CN110084317A - 用于识别图像的方法和装置 - Google Patents
用于识别图像的方法和装置 Download PDFInfo
- Publication number
- CN110084317A CN110084317A CN201910372306.2A CN201910372306A CN110084317A CN 110084317 A CN110084317 A CN 110084317A CN 201910372306 A CN201910372306 A CN 201910372306A CN 110084317 A CN110084317 A CN 110084317A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- recognized
- sample
- quality
- 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
- 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
-
- 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
Abstract
本公开的实施例公开了用于识别图像的方法和装置。该方法的一具体实施方式包括:获取待识别图像;利用待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。该实施方式可以采用与图像类别相对应的图像质量识别模型识别图像的图像质量,以此,可以获得更为准确的识别结果,提高图像质量识别的准确性,有助于后续基于所获得的识别结果,对图像进行更为准确的处理。
Description
技术领域
本公开的实施例涉及计算机技术领域,尤其涉及用于识别图像的方法和装置。
背景技术
图像的质量可以由多种因素决定,例如可以由图像的色调、清晰度或者图像中的对象在图像中的位置分布等决定。
确定图像的质量有助于提取质量较优的图像进行显示等操作。实践中,通常会利用一个预先训练好的模型对图像进行打分,进而确定出图像质量的优劣程度。
发明内容
本公开的实施例提出了用于识别图像的方法和装置。
第一方面,本公开的实施例提供了一种用于识别图像的方法,该方法包括:获取待识别图像;利用待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。
在一些实施例中,该方法还包括:确定所获得的识别结果中的质量值的大小是否满足预设条件;响应于确定所获得的识别结果中的质量值的大小满足预设条件,将待识别图像发送给通信连接的用户终端,以及控制用户终端对待识别图像进行显示。
在一些实施例中,获取待识别图像包括:获取预设图像集合;从预设图像集合中选取预设图像作为待识别图像。
在一些实施例中,识别步骤还包括:确定预设图像集合是否包括未被选取的预设图像;响应于确定预设图像集合不包括未被选取的预设图像,基于所选取的待识别图像,确定预设图像集合所对应的结果图像。
在一些实施例中,该方法还包括:响应于确定预设图像集合包括未被选取的预设图像,从预设图像集合包括的未被选取的预设图像中重新选取预设图像作为待识别图像;利用最近一次选取的待识别图像,继续执行识别步骤。
在一些实施例中,基于所选取的待识别图像,确定预设图像集合所对应的结果图像包括:按照所选取的待识别图像所对应的质量值的大小顺序,从所选取的待识别图像中提取待识别图像作为预设图像集合所对应的结果图像。
在一些实施例中,图像质量识别模型集合中的图像质量识别模型通过以下步骤训练得到:获取预置的训练样本集,其中,训练样本包括样本图像集合和针对样本图像集合预先确定的样本识别结果,样本图像集合包括预设数量个样本图像,样本识别结果包括预设数量个样本质量值,预设数量个样本质量值中的样本质量值与样本图像集合中的样本图像相对应,用于表征在样本图像集合中,对应的样本图像的质量的优劣程度,训练样本集中的样本图像的图像类别相同;利用机器学习方法,将训练样本集中的训练样本包括的样本图像集合作为初始模型的输入,将所输入的样本图像集合所对应的样本识别结果作为初始模型的期望输出,对初始模型进行训练,将训练完成的初始模型确定为图像质量识别模型。
第二方面,本公开的实施例提供了一种用于识别图像的装置,该装置包括:图像获取单元,被配置成获取待识别图像;第一执行单元,被配置成利用待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。
在一些实施例中,该装置还包括:确定单元,被配置成确定所获得的识别结果中的质量值的大小是否满足预设条件;发送单元,被配置成响应于确定所获得的识别结果中的质量值的大小满足预设条件,将待识别图像发送给通信连接的用户终端,以及控制用户终端对待识别图像进行显示。
在一些实施例中,图像获取单元包括:获取模块,被配置成获取预设图像集合;选取模块,被配置成从预设图像集合中选取预设图像作为待识别图像。
在一些实施例中,识别步骤还包括:确定预设图像集合是否包括未被选取的预设图像;响应于确定预设图像集合不包括未被选取的预设图像,基于所选取的待识别图像,确定预设图像集合所对应的结果图像。
在一些实施例中,该装置还包括:选取单元,被配置成响应于确定预设图像集合包括未被选取的预设图像,从预设图像集合包括的未被选取的预设图像中重新选取预设图像作为待识别图像;第二执行单元,被配置成利用最近一次选取的待识别图像,继续执行识别步骤。
在一些实施例中,第二执行单元进一步被配置成:按照所选取的待识别图像所对应的质量值的大小顺序,从所选取的待识别图像中提取待识别图像作为预设图像集合所对应的结果图像。
在一些实施例中,图像质量识别模型集合中的图像质量识别模型通过以下步骤训练得到:获取预置的训练样本集,其中,训练样本包括样本图像集合和针对样本图像集合预先确定的样本识别结果,样本图像集合包括预设数量个样本图像,样本识别结果包括预设数量个样本质量值,预设数量个样本质量值中的样本质量值与样本图像集合中的样本图像相对应,用于表征在样本图像集合中,对应的样本图像的质量的优劣程度,训练样本集中的样本图像的图像类别相同;利用机器学习方法,将训练样本集中的训练样本包括的样本图像集合作为初始模型的输入,将所输入的样本图像集合所对应的样本识别结果作为初始模型的期望输出,对初始模型进行训练,将训练完成的初始模型确定为图像质量识别模型。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述用于处理图像的方法中任一实施例的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述用于处理图像的方法中任一实施例的方法。
本公开的实施例提供的用于识别图像的方法和装置,通过获取待识别图像,而后利用待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度,从而可以采用与图像类别相对应的图像质量识别模型识别图像的图像质量,以此,可以获得更为准确的识别结果,提高图像质量识别的准确性,有助于后续基于所获得的识别结果,对图像进行更为准确的处理(例如对图像进行发送、显示等)。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于识别图像的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于识别图像的方法的一个应用场景的示意图;
图4是根据本公开的用于识别图像的方法的又一个实施例的流程图;
图5是根据本公开的用于识别图像的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于处理图像的方法或用于处理图像的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像处理类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有摄像头的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103拍摄获得的待识别图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待识别图像等数据进行分析等处理,并获得处理结果(例如识别结果)。
需要说明的是,本公开的实施例所提供的用于处理图像的方法可以由终端设备101、102、103执行,也可以由服务器105执行,相应地,用于处理图像的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在生成识别结果的过程中所使用的数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只包括终端设备或服务器。
继续参考图2,示出了根据本公开的用于识别图像的方法的一个实施例的流程200。该用于识别图像的方法,包括以下步骤:
步骤201,获取待识别图像。
在本实施例中,用于识别图像的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或本地获取待识别图像。其中,待识别图像为待对其的质量进行识别的图像。
实践中,图像的质量可以由多种因素决定,例如可以由图像的色调、清晰度或者图像中的对象在图像中的位置分布等决定。
在本实施例的一些可选的实现方式中,上述执行主体还可以通过以下步骤获取待识别图像:首先,获取预设图像集合。然后,从预设图像集合中选取预设图像作为待识别图像。
这里,预设图像集合可以为预先确定的、各种图像所组成的图像集合。具体的,上述执行主体可以从远程或本地获取预设图像集合。
步骤202,利用待识别图像,执行识别步骤。
在本实施例中,上述执行主体可以利用步骤201中得到的待识别图像,执行以下识别步骤(步骤2021-步骤2023):
步骤2021,确定待识别图像的图像类别。
在本实施例中,基于步骤201中得到的待识别图像,上述执行主体可以确定待识别图像的图像类别。其中,图像类别可以是预先针对图像的任意特征进行分类而确定出的图像类别集合中的图像类别。例如,可以针对图像是否包含人脸进行分类,图像类别集合则可以包括包含人脸类和不包含人脸类两种图像类别,进而确定出的待识别图像的图像类别可以是包含人脸类,也可以是不包含人脸类。
具体的,上述执行主体可以采用各种方法确定待识别图像的图像类别。例如,上述执行主体可以将待识别图像输入预先训练的图像类别识别模型,进而识别出待识别图像的图像类别;或者,上述执行主体可以输出待识别图像,然后获取用户输入的用于指示待识别图像的图像类别的类别信息,进而基于所获取的类别信息确定出待识别图像的图像类别。
需要说明的是,上述图像类别识别模型可以用于表征图像与图像的图像类别的对应关系。具体的,图像类别识别模型可以是利用多个图像和针对图像标注出的图像类别作为训练样本,对用于处理图像的模型(例如卷积神经网络)进行训练而获得的模型。
步骤2022,从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型。
在本实施例中,基于步骤2021中确定的图像类别,上述执行主体可以从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型。其中,图像质量识别模型用于识别图像的质量,获得识别结果。这里,图像质量识别模型所对应的图像类别为用于输入图像质量识别模型的图像的图像类别。具体的,图像质量识别模型集合中的图像质量识别模型所对应的图像类别可以与用于训练获得图像质量识别模型的样本图像的图像类别相同。
作为示例,图像质量识别模型集合可以包括图像质量识别模型1和图像质量识别模型2。其中,用于训练获得图像质量识别模型1的样本图像的图像类别为“包含人脸类”,进而,图像质量识别模型1所对应的图像类别即为“包含人脸类”,用于对包含人脸类的图像进行识别;用于训练获得图像质量识别模型2的样本图像的图像类别为“不包含人脸类”,进而,图像质量识别模型2所对应的图像类别即为“不包含人脸类”,用于对不包含人脸类的图像进行识别。
实践中,图像质量识别模型与图像类别的对应关系可以由图像质量识别模型与用于指示图像类别的标记信息的对应关系表征。其中,标记信息可以为各种形式的信息,包括但不限于以下至少一项:文字、数字、符号、图像。例如,标记信息可以为文字“包含人脸”。因此,在本实施例中,上述执行主体可以基于图像质量识别模型集合中的图像质量识别模型所对应的标记信息,确定该图像质量识别模型所对应的图像类别,进而从图像质量识别模型集合中选取所对应的图像类别与待识别图像的图像类别相同的图像质量识别模型。
需要说明的是,训练获得图像质量识别模型后,可以以表格、键(key)值(value)对、或者链表等形式关联存储图像质量识别模型和图像质量识别模型所对应的标记信息,以此实现对图像质量识别模型与标记信息的对应关系的构建。
步骤2023,将待识别图像输入所选取的图像质量识别模型,获得识别结果。
在本实施例中,基于步骤2022中选取的图像质量识别模型,上述执行主体可以将待识别图像输入所选取的图像质量识别模型,获得识别结果。其中,识别结果包括质量值。质量值用于表征所输入的待识别图像的质量的优劣程度。具体的,质量值越大,可以表征待识别图像的质量越优;或者,质量值越小,表征待识别图像的质量越优。
在本实施例中,图像质量识别模型用于表征图像与图像所对应的识别结果的对应关系。具体的,作为示例,图像质量识别模型可以是技术人员预先基于对大量的图像和针对图像标注出的识别结果的统计而预先制定的、存储有多个图像与对应的识别结果的对应关系表;也可以为基于预设的训练样本,利用机器学习方法对初始模型(例如卷积神经网络)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,图像质量识别模型集合中的图像质量识别模型可以由上述执行主体或其他电子设备通过以下步骤训练得到:
首先,获取预置的训练样本集。
其中,训练样本包括样本图像集合和针对样本图像集合预先确定的样本识别结果。样本图像集合包括预设数量个样本图像。样本识别结果包括预设数量个样本质量值。预设数量个样本质量值中的样本质量值与样本图像集合中的样本图像相对应,用于表征在样本图像集合中,对应的样本图像的质量的优劣程度。具体的,样本质量值越大,可以表征样本图像的质量越优;或者,样本质量值越小,表征样本图像的质量越优。需要说明的是,这里,预设数量可以为预先确定的大于等于2的数量。
具体的,训练样本中的样本图像集合所对应的样本识别结果可以由上述执行主体或其他电子设备通过以下步骤确定:首先,确定样本图像集合中的样本图像的质量的优劣顺序;然后,基于所确定的优劣顺序,为样本图像集合中的样本图像分配样本质量值;最后,生成样本图像集合所对应的、包括所分配的样本质量值的样本识别结果。
在这里,可以采用各种方法确定样本图像集合中的样本图像的质量的优劣顺序,例如,可以分别确定样本图像集合中的各个样本图像的清晰度,进而按照清晰度的高低顺序确定样本图像的质量的优劣顺序,具体的,清晰度越高,质量越优;或者,可以输出样本图像集合,以及获取用户输入的、用于指示样本图像集合中的样本图像的质量的优劣顺序的信息。
实践中,可以采用各种方法确定样本图像的清晰度,作为示例,可以基于梯度函数(例如能量梯度函数、Brenner梯度函数等)、SMD(灰度方差)函数、熵函数等确定样本图像的清晰度。
在本实现方式中,上述执行主体或其他电子设备可以基于所确定的优劣顺序,为样本图像集合中的样本图像分配样本质量值。具体的,当样本质量值越大,表征样本图像的质量越优时,可以为样本图像集合中的样本图像分配样本质量值,使质量优的样本图像对应的样本质量值大于质量劣的样本图像对应的样本质量值;当样本质量值越小,表征样本图像的质量越优时,可以为样本图像集合中的样本图像分配样本质量值,使质量优的样本图像对应的样本质量值小于质量劣的样本图像对应的样本质量值。
作为示例,某个训练样本的样本图像集合包括三个样本图像,分别为样本图像A、样本图像B和样本图像C。通过比较确定出三个样本图像的质量的优劣顺序为:样本图像B的质量最优,样本图像A次之,样本图像C最劣。而在该示例中,可以规定样本质量值越大,表征样本图像的质量越优,进而可以分别为样本图像B、样本图像A和样本图像C分配样本质量值,使得样本图像B所对应的样本质量值最大,样本图像A所对应的样本质量值次之,样本图像C所对应的样本质量值最小。
需要说明的是,为样本图像集合中的样本图像分配的样本质量值的具体大小可以是任意的。例如,继续上述示例,可以预先设置三个大小不同的样本质量值,进而,可以根据确定出的质量的优劣顺序,将三个样本质量值分别分配给样本图像B、样本图像A和样本图像C;或者,可以从预设的数值范围中随机选取三个数值作为三个样本质量值,然后根据确定出的质量的优劣顺序,将三个样本质量值分别分配给样本图像。
需要特别说明的是,为了使得训练获得的每个图像质量识别模型对应一种图像类别,每次用于训练的、上述训练样本集中的样本图像的图像类别相同。
然后,利用机器学习方法,将训练样本集中的训练样本包括的样本图像集合作为初始模型的输入,将所输入的样本图像集合所对应的样本识别结果作为初始模型的期望输出,对初始模型进行训练,将训练完成的初始模型确定为图像质量识别模型。
此处,可以使用各种现有的卷积神经网络结构作为初始模型进行训练。卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络对训练样本包括的样本图像集合中的样本图像进行识别。需要说明的是,也可以使用其他具有图像处理功能的模型作为初始模型,并不限于卷积神经网络,具体的模型结构可以根据实际需求设定,此处不作限定。
具体的,训练过程中,可以首先将样本图像集合输入初始模型,获得实际识别结果,然后利用预设的损失函数计算所得到的实际识别结果与所输入的样本图像集合所对应的样本识别结果之间的差异,例如,可以采用L2范数作为损失函数计算所得到的实际识别结果与样本识别结果之间的差异。进而,确定计算得到的差异是否小于等于预设阈值,若小于等于,则可以确定初始模型训练完成。
特别的,若计算得到的差异不小于等于预设阈值,则说明初始模型的训练未达到预先确定的优化目标,此时,可以基于计算得到的差异,调整初始模型,然后利用训练样本集中未使用过的训练样本继续训练初始模型,直至达到上述优化目标。这里,可以采用各种实现方式基于计算得到的差异调整初始模型。例如,可以采用BP(Back Propagation,反向传播)算法和SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整初始模型。
本实现方式在训练图像质量识别模型时,可以采用图像比较的方式确定样本图像的样本质量值,相较于现有技术中的、无参考对象的标注方式,具有更高的客观性,进而本实现方式可以生成更为准确的图像质量识别模型,有助于利用所生成的图像质量识别模型,更为精准地识别图像的质量。
在本实施例的一些可选的实现方式中,当待识别图像是从上述预设图像集合中选取的图像时,上述识别步骤还可以包括:确定预设图像集合是否包括未被选取的预设图像;响应于确定预设图像集合不包括未被选取的预设图像,基于所选取的待识别图像,确定预设图像集合所对应的结果图像。
在本实现方式中,结果图像可以为预设图像集合中质量最优(例如所对应的质量值最大)的图像,或者,也可以是预设图像集合中质量符合预设要求(例如所对应的质量值大于等于预设质量阈值)的图像。
这里,预设图像集合不包括未被选取的预设图像,说明所选取的待识别图像仅包括一个(即预设图像集合仅包括一个预设图像),此时,上述执行主体可以直接将该待识别图像确定为结果图像。
在本实施例的一些可选的实现方式中,上述执行主体还可以响应于确定预设图像集合包括未被选取的预设图像,从预设图像集合包括的未被选取的预设图像中重新选取预设图像作为待识别图像;利用最近一次选取的待识别图像,继续执行上述识别步骤。以此,可以通过循环,利用图像质量识别模型集合中的图像质量识别模型对预设图像集合中的各个预设图像进行识别,进而可以基于识别结果确定出预设图像集合所对应的结果图像。
在本实现方式中,预设图像集合包括未被选取的预设图像,说明所选取的待识别图像包括至少两个(即预设图像集合包括至少两个预设图像),此时,可以采用各种方法从所选取的至少两个待识别图像中选取待识别图像作为预设图像集合的结果图像。
在本实施例的一些可选的实现方式中,对于从预设图像集合中选取出的待识别图像,上述执行主体可以按照所选取的待识别图像所对应的质量值的大小顺序,从所选取的待识别图像中提取待识别图像作为预设图像集合所对应的结果图像。
具体的,作为示例,质量值越大,表征待识别图像的质量越优,此时可以按照质量值的大小顺序,从所选取的待识别图像中提取质量值最大的待识别图像作为预设图像集合所对应的结果图像;或者,可以从所选取的待识别图像中提取质量值大于等于预设阈值的待识别图像作为预设图像集合所对应的结果图像。
继续参见图3,图3是根据本实施例的用于识别图像的方法的应用场景的一个示意图。在图3的应用场景中,服务器301首先可以获取人脸图像(待识别图像)302。然后,服务器301可以利用人脸图像302,执行以下识别步骤:首先,确定人脸图像302的图像类别303(例如人脸类);然后,从预先确定的图像质量识别模型集合304中选取所对应的图像类别与所确定的图像类别303相同的图像质量识别模型3041;最后,将人脸图像302输入所选取的图像质量识别模型3041,获得识别结果305(例如“70分”),其中,识别结果305包括质量值(“70”),质量值用于表征人脸图像302的质量的优劣程度。
本公开的上述实施例提供的方法可以采用与图像类别相对应的图像质量识别模型识别图像的图像质量,以此,可以获得更为准确的识别结果,提高图像质量识别的准确性,有助于后续基于所获得的识别结果,对图像进行更为准确的处理(例如对图像进行发送、显示等)。
进一步参考图4,其示出了用于识别图像的方法的又一个实施例的流程400。该用于识别图像的方法的流程400,包括以下步骤:
步骤401,获取待识别图像。
在本实施例中,用于识别图像的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或本地获取待识别图像。其中,待识别图像为待对其的质量进行识别的图像。
实践中,图像的质量可以由多种因素决定,例如可以由图像的色调、清晰度或者图像中的对象在图像中的位置分布等决定。
步骤402,利用待识别图像,执行识别步骤。
在本实施例中,上述执行主体可以利用步骤401中得到的待识别图像,执行以下识别步骤(步骤4021-步骤4023):
步骤4021,确定待识别图像的图像类别。
在本实施例中,基于步骤401中得到的待识别图像,上述执行主体可以确定待识别图像的图像类别。其中,图像类别可以是预先针对图像的任意特征进行分类而确定出的图像类别集合中的图像类别。
步骤4022,从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型。
在本实施例中,基于步骤4021中确定的图像类别,上述执行主体可以从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型。其中,图像质量识别模型用于识别图像的质量,获得识别结果。这里,图像质量识别模型所对应的图像类别为用于输入图像质量识别模型的图像的图像类别。
步骤4023,将待识别图像输入所选取的图像质量识别模型,获得识别结果。
在本实施例中,基于步骤4022中选取的图像质量识别模型,上述执行主体可以将待识别图像输入所选取的图像质量识别模型,获得识别结果。其中,识别结果包括质量值。质量值用于表征所输入的待识别图像的质量的优劣程度。具体的,质量值越大,可以表征待识别图像的质量越优;或者,质量值越小,表征待识别图像的质量越优。
上述步骤401和步骤402可以分别采用与前述实施例中的步骤201和步骤202类似的方式执行,上文针对步骤201和步骤202的描述也适用于步骤401和步骤402,此处不再赘述。
步骤403,确定所获得的识别结果中的质量值的大小是否满足预设条件。
在本实施例中,基于步骤402中得到的识别结果,上述执行主体可以确定识别结果中的质量值的大小是否满足预设条件。其中,预设条件可以用于限定待发送给用户终端的待识别图像的质量所需达到的优秀程度。例如,质量值越大,表征待识别图像的质量越优时,预设条件可以为识别结果中的质量值大于等于第一预设质量阈值。其中,第一预设质量阈值指示的是满足预设条件的最小的质量值,对应所需达到的最低优秀程度;质量值越小,表征待识别图像的质量越优时,预设条件可以为识别结果中的质量值小于等于第二预设质量阈值。其中,第二预设质量阈值指示的是满足预设条件的最大的质量值,同样对应所需达到的最低优秀程度。
步骤404,响应于确定所获得的识别结果中的质量值的大小满足预设条件,将待识别图像发送给通信连接的用户终端,以及控制用户终端对待识别图像进行显示。
在本实施例中,上述执行主体可以响应于确定所获得的识别结果中的质量值的大小满足预设条件,将待识别图像发送给通信连接的用户终端,以及控制用户终端对待识别图像进行显示。其中,用户终端可以为用户使用的终端。实践中,上述执行主体可以向用户终端发送控制信号,进而控制用户终端对待识别图像进行显示。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于识别图像的方法的流程400突出了获得识别结果后,响应于确定识别结果中的质量值的大小满足预设条件,将待识别图像发送给通信连接的用户终端,以及控制用户终端对待识别图像进行显示的步骤。由此,本实施例描述的方案可以控制用户终端显示质量值满足预设条件的待识别图像,进而,可以提高图像的显示效果;并且,基于所获得的更为准确的识别结果,可以更为准确地向用户终端发送满足预设条件的待识别图像,进而更为精准地控制用户终端对待识别图像的显示,有助于提高图像显示的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于处理图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于处理图像的装置500包括:图像获取单元501和第一执行单元502。其中,图像获取单元501被配置成获取待识别图像;第一执行单元502被配置成利用待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。
在本实施例中,用于识别图像的装置500的图像获取单元501可以通过有线连接方式或者无线连接方式从远程或本地获取待识别图像。其中,待识别图像为待对其的质量进行识别的图像。
在本实施例中,第一执行单元502可以利用图像获取单元501得到的待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果。其中,图像类别可以是预先针对图像的任意特征进行分类而确定出的图像类别集合中的图像类别。图像质量识别模型用于识别图像的质量,获得识别结果。这里,图像质量识别模型所对应的图像类别为用于输入图像质量识别模型的图像的图像类别。识别结果包括质量值。质量值用于表征所输入的待识别图像的质量的优劣程度。
在本实施例的一些可选的实现方式中,装置500还可以包括:确定单元(图中未示出),被配置成确定所获得的识别结果中的质量值的大小是否满足预设条件;发送单元(图中未示出),被配置成响应于确定所获得的识别结果中的质量值的大小满足预设条件,将待识别图像发送给通信连接的用户终端,以及控制用户终端对待识别图像进行显示。
在本实施例的一些可选的实现方式中,图像获取单元501可以包括:获取模块(图中未示出),被配置成获取预设图像集合;选取模块(图中未示出),被配置成从预设图像集合中选取预设图像作为待识别图像。
在本实施例的一些可选的实现方式中,识别步骤还可以包括:确定预设图像集合是否包括未被选取的预设图像;响应于确定预设图像集合不包括未被选取的预设图像,基于所选取的待识别图像,确定预设图像集合所对应的结果图像。
在本实施例的一些可选的实现方式中,装置500还可以包括:选取单元(图中未示出),被配置成响应于确定预设图像集合包括未被选取的预设图像,从预设图像集合包括的未被选取的预设图像中重新选取预设图像作为待识别图像;第二执行单元(图中未示出),被配置成利用最近一次选取的待识别图像,继续执行识别步骤。
在本实施例的一些可选的实现方式中,第二执行单元可以进一步被配置成:按照所选取的待识别图像所对应的质量值的大小顺序,从所选取的待识别图像中提取待识别图像作为预设图像集合所对应的结果图像。
在本实施例的一些可选的实现方式中,图像质量识别模型集合中的图像质量识别模型可以通过以下步骤训练得到:获取预置的训练样本集,其中,训练样本包括样本图像集合和针对样本图像集合预先确定的样本识别结果,样本图像集合包括预设数量个样本图像,样本识别结果包括预设数量个样本质量值,预设数量个样本质量值中的样本质量值与样本图像集合中的样本图像相对应,用于表征在样本图像集合中,对应的样本图像的质量的优劣程度,训练样本集中的样本图像的图像类别相同;利用机器学习方法,将训练样本集中的训练样本包括的样本图像集合作为初始模型的输入,将所输入的样本图像集合所对应的样本识别结果作为初始模型的期望输出,对初始模型进行训练,将训练完成的初始模型确定为图像质量识别模型。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
本公开的上述实施例提供的装置500可以采用与图像类别相对应的图像质量识别模型识别图像的图像质量,以此,可以获得更为准确的识别结果,提高图像质量识别的准确性,有助于后续基于所获得的识别结果,对图像进行更为准确的处理(例如对图像进行发送、显示等)。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待识别图像;利用待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像获取单元还可以被描述为“获取待识别图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于识别图像的方法,包括:
获取待识别图像;
利用所述待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。
2.根据权利要求1所述的方法,其中,所述方法还包括:
确定所获得的识别结果中的质量值的大小是否满足预设条件;
响应于确定所获得的识别结果中的质量值的大小满足所述预设条件,将所述待识别图像发送给通信连接的用户终端,以及控制所述用户终端对所述待识别图像进行显示。
3.根据权利要求1所述的方法,其中,所述获取待识别图像包括:
获取预设图像集合;
从所述预设图像集合中选取预设图像作为待识别图像。
4.根据权利要求3所述的方法,其中,所述识别步骤还包括:
确定所述预设图像集合是否包括未被选取的预设图像;
响应于确定所述预设图像集合不包括未被选取的预设图像,基于所选取的待识别图像,确定所述预设图像集合所对应的结果图像。
5.根据权利要求4所述的方法,其中,所述方法还包括:
响应于确定所述预设图像集合包括未被选取的预设图像,从所述预设图像集合包括的未被选取的预设图像中重新选取预设图像作为待识别图像;
利用最近一次选取的待识别图像,继续执行所述识别步骤。
6.根据权利要求5所述的方法,其中,所述基于所选取的待识别图像,确定所述预设图像集合所对应的结果图像包括:
按照所选取的待识别图像所对应的质量值的大小顺序,从所选取的待识别图像中提取待识别图像作为所述预设图像集合所对应的结果图像。
7.根据权利要求1-6之一所述的方法,其中,所述图像质量识别模型集合中的图像质量识别模型通过以下步骤训练得到:
获取预置的训练样本集,其中,训练样本包括样本图像集合和针对样本图像集合预先确定的样本识别结果,样本图像集合包括预设数量个样本图像,样本识别结果包括预设数量个样本质量值,预设数量个样本质量值中的样本质量值与样本图像集合中的样本图像相对应,用于表征在样本图像集合中,对应的样本图像的质量的优劣程度,所述训练样本集中的样本图像的图像类别相同;
利用机器学习方法,将所述训练样本集中的训练样本包括的样本图像集合作为初始模型的输入,将所输入的样本图像集合所对应的样本识别结果作为初始模型的期望输出,对初始模型进行训练,将训练完成的初始模型确定为图像质量识别模型。
8.一种用于识别图像的装置,包括:
图像获取单元,被配置成获取待识别图像;
第一执行单元,被配置成利用所述待识别图像,执行以下识别步骤:确定待识别图像的图像类别;从预先确定的图像质量识别模型集合中选取所对应的图像类别与所确定的图像类别相同的图像质量识别模型;将待识别图像输入所选取的图像质量识别模型,获得识别结果,其中,识别结果包括质量值,质量值用于表征所输入的待识别图像的质量的优劣程度。
9.根据权利要求8所述的装置,其中,所述装置还包括:
确定单元,被配置成确定所获得的识别结果中的质量值的大小是否满足预设条件;
发送单元,被配置成响应于确定所获得的识别结果中的质量值的大小满足所述预设条件,将所述待识别图像发送给通信连接的用户终端,以及控制所述用户终端对所述待识别图像进行显示。
10.根据权利要求8所述的装置,其中,所述图像获取单元包括:
获取模块,被配置成获取预设图像集合;
选取模块,被配置成从所述预设图像集合中选取预设图像作为待识别图像。
11.根据权利要求10所述的装置,其中,所述识别步骤还包括:
确定所述预设图像集合是否包括未被选取的预设图像;
响应于确定所述预设图像集合不包括未被选取的预设图像,基于所选取的待识别图像,确定所述预设图像集合所对应的结果图像。
12.根据权利要求11所述的装置,其中,所述装置还包括:
选取单元,被配置成响应于确定所述预设图像集合包括未被选取的预设图像,从所述预设图像集合包括的未被选取的预设图像中重新选取预设图像作为待识别图像;
第二执行单元,被配置成利用最近一次选取的待识别图像,继续执行所述识别步骤。
13.根据权利要求12所述的装置,其中,所述第二执行单元进一步被配置成:
按照所选取的待识别图像所对应的质量值的大小顺序,从所选取的待识别图像中提取待识别图像作为所述预设图像集合所对应的结果图像。
14.根据权利要求8-13之一所述的装置,其中,所述图像质量识别模型集合中的图像质量识别模型通过以下步骤训练得到:
获取预置的训练样本集,其中,训练样本包括样本图像集合和针对样本图像集合预先确定的样本识别结果,样本图像集合包括预设数量个样本图像,样本识别结果包括预设数量个样本质量值,预设数量个样本质量值中的样本质量值与样本图像集合中的样本图像相对应,用于表征在样本图像集合中,对应的样本图像的质量的优劣程度,所述训练样本集中的样本图像的图像类别相同;
利用机器学习方法,将所述训练样本集中的训练样本包括的样本图像集合作为初始模型的输入,将所输入的样本图像集合所对应的样本识别结果作为初始模型的期望输出,对初始模型进行训练,将训练完成的初始模型确定为图像质量识别模型。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910372306.2A CN110084317B (zh) | 2019-05-06 | 2019-05-06 | 用于识别图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910372306.2A CN110084317B (zh) | 2019-05-06 | 2019-05-06 | 用于识别图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084317A true CN110084317A (zh) | 2019-08-02 |
CN110084317B CN110084317B (zh) | 2023-04-21 |
Family
ID=67418918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910372306.2A Active CN110084317B (zh) | 2019-05-06 | 2019-05-06 | 用于识别图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084317B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516737A (zh) * | 2019-08-26 | 2019-11-29 | 南京人工智能高等研究院有限公司 | 用于生成图像识别模型的方法和装置 |
CN111931835A (zh) * | 2020-07-31 | 2020-11-13 | 中国工商银行股份有限公司 | 一种图像识别方法、装置及系统 |
CN112613513A (zh) * | 2020-12-31 | 2021-04-06 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和系统 |
CN112887788A (zh) * | 2019-11-29 | 2021-06-01 | 三星电子株式会社 | 电子装置及其控制方法 |
WO2021184776A1 (zh) * | 2020-03-18 | 2021-09-23 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN103034838A (zh) * | 2012-12-03 | 2013-04-10 | 中国人民解放军63963部队 | 一种基于图像特征的特种车辆仪表类型识别与标定方法 |
US20140072184A1 (en) * | 2012-09-12 | 2014-03-13 | Yu-Chiang Frank WANG | Automated image identification method |
CN104751186A (zh) * | 2015-04-10 | 2015-07-01 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108234870A (zh) * | 2017-12-27 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、终端及存储介质 |
CN108875452A (zh) * | 2017-05-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法、装置、系统和计算机可读介质 |
CN109389591A (zh) * | 2018-09-30 | 2019-02-26 | 西安电子科技大学 | 基于彩色描述子的彩色图像质量评价方法 |
-
2019
- 2019-05-06 CN CN201910372306.2A patent/CN110084317B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
US20140072184A1 (en) * | 2012-09-12 | 2014-03-13 | Yu-Chiang Frank WANG | Automated image identification method |
CN103034838A (zh) * | 2012-12-03 | 2013-04-10 | 中国人民解放军63963部队 | 一种基于图像特征的特种车辆仪表类型识别与标定方法 |
CN104751186A (zh) * | 2015-04-10 | 2015-07-01 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN108875452A (zh) * | 2017-05-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法、装置、系统和计算机可读介质 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108234870A (zh) * | 2017-12-27 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109389591A (zh) * | 2018-09-30 | 2019-02-26 | 西安电子科技大学 | 基于彩色描述子的彩色图像质量评价方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516737A (zh) * | 2019-08-26 | 2019-11-29 | 南京人工智能高等研究院有限公司 | 用于生成图像识别模型的方法和装置 |
CN110516737B (zh) * | 2019-08-26 | 2023-05-26 | 南京人工智能高等研究院有限公司 | 用于生成图像识别模型的方法和装置 |
CN112887788A (zh) * | 2019-11-29 | 2021-06-01 | 三星电子株式会社 | 电子装置及其控制方法 |
CN112887788B (zh) * | 2019-11-29 | 2024-04-09 | 三星电子株式会社 | 电子装置及其控制方法 |
WO2021184776A1 (zh) * | 2020-03-18 | 2021-09-23 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111931835A (zh) * | 2020-07-31 | 2020-11-13 | 中国工商银行股份有限公司 | 一种图像识别方法、装置及系统 |
CN112613513A (zh) * | 2020-12-31 | 2021-04-06 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110084317B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084317A (zh) | 用于识别图像的方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN108960316A (zh) | 用于生成模型的方法和装置 | |
CN109829432A (zh) | 用于生成信息的方法和装置 | |
CN109190114A (zh) | 用于生成回复信息的方法和装置 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN109961141A (zh) | 用于生成量化神经网络的方法和装置 | |
CN109961032A (zh) | 用于生成分类模型的方法和装置 | |
CN110059623A (zh) | 用于生成信息的方法和装置 | |
CN109947989A (zh) | 用于处理视频的方法和装置 | |
CN109919244A (zh) | 用于生成场景识别模型的方法和装置 | |
CN109344752A (zh) | 用于处理嘴部图像的方法和装置 | |
CN109977839A (zh) | 信息处理方法和装置 | |
CN108960110A (zh) | 用于生成信息的方法和装置 | |
CN109214501A (zh) | 用于识别信息的方法和装置 | |
CN109582825A (zh) | 用于生成信息的方法和装置 | |
CN109829164A (zh) | 用于生成文本的方法和装置 | |
CN110110666A (zh) | 目标检测方法和装置 | |
CN110059624A (zh) | 用于检测活体的方法和装置 | |
CN110211121A (zh) | 用于推送模型的方法和装置 | |
CN109934142A (zh) | 用于生成视频的特征向量的方法和装置 | |
CN108573054A (zh) | 用于推送信息的方法和装置 | |
CN110008926A (zh) | 用于识别年龄的方法和装置 |
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 |