CN107944478A - 图像识别方法、系统以及电子设备 - Google Patents
图像识别方法、系统以及电子设备 Download PDFInfo
- Publication number
- CN107944478A CN107944478A CN201711128209.6A CN201711128209A CN107944478A CN 107944478 A CN107944478 A CN 107944478A CN 201711128209 A CN201711128209 A CN 201711128209A CN 107944478 A CN107944478 A CN 107944478A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- obtains
- classification
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像识别方法、系统以及电子设备,涉及图像识别技术领域,图像识别方法包括:识别目标图像中的图像元素,得到图像元素数据;根据图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合;对图像集合中的图像数据进行特征提取,得到图像特征数据;通过线性分类器对图像特征数据进行线性分类,得到图像特征数据的分类结果;根据分类结果确定图像特征数据所属目标图像的识别结果信息,解决了现有技术中存在的对于图片中大量的图像数据以及各种繁多的图像数据类型,无法更具有针对性的进行更有效的图像识别,从而导致图像识别效率的降低的技术问题。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种图像识别方法、系统以及电子设备。
背景技术
图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。
一般图像识别的过程中,采用相机拍摄图片,然后再利用软件根据图片灰阶差做进一步识别处理。另外在地理学中指将遥感图像进行分类的技术。
但是,目前对于图片中大量的图像数据以及各种繁多的图像数据类型,无法更具有针对性的进行更有效的图像识别,从而导致图像识别效率的降低。
发明内容
有鉴于此,本发明的目的在于提供一种图像识别方法、系统以及电子设备,以解决现有技术中存在的对于图片中大量的图像数据以及各种繁多的图像数据类型,无法更具有针对性的进行更有效的图像识别,从而导致图像识别效率的降低的技术问题。
第一方面,本发明实施例提供了一种图像识别方法,包括:
识别目标图像中的图像元素,得到图像元素数据;
根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合;
对所述图像集合中的图像数据进行特征提取,得到图像特征数据;
通过线性分类器对所述图像特征数据进行线性分类,得到图像特征数据的分类结果;
根据所述分类结果确定图像特征数据所属目标图像的识别结果信息。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述识别目标图像中的图像元素,得到图像元素数据之前,还包括:
根据用户的输入确定目标图像中的图像元素。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合之前,还包括:
根据用户的输入确定图像元素与图像集合之间映射的对应关系。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合,具体包括:
根据所述图像元素数据通过映射函数将若干个目标图像进行映射与分类,得到若干个目标图像的集合。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述对所述图像集合中的图像数据进行特征提取,得到图像特征数据之前,还包括:
根据用户的输入设置从图像数据中提取的图像特征。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述线性分类器包括:二元线性分类器与支持向量机。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述通过线性分类器对所述图像特征数据进行线性分类,得到图像特征数据的分类结果,具体包括:
根据用户的输入设置权重的值;
通过线性分类器计算图像数据的颜色通道中像素的值与所述权重的值的矩阵相乘,得到矩阵相乘的结果;
根据所述矩阵相乘的结果确定分类分值;
根据所述权重的值与所述分类分值,通过线性函数对所述图像特征数据进行线性分类,得到图像特征数据的分类结果。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述图像特征数据包括:图像中的颜色数据与颜色的位置数据。
第二方面,本发明实施例还提供一种图像识别系统,包括:元素识别模块、数据映射模块、特征提取模块、线性分类模块以及信息确定模块;
所述元素识别模块用于识别目标图像中的图像元素,得到图像元素数据;
所述数据映射模块用于根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合;
所述特征提取模块用于对所述图像集合中的图像数据进行特征提取,得到图像特征数据;
所述线性分类模块用于通过线性分类器对所述图像特征数据进行线性分类,得到图像特征数据的分类结果;
所述信息确定模块用于根据所述分类结果确定图像特征数据所属目标图像的识别结果信息。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。
本发明实施例提供的技术方案带来了以下有益效果:本发明实施例提供的图像识别方法、系统以及电子设备中,图像识别方法包括:先识别目标图像中的图像元素以得到图像元素数据,然后,根据图像元素数据通过映射函数对目标图像进行映射,从而得到若干个图像集合,之后对图像集合中的图像数据进行特征提取得到图像特征数据,然后再通过线性分类器对图像特征数据进行线性分类以得到图像特征数据的分类结果,最后,根据分类结果确定图像特征数据所属目标图像的识别结果信息,在该方法中,首先利用映射函数根据目标图像中的图像元素数据而将目标图像映射到各个图像集合中,使得元素相似的图像能够映射到相近的集合中,从而实现对目标图像的初步分类,以便于接下来能够分别针对不同类别的集合而进行更具针对性更加具体的分类与识别,即继续根据集合中目标图像的图像特征数据进行更加具体的线性分类,以便根据线性分类的结果确定目标图像的识别结果信息,从而解决了现有技术中存在的对于图片中大量的图像数据以及各种繁多的图像数据类型,无法更具有针对性的进行更有效的图像识别,从而导致图像识别效率的降低的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1示出了本发明实施例一所提供的图像识别方法的流程图;
图2示出了本发明实施例二所提供的图像识别方法的流程图;
图3示出了本发明实施例三所提供的一种图像识别系统的结构示意图;
图4示出了本发明实施例三所提供的一种电子设备的结构示意图。
图标:3-图像识别系统;31-元素识别模块;32-数据映射模块;33-特征提取模块;34-线性分类模块;35-信息确定模块;4-电子设备;41-存储器;42-处理器;43-总线;44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前对于图片中大量的图像数据以及各种繁多的图像数据类型,无法更具有针对性的进行更有效的图像识别,从而导致图像识别效率的降低,基于此,本发明实施例提供的一种图像识别方法、系统以及电子设备,可以解决现有技术中存在的对于图片中大量的图像数据以及各种繁多的图像数据类型,无法更具有针对性的进行更有效的图像识别,从而导致图像识别效率的降低的技术问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种图像识别方法、系统以及电子设备进行详细介绍。
实施例一:
本发明实施例提供的一种图像识别方法,也可以为对图像识别的定制化学习方法,如图1所示,该方法可以包括:
S11:识别目标图像中的图像元素,得到图像元素数据。
S12:根据图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合。
S13:对图像集合中的图像数据进行特征提取,得到图像特征数据。
S14:通过线性分类器对图像特征数据进行线性分类,得到图像特征数据的分类结果。
S15:根据分类结果确定图像特征数据所属目标图像的识别结果信息。
其中,目标图像中的图像元素、图像元素与图像集合之间映射的对应关系、需要从图像数据中提取的图像特征以及权重的值,都可以根据用户的输入以确定。因此,该图像识别方法也可以为对图像识别的定制化学习过程,利用预先在大量图像数据集上训练好的深度模型,学习用户定义的概念,并对未知的图像进行识别。
在实际应用中,对图像识别的定制化学习过程可以为计算机通过寻找图像元素与特征来进对象区分的过程,以此实现通过区分对象而进行图像识别,并可以根据用户的输入实现自定义图像识别过程,从而实现对图像识别进行自助学习,以此满足各种不同户自定义的需要。其中,自定义的需要可以为图像中需要识别的目标,例如房子,包装,家具等。
实施例二:
本发明实施例提供的一种图像识别方法,也可以为对图像识别的定制化学习方法,如图2所示,该方法可以包括:
S21:根据用户的输入确定目标图像中的图像元素。
作为本实施例的另一种实施方式,根据用户的输入,来设置目标图像中的图像元素。
S22:识别目标图像中的图像元素,得到图像元素数据。
S23:根据用户的输入确定图像元素与图像集合之间映射的对应关系。
作为一个优选方案,根据用户的输入,来设置图像元素与图像集合之间映射的对应关系。
S24:根据图像元素数据通过映射函数将若干个目标图像进行映射与分类,得到若干个目标图像的集合。
S25:根据用户的输入设置从图像数据中提取的图像特征。
S26:对图像集合中的图像数据进行特征提取,得到图像特征数据。
S27:根据用户的输入设置权重的值。
S28:通过线性分类器计算图像数据的颜色通道中像素的值与权重的值的矩阵相乘,得到矩阵相乘的结果。
本步骤中,也可以通过线性分类器计算图像数据中的3个颜色通道中所有像素的值与所述权重的值的矩阵相乘,得到矩阵相乘的结果。其中,3个颜色通道的颜色可以为:红色、蓝色与绿色。
S29:根据矩阵相乘的结果确定分类分值。
S30:根据权重的值与分类分值,通过线性函数对图像特征数据进行线性分类,得到图像特征数据的分类结果。
S31:线性分类器包括:二元线性分类器与支持向量机。
S32:图像特征数据包括:图像中的颜色数据与颜色的位置数据。
S33:根据分类结果确定图像特征数据所属目标图像的识别结果信息。
本实施例中,由于步骤S21中目标图像中的图像元素、步骤S23中图像元素与图像集合之间映射的对应关系、步骤S25中需要从图像数据中提取的图像特征以及步骤S27中权重的值,都可以根据用户的输入以确定。因此,该图像识别方法也可以为对图像识别的定制化学习过程,利用预先在大量图像数据集上训练好的深度模型,学习用户定义的概念,并对未知的图像进行识别。
实施例三:
本发明实施例提供的一种图像识别系统,如图3所示,图像识别系统3可以包括:元素识别模块31、数据映射模块32、特征提取模块33、线性分类模块34以及信息确定模块35。
进一步的是,元素识别模块31可以用于识别目标图像中的图像元素,得到图像元素数据。而数据映射模块32可以用于根据图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合。
作为本实施例的优选实施方式,特征提取模块33可以用于对图像集合中的图像数据进行特征提取,得到图像特征数据。
具体的,线性分类模块34可以用于通过线性分类器对图像特征数据进行线性分类,得到图像特征数据的分类结果。信息确定模块35可以用于根据分类结果确定图像特征数据所属目标图像的识别结果信息。
实施例四:
本发明实施例提供的一种电子设备,如图4所示,电子设备4可以包括存储器41、处理器42,存储器41中存储有可在处理器42上运行的计算机程序,处理器42执行计算机程序时实现上述实施例一或实施例二提供的方法的步骤。
本发明实施例提供的一种电子设备,如图4所示,电子设备4可以包括存储器41、处理器42,存储器41中存储有可在处理器42上运行的计算机程序,处理器42执行计算机程序时实现上述实施例一或实施例二提供的方法的步骤。
参见图4,电子设备4还可以包括:总线43和通信接口44,所述处理器42、通信接口44和存储器41通过总线43连接;处理器42用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
作为本实施例的优选实施方式,总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41可以用于存储程序,所述处理器42在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器42中,或者由处理器42实现。
优选的,处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器42读取存储器41中的信息,结合其硬件完成上述方法的步骤。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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,所述模块、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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
本发明实施例提供的电子设备,与上述实施例提供的图像识别方法以及系统具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例所提供的进行图像识别方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,又例如,多个模块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信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块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取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
识别目标图像中的图像元素,得到图像元素数据;
根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合;
对所述图像集合中的图像数据进行特征提取,得到图像特征数据;
通过线性分类器对所述图像特征数据进行线性分类,得到图像特征数据的分类结果;
根据所述分类结果确定图像特征数据所属目标图像的识别结果信息。
2.根据权利要求1所述的图像识别方法,其特征在于,所述识别目标图像中的图像元素,得到图像元素数据之前,还包括:
根据用户的输入确定目标图像中的图像元素。
3.根据权利要求1所述的图像识别方法,其特征在于,所述根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合之前,还包括:
根据用户的输入确定图像元素与图像集合之间映射的对应关系。
4.根据权利要求1所述的图像识别方法,其特征在于,所述根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合,具体包括:
根据所述图像元素数据通过映射函数将若干个目标图像进行映射与分类,得到若干个目标图像的集合。
5.根据权利要求1所述的图像识别方法,其特征在于,所述对所述图像集合中的图像数据进行特征提取,得到图像特征数据之前,还包括:
根据用户的输入设置从图像数据中提取的图像特征。
6.根据权利要求1所述的图像识别方法,其特征在于,所述线性分类器包括:二元线性分类器与支持向量机。
7.根据权利要求1所述的图像识别方法,其特征在于,所述通过线性分类器对所述图像特征数据进行线性分类,得到图像特征数据的分类结果,具体包括:
根据用户的输入设置权重的值;
通过线性分类器计算图像数据的颜色通道中像素的值与所述权重的值的矩阵相乘,得到矩阵相乘的结果;
