CN112508021A - 一种基于人工智能图像识别的特征提取方法及装置 - Google Patents
一种基于人工智能图像识别的特征提取方法及装置 Download PDFInfo
- Publication number
- CN112508021A CN112508021A CN202011543248.4A CN202011543248A CN112508021A CN 112508021 A CN112508021 A CN 112508021A CN 202011543248 A CN202011543248 A CN 202011543248A CN 112508021 A CN112508021 A CN 112508021A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- feature extraction
- artificial intelligence
- recognition
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,具体涉及一种基于人工智能图像识别的特征提取方法及装置,该提取方法包括如下步骤:S1、基于神经网络模型实现图像特征区的识别、挖取;S2、基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;S3、基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。本发明通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于人工智能图像识别的特征提取方法及装置。
背景技术
图像识别是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。目前,传统的图像识别方法,通常需要人为借助各种软件对图片分别进行不同的处理,然后实现其特征的提取,再通过人为选择对应的人工智能模型进行识别,需要花费大量的工作,使得图像识别的主观性较强,并且人力成本较高,同时还伴随着精度不高的问题。
发明内容
本发明的目的在于提供一种基于人工智能图像识别的特征提取方法及装置,可以实现图像特征的自动化、精准提取。
为实现上述目的,本发明采取的技术方案为:
一种基于人工智能图像识别的特征提取方法,包括如下步骤:
S1、基于神经网络模型实现图像特征区的识别、挖取;
S2、基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;
S3、基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。
进一步地,所述神经网络模型采用DSSD Inception V3模型。
进一步地,还包括:
基于图像特征区的识别结果,调用对应的遮挡剔除算法实现图像特征区遮挡信息的清除操作的步骤。
进一步地,所述步骤S1中,神经网络模型用于实现图像特征区所在位置的圈定,并实现图像特征区属性的识别和图像特征区的挖取操作。
进一步地,不同的图像特征区属性配置不同的自适应背景减除算法、特征提取模型和遮挡剔除算法。
进一步地,所述步骤S3中,当特征参数与所在位置存在关系时,需先采用特征参数所在坐标(以图像的中的某一个标记物为原点)标记所述特征参数,然后再进行特征参数的串联。
进一步地,所述特征提取模型采用卷积神经网络模型。
本发明还提供了上述一种基于人工智能图像识别的特征提取装置,包括:
图像特征区挖取模块,用于基于神经网络模型实现图像特征区的识别、挖取;
去遮挡模块,用于基于图像特征区的识别结果,调用对应的遮挡剔除算法实现图像特征区遮挡信息的清除操作;
背景减除模块,用于基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;
图像特征提取模块,用于基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。
进一步地,所述神经网络模型采用DSSD Inception V3模型,所述特征提取模型采用卷积神经网络模型。
本发明具有以下有益效果:
1)通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量。
2)充分考虑不同属性的图像特征区内载遮挡参数、背景参数以及特征参数的差异,从而可以大大提高后续所构建的图像识别模型的精确度。
3)采用由各图像特征取的特征参数串联形成的增强特征向量作为图像的特征参数构建图像识别模型,较孤立的特征参数训练所得的图像识别模型,精确度提高了5-7个百分点。
附图说明
图1为本发明实施例1一种基于人工智能图像识别的特征提取方法的流程图。
图2为本发明实施例2一种基于人工智能图像识别的特征提取装置的系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
如图1所示,一种基于人工智能图像识别的特征提取方法,包括如下步骤:
S1、基于神经网络模型实现图像特征区的识别、挖取;
S2、基于图像特征区的识别结果,调用对应的遮挡剔除算法实现图像特征区遮挡信息的清除操作;
S3、基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;
S4、基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。
本实施例中,所述神经网络模型采用DSSD Inception V3模型,所述DSSDInception V3模型采用DSSD目标检测算法,基于图像特征区集及抠图算法训练所得。
本实施例中,所述步骤S1中,神经网络模型用于实现图像特征区所在位置的圈定,并实现图像特征区属性的识别和图像特征区的挖取操作;不同的图像特征区属性配置不同的自适应背景减除算法、特征提取模型和遮挡剔除算法。
本实施例中,所述步骤S3中,当特征参数与所在位置存在关系时,需先采用特征参数所在坐标(以图像的中的某一个标记物为原点)标记所述特征参数,然后再进行特征参数的串联。
本实施例中,所述特征提取模型采用卷积神经网络模型。
实施例2
一种基于人工智能图像识别的特征提取装置,包括:
图像特征区挖取模块,用于基于神经网络模型实现图像特征区的识别、挖取;
去遮挡模块,用于基于图像特征区的识别结果,调用对应的遮挡剔除算法实现图像特征区遮挡信息的清除操作;
背景减除模块,用于基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;
图像特征提取模块,用于基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。
本实施例中,所述神经网络模型采用DSSD Inception V3模型,用于实现图像特征区所在位置的圈定,并实现图像特征区属性的识别和图像特征区的挖取操作;不同的图像特征区属性配置不同的自适应背景减除算法、特征提取模型和遮挡剔除算法;所述特征提取模型采用卷积神经网络模型。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于人工智能图像识别的特征提取方法,其特征在于:包括如下步骤:
S1、基于神经网络模型实现图像特征区的识别、挖取;
S2、基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;
S3、基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。
2.如权利要求1所述的一种基于人工智能图像识别的特征提取方法,其特征在于:所述神经网络模型采用DSSD Inception V3模型。
3.如权利要求1所述的一种基于人工智能图像识别的特征提取方法,其特征在于:还包括:
基于图像特征区的识别结果,调用对应的遮挡剔除算法实现图像特征区遮挡信息的清除操作的步骤。
4.如权利要求1所述的一种基于人工智能图像识别的特征提取方法,其特征在于:所述步骤S1中,神经网络模型用于实现图像特征区所在位置的圈定,并实现图像特征区属性的识别和图像特征区的挖取操作。
5.如权利要求1所述的一种基于人工智能图像识别的特征提取方法,其特征在于:不同的图像特征区属性配置不同的自适应背景减除算法、特征提取模型和遮挡剔除算法。
6.如权利要求1所述的一种基于人工智能图像识别的特征提取方法,其特征在于:所述步骤S3中,当特征参数与所在位置存在关系时,需先采用特征参数所在坐标标记所述特征参数,然后再进行特征参数的串联。
7.如权利要求1所述的一种基于人工智能图像识别的特征提取方法,其特征在于:所述特征提取模型采用卷积神经网络模型。
8.一种基于人工智能图像识别的特征提取装置,其特征在于:包括:
图像特征区挖取模块,用于基于神经网络模型实现图像特征区的识别、挖取;
去遮挡模块,用于基于图像特征区的识别结果,调用对应的遮挡剔除算法实现图像特征区遮挡信息的清除操作;
背景减除模块,用于基于图像特征区的识别结果,调用对应的自适应背景减除算法实现图像特征区背景的减除操作;
图像特征提取模块,用于基于图像特征区的识别结果,调用对应的特征提取模型实现各图像特征区特征参数的提取,并将各图像特征取的特征参数串联形成增强特征向量。
9.如权利要求8所述的一种基于人工智能图像识别的特征提取装置,其特征在于:所述神经网络模型采用DSSD Inception V3模型,所述特征提取模型采用卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543248.4A CN112508021A (zh) | 2020-12-23 | 2020-12-23 | 一种基于人工智能图像识别的特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543248.4A CN112508021A (zh) | 2020-12-23 | 2020-12-23 | 一种基于人工智能图像识别的特征提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508021A true CN112508021A (zh) | 2021-03-16 |
Family
ID=74923241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011543248.4A Pending CN112508021A (zh) | 2020-12-23 | 2020-12-23 | 一种基于人工智能图像识别的特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508021A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509904A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
CN110751022A (zh) * | 2019-09-03 | 2020-02-04 | 平安科技(深圳)有限公司 | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 |
CN110942012A (zh) * | 2019-11-22 | 2020-03-31 | 上海眼控科技股份有限公司 | 图像特征提取方法、行人重识别方法、装置和计算机设备 |
-
2020
- 2020-12-23 CN CN202011543248.4A patent/CN112508021A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509904A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109819208A (zh) * | 2019-01-02 | 2019-05-28 | 江苏警官学院 | 一种基于人工智能动态监控的密集人群安防监控管理方法 |
CN110751022A (zh) * | 2019-09-03 | 2020-02-04 | 平安科技(深圳)有限公司 | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 |
CN110942012A (zh) * | 2019-11-22 | 2020-03-31 | 上海眼控科技股份有限公司 | 图像特征提取方法、行人重识别方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Tender tea shoots recognition and positioning for picking robot using improved YOLO-V3 model | |
CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
WO2021003824A1 (zh) | 基于图像识别的违章建筑识别方法、装置 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN109033955B (zh) | 一种人脸跟踪方法和系统 | |
CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
CN111192294B (zh) | 一种基于目标检测的目标跟踪方法及系统 | |
CN110619316A (zh) | 人体关键点检测方法、装置和电子设备 | |
CN112381061B (zh) | 一种面部表情识别方法及系统 | |
CN111460884A (zh) | 基于人体跟踪的多人脸识别方法 | |
CN113191180A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110969110A (zh) | 一种基于深度学习的人脸跟踪方法及系统 | |
CN115375736A (zh) | 一种基于图像的行人轨迹跟踪方法和装置 | |
CN104751513A (zh) | 一种建立人体骨骼模型的方法及装置 | |
CN112364807A (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
CN112508021A (zh) | 一种基于人工智能图像识别的特征提取方法及装置 | |
CN111428609A (zh) | 一种基于深度学习的人体姿态识别方法及系统 | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
CN115346270A (zh) | 交警手势识别方法、装置、电子设备及存储介质 | |
CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN112488136A (zh) | 一种图像识别系统以及图像识别装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |
|
RJ01 | Rejection of invention patent application after publication |