CN110414596A - 视频处理、模型训练方法和装置、存储介质及电子装置 - Google Patents
视频处理、模型训练方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN110414596A CN110414596A CN201910679036.XA CN201910679036A CN110414596A CN 110414596 A CN110414596 A CN 110414596A CN 201910679036 A CN201910679036 A CN 201910679036A CN 110414596 A CN110414596 A CN 110414596A
- Authority
- CN
- China
- Prior art keywords
- image
- group
- target
- target object
- sample image
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频处理、模型训练方法和装置、存储介质及电子装置。其中，该视频处理方法包括：获取待处理视频中的一组帧图像，将一组帧图像输入到目标识别模型中，确定出一组帧图像中出现有目标对象的一组目标帧图像以及目标对象在一组目标帧图像中的每个帧图像中出现的区域，根据目标对象在一组目标帧图像的每个帧图像中出现的区域，对一组目标帧图像的每个帧图像中的目标对象进行遮挡处理。本发明解决了相关技术中视频处理效率低的技术问题。
Description
技术领域
本发明涉及人工智能领域，具体而言，涉及一种视频处理、模型训练方法和装置、存储介质及电子装置。
背景技术
相关技术中，视频中可能会包括商标图片，商标图片遮挡了视频中的内容。而为了去除商标图片，需要人工的确定商标图片在视频中的位置与在视频中每一帧图像中的位置。然后做去除处理。
若是采用上述方法，则为了去除视频中的商标图片，需要耗费大量的人力资源，对视频的处理效率低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种视频处理、模型训练方法和装置、存储介质及电子装置，以至少解决相关技术中视频处理效率低的技术问题。
根据本发明实施例的一个方面，提供了一种视频处理方法，包括：获取待处理视频中的一组帧图像；将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
根据本发明实施例的一个方面，还提供了一种模型训练方法，包括：获取一组样本图像，其中，所述一组样本图像中包括具有目标对象的样本图像与不具有所述目标对象的样本图像，所述目标对象在具有所述目标对象的样本图像中的位置不同；将所述样本图像输入到原始识别模型中，由所述原始识别模型输出出现有所述目标对象的一组第一目标样本图像与所述目标对象在所述第一目标样本图像中的每个样本图像中的位置；对所述原始识别模型中的参数进行调整，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
根据本发明实施例的一方面，还提供了一种视频处理装置，包括：第一获取单元，用于获取待处理视频中的一组帧图像；第一输入单元，用于将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；处理单元，用于根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
作为一种可选的实施方式，所述处理单元包括：处理模块，用于使用第一对象覆盖所述目标对象。
作为一种可选的实施方式，所述处理模块包括：第一处理子模块，用于使用第一子对象覆盖所述一组目标帧图像中，第一目标帧图像中的所述目标对象；第二处理子模块，用于使用第二子对象覆盖所述一组目标帧图像中，第二目标帧图像中的所述目标对象。
作为一种可选的实施方式，所述装置包括：标记模块，用于在所述根据所述目标对象在所述一组目标帧图像中出现的区域，对所述一组目标帧图像中的所述目标对象进行遮挡处理之前，在确定出所述目标对象在所述目标帧图像中每个帧图像中的出现区域后，标记所述目标对象。
作为一种可选的实施方式，所述装置包括：第二输入单元，用于在将所述一组帧图像输入到目标识别模型中之前，将所述一组样本图像输入到所述原始识别模型中；第一调整单元，用于调整所述原始识别模型的参数，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；第一确定单元，用于将调整后的所述原始识别模型确定为所述目标识别模型。
作为一种可选的实施方式，所述装置还包括：第二获取单元，用于在将所述一组样本图像输入到所述原始识别模型中之前，获取所述目标对象；第一添加单元，用于将所述目标对象添加到背景图像中，得到第一图像；第二确定单元，用于将所述背景图像与所述第一图像作为所述一组样本图像。
作为一种可选的实施方式，所述装置还包括：第三获取单元，用于在将所述一组样本图像输入到所述原始识别模型中之前，获取所述目标对象；第二调整单元，用于对所述目标对象进行调整，得到调整后的目标对象；第二添加单元，用于将调整后的所述目标对象添加到背景图像中，得到第一图像；第三确定单元，用于将所述背景图像与所述第一图像作为所述一组样本图像。
作为一种可选的实施方式，所述装置还包括：第四获取单元，用于在将所述一组样本图像输入到所述原始识别模型中之前，获取所述目标对象；第三调整单元，用于对所述目标对象进行调整，得到调整后的目标对象；第三添加单元，用于将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；第四确定单元，用于将所述背景图像与所述第一图像作为所述一组样本图像。
作为一种可选的实施方式，所述第一输入单元包括：第一输入模块，用于将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有所述目标对象或调整后的所述目标对象的一组目标帧图像以及所述目标对象或调整后的所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域。
根据本发明实施例的一方面，还提供了一种模型训练装置，包括：获取单元，用于获取一组样本图像，其中，所述一组样本图像中包括具有目标对象的样本图像与不具有所述目标对象的样本图像，所述目标对象在具有所述目标对象的样本图像中的位置不同；输入单元，用于将所述样本图像输入到原始识别模型中，由所述原始识别模型输出出现有所述目标对象的一组第一目标样本图像与所述目标对象在所述第一目标样本图像中的每个样本图像中的位置；调整单元，用于对所述原始识别模型中的参数进行调整，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
作为一种可选的示例，所述获取单元包括：获取模块，用于获取所述目标对象；调整模块，用于对所述目标对象进行调整，得到调整后的目标对象；添加模块，用于将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；确定模块，用于将所述背景图像与所述第一图像作为所述一组样本图像。
根据本发明实施例的一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述视频处理方法与模型训练方法。
根据本发明实施例的一方面，还提供了一种电子装置，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，其中，上述处理器通过计算机程序执行上述的视频处理方法与模型训练方法。
在本发明实施例中，采用获取待处理视频中的一组帧图像，将一组帧图像输入到目标识别模型中，确定出一组帧图像中出现有目标对象的一组目标帧图像以及目标对象在一组目标帧图像中的每个帧图像中出现的区域，根据目标对象在一组目标帧图像的每个帧图像中出现的区域，对一组目标帧图像的每个帧图像中的目标对象进行遮挡处理的方法，从而在处理视频时，通过目标识别模型自动识别出待处理视频中的目标帧图像，并对目标帧图像中的目标对象进行遮挡处理，提高了对视频进行处理的效率，进而解决了相关技术中视频处理效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的视频处理方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的视频处理方法的流程示意图；
图3是根据本发明实施例的一种可选的视频处理方法的示意图；
图4是根据本发明实施例的另一种可选的视频处理方法的示意图；
图5是根据本发明实施例的又一种可选的视频处理方法的示意图；
图6是根据本发明实施例的又一种可选的视频处理方法的示意图；
图7是根据本发明实施例的又一种可选的视频处理方法的示意图；
图8是根据本发明实施例的一种可选的模型训练方法的示意图；
图9是根据本发明实施例的一种可选的视频处理装置的结构示意图；
图10是根据本发明实施例的一种可选的模型训练装置的结构示意图；
图11是根据本发明实施例的一种可选的电子装置的结构示意图；
图12是根据本发明实施例的另一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种视频处理方法，可选地，作为一种可选的实施方式，上述视频处理方法可以但不限于应用于如图1所示的环境中。
图1中用户102与用户设备104之间可以进行人机交互。用户设备104中包含有存储器106，用于存储交互数据、处理器108，用于处理交互数据。用户设备104可以通过网络110与服务器112之间进行数据交互。服务器112中包含有数据库114，用于存储交互数据、处理引擎116，用于处理交互数据。
本申请实施例提供的方法可以由计算机设备执行。计算机设备可以包括但不限于任何可以进行计算的硬件设备。如用户设备104获取待处理的视频，然后将待处理的视频发送给服务器112，由服务器112的目标识别模型进行识别，并将识别结果发送给用户设备104，用户设备104根据识别结果对待处理的视频进行处理。
或者，上述视频处理方法可以应用于用户设备104中，由用户设备104获取待处理的视频，并使用目标识别模型识别待处理视频，得到目标对象在所述一组目标帧图像的每个帧图像中出现的区域，并对目标对象进行遮挡处理。
或者，上述视频处理方法可以应用于服务器112中，由服务器112获取待处理的视频，并使用目标识别模型识别待处理视频，得到目标对象在所述一组目标帧图像的每个帧图像中出现的区域，并对目标对象进行遮挡处理。
可选地，上述用户设备104可以但不限于为手机、平板电脑、笔记本电脑、PC机等终端，上述网络110可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器112可以包括但不限于任何可以进行计算的硬件设备。
可选地，作为一种可选的实施方式，如图2所示，上述视频处理方法包括：
S202，计算机设备获取待处理视频中的一组帧图像；
S204，计算机设备将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
S206，计算机设备根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
可选地，上述视频处理方法可以但不限于应用于对视频进行处理领域。本方案中对视频的类型与内容并不做限定。本方案中的待处理视频为包括目标对象的视频，目标对象为需要从待处理视频中移除或者被遮挡或者做模糊处理的对象。目的在于用户观看处理后的视频后，目标对象不会影响到观看体验。
以遮挡视频中的图标或商标为例，如图3所示，图3中的目标对象302是视频的帧图像中的商标或图片。将视频输入到目标识别模型中后，目标识别模型会识别得到视频中出现目标对象的目标帧图像，与目标对象在目标帧图像的每个帧图像中出现的区域。然后，对目标对象302进行遮挡处理，如区域304所示，目标对象302不可见。
通过上述方法，通过获取待处理视频中的一组帧图像，并将上述一组帧图像输入到目标识别模型中，由目标识别模型确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，并对目标对象进行遮挡处理，从而实现了自动遮挡视频中的目标对象，提高了对视频的处理效率。
可选地，本方案中在目标识别模型识别得到一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域时，可以对目标帧图像进行标注。例如，从视频中得到出的一组帧图像包括300帧的帧图像，其中，连续的多帧，或者间断的多帧为目标帧图像，包括100帧，则在视频中，或者在300帧的帧图像中标注出上述100帧目标帧图像。并且，标注出每一张目标帧图像中目标对象的位置。例如，如图4所示，图4为一张可选的目标帧图像，图4中包括目标对象402，此时，使用标注框404标注出目标对象402。需要说明的是，图4中的标注框仅为一种可选的示例，标注框可以包括但不限于任何形状、颜色、大小的可视框。
可选地，本方案中的遮挡目标对象可以但不限于包括使用第一对象覆盖住目标对象。第一对象可以为预先设置的与目标对象大小形状相同，但颜色不同的对象，或者第一对象可以为不透明的对象，颜色与目标对象所在的背景图片相同。或者，第一对象可以为经过调整饱和度、亮度、模糊度等参数的目标对象。
可选地，在使用第一对象遮挡目标对象时，可以使用第一子对象遮挡一部分目标帧图片中的目标对象，使用第二子对象遮挡另一部分目标帧中的目标对象。上述一部分目标帧图片与另一部分目标帧图片可以连续或者不连续。
例如，如图5所示，图5中包括300帧目标帧图像，其中，开始的50帧、中间的30帧和结尾的20帧中的目标对象使用第一子对象遮挡，剩余的目标帧图像使用第二子对象遮挡。
可选地，本方案中在将一组样本图像输入到原始识别模型中之前，还需要获取该组样本图像。可以采用下述任意一种方法获取一组样本图像。
(1)获取上述目标对象，将上述目标对象添加到一个背景图像中，得到第一图像。上述背景图像可以为任何视频内容中的图像。在此操作后，第一图像中包括了目标对象，且目标对象在第一图像中的位置是已知的。而背景图像中不包括目标对象。将第一图像与背景图像确定为一组样本图像。需要说明的是，目标对象可以添加在不同的背景图像中，得到多张第一图像，或者目标对象可以添加在一张背景图像的不同位置，得到一张或多张第一对象。
(2)获取上述目标对象，对上述目标对象进行调整，调整可以为对目标对象进行拉伸、压缩、变形、更改颜色、更改透明度等，将调整后的目标对象添加到一个背景图像中，得到第一图像。需要说明的是，调整后的目标对象可以添加在不同的背景图像中，得到多张第一图像，或者调整后的目标对象可以添加在一张背景图像的不同位置，得到一张或多张第一对象。将背景图像与第一图像确定为一组样本图像。
可选地，如图6所示，图6为对目标对象进行拉伸的释义图。目标对象602经过拉伸后，得到目标对象604，目标对象604的尺寸发生变化。
(3)获取上述目标对象，对上述目标对象进行调整，调整可以为对目标对象进行拉伸、压缩、变形、更改颜色、更改透明度等，将调整后的目标对象添加到一个背景图像中，并且将干扰对象添加到背景图像中，得到背景图像中，得到第一对象。需要说明的是，调整后的目标对象与干扰对象与背景图像的组合可以为任何组合。例如，干扰对象与调整后的目标对象添加到一张背景图像的不同位置，或者两者有重叠部分，还可以多张干扰对象与一张调整后的目标对象添加到一张背景图像的不同位置，或者一张干扰对象与多张调整后的目标对象添加到一张背景图像的不同位置，甚至是一张或多张干扰对象与一张或多张调整后的目标对象与一张或多张调整前的目标对象添加到一张背景图像中得到第一图像。对象添加的位置可以不同，或者任意两个对象的位置部分重叠。将一张或多张背景图像与得到的第一图像确定为一组样本图像。例如，以将调整后的一张目标图像与一张干扰图像添加到背景图像中，得到第一图像为例，如图7所示，图7中的对象702为经过调整后的目标对象，对象704为干扰对象。
在经过上述方法获取到一组样本图像后，将一组样本图像输入到原始识别模型中对原始识别模型进行训练，得到目标识别模型。使用目标识别模型识别待处理视频中的一组目标帧图像与目标帧图像中的目标对象，并将遮挡目标对象后的目标帧图像重新合成为视频，从而自动对目标对象进行遮挡处理，提高了对视频进行处理的处理效率。
以下结合一个具体示例进行说明。例如，在获取到待处理的视频后，对原视频进行拆解，得到待处理视频中的关键帧。如视频总共10000帧，提取其中的300帧关键帧，关键帧为可能包括商标(目标对象)的图像帧。提取300帧关键帧后，将300帧关键帧输入到目标识别模型中，由目标识别模型识别300帧关键帧中，哪些帧包括商标，如识别得到260帧关键帧中包括商标，则识别商标在每一帧中的位置，完成商标的遮挡和替换。在进行商标遮挡和替换后，将遮挡或替换商标后的视频分片合成为完成的新视频。使用基于AI的自动商标检测算法(目标识别模型)完成逐帧的商标检测。该算法有两大优势：(1)基于AI可以完成自动的商标检测；(2)基于训练集自动生成的算法，使其能够免去传统深度学习中必须有人工标注训练集的问题。
基于AI的深度学习目标检测算法往往需要大量的训练集标注。然而，在综艺视频商标检测的场景中，大量的训练集标注是难以完成的。因为随着综艺的不同，挂名的商家会发生很大的变化。商标会完全不同。维护一个超大的，包罗所有商标的训练集是不现实。为了解决这个问题，可以进行超高位训练集自动生成技术。在商标增广的时候，仅需要输入新的商标图，就可以自动生成匹配的训练集，完成后续的模型训练和预测。具体步骤为以下3步：
1、商标前景多维图像增强。对新增的商标，本发明提出的方法只需输入商标的一张原图。在其基础上，完成多维图像增强，包括：高斯模糊、亮度调整、尺寸扭曲、透明度变化等。经过这些多维变换，正视的商标图像会变成多维图像，形象的模拟了实际图片中的商标样式。
2、综艺背景高误检目标合成。商标有多种拟物形态，比如陌陌的商标整体像人脸，而商标轮廓类似于耳朵。对于深度学习而言，模型训练时会高度采纳这些整体轮廓信息，造成后续检测时将人脸或者耳朵判别为商标。因此，本发明会在综艺背景图中合成一些干扰图像，有利于提升后续商标检测准确率。
3、多尺度前后景融合。将第1步中的经过数据增强的商标，再经过前景旋转、等概率贴图、小尺寸増维等技术粘贴到背景上，完成训练集的生成。对于单一商标而言，训练集规模在12000张左右。
通过本实施例，通过上述获取待处理视频中的一组帧图像，将一组帧图像输入到目标识别模型中，确定出一组帧图像中出现有目标对象的一组目标帧图像以及目标对象在一组目标帧图像中的每个帧图像中出现的区域，根据目标对象在一组目标帧图像的每个帧图像中出现的区域，对一组目标帧图像的每个帧图像中的目标对象进行遮挡处理的方法，从而在处理视频时，通过目标识别模型自动识别出待处理视频中的目标帧图像，并对目标帧图像中的目标对象进行遮挡处理，提高了对视频进行处理的效率。
作为一种可选的实施方案，所述根据所述目标对象在所述一组目标帧图像中出现的区域，对所述一组目标帧图像中的所述目标对象进行遮挡处理，包括：
S1，使用第一对象覆盖所述目标对象。
通过本实施例，通过上述方法覆盖目标对象，从而完成目标对象的遮挡，实现了自动遮挡目标对象的效果，提高了对视频的处理效率。
作为一种可选的实施方案，所述使用第一对象覆盖所述目标对象包括：
S1，使用第一子对象覆盖所述一组目标帧图像中，第一目标帧图像中的所述目标对象；
S2，使用第二子对象覆盖所述一组目标帧图像中，第二目标帧图像中的所述目标对象。
可选地，本方案中的遮挡目标对象的组合方式是灵活的。例如，使用第一子对象覆盖连续或不连续的多帧目标帧图像中的目标对象，使用第二子对象覆盖其他连续或不连续的多帧目标帧图像，再使用第三子对象覆盖连续或不连续的多帧目标帧图像。
通过本实施例，通过上述方法覆盖目标对象，在实现了提高视频处理效率的效果的同时，还提高了对目标对象进行遮挡的效率。
作为一种可选的实施方案，在所述根据所述目标对象在所述一组目标帧图像中出现的区域，对所述一组目标帧图像中的所述目标对象进行遮挡处理之前，包括：
S1，在确定出所述目标对象在所述目标帧图像中每个帧图像中的出现区域后，标记所述目标对象。
可选地，上述标记为可视化标记。将目标对象以一个可视化的标记框进行标记，从而显示出目标对象所在的区域。
通过本实施例，通过上述方法标记目标对象，从而提高了对视频进行处理的过程中的目标对象的查找效率。
作为一种可选的实施方案，在将所述一组帧图像输入到目标识别模型中之前，包括：
S1，将所述一组样本图像输入到所述原始识别模型中；
S2，调整所述原始识别模型的参数，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
S3，将调整后的所述原始识别模型确定为所述目标识别模型。
可选地，上述第一条件与第二条件可以点不限于为一个预定阈值，如误差小于3％，或者上述第一条件与第二条件可以为预定的公式。
通过本实施例，通过上述方法训练原始识别模型得到目标识别模型，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，在将所述一组样本图像输入到所述原始识别模型中之前，还包括：
S1，获取所述目标对象；
S2，将所述目标对象添加到背景图像中，得到第一图像；
S3，将所述背景图像与所述第一图像作为所述一组样本图像。
可选地，上述一组样本图像中可以包括多张背景图像或多张第一图像。本方案对背景图像与第一图像的数量不做具体限定。
通过本实施例，通过上述方法获取一组样本图像，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，在将所述一组样本图像输入到所述原始识别模型中之前，还包括：
S1，获取所述目标对象；
S2，对所述目标对象进行调整，得到调整后的目标对象；
S3，将调整后的所述目标对象添加到背景图像中，得到第一图像；
S4，将所述背景图像与所述第一图像作为所述一组样本图像。
可选地，上述调整后的目标对象可以被添加到背景图像的不同位置。例如，将两个调整后的目标对象添加到背景图像的不同位置，得到第一图像。
通过本实施例，通过上述方法获取一组样本图像，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，在将所述一组样本图像输入到所述原始识别模型中之前，还包括：
S1，获取所述目标对象；
S2，对所述目标对象进行调整，得到调整后的目标对象；
S3，将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；
S4，将所述背景图像与所述第一图像作为所述一组样本图像。
通过本实施例，通过上述方法获取一组样本图像，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，所述将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域包括：
S1，将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有所述目标对象或调整后的所述目标对象的一组目标帧图像以及所述目标对象或调整后的所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域。
通过本实施例，通过上述方法确定目标帧图像与目标对象在目标帧图像的每个帧图像中的位置，从而提高了对视频的处理效率的同时，还提高了识别效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一方面，还提供了一种模型训练方法。可选地，如图8所示，上述模型训练方法包括：
S802，获取一组样本图像，其中，所述一组样本图像中包括具有目标对象的样本图像与不具有所述目标对象的样本图像，所述目标对象在具有所述目标对象的样本图像中的位置不同；
S804，将所述样本图像输入到原始识别模型中，由所述原始识别模型输出出现有所述目标对象的一组第一目标样本图像与所述目标对象在所述第一目标样本图像中的每个样本图像中的位置；
S806，对所述原始识别模型中的参数进行调整，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
可选地，本方案中的模型训练方法可以应用在训练用于识别一组图片中的目标图片与目标对象在目标图片中的区域的模型上。
可选地，本方案中可以采用下述任意一种方法获取一组样本图像。
(1)获取上述目标对象，将上述目标对象添加到一个背景图像中，得到第一图像。上述背景图像可以为任何视频内容中的图像。在此操作后，第一图像中包括了目标对象，且目标对象在第一图像中的位置是已知的。而背景图像中不包括目标对象。将第一图像与背景图像确定为一组样本图像。需要说明的是，目标对象可以添加在不同的背景图像中，得到多张第一图像，或者目标对象可以添加在一张背景图像的不同位置，得到一张或多张第一对象。
(2)获取上述目标对象，对上述目标对象进行调整，调整可以为对目标对象进行拉伸、压缩、变形、更改颜色、更改透明度等，将调整后的目标对象添加到一个背景图像中，得到第一图像。需要说明的是，调整后的目标对象可以添加在不同的背景图像中，得到多张第一图像，或者调整后的目标对象可以添加在一张背景图像的不同位置，得到一张或多张第一对象。将背景图像与第一图像确定为一组样本图像。
可选地，如图6所示，图6为对目标对象进行拉伸的释义图。目标对象602经过拉伸后，得到目标对象604，目标对象604的尺寸发生变化。
(3)获取上述目标对象，对上述目标对象进行调整，调整可以为对目标对象进行拉伸、压缩、变形、更改颜色、更改透明度等，将调整后的目标对象添加到一个背景图像中，并且将干扰对象添加到背景图像中，得到背景图像中，得到第一对象。需要说明的是，调整后的目标对象与干扰对象与背景图像的组合可以为任何组合。例如，干扰对象与调整后的目标对象添加到一张背景图像的不同位置，或者两者有重叠部分，还可以多张干扰对象与一张调整后的目标对象添加到一张背景图像的不同位置，或者一张干扰对象与多张调整后的目标对象添加到一张背景图像的不同位置，甚至是一张或多张干扰对象与一张或多张调整后的目标对象与一张或多张调整前的目标对象添加到一张背景图像中得到第一图像。对象添加的位置可以不同，或者任意两个对象的位置部分重叠。将一张或多张背景图像与得到的第一图像确定为一组样本图像。例如，以将调整后的一张目标图像与一张干扰图像添加到背景图像中，得到第一图像为例，如图7所示，图7中的对象702为经过调整后的目标对象，对象704为干扰对象。
在获取到一组样本图像后，将一组样本图像输入到原始识别模型中，对原始识别模型进行训练，调整原始识别模型的参数，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。上述第一条件与第二条件可以为预定阈值或者预定公式。
通过本实施例，通过上述方法确定样本图像并训练原始识别模型，从而提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，所述获取一组样本图像包括：
S1，获取所述目标对象；
S2，对所述目标对象进行调整，得到调整后的目标对象；
S3，将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；
S4，将所述背景图像与所述第一图像作为所述一组样本图像。
通过本实施例，通过上述方法确定一组样本图像，从而在提高对模型训练的效率的同时，还提高了确定样本图像的灵活性。
根据本发明实施例的又一个方面，还提供了一种用于实施上述视频处理方法的视频处理装置。如图9所示，该装置包括：
(1)第一获取单元902，用于获取待处理视频中的一组帧图像；
(2)第一输入单元904，用于将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
(3)处理单元906，用于根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
可选地，上述视频处理装置可以但不限于应用于对视频进行处理领域。本方案中对视频的类型与内容并不做限定。本方案中的待处理视频为包括目标对象的视频，目标对象为需要从待处理视频中移除或者被遮挡或者做模糊处理的对象。目的在于用户观看处理后的视频后，目标对象不会影响到观看体验。
以遮挡视频中的图标或商标为例，如图3所示，图3中的目标对象302是视频的帧图像中的商标或图片。将视频输入到目标识别模型中后，目标识别模型会识别得到视频中出现目标对象的目标帧图像，与目标对象在目标帧图像的每个帧图像中出现的区域。然后，对目标对象302进行遮挡处理，如区域304所示，目标对象302不可见。
通过上述方法，通过获取待处理视频中的一组帧图像，并将上述一组帧图像输入到目标识别模型中，由目标识别模型确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，并对目标对象进行遮挡处理，从而实现了自动遮挡视频中的目标对象，提高了对视频的处理效率。
可选地，本方案中在目标识别模型识别得到一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域时，可以对目标帧图像进行标注。例如，从视频中得到出的一组帧图像包括300帧的帧图像，其中，连续的多帧，或者间断的多帧为目标帧图像，包括100帧，则在视频中，或者在300帧的帧图像中标注出上述10帧目标帧图像。并且，标注出每一张目标帧图像中目标对象的位置。例如，如图4所示，图4为一张可选的目标帧图像，图4中包括目标对象402，此时，使用标注框404标注出目标对象402。需要说明的是，图4中的标注框仅为一种可选的示例，标注框可以包括但不限于任何形状、颜色、大小的可视框。
可选地，本方案中的遮挡目标对象可以但不限于包括使用第一对象覆盖住目标对象。第一对象可以为预先设置的与目标对象大小形状相同，但颜色不同的对象，或者第一对象可以为不透明的对象，颜色与目标对象所在的背景图片相同。或者，第一对象可以为经过调整饱和度、亮度、模糊度等参数的目标对象。
可选地，在使用第一对象遮挡目标对象时，可以使用第一子对象遮挡一部分目标帧图片中的目标对象，使用第二子对象遮挡另一部分目标帧中的目标对象。上述一部分目标帧图片与另一部分目标帧图片可以连续或者不连续。
例如，如图5所示，图5中包括300帧目标帧图像，其中，开始的50帧、中间的30帧和结尾的20帧中的目标对象使用第一子对象遮挡，剩余的目标帧图像使用第二子对象遮挡。
可选地，本方案中在将一组样本图像输入到原始识别模型中之前，还需要获取该组样本图像。可以采用下述任意一种方法获取一组样本图像。
(1)获取上述目标对象，将上述目标对象添加到一个背景图像中，得到第一图像。上述背景图像可以为任何视频内容中的图像。在此操作后，第一图像中包括了目标对象，且目标对象在第一图像中的位置是已知的。而背景图像中不包括目标对象。将第一图像与背景图像确定为一组样本图像。需要说明的是，目标对象可以添加在不同的背景图像中，得到多张第一图像，或者目标对象可以添加在一张背景图像的不同位置，得到一张或多张第一对象。
(2)获取上述目标对象，对上述目标对象进行调整，调整可以为对目标对象进行拉伸、压缩、变形、更改颜色、更改透明度等，将调整后的目标对象添加到一个背景图像中，得到第一图像。需要说明的是，调整后的目标对象可以添加在不同的背景图像中，得到多张第一图像，或者调整后的目标对象可以添加在一张背景图像的不同位置，得到一张或多张第一对象。将背景图像与第一图像确定为一组样本图像。
可选地，如图6所示，图6为对目标对象进行拉伸的释义图。目标对象602经过拉伸后，得到目标对象604，目标对象604的尺寸发生变化。
(3)获取上述目标对象，对上述目标对象进行调整，调整可以为对目标对象进行拉伸、压缩、变形、更改颜色、更改透明度等，将调整后的目标对象添加到一个背景图像中，并且将干扰对象添加到背景图像中，得到背景图像中，得到第一对象。需要说明的是，调整后的目标对象与干扰对象与背景图像的组合可以为任何组合。例如，干扰对象与调整后的目标对象添加到一张背景图像的不同位置，或者两者有重叠部分，还可以多张干扰对象与一张调整后的目标对象添加到一张背景图像的不同位置，或者一张干扰对象与多张调整后的目标对象添加到一张背景图像的不同位置，甚至是一张或多张干扰对象与一张或多张调整后的目标对象与一张或多张调整前的目标对象添加到一张背景图像中得到第一图像。对象添加的位置可以不同，或者任意两个对象的位置部分重叠。将一张或多张背景图像与得到的第一图像确定为一组样本图像。例如，以将调整后的一张目标图像与一张干扰图像添加到背景图像中，得到第一图像为例，如图7所示，图7中的对象702为经过调整后的目标对象，对象704为干扰对象。
在经过上述方法获取到一组样本图像后，将一组样本图像输入到原始识别模型中对原始识别模型进行训练，得到目标识别模型。使用目标识别模型识别待处理视频中的一组目标帧图像与目标帧图像中的目标对象，并将遮挡目标对象后的目标帧图像重新合成为视频，从而自动对目标对象进行遮挡处理，提高了对视频进行处理的处理效率。
通过本实施例，通过上述获取待处理视频中的一组帧图像，将一组帧图像输入到目标识别模型中，确定出一组帧图像中出现有目标对象的一组目标帧图像以及目标对象在一组目标帧图像中的每个帧图像中出现的区域，根据目标对象在一组目标帧图像的每个帧图像中出现的区域，对一组目标帧图像的每个帧图像中的目标对象进行遮挡处理的方法，从而在处理视频时，通过目标识别模型自动识别出待处理视频中的目标帧图像，并对目标帧图像中的目标对象进行遮挡处理，提高了对视频进行处理的效率。
作为一种可选的实施方案，上述处理单元包括：
(1)处理模块，用于使用第一对象覆盖所述目标对象。
通过本实施例，通过上述方法覆盖目标对象，从而完成目标对象的遮挡，实现了自动遮挡目标对象的效果，提高了对视频的处理效率。
作为一种可选的实施方案，所述处理模块包括：
(1)第一处理子模块，用于使用第一子对象覆盖所述一组目标帧图像中，第一目标帧图像中的所述目标对象；
(2)第二处理子模块，用于使用第二子对象覆盖所述一组目标帧图像中，第二目标帧图像中的所述目标对象。
通过本实施例，通过上述方法覆盖目标对象，在实现了提高视频处理效率的效果的同时，还提高了对目标对象进行遮挡的效率。
作为一种可选的实施方案，上述装置包括：
(1)标记模块，用于在所述根据所述目标对象在所述一组目标帧图像中出现的区域，对所述一组目标帧图像中的所述目标对象进行遮挡处理之前，在确定出所述目标对象在所述目标帧图像中每个帧图像中的出现区域后，标记所述目标对象。
通过本实施例，通过上述方法标记目标对象，从而提高了对视频进行处理的过程中的目标对象的查找效率。
作为一种可选的实施方案，上述装置包括：
(1)第二输入单元，用于在将所述一组帧图像输入到目标识别模型中之前，将所述一组样本图像输入到所述原始识别模型中；
(2)第一调整单元，用于调整所述原始识别模型的参数，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
(3)第一确定单元，用于将调整后的所述原始识别模型确定为所述目标识别模型。
通过本实施例，通过上述方法训练原始识别模型得到目标识别模型，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，上述装置还包括：
(1)第二获取单元，用于在将所述一组样本图像输入到所述原始识别模型中之前，获取所述目标对象；
(2)第一添加单元，用于将所述目标对象添加到背景图像中，得到第一图像；
(3)第二确定单元，用于将所述背景图像与所述第一图像作为所述一组样本图像。
通过本实施例，通过上述方法获取一组样本图像，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，上述装置还包括：
(1)第三获取单元，用于在将所述一组样本图像输入到所述原始识别模型中之前，获取所述目标对象；
(2)第二调整单元，用于对所述目标对象进行调整，得到调整后的目标对象；
(3)第二添加单元，用于将调整后的所述目标对象添加到背景图像中，得到第一图像；
(4)第三确定单元，用于将所述背景图像与所述第一图像作为所述一组样本图像。
通过本实施例，通过上述方法获取一组样本图像，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，上述装置还包括：
(1)第四获取单元，用于在将所述一组样本图像输入到所述原始识别模型中之前，获取所述目标对象；
(2)第三调整单元，用于对所述目标对象进行调整，得到调整后的目标对象；
(3)第三添加单元，用于将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；
(4)第四确定单元，用于将所述背景图像与所述第一图像作为所述一组样本图像。
通过本实施例，通过上述方法获取一组样本图像，从而提高了对视频的处理效率的同时，还提高了对原始识别模型进行训练的训练效率。
作为一种可选的实施方案，上述第一输入单元包括：
(1)第一输入模块，用于将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有所述目标对象或调整后的所述目标对象的一组目标帧图像以及所述目标对象或调整后的所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域。
通过本实施例，通过上述方法确定目标帧图像与目标对象在目标帧图像的每个帧图像中的位置，从而提高了对视频的处理效率的同时，还提高了识别效率。
根据本发明实施例的又一个方面，还提供了一种用于实施上述模型训练方法的模型训练装置。如图10所示，该装置包括：
(1)获取单元1002，用于获取一组样本图像，其中，所述一组样本图像中包括具有目标对象的样本图像与不具有所述目标对象的样本图像，所述目标对象在具有所述目标对象的样本图像中的位置不同；
(2)输入单元1004，用于将所述样本图像输入到原始识别模型中，由所述原始识别模型输出出现有所述目标对象的一组第一目标样本图像与所述目标对象在所述第一目标样本图像中的每个样本图像中的位置；
(3)调整单元1006，用于对所述原始识别模型中的参数进行调整，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
本实施例中的具体示例请参见上述方法实施例中的描述，在此不做赘述。
作为一种可选的实施方案，上述获取单元包括：
(1)获取模块，用于获取所述目标对象；
(2)调整模块，用于对所述目标对象进行调整，得到调整后的目标对象；
(3)添加模块，用于将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；
(4)确定模块，用于将所述背景图像与所述第一图像作为所述一组样本图像。
通过本实施例，通过上述方法确定一组样本图像，从而在提高对模型训练的效率的同时，还提高了确定样本图像的灵活性。
根据本发明实施例的又一个方面，还提供了一种用于实施上述视频处理方法的电子装置，如图11所示，该电子装置包括存储器1102和处理器1104，该存储器1102中存储有计算机程序，该处理器1104被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备，可以为终端或者服务器，也可以为其它计算机设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取待处理视频中的一组帧图像；
S2，将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
S3，根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
可选地，本领域普通技术人员可以理解，图11所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图11其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图11中所示更多或者更少的组件(如网络接口等)，或者具有与图11所示不同的配置。
其中，存储器1102可用于存储软件程序以及模块，如本发明实施例中的视频处理方法和装置对应的程序指令/模块，处理器1104通过运行存储在存储器1102内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的视频处理方法。存储器1102可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1102可进一步包括相对于处理器1104远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1102具体可以但不限于用于存储待处理视频等信息。作为一种示例，如图11所示，上述存储器1102中可以但不限于包括上述视频处理装置中的第一获取单元902、第一输入单元904与处理单元906。此外，还可以包括但不限于上述视频处理装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置1106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1106包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1106为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器1108，用于显示处理后的视频；和连接总线1110，用于连接上述电子装置中的各个模块部件。
根据本发明实施例的又一个方面，还提供了一种用于实施上述视频处理方法的电子装置，如图12所示，该电子装置包括存储器1202和处理器1204，该存储器1202中存储有计算机程序，该处理器1204被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备，可以为终端或者服务器，也可以为其它计算机设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取一组样本图像，其中，一组样本图像中包括具有目标对象的样本图像与不具有目标对象的样本图像，目标对象在具有目标对象的样本图像中的位置不同；
S2，将样本图像输入到原始识别模型中，由原始识别模型输出出现有目标对象的一组第一目标样本图像与目标对象在第一目标样本图像中的每个样本图像中的位置；
S3，对原始识别模型中的参数进行调整，直到原始识别模型输出的一组样本图像中判断出出现有目标对象的一组第一目标样本图像与一组样本图像中预先确定出的出现有目标对象的一组第二目标样本图像之间的误差满足第一条件，原始识别模型输出的目标对象在一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的目标对象在一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
可选地，本领域普通技术人员可以理解，图12所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图12其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图12中所示更多或者更少的组件(如网络接口等)，或者具有与图12所示不同的配置。
其中，存储器1202可用于存储软件程序以及模块，如本发明实施例中的模型训练方法和装置对应的程序指令/模块，处理器1204通过运行存储在存储器1202内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种模型训练方法。存储器1202可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1202可进一步包括相对于处理器1204远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1202具体可以但不限于用于存储待处理视频等信息。作为一种示例，如图12所示，上述存储器1202中可以但不限于包括上述视频处理装置中的获取单元1002、输入单元1004与调整单元1006。此外，还可以包括但不限于上述视频处理装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1206包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1206为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器1208，用于显示处理后的视频；和连接总线1210，用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取待处理视频中的一组帧图像；
S2，将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
S3，根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
或者，可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取一组样本图像，其中，一组样本图像中包括具有目标对象的样本图像与不具有目标对象的样本图像，目标对象在具有目标对象的样本图像中的位置不同；
S2，将样本图像输入到原始识别模型中，由原始识别模型输出出现有目标对象的一组第一目标样本图像与目标对象在第一目标样本图像中的每个样本图像中的位置；
S3，对原始识别模型中的参数进行调整，直到原始识别模型输出的一组样本图像中判断出出现有目标对象的一组第一目标样本图像与一组样本图像中预先确定出的出现有目标对象的一组第二目标样本图像之间的误差满足第一条件，原始识别模型输出的目标对象在一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的目标对象在一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅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润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种视频处理方法，其特征在于，包括：
获取待处理视频中的一组帧图像；
将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标对象在所述一组目标帧图像中出现的区域，对所述一组目标帧图像中的所述目标对象进行遮挡处理，包括：
使用第一对象覆盖所述目标对象。
3.根据权利要求2所述的方法，其特征在于，所述使用第一对象覆盖所述目标对象包括：
使用第一子对象覆盖所述一组目标帧图像中，第一目标帧图像中的所述目标对象；
使用第二子对象覆盖所述一组目标帧图像中，第二目标帧图像中的所述目标对象。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述目标对象在所述一组目标帧图像中出现的区域，对所述一组目标帧图像中的所述目标对象进行遮挡处理之前，包括：
在确定出所述目标对象在所述目标帧图像中每个帧图像中的出现区域后，标记所述目标对象。
5.根据权利要求1所述的方法，其特征在于，在将所述一组帧图像输入到目标识别模型中之前，包括：
将所述一组样本图像输入到所述原始识别模型中；
调整所述原始识别模型的参数，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
将调整后的所述原始识别模型确定为所述目标识别模型。
6.根据权利要求5所述的方法，其特征在于，在将所述一组样本图像输入到所述原始识别模型中之前，还包括：
获取所述目标对象；
将所述目标对象添加到背景图像中，得到第一图像；
将所述背景图像与所述第一图像作为所述一组样本图像。
7.根据权利要求5所述的方法，其特征在于，在将所述一组样本图像输入到所述原始识别模型中之前，还包括：
获取所述目标对象；
对所述目标对象进行调整，得到调整后的目标对象；
将调整后的所述目标对象添加到背景图像中，得到第一图像；
将所述背景图像与所述第一图像作为所述一组样本图像。
8.根据权利要求5所述的方法，其特征在于，在将所述一组样本图像输入到所述原始识别模型中之前，还包括：
获取所述目标对象；
对所述目标对象进行调整，得到调整后的目标对象；
将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；
将所述背景图像与所述第一图像作为所述一组样本图像。
9.根据权利要求7或8任意一项所述的方法，其特征在于，所述将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域包括：
将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有所述目标对象或调整后的所述目标对象的一组目标帧图像以及所述目标对象或调整后的所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域。
10.一种模型训练方法，其特征在于，包括：
获取一组样本图像，其中，所述一组样本图像中包括具有目标对象的样本图像与不具有所述目标对象的样本图像，所述目标对象在具有所述目标对象的样本图像中的位置不同；
将所述样本图像输入到原始识别模型中，由所述原始识别模型输出出现有所述目标对象的一组第一目标样本图像与所述目标对象在所述第一目标样本图像中的每个样本图像中的位置；
对所述原始识别模型中的参数进行调整，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
11.根据权利要求10所述的方法，其特征在于，所述获取一组样本图像包括：
获取所述目标对象；
对所述目标对象进行调整，得到调整后的目标对象；
将调整后的所述目标对象添加到背景图像中，并将干扰图像添加到所述背景图像中，得到第一图像；
将所述背景图像与所述第一图像作为所述一组样本图像。
12.一种视频处理装置，其特征在于，包括：
第一获取单元，用于获取待处理视频中的一组帧图像；
第一输入单元，用于将所述一组帧图像输入到目标识别模型中，确定出所述一组帧图像中出现有目标对象的一组目标帧图像以及所述目标对象在所述一组目标帧图像中的每个帧图像中出现的区域，其中，所述目标识别模型是使用一组样本图像对原始识别模型进行训练得到的模型，所述一组样本图像包括具有所述目标对象的样本图像与不具有所述目标对象的样本图像，在所述训练完成时，所述目标识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述目标识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件；
处理单元，用于根据所述目标对象在所述一组目标帧图像的每个帧图像中出现的区域，对所述一组目标帧图像的每个帧图像中的所述目标对象进行遮挡处理。
13.一种模型训练装置，其特征在于，包括：
获取单元，用于获取一组样本图像，其中，所述一组样本图像中包括具有目标对象的样本图像与不具有所述目标对象的样本图像，所述目标对象在具有所述目标对象的样本图像中的位置不同；
输入单元，用于将所述样本图像输入到原始识别模型中，由所述原始识别模型输出出现有所述目标对象的一组第一目标样本图像与所述目标对象在所述第一目标样本图像中的每个样本图像中的位置；
调整单元，用于对所述原始识别模型中的参数进行调整，直到所述原始识别模型输出的所述一组样本图像中判断出出现有所述目标对象的一组第一目标样本图像与所述一组样本图像中预先确定出的出现有所述目标对象的一组第二目标样本图像之间的误差满足第一条件，所述原始识别模型输出的所述目标对象在所述一组第一目标样本图像中的每个样本图像中出现的区域与预先确定出的所述目标对象在所述一组第二目标样本图像中的每个样本图像中出现的区域之间的误差满足第二条件。
14.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序运行时执行所述权利要求1至9或10至11任一项中所述的方法。
15.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至9或10至11任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910679036.XA CN110414596B (zh) | 2019-07-25 | 2019-07-25 | 视频处理、模型训练方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910679036.XA CN110414596B (zh) | 2019-07-25 | 2019-07-25 | 视频处理、模型训练方法和装置、存储介质及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414596A true CN110414596A (zh) | 2019-11-05 |
| CN110414596B CN110414596B (zh) | 2023-09-26 |
Family
ID=68363333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910679036.XA Active CN110414596B (zh) | 2019-07-25 | 2019-07-25 | 视频处理、模型训练方法和装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414596B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612875A (zh) * | 2020-04-23 | 2020-09-01 | 北京达佳互联信息技术有限公司 | 一种动态图像生成方法、装置、电子设备及存储介质 |
| CN113825013A (zh) * | 2021-07-30 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 图像显示方法和装置、存储介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469379A (zh) * | 2014-09-04 | 2016-04-06 | 广东中星电子有限公司 | 视频目标区域遮挡方法和装置 |
| CN106358069A (zh) * | 2016-10-31 | 2017-01-25 | 维沃移动通信有限公司 | 一种视频数据处理方法及移动终端 |
| CN106454411A (zh) * | 2016-10-27 | 2017-02-22 | 北京小米移动软件有限公司 | 台标处理方法和装置 |
| CN108520229A (zh) * | 2018-04-04 | 2018-09-11 | 北京旷视科技有限公司 | 图像检测方法、装置、电子设备和计算机可读介质 |
| CN109040824A (zh) * | 2018-08-28 | 2018-12-18 | 百度在线网络技术（北京）有限公司 | 视频处理方法、装置、电子设备和可读存储介质 |
| CN109472757A (zh) * | 2018-11-15 | 2019-03-15 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
| CN109660870A (zh) * | 2018-12-04 | 2019-04-19 | 北京奇艺世纪科技有限公司 | 一种视频遮罩方法、装置及设备 |
| CN109657615A (zh) * | 2018-12-19 | 2019-04-19 | 腾讯科技（深圳）有限公司 | 一种目标检测的训练方法、装置及终端设备 |
| US20190132642A1 (en) * | 2016-10-17 | 2019-05-02 | Tencent Technology (Shenzhen) Company Limited | Video processing method, video processing device, and storage medium |
| US20190221001A1 (en) * | 2018-01-18 | 2019-07-18 | Oath Inc. | Computer vision on broadcast video |
-
2019
- 2019-07-25 CN CN201910679036.XA patent/CN110414596B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469379A (zh) * | 2014-09-04 | 2016-04-06 | 广东中星电子有限公司 | 视频目标区域遮挡方法和装置 |
| US20190132642A1 (en) * | 2016-10-17 | 2019-05-02 | Tencent Technology (Shenzhen) Company Limited | Video processing method, video processing device, and storage medium |
| CN106454411A (zh) * | 2016-10-27 | 2017-02-22 | 北京小米移动软件有限公司 | 台标处理方法和装置 |
| CN106358069A (zh) * | 2016-10-31 | 2017-01-25 | 维沃移动通信有限公司 | 一种视频数据处理方法及移动终端 |
| US20190221001A1 (en) * | 2018-01-18 | 2019-07-18 | Oath Inc. | Computer vision on broadcast video |
| CN108520229A (zh) * | 2018-04-04 | 2018-09-11 | 北京旷视科技有限公司 | 图像检测方法、装置、电子设备和计算机可读介质 |
| CN109040824A (zh) * | 2018-08-28 | 2018-12-18 | 百度在线网络技术（北京）有限公司 | 视频处理方法、装置、电子设备和可读存储介质 |
| CN109472757A (zh) * | 2018-11-15 | 2019-03-15 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
| CN109660870A (zh) * | 2018-12-04 | 2019-04-19 | 北京奇艺世纪科技有限公司 | 一种视频遮罩方法、装置及设备 |
| CN109657615A (zh) * | 2018-12-19 | 2019-04-19 | 腾讯科技（深圳）有限公司 | 一种目标检测的训练方法、装置及终端设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612875A (zh) * | 2020-04-23 | 2020-09-01 | 北京达佳互联信息技术有限公司 | 一种动态图像生成方法、装置、电子设备及存储介质 |
| CN113825013A (zh) * | 2021-07-30 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 图像显示方法和装置、存储介质及电子设备 |
| CN113825013B (zh) * | 2021-07-30 | 2023-11-14 | 腾讯科技（深圳）有限公司 | 图像显示方法和装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414596B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862270B (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
| CN107730457B (zh) | 一种图像补全方法、装置、电子设备及存储介质 | |
| CN108765278A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
| CN106716439A (zh) | 基于事件的下采样 | |
| CN110321761B (zh) | 一种行为识别方法、终端设备及计算机可读存储介质 | |
| CN103514459A (zh) | 一种基于Android手机平台的识别农作物病虫害的方法及系统 | |
| CN108764336A (zh) | 用于图像识别的深度学习方法及装置、客户端、服务器 | |
| CN110414596A (zh) | 视频处理、模型训练方法和装置、存储介质及电子装置 | |
| CN113011403B (zh) | 手势识别方法、系统、介质及设备 | |
| CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
| CN107944478A (zh) | 图像识别方法、系统以及电子设备 | |
| CN109816694A (zh) | 目标跟踪方法、装置及电子设备 | |
| CN113160231A (zh) | 一种样本生成方法、样本生成装置及电子设备 | |
| CN110610191A (zh) | 一种电梯楼层识别方法、装置及终端设备 | |
| CN107844742A (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
| CN104615528B (zh) | 一种智能手机传感器数据在线采集与实时处理方法 | |
| CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
| CN111488887B (zh) | 基于人工智能的图像处理方法、装置 | |
| CN113657154A (zh) | 活体检测方法、装置、电子装置和存储介质 | |
| CN113538304A (zh) | 图像增强模型的训练方法及装置、图像增强方法及装置 | |
| CN112489144A (zh) | 图像处理方法、图像处理装置、终端设备及存储介质 | |
| CN112836706A (zh) | 衣物颜色识别的处理方法、装置、设备及存储介质 | |
| CN112329736B (zh) | 人脸识别方法及金融系统 | |
| CN109211919A (zh) | 磁瓦崩缺区域的识别方法及装置 | |
| CN109784131A (zh) | 对象检测方法、装置、存储介质及处理器 |
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 |