根据所述矩阵相乘的结果确定分类分值;
根据所述权重的值与所述分类分值,通过线性函数对所述图像特征数据进行线性分类,得到图像特征数据的分类结果。
8.根据权利要求1所述的图像识别方法,其特征在于,所述图像特征数据包括:图像中的颜色数据与颜色的位置数据。
9.一种图像识别系统,其特征在于,包括:元素识别模块、数据映射模块、特征提取模块、线性分类模块以及信息确定模块;
所述元素识别模块用于识别目标图像中的图像元素,得到图像元素数据;
所述数据映射模块用于根据所述图像元素数据通过映射函数对目标图像进行映射,得到若干个图像集合;
所述特征提取模块用于对所述图像集合中的图像数据进行特征提取,得到图像特征数据;
所述线性分类模块用于通过线性分类器对所述图像特征数据进行线性分类,得到图像特征数据的分类结果;
所述信息确定模块用于根据所述分类结果确定图像特征数据所属目标图像的识别结果信息。
10.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711128209.6A CN107944478A (zh) | 2017-11-14 | 2017-11-14 | 图像识别方法、系统以及电子设备 |
PCT/CN2018/115492 WO2019096177A1 (zh) | 2017-11-14 | 2018-11-14 | 图像识别方法、系统以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711128209.6A CN107944478A (zh) | 2017-11-14 | 2017-11-14 | 图像识别方法、系统以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944478A true CN107944478A (zh) | 2018-04-20 |
Family
ID=61932290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711128209.6A Pending CN107944478A (zh) | 2017-11-14 | 2017-11-14 | 图像识别方法、系统以及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107944478A (zh) |
WO (1) | WO2019096177A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019096177A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 图像识别方法、系统以及电子设备 |
CN111860687A (zh) * | 2020-07-31 | 2020-10-30 | 中国铁塔股份有限公司 | 一种图像识别方法、装置、电子设备和存储介质 |
CN113920059A (zh) * | 2021-09-08 | 2022-01-11 | 索菲亚家居股份有限公司 | 一种直线封边板件控制方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222186B (zh) * | 2020-01-03 | 2023-06-02 | 湖南特能博世科技有限公司 | 图元识别的方法、装置及服务器 |
CN113483851B (zh) * | 2021-07-13 | 2023-05-16 | 天津万峰环保科技有限公司 | 路面积水监测设备和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0355748A2 (en) * | 1988-08-20 | 1990-02-28 | Fujitsu Limited | A pattern recognition apparatus and method for doing the same |
CN1606028A (zh) * | 2004-11-12 | 2005-04-13 | 清华大学 | 基于阿拉伯字符集的印刷体字符识别方法 |
EP3166020A1 (en) * | 2015-11-06 | 2017-05-10 | Thomson Licensing | Method and apparatus for image classification based on dictionary learning |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040042665A1 (en) * | 2002-08-30 | 2004-03-04 | Lockheed Martin Corporation | Method and computer program product for automatically establishing a classifiction system architecture |
CN101334835B (zh) * | 2008-07-28 | 2011-01-12 | 上海高德威智能交通系统有限公司 | 颜色识别方法 |
CN102982349B (zh) * | 2012-11-09 | 2016-12-07 | 深圳市捷顺科技实业股份有限公司 | 一种图像识别方法及装置 |
CN107944478A (zh) * | 2017-11-14 | 2018-04-20 | 深圳码隆科技有限公司 | 图像识别方法、系统以及电子设备 |
-
2017
- 2017-11-14 CN CN201711128209.6A patent/CN107944478A/zh active Pending
-
2018
- 2018-11-14 WO PCT/CN2018/115492 patent/WO2019096177A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0355748A2 (en) * | 1988-08-20 | 1990-02-28 | Fujitsu Limited | A pattern recognition apparatus and method for doing the same |
CN1606028A (zh) * | 2004-11-12 | 2005-04-13 | 清华大学 | 基于阿拉伯字符集的印刷体字符识别方法 |
EP3166020A1 (en) * | 2015-11-06 | 2017-05-10 | Thomson Licensing | Method and apparatus for image classification based on dictionary learning |
Non-Patent Citations (4)
Title |
---|
刘吉平等: "《遥感原理及遥感信息分析基础》", 30 November 2012, 武汉大学出版社 * |
大数据文摘: "斯坦福系列课程CS231深度学习与计算机视觉", 《腾讯视频网》 * |
大数据文摘: "视频更新|斯坦福CS231n深度学习与计算机视觉-2:数据驱动的图像分类方式", 《微信公众平台》 * |
翟艳东等: "一种图像多级分类方法", 《电视技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019096177A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 图像识别方法、系统以及电子设备 |
CN111860687A (zh) * | 2020-07-31 | 2020-10-30 | 中国铁塔股份有限公司 | 一种图像识别方法、装置、电子设备和存储介质 |
CN113920059A (zh) * | 2021-09-08 | 2022-01-11 | 索菲亚家居股份有限公司 | 一种直线封边板件控制方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019096177A1 (zh) | 2019-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944478A (zh) | 图像识别方法、系统以及电子设备 | |
CN108596184B (zh) | 图像语义分割模型的训练方法、可读存储介质及电子设备 | |
CN107463331B (zh) | 手势轨迹模拟方法、装置及电子设备 | |
CN110009556A (zh) | 图像背景虚化方法、装置、存储介质及电子设备 | |
CN105938557A (zh) | 图像识别方法、图像识别装置 | |
CN107871125A (zh) | 违章建筑识别方法、装置及电子设备 | |
CN107832767A (zh) | 集装箱箱号识别方法、装置及电子设备 | |
CN110945537B (zh) | 训练装置、识别装置、训练方法、识别方法和程序 | |
CN106951571A (zh) | 一种给应用标注标签的方法和装置 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN109726481B (zh) | 一种机器人搭建的辅助方法、装置及终端设备 | |
CN108304839A (zh) | 一种图像数据处理方法以及装置 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN107679074A (zh) | 一种图片生成方法与设备 | |
CN107368820A (zh) | 一种精细化手势识别方法、装置及设备 | |
CN106557549A (zh) | 识别目标对象的方法和装置 | |
CN109447080A (zh) | 一种字符识别方法及装置 | |
Lee et al. | Automatic recognition of flower species in the natural environment | |
CN111144215B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN106162303A (zh) | 信息处理方法、信息处理装置及用户设备 | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN108764248B (zh) | 图像特征点的提取方法和装置 | |
CN109978044A (zh) | 训练数据生成方法和装置、以及模型的训练方法和装置 | |
CN110046340A (zh) | 文本分类模型的训练方法和装置 | |
CN106228165A (zh) | 一种照片分类的方法和移动终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |