CN112766294A - 图像处理方法及装置、电子设备和计算机可读存储介质 - Google Patents
图像处理方法及装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112766294A CN112766294A CN201911071705.1A CN201911071705A CN112766294A CN 112766294 A CN112766294 A CN 112766294A CN 201911071705 A CN201911071705 A CN 201911071705A CN 112766294 A CN112766294 A CN 112766294A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- sensitive
- parameter
- sensitive image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 28
- 239000002131 composite material Substances 0.000 claims abstract description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 238000003786 synthesis reaction Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 230000002194 synthesizing effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 20
- 238000007689 inspection Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 12
- 230000009466 transformation Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000036544 posture Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002023 wood Substances 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种图像处理方法、装置以及电子设备和计算机可读存储介质,涉及图像处理技术领域,该方法包括:获取目标识别难度参数;根据目标识别难度参数确定目标敏感图像,并获取目标敏感图像的识别参数;根据目标识别难度参数和目标敏感图像的识别参数获取目标背景图像;将目标敏感图像与目标背景图像融合以生成合成图像。本公开实施例提供的技术方案可以根据目标识别难度参数确定目标敏感图像,然后根据目标识别难度参数和目标敏感图像的识别参数确定一个与目标敏感图像契合度较高的目标背景图像,将目标敏感图像与目标背景图像融合后可以生成识别难度已知的合成样本。在使用合成样本训练目标对象的识别能力时,可以根据目标对象的当前识别能力调整训练使用的合成样本,以提高训练效果。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理及装置、电子设备和计算机可读存储介质。
背景技术
在海关违禁品检查过程中,通常需要根据扫描获得的待检查物品的图像进行图像识别,以判断所述待检查物品中是否夹藏有违禁物品。
通过人工对所述待检查物品的图像进行图像识别,要求海关检查人员要具有足够多的图像识别经验(即识别过不同种类和不同姿态的违禁物品)。
为了训练海关检查人员对待检查物品图像中违禁物品的识别能力,可以通过已知的夹藏有违禁物品的物品图像对海关检查人员进行训练,以提高他们的识别能力。
目前,由于海关检查中违禁物品种类多样,夹藏姿态不同,海关图像检查数据库中现有的图像难以满足对海关检查人员进行训练的要求。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种图像处理方法及装置、电子设备和计算机可读存储介质,能够根据目标识别难度参数确定目标敏感图像和目标背景图像,并根据目标敏感图像和目标背景图像生成不同识别难度系数的合成样本。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
本公开实施例提出一种图像识别方法,该方法包括:获取目标识别难度参数;根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
在一些实施例中,将所述目标敏感图像与所述目标背景图像融合以生成合成图像,包括:获取所述目标敏感图像的大小及其边缘像素;根据所述目标敏感图像的大小及其边缘像素在所述目标背景图像中确定待融合区域;将所述待融合区域的像素替换为所述目标敏感图像的像素。
在一些实施例中,根据所述目标敏感图像的大小及其边缘像素在所述目标背景图像中确定待融合区域,包括:根据所述目标敏感图像的大小在所述目标背景图像中确定滑窗;根据所述目标敏感图像的边缘像素以及所述滑窗确定所述待融合区域。
在一些实施例中,所述图像处理方法还包括:对融合后的目标敏感图像的边缘进行平滑处理。
在一些实施例中,根据所述目标识别难度参数确定目标敏感图像,包括:以所述目标识别难度参数为中心构建目标分布函数;对所述目标分布函数进行随机采样以获得采样结果;根据所述采样结果确定所述目标敏感图像。
在一些实施例中,获取目标识别难度参数,包括:获取目标对象根据待识别图像进行识别训练的识别结果以及所述识别训练的训练难度参数;根据所述识别结果确定所述目标对象的表现参数;根据所述识别训练的训练难度参数以及所述目标对象的表现参数确定所述目标对象的识别能力参数;根据所述目标对象的识别能力参数确定所述目标识别难度参数。
在一些实施例中,所述待识别图像中包括样本敏感图和样本背景图,所述方法还包括:获取所示样本敏感图和所述样本背景图的复杂度信息;确定根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数;根据所述样本敏感图和所述样本背景图的复杂度信息以及根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数确定所述待识别图像的识别难度参数;根据所述待识别图像的识别难度参数确定所述识别训练的训练难度参数。
本公开实施例提出一种图像处理装置,所述图像处理装置包括:参数获取模块、目标敏感图像获取模块、目标背景图像获取模块以及合成模块。
其中,所述参数获取模块可以配置为获取目标识别难度参数;所述目标敏感图像获取模块,配置为根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;所述目标背景图像获取模块,配置为根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;所述合成模块,配置为将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
本公开实施例提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项所述的图像处理方法。
本公开实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的图像处理方法。
本公开实施例提供的图像识别方法、装置及电子设备和计算机可读存储介质,根据目标识别难度参数确定了目标敏感图像,然后根据所述目标识别难度参数以及所述目标敏感图像确定了与所述目标敏感图像复杂度信息契合度较高的目标背景图像,最后将所述目标敏感图像与所述目标背景图像融合,获得了识别难度可求的合成样本。本公开实施例提供的技术方案,根据目标识别难度参数可以确定背景比较相像的目标敏感图像和目标背景图像,将所述目标敏感图像与所述目标背景图像融合,可以将所述目标敏感图像很好的隐藏在所述目标背景图像中;另外,可以通过调节所述目标识别难度参数以调节根据所述目标敏感图像和所述目标背景图像生成的合成样本的识别难度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了可以应用于本公开实施例的图像处理方法或图像处理装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种图像处理方法的流程图。
图3是根据一示例性实施例示出的一种目标敏感图像的示意图。
图4是根据一示例性实施例示出的一种目标背景图像的示意图。
图5是根据一示例性实施例示出的一种合成图像的示意图。
图6是图2中步骤S1在一些实施例中的流程图。
图7是图6中步骤S11在一示例性实施例中的流程图。
图8是图2中步骤S2在一示例性实施例中的流程图。
图9是图2中步骤S4在一些实施例中的流程图。
图10是图9中步骤S42在一些实施例中的流程图。
图11是根据一示例性实施例示出的一种抠取敏感图像的方法的流程图。
图12是根据一示例性实施例示出的另一种图像处理方法的流程图。
图13是根据一示例性实施例示出的一种图像处理系统的示意图。
图14是根据一示例性实施例示出的一种图像处理装置的框图。
图15是根据一示例性实施例示出的一种应用于图像处理装置的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本说明书中,用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等;用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”和“第三”等仅作为标记使用,不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的图像处理方法或图像处理装置的示例性系统架构的示意图。
如图1所示,系统架构100可以包括图像获取装置101,终端设备102、103,网络104和服务器105。网络104用以在扫描装置101、终端设备102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用图像获取装置101、终端设备102、103通过网络104与服务器105交互,以接收或发送消息等。其中,终端设备102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
图像获取装置101可例如是激光扫描装置等,可以用来获取目标对象的图像(包括但不限制于二值图像、彩色图像等)。其中,所述目标对象可例如是车辆、集装箱等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
服务器105可例如获取目标识别难度参数;服务器105可例如根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;服务器105可例如根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;服务器105可例如将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
应该理解,图1中的扫描装置、终端设备、网络和服务器的数目仅仅是示意性的,服务器105可以是一个实体的服务器,还可以为多个服务器组成,根据实际需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种图像处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理,例如上述图1实施例中的服务器105和/或终端设备102、103,在下面的实施例中,以服务器105为执行主体为例进行举例说明,但本公开并不限定于此。
在海关检查中,通常需要对集装箱进行扫描,海关检查人员根据扫描结果进行人工图像识别以判断所述集装箱中是否夹藏违禁品。但是由于海关检查人员经验较少,导致通常不能一眼识别出所述集装箱中的违禁品。
为了训练海关检查人员对违禁品的识别能力,通常需要通过已知的夹藏有违禁品的图像对海关检查人员进行训练。例如,可以通过已知夹藏有枪支的棉花、苹果或木材的集装箱图像对海关人员进行训练。
但是,由于违禁品在集装箱中的姿态各异、夹藏有违禁品的物品的种类也各不相同,导致海关图像库中没有足够多的训练样本可以对海关检查人员进行训练。
为了提供足够多的样本以训练海关检查人员,本公开提出以下技术方案。
参照图2,本公开实施例提供的图像处理方法可以包括以下步骤。
在步骤S1中,获取目标识别难度参数。
在一些实施例中,所述目标识别难度参数可以是指定的难度参数值,所示难度参数值可以根据具体的训练场景以及待训练海关检查人员的识别能力进行设置,本公开对此不做限制。
在一些海关检查领域中,所述目标识别难度参数可以略大于待训练海关检查人员对违禁品的识别能力。例如,假设待训练海关检查人员对违禁品的识别能力为2,可以将所述目标识别难度参数设置为2*1.2等,以便生成的合成图像中的违禁品的识别难度略高于所述待训练海关检查人员的实际识别能力。
在步骤S2中,根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息。
在一些实施例中,可以从包括敏感物品的图像中抠取敏感物品的图像,以形成敏感图像库。在抠取敏感物品图像之前可以对包括敏感物品的图像按要求进行做图像变换(例如,放大、缩小顺时针旋转、逆时针旋转、翻转、高能、低能、反色、灰度、线性变换、对数变换、直方图均衡等),然后选定抠取的区域和形状(例如,四边形等),最后拷贝选定区域的图像像素,按要求图像格式生成敏感图像。
在一些实施例中,可以将根据上述步骤生成的敏感图像进行属性(名称、类型以及说明等)的定义,并将所述敏感图像上传保存到敏感物品图像库中以备使用。
在一些实施例中,所述敏感物品图像库中可以包括不同类型、不同姿态以及不同材质的敏感物品的图像。
在一些实施例中,敏感图像的复杂度信息可以对所述敏感图像的可被识别情况进行描述。
在一些实施例中,可以根据所述敏感图像的灰度级直方图的二阶矩(方差)描述所述敏感图像的纹理复杂度,并可以将所述敏感图像的纹理复杂度归一化为所述敏感图像的复杂度信息,即所述复杂度信息。
其中,归一化是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换,图像归一化使得图像可以抵抗几何变换的攻击,它能够找出图像中的那些不变量,从而得知这些图像原本就是一样的或者一个系列的。
在一些实施例中,根据所述目标识别难度参数以及所述敏感物品图像库中的敏感图像的复杂度信息可以确定如图3所示的目标敏感图像,并获取所述目标敏感图像的实际复杂度信息。
在一些实施例中,可以根据所述目标识别难度参数确定第一难度参数,然后根据所述第一难度参数确定所述目标敏感图像。
例如,可以根据公式(1)确定所述第一难度参数,并根据所述第一难度参数确定所述目标敏感图像。
y=1-(1-x)1/3 (1)
其中,y是所述第一难度参数,x是所述目标识别难度参数。
在一些实施例中,可以在所述敏感物品图像库中的各个敏感图像中选择一个或多个复杂度信息与所述第一难度参数接近的图像作为所述目标敏感图像。
可以理解的是,所述目标敏感图像的复杂度信息与所述第一难度参数可以不完全相同,所以在获得所述目标敏感图像后还需要获得所述目标敏感图像的实际复杂度信息。
在步骤S3中,根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像。
在一些实施例中,可以将背景图像(例如包括待检查物品的图像)按要求进行做图像变换(例如,放大、缩小顺时针旋转、逆时针旋转、翻转、高能、低能、反色、灰度、线性变换、对数变换、直方图均衡等),然后对图像变换后的背景图像进行属性(名称、类型以及说明等)的定义,并将所述背景图像上传保存到背景物品图像库中以备使用。
在一些实施例中,可以根据所述目标识别难度参数以及所述目标敏感图像的复杂度信息确定第二难度参数,并根据所述第二难度参数获取所述目标背景图像。
例如,可以根据公式(2)确定所述第二难度参数。
z=1-((1-x)/(1-y))1/2 (2)
其中,z是所述第二难度参数,x是所述目标识别难度参数,y是所述目标敏感图像的复杂度信息。
在一些实施例中,可以在所述背景物品图像库中各个背景图像中选择一个或多个复杂度信息与所述第二难度参数接近的图像作为如图4所示的目标背景图像。
在步骤S4中,将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
在一些实施例中,可以使用泊松融合等技术将如图3所示的目标敏感图像与如图4所示的目标背景图像融合,以生成如图5所示的合成图像。在一些实施例总,通过对图5图像的识别,海关检测人员可以识别出敏感物品501所在的位置。
本公开实施例提供的图像识别方法,根据目标识别难度参数确定了目标敏感图像,然后根据所述目标识别难度参数以及所述目标敏感图像确定了与所述目标敏感图像复杂度信息契合度较高的目标背景图像,最后将所述目标敏感图像与所述目标背景图像融合,获得了识别难度可求的合成样本。本公开实施例提供的技术方案,根据目标识别难度参数可以确定背景比较相像的目标敏感图像和目标背景图像,将所述目标敏感图像与所述目标背景图像融合,可以将所述目标敏感图像很好的隐藏在所述目标背景图像中;另外,可以通过调节所述目标识别难度参数以调节根据所述目标敏感图像和所述目标背景图像生成的合成样本的识别难度,最后根据本公开实施例提供的技术方案,可以将不同类型、不同姿态的敏感物品与不同类型的背景物品图片相融合。在海关检查领域内,可以根据本公开实施例提供的技术方案生成不同夹藏有违禁品的待检查物品的图像,有利于提高海关检查人员的图像识别能力。
图6是图2中步骤S1在一些实施例中的流程图。参考图6,上述步骤S1可以包括以下步骤。
在步骤S11中,获取目标对象根据待识别图像进行识别训练的识别结果以及所述识别训练的训练难度参数。
在一些实施例中,所述目标对象可以指的需要进行图像识别训练的人员,例如可以是海关检查人员。
在一些实施例中,可以使用待识别图像对所述海关检查人员进行训练,并获得所述海关检查人员的识别结果,所述识别结果中包括所述海关检查人员中指出的所述待识别图像中包括敏感物品的图像,以及指认正确的图像。
在一些实施例中,可以获取所述目标对象在过去n次的识别训练过程中的识别结果以及所述n次识别训练的训练难度参数。
在步骤S12中,根据所述识别结果确定所述目标对象的表现参数。
在一些实施例中,所示识别结果中包括所述识别训练中的待识别图像的个数K、所述目标对象在所述识别训练中找出的包括敏感物品的图像的个数M以及所述目标对象正确识别的包括敏感物品的图像的个数R。
在一些实施例中,可以根据所述识别训练中的待识别图像的个数K、所述目标对象在所述识别训练中找出的包括敏感物品的图像的个数M以及所述目标对象正确识别的包括敏感物品的图像的个数R确定所述目标对象的在所述识别训练中的表现参数。
在一些实施例中,可以根据公式(3)确定所述目标对象在单次训练中的表现参数。
其中,cj代表所述目标对象在其第j次识别训练中的表现参数,Rj代表所述目标对象在其第j次识别训练中正确识别出的包括敏感物品的图像的个数,Mj代表所述目标对象在其第j次识别训练中找出的包括敏感物品的图像的个数,Kj代表所述目标对象的第j次识别训练中的包括敏感物品的待识别图像的个数,j为大于等于1小于等于n的正整数,n为选取的所述目标对象的识别训练的次数。
在步骤S13中,根据所述识别训练的训练难度参数以及所述目标对象的表现参数确定所述目标对象的识别能力参数。
在一些实施例中,可以根据所述识别训练中的各个待识别图像的复杂度信息x(i)确定所述识别训练的训练难度参数。
例如,可以通过公式(4)确定所述识别训练的训练难度参数。
其中,bj代表所述目标对象的第j次识别训练的训练难度参数;xj(i)代表所述目标对象的第j次识别训练中的第i个待识别图像的复杂度信息;K代表所述目标对象的第j次识别训练中待识别图像的个数;C是一个时间系数,可以人为设定;T代表所述目标对象的第j次识别训练的限定时间,限定时间越短,该次识别训练难度越大;N代表所述目标对象的第j次识别训练中的待识别图像的个数;j为大于1小于等于n的正整数,n为选取的所述目标对象的识别训练的次数;i为大于等于1小于等于K的正整数。
在一些实施例中,可以根据所述目标对象在各次识别训练中的表现参数与对应识别训练的识别难度参数确定所述目标对象的识别能力参数。
例如,可以将所述目标对象在每次识别训练中的表现参数与该次训练的训练难度参数的加权乘积和作为所述目标对象的识别能力参数。
例如,可以通过公式(5)确定所述目标对象的识别能力参数。
其中,a代表了所述目标对象的识别能力参数,hj代表了权重,其中h1~hN可以依次设定为pn-1(n=1、2、3…..N),cj代表所述目标对象在其第j次识别训练中的表现参数,bj代表所述目标对象的第j次识别训练的训练难度参数,j为大于等于1小于等于n的正整数,n为选取的所述目标对象的识别训练的次数。
在步骤S14中,根据所述目标对象的识别能力参数确定所述目标识别难度参数。
在一些实施例中,可以根据所述目标对象的识别能力参数确定所述目标识别难度参数。例如,可以令所述目标识别难度参数略大于所述识别能力参数,以使得最后生成的合成图像的识别难度参数大于所述目标对象的识别能力参数。根据上述生成的合成图像对所述目标对象进行识别训练,一定程度上可以提高所述目标对象的识别能力。
本实施例提供的技术方案,可以根据目标对象在过去的识别训练结果以及该识别训练的训练难度参数确定所述目标对象的识别能力,并根据所述目标对象的识别能力确定一个目标识别难度参数,以便于根据所述目标识别难度参数合成识别难度已知的合成样本图像。
图7是图6中步骤S11在一示例性实施例中的流程图。参考图7,上述步骤S11可以包括以下步骤。
在一些实施例中,图6中步骤S11中的待识别图像中可以包括样本敏感图和样本背景图(图5所示的合成图像就可以是所述待识别图像,所述待识别图像中就包括了样本敏感图501以及样本背景图(除501之外的部分))。
在步骤S111中,确定根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数。
在一些实施例中,可以通过扫描技术获取样本敏感物品的灰度图以作为所述敏感图,并获取样本物品的灰度图以作为所述样本背景图。
在一些实施例中,敏感图像的复杂度信息可以对所述敏感图像的可被识别情况进行描述。
在一些实施例中,可以根据所述敏感图像的灰度级直方图的二阶矩(方差)描述所述敏感图像的纹理复杂度,并可以将所述敏感图像的纹理复杂度归一化为所述敏感图像的复杂度信息,即所述复杂度信息。
在步骤S112中,确定根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数。
在一些实施例中,可以根据所述样本敏感图获得第一矩阵,根据所述样本背景图获得第二矩阵。
在一些实施例中,可以对所述样本敏感图做取负片和归一化处理,以得到所述第一矩阵A。
在相关技术中,对图像进行取负片处理可以理解为为所述图像作反色处理。
在一些实施例中,可以对所述样本背景图中与所述样本敏感图重叠的部分(将所述样本敏感图和与所述样本背景图融合,则原样本背景图必然有一部区域与所述样本敏感图重合)做取负片和归一化处理,以获得所述第二矩阵B。
在一些实施例中,经过取负片和归一化处理后,全白的样本敏感图可以生成应零矩阵,全黑的样本敏感图可以生成1矩阵。
在一些实施例中,可以根据公式(6)确定根据所述样本敏感图和所述样本背景图合成的待识别图像的合成难度参数。
其中,P1代表根据所述样本敏感图和所述样本背景图合成的待识别图像的合成难度参数,A代表所述第一矩阵,B代表所述第二矩阵。
在步骤S113中,根据所述样本敏感图和所述样本背景图的复杂度信息以及根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数确定所述待识别图像的识别难度参数。
在一些实施例中,可以根据公式(7)确定所述待识别图像的识别难度参数。
L=1-(1-P2)*(1-P3)*(1-P1) (7)
其中,L可以代表所述待识别图像的识别难度参数,P1可以代表根据所述样本敏感图和所述样本背景图合成的待识别图像的合成难度参数,P2可以代表所述样本敏感图像的复杂度信息,所述P3可以代表所述样本背景图像的复杂度信息。
在步骤S114中,根据所述待识别图像的识别难度参数确定所述识别训练的训练难度参数。
在一些实施例中,所述目标对象的每次识别训练可以包括M张图像,每个图像的识别难度参数为x(i)(i为大于等于1小于等于M的正整数),那么每次识别训练的训练难度参数可以表示为公式(4)。
本实施例提供的技术方案,根据待识别图像中的样本敏感图和样本背景图的复杂度信息,确定了所述待识别图像的识别难度参数,并根据识别训练中的各个待识别图像的识别难度参数确定了所述识别训练的训练难度参数。本公开实施例提供了一种量化待识别图像的识别难度以及识别训练的训练难度的方法。
图8是图2中步骤S2在一示例性实施例中的流程图。参考图8,上述步骤S2可以包括以下步骤。
在步骤S21中,以所述目标识别难度参数为中心构建目标分布函数。
在一些实施例中,所述目标分布函数可以是高斯分布函数,可以以所述目标识别难度参数为中心构建所述目标分布函数。
在步骤S22中,对所述目标分布函数进行随机采样以获得采样结果。
在步骤S23中,根据所述采样结果确定所述目标敏感图像。
在一些实施例中,可以选择识别难度参数与所述采样结果最为接近的敏感图像为所述目标敏感图像。
在另外一些实施例中,也可以直接确定一个与所述目标识别难度参数最为接近的敏感图像为所述目标敏感图像。
本公开实施例,提供了一种根据目标识别难度参数构建了目标分布函数,并对目标分布函数进行采样以确定目标敏感图像的方法。
图9是图2中步骤S4在一些实施例中的流程图。参考图9,上述步骤S4可以包括以下步骤。
在步骤S41中,获取所述目标敏感图像的大小及其边缘像素。
在一些实施例中,所述目标敏感图像可以是形状规则的图像,例如可以是长方形、菱形、圆形等。
在一些实施例中,可以根据所述目标敏感图像获取所述目标敏感图像的形状和大小以及所述目标敏感图像边缘像素。
在步骤S42中,根据所述目标敏感图像的大小及其边缘像素在所述目标背景图像中确定待融合区域。
在一些实施例中,可以根据所述目标敏感图形的形状、大小以及其边缘像素在所述目标背景图像中确定一与所述目标敏感图像更为接近的区域为所述待融合区域。
在步骤S43中,将所述待融合区域的像素替换为所述目标敏感图像的像素。
在一些实施例中,可以将所述待融合区域的像素直接替换为所述目标敏感图像的像素,并对所述对融合后的目标敏感图像的边缘进行平滑处理。
本实施例,一方面根据所述目标敏感图像的大小和边缘像素,在所述目标背景图像中确定了大小与所述目标敏感图像相同,并且边缘像素也与所述目标敏感图像的边缘像素相似的待融合区域,本方法可以在所述背景图像中选择可以很好的隐藏所述目标敏感图像的待融合预区域;另一方面,将所述待融合区域的像素替换为所述目标敏感图像的相似,并使用平滑处理处理融合后的目标敏感图像的边缘地区,既使得融合快速便捷,又能使得融合更为自然、隐藏度高。
图10是图9中步骤S42在一些实施例中的流程图。参考图9,上述步骤S24可以包括以下步骤。
在步骤S421中,根据所述目标敏感图像的大小在所述目标背景图像中确定滑窗。
在一些实施例中,可以根据所述目标敏感图像的形状和大小在所述目标背景图像中确定一滑窗,所述滑窗的形状和大小可以与所述目标敏感图像的形状和大小相同。
在步骤S422中,根据所述目标敏感图像的边缘像素以及所述滑窗确定所述待融合区域。
在一些实施例中,可以在所述目标背景图像的非空白区域(即不包括空白区域的区域)滑动所述滑窗,直到所述滑窗覆盖的目标背景图像的边缘像素点的平均值与所述目标敏感图像的边缘像素的平均值相等,并可以认为此时所述滑窗覆盖的目标背景图像中的区域就是所述待融合区域。
图11是根据一示例性实施例示出的一种抠取敏感图像的方法的流程图。参考图11,所述抠取敏感图像的方法可以包括以下步骤。
在步骤S111中,打开包括敏感物品的图像。
在步骤S112中,对所述包括敏感物品的图像进行图像变换处理。
在步骤S113中,将所述敏感物品从所述包括敏感物品的图像中抠取,以生成敏感图像。
在步骤S114中,填写所述敏感图像的属性信息,包括图像名称、说明内容、图像类型以及图像状态等。
在步骤S115中,将所述敏感图像及其属性信息上传敏感物品图像库。
本实施例,通过抠图的方式获取所述敏感图像,既方便、又快捷。
图12是根据一示例性实施例示出的另一种图像处理方法的流程图。参考图12,所述图像处理方法的可以包括以下步骤。
在步骤S121中,获取目标对象根据待识别图像进行识别训练的识别结果以及所述识别训练的训练难度参数。
在步骤S122中,根据所述识别结果确定所述目标对象的表现参数。
在步骤S123中,根据所述识别训练的训练难度参数以及所述目标对象的表现参数确定所述目标对象的识别能力参数。
在步骤S124中,根据所述目标对象的识别能力参数确定目标识别难度参数。
在步骤S125中,根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息以及所述目标敏感图像的大小和边缘像素。
在步骤S126中,根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像。
在步骤S127中,根据所述敏感图像的大小在所述背景图像中确定滑窗,并根据所述敏感图像的边缘像素以及所述滑窗在所述背景图像中确定待融合区域。
在步骤S128中,将所述待融合区域的像素替换为所述敏感图像的像素。
在步骤S129中,对融合后的敏感图像的边缘进行平滑处理。
本公开实施例提供的图像识别方法,根据目标识别难度参数确定了目标敏感图像,然后根据所述目标识别难度参数以及所述目标敏感图像确定了与所述目标敏感图像复杂度信息契合度较高的目标背景图像,最后将所述目标敏感图像与所述目标背景图像融合,获得了识别难度可求的合成样本。本公开实施例提供的技术方案,根据目标识别难度参数可以确定背景比较相像的目标敏感图像和目标背景图像,将所述目标敏感图像与所述目标背景图像融合,可以将所述目标敏感图像很好的隐藏在所述目标背景图像中;另外,可以通过调节所述目标识别难度参数以调节根据所述目标敏感图像和所述目标背景图像生成的合成样本的识别难度,最后根据本公开实施例提供的技术方案,可以将不同类型、不同姿态的敏感物品与不同类型的背景物品图片相融合。在海关检查领域内,可以根据本公开实施例提供的技术方案生成不同夹藏有违禁品的待检查物品的图像,有利于提高海关检查人员的图像识别能力。
图13是根据一示例性实施例示出的一种图像处理系统的示意图。如图13所示,图像处理系统130可以包括:登录/登出模块131、图像抠取模块132、图像融合模块133以及融合图像库134。
在一些实施例中,用户可以通过登录/登出模块131登录所述图像处理系统。
在一些实施例中,所述图像抠取模块132可以用来从包括敏感物品的图像中抠取敏感物品图像。
在一些实施例中,所述图像融合模块133可以用来获取目标识别难度参数;根据目标识别难度参数确定目标敏感图像,并获取目标敏感图像的识别参数;根据目标识别难度参数和目标敏感图像的识别参数获取目标背景图像;将目标敏感图像与目标背景图像融合以生成合成图像。
在一些实施例中,所述融合图像库134可以用来存储所述合成图像。
图14是根据一示例性实施例示出的一种图像处理装置的框图。参照图14,本公开实施例提供的图像处理装置1400可以包括:参数获取模块1401、目标敏感图像获取模块1402、目标背景图像获取模块1403以及合成模块1404。
其中,所述参数获取模块1401可以配置为获取目标识别难度参数;所述目标敏感图像获取模块1402可以配置为根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;所述目标背景图像获取模块1403可以配置为根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;所述合成模块1404可以配置为将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
在一些实施例中,所述合成模块1404可以包括:边缘像素获取子模块、待融合区域获取子模块以及像素替换模块。
其中,所述边缘像素获取子模块可以配置为获取所述目标敏感图像的大小及其边缘像素;所述待融合区域获取子模块可以配置为根据所述目标敏感图像的大小及其边缘像素在所述目标背景图像中确定待融合区域;所述像素替换模块可以配置为将所述待融合区域的像素替换为所述目标敏感图像的像素。
在一些实施例中,所述待融合区域获取子模块可以包括:滑窗确定单元和待融合区域确定单元。
其中,所述滑窗确定单元可以配置为根据所述目标敏感图像的大小在所述目标背景图像中确定滑窗;所述待融合区域确定单元可以配置为根据所述目标敏感图像的边缘像素以及所述滑窗确定所述待融合区域。
在一些实施例中,所述像素替换模块还可以配置为对融合后的所述目标敏感图像的边缘进行平滑处理。
在一些实施例中,所述目标敏感图像获取模块可以包括:目标分布函数确定子模块、采样子模块以及目标敏感区域确定子模块。
其中,所述目标分布函数确定子模块可以配置为以所述目标识别难度参数为中心构建目标分布函数;所述采样子模块可以配置为对所述目标分布函数进行随机采样以获得采样结果;所述目标敏感区域确定子模块可以配置为根据所述采样结果确定所述目标敏感图像。
在一些实施例中,所述参数获取模块可以包括:训练参数获取子模块、表现参数获取子模块、识别能力参数获取子模块以及目标识别难度参数获取子模块。
其中,所述训练参数获取子模块可以配置为获取目标对象根据待识别图像进行识别训练的识别结果以及所述识别训练的训练难度参数;所述表现参数获取子模块可以配置为根据所述识别结果确定所述目标对象的表现参数;所述识别能力参数获取子模块可以配置为根据所述识别训练的训练难度参数以及所述目标对象的表现参数确定所述目标对象的识别能力参数;所述目标识别难度参数获取子模块可以配置为根据所述目标对象的识别能力参数确定所述目标识别难度参数。
在一些实施例中,所述训练参数获取子模块可以包括:子样本识别难度参数确定单元、合成难度参数确定单元、样本识别难度参数确定单元以及训练难度参数确定单元。
其中,所述子样本识别难度参数确定单元可以配置为获取所示样本敏感图和所述样本背景图的复杂度信息;所述合成难度参数确定单元可以配置为确定根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数;所述样本识别难度参数确定单元可以配置为根据所述样本敏感图和所述样本背景图的复杂度信息以及根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数确定所述待识别图像的识别难度参数;所述训练难度参数确定单元可以配置为根据所述待识别图像的识别难度参数确定所述识别训练的训练难度参数。
由于本公开的示例实施例的图像处理装置1400的各个功能模块与上述图像处理方法的示例实施例的步骤对应,因此在此不再赘述。
下面参考图15,其示出了适于用来实现本申请实施例的终端设备的计算机系统1500的结构示意图。图15示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图15所示,计算机系统1500包括中央处理单元(CPU)1501,其可以根据存储在只读存储器(ROM)1502中的程序或者从储存部分1508加载到随机访问存储器(RAM)1503中的程序而执行各种适当的动作和处理。在RAM 1503中,还存储有系统1500操作所需的各种程序和数据。CPU 1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
以下部件连接至I/O接口1505:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1507;包括硬盘等的储存部分1508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1510上,以便于从其上读出的计算机程序根据需要被安装入储存部分1508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。在该计算机程序被中央处理单元(CPU)1501执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或子模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或子模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些模块和/或子模块和/或单元的名称在某种情况下并不构成对该模块和/或子模块和/或单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备可实现功能包括:获取目标识别难度参数;根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法,例如图2的一个或多个所示的步骤。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不限于这里已经示出的详细结构、附图方式或实现方法,相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取目标识别难度参数;
根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;
根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;
将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
2.根据权利要求1所述方法,其特征在于,将所述目标敏感图像与所述目标背景图像融合以生成合成图像,包括:
获取所述目标敏感图像的大小及其边缘像素;
根据所述目标敏感图像的大小及其边缘像素在所述目标背景图像中确定待融合区域;
将所述待融合区域的像素替换为所述目标敏感图像的像素。
3.根据权利要求2所述方法,其特征在于,根据所述目标敏感图像的大小及其边缘像素在所述目标背景图像中确定待融合区域,包括:
根据所述目标敏感图像的大小在所述目标背景图像中确定滑窗;
根据所述目标敏感图像的边缘像素以及所述滑窗确定所述待融合区域。
4.根据权利要求2所述方法,其特征在于,还包括:
对融合后的所述目标敏感图像的边缘进行平滑处理。
5.根据权利要求1所述方法,其特征在于,根据所述目标识别难度参数确定目标敏感图像,包括:
以所述目标识别难度参数为中心构建目标分布函数;
对所述目标分布函数进行随机采样以获得采样结果;
根据所述采样结果确定所述目标敏感图像。
6.根据权利要求1所述方法,其特征在于,获取目标识别难度参数,包括:
获取目标对象根据待识别图像进行识别训练的识别结果以及所述识别训练的训练难度参数;
根据所述识别结果确定所述目标对象的表现参数;
根据所述识别训练的训练难度参数以及所述目标对象的表现参数确定所述目标对象的识别能力参数;
根据所述目标对象的识别能力参数确定所述目标识别难度参数。
7.根据权利要求6所述方法,其特征在于,所述待识别图像中包括样本敏感图和样本背景图,所述方法还包括:
获取所示样本敏感图和所述样本背景图的复杂度信息;
确定根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数;
根据所述样本敏感图和所述样本背景图的复杂度信息以及根据所述样本敏感图和所述样本背景图合成所述待识别图像的合成难度参数确定所述待识别图像的识别难度参数;
根据所述待识别图像的识别难度参数确定所述识别训练的训练难度参数。
8.一种图像处理装置,其特征在于,包括:
参数获取模块,配置为获取目标识别难度参数;
目标敏感图像获取模块,配置为根据所述目标识别难度参数确定目标敏感图像,并获取所述目标敏感图像的复杂度信息;
目标背景图像获取模块,配置为根据所述目标识别难度参数和所述目标敏感图像的复杂度信息获取目标背景图像;
合成模块,配置为将所述目标敏感图像与所述目标背景图像融合以生成合成图像。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071705.1A CN112766294A (zh) | 2019-11-05 | 2019-11-05 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071705.1A CN112766294A (zh) | 2019-11-05 | 2019-11-05 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766294A true CN112766294A (zh) | 2021-05-07 |
Family
ID=75692568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911071705.1A Pending CN112766294A (zh) | 2019-11-05 | 2019-11-05 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766294A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333038A (zh) * | 2022-03-03 | 2022-04-12 | 百度在线网络技术(北京)有限公司 | 对象识别模型的训练方法和对象识别方法、装置、设备 |
-
2019
- 2019-11-05 CN CN201911071705.1A patent/CN112766294A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333038A (zh) * | 2022-03-03 | 2022-04-12 | 百度在线网络技术(北京)有限公司 | 对象识别模型的训练方法和对象识别方法、装置、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020200058B2 (en) | Image quality assessment and improvement for performing optical character recognition | |
CN108898186B (zh) | 用于提取图像的方法和装置 | |
CN108229296B (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
CN111652232B (zh) | 票据识别方法及装置、电子设备和计算机可读存储介质 | |
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
US10943107B2 (en) | Simulating image capture | |
CN109344752B (zh) | 用于处理嘴部图像的方法和装置 | |
CN109344762B (zh) | 图像处理方法和装置 | |
CN109255767B (zh) | 图像处理方法和装置 | |
CN110222694B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN111881944A (zh) | 图像鉴别的方法、电子设备和计算机可读介质 | |
CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN112348615B (zh) | 用于审核信息的方法和装置 | |
CN112766294A (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
Alvarez-Lopez et al. | GSpyNetTree: a signal-vs-glitch classifier for gravitational-wave event candidates | |
CN115631374A (zh) | 控件操作方法、控件检测模型的训练方法、装置和设备 | |
CN111461152A (zh) | 货物检测方法及装置、电子设备和计算机可读介质 | |
CN113609018A (zh) | 测试方法、训练方法、装置、设备、介质和程序产品 | |
CN113255819A (zh) | 用于识别信息的方法和装置 | |
CN113538413B (zh) | 图像检测方法及装置、电子设备和存储介质 | |
CN116168398B (zh) | 基于图像识别的试卷审批方法、装置和设备 | |
CN111311604A (zh) | 用于分割图像的方法和装置 | |
CN112232320B (zh) | 印刷品文字的校对方法及相关设备 |
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 |