CN113780172B - 一种行人重识别方法、装置、设备及存储介质 - Google Patents
一种行人重识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113780172B CN113780172B CN202111062718.XA CN202111062718A CN113780172B CN 113780172 B CN113780172 B CN 113780172B CN 202111062718 A CN202111062718 A CN 202111062718A CN 113780172 B CN113780172 B CN 113780172B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- images
- historical
- longitude
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012216 screening Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种行人重识别方法、装置、设备及存储介质。该方法包括:获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。能够提高行人重识别的准确率。
Description
技术领域
本发明涉及行人识别领域,特别涉及一种行人重识别方法、装置、设备及存储介质。
背景技术
跨镜追踪技术的核心算法是行人ReID(Person Re-identification)也称行人重识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。这项技术能够根据输入的特定行人图片,检索跨摄像头、跨视频序列下的该行人的图像。评价行人重识别技术性能的标准,是用检索出不同摄像头下的相同行人图片的排序情况来计算准确轨迹地图的能力。目前,行人重识别已成为继人脸识别之后最重要的人工智能目标定位和匹配技术,并开始落地应用于智能安防、智能商业、智慧社区、互联网应用等领域。但相比较于人脸识别技术,行人重识别的检索对象是人体抓拍图片,其来源于众多摄像头的抓拍图片中,不同的摄像头的角度、光照、焦距、分辨率、清晰度等差异较大,因此对算法的比对效果造成很大的干扰。现有技术中,将相机视频中的人体进行抓拍,然后用训练好的深度学习模型提取人体或者人脸的特征向量保存到数据库中,在需要检索的时候,输入一张人体图片,提取此图片的特征向量,将此特征与数据库中保存好的历史特征进行逐一比对,得到匹配的结果。但由于任何算法都存在召回率和精度的误差问题,只是单一进行特征的比对必然存在错误的结果,降低行人重识别的准确性。
发明内容
有鉴于此,本发明的目的在于提供一种行人重识别方法、装置、设备及介质,能够提高行人重识别的准确率。其具体方案如下:
第一方面,本申请公开了一种行人重识别方法,包括:
获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;
根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;
根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。
可选的,所述根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果,包括:
根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像,并将剩余历史行人图像作为待筛选图像;
根据所述参考图像和所述待筛选图像分别对应的经纬度坐标,计算所述参考图像的抓拍相机的经纬度坐标与所述待筛选图像的抓拍相机的经纬度坐标之间的第一直线距离;
根据所述第一直线距离,从所述待筛选图像中筛选出符合第一筛选条件的历史行人图像作为目标历史图像;所述第一筛选条件为基于速度阈值和检索时间范围生成的筛选条件;
基于所述参考图像和所述目标历史图像得到所述待识别行人图像对应的行人重识别结果。
可选的,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还包括:
判断所述待识别行人图像中是否存在人脸区域,且所述人脸区域是否符合目标像素要求;
若所述待识别行人图像中存在人脸区域且所述人脸区域符合目标像素要求,则选取预先基于人脸区域进行搜图确定出的第一平均置信度作为所述目标置信度阈值;
否则,选取预先基于人体区域进行搜图确定出的第二平均置信度作为所述目标置信度阈值。
可选的,所述第一平均置信度的确定过程,包括:
从所述行人数据库中随机选取多个目标历史行人图像的人脸区域,并基于所述人脸区域以所述行人数据库为搜索范围进行以图搜图;
取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
根据置信度的数值从大到小的顺序选取第一预设比例的置信度求平均值,以得到所述第一平均置信度。
可选的,所述第二平均置信度的确定过程,包括:
从所述行人数据库中随机选取多个目标历史行人图像,并基于所述目标历史行人图像以所述行人数据库为搜索范围进行以图搜图;
取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
根据置信度的数值从大到小的顺序选取第二预设比例的置信度求平均值,以得到所述第二平均置信度。
可选的,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还包括:
获取所述待识别行人图像的抓拍相机的的经纬度坐标;
根据所述待识别行人图像对应的经纬度坐标,以及所述历史行人图像对应的经纬度坐标,计算所述待识别行人图像的抓拍相机的经纬度坐标与所述历史行人图像的抓拍相机的经纬度坐标之间的第二直线距离;
根据所述第二直线距离,删除所述第一行人图像集中不符合所述第一筛选条件的历史行人图像。
可选的,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还包括:
从所述行人数据库中随机选取多个目标历史行人图像,并以所述行人数据库为搜索范围进行以图搜图;
取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
根据置信度的数值从大到小的顺序选取第三预设比例的置信度求平均值,以得到所述目标置信度阈值。
第二方面,本申请公开了一种行人重识别装置,包括:
特征比对模块,用于获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;
图像选取模块,用于根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;
行人重识别模块,用于根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述的行人重识别方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中计算机程序被处理器执行时实现前述的行人重识别方法。
本申请中,获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。可见,利用包含历史行人图像以及历史行人图像的抓拍相机的经纬度坐标的行人数据库,在将待识别图像进行特征比对选取出第一行人图像集后,根据第一行人图像集内历史行人图像对应的经纬度坐标,通过时空逻辑判断再从特征比对选取出第一行人图像集中精确筛选出待识别图像对应的行人重识别结果,提高了行人重识别的准确率。
附图说明
为了更清楚地说明本发明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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种行人重识别方法流程图;
图2为本申请提供的一种具体的行人重识别方法流程图;
图3为本申请提供的另一种具体的行人重识别方法流程图;
图4为本申请提供的一种行人重识别装置结构示意图;
图5为本申请提供的一种电子设备结构图。
具体实施方式
现有技术中,将相机视频中的人体进行抓拍,然后用训练好的深度学习模型提取人体或者人脸的特征向量保存到数据库中,在需要检索的时候,输入一张人体图片,提取此图片的特征向量,将此特征与数据库中保存好的历史特征进行逐一比对,得到匹配的结果。但由于任何算法都存在召回率和精度的误差问题,只是单一进行特征的比对必然存在错误的结果,降低行人重识别的准确性。为克服上述技术问题,本申请提出一种行人重识别方法,能够提高行人重识别的准确率。
本申请实施例公开了一种行人重识别方法,参见图1所示,该方法可以包括以下步骤:
步骤S11:获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标。
本实施例中,获取到待识别行人图像后,将待识别行人图像与行人数据库进行特征比对;上述行人数据库中包含历史行人图像以及历史行人图像的抓拍相机的经纬度坐标。即基于所述待识别行人图像以行人数据库为搜索范围进行以图搜图,具体通过算法提取图像特征向量进行特征比对。
其中,上述行人数据库的构建过程具体可以包括:利用视频分析算法对目标视频内的人体目标进行抓拍,以得到所述历史行人图像;提取所述历史行人图像对应的特征向量,并获取拍摄所述历史行人图像的相机的经纬度坐标。
步骤S12:根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集。
本实施例中,通过特征比对得到的待识别行人图像与行人数据库内每张历史行人图像的相似程度,选择出前第一预设数量的历史行人图像作为第一行人图像集,例如选取TOP100的历史行人图像作为第一行人图像集。具体的,特征比对过程,可以通过余弦相似度算法计算所述待识别行人图像对应的特征向量,与所述行人数据库内每张所述历史行人图像对应的特征向量的特征距离;根据所述特征距离确定相似度值,并按照所述相似度值从大到小的顺序,从所述行人数据库中选取出第一预设数量的历史行人图像作为所述第一行人图像集。
步骤S13:根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。
本实施例中,确定出第一行人图像集后,根据历史行人图像对应的经纬度坐标,通过时空逻辑判断从上述第一行人图像集中确定出待识别行人图像对应的行人重识别结果。可以理解的是,在行人重识别过程中,除了特征比对外,还需要考虑到行人实际运动轨迹的可行性,因此在特征比对后根据历史行人图像对应的经纬度坐标进行时空逻辑判断,以进行精确的筛选,筛除不合理的结果,得到最终的图搜结果作为行人重识别结果,提高了行人重识别的准确率。
本实施例中,所述根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果,可以包括:根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像,并将剩余历史行人图像作为待筛选图像;根据所述参考图像和所述待筛选图像分别对应的经纬度坐标,计算所述参考图像的抓拍相机的经纬度坐标与所述待筛选图像的抓拍相机的经纬度坐标之间的第一直线距离;根据所述第一直线距离,从所述待筛选图像中筛选出符合第一筛选条件的历史行人图像作为目标历史图像;所述第一筛选条件为基于速度阈值和检索时间范围生成的筛选条件;基于所述参考图像和所述目标历史图像得到所述待识别行人图像对应的行人重识别结果。
可以理解的是,根据特征比对后每个历史行人图像对应的置信度,以及目标置信度阈值,从第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像,此时的参考图像内行人即与待识别行人图像的行人高度相似。然后再根据参考图像和待筛选图像分别对应的抓拍相机的经纬度坐标,计算参考图像的抓拍相机的经纬度坐标与待筛选图像的抓拍相机的经纬度坐标之间的第一直线距离。例如图2所示,第一行人图像集内历史行人图像的经纬度坐标记为(Cn,Dn),其中,若第一预设数量为100,则n=1,2,3……100;从第一行人图像集中取得置信度大于目标置信度阈值的TOPm的历史行人图像作为参考图像,参考图像的经纬度坐标记为(Cm,Dm),可以理解的是,为了保证确定出的参考图像的准确性,上述第二预设数量,即m的取值不适合过大,例如可以取3。然后,依次计算(Cm,Dm)与(Cn,Dn)之间的直线距离。
根据经纬度坐标计算两个地点之间的直线距离,具体可以将地球的平均半径记为R,以0度经线为基准,那么根据地球表面任意两点的经纬度就可以计算出两点间的地表距离,作为上述直线距离。例如,设第一点(Cm1,Dm1)的经纬度为(LonA,LatA),第二点(Cn1,Dn1)的经纬度为(LonB,LatB),按照0度经线的基准,东经取经度的正值(Longitude),西经取经度负值(-Longitude),北纬取90-纬度值(90-Latitude),南纬取90+纬度值(90+Latitude),则经过上述处理过后的两点被计为(MLonA,MLatA)和(MLonB,MLatB)。根据三角推导,可以得到计算两点距离的如下公式:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB);Distance=R*Arccos(C)*Pi/180。
在计算出上述第一直线距离后,根据上述第一直线距离,从待筛选图像中筛选出符合第一筛选条件的历史行人图像作为目标历史图像;其中,第一筛选条件为基于速度阈值和检索时间范围生成的筛选条件。即根据速度阈值和检索时长确定出合理的情况。例如,设定一个最大速度阈值α,可以根据常识设定,一般城市内的道路限速不会高于100km/h,这包含市区的高架、高速和国道等,换算后约27米/秒,或者1667米/分钟。根据该速度阈值和检索时间范围,比如检索1个小时内的图搜结果,那待筛选图像中可以去掉第一直线距离大于100KM以外的所有不合理目标,剩余的作为目标历史图像。最后,基于参考图像和目标历史图像得到待识别行人图像对应的行人重识别结果,由此可以预测出待识别行人的路线轨迹。
本实施例中,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还可以包括:判断所述待识别行人图像中是否存在人脸区域,且所述人脸区域是否符合目标像素要求;若所述待识别行人图像中存在人脸区域且所述人脸区域符合目标像素要求,则选取预先基于人脸区域进行搜图确定出的第一平均置信度作为所述目标置信度阈值;否则,选取预先基于人体区域进行搜图确定出的第二平均置信度作为所述目标置信度阈值。可以理解的是,为保证参考图像筛选的准确性,目标置信度阈值可以根据待识别行人图像的特点进行取值。其中,上述目标像素要求可以为人脸区域大于预设像素阈值,如人脸区域大于60像素。
本实施例中,所述第一平均置信度的确定过程,可以包括:从所述行人数据库中随机选取多个目标历史行人图像的人脸区域,并基于所述人脸区域以所述行人数据库为搜索范围进行以图搜图;取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;根据置信度的数值从大到小的顺序选取第一预设比例的置信度求平均值,以得到所述第一平均置信度。具体可以提取行人数据库内过去三个月的抓拍目标行人得到的历史行人图像,提取这些历史行人图像的人脸特征后,随机取1000个人脸区域进行图搜,每次图搜取前N个结果为样本图像,如top100个结果为样本图像,然后可以通过人工审核匹配命中的样本,记录其置信度,取前第一预设比例的置信度求平均值,以得到第一平均置信度,如取前5%阈值的置信度的平均阈值为第一平均置信度。
本实施例中,所述第二平均置信度的确定过程,可以包括:从所述行人数据库中随机选取多个目标历史行人图像,并基于所述目标历史行人图像以所述行人数据库为搜索范围进行以图搜图;取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;根据置信度的数值从大到小的顺序选取第二预设比例的置信度求平均值,以得到所述第二平均置信度。本实施例中,上述第二平均置信度的确定原理与第一平均置信度类似,但由于行人图像在特征比对时的准确性会低于基于人脸区域的对比,因此,上述第二预设比例小于上述第一预设比例,如该第二预设比例为1%。
进一步,本实施例中,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还可以包括:获取所述待识别行人图像的抓拍相机的的经纬度坐标;根据所述待识别行人图像对应的经纬度坐标,以及所述历史行人图像对应的经纬度坐标,计算所述待识别行人图像的抓拍相机的经纬度坐标与所述历史行人图像的抓拍相机的经纬度坐标之间的第二直线距离;根据所述第二直线距离,删除所述第一行人图像集中不符合所述第一筛选条件的历史行人图像。也就是说,例如图3所示,当能够获取到上述待识别行人图像对应的经纬度坐标时,首先根据待识别行人图像对应的经纬度坐标,以及第一行人图像集内历史行人图像对应的经纬度坐标,删除第一行人图像集中不合理的目标,此时删除规则可以同样为基于速度阈值和检索时间范围生成的第一筛选条件,当然,其中速度阈值和检索时间范围可以适应性调整。
本实施例中,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还可以包括:从所述行人数据库中随机选取多个目标历史行人图像,并以所述行人数据库为搜索范围进行以图搜图;取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;根据置信度的数值从大到小的顺序选取第三预设比例的置信度求平均值,以得到所述目标置信度阈值。本实施例中,在根据第二直线距离对第一行人图像集中不合理图像进行删除后,再根据特征比对的置信度和目标置信度阈值,从删除后的第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图。为适应当前条件目标置信度阈值重新取值,目标置信度阈值计算原理与上述第二平均置信度、第一平均置信度类似,而由于此时已基于待识别行人图像的坐标进行了筛选,因此上述第三预设比例可以大于上述第一预设比例,例如取前5%的置信度的平均值为目标置信度阈值。可见,本实施例中针对待识别行人图像的特点,通过不同的筛选步骤及不同的目标置信度阈值,实现对特征比对后的第一行人图像集内历史行人图像的精确排序筛选,大幅度提高了行人重识别的准确性。
由上可见,本实施例中通过获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。可见,利用包含历史行人图像以及历史行人图像的抓拍相机的经纬度坐标的行人数据库,在将待识别图像进行特征比对选取出第一行人图像集后,根据第一行人图像集内历史行人图像对应的经纬度坐标,通过时空逻辑判断再从特征比对选取出第一行人图像集中精确筛选出待识别图像对应的行人重识别结果,提高了行人重识别的准确率。
相应的,本申请实施例还公开了一种行人重识别装置,参见图4所示,该装置包括:
特征比对模块11,用于获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;
图像选取模块12,用于根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;
行人重识别模块13,用于根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。
由上可见,本实施例中通过获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果。可见,利用包含历史行人图像以及历史行人图像的抓拍相机的经纬度坐标的行人数据库,在将待识别图像进行特征比对选取出第一行人图像集后,根据第一行人图像集内历史行人图像对应的经纬度坐标,通过时空逻辑判断再从特征比对选取出第一行人图像集中精确筛选出待识别图像对应的行人重识别结果,提高了行人重识别的准确率。
在一些具体实施例中,所述行人重识别模块13具体可以包括:
参考图像确定单元,用于根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像,并将剩余历史行人图像作为待筛选图像;
第一直线距离确定单元,用于根据所述参考图像和所述待筛选图像分别对应的经纬度坐标,计算所述参考图像的抓拍相机的经纬度坐标与所述待筛选图像的抓拍相机的经纬度坐标之间的第一直线距离;
目标历史图像确定单元,用于根据所述第一直线距离,从所述待筛选图像中筛选出符合第一筛选条件的历史行人图像作为目标历史图像;所述第一筛选条件为基于速度阈值和检索时间范围生成的筛选条件;
行人重识别结果单元,用于基于所述参考图像和所述目标历史图像得到所述待识别行人图像对应的行人重识别结果。
在一些具体实施例中,所述行人重识别模块13具体可以包括:
人脸区域判断单元,用于判断所述待识别行人图像中是否存在人脸区域,且所述人脸区域是否符合目标像素要求;
第一目标置信度阈值确定单元,用于若所述待识别行人图像中存在人脸区域且所述人脸区域符合目标像素要求,则选取预先基于人脸区域进行搜图确定出的第一平均置信度作为所述目标置信度阈值;
第二目标置信度阈值确定单元,用于否则,选取预先基于人体区域进行搜图确定出的第二平均置信度作为所述目标置信度阈值。
在一些具体实施例中,所述第一目标置信度阈值确定单元具体可以包括:
以图搜图单元,用于从所述行人数据库中随机选取多个目标历史行人图像的人脸区域,并基于所述人脸区域以所述行人数据库为搜索范围进行以图搜图;
置信度记录单元,用于取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
第一平均置信度计算单元,用于根据置信度的数值从大到小的顺序选取第一预设比例的置信度求平均值,以得到所述第一平均置信度。
在一些具体实施例中,所述第二平均置信度的确定过程具体可以包括:
以图搜图单元,用于从所述行人数据库中随机选取多个目标历史行人图像,并基于所述目标历史行人图像以所述行人数据库为搜索范围进行以图搜图;
置信度记录单元,用于取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
第二平均置信度计算单元,用于根据置信度的数值从大到小的顺序选取第二预设比例的置信度求平均值,以得到所述第二平均置信度。
在一些具体实施例中,所述行人重识别装置具体可以包括:
经纬度坐标确定单元,用于获取所述待识别行人图像的抓拍相机的的经纬度坐标;
第二直线距离确定单元,用于根据所述待识别行人图像对应的经纬度坐标,以及所述历史行人图像对应的经纬度坐标,计算所述待识别行人图像的抓拍相机的经纬度坐标与所述历史行人图像的抓拍相机的经纬度坐标之间的第二直线距离;
删除单元,用于根据所述第二直线距离,删除所述第一行人图像集中不符合所述第一筛选条件的历史行人图像。
在一些具体实施例中,所述参考图像确定单元具体可以包括:
搜图单元,用于从所述行人数据库中随机选取多个目标历史行人图像,并以所述行人数据库为搜索范围进行以图搜图;
置信度获取单元,用于取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
目标置信度阈值确定单元,用于根据置信度的数值从大到小的顺序选取第三预设比例的置信度求平均值,以得到所述目标置信度阈值。
进一步的,本申请实施例还公开了一种电子设备,参见图5所示,图中的内容不能被认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的行人重识别方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作***221、计算机程序222及包括行人数据库在内的数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作***221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的行人重识别方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请实施例还公开了一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述任一实施例公开的行人重识别方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种行人重识别方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种行人重识别方法,其特征在于,包括:
获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;
根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;
根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果;其中,所述时空逻辑判断为对历史行人图像对应的经纬度坐标进行逻辑判断;
所述根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果,包括:
根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像,并将剩余历史行人图像作为待筛选图像;
根据所述参考图像和所述待筛选图像分别对应的经纬度坐标,计算所述参考图像的抓拍相机的经纬度坐标与所述待筛选图像的抓拍相机的经纬度坐标之间的第一直线距离;
根据所述第一直线距离,从所述待筛选图像中筛选出符合第一筛选条件的历史行人图像作为目标历史图像;所述第一筛选条件为基于速度阈值和检索时间范围生成的筛选条件;
基于所述参考图像和所述目标历史图像得到所述待识别行人图像对应的行人重识别结果。
2.根据权利要求1所述的行人重识别方法,其特征在于,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还包括:
判断所述待识别行人图像中是否存在人脸区域,且所述人脸区域是否符合目标像素要求;
若所述待识别行人图像中存在人脸区域且所述人脸区域符合目标像素要求,则选取预先基于人脸区域进行搜图确定出的第一平均置信度作为所述目标置信度阈值;
否则,选取预先基于人体区域进行搜图确定出的第二平均置信度作为所述目标置信度阈值。
3.根据权利要求2所述的行人重识别方法,其特征在于,所述第一平均置信度的确定过程,包括:
从所述行人数据库中随机选取多个目标历史行人图像的人脸区域,并基于所述人脸区域以所述行人数据库为搜索范围进行以图搜图;
取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
根据置信度的数值从大到小的顺序选取第一预设比例的置信度求平均值,以得到所述第一平均置信度。
4.根据权利要求2所述的行人重识别方法,其特征在于,所述第二平均置信度的确定过程,包括:
从所述行人数据库中随机选取多个目标历史行人图像,并基于所述目标历史行人图像以所述行人数据库为搜索范围进行以图搜图;
取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
根据置信度的数值从大到小的顺序选取第二预设比例的置信度求平均值,以得到所述第二平均置信度。
5.根据权利要求1所述的行人重识别方法,其特征在于,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还包括:
获取所述待识别行人图像的抓拍相机的经纬度坐标;
根据所述待识别行人图像对应的经纬度坐标,以及所述历史行人图像对应的经纬度坐标,计算所述待识别行人图像的抓拍相机的经纬度坐标与所述历史行人图像的抓拍相机的经纬度坐标之间的第二直线距离;
根据所述第二直线距离,删除所述第一行人图像集中不符合所述第一筛选条件的历史行人图像。
6.根据权利要求5所述的行人重识别方法,其特征在于,所述根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像之前,还包括:
从所述行人数据库中随机选取多个目标历史行人图像,并以所述行人数据库为搜索范围进行以图搜图;
取前N个搜索到的历史行人图像作为样本图像,并通过审核记录搜图结果为匹配命中的所述样本图像的置信度;
根据置信度的数值从大到小的顺序选取第三预设比例的置信度求平均值,以得到所述目标置信度阈值。
7.一种行人重识别装置,其特征在于,包括:
特征比对模块,用于获取待识别行人图像,将所述待识别行人图像与行人数据库进行特征比对;所述行人数据库中包含历史行人图像以及所述历史行人图像的抓拍相机的经纬度坐标;
图像选取模块,用于根据所述特征比对确定的相似度程度,从所述行人数据库中选取出第一预设数量的历史行人图像以得到第一行人图像集;
行人重识别模块,用于根据所述历史行人图像对应的经纬度坐标,通过时空逻辑判断从所述第一行人图像集中确定出所述待识别行人图像对应的行人重识别结果;其中,所述时空逻辑判断为对历史行人图像对应的经纬度坐标进行逻辑判断;
所述行人重识别模块具体包括:
参考图像确定单元,用于根据所述特征比对的置信度和目标置信度阈值,从所述第一行人图像集中筛选出第二预设数量的历史行人图像作为参考图像,并将剩余历史行人图像作为待筛选图像;
第一直线距离确定单元,用于根据所述参考图像和所述待筛选图像分别对应的经纬度坐标,计算所述参考图像的抓拍相机的经纬度坐标与所述待筛选图像的抓拍相机的经纬度坐标之间的第一直线距离;
目标历史图像确定单元,用于根据所述第一直线距离,从所述待筛选图像中筛选出符合第一筛选条件的历史行人图像作为目标历史图像;所述第一筛选条件为基于速度阈值和检索时间范围生成的筛选条件;
行人重识别结果单元,用于基于所述参考图像和所述目标历史图像得到所述待识别行人图像对应的行人重识别结果。
8.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至6任一项所述的行人重识别方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中计算机程序被处理器执行时实现如权利要求1至6任一项所述的行人重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062718.XA CN113780172B (zh) | 2021-09-10 | 2021-09-10 | 一种行人重识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062718.XA CN113780172B (zh) | 2021-09-10 | 2021-09-10 | 一种行人重识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780172A CN113780172A (zh) | 2021-12-10 |
CN113780172B true CN113780172B (zh) | 2024-01-23 |
Family
ID=78842515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062718.XA Active CN113780172B (zh) | 2021-09-10 | 2021-09-10 | 一种行人重识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780172B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140864B (zh) * | 2022-01-29 | 2022-07-05 | 深圳市中讯网联科技有限公司 | 轨迹跟踪方法、装置、存储介质及电子设备 |
CN114743155B (zh) * | 2022-03-10 | 2022-11-15 | 慧之安信息技术股份有限公司 | 一种基于人脸识别和行人重识别结合的商场行人识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及*** |
CN111444758A (zh) * | 2019-12-26 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种基于时空信息的行人重识别方法及装置 |
CN111881322A (zh) * | 2020-09-28 | 2020-11-03 | 成都睿沿科技有限公司 | 一种目标搜索方法、装置、电子设备及存储介质 |
WO2020248387A1 (zh) * | 2019-06-11 | 2020-12-17 | 平安科技(深圳)有限公司 | 基于多路摄像的人脸识别方法、装置、终端及存储介质 |
CN112257669A (zh) * | 2020-11-13 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 行人重识别方法、装置及电子设备 |
CN112380941A (zh) * | 2020-11-11 | 2021-02-19 | 哈尔滨海邻科信息技术有限公司 | 身份识别方法、装置、终端设备及存储介质 |
CN112949539A (zh) * | 2021-03-16 | 2021-06-11 | 安徽领云物联科技有限公司 | 一种基于摄像头位置的行人重识别交互检索方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175527B (zh) * | 2019-04-29 | 2022-03-25 | 北京百度网讯科技有限公司 | 行人再识别方法及装置、计算机设备及可读介质 |
-
2021
- 2021-09-10 CN CN202111062718.XA patent/CN113780172B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248387A1 (zh) * | 2019-06-11 | 2020-12-17 | 平安科技(深圳)有限公司 | 基于多路摄像的人脸识别方法、装置、终端及存储介质 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及*** |
CN111444758A (zh) * | 2019-12-26 | 2020-07-24 | 珠海大横琴科技发展有限公司 | 一种基于时空信息的行人重识别方法及装置 |
CN111881322A (zh) * | 2020-09-28 | 2020-11-03 | 成都睿沿科技有限公司 | 一种目标搜索方法、装置、电子设备及存储介质 |
CN112380941A (zh) * | 2020-11-11 | 2021-02-19 | 哈尔滨海邻科信息技术有限公司 | 身份识别方法、装置、终端设备及存储介质 |
CN112257669A (zh) * | 2020-11-13 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 行人重识别方法、装置及电子设备 |
CN112949539A (zh) * | 2021-03-16 | 2021-06-11 | 安徽领云物联科技有限公司 | 一种基于摄像头位置的行人重识别交互检索方法及*** |
Non-Patent Citations (1)
Title |
---|
基于行人再识别的轨迹重现;闫秋芳;;现代计算机(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780172A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780172B (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
US11145076B1 (en) | Incorporation of semantic information in simultaneous localization and mapping | |
US8929604B2 (en) | Vision system and method of analyzing an image | |
CN108846333B (zh) | 标志牌地标数据集生成及车辆定位方法 | |
CN112631288B (zh) | 泊车定位方法、装置、车辆及存储介质 | |
Hinz | Detection and counting of cars in aerial images | |
CN110781790A (zh) | 基于卷积神经网络与vlad的视觉slam闭环检测方法 | |
JP2008517353A (ja) | 交通標識検出方法 | |
CN109815831B (zh) | 一种车辆朝向获取方法及相关装置 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
US20140015998A1 (en) | Image capture position and image capture direction estimation device, image capture device, image capture position and image capture direction estimation method and program | |
CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
CN113223064A (zh) | 一种视觉惯性里程计尺度的估计方法和装置 | |
CN108509826A (zh) | 一种遥感影像的道路识别方法及其*** | |
Friedland et al. | Video2gps: a demo of multimodal location estimation on flickr videos | |
CN110765940B (zh) | 目标对象统计方法和装置 | |
CN110636248A (zh) | 目标跟踪方法与装置 | |
CN112444251B (zh) | 车辆行车位置确定方法、装置、存储介质及计算机设备 | |
CN116170660A (zh) | 用于摄像头的算法调度方法、装置、计算机设备及介质 | |
CN115661586A (zh) | 模型训练和人流量统计方法、装置及设备 | |
CN115393655A (zh) | 基于YOLOv5s网络模型的工业运载车的检测方法 | |
CN112015937B (zh) | 一种图片地理定位方法及*** | |
CN111488771B (zh) | Ocr挂接方法、装置与设备 | |
CN113095214A (zh) | 一种基于人工智能的无人机测绘光学防抖方法及*** | |
CN116758150B (zh) | 位置信息确定方法及装置 |
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 |