CN111783517B - 图像识别方法、装置、电子设备及存储介质 - Google Patents
图像识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111783517B CN111783517B CN202010404077.0A CN202010404077A CN111783517B CN 111783517 B CN111783517 B CN 111783517B CN 202010404077 A CN202010404077 A CN 202010404077A CN 111783517 B CN111783517 B CN 111783517B
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- cluster
- features
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 34
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000002372 labelling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000287107 Passer Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像识别方法、装置、电子设备及存储介质，包括：从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像。本申请中，实现了对样本图像的中目标样本图像识别的完全自动化，通过目标样本图像训练得到的模型能够在检测样本图像中已知特征物体类别的基础上，进一步实现检测未知特征物体类别的功能。
Description
技术领域
本申请实施例涉及通信技术领域，尤其涉及一种图像识别方法、装置、电子设备及存储介质。
背景技术
目前在模型训练领域，通常是在已知类别的训练样本上训练目标检测模型，使得目标检测模型能够从视频或图像中，检测到其中属于该已知类别的特征。
相关技术中，具体在识别人体配件物体的场景下，可以通过收集已知类别的训练样本，并人工对训练样本进行标注，并利用已标注的训练样本，进行目标检测模型的训练，如，假设训练样本为人像照片，通过已知的帽子、背包的类别，人工进行标注，将每个样本标注为佩戴帽子、佩戴背包、未佩戴帽子、未佩戴背包。标注完成后，可以利用训练样本进行目标检测模型的训练。训练后的目标检测模型可以识别视频或图像中，目标人物是否佩戴了帽子、背包。
但是，目前方案中，按照已知类别的训练样本训练得到的目标检测模型，并不能实现检测视频或图像中，除该已知类别之外的其他类别的特征，使得在应用场景中需要增加新的类别时，需要进行人工对新的类别的训练样本进行标注以及训练的操作，导致模型的使用效率低下。
发明内容
本申请实施例提供一种图像识别方法、装置、电子设备及存储介质，以解决相关技术中在应用场景中需要增加新的识别类别时，需要进行人工对新的类别的训练样本进行标注以及训练的操作，导致模型的使用效率低下的问题。
第一方面，本申请实施例提供了一种图像识别方法，该方法包括：
从样本图像中，提取人体部位对应的部位区域的部位特征，所述样本图像包括所述部位区域具有特征物体的图像，以及所述部位区域不具有特征物体的图像；
通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到多个聚类簇；
从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少；
将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
在一种可选实施方式中，所述通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度进行聚类，得到两个聚类簇，包括：
通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇。
在一种可选实施方式中，所述通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇，包括：
计算各个所述部位区域的部位特征之间的相似度值；
将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征，所述合并的部位特征关联有两个所述部位特征分别对应的两个部位区域；
计算剩余的部位特征、所述合并的部位特征之间的相似度值，并进入所述将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征的步骤，直至得到两个所述聚类簇，所述聚类簇包括；所述聚类簇中部位特征所关联的所有部位区域。
在一种可选实施方式中，从样本图像中，所述提取人体部位对应的部位区域的部位特征，包括：
在所述样本图像中，识别所述人体部位对应的关键点；
将相邻所述关键点依次连接，形成所述人体部位对应的部位区域；
将所述部位区域进行裁剪，得到部位图像；
将所述部位图像输入预设的特征提取模型，得到所述特征提取模型输出的所述部位特征。
在一种可选实施方式中，在通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇之后，所述方法还包括：
将每个聚类簇包括的部位区域的部位特征的向量平均值，作为所述聚类簇的中心特征值。
在一种可选实施方式中，所述特征物体包括人体配件。
第二方面，本申请实施例提供了一种图像识别装置，该装置包括：
提取模块，被配置为从样本图像中，提取人体部位对应的部位区域的部位特征，所述样本图像包括所述部位区域具有特征物体的图像，以及所述部位区域不具有特征物体的图像；
聚类模块，被配置为通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到多个聚类簇；
选取模块，被配置为从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少；
确定模块，被配置为将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
在一种可选实施方式中，所述聚类模块，包括：
层次聚类子模块，被配置为通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇。
在一种可选实施方式中，所述层次聚类子模块，包括：
第一计算单元，被配置为计算各个所述部位区域的部位特征之间的相似度值；
合并单元，被配置为将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征，所述合并的部位特征关联有两个所述部位特征分别对应的两个部位区域；
第二计算单元，被配置为计算剩余的部位特征、所述合并的部位特征之间的相似度值，并执行所述合并单元，直至得到两个所述聚类簇，所述聚类簇包括；所述聚类簇中部位特征所关联的所有部位区域。
在一种可选实施方式中，所述提取模块，包括：
识别子模块，被配置为在所述样本图像中，识别所述人体部位对应的关键点；
连接子模块，被配置为将相邻所述关键点依次连接，形成所述人体部位对应的部位区域；
裁剪子模块，被配置为将所述部位区域进行裁剪，得到部位图像；
特征提取子模块，被配置为将所述部位图像输入预设的特征提取模型，得到所述特征提取模型输出的所述部位特征。
在一种可选实施方式中，所述装置还包括：
计算模块，被配置为将每个聚类簇包括的部位区域的部位特征的向量平均值，作为所述聚类簇的中心特征值。
在一种可选实施方式中，所述特征物体包括人体配件。
第三方面，本申请实施例还提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如本申请提供的图像识别方法的步骤。
第四方面，本申请实施例还提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本申请提供的图像识别方法的步骤。
第五方面，本申请实施例还提供了一种应用程序，所述应用程序由电子设备的处理器执行时，实现如本申请提供的图像识别方法的步骤。
在本申请实施例中，从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，目标样本图像的部位区域具有特征物体。本申请中，通过按照样本图像中，部位区域的部位特征之间的相似度值划分，可以通过无监督的方式，将样本图像划分至两个聚类簇，并且基于大多数人像图像中不存在特征物体的先验知识，将内容数量较小的目标聚类簇所对应的样本图像，确定为具有特征物体的目标样本图像，实现了对样本图像的中目标样本图像识别的完全自动化，避免了需要进行人工标注才能识别出样本图像中的目标样本图像。另外，在模型的训练过程中，也不需要对样本图像中特征物体的类别进行关注，通过目标样本图像训练得到的模型能够在检测已知特征物体类别的基础上，进一步实现检测未知特征物体类别的功能。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本申请实施例提供的一种图像识别方法的步骤流程图；
图2是本申请实施例提供的一种样本图像；
图3是本申请实施例提供的另一种样本图像；
图4是本申请实施例提供的另一种图像识别方法的步骤流程图；
图5是本申请实施例提供的一种图像识别装置的框图；
图6是本申请一个实施例的电子设备的逻辑框图；
图7是本申请另一个实施例的电子设备的逻辑框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
图1是本申请实施例提供的一种图像识别方法的步骤流程图，如图1所示，该方法可以包括：
步骤101，从样本图像中，提取人体部位对应的部位区域的部位特征，所述样本图像包括所述部位区域具有特征物体的图像，以及所述部位区域不具有特征物体的图像。
在本申请实施例中，可以提前获取预设数量的样本图像，且样本图像的数量可以根据实际需求进行设定，样本图像可以从互联网资源中进行获取，或从预设的图像数据库中进行获取。
具体的，样本图像可以为人像图像，其中具有至少部分人体部位，如，人的头部、躯干、四肢等，这些人体部位在样本图像中具有对应的部位区域，另外，在所有样本图像中，还可以存在一定数量的样本图像，这些样本图像中的部位区域具有特征物体。
特征物体可以为人体配件，人体配件是指人体能够佩戴的装饰品，功能配件等，如，帽子、耳机、背包、项链等，另外特征物体也可以为其他与人体相关的物体，本申请实施例对此不做限定。
在所有样本图像中，除部位区域具有特征物体的图像之外的其余样本图像，该其余样本图像的部位区域不具有特征物体。
另外，本申请实施例可以定义特征物体经常出现在人体的哪个人体部位，比如帽子经常出现在头部，项链经常出现在颈部，背包经常出现在背部等，这样便建立了特征物体与人体部位之间的联系。
例如，参照图2，其示出了本申请实施例提供的一种样本图像，其中，该样本图像为具有头部部位10，且头部部位10对应的部位区域20具有特征物体帽子30的图像。参照图3，其示出了本申请实施例提供的一种样本图像，其中，该样本图像为具有头部部位10，且头部部位10对应的部位区域20不具有特征物体的图像。
需要说明的是，对样本图像中部位区域具有特征物体的图像的数量，以及部位区域不具有特征物体的图像的数量，并不需要进行关注。在样本图像包括的部位区域具有特征物体时，该特征物体需与部位区域至少部分重叠。
进一步的，在获取到样本图像后，可以先识别样本图像中的部位区域，并将部位区域的部分进行裁剪，再利用预先训练好的特征提取模型，提取该裁剪后的部位区域的部位特征，该部位特征可以为1024或者2048维度的特征向量，用来表征该部位区域的语义信息。
步骤102，通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到多个聚类簇。
在本申请实施例中，由于已经提取到了样本图像中部位区域的部位特征，且由于部位区域中存在有特征物体和没有特征物体两种情况，具有特征物体的部位区域对应的部位特征和不具有特征物体的部位区域对应的部位特征之间会存在较大差异，该差异具体可以通过相似度值体现出来，相似度值越大，说明两个部位区域都为具有特征物体的区域或都为不具有特征物体的区域的几率越大。
因此，在该步骤中，可以通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，即通过计算各个部位区域的部位特征之间的相似度值，将相似度值较大的两个部位特征对应的部位区域认为是一个分类，并进行聚类，直至最终聚类得到多个聚类簇，多个聚类簇中存在一个聚类簇可以为部位区域具有特征物体，也存在另一个聚类簇，该另一个聚类簇的部位区域不具有特征物体。
例如，假设100张样本图像中，具有40张戴帽子人物的样本图像，60张不戴帽子人物的样本图像，通过聚类算法，可以得到聚类簇1和聚类簇2，其中，聚类簇1中包括40张戴帽子人物的样本图像，聚类簇2包括60张不戴帽子人物的样本图像。
具体的，聚类算法又称群分析，它是研究样品或指标分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式(Pattern)组成的，通常，模式是一个度量(Measurement)的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
需要说明的是，本申请实施例采用的聚类算法包括但不限于划分法(Partitioning Methods)、层次法(Hierarchical Methods)、基于密度的方法(density-based methods)、基于网格的方法(grid-based methods)、基于模型的方法(Model-BasedMethods)。
步骤103，从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少。
在该步骤中，基于先验知识和实际情况可以知道，大多数人是不带帽子、不带项链、不背背包的，即不佩戴特征物体的人的数量要大于佩戴特征物体的人的数量，因此，本申请实施例可以将两个聚类簇中包括的部位区域的数量最少的聚类簇选取为目标聚类簇。
步骤104，将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
在识别特征物体的场景下，选取了目标聚类簇之后，可以将目标聚类簇包括的部位区域所对应的样本图像，确定为部位区域具有所述特征物体的目标样本图像，以通过目标样本图像进行后续对目标检测模型的训练。其中，目标样本图像可以作为后续模型训练过程中的正样本。
这样使得在整个模型的训练过程中，实现了识别样本图像的中目标目标样本图像的完全自动化，避免了需要进行人工标注才能识别出样本图像中的目标样本图像。另外，在模型的训练过程中，也不需要对样本图像中特征物体的类别进行关注，
例如，假设特征物体的类别帽子属于已知类别，而特征物体的类别蓝牙耳机属于未知类别，且样本图像中存在这两种特征物体的类别的图像，则通过本申请实施例的聚类算法，可以通过无监督的方式，实现将人物佩戴有帽子的样本图像划分至对应的一个聚类簇，将人物未佩戴有帽子的样本图像划分至对应的一个聚类簇，将人物佩戴有蓝牙耳机的样本图像划分至对应的一个聚类簇，将人物未佩戴有蓝牙耳机的样本图像划分至对应的一个聚类簇的目的。使得通过物佩戴有帽子的聚类簇，以及人物佩戴有蓝牙耳机聚类簇训练得到目标检测模型，能够在检测已知类别帽子的基础上，进一步实现检测未知类别蓝牙耳机。
综上所述，本申请实施例提供的一种图像识别方法，包括：从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，目标样本图像的部位区域具有特征物体。本申请中，通过按照样本图像中，部位区域的部位特征之间的相似度值划分，可以通过无监督的方式，将样本图像划分至两个聚类簇，并且基于大多数人像图像中不存在特征物体的先验知识，将内容数量较小的目标聚类簇所对应的样本图像，确定为具有特征物体的目标样本图像，实现了对样本图像的中目标样本图像识别的完全自动化，避免了需要进行人工标注才能识别出样本图像中的目标样本图像。另外，在模型的训练过程中，也不需要对样本图像中特征物体的类别进行关注，通过目标样本图像训练得到的模型能够在检测已知特征物体类别的基础上，进一步实现检测未知特征物体类别的功能。
图4是本申请实施例提供的另一种图像识别方法的步骤流程图，如图4所示，该方法可以包括：
步骤201、在所述样本图像中，识别所述人体部位对应的关键点。
在本申请实施例中，可以根据人体构造，事先定义人体部位对应的关键点，并根据相应的训练数据，训练得到能够识别人体部位对应的关键点的识别模型，实现无监督模式下人体部位对应的关键点的识别。
例如，根据人体的多个关键点(关键点可以为样本图像中的像素点，分别表示鼻子、眼睛、耳朵、左右肩、左右脚、左右臀、左右脚等)，整合出人体的关键部位，比如头部、脖子部、背部、上半身、下半身、脚部等。这些部位可以用部位区域框体来表示，比如上半身部位区域框体可以用左右肩、左右臀四个关键点的信息来确定。
步骤202、将相邻所述关键点依次连接，形成所述人体部位对应的部位区域。
参照图3，假设对该样本图像进行头部部位的关键点检测，得到了A.B.C.D四个关键点，则进一步可以按照A-B-C-D的连接顺序，依次将四个关键点进行连接，最终得到了头部部位对应的部位区域20。
步骤203、将所述部位区域进行裁剪，得到部位图像。
在本申请实施例中，可以通过抠图技术，将部位区域从原始样本图像中提取出来并单独存储，得到一张部位图像，对部位区域进行裁剪之后，使得后续处理只需要关注于该部位区域，而对该部位区域之外的区域可以忽略，降低了数据处理量。
步骤204、将所述部位图像输入预设的特征提取模型，得到所述特征提取模型输出的所述部位特征。
具体的，特征提取模型可以为使用公开训练数据集预先训练好的inception-v3、xception等模型，通过特征提取模型对部位图像的处理，可以得到一个1024或者2048维度的部位特征，部位特征用来表征该部位图像的语义信息。
步骤205、通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇。
在该步骤中，具体可以通过层次聚类算法，实现聚类操作。层次聚类算法的基本思想是：通过某种相似性计算方法，计算节点之间的相似性，并按相似度由高到低排序，逐步重新连接个节点。这种算法对给定的数据集进行层次的分解，直到某种条件满足为止。层次聚类算法可以是基于距离的或基于密度或连通性的。
在本申请实施例中图像识别方法所应用的场景中，对于样本图像的标定结果的需求，可以包括标定结果为样本图像中具有部位特征，以及标定结果为样本图像中不具有部位特征两种情况，则层次聚类算法可以按照对样本图像的标定结果的需求，通过对样本图像进行相似性分析，实现样本图像层次的分解，最终得到两个层次，每个层次可以分别对应一个需求，最终得到一个样本图像中具有部位特征的聚类簇和一个样本图像中不具有部位特征的聚类簇，实现对样本图像的无监督快速分类。
可选的，步骤205具体可以包括：
子步骤2051、计算各个所述部位区域的部位特征之间的相似度值。
子步骤2052、将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征，所述合并的部位特征关联有两个所述部位特征分别对应的两个部位区域。
子步骤2053、计算剩余的部位特征、所述合并的部位特征之间的相似度值，并进入子步骤2052，直至得到两个所述聚类簇，所述聚类簇包括；所述聚类簇中部位特征所关联的所有部位区域。
具体的，可以通过一个例子进行子步骤2051至子步骤2053的具体解释：
示例：假设存在4个样本图像，其中有两个人物佩戴帽子的图像a，b以及两个人物未佩戴帽子的图像c，d，且通过子步骤2051计算得到图像a和图像b对应的部位特征之间的相似度值最大，图像c和图像d对应的部位特征之间的相似度值次之。
之后可以执行子步骤2052、将图像a的部位特征a1和图像b对应的部位特征b1进行合并，得到合并特征X＝a1+b1。且合并特征X关联有图像a和图像b。
之后进行子步骤2053、计算合并特征X与图像c和图像d之间的相似度值，由于合并特征X是两个人物佩戴帽子的图像的特征之和，因此此次计算中，图像c和图像d对应的部位特征之间的相似度值最大，此时执行子步骤2052、将图像c的部位特征c1和图像d对应的部位特征d1进行合并，得到合并特征Y＝c1+d1。且合并特征Y关联有图像c和图像d。
最终，得到了两个聚类簇，聚类簇1中具有合并特征X，以及合并特征X关联的图像a和图像b，以及图像a和图像b各自的部位区域。聚类簇2中具有合并特征Y，以及合并特征Y关联的图像c和图像d，以及图像c和图像d各自的部位区域。
在本申请实施例中，由于具有部位特征的部位区域和不具有部位特征的部位区域之间在特征值上存在较大差异，因此层次聚类算法通过关注样本图像中部位特征之间的相似度，可以快速有效的通过相似度值的大小，对部位特征之间相似度值最大的两个样本图像确定为具有共同属性，实现聚类簇的建立。
步骤206、从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少。
该步骤具体可以参照上述步骤103，此处不再赘述。
步骤207、将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
该步骤具体可以参照上述步骤104，此处不再赘述。
可选的，在步骤205之后，所述方法还可以包括：
步骤208、将每个聚类簇包括的部位区域的部位特征的向量平均值，作为所述聚类簇的中心特征值。
参照上述子步骤2051至子步骤2053的示例，该示例中得到了两个聚类簇，聚类簇1中具有合并特征X，以及合并特征X关联的图像a和图像b，以及图像a和图像b各自的部位区域。聚类簇2中具有合并特征Y，以及合并特征Y关联的图像c和图像d，以及图像c和图像d各自的部位区域。
其中，合并特征X＝a1+b1，合并特征Y＝c1+d1，可以将向量平均值X1＝(a1+b1)/2作为聚类簇1的中心特征值，将向量平均值Y1＝(c1+d1)/2作为聚类簇2的中心特征值，中心特征值用于代表聚合簇中数据的特性，使得后续出现部位特征与该中心特征值非常相似的图像时，可以将该图像关联至中心特征值对应的聚合簇中，提高聚合簇中数据的多样性。
可选的，在步骤205之后，还可以从所述聚类簇中选取除所述目标聚类簇之外的另一聚类簇，所述另一聚类簇包括的部位区域的数量最多。
基于先验知识和实际情况可以知道，大多数人是不带帽子、不带项链、不背背包的，即不佩戴特征物体的人的数量要大于佩戴特征物体的人的数量，因此，本申请实施例可以从聚类簇中选取除所述目标聚类簇之外的另一聚类簇，该另一聚类簇即为不佩戴特征物体的样本图像。
需要说明的是，在本申请实施例中，还可以将所述另一聚类簇包括的部位区域所对应的样本图像，确定为后续模型训练过程中可能会用到的负样本图像，所述负样本图像的部位区域不具有所述特征物体。
在模型训练过程中，在选取目标样本图像的基础上，进一步选取负样本图像，可以利用负样本图像进一步优化模型的训练精度。例如，在进行对抗式生成网络模型时，通过正负样本的训练，可以达到很好的模型效果。
综上所述，本申请实施例提供的一种图像识别方法，包括：从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，目标样本图像的部位区域具有特征物体。本申请中，通过按照样本图像中，部位区域的部位特征之间的相似度值划分，可以通过无监督的方式，将样本图像划分至两个聚类簇，并且基于大多数人像图像中不存在特征物体的先验知识，将内容数量较小的目标聚类簇所对应的样本图像，确定为具有特征物体的目标样本图像，实现了对样本图像的中目标样本图像识别的完全自动化，避免了需要进行人工标注才能识别出样本图像中的目标样本图像。另外，在模型的训练过程中，也不需要对样本图像中特征物体的类别进行关注，通过目标样本图像训练得到的模型能够在检测已知特征物体类别的基础上，进一步实现检测未知特征物体类别的功能。
图5是本申请实施例提供的一种图像识别装置的框图，如图5所示，包括：
提取模块301，被配置为从样本图像中，提取人体部位对应的部位区域的部位特征，所述样本图像包括所述部位区域具有特征物体的图像，以及所述部位区域不具有特征物体的图像；
可选的，提取模块301，包括：
识别子模块，被配置为在所述样本图像中，识别所述人体部位对应的关键点；其有益效果为实现了无监督模式下人体部位对应的关键点的识别。
连接子模块，被配置为将相邻所述关键点依次连接，形成所述人体部位对应的部位区域；
裁剪子模块，被配置为将所述部位区域进行裁剪，得到部位图像，对部位区域进行裁剪之后，使得后续处理只需要关注于该部位区域，而对该部位区域之外的区域可以忽略，降低了数据处理量；
特征提取子模块，被配置为将所述部位图像输入预设的特征提取模型，得到所述特征提取模型输出的所述部位特征。
聚类模块302，被配置为通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇；
可选的，聚类模块302，包括：
层次聚类子模块，被配置为通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇。在本申请实施例中图像识别方法所应用的场景中，对于样本图像的标定结果的需求，可以包括标定结果为样本图像中具有部位特征，以及标定结果为样本图像中不具有部位特征两种情况，则层次聚类算法可以按照对样本图像的标定结果的需求，通过对样本图像进行相似性分析，实现样本图像层次的分解，最终得到两个层次，每个层次可以分别对应一个需求，最终得到一个样本图像中具有部位特征的聚类簇和一个样本图像中不具有部位特征的聚类簇，实现对样本图像的无监督快速分类。
可选的，层次聚类子模块，包括：
第一计算单元，被配置为计算各个所述部位区域的部位特征之间的相似度值；
合并单元，被配置为将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征，所述合并的部位特征关联有两个所述部位特征分别对应的两个部位区域；
第二计算单元，被配置为计算剩余的部位特征、所述合并的部位特征之间的相似度值，并执行所述合并单元，直至得到两个所述聚类簇，所述聚类簇包括；所述聚类簇中部位特征所关联的所有部位区域。
在本申请实施例中，由于具有部位特征的部位区域和不具有部位特征的部位区域之间在特征值上存在较大差异，因此层次聚类算法通过关注样本图像中部位特征之间的相似度，可以快速有效的通过相似度值的大小，对部位特征之间相似度值最大的两个样本图像确定为具有共同属性，实现聚类簇的建立。
可选的，所述特征物体包括人体配件。
选取模块303，被配置为从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少；
确定模块304，被配置为将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
可选的，装置还包括：
计算模块，被配置为将每个聚类簇包括的部位区域的部位特征的向量平均值，作为所述聚类簇的中心特征值，中心特征值用于代表聚合簇中数据的特性，使得后续出现部位特征与该中心特征值非常相似的图像时，可以将该图像关联至中心特征值对应的聚合簇中，提高聚合簇中数据的多样性。
综上所述，本申请实施例提供的一种图像识别装置，包括：从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，目标样本图像的部位区域具有特征物体。本申请中，通过按照样本图像中，部位区域的部位特征之间的相似度值划分，可以通过无监督的方式，将样本图像划分至两个聚类簇，并且基于大多数人像图像中不存在特征物体的先验知识，将内容数量较小的目标聚类簇所对应的样本图像，确定为具有特征物体的目标样本图像，实现了对样本图像的中目标样本图像识别的完全自动化，避免了需要进行人工标注才能识别出样本图像中的目标样本图像。另外，在模型的训练过程中，也不需要对样本图像中特征物体的类别进行关注，通过目标样本图像训练得到的模型能够在检测已知特征物体类别的基础上，进一步实现检测未知特征物体类别的功能。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如，电子设备600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。
参照图6，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制电子设备600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602可以包括一个或多个处理器620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602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604用于存储各种类型的数据以支持在电子设备600的操作。这些数据的示例包括用于在电子设备600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604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606为电子设备600的各种组件提供电力。电源组件606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600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述电子设备600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608包括一个前置摄像头和/或后置摄像头。当电子设备600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610用于输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602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614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到电子设备600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600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614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614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614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616用于便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件616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616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600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，用于从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，目标样本图像的部位区域具有特征物体。
在示例性实施例中，还提供了一种包括指令的非临时性存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述方法。例如，所述非临时性存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是根据一示例性实施例示出的一种电子设备700的框图。例如，电子设备700可以被提供为一服务器。参照图7，电子设备700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732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722被配置为执行指令，以执行从样本图像中，提取人体部位对应的部位区域的部位特征，样本图像包括部位区域具有特征物体的图像，以及部位区域不具有特征物体的图像；通过预设聚类算法，对所有的部位区域，按照部位特征的相似度值进行聚类，得到多个聚类簇；从聚类簇中选取目标聚类簇，目标聚类簇包括的部位区域的数量最少；将目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，目标样本图像的部位区域具有特征物体。
电子设备700还可以包括一个电源组件726被配置为执行电子设备700的电源管理，一个有线或无线网络接口750被配置为将电子设备700连接到网络，和一个输入输出(I/O)接口758。电子设备700可以操作基于存储在存储器732的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本申请实施例还提供一种应用程序，所述应用程序由电子设备的处理器执行时，实现如本申请提供的图像识别方法。
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (12)
1.一种图像识别方法，其特征在于，所述方法包括：
从样本图像中，提取人体部位对应的部位区域的部位特征，所述样本图像包括所述部位区域具有特征物体的图像，以及所述部位区域不具有特征物体的图像；
通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇；
从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少；
将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
2.根据权利要求1所述的方法，其特征在于，所述通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇，包括：
计算各个所述部位区域的部位特征之间的相似度值；
将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征，所述合并的部位特征关联有两个所述部位特征分别对应的两个部位区域；
计算剩余的部位特征、所述合并的部位特征之间的相似度值，并进入所述将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征的步骤，直至得到两个所述聚类簇，所述聚类簇包括；所述聚类簇中部位特征所关联的所有部位区域。
3.根据权利要求1所述的方法，其特征在于，从样本图像中，所述提取人体部位对应的部位区域的部位特征，包括：
在所述样本图像中，识别所述人体部位对应的关键点；
将相邻所述关键点依次连接，形成所述人体部位对应的部位区域；
将所述部位区域进行裁剪，得到部位图像；
将所述部位图像输入预设的特征提取模型，得到所述特征提取模型输出的所述部位特征。
4.根据权利要求1所述的方法，其特征在于，在通过预设聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇之后，所述方法还包括：
将每个聚类簇包括的部位区域的部位特征的向量平均值，作为所述聚类簇的中心特征值。
5.根据权利要求1至4任一所述的方法，其特征在于，所述特征物体包括人体配件。
6.一种图像识别装置，其特征在于，所述装置包括：
提取模块，被配置为从样本图像中，提取人体部位对应的部位区域的部位特征，所述样本图像包括所述部位区域具有特征物体的图像，以及所述部位区域不具有特征物体的图像；
聚类模块，被配置为通过层次聚类算法，对所有的所述部位区域，按照所述部位特征的相似度值进行聚类，得到两个聚类簇；
选取模块，被配置为从所述聚类簇中选取目标聚类簇，所述目标聚类簇包括的部位区域的数量最少；
确定模块，被配置为将所述目标聚类簇包括的部位区域所对应的样本图像，确定为目标样本图像，所述目标样本图像的部位区域具有所述特征物体。
7.根据权利要求6所述的装置，其特征在于，层次聚类子模块，包括：
第一计算单元，被配置为计算各个所述部位区域的部位特征之间的相似度值；
合并单元，被配置为将所述相似度值最大的两个部位特征进行合并，得到合并的部位特征，所述合并的部位特征关联有两个所述部位特征分别对应的两个部位区域；
第二计算单元，被配置为计算剩余的部位特征、所述合并的部位特征之间的相似度值，并执行所述合并单元，直至得到两个所述聚类簇，所述聚类簇包括；所述聚类簇中部位特征所关联的所有部位区域。
8.根据权利要求6所述的装置，其特征在于，所述提取模块，包括：
识别子模块，被配置为在所述样本图像中，识别所述人体部位对应的关键点；
连接子模块，被配置为将相邻所述关键点依次连接，形成所述人体部位对应的部位区域；
裁剪子模块，被配置为将所述部位区域进行裁剪，得到部位图像；
特征提取子模块，被配置为将所述部位图像输入预设的特征提取模型，得到所述特征提取模型输出的所述部位特征。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
计算模块，被配置为将每个聚类簇包括的部位区域的部位特征的向量平均值，作为所述聚类簇的中心特征值。
10.根据权利要求6至9任一所述的装置，其特征在于，所述特征物体包括人体配件。
11.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的图像识别方法的步骤。
12.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的图像识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404077.0A CN111783517B (zh) | 2020-05-13 | 2020-05-13 | 图像识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404077.0A CN111783517B (zh) | 2020-05-13 | 2020-05-13 | 图像识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783517A CN111783517A (zh) | 2020-10-16 |
| CN111783517B true CN111783517B (zh) | 2024-05-07 |
Family
ID=72753649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010404077.0A Active CN111783517B (zh) | 2020-05-13 | 2020-05-13 | 图像识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783517B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313053B (zh) * | 2021-06-15 | 2024-04-12 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备、介质及程序产品 |
| CN113743533B (zh) * | 2021-09-17 | 2023-08-01 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
| CN114219978B (zh) * | 2021-11-17 | 2023-04-07 | 浙江大华技术股份有限公司 | 目标多部位关联方法及装置、终端、计算机可读存储介质 |
| CN114863163A (zh) * | 2022-04-01 | 2022-08-05 | 深思考人工智能科技(上海)有限公司 | 一种基于细胞图像进行细胞分类的方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903114A (zh) * | 2012-10-09 | 2013-01-30 | 河海大学 | 一种基于改进型层次聚类的高光谱遥感数据降维方法 |
| CN106355170A (zh) * | 2016-11-22 | 2017-01-25 | Tcl集团股份有限公司 | 照片分类方法及装置 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
| CN108280477A (zh) * | 2018-01-22 | 2018-07-13 | 百度在线网络技术（北京）有限公司 | 用于聚类图像的方法和装置 |
| CN108491786A (zh) * | 2018-03-20 | 2018-09-04 | 南京邮电大学 | 一种基于分级网络和聚类合并的人脸检测方法 |
| CN110046586A (zh) * | 2019-04-19 | 2019-07-23 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、设备及存储介质 |
| CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技（北京）有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
| CN110781859A (zh) * | 2019-11-05 | 2020-02-11 | 深圳奇迹智慧网络有限公司 | 图像标注方法、装置、计算机设备和存储介质 |
| CN110991283A (zh) * | 2019-11-21 | 2020-04-10 | 北京格灵深瞳信息技术有限公司 | 重识别及训练数据获取方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-13 CN CN202010404077.0A patent/CN111783517B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903114A (zh) * | 2012-10-09 | 2013-01-30 | 河海大学 | 一种基于改进型层次聚类的高光谱遥感数据降维方法 |
| CN106355170A (zh) * | 2016-11-22 | 2017-01-25 | Tcl集团股份有限公司 | 照片分类方法及装置 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
| CN108280477A (zh) * | 2018-01-22 | 2018-07-13 | 百度在线网络技术（北京）有限公司 | 用于聚类图像的方法和装置 |
| CN108491786A (zh) * | 2018-03-20 | 2018-09-04 | 南京邮电大学 | 一种基于分级网络和聚类合并的人脸检测方法 |
| CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技（北京）有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
| CN110046586A (zh) * | 2019-04-19 | 2019-07-23 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、设备及存储介质 |
| CN110781859A (zh) * | 2019-11-05 | 2020-02-11 | 深圳奇迹智慧网络有限公司 | 图像标注方法、装置、计算机设备和存储介质 |
| CN110991283A (zh) * | 2019-11-21 | 2020-04-10 | 北京格灵深瞳信息技术有限公司 | 重识别及训练数据获取方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783517A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740516B (zh) | 一种用户识别方法、装置、电子设备及存储介质 | |
| CN111783517B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN109800744B (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
| CN110602527B (zh) | 视频处理方法、装置及存储介质 | |
| CN110517185B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| EP2977956B1 (en) | Method, apparatus and device for segmenting an image | |
| US11455491B2 (en) | Method and device for training image recognition model, and storage medium | |
| CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN105654039B (zh) | 图像处理的方法和装置 | |
| CN113792207B (zh) | 一种基于多层次特征表示对齐的跨模态检索方法 | |
| CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN107220614B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
| CN114266840A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111652107B (zh) | 对象计数方法及装置、电子设备和存储介质 | |
| CN111526287A (zh) | 图像拍摄方法、装置、电子设备、服务器、系统及存储介质 | |
| CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
| CN111582383A (zh) | 属性识别方法及装置、电子设备和存储介质 | |
| CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
| CN111797746B (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
| CN110110742B (zh) | 多特征融合方法、装置、电子设备及存储介质 | |
| CN112381091A (zh) | 视频内容识别方法、装置、电子设备及存储介质 | |
| CN112036307A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111373409A (zh) | 获取颜值变化的方法及终端 | |
| CN116522385A (zh) | 一种联邦过采样方法、装置、电子设备及存储介质 | |
| CN111524160A (zh) | 轨迹信息获取方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |