CN112036421A - 一种图像处理方法、装置和电子设备 - Google Patents

一种图像处理方法、装置和电子设备 Download PDF

Info

Publication number
CN112036421A
CN112036421A CN201910407824.3A CN201910407824A CN112036421A CN 112036421 A CN112036421 A CN 112036421A CN 201910407824 A CN201910407824 A CN 201910407824A CN 112036421 A CN112036421 A CN 112036421A
Authority
CN
China
Prior art keywords
brand
image
detected
hot
information
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
CN201910407824.3A
Other languages
English (en)
Other versions
CN112036421B (zh
Inventor
施雯
刘慧慧
周泽南
苏雪峰
许静芳
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.)
Beijing Sogou Technology Development Co Ltd
Original Assignee
Beijing Sogou Technology Development Co Ltd
Sogou Hangzhou Intelligent Technology 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 Beijing Sogou Technology Development Co Ltd, Sogou Hangzhou Intelligent Technology Co Ltd filed Critical Beijing Sogou Technology Development Co Ltd
Priority to CN201910407824.3A priority Critical patent/CN112036421B/zh
Priority claimed from CN201910407824.3A external-priority patent/CN112036421B/zh
Publication of CN112036421A publication Critical patent/CN112036421A/zh
Application granted granted Critical
Publication of CN112036421B publication Critical patent/CN112036421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种图像处理方法、装置和电子设备，其中，所述方法包括：获取待检测图像；采用热点品牌检测模型对所述待检测图像进行品牌检测；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌；进而不仅能够准确检测出热点品牌，还可以对其他品牌进行检测。

Description

一种图像处理方法、装置和电子设备
技术领域
本发明涉及数据处理技术领域，特别是涉及一种图像处理方法、装置和电子设备。
背景技术
随着互联网的普及，网络技术不断发展，网购已经成为了人们生活的一部分。网购不仅提高了购物的便利度，还降低了商品成本，实现了用户和商户的双赢。网购逐渐被越来越多的人认可，人们可以通过网购各种商品，如电器、首饰、衣物、生活用品等等。
随着网购用户的不断增多，假冒伪劣产品也层出不穷，某些不法商家会将商品标题中商品品牌，设置为与该商品真实的品牌(如品牌1)类似的某个搜索热度高的品牌(品牌2)。通常，网购平台会将用户搜索词与商品标题进行匹配，为用户推荐对应的商品，因此当购买者在搜索品牌2的商品时，给购买者推荐的商品不仅包括品牌2的商品，还可能包括品牌1的商品；这对购买者的切身利益造成伤害，因此需要对商品图片中的品牌进行识别，确定商品真实的品牌，过滤假冒伪劣产品。
发明内容
本发明实施例提供一种图像处理方法，以检测图像中的品牌。
相应的，本发明实施例还提供了一种图像处理装置和一种电子设备，用以保证上述方法的实现及应用。
为了解决上述问题，本发明实施例公开了一种图像处理方法，具体包括：获取待检测图像；采用热点品牌检测模型对所述待检测图像进行品牌检测；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
可选地，所述提取所述待检测图像对应的特征信息，包括：从所述待检测图像中截取品牌标识所在区域的目标图像；将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
可选地，所述从所述待检测图像中截取品牌标识所在区域的目标图像，包括：将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
可选地，所述依据所述特征信息确定所述待检测图像中的品牌，包括：分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，包括：确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
可选地，所述的方法还包括：依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，还包括：若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
可选地，所述的方法还包括训练所述热点品牌检测模型的步骤：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
可选地，所述的方法还包括训练所述位置检测模型的步骤：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
可选地，所述的方法还包括训练所述特征提取模型的步骤：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本发明实施例还公开了一种图像处理装置，具体包括：图像获取模块，用于获取待检测图像；第一品牌检测模块，用于采用热点品牌检测模型对所述待检测图像进行品牌检测；第二品牌检测模块，用于若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
可选地，所述第二品牌检测模块，包括：截取子模块，用于从所述待检测图像中截取品牌标识所在区域的目标图像；特征提取子模块，用于将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
可选地，所述截取子模块，用于将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
可选地，所述第二品牌检测模块，包括：品牌识别子模块，用于分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
可选地，所述品牌识别子模块，包括：第一品牌确定单元，用于确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
可选地，所述的装置还包括：优化模块，用于依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
可选地，所述品牌识别子模块，还包括：第二品牌确定单元，用于若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
可选地，所述的装置还包括：热点品牌检测模型训练模块，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
可选地，所述的装置还包括：位置检测模型训练模块，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
可选地，所述的装置还包括：特征提取模型训练模块，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本发明实施例还公开了一种可读存储介质，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发明实施例任一所述的图像处理方法。
本发明实施例还公开了一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取待检测图像；采用热点品牌检测模型对所述待检测图像进行品牌检测；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
可选地，所述提取所述待检测图像对应的特征信息，包括：从所述待检测图像中截取品牌标识所在区域的目标图像；将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
可选地，所述从所述待检测图像中截取品牌标识所在区域的目标图像，包括：将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
可选地，所述依据所述特征信息确定所述待检测图像中的品牌，包括：分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，包括：确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
可选地，所还包含用于进行以下操作的指令：依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，还包括：若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
可选地，还包含用于进行以下训练所述热点品牌检测模型操作的指令：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
可选地，还包含用于进行以下训练所述位置检测模型操作的指令：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
可选地，还包含用于进行以下训练所述特征提取模型操作的指令：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本发明实施例包括以下优点：
本发明实施例中，在获取待检测图像后，可以采用热点品牌检测模型对所述待检测图像进行品牌检测，能够准确检测出热点品牌；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌，进而可以对其他品牌进行检测，从而实现检测图像中的品牌。
附图说明
图1是本发明的一种图像处理方法实施例的步骤流程图；
图2是本发明的一种热点品牌检测模型的训练方法实施例的步骤流程图；
图3是本发明的一种图像处理方法可选实施例的步骤流程图；
图4是本发明的一种位置检测检测模型的训练方法实施例的步骤流程图；
图5是本发明的一种特征提取模型训练实施例的步骤流程图；
图6是本发明的一种图像处理装置实施例的结构框图；
图7是本发明的一种图像处理装置可选实施例的结构框图；
图8根据一示例性实施例示出的一种用于图像处理的电子设备的结构框图；
图9是本发明根据另一示例性实施例示出的一种用于图像处理的电子设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的核心构思之一是，可以采用热点品牌检测模型对图像进行品牌检测，能够准确检测出热点品牌；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则确定该图像中的品牌不是热点品牌，可以提取该图像的特征信息，然后依据特征信息确定该图像中的品牌，进而能够实现对其他品牌进行检测；从而实现对图像中品牌的检测。
参照图1，示出了本发明的一种图像处理方法实施例的步骤流程图，具体可以包括如下步骤：
步骤102、获取待检测图像。
步骤104、采用热点品牌检测模型对所述待检测图像进行品牌检测。
本发明实施例中，在需要检测某个图像中的品牌时，可以将该图像确定为待检测图像，然后获取该待检测图像，对该待检测图像中的品牌进行检测。
所述待检测图像中的品牌可能是热点品牌，也可能是其他品牌，其中，所述热点品牌可以是指搜索频率高于设定阈值的品牌，所述设定阈值可以按照需求设置；所述其他品牌可以是指除热点品牌之外的品牌。为了保证对热点品牌检测的准确率，可以预先采用热点品牌对应的图像对热点品牌检测模型进行训练；进而可以采用训练后的热点品牌检测模型对所述待检测图像进行品牌检测，其中，对热点品牌检测模型的训练过程在后续进行说明。本发明实施例中，所述热点品牌检测模型输出的信息可以包括品牌信息和其他信息，其中，所述品牌信息可以是指与热点品牌相关的信息，如品牌名称、品牌标识等；所述其他信息可以是指除品牌信息之外的信息如“无品牌”、“无种类”等，本发明实施例对此不作限制。本发明实施例中，预先采用多少种热点品牌的图像对该热点品牌检测模型进行了训练，该热点品牌检测模型也就可以输出多少种热点品牌对应的品牌信息。
因此若热点品牌检测模型输出品牌信息，可说明热点品牌检测模型对待检测图像的品牌检测成功，此时可以根据热点品牌检测模型输出品牌信息，确定待检测图像中的品牌；其中，热点品牌检测模型检测出的品牌可以是热点品牌。若热点品牌检测模型输出其他信息，可说明热点品牌检测模型对待检测图像的品牌检测失败，此时可以执行步骤106，再次对待检测图像中的品牌进行检测。
步骤106、若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
若所述热点品牌检测模型对所述待检测图像的品牌检测失败，可以确定该待检测图像中的品牌不是热点品牌，而是其他品牌，此时可以再次对该待检测图像中的品牌进行检测；其中，可以提取该待检测图像中品牌标识的特征信息，然后依据提取出的特征信息，检测所述待检测图像中的品牌是哪种其他品牌。
综上，本发明实施例中，在获取待检测图像后，可以采用热点品牌检测模型对所述待检测图像进行品牌检测，能够准确检测出热点品牌；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌，进而可以对其他品牌进行检测，从而实现检测图像中的品牌。
本发明的另一个实施例中，可以预先对所述热点品牌检测模型进行训练，具体如下：
参照图2，示出了本发明的一种热点品牌检测模型的训练方法实施例的步骤流程图，具体可以包括如下步骤：
步骤202、收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息。
本发明实施例中，可以确定设定时间内各品牌对应的搜索频率，然后将各品牌的搜索频率与设定阈值比对，确定热点品牌；其中，所述设定时间可以按照需求设置如半年。然后可以收集各热点品牌对应的图像，每个热点品牌对应的图像中包括该热点品牌的品牌标识；如可以收集热点品牌对应不同商品的图像，如品牌A经营的商品包括风衣、棉服、长裤、裙子，则可以分别收集风衣、棉服、长裤、裙子的图像，每个商品的图像中包括品牌A对应的标识。在收集各个热点品牌对应的图像后，可以标注出各个热点品牌对应的图像中该热点品牌的品牌标识所在区域的参考位置信息，其中，所述品牌标识所在区域可以是包含该品牌标识最小的多边形区域，例如可以是四边形区域如矩形区域；以及确定各个热点品牌对应的参考品牌信息。然后将一个热点品牌对应的图像，所述图像中该热点品牌的品牌标识所在区域的参考位置信息和所述热点品牌的参考品牌信息，作为一组训练数据，进而可以得到多组训练数据。
对于同一个热点品牌的商品，同一个商家可能采用不同的角度进行拍摄，不同的商家也会采用不同的角度进行拍摄，因此在收集各个热点品牌对应的图像后，针对每一个热点品牌的图像，可以对该图像进行旋转、仿射变换等变化，得到变换后的图像，实现对训练数据的数据增广。当然对于同一个热点品牌的商品，不同的商家也会采用将其置于不同的背景进行拍摄，因此针对每一个热点品牌的图像，可以将该图像与各种不同的背景图像进行样本合成，得到合成后的图像，实现对训练数据的数据增广。然后分别针对变换后的图像和合成后的图像，均可以标注图像中该热点品牌的品牌标识所在区域的参考位置信息。再将一个热点品牌对应一个变换后的图像，该变换后的图像中该热点品牌的品牌标识所在区域的参考位置信息，和该热点品牌的参考品牌信息，组成一组训练数据；以及将一个热点品牌对应一个合成后的图像，该合成后的图像中该热点品牌的品牌标识所在区域的参考位置信息，和该热点品牌的参考品牌信息，组成一组训练数据。从而能够提高热点品牌检测模型，对热点品牌检测的准确性。
然后采用多组训练数据对热点品牌检测模型进行训练，具体可以包括步骤204-步骤206：
步骤204、针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息。
步骤206、将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
本发明实施例中，可以每次采用一组训练数据对所述热点品牌检测模型进行训练，所述训练可以包括正向训练和反向训练，正向训练：可以将该组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息。反向训练：可以将所述位置信息与所述组训练数据中的参考位置信息进行比对，得到第一对比结果，以及将所述品牌信息与参考品牌信息进行比对，得到第二对比结果；然后将第一对比结果和第二对比结果，代入对应的损失函数，再依据所述损失函数对热点品牌检测模型的权值进行调整，直至将该组训练数据中图像输入中热点品牌检测模型后，热点品牌检测模型输出的位置信息与该组训练数据中参考位置信息匹配，热点品牌检测模型输出的品牌信息与该组训练数据中参考品牌信息匹配。
本发明的一个示例中，所述热点品牌检测模型可以包括yolo网络，其中，可以预先基于各个热点品牌对应的图像，确定yolo网络的检测锚点，例如可以对各个热点品牌对应的图像中，品牌标识所在区域对应的参考位置信息进行聚类，可以得到频率最高的九个参考位置信息；然后依据这九个参考位置信息，确定九个检测锚点(即九个长宽比)。当然，还可以预先基于各个热点品牌对应的图像中品牌标识的所在区域的参考位置信息和参考品牌信息，确定yolo网络的损失函数。当然所述热点品牌检测模型也可以包括其他的网络，本发明实施例对此不作限制。
进而在获取待检测图像后，可以采用训练后的热点品牌检测模型对所述待检测图像进行品牌检测，具体如下：
参照图3，示出了本发明的一种图像处理方法可选实施例的步骤流程图，具体可以包括如下步骤：
步骤302、获取待检测图像。
本发明实施例可以应用在品牌商品搜索中，在确定某个商品的商品标题与搜索词匹配时，可以获取该商品的图像，将该图像确定为待检测图像；然后可以对该待检测图像进行检测，确定该待检测图像中的品牌，以判断该品牌与搜索词对应的品牌是否匹配，进而确定是否为用户推荐该商品。
步骤304、采用热点品牌检测模型对所述待检测图像进行品牌检测。
然后可以将所述待检测图像输入至训练后的热点品牌检测模型中，由所述热点品牌检测模型对所述待检测图像中的品牌检测；然后依据所述热点品牌检测模型输出的信息，确定所述待检测图像中的品牌。
步骤306、若所述热点品牌检测模型输出品牌信息，则依据所述品牌信息确定所述待检测图像中的品牌。
当热点品牌检测模型输出品牌信息时，可以说明热点品牌检测模型对所述待检测图像的品牌检测成功，即确定待检测图像中的品牌是热点品牌；此时可以将热点品牌检测模型输出品牌信息，确定为该待检测图像中品牌的品牌信息。
当热点品牌检测模型输出其他信息时，可以说明热点品牌检测模型对所述待检测图像的品牌检测失败，即确定该待检测图像中的品牌不是热点品牌，而是其他品牌，此时可以从所述待检测图像中截取品牌标识所在区域的目标图像，提取所述目标图像对应的特征信息。本发明的一个示例中，所述从所述待检测图像中截取品牌标识所在区域的目标图像，可以按照步骤308-步骤310实现，所述提取所述目标图像对应的特征信息，可以按照步骤312实现，具体如下：
步骤308、若所述热点品牌检测模型输出其他信息，则将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息。
步骤310、依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
步骤312、将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
本发明的一个可选实施例中，可以预先训练位置检测模型(其中，对位置检测模型的训练过程在后续进行说明)，然后采用训练后的位置检测模型，确定所述待检测图像中品牌标识所在区域的位置信息。其中，所述位置信息可以包括待检测图像中品牌标识所在区域对应顶点的坐标，例如所述待检测图像中品牌标识所在区域是四边形区域，则所述位置信息可以是四个顶点的坐标；又例如所述待检测图像中品牌标识所在区域是矩形区域，则所述位置信息可以是矩形左上角顶点的坐标和矩形右下角顶点的坐标。再对所述待检测图像中所述位置信息对应的区域进行裁剪，可以得到所述待检测图像中品牌标识所在区域的目标图像。然后可以从目标图像中，提取所述待检测图像中品牌标识的特征信息；其中，可以预先训练特征提取模型(其中，对特征提取模型的训练过程在后续进行说明)，再将所述目标图像输入至训练后的特征提取模型中，由特征提取模型对目标图像进行特征提取，得到对应的特征信息。其中，所述特征信息可以是一个多维的向量，每个维度对应一个特征。
然后可以依据得到的特征信息，确定所述待检测图像中的品牌，可以按照步骤314-步骤316实现：
步骤314、分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定。
步骤316、依据所述距离，确定所述待检测图像中的品牌。
本发明实施例中，可以预先建立数据库，所述数据库可以依据预设品牌对应的品牌信息和预设特征信息确定(具体在后续进行说明)，进而所述数据库可以包括预设品牌对应的品牌信息和预设特征信息，以及各预设品牌的预设特征信息与该预设品牌对应的品牌信息之间的映射信息。其中，所述预设品牌可以是上述其他品牌的一部分，也可以是上述其他品牌，本发明实施例对此不作限制；其中，可以按照需求从其他品牌中选取一部分品牌作为预设品牌，本发明实施例对此也不作限制。因此在确定目标图像对应的特征信息后，可以分别计算所述特征信息与数据库中各预设特征信息之间的距离，然后依据计算的各个距离，确定所述待检测图像中的品牌。
本发明的一个示例中，一种依据所述距离，确定所述待检测图像中的品牌的步骤可以包括如下子步骤：
子步骤22、确定与所述特征信息距离最小的预设特征信息和最小距离。
子步骤24、若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
子步骤26、若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本。
子步骤28、依据所述文本，确定所述待检测图像中的品牌。
本发明实施例中，所述待检测图像中的品牌，可能是数据库中的品牌，也可能不是数据库中的品牌，其中，可以依据所述特征信息与预设特征信息之间的距离确定。本发明一个示例中，可以确定与所述特征信息距离最小的预设特征信息和最小距离，然后判断所述最小距离是否小于距离阈值；若确定所述最小距离小于距离阈值，则可以确定待检测图像中的品牌是数据中的品牌，此时可以基于与所述特征信息距离最小的预设特征信息，查找映射信息确定对应的品牌信息；然后依据该品牌信息确定所述待检测图像中的品牌。
若确定所述最小距离大于距离阈值，则可以确定待检测图像中的品牌不是数据库中的预设品牌，此时可以对所述目标图像进行文本识别如OCR(Optical CharacterRecognition，光学字符识别)分析，确定对应的文本，然后依据所述文本，确定所述待检测图像中的品牌。例如，可以根据识别得到的文本进行搜索，得到搜索结果，然后对搜索结果进行分析，确定所述待检测图像对应的品牌。后续可以依据所述待识别图像中品牌对应的特征信息和品牌信息，更新所述数据库，例如可以建立所述待识别图像中品牌对应的特征信息和品牌信息之间的映射信息，然后将该映射信息、特征信息和品牌信息存储至数据库中；进而能够在数据库中增加所述待检测图像的品牌，扩充数据库，使得后续依据数据库能够检测出更多的预设品牌。
本发明的一个可选实施例中，在依据所述特征信息确定所述待检测图像中的品牌后，可以统计该待检测图像中的品牌对应搜索频率；当该待检测图像中的品牌对应该高于设定阈值时，可以将该待检测图像中的品牌确定为热点品牌，此时可以依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。其中，可以标识所述待检测图像中的品牌标识所在区域的参考位置信息，然后通过采用所述待检测图像、所述待检测图像中的品牌标识所在区域的参考位置信息和所述待检测图像中的品牌对应的品牌信息，对所述热点品牌检测模型进行训练，实现对热点品牌检测模型的优化；具体与上述采用训练数据训练热点品牌检测模型的方法类似，在此不再赘述。
本发明实施例中，在获取待检测图像后，可以采用热点品牌检测模型对所述待检测图像进行品牌检测，若所述热点品牌检测模型输出品牌信息，则依据所述品牌信息确定所述待检测图像中的品牌，进而能够准确检测出热点品牌；若所述热点品牌检测模型输出其他信息，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌，进而可以对其他品牌进行检测，从而实现检测图像中的品牌。此外，由于其他品牌是海量的，因此需要扩充能够出检测的品牌时，无需重新训练热点品牌检测模型，而是提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌即可，进而降低了扩展品牌检测数量的难度，提高品牌检测数量的效率。
其次，本发明实施例中，可以从所述待检测图像中截取品牌标识所在区域的目标图像，提取所述目标图像对应的特征信息；进而提取出待检测图像中品牌标识的特征信息，从而能够提高检测出待检测图像中品牌的准确性。
再次，本发明实施例中，可以将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像；然后将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息；进而采用模型提取特征，能够提高特征提取的准确性，从而进一步提高检测出待检测图像中品牌的准确性。
此外，本发明实施例中，可以分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据其他品牌对应的品牌信息和预设特征信息确定；进而能够快速的确定待检测图像中的品牌。
本发明的另一个实施例中，可以对训练位置检测模型的过程进行说明。
参照图4，示出了本发明的一种位置检测模型训练实施例的步骤流程图，具体可以包括如下步骤：
步骤402、收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息。
本发明实施例中，为了降低模型训练的成本，可以继续采用上述训练热点品牌检测模型的训练数据，对位置检测模型进行训练；其中，用于训练位置检测模型的训练数据中，一组训练数据可以包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；当然一组训练数据也可以包括一个热点品牌对应一个变换后的图像，和该变换后的图像中该热点品牌的品牌标识所在区域的参考位置信息；此外，一组训练数据还可以包括一个热点品牌对应一个合成后的图像，和该合成后的图像中该热点品牌的品牌标识所在区域的参考位置信息，本发明实施例对此不作限制。
然后采用多组训练数据对该位置检测模型进行训练，具体可以包括步骤404-步骤406：
步骤404、针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息。
步骤406、将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
本发明实施例中，可以每次采用一组训练数据对所述位置检测模型进行训练，所述训练可以包括正向训练和反向训练，正向训练：可以将该组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息。反向训练：可以将所述位置信息与所述组训练数据中的参考位置信息进行比对，然后将比对结果代入对应的损失函数，再依据所述损失函数对位置检测模型的权值进行调整，直至将该组训练数据中图像输入中位置检测模型后，位置检测模型输出的位置信息与该组训练数据中参考位置信息匹配。其中，所述位置检测模型可以包括CornerNet网络，当然也可以包括其他的网络，本发明对此不作限制。
本发明的另一个实施例中，可以对训练特征提取模型的过程进行说明。
参照图5，示出了本发明的一种特征提取模型训练实施例的步骤流程图，具体可以包括如下步骤：
步骤502、收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息。
本发明实施例中，为了降低模型训练的成本，依然可以继续采用上述训练热点品牌检测模型的训练数据，对特征提取模型进行训练。其中，针对每个热点品牌对应的图像，可以将该热点品牌对应的图像输入至训练后的位置检测模型中，得到对应的位置信息；然后从该热点品牌对应的图像中，裁剪出品牌标识所述区域的图像。以及针对每个热点品牌，可以通过对该热点品牌对应的品牌信息进行处理，生成对应的参考特征信息，所述参考特征信息可以是一个多维向量，每个维度对应一个特征。然后将一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息，作为一组训练数据；当然一组训练数据也可以包括一个热点品牌对应一个变换后的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；此外，一组训练数据还可以包括一个热点品牌对应一个合成后的图像中品牌标识所在区域的图像，和所述热点品牌对应的参考特征信息，本发明实施例对此不作限制。
再采用多组这样的训练数据，对特征检测模型进行训练，具体可以包括步骤504-步骤506：
步骤504、针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息。
步骤506、将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本发明实施例中，可以每次采用一组训练数据对所述特征提取模型进行训练，所述训练可以包括正向训练和反向训练，正向训练：可以将该组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息。反向训练：可以将所述特征信息与所述组训练数据中的参考特征信息进行比对，然后将比对结果代入对应的损失函数，再依据所述损失函数对特征提取模型的权值进行调整，直至将该组训练数据中图像输入中位置检测模型后，位置检测模型输出的特征信息与该组训练数据中参考特征信息匹配。其中，所述特征提取模型可以包括ResNet(Residual Neural Network，残差神经网络)，当然也可以包括其他的网络，本发明对此不作限制。
当然，也可以重新收集用于训练所述位置检测模型、特征提取模型的训练数据，例如收集预设品牌对应的训练数据，如收集预设品牌对应的图像，然后标注出各个预设品牌对应的图像中该预设品牌的品牌标识所在区域的参考位置信息，然后依据预设品牌对应的图像、所述图像中所述预设品牌的品牌标识所在区域的参考位置信息和所述预设品牌的品牌信息，对位置检测模型、特征提取模型进行训练。此处采用预设品牌对应的训练数据，对位置检测模型、特征提取模型进行训练的训练过程，与上述采用热点品牌对应的训练数据对位置检测模型、特征提取模型进行训练的训练过程类似，此处不再赘述。
本发明的另一个实施例中，可以依据预设品牌的品牌信息和对应的预设特征信息建立数据库；其中，可以收集预设品牌对应的图像，针对每一个预设品牌对应的图像，采用训练后的位置检测模型确定预设品牌对应图像中，品牌标识所述区域的位置信息，然后从预设品牌对应图像中提取品牌标识所述区域的图像，再将所述从预设品牌对应图像中提取品牌标识所述区域的图像，输入至上述训练后的特征提取模型中，得到对应的特征信息。待提取所有预设品牌的品牌特征信息后，针对每一个预设品牌，建立该预设品牌的品牌信息和特征信息(为了区分与待检测图像的特征信息，可以将该特征信息称为预设特征信息)的映射关系；然后可以将所有预设品牌的品牌信息、预设特征信息、和两者之间的映射信息存储在数据库中。
当然本发明实施例中，还可以将热点品牌对应的品牌信息、预设特征信息、和两者之间的映射信息存储在数据库中；进而在获取待检测图像后，可以直接提取待检测图像的特征信息，依据所述特征信息，确定待检测图像中的品牌。从而无需训练热点品牌检测模型，节约了模型训练成本和周期。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图6，示出了本发明的一种图像处理装置实施例的结构框图，具体可以包括如下模块：
图像获取模块602，用于获取待检测图像；
第一品牌检测模块604，用于采用热点品牌检测模型对所述待检测图像进行品牌检测；
第二品牌检测模块606，用于若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
参照图7，示出了本发明的一种图像处理装置可选实施例的结构框图。
本发明一个可选的实施例中，所述第二品牌检测模块606，包括：
截取子模块6062，用于从所述待检测图像中截取品牌标识所在区域的目标图像；
特征提取子模块6064，用于将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
本发明一个可选的实施例中，所述截取子模块6062，用于将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
本发明一个可选的实施例中，所述第二品牌检测模块606，包括：
品牌识别子模块6066，用于分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
本发明一个可选的实施例中，所述品牌识别子模块6066，包括：
第一品牌确定单元60662，用于确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
本发明一个可选的实施例中，所述的装置还包括：优化模块608，用于依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
本发明一个可选的实施例中，所述品牌识别子模块6066，还包括：
第二品牌确定单元60664，用于若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
本发明一个可选的实施例中，所述的装置还包括：
热点品牌检测模型训练模块610，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
本发明一个可选的实施例中，所述的装置还包括：
位置检测模型训练模块612，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
本发明一个可选的实施例中，所述的装置还包括：
特征提取模型训练模块614，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本发明实施例中，在获取待检测图像后，可以采用热点品牌检测模型对所述待检测图像进行品牌检测，能够准确检测出热点品牌；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌，进而可以对其他品牌进行检测，从而实现检测图像中的品牌。
对于装置实施例而言，由于其与方法实施例基本相似，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。
图8是根据一示例性实施例示出的一种用于图像处理的电子设备800的结构框图。例如，电子设备800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8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800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。处理元件802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800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804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。
电力组件806为电子设备800的各种组件提供电力。电力组件806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800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800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800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件814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，所述通信部件814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800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，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，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一种图像处理方法，所述方法包括：获取待检测图像；采用热点品牌检测模型对所述待检测图像进行品牌检测；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
可选地，所述提取所述待检测图像对应的特征信息，包括：从所述待检测图像中截取品牌标识所在区域的目标图像；将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
可选地，所述从所述待检测图像中截取品牌标识所在区域的目标图像，包括：将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
可选地，所述依据所述特征信息确定所述待检测图像中的品牌，包括：分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，包括：确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
可选地，所述的方法还包括：依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，还包括：若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
可选地，所述的方法还包括训练所述热点品牌检测模型的步骤：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
可选地，所述的方法还包括训练所述位置检测模型的步骤：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
可选地，所述的方法还包括训练所述特征提取模型的步骤：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本发明实施例还公开了一种图像处理装置，具体包括：图像获取模块，用于获取待检测图像；第一品牌检测模块，用于采用热点品牌检测模型对所述待检测图像进行品牌检测；第二品牌检测模块，用于若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
可选地，所述第二品牌检测模块，包括：截取子模块，用于从所述待检测图像中截取品牌标识所在区域的目标图像；特征提取子模块，用于将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
可选地，所述截取子模块，用于将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
可选地，所述第二品牌检测模块，包括：品牌识别子模块，用于分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
可选地，所述品牌识别子模块，包括：第一品牌确定单元，用于确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
可选地，所述的装置还包括：优化模块，用于依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
可选地，所述品牌识别子模块，还包括：第二品牌确定单元，用于若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
可选地，所述的装置还包括：热点品牌检测模型训练模块，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
可选地，所述的装置还包括：位置检测模型训练模块，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
可选地，所述的装置还包括：特征提取模型训练模块，用于收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
图9是本发明根据另一示例性实施例示出的一种用于图像处理的电子设备900的结构示意图。该电子设备900可以是服务器，该服务器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，CPU)922(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930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922可以设置为与存储介质930通信，在服务器上执行存储介质930中的一系列指令操作。
服务器还可以包括一个或一个以上电源926，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958，一个或一个以上键盘956，和/或，一个或一个以上操作系统941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取待检测图像；采用热点品牌检测模型对所述待检测图像进行品牌检测；若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
可选地，所述提取所述待检测图像对应的特征信息，包括：从所述待检测图像中截取品牌标识所在区域的目标图像；将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
可选地，所述从所述待检测图像中截取品牌标识所在区域的目标图像，包括：将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
可选地，所述依据所述特征信息确定所述待检测图像中的品牌，包括：分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；依据所述距离，确定所述待检测图像中的品牌。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，包括：确定与所述特征信息距离最小的预设特征信息和最小距离；若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
可选地，所还包含用于进行以下操作的指令：依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
可选地，所述依据所述距离，确定所述待检测图像中的品牌，还包括：若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；依据所述文本，确定所述待检测图像中的品牌。
可选地，还包含用于进行以下训练所述热点品牌检测模型操作的指令：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像、所述图像中所述热点品牌的品牌标识所在区域的参考位置信息、和所述热点品牌的参考品牌信息；针对一组训练数据，将所述组训练数据中的图像输入至所述热点品牌检测模型中，得到所述热点品牌检测模型输出的位置信息和品牌信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，以及将所述品牌信息与参考品牌信息进行比对，依据比对结果对所述热点品牌检测模型的权值进行调整。
可选地，还包含用于进行以下训练所述位置检测模型操作的指令：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像和所述图像中所述热点品牌的品牌标识所在区域的参考位置信息；针对一组训练数据，将所述组训练数据中的图像输入至所述位置检测模型中，得到所述位置检测模型输出的位置信息；将所述位置信息与所述组训练数据中的参考位置信息进行比对，依据比对结果对所述位置检测模型的权值进行调整。
可选地，还包含用于进行以下训练所述特征提取模型操作的指令：收集多组训练数据，一组训练数据包括一个热点品牌对应的图像中品牌标识所在区域的图像和所述热点品牌对应的参考特征信息；针对一组训练数据，将所述组训练数据中的图像输入至所述特征提取模型中，得到所述特征提取模型输出的特征信息；将所述特征信息与所述组训练数据中的参考特征信息进行比对，依据比对结果对所述特征提取模型的权值进行调整。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种图像处理方法、一种图像处理装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取待检测图像；
采用热点品牌检测模型对所述待检测图像进行品牌检测；
若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
2.根据权利要求1所述的方法，其特征在于，所述提取所述待检测图像对应的特征信息，包括：
从所述待检测图像中截取品牌标识所在区域的目标图像；
将所述目标图像输入至特征提取模型中，得到所述特征提取模型输出的特征信息。
3.根据权利要求2所述的方法，其特征在于，所述从所述待检测图像中截取品牌标识所在区域的目标图像，包括：
将所述待检测图像输入至位置检测模型中，得到所述位置检测模型输出的位置信息；
依据所述位置信息对所述待检测图像进行裁剪，得到所述待检测图像中品牌标识所在区域的目标图像。
4.根据权利要求1所述的方法，其特征在于，所述依据所述特征信息确定所述待检测图像中的品牌，包括：
分别计算所述特征信息与数据库中各预设特征信息的距离，其中，所述数据库依据预设品牌对应的品牌信息和预设特征信息确定；
依据所述距离，确定所述待检测图像中的品牌。
5.根据权利要求4所述的方法，其特征在于，所述依据所述距离，确定所述待检测图像中的品牌，包括：
确定与所述特征信息距离最小的预设特征信息和最小距离；
若所述最小距离小于距离阈值，则依据与所述特征信息距离最小的预设特征信息对应的品牌信息，确定所述待检测图像中的品牌。
6.根据权利要求4所述的方法，其特征在于，所述的方法还包括：
依据所述待检测图像和所述待检测图像中品牌对应的品牌信息，优化所述热点品牌检测模型。
7.根据权利要求5所述的方法，其特征在于，所述依据所述距离，确定所述待检测图像中的品牌，还包括：
若所述最小距离大于距离阈值，则对所述目标图像进行文本识别确定对应的文本；
依据所述文本，确定所述待检测图像中的品牌。
8.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
第一品牌检测模块，用于采用热点品牌检测模型对所述待检测图像进行品牌检测；
第二品牌检测模块，用于若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
9.一种可读存储介质，其特征在于，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方法权利要求1-7任一所述的图像处理方法。
10.一种电子设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取待检测图像；
采用热点品牌检测模型对所述待检测图像进行品牌检测；
若所述热点品牌检测模型对所述待检测图像的品牌检测失败，则提取所述待检测图像对应的特征信息并依据所述特征信息确定所述待检测图像中的品牌。
CN201910407824.3A 2019-05-16 一种图像处理方法、装置和电子设备 Active CN112036421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910407824.3A CN112036421B (zh) 2019-05-16 一种图像处理方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910407824.3A CN112036421B (zh) 2019-05-16 一种图像处理方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112036421A true CN112036421A (zh) 2020-12-04
CN112036421B CN112036421B (zh) 2024-07-02

Family

ID=

Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2383792A1 (en) * 2001-04-27 2002-10-27 David D. Ellis Maintenance and verification tool kit and automatic processing of server files
CN103488973A (zh) * 2013-09-12 2014-01-01 上海依图网络科技有限公司 基于图像的车辆品牌识别方法和系统
CN103500327A (zh) * 2013-10-16 2014-01-08 武汉理工大学 基于空间位置信息的同一品牌车辆的车型识别方法
CN204156985U (zh) * 2014-08-29 2015-02-11 上海智达商投资管理合伙企业(有限合伙) 具有脸部识别比对功能的高清摄像设备及监控系统
CN105512684A (zh) * 2015-12-09 2016-04-20 江苏大为科技股份有限公司 基于主成分分析卷积神经网络的车标自动识别方法
CN105787437A (zh) * 2016-02-03 2016-07-20 东南大学 一种基于级联集成分类器的车辆品牌类型识别方法
CN105930226A (zh) * 2015-12-30 2016-09-07 中国银联股份有限公司 一种数据处理方法及装置
CN105956524A (zh) * 2016-04-22 2016-09-21 北京智芯原动科技有限公司 一种交通标识识别方法及装置
CN106056086A (zh) * 2016-06-02 2016-10-26 江苏华通晟云科技有限公司 基于快速学习框架的车辆品牌型号识别方法
CN106056133A (zh) * 2016-05-19 2016-10-26 无线生活（杭州）信息科技有限公司 一种图像识别方法及装置
CN106124419A (zh) * 2016-06-22 2016-11-16 北京谱芸科技有限责任公司 奶粉型号识别装置及奶粉型号识别系统
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及系统
CN106557759A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 一种标志牌信息获取方法及装置
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN107506759A (zh) * 2016-06-14 2017-12-22 杭州海康威视数字技术股份有限公司 一种机动车品牌识别方法及装置
CN107609057A (zh) * 2017-08-25 2018-01-19 百度在线网络技术（北京）有限公司 一种获取商标图像的文字数据的方法与装置
US9875497B1 (en) * 2012-08-06 2018-01-23 Amazon Technologies, Inc. Providing brand information via an offering service
CN107688819A (zh) * 2017-02-16 2018-02-13 平安科技（深圳）有限公司 车辆的识别方法及装置
CN108038122A (zh) * 2017-11-03 2018-05-15 福建师范大学 一种商标图像检索的方法
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN108345620A (zh) * 2017-01-24 2018-07-31 北京京东尚科信息技术有限公司 品牌信息处理方法、装置、存储介质及电子设备
CN108595544A (zh) * 2018-04-09 2018-09-28 深源恒际科技有限公司 一种文档图片分类方法
CN108647682A (zh) * 2018-05-17 2018-10-12 电子科技大学 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN108898186A (zh) * 2018-07-03 2018-11-27 北京字节跳动网络技术有限公司 用于提取图像的方法和装置
CN108960234A (zh) * 2018-06-13 2018-12-07 山东师范大学 一种基于词袋模型的Logo识别方法及系统
CN109086796A (zh) * 2018-06-27 2018-12-25 Oppo（重庆）智能科技有限公司 图像识别方法、装置、移动终端以及存储介质
CN109344890A (zh) * 2018-09-20 2019-02-15 浪潮软件股份有限公司 一种基于深度学习的烟柜卷烟识别方法
CN109409921A (zh) * 2018-08-31 2019-03-01 阿里巴巴集团控股有限公司 电子设备的流行度的识别方法、装置、服务器
CN109670503A (zh) * 2018-12-19 2019-04-23 北京旷视科技有限公司 标识检测方法、装置和电子系统
CN109670458A (zh) * 2018-12-21 2019-04-23 北京市商汤科技开发有限公司 一种车牌识别方法及装置
CN109740478A (zh) * 2018-12-26 2019-05-10 山东创科自动化科技有限公司 车辆检测及识别方法、装置、计算机设备及可读存储介质
CN109740627A (zh) * 2018-11-27 2019-05-10 南京邮电大学 一种基于并行卷积神经网络的昆虫图像识别系统及其方法

Patent Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2383792A1 (en) * 2001-04-27 2002-10-27 David D. Ellis Maintenance and verification tool kit and automatic processing of server files
US9875497B1 (en) * 2012-08-06 2018-01-23 Amazon Technologies, Inc. Providing brand information via an offering service
CN103488973A (zh) * 2013-09-12 2014-01-01 上海依图网络科技有限公司 基于图像的车辆品牌识别方法和系统
CN103500327A (zh) * 2013-10-16 2014-01-08 武汉理工大学 基于空间位置信息的同一品牌车辆的车型识别方法
CN204156985U (zh) * 2014-08-29 2015-02-11 上海智达商投资管理合伙企业(有限合伙) 具有脸部识别比对功能的高清摄像设备及监控系统
CN105512684A (zh) * 2015-12-09 2016-04-20 江苏大为科技股份有限公司 基于主成分分析卷积神经网络的车标自动识别方法
CN105930226A (zh) * 2015-12-30 2016-09-07 中国银联股份有限公司 一种数据处理方法及装置
CN105787437A (zh) * 2016-02-03 2016-07-20 东南大学 一种基于级联集成分类器的车辆品牌类型识别方法
CN105956524A (zh) * 2016-04-22 2016-09-21 北京智芯原动科技有限公司 一种交通标识识别方法及装置
CN106056133A (zh) * 2016-05-19 2016-10-26 无线生活（杭州）信息科技有限公司 一种图像识别方法及装置
CN106056086A (zh) * 2016-06-02 2016-10-26 江苏华通晟云科技有限公司 基于快速学习框架的车辆品牌型号识别方法
CN107506759A (zh) * 2016-06-14 2017-12-22 杭州海康威视数字技术股份有限公司 一种机动车品牌识别方法及装置
CN106124419A (zh) * 2016-06-22 2016-11-16 北京谱芸科技有限责任公司 奶粉型号识别装置及奶粉型号识别系统
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及系统
CN106557759A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 一种标志牌信息获取方法及装置
CN108345620A (zh) * 2017-01-24 2018-07-31 北京京东尚科信息技术有限公司 品牌信息处理方法、装置、存储介质及电子设备
CN107688819A (zh) * 2017-02-16 2018-02-13 平安科技（深圳）有限公司 车辆的识别方法及装置
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN107609057A (zh) * 2017-08-25 2018-01-19 百度在线网络技术（北京）有限公司 一种获取商标图像的文字数据的方法与装置
CN108038122A (zh) * 2017-11-03 2018-05-15 福建师范大学 一种商标图像检索的方法
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN108595544A (zh) * 2018-04-09 2018-09-28 深源恒际科技有限公司 一种文档图片分类方法
CN108647682A (zh) * 2018-05-17 2018-10-12 电子科技大学 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN108960234A (zh) * 2018-06-13 2018-12-07 山东师范大学 一种基于词袋模型的Logo识别方法及系统
CN109086796A (zh) * 2018-06-27 2018-12-25 Oppo（重庆）智能科技有限公司 图像识别方法、装置、移动终端以及存储介质
CN108898186A (zh) * 2018-07-03 2018-11-27 北京字节跳动网络技术有限公司 用于提取图像的方法和装置
CN109409921A (zh) * 2018-08-31 2019-03-01 阿里巴巴集团控股有限公司 电子设备的流行度的识别方法、装置、服务器
CN109344890A (zh) * 2018-09-20 2019-02-15 浪潮软件股份有限公司 一种基于深度学习的烟柜卷烟识别方法
CN109740627A (zh) * 2018-11-27 2019-05-10 南京邮电大学 一种基于并行卷积神经网络的昆虫图像识别系统及其方法
CN109670503A (zh) * 2018-12-19 2019-04-23 北京旷视科技有限公司 标识检测方法、装置和电子系统
CN109670458A (zh) * 2018-12-21 2019-04-23 北京市商汤科技开发有限公司 一种车牌识别方法及装置
CN109740478A (zh) * 2018-12-26 2019-05-10 山东创科自动化科技有限公司 车辆检测及识别方法、装置、计算机设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MASAYU LEYLIA KHODRA: "Strategic intelligence model in supporting brand equity assessment", 《2017 INTERNATIONAL CONFERENCE ON DATA AND SOFTWARE ENGINEERING (ICODSE)》, 12 February 2018 (2018-02-12), pages 1 - 7 *
李熙莹: "基于Edge Boxes的大型车辆车标检测与识别", 《计算机工程与应用》, vol. 54, no. 12, 4 July 2018 (2018-07-04), pages 152 - 159 *

Similar Documents

Publication Publication Date Title
EP3327590B1 (en) Method and device for adjusting video playback position
CN104537532B (zh) 消费数据记录方法及装置
CN107239535A (zh) 相似图片检索方法及装置
CN104408402B (zh) 人脸识别方法及装置
CN105472583B (zh) 消息处理方法及装置
CN105631403A (zh) 人脸识别方法及装置
CN105302315A (zh) 图片处理方法及装置
CN106485567B (zh) 物品推荐方法及装置
CN109064277B (zh) 商品展示方法及装置
CN104731880A (zh) 图片排序方法和装置
CN106095465B (zh) 设置身份图像的方法及装置
CN109034150B (zh) 图像处理方法及装置
CN111950425B (zh) 对象获取方法、装置、客户端、服务器、系统和存储介质
CN105809174A (zh) 识别图像的方法及装置
CN108090206A (zh) 评论信息的排序方法及装置、电子设备
WO2016188065A1 (zh) 云名片推荐方法及装置
KR20150007403A (ko) 인물 인식 방법, 그리고 인물 정보 데이터 운용 방법 및 장치
CN105335714A (zh) 照片处理方法、装置和设备
CN107506441B (zh) 一种数据排列方法、装置、电子设备以及存储介质
CN106547850A (zh) 表情注释方法及装置
CN111209354A (zh) 一种地图兴趣点判重的方法、装置及电子设备
CN107908522B (zh) 信息展示方法、装置及计算机可读存储介质
CN105426904A (zh) 照片处理方法、装置和设备
CN111797746A (zh) 人脸识别方法、装置及计算机可读存储介质
CN107292901A (zh) 边缘检测方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20220721

Address after: 100084. Room 9, floor 01, cyber building, building 9, building 1, Zhongguancun East Road, Haidian District, Beijing

Applicant after: BEIJING SOGOU TECHNOLOGY DEVELOPMENT Co.,Ltd.

Address before: 310018 room 1501, building 17, No.57, kejiyuan Road, Baiyang street, Hangzhou Economic and Technological Development Zone, Zhejiang Province

Applicant before: SOGOU (HANGZHOU) INTELLIGENT TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING SOGOU TECHNOLOGY DEVELOPMENT Co.,Ltd.

GR01 Patent grant