CN108764371A - 图像处理方法、装置、计算机可读存储介质和电子设备 - Google Patents
图像处理方法、装置、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN108764371A CN108764371A CN201810587034.3A CN201810587034A CN108764371A CN 108764371 A CN108764371 A CN 108764371A CN 201810587034 A CN201810587034 A CN 201810587034A CN 108764371 A CN108764371 A CN 108764371A
- Authority
- CN
- China
- Prior art keywords
- image
- image classification
- target
- images
- processed
- 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
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像处理方法、装置、计算机可读存储介质和电子设备，所述方法包括：获取包含至少一张待处理图像的图像集合；遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；根据所述目标图像分类标签获取目标用户属性。上述图像处理方法、装置、计算机可读存储介质和电子设备，可以提高图像处理的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像处理方法、装置、计算机可读存储介质和电子设备。
背景技术
智能设备可以通过摄像头拍摄图像，也可以通过与其他智能设备的传输来获取图像。图像拍摄的场景可以有很多，例如海滩、雪景、夜景等。拍摄图像中还可能存在很多目标物体，例如汽车、人、动物等。通常情况下，不同场景下拍摄的图像有不同的颜色特征，不同的目标物体的表现特征也不同。
发明内容
本申请实施例提供一种图像处理方法、装置、计算机可读存储介质和电子设备，可以提高图像处理的准确性。
一种图像处理方法，所述方法包括：
获取包含至少一张待处理图像的图像集合；
遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；
统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；
根据所述目标图像分类标签获取目标用户属性。
一种图像处理装置，所述装置包括：
图像获取模块，用于获取包含至少一张待处理图像的图像集合；
场景识别模块，用于遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；
数量统计模块，用于统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；
属性获取模块，用于根据所述目标图像分类标签获取目标用户属性。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取包含至少一张待处理图像的图像集合；
遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；
统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；
根据所述目标图像分类标签获取目标用户属性。
一种电子设备，包括存储器及处理器，所述存储器中储存有计算机可读指令，所述指令被所述处理器执行时，使得所述处理器执行如下步骤：
获取包含至少一张待处理图像的图像集合；
遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；
统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；
根据所述目标图像分类标签获取目标用户属性。
上述图像处理方法、装置、计算机可读存储介质和电子设备，可以对待处理图像进行识别，得到反映图像拍摄场景的图像分类标签。根据图像分类标签对应的待处理图像的数量，获取目标图像分类标签，根据目标图像分类标签可以预测用户的相关属性。根据目标图像分类标签可以准确的推测用户的拍摄习惯，从而预测用户的相关属性，提高了图像处理的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，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为一个实施例中图像处理方法的应用环境图；
图2为一个实施例中图像处理方法的流程图；
图3为另一个实施例中图像处理方法的流程图；
图4为一个实施例中待处理图像中的背景区域和前景目标的展示示意图；
图5为一个实施例中对识别图像前景和背景的模型示意图；
图6为另一个实施例中识别图像前景和背景的模型示意图；
图7为一个实施例中生成图像分类标签的示意图；
图8为又一个实施例中图像处理方法的流程图；
图9为又一个实施例中图像处理方法的流程图；
图10为一个实施例中图像处理装置的结构示意图；
图11为一个实施例中图像处理电路的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一客户端称为第二客户端，且类似地，可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端，但其不是同一客户端。
图1为一个实施例中图像处理方法的应用环境图。如图1所示，该应用环境中包括终端102和服务器104。终端102和服务器104之间可以传输待处理图像，并对待处理图像进行识别处理。在一个实施例中，终端102可以存储若干张待处理图像，然后将根据待处理图像生成的图像集合发送给服务器104。服务器104中存储了对图像进行处理的算法模型，然后遍历图像集合中的待处理图像，通过该算法模型对待处理图像进行识别得到图像分类标签；统计各个图像分类标签对应的待处理图像的图像数量，根据图像数量从图像分类标签中获取目标图像分类标签；根据目标图像分类标签获取目标用户属性。最后将获取的目标用户属性发送给终端102，终端102可以根据接收到的目标用户属性对待处理图像进行后续的处理。其中，终端102是处于计算机网络最外围，主要用于输入用户信息以及输出处理结果的电子设备，例如可以是个人电脑、移动终端、个人数字助理、可穿戴电子设备等。服务器104是用于响应服务请求，同时提供计算服务的设备，例如可以是一台或者多台计算机。在本申请提供的其他实施例中，上述应用环境中还可以只包括终端102或服务器104，在此不做限定。
