CN117671400A - 样本收集方法、装置、电子设备及存储介质 - Google Patents
样本收集方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117671400A CN117671400A CN202210958491.5A CN202210958491A CN117671400A CN 117671400 A CN117671400 A CN 117671400A CN 202210958491 A CN202210958491 A CN 202210958491A CN 117671400 A CN117671400 A CN 117671400A
- Authority
- CN
- China
- Prior art keywords
- target object
- feature vector
- classification result
- classification
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 212
- 238000001514 detection method Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种样本收集方法、装置、电子设备及存储介质。该方法包括:获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。通过上述技术方案,实现了特征向量样本模型的自动更新,并提升了特征向量样本模型中样本的质量。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种样本收集方法、装置、电子设备及存储介质。
背景技术
在智能交通***研究中,基于图像处理技术的车载视觉***是的一个重要的分支领域,特别是道路交通标志,由于其含有道路交通指示的关键信息,已成为智能交通研究的重要对象。
在实现本发明的过程中,发明人发现现有技术中至少存在以下技术问题:
交通标志标识的样本获取困难,已获得样本种类以及视觉效果不够丰富代表性不足(低价值样本)的问题。
发明内容
本发明提供了一种样本收集方法、装置、电子设备及存储介质,以解决样本不够丰富代表性不足(价值低)的问题。
根据本发明的一方面,提供了一种样本收集方法,包括:
获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;
将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;
基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
根据本发明的另一方面,提供了一种样本收集装置,包括:
特征向量提取模块,用于获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;
分类结果确定模块,用于将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;
样本收集模块,用于基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的样本收集方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的样本收集方法。
本发明实施例的技术方案,通过获取连续帧图像,基于连续帧图像确定目标对象的特征向量,将目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到目标对象的分类结果,在得到目标对象的分类结果之后,可以根据目标对象的分类结果进行样本收集,从而实现收集样本的筛选,得到高价值的样本,并将高价值的收集样本对特征向量样本模型进行更新,提升了特征向量样本模型中样本的质量,以解决样本价值低的问题。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种样本收集方法的流程图;
图2是根据本发明实施例一提供的一种跟踪与分类方法的示意图;
图3是根据本发明实施例二提供的一种样本收集方法的流程图;
图4是根据本发明实施例三提供的一种样本收集方法的流程图;
图5是根据本发明实施例四提供的一种样本收集方法的流程图;
图6是根据本发明实施例五提供的一种样本收集装置的结构示意图;
图7是实现本发明实施例的样本收集方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
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“目标”、“初始”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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种样本收集方法的流程图,本实施例可适用于交通标识样本自动收集的情况,该方法可以由样本收集装置来执行,该样本收集装置可以采用硬件和/或软件的形式实现,该样本收集装置可配置于计算机终端和/或服务器中。如图1所示,该方法包括:
S110、获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量。
