CN114387622A - 动物重识别方法及装置、电子设备和存储介质 - Google Patents
动物重识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114387622A CN114387622A CN202210037435.8A CN202210037435A CN114387622A CN 114387622 A CN114387622 A CN 114387622A CN 202210037435 A CN202210037435 A CN 202210037435A CN 114387622 A CN114387622 A CN 114387622A
- Authority
- CN
- China
- Prior art keywords
- animal
- virtual
- image
- real
- information
- 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.)
- Withdrawn
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 429
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims description 96
- 230000008569 process Effects 0.000 claims description 45
- 238000013145 classification model Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 22
- 230000036544 posture Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000037308 hair color Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003724 hair brightness Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 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
- G06F18/21—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种动物重识别方法及装置、电子设备和存储介质，通过确定包括至少两张包括真实动物的真实动物图像的动物图像序列。将每个真实动物图像输入动物检测模型，得到其中至少一个真实动物的位置信息。并将每个真实动物图像中至少一个位置信息对应的真实动物区域输入特征提取模型，得到其中真实动物的特征信息。根据每个真实动物图像对应的位置信息和特征信息进行匹配得到重识别结果。其中，动物检测模型和特征提取模型通过虚拟训练集训练得到，虚拟训练集包括至少一个包括虚拟动物的虚拟图像以及每个虚拟图像中虚拟动物的标注位置和标识信息。本公开通过虚拟训练集训练得到检测模型和特征提取模型，实现了对真实动物的检测与跟踪。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种动物重识别方法及装置、电子设备和存储介质。
背景技术
通过深度学习网络进行对象重识别时，重识别过程应用的模型需要基于大量的样本进行训练。由于动物的数据和类别标签难以获取，相关技术难以训练得到对动物进行重识别的模型。
发明内容
本公开提出了一种动物重识别方法及装置、电子设备和存储介质，旨在提供一种对动物进行重识别的方法。
根据本公开的第一方面，提供了一种动物重识别方法，包括：
确定包括至少两张真实动物图像的动物图像序列，每个所述真实动物图像中包括至少一个真实动物；
将每个所述真实动物图像输入动物检测模型，得到每个所述真实动物图像中至少一个真实动物的位置信息；
将每个所述真实动物图像中至少一个所述位置信息对应的真实动物区域输入特征提取模型，得到所述真实动物区域中真实动物的特征信息；
根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果，所述重识别结果中包括至少一个真实动物对应的类别标签，以及每个所述类别标签对应的位置信息；
其中，所述动物检测模型和所述特征提取模型通过虚拟训练集训练得到，所述虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个所述虚拟图像中至少一个所述虚拟动物的标注位置和标识信息。
在一种可能的实现方式中，所述根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果包括：
根据每个所述真实动物图像在所述动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物；
为每个真实动物分配对应的类别标签，并根据相邻真实动物图像中相同的真实动物，确定每个所述类别标签对应的真实动物在每个所述真实动物图像中的位置信息；
根据表征每个真实动物的类别标签，以及每个所述类别标签对应的至少一个位置信息确定重识别结果。
在一种可能的实现方式中，所述根据每个所述真实动物图像在所述动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物包括：
根据每个所述真实动物图像在所述动物图像序列中的顺序依次确定参考动物图像，以及所述参考动物图像下一帧的目标动物图像；
确定所述参考动物图像的至少一个真实动物对应的参考位置信息和参考特征信息；
确定所述目标动物图像的至少一个真实动物对应的目标位置信息和目标特征信息；
对于所述参考动物图像中的每个所述真实动物，根据对应的所述参考位置信息和对应的参考特征信息分别与每个所述目标位置信息和对应目标特征信息进行匹配，得到所述目标图像中相同的真实动物。
在一种可能的实现方式中，所述虚拟训练集的确定过程包括：
确定包括虚拟动物的虚拟场景；
通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像；
确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息。
在一种可能的实现方式中，所述确定包括虚拟动物的虚拟场景包括：
确定虚拟动物模型和对应的属性信息，所述虚拟动物模型为网格体，所述属性信息包括外观信息、动物骨架和标识信息；
生成虚拟场景；
根据所述属性信息将所述虚拟动物模型导入所述虚拟场景，得到包括所述虚拟动物的虚拟场景，所述虚拟动物根据所述属性信息调整所述虚拟动物模型确定。
在一种可能的实现方式中，所述通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像：
确定所述虚拟动物对应的第一运动信息，所述第一运动信息用于表征所述虚拟动物在所述虚拟场景中的运动过程；
确定所述虚拟相机对应的第二运动信息，所述第二运动信息用于表征所述虚拟相机在所述虚拟场景中的运动过程；
响应于开始图像采集过程，根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动；
在所述虚拟动物和所述虚拟相机运动过程中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像。
在一种可能的实现方式中，所述第一运动信息中包括多个用于限定所述虚拟动物位置以及动物骨架的姿态的连续第一动作帧，所述第二运动信息中包括多个用于限定所述虚拟相机位置和姿态的连续第二动作帧；
所述根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动包括：
根据多个连续的所述第一动作帧逐帧改变所述虚拟动物在所述虚拟场景中的位置以及姿态；
根据多个连续的所述第二动作帧逐帧改变所述虚拟相机在所述虚拟场景中的位置以及姿态。
在一种可能的实现方式中，所述虚拟相机还用于获取表征所述虚拟动物在所述虚拟场景中位置的掩码图像；
所述确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息包括：
根据与每个所述虚拟图像同时获取的掩码图像确定对应的标注位置；
获取每个所述虚拟图像中虚拟动物属性信息中的标识信息。
在一种可能的实现方式中，所述特征提取模型的训练过程包括：
将所述虚拟训练集中的所述虚拟图像中虚拟动物所在区域作为样本，将每个所述虚拟动物所在区域中虚拟动物的标识信息作为真值训练分类模型，所述分类模型中包括特征提取层和分类层；
获取训练得到的所述分类模型中的特征提取层作为特征提取模型。
根据本公开的第二方面，提供了一种动物重识别装置，包括：
序列确定模块，用于确定包括至少两张真实动物图像的动物图像序列，每个所述真实动物图像中包括至少一个真实动物；
位置确定模块，用于将每个所述真实动物图像输入动物检测模型，得到每个所述真实动物图像中至少一个真实动物的位置信息；
特征提取模块，用于将每个所述真实动物图像中至少一个所述位置信息对应的真实动物区域输入特征提取模型，得到所述真实动物区域中真实动物的特征信息；
信息匹配模块，用于根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果，所述重识别结果中包括至少一个真实动物对应的类别标签，以及每个所述类别标签对应的位置信息；
其中，所述动物检测模型和所述特征提取模型通过虚拟训练集训练得到，所述虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个所述虚拟图像中至少一个所述虚拟动物的标注位置和标识信息。
在一种可能的实现方式中，所述信息匹配模块包括：
信息匹配子模块，用于根据每个所述真实动物图像在所述动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物；
标签分配子模块，用于为每个真实动物分配对应的类别标签，并根据相邻真实动物图像中相同的真实动物，确定每个所述类别标签对应的真实动物在每个所述真实动物图像中的位置信息；
结果确定模块，用于根据表征每个真实动物的类别标签，以及每个所述类别标签对应的至少一个位置信息确定重识别结果。
在一种可能的实现方式中，所述信息匹配子模块包括：
图像确定单元，用于根据每个所述真实动物图像在所述动物图像序列中的顺序依次确定参考动物图像，以及所述参考动物图像下一帧的目标动物图像；
第一信息确定单元，用于确定所述参考动物图像的至少一个真实动物对应的参考位置信息和参考特征信息；
第二信息确定单元，用于确定所述目标动物图像的至少一个真实动物对应的目标位置信息和目标特征信息；
信息匹配单元，用于对于所述参考动物图像中的每个所述真实动物，根据对应的所述参考位置信息和对应的参考特征信息分别与每个所述目标位置信息和对应目标特征信息进行匹配，得到所述目标图像中相同的真实动物。
在一种可能的实现方式中，所述虚拟训练集的确定过程包括：
确定包括虚拟动物的虚拟场景；
通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像；
确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息。
在一种可能的实现方式中，所述确定包括虚拟动物的虚拟场景包括：
确定虚拟动物模型和对应的属性信息，所述虚拟动物模型为网格体，所述属性信息包括外观信息、动物骨架和标识信息；
生成虚拟场景；
根据所述属性信息将所述虚拟动物模型导入所述虚拟场景，得到包括所述虚拟动物的虚拟场景，所述虚拟动物根据所述属性信息调整所述虚拟动物模型确定。
在一种可能的实现方式中，所述通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像：
确定所述虚拟动物对应的第一运动信息，所述第一运动信息用于表征所述虚拟动物在所述虚拟场景中的运动过程；
确定所述虚拟相机对应的第二运动信息，所述第二运动信息用于表征所述虚拟相机在所述虚拟场景中的运动过程；
响应于开始图像采集过程，根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动；
在所述虚拟动物和所述虚拟相机运动过程中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像。
在一种可能的实现方式中，所述第一运动信息中包括多个用于限定所述虚拟动物位置以及动物骨架的姿态的连续第一动作帧，所述第二运动信息中包括多个用于限定所述虚拟相机位置和姿态的连续第二动作帧；
所述根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动包括：
根据多个连续的所述第一动作帧逐帧改变所述虚拟动物在所述虚拟场景中的位置以及姿态；
根据多个连续的所述第二动作帧逐帧改变所述虚拟相机在所述虚拟场景中的位置以及姿态。
在一种可能的实现方式中，所述虚拟相机还用于获取表征所述虚拟动物在所述虚拟场景中位置的掩码图像；
所述确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息包括：
根据与每个所述虚拟图像同时获取的掩码图像确定对应的标注位置；
获取每个所述虚拟图像中虚拟动物属性信息中的标识信息。
在一种可能的实现方式中，所述特征提取模型的训练过程包括：
将所述虚拟训练集中的所述虚拟图像中虚拟动物所在区域作为样本，将每个所述虚拟动物所在区域中虚拟动物的标识信息作为真值训练分类模型，所述分类模型中包括特征提取层和分类层；
获取训练得到的所述分类模型中的特征提取层作为特征提取模型。
根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过虚拟训练集训练得到用于进行重识别检测的检测模型和特征提取模型，实现了对真实动物的检测与跟踪。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种动物重识别方法的流程图；
图2示出根据本公开实施例的一种虚拟图像的示意图；
图3示出根据本公开实施例的一种掩码图像的示意图；
图4示出根据本公开实施例的一种动物重识别方法的示意图；
图5示出根据本公开实施例的一种动物重识别装置的示意图；
图6示出根据本公开实施例的一种电子设备的示意图；
图7示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例的动物重识别方法可以由终端设备或服务器等电子设备执行。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等任意固定或移动终端。服务器可以为单独的服务器或多个服务器组成的服务器集群。任意电子设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现本公开实施例的动物重识别方法。
在一种可能的实现方式中，本公开实施例可以应用于对任意动物的检测与跟踪，例如利用家用机器人或视频监控设备对动物的检测与跟踪。
图1示出根据本公开实施例的一种动物重识别方法的流程图。如图1所示，本公开实施例的动物重识别方法可以包括以下步骤S10-S40。
步骤S10、确定包括至少两张真实动物图像的动物图像序列。
在一种可能的实现方式中，通过电子设备确定动物图像序列，该确定方式可以为接收其他设备采集后发送的动物图像序列，或者通过内置的或连接的图像采集装置直接采集得到动物图像序列。可选地，动物图像序列中包括至少两张真实动物图像，每个真实动物图像中包括至少一个真实动物。其中，动物图像序列可以通过一个图像采集装置连续采集至少一个真实动物，得到的至少两张具有顺序的真实动物图像组成。或者，还可以由多个相机分别采集真实动物得到真实动物图像，再根据多个真实动物图像的采集时间排序得到动物图像序列。
可选地，真实动物图像中的真实动物可以根据应用场景确定，例如在需要对鸟类进行检测跟踪的应用场景下，真实动物图像中包括的真实动物可以为鸟类，可通过动物园、保护区内等室外的图像采集装置采集得到。在需要对宠物进行检测的应用场景下，真实动物图像中包括的真实动物可以为猫、狗等，可通过室内图像采集装置采集得到。
步骤S20、将每个所述真实动物图像输入动物检测模型，得到每个所述真实动物图像中至少一个真实动物的位置信息。
在一种可能的实现方式中，对动物图像序列中的每个真实动物图像进行检测，得到每个真实动物图像中的真实动物的位置信息，位置信息表征对应的真实动物在真实动物图像中的位置。也就是说，可以对动物图像序列进行检测得到每个真实动物图像中真实动物所在位置。可选地，本公开实施例可以通过将每个真实动物图像输入动物检测模型的方式，得到每个真实动物图像中至少一个真实动物的位置信息。动物检测模型可以为任意能够进行对象检测的检测模型，例如区域卷积神经网络(Region Convolutional NeuralNetworks，R-CNN)、快速区域卷积神经网络(Fast Region Convolutional NeuralNetworks，Fast R-CNN)和Faster R-CNN等。
进一步地，每个位置信息还具有对应的置信度，置信度用于表征位置信息中包括真实动物的可能性。当置信度大于预设阈值时确定该位置信息中包括对应的真实动物，在置信度不大于预设阈值时确定该位置信息中不包括对应的真实动物。
可选地，动物检测模型可以通过虚拟训练集训练得到。其中，虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个虚拟图像中至少一个虚拟动物的标注位置和标识信息。在动物检测模型的训练过程中，每个虚拟图像作为样本，每个虚拟图像中虚拟动物的标注位置作为真值。也就是说，将虚拟训练集中的虚拟图像输入动物检测模型，再根据动物检测模型输出的检测位置和虚拟图像对应的标注位置确定动物检测模型的损失，根据该损失调整所述动物检测模型直到满足收敛条件。
在一种可能的实现方式中，本公开实施例的虚拟训练集可以通过基于虚拟软件采集的多张虚拟图像、每个虚拟图像的标注位置和标识信息确定。可选地，确定虚拟训练集的过程可以为先确定包括虚拟动物的虚拟场景，再通过虚拟相机在虚拟场景中进行图像采集，得到至少一个包括虚拟动物的虚拟图像，确定每个虚拟图像中虚拟动物的标注位置和标识信息。其中，虚拟动物可以为通过虚拟数据生成软件生成的虚拟仿真动物。虚拟场景可以为任意通过虚拟数据生成软件生成的场景，例如室内、街道以及野外等场景。可选地，虚拟动物可以为二维或三维的动物，虚拟场景可以为二维或三维场景。在虚拟动物和虚拟场景为三维动物和三维场景时，虚拟数据生成软件可以为虚幻引擎，即三维虚拟场景和三维虚拟动物可以通过虚幻引擎生成。或者，还可以通过其他软件生成三维虚拟场景和三维虚拟动物，再导入虚幻引擎。
可选地，通过虚拟数据生成软件生成虚拟动物和虚拟场景的过程可以先确定虚拟动物模型和对应的属性信息，虚拟动物模型为网格体，属性信息包括外观信息、动物骨架和标识信息。生成虚拟场景，并根据属性信息将虚拟动物模型导入虚拟场景，得到包括虚拟动物的虚拟场景，虚拟动物根据属性信息调整虚拟动物模型确定。其中，属性信息中的动物骨架、外观信息和网格体可以通过相同的软件制作生成，或不同软件制作生成。虚拟动物模型对应的动物骨架用于作为虚拟动物运动的基础，由多个点(如关节点)和连接点的边组成。虚拟动物模型对应的外观信息用于表征虚拟动物的外观，例如可以包括毛发颜色、亮度以及花纹等。标识信息用于表征虚拟动物，可以为虚拟动物的种类、名字以及相关人员标识等，例如“猫”、“狗”、“小强”以及“张三的宠物”等。虚拟动物模型的网格体用于表征虚拟动物的轮廓，并包括多个关键点。在根据属性信息将虚拟动物模型导入预设的虚拟场景的同时，可以将动物骨架中的点与网格体中的多个关键点绑定。
进一步地，预设的虚拟场景可以为室内场景或室外场景，其中可包括多个场景设施，以及对应的光照系统。例如，在室内场景下包括室内光源和室外光源透过窗户漫反射进入室内的光源，在室外场景下仅包括室外光源。基于上述方式生成的虚拟动物和虚拟动物所在的场景可以任意变化，即可以通过生成包括不同毛色、不同类型、不同姿态的虚拟动物的多种场景进行训练图像采集，得到动物类型和场景类型均丰富的虚拟训练集。同时，由于虚拟动物和虚拟场景通过虚拟数据生成软件生成，价格低廉，采集速度快。
在一种可能的实现方式中，在图像采集的过程中，虚拟相机和虚拟动物中至少一个处于运动状态。也就是说，图像采集过程可以包括确定虚拟动物对应的第一运动信息，第一运动信息用于表征虚拟动物在虚拟场景中的运动过程。确定虚拟相机对应的第二运动信息，第二运动信息用于表征虚拟相机在虚拟场景中的运动过程。响应于开始图像采集过程，根据第一运动信息和第二运动信息控制虚拟动物和虚拟相机运动。在虚拟动物和虚拟相机运动过程中，控制虚拟相机进行图像采集，得到至少一个包括虚拟动物的虚拟图像。可选地，图像采集过程可以在接收到用户以人机交互的方式发送的开始采集指令时开始，图像采集过程可以在开始图像采集后的预设时长后结束，或者在虚拟动物和虚拟相机均停止运动后结束，或者还可以在接收到用户以人机交互的方式发送的结束采集指令时结束。
进一步地，第一运动信息中包括多个用于限定虚拟动物位置以及动物骨架的姿态的连续第一动作帧，第二运动信息中包括多个用于限定虚拟相机位置和姿态的连续第二动作帧。根据第一运动信息和第二运动信息控制虚拟动物和虚拟相机运动包括根据多个连续的第一动作帧逐帧改变虚拟动物在虚拟场景中的位置以及姿态，并根据多个连续的第二动作帧逐帧改变虚拟相机在虚拟场景中的位置以及姿态。
在一种可能的实现方式中，本公开实施例控制虚拟动物和虚拟相机移动的过程还可以根据预设的第一移动轨迹和第二移动轨迹确定，即虚拟动物可以在开始图像采集时根据第一移动轨迹改变在虚拟空间中的位置，虚拟相机可以根据第二移动轨迹改变在虚拟空间中的位置。进一步地，在虚拟动物和虚拟相机根据第一运动信息和第二运动信息逐帧改变位置和姿态时，第一运动信息中每一个第一动作帧和第二运动信息中每个第二动作帧均具备对应的时长信息，用于表征虚拟动物或虚拟相机从前一个动作帧运动到当前动作帧需要花费的时间。
图2示出根据本公开实施例的一种虚拟图像的示意图。如图像所示，在通过虚拟相机进行图像采集后，得到至少一个虚拟图像20。其中，虚拟图像20中包括虚拟场景背景21和虚拟动物22。由于虚拟相机在虚拟场景内进行图像采集，采集到虚拟图像20中的虚拟场景背景21可以为虚拟动物22所在虚拟场景中的部分区域，或全部区域。
在一种可能的实现方式中，在采集得到至少一个虚拟图像后，确定每个虚拟图像中虚拟动物的标注位置和标识信息。其中，标识信息可以通过采集的虚拟图像中虚拟对象的属性信息直接获取。同时，在本公开实施例的虚拟场景和虚拟对象通过虚幻引擎等虚拟数据生成软件生成的情况下，基于虚拟数据生成软件的特征，虚拟相机还用于获取表征虚拟对象在虚拟场景中位置的掩码图像。可选地，该掩码图像可以通过虚拟相机预先设定虚拟动物的像素值为0以外的像素值，除了虚拟动物以外的像素值为0。即在获取训练图像的同时，还获取一个除了虚拟动物以外其他区域像素值均为0的掩码图像。因此，可以在获取训练图像的同时获取标注位置，即确定每个虚拟图像中虚拟动物的标注位置和标识信息包括：根据与每个虚拟图像同时获取的掩码图像确定对应的标注位置，获取每个虚拟图像中虚拟动物属性信息中的标识信息。
进一步地，标注位置还可以根据虚拟相机采集虚拟图像时的位置、姿态，以及采集虚拟图像时虚拟动物的位置和姿态确定虚拟动物在虚拟图像中的标注位置。具体而言，可以根据采集虚拟室内图像时虚拟相机的姿态确定虚拟相机的外参数，即虚拟相机在虚拟空间的旋转量和偏移量。通过虚拟相机的外参数将虚拟动物在虚拟空间坐标系中的位置坐标，转换为在虚拟相机的相机坐标系中的位置坐标。再通过虚拟动物在虚拟相机的相机坐标系中的位置坐标以及虚拟相机的内参，将虚拟动物在虚拟相机的相机坐标系中的位置坐标转换为二维像素坐标，得到虚拟动物在虚拟图像中的标注位置。其中，虚拟相机的内参可以预先确定，包括相机的焦距、成像原点和畸变系数。
图3示出根据本公开实施例的一种掩码图像的示意图。如图3所示，在虚拟相机还用于获取表征虚拟动物在虚拟场景中位置的掩码图像30的情况下，掩码图像30中包括黑色的背景区域31，和非黑色的虚拟动物所在的动物区域32。可选地，可以直接确定该掩码图像30为标注位置。或者，还可以将该掩码图像30中动物区域32的像素坐标，即掩码图像中像素值不为0的像素位置确定为标注位置。
步骤S30、将每个所述真实动物图像中至少一个所述位置信息对应的真实动物区域输入特征提取模型，得到所述真实动物区域中真实动物的特征信息。
在一种可能的实现方式中，在确定每个真实对象图像的至少一个位置信息后，提取每个位置信息表征的区域作为一个真实动物区域，并把真实动物区域输入训练得到的特征提取模型，得到真实动物区域中真实动物的特征信息。可选地，特征信息可以表示为一个特征向量或一张特征图。
可选地，特征提取模型通过虚拟训练集训练得到，虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个虚拟图像中至少一个虚拟动物的标注位置和标识信息。其中，在特征提取模型的训练过程中，每个虚拟图像中虚拟动物所在区域作为样本，每个虚拟动物所在区域中虚拟动物的标识信息作为真值。该虚拟训练集的确定过程与步骤S20中相同，在此不再赘述。
进一步地，特征提取模型的训练过程可以为将虚拟训练集中的虚拟图像中虚拟动物所在区域作为样本，将每个虚拟动物所在区域中虚拟动物的标识信息作为真值训练分类模型。也就是说，将虚拟训练集中的虚拟图像中虚拟动物所在区域输入分类模型，再根据分类模型输出的分类结果和每个虚拟动物所在区域中虚拟动物的标识信息确定分类模型的损失，根据该损失调整分类模型直到满足收敛条件。其中，分类模型中包括特征提取层和分类层。在分类模型训练完成后，获取训练得到的分类模型中的特征提取层作为特征提取模型。可选地，上述分类模型可以为任意图像分类模型，例如GoogLeNet模型、VGG模型、ResNet模型以及AlexNet模型等。
步骤S40、根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果。
在一种可能的实现方式中，在确定动物图像序列中每个真实动物图像的位置信息和特征信息后，根据每个真实动物图像的位置信息和特征信息进行信息匹配，可得到重识别结果。其中，重识别结果中包括至少一个真实动物对应的类别标签，以及每个类别标签对应的位置信息。即重识别结果为动物图像序列中包括的每一个真实动物在不同真实动物图像中的位置，基于不同真实动物图像的顺序，重识别结果实现了对每个真实动物的检测与跟踪。
可选地，对多个真实动物图像的位置信息和特征信息进行匹配得到重识别结果的过程可以包括：根据每个真实动物图像在动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物。为每个真实动物分配对应的类别标签，并根据相邻真实动物图像中相同的真实动物，确定每个类别标签对应的真实动物在每个真实动物图像中的位置信息。根据表征每个真实动物的类别标签，以及每个类别标签对应的至少一个位置信息确定重识别结果。
进一步地，根据每个真实动物图像在动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物包括：根据每个真实动物图像在动物图像序列中的顺序依次确定参考动物图像，以及参考动物图像下一帧的目标动物图像。确定参考动物图像的至少一个真实动物对应的参考位置信息和参考特征信息，确定目标动物图像的至少一个真实动物对应的目标位置信息和目标特征信息。对于参考动物图像中的每个真实动物，根据对应的参考位置信息和对应的参考特征信息分别与每个目标位置信息和对应目标特征信息进行匹配，得到目标图像中相同的真实动物。也就是说，参考动物图像为目标动物图像在动物图像序列中相邻的前一帧图像，用于与目标动物图像进行相同真实动物的匹配。
在一种可能的实现方式中，根据参考位置信息和每个目标位置信息进行匹配的过程可以包括：根据动物图像序列中在参考动物图像之前的至少一个真实动物图像中，与参考位置信息中相同的真实动物对应的位置信息，以及参考位置信息共同预测真实对象在目标动物图像中可能的位置，得到预测位置信息。再进一步计算预测位置信息和每个目标位置信息表征区域的交并比，当交并比大于第一阈值时确定参考位置信息和该目标位置信息匹配，即参考位置信息和该目标位置信息中的真实对象可能为同一真实对象。可选地，该预测位置信息可以通过卡尔曼滤波方式确定。
进一步地，根据参考特征信息和每个目标特征信息进行匹配的过程可以为直接计算参考特征信息和每个目标特征信息的相似度，例如计算二者的距离，当距离小于第二阈值时确定参考特征信息与该目标特征信息匹配，即参考特征信息对应的真实对象与该目标特征信息对应的真实动物可能为同一真实动物。
可选地，对于参考动物图像中一个参考真实动物的参考位置信息和参考特征信息，当目标动物图像中存在一个目标真实对象的目标位置信息与该参考位置信息匹配，且该真实对象的目标特征信息与该参考特征信息匹配时，确定该参考真实动物与该目标真实动物为同一真实动物。
在确定相邻两个真实动物图像中相同的真实动物后，为每个真实动物分配对应的类别标签，并根据相邻真实动物图像中相同的真实动物，确定每个类别标签对应的真实动物在每个真实动物图像中的位置信息。类别标签与每个真实动物唯一对应，例如在确定每个相邻真实动物图像中相同真实动物后得到N组相同的真实动物，确定类别标签依次为“真实动物1”、“真实动物2”直到“真实动物N”。并且根据每个类别标签以及每个类别标签表征的真实动物在每个真实动物图像中的位置信息确定重识别结果，实现对动物图像序列中每个真实动物的检测与跟踪。
进一步地，还可以根据动物图像序列中前N张真实动物图像中每一个真实动物的位置信息，确定第N+1张真实动物图像中该真实图像的预测位置信息，再根据第N+1张真实动物图像中该真实动物的位置信息与预存位置信息进行匹配。进一步地，再对第N张真实动物图像和第N+1张真实图像中每两个匹配的真实动物对应的特征信息进行匹配，以确定位置信息和特征信息都匹配的真实动物为同一真实动物。其中，真实动物的预测位置信息的确定过程可以包括：先根据动物图像序列中前N张真实动物图像中该真实动物的位置信息计算移动速度，再根据移动速度、相邻图像采集时间间隔以及第N张真实动物图像中该真实动物的位置信息确定预测位置信息。
可选地，可以通过动物图像序列中前N张真实动物图像中真实动物的位置信息确定真实动物从第1张图像到第N张图像的移动距离以及移动方向，再根据移动距离和采集N张图像需要的时间计算移动速度。进一步地，根据速度和相邻图像采集时间间隔预测从第N张图像到第N+1张图像真实动物的偏移距离，并根据移动方向预测第N+1张图像真实动物的偏移方向，将第N张图像的位置信息向偏移方向移动偏移距离得到预测位置信息。
图4示出根据本公开实施例的一种动物重识别方法的示意图。如图4所示，电子设备在确定动物图像序列40后，将动物图像序列40中每个真实动物图像输入动物检测模型41，得到对应的位置信息42。进一步地，每个位置信息42具有对应的置信度，在对应的置信度大于预设阈值时，确定该位置信息42中包括真实动物。根据每个包括真实动物图像的位置信息42提取其中的真实动物区域43，将真实动物区域43输入特征提取模型44得到每个真实动物区域43对应的特征信息45。按每个真实动物图像在动物图像序列40中的顺序，依次对相邻的真实动物图像至少一个真实动物的位置信息42和特征信息45进行信息匹配46，得到重识别结果47。
进一步地，本公开实施例的信息匹配的过程还可以通过跟踪器实现，即位置信息匹配和特征信息匹配的过程均通过跟踪器完成。可选地，电子设备在确定动物图像序列后，通过动物检测模型得到位置信息，并通过特征提取模型提取得到置信度大于置信度阈值的位置信息中真实动物的特征信息。依次将动物图像序列中每一个真实动物图像的位置信息和特征信息输入跟踪器中进行特征匹配得到重识别结果。
其中，跟踪器在接收到第一个真实动物图像后将其中每个位置信息中的真实动物作为一类真实动物并生成对应的类别标签，同时确定每个类别标签对应的位置信息和特征信息。在接收到下一帧真实动物图像后，根据其中每个真实动物的位置信息和特征信息与前一帧中每一类真实动物的位置信息和特征信息进行匹配。在一个真实动物与前一帧中的一类真实动物匹配时，确定该当前帧中该真实动物对应的位置信息和特征信息与该类真实动物匹配，并将该真实动物对应的位置信息和特征信息与类别标签的对应关系更新至跟踪器中。同时，还可以在当前帧存在不与前一帧中任一类别真实动物匹配的真实动物时，确定该真实动物为新的真实动物类别，创建新的类别标签，并将新的类别标签和对应真实动物的特征信息和位置信息更新至跟踪器中。直到动物图像序列中的全部真实动物匹配完成，跟踪器输出每个类别标签对应的至少一个位置信息作为最终的重识别结果。
基于上述方式，本公开实施例通过创建虚拟场景和虚拟动物创建样本量大且种类丰富的虚拟训练集，并根据虚拟训练集训练得到准确的检测模型和特征提取模型，有助于提高动物检测模型和特征提取模型训练的效率，且可以降低训练成本。进一步地，通过检测模型和特征提取模型对动物图像序列进行准确的检测和特征提取，实现了对真实动物的检测与跟踪，提高了动物检测和跟踪的准确度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了动物重识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种动物重识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的一种动物重识别装置的示意图，如图5所示，本公开实施例的动物重识别装置可以包括序列确定模块50、位置确定模块51、特征提取模块52和信息匹配模块53。
序列确定模块50，用于确定包括至少两张真实动物图像的动物图像序列，每个所述真实动物图像中包括至少一个真实动物；
位置确定模块51，用于将每个所述真实动物图像输入动物检测模型，得到每个所述真实动物图像中至少一个真实动物的位置信息；
特征提取模块52，用于将每个所述真实动物图像中至少一个所述位置信息对应的真实动物区域输入特征提取模型，得到所述真实动物区域中真实动物的特征信息；
信息匹配模块53，用于根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果，所述重识别结果中包括至少一个真实动物对应的类别标签，以及每个所述类别标签对应的位置信息；
其中，所述动物检测模型和所述特征提取模型通过虚拟训练集训练得到，所述虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个所述虚拟图像中至少一个所述虚拟动物的标注位置和标识信息。
在一种可能的实现方式中，所述信息匹配模块53包括：
信息匹配子模块，用于根据每个所述真实动物图像在所述动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物；
标签分配子模块，用于为每个真实动物分配对应的类别标签，并根据相邻真实动物图像中相同的真实动物，确定每个所述类别标签对应的真实动物在每个所述真实动物图像中的位置信息；
结果确定模块，用于根据表征每个真实动物的类别标签，以及每个所述类别标签对应的至少一个位置信息确定重识别结果。
在一种可能的实现方式中，所述信息匹配子模块包括：
图像确定单元，用于根据每个所述真实动物图像在所述动物图像序列中的顺序依次确定参考动物图像，以及所述参考动物图像下一帧的目标动物图像；
第一信息确定单元，用于确定所述参考动物图像的至少一个真实动物对应的参考位置信息和参考特征信息；
第二信息确定单元，用于确定所述目标动物图像的至少一个真实动物对应的目标位置信息和目标特征信息；
信息匹配单元，用于对于所述参考动物图像中的每个所述真实动物，根据对应的所述参考位置信息和对应的参考特征信息分别与每个所述目标位置信息和对应目标特征信息进行匹配，得到所述目标图像中相同的真实动物。
在一种可能的实现方式中，所述虚拟训练集的确定过程包括：
确定包括虚拟动物的虚拟场景；
通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像；
确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息。
在一种可能的实现方式中，所述确定包括虚拟动物的虚拟场景包括：
确定虚拟动物模型和对应的属性信息，所述虚拟动物模型为网格体，所述属性信息包括外观信息、动物骨架和标识信息；
生成虚拟场景；
根据所述属性信息将所述虚拟动物模型导入所述虚拟场景，得到包括所述虚拟动物的虚拟场景，所述虚拟动物根据所述属性信息调整所述虚拟动物模型确定。
在一种可能的实现方式中，所述通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像：
确定所述虚拟动物对应的第一运动信息，所述第一运动信息用于表征所述虚拟动物在所述虚拟场景中的运动过程；
确定所述虚拟相机对应的第二运动信息，所述第二运动信息用于表征所述虚拟相机在所述虚拟场景中的运动过程；
响应于开始图像采集过程，根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动；
在所述虚拟动物和所述虚拟相机运动过程中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像。
在一种可能的实现方式中，所述第一运动信息中包括多个用于限定所述虚拟动物位置以及动物骨架的姿态的连续第一动作帧，所述第二运动信息中包括多个用于限定所述虚拟相机位置和姿态的连续第二动作帧；
所述根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动包括：
根据多个连续的所述第一动作帧逐帧改变所述虚拟动物在所述虚拟场景中的位置以及姿态；
根据多个连续的所述第二动作帧逐帧改变所述虚拟相机在所述虚拟场景中的位置以及姿态。
在一种可能的实现方式中，所述虚拟相机还用于获取表征所述虚拟动物在所述虚拟场景中位置的掩码图像；
所述确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息包括：
根据与每个所述虚拟图像同时获取的掩码图像确定对应的标注位置；
获取每个所述虚拟图像中虚拟动物属性信息中的标识信息。
在一种可能的实现方式中，所述特征提取模型的训练过程包括：
将所述虚拟训练集中的所述虚拟图像中虚拟动物所在区域作为样本，将每个所述虚拟动物所在区域中虚拟动物的标识信息作为真值训练分类模型，所述分类模型中包括特征提取层和分类层；
获取训练得到的所述分类模型中的特征提取层作为特征提取模型。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的示意图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的另一种电子设备1900的示意图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种动物重识别方法，其特征在于，所述方法包括：
确定包括至少两张真实动物图像的动物图像序列，每个所述真实动物图像中包括至少一个真实动物；
将每个所述真实动物图像输入动物检测模型，得到每个所述真实动物图像中至少一个真实动物的位置信息；
将每个所述真实动物图像中至少一个所述位置信息对应的真实动物区域输入特征提取模型，得到所述真实动物区域中真实动物的特征信息；
根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果，所述重识别结果中包括至少一个真实动物对应的类别标签，以及每个所述类别标签对应的位置信息；
其中，所述动物检测模型和所述特征提取模型通过虚拟训练集训练得到，所述虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个所述虚拟图像中至少一个所述虚拟动物的标注位置和标识信息。
2.根据权利要求1所述的方法，其特征在于，所述根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果包括：
根据每个所述真实动物图像在所述动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物；
为每个真实动物分配对应的类别标签，并根据相邻真实动物图像中相同的真实动物，确定每个所述类别标签对应的真实动物在每个所述真实动物图像中的位置信息；
根据表征每个真实动物的类别标签，以及每个所述类别标签对应的至少一个位置信息确定重识别结果。
3.根据权利要求2所述的方法，其特征在于，所述根据每个所述真实动物图像在所述动物图像序列中的顺序，依次对相邻真实动物图像对应的位置信息和特征信息进行匹配，得到相邻真实动物图像中相同的真实动物包括：
根据每个所述真实动物图像在所述动物图像序列中的顺序依次确定参考动物图像，以及所述参考动物图像下一帧的目标动物图像；
确定所述参考动物图像的至少一个真实动物对应的参考位置信息和参考特征信息；
确定所述目标动物图像的至少一个真实动物对应的目标位置信息和目标特征信息；
对于所述参考动物图像中的每个所述真实动物，根据对应的所述参考位置信息和对应的参考特征信息分别与每个所述目标位置信息和对应目标特征信息进行匹配，得到所述目标图像中相同的真实动物。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述虚拟训练集的确定过程包括：
确定包括虚拟动物的虚拟场景；
通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像；
确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息。
5.根据权利要求4所的方法，其特征在于，所述确定包括虚拟动物的虚拟场景包括：
确定虚拟动物模型和对应的属性信息，所述虚拟动物模型为网格体，所述属性信息包括外观信息、动物骨架和标识信息；
生成虚拟场景；
根据所述属性信息将所述虚拟动物模型导入所述虚拟场景，得到包括所述虚拟动物的虚拟场景，所述虚拟动物根据所述属性信息调整所述虚拟动物模型确定。
6.根据权利要求4或5所述的方法，其特征在于，所述通过虚拟相机在所述虚拟场景中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像：
确定所述虚拟动物对应的第一运动信息，所述第一运动信息用于表征所述虚拟动物在所述虚拟场景中的运动过程；
确定所述虚拟相机对应的第二运动信息，所述第二运动信息用于表征所述虚拟相机在所述虚拟场景中的运动过程；
响应于开始图像采集过程，根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动；
在所述虚拟动物和所述虚拟相机运动过程中进行图像采集，得到至少一个包括所述虚拟动物的虚拟图像。
7.根据权利要求6所述的方法，其特征在于，所述第一运动信息中包括多个用于限定所述虚拟动物位置以及动物骨架的姿态的连续第一动作帧，所述第二运动信息中包括多个用于限定所述虚拟相机位置和姿态的连续第二动作帧；
所述根据所述第一运动信息和所述第二运动信息控制所述虚拟动物和所述虚拟相机运动包括：
根据多个连续的所述第一动作帧逐帧改变所述虚拟动物在所述虚拟场景中的位置以及姿态；
根据多个连续的所述第二动作帧逐帧改变所述虚拟相机在所述虚拟场景中的位置以及姿态。
8.根据权利要求5-7中任意一项所述的方法，其特征在于，所述虚拟相机还用于获取表征所述虚拟动物在所述虚拟场景中位置的掩码图像；
所述确定每个所述虚拟图像中所述虚拟动物的标注位置和标识信息包括：
根据与每个所述虚拟图像同时获取的掩码图像确定对应的标注位置；
获取每个所述虚拟图像中虚拟动物属性信息中的标识信息。
9.根据权利要求1-7中任意一项所述的方法，其特征在于，所述特征提取模型的训练过程包括：
将所述虚拟训练集中的所述虚拟图像中虚拟动物所在区域作为样本，将每个所述虚拟动物所在区域中虚拟动物的标识信息作为真值训练分类模型，所述分类模型中包括特征提取层和分类层；
获取训练得到的所述分类模型中的特征提取层作为特征提取模型。
10.一种动物重识别装置，其特征在于，所述装置包括：
序列确定模块，用于确定包括至少两张真实动物图像的动物图像序列，每个所述真实动物图像中包括至少一个真实动物；
位置确定模块，用于将每个所述真实动物图像输入动物检测模型，得到每个所述真实动物图像中至少一个真实动物的位置信息；
特征提取模块，用于将每个所述真实动物图像中至少一个所述位置信息对应的真实动物区域输入特征提取模型，得到所述真实动物区域中真实动物的特征信息；
信息匹配模块，用于根据每个所述真实动物图像对应的位置信息和特征信息进行匹配，得到重识别结果，所述重识别结果中包括至少一个真实动物对应的类别标签，以及每个所述类别标签对应的位置信息；
其中，所述动物检测模型和所述特征提取模型通过虚拟训练集训练得到，所述虚拟训练集包括至少一个包括虚拟动物的虚拟图像，以及每个所述虚拟图像中至少一个所述虚拟动物的标注位置和标识信息。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037435.8A CN114387622A (zh) | 2022-01-13 | 2022-01-13 | 动物重识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037435.8A CN114387622A (zh) | 2022-01-13 | 2022-01-13 | 动物重识别方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387622A true CN114387622A (zh) | 2022-04-22 |
Family
ID=81201752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210037435.8A Withdrawn CN114387622A (zh) | 2022-01-13 | 2022-01-13 | 动物重识别方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387622A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259072A (zh) * | 2023-01-10 | 2023-06-13 | 华瑞研能科技(深圳)有限公司 | 一种动物识别方法、装置、设备以及存储介质 |
-
2022
- 2022-01-13 CN CN202210037435.8A patent/CN114387622A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259072A (zh) * | 2023-01-10 | 2023-06-13 | 华瑞研能科技(深圳)有限公司 | 一种动物识别方法、装置、设备以及存储介质 |
| CN116259072B (zh) * | 2023-01-10 | 2024-05-10 | 华瑞研能科技(深圳)有限公司 | 一种动物识别方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340766B (zh) | 目标对象的检测方法、装置、设备和存储介质 | |
| CN112991553B (zh) | 信息展示方法及装置、电子设备和存储介质 | |
| CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
| CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
| CN111666917A (zh) | 姿态检测及视频处理方法、装置、电子设备和存储介质 | |
| CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
| CN113194254A (zh) | 图像拍摄方法及装置、电子设备和存储介质 | |
| CN111241887A (zh) | 目标对象关键点识别方法及装置、电子设备和存储介质 | |
| CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
| CN114387445A (zh) | 对象关键点识别方法及装置、电子设备和存储介质 | |
| CN112906484A (zh) | 一种视频帧处理方法及装置、电子设备和存储介质 | |
| CN113139471A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
| CN113989469A (zh) | Ar景点显示方法及装置、电子设备和存储介质 | |
| CN114067085A (zh) | 一种虚拟对象的显示方法及装置、电子设备和存储介质 | |
| CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
| CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
| CN114387622A (zh) | 动物重识别方法及装置、电子设备和存储介质 | |
| CN113553946A (zh) | 信息提示方法及装置、电子设备和存储介质 | |
| CN114266305A (zh) | 对象识别方法及装置、电子设备和存储介质 | |
| CN111339964A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| WO2023155350A1 (zh) | 一种人群定位方法及装置、电子设备和存储介质 | |
| CN113506324B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113506325B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| WO2022110801A1 (zh) | 数据处理方法及装置、电子设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220422 |