CN113505720A - 图像处理方法及装置、存储介质、电子装置 - Google Patents

图像处理方法及装置、存储介质、电子装置 Download PDF

Info

Publication number
CN113505720A
CN113505720A CN202110831799.9A CN202110831799A CN113505720A CN 113505720 A CN113505720 A CN 113505720A CN 202110831799 A CN202110831799 A CN 202110831799A CN 113505720 A CN113505720 A CN 113505720A
Authority
CN
China
Prior art keywords
image
target
class
determining
intra
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
Application number
CN202110831799.9A
Other languages
English (en)
Inventor
钟炎喆
刘忠耿
唐邦杰
潘华东
殷俊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110831799.9A priority Critical patent/CN113505720A/zh
Publication of CN113505720A publication Critical patent/CN113505720A/zh
Pending legal-status Critical Current

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

Landscapes

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

Abstract

本发明实施例提供了一种图像处理方法及装置、存储介质、电子装置，图像处理方法包括：确定目标图像与N个第一图像中每个第一图像之间的余弦距离，得到类内距离集合，其中，目标图像与N个第一图像中均包括目标对象，N是大于或等于1的自然数；确定目标图像与M个第二图像中每个第二图像之间的余弦距离，得到类间距离集合，其中，M个第二图像中的对象不同于目标对象，M是大于或等于1的自然数；基于类内距离集合和类间距离集合确定目标图像的图像质量。通过本发明，可以解决相关技术中对图像质量的分析不准确的问题，达到准确确定图像的质量的效果。

Description

图像处理方法及装置、存储介质、电子装置
技术领域
本发明实施例涉及图像领域，具体而言，涉及一种图像处理方法及装置、存储介质、电子装置。
背景技术
近年来，在大数据时代背景下，互联网、智能交通、视频监控等各行各业每时每刻都产生着海量的数据。而行人作为最为重要的目标之一，往往备受关注，大量的监控场景用于对行人场景的捕捉与分析，而由于监控的实时性，视频难以像图片一样，被快速准确的分析、测试、报警。当前绝大多数计算机视觉方向的算法都依靠对视频帧的分析，进而确定最终的输出，因此选取视频中同一目标的生命周期中最优视频帧变得格外重要。而针对这一问题而提出的行人图像的质量评估方法，由于需要考虑的下游因素过多，标注困难等制约，仍然存在着不小的挑战。现有技术中对图像质量的分析存在不准确的问题。
发明内容
本发明实施例提供了一种图像处理方法及装置、存储介质、电子装置，以至少解决相关技术中对图像质量的分析不准确的问题。
根据本发明的一个实施例，提供了一种图像处理方法，包括：基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合；其中，目标图像中包含目标对象，且各个第一图像中均包含目标对象；基于第二图像集合中各个第二图像和目标图像之间的余弦距离，得到类间距离集合，其中，各个第二图像中均不包含目标对象；基于类内距离集合和类间距离集合，确定目标图像的图像质量。
根据本发明的另一个实施例，提供了一种图像处理装置，包括：第一确定模块，用于基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合；其中，上述目标图像中包含目标对象，且上述各个第一图像中均包含上述目标对象；第二确定模块，用于基于第二图像集合中各个第二图像和上述目标图像之间的余弦距离，得到类间距离集合，其中，上述各个第二图像中均不包含上述目标对象；第三确定模块，用于基于上述类内距离集合和上述类间距离集合，确定上述目标图像的图像质量。
在一个示例性实施例中，上述第一确定模块，包括：第一确定单元，用于确定上述目标图像的目标特征向量；第二确定单元，用于确定上述各个第一图像的各个第一特征向量；第三确定单元，用于利用上述目标特征向量和上述各个第一特征向量之间的第一向量点积，确定上述各个第一图像与上述目标特征向量之间的各个类内距离；第四确定单元，用于基于上述各个类内距离确定上述类内距离集合。
在一个示例性实施例中，第二确定单元，包括：第五确定单元，用于确定上述目标图像的目标特征向量；第六确定单元，用于确定上述各个第二图像的各个第二特征向量；第七确定单元，用于利用上述目标特征向量和上述各个第二特征向量之间的第二向量点积，确定上述各个第二图像与上述目标特征向量之间的各个类间距离；第八确定单元，用于基于上述各个类间距离确定上述类内距离集合。
在一个示例性实施例中，上述第三确定模块，包括：第九确定单元，用于确定上述类内距离集合和上述类间距离集合之间的距离差异，得到分布距离；第十确定单元，用于利用上述分布距离确定上述目标图像的图像质量。
在一个示例性实施例中，第十确定单元，包括：输出子单元，用于归一化上述分布距离，输出上述目标图像的图像质量分数。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，通过基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合；其中，目标图像中包含目标对象，且各个第一图像中均包含目标对象；基于第二图像集合中各个第二图像和目标图像之间的余弦距离，得到类间距离集合，其中，各个第二图像中均不包含目标对象；基于类内距离集合和类间距离集合，确定目标图像的图像质量。采用相似性距离度量的方式，计算图像是否更容易被识别正确，以此确定图像的质量的目的。因此，可以解决相关技术中对图像质量的分析不准确的问题，达到准确确定图像的质量的效果。
附图说明
图1是本发明实施例的一种图像处理方法的移动终端的硬件结构框图；
图2是根据本发明实施例的图像处理方法的流程图；
图3是根据本发明具体实施例的图像处理方法的流程图；
图4是根据本发明实施例的图像处理装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种图像处理方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的图像处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种图像处理方法，图2是根据本发明实施例的图像处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合，其中，目标图像中包含目标对象，且各个第一图像中均包含目标对象；
步骤S204，基于第二图像集合中各个第二图像和目标图像之间的余弦距离，得到类间距离集合，其中，各个第二图像中均不包含目标对象；
步骤S206，基于类内距离集合和类间距离集合，确定目标图像的图像质量。
其中，上述步骤的执行主体可以为终端等，但不限于此。
本实施例包括但不限于应用于对图像的质量进行分析的场景中，例如，分析图像的清晰度，是否可以准确的识别出图像中的行人。
在本实施例中，目标图像和N个第一图像的图像标识相同，即都包括目标对象。目标图像和M个第二图像的图像标识并不相同，即其中包括的对象是不同的。
通过上述步骤，通过基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合；其中，目标图像中包含目标对象，且各个第一图像中均包含目标对象；基于第二图像集合中各个第二图像和目标图像之间的余弦距离，得到类间距离集合，其中，各个第二图像中均不包含目标对象；基于类内距离集合和类间距离集合，确定目标图像的图像质量。采用相似性距离度量的方式，计算图像是否更容易被识别正确，以此确定图像的质量的目的。因此，可以解决相关技术中对图像质量的分析不准确的问题，达到准确确定图像的质量的效果。
在一个示例性实施例中，基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合，包括：
S1，确定目标图像的目标特征向量；
S2，确定各个第一图像的各个第一特征向量；
S3，利用目标特征向量和各个第一特征向量之间的第一向量点积，确定各个第一图像与目标特征向量之间的各个类内距离；
S4，基于各个类内距离确定类内距离集合。
在本实施例中，可以通过以下公式确定目标图像与每个第一图像之间的余弦距离，得到类内距离：
Figure BDA0003175734980000061
其中，d用于表示类内距离，Ii用于表示目标图像，
Figure BDA0003175734980000062
用于表示N个第一图像，
Figure BDA0003175734980000063
用于表示目标图像与N个第一图像之间的向量点积；
在本实施例中，通过以下公式确定类内距离集合：
set类内＝{d|*∈i}；
其中，set类内用于表示类内距离集合，*用于表示N个第一图像中的目标对象。
在本实施例中，类内距离集合表示同一目标的行人图像之间的余弦距离集合。通过本实施例，可以确定出目标图像与包括同一目标对象的第一图像之间的相似性。
在一个示例性实施例中，基于第二图像集合中各个第二图像和目标图像之间的余弦距离，得到类间距离集合，包括：
S1，确定目标图像的目标特征向量；
S2，确定各个第二图像的各个第二特征向量；
S3，利用目标特征向量和各个第二特征向量之间的第二向量点积，确定各个第二图像与目标特征向量之间的各个类间距离；
S4，基于各个类间距离确定类内距离集合。
在本实施例中，通过以下公式确定目标图像与每个第二图像之间的余弦距离，得到类间距离：
Figure BDA0003175734980000064
其中，
Figure BDA0003175734980000065
用于表示第二图像，
Figure BDA0003175734980000066
用于表示目标图像与M个第二图像之间的向量点积；
在本实施例中，通过以下公式确定类间距离集合：
set类内＝{d|**∈i}；
其中，set类内用于表示类内距离集合，**用于表示N个第二图像中的对象。
在本实施例中，类间距离集合表示不同目标的行人图像之间的余弦距离集合。通过本实施例，可以确定出目标图像与包括不同对象的第二图像之间的相似性。
在一个示例性实施例中，基于类内距离集合和类间距离集合，确定目标图像的图像质量，包括：
S1，确定类内距离集合和类间距离集合之间的距离差异，得到分布距离；
S2，利用分布距离确定目标图像的图像质量。在本实施例中，通过以下公式确定类内距离集合和类间距离集合之间的距离差异，得到分布距离：
Figure BDA0003175734980000071
其中，
Figure BDA0003175734980000072
和WD(·)均用于表示分布距离，Π(set类内,set类间)用于表示(set类内,set类间)的集合，set类内用于表示类内距离集合，set类间用于表示类间距离集合。
在一个示例性实施例中，利用分布距离确定目标图像的图像质量，包括：
S1，归一化分布距离，输出目标图像的图像质量分数。
在本实施例中，例如，归一化
Figure BDA0003175734980000073
输出图像质量分数：
Figure BDA0003175734980000074
其中，QI用于表示图像质量分数，
Figure BDA0003175734980000075
用于表示目标图像的图像质量分数的集合。
在本实施例中，通过分布距离对比目标对象的类内距离与类间距离的相似性差异。
下面结合具体实施例对本发明进行说明：
在本实施例中，目标对象以行人为例进行说明。
本实施例针对同一目标的行人，在该目标的生命周期中，设计一种基于相似度距离度量的客观行人图像质量评价方法，对每一帧进行打分，保留最优的行人目标图像。
本实施例引入下游算法行人重识别模型提取行人的类别信息特征；通过wasserstein距离对比目标行人的类内距离与类间距离的相似性差异；通过对目标序列的逐帧处理，是一种实时质量监控的图像流处理方法。
如图3所示，具体包括以下步骤：
S301：输入目标图像Ii，i代表该行人目标图像的id；
S302：计算类内距离集合，其中，类内距离
Figure BDA0003175734980000081
Figure BDA0003175734980000082
用于表示相同id的其他行人图像，“·”用于表示向量点积；
则，类内距离集合set类内＝{d|*∈i}，其中，*表示所有属于该id的行人目标；
S303：计算类间距离集合，其中，类间距离
Figure BDA0003175734980000083
其中，
Figure BDA0003175734980000084
为不同id的其他行人图像，“·”为向量点积；则，类间距离集合set类间＝{d|*∈j}，其中，*用于表示所有不同于目标图像id的行人目标。
S304：使用Wasserstein度量；Wasserstein距离
Figure BDA0003175734980000085
其中，WD(·)表示Wasserstein距离，Π(set类内,set类间)表示所有联合分布(set类内,set类间)的集合；
S305-S306：评分量化并输出最终的图像质量得分，由于
Figure BDA0003175734980000086
为类内与类间的距离差异，此处明将其归一化
Figure BDA0003175734980000087
其中，QI为最终输出，
Figure BDA0003175734980000088
为所有目标图像的分数集合。
综上所述，本实施例没有人为将行人图像质量评价划分成类似于完整性、清晰度等角度分析，避免人为因素丢失图像特征，而是采用行人重识别模型，提取行人高阶特征；采用相似性距离度量的方式，计算图像是否更容易被识别正确，以此确定图像的质量分数，具有高鲁棒性、泛性、计算复杂度更低，速度更快等优点。并且，引入下游算法行人重识别模型提取行人的类别信息特征；通过Wasserstein距离对比目标行人的类内距离与类间距离的相似性差异；通过对目标序列的逐帧处理，是一种实时质量监控的图像流处理方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种图像处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的图像处理装置的结构框图，如图4所示，该装置包括：
第一确定模块42，用于基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合；其中，目标图像中包含目标对象，且各个第一图像中均包含目标对象；
第二确定模块44，用于基于第二图像集合中各个第二图像和目标图像之间的余弦距离，得到类间距离集合，其中，各个第二图像中均不包含目标对象；
第三确定模块46，用于基于类内距离集合和类间距离集合，确定目标图像的图像质量。
在一个示例性实施例中，第一确定模块，包括：
第一确定单元，用于确定目标图像的目标特征向量；
第二确定单元，用于确定各个第一图像的各个第一特征向量；
利用目标特征向量和各个第一特征向量之间的第一向量点积，确定各个第一图像与目标特征向量之间的各个类内距离；
第三确定单元，用于基于各个类内距离确定类内距离集合。
在一个示例性实施例中，第二确定模块，包括：
第四确定单元，用于确定目标图像的目标特征向量；
第五确定单元，用于确定各个第二图像的各个第二特征向量；
第六确定单元，用于利用目标特征向量和各个第二特征向量之间的第二向量点积，确定各个第二图像与目标特征向量之间的各个类间距离；
第七确定单元，用于基于各个类间距离确定类内距离集合；
第八确定单元，用于基于上述各个类间距离确定上述类内距离集合。
在一个示例性实施例中，上述第三确定模块，包括：
第九确定单元，用于确定上述类内距离集合和上述类间距离集合之间的距离差异，得到分布距离；
第十确定单元，用于利用上述分布距离确定上述目标图像的图像质量。
在一个示例性实施例中，第十确定单元，包括：
输出子单元，用于归一化上述分布距离，输出上述目标图像的图像质量分数。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例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中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以上各步骤。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合，其中，所述目标图像中包含目标对象，且所述各个第一图像中均包含所述目标对象；
基于第二图像集合中各个第二图像和所述目标图像之间的余弦距离，得到类间距离集合，其中，所述各个第二图像中均不包含所述目标对象；
基于所述类内距离集合和所述类间距离集合，确定所述目标图像的图像质量。
2.根据权利要求1所述的方法，其特征在于，所述基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合，包括：
确定所述目标图像的目标特征向量；
确定所述各个第一图像的各个第一特征向量；
利用所述目标特征向量和所述各个第一特征向量之间的第一向量点积，确定所述各个第一图像与所述目标特征向量之间的各个类内距离；
基于所述各个类内距离确定所述类内距离集合。
3.根据权利要求1所述的方法，其特征在于，基于第二图像集合中各个第二图像和所述目标图像之间的余弦距离，得到类间距离集合，包括：
确定所述目标图像的目标特征向量；
确定所述各个第二图像的各个第二特征向量；
利用所述目标特征向量和所述各个第二特征向量之间的第二向量点积，确定所述各个第二图像与所述目标特征向量之间的各个类间距离；
基于所述各个类间距离确定所述类内距离集合。
4.根据权利要求1所述的方法，其特征在于，基于所述类内距离集合和所述类间距离集合，确定所述目标图像的图像质量，包括：
确定所述类内距离集合和所述类间距离集合之间的距离差异，得到分布距离；
利用所述分布距离确定所述目标图像的图像质量。
5.根据权利要求4所述的方法，其特征在于，利用所述分布距离确定所述目标图像的图像质量，包括：
归一化所述分布距离，输出所述目标图像的图像质量分数。
6.一种图像处理装置，其特征在于，包括：
第一确定模块，用于基于第一图像集合中各个第一图像与目标图像之间的余弦距离，得到类内距离集合，其中，所述目标图像中包含目标对象，且所述各个第一图像中均包含所述目标对象；
第二确定模块，用于基于第二图像集合中各个第二图像和所述目标图像之间的余弦距离，得到类间距离集合，其中，所述各个第二图像中均不包含所述目标对象；
第三确定模块，用于基于所述类内距离集合和所述类间距离集合，确定所述目标图像的图像质量。
7.根据权利要求6所述的装置，其特征在于，所述第一确定模块，包括：
第一确定单元，用于确定所述目标图像的目标特征向量；
第二确定单元，用于确定所述各个第一图像的各个第一特征向量；
利用所述目标特征向量和所述各个第一特征向量之间的第一向量点积，确定所述各个第一图像与所述目标特征向量之间的各个类内距离；
第三确定单元，用于基于所述各个类内距离确定所述类内距离集合。
8.根据权利要求6所述的装置，其特征在于，所述第二确定模块，包括：
第四确定单元，用于确定所述目标图像的目标特征向量；
第五确定单元，用于确定所述各个第二图像的各个第二特征向量；
第六确定单元，用于利用所述目标特征向量和所述各个第二特征向量之间的第二向量点积，确定所述各个第二图像与所述目标特征向量之间的各个类间距离；
第七确定单元，用于基于所述各个类间距离确定所述类内距离集合；
第八确定单元，用于基于上述各个类间距离确定上述类内距离集合。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至5任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
CN202110831799.9A 2021-07-22 2021-07-22 图像处理方法及装置、存储介质、电子装置 Pending CN113505720A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110831799.9A CN113505720A (zh) 2021-07-22 2021-07-22 图像处理方法及装置、存储介质、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110831799.9A CN113505720A (zh) 2021-07-22 2021-07-22 图像处理方法及装置、存储介质、电子装置

Publications (1)

Publication Number Publication Date
CN113505720A true CN113505720A (zh) 2021-10-15

Family

ID=78013518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110831799.9A Pending CN113505720A (zh) 2021-07-22 2021-07-22 图像处理方法及装置、存储介质、电子装置

Country Status (1)

Country Link
CN (1) CN113505720A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038197A (zh) * 2021-11-24 2022-02-11 浙江大华技术股份有限公司 场景状态的确定方法、装置、存储介质及电子装置
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553428A (zh) * 2020-04-30 2020-08-18 北京百度网讯科技有限公司 用于训练判别模型的方法、装置、设备及可读存储介质
CN111626340A (zh) * 2020-05-11 2020-09-04 Oppo广东移动通信有限公司 一种分类方法、装置、终端及计算机存储介质
CN111696090A (zh) * 2020-06-08 2020-09-22 电子科技大学 一种无约束环境下人脸图像质量评估方法
CN113139462A (zh) * 2021-04-23 2021-07-20 杭州魔点科技有限公司 无监督的人脸图像质量评估方法、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553428A (zh) * 2020-04-30 2020-08-18 北京百度网讯科技有限公司 用于训练判别模型的方法、装置、设备及可读存储介质
CN111626340A (zh) * 2020-05-11 2020-09-04 Oppo广东移动通信有限公司 一种分类方法、装置、终端及计算机存储介质
CN111696090A (zh) * 2020-06-08 2020-09-22 电子科技大学 一种无约束环境下人脸图像质量评估方法
CN113139462A (zh) * 2021-04-23 2021-07-20 杭州魔点科技有限公司 无监督的人脸图像质量评估方法、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
易久主编: "《电子商务安全》", 30 November 2010, 北京：北京邮电大学出版社, pages: 190 - 191 *
杨贞著: "《图像特征处理技术及应用》", 31 August 2020, 北京：科学技术文献出版社, pages: 73 - 74 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038197A (zh) * 2021-11-24 2022-02-11 浙江大华技术股份有限公司 场景状态的确定方法、装置、存储介质及电子装置
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Similar Documents

Publication Publication Date Title
CN110147717B (zh) 一种人体动作的识别方法及设备
US11062123B2 (en) Method, terminal, and storage medium for tracking facial critical area
CN108280477B (zh) 用于聚类图像的方法和装置
KR101531618B1 (ko) 이미지들의 비교 방법 및 시스템
KR101833953B1 (ko) 이미지들을 비교하는 방법 및 시스템
CN111475680A (zh) 检测异常高密子图的方法、装置、设备及存储介质
CN113313053B (zh) 图像处理方法、装置、设备、介质及程序产品
CN110795584B (zh) 一种用户标识生成方法、装置及终端设备
CN113505720A (zh) 图像处理方法及装置、存储介质、电子装置
CN110458078A (zh) 一种人脸图像数据聚类方法、系统及设备
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
CN111091106B (zh) 图像聚类方法及装置、存储介质、电子装置
CN109376689B (zh) 人群分析方法及装置
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置
CN113627334A (zh) 对象的行为识别方法及装置
CN110059212A (zh) 图像检索方法、装置、设备及计算机可读存储介质
US10438066B2 (en) Evaluation of models generated from objects in video
CN113052019B (zh) 目标跟踪方法及装置、智能设备和计算机存储介质
CN111325198B (zh) 视频对象特征提取方法和装置、视频对象匹配方法和装置
CN111046831A (zh) 家禽识别方法、装置及服务器
CN110738149A (zh) 目标跟踪方法、终端及存储介质
CN112581001B (zh) 设备的评估方法及装置、电子设备、可读存储介质
CN115171192A (zh) 一种人脸关键点检测方法及装置
CN113591767A (zh) 图像识别评估值的确定方法及装置、存储介质、电子装置
CN113469130A (zh) 一种遮挡目标检测方法、装置、存储介质及电子装置

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