CN111340090A - 图像特征比对方法及装置、设备、计算机可读存储介质 - Google Patents
图像特征比对方法及装置、设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111340090A CN111340090A CN202010107969.4A CN202010107969A CN111340090A CN 111340090 A CN111340090 A CN 111340090A CN 202010107969 A CN202010107969 A CN 202010107969A CN 111340090 A CN111340090 A CN 111340090A
- Authority
- CN
- China
- Prior art keywords
- video
- image
- weight
- image feature
- distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 230000005021 gait Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像特征比对方法、步态识别方法和设备。该方法包括：利用与图像特征提取神经网络联合训练得到的权重计算模块计算各个图像特征的权重，对各个图像特征进行加权处理，得到对比视频之间的距离。采用本方法能够提高步态识别结果的精度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像特征比对方法、步态识别方法和设备。
背景技术
在视频步态识别及其他图像处理技术领域，需要进行图像特征比对，即根据提取得到的图像特征确定两个待比对的图像/视频之间的相似度。
以视频步态识别领域为例，通过视频之间的图像特征比对，计算两个视频之间的距离(即相似度)，进而判断两个视频中的目标(通常为行人)是否为相同目标。
现有的实现方式中，是计算视频间相同图像特征的欧氏距离，将各个图像特征的欧式距离之和作为两个视频之间的距离。但对于不同的图像变量，鲁棒性的图像特征有所不同。例如，一个视频中的行人穿着厚外套，而另一个视频中的行人穿着薄外套，那么，上衣区域对应的图像特征的鲁棒性较差，按照上岁数实现方式进行图像特征提取及比对，会导致步态识别结果的精度较低。
为解决提取鲁棒性较差的图像特征导致的问题，另一种现有的实现方式中，针对各种图像变量情况，提取不同的图像特征。例如，一个视频中的行人穿着厚外套，而另一个视频中的行人穿着薄外套，那么，不提取上衣区域对应的图像特征。这种实现方式虽然能够一定程度上避免提取鲁棒性差的图像特征，但需要针对各种图像变量情况需要提取不同的图像特征，并分别训练图像特征提取神经网络。
发明内容
为解决上述技术问题，提出一种能够图像特征比对方法、步态识别方法和设备。
第一方面，本申请实施例提供一种图像特征比对方法，该方法包括：
利用图像特征提取神经网络分别获取第一视频和第二视频的多个图像特征；
分别确定所述第一视频与所述第二视频之间相同图像特征的距离；
利用权重计算模块计算所述第一视频与所述第二视频之间相同图像特征的权重，所述权重计算模块是通过与所述图像特征提取神经网络联合训练得到的，所述权重计算模块用于根据所述第一视频与所述第二视频的目标图像变量计算图像特征的权重；
利用所述多个图像特征各自的权重对所述多个图像特征进行加权，根据加权结果确定所述第一视频与所述第二视频之间的距离，所述第一视频与所述第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的相似度。
第二方面，本申请实施例提供一种计算机设备，包括处理器和存储器；
所述存储器用于存储执行第一方面所述方法的程序；
所述处理器被配置为执行所述存储器中存储的程序。
第三方面，本申请实施例提供一种步态识别方法，所述方法包括：
利用图像特征提取神经网络获取第一视频的多个图像特征，并获取多个第二视频各自的多个图像特征；
分别确定所述第一视频与每个第二视频之间相同图像特征的距离；
利用权重计算模块计算所述第一视频与每个第二视频之间相同图像特征的权重，所述权重计算模块是通过与所述图像特征提取神经网络联合训练得到的，所述权重计算模块用于根据所述第一视频与第二视频的目标图像变量计算图像特征的权重；
