CN111401326B - 基于图片识别的目标身份识别方法、服务器及存储介质 - Google Patents

基于图片识别的目标身份识别方法、服务器及存储介质 Download PDF

Info

Publication number
CN111401326B
CN111401326B CN202010316554.8A CN202010316554A CN111401326B CN 111401326 B CN111401326 B CN 111401326B CN 202010316554 A CN202010316554 A CN 202010316554A CN 111401326 B CN111401326 B CN 111401326B
Authority
CN
China
Prior art keywords
image
target
similarity value
target object
region
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
CN202010316554.8A
Other languages
English (en)
Other versions
CN111401326A (zh
Inventor
王开
张一帆
沈志勇
高宏
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.)
China Merchants Finance Technology Co Ltd
Original Assignee
China Merchants Finance Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Merchants Finance Technology Co Ltd filed Critical China Merchants Finance Technology Co Ltd
Priority to CN202010316554.8A priority Critical patent/CN111401326B/zh
Publication of CN111401326A publication Critical patent/CN111401326A/zh
Application granted granted Critical
Publication of CN111401326B publication Critical patent/CN111401326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明公开了一种基于图片识别的目标身份识别方法，应用于服务器，该方法包括将包含第一目标物的第一图像输入目标识别模型输出第二图像，将第二图像输入特征提取模型输出第一图像特征，将第一图像特征输入区域识别模型识别出第二图像包含的第一区域图像，获取第一区域图像的属性信息，从数据库中查询与该属性信息相同的多个第二区域图像，分别计算第一区域图像与各个第二区域图像之间的相似度值，根据每张第一区域图像的相似度值及权重值，计算出第一目标物与各个第二目标物的综合相似度值，选取综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。本发明能够提高识别目标物身份信息的准确性。

Description

基于图片识别的目标身份识别方法、服务器及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于图片识别的目标身份识别方法、服务器及存储介质。
背景技术
货物在移动和装载的过程中，需要确定货物的身份信息，例如集装箱。目前大多数是通过摄像头及OCR识别技术智能获取货物的身份信息。
采用OCR识别的方式存在以下问题：该方法对货物与摄像头的相对位置要求较高，即对于单个货物而言，摄像头需要能够获取正面或者接近正面的图像，当摄像头与货物之间存在拍摄角度导致拍摄的图片中同时存在多个面的图像数据时，容易产生图形畸变导致数据失真，以致影响OCR技术的识别准确性，因此如何提高识别目标物身份信息的准确性成为了亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于图片识别的目标身份识别方法、服务器及存储介质，旨在如何提高识别目标物身份信息的准确性的问题。
为实现上述目的，本发明提供的一种基于图片识别的目标身份识别方法，应用于服务器，该方法包括：
接收步骤：获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像；
识别步骤：将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值；
计算步骤：在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值；及
确认步骤：根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
优选地，所述目标识别模型的训练过程如下：
获取第一图像样本，在每张所述第一图像样本中标注出所述第一目标物所处区域；
将所述第一图像样本按照预设比例分成训练集和验证集，所述训练集中的图像样本数量大于所述验证集中的图像样本数量；
将所述训练集中的图像样本输入所述目标识别模型进行训练，每隔预设周期使用所述验证集对所述目标识别模型进行验证，利用所述验证集中各张第一图像样本和对应的第一目标物对该目标识别模型的准确率进行验证；及
当验证的准确率大于预设阈值时，结束训练，得到训练完成的所述目标识别模型。
优选地，所述相似度值算法包括：
Figure GDA0004097601260000021
其中，xi表示所述第一区域图像的图像特征，yi表示所述第二区域图像的图像特征，d(x，y)表示xi与yi所述第一区域图像与第二区域图像之间的相似度值。
优选地，所述第一目标物与各第二目标物的综合相似度值是根据预设计算规则计算得到的，所述计算规则包括第一计算规则及第二计算规则：
当所述第二区域图像中包含的所述属性信息包括预设属性时，采用所述第一计算规则计算出所述综合相似度值，将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息；
当所述第二区域图像中包含的所述属性信息不包括所述预设属性时，采用所述第二计算规则计算出所述综合相似度值，并将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息。
优选地，所述第一计算规则为：
Figure GDA0004097601260000031
其中，d表示所述第一目标物与第二目标物的综合相似度值，d1表示所述属性信息为预设属性的第一区域图像与第二区域图像之间的相似度值，λ表示第一区域图像的权重值，且λ>0。
优选地，所述第二计算规则为：
Figure GDA0004097601260000032
其中，d表示所述第一目标物与第二目标物的综合相似度值，di表示第i个第一区域图像与第二区域图像之间的相似度值，m表示第一区域图像的个数，且m≤3，i表示第一区域图像的序标，λi表示第i个第一区域图像的权重值，且λi>0。
为实现上述目的，本发明还进一步提供一种服务器，所述服务器包括存储器和处理器，所述存储器上存储有基于图片识别的目标身份识别程序，所述基于图片识别的目标身份识别程序被所述处理器执行时实现如下步骤：
接收步骤：获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像；
识别步骤：将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值；
计算步骤：在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值；及
确认步骤：根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
优选地，所述目标识别模型的训练过程如下：
获取第一图像样本，在每张所述第一图像样本中标注出所述第一目标物所处区域；
将所述第一图像样本按照预设比例分成训练集和验证集，所述训练集中的图像样本数量大于所述验证集中的图像样本数量；
将所述训练集中的图像样本输入所述目标识别模型进行训练，每隔预设周期使用所述验证集对所述目标识别模型进行验证，利用所述验证集中各张第一图像样本和对应的第一目标物对该目标识别模型的准确率进行验证；及
当验证的准确率大于预设阈值时，结束训练，得到训练完成的所述目标识别模型。
优选地，所述相似度值算法包括：
Figure GDA0004097601260000041
其中，xi表示所述第一区域图像的图像特征，yi表示所述第二区域图像的图像特征，d(x，y)表示xi与yi所述第一区域图像与第二区域图像之间的相似度值。
为实现上述目的，本发明进一步提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于图片识别的目标身份识别程序，所述基于图片识别的目标身份识别程序可被一个或者多个处理器执行，以实现如上所述的基于图片识别的目标身份识别方法的步骤。
本发明提出的基于图片识别的目标身份识别方法、服务器及存储介质，通过获取包含第一目标物的第一图像，将第一图像输入目标识别模型输出第二图像，将第二图像输入特征提取模型输出第一图像特征，将第一图像特征输入区域识别模型识别出第二图像包含的第一区域图像，在数据库中创建多个不同第二目标物的第二区域图像，获取第一区域图像的属性信息，从数据库中查询与该属性信息相同的多个第二区域图像，分别计算第一区域图像与各个第二区域图像之间的相似度值，根据每张第一区域图像的相似度值及权重值，计算出第一目标物与各个第二目标物的综合相似度值，选取综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。本发明能够提高识别目标物身份信息的准确性。
附图说明
图1为本发明服务器较佳实施例的应用环境图；
图2为图1中基于图片识别的目标身份识别程序较佳实施例的程序模块示意图；
图3为本发明基于图片识别的目标身份识别方法较佳实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参附图做进一步说明。
具体实施方式
为了使本发明的目的、技术本实施例及优点更加清楚明白，以下结合附图及实施例，对本发明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用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术本实施例可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术本实施例的结合出现相互矛盾或无法实现时应当认为这种技术本实施例的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种服务器1。
所述服务器1包括，但不仅限于，存储器11、处理器12及网络接口13。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是服务器1的内部存储单元，例如该服务器1的硬盘。存储器11在另一些实施例中也可以是服务器1的外部存储设备，例如该服务器1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，存储器11还可以既包括服务器1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于服务器1的应用软件及各类数据，例如基于图片识别的目标身份识别程序10的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于图片识别的目标身份识别程序10等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该服务器1与其他电子设备之间建立通信连接。
