CN110738256A - 基于统计学习模型的图像隐含信息挖掘方法及装置 - Google Patents

Abstract

本发明提出一种基于统计学习模型的图像隐含信息挖掘方法及装置，属于图像信号处理领域。为解决现有图像检测和识别技术中对于一些包含隐藏信息的图片无法进行合理的推断挖掘的问题，本发明可包括：通过预处理获取符合要求的待处理图像；将所述待处理图像通过常规的图像检测和识别模型进行检测和识别，得到图像检测和识别所能检测到的直观结果；将所述检测到的直观结果通过训练完备的统计学习模型进行推断，推断出图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。本发明合理利用了统计学习方法，实现了灵活合理的对常规图像检测识别结果进行隐含信息进行挖掘和补充，提升了图像信息的使用率和识别结果的丰富度。

Description

基于统计学习模型的图像隐含信息挖掘方法及装置

技术领域

本发明涉及图像信号处理技术，特别涉及一种基于统计学习模型的图像隐含信息挖掘方法及装置。

背景技术

图像检测和识别技术在目前生活中应用广泛。在图像检测和识别时，首先需要对图像进行处理，包括灰度化、几何变换、图像增强、平滑、锐化等，然后通过图像检测模型得到目标位置、属性、关键点等信息，最后通过图像识别模型，通过关键点对比实现图像识别。

但是，常用的图像检测和识别技术对于一些包含隐藏信息的图片无法进行合理的推断挖掘，而忽略图像中的大量有用信息，造成信息利用不充分。

发明内容

本发明的目的是提供一种基于统计学习模型的图像隐含信息挖掘方法及装置，解决现有图像检测和识别技术中对于一些包含隐藏信息的图片无法进行合理的推断挖掘的问题。

本发明解决其技术问题，采用的技术方案是：基于统计学习模型的图像隐含信息挖掘方法，包括如下步骤：

步骤1、通过预处理获取符合要求的待处理图像；

步骤2、将所述待处理图像通过常规的图像检测和识别模型进行检测和识别，得到图像检测和识别所能检测到的直观结果；

步骤3、将所述检测到的直观结果通过训练完备的统计学习模型进行推断，推断出图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。

进一步的是，步骤1中，所述预处理包括：图像分帧、图像几何变换、图像平滑和图像增强。

具体的是，步骤2中，所述直观结果包括：关键点坐标、边界点坐标、目标标签和人物骨架。

进一步的是，步骤3中，根据所述训练完备的统计学习模型进行推断之后，还包括：

若所述统计学习模型无法推断出所述隐含信息，则直接输出所述直观结果；

若所述统计学习模型推断出了所述隐含信息，则输出所述直观结果以及隐含信息。

具体的是，步骤3中，还包括：

所述统计学习模型根据接收到的具有不同特征的待处理图像，分别进行针对不同特征的不同统计学习模型的隐含信息挖掘。

进一步的是，步骤3中，所述统计学习模型包括：贝叶斯网络、隐马尔可夫模型、支持向量机、Boosting、决策树、梯度提升决策树、多层感知机和神经网络。

基于统计学习模型的图像隐含信息挖掘装置，应用于所述的基于统计学习模型的图像隐含信息挖掘方法，包括：

预处理模块，用于对输入图像进行预处理操作；

图像检测和识别模块，用于对预处理模块处理得到的图像数据进行检测和识别；

推理模块，用于根据所述统计学习模型进行图像隐含信息的挖掘和推断，得到图像中的隐含信息。

本发明的有益效果是，通过上述基于统计学习模型的图像隐含信息挖掘方法及装置，在传统图像检测和识别方法的基础上，能够合理利用统计学习方法，实现灵活合理的对常规图像检测识别结果进行隐含信息进行挖掘和补充，提升了图像信息的使用率和识别结果的丰富度。

附图说明

图1为本发明基于统计学习模型的图像隐含信息挖掘方法的流程图。

图2为本发明基于统计学习模型的图像隐含信息挖掘装置的结构框图。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案。

本发明所述基于统计学习模型的图像隐含信息挖掘方法，其流程图参见图1,其中，该方法包括如下步骤：

步骤1、通过预处理获取符合要求的待处理图像。

步骤2、将所述待处理图像通过常规的图像检测和识别模型进行检测和识别，得到图像检测和识别所能检测到的直观结果。

步骤3、将所述检测到的直观结果通过训练完备的统计学习模型进行推断，推断出图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。

上述方法中，步骤1中，预处理包括：图像分帧、图像几何变换、图像平滑和图像增强等。

步骤2中，直观结果包括：关键点坐标、边界点坐标、目标标签和人物骨架等。

步骤3中，根据所述训练完备的统计学习模型进行推断之后，还包括：

若所述统计学习模型无法推断出所述隐含信息，则直接输出所述直观结果；

若所述统计学习模型推断出了所述隐含信息，则输出所述直观结果以及隐含信息。

步骤3中，还包括：

所述统计学习模型根据接收到的具有不同特征的待处理图像，分别进行针对不同特征的不同统计学习模型的隐含信息挖掘。

步骤3中，统计学习模型包括：贝叶斯网络、隐马尔可夫模型、支持向量机、Boosting、决策树、梯度提升决策树、多层感知机、神经网络和上述统计学习模型的变种算法或融合算法。

基于统计学习模型的图像隐含信息挖掘装置，应用于所述的基于统计学习模型的图像隐含信息挖掘方法，其结构框图参见图2，该装置包括：

预处理模块，用于对输入图像进行预处理操作；

图像检测和识别模块，用于对预处理模块处理得到的图像数据进行检测和识别；

推理模块，用于根据所述统计学习模型进行图像隐含信息的挖掘和推断，得到图像中的隐含信息。

实施例一

本实施例为基于统计学习模型的图像隐含信息挖掘方法，包括：

步骤S11、通过预处理获取符合图像检测和识别方法要求的待处理图片。

所述预处理包括对图像进行处理，获得待检测图像。具体地，对图像进行处理可以为：图像分帧、图像几何变换、图像增强。

以某视频为例，首先对视频文件进行图像分帧处理，从而得到单帧图片，单帧图片的分辨率与原始视频文件的分辨率一致，通过图像几何变换，使得图像尺寸符合图像检测模型的输入要求，然后通过图像增强模块，对图像关键信息色彩范围进行增强，得到待检测图像，使得检测结果更加快速可靠。

步骤S12、将所述待处理图片通过所述图像检测和识别方法，得到图像检测和识别所能检测到的直观结果。

在本实施例中，我们以某场足球比赛的某任意球场景为例，进行说明。图像检测模型对足球场景图像进行检测得到足球，场上人物，球场，球门，球衣颜色等目标及其关键坐标等信息。识别模型通过检测模型得到的足球场上的人物坐标、关键点等信息，对人物进行细节识别，包括分析识别场人物的姿势，朝向，运动状态等可以通过关键点识别得到的信息。

具体地，例如在某足球比赛的任意球场景中，检测模型得到10个属性为人的目标框及其对应的骨架关键点、目标边界信息，同时，检测模型还检测到了球场上对应半场的球门关键点及其边界信息和球场的边缘白线的关键点。利用检测模型得到的目标边界，人物骨骼关键点和球场、球门关键点等信息，识别模型可以进一步识别得到球衣颜色、球员当前状态、球员朝向等信息。

步骤S13，将所述检测到的直观结果通过训练完备的统计学习模型进行推断，挖掘图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。

在本实施例中，仍以上述场景进行解释说明进一步的推理工作。通过步骤S11-12后得到足球场上的直观数据，但仍然缺乏一些隐含数据，比如针对场上人物的身份的隐含信息：谁是裁判，谁是守门员，谁是球员，谁是前锋，谁是后卫等等，这些信息无法通过识别模型直接得到，因为这些信息难以通过单个目标的属性得出，而是由待分析图像中大多数目标的相对关系确定。此时将大量标注数据通过待训练的统计学习模型进行训练，此处以贝叶斯网络为例，贝叶斯网络根据已有大量数据，统计其基于球员姿势，球员球衣颜色，球员朝向，球员数量分布，球员位置信息等条件下各种身份角色的条件概率，得到训练完备的统计学习模型，模型的功能是利用可检测特征推断任务隐含身份属性。然后利用基于上述大数据训练完备的统计学习模型对输入的球员检测直观结果进行计算预测，从而对场上人物身份进行推断，挖掘得到人物身份是的隐含信息并完成标注输出。

具体地，例如利用上述检测识别模型得到的某一球员的球衣颜色为黑色、姿势为防守，朝向为背对球门，球衣颜色唯一，则将这些特征预处理后输入到训练完备的统计学习模型中进行预测计算，模型根据输入的特征条件判断是进行隐含身份信息挖掘的步骤，进而进行身份信息挖掘，最终得到该球员为守门员的概率最大，则成功挖掘到该球员身份为守门员。此例即完成了一次隐含信息挖掘工作。同理可以对场上人物进行球员，裁判员等身份的判断挖掘。

如果某图像的信息不足以通过统计学习方法进行隐含信息的挖掘或不存在隐含信息，则直接将已有直观数据输出。统计学习模型根据接收到的具有不同特征的待处理图片，分别进行针对不同特征的不同统计学习模型的隐含信息挖掘。

上述图像隐含信息挖掘的方法根据图像实际情况进行处理，在图像条件符合进行隐含信息挖掘时则进行进一步隐含数据挖掘，丰富图像检测和识别的结果，可以为后续交互或处理系统提供更加有力的数据信息，提升产品的竞争力和灵活性。且本方法可以根据不同情况下进行不同隐含信息的挖掘，例如根据不同检测结果挖掘足球半场是进攻方或防守方半场，足球球员是进攻方或防守方球员，足球球员是守门员或裁判员或一般球员。本实施例仅以足球比赛场景做解释说明，具体实施时并不局限于足球比赛场景的身份分析，还可以用于如监控场景人员身份分析，农业场景植物生长情况分析等在获取图像识别无法直接获时的隐含信息时，采用识别结果进一步挖掘隐含信息的场景。

统计学习模型，包括：贝叶斯网络、隐马尔可夫模型、支持向量机、Boosting、决策树、梯度提升决策树、多层感知机、神经网络和上述统计学习模型的变种算法或融合算法。

本实施例使用的统计学习模型为贝叶斯网络，但也可以使用任意一种具有统计分析预测的统计学习方法替换。

实施例二

本实施例为基于统计学习模型的图像隐含信息挖掘装置，本实施例中的基于统计学习模型的图像隐含信息挖掘装置是作为应用程序或后台服务程序运行在客户机上，其中上述程序可以安装在智能移动终端和服务器中，上述智能终端可以为个人计算机、智能手机或平板电脑等，上述服务器可以为任意平台下的高性能计算机，本实施例对智能终端和服务器的形态不做限定。

预处理模块，用于对输入图像进行预处理操作；所述预处理操作包括：图像分帧、图像几何变换、图像平滑、图像增强，此模块完成实施例一中S11所述功能。

图像检测和识别模块，用于对预处理模块处理得到的图像数据进行检测和识别；此模块为完成实施例一中步骤S12所述功能。

推理模块，用于根据所述统计学习模型进行图像隐含信息的挖掘和推断，得到图片中的隐含信息；此模块为完成实施例一中步骤S13所述功能。

在本实施例中，预处理模块完成对图像的预处理工作，图像检测和识别模块对待检测图像进行直观的检测和识别工作的到直观结果，推理模块基于统计学习模型对数据进行进一步的隐含信息挖掘，提升传统图像检测识别系统的信息丰富度和产品灵活性。

Claims (7)

1.基于统计学习模型的图像隐含信息挖掘方法，其特征在于，包括如下步骤：

步骤1、通过预处理获取符合要求的待处理图像；

步骤2、将所述待处理图像通过常规的图像检测和识别模型进行检测和识别，得到图像检测和识别所能检测到的直观结果；

步骤3、将所述检测到的直观结果通过训练完备的统计学习模型进行推断，推断出图像中的隐含信息，所述训练完备的统计学习模型是根据已有的大规模样本生成的。

2.根据权利要求1所述的基于统计学习模型的图像隐含信息挖掘方法，其特征在于，步骤1中，所述预处理包括：图像分帧、图像几何变换、图像平滑和图像增强。

3.根据权利要求1所述的基于统计学习模型的图像隐含信息挖掘方法，其特征在于，步骤2中，所述直观结果包括：关键点坐标、边界点坐标、目标标签和人物骨架。

4.根据权利要求1所述的于统计学习模型的图像隐含信息挖掘方法，其特征在于，步骤3中，根据所述训练完备的统计学习模型进行推断之后，还包括：

若所述统计学习模型无法推断出所述隐含信息，则直接输出所述直观结果；

若所述统计学习模型推断出了所述隐含信息，则输出所述直观结果以及隐含信息。

5.根据权利要求1所述的基于统计学习模型的图像隐含信息挖掘方法，其特征在于，步骤3中，还包括：

所述统计学习模型根据接收到的具有不同特征的待处理图像，分别进行针对不同特征的不同统计学习模型的隐含信息挖掘。

6.根据权利要求1所述的基于统计学习模型的图像隐含信息挖掘方法，其特征在于，步骤3中，所述统计学习模型包括：贝叶斯网络、隐马尔可夫模型、支持向量机、Boosting、决策树、梯度提升决策树、多层感知机和神经网络。

7.基于统计学习模型的图像隐含信息挖掘装置，应用于权利要求1-6任意一项所述的基于统计学习模型的图像隐含信息挖掘方法，其特征在于，包括：

预处理模块，用于对输入图像进行预处理操作；

图像检测和识别模块，用于对预处理模块处理得到的图像数据进行检测和识别；

推理模块，用于根据所述统计学习模型进行图像隐含信息的挖掘和推断，得到图像中的隐含信息。

Images