对象重新识别的方法技术

本申请公开了对象重新识别的方法，具体公开了一种对象的图像中的对象重新识别的方法。该方法包括：提供用于对象重新识别的多个神经网络(27)，其中多个神经网络中的每一个在具有解剖特征的不同组的图像数据上被训练，每个组由参考矢量表示；接收对象(38)的多个图像(4)和表示在多个图像(4)中的全部中被描绘的解剖特征的输入矢量；将输入矢量与参考矢量进行比较，以根据预定义条件确定最相似的参考矢量；并且将多个对象(38)的图像数据输入到由最相似的参考矢量表示的神经网络(#1)，以确定多个对象(38)是否具有相同的身份。

【技术实现步骤摘要】
对象重新识别的方法
本专利技术涉及借助于神经网络的对象重新识别的领域。
技术介绍
对象重新识别技术已被广泛研究并被用于例如识别和跟踪相关数字图像中的对象。众所周知，人类可以轻松地识别并且关联图像中相同身份的对象，即使当对象变得被不同程度地遮挡或者甚至短时间或长时间地从场景中消失。对象的外观还可以根据视角和随时间而变化。然而，对象的重新识别对于计算机视觉系统来说是具有挑战性的，尤其是在对象变得被遮挡(即不完全可见)或者从场景中完全消失并且稍后在相同的场景中或在另一场景中出现的场景中。例如，一个挑战是在对象已经离开场景并进入由另一摄像机监视的相同的场景或另一场景时恢复对对象的跟踪。如果跟踪算法不能恢复跟踪，则对象将被识别为新的、不同的对象，这可以干扰用于视频分析的其它算法。存在使用神经网络以辅助重新识别的建议。然而，需要提供用于重新识别图像和视频中的对象的改进的方法和装置。
技术实现思路
本专利技术旨在提供一种借助于神经网络的重新识别的方法。如以上所提到的，使用神经网络进行重新识别带来了可能的缺点。例如，本文档来自技高网...

【技术保护点】
1.一种对象类型的对象的图像中的对象重新识别的方法，所述方法包括：/n提供用于对象重新识别的多个神经网络，其中所述多个神经网络中的不同的神经网络已经在针对所述对象类型的解剖特征的不同组上被训练，并且其中每组解剖特征由关键点矢量形式的参考矢量表示，其中关键点表示所述解剖特征，/n接收所述对象类型的对象的多个图像，/n确定表示所述多个图像中的每一个中的所述对象类型的解剖特征的关键点，/n确定表示在所述多个图像中的全部中被确定的解剖特征的输入矢量，其中所述输入矢量是表示所述解剖特征的关键点矢量的形式，/n将所述输入矢量与所述参考矢量进行比较，以根据预定义条件确定最相似的参考矢量，并且/n将所述多个对...

【技术特征摘要】
20191108 EP 19207906.91.一种对象类型的对象的图像中的对象重新识别的方法，所述方法包括：
提供用于对象重新识别的多个神经网络，其中所述多个神经网络中的不同的神经网络已经在针对所述对象类型的解剖特征的不同组上被训练，并且其中每组解剖特征由关键点矢量形式的参考矢量表示，其中关键点表示所述解剖特征，
接收所述对象类型的对象的多个图像，
确定表示所述多个图像中的每一个中的所述对象类型的解剖特征的关键点，
确定表示在所述多个图像中的全部中被确定的解剖特征的输入矢量，其中所述输入矢量是表示所述解剖特征的关键点矢量的形式，
将所述输入矢量与所述参考矢量进行比较，以根据预定义条件确定最相似的参考矢量，并且
将所述多个对象的包括所述多个图像的图像数据中的全部或部分的图像数据输入到由所述最相似的参考矢量表示的所述神经网络(#1)，以确定所述多个对象是否具有相同的身份。


2.根据权利要求1所述的方法，其中，所述对象类型是人类。


3.根据权利要求1所述的方法，其中，所述预定义条件定义了将等于所述输入矢量的参考矢量确定为所述最相似的参考矢量。


4.根据权利要求1所述的方法，其中，所述预定义条件定义了从所述参考矢量中将与所述输入矢量具有最大重叠的参考矢量确定为所述最相似的参考矢量。


5.根据权利要求1所述的方法，其中，所述预定义条件定义了从所述参考矢量中确定包括最大数量的与所述输入矢量重叠的由优先级列表定义的解剖特征的参考矢量。


6.根据权利要求1所述的方法，进一步包括：
参考预设的质量条件评估所述输入矢量，
当满足所述预设的质量条件时，执行将所述输入矢量与输入图像数据进行比较的步骤，并且
当不满足所述预设的质量条件时，丢弃所述多个图像中的至少一个图像，基于所述多个图像确定新的输入矢量作为所述输入矢量，并且从评估所述输入矢量的步骤迭代所述方法。


7.根据权利要求6所述的方法，其中，所述评估所述输入矢量包括：将所述输入矢量与解剖特征...

【专利技术属性】
技术研发人员：马库斯·斯堪斯，克利斯汀·科利安德，马丁·尔永奎斯特，维列·贝特沙尔特，尼克拉·丹尼尔松，
申请(专利权)人：安讯士有限公司，
类型：发明
国别省市：瑞典;SE