CN113033585A - 一种基于大数据图像识别方法 - Google Patents
一种基于大数据图像识别方法 Download PDFInfo
- Publication number
- CN113033585A CN113033585A CN201911343583.7A CN201911343583A CN113033585A CN 113033585 A CN113033585 A CN 113033585A CN 201911343583 A CN201911343583 A CN 201911343583A CN 113033585 A CN113033585 A CN 113033585A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- big data
- target
- identification method
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于大数据的图像识别方法，包括：获得的目标图像；对所述目标图像进行特征提取，识别针对所述目标图像中每一像素的特征值；将所述目标图像中的特征值与大数据图像资料库的数据匹配，得到所述目标图像的对应类型。本发明上述实施方式中，根据目标图像的特征值，将目标图像与图像数据库内的图像进行匹配，自动分类目标图像的类型，这样分类准确率高、分类工作量小，效率高。
Description
技术领域
本发明涉及图像处理领域，特别是涉及一种基于大数据图像识别方法。
背景技术
随着移动互联网与智能终端技术的发展，带有数字摄像头智能手机、平板电脑越来越多的进入人们的生活，很容易产生大量的数字图像。对于海量图像的处理是一个很庞大的工程，通常对于产生的图像可以先进行分类处理，之后再进行其他形式的处理，因此，分类的好坏可能会直接影响后续对图像的处理效果。
图像处理技术的发展紧密地联系到计算机技术的发展及新的数学方法的应用。常规的数学的方法如各种变换、线性代数是进入图像处理的门槛，而新的数学理论如小分形、混沌、可行变模型等已经出现，便立即在图像处理中得到应用。新一代图像压缩技术中，一种重要的方法是图像子带编码。图像子带编码的基本思想是将图像信号的频带用一组分析滤波器分割成各个子带信号，针对每个不同的子带信号，按照它的统计特性分配不同的编码器和比特率。这样做的好处在于压缩误差仅仅局限于各个子带信号中，互不影响，并且可以根据人眼视觉方法频率区域敏感的特征，给各个不同的子带信号分配不同的比特率，不但可以获得高压缩比，而且重构图像的主观视觉效果比较好。其实小波变换，金字塔多尺度分割算法都可以归属于图像子带编码技术。由于图像处理技术应用圈的迅速扩大，渴望学习与掌握这门技术的越来越多。
目前，常见的分类处理大都是根据图像的名称、修改时间、类型来对海量的图像进行归类，不难理解的是，对于图像的名称以及修改时间以及图像类型往往是可以进行修改的，例如，同样一张图像，如果用户输入的名称为“东方明珠”时，该图像被分类到建筑类，但是如果用户修改该图像的名称为“留影之东方明珠”后，该图像可能会被分类到旅游景点类；由此可见，上述的对图像的分类处理方式，具有很强的主观性和随机性，对图像进行分类的准确度较低，且图像分类工作量大、效率低。
发明内容
基于此，有必要针对现有技术图像进行分类的准确度较低，且图像分类工作量大、效率低的问题，提供一种基于大数据图像识别方法。
一种基于大数据的图像识别方法，包括：
获得的目标图像；
对所述目标图像进行特征提取，识别针对所述目标图像中每一像素的特征值；
将所述目标图像中的特征值与大数据图像资料库的数据匹配，得到所述目标图像的对应类型。
在其中一个优选实施方式中，所述目标图像通过摄像单元获取。
在其中一个优选实施方式中，所述方法还包括：
根据所述目标图像的对应类型，将所述目标图像标记为对应类型图像。
在其中一个优选实施方式中，所述所对所述目标图像进行特征提取，识别针对所述目标图像中每一像素的特征，包括：
运用卷积神经网络技术进行图像识别。
本发明上述实施方式中，根据目标图像的特征值，将目标图像与图像数据库内的图像进行匹配，自动分类目标图像的类型，这样分类准确率高、分类工作量小，效率高。
附图说明
图1为本发明一优选实施方式中的一种基于大数据的图像识别方法的模块结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
需要说明的是，当元件被称为“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，本发明一优选实施方式中公开了一种基于大数据的图像识别方法100，包括：
S1：获得的目标图像；
具体地，所述目标图像通过摄像单元获取。
S2：对所述目标图像进行特征提取，识别针对所述目标图像中每一像素的特征值；
具体地，运用卷积神经网络技术进行图像识别。
S3：将所述目标图像中的特征值与大数据图像资料库的数据匹配，得到所述目标图像的对应类型。
S4：根据所述目标图像的对应类型，将所述目标图像标记为对应类型图像。
本发明上述实施方式中，根据目标图像的特征值，将目标图像与图像数据库内的图像进行匹配，自动分类目标图像的类型，这样分类准确率高、分类工作量小，效率高。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于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。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于大数据的图像识别方法，其特征在于，包括：
获得的目标图像；
对所述目标图像进行特征提取，识别针对所述目标图像中每一像素的特征值；
将所述目标图像中的特征值与大数据图像资料库的数据匹配，得到所述目标图像的对应类型。
2.根据权利要求1所述的基于大数据的图像识别方法，其特征在于，所述目标图像通过摄像单元获取。
3.根据权利要求1所述的基于大数据的图像识别方法，其特征在于，所述方法还包括：
根据所述目标图像的对应类型，将所述目标图像标记为对应类型图像。
4.根据权利要求1所述的基于大数据的图像识别方法，其特征在于，所述所对所述目标图像进行特征提取，识别针对所述目标图像中每一像素的特征，包括：
运用卷积神经网络技术进行图像识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343583.7A CN113033585A (zh) | 2019-12-24 | 2019-12-24 | 一种基于大数据图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343583.7A CN113033585A (zh) | 2019-12-24 | 2019-12-24 | 一种基于大数据图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033585A true CN113033585A (zh) | 2021-06-25 |
Family
ID=76451380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911343583.7A Pending CN113033585A (zh) | 2019-12-24 | 2019-12-24 | 一种基于大数据图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033585A (zh) |
-
2019
- 2019-12-24 CN CN201911343583.7A patent/CN113033585A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108228696B (zh) | 人脸图像检索方法和系统、拍摄装置、计算机存储介质 | |
| CN110020122B (zh) | 一种视频推荐方法、系统及计算机可读存储介质 | |
| CN109784274B (zh) | 识别尾随的方法及相关产品 | |
| Varish et al. | Image retrieval scheme using quantized bins of color image components and adaptive tetrolet transform | |
| CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
| CN104866831B (zh) | 特征加权的人脸识别算法 | |
| CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
| Gan et al. | Video object forgery detection algorithm based on VGG-11 convolutional neural network | |
| CN111091106A (zh) | 图像聚类方法及装置、存储介质、电子装置 | |
| CN110245573A (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
| CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
| Zeeshan et al. | A newly developed ground truth dataset for visual saliency in videos | |
| CN109344281B (zh) | 一种基于wifi探针与摄像头技术的数据分析方法 | |
| Viedma et al. | Relevant features for gender classification in NIR periocular images | |
| CN112235598A (zh) | 一种视频结构化处理方法、装置及终端设备 | |
| CN115147895B (zh) | 人脸鉴伪方法及装置 | |
| CN111800428A (zh) | 一种数字会议参与实时统计方法及系统 | |
| CN116798076A (zh) | 基于gpgpu的指纹采样数据存储系统 | |
| CN113033585A (zh) | 一种基于大数据图像识别方法 | |
| CN113033591A (zh) | 一种基于大数据图像识别系统 | |
| CN108304805A (zh) | 一种大数据图像识别处理系统 | |
| CN115424293A (zh) | 活体检测方法、活体检测模型的训练方法及装置 | |
| CN113762042A (zh) | 视频识别方法、装置、设备以及存储介质 | |
| Kuznetsov | A new approach to jpeg tampering detection using convolutional neural networks |
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 |