CN114267076B - 一种图像识别方法、装置、设备及存储介质 - Google Patents
一种图像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114267076B CN114267076B CN202210191842.4A CN202210191842A CN114267076B CN 114267076 B CN114267076 B CN 114267076B CN 202210191842 A CN202210191842 A CN 202210191842A CN 114267076 B CN114267076 B CN 114267076B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- vector
- sample
- dimension
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像识别方法、装置、设备及存储介质。该方法包括：获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值；根据所述图像距离值，确定所述待识别图像的识别结果。本发明实施例提供的图像识别方法、装置、设备及存储介质，提高了不同光照下对物体的识别准确率。
Description
技术领域
本发明实施例涉及智能驾驶领域，尤其涉及一种图像识别方法、装置、设备及存储介质。
背景技术
智能驾驶的时代已经来到。比如说，当检测到实际前方有行人时会自动帮助驾驶员刹车。当检测到司机疲劳会进行疲劳提醒。
但发明人发现，在对司机、行人或其他障碍物进行人脸识别过程中，采集的图像数据会受到当时环境光照的影响，同一张照片在不同的光照下生成的图像向量是有差别的，从而导致在以后识别的过程中会有误差，影响图像识别的准确率。
发明内容
本发明实施例提供一种图像识别方法、装置、设备及存储介质，以提高不同光照下对物体的识别准确率。
第一方面，本发明实施例提供了一种图像识别方法，该方法包括：
获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；
根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差；
根据所述图像距离值，确定所述待识别图像的识别结果。
第二方面，本发明实施例还提供了一种图像识别装置，该装置包括：
识别向量转换模块，用于获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；
距离确定模块，用于根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差；
识别模块，用于根据所述图像距离值，确定所述待识别图像的识别结果。
第三方面，本发明实施例还提供了一种电子设备，所述设备包括：
一个或多个处理器；
存储器，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本发明实施例中任一所述的方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的方法。
本发明实施例通过利用样本图像对应向量的平均值和样本图像对应向量的标准差计算待识别图像与样本图像之间的相似度。因为平均值和标准差反应了样本图像的共有特征，一定程度的过滤了不同图像之间因场景和环境不同带来的图像差异。所以利用基于平均值和标准差得到的图像相似度，可以提高不同光照下待识别图像的识别准确率。
附图说明
图1为本发明实施例一提供的一种图像识别方法的流程图；
图2是本发明实施例三提供的一种图像识别装置的结构示意图；
图3为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像识别方法的流程图。本实施例可适用于对不同环境场景下采集的图像进行识别的情况，该方法可以由一种图像识别装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本发明实施例一提供的图像识别方法包括：
S110、获取待识别图像，将所述待识别图像转换成设定维度的待识别向量。
待识别图像可以是任意需要识别的图像。可选地，待识别图像可以是人脸图像、也可以是车道线图像、还可以是其他目标物图像。本实施例对此并不进行任何限定。
待识别向量是指待识别图像转换后的特征向量。特征向量可以基于待识别图像的任意图像特征转换得到，例如色度信息、亮度信息、饱和度信息等。
S120、根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值。
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差。
样本图像对应向量的平均值和标准差的确定包括：将样本图像转换为不同形式向量，计算不同形式向量的平均值和标准差。
不同形式向量包括：样本图像的灰度图像、各颜色通道像素值等。
具体地，根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，包括：
计算待识别向量中各维度数值与样本均值向量中对应维度的数值的差值；
计算待识别向量中各维度数值与样本标准差向量中对应维度的数值的差值；
根据计算得到的两差值的和，确定图像距离值。
然而，发明人在实现本发明的过程中发现直接累加待识别向量与样本均值向量的差值，对于环境原因导致的整体像素都存在较小偏差的情况会导致误判。为解决该问题，所述根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，包括：
计算所述待识别向量中各维度数值与所述样本均值向量中对应维度的数值的差值，记为第一差值；
若所述第一差值的绝对值小于或等于所述样本标准差向量中对应维度的数值，则所述图像距离值累加0，其中所述图像距离值的初始值为0；
若所述第一差值的绝对值大于所述样本标准差向量中对应维度的数值，则所述图像距离值累加第二差值，所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
上述步骤通过待识别向量与样本均值向量的差值，过滤相似的像素点，基于较大区别的像素点计算图像距离值，从而有效解决了因环境原因导致的整体像素都存在较小偏差而带来的误判问题。
S130、根据所述图像距离值，确定所述待识别图像的识别结果。
具体地，将最小图像距离值对应样本图像的标签作为待识别图像的识别结果。
可选地，所述根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值之前，所述方法还包括：
根据所述待识别图像生成所述待识别图像的直方图均衡化图、高斯滤波图、中值滤波图、拉普拉斯增强图、伽马变换图中的至少两种分析过程图像；
将所述至少两种分析过程图像中的各图像分别转换成所述设定维度的分析过程向量；
将各分析过程向量在各维度的平均值，作为所述样本均值向量的各维度数值；
将各分析过程向量在各维度的标准差，作为所述样本标准差向量的各维度数值。
其中，直方图均衡化图是待识别图像进行直方图均衡化后得到的图像；高斯滤波图是待识别图像进行高斯滤波后的图像；中值滤波图是待识别图像进行中值滤波后的图像；拉普拉斯增强图是待识别图像进行拉普拉斯增强后的图像；伽马变换图是待识别图像进行伽马变换后得到的图像。
本发明实施例通过利用样本图像对应向量的平均值和样本图像对应向量的标准差计算待识别图像与样本图像之间的相似度。因为平均值和标准差反应了样本图像的共有特征，一定程度的过滤了不同图像之间因场景和环境不同带来的图像差异。所以利用基于平均值和标准差得到的图像相似度，可以提高不同光照下待识别图像的识别准确率。
实施例二
本实施例是在上述实施例的基础上以待识别图像是人脸图像为例提出的一种可选方案。本发明实施例提供的图像识别方法包括样本生成阶段和识别阶段。
具体地，样本生成阶段包括:
1、读取一张人脸照片，通过计算机图像学方法生成对应的直方图均衡化图，高斯滤波图，中值滤波图，拉普拉斯增强图，伽马变换图，这样包括原图一共有同一个人的6张人脸图。
2、通过face_recognition开源库将这6张人脸图分别生成6组128维向量。
3、取6组人脸向量的第一列，求出平均值和标准差，保存下来，再取6组人脸向量的第二列，求出平均值和标准差，保存下来，……再取6组人脸向量的第128列，求出平均值和标准差，保存下来。这样就生成了这张人脸图像的一组平均值向量和一组标准差向量，都是128维的。
4、所有的样本照片都按照以上的步骤处理，结果就是每一张人脸都对应的一组128维的平均值向量和一组128维的标准差向量。
识别阶段包括：
1、读取待识别人脸图片，通过face_recognition开源库转成128维向量。
2、定义一个表示距离的变量d，赋值为0。取出待识别人脸向量的第一个数据，记为a，取出平均值向量的第一个数据，记为b，取出标准差向量的第一个数据，记为c。
3、如果a-b的绝对值小于等于c，则d+=0；如果a-b的绝对值大于c，则d+=|a-b|-c；
4、再次取出待识别人脸向量的第二个数据，记为a，取出平均值向量的第二个数据，记为b，取出标准差向量的第二个数据，记为c。按照同样的方法累加计算d。依次取出第128个数据，都按照以上方法计算。最终得到d的一个数值。这个d就是这个样本与待识别人脸的图像距离值。
5、计算出所有样本的d，最小的d值对应的样本就是识别的结果。
本发明实施例通过利用样本图像对应向量的平均值和样本图像对应向量的标准差计算待识别人脸图像与样本图像之间的相似度。因为平均值和标准差反应了样本图像的共有特征，一定程度的过滤了不同图像之间因场景和环境不同带来的图像差异。所以利用基于平均值和标准差得到的图像相似度，可以提高不同光照下待识别人脸图像的识别准确率。
实施例三
图2是本发明实施例三提供的一种图像识别装置的结构示意图。本实施例提供一种图像识别装置，该装置包括：
识别向量转换模块110，用于获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；
距离确定模块120，用于根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差；
识别模块130，用于根据所述图像距离值，确定所述待识别图像的识别结果。
本发明实施例通过利用样本图像对应向量的平均值和样本图像对应向量的标准差计算待识别图像与样本图像之间的相似度。因为平均值和标准差反应了样本图像的共有特征，一定程度的过滤了不同图像之间因场景和环境不同带来的图像差异。所以利用基于平均值和标准差得到的图像相似度，可以提高不同光照下待识别图像的识别准确率。
进一步地，所述距离确定模块，包括：
差值计算单元，用于计算所述待识别向量中各维度数值与所述样本均值向量中对应维度的数值的差值，记为第一差值；
第一累加单元，若所述第一差值的绝对值小于或等于所述样本标准差向量中对应维度的数值，则所述图像距离值累加0，其中所述图像距离值的初始值为0；
第二累加单元，用于若所述第一差值的绝对值大于所述样本标准差向量中对应维度的数值，则所述图像距离值累加第二差值，所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
进一步地，所述装置还包括：
图像转换模块，用于所述根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值之前，根据所述待识别图像生成所述待识别图像的直方图均衡化图、高斯滤波图、中值滤波图、拉普拉斯增强图、伽马变换图中的至少两种分析过程图像；
向量转换模块，用于将所述至少两种分析过程图像中的各图像分别转换成所述设定维度的分析过程向量；
均值确定模块，用于将各分析过程向量在各维度的平均值，作为所述样本均值向量的各维度数值；
标准差确定模块，用于将各分析过程向量在各维度的标准差，作为所述样本标准差向量的各维度数值。
进一步地，所述待识别图像为人脸图像；所述设定维度为128维。
进一步地，所述识别模块，包括：
识别单元，用于将最小的图像距离值对应的样本图像的标签作为所述待识别图像的识别结果。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图3为本发明实施例四提供的一种电子设备的结构示意图，如图3所示，该终端包括处理器70、存储器71、输入装置72和输出装置73；终端中处理器70的数量可以是一个或多个，图3中以一个处理器70为例；终端中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的传感器故障诊断方法对应的程序指令/模块（例如，图像识别装置中的识别向量转换模块110、距离确定模块120、识别模块130）。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行终端的各种功能应用以及数据处理，即实现上述的获取页面加载时间的方法。
存储器71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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71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、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至终端。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。
输入装置72可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像识别方法，该方法包括：
获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；
根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差；
根据所述图像距离值，确定所述待识别图像的识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的图像识别方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，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。
值得注意的是，上述一种图像识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种图像识别方法，其特征在于，包括：
获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；
根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差；
根据所述图像距离值，确定所述待识别图像的识别结果；
所述根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，包括：
计算所述待识别向量中各维度数值与所述样本均值向量中对应维度的数值的差值，记为第一差值；
若所述第一差值的绝对值小于或等于所述样本标准差向量中对应维度的数值，则所述图像距离值累加0，其中所述图像距离值的初始值为0；
若所述第一差值的绝对值大于所述样本标准差向量中对应维度的数值，则所述图像距离值累加第二差值，所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值之前，所述方法还包括：
根据所述待识别图像生成所述待识别图像的直方图均衡化图、高斯滤波图、中值滤波图、拉普拉斯增强图、伽马变换图中的至少两种分析过程图像；
将所述至少两种分析过程图像中的各图像分别转换成所述设定维度的分析过程向量；
将各分析过程向量在各维度的平均值，作为所述样本均值向量的各维度数值；
将各分析过程向量在各维度的标准差，作为所述样本标准差向量的各维度数值。
3.根据权利要求1所述的方法，其特征在于，所述待识别图像为人脸图像；所述设定维度为128维。
4.根据权利要求1所述的方法，其特征在于，所述根据所述图像距离值，确定所述待识别图像的识别结果，包括：
将最小的图像距离值对应的样本图像的标签作为所述待识别图像的识别结果。
5.一种图像识别装置，其特征在于，包括：
识别向量转换模块，用于获取待识别图像，将所述待识别图像转换成设定维度的待识别向量；
距离确定模块，用于根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值，
其中，样本均值向量表示样本图像对应向量的平均值，样本标准差向量用于表示样本图像对应向量的标准差；
识别模块，用于根据所述图像距离值，确定所述待识别图像的识别结果；
所述距离确定模块，包括：
差值计算单元，用于计算所述待识别向量中各维度数值与所述样本均值向量中对应维度的数值的差值，记为第一差值；
第一累加单元，若所述第一差值的绝对值小于或等于所述样本标准差向量中对应维度的数值，则所述图像距离值累加0，其中所述图像距离值的初始值为0；
第二累加单元，用于若所述第一差值的绝对值大于所述样本标准差向量中对应维度的数值，则所述图像距离值累加第二差值，所述第二差值为所述第一差值的绝对值与所述样本标准差向量中对应维度数值的差值。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
图像转换模块，用于所述根据所述待识别向量中各维度数值、样本均值向量中对应维度的数值和样本标准差向量中对应维度的数值，确定表示所述待识别图像与样本图像之间的相似度的图像距离值之前，根据所述待识别图像生成所述待识别图像的直方图均衡化图、高斯滤波图、中值滤波图、拉普拉斯增强图、伽马变换图中的至少两种分析过程图像；
向量转换模块，用于将所述至少两种分析过程图像中的各图像分别转换成所述设定维度的分析过程向量；
均值确定模块，用于将各分析过程向量在各维度的平均值，作为所述样本均值向量的各维度数值；
标准差确定模块，用于将各分析过程向量在各维度的标准差，作为所述样本标准差向量的各维度数值。
7.一种电子设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，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1-4中任一所述的方法。
8.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210191842.4A CN114267076B (zh) | 2022-03-01 | 2022-03-01 | 一种图像识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210191842.4A CN114267076B (zh) | 2022-03-01 | 2022-03-01 | 一种图像识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114267076A CN114267076A (zh) | 2022-04-01 |
| CN114267076B true CN114267076B (zh) | 2022-05-27 |
Family
ID=80833861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210191842.4A Active CN114267076B (zh) | 2022-03-01 | 2022-03-01 | 一种图像识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114267076B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648683B (zh) * | 2022-05-23 | 2022-09-13 | 天津所托瑞安汽车科技有限公司 | 基于不确定性分析的神经网络性能提升方法和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101488223A (zh) * | 2008-01-16 | 2009-07-22 | 中国科学院自动化研究所 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
| CN108875767A (zh) * | 2017-12-07 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别的方法、装置、系统及计算机存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100573190C (zh) * | 2007-09-04 | 2009-12-23 | 西安电子科技大学 | 基于支撑矢量机的合成孔径雷达遮挡目标识别方法 |
| CN101388075B (zh) * | 2008-10-11 | 2011-11-16 | 大连大学 | 基于独立特征融合的人脸识别方法 |
| CN102136063A (zh) * | 2011-03-15 | 2011-07-27 | 西安电子科技大学 | 基于泽尼克矩的快速图像比对方法 |
| CN105931257B (zh) * | 2016-06-12 | 2018-08-31 | 西安电子科技大学 | 基于纹理特征和结构相似度的sar图像质量评估方法 |
-
2022
- 2022-03-01 CN CN202210191842.4A patent/CN114267076B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101488223A (zh) * | 2008-01-16 | 2009-07-22 | 中国科学院自动化研究所 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
| CN108875767A (zh) * | 2017-12-07 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别的方法、装置、系统及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114267076A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705405B (zh) | 目标标注的方法及装置 | |
| CN112132156B (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
| CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
| CN111260666B (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
| CN111767878B (zh) | 嵌入式设备中基于深度学习的交通标志检测方法及系统 | |
| US20180349716A1 (en) | Apparatus and method for recognizing traffic signs | |
| WO2012139228A1 (en) | Video-based detection of multiple object types under varying poses | |
| CN110348463B (zh) | 用于识别车辆的方法和装置 | |
| CN112381104A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
| CN112232368B (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
| CN114267029A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
| CN114267076B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| CN113688839B (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
| CN111832515A (zh) | 一种密集行人检测方法、介质、终端和装置 | |
| CN115100469A (zh) | 一种基于分割算法的目标属性识别方法、训练方法和装置 | |
| CN110880003B (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
| CN116229406B (zh) | 车道线检测方法、系统、电子设备及存储介质 | |
| CN113743434A (zh) | 一种目标检测网络的训练方法、图像增广方法及装置 | |
| EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
| CN116259021A (zh) | 一种车道线检测方法、存储介质和电子设备 | |
| CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 | |
| CN115797870A (zh) | 基于轻量化动作侦测的ai物件侦测系统、方法、电子设备及存储介质 | |
| CN115577768A (zh) | 半监督模型训练方法和装置 | |
| JP2011081614A (ja) | 認識装置、認識方法及びプログラム | |
| CN114882469A (zh) | 一种基于dl-ssd模型的交通标志检测方法及系统 |
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 |