一种视频处理方法和装置与流程
本发明涉及计算机技术领域，尤其涉及一种视频处理方法和装置。
背景技术：
目标检测技术的发展使得交通、楼宇监控等场景中的行人检测成为可能，在安防科技、智慧城市等领域具有非常重要的作用。在监控视频中，若能有效地突出特定的行人目标并进行检测、追踪，从而获得此行人在实时场景中的轨迹，就可以大幅度减少人工核查的成本，提高复杂场景中视频监控的效率。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
目前的行人检测算法通常都直接采用预先训练好的用于图像分类的模型权重进行训练并微调，而专门用于目标检测的特征提取器没有，且行人定位精准性差。
技术实现要素：
有鉴于此，本发明实施例提供一种视频处理方法和装置，能够解决现有在行人检测精准性差的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种视频处理方法，包括获取实时视频采集数据，提取行人检测视频图像，进而构造行人检测数据集；根据所述行人检测数据集，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，以基于所述预测的行人检测框构造重识别数据集；基于detnet特征提取网络的余弦距离度量模型，计算所述重识别数据集中任一行人检测框与其它行人检测框之间的余弦距离，得到余弦距离最近的topn个行人检测框并返回。
可选地，提取行人检测视频图像，进而构造行人检测数据集，包括：
将实时视频采集数据进行视频分段，提取高峰期或中高峰期的行人检测视频流，以获得行人检测视频流中的关键帧图像；
将所述关键帧图像转换成预设尺寸的图像，构造行人检测数据集。
可选地，还包括：
所述detnet特征提取网络构建的yolo模型采用yolo-v3模型结构，并将yolo-v3模型结构中的主干特征提取网络设置为detnet-59。
可选地，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，包括：
步骤一：经过64维卷积核为7x7、步长为2的空洞卷积后，输出208x208大小的图像；
步骤二：经过3组核为3x3的最大池化、64维核为1x1的卷积、64维核为3x3、步长为1的空洞卷积、256维核为1x2的卷积后，输出104x104大小的图像；
步骤三：经过4组128维核为1x1的卷积、128维核为3x3、步长为2的空洞卷积、512维核为1x2的卷积后，输出52x52大小的图像；
步骤四：经过6组256维核为1x1的卷积、256维核为3x3、步长为2的空洞卷积、1024维核为1x2的卷积后，输出52x52大小的图像；
步骤五：经过3组256维核为1x1的卷积、256维核为3x3、步长为1的2个空洞卷积、256维核为1x2的卷积后，输出52x52大小的图像；
步骤六：经过3组256维核为1x1的卷积、256维核为3x3、步长为1的2个空洞卷积、256维核为1x2的卷积后，输出52x52大小的图像；
步骤七：经过1组卷积集(核为1x1的卷积、核为3x3的卷积、核为1x1的卷积、核为3x3的卷积、核为1x1的卷积)、核为3x3的卷积、核为1x1的卷积后输出第一级预测的行人检测框；
步骤八：将步骤七输出第一级预测的行人检测框经过核为1x1的卷积、上采样操作，与步骤五的输出相连，再经过1组卷积集、核为3x3的卷积、核为1x1的卷积后输出第二级预测的行人检测框；
步骤九：将步骤八输出第二级预测的行人检测框经过核为1x1的卷积、上采样操作，与步骤四的输出相连，再经过1组卷积集、核为3x3的卷积、核为1x1的卷积后输出第三级预测的行人检测框。
可选地，基于所述预测的行人检测框构造重识别数据集，包括：
根据预测的行人检测框对相应的原视频图像裁剪得到目标行人图像，并在线将所述目标行人图像按照类别进行划分；
将划分后的目标行人图像基于market1501数据集的格式进行处理，以生成重识别数据集并存储至文件夹中。
可选地，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框之前，包括：
训练detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型；其中，在训练过程中先固定reid参数，训练detnet和yolo参数；然后固定yolo参数，训练detnet和reid参数，直到通过预设目标损失函数得到的detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型的损失值不再下降为止。
可选地，所述目标损失函数，包括：
loss＝lossobj+μ·losscos
其中，μ为平衡系数；
负责detnet特征提取网络构建的yolo模型的损失函数为：
其中，(xi,yi)表示真实行人框的中心点坐标，
负责基于detnet特征提取网络的余弦距离度量模型的损失函数为：
其中，yi表示人的真实id，pi表示模型预测的人的id。
另外，本发明还提供了一种视频处理装置，包括获取模块，用于获取实时视频采集数据，提取行人检测视频图像，进而构造行人检测数据集；处理模块，用于根据所述行人检测数据集，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，以基于所述预测的行人检测框构造重识别数据集；基于detnet特征提取网络的余弦距离度量模型，计算所述重识别数据集中任一行人检测框与其它行人检测框之间的余弦距离，得到余弦距离最近的topn个行人检测框并返回。
上述发明中的一个实施例具有如下优点或有益效果：为了实现对室内楼宇监控和室外行人行为分析场景下的行人检测和重识别任务，本发明从视频某一帧的静态图像出发，采用基于detnet特征提取网络的yolo模型作为检测框架、基于detnet特征提取网络的余弦相似度度量方法作为reid框架，设计了基于detnet网络特征学习的行人检测和重识别级联，可对多摄像头场景下视频中某一帧的图像进行行人检测并完成跨摄像头视频图像的行人重识别。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明第一实施例的视频处理方法的主要流程的示意图；
图2是根据本发明实施例的detnet特征提取网络构建的yolo模型的示意图；
图3是根据本发明一具体实施例的视频处理方法的监控视频输入数据示例；
图4是根据本发明一具体实施例的视频处理方法的生成重识别数据集的示例；
图5是根据本发明一具体实施例的视频处理方法的行人重识别结果的示例；
图6是根据本发明实施例的视频处理装置的主要模块的示意图；
图7是本发明实施例可以应用于其中的示例性系统架构图；
图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例的视频处理方法的主要流程的示意图，如图1所示，所述视频处理方法包括：
步骤s101，获取实时视频采集数据，提取行人检测视频图像，进而构造行人检测数据集。
在一些实施例中，提取行人检测视频图像，进而构造行人检测数据集，包括：
将实时视频采集数据进行视频分段，提取高峰期或中高峰期的行人检测视频流，以获得行人检测视频流中的关键帧图像；将所述关键帧图像转换成预设尺寸的图像，构造行人检测数据集。较佳地，将所述关键帧图像尺度变化成预设固定大小的(例如：416x416)图像，随机选择并批量输入detnet特征提取网络构建的yolo模型。
较佳的，可以对行人检测视频流中的关键帧图像进行预处理，例如包括但不限于：随机水平翻转、随机竖直翻转、随机逆时针旋转90°等。
可以看出，步骤s101能够针对不同场景下的视频流，通过提取某一帧静态图像作为初始检测对象，依据跨摄像头的其他视频流中已经检测出的行人检测框构造行人检测数据集。
步骤s102，根据所述行人检测数据集，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，以基于所述预测的行人检测框构造重识别数据集。
在一些实施例中，所述detnet特征提取网络构建的yolo模型采用yolo-v3模型结构，并将yolo-v3模型结构中的主干特征提取网络设置为detnet-59。本发明采用的detnet-59在imagenet数据集上的分类损失可达到23.5％，在coco数据集上的map可达到80.2％。采用detnet-59特征网络的行人检测方法在户外密集人群检测任务中，准召率分别为79.81％和82.28％，因此大幅度提高了目标检测的准确率。
进一步地，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，包括：
步骤一：经过64维卷积核为7x7、步长为2的空洞卷积后，输出208x208大小的图像；
步骤二：经过3组核为3x3的最大池化、64维核为1x1的卷积、64维核为3x3、步长为1的空洞卷积、256维核为1x2的卷积后，输出104x104大小的图像；
步骤三：经过4组128维核为1x1的卷积、128维核为3x3、步长为2的空洞卷积、512维核为1x2的卷积后，输出52x52大小的图像；
步骤四：经过6组256维核为1x1的卷积、256维核为3x3、步长为2的空洞卷积、1024维核为1x2的卷积后，输出52x52大小的图像；
步骤五：经过3组256维核为1x1的卷积、256维核为3x3、步长为1的2个空洞卷积、256维核为1x2的卷积后，输出52x52大小的图像；
步骤六：经过3组256维核为1x1的卷积、256维核为3x3、步长为1的2个空洞卷积、256维核为1x2的卷积后，输出52x52大小的图像；
步骤七：经过1组卷积集(核为1x1的卷积、核为3x3的卷积、核为1x1的卷积、核为3x3的卷积、核为1x1的卷积)、核为3x3的卷积、核为1x1的卷积后输出第一级预测的行人检测框；
步骤八：将步骤七输出第一级预测的行人检测框经过核为1x1的卷积、上采样操作，与步骤五的输出相连，再经过1组卷积集、核为3x3的卷积、核为1x1的卷积后输出第二级预测的行人检测框；
步骤九：将步骤八输出第二级预测的行人检测框经过核为1x1的卷积、上采样操作，与步骤四的输出相连，再经过1组卷积集、核为3x3的卷积、核为1x1的卷积后输出第三级预测的行人检测框。
值得说明的是，步骤一至步骤六是detnet特征提取网络，如图2中左上边的表格，为detnet特征提取网络的结构。其中，图2为detnet特征提取网络构建的yolo模型的整个结构示意图，该detnet特征提取网络构建的yolo模型的计算过程如上述步骤一至步骤九。
可以看出，本发明所述的detnet特征提取网络构建的yolo模型基于适合于检测对象特征提取的detnet网络构建的，实现了同一尺度下三个层级的预测。
作为另一些实施例，基于所述预测的行人检测框构造重识别数据集，包括：
根据预测的行人检测框对相应的原视频图像裁剪得到目标行人图像，并在线将所述目标行人图像按照类别进行划分；将划分后的目标行人图像基于market1501数据集的格式进行处理，以生成重识别数据集并存储至文件夹中。
也就是说，本发明输出根据预测行人框对原图像裁剪得到的目标行人部分，并在线的将裁剪的行人图像按照同一个类别进行划分，根据market1501数据集的格式，存至文件夹gallery中。
步骤s103，基于detnet特征提取网络的余弦距离度量模型，计算所述重识别数据集中任一行人检测框与其它行人检测框之间的余弦距离，得到余弦距离最近的topn个行人检测框并返回。
在实施例中，输入重识别数据集中的一个行人检测框，通过detnet特征提取网络的余弦距离度量模型，输出该行人检测框上行人的特征，且计算与这些特征余弦距离最近的topn个gallery库(即重识别数据集)中的其它行人检测框，返回结果。其中，topn是指按余弦距离从小到大进行排序，取前n个行人检测框。例如：top1指排序后只取第一个。也就是说，detnet特征提取网络的余弦距离度量模型是先通过detnet特征提取网络对行人检测框进行特征提取，之后计算与gallery库(即重识别数据集)中其它行人检测框的余弦距离，选择余弦距离最近的topn个行人检测框。
值得说明的是，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框之前，包括：
训练detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型；其中，在训练过程中先固定reid参数，训练detnet和yolo参数；然后固定yolo参数，训练detnet和reid参数，直到通过预设目标损失函数得到的detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型的损失值不再下降，detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型收敛。
可以看出，detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型均采用了同一个特征提取网络detnet。另外，在通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框之前，不仅需要对detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型进行训练，并对训练后的detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型进行测试。
进一步地，所述整体的目标损失函数，包括：
loss＝lossobj+μ·losscos
其中，μ为平衡系数。
1)负责目标检测任务的yolo-v3模型的损失函数(即detnet特征提取网络构建的yolo模型)为：
其中，(xi,yi)表示真实行人框的中心点坐标，
2)负责重识别任务的余弦距离度量模型的损失函数(即基于detnet特征提取网络的余弦距离度量模型)为：
其中，yi表示人的真实id，pi表示模型预测的人的id，优选地由于检索的是前topn个行人，因此这里n＝10。
作为本发明的一个具体实施例，应用场景事例为社区监控条件下的户外行人重识别，而应用背景为实现户外行人的检测和识别有助于对养老社区内老人的行为安全进行监控，可帮助业主有效地发现并解决诸如老人跌倒、老人轨迹跟踪等视频分析问题。
本发明该实施例基于pets2001数据集中某段视频流的412帧图像进行数据预处理，包括随机缩放和翻转，设置批量训练尺寸为32，前70个迭代周期的学习率为0.001，后70个迭代周期学习率从0.0001开始衰减，经过100个迭代周期的训练，detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型能够收敛。训练过程中，能够实时地构建重识别的数据集，输入数据和训练中生成的重识别数据分别如图3和图4所示。
根据特征提取网络detnet的前向推断，可分别得到待查询的query图像(即重识别数据集中任一行人检测框)和gallery库中图像(即重识别数据集中其它行人检测框)的高维特征映射，并经由余弦距离度量模型的全连接层将得到的高维特征转换为512维的特征向量，通过计算它们之间的余弦距离并排序，返回gallery库中top10个余弦距离最小图像，即为1:10检索到跨摄像头下的重识别结果，如图5所示。左边第一个行人框表示查询的query图，右边1-10个行人框表示检索出的重识别行人框，数字为1、2、3、4、7、8、10为同一人，数字5、6、9不是同一人。可以看出，top10的结果中，有7个正确、3个错误，且top4的结果均为正确的。
综上所述，本发明为了有效利用物体位置进行空间定位，采用了适用于目标检测的特征提取网络detnet来学习某一帧视频图像上的行人框和重识别级联框架，通过端到端的方式应用在既可以判断行人框中是否存在行人又可以直接回归行人框位置的模型上，实现自然图像中行人重识别结果的端到端输出。在智能楼宇监控、户外场景行人行为监控、姿态打卡、车载行人检测和重识别系统等等应用场景下，可以有效检测行人并对其进行重识别，为更进一步的追踪和行为分析技术提供有力支持，以及为构建智慧城市提供前期基础。当然，本发明也可以延伸至行人轨迹追踪、定位、姿态检测和视频内容分析等领域。
另外，本发明行人重识别任务是通过对不同摄像头下的视频图像进行查找，在行人检测结果的基础上，对某个特定的行人框进行特征提取，从而与待查找的图像库中行人进行特征相似度度量并排序，按照1:n的方式返回检索到的最相似行人框。
图6是根据本发明实施例的视频处理装置的主要模块的示意图，如图6所示，所述视频处理装置600包括获取模块601和处理模块602。其中，获取模块601获取实时视频采集数据，提取行人检测视频图像，进而构造行人检测数据集；处理模块602根据所述行人检测数据集，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，以基于所述预测的行人检测框构造重识别数据集；基于detnet特征提取网络的余弦距离度量模型，计算所述重识别数据集中任一行人检测框与其它行人检测框之间的余弦距离，得到余弦距离最近的topn个行人检测框并返回。
在一些实施例中，获取模块601提取行人检测视频图像，进而构造行人检测数据集，包括
将实时视频采集数据进行视频分段，提取高峰期或中高峰期的行人检测视频流，以获得行人检测视频流中的关键帧图像；
将所述关键帧图像转换成预设尺寸的图像，构造行人检测数据集。
在一些实施例中，还包括：
所述detnet特征提取网络构建的yolo模型采用yolo-v3模型结构，并将yolo-v3模型结构中的主干特征提取网络设置为detnet-59。
在一些实施例中，处理模块602通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，包括：
步骤一：经过64维卷积核为7x7、步长为2的空洞卷积后，输出208x208大小的图像；
步骤二：经过3组核为3x3的最大池化、64维核为1x1的卷积、64维核为3x3、步长为1的空洞卷积、256维核为1x2的卷积后，输出104x104大小的图像；
步骤三：经过4组128维核为1x1的卷积、128维核为3x3、步长为2的空洞卷积、512维核为1x2的卷积后，输出52x52大小的图像；
步骤四：经过6组256维核为1x1的卷积、256维核为3x3、步长为2的空洞卷积、1024维核为1x2的卷积后，输出52x52大小的图像；
步骤五：经过3组256维核为1x1的卷积、256维核为3x3、步长为1的2个空洞卷积、256维核为1x2的卷积后，输出52x52大小的图像；
步骤六：经过3组256维核为1x1的卷积、256维核为3x3、步长为1的2个空洞卷积、256维核为1x2的卷积后，输出52x52大小的图像；
步骤七：经过1组卷积集(核为1x1的卷积、核为3x3的卷积、核为1x1的卷积、核为3x3的卷积、核为1x1的卷积)、核为3x3的卷积、核为1x1的卷积后输出第一级预测的行人检测框；
步骤八：将步骤七输出第一级预测的行人检测框经过核为1x1的卷积、上采样操作，与步骤五的输出相连，再经过1组卷积集、核为3x3的卷积、核为1x1的卷积后输出第二级预测的行人检测框；
步骤九：将步骤八输出第二级预测的行人检测框经过核为1x1的卷积、上采样操作，与步骤四的输出相连，再经过1组卷积集、核为3x3的卷积、核为1x1的卷积后输出第三级预测的行人检测框。
在一些实施例中，处理模块602基于所述预测的行人检测框构造重识别数据集，包括：
根据预测的行人检测框对相应的原视频图像裁剪得到目标行人图像，并在线将所述目标行人图像按照类别进行划分；
将划分后的目标行人图像基于market1501数据集的格式进行处理，以生成重识别数据集并存储至文件夹中。
在一些实施例中，处理模块602通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框之前，包括：
训练detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型；其中，在训练过程中先固定reid参数，训练detnet和yolo参数；然后固定yolo参数，训练detnet和reid参数，直到通过预设目标损失函数得到的detnet特征提取网络构建的yolo模型和基于detnet特征提取网络的余弦距离度量模型的损失值不再下降为止。
在一些实施例中，所述目标损失函数，包括：
loss＝lossobj+μ·losscos
其中，μ为平衡系数；
负责detnet特征提取网络构建的yolo模型的损失函数为：
其中，(xi,yi)表示真实行人框的中心点坐标，
负责基于detnet特征提取网络的余弦距离度量模型的损失函数为：
其中，yi表示人的真实id，pi表示模型预测的人的id。
需要说明的是，在本发明所述视频处理方法和所述视频处理装置在具体实施内容上具有相应关系，故重复内容不再说明。
图7示出了可以应用本发明实施例的视频处理方法或视频处理装置的示例性系统架构700。
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备701、702、703可以是具有视频处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的视频处理方法一般由服务器705执行，相应地，计算装置一般设置于服务器705中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有计算机系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶视频处理器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块和处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括获取实时视频采集数据，提取行人检测视频图像，进而构造行人检测数据集；根据所述行人检测数据集，通过detnet特征提取网络构建的yolo模型计算得到预测的行人检测框，以基于所述预测的行人检测框构造重识别数据集；基于detnet特征提取网络的余弦距离度量模型，计算所述重识别数据集中任一行人检测框与其它行人检测框之间的余弦距离，得到余弦距离最近的topn个行人检测框并返回。
根据本发明实施例的技术方案，能够解决现有在行人检测精准性差的问题。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！