图2为一个实施例中图像处理方法的流程图。如图2所示，该图像处理方法包括步骤202至步骤208。其中：
步骤202，获取包含至少一张待处理图像的图像集合。
图像集合是指有一张或多张待处理图像组成的集合，待处理图像可以是通过电子设备的摄像头获取的，也可以是从其他电子设备上获取的，还可以是通过网络下载的，在此不做限定。例如，电子设备上可以安装摄像头，电子设备在检测到拍摄指令时，通过拍摄指令控制摄像头来采集待处理图像。电子设备在获取到图像之后，可以立即对图像进行处理，也可以将图像统一存放在一个文件夹中，在该文件夹中存储的图像到达一定数量之后，再将存储的图像统一进行处理。电子设备可以将获取的图像存储到相册中，当相册中存储的图像大于一定数量时，就触发对相册中的图像进行处理。
步骤204，遍历图像集合中的待处理图像，对待处理图像进行识别得到图像分类标签。
在一个实施例中，电子设备获取到图像集合之后，可以遍历图像集合中的待处理图像，依次对待处理图像进行处理。图像分类标签可用于标记图像的拍摄场景的类别，对待处理图像进行识别得到图像分类标签，具体可以是对图像的背景区域进行识别，得到图像分类标签。
可以理解的是，拍摄图像的场景中一般都包含了多个物体。例如，拍摄室外场景的时候，图像中一般会包含行人、蓝天、沙滩、建筑物等，拍摄室内场景的时候，图像中一般会包含家具家电、办公用品等物体。待处理图像中一般可以包括前景目标和背景区域，前景目标是指图像中比较突出的主体目标，是用户比较关注的物体，背景区域是指图像中除前景目标之外的区域。
电子设备可以对待处理图像中的背景区域进行检测，检测到背景区域之后识别背景区域具体属于哪一个场景分类。电子设备可以预先设置背景区域的场景分类，然后通过预设的分类算法识别背景区域具体属于哪一个预设的场景分类。例如，可以将背景区域分为海滩、雪景、夜景、蓝天、室内等场景，对背景区域进行识别后，可以得到背景区域对应的场景分类。根据背景区域的识别结果，就可以得到待处理图像的图像分类标签。
图像集合中的待处理图像会通过图像标识进行唯一标记，在得到待处理图像的图像分类标签之后，可以建立图像标识与图像分类标签之间的对应关系，这样就可以根据该对应关系确定各个待处理图像对应的场景分类。例如，待处理图像的图像标识为“Pic_01”，对应的图像分类标签为“雪景”，那么就可以确定图像“Pic_01”是写雪景中拍摄的。
步骤206，统计各个图像分类标签对应的待处理图像的图像数量，根据图像数量从图像分类标签中获取目标图像分类标签。
在对图像集合中的每一张待处理图像进行识别之后，可以统计每一个图像分类标签对应的待处理图像的图像数量。对应图像数量越多的图像分类标签，说明用户比较偏向于在该图像分类标签对应的场景下拍摄。根据图像数量从图像分类标签中获取目标图像分类标签，目标图像分类标签可以反映用户的拍摄习惯，那么就可以根据目标图像分类标签来确定用户的相关属性。例如，可以获取图像数量超过第一阈值的图像分类标签作为第一目标图像分类标签，图像数量低于第二阈值的图像分类标签作为第二目标图像分类标签，第一阈值大于第二阈值。那么第一目标图像分类标签就可以反映用户比较偏好的拍摄场景，第二目标图像分类标签就可以反映用户比较少用的拍摄场景。
步骤208，根据目标图像分类标签获取目标用户属性。
在本申请提供的实施例中，用户属性可以但不限于是年龄、职业、性别、爱好等可表示用户习性和固有属性的参数。目标图像分类标签可以反映用户的拍摄习惯，因此可以根据目标图像分类标签来预测用户的属性。例如，可以获取图像数量最多的图像分类标签作为目标图像分类标签，根据该图像数量最多的图像分类标签即目标图像分类标签就可以识别用户经常拍摄的场景，从而预测该用户属于哪个年龄段和性别。
上述实施例提供的图像处理方法，可以对待处理图像进行识别，得到反映图像拍摄场景的图像分类标签。根据图像分类标签对应的待处理图像的数量，获取目标图像分类标签，根据目标图像分类标签可以预测用户的相关属性。根据目标图像分类标签可以准确的推测用户的拍摄习惯，从而预测用户的相关属性，提高了图像处理的准确性。
图3为另一个实施例中图像处理方法的流程图。如图3所示，该图像处理方法包括步骤302至步骤314。其中：
步骤302，获取包含至少一张待处理图像的图像集合。
在一个实施例中，根据图像集合中的待处理图像预测用户属性，一般待处理图像的数量越多，预测得到的用户属性的准确性越高。然而图像集合中包含的待处理图像的数量越多，对图像处理时消耗的内存就越大，耗时也比较长。电子设备在对图像进行处理的时候，可以是自动触发的，也可以是用户手动触发的。可以预设一个自动触发的条件，当满足自动触发条件时，执行步骤302。例如，当电子设备中更新的图像的数量达到预设数量时，开始获取存储的图像生成图像集合，并开始对图像进行处理。或者在没到达指定时刻时，开始获取并处理图像集合。
由于电子设备存储的图像可能是通过不同的方式获取的，例如可能是用户通过摄像头拍摄的，可能是在网络上下载的，也可能是好友发送的。而例如截屏等方式产生的图像中，可能存在比较多的无法反映生成图像的拍摄场景的图像，这样就很难反映用户的拍摄习惯，就很难准确地预测用户属性。那么在生成图像集合的时候，可以不用获取电子设备中存储的所有图像，而只获取部分图像来进行处理。步骤302具体就可以包括：从预设的文件路径获取的至少一张待处理图像，并根据获取的待处理图像生成图像集合。预设的文件路径用于存储可用于准确识别用户属性的图像，例如预设的文件路径中可只存储用户通过摄像头拍摄的图像。
步骤304，遍历图像集合中的待处理图像，检测待处理图像中的前景目标，并获取前景目标对应的目标面积。
在对待处理图像中的前景目标进行检测之后，可以通过矩形框将前景目标在待处理图像中的所占的区域进行标记，也可以直接通过前景目标的边缘进行标记。待处理图像是由若干个像素点构成的二维像素矩阵，电子设备可以对待处理图像中的前景目标进行检测，检测到的前景目标是由待处理图像中的部分或全部像素点构成的。在检测到前景目标之后，可以统计前景目标中包含的像素点的数量。目标面积可以通过前景目标中包含的像素点数量进行表示，也可以用前景目标中包含的像素点数量与待处理图像中包含的像素点数量的比例进行表示。一般的，前景目标中包含的像素点数量越多，对应的区域面积越大。
在本申请提供的实施例中，在对待处理图像进行目标检测的时候，可能从待处理图像中检测到多个前景目标。在检测到两个或两个以上的前景目标时，可以获取这个多个前景目标所占的总面积作为目标面积，也可以将前景目标对应的最大面积作为目标面积，在此不进行限定。目标面积越大，认为前景目标占的面积越大，相应地背景区域所占的面积就越小，这样通过背景区域识别图像类型的准确率就越低。
待处理图像为一个二维的像素矩阵，那么电子设备可以根据待处理图像来建立一个二维坐标系，通过二维坐标可以表示像素点在待处理图像中的具体位置。例如，可以以待处理图像最左下角的像素点为坐标原点建立坐标系，每向上移动一个像素点，对应的纵轴坐标值加一。每向右移动一个像素点，对应的横轴坐标值加一。电子设备在检测到待处理图像中的前景目标时，可以通过一个矩形框来对前景目标所占的区域进行标记，通过矩形框的四个顶点对应的坐标可以对前景目标的位置进行定位。
步骤306，若目标面积小于或等于面积阈值，则对待处理图像中除前景目标之外的背景区域进行识别，得到图像分类标签。
具体地，当目标面积小于或等于面积阈值时，认为前景目标的面积较小，可根据背景区域来得到图像分类标签。例如，当前景目标的目标面积小于或等于待处理图像的1/2面积时，就可以待处理图像中的背景区域进行识别。当目标面积小于或等于面积阈值时，还可以进一步获取背景区域的背景清晰度，若背景清晰度小于或等于第一清晰度阈值，则可以通过对前景目标进行识别，得到图像分类标签；若背景清晰度大于第一清晰度阈值，则可以通过对背景区域的识别得到图像分类标签。这样在拍摄图像中，若背景被虚化的话，识别准确率就不高，就可以通过前景目标来生成图像分类标签。
步骤308，若目标面积大于面积阈值，则对前景目标进行识别，得到图像分类标签。
当目标面积大于面积阈值时，对前景目标进行识别的准确率较高，且前景目标占了待处理图像中的大部分面积，根据前景目标进行图像分类更加准确。一般地，电子设备会预先设置前景目标的分类类型，然后通过预设的分类算法识别检测到的前景目标具体属于预设的哪一个分类类型。例如，电子设备可以将前景目标分类人、小狗、小猫、美食、其他等类型，然后就可以识别检测到的前景目标具体属于上述类型的哪一类。本申请中可以但不限于是通过RCNN(Regions with CNN Features)、SSD(Single Shot MultiBox Detector)、YOLO(You Only Look Once)等算法检测和识别前景目标的。
在一个实施例中，待处理图像中包含的前景目标可以为一个或多个。当待处理图像中包含的前景目标存在两个或两个以上时，可从所包含的前景目标中选取一个前景目标进行识别，也可以对所有前景目标进行识别。当对一个前景目标进行识别时，可以从待处理图像中所包含的前景目标中选取一个待识别前景目标，然后可根据对待识别前景目标的识别结果生成图像分类标签。比如可选取面积最大的前景目标作为待识别前景目标。
若是对多个前景目标进行识别，则每一个前景目标都会识别得到一个前景类型。具体地，若根据前景分类结果判断待处理图像中只包含一种前景类型的目标，则可以直接根据该前景类型生成图像分类标签；若根据前景分类结果判断待处理图像中只包含两种或两种以上前景类型的前景目标，则可以计算每一种前景类型对应的前景目标的总面积，根据对应总面积最大的前景类型生成图像分类标签。例如，图像中只包含前景类型为“人”的前景目标，则可以直接根据前景类型“人”生成图像分类标签为“Pic-人”。若图像中包含目标A、目标B和目标C，对应的前景类型分别为“人”、“猫”和“人”，则可以分别计算“人”对应的目标A和目标C在图像中占的总面积S1，“猫”对应的目标“B”在图像中占的总面积S2。若S1>S2,则将根据前景类型“人”生成图像分类标签；若S1<S2,则将根据前景类型“猫”生成图像分类标签。
在一个实施例中，电子设备检测到待处理图像中的前景目标之后，可以计算各个前景目标对应的目标清晰度。目标清晰度可以反应前景目标的边缘细节等纹理的清晰程度，在一定程度上可以反映各个前景物体的重要性，因此可以根据目标清晰度来获取进行识别的前景目标。例如，用户在拍摄的时候，会将焦点聚焦在比较关注的物体上，并将其他物体进行模糊化处理。在对前景目标进行识别的时候，可以只对清晰度较高的前景目标进行识别，清晰度较低的前景目标不做识别处理。
前景目标中是可以包括若干个像素点的，则可以通过各个像素点的灰度差来计算得到前景目标的清晰度。一般清晰度越高，像素点之间的灰度差越大；清晰度越低，像素点之间的灰度差越小。在一个实施例中，具体可以是根据Brenner梯度法、Tenegrad梯度法、Laplace梯度法、方差法、能量梯度法等算法计算的目标清晰度，但不限于此。
具体地，对目标清晰度大于第二清晰度阈值的前景目标进行识别，得到图像分类标签。第一清晰度阈值和第二清晰度阈值可以是相同的，也可以是不同的，在此不做限定第一清晰度阈值和第二清晰度阈值可以是预先设定的固定不变的值，也可以是动态变化的值，在此不做限定。例如，可以是预先存储在电子设备中的一个固定的值，也可以是用户输入的，根据需要进行动态调节的值，还可以是根据获取的各个目标清晰度进行计算的值。
图4为一个实施例中待处理图像中的背景区域和前景目标的展示示意图。如图4所示，对图4中的待处理图像进行识别，可以检测到待处理图像中包含背景区域402，以及前景目标404和前景目标406。检测得到的前景目标404和前景目标406，可以通过矩形框在待处理图像中进行标注。
具体地，可以通过分类模型识别背景区域，通过检测模型来识别前景目标。电子设备在通过分类模型和检测模型识别背景区域和前景目标之前，会对分类模型和检测模型进行训练，并分别输出一个对应的损失函数。损失函数为可评估分类结果的置信度的函数，识别背景区域和前景目标的时候，可通过损失函数分别输出每一个预设类别对应的置信度。置信度越高的类别，表示图像为该类别的概率越大，这样就通过置信度来判断图像对应的背景类型和前景类型。
例如，预先将图像的背景定义为海滩、夜景、烟火、室内等类型，电子设备可以预先将分类模型进行训练，训练后的分类模型可以输出一个损失函数。将待处理图像输入到训练好的分类模型中，就可以通过分类模型检测到背景区域，并识别背景区域的类型。具体地，通过损失函数可以计算每一个预设背景类型对应的置信度，通过置信度来确定背景区域对应的背景分类结果。比如计算得到的海滩、夜景、烟火、室内等四个类型对应的置信度分别为0.01、0.06、0.89、0.04，则可确定待处理图像的背景区域为置信度最高的背景类型。
图5为一个实施例中对识别图像前景和背景的模型示意图。如图5所示，电子设备可对分类模型进行训练，在训练模型之前会将图像打上类别标签，并通过图像及对应的类别标签对分类模型进行训练。分类模型训练好之后，可以得到一个第一损失函数。在识别过程中，可通过分类模型检测图像中的背景区域，并通过得到的第一损失函数计算每个预设背景类型对应的第一置信度。根据得到的第一置信度可以确定背景区域对应的背景分类结果。电子设备可对检测模型进行训练，在训练模型之前会将图像中包含的前景目标用矩形框进行标记，并标记每个前景目标对应的类别。通过图像对检测模型进行训练。检测模型训练好之后，可以得到一个第二损失函数。在识别过程中，可通过检测模型检测图像中的前景目标，并输出各个前景目标的位置。通过第二损失函数可计算每个预设前景类型对应的第二置信度。根据得到的第二置信度可以确定前景目标对应的前景分类结果。可以理解的是，上述分类模型和检测模型可以是两个独立的算法模型，分类模型可以是Mobilenet算法模型，检测模型可以是SSD算法模型，在此不做限定。分类模型和检测模型可以是串行的，也可以是并行的。
图6为另一个实施例中识别图像前景和背景的模型示意图。如图6所示，该识别模型是一个神经网络模型，该神经网络的输入层接收带有图像类别标签的训练图像，通过基础网络(如CNN网络)进行特征提取，并将提取的图像特征输出给特征层，由该特征层对背景训练目标进行类别检测得到第一损失函数，对前景训练目标根据图像特征进行类别检测得到第二损失函数，对前景训练目标根据前景区域进行位置检测得到位置损失函数，将第一损失函数、第二损失函数和位置损失函数进行加权求和得到目标损失函数。该神经网络可为卷积神经网络。卷积神经网络包括数据输入层、卷积计算层、激活层、池化层和全连接层。数据输入层用于对原始图像数据进行预处理。该预处理可包括去均值、归一化、降维和白化处理。去均值是指将输入数据各个维度都中心化为0，目的是将样本的中心拉回到坐标系原点上。归一化是将幅度归一化到同样的范围。白化是指对数据各个特征轴上的幅度归一化。卷积计算层用于局部关联和窗口滑动。卷积计算层中每个滤波器连接数据窗的权重是固定的，每个滤波器关注一个图像特征，如垂直边缘、水平边缘、颜色、纹理等，将这些滤波器合在一起得到整张图像的特征提取器集合。一个滤波器是一个权重矩阵。通过一个权重矩阵可与不同窗口内数据做卷积。激活层用于将卷积层输出结果做非线性映射。激活层采用的激活函数可为ReLU(The Rectified Linear Unit，修正线性单元)。池化层可夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。池化层可采用最大值法或平均值法对数据降维。全连接层位于卷积神经网络的尾部，两层之间所有神经元都有权重连接。卷积神经网络的一部分卷积层级联到第一置信度输出节点，一部分卷积层级联到第二置信度输出节点，一部分卷积层级联到位置输出节点，根据第一置信度输出节点可以检测到图像的背景类型，根据第二置信度输出节点可以检测到图像的前景目标的类别，根据位置输出节点可以检测到前景目标所对应的位置。
具体地，上述分类模型和检测模型可以预先存储在电子设备中，在获取到待处理图像时，通过上述分类模型和检测模型对待处理图像进行识别处理。可以理解的是，分类模型和检测模型一般会占用电子设备的存储空间，而且在对大量图像进行处理的时候，对电子设备的存储能力要求也比较高。在对终端上的待处理图像进行处理时，可通过终端本地存储的分类模型和检测模型进行处理，也可以将待处理图像发送到服务器，通过服务器上存储的分类模型和检测模型进行处理。
由于终端的存储能力一般比较有限，所以服务器可以将分类模型和检测模型训练好之后，将训练好的分类模型和检测模型发送给终端，终端就无需再对上述模型进行训练。同时终端存储的分类模型和检测模型可以是经过压缩之后的模型，这样压缩之后的模型占用的资源就会比较小，但是相应的识别准确率就比较低。终端可以根据需要处理的待处理图像的数量决定在终端本地进行识别处理，还是在服务器上进行识别处理。终端在获取到待处理图像之后，统计待处理图像的图像数量，若图像数量超过预设上传数量，则将待处理图像上传至服务器，并在服务器上进行待处理图像的处理。服务器处理后，将处理结果发送给终端。
图7为一个实施例中生成图像分类标签的示意图。如图7所示，对图像背景区域进行识别，可以得到的图像分类标签包括风景、海滩、雪景、蓝天、绿地、夜景、黑暗、背光、日出/日落、室内、烟火、聚光灯等。对图像的前景目标进行识别，可得到的图像分类标签包括人像、婴儿、猫、狗、美食等。
步骤310，统计各个图像分类标签对应的待处理图像的图像数量，根据图像数量从图像分类标签中获取目标图像分类标签。
在一个实施例中，可获取图像数量大于数量阈值的图像分类标签，作为目标图像分类标签；或根据图像数量将图像分类标签进行排序，并从排序后的图像分类标签中获取目标图像分类标签。具体的，可从排序后的图像分类标签中获取指定位数的图像分类标签，作为目标图像分类标签。例如，图像集合中包含100张待处理图像，被标记为“海滩”的待处理图像有52张，被标记为“室内”的待处理图像有34张，被标记为“夜景”的待处理图像有14。则可以图像数量最大的图像分类标签“海滩”作为目标图像分类标签。
可以理解的是，对一张待处理图像识别，得到的图像分类标签可以为一个或多个，在此不做限定。例如，待处理图像中包含多个前景目标，则可以根据这多个前景目标得到多个图像分类标签。对待处理图像的背景进行检测的时候，也可以根据置信度输出多个背景类型，从而根据这多个背景类型得到多个图像分类标签。那么在统计图像数量的时候，包含多个图像分类标签的待处理图像就可以被多次重复统计。
步骤312，获取各个目标图像分类标签对应的参考用户属性，并根据目标图像分类标签对应的图像数量计算各个参考用户属性的属性权重。
在一个实施例中，电子设备可预先设置多个参考用户属性，然后建立图像分类标签和参考用户属性的对应关系。在获取到目标图像分类之后，可根据该预先建立的对应关系获取对应的参考用户属性，然后根据统计的目标图像分类标签对应的图像数量来计算各个参考用户属性的属性权重，根据属性权重可以确定用户属性。
步骤314，将属性权重最大的参考用户属性作为目标用户属性。
根据图像数量计算出各个参考用户属性对应的属性权重后，可根据属性权重确定目标用户属性。属性权重的大小表示用户对应参考用户属性的概率，属性权重越大，用户为对应参考用户属性的可能性越大。因此，可将属性权重最大的参考用户属性作为目标用户属性。
在本申请提供的其他实施例中，识别到用户的目标用户属性之后，可根据目标用户属性获取处理算法，并根据处理算法对待处理图像进行处理。例如，识别用户为女性，则可以对图像进行人像美颜处理。识别用户为老年人，可提高图像的饱和度等。
在一个实施例中，计算属性权重的方法具体还可以包括：
步骤802，将各个目标图像分类标签对应的图像数量进行累加计算得到图像总量。
步骤804，统计各个参考用户属性对应的图像数量，作为参考数量。
步骤806，计算参考数量与图像总量的比值得到参考用户属性对应的属性权重。
统计各个目标图像分类标签对应的图像数量，并将所有目标图像分类标签对应的图像数量进行累加得到图像总量。然后统计各个参考用户属性对应的参考数量，参考数量占比越大的，认为用户对应该参考用户属性的可能性越大。因此，可根据参考数量与图像总量的比值得到属性权值。假设统计得到的图像总量为T，参考数量为Tn，则属性权重Mn＝Tn/T。
例如，标签1对应参考用户属性1，标签2对应参考用户属性2，标签3对应参考用户属性3。统计得到标签1对应的图像数量为36，标签2对应的图像数量为51，标签3对应的图像数量为13。则可按照图像数量的比例来计算各参考用户属性的属性权重，参考用户属性1、参考用户属性2和参考用户属性3对应的属性权重分别为0.36、0.51和0.13。
在本申请提供的其他实施例中，计算属性权重的方法具体还可以包括：
步骤902，遍历目标图像分类标签，获取目标图像分类标签对应的各个参考用户属性，以及各个参考用户属性对应的参考比值，参考比值用于表示在识别到图像分类标签时用户对应参考用户属性的概率。
具体地，一个图像分类标签可设置多个参考用户属性，并对每一个参考用户属性赋予一个参考比值。参考比值可用于表示在识别到图像分类标签时用户对应该参考用户属性的概率。例如，标签A对应参考用户属性1和参考用户属性2，对应的参考比值分别为0.8和0.2，则说明当识别到图像的图像分类标签为标签A时，该用户有0.8的概率对应参考用户属性1,有0.2的概率为参考用户属性2。
步骤904，根据图像数量和参考比值计算各个参考用户属性的属性权重。
得到参考比值后，可根据参考比值和图像数量来计算各个参考用户属性的属性权重。例如，标签A对应的参考用户属性包括属性1和属性2，对应的参考比值分别为S1a＝0.80、S2a＝0.20；标签B对应的参考用户属性包括属性2和属性3，对应的参考比值分别为S2b＝0.75和S3b＝0.25。统计得到的标签1对应的图像数量为a1＝45，标签2对应的图像数量为a2＝55。那么根据图像数量和参考比值计算属性1的属性权重就为M1＝S1a*a1/(a1+a2)＝0.36，属性2的属性权重就为M2＝S2a*a1/(a1+a2)+S2b*a2/(a1+a2)＝0.50，属性3的属性权重M3＝S3b*a2/(a1+a2)＝0.14。
上述实施例提供的图像处理方法，可以对待处理图像进行识别，得到反映图像拍摄场景的图像分类标签。根据图像分类标签对应的待处理图像的数量，获取目标图像分类标签，根据目标图像分类标签可以预测用户的相关属性。根据目标图像分类标签可以准确的推测用户的拍摄习惯，从而预测用户的相关属性，提高了图像处理的准确性。
应该理解的是，虽然图2、图3、图8、图9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，图2、图3、图8、图9中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
图10为一个实施例中图像处理装置的结构示意图。如图10所示，该图像处理装置1000包括图像获取模块1002、场景识别模块1004、数量统计模块1006和属性获取模块1008。其中：
图像获取模块1002，用于获取包含至少一张待处理图像的图像集合。
场景识别模块1004，用于遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签。
目标标签确定模块1006，用于统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签。
属性获取模块1008，用于根据所述目标图像分类标签获取目标用户属性。
上述实施例提供的图像处理装置，可以对待处理图像进行识别，得到反映图像拍摄场景的图像分类标签。根据图像分类标签对应的待处理图像的数量，获取目标图像分类标签，根据目标图像分类标签可以预测用户的相关属性。根据目标图像分类标签可以准确的推测用户的拍摄习惯，从而预测用户的相关属性，提高了图像处理的准确性。
在一个实施例中，场景识别模块1004还用于检测所述待处理图像中的前景目标，并获取所述前景目标对应的目标面积；若所述目标面积小于或等于面积阈值，则对待处理图像中除所述前景目标之外的背景区域进行识别，得到图像分类标签；若所述目标面积大于面积阈值，则对所述前景目标进行识别，得到图像分类标签。
在一个实施例中，目标标签确定模块1006还用于获取所述图像数量大于数量阈值的图像分类标签，作为目标图像分类标签；或根据所述图像数量将所述图像分类标签进行排序，并从排序后的图像分类标签中获取目标图像分类标签。
在一个实施例中，目标标签确定模块1006还用于从排序后的图像分类标签中获取指定位数的图像分类标签，作为目标图像分类标签。
在一个实施例中，属性获取模块1008用于获取各个目标图像分类标签对应的参考用户属性，并根据所述目标图像分类标签对应的图像数量计算各个参考用户属性的属性权重；将所述属性权重最大的参考用户属性作为目标用户属性。
在一个实施例中，属性获取模块1008用于将各个目标图像分类标签对应的图像数量进行累加计算得到图像总量；统计各个参考用户属性对应的图像数量，作为参考数量；计算所述参考数量与图像总量的比值得到所述参考用户属性对应的属性权重。
在一个实施例中，属性获取模块1008用于遍历所述目标图像分类标签，获取所述目标图像分类标签对应的各个参考用户属性，以及各个参考用户属性对应的参考比值，参考比值用于表示在识别到图像分类标签时用户对应所述参考用户属性的概率；根据所述图像数量和参考比值计算各个参考用户属性的属性权重。
上述图像处理装置中各个模块的划分仅用于举例说明，在其他实施例中，可将图像处理装置按照需要划分为不同的模块，以完成上述图像处理装置的全部或部分功能。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行上述实施例提供的图像处理方法。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的图像处理方法。
本申请实施例还提供一种电子设备。上述电子设备中包括图像处理电路，图像处理电路可以利用硬件和/或软件组件实现，可包括定义ISP(Image Signal Processing，图像信号处理)管线的各种处理单元。图11为一个实施例中图像处理电路的示意图。如图11所示，为便于说明，仅示出与本申请实施例相关的图像处理技术的各个方面。
如图11所示，图像处理电路包括ISP处理器1140和控制逻辑器1150。成像设备1110捕捉的图像数据首先由ISP处理器1140处理，ISP处理器1140对图像数据进行分析以捕捉可用于确定和/或成像设备1110的一个或多个控制参数的图像统计信息。成像设备1110可包括具有一个或多个透镜1112和图像传感器1114的照相机。图像传感器1114可包括色彩滤镜阵列(如Bayer滤镜)，图像传感器1114可获取用图像传感器1114的每个成像像素捕捉的光强度和波长信息，并提供可由ISP处理器1140处理的一组原始图像数据。传感器1120(如陀螺仪)可基于传感器1120接口类型把采集的图像处理的参数(如防抖参数)提供给ISP处理器1140。传感器1120接口可以利用SMIA(Standard Mobile Imaging Architecture，标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外，图像传感器1114也可将原始图像数据发送给传感器1120，传感器1120可基于传感器1120接口类型把原始图像数据提供给ISP处理器1140，或者传感器1120将原始图像数据存储到图像存储器1130中。
