图像底库的更新方法、装置、设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种图像底库的更新方法、装置、设备及存储介质。


背景技术：

2.随着图像处理技术的不断发展，行人识别技术越来越成熟。在行人识别过程中，通常是基于预先构建的图像底库中的用户图像进行识别处理，并且为了提升识别的准确性，会对图像底库进行更新处理。当前的图像底库更新方式，一般是按照一定的时间间隔采集用户的新的用户图像，并将图像底库中该用户的用户图像更新为该新的用户图像；或者，从一定时间间隔内采集的用户的多个用户图像中，选择清晰度最高的用户图像，并将图像底库中该用户的用户图像更新为该清晰度最高的用户图像。然而，由于该新的用户图像或者该清晰度最高的用户图像，可能与图像底库中该用户的用户图像之间并无差异，因此，该图像底库的更新方式并不能保障更新后的图像底库的图像质量得以提升，即存在无效的更新操作，而该无效的更新操作造成了时间资源以及物理资源等的耗费。


技术实现要素：

3.本技术实施例的目的是提供一种图像底库的更新方法、装置、设备及存储介质，以解决现有的图像底库的更新方式无法保障更新后的图像底库的图像质量得以提升等问题。
4.为解决上述技术问题，本技术实施例是这样实现的：
5.第一方面，本技术实施例提供了一种图像底库的更新方法，包括：
6.从待处理图像中获取人体区域图像；
7.基于第一特征提取方式对所述人体区域图像进行第一特征提取处理，得到所述人体区域图像的半结构化特征；
8.基于第二特征提取方式对所述人体区域图像进行第二特征提取处理，得到所述人体区域图像的结构化特征；
9.若根据所述半结构化特征和所述结构化特征确定图像底库中存在待更新图像，则将所述待更新图像更新为所述待处理图像。
10.第二方面，本技术实施例提供了一种图像底库的更新装置，包括：
11.存储器，用于存储图像底库；
12.处理器，用于从待处理图像中获取人体区域图像；基于第一特征提取方式对所述人体区域图像进行第一特征提取处理，得到所述人体区域图像的半结构化特征；基于第二特征提取方式对所述人体区域图像进行第二特征提取处理，得到所述人体区域图像的结构化特征；若根据所述半结构化特征和所述结构化特征确定图像底库中存在待更新图像，则将所述待更新图像更新为所述待处理图像。
13.第三方面，本技术实施例提供一种图像底库的更新设备，包括：处理器，与所述处理器电连接的存储器。所述存储器存储有计算机程序，所述处理器用于从所述存储器调用
并执行所述计算机程序以实现上述图像底库的更新方法的步骤。
14.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像底库的更新方法的步骤。
15.在本技术实施例中，从待处理图像中获取人体区域图像；基于第一特征提取方式对人体区域图像进行第一特征提取处理，得到人体区域图像的半结构化特征；基于第二特征提取方式对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征；若根据得到的半结构化特征和结构化特征确定图像底库中存在待更新图像，则将该待更新图像更新为待处理图像。由此，通过提取人体区域图像的半结构化特征和结构化特征，能够通过该半结构化特征和结构化特征全面的体现出人体区域图像所对应的目标用户的多个用户特征，因而在根据该半结构化特征和结构化特征确定图像底库中存在待更新图像时，将待更新图像更新为待处理图像，使得更新后的图像底库中可含有该目标用户的更丰富的、更多样化的用户特征，不仅能够提升图像底库的图像质量，为提升行人识别的准确性提供保障；而且保障了图像底库更新操作的有效性，避免了因无效的更新操作所造成的时间资源和物理资源的浪费等问题。
附图说明
16.为了更清楚地说明本技术实施例或现有技术中的技术方案，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技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1为本说明书实施例提供的一种图像底库的更新方法的第一种流程示意图；
18.图2为本说明书实施例提供的一种人体区域划分方式的示意图；
19.图3为本说明书实施例提供的一种图像底库的更新方法的第二种流程示意图；
20.图4为本说明书实施例提供的一种图像底库的更新方法的第三种流程示意图；
21.图5为本说明书实施例提供的一种图像底库的更新方法的第四种流程示意图；
22.图6为本说明书实施例提供的一种图像底库的更新方法的第五种流程示意图；
23.图7为本说明书实施例提供的一种图像底库的更新装置的模块组成示意图；
24.图8为本说明书实施例提供的一种图像底库的更新设备的组成示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本技术中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
26.图1为本说明书一个或多个实施例提供一种图像底库的更新方法的流程示意图，应用于图像底库的更新装置，该图像底库的更新装置可以部署于终端设备中，也可以部署于服务端中。其中，终端设备可以是手机、平板电脑、台式计算机、便携式笔记本等；服务端
可以是独立的服务器，也可以是多个服务器组成的服务器集群等。参见图1，该方法具体可以包括如下步骤：
27.步骤102，从待处理图像中获取人体区域图像；
28.具体的，获取待处理图像，根据预设的检测算法对待处理图像进行人体区域的检测处理，得到人体区域；根据得到的人体区域从待处理图像中截取人体区域图像。其中，获取待处理图像的方式可以在实际应用中根据需要自行设定，例如图像底库的更新装置具有图像采集功能，图像底库的更新装置可以进行图像采集处理得到待处理图像；又如，图像底库的更新装置接收采集设备发送的待处理图像，或者接收其他设备发送的待处理图像等。预设的检测算法可以是ssd、yolov3、yolov5等算法中的任意算法，还可以是对ssd、yolov3、yolov5中的任意算法进行改进所得的专门用于进行人体区域检测的算法等，对此本技术中不做具体限定。需要指出的是，待处理图像中的人体区域可以用户的人脸、上半身、全身等；待处理图像中的人体区域可以是一个也可以是多个，当待处理图像中的人体区域有多个时，针对每个人体区域分别执行后续处理。
29.步骤104，基于第一特征提取方式对人体区域图像进行第一特征提取处理，得到人体区域图像的半结构化特征；
30.其中，第一特征提取方式可以是行人重识别(person re-identification)方式。在一种实施方式中，可以采用预先训练的pcb(part-based convolutional baseline)网络对人体区域图像进行第一特征提取处理，即将人体区域图像输入pcb网络中进行第一特征提取处理，输出人体区域图像的半结构化特征。在另一种实施方式中，可以采用预先训练的mgn(multiple granularity network)网络对人体区域图像进行第一特征提取处理，即将人体区域图像输入mgn网络中进行第一特征提取处理，输出人体区域图像的半结构化特征。pcb网络和mgn网络的训练过程可参考现有的训练方式，对此本说明书中不再详述。需要指出的是，第一特征提取方式不限为上述方式，可以在实际应用中根据需要自行设定。
31.半结构化特征可以包括按照预设区域划分方式，对人体区域进行划分所得的多个人体局部区域中，每个人体局部区域的局部特征，例如上半身的局部特征、下半身的局部特征等；半结构化特征还可以包括人体整体区域的全局特征。
32.本技术中以采用mgn网络对人体区域图像进行第一特征提取处理、且人体区域图像包括用户全身为例进行说明，人体区域的划分方式如图2所示，图2中的(1)为人体整体区域，对应全局特征p0；图2中的(2)为按人体区域高度的1/2划分得到上、下2个局部区域，分别对应局部特征p1,p2；图2中的(3)为按人体区域高度的1/3划分得到上、中、下3个局部区域，分别对应局部特征p3,p4,p5；相应的，得到的人体区域图像的半结构化特征可以包括p0、p1、p2、p3、p4、p5。其中，p0、p1、p2、p3、p4、p5可以均为1*128维的向量。需要指出的是，图2仅用于示意而不用于限定。
33.步骤106，基于第二特征提取方式对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征；
34.其中，第二特征提取方式可以是人体属性识别方式，在一种实施方式中，可以采用预先训练的deepsar-deepmar网络对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征，即将人体区域图像输入deepsar-deepmar网络中进行第二特征提取处理，输出人体区域图像的结构化特征。deepsar-deepmar网络的训练过程可参考现有的训练
方式，对此本说明书中不再详述。需要指出的是，第二特征提取方式不限为上述方式，可以在实际应用中根据需要自行设定。
35.结构化特征可以包括多个子特征，该子特征可以包括至少一个固定特征和至少一个非固定特征。固定特征是指在一定时间内不会发生改变的特征，例如年龄、性别等；非固定特征是指在一定时间内会发生改变的特征，例如上衣颜色、上衣款式、下衣颜色、下衣款式、发型、发色等。
36.本技术实施例中，以采用deepsar-deepmar网络对人体区域图像进行第二特征提取处理，固定特征包括年龄和性别，非固定特征包括上衣颜色、上衣款式、下衣颜色、下衣款式为例进行说明，可以得到人体区域图像的结构化特征包括年龄a0、性别a1、上衣颜色a2、下衣颜色a3、上衣款式a4、下衣款式a5，其中，a0、a1、a2、a3、a4、a5均为1*1维的向量。
37.步骤108，若根据得到的半结构化特征和结构化特征确定图像底库中存在待更新图像，则将待更新图像更新为待处理图像。
38.本技术中的图像底库可以用于行人识别、人脸识别等身份识别处理，为了提升识别的准确性，本技术中的图像底库中可以包括每个用户的至少一个用户图像以及每个用户图像的半结构化特征和结构化特征，同一用户的至少一个用户图像可以关联该用户的用户标识；用户标识可以是将用户的首个用户图像保存至图像底库时为用户分配的标识，用于唯一标识该用户。
39.本技术实施例中，从待处理图像中获取人体区域图像；基于第一特征提取方式对人体区域图像进行第一特征提取处理，得到人体区域图像的半结构化特征；基于第二特征提取方式对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征；若根据得到的半结构化特征和结构化特征确定图像底库中存在待更新图像，则将该待更新图像更新为待处理图像。由此，通过提取人体区域图像的半结构化特征和结构化特征，能够通过该半结构化特征和结构化特征全面的体现出人体区域图像所对应的目标用户的多个用户特征，因而在根据该半结构化特征和结构化特征确定图像底库中存在待更新图像时，将待更新图像更新为待处理图像，使得更新后的图像底库中可含有该目标用户的更丰富的、更多样化的用户特征，不仅能够提升图像底库的图像质量，为提升行人识别的准确性提供保障；而且保障了图像底库更新操作的有效性，避免了因无效的更新操作所造成的时间资源和物理资源的浪费等问题。
40.由于图像底库中包括多个用户的用户图像，且包括每个用户的至少一张用户图像，为了提升图像底库的更新的有效性，本技术一个或多个实施例中，如图3所示，步骤108之前还可以包括以下步骤107-2和步骤107-4：
41.步骤107-2，确定图像底库中是否存在人体区域图像对应的目标用户的目标图像；
42.进一步的，若确定图像底库中不存在人体区域图像对应的目标用户的目标图像，则确定该人体区域图像对应的用户是新的用户，图像底库的更新装置可以通过展示模块展示标记有人体区域的待处理图像，并提示用户确定属于自身的人体区域；当图像底库的更新装置获取到用户的确认信息后，从待处理图像中截取该用户的人体区域图像，并为该用户分配用户标识；以及按照步骤104和步骤106的方式提取该用户的人体区域图像的半结构化特征和结构化特征，将该用户的人体区域图像、分配的用户标识、该人体区域图像的半结构化特征和结构化特征关联保存至图像底库中。
43.步骤107-4，若是，则为人体区域图像添加目标图像关联的用户标识。
44.具体的，若确定图像底库中存在人体区域图像对应的目标用户的多个目标图像，则统计目标图像的数量，并确定目标图像的数量是否到达预设数量；若是，则为人体区域图像添加目标图像关联的用户标识。
45.进一步的，若确定目标图像的数量未到达预设数量，则将待处理图像、待处理图像的半结构化特征和结构化特征、以及目标图像关联的用户标识关联保存至图像底库中。其中，预设数量可以在实际应用中根据需要自行设定，例如预设数量为10。
46.需要指出的是，步骤107-2和步骤107-4的执行顺序不限为图3所示的顺序，对于步骤107-2的不同实现方式，步骤107-2和步骤107-4还可以在步骤102与步骤104之间执行，可参见后文具体实施例部分的相关描述。
47.与步骤107-2和步骤107-4对应的，如图3所示，步骤108可以包括以下步骤108-2：
48.步骤108-2，若根据半结构化特征和结构化特征，确定图像底库包括的目标图像中存在待更新图像，则将待更新图像更新为待处理图像。
49.为了准确的确定待更新图像，本技术一个或多个实施例中，基于目标图像的半结构化特征和结构化特征，以及待处理图像的半结构化特征和结构化特征进行计算处理，并根据计算结果确定目标图像中存在待更新图像。具体的，如图4所示，步骤108-2之前还可以包括以下步骤107-6至步骤107-10：
50.步骤107-6，根据人体区域图像添加的用户标识，获取关联的每个目标图像的半结构化特征和结构化特征；
51.具体的，根据人体区域图像添加的用户标识，从图像底库中获取关联保存的每个目标图像的半结构化特征和结构化特征。
52.需要指出的是，图像底库中的各用户图像的半结构化特征和结构化特征，还可以与每个用户图像的图像标识关联保存于图像特征库中。相应的，步骤107-6可以包括：根据人体区域图像添加的用户标识，从图像底库中获取关联保存的每个目标图像的图像标识，根据图像标识从图像特征库中获取关联的半结构化特征和结构化特征。
53.步骤107-8，针对每个目标图像，计算目标图像与待处理图像的每个局部特征之间的第一欧式距离，得到每个目标图像对应的多个第一欧式距离；
54.以半结构化特征包括前述示例的p1、p2、p3、p4、p5为例进行说明，可以根据以下公式计算待处理图像与目标图像之间的每个局部特征之间的第一欧式距离：
[0055][0056]
其中，n用于表征局部特征，n∈{p1,p2,p3,p4,p5}；表征目标图像fg的局部特征n，是目标图像fg的局部特征n的元素；表征待处理图像fq的局部特征n，是待处理图像fq的局部特征n的元素。
[0057]
以预设数量为10为例进行说明，为了便于描述，将10个目标图像分别记为目标图像1、目标图像2、目标图像3
…
目标图像10，以可以理解的是，对于目标图像1而言，计算可得目标图像1的局部特征p1与待处理图像的局部特征p1之间的第一欧式距离1、目标图像1的局部特征p2与待处理图像的局部特征p2之间的第一欧式距离2、目标图像1的局部特征p3与
待处理图像的局部特征p3之间的第一欧式距离3、目标图像1的局部特征p4与待处理图像的局部特征p4之间的第一欧式距离4、目标图像1的局部特征p5与待处理图像的局部特征p5之间的第一欧式距离5，即目标图像1对应5个第一欧式距离；同理，其他每个目标图像均对应5个第一欧式距离。
[0058]
步骤107-10，针对每个目标图像，计算目标图像与待处理图像的结构化特征所包括的每个子特征之间的异或值，得到每个目标图像对应的多个异或值；
[0059]
例如，结构化特征包括4个子特征，可以理解的是，每个目标图像对应4个异或值。
[0060]
与步骤107-6至步骤107-10对应的，如图4所示，步骤108-2可以包括以下步骤108-22：
[0061]
步骤108-22，若根据每个目标图像对应的第一欧式距离和异或值，确定目标图像中存在待更新图像，则将待更新图像更新为待处理图像。
[0062]
具体的，针对每个目标图像，确定目标图像对应的多个第一欧式距离中小于第一阈值的第一欧式距离的第一数量，以及确定目标图像对应的多个异或值中等于预设值的异或值的第二数量。针对每个目标图像，确定目标图像的第一数量是否不小于第一预设数量，以及确定目标图像的所述第二数量是否不小于第二预设数量；若确定结果均为是，则将对应的目标图像确定为候选图像；根据候选图像的多个第一欧式距离，确定候选图像中的待更新图像；将待更新图像更新为待处理图像。其中，第一阈值、第一预设数量、预设的异或值、第二预设数量均可在实际应用中根据需要自行设定；例如，第一阈值为0.3，第一预设数量为2，预设的异或值为0，第二预设数量为1。
[0063]
进一步的，根据候选图像的第一欧式距离，确定候选图像中的待更新图像可以包括：确定候选图像的数量是否大于一个；若是，则针对每个候选图像，对候选图像的多个第一欧式距离进行加和处理，得到每个候选图像的总距离；对总距离进行排序处理，得到最小总距离，将该最小总距离所对应的候选图像确定为待更新图像；若否，则将候选图像确定为待更新图像。
[0064]
进一步的，将待更新图像更新为待处理图像可以包括：将待更新图像、待更新图像的半结构化特征和结构化特征从图像底库中删除，并将待处理图像、待处理图像的半结构化特征和结构化特征、以及目标用户的用户标识关联保存至图像底库中。
[0065]
由此，基于半结构化特征，计算各目标图像与待处理图像的每个局部特征之间的第一欧式距离；以及，基于结构化特征，计算各目标图像与待处理图像的每个子特征之间的异或值；并基于各目标图像对应的第一欧式距离和异或值确定待更新图像，将待更新图像更新为待处理图像。该图像底库的更新方式使得图像底库中可以包括同一用户的更丰富的、更多样化的特征，保障了图像底库中同一用户的各用户图像之间，具有较大的内类多样性，提升了图像底库的图像质量。
[0066]
在一个具体的实施例中，可以在进行第一特征提取处理之前，基于人脸识别的方式确定图像底库中是否存在人体区域图像对应的目标用户的多个目标图像。且结构化特征包括的多个子特征可以均为非固定特征，即目标图像对应的多个异或值基于该非固定特征进行计算得到。具体的，如图5所示，方法可以包括：
[0067]
步骤202，从待处理图像中获取人体区域图像；
[0068]
本步骤的实现方式，与前述步骤102的实现方式相同，可参见前述相关描述。
[0069]
步骤204，根据预设的人脸检测方式对人体区域图像进行人脸检测处理，若人脸检测处理的结果为检测到人脸，则将检测到的人脸确定为待识别人脸；
[0070]
在一种实施方式中，可以采用retinaface算法对人体区域图像进行人脸检测处理。需要指出的是，人脸检测方式不限为前述方式，其可以在实际应用中根据需要自行设定。
[0071]
进一步的，当人脸检测处理的结果为未检测到的人脸时，则结束流程。
[0072]
步骤206，根据预设的人脸识别方式确定图像底库中是否存在与待识别人脸相匹配的目标人脸；
[0073]
在一种实施方式中，可以采用facenet将待识别人脸与图像底库中的每个用户图像包括的人脸进行匹配处理。需要指出的是，人脸识别方式不限为前述方式，其可以在实际应用中根据需要自行设定。
[0074]
步骤208，若是，则确定图像底库中存在人体区域图像对应的目标用户的目标图像，并将包括目标人脸的用户图像的用户标识所关联的各用户图像确定为目标图像；
[0075]
也就是说，前述的步骤107-2可以通过上述步骤204至步骤208实现。
[0076]
步骤210，统计目标图像的数量，确定目标图像的数量是否到达预设数量；若是，则为人体区域图像添加目标图像关联的用户标识；
[0077]
步骤212，基于第一特征提取方式对人体区域图像进行第一特征提取处理，得到人体区域图像的半结构化特征；
[0078]
本实施例中的半结构化特征可以仅包括人体局部区域的局部特征，例如前述示例的p1、p2、p3、p4和p5等。
[0079]
步骤214，基于第二特征提取方式对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征；
[0080]
本实施例中的结构化特征可以仅包括非固定特定，例如前述示例的a2,a3,a4和a5等。
[0081]
步骤216，根据人体区域图像添加的用户标识，获取关联的每个目标图像的半结构化特征和结构化特征；
[0082]
步骤218，针对每个目标图像，计算目标图像与待处理图像的半结构化特征所包括的每个局部特征之间的第一欧式距离，得到每个目标图像对应的多个第一欧式距离；
[0083]
步骤220，针对每个目标图像，计算目标图像与待处理图像的结构化特征所包括的每个非固定特征之间的异或值，得到每个目标图像对应的多个异或值；
[0084]
以结构化特征包括前述示例的非固定特征a2,a3,a4,a5为例进行说明，可以通过以下公式计算目标图像与待处理图像的每个非固定特征之间的异或值：
[0085][0086]
其中，m为结构化特征中的非固定特征，即m∈{a2,a3,a4,a5}；表示目标图像fg的非固定特征m；表示待处理图像fq的非固定特征m。
[0087]
步骤222，针对每个目标图像，确定目标图像对应的多个第一欧式距离中大于第一阈值的第一欧式距离的第一数量，以及确定目标图像对应的多个异或值中等于预设值的异或值的第二数量；
[0088]
步骤224，针对每个目标图像，确定目标图像的第一数量是否不小于第一预设数量，以及确定目标图像的第二数量是否不小于第二预设数量；若确定结果均为是，则将对应的目标图像确定为候选图像；
[0089]
步骤226，确定候选图像的数量是否大于一个，是则执行步骤228，否则执行步骤230；
[0090]
步骤228，针对每个候选图像，对候选图像的多个第一欧式距离进行加和处理，得到每个候选图像的总距离；将各总距离中的最小总距离所对应的候选图像确定为待更新图像，执行步骤232；
[0091]
步骤230，将候选图像确定为待更新图像；
[0092]
步骤232，将待更新图像更新为待处理图像。
[0093]
其中，步骤210至步骤218、步骤222至步骤232的具体实现过程，可参见前文中的相关描述，重复之处这里不再赘述。
[0094]
该实施例中，基于人脸识别的方式确定待处理图像对应的目标用户在图像底库中的多个目标图像，提升了目标图像的准确性，进而为图像更新的准确性提供了保障。
[0095]
在另一个具体的实施例中，可以在得到待处理图像的半结构化特征后，基于该半结构化特征，确定图像底库中是否存在人体区域图像对应的目标用户的多个目标图像。并且结构化特征包括的多个子特征可以既有固定特征又为非固定特征，即基于该固定特征和非固定特征计算每个目标图像对应的多个异或值。具体的，如图6所示，方法可以包括：
[0096]
步骤302，从待处理图像中获取人体区域图像；
[0097]
步骤304，基于第一特征提取方式对人体区域图像进行第一特征提取处理，得到人体区域图像的半结构化特征；
[0098]
本实施例中的半结构化特征，可以包括全局特征和局部特征，例如前述示例的p0、p1、p2、p3、p4和p5等。
[0099]
步骤306，基于第二特征提取方式对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征；
[0100]
本实施例中的结构化特征，可以包括至少一个固定特征和至少一个非固定特征，例如前述示例的a0、a1、a2、a3、a4和a5等。
[0101]
步骤308，对人体区域图像的半结构化特征包括的全局特征和各局部特征进行合并处理，得到第一合并特征；
[0102]
具体的，对人体区域图像的半结构化特征包括的全局特征和各局部特征进行拼接处理，得到第一合并特征。其中，拼接处理过程中，各特征的拼接顺序可以在实际应用中根据需要自行设定。
[0103]
仍以前述示例的半结构化特征包括p0、p1、p2、p3、p4和p5，为例进行说明，由于p0、p1、p2、p3、p4和p5均为1*128维的向量，因此第一合并特征是1*768维的向量。
[0104]
步骤310，获取图像底库中的每个用户图像的第二合并特征；
[0105]
具体的，获取图像底库中的每个用户图像的半结构化特征和结构化特征，对每个用户图像的半结构化特征和结构化特征进行合并处理，得到每个用户图像的第二合并特征。其中，对每个用户图像的半结构化特征和结构化特征进行合并处理的过程，与前述对待处理图像的半结构化特征和结构化特征进行合并处理的过程相同，可参见前述相关描述。
可以理解的是，第二合并特征也是1*768维的向量。
[0106]
步骤312，根据第一合并特征和第二合并特征，计算人体区域图像与每个用户图像之间的第二欧式距离；
[0107]
具体的，根据第一合并特征和第二合并特征，基于以下公式计算人体区域图像与每个用户图像之间的第二欧式距离：
[0108][0109]
其中，fg表征用户图像，fq用表征人体区域图像，d(fg,fq)为人体区域图像与用户图像之间的第二欧式距离，fg＝{x
1,
x2,
…
,x
768
}，x
1,
x2,
…
,x
768
为第二合并特征中的各元素，fq＝{y1,y2,
…
,y
768
}，y1,y2,
…
,y
768
为第一合并特征中的各元素。
[0110]
可以理解的是，图像底库中包括多少个用户图像，即可得到多少个第一欧式距离；例如，图像底库中包括100个用户图像，计算可得到100个第一欧式距离。
[0111]
步骤314，对各第二欧式距离进行排序处理，得到最小第二欧式距离；若最小第二欧式距离大于第二阈值，则将最小第二欧式距离对应的用户图像确定为待匹配图像；
[0112]
步骤316，获取待匹配图像的结构化特征中的固定特征，确定待处理图像的固定特征与待匹配图像的固定特征是否相同；
[0113]
仍以前述示例的结构化特征包括a0、a1、a2、a3、a4和a5为例进行说明，获取待匹配图像的结构化特征中的a0和a1，确定待匹配图像的a0与待处理图像的a0是否相同、并确定待匹配图像的a1与待处理图像的a1是否相同。
[0114]
步骤318，若是，则确定图像底库中存在人体区域图像对应的目标用户的目标图像，并将待匹配图像的用户标识在图像底库中关联的各图像，确定为目标图像；
[0115]
具体的，若确定待匹配图像的a0与待处理图像的a0相同、且确定待匹配图像的a1与待处理图像的a1相同，则确定图像底库中存在人体区域图像对应的目标用户的目标图像，并将待匹配图像的用户标识在图像底库中关联的各图像，确定为目标图像。
[0116]
也就是说，前述的步骤107-2还可以通过上述步骤308至步骤318实现。
[0117]
步骤320，统计目标图像的数量，确定目标图像的数量是否到达预设数量；若是，则为人体区域图像添加目标图像关联的用户标识；
[0118]
步骤322，根据人体区域图像添加的用户标识，获取关联的每个目标图像的半结构化特征和结构化特征；
[0119]
步骤324，针对每个目标图像，计算目标图像与待处理图像的每个局部特征之间的第一欧式距离，得到每个目标图像对应的多个第一欧式距离；
[0120]
步骤326，针对每个目标图像，计算目标图像与待处理图像的每个固定特征之间的异或值及每个非固定特征之间的异或值，得到每个目标图像对应的多个异或值；
[0121]
步骤328，针对每个目标图像，确定目标图像对应的多个第一欧式距离中大于第一阈值的第一欧式距离的第一数量，以及确定目标图像对应的多个异或值中等于预设值的异或值的第二数量；
[0122]
步骤330，针对每个目标图像，确定目标图像的第一数量是否不小于第一预设数量，以及确定目标图像的第二数量是否不小于第二预设数量；若确定结果均为是，则将对应的目标图像确定为候选图像；
[0123]
步骤332，确定候选图像的数量是否大于一个，是则执行步骤334，否则执行步骤
336；
[0124]
步骤234，针对每个候选图像，对候选图像的多个第一欧式距离进行加和处理，得到每个候选图像的总距离；将各总距离中的最小总距离所对应的候选图像确定为待更新图像，执行步骤238；
[0125]
步骤336，将候选图像确定为待更新图像；
[0126]
步骤338，将待更新图像更新为待处理图像。
[0127]
其中，步骤302至步骤306、步骤320至步骤338的实现过程可参见前述相关描述，重复之处这里不再赘述。
[0128]
本实施例中，基于半结构化特征计算人体区域图像与图像底库中的每个用户图像之间的第二欧式距离，并基于第二欧氏距离确定待处理图像对应的目标用户在图像底库中的多个目标图像，不仅确保了目标图像的准确性，为图像更新的准确性提供了保障；而且在无需人脸识别的情况下，实现了图像底库的自动更新。
[0129]
综上可以看出，本技术实施例中，通过提取人体区域图像的半结构化特征和结构化特征，能够通过该半结构化特征和结构化特征全面的体现出人体区域图像所对应的目标用户的多个用户特征，因而在根据该半结构化特征和结构化特征确定图像底库中存在待更新图像时，将待更新图像更新为待处理图像，使得更新后的图像底库中可含有该目标用户的更丰富的、更多样化的用户特征，不仅能够提升图像底库的图像质量，为提升行人识别的准确性提供保障；而且保障了图像底库更新操作的有效性，避免了因无效的更新操作所造成的时间资源和物理资源的浪费等问题。
[0130]
基于相同的技术构思，本说明书一个或多个实施例还提供了一种图像底库的更新装置，图7本说明书一个或多个实施例提供的一种图像底库的更新装置的模块组成示意图，如图7所示，该装置包括：
[0131]
存储器401，用于存储图像底库；
[0132]
处理器402，用于从待处理图像中获取人体区域图像；基于第一特征提取方式对所述人体区域图像进行第一特征提取处理，得到所述人体区域图像的半结构化特征；基于第二特征提取方式对所述人体区域图像进行第二特征提取处理，得到所述人体区域图像的结构化特征；若根据所述半结构化特征和所述结构化特征确定图像底库中存在待更新图像，则将所述待更新图像更新为所述待处理图像。
[0133]
可选地，所述装置还包括：确定模块；
[0134]
所述确定模块，用于确定所述图像底库中是否存在所述人体区域图像对应的目标用户的目标图像；若是，则为所述人体区域图像添加所述目标图像关联的用户标识；所述用户标识用于标识所述目标用户。
[0135]
相应的，所述处理器402具体用于：
[0136]
若根据所述半结构化特征和所述结构化特征，确定所述用户标识在所述图像底库中关联的所述目标图像中存在待更新图像，则将所述待更新图像更新为所述待处理图像。
[0137]
可选地，所述半结构化特征包括按照预设区域划分方式，对人体区域进行划分所得的多个人体局部区域的局部特征；所述结构化特征包括多个子特征；所述装置还包括：第一计算模块；
[0138]
所述第一计算模块，用于根据所述人体区域图像添加的所述用户标识，获取关联
的每个所述目标图像的所述半结构化特征和所述结构化特征；以及，
[0139]
针对每个所述目标图像，计算所述目标图像与所述待处理图像的每个所述局部特征之间的第一欧式距离，得到每个目标图像对应的多个第一欧式距离；
[0140]
针对每个所述目标图像，计算所述目标图像与所述待处理图像的每个所述子特征之间的异或值，得到每个目标图像对应的多个异或值；
[0141]
相应的，所述处理器402进一步具体用于：
[0142]
若根据所述第一欧式距离和所述异或值，确定所述目标图像中存在待更新图像，则将所述待更新图像更新为所述待处理图像。
[0143]
可选地，所述处理器402进一步具体用于：
[0144]
针对每个所述目标图像，确定所述目标图像对应的多个第一欧式距离中小于第一阈值的第一欧式距离的第一数量，以及确定所述目标图像对应的多个异或值中等于预设值的异或值的第二数量；
[0145]
针对每个所述目标图像，确定所述目标图像的所述第一数量是否不小于第一预设数量，以及确定所述目标图像的所述第二数量是否不小于第二预设数量；
[0146]
若确定结果均为是，则将对应的所述目标图像确定为候选图像；
[0147]
根据所述候选图像的所述多个第一欧式距离，确定所述候选图像中的待更新图像；
[0148]
将所述待更新图像更新为所述待处理图像。
[0149]
可选地，所述处理器402进一步具体用于：
[0150]
确定所述候选图像的数量是否大于一个；
[0151]
若是，则针对每个候选图像，对所述候选图像的多个第一欧式距离进行加和处理，得到每个候选图像的总距离；将所述总距离中的最小总距离所对应的候选图像确定为所述待更新图像；
[0152]
若否，则将所述候选图像确定为所述待更新图像。
[0153]
可选地，所述图像底库中的用户图像包括人脸，所述确定模块具体用于：
[0154]
根据预设的人脸检测方式对所述人体区域图像进行人脸检测处理；
[0155]
若所述人脸检测处理的结果为检测到人脸，则将检测到的人脸确定为待识别人脸；
[0156]
根据预设的人脸识别方式确定所述图像底库中是否存在与所述待识别人脸相匹配的目标人脸；
[0157]
若是，则确定所述图像底库中存在所述人体区域图像对应的目标用户的目标图像，并将包括所述目标人脸的用户图像的用户标识所关联的各用户图像确定为所述目标图像。
[0158]
相应的，所述子特征包括至少一个非固定特征；所述处理器402进一步具体用于：
[0159]
针对每个所述目标图像，计算所述目标图像与所述待处理图像的每个所述非固定特征之间的异或值，得到每个目标图像对应的多个异或值。
[0160]
可选地，所述半结构化特征还包括所述人体区域的全局特征，所述子特征包括至少一个固定特征；所述确定模块具体用于：
[0161]
对所述人体区域图像的所述全局特征和所述局部特征进行合并处理，得到第一合
并特征；
[0162]
获取所述图像底库中的每个用户图像的第二合并特征；
[0163]
根据所述第一合并特征和所述第二合并特征，计算所述人体区域图像与每个所述用户图像之间的第二欧式距离；
[0164]
对所述第二欧式距离进行排序处理，得到最小第二欧式距离；
[0165]
若所述最小第二欧式距离大于第二阈值，则将所述最小第二欧式距离对应的用户图像确定为待匹配图像；
[0166]
获取所述待匹配图像的所述固定特征；
[0167]
确定所述待处理图像的所述固定特征与所述待匹配图像的所述固定特征是否相同；
[0168]
若是，则确定所述图像底库中存在所述人体区域图像对应的目标用户的目标图像，并将所述待匹配图像的用户标识在所述图像底库中关联的各图像，确定为所述目标图像。
[0169]
相应的，所述子特征还包括至少一个非固定特征；所述处理器402进一步具体用于：
[0170]
针对每个所述目标图像，计算所述目标图像与所述待处理图像的每个所述固定特征之间的异或值及每个所述非固定特征之间的异或值，得到每个目标图像对应的多个异或值。
[0171]
可选地，所述确定模块进一步具体用于：
[0172]
统计所述目标图像的数量，确定所述目标图像的数量是否到达预设数量；
[0173]
若是，则为所述人体区域图像添加所述目标图像关联的用户标识。
[0174]
本说明书实施例提供的图像底库的更新装置，从待处理图像中获取人体区域图像；基于第一特征提取方式对人体区域图像进行第一特征提取处理，得到人体区域图像的半结构化特征；基于第二特征提取方式对人体区域图像进行第二特征提取处理，得到人体区域图像的结构化特征；若根据得到的半结构化特征和结构化特征确定图像底库中存在待更新图像，则将该待更新图像更新为待处理图像。由此，通过提取人体区域图像的半结构化特征和结构化特征，能够通过该半结构化特征和结构化特征全面的体现出人体区域图像所对应的目标用户的多个用户特征，因而在根据该半结构化特征和结构化特征确定图像底库中存在待更新图像时，将待更新图像更新为待处理图像，使得更新后的图像底库中可含有该目标用户的更丰富的、更多样化的用户特征，不仅能够提升图像底库的图像质量，为提升行人识别的准确性提供保障；而且保障了图像底库更新操作的有效性，避免了因无效的更新操作所造成的时间资源和物理资源的浪费等问题。
[0175]
另外，对于上述装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。而且，应当注意的是，本发明的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合。
[0176]
基于同样的技术构思，本技术实施例还提供一种图像底库的更新设备，如图8所示。图像底库的更新设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或
数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对图像底库的更新设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在图像底库的更新设备上执行存储器502中的一系列计算机可执行指令。图像底库的更新设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。
[0177]
具体在本实施例中，图像底库的更新设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像底库的更新设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
[0178]
从待处理图像中获取人体区域图像；
[0179]
基于第一特征提取方式对所述人体区域图像进行第一特征提取处理，得到所述人体区域图像的半结构化特征；
[0180]
基于第二特征提取方式对所述人体区域图像进行第二特征提取处理，得到所述人体区域图像的结构化特征；
[0181]
若根据所述半结构化特征和所述结构化特征确定图像底库中存在待更新图像，则将所述待更新图像更新为所述待处理图像。
[0182]
本技术实施例还提出了一种存储介质，该存储介质存储一个或多个计算机程序，该一个或多个计算机程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述一种图像底库的更新方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0183]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0184]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0185]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0186]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0187]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0188]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0189]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0190]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0191]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0192]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0193]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0194]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0195]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。