[发明专利]基于特征比对的复杂场景高效犬脸图像质量评估方法

说明书

本发明公开了一种基于特征比对的复杂场景高效犬脸图像质量评估方法，包括如下步骤：采用图像目标检测抠取犬脸区域图像；对可能运动范围区域内的犬脸检测框图像进行特征提取，所用特征模型是基于深度学习训练的卷积神经网络；将特征加入时序特征库；利用时序特征库进行多帧特征比对，获取得到跟踪id；根据犬脸特征响应进行图像质量评估，并输出对应的犬脸图像、犬脸框位置、犬脸图像质量分。本发明可以对复杂场景中的犬脸进行精准高效的跟踪和抓拍，具有跟踪精度高和计算复杂度低的特点，解决了传统跟踪和抓拍方法效率与准确率成反比的问题。

技术领域

本发明涉及一种视频中犬脸的高效跟踪和抓拍方法，尤其涉及一种基于特征比对的复杂场景高效犬脸图像质量评估方法，属于模式识别与图像处理领域。

背景技术

犬身份识别是城市养狗登记的重要手段之一。犬身份识别方法通常包括芯片植入，犬鼻纹识别以及犬脸识别。犬脸识别的过程中，首先需要采集犬脸，在犬养殖场等犬较多的复杂场景中，抓拍采集犬脸图片需要用到目标跟踪与图像质量评估算法。传统的目标跟踪方法包括孪生网络、光流跟踪、粒子滤波等，这些方法通常跟踪准确性和效率成反比，导致整套方案效率低且跟踪准确率低，跟丢，跟漏等情况时常发生；传统的图像质量评估方法采用单独的质量判断模块，需要耗费额外的计算量，不利于在边缘设备的部署。

发明内容

针对现有技术的不足，本发明提供了一种基于特征比对的复杂场景高效犬脸图像质量评估方法，可以对复杂场景中的犬脸进行精准高效的跟踪和抓拍。

本发明提供了一种基于特征比对的复杂场景高效犬脸图像质量评估方法，该方法包括如下步骤：

S01采用图像目标检测抠取犬脸区域图像，在输入的视频中，利用犬脸检测方法获取犬脸图像区域坐标，输入的视频和图像中，可能存在多个犬脸，需要全部获取；

S02采用区域扩展法获取目标潜在运动范围；

S03对可能运动范围区域内的犬脸检测框图像进行特征提取，所用特征模型是基于深度学习训练的卷积神经网络；

S04将特征加入时序特征库；

S05利用时序特征库进行多帧特征比对，获取得到跟踪id；

S06根据犬脸特征响应进行图像质量评估，并输出对应的犬脸图像、犬脸框位置、犬脸图像质量分。

本发明的进一步限定技术方案，前述的基于特征比对的复杂场景高效犬脸图像质量评估方法，所述深度学习训练的卷积神经网络对图像的响应强度与图像质量成正相关，具体实现方法如下所示：

a. 将特征值视为一个1×n的矩阵F；

b. 将F乘以其转置矩阵，再开方q = (F F^T)^½；

c. q即为犬脸特征置信度，q的值越大，犬脸特征质量越好，即 q∈[0, +∞)；

d. 通过实验获取犬脸特征置信度阈值，高于阈值则是质量达标，低于阈值则质量不达标。

前述基于特征比对的复杂场景高效犬脸图像质量评估方法，所述特征比对和跟踪id通过以下方式实现：本帧的任意检出的犬脸图像的位置如与任何潜在运动区域相交比大于阈值R，则与该潜在运动区域id特征做比对，如果匹配则该犬脸id只与某个id匹配成功，则分配该跟踪id给该犬脸；如果与多个跟踪id都匹配上了，则取比对得分最大值对应的犬脸id；如果没有匹配上任何id，则分配新id给该犬脸。

进一步的，前述的基于特征比对的复杂场景高效犬脸图像质量评估方法，所述特征对比通过对犬脸图片进行特征提取，得到特征向量；同一只犬的犬脸特征向量距离近，不同犬的犬脸特征向量距离远；距离计算方法可采用余弦距离、L1距离进行计算。

本发明的有益效果：本发明可以对复杂场景中的犬脸进行精准高效的跟踪和抓拍，具有跟踪精度高和计算复杂度低的特点，解决了传统跟踪和抓拍方法效率与准确率成反比的问题，便于在手机、平板电脑、服务器等设备上的实施和推广难题。

附图说明