CN110347855A - 画作推荐方法、终端设备、服务器、计算机设备及介质 - Google Patents

画作推荐方法、终端设备、服务器、计算机设备及介质 Download PDF

Info

Publication number
CN110347855A
CN110347855A CN201910646302.9A CN201910646302A CN110347855A CN 110347855 A CN110347855 A CN 110347855A CN 201910646302 A CN201910646302 A CN 201910646302A CN 110347855 A CN110347855 A CN 110347855A
Authority
CN
China
Prior art keywords
paintings
image
feature
retrieval
similar
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
Application number
CN201910646302.9A
Other languages
English (en)
Inventor
许景涛
索健文
刘向阳
王婷婷
张绍楠
徐博
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910646302.9A priority Critical patent/CN110347855A/zh
Publication of CN110347855A publication Critical patent/CN110347855A/zh
Priority to US16/905,588 priority patent/US11341735B2/en
Pending legal-status Critical Current

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
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • 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
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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
    • G06F16/5854—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 shape and object relationship
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06V10/40—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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种画作推荐方法、终端设备、服务器、计算机设备及介质。该方法的一具体实施方式包括：终端设备采集画作图像；所述终端设备将画作图像发送至服务器，以使得所述服务器提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。该实施方式可以基于用户利用终端设备采集的画作图像直接在画作库中高效精确的进行相同画作检索和相似画作检索，并根据检索结果进行精确的画作推荐，可大幅提升用户的体验，特别是电子画屏用户的体验。

Description

画作推荐方法、终端设备、服务器、计算机设备及介质
技术领域
本发明涉及图像处理技术领域。更具体地，涉及一种画作推荐方法、终端设备、服务器、计算机设备及介质。
背景技术
目前的画作推荐方式需要用户在终端设备输入画作相关信息的文字描述，例如画作的名称、作者、风格等，服务器根据接收到的画作相关信息将推荐画作发送至用户的终端设备。此画作推荐方式在用户发现了现实环境中不知道名称、作者等相关信息的画作，却想要利用电子画屏等显示设备欣赏时无法实现。
因此，需要提供一种新的画作推荐方法、终端设备、服务器、计算机设备及介质。
发明内容
本发明的目的在于提供一种画作推荐方法、终端设备、服务器、计算机设备及介质，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种画作推荐方法，包括：
终端设备采集画作图像；
所述终端设备将画作图像发送至服务器，以使得所述服务器提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。
本发明第一方面提供的画作推荐方法，可以基于用户利用终端设备采集的画作图像直接在画作库中高效精确的进行相同画作检索和相似画作检索，并根据检索结果进行精确的画作推荐，可大幅提升用户的体验，特别是电子画屏用户的体验。其中，一方面，尺度不变特征对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，因此本发明第一方面提供的画作推荐方法根据画作图像的尺度不变特征进行需要精确匹配的相同画作检索；另一方面，多尺度特征能够更好的表征画作颜色、内容等信息，并且用于画作相似度匹配时的鲁棒性较高，因此本发明第一方面提供的画作推荐方法根据画作图像的多尺度特征进行相似画作检索，由此可见，本发明第一方面提供的画作推荐方法可实现精确的画作推荐。
可选地，该方法还包括：所述终端设备呈现所述推荐画作和/或所述终端设备将所述推荐画作发送至显示设备以使得所述显示设备呈现所述推荐画作。
采用此可选方式，用户可直接利用终端设备欣赏推荐画作，也可利用电子画屏等显示设备欣赏推荐画作。
可选地，在所述终端设备将画作图像发送至服务器之前，该方法还包括：所述终端设备对采集的画作图像进行基于畸变校正算法的图像处理。
采用此可选方式，可保证相同画作检索和相似画作检索及后续的画作推荐的精确性。进一步，由于畸变校正算法的计算量较小，因此此可选方式利用终端设备对采集的画作图像进行基于畸变校正算法的图像处理不会影响图像处理速度，且避免了由服务器对画作图像进行基于畸变校正算法的图像处理所带来的如下弊端：若终端设备采集的画作图像不经过压缩而直接发送至服务器，则传输速度较慢且浪费传输资源；若终端设备采集的画作图像不经过压缩而直接发送至服务器，则会存在一定的图像失真，从而影响畸变矫正的效果。
本发明第二方面提供了一种画作推荐方法，包括：
服务器接收终端设备采集的画作图像，提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。
本发明第二方面提供的画作推荐方法，可以基于用户利用终端设备采集的画作图像直接在画作库中高效精确的进行相同画作检索和相似画作检索，并根据检索结果进行精确的画作推荐，可大幅提升用户的体验，特别是电子画屏用户的体验。其中，一方面，尺度不变特征对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，因此本发明第二方面提供的画作推荐方法根据画作图像的尺度不变特征进行需要精确匹配的相同画作检索；另一方面，多尺度特征能够更好的表征画作颜色、内容等信息，并且用于画作相似度匹配时的鲁棒性较高，因此本发明第二方面提供的画作推荐方法根据画作图像的多尺度特征进行相似画作检索，由此可见，本发明第二方面提供的画作推荐方法可实现精确的画作推荐。
可选地，所述提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索进一步包括：提取画作图像的SIFT(Scale-Invariant Feature Transform，尺度不变特征转换)特征并根据画作图像的SIFT特征进行相同画作检索，提取画作图像的Resnet特征并根据画作图像的Resnet(残差网络)特征进行相似画作检索。
可选地，所述提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索进一步包括：利用CPU提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，利用GPU提取画作图像的Resnet特征并利用CPU根据画作图像的Resnet特征进行相似画作检索。
由于Resnet网络相对较为复杂，利用CPU提取画作图像的Resnet特征会影响运行速度，因此此可选方式利用GPU提取画作图像的Resnet特征，可提升Resnet特征的提取效率，缩短Resnet特征提取的响应时间。此外，利用GPU提取画作图像的Resnet特征还可与利用CPU根据画作图像的Resnet特征进行相似画作检索实现相对的并行处理，可进一步保证相似画作检索的效率。
可选地，提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索进一步包括：
提取画作图像的SIFT特征点；
将画作图像的SIFT特征点与画作库中各标准画作的SIFT特征点进行比对，获取与画作图像相同SIFT特征点最多的标准画作；
判断获取的标准画作与画作图像的相同SIFT特征点个数是否大于预设阈值：若是，则相同画作检索结果为该获取的标准画作；若否，则相同画作检索结果为不存在相同画作。
可选地，所述提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索进一步包括：
提取画作图像的Resnet特征；
对画作图像的Resnet特征进行降维和哈希量化，得到画作图像的哈希编码；
计算画作图像的哈希编码与画作库中各标准画作的哈希编码的汉明距离，并按所述汉明距离由小到大排在前预设个数的标准画作作为相似画作检索结果。
由于直接采用Resnet特征进行匹配的运算量较大，因此此可选方式采用哈希量化后利用哈希编码进行匹配的方式，可使得相似画作检索的效率大幅提升。
本发明第三方面提供了一种执行本发明第一方面提供的画作推荐方法的终端设备，包括：图像采集模块和第一传输模块；
所述图像采集模块，用于采集画作图像；
所述第一传输模块，用于将画作图像发送至服务器，以使得所述服务器提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述第一传输模块发送至少一个推荐画作。
本发明第四方面提供了一种执行本发明第二方面提供的画作推荐方法的服务器，包括：第二传输模块、相同画作检索模块、相似画作检索模块和推荐模块；
所述第二传输模块，用于接收终端设备采集的画作图像；
所述相同画作检索模块，用于提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索；
所述相似画作检索模块，用于提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索；
所述推荐模块，用于根据相同画作检索结果和相似画作检索结果，通过所述第二传输模块向所述终端设备发送至少一个推荐画作。
可选地，所述服务器为云服务器，所述云服务器构建有CPU Docker和GPU Docker。
采用此可选方式，CPU Docker和GPU Docker可以共用同一个硬件资源，也可以根据硬件资源的负载能力和性能指标相应地增减，有利于提升相同画作检索和相似画作检索及后续画作推荐的效率。
本发明第五方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面提供的画作推荐方法或本发明第二方面提供的画作推荐方法。
本发明第六方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的画作推荐方法或本发明第二方面提供的画作推荐方法。
本发明的有益效果如下：
本发明所述技术方案可以基于用户利用终端设备采集的画作图像直接在画作库中高效精确的进行相同画作检索和相似画作检索，并根据检索结果进行精确的画作推荐，可大幅提升用户的体验，特别是电子画屏用户的体验。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出本发明实施例提供的画作推荐方法的流程图。
图2示出终端设备对采集的画作图像进行基于畸变校正算法的图像处理的流程图。
图3示出相同画作检索算法和相似画作检索算法的算法框架图。
图4示出相同画作检索算法的流程图。
图5示出相似画作检索算法的流程图。
图6示出本发明实施例提供的画作推荐系统的架构图。
图7示出云服务器部署方案的框架图。
图8示出本发明实施例提供的画作推荐系统中的服务器的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提供了一种画作推荐方法，包括：
终端设备采集画作图像，并将采集的画作图像发送至服务器；
服务器提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。
本实施例提供的画作推荐方法，可以基于用户利用终端设备采集的画作图像直接在画作库中高效精确的进行相同画作检索和相似画作检索，并根据检索结果进行精确的画作推荐，可大幅提升用户的体验，特别是电子画屏用户的体验。其中，一方面，尺度不变特征对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性，因此本实施例提供的画作推荐方法根据画作图像的尺度不变特征进行需要精确匹配的相同画作检索；另一方面，多尺度特征能够更好的表征画作颜色、内容等信息，并且用于画作相似度匹配时的鲁棒性较高，因此本实施例提供的画作推荐方法根据画作图像的多尺度特征进行相似画作检索，由此可见，本实施例提供的画作推荐方法可实现精确的画作推荐。
在本实施例的一些可选的实现方式中，该方法还包括：
终端设备呈现所述推荐画作。
在本实施例的一些可选的实现方式中，该方法还包括：
终端设备将所述推荐画作发送至显示设备，本实施例中的显示设备为电子画屏；
电子画屏呈现推荐画作。
采用上述实现方式，用户可直接利用终端设备欣赏推荐画作，也可利用电子画屏等电子画屏欣赏推荐画作。
进一步，若推荐画作为多个，则所述终端设备响应于用户的选择操作呈现用户从多个推荐画作中选择的推荐画作和/或所述终端设备响应于用户的选择操作将用户从多个推荐画作中选择的推荐画作发送至电子画屏以使得所述电子画屏呈现所述选择的推荐画作。例如，服务器检索到了相同画作时向终端设备发送的推荐画作包括1个相同画作和相似度由大到小排在前19名的19个相似画作，服务器未检索到相同画作时向终端设备发送的推荐画作为包括相似度由大到小排在前20名的20个相似画作。终端设备以分页的方式，每页显示4张推荐画作的缩略图。终端设备响应于用户对缩略图的点击操作而将用户点击的缩略图对应的推荐画作发送至电子画屏，由电子画屏显示。
在本实施例的一些可选的实现方式中，在所述终端设备将采集的画作图像发送至服务器之前，该方法还包括：所述终端设备对采集的画作图像进行基于畸变校正算法的图像处理。
采用此实现方式，可保证相同画作检索和相似画作检索及后续的画作推荐的精确性。进一步，由于畸变校正算法的计算量较小，因此此可选方式利用终端设备对采集的画作图像进行基于畸变校正算法的图像处理不会影响图像处理速度，且避免了由服务器对画作图像进行基于畸变校正算法的图像处理所带来的如下弊端：若终端设备采集的画作图像不经过压缩而直接发送至服务器，则传输速度较慢且浪费传输资源；若终端设备采集的画作图像不经过压缩而直接发送至服务器，则会存在一定的图像失真，从而影响畸变矫正的效果。
其中，所述终端设备对采集的画作图像进行基于畸变校正算法的图像处理具体包括所述终端设备调用背景去除算法和梯度校正算法对由采集(拍摄)角度和位置等因素造成的画作图像与画作实物之间的失真进行校正，如图2所示，具体过程为依次进行(1)LSD直线检测、(2)水平和竖直集分组、(3)合并近似平行线、(4)确定最优边界和顶点、(5)人工调整顶点或边界、(6)透视变换图像校正：
(1)使用LSD线段检测算子进行直线检测，检测得到干扰直线。
(2)对干扰直线进行水平集和竖直集分组，计算每条直线的与水平轴夹角，其中，夹角在0到45度范围内的划分为水平集，夹角在45到90度范围内的划分为竖直集。
(3)将近似的平行线进行合并，统计计算每2条直线的夹角(计算范围在0到90度)和距离，将小于夹角阈值和距离阈值的两条直线合并为一条直线，合并后的直线为两条直线中长度较长的一条，该条直线的分数值取这两条直线的分数值之和。
(4)在合并后的直线中确定最优边界线和顶点：由于终端设备(例如智能手机)正常拍摄下的画作实物一般会位于视野中心，所以对竖直集和水平集进行二次分组：对于竖直集，以画作图像为中心分为TopLineSet和BottomLineSet；对于水平集，以画作图像为中心分为LeftLineSet和RightLineSet。取TopLineSet、BottomLineSet、LeftLineSet、RightLineSet各组中的任意一条直线，计算这4条直线组成的图形的平行度、面积和匹配度参数，并根据上述参数赋予该图形一个分值，分值最高的直线组合即为最优组合，作为最优边界线：LineLeft、LineRight、LineTop、LineBottom。在得到的4条最优边界线中，计算两两相交的顶点，得到的4个顶点分别为PLeftTop，PLeftBottom、PRightTop、PRightBottom。
(5)由于画作在背景复杂的情况下进行拍摄得到的顶点可能不是理想的，因此可通过手动调整顶点使其处于理想位置。
(6)计算得到4个顶点中PLeftBottom和PRightBottom之间距离为width，校正后的画作图像宽度为height＝ratio*width，4个顶点对应的新的4个目标位置为PLeftTop_new(0，0)，PLeftBottom_new(0，height)，PRightTop_new(width，0)，PRightBottom_new(width，height)，由实际的4个顶点和与之匹配的4个目标点可得到透视变换矩阵，基于透视变换矩阵对畸变的画作图像进行透视变换处理，即可得到校正后画作图像。
在本实施例的一些可选的实现方式中，所述提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索进一步包括：提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索。
进一步，所述提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索进一步包括：利用CPU提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，利用GPU提取画作图像的Resnet特征并利用CPU根据画作图像的Resnet特征进行相似画作检索。
由于Resnet网络相对较为复杂，利用CPU提取画作图像的Resnet特征会影响运行速度，因此此实现方式利用GPU提取画作图像的Resnet特征，可提升Resnet特征的提取效率，缩短Resnet特征提取的响应时间。此外，利用GPU提取画作图像的Resnet特征还可与利用CPU根据画作图像的Resnet特征进行相似画作检索实现相对的并行处理，可进一步保证相似画作检索的效率。
在一个具体示例中，服务器为云服务器，CPU为云服务器构建的CPU Docker(Docker是一个开源的应用容器引擎)，GPU为云服务器构建的GPU Docker。相同画作检索和相似画作检索的算法部署采用GPU Docker和CPU Docker相结合的Docker部署方案，能够有效的评估硬件资源的利用率，方便算法移植和资源扩容，CPU Docker和GPU Docker可以共用同一个硬件资源，也可以根据硬件资源的负载能力和性能指标相应地增减，有利于提升相同画作检索和相似画作检索及后续画作推荐的效率。
在本实施例的一些可选的实现方式中，提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索进一步包括：
提取画作图像的SIFT特征点；
将画作图像的SIFT特征点与画作库中各标准画作的SIFT特征点进行比对，获取与画作图像相同SIFT特征点最多的标准画作；
判断获取的标准画作与画作图像的相同SIFT特征点个数是否大于预设阈值：若是，则相同画作检索结果为该获取的标准画作；若否，则相同画作检索结果为不存在相同画作。
另外，尺度不变特征也可为根据SIFT特征生成的聚类特征等。当尺度不变特征为根据SIFT特征生成的聚类特征时，服务器提取画作图像的尺度不变特征的方式可以为，提取画作图像的SIFT特征点；将画作图像的SIFT特征点输入预设的词袋模型，词袋模型将画作图像的SIFT特征点聚类为K类，从而得到画作图像的对应的K维词袋模型特征向量。
在本实施例的一些可选的实现方式中，所述提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索进一步包括：
提取画作图像的Resnet特征；
对画作图像的Resnet特征进行降维和哈希量化，得到画作图像的哈希编码；
计算画作图像的哈希编码与画作库中各标准画作的哈希编码的汉明距离，并按所述汉明距离由小到大排在前预设个数的标准画作作为相似画作检索结果。
由于直接采用Resnet特征进行匹配的运算量较大，因此此实现方式采用哈希量化后利用哈希编码进行匹配的方式，可使得相似画作检索的效率大幅提升。
在一个具体示例中，基于SIFT特征的相同画作检索算法和基于Resnet特征的相似画作检索算法的算法框架如图3所示，基于SIFT特征的相同画作检索算法和基于Resnet特征的相似画作检索算法的算法结果融合后得到最终的推荐画作，采用此将相同图检索算法和相似图检索算法相结合以并行完成画作检索的方式，可提高画作检索能力。
本示例中，基于SIFT特征的相同画作检索算法的流程如图4所示，包括：
训练阶段：创建一个标准画作的训练数据集，采用SIFT特征提取，将得到的各标准画作的SIFT特征点采用HIKM(Hierarchical Version of Integer K-means)进行聚类，训练得到HIKM分类模型并进行保存。
创建存储画作索引表和相同画作特征库阶段：首先提取画作库中所有标准画作的SIFT特征点并利用词袋模型将SIFT特征点聚类成K类并为每一幅标准画作建立K维的SIFT特征点的词袋模型特征向量，再使用HIKM分层聚类模型构建词典，把SIFT特征点分成125000类，将画作库中所有标准画作分到125000个桶里；建立并保存相同画作特征库和反向索引表。
相同画作检索阶段：将实拍的画作图像，以类似于上述对标准画作的操作方式得到画作图像对应的SIFT特征表；再计算该画作图像与相同画作特征库索引表中每张标准画作的相同SIFT特征点个数作为相似度，判断是否存在大于预设阈值T的相似度，存在则说明画作库中存在相同图，输出相似度最大的标准画作对应的索引；不存在则说明画作库中不存在相同图，可输出不存在相同图提示。
本示例中，基于Resnet特征的相似画作检索算法的流程如图5所示，包括：
创建存储相似画作特征库阶段：首先提取所有标准画作的Resnet特征，由于Resnet网络相对复杂，在CPU Docker执行，Resnet特征提取速度较慢，因此将Resnet特征提取部分在GPU Docker执行，并且采用TensorRT进行计算加速，提高Resnet特征提取的速度，缩短Resnet特征提取的响应时间。将在GPUDocker上提取的Resnet特征码发送至CPUDocker，利用CPU Docker对各标准画作的Resnet特征码进行降维和哈希量化，得到对应的哈希编码库(相似画作特征库)。
相似画作检索阶段：将实拍的画作图像，传到GPU Docker中采用TensorRT进行Resnet特征提取，将得到的画作图像的Resnet特征码发送至CPU Docker，利用CPU Docker对画作图像的Resnet特征码进行降维和哈希量化，得到画作图像的哈希编码；再计算画作图像的哈希编码与哈希编码库中每张标准画作的哈希编码的汉明距离，将汉明距离由小到大进行排序，输出前20名对应的标准画作的索引。其中，因为Resnet特征是2048维小数，如果直接用其进行匹配，需要对每一位数进行欧式等距离计算；然而通过哈希量化转化为1024或者512维的0或1，只要进行异或计算即可，可明显提升检索速度。
如图6所示，本发明的另一个实施例提供了一种画作推荐系统，包括：终端设备、服务器和显示设备，其中，终端设备例如为智能手机，可通过智能手机上安装的画作推荐APP与服务器交互，显示设备例如为电子画屏；
终端设备包括：图像采集模块和第一传输模块；
服务器包括：第二传输模块、相同画作检索模块、相似画作检索模块和推荐模块；
所述图像采集模块，用于采集画作图像，其中，图像采集模块例如为智能手机的摄像头；
所述第一传输模块，用于将画作图像发送至服务器；
所述第二传输模块，用于接收终端设备发送的画作图像；
所述相同画作检索模块，用于提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索；
所述相似画作检索模块，用于提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索；
所述推荐模块，用于根据相同画作检索结果和相似画作检索结果，通过所述第二传输模块向所述终端设备发送至少一个推荐画作。
其中，终端设备可以是各种电子设备，包括但不限于个人电脑、智能手机、智能手表、平板电脑、个人数字助理等等。终端设备与服务器之间、终端设备与电子画屏之间分别通过网络进行通信，该网络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。
在本实施例的一些可选的实现方式中，所述服务器为云服务器，所述云服务器构建有CPU Docker和GPU Docker。采用此实现方式，CPU Docker和GPU Docker可以共用同一个硬件资源，也可以根据硬件资源的负载能力和性能指标相应地增减，有利于提升相同画作检索和相似画作检索及后续画作推荐的效率。
在一个具体示例中，如图7所示，云服务器部署方案如下：
首先在基于Kubernetes(K8S)的容器云平台，构建GPU Docker，在GPU Docker上部署实现Resnet特征提取部分的算法，将提取的标准画作的Resnet特征码和实拍的画作图像的Resnet特征码发送至CPU Docker，另外，实拍的画作图像也由GPU Docker转发至CPUDocker。使用的GPU Docker和CPU Docker可以根据硬件资源的负载能力和性能指标相应地增加和缩减。各算法部署采用GPU Docker和CPU Docker相结合的Docker部署方案，能够有效的评估硬件资源的利用率，方便算法移植和资源扩容。
GPU Docker和CPU Docker之间设置有Nginx负载均衡，其作用为：当一台服务器的单位时间内的访问量越大时，服务器压力就越大，大到超过自身承受能力时，服务器就会崩溃。为了避免服务器崩溃，让用户有更好的体验，可通过Nginx负载均衡的方式来分担服务器压力。实现方法：通过建立很多服务器，组成一个服务器集群，当用户访问网站时，先访问一个中间服务器，再让这个中间服务器在服务器集群中选择一个压力较小的服务器，然后将该访问请求引入该服务器。通过该方式，用户的每次访问，都会保证服务器集群中的每个服务器压力趋于平衡，分担了服务器压力，避免了服务器崩溃的情况。
图7中，共享存储用于存放各算法的代码数据，以及供各算法调用的模型文件。
此外，相同画作数据库和相似画作数据库的更新通过与Redis集群的交互来实现，采用Redis集群的图库更新方案，能够在不重启服务的情况下，对相同画作数据库和相似画作数据库进行及时有效地更新。
需要说明的是，本实施例提供的画作推荐系统的原理及工作流程与上述画作推荐方法相似，相关之处可以参照上述说明，在此不再赘述。
如图8所示，适于用来实现本实施例提供的画作推荐系统中的服务器的计算机系统，包括中央处理模块(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述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部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和示意图，图示了本实施例的系统、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，流程图或示意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，上述模块、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，示意图和/或流程图中的每个方框、以及示意和/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。
描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括相同画作检索模块、相似画作检索模块和推荐模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。例如，相同画作检索模块还可以被描述为“相同画作匹配模块”。
作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：接收终端设备采集的画作图像，提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。
需要说明的是，在本发明的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (13)

1.一种画作推荐方法，其特征在于，包括：
终端设备采集画作图像；
所述终端设备将画作图像发送至服务器，以使得所述服务器提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：所述终端设备呈现所述推荐画作和/或所述终端设备将所述推荐画作发送至显示设备以使得所述显示设备呈现所述推荐画作。
3.根据权利要求1所述的方法，其特征在于，在所述终端设备将画作图像发送至服务器之前，该方法还包括：所述终端设备对采集的画作图像进行基于畸变校正算法的图像处理。
4.一种画作推荐方法，其特征在于，包括：
服务器接收终端设备采集的画作图像，提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述终端设备发送至少一个推荐画作。
5.根据权利要求4所述的方法，其特征在于，所述提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索进一步包括：提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索。
6.根据权利要求5所述的方法，其特征在于，所述提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索进一步包括：利用CPU提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索，利用GPU提取画作图像的Resnet特征并利用CPU根据画作图像的Resnet特征进行相似画作检索。
7.根据权利要求5所述的方法，其特征在于，提取画作图像的SIFT特征并根据画作图像的SIFT特征进行相同画作检索进一步包括：
提取画作图像的SIFT特征点；
将画作图像的SIFT特征点与画作库中各标准画作的SIFT特征点进行比对，获取与画作图像相同SIFT特征点最多的标准画作；
判断获取的标准画作与画作图像的相同SIFT特征点个数是否大于预设阈值：若是，则相同画作检索结果为该获取的标准画作；若否，则相同画作检索结果为不存在相同画作。
8.根据权利要求5所述的方法，其特征在于，所述提取画作图像的Resnet特征并根据画作图像的Resnet特征进行相似画作检索进一步包括：
提取画作图像的Resnet特征；
对画作图像的Resnet特征进行降维和哈希量化，得到画作图像的哈希编码；
计算画作图像的哈希编码与画作库中各标准画作的哈希编码的汉明距离，并按所述汉明距离由小到大排在前预设个数的标准画作作为相似画作检索结果。
9.一种执行如权利要求1-3中任一项所述方法的终端设备，其特征在于，包括：图像采集模块和第一传输模块；
所述图像采集模块，用于采集画作图像；
所述第一传输模块，用于将画作图像发送至服务器，以使得所述服务器提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索，提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索，根据相同画作检索结果和相似画作检索结果向所述第一传输模块发送至少一个推荐画作。
10.一种执行如权利要求4-8中任一项所述方法的服务器，其特征在于，包括：第二传输模块、相同画作检索模块、相似画作检索模块和推荐模块；
所述第二传输模块，用于接收终端设备采集的画作图像；
所述相同画作检索模块，用于提取画作图像的尺度不变特征并根据画作图像的尺度不变特征进行相同画作检索；
所述相似画作检索模块，用于提取画作图像的多尺度特征并根据画作图像的多尺度特征进行相似画作检索；
所述推荐模块，用于根据相同画作检索结果和相似画作检索结果，通过所述第二传输模块向所述终端设备发送至少一个推荐画作。
11.根据权利要求10所述的服务器，其特征在于，所述服务器为云服务器，所述云服务器构建有CPU Docker和GPU Docker。
12.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的方法或权利要求4-8中任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一项所述的方法或权利要求4-8中任一项所述的方法。
CN201910646302.9A 2019-07-17 2019-07-17 画作推荐方法、终端设备、服务器、计算机设备及介质 Pending CN110347855A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910646302.9A CN110347855A (zh) 2019-07-17 2019-07-17 画作推荐方法、终端设备、服务器、计算机设备及介质
US16/905,588 US11341735B2 (en) 2019-07-17 2020-06-18 Image recommendation method, client, server, computer system and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910646302.9A CN110347855A (zh) 2019-07-17 2019-07-17 画作推荐方法、终端设备、服务器、计算机设备及介质

Publications (1)

Publication Number Publication Date
CN110347855A true CN110347855A (zh) 2019-10-18

Family

ID=68175618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910646302.9A Pending CN110347855A (zh) 2019-07-17 2019-07-17 画作推荐方法、终端设备、服务器、计算机设备及介质

Country Status (2)

Country Link
US (1) US11341735B2 (zh)
CN (1) CN110347855A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795582A (zh) * 2019-10-31 2020-02-14 京东方科技集团股份有限公司 一种图像推荐方法、系统、终端设备及服务器
CN111666434A (zh) * 2020-05-26 2020-09-15 武汉大学 基于深度全局特征的街景图片检索方法
CN112965637A (zh) * 2021-04-08 2021-06-15 湖北工业大学 一种画板
CN113011342A (zh) * 2021-03-22 2021-06-22 支付宝(杭州)信息技术有限公司 用于版权侵权检索的特征提取、处理方法和系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676341B (zh) * 2022-04-14 2023-01-31 杭州网易云音乐科技有限公司 推荐对象的确定方法、介质、装置和计算设备
CN117216312B (zh) * 2023-11-06 2024-01-26 长沙探月科技有限公司 提问素材的生成方法、装置、电子设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576896A (zh) * 2008-05-09 2009-11-11 鸿富锦精密工业（深圳）有限公司 相似图片检索系统及方法
US20140101195A1 (en) * 2012-10-10 2014-04-10 Samsung Electronics Co., Ltd Incremental visual query processing with holistic feature feedback
CN104199842A (zh) * 2014-08-07 2014-12-10 同济大学 一种基于局部特征邻域信息的相似图片检索方法
CN104217221A (zh) * 2014-08-27 2014-12-17 重庆大学 基于纹理特征的书画作品检测方法
CN105512175A (zh) * 2015-11-23 2016-04-20 东莞市凡豆信息科技有限公司 一种基于颜色特征和纹理特征的快速图像检索方法
CN108009191A (zh) * 2017-09-24 2018-05-08 贵州师范学院 一种图像检索方法
CN108287833A (zh) * 2017-01-09 2018-07-17 北京艺鉴通科技有限公司 一种用于艺术品鉴定的以图搜图方法
CN108564557A (zh) * 2018-05-31 2018-09-21 京东方科技集团股份有限公司 图像校正方法及装置
CN108920720A (zh) * 2018-07-30 2018-11-30 电子科技大学 基于深度哈希和gpu加速的大规模图像检索方法
CN109408648A (zh) * 2018-10-26 2019-03-01 京东方科技集团股份有限公司 关联确定方法、作品推荐方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8121618B2 (en) * 2009-10-28 2012-02-21 Digimarc Corporation Intuitive computing methods and systems
WO2015017855A1 (en) * 2013-08-02 2015-02-05 Xactware Solutions, Inc. System and method for detecting features in aerial images using disparity mapping and segmentation techniques
US9965798B1 (en) * 2017-01-31 2018-05-08 Mikko Vaananen Self-shopping refrigerator
SG11202003337VA (en) * 2017-10-13 2020-05-28 Ai Tech Inc Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
CN108897786B (zh) * 2018-06-08 2021-06-08 Oppo广东移动通信有限公司 应用程序的推荐方法、装置、存储介质及移动终端
CN108984657B (zh) * 2018-06-28 2020-12-01 Oppo广东移动通信有限公司 图像推荐方法和装置、终端、可读存储介质
CN109582813B (zh) * 2018-12-04 2021-10-01 广州欧科信息技术股份有限公司 一种文物展品的检索方法、装置、设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576896A (zh) * 2008-05-09 2009-11-11 鸿富锦精密工业（深圳）有限公司 相似图片检索系统及方法
US20140101195A1 (en) * 2012-10-10 2014-04-10 Samsung Electronics Co., Ltd Incremental visual query processing with holistic feature feedback
CN104199842A (zh) * 2014-08-07 2014-12-10 同济大学 一种基于局部特征邻域信息的相似图片检索方法
CN104217221A (zh) * 2014-08-27 2014-12-17 重庆大学 基于纹理特征的书画作品检测方法
CN105512175A (zh) * 2015-11-23 2016-04-20 东莞市凡豆信息科技有限公司 一种基于颜色特征和纹理特征的快速图像检索方法
CN108287833A (zh) * 2017-01-09 2018-07-17 北京艺鉴通科技有限公司 一种用于艺术品鉴定的以图搜图方法
CN108009191A (zh) * 2017-09-24 2018-05-08 贵州师范学院 一种图像检索方法
CN108564557A (zh) * 2018-05-31 2018-09-21 京东方科技集团股份有限公司 图像校正方法及装置
CN108920720A (zh) * 2018-07-30 2018-11-30 电子科技大学 基于深度哈希和gpu加速的大规模图像检索方法
CN109408648A (zh) * 2018-10-26 2019-03-01 京东方科技集团股份有限公司 关联确定方法、作品推荐方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795582A (zh) * 2019-10-31 2020-02-14 京东方科技集团股份有限公司 一种图像推荐方法、系统、终端设备及服务器
CN111666434A (zh) * 2020-05-26 2020-09-15 武汉大学 基于深度全局特征的街景图片检索方法
CN111666434B (zh) * 2020-05-26 2021-11-02 武汉大学 基于深度全局特征的街景图片检索方法
CN113011342A (zh) * 2021-03-22 2021-06-22 支付宝(杭州)信息技术有限公司 用于版权侵权检索的特征提取、处理方法和系统
CN112965637A (zh) * 2021-04-08 2021-06-15 湖北工业大学 一种画板
CN112965637B (zh) * 2021-04-08 2022-03-18 湖北工业大学 一种画板

Also Published As

Publication number Publication date
US11341735B2 (en) 2022-05-24
US20210019550A1 (en) 2021-01-21

Similar Documents

Publication Publication Date Title
CN110347855A (zh) 画作推荐方法、终端设备、服务器、计算机设备及介质
US10235602B1 (en) Machine learning artificial intelligence system for identifying vehicles
US9189854B2 (en) Contour detection and image classification
US8990199B1 (en) Content search with category-aware visual similarity
TW202139183A (zh) 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體
CN112528977A (zh) 目标检测方法、装置、电子设备和存储介质
CN103824053A (zh) 一种人脸图像的性别标注方法及人脸性别检测方法
CN112215171B (zh) 目标检测方法、装置、设备及计算机可读存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
Li et al. Automatic comic page segmentation based on polygon detection
CN110874618A (zh) 基于小样本的ocr模板学习方法、装置、电子设备及介质
US12026192B2 (en) Image retrieval method, image retrieval devices, image retrieval system and image display system
CN114821590A (zh) 文档信息提取方法、装置、设备及介质
CN112988557A (zh) 一种搜索框定位方法、数据采集方法、装置及介质
JP5433396B2 (ja) マンガ画像からテキストを抽出するマンガ画像解析装置、プログラム、検索装置及び方法
CN113408323A (zh) 表格信息的提取方法、装置、设备及存储介质
CN112839185B (zh) 用于处理图像的方法、装置、设备和介质
CN111881900B (zh) 语料生成、翻译模型训练、翻译方法、装置、设备及介质
CN113762109A (zh) 一种文字定位模型的训练方法及文字定位方法
CN113591433A (zh) 一种文本排版方法、装置、存储介质及计算机设备
CN106056575B (zh) 一种基于似物性推荐算法的图像匹配方法
CN113486171B (zh) 一种图像处理方法及装置、电子设备
CN114818627A (zh) 一种表格信息抽取方法、装置、设备及介质
Ye et al. Food recognition and dietary assessment for healthcare system at mobile device end using mask R-CNN
CN115063784A (zh) 票据图像的信息提取方法和装置、存储介质及电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication