CN111738282A - 一种基于人工智能的图像识别方法和相关设备 - Google Patents
一种基于人工智能的图像识别方法和相关设备 Download PDFInfo
- Publication number
- CN111738282A CN111738282A CN201911008432.6A CN201911008432A CN111738282A CN 111738282 A CN111738282 A CN 111738282A CN 201911008432 A CN201911008432 A CN 201911008432A CN 111738282 A CN111738282 A CN 111738282A
- Authority
- CN
- China
- Prior art keywords
- image
- type
- recognized
- identified
- images
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 39
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000000903 blocking effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
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)
Abstract
本申请实施例公开了一种基于人工智能的图像识别方法和相关设备,该方法中,在获取包括至少两张待识别图像的待识别图像集之后,可以对该待识别图像集中的待识别图像进行自动化遍历,并根据分类模型确定待识别图像是否属于不可用图像类型,其中,不可用图像类型可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合,若待识别图像是否不属于不可用图像类型,可以确定该待识别图像为可用图像,即高质量图像。由此可以高效准确的确定待识别图像是否为可用图像。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种基于人工智能的图像识别方法和相关设备。
背景技术
在很多场景中,需要从不同质量水平的众多图像中识别出质量合格的图像,作为可用图像。然后,基于这些可用图像进行后续的其他作业环节。例如:模型训练中,通常需要在不同质量水平的众多图像中挑选出高质量的图像作为训练数据。
目前,主要通过人工方式来识别,即通过肉眼从不同质量水平的图像中识别可用图像。
发明内容
为了解决上述技术问题,本申请提供了一种基于人工智能的图像识别方法和相关设备,可以高效准确的确定待识别图像是否为可用图像。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例提供了一种基于人工智能的图像识别方法,所述方法包括:
获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
若否,确定所述待识别图像为可用图像。
第二方面,本申请实施例提供了一种基于人工智能的图像识别装置,所述装置包括获取单元和确定单元:
所述获取单元,用于获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
所述确定单元,用于对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
所述确定单元,还用于若否,确定所述待识别图像为可用图像。
第三方面,本申请实施例提供了一种用于基于人工智能的图像识别设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如第一方面所述的基于人工智能的图像识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如第一方面所述的基于人工智能的图像识别方法。
由上述技术方案可以看出,在获取包括至少两张待识别图像的待识别图像集之后,可以对该待识别图像集中的待识别图像进行自动化遍历,并根据分类模型确定待识别图像是否属于不可用图像类型,其中,不可用图像类型可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合,若待识别图像是否不属于不可用图像类型,可以确定该待识别图像为可用图像,即高质量图像。由此可以高效准确的确定待识别图像是否为可用图像。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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为本申请实施例提供的一种基于人工智能的图像识别方法的应用场景示意图;
图2为本申请实施例提供的一种图像识别方法的流程图;
图3为本申请实施例提供的一种不可用图像类型的图像示意图;
图4为本申请实施例提供的一种图像识别的具体实现方法流程图;
图5为一种人工查验图像的方法流程图;
图6为本申请实施例提供的另一种不可用图像类型的图像示意图;
图7为本申请实施例提供的一种图像识别的具体实现方法流程图;
图8为本申请实施例提供的一种截取设备众包图像数据的图像示意图;
图9为本申请实施例提供的一种卷积内核示意图;
图10为本申请实施例提供的一种待识别图像示意图;
图11为本申请实施例提供的一种基于人工智能的图像识别方法总体流程图;
图12为本申请实施例提供的一种级联式智能识别系统结构图;
图13为本申请实施例提供的一种基于人工智能的图像识别装置;
图14为本申请实施例提供的一种基于人工智能的图像识别的设备结构图;
图15为本申请实施例提供的一种服务器的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
目前,主要通过人工方式来识别,即通过肉眼从不同质量水平的图像中识别可用图像,由此导致图像识别率较低。
为此,本申请实施例提供了一种基于人工智能的图像识别方法,以希望在获取待识别图像集之后,可以实现待识别图像的自动化遍历,并根据分类模型识别待图像是否属于不可用图像类型,由此确定待识别图像是否为可用图像。基于该种自动化遍历的方式和智能化的识别方式,可以高效准确的确定待识别图像是否为可用图像。
本申请实施例所提供的图像识别方法以及相应的分类模型的训练方法均可以是基于人工智能实现的,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在本申请实施例中,主要涉及了人工智能软件技术中的计算机视觉技术方向。
例如可以涉及计算机视觉(Computer Vision)技术中的图像语义理解(ImageSemantic Understanding,ISU),包括图像分类(Image classification)、图像特征提取(Image feature extraction)等。
本申请提供的图像识别方法可以应用于图像处理设备,如终端设备、服务器。终端设备例如可以是智能终端、计算机、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑等设备。该图像识别方法还可以应用到服务器中,服务器可以是独立的服务器,也可以是集群中的服务器。
该图像处理设备还可以具有实施计算机视觉技术的能力,计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
在本申请实施例中,图像处理设备可以通过计算机视觉技术对待识别图像进行识别和分类等。
为了便于理解本申请的技术方案,下面结合实际应用场景对本申请实施例提供的基于人工智能的图像识别方法进行介绍。
参见图1,图1为本申请实施例提供的一种基于人工智能的图像识别方法的应用场景示意图。如图1所示,该场景中包括服务器101,可以由该服务器101来执行本申请实施例提供的图像识别方法。该服务器101中部署有分类模型,该分类模型可以实现对输入的待识别图像进行分类的功能。其中,通过该分类模型进行图像分类的分类类型是不可用图像类型。该不可用图像类型可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合。
在本申请实施例中,服务器101可以获取待识别图像集,其中,待识别图像集中可用包括至少两张待识别图像。
然后,服务器101可以对该待识别图像集中的待识别图像进行遍历。针对一个待识别图像,服务器101可以根据部署其中的分类模型,来确定待识别图像是否属于不可用图像类型,若不属于,服务器101可以确定该待识别图像为可用图像。
该方法通过自动化遍历的方式和智能化的识别方式,可以高效准确的确定待识别图像是否为可用图像。
接下来,以服务器作为上述图像处理设备为例,并结合附图对本申请实施例提供的图像识别方法进行介绍。
参见图2,该图示出了本申请实施例提供的一种图像识别方法的流程图,所述方法包括:
S201:获取待识别图像集。
待识别图像集中可以包括至少两张待识别图像。
本申请实施例不限定待识别图像集的获取方式,可以根据实际情形,选择适合的方式获取待识别图像集。例如:用户可以向服务器发送待识别图像集,服务器获取该待识别图像集。
S202:对待识别图像集中的待识别图像进行遍历,根据分类模型确定待识别图像是否属于不可用图像类型。若否,执行S203。
在本申请实施例中,不可用图像类型可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合。其中,逆光类型的图像可以是指被摄主体处于光源和相机之间时拍摄出的图像。反光遮挡类型的图像可以是被摄主体被其他物体的反光图像遮挡时显示的图像。
参见图3,该图示出了本申请实施例提供的一种不可用图像类型的图像示意图,如图3所示,该图中分别展示了逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型的图像。
分类模型比如可以是基于深度学习卷积神经网络模型训练(如Inceptionv3)得到的,该分类模型可以对待识别图像进行识别和分类。在将待识别图像输入至分类模型后,分类模型可以输出该待识别图像的类型,若分类模型识别待识别图像属于不可用图像类型,可以输出该待识别图像属于不可用图像类型中的具体类型结果。若分类模型无法识别该待识别图像是否属于不可用图像类型,可以输出该待识别图像对应于不确定图像的识别结果。若分类模型识别待识别图像不属于不可用图像类型,可以输出该待识别图像属于可用图像的识别结果。
S203:确定待识别图像为可用图像。
下面对S201-S203的具体实现方式进行介绍,参见图4,该图示出了本申请实施例提供的一种图像识别的具体实现方法流程图。如图4所示,该分类模型1可以识别图像是否属于不可用图像类型1,该不可用图像类型1可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合。针对待识别图像集,依次将其中的待识别图像输入至分类模型1中。然后,可以识别出每张图像是否属于不可用图像类型1,若确定图像属于不可用图像类型1,确定该图像为不可用图像,若确定图像不属于不可用图像类型1,可以确定该图像为可用图像。
由上述技术方案可以看出,在获取包括至少两张待识别图像的待识别图像集之后,可以对该待识别图像集中的待识别图像进行自动化遍历,并根据分类模型确定待识别图像是否属于不可用图像类型,其中,不可用图像类型可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合,若待识别图像是否不属于不可用图像类型,可以确定该待识别图像为可用图像,即高质量图像。由此可以高效准确的确定待识别图像是否为可用图像。
目前,地图产品为了保证用户的更好的体验感受,需要及时准确的对地图内容更新,因此要定时或者经常更新内容,比如新开了一条道路,就需要及时的把这条信息更新到地图内容库中。实际上,地图厂商有多个途径搜集新的地图信息,而用户众包采集模式因为效率高、成本低等原因成为目前最主要的地图数据采集方法。
现阶段中,用户众包采集可以分为人工众包(主动采集)和设备众包(被动采集)两种方式。设备众包采集模式是:所有安装了数据采集软件开发工具包(SoftwareDevelopment Kit,SDK)的设备,都是此模式下众包采集的一个设备。设备众包相对于人工众包成本更低,数据回传效率更高,采集数据量更大等原因日益成为主流的用户众包采集方式。
但是,设备众包相当于人工众包没有采集时的高要求(比如摆放位置,镜头俯仰角度,采集时间)等,其回传的数据很多是不可用的,例如逆光采集的图像(导致图像中细节看不清),镜头倾斜(导致道路要素采集不全),实物遮挡镜头(导致道路要素采集不完整),车内物体反光(导致图像中要素细节看不清),夜晚采集或者回传的图像很暗(导致图像中细节看不清),等等。由此造成回传数据花费很高,且严重影响后续依据图像作业的质量。
针对该问题,参见图5,该图示出了一种相关技术中人工查验图像的方法流程图。如图5所示,针对应用设备众包采集的图像数据,主要是通过人工方式进行质量查验,以过滤掉其中存在问题的图像,识别出可以的图像进入后续其他作业环节。由于通过肉眼查看每张图像,导致效率较低;且每个查验人员对查验规则理解不一,可能造成查验结果不统一;以及,加入人工查验会造成人力物力的浪费。
基于上述问题,在一种可能的实现方式中,可以将设备众包图像数据作为S201中待识别图像集中的待识别图像。由此,可以高效准确的确定设备众包图像数据是否为可用图像。
实际场景中,针对设备众包图像数据,还有可能因如下原因导致图像不可用,例如车辆停止时采集的图像(导致图像中大部分没有道路),雨天采集的图像(导致图像中被摄道路被雨水遮挡)。
基于此,为了提高S202中分类模型对待识别图像的可用性识别准确度,在一种可能的实现方式中,S202中的不可用图像类型中还包括非道路类型和非晴天类型中的一种或多种组合。参见图6,该图示出了本申请实施例提供的另一种不可用图像类型的图像示意图,如图6所示,该图中分别展示了非道路类型和非晴天类型的图像。
也就是说,服务器的分类模型还可以识别待识别图像是否属于非道路类型或非晴天类型,若识别出待识别图像属于这两种类型中的任意一种,都可以确定待识别图像不属于可用图像。
下面对S201-S203的具体实现方式进行介绍,参见图7,该图示出了本申请实施例提供的一种图像识别的具体实现方法流程图。如图7所示,还可以训练一个分类模型2,以使其可以实现如下功能:对输入的待识别图像进行识别,确定其是否属于非道路类型或非晴天类型的图像。
在具体实现中,在通过分类模型1识别待识别图像是否属于不可用图像类型1之后,还可以将待识别图像输入至分类模型2中,以识别该待识别图像是否属于非道路类型和/或非晴天类型,若确定该待识别图像属于这两种类型中的任意一种或两种,可以确定该待识别图像属于不可用图像类型,即确定该待识别图像为不可用图像。若确定该待识别图像不属于这两种类型中的任意一种或两种,可以确定该待识别图像不属于不可用图像类型,即确定该待识别图像为可用图像。
由此,提高了分类模型对待识别图像的可用性识别准确度。
实际场景中,待识别图像还有可能出现图像模糊(即图像中细节看不清)的情形,针对这样的图像,应该避免在S203中被确定为可用图像。
为此,在一种可能的实现方式中,S203中确定待识别图像为可用图像的方法,可以包括:
S301:确定所述待识别图像是否为模糊图像。若否,执行S302。
S302:确定所述待识别图像为可用图像。
在本申请实施例中,在分类模型识别待识别图像为可用图像后,还可以确定该待识别图像是否为模糊图像,若不属于,可以确定该待识别图像为可用图像。
通过该方法,可以进一步提高待识别图像的可用性识别准确度。
在一种可能的实现方式中,S301中确定待识别图像是否属于模糊图像的方法,可以包括:
S401:从待识别图像中截取第一目标区域,第一目标区域为非天空区域。
实际上,在根据图像中的天空区域来识别图像是否模糊时,会导致得出的确定结果是错误的(即确定出图像是模糊的)。为此,在本申请实施例中,可以从待识别图像中截取非天空区域的第一目标区域。
参见图8,该图示出了本申请实施例提供的一种截取设备众包图像数据的图像示意图。如图8所示,在截取设备众包图像数据的第一目标区域时,可以沿图像横向(x方向)截取中心对称的两个固定区域,然后,将这两个固定区域合并为一个完整的区域,并作为第一目标区域。
S402:生成目标区域对应的灰度图像。
S403:根据卷积内核,对所述灰度图像进行卷积,生成目标灰度图像。
在本申请实施例中,可以设置一个卷积内核,参见图9,该图示出了本申请实施例提供的一种卷积内核示意图,如图9所示,该内核是一个3×3的拉普拉斯内核。然后,可以根据该卷积内核,对该灰度图像进行卷积,生成目标灰度图像。
S404:计算目标灰度图像中所有像素点的灰度方差。
可以基于目标灰度图像中每个像素点的灰度值,确定其中所有像素点的灰度方差。
S405:确定灰度方差是否小于预设方差阈值,若是,确定所述待识别图像属于模糊图像,若否,确定所述待识别图像不属于模糊图像。
可以预设一个方差阈值,该方差阈值用于标识图像是否为模糊图像,其中,若图像的灰度方差小于该方差阈值,可以标识该图像为模糊图像,若图像的灰度方差不小于该方差阈值,可以标识该图像不为模糊图像。
在本申请实施例中,若服务器确定灰度方差小于预设方差阈值,确定待识别图像属于模糊图像。
通过该方法,可以将模糊的待识别图像识别出来,避免将其识别为可用图像,由此进一步提高了待识别图像的识别准确度。
实际场景中,待识别图像还有可能出现拍摄视角过偏的情形,如拍摄俯仰角过大或者过小,这样导致待识别图像中的(道路)要素采集不完整。为此,在一种可能的实现方式中,S203中确定待识别图像为可用图像的方法,可以包括:
S501:确定待识别图像对应的拍摄视角是否满足预设的视角范围。若是,执行S502。
S502:确定待识别图像为可用图像。
可以预设一个视角范围,若图像的视角范围满足该范围,可以标识该图像对应的拍摄视角在正常范围内,即该图像中包括了较为全面的要素。若图像的拍摄视角不满足该范围,标识该图像对应的拍摄视角未在正常范围内,即该图像中包括的要素不全面。
在本申请实施例中,服务器可以确定待识别图像对应的拍摄视角是否满足预设的视角范围,若是,可以确定该待识别图像为可用图像。
在一种可能的实现方式中,S501中确定待识别图像对应的拍摄视角是否满足预设的视角范围的方法可以包括:
S601:从待识别图像中划分出对应预设的视角范围的第二目标区域。
下面以设备众包图像数据作为待识别图像为例,对该确定待识别图像对应的拍摄视角是否满足预设的视角范围的方法进行说明。
在本申请实施例中,可以对待识别图像进行划分,以划分出对应于预设的视角范围的第二目标区域。
参见图10,该图示出了本申请实施例提供的一种待识别图像示意图,如图10所示,可以将待识别图像沿横向划分为3×3的9个区域,并将图像中的区域1、区域2和区域3作为对应于“拍摄视角过于下仰”的区域;将图像中的区域7、区域8和区域9作为对应于“拍摄视角过于上仰”的区域;将图像中的区域1、区域4和区域7作为对应于“拍摄视角过于左偏”的区域;将图像中的区域3、区域6和区域9作为对应于“拍摄视角过于右偏”的区域;将图像中的区域5作为对应于“拍摄视角满足预设的视角范围”的第二目标区域。
S602:确定目标对象在待识别图像中的目标位置。
在本申请实施例中,设备众包图像数据中的目标对象可以是道路灭点。其中,道路灭点可以是指由两条或多条代表平行线线条向远处地平线伸展直至聚合的点。
首先,可以检测出车道线或者道路边界,然后,可以根据车道线或道路边界估计出道路灭点,最后,可以确定出道路灭点在待识别图像中的目标位置。
基于图10对应的示例,确定道路灭点这一目标对象处于待识别图像中的区域8(目标位置)中。
S603:确定目标位置是否处于第二目标区域中。若是,执行S603。
S604:确定待识别图像对应的拍摄视角满足预设的视角范围。
基于图10对应的示例,可以确定目标位置是否处于第二目标区域(即区域5)中。若是,可以确定待识别图像对应的拍摄视角满足预设的视角范围。若否,确定待识别图像对应的拍摄视角不满足预设的视角范围。在图10中,由于道路灭点处于区域8(未处于区域5)中,可以确定图10的待识别图像对应的拍摄视角不满足预设的视角范围。
通过该方法,可以进一步将拍摄视角过偏、过上仰或下仰的待识别图像进行过滤,提高从待识别图像集中确定可用图像的准确率。
接下来,将结合实际应用场景对本申请实施例提供的基于人工智能的图像识别方法进行介绍。
总的来说,本申请实施例提供的基于人工智能的图像识别方法是一种自动化遍历方式。参见图11,该图示出了本申请实施例提供的一种基于人工智能的图像识别方法总体流程图,如图11所示,针对设备众包采集的待识别图像集,可以将其输入智能识别系统中,通过智能识别系统的识别,识别出该待识别图像集中的可用图像。
参见图12,该图示出了本申请实施例提供的一种级联式智能识别系统结构图,在将待识别图像集输入至该级联式智能识别系统后,可以通过分类模型1识别出该待识别图像集中属于逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型的图像,并将这些图像确定为不可用图像,并将不确定是否属于逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型或倾斜类型的图像确定为不确定图像,以及将确定不属于逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型或倾斜类型的这部分图像输入至分类模型2中。
分类模型2对这部分图像识别是否属于非道路类型和非晴天类型的图像,将属于非道路类型和/或非晴天类型的图像确定为不可用图像,将不确定是否属于非道路类型和/或非晴天类型的图像确定为不确定图像,并将确定不属于非道路类型和/或非晴天类型的图像输入至模糊模块进行模糊检测。
相应的,模糊模块可以对这些图像进行模糊识别,确定其中的图像是否具有属于模糊图像的图像,并将其中属于模糊图像确定为不可用图像,将不确定是否为模糊图像的图像确定为不确定图像,将确定不属于模糊图像的这部分图像输入至拍摄视角模块进行检测。其中,模糊模块进行模糊识别的方式如前所述,此处不再赘述。
拍摄视角模块可以确定输入其中的图像是否满足预设的视角范围,将不满足预设的视角范围的图像确定为不可用图像,将不确定是否满足预设的视角范围确定为不确定图像,并将确定满足预设的视角范围的图像确定为可用图像。其中,拍摄视角模块的识别方式如前所述,此处不再赘述。
由此,可以高效准确的确定待识别图像是否为可用图像。
基于前述提供的基于人工智能的图像识别方法,本申请实施例还提供一种基于人工智能的图像识别装置,如图13所示,该图示出了本申请实施例提供的一种基于人工智能的图像识别装置,所述装置包括获取单元1301和确定单元1302:
所述获取单元1301,用于获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
所述确定单元1302,用于对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
所述确定单元1302,还用于若否,确定所述待识别图像为可用图像。
在一种可能的实现方式中,所述确定单元1302,还具体用于:
确定所述待识别图像是否为模糊图像;
若否,确定所述待识别图像为可用图像。
在一种可能的实现方式中,所述确定单元1302,还具体用于:
从所述待识别图像中截取第一目标区域,所述第一目标区域为非天空区域;
生成所述第一目标区域对应的灰度图像;
根据卷积内核,对所述灰度图像进行卷积,生成目标灰度图像;
计算所述目标灰度图像中所有像素点的灰度方差;
确定所述灰度方差是否小于预设方差阈值,若是,确定所述待识别图像属于模糊图像,若否,确定所述待识别图像不属于模糊图像。
在一种可能的实现方式中,所述确定单元1302,还具体用于:
确定所述待识别图像对应的拍摄视角是否满足预设的视角范围;
若是,确定所述待识别图像为可用图像。
在一种可能的实现方式中,所述确定单元1302,还具体用于:
从所述待识别图像中划分出对应所述预设的视角范围的第二目标区域;
确定目标对象在所述待识别图像中的目标位置;
确定所述目标位置是否处于所述第二目标区域中;
若是,确定所述待识别图像对应的拍摄视角满足预设的视角范围。
在一种可能的实现方式中,所述待识别图像集中的待识别图像为设备众包图像数据。
在一种可能的实现方式中,所述不可用图像类型中还包括非道路类型和非晴天类型中的一种或多种组合。
由上述技术方案可以看出,在获取包括至少两张待识别图像的待识别图像集之后,可以对该待识别图像集中的待识别图像进行自动化遍历,并根据分类模型确定待识别图像是否属于不可用图像类型,其中,不可用图像类型可以包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合,若待识别图像是否不属于不可用图像类型,可以确定该待识别图像为可用图像,即高质量图像。由此可以高效准确的确定待识别图像是否为可用图像。
本申请实施例还提供了一种基于人工智能的图像识别设备,下面结合附图对基于人工智能的图像识别设备进行介绍。请参见图14所示,本申请实施例提供了一种基于人工智能的图像识别的设备1400,该设备1400还可以是终端设备,该终端设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant,简称PDA)、销售终端(Point ofSales,简称POS)、车载电脑等任意智能终端,以终端设备为手机为例:
图14示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图14,手机包括:射频(Radio Frequency,简称RF)电路1410、存储器1420、输入单元1430、显示单元1440、传感器1450、音频电路1460、无线保真(wireless fidelity,简称WiFi)模块1470、处理器1480、以及电源1490等部件。本领域技术人员可以理解,图14中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图14对手机的各个构成部件进行具体的介绍:
RF电路1410可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1480处理;另外,将设计上行的数据发送给基站。通常,RF电路1410包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,简称LNA)、双工器等。此外,RF电路1410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobile communication,简称GSM)、通用分组无线服务(GeneralPacket Radio Service,简称GPRS)、码分多址(Code Division Multiple Access,简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access,简称WCDMA)、长期演进(Long Term Evolution,简称LTE)、电子邮件、短消息服务(Short Messaging Service,简称SMS)等。
存储器1420可用于存储软件程序以及模块,处理器1480通过运行存储在存储器1420的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1430可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1430可包括触控面板1431以及其他输入设备1432。触控面板1431,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1431上或在触控面板1431附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板1431可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1480,并能接收处理器1480发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1431。除了触控面板1431,输入单元1430还可以包括其他输入设备1432。具体地,其他输入设备1432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1440可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1440可包括显示面板1441,可选的,可以采用液晶显示器(LiquidCrystal Display,简称LCD)、有机发光二极管(Organic Light-Emitting Diode,简称OLED)等形式来配置显示面板1441。进一步的,触控面板1431可覆盖显示面板1441,当触控面板1431检测到在其上或附近的触摸操作后,传送给处理器1480以确定触摸事件的类型,随后处理器1480根据触摸事件的类型在显示面板1441上提供相应的视觉输出。虽然在图14中,触控面板1431与显示面板1441是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板1431与显示面板1441集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1450,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1441的亮度,接近传感器可在手机移动到耳边时,关闭显示面板1441和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1460、扬声器1461,传声器1462可提供用户与手机之间的音频接口。音频电路1460可将接收到的音频数据转换后的电信号,传输到扬声器1461,由扬声器1461转换为声音信号输出;另一方面,传声器1462将收集的声音信号转换为电信号,由音频电路1460接收后转换为音频数据,再将音频数据输出处理器1480处理后,经RF电路1410以发送给比如另一手机,或者将音频数据输出至存储器1420以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块1470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图14示出了WiFi模块1470,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1480是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1420内的软件程序和/或模块,以及调用存储在存储器1420内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器1480可包括一个或多个处理单元;优选的,处理器1480可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1480中。
手机还包括给各个部件供电的电源1490(比如电池),优选的,电源可以通过电源管理系统与处理器1480逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本实施例中,该终端设备所包括的处理器1480还具有以下功能:
获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
若否,确定所述待识别图像为可用图像。
本申请实施例提供的基于人工智能的图像识别设备可以是服务器,请参见图15所示,图15为本申请实施例提供的服务器1500的结构图,服务器1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,简称CPU)1522(例如,一个或一个以上处理器)和存储器1532,一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中,存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1522可以设置为与存储介质1530通信,在服务器1500上执行存储介质1530中的一系列指令操作。
服务器1500还可以包括一个或一个以上电源1526,一个或一个以上有线或无线网络接口1550,一个或一个以上输入输出接口1558,和/或,一个或一个以上操作系统1541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图15所示的服务器结构。
其中,CPU1522用于执行如下步骤:
获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
若否,确定所述待识别图像为可用图像。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的图像识别方法,其特征在于,所述方法包括:
获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
若否,确定所述待识别图像为可用图像。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待识别图像为可用图像,包括:
确定所述待识别图像是否为模糊图像;
若否,确定所述待识别图像为可用图像。
3.根据权利要求2所述的方法,其特征在于,所述确定所述待识别图像是否属于模糊图像,包括:
从所述待识别图像中截取第一目标区域,所述第一目标区域为非天空区域;
生成所述第一目标区域对应的灰度图像;
根据卷积内核,对所述灰度图像进行卷积,生成目标灰度图像;
计算所述目标灰度图像中所有像素点的灰度方差;
确定所述灰度方差是否小于预设方差阈值,若是,确定所述待识别图像属于模糊图像,若否,确定所述待识别图像不属于模糊图像。
4.根据权利要求1所述的方法,其特征在于,所述确定所述待识别图像为可用图像,包括:
确定所述待识别图像对应的拍摄视角是否满足预设的视角范围;
若是,确定所述待识别图像为可用图像。
5.根据权利要求4所述的方法,其特征在于,所述确定所述待识别图像对应的拍摄视角是否满足预设的视角范围,包括:
从所述待识别图像中划分出对应所述预设的视角范围的第二目标区域;
确定目标对象在所述待识别图像中的目标位置;
确定所述目标位置是否处于所述第二目标区域中;
若是,确定所述待识别图像对应的拍摄视角满足预设的视角范围。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述待识别图像集中的待识别图像为设备众包图像数据。
7.根据权利要求6所述的方法,其特征在于,所述不可用图像类型中还包括非道路类型和非晴天类型中的一种或多种组合。
8.一种基于人工智能的图像识别装置,其特征在于,所述装置包括获取单元和确定单元:
所述获取单元,用于获取待识别图像集,所述待识别图像集中包括至少两张待识别图像;
所述确定单元,用于对所述待识别图像集中的待识别图像进行遍历,根据分类模型确定所述待识别图像是否属于不可用图像类型,所述不可用图像类型包括逆光类型、昏暗类型、物体遮挡类型、反光遮挡类型和倾斜类型中的任意一种或多种组合;
所述确定单元,还用于若否,确定所述待识别图像为可用图像。
9.一种用于基于人工智能的图像识别设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7所述的基于人工智能的图像识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7所述的基于人工智能的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008432.6A CN111738282A (zh) | 2019-10-22 | 2019-10-22 | 一种基于人工智能的图像识别方法和相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008432.6A CN111738282A (zh) | 2019-10-22 | 2019-10-22 | 一种基于人工智能的图像识别方法和相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738282A true CN111738282A (zh) | 2020-10-02 |
Family
ID=72646099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911008432.6A Pending CN111738282A (zh) | 2019-10-22 | 2019-10-22 | 一种基于人工智能的图像识别方法和相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738282A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859312A (zh) * | 2021-09-30 | 2021-12-31 | 中车青岛四方机车车辆股份有限公司 | 基于车载phm的受电弓故障报警方法、装置及轨道车辆 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
CN104915625A (zh) * | 2014-03-11 | 2015-09-16 | 重庆邮电大学 | 一种人脸识别的方法及装置 |
CN105049710A (zh) * | 2015-06-30 | 2015-11-11 | 广东欧珀移动通信有限公司 | 一种大视角摄像头控制方法及用户终端 |
CN105069783A (zh) * | 2015-07-23 | 2015-11-18 | 北京金山安全软件有限公司 | 一种模糊图片识别方法及装置 |
CN105100620A (zh) * | 2015-07-30 | 2015-11-25 | 深圳市永兴元科技有限公司 | 拍摄方法及装置 |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
CN106096605A (zh) * | 2016-06-02 | 2016-11-09 | 史方 | 一种基于深度学习的图像模糊区域检测方法及装置 |
CN107330917A (zh) * | 2017-06-23 | 2017-11-07 | 歌尔股份有限公司 | 移动目标的跟踪拍摄方法和跟踪设备 |
CN107343149A (zh) * | 2017-07-31 | 2017-11-10 | 维沃移动通信有限公司 | 一种拍照方法和移动终端 |
CN108875452A (zh) * | 2017-05-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法、装置、系统和计算机可读介质 |
CN108921178A (zh) * | 2018-06-22 | 2018-11-30 | 北京小米移动软件有限公司 | 获取图像模糊程度分类的方法、装置、电子设备 |
CN109446783A (zh) * | 2018-11-16 | 2019-03-08 | 济南浪潮高新科技投资发展有限公司 | 一种基于机器众包的图像识别高效样本采集方法及系统 |
-
2019
- 2019-10-22 CN CN201911008432.6A patent/CN111738282A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915625A (zh) * | 2014-03-11 | 2015-09-16 | 重庆邮电大学 | 一种人脸识别的方法及装置 |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
CN105049710A (zh) * | 2015-06-30 | 2015-11-11 | 广东欧珀移动通信有限公司 | 一种大视角摄像头控制方法及用户终端 |
CN105069783A (zh) * | 2015-07-23 | 2015-11-18 | 北京金山安全软件有限公司 | 一种模糊图片识别方法及装置 |
CN105100620A (zh) * | 2015-07-30 | 2015-11-25 | 深圳市永兴元科技有限公司 | 拍摄方法及装置 |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
CN106096605A (zh) * | 2016-06-02 | 2016-11-09 | 史方 | 一种基于深度学习的图像模糊区域检测方法及装置 |
CN108875452A (zh) * | 2017-05-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法、装置、系统和计算机可读介质 |
CN107330917A (zh) * | 2017-06-23 | 2017-11-07 | 歌尔股份有限公司 | 移动目标的跟踪拍摄方法和跟踪设备 |
CN107343149A (zh) * | 2017-07-31 | 2017-11-10 | 维沃移动通信有限公司 | 一种拍照方法和移动终端 |
CN108921178A (zh) * | 2018-06-22 | 2018-11-30 | 北京小米移动软件有限公司 | 获取图像模糊程度分类的方法、装置、电子设备 |
CN109446783A (zh) * | 2018-11-16 | 2019-03-08 | 济南浪潮高新科技投资发展有限公司 | 一种基于机器众包的图像识别高效样本采集方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859312A (zh) * | 2021-09-30 | 2021-12-31 | 中车青岛四方机车车辆股份有限公司 | 基于车载phm的受电弓故障报警方法、装置及轨道车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12106491B2 (en) | Target tracking method and apparatus, medium, and device | |
CN107818288B (zh) | 标志牌信息获取方法及装置 | |
CN111368934B (zh) | 图像识别模型训练方法、图像识别方法以及相关装置 | |
CN111182453B (zh) | 定位方法、装置、电子设备及存储介质 | |
CN104135609B (zh) | 辅助拍照方法、装置及终端 | |
CN108230232B (zh) | 一种图像处理的方法以及相关装置 | |
CN107124555B (zh) | 控制对焦的方法、装置、计算机设备及计算机可读存储介质 | |
CN111126182A (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN111582116B (zh) | 一种视频抹除痕迹检测方法、装置、设备和存储介质 | |
CN110490179B (zh) | 车牌识别方法、装置及存储介质 | |
CN103871051A (zh) | 图像处理方法、装置和电子设备 | |
CN109495616B (zh) | 一种拍照方法及终端设备 | |
CN111672109B (zh) | 一种游戏地图生成的方法、游戏测试的方法以及相关装置 | |
CN108989665A (zh) | 图像处理方法、装置、移动终端及计算机可读介质 | |
CN110490186B (zh) | 车牌识别方法、装置及存储介质 | |
CN104463105A (zh) | 路牌识别方法及装置 | |
CN111597922A (zh) | 细胞图像的识别方法、系统、装置、设备及介质 | |
CN116310745B (zh) | 图像处理方法、数据处理方法、相关装置及存储介质 | |
CN111209377A (zh) | 基于深度学习的文本处理方法、装置、设备及介质 | |
CN113421211A (zh) | 光斑虚化的方法、终端设备及存储介质 | |
CN113706446B (zh) | 一种镜头检测方法和相关装置 | |
CN110083742B (zh) | 一种视频查询方法和装置 | |
CN111603772A (zh) | 区域检测方法、装置、设备及存储介质 | |
CN110365906A (zh) | 拍摄方法及移动终端 | |
US20190019027A1 (en) | Method and mobile terminal for processing image and storage medium |
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 |