CN112990012A - 一种遮挡条件下的工装颜色识别方法及*** - Google Patents

一种遮挡条件下的工装颜色识别方法及*** Download PDF

Info

Publication number
CN112990012A
CN112990012A CN202110275035.6A CN202110275035A CN112990012A CN 112990012 A CN112990012 A CN 112990012A CN 202110275035 A CN202110275035 A CN 202110275035A CN 112990012 A CN112990012 A CN 112990012A
Authority
CN
China
Prior art keywords
image
pedestrian
video frames
occlusion
segmentation
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
CN202110275035.6A
Other languages
English (en)
Inventor
柯海滨
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.)
Shenzhen Xiwei Intelligent Technology Co ltd
Original Assignee
Shenzhen Xiwei Intelligent 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 Shenzhen Xiwei Intelligent Technology Co ltd filed Critical Shenzhen Xiwei Intelligent Technology Co ltd
Priority to CN202110275035.6A priority Critical patent/CN112990012A/zh
Publication of CN112990012A publication Critical patent/CN112990012A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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

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)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种遮挡条件下的工装颜色识别方法及***。该方法包括：响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。本发明能够实现在遮挡条件下对行人穿着工装颜色的准确识别。

Description

一种遮挡条件下的工装颜色识别方法及***
技术领域
本发明涉及图像识别领域，具体涉及一种遮挡条件下的工装颜色识别方法及***。
背景技术
现在常见的工装颜色识别方法是采用颜色识别模型通过图片进行识别的，但现有的颜色识别模型常常由于人员搬东西或者拿东西时遮挡物对人员工装的遮挡，影响了人员工装颜色识别的准确性。
发明内容
针对上述技术问题，本发明提供一种遮挡条件下的工装颜色识别方法及***。
本发明解决上述技术问题的技术方案如下：
一种遮挡条件下的工装颜色识别方法，包括：
响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；
将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，识别图像中的行人是否被遮挡，具体包括：
利用有遮挡和无遮挡的数据集训练有无遮挡分类模型；
将图像输入所述有无遮挡分类模型，确定所述图像中的行人是否被遮挡。
进一步，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图，具体包括：
通过图像补全技术对所述行人在多个视频帧中的分割图进行补全，得到无遮挡的完整图。
进一步，根据所述行人在多个视频帧中的分割图得到遮挡的存疑区域，具体包括：
将所述分割图与完整图相减，得到遮挡的存疑区域。
进一步，所述分割图的获取过程，具体包括：
获取预设时间间隔的多个视频帧；
利用多目标跟踪技术，对所述多个视频帧中的每个行人分配身份标签；
将所述多个视频帧输入实例分割模型，获取所述多个视频帧中同一身份标签的行人的分割图。
为实现上述发明目的，本发明还提供一种遮挡条件下的工装颜色识别***，包括：
图像处理模块，用于响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；
颜色识别模块，用于将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。
进一步，还包括遮挡识别模块，用于识别图像中的行人是否被遮挡，具体包括：
模型训练单元，用于利用有遮挡和无遮挡的数据集训练有无遮挡分类模型；
遮挡识别单元，用于将图像输入所述有无遮挡分类模型，确定所述图像中的行人是否被遮挡。
进一步，所述图像处理模块，具体包括：
图像补全单元，用于通过图像补全技术对所述行人在多个视频帧中的分割图进行补全，得到无遮挡的完整图。
进一步，所述图像处理模块，具体还包括：
遮挡区域获取单元，用于将所述分割图与完整图相减，得到遮挡的存疑区域。
进一步，还包括分割图处理模块，用于获取分割图，具体包括：
视频帧获取单元，用于获取预设时间间隔的多个视频帧；
目标跟踪单元，用于利用多目标跟踪技术，对所述多个视频帧中的每个行人分配身份标签；
实例分割单元，用于将所述多个视频帧输入实例分割模型，获取所述多个视频帧中同一身份标签的行人的分割图。
本发明的有益效果是：
能够实现在遮挡条件下对行人穿着工装颜色的准确识别。
附图说明
图1为本发明实施例提供的一种遮挡条件下的工装颜色识别方法的流程图；
图2为行人的实际场景图；
图3为行人实例分割后的分割图；
图4为遮挡的存疑区域；
图5为分割图的获取过程的流程图；
图6为行人被大面积遮挡的场景图；
图7为本发明实施例提供一种遮挡条件下的工装颜色识别***的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种遮挡条件下的工装颜色识别方法的流程图，如图1所示，该方法包括：
110、响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；
如图2所示为行人的实际场景图像。
可选地，在该实施例中，识别图像中的行人是否被遮挡，可通过以下步骤实现：利用有遮挡和无遮挡的数据集训练有无遮挡分类模型；将图像输入所述有无遮挡分类模型，确定所述图像中的行人是否被遮挡。
无遮挡行人的工装颜色识别可采用现有方法实现，本发明针对有遮挡的行人进行跟踪识别，通过实例分割模型对视频帧图像进行处理，得到行人的分割图。
行人实例分割后的分割图，如图3所示。
在得到行人在输入的多个视频帧中的分割图之后，即可进一步得到无遮挡的完整图，具体地，可通过图像补全技术对行人在多个视频帧中的分割图进行补全，得到无遮挡的完整图，最后，将分割图与完整图相减，即可得到遮挡的存疑区域，如图4所示。
120、将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。
具体的，在该步骤中，将行人的完整图作为正样本，将存疑区域作为负样本，一起输入深度学习颜色分类模型进行训练，这样模型就能学习到人的主体颜色，而不会把遮挡物的颜色作为特征判断，通过大量数据训练模型，就能够准确判断行人穿着工装的颜色。
可选地，在该实施例中，如图5所示，分割图的获取过程，具体包括：
510、获取预设时间间隔的多个视频帧；
520、利用多目标跟踪技术，对所述多个视频帧中的每个行人分配身份标签；
530、将多个视频帧输入实例分割模型，获取多个视频帧中同一身份标签的行人的分割图。
具体的，如果单张图片中出现如图6所示的行人被大面积遮挡的情况，则容易导致误报，因此，需要截取多个视频帧来进行。在该实施例中，视频帧之间的时间间隔和帧数可根据实际场景确定，如截取5帧图片，每帧间隔1s，将这5帧图片作为实例分割模型的输入。
为避免误识别，需要保证获取的视频帧中必须为同一个人，所以视频需要使用目标跟踪，利用多目标跟踪技术，给视频帧中的每个人分配ID，确保得到同一个人的5张图片。并进一步对同一ID的行人进行实例分割，得到该ID对应行人的5个分割图。
图7为本发明实施例提供一种遮挡条件下的工装颜色识别***的结构框图，该***中各个功能模块的功能原理已在前述内容中进行了具体阐述，以下不再赘述。
如图7所示，该***包括：
图像处理模块，用于响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；
颜色识别模块，用于将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。
可选地，在该实施例中，该***还包括遮挡识别模块，用于识别图像中的行人是否被遮挡，具体包括：
模型训练单元，用于利用有遮挡和无遮挡的数据集训练有无遮挡分类模型；
遮挡识别单元，用于将图像输入所述有无遮挡分类模型，确定所述图像中的行人是否被遮挡。
可选地，在该实施例中，所述图像处理模块，具体包括：
图像补全单元，用于通过图像补全技术对所述行人在多个视频帧中的分割图进行补全，得到无遮挡的完整图。
可选地，在该实施例中，所述图像处理模块，具体还包括：
遮挡区域获取单元，用于将所述分割图与完整图相减，得到遮挡的存疑区域。
可选地，在该实施例中，该***还包括分割图处理模块，用于获取分割图，具体包括：
视频帧获取单元，用于获取预设时间间隔的多个视频帧；
目标跟踪单元，用于利用多目标跟踪技术，对所述多个视频帧中的每个行人分配身份标签；
实例分割单元，用于将所述多个视频帧输入实例分割模型，获取所述多个视频帧中同一身份标签的行人的分割图。
读者应理解，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发明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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述***实施例中的模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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***，或一些特征可以忽略，或不执行。
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发明实施例方案的目的。
另外，在本发明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，也可以是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，可以存储在一个计算机可读取存储介质中。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，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计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种遮挡条件下的工装颜色识别方法，其特征在于，包括：
响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；
将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。
2.根据权利要求1所述的方法，其特征在于，识别图像中的行人是否被遮挡，具体包括：
利用有遮挡和无遮挡的数据集训练有无遮挡分类模型；
将图像输入所述有无遮挡分类模型，确定所述图像中的行人是否被遮挡。
3.根据权利要求1所述的方法，其特征在于，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图，具体包括：
通过图像补全技术对所述行人在多个视频帧中的分割图进行补全，得到无遮挡的完整图。
4.根据权利要求1所述的方法，其特征在于，根据所述行人在多个视频帧中的分割图得到遮挡的存疑区域，具体包括：
将所述分割图与完整图相减，得到遮挡的存疑区域。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述分割图的获取过程，具体包括：
获取预设时间间隔的多个视频帧；
利用多目标跟踪技术，对所述多个视频帧中的每个行人分配身份标签；
将所述多个视频帧输入实例分割模型，获取所述多个视频帧中同一身份标签的行人的分割图。
6.一种遮挡条件下的工装颜色识别***，其特征在于，包括：
图像处理模块，用于响应于识别到图像中的行人被遮挡，根据所述行人在多个视频帧中的分割图得到无遮挡的完整图和遮挡的存疑区域；
颜色识别模块，用于将所述完整图和存疑区域输入预先训练的深度学习颜色分类模型，得到所述行人穿着工装的颜色识别结果。
7.根据权利要求6所述的***，其特征在于，还包括遮挡识别模块，用于识别图像中的行人是否被遮挡，具体包括：
模型训练单元，用于利用有遮挡和无遮挡的数据集训练有无遮挡分类模型；
遮挡识别单元，用于将图像输入所述有无遮挡分类模型，确定所述图像中的行人是否被遮挡。
8.根据权利要求6所述的***，其特征在于，所述图像处理模块，具体包括：
图像补全单元，用于通过图像补全技术对所述行人在多个视频帧中的分割图进行补全，得到无遮挡的完整图。
9.根据权利要求6所述的***，其特征在于，所述图像处理模块，具体还包括：
遮挡区域获取单元，用于将所述分割图与完整图相减，得到遮挡的存疑区域。
10.根据权利要求6-9任一项所述的***，其特征在于，还包括分割图处理模块，用于获取分割图，具体包括：
视频帧获取单元，用于获取预设时间间隔的多个视频帧；
目标跟踪单元，用于利用多目标跟踪技术，对所述多个视频帧中的每个行人分配身份标签；
实例分割单元，用于将所述多个视频帧输入实例分割模型，获取所述多个视频帧中同一身份标签的行人的分割图。
CN202110275035.6A 2021-03-15 2021-03-15 一种遮挡条件下的工装颜色识别方法及*** Pending CN112990012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110275035.6A CN112990012A (zh) 2021-03-15 2021-03-15 一种遮挡条件下的工装颜色识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110275035.6A CN112990012A (zh) 2021-03-15 2021-03-15 一种遮挡条件下的工装颜色识别方法及***

Publications (1)

Publication Number Publication Date
CN112990012A true CN112990012A (zh) 2021-06-18

Family

ID=76335551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110275035.6A Pending CN112990012A (zh) 2021-03-15 2021-03-15 一种遮挡条件下的工装颜色识别方法及***

Country Status (1)

Country Link
CN (1) CN112990012A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766861A (zh) * 2017-11-14 2018-03-06 深圳码隆科技有限公司 人物图像服装颜色识别方法、装置及电子设备
CN109670429A (zh) * 2018-12-10 2019-04-23 广东技术师范学院 一种基于实例分割的监控视频多目标人脸检测方法及***
CN109948474A (zh) * 2019-03-04 2019-06-28 成都理工大学 Ai热成像全天候智能监控方法
CN111325806A (zh) * 2020-02-18 2020-06-23 苏州科达科技股份有限公司 基于语义分割的服装颜色识别方法、装置和***
CN111898561A (zh) * 2020-08-04 2020-11-06 腾讯科技（深圳）有限公司 一种人脸认证方法、装置、设备及介质
US20210056715A1 (en) * 2019-08-20 2021-02-25 Boe Technology Group Co., Ltd. Object tracking method, object tracking device, electronic device and storage medium
CN112464893A (zh) * 2020-12-10 2021-03-09 山东建筑大学 一种复杂环境下的拥挤度分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766861A (zh) * 2017-11-14 2018-03-06 深圳码隆科技有限公司 人物图像服装颜色识别方法、装置及电子设备
CN109670429A (zh) * 2018-12-10 2019-04-23 广东技术师范学院 一种基于实例分割的监控视频多目标人脸检测方法及***
CN109948474A (zh) * 2019-03-04 2019-06-28 成都理工大学 Ai热成像全天候智能监控方法
US20210056715A1 (en) * 2019-08-20 2021-02-25 Boe Technology Group Co., Ltd. Object tracking method, object tracking device, electronic device and storage medium
CN111325806A (zh) * 2020-02-18 2020-06-23 苏州科达科技股份有限公司 基于语义分割的服装颜色识别方法、装置和***
CN111898561A (zh) * 2020-08-04 2020-11-06 腾讯科技（深圳）有限公司 一种人脸认证方法、装置、设备及介质
CN112464893A (zh) * 2020-12-10 2021-03-09 山东建筑大学 一种复杂环境下的拥挤度分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于博 等: "远红外车载图像实时行人检测与自适应实例分割", 《激光与光电子学进展》, vol. 57, no. 2, pages 021507 - 1 *

Similar Documents

Publication Publication Date Title
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN105938622B (zh) 检测运动图像中的物体的方法和装置
US8340420B2 (en) Method for recognizing objects in images
CN108805900B (zh) 一种跟踪目标的确定方法及装置
CN109918971B (zh) 监控视频中人数检测方法及装置
CN103093198B (zh) 一种人群密度监测方法及装置
US20130243343A1 (en) Method and device for people group detection
CN110909692A (zh) 异常车牌识别方法、装置及计算机存储介质、电子设备
CN106570439B (zh) 一种车辆检测方法及装置
CN112633255B (zh) 目标检测方法、装置及设备
CN105631418A (zh) 一种人数统计的方法和装置
CN111383244B (zh) 一种目标检测跟踪方法
CN112487848B (zh) 文字识别方法和终端设备
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
CN111753642B (zh) 一种确定关键帧的方法及装置
Chen et al. Classification of moving objects in atmospherically degraded video
CN113255549B (zh) 一种狼群围猎行为状态智能识别方法及***
CN111353385A (zh) 一种基于掩膜对齐与注意力机制的行人再识别方法和装置
CN113468914A (zh) 一种商品纯净度的确定方法、装置及设备
CN112836682B (zh) 视频中对象的识别方法、装置、计算机设备和存储介质
US20200394802A1 (en) Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool
CN117475353A (zh) 基于视频的异常烟雾识别方法及***
CN112686247A (zh) 一种身份证号码检测方法、装置、可读存储介质和终端
KR101595334B1 (ko) 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치
CN112990012A (zh) 一种遮挡条件下的工装颜色识别方法及***

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