CN112561893A - 图片匹配方法、装置、电子设备及存储介质 - Google Patents

图片匹配方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112561893A
CN112561893A CN202011525192.XA CN202011525192A CN112561893A CN 112561893 A CN112561893 A CN 112561893A CN 202011525192 A CN202011525192 A CN 202011525192A CN 112561893 A CN112561893 A CN 112561893A
Authority
CN
China
Prior art keywords
image
identification model
category identification
target
training
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
Application number
CN202011525192.XA
Other languages
English (en)
Other versions
CN112561893B (zh
Inventor
孔晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011525192.XA priority Critical patent/CN112561893B/zh
Publication of CN112561893A publication Critical patent/CN112561893A/zh
Application granted granted Critical
Publication of CN112561893B publication Critical patent/CN112561893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像检测技术，揭露一种图片匹配方法，包括：对待匹配图像执行去噪处理，得到去噪图像，从所述去噪图像中提取目标图像，对所述目标图像执行图像拆分，得到一个或多个图像块，接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集，利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。本发明还涉及区块链技术，所述待匹配图像及图像块等可存储于区块链节点中。本发明还揭露一种图片匹配装置、电子设备以及存储介质。本发明可解决计算资源不足进而影响图像匹配速度的问题。

Description

图片匹配方法、装置、电子设备及存储介质
技术领域
本发明涉及图像检测领域，尤其涉及一种图片匹配方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的快速发展，涌现出多个研究方向，其中，有效识别图像并做出图像匹配是当前的热点方向。
目前图像匹配的主要步骤包括：将用户输入图像数据输入至预训练完成的深度学习匹配模型中，利用深度学习模型从预构建的图像数据库中，匹配出与图像数据相似的图像，该方法虽然可实现图像匹配，但当图像数据库的图像数据量过大时，整个图像匹配过程会占用过多计算资源，导致在图像匹配时，计算资源不足进而影响匹配速度的问题。
发明内容
本发明提供一种图片匹配方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决计算资源不足进而影响图像匹配速度的问题。
为实现上述目的，本发明提供的一种图片匹配方法，包括：
获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像；
从所述去噪图像中提取目标图像；
对所述目标图像执行图像拆分，得到一个或多个图像块；
接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
可选地，所述训练所述原始图像类别识别模型，得到标准图像类别识别模型，包括：
获取图像训练集；
利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型。
可选地，所述利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型，包括：
将所述图像训练集分为k份训练子集，分别利用所述k份训练子集中每份训练子集，训练所述原始图像类别识别模型，得到待验证图像类别识别模型；
对所述待验证图像类别识别模型执行模型评估，得到评估分数，当所述评估分数小于预设标准分数，得到所述标准图像类别识别模型。
可选地，所述对所述待匹配图像执行去噪处理，得到去噪图像，包括：
利用预构建的高斯滤波器，对所述待匹配图像执行滤波，得到滤波图像；
构建卷积核，利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像。
可选地，所述利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像，包括：
选择所述滤波图像左上方像素作为核中心，利用所述卷积核对所述核中心执行加权平均得到加权平均值；
利用所述加权平均值替代所述核中心的原像素值，直至核中心从所述滤波图像的左上方像素移动至所述滤波图像的右下方像素，得到所述去噪图像。
可选地，所述利用所述卷积核对所述核中心执行加权平均得到加权平均值，包括：
利用所述核中心构建与所述卷积核大小相同的像素矩阵；
将所述卷积核与所述像素矩阵执行加权平均，得到所述加权平均值。
可选地，所述从所述去噪图像中提取目标图像，包括：
对所述去噪图像执行目标轮廓提取，得到目标轮廓图；
通过预设的仿射变换算法，对所述目标轮廓图执行矫正操作，得到所述目标图像。
为了解决上述问题，本发明还提供一种图片匹配装置，所述装置包括：
目标图像提取模块，用于获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像，从所述去噪图像中提取目标图像；
目标拆分模块，用于对所述目标图像执行图像拆分，得到一个或多个图像块；
图像类别识别模块，用于接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
图像匹配模块，用于利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的图片匹配方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的图片匹配方法。
本发明实施例先从所述待匹配图像中提取目标图像，并为了提高匹配目标图像的准确率，对目标图像执行图像拆分操作，得到一个或多个图像块，然后利用训练完成的图像类别识别模型，识别一个或多个所述图像块对应的图像类别，得到图像类别集，最后利用所述图像类别集，从预构建的图像数据库中匹配出与所述待匹配图像对应的图像集，相比于背景技术利用深度学习匹配模型，直接与图像数据库中的图像进行图像匹配来说，本发明先通过图像类别识别模型，识别出待匹配图像的图像类别，通过图像类别从图像数据库匹配出对应的图像集，因此可见图像类别识别模型只处理待匹配图像，不需要处理图像数据库中图像，因此不会出现因图像数据库的图像数据量过大时，模型执行图像匹配时占用过多计算资源，导致影响匹配速度的问题，因此本发明提出的图片匹配方法、装置及计算机可读存储介质，可以解决解决计算资源不足进而影响图像匹配速度的问题。
附图说明
图1为本发明一实施例提供的图片匹配方法的流程示意图；
图2为本发明一实施例提供的图片匹配方法的S1的详细流程示意图；
图3为本发明一实施例提供的图片匹配方法的S3的详细流程示意图；
图4为本发明一实施例提供的图片匹配装置的模块示意图；
图5为本发明一实施例提供的实现图片匹配方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种图片匹配方法，所述图片匹配方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图片匹配方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的图片匹配方法的流程示意图。在本实施例中，所述图片匹配方法包括：
S1、获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像。
本发明实施例中，将接受用户输入的图像、或利用爬虫程序从网络中爬取的图像，统称为所述待匹配图像。
详细地，由于接收的所述待匹配图像可能包括较多噪点，会影响后续图片匹配，因此参阅图2所示，所述S1包括：
S11、利用预构建的高斯滤波器，对所述待匹配图像执行滤波，得到滤波图像；
S12、构建卷积核，利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像。
进一步地，本发明所述高斯滤波器是根据高斯分布函数构建的线性平滑滤波器，对随机分布和服从正态分布的噪点有较好的去噪效果。
本发明实施例中，所述卷积核由卷积系数和矩阵块组成，其中矩阵块大小为5*5，卷积核具体如下所示：
Figure BDA0002850369250000051
其中
Figure BDA0002850369250000052
称为卷积系数，详细地，所述构建卷积核，利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像，包括：选择所述滤波图像左上方像素作为核中心，利用所述卷积核对所述核中心执行加权平均得到加权平均值，用所述加权平均值替代所述核中心的原像素值，直至核中心从所述滤波图像的左上方像素移动至所述滤波图像的右下方像素，得到所述去噪图像。
详细地，所述利用所述卷积核对所述核中心执行加权平均得到加权平均值，包括：利用所述核中心构建与所述卷积核大小相同的像素矩阵，将所述卷积核与所述像素矩阵执行加权平均，得到所述加权平均值。
如核中心在所述滤波图像的左上方像素时，则在核中心的上方和左方，分别利用补零或补1等操作，并结合核中心右方及下方的像素，构建出5*5的像素矩阵，从而利用像素矩阵与卷积核具有相同大小的性质，对应相乘相加再平均，得到所述加权平均值，进而利用所述加权平均值替代原像素，得到所述去噪图像。
S2、从所述去噪图像中提取目标图像。
进一步地，本发明实施例中从所述去噪图像中提取所述目标图像，包括：对所述去噪图像执行目标轮廓提取，得到目标轮廓图；通过预设的仿射变换算法，对所述目标轮廓图执行矫正操作，得到所述目标图像。
详细地，所述对所述去噪图像执行目标轮廓提取，得到目标轮廓图，包括：对所述去噪图像执行灰度化操作，得到灰度图像；利用预构建的轮廓提取算法，从所述灰度图像中提取目标轮廓，得到所述目标轮廓图。
本发明实施例中，使用如下公式执行灰度化操作：
Gray＝0.29R+0.58G+0.11B
其中，Gray表示所述灰度图像，R、G、B分别表示所述去噪图像的RGB值，其中R表示红色通道值、G表示绿色通道值、B表示蓝色通道值。
本发明实施例中，利用边缘检测方法，从灰度图像中提取目标轮廓，得到所述目标轮廓图，进一步地，由于通过上述边缘检测所提取出的目标轮廓可能具有畸变，因此需利用仿射变换算法对所述目标轮廓图执行矫正，详细地，利用下述仿射变换公式执行矫正：
Figure BDA0002850369250000061
其中，x,y为所述目标轮廓图的像素点坐标，x′,y′为矫正后的像素点坐标，a,b,c,d表示预设的仿射变换矩阵内的参数值，执行上述公式操作，得到所述目标图像，如用户输入一张包括猫和狗的待匹配图像，经过上述处理，可分别得到一张包括猫的目标图像及一张包括狗的目标图像。
S3、对所述目标图像执行图像拆分，得到一个或多个图像块。
如上述用户输入包括猫和狗的待匹配图像，可分别得到一张包括猫的目标图像及一张包括狗的目标图像，但为了扩大目标图像的图像丰富度，本发明进一步对对所述目标图像执行图像拆分，详细地，参阅图3所示，所述S3包括：
S31、提取所述目标图像的目标轮廓图；
S32、判断所述目标轮廓图是否为圆形或椭圆形；
S33、若所述目标轮廓图是圆形或椭圆形，利用扇形拆分法对所述目标图像执行图像拆分，得到一个或多个所述图像块；
S34、若所述目标轮廓图不是圆形或椭圆形，利用矩形拆分法对所述目标图像执行图像拆分，得到一个或多个所述图像块。
本发明实施例中，在S2中已包括对所述待匹配图像执行目标轮廓提取，得到目标轮廓图的步骤，因此在S2执行该步骤后，将所述目标轮廓图存储至数据库中，在S3中需要目标轮廓图时，从数据库中提取得到。
进一步地，本发明构建OpenCV接口调用脚本，利用所述OpenCV接口调用脚本，调用OpenCV提供的HoughEllipse接口，可判断出所述目标轮廓图是否为圆形或椭圆形。
若所述目标轮廓图是圆形或椭圆形，利用扇形拆分法对所述目标图像执行图像拆分。其中扇形拆分法是将目标图像内的目标轮廓图设定为圆形，按照圆形可拆分为若干扇形原则，将所述目标图像执行二分、三分、四分等，从而得到一个或多个类似扇形形状的图像块。
若所述目标轮廓图不是圆形或椭圆形，利用矩形拆分法对所述目标图像执行图像拆分。其中矩形拆分法是将目标图像内的目标轮廓图设定为矩形，按照矩形可拆分为若干方形块的原则，将所述目标图像执行二分、三分、四分等，从而得到一个或多个类似方形形状的图像块。
S4、接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集。
详细地，所述训练所述原始图像类别识别模型，得到标准图像类别识别模型，包括：获取图像训练集；利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型。
进一步地，所述图像训练集利用爬虫技术，从网络上爬取的各种图像，包括各类动植物、工艺品、制造品。所述原始图像类别识别模型是一种基于卷积神经网络的分类模型，可判断每张图像内是否包括老虎、花草、汽车等。
详细地，所述利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型，包括：将所述图像训练集分为K份训练子集，分别利用所述K份训练子集中每份训练子集，训练所述原始图像类别识别模型，得到待验证图像类别识别模型，对所述待验证图像类别识别模型执行模型评估，得到评估分数，当所述评估分数小于预设标准分数，得到所述标准图像类别识别模型。
其中，本发明实施例利用如下两种训练方法，训练所述原始图像类别识别模型，得到所述待验证图像类别识别模型：
s＝((w/(k-b)+(b+ab)/(t-w))/2
s＝((w/(k-b-ab)+(b+ab)/(k-w))/2
其中，s是所述训练子集内具体一张图像的目标轮廓比例值，b是所述训练子集内具体一张图像的图像轮廓点数量，w是所述训练子集内具体一张图像的空白区域点数量，ab是所述训练子集内具体一张图像在目标轮廓变形后通过补偿算法计算得到的目标轮廓点数量，t是所述份训练子集内具体一张图像的总像素点数量。当所述份训练子集内每张图像的目标轮廓比例值均小于指定阈值后，得到所述待验证图像类别识别模型。
本发明实施例中，利用如下对所述待验证图像类别识别模型执行模型评估，得到评估分数，当所述评估分数小于预设标准分数，得到所述标准图像类别识别模型，
本发明实施例采用双重指标加权方法，对所述对所述待验证图像类别识别模型执行模型评估，得到评价得分：
F＝0.3*FN/(TP+FN)*100％
式中，F表示所述评价得分，TP表示所述待验证图像类别识别模型预测所述图像训练集为正确类别的数量，FN表示所述待验证图像类别识别模型预测图像训练集为错误类别的数量。
其中所述评估分数F的值越小表示模型越好，本发明实施例设置所述预设标准分数为0.15。
本发明实施例利用所述图像类别识别模型对所述图形块进行检测，如检测一张躯干部位的图形块的图形类别为虎或豹，检测头部的图形类别为猫或豹等。
S5、利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
本发明实施例中，所述图像数据库中图像是按照图像类别进行存储，每张存储在所述图像数据库中的图像，均具有类别标签，如猫类别图像、狗类别图像等。
如上述待匹配图像中包括猫和狗类别，利用猫和狗的类别，从所述图像数据库中匹配出包括猫和狗的类别的所有图像。
本发明实施例先从所述待匹配图像中提取目标图像，并为了提高匹配目标图像的准确率，对目标图像执行图像拆分操作，得到一个或多个图像块，然后利用训练完成的图像类别识别模型，识别一个或多个所述图像块对应的图像类别，得到图像类别集，最后利用所述图像类别集，从预构建的图像数据库中匹配出与所述待匹配图像对应的图像集，相比于背景技术利用深度学习匹配模型，直接与图像数据库中的图像进行图像匹配来说，本发明先通过图像类别识别模型，识别出待匹配图像的图像类别，通过图像类别从图像数据库匹配出对应的图像集，因此可见图像类别识别模型只处理待匹配图像，不需要处理图像数据库中图像，因此不会出现因图像数据库的图像数据量过大时，模型执行图像匹配时占用过多计算资源，导致影响匹配速度的问题，因此本发明提出的图片匹配方法、装置及计算机可读存储介质，可以解决解决计算资源不足进而影响图像匹配速度的问题。
如图4所示，是本发明图片匹配装置的模块示意图。
本发明所述图片匹配装置100可以安装于电子设备中。根据实现的功能，所述图片匹配装置可以包括目标图像提取模块101、目标拆分模块102、图像类别识别模块103及图像匹配模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述目标图像提取模块101，用于获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像，从所述去噪图像中提取目标图像；
所述目标拆分模块102，用于对所述目标图像执行图像拆分，得到一个或多个图像块；
所述图像类别识别模块103，用于接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
所述图像匹配模块104，用于利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
本发明实施例所提供的图片匹配装置100中的各个模块的具体地实施步骤如下：
所述目标图像提取模块101用于获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像，从所述去噪图像中提取目标图像。
本发明实施例中，将接受用户输入的图像、或利用爬虫程序从网络中爬取的图像，统称为所述待匹配图像。
详细地，由于接收的所述待匹配图像可能包括较多噪点，会影响后续图片匹配，所述目标图像提取模块101具体用于包括：利用预构建的高斯滤波器，对所述待匹配图像执行滤波，得到滤波图像；构建卷积核，利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像。
进一步地，本发明所述高斯滤波器是根据高斯分布函数构建的线性平滑滤波器，对随机分布和服从正态分布的噪点有较好的去噪效果。
本发明实施例中，所述卷积核由卷积系数和矩阵块组成，其中矩阵块大小为5*5，卷积核具体如下所示：
Figure BDA0002850369250000101
其中
Figure BDA0002850369250000102
称为卷积系数，详细地，所述构建卷积核，利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像，包括：选择所述滤波图像左上方像素作为核中心，利用所述卷积核对所述核中心执行加权平均得到加权平均值，用所述加权平均值替代所述核中心的原像素值，直至核中心从所述滤波图像的左上方像素移动至所述滤波图像的右下方像素，得到所述去噪图像。
详细地，所述利用所述卷积核对所述核中心执行加权平均得到加权平均值，包括：利用所述核中心构建与所述卷积核大小相同的像素矩阵，将所述卷积核与所述像素矩阵执行加权平均，得到所述加权平均值。
如核中心在所述滤波图像的左上方像素时，则在核中心的上方和左方，分别利用补零或补1等操作，并结合核中心右方及下方的像素，构建出5*5的像素矩阵，从而利用像素矩阵与卷积核具有相同大小的性质，对应相乘相加再平均，得到所述加权平均值，进而利用所述加权平均值替代原像素，得到所述去噪图像。
进一步地，本发明实施例中从所述去噪图像中提取所述目标图像，包括：对所述去噪图像执行目标轮廓提取，得到目标轮廓图；通过预设的仿射变换算法，对所述目标轮廓图执行矫正操作，得到所述目标图像。
详细地，所述对所述去噪图像执行目标轮廓提取，得到目标轮廓图，包括：对所述去噪图像执行灰度化操作，得到灰度图像；利用预构建的轮廓提取算法，从所述灰度图像中提取目标轮廓，得到所述目标轮廓图。
本发明实施例中，使用如下公式执行灰度化操作：
Gray＝0.29R+0.58G+0.11B
其中，Gray表示所述灰度图像，R、G、B分别表示所述去噪图像的RGB值，其中R表示红色通道值、G表示绿色通道值、B表示蓝色通道值。
本发明实施例中，利用边缘检测方法，从灰度图像中提取目标轮廓，得到所述目标轮廓图，进一步地，由于通过上述边缘检测所提取出的目标轮廓可能具有畸变，因此需利用仿射变换算法对所述目标轮廓图执行矫正，详细地，利用下述仿射变换公式执行矫正：
Figure BDA0002850369250000111
其中，x,y为所述目标轮廓图的像素点坐标，x′,y′为矫正后的像素点坐标，a,b,c,d表示预设的仿射变换矩阵内的参数值，执行上述公式操作，得到所述目标图像，如用户输入一张包括猫和狗的待匹配图像，经过上述处理，可分别得到一张包括猫的目标图像及一张包括狗的目标图像。
所述目标拆分模块102用于对所述目标图像执行图像拆分，得到一个或多个图像块。
如上述用户输入包括猫和狗的待匹配图像，可分别得到一张包括猫的目标图像及一张包括狗的目标图像，但为了扩大目标图像的图像丰富度，本发明进一步对对所述目标图像执行图像拆分，详细地，参阅图3所示，所述S3包括：
步骤A、提取所述目标图像的目标轮廓图；
步骤B、判断所述目标轮廓图是否为圆形或椭圆形；
步骤C、若所述目标轮廓图是圆形或椭圆形，利用扇形拆分法对所述目标图像执行图像拆分，得到一个或多个所述图像块；
步骤D、若所述目标轮廓图不是圆形或椭圆形，利用矩形拆分法对所述目标图像执行图像拆分，得到一个或多个所述图像块。
本发明实施例中，上述已包括对所述待匹配图像执行目标轮廓提取，得到目标轮廓图的步骤，因此将所述目标轮廓图存储至数据库中，当所述目标拆分模块102需要目标轮廓图时，从数据库中提取得到。
进一步地，本发明构建OpenCV接口调用脚本，利用所述OpenCV接口调用脚本，调用OpenCV提供的HoughEllipse接口，可判断出所述目标轮廓图是否为圆形或椭圆形。
若所述目标轮廓图是圆形或椭圆形，利用扇形拆分法对所述目标图像执行图像拆分。其中扇形拆分法是将目标图像内的目标轮廓图设定为圆形，按照圆形可拆分为若干扇形原则，将所述目标图像执行二分、三分、四分等，从而得到一个或多个类似扇形形状的图像块。
若所述目标轮廓图不是圆形或椭圆形，利用矩形拆分法对所述目标图像执行图像拆分。其中矩形拆分法是将目标图像内的目标轮廓图设定为矩形，按照矩形可拆分为若干方形块的原则，将所述目标图像执行二分、三分、四分等，从而得到一个或多个类似方形形状的图像块。
所述图像类别识别模块103用于接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集。
详细地，所述训练所述原始图像类别识别模型，得到标准图像类别识别模型，包括：获取图像训练集；利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型。
进一步地，所述图像训练集利用爬虫技术，从网络上爬取的各种图像，包括各类动植物、工艺品、制造品。所述原始图像类别识别模型是一种基于卷积神经网络的分类模型，可判断每张图像内是否包括老虎、花草、汽车等。
详细地，所述利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型，包括：将所述图像训练集分为K份训练子集，分别利用所述K份训练子集中每份训练子集，训练所述原始图像类别识别模型，得到待验证图像类别识别模型，对所述待验证图像类别识别模型执行模型评估，得到评估分数，当所述评估分数小于预设标准分数，得到所述标准图像类别识别模型。
其中，本发明实施例利用如下两种训练方法，训练所述原始图像类别识别模型，得到所述待验证图像类别识别模型：
s＝((w/(k-b)+(b+ab)/(t-w))/2
s＝((w/(k-b-ab)+(b+ab)/(k-w))/2
其中，s是所述份训练子集内具体一张图像的目标轮廓比例值，b是所述份训练子集内具体一张图像的图像轮廓点数量，w是所述份训练子集内具体一张图像的空白区域点数量，ab是所述份训练子集内具体一张图像在目标轮廓变形后通过补偿算法计算得到的目标轮廓点数量，t是所述份训练子集内具体一张图像的总像素点数量。当所述份训练子集内每张图像的目标轮廓比例值均小于指定阈值后，得到所述待验证图像类别识别模型。
本发明实施例中，利用如下对所述待验证图像类别识别模型执行模型评估，得到评估分数，当所述评估分数小于预设标准分数，得到所述标准图像类别识别模型，
本发明实施例采用双重指标加权方法，对所述对所述待验证图像类别识别模型执行模型评估，得到评价得分：
F＝0.3*FN/(TP+FN)*100％
式中，F表示所述评价得分，TP表示所述待验证图像类别识别模型预测所述图像训练集为正确类别的数量，FN表示所述待验证图像类别识别模型预测图像训练集为错误类别的数量。
其中所述评估分数F的值越小表示模型越好，本发明实施例设置所述预设标准分数为0.15。
本发明实施例利用所述图像类别识别模型对所述图形块进行检测，如检测一张躯干部位的图形块的图形类别为虎或豹，检测头部的图形类别为猫或豹等。
所述图像匹配模块104用于利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
本发明实施例中，所述图像数据库中图像是按照图像类别进行存储，每张存储在所述图像数据库中的图像，均具有类别标签，如猫类别图像、狗类别图像等。
如上述待匹配图像中包括猫和狗类别，利用猫和狗的类别，从所述图像数据库中匹配出包括猫和狗的类别的所有图像。
如图5所示，是本发明实现图片匹配方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图片匹配程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图片匹配程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行图片匹配程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图片匹配程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像；
从所述去噪图像中提取目标图像；
对所述目标图像执行图像拆分，得到一个或多个图像块；
接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像；
从所述去噪图像中提取目标图像；
对所述目标图像执行图像拆分，得到一个或多个图像块；
接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种图片匹配方法，其特征在于，所述方法包括：
获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像；
从所述去噪图像中提取目标图像；
对所述目标图像执行图像拆分，得到一个或多个图像块；
接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
2.如权利要求1所述的图片匹配方法，其特征在于，所述训练所述原始图像类别识别模型，得到标准图像类别识别模型，包括：
获取图像训练集；
利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型。
3.如权利要求2所述的图片匹配方法，其特征在于，所述利用所述图像训练集对所述原始图像类别识别模型执行K折交叉验证训练，得到所述标准图像类别识别模型，包括：
将所述图像训练集分为k份训练子集，分别利用所述k份训练子集中每份训练子集，训练所述原始图像类别识别模型，得到待验证图像类别识别模型；
对所述待验证图像类别识别模型执行模型评估，得到评估分数，当所述评估分数小于预设标准分数，得到所述标准图像类别识别模型。
4.如权利要求1所述的图片匹配方法，其特征在于，所述对所述待匹配图像执行去噪处理，得到去噪图像，包括：
利用预构建的高斯滤波器，对所述待匹配图像执行滤波，得到滤波图像；
构建卷积核，利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像。
5.如权利要求4所述的图片匹配方法，其特征在于，所述利用所述卷积核对所述滤波图像执行卷积操作，得到所述去噪图像，包括：
选择所述滤波图像左上方像素作为核中心，利用所述卷积核对所述核中心执行加权平均得到加权平均值；
利用所述加权平均值替代所述核中心的原像素值，直至核中心从所述滤波图像的左上方像素移动至所述滤波图像的右下方像素，得到所述去噪图像。
6.如权利要求5所述的图片匹配方法，其特征在于，所述利用所述卷积核对所述核中心执行加权平均得到加权平均值，包括：
利用所述核中心构建与所述卷积核大小相同的像素矩阵；
将所述卷积核与所述像素矩阵执行加权平均，得到所述加权平均值。
7.如权利要求1至6中任意一项所述的图片匹配方法，其特征在于，所述从所述去噪图像中提取目标图像，包括：
对所述去噪图像执行目标轮廓提取，得到目标轮廓图；
通过预设的仿射变换算法，对所述目标轮廓图执行矫正操作，得到所述目标图像。
8.一种图片匹配装置，其特征在于，所述装置包括：
目标图像提取模块，用于获取用户输入的待匹配图像，对所述待匹配图像执行去噪处理，得到去噪图像，从所述去噪图像中提取目标图像；
目标拆分模块，用于对所述目标图像执行图像拆分，得到一个或多个图像块；
图像类别识别模块，用于接收原始图像类别识别模型，训练所述原始图像类别识别模型，得到标准图像类别识别模型，利用所述标准图像类别识别模型识别一个或多个所述图像块对应的图像类别，得到图像类别集；
图像匹配模块，用于利用所述图像类别集，从预构建的图像数据库中，匹配出与所述待匹配图像对应的图像集。
9.一种电子设备，其特征在于，所述电子设备包括：
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如权利要求1至7中任一项所述的图片匹配方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图片匹配方法。
CN202011525192.XA 2020-12-22 2020-12-22 图片匹配方法、装置、电子设备及存储介质 Active CN112561893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011525192.XA CN112561893B (zh) 2020-12-22 2020-12-22 图片匹配方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011525192.XA CN112561893B (zh) 2020-12-22 2020-12-22 图片匹配方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112561893A true CN112561893A (zh) 2021-03-26
CN112561893B CN112561893B (zh) 2024-09-06

Family

ID=75031283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011525192.XA Active CN112561893B (zh) 2020-12-22 2020-12-22 图片匹配方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112561893B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035313A (zh) * 2022-06-15 2022-09-09 云南这里信息技术有限公司 黑颈鹤识别方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077594A (zh) * 2013-03-29 2014-10-01 浙江大华技术股份有限公司 一种图像识别方法和装置
CN108763580A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机存储介质
CN109583489A (zh) * 2018-11-22 2019-04-05 中国科学院自动化研究所 缺陷分类识别方法、装置、计算机设备和存储介质
CN109685075A (zh) * 2018-11-27 2019-04-26 山东鲁能软件技术有限公司 一种基于图像的电力设备识别方法、装置及系统
CN110059212A (zh) * 2019-03-16 2019-07-26 平安科技（深圳）有限公司 图像检索方法、装置、设备及计算机可读存储介质
CN111368923A (zh) * 2020-03-05 2020-07-03 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN111553372A (zh) * 2020-04-24 2020-08-18 北京搜狗科技发展有限公司 一种训练图像识别网络、图像识别搜索的方法及相关装置
CN111699478A (zh) * 2018-03-09 2020-09-22 欧姆龙株式会社 图像检索装置、图像检索方法、电子设备及其控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077594A (zh) * 2013-03-29 2014-10-01 浙江大华技术股份有限公司 一种图像识别方法和装置
CN111699478A (zh) * 2018-03-09 2020-09-22 欧姆龙株式会社 图像检索装置、图像检索方法、电子设备及其控制方法
CN108763580A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机存储介质
CN109583489A (zh) * 2018-11-22 2019-04-05 中国科学院自动化研究所 缺陷分类识别方法、装置、计算机设备和存储介质
CN109685075A (zh) * 2018-11-27 2019-04-26 山东鲁能软件技术有限公司 一种基于图像的电力设备识别方法、装置及系统
CN110059212A (zh) * 2019-03-16 2019-07-26 平安科技（深圳）有限公司 图像检索方法、装置、设备及计算机可读存储介质
CN111368923A (zh) * 2020-03-05 2020-07-03 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN111553372A (zh) * 2020-04-24 2020-08-18 北京搜狗科技发展有限公司 一种训练图像识别网络、图像识别搜索的方法及相关装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035313A (zh) * 2022-06-15 2022-09-09 云南这里信息技术有限公司 黑颈鹤识别方法、装置、设备及存储介质
CN115035313B (zh) * 2022-06-15 2023-01-03 云南这里信息技术有限公司 黑颈鹤识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112561893B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN112465071A (zh) 图像多标签分类方法、装置、电子设备及介质
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111309825A (zh) 数据聚类的存储方法、装置及计算机可读存储介质
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN111932534A (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN112132812A (zh) 证件校验方法、装置、电子设备及介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN114049568A (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN112668575A (zh) 关键信息提取方法、装置、电子设备及存储介质
CN111814743A (zh) 笔迹识别方法、装置及计算机可读存储介质
CN112016617A (zh) 细粒度分类方法、装置及计算机可读存储介质
CN112862703B (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN113627394A (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN113420684A (zh) 基于特征提取的报表识别方法、装置、电子设备及介质
CN113704474A (zh) 银行网点设备操作指引生成方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant