CN113592003B - 一种图片传输方法、装置、设备及存储介质 - Google Patents

一种图片传输方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113592003B
CN113592003B CN202110891214.2A CN202110891214A CN113592003B CN 113592003 B CN113592003 B CN 113592003B CN 202110891214 A CN202110891214 A CN 202110891214A CN 113592003 B CN113592003 B CN 113592003B
Authority
CN
China
Prior art keywords
picture
key features
terminal
initial picture
server
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.)
Active
Application number
CN202110891214.2A
Other languages
English (en)
Other versions
CN113592003A (zh
Inventor
孟鹏飞
朱磊
贾双成
潘冰
李成军
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing 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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202110891214.2A priority Critical patent/CN113592003B/zh
Publication of CN113592003A publication Critical patent/CN113592003A/zh
Application granted granted Critical
Publication of CN113592003B publication Critical patent/CN113592003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例涉及图片处理技术领域，并提供一种图片传输方法、装置及存储介质，该方案包括：获取待传输的初始图片；对所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；向所述服务端发送所述关键特征，以使得所述服务端对所述关键特征进行解析，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。本方案能够提高图片传输的速度和、效率和质量，以及减少车机图像上传至服务端的流量消耗。

Description

一种图片传输方法、装置、设备及存储介质
技术领域
本申请实施例涉及图片处理技术领域，具体涉及一种图片传输方法、装置、设备及存储介质。
背景技术
目前的车载终端(例如行车记录仪)大多部署人工智能(ArtificialIntelligence，AI)网络模块，该车载终端中安装客户端，客户端可向同样部署 AI网络模块的服务端传输图像数据，服务端收到图像数据后，对该图像数据中的关键特征进行识别，得到图像识别结果，并将图像识别结果发送给客户端。
由于客户端仅需要对该图像数据中的关键特征进行识别，而该关键特征占图像数据中的比例较小，且对该关键特征的图像识别结果通常较小。所以，在客户端向服务端传输的图像数据较大时，需要消耗更多的网络流量且传输速度较慢。
发明内容
本申请实施例提供一种图片传输方法、装置、设备及存储介质，能够提高图片传输的速度和、效率和质量，以及减少车机图像上传至服务端的流量消耗。
第一方面，本申请实施例从终端角度提供一种图片传输方法，所述方法包括：
获取待传输的初始图片；
对所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；
向所述服务端发送所述关键特征，以使得所述服务端对所述关键特征进行解析，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。
一种可能的设计中，所述获取所述关键特征对应的解码矩阵，包括：
获取所述关键特征和所述初始图片之间的对应关系；
根据所述对应关系生成所述解码矩阵。
第二方面，本申请实施例从服务端角度提供一种图片传输方法，所述方法包括：
从终端接收关键特征；
对所述关键特征进行解码，得到目标图片，所述目标图片与初始图片的相似度高于预设相似度，所述关键特征根据所述初始图片得到；
对所述目标图片中的目标对象进行识别，得到识别结果；
向终端发送所述识别结果。
一种可能的设计中，所述对所述关键特征进行解码之前，所述方法还包括：
调用预设的神经网络模型；
将所述关键特征为输入所述神经网络模型，得到所述神经网络模型输出的解码矩阵；
所述对所述关键特征进行解码，得到目标图片，包括：
将所述目标图片输入所述解码矩阵；
根据所述解码矩阵对所述关键特征进行解码，得到所述目标图片。
一种可能的设计中，所述得到所述目标图片之后，所述方法还包括：
获取历史图片，所述历史图片为基于历史关键特征得到的图片，所述历史关键特征的接收时刻早于所述关键特征的接收时刻；所述历史图片和所述目标图片中均包含目标对象的部分或全部特征；
确定所述目标图片相对于所述历史图片的区别成分；
根据所述区别成分确定所述目标对象的变化状态。
第三方面，本申请实施例还提供实施上述第一方面中所述的图片处理方法的一种终端，所述终端包括：
输入输出模块，用于获取待传输的初始图片；
处理模块，用于对所述输入输出模块获取的所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；
所述输入输出模块还用于向所述服务端发送所述关键特征，以使得所述服务端对所述关键特征进行解析，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。
第四方面，本申请实施例还提供实施上述第二方面中所述的图片处理方法的一种服务端，所述服务端包括：
收发模块，用于从终端接收关键特征；
处理模块，用于对所述收发模块接收的所述关键特征进行解码，得到目标图片，对所述目标图片中的目标对象进行识别，得到识别结果；所述目标图片与初始图片的相似度高于预设相似度，所述关键特征根据所述初始图片得到；
所述收发模块还用于向终端发送所述处理模块得到的所述识别结果。
第五方面，本申请实施例还提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请实施例中第一方面、第二方面提供的任一种图片传输方法中的步骤。
第六方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请实施例中第一方面、第二方面提供的任一种图片传输方法中的步骤。
与现有技术相比，本申请实施例中，一方面中，由于关键特征能够表征初始图片的主成分的特征，因此，基于该关键特征得到的目标图片同样能够表征初始图片的主成分的特征，且与初始图片相同或者高度相似，完全不影响服务端对目标图片的识别结果。另一方面中，由于关键特征是基于初始图片处理后得到的，且关键特征仅为初始图片的主成分，因此，关键特征所占空间小于初始图片，进而，终端向服务端发送基于初始图片处理后得到的关键特征时，仅需要消耗少量网络流量，相较于终端直接向服务端发送初始图片而言，能够有效的降低网络流量的消耗。
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是本申请中通过系统的一种网络架构示意图；
图2是本申请中图片传输方法的一种流程示意图；
图3是本申请中初始图片与关键特征的一种对比示意图；
图4是本申请中终端的一种结构示意图；
图5是本申请中服务端的一种结构示意图；
图6是本申请中实施图片传输方法的实体设备的一种结构示意图；
图7是本申请中图片传输方法的手机的一种结构示意图；
图8是本申请中实施服务器的一种结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“目标”、“候选”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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例供了一种图片传输方法、装置及存储介质，可用于图片传输时对图片的处理。例如，可应用在行车记录仪录制的视频上，或者应用到检测待识别对象的变化等应用场景，本申请实施例不对此作限定。
一些实施方式中，本方案应用于如图1所示的通信系统时，该通信系统可包括服务端、多个终端(图1中仅标示出1个终端a)。其中，各终端中均安装客户端，各终端上安装的客户端可为相同或不同版本号的客户端，也可为相同或不同操作系统的客户端，本申请实施例不对客户端的版本、以及客户端对应的操作系统类型作限定。以下进行详细说明。
服务端：可用于向各终端提供图片识别、跟踪检测等业务服务，例如服务端可对来自终端上传的图片进行识别，然后将识别的结果反馈给终端。
终端：可实时采集图片或视频，然后对图片进行预处理后，将预处理后的图片实时发送给服务端，以便于服务端对该预处理后的图片进行识别。
一些实施方式中，基于图1所示的通信系统，终端通过拍摄装置实时采集初始图片或初始视频，然后对初始图片进行预处理后，将预处理后的图片实时发送给服务端。服务端从终端接收到预处理后的图片后，即可对来自终端上传的图片进行识别(例如障碍识别、路况识别、交通标志识别等)，然后将识别的结果反馈给终端。
其中，需要特别说明的是，本申请实施例涉及的服务端可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。本申请实施例涉及的终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、个人数字助理等，但并不局限于此。终端以及服务端可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制。
下面开始介绍本申请实施例提供的图片传输方法。
参阅图2，图2示出了本申请实施例中图片传输方法的一种流程示意图，以下介绍本申请实施例所提供的一种图片传输方法，本申请实施例包括：
101、终端获取待传输的初始图片。
其中，所述初始图片中包括待识别的目标对象，所述初始图片是指终端实时采集的图片，例如行车记录仪实时拍摄的行车途中的图片，或者为地面端、高空处等采集设备采集的图片，例如初始图片可为路侧单元实时拍摄的街景图片，移动电视台在街道拍摄的实时图片等。本申请实施例不对此作限定。由于所述初始图片为待发送给服务端的图片。为减少发送过程中的流量消耗，本申请实施例会对该初始图片进行后续步骤102的处理，以得到关键特征。
本申请实施例中，上述终端可包括路侧终端、车载终端、与车载终端通信连接的终端、无人机或者搭载在移动云台的终端等，具体本申请实施例不对此作限定。
以车载终端为行车记录仪为例时，该初始图片为行车记录仪拍摄的实时视频中的任意帧。本申请实施例中仅以初始图片为一张为例，对于终端向服务端上传实时获取的视频的情况，实际上也可看做是对该视频中的每一帧进行上传和识别，本申请实施例不对此作限定。以终端为移动云台为例时，该移动云台可为无线或有线控制的设备，也可为类似安装于驾驶状态的车辆上的移动电视台。该初始图片为移动云台拍摄的实时视频中的任意帧。
以终端为无人机为例时，该无人机上搭载具备与地面控制端通信连接的拍摄装置，或者该终端也可为地面控制无人机的控制端。该初始图片为该拍摄装置在无人机不同飞行模式下拍摄的实时视频中的任意帧。
102、终端对所述初始图片进行特征降维处理，得到所述初始图片中的关键特征。
其中，初始图片中包括多个变量，在这多个变量中可能包括存在至少一组关联关系的两个变量。在对初始图片进行降维处理的目的是基于该初始图片得到尽可能少的新变量，并且这些新变量之间为两两不相关，而新变量依然能够表征初始图片的原有特征。因此，经过降维处理得到的关键特征是指表征初始图片的主成分，便于进行初始图片的还原(例如生成后文中的目标图片)。
例如，以初始图片为城市道路采集图片为例，初始图片是一张行车记录仪在路上拍摄到的包含道路场景信息的图片，该初始图片中需要识别其中的车道线，斑马线，路牌，轿车，自行车，路面箭头等交通标志。需要被识别的交通标志属于关键信息。具体可参考图3，图3中的Fig1为灰度化的初始图片， Fig2为根据前35％的主成分解码之后得到的图。
一些实施方式中，终端可使用主成分分析(Principal Component Analysis，PCA)算法，通过计算计算协方差矩阵的特征向量和特征值确定数据自动获得主成分，并按照主成分的比重从大至小的顺序对各主成分进行从先至后的排序，该排序结果即为关键特征。例如，比重较大的主成分排在前面。
一些实施方式中，由于基于初始图片的得到关键特征是基于对初始图片进行降维处理得到的，因此，对于接收方的服务端来说，需要对接收到的关键特征进行解码，才可以还原关键特征对应的目标图片，便于对目标图片进行正确识别。本申请实施例中，终端可向服务端提供对应的解码矩阵。具体来说，所述终端得到所述初始图片中的关键特征之后，所述方法还包括：
(1)终端获取所述关键特征对应的解码矩阵。
一些实施方式中，可根据下述方式获取所述解码矩阵：
获取所述关键特征和所述初始图片之间的对应关系；
根据所述对应关系生成所述解码矩阵。
(2)终端向所述服务端发送所述解码矩阵。
其中，所述解码矩阵用于对所述关键特征进行解码。
相应的，服务端从终端接收该解码矩阵后，即可基于该解码矩阵对接收到的关键特征进行解码，以得到目标图片，具体后文中详细介绍。
本实施方式中，终端可向服务端同时发送关键特征和解码矩阵，也可先后向服务端发送关键特征和解码矩阵。具体终端发送关键特征和解码矩阵的时序本申请实施例不作限定。
可见，由于终端向服务端发送了对应关键特征的解码矩阵，因此，能够使得服务端接收到关键特征后，可以根据该解码矩阵对关键特征进行解码，以将关键特征还原为与初始图片的相似度高于预设相似度的目标图片。由于关键特征能够表征初始图片的主成分的特征，因此，基于该关键特征得到的目标图片同样能够表征初始图片的主成分的特征，且与初始图片相同或者高度相似，完全不影响服务端对目标图片的识别结果。
103、所述终端向所述服务端发送所述关键特征。
一些实施方式中，可采用传输控制协议(Transmission Control Protocol， TCP)数据协议传输所述关键特征，以保证关键特征的传输质量，提高关键特征的可靠性。
104、服务端从终端接收关键特征后，对所述关键特征进行解码，得到目标图片。
其中，所述目标图片与初始图片的相似度高于预设相似度。
一些实施方式中，可根据解码矩阵对所述关键特征进行解码，得到所述目标图片。该解码矩阵可由终端实时发送给服务端，例如与关键特征一同或先后发送给服务端，以便于服务端收到关键特征和解码矩阵后，可直接根据解码矩阵对关键特征进行解码；另一些实施方式中，该解码矩阵也由服务端基于神经网络模型获取，这样可以降低终端的流量消耗。下面分别进行介绍：
1、解码矩阵由终端发给服务端
具体来说，在对所述关键特征进行解码之前，服务端还用于执行：
从所述终端接收解码矩阵；
相应的，所述服务端对所述关键特征进行解码，得到目标图片，包括：
所述服务端将所述目标图片输入所述解码矩阵，根据所述解码矩阵对所述关键特征进行解码，得到所述目标图片。
可见，终端通过向服务端发送解码矩阵，能够使得服务端接收到关键特征后，即可基于该解码矩阵将关键特征还原为目标图片。一方面，能够获取到准确的待识别的对象；另一方面，在减少流量消耗的同时还能提高整个识别效率 (还原为目标图片后进行识别)。
2、解码矩阵由服务端根据神经网络模型获取
下面先介绍神经网络模型的训练过程，即对所述关键特征进行解码之前，所述方法还包括：
获取数据集，所述数据集包括来自至少一个终端的多张图片；
获取所述数据集中各图片的主成分信息和主成分信息的解码矩阵；
分别将所述数据集中各图片的主成分信息和主成分信息的解码矩阵输入神经网络模型中，以对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到所述数据集中各图片对应的解码矩阵。
一些实施方式中，可采用深度学习模型来获取解码矩阵，具体步骤包括：
1、获取初始的神经网络模型，该神经网络模型中包括连续的卷积层、池化层和激活层。
2、读取行车记录仪图片，然后使用PCA算法分析图片的主成分，得到图片的主成分信息和对应的解码矩阵。
其中，PCA算法是用于提取数据的主成分，减少数据的特征，达到数据降维的目的，PCA算法中通过计算计算协方差矩阵的特征向量和特征值确定数据自动获得主成分。
当初始图片中两个变量(例如几个特征点)之间有一定相关关系时，可以解释为这两个变量反映特征的信息有一定的重叠，那么，可采用PCA算法将重复的变量(关系紧密的变量)删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映特征的信息方面尽可能保持原有的信息。即通过PCA算法能够将初始图片中原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的特征。
3、将行车记录仪图片的主成分信息输入至神经网络模型中。
4、将PCA算法得到的图片的解码矩阵和深度学习网络学习到的矩阵输入至交叉熵函数(或均方差函数)中计算损失函数loss的值。
5、根据loss的值，使用神经网络优化器(例如adam，sgd，Adagrad，RMSProp) 进行反向传播，计算网络的梯度，更新神经网络模型的模型参数。
6、一直输入图片训练网络，直到loss值降低到很小的值，神经网络模型的模型参数得到收敛，即可得到解码矩阵。
相应的，当服务端接收到车机端发送过来的主成分之后，服务端即可直接使用所训练的深度学习模型，得到图片的解码矩阵，对主成分进行解码还原图片。
下面介绍服务端自得到解码矩阵后，如何对关键特征进行解码的过程：在通过预先训练所述神经网络模型，使得所述神经网络模型具备获取解码矩阵的功能后，即可根据来自终端的关键特征进行解码矩阵的获取。具体来说，所述对所述关键特征进行解码之前，所述方法还包括：
调用预设的神经网络模型；
将所述关键特征为输入所述神经网络模型，得到所述神经网络模型输出的解码矩阵；
相应的，所述对所述关键特征进行解码，得到目标图片，包括：
将所述目标图片输入所述解码矩阵；
根据所述解码矩阵对所述关键特征进行解码，得到所述目标图片。
可见，终端在向服务端发送关键特征时，无需每次将解码矩阵发送至服务端，减少因为同时传输解码矩阵的所占用的网络流量。
105、服务端对所述目标图片中的目标对象进行识别，得到识别结果。
例如，终端为行车记录仪时，该行车记录仪向服务端上传的目标图片为关于车辆在运动(例如行驶、停车、转弯等驾驶状态)中所采集的图片，那么，服务端接收到该目标图片后，就可以对该目标图片进行障碍识别、路况识别、交通标志识别等识别。具体对目标图片进行哪一种或几种识别，可由服务端默认，或者由终端自主请求，或者由终端订阅对应的识别服务，本申请实施例不对此作限定。
又例如，终端为用户侧正在使用的手持采集设备、或者街道部署的路侧设备等。当终端采集到的实时的检测画面后，即可以媒体流的方式实时的向服务端传输。例如，对目标图片进行交通拥堵状态识别，突发事件识别等。
一些实施方式中，本申请实施例还可以用于对终端的采集画面中的待检测的对象进行跟踪检测，例如，服务端得到所述目标图片之后，还用于执行下述操作：
获取历史图片，所述历史图片为基于历史关键特征得到的图片，所述历史关键特征的接收时刻早于所述关键特征的接收时刻；所述历史图片和所述目标图片中均包含目标对象的部分或全部特征；例如，历史图片为基于t-2、或者t-1 时刻等t时刻之间的历史时刻所接收的历史关键特征得到的图片，目标图片为t 时刻接收的关键特征得到的图片。
确定所述目标图片相对于所述历史图片的区别成分；
根据所述区别成分确定所述目标对象的变化状态，例如相邻车辆为目标对象时，该相邻车辆从直行变化为向左变道。
可见，通过对比目标图片与历史图片之间的区别，能够确定目标对象的变化状态。
106、服务端向终端发送所述识别结果。
若上述终端为车载终端或者与车载终端通信连接的终端，那么可以以车载终端为行车记录仪为例，上述初始图片为行车记录仪拍摄的实时视频中的任意一帧。
该识别结果可用于终端对当前实时采集的检测画面中的检测对象进行识别。例如终端为行车记录仪时，该行车记录仪向服务端上传的目标图片为关于车辆在运动(例如行驶、停车、转弯等驾驶状态)中所采集的图片，那么，服务端接收到该目标图片后，就可以对该目标图片进行障碍识别、路况识别、交通标志识别等识别。相应的，该识别结果可用于提示当前的车辆的行驶方向、周围等视角的路况信息，例如，当前车辆前方有一辆车正在变道、超车等。
本申请的一些实施例中，终端还可以采集车辆两侧镜子或者后视镜的图片，然后对这些图片进行降维处理后发送给服务端，使得服务端基于解码得到额的图片进行识别，具体可根据图片中检测对象(例如车辆)占据镜子的比例来判断当前镜子中的车辆与本车辆之间的相对距离，然后根据本车辆的车速和该相对距离判断当前是否需要对车速、行驶方向等进行调整，以避免相撞事故。
或者，终端加入V2V通信，在同一个地理服务区的每个终端都可以向同一地理服务区的服务器上传采集到的初始图片的关键特征以及车辆的实时车速。服务器接收到这些终端的关键特征后，即可根据这些关键特征和对应的车速判断各个终端所在的车辆的实时状态，例如判断相邻车辆之间的安全距离，相邻车辆之间在预设时长内(例如0.2s内)的相对运动关系(例如变道、急停、加速、减速等)。服务器可将包括识别和预判的结果反馈给各个终端，这样能够使得车主对当前的车况进行预判，即便该车主的车辆存在图片的采集盲区。由于服务器是基于多个终端的图片和车速进行综合判断，因此，能够提高驾驶体验，即便车主对路况的判断无经验或者为其视野盲区，也能提供安全的驾驶体验。
本申请实施例中，一方面中，由于关键特征能够表征初始图片的主成分的特征，因此，基于该关键特征得到的目标图片同样能够表征初始图片的主成分的特征，且与初始图片相同或者高度相似，完全不影响服务端对目标图片的识别结果。另一方面中，由于关键特征是基于初始图片处理后得到，且关键特征仅为初始图片的主成分，因此，关键特征所占空间小于初始图片，进而，终端向服务端发送基于初始图片处理后得到的关键特征时，仅需要消耗少量网络流量，相较于终端直接向服务端发送初始图片而言，能够有效的降低网络流量的消耗，以及提高图片传输的速度，保证对目标图片识别的实时性。
图1至图3中任一项所对应的实施例中所提及的任一技术特征也同样适用于本申请实施例中的图4至图8所对应的实施例，后续类似之处不再赘述。
以上对本申请实施例中一种图片传输方法进行说明，以下对执行上述图片传输方法的终端、服务端分别进行介绍。
参阅图4，如图4所示的一种终端40的结构示意图，其可应用于对待传输的图片进行预处理，例如对行车记录仪采集的图片进行降维处理。本申请实施例中的终端40能够实现对应于上述图1-图3任一所对应的实施例中由终端所执行的图片传输方法的步骤。装置40实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述装置40可包括输入输出模块401和处理模块402。所述输入输出模块401和处理模块402的功能实现可参考图1-图7任一所对应的实施例中所执行的操作，此处不作赘述。
一些实施方式中，所述输入输出模块401可用于获取待传输的初始图片；
所述处理模块402用于对所述输入输出模块401获取的所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；
所述输入输出模块401还用于向所述服务端发送所述处理模块402得到的所述关键特征，以使得所述服务端对所述关键特征进行解析，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。
一些实施方式中，所述处理模块402具体用于：
从所述初始图片中提取多个候选特征；
分别获取各所述候选特征的特征向量和特征值；
根据特征向量和特征值对所述多个候选特征进行降维处理，以得到所述初始图片中的主成分；
根据所述初始图片中的各主成分的比重，从所述初始图片中的主成分中确定所述关键特征，所述关键特征是指比重大于预设比重的主成分。
一些实施方式中，所述处理模块402得到所述初始图片中的关键特征之后，还用于：
获取所述关键特征对应的解码矩阵；
通过所述输入输出模块401向所述服务端发送所述解码矩阵，所述解码矩阵用于对所述关键特征进行解码。
一些实施方式中，所述处理模块402具体用于：
获取所述关键特征和所述初始图片之间的对应关系；
根据所述对应关系生成所述解码矩阵。
本申请实施例中，由于处理模块402对初始图片进行降维处理得到的关键特征能够表征初始图片的主成分的特征，因此，基于该关键特征得到的目标图片同样能够表征初始图片的主成分的特征，且与初始图片相同或者高度相似，完全不影响服务端对目标图片的识别结果。同时，由于关键特征是基于初始图片处理后得到的，且关键特征仅为初始图片的主成分，因此，关键特征所占空间小于初始图片，进而，当输入输出模块401向服务端发送基于初始图片处理后得到的关键特征时，仅需要消耗少量网络流量，相较于直接向服务端发送初始图片而言，能够有效的降低网络流量的消耗，以及提高图片传输的速度，保证对目标图片识别的实时性。
参阅图5，如图5所示的一种服务端50的结构示意图，其可应用于对图像识别，例如对待检测对象的变化进行识别。本申请实施例中的服务端50能够实现对应于上述图1-图3任一所对应的实施例中由服务端所执行的图片传输方法的步骤。服务端50实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述服务端50可包括收发模块501和处理模块502。所述收发模块501和处理模块502的功能实现可参考图1-图7任一所对应的实施例中所执行的操作，此处不作赘述。
一些实施方式中，所述收发模块501用于从终端接收关键特征；
所述处理模块502用于对所述收发模块501接收的所述关键特征进行解码，得到目标图片，对所述目标图片中的目标对象进行识别，得到识别结果；所述目标图片与初始图片的相似度高于预设相似度，所述关键特征根据所述初始图片得到；
所述收发模块501还用于向终端发送所述处理模块502得到的所述识别结果。
一些实施方式中，所述处理模块501在对所述关键特征进行解码之前，还用于：
通过所述收发模块501从所述终端接收解码矩阵；
将所述目标图片输入所述解码矩阵；
根据所述解码矩阵对所述关键特征进行解码，得到所述目标图片。
一些实施方式中，所述处理模块502对所述关键特征进行解码之前，还用于：
调用预设的神经网络模型；
将所述关键特征为输入所述神经网络模型，得到所述神经网络模型输出的解码矩阵；
将所述目标图片输入所述解码矩阵；
根据所述解码矩阵对所述关键特征进行解码，得到所述目标图片。
一些实施方式中，所述处理模块502对所述关键特征进行解码之前，还用于：
通过所述收发模块501获取数据集，所述数据集包括来自至少一个终端的多张图片；
获取所述数据集中各图片的主成分信息和主成分信息的解码矩阵；
分别将所述数据集中各图片的主成分信息和主成分信息的解码矩阵输入神经网络模型中，以对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到所述数据集中各图片对应的解码矩阵。
本申请实施例中，由于收发模块501接收到的关键特征能够表征初始图片的主成分的特征，因此，基于该关键特征得到的目标图片同样能够表征初始图片的主成分的特征，且与初始图片相同或者高度相似，完全不影响服务端对目标图片的识别结果。同时，由于关键特征是基于初始图片处理后得到的，且关键特征仅为初始图片的主成分，因此，关键特征所占空间小于初始图片，进而，当收发模块501从终端接收基于初始图片处理后得到的关键特征时，仅需要消耗少量网络流量，相较于从终端直接接收初始图片而言，能够有效的降低网络流量的消耗。
上面从模块化功能实体的角度对本申请实施例中的执行图片传输方法的终端40、服务端50分别进行了描述，下面从硬件处理的角度分别对本申请实施例中的执行图片传输方法的终端、服务器进行描述。需要说明的是，在本申请实施例图4所示的实施例中的输入输出模块401对应的实体设备可以为输入/输出单元、收发器、射频电路、通信模块和输出接口等，处理模块402对应的实体设备可以为处理器。图4所示的终端40可以具有如图6所示的结构，当图4所示的终端40具有如图6所示的结构时，图6中的处理器和收发器能够实现前述对应该终端40的装置实施例提供的输入输出模块401和处理模块402相同或相似的功能，图6中的存储器存储处理器执行上述图片传输方法时需要调用的计算机程序。同理，图5所示的服务端50可以具有如图6所示的结构，当图5所示的服务端50具有如图6所示的结构时，图6中的处理器和收发器能够实现前述对应该服务端50的装置实施例提供的收发模块501和处理模块502相同或相似的功能，图6中的存储器存储处理器执行上述图片传输方法时需要调用的计算机程序。
本申请实施例还提供了另一种终端，如图7所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(英文全称： Personal Digital Assistant，英文简称：PDA)、销售终端(英文全称：Point of Sales，英文简称：POS)、车载电脑等任意终端，以终端为手机为例：
图7示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图7，手机包括：射频(英文全称：Radio Frequency，英文简称：RF)电路710、存储器720、输入单元730、显示单元740、传感器780、音频电路760、无线保真(英文全称：wireless-fidelity，英文简称：Wi-Fi)模块7100、处理器 780、以及电源790等部件。本领域技术人员可以理解，图7中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图7对手机的各个构成部件进行具体的介绍：
RF电路710可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器780处理；另外，将设计上行的数据发送给基站。通常，RF电路710包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(英文全称：LowNoise Amplifier，英文简称：LNA)、双工器等。此外，RF电路710还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统 (英文全称：Global System of Mobile communication，英文简称：GSM)、通用分组无线服务(英文全称：General Packet Radio Service，英文简称：GPRS)、码分多址(英文全称：Code Division Multiple Access，英文简称：CDMA)、宽带码分多址(英文全称：Wideband Code Division Multiple Access,英文简称： WCDMA)、长期演进(英文全称：Long Term Evolution，英文简称：LTE)、电子邮件、短消息服务(英文全称：ShortMessaging Service，英文简称：SMS) 等。
存储器720可用于存储软件程序以及模块，处理器780通过运行存储在存储器720的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器720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(比如声音播放功能、图像播放功能等) 等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元730可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元730可包括触控面板 731以及其他输入设备732。触控面板731，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板731上或在触控面板731附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板731可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器780，并能接收处理器780发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板731。除了触控面板731，输入单元730还可以包括其他输入设备732。具体地，其他输入设备732可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元740可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元740可包括显示面板741，可选的，可以采用液晶显示器 (英文全称：LiquidCrystal Display，英文简称：LCD)、有机发光二极管(英文全称：Organic Light-EmittingDiode,英文简称：OLED)等形式来配置显示面板741。进一步的，触控面板731可覆盖显示面板741，当触控面板731检测到在其上或附近的触摸操作后，传送给处理器780以确定触摸事件的类型，随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。虽然在图7中，触控面板731与显示面板741是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板731与显示面板741集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器780，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板741的亮度，接近传感器可在手机移动到耳边时，关闭显示面板741和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路760、扬声器761，传声器762可提供用户与手机之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号，传输到扬声器761，由扬声器761转换为声音信号输出；另一方面，传声器762将收集的声音信号转换为电信号，由音频电路760接收后转换为音频数据，再将音频数据输出处理器780 处理后，经RF电路710以发送给比如另一手机，或者将音频数据输出至存储器 720以便进一步处理。
Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块7100可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图7示出了Wi-Fi模块7100，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
处理器780是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器720内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器780可包括一个或多个处理单元；优选的，处理器 780可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器780中。
手机还包括给各个部件供电的电源790(比如电池)，电源可以通过电源管理系统与处理器780逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该手机所包括的处理器780还具有控制执行以上由图4 所示的终端40执行的方法流程。上述实施例中由终端所执行的步骤可以基于该图7所示的手机结构。例如，所述处理器722通过调用存储器732中的指令，执行以下操作：
通过输入单元730获取待传输的初始图片；
对所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；
通过RF电路710向所述服务端发送所述关键特征，以使得所述服务端对所述关键特征进行解析，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。
如图8所示，图8是本申请实施例提供的一种服务器结构示意图，该服务器 820可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：central processing units，英文简称：CPU)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据 844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832 和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器820上执行存储介质830中的一系列指令操作。
服务器820还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作系统841，例如Windows Server，Mac OS X，Unix,Linux，FreeBSD等等。
上述实施例中由服务端所执行的步骤可以基于该图8所示的服务器820的结构。例如，例如上述实施例中由图8所示的服务端50所执行的步骤可以基于该图8所示的服务器结构。例如，所述处理器822通过调用存储器832中的指令，执行以下操作：
通过输入输出接口858从终端接收关键特征；
对所述关键特征进行解码，得到目标图片，对所述目标图片中的目标对象进行识别，得到识别结果；所述目标图片与初始图片的相似度高于预设相似度，所述关键特征根据所述初始图片得到；
通过输入输出接口858向终端发送所述识别结果。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，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，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (7)

1.一种图片传输方法，其特征在于，应用于采集城市道路采集图片的终端，所述方法包括：
获取待传输的初始图片，所述初始图片为城市道路采集图片；
对所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；
所述对所述初始图片进行特征降维处理，得到所述初始图片中的关键特征，包括：
从所述初始图片中提取多个候选特征；
分别获取各所述候选特征的特征向量和特征值；
根据特征向量和特征值对所述多个候选特征进行降维处理，以得到所述初始图片中的主成分；
根据所述初始图片中的各主成分的比重，从所述初始图片中的主成分中确定所述关键特征，所述关键特征是指比重大于预设比重的主成分；
向服务端发送所述关键特征，以使得所述服务端对所述关键特征进行解码，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。
2.根据权利要求1所述的方法，其特征在于，所述得到所述初始图片中的关键特征之后，所述方法还包括：
获取所述关键特征对应的解码矩阵；
向所述服务端发送所述解码矩阵，所述解码矩阵用于对所述关键特征进行解码。
3.根据权利要求1所述的方法，其特征在于，所述对所述关键特征进行解码之前，所述方法还包括：
从所述终端接收解码矩阵。
4.根据权利要求1所述的方法，其特征在于，所述对所述关键特征进行解码之前，所述方法还包括：
获取数据集，所述数据集包括来自至少一个终端的多张图片；
获取所述数据集中各图片的主成分信息和主成分信息的解码矩阵；
分别将所述数据集中各图片的主成分信息和主成分信息的解码矩阵输入神经网络模型中，以对所述神经网络模型进行训练，直至所述神经网络模型收敛，得到所述数据集中各图片对应的解码矩阵。
5.一种终端，其特征在于，所述终端包括：
输入输出模块，用于获取待传输的初始图片；
处理模块，用于对所述输入输出模块获取的所述初始图片进行特征降维处理，得到所述初始图片中的关键特征；
所述处理模块具体用于：
从所述初始图片中提取多个候选特征；
分别获取各所述候选特征的特征向量和特征值；
根据特征向量和特征值对所述多个候选特征进行降维处理，以得到所述初始图片中的主成分；
根据所述初始图片中的各主成分的比重，从所述初始图片中的主成分中确定所述关键特征，所述关键特征是指比重大于预设比重的主成分；
所述输入输出模块还用于向服务端发送所述处理模块得到的所述关键特征，以使得所述服务端对所述关键特征进行解析，根据所述关键特征得到目标图片，并对所述目标图片中的目标对象进行识别，得到识别结果，将所述识别结果发送给终端；所述目标图片与所述初始图片的相似度高于预设相似度。
6.一种处理设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至4中任一项所述的方法。
7.一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存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至4中任一项所述的方法。
CN202110891214.2A 2021-08-04 2021-08-04 一种图片传输方法、装置、设备及存储介质 Active CN113592003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110891214.2A CN113592003B (zh) 2021-08-04 2021-08-04 一种图片传输方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110891214.2A CN113592003B (zh) 2021-08-04 2021-08-04 一种图片传输方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113592003A CN113592003A (zh) 2021-11-02
CN113592003B true CN113592003B (zh) 2023-12-26

Family

ID=78254938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110891214.2A Active CN113592003B (zh) 2021-08-04 2021-08-04 一种图片传输方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113592003B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116233372B (zh) * 2023-05-10 2023-07-14 北京城建智控科技股份有限公司 一种移动方舱内部的安全监控方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6721698B1 (en) * 1999-10-29 2004-04-13 Nokia Mobile Phones, Ltd. Speech recognition from overlapping frequency bands with output data reduction
KR20150066657A (ko) * 2013-12-06 2015-06-17 주식회사 한국인터넷기술원 동영상 컨텐츠를 이용한 마케팅 장치 및 그 방법
CN107483969A (zh) * 2017-09-19 2017-12-15 上海爱优威软件开发有限公司 一种基于pca的数据传输方法及系统
CN108882020A (zh) * 2017-05-15 2018-11-23 北京大学 一种视频信息处理方法、装置及系统
CN109087167A (zh) * 2018-07-31 2018-12-25 西安艾润物联网技术服务有限责任公司 服务信息推送方法、相关设备以及存储介质
CN109885709A (zh) * 2019-01-08 2019-06-14 五邑大学 一种基于自编码预降维的图像检索方法、装置和存储介质
CN111368795A (zh) * 2020-03-19 2020-07-03 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备
CN112633200A (zh) * 2020-12-29 2021-04-09 平安普惠企业管理有限公司 基于人工智能的人脸图像比对方法、装置、设备及介质
CN113095506A (zh) * 2021-03-25 2021-07-09 北京大学 基于端、边及云协同的机器学习方法、系统及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102251960B1 (ko) * 2015-01-15 2021-05-14 삼성전자주식회사 이미지 분석 방법과 이를 수행하는 전자 장치 및 서버

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6721698B1 (en) * 1999-10-29 2004-04-13 Nokia Mobile Phones, Ltd. Speech recognition from overlapping frequency bands with output data reduction
KR20150066657A (ko) * 2013-12-06 2015-06-17 주식회사 한국인터넷기술원 동영상 컨텐츠를 이용한 마케팅 장치 및 그 방법
CN108882020A (zh) * 2017-05-15 2018-11-23 北京大学 一种视频信息处理方法、装置及系统
CN107483969A (zh) * 2017-09-19 2017-12-15 上海爱优威软件开发有限公司 一种基于pca的数据传输方法及系统
CN109087167A (zh) * 2018-07-31 2018-12-25 西安艾润物联网技术服务有限责任公司 服务信息推送方法、相关设备以及存储介质
CN109885709A (zh) * 2019-01-08 2019-06-14 五邑大学 一种基于自编码预降维的图像检索方法、装置和存储介质
CN111368795A (zh) * 2020-03-19 2020-07-03 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备
CN112633200A (zh) * 2020-12-29 2021-04-09 平安普惠企业管理有限公司 基于人工智能的人脸图像比对方法、装置、设备及介质
CN113095506A (zh) * 2021-03-25 2021-07-09 北京大学 基于端、边及云协同的机器学习方法、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Compact Descriptors for Visual Search;Ling-Yu Duan;《IEEE MultiMedia 》;第21卷(第3期);第30-40页 *
基于深度学习的无线通信场景识别研究;刘祥;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN113592003A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
US11688043B2 (en) Video deblurring method and apparatus, storage medium, and electronic apparatus
CN113762252B (zh) 无人机智能跟随目标确定方法、无人机和遥控器
CN110321965B (zh) 物体重识别模型的训练方法、物体重识别的方法及装置
CN109804367B (zh) 使用边缘计算的分布式视频存储和搜索
CN106407984B (zh) 目标对象识别方法及装置
US10740607B2 (en) Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control
CN109785368B (zh) 一种目标跟踪方法和装置
CN110795523B (zh) 车辆定位方法、装置以及智能车辆
WO2017063283A1 (zh) 智能车载终端触发系统和方法
CN112802111B (zh) 一种物体模型构建方法及装置
WO2022166625A1 (zh) 一种车辆行驶场景中信息推送的方法以及相关装置
CN110516113B (zh) 一种视频分类的方法、视频分类模型训练的方法及装置
US20210073577A1 (en) Image processing method and device, electronic device and storage medium
US20230206093A1 (en) Music recommendation method and apparatus
CN113592003B (zh) 一种图片传输方法、装置、设备及存储介质
CN113923775B (zh) 一种定位信息质量评估的方法、装置、设备和存储介质
CN110956483A (zh) 广告信息推送方法、系统、服务器及车辆
CN108021669B (zh) 图像分类方法和装置、电子设备、计算机可读存储介质
CN115841575A (zh) 关键点检测方法、装置、电子设备、存储介质和程序产品
US11627252B2 (en) Configuration of optical sensor devices in vehicles based on thermal data
KR102471214B1 (ko) IP-Cam 모니터링 방법 및 장치
KR102534638B1 (ko) 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템
KR102468193B1 (ko) IP-Cam 모니터링 방법 및 장치
CN111681255B (zh) 一种对象识别方法和相关装置
Lee Enabling Deep Neural Network Inferences on Resource-constraint Devices

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