CN111753661A - 一种基于神经网路的目标识别方法、设备及介质 - Google Patents

一种基于神经网路的目标识别方法、设备及介质 Download PDF

Info

Publication number
CN111753661A
CN111753661A CN202010448765.7A CN202010448765A CN111753661A CN 111753661 A CN111753661 A CN 111753661A CN 202010448765 A CN202010448765 A CN 202010448765A CN 111753661 A CN111753661 A CN 111753661A
Authority
CN
China
Prior art keywords
recognition
image
result
module
target
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
CN202010448765.7A
Other languages
English (en)
Other versions
CN111753661B (zh
Inventor
袭肖明
于治楼
金长新
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.)
Shandong Inspur Science Research Institute Co Ltd
Original Assignee
Jinan Inspur Hi Tech Investment and Development 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 Jinan Inspur Hi Tech Investment and Development Co Ltd filed Critical Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority to CN202010448765.7A priority Critical patent/CN111753661B/zh
Publication of CN111753661A publication Critical patent/CN111753661A/zh
Application granted granted Critical
Publication of CN111753661B publication Critical patent/CN111753661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于神经网路的目标识别方法、设备及介质，包括：将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；判断所述识别结果是否为预先设置的类型；若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。本申请实施例通过识别模型确定出识别结果，并判断该识别结果是否为预先设置的类型，最终可以完成目标的识别，使得目标识别的效果更显著。

Description

一种基于神经网路的目标识别方法、设备及介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于神经网路的目标识别方法、设备及介质。
背景技术
目标识别是计算机视觉领域中的一个重要分支。现有的目标识别技术主要基于深度学习框架，虽然已经取得了重大突破，但在现有技术中，目标识别的效果并不显著。
发明内容
有鉴于此，本申请实施例提供了一种基于神经网路的目标识别方法、设备及介质，用于解决现有技术中目标识别的效果不显著的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种基于神经网路的目标识别方法，所述方法包括：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
进一步的，所述将待识别图像输入至预先训练的识别模型，确定出识别结果，具体包括：
获取所述待识别图像，并根据预先训练的所述分级模块对所述待识别图像中的目标图像进行分级，确定分级结果，其中，所述分级结果包括第一级目标图像与第二级目标图像，所述第一级目标图像的尺寸大于所述第二级目标图像的尺寸；
若所述分级结果为所述第二级目标图像时，通过预先训练的所述放大模块对所述目标图像进行放大；
将放大后的所述目标图像输入至预先训练的所述识别模块，确定出对应的识别结果。
进一步的，若所述分级结果为所述第一级目标图像时时，所述方法还包括：
将所述目标图像输入至预先训练的所述识别模块，确定对应的识别结果。
进一步的，所述根据预先训练的所述分级模块对所述待识别图像中的目标图像进行分级，确定分级结果，具体包括：
计算所述目标图像尺寸占所述待识别图像尺寸的比例值，并判断所述比例值是否超出预设阈值；
若所述比例值超出所述预设阈值，则所述分级结果为所述第一级目标图像；
若所述比例值未超出所述预设阈值，则所述分级结果为所述第二级目标图像。
进一步的，所述分级模块为Alexnet网络模型。
进一步的，所述放大模块为WGan网络模型。
进一步的，所述识别模块为Resnet网络模型。
进一步的，所述目标图像为设置于交通灯前停车线图像与交通灯为红灯图像，所述方法还包括：
通过安装于车辆上的摄像头获取所述待识别图像，并根据预先训练的所述分级模块对设置于交通灯前停车线图像与交通灯为红灯图像进行分级，确定分级结果；
若所述分级结果为所述第二级目标图像时，通过预先训练的所述放大模块对所述设置于交通灯前停车线图像与交通灯为红灯图像进行放大；
将放大后的所述设置于交通灯前停车线图像与交通灯为红灯图像输入至预先训练的所述识别模块，确定出对应的识别结果。
本申请实施例还提供一种基于神经网路的目标识别设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
本申请实施例还提供一种基于神经网路的目标识别介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过识别模型确定出识别结果，并判断该识别结果是否为预先设置的类型，最终可以完成目标的识别，使得目标识别的效果更显著。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的一种基于神经网路的目标识别方法的流程示意图；
图2为本说明书实施例二提供的一种基于神经网路的目标识别方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种基于神经网路的目标识别方法的流程示意图，本说明书实施例可以由目标识别系统执行下述步骤，具体包括：
步骤S101，目标识别系统将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块。
步骤S102，目标识别系统判断所述识别结果是否为预先设置的类型。
步骤S103，目标识别系统若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
本申请实施例通过识别模型确定出识别结果，并判断该识别结果是否为预先设置的类型，最终可以完成目标的识别，使得目标识别的效果更显著。
与本说明书实施例一相对应的是，图2为本说明书实施例二提供的一种基于神经网路的目标识别方法的流程示意图，本说明书实施例可以由目标识别系统执行下述步骤，具体包括：
步骤S201，目标识别系统将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块。
在本说明书实施例的步骤S201中，本步骤具体可以包括：
获取所述待识别图像，并根据预先训练的所述分级模块对所述待识别图像中的目标图像进行分级，确定分级结果，其中，所述分级结果包括第一级目标图像与第二级目标图像，所述第一级目标图像的尺寸大于所述第二级目标图像的尺寸；
若所述分级结果为所述第二级目标图像时，通过预先训练的所述放大模块对所述目标图像进行放大；
将放大后的所述目标图像输入至预先训练的所述识别模块，确定出对应的识别结果。
若所述分级结果为所述第一级目标图像时时，所述方法还包括：
将所述目标图像输入至预先训练的所述识别模块，确定对应的识别结果。
需要说明的是，在获取所述待识别图像之前，可以预先设定识别目标的种类，这就需要识别模型具备图像识别功能，可以预先识别出预先设定的目标种类，这样也更利于应用于不同的场景下。
进一步的，所述根据预先训练的所述分级模块对所述待识别图像中的目标图像进行分级，确定分级结果，具体包括：
计算所述目标图像尺寸占所述待识别图像尺寸的比例值，并判断所述比例值是否超出预设阈值；
若所述比例值超出所述预设阈值，则所述分级结果为所述第一级目标图像；
若所述比例值未超出所述预设阈值，则所述分级结果为所述第二级目标图像。
对于一些小目标的进行分类时，由于目标图像的信息量较少，现有技术在进行识别时，效果较差，需要对目标图像进行放大，进而使得识别的效果会更好。
比如，将预设值设置为0.01，若判断出比例值超出0.01，则分级结果为第一级目标图像；若判断出比例值未超出0.01，则分级结果为第二级目标图像。
进一步的，分级模块可以为Alexnet网络模型。
进一步的，放大模块可以为WGan网络模型。
进一步的，识别模块可以为Resnet网络模型。
步骤S202，目标识别系统判断所述识别结果是否为预先设置的类型。
步骤S203，目标识别系统若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
进一步的，目标图像可以为设置于交通灯前停车线图像与交通灯为红灯图像，所述方法还包括：
通过安装于车辆上的摄像头获取所述待识别图像，并根据预先训练的所述分级模块对设置于交通灯前停车线图像与交通灯为红灯图像进行分级，确定分级结果；
若所述分级结果为所述第二级目标图像时，通过预先训练的所述放大模块对所述设置于交通灯前停车线图像与交通灯为红灯图像进行放大；
将放大后的所述设置于交通灯前停车线图像与交通灯为红灯图像输入至预先训练的所述识别模块，确定出对应的识别结果。
通过上述方法识别设置于交通灯前停车线图像与交通灯为红灯图像，若对应的识别结果为正确时，可以提醒驾驶者在设置于交通灯前停车线前停车。
需要说明的是，目标识别是将图片或者视频中感兴趣的目标提取出来，比如，对于导盲系统来说，各类的车辆、行人、交通标识、红绿灯都是需要关注的对象，可以经过目标识别系统将上述目标进行识别，进而对用户进行提醒。图像分类是将图像中出现的物体划分出其所属类别的标签，比如，将图像中的人、楼房、街道、车辆数目确定出所属类别的标签。目标识别与目标分类存在本质的不同。
本申请实施例通过识别模型确定出识别结果，并判断该识别结果是否为预先设置的类型，最终可以完成目标的识别，使得目标识别的效果更显著。
本申请实施例还提供一种基于神经网路的目标识别设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
本申请实施例还提供一种基于神经网路的目标识别介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
本申请实施例通过识别模型确定出识别结果，并判断该识别结果是否为预先设置的类型，最终可以完成目标的识别，使得目标识别的效果更显著。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于神经网路的目标识别方法，其特征在于，所述方法包括：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
2.根据权利要求1所述的基于神经网路的目标识别方法，其特征在于，所述将待识别图像输入至预先训练的识别模型，确定出识别结果，具体包括：
获取所述待识别图像，并根据预先训练的所述分级模块对所述待识别图像中的目标图像进行分级，确定分级结果，其中，所述分级结果包括第一级目标图像与第二级目标图像，所述第一级目标图像的尺寸大于所述第二级目标图像的尺寸；
若所述分级结果为所述第二级目标图像时，通过预先训练的所述放大模块对所述目标图像进行放大；
将放大后的所述目标图像输入至预先训练的所述识别模块，确定出对应的识别结果。
3.根据权利要求2所述的基于神经网路的目标识别方法，其特征在于，若所述分级结果为所述第一级目标图像时时，所述方法还包括：
将所述目标图像输入至预先训练的所述识别模块，确定对应的识别结果。
4.根据权利要求2所述的基于神经网路的目标识别方法，其特征在于，所述根据预先训练的所述分级模块对所述待识别图像中的目标图像进行分级，确定分级结果，具体包括：
计算所述目标图像尺寸占所述待识别图像尺寸的比例值，并判断所述比例值是否超出预设阈值；
若所述比例值超出所述预设阈值，则所述分级结果为所述第一级目标图像；
若所述比例值未超出所述预设阈值，则所述分级结果为所述第二级目标图像。
5.根据权利要求1所述的基于神经网路的目标识别方法，其特征在于，所述分级模块为Alexnet网络模型。
6.根据权利要求1所述的基于神经网路的目标识别方法，其特征在于，所述放大模块为WGan网络模型。
7.根据权利要求1所述的基于神经网路的目标识别方法，其特征在于，所述识别模块为Resnet网络模型。
8.根据权利要求2所述的基于神经网路的目标识别方法，其特征在于，所述目标图像为设置于交通灯前停车线图像与交通灯为红灯图像，所述方法还包括：
通过安装于车辆上的摄像头获取所述待识别图像，并根据预先训练的所述分级模块对设置于交通灯前停车线图像与交通灯为红灯图像进行分级，确定分级结果；
若所述分级结果为所述第二级目标图像时，通过预先训练的所述放大模块对所述设置于交通灯前停车线图像与交通灯为红灯图像进行放大；
将放大后的所述设置于交通灯前停车线图像与交通灯为红灯图像输入至预先训练的所述识别模块，确定出对应的识别结果。
9.一种基于神经网路的目标识别设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
10.一种基于神经网路的目标识别介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
将待识别图像输入至预先训练的识别模型，确定出识别结果，其中，所述识别模型包括分级模块、放大模块及识别模块；
判断所述识别结果是否为预先设置的类型；
若判断出所述识别结果为预先设置的类型，将所述识别结果对应的目标进行标记。
CN202010448765.7A 2020-05-25 2020-05-25 一种基于神经网路的目标识别方法、设备及介质 Active CN111753661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010448765.7A CN111753661B (zh) 2020-05-25 2020-05-25 一种基于神经网路的目标识别方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010448765.7A CN111753661B (zh) 2020-05-25 2020-05-25 一种基于神经网路的目标识别方法、设备及介质

Publications (2)

Publication Number Publication Date
CN111753661A true CN111753661A (zh) 2020-10-09
CN111753661B CN111753661B (zh) 2022-07-12

Family

ID=72673708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010448765.7A Active CN111753661B (zh) 2020-05-25 2020-05-25 一种基于神经网路的目标识别方法、设备及介质

Country Status (1)

Country Link
CN (1) CN111753661B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874845A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 图像识别的方法和装置
CN107832662A (zh) * 2017-09-27 2018-03-23 百度在线网络技术（北京）有限公司 一种获取图片标注数据的方法和系统
CN108573244A (zh) * 2018-04-28 2018-09-25 济南浪潮高新科技投资发展有限公司 一种车辆检测方法、装置及系统
CN108776819A (zh) * 2018-06-05 2018-11-09 Oppo广东移动通信有限公司 一种目标识别方法、移动终端及计算机可读存储介质
CN108810474A (zh) * 2018-06-19 2018-11-13 广州小狗机器人技术有限公司 一种网络摄像头监控方法及系统
CN108985214A (zh) * 2018-07-09 2018-12-11 上海斐讯数据通信技术有限公司 图像数据的标注方法和装置
CN109086818A (zh) * 2018-07-25 2018-12-25 中国海洋大学 海洋锋面识别方法和装置
CN109934218A (zh) * 2019-01-22 2019-06-25 阿里巴巴集团控股有限公司 一种针对物流单图像的识别方法及装置
CN110276300A (zh) * 2019-06-24 2019-09-24 北京百度网讯科技有限公司 用于识别垃圾品质的方法和装置
CN110287850A (zh) * 2019-06-20 2019-09-27 北京三快在线科技有限公司 一种模型训练以及目标物识别的方法及装置
CN110458226A (zh) * 2019-08-08 2019-11-15 上海商汤智能科技有限公司 图像标注方法及装置、电子设备和存储介质
CN110675940A (zh) * 2019-08-01 2020-01-10 平安科技（深圳）有限公司 病理图像标注方法、装置、计算机设备及存储介质
CN111078908A (zh) * 2019-11-28 2020-04-28 北京云聚智慧科技有限公司 一种数据标注的检测方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874845A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 图像识别的方法和装置
CN107832662A (zh) * 2017-09-27 2018-03-23 百度在线网络技术（北京）有限公司 一种获取图片标注数据的方法和系统
CN108573244A (zh) * 2018-04-28 2018-09-25 济南浪潮高新科技投资发展有限公司 一种车辆检测方法、装置及系统
CN108776819A (zh) * 2018-06-05 2018-11-09 Oppo广东移动通信有限公司 一种目标识别方法、移动终端及计算机可读存储介质
CN108810474A (zh) * 2018-06-19 2018-11-13 广州小狗机器人技术有限公司 一种网络摄像头监控方法及系统
CN108985214A (zh) * 2018-07-09 2018-12-11 上海斐讯数据通信技术有限公司 图像数据的标注方法和装置
CN109086818A (zh) * 2018-07-25 2018-12-25 中国海洋大学 海洋锋面识别方法和装置
CN109934218A (zh) * 2019-01-22 2019-06-25 阿里巴巴集团控股有限公司 一种针对物流单图像的识别方法及装置
CN110287850A (zh) * 2019-06-20 2019-09-27 北京三快在线科技有限公司 一种模型训练以及目标物识别的方法及装置
CN110276300A (zh) * 2019-06-24 2019-09-24 北京百度网讯科技有限公司 用于识别垃圾品质的方法和装置
CN110675940A (zh) * 2019-08-01 2020-01-10 平安科技（深圳）有限公司 病理图像标注方法、装置、计算机设备及存储介质
CN110458226A (zh) * 2019-08-08 2019-11-15 上海商汤智能科技有限公司 图像标注方法及装置、电子设备和存储介质
CN111078908A (zh) * 2019-11-28 2020-04-28 北京云聚智慧科技有限公司 一种数据标注的检测方法和装置

Also Published As

Publication number Publication date
CN111753661B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
US10713865B2 (en) Method and apparatus for improving vehicle loss assessment image identification result, and server
CN112801229B (zh) 一种识别模型的训练方法及装置
US10719863B2 (en) Method and apparatus for improving vehicle loss assessment image identification result, and server
CN109034183B (zh) 一种目标检测方法、装置及设备
CN112732585A (zh) 一种仿真测试的方法及装置
CN112036462A (zh) 一种模型训练以及目标检测的方法及装置
CN112766241A (zh) 一种目标物识别方法以及装置
CN114332873A (zh) 一种识别模型的训练方法及装置
CN114440903A (zh) 一种高精地图构建方法、装置、存储介质及电子设备
CN114943307A (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN111368902A (zh) 一种数据标注的方法及装置
CN115828162A (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN114861665A (zh) 一种强化学习模型训练以及确定数据关系的方法及装置
CN112966577B (zh) 一种模型训练以及信息提供的方法及装置
CN111753662A (zh) 一种交通事故处理方法、设备及介质
CN108519986A (zh) 一种网页生成方法、装置及设备
CN111753661B (zh) 一种基于神经网路的目标识别方法、设备及介质
CN111652053A (zh) 一种员工考勤方法、设备及介质
CN111539962A (zh) 一种目标图像分类方法、装置以及介质
CN112949642B (zh) 一种文字生成方法、装置、存储介质及电子设备
CN111539961A (zh) 一种目标分割方法、装置以及设备
CN111899264A (zh) 一种目标图像分割方法、设备及介质
CN115017905A (zh) 一种模型训练和信息推荐的方法及装置
CN114926437A (zh) 一种图像质量评价方法及装置
CN114187355A (zh) 一种图像标定方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20220613

Address after: 250101 building S02, 1036 Chaochao Road, high tech Zone, Jinan City, Shandong Province

Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: Floor 6, Chaochao Road, Shandong Province

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201009

Assignee: Shandong Inspur Digital Business Technology Co.,Ltd.

Assignor: Shandong Inspur Scientific Research Institute Co.,Ltd.

Contract record no.: X2023980053547

Denomination of invention: A neural network-based target recognition method, device, and medium

Granted publication date: 20220712

License type: Exclusive License

Record date: 20231226

EE01 Entry into force of recordation of patent licensing contract