CN110705572B - 一种图像识别方法 - Google Patents

一种图像识别方法 Download PDF

Info

Publication number
CN110705572B
CN110705572B CN201910897430.0A CN201910897430A CN110705572B CN 110705572 B CN110705572 B CN 110705572B CN 201910897430 A CN201910897430 A CN 201910897430A CN 110705572 B CN110705572 B CN 110705572B
Authority
CN
China
Prior art keywords
data
image data
feature
sample
cloud server
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
Application number
CN201910897430.0A
Other languages
English (en)
Other versions
CN110705572A (zh
Inventor
王尚广
丁春涛
周傲
马骁
李静林
孙其博
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910897430.0A priority Critical patent/CN110705572B/zh
Publication of CN110705572A publication Critical patent/CN110705572A/zh
Application granted granted Critical
Publication of CN110705572B publication Critical patent/CN110705572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像识别方法，包括：边缘服务器接收用户上传的图像数据，对所述图像数据进行预处理；所述边缘服务器利用云服务器预先发来的特征提取器P对预处理后的图像数据进行特征提取，并将提取的特征数据发送到云服务器，用于进行图像识别；其中，所述特征提取器P是利用云服务器中的图像数据集生成的，所述特征提取器P提取的特征用于将图像数据区分为不同类别。应用本申请，能够在减少传输到云服务器的数据量同时提高图像识别的准确率。

Description

一种图像识别方法
技术领域
本申请涉及图像处理技术，特别涉及一种图像识别方法。
背景技术
随着智能手机、平板电脑等移动设备的普及，越来越多的图像识别应用被提出，例如，TapTapSee应用可以帮助视力障碍人士识别生活中遇到的物体；CalorieMama应用可以识别图片中的食物信息，给我们提出保持健康和营养均衡的建议。由此可见，基于终端设备的图像识别的研究有着重大的现实意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。
在目前的图像识别方法中，通常是将原始图片或简单预处理后的图片传输到云服务器，由云服务器根据接收的图片数据进行识别。然而，终端设备传输到云服务器的用于图像识别的数据量非常庞大，这会导致较大的传输延迟。另外，终端设备传输原始图片或预处理后的图片包含大量的噪声，这会降低图像识别的准确率。
发明内容
本申请提供了一种图像识别方法，能够在减少传输到云服务器的数据量同时提高图像识别的准确率。
为实现上述目的，本申请采用如下的技术方案：
一种图像识别方法，包括：
边缘服务器接收用户上传的图像数据，对所述图像数据进行预处理；
所述边缘服务器利用云服务器预先发来的特征提取器P对预处理后的图像数据进行特征提取，并将提取的特征数据发送到云服务器，用于进行图像识别；
其中，所述特征提取器P是利用云服务器中的图像数据集生成的，所述特征提取器P提取的特征用于将图像数据区分为不同类别。
较佳地，所述特征提取器P的生成方式包括：
求解满足
Figure BDA0002210735920000011
和PTP＝I的P，将该P作为所述特征提取器；
其中，fgb为全局类间不相似度函数，表示云服务器图像数据中每一类样本点的中心点与整体样本的中心点之间的不相似程度；flb为局部类间不相似度函数，表示不同类别的数据样本点中，样本点与其近邻样本点之间的不相似程度；fgw为全局类内不相似度函数，表示每一类数据样本点与该类数据样本点的中心点之间的不相似程度；flw为局部类内不相似度函数，表示在同一类别的数据样本点中，样本点与其近邻样本点之间的不相似程度；α,β,γ均为预设的权重值。
较佳地，
Figure BDA0002210735920000021
Figure BDA0002210735920000022
其中，xi表示云服务器图像数据集中的样本点，
Figure BDA0002210735920000023
Figure BDA0002210735920000024
表示第j个样本的k1个同类近邻样本点的集合，
Figure BDA0002210735920000025
Figure BDA0002210735920000026
表示第j个样本的k2个异类近邻样本点的集合，μ表示云服务器图像数据集中样本点的中心点，μm表示第m类样本点的中心点，m为类别索引。
较佳地，求解特征提取器P的方式包括：
对γβfgb+γ(1-β)flb]-[α(1-γ)fgw+(1-γ)(1-α)flw进行特征分解，获得取值为正的特征值λi及其对应的特征向量Pi，i＝1,…,r；
将所有特征向量Pi构成矩阵P作为所述特征提取器。
较佳地，所述对预处理后的图像数据进行特征提取包括：
将预处理后的图像数据x'i与特征提取器P进行处理得到提取后的特征vi＝PTx'i。
由上述技术方案可见，本申请中，云服务器预先根据图像数据集生成特征提取器，并发送给边缘服务器；边缘服务器接收用户上传的图像数据，对图像数据进行预处理，再利用云服务器发来的特征提取器P对预处理后的图像数据进行特征提取，并将提取的特征数据发送到云服务器，由云服务器利用接收的特征数据进行图像识别。通过上述方式，利用边缘服务器对图像数据进行特征提取，从而极大地减少了边缘服务器传输到云服务器的数据量；同时，利用特征提取器的合适选取，能够提高图像识别的准确性。
附图说明
图1为本申请中图像识别方法的基本流程示意图；
图2为图像识别方法中的交互处理示意图。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。
边缘计算是一种新型计算模式，通过在靠近物或数据源头的网络边缘侧，为应用提供融合计算、存储和网络等资源。本申请基于边缘计算环境，提出了一种基于边缘计算环境的图像识别方法。该方法可以有效地从边缘服务器上的图像中提取用于图像识别的判别特征，将判别特征传输给云服务器进行图像识别。通过在边缘服务器上提取图像数据的判别特征，不仅可以有效的减少边缘服务器传输到云服务器的网络流量和传输延迟，而且，该方法还可以提高图像识别的准确率。
图1为本申请中图像识别方法的基本流程示意图，图2为图像识别方法中的交互处理示意图。如图1和图2所示，该方法包括：
步骤101，云服务器利用图像数据集生成特征提取器P。
特征提取器P用于对图像数据进行特征提取，使得根据提取后的特征数据能够反映出不同图像类别间的差别，以用于图像识别。
为了提取数据的判别特征，可以构建不相似函数来保持数据样本的全局和局部结构信息。首先分别构建全局类内不相似度函数fgw，全局类间不相似度函数fgb，局部类内不相似度函数flw，局部类间不相似度函数flb。其中，全局类内不相似度fgw表示每一类数据样本点与该类数据样本点的中心点之间的差别程度，全局类间不相似度fgb表示每一类样本点的中心点与整体样本的中心点之间的差别程度，局部类内不相似度flw表示为在同一类数据样本点中，样本点与其近邻样本点之间的差别程度，局部类间不相似度flb表示为在不同类别的数据样本点中，样本点与其近邻样本点之间的差别程度。
为了学习有效的特征提取器P，我们需要最大化类间不相似度和最小化类内不相似度。而且，不同的不相似度对获得有效的特征提取器P的贡献在不同的数据集中是不一样的。为此，我们引入α,β,γ来自适应每一种不相似度的贡献。基于此，目标函数可以被定义为：
Figure BDA0002210735920000041
s.t.PTP＝I
将满足上式的P作为特征提取器，能够保证经该特征提取器P提取出的图像特征数据能够最大化类间不相似度和最小化类内不相似度，也就是可以用于图像识别。
其中，关于各个不相似函数的具体形式，可以根据实际需要设置。下面给出一些具体实现形式当然各函数的具体形式不限于此。
设已有的图像数据集为
Figure BDA0002210735920000042
yi是xi的类别标签，c是类别数，N表示图像数据的个数，d表示图像数据的维度；其中，图像数据集中的图像是预先保存在云服务器中的原始图像。全局类内不相似度fgw可以公式化为：
Figure BDA0002210735920000043
全局类间不相似度fgb可以公式化为：
Figure BDA0002210735920000044
局部类内不相似度flw可以公式化为：
Figure BDA0002210735920000045
Figure BDA0002210735920000046
表示第j个样本的k1个同类近邻样本点的集合；
局部类间不相似度flb可以公式化为：
Figure BDA0002210735920000047
Figure BDA0002210735920000048
Figure BDA0002210735920000049
表示第j个样本的k2个异类近邻样本点的集合。
另外，为求解前述目标函数，优选地，可以采用如下方式：
可以对γβfgb+γ(1-β)flb]-[α(1-γ)fgw+(1-γ)(1-α)flw进行特征分解，获得特征值λi及其对应的特征向量Pi，i＝1,…,d。把特征值按照从大到小的顺序排列，即λ1≥λ2≥…≥λd。最佳目标维数r是所有正特征值的个数，则特征提取器P＝[P1,…,Pr]。
在云服务器获取特征提取器P后，可以令V＝PTX，则V为云服务器中数据集的判别特征集合。
步骤102，云服务器将生成的特征提取器发送给边缘服务器。
步骤103，边缘服务器接收用户上传的图像数据，对图像数据进行预处理。
本步骤的处理可以采用现有方式，这里就不再赘述。
步骤104，边缘服务器利用接收的特征提取器P对预处理后的图像数据进行特征提取，得到特征数据。
将预处理后的图像数据x'i与特征提取器P进行处理得到提取后的特征vi＝PTx'i。
步骤105，边缘服务器将提取的特征数据发送给云服务器，用于云服务器进行图像识别。
边缘服务器将步骤104得到的特征数据发送给云服务器，与云服务器中的判别特征集合V进行匹配，从而实现图像分类和识别。经过步骤101特征提取后的特征数据的数据量大大减少，因此，有效减少了边缘服务器发送给云服务器的数据量。
同时，经过步骤101处理而得到的特征提取器P，其提取的特征能够准确反映不同类别数据间的差别，因此，利用特征匹配算法可以对提取的特征数据与判别特征集合V进行准确匹配，从而准确进行图像识别。具体特征匹配算法(比如最近邻分类器)可以采用各种已有方式，本申请对此不做限定。
经过图像识别处理后，得到的识别结果可以反馈给用户。
至此，本申请中的图像识别方法流程结束。
由上述本申请的具体实现可见，本申请利用云服务器上的数据集学习特征提取器，该特征提取器可以有效的提取云服务器中数据集的判别特征和边缘服务器中数据的判别特征，从而可以提高图像识别准确率。另一方面，由于特征提取器仅提取高效的判别特征，相比于原始数据或者预处理之后的数据，数据量较少。因此，这可以减少从边缘服务器至云服务器的网络传输量和特征匹配的数据量。从而，这也减少了网络传输时间和特征匹配时间。因此，本发明不仅提高了图像识别的准确率，而且，还减少了图像识别的延迟。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (3)

1.一种图像识别方法，其特征在于，包括：
边缘服务器接收用户上传的图像数据，对所述图像数据进行预处理；
所述边缘服务器利用云服务器预先发来的特征提取器P对预处理后的图像数据进行特征提取，并将提取的特征数据发送到云服务器，用于进行图像识别；
其中，所述特征提取器P提取的特征用于将图像数据区分为不同类别；
所述特征提取器P的生成方式包括：求解满足
Figure FDA0003672757690000011
和PTP＝I的P，将该P作为所述特征提取器；
其中，
Figure FDA0003672757690000012
为全局类间不相似度函数，表示云服务器图像数据中每一类样本点的中心点与整体样本的中心点之间的不相似程度；
Figure FDA0003672757690000013
为局部类间不相似度函数，表示不同类别的数据样本点中，样本点与其近邻样本点之间的不相似程度；
Figure FDA0003672757690000014
为全局类内不相似度函数，表示每一类数据样本点与该类数据样本点的中心点之间的不相似程度；
Figure FDA0003672757690000015
为局部类内不相似度函数，表示在同一类别的数据样本点中，样本点与其近邻样本点之间的不相似程度；α,β,γ均为预设的权重值，xi表示云服务器图像数据集中的样本点，
Figure FDA0003672757690000016
Figure FDA0003672757690000017
表示第j个样本的k1个同类近邻样本点的集合，
Figure FDA0003672757690000018
Figure FDA0003672757690000019
表示第j个样本的k2个异类近邻样本点的集合，μ表示云服务器图像数据集中样本点的中心点，μm表示第m类样本点的中心点，m为类别索引。
2.根据权利要求1所述的方法，其特征在于，求解特征提取器P的方式包括：
对γβfgb+γ(1-β)flb]-[α(1-γ)fgw+(1-γ)(1-α)flw进行特征分解，获得取值为正的特征值λi及其对应的特征向量Pi，i＝1,…,r；
将所有特征向量Pi构成矩阵P作为所述特征提取器。
3.根据权利要求1或2所述的方法，其特征在于，所述对预处理后的图像数据进行特征提取包括：
将预处理后的图像数据x'i与特征提取器P进行处理得到提取后的特征vi＝PTx'i。
CN201910897430.0A 2019-09-23 2019-09-23 一种图像识别方法 Active CN110705572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897430.0A CN110705572B (zh) 2019-09-23 2019-09-23 一种图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897430.0A CN110705572B (zh) 2019-09-23 2019-09-23 一种图像识别方法

Publications (2)

Publication Number Publication Date
CN110705572A CN110705572A (zh) 2020-01-17
CN110705572B true CN110705572B (zh) 2022-07-19

Family

ID=69195009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897430.0A Active CN110705572B (zh) 2019-09-23 2019-09-23 一种图像识别方法

Country Status (1)

Country Link
CN (1) CN110705572B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049576A (zh) * 2021-11-16 2022-02-15 南方电网数字电网研究院有限公司 电力物联网的输电线路覆冰监测方法、装置、系统和设备
CN114357324B (zh) * 2022-03-21 2022-06-14 南京师范大学 一种大数据探索性标签地图的生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108235770A (zh) * 2017-12-29 2018-06-29 深圳前海达闼云端智能科技有限公司 图像识别方法及云端系统
CN108446680A (zh) * 2018-05-07 2018-08-24 西安电子科技大学 一种基于边缘计算的人脸认证系统中的隐私保护方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108235770A (zh) * 2017-12-29 2018-06-29 深圳前海达闼云端智能科技有限公司 图像识别方法及云端系统
CN108446680A (zh) * 2018-05-07 2018-08-24 西安电子科技大学 一种基于边缘计算的人脸认证系统中的隐私保护方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ECD: An Edge Content Delivery and Update Framework in Mobile Edge Computing;Shangguang Wang 等;《arXiv:1805.10783v1 [cs.NI]》;20180528;全文 *
Joint Global and Local Structure Discriminant Analysis;Quanxue Gao 等;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20130430;全文 *
移动边缘计算环境下的图像识别算法研究与实现;鲁迪;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190815;第41-53页 *

Also Published As

Publication number Publication date
CN110705572A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN109993160B (zh) 一种图像矫正及文本与位置识别方法及系统
US10504009B2 (en) Image hash codes generated by a neural network
Zhu et al. Multi-view semi-supervised learning for image classification
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN105139040A (zh) 一种排队状态信息检测方法及其系统
CN109522872A (zh) 一种人脸识别方法、装置、计算机设备及存储介质
CN110598603A (zh) 人脸识别模型获取方法、装置、设备和介质
WO2024036847A1 (zh) 图像处理方法和装置、电子设备和存储介质
US20200387744A1 (en) Method and apparatus for generating information
Haque et al. Two-handed bangla sign language recognition using principal component analysis (PCA) and KNN algorithm
CN110866469B (zh) 一种人脸五官识别方法、装置、设备及介质
CN114120299B (zh) 信息获取方法、装置、存储介质及设备
CN104504406B (zh) 一种快速高效的近似重复图像匹配方法
CN110705572B (zh) 一种图像识别方法
Tian et al. Image classification based on the combination of text features and visual features
CN116168274A (zh) 对象检测方法以及对象检测模型训练方法
CN110147414B (zh) 一种知识图谱的实体表征方法及装置
CN113590798A (zh) 对话意图识别、用于识别对话意图的模型的训练方法
CN110263779A (zh) 文本区域检测方法及装置、文本检测方法、计算机可读介质
Duque et al. Diffusion transport alignment
CN115937660A (zh) 验证码的识别方法及装置
US11816909B2 (en) Document clusterization using neural networks
CN116030375A (zh) 视频特征提取、模型训练方法、装置、设备及存储介质
CN104715071B (zh) 一种基于不完整文本描述的特定行人检索方法
Pankaja et al. A hybrid approach combining CUR matrix decomposition and weighted kernel sparse representation for plant leaf recognition

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