客户端可以是桌上型计算机、笔记本、平板电脑、手机等。
网络可以为互联网、云网络、无线保真(Wi-Fi)网络、个人网(PAN)、局域网(LAN)和/或城域网(MAN)。网络环境中的各种设备可以被配置为根据各种有线和无线通信协议连接到通信网络。这样的有线和无线通信协议的例子可以包括但不限于以下中的至少一个：传输控制协议和互联网协议(TCP/IP)、用户数据报协议(UDP)、超文本传输协议(HTTP)、文件传输协议(FTP)、ZigBee、EDGE、IEEE 802.11、光保真(Li-Fi)、802.16、IEEE 802.11s、IEEE 802.11g、多跳通信、无线接入点(AP)、设备对设备通信、蜂窝通信协议和/或蓝牙(BlueTooth)通信协议或其组合。
可选地，该服务器1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在服务器1中处理的信息以及用于显示可视化的用户界面。
图1仅示出了具有组件11-13以及基于图片识别的目标身份识别程序10的服务器1，本领域技术人员可以理解的是，图1示出的结构并不构成对服务器1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在本实施例中，图1的基于图片识别的目标身份识别程序10被处理器12执行时，实现以下步骤：
接收步骤：获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像；
识别步骤：将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值；
计算步骤：在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值；及
确认步骤：根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
关于上述步骤的详细介绍，请参照下述图2关于基于图片识别的目标身份识别程序10实施例的程序模块示意图及图3关于基于图片识别的目标身份识别方法实施例的方法流程示意图的说明。
参照图2所示，为图1中基于图片识别的目标身份识别程序10实施例的程序模块示意图。基于图片识别的目标身份识别程序10被分割为多个模块，该多个模块存储于存储器11中，并由处理器12执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中，所述基于图片识别的目标身份识别程序10包括接收模块110、识别模块120、计算模块130及确认模块140。
接收模块110，用于获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像。
在本实施例中，服务器1接收客户端(例如摄像机或其他具有拍摄功能的拍摄终端、或具有拍摄功能及传输图像功能的设备)上传的第一图像，例如图像A。所述第一图像为拍摄的原始图像，可能同时存在包含了待识别身份信息的第一目标物(例如集装箱)及其他无关的图像数据，例如第一目标物的背景图。将第一图像输入预先训练的目标识别模型，输出与第一图像对应的第二图像，例如图像B。
在本实施例中，所述目标识别模型为卷积神经网络模型(Convolutional NeuralNetwork，CNN)，所述卷积神经网络模型的训练过程如下：
获取第一图像样本，每张所述第一图像样本采用第三方标记工具(例如Labeling)标注出所述第一目标物所处区域；
将所述第一图像样本按照预设比例(例如5:1)分成训练集和验证集，所述训练集中的图像样本数量大于所述验证集中的图像样本数量；
将所述训练集中的图像样本输入所述卷积神经网络模型进行训练，每隔预设周期(例如每进行1000次迭代)使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各张第一图像样本和对应的第一目标物对该识别模型的准确率进行验证；及
当验证的准确率大于预设阈值(例如85％)时，结束训练，得到所述目标识别模型。
识别模块120，用于将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值。
由于客户端在拍摄过程中可能存在拍摄角度的问题，会对第二图像造成光照反射干扰，从而对后续的数据处理产生影响。因此为了避免该情况，在本实施例中，在将第二图像输入特征提取模型之前，需要对第二图像进行预处理。预处理包括高斯滤波，均值滤波，Gamma矫正以及直方图均衡化等。
在完成对第二图像的预处理操作后，将第二图像输入特征提取模型中得到第一图像特征，例如第一图像特征a。在本实施例中，第一图像特征提取模型由ResNet18网络模型训练得到，ResNet18网络模型是一种卷积神经网络结构模型，ResNet18网络模型可以高效地对分辨率不高的图像进行快速识别，且具有运算占用带宽较小的特点，可以搭载于移动设备上使用。ResNet18网络模型包括依次连接的17层卷积层以及1层全连接层。
在其他实施例中，还可以在训练ResNet18网络模型时，预先为所述Res Net18网络模型设定损失函数，将训练样本输入到ResNet18网络模型中，对输入的训练样本进行前向传播得到实际输出，将预设的目标输出和实际输出代入损失函数中，计算损失函数的损失值，进行反向传播并利用损失值对所述ResNet18网络模型的参数进行优化，得到优化后的ResNet18网络模型。然后再选取一个训练样本输入到优化后的ResNet18网络模型中，参照前述操作，再次对优化后的ResNet18网络模型进行训练，直到达到停止训练的条件为止。
在提取出第二图像的第一图像特征后，将第一图像特征输入预先训练的区域识别模型，识别出第二图像包含的第一区域图像，例如图像C。每张第一区域图像均分配有唯一的权重值。
在本实施例中，所述区域识别模型也是采用卷积神经网络模型，训练过程与目标识别模型大体一致，在训练过程中需要采用第三方标记工具(例如Labeling)对第二图像中的第一图像区域进行标记，其他细节在此不做赘述。
在本实施例中，第一目标物以集装箱为例，第二图像包括有三大类，第一类是质量非常好的图像，包括纯正面图像，无遮挡，光照正常以及文字信息充分的第一图像，在这种情况下，整个集装箱五个面所提取的图像特征都可以认为是能够很好体现集装箱身份信息的面。在本实施例中，第一类第二图像图指的是待识别目标占比率在90％以上。第二类指的是客户端与集装箱之间存在拍摄角度，但是角度小于45°并且至少能获取集装箱某一面的大部分信息，待识别目标占比率在60％-90％。该类图像是实际应用中存在最广泛的数据类型，也是本方案需要重点进行处理识别的数据类型。第三类指的是客户端与集装箱之间存在拍摄角度，并且角度大于45°，待识别目标占比率低于60％。这类图像由于角度过大产生了图像畸变，已经丢失大部分的图像特征数据，该类图像在模型的训练中已经不能提供充足的信息，因此在判断图像属于此类图像之后会丢弃该类图像。
计算模块130，用于在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值。
在本实施例中，目标物以集装箱为例，假设第一图像中所拍摄的集装箱同时存在左侧面和正面，根据第一区域图像的属性信息，例如背面、左侧面、正面、右侧面及顶面。从数据库中查询与该属性信息相同的多个第二区域图像，分别计算第一区域图像与各个第二区域图像之间的相似度值。
其中，第二区域图像指预先存储在数据库中第二目标物(例如集装箱)的第二区域图像，第二目标物的身份信息确定。例如，在数据库中预先存储有身份信息(例如以字母或数字或二者结合的形式)分别为D、E、F的三个集装箱，每个集装箱均有左侧面、正面、右侧面、背面及顶面对应的第二区域图像，当确定好第一区域图像的属性信息后，从数据库中找到与其属性信息一致的第二区域图像，基于相似度值计算公式分别计算第一区域图像与各个第二区域图像之间的相似度值，为后续计算综合相似度值做准备。
例如，分别计算待识别集装箱的左侧面的第一图像特征a左与D集装箱的左侧面的第二图像特征bD左之间的相似度值dD2；
待识别集装箱的左侧面的第一图像特征a左与E集装箱的左侧面的第二图像特征bE左之间的相似度值dE2；
待识别集装箱的左侧面的第一图像特征a左与F集装箱的左侧面的第二图像特征bF左之间的相似度值dE3；
待识别集装箱的正面的第一图像特征a正与D集装箱的正面的第二图像特征bD正之间的相似度值dD3；
待识别集装箱的正面的第一图像特征a正与E集装箱的正面的第二图像特征bE左之间的相似度值dE3；
待识别集装箱的正面的第一图像特征a正与F集装箱的正面的第二图像特征bF左之间的相似度值dF3。
其中，相似度值计算方式采用欧式距离算法，所述欧式距离算法为：
Figure GDA0004097601260000121
其中，xi表示所述第一区域图像的图像特征，yi表示所述第二区域图像的图像特征，d(x，y)表示xi与yi所述第一区域图像与第二区域图像之间的相似度值。
确认模块140，用于根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
目标物以集装箱为例，由于现有技术对集装箱与摄像头的相对位置要求较高。即对于单个集装箱而言，摄像头需要正对标记有集装箱身份信息的一面，在实际应用中，一旦摄像头与集装箱之间产生较大的角度，就会导致拍摄到的图形产生畸变，造成OCR技术对集装箱身份信息的识别率下降。因此，在本实施例中，通过计算出第一目标物与各个第二目标物的综合相似度值，再选取综合相似度值最大者对应的第二目标物的身份信息作为第一目标物的身份信息。
具体地，在计算得到每张第一区域图像对应的相似度值后，基于预设的计算规则分别计算出第一目标物与数据库中第二目标物之间的综合相似度值。以上述例子为例，即得到三组综合相似度值的数据，并从数据库中获取相似度值最大者对应的第二目标物的身份信息作为第一目标物的身份信息。假设待识别集装箱与D集装箱之间的综合相似度值最大，则说明该待识别集装箱的身份信息为D。
通过本方案还能够适用于所拍摄到的第一图像个别图像区域存在被遮挡或光线不足导致识别结果准确性不高的情况。通过引入综合相似度，可以综合多个第一图像区域来确定第一目标物的身份信息。
进一步地，所述第一目标物与各第二目标物的综合相似度值根据预设计算规则计算得到的，所述计算规则包括第一计算规则及第二计算规则。当所述第二区域图像中包含的属性信息包括预设属性时，采用所述第一计算规则计算出所述第一目标物与各第二目标物的综合相似度值，将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息；
当所述第二区域图像中包含的属性信息不包括所述预设属性时，采用所述第二计算规则计算出所述第一目标物与各第二目标物的的综合相似度值，并将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息。
目标物以集装箱为例，由于在正常情况下，体现集装箱的身份信息主要体现在集装箱的背面，意味着当第一图像中出现背面时，需要重点考虑背面在计算综合相似度值中的重要程度，以此提高确定第一目标物身份信息的准确性。因此，在本实施例中，计算规则包括第一计算规则及第二计算规则，根据实际情况，采用不同的计算规则计算第一目标物的综合相似度值。
当第二区域图像中包含的属性信息包括预设属性时，则采用所述第一计算规则计算出综合相似度值，将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息；
当所述第二区域图像中的属性信息不包含所述预设属性时，采用所述第二计算规则计算出综合相似度值，并将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息。
进一步地，所述第一计算规则为：
Figure GDA0004097601260000131
其中，d表示所述第一目标物与第二目标物的综合相似度值，d1表示所述属性信息为预设属性的第一区域图像与第二区域图像之间的相似度值，λ表示第一区域图像的权重值，且λ>0。
所述第二计算规则为：
Figure GDA0004097601260000132
其中，d表示所述第一目标物与第二目标物的综合相似度值，di表示第i个第一区域图像与第二区域图像之间的相似度值，m表示第一区域图像的个数，且m≤3，i表示第一区域图像的序标，λi表示第一区域图像的权重值，且λi>0。
此外，本发明还提供一种基于图片识别的目标身份识别方法。参照图3所示，为本发明基于图片识别的目标身份识别方法的实施例的方法流程示意图。服务器1的处理器12执行存储器11中存储的基于图片识别的目标身份识别程序10时实现基于图片识别的目标身份识别方法的如下步骤：
S110，获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像。
在本实施例中，服务器1接收客户端(例如摄像机或其他具有拍摄功能的拍摄终端、或具有拍摄功能及传输图像功能的设备)上传的第一图像，例如图像A。所述第一图像为拍摄的原始图像，可能同时存在包含了待识别身份信息的第一目标物(例如集装箱)及其他无关的图像数据，例如第一目标物的背景图。将第一图像输入预先训练的目标识别模型，输出与第一图像对应的第二图像，例如图像B。
在本实施例中，所述目标识别模型为卷积神经网络模型(Convolutional NeuralNetwork，CNN)，所述卷积神经网络模型的训练过程如下：
获取第一图像样本，每张所述第一图像样本采用第三方标记工具(例如Labeling)标注出所述第一目标物所处区域；
将所述第一图像样本按照预设比例(例如5:1)分成训练集和验证集，所述训练集中的图像样本数量大于所述验证集中的图像样本数量；
将所述训练集中的图像样本输入所述卷积神经网络模型进行训练，每隔预设周期(例如每进行1000次迭代)使用所述验证集对所述卷积神经网络模型进行验证，利用所述验证集中各张第一图像样本和对应的第一目标物对该识别模型的准确率进行验证；及
当验证的准确率大于预设阈值(例如85％)时，结束训练，得到所述目标识别模型。
S120，将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值。
由于客户端在拍摄过程中可能存在拍摄角度的问题，会对第二图像造成光照反射干扰，从而对后续的数据处理产生影响。因此为了避免该情况，在本实施例中，在将第二图像输入特征提取模型之前，需要对第二图像进行预处理。预处理包括高斯滤波，均值滤波，Gamma矫正以及直方图均衡化等。
在完成对第二图像的预处理操作后，将第二图像输入特征提取模型中得到第一图像特征，例如第一图像特征a。在本实施例中，第一图像特征提取模型由ResNet18网络模型训练得到，ResNet18网络模型是一种卷积神经网络结构模型，ResNet18网络模型可以高效地对分辨率不高的图像进行快速识别，且具有运算占用带宽较小的特点，可以搭载于移动设备上使用。ResNet18网络模型包括依次连接的17层卷积层以及1层全连接层。
在其他实施例中，还可以在训练ResNet18网络模型时，预先为所述Res Net18网络模型设定损失函数，将训练样本输入到ResNet18网络模型中，对输入的训练样本进行前向传播得到实际输出，将预设的目标输出和实际输出代入损失函数中，计算损失函数的损失值，进行反向传播并利用损失值对所述ResNet18网络模型的参数进行优化，得到优化后的ResNet18网络模型。然后再选取一个训练样本输入到优化后的ResNet18网络模型中，参照前述操作，再次对优化后的ResNet18网络模型进行训练，直到达到停止训练的条件为止。
在提取出第二图像的第一图像特征后，将第一图像特征输入预先训练的区域识别模型，识别出第二图像包含的第一区域图像，例如图像C。每张第一区域图像均分配有唯一的权重值。
在本实施例中，所述区域识别模型也是采用卷积神经网络模型，训练过程与目标识别模型大体一致，在训练过程中需要采用第三方标记工具(例如Labeling)对第二图像中的第一图像区域进行标记，其他细节在此不做赘述。
在本实施例中，第一目标物以集装箱为例，第二图像包括有三大类，第一类是质量非常好的图像，包括纯正面图像，无遮挡，光照正常以及文字信息充分的第一图像，在这种情况下，整个集装箱五个面所提取的图像特征都可以认为是能够很好体现集装箱身份信息的面。在本实施例中，第一类第二图像图指的是待识别目标占比率在90％以上。第二类指的是客户端与集装箱之间存在拍摄角度，但是角度小于45°并且至少能获取集装箱某一面的大部分信息，待识别目标占比率在60％-90％。该类图像是实际应用中存在最广泛的数据类型，也是本方案需要重点进行处理识别的数据类型。第三类指的是客户端与集装箱之间存在拍摄角度，并且角度大于45°，待识别目标占比率低于60％。这类图像由于角度过大产生了图像畸变，已经丢失大部分的图像特征数据，该类图像在模型的训练中已经不能提供充足的信息，因此在判断图像属于此类图像之后会丢弃该类图像。
S130，在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值。
在本实施例中，目标物以集装箱为例，假设第一图像中所拍摄的集装箱同时存在左侧面和正面，根据第一区域图像的属性信息，例如背面、左侧面、正面、右侧面及顶面。从数据库中查询与该属性信息相同的多个第二区域图像，分别计算第一区域图像与各个第二区域图像之间的相似度值。
其中，第二区域图像指预先存储在数据库中第二目标物(例如集装箱)的第二区域图像，第二目标物的身份信息确定。例如，在数据库中预先存储有身份信息(例如以字母或数字或二者结合的形式)分别为D、E、F的三个集装箱，每个集装箱均有左侧面、正面、右侧面、背面及顶面对应的第二区域图像，当确定好第一区域图像的属性信息后，从数据库中找到与其属性信息一致的第二区域图像，基于相似度值计算公式分别计算第一区域图像与各个第二区域图像之间的相似度值，为后续计算综合相似度值做准备。
例如，分别计算待识别集装箱的左侧面的第一图像特征a左与D集装箱的左侧面的第二图像特征bD左之间的相似度值dD2；
待识别集装箱的左侧面的第一图像特征a左与E集装箱的左侧面的第二图像特征bE左之间的相似度值dE2；
待识别集装箱的左侧面的第一图像特征a左与F集装箱的左侧面的第二图像特征bF左之间的相似度值dE3；
待识别集装箱的正面的第一图像特征a正与D集装箱的正面的第二图像特征bD正之间的相似度值dD3；
待识别集装箱的正面的第一图像特征a正与E集装箱的正面的第二图像特征bE左之间的相似度值dE3；
待识别集装箱的正面的第一图像特征a正与F集装箱的正面的第二图像特征bF左之间的相似度值dF3。
其中，相似度值计算方式采用欧式距离算法，所述欧式距离算法为：
Figure GDA0004097601260000171
其中，xi表示所述第一区域图像的图像特征，yi表示所述第二区域图像的图像特征，d(x，y)表示xi与yi所述第一区域图像与第二区域图像之间的相似度值。
S140，根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
目标物以集装箱为例，由于现有技术对集装箱与摄像头的相对位置要求较高。即对于单个集装箱而言，摄像头需要正对标记有集装箱身份信息的一面，在实际应用中，一旦摄像头与集装箱之间产生较大的角度，就会导致拍摄到的图形产生畸变，造成OCR技术对集装箱身份信息的识别率下降。因此，在本实施例中，通过计算出第一目标物与各个第二目标物的综合相似度值，再选取综合相似度值最大者对应的第二目标物的身份信息作为第一目标物的身份信息。
具体地，在计算得到每张第一区域图像对应的相似度值后，基于预设的计算规则分别计算出第一目标物与数据库中第二目标物之间的综合相似度值。以上述例子为例，即得到三组综合相似度值的数据，并从数据库中获取相似度值最大者对应的第二目标物的身份信息作为第一目标物的身份信息。假设待识别集装箱与D集装箱之间的综合相似度值最大，则说明该待识别集装箱的身份信息为D。
通过本方案还能够适用于所拍摄到的第一图像个别图像区域存在被遮挡或光线不足导致识别结果准确性不高的情况。通过引入综合相似度，可以综合多个第一图像区域来确定第一目标物的身份信息。
进一步地，所述第一目标物与各第二目标物的综合相似度值根据预设计算规则计算得到的，所述计算规则包括第一计算规则及第二计算规则。当所述第二区域图像中包含的属性信息包括预设属性时，采用所述第一计算规则计算出综合相似度值，将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息；
当所述第二区域图像中包含的属性信息不包括所述预设属性时，采用所述第二计算规则计算出综合相似度值，并将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息。
目标物以集装箱为例，由于在正常情况下，体现集装箱的身份信息主要体现在集装箱的背面，意味着当第一图像中出现背面时，需要重点考虑背面在计算综合相似度值中的重要程度，以此提高确定第一目标物身份信息的准确性。因此，在本实施例中，计算规则包括第一计算规则及第二计算规则，根据实际情况，采用不同的计算规则计算第一目标物的综合相似度值。
当第二区域图像中包含的属性信息包括预设属性时，则采用所述第一计算规则计算出综合相似度值，将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息；
当所述第二区域图像中包含的属性信息不包括所述预设属性时，采用所述第二计算规则计算出综合相似度值，并将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息。
进一步地，所述第一计算规则为：
Figure GDA0004097601260000191
其中，d表示所述第一目标物与第二目标物的综合相似度值，d1表示所述属性信息为预设属性的第一区域图像与第二区域图像之间的相似度值，λ表示第一区域图像的权重值，且λ>0。
所述第二计算规则为：
Figure GDA0004097601260000192
其中，d表示所述第一目标物与第二目标物的综合相似度值，di表示第i个第一区域图像与第二区域图像之间的相似度值，m表示第一区域图像的个数，且m≤3，i表示第一区域图像的序标，λi表示第一区域图像的权重值，且λi>0。
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等中的任意一种或者几种的任意组合。计算机可读存储介质中包括基于图片识别的目标身份识别程序10，本发明之计算机可读存储介质的具体实施方式与上述基于图片识别的目标身份识别方法以及服务器1的具体实施方式大致相同，在此不再赘述。
需要说明的是，上述本发明实施例序日仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序日仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术本实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于图片识别的目标身份识别方法，应用于服务器，其特征在于，该方法包括：
接收步骤：获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像；
识别步骤：将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值；
计算步骤：在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值；及
确认步骤：根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
2.如权利要求1所述的基于图片识别的目标身份识别方法，其特征在于，所述目标识别模型的训练过程如下：
获取第一图像样本，在每张所述第一图像样本中标注出所述第一目标物所处区域；
将所述第一图像样本按照预设比例分成训练集和验证集，所述训练集中的图像样本数量大于所述验证集中的图像样本数量；
将所述训练集中的图像样本输入所述目标识别模型进行训练，每隔预设周期使用所述验证集对所述目标识别模型进行验证，利用所述验证集中各张第一图像样本和对应的第一目标物对该目标识别模型的准确率进行验证；及
当验证的准确率大于预设阈值时，结束训练，得到训练完成的所述目标识别模型。
3.如权利要求2所述的基于图片识别的目标身份识别方法，其特征在于，相似度值算法包括：
其中，xi表示所述第一区域图像的图像特征，yi表示所述第二区域图像的图像特征，d(x，y)表示xi与yi所述第一区域图像与第二区域图像之间的相似度值。
4.如权利要求1所述的基于图片识别的目标身份识别方法，其特征在于，所述第一目标物与各第二目标物的综合相似度值是根据预设计算规则计算得到的，所述计算规则包括第一计算规则及第二计算规则：
当所述第二区域图像中包含的所述属性信息包括预设属性时，采用所述第一计算规则计算出所述综合相似度值，将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息；
当所述第二区域图像中包含的所述属性信息不包括所述预设属性时，采用所述第二计算规则计算出所述综合相似度值，并将该综合相似度值对应的第二目标物的身份信息作为所述第一目标物的身份信息。
5.如权利要求4所述的基于图片识别的目标身份识别方法，其特征在于，所述第一计算规则为：
其中，d表示所述第一目标物与第二目标物的综合相似度值，d1表示所述属性信息为预设属性的第一区域图像与第二区域图像之间的相似度值，λ表示第一区域图像的权重值，且λ>0。
6.如权利要求4所述的基于图片识别的目标身份识别方法，其特征在于，所述第二计算规则为：
其中，d表示所述第一目标物与第二目标物的综合相似度值，di表示第i个第一区域图像与第二区域图像之间的相似度值，m表示第一区域图像的个数，且m≤3，i表示第一区域图像的序标，λi表示第i个第一区域图像的权重值，且λi>0。
7.一种服务器，其特征在于，所述服务器包括存储器和处理器，所述存储器上存储有基于图片识别的目标身份识别程序，所述基于图片识别的目标身份识别程序被所述处理器执行时实现如下步骤：
接收步骤：获取包含待识别身份信息的第一目标物的第一图像，将所述第一图像输入预先训练的目标识别模型，输出第二图像；
识别步骤：将所述第二图像输入预先训练的特征提取模型，输出第一图像特征，将所述第一图像特征输入预先训练的区域识别模型，识别出所述第二图像包含的第一区域图像，并为每类所述第一区域图像分配唯一的权重值；
计算步骤：在预先存储有已识别身份信息的第二目标物的第二区域图像的数据库中，查询与所述第一区域图像的属性信息匹配的多张第二区域图像，分别计算所述第一区域图像与各匹配的第二区域图像之间的相似度值；及
确认步骤：根据每张所述第一区域图像的相似度值及权重值，计算所述第一目标物与各第二目标物的综合相似度值，选取所述综合相似度值最大者对应的第二目标物的身份信息作为所述第一目标物的身份信息。
8.如权利要求7所述的服务器，其特征在于，所述目标识别模型的训练过程如下：
获取第一图像样本，在每张所述第一图像样本中标注出所述第一目标物所处区域；
将所述第一图像样本按照预设比例分成训练集和验证集，所述训练集中的图像样本数量大于所述验证集中的图像样本数量；
将所述训练集中的图像样本输入所述目标识别模型进行训练，每隔预设周期使用所述验证集对所述目标识别模型进行验证，利用所述验证集中各张第一图像样本和对应的第一目标物对该目标识别模型的准确率进行验证；及
当验证的准确率大于预设阈值时，结束训练，得到训练完成的所述目标识别模型。
9.如权利要求8所述的服务器，其特征在于，相似度值算法包括：
其中，xi表示所述第一区域图像的图像特征，yi表示所述第二区域图像的图像特征，d(x，y)表示xi与yi所述第一区域图像与第二区域图像之间的相似度值。
10.一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上存储有基于图片识别的目标身份识别程序，所述基于图片识别的目标身份识别程序可被一个或者多个处理器执行，以实现如权利要求1-6中任一项所述的基于图片识别的目标身份识别方法的步骤。
CN202010316554.8A 2020-04-21 2020-04-21 基于图片识别的目标身份识别方法、服务器及存储介质 Active CN111401326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010316554.8A CN111401326B (zh) 2020-04-21 2020-04-21 基于图片识别的目标身份识别方法、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010316554.8A CN111401326B (zh) 2020-04-21 2020-04-21 基于图片识别的目标身份识别方法、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN111401326A CN111401326A (zh) 2020-07-10
CN111401326B true CN111401326B (zh) 2023-04-18

Family

ID=71433334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010316554.8A Active CN111401326B (zh) 2020-04-21 2020-04-21 基于图片识别的目标身份识别方法、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111401326B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507910B (zh) * 2020-12-15 2023-01-17 平安银行股份有限公司 基于像素变形的图形识别方法、***、电子装置及存储介质
CN112488062B (zh) * 2020-12-18 2023-04-07 浙江大华技术股份有限公司 一种图像识别方法、装置、设备及介质
CN112668479A (zh) * 2020-12-29 2021-04-16 广州耐奇电气科技有限公司 用于智能配电房的安全监测方法、***、电子设备及介质
CN113516046B (zh) * 2021-05-18 2024-06-18 平安国际智慧城市科技股份有限公司 区域内生物多样性的监测方法、装置、设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596277A (zh) * 2018-05-10 2018-09-28 腾讯科技（深圳）有限公司 一种车辆身份识别方法、装置和存储介质
CN109145927A (zh) * 2017-06-16 2019-01-04 杭州海康威视数字技术股份有限公司 一种对形变图像的目标识别方法及装置
WO2019132587A1 (ko) * 2017-12-29 2019-07-04 (주)제이엘케이인스펙션 영상 분석 장치 및 방법
CN110516677A (zh) * 2019-08-23 2019-11-29 上海云绅智能科技有限公司 一种神经网络识别模型、目标识别方法及***
CN110619336A (zh) * 2019-08-26 2019-12-27 南京理工大学 基于图像处理的货品识别算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310601A1 (en) * 2014-03-07 2015-10-29 Digimarc Corporation Methods and arrangements for identifying objects

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145927A (zh) * 2017-06-16 2019-01-04 杭州海康威视数字技术股份有限公司 一种对形变图像的目标识别方法及装置
WO2019132587A1 (ko) * 2017-12-29 2019-07-04 (주)제이엘케이인스펙션 영상 분석 장치 및 방법
CN108596277A (zh) * 2018-05-10 2018-09-28 腾讯科技（深圳）有限公司 一种车辆身份识别方法、装置和存储介质
CN110516677A (zh) * 2019-08-23 2019-11-29 上海云绅智能科技有限公司 一种神经网络识别模型、目标识别方法及***
CN110619336A (zh) * 2019-08-26 2019-12-27 南京理工大学 基于图像处理的货品识别算法

Also Published As

Publication number Publication date
CN111401326A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401326B (zh) 基于图片识别的目标身份识别方法、服务器及存储介质
US9996735B2 (en) Facial recognition
CN103617432B (zh) 一种场景识别方法及装置
WO2016177259A1 (zh) 一种相似图像识别方法及设备
US20110142299A1 (en) Recognition of faces using prior behavior
US11531840B2 (en) Systems, methods, and storage media for training a model for image evaluation
CN107679475B (zh) 门店监控评价方法、装置及存储介质
CN107423306B (zh) 一种图像检索方法及装置
JP2015504215A (ja) 画像を比較するための方法およびシステム
CN111291753B (zh) 基于图像的文本识别方法、装置及存储介质
CN110675940A (zh) 病理图像标注方法、装置、计算机设备及存储介质
WO2020172870A1 (zh) 一种目标对象的移动轨迹确定方法和装置
CN110008943B (zh) 一种图像处理方法及装置、一种计算设备及存储介质
CN111476275A (zh) 基于图片识别的目标检测方法、服务器及存储介质
JP6365024B2 (ja) サービス提供装置、方法、及びプログラム
CN110135889A (zh) 智能推荐书单的方法、服务器及存储介质
US10192131B2 (en) Logo image indentification system
CN110866457A (zh) 一种电子保单的获得方法、装置、计算机设备和存储介质
CN110008892A (zh) 一种基于四连指指纹图像采集的指纹核验方法及装置
CN110705547B (zh) 图像内文字识别方法、装置及计算机可读存储介质
CN110633733B (zh) 图像智能匹配方法、装置及计算机可读存储介质
CN114494751A (zh) 证照信息识别方法、装置、设备及介质
JP6699048B2 (ja) 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム
CN113591657B (zh) Ocr版面识别的方法、装置、电子设备及介质
JP2021184281A (ja) 検証システム

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