ISP处理器1140按多种格式逐个像素地处理原始图像数据。例如，每个图像像素可具有8、10、12或14比特的位深度，ISP处理器1140可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中，图像处理操作可按相同或不同的位深度精度进行。
ISP处理器1140还可从图像存储器1130接收图像数据。例如，传感器1120接口将原始图像数据发送给图像存储器1130，图像存储器1130中的原始图像数据再提供给ISP处理器1140以供处理。图像存储器1130可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器，并可包括DMA(Direct Memory Access，直接直接存储器存取)特征。
当接收到来自图像传感器1114接口或来自传感器1120接口或来自图像存储器1130的原始图像数据时，ISP处理器1140可进行一个或多个图像处理操作，如时域滤波。处理后的图像数据可发送给图像存储器1130，以便在被显示之前进行另外的处理。ISP处理器1140从图像存储器1130接收处理数据，并对所述处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。ISP处理器1140处理后的图像数据可输出给显示器1170，以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit，图形处理器)进一步处理。此外，ISP处理器1140的输出还可发送给图像存储器1130，且显示器1170可从图像存储器1130读取图像数据。在一个实施例中，图像存储器1130可被配置为实现一个或多个帧缓冲器。此外，ISP处理器1140的输出可发送给编码器/解码器1160，以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器1170设备上之前解压缩。编码器/解码器1160可由CPU或GPU或协处理器实现。
ISP处理器1140确定的统计数据可发送给控制逻辑器1150单元。例如，统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜1112阴影校正等图像传感器1114统计信息。控制逻辑器1150可包括执行一个或多个例程(如固件)的处理器和/或微控制器，一个或多个例程可根据接收的统计数据，确定成像设备1110的控制参数及ISP处理器1140的控制参数。例如，成像设备1110的控制参数可包括传感器1120控制参数(例如增益、曝光控制的积分时间、防抖参数等)、照相机闪光控制参数、透镜1112控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如，在RGB处理期间)的增益水平和色彩校正矩阵，以及透镜1112阴影校正参数。
以下为运用图11中图像处理技术实现上述实施例提供的图像处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
获取包含至少一张待处理图像的图像集合；
遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；
统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；
根据所述目标图像分类标签获取目标用户属性。
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行识别得到图像分类标签，包括：
检测所述待处理图像中的前景目标，并获取所述前景目标对应的目标面积；
若所述目标面积小于或等于面积阈值，则对待处理图像中除所述前景目标之外的背景区域进行识别，得到图像分类标签；
若所述目标面积大于面积阈值，则对所述前景目标进行识别，得到图像分类标签。
3.根据权利要求1所述的方法，其特征在于，所述根据所述图像数量从所述图像分类标签中获取目标图像分类标签，包括：
获取所述图像数量大于数量阈值的图像分类标签，作为目标图像分类标签；或
根据所述图像数量将所述图像分类标签进行排序，并从排序后的图像分类标签中获取目标图像分类标签。
4.根据权利要求3所述的方法，其特征在于，所述从排序后的图像分类标签中获取目标图像分类标签，包括：
从排序后的图像分类标签中获取指定位数的图像分类标签，作为目标图像分类标签。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述目标图像分类标签获取目标用户属性，包括：
获取各个目标图像分类标签对应的参考用户属性，并根据所述目标图像分类标签对应的图像数量计算各个参考用户属性的属性权重；
将所述属性权重最大的参考用户属性作为目标用户属性。
6.根据权利要求5所述的方法，其特征在于，所述根据目标图像分类标签对应的图像数量计算各个参考用户属性的属性权重，包括：
将各个目标图像分类标签对应的图像数量进行累加计算得到图像总量；
统计各个参考用户属性对应的图像数量，作为参考数量；
计算所述参考数量与图像总量的比值得到所述参考用户属性对应的属性权重。
7.根据权利要求5所述的方法，其特征在于，所述获取各个目标图像分类标签对应的参考用户属性，并根据所述目标图像分类标签对应的图像数量计算各个参考用户属性的属性权重，包括：
遍历所述目标图像分类标签，获取所述目标图像分类标签对应的各个参考用户属性，以及各个参考用户属性对应的参考比值，参考比值用于表示在识别到图像分类标签时用户对应所述参考用户属性的概率；
根据所述图像数量和参考比值计算各个参考用户属性的属性权重。
8.一种图像处理装置，其特征在于，所述装置包括：
图像获取模块，用于获取包含至少一张待处理图像的图像集合；
场景识别模块，用于遍历所述图像集合中的待处理图像，对所述待处理图像进行识别得到图像分类标签；
目标标签确定模块，用于统计各个图像分类标签对应的待处理图像的图像数量，根据所述图像数量从所述图像分类标签中获取目标图像分类标签；
属性获取模块，用于根据所述目标图像分类标签获取目标用户属性。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种电子设备，包括存储器及处理器，所述存储器中储存有计算机可读指令，所述指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810587034.3A CN108764371A (zh) | 2018-06-08 | 2018-06-08 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810587034.3A CN108764371A (zh) | 2018-06-08 | 2018-06-08 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108764371A true CN108764371A (zh) | 2018-11-06 |
Family
ID=64000620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810587034.3A Pending CN108764371A (zh) | 2018-06-08 | 2018-06-08 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764371A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635805A (zh) * | 2018-12-11 | 2019-04-16 | 上海智臻智能网络科技股份有限公司 | 图像文本定位方法及装置、图像文本识别方法及装置 |
| CN111177434A (zh) * | 2019-12-31 | 2020-05-19 | 北京容联易通信息技术有限公司 | 一种提高cv算法精度的数据回流方法 |
| CN111291688A (zh) * | 2020-02-12 | 2020-06-16 | 咪咕文化科技有限公司 | 视频标签的获取方法及装置 |
| CN111680181A (zh) * | 2020-05-28 | 2020-09-18 | 平安付科技服务有限公司 | 一种异常对象的识别方法及终端设备 |
| CN111709283A (zh) * | 2020-05-07 | 2020-09-25 | 顺丰科技有限公司 | 物流件状态的检测方法以及装置 |
| CN112488012A (zh) * | 2020-12-03 | 2021-03-12 | 浙江大华技术股份有限公司 | 行人属性识别方法、电子设备及存储介质 |
| CN113673499A (zh) * | 2021-08-20 | 2021-11-19 | 上海擎朗智能科技有限公司 | 一种标签建图方法、装置、设备及存储介质 |
| CN114237441A (zh) * | 2021-11-15 | 2022-03-25 | 维沃移动通信有限公司 | 信息显示方法及装置 |
| CN114882431A (zh) * | 2022-04-29 | 2022-08-09 | 上海芯翌智能科技有限公司 | 目标类型识别方法及装置、服务器、计算机可读存储介质 |
| WO2024002394A3 (zh) * | 2022-07-01 | 2024-02-22 | 顺丰科技有限公司 | 目标物数量检测方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103425685A (zh) * | 2012-05-18 | 2013-12-04 | 京华时报社 | 访问纸媒体的方法及设备 |
| CN103617432A (zh) * | 2013-11-12 | 2014-03-05 | 华为技术有限公司 | 一种场景识别方法及装置 |
| CN104750848A (zh) * | 2015-04-10 | 2015-07-01 | 腾讯科技（北京）有限公司 | 图像文件的处理方法、服务器及图像显示设备 |
| CN105005593A (zh) * | 2015-06-30 | 2015-10-28 | 北京奇艺世纪科技有限公司 | 多用户共用设备的场景识别方法和装置 |
| CN105809146A (zh) * | 2016-03-28 | 2016-07-27 | 北京奇艺世纪科技有限公司 | 一种图像场景识别方法和装置 |
| CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
| CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
| CN107895041A (zh) * | 2017-11-30 | 2018-04-10 | 北京小米移动软件有限公司 | 拍摄模式设置方法、装置及存储介质 |
| CN108021672A (zh) * | 2017-12-06 | 2018-05-11 | 北京奇虎科技有限公司 | 基于相册的社交推荐方法、装置及计算设备 |
-
2018
- 2018-06-08 CN CN201810587034.3A patent/CN108764371A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103425685A (zh) * | 2012-05-18 | 2013-12-04 | 京华时报社 | 访问纸媒体的方法及设备 |
| CN103617432A (zh) * | 2013-11-12 | 2014-03-05 | 华为技术有限公司 | 一种场景识别方法及装置 |
| CN104750848A (zh) * | 2015-04-10 | 2015-07-01 | 腾讯科技（北京）有限公司 | 图像文件的处理方法、服务器及图像显示设备 |
| CN105005593A (zh) * | 2015-06-30 | 2015-10-28 | 北京奇艺世纪科技有限公司 | 多用户共用设备的场景识别方法和装置 |
| CN105809146A (zh) * | 2016-03-28 | 2016-07-27 | 北京奇艺世纪科技有限公司 | 一种图像场景识别方法和装置 |
| CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
| CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
| CN107895041A (zh) * | 2017-11-30 | 2018-04-10 | 北京小米移动软件有限公司 | 拍摄模式设置方法、装置及存储介质 |
| CN108021672A (zh) * | 2017-12-06 | 2018-05-11 | 北京奇虎科技有限公司 | 基于相册的社交推荐方法、装置及计算设备 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635805B (zh) * | 2018-12-11 | 2022-01-11 | 上海智臻智能网络科技股份有限公司 | 图像文本定位方法及装置、图像文本识别方法及装置 |
| CN109635805A (zh) * | 2018-12-11 | 2019-04-16 | 上海智臻智能网络科技股份有限公司 | 图像文本定位方法及装置、图像文本识别方法及装置 |
| CN111177434A (zh) * | 2019-12-31 | 2020-05-19 | 北京容联易通信息技术有限公司 | 一种提高cv算法精度的数据回流方法 |
| CN111177434B (zh) * | 2019-12-31 | 2023-09-05 | 北京容联易通信息技术有限公司 | 一种提高cv算法精度的数据回流方法 |
| CN111291688A (zh) * | 2020-02-12 | 2020-06-16 | 咪咕文化科技有限公司 | 视频标签的获取方法及装置 |
| CN111291688B (zh) * | 2020-02-12 | 2023-07-14 | 咪咕文化科技有限公司 | 视频标签的获取方法及装置 |
| CN111709283A (zh) * | 2020-05-07 | 2020-09-25 | 顺丰科技有限公司 | 物流件状态的检测方法以及装置 |
| CN111680181A (zh) * | 2020-05-28 | 2020-09-18 | 平安付科技服务有限公司 | 一种异常对象的识别方法及终端设备 |
| WO2022116744A1 (en) * | 2020-12-03 | 2022-06-09 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for object recognition |
| CN112488012A (zh) * | 2020-12-03 | 2021-03-12 | 浙江大华技术股份有限公司 | 行人属性识别方法、电子设备及存储介质 |
| AU2021393601A9 (en) * | 2020-12-03 | 2024-06-06 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for object recognition |
| CN113673499A (zh) * | 2021-08-20 | 2021-11-19 | 上海擎朗智能科技有限公司 | 一种标签建图方法、装置、设备及存储介质 |
| CN113673499B (zh) * | 2021-08-20 | 2024-11-19 | 上海擎朗智能科技有限公司 | 一种标签建图方法、装置、设备及存储介质 |
| CN114237441A (zh) * | 2021-11-15 | 2022-03-25 | 维沃移动通信有限公司 | 信息显示方法及装置 |
| CN114882431A (zh) * | 2022-04-29 | 2022-08-09 | 上海芯翌智能科技有限公司 | 目标类型识别方法及装置、服务器、计算机可读存储介质 |
| WO2024002394A3 (zh) * | 2022-07-01 | 2024-02-22 | 顺丰科技有限公司 | 目标物数量检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10896323B2 (en) | Method and device for image processing, computer readable storage medium, and electronic device | |
| CN108960290A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN108764371A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN108764370B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
| WO2020259179A1 (zh) | 对焦方法、电子设备和计算机可读存储介质 | |
| CN108777815B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
| CN108810418B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN108897786B (zh) | 应用程序的推荐方法、装置、存储介质及移动终端 | |
| CN108805198B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN108765033B (zh) | 广告信息推送方法和装置、存储介质、电子设备 | |
| CN110580487A (zh) | 神经网络的训练方法、构建方法、图像处理方法和装置 | |
| CN108961302B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| CN108764372A (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
| CN110572573A (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
| CN110248096A (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
| CN108846351A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| CN108805103A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN108717530B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN108810413A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN108984657A (zh) | 图像推荐方法和装置、终端、可读存储介质 | |
| CN108875820A (zh) | 信息处理方法和装置、电子设备、计算机可读存储介质 | |
| CN109712177B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| CN108848306B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN108875619A (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |