CN110019938A - 基于rgb分类的视频信息检索方法、装置及存储介质 - Google Patents
基于rgb分类的视频信息检索方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110019938A CN110019938A CN201711228312.8A CN201711228312A CN110019938A CN 110019938 A CN110019938 A CN 110019938A CN 201711228312 A CN201711228312 A CN 201711228312A CN 110019938 A CN110019938 A CN 110019938A
- Authority
- CN
- China
- Prior art keywords
- classification
- rgb
- picture
- video
- retrieved
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013549 information retrieval technique Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004040 coloring Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
- G06F16/785—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content using colour or luminescence
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于RGB分类的视频信息检索方法、装置及存储介质，包括：用于对视频进行快速检索，结合SqueezeNet小模型结构优点，先用FFMPEG软件将视频分解为一帧帧图片，再用MATLAB软件分别提取出帧图片的RGB信息，对三种颜色信息分类，将分类的图片的RGB信息输入到SqueezeNet网络模型中，提取出图片的RGB有效信息，将待检索图片信息同样输入到SqueezeNet神经网络模型中，得到待检索图片的RGB分类信息，待检索图片RGB分类信息与视频帧图片的RGB有效信息比对，判断待检索图片为哪种RGB类别信息，再到对应分类的RGB类别信息中寻找相应的帧图片，即可直接找到时间点下对应的视频信息。本发明使图像视频检索计算量大大减少，阅读视频时间缩短，提高了工作效率，且精确度大幅提升。
Description
技术领域
本发明属于视频技术领域，尤其涉及一种基于RGB分类的视频信息检索方法、装置及存储介质。
背景技术
图像视频信息检索，是利用图像视频中的区分信息进行视频的检索，当用户需要查看视频中的特定信息时，需要从头到尾查看视频，提取视频中的纹理、图像、颜色等信息，记录每一帧视频的信息，对不同的信息进行归类，并利用这些信息检索视频中的信息，进行比对，判断其是否是自己所需要的信息，这样大大浪费了时间，由于在观看过程中，每一帧画面的信息类似，很有可能会出现判断错误，且在此过程中计算量大，算法复杂，成了急需改进的问题。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足之处，本发明为解决现有技术缺陷和不足，提出了一种基于RGB分类的视频信息检索方法，能进行图像视频信息的快速检索，为图像视频信息快速识别，提高图像视频信息快速检索准确度和实用性提供了一种解决方案。
本发明解决技术问题所采用的技术方案如下：
一种基于RGB分类的视频信息检索方法，用于对图像视频信息的快速检索，包括如下步骤：
A、将视频分解为若干帧图片，并标记每一帧图片的时间节点；
B、提取每一帧图片的RGB信息并进行视频帧图片RGB分类；
C、将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别；
D、将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片。
作为进一步的改进方案，上述步骤A将视频分解为若干帧图片，并标记每一帧图片的时间节点中，具体包括如下步骤：
利用FFMPEG软件将视频分解为一帧帧的若干帧图片；
标记每一帧图片的视频时间节点。
作为进一步的改进方案，上述步骤B提取每一帧图片的RGB信息并进行视频帧图片RGB分类中，具体包括如下步骤：
利用MATLAB软件分解每一帧图片的R、G、B信息；
计算每一帧图片R、G、B三色的色彩纹理数量；
将每一帧图片划分到其色彩纹理数量最多的类别中实现视频帧图片RGB分类。
作为进一步的改进方案，所述将每一帧图片划分到其色彩纹理数量最多的类别中实现视频帧图片RGB分类中，是将每一帧图片的R、G、B三色的色彩纹理数量输入到SqueezeNet神经网络模型中进行RGB分类。
作为进一步的改进方案，上述步骤C将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别中，具体包括如下步骤：
利用MATLAB软件分解所述待检索图片的R、G、B信息；
计算所述待检索图片R、G、B三色的色彩纹理数量；
将所述待检索图片R、G、B三色的色彩纹理数量输入到SqueezeNet神经网络模型中进行RGB分类，确定所述待检索图片为R、G、B类别中的某一类。
作为进一步的改进技术方案，上述步骤D将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片中，具体包括如下步骤：
根据SqueezeNet神经网络模型计算所述待检索图片RGB类别的待检索图片类别平均值；
根据SqueezeNet神经网络模型计算所述视频帧图片RGB类别中各类别的平均值，分别为R类平均值、G类平均值和B类平均值；
计算所述待检索图片类别平均值分别与所述视频帧图片RGB类别中的R类平均值、G类平均值或B类平均值之间的范数；
所述帧图片RGB类别中的R类平均值、G类平均值或B类平均值与待检索图片RGB类别平均值之间范数最小的为信息检索类别。
作为进一步的改进技术方案，所述步骤D后还进一步包括如下步骤：
在确定所述待检索图片类别属于所述帧图片RGB类别中的信息检索类别后，计算所述待检索图片与该信息检索类别中的信息距离最小值来判断所述待检索图片在该信息检索类别中匹配的帧图片，进而根据该帧图片查找到相应时间节点的视频。
本发明还提供了一种基于RGB分类的视频信息检索装置，用于对视频中的图片信息进行快速检索以匹配待检索图片，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有基于RGB分类的视频信息检索程序，所述基于RGB分类的视频信息检索程序被所述处理器执行时实现以下步骤：
A、将视频分解为若干帧图片，并标记每一帧图片的时间节点；
B、提取每一帧图片的RGB信息并进行视频帧图片RGB分类；
C、将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别；
D、将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片。
本发明还提供一种存储介质，所述存储介质存储有基于RGB分类的视频信息检索程序，该基于RGB分类的视频信息检索程序被处理器执行时实现上述基于RGB分类的视频信息检索方法的步骤。
与现有技术相比较，本发明通过用FFMPEG软件将视频分解为一帧帧画面，再用MATLAB软件分别提取出每帧画面的RGB信息，对三种颜色信息分类，将分类的RGB信息输入到SqueezeNet网络模型中，提取出RGB的有效信息，将待检索的图片信息输入到SqueezeNet模型中，得到此图片的网络模型信息，待检索网络模型信息与所述取出RGB的有效信息比对，判断是哪种RGB的信息，再到对应分类的RGB信息中寻找相应的时间点，即可直接找到时间点下对应的视频信息。本发明使图像视频检索计算量大大减少，阅读时间缩短，提高了工作效率，且精确度提升。
附图说明
图1是本发明一种基于RGB分类的视频信息检索方法优选实施例流程图。
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。
视频检索历来是费时费力而繁琐的事，随着基于卷积神经网络（ConvolutionalNeural Networks，CNN）模型的各种算法的发展，为简化视频检索提供了可能，本发明利用SqueezeNet的小模型结构训练参数少的优点，分类视频中的RGB颜色信息，根据信息点和信息点的时间检索出视频主要的信息，提高识别的准确度和实用性。
本发明提供一种基于RGB分类的视频信息检索方法，用于对图像视频信息的快速检索，该方法方案如图1一种基于RGB分类的视频信息检索方法优选实施例流程图所示，包括如下步骤：
步骤S100、将视频分解为若干帧图片，并标记每一帧图片的时间节点。
具体而言，本发明方法实施例将视频分解采用FFMPEG软件，将视频分解为一帧帧图片，并标记每一帧图片的视频时间节点。便于后续在检索到相应帧图片时能够准确定位该图片的视频时间点。
步骤S200、提取每一帧图片的RGB信息并进行视频帧图片RGB分类。
具体而言，本发明方法实施例采用MATLAB软件对帧图片进行RGB分类，分离出每一帧图片的RGB的三通道图像信息,根据帧图片的RGB信息对一帧帧图片进行分类确定其RGB类别。包括如下步骤：
利用MATLAB软件分解出每一帧图片的R、G、B信息；
计算每一帧图片R、G、B三色的色彩纹理数量；即分别统计每一帧图片中R色彩的纹理数量，G色彩的纹理数量，以及B色彩的纹理数量。
最后，将每一帧图片划分到其色彩纹理数量最多的类别中实现视频帧图片RGB分类。其中，判断帧图片RGB信息的纹理哪个最多，对应的视频时间节点为哪个类的视频时间节点，计算方法为下述公式一：
, ， 公式一
在上述公式一中，，，分别为每一帧图片的RGB的像素数值，NUM为所述图片的总像素数值，判断、、中哪个最大，帧图片即为哪一类，例如，某帧图片中最大，该帧图片即为R类，相应的，所述视频时间节点对应地为此类颜色的视频时间节点。通过步骤S100获得的视频时间节点，利用上述公式一计算判断第1帧图片R信息较多，则得到R的第1个视频时间节点，若判断第2帧图片G较多，则得到G的第1个视频时间节点，以此类推，如获得的视频时间节点为1、2、3、4、5、6、7，R色彩信息纹理偏重较多的为1、3、5，G色彩信息纹理偏重较多为2、6，B色彩纹理信息偏重较多为4、7，则R类图片含1、3、5三个视频时间节点，G类图片含2、6两个视频时间节点，B类图片含4、7两个视频时间节点。
上述将每一帧图片划分到其色彩纹理数量最多的类别中实现视频帧图片RGB分类是将每一帧图片的R、G、B三色的色彩纹理数量输入到SqueezeNet神经网络模型中进行RGB分类，通过SqueezeNet神经网络模型实现将视频帧图片分类得到三个不同类RGB的信息，R、G、B的每一类均包含帧图片及其视频时间节点的信息。
步骤S300、将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别。
具体而言，步骤S300具体包括如下步骤：
利用MATLAB软件分解所述待检索图片的R、G、B信息；
计算所述待检索图片R、G、B三色的色彩纹理数量；与上述步骤S200中帧图片计算R、G、B三色的色彩纹理数量相同，即分别统计待检索图片中R色彩的纹理数量，G色彩的纹理数量，以及B色彩的纹理数量。
将所述待检索图片R、G、B三色的色彩纹理数量输入到SqueezeNet神经网络模型中进行RGB分类，确定所述待检索图片为R、G、B类别中的某一类。其中，计算待检索图片R、G、B三色的色彩纹理数量可通过上述公式一来完成，这与上述帧图片进行类别划分相同；然后将结果输入到SqueezeNet神经网络模型进行RGB分类，与上述步骤200中帧图片的RGB分类不同的是，待检索图片的RGB分类并没有记录视频时间点的信息，仅得到待检索图片的RGB分类信息，每一类包含不同的信息内容。
S400、将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片。
完成上述步骤S100至步骤S300后，即可将待检索图片的RGB类别与对应的视频帧图片RGB分类中的帧图片类别对比进行匹配。具体包括如下步骤：
根据SqueezeNet神经网络模型计算所述待检索图片RGB类别的待检索图片类别平均值；
根据SqueezeNet神经网络模型计算所述视频帧图片RGB类别中各类别的平均值，分别为R类平均值、G类平均值和B类平均值；
计算所述待检索图片类别平均值分别与所述视频帧图片RGB类别中的R类平均值、G类平均值或B类平均值之间的范数；
所述帧图片RGB类别中的R类平均值、G类平均值或B类平均值与待检索图片RGB类别平均值之间范数最小的为信息检索类别。
上述对比匹配计算过程如下，经SqueezeNet神经网络模型计算处理后的待检索图片中的RGB信息的平均值为M，经SqueezeNet神经网络模型计算处理分类的视频帧图片的RGB的有效信息的平均数值分别为NR、NG、NB，通过分别计算M与NR、NG、NB之间的范数、、，判断LR、LG、LB哪个范数最小，判断待检索图片为视频帧图片RGB类中的哪类信息。假设判断得到的类别为R类，对比检索图片和分类的R类图片，利用信息距离对比，即可判断出待检索图片在R类图片中的哪个位置。
进一步的，所述待检索图片要进行匹配到相应视频中的具体时间节点，以便于查找到与该待检索图片相对应的视频信息。即在确定所述待检索图片类别属于所述帧图片RGB类别中的信息检索类别后，计算所述待检索图片与该信息检索类别中的信息距离最小值来判断所述待检索图片在该信息检索类别中匹配的帧图片，进而根据该帧图片查找到相应时间节点的视频。
本发明还提一种基于RGB分类的视频信息检索装置，用于对视频中的图片信息进行快速检索以匹配待检索图片，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有基于RGB分类的视频信息检索程序，所述基于RGB分类的视频信息检索程序被所述处理器执行时实现以下步骤：
将视频分解为若干帧图片，并标记每一帧图片的时间节点；
提取每一帧图片的RGB信息并进行视频帧图片RGB分类；
将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别；
将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片。
本发明还提供一种存储介质，所述存储介质存储有基于RGB分类的视频信息检索程序，该基于RGB分类的视频信息检索程序被处理器执行时上述基于RGB分类的视频信息检索方法的步骤。
本发明通过利用SqueezeNet的小模型结构训练参数少的优点，通过提取出视频中的RGB三通道颜色信息，并利用RGB三通道颜色信息进行视频的分类，降低了算法的复杂度，提高了算法的精确度，提高了视频的阅读速度。
应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于RGB分类的视频信息检索方法，用于对视频中的图片信息进行快速检索以匹配待检索图片，其特征在于，包括如下步骤：
A、将视频分解为若干帧图片，并标记每一帧图片的时间节点；
B、提取每一帧图片的RGB信息并进行视频帧图片RGB分类；
C、将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别；
D、将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片。
2.根据权利要求1所述的基于RGB分类的视频信息检索方法，其特征在于，步骤A将视频分解为若干帧图片，并标记每一帧图片的时间节点中，具体包括如下步骤：
利用FFMPEG软件将视频分解为一帧帧的若干帧图片；
标记每一帧图片的视频时间节点。
3.根据权利要求1所述的基于RGB分类的视频信息检索方法，其特征在于，步骤B提取每一帧图片的RGB信息并进行视频帧图片RGB分类中，具体包括如下步骤：
利用MATLAB软件分解每一帧图片的R、G、B信息；
计算每一帧图片R、G、B三色的色彩纹理数量；
将每一帧图片划分到其色彩纹理数量最多的类别中实现视频帧图片RGB分类。
4.根据权利要求3所述的基于RGB分类的视频信息检索方法，其特征在于，所述将每一帧图片划分到其色彩纹理数量最多的类别中实现视频帧图片RGB分类中，是将每一帧图片的R、G、B三色的色彩纹理数量输入到SqueezeNet神经网络模型中进行RGB分类。
5.根据权利要求3所述的基于RGB分类的视频信息检索方法，其特征在于，步骤C将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别中，具体包括如下步骤：
利用MATLAB软件分解所述待检索图片的R、G、B信息；
计算所述待检索图片R、G、B三色的色彩纹理数量；
将所述待检索图片R、G、B三色的色彩纹理数量输入到SqueezeNet神经网络模型中进行RGB分类，确定所述待检索图片为R、G、B类别中的某一类。
6.根据权利要求3至5任一项所述的基于RGB分类的视频信息检索方法，其特征在于，步骤D将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片中，具体包括如下步骤：
根据SqueezeNet神经网络模型计算所述待检索图片RGB类别的待检索图片类别平均值；
根据SqueezeNet神经网络模型计算所述视频帧图片RGB类别中各类别的平均值，分别为R类平均值、G类平均值和B类平均值；
计算所述待检索图片类别平均值分别与所述视频帧图片RGB类别中的R类平均值、G类平均值或B类平均值之间的范数；
所述帧图片RGB类别中的R类平均值、G类平均值或B类平均值与待检索图片RGB类别平均值之间范数最小的为信息检索类别。
7.根据权利要求6所述的基于RGB分类的视频信息检索方法，其特征在于，所述步骤D后还进一步包括如下步骤：
在确定所述待检索图片类别属于所述帧图片RGB类别中的信息检索类别后，计算所述待检索图片与该信息检索类别中的信息距离最小值来判断所述待检索图片在该信息检索类别中匹配的帧图片，进而根据该帧图片查找到相应时间节点的视频。
8.一种基于RGB分类的视频信息检索装置，其特征在于，用于对视频中的图片信息进行快速检索以匹配待检索图片，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有基于RGB分类的视频信息检索程序，所述基于RGB分类的视频信息检索程序被所述处理器执行时实现以下步骤：
A、将视频分解为若干帧图片，并标记每一帧图片的时间节点；
B、提取每一帧图片的RGB信息并进行视频帧图片RGB分类；
C、将所述待检索图片的RGB信息进行RGB分类并判断其RGB类别；
D、将所述待检索图片的RGB类别与对应的所述视频帧图片RGB分类中的帧图片类别进行对比判断，以匹配所述待检索图片。
9.一种存储介质，其特征在于，所述存储介质存储有基于RGB分类的视频信息检索程序，该基于RGB分类的视频信息检索程序被处理器执行时实现权利要求1至7任一项所述基于RGB分类的视频信息检索方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711228312.8A CN110019938A (zh) | 2017-11-29 | 2017-11-29 | 基于rgb分类的视频信息检索方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711228312.8A CN110019938A (zh) | 2017-11-29 | 2017-11-29 | 基于rgb分类的视频信息检索方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110019938A true CN110019938A (zh) | 2019-07-16 |
Family
ID=67185898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711228312.8A Pending CN110019938A (zh) | 2017-11-29 | 2017-11-29 | 基于rgb分类的视频信息检索方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110019938A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126133A (zh) * | 2019-11-08 | 2020-05-08 | 博云视觉（北京）科技有限公司 | 一种基于深度学习的智能冰箱存取动作识别方法 |
| CN111163366A (zh) * | 2019-12-30 | 2020-05-15 | 厦门市美亚柏科信息股份有限公司 | 一种视频处理方法及终端 |
| CN112699259A (zh) * | 2021-03-25 | 2021-04-23 | 北京达佳互联信息技术有限公司 | 信息显示方法、装置、电子设备、计算机可读存储介质 |
| CN113343033A (zh) * | 2021-06-29 | 2021-09-03 | 平安普惠企业管理有限公司 | 视频搜索方法、装置、计算机设备及存储介质 |
| CN115734045A (zh) * | 2022-11-15 | 2023-03-03 | 深圳市东明炬创电子股份有限公司 | 一种视频播放方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
| CN101706793A (zh) * | 2009-11-16 | 2010-05-12 | 中兴通讯股份有限公司 | 搜索图片的方法和装置 |
| CN104903892A (zh) * | 2012-12-12 | 2015-09-09 | 悟图索知株式会社 | 基于对象的影像检索系统及检索方法 |
| CN105141903A (zh) * | 2015-08-13 | 2015-12-09 | 中国科学院自动化研究所 | 一种基于颜色信息的在视频中进行目标检索的方法 |
-
2017
- 2017-11-29 CN CN201711228312.8A patent/CN110019938A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
| CN101706793A (zh) * | 2009-11-16 | 2010-05-12 | 中兴通讯股份有限公司 | 搜索图片的方法和装置 |
| CN104903892A (zh) * | 2012-12-12 | 2015-09-09 | 悟图索知株式会社 | 基于对象的影像检索系统及检索方法 |
| CN105141903A (zh) * | 2015-08-13 | 2015-12-09 | 中国科学院自动化研究所 | 一种基于颜色信息的在视频中进行目标检索的方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126133A (zh) * | 2019-11-08 | 2020-05-08 | 博云视觉（北京）科技有限公司 | 一种基于深度学习的智能冰箱存取动作识别方法 |
| CN111163366A (zh) * | 2019-12-30 | 2020-05-15 | 厦门市美亚柏科信息股份有限公司 | 一种视频处理方法及终端 |
| CN112699259A (zh) * | 2021-03-25 | 2021-04-23 | 北京达佳互联信息技术有限公司 | 信息显示方法、装置、电子设备、计算机可读存储介质 |
| CN112699259B (zh) * | 2021-03-25 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 信息显示方法、装置、电子设备、计算机可读存储介质 |
| CN113343033A (zh) * | 2021-06-29 | 2021-09-03 | 平安普惠企业管理有限公司 | 视频搜索方法、装置、计算机设备及存储介质 |
| CN115734045A (zh) * | 2022-11-15 | 2023-03-03 | 深圳市东明炬创电子股份有限公司 | 一种视频播放方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110019938A (zh) | 基于rgb分类的视频信息检索方法、装置及存储介质 | |
| CN109271960B (zh) | 一种基于卷积神经网络的人数统计方法 | |
| CN108537134B (zh) | 一种视频语义场景分割及标注方法 | |
| CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
| CN102576461B (zh) | 评估数字图像的美学质量 | |
| CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
| US20130156304A1 (en) | Method for classification of videos | |
| CN105678309B (zh) | 一种基于多示例包特征学习的图像多标签标注算法 | |
| CN109657715B (zh) | 一种语义分割方法、装置、设备及介质 | |
| CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
| US20090257662A1 (en) | System and method for image and video search, indexing and object classification | |
| CN111209818A (zh) | 视频个体识别方法、系统、设备及可读存储介质 | |
| CN107292228A (zh) | 一种加快人脸识别搜索速度的方法 | |
| CN107507144A (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
| CN107622280B (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
| CN110147469A (zh) | 一种数据处理方法、设备及存储介质 | |
| CN108241821A (zh) | 图像处理设备和方法 | |
| CN108319908A (zh) | 一种基于像素级差分特征的非受限环境人脸检测方法 | |
| CN106845513A (zh) | 基于条件随机森林的人手检测器及方法 | |
| CN112489142A (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
| CN111507467A (zh) | 神经网络模型的训练方法、装置、计算机设备及存储介质 | |
| CN109213886A (zh) | 基于图像分割和模糊模式识别的图像检索方法及系统 | |
| CN111709305A (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN109472257A (zh) | 一种字符版面确定方法及装置 | |
| CN109978058A (zh) | 确定图像分类的方法、装置、终端及存储介质 |
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 |
Application publication date: 20190716 |
|
| RJ01 | Rejection of invention patent application after publication |