针对每个第二视频，利用所述多个图像特征各自的权重对所述多个图像特征进行加权，根据加权结果确定所述第一视频与对应的第二视频之间的距离，所述第一视频与第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的步态相似度；
根据所述第一视频与各个第二视频之间的距离，选择至少一个第二视频对应的目标作为所述第一视频的步态识别结果。
第四方面，本申请实施例提供一种计算机设备，包括处理器和存储器；
所述存储器用于存储执行第三方面所述方法的程序；
所述处理器被配置为执行所述存储器中存储的程序。
本申请实施例提供的技术方案，至少存在如下技术效果或优点：
利用与图像特征提取神经网络联合训练得到的权重计算模块计算各个图像特征的权重，对各个图像特征进行加权处理，得到对比视频之间的距离。由于根据目标图像变量计算图像特征的权重，因此，考虑到了不同目标图像变量下各个图像特征的重要程度，对于不同目标图像变量情况，仍然可以提取相同的图像特征，利用计算得到的权重对图像特征进行加权处理，从而提高重要图像特征的鲁棒性，应用到步态识别，则可以提高步态识别的精度。
附图说明
图1为本申请实施例提供的图像特征比对方法的流程图；
图2为本申请实施例提供的步态识别方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
本发明实施例提供一种图像特征比对方法，如图1所示，该方法包括如下操作：
步骤101、利用图像特征提取神经网络分别获取第一视频和第二视频的多个图像特征。
其中，图像特征具体是指视频中的目标图像的特征向量。
本发明实施例中，第一视频和第二视频可以是摄像机采集到的原始视频，也可以是经过处理后得到的人物轮廓视频。所谓人物轮廓视频，是指视频中的每帧图像均为人物轮廓图像。
本发明实施例提供的方法适用于图像特征提取神经网络训练阶段，那么，第一视频和第二视频均为训练图像特征提取神经网络的样本视频。本发明实施例提供的方法也适用于图像特征提取神经网络训练完成后的应用阶段，例如步态识别过程，那么，第一视频为待处理(例如待识别)的视频，第二视频可以为待处理的视频，也可以为已知识别结果的视频(如已知某具体人物的步态视频)。
步骤102、分别确定所述第一视频与所述第二视频之间相同图像特征的距离。
作为举例而非限定，确定相同图像特征的欧氏距离。当然，在实际应用中，也可以利用其他已知距离代替欧氏距离，本发明实施例对此不作限定。
步骤103、利用权重计算模块计算所述第一视频与所述第二视频之间相同图像特征的权重，所述权重计算模块是通过与所述图像特征提取神经网络联合训练得到的，所述权重计算模块用于根据所述第一视频与所述第二视频的目标图像变量计算图像特征的权重。
本发明实施例中，视频中的目标图像是指视频中行人的图像(可以但不仅限于是轮廓图像)。目标图像变量包括以下至少一项：目标图像的拍摄角度，目标图像的上衣衣着类型。
本发明实施例中，视频的图像变量也称作视频的条件。
其中，拍摄角度可以为精确数值，也可以为数值区间。若拍摄角度为精确数值，实际应用中，可以预先确定多个拍摄角度，例如0°、30°、60°……，确定目标图像的实际拍摄角度，并将该实际拍摄角度匹配到最接近的预定拍摄角度。例如，目标图像的实际拍摄角度为35°，则作为目标图像变量的拍摄角度为30°。
其中，上衣衣着类型可以在实际应用中，根据场景需要具体确定。作为距离而非限定，上衣衣着类型包括：薄外套、厚外套、长外套、短外套等。
步骤104、利用所述多个图像特征各自的权重对所述多个图像特征进行加权，根据加权结果确定所述第一视频与所述第二视频之间的距离，所述第一视频与所述第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的相似度。
作为举例而非限定，具体是将加权结果的和作为第一视频与第二视频之间的距离。
实际应用中，根据图像特征比对结果的应用场景，确定图像特征比对的具体内容。例如，在步态识别场景中，比较的是视频之间目标图像的步态相似度。
本发明实施例提供的方法，利用与图像特征提取神经网络联合训练得到的权重计算模块计算各个图像特征的权重，对各个图像特征进行加权处理，得到对比视频之间的距离。由于根据目标图像变量计算图像特征的权重，因此，考虑到了不同目标图像变量下各个图像特征的重要程度，对于不同目标图像变量情况，仍然可以提取相同的图像特征，利用计算得到的权重对图像特征进行加权处理，从而提高重要图像特征的鲁棒性，应用到步态识别，则可以提高步态识别的精度。
下面分别对本发明实施例提供的图像特征比对方法的各个步骤的实现方式进行进一步说明。
上述步骤101的实现方式有多种。在图像特征提取神经网络训练阶段，一种实现方式为，分别将第一视频和第二视频输入图像特征提取神经网络，分别得到图像特征提取神经网络输出的第一视频和第二视频的多个图像特征；另一种实现方式为，分别将第一视频和第二视频输入图像特征提取神经网络，得到图像特征提取神经网络输出的第一视频和第二视频的特征图，分别将第一视频和第二视频的特征图按照预定的规则进行切分，并对切分得到的每个子特征图进行池化操作，分别得到第一视频和第二视频的每个子特征图对应的图像特征。在图像特征提取神经网络应用阶段，一种实现方式中，将第一视频输入图像特征提取神经网络，得到图像特征提取神经网络输出的第一视频的多个图像特征，从预定的存储位置读取预先确定的第二视频的多个图像特征；另一种实现方式为，将第一视频输入图像特征提取神经网络，得到图像特征提取神经网络输出的第一视频的特征图，将第一视频特征图按照预定的规则进行切分，并对切分得到的每个子特征图进行池化操作，得到第一视频的每个子特征图对应的图像特征，从预定的存储位置读取预先确定的第二视频的多个图像特征。其中，第二视频的图像特征的确定方式可以参照第一视频的图像特征的确定方式。
可见，无论是何种应用场景，图像特征的提取均是利用图像特征提取神经网络实现的。例如，将所述第一视频输入所述图像特征提取神经网络，得到所述图像特征提取神经网络输出的所述第一视频的特征图，所述第一视频的特征图的尺寸为N×C×H×W，N为所述第一视频的帧数，C为所述第一视频的单帧视频的通道数，H为所述第一视频中单帧图像的高度，W为所述第一视频中单帧图像的宽度；将所述第一视频的特征图沿水平方向切分得到M个子特征图；分别对所述第一视频的每个子特征图进行池化操作，得到所述第一视频的M个图像特征，所述第一视频的单个图像特征的尺寸为N×C×1。又例如，将所述第二视频输入所述图像特征提取神经网络，得到所述图像特征提取神经网络输出的所述第二视频的特征图，所述第二视频的特征图的尺寸为N×C×H×W，N为所述第二视频的帧数，C为所述第二视频的单帧视频的通道数，H为所述第二视频中单帧图像的高度，W为所述第二视频中单帧图像的宽度；将所述第二视频的特征图沿水平方向(H维度)切分得到M个子特征图；分别对所述第二视频的每个子特征图进行池化操作，得到所述第二视频的M个图像特征，所述第二视频的单个图像特征的尺寸为N×C×1。
在一个具体是的实施例中，图像特征提取神经网络包括6个卷积层和2个池化层。
本发明实施例不对子特征图的池化操作进行限定，例如，可采用最大池化和平均池化。
本发明实施例中，可以将特征图均分为M个子特征图，也可以按照预定的切分规则进行切分，本发明实施例对此不做限定。
应当指出的是，实际引用中，根据图像特征的条件不同，还可以有不同的特征图切分方式，本发明实施例对此不做限定。
上述步骤102的实现方式有多种，以确定相同图像特征的欧氏距离为例，可采用现有计算欧氏距离的方式计算视频间相同图像特征的欧氏距离。
上述步骤103的实现方式有多种。一种优选的实现方式为，分别获取所述第一视频的步态能量图与所述第二视频的步态能量图；将所述第一视频的步态能量图和所述第二视频的步态能量图输入所述权重计算模块，并获取所述权重计算模块输出的所述第一视频与所述第二视频之间相同图像特征的权重。其中，可采用现有实现方式获取步态能量图，本发明实施例对此不做限定。另一种实现方式中，将所述第一视频和所述第二视频输入所述权重计算模块，并获取所述权重计算模块输出的所述第一视频与所述第二视频之间相同图像特征的权重。又一种实现方式中，将诉讼第一视频的多个图像特征和所述第二视频的多个图像特征输入权重计算模块，并获取所述权重计算模块输出的所述第一视频与所述第二视频之间相同图像特征的权重。
例如，有M个图像特征，则权重计算模块输出M个权重，每个权重对应一个图像特征。
其中，权重计算模块的具体实现方式有多种，本发明实施例对此不作限定。作为举例而非限定，通过训练，预先图像变量比对结果与权重映射关系，应用过程中，首先比对两个视频(或步态能量图、图像特征)中目标图像的图像变量，例如比对图像变量的拍摄角度和/或上衣衣着类型，查找比对结果对应的一组权重。其中，比对两个视频(或步态能量图、图像特征)中目标图像的图像变量的实现方式可以是，首先识别每个视频中目标图像的图像变量(例如识别拍摄角度、识别上衣衣着类型等)，然后比对图像变量。其中，可采用现有的图像处理技术进行拍摄角度的识别以及上衣衣着类型的识别。
本发明实施例中，所述权重计算模块与所述图像特征提取神经网络的联合训练方式为：
利用样本视频之间的第一距离确定第一损失函数，利用所述第一损失函数和所述样本视频训练所述图像特征提取神经网络，所述样本视频之间的第一距离是利用样本视频之间相同图像特征的距离计算得到的；
利用样本视频之间的第二距离确定第二损失函数；利用所述第二损失函数和所述样本视频训练所述权重计算模块，或者，利用所述第二损失函数和所述样本视频训练所述权重计算模块和所述图像特征提取神经网络；所述样本视频之间的第二距离是利用样本视频之间相同图像特征的权重对本图像特征的距离加权后计算得到的。
通过上述联合训练方式，可以得到较为准确的权重结果。
应当指出的是，上述各个步骤间的实现方式可以任意组合，得到新的实施例。
在上述任意方法实施例的基础上，所述目标图像变量包括目标图像的拍摄角度，当所述第一视频与所述第二视频的目标图像的拍摄角度一致时，所述第一视频与所述第二视频之间肩膀图像区域对应的图像特征的权重大于其他图像特征的权重，当所述第一视频与所述第二视频的目标图像的拍摄角度不一致时，所述第一视频与所述第二视频之间头部和脚部图像区域对应的图像特征的权重大于其他图像特征的权重。
在上述任意方法实施例的基础上，所述目标图像变量包括目标图像的上衣着类型，当所述第一视频与所述第二视频的目标图像的上衣着类型不同时，所述第一视频与所述第二视频之间上衣图像区域对应的图像特征的权重小于其他图像特征的权重。
基于同样的发明构思，本发明实施例还提供一种计算机设备，包括处理器和存储器；所述存储器用于存储执行上述任意实施例所述方法的程序；所述处理器被配置为执行所述存储器中存储的程序。
本发明实施例还提供一种步态识别方法，如图2所示，所述方法包括：
步骤201、利用图像特征提取神经网络获取第一视频的多个图像特征，并获取多个第二视频各自的多个图像特征。
在本实施例中，第一视频为待识别的视频，多个第二视频为已知识别结果的视频(如样本视频)。
其中，第一视频的多个图像特征的获取方式参照上述方法实施例，此处不再赘述。其中，第二视频的多个图像特征是预先确定的，在此步骤中，读取预先确定的第二视频的图像特征。
步骤202、分别确定所述第一视频与每个第二视频之间相同图像特征的距离。
假设有X个第二视频(V1、V2、……VX)，M个图像特征，则分别确定第一视频与每个第二视频之间相同图像特征的距离，得到X组距离，每组距离对应一个第二视频，一组距离的数量为M个，分别为每个图像特征对应的距离。
步骤203、利用权重计算模块计算所述第一视频与每个第二视频之间相同图像特征的权重，所述权重计算模块是通过与所述图像特征提取神经网络联合训练得到的，所述权重计算模块用于根据所述第一视频与第二视频的目标图像变量计算图像特征的权重。
假设有X个第二视频(V1、V2、……VX)，M个图像特征，则每次以第一视频和一个第二视频为一组输入权重计算模块，得到X组输出结果，每组输出结果包括M个权重，每个权重对应一个图像特征。
其具体实现方式可以参照上述方法实施例的描述，此处不再赘述。
步骤204、针对每个第二视频，利用所述多个图像特征各自的权重对所述多个图像特征进行加权，根据加权结果确定所述第一视频与对应的第二视频之间的距离，所述第一视频与第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的步态相似度。
分别计算第一视频与每个第二视频之间的距离，在计算第一视频与每个第二视频之间的距离时，其实现方式可以参照上述方法实施例的描述，此处不再赘述。
步骤205、根据所述第一视频与各个第二视频之间的距离，选择至少一个第二视频对应的目标作为所述第一视频的步态识别结果。
优选的，将距离最近的第二视频对应的目标作为第一视频的步态识别结果。
其中，目标是指目标对象对应的人物。
本发明实施例提供的方法，利用与图像特征提取神经网络联合训练得到的权重计算模块计算各个图像特征的权重，对各个图像特征进行加权处理，得到对比视频之间的距离。由于根据目标图像变量计算图像特征的权重，因此，考虑到了不同目标图像变量下各个图像特征的重要程度，对于不同目标图像变量情况，仍然可以提取相同的图像特征，利用计算得到的权重对图像特征进行加权处理，从而提高重要图像特征的鲁棒性，应用到步态识别，则可以提高步态识别的精度及准确性。
其中，所述利用权重计算模块计算所述第一视频与每个第二视频之间相同图像特征的权重，包括：
分别获取所述第一视频的步态能量图与每个第二视频的步态能量图；
将所述第一视频的步态能量图和单个所述第二视频的步态能量图输入所述权重计算模块，并获取所述权重计算模块输出的所述第一视频与单个第二视频之间相同图像特征的权重。
基于同样的发明构思，本发明实施例提供一种计算机设备，包括处理器和存储器；
所述存储器用于存储执行上述任意步态识别方法实施例所述方法的程序；
所述处理器被配置为执行所述存储器中存储的程序。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
上述所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (10)
1.一种图像特征比对方法，其特征在于，所述方法包括：
利用图像特征提取神经网络分别获取第一视频和第二视频的多个图像特征；
分别确定所述第一视频与所述第二视频之间相同图像特征的距离；
利用权重计算模块计算所述第一视频与所述第二视频之间相同图像特征的权重，所述权重计算模块是通过与所述图像特征提取神经网络联合训练得到的，所述权重计算模块用于根据所述第一视频与所述第二视频的目标图像变量计算图像特征的权重；
利用所述多个图像特征各自的权重对所述多个图像特征进行加权，根据加权结果确定所述第一视频与所述第二视频之间的距离，所述第一视频与所述第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的相似度。
2.根据权利要求1所述的方法，其特征在于，所述利用权重计算模块计算所述第一视频与所述第二视频之间相同图像特征的权重，包括：
分别获取所述第一视频的步态能量图与所述第二视频的步态能量图；
将所述第一视频的步态能量图和所述第二视频的步态能量图输入所述权重计算模块，并获取所述权重计算模块输出的所述第一视频与所述第二视频之间相同图像特征的权重。
3.根据权利要求1所述的方法，其特征在于，所述权重计算模块与所述图像特征提取神经网络的联合训练方式为：
利用样本视频之间的第一距离确定第一损失函数，利用所述第一损失函数和所述样本视频训练所述图像特征提取神经网络，所述样本视频之间的第一距离是利用样本视频之间相同图像特征的距离计算得到的；
利用样本视频之间的第二距离确定第二损失函数；利用所述第二损失函数和所述样本视频训练所述权重计算模块，或者，利用所述第二损失函数和所述样本视频训练所述权重计算模块和所述图像特征提取神经网络；所述样本视频之间的第二距离是利用样本视频之间相同图像特征的权重对本图像特征的距离加权后计算得到的。
4.根据权利要求1所述的方法，其特征在于，所述利用图像特征提取神经网络分别获取第一视频和第二视频的多个图像特征，包括：
将所述第一视频输入所述图像特征提取神经网络，得到所述图像特征提取神经网络输出的所述第一视频的特征图，所述第一视频的特征图的尺寸为N×C×H×W，N为所述第一视频的帧数，C为所述第一视频的单帧视频的通道数，H为所述第一视频中单帧图像的高度，W为所述第一视频中单帧图像的宽度；将所述第一视频的特征图沿水平方向切分得到M个子特征图；分别对所述第一视频的每个子特征图进行池化操作，得到所述第一视频的M个图像特征，所述第一视频的单个图像特征的尺寸为N×C×1；
将所述第二视频输入所述图像特征提取神经网络，得到所述图像特征提取神经网络输出的所述第二视频的特征图，所述第二视频的特征图的尺寸为N×C×H×W，N为所述第二视频的帧数，C为所述第二视频的单帧视频的通道数，H为所述第二视频中单帧图像的高度，W为所述第二视频中单帧图像的宽度；将所述第二视频的特征图沿水平方向切分得到M个子特征图；分别对所述第二视频的每个子特征图进行池化操作，得到所述第二视频的M个图像特征，所述第二视频的单个图像特征的尺寸为N×C×1。
5.根据权利要求1至4任一项所述的方法，其特征在于：
所述目标图像变量包括目标图像的拍摄角度，当所述第一视频与所述第二视频的目标图像的拍摄角度一致时，所述第一视频与所述第二视频之间肩膀图像区域对应的图像特征的权重大于其他图像特征的权重，当所述第一视频与所述第二视频的目标图像的拍摄角度不一致时，所述第一视频与所述第二视频之间头部和脚部图像区域对应的图像特征的权重大于其他图像特征的权重；
和/或，
所述目标图像变量包括目标图像的上衣着类型，当所述第一视频与所述第二视频的目标图像的上衣着类型不同时，所述第一视频与所述第二视频之间上衣图像区域对应的图像特征的权重小于其他图像特征的权重。
6.根据权利要求1至4任一项所述的方法，其特征在于：
所述第一视频与所述第二视频之间的距离为加权结果之和；
和/或，
所述第一视频与所述第二视频之间相同图像特征的距离为欧氏距离；
和/或，
所述第一视频与所述第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的步态相似度。
7.一种计算机设备，其特征在于，包括处理器和存储器；
所述存储器用于存储执行权利要求1至6任一项所述方法的程序；
所述处理器被配置为执行所述存储器中存储的程序。
8.一种步态识别方法，其特征在于，所述方法包括：
利用图像特征提取神经网络获取第一视频的多个图像特征，并获取多个第二视频各自的多个图像特征；
分别确定所述第一视频与每个第二视频之间相同图像特征的距离；
利用权重计算模块计算所述第一视频与每个第二视频之间相同图像特征的权重，所述权重计算模块是通过与所述图像特征提取神经网络联合训练得到的，所述权重计算模块用于根据所述第一视频与第二视频的目标图像变量计算图像特征的权重；
针对每个第二视频，利用所述多个图像特征各自的权重对所述多个图像特征进行加权，根据加权结果确定所述第一视频与对应的第二视频之间的距离，所述第一视频与第二视频之间的距离反映了所述第一视频的目标图像与所述第二视频的目标图像之间的步态相似度；
根据所述第一视频与各个第二视频之间的距离，选择至少一个第二视频对应的目标作为所述第一视频的步态识别结果。
9.根据权利要求8所述的方法，其特征在于，所述利用权重计算模块计算所述第一视频与每个第二视频之间相同图像特征的权重，包括：
分别获取所述第一视频的步态能量图与每个第二视频的步态能量图；
将所述第一视频的步态能量图和单个所述第二视频的步态能量图输入所述权重计算模块，并获取所述权重计算模块输出的所述第一视频与单个第二视频之间相同图像特征的权重。
10.一种计算机设备，其特征在于，包括处理器和存储器；
所述存储器用于存储执行权利要求8至9任一项所述方法的程序；
所述处理器被配置为执行所述存储器中存储的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107969.4A CN111340090B (zh) | 2020-02-21 | 2020-02-21 | 图像特征比对方法及装置、设备、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107969.4A CN111340090B (zh) | 2020-02-21 | 2020-02-21 | 图像特征比对方法及装置、设备、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340090A true CN111340090A (zh) | 2020-06-26 |
| CN111340090B CN111340090B (zh) | 2023-08-01 |
Family
ID=71185381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010107969.4A Active CN111340090B (zh) | 2020-02-21 | 2020-02-21 | 图像特征比对方法及装置、设备、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340090B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122354A (zh) * | 2011-03-15 | 2011-07-13 | 上海交通大学 | 基于自适应特征块选择的步态识别方法 |
| US20160125572A1 (en) * | 2014-11-05 | 2016-05-05 | Korea Advanced Institute Of Science And Technology | Device and method to generate image using image learning model |
| WO2016065534A1 (zh) * | 2014-10-28 | 2016-05-06 | 中国科学院自动化研究所 | 一种基于深度学习的歩态识别方法 |
| WO2017101434A1 (zh) * | 2015-12-16 | 2017-06-22 | 深圳大学 | 一种多摄像机间人体目标再识别的方法及系统 |
| CN108230291A (zh) * | 2017-03-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体识别系统训练方法、物体识别方法、装置和电子设备 |
| WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
| CN108875767A (zh) * | 2017-12-07 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别的方法、装置、系统及计算机存储介质 |
| CN110008815A (zh) * | 2019-01-25 | 2019-07-12 | 平安科技（深圳）有限公司 | 人脸识别融合模型的生成方法和装置 |
| CN110032976A (zh) * | 2019-04-16 | 2019-07-19 | 中国人民解放军国防科技大学 | 一种基于掩膜处理新型步态能量图的获取及身份识别方法 |
| WO2019196626A1 (zh) * | 2018-04-12 | 2019-10-17 | 腾讯科技（深圳）有限公司 | 媒体处理方法及相关装置 |
| CN110569725A (zh) * | 2019-08-05 | 2019-12-13 | 华中科技大学 | 一种基于自注意力机制的深度学习的步态识别系统与方法 |
| CN110807401A (zh) * | 2019-10-29 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 用户身份识别、多用户打卡方法、装置、存储介质及设备 |
-
2020
- 2020-02-21 CN CN202010107969.4A patent/CN111340090B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122354A (zh) * | 2011-03-15 | 2011-07-13 | 上海交通大学 | 基于自适应特征块选择的步态识别方法 |
| WO2016065534A1 (zh) * | 2014-10-28 | 2016-05-06 | 中国科学院自动化研究所 | 一种基于深度学习的歩态识别方法 |
| US20160125572A1 (en) * | 2014-11-05 | 2016-05-05 | Korea Advanced Institute Of Science And Technology | Device and method to generate image using image learning model |
| WO2017101434A1 (zh) * | 2015-12-16 | 2017-06-22 | 深圳大学 | 一种多摄像机间人体目标再识别的方法及系统 |
| WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
| CN108230291A (zh) * | 2017-03-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体识别系统训练方法、物体识别方法、装置和电子设备 |
| CN108875767A (zh) * | 2017-12-07 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别的方法、装置、系统及计算机存储介质 |
| WO2019196626A1 (zh) * | 2018-04-12 | 2019-10-17 | 腾讯科技（深圳）有限公司 | 媒体处理方法及相关装置 |
| CN110008815A (zh) * | 2019-01-25 | 2019-07-12 | 平安科技（深圳）有限公司 | 人脸识别融合模型的生成方法和装置 |
| CN110032976A (zh) * | 2019-04-16 | 2019-07-19 | 中国人民解放军国防科技大学 | 一种基于掩膜处理新型步态能量图的获取及身份识别方法 |
| CN110569725A (zh) * | 2019-08-05 | 2019-12-13 | 华中科技大学 | 一种基于自注意力机制的深度学习的步态识别系统与方法 |
| CN110807401A (zh) * | 2019-10-29 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 用户身份识别、多用户打卡方法、装置、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340090B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
| US12217176B2 (en) | Automatic identification and classification of adversarial attacks | |
| KR101303124B1 (ko) | 특징점 기술자에 의한 객체 추적장치 및 방법, 그리고 에러 특징점 제거장치 및 방법 | |
| US20200356818A1 (en) | Logo detection | |
| CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
| CN112084849B (zh) | 图像识别方法和装置 | |
| CN110598715B (zh) | 图像识别方法、装置、计算机设备及可读存储介质 | |
| JP2011519090A (ja) | 画像識別のためのスケールにロバストな特徴に基づく識別子 | |
| CN110765865A (zh) | 基于改进的yolo算法的水下目标检测方法 | |
| CN107958255A (zh) | 一种基于图像的目标检测方法及装置 | |
| US11023781B2 (en) | Method, apparatus and device for evaluating image tracking effectiveness and readable storage medium | |
| CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
| WO2023124278A1 (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
| CN112883959B (zh) | 身份证照完整性检测方法、装置、设备及存储介质 | |
| JP2009129237A (ja) | 画像処理装置及びその方法 | |
| US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
| KR101705584B1 (ko) | 얼굴 정렬을 위한 특징점별 특징을 추출하기 위한 서술자 생성 시스템 및 이를 이용한 특징점별 서술자 생성 방법 | |
| CN114764870A (zh) | 对象定位模型处理、对象定位方法、装置及计算机设备 | |
| CN113762049B (zh) | 内容识别方法、装置、存储介质和终端设备 | |
| CN114519729B (zh) | 图像配准质量评估模型训练方法、装置和计算机设备 | |
| CN113762249A (zh) | 图像攻击检测、图像攻击检测模型训练方法和装置 | |
| KR101715782B1 (ko) | 물체 인식 시스템 및 그 물체 인식 방법 | |
| CN111815677A (zh) | 目标追踪方法、装置、终端设备和可读存储介质 | |
| CN111340090A (zh) | 图像特征比对方法及装置、设备、计算机可读存储介质 | |
| CN111401252B (zh) | 一种基于视觉的图书盘点系统的书脊匹配方法和设备 |
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 | ||
| CB02 | Change of applicant information |
Address after: 310012 Room 418, West District, Building A, 525 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant after: Daily interactive Co.,Ltd. Applicant after: ZHEJIANG University Address before: 310012 Room 418, West District, Building A, 525 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG MEIRI INTERDYNAMIC NETWORK TECHNOLOGY Co.,Ltd. Applicant before: ZHEJIANG University |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |