法及装置 | |
CN113822199B (zh) | 对象属性识别方法、装置、存储介质和电子装置 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |