CN112148907A - 图像数据库的更新方法、装置、电子设备和介质 - Google Patents
图像数据库的更新方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112148907A CN112148907A CN202011152109.9A CN202011152109A CN112148907A CN 112148907 A CN112148907 A CN 112148907A CN 202011152109 A CN202011152109 A CN 202011152109A CN 112148907 A CN112148907 A CN 112148907A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- input image
- quality evaluation
- input
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种图像数据库的更新方法、装置、电子设备以及介质,涉及深度学习、计算机视觉等领域。图像数据库的更新方法包括:获取输入图像;确定输入图像和数据库中多个已存储图像彼此之间的相似度;基于相似度,从多个已存储图像中确定针对输入图像的目标图像;在输入图像与目标图像之间的相似度大于第一相似度阈值的情况下,确定输入图像通过识别验证;在输入图像与目标图像之间的相似度大于第二相似度阈值的情况下,确定输入图像的图像质量评价,其中,第二相似度阈值大于第一相似度阈值;以及在输入图像的图像质量评价高于目标图像的图像质量评价的情况下,将目标图像替换为输入图像以更新数据库。
Description
技术领域
本申请涉及计算机技术领域,具体地,涉及深度学习、计算机视觉等领域,更具体地,涉及一种图像数据库的更新方法、装置、电子设备和介质。
背景技术
图像识别技术应用广泛,在图像识别过程中,通常通过获取当前的输入图像,并将输入图像和图像数据库中的已存储图像进行相似度比较,如果相似度达到相似度阈值,则可以确定输入图像通过验证。以图像识别技术应用于支付场景为例,用户预先将人脸图像上传至图像数据库中,在之后执行支付操作时,获取用户当前的人脸图像,并将当前的人脸图像和图像数据库中的人脸图像进行相似度比较,如果相似度达到相似度阈值,则确定人脸识别通过验证,并允许用户进行支付。但是,当图像数据库中的已存储图像的图像质量不佳时,将导致图像的识别验证失败,从而降低了用户的使用体验。
发明内容
本申请提供了一种用于图像数据库的更新方法、装置、电子设备以及存储介质。
根据第一方面,本申请提供了一种图像数据库的更新方法,包括:获取输入图像,确定所述输入图像和数据库中多个已存储图像彼此之间的相似度,基于所述相似度,从所述多个已存储图像中确定针对所述输入图像的目标图像,在所述输入图像与所述目标图像之间的相似度大于第一相似度阈值的情况下,确定所述输入图像通过识别验证,在所述输入图像与所述目标图像之间的相似度大于第二相似度阈值的情况下,确定所述输入图像的图像质量评价,其中,所述第二相似度阈值大于第一相似度阈值,在所述输入图像的图像质量评价高于所述目标图像的图像质量评价的情况下,将所述目标图像替换为所述输入图像以更新所述数据库。
根据第二方面,本申请提供了一种图像数据库的更新装置,包括:获取模块、相似度确定模块、目标图像确定模块、识别确定模块、图像质量评价确定模块以及更新模块。其中,获取模块用于获取输入图像。相似度确定模块用于确定所述输入图像和数据库中多个已存储图像彼此之间的相似度。目标图像确定模块用于基于所述相似度,从所述多个已存储图像中确定针对所述输入图像的目标图像。识别确定模块在所述输入图像与所述目标图像之间的相似度大于第一相似度阈值的情况下,用于确定所述输入图像通过识别验证。图像质量评价确定模块用于在所述输入图像与所述目标图像之间的相似度大于第二相似度阈值的情况下,确定所述输入图像的图像质量评价,其中,所述第二相似度阈值大于第一相似度阈值。更新模块用于在所述输入图像的图像质量评价高于所述目标图像的图像质量评价的情况下,将所述目标图像替换为所述输入图像以更新所述数据库。
根据第三方面,本申请提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据第四方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1示意性示出了根据本申请实施例的图像数据库更新的应用场景;
图2示意性示出了根据本申请一实施例的图像数据库的更新方法的流程图;
图3示意性示出了根据本申请另一实施例的图像数据库的更新方法的流程图;
图4示意性示出了根据本申请实施例的图像数据库的更新的示意图;
图5示意性示出了根据本申请另一实施例的图像数据库的更新方法的流程图;
图6示意性示出了根据本申请另一实施例的图像数据库的更新方法的流程图;
图7示意性示出了根据本申请实施例的训练质量评价模型的流程图;
图8示意性示出了根据本申请一实施例的训练质量评价模型的示意图;
图9示意性示出了根据本申请另一实施例的训练质量评价模型的示意图;
图10示意性示出了根据本申请实施例的图像数据库的更新装置的框图;以及
图11是用来实现本申请实施例的图像数据库的更新方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本申请。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本申请的实施例提供了一种图像数据库的更新方法,包括:获取输入图像,确定输入图像和数据库中多个已存储图像彼此之间的相似度。然后,基于相似度,从多个已存储图像中确定针对输入图像的目标图像,在输入图像与目标图像之间的相似度大于第一相似度阈值的情况下,确定输入图像通过识别验证。接下来,在输入图像与目标图像之间的相似度大于第二相似度阈值的情况下,确定输入图像的图像质量评价,其中,第二相似度阈值大于第一相似度阈值,在输入图像的图像质量评价高于目标图像的图像质量评价的情况下,将目标图像替换为输入图像以更新数据库。
图1示意性示出了根据本申请实施例的图像数据库更新的应用场景。
如图1所示,本申请实施例的应用场景100例如包括用户110、采集装置120和图像数据库130。
在本申请实施例中,可以通过采集装置120采集用户110的输入图像111,用户的输入图像111可以是用户的人脸图像。在采集装置120采集到用户的输入图像111之后,可以针对输入图像111进行图像识别。
图像识别的过程的可以由电子设备来执行。电子设备可以是电脑、手机、服务器等等。采集装置120可以安装于电子设备中,由电子设备通过采集装置120采集用户的输入图像111并对输入图像111进行图像识别处理。或者采集装置120可以是独立于电子设备的外接装置,该采集装置120和电子设备数据连接,采集装置120可以将所采集的输入图像111发送给电子设备,便于电子设备对接收到的输入图像111进行图像识别处理。
在图像识别过程中,可以将输入图像111和图像数据库130中的已存储图像进行相似度比较,已存储图像例如可以包括多个图像131、132、133等等。图像数据库130中的已存储图像可以是预先注册的图像,该预先注册的图像可以包括多个用户的人脸图像。当输入图像111和图像数据库130中的至少一个已存储图像之间的相似度达到相似度阈值时,可以确定输入图像111通过识别验证,并允许用户110执行相关操作。例如,以支付场景为例,当用户的输入图像111通过识别验证时,可以允许用户110执行支付操作。
本申请实施例提供了一种图像数据库的更新方法,下面结合图1的应用场景,参考图2~图9来描述根据本申请示例性实施方式的图像数据库的更新方法。
图2示意性示出了根据本申请一实施例的图像数据库的更新方法的流程图。
如图2所示,本申请实施例的图像数据库的更新方法200例如可以包括操作S201~操作S206。
在操作S201,获取输入图像。
在操作S202,确定输入图像和数据库中多个已存储图像彼此之间的相似度。
在操作S203,基于相似度,从多个已存储图像中确定针对输入图像的目标图像。
在本申请实施例中,输入图像可以是当前采集的用户的图像,所确定出的针对输入图像的目标图像可以是多个已存储图像中的一个图像。例如,当多个已存储图像包括多个用户的图像时,所确定出的目标图像和输入图像可以是属于同一个用户的图像。
在操作S204,在输入图像与目标图像之间的相似度大于第一相似度阈值的情况下,确定输入图像通过识别验证。
根据本申请的实施例,确定出目标图像之后,可以比较输入图像和目标图像之间的相似度,并判断输入图像和目标图像之间的相似度是否大于第一相似度阈值,第一相似度阈值可以是预先设置的阈值,例如第一相似度阈值可以是80%、85%等等。在输入图像和目标图像之间的相似度大于第一相似度阈值的情况下,可以确定输入图像通过识别验证。以支付场景为例,当输入图像通过识别验证时,可以允许用户执行支付操作。本领域技术人员可以理解,可以使用多种方法来确定输入图像与目标图像之间的相似度。此外,本领域技术人员可以理解,在计算输入图像与目标图像之间的相似度之前,可以对输入图像进行例如归一化的预处理,本申请实施例不对此进行限制。
在操作S205,在输入图像与目标图像之间的相似度大于第二相似度阈值的情况下,确定输入图像的图像质量评价,第二相似度阈值大于第一相似度阈值。
在操作S206,在输入图像的图像质量评价高于目标图像的图像质量评价的情况下,将目标图像替换为输入图像以更新数据库。
在本申请实施例中,在输入图像和目标图像之间的相似度大于第一相似度阈值的情况下,可以进一步确定输入图像和目标图像之间的相似度是否大于第二相似度阈值,第二相似度阈值可以是预先设置的阈值,第二相似度阈值例如大于第一相似度阈值,例如第二相似度阈值可以是90%、95%等等。
在输入图像和目标图像之间的相似度大于第二相似度阈值的情况下,可以进一步确定输入图像的图像质量评价,并将输入图像的图像质量评价和目标图像的图像质量评价进行比较。如果输入图像的图像质量评价高于目标图像的图像质量评价,则可以将目标图像替换为输入图像,例如删除数据库中的目标图像,并将输入图像存储至数据库中。
在本申请的实施例中,图像质量评价例如表征了图像的质量。图像质量与图像的分辨率、模糊度等因素相关。图像质量评价可以以评价得分来表示,评价得分越高,图像质量评价也越高,即图像质量越高。例如,当图像分辨率越高、模糊度越低时,图像质量评价越高。当图像分辨率越低、模糊度越高时,图像质量评价越低。
在本申请实施例中,通过对比输入图像和目标图像之间的相似度,在相似度大于第一相似度阈值时确定输入图像通过识别验证,在相似度大于第二相似度阈值时,可以根据输入图像的图像质量评价和目标图像的图像质量评价来确定是否更新数据库。在输入图像的图像质量评价大于目标图像的图像质量评价时,可以利用输入图像替换目标图像存储至数据库中,实现实时更新数据库,提高数据库中图像的图像质量,从而提高图像识别验证的识别准确率。
图3示意性示出了根据本申请另一实施例的图像数据库的更新方法的流程图。
如图3所示,本申请实施例的图像数据库的更新方法300例如可以包括操作S301~操作S311。
在操作S301,获取输入图像。
在操作S302,确定输入图像和数据库中多个已存储图像彼此之间的相似度。
在操作S303,基于相似度,从多个已存储图像中确定针对输入图像的目标图像。
在操作S304,在输入图像与目标图像之间的相似度大于第一相似度阈值的情况下,确定输入图像通过识别验证。
在操作S305,在输入图像与目标图像之间的相似度大于第二相似度阈值的情况下,确定输入图像的图像质量评价,第二相似度阈值大于第一相似度阈值。
在操作S306,在输入图像的图像质量评价高于目标图像的图像质量评价的情况下,将目标图像替换为输入图像以更新数据库。
在执行操作S303之后,可以执行操作S307。
在操作S307,判断输入图像与目标图像之间的相似度是否大于第一相似度阈值。如果是,则执行操作S304;如果否则执行操作S308。
在操作S308,识别验证失败。
在执行操作S304之后,可以执行操作S309。
在操作S309,判断输入图像与目标图像之间的相似度是否大于第二相似度阈值。如果是,则执行操作S305;如果否则执行操作S310。
在操作S310,不更新数据库。
在执行操作S305之后,可以执行操作S311。
在操作S311,判断输入图像的图像质量评价是否高于目标图像的图像质量评价。如果是,则执行操作S306;如果否则执行操作S310。
在本申请的实施例中,将第二相似度阈值和第一相似度阈值之间的差值设置为小于预设差值,以此保证第二相似度阈值不至于过高。其中,第二相似度阈值和第一相似度阈值之间的差值小于预设差值,例如10%,可以避免在利用输入图像替换目标图像时,由于输入图像和目标图像之间的相似度过大而导致替换后得到的更新后数据库和更新前数据库之间的变化程度较小,使得数据库的更新效果不佳。即,如果输入图像和目标图像之间的相似度过大将导致利用输入图像替换目标图像来更新数据库难以实质上提高数据库中存储图像的图像质量。因此,本申请的实施例通过设置第二相似度阈值和第一相似度阈值之间的差值小于预设差值,来提高数据库的更新效果。
图4示意性示出了根据本申请实施例的图像数据库的更新的示意图。
如图4所示,以输入图像411、数据库420具有3个已存储图像421、422、423为例进行描述。
将输入图像411和每个已存储图像进行比较,得到输入图像和多个已存储图像421、422、423彼此之间的相似度。将相似度最大的已存储图像作为目标图像,例如由于输入图像411与已存储图像421之间的相似度最高,则确定已存储图像421为目标图像。当输入图像411和已存储图像421之间的相似度大于第一相似度阈值例如85%时,确定输入图像411通过识别验证。然后,确定输入图像411和已存储图像421之间的相似度是否大于第二相似度阈值例如90%。如果输入图像411和已存储图像421的相似度大于第二相似度阈值,则利用输入图像411替换已存储图像421,例如,将已存储图像421从数据库420中删除,并将输入图像411存储至数据库420。
图5示意性示出了根据本申请另一实施例的图像数据库的更新方法的流程图。
如图5所示,本申请实施例的图像数据库的更新方法500例如可以包括操作S501~操作S512。
在操作S501,获取输入图像。
在操作S502,确定输入图像和数据库中多个已存储图像彼此之间的相似度。例如利用图像识别模型处理输入图像和多个已存储图像,以确定输入图像和多个已存储图像彼此之间的相似度。
在本申请实施例中,可以利用图像识别模型处理输入图像和多个已存储图像,得到输入图像的图像特征和每个已存储图像的图像特征,然后基于输入图像的图像特征和每个已存储图像的图像特征,确定输入图像和每个已存储图像之间的相似度。图像特征可以表示为图像的特征向量,通过计算输入图像的特征向量和已存储图像的特征向量之间的距离来确定相似度,距离越小表示相似度越高,距离越大表示相似度越低。本领域技术人员可以理解,特征向量之间的距离包括但不仅限于欧式距离、夹角余弦距离、曼哈顿距离,本申请实施例不对此进行限制。
在本申请的实施例中,图像识别模型可以包括但不仅限于卷积神经网络模型。
在操作S503,基于相似度从多个已存储图像中确定针对输入图像的目标图像。例如,确定多个已存储图像中与输入图像之间的相似度最大的已存储图像作为目标图像。
在操作S504,在输入图像与目标图像之间的相似度大于第一相似度阈值的情况下,确定输入图像通过识别验证。
在操作S505,在输入图像与目标图像之间的相似度大于第二相似度阈值的情况下,利用经训练的质量评价模型来确定输入图像的图像质量评价,第二相似度阈值大于第一相似度阈值。
在本申请的实施例中,可以利用经训练的质量评价模型对输入图像进行质量评价,以得到输入图像的图像质量评价。其中,质量评价模型可以包括但不仅限于卷积神经网络模型,通过将输入图像输入至卷积神经网络模型中进行处理以得到输入图像的图像质量评价。利用经训练的质量评价模型对输入图像进行质量评价可以提高质量评价的准确性。
在操作S506,在输入图像的图像质量评价高于目标图像的图像质量评价的情况下,将目标图像替换为输入图像以更新数据库。
在执行操作S503之后,可以执行操作S507。
在操作S507,判断输入图像与目标图像之间的相似度是否大于第一相似度阈值。如果是,则执行操作S504;如果否则执行操作S508。
在操作S508,识别验证失败。
在执行操作S504之后,可以执行操作S509。
在操作S509,判断输入图像与目标图像之间的相似度是否大于第二相似度阈值。如果是,则执行操作S505;如果否则执行操作S510。
在操作S510,不更新数据库。
在执行操作S505之后,可以执行操作S511。
在操作S511,判断输入图像的图像质量评价是否高于目标图像的图像质量评价。如果是,则执行操作S506;如果否则执行操作S510。
根据本申请实施例,在执行操作S501之前,可以执行操作S512。
在操作S512,基于质量评价模型来对多个已存储图像中的每个已存储图像进行质量评价,以得到每个已存储图像的图像质量评价。
在一种示例中,本申请的实施例可以预先对数据库中的已存储图像提前进行图像质量评价,并将针对每个已存储图像的图像质量评价和已存储图像关联存储至数据库中,便于后续确定目标图像后,可以基于输入图像的图像质量评价和预先确定的目标图像的图像质量评价进行对比,以此提高图像质量评价的对比效率。
在另一种示例中,本申请的实施例可以在对输入图像的图像质量评价和目标图像的图像质量评价进行对比时,实时利用质量评价模型对输入图像和目标图像进行处理得到输入图像的图像质量评价和目标图像的图像质量评价,以针对性地对需要进行对比的输入图像和目标图像进行质量评价。
图6示意性示出了根据本申请另一实施例的图像数据库的更新方法的流程图。
如图6所示,本申请实施例的图像数据库的更新方法600例如可以包括操作S610~操作S6110。
在操作S610,数据库图像注册。
在操作S620,图像注册后得到多个已存储图像。
在操作S630,获取输入图像。
在操作S640,判断输入图像和多个已存储图像中的目标图像之间的相似度是否大于第一相似度阈值。如果是则执行操作S650,如果否则执行操作S670。
在操作S650,判断输入图像和多个已存储图像中的目标图像之间的相似度是否大于第二相似度阈值。如果是则执行操作S660,如果否则执行操作S670。
在操作S660,将已存储图像和输入图像输入至质量评价模型中进行质量评价。
在操作S670,不更新数据库。
在操作S680,通过质量评价模型对每个已存储图像进行质量评价,得到每个已存储图像的图像质量评价。
在操作S690,通过质量评价模型对输入图像进行质量评价,得到输入图像的图像质量评价。
在操作S6100,判断输入图像的图像质量评价是否高于目标图像的图像质量评价。如果是则执行操作S6110,如果否则执行操作S670。
在操作S6110,更新数据库,即利用输入图像替换目标图像。
图7示意性示出了根据本申请实施例的训练质量评价模型的流程图。
如图7所示,本申请实施例的训练质量评价模型例如可以包括操作S720~操作S760。
在操作S720,利用图像识别模型处理多个样本图像,以得到多个样本图像中的基准图像和除基准图像之外的其他样本图像彼此之间的相似度。
在操作S740,以基准图像的图像质量作为参考,基于其他样本图像与基准图像之间的相似度得到其他样本图像中每个样本图像的图像质量评价。
在操作S760,基于多个样本图像和多个样本图像中每个样本图像的图像质量评价,训练质量评价模型。
在本申请的实施例中,可以从多个样本图像中指定出图像质量最高的样本图像作为基准图像。然后利用图像识别模型处理基准图像和其他样本图像,得到基准图像和其他样本图像之间的相似度。接下来,以基准图像的图像质量为参考,基于其他样本图像和基准图像之间的相似度来确定每个其他样本图像的图像质量评价。当其他样本图像和基准图像之间的相似度越高时,表示该样本图像的图像质量评价越高,即该样本图像的图像质量评价越接近基准图像的图像质量评价。
在得到每个样本图像的图像质量评价之后,可以将每个样本图像的图像质量评价作为该样本图像的标签信息,并基于具有标签信息的样本图像来对质量评价模型进行训练,使得质量评价模型处理样本图像所输出的图像质量评价更接近该样本图像的标签信息所指示的图像质量评价。
在本申请的实施例中,利用图像识别模型来对样本图像进行处理得到样本图像的图像质量评价,提高了样本图像的图像质量评价的准确性。基于样本图像和其对应的图像质量评价来训练质量评价模型,提高了质量评价模型的评价准确性,使得基于训练后的质量评价模型来对输入图像和数据库中已存储图像进行质量评价得到的图像质量评价更加准确。
根据本申请的实施例,在图像识别模型优化更新之后,可以基于更新后的图像识别模型重新处理样本图像得到更新后的样本图像的图像质量评价。然后,基于样本图像和其更新后的图像质量评价来重新训练质量评估模型,便于后续基于更新的质量评估模型重新对输入图像和多个已存储图像进行质量评价,从而优化质量评价的过程,以提高数据库的更新效果。
图8示意性示出了根据本申请一实施例的训练质量评价模型的示意图。
如图8所示,本申请的实施例包括多个样本图像811、812、813、814,以及包括图像识别模型820、质量评价模型830。
例如,从多个样本图像811、812、813、814中指定一个样本图像作为基准图像,例如指定样本图像811作为基准图像,并指定该基准图像的图像质量评价,例如指定基准图像的图像质量评价为100分。将多个样本图像811、812、813、814输入至图像识别模型820中进行处理,得到样本图像812、813、814和样本图像811之间的相似度。例如,样本图像812和样本图像811之间的相似度为95%、样本图像813和样本图像811之间的相似度为90%、样本图像814和样本图像811之间的相似度为85%。
在得到样本图像812、813、814和样本图像811彼此之间的相似度之后,以样本图像811的图像质量评分作为参考,得到样本图像812、813、814各自的图像质量评价。与样本图像811之间的相似度越大的样本图像,其样本图像的图像质量评价越高,即越接近样本图像811的图像质量评价。例如,样本图像812的图像质量评价可以为95分、样本图像813的图像质量评价可以为90分、样本图像814的图像质量评价可以为85分。在一种示例中,其他样本图像的图像质量评价的评价得分例如可以为该样本图像和基准图像之间的相似度乘以基准图像的图像质量评价的评价得分。以样本图像812为例,该样本图像812的图像质量评价的评价得分例如为95%*100分=95分。
在得到多个样本图像811、812、813、814的图像质量评价之后,可以将多个样本图像811、812、813、814和其各自对应的图像质量评价输入至质量评价模型830以对质量评价模型830进行训练。
图9示意性示出了根据本申请另一实施例的训练质量评价模型的示意图。
如图9所示,本申请实施例的多个样本图像例如包括多组样本图像910A、910B、910C,以及包括图像识别模型920、质量评价模型930。其中,多组样本图像910A、910B、910C中的每一组样本图像针对一个用户。例如,第一组图像910A包括用户1的多个样本图像911A、912A、913A、914A,第二组图像910B包括用户2的多个样本图像911B、912B、913B、914B,第三组图像910C包括用户3的多个样本图像911C、912C、913C、914C。
针对多组样本图像中的每一组样本图像,该每一组样本图像均包括基准图像和除基准图像之外的其他样本图像。
以第一组样本图像910A为例,从多个样本图像911A、912A、913A、914A中指定一个样本图像作为基准图像,例如指定样本图像911A作为基准图像,并指定该基准图像的图像质量评价,例如基准图像的图像质量评价为100分。将多个样本图像911A、912A、913A、914A输入至图像识别模型920中进行处理,得到样本图像912A、913A、914A和样本图像911A彼此之间的相似度。例如,样本图像912A和样本图像911A之间的相似度为95%、样本图像913A和样本图像911A之间的相似度为90%、样本图像914A和样本图像911A之间的相似度为85%。
在得到样本图像912A、913A、914A和样本图像911A彼此之间的相似度之后,以样本图像911A的图像质量评分作为参考,得到样本图像912A、913A、914A各自的图像质量评价。与样本图像911A之间的相似度越大的样本图像,其样本图像的图像质量评价越高,即越接近样本图像911A的图像质量评价。例如,样本图像912A的图像质量评价可以为95分、样本图像913A的图像质量评价可以为90分、样本图像914A的图像质量评价可以为85分。在一种示例中,其他样本图像的图像质量评价的评价得分例如可以为该样本图像和基准图像之间的相似度乘以基准图像的图像质量评价的评价得分。以样本图像912A为例,该样本图像912A的图像质量评价的评价得分例如为95%*100分=95分。
与第一组样本图像910A相同或类似,可以得到每一组样本图像中每个样本图像的图像质量评价,图9中作为示例标出了第一组样本图像910A中每个样本图像的图像质量评价。在得到多组样本图像的每个样本图像的图像质量评价之后,可以将每个样本图像和其对应的图像质量评价输入至质量评价模型930以对质量评价模型930进行训练。利用多组样本数据来对质量评价模型进行训练,从而提高了质量评价模型的评价准确度。
本申请实施例的图像数据库的更新方法可以应用于人脸识别领域。例如输入图像包括人脸图像,多个已存储图像包括多个预先存储的人脸图像,对输入图像进行识别验证包括对人脸图像进行人脸识别验证。
图10示意性示出了根据本申请实施例的图像数据库的更新装置的框图。
如图10所示,本申请实施例的图像数据库的更新装置1000例如包括获取模块1001、相似度确定模块1002、目标图像确定模块1003、识别确定模块1004、图像质量评价确定模块1005以及更新模块1006。
获取模块1001可以用于获取输入图像。根据本申请实施例,获取模块1001例如可以执行上文参考图2描述的操作S201,在此不再赘述。
相似度确定模块1002可以用于确定输入图像和数据库中多个已存储图像彼此之间的相似度。根据本申请实施例,相似度确定模块1002例如可以执行上文参考图2描述的操作S202,在此不再赘述。
目标图像确定模块1003可以用于基于相似度,从多个已存储图像中确定针对输入图像的目标图像。根据本申请实施例,目标图像确定模块1003例如可以执行上文参考图2描述的操作S203,在此不再赘述。
识别确定模块1004可以在输入图像与目标图像之间的相似度大于第一相似度阈值的情况下,用于确定输入图像通过识别验证。根据本申请实施例,识别确定模块1004例如可以执行上文参考图2描述的操作S204,在此不再赘述。
图像质量评价确定模块1005可以用于在输入图像与目标图像之间的相似度大于第二相似度阈值的情况下,确定输入图像的图像质量评价,其中,第二相似度阈值大于第一相似度阈值。根据本申请实施例,图像质量评价确定模块1005例如可以执行上文参考图2描述的操作S205,在此不再赘述。
更新模块1006可以用于在输入图像的图像质量评价高于目标图像的图像质量评价的情况下,将目标图像替换为输入图像以更新数据库。根据本申请实施例,更新模块1006例如可以执行上文参考图2描述的操作S206,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图11是用来实现本申请实施例的图像数据库的更新方法的电子设备的框图。
如图11所示,是根据本申请实施例的图像数据库的更新方法的电子设备1100的框图。电子设备1100旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备1100包括:一个或多个处理器1110、存储器1120,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备1100内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备1100,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1110为例。
存储器1120即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的图像数据库的更新方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图像数据库的更新方法。
存储器1120作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图像数据库的更新方法对应的程序指令/模块(例如,附图10所示的获取模块1001、相似度确定模块1002、目标图像确定模块1003、识别确定模块1004、图像质量评价确定模块1005以及更新模块1006)。处理器1110通过运行存储在存储器1120中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像数据库的更新方法。
存储器1120可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据图像数据库的更新的电子设备1100的使用所创建的数据等。此外,存储器1120可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1120可选包括相对于处理器1110远程设置的存储器,这些远程存储器可以通过网络连接至图像数据库的更新的电子设备1100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于图像数据库的更新的方法的电子设备1100还可以包括:输入装置1130和输出装置1140。处理器1110、存储器1120、输入装置1130和输出装置1140可以通过总线或者其他方式连接,图11中以通过总线连接为例。
输入装置1130可接收输入的数字或字符信息,以及产生与图像数据库的更新的电子设备1100的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1140可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种图像数据库的更新方法,包括:
获取输入图像;
确定所述输入图像和数据库中多个已存储图像彼此之间的相似度;
基于所述相似度,从所述多个已存储图像中确定针对所述输入图像的目标图像;
在所述输入图像与所述目标图像之间的相似度大于第一相似度阈值的情况下,确定所述输入图像通过识别验证;
在所述输入图像与所述目标图像之间的相似度大于第二相似度阈值的情况下,确定所述输入图像的图像质量评价,其中,所述第二相似度阈值大于第一相似度阈值;以及
在所述输入图像的图像质量评价高于所述目标图像的图像质量评价的情况下,将所述目标图像替换为所述输入图像以更新所述数据库。
2.根据权利要求1所述的方法,其中,所述确定所述输入图像和数据库中多个已存储图像彼此之间的相似度包括:
利用图像识别模型处理所述输入图像和所述多个已存储图像,得到所述输入图像的图像特征和每个已存储图像的图像特征;以及
基于所述输入图像的图像特征和每个已存储图像的图像特征,确定所述输入图像和每个已存储图像之间的相似度。
3.根据权利要求1或2所述的方法,其中,所述确定所述输入图像的图像质量评价包括:
利用经训练的质量评价模型对所述输入图像进行质量评价,以得到所述输入图像的图像质量评价。
4.根据权利要求3所述的方法,其中,所述质量评价模型是通过以下操作训练的:
利用图像识别模型处理多个样本图像,以得到多个样本图像中的基准图像和除基准图像之外的其他样本图像彼此之间的相似度;
以基准图像的图像质量作为参考,基于其他样本图像与基准图像之间的相似度得到其他样本图像中每个样本图像的图像质量评价;以及
基于所述多个样本图像和所述多个样本图像中每个样本图像的图像质量评价,训练所述质量评价模型。
5.根据权利要求4所述的方法,其中,所述多个样本图像包括多组样本图像,每一组样本图像针对一个用户;
其中,所述基准图像和所述除基准图像之外的其他样本图像属于多组样本图像中的同一组样本图像。
6.根据权利要求3所述的方法,还包括:
基于所述质量评价模型来对所述多个已存储图像中的每个已存储图像进行质量评价,以得到每个已存储图像的图像质量评价。
7.根据权利要求1所述的方法,其中,所述基于所述相似度,从所述多个已存储图像中确定针对所述输入图像的目标图像包括:
确定所述多个已存储图像中与所述输入图像之间的相似度最大的已存储图像作为所述目标图像。
8.根据权利要求1所述的方法,其中,所述第二相似度阈值和所述第一相似度阈值之间的差值小于预设差值。
9.根据权利要求1所述的方法,其中,所述输入图像包括人脸图像;所述多个已存储图像包括多个预先存储的人脸图像;以及对输入图像进行识别验证包括对人脸图像进行人脸识别验证。
10.一种图像数据库的更新装置,包括:
获取模块,用于获取输入图像;
相似度确定模块,用于确定所述输入图像和数据库中多个已存储图像彼此之间的相似度;
目标图像确定模块,用于基于所述相似度,从所述多个已存储图像中确定针对所述输入图像的目标图像;
识别确定模块,在所述输入图像与所述目标图像之间的相似度大于第一相似度阈值的情况下,用于确定所述输入图像通过识别验证;
图像质量评价确定模块,用于在所述输入图像与所述目标图像之间的相似度大于第二相似度阈值的情况下,确定所述输入图像的图像质量评价,其中,所述第二相似度阈值大于第一相似度阈值;以及
更新模块,用于在所述输入图像的图像质量评价高于所述目标图像的图像质量评价的情况下,将所述目标图像替换为所述输入图像以更新所述数据库。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011152109.9A CN112148907A (zh) | 2020-10-23 | 2020-10-23 | 图像数据库的更新方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011152109.9A CN112148907A (zh) | 2020-10-23 | 2020-10-23 | 图像数据库的更新方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112148907A true CN112148907A (zh) | 2020-12-29 |
Family
ID=73954936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011152109.9A Pending CN112148907A (zh) | 2020-10-23 | 2020-10-23 | 图像数据库的更新方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148907A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699803A (zh) * | 2020-12-31 | 2021-04-23 | 竹间智能科技(上海)有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
CN113178248A (zh) * | 2021-04-28 | 2021-07-27 | 联仁健康医疗大数据科技股份有限公司 | 医学图像数据库建立方法、装置、设备及存储介质 |
CN114037814A (zh) * | 2021-11-11 | 2022-02-11 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN115292339A (zh) * | 2022-08-31 | 2022-11-04 | 北京百度网讯科技有限公司 | 数据库更新方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017100706A1 (en) * | 2015-12-09 | 2017-06-15 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
WO2018033038A1 (zh) * | 2016-08-15 | 2018-02-22 | 歌尔股份有限公司 | 一种智能机器人的用户注册方法和装置 |
WO2019037346A1 (zh) * | 2017-08-25 | 2019-02-28 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN110458154A (zh) * | 2019-09-12 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置和计算机可读存储介质 |
CN110533288A (zh) * | 2019-07-23 | 2019-12-03 | 平安科技(深圳)有限公司 | 业务办理流程检测方法、装置、计算机设备和存储介质 |
CN110799972A (zh) * | 2017-07-21 | 2020-02-14 | 北京市商汤科技开发有限公司 | 人脸图像动态入库方法和装置、电子设备、介质、程序 |
CN111079557A (zh) * | 2019-11-25 | 2020-04-28 | 山大地纬软件股份有限公司 | 基于人脸识别的电力营业厅客服终端自动分配方法及系统 |
WO2020088102A1 (zh) * | 2018-11-02 | 2020-05-07 | 京东方科技集团股份有限公司 | 情绪干预方法、装置和系统,以及计算机可读存储介质和疗愈小屋 |
CN111626371A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
CN111782835A (zh) * | 2020-06-30 | 2020-10-16 | 公安部第三研究所 | 一种面向人脸识别设备检测的人脸测试数据库管理系统及方法 |
WO2020211387A1 (zh) * | 2019-04-18 | 2020-10-22 | 深圳壹账通智能科技有限公司 | 电子合同显示方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-10-23 CN CN202011152109.9A patent/CN112148907A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017100706A1 (en) * | 2015-12-09 | 2017-06-15 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
WO2018033038A1 (zh) * | 2016-08-15 | 2018-02-22 | 歌尔股份有限公司 | 一种智能机器人的用户注册方法和装置 |
CN110799972A (zh) * | 2017-07-21 | 2020-02-14 | 北京市商汤科技开发有限公司 | 人脸图像动态入库方法和装置、电子设备、介质、程序 |
WO2019037346A1 (zh) * | 2017-08-25 | 2019-02-28 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
WO2020088102A1 (zh) * | 2018-11-02 | 2020-05-07 | 京东方科技集团股份有限公司 | 情绪干预方法、装置和系统,以及计算机可读存储介质和疗愈小屋 |
WO2020211387A1 (zh) * | 2019-04-18 | 2020-10-22 | 深圳壹账通智能科技有限公司 | 电子合同显示方法、装置、电子设备及计算机存储介质 |
CN110533288A (zh) * | 2019-07-23 | 2019-12-03 | 平安科技(深圳)有限公司 | 业务办理流程检测方法、装置、计算机设备和存储介质 |
CN110458154A (zh) * | 2019-09-12 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置和计算机可读存储介质 |
CN111079557A (zh) * | 2019-11-25 | 2020-04-28 | 山大地纬软件股份有限公司 | 基于人脸识别的电力营业厅客服终端自动分配方法及系统 |
CN111626371A (zh) * | 2020-05-29 | 2020-09-04 | 歌尔科技有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
CN111782835A (zh) * | 2020-06-30 | 2020-10-16 | 公安部第三研究所 | 一种面向人脸识别设备检测的人脸测试数据库管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
李澎林;邹嘉程;李伟;: "基于HOG和特征描述子的人脸检测与跟踪", 浙江工业大学学报, no. 02 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699803A (zh) * | 2020-12-31 | 2021-04-23 | 竹间智能科技(上海)有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
CN112699803B (zh) * | 2020-12-31 | 2024-01-16 | 竹间智能科技(上海)有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
CN113178248A (zh) * | 2021-04-28 | 2021-07-27 | 联仁健康医疗大数据科技股份有限公司 | 医学图像数据库建立方法、装置、设备及存储介质 |
CN114037814A (zh) * | 2021-11-11 | 2022-02-11 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN114037814B (zh) * | 2021-11-11 | 2022-12-23 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN115292339A (zh) * | 2022-08-31 | 2022-11-04 | 北京百度网讯科技有限公司 | 数据库更新方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148907A (zh) | 图像数据库的更新方法、装置、电子设备和介质 | |
US9087273B2 (en) | Facial recognition using social networking information | |
CN111539514A (zh) | 用于生成神经网络的结构的方法和装置 | |
CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
CN112148908A (zh) | 图像数据库的更新方法、装置、电子设备和介质 | |
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
US11453403B2 (en) | Abnormal driving behavior determination method, device, vehicle and medium | |
CN112241764A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN110705460A (zh) | 图像类别识别方法及装置 | |
CN110717933B (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
CN111860362A (zh) | 生成人脸图像校正模型及校正人脸图像的方法和装置 | |
CN113537374B (zh) | 一种对抗样本生成方法 | |
US11823494B2 (en) | Human behavior recognition method, device, and storage medium | |
CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
CN111726682A (zh) | 视频片段生成方法、装置、设备和计算机存储介质 | |
CN111626263B (zh) | 一种视频感兴趣区域检测方法、装置、设备及介质 | |
EP4080470A2 (en) | Method and apparatus for detecting living face | |
CN112487973B (zh) | 用户图像识别模型的更新方法和装置 | |
CN112382291B (zh) | 语音交互的处理方法、装置、电子设备及存储介质 | |
CN112561053A (zh) | 图像处理方法、预训练模型的训练方法、装置和电子设备 | |
CN112016523A (zh) | 跨模态人脸识别的方法、装置、设备和存储介质 | |
CN110889392A (zh) | 人脸图像处理的方法及装置 | |
CN111523467A (zh) | 人脸跟踪方法和装置 | |
CN113657398B (zh) | 图像识别方法和装置 | |
CN113989562A (zh) | 模型训练、图像分类方法和装置 |
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 |