[發明專利]一種圖像篩選方法及裝置

有效

• 申請號: 201710656697.1
• 申請日: 2017-08-03
• 公開（公告）號: CN109389135B
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 鈕毅
• 申請（專利權）人: 杭州?？低晹底旨夹g股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 項京;馬敬

1.一種圖像篩選方法，其特征在于，所述方法包括：

獲得待篩選圖像幀序列，其中，所述圖像幀序列中的每一幀待篩選圖像均包含第一目標對象；

利用預設的圖像特征評估模型，確定每一幀待篩選圖像中的第一目標對象的預設屬性的目標屬性數據，其中，所述預設屬性包括模糊程度屬性和/或被遮擋屬性；

針對每一幀待篩選圖像中的第一目標對象，根據所述第一目標對象的目標屬性數據，確定每一幀待篩選圖像對應的目標置信度；

根據每一幀待篩選圖像對應的目標置信度，從所述待篩選圖像幀序列中篩選出目標置信度達到預設識別條件的目標圖像；

所述根據所述第一目標對象的目標屬性數據，確定每一幀待篩選圖像對應的目標置信度，包括：

根據預設屬性的屬性數據與置信度之間的對應關系與所述第一目標對象的目標屬性數據，確定每一幀待篩選圖像對應的目標置信度。

2.根據權利要求1所述的方法，其特征在于，所述目標置信度達到預設識別條件的目標圖像為：所對應目標置信度高于預設閾值的圖像；或，在第一目標隊列中的前第一數量個圖像，所述第一目標隊列中包含：依據所對應目標置信度的高低，進行降序排序的待篩選圖像；或，在第二目標隊列中的后第二數量個圖像，所述第二目標隊列中包含：依據所對應目標置信度的高低，進行升序排序的待篩選圖像。

3.根據權利要求1所述的方法，其特征在于，所述預設的圖像特征評估模型為預設的卷積神經網絡模型；

所述方法還包括：建立所述預設的卷積神經網絡模型的過程，其中，所述過程包括：

獲得多張樣本圖像，其中，每一樣本圖像中均包含目標對象；

獲得每一樣本圖像中的目標對象的預設屬性的預期樣本屬性數據；

基于所獲得的樣本圖像以及所獲得的預設屬性的預期樣本屬性數據，對初始的卷積神經網絡模型進行訓練，得到預設的卷積神經網絡模型。

4.根據權利要求3所述的方法，其特征在于，所述初始的卷積神經網絡模型包括：特征提取層和特征分類層；

所述基于所獲得的樣本圖像以及所獲得的預設屬性的預期樣本屬性數據，對初始的卷積神經網絡模型進行訓練，得到預設的卷積神經網絡模型，包括：

將每一幀樣本圖像，輸入所述特征提取層，提取該樣本圖像中目標對象的樣本圖像特征；

將所提取的樣本圖像特征，輸入所述特征分類層，獲得該樣本圖像中目標對象的預設屬性的當前樣本屬性數據；

將獲得的當前樣本屬性數據與所對應預期樣本屬性數據進行匹配；

當匹配成功時，得到包含所述特征提取層和所述特征分類層的預設的卷積神經網絡模型；

當匹配不成功時，則分別調整所述特征提取層和所述特征分類層的神經網絡參數；重新返回將每一幀樣本圖像，輸入所述特征提取層，提取該樣本圖像中目標對象的樣本圖像特征的步驟；

直至匹配成功，得到包含所述特征提取層和所述特征分類層的預設的卷積神經網絡模型。

5.根據權利要求4所述的方法，其特征在于，所述利用預設的圖像特征評估模型，確定每一幀待篩選圖像中的第一目標對象的預設屬性的目標屬性數據，包括：

將每一幀待篩選圖像輸入所述預設的卷積神經網絡模型中，以使所述預設的卷積神經網絡模型提取所述待篩選圖像的目標圖像特征，并基于所提取目標圖像特征，確定每一幀待篩選圖像中第一目標對象的預設屬性的目標屬性數據。

6.根據權利要求1所述的方法，其特征在于，所述預設屬性為多個時，所述根據預設屬性的屬性數據與置信度之間的對應關系與所述第一目標對象的目標屬性數據，確定每一幀待篩選圖像對應的目標置信度，包括：

根據預設屬性的屬性數據與置信度之間的對應關系與所述第一目標對象的目標屬性數據，確定每一目標屬性數據對應的第一置信度；

根據每一目標屬性數據對應的第一置信度及相應的權重值，計算每一幀待篩選圖像對應的目標置信度。