CN110781975B - 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
- CN110781975B CN110781975B CN201911051203.2A CN201911051203A CN110781975B CN 110781975 B CN110781975 B CN 110781975B CN 201911051203 A CN201911051203 A CN 201911051203A CN 110781975 B CN110781975 B CN 110781975B
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- target
- determining
- neighboring
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (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:对多个参考图像进行特征提取,获取多个参考图像分别对应的第一特征;将每个第一特征分别与各第一特征的近邻特征进行特征融合,获得与各第一特征分别对应的第二特征;对第二特征进行聚类处理,获得第二特征的至少一个类别的类中心特征。根据本公开的实施例的图像处理方法,可通过将参考图像的第一特征及其近邻特征进行特征融合,获得第二特征,使第二特征包含了特征空间的邻域内的同类特征信息的结构信息,提升了第二特征对类别的描述能力,有利于增强在聚类处理中对样本类别的判别能力。
Description
技术领域
本公开涉及计算机视觉技术领域,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
聚类可将属于同一类别的多个样本聚在一起,例如,可在图像库中,将属于同一人的图像聚类在一起,从而将不同人的图像区分开,方便查看,在安防领域中,聚类也有非常重要的应用,比如一人一档,实有人口管理等。在相关技术中,可将提取图像特征,并对特征进行聚类,但该聚类方法仅根据样本之间的相似度进行聚类,未考虑类别的结构信息,对类别的描述能力较差。并且,从单一图像中获取的特征,也不具有其他同类图像的特征,使单一特征可表达的信息较少,可限制了特征表达能力。
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:
对多个参考图像进行特征提取,获取所述多个参考图像分别对应的第一特征;
将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征,其中,第一目标特征的近邻特征包括在多个所述第一特征中,与所述第一目标特征的特征相似度大于或等于相似度阈值的第一特征,所述第一目标特征为任意一个第一特征;
对所述第二特征进行聚类处理,获得所述第二特征的至少一个类别的类中心特征。
根据本公开的实施例的图像处理方法,可通过将参考图像的第一特征及其近邻特征进行特征融合,获得第二特征,使第二特征包含了特征空间的邻域内的同类特征信息的结构信息,提升了第二特征对类别的描述能力,有利于增强在聚类处理中对样本类别的判别能力。并且,第二特征融合了近邻特征的信息,增加了特征中包含的信息量,增强了特征的表达能力,提高聚类处理中的类别的判别能力。
在一种可能的实现方式中,所述方法还包括:
针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出至少一个第三特征,其中,所述第一目标特征为所述多个第一特征中的任意一个;
在所述第三特征中确定出与所述第一目标特征的特征相似度大于或等于相似度阈值的近邻特征。
通过这种方式,可首先在第一特征中确定与第一目标特征接近的第三特征,并在第三特征中确定与第一目标特征相似度大于或等于相似度阈值的近邻特征,无需针对每个第一特征计算特征相似度,节省了计算资源,提高了处理效率。
在一种可能的实现方式中,针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出至少一个第三特征,包括:
分别确定各所述第一特征与所述第一目标特征的特征距离;
根据所述特征距离,在所述第一特征中确定出至少一个第三特征。
在一种可能的实现方式中,将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征,包括:
确定所述第一目标特征的各近邻特征的第一权重;
根据所述第一权重以及预设的所述第一目标特征的第二权重,对所述第一目标特征与所述第一目标特征的近邻特征进行融合,获得与第一目标特征对应的第二特征。
在一种可能的实现方式中,确定所述第一目标特征的各近邻特征的第一权重,包括:
根据所述近邻特征的数量,或者各近邻特征与所述第一目标特征的特征相似度,确定所述第一目标特征的各近邻特征的第一权重。
在一种可能的实现方式中,所述方法还包括:
根据各第二特征与所述类中心特征之间的特征相似度,确定各参考图像的类别。
在一种可能的实现方式中,所述方法还包括:
对待处理图像进行特征提取,获取所述待处理图像的目标特征;
根据所述目标特征与各类别的类中心特征的特征相似度,确定所述待处理图像的类别,其中,所述各类别的类中心特征是对多个参考图像的第一特征与所述第一特征的近邻特征进行特征融合,分别获得多个参考图像的第二特征,并将所述第二特征进行聚类处理获得的。
根据本公开的一方面,提供了一种图像处理装置,包括:
第一提取模块,用于对多个参考图像进行特征提取,获取所述多个参考图像分别对应的第一特征;
融合模块,用于将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征,其中,第一目标特征的近邻特征包括在多个所述第一特征中,与所述第一目标特征的特征相似度大于或等于相似度阈值的第一特征,所述第一目标特征为任意一个第一特征;
聚类模块,用于对所述第二特征进行聚类处理,获得所述第二特征的至少一个类别的类中心特征。
在一种可能的实现方式中,所述装置还包括:
搜索模块,用于针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出至少一个第三特征,其中,所述第一目标特征为所述多个第一特征中的任意一个;
第一确定模块,用于在所述第三特征中确定出与所述第一目标特征的特征相似度大于或等于相似度阈值的近邻特征。
在一种可能的实现方式中,所述搜索模块被进一步配置为:
分别确定各所述第一特征与所述第一目标特征的特征距离;
根据所述特征距离,在所述第一特征中确定出至少一个第三特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
确定所述第一目标特征的各近邻特征的第一权重;
根据所述第一权重以及预设的所述第一目标特征的第二权重,对所述第一目标特征与所述第一目标特征的近邻特征进行融合,获得与第一目标特征对应的第二特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
根据所述近邻特征的数量,或者各近邻特征与所述第一目标特征的特征相似度,确定所述第一目标特征的各近邻特征的第一权重。
在一种可能的实现方式中,所述装置还包括:
第二确定模块,用于根据各第二特征与所述类中心特征之间的特征相似度,确定各参考图像的类别。
在一种可能的实现方式中,所述装置还包括:
第二提取模块,用于对待处理图像进行特征提取,获取所述待处理图像的目标特征;
第三确定模块,用于根据所述目标特征与各类别的类中心特征的特征相似度,确定所述待处理图像的类别,其中,所述各类别的类中心特征是对多个参考图像的第一特征与所述第一特征的近邻特征进行特征融合,分别获得多个参考图像的第二特征,并将所述第二特征进行聚类处理获得的。
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应用示意图;
图3示出根据本公开实施例的图像处理装置的框图;
图4示出根据本公开实施例的电子装置的框图;
图5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,对多个参考图像进行特征提取,获取所述多个参考图像分别对应的第一特征;
在步骤S12中,将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征,其中,所述第一特征的近邻特征包括除所述第一特征之外的其他第一特征中,与所述第一特征的特征相似度大于或等于相似度阈值的第一特征;
在步骤S13中,对所述第二特征进行聚类处理,获得至少一个类别的类中心特征。
根据本公开的实施例的图像处理方法,可通过将参考图像的第一特征及其近邻特征进行特征融合,获得第二特征,使第二特征包含了特征空间的邻域内的同类特征信息的结构信息,提升了第二特征对类别的描述能力,有利于增强在聚类处理中对样本类别的判别能力。并且,第二特征融合了近邻特征的信息,增加了特征中包含的信息量,增强了特征的表达能力,提高聚类处理中的类别的判别能力。
在一种可能的实现方式中,所述图像处理方法可以由终端设备或其它处理设备执行,其中,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。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该图像处理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。
在一种可能的实现方式中,参考图像中可包括一个或多个目标对象,目标对象可以是人、动物、车辆、建筑物等,本公开对参考图像中的目标对象的类型不做限制。在示例中,每个参考图像中可包括人的面部区域,在参考图像的图像库中,可包括多个人的参考图像,每个人可对应一个或多个参考图像,可将人的身份作为分类的依据,即,不同的人的参考图像可被分为不同的类别。
在一种可能的实现方式中,在步骤S11中,可对多个参考图像分别进行特征提取处理,例如,可使用神经网络进行特征提取处理,或者根据像素、色彩、关键点等图像元素进行特征提取处理,获得各参考图像的第一特征,所述第一特征可以是向量形式的第一特征或特征图形式的第一特征,本公开对第一特征的数据类型不做限制,对特征提取的方法不做限制。
在一种可能的实现方式中,相关技术中的聚类方法,可将第一特征进行聚类,例如,可通过K-均值聚类、K-近邻聚类,层次聚类或DBSCAN(Density-Based SpatialClusteringof Applications with Noise,有噪声的基于密度的空间聚类应用)等方法进行聚类,但上述聚类方法仅考虑特征之间的相似度,未考虑同类特征的结构信息,对类别的描述能力较差。因此,在对第一特征进行聚类处理时,可使第一特征与其同类特征进行融合处理,使融合后的特征具有同类特征的结构信息,提升对类别的描述能力,从而提升对类别的判断准确率。
在一种可能的实现方式中,可使第一特征与其同类特征进行融合处理,针对某个第一特征(例如,第一目标特征,即,多个第一特征中的任意一个),第一目标特征的近邻特征(即,与第一目标特征的特征相似度大于或等于相似度阈值的第一特征)与第一目标特征属于同一类的概率较大,可使第一目标特征与其近邻特征进行融合处理,获得与第一目标特征对应的第二特征,使第二特征具有同类特征信息的结构信息,并提升了第二特征的信息量。
例如,第一特征可表达参考图像(例如,人脸图像)中的关键点特征,其中的某张参考图像(与第一目标特征对应的参考图像)拍摄到了目标对象A的双眼和鼻子,则该参考图像对应的第一目标特征可表达双眼的关键点和鼻子的关键点信息,第一目标特征的一个近邻特征对应的参考图像为侧脸图像,拍摄到了目标对象A的耳朵,该近邻特征可表达耳朵关键点的信息,另一个近邻特征对应的参考图像为仰视图,拍摄到了目标对象A的嘴巴,该近邻特征可表达嘴巴关键点的信息,因此,在将第一目标特征与上述两个近邻特征融合后,获得的第二特征可表达双眼的关键点、鼻子的关键点、耳朵的关键点和嘴巴的关键点等信息,即,获取了同一个目标对象的结构信息,有助于完善特征信息,增强了特征的表达能力。
在一种可能的实现方式中,可确定各特征的近邻特征,例如,针对第一目标特征,可确定第一目标特征的近邻特征。所述方法还包括:针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出至少一个第三特征,其中,所述第一目标特征为所述多个第一特征中的任意一个;在所述第三特征中确定出与所述第一目标特征的特征相似度大于或等于相似度阈值的近邻特征。
在一种可能的实现方式中,可首先对第一目标特征进行近邻搜索,即,可将所有第一特征作为分布在特征空间中的向量,并在特征空间中分布的各第一特征中,搜索与第一目标特征接近的第三特征,即,对除所述第一目标特征之外的其他第一特征进行近邻搜索,在所述其他第一特征中确定出与第一目标特征的特征距离较近的第三特征。其中,针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出至少一个第三特征包括:分别确定各所述第一特征与所述第一目标特征的特征距离;根据所述特征距离,在所述第一特征中确定出至少一个第三特征。
在示例中,可设置第三特征的数量,例如,可设置为32或64等。并计算各第一特征与第一目标特征的特征距离,例如,欧氏距离或余弦距离等。进一步地,可按照各第一特征与第一目标特征的特征距离,确定出与第一目标特征的特征距离最近的32或64个第一特征,并将这些第一特征确定为第三特征。
在示例中,可设置特征距离的阈值,并计算各第一特征与第一目标特征的特征距离。可按照各第一特征与第一目标特征的特征距离,确定出与第一目标特征的特征距离小于或等于特征距离的阈值的第一特征,并将这些第一特征确定为第三特征。
在一种可能的实现方式中,第三特征为与第一目标特征的特征距离较近的第一特征,可从第三特征中确定出第一目标特征的近邻特征。在示例中,可根据第三特征与第一目标特征的特征相似度,在第三特征中确定出第一目标特征的近邻特征。
在示例中,所述特征相似度可以是余弦相似度,可分别计算第一目标特征与各第三特征的余弦相似度,可根据以下公式(1)来确定第一目标特征与各第三特征的余弦相似度:
其中,n(n为大于1的整数)为第一目标特征或第三特征的维度,Ai表示第一目标特征的第i(1≤i≤n,且i为整数)个元素,Bi为第三特征的第i个元素,S为第一目标特征与第三特征的特征相似度。可根据公式(1)分别计算第一目标特征与各第三特征的余弦相似度。
在一种可能的实现方式中,可设定相似度阈值(例如,0.5,0.8,0.9等,本公开对相似度阈值不做限制),并可在第三特征中,确定出与第一目标特征的特征相似度大于或等于相似度阈值的近邻特征。
通过这种方式,可首先在第一特征中确定与第一目标特征接近的第三特征,并在第三特征中确定与第一目标特征相似度大于或等于相似度阈值的近邻特征,无需针对每个第一特征计算特征相似度,节省了计算资源,提高了处理效率。
在一种可能的实现方式中,在步骤S12中,可将各第一特征分别与其近邻特征进行特征融合,获得与各第一特征对应的第二特征。在示例中,由于第一特征与其近邻特征融合成为第二特征后,第二特征在特征空间中的位置可能发生变化,因此,可能造成某个第一特征在特征融合之前是另一第一特征的近邻特征,但在该第一特征融合成为第二特征后,第二特征不再是另一第一特征的近邻特征的情况,或者,可能造成某个第一特征在特征融合之前不是另一第一特征的近邻特征,但在该第一特征融合成为第二特征后,第二特征成为另一第一特征的近邻特征的情况。
因此,基于上述情况,可针对第一目标特征与其近邻特征进行融合,获得与第一目标特征对应的第二特征。在第一目标特征融合成为第二特征后,再确定另一第一特征的近邻特征,并将该第一特征与其近邻特征进行融合,获得与该第一特征对应的第二特征。即,可依次生成每个第一特征对应的第二特征。
在一种可能的实现方式中,步骤S12可包括:确定各近邻特征的第一权重;根据所述第一权重以及预设的所述第一目标特征的第二权重,对所述第一目标特征与所述第一目标特征的近邻特征进行融合,获得与第一目标特征对应的第二特征。
在一种可能的实现方式中,确定所述第一目标特征的各近邻特征的第一权重,包括:根据所述近邻特征的数量,或者各近邻特征与所述第一目标特征的特征相似度,确定所述第一目标特征的各近邻特征的第一权重。
在一种可能的实现方式中,可根据第一目标特征的近邻特征的数量,确定各近邻特征的第一权重,在示例中,可根据以下公式(2)来确定各近邻特征的第一权重:
在一种可能的实现方式中,可根据各近邻特征与所述第一目标特征的特征相似度(例如,余弦相似度)来确定第一权重,在示例中,可根据以下公式(3)来确定各近邻特征的第一权重:
其中,cos(x,xj)表示第一目标特征x与第j个近邻特征的余弦相似度。即,各近邻特征可根据与第一目标特征的余弦相似度来分类权重,与第一目标特征的余弦相似度较大的近邻特征的第一权重较大,与第一目标特征的余弦相似度较小的近邻特征的第一权重较小。
在一种可能的实现方式中,还可通过其他方式确定各近邻特征的第一权重,例如,通过各近邻特征与第一目标特征的欧氏距离来确定各近邻特征的权重等,本公开对确定第一权重的方式不做限制。
在一种可能的实现方式中,可预设第一目标特征的第二权重α,并可根据第一目标特征的第二权重α以及各近邻特征的第一权重ωj对第一目标特征与其近邻特征进行融合,获得与第一目标特征对应的第二特征,在示例中,可根据以下公式(4)来确定与第一目标特征对应的第二特征:
其中,x’为与第一目标特征x对应的第二特征。
在一种可能的实现方式中,可按照上述方式,依次将每个第一特征与其近邻特征融合成为第二特征,即,在每个第一特征融合成为第二特征后,与各参考图像对应的特征变为第二特征,第二特征相对于第一特征包含的信息更多,对类别的表达能力更强,更有助于准确地判断类别。
在一种可能的实现方式中,将每个第一特征融合成为第二特征的处理,可重复执行,使得与各样本对应的特征包含的信息更多。例如,可将第一特征融合成为第二特征的处理作为第一次融合处理,还可进行第二次融合处理,第三次融合处理……在示例中,在第二次融合处理中,可第一次融合处理获得的第二特征作为第二次融合处理中的第一特征,并依次确定各第一特征的近邻特征,以将各第一特征与其近邻特征进行融合,获得第二次融合处理中的第二特征。
在一种可能的实现方式中,上述融合处理可重复执行预设次数,例如,预设次数可以是2次,或3次,使得获得的第二特征包含足够多的信息,特征表达能力足够强,且不会占用很多的处理资源。
在一种可能的实现方式中,在步骤S13中,可对第二特征进行聚类处理,即,使用第二特征代替第一特征来进行聚类处理,例如,可对第二特征进行K-均值聚类、K-近邻聚类,层次聚类或DBSCAN聚类等聚类处理,获得各类别的类中心特征。进一步地,还可获得各参考图像的类别,所述方法还包括:根据各第二特征与所述类中心特征之间的特征相似度,确定各参考图像的类别。
在示例中,可根据与各参考图像对应的第二特征与各类中心特征的特征相似度,来确定各参考图像的类别,例如,与某个参考图像的对应的第二特征的特征相似度最高的类中心特征为类别A的类中心特征,则可将该参考图像的类别确定为类别A。
根据本公开的实施例的图像处理方法,可首先在第一特征中确定与第一目标特征接近的第三特征,并在第三特征中确定与第一目标特征相似度大于或等于相似度阈值的近邻特征,无需针对每个第一特征计算特征相似度,节省了计算资源,提高了处理效率。并可通过将参考图像的第一特征及其近邻特征进行特征融合,获得第二特征,使第二特征包含了特征空间的邻域内的同类特征信息的结构信息,有助于完善特征信息,增强了第二特征的表达能力,提升了第二特征对类别的描述能力,有利于增强在聚类处理中对样本类别的判别能力。并且,第二特征融合了近邻特征的信息,增加了特征中包含的信息量,增强了特征的表达能力,提高聚类处理中的类别的判别能力。
在一种可能的实现方式中,所述方法还包括:对待处理图像进行特征提取,获取所述待处理图像的目标特征;根据所述目标特征与各类别的类中心特征的特征相似度,确定所述待处理图像的类别,其中,所述各类别的类中心特征是对多个参考图像的第一特征与所述第一特征的近邻特征进行特征融合,分别获得多个参考图像的第二特征,并将所述第二特征进行聚类处理获得的。
在一种可能的实现方式中,所述多个参考图像的类别中,可包括待处理图像所属的类别,例如,参考图像和待处理图像均为人像图像,参考图像中可包括与待处理图像中的人物身份相同的人物的图像。例如,待处理图像为人物B的图像,参考图像中可包括至少一个人物B的图像。也按照其他分类方式进行类别的划分,例如,可按照人物、动物、车辆等属性来分类。也可按更详细分类来划分,例如,动物可分为猫、狗、牛、马等,人物可按照身份进行划分,车辆可按照品牌、颜色等属性来划分等。本公开对分类方式不做限制。
在一种可能的实现方式中,可通过神经网络进行特征提取处理,或者根据像素、色彩、关键点等图像元素进行特征提取处理,获得待处理图像的目标特征。
在一种可能的实现方式中,可计算目标特征与各类别的类中心特征的特征相似度,例如,余弦相似度,并可将与目标特征的特征相似度最高的类中心特征所属的类别确定为待处理图像的类别。
图2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2所示,图像库中可包括多个类别的参考图像。可使用神经网络对各参考图像进行特征提取处理,获得各参考图像的第一特征。
在一种可能的实现方式中,可针对每个第一特征,在其他第一特征中确定近邻特征。例如,针对第一目标特征(任一第一特征),可首先对第一目标特征进行近邻搜索,在特征空间中分布的各第一特征中,搜索与第一目标特征接近的第三特征,例如,可搜索与第一目标特征的特征距离最近的32个第一特征,并将这些第一特征作为第三特征。
在一种可能的实现方式中,可分别确定各第三特征与第一目标特征的特征相似度,并选取与第一目标特征的特征相似度高于相似度阈值的特征,作为第一目标特征的近邻特征。
在一种可能的实现方式中,可对第一目标特征与其近邻特征进行特征融合处理,例如,可根据公式(3)确定各近邻特征的第一权重ωj,并根据第一权重ωj以及预设的第一目标特征的第二权重α,对第一目标特征与其近邻特征进行特征融合处理,例如,可根据公式(4)来进行特征融合处理,获得与第一目标特征对应的第二特征。
在一种可能的实现方式中,可依次将每个第一特征与其近邻特征融合成为第二特征,在所有第一特征均融合成为第二特征后,该过程可重复执行多次,例如,可重复执行三次。
在一种可能的实现方式中,可对最终获得的第二特征进行聚类处理,例如,可使用K-均值聚类对各第二特征进行聚类处理,获得各类别的类中心特征,并可确定每个参考图像的类别。
在一种可能的实现方式中,可根据各类别的类中心确定任意类别的待处理图像的类别,例如,可提取待处理图像的目标特征,并在各类别的类中心特征中,确定出与目标特征的特征相似度最高的类中心特征,并将该类中心特征所属的类别确定为待处理图像的类别。
在一种可能的实现方式中,所述图像处理方法可用于在图像库中,将属于同一类别的图像聚类在一起,从而将不同类别的图像区分开,方便查看。在安防领域中,可用于一人一档,实有人口管理等,即,将每个人的图像分别聚类,从而将每个人的图像聚类在一起,便于确定人数,且便于获得与同一人相关的所有图像,从而得到该人物的轨迹。还可用于自动标注,例如,可将大量的样本通过聚类处理,自动分为多个类别,无需人工区分每个样本的类别并标注,节省人力成本。本公开对图像处理方法的应用领域不做限制。
图3示出根据本公开实施例的图像处理装置的框图,如图3所示,所述装置包括:
第一提取模块11,用于对多个参考图像进行特征提取,获取所述多个参考图像分别对应的第一特征;
融合模块12,用于将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征,其中,第一目标特征的近邻特征包括在多个所述第一特征中,与所述第一目标特征的特征相似度大于或等于相似度阈值的第一特征,所述第一目标特征为任意一个第一特征;
聚类模块13,用于对所述第二特征进行聚类处理,获得所述第二特征的至少一个类别的类中心特征。
在一种可能的实现方式中,所述装置还包括:
搜索模块,用于针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出至少一个第三特征,其中,所述第一目标特征为所述多个第一特征中的任意一个;
第一确定模块,用于在所述第三特征中确定出与所述第一目标特征的特征相似度大于或等于相似度阈值的近邻特征。
在一种可能的实现方式中,所述搜索模块被进一步配置为:
分别确定各所述第一特征与所述第一目标特征的特征距离;
根据所述特征距离,在所述第一特征中确定出至少一个第三特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
确定所述第一目标特征的各近邻特征的第一权重;
根据所述第一权重以及预设的所述第一目标特征的第二权重,对所述第一目标特征与所述第一目标特征的近邻特征进行融合,获得与第一目标特征对应的第二特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
根据所述近邻特征的数量,或者各近邻特征与所述第一目标特征的特征相似度,确定所述第一目标特征的各近邻特征的第一权重。
在一种可能的实现方式中,所述装置还包括:
第二确定模块,用于根据各第二特征与所述类中心特征之间的特征相似度,确定各参考图像的类别。
在一种可能的实现方式中,所述装置还包括:
第二提取模块,用于对待处理图像进行特征提取,获取所述待处理图像的目标特征;
第三确定模块,用于根据所述目标特征与各类别的类中心特征的特征相似度,确定所述待处理图像的类别,其中,所述各类别的类中心特征是对多个参考图像的第一特征与所述第一特征的近邻特征进行特征融合,分别获得多个参考图像的第二特征,并将所述第二特征进行聚类处理获得的。
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方法,相应技术方案和描述和参见图像处理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图像处理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4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4,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。
图5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5,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 (14)
1.一种图像处理方法,其特征在于,包括:
对多个参考图像进行特征提取,获取所述多个参考图像分别对应的第一特征;
针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出与所述第一目标特征接近的至少一个第三特征,其中,所述第一目标特征为所述多个第一特征中的任意一个;
在所述第三特征中确定出与所述第一目标特征的特征相似度大于或等于相似度阈值的近邻特征;
将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征;
对所述第二特征进行聚类处理,获得所述第二特征的至少一个类别的类中心特征。
2.根据权利要求1所述的方法,其特征在于,针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出与所述第一目标特征接近的至少一个第三特征,包括:
分别确定各所述第一特征与所述第一目标特征的特征距离;
根据所述特征距离,在所述第一特征中确定出至少一个第三特征。
3.根据权利要求1所述的方法,其特征在于,将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征,包括:
确定所述第一目标特征的各近邻特征的第一权重;
根据所述第一权重以及预设的所述第一目标特征的第二权重,对所述第一目标特征与所述第一目标特征的近邻特征进行融合,获得与第一目标特征对应的第二特征。
4.根据权利要求3所述的方法,其特征在于,确定所述第一目标特征的各近邻特征的第一权重,包括:
根据所述近邻特征的数量,或者各近邻特征与所述第一目标特征的特征相似度,确定所述第一目标特征的各近邻特征的第一权重。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据各第二特征与所述类中心特征之间的特征相似度,确定各参考图像的类别。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对待处理图像进行特征提取,获取所述待处理图像的目标特征;
根据所述目标特征与各类别的类中心特征的特征相似度,确定所述待处理图像的类别,其中,所述各类别的类中心特征是对多个参考图像的第一特征与所述第一特征的近邻特征进行特征融合,分别获得多个参考图像的第二特征,并将所述第二特征进行聚类处理获得的。
7.一种图像处理装置,其特征在于,包括:
第一提取模块,用于对多个参考图像进行特征提取,获取所述多个参考图像分别对应的第一特征;
搜索模块,用于针对第一目标特征,对多个所述第一特征进行近邻搜索,在多个所述第一特征中确定出与所述第一目标特征接近的至少一个第三特征,其中,所述第一目标特征为所述多个第一特征中的任意一个;
第一确定模块,用于在所述第三特征中确定出与所述第一目标特征的特征相似度大于或等于相似度阈值的近邻特征;
融合模块,用于将每个所述第一特征分别与各所述第一特征的近邻特征进行特征融合,获得与各所述第一特征分别对应的第二特征;
聚类模块,用于对所述第二特征进行聚类处理,获得所述第二特征的至少一个类别的类中心特征。
8.根据权利要求7所述的装置,其特征在于,所述搜索模块被进一步配置为:
分别确定各所述第一特征与所述第一目标特征的特征距离;
根据所述特征距离,在所述第一特征中确定出至少一个第三特征。
9.根据权利要求8所述的装置,其特征在于,所述融合模块被进一步配置为:
确定所述第一目标特征的各近邻特征的第一权重;
根据所述第一权重以及预设的所述第一目标特征的第二权重,对所述第一目标特征与所述第一目标特征的近邻特征进行融合,获得与第一目标特征对应的第二特征。
10.根据权利要求9所述的装置,其特征在于,所述融合模块被进一步配置为:
根据所述近邻特征的数量,或者各近邻特征与所述第一目标特征的特征相似度,确定所述第一目标特征的各近邻特征的第一权重。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二确定模块,用于根据各第二特征与所述类中心特征之间的特征相似度,确定各参考图像的类别。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二提取模块,用于对待处理图像进行特征提取,获取所述待处理图像的目标特征;
第三确定模块,用于根据所述目标特征与各类别的类中心特征的特征相似度,确定所述待处理图像的类别,其中,所述各类别的类中心特征是对多个参考图像的第一特征与所述第一特征的近邻特征进行特征融合,分别获得多个参考图像的第二特征,并将所述第二特征进行聚类处理获得的。
13.一种电子设备,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6中任意一项所述的方法。
14.一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6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051203.2A CN110781975B (zh) | 2019-10-31 | 2019-10-31 | 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 |
---|---|---|---|
CN201911051203.2A CN110781975B (zh) | 2019-10-31 | 2019-10-31 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781975A CN110781975A (zh) | 2020-02-11 |
CN110781975B true CN110781975B (zh) | 2022-11-29 |
Family
ID=69387905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911051203.2A Active CN110781975B (zh) | 2019-10-31 | 2019-10-31 | 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) | CN110781975B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310664B (zh) * | 2020-02-18 | 2022-11-22 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112418167A (zh) * | 2020-12-10 | 2021-02-26 | 深圳前海微众银行股份有限公司 | 图像的聚类方法、装置、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229330A (zh) * | 2017-12-07 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸融合识别方法及装置、电子设备和存储介质 |
CN108446650A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN108537135A (zh) * | 2018-03-16 | 2018-09-14 | 北京市商汤科技开发有限公司 | 对象识别及对象识别网络的训练方法和装置、电子设备 |
CN109213732A (zh) * | 2018-06-28 | 2019-01-15 | 努比亚技术有限公司 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
CN109508731A (zh) * | 2018-10-09 | 2019-03-22 | 中山大学 | 一种基于融合特征的车辆重识别方法、系统及装置 |
CN109522937A (zh) * | 2018-10-23 | 2019-03-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110222789A (zh) * | 2019-06-14 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 图像识别方法及存储介质 |
CN110364250A (zh) * | 2019-04-26 | 2019-10-22 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
-
2019
- 2019-10-31 CN CN201911051203.2A patent/CN110781975B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229330A (zh) * | 2017-12-07 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸融合识别方法及装置、电子设备和存储介质 |
CN108537135A (zh) * | 2018-03-16 | 2018-09-14 | 北京市商汤科技开发有限公司 | 对象识别及对象识别网络的训练方法和装置、电子设备 |
CN108446650A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109213732A (zh) * | 2018-06-28 | 2019-01-15 | 努比亚技术有限公司 | 一种改善相册分类的方法、移动终端及计算机可读存储介质 |
CN109508731A (zh) * | 2018-10-09 | 2019-03-22 | 中山大学 | 一种基于融合特征的车辆重识别方法、系统及装置 |
CN109522937A (zh) * | 2018-10-23 | 2019-03-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110364250A (zh) * | 2019-04-26 | 2019-10-22 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
CN110222789A (zh) * | 2019-06-14 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 图像识别方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
Local-Gravity-Face (LG-face) for Illumination-Invariant and Heterogeneous Face Recognition;Hiranmoy Roy et al.;《IEEE Transactions on Information Forensics and Security》;20160212;第11卷(第7期);全文 * |
基于区域特征对齐与k倒排编码的行人再识别方法;库浩华 等;《计算机工程》;20190315;第45卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110781975A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109089133B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
CN110781957B (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 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110569777B (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 | |
CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112101238A (zh) | 聚类方法及装置、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 | |
CN110933488A (zh) | 视频剪辑方法及装置 | |
CN109101542B (zh) | 图像识别结果输出方法及装置、电子设备和存储介质 | |
CN109344703B (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN110659690A (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN111582383A (zh) | 属性识别方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN111310664B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111523346A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN110781975B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
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 |