CN110532956B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110532956B CN110532956B CN201910815358.2A CN201910815358A CN110532956B CN 110532956 B CN110532956 B CN 110532956B CN 201910815358 A CN201910815358 A CN 201910815358A CN 110532956 B CN110532956 B CN 110532956B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- network
- sample image
- images
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:获取第一样本图像集;利用第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络。根据本公开的实施例的图像处理方法,可通过新获取的第一样本图像集来对识别网络进行实时更新,增加识别网络的样本数量,提高识别网络的性能,提升识别网络的识别能力,使识别网络适用于更复杂的应用场景。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在相关技术中,基于神经网络的人脸识别技术可用于监控等领域,可将拍摄到的视频帧中的人物与后台的图像库中的人物图像进行对比,确定视频帧中的人物的身份等信息,然而,随着拍摄到的视频帧越来越多,原有的神经网络可能不适于新获取的视频帧,导致识别准确率下降。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:
获取第一样本图像集,其中,所述第一样本图像集中包括至少一个类别的人像图像;
利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,其中,所述第一训练状态的识别网络是通过第二样本图像集训练得到的。
根据本公开的实施例的图像处理方法,可通过新获取的第一样本图像集来对识别网络进行实时更新,增加识别网络的样本数量,提高识别网络的性能,提升识别网络的识别能力,使识别网络适用于更复杂的应用场景。
在一种可能的实现方式中,所述方法还包括:
根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,所述第二样本图像集中包括至少一个类别的参考图像以及各参考图像的第一特征信息,其中,所述第一特征信息与所述第一训练状态对应。
在一种可能的实现方式中,所述根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,包括:
对所述第二样本图像集进行聚类处理,获得各类别的聚类中心;
确定所述人像图像与各类别的聚类中心对应的参考图像的相似度;
根据所述相似度,确定所述人像图像的类别。
通过这种方式,可通过聚类处理确定人像图像的类别,提高处理效率。
在一种可能的实现方式中,利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,包括:
将样本图像组输入所述识别网络,获得所述人像图像的第三特征信息和所述参考图像的第四特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述第四特征信息确定所述识别网络的网络损失;
根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,包括:
将所述样本图像组中的人像图像输入所述识别网络,获得所述人像图像的第三特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述样本图像组中的参考图像的第一特征信息确定所述识别网络的网络损失;
根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,所述样本图像组包括所述人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。
在一种可能的实现方式中,所述方法还包括:
将所述参考图像输入所述第二训练状态的识别网络,得到所述参考图像的参考特征信息。
在一种可能的实现方式中,所述方法还包括:
将第一图像输入所述第二训练状态的识别网络,得到所述第一图像的第二特征信息,所述第一图像为所述参考图像中的一个或多个图像;
通过所述第一图像的第一特征信息和第二特征信息,训练特征变换网络;
通过训练后的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
通过这种方式,在使用第二训练状态的识别网络进行识别处理时,无需提取大量的参考图像的特征信息,仅需提取待识别的图像的特征信息并确定该特征信息与各参考特征信息的相似度,可大幅降低运算量,提升处理效率。
根据本公开的一方面,提供了一种图像处理方法,包括:
将待检测图像输入训练后获得的第二训练状态的识别网络进行处理,获得所述待检测图像的第五特征信息;
根据所述第五特征信息和多个参考图像的参考特征信息,确定所述待检测图像的类别。
根据本公开的一方面,提供了一种图像处理装置,包括:
获取模块,用于获取第一样本图像集,其中,所述第一样本图像集中包括至少一个类别的人像图像;
第一训练模块,用于利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,其中,所述第一训练状态的识别网络是通过第二样本图像集训练得到的。
在一种可能的实现方式中,所述装置还包括:
聚类模块,用于根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,所述第二样本图像集中包括至少一个类别的参考图像以及各参考图像的第一特征信息,其中,所述第一特征信息与所述第一训练状态对应。
在一种可能的实现方式中,所述聚类模块被进一步配置为:
对所述第二样本图像集进行聚类处理,获得各类别的聚类中心;
确定所述人像图像与各类别的聚类中心对应的参考图像的相似度;
根据所述相似度,确定所述人像图像的类别。
在一种可能的实现方式中,所述第一训练模块被进一步配置为:
将样本图像组输入所述识别网络,获得所述人像图像的第三特征信息和所述参考图像的第四特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述第四特征信息确定所述识别网络的网络损失;
根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,所述第一训练模块被进一步配置为:
将所述样本图像组中的人像图像输入所述识别网络,获得所述人像图像的第三特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述样本图像组中的参考图像的第一特征信息确定所述识别网络的网络损失;
根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,所述样本图像组包括所述人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。
在一种可能的实现方式中,所述装置还包括:
参考特征获得模块,用于将所述参考图像输入所述第二训练状态的识别网络,得到所述参考图像的参考特征信息。
在一种可能的实现方式中,所述装置还包括:
第二特征获得模块,用于将第一图像输入所述第二训练状态的识别网络,得到所述第一图像的第二特征信息,所述第一图像为所述参考图像中的一个或多个图像;
第二训练模块,用于通过所述第一图像的第一特征信息和第二特征信息,训练特征变换网络;
变换模块,用于通过训练后的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
根据本公开的一方面,提供了一种图像处理装置,包括:
识别模块,用于将待检测图像输入训练后获得的第二训练状态的识别网络进行处理,获得所述待检测图像的第五特征信息;
类别确定模块,用于根据所述第五特征信息和多个参考图像的参考特征信息,确定所述待检测图像的类别。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图;
图2示出根据本公开实施例的图像处理方法的流程图;
图3示出根据本公开实施例的图像处理方法的应用示意图;
图4示出根据本公开实施例的图像处理装置的框图;
图5示出根据本公开实施例的图像处理装置的框图;
图6示出根据本公开实施例的电子装置的框图;
图7示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图,如图1所示,所述方法包括:
在步骤S11中,获取第一样本图像集,其中,所述第一样本图像集中包括至少一个类别的人像图像;
在步骤S12中,利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,其中,所述第一训练状态的识别网络是通过第二样本图像集训练得到的。
根据本公开的实施例的图像处理方法,可通过新获取的第一样本图像集来对识别网络进行实时更新,增加识别网络的样本数量,提高识别网络的性能,提升识别网络的识别能力,使识别网络适用于更复杂的应用场景。
在一种可能的实现方式中,所述方法可以由终端设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,所述方法通过服务器执行。
在一种可能的实现方式中,所述识别网络可以是任意结构的卷积神经网络,可用于对图像进行特征提取处理并根据提取的特征信息对确定图像的类别,例如,确定图像中的目标对象的身份信息等。
在一种可能的实现方式中,在步骤S11中,第一样本图像集可以是通过监控系统、门禁系统等获取的目标对象的图像集,例如,所述监控系统或门禁系统可具有一个或多个摄像头,监控系统或门禁系统的处理器,或者可与监控系统或门禁系统通信的服务器可控制所述摄像头获取监控区域的视频帧,视频帧中包括目标对象的人脸的图像即为所述人像图像。在示例中,摄像头可获取到多个目标对象的人像图像,每个目标对象的人像图像可被分为一个类别,本公开对人像图像的分类方法不做限制。
在一种可能的实现方式中,第二样本图像集中可包括至少一个类别的参考图像,第二样本图像集中的参考图像可以是历史图像,即,在获取第一样本图像集之前获取的图像,参考图像可具有至少一个类别,参考图像的至少一个类别中,可包括与第一样本图像集中的人像图像相同的类别,例如,第二样本图像集中可包括目标对象A的参考图像,第一样本图像集中也可包括目标对象A的参考图像。所述参考图像可用于与人像图像进行对比以确定人像图像的类别,例如,所述参考图像可包括已知身份的目标对象的人脸,同一个目标对象的人脸可具有多个参考图像,这些参考图像的类别相同。可基于参考图像判断人像图像的类别,例如,确定人像图像中的目标对象的身份。
在一种可能的实现方式中,可对所述第二样本图像集中的至少一个参考图像进行聚类处理,并利用聚类结果确定人像图像的类别。所述方法还包括:根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,所述第二样本图像集中包括至少一个类别的参考图像以及各参考图像的第一特征信息,其中,所述第一特征信息与所述第一训练状态对应。
在一种可能的实现方式中,所述第一特征信息可以是第一训练状态的识别网络对参考图像进行特征提取获得的特征信息,所述第一特征信息可以是特征向量等特征信息,其中,根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,包括:对所述第二样本图像集进行聚类处理,获得各类别的聚类中心;确定所述人像图像与各类别的聚类中心对应的参考图像的相似度;根据所述相似度,确定所述人像图像的类别。
在一种可能的实现方式中,所述处理器或所述服务器可根据第二样本图像集中的各参考图像的第一特征信息进行聚类处理,例如,可根据各参考图像的第一特征信息进行K近邻聚类处理、K均值聚类或像素聚类处理等聚类处理,可获得各类别的聚类中心,例如,每个类别的聚类中心可以是该类别中具有代表性的参考图像对应的第一特征信息,例如,某个人的证件照的第一特征信息。或者,参考图像可具有标注,例如,标注参考图像中的目标对象的身份信息、年龄信息、职业信息等信息,可通过所述标注信息对参考图像进行聚类处理。在示例中,还可对参考图像进行像素聚类。本公开对聚类处理的依据不做限制。
在一种可能的实现方式中,在确定各类别的聚类中心对应的参考图像后,可根据聚类中心确定人像图像的类别。例如,可确定所述人像图像与各类别的聚类中心对应的参考图像的相似度,并根据所述相似度,确定所述人像图像的类别。
在一种可能的实现方式中,可通过第一训练状态的识别网络提取人像图像的特征信息,例如特征向量等,或者通过下采样等方式获得人像图像的特征信息。并确定人像图像的特征信息与各聚类中心之间的特征相似度,例如,确定人像图像的特征信息与各聚类中心的第一特征信息之间的余弦距离或欧氏距离。或者,可根据人像图像的像素的RGB值等参数,对人像图像进行像素聚类。进一步地,可确定与人像图像的特征信息最接近的聚类中心,进而确定与人像图像的相似度最高的聚类中心对应的参考图像,该参考图像所属的类别即为所述人像图像的类别,即可确定人像图像的类别。
在一种可能的实现方式中,在聚类处理进行的过程中,如果两个或多个聚类中心距离接近,例如,两个聚类中心对应的参考图像之间的相似度大于或等于相似度阈值,则可合并两个类别,并确定合并后的类别的聚类中心对应的参考图像或人像图像。例如,在聚类处理进行的过程中,聚类中心可发生变化,相近的类别可合并,在合并后的类别中,参考图像或人像图像具有相同的类别。
通过这种方式,可通过聚类处理确定人像图像的类别,提高处理效率。
在一种可能的实现方式中,在步骤S12中,所述处理器或所述服务器可通过获取的第一样本图像集中的人像图像训练所述识别网络,获得第二训练状态的识别网络,即,对识别网络的网络参数进行更新。在示例中,监控系统或门禁系统等可基于所述识别网络进行人脸识别等处理,在所述监控系统或门禁系统不断获取到图像的过程中,可利用获取到的人像图像(即,第一样本图像集中的图像)和参考图像(即,第二样本图像集中的图像)再次训练识别网络,更新识别网络的网络参数,即,增量训练。例如,某个目标对象的外貌在一定时间段中发生变化,则增量训练过程可及时获得该目标对象的特征信息,提高所述识别网络对该目标对象的识别准确率。进一步地,通过获取到的图像对识别网络进行增量训练可提升识别网络的普适性,例如,可使识别网络能够识别更多的目标对象,即,能够识别更多人。
在一种可能的实现方式中,可通过参考图像组成的参考图像组来训练识别网络,所述参考图像组中的参考图像的目标对象相同。在示例中,可分别将参考图像组中的参考图像输入识别网络,以获取特征信息,并确定参考图像的特征信息之间的特征相似度,并根据所述特征相似度确定损失函数,例如,具有相同目标对象的参考图像的特征信息的特征相似度可被标注为100%,可利用通过识别网络获取的特征信息之间的特征相似度与100%之间的误差确定识别网络的损失函数,例如,全局优化损失函数(softmax cross-entropyloss)。或者,可直接根据具有相同目标对象的参考图像的特征信息之间的差异确定识别网络的交叉熵损失函数,例如,所述特征信息为特征图,可根据各参考图像的特征图的对应的像素点之间的差异确定识别网络的损失函数。本公开对识别网络的损失函数不做限制。
在一种可能的实现方式中,可根据识别网络的网络损失调整识别网络的网络参数,例如,可通过梯度下降法调整识别网络的网络参数。进一步地,可在调整次数达到预设次数,或者网络损失小于或等于预设阈值或收敛于预设区间内时停止训练。
在一种可能的实现方式中,所述处理器或所述服务器可通过人像图像和参考图像组成的样本图像组对识别网络进行训练,步骤S12可包括:将样本图像组输入所述识别网络,获得所述人像图像的第三特征信息和所述参考图像的第四特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;根据所述第三特征信息和所述第四特征信息确定所述识别网络的网络损失;根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,所述样本图像组包括所述人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。通过人像图像与聚类中心对应的参考图像组成的样本图像组对识别网络进行训练可优化人像图像的特征与聚类中心对应的参考图像之间的相似度,并使同类别的特征信息一致。
在一种可能的实现方式中,可分别将样本图像组中的人像图像和参考图像(例如,聚类中心对应的参考图像)输入识别网络,以获取人像图像的第三特征信息以及参考图像的第四特征信息。在示例中,类别相同的的人像图像和参考图像的特征信息的特征相似度可被标注为100%,可利用通过识别网络获取的第三特征信息和第四特征信息之间的特征相似度与100%之间的误差确定识别网络的损失函数。或者,可直接根据第三特征信息和第四特征信息之间的差异确定识别网络的损失函数,例如,所述第三特征信息和第四特征信息为特征图,可根据第三特征信息和第四特征信息的对应的像素点之间的差异确定识别网络的损失函数。本公开对识别网络的损失函数不做限制。进一步地,可通过该损失函数对识别网络的网络参数进行调整,并可在调整次数达到预设次数,或者网络损失小于或等于预设阈值或收敛于预设区间内时停止训练,获得第二训练状态的识别网络。
在一种可能的实现方式中,还可使用第三特征信息以及参考图像的第一特征信息确定识别网络的交叉熵损失函数。步骤S12可包括:将所述样本图像组中的人像图像输入所述识别网络,获得所述人像图像的第三特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;根据所述第三特征信息和所述样本图像组中的参考图像的第一特征信息确定所述识别网络的网络损失;根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。即,可根据第一特征信息和第三特征信息之间的差异确定识别网络的损失函数,并根据该损失函数调整识别网络的网络参数,并可在调整次数达到预设次数,或者网络损失小于或等于预设阈值或收敛于预设区间内时停止训练,获得第二训练状态的识别网络。可使相同类别的参考图像和人像图像之间的特征差异不会很大,可保持识别网络更新前后的一致性,减少误识别的概率。本公开对识别网络的损失函数不做限制。
在一种可能的实现方式中,可将第二训练状态的识别网络在测试集中进行验证。在示例中,所述测试集中可包括多个具有类别的标注的图像,识别网络可对所述图像进行特征提取,可根据提取的特征信息确定所述图像的类别,进一步地,可根据通过识别网络确定的图像的类别与标注的类别确定识别网络的准确率,如果识别网络的准确率满足测试条件,则表示识别网络具有普适性,可应用于识别处理。否则,可继续对识别网络进行训练。
在一种可能的实现方式中,第二样本图像集中包括的第一特征信息与第一训练状态对应,即,第二样本图像集中的参考图像的第一特征信息可以是第一训练状态的识别网络提取的。在识别网络被更新至第二训练状态后,这些第一特征信息可能无法适应第二训练状态的识别网络在识别过程中的使用,例如,在特征信息比对的过程中,准确率可能较低。因此,可将第一特征信息进行更新,获得与第二训练状态对应的参考特征信息。例如,所述方法还包括将参考图像输入所述第二训练状态的识别网络,得到所述参考图像的参考特征信息。即,通过第二训练状态的识别网络重新提取每个参考图像的特征信息,获得各参考图像的参考特征信息。
在一种可能的实现方式中,可训练特征变换网络,并将第一特征信息变换为与第二训练状态对应的参考特征信息。所述方法还包括:将第一图像输入所述第二训练状态的识别网络,得到所述第一图像的第二特征信息,所述第一图像为所述参考图像中的一个或多个图像;通过所述第一图像的第一特征信息和第二特征信息,训练特征变换网络;通过训练后的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
在一种可能的实现方式中,可将任一参考图像(即,第一图像)输入第二训练状态的识别网络进行处理,获得第一图像的第二特征信息,即,第二特征信息为第二训练状态的识别网络提取的特征信息,与第一图像的第一特征信息可能存在区别。
在一种可能的实现方式中,可根据第一图像的第一特征信息和第二特征信息之间的区别,训练特征变换网络,并可通过第二训练状态的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
在一种可能的实现方式中,所述特征变换网络可由反卷积上采样层、卷积层、全连接层等层级构成,本公开对特征变换网络的网络结构不做限制。可将第一图像的第一特征信息输入特征变换网络进行特征变换处理,特征变换网络可输出样本特征信息,该样本特征信息为特征变换网络的输出,该输出与第二特征信息之间可存在差异,可根据该差异确定特征变换网络的网络损失,例如,样本特征信息和第二特征信息均为特征向量,可根据对应的向量元素之间的差异确定特征变换网络的损失函数。进一步地,可通过特征变换网络的网络损失调整特征变换网络的网络参数,并在特征变换网络满足训练条件(例如,训练次数、网络损失的大小或敛散性)时,停止训练,获得训练后的特征变换网络。
在一种可能的实现方式中,可通过训练后的特征变换网络对所有参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息,即,适用于通过第二训练状态的识别网络进行识别处理的特征信息,即,与第二训练状态对应的特征信息。
通过这种方式,在使用第二训练状态的识别网络进行识别处理时,无需提取大量的参考图像的特征信息,仅需提取待识别的图像的特征信息并确定该特征信息与各参考特征信息的相似度,可大幅降低运算量,提升处理效率。
在一种可能的实现方式中,所述第一特征信息可以是由首次训练后的识别网络提取,并由每次识别网络的网络参数更新后,再训练的特征变换网络进行特征变换处理获得的。例如,在利用参考图像等图像对识别网络进行首次训练后,可用首次训练后的识别网络提取参考图像的特征信息。进一步地,摄像头可获取到一些图像,并可利用这些图像对识别网络进行再次训练(增量训练),在训练完成后,可利用训练后的识别网络提取部分参考图像的特征信息,并利用这些参考图像的特征信息与首次训练后的识别网络提取的特征信息训练特征变换网络,在特征变换网络训练完成后可利用特征识别网络将首次训练后的识别网络提取参考图像的特征信息进行特征变换,获得适用于通过该次训练后的识别网络进行识别处理的特征信息。可迭代执行上述过程,可获得适用于通过每次训练后的识别网络进行识别处理的特征信息。或者,参考特征信息也可以是每次识别网络的网络参数更新后,由更新后的识别网络重新对参考图像进行特征提取获得的。
在一种可能的实现方式中,在识别网络更新完成后,可将第一样本图像集中的人像图像添加至第二样本图像集,以扩大第二样本图像集中参考图像的数量。
在一种可能的实现方式中,可对参考特征信息进行聚类处理,确定各类别的聚类中心对应的参考图像,并将各类别的聚类中心对应的参考图像用于下一次对识别网络进行训练的过程中。
在一种可能的实现方式中,所述第一训练状态的识别网络可以是第一训练状态的前一个训练状态的识别网络通过上述训练方式训练完成的,即,在第一训练状态的前一个训练状态的基础上,通过获取多个人像图像,并通过新获取的人像图像以及参考图像来训练前一个训练状态的识别网络,以获得第一训练状态的识别网络。或者,如果第一训练状态为识别网络部署在处理器或服务器后的第一次训练完成的状态,则可通过参考图像来训练识别网络,获得第一训练状态为识别网络。
在示例中,可通过对参考图像的类别进行标注,并将识别网络所识别的参考图像的类别与标注的类别进行对比以确定损失函数,并根据损失函数训练识别网络。或者,可对多个参考图像进行聚类处理,确定各类别的类中心,并将通过识别网络提取的各参考图像的特征信息与类中心的特征信息进行对比以确定损失函数,并根据损失函数训练识别网络。进一步地,可在识别网络满足训练条件(例如,训练次数、网络损失的大小或敛散性)时,停止训练,获得所述第一训练状态的识别网络。
根据本公开的实施例的图像处理方法,可通过聚类处理确定人像图像的类别,提高处理效率。并可通过新获取的第一样本图像集来对识别网络进行实时更新,增加识别网络的样本数量,提高识别网络的性能,提升识别网络的识别能力,使识别网络适用于更复杂的应用场景,且可通过特征变换网络获得适用于第二训练状态的识别网络进行识别处理的参考特征信息,在识别处理的过程中,识别网络无需对每个参考图像进行处理,仅需提取待识别的图像的特征信息并确定该特征信息与各参考特征信息的相似度,提升处理效率。进一步地,并且,无需将采集的图像转移到专用的计算机中进行训练或处理,保证数据安全。
在一种可能的实现方式中,可利用第二训练状态的识别网络进行识别处理。
图2示出根据本公开实施例的图像处理方法的流程图,如图3所示,所述方法包括:
在步骤S21中,将待检测图像输入第二训练状态的识别网络进行处理,获得所述待检测图像的第五特征信息;
在步骤S22中,根据所述第五特征信息和多个参考图像的参考特征信息,确定所述待检测图像的类别。
在一种可能的实现方式中,所述处理器或所述服务器可控制摄像头拍摄到待检测图像,所述待检测图像中可包括某个目标对象的人脸,所述处理器或所述服务器可通过所述第二训练状态的识别网络可对待检测图像进行处理,获得待检测图像的第五特征信息。
在一种可能的实现方式中,可将第五特征信息与各参考图像的参考特征信息进行对比,筛选出与第五特征信息的相似度最高的参考特征信息,并将该参考特征信息对应的参考图像的类别确定为待检测图像的类别,例如,可将该参考特征信息对应的参考图像中的目标对象的身份信息确定为待检测图像中的目标对象的身份信息。
在一种可能的实现方式中,可将第五特征信息与各类别的聚类中心对应的参考图像的参考特征信息进行对比,确定与第五特征信息的特征相似度最高的聚类中心,进而将该聚类中心所属的类别确定为第五特征信息所属的类别,即,确定待检测图像的类别。
图3示出根据本公开实施例的图像处理方法的应用示意图。如图3所示,监控系统或门禁系统的处理器,或者可与监控系统或门禁系统通信的服务器可根据第二样本图像集中的多个参考图像的第一特征信息,对参考图像进行聚类处理,获得各类别的聚类中心对应的参考图像,并对人像图像进行聚类处理,即,确定人像图像与各类别的聚类中心对应的参考图像的相似度,以确定人像图像的类别。
在一种可能的实现方式中,所述处理器或所述服务器可通过人像图像和参考图像组成的样本图像组训练识别网络,在示例中,样本图像组包括人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。在训练完成后,经过测试集的验证,确定识别网络具有普适性后,可将第二训练状态的识别网络用于识别处理中,例如,可部署在监控系统或门禁系统的处理器,或者可与监控系统或门禁系统通信的服务器中,以用于对出现在监控区域中的目标对象进行识别处理。
在一种可能的实现方式中,可任选一个或多个参考图像(即,第一图像)输入第二训练状态的识别网络。获得第一图像的第二特征信息,进一步地,所述参考图像具有对应的第一特征信息(例如,通过第一训练状态的识别网络提取的特征信息),可通过第一特征信息和第二特征信息训练特征变换网络,并通过训练后的特征变换网络对所有参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息,即,适用于通过第二训练状态识别网络进行识别处理的特征信息。
在一种可能的实现方式中,可将第二训练状态的识别网络和参考特征信息应用于识别处理中,例如,可待检测图像输入第二训练状态的识别网络,获得待检测图像的第五特征信息,并根据第五特征信息与各参考图像的参考特征信息之间的相似度确定待检测图像的类别,例如,待检测图像中的目标对象的身份信息。
在一种可能的实现方式中,所述图像处理方法可应用于大规模城市布控中,通过所述方法可利用设置在城市各位置的摄像头采集的大量图像提升识别网络的性能,提升识别效率。所述图像处理方法还可用于门禁或针对大规模人群的人员信息管理等领域,可快速更新识别模型,并快速更新参考图像特征,提高识别处理的效率。
图4示出根据本公开实施例的图像处理装置的框图,如图4所示,所述装置包括:
获取模块11,用于获取第一样本图像集,其中,所述第一样本图像集中包括至少一个类别的人像图像;
第一训练模块12,用于利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,其中,所述第一训练状态的识别网络是通过第二样本图像集训练得到的。
在一种可能的实现方式中,所述装置还包括:
聚类模块,用于根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,所述第二样本图像集中包括至少一个类别的参考图像以及各参考图像的第一特征信息,其中,所述第一特征信息与所述第一训练状态对应。
在一种可能的实现方式中,所述聚类模块被进一步配置为:
对所述第二样本图像集进行聚类处理,获得各类别的聚类中心;
确定所述人像图像与各类别的聚类中心对应的参考图像的相似度;
根据所述相似度,确定所述人像图像的类别。
在一种可能的实现方式中,所述第一训练模块被进一步配置为:
将样本图像组输入所述识别网络,获得所述人像图像的第三特征信息和所述参考图像的第四特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述第四特征信息确定所述识别网络的网络损失;
根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,所述第一训练模块被进一步配置为:
将所述样本图像组中的人像图像输入所述识别网络,获得所述人像图像的第三特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述样本图像组中的参考图像的第一特征信息确定所述识别网络的网络损失;
根据所述识别网络的网络损失训练所述识别网络,获得所述第二训练状态的识别网络。
在一种可能的实现方式中,所述样本图像组包括所述人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。
在一种可能的实现方式中,所述装置还包括:
参考特征获得模块,用于将所述参考图像输入所述第二训练状态的识别网络,得到所述参考图像的参考特征信息。
在一种可能的实现方式中,所述装置还包括:
第二特征获得模块,用于将第一图像输入所述第二训练状态的识别网络,得到所述第一图像的第二特征信息,所述第一图像为所述参考图像中的一个或多个图像;
第二训练模块,用于通过所述第一图像的第一特征信息和第二特征信息,训练特征变换网络;
变换模块,用于通过训练后的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
图5示出根据本公开实施例的图像处理装置的框图,如图5所示,所述装置包括:
识别模块21,用于将待检测图像输入训练后获得的第二训练状态的识别网络进行处理,获得所述待检测图像的第五特征信息;
类别确定模块22,用于根据所述第五特征信息和多个参考图像的参考特征信息,确定所述待检测图像的类别。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (16)
1.一种图像处理方法,其特征在于,包括:
获取第一样本图像集,其中,所述第一样本图像集中包括至少一个类别的人像图像;
利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,其中,所述第一训练状态的识别网络是通过第二样本图像集训练得到的,所述第二样本图像集中包括至少一个类别的参考图像以及各参考图像的第一特征信息;
所述方法还包括:
将所述参考图像输入所述第二训练状态的识别网络,得到所述参考图像的参考特征信息,包括:
将第一图像输入所述第二训练状态的识别网络,得到所述第一图像的第二特征信息,所述第一图像为所述参考图像中的一个或多个图像;
通过所述第一图像的第一特征信息和第二特征信息,训练特征变换网络;
通过训练后的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,其中,所述第一特征信息与所述第一训练状态对应。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,包括:
对所述第二样本图像集进行聚类处理,获得各类别的聚类中心;
确定所述人像图像与各类别的聚类中心对应的参考图像的相似度;
根据所述相似度,确定所述人像图像的类别。
4.根据权利要求2所述的方法,其特征在于,利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,包括:
将样本图像组输入所述第一训练状态识别网络,获得所述人像图像的第三特征信息和所述参考图像的第四特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述第四特征信息确定所述第一训练状态识别网络的网络损失;
根据所述第一训练状态识别网络的网络损失训练所述第一训练状态识别网络,获得所述第二训练状态的识别网络。
5.根据权利要求3所述的方法,其特征在于,利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,包括:
将样本图像组中的人像图像输入所述第一训练状态识别网络,获得所述人像图像的第三特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述样本图像组中的参考图像的第一特征信息确定所述第一训练状态识别网络的网络损失;
根据所述第一训练状态识别网络的网络损失训练所述第一训练状态识别网络,获得所述第二训练状态的识别网络。
6.根据权利要求4或5所述的方法,其特征在于,所述样本图像组包括所述人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。
7.一种图像处理方法,其特征在于,包括:
将待检测图像输入根据权利要求1-6中任一项所述的方法训练后获得的第二训练状态的识别网络进行处理,获得所述待检测图像的第五特征信息;
根据所述第五特征信息和多个参考图像的参考特征信息,确定所述待检测图像的类别。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于获取第一样本图像集,其中,所述第一样本图像集中包括至少一个类别的人像图像;
第一训练模块,用于利用所述第一样本图像集对第一训练状态识别网络进行训练,获得第二训练状态的识别网络,其中,所述第一训练状态的识别网络是通过第二样本图像集训练得到的,所述第二样本图像集中包括至少一个类别的参考图像以及各参考图像的第一特征信息;
所述装置还包括:
参考特征获得模块,用于将所述参考图像输入所述第二训练状态的识别网络,得到所述参考图像的参考特征信息,包括:
第二特征获得模块,用于将第一图像输入所述第二训练状态的识别网络,得到所述第一图像的第二特征信息,所述第一图像为所述参考图像中的一个或多个图像;
第二训练模块,用于通过所述第一图像的第一特征信息和第二特征信息,训练特征变换网络;
变换模块,用于通过训练后的特征变换网络对各参考图像的第一特征信息进行特征变换处理,获得各参考图像的参考特征信息。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
聚类模块,用于根据所述第二样本图像集,对所述人像图像进行聚类处理,确定所述人像图像的类别,其中,所述第一特征信息与所述第一训练状态对应。
10.根据权利要求9述的装置,其特征在于,所述聚类模块被进一步配置为:
对所述第二样本图像集进行聚类处理,获得各类别的聚类中心;
确定所述人像图像与各类别的聚类中心对应的参考图像的相似度;
根据所述相似度,确定所述人像图像的类别。
11.根据权利要求9所述的装置,其特征在于,所述第一训练模块被进一步配置为:
将样本图像组输入所述第一训练状态识别网络,获得所述人像图像的第三特征信息和所述参考图像的第四特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述第四特征信息确定所述第一训练状态识别网络的网络损失;
根据所述第一训练状态识别网络的网络损失训练所述第一训练状态识别网络,获得所述第二训练状态的识别网络。
12.根据权利要求10所述的装置,其特征在于,所述第一训练模块被进一步配置为:
将样本图像组中的人像图像输入所述第一训练状态识别网络,获得所述人像图像的第三特征信息,其中,所述样本图像组包括所述第一样本图像集中的人像图像以及所述第二样本图像集中的所述参考图像,所述样本图像组中的人像图像与参考图像的类别相同;
根据所述第三特征信息和所述样本图像组中的参考图像的第一特征信息确定所述第一训练状态识别网络的网络损失;
根据所述第一训练状态识别网络的网络损失训练所述第一训练状态识别网络,获得所述第二训练状态的识别网络。
13.根据权利要求11或12所述的装置,其特征在于,所述样本图像组包括所述人像图像以及所述人像图像所属类别的聚类中心对应的参考图像。
14.一种图像处理装置,其特征在于,包括:
识别模块,用于将待检测图像输入根据权利要求8-13中任一项所述的装置训练后获得的第二训练状态的识别网络进行处理,获得所述待检测图像的第五特征信息;
类别确定模块,用于根据所述第五特征信息和多个参考图像的参考特征信息,确定所述待检测图像的类别。
15.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910815358.2A CN110532956B (zh) | 2019-08-30 | 2019-08-30 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910815358.2A CN110532956B (zh) | 2019-08-30 | 2019-08-30 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532956A CN110532956A (zh) | 2019-12-03 |
CN110532956B true CN110532956B (zh) | 2022-06-24 |
Family
ID=68665598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910815358.2A Active CN110532956B (zh) | 2019-08-30 | 2019-08-30 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532956B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298100A (zh) * | 2020-02-21 | 2021-08-24 | 深圳码隆科技有限公司 | 一种数据清洗的方法、自助设备及存储介质 |
CN111401521B (zh) * | 2020-03-11 | 2023-10-31 | 北京迈格威科技有限公司 | 神经网络模型训练方法及装置、图像识别方法及装置 |
CN111860588A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种用于图神经网络的训练方法以及相关设备 |
CN114363693B (zh) * | 2020-10-13 | 2023-05-12 | 华为技术有限公司 | 画质调整方法及装置 |
CN112766427A (zh) * | 2021-04-06 | 2021-05-07 | 浙江口碑网络技术有限公司 | 图像识别模型的训练方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292325A (zh) * | 2016-03-31 | 2017-10-24 | 日本电气株式会社 | 用于训练混合模型的方法和设备 |
CN108614858A (zh) * | 2018-03-23 | 2018-10-02 | 北京达佳互联信息技术有限公司 | 图像分类模型优化方法、装置及终端 |
CN108897797A (zh) * | 2018-06-12 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 对话模型的更新训练方法、装置、存储介质及电子设备 |
CN109145717A (zh) * | 2018-06-30 | 2019-01-04 | 东南大学 | 一种在线学习的人脸识别方法 |
CN109543537A (zh) * | 2018-10-23 | 2019-03-29 | 北京市商汤科技开发有限公司 | 重识别模型增量训练方法及装置、电子设备和存储介质 |
CN110135263A (zh) * | 2019-04-16 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 人像属性模型构建方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754079A (zh) * | 2018-12-13 | 2019-05-14 | 中南大学 | 一种基于参数重要性克服灾难性遗忘的方法 |
-
2019
- 2019-08-30 CN CN201910815358.2A patent/CN110532956B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292325A (zh) * | 2016-03-31 | 2017-10-24 | 日本电气株式会社 | 用于训练混合模型的方法和设备 |
CN108614858A (zh) * | 2018-03-23 | 2018-10-02 | 北京达佳互联信息技术有限公司 | 图像分类模型优化方法、装置及终端 |
CN108897797A (zh) * | 2018-06-12 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 对话模型的更新训练方法、装置、存储介质及电子设备 |
CN109145717A (zh) * | 2018-06-30 | 2019-01-04 | 东南大学 | 一种在线学习的人脸识别方法 |
CN109543537A (zh) * | 2018-10-23 | 2019-03-29 | 北京市商汤科技开发有限公司 | 重识别模型增量训练方法及装置、电子设备和存储介质 |
CN110135263A (zh) * | 2019-04-16 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 人像属性模型构建方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Facing the reality of data stream classification:coping with scarcity of labeled data;Mohammad M. Masud 等;《Springer》;20111020;213-244 * |
Semi-supervised Ensemble Learning of Data Streams in the Presence of Concept Drift;Zahra Ahmadi and Hamid Beigy;《Springer》;20121231;526–537 * |
What Is Concept Drift and How to Measure It?;Shenghui Wang 等;《Springer》;20101231;241–256 * |
Also Published As
Publication number | Publication date |
---|---|
CN110532956A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
TWI747325B (zh) | 目標對象匹配方法及目標對象匹配裝置、電子設備和電腦可讀儲存媒介 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11288531B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111191715A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN110781957A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN110909815A (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111582383A (zh) | 属性识别方法及装置、电子设备和存储介质 | |
CN113486830A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN112906484A (zh) | 一种视频帧处理方法及装置、电子设备和存储介质 | |
CN111027617A (zh) | 神经网络训练及图像识别方法、装置、设备和存储介质 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |