CN111274426A - 类别标注方法及装置、电子设备和存储介质 - Google Patents

类别标注方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111274426A
CN111274426A CN202010081768.1A CN202010081768A CN111274426A CN 111274426 A CN111274426 A CN 111274426A CN 202010081768 A CN202010081768 A CN 202010081768A CN 111274426 A CN111274426 A CN 111274426A
Authority
CN
China
Prior art keywords
category
image acquisition
detection
target video
determining
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
Application number
CN202010081768.1A
Other languages
English (en)
Other versions
CN111274426B (zh
Inventor
陈英震
张泽
方琪
陈丹婷
裴欢
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Publication of CN111274426A publication Critical patent/CN111274426A/zh
Application granted granted Critical
Publication of CN111274426B publication Critical patent/CN111274426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种类别标注方法及装置、电子设备和存储介质，所述方法包括：对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种；根据多个所述目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。本公开实施例能够准确地确定图像采集设备的类别标注结果，实现了对图像采集设备进行类别划分的效果，这样可以方便管理者通过类别的维度管理和调用图像采集设备，降低了对图像采集设备进行管理的难度。

Description

类别标注方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种类别标注方法及装置、电子设备和存储介质。
背景技术
随着科技发展，图像采集设备已经应用在工业生产和生活的方方面面，例如，视频监控系统作为社会公共安全的重要组成部分，已经得到了大量的普及，很多企事业单位目前已经建成大量的视频监控系统，视频监控系统中往往会包含大量的图像采集设备。
但是，随着图像采集设备越来越多，对图像采集设备进行管理的难度也越来越大。
发明内容
本公开提出了一种类别标注技术方案。
根据本公开的一方面，提供了一种类别标注方法，包括：
对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种；
根据多个所述目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，包括：确定目标视频帧对应多个类别的置信度；在存在大于置信度阈值的置信度的情况下，将大于置信度阈值的所述置信度对应的类别，作为目标视频帧的检测结果。
在一种可能的实现方式中，在确定所述视频流中的目标视频帧的检测结果后，所述方法还包括：确定预设时间区间内得到的所述检测结果的总数量；相应地，所述根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果，包括：在所述检测结果的总数量大于数量阈值的情况下，根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，所述检测结果包括多个，所述根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果，包括：确定所述多个检测结果中各检测类别的数量占所述总数量的比值；将大于比值阈值的比值对应的检测类别，确定为与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，所述对象类别包括下述至少一种：人脸；人体；车牌；车型；所述场景类别包括下述至少一种：高空；低空室内；低空室外。
在一种可能的实现方式中，在确定与所述图像采集设备对应的类别标注结果后，还包括：在接收到针对目标类别的目标图像采集设备的查找请求的情况下，基于确定的所述图像采集设备对应的所述类别标注结果，返回所述目标类别的所述目标图像采集设备。
在一种可能的实现方式中，在对图像采集设备采集的视频流进行检测前，所述方法还包括：确定当前时间是否为夜间时间；相应地，所述对图像采集设备采集的视频流进行检测，包括：在确定当前时间不是夜间时间的情况下，对所述图像采集设备采集的视频流进行检测。
根据本公开的一方面，提供了一种类别标注装置，包括：
检测结果确定模块，用于对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种；
标注结果确定模块，用于根据多个所述目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，检测结果确定模块，用于确定目标视频帧对应多个类别的置信度；在存在大于置信度阈值的置信度的情况下，将大于置信度阈值的所述置信度对应的类别，作为目标视频帧的检测结果。
在一种可能的实现方式中，所述装置还包括：总数量确定模块，用于确定预设时间区间内得到的所述检测结果的总数量；所述标注结果确定模块，用于在所述检测结果的总数量大于数量阈值的情况下，根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，所述检测结果包括多个，所述标注结果确定模块包括第一标注结果确定子模块和第二标注结果确定子模块，其中，所述第一标注结果确定子模块，用于确定所述多个检测结果中各检测类别的数量占所述总数量的比值；第二标注结果确定子模块，用于将大于比值阈值的比值对应的检测类别，确定为与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，所述对象类别包括下述至少一种：人脸；人体；车牌；车型；所述场景类别包括下述至少一种：高空；低空室内；低空室外。
在一种可能的实现方式中，所述装置还包括：查找模块，用于在接收到针对目标类别的目标图像采集设备的查找请求的情况下，基于确定的所述图像采集设备对应的所述类别标注结果，返回所述目标类别的所述目标图像采集设备。
在一种可能的实现方式中，所述装置还包括：时间确定模块，用于确定当前时间是否为夜间时间；所述检测结果确定模块，用于在确定当前时间不是夜间时间的情况下，对所述图像采集设备采集的视频流进行检测。
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调用所述存储器存储的指令，以执行上述方法。
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方法。
在本公开实施例中，能够准确地确定图像采集设备的类别标注结果，实现了对图像采集设备进行类别划分的效果，这样可以方便管理者通过类别的维度管理和调用图像采集设备，降低了对图像采集设备进行管理的难度。
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类别标注方法的流程图；
图2示出根据本公开实施例的一种类别标注装置的框图；
图3示出根据本公开实施例的一种电子设备的框图；
图4示出根据本公开实施例的一种电子设备的框图。
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，为了更好地说明本公开，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。
随着科技发展，图像采集设备已经遍布于工业生产和生活的方方面面，图像采集设备在街道上随处可见，在一些监控系统中，会存在几十个，甚至上万个图像采集设备需要管理，如此多数量的图像采集设备，导致图像采集设备管理的难度越来越大。
本公开实施例提供的类别标注方法，能够准确地确定图像采集设备的类别标注结果，实现了对图像采集设备进行类别划分的效果，这样可以方便管理者通过类别的维度管理和调用图像采集设备，降低了对图像采集设备进行管理的难度。
本公开实施例提供的类别标注方法，可应用于对图像采集设备类别的标注，其应用价值至少可以从以下几方面体现：
(1)提高图像采集设备运维和使用的效率。当用户想通过图像采集设备查看某些需求的监控图像时，可实现对用户请求的迅速响应，而无需用户挨个查看图像采集设备的图像来查找。例如，当公安要查找能拍摄到人脸的图像采集设备进行犯罪嫌疑人追踪时，如果要从上百个甚至上万个图像采集设备中人工查找，将会耗费大量时间，而通过本公开实施例提供的类别标注方法，由于图像采集设备标注了类别，因此，公安用户可以以类别的维度查找图像采集设备，将会大大提高查找的效率。
(2)提高图像采集设备类别标注的效率和准确率。通过自动提取视频帧进行检测，对图像采集设备进行分类，相对于人工手动查看每一路视频采集设备采集的影像进行分析而言，大大节约了人力、物力和时间。同时，由于分类过程可以不受个人因素干扰，且类别是根据多个目标视频帧的检测结果得到的，提升了对图像采集设备分类的准确率。
本公开实施例提供的类别标注方法的执行主体可以是类别标注装置，例如，类别标注方法可以由终端设备或服务器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。在一些可能的实现方式中，该类别标注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。
图1示出根据本公开实施例的类别标注方法的流程图，如图1所示，所述类别标注方法包括：
步骤S11，对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果；
所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种。
图像采集设备具备图像采集功能，可以将采集到的图像以视频流的形式进行发送，进行检测的视频流可以是图像采集设备实时采集到的。
在进行检测时，可以是对视频流中的视频帧进行检测，视频帧的具体表现形式可以是一张图像，因此，也可称之为图像帧。为方便描述，这里将进行检测的视频帧称为目标视频帧。
步骤S12，根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在确定所述图像采集设备对应的类别标注结果时，为了提高标注结果的准确性，可以根据多个目标视频帧的检测结果进行确定。
根据本公开的实施例，能够通过对图像采集设备采集的视频流进行检测，确定该视频流中目标视频帧的检测结果，检测结果包括检测类别，检测类别包括目标视频帧中对象的对象类别，和目标视频帧所对应的场景类别的至少一种，然后根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。通过对图像采集设备采集的视频帧进行检测，对视频帧的类别进行确定，并根据多个视频帧的类别，准确地确定了图像采集设备的类别标注结果，实现了对图像采集设备进行类别划分的效果。这样可以方便管理者通过类别的维度管理和调用图像采集设备，降低了对图像采集设备进行管理的难度。并且，通过自动提取视频帧进行检测对图像采集设备进行分类，相对于人工手动从视频汇聚平台查看每一路图像采集设备的视频流进行分析而言，大大节约了人力、物力和时间。同时，由于分类过程可以不受个人因素干扰，提升了对图像采集设备分类的准确率。
在一种可能的实现方式中，可以通过检测对目标视频帧进行分类，得到目标视频帧的类别。通过检测对目标视频帧进行分类时，可以是根据目标视频帧中包含的对象，确定目标视频帧中对象的对象类别，也可以是根据目标视频帧的场景，得到目标视频帧所对应的场景类别。
对于目标视频帧中包含的对象，可以通过对视频帧进行解析得到，具体解析时可以通过神经网络对视频帧中的对象进行识别，例如，可以利用神经网络进行人脸识别来识别目标视频帧中是否包含人脸，可以利用神经网络进行车辆识别来识别目标视频帧中是否包含车辆，等等。
对于目标视频帧所对应的场景，也可以通过神经网络对目标视频帧进行解析得到，可以通过标注了场景的样本图片对神经网络进行训练，训练好的神经网络即可对目标视频帧的场景进行识别。
在一种可能的实现方式中，在对图像采集设备采集的视频流进行检测前，还包括：确定当前时间是否为夜间时间，在确定当前时间不是夜间时间的情况下，对图像采集设备采集的视频流进行检测。那么，在确定当前时间是夜间时间的情况下，则可以不对图像采集设备采集的视频流进行检测。
具体的夜间时间可以由用户预先设定，例如，设定每天的18:00至次日的5:30为夜间时间。或者，夜间时间也可以是根据图像采集设备所处位置当天的日出时间和日落时间来确定，在日落时间后，日出时间之前，即为夜间时间。那么，在确定当前时间是否为夜间时间时，可以获取图像采集设备所在位置的日出时间和日落时间，根据日出时间和日落时间确定当前时间是否为夜间时间。
获取日出时间和日落时间的具体方式可以是从提供日出时间和日落时间的网络端口进行获取，对于具体的获取方式，本公开不作具体限定。
考虑到夜间获取的图像的清晰度可能不高，导致无法准确识别对象和场景，因此，通过在确定当前时间不是夜间时间的情况下，对图像采集设备采集的视频流进行检测，在确定当前时间是夜间时间的情况下，可以不对图像采集设备采集的视频流进行检测。可以避免对不清晰的图像进行检测，避免了处理资源的浪费，提高了类别标注结果的准确性。
在一种可能的实现方式中，对象类别包括下述至少一种：人脸、人体、车牌、车型。场景类别包括下述至少一种：高空、低空室内、低空室外。
在一种可能的实现方式中，对图像采集设备采集的视频流进行检测，确定视频流中的目标视频帧的检测结果，包括：确定目标视频帧对应多个类别的置信度；在存在大于置信度阈值的置信度的情况下，将大于置信度阈值的置信度对应的类别，作为目标视频帧的检测结果。
确定目标视频帧对应多个类别的置信度，可以通过分类网络来确定。分类网络具体可以是超分辨率测试序列网络(VGG Net，Visual Geometry Group Net)，也可以是残差网络(ResNet，Residual Neural Network)网络，具体采用何种分类网络可依据本公开的实际应用需求确定，本公开对此不作具体限定。
在一些分类网络中，置信度可以表征目标视频帧属于某个类别的概率，或者，置信度可以用来表征目标视频帧属于某个类别的程度。置信度越大，该目标视频帧属于某个类别的可能性就越大。在将目标视频帧输入分类网络后，会确定出目标视频帧对应多个类别的置信度，每个类别对应一个置信度。
由于置信度越大，目标视频帧属于某个类别的可能性就越大，因此，可以通过设定置信度阈值，将大于置信度阈值的置信度对应的类别，作为目标视频帧的检测结果，大于置信度阈值的置信度可以有不止一个，此时目标视频帧会对应多个类别；若不存在大于置信度阈值的置信度，则可以确定目标视频帧不属于分类网络中的任何类别，即没有得到目标视频帧的检测结果。例如，预设的置信度阈值为60％，分类网络输出的类别1的置信度为70％，类别2的置信度为20％，类别3的置信度为10％，那么可以将类别1作为目标视频帧的检测结果。
需要说明的是，置信度阈值的具体值可依据本公开的实际应用需求确定，本公开对此不作具体限定。
分类网络可通过标注了类别的图像样本数据进行训练，例如，通过标注了人脸、人体、车牌、车型等对象类别的样本图片，对分类网络进行训练，训练后的网络可用于进行对象类别的识别；通过标注了高空、低空室内、低空室外等场景类别的样本图片，对分类网络进行训练，训练后的网络可用于进行上述场景类别的识别。至于具体的训练过程此处不做赘述。
在一种可能的实现方式中，为了提高类别标注结果的准确性，在确定视频流中的目标视频帧的检测结果后，还可以确定预设时间区间内得到的检测结果的总数量，然后在检测结果的总数量大于数量阈值的情况下，根据多个目标视频帧的检测结果，确定与图像采集设备对应的类别标注结果。
需要说明的是，数量阈值越大，得到的类别标注结果可靠性越高，但是为了保证确定类别标注结果的效率，数量阈值也不能太大，因此，数量阈值的具体值可依据本公开的实际应用需求确定，本公开对此不作具体限定。
在确定视频流中的目标视频帧的检测结果后，即对预设时间区间内得到的检测结果的总数量进行确定。这里在确定预设时间区间内得到的检测结果的总数量时，可以是在得到一个目标视频帧的检测结果后即在总数量上加1，即一个目标视频帧的检测结果对应一个数量；也可以是在得到一个目标视频帧的检测结果后，在总数量上累加具体得到的类别数量，即一个目标视频帧的检测结果包含n个类别，则对应累加n个数量，例如，对一个目标视频帧的检测结果为2个类别，则在总数量上加2。总数量的具体确定方式可依据本公开的实际应用需求确定，本公开对此不作具体限定。
预设时间区间可以由用户自行设定，且预设时间区间可以是一段连续的时间区间，也可以是包含多段不连续的时间区间。另外，多个预设时间区间之间可以由用户自行设置时间间隔。对于具体预设时间区间的设定，可依据本公开的实际应用需求确定，本公开对此不作具体限定。
根据本公开的实施例，通过在检测结果的总数量大于数量阈值的情况下，再根据多个目标视频帧的检测结果，确定与图像采集设备对应的类别标注结果，可以提高类别标注结果的准确性。
在一种可能的实现方式中，为了进一步提高类别标注结果的准确性，根据多个目标视频帧的检测结果，确定与图像采集设备对应的类别标注结果，包括：确定多个检测结果中各检测类别的数量占总数量的比值；将大于比值阈值的比值对应的检测类别，确定为与图像采集设备对应的类别标注结果。比值阈值的具体值可依据本公开的实际应用需求确定，本公开对此不作具体限定。
例如，对于某一个图像采集设备的视频流，得到检测结果的总数量为100个，其中，人脸类别的数量为50个、人体类别的数量为40个；车牌类别数量为10个。那么得到的人脸类别的比值为50％，人体类别的比值为40％，车牌类别的比值为10％。如果设定的比值阈值为30％，那么人脸类别和人体类别即为与图像采集设备对应的类别标注结果。
在一种可能的实现方式中，在确定了图像采集设备对应的类别标注结果后，便可以对类别标注结果进行存储，以便后期根据类别标注结果对图像采集设备进行运维和调用。
在一种可能的实现方式中，在确定了图像采集设备对应的类别标注结果后，还包括：在接收到针对目标类别的图像采集设备的查找请求的情况下，基于确定的图像采集设备对应的类别标注结果，返回目标类别的图像采集设备。
目标类别的图像采集设备的查找请求，可由用户通过人机交互界面触发，在人机交互界面中可以呈现图像采集设备的类别，以供用户选取，为方便描述，这里将用户请求查找的类别称为目标类别。
在收到该查找请求后，由于预先将图像采集设备的类别标注结果进行了存储，因此，可以基于确定的图像采集设备对应的类别标注结果，确定目标类别的图像采集设备，并将确定的目标类别的图像采集设备返回给用户。
例如，用户请求调用能看到人脸的图像采集设备，则可以依据预先标注的类别筛选图像采集设备。在接收到查找人脸类别的图像采集设备的请求后，可以在数据库中查找人脸类别的图像采集设备，并向用户返回人脸类别的图像采集设备。
根据本公开的实施例，可应用于提高图像采集设备的运维和使用效率。例如，视频监控已经成为公安侦查破案的一种重要手段，在公安系统中，当建设用于监控目标类别的对象和/或场景的监控系统时，可通过本公开实施例的类别标注方法，对已建设的全量图像采集设备进行分析，得到图像采集设备的类别标注结果。然后，用户可选择目标类别的对象和/或场景的图像采集设备，加入监控系统中。实现了对图像采集设备的高效运维和使用。
根据本公开的实施例，也可应用于对图像采集设备的摸底分析工作，通过本公开的实施例，可以对监控画面中的所处的场景类型和适合解析的对象进行摸底分析，提升了摸底效率及图像采集设备类型的统一性。
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。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了类别标注装置、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类别标注方法，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。
图2示出根据本公开实施例的类别标注装置20的框图，如图2所示，所述类别标注装置20包括：
检测结果确定模块21，用于对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种；
标注结果确定模块22，用于根据多个所述目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，检测结果确定模块21，用于确定目标视频帧对应多个类别的置信度；在存在大于置信度阈值的置信度的情况下，将大于置信度阈值的所述置信度对应的类别，作为目标视频帧的检测结果。
在一种可能的实现方式中，所述装置还包括：总数量确定模块，用于确定预设时间区间内得到的所述检测结果的总数量；所述标注结果确定模块22，用于在所述检测结果的总数量大于数量阈值的情况下，根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，所述检测结果包括多个，所述标注结果确定模块22包括第一标注结果确定子模块和第二标注结果确定子模块，其中，所述第一标注结果确定子模块，用于确定所述多个检测结果中各检测类别的数量占所述总数量的比值；第二标注结果确定子模块，用于将大于比值阈值的比值对应的检测类别，确定为与所述图像采集设备对应的类别标注结果。
在一种可能的实现方式中，所述对象类别包括下述至少一种：人脸；人体；车牌；车型；所述场景类别包括下述至少一种：高空；低空室内；低空室外。
在一种可能的实现方式中，所述装置还包括：查找模块，用于在接收到针对目标类别的目标图像采集设备的查找请求的情况下，基于确定的所述图像采集设备对应的所述类别标注结果，返回所述目标类别的所述目标图像采集设备。
在一种可能的实现方式中，所述装置还包括：时间确定模块，用于确定当前时间是否为夜间时间；所述检测结果确定模块21，用于在确定当前时间不是夜间时间的情况下，对所述图像采集设备采集的视频流进行检测。
在本公开实施例中，能够准确地确定图像采集设备的类别标注结果，实现了对图像采集设备进行类别划分的效果，这样可以方便管理者通过类别的维度管理和调用图像采集设备，降低了对图像采集设备进行管理的难度。
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调用所述存储器存储的指令，以执行上述方法。
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类别标注方法的指令。
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类别标注方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出根据本公开实施例的一种电子设备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3，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4示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，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。
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。
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 (10)

1.一种类别标注方法，其特征在于，包括：
对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种；
根据多个所述目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
2.根据权利要求1所述方法，其特征在于，对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，包括：
确定目标视频帧对应多个类别的置信度；
在存在大于置信度阈值的置信度的情况下，将大于置信度阈值的所述置信度对应的类别，作为目标视频帧的检测结果。
3.根据权利要求1所述方法，其特征在于，在确定所述视频流中的目标视频帧的检测结果后，所述方法还包括：
确定预设时间区间内得到的所述检测结果的总数量；
相应地，所述根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果，包括：
在所述检测结果的总数量大于数量阈值的情况下，根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
4.根据权利要求2或3所述方法，其特征在于，所述检测结果包括多个，所述根据多个目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果，包括：
确定所述多个检测结果中各检测类别的数量占所述总数量的比值；
将大于比值阈值的比值对应的检测类别，确定为与所述图像采集设备对应的类别标注结果。
5.根据权利要求1-4中任意一项所述方法，其特征在于，所述对象类别包括下述至少一种：
人脸；人体；车牌；车型；
所述场景类别包括下述至少一种：
高空；低空室内；低空室外。
6.根据权利要求1-5任一所述方法，其特征在于，在确定与所述图像采集设备对应的类别标注结果后，还包括：
在接收到针对目标类别的目标图像采集设备的查找请求的情况下，基于确定的所述图像采集设备对应的所述类别标注结果，返回所述目标类别的所述目标图像采集设备。
7.根据权利要求1-6任一所述方法，其特征在于，在对图像采集设备采集的视频流进行检测前，所述方法还包括：
确定当前时间是否为夜间时间；
相应地，所述对图像采集设备采集的视频流进行检测，包括：
在确定当前时间不是夜间时间的情况下，对所述图像采集设备采集的视频流进行检测。
8.一种类别标注装置，其特征在于，包括：
检测结果确定模块，用于对图像采集设备采集的视频流进行检测，确定所述视频流中的目标视频帧的检测结果，所述检测结果包括检测类别，所述检测类别包括：所述目标视频帧中对象的对象类别，和所述目标视频帧所对应的场景类别的至少一种；
标注结果确定模块，用于根据多个所述目标视频帧的检测结果，确定与所述图像采集设备对应的类别标注结果。
9.一种电子设备，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调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一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。
CN202010081768.1A 2020-01-19 2020-02-06 类别标注方法及装置、电子设备和存储介质 Active CN111274426B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020100600504 2020-01-19
CN202010060050 2020-01-19

Publications (2)

Publication Number Publication Date
CN111274426A true CN111274426A (zh) 2020-06-12
CN111274426B CN111274426B (zh) 2023-09-12

Family

ID=71003553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010081768.1A Active CN111274426B (zh) 2020-01-19 2020-02-06 类别标注方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US20220067379A1 (zh)
JP (1) JP2022545899A (zh)
CN (1) CN111274426B (zh)
SG (1) SG11202112130XA (zh)
TW (1) TWI755758B (zh)
WO (1) WO2021143008A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287169A (zh) * 2020-10-29 2021-01-29 字节跳动有限公司 数据采集方法、装置及系统、电子设备及存储介质
CN112418287A (zh) * 2020-11-16 2021-02-26 深圳市优必选科技股份有限公司 图像预标注方法、装置、电子设备及介质
CN112950667A (zh) * 2021-02-10 2021-06-11 中国科学院深圳先进技术研究院 一种视频标注方法、装置、设备及计算机可读存储介质
CN113033681A (zh) * 2021-03-31 2021-06-25 北京有竹居网络技术有限公司 视频分类方法、装置、可读介质及电子设备
CN113066135A (zh) * 2021-04-26 2021-07-02 深圳市商汤科技有限公司 图像采集设备的标定方法及装置、电子设备和存储介质
WO2021143008A1 (zh) * 2020-01-19 2021-07-22 深圳市商汤科技有限公司 类别标注方法及装置、电子设备、存储介质和计算机程序
WO2023029389A1 (zh) * 2021-08-30 2023-03-09 上海商汤智能科技有限公司 视频指纹的生成方法及装置、电子设备、存储介质、计算机程序、计算机程序产品
WO2023179031A1 (zh) * 2022-03-24 2023-09-28 商汤集团有限公司 一种图像处理方法、装置、电子设备、存储介质及计算机程序产品

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116112779A (zh) * 2023-02-23 2023-05-12 上海哔哩哔哩科技有限公司 拍摄效果的推荐、装置、存储介质及电子设备
CN117303149A (zh) * 2023-09-21 2023-12-29 深圳市瀚强科技股份有限公司 电梯控制方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131365A (zh) * 2006-08-23 2008-02-27 宝山钢铁股份有限公司 烧结矿主要矿物相自动识别方法
CN103294811A (zh) * 2013-06-05 2013-09-11 中国科学院自动化研究所 考虑特征可靠性的视频分类器构造方法
CN108960290A (zh) * 2018-06-08 2018-12-07 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
CN109308490A (zh) * 2018-09-07 2019-02-05 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
EP3582137A1 (en) * 2018-06-13 2019-12-18 Cosmo Artificial Intelligence - AI Limited Systems and methods for processing real-time video from a medical image device and detecting objects in the video

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101478665B (zh) * 2008-12-15 2011-06-15 华为终端有限公司 一种视频监控方法及装置
US9082018B1 (en) * 2014-09-30 2015-07-14 Google Inc. Method and system for retroactively changing a display characteristic of event indicators on an event timeline
US9704054B1 (en) * 2015-09-30 2017-07-11 Amazon Technologies, Inc. Cluster-trained machine learning for image processing
CN108734214A (zh) * 2018-05-21 2018-11-02 Oppo广东移动通信有限公司 图像识别方法和装置、电子设备、存储介质
CN110532971B (zh) * 2019-09-02 2023-04-28 京东方科技集团股份有限公司 图像处理及装置、训练方法以及计算机可读存储介质
CN111274426B (zh) * 2020-01-19 2023-09-12 深圳市商汤科技有限公司 类别标注方法及装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131365A (zh) * 2006-08-23 2008-02-27 宝山钢铁股份有限公司 烧结矿主要矿物相自动识别方法
CN103294811A (zh) * 2013-06-05 2013-09-11 中国科学院自动化研究所 考虑特征可靠性的视频分类器构造方法
CN108960290A (zh) * 2018-06-08 2018-12-07 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
EP3582137A1 (en) * 2018-06-13 2019-12-18 Cosmo Artificial Intelligence - AI Limited Systems and methods for processing real-time video from a medical image device and detecting objects in the video
CN109308490A (zh) * 2018-09-07 2019-02-05 北京字节跳动网络技术有限公司 用于生成信息的方法和装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021143008A1 (zh) * 2020-01-19 2021-07-22 深圳市商汤科技有限公司 类别标注方法及装置、电子设备、存储介质和计算机程序
CN112287169A (zh) * 2020-10-29 2021-01-29 字节跳动有限公司 数据采集方法、装置及系统、电子设备及存储介质
CN112287169B (zh) * 2020-10-29 2024-04-26 字节跳动有限公司 数据采集方法、装置及系统、电子设备及存储介质
CN112418287A (zh) * 2020-11-16 2021-02-26 深圳市优必选科技股份有限公司 图像预标注方法、装置、电子设备及介质
CN112418287B (zh) * 2020-11-16 2023-10-13 深圳市优必选科技股份有限公司 图像预标注方法、装置、电子设备及介质
CN112950667A (zh) * 2021-02-10 2021-06-11 中国科学院深圳先进技术研究院 一种视频标注方法、装置、设备及计算机可读存储介质
CN112950667B (zh) * 2021-02-10 2023-12-22 中国科学院深圳先进技术研究院 一种视频标注方法、装置、设备及计算机可读存储介质
CN113033681A (zh) * 2021-03-31 2021-06-25 北京有竹居网络技术有限公司 视频分类方法、装置、可读介质及电子设备
CN113066135A (zh) * 2021-04-26 2021-07-02 深圳市商汤科技有限公司 图像采集设备的标定方法及装置、电子设备和存储介质
WO2023029389A1 (zh) * 2021-08-30 2023-03-09 上海商汤智能科技有限公司 视频指纹的生成方法及装置、电子设备、存储介质、计算机程序、计算机程序产品
WO2023179031A1 (zh) * 2022-03-24 2023-09-28 商汤集团有限公司 一种图像处理方法、装置、电子设备、存储介质及计算机程序产品

Also Published As

Publication number Publication date
TW202129548A (zh) 2021-08-01
CN111274426B (zh) 2023-09-12
WO2021143008A1 (zh) 2021-07-22
JP2022545899A (ja) 2022-11-01
TWI755758B (zh) 2022-02-21
US20220067379A1 (en) 2022-03-03
SG11202112130XA (en) 2021-12-30

Similar Documents

Publication Publication Date Title
CN111274426B (zh) 类别标注方法及装置、电子设备和存储介质
CN110942036B (zh) 人员识别方法及装置、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
CN110990801B (zh) 信息校验方法及装置、电子设备和存储介质
CN110858924B (zh) 视频背景音乐的生成方法、装置及存储介质
CN111881956A (zh) 网络训练方法及装置、目标检测方法及装置和电子设备
CN110781957A (zh) 图像处理方法及装置、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
CN109635142B (zh) 图像选择方法及装置、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
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN114240882A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN109671051B (zh) 图像质量检测模型训练方法及装置、电子设备和存储介质
CN110728815A (zh) 基于视频分析的预警方法及装置、电子设备和存储介质
CN110807393A (zh) 基于视频分析的预警方法及装置、电子设备和存储介质
CN111523599B (zh) 目标检测方法及装置、电子设备和存储介质
CN111898676A (zh) 目标检测方法及装置、电子设备和存储介质
CN112085097A (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
TW202242715A (zh) 身份辨識方法及電子設備、電腦可讀儲存媒體
CN111651627A (zh) 数据处理方法及装置、电子设备和存储介质
CN110909562A (zh) 视频审核方法及装置
CN110929545A (zh) 人脸图像的整理方法及装置
CN110955800A (zh) 视频检索方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023107

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant