CN112070025B - 图像识别方法、装置、电子设备和计算机可读介质 - Google Patents
图像识别方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112070025B CN112070025B CN202010940412.9A CN202010940412A CN112070025B CN 112070025 B CN112070025 B CN 112070025B CN 202010940412 A CN202010940412 A CN 202010940412A CN 112070025 B CN112070025 B CN 112070025B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- parameter range
- characteristic parameter
- range
- 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 48
- 238000012937 correction Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 241000282472 Canis lupus familiaris Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：确定待处理图像中的目标物体图像所属的图像类型；获取图像类型对应的特征参数范围，其中，特征参数范围用于表征属于图像类型的物体图像的图像特征取值范围；基于特征参数范围识别目标物体图像对应的目标物体信息。通过上述步骤可以将目标物体图像的识别范围限制在具体图像类型范围之内，提高了对目标物体图像识别的针对性。获取图像类型对应的特征参数范围，可以限定识别目标物体图像时的参数范围，有利于提高识别目标物体图像的准确性。基于上述特征参数范围识别上述目标物体图像的目标物体信息，提高了对目标物体图像识别的针对性和有效性。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像识别方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机视觉的发展，图像识别技术广泛应用在人们的生活中。同时，也对图像识别算法提出了更高的要求。现有的图像识别算法通常默认被识别图像属于该图像识别算法能够识别的图像类型。例如，某些动物的头部图像可能与人脸图像很接近，现有图像识别方法对该头部图像识别的结果，可能是人脸图像的识别结果，进而得到错误的识别结果。因此，现有的图像识别算法的识别准确率还有待提高。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像识别的方法、装置、电子设备和计算机可读介质。
第一方面，本公开的一些实施例提供了一种图像识别的方法，该方法包括：确定待处理图像中的目标物体图像所属的图像类型；获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围；基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
第二方面，本公开的一些实施例提供了一种图像识别装置，装置包括：第一确定单元，被配置成确定待处理图像中的目标物体图像所属的图像类型；第一获取单元，被配置成获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围；识别单元，被配置成基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：确定待处理图像中的目标物体图像所属的图像类型；通过上述步骤可以将目标物体图像的识别范围限制在具体图像类型范围之内，提高了对目标物体图像识别的针对性。获取上述图像类型对应的特征参数范围，可以限定识别目标物体图像时的参数范围，有利于提高识别目标物体图像的准确性。基于上述特征参数范围识别上述目标物体图像的目标物体信息，提高了对目标物体图像识别的针对性和有效性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的图像识别方法的一个应用场景的示意图；
图2是根据本公开的图像识别方法的一些实施例的流程图；
图3是根据本公开的图像识别方法的另一些实施例的流程图；
图4是根据本公开的图像识别装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的图像识别方法的一个应用场景的示意图。
如图1所示，计算设备101首先确定图像102的类型是一幅人脸图像，即图像类型为人脸图像类型。然后获取人脸图像类型的特征参数范围。该特征参数范围限定了人脸图像各个参数的取值范围。具体的，可以获取上述人脸图像102的方差和均值103。通过方差和均值103替换卷积神经网络104中的特定参数，从而将识别物体图像限定在了识别人脸图像的范围。最后基于特征参数替换后的卷积神经网络104可以对图像102进行人脸识别，进而得到详细的人脸识别结果。例如人脸识别结果可以是“与张三的人脸图片的相似度为90％”105。如此，提高图像识别的准确性和有效性。
可以理解的是，图像识别方法的执行主体可以是各种软件，可以是计算设备101，或者也可以是服务器，上述方法的执行主体还可以包括上述计算设备101与上述服务器通过网络相集成所构成的设备。其中，计算设备101可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当图像识别方法的执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备。
继续参考图2，示出了根据本公开的图像识别方法的一些实施例的流程200。该图像识别方法，包括以下步骤：
步骤201，确定待处理图像中的目标物体图像所属的图像类型。
在一些实施例中，图像识别方法的执行主体(例如图1所示的计算设备)可以各种方式确定上述待处理图像中目标图像的图像类型，上述目标图像的图像类型可以是任意类型的图像类型(例如，可以是一幅含有人脸的图像，也可以是显示有狗、花草、雪山等的图像)。
作为示例，上述方法的执行主体可以通过神经网络对待一幅显示有人脸的图像进行识别和分类，可以得到上述人脸图像类型。
步骤202，获取上述图像类型对应的特征参数范围。
在一些实施例中，上述方法的执行主体可以通过各种方式获取上述图像类型的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围。上述特征参数范围用于表示特定图像类型的参数取值范围。即不同图像类型的特征参数取值范围不同。比如猫的图像类型是一个特征参数范围A，而人类的图像类型是另一个特征参数范围B。所以，特征参数范围是根据图像类型而确定的。上述特征参数范围可以是上述图像类型对应的均值和方差，上述均值和方差表征的是上述图像类型的数据分布情况。
作为示例，上述执行主体可以通过统计分析的方式对多幅人脸图像确定上述这些人脸图像的方差和均值。
在一些实施例的一些可选的实现方式中，获取多个样本图像中每个样本图像的图像特征值，根据上述图像特征值确定对应图像特征的特征参数范围，其中，上述多个样本图像属于同一图像类型，上述每个样本图像可以包含至少一个样本特征值。
其中，上述方法的执行主体可以通过各种方式对上述多个图像中的每个样本图像进行特征提取，得到上述多个图像中每个样本图像对应的样本特征值，其中，上述多个图像是同一类型的图像，可以是多幅显示有人脸的图像，也可以是多幅显示有狗的图像。根据上述样本特征值通过各种方式确定对应图像特征的特征参数范围，上述特征取值范围可以是上述图像特征的均值和方差。作为示例，上述方法的执行主体可以通过神经网络对多幅人脸图像进行特征提取，得到上述多幅人脸图像的图像特征值。进而基于上述图像特征值，通过统计分析的方式来确定上述多幅人脸图像对应的均值和方差，上述均值和方差表征多幅人脸图像的数据分布情况。
在一些实施例的一些可选的实现方式中，基于上述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型；将上述待处理图像导入上述物体识别修正模型，得到上述目标物体的目标物体信息。
在一些实施例的一些可选的实现方式中，通过上述特征参数范围对上述物体识别模型的参数进行归一化处理，得到物体识别修正模型。
步骤203，基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
在一些实施例中，图像识别方法的执行主体可以基于上述特征参数范围神经网络识别上述目标物体图像对应的目标物体信息。作为示例，可以将待识别的人脸图像输入至上述物体识别修正网络，得到识别结果，上述识别结果表示的是具体某一个人的图像。
本公开的上述各个实施例中的一个实施例具有如下有益效果：
确定待处理图像中的目标物体图像所属的图像类型；通过上述步骤可以将目标物体图像的识别范围限制在具体图像类型范围之内，提高了对目标物体图像识别的针对性。获取上述图像类型对应的特征参数范围，可以限定识别目标物体图像时的参数范围，有利于提高识别目标物体图像的准确性。基于上述特征参数范围识别上述目标物体图像的目标物体信息，提高了对目标物体图像识别的针对性和有效性。
进一步参考图3，其示出了图像识别方法的另一些实施例的流程300。该图像识别方法的流程300，包括以下步骤：
步骤301，确定待处理图像中的目标物体图像所属的图像类型。
在一些实施例中，图像识别方法的执行主体(例如图1所示的计算设备)可以各种方式确定上述待处理图像中目标图像的图像类型，上述目标图像的图像类型可以是任意类型的图像类型(例如，可以是一幅含有人脸的图像，也可以是显示有狗的图像)。
作为示例，上述方法的执行主体可以通过神经网络对一幅显示有人脸的图像进行识别和分类，可以得到上述人脸图像类别。
步骤302，获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围。
在一些实施例中，上述方法的执行主体可以通过各种方式获取上述图像类型的特征参数范围，其中，上述特征参数范围可以是上述图像类型对应的均值和方差，上述均值和方差表征的是上述图像类型的数据分布情况。
作为示例，对于多幅人脸图像，上述执行主体可以通过统计分析的方式确定上述这些人脸图像的方差和均值。
步骤303，基于上述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型。
在一些实施例中，上述方法的执行主体通过各种方式来调整物体识别模型的参数范围，上述物体识别模型可以是任意的能够提取图像特征的神经网络，上述物体识别修正模型可以是在上述物体识别模型的基础上将全连接层的参数进行调整得到的。
步骤304，将上述待处理图像导入上述物体识别修正模型，得到上述目标物体的目标物体信息。
在一些实施例中，上述待处理图像可以是任意的图像(例如，可以是人脸图像，可以是显示有狗的图像)，上述目标物体的目标物体信息可以是上述物体识别修正模型的识别结果。
在一些实施例中的一些可选的实现方式中，通过上述特征参数范围对上述物体识别模型的参数进行归一化处理，得到物体识别修正模型。
在一些实施例中的一些可选的实现方式中，基于上述特征参数范围确定对应的均值和方差；基于上述均值和方差对上述物体识别模型的全连接层的参数进行归一化，得到归一化向量。
在一些实施例中的一些可选的实现方式中，对上述归一化向量进行分类，得到分类结果，其中，上述分类结果表征上述目标物体信息。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的图像识别方法的流程300体现了对将待处理图像中的均值和方差融合到上述物体识别模型，使得上述物体识别模型在的参数得以调整。由此，这些实施例描述的方案，从而实现更有效的对待处理图像进行识别，得到更准确的识别结果。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种图像识别装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的图像识别装置400包括：第一确定单元401、第一获取单元402、识别单元403，其中，第一确定单元401被配置成确定待处理图像中的目标物体图像所属的图像类型；第一获取单元402被配置成获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围；识别单元403被配置成基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
在一些实施例的可选实现方式中，图像识别装置400的第一获取单元还包括：第二获取单元，其中，上述第二获取单元被配置成获取多个样本图像中每个样本图像的图像特征值，根据上述图像特征值确定对应图像特征的特征参数范围，其中，上述多个样本图像属于同一图像类型。
在一些实施例的可选实现方式中，图像识别装置400的识别单元还包括：调整单元和导入单元，其中，调整单元被配置成基于上述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型；导入单元被配置成将上述待处理图像导入上述物体识别修正模型，得到上述目标物体的目标物体信息。
在一些实施例的可选实现方式中，图像识别装置400的调整单元还包括：归一处理单元，其中，归一处理单元被配置成通过上述特征参数范围对上述物体识别模型的参数进行归一化处理，得到物体识别修正模型。
在一些实施例的可选实现方式中，图像识别装置400的归一处理单元还包括：第二确定单元，其中，第二确定单元被配置成基于上述特征参数范围确定对应的均值和方差；基于上述均值和方差对上述物体识别模型的全连接层的参数进行归一化，得到归一化向量。
在一些实施例的可选实现方式中，图像识别装置400的归一处理单元还包括：分类单元，其中，分类单元被配置成对上述归一化向量进行分类，得到分类结果，其中，上述分类结果表征上述目标物体信息。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述计算设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定待处理图像中的目标物体图像所属的图像类型；获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围；基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括特征提取单元、归一操作单元、第一确定单元、选择单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“确定待处理图像中的目标物体图像所属的图像类型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种图像识别方法，包括：确定待处理图像中的目标物体图像所属的图像类型；获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围；基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
根据本公开的一个或多个实施例，获取多个样本图像中每个样本图像的图像特征值，根据上述图像特征值确定对应图像特征的特征参数范围，其中，上述多个样本图像属于同一图像类型。
根据本公开的一个或多个实施例，基于上述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型；将上述待处理图像导入上述物体识别修正模型，得到上述目标物体的目标物体信息。
根据本公开的一个或多个实施例，通过上述特征参数范围对上述物体识别模型的参数进行归一化处理，得到物体识别修正模型。
根据本公开的一个或多个实施例，基于上述特征参数范围确定对应的均值和方差；基于上述均值和方差对上述物体识别模型的全连接层的参数进行归一化，得到归一化向量。
根据本公开的一个或多个实施例，对上述归一化向量进行分类，得到分类结果，其中，上述分类结果表征上述目标物体信息。
根据本公开的一个或多个实施例，提供了一种图像识别装置，包括：第一确定单元，被配置成确定待处理图像中的目标物体图像所属的图像类型；第一获取单元，被配置成获取上述图像类型对应的特征参数范围，其中，上述特征参数范围用于表征属于上述图像类型的物体图像的图像特征取值范围；识别单元，被配置成基于上述特征参数范围识别上述目标物体图像对应的目标物体信息。
根据本公开的一个或多个实施例，图像识别装置的第一获取单元还包括：第二获取单元，其中，上述第二获取单元被配置成获取多个样本图像中每个样本图像的图像特征值，根据上述图像特征值确定对应图像特征的特征参数范围，其中，上述多个样本图像属于同一图像类型。
根据本公开的一个或多个实施例，图像识别装置的识别单元还包括：调整单元和导入单元，其中，调整单元被配置成基于上述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型；导入单元被配置成将上述待处理图像导入上述物体识别修正模型，得到上述目标物体的目标物体信息。
根据本公开的一个或多个实施例，图像识别装置的调整单元还包括：归一处理单元，其中，归一处理单元被配置成通过上述特征参数范围对上述物体识别模型的参数进行归一化处理，得到物体识别修正模型。
根据本公开的一个或多个实施例，图像识别装置的归一处理单元还包括：第二确定单元，其中，第二确定单元被配置成基于上述特征参数范围确定对应的均值和方差；基于上述均值和方差对上述物体识别模型的全连接层的参数进行归一化，得到归一化向量。
根据本公开的一个或多个实施例，图像识别装置的归一处理单元还包括：分类单元，其中，分类单元被配置成对上述归一化向量进行分类，得到分类结果，其中，上述分类结果表征上述目标物体信息。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种图像识别方法，包括：
确定待处理图像中的目标物体图像所属的图像类型；
获取所述图像类型对应的特征参数范围，其中，所述特征参数范围用于表征属于所述图像类型的物体图像的图像特征取值范围；
基于所述特征参数范围识别所述目标物体图像对应的目标物体信息；其中，所述基于所述特征参数范围识别所述目标物体图像对应的目标物体信息，包括：
基于所述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型；
将所述待处理图像导入所述物体识别修正模型，得到所述目标物体的目标物体信息；其中，
所述基于所述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型，包括：
通过所述特征参数范围对所述物体识别模型的参数进行归一化处理，得到物体识别修正模型；所述特征参数范围包括所述图像类型对应的均值和方差。
2.根据权利要求1所述的方法，其中，所述获取所述图像类型对应的特征参数范围，包括：
获取多个样本图像中每个样本图像的图像特征值，根据所述图像特征值确定对应图像特征的特征参数范围，其中，所述多个样本图像属于同一图像类型。
3.根据权利要求1所述的方法，其中，所述通过所述特征参数范围对所述物体识别模型的参数进行归一化处理，包括：
基于所述特征参数范围确定对应的均值和方差；
基于所述均值和方差对所述物体识别模型的全连接层的参数进行归一化，得到归一化向量。
4.一种图像识别装置，包括：
第一确定单元，被配置成确定待处理图像中的目标物体图像所属的图像类型；
第一获取单元，被配置成获取所述图像类型对应的特征参数范围，其中，所述特征参数范围用于表征属于所述图像类型的物体图像的图像特征取值范围；
识别单元，被配置成基于所述特征参数范围识别所述目标物体图像对应的目标物体信息；其中，
所述识别单元，还被配置成基于所述特征参数范围调整物体识别模型的参数范围，得到物体识别修正模型；通过所述特征参数范围对所述物体识别模型的参数进行归一化处理，得到物体识别修正模型；所述特征参数范围包括所述图像类型对应的均值和方差；
将所述待处理图像导入所述物体识别修正模型，得到所述目标物体的目标物体信息。
5.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010940412.9A CN112070025B (zh) | 2020-09-09 | 2020-09-09 | 图像识别方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010940412.9A CN112070025B (zh) | 2020-09-09 | 2020-09-09 | 图像识别方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070025A CN112070025A (zh) | 2020-12-11 |
| CN112070025B true CN112070025B (zh) | 2024-07-19 |
Family
ID=73663029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010940412.9A Active CN112070025B (zh) | 2020-09-09 | 2020-09-09 | 图像识别方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070025B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160330A (zh) * | 2015-09-17 | 2015-12-16 | 中国地质大学（武汉） | 一种车标识别方法及车标识别系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160073B (zh) * | 2018-11-08 | 2023-09-19 | 浙江宇视科技有限公司 | 车牌类型识别方法、装置及计算机可读存储介质 |
| CN110348387B (zh) * | 2019-07-12 | 2023-06-27 | 腾讯科技（深圳）有限公司 | 一种图像数据处理方法、装置以及计算机可读存储介质 |
| CN111339811B (zh) * | 2019-08-27 | 2024-02-20 | 杭州海康威视系统技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111368900A (zh) * | 2020-02-28 | 2020-07-03 | 桂林电子科技大学 | 一种图像目标物识别方法 |
| CN111523621B (zh) * | 2020-07-03 | 2020-10-20 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-09 CN CN202010940412.9A patent/CN112070025B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160330A (zh) * | 2015-09-17 | 2015-12-16 | 中国地质大学（武汉） | 一种车标识别方法及车标识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070025A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622240B (zh) | 人脸检测方法和装置 | |
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| CN111414879B (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
| CN109214501B (zh) | 用于识别信息的方法和装置 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN110084317B (zh) | 用于识别图像的方法和装置 | |
| CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
| CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
| CN110008926B (zh) | 用于识别年龄的方法和装置 | |
| CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
| CN112183388B (zh) | 图像处理方法、装置、设备和介质 | |
| CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
| CN112070025B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN111797931B (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
| WO2022052889A1 (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN112036519B (zh) | 基于多位sigmoid的分类处理方法、装置及电子设备 | |
| CN111062995B (zh) | 生成人脸图像的方法、装置、电子设备和计算机可读介质 | |
| CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN110942033B (zh) | 用于推送信息的方法、装置、电子设备和计算机介质 | |
| CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 | |
| CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
| CN111582376B (zh) | 神经网络的可视化方法、装置、电子设备和介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: Tiktok vision (Beijing) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |