CN112541543A - 图像识别方法、装置、终端设备及存储介质 - Google Patents
图像识别方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112541543A CN112541543A CN202011453289.4A CN202011453289A CN112541543A CN 112541543 A CN112541543 A CN 112541543A CN 202011453289 A CN202011453289 A CN 202011453289A CN 112541543 A CN112541543 A CN 112541543A
- Authority
- CN
- China
- Prior art keywords
- image recognition
- recognition model
- target
- target image
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/53—Querying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种图像识别方法、装置、终端设备及存储介质,该方法包括:获取目标图像识别模型和非目标图像识别模型的运行状态;若非目标图像识别模型的运行状态是运行中,且目标图像识别模型的运行状态是未运行,停止非目标图像识别模型的运行,运行目标图像识别模型对待识别图像进行图像识别得到图像识别结果;若非目标图像识别模型的运行状态均是未运行,且目标图像识别模型的运行状态是运行中,则发送图像重置提醒;若接收到确定指令,则指示目标图像识别模型对待识别图像进行图像识别得到图像识别结果。本申请能根据用户的需求自动选择对应识别效果的图像识别模型,方便了用户的图像识别操作,提高了图像识别效率。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种图像识别方法、装置、终端设备及存储介质。
背景技术
图像识别被广泛用于各个行业,常用于检测用户期待的目标物体,在检测时,以计算机为基础,并在此基础上进行图像处理和检测,在处理时,常通过分析待识别的图像,在待识别的图像中提取需要进行检测的目标物体。
图像识别的种类包括图像分类识别、图像姿态识别和图像分割识别等方式,现有的图像识别过程中,均是采用图像识别模型的方式自动进行图像的识别,但现有的图像识别模型使用过程中,均是通过人工手动的方式进行不同效果的图像识别模型的选择,并基于选择到的图像识别模型达到对应的图像识别效果,进而导致用户操作繁琐,降低了图像识别效率。
发明内容
有鉴于此,本申请实施例提供了一种图像识别方法、装置、终端设备及存储介质,以解决现有技术的黑体图像绘制过程中,由于人工绘制黑体图像存在误差,所导致的黑体图像绘制准确性低下的问题。
本申请实施例的第一方面提供了一种图像识别方法,包括:
获取图像识别指令和所述图像识别指令所指向的待识别图像,并根据所述图像识别指令的指令标识确定目标图像识别模型;
分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,所述非目标图像识别模型为除所述目标图像识别模型之外的图像识别模型;
若任一所述非目标图像识别模型的运行状态是运行中,且所述目标图像识别模型的运行状态是未运行,则停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果;
若所述非目标图像识别模型的运行状态均是未运行,且所述目标图像识别模型的运行状态是运行中,则发送图像重置提醒,所述图像重置提醒用于提示用户对运行中的所述目标图像识别模型是否进行所述待识别图像的识别;
若接收到针对所述图像重置提醒的确定指令,则指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
进一步地,所述运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果,包括:
根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,并获取所述目标类别对应的所述物体在所述待识别图像中的位置信息;
若所述目标类别不是预设类别,则将获取到的所述位置信息和所述位置信息对应的所述目标类别进行对应存储,得到所述图像识别结果;
若所述目标类别是所述预设类别,则根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,并将同一所述物体对应的所述姿态分析结果、所述位置信息和所述目标类别对应进行存储,得到所述图像识别结果。
进一步地,所述根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,包括:
根据所述目标图像识别模型对所述待识别图像进行图像灰度处理,得到灰度图像,并提取所述灰度图像中所述物体对应的灰度直方图;
将提取到的所述灰度直方图与预存储的类别查询表进行匹配,得到所述目标类别,所述类别查询表中存储有不同所述灰度直方图与对应类别之间的对应关系。
进一步地,所述根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,包括:
获取所述目标类别对应的关节节点,并根据所述目标图像识别模型,获取所述待识别图像中所述物体上所述关节节点的位置坐标;
获取所述关节节点之间的姿态顺序,并根据所述姿态顺序对获取到的所述位置坐标进行连接,得到姿态图像;
将所述姿态图像与预存储的姿态列表进行匹配,得到所述姿态分析结果,所述姿态列表中存储有不同所述姿态图像与对应所述姿态分析结果之间的对应关系。
进一步地,所述分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,包括:
获取所述目标图像识别模型的运行参数,并根据所述运行参数确定所述目标图像识别模型的运行状态;
获取本地模型运行环境中的负载标识,所述负载标识用于表征所述本地模型运行环境中是否存在运行中的图像识别模型,并根据所述负载标识确定所述非目标图像识别模型的运行状态。
进一步地,所述停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果,包括:
获取所述负载标识中携带的模型标识,所述负载标识中携带的模型标识用于表征对应所述非目标图像识别模型,并停止所述模型标识所指向的运行线程;
对所述目标图像识别模型分配运行内存,并运行所述目标图像识别模型对应的运行程序;
将所述待识别图像输入运行后的所述目标图像识别模型进行图像识别,得到所述图像识别结果。
进一步地,所述分别获取所述目标图像识别模型和非目标图像识别模型的运行状态之后,还包括:
若所述非目标图像识别模型和所述目标图像识别模型的运行状态均是未运行,则直接运行所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
本申请实施例的第二方面提供了一种图像识别装置,包括:
图像获取单元,用于获取图像识别指令和所述图像识别指令所指向的待识别图像,并根据所述图像识别指令的指令标识确定目标图像识别模型;
运行状态获取单元,用于分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,所述非目标图像识别模型为除所述目标图像识别模型之外的图像识别模型;
图像识别单元,用于若任一所述非目标图像识别模型的运行状态是运行中,且所述目标图像识别模型的运行状态是未运行,则停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果;
重置提醒单元,用于若所述非目标图像识别模型的运行状态均是未运行,且所述目标图像识别模型的运行状态是运行中,则发送图像重置提醒,所述图像重置提醒用于提示用户对运行中的所述目标图像识别模型是否进行所述待识别图像的识别;
所述图像识别单元还用于,若接收到针对所述图像重置提醒的确定指令,则指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在终端设备上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方案提供的图像识别方法的各步骤。
本申请实施例的第四方面提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方案提供的图像识别方法的各步骤。
本申请实施例提供的一种图像识别方法、装置、终端设备及存储介质具有以下有益效果:
本申请实施例提供的一种图像识别方法,通过获取图像识别指令和图像识别指令所指向的待识别图像,并根据图像识别指令的指令标识确定目标图像识别模型,能根据用户的需求自动选择对应识别效果的图像识别模型,无需用户手动的进行图像识别模型的选择,方便了用户的图像识别操作,提高了图像识别效率,通过分别获取目标图像识别模型和非目标图像识别模型的运行状态,有效地提高了目标图像识别模型运行的准确性,若任一非目标图像识别模型的运行状态是运行中,通过停止对应非目标图像识别模型的运行,有效地防止了非目标图像识别模型和目标图像识别模型同时运行所导致的图像识别错误,进一步提高了图像识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图像识别方法的实现流程图;
图2是本申请另一实施例提供的一种图像识别方法的实现流程图;
图3是本申请实施例提供的一种图像识别装置的结构框图;
图4是本申请实施例提供的一种终端设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例所涉及的图像识别方法,可以由控制设备或终端(以下称“移动终端”)执行。
请参阅图1,图1示出了本申请实施例提供的一种图像识别方法的实现流程图,包括:
步骤S10,获取图像识别指令和所述图像识别指令所指向的待识别图像,并根据所述图像识别指令的指令标识确定目标图像识别模型。
其中,通过将该图像识别指令的指令标识与预存储的模型查询表进行匹配,以得到该图像识别指令对应的目标图像识别模型,该模型查询表中存储有不同指令标识与对应目标图像识别模型之间的对应关系。
具体的,该图像识别指令可以采用语音指令、触控指令或文字指令的方式进行传输,该指令标识可以采用数字、字母或文字的方式存储在该图像识别指令中。
本实施例中至少包括两个不同的图像识别模型,该图像识别模型可以为图像分类识别模型、图像姿态识别模型和图像分割识别模型等,且不同图像识别模型之间对应的模型标识不相同。
步骤S20,分别获取所述目标图像识别模型和非目标图像识别模型的运行状态。
其中,该非目标图像识别模型为除目标图像识别模型之外的图像识别模型,例如,本实施例中的图像识别模型包括图像识别模型a1、图像识别模型a2和图像识别模型a3,根据图像识别指令的指令标识确定到的目标图像识别模型是图像识别模型a2时,则分别获取目标图像识别模型a2和非目标图像识别模型a1、a3的运行状态。
具体的,该步骤中,所述分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,包括:
获取所述目标图像识别模型的运行参数,并根据所述运行参数确定所述目标图像识别模型的运行状态,其中,若运行参数中指定参数的参数值等于预设参数值时,则判定该目标图像识别模型的运行状态是运行中的状态,若运行参数中指定参数的参数值不等于预设参数值时,则判定该目标图像识别模型的运行状态是未运行状态;
获取本地模型运行环境中的负载标识,并根据所述负载标识确定所述非目标图像识别模型的运行状态,其中,该负载标识用于表征本地模型运行环境中是否存在运行中的图像识别模型,具体的,该步骤中,若本地模型运行环境中的负载标识等于预设标识,则判定本地模型运行环境中存在运行中的图像识别模型,若本地模型运行环境中的负载标识不等于预设标识,则判定本地模型运行环境中不存在运行中的图像识别模型。
进一步地,该步骤中,所述停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果,包括:
获取所述负载标识中携带的模型标识,并停止所述模型标识所指向的运行线程,其中,该负载标识中携带的模型标识用于表征对应非目标图像识别模型,通过停止模型标识所指向的运行线程,以达到停止对应非目标图像识别模型运行的效果,进而有效防止了目标图像识别模型和非目标图像识别模型同时运行所导致的图像识别错误;
对所述目标图像识别模型分配运行内存,并运行所述目标图像识别模型对应的运行程序,其中,通过对目标图像识别模型分配运行内存,有效地保障了目标图像识别模型的运行;
将所述待识别图像输入运行后的所述目标图像识别模型进行图像识别,得到所述图像识别结果。
可选的,该步骤中,所述分别获取所述目标图像识别模型和非目标图像识别模型的运行状态之后,还包括:
若所述非目标图像识别模型和所述目标图像识别模型的运行状态均是未运行,则直接运行所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果,其中,若非目标图像识别模型和目标图像识别模型的运行状态均是未运行,通过直接运行目标图像识别模型对待识别图像进行图像识别,有效地提高了对待识别图像的识别效率。
步骤S30,若任一所述非目标图像识别模型的运行状态是运行中,且所述目标图像识别模型的运行状态是未运行,则停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果。
其中,若任一非目标图像识别模型的运行状态是运行中,且目标图像识别模型的运行状态是未运行,通过停止对应非目标图像识别模型的运行,有效地防止了非目标图像识别模型和目标图像识别模型同时运行所导致的图像识别错误。
例如,当本实施例中的图像识别模型包括图像识别模型a1、图像识别模型a2和图像识别模型a3,根据图像识别指令的指令标识确定到的目标图像识别模型是图像识别模型a2,当图像识别模型a1的运行状态是运行中,图像识别模型a2是未运行时,则停止图像识别模型a1的运行,并当停止图像识别模型a1运行后,运行图像识别模型a2对待识别图像进行图像识别,得到该图像识别结果。
步骤S40,若所述非目标图像识别模型的运行状态均是未运行,且所述目标图像识别模型的运行状态是运行中,则发送图像重置提醒。
其中,该图像重置提醒用于提示用户对运行中的目标图像识别模型是否进行待识别图像的识别,该图像重置提醒可以采用文字、语音或图像等方式对用户进行提醒。
可选的,该步骤中,通过获取该待识别图像的图像标识,并将该图像标识插入至预设提醒语句中的指定位置,以生成该图像重置提醒,该预设提醒语句可以根据需求进行文字设置,例如,该预设提醒语句可以设置为“是否重新运行目标图像识别模型,并对()进行图像识别?”,其中“()”是预设提醒语句中的指定位置。
步骤S50,若接收到针对所述图像重置提醒的确定指令,则指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
可选的,本实施例中,若在预设时间内未接收到针对该图像重置提醒的确定指令,或接收到了针对该图像重置提醒的取消指令,则持续获取该目标图像识别模型的运行状态,直至当检测到该目标图像识别模型的运行状态是未运行时,则重新运行该目标图像识别模型,并根据运行后的目标图像识别模型对该待识别图像进行图像识别,得到该图像识别结果。
进一步地,本实施例中,所述指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果之后,还包括:
若接收到针对待识别图像的模型切换指令,则根据该模型切换指令的指令标识确定待切换图像识别模型,并获取待切换图像识别模型的运行状态;
若待切换图像识别模型的运行状态是未运行,则停止目标图像识别模型的运行,并运行该待切换图像识别模型对待识别图像进行图像识别;
其中,通过停止目标图像识别模型的运行,并运行该待切换图像识别模型对待识别图像进行图像识别,使得本地模型运行环境中仅有一个图像识别模型处理运行中的状态,提高了图形识别的准确性,且基于模型切换指令,有效地保障了用户对待识别图像不同的识别需求,提高了用户的使用体验。
本实施例中,通过获取图像识别指令和图像识别指令所指向的待识别图像,并根据图像识别指令的指令标识确定目标图像识别模型,能根据用户的需求自动选择对应识别效果的图像识别模型,无需用户手动的进行图像识别模型的选择,方便了用户的图像识别操作,提高了图像识别效率,通过分别获取目标图像识别模型和非目标图像识别模型的运行状态,有效地提高了目标图像识别模型运行的准确性,若任一非目标图像识别模型的运行状态是运行中,通过停止对应非目标图像识别模型的运行,有效地防止了非目标图像识别模型和目标图像识别模型同时运行所导致的图像识别错误,进一步提高了图像识别的准确性。
请参阅图2,图2是本申请另一实施例提供的一种图像识别方法的实现流程图。相对于图1对应的实施例,本实施例提供的图像识别方法用于对步骤S30作进一步细化,包括:
步骤S31,根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,并获取所述目标类别对应的所述物体在所述待识别图像中的位置信息。
其中,通过目标图像识别模型对待识别图像中的物体进行分类识别,能有效的对待识别图像中的物体进行分类,得到该物体对应的目标类别,并通过获取该目标类别对应的物体在待识别图像中的位置信息,有效地方便了对该物体位置信息识别结果的展示,方便了用户对图像识别结果的查看。
具体的,该步骤中,所述根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,包括:
根据所述目标图像识别模型对所述待识别图像进行图像灰度处理,得到灰度图像,并提取所述灰度图像中所述物体对应的灰度直方图,其中,可以指示目标图像识别模型采用灰度分量法、灰度最大值法或灰度加权平均法的方式,对该待识别图像中的像素点进行灰度处理,以达到将待识别图像转换为灰度图像的效果;
将提取到的所述灰度直方图与预存储的类别查询表进行匹配,得到所述目标类别,其中,该类别查询表中存储有不同灰度直方图与对应类别之间的对应关系,该灰度直方图是关于灰度级分布的函数,是对灰度图像中灰度级分布的统计,灰度直方图是将灰度图像中的所有像素,按照灰度值的大小,统计其出现的频率,该灰度图像中像素的个数反映了灰度图像中对应灰度出现的频率。
步骤S32,若所述目标类别不是预设类别,则将获取到的所述位置信息和所述位置信息对应的所述目标类别进行对应存储,得到所述图像识别结果。
其中,通过将获取到的位置信息和位置信息对应的目标类别进行对应存储,有效地提高了图像识别结果展示的准确性,该步骤中,通过将对应存储后的位置信息和目标类别进行展示,以达到对待识别图像的识别结果展示效果。
步骤S33,若所述目标类别是所述预设类别,则根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,并将同一所述物体对应的所述姿态分析结果、所述位置信息和所述目标类别对应进行存储,得到所述图像识别结果。
其中,该预设类别可以根据需求进行设置,例如,该预设类别可以设置为“行人”、“动物”、“植物”或“汽车”等类别,若目标类别不是预设类别,则判定针对该目标类别对应的物体无需进行姿态分析。
该步骤中,若目标类别是预设类别,则判定针对该目标类别对应的物体需进行姿态分析,因此,通过目标图像识别模型对目标类别对应的物体进行姿态分析,以得到该物体对应的姿态分析结果。
进一步地,该步骤中,通过将同一物体对应的姿态分析结果、位置信息和目标类别对应进行存储,以达到对该物体同时进行姿态分析结果、位置信息和目标类别的展示效果,方便了用户对该待识别图像中物体类别、姿态和位置的查看。
具体的,该步骤中,所述根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,包括:
获取所述目标类别对应的关节节点,并根据所述目标图像识别模型,获取所述待识别图像中所述物体上所述关节节点的位置坐标,其中,本实施例中预存储有关节查询表,该关节查询表中存储有不同类别与对应关节节点之间的对应关系,因此,通过将该目标类别与关节查询表进行匹配,得到该目标类别对应的关节节点,并通过获取待识别图像中物体上关节节点的位置坐标,有效地提高了对该物体姿态分析的准确性;
获取所述关节节点之间的姿态顺序,并根据所述姿态顺序对获取到的所述位置坐标进行连接,得到姿态图像,该姿态图像用于表征对应物体的动作姿态;
将所述姿态图像与预存储的姿态列表进行匹配,得到所述姿态分析结果,其中,该姿态列表中存储有不同姿态图像与对应姿态分析结果之间的对应关系。
本实施例中,通过获取该目标类别对应的物体在待识别图像中的位置信息,有效地方便了对该物体位置信息识别结果的展示,方便了用户对图像识别结果的查看,若目标类别不是预设类别,通过将获取到的位置信息和位置信息对应的目标类别进行对应存储,有效地提高了图像识别结果展示的准确性,若目标类别是预设类别,则判定针对该目标类别对应的物体需进行姿态分析,通过目标图像识别模型对目标类别对应的物体进行姿态分析,以得到该物体对应的姿态分析结果。
请参阅图3,图3是本申请实施例提供的一种图像识别装置100的结构框图。本实施例中该图像识别装置100包括的各单元用于执行图1、图2对应的实施例中的各步骤。具体请参阅图1、图2以及图1、图2所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图3,包括:图像获取单元10、运行状态获取单元11、图像识别单元12和重置提醒单元13,其中:
图像获取单元10,用于获取图像识别指令和所述图像识别指令所指向的待识别图像,并根据所述图像识别指令的指令标识确定目标图像识别模型。
运行状态获取单元11,用于分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,所述非目标图像识别模型为除所述目标图像识别模型之外的图像识别模型。
其中,该运行状态获取单元11还用于,获取所述目标图像识别模型的运行参数,并根据所述运行参数确定所述目标图像识别模型的运行状态;
获取本地模型运行环境中的负载标识,所述负载标识用于表征所述本地模型运行环境中是否存在运行中的图像识别模型,并根据所述负载标识确定所述非目标图像识别模型的运行状态。
进一步地,该运行状态获取单元11还用于,获取所述负载标识中携带的模型标识,所述负载标识中携带的模型标识用于表征对应所述非目标图像识别模型,并停止所述模型标识所指向的运行线程;
对所述目标图像识别模型分配运行内存,并运行所述目标图像识别模型对应的运行程序;
将所述待识别图像输入运行后的所述目标图像识别模型进行图像识别,得到所述图像识别结果。
图像识别单元12,用于若任一所述非目标图像识别模型的运行状态是运行中,且所述目标图像识别模型的运行状态是未运行,则停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果。
其中,该图像识别单元12还用于,根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,并获取所述目标类别对应的所述物体在所述待识别图像中的位置信息;
若所述目标类别不是预设类别,则将获取到的所述位置信息和所述位置信息对应的所述目标类别进行对应存储,得到所述图像识别结果;
若所述目标类别是所述预设类别,则根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,并将同一所述物体对应的所述姿态分析结果、所述位置信息和所述目标类别对应进行存储,得到所述图像识别结果。
可选的,该图像识别单元12还用于,根据所述目标图像识别模型对所述待识别图像进行图像灰度处理,得到灰度图像,并提取所述灰度图像中所述物体对应的灰度直方图;
将提取到的所述灰度直方图与预存储的类别查询表进行匹配,得到所述目标类别,所述类别查询表中存储有不同所述灰度直方图与对应类别之间的对应关系。
进一步地,该图像识别单元12还用于,获取所述目标类别对应的关节节点,并根据所述目标图像识别模型,获取所述待识别图像中所述物体上所述关节节点的位置坐标;
获取所述关节节点之间的姿态顺序,并根据所述姿态顺序对获取到的所述位置坐标进行连接,得到姿态图像;
将所述姿态图像与预存储的姿态列表进行匹配,得到所述姿态分析结果,所述姿态列表中存储有不同所述姿态图像与对应所述姿态分析结果之间的对应关系。
重置提醒单元13,用于若所述非目标图像识别模型的运行状态均是未运行,且所述目标图像识别模型的运行状态是运行中,则发送图像重置提醒,所述图像重置提醒用于提示用户对运行中的所述目标图像识别模型是否进行所述待识别图像的识别。
可选的,本实施例中,该图像识别单元12还用于,若接收到针对所述图像重置提醒的确定指令,则指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
该图像识别单元12还用于,若所述非目标图像识别模型和所述目标图像识别模型的运行状态均是未运行,则直接运行所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
本实施例中,通过获取图像识别指令和图像识别指令所指向的待识别图像,并根据图像识别指令的指令标识确定目标图像识别模型,能根据用户的需求自动选择对应识别效果的图像识别模型,无需用户手动的进行图像识别模型的选择,方便了用户的图像识别操作,提高了图像识别效率,通过分别获取目标图像识别模型和非目标图像识别模型的运行状态,有效地提高了目标图像识别模型运行的准确性,若任一非目标图像识别模型的运行状态是运行中,通过停止对应非目标图像识别模型的运行,有效地防止了非目标图像识别模型和目标图像识别模型同时运行所导致的图像识别错误,进一步提高了图像识别的准确性。
图4是本申请另一实施例提供的一种终端设备2的结构框图。如图4所示,该实施例的终端设备2包括:处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22,例如图像识别方法的程序。处理器20执行所述计算机程序23时实现上述各个图像识别方法各实施例中的步骤,例如图1所示的S10至S50,或者图2所示的S31至S33。或者,所述处理器20执行所述计算机程序22时实现上述图3对应的实施例中各单元的功能,例如,图3所示的单元10至13的功能,具体请参阅图4对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序22可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器21中,并由所述处理器20执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。例如,所述计算机程序22可以被分割成图像获取单元10、运行状态获取单元11、图像识别单元12和重置提醒单元13,各单元具体功能如上所述。
所述终端设备可包括,但不仅限于,处理器20、存储器21。本领域技术人员可以理解,图4仅仅是终端设备2的示例,并不构成对终端设备2的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元,例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备,例如所述终端设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
获取图像识别指令和所述图像识别指令所指向的待识别图像,并根据所述图像识别指令的指令标识确定目标图像识别模型;
分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,所述非目标图像识别模型为除所述目标图像识别模型之外的图像识别模型;
若任一所述非目标图像识别模型的运行状态是运行中,且所述目标图像识别模型的运行状态是未运行,则停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果;
若所述非目标图像识别模型的运行状态均是未运行,且所述目标图像识别模型的运行状态是运行中,则发送图像重置提醒,所述图像重置提醒用于提示用户对运行中的所述目标图像识别模型是否进行所述待识别图像的识别;
若接收到针对所述图像重置提醒的确定指令,则指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
2.根据权利要求1所述的图像识别方法,其特征在于,所述运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果,包括:
根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,并获取所述目标类别对应的所述物体在所述待识别图像中的位置信息;
若所述目标类别不是预设类别,则将获取到的所述位置信息和所述位置信息对应的所述目标类别进行对应存储,得到所述图像识别结果;
若所述目标类别是所述预设类别,则根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,并将同一所述物体对应的所述姿态分析结果、所述位置信息和所述目标类别对应进行存储,得到所述图像识别结果。
3.根据权利要求2所述的图像识别方法,其特征在于,所述根据所述目标图像识别模型对所述待识别图像中的物体进行分类识别,得到目标类别,包括:
根据所述目标图像识别模型对所述待识别图像进行图像灰度处理,得到灰度图像,并提取所述灰度图像中所述物体对应的灰度直方图;
将提取到的所述灰度直方图与预存储的类别查询表进行匹配,得到所述目标类别,所述类别查询表中存储有不同所述灰度直方图与对应类别之间的对应关系。
4.根据权利要求2所述的图像识别方法,其特征在于,所述根据所述目标图像识别模型对所述目标类别对应的所述物体进行姿态分析,得到姿态分析结果,包括:
获取所述目标类别对应的关节节点,并根据所述目标图像识别模型,获取所述待识别图像中所述物体上所述关节节点的位置坐标;
获取所述关节节点之间的姿态顺序,并根据所述姿态顺序对获取到的所述位置坐标进行连接,得到姿态图像;
将所述姿态图像与预存储的姿态列表进行匹配,得到所述姿态分析结果,所述姿态列表中存储有不同所述姿态图像与对应所述姿态分析结果之间的对应关系。
5.根据权利要求1所述的图像识别方法,其特征在于,所述分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,包括:
获取所述目标图像识别模型的运行参数,并根据所述运行参数确定所述目标图像识别模型的运行状态;
获取本地模型运行环境中的负载标识,所述负载标识用于表征所述本地模型运行环境中是否存在运行中的图像识别模型,并根据所述负载标识确定所述非目标图像识别模型的运行状态。
6.根据权利要求5所述的图像识别方法,其特征在于,所述停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果,包括:
获取所述负载标识中携带的模型标识,所述负载标识中携带的模型标识用于表征对应所述非目标图像识别模型,并停止所述模型标识所指向的运行线程;
对所述目标图像识别模型分配运行内存,并运行所述目标图像识别模型对应的运行程序;
将所述待识别图像输入运行后的所述目标图像识别模型进行图像识别,得到所述图像识别结果。
7.根据权利要求1所述的图像识别方法,其特征在于,所述分别获取所述目标图像识别模型和非目标图像识别模型的运行状态之后,还包括:
若所述非目标图像识别模型和所述目标图像识别模型的运行状态均是未运行,则直接运行所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
8.一种图像识别装置,其特征在于,包括:
图像获取单元,用于获取图像识别指令和所述图像识别指令所指向的待识别图像,并根据所述图像识别指令的指令标识确定目标图像识别模型;
运行状态获取单元,用于分别获取所述目标图像识别模型和非目标图像识别模型的运行状态,所述非目标图像识别模型为除所述目标图像识别模型之外的图像识别模型;
图像识别单元,用于若任一所述非目标图像识别模型的运行状态是运行中,且所述目标图像识别模型的运行状态是未运行,则停止对应所述非目标图像识别模型的运行,并运行所述目标图像识别模型对所述待识别图像进行图像识别,得到图像识别结果;
重置提醒单元,用于若所述非目标图像识别模型的运行状态均是未运行,且所述目标图像识别模型的运行状态是运行中,则发送图像重置提醒,所述图像重置提醒用于提示用户对运行中的所述目标图像识别模型是否进行所述待识别图像的识别;
所述图像识别单元还用于,若接收到针对所述图像重置提醒的确定指令,则指示所述目标图像识别模型对所述待识别图像进行图像识别,得到所述图像识别结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011453289.4A CN112541543B (zh) | 2020-12-11 | 2020-12-11 | 图像识别方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011453289.4A CN112541543B (zh) | 2020-12-11 | 2020-12-11 | 图像识别方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541543A true CN112541543A (zh) | 2021-03-23 |
CN112541543B CN112541543B (zh) | 2023-11-24 |
Family
ID=75018412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011453289.4A Active CN112541543B (zh) | 2020-12-11 | 2020-12-11 | 图像识别方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541543B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784310A (zh) * | 2017-11-08 | 2018-03-09 | 浙江国自机器人技术有限公司 | 设备状态信息获取方法、装置、系统、存储介质及机器人 |
CN108038509A (zh) * | 2017-12-21 | 2018-05-15 | 合肥美的智能科技有限公司 | 基于图像识别模型的图像识别方法和装置 |
CN108776819A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种目标识别方法、移动终端及计算机可读存储介质 |
CN110175519A (zh) * | 2019-04-22 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
WO2020000879A1 (zh) * | 2018-06-27 | 2020-01-02 | 北京字节跳动网络技术有限公司 | 图像识别方法和装置 |
CN110991533A (zh) * | 2019-12-03 | 2020-04-10 | Oppo广东移动通信有限公司 | 图像识别方法、识别装置、终端设备及可读存储介质 |
CN111931701A (zh) * | 2020-09-11 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的姿态识别方法、装置、终端和存储介质 |
-
2020
- 2020-12-11 CN CN202011453289.4A patent/CN112541543B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784310A (zh) * | 2017-11-08 | 2018-03-09 | 浙江国自机器人技术有限公司 | 设备状态信息获取方法、装置、系统、存储介质及机器人 |
CN108038509A (zh) * | 2017-12-21 | 2018-05-15 | 合肥美的智能科技有限公司 | 基于图像识别模型的图像识别方法和装置 |
CN108776819A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种目标识别方法、移动终端及计算机可读存储介质 |
WO2020000879A1 (zh) * | 2018-06-27 | 2020-01-02 | 北京字节跳动网络技术有限公司 | 图像识别方法和装置 |
CN110175519A (zh) * | 2019-04-22 | 2019-08-27 | 南方电网科学研究院有限责任公司 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
CN110991533A (zh) * | 2019-12-03 | 2020-04-10 | Oppo广东移动通信有限公司 | 图像识别方法、识别装置、终端设备及可读存储介质 |
CN111931701A (zh) * | 2020-09-11 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的姿态识别方法、装置、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112541543B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142366B (zh) | 球形外壳缺陷检测方法、装置及计算机可读存储介质 | |
CN110517262B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN110599484B (zh) | 缺陷检测方法、装置及存储介质 | |
CN109359196B (zh) | 文本多模态表示方法及装置 | |
CN111709421A (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
CN111626177A (zh) | 一种pcb元件识别方法及装置 | |
CN112381092B (zh) | 跟踪方法、装置及计算机可读存储介质 | |
CN110928889A (zh) | 训练模型更新方法、设备以及计算机存储介质 | |
CN112580734A (zh) | 目标检测模型训练方法、系统、终端设备及存储介质 | |
CN108520263B (zh) | 一种全景图像的识别方法、系统及计算机存储介质 | |
CN114638294A (zh) | 一种数据增强方法、装置、终端设备及存储介质 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN115731208A (zh) | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 | |
US9053383B2 (en) | Recognizing apparatus and method, program, and recording medium | |
CN108647570B (zh) | 斑马线检测方法、装置及计算机可读存储介质 | |
CN112115745A (zh) | 一种商品漏扫码行为识别方法、装置及系统 | |
CN112967359A (zh) | 数据标注方法、装置、终端设备及存储介质 | |
CN112541543B (zh) | 图像识别方法、装置、终端设备及存储介质 | |
CN112613367A (zh) | 票据信息文本框获取方法、系统、设备及存储介质 | |
CN108629219B (zh) | 一种识别一维码的方法及装置 | |
CN112034981A (zh) | 显示终端控制方法、显示终端及计算机可读存储介质 | |
CN111401465A (zh) | 训练样本优化方法、装置、设备及存储介质 | |
CN114973300B (zh) | 一种构件类别识别方法、装置、电子设备及存储介质 | |
CN115272682A (zh) | 目标对象检测方法、目标检测模型的训练方法及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |