[發(fā)明專(zhuān)利]圖像特征降維方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110784556.4
• 申請(qǐng)日: 2021-07-12
• 公開(kāi)（公告）號(hào): CN113298049B
• 公開(kāi)（公告）日: 2021-11-02
• 發(fā)明（設(shè)計(jì)）人: 曾祁澤;潘華東;朱樹(shù)磊;葛主貝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江大華技術(shù)股份有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/00;G06N3/12
• 代理公司: 杭州華進(jìn)聯(lián)浙知識(shí)產(chǎn)權(quán)代理有限公司 33250
• 代理人: 范麗霞

本申請(qǐng)涉及一種圖像特征降維方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)，該方法包括：提取目標(biāo)業(yè)務(wù)場(chǎng)景下目標(biāo)圖片對(duì)應(yīng)的第一圖像特征向量；基于所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片和掩碼向量模型，得到與對(duì)應(yīng)目標(biāo)業(yè)務(wù)場(chǎng)景相匹配的中間掩碼向量；所述掩碼向量模型為通過(guò)機(jī)器學(xué)習(xí)算法構(gòu)建的所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片與中間掩碼向量的機(jī)器學(xué)習(xí)模型，所述中間掩碼向量與所述第一圖像特征向量維度相同；根據(jù)所述中間掩碼向量對(duì)所述第一圖像特征向量進(jìn)行降維處理，得到第二圖像特征向量。通過(guò)本申請(qǐng)，不僅可以緩解冗余特征對(duì)后續(xù)圖像識(shí)別中特征匹配造成的干擾，也能同時(shí)提升大規(guī)模圖像識(shí)別場(chǎng)景下的特征匹配效率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及圖像識(shí)別技術(shù)領(lǐng)域，特別是涉及一種圖像特征降維方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

目前的圖像識(shí)別技術(shù)，通常會(huì)使用神經(jīng)網(wǎng)絡(luò)模型將圖片轉(zhuǎn)換為一個(gè)特征維度固定的特征向量。隨后，通過(guò)計(jì)算兩張圖片對(duì)應(yīng)的特征向量之間的距離來(lái)判斷兩張圖片中的目標(biāo)對(duì)象是否相同。在圖像識(shí)別業(yè)務(wù)中，需要判斷一張待識(shí)別圖片是否與底庫(kù)中的某個(gè)目標(biāo)對(duì)象相匹配，因此，我們需要計(jì)算待識(shí)別圖片特征向量與底庫(kù)中所有圖像之間的相似度。當(dāng)?shù)讕?kù)規(guī)模較大時(shí)，特征向量的維數(shù)便是影響圖像特征匹配效率的重要因素。對(duì)特征向量進(jìn)行降維能顯著提升特征相似度的計(jì)算速度，但另一方面，圖像特征維度的縮減可能會(huì)帶來(lái)人臉信息的丟失，降低人臉特征匹配結(jié)果的準(zhǔn)確性。

現(xiàn)有技術(shù)中，包括主成分分析（Principal Component Analysis，PCA）在內(nèi)的基于奇異值分解(Singular Value Decomposition，以下簡(jiǎn)稱(chēng)SVD)的特征降維方法對(duì)圖像的特征向量進(jìn)行降維處理時(shí)，用一個(gè)維度較低的特征向量最大程度地去還原原本特征向量中包含的信息。這種方法僅基于特征間的差異對(duì)特征進(jìn)行篩選，不具有針對(duì)性，無(wú)法剔除相對(duì)于具體業(yè)務(wù)場(chǎng)景的冗余信息。另外由于原本特征向量中噪聲信息的存在，這種方法在降維的過(guò)程中會(huì)同時(shí)將噪聲的影響放大。因此通過(guò)這種方式得到的降維特征向量并不能提升后續(xù)特征匹配的準(zhǔn)確率。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供了一種圖像特征降維、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)，以至少解決相關(guān)技術(shù)中降維方法無(wú)法剔除業(yè)務(wù)場(chǎng)景的冗余信息，影響圖像特征匹配的準(zhǔn)確率的問(wèn)題。

第一方面，本申請(qǐng)實(shí)施例提供了一種圖像特征降維方法，包括：

提取目標(biāo)業(yè)務(wù)場(chǎng)景下目標(biāo)圖片對(duì)應(yīng)的第一圖像特征向量；

基于所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片和掩碼向量模型，得到與對(duì)應(yīng)目標(biāo)業(yè)務(wù)場(chǎng)景相匹配的中間掩碼向量；所述掩碼向量模型為通過(guò)機(jī)器學(xué)習(xí)算法構(gòu)建的所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片與中間掩碼向量的機(jī)器學(xué)習(xí)模型，所述中間掩碼向量與所述第一圖像特征向量維度相同；

根據(jù)所述中間掩碼向量對(duì)所述第一圖像特征向量進(jìn)行降維處理，得到第二圖像特征向量。

在其中一些實(shí)施例中，基于所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片和掩碼向量模型，得到與對(duì)應(yīng)目標(biāo)業(yè)務(wù)場(chǎng)景相匹配的中間掩碼向量，包括：

根據(jù)所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片配置初始化掩碼向量；

基于遺傳算法和所述樣本圖片對(duì)所述初始化掩碼向量進(jìn)行種群迭代尋優(yōu)，得到與對(duì)應(yīng)目標(biāo)業(yè)務(wù)場(chǎng)景相匹配的中間掩碼向量。

在其中一些實(shí)施例中，根據(jù)所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片配置初始化掩碼向量，包括：

根據(jù)所述目標(biāo)業(yè)務(wù)場(chǎng)景下的樣本圖片配置初始化掩碼向量的維數(shù)和數(shù)量。

在其中一些實(shí)施例中，基于遺傳算法和所述樣本圖片對(duì)所述初始化掩碼向量進(jìn)行種群迭代尋優(yōu)，得到中間掩碼向量，包括：

將所述初始化掩碼向量確定為初代種群；

基于所述樣本圖片構(gòu)建與目標(biāo)業(yè)務(wù)場(chǎng)景對(duì)應(yīng)的適應(yīng)度函數(shù)；

根據(jù)適應(yīng)度函數(shù)計(jì)算初代種群中每個(gè)初始個(gè)體的第一適應(yīng)度；