CN109145926A - 相似图片识别方法及计算机设备 - Google Patents
相似图片识别方法及计算机设备 Download PDFInfo
- Publication number
- CN109145926A CN109145926A CN201710444106.4A CN201710444106A CN109145926A CN 109145926 A CN109145926 A CN 109145926A CN 201710444106 A CN201710444106 A CN 201710444106A CN 109145926 A CN109145926 A CN 109145926A
- Authority
- CN
- China
- Prior art keywords
- picture
- eigenvalue
- partial region
- region
- server
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种相似图片识别方法及计算机设备,属于图像处理技术领域。所述方法包括:分别获取第一图片的n个具有仿射不变性质的第一局部区域和第二图片的具有仿射不变性质的m个第二局部区域,再获取n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值,根据n个第一特征值和m个第二特征值的比较结果,识别第一图片与第二图片是否相似。本发明通过提取图片中具有仿射不变性质的若干个局部区域,将两张图片的比较转换成两组局部区域的特征值的比较,进而使得相似图片识别方法具有良好的抗裁剪性,在提高了检测维度的同时,也提高了相似图片的识别准确度。
Description
技术领域
本发明实施例涉及图像处理技术领域,特别涉及一种相似图片识别方法及计算机设备。
背景技术
随着信息技术的发展,相似图片搜索是当前搜索领域研究的一大热点,通常用于图片查找服务或图片版权鉴定服务中。而相似图片搜索的前提在于相似图片的识别。
相关技术中,相似图片识别方法包括:服务器通过预设算法分别获得第一图片的第一特征值和第二图片的第二特征值,然后服务器通过比较第一特征值和第二特征值是否相同,来确定这两个图片是否相似。其中,第一特征值和第二特征值可以是哈希值。
然而,由于第一特征值用于表示整个第一图片的特征信息,第二特征值用于表示整个第二图片的特征信息,上述方法不适用于原始图片和经过处理的图片之间的相似识别,该处理包括剪裁、缩放或添加水印标识等。因此,目前的相似图片识别方法的检测维度较低,错误率较高,导致相似图片的识别准确度降低。
发明内容
为了解决目前的相似图片识别方法的识别准确度较低的问题,本发明实施例提供了一种相似图片识别方法及计算机设备。所述技术方案如下:
第一方面,提供了一种相似图片识别方法,所述方法包括:
获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;
获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;
获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;
根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;
其中,所述n和所述m均为正整数。
第二方面,提供了一种相似图片识别装置,所述装置包括:
第一获取模块,用于获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;
第二获取模块,用于获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;
第三获取模块,用于获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;
识别模块,用于根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;
其中,所述n和所述m均为正整数。
第三方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现第一方面以及第一方面的任意一种可能的实施方式所提供的相似图片识别方法。
第四方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现第一方面以及第一方面的任意一种可能的实施方式所提供的相似图片识别方法。
本发明实施例提供的技术方案带来的有益效果是:
通过分别获取第一图片的n个具有仿射不变性质的第一局部区域和第二图片的具有仿射不变性质的m个第二局部区域,再确定n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值,然后对n个第一特征值和m个第二特征值之间进行两两比较,根据比较结果识别第一图片和第二图片是否相似;使得将两张图片的比较转换成两组特征值的比较,进而使得相似图片识别方法具有良好的抗裁剪性,在提高了检测维度的同时,也提高了相似图片的识别准确度。
附图说明
图1是本发明一个实施例提供的相似图片识别方法的流程图;
图2是本发明一个实施例提供的第一图片中n个第一局部区域的示意图;
图3是本发明一个实施例提供的第二图片中m个第二局部区域的示意图;
图4是本发明一个实施例提供的第一图片中k个命中区域的示意图;
图5是本发明另一个实施例提供的相似图片识别方法的流程图;
图6是本发明另一个实施例提供的相似图片识别方法涉及的第一图片中n个第一局部区域的示意图;
图7是本发明另一个实施例提供的相似图片识别方法涉及的第一图片中n个第一局部区域的示意图;
图8是本发明一个实施例提供的相似图片识别方法涉及的采用均值方法得到每个区域对应的数值的示意图;
图9是本发明另一个实施例提供的相似图片识别方法的流程图;
图10是本发明另一个实施例提供的相似图片识别方法的流程图;
图11是本发明另一个实施例提供的相似图片识别方法的流程图;
图12是本发明一个实施例提供的相似图片识别装置的结构示意图;
图13是本发明另一个实施例提供的相似图片识别装置的结构示意图;
图14是本发明一个实施例提供的终端的结构示意图;
图15是本发明一个实施例提供的服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
首先,对本发明实施例所涉及到的若干个名词进行介绍:
1、第一图片:待检测图片和原始图片中的一种。
2、第二图片:待检测图片和原始图片中的另一种。
其中,待检测图片可以是未经处理的图片,也可以是将原始图片进行处理后得到的图片,待检测图片包括但不限于以下几种图片:
(1)、对原始图片进行剪裁得到的图片;
(2)、对原始图片进行等比例压缩或拉伸得到的图片;
(3)、对原始图片进行非等比例压缩或拉伸得到的图片;
(4)、对原始图片进行水印添加或色调修改等其它处理的图片。
可选的,原始图片是未经处理的图片。
3、第一局部区域:第一图片中具有仿射不变性质的区域。可选的,第一局部区域为第一图片中的最稳定极值区域(Maximally Stable Extremal Region,MSER)。
4、第二局部区域:第二图片中具有仿射不变性质的区域。可选的,第二局部区域为第二图片中的最稳定极值区域。
5、第一特征值:用于表示第一局部区域的特征信息。可选的,第i个第一特征值为第i个第一局部区域的感知哈希值,i为正整数。
6、第二特征值:用于表示第二局部区域的特征信息。可选的,第j个第二特征值为第j个第二局部区域的感知哈希值,j为正整数。
下面,仅以第一图片为待检测图片和第二图片为原始图片为例进行说明。
目前的相似图片识别方法不适用于原始图片和经过处理的图片之间的相似识别,该处理包括剪裁、缩放或添加水印标识等。因此,本发明实施例提供了一种相似图片识别方法及计算机设备,以解决上述相关技术中存在的问题。
由于无论对图片进行何种处理,在经过处理的图片中仍存在某些局部区域具有仿射不变性质,本发明实施例通过分别获取第一图片的n个具有仿射不变性质的第一局部区域和第二图片的具有仿射不变性质的m个第二局部区域,再确定n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值,然后对n个第一特征值和m个第二特征值之间进行两两比较,根据比较结果识别第一图片和第二图片是否相似;使得通过提取图片中具有仿射不变性质的若干个局部区域,将两张图片的比较转换成两组局部区域的特征值的比较,进而使得相似图片识别方法具有良好的抗裁剪性,在提高了检测维度的同时,也提高了相似图片的识别准确度。
请参考图1,其示出了本发明一个实施例提供的相似图片识别方法的流程图,该相似图片识别方法可由具有图片识别能力的服务器或终端来执行,在以下实施例中仅以相似图片识别方法的执行主体为服务器进行说明。该方法可以包括如下几个步骤:
步骤101,获取第一图片的n个第一局部区域,n个第一局部区域为第一图片中具有仿射不变性质的区域。
可选的,终端向服务器发送待检测的第一图片,服务器获取该第一图片,从第一图片中提取具有仿射不变性质的n个第一局部区域,其中n为正整数。
可选的,n个第一局部区域为第一图片中动态确定的局部区域。
比如,第一图片的n个第一局部区域的区域位置是均匀分布的、或者是散乱分布的。
可选的,存在至少两张第一图片分别对应的第一局部区域的数量是不同的。
比如,对于第一图片A1,服务器获取第一图片A1的15个第一局部区域,对于第一图片A2,服务器获取第一图片A2的20个第一局部区域。
可选的,存在至少两张第一图片分别对应的第一局部区域的位置是不同的。
可选的,第一图片的n个第一局部区域中每个第一局部区域的区域大小均相同、或者存在至少两个第一局部区域的区域大小是不同的。
比如,第一图片的n个第一局部区域中每个第一局部区域的区域大小均为“64*64”。
又比如,第一图片的n个第一局部区域中最小的第一局部区域的区域大小为“32*32”,最大的第一局部区域的区域大小为“200*200”,其它的n-2个第一局部区域的区域大小在“64*64”与“200*200”之间。
可选的,第一图片的n个第一局部区域中每个第一局部区域的区域形状均相同、或者存在至少两个第一局部区域的区域形状是不同的。
比如,第一图片的n个第一局部区域中每个第一局部区域的区域形状均为矩形。
又比如,第一图片的n个第一局部区域中存在至少一个第一局部区域的区域形状为矩形,存在至少一个第一局部区域的区域形状为椭圆形。由于MSER算法具有很好的抗裁剪性,可选的,服务器通过MSER算法在第一图片中检测并提取n个第一局部区域。
比如,如图2所示,服务器通过MSER算法在第一图片A1中检测并提取12个第一局部区域,包括第一局部区域S1至第一局部区域S12。
步骤102,获取第二图片的m个第二局部区域,m个第二局部区域为第二图片中具有仿射不变性质的区域。
可选的,服务器获取第二图片,服务器从第二图片中提取具有仿射不变性质的m个第二局部区域,其中m为正整数。
可选的,n个第二局部区域为第二图片中动态确定的局部区域。
比如,第二图片的n个第二局部区域的区域位置是均匀分布的、或者是散乱分布的。
可选的,存在至少两张第二图片分别对应的第二局部区域的数量是不同的。
比如,对于第二图片B1,服务器获取第二图片B1的105个第二局部区域,对于第二图片B2,服务器获取第二图片A2的200个第二局部区域。
可选的,存在至少两张第二图片分别对应的第二局部区域的位置是不同的。
可选的,第二图片的n个第二局部区域中每个第二局部区域的区域大小均相同、或者存在至少两个第二局部区域的区域大小是不同的。
比如,第二图片的n个第二局部区域中每个第二局部区域的区域大小均为“64*64”。
又比如,第二图片的n个第二局部区域中最小的第二局部区域的区域大小为“32*32”,最大的第二局部区域的区域大小为“200*200”,其它的n-2个第二局部区域的区域大小在“64*64”与“200*200”之间。
可选的,第二图片的n个第二局部区域中每个第二局部区域的区域形状均相同、或者存在至少两个第二局部区域的区域形状是不同的。
比如,第二图片的n个第二局部区域中每个第二局部区域的区域形状均为矩形。
又比如,第二图片的n个第二局部区域中存在至少一个第二局部区域的区域形状为矩形,存在至少一个第二局部区域的区域形状为椭圆形。
可选的,第一图片的第一局部区域与第二图片的第二局部区域的数量是相等的或者是不等的。
即,n和m是相等的或者是不等的。可选的,服务器通过MSER算法在第二图片中检测并提取m个第二局部区域。
比如,如图3所示,服务器通过MSER算法在第二图片中检测并提取20个第二局部区域,包括第二局部区域S1至第二局部区域S20。
本实施例对服务器获取n个第一局部区域和m个第二局部区域的获取方式不加以限定。下面,仅以服务器通过MSER算法获取第一图片的n个第一局部区域和第二图片的m个第二局部区域来举例说明。
步骤103,获取n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值。
可选的,服务器根据n个第一局部区域,通过预设算法计算得到n个第一局部区域分别对应的第一特征值。
可选的,服务器根据m个第二局部区域,通过预设算法计算得到m个第二局部区域分别对应的第二特征值。
比如,服务器获取12个第一局部区域分别对应的第一特征值,即第一特征值Z1至第一特征值Z12,服务器获取20个第二局部区域分别对应的第二特征值,第二特征值Z1至第二特征值Z20。
步骤104,根据n个第一特征值和m个第二特征值的比较结果,识别第一图片与第二图片是否相似。
可选的,服务器将第一特征值和第二特征值之间进行两两比较,得到比较结果,该比较结果用于指示是否存在至少k个第一特征值与至少k个第二特征值一一匹配,即存在至少k个第一局部区域与至少k个第二局部区域一一匹配,服务器根据该比较结果,识别第一图片与第二图片是否相似。
可选的,当第一局部区域与第二局部区域匹配时,该第一局部区域与匹配的第二局部区域的区域大小是相等的或者是不等的。
比如,第一图片中的第一局部区域S1与第二图片中的第二局部区域S5匹配,其中,第一局部区域S1的区域大小为“32*32”,第二局部区域S5的区域大小为“32*64”。
可选的,当第一局部区域与第二局部区域匹配时,该第一局部区域在第一图片中的相对位置与匹配的第二局部区域在第二图片中的相对位置是相同的或者是不同的。
比如,第一图片中的第一局部区域S1与第二图片中的第二局部区域S5匹配,其中,第一局部区域S1位于在第一图片的左上角,第二局部区域S5位于第二图片的正中间。
比如,基于上述图2提供的第一图片的12个第一局部区域和图3提供的第二图片的20个第二局部区域,如图4所示,服务器确定存在6个第一特征值与6个第二特征值一一匹配,即存在6个第一局部区域与6个第二局部区域一一匹配。服务器根据这6个第一局部区域(第一局部区域S1、第一局部区域S2、第一局部区域S5、第一局部区域S6、第一局部区域S8和第一局部区域S10),确定第一图片与第二图片相似。
综上所述,本发明实施例通过分别获取第一图片的n个具有仿射不变性质的第一局部区域和第二图片的具有仿射不变性质的m个第二局部区域,再确定n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值,然后对n个第一特征值和m个第二特征值之间进行两两比较,根据比较结果识别第一图片和第二图片是否相似;使得将两张图片的比较转换成两组局部区域的特征值的比较,进而使得相似图片识别方法具有良好的抗裁剪性,在提高了检测维度的同时,也提高了相似图片的识别准确度。
请参考图5,其示出了本发明另一个实施例提供的相似图片识别方法的流程图。该方法可以包括如下几个步骤:
步骤501,服务器获取第一图片。
可选的,服务器在获取终端发送的待检测的第一图片之后,对该第一图片进行预处理,该预处理包括但不限于以下两种可能的处理方式:
第一种可能的处理方式,为了排除在后续的相似图片识别过程中颜色对相关计算的影响,服务器对获取到的第一图片进行二值化处理,即将第一图片的像素点的灰度值设置为0或255。
第二种可能的处理方式,由于图片的尺寸也是影响后续相关计算的一个重要因素,当第一图片的分辨率小于预设分辨阈值时,服务器无法在第一图片中获取到第一局部区域,因此服务器在获取第一局部区域之前,判断第一图片的分辨率是否满足分辨率要求,若第一图片的分辨率小于预设分辨阈值,则服务器将第一图片的最短边拉伸到预设边长阈值,并将其他边长按照原本的长宽比进行等比例拉伸,得到满足分辨率要求的第一图片。
比如,服务器获取到的第一图片的分辨率为“200*400”,当服务器判断出该第一图片的分辨率“200*400”小于预设分辨阈值“400*400”时,服务器将第一图片的宽边“200”拉伸到预设边长阈值“400”,并将长边按照原本的长宽比进行等比例拉伸到“800”,得到满足分辨率要求的第一图片,此时第一图片的分辨率为“400*800”。
步骤502,服务器通过MSER算法在第一图片中检测w个第一候选区域。
其中,w为正整数。
可选的,在服务器在第一图片中检测到w个第一候选区域时,若直接使用检测到的w个第一候选区域与后续获取到的m个第二局部区域进行比较,存在以下两种可能的问题:
1、当第一候选区域的区域大小大于第二预设阈值即区域太大时,该第一候选区域可能包括整个第一图片,则计算出的第一特征值为整个第一图片的特征值,仍会出现相关技术中相似图片识别方法中的问题。
2、当第一候选区域的区域大小小于第一预设阈值即区域太小时,该第一候选区域可能为无效区域,该无效区域中的“无效”不是表示该第一候选区域是无效的,而是表示该第一候选区域由于太小在与第二局部区域比较时存在较高概率匹配成功而造成错误。
比如,第一候选区域为纯白色区域,该第一候选区域的区域大小为“5*5”,小于第一预设阈值“32*32”,则服务器在后续的匹配过程中存在很大概率在第二图片中找到区域大小为“5*5”的纯白色区域,从而对最后的识别结果造成影响。
由于若服务器在第一图片中检测到较多的小于第一预设阈值的第一局部区域,不仅会增加无效区域的数量,进而增加服务器的计算量,而且会导致最后的识别结果不准确。因此,服务器需要从w个第一候选区域中筛选出一部分第一局部区域。
步骤503,服务器从w个第一候选区域中获取符合预设条件的n个第一局部区域。
可选的,在服务器检测到w个第一候选区域时,设置预设条件,该预设条件包括第一局部区域的区域大小在第一预设阈值与第二预设阈值之间,第一预设阈值小于第二预设阈值。
比如,第一预设阈值为“32*32”,第二预设阈值为“200*200”,如图6所示,服务器从w个第一候选区域中获取区域大小在“32*32”与“200*200”之间的n个第一局部区域。本实施例对第一预设阈值和第二预设阈值的取值不加以限定。
由于n个第一局部区域中还可能存在至少两个第一局部区域出现重叠或者完全包含的情况,因此,可选的,服务器对符合预设条件的n个第一局部区域再进行选取处理。
在一种可能的实现方法中,若两个第一局部区域之间存在重叠区域,则服务器保留对这两个第一局部区域选取。
在另一种可能的实现方法中,若两个第一局部区域中存在一个第一局部区域被另一个第一局部区域完全包含,则服务器取消对这两个第一局部区域中被包含的第一局部区域选取,保留另一个第一局部区域的选取。
比如,如图7所示,第一图片中的第一局部区域S1与第一局部区域S2存在重叠区域,第一局部区域S2完全包括第一局部区域S3和第一局部区域S4,其中,第一局部区域S3和第一局部区域S4存在重叠区域,因此服务器取消对被包含的第一局部区域S3和第一局部区域S4选取,保留第一局部区域S1和第一局部区域S2的选取。
为了提高局部区域的相似命中率,提高识别结果的准确率,可选的,在服务器从w个第一候选区域中获取符合预设条件的n个第一局部区域时,保留所有确定的n个第一局部区域,即不进行上述的对符合预设条件的n个第一局部区域再进行选取处理的步骤。下面,本实施例仅以不再对n个第一局部区域进行选取处理为例进行说明。
服务器从w个第一候选区域中获取符合预设条件的n个第一局部区域时,通常使用椭圆区域和其它非矩形区域来近似准确地表示第一局部区域。但是为了减少椭圆区域和其它非矩形的旋转变换,更方便地提取第一局部区域,本发明实施例使用矩形区域来表示第一局部区域。
可选的,n个第一局部区域中每个第一局部区域均为矩形区域,或者存在至少两个第一局部区域为矩形区域。
步骤504,服务器获取第二图片。
可选的,服务器对获取到的第二图片进行预处理,该预处理包括二值化处理和/或拉伸处理。相关细节可参考步骤501中服务器对第一图片的预处理过程。
步骤505,服务器通过MSER算法在第二图片中检测x个第二候选区域。
其中,x为正整数。
步骤506,服务器从x个第二候选区域中获取符合预设条件的m个第二局部区域。
其中,该预设条件包括第二局部区域的区域大小在第一预设阈值与第二预设阈值之间,第一预设阈值小于第二预设阈值。
可选的,m个第二局部区域中每个第二局部区域均为矩形区域,或者存在至少两个第二局部区域为矩形区域。
需要说明的一点是,服务器检测第二图片中的x个第二候选区域,并从中获取符合预设条件的m个第二局部区域的过程可参考上述步骤502和503中服务器对第一图片的检测和确定过程,在此不再赘述。
需要说明的另一点是,步骤501至503和步骤504至506可以并列执行,步骤504至506也可以在步骤501至503之前执行,本实施例对此不加以限定。
步骤507,服务器获取n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值。
由于感知哈希算法(英文:Perceptual hash algorithm,pHash算法)具有很好的抗缩放性,可选的,服务器通过pHash算法计算n个第一局部区域分别对应的第一感知哈希值,通过pHash算法计算m个第二局部区域分别对应的第二感知哈希值。本实施例对特征值的表示方式以及特征值的获取方法均不加以限定。下面,仅以第一特征值为第一感知哈希值,第二特征值为第二感知哈希值为例进行说明。
可选的,计算图片的感知哈希值的计算方法包括很多种可能的计算方法,下面仅介绍一种可能的计算方法。
以服务器通过pHash算法计算n个第一局部区域分别对应的第一感知哈希值为例,计算第一感知哈希值的过程包括但不限于以下步骤:
(1)、服务器将第一图片的n个第一局部区域进行平滑处理;
(2)服务器将n个第一局部区域分别缩小并转换为32*32的灰度图片;
(3)服务器在得到的n个灰度图片上分别进行DCT变换,得到n个第一局部区域的DCT系数值,其中DCT变换为浮点运算;
(4)服务器去掉每个DCT系数值的边缘一周后,并获取n个第一局部区域分别对应的左上角的8*8区域;
在服务器得到n个第一局部区域的DCT系数值之后,由于每个IDCT系数值的边缘一周呈现的是与该IDCT系数值对应的第一局部区域的细节信息,而在相似图片识别的过程中并不关心这些细节信息,所以我们将IDCT系数值的一周去掉,使本发明实施例提供的相似图片识别方法更加实用化。然后,由于去掉边缘一周后的IDCT系数值的左上角区域聚集了该第一局部区域的绝大部分信息,所以可以使用去掉边缘一周后的IDCT系数值的左上角的8*8区域来表该第一局部区域的信息。
(5)服务器根据n个第一局部区域分别对应的左上角的8*8区域,分别按照预设的算法进行计算,得到n个第一局部区域分别对应的第一感知哈希值。
进一步的,上述预设的算法包括很多种可能的算法,即根据左上角的8*8区域计算得到第一感知哈希值的方法可以不止一种。
由于对于每个第一局部区域的左上角的8*8区域,包括64个区域,每个区域对应有一个数值,即左上角的8*8区域对应有64个数值。可选的,服务器计算左上角的8*8区域对应的64个数值的均值,再将64个数值中的每个数值与均值进行比较,若大于均值,则将该区域对应的数值设置1;若小于或等于均值,则将该区域对应的数值设置0;根据设置后的每个数值,按照预定顺序进行排序,得到64个数值即第一感知哈希值。
比如,如图8所示,以一个3*3区域为例,说明上述采用均值方法得到每个区域对应的数值的过程。如图8中的图(a)所示,3*3区域包括9个区域,分别为区域00、区域01、区域02、区域50、区域11、区域12、区域20、区域21和区域22,其中,区域00对应的数值为1,区域01对应的数值为2,区域02对应的数值为3,区域50对应的数值为4,区域11对应的数值为5,区域12对应的数值为6,区域20对应的数值为7,区域21对应的数值为8,区域22对应的数值为9。服务器计算得到这9个数值的均值为5,并分别将这9个数值与均值“5”进行比较,其中,区域00、区域01、区域02、区域50和区域11这5个区域对应的数值均小于或等于均值“5”,则将这5个区域对应的数值均重新设置为“0”;区域12、区域20、区域21和区域22这4个区域对应的数值均大于均值“5”,则将这4个区域对应的数值均重新设置为“1”,从而得到设置后的9个数值,如图8中的图(b)所示。服务器根据预定顺序将设置后的9个数值进行排序,得到“000001111”。
可选的,服务器通过pHash算法计算m个第二局部区域分别对应的第二感知哈希值的计算过程可参考上述计算第一感知哈希值的过程。在此不再赘述。
步骤508,对于每个第一局部区域的第一特征值,若存在与第一特征值匹配的第二特征值,则服务器将第一特征值对应的第一局部区域确定为命中区域。
可选的,对于每个第一局部区域的第一特征值,分别与m个第二特征值进行比较,若存在与该第一特征值匹配的第二特征值,则将该第一特征值对应的第一局部区域确定为命中区域。其中,第一特征值和第二特征值的匹配关系是一一对应的。
服务器根据n个第一特征值和m个第二特征值,确定至少k个命中区域,包括但不限于以下步骤,请参考图9:
步骤901,服务器确定在m个第二特征值中是否存在与第i个第一特征值匹配的第二特征值,i的初始值为1。
可选的,对于第i个第一感知哈希值,分别计算第i个第一感知哈希值与m个第二感知哈希值之间的汉明距离;若汉明距离小于第四预设阈值,则服务器确定存在与第i个第一特征值匹配的第二特征值。示意性的,第四预设阈值为5。
比如,第1个第一感知哈希值为H111,服务器依次计算第一感知哈希值H111与20个第二感知哈希值之间的汉明距离,当服务器计算到第1个第二感知哈希值H211与第一感知哈希值H111之间的汉明距离为3时,确定该汉明距离“3”小于第四预设阈值“5”,则服务器确定存在与第1个第一感知哈希值H111匹配的第1个第二感知哈希值H211。
可选的,若存在,则执行步骤902,若不存在,则执行步骤903。
步骤902,若存在,则服务器将第i个第一特征值对应的第一局部区域确定为命中区域。
可选的,若存在,则服务器确定与小于第四预设阈值的汉明距离对应的第二感知哈希值,将第二感知哈希值对应的第二局部区域确定为命中区域。
比如,服务器确定存在与第1个第一感知哈希值H111匹配的第1个第二感知哈希值H211时,将第二感知哈希值H211对应的第二局部区域S1确定为命中区域。
可选的,在服务器确定命中区域之后,将i加1,执行步骤904。
步骤903,若不存在,则服务器将i加1。
步骤904,服务器判断此时i是否等于n+1。
可选的,当i等于n+1时,执行步骤905,当i不等于n+1时,继续执行步骤901。
步骤905,若此时i等于n+1,则服务器得到比较结果,该比较结果用于指示在n个第一局部区域中确定出的至少k个命中区域。
其中,k为正整数。
比如,基于上述图2提供的第一图片的12个第一局部区域和图3提供的第二图片的20个第二局部区域,服务器将第一特征值和第二特征值之间进行两两比较,得到比较结果,该比较结果如表一所示。该比较结果为与第一特征值Z1匹配的为第二特征值Z1,与第一特征值Z2匹配的为第二特征值Z3,与第一特征值Z5匹配的为第二特征值Z8,第一特征值Z6匹配的为第二特征值Z12,第一特征值Z8匹配的为第二特征值Z14,第一特征值Z10匹配的为第二特征值Z15,而对于其它6个第一特征值,服务器没有找到与这6个第一特征值分别匹配的第二特征值。
表一
第一特征值 | 第二特征值 | 第一特征值 | 第二特征值 |
第一特征值Z1 | 第二特征值Z1 | 第一特征值Z7 | 无 |
第一特征值Z2 | 第二特征值Z3 | 第一特征值Z8 | 第二特征值Z14 |
第一特征值Z3 | 无 | 第一特征值Z9 | 无 |
第一特征值Z4 | 无 | 第一特征值Z10 | 第二特征值Z15 |
第一特征值Z5 | 第二特征值Z8 | 第一特征值Z11 | 无 |
第一特征值Z6 | 第二特征值Z12 | 第一特征值Z12 | 无 |
基于表一所示的比较结果,继续参考图4,服务器在第一图片的12个第一局部区域中确定出6个命中区域,分别为与第一特征值Z1对应的第一局部区域S1,与第一特征值Z2对应的第一局部区域S2,与第一特征值Z5对应的第一局部区域S5,与第一特征值Z6对应的第一局部区域S6,与第一特征值Z8对应的第一局部区域S8,与第一特征值Z10对应的第一局部区域S10。
步骤509,服务器根据在第一图片中确定出的至少k个命中区域,确定第一图片与第二图片的相似度,k为正整数。
其中,服务器根据确定出的至少k个命中区域,确定第一图片与第二图片的相似度,包括但不限于以下两种可能的确定方法:
第一种可能的确定方法,服务器根据至少k个命中区域在n个第一局部区域的个数占比,确定第一图片与第二图片的相似度。
比如,服务器根据在第一图片中确定出的6个命中区域,确定在12个第一局部区域的个数占比为“50%”,则确定第一图片与第二图片的相似度为“50%”。
第二种可能的确定方法,服务器根据至少k个命中区域在第一图片中的面积占比,确定第一图片与第二图片的相似度。
示意性的,当服务器确定出第一图片的至少k个命中区域时,计算该第一图片的面积S1和至少k个命中区域的面积S2,将S2与S1的比值确定为第一图片与第二图片的相似度。
比如,服务器根据在第一图片中确定出的6个命中区域,计算6个命中区域在第一图片中的面积占比为“40%”,则确定第一图片与第二图片的相似度为“40%”。
步骤510,服务器判断相似度是否大于第三预设阈值。
步骤511,当服务器判断相似度大于第三预设阈值时,识别第一图片与第二图片相似。
比如,第三预设阈值为“25%”,在服务器确定出第一图片与第二图片的相似度为“50”之后,判断出相似度“50”大于第三预设阈值“25%”,则识别第一图片与第二图片相似。
步骤512,当服务器判断相似度小于或等于第三预设阈值时,识别第一图片与第二图片不相似。
比如,第三预设阈值为“25%”,在服务器确定出第一图片与第二图片的相似度为“10”之后,判断出相似度“10”小于第三预设阈值“25%”,则识别第一图片与第二图片不相似。
综上所述,本发明实施例通过分别获取第一图片的n个具有仿射不变性质的第一局部区域和第二图片的具有仿射不变性质的m个第二局部区域,再确定n个第一局部区域分别对应的第一特征值和m个第二局部区域分别对应的第二特征值,然后对n个第一特征值和m个第二特征值之间进行两两比较,根据比较结果识别第一图片和第二图片是否相似;使得将两张图片的比较转换成两组局部区域的特征值的比较,进而使得相似图片识别方法具有良好的抗裁剪性,在提高了检测维度的同时,也提高了相似图片的识别准确度。
本发明实施例还通过使用MSER算法在第一图片中提取预设条件的n个第一局部区域,使用MSER算法在第二图片中提取预设条件的m个第二局部区域,由于MSER算法具有很好的抗裁剪性,使得即便第一图片是经过剪裁的图片,服务器仍然能够准确的识别出第一图片与第二图片是否相似。
本发明实施例还通过pHash算法计算n个第一局部区域分别对应的第一感知哈希值,通过pHash算法计算m个第二局部区域分别对应的第二感知哈希值,比较第一感知哈希值和第二感知哈希值的汉明距离,确定第一局部区域与第二局部区域是否匹配,由于具有很好的抗缩放性,,使得即便第一图片是经过缩放后的图片,服务器仍然能够准确的识别出第一图片与第二图片是否相似。
需要说明的是,相似图片识别方法包括但不限于以下两种可能的使用场景:
在第一种可能的使用场景中,服务器确定两张图片,即第一图片和第二图片,通过相似图片识别方法判断这两张图片是否相似。该使用场景可参考上述图1至图9所示的方法实施例。
基于第一种可能的使用场景,在第二种可能的使用场景中,服务器在图片数据库中预先存储有p个第二图片,在服务器接收到终端发送的一张待检测的第一图片,在图片数据库中查找是否存在与该第一图片相似度高于第三预设阈值的第二图片,若存在则向终端反馈查询结果,该查询结果包括至少t个第二图片的图片标识,p和t均为正整数。下面,通过图10至图11所示的实施例介绍在第二种可能的使用场景下的相似图片识别方法。
在第二种可能的使用场景中,本发明实施例首先介绍服务器在存储一个第二图片之前,对该第二图片的处理过程,请参考图10。其中,对于图10所提供的实施例中未披露的相关细节,比如对图片的预处理过程、计算感知哈希值的过程,请参照图1至图9所示的方法实施例。
步骤1001,服务器确定需要存储的第二图片,对该第二图片进行二值化处理。
可选的,服务器对第二图片进行二值化处理,将第二图片中的各个像素点的灰度值设置为0或255。
步骤1002,服务器计算第二图片的第三特征值。
可选的,第三特征值为第二图片的第三感知哈希值,该第三感知哈希值用于表示整个第二图片的特征信息。
可选的,服务器在计算第二图片的第三特征值后,存储该第三特征值与第二图片的对应关系。示意性的,该对应关系以(第三特征值,图片标识)的形式进行存储。
比如,在服务器对第二图片T001进行二值化处理后,服务器计算第二图片T001的第三感知哈希值为H311,则服务器以(H311,T2)的形式进行存储。
步骤1003,服务器判断第二图片的分辨率是否大于预设分辨阈值。
可选的,若小于预设分辨阈值,则执行步骤1004;若大于或等于预设分辨阈值,则执行步骤1005。示意性的,预设分辨阈值为400*400。
步骤1004,服务器将第二图片进行等比例拉伸,得到拉伸后的第二图片。
步骤1005,服务器通过MSER算法在第二图片中检测x个第二候选区域。
步骤1006,服务器从x个第二候选区域中选取符合预设条件的m个第二局部区域,并计算m个第二局部区域分别对应的第二特征值。
步骤1007,服务器存储m个第二特征值和第二图片的对应关系。
可选的,服务器存储第二图片的图片标识和m个第二特征值的对应关系。
在一种可能的实现方式中,该对应关系如表二所示,第二图片T001包括5个第二局部区域,每个第二局部区域对应有各自的第二特征值,即该第二图片T001对应有5个第二特征值,分别为第二特征值Z1、第二特征值Z2、第二特征值Z3、第二特征值Z4和第二特征值Z5。
表二
在第二种可能的使用场景中,本发明实施例再介绍服务器根据第一图片,在图片数据库中进行查询得到查询结果的过程,请参考图11。其中,对于图11所提供的实施例中未披露的相关细节,比如对图片的预处理过程、计算感知哈希值的过程,请参照图1至图9所示的方法实施例。
步骤1101,服务器获取待检测的第一图片,对该第一图片进行二值化处理。
可选的,服务器接收终端发送的第一图片,第一图片进行二值化处理,将第一图片中的各个像素点的灰度值设置为0或255。
步骤1102,服务器计算第一图片的第四特征值。
可选的,第四特征值为第一图片的第四感知哈希值,该第四感知哈希值用于表示整个第一图片的特征信息。
步骤1103,服务器将第一图片的第四特征值与p个第二图片的第三特征值进行汉明距离运算。
步骤1104,服务器判断是否存在小于第四预设阈值的汉明距离。
可选的,第四预设阈值为5。
步骤1105,若存在,服务器确定与该汉明距离对应的第三特征值,将该第三特征值对应的第二图片的图片标识反馈给终端。
步骤1106,若不存在,服务器判断第一图片的分辨率是否大于预设分辨阈值。
可选的,若小于预设分辨阈值,则执行步骤1107;若大于或等于预设分辨阈值,则执行步骤1108。示意性的,预设分辨阈值为400*400。
步骤1107,服务器将第一图片进行等比例拉伸,得到拉伸后的第一图片。
步骤1108,服务器通过MSER算法在第一图片中检测w个第一候选区域。
步骤1109,服务器从w个第一候选区域中选取符合预设条件的n个第一局部区域,并计算n个第一局部区域分别对应的第一特征值。
步骤1110,对于每个第一特征值,服务器在存储的各个第二图片的m个第二特征值中查找到与该第一特征值匹配的第二特征值。
可选的,当第一特征值与第二特征值的汉明距离小于第三预设阈值时,服务器确定第一特征值与第二特征值匹配。
可选的,当服务器确定出第i个第一特征值与第j个第二特征值匹配时,则第i个第一特征值和第j个第二特征值不再参加后续的比较过程,这样可以避免局部区域的重复命中,减少命中误差。
比如,服务器在第一图片中选取符合预设条件的12个第一局部区域之后,确定与每个第一特征值相匹配的第二特征值,如表三所示。其中,第一特征值Z1对应(T001,Z1)表示与第一特征值Z1匹配的为第二图片T001的第二特征值Z1,第一特征值Z2对应(T001,Z2)表示与第一特征值Z2匹配的为第二图片T001的第二特征值Z2,第一特征值Z3对应(T077,Z25)表示与第一特征值Z3匹配的为第二图片T077的第二特征值Z25,以此类推。
表三
步骤1111,服务器将查找到的n个第二特征值,按照第二图片的图片标识进行分组,得到若干个第二特征值组,每个第二特征值组与图片标识一一对应。
比如,服务器将查找到的12个第二特征值,按照第二图片的图片标识进行分组,得到5个第二特征值组,如表四所示。其中,第二特征值组1与第二图片T001对应,该第二特征值组1存储有匹配的5个第二特征值,分别为第二特征值Z1、Z2、Z8、Z12、Z14;第二特征值组2与第二图片T077对应,该第二特征值组2存储有匹配的3个第二特征值,分别为第二特征值Z4、Z25、Z50;第二特征值组3与第二图片T057对应,该第二特征值组3存储有匹配的2个第二特征值,分别为第二特征值Z38和Z49;第二特征值组4与第二图片T023对应,该第二特征值组4存储有匹配的1个第二特征值即第二特征值Z67;第二特征值组5与第二图片T123对应,该第二特征值组5存储有匹配的1个第二特征值即第二特征值Z8。
表四
第二特征值组 | 第二图片的图片标识 | 第二特征值 |
第二特征值组1 | T001 | Z1、Z2、Z8、Z12、Z14 |
第二特征值组2 | T023 | Z67 |
第二特征值组3 | T057 | Z38、Z49 |
第二特征值组4 | T077 | Z4、Z25、Z50 |
第二特征值组5 | T123 | Z8 |
步骤1112,服务器根据第二特征值组中的第二特征值的个数,对若干个第二特征值组进行排序,从若干个第二特征值组中确定出至少t个第二特征值。
可选的,服务器根据第二特征值组中的第二特征值的个数从大到小的顺序,对若干个第二特征值组进行排序,从若干个第二特征值组中确定出前3个第二特征值组。
比如,服务器根据第二特征值组中的第二特征值的个数从大到小的顺序,对5个第二特征值组进行排序,依次为第二特征值组1、第二特征值组4、第二特征值组3、第二特征值组2、第二特征值组5。即前3个第二特征值组,分别为第二特征值组1、第二特征值组4和第二特征值组3。
步骤1113,服务器向终端返回该至少t个第二特征值对应的第二图片的图片标识。
比如,在服务器确定出第二特征值组1、第二特征值组4和第二特征值组3之后,确定与第二特征值组1对应的第二图片T001、与第二特征值组4对应的第二图片T077和与第二特征值组3对应的第二图片T057,向终端返回这3个第二图片的图片标识,用于向终端指示第二图片T001、第二图片T077和第二图片T057是与第一图片相似度较高的图片。
在一个示意性的例子中,该相似图片识别方法应用于图片的版权鉴定服务中。
第二图片为服务器中存储的版权图片,该版权图片为具有版权的图片。第一图片可以是被裁剪后的版权图片,也可以是被缩放后的版权图片,还可以是被裁剪并缩放后的版权图片。
比如,第一图片为将第二图片的左侧剪裁四分之一得到的图片;又比如,第一图片为将第二图片的四周剪裁得到的图片;又比如,第一图片为将第二图片的左上角和右上角剪裁得到的图片。
该相似图片识别方法包括:用户通过用户终端向服务器提交一张第一图片A,服务器从第一图片A中提取若干个第一局部区域,并计算每个第一局部区域的第一感知哈希值,服务器根据每个第一感知哈希值与图片数据库中所有第二感知哈希值的比较结果,向用户终端反馈与第一图片A相似度最高的第二图片B,同时反馈该第二图片B的版权信息,该版权信息包括该第二图片B包括的版权类型和版权购买地址。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参考图12,其示出了本发明一个实施例提供的相似图片识别装置的结构示意图。该相似图片识别装置可以通过专用硬件电路,或者,软硬件的结合实现成为终端或服务器的全部或一部分,该相似图片识别装置包括:第一获取模块1210、第二获取模块1220、第三获取模块1230和识别模块1240。
第一获取模块1210,用于实现上述步骤101。
第二获取模块1220,用于实现上述步骤102。
第三获取模块1230,用于实现上述步骤103。
识别模块1240,用于实现上述步骤104。
在基于图12所示实施例提供的一个可选实施例中,如图13所示,该第一获取模块1210,包括:第一检测单元1211和第一获取单元1212。
第一检测单元1211,用于实现上述步骤502和/或1108。
第一获取单元1212,用于实现上述步骤503。
在基于图12所示实施例提供的一个可选实施例中,如图13所示,该第二获取模块1220,包括:第二检测单元1221和第二获取单元1222。
第二检测单元1221,用于实现上述步骤505和/或1005。
第二获取单元1222,用于实现上述步骤506。
在基于图12所示实施例提供的一个可选实施例中,如图13所示,该识别模块1240,包括:第一确定单元1241、第二确定单元1242和识别单元1243。
第一确定单元1241,用于实现上述步骤508。
第二确定单元1242,用于实现上述步骤509。
识别单元1243,用于实现上述步骤511。
在基于图12所示实施例提供的一个可选实施例中,如图13所示,该第一特征值为第一感知哈希值,且第二特征值为第二感知哈希值,该第一确定单元1241,包括:计算子单元1241a和确定子单元1241b。
计算子单元1241a,用于对于每个第一感知哈希值,分别计算第一感知哈希值与m个第二感知哈希值之间的汉明距离;
确定子单元1241b,用于若存在汉明距离小于第四预设阈值,则将第一感知哈希值对应的第一局部区域确定为命中区域。
第二确定单元1242,还用于根据至少k个命中区域在n个第一局部区域的个数占比,确定第一图片与第二图片的相似度。
第二确定单元1242,还用于根据至少k个命中区域在第一图片中的面积占比,确定第一图片与第二图片的相似度。
相关细节可结合参考图1至图11所示的方法实施例。其中,第一获取模块1210、第二获取模块1220、第三获取模块1230还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能;识别模块1240还用于实现上述方法实施例中其他任意隐含或公开的与识别步骤相关的功能。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能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模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本实施例提供了一种计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各个方法实施例提供的相似图片识别方法。
可选的,该计算机设备包括终端和/或服务器。
请参考图14,其示出了本发明一个实施例提供的终端1400的结构示意图,该终端可以运行投放者客户端或用户客户端。具体来讲:设备1400可以包括RF(Radio Frequency,射频)电路1410、包括有一个或一个以上计算机可读存储介质的存储器1420、输入单元1430、显示单元1440、传感器1450、音频电路1460、WiFi(wireless fidelity,无线保真)模块1470、包括有一个或者一个以上处理核心的处理器1480、以及电源1490等部件。本领域技术人员可以理解,图14中示出的设备结构并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
RF电路1410可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器1480处理;另外,将涉及上行的数据发送给基站。通常,RF电路1410包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier,低噪声放大器)、双工器等。此外,RF电路1410还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA(CodeDivision Multiple Access,码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service,短消息服务)等。存储器1420可用于存储软件程序以及模块。处理器1480通过运行存储在存储器1420的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据设备1400的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1420还可以包括存储器控制器,以提供处理器1480和输入单元1430对存储器1420的访问。
输入单元1430可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元1430可包括触敏表面1431以及其他输入设备1432。触敏表面1431,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面1431上或在触敏表面1431附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面1431可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1480,并能接收处理器1480发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面1431。除了触敏表面1431,输入单元1430还可以包括其他输入设备1432。具体地,其他输入设备1432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1440可用于显示由用户输入的信息或提供给用户的信息以及设备140的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1440可包括显示面板1441,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板1441。进一步的,触敏表面1431可覆盖在显示面板1441之上,当触敏表面1431检测到在其上或附近的触摸操作后,传送给处理器1480以确定触摸事件的类型,随后处理器1480根据触摸事件的类型在显示面板1441上提供相应的视觉输出。虽然在图14中,触敏表面1431与显示面板1441是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面1431与显示面板1441集成而实现输入和输出功能。
设备1400还可包括至少一种传感器1450,比如光传感器、运动传感器以及其它传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1441的亮度,接近传感器可在设备1400移动到耳边时,关闭显示面板1441和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于设备1400还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其它传感器,在此不再赘述。
音频电路1460、扬声器1421,传声器1422可提供用户与设备1400之间的音频接口。音频电路1460可将接收到的音频数据转换后的电信号,传输到扬声器1421,由扬声器1421转换为声音信号输出;另一方面,传声器1422将收集的声音信号转换为电信号,由音频电路1460接收后转换为音频数据,再将音频数据输出处理器1480处理后,经RF电路1410以发送给另一设备,或者将音频数据输出至存储器1420以便进一步处理。音频电路1460还可能包括耳塞插孔,以提供外设耳机与设备1400的通信。
WiFi属于短距离无线传输技术,设备1400通过WiFi模块1470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图14示出了WiFi模块1470,但是可以理解的是,其并不属于设备1400的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1480是设备1400的控制中心,利用各种接口和线路连接整个设备的各个部分,通过运行或执行存储在存储器1420内的软件程序和/或模块,以及调用存储在存储器1420内的数据,执行设备1400的各种功能和处理数据,从而对设备进行整体监控。可选的,处理器1480可包括一个或多个处理核心;可选的,处理器1480可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1480中。
设备1400还包括给各个部件供电的电源1490(比如电池),优选的,电源可以通过电源管理系统与处理器1480逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1490还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,设备1400还可以包括摄像头、蓝牙模块等,在此不再赘述。
可选的,存储器1420中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器1480加载并执行以实现上述各个方法实施例提供的相似图片识别方法。
请参考图15,其示出了本发明一个实施例提供的服务器的结构示意图。具体来讲:所述服务器1500包括中央处理单元(CPU)1501、包括随机存取存储器(RAM)1502和只读存储器(ROM)1503的系统存储器1504,以及连接系统存储器1504和中央处理单元1501的系统总线1505。所述服务器1500还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1506,和用于存储操作系统1513、应用程序1514和其他程序模块1515的大容量存储设备1507。
所述基本输入/输出系统1506包括有用于显示信息的显示器1508和用于用户输入信息的诸如鼠标、键盘之类的输入设备1509。其中所述显示器1508和输入设备1509都通过连接到系统总线1505的输入输出控制器1510连接到中央处理单元1501。所述基本输入/输出系统1506还可以包括输入输出控制器1510以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1510还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1507通过连接到系统总线1505的大容量存储控制器(未示出)连接到中央处理单元1501。所述大容量存储设备1507及其相关联的计算机可读介质为服务器1500提供非易失性存储。也就是说,所述大容量存储设备1507可以包括诸如硬盘或者CD-ROI驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1504和大容量存储设备1507可以统称为存储器。
根据本发明的各种实施例,所述服务器1500还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1500可以通过连接在所述系统总线1505上的网络接口单元1511连接到网络1512,或者说,也可以使用网络接口单元1511来连接到其他类型的网络或远程计算机系统(未示出)。
可选的,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器1480加载并执行以实现上述各个方法实施例提供的相似图片识别方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的相似图片识别方法中全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各个方法实施例提供的相似图片识别方法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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。
Claims (10)
1.一种相似图片识别方法,其特征在于,所述方法包括:
获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;
获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;
获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;
根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;
其中,所述n和所述m均为正整数。
2.根据权利要求1所述的方法,其特征在于,所述获取第一图片的n个第一局部区域,包括:
通过最稳定极值区域MSER算法在所述第一图片中检测w个第一候选区域,所述w为正整数;
从所述w个第一候选区域中获取符合预设条件的n个第一局部区域;
其中,所述预设条件包括所述第一局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述获取第二图片的m个第二局部区域,包括:
通过最稳定极值区域MSER算法在所述第二图片中检测x个第二候选区域,所述x为正整数;
从所述x个第二候选区域中获取符合预设条件的m个第二局部区域;
其中,所述预设条件包括所述第二局部区域的区域大小在第一预设阈值与第二预设阈值之间,所述第一预设阈值小于所述第二预设阈值。
4.根据权利要求1至3任一所述的方法,其特征在于,所述根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似,包括:
对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域;
根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,所述k为正整数;
当所述相似度大于所述第三预设阈值时,识别所述第一图片与所述第二图片相似。
5.根据权利要求4所述的方法,其特征在于,所述第一特征值为第一感知哈希值,且所述第二特征值为第二感知哈希值,所述对于每个所述第一局部区域的第一特征值,若存在与所述第一特征值匹配的第二特征值,则将所述第一特征值对应的第一局部区域确定为命中区域,包括:
对于每个所述第一感知哈希值,分别计算所述第一感知哈希值与所述m个第二感知哈希值之间的汉明距离;
若存在所述汉明距离小于第四预设阈值,则将所述第一感知哈希值对应的第一局部区域确定为所述命中区域。
6.根据权利要求4所述的方法,其特征在于,所述根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,包括:
根据至少k个所述命中区域在所述n个第一局部区域的个数占比,确定所述第一图片与所述第二图片的相似度。
7.根据权利要求4所述的方法,其特征在于,所述根据在所述第一图片中确定出的至少k个所述命中区域,确定所述第一图片与所述第二图片的相似度,包括:
根据至少k个所述命中区域在所述第一图片中的面积占比,确定所述第一图片与所述第二图片的相似度。
8.一种相似图片识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一图片的n个第一局部区域,所述n个第一局部区域为所述第一图片中具有仿射不变性质的区域;
第二获取模块,用于获取第二图片的m个第二局部区域,所述m个第二局部区域为所述第二图片中具有仿射不变性质的区域;
第三获取模块,用于获取所述n个第一局部区域分别对应的第一特征值和所述m个第二局部区域分别对应的第二特征值,所述第一特征值用于表示所述第一局部区域的特征信息,所述第二特征值用于表示所述第二局部区域的特征信息;
识别模块,用于根据所述n个第一特征值和所述m个第二特征值的比较结果,识别所述第一图片与所述第二图片是否相似;
其中,所述n和所述m均为正整数。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的相似图片识别方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的相似图片识别方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710444106.4A CN109145926B (zh) | 2017-06-13 | 2017-06-13 | 相似图片识别方法及计算机设备 |
PCT/CN2018/086911 WO2018228118A1 (zh) | 2017-06-13 | 2018-05-15 | 相似图片识别方法、设备及存储介质 |
US16/548,301 US11055561B2 (en) | 2017-06-13 | 2019-08-22 | Similar picture identification method, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710444106.4A CN109145926B (zh) | 2017-06-13 | 2017-06-13 | 相似图片识别方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145926A true CN109145926A (zh) | 2019-01-04 |
CN109145926B CN109145926B (zh) | 2023-04-18 |
Family
ID=64658854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710444106.4A Active CN109145926B (zh) | 2017-06-13 | 2017-06-13 | 相似图片识别方法及计算机设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11055561B2 (zh) |
CN (1) | CN109145926B (zh) |
WO (1) | WO2018228118A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222775A (zh) * | 2019-06-10 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110490272A (zh) * | 2019-09-05 | 2019-11-22 | 腾讯音乐娱乐科技(深圳)有限公司 | 图片内容相似度分析方法、装置及存储介质 |
CN110688926A (zh) * | 2019-09-19 | 2020-01-14 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN111368128A (zh) * | 2020-03-12 | 2020-07-03 | 北京海益同展信息科技有限公司 | 目标图片的识别方法、装置和计算机可读存储介质 |
CN111552829A (zh) * | 2020-05-07 | 2020-08-18 | 北京海益同展信息科技有限公司 | 用于分析图像素材的方法和装置 |
CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717891A (zh) * | 2019-09-17 | 2020-01-21 | 平安科技(深圳)有限公司 | 基于分组批量的图片检测方法、装置及存储介质 |
KR20210042752A (ko) * | 2019-10-10 | 2021-04-20 | 삼성전자주식회사 | 이미지 백업을 수행하는 컴퓨팅 시스템 및 이미지 백업 방법 |
US20220245189A1 (en) * | 2021-01-31 | 2022-08-04 | Wrethink, Inc. | Methods and apparatus for detecting duplicate or similar images and/or image portions and grouping images based on image similarity |
CN112861954A (zh) * | 2021-02-01 | 2021-05-28 | 深圳无域科技技术有限公司 | 图片相似度计算方法、系统、设备及计算机可读介质 |
US11956441B2 (en) * | 2021-12-23 | 2024-04-09 | Ati Technologies Ulc | Identifying long term reference frame using scene detection and perceptual hashing |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005250972A (ja) * | 2004-03-05 | 2005-09-15 | Nec Corp | 画像類似度算出システム、画像検索システム、画像類似度算出方法および画像類似度算出用プログラム |
JP2006031567A (ja) * | 2004-07-20 | 2006-02-02 | Chuden Gijutsu Consultant Kk | 建造物画像検索システム |
US20090290798A1 (en) * | 2005-08-31 | 2009-11-26 | Toyota Jidosha Kabushiki Kaisha | Image search method and device |
CN103400384A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233722B2 (en) * | 2008-06-27 | 2012-07-31 | Palo Alto Research Center Incorporated | Method and system for finding a document image in a document collection using localized two-dimensional visual fingerprints |
CN103810488B (zh) * | 2012-11-09 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 图像特征提取方法、图像搜索方法、服务器、终端及系统 |
US9208548B1 (en) * | 2013-05-06 | 2015-12-08 | Amazon Technologies, Inc. | Automatic image enhancement |
CN104239882B (zh) * | 2013-06-14 | 2017-05-03 | 富士通株式会社 | 图像相似度确定装置和方法以及图像特征获取装置和方法 |
CN104036281B (zh) * | 2014-06-24 | 2017-05-03 | 北京奇虎科技有限公司 | 一种图片的匹配方法、搜索方法及其装置 |
US10031925B2 (en) * | 2014-10-15 | 2018-07-24 | Thinkcx Technologies, Inc. | Method and system of using image recognition and geolocation signal analysis in the construction of a social media user identity graph |
CN104318259B (zh) * | 2014-10-20 | 2017-08-25 | 北京齐尔布莱特科技有限公司 | 一种识别目标图片的设备、方法以及计算设备 |
US9639951B2 (en) * | 2014-10-23 | 2017-05-02 | Khalifa University of Science, Technology & Research | Object detection and tracking using depth data |
-
2017
- 2017-06-13 CN CN201710444106.4A patent/CN109145926B/zh active Active
-
2018
- 2018-05-15 WO PCT/CN2018/086911 patent/WO2018228118A1/zh active Application Filing
-
2019
- 2019-08-22 US US16/548,301 patent/US11055561B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005250972A (ja) * | 2004-03-05 | 2005-09-15 | Nec Corp | 画像類似度算出システム、画像検索システム、画像類似度算出方法および画像類似度算出用プログラム |
JP2006031567A (ja) * | 2004-07-20 | 2006-02-02 | Chuden Gijutsu Consultant Kk | 建造物画像検索システム |
US20090290798A1 (en) * | 2005-08-31 | 2009-11-26 | Toyota Jidosha Kabushiki Kaisha | Image search method and device |
CN103400384A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
Non-Patent Citations (4)
Title |
---|
古明涛 等: "基于聚类分析和SIFT的图像感知哈希算法", 《数据通信》 * |
周雅: "基于目标检测与加权混合特征的目标跟踪算法", 《科技通报》 * |
张俊: "基于局部特征集合的图像匹配技术研究与应用", 《万方数据知识服务平台》 * |
胡文超 等: "基于RVCF的大视角差异图像匹配方法", 《海军航空工程学院学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222775A (zh) * | 2019-06-10 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110490272A (zh) * | 2019-09-05 | 2019-11-22 | 腾讯音乐娱乐科技(深圳)有限公司 | 图片内容相似度分析方法、装置及存储介质 |
CN110490272B (zh) * | 2019-09-05 | 2022-10-21 | 腾讯音乐娱乐科技(深圳)有限公司 | 图片内容相似度分析方法、装置及存储介质 |
CN110688926A (zh) * | 2019-09-19 | 2020-01-14 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN110688926B (zh) * | 2019-09-19 | 2022-12-13 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN111368128A (zh) * | 2020-03-12 | 2020-07-03 | 北京海益同展信息科技有限公司 | 目标图片的识别方法、装置和计算机可读存储介质 |
CN111368128B (zh) * | 2020-03-12 | 2023-09-29 | 京东科技信息技术有限公司 | 目标图片的识别方法、装置和计算机可读存储介质 |
CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
CN111552829A (zh) * | 2020-05-07 | 2020-08-18 | 北京海益同展信息科技有限公司 | 用于分析图像素材的方法和装置 |
CN111552829B (zh) * | 2020-05-07 | 2023-06-27 | 京东科技信息技术有限公司 | 用于分析图像素材的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190377971A1 (en) | 2019-12-12 |
WO2018228118A1 (zh) | 2018-12-20 |
US11055561B2 (en) | 2021-07-06 |
CN109145926B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145926A (zh) | 相似图片识别方法及计算机设备 | |
CN107944380A (zh) | 身份识别方法、装置及存储设备 | |
CN107464162A (zh) | 商品关联方法、装置及计算机可读存储介质 | |
CN103632165B (zh) | 一种图像处理的方法、装置及终端设备 | |
CN103729636B (zh) | 字符切割方法、装置及电子设备 | |
CN108875451B (zh) | 一种定位图像的方法、装置、存储介质和程序产品 | |
CN109213728A (zh) | 基于增强现实的文物展示方法及系统 | |
CN106296617B (zh) | 人脸图像的处理方法及装置 | |
CN108334539B (zh) | 对象推荐方法、移动终端及计算机可读存储介质 | |
CN105975833B (zh) | 一种指纹解锁方法及终端 | |
CN109684980B (zh) | 自动阅卷方法及装置 | |
US20150178336A1 (en) | Method, device and storage medium for providing data statistics | |
CN108304758A (zh) | 人脸特征点跟踪方法及装置 | |
CN103714161B (zh) | 图像缩略图的生成方法、装置和终端 | |
CN110162653B (zh) | 一种图文排序推荐方法及终端设备 | |
CN110162956B (zh) | 确定关联账户的方法和装置 | |
CN106294308A (zh) | 命名实体识别方法及装置 | |
CN109213885A (zh) | 基于增强现实的汽车展示方法及系统 | |
CN109146760A (zh) | 一种水印生成方法、装置、终端及存储介质 | |
CN108875594A (zh) | 一种人脸图像的处理方法、装置以及存储介质 | |
CN106296634B (zh) | 一种检测相似图像的方法和装置 | |
CN110110045A (zh) | 一种检索相似文本的方法、装置以及存储介质 | |
CN104820546B (zh) | 功能信息展示方法和装置 | |
CN110070129A (zh) | 一种图像检测方法、装置及存储介质 | |
CN111027854A (zh) | 一种基于企业大数据的综合画像指数生成方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |