CN111814690A - 一种目标重识别方法、装置和计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种目标重识别方法、装置和计算机可读存储介质，该方法包括：获取目标图像与待检索视频，其中，目标图像包括检索目标；对待检索视频进行目标检测，得到待检索视频对应的光照强度值；利用光照强度值确定与光照强度值匹配的相似度阈值；计算检索目标与待检索视频中每个目标的相似度，并判断相似度是否大于相似度阈值；若检索目标与待检索视频中的目标的相似度大于相似度阈值，则确定检索目标在待检索视频中。通过上述方式，本申请能够提高目标识别的准确率。

Description

一种目标重识别方法、装置和计算机可读存储介质

技术领域

本申请涉及图像处理技术领域，具体涉及一种目标重识别方法、装置和计算机可读存储介质。

背景技术

在实际监控场景中，由于环境复杂，相机分辨率低，很难得到清晰的人脸，人脸识别技术的作用并不突出；行人重识别作为人脸识别的补充，可以有效地解决实际应用中跨设备或跨场景的问题，行人重识别需要识别不同环境、光照条件下的行人是否为同一个人，可能识别的场景有白天、夜晚、阴天、弱光或强光等不同光照环境，因此对识别效果影响很大，而目前的行人重识别方法均未考虑到检索图像可能来自不同的环境，由于光照条件不同而导致检索效果下降，因而亟待一种解决环境影响的重识别方法。

发明内容

本申请提供一种目标重识别方法、装置和计算机可读存储介质，能够提高目标识别的准确率。

为解决上述技术问题，本申请采用的技术方案是提供一种目标重识别方法，该方法包括：获取目标图像与待检索视频，其中，目标图像包括检索目标；对待检索视频进行目标检测，得到待检索视频对应的光照强度值；利用光照强度值确定与光照强度值匹配的相似度阈值；计算检索目标与待检索视频中每个目标的相似度，并判断相似度是否大于相似度阈值；若检索目标与待检索视频中的目标的相似度大于相似度阈值，则确定检索目标在待检索视频中。

为解决上述技术问题，本申请采用的另一技术方案是提供一种目标重识别装置，该目标重识别装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的目标重识别方法。

为解决上述技术问题，本申请采用的另一技术方案是提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述的目标重识别方法。

通过上述方案，本申请的有益效果是：可先获取目标图像与待检索视频，通过对待检索视频进行目标检测得到对应的光照强度值；然后利用该光照强度值确定匹配的相似度阈值；再计算目标图像中的检索目标与待检索视频中的目标的相似度，并判断该相似度是否大于相似度阈值；如果检索目标与待检索视频中的目标的相似度大于该相似度阈值，则确定待检索视频中存在检索目标，由于在不同的光照环境下设置不同的相似度阈值，能够降低光照对识别的影响，提升目标识别的效果。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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。其中：

图1是本申请提供的目标重识别方法一实施例的流程示意图；

图2是本申请提供的目标重识别方法另一实施例的流程示意图；

图3是图2所示的实施例中神经网络的结构示意图；

图4是本申请提供的目标重识别装置一实施例的结构示意图；

图5是本申请提供的计算机可读存储介质一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，图1是本申请提供的目标重识别方法一实施例的流程示意图，该方法包括：

步骤11：获取目标图像与待检索视频。

可接收其他装置发送的目标图像或待检索视频，或者读取存储设备中的数据，得到目标图像或待检索视频，或者还可以控制摄像装置进行拍摄，得到目标图像或待检索视频。

进一步地，该目标图像包括检索目标，检索目标为用户关注的对象，待检索视频为可能包含检索目标的视频；可判定待检索视频中是否存在该检索目标，以便对检索目标进行跟踪识别，比如，检索目标为犯罪人员，通过对涉事地点附近的视频进行分析，可确定该犯罪人员的行动路线，加快案件的侦破。

步骤12：对待检索视频进行目标检测，得到待检索视频对应的光照强度值。

在获取到待检索视频后，可对该待检索视频进行分析处理，生成该待检索视频在进行拍摄时的光照强度值，以便在判定该待检索视频中是否存在检索目标时，摒除光照的影响，提高识别的准确率。

步骤13：利用光照强度值确定与光照强度值匹配的相似度阈值。

同一个行人在不同环境下的相似度可能是不同的，例如，一个人在晴天环境和阴天环境下的相似度与这个人均在晴天环境下的相似度可能是不同的，因此在识别两张图像中的行人是否为同一个人时，需要考虑环境因素，即光照强度值，也就是说不同光照条件下是否为同一个行人的相似度阈值是不同的，即不同的光照强度下可以设置不同的相似度阈值，因而需要根据光照强度值来确定相似度阈值，该相似度阈值为检索目标与待检索视频中某帧图像中的目标是否相同的基准。

步骤14：计算检索目标与待检索视频中每个目标的相似度，并判断相似度是否大于相似度阈值。

可将检索目标与待检索视频中的目标进行匹配，判断二者的相似度是否超过设定的相似度阈值，待检索视频中的目标的类别与检测目标的类别相同，即如果检索目标为人，则待检索视频中的目标也为人，如果检索目标为狗，则待检索视频中的目标也为狗；例如，检索目标为行人A，待检索视频中包括行人A-C，对待检索视频中的某一帧图像来说，其包括行人A与行人B，判断检索目标与行人A的相似度是否超过相似度阈值，并可判断该检索目标与行人B的相似度是否超过相似度阈值。

步骤15：若检索目标与待检索视频中的目标的相似度大于相似度阈值，则确定检索目标在待检索视频中。

如果判断出检索目标与待检索视频中的某个目标的相似度大于相似度阈值，则表明检索目标与待检索视频中的某个目标比较相似，此时可确定待检索视频中存在检索目标；如果判断出检索目标与待检索视频中所有目标的相似度均小于相似度阈值，则表明检索目标与待检索视频中的目标相差较大，属于同一目标的几率较小，此时可判定待检索视频中不存在该检索目标。

本实施例提出了一种复杂环境下目标重识别的方法，对获取到的待检索视频进行目标检测，得到对应的光照强度值；然后利用光照强度值确定相似度阈值，计算目标图像中的检索目标与待检索视频中目标的相似度，并判断二者的相似度是否大于相似度阈值；在检索目标与待检索视频中目标的相似度大于相似度阈值时，确定检索目标在待检索视频中，由于考虑了环境中的光照强度对识别造成的影响，能够降低光照强度对识别造成的干扰，可提高识别的准确率。

请参阅图2，图2是本申请提供的目标重识别方法另一实施例的流程示意图，该方法包括：

步骤201：获取目标图像与待检索视频。

此步骤与步骤11相同，在此不再赘述。

步骤202：获取不同光照强度下的训练图像，利用训练图像进行训练，得到神经网络模型。

可预先获取各种环境下的图像，然后进行训练，得到神经网络模型，该神经网络模型的输入为图像，输出为输入图像的光照强度值；具体地，该神经网络模型输出的光照强度值可以为0-4，光照强度值越大表示光照越强。

步骤203：将每张待检索图像输入神经网络模型，得到待检索图像的光照强度值。

待检索视频中包括多张待检索图像，在实际使用时，可将待检索图像输入至训练好的神经网络模型中，该神经网络模型可对输入的待检索图像进行处理，生成与该待检索图像对应的光照强度值。

步骤204：将所有待检索图像的光照强度值进行平均，得到待检索视频的光照强度值。

按照步骤203提供的方式对待检索视频中的每张待检索图像进行处理，从而得到每张待检索图像对应的光照强度值，然后对所有待检索图像的光照强度值进行平均，将平均值作为整个待检索视频的光照亮度值。

可以理解地，在其他实施例中，还可以按照一定的间隔来选取待检索图像，对被选取的待检索图像的光照强度值进行目标检测，然后进行平均，将平均值作为整个待检索视频的光照亮度值。

步骤205：计算第一预设光照强度下的第一待检索图像与第二预设光照强度下的至少一张第二待检索图像的相似度，并将所有相似度的平均值作为第二预设光照强度下的相似度阈值。

第一待检索图像与第二待检索图像包括相同的目标，比如，第一待检索图像包括行人A，则第二待检索图像也包括行人A；在确定了待检索视频的光照强度值后，可进一步确定该光照强度下对应的相似度阈值，可选取不同光照条件下的待检索图像，并检测出待检索图像中的目标，可统计第一预设光照强度下的目标与第二预设光照强度下相应目标的相似度，并取第二预设光照强度下所有相似度的平均值作为第二预设光照强度下的相似度阈值。

例如，第一预设光照强度下的光照强度值为0，第二预设光照强度下的光照强度值为1，目标为行人C，目标图像记作图像A，则可获取光照强度值为1时的多张包括行人C的图像，记作图像B，计算图像A与每张图像B的相似度，并进行平均，将平均值作为光照强度值为1时的相似度阈值。

步骤206：提取检索目标中的特征，得到检索目标的特征值。

可利用特征提取方法对目标图像进行处理，以提取检索目标中的特征，得到相应的特征值，比如，可采用基于深度学习的方法进行特征提取。

步骤207：对待检索图像进行筛选，得到识别参考图像，并提取识别参考图像中的特征，得到识别参考图像的特征值。

对于给定的目标图像和一系列待检索视频库，可先利用目标检测方法对视频库中的每个待检索视频进行目标检测，并利用目标跟踪方法对待检索视频进行跟踪，得到包含跟踪目标的跟踪图像序列。

为了保证识别效果，可按照跟踪图像序列中跟踪目标的姿态进行筛选，得到优选图像序列，该优选图像序列中的图像记作识别参考图像。

进一步地，以检索目标为行人为例进行说明，对于每个跟踪图像序列，可按照行人的姿态(正面、背面或侧面)优选出参与识别的行人图像，即识别参考图像；具体地，可利用优选算法从多张具有不同的姿态的图像中选出一些符合要求的图像组成优选图像序列，比如，按照图像的清晰度或完整性进行筛选。若不存在某种姿态下的行人图像，则不对该姿态进行优选，比如，如果只拍到行人的正面，则无法对具有背面或侧面姿态的行人进行筛选。

对于优选出的识别参考图像，可利用神经网络提取出识别参考图像的特征；具体地，以行人识别为例，行人特征可通过卷积神经网络提取，神经网络的结构如图3所示，主干网络包括若干卷积层与池化层等，主干网络提取的特征图经过池化操作，可将特征图分为上下两部分特征，即上身特征与下身特征，然后再经过降维操作可得到最终的特征。

可以理解地，实际使用的特征为上身特征与下身特征的拼接，相比直接获取全身特征来说，由于将全身特征拆成上身特征和下身特征，可分别设置不同的损失值，分别进行训练，提取到的特征更加准确，对于识别来说鲁棒性更好。

步骤208：计算检索目标的特征值与每张识别参考图像的特征值的相似度，并统计所有识别参考图像对应的相似度中的最大值，将最大相似度对应的识别参考图像作为识别结果。

可计算检索目标的特征值与每张识别参考图像的特征值的数量积，同时计算检索目标的特征值的模与相应的识别参考图像的特征值的模的乘积，然后将数量积与乘积相除，得到相应的相似度，即采用如下公式计算相似度：

其中，S_i为第i(i＝1,2,…,n)个相似度，f_q为检索目标的特征值，f_gi为第i个识别参考图像的特征值，n为优选图像序列中识别参考图像的数量。

在计算出检索目标与优选图像序列中每张识别参考图像的相似度后，可将所有的相似度按照从大到小的顺序排列，选择相似度最大的识别参考图像来代表对优选图像序列进行识别的结果，即检索目标与待检索视频的相似度如下所示：

步骤209：判断识别结果的特征值与检索目标的特征值的相似度是否大于相似度阈值。

可根据最大相似度与相似度阈值之间的大小关系，来判定待检索视频中是否存在检索目标。

步骤210：若识别结果的特征值与检索目标的特征值的相似度大于相似度阈值，则确定检索目标在待检索视频中。

识别结果为优选图像序列中与检索目标的相似度最大的识别参考图像，如果最大相似度大于相似度阈值，则判定检索目标与优选图像序列中识别参考图像中的目标相同，即待检索视频中存在检索目标；否则，判定检索目标与优选图像序列中识别参考图像中的目标不同，即待检索视频中不存在检索目标；例如，检索目标为行人A，相似度阈值为90％，在最大相似度为92％时，可确定行人A出现在待检索视频中；若最大相似度小于92％，可判定行人A未出现在待检索视频中。

本实施例考虑了在环境的影响下目标识别的相似度阈值会变化，引入在不同光照环境下设定不同的相似度阈值，有助于提高目标识别的效果，实现复杂环境下的目标识别；此外，还可利用多个姿态的目标参与识别，进一步提高目标识别的准确性，而且还能够降低相似度对比的数量，减少对特征值的计算，有助于提升识别速度。

请参阅图4，图4是本申请提供的目标重识别装置一实施例的结构示意图，目标重识别装置40包括互相连接的存储器41和处理器42，存储器41用于存储计算机程序，计算机程序在被处理器42执行时，用于实现上述实施例中的目标重识别方法。

请参阅图5，图5是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质50用于存储计算机程序51，计算机程序51在被处理器执行时，用于实现上述实施例中的目标重识别方法。

计算机可读存储介质50可以是服务端、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种目标重识别方法，其特征在于，包括：

获取目标图像与待检索视频，其中，所述目标图像包括检索目标；

对所述待检索视频进行目标检测，得到所述待检索视频对应的光照强度值；

利用所述光照强度值确定与所述光照强度值匹配的相似度阈值；

计算所述检索目标与所述待检索视频中每个目标的相似度，并判断所述相似度是否大于所述相似度阈值；

若是，则确定所述检索目标在所述待检索视频中。

2.根据权利要求1所述的目标重识别方法，其特征在于，所述待检索视频包括多张待检索图像，所述计算所述检索目标与所述待检索视频中每个目标的相似度的步骤之前，包括：

提取所述检索目标中的特征，得到所述检索目标的特征值；

对所述待检索图像进行筛选，得到识别参考图像；

提取所述识别参考图像中的特征，得到所述识别参考图像的特征值。

3.根据权利要求2所述的目标重识别方法，其特征在于，所述对所述待检索图像进行筛选，得到识别参考图像的步骤，包括：

利用目标检测方法对所述待检索视频进行目标检测，并利用目标跟踪方法对所述待检索视频进行跟踪，得到包含跟踪目标的跟踪图像序列；

按照所述跟踪图像序列中跟踪目标的姿态进行筛选，得到优选图像序列，其中，所述优选图像序列中的图像记作所述识别参考图像。

4.根据权利要求2所述的目标重识别方法，其特征在于，所述计算所述检索目标与所述待检索视频中每个目标的相似度的步骤，包括：

计算所述检索目标的特征值与每张所述识别参考图像的特征值的相似度；

统计所有所述识别参考图像对应的相似度中的最大值，并将最大相似度对应的识别参考图像作为识别结果。

5.根据权利要求4所述的目标重识别方法，其特征在于，所述判断所述相似度是否大于所述相似度阈值的步骤，包括：

判断所述识别结果的特征值与所述检索目标的特征值的相似度是否大于所述相似度阈值。

6.根据权利要求4所述的目标重识别方法，其特征在于，所述方法还包括：

计算所述检索目标的特征值与每张所述识别参考图像的特征值的数量积；

计算所述检索目标的特征值的模与相应的所述识别参考图像的特征值的模的乘积，并将所述数量积与所述乘积相除，得到相应的所述相似度。

7.根据权利要求2所述的目标重识别方法，其特征在于，所述对所述待检索视频进行目标检测，得到所述待检索视频对应的光照强度值的步骤，包括：

获取不同光照强度下的训练图像，利用所述训练图像进行训练，得到神经网络模型；

将每张所述待检索图像输入所述神经网络模型，得到所述待检索图像的光照强度值；

将所有所述待检索图像的光照强度值进行平均，得到所述待检索视频的光照强度值。

8.根据权利要求2所述的目标重识别方法，其特征在于，所述利用所述光照强度值确定与所述光照强度值匹配的相似度阈值的步骤，包括：

计算第一预设光照强度下的第一待检索图像与第二预设光照强度下的至少一张第二待检索图像的相似度，其中，所述第一待检索图像与所述第二待检索图像包括相同的目标；

将所有所述相似度的平均值作为所述第二预设光照强度下的相似度阈值。

9.一种目标重识别装置，其特征在于，包括互相连接的存储器和处理器，其中，所述存储器用于存储计算机程序，所述计算机程序在被所述处理器执行时，用于实现权利要求1-8中任一项所述的目标重识别方法。

10.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序在被处理器执行时，用于实现权利要求1-8中任一项所述的目标重识别方法。

Images