CN112115285A - 图片清洗方法及装置 - Google Patents
图片清洗方法及装置 Download PDFInfo
- Publication number
- CN112115285A CN112115285A CN201910542678.5A CN201910542678A CN112115285A CN 112115285 A CN112115285 A CN 112115285A CN 201910542678 A CN201910542678 A CN 201910542678A CN 112115285 A CN112115285 A CN 112115285A
- Authority
- CN
- China
- Prior art keywords
- picture
- target
- cleaning
- cleaned
- pictures
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图片清洗方法及装置,该图片清洗方法应用于服务器,包括:从数据库获取待清洗图片;确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。可选用合适的清洗模式对图片进行清洗,提升清洗结果的可靠度。
Description
技术领域
本申请涉及数据挖掘技术领域,尤其涉及的是一种图片清洗方法及装置。
背景技术
数据清洗是指从大量的数据中根据某种规则筛选出有价值的数据,以过滤掉无用的干扰数据。数据清洗技术可以用在图片上,即从大量的图片中根据某种规则筛选出有价值的图片,以过滤掉无用的干扰图片,完成图片清洗。
相关图片清洗方式中,按照统一清洗模式进行无针对性的清洗,容易发生清洗错误的问题,比如可能将有用的图片过滤掉、或者保留了无用的图片,清洗结果可靠度不高。
发明内容
有鉴于此,本申请提供一种图片清洗方法及装置,提升清洗结果的可靠度。
本申请第一方面提供一种图片清洗方法,应用于服务器,包括:
从数据库获取待清洗图片;
确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
根据本申请的一个实施例,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之后,该方法还包括:
将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗;
获取经由客户端清洗后的目标图片。
根据本申请的一个实施例,确定待清洗图片对应的目标清洗模式,包括:
依据外部输入的清洗指示确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的图片属性确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的采集场景确定待清洗图片对应的目标清洗模式。
根据本申请的一个实施例,所述数据库中存储了多个不同场景下采集的图片;
确定待清洗图片对应的目标清洗模式,包括:
在获取的所有待清洗图片中存在第一场景下的图片时,确定第一场景对应的第一清洗模式为所述目标清洗模式;第一场景为目标识别场景;
在获取的所有待清洗图片中不存在第一场景下的图片时,确定第二清洗模式为所述目标清洗模式;第二清洗模式为预设的非第一场景对应的清洗模式。
根据本申请的一个实施例,所述目标清洗模式为所述第一清洗模式;
所述按照目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
从获取的所有待清洗图片中确定参考图片和非参考图片,所述参考图片为第一场景下的图片,所述非参考图片为所有待清洗图片中除参考图片之外的图片;
针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
根据本申请的一个实施例,计算参考图片与每一非参考图片之间的相似度包括:
对参考图片进行建模处理得到参考图片对应的数据模型;
对每一非参考图片进行建模处理得到非参考图片对应的数据模型;
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度。
根据本申请的一个实施例,所述目标清洗模式为所述第二清洗模式;
所述按照目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
对获取的所有待清洗图片进行分类,以获取至少一目标类;每一目标类中,任意两个待清洗图片之间的相似度大于第二设定值;
将每一目标类中的待清洗图片确定为目标图片。
根据本申请的一个实施例,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之前,还包括:
采用预清洗方式对获取的待清洗图片进行预清洗,所述预清洗方式包括:基于图片的分辨率和/或各像素的像素值进行预清洗;
按照所述目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
按照所述目标清洗模式对预清洗之后的待清洗图片进行清洗得到目标图片。
本申请第二方面提供图片清洗装置,应用于服务器,包括:
图片获取模块,用于从数据库获取待清洗图片;
第一图片清洗模块,用于确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
根据本申请的一个实施例,所述第一图片清洗模块之后,该装置还包括:
第二图片清洗模块,用于将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗;
清洗结果获取模块,用于获取经由客户端清洗后的目标图片。
根据本申请的一个实施例,第一图片清洗模块确定待清洗图片对应的目标清洗模式时,具体用于:
依据外部输入的清洗指示确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的图片属性确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的采集场景确定待清洗图片对应的目标清洗模式。
根据本申请的一个实施例,所述数据库中存储了多个不同场景下采集的图片;
第一图片清洗模块确定待清洗图片对应的目标清洗模式时,具体用于:
在获取的所有待清洗图片中存在第一场景下的图片时,确定第一场景对应的第一清洗模式为所述目标清洗模式;第一场景为目标识别场景;
在获取的所有待清洗图片中不存在第一场景下的图片时,确定第二清洗模式为所述目标清洗模式;第二清洗模式为预设的非第一场景对应的清洗模式。
根据本申请的一个实施例,所述目标清洗模式为所述第一清洗模式;
所述第一图片清洗模块按照目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
从获取的所有待清洗图片中确定参考图片和非参考图片,所述参考图片为第一场景下的图片,所述非参考图片为所有待清洗图片中除参考图片之外的图片;
针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
根据本申请的一个实施例,第一图片清洗模块计算参考图片与每一非参考图片之间的相似度时,具体用于:
对参考图片进行建模处理得到参考图片对应的数据模型;
对每一非参考图片进行建模处理得到非参考图片对应的数据模型;
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度。
根据本申请的一个实施例,所述目标清洗模式为所述第二清洗模式;
所述第一图片清洗模块按照目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
对获取的所有待清洗图片进行分类,以获取至少一目标类;每一目标类中,任意两个待清洗图片之间的相似度大于第二设定值;
将每一目标类中的待清洗图片确定为目标图片。
根据本申请的一个实施例,所述第一图片清洗模块按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之前,还用于:
采用预清洗方式对获取的待清洗图片进行预清洗,所述预清洗方式包括:基于图片的分辨率和/或各像素的像素值进行预清洗;
所述第一图片清洗模块按照所述目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
按照所述目标清洗模式对预清洗之后的待清洗图片进行清洗得到目标图片。
本申请第三方面提供一种电子设备,包括处理器及存储器;所述存储器存储有可被处理器调用的程序;其中,所述处理器执行所述程序时,实现如前述实施例所述的图片清洗方法。
本申请第四方面提供一种机器可读存储介质,其上存储有程序,该程序被处理器执行时,实现如前述实施例所述的图片清洗方法。
本申请实施例具有以下有益效果:
本发明实施例中,从数据库中获取本次的待清洗图片后,可以根据本次待清洗图片的特点,选择合适的清洗模式作为待清洗图片对应的目标清洗模式,所以对于数据库中所有待清洗图片来说,不再局限于一种清洗模式,使得清洗方式更灵活、合适,避免错误的清洗模式对图片清洗导致的图片清洗错误的问题,尽可能避免将有用的图片过滤掉、或者保留了无用的图片,提升清洗结果可靠度。
附图说明
图1是本申请一实施例的图片清洗方法的流程示意图;
图2是本申请一实施例的图片清洗装置的结构框图;
图3是本申请另一实施例的图片清洗方法的流程示意图;
图4是本申请一实施例中服务器与客户端的交互示意图;
图5是本申请另一实施例的图片清洗装置的结构框图;
图6是本申请一实施例的电子设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种器件,但这些信息不应限于这些术语。这些术语仅用来将同一类型的器件彼此区分开。例如,在不脱离本申请范围的情况下,第一器件也可以被称为第二器件,类似地,第二器件也可以被称为第一器件。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了使得本申请的描述更清楚简洁,下面对本申请中的一些技术术语进行解释:
聚类:将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,同一簇中的数据对象彼此相似,不同簇中的数据对象相异。
多线程:是指从软件或者硬件上实现多个线程并发执行的技术,可以实现多个任务同时处理。
异步任务分发:任务发送方为不同的任务接收方分发任务,分发之后不关心任务接收方的反馈,继续处理其他事务,任务接收方如果完成任务会主动上报给任务发送方。
下面对本申请实施例的图片清洗方法进行更具体的描述,但不应以此为限。
在一个实施例中,参看图1,一种图片清洗方法,该方法应用于服务器,包括以下步骤:
S100:从数据库获取待清洗图片;
S200:确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
本申请实施例的图片清洗方法可应用于服务器,服务器可以是一台电子设备或两台以上电子设备搭建而成,电子设备的具体类型不限,比如为计算机设备。服务器上可以集成存储功能、任务调度功能、任务执行功能等等,当然也可以每一功能分别用一个服务器来实现。
步骤S100中,从数据库获取待清洗图片。
数据库存储的图片可以是布置在多个不同场景中的相机设备采集的图片,相机设备可以将采集的图片上传至服务器(可以通过上传工具上传),服务器将收到的图片存储至数据库中。由于各个场景中的相机设备是不断采集图片的,因而数据库中不断有新的图片存储进来,数据库会存储海量的图片。当然,数据库中存储的图片也可以是一个场景中的相机设备采集的,具体不限。
服务器可以以多线程的方式接收来自各相机设备抓拍的图片,最大限度地使用服务器的性能,提高图片上传的速度。服务器将接收到的图片存储在数据库中时,可以为每个图片分配一个图片标识ID,在后续整个清洗过程中,以图片ID来确定对应的图片。
从数据库中获取待清洗图片时,可以一次性获取一批待清洗图片,比如一次可获取几十张或几百张图片,当然具体数量可以根据实际情况而定。可以根据一定的条件从数据库中获取待清洗图片,比如,从数据库中获取所有在某个时间段内存储至数据库的图片作为待清洗图片,具体获取条件并不作为限制,只要这些图片是需要进行清洗的图片即可。
待清洗图片中可以包含对象,对象可以包括车辆、人脸、指纹、或虹膜等,具体不限于此。所有待清洗图片中的对象的身份信息可以都是未知的,或者可以有部分是未知的部分是已知的,或者可以都是已知的。
步骤S200中,确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
不同次获取的一批待清洗图片可能有不同的特点,不同之处可以体现在:图片的属性、图片的来源、图片携带的信息、图片中的内容等等,服务器中可以预先设置有两种以上清洗模式,针对每次获取的待清洗图片,可以根据其特点,可以选择合适的清洗模式作为目标清洗模式。
确定待清洗图片对应的目标清洗模式后,可按照目标清洗模式对待清洗图片进行清洗得到目标图片,实现本次获取的待清洗图片的清洗,避免不合适的清洗模式造成图片清洗错误。
可选的,本申请实施例可以应用在由多个节点构成的服务器集群中,不同任务可由不同的执行节点来执行,任务调度节点负责任务分发。任务调度节点在确定目标清洗模式后,可根据目标清洗模式的任务信息将任务通过socket协议发送给各执行节点,由各执行节点协调配合来完成待清洗图片的清洗。
不同的清洗模式有不同的任务信息,将清洗过程细分成不同的任务,比如一种清洗模式中将清洗过程分成建模任务、比对任务等,另一种清洗模式将清洗过程分成建模任务、聚类任务等。比如,当目标清洗模式为第一种清洗模式时,任务调度节点将建模任务发送给专门负责建模任务的执行节点、以使其对各待清洗图片进行建模,将比对任务发送给专门负责比对任务的节点、以使其依据各待清洗图片对应的数据模型对待清洗图片进行相互间的比对,从而选择出有价值的图片,完成清洗。任务调度节点可以采用异步任务分发的方式将任务发送给执行节点,可提升服务器集群的处理效率。
当然,上述方式仅是举例,具体并不限于此,只要能够按照所述目标清洗模式对待清洗图片进行清洗得到目标图片即可,具体由一个节点完成清洗还是由多个节点协调配合完成清洗并不作为限制。
本发明实施例中,从数据库中获取本次的待清洗图片后,可以根据本次待清洗图片的特点,选择合适的清洗模式作为待清洗图片对应的目标清洗模式,所以对于数据库中所有待清洗图片来说,不再局限于一种清洗模式,使得清洗方式更灵活、合适,避免错误的清洗模式对图片清洗导致的图片清洗错误的问题,尽可能避免将有用的图片过滤掉、或者保留了无用的图片,提升清洗结果可靠度。
在一个实施例中,上述图片清洗方法流程可由图片清洗装置100执行,如图2所示,目标检测装置100主要包含2个模块:图片获取模块101,第一图片清洗模块102。图片获取模块101用于执行上述步骤S100,第一图片清洗模块102用于执行上述步骤S200。
在一个实施例中,参看图3,在确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之后,该方法还包括以下步骤:
S300:将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗;
S400:获取经由客户端清洗后的目标图片。
步骤S300中,将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗。
在服务器中已经对待清洗图片进行过一次清洗得到目标图片,服务器将目标图片发送给客户端,在客户端中对目标图片进行继续清洗,即实现了待清洗图片的二次清洗。两次清洗可以设置不同的清洗指标,比如,一次清洗时可以找出相互间大致相似的一些目标图片,而二次清洗时需找出相互间非常相似的一些目标图片,如此,可避免将有用的目标图片过滤掉、将无用的目标图片保留这些问题。
由于清洗后的目标图片是待清洗图片经过两次清洗得到的图片,相比于一次性清洗而言,可以更准确地筛选出有价值的图片,删除掉无用的图片,清洗后的目标图片可靠度更高。
在客户端中对目标图片进行清洗时,依据外部输入的清洗指令继续对目标图片进行清洗,清洗指令可以由外部人员输入到客户端中,由于有外部人员的指示,不再单纯取决于清洗算法的准确度,实现了更灵活的清洗,可以更准确地实现目标图片的清洗。
客户端可以不止一个,服务器可以将目标图片分成多组,每组中的目标图片之间的相似度达到某个值,将各组目标图片携带在任务中分发给各个客户端,由各客户端分别对收到的任务中的目标图片进行清洗,通过任务分发的方式实现清洗,可以提高清洗的效率。
客户端在对目标图片清洗之后,外部人员可以在客户端上进行二次查看,快速浏览目标图片的清洗结果,对目标图片的清洗结果进行复核,无误则保存,有问题则修改,比如将错误删除的目标图片重新保留,将错误保留的目标图片删除。客户端可通过外部输入的复核指令对目标图片的清洗结果进行复核,复核后得到的目标图片作为清洗后的目标图片,将清洗后的目标图片上传至服务器。
客户端中也可以将其清洗后的目标图片进行导出,可通过导出工具将目标图片以指定格式导出,导出的目标图片存储到本地文件夹中,每次可以存储到不同的文件夹中,后续可以添加至训练样本集,用于训练算法模型,当然具体用途不限。
步骤S400中,获取经由客户端清洗后的目标图片。
客户端可以主动上传清洗后的目标图片,或者可由服务器从客户端中拉取清洗后的目标图片,具体获取方式不限。服务器可将获取的目标图片存储到数据库中,以便后续需要的时候使用,比如在需要进行算法模型的训练时,可从数据库中获取目标图片作为训练样本集,利用训练样本集对算法模型进行训练。
相关图片清洗方式中,只是一次性清洗,过滤掉无用的干扰图片,这种清洗方式需要严格控制过滤条件,很有可能将有用的图片过滤掉、或者保留了无用的图片,清洗结果可靠度不高。
本申请实施例中,服务器中按照目标清洗模式对待清洗图片进行一次清洗得到目标图片后,将目标图片发送给客户端,由客户端依据外部输入的清洗指令对目标图片进行二次清洗,相比于一次性清洗而言,本申请实施例通过两次清洗可以提高待清洗图片的清洗结果的可靠度,避免将有用的图片过滤掉、将无用的图片保留的问题,并且,两次清洗分别在服务器和客户端中实现,可减轻服务器的处理量,提升清洗的效率。
本申请实施例中,服务器与客户端之间的交互可以参看图4,服务器10在对待清洗图片进行清洗得到的目标图片发送给客户端20,客户端对目标图片进行继续清洗并将清洗后的目标图片发送给服务器10。可以理解,与服务器交互的负责对目标图片进行继续清洗的客户端可以为多个,图4仅是示例性地示出了一个客户端20,并不作为限制。
在一个实施例中,上述图片清洗方法流程可由图片清洗装置100执行,如图5所示,目标检测装置100主要包含4个模块:图片获取模块101,第一图片清洗模块102,第二图片清洗模块103和清洗结果获取模块104。图片获取模块101用于执行上述步骤S100,第一图片清洗模块102用于执行上述步骤S200,第二图片清洗模块103用于执行上述步骤S300,清洗结果获取模块104用于执行上述步骤S400。
在一个实施例中,步骤S200中,确定待清洗图片对应的目标清洗模式,包括:
依据外部输入的清洗指示确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的图片属性确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的采集场景确定待清洗图片对应的目标清洗模式。
清洗指示可以是由用户输入的,用户可以通过客户端将清洗指示输入至服务器中,或者可以直接输入至服务器中。用户可以将清洗需求携带在清洗指示中,如此可根据清洗指示中的清洗需求确定对应的清洗模式,作为目标清洗模式。
图片属性可以包括像素、分辨率、大小、颜色、位深、色调、饱和度、亮度、色彩通道、图像的层次等等,可以基于各待清洗图片的图片属性确定一种适于对这些待清洗图片进行清洗的清洗模式,作为目标清洗模式。比如,如果待清洗图片较大,则选大图清洗模式作为目标清洗模式,如果待清洗图片较小,则选小图清洗模式作为目标清洗模式。
各待清洗图片的采集场景比如可以包括人脸识别场景、目标跟踪场景等,可以根据不同场景确定对应的清洗模式,比如人脸识别场景可以选择与人脸识别相关的清洗模式作为目标清洗模式,可清洗掉一些不需要的人脸图片,而目标跟踪场景可以选择与目标跟踪相关的清洗模式作为目标清洗模式,可清洗掉一些目标残缺、或目标缺失的图片(比如在跟踪飞机的场景下,如果图片中没有飞机而全是蓝天,那么该图片可以被清洗掉)。
确定目标清洗模式的可以有多种,本实施例仅是举例说明了几种方式,并不作为限定。
在一个实施例中,所述数据库中存储了多个不同场景下采集的图片;
步骤S200中,确定待清洗图片对应的目标清洗模式,包括:
在获取的所有待清洗图片中存在第一场景下的图片时,确定第一场景对应的第一清洗模式为所述目标清洗模式;第一场景为目标识别场景;
在获取的所有待清洗图片中不存在第一场景下的图片时,确定第二清洗模式为所述目标清洗模式;第二清洗模式为预设的非第一场景对应的清洗模式。
由于数据库中存储了多个不同场景下采集的图片,其中的场景可以包括目标识别场景(即第一场景)、以及非目标识别场景(即非第一场景)。目标识别场景可以是身份信息采集场景。
在第一场景下,采集对象的图片的同时,会进行目标识别,可确定对象的身份信息,如此,采集的图片会关联有图像中对象的身份信息。而在非第一场景下,采集对象的图片时,不会确定对象的身份信息,所以图片不会关联身份信息。
比如,在海关闸口等需验证身份信息的场景中,会对对象进行人脸抓拍得到人脸图片,还需要在身份信息采集器上刷身份信息证件,所以采集到的图片会关联有图像中对象的身份信息;而在超市等无需验证身份信息的场景中,即使对对象进行人脸抓拍,也不会去确认该对象的身份信息,所以采集的图片不会关联身份信息。
本实施例中,可以根据待清洗图片是否关联有身份信息来确定待清洗图片是否为第一场景下采集的图片;或者,数据库在存储图片时可以对图片的场景进行标记,可以根据待清洗图片的标记来确定待清洗图片是否为第一场景下采集的图片。
服务器中可以预设两种清洗模式,分别是第一清洗模式和第二清洗模式,第一清洗模式适合于存在第一场景下的图片时的待清洗图片的清洗,第二清洗模式适合于不存在第一场景下的图片时的待清洗图片的清洗。可以理解,两种清洗模式不同。
可以检查所有待清洗图片中是否存在第一场景下的图片,如果存在,那么将第一清洗模式作为目标清洗模式,按照第一清洗模式对获取的待清洗图片进行清洗;如果不存在,那么将第二清洗模式作为目标清洗模式,按照第二清洗模式对获取的待清洗图片进行清洗。
比如,如果所有待清洗图片中包含海关闸口采集的图片和超市采集的图片,那么选择第一清洗模式作为目标清洗模式,该第一清洗模式可以是能够以海关闸口采集的图片作为参考图片来对超市采集的图片清洗的清洗模式,清洗掉超市采集的图片中与海关闸口采集的图片不相似的图片;如果所有待清洗图片中仅包含超市采集的图片,那么选择第二清洗模式作为目标清洗模式,该第二清洗模式可以是能够对超市采集的图片进行清洗得到相似度高的图片的清洗模式,清洗掉相似度不高的图片,比如,可以清洗出都是人体的图片,而人体残缺的图片就被清洗掉。
本实施例中,可以根据所有待清洗图片采集的场景情况来确定相应的清洗模式,可使得待清洗图片得到更合适的清洗,有利于提升清洗的可靠性。
在一个实施例中,所述目标清洗模式为所述第一清洗模式;
步骤S200中,所述按照目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
S201:从获取的所有待清洗图片中确定参考图片和非参考图片,所述参考图片为第一场景下的图片,所述非参考图片为所有待清洗图片中除参考图片之外的图片;
S202:针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
本实施例中,获取的所有待清洗图片中存在参考图片和非参考图片,参考图片为第一场景下的图片,非参考图片为所有待清洗图片中除参考图片之外的图片。所有待清洗图片中参考图片的数量为一个以上,大部分情况下,所有待清洗图片中,非参考图片占大部分、参考图片占小部分。
步骤S201中,从获取的所有待清洗图片中确定参考图片和非参考图片。
针对获取的所有待清洗图片中的每个待清洗图片,根据该待清洗图片的采集场景来确定其是参考图片还是非参考图片,如果采集场景是第一场景,那么该待清洗图片就是参考图片,如果采集场景不是第一场景,那么该待清洗图片就是非参考图片。具体的,可以根据待清洗图片是否关联有身份信息来识别其采集场景,或者可以根据待清洗图片的场景标记来识别其采集场景。当然,具体确定方式不限于此。
步骤S202中,针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
清洗的目的是为了从所有非参考图片中找出与参考图片相似度较高的图片。由于获取的待清洗图片中可能存在一个或两个以上的参考图片,不同参考图片一般包含不同的对象,所以需要为每一参考图片找出相似度较高的非参考图片。
计算出的参考图片与非参考图片之间的相似度越高,说明该非参考图片中的对象与参考图片中的对象越相似。第一设定值是衡量相似度的标准,选取的非参考图片与参考图片之间的相似度大于第一设定值,说明该非参考图片满足选取要求。第一设定值可以根据需要设定,比如可以是60%,此处的取值仅是举例,当然还可以是其他取值,比如50%、70%等。
可以将每个参考图片与相应选取的非参考图片作为一组目标图片,这组目标图片都是该参考图片的相似图片。
其中,不同目标图片组中可以存在相同的非参考图片,比如,一个非参考图片与第一个参考图片之间的相似度大于第一设定值、与第二个参考图片之间相似度也大于第一设定值,那么该非参考图片会既存在于第一参考图片所在的目标图片组中、又存在于第二参考图片所在的目标图片组中。
本实施例中,在将目标图片发送给客户端时,可以将各组目标图片携带在任务中分发给多个客户端,每个客户端负责至少一组目标图片的清洗任务,保证清洗任务可被及时地执行,并平衡了各个客户端的处理工作量,加快处理速度。服务器可以以异步分发的方式将任务分发给各客户端,分发之后便可处理其他事务,服务器和客户端可实现流水线式的处理,提升处理效率。
客户端收到任务后,可将在显示屏的一侧显示参考图片,另一侧可滚动显示非参考图片,并可通过人工识别两者的相似度并输入指令至客户端,客户端根据接收的指令进一步确定非参考图片与参考图片的相似度情况,以此来选择相似度较高的非参考图片,实现目标图片的清洗。
在一个实施例中,步骤S202中,计算参考图片与每一非参考图片之间的相似度包括:
对参考图片进行建模处理得到参考图片对应的数据模型;
对每一非参考图片进行建模处理得到非参考图片对应的数据模型;
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度。
对图片进行建模处理,可以将图片抽象成用于表征图片中对象的结构化数据。比如,可以提取图片中对象的特征,基于提取出的特征构造表征该对象的结构化数据,结构化数据比如可以描述该对象的哪些位置具有哪些特征点等。结构化数据是计算机能处理的数据,该结构化数据即作为该图片对应的数据模型。
以对象为人脸为例,可以采用人脸建模的算法来对图片中的对象进行建模处理,比如可以先对图片进行人脸检测,提取检测到的人脸的特征,并将提取的特征向量化得到一个特征向量,将该特征向量作为数据模型。
可以理解,上述建模方式对参考图片和非参考图片来说均适用,当然具体的建模方式不限,只要能够得到图片对应的数据模型即可。
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度时,可以计算参考图片对应的数据模型与非参考图片对应的数据模型之间的欧式距离、余弦距离等,计算出的数值作为该参考图片与该非参考图片之间的相似度,当然此处仅是举例,具体计算方式不限。
在一个实施例中,所述目标清洗模式为所述第二清洗模式;
步骤S200中,所述按照目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
S203:对获取的所有待清洗图片进行分类,以获取至少一目标类;每一目标类中,任意两个待清洗图片之间的相似度大于第二设定值;
S204:将每一目标类中的待清洗图片确定为目标图片。
步骤S203中,可以采用基于相似度聚类的方式来实现对获取的所有待清洗图片进行分类,将相互之间相似度大于第二设定值的待清洗图片聚为一类,得到至少一目标类。
目标类中至少包含两个待清洗图片,并且任意两个待清洗图片之间的相似度大于第二设定值。聚类结束后,如果有只存在一个待清洗图片的类,那么这个类就不是目标类。
每一目标类中任意两个待清洗图片之间的相似度大于第二设定值。比如,如果一目标类中有A、B、C三个待清洗图片,那么,A与B之间的相似度大于第二设定值,A与C之间的相似度大于第二设定值,B与C之间的相似度大于第二设定值。
第二设定值可以根据需要设定,比如可以是60%,此处的取值仅是举例,当然还可以是其他取值,比如50%、70%等。
对获取的所有待清洗图片进行分类时,可以对每一待清洗图片进行建模处理得到待清洗图片对应的数据模型,基于数据模型对所有待清洗图片进行分类,得到的目标类。
两个待清洗图片之间的相似度可以通过计算该两个待清洗图片对应的数据模型之间的欧式距离、余弦距离得到,将计算所得的数值作为两个待清洗图片之间的相似度,当然具体相似度的计算方式不限。计算出的相似度越高,说明两个待清洗图片中的对象越相似。
步骤S204中,将每一目标类中的待清洗图片确定为目标图片。
本实施例中,在将目标图片发送给客户端时,可以将各目标类携带在任务中分发给多个客户端,每个客户端负责至少一个目标类的清洗任务,保证清洗任务可被及时地执行,并平衡了各个客户端的处理工作量,加快处理速度。服务器可以以异步分发的方式将任务分发给各客户端,分发之后便可处理其他事务,服务器和客户端可实现流水线式的处理,提升处理效率。
客户端收到任务后,可将一个目标类的目标图片进行显示,并可通过人工识别目标类中每两个目标图片的相似度并输入指令至客户端,客户端根据接收的指令进一步确定两个目标图片的相似度情况,以此来对目标类中的目标图片进一步筛选,将目标类中与大部分目标图片不相似的目标图片删除,实现目标图片的清洗。
在一个实施例中,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之前,还包括以下步骤:
采用预清洗方式对获取的待清洗图片进行预清洗,所述预清洗方式包括以下的至少一种:基于图片的分辨率和/或各像素的像素值进行预清洗;
步骤S200中,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
按照所述目标清洗模式对预清洗之后的待清洗图片进行清洗得到目标图片。
基于图片的分辨率对获取的待清洗图片进行预清洗,可以将一些分辨率低的待清洗图片先清洗掉。基于图片中各像素的像素值对获取的待清洗图片进行预清洗,可以将一些带有异常像素值的待清洗图片、或者像素值不满足要求的待清洗图片先清洗掉。如此,可以进行后续清洗的待清洗图片的图片质量,保证清洗出的图片质量满足要求。
当然,还可以包括其他的预清洗方式,比如,如果清洗的目的是将清洗出的图片用于人脸识别,那么,预清洗方式可以是将一些不带有人脸或者人脸残缺的图片清洗掉,具体方式不限于此。
本申请还提供一种图片清洗装置,应用于服务器,参看图2,该图片清洗装置100包括:
图片获取模块101,用于从数据库获取待清洗图片;
第一图片清洗模块102,用于确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
在一个实施例中,参看图5,第一图片清洗模块102之后,该装置还包括:
第二图片清洗模块103,用于将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗;
清洗结果获取模块104,用于获取经由客户端清洗后的目标图片。
在一个实施例中,第一图片清洗模块确定待清洗图片对应的目标清洗模式时,具体用于:
依据外部输入的清洗指示确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的图片属性确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的采集场景确定待清洗图片对应的目标清洗模式。
在一个实施例中,所述数据库中存储了多个不同场景下采集的图片;
第一图片清洗模块确定待清洗图片对应的目标清洗模式时,具体用于:
在获取的所有待清洗图片中存在第一场景下的图片时,确定第一场景对应的第一清洗模式为所述目标清洗模式;第一场景为身份信息采集场景;
在获取的所有待清洗图片中不存在第一场景下的图片时,确定第二清洗模式为所述目标清洗模式;第二清洗模式为预设的非第一场景对应的清洗模式。
在一个实施例中,所述目标清洗模式为所述第一清洗模式;
所述第一图片清洗模块按照目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
从获取的所有待清洗图片中确定参考图片和非参考图片,所述参考图片为第一场景下的图片,所述非参考图片为所有待清洗图片中除参考图片之外的图片;
针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
在一个实施例中,第一图片清洗模块计算参考图片与每一非参考图片之间的相似度时,具体用于:
对参考图片进行建模处理得到参考图片对应的数据模型;
对每一非参考图片进行建模处理得到非参考图片对应的数据模型;
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度。
在一个实施例中,所述目标清洗模式为所述第二清洗模式;
所述第一图片清洗模块按照目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
对获取的所有待清洗图片进行分类,以获取至少一目标类;每一目标类中,任意两个待清洗图片之间的相似度大于第二设定值;
将每一目标类中的待清洗图片确定为目标图片。
在一个实施例中,所述第一图片清洗模块按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之前,还用于:
采用预清洗方式对获取的待清洗图片进行预清洗,所述预清洗方式包括:基于图片的分辨率和/或各像素的像素值进行预清洗;
所述第一图片清洗模块按照所述目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
按照所述目标清洗模式对预清洗之后的待清洗图片进行清洗得到目标图片。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元。
本申请还提供一种电子设备,包括处理器及存储器;所述存储器存储有可被处理器调用的程序;其中,所述处理器执行所述程序时,实现如前述实施例中所述的图片清洗方法。
本申请图片清洗装置的实施例可以应用在电子设备上。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,图6是本申请根据一示例性实施例示出的图片清洗装置100所在电子设备的一种硬件结构图,除了图6所示的处理器510、内存530、接口520、以及非易失性存储器540之外,实施例中装置100所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
本申请还提供一种机器可读存储介质,其上存储有程序,该程序被处理器执行时,实现如前述实施例中任意一项所述的图片清洗方法。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。机器可读存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。机器可读存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (16)
1.一种图片清洗方法,其特征在于,应用于服务器,包括:
从数据库获取待清洗图片;
确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
2.如权利要求1所述的图片清洗方法,其特征在于,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之后,该方法还包括:
将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗;
获取经由客户端清洗后的目标图片。
3.如权利要求1所述的图片清洗方法,其特征在于,确定待清洗图片对应的目标清洗模式,包括:
依据外部输入的清洗指示确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的图片属性确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的采集场景确定待清洗图片对应的目标清洗模式。
4.如权利要求1所述的图片清洗方法,其特征在于,所述数据库中存储了多个不同场景下采集的图片;
确定待清洗图片对应的目标清洗模式,包括:
在获取的所有待清洗图片中存在第一场景下的图片时,确定第一场景对应的第一清洗模式为所述目标清洗模式;第一场景为目标识别场景;
在获取的所有待清洗图片中不存在第一场景下的图片时,确定第二清洗模式为所述目标清洗模式;第二清洗模式为预设的非第一场景对应的清洗模式。
5.如权利要求4所述的图片清洗方法,其特征在于,所述目标清洗模式为所述第一清洗模式;
所述按照目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
从获取的所有待清洗图片中确定参考图片和非参考图片,所述参考图片为第一场景下的图片,所述非参考图片为所有待清洗图片中除参考图片之外的图片;
针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
6.如权利要求5所述的图片清洗方法,其特征在于,计算参考图片与每一非参考图片之间的相似度包括:
对参考图片进行建模处理得到参考图片对应的数据模型;
对每一非参考图片进行建模处理得到非参考图片对应的数据模型;
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度。
7.如权利要求4所述的图片清洗方法,其特征在于,所述目标清洗模式为所述第二清洗模式;
所述按照目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
对获取的所有待清洗图片进行分类,以获取至少一目标类;每一目标类中,任意两个待清洗图片之间的相似度大于第二设定值;
将每一目标类中的待清洗图片确定为目标图片。
8.如权利要求1-7中任一项所述的图片清洗方法,其特征在于,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之前,还包括:
采用预清洗方式对获取的待清洗图片进行预清洗,所述预清洗方式包括:基于图片的分辨率和/或各像素的像素值进行预清洗;
按照所述目标清洗模式对待清洗图片进行清洗得到目标图片,包括:
按照所述目标清洗模式对预清洗之后的待清洗图片进行清洗得到目标图片。
9.一种图片清洗装置,其特征在于,应用于服务器,包括:
图片获取模块,用于从数据库获取待清洗图片;
第一图片清洗模块,用于确定待清洗图片对应的目标清洗模式,按照所述目标清洗模式对待清洗图片进行清洗得到目标图片。
10.如权利要求9所述的图片清洗装置,其特征在于,所述第一图片清洗模块之后,该装置还包括:
第二图片清洗模块,用于将目标图片发送给客户端,以使客户端依据外部输入的清洗指令继续对目标图片进行清洗;
清洗结果获取模块,用于获取经由客户端清洗后的目标图片。
11.如权利要求9所述的图片清洗方法,其特征在于,第一图片清洗模块确定待清洗图片对应的目标清洗模式时,具体用于:
依据外部输入的清洗指示确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的图片属性确定待清洗图片对应的目标清洗模式;
或者,
依据各待清洗图片的采集场景确定待清洗图片对应的目标清洗模式。
12.如权利要求9所述的图片清洗方法,其特征在于,所述数据库中存储了多个不同场景下采集的图片;
第一图片清洗模块确定待清洗图片对应的目标清洗模式时,具体用于:
在获取的所有待清洗图片中存在第一场景下的图片时,确定第一场景对应的第一清洗模式为所述目标清洗模式;第一场景为目标识别场景;
在获取的所有待清洗图片中不存在第一场景下的图片时,确定第二清洗模式为所述目标清洗模式;第二清洗模式为预设的非第一场景对应的清洗模式。
13.如权利要求12所述的图片清洗装置,其特征在于,所述目标清洗模式为所述第一清洗模式;
所述第一图片清洗模块按照目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
从获取的所有待清洗图片中确定参考图片和非参考图片,所述参考图片为第一场景下的图片,所述非参考图片为所有待清洗图片中除参考图片之外的图片;
针对每一参考图片,计算该参考图片与每一非参考图片之间的相似度,从各非参考图片中选择相似度大于第一设定值的非参考图片,将该参考图片和选择的非参考图片确定为目标图片。
14.如权利要求13所述的图片清洗装置,其特征在于,第一图片清洗模块计算参考图片与每一非参考图片之间的相似度时,具体用于:
对参考图片进行建模处理得到参考图片对应的数据模型;
对每一非参考图片进行建模处理得到非参考图片对应的数据模型;
依据参考图片对应的数据模型与每一非参考图片对应的数据模型计算参考图片与每一非参考图片之间的相似度。
15.如权利要求12所述的图片清洗装置,其特征在于,所述目标清洗模式为所述第二清洗模式;
所述第一图片清洗模块按照目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
对获取的所有待清洗图片进行分类,以获取至少一目标类;每一目标类中,任意两个待清洗图片之间的相似度大于第二设定值;
将每一目标类中的待清洗图片确定为目标图片。
16.如权利要求9-15中任一项所述的图片清洗方法,其特征在于,所述第一图片清洗模块按照所述目标清洗模式对待清洗图片进行清洗得到目标图片之前,还用于:
采用预清洗方式对获取的待清洗图片进行预清洗,所述预清洗方式包括:基于图片的分辨率和/或各像素的像素值进行预清洗;
所述第一图片清洗模块按照所述目标清洗模式对待清洗图片进行清洗得到目标图片时,具体用于:
按照所述目标清洗模式对预清洗之后的待清洗图片进行清洗得到目标图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542678.5A CN112115285A (zh) | 2019-06-21 | 2019-06-21 | 图片清洗方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542678.5A CN112115285A (zh) | 2019-06-21 | 2019-06-21 | 图片清洗方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112115285A true CN112115285A (zh) | 2020-12-22 |
Family
ID=73796241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542678.5A Pending CN112115285A (zh) | 2019-06-21 | 2019-06-21 | 图片清洗方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115285A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150117767A1 (en) * | 2013-10-31 | 2015-04-30 | International Business Machines Corporation | Method and apparatus of determining air quality |
CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
CN107153708A (zh) * | 2017-05-16 | 2017-09-12 | 珠海市魅族科技有限公司 | 一种图片查看方法及装置、计算机装置、计算机可读存储介质 |
CN108174093A (zh) * | 2017-12-28 | 2018-06-15 | 努比亚技术有限公司 | 拍摄瞬间图像的方法、设备及计算机可存储介质 |
CN108345657A (zh) * | 2018-01-30 | 2018-07-31 | 维沃移动通信有限公司 | 一种图片筛选方法及移动终端 |
CN108898587A (zh) * | 2018-06-19 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN108932343A (zh) * | 2018-07-24 | 2018-12-04 | 南京甄视智能科技有限公司 | 人脸图像数据库的数据集清洗方法与系统 |
CN108960209A (zh) * | 2018-08-09 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 身份识别方法、装置及计算机可读存储介质 |
CN109117857A (zh) * | 2018-08-28 | 2019-01-01 | 苏州芯德锐信息科技有限公司 | 一种生物属性的识别方法、装置及设备 |
CN109299271A (zh) * | 2018-10-30 | 2019-02-01 | 腾讯科技(深圳)有限公司 | 训练样本生成、文本数据、舆情事件分类方法及相关设备 |
WO2019047656A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN109740101A (zh) * | 2019-01-18 | 2019-05-10 | 杭州凡闻科技有限公司 | 数据配置方法、公众号文章清洗方法、装置及系统 |
CN109857706A (zh) * | 2019-01-16 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 基于数据更新的图片清理方法、装置及终端设备 |
-
2019
- 2019-06-21 CN CN201910542678.5A patent/CN112115285A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150117767A1 (en) * | 2013-10-31 | 2015-04-30 | International Business Machines Corporation | Method and apparatus of determining air quality |
CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
CN107153708A (zh) * | 2017-05-16 | 2017-09-12 | 珠海市魅族科技有限公司 | 一种图片查看方法及装置、计算机装置、计算机可读存储介质 |
WO2019047656A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN108174093A (zh) * | 2017-12-28 | 2018-06-15 | 努比亚技术有限公司 | 拍摄瞬间图像的方法、设备及计算机可存储介质 |
CN108345657A (zh) * | 2018-01-30 | 2018-07-31 | 维沃移动通信有限公司 | 一种图片筛选方法及移动终端 |
CN108898587A (zh) * | 2018-06-19 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN108932343A (zh) * | 2018-07-24 | 2018-12-04 | 南京甄视智能科技有限公司 | 人脸图像数据库的数据集清洗方法与系统 |
CN108960209A (zh) * | 2018-08-09 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 身份识别方法、装置及计算机可读存储介质 |
CN109117857A (zh) * | 2018-08-28 | 2019-01-01 | 苏州芯德锐信息科技有限公司 | 一种生物属性的识别方法、装置及设备 |
CN109299271A (zh) * | 2018-10-30 | 2019-02-01 | 腾讯科技(深圳)有限公司 | 训练样本生成、文本数据、舆情事件分类方法及相关设备 |
CN109857706A (zh) * | 2019-01-16 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 基于数据更新的图片清理方法、装置及终端设备 |
CN109740101A (zh) * | 2019-01-18 | 2019-05-10 | 杭州凡闻科技有限公司 | 数据配置方法、公众号文章清洗方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5075924B2 (ja) | 識別器学習画像生成プログラム、方法、及びシステム | |
CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
EP2742442B1 (en) | A method for detecting a copy of a reference video, corresponding apparatus for extracting a spatio-temporal signature from video data and corresponding computer readable storage medium | |
US11042991B2 (en) | Determining multiple camera positions from multiple videos | |
CN111401205A (zh) | 动作识别方法及装置、电子设备、计算机可读存储介质 | |
CN102025959A (zh) | 从低清晰度视频产生高清晰度视频的系统与方法 | |
CN110781911A (zh) | 一种图像匹配方法、装置、设备及存储介质 | |
JP2011133984A (ja) | 動作特徴抽出装置および動作特徴抽出方法 | |
CN110084885A (zh) | 一种点云和图像优化方法、装置、设备和存储介质 | |
Avraham et al. | Nerfels: renderable neural codes for improved camera pose estimation | |
Chen et al. | Focus manipulation detection via photometric histogram analysis | |
Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
CN112204957A (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
CN112446361A (zh) | 一种训练数据的清洗方法及设备 | |
CN112270748A (zh) | 基于图像的三维重建方法及装置 | |
CN112115285A (zh) | 图片清洗方法及装置 | |
CN112991419B (zh) | 视差数据生成方法、装置、计算机设备及存储介质 | |
CN111601108B (zh) | 监控视频处理方法、装置及视频监控终端 | |
JP2018049396A (ja) | 形状推定方法、形状推定装置および形状推定プログラム | |
CN114399532A (zh) | 一种相机位姿确定方法和装置 | |
CN112235556A (zh) | 一种vr场景构建方法、系统和装置 | |
CN112257666A (zh) | 目标图像内容的聚合方法、装置、设备及可读存储介质 | |
CN114429612A (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
Sanchez-Matilla et al. | Confidence intervals for tracking performance scores | |
Ayazoglu | Fast sparse subspace identification tools with applications to dynamic vision |
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 |