一种目标的识别方法及装置、存储介质及电子装置与流程

1.本发明涉及通信领域，具体而言，涉及一种目标的识别方法及装置、存储介质及电子装置。


背景技术：

2.在人工智能的大背景下，很多领域利用图像识别手段达到相关的目的，例如安防领域越来越重视通过视频分析平台来进行视频监控辅助公安办案。视频分析平台依赖于通过深度学习训练得到的算法模型，对通过摄像头的人群进行人脸抓拍，这些抓拍的结果能够有效的成为定位可疑人员的证据。然而，受限于算法的准确性，对于一些非人脸的物体，视频分析平台仍然会将其识别成人脸，作为结果展示给操作员，这些数据导致识别率较低，并且这些数据也是没有价值的数据，造成资源的浪费。
3.针对相关技术中目标识别率较低的问题，尚不存在较好的解决方案。


技术实现要素：

4.本发明实施例提供了一种目标的识别方法及装置、存储介质及电子装置，以至少解决相关技术中目标识别率较低的问题。
5.根据本发明的一个实施例，提供了一种目标的识别方法，包括：
6.对待识别的图像进行目标识别，得到目标图像；
7.根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，其中，所述非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息。
8.可选地，在根据所述非目标信息对所述目标图像进行识别之前，所述方法还包括：提取所述历史识别所得到的历史目标图像中被错误识别的所述非目标图像中的非目标的图像特征作为所述非目标信息。
9.可选地，所述根据所述非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，包括：将所述目标图像与所述非目标信息进行匹配；根据匹配结果确定所述目标图像中是否包括所述目标。
10.可选地，所述将所述目标图像与所述非目标信息进行匹配，包括：确定所述目标图像的图像特征；将所述目标图像的图像特征与所述非目标信息进行匹配，得到匹配结果。
11.可选地，所述根据匹配结果确定所述目标图像中是否包括所述目标，包括：在所述匹配结果指示了所述目标图像中的图像特征与所述非目标信息中的所述非目标的图像特征相似度高于预先设定的阈值的情况下，确定所述目标图像中不包括所述目标；或者，在所述匹配结果指示了所述目标图像中的图像特征与所述非目标信息中的所述非目标的图像特征相似度低于预先设定的所述阈值的情况下，确定所述目标图像中包括所述目标。
12.可选地，根据所述非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，包括：使用第一模型对所述目标图像进行分析，得到分析结果，其中，所述
分析结果用于指示所述目标图像中是否包括所述目标，其中，所述第一模型为使用多组数据对深度神经网络进行训练得到的，所述多组数据均包括：多个样本非目标图像，以及，所述多个样本非目标图像中的非目标的信息。
13.可选地，在所述根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标之后，所述方法还包括：显示确定后所得到的目标图像。
14.根据本发明的另一个实施例，提供了一种目标的识别装置，包括：
15.第一识别模块，用于对待识别的图像进行目标识别，得到目标图像；
16.第二识别模块，用于根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，其中，所述非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息。
17.根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
18.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
19.通过本发明实施例，由于对待识别的图像进行目标识别，得到目标图像；根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，其中，所述非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息，因此，可以解决相关技术中目标识别率较低的问题，达到提高目标识别准确率的效果。
附图说明
20.此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
21.图1是本发明实施例的一种目标的识别方法的计算机终端的硬件结构框图；
22.图2是根据本发明实施例的目标的识别方法的流程图；
23.图3是根据本发明实施例的目标的识别装置的结构框图；
24.图4是根据本发明可选实施方式的人脸识别方法的流程示意图；
25.图5是根据本发明可选实施方式的非人脸标注的流程示意图。
具体实施方式
26.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
28.实施例1
29.本申请实施例一所提供的方法实施例可以在服务器、服务器或者类似的运算装置中执行。以运行在服务器上为例，图1是本发明实施例的一种目标的识别方法的服务器的硬件结构框图。如图1所示，服务器10可以包括一个或多个(图1中仅示出一个)处理器102(处
理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述服务器的结构造成限定。例如，服务器10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
30.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的目标的识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
31.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
32.在本实施例中提供了一种运行于上述运算装置的目标的识别方法，图2是根据本发明实施例的目标的识别方法的流程图，如图2所示，该流程包括如下步骤：
33.步骤s202，对待识别的图像进行目标识别，得到目标图像；
34.步骤s204，根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，其中，该非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息。
35.通过上述步骤，由于对待识别的图像进行目标识别，得到目标图像；根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，其中，所述非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息，因此，可以解决相关技术中目标识别率较低的问题，达到提高目标识别准确率的效果。
36.可选地，在根据该非目标信息对该目标图像进行识别之前，该方法还包括：提取该历史识别所得到的历史目标图像中被错误识别的该非目标图像中的非目标的图像特征作为该非目标信息。
37.可选地，该根据该非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，包括：将该目标图像与该非目标信息进行匹配；根据匹配结果确定该目标图像中是否包括该目标。
38.可选地，该将该目标图像与该非目标信息进行匹配，包括：确定该目标图像的图像特征；将该目标图像的图像特征与该非目标信息进行匹配，得到匹配结果。
39.可选地，该根据匹配结果确定该目标图像中是否包括该目标，包括：在该匹配结果指示了该目标图像中的图像特征与该非目标信息中的该非目标的图像特征相似度高于预先设定的阈值的情况下，确定该目标图像中不包括该目标；或者，在该匹配结果指示了该目标图像中的图像特征与该非目标信息中的该非目标的图像特征相似度低于预先设定的该
阈值的情况下，确定该目标图像中包括该目标。
40.可选地，根据该非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，包括：使用第一模型对该目标图像进行分析，得到分析结果，其中，该分析结果用于指示该目标图像中是否包括该目标，其中，该第一模型为使用多组数据对深度神经网络进行训练得到的，该多组数据均包括：多个样本非目标图像，以及，该多个样本非目标图像中的非目标的信息。
41.可选地，在该根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标之后，该方法还包括：显示确定后所得到的目标图像。
42.在本实施例中还提供了一种目标的识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
43.图3是根据本发明实施例的目标的识别装置的结构框图，如图3所示，该装置包括：
44.第一识别模块31，用于对待识别的图像进行目标识别，得到目标图像；
45.第二识别模块33，用于根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，其中，该非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息。
46.通过上述模块，由于对待识别的图像进行目标识别，得到目标图像；根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，其中，该非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息，因此，可以解决相关技术中目标识别率较低的问题，达到提高目标识别准确率的效果。
47.可选地，该装置还包括：提取模块，用于在根据该非目标信息对该目标图像进行识别之前，提取该历史识别所得到的历史目标图像中被错误识别的该非目标图像中的非目标的图像特征作为该非目标信息。
48.可选地，第二识别模块33，包括：匹配子模块，用于将该目标图像与该非目标信息进行匹配；确定子模块，用于根据匹配结果确定该目标图像中是否包括该目标。
49.可选地，匹配子模块，包括：确定子单元，用于确定该目标图像的图像特征；匹配子单元，用于将该目标图像的图像特征与该非目标信息进行匹配，得到匹配结果。
50.可选地，在该匹配结果指示了该目标图像中的图像特征与该非目标信息中的该非目标的图像特征相似度高于预先设定的阈值的情况下，确定该目标图像中不包括该目标；或者，在该匹配结果指示了该目标图像中的图像特征与该非目标信息中的该非目标的图像特征相似度低于预先设定的该阈值的情况下，确定该目标图像中包括该目标。
51.可选地，所述第二识别模块33，包括：分析子模块，用于使用第一模型对该目标图像进行分析，得到分析结果，其中，该分析结果用于指示该目标图像中是否包括该目标，其中，该第一模型为使用多组数据对深度神经网络进行训练得到的，该多组数据均包括：多个样本非目标图像，以及，该多个样本非目标图像中的非目标的信息。
52.可选地，该装置还包括：显示模块，用于在该根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标之后，显示确定后所得到的目标图像。
53.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通
过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
54.可选实施方式
55.本发明实施例是一种通过标注生成非人脸特征库从而降低人脸分析任务抓拍误检率的业务手段，主要面向安防、人脸识别等场景，对视频分析平台的误检率进行调整，提升系统性能；本发明尤其涉及人工智能(ai)领域。以下结合具体的人脸识别场景对本发明进行进一步说明，需要说明的是，本发明实施例所提供的方案也不限于人脸识别的场景，也可以是识别其他目标的场景。
56.在本实施方式中，可以构建一个有监督功能的能够识别人脸的视频分析平台，根据标注的非人脸特征库来实现对非人脸图片的过滤。
57.本实施方式中，人工标注非人脸特征库的业务流程，其基本原理是对非人脸内容进行判断和标注，例如可以人工标注，其准确性高于基于深度学习算法的视频分析平台。鉴于非人脸图片的特征彼此之间存在很高的相似度，可以作为区分人脸和非人脸的分类条件。在本实施方式中，在业务层增加一个环节，即利用和非人脸特征库的比对实现非人脸的过滤。
58.在日常的测试工作中，申请人发现，即被错误识别出的非人脸的抓拍图片彼此之间有着很高的相似度，甚至超过了90％，这使得我们可以在短时间内无法提升算法精确度的情况下，通过对这些非人脸抓拍图片进行过滤，从而降低人脸分析任务抓拍的误检率。
59.本实施方式提出的方案为：首先需要说明的是，针对一个初始的相关技术中的视频分析平台，该分析平台是没有非人脸特征库的，所有通过算法所识别成人脸的结果(不论是否是人脸)，都会被作为结果展示到前端页面。在本实施方式中，可以在前端对识别出的结果进行标注，例如通过界面按钮的方式标注该识别结果图片，具体地，可以标注出前述的识别成人脸的结果中被识别错误的图片(即不包括人脸的图片)，还可以在该识别错误的图片中标注该图片中疑似被识别成人脸的内容。标注后的图片被记为非人脸图片，其特征将会被保留到服务器本地的相应目录中，形成了非人脸特征库；然后，在存在非人脸特征库的情况下，之后的每一张抓拍结果，都会在后台和非人脸特征库的特征进行比对，鉴于非人脸图片之间存在很高的相似度，当相似度超过某一个阈值后，视频分析平台就会二次判断确定这张图片为非人脸图片，进而不在前端页面展示人脸识别结果。
60.示例性地，操作员查看分析任务的人脸抓拍结果，人工判断是非人脸的图片，通过点击按钮的方式将该图片标记为非人脸；后台收到标记请求，会将该图片的特征保存到服务器，保存路径可配置；后续对分析任务抓拍到的图片进行二次判断，即将分析人物抓拍到的图片和之前标记的非人脸图片的特征进行比对，当相似度比对的结果大于某一个可配置的阈值时，系统即判定这张抓拍图片也是非人脸图片，进行丢弃处理，从而不会在前端页面展示。
61.需要说明的是，利用非人脸特征库进行二次比对的业务流程，可以降低人脸识别系统的误检率；利用人工标注的方式，可以不断优化非人脸特征库，进一步降低人脸识别系统的误检率。
62.图4是根据本发明可选实施方式的人脸识别方法的流程示意图，如图4所示，包括：
63.视频分析平台从摄像头点位获取视频流，通过算法模型进行人脸识别，得到识别
结果；
64.将识别结果与非人脸特征库进行特征比对；如果识别结果中的图像特征与非人脸特征库中的特征的相似度超过阈值，则表示识别结果是非人脸的结果，则页面不展示该非人脸的识别结果；如果识别结果中的图像特征与非人脸特征库中的特征的相似度小于阈值，则表明识别结果是人脸，则页面展示该人脸识别结果。
65.图5是根据本发明可选实施方式的非人脸标注的流程示意图，如图5所示，包括：
66.视频分析平台从摄像头点位获取视频流，通过算法模型进行人脸识别，得到识别结果；
67.将识别结果与非人脸特征库进行特征比对；如果识别结果中的图像特征与非人脸特征库中的特征的相似度超过阈值，则表示识别结果是非人脸的结果，则页面不展示该非人脸的识别结果；如果识别结果中的图像特征与非人脸特征库中的特征的相似度小于阈值，则表明识别结果是人脸，则页面展示该人脸识别结果。
68.判断页面展示的识别结果，判断其中是否包括了非人脸结果，如果不包括，则不执行额外的操作，如果页面展示的识别结果是包括了非人脸结果，则标注该图片，也可以标注该非人脸图片中的非人脸特征，以对非人脸特征库进行扩充并且将该图片移至标注管理页面。
69.还需要说明的是，本实施方式可以针对vap视频分析平台进行业务流程的优化，主要运用于安防监控领域。
70.具体实施方案按模块划分共有三个部分：
71.前端：前端需要增加标注的按钮，用来发送请求，告诉后端系统这张图片需要进行标注处理，即这是一张非人脸；可选地，还需要有独立的一级菜单或是新的web页面，专门用来做标注管理，即将所有在该平台标注的非人脸图片统一管理；该页面需要具备以下功能：图片来源进行查询、撤销标注、导出。其中，图片来源可以是摄像头点位，通过点位来归类图片是一种有效的方法，有利于之后的查询；对于一些可能出现误操作带来的标注样本，允许将该图片恢复；导出可以将这些图片或者是被选中的图片以压缩包的形式导出到本地。
72.后端系统：后端系统需要提供相应的接口，例如标注接口，以及标注管理页面的所有相关接口。可选地，在业务流程方面，需要在产生人脸抓拍之后，在前端展示之前多增加一个流程，即和非人脸特征库进行特征比对的流程，需要调用已有的比对接口，若比对的结果超过阈值，还需要将图片进行移动(到标注管理页面)，而不往分析任务的结果处展示图片。
73.算法系统：后端系统对标注的图片进行特征保存，需要保存到算法系统当中，特征文件同时加载到内存当中。对于撤销标注的请求，还需要将特征文件进行同步删除操作，同时更新到内存当中。
74.本实施方式可以应用在在展会现场使用固定摄像头进行人脸抓拍业务展示的场景中，通过使用现场的固定摄像头，来展示视频分析平台的人脸识别技术。由于现场情况较为复杂，摄像头的布置不能做到十分规范，导致现场实际展示时，会有较多非人脸图片作为系统的识别结果展示出来。现在利用非人脸特征库比对的过程，可以通过人工标注的方式将现场的非人脸抓拍图片进行标注，从而让系统生成基于展会现场的非人脸特征库，如展会现场的一个椅子等，从而使得在标注之后，不再产生这种类似的非人脸抓拍情况，提升了
识别效果。
75.本实施方式也可以应用在视频监控场景预先部署非人脸特征库进入系统的场景中，以达到降低人脸误检率的效果。以某公安局点为例，在开局部署时，除了正常部署业务版本之外，可以同时添加在之前测试过程中收集的非人脸特征库，通过非人脸特征库和抓拍图片二次比对的手段，可以过滤掉大部分的非人脸图片。可以通过手工标注的方式，针对该局点摄像头的数据进行非人脸特征库定制化的调优，进一步降低人脸识别的误检率。
76.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
77.本发明的实施例还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
78.可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
79.s1，对待识别的图像进行目标识别，得到目标图像；
80.s2，根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，其中，该非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息。
81.通过上述步骤，由于对待识别的图像进行目标识别，得到目标图像；根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，其中，所述非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息，因此，可以解决相关技术中目标识别率较低的问题，达到提高目标识别准确率的效果。
82.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
83.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
84.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
85.可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
86.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
87.s1，对待识别的图像进行目标识别，得到目标图像；
88.s2，根据非目标信息对该目标图像进行识别，确定该目标图像中是否包括该目标，其中，该非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的
非目标的信息。
89.通过上述步骤，由于对待识别的图像进行目标识别，得到目标图像；根据非目标信息对所述目标图像进行识别，确定所述目标图像中是否包括所述目标，其中，所述非目标信息包括历史识别所得到的历史目标图像中被错误识别的非目标图像中的非目标的信息，因此，可以解决相关技术中目标识别率较低的问题，达到提高目标识别准确率的效果。
90.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
91.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
92.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。