CN109359649B - 一种储物装置的存取物识别方法、存储介质及储物装置 - Google Patents
一种储物装置的存取物识别方法、存储介质及储物装置 Download PDFInfo
- Publication number
- CN109359649B CN109359649B CN201711460898.0A CN201711460898A CN109359649B CN 109359649 B CN109359649 B CN 109359649B CN 201711460898 A CN201711460898 A CN 201711460898A CN 109359649 B CN109359649 B CN 109359649B
- Authority
- CN
- China
- Prior art keywords
- storage device
- pictures
- picture
- storage
- model
- 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.)
- Active
Links
Images
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明公开了一种储物装置的存取物识别方法、存储介质及储物装置，所述方法包括：当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头；当物体从储物装置的某储物空间存入或取出时，则所述储物装置控制设置在该储物空间的摄像头对物体进行拍摄；所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。本发明通过创建用于根据图片识别物体的识别模型，且所述识别模型可自动更新，当有物体从储物装置的储物空间存入或者取出时，可直接根据设置在对应储物空间的摄像头拍摄图片，并调用识别模型识别，识别速度更加快，且有效提高了识别精度，给用户的使用带来了方便。
Description
技术领域
本发明涉及图像拍摄与识别技术领域，具体涉及一种储物装置的存取物识别方法、存储介质及储物装置。
背景技术
在储物装置，比如冰箱或者自动售卖机等电器中，基于摄像头拍摄存入或取出物体的识别方法中，通常是在冰箱或者自动售卖机顶部安装一个摄像头，然后对用户操作进出的动作进行图片抓取，然后用深度学习的方法对图片进行识别，以得到用户拿进或者取出的东西类别。
现有技术中的储物装置的识别模型一般都不具备自动更新的功能，而储物装置中经常存在极其相似的物体，且储物装置中的物体不断进行更新，因此现有储物装置的识别模型是无法对物体进行精确识别的。此外，现有的储物装置一般采用顶部安装一个摄像头的方式，这样会导致用户存取物体时抓拍到的图片中所占的比例很小，其他噪声背景所占的比例很大，增加图像识别的难度，降低识别概率。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种储物装置的存取物识别方法、存储介质及储物装置，旨在解决现有技术的储物装置在识别物体的精度较差的问题。
本发明解决技术问题所采用的技术方案如下：
一种储物装置的存取物识别方法，其中，所述方法包括：
当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头；
当物体从储物装置的某储物空间存入或取出时，则所述储物装置控制设置在该储物空间的摄像头对物体进行拍摄；
所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
所述的储物装置的存取物识别方法，其中，所述当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头之前还包括：
预先在所述储物装置中建立用于通过图片识别出被存入或取出的物体的识别模型，所述识别模型具有自动更新功能。
所述的储物装置的存取物识别方法，其中，所述储物装置自动调用预先建立好的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体之后还包括：
所述储物装置根据此次摄像头拍摄的图片发送至预设的图片样本库中，用于所述识别模型的更新操作。
所述的储物装置的存取物识别方法，其中， 所述摄像头设置在所述储物装置的每一层储物空间的上方，且每一层储物空间的隔板采用非透明的材料制成。
所述的储物装置的存取物识别方法，其中，所述预先在所述储物装置中建立用于通过图片识别出被存入或取出的物体的识别模型具体包括：
所述储物装置预先从互联网或者在所述储物装置被存入或者取出物体的过程中抓取图片，作为图片样本库；
所述储物装置将所述图片样本库中的图片依次发送至预设的训练模型中，并与训练模型中预设的分类阈值进行匹配；
当所述图片样本库中的图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的所有图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，在训练模型进行深度学习与训练，建立第一识别模型。
所述的储物装置的存取物识别方法，其中，所述根据分类样本中的图片，对所述训练模型进行重新深度学习与训练，完成所述训练模型的更新之后还包括：
所述储物装置将所述图片样本库中不符合预设的分类阈值的图片输入至所述第一识别模型中，并与所述第一识别模型中预设的分类阈值进行匹配；
当图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型。
所述的储物装置的存取物识别方法，其中，所述根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型之后还包括：
循环执行建立第一识别模型步骤和建立第二识别模型的步骤，进行所述识别模型的迭代更新。
所述的储物装置的存取物识别方法，其中，根据所述像素值差异进行图片的筛选具体包括：
预先设置用于图片筛选的像素值差异范围；
将计算得到的像素值差异值与像素值差异范围进行匹配；
对于符合像素值差异范围的图片，仅保留一个。
一种存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以实现上述任一项所述的储物装置的存取物识别方法。
一种储物装置，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的储物装置的存取物识别方法。
本发明的有益效果：本发明通过创建用于根据图片识别物体的识别模型，且所述识别模型可自动更新，当有物体从储物装置的储物空间存入或者取出时，可直接根据设置在对应储物空间的摄像头拍摄图片，并调用识别模型识别，识别速度更加快，且有效提高了识别精度，给用户的使用带来了方便。
附图说明
图1是本发明的储物装置的存取物识别方法较佳实施例的流程图。
图2是本发明本发明的储物装置的摄像头布设位置示意图。
图3本发明的储物装置的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种储物装置的存取物识别方法，如图1所示，图1是本发明的储物装置的存取物识别方法较佳实施例的流程图。所述储物装置的存取物识别方法包括以下步骤：
步骤S100、当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头。
具体实施时，由于本发明是通过创建用于通过图片识别出被存入或取出的物体的识别模型，来对用户存取物体的是抓取的图片进行识别，从而识别出物体。因此，本发需要预先在储物装置中建立识别模型，且本发明所创建的识别模型是具有自动更新功能。
具体地，由于储物装置中识别模型的好坏，直接影响到识别结果。而识别模型在进行深度训练时，输入训练模型的图片样本的好坏，对最终的模型有着非常大的影响。因此，为了建立具有高精度的识别模型，本发明采用两种方式进行图片样本的获取，分别为通过自动化工具（如Python等）从互联网获取大量图片以及通过在用户存取物体的过程中进行图像的获取。而所谓的在用户存取物体的过程中进行图像的获取就是利用设置在储物装置中的摄像头进行拍摄。
较佳地，为了进一步地提高识别精度，本发明对储物装置中摄像头的设置进行了改进。现有的储物装置，例如冰箱或者自动售卖机，基本都是在顶部安装一个摄像头，这样存在很明显的缺点：为了让摄像头能够拍到足够大的空间，所以会把摄像头的拍摄角度尽量调大，但是这样会导致用户操作的物体在整个抓拍到的图片中所占的比例很小，其他噪声背景所占的比例很大，这样给深度学习识别物体带来比较大的麻烦，降低识别概率。因此，为了克服上述缺陷，本发明在储物装置的每一层储物空间的顶部都设置摄像头。如图2所示，是本发明本发明的储物装置的摄像头布设位置示意图。图2中通过图2中的方式设置摄像头200，使得当有物体W从储物装置的某储物空间中存入获取取出物体W时，该储物空间上设置的摄像头200进行物体W图片的拍摄，使得物体W在所拍摄的图片所占的比例增大。并且，为了进一步增加拍摄的图片的质量，本发明将储物装置中的每个储物空间的隔板110采用不透明材料制成，使得物体W与隔板110具有明显的差异，从而使得摄像头200拍摄到的物体的图片中，物体与噪声区域（非物体区域）存在明显的区别，这样拍摄的图片质量明显高于传统的储物装置所拍摄的图片质量，进一步增加后续步骤中识别模型根据图片识别出物体的识别精度。
进一步地，本发明在获取到足够多的图片时，将这些图片作为图片样本库。所述储物装置将所述图片样本库中的图片依次发送至预设的训练模型中，并与训练模型中预设的分类阈值进行匹配。优选地，本发明的训练模型采用卷积神经网络模型，且所述分类阈值可设置成0.8。当所述图片样本库中的图片符合预设的分类阈值时，则将该图片放入初步分类中；对所述初步分类中的所有图片进行像素值计算，并逐一对比像素值，得出像素值差异值。然后将计算得到的像素值差异值与像素值差异范围进行匹配；本发明优选地将像素值差异范围设置为0.2之内，也就是说，当像素值差异值在0.2之内的图片，就为极其相似的图片，而对于符合像素值差异范围的图片，仅保留一个，从而完成图片的筛选，这样就去除了储物装置中抓取的图片相似度过高导致过拟合的问题。最后将筛选后的图片放入分类样本中，所述储物装置根据分类样本中的图片，对所述原始识别模型进行重新深度学习与训练，建立第一识别模型。
更进一步地，所述储物装置还将所述图片样本库中不符合预设的分类阈值的图片输入至所述第一识别模型中，并与所述第一识别模型中预设的分类阈值进行匹配；当图片符合预设的分类阈值时，则将该图片放入初步分类中；对所述初步分类中的图片进行像素值计算，并逐一对比像素值，得出像素值差异值；根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，从而建立第二识别模型。为了增加识别精度，本发明的识别模型是可更新迭代得，因此只需重新循环执行建立第一识别模型步骤和建立第二识别模型的步骤，进行所述识别模型的迭代更新，使识别模型可以更加准确的识别出物体。
具体地，在所述储物装置中创建好识别模型之后，当储物装置的门体被打开时，所述储物装置自动开启设置在储物装置中的摄像头，准备物体图片的拍摄。
进一步地，步骤S200、当物体从储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄。
具体实施时，当检测到有物体从所述储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄。由于每层储物空间的顶部都设置有摄像头，且每层储物空间的隔板都设置成不透明，因此，在摄像头所拍摄的图片中，物体所占的比例明显增大，且图片的质量更好，从而增加后续步骤中对于图片的识别精度。
进一步地，所述步骤S300、所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
具体实施时，当摄像头拍摄到物体的图片之后，所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。此时的识别模型是最新的更新的识别模型。当然，为了增加本发明的识别模型的精度，本发明的储物装置在每次抓取到存取物体的图片之后，还将摄像头拍摄的图片发送至预设的图片样本库中，用于所述识别模型的更新操作，以便进一步提高识别模型的精度。
基于上述实施例，本发明还公开了一种储物装置。如图3所示，包括：处理器(processor)10、与处理器10连接的存储介质(memory)20；其中，所述处理器10用于调用所述存储介质20中的程序指令，以执行上述实施例所提供的方法，例如执行：
步骤S100、当储物装置的门体被打开时，所述储物装置自动开启预设的若干摄像头；
步骤S200、当物体从储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄；
步骤S300、所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。
本发明实施例还提供一种存储介质，所述存储介质上存储计算机指令，所述计算机指令使计算机执行上述各实施例所提供的方法。
综上所述，本发明提供的一种储物装置的存取物识别方法、存储介质及储物装置，方法包括：当储物装置的门体被打开时，所述储物装置自动开启预设的若干摄像头；当物体从储物装置的某层储物空间存入或取出时，则所述储物装置控制设置在该层储物空间的摄像头对物体进行拍摄；所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体。本发明通过创建用于根据图片识别物体的识别模型，且所述识别模型可自动更新，当有物体从储物装置的储物空间存入或者取出时，可直接根据设置在对应储物空间的摄像头拍摄图片，并调用识别模型识别，识别速度更加快，且有效提高了识别精度，给用户的使用带来了方便。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种储物装置的存取物识别方法，其特征在于，所述方法包括：
预先在所述储物装置中建立识别模型；
当储物装置的门体被打开时，所述储物装置开启预设的若干摄像头；
当物体从储物装置的某储物空间存入或取出时，则所述储物装置控制设置在该储物空间的摄像头对物体进行拍摄；
所述储物装置自动调用更新后的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体；
所述摄像头设置在所述储物装置的每一层储物空间的上方，且每一层储物空间的隔板采用非透明的材料制成；
所述识别模型建立方式具体包括：
所述储物装置预先从互联网或者在所述储物装置被存入或者取出物体的过程中抓取图片，作为图片样本库；
所述储物装置将所述图片样本库中的图片依次发送至预设的训练模型中，并与训练模型中预设的分类阈值进行匹配；
当所述图片样本库中的图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的所有图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，在训练模型进行深度学习与训练，建立第一识别模型。
2.根据权利要求1中所述的储物装置的存取物识别方法，其特征在于，所述储物装置自动调用预先建立好的识别模型对所述摄像头拍摄的图片进行识别，识别出被存入或取出的物体之后还包括：
所述储物装置根据此次摄像头拍摄的图片发送至预设的图片样本库中，用于所述识别模型的更新操作。
3.根据权利要求1中所述的储物装置的存取物识别方法，其特征在于，所述根据分类样本中的图片，对所述训练模型进行重新深度学习与训练，完成所述训练模型的更新之后还包括：
所述储物装置将所述图片样本库中不符合预设的分类阈值的图片输入至所述第一识别模型中，并与所述第一识别模型中预设的分类阈值进行匹配；
当图片符合预设的分类阈值时，则将该图片放入初步分类中；
对所述初步分类中的图片进行像素值计算，并逐一对比像素值，得出像素值差异值；
根据所述像素值差异值进行图片的筛选，将筛选后的图片放入分类样本中；
根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型。
4.根据权利要求3中所述的储物装置的存取物识别方法，其特征在于，所述根据分类样本中的图片，对所述第一识别模型进行重新深度学习与训练，建立第二识别模型之后还包括：循环执行建立第一识别模型步骤和建立第二识别模型的步骤，进行所述识别模型的迭代更新。
5.根据权利要求1或3中所述的储物装置的存取物识别方法，其特征在于，根据所述像素值差异进行图片的筛选具体包括：
预先设置用于图片筛选的像素值差异范围；
将计算得到的像素值差异值与像素值差异范围进行匹配；
对于符合像素值差异范围的图片，仅保留一个。
6.一种存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以实现上述权利要求1-5任一项所述的储物装置的存取物识别方法。
7.一种储物装置，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-5任一项所述的储物装置的存取物识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711460898.0A CN109359649B (zh) | 2017-12-28 | 2017-12-28 | 一种储物装置的存取物识别方法、存储介质及储物装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711460898.0A CN109359649B (zh) | 2017-12-28 | 2017-12-28 | 一种储物装置的存取物识别方法、存储介质及储物装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109359649A CN109359649A (zh) | 2019-02-19 |
| CN109359649B true CN109359649B (zh) | 2022-03-11 |
Family
ID=65349744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711460898.0A Active CN109359649B (zh) | 2017-12-28 | 2017-12-28 | 一种储物装置的存取物识别方法、存储介质及储物装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359649B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110703760B (zh) * | 2019-10-30 | 2023-06-02 | 杭州叙简科技股份有限公司 | 一种用于安防巡检机器人的新增可疑物体检测方法 |
| CN111950413A (zh) * | 2020-07-31 | 2020-11-17 | 广州微林软件有限公司 | 一种关于抓取物品的视频识别处理方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203260A (zh) * | 2016-06-27 | 2016-12-07 | 南京邮电大学 | 基于多摄像机监控网络的行人识别与跟踪方法 |
| CN106710071B (zh) * | 2016-12-19 | 2023-09-08 | 澳柯玛股份有限公司 | 一种带射频芯片识别的自动售卖系统 |
| CN206757798U (zh) * | 2017-01-24 | 2017-12-15 | 广州市蚁道互联网有限公司 | 自动售货机 |
| CN107358257B (zh) * | 2017-07-07 | 2019-07-16 | 华南理工大学 | 一种大数据场景下可增量学习的图像分类训练方法 |
| CN107146325A (zh) * | 2017-07-13 | 2017-09-08 | 杭州宗盛智能科技有限公司 | 自动售货机及其控制方法、控制装置和系统 |
-
2017
- 2017-12-28 CN CN201711460898.0A patent/CN109359649B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109359649A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145901B (zh) | 物品识别方法、装置、计算机可读存储介质和计算机设备 | |
| US8634656B2 (en) | Recognizing objects by utilizing dictionary data and probability data determined by machine learning | |
| CN108269333A (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
| CN111062974B (zh) | 一种使用去除鬼影对前景目标提取的方法及系统 | |
| CN108376242A (zh) | 针对视频的持续性特征描述符 | |
| CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
| CN105678242B (zh) | 手持证件模式下的对焦方法和装置 | |
| US9934563B2 (en) | 3D object rotation-based mechanical parts selection through 2D image processing | |
| CN109359649B (zh) | 一种储物装置的存取物识别方法、存储介质及储物装置 | |
| CN110532837B (zh) | 一种物品取放过程中的图像数据处理方法和家电设备 | |
| US9947106B2 (en) | Method and electronic device for object tracking in a light-field capture | |
| CN110781778B (zh) | 一种门禁控制方法、装置、存储介质及家居系统 | |
| CN110866418B (zh) | 图像底库生成方法、装置、设备、系统及存储介质 | |
| CN113963149A (zh) | 一种医疗票据图片的模糊判断方法、系统、设备及介质 | |
| WO2018137226A1 (zh) | 指纹提取方法及装置 | |
| CN112101296A (zh) | 人脸注册方法、人脸验证方法、装置及系统 | |
| CN110059617A (zh) | 一种目标物体的识别方法及装置 | |
| CN116052231A (zh) | 掌静脉识别方法、装置、设备及存储介质 | |
| CN113486858B (zh) | 一种人脸识别模型训练方法、装置、电子设备及存储介质 | |
| CN110012216A (zh) | 信息获取方法和装置、智能终端 | |
| CN113630556A (zh) | 聚焦方法、装置、电子设备以及存储介质 | |
| CN109359544B (zh) | 一种人像检索方法及装置 | |
| CN113850214A (zh) | 针对活体检测的注入攻击识别方法及装置 | |
| CN112766175A (zh) | 活体检测方法、装置及非易失性存储介质 | |
| CN113129252A (zh) | 一种图像评分方法及电子设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190321 Address after: 518000 No. 5, Industrial Avenue, Shekou Industrial Zone, Merchants Street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen TCL New Technology Co., Ltd. Address before: 510000 Building A2, Science Avenue 187 Business Plaza, Science City, Luogang District, Guangzhou City, Guangdong Province Applicant before: Guangzhou TCL Smart Home Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |