一种图像处理方法及装置与流程

1.本公开涉及图像处理技术领域，尤其涉及一种图像处理方法及装置。


背景技术：

2.人体重识技术是指从某个视频中的用户轨迹，提取该用户的特征，并利用所提取的用户特征，在拍摄了该用户轨迹的另外一个视频中找出来，重新识别出来。然而现有视频人体重识别技术中，一般是将单人体特征进行简单相加，从而得到用户的特征，但是采用这种方式所得到的用户的特征的信息量较少，会导致人体重识别结果的精准率会有很大的下降。因此，需要一种新的用于人体重识别的图像处理方法。


技术实现要素：

3.有鉴于此，本公开实施例提供了一种图像处理方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中由于所得到的用户的特征的信息量较少，所导致的人体重识别结果的精准率低下的问题。
4.本公开实施例的第一方面，提供了一种图像处理方法，所述方法包括：
5.获取目标视频，以及提取所述目标视频中的若干目标视频帧；
6.针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图；
7.根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图；
8.根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图；
9.根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。
10.本公开实施例的第二方面，提供了一种图像处理装置，所述装置包括：
11.图像获取单元，用于获取目标视频，以及提取所述目标视频中的若干目标视频帧；
12.第一确定单元，用于针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图；
13.第二确定单元，用于根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图；
14.第三确定单元，用于根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图；
15.信息确定单元，用于根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。
16.本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述
方法的步骤。
17.本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
18.本公开实施例与现有技术相比存在的有益效果是：本公开实施例获取目标视频后，可以先提取所述目标视频中的若干目标视频帧；然后，可以针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图；接着，可以根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图；紧接着，可以根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图；最后，可以根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。由于本实施例中在提取目标视频中人体特征信息过程中，会针对每一单张目标视频帧先提取该目标视频帧的关联聚合特征图，即提取垂直方向的多向量特征图，以及，利用时空卷积与全时空注意力方式对若干目标视频帧各自分别对应的关联聚合特征图进行计算，得到目标视频对应的人体特征信息，极大地压缩了原本要获得时空关联的超大计算量；这样，本实施例可以实现提取到视频中包含更多信息的人体特征信息，并且能够减少人体特征信息的计算量，从而提高了人体特征信息的提取效率以及人体特征信息所包含的信息量，进而可以使得利用人体特征信息所获取到的人体重识别结果更加精准。
附图说明
19.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
20.图1是本公开实施例的应用场景的场景示意图；
21.图2是本公开实施例提供的图像处理方法的流程图；
22.图3是本公开实施例提供的图像处理装置的框图；
23.图4是本公开实施例提供的计算机设备的示意图。
具体实施方式
24.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
25.下面将结合附图详细说明根据本公开实施例的一种图像处理方法和装置。
26.在现有技术中，一般是将单人体特征进行简单相加，从而得到用户的特征，但是采用这种方式所得到的用户的特征的信息量较少，会导致人体重识别结果的精准率会有很大的下降。因此，需要一种新的用于人体重识别的图像处理方法。
27.为了解决上述问题，本发明提供了一种图像处理方法，在本方法中，可以在提取目标视频中人体特征信息过程中，会针对每一单张目标视频帧先提取该目标视频帧的关联聚
合特征图，即提取垂直方向的多向量特征图，以及，利用时空卷积与全时空注意力方式对若干目标视频帧各自分别对应的关联聚合特征图进行计算，得到目标视频对应的人体特征信息，极大地压缩了原本要获得时空关联的超大计算量；这样，本实施例可以实现提取到视频中包含更多信息的人体特征信息，并且能够减少人体特征信息的计算量，从而提高了人体特征信息的提取效率以及人体特征信息所包含的信息量，进而可以使得利用人体特征信息所获取到的人体重识别结果更加精准。
28.举例说明，本发明实施例可以应用到如图1所示的应用场景。在该场景中，可以包括终端设备1和服务器2。
29.终端设备1可以是硬件，也可以是软件。当终端设备1为硬件时，其可以是具有图像采集功能且支持与服务器2通信的各种电子设备，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；当终端设备1为软件时，其可以安装在如上该的电子设备中。终端设备1可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。服务器2可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器2可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
30.需要说明的是，服务器2可以是硬件，也可以是软件。当服务器2为硬件时，其可以是为终端设备1提供各种服务的各种电子设备。当服务器2为软件时，其可以是为终端设备1提供各种服务的多个软件或软件模块，也可以是为终端设备1提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
31.终端设备1与服务器2可以通过网络进行通信连接。网络可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(bluetooth)、近场通信(near field communication，nfc)、红外(infrared)等，本公开实施例对此不作限制。
32.具体地，用户可以通过终端设备1输入目标视频，终端设备1将目标视频向服务器2发送。服务器2先提取所述目标视频中的若干目标视频帧；然后，针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图；接着，根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图；紧接着，根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图；再接着，根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。这样，可以实现提取到视频中包含更多信息的人体特征信息，并且能够减少人体特征信息的计算量，从而提高了人体特征信息的提取效率以及人体特征信息所包含的信息量，进而可以使得利用人体特征信息所获取到的人体重识别结果更加精准。
33.需要说明的是，终端设备1和服务器2以及网络的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
34.需要注意的是，上述应用场景仅是为了便于理解本公开而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
35.图2是本公开实施例提供的一种图像处理方法的流程图。图2的一种图像处理方法
可以由图1的终端设备或服务器执行。如图2所示，该图像处理方法包括：
36.s101：获取目标视频，以及提取所述目标视频中的若干目标视频帧。
37.在本实施例中，目标视频可以理解为需要进行人体特征信息提取的图像。在一种实现方式中，目标视频可以为需要进行人体重识的视频。作为一种示例，目标视频可以是通过安装在固定位置的监控摄像头采集的，也可以是通过移动终端设备采集到的，还可以是从预先存储有视频的存储设备中读取到的。需要说明的是，在一种实现方式中，目标视频还可以是从一个视频中截取到的视频。
38.由于目标视频中包括的视频帧数量较多，并且有些视频帧的质量较差，例如视频帧较为模糊或者没有用户，会导致提取准确的人体特征信息的难度较大且计算量较大。因此，在一种实现方式中，可以在获取到目标视频后，可以先提取所述目标视频中的若干目标视频帧，其中，目标视频帧可以理解为目标视频中图像质量的质量分数满足预设质量条件的视频帧。这样，可以基于目标视频中的目标视频帧计算目标视频中的人体特征信息，以能够降低计算目标视频中的人体特征信息的计算量。
39.s102：针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图。
40.在获取到目标视频的若干目标视频帧后，可以分别确定每一个目标视频帧的关联聚合特征图。其中，目标视频帧的关联聚合特征图为能够反映该目标视频帧中每行向量之间的关联聚合关系，从而能够使得关联聚合特征图能够包含目标视频帧中更多的细节信息。
41.具体地，针对每一目标视频帧，可以先对该目标视频帧进行下采样处理，得到目标视频帧的下采样特征图。然后，可以利用目标视频帧的下采样特征图，计算该目标视频帧的关联聚合特征图。
42.s103：根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图。
43.在获取到每一目标视频帧各自分别对应的关联聚合特征图后，可以对所有目标视频帧各自分别对应的关联聚合特征图进行时空卷积计算，即对所有目标视频帧各自分别对应的关联聚合特征图进行时间和空间上的卷积计算，得到目标视频对应的时空卷积特征图。其中，目标视频对应的时空卷积特征图可以理解为目标视频对应的在时间和空间维度下的卷积特征向量，这样可以进一步使得关联聚合特征图能够包含目标视频帧中更多的细节信息。
44.s104：根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图。
45.在获取到目标视频对应的时空卷积特征图后，可以利用目标视频对应的时空卷积特征图，得到目标视频对应的全时空注意力特征图。其中，目标视频对应的全时空注意力特征图，可以理解为目标视频对应的在时间和空间维度下的注意力特征向量。
46.作为一种示例，可以对目标视频对应的时空卷积特征图进行全时空维度上的注意力计算，得到目标视频在全时空维度上的注意力特征向量，以及，将目标视频在全时空维度上的注意力特征向量作为目标视频对应的全时空注意力特征图。
47.需要说明的是，在一种实现方式中，得到目标视频对应的全时空注意力特征图后，
可以将目标视频对应的全时空注意力特征图作为关联聚合特征图，继续执行s103和s104，直至执行s103和s104的次数达到预设次数，再执行s105。
48.s105：根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。
49.在获取到目标视频对应的全时空注意力特征图后，可以根据目标视频对应的全时空注意力特征图，确定该目标视频对应的人体特征信息。例如，可以对目标视频对应的全时空注意力特征图进行平均池化处理，得到目标视频对应的人体特征信息。需要说明的是，目标视频对应的人体特征信息可以为目标视频中能够反映一个用户的人体特征的特征向量，可以理解的是，不同用户的人体特征信息是不同的。
50.本公开实施例与现有技术相比存在的有益效果是：本公开实施例获取目标视频后，可以先提取所述目标视频中的若干目标视频帧；然后，可以针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图；接着，可以根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图；紧接着，可以根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图；最后，可以根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。由于本实施例中在提取目标视频中人体特征信息过程中，会针对每一单张目标视频帧先提取该目标视频帧的关联聚合特征图，即提取垂直方向的多向量特征图，以及，利用时空卷积与全时空注意力方式对若干目标视频帧各自分别对应的关联聚合特征图进行计算，得到目标视频对应的人体特征信息，极大地压缩了原本要获得时空关联的超大计算量；这样，本实施例可以实现提取到视频中包含更多信息的人体特征信息，并且能够减少人体特征信息的计算量，从而提高了人体特征信息的提取效率以及人体特征信息所包含的信息量，进而可以使得利用人体特征信息所获取到的人体重识别结果更加精准。
51.接下来，将介绍s201中“提取所述目标视频中的若干目标视频帧”的一种实现方式，即，在本实施例中，提取所述目标视频中的若干目标视频帧的步骤可以包括以下步骤：
52.s201a：对所述目标视频进行人体检测，得到所述目标视频中的人体视频帧。
53.在本实施例中，可以对目标视频中的每一帧视频帧进行人体检测，即检测视频帧中是否出现人体。若检测到一视频帧的画面中包括人体，则可以将该视频帧作为人体视频帧。这样，对目标视频进行人体检测后，便可以得到该目标视频中的所有人体视频帧。
54.s201b：针对每一人体视频帧，将该人体视频帧输入已训练的人体质量模型，得到该人体视频帧的质量分数。
55.接下来，可以分别将每一人体视频帧输入已训练的人体质量模型，得到该人体视频帧的质量分数。可以理解的是，人体视频帧的质量分数越高，说明该人体视频帧的图像质量越高(例如画面更清晰)，反之，人体视频帧的质量分数越低，说明该人体视频帧的图像质量越低。其中，所述人体质量模型是基于人体质量训练样本集训练得到的，所述人体质量训练样本集包括若干人体样本图像以及各个人体样本图像对应的质量分数训练得到的。
56.在一种实现方式中人体样本图像对应的质量分数是根据所述人体样本图像的类内密度和类间密度所确定的。接下来，将介绍如何根据人体样本图像的类内密度和类间密度确定人体样本图像对应的质量分数。
57.第一步，可以确定人体样本图像的类内密度，即均为同一用户的样本图像的类内密度。
58.具体地，可以先获取包括人体样本图像在内的均为用户a的若干张样本图像，即上述若干张样本图像中均包括用户a的人体图像。然后，可以提取每张样本图像的人体特征以及人体样本图像的人体特征。接着，对于人体样本图像的人体特征，可以算出人体样本图像的人体特征和其它样本图像的人体特征之间的距离；在一种实现方式中，可以采用欧式距离作为人体样本图像的人体特征和其它样本图像的人体特征之间的距离，例如可以通过以下欧式距离计算公式计算人体样本图像的人体特征和其它样本图像的人体特征之间的距离：其中，a为人体样本图像，ai为人体样本图像的人体特征，b为样本图像，bi为样本图像的人体特征，dist(a，b)为人体样本图像的人体特征和其它样本图像的人体特征之间的欧式距离；在另一种实现方式中，可以采用余弦距离作为人体样本图像的人体特征和其它样本图像的人体特征之间的距离，例如可以通过以下余弦距离计算公式计算人体样本图像的人体特征和其它样本图像的人体特征之间的距离：dist(a，b)＝cos(ai，bi)，其中，a为人体样本图像，ai为人体样本图像的人体特征，b为样本图像，bi为样本图像的人体特征，dist(a，b)为人体样本图像的人体特征和其它样本图像的人体特征之间的余弦距离。
59.接着，对人体样本图像的人体特征和其它样本图像的人体特征之间的距离进行排序，可以得到与人体样本图像的人体特征距离最近的k个样本图像的人体特征，其中，k为大于1的正整数。将上述k个样本图像的人体特征与人体样本图像的人体特征的距离的平均值，作为一阶类内密度，具体公式为：
[0060][0061]
其中，wi为一阶类内密度，k为样本图像的数量，dist(i，j)代表第j个样本图像的人体特征与人体样本图像i的人体特征的距离。需要说明的是，人体样本图像的一阶类内密度也可以通过上述方式计算得到。
[0062]
紧接着，将上述k个样本图像的人体特征与人体样本图像的人体特征的距离的加权平均值作为二阶类内密度，以及将该二阶类内密度作为人体样本图像的类内密度；其中，每个样本图像的人体特征的权值为每个样本图像的人体特征的一阶类内密度；具体地，可以通过下述公式计算二阶类内密度：
[0063][0064]
其中，σi代表人体样本图像的二阶类内密度；wj为第j个样本图像的人体特征的一阶类内密度，k为样本图像的数量，dist(i，j)代表第j个样本图像的人体特征与人体样本图像i的人体特征的距离。
[0065]
可以理解的是，在一个用户的样本图像集合中，样本图像的类内密度越大，说明该样本图像的质量越高，反之，样本图像的类内密度越小，说明该样本图像的质量越低。
[0066]
第二步，可以确定人体样本图像的类间密度，即不同用户的样本图像的类间密度。
[0067]
具体地，可以先获取包括人体样本图像在内的不同用户的若干张样本图像，即人体样本图像中所包括的人体图像对应的用户以及上述各张样本图像中所包括的人体图像对应的用户均是不相同的用户。然后，可以提取每张样本图像的人体特征以及人体样本图像的人体特征。对于人体样本图像的人体特征，可以算出人体样本图像的人体特征和其它样本图像的人体特征之间的距离；在一种实现方式中，可以采用欧式距离作为人体样本图像的人体特征和其它样本图像的人体特征之间的距离，例如可以通过以下欧式距离计算公式计算人体样本图像的人体特征和其它样本图像的人体特征之间的距离：其中，a为人体样本图像，ai为人体样本图像的人体特征，b为样本图像，bi为样本图像的人体特征，dist(a，b)为人体样本图像的人体特征和其它样本图像的人体特征之间的欧式距离；在另一种实现方式中，可以采用余弦距离作为人体样本图像的人体特征和其它样本图像的人体特征之间的距离，例如可以通过以下余弦距离计算公式计算人体样本图像的人体特征和其它样本图像的人体特征之间的距离：dist(a，b)＝cos(ai，bi)，其中，a为人体样本图像，ai为人体样本图像的人体特征，b为样本图像，bi为样本图像的人体特征，dist(a，b)为人体样本图像的人体特征和其它样本图像的人体特征之间的余弦距离。
[0068]
接着，对人体样本图像的人体特征和其它样本图像的人体特征之间的距离进行排序，可以得到与人体样本图像的人体特征距离最近的d个样本图像的人体特征，其中，d为大于1的正整数。将上述d个样本图像的人体特征与人体样本图像的人体特征的距离的平均值，作为一阶类间密度，具体公式为：
[0069][0070]
其中，αi为人体样本图像的一阶类间密度，d为样本图像的数量，dist(i，j)代表第j个样本图像的人体特征与人体样本图像i的人体特征的距离。需要说明的是，各个人体样本图像的一阶类间密度也可以通过上述方式计算得到。
[0071]
紧接着，将上述d个样本图像的人体特征与人体样本图像的人体特征的距离的加权平均值作为二阶类间密度，以及将该二阶类间密度作为人体样本图像的类间密度；其中，每个样本图像的人体特征的权值为每个样本图像的人体特征的一阶类间密度；具体地，可以通过下述公式计算二阶类间密度：
[0072][0073]
其中，βi代表人体样本图像的二阶类间密度；αj为第j个样本图像的人体特征的一阶类间密度，d为样本图像的数量，dist(i，j)代表第j个样本图像的人体特征与人体样本图像i的人体特征的距离。
[0074]
可以理解的是，在一个用户的样本图像集合中，样本图像的类间密度越大，说明该样本图像的质量越高，反之，样本图像的类间密度越小，说明该样本图像的质量越低。
[0075]
第三步，根据人体样本图像的类内密度和类间密度确定人体样本图像对应的质量分数。
[0076]
作为一种示例，可以通过下列公式计算人体样本图像对应的质量分数：
[0077][0078]
其中，u为人体样本图像对应的质量分数；σi代表人体样本图像的二阶类内密度(即人体样本图像的类内密度)；βi代表人体样本图像的二阶类间密度(即人体样本图像的类间密度)；γ为预设常数，一般取0.8。
[0079]
这样，通过上述第一步至第三步便可以得到人体样本图像对应的质量分数。
[0080]
在确定人体样本图像的质量分数后，可以将人体样本图像的质量分数作为该人体样本图像的回归标签。这样，便可以得到人体质量训练样本集。在一种实现方式中，可以将质量分数归一化在(0，1)之间，就可以搭建神经网络对其进行回归。
[0081]
在本实施例中，人体质量模型可以使用轻量网络，如可以使用resnet18，并在resnet18后面加维度为(512，1)的全连接层，再增加sigmoid操作层；其中，损失函数可以使用smoothl1损失函数：
[0082]
loss＝smoothl1(u,v)，其中，u为预测得到的质量分数，v为回归标签对应的质量分数
[0083]
从而，可以训练出一个轻量的人体质量模型。
[0084]
s201c：将质量分数满足预设条件的人体视频帧作为目标视频帧；
[0085]
在得到每一人体视频帧的质量分数后，可以基于人体视频帧的质量分数，判断人体视频帧是否可以作为目标视频帧。作为一种示例，预设条件可以为人体视频帧的质量分数大于预设质量分数阈值，即若一人体视频帧的质量分数大于预设质量分数阈值，则可以将该人体视频帧作为目标视频帧。在一种实现方式中，可以通过质量分数筛选得到质量分数满足预设条件的预设数量的目标视频帧，比如可以得到了视频时间序列中的16张代表性图片(即质量分数满足预设条件的预设数量的目标视频帧)；这样，便可以通过后续的特征提取，得到目标视频帧的垂直空间的16个特征向量，从而可以提高人体特征信息所包含的信息量。
[0086]
接下来，将介绍s202“针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图”的一种实现方式，即，在本实施例中，针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图的步骤可以包括以下步骤：
[0087]
s202a：针对每一目标视频帧，将所述目标视频帧输入已训练的关联聚合特征提取模型中的下采样层，得到所述目标视频帧的下采样特征图。
[0088]
作为一种示例，关联聚合特征提取模型可以为残差神经网络resnet，即将残差神经网络resnet作为关联聚合特征提取模型的主干网络。在一种实现方式中，目标视频帧的分辨率可以为(3，256，128)，另外，下采样层可以包括四层下采样层；可以理解为，目标视频帧经过四次下采样，可以得到分辨率(即维度)为(512，16，8)的下采样特征图，即将最后一层下采样层所输出的特征图作为目标视频帧的下采样特征图，且该下采样特征图的高度是16，宽度是8，深度是512。
[0089]
s202b：将所述下采样特征图输入所述关联聚合特征提取模型中的关联聚合层，得
到所述目标视频帧的关联聚合特征图。
[0090]
在获取到目标视频帧的下采样特征图后，可以将所述下采样特征图输入所述关联聚合特征提取模型中的关联聚合层，得到所述目标视频帧的关联聚合特征图。作为一种示例，所述关联聚合层可以包括降维嵌入层、相关系数确定层、相邻行关联聚合层和行内聚合层。
[0091]
具体地，可以将所述下采样特征图输入所述降维嵌入层，通过所述降维嵌入层对所述下采样特征图进行降维处理，得到降维后的下采样特征图。作为一种示例，降维嵌入层可以将下采样特征图乘上一可学习矩阵，得到降维后的下采样特征图。例如下采样特征图下采样特征图的某一行向量r有8个512维向量，其上一行向量也是8个512维向量，分别乘上维度(512，128)的可学习矩阵，可以将下采样特征图的每一行向量的维度从512降至128。
[0092]
然后，可以将所述降维后的下采样特征图输入所述相关系数确定层，利用所述相关系数确定层，确定所述降维后的下采样特征图中每一行特征向量对应的相邻行相关系数。作为一种示例，针对降维后的下采样特征图中每一行特征向量，可以根据该行特征向量和该行特征向量的上一行特征向量、下一行特征向量，确定该行特征向量对应的相邻行相关系数；需要说明的是，针对降维后的下采样特征图中的第一行特征向量，可以根据该行特征向量和该行特征向量的下一行特征向量，确定该行特征向量对应的相邻行相关系数，而针对降维后的下采样特征图中的最后一行特征向量，可以根据该行特征向量和该行特征向量的上一行特征向量，确定该行特征向量对应的相邻行相关系数。具体地，可以先根据该行特征向量和该行特征向量的上一行特征向量、下一行特征向量分别进行归一化处理后再进行点乘，得到对应的乘积，即(其中，τ-1
为该行特征向量和该行特征向量的上一行特征向量的乘积，r1为该行特征向量，r
1-1
为该行特征向量的上一行特征向量)，τ 1＝r
1tr1 1
(其中，τ
1
为该行特征向量和该行特征向量的下一行特征向量的乘积，r1为该行特征向量，r
1 1
为该行特征向量的下一行特征向量)，r
1t
可以理解为该行特征向量的转置矩阵。这样，便可以将该行特征向量和该行特征向量的上一行特征向量、下一行特征向量的乘积τ-1
和τ
1
，作为所述降维后的下采样特征图中每一行特征向量对应的相邻行相关系数。
[0093]
接下来，可以将所述降维后的下采样特征图和所述下采样特征图中每一行特征向量对应的相邻行相关系数输入所述相邻行关联聚合层，得到相邻行关联聚合特征图。具体地，相邻行关联聚合层可以将该行特征向量、该行特征向量与该行特征向量的上一行特征向量和/或下一行特征向量的乘积(即该行特征向量对应的相邻行相关系数)之和作为该行特征向量对应的相邻行关联聚合特征图，即可以通过下述公式确定该行特征向量对应的相邻行关联聚合特征图：
[0094][0095]
其中，ri为第i行特征向量对应的相邻行关联聚合特征图，ri为第i行特征向量，r
i-1
为第i行特征向量的上一行特征向量，r
i 1
为第i行特征向量的下一行特征向量，τ
i-1
为该行特征向量和该行特征向量的上一行特征向量的乘积，τ
i 1
为该行特征向量和该行特征向量的上一行特征向量的乘积。
[0096]
紧接着，可以将所述相邻行关联聚合特征图输入所述行内聚合层，得到所述目标视频帧的关联聚合特征图。行内聚合层可以针对每一行特征向量，将该行特征向量对应的
相邻行关联聚合特征图右乘第二学习矩阵，然后再进行softmax操作，得到该行特征向量对应的权重值，例如，可以利用下列公式得到该行特征向量对应的权重值，gi＝softmax(ri*w)，其中，ri为第i行特征向量对应的相邻行关联聚合特征图，w为第二学习矩阵，softmax()为softmax操作函数，gi为第i行特征向量对应的权重值；以及，行内聚合层可以根据该行特征向量对应的权重值以及该行特征向量，得到该行特征向量的目标关联聚合特征图，例如，可以将该行特征向量对应的权重值与该行特征向量的乘积作为该行特征向量的目标关联聚合特征图。接下来，行内聚合层可以根据每一行特征向量的目标关联聚合特征图，得到目标视频帧的关联聚合特征图，例如，行内聚合层可以将每一行特征向量的目标关联聚合特征图进行相加，得到目标视频帧的关联聚合特征图，比如，可以利用下列公式得到目标视频帧的关联聚合特征图，r
final
＝∑g
iri
，其中，r
final
为目标视频帧的关联聚合特征图，gi为第i行特征向量对应的权重值，ri为第i行特征向量。在一种实现方式中，目标视频帧的关联聚合特征图的维度可以是(512，16)。
[0097]
接下来，将介绍s203“根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图”的一种实现方式，即，在本实施例中，根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图的步骤可以包括以下步骤：
[0098]
s203a：将所述若干目标视频帧各自分别对应的关联聚合特征图进行拼接，得到所述目标视频对应的聚合特征图。
[0099]
在获取到每一张目标视频帧各自分别对应的关联聚合特征图后，可以将每一张目标视频帧各自分别对应的关联聚合特征图进行拼接，得到所述目标视频对应的聚合特征图。
[0100]
s203b：将所述聚合特征图输入时空卷积模型，利用所述时空卷积模型对所述聚合特征图进行时间和空间维度的卷积计算，得到所述目标视频对应的时空卷积特征图。
[0101]
其中，所述时空卷积模型包括第一卷积层(例如可以为通道是512、5x5的卷积层)、第一激活层(例如可以为gelu激活函数)、第二卷积层(例如可以为通道是2048、1x1的卷积层)、归一化层、第二激活层(例如可以为prelu激活函数)和第三卷积层(例如可以为通道是512、3x3的卷积层)。
[0102]
可见，经过上述时空卷积模型，对所述聚合特征图进行时间和空间维度的卷积计算，即对聚合特征图进行时间和空间上的卷积计算，经过一次时空卷积计算后，可以得到维度为(8，8，512)的时空卷积特征图，即目标视频对应的时空卷积特征图。
[0103]
接下来，将介绍s204“根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图”的一种实现方式，即，在本实施例中，根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图的步骤可以包括以下步骤：
[0104]
将所述目标视频对应的时空卷积特征图输入全时空注意力模型，利用所述全时空注意力模型对所述时空卷积特征图进行全时空维度的注意力计算，得到所述目标视频对应的全时空注意力特征图。
[0105]
其中，所述全时空注意力模型包括自注意力模块和两个全连接层，例如可以为维度为512的自注意力模块(self-attention)和两个全连接层(mlp)。
[0106]
在本实施例中，目标视频对应的时空卷积特征图，经过自注意力模块和两个全连接层进行全时空维度上的注意力计算后，可以得到所述目标视频对应的全时空注意力特征图。
[0107]
接下来，将介绍s205“根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息”的一种实现方式，即，在本实施例中，根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息的步骤可以包括以下步骤：
[0108]
将所述目标视频对应的全时空注意力特征图输入平均池化层，利用所述平均池化层对所述全时空注意力特征图进行平均池化操作，得到所述目标视频对应的人体特征信息。
[0109]
具体地，在得到目标视频对应的全时空注意力特征图后，可以将目标视频对应的全时空注意力特征图输入平均池化层，利用所述平均池化层对所述全时空注意力特征图进行平均池化操作，便可以得到512维向量的目标视频对应的人体特征信息。
[0110]
需要说明的是，本实施例中用于提取人体特征信息的且包括关联聚合特征提取模型、时空卷积模型、全时空注意力模型、平均池化层的人体特征信息提取模型的损失函数可以为三元组损失函数。其中，三元组损失函数的特点，是促使相同id(即同一个用户)的图像距离更靠近，不同id(即不同的用户)的图像距离更远。
[0111]
在本实施例的一种实现方式中，所述目标视频包括第一目标视频和第二目标视频，所述方法还包括：
[0112]
根据所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息，生成视频人体重识结果。
[0113]
作为一种示例，假设该方法用于进行视频中的人体比对场景，则目标视频包括第一目标视频和第二目标视频，即第一目标视频和第二目标视频为需要比对的两个视频，则针对第一目标视频和第二目标视频分别执行图2对应的图像处理方法，得到第一目标视频对应的人体特征信息和第二目标视频对应的人体特征信息。接着，可以根据所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息，生成视频人体重识结果，例如，若所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息相同(例如第一目标视频对应的人体特征信息和第二目标视频对应的人体特征信息的相似程度大于预设相似阈值)，则视频人体重识结果(即视频中的人体比对结果)为第一目标视频中出现的用户和第二目标视频中出现的用户为同个用户，反之，若所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息不相同(例如第一目标视频对应的人体特征信息和第二目标视频对应的人体特征信息的相似程度小于或等于预设相似阈值)，则视频人体重识结果(即视频中的人体比对结果)为第一目标视频中出现的用户和第二目标视频中出现的用户为不同用户。
[0114]
作为一种示例，假设该方法用于进行用户搜索场景，则目标视频包括第一目标视频和第二目标视频，其中第二目标视频为检索数据库中的任一视频，则可以先针对第一目标视频和第二目标视频分别执行图2对应的图像处理方法，得到第一目标视频对应的人体特征信息和第二目标视频对应的人体特征信息。接着，可以根据所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息，生成视频人体重识结果，例如，若
所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息相同(例如第一目标视频对应的人体特征信息和第二目标视频对应的人体特征信息的相似程度大于预设相似阈值)，则视频人体重识结果(即视频中的人体比对结果)为第一目标视频中出现的用户和第二目标视频中出现的用户为同个用户，则可以将第二目标视频作为第一目标视频对应的视频检索结果；反之，若所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息不相同(例如第一目标视频对应的人体特征信息和第二目标视频对应的人体特征信息的相似程度小于或等于预设相似阈值)，则视频人体重识结果(即视频中的人体比对结果)为第一目标视频中出现的用户和第二目标视频中出现的用户为不同用户，此时，可以认为第一目标视频和第二目标视频不匹配，即第二目标视频不能作为第一目标视频对应的视频检索结果。
[0115]
当然，本实施例还可以应用于其它的人体重识场景，在此不再一一列举。可见，本实施例通过提高了人体特征信息的提取效率以及人体特征信息所包含的信息量，进而可以使得利用人体特征信息所获取到的人体重识别结果更加精准。
[0116]
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
[0117]
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0118]
图3是本公开实施例提供的图像处理装置的示意图。如图3所示，该图像处理装置包括：
[0119]
图像获取单元301，用于获取目标视频，以及提取所述目标视频中的若干目标视频帧；
[0120]
第一确定单元302，用于针对每一目标视频帧，根据所述目标视频帧的下采样特征图，确定所述目标视频帧的关联聚合特征图；
[0121]
第二确定单元303，用于根据所述若干目标视频帧各自分别对应的关联聚合特征图，确定所述目标视频对应的时空卷积特征图；
[0122]
第三确定单元304，用于根据所述目标视频对应的时空卷积特征图，确定所述目标视频对应的全时空注意力特征图；
[0123]
信息确定单元305，用于根据所述目标视频对应的全时空注意力特征图，确定所述目标视频对应的人体特征信息。
[0124]
在一些实施例中，所述图像获取单元301，用于：
[0125]
对所述目标视频进行人体检测，得到所述目标视频中的人体视频帧；
[0126]
针对每一人体视频帧，将该人体视频帧输入已训练的人体质量模型，得到该人体视频帧的质量分数；
[0127]
将质量分数满足预设条件的人体视频帧作为目标视频帧；
[0128]
其中，所述人体质量模型是基于人体质量训练样本集训练得到的，所述人体质量训练样本集包括若干人体样本图像以及各个人体样本图像对应的质量分数训练得到的；人体样本图像对应的质量分数是根据所述人体样本图像的类内密度和类间密度所确定的。
[0129]
在一些实施例中，所述第一确定单元302，用于：
[0130]
针对每一目标视频帧，将所述目标视频帧输入已训练的关联聚合特征提取模型中
的下采样层，得到所述目标视频帧的下采样特征图；
[0131]
将所述下采样特征图输入所述关联聚合特征提取模型中的关联聚合层，得到所述目标视频帧的关联聚合特征图。
[0132]
在一些实施例中，所述关联聚合层包括降维嵌入层、相关系数确定层、相邻行关联聚合层和行内聚合层；所述所述第一确定单元302，用于：
[0133]
将所述下采样特征图输入所述降维嵌入层，通过所述降维嵌入层对所述下采样特征图进行降维处理，得到降维后的下采样特征图；
[0134]
将所述降维后的下采样特征图输入所述相关系数确定层，利用所述相关系数确定层，确定所述降维后的下采样特征图中每一行特征向量对应的相邻行相关系数；
[0135]
将所述降维后的下采样特征图和所述下采样特征图中每一行特征向量对应的相邻行相关系数输入所述相邻行关联聚合层，得到相邻行关联聚合特征图；
[0136]
将所述相邻行关联聚合特征图输入所述行内聚合层，得到所述目标视频帧的关联聚合特征图。
[0137]
在一些实施例中，所述第二确定单元303，用于：
[0138]
将所述若干目标视频帧各自分别对应的关联聚合特征图进行拼接，得到所述目标视频对应的聚合特征图；
[0139]
将所述聚合特征图输入时空卷积模型，利用所述时空卷积模型对所述聚合特征图进行时间和空间维度的卷积计算，得到所述目标视频对应的时空卷积特征图；
[0140]
其中，所述时空卷积模型包括第一卷积层、第一激活层、第二卷积层、归一化层、第二激活层和第三卷积层。
[0141]
在一些实施例中，所述第三确定单元304，用于：
[0142]
将所述目标视频对应的时空卷积特征图输入全时空注意力模型，利用所述全时空注意力模型对所述时空卷积特征图进行全时空维度的注意力计算，得到所述目标视频对应的全时空注意力特征图；
[0143]
其中，所述全时空注意力模型包括自注意力模块和两个全连接层。
[0144]
在一些实施例中，所述信息确定单元305，用于：
[0145]
将所述目标视频对应的全时空注意力特征图输入平均池化层，利用所述平均池化层对所述全时空注意力特征图进行平均池化操作，得到所述目标视频对应的人体特征信息。
[0146]
在一些实施例中，所述目标视频包括第一目标视频和第二目标视频，所述装置还包括结果确定单元，用于：
[0147]
根据所述第一目标视频对应的人体特征信息和所述第二目标视频对应的人体特征信息，生成视频人体重识结果。
[0148]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
[0149]
图4是本公开实施例提供的计算机设备4的示意图。如图4所示，该实施例的计算机设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或
者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
[0150]
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在计算机设备4中的执行过程。
[0151]
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是计算机设备4的示例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。
[0152]
处理器401可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0153]
存储器402可以是计算机设备4的内部存储单元，例如，计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备，例如，计算机设备4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
[0154]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本公开的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0155]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0156]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
[0157]
在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例
如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0158]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0159]
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0160]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0161]
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。