CN114595778A - 标识图案识别方法、装置、电子设备、存储介质 - Google Patents
标识图案识别方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114595778A CN114595778A CN202210253561.7A CN202210253561A CN114595778A CN 114595778 A CN114595778 A CN 114595778A CN 202210253561 A CN202210253561 A CN 202210253561A CN 114595778 A CN114595778 A CN 114595778A
- Authority
- CN
- China
- Prior art keywords
- identification pattern
- sample
- image
- pattern
- identification
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012567 pattern recognition method Methods 0.000 title abstract description 11
- 238000003909 pattern recognition Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000003550 marker Substances 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 32
- 238000001514 detection method Methods 0.000 description 18
- 238000002372 labelling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/053—Detail-in-context presentations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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
本公开关于一种标识图案识别方法、装置、电子设备、存储介质和计算机程序产品,所述方法包括:获取包含有标识图案的目标标识图案图像;将目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像;标识图案添加位置用于作为样本标识图案图像对应的样本标签;将标识图案位置作为针对目标标识图案图像的标识图案识别结果。采用本方法无需人工标注,能够根据标识图案变化快速更新识别网络参数,提升了标识图案识别效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种标识图案识别方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
随着图像检测领域的发展,出现了针对标识图案的检测和识别技术,传统的标识图案检测和识别算法采用人工标注方式,根据特定的任务数据进行人工标注,而针对海量任务数据,人工标注过程繁琐、标注成本高,在数据场景变化时迁移性差。
因此,相关技术中存在对标识图案识别效率低的问题。
发明内容
本公开提供一种标识图案识别方法、装置、电子设备、存储介质和计算机程序产品,以至少解决相关技术中存在对标识图案识别效率低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种标识图案识别方法,包括:
获取包含有标识图案的目标标识图案图像;
将所述目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;所述预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,所述样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像;所述标识图案添加位置用于作为所述样本标识图案图像对应的样本标签;
将所述标识图案位置作为针对所述目标标识图案图像的标识图案识别结果。
在一种可能实现方式中,所述方法还包括:
获取样本标识图案图像;
将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
基于所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到所述预训练的标识图案识别网络。
在一种可能实现方式中,所述获取样本标识图案图像,包括:
获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;
按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
在一种可能实现方式中,所述在所述样本背景图像中随机生成标识图案添加位置,包括:
从所述样本背景图像中随机选出一个坐标点位置作为起始位置,以及针对所述起始位置,从所述样本背景图像中随机选出另一个坐标点位置作为结束位置;所述起始位置满足起始坐标范围条件,所述结束位置满足结束坐标范围条件;
根据所述起始位置和所述结束位置,得到所述标识图案添加位置。
在一种可能实现方式中,所述根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像,包括:
根据所述样本截取图像的尺寸大小,对所述样本标识图案进行放缩处理,得到放缩后的样本标识图案;
对所述放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和所述样本截取图像进行粘贴,得到所述样本图案粘贴图像。
在一种可能实现方式中,所述对所述放缩后的样本标识图案进行透明度调整处理,包括:
从预设的透明度数值范围中随机选取一个透明度数值,作为目标透明度;
将所述放缩后的样本标识图案对应的透明度调整至所述目标透明度,得到所述透明度调整后的样本标识图案。
根据本公开实施例的第二方面,提供一种标识图案识别网络的训练方法,包括:
获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
按照所述标识图案添加位置,将样本标识图案添加至所述样本背景图像中,得到样本标识图案图像;
将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
根据所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练。
在一种可能实现方式中,所述按照所述标识图案添加位置,将样本标识图案添加至所述样本背景图像中,得到样本标识图案图像,包括:
按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;
按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
在一种可能实现方式中,所述根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像,包括:
根据所述样本截取图像的尺寸大小,对所述样本标识图案进行放缩处理,得到放缩后的样本标识图案;
对所述放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和所述样本截取图像进行粘贴,得到所述样本图案粘贴图像。
根据本公开实施例的第三方面,提供一种标识图案识别装置,包括:
标识图案图像获取单元,被配置为执行获取包含有标识图案的目标标识图案图像;
标识图案位置得到单元,被配置为执行将所述目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;所述预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,所述样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像;所述标识图案添加位置用于作为所述样本标识图案图像对应的样本标签;
识别结果得到单元,被配置为执行将所述标识图案位置作为针对所述目标标识图案图像的标识图案识别结果。
在一种可能实现方式中,所述装置还包括:
样本图像获取单元,具体被配置为执行获取样本标识图案图像;
网络输入单元,具体被配置为执行将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
训练网络得到单元,具体被配置为执行基于所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到所述预训练的标识图案识别网络。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行从所述样本背景图像中随机选出一个坐标点位置作为起始位置,以及针对所述起始位置,从所述样本背景图像中随机选出另一个坐标点位置作为结束位置;所述起始位置满足起始坐标范围条件,所述结束位置满足结束坐标范围条件;根据所述起始位置和所述结束位置,得到所述标识图案添加位置。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行根据所述样本截取图像的尺寸大小,对所述样本标识图案进行放缩处理,得到放缩后的样本标识图案;对所述放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和所述样本截取图像进行粘贴,得到所述样本图案粘贴图像。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行从预设的透明度数值范围中随机选取一个透明度数值,作为目标透明度;将所述放缩后的样本标识图案对应的透明度调整至所述目标透明度,得到所述透明度调整后的样本标识图案。
根据本公开实施例的第四方面,提供一种标识图案识别网络的训练装置,包括:
位置随机生成单元,被配置为执行获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
样本图像得到单元,被配置为执行按照所述标识图案添加位置,将样本标识图案添加至所述样本背景图像中,得到样本标识图案图像;
位置预测单元,被配置为执行将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
网络训练单元,被配置为执行根据所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练。
在一种可能实现方式中,所述样本图像得到单元,具体被配置为执行按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
在一种可能实现方式中,所述样本图像得到单元,具体被配置为执行根据所述样本截取图像的尺寸大小,对所述样本标识图案进行放缩处理,得到放缩后的样本标识图案;对所述放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和所述样本截取图像进行粘贴,得到所述样本图案粘贴图像。
根据本公开实施例的第五方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,使得所述电子设备能够执行如上述任一项所述的标识图案识别方法,和/或,如上述任一项所述的标识图案识别网络的训练方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如上述任一项所述的标识图案识别方法,和/或,如上述任一项所述的标识图案识别网络的训练方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述计算机程序产品中包括指令,所述指令被电子设备的处理器执行时,使得所述电子设备能够执行如上述任一项所述的标识图案识别方法,和/或,如上述任一项所述的标识图案识别网络的训练方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开的方案,通过获取包含有标识图案的目标标识图案图像,然后将目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置,预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像,标识图案添加位置用于作为样本标识图案图像对应的样本标签,进而将标识图案位置作为针对目标标识图案图像的标识图案识别结果。如此,可以基于随机生成的标识图案添加位置得到样本标识图案图像,以得到预训练的标识图案识别网络,进而可以对包含有标识图案的目标标识图案图像进行识别,无需人工标注,能够根据标识图案变化快速更新识别网络参数,提升了标识图案识别效率。
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和解释性的,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,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种标识图案识别方法的流程图。
图2a是根据一示例性实施例示出的一种单目标水印检测效果的示意图。
图2b是根据一示例性实施例示出的一种多目标水印检测效果的示意图。
图3a是根据一示例性实施例示出的一种传统方法训练流程的示意图。
图3b是根据一示例性实施例示出的一种标识图案识别方法训练流程的示意图。
图3c是根据一示例性实施例示出的一种样本标识图案图像的示意图。
图4是根据一示例性实施例示出的一种标识图案识别网络的训练方法的流程图。
图5是根据一示例性实施例示出的另一种标识图案识别方法的流程图。
图6是根据一示例性实施例示出的一种标识图案识别装置的框图。
图7是根据一示例性实施例示出的一种标识图案识别网络的训练装置的框图。
图8是根据一示例性实施例示出的一种电子设备的内部结构图。
图9是根据一示例性实施例示出的另一种电子设备的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
还需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
图1是根据一示例性实施例示出的一种标识图案识别方法的流程图,如图1所示,该方法可以用于终端等计算机设备中,包括以下步骤。
在步骤S110中,获取包含有标识图案的目标标识图案图像;
作为一示例,标识图案可以为水印,目标标识图案图像可以为携带水印的图像,通过对携带水印的图像进行水印检测和识别,可以判断图像中是否存在水印,并且可以定位水印在图像中的所处位置。
在实际应用中,可以获取包含有标识图案的目标标识图案图像,如携带水印的图像,以进一步针对该目标标识图案图像进行标识图案识别。
在步骤S120中,将目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;
其中,预训练的标识图案识别网络可以为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的。
作为一示例,样本标识图案图像可以为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像,标识图案添加位置可以用于作为样本标识图案图像对应的样本标签。
在获取目标标识图案图像后,可以采用预训练的标识图案识别网络,对该目标标识图案图像进行标识图案识别,通过将目标标识图案图像输入至预训练的标识图案识别网络,可以得到网络输出的标识图案位置,该标识图案位置可以指示识别出的标识图案在目标标识图案图像中的所处位置,如定位水印在图像中的所处位置。
在步骤S130中,将标识图案位置作为针对目标标识图案图像的标识图案识别结果。
在得到标识图案位置后,可以将该标识图案位置作为针对目标标识图案图像的标识图案识别结果,例如,通过对携带水印的图像(即目标标识图案图像)进行水印检测和识别,可以判断图像中是否存在水印,并且可以定位水印在图像中的所处位置(即标识图案识别结果)。
在一示例中,基于本实施例的技术方案的单目标检测结果如图2a所示,多目标且存在水印重叠场景的检测结果如图2b所示,从上述检测结果(即标识图案识别结果)可以看出,基于本实施例的技术方案的检测置信度高,且具备处理复杂场景的能力(如多目标的重叠水印)。
相较于传统方法,针对水印检测和识别算法,通过采用人工标注方式进行网络训练,根据特定的任务数据进行标注,其对于海量标注数据,人工标注成本、过程繁琐,且当数据场景发生变化时,原有的数据标注也无法使用,人工标注方式难以对已有数据库进行扩充。
本实施例的技术方案,通过基于随机生成的标识图案添加位置得到样本标识图案图像,以得到预训练的标识图案识别网络,在数据制作上仅需要构建标识图案集,如水印库,然后可以任意获取背景图像,根据随机生成的水印添加位置得到样本水印图像以进行网络训练,从而能够生成无穷多个训练样本,无需人工标注,并在训练时使得随机生成的数据标注和网络训练并行处理,缩短了训练周期,可以针对水印库的变更快速生成随机数据,有助于在线更新网络参数。
上述标识图案识别方法中,通过获取包含有标识图案的目标标识图案图像,然后将目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置,进而将标识图案位置作为针对目标标识图案图像的标识图案识别结果。如此,可以基于随机生成的标识图案添加位置得到样本标识图案图像,以得到预训练的标识图案识别网络,进而可以对包含有标识图案的目标标识图案图像进行识别,无需人工标注,能够根据标识图案变化快速更新识别网络参数,提升了标识图案识别效率。
在一示例性实施例中,还包括:获取样本标识图案图像;将样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;基于样本标识图案预测位置与标识图案添加位置间的差异,对待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到预训练的标识图案识别网络。
在具体实现中,可以按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像得到样本标识图案图像,然后可以将该样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置,进而可以基于样本标识图案预测位置与标识图案添加位置间的差异,对待训练的标识图案识别网络进行训练,即采用网络识别得到的预测标签和样本标识图案图像对应的样本标签进行训练,以得到预训练的标识图案识别网络。
例如,通过构建的水印库可以获取样本标识图案,然后可以任意获取样本背景图像,根据随机生成的水印添加位置(即标识图案添加位置)得到样本水印图像(即样本标识图案图像)以进行网络训练,从而可以自动生成训练所需的多个训练样本,且可以根据水印库的变化快速更新网络参数。
在一示例中,如图3a所示的传统方法训练流程结构,其分为人工标注的第一部分和网络训练的第二部分,由于是人工标注方式,则人工标注过程无法与网络训练同时进行。其中,在人工标注部分,通过人工方式对数据集中所有图像进行标注;在网络训练部分,需要基于人工标注得到的数据集,从该数据集中挑选图像构建mini-batch(小批量数据)以训练检测网络。
由于人工标注图像耗时耗力,存在较高的人工标注成本,导致制作百万量级的数据集十分困难;且传统方法训练流程分为两个部分,首先需要对所有数据进行人工标注,然后再训练,整个过程涉及繁杂的人员协作流程,会导致检测网络更新与任务需求之间产生延迟,在实际场景中,无法实现动态更新水印类别的同时快速更新检测网络。同时,采用真实场景下的数据进行人工标注,也会存在长尾分布问题,如数据库中存在三个不同类别的水印图像,第一类别水印图像占比为40%,第二类别水印图像占比为50%,第三类别水印图像占比为5%,其余为背景类图像,若采用上述数据构成进行训练,会导致检测网络对第三类别水印图像的拟合能力差,更倾向于识别第一类别水印和第二类别水印。
在又一示例中,如图3b所示的本方法训练流程结构,通过将数据生成、标注和网络训练集成在一个框架中,打通了数据标注和网络训练的流程,可以自动生成训练所需的图像数据,且不限制背景图像I的内容,在算力满足的场景下可以生成无穷多个训练样本,不仅大幅度降低了人工标注成本,还可以在水印库更新后,根据水印库的变化快速更新网络参数,从而实现一体化的水印检测框架。
具体地,可以将自动生成的数据(即样本标识图案图像)以及生成数据时所记录的水印坐标(即标识图案添加位置),输入后续的检测网络框架和损失函数,基于预设的训练周期,进而可以得到预训练的标识图案识别网络,例如,可以采用多个样本标识图案图像及其对应的标识图案添加位置构建小批量数据mini-batch,然后可以将mini-batch输入待训练的标识图案识别网络,得到各样本标识图案图像对应的预测坐标(即样本标识图案预测位置),该预测坐标会被样本标签坐标(即标识图案添加位置)所监督,通过采用损失函数计算两者之间的差异以更新检测网络,直至损失函数收敛。
在一个可选实施例中,为了加速网络推理时的速度,可以采用特定网络部署方式,使得在网络推理阶段仅需一次网络初始化,可以将读取得到的网络参数存储于内存中。
本实施例的技术方案,通过获取样本标识图案图像,然后将样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置,进而基于样本标识图案预测位置与标识图案添加位置间的差异,对待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到预训练的标识图案识别网络,无需人工标注,能够自动生成训练所需的图像数据,提升了网络训练效率。
在一示例性实施例中,获取样本标识图案图像,包括:获取样本背景图像,在样本背景图像中随机生成标识图案添加位置;按照标识图案添加位置截取出样本截取图像,并根据样本标识图案和样本截取图像,得到样本图案粘贴图像;按照标识图案添加位置,将样本图案粘贴图像贴合至样本背景图像中,得到样本标识图案图像。
在实际应用中,可以获取背景图像I(即样本背景图像),从背景图像I中随机选取出一个矩形框,即随机生成标识图案添加位置,如矩形框的左上角坐标为(x1,y1)、右下角坐标为(x2,y2),然后可以从背景图像I中截取出矩形框位置对应的图像部分(即样本截取图像),如P=I(x1:x2,y1:y1),通过从水印库中抽取出水印S(即样本标识图案),可以将水印S贴合至矩形框图像P中,得到粘贴后的结果(即样本图案粘贴图像),进而可以将粘贴后的结果反馈给背景图像I,得到包含水印信息的图像I’,作为训练数据(即样本标识图案图像),如I’(x1:x2,y1:y1)=P’。
本实施例的技术方案,通过获取样本背景图像,在样本背景图像中随机生成标识图案添加位置,然后按照标识图案添加位置截取出样本截取图像,并根据样本标识图案和样本截取图像,得到样本图案粘贴图像,进而按照标识图案添加位置,将样本图案粘贴图像贴合至样本背景图像中,得到样本标识图案图像,能够根据随机生成的添加位置得到样本标识图案图像,以作为训练数据,无需人工标注,为后续网络训练提供了数据支持。
在一示例性实施例中,在样本背景图像中随机生成标识图案添加位置,包括:从样本背景图像中随机选出一个坐标点位置作为起始位置,以及针对起始位置,从样本背景图像中随机选出另一个坐标点位置作为结束位置;起始位置满足起始坐标范围条件,结束位置满足结束坐标范围条件;根据起始位置和结束位置,得到标识图案添加位置。
在一示例中,如图3c所示,背景图像I的高和宽分别为h1和w1,可以从[0,w-1)和[0,h-1)(即起始坐标范围条件)中随机选出一个坐标点(x1,y1),即起始位置,然后可以从(x1,w-1]和(y1,h-1](即结束坐标范围条件)中随机选出另一个坐标点(x2,y2),即结束位置,且x2>x1,y2<y1,进而可以采用(x1,y1)和(x2,y2)作为左上角坐标和右下角坐标,构成一个矩形框P,该矩形框P对应的位置即为标识图案添加位置,如水印的坐标位置,其可以用于作为样本标识图案图像对应的样本标签。
本实施例的技术方案,通过从样本背景图像中随机选出一个坐标点位置作为起始位置,以及针对起始位置,从样本背景图像中随机选出另一个坐标点位置作为结束位,进而根据起始位置和结束位置,得到标识图案添加位置,可以基于样本背景图像,随机生成标识图案添加位置,为自动生成训练所需的图像数据提供了数据支持。
在一示例性实施例中,根据样本标识图案和样本截取图像,得到样本图案粘贴图像,包括:根据样本截取图像的尺寸大小,对样本标识图案进行放缩处理,得到放缩后的样本标识图案;对放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和样本截取图像进行粘贴,得到样本图案粘贴图像。
在具体实现中,通过从水印库中抽取出水印S(即样本标识图案),可以计算出其长和宽为h2和w2,然后可以根据矩形框P的长和宽(即样本截取图像的尺寸大小),将水印S的尺寸大小放缩至与矩形框P的尺寸大小一致,得到放缩后的水印S(即放缩后的样本标识图案),进而可以对放缩后的水印S进行透明度调整处理,并粘贴到样本截取图像中,得到样本图案粘贴图像P’。
本实施例的技术方案,通过根据样本截取图像的尺寸大小,对样本标识图案进行放缩处理,得到放缩后的样本标识图案,进而对放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和样本截取图像进行粘贴,得到样本图案粘贴图像,可以适应性调整标识图案的尺寸大小,以与样本截取图像的尺寸相符合,保证了水印贴合效果。
在一示例性实施例中,对放缩后的样本标识图案进行透明度调整处理,包括:从预设的透明度数值范围中随机选取一个透明度数值,作为目标透明度;将放缩后的样本标识图案对应的透明度调整至目标透明度,得到透明度调整后的样本标识图案。
在一示例中,可以采用如下方式进行透明度调整处理并粘贴到样本截取图像中,得到样本图案粘贴图像P’:
P’=S*alpha+P*(1-alpha)
其中,alpha为半透明度,即将水印以半透明形式粘贴到样本截取图像中,alpha取值范围为0到1(即透明度数值范围),当alpha为0时,水印为全透明形式,相当于未粘贴水印效果,即生成的数据(即样本图案粘贴图像)为背景类数据;当alpha为1时,水印为实心形式,相当于水印覆盖样本截取图像中原有内容的效果。
本实施例的技术方案,通过从预设的透明度数值范围中随机选取一个透明度数值,作为目标透明度,进而将放缩后的样本标识图案对应的透明度调整至目标透明度,得到透明度调整后的样本标识图案,可以基于水印特性,将水印以不同的半透明程度贴到背景图上,有助于自动生成多样化的训练所需图像数据。
图4是根据一示例性实施例示出的一种标识图案识别网络的训练方法的流程图,如图4所示,该方法可以用于服务器等计算机设备中,包括以下步骤。
在步骤S410中,获取样本背景图像,在样本背景图像中随机生成标识图案添加位置;
在实际应用中,可以获取背景图像I(即样本背景图像),从背景图像I中随机选取出一个矩形框,即随机生成标识图案添加位置,如矩形框的左上角坐标为(x1,y1)、右下角坐标为(x2,y2)。
在步骤S420中,按照标识图案添加位置,将样本标识图案添加至样本背景图像中,得到样本标识图案图像;
在得到标识图案添加位置后,可以按照标识图案添加位置截取出样本截取图像,并可以根据样本标识图案和样本截取图像,得到样本图案粘贴图像,进而可以按照标识图案添加位置,将样本图案粘贴图像贴合至样本背景图像中,得到样本标识图案图像。
例如,可以从背景图像I中截取出矩形框位置对应的图像部分(即样本截取图像),如P=I(x1:x2,y1:y1),通过从水印库中抽取出水印S(即样本标识图案),可以将水印S贴合至矩形框图像P中,得到粘贴后的结果(即样本图案粘贴图像),进而可以将粘贴后的结果反馈给背景图像I,得到包含水印信息的图像I’,作为训练数据(即样本标识图案图像),如I’(x1:x2,y1:y1)=P’。
在步骤S430中,将样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
在一示例中,可以采用多个样本标识图案图像及其对应的标识图案添加位置构建小批量数据mini-batch,进而可以将mini-batch输入至待训练的标识图案识别网络,得到各样本标识图案图像对应的预测坐标(即样本标识图案预测位置)。
在步骤S440中,根据样本标识图案预测位置与标识图案添加位置间的差异,对待训练的标识图案识别网络进行训练。
在实际应用中,样本标识图案预测位置会被样本标签(即标识图案添加位置)所监督,通过采用损失函数计算两者之间的差异以更新待训练的标识图案识别网络,直至损失函数收敛。
在一示例中,采用本实施例的技术方案,在数据的生成上考虑了水印特性,可以将水印以不同的半透明程度粘贴至样本背景图像中,并可以记录生成数据时对应的坐标,即标识图案添加位置,作为样本标识图案图像对应的样本标签,由于样本背景图像不受限制,训练数据生成简单且自由,且在整体识别框架上,基于数据生成和网络训练一体化的框架,可以在线更新网络参数,能够大幅度缩短整个训练流程的周期。
上述标识图案识别网络的训练方法中,通过获取样本背景图像,在样本背景图像中随机生成标识图案添加位置,然后按照标识图案添加位置,将样本标识图案添加至样本背景图像中,得到样本标识图案图像,将样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置,进而根据样本标识图案预测位置与标识图案添加位置间的差异,对待训练的标识图案识别网络进行训练,实现了基于随机生成的标识图案添加位置得到样本标识图案图像,进而得到预训练的标识图案识别网络,无需人工标注,能够根据标识图案变化快速更新识别网络参数,提升了网络训练效率。
在一示例性实施例中,按照标识图案添加位置,将样本标识图案添加至样本背景图像中,得到样本标识图案图像,包括:按照标识图案添加位置截取出样本截取图像,并根据样本标识图案和样本截取图像,得到样本图案粘贴图像;按照标识图案添加位置,将样本图案粘贴图像贴合至样本背景图像中,得到样本标识图案图像。
在一示例中,可以获取背景图像I(即样本背景图像),从背景图像I中随机选取出一个矩形框,即随机生成标识图案添加位置,如矩形框的左上角坐标为(x1,y1)、右下角坐标为(x2,y2),然后可以从背景图像I中截取出矩形框位置对应的图像部分(即样本截取图像),如P=I(x1:x2,y1:y1),通过从水印库中抽取出水印S(即样本标识图案),可以将水印S贴合至矩形框图像P中,得到粘贴后的结果(即样本图案粘贴图像),进而可以将粘贴后的结果反馈给背景图像I,得到包含水印信息的图像I’,作为训练数据(即样本标识图案图像),如I’(x1:x2,y1:y1)=P’。
本实施例的技术方案,通过按照标识图案添加位置截取出样本截取图像,并根据样本标识图案和样本截取图像,得到样本图案粘贴图像,进而按照标识图案添加位置,将样本图案粘贴图像贴合至样本背景图像中,得到样本标识图案图像,无需人工标注,为后续网络训练提供了数据支持。
在一示例性实施例中,根据样本标识图案和样本截取图像,得到样本图案粘贴图像,包括:根据样本截取图像的尺寸大小,对样本标识图案进行放缩处理,得到放缩后的样本标识图案;对放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和样本截取图像进行粘贴,得到样本图案粘贴图像。
在一示例中,通过从水印库中抽取出水印S(即样本标识图案),可以计算出其长和宽为h2和w2,然后可以根据矩形框P的长和宽(即样本截取图像的尺寸大小),将水印S的尺寸大小放缩至与矩形框P的尺寸大小一致,得到放缩后的水印S(即放缩后的样本标识图案),进而可以对放缩后的水印S进行透明度调整处理,并粘贴到样本截取图像中,得到样本图案粘贴图像P’。
本实施例的技术方案,通过根据样本截取图像的尺寸大小,对样本标识图案进行放缩处理,得到放缩后的样本标识图案,进而对放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和样本截取图像进行粘贴,得到样本图案粘贴图像,可以适应性调整标识图案的尺寸大小,以与样本截取图像的尺寸相符合,保证了水印贴合效果。
图5是根据一示例性实施例示出的另一种标识图案识别方法的流程图,如图5所示,该方法用于终端等计算机设备中,包括以下步骤。
在步骤S510中,获取样本背景图像,在样本背景图像中随机生成标识图案添加位置。在步骤S520中,按照标识图案添加位置截取出样本截取图像,并根据样本标识图案和样本截取图像,得到样本图案粘贴图像。在步骤S530中,按照标识图案添加位置,将样本图案粘贴图像贴合至样本背景图像中,得到样本标识图案图像。在步骤S540中,将样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置。在步骤S550中,基于样本标识图案预测位置与标识图案添加位置间的差异,对待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到预训练的标识图案识别网络。在步骤S560中,获取包含有标识图案的目标标识图案图像。在步骤S570中,将目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置。在步骤S580中,将标识图案位置作为针对目标标识图案图像的标识图案识别结果。需要说明的是,上述步骤的具体限定可以参见上文对一种标识图案识别方法的具体限定,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
可以理解的是,本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见,每个实施例重点说明的是与其他实施例的不同之处,相关之处参见其他方法实施例的说明即可。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的标识图案识别方法的标识图案识别装置。
图6是根据一示例性实施例示出的一种标识图案识别装置框图。参照图6,该装置包括:
标识图案图像获取单元601,被配置为执行获取包含有标识图案的目标标识图案图像;
标识图案位置得到单元602,被配置为执行将所述目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;所述预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,所述样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像;所述标识图案添加位置用于作为所述样本标识图案图像对应的样本标签;
识别结果得到单元603,被配置为执行将所述标识图案位置作为针对所述目标标识图案图像的标识图案识别结果。
在一种可能实现方式中,所述标识图案识别装置,还包括:
样本图像获取单元,具体被配置为执行获取样本标识图案图像;
网络输入单元,具体被配置为执行将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
训练网络得到单元,具体被配置为执行基于所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到所述预训练的标识图案识别网络。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行从所述样本背景图像中随机选出一个坐标点位置作为起始位置,以及针对所述起始位置,从所述样本背景图像中随机选出另一个坐标点位置作为结束位置;所述起始位置满足起始坐标范围条件,所述结束位置满足结束坐标范围条件;根据所述起始位置和所述结束位置,得到所述标识图案添加位置。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行根据所述样本截取图像的尺寸大小,对所述样本标识图案进行放缩处理,得到放缩后的样本标识图案;对所述放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和所述样本截取图像进行粘贴,得到所述样本图案粘贴图像。
在一种可能实现方式中,所述样本图像获取单元,具体被配置为执行从预设的透明度数值范围中随机选取一个透明度数值,作为目标透明度;将所述放缩后的样本标识图案对应的透明度调整至所述目标透明度,得到所述透明度调整后的样本标识图案。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
上述标识图案识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的标识图案识别网络的训练方法的标识图案识别网络的训练装置。
图7是根据一示例性实施例示出的一种标识图案识别网络的训练装置框图。参照图7,该装置包括:
位置随机生成单元701,被配置为执行获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
样本图像得到单元702,被配置为执行按照所述标识图案添加位置,将样本标识图案添加至所述样本背景图像中,得到样本标识图案图像;
位置预测单元703,被配置为执行将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
网络训练单元704,被配置为执行根据所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练。
在一种可能实现方式中,所述样本图像得到单元702,具体被配置为执行按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
在一种可能实现方式中,所述样本图像得到单元702,具体被配置为执行根据所述样本截取图像的尺寸大小,对所述样本标识图案进行放缩处理,得到放缩后的样本标识图案;对所述放缩后的样本标识图案进行透明度调整处理,并将透明度调整后的样本标识图案和所述样本截取图像进行粘贴,得到所述样本图案粘贴图像。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
上述标识图案识别网络的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8是根据一示例性实施例示出的一种用于实现一种标识图案识别方法的电子设备800的框图。例如,电子设备800可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802、存储器804、电源组件806、多媒体组件808、音频组件810、输入/输出(I/O)的接口812、传感器组件814以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800组件的位置改变,用户与电子设备800接触的存在或不存在,设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述方法。例如,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,所述计算机程序产品中包括指令,上述指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种用于实现一种标识图案识别网络的训练方法的电子设备900的框图。例如,电子设备900可以为服务器。参照图9,电子设备900包括处理组件920,其进一步包括一个或多个处理器,以及由存储器922所代表的存储器资源,用于存储可由处理组件920的执行的指令,例如应用程序。存储器922中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件920被配置为执行指令,以执行上述方法。
电子设备900还可以包括:电源组件924被配置为执行电子设备900的电源管理,有线或无线网络接口926被配置为将电子设备900连接到网络,和输入输出(I/O)接口928。电子设备900可以操作基于存储在存储器922的操作系统,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD或类似。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器922,上述指令可由电子设备900的处理器执行以完成上述方法。存储介质可以是计算机可读存储介质,例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,所述计算机程序产品中包括指令,上述指令可由电子设备900的处理器执行以完成上述方法。
需要说明的,上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。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公开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,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种标识图案识别方法,其特征在于,所述方法包括:
获取包含有标识图案的目标标识图案图像;
将所述目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;所述预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,所述样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像;所述标识图案添加位置用于作为所述样本标识图案图像对应的样本标签;
将所述标识图案位置作为针对所述目标标识图案图像的标识图案识别结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本标识图案图像;
将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
基于所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练,直至满足预设的训练结束条件,得到所述预训练的标识图案识别网络。
3.根据权利要求2所述的方法,其特征在于,所述获取样本标识图案图像,包括:
获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
按照所述标识图案添加位置截取出样本截取图像,并根据样本标识图案和所述样本截取图像,得到样本图案粘贴图像;
按照所述标识图案添加位置,将所述样本图案粘贴图像贴合至所述样本背景图像中,得到所述样本标识图案图像。
4.根据权利要求3所述的方法,其特征在于,所述在所述样本背景图像中随机生成标识图案添加位置,包括:
从所述样本背景图像中随机选出一个坐标点位置作为起始位置,以及针对所述起始位置,从所述样本背景图像中随机选出另一个坐标点位置作为结束位置;所述起始位置满足起始坐标范围条件,所述结束位置满足结束坐标范围条件;
根据所述起始位置和所述结束位置,得到所述标识图案添加位置。
5.一种标识图案识别网络的训练方法,其特征在于,包括:
获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
按照所述标识图案添加位置,将样本标识图案添加至所述样本背景图像中,得到样本标识图案图像;
将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
根据所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练。
6.一种标识图案识别装置,其特征在于,所述装置包括:
标识图案图像获取单元,被配置为执行获取包含有标识图案的目标标识图案图像;
标识图案位置得到单元,被配置为执行将所述目标标识图案图像输入至预训练的标识图案识别网络,得到标识图案位置;所述预训练的标识图案识别网络为采用样本标识图案图像,对待训练的标识图案识别网络进行训练得到的,所述样本标识图案图像为按照随机生成的标识图案添加位置,将样本标识图案添加至样本背景图像而得到的图像;所述标识图案添加位置用于作为所述样本标识图案图像对应的样本标签;
识别结果得到单元,被配置为执行将所述标识图案位置作为针对所述目标标识图案图像的标识图案识别结果。
7.一种标识图案识别网络的训练装置,其特征在于,所述装置包括:
位置随机生成单元,被配置为执行获取样本背景图像,在所述样本背景图像中随机生成标识图案添加位置;
样本图像得到单元,被配置为执行按照所述标识图案添加位置,将样本标识图案添加至所述样本背景图像中,得到样本标识图案图像;
位置预测单元,被配置为执行将所述样本标识图案图像输入至待训练的标识图案识别网络,得到样本标识图案预测位置;
网络训练单元,被配置为执行根据所述样本标识图案预测位置与所述标识图案添加位置间的差异,对所述待训练的标识图案识别网络进行训练。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,使得所述电子设备能够执行如权利要求1至4中任一项所述的标识图案识别方法,和/或,如权利要求5中任一项所述的标识图案识别网络的训练方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至4中任一项所述的标识图案识别方法,和/或,如权利要求5中任一项所述的标识图案识别网络的训练方法。
10.一种计算机程序产品,所述计算机程序产品中包括指令,其特征在于,所述指令被电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至4中任一项所述的标识图案识别方法,和/或,如权利要求5中任一项所述的标识图案识别网络的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253561.7A CN114595778A (zh) | 2022-03-15 | 2022-03-15 | 标识图案识别方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253561.7A CN114595778A (zh) | 2022-03-15 | 2022-03-15 | 标识图案识别方法、装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595778A true CN114595778A (zh) | 2022-06-07 |
Family
ID=81809098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210253561.7A Pending CN114595778A (zh) | 2022-03-15 | 2022-03-15 | 标识图案识别方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595778A (zh) |
-
2022
- 2022-03-15 CN CN202210253561.7A patent/CN114595778A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3226204B1 (en) | Method and apparatus for intelligently capturing image | |
CN105843615B (zh) | 通知消息的处理方法及装置 | |
CN106791893A (zh) | 视频直播方法及装置 | |
CN109168062B (zh) | 视频播放的展示方法、装置、终端设备及存储介质 | |
WO2022198934A1 (zh) | 卡点视频的生成方法及装置 | |
US11961278B2 (en) | Method and apparatus for detecting occluded image and medium | |
EP3147802A1 (en) | Method and apparatus for processing information | |
US20220277204A1 (en) | Model training method and apparatus for information recommendation, electronic device and medium | |
CN108965611B (zh) | 拍摄界面的切换方法、装置、设备及存储介质 | |
CN112927122A (zh) | 水印去除方法、装置及存储介质 | |
CN113259226A (zh) | 信息同步方法、装置、电子设备及存储介质 | |
CN112312190A (zh) | 视频画面的展示方法、装置、电子设备和存储介质 | |
CN106331328B (zh) | 信息提示的方法及装置 | |
US11600300B2 (en) | Method and device for generating dynamic image | |
CN111526380B (zh) | 视频处理方法、装置、服务器、电子设备及存储介质 | |
CN113032627A (zh) | 视频分类方法、装置、存储介质及终端设备 | |
CN112381091A (zh) | 视频内容识别方法、装置、电子设备及存储介质 | |
CN112784858B (zh) | 一种图像数据的处理方法、装置及电子设备 | |
EP3905660A1 (en) | Method and device for shooting image, and storage medium | |
CN114666623A (zh) | 视频内容显示方法、装置、电子设备、存储介质 | |
CN114595778A (zh) | 标识图案识别方法、装置、电子设备、存储介质 | |
CN113761275A (zh) | 视频预览动图生成方法、装置、设备及可读存储介质 | |
CN115641269A (zh) | 一种图像修补方法、装置及可读存储介质 | |
CN113204443A (zh) | 基于联邦学习框架的数据处理方法、设备、介质及产品 | |
CN106897876B (zh) | 终端支付处理方法和装置 |
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 |