[發(fā)明專利]一種人像檢索方法及裝置

有效

• 申請?zhí)枺?/td>: 201811091048.2
• 申請日: 2018-09-19
• 公開（公告）號: CN109359544B
• 公開（公告）日: 2022-01-21
• 發(fā)明（設(shè)計）人: 姜黎;張仁輝
• 申請（專利權(quán)）人: 武漢烽火眾智數(shù)字技術(shù)有限責(zé)任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京匯澤知識產(chǎn)權(quán)代理有限公司 11228
• 代理人: 程殿軍

1.一種人像檢索方法，其特征在于，所述方法包括：

獲得待檢測的視頻；對所述視頻進(jìn)行運(yùn)動檢測，得到行人的步態(tài)特征序列；

獲得步態(tài)序列網(wǎng)絡(luò)模型，將所述步態(tài)特征序列輸入至所述步態(tài)序列網(wǎng)絡(luò)模型，得到針對所述行人的識別結(jié)果和識別概率；

判斷所述識別概率是否大于預(yù)設(shè)閾值；

若大于，判定所得的識別結(jié)果正確，將所述識別結(jié)果作為檢索結(jié)果；

若不大于，判定所得的識別結(jié)果不正確，返回執(zhí)行獲得待檢測的視頻的步驟；

所述識別結(jié)果包括身份識別結(jié)果和運(yùn)動識別結(jié)果，所述預(yù)設(shè)閾值包括預(yù)設(shè)第一閾值和預(yù)設(shè)第二閾值，所述識別概率包括身份識別概率和運(yùn)動識別概率；判斷所述識別概率是否大于預(yù)設(shè)閾值，若大于，判定所得的識別結(jié)果正確，將所述識別結(jié)果作為檢索結(jié)果，包括：

當(dāng)所述身份識別概率大于預(yù)設(shè)第一閾值且運(yùn)動識別概率大于預(yù)設(shè)第二閾值時，判定所得的識別結(jié)果正確，將所述身份識別結(jié)果和所述運(yùn)動識別結(jié)果作為檢索結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述行人運(yùn)動視頻進(jìn)行運(yùn)動檢測，得到行人的步態(tài)特征序列，包括：

利用預(yù)設(shè)的運(yùn)動檢測算法，從視頻中檢測出包含行人的各圖像幀，并從包含行人的各圖像幀中提取行人的步態(tài)特征；將所提取的各步態(tài)特征合并，得到行人的步態(tài)特征序列。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步態(tài)序列網(wǎng)絡(luò)模型為目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，獲得步態(tài)序列網(wǎng)絡(luò)模型，包括：

用訓(xùn)練樣本集訓(xùn)練預(yù)設(shè)的初始神經(jīng)網(wǎng)絡(luò)模型，得到所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，若識別概率不大于預(yù)設(shè)閾值，判定所得的識別結(jié)果不正確，返回執(zhí)行采集行人的視頻的步驟，包括：

當(dāng)所述身份識別概率不大于預(yù)設(shè)第一閾值或運(yùn)動識別概率不大于預(yù)設(shè)第二閾值時，判定所得的識別結(jié)果不正確，返回執(zhí)行采集行人的視頻的步驟。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述初始神經(jīng)網(wǎng)絡(luò)模型為LSTM時間遞歸神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，當(dāng)檢索結(jié)果有多個時，所述方法還包括：

按照各檢索結(jié)果的識別概率的大小，對各檢索結(jié)果進(jìn)行升序/降序排列。

7.一種人像檢索裝置，其特征在于，所述裝置包括：

第一獲得模塊，用于獲得待檢測的視頻；對所述視頻進(jìn)行運(yùn)動檢測，得到行人的步態(tài)特征序列；

第二獲得模塊，用于獲得步態(tài)序列網(wǎng)絡(luò)模型，將所述步態(tài)特征序列輸入至所述步態(tài)序列網(wǎng)絡(luò)模型，得到針對所述行人的識別結(jié)果和識別概率；

判斷模塊，用于判斷所述識別概率是否大于預(yù)設(shè)閾值；若大于，判定所得的識別結(jié)果正確，將所述識別結(jié)果作為檢索結(jié)果；若不大于，判定所得的識別結(jié)果不正確，返回執(zhí)行獲得待檢測的視頻；

所述識別結(jié)果包括身份識別結(jié)果和運(yùn)動識別結(jié)果，所述預(yù)設(shè)閾值包括預(yù)設(shè)第一閾值和預(yù)設(shè)第二閾值，所述識別概率包括身份識別概率和運(yùn)動識別概率；判斷所述識別概率是否大于預(yù)設(shè)閾值，若大于，判定所得的識別結(jié)果正確，將所述識別結(jié)果作為檢索結(jié)果，包括：

當(dāng)所述身份識別概率大于預(yù)設(shè)第一閾值且運(yùn)動識別概率大于預(yù)設(shè)第二閾值時，判定所得的識別結(jié)果正確，將所述身份識別結(jié)果和所述運(yùn)動識別結(jié)果作為檢索結(jié)果。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述第一獲得模塊對所述行人運(yùn)動視頻進(jìn)行運(yùn)動檢測，得到行人的步態(tài)特征序列，具體為：

利用預(yù)設(shè)的運(yùn)動檢測算法，從視頻中檢測出包含行人的各圖像幀，并從包含行人的各圖像幀中提取行人的步態(tài)特征；將所提取的各步態(tài)特征合并，得到行人的步態(tài)特征序列。

9.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述步態(tài)序列網(wǎng)絡(luò)模型為目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，所述第二獲得模塊獲得步態(tài)序列網(wǎng)絡(luò)模型，具體為：

用訓(xùn)練樣本集訓(xùn)練預(yù)設(shè)的初始神經(jīng)網(wǎng)絡(luò)模型，得到所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。