CN111639653B - 一种误检图像确定方法、装置、设备和介质 - Google Patents
一种误检图像确定方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111639653B CN111639653B CN202010390417.9A CN202010390417A CN111639653B CN 111639653 B CN111639653 B CN 111639653B CN 202010390417 A CN202010390417 A CN 202010390417A CN 111639653 B CN111639653 B CN 111639653B
- Authority
- CN
- China
- Prior art keywords
- image
- network model
- feature vector
- determining
- detected
- 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
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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种误检图像确定方法、装置、设备和介质，该方法基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量，并确定第一特征向量与保存的背景目标特征池中每个特征向量的相似度，根据确定的相似度和预先训练完成的神经网络模型对待检测图像的识别结果，确定该待检测图像是否为误检图像。由于本发明通过预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量，从而确定与背景目标特征池中的特征向量的相似度，从而针对任何图像都能检测出对应的相似度，从而保证根据相似度及预先训练完成的神经网络模型对待检测图像的识别结果，提高了确定的误检图像的准确性，并提高了误检图像确定方法的泛化性。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种误检图像确定方法、装置、设备和介质。
背景技术
随着智能技术的发展，智能安防系统也越来越普及，而报警功能是智能安防系统的重要功能，智能安防系统的图像采集装置对关注目标进行跟踪，当关注目标越过划定的警戒线时触发智能安防系统的报警功能。目前对关注目标跟踪的主流方法包括深度学习，相关滤波等方法。智能安防系统的图像采集装置在跟踪目标时，会根据采集到的包含目标的目标图像进行判断。现有技术中，对关注目标进行跟踪的无论哪种方法，都会存在将背景图像当做目标图像，从而产生误检，并因误检导致报警的误报，其中，背景图像是除目标图像外的任何图像，该背景图像为可能只包含背景的图像，或者包含非目标物体的图像。
为了实现误报去除，需要首先从识别出的可能为目标图像的图像集合中，确定出误检图像，即不属于目标图像但被误识别为目标图像的背景图像。现有技术的基于轮廓模板的方法在确定误检图像时包括：
(1)将待检测图像发送给处理器。
(2)采用Haar检测算法对待检测图像进行检测，确定出待检测图像的Haar特征。
(3)对待检测图像的检测结果采用强分类器进行分类，具体是通过将待检测图像的Haar特征与轮廓模板进行匹配，匹配成功，则确定该待检测图像为误检图像，即该待检测图像为背景图像，匹配不成功，则确定该待检测图像为目标图像。
根据上述过程可知，现有技术是通过采用强分类器，将待检测图像的特征和轮廓模板进行匹配，从而识别出误检图像并去除。但根据固定的轮廓模板识别误检图像，无法识别与固定的轮廓模板不匹配的误检图像，因此，现有技术中仅根据固定的轮廓模板识别误检图像时，会导致无法准确地识别误检图像，泛化性较低。
现有技术中的基于小波变化的视频雨滴检测与去除方法包括：
(1)提取图像的小波域特征，得到图像边缘部分。
(2)先进行双边空间特征提取，再通过小波域特征提取，得到图像的主要边缘部分。
(3)用步骤1得到的图像边缘部分减去图像主要边缘部分得到图像的细节边缘部分。
(4)在静止区域去除图像细节边缘部分的错误检测，检测出运动区域，完成雨滴检测得到雨图。
(5)利用图像恢复方法进行雨滴的去除。
根据上述过程可知，现有技术中是通过提取图像的小波域特征，得到图像的边缘部分，再通过双边空间特征提取和小波域特征提取，得到图像的主要边缘部分，根据图像的边缘部分和主要边缘部分得到的细节边缘部分，确定出图像的雨图。
现有技术中的基于小波变化的视频雨滴检测与去除方法中，只能针对下雨场景进行误检图像的去除，导致泛化性较低。
发明内容
本发明实施例提供了一种误检图像确定方法、装置、设备和介质，用以解决现有的误检图像确定方法的泛化性低的问题。
本发明实施例提供了一种误检图像确定方法，所述方法包括：
基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；
确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像。
进一步地，所述根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像，包括：
识别所述相似度中的最大值；
若所述最大值大于预设阈值，确定所述待检测图像为误检图像；
若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
进一步地，若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，所述方法还包括：
将所述第一特征向量添加到所述背景目标特征池中。
进一步地，确定所述背景目标特征池的过程包括：
基于所述预先训练完成的神经网络模型，确定保存的图像中的背景图像；
基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；
将确定的每个所述第二特征向量添加到所述背景目标特征池中。
进一步地，所述确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度，包括：
确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；
根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
进一步地，训练所述神经网络模型的过程包括：
获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；
通过原始神经网络模型，获取所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
进一步地，基于训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
相应地，本发明实施例提供一种误检图像确定装置，所述装置包括：
确定模块，用于基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
判断模块，用于根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像。
进一步地，所述判断模块，具体用于识别所述相似度中的最大值；若所述最大值大于预设阈值，确定所述待检测图像为误检图像；若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
进一步地，所述装置还包括：
特征更新模块，用于若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，将所述第一特征向量添加到所述背景目标特征池中。
进一步地，所述确定模块，还用于基于所述预先训练完成的神经网络模型，确定保存的图像中的背景图像；基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；将确定的每个所述第二特征向量添加到所述背景目标特征池中。
进一步地，所述确定模块，具体用于确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
进一步地，所述装置还包括：
训练模块，用于获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；通过原始神经网络模型，获取所述样本图像的第二标签信息；根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
进一步地，所述训练模块，还用于基于训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
相应地，本发明实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现上述误检图像确定方法中任一所述方法的步骤。
相应地，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述误检图像确定方法中任一所述方法的步骤。
本发明实施例提供了一种误检图像确定方法、装置、设备和介质，该方法基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量，并确定第一特征向量与保存的背景目标特征池中每个特征向量的相似度，根据确定的相似度和预先训练完成的神经网络模型对待检测图像的识别结果，确定该待检测图像是否为误检图像。由于本发明实施例通过预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量，从而确定与背景目标特征池中的特征向量的相似度，从而针对任何图像都能检测出对应的相似度，从而保证根据相似度及预先训练完成的神经网络模型对待检测图像的识别结果，提高了确定的误检图像的准确性，并提高了误检图像确定方法的泛化性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种误检图像确定方法的过程示意图；
图2为本发明实施例提供的一种根据背景目标特征池确定误检图像的示意图；
图3为本发明实施例提供的一种训练神经网络模型和特征提取网络模型的过程示意图；
图4为本发明实施例提供的一种确定背景目标特征池中特征向量的过程示意图；
图5为本发明实施例提供的另一种误检图像确定方法的过程示意图；
图6为本发明实施例提供的一种误检图像确定装置的结构示意图；
图7为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的一种误检图像确定方法的过程示意图，该过程包括以下步骤：
S101：基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量。
本发明实施例提供的一种误检图像确定方法，应用于图像采集设备，也可应用于其他电子设备，例如PC、移动终端等设备。
在本发明实施例中，为了确定待检测图像是否为误检图像，需要确定出该待检测图像的第一特征向量。
具体的，在本发明实施例中，将该待检测图像输入到该预先训练完成的特征提取网络模型中，基于该预先训练完成的特征提取网络模型对待检测图像的处理，从而得到待检测图像的第一特征向量。
较佳的，在将待检测图像输入到该预先训练完成的特征提取网络模型之前，还可以先将该待检测图像的尺度调整至预设尺度，方便该预先训练完成的特征提取网络模型对该待检测图像进行特征向量的提取。其中，该预设尺度是用户预先设置的。
其中，该预先训练完成的特征提取网络模型用于输出图像的特征向量，该预先训练完成的特征提取网络模型是能够对目标图像和背景图像进行识别的，预先训练完成的神经网络模型中用于输出图像特征向量的子模型，该预先训练完成的特征提取网络模型包括卷积层、池化层等结构。
其中该待检测图像是通过一定的方法确定的，可能为目标图像的图像。具体的获取待检测图像可以采用现有技术的方法，在此不再赘述。
S102：确定所述第一特征向量与预先确定的背景目标特征池中每个特征向量的相似度。
在获取到特征提取网络模型所输出的待检测图像的第一特征向量后，为了判断该待检测图像是否为误检图像，即判断该待检测图像是否为背景图像，还需要确定该第一特征向量与预先确定的背景目标特征池中的每个特征向量的相似度。
其中，该背景目标特征池中的每个特征向量均为背景图像的特征向量。
具体的，确定特征向量的相似度的方法通过向量间的余弦值确定，也可以通过向量间的余弦距离来确定。
S103：根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像。
在确定出该待检测图像的第一特征向量与该背景目标特征池间中每个特征向量的相似度后，根据确定出的相似度以及该预先训练完成的神经网络模型对待检测图像的识别结果，即可以确定该待检测图像是否为误检图像。
其中，在本发明实施例中该预先训练完成的神经网络模型，能够识别输入的待检测图像是否为目标图像。
较佳的，在将待检测图像输入到该预先训练完成的神经网络模型之前，也可以先将该待检测图像的尺度调整至预设尺度，方便该预先训练完成的神经网络模型对该待检测图像进行识别。
在本发明实施例中，若确定的相似度以及该神经网络模型对待检测图像的识别结果符合确定的要求，既可以确定该待检测图像为误检图像。
由于在本发明实施例中，基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量，并确定第一特征向量与保存的背景目标特征池中每个特征向量的相似度，根据确定的相似度和预先训练完成的神经网络模型对待检测图像的识别结果，确定该待检测图像是否为误检图像。由于本发明实施例通过预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量，从而确定与背景目标特征池中的特征向量的相似度，从而针对任何图像都能检测出对应的相似度，从而保证根据相似度及预先训练完成的神经网络模型对待检测图像的识别结果，提高了确定的误检图像的准确性，并提高了误检图像确定方法的泛化性。
实施例2：
为了确定该待检测图像是否为误检图像，在上述实施例的基础上，在本发明实施例中，所述根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像，包括：
识别所述相似度中的最大值；
若所述最大值大于预设阈值，确定所述待检测图像为误检图像；
若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
为了确定该待检测图像是否为误检图像，在本发明实施例中，识别该第一特征向量与该背景目标特征中的每个特征向量的相似度中的最大值。
根据该最大值与预设阈值的比较结果，即可以初步确定出该待检测图像是否为误检图像。具体的，若该最大值大于预设阈值，则说明该待检测图像与该背景目标特征池中的相似度的最大值对应的背景图像相似，说明该待检测图像很可能是背景图像，此时可以认为该待检测图像为误检图像；若该最大值不大于预设阈值，则说明该待检测图像与该背景目标特征池中的每一特征向量对应的背景图像均不相似。
若该最大值不大于该预设阈值时，为了更准确地确定出该待检测图像是否为误检图像，还需要根据该预先训练完成的神经网络模型，确定该待检测图像的识别结果，即将该待检测图像输入到该预先训练完成的神经网络模型中，获取该预先训练完成的神经网络模型的识别结果，若该识别结果为背景图像，则说明该待检测图像为误检图像；若该识别结果为目标图像时，则说明该待检测图像非误检图像。
其中，该预设阈值是由用户预先确定的，该阈值的大小可根据需要进行调整，若要提高误检图像检测的准确度，则可以将该阈值调整地较大一些；若要提高误检图像的效率，则可以将该阈值调整地较小一些。
在本发明实施例中，图2为本发明实施例提供的一种根据背景目标特征池确定误检图像的示意图，图2的左边(图中所示的左右)的图像为背景目标特征池中的一个特征向量对应的原始图像，图2的右边(图中所示的左右)的图像为误检图像，其中，图2右边(图中所示的左右)的图像的特征向量与图2左边(图中所示的左右)的图像的特征向量的相似度大于预设阈值。
在本发明实施例中，通过预先训练完的神经网络模型对待检测图像进行识别，并通过已保存的背景目标特征池中的特征向量与待检测图像的特征向量的相似度，综合确定待检测图像是否为误检图像，因此相比现有技术中通过固定的轮廓模板确定误检图像，本发明实施例的误检图像确定方法的鲁棒性更好。
为了实现更加准确地确定误检图像，在上述各实施例的基础上，在本发明实施例中，若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，所述方法还包括：
将所述第一特征向量添加到所述背景目标特征池中。
在本发明实施例中，在确定出该第一特征向量与该背景目标特征池中的每一特征向量的相似度中的最大值不大于预设阈值，则说明该待检测图像与该背景目标特征池中的特征向量对应的背景图像均不相似，而基于该预先训练完成的神经网络模型对该待检测图像的识别结果为背景图象时，确定该待检测图像为误检图像，为了方便后续识别，可以将该待检测图像的第一特征向量添加到背景目标特征池中，即实现对背景目标特征池中特征向量的更新。
随着背景目标特征池中特征向量数量的增多，在对待检测图像进行识别时，根据该背景目标特征池中的特征向量，直接确定该待检测图像为误检图像的准确度也会提高。
在本发明实施例中，通过上述方式实现了对背景目标特征池中的特征向量的更新，将被预先训练完成的神经网络模型识别为背景图像的待检测图像的特征向量，添加到背景目标特征池中，从而能够不断学习不同场景和不同类型的误检图像的特征向量，将与背景目标特征池中的特征向量对应的背景图像相似的待检测图像，确定为误检图像，从而提高了误检图像确定的准确性，并且通过上述方法确定误检图像，具有极好的泛化性。
实施例3：
为了确定出背景目标特征池中的特征向量，在上述各实施例的基础上，在本发明实施例中，确定所述背景目标特征池的过程包括：
基于所述预先训练完成的神经网络模型，确定保存的图像中的背景图像；
基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；
将确定的每个所述第二特征向量添加到所述背景目标特征池中。
为了确定出背景目标特征池中的特征向量，本发明实施例中收集一些图像并保存。较佳的，该保存的图像是采用现有技术中的检测方法进行检测，被检测框所框出的目标区域的图像。由于现有技术中对关注目标进行检测时，会存在将背景图像误检为目标图像的可能性，因此保存的这些图像可能是目标图像，也可能是背景图像。
本发明实施例提供的电子设备将保存的图像依次输入到预先训练完成的神经网络模型中，即可以确定出每个图像的识别结果。
较佳的，在将图像输入到预先训练完成的神经网络模型之前，还可以先对图像进行尺度归一化处理，即将图像的尺度调整到预设尺度，方便该预先训练完成的神经网络模型对图像进行识别。其中，该预设尺度是用户预先设置的。
根据该预先训练完成的神经网络模型对每个图像的识别结果，确定出保存的图像中的背景图像。为了确定出背景目标特征池中的特征向量，还需要基于预先训练完成的特征提取网络模型，将确定出的背景图像输入到预先训练完成的特征提取网络模型中，确定背景图像的第二特征向量，并将确定的每个第二特征向量添加到该背景目标特征池中。
实施例4：
为了确定出第一特征向量与背景目标特征池中每个特征向量的相似度，在上述各实施例的基础上，在本发明实施例中，所述确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度，包括：
确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；
根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
在本发明实施例中，为了确定出第一特征向量与背景目标特征池中每个特征向量的相似度，可以通过计算该第一特征向量与该背景目标特征池中每个特征向量的余弦值来确定。由于该余弦值的大小代表向量间的夹角大小，该余弦值越大时，两向量间的夹角越小，该余弦值越小时，两向量间的夹角越大，当两个向量的方向重合时，夹角的余弦值取最大值1，当两个向量的方向相反时，夹角的余弦值取最小值-1。而两向量间的夹角越小时，说明两向量也就越相似，当两个向量的夹角为0时，说明两向量完全相同。因此，可以根据该第一特征向量与该背景目标特征池中每个特征向量的余弦值，确定该第一特征向量与该背景目标特征池中每个特征向量相似度。
作为一种可能的实施方式，还可以根据该余弦值的大小，确定出向量间的余弦距离，由于两向量间的余弦值越大，两向量间的余弦距离也越小，两向量的相似度越大。因此根据两向量间的余弦距离，可以确定出两向量间的相似度。
例如，在确定该第一特征向量与该背景目标特征池中每个特征向量的相似度中的最大值时，背景目标特征池中包含有背景图像的特征向量Fi i∈[0,K]，其中K为背景目标特征池中的特征向量的数量，将该第一特征向量记为G，计算该第一特征向量与背景目标特征池中每个特征向量的余弦距离中的最小余弦距离，该最小余弦距离
由于两向量间的余弦距离越小时，两向量的相似度越大，在本发明实施例中可以将第一特征向量与该背景目标特征池中特征向量的余弦距离的倒数，作为第一特征向量与该背景目标特征池中特征向量的相似度。因此在确定该相似度的最大值时，如果确定了最小余弦距离，则该最小余弦距离的倒数为该相似度的最大值。
实施例5：
为了实现对神经网络模型的训练，在上述各实施例的基础上，在本发明实施例中，训练所述神经网络模型的过程包括：
获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；
通过原始神经网络模型，获取所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
为了实现对神经网络模型的训练，本发明实施例中保存有进行训练用的样本集，该样本集中的样本图像包括有目标图像和背景图像，该样本集中样本图像的第一标签信息为人工预先标注的，其中，该第一标签信息用于标识该样本图像是否为背景图像。该第一标签信息可以为数字、字母等，本发明实施例对此不作限制。
例如，当该样本图像为背景图像时，该样本图像的第一标签信息为1，当该样本图像是目标图像时，该样本图像的第一标签信息为0。
在本发明实施例中，在获取到样本集中的任一样本图像及该样本图像的第一标签信息后，将该样本图像输入到原始神经网络模型中，该原始神经网络模型输出该样本图像的第二标签信息。其中，第二标签信息标识该原始神经网络模型识别的该样本图像是目标图像，还是背景图像。
在根据原始神经网络模型确定出该样本图像的第二标签信息后，根据该第二标签信息以及该样本图像的第一标签信息，对原始的神经网络模型进行训练，以调整原始的神经网络模型的各项参数的参数值。
由于样本图像的尺度大小不同，为了便于对原始神经网络模型进行训练，还需要将样本集中的样本图像的尺度大小调整为预设尺度，该预设尺度是用户预先确定的固定尺度。
对神经网络模型进行训练的样本集中包含的每一个样本图像都进行上述操作，当满足预设的条件时，得到训练完成的神经网络模型。其中，该预设的条件可以是样本集中的样本图像通过原始神经网络模型训练后得到的第一标签信息与第二标签信息一致的样本图像的数量大于设定数量；也可以是对原始神经网络模型进行训练的迭代次数达到设置的最大迭代次数等。具体的，本发明实施例对此不做限制。
作为一种可能的实施方式，在对原始神经网络模型进行训练时，可以把样本集中的样本图像分为训练样本图像和测试样本图像，先基于训练样本图像对原始神经网络模型进行训练，再基于测试样本图像对训练完成的神经网络模型的可靠性进行测试。
在本发明实施例中，通过样本集中的各类样本图像来训练原始神经网络模型，因此极大地提高了神经网络模型识别目标图像和背景图像的泛化能力；并且相比于现有技术中利用固定的轮廓模板对单一类型的误检图像进行识别，本发明实施例提供的预先训练完成的神经网络模型的对误检图像进行识别的泛化性更好。
为了实现对特征提取网络模型的训练，在上述各实施例的基础上，在本发明实施例中，基于训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
训练完成的神经网络模型在对图像进行识别时，先确定图像的特征向量，基于特征向量进行分析，从而确定识别结果。为了获取到图像的特征向量，在本发明实施例中将训练完成的该神经网络模型中实现特征向量输出的子模型，作为训练完成的特征提取网络模型。
其中，由于在训练完成的该神经网络模型中，具体通过哪些层处理后，哪一层的输出为特征向量也可以预先获知，因此可以将该输出特征向量的该层以及该层之前的各层构成的子模型，作为训练完成的特征提取网络模型。例如训练完成的该神经网络模型中经过前几层的处理，在倒数第二层输出特征向量，则可以将该倒数第二层及其之前的各层构成的子模型，作为训练完成的特征提取网络模型。
实施例6：
图3为本发明实施例提供的一种训练神经网络模型和特征提取网络模型的过程示意图，该过程包括以下步骤：
S301：获取样本集中的任一样本图像及样本图像的第一标签信息。
S302：对样本图像进行尺度归一化处理，将样本集中的样本图像的尺度调整为预设尺度。
S303：通过原始神经网络模型，获取到该样本图像的第二标签信息；根据第一标签信息和第二标签信息，对原始神经网络模型的各参数的参数值进行调整，得到预先训练完成的神经网络模型。
S304：将预先训练完成的神经网络模型中实现特征向量输出的子模型作为预先训练完成的特征提取网络模型。
图4为本发明实施例提供的一种确定背景目标特征池中特征向量的过程示意图，该过程包括以下步骤：
S401：基于预先训练完成的神经网络模型，确定输入的图像是否为背景图像，并将该图像保存到确定完成集合中。
S402：判断是否确定完所有保存的图像，若是，则进入S403，若否，从未确定集合中获取一张图像，返回S401。
S403：将背景图像输入到预先训练完成的特征提取网络模型。
S404：基于预先训练完成的特征提取网络模型，确定背景图像的第二特征向量。
S405：将每个背景图像的第二特征向量添加到背景目标特征池中。
S406：确定背景目标特征池中的特征向量。
在本发明实施例的图3和图4中，S304中预先训练完成的特征提取网络模型用于S403中。
图5为本发明实施例提供的另一种误检图像确定方法的过程示意图，该过程包括以下步骤：
S501：基于预先训练完成的神经网络模型，确定出待检测图像的第一特征向量。
S502：确定第一特征向量与保存的背景目标特征池中每个特征向量的余弦距离的最小余弦距离。
S503：判断最小余弦距离是否小于距离阈值t，若是，则进入S504；若否，则进入S505。
S504：确定待检测图像为误检图像。
S505：基于预先训练完成的神经网络模型对待检测图像进行识别，若识别该待检测图像为背景图像时，确定待检测图像为误检图像，并将第一特征向量添加到背景目标特征池中。
在本发明实施例的图4和图5中，S406中确定的背景目标特征池中的特征向量用于S502中，用于确定保存的背景目标特征池中每个特征向量与第一特征向量的余弦距离中的最小余弦距离。
实施例7：
图6为本发明实施例提供的一种误检图像确定装置的结构示意图，在上述各实施例的基础上，本发明实施例还提供的一种误检图像确定装置，所述装置包括：
确定模块601，用于基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
判断模块602，用于根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像。
所述判断模块602，具体用于识别所述相似度中的最大值；若所述最大值大于预设阈值，确定所述待检测图像为误检图像；若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
所述装置还包括：
特征更新模块603，用于若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，将所述第一特征向量添加到所述背景目标特征池中。
所述确定模块601，还用于基于所述预先训练完成的神经网络模型，确定保存的图像中的背景图像；基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；将确定的每个所述第二特征向量添加到所述背景目标特征池中。
所述确定模块601，具体用于确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
所述装置还包括：
训练模块604，用于获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；通过原始神经网络模型，获取所述样本图像的第二标签信息；根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
所述训练模块604，还用于基于训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
实施例8：
图7为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信；
所述存储器703中存储有计算机程序，当所述程序被所述处理器701执行时，使得所述处理器701执行如下步骤：
基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；
确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像。
进一步地，所述处理器701，具体用于识别所述相似度中的最大值；
若所述最大值大于预设阈值，确定所述待检测图像为误检图像；
若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
进一步地，所述处理器701还用于若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，将所述第一特征向量添加到所述背景目标特征池中。
进一步地，所述处理器701，具体用于确定所述背景目标特征池的过程包括：
基于所述预先训练完成的神经网络模型，确定保存的图像中的背景图像；
基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；
将确定的每个所述第二特征向量添加到所述背景目标特征池中。
进一步地，所述处理器701，具体用于确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度，包括：
确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；
根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
进一步地，所述处理器701，具体用于训练所述神经网络模型的过程包括：
获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；
通过原始神经网络模型，获取所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
进一步地，所述处理器701，具体用于基于训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口702用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例9：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行如下步骤：
基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；
确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像。
所述根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像，包括：
识别所述相似度中的最大值；
若所述最大值大于预设阈值，确定所述待检测图像为误检图像；
若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，所述方法还包括：
将所述第一特征向量添加到所述背景目标特征池中。
确定所述背景目标特征池的过程包括：
基于所述预先训练完成的神经网络模型，确定保存的图像中的背景图像；
基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；
将确定的每个所述第二特征向量添加到所述背景目标特征池中。
所述确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度，包括：
确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；
根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
训练所述神经网络模型的过程包括：
获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；
通过原始神经网络模型，获取所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
进一步地，基于训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种误检图像确定方法，其特征在于，所述方法包括：
基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；
确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像；
其中，确定所述背景目标特征池的过程包括：
基于所述预先训练完成的神经网络模型，其中所述神经网络模型用于识别保存的图像是否为背景图像，确定保存的图像中的背景图像；
基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；
将确定的每个所述第二特征向量添加到所述背景目标特征池中；
其中，所述根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像，包括：
识别所述相似度中的最大值；
若所述最大值大于预设阈值，确定所述待检测图像为误检图像；
若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
2.根据权利要求1所述的方法，其特征在于，若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，所述方法还包括：
将所述第一特征向量添加到所述背景目标特征池中。
3.根据权利要求1所述的方法，其特征在于，所述确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度，包括：
确定所述第一特征向量与所述背景目标特征池中每个特征向量的余弦值；
根据每个所述余弦值，确定所述第一特征向量与所述背景目标特征池中每个特征向量的相似度。
4.根据权利要求1所述的方法，其特征在于，训练所述神经网络模型的过程包括：
获取样本集中的任一样本图像及所述样本图像的第一标签信息，其中所述第一标签信息用于标识所述样本图像是否为背景图像；
通过原始神经网络模型，获取所述样本图像的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始神经网络模型中的各参数的参数值进行调整。
5.根据权利要求4所述的方法，其特征在于，基于预先训练完成的神经网络模型，将所述训练完成的神经网络模型中实现特征向量输出的子模型作为训练完成的特征提取网络模型。
6.一种误检图像确定装置，其特征在于，所述装置包括：
确定模块，用于基于预先训练完成的特征提取网络模型，确定待检测图像的第一特征向量；确定所述第一特征向量与保存的背景目标特征池中每个特征向量的相似度；
判断模块，用于根据确定的所述相似度及预先训练完成的神经网络模型对所述待检测图像的识别结果，确定所述待检测图像是否为误检图像；
所述确定模块，还用于基于所述预先训练完成的神经网络模型，其中所述神经网络模型用于识别保存的图像是否为背景图像，确定保存的图像中的背景图像；基于所述预先训练完成的特征提取网络模型，确定每个所述背景图像的第二特征向量；将确定的每个所述第二特征向量添加到所述背景目标特征池中；
所述判断模块，具体用于识别所述相似度中的最大值；若所述最大值大于预设阈值，确定所述待检测图像为误检图像；若所述最大值不大于所述预设阈值，基于所述预先训练完成的神经网络模型对所述待检测图像的识别结果为背景图像时，确定所述待检测图像为误检图像。
7.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-5中任一所述误检图像确定方法的步骤。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述误检图像确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010390417.9A CN111639653B (zh) | 2020-05-08 | 2020-05-08 | 一种误检图像确定方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010390417.9A CN111639653B (zh) | 2020-05-08 | 2020-05-08 | 一种误检图像确定方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111639653A CN111639653A (zh) | 2020-09-08 |
| CN111639653B true CN111639653B (zh) | 2023-10-10 |
Family
ID=72331947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010390417.9A Active CN111639653B (zh) | 2020-05-08 | 2020-05-08 | 一种误检图像确定方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639653B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101448B (zh) * | 2020-09-10 | 2021-09-21 | 敬科(深圳)机器人科技有限公司 | 一种屏幕图像识别方法、设备、系统和可读存储介质 |
| CN112990300A (zh) * | 2021-03-11 | 2021-06-18 | 北京深睿博联科技有限责任公司 | 前景识别方法、装置、设备及计算机可读存储介质 |
| CN113537145B (zh) * | 2021-06-28 | 2024-02-09 | 青鸟消防股份有限公司 | 目标检测中误、漏检快速解决的方法、装置及存储介质 |
| CN113658146B (zh) * | 2021-08-20 | 2022-08-23 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
| CN116071089B (zh) * | 2023-02-10 | 2023-12-05 | 成都新希望金融信息有限公司 | 一种欺诈识别方法、装置、电子设备及存储介质 |
| CN116503695B (zh) * | 2023-06-29 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 目标检测模型的训练方法、目标检测方法及设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
| CN108154196A (zh) * | 2018-01-19 | 2018-06-12 | 百度在线网络技术（北京）有限公司 | 用于输出图像的方法和装置 |
| CN108197565A (zh) * | 2017-12-29 | 2018-06-22 | 深圳英飞拓科技股份有限公司 | 基于人脸识别的目标寻踪方法及系统 |
| CN108230252A (zh) * | 2017-01-24 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像处理方法、装置以及电子设备 |
| WO2018119599A1 (zh) * | 2016-12-26 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
| CN108764325A (zh) * | 2018-05-23 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| CN109241998A (zh) * | 2018-08-06 | 2019-01-18 | 百度在线网络技术（北京）有限公司 | 模型训练方法、装置、设备及存储介质 |
| CN109871730A (zh) * | 2017-12-05 | 2019-06-11 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及监控设备 |
| CN110309795A (zh) * | 2019-07-04 | 2019-10-08 | 腾讯科技（深圳）有限公司 | 视频检测方法、装置、电子设备及存储介质 |
| CN110443969A (zh) * | 2018-05-03 | 2019-11-12 | 中移(苏州)软件技术有限公司 | 一种火点检测方法、装置、电子设备及存储介质 |
| CN110443267A (zh) * | 2019-05-28 | 2019-11-12 | 浙江大华技术股份有限公司 | 误检过滤方法、装置、拍摄装置及存储介质 |
| WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| CN110569878A (zh) * | 2019-08-08 | 2019-12-13 | 上海汇付数据服务有限公司 | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 |
| WO2020015470A1 (zh) * | 2018-07-16 | 2020-01-23 | Oppo广东移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018124786A (ja) * | 2017-01-31 | 2018-08-09 | 富士通株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| CN108038880B (zh) * | 2017-12-20 | 2019-12-13 | 百度在线网络技术（北京）有限公司 | 用于处理图像的方法和装置 |
-
2020
- 2020-05-08 CN CN202010390417.9A patent/CN111639653B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018119599A1 (zh) * | 2016-12-26 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
| CN108230252A (zh) * | 2017-01-24 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像处理方法、装置以及电子设备 |
| CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
| CN109871730A (zh) * | 2017-12-05 | 2019-06-11 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及监控设备 |
| CN108197565A (zh) * | 2017-12-29 | 2018-06-22 | 深圳英飞拓科技股份有限公司 | 基于人脸识别的目标寻踪方法及系统 |
| CN108154196A (zh) * | 2018-01-19 | 2018-06-12 | 百度在线网络技术（北京）有限公司 | 用于输出图像的方法和装置 |
| CN110443969A (zh) * | 2018-05-03 | 2019-11-12 | 中移(苏州)软件技术有限公司 | 一种火点检测方法、装置、电子设备及存储介质 |
| CN108764325A (zh) * | 2018-05-23 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
| WO2020015470A1 (zh) * | 2018-07-16 | 2020-01-23 | Oppo广东移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
| CN109241998A (zh) * | 2018-08-06 | 2019-01-18 | 百度在线网络技术（北京）有限公司 | 模型训练方法、装置、设备及存储介质 |
| CN110443267A (zh) * | 2019-05-28 | 2019-11-12 | 浙江大华技术股份有限公司 | 误检过滤方法、装置、拍摄装置及存储介质 |
| CN110309795A (zh) * | 2019-07-04 | 2019-10-08 | 腾讯科技（深圳）有限公司 | 视频检测方法、装置、电子设备及存储介质 |
| CN110569878A (zh) * | 2019-08-08 | 2019-12-13 | 上海汇付数据服务有限公司 | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111639653A (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
| CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
| CN107423690B (zh) | 一种人脸识别方法及装置 | |
| CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
| CN109753928B (zh) | 违章建筑物识别方法和装置 | |
| CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
| CN105512683A (zh) | 基于卷积神经网络的目标定位方法及装置 | |
| CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
| CN112733885A (zh) | 点云识别模型的确定方法、点云识别的方法及装置 | |
| CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
| CN117292338B (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
| CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
| CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN111814776B (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
| CN109190639A (zh) | 一种车辆颜色识别方法、装置及系统 | |
| CN112307994A (zh) | 基于扫地机的障碍物识别方法、电子装置及存储介质 | |
| CN112541394A (zh) | 黑眼圈及鼻炎识别方法、系统及计算机介质 | |
| CN116206334A (zh) | 一种野生动物识别方法和装置 | |
| CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
| CN113454649A (zh) | 目标检测方法、装置、电子设备和计算机可读存储介质 | |
| CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
| CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
| CN109949335B (zh) | 一种图像处理方法及装置 | |
| CN112669277B (zh) | 一种车辆关联方法，计算机设备以及装置 | |
| CN111652930B (zh) | 一种图像目标检测方法、系统及设备 |
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 |