CN111862109A - 多目标采集、图像识别及自动标注识别结果的系统和装置 - Google Patents
多目标采集、图像识别及自动标注识别结果的系统和装置 Download PDFInfo
- Publication number
- CN111862109A CN111862109A CN202010594886.2A CN202010594886A CN111862109A CN 111862109 A CN111862109 A CN 111862109A CN 202010594886 A CN202010594886 A CN 202010594886A CN 111862109 A CN111862109 A CN 111862109A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- recognition
- module
- source
- 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
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 22
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了多目标采集、图像识别及自动标注识别结果的系统和装置。该系统中模型训练模块首先通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;对样本进行训练以及检查清晰度。图像采集模块通过设置图像采集设备的连续对焦缩小光圈以采集样本的源图像;图像处理模块用于将源图像转换成二值图像,然后对光源中心区域进行一次切割,图像识别计算模块将一次切割后源图像进行二次切割,对二次切割后的源图像进行相似度匹配,将超过阈值的参数反馈给图像合成模块;图像合成模块将参数在源图像对应的子目标坐标位置上进行标注。本发明还提出了主动标注识别结果的装置,提高了多目标识别的准确度,以及直观的展示识别结果。
Description
技术领域
本发明属于图像处理技术领域,特别涉及多目标采集、图像识别及自动标注识别结果的系统。
背景技术
自带光源的物体成像后往往会导致光源中心曝光过度,最终导致光源中心图像质量普遍较差;图像模型训练过程中,对采样样本的角度无特殊限定或定义,对物体特征抓取和定义比较片面。
现有技术中,应用图像识别技术可识别单个或多个目标物体的图像,但图像识别后,识别结果通常以文字方式简单表达识别结果,识别结果与识别图像相互分离,特别是多目标物体的图像识别,识别结果的展示与识别图像的分离不便于用户直接了解识别目标;比如:在一个服务器面板识别故障图片即物体差异识别具体案例中,针对图像识别结果的反馈与故障图片无直接关联关系,导致运维人员需要通过反馈的识别结果重新理解故障图片;或者在对计算机内部组成部分进行培训或学习时,未能在输入的源图片中直接标注识别结果导致用户对描述的组成部分产生混淆。
发明内容
本发明提出了多目标采集、图像识别及自动标注识别结果的系统。通过操作移动终端的对焦服务抑制光源对背景物体成像的干扰,通过图像处理技术切割图像,单独降低光源中心的亮度,达到增强周边物体的对比度;以及在源图上每个识别到的物体的坐标位置上标注信息,提高了识别的准确度。
为了实现上述目的,本发明提出了多目标采集、图像识别及自动标注识别结果的系统,该系统包括:模型训练模块、图像采集模块、图像处理模块、图像识别计算模块和图像合成模块;
所述模型训练模块首先通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;所述连续轨迹经过九宫格的每格且经过一次;基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度;
所述图像采集模块通过设置图像采集设备的连续对焦缩小光圈,减少光源的通带宽度以采集样本的源图像;
所述图像处理模块用于将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度;
所述图像识别计算模块用于将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块;
所述图像合成模块接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。
进一步的,所述系统还包括图像反馈模块;所述图像反馈模块用于将所述图像合并模块标注的结果反馈给终端用户。
进一步的,所述基于九宫格图片对样本进行训练包括:根据九宫格中每格图片样本相对于原始素材的角度,以及根据所述角度下原始素材相对于侧面边的长度对样本进行训练;并纠正原始素材和样本不一致的训练结果。
进一步的,对纠正原始素材和样本不一致的训练结果形成图层并定义图层以降低系统误识别率。
进一步的,所述图像识别计算模块对一次切割后的源图像采用二值图像连通域标记算法进行二次切割;所述二值图像为包含黑和白的二值图。
进一步的,所述图像识别模块反馈的参数包括源图片、源图片分解识别的子目标坐标位置和子目标与标准对比后的差异结果。
本发明还提出了多目标采集、图像识别及自动标注识别结果的装置,包括图像采集设备和处理器;
图像采集设备用于通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;以及设置图像采集设备的连续对焦缩小光圈,减少光源的通带宽度以采集样本的源图像;
处理器用于执行基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度;以及将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度;将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块;接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明实施例提出了多目标采集、图像识别及自动标注识别结果的系统和装置。该系统包括模型训练模块、图像采集模块、图像处理模块、图像识别计算模块和图像合成模块;其中模型训练模块首先通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;连续轨迹经过九宫格的每格且经过一次;基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度。图像采集模块通过设置图像采集设备的连续对焦缩小光圈,减少光源的通带宽度以采集样本的源图像;图像处理模块用于将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度;图像识别计算模块用于将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块;图像合成模块接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。
本发明通过搜集归类目标素材,丰富样本库,提升识别目标的命中率。通过九宫格中每格图片样本相对于原始素材的角度,以及角度下原始素材相对于侧面边的长度对物体远近深度的采集,增加样本库物体的特征点,从而提升识别的准确性。对图像模型训练不断纠正和完善图像识别模型。
本发明通过操作移动终端的对焦服务实现对点光源的连续自动对焦、缩小光圈、减少曝光时间,减小光谱通带的大小,从而实现抑制光源对背景物体成像的干扰;可以通过图像处理技术切割图像,单独降低光源中心的亮度,达到增强周边物体的对比度,从而为清晰识别物体创造良好基础。
本发明将经过图像相似度计算后得到的识别结果,包括多个目标的识别结果和单个目标的识别结果,传递给图像合成模块;为图像合成提供数据基础。本专利通过图像合成在源图上具体每个识别到的物体的坐标位置上标注信息,信息包括但不限于物体编号、目标说明、差异说明以及必要的引导指示线;将合成图像反馈给终端用户,终端用户得到直观的明确的识别结果。
附图说明
如图1给出了本发明实施例1中沿九宫格连续轨迹拍摄小视频的示意图;
如图2给出了本发明实施例1中小视频分帧获得的九宫格图片集合;
如图3给出了本发明实施例1中深度参数的计算图;
如图4给出了本发明实施例1中多目标采集、图像识别及自动标注识别结果的系统工作流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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他实施例,都属于本发明保护的范围。
实施例1
本发明提出了多目标采集、图像识别及自动标注识别结果的系统,该系统包括模型训练模块、图像采集模块、图像处理模块、图像识别计算模块和图像合成模块。
模型训练模块首先通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;连续轨迹经过九宫格的每格且经过一次;基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度。
如图1给出了沿九宫格连续轨迹拍摄小视频的示意图;提供G字小视频轨迹引导,在屏幕出现G大写字母,拍摄过程移动设备书写一个G字。本发明保护的范围不局限于实施例1中给出的轨迹,本发明保护的九宫格连续轨迹拍摄小视频,并且连续轨迹经过九宫格的每个格子并且只经过一次。
如图2给出了小视频分帧获得的九宫格图片集合。与识别目标相关的素材,搜集每种模型图像九宫格角度每个角度至少5张基本相同的同一类型目标的原始素材,在同一角度提供至少3张不同远近照片。其中原始素材的正面位于正面5号位的格子内,原始素材的九宫格图片集合分别位于左上、上、右上、右、右下、下、左下、左以及正面的九个格内。本发明可以从不同的角度获得原始素材的图片结合,所以构成立体模型。
基于该九宫格图片集合,增加角度参数θ,其中角度参数为从九个角度定义模型,分别为位于右上、上、左上、左、左下、下、右下、右以及正面的样本相对于正面的角度。比如:右上相对于正面的角度为45度,上相对于正面的角度为90度,左上相对于正面的角度为145度等。
同时基于该角度参数,增加深度参数,测量角度θ下,物体侧面边的长度L,作为立体模型中物体不同角度的深度参数;如图3给出了本发明实施例1中深度参数的计算图。
在图中半径r为原始素材的侧边长度,深度为l,其中
l=r*cosθ(θ<90°)
l=0(θ=90°)
l=r(θ=0°)
在系统建模时,已知原始素材的侧边长度r,测量并入库,在系统应用时,通过测量实体l和θ,反推计算出对应的r1值。r1=l/cosθ。
当r1值与建模时系统记录的参数r进行比较,当r≈r1,则判定原始素材r条件匹配。本发明中对于九宫格样本增加角度参数和深度参数,增加样本库物体的特征点,从而提升识别的准确性。
基于九宫格图片对样本进行训练,通过样本判定,得到真正集(模型和测试样本是同一目标且准确识别到)、真负集(模型和测试样本不是同一目标,准确判断非本模型对象)、假负集(模型和测试样本是同一目标,但是识别结果认定不是同一个目标,判断错误)和假正集(模型和测试样本是不是同一目标,但是识别结果认定是同一个目标,判断错误);通过纠正假负集和假正集的结果,提升样本的准确性;对于图像处理的每一个步骤产生的过程成果图像按照图层给予定义,训练者可以按照图像处理的顺序单独查看某个图层的处理结果,可以单独将影响识别结果为假的步骤抽取出来重新调整参数处理后归入相应图层重新查看判定结果,直到消除为假的判定,以此来降低系统的误识率;将相关参数记入系统。
系统对图像清晰度进行检查,将图像转换成灰度图,对灰度图的像素矩阵进行方差运算。图像越清晰,像素之间的差别越大,则方差越大。图像模糊,边缘之间像素差别小,方差越小,此处照片清晰的标准是计算后方差大于100,对于不符合清晰度的照片反馈给训练者,要求继续提供清晰的照片。
模型稳定后发布模型;发布模型即发布图像识别的算法、将训练库转为正式库获取终端用户访问摄像头和相册许可。
通过移动终端启动图像采集程序;图像采集模块在采集时,启用摄像机连续对焦服务。如果是自带光源物体,提供参数调整窗口:摄像机缩小光圈滑块,减少曝光时间,减小光源光谱的通带宽度,进而抑制光源对背景物体成像的干扰;对于过暗的背景,增加曝光时间,采集源图片。
图像处理模块用于将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度。
将图像转换成只有黑0和白255的二值图,识别图中黑点分布低的区域,单独降低光源中心的亮度,进一步抑制光源对周边物体轮廓的影响;达到增强周边物体的对比度,从而为清晰识别物体创造良好基础。图像处理模块中源图像的清晰度检查采用上述的方差计算法。
然后将源图像传递给图像识别计算模块,图像识别计算模块用于将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块。
图像识别计算模块对一次切割后的源图像采用二值图像连通域标记算法进行二次切割;二值图像为包含黑和白的二值图。如果是多目标的话,进行多个识别目标的图像分割,以及多个子目标图形集合。
将目标图片放入样本模型中进行样例相似度匹配;匹配度满足一定阈值,可根据实验数据或场景需要设定,一般推荐70%,表示匹配成功,取该阈值之上匹配度最高的命中目标以及相关描述信息,整理反馈;源图中包含多个目标则每个单独目标都进行上述过程识别;将源图中的多个识别目标对应的多个识别结果、识别目标的坐标位置以及源图片反馈给图像合成模块。
图像合成模块接收识别结果,一共三个参数:参数1:被识别的源图片。参数2:被识别源图片分解识别的子目标坐标位置(X,Y)。被识别的子目标的识别结果,标准的识别结果或与标准对比后的差异结果。
图像合成模块接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。包括标准物体识别结果和差异对比结果在被识别的源图片上对应的子目标坐标位置上进行标注;标注包括物体编号、目标说明、差异说明以及必要的引导指示线。图像合成结果输出给客户端。将合成的结果通过图像反馈模块反馈给终端用户,终端用户获得直观的图像识别结果。
如图4给出了本发明实施例1中多目标采集、图像识别及自动标注识别结果的系统工作流程图;
在步骤S401中,开始处理该流程。
在步骤S402中,获取图像采集设备,摄像头和相册访问许可。
在步骤S403中,启动图像采集服务。
在步骤S404中,调用对焦服务。
在步骤S405中,判断是否为自带光源的物体,如果为自带光源的物体,则执行步骤S406,否则执行步骤S407。
在步骤S406中,缩小光圈,减少曝光时间。
在步骤S407中,判断背景是否灰暗。如果灰暗,则执行步骤S408,否则执行步骤S409。
在步骤S408中,增加曝光时间。
在步骤S409中,执行图像采集。
在步骤S410中,判断九宫格图片集合是否采集完成,如果完成,则执行步骤S411;否则,返回步骤S404.
在步骤S411中,传递给图像处理模块。
在步骤S412中,对于自带中心光源的图像进行图像处理,降低中心光源的亮度。
在步骤S413中,对处理后的图像传递给图像识别模块。
在步骤S414中,判断是否包含多个目标,如果包含多个目标,则执行步骤S415,否则执行步骤S417。
在步骤S415中,进行图像分割。
在步骤S416中,获得多目标图形集合。
在步骤S417中,取子目标图像。
在步骤S418中,进行相似度匹配。
在步骤S419中,判断匹配程度是否满足阈值,如果超过阈值则执行步骤S420,否则执行步骤S421。
在步骤S420中,获取匹配的对象信息。
在步骤S421中,判断子目标图像是否匹配完成。如果匹配完成,则执行步骤S422,否则,返回步骤S417。
在步骤S422中,判断参数是否合法,如果合法则执行步骤S423,否则,则终止。
在步骤S423中,取子目标信息。
在步骤S424中,获取子目标坐标
在步骤S425中,获取子目标的描述,目标编号、文件描述、差异描述和引导线等。
在步骤S426中,在源图上找到字母坐标,标注上描述信息。
在步骤S427中,判断子目标是否全部标注完毕。如果标注完毕,则执行步骤S428,否则,返回步骤S423。
在步骤S428中,展示合成后的图像。
本发明还提出了多目标采集、图像识别及自动标注识别结果的装置,该装置包括图像采集设备和处理器。
图像采集设备用于通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;以及设置图像采集设备的连续对焦缩小光圈,减少光源的通带宽度以采集样本的源图像。
处理器用于执行基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度;以及将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度;将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块;接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。
以上内容仅仅是对本发明的结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.多目标采集、图像识别及自动标注识别结果的系统,其特征在于,包括:模型训练模块、图像采集模块、图像处理模块、图像识别计算模块和图像合成模块;
所述模型训练模块首先通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;所述连续轨迹经过九宫格的每格且经过一次;基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度;
所述图像采集模块通过设置图像采集设备的连续对焦缩小光圈,减少光源的通带宽度以采集样本的源图像;
所述图像处理模块用于将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度;
所述图像识别计算模块用于将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块;
所述图像合成模块接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。
2.根据权利要求1所述的多目标采集、图像识别及自动标注识别结果的系统,其特征在于,所述系统还包括图像反馈模块;
所述图像反馈模块用于将所述图像合并模块标注的结果反馈给终端用户。
3.根据权利要求1所述的多目标采集、图像识别及自动标注识别结果的系统,其特征在于,所述基于九宫格图片对样本进行训练包括:根据九宫格中每格图片样本相对于原始素材的角度,以及根据所述角度下原始素材相对于侧面边的长度对样本进行训练;并纠正原始素材和样本不一致的训练结果。
4.根据权利要求1所述的多目标采集、图像识别及自动标注识别结果的系统,其特征在于,对纠正原始素材和样本不一致的训练结果形成图层并定义图层以降低系统误识别率。
6.根据权利要求1所述的多目标采集、图像识别及自动标注识别结果的系统,其特征在于,所述图像识别计算模块对一次切割后的源图像采用二值图像连通域标记算法进行二次切割;所述二值图像为包含黑和白的二值图。
7.根据权利要求1所述的多目标采集、图像识别及自动标注识别结果的系统,其特征在于,所述图像识别模块反馈的参数包括源图片、源图片分解识别的子目标坐标位置和子目标与标准对比后的差异结果。
8.多目标采集、图像识别及自动标注识别结果的装置,其特征在于,包括图像采集设备和处理器;
所述图像采集设备用于通过沿九宫格连续轨迹拍摄小视频逐帧分解获得原始素材的九宫格图片样本;以及设置图像采集设备的连续对焦缩小光圈,减少光源的通带宽度以采集样本的源图像;
所述处理器用于执行基于九宫格图片对样本进行训练;通过对样本灰度图的像素矩阵进行方差计算以检查样本的清晰度;以及将源图像转换成黑白二值图像,然后对光源中心区域进行一次切割,降低光源中心区域亮度,增加对比度;将一次切割后源图像进行二次切割,并对二次切割后的源图像放入样本模型进行相似度匹配,将超过阈值匹配成功的参数反馈给图像合成模块;接收图像识别模块反馈的参数,并将参数在源图像对应的子目标坐标位置上进行标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594886.2A CN111862109B (zh) | 2020-06-28 | 2020-06-28 | 多目标采集、图像识别及自动标注识别结果的系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594886.2A CN111862109B (zh) | 2020-06-28 | 2020-06-28 | 多目标采集、图像识别及自动标注识别结果的系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862109A true CN111862109A (zh) | 2020-10-30 |
CN111862109B CN111862109B (zh) | 2024-02-23 |
Family
ID=72989069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594886.2A Active CN111862109B (zh) | 2020-06-28 | 2020-06-28 | 多目标采集、图像识别及自动标注识别结果的系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862109B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062510A (zh) * | 2017-11-17 | 2018-05-22 | 维库(厦门)信息技术有限公司 | 一种多目标跟踪结果实时动态显示方法及计算机设备 |
US20190012520A1 (en) * | 2016-11-07 | 2019-01-10 | Institute Of Automation, Chinese Academy Of Sciences | Method for Microscopic Image Acquisition Based on Sequential Section |
WO2019128787A1 (zh) * | 2017-12-26 | 2019-07-04 | 阿里巴巴集团控股有限公司 | 网络视频直播方法、装置及电子设备 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
CN110974306A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学齐鲁医院 | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 |
CN111079833A (zh) * | 2019-12-16 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置以及计算机可读存储介质 |
-
2020
- 2020-06-28 CN CN202010594886.2A patent/CN111862109B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190012520A1 (en) * | 2016-11-07 | 2019-01-10 | Institute Of Automation, Chinese Academy Of Sciences | Method for Microscopic Image Acquisition Based on Sequential Section |
CN108062510A (zh) * | 2017-11-17 | 2018-05-22 | 维库(厦门)信息技术有限公司 | 一种多目标跟踪结果实时动态显示方法及计算机设备 |
WO2019128787A1 (zh) * | 2017-12-26 | 2019-07-04 | 阿里巴巴集团控股有限公司 | 网络视频直播方法、装置及电子设备 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
CN111079833A (zh) * | 2019-12-16 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置以及计算机可读存储介质 |
CN110974306A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学齐鲁医院 | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111862109B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943346B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
CN103578116B (zh) | 用于跟踪对象的设备和方法 | |
JP4772839B2 (ja) | 画像識別方法および撮像装置 | |
US20120281874A1 (en) | Method, material, and apparatus to improve acquisition of human frontal face images using image template | |
US20040151371A1 (en) | Method for face orientation determination in digital color images | |
US11699290B1 (en) | Pedestrian re-identification method and apparatus based on local feature attention | |
US20110227923A1 (en) | Image synthesis method | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
CN101983507A (zh) | 自动红眼检测 | |
US8655060B2 (en) | Night-scene light source detecting device and night-scene light source detecting method | |
US20130170756A1 (en) | Edge detection apparatus, program and method for edge detection | |
CN105678301B (zh) | 一种自动识别并分割文本图像的方法、系统及装置 | |
CN110674729A (zh) | 基于热能估算的人数识别方法、计算机装置及计算机可读存储介质 | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN109951637B (zh) | 基于大数据的安防监控探头分析处理方法 | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN111797832B (zh) | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 | |
CN105719317B (zh) | 基于相机阵列合成孔径成像的遮挡背景估计方法 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN111862109B (zh) | 多目标采集、图像识别及自动标注识别结果的系统和装置 | |
CN110659683A (zh) | 图像处理方法、装置及电子设备 | |
CN113792629B (zh) | 一种基于深度神经网络的安全帽佩戴检测方法及系统 | |
CN112800926A (zh) | 一种人脸检测与识别方法 | |
CN111708907A (zh) | 一种目标人员的查询方法、装置、设备及存储介质 |
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 |