一种图像处理方法、装置和计算机存储介质制造方法及图纸

技术编号:18426931 阅读:26 留言:0更新日期:2018-07-12 02:08
本发明专利技术实施例公开了一种图像处理方法、装置和计算机存储介质,所述方法包括:通过第一深度神经网络提取第一图像数据的行人特征,通过第二深度神经网络提取至少一个第二图像数据的目标特征;采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据;根据所述第三图像数据和所述第二图像数据分别确定所述第三图像数据的分类结果,基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络。

Image processing method, device and computer storage medium

An embodiment of the invention discloses an image processing method, a device and a computer storage medium. The method includes: extracting the pedestrian characteristics of the first image data through the first depth neural network, extracting the target feature of at least one second image data through the second depth neural network; using a deconvolution network to generate the unit. Third image data corresponding to the pedestrian characteristics and the target features; the classification results of the third image data are determined according to the third image data and the second image data, and the deconvolution network, the first depth neural network, and the second depth neural network are trained on the basis of the classification results. At least one network in the collaterals.

【技术实现步骤摘要】
一种图像处理方法、装置和计算机存储介质
本专利技术涉及图像处理
,具体涉及一种图像处理方法、装置和计算机存储介质。
技术介绍
人物再识别是计算机视觉领域研究的一个热门研究课题,旨在从大型图库数据库中识别同一人物的图像。现有的人物再识别方案多是对图像中的人物进行身份识别,具体是通过特征提取进行身份识别,通过身份相似性匹配的方式识别是否是同一人物。现有提取的特征并非是“纯粹”的特征,很大程度上受非身份信息的影响,例如受人物姿态的影响,从而会导致处于同一姿态的不同行人往往被判定为同一个人。然而,现有技术中并没有直观有效的方法评估提取的特征是否“纯粹”,特征是通过神经网络产生的,通过数据编码表示,并不能通过数据编码获知其表示的信息,即无法将特征可视化,因此也无法评估特征是否“纯粹”,也即无法发现模型中存在的隐形问题,模型性能的提升空间较小。
技术实现思路
为解决现有存在的技术问题,本专利技术实施例提供一种图像处理方法、装置和计算机存储介质。为达到上述目的,本专利技术实施例的技术方案是这样实现的:本专利技术实施例提供了一种图像处理方法,所述方法包括:通过第一深度神经网络提取第一图像数据的行人特征,通过第二深度神经网络提取至少一个第二图像数据的目标特征;采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据;根据所述第三图像数据和所述第二图像数据分别确定所述第三图像数据的分类结果,基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络。上述方案中,所述行人特征和所述行人的姿态特征对应于同一行人。上述方案中,所述目标特征包括行人的姿态特征、环境特征和光照特征中的至少一种特征。上述方案中,所述根据所述第三图像数据和所述第二图像数据确定所述第三图像数据的分类结果,包括:计算对应于同一目标特征的所述第三图像数据和所述第二图像数据的差异度;当所述差异度高于预设阈值时,确定所述第三图像数据的分类结果为假分类;或者,当所述差异度不高于所述预设阈值时,确定所述第三图像数据的分类结果为真分类。上述方案中,所述基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络,包括:根据所述分类结果修正所述反卷积网络、所述深度神经第一网络、所述第二深度神经网络中的至少一个网络的参数;其中,假分类的分类结果的参数修改幅度高于真分类的分类结果的参数修改幅度。上述方案中,所述第一图像数据和所述第二图像数据为不同图像采集设备采集的图像数据。上述方案中,所述采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据,包括:对所述行人特征进行卷积处理,获得卷积处理后的行人特征;基于所述反卷积网络,生成所述卷积处理后的行人特征、所述目标特征对应的第三图像数据。上述方案中,所述方法还包括:获得目标图像数据;通过所述第一网络提取所述目标图像数据的第一行人特征;通过所述第一网络提取图像集包括的至少一个待比对图像数据的第二行人特征;分别计算所述第一行人特征和至少一个第二行人特征的相似度;基于计算结果确定与所述目标图像数据对应于同一行人的至少一个待比对图像数据;基于所述至少一个待比对图像数据对应的行人身份确定所述目标图像数据的行人身份信息。上述方案中,所述基于计算结果确定与所述目标图像数据对应于同一行人的至少一个待比对图像数据之后,所述方法还包括:确定所述目标图像数据对应的第一行人身份,确定所述至少一个待比对图像数据对应的至少一个第二行人身份;比较所述第一行人身份和所述至少一个第二行人身份是否相同;基于比较结果确定行人检索置信度。本专利技术实施例还提供了一种图像处理装置,所述装置包括:行人特征提取单元、目标特征提取单元、生成单元和训练单元;其中,所述行人特征提取单元,用于通过第一深度神经网络提取第一图像数据的行人特征;所述目标特征提取单元,用于通过第二深度神经网络提取至少一个第二图像数据的目标特征;所述生成单元,用于采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据;所述训练单元,用于根据所述第三图像数据和所述第二图像数据分别确定所述第三图像数据的分类结果,基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络。上述方案中,所述行人特征和所述行人的姿态特征对应于同一行人。上述方案中,所述目标特征包括行人的姿态特征、环境特征和光照特征中的至少一种特征。上述方案中,所述训练单元,用于计算对应于同一目标特征的所述第三图像数据和所述第二图像数据的差异度;当所述差异度高于预设阈值时,确定所述第三图像数据的分类结果为假分类;或者,当所述差异度不高于所述预设阈值时,确定所述第三图像数据的分类结果为真分类。上述方案中,所述训练单元,用于根据所述分类结果修正所述反卷积网络、所述深度神经第一网络、所述第二深度神经网络中的至少一个网络的参数;其中,假分类的分类结果的参数修改幅度高于真分类的分类结果的参数修改幅度。上述方案中,所述第一图像数据和所述第二图像数据为不同图像采集设备采集的图像数据。上述方案中,所述生成单元,用于对所述行人特征进行卷积处理,获得卷积处理后的行人特征;基于所述反卷积网络,生成所述卷积处理后的行人特征、所述目标特征对应的第三图像数据。上述方案中,所述装置还包括:获取单元和计算确定单元;其中,所述获取单元,用于获得目标图像数据;所述行人特征提取单元,用于通过所述第一网络提取所述目标图像数据的第一行人特征;还用于通过所述第一网络提取图像集包括的至少一个待比对图像数据的第二行人特征;所述计算确定单元,用于分别计算所述第一行人特征和至少一个第二行人特征的相似度;基于计算结果确定与所述目标图像数据对应于同一行人的至少一个待比对图像数据;基于所述至少一个待比对图像数据对应的行人身份确定所述目标图像数据的行人身份信息。上述方案中,所述计算确定单元,还用于确定所述目标图像数据对应的第一行人身份,确定所述至少一个待比对图像数据对应的至少一个第二行人身份;比较所述第一行人身份和所述至少一个第二行人身份是否相同;基于比较结果确定行人检索置信度。本专利技术实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现本专利技术实施例所述方法的步骤。本专利技术实施例还提供了一种图像处理装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本专利技术实施例所述方法的步骤。本专利技术实施例提供的图像处理方法、装置和计算机存储介质,所述方法包括:通过第一深度神经网络提取第一图像数据的行人特征,通过第二深度神经网络提取至少一个第二图像数据的目标特征;采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据;根据所述第三图像数据和所述第二图像数据分别确定所述第三图像数据的分类结果,基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络。采用本专利技术实施例的技术方案,通过可视化方式生成的图像来呈现特征数据,便于评估网络模型的能力,发现网络模型中存在的隐形问题,有效的为模型分析评估、优化等提供了支持,从而可以大大提升模型性能;另外,通过生成的图像与原始图像的分类本文档来自技高网...

【技术保护点】
1.一种图像处理方法,其特征在于,所述方法包括:通过第一深度神经网络提取第一图像数据的行人特征,通过第二深度神经网络提取至少一个第二图像数据的目标特征;采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据;根据所述第三图像数据和所述第二图像数据分别确定所述第三图像数据的分类结果,基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络。

【技术特征摘要】
1.一种图像处理方法,其特征在于,所述方法包括:通过第一深度神经网络提取第一图像数据的行人特征,通过第二深度神经网络提取至少一个第二图像数据的目标特征;采用反卷积网络,生成所述行人特征、以及所述目标特征对应的第三图像数据;根据所述第三图像数据和所述第二图像数据分别确定所述第三图像数据的分类结果,基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络。2.根据权利要求1所述的方法,其特征在于,所述行人特征和所述行人的姿态特征对应于同一行人。3.根据权利要求1所述的方法,其特征在于,所述目标特征包括行人的姿态特征、环境特征和光照特征中的至少一种特征。4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述第三图像数据和所述第二图像数据确定所述第三图像数据的分类结果,包括:计算对应于同一目标特征的所述第三图像数据和所述第二图像数据的差异度;当所述差异度高于预设阈值时,确定所述第三图像数据的分类结果为假分类;或者,当所述差异度不高于所述预设阈值时,确定所述第三图像数据的分类结果为真分类。5.根据权利要求4所述的方法,其特征在于,所述基于所述分类结果训练所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络,包括:根据所述分类结果修正所述反卷积网络、所述第一深度神经网络、所述第二深度神经网络中的至少一个网络的参数;其中,假分类的分类结果的参数修改幅度高于真分类的分类结果的参数修改幅度。6.根据权利要求1所述的方法,其特征在于,所述方法还包括:获得目标图像数据;通过所述第一网络提取所述目标图像数据的第一行人特...

【专利技术属性】
技术研发人员:侯军李卓婉伊帅
申请(专利权)人:北京市商汤科技开发有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1