在本发明实施例中,连续帧图像是指连续多帧图像。示例性的,在交通标识识别场景下,连续帧图像可以为包含交通标识的道路交通视频中的连续多帧图像。
示例性的,连续帧图像可以通过图像采集装置采集得到,其中,图像采集装置可以是设置车辆上的摄像头;或者,还可以从预设存储路径调取得到连续帧图像,本实施例对获取连续帧图像的方法不做限定。
在一些实施例中,在获取连续帧图像之后,可以对连续帧图像进行检测和跟踪。检测算法可以包括但不限于yolov4、yolov5、SSD(Single Shot MultiBox Detector)等,跟踪算法包括但不限于光流跟踪算法、粒子滤波算法、深度学习算法等。
在一些实施例中,在获取连续帧图像之后,还可以对连续帧图像进行特征提取,得到连续帧图像中目标对象的特征向量,其中,目标对象可以是待跟踪的对象,例如,在交通标识识别场景下,目标对象可以为交通标识。
S120、将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果。
在本发明实施例中,特征向量样本模型是指存储有多个目标对象的特征向量的样本库。分类结果是指目标对象的类别,例如,分类结果可以类别A、类别B等。
具体的,可以将目标对象的特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,可以根据比较结果确定目标对象的分类结果。其中,类别特征向量是指已知目标对象类别的特征向量。在一些实施例中,比较结果可以是特征向量相似度结果;在一些实施例中,比较结果还可以是特征向量距离结果,本实施例对此不做限定。
S130、基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
在得到目标对象的分类结果之后,可以根据目标对象的分类结果进行样本收集,从而实现样本的筛选,得到高价值的收集样本,并将高价值的收集样本对特征向量样本模型进行更新,提升了特征向量样本模型中样本的质量。其中,收集样本是指根据分类结果所收集的样本。
在上述各实施例的基础上,在基于收集样本对所述特征向量样本模型进行更新之后,还包括:统计所述更新后的特征向量样本模型中各候选特征向量的频次信息;若任一所述候选特征向量的频次信息满足预设阈值条件,则将所述候选特征向量相关联的特征信息发送至云端服务器,以更新特征向量库。
其中,候选特征向量是指未通过云端确认目标对象类别的特征向量。候选特征向量相关联的特征信息可以包括但不限于特征图片、特征向量、所属类别等信息。频次信息是指特征向量的计数信息。预设阈值条件可以根据经验设定,阈值具体数值在此不做限定。特征向量库是指位于云端的存储有特征向量样本以及特征向量样本相关联特征信息的数据库。
示例性的,在交通标识识别场景下,统计各个类别的候选特征向量的计数信息,如果计数达到预设阈值条件,表明该候选特征向量是该交通标识的特征,则可以将该候选特征向量相关联的特征图片、特征向量、所属类别等信息上传云端服务器,云端根据上传的数据位置关系、类别等生成最优交通标识特征向量,从而使交通标识特征向量的特征泛化,提升检测效果。
在上述各实施例的基础上,在基于特征向量确定目标对象的分类结果之后,还包括:在目标对象跟踪成功的情况下,统计跟踪序列中的多个待识别图像的分类结果;将多个待识别图像的分类结果中出现频率最高的分类结果作为跟踪序列的分类结果。
可以理解的是,通过将多个待识别图像的分类结果中出现频率最高的分类结果作为跟踪序列的分类结果,可以提升分类结果的可靠性。
在上述各实施例的基础上,在得到所述目标对象的分类结果之后,还包括:在所述目标对象跟踪失败的情况下,分别获取至少两个目标对象的中心点;确定相邻目标对象中心点之间的方向向量;基于各所述方向向量之间的夹角所确定的匹配范围,对未匹配框进行筛选,得到目标未匹配框;对所述目标未匹配框进行分类,得到所述未匹配框的分类结果。
示例性的,图2是本发明实施例提供的一种跟踪与分类方法的示意图;当目标对象跟踪时,可以获取跟踪框n、跟踪框n-1、跟踪框n-2的中心点,n表示跟踪框的数量;进一步的,确定相邻跟踪框中心点之间的方向向量v1和v2,其中,v1是跟踪框n-2中心点和跟踪框n-1中心点的向量,v2是跟踪框n-1中心点和跟踪框n中心点的向量。图2中的未匹配框是指未匹配检测框,最近的未匹配框的范围在v1和v2的夹角之间,再向两边扩展alpha、beta角,虚线距离可取跟踪框宽度的2-4倍。当在可匹配范围内存在多个未匹配框时,选择最近的2-3个进行分类。如图2所示,未匹配框0和未匹配框2在可匹配范围外,不进行分类;未匹配框1在可匹配范围内,进行分类。如果未匹配框1的分类结果与跟踪框n,跟踪框n-1,跟踪框n-2类别全部一致,则表明未匹配框1为该目标对象的框,并将未匹配框1加入到跟踪记录中。
在上述各实施例的基础上,在所述得到所述未匹配框的分类结果之后,还包括:若所述未匹配框的分类结果与目标对象的分类类别相同,则将所述未匹配框加入跟踪序列,并将跟踪状态修改为正常跟踪;若所述未匹配框的分类结果与目标对象的分类类别不同,则将跟踪状态确定为跟踪失败。
需要说明的是,若未匹配框的分类结果与目标对象的分类类别相同,则可以认为是跟踪框与检测框匹配的问题,则将未匹配框加入跟踪序列,将跟踪状态修改为正常跟踪,继续跟踪。若未匹配框的分类结果与目标对象的分类类别不同,则将跟踪状态确定为跟踪失败,并继续跟踪。
本发明实施例的技术方案,通过获取连续帧图像,基于连续帧图像确定目标对象的特征向量,将目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到目标对象的分类结果,在得到目标对象的分类结果之后,可以根据目标对象的分类结果进行样本收集,从而实现收集样本的筛选,得到高价值的收集样本,并将高价值的收集样本对特征向量样本模型进行更新,提升了特征向量样本模型中样本的质量。
实施例二
图3为本发明实施例二提供的一种样本收集方法的流程图,本实施例在上述实施例的基础上对“基于所述连续帧图像确定目标对象的特征向量”进行的细化,可选的,所述基于所述连续帧图像确定目标对象的特征向量,包括:对所述连续帧图像进行目标跟踪,得到至少一个目标对象;将所述目标对象对应的图像数据输入至分类特征提取模型,得到所述目标对象的特征向量。
如图3所示,该方法包括:
S210、获取连续帧图像,对所述连续帧图像进行目标跟踪,得到至少一个目标对象。
S220、将所述目标对象对应的图像数据输入至分类特征提取模型,得到所述目标对象的特征向量。
S230、将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果。
S240、基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
在本实施例中,实现目标跟踪的算法可以包括但不限于光流跟踪算法、粒子滤波算法、深度学习算法等,在此不做限定。在本实施例中,目标对象可以是位于跟踪框内的交通标识。
具体的,获取目标对象的尺寸信息;基于目标对象的尺寸信息,匹配与目标对象的尺寸信息相对应的分类特征提取模型;将目标对象对应的图像数据输入至与目标对象的尺寸信息相对应的分类特征提取模型,得到目标对象的特征向量。
其中,目标对象的尺寸信息可以为包含目标对象的跟踪框的尺寸。
需要说明的是,在本实施例中,可以预先训练多种尺寸的分类特征提取模型,在实际提取特征向量过程中,可以根据目标对象的尺寸,匹配相对应的分类特征提取模型,并将目标对象对应的图像数据输入至与目标对象的尺寸信息相对应的分类特征提取模型,从而提高了特征向量的提取精度。
示例性的,分类特征提取模型的训练过程如下:可以通过Few-shot的方法训练若干个不同尺寸的分类特征提取模型,例如尺寸可以为48x48,84x84,128x128等。其中,48x48可以对应小尺寸分类特征提取模型,小尺寸分类特征提取模型的模型参数如表1所示;84x84可以对应中尺寸分类特征提取模型,中尺寸分类特征提取模型的模型参数如表2所示;128x128可以对应大尺寸分类特征提取模型,大尺寸分类特征提取模型的模型参数如表3所示,上述三种不同尺寸的模型分别训练,各模型的权重参数是相互独立的。需要说明的是,分类特征提取模型数量和尺寸可以根据实际情况进行调整,本实施例仅仅是一个举例说明。
表1
Conv1,3,64,3,1 | I:48x48x3 O:48x48x64 |
MaxPool(2) | I:48x48x64 O:24x24x64 |
Conv2,64,64,3,1 | I:24x24x64 O:24x24x64 |
MaxPool(2) | I:24x24x64 O:12x12x64 |
Conv3,64,128,3,1 | I:12x12x64 O:12x12x128 |
MaxPool(2) | I:12x12x128 O:6x6x128 |
Conv4,128,128,3,1 | I:6x6x128 O:6x6x128 |
AvgPool(1) | I:6x6x128 O:1x1x128 |
输出特征向量 | O:[128] |
表2
Conv1,3,64,3,1 | I:84x84x3 O:84x84x64 |
MaxPool(2) | I:84x84x64 O:42x42x64 |
Conv2,64,64,3,1 | I:42x42x64 O:42x42x64 |
MaxPool(2) | I:42x42x64 O:21x21x64 |
Conv3,64,64,3,1 | I:21x21x64 O:21x21x64 |
MaxPool(2) | I:21x21x64 O:10x10x64 |
Conv4,64,128,3,1 | I:10x10x64 O:10x10x128 |
AvgPool(1) | I:10x10x128 O:1x1x128 |
输出特征向量 | O:[128] |
表3
本发明实施例的技术方案,可以根据目标对象的尺寸,匹配相对应的分类特征提取模型,并将目标对象对应的图像数据输入至与目标对象的尺寸信息相对应的分类特征提取模型,从而提高了特征向量的提取精度。
实施例三
图4为本发明实施例三提供的一种样本收集方法的流程图,本实施例在上述实施例的基础上对“将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果”进行的细化,可选的,将所述目标对象的特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,基于比较结果确定所述目标对象的分类结果。
如图4所示,该方法包括:
S310、获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量。
S320、将所述目标对象的特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,基于比较结果确定所述目标对象的分类结果。
S330、基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
在本实施例中,类别特征向量是指已知目标对象类别的特征向量,可以包括但不限于人工特征向量和候补特征向量,其中,人工特征向量是指已通过云端确认目标对象类别的特征向量,候选特征向量是指未通过云端确认目标对象类别的特征向量。
示例性的,特征向量样本模型具体关系如表4所示,具体如下:
表4
类别 | 特征 | 特征值 | 使用计数 | 特征图像 |
类别A | 人工特征1 | 128Float | n | 无 |
类别A | 人工特征2 | 128Float | n | 无 |
类别A | ...... | |||
类别A | 人工特征10 | 128Float | n | 无 |
类别A | 候补特征1 | 128Float | n | Img1 |
类别A | 候补特征2 | 128Float | n | Img2 |
类别A | ...... | ....... | ||
类别A | 候补特征10 | 128Float | n | Img10 |
类别B | 人工特征1 | 128Float | n | 无 |
类别B | 人工特征2 | 128Float | n | 无 |
类别B | ...... | |||
类别B | 人工特征10 | 128Float | n | 无 |
类别B | 候补特征1 | 128Float | n | Img1 |
类别B | 候补特征2 | 128Float | n | Img2 |
类别B | ...... | ....... | ||
类别B | 候补特征10 | 128Float | n | Img10 |
... | ... | ... | ... | ... |
需要说明的,通过特征向量样本模型可以建立特征图像与特征向量之间的关系。在一些实施例中,特征向量样本模型还可以用于对特征向量进行计数,计数规则具体为:人工特征使用计数初始设为0,候补特征使用计数初始设为-1,当候补特征设置完成后,候补特征使用计数设为0。
在一些实施例中,比较结果可以是特征向量相似度结果;在一些实施例中,比较结果还可以是特征向量距离结果,本实施例对此不做限定。在得到比较结果之后,可以从多个比较结果中,选出相似度最高或者距离最小的类别特征向量,并将该类别特征向量对应的类别作为目标对象的分类结果。
具体的,确定特征向量与特征向量样本模型中各类别特征向量之间的距离;将特征向量与特征向量样本模型中各类别特征向量之间的距离进行比较。
示例性的,特征向量与特征向量样本模型中各类别特征向量之间的距离可以为欧式距离、马氏距离等,在此不做限定。
本发明实施例的技术方案,通过将目标对象的特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,基于比较结果确定目标对象的分类结果,实现了特征向量的自动分类,从而提高样本收集的效率。
实施例四
图5为本发明实施例四提供的一种样本收集方法的流程图,本实施例在上述实施例的基础上对“基于所述目标对象的分类结果进行样本收集”进行的细化,可选的,判断所述目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集。
如图5所示,该方法包括:
S410、获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量。
S420、将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果。
S430、判断所述目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
在本实施例中,预设更新条件是指用于筛选样本的判断条件。
具体的,在目标对象跟踪成功的情况下,若当前目标对象的分类结果与跟踪序列分类类别不相同,则将当前目标对象对应的检测框图像数据进行分类,得到检测框分类结果;将检测框分类结果与跟踪序列分类类别进行比较,基于比较结果进行样本收集。
在上述实施例的基础上,将检测框分类结果与跟踪序列分类类别进行比较,基于比较结果进行样本收集,包括:若检测框分类结果与跟踪序列分类类别相同,则将当前目标对象对应的跟踪框替换为检测框;若检测框分类结果与跟踪序列分类类别不相同,且检测框分类结果与当前目标对象的分类结果相同,则将当前目标对象对应的特征向量和特征图像分别加入候选特征向量列表和候补特征图片列表中,以完成样本收集。
示例性的,在交通标识识别场景下,当目标对象跟踪成功而当前目标对象的分类结果与跟踪序列分类类别不相同时,将该跟踪框对应的检测框内容进行分类。
如果检测框分类结果与跟踪序列分类类别一致,则将当前目标对象对应的跟踪框替换为检测框,并继续跟踪。需要说明的是,在跟踪框替换为检测框的过程中,可以进行平滑处理,使框跳动不会太大。
如果检测框分类结果与跟踪序列分类类别不一致,且检测框分类结果与当前目标对象的分类结果相同,并且不同尺寸下的分类结果存在75%以上的相同,则将当前目标对象对应的特征向量和截取的特征图像分别加入候选特征向量列表和候补特征图片列表中,从而获得系列交通标识样本,以完成交通标识样本收集。否则,继续跟踪。其中,系列交通标识样本是指与当前目标对象相关联的多个特征向量和以及特征向量相对应的特征图像。
在上述实施例的基础上,判断目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集,包括:统计跟踪序列中的多个待识别图像的分类结果;将多个待识别图像的分类结果中出现频率最高的分类结果作为跟踪序列分类类别;若检测框分类结果与跟踪序列分类类别不相同,且检测框分类结果与当前目标对象的分类结果相同,则将当前目标对象对应的特征向量和特征图像分别加入候选特征向量列表和候补特征图片列表中,以完成样本收集。
可以理解的是,通过将多个待识别图像的分类结果中出现频率最高的分类结果作为跟踪序列的分类结果,可以提升分类结果的可靠性。
本发明实施例的技术方案,通过判断目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集,实现了样本的筛选,提高了样本质量。
实施例五
图6为本发明实施例五提供的一种样本收集装置的结构示意图。如图6所示,该装置包括:
特征向量提取模块510,用于获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;
分类结果确定模块520,用于将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;
样本收集模块530,用于基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
本发明实施例的技术方案,通过获取连续帧图像,基于连续帧图像确定目标对象的特征向量,将目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到目标对象的分类结果,在得到目标对象的分类结果之后,可以根据目标对象的分类结果进行样本收集,从而实现收集样本的筛选,得到高价值的收集样本,并将高价值的收集样本对特征向量样本模型进行更新,提升了特征向量样本模型中样本的质量。
可选的,特征向量提取模块510,包括:
目标跟踪单元,用于对所述连续帧图像进行目标跟踪,得到至少一个目标对象;
特征向量提取单元,用于将所述目标对象对应的图像数据输入至分类特征提取模型,得到所述目标对象的特征向量。
可选的,特征向量提取单元,具体用于:
获取所述目标对象的尺寸信息;
基于所述目标对象的尺寸信息,匹配与所述目标对象的尺寸信息相对应的分类特征提取模型;
将所述目标对象对应的图像数据输入至与所述目标对象的尺寸信息相对应的分类特征提取模型,得到所述目标对象的特征向量。
可选的,分类结果确定模块520,包括:
特征向量比较单元,用于将所述目标对象的特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,基于比较结果确定所述目标对象的分类结果。
可选的,特征向量比较单元,具体用于:
确定所述特征向量与特征向量样本模型中各类别特征向量之间的距离;
将所述特征向量与特征向量样本模型中各类别特征向量之间的距离进行比较。
可选的,样本收集模块530,包括:
分类结果判断单元,用于判断所述目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集。
可选的,分类结果判断单元,包括:
图像数据分类子单元,用于在所述目标对象跟踪成功的情况下,若当前目标对象的分类结果与跟踪序列分类类别不相同,则将所述当前目标对象对应的检测框图像数据进行分类,得到检测框分类结果;
分类结果比较子单元,用于将所述检测框分类结果与所述跟踪序列分类类别进行比较,基于比较结果进行样本收集。
可选的,分类结果比较子单元,具体用于:
若所述检测框分类结果与所述跟踪序列分类类别相同,则将所述当前目标对象对应的跟踪框替换为检测框;
若所述检测框分类结果与跟踪序列分类类别不相同,且所述检测框分类结果与所述当前目标对象的分类结果相同,则将所述当前目标对象对应的特征向量和特征图像分别加入候选特征向量列表和候补特征图片列表中,以完成样本收集。
可选的,分类结果判断单元,包括:
统计跟踪序列中的多个待识别图像的分类结果;
将所述多个待识别图像的分类结果中出现频率最高的分类结果作为跟踪序列分类类别;
若检测框分类结果与所述跟踪序列分类类别不相同,且所述检测框分类结果与所述当前目标对象的分类结果相同,则将所述当前目标对象对应的特征向量和特征图像分别加入候选特征向量列表和候补特征图片列表中,以完成样本收集。
可选的,所述装置还用于:
统计所述更新后的特征向量样本模型中各候选特征向量的频次信息;
若任一所述候选特征向量的频次信息满足预设阈值条件,则将所述候选特征向量相关联的特征信息发送至云端服务器,以更新特征向量库。
可选的,所述装置还用于:
在所述目标对象跟踪成功的情况下,统计跟踪序列中的多个待识别图像的分类结果;
将所述多个待识别图像的分类结果中出现频率最高的分类结果作为所述跟踪序列的分类结果。
可选的,所述装置还用于:
在所述目标对象跟踪失败的情况下,分别获取至少两个目标对象的中心点;
确定相邻目标对象中心点之间的方向向量;
基于各所述方向向量之间的夹角所确定的匹配范围,对未匹配框进行筛选,得到目标未匹配框;
对所述目标未匹配框进行分类,得到所述未匹配框的分类结果。
可选的,所述装置还用于:
若所述未匹配框的分类结果与目标对象的分类类别相同,则将所述未匹配框加入跟踪序列,并将跟踪状态修改为正常跟踪;
若所述未匹配框的分类结果与目标对象的分类类别不同,则将跟踪状态确定为跟踪失败。
本发明实施例所提供的样本收集装置可执行本发明任意实施例所提供的样本收集方法,具备执行方法相应的功能模块和有益效果。
实施例六
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如样本收集方法,该方法包括:
获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;
将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;
基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
在一些实施例中,样本收集方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的样本收集方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行样本收集方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储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***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的***和技术,该电子设备具有: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电子设备。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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (16)
1.一种样本收集方法,其特征在于,包括:
获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;
将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;
基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
2.根据权利要求1所述的方法,其特征在于,所述基于所述连续帧图像确定目标对象的特征向量,包括:
对所述连续帧图像进行目标跟踪,得到至少一个目标对象;
将所述目标对象对应的图像数据输入至分类特征提取模型,得到所述目标对象的特征向量。
3.根据权利要求2所述的方法,其特征在于,所述将所述目标对象对应的图像数据输入至分类特征提取模型,得到所述目标对象的特征向量,包括:
获取所述目标对象的尺寸信息;
基于所述目标对象的尺寸信息,匹配与所述目标对象的尺寸信息相对应的分类特征提取模型;
将所述目标对象对应的图像数据输入至与所述目标对象的尺寸信息相对应的分类特征提取模型,得到所述目标对象的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果,包括:
将所述目标对象的特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,基于比较结果确定所述目标对象的分类结果。
5.根据权利要求4所述的方法,其特征在于,所述将所述特征向量与预先建立的特征向量样本模型中各类别特征向量进行比较,包括:
确定所述特征向量与特征向量样本模型中各类别特征向量之间的距离;
将所述特征向量与特征向量样本模型中各类别特征向量之间的距离进行比较。
6.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象的分类结果进行样本收集,包括:
判断所述目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集。
7.根据权利要求6所述的方法,其特征在于,所述判断所述目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集,包括:
在所述目标对象跟踪成功的情况下,若当前目标对象的分类结果与跟踪序列分类类别不相同,则将所述当前目标对象对应的检测框图像数据进行分类,得到检测框分类结果;
将所述检测框分类结果与所述跟踪序列分类类别进行比较,基于比较结果进行样本收集。
8.根据权利要求7所述的方法,其特征在于,所述将所述检测框分类结果与所述跟踪序列分类类别进行比较,基于比较结果进行样本收集,包括:
若所述检测框分类结果与所述跟踪序列分类类别相同,则将所述当前目标对象对应的跟踪框替换为检测框;
若所述检测框分类结果与跟踪序列分类类别不相同,且所述检测框分类结果与所述当前目标对象的分类结果相同,则将所述当前目标对象对应的特征向量和特征图像分别加入候选特征向量列表和候补特征图片列表中,以完成样本收集。
9.根据权利要求6所述的方法,其特征在于,所述判断所述目标对象的分类结果是否满足预设更新条件,基于判断结果进行样本收集,包括:
统计跟踪序列中的多个待识别图像的分类结果;
将所述多个待识别图像的分类结果中出现频率最高的分类结果作为跟踪序列分类类别;
若检测框分类结果与所述跟踪序列分类类别不相同,且所述检测框分类结果与所述当前目标对象的分类结果相同,则将所述当前目标对象对应的特征向量和特征图像分别加入候选特征向量列表和候补特征图片列表中,以完成样本收集。
10.根据权利要求1所述的方法,其特征在于,在基于收集样本对所述特征向量样本模型进行更新之后,还包括:
统计所述更新后的特征向量样本模型中各候选特征向量的频次信息;
若任一所述候选特征向量的频次信息满足预设阈值条件,则将所述候选特征向量相关联的特征信息发送至云端服务器,以更新特征向量库。
11.根据权利要求1所述的方法,其特征在于,在得到所述目标对象的分类结果之后,还包括:
在所述目标对象跟踪成功的情况下,统计跟踪序列中的多个待识别图像的分类结果;
将所述多个待识别图像的分类结果中出现频率最高的分类结果作为所述跟踪序列的分类结果。
12.根据权利要求1所述的方法,其特征在于,在得到所述目标对象的分类结果之后,还包括:
在所述目标对象跟踪失败的情况下,分别获取至少两个目标对象的中心点;
确定相邻目标对象中心点之间的方向向量;
基于各所述方向向量之间的夹角所确定的匹配范围,对未匹配框进行筛选,得到目标未匹配框;
对所述目标未匹配框进行分类,得到所述未匹配框的分类结果。
13.根据权利要求12所述的方法,其特征在于,在所述得到所述未匹配框的分类结果之后,还包括:
若所述未匹配框的分类结果与目标对象的分类类别相同,则将所述未匹配框加入跟踪序列,并将跟踪状态修改为正常跟踪;
若所述未匹配框的分类结果与目标对象的分类类别不同,则将跟踪状态确定为跟踪失败。
14.一种样本收集装置,其特征在于,包括:
特征向量提取模块,用于获取连续帧图像,基于所述连续帧图像确定目标对象的特征向量;
分类结果确定模块,用于将所述目标对象的特征向量在预先建立的特征向量样本模型中进行匹配,得到所述目标对象的分类结果;
样本收集模块,用于基于所述目标对象的分类结果进行样本收集,并基于收集样本对所述特征向量样本模型进行更新。
15.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-13中任一项所述的样本收集方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-13中任一项所述的样本收集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958491.5A CN117671400A (zh) | 2022-08-09 | 2022-08-09 | 样本收集方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958491.5A CN117671400A (zh) | 2022-08-09 | 2022-08-09 | 样本收集方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671400A true CN117671400A (zh) | 2024-03-08 |
Family
ID=90071702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210958491.5A Pending CN117671400A (zh) | 2022-08-09 | 2022-08-09 | 样本收集方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671400A (zh) |
-
2022
- 2022-08-09 CN CN202210958491.5A patent/CN117671400A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
CN112633276B (zh) | 训练方法、识别方法、装置、设备、介质 | |
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
CN111931859B (zh) | 一种多标签图像识别方法和装置 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN115953434B (zh) | 轨迹匹配方法、装置、电子设备和存储介质 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
EP4209959A1 (en) | Target identification method and apparatus, and electronic device | |
CN115147814A (zh) | 交通指示对象的识别方法和目标检测模型的训练方法 | |
CN117671400A (zh) | 样本收集方法、装置、电子设备及存储介质 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN115205555B (zh) | 确定相似图像的方法、训练方法、信息确定方法及设备 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN113360688B (zh) | 信息库的构建方法、装置及*** | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN116186549B (zh) | 模型的训练方法、装置、设备和介质 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
CN117725614A (zh) | 一种车牌脱敏方法、装置、电子设备及存储介质 |
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 |