CN110309337A - 一种针对多种目标识别算法的特征值集中存储方法及装置 - Google Patents

一种针对多种目标识别算法的特征值集中存储方法及装置 Download PDF

Info

Publication number
CN110309337A
CN110309337A CN201810212688.8A CN201810212688A CN110309337A CN 110309337 A CN110309337 A CN 110309337A CN 201810212688 A CN201810212688 A CN 201810212688A CN 110309337 A CN110309337 A CN 110309337A
Authority
CN
China
Prior art keywords
characteristic value
algorithm
target
real
identified
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
Application number
CN201810212688.8A
Other languages
English (en)
Other versions
CN110309337B (zh
Inventor
曾雄伟
方榆
李偲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Hong Du Information Technology Co Ltd
Original Assignee
Guangzhou Hong Du Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Hong Du Information Technology Co Ltd filed Critical Guangzhou Hong Du Information Technology Co Ltd
Priority to CN201810212688.8A priority Critical patent/CN110309337B/zh
Publication of CN110309337A publication Critical patent/CN110309337A/zh
Application granted granted Critical
Publication of CN110309337B publication Critical patent/CN110309337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—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 colour
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种针对多种目标识别算法的特征值集中存储方法及装置，所述方法包括：获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；根据所述匹配结果，调用相应的应用接口。本发明能够对多种目标识别算法的特征值进行优化调整、集中存储，并在前端开发统一的应用接口，实现多种目标识别算法统一管理和维护，并提高应用接口的灵活性。

Description

一种针对多种目标识别算法的特征值集中存储方法及装置
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种针对多种目标识别算法的特征值集中存储方法及装置。
背景技术
随着大数据、人工智能、深度学习等技术和方法的飞速发展，目标识别和检测技术也进入了发展的快车道，已成为当今人工智能领域最热门的研究热点。当前的目标识别技术，主要是基于卷积神经网络算法生成可以令计算机理解的矢量值，即特征值，并进一步检测、比对、识别的方法。随着技术更迭日新月异，基于不同应用场景的目标识别算法也越来越多。不同厂家、不同算法产生的特征值都不一样，甚至同一算法的不同版本特征值也不一样。因此，基于不同目标识别算法的特征值存储，是一个必须面对和解决的重要问题。
但是，现有的目标识别特征值存储方法，适用于简单的人脸识别应用场景，没有考虑多算法共存的应用场景。一方面，一种算法对应一套数据存储，当新增一种算法时，就需要增加一套部署环境，而该部署环境与原有环境基本上没有关联，缺乏对不同算法或算法不同版本的统一管理和维护。即在不同的应用场景，基于不同算法生成的实时图片标签、实时结构化数据、实时特征值、标准图片标签、标准图片特征值、标准图片属性信息等信息，独立存储在各自的视频图像数据库中，然后借助算法比对SDK，进行实时特征值与标准图片特征值的相似度匹配，比对结果供应用接口进行进一步的实战分析和应用。另一方面，由于一个算法对应一个特定的应用接口，当新增一个算法或修改某个特征值比对SDK，相应的接口也要相应修改，应用接口不仅缺乏灵活性，并且增加了开发工作量。
发明内容
本发明实施例所要解决的技术问题在于，提供一种针对多种目标识别算法的特征值集中存储方法及装置，能够对多种目标识别算法的特征值进行优化调整、集中存储，并在前端开发统一的应用接口，实现多种目标识别算法统一管理和维护，以及提高应用接口的灵活性。
为了解决上述技术问题，本发明实施例提供了一种针对多种目标识别算法的特征值集中存储方法，包括如下步骤：
获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；
根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；
基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；
根据所述匹配结果，调用相应的应用接口。
优选地，所述的针对多种目标识别算法的特征值集中存储方法，还包括：
获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时图片标签。
优选地，所述的针对多种目标识别算法的特征值集中存储方法，还包括：
获取标准图片，并利用目标识别算法对所述标准图片进行识别，以生成与所述标准图片对应的标准图片特征值和标准图片属性信息；
根据所述目标识别算法的算法名称和算法版本，将所述标准图片特征值和所述标准图片属性信息存储于第三存储空间。
优选地，所述的针对多种目标识别算法的特征值集中存储方法，还包括：
当所述目标算法的算法名称和算法版本被修改后，根据预设指令同步更新该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值。
优选地，所述第一存储空间、所第二存储空间和所述第三存储空间属于同一数据库的不同片区。
优选地，所述目标算法的算法名称与算法版本进行关联组合，以区分不同的目标算法，并作为该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值的索引。
本发明实施例还提供了一种针对多种目标识别算法的特征值集中存储装置，包括：
识别单元，用于获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；
存储单元，用于根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；
匹配单元，用于基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；
应用接口调用单元，用于根据所述匹配结果，调用相应的应用接口。
优选地，所述的针对多种目标识别算法的特征值集中存储装置，还包括：
识别单元，还用于获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时图片标签。
优选地，所述的针对多种目标识别算法的特征值集中存储装置，还包括：
识别单元，还用于获取标准图片，并利用目标识别算法对所述标准图片进行识别，以生成与所述标准图片对应的标准图片特征值和标准图片属性信息；
存储单元，还用于根据所述目标识别算法的算法名称和算法版本，将所述标准图片特征值和所述标准图片属性信息存储于第三存储空间。
优选地，所述的针对多种目标识别算法的特征值集中存储装置，还包括：
更新单元，用于当所述目标算法的算法名称和算法版本被修改后，根据预设指令同步更新该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值；其中，所述目标算法的算法名称与算法版本进行关联组合，以区分不同的目标算法，并作为该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值的索引。
实施本发明具有如下有益效果：
本发明提供的一种针对多种目标识别算法的特征值集中存储方法及装置，所述方法包括：获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；根据所述匹配结果，调用相应的应用接口。本发明能够对多种目标识别算法的特征值进行优化调整、集中存储，并在前端开发统一的应用接口，实现多种目标识别算法统一管理和维护，并提高应用接口的灵活性。
附图说明
图1是本发明第一实施例提供的一种针对多种目标识别算法的特征值集中存储方法的流程示意图；
图2是本发明第一实施例中实施针对多种目标识别算法的特征值集中存储方法的部署架构示意图；
图3是本发明第二实施例提供的一种针对多种目标识别算法的特征值集中存储装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明第一实施例：
请参阅图1-2，图1是本发明第一实施例提供的一种针对多种目标识别算法的特征值集中存储方法的流程示意图，图2是本发明第一实施例中实施针对多种目标识别算法的特征值集中存储方法的部署架构示意图。
如图1所示，所述针对多种目标识别算法的特征值集中存储方法，至少包括如下步骤：
S101、获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值。
在本实施例中，优选地，所述的针对多种目标识别算法的特征值集中存储方法，还包括：
获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时图片标签。
如图2所示，可以理解的是，不同的目标识别算法生成的实时图片标签、实时结构化数据、实时特征值数据，均按照采用的不同的算法名称、算法版本两个标签，进行视图库存储。同样的，标准图片，也基于不同的目标识别算法，生成按算法名称和算法版本号两个标签标记的标准图片标签、标准图片特征值、标准图片属性信息。
S102、根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间。
S103、基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果。
可以理解的是，实时特征值与标准图片特征值，依据算法名称和算法版本号两个标签，可基于相同算法和版本号的特征值比对SDK，进行相似度匹配，生成的结果可进一步供应用接口调用。
在本实施例中，所述的针对多种目标识别算法的特征值集中存储方法，还包括：
获取标准图片，并利用目标识别算法对所述标准图片进行识别，以生成与所述标准图片对应的标准图片特征值和标准图片属性信息；
根据所述目标识别算法的算法名称和算法版本，将所述标准图片特征值和所述标准图片属性信息存储于第三存储空间。
所述第一存储空间、所第二存储空间和所述第三存储空间属于同一数据库的不同片区。
所述目标算法的算法名称与算法版本进行关联组合，以区分不同的目标算法，并作为该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值的索引。
可以理解的是，将实时结构化数据、实时特征值和标准图片信息三者分开存储，并以算法名称和算法版本两个标签的组合作为索引条件，来区分不同的算法，并标记每个特征值对应的算法来源。如此能够有效解决基于不同算法共存的应用场景中，基于统一的算法名称和算法版本进行不同算法管理和维护的问题，即前端只需开发一套统一的应用接口，即可满足应用需求。
在本实施例中，所述的针对多种目标识别算法的特征值集中存储方法，还包括：
当所述目标算法的算法名称和算法版本被修改后，根据预设指令同步更新该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值。
如图2所示，该部署架构还支持算法和版本升级后特征值重建功能。即，当算法或版本升级后，该算法对应的“实时结构化数据”、“实时特征值”和“标准图片特征值”均需要重新生成，平台支持“一键更新”功能，实现算法和特征值同步更新，从而提升了平台管理功能，减少了维护工作量。需要说明的是，该部署架构对特征值集中存储、特征值比对SDK实现了封装，系统不同层级形成了“高内聚、低耦合”的架构，便于平台算法的开发部署和进一步扩展。
S104、根据所述匹配结果，调用相应的应用接口。
在本实施例中，以算法名称和算法版本号两个标签的组合作为索引条件，为实时结构化数据、实时特征值和标准图片信息打了标签。集中存储后，开发和维护人员只需要关注一套存储即可，不像现有架构需要针对每种算法维护一套存储，从而减轻了维护和开发的工作量。相应的，所述应用接口不再受到增删节点的影响，增加算法后无需为新增的算法单独开发应用接口，实现应用接口程序与人脸识别算法的隔离。
本实施例提供的一种针对多种目标识别算法的特征值集中存储方法，通过获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；根据所述匹配结果，调用相应的应用接口。本实施例能够对多种目标识别算法的特征值进行优化调整、集中存储，并在前端开发统一的应用接口，实现多种目标识别算法统一管理和维护，并提高应用接口的灵活性。
本发明地二实施例：
请参阅图3，图3是本发明第二实施例提供的一种针对多种目标识别算法的特征值集中存储装置的结构示意图。
所述针对多种目标识别算法的特征值集中存储装置，包括：
识别单元201，用于获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值。
在本实施例中，优选地，所述的针对多种目标识别算法的特征值集中存储装置，还包括：
识别单元201，还用于获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时图片标签。
如图2所示，可以理解的是，不同的目标识别算法生成的实时图片标签、实时结构化数据、实时特征值数据，均按照采用的不同的算法名称、算法版本两个标签，进行视图库存储。同样的，标准图片，也基于不同的目标识别算法，生成按算法名称和算法版本号两个标签标记的标准图片标签、标准图片特征值、标准图片属性信息。
存储单元202，用于根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间。
匹配单元203，用于基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果。
可以理解的是，实时特征值与标准图片特征值，依据算法名称和算法版本号两个标签，可基于相同算法和版本号的特征值比对SDK，进行相似度匹配，生成的结果可进一步供应用接口调用。
在本实施例中，所述的针对多种目标识别算法的特征值集中存储装置，还包括：
识别单元201，还用于获取标准图片，并利用目标识别算法对所述标准图片进行识别，以生成与所述标准图片对应的标准图片特征值和标准图片属性信息。
存储单元202，还用于根据所述目标识别算法的算法名称和算法版本，将所述标准图片特征值和所述标准图片属性信息存储于第三存储空间。
所述第一存储空间、所第二存储空间和所述第三存储空间属于同一数据库的不同片区。
所述目标算法的算法名称与算法版本进行关联组合，以区分不同的目标算法，并作为该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值的索引。
可以理解的是，将实时结构化数据、实时特征值和标准图片信息三者分开存储，并以算法名称和算法版本两个标签的组合作为索引条件，来区分不同的算法，并标记每个特征值对应的算法来源。如此能够有效解决基于不同算法共存的应用场景中，基于统一的算法名称和算法版本进行不同算法管理和维护的问题，即前端只需开发一套统一的应用接口，即可满足应用需求。
在本实施例中，所述的针对多种目标识别算法的特征值集中存储装置，还包括：
更新单元205，用于当所述目标算法的算法名称和算法版本被修改后，根据预设指令同步更新该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值。
如图2所示，该部署架构还支持算法和版本升级后特征值重建功能。即，当算法或版本升级后，该算法对应的“实时结构化数据”、“实时特征值”和“标准图片特征值”均需要重新生成，平台支持“一键更新”功能，实现算法和特征值同步更新，从而提升了平台管理功能，减少了维护工作量。需要说明的是，该部署架构对特征值集中存储、特征值比对SDK实现了封装，系统不同层级形成了“高内聚、低耦合”的架构，便于平台算法的开发部署和进一步扩展。
应用接口调用单元204，用于根据所述匹配结果，调用相应的应用接口。
在本实施例中，以算法名称和算法版本号两个标签的组合作为索引条件，为实时结构化数据、实时特征值和标准图片信息打了标签。集中存储后，开发和维护人员只需要关注一套存储即可，不像现有架构需要针对每种算法维护一套存储，从而减轻了维护和开发的工作量。相应的，所述应用接口不再受到增删节点的影响，增加算法后无需为新增的算法单独开发应用接口，实现应用接口程序与人脸识别算法的隔离。
本实施例提供的一种针对多种目标识别算法的特征值集中存储装置，通过获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；根据所述匹配结果，调用相应的应用接口。本实施例能够对多种目标识别算法的特征值进行优化调整、集中存储，并在前端开发统一的应用接口，实现多种目标识别算法统一管理和维护，并提高应用接口的灵活性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (10)

1.一种针对多种目标识别算法的特征值集中存储方法，其特征在于，包括如下步骤：
获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；
根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；
基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；
根据所述匹配结果，调用相应的应用接口。
2.根据权利要求1所述的针对多种目标识别算法的特征值集中存储方法，其特征在于，还包括：
获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时图片标签。
3.根据权利要求1所述的针对多种目标识别算法的特征值集中存储方法，其特征在于，还包括：
获取标准图片，并利用目标识别算法对所述标准图片进行识别，以生成与所述标准图片对应的标准图片特征值和标准图片属性信息；
根据所述目标识别算法的算法名称和算法版本，将所述标准图片特征值和所述标准图片属性信息存储于第三存储空间。
4.根据权利要求1所述的针对多种目标识别算法的特征值集中存储方法，其特征在于，还包括：
当所述目标算法的算法名称和算法版本被修改后，根据预设指令同步更新该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值。
5.根据权利要求1所述的针对多种目标识别算法的特征值集中存储方法，其特征在于，所述第一存储空间、所第二存储空间和所述第三存储空间属于同一数据库的不同片区。
6.根据权利要求1所述的针对多种目标识别算法的特征值集中存储方法，其特征在于，所述目标算法的算法名称与算法版本进行关联组合，以区分不同的目标算法，并作为该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值的索引。
7.一种针对多种目标识别算法的特征值集中存储装置，其特征在于，包括：
识别单元，用于获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时结构化数据和实时特征值；
存储单元，用于根据所述目标识别算法的算法名称和算法版本，将所述实施结构化数据和实时特征值分别存储于第一存储空间和第二存储空间；
匹配单元，用于基于相同的目标算法，将所述实时特征值与预先存储于第三存储空间的标准图片特征值进行相似度匹配，并生成匹配结果；
应用接口调用单元，用于根据所述匹配结果，调用相应的应用接口。
8.根据权利要求7所述的针对多种目标识别算法的特征值集中存储装置，其特征在于，还包括：
识别单元，还用于获取待识别图片，并利用目标识别算法对所述待识别图片进行识别，以生成与所述待识别图片对应的实时图片标签。
9.根据权利要求7所述的针对多种目标识别算法的特征值集中存储装置，其特征在于，还包括：
识别单元，还用于获取标准图片，并利用目标识别算法对所述标准图片进行识别，以生成与所述标准图片对应的标准图片特征值和标准图片属性信息；
存储单元，还用于根据所述目标识别算法的算法名称和算法版本，将所述标准图片特征值和所述标准图片属性信息存储于第三存储空间。
10.根据权利要求7所述的针对多种目标识别算法的特征值集中存储装置，其特征在于，还包括：
更新单元，用于当所述目标算法的算法名称和算法版本被修改后，根据预设指令同步更新该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值；其中，所述目标算法的算法名称与算法版本进行关联组合，以区分不同的目标算法，并作为该目标算法对应的实时结构化数据、实时特征值，以及标准图片特征值的索引。
CN201810212688.8A 2018-03-14 2018-03-14 一种针对多种目标识别算法的特征值集中存储方法及装置 Active CN110309337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810212688.8A CN110309337B (zh) 2018-03-14 2018-03-14 一种针对多种目标识别算法的特征值集中存储方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810212688.8A CN110309337B (zh) 2018-03-14 2018-03-14 一种针对多种目标识别算法的特征值集中存储方法及装置

Publications (2)

Publication Number Publication Date
CN110309337A true CN110309337A (zh) 2019-10-08
CN110309337B CN110309337B (zh) 2021-05-07

Family

ID=68073756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810212688.8A Active CN110309337B (zh) 2018-03-14 2018-03-14 一种针对多种目标识别算法的特征值集中存储方法及装置

Country Status (1)

Country Link
CN (1) CN110309337B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026896A (zh) * 2019-11-15 2020-04-17 浙江大华技术股份有限公司 特征值存储、处理方法、设备及存储装置
CN112529008A (zh) * 2020-11-03 2021-03-19 浙江大华技术股份有限公司 图像识别和图像特征处理方法、电子设备及存储介质
CN112910958A (zh) * 2021-01-15 2021-06-04 浙江大华技术股份有限公司 一种特征向量的统一方法、设备、通信系统和存储介质
CN113542348A (zh) * 2021-05-27 2021-10-22 武汉旷视金智科技有限公司 图像数据传输方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706872A (zh) * 2009-11-26 2010-05-12 上海交通大学 通用的开放式人脸识别系统
WO2012154216A1 (en) * 2011-05-06 2012-11-15 Sti Medical Systems, Llc Diagnosis support system providing guidance to a user by automated retrieval of similar cancer images with user feedback
CN103477360A (zh) * 2011-04-21 2013-12-25 松下电器产业株式会社 能量管理装置以及能量管理系统
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706872A (zh) * 2009-11-26 2010-05-12 上海交通大学 通用的开放式人脸识别系统
CN103477360A (zh) * 2011-04-21 2013-12-25 松下电器产业株式会社 能量管理装置以及能量管理系统
WO2012154216A1 (en) * 2011-05-06 2012-11-15 Sti Medical Systems, Llc Diagnosis support system providing guidance to a user by automated retrieval of similar cancer images with user feedback
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026896A (zh) * 2019-11-15 2020-04-17 浙江大华技术股份有限公司 特征值存储、处理方法、设备及存储装置
CN111026896B (zh) * 2019-11-15 2023-09-01 浙江大华技术股份有限公司 特征值存储、处理方法、设备及存储装置
CN112529008A (zh) * 2020-11-03 2021-03-19 浙江大华技术股份有限公司 图像识别和图像特征处理方法、电子设备及存储介质
CN112910958A (zh) * 2021-01-15 2021-06-04 浙江大华技术股份有限公司 一种特征向量的统一方法、设备、通信系统和存储介质
CN112910958B (zh) * 2021-01-15 2022-08-09 浙江大华技术股份有限公司 一种特征向量的统一方法、设备、通信系统和存储介质
CN113542348A (zh) * 2021-05-27 2021-10-22 武汉旷视金智科技有限公司 图像数据传输方法及装置
CN113542348B (zh) * 2021-05-27 2022-09-06 武汉旷视金智科技有限公司 图像数据传输方法及装置

Also Published As

Publication number Publication date
CN110309337B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN110309337A (zh) 一种针对多种目标识别算法的特征值集中存储方法及装置
US10924947B2 (en) Systems and methods for communications node upgrade and selection
CN105745687B (zh) 情景感知移动目标检测
Ko et al. Spatiotemporal bag-of-features for early wildfire smoke detection
CN110147722A (zh) 一种视频处理方法、视频处理装置及终端设备
CN108076040A (zh) 一种基于杀伤链和模糊聚类的apt攻击场景挖掘方法
CN107392937A (zh) 目标跟踪方法、装置及电子设备
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN109472193A (zh) 人脸检测方法及装置
CN110728294A (zh) 一种基于迁移学习的跨领域图像分类模型构建方法和装置
CN109492128A (zh) 用于生成模型的方法和装置
KR20200075114A (ko) 이미지와 텍스트간 유사도 매칭 시스템 및 방법
CN109635740A (zh) 视频目标检测方法、装置及图像处理设备
CN109785387A (zh) 机器人的回环检测方法、装置及机器人
KR20200094938A (ko) 생성적 대립 네트워크를 이용한 데이터의 불균형 해결방법
CN114499982A (zh) 蜜网动态配置策略生成方法、配置方法及存储介质
WO2022156720A1 (zh) 群控账号挖掘方法、装置、设备及存储介质
Yang et al. Recursive algorithms of maximum entropy thresholding on circular histogram
CN109740527A (zh) 一种视频帧中图像处理方法
CN110852172B (zh) 一种基于Cycle Gan图片拼贴并增强的扩充人群计数数据集的方法
CN111064604B (zh) 一种基于多视角motif融合的网络表示系统及方法
Chen [Retracted] Semantic Analysis of Multimodal Sports Video Based on the Support Vector Machine and Mobile Edge Computing
CN110956097A (zh) 遮挡人体提取方法及模块、场景转换方法及装置
CN111901137A (zh) 一种利用蜜罐告警日志挖掘多步攻击场景的方法
CN114143109A (zh) 攻击数据的可视化处理方法、交互方法及装置

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