CN111611414B - 车辆检索方法、装置及存储介质 - Google Patents
车辆检索方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111611414B CN111611414B CN201910134010.7A CN201910134010A CN111611414B CN 111611414 B CN111611414 B CN 111611414B CN 201910134010 A CN201910134010 A CN 201910134010A CN 111611414 B CN111611414 B CN 111611414B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- matching
- image
- features
- preset number
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆检索方法、装置及存储介质,属于图像检索技术领域。所述方法包括:获取待检索的车辆的拍摄图像,调用目标网络模型,将拍摄图像输入至目标网络模型中,输出车辆图像特征,车辆图像特征用于描述车辆全局信息且包括的特定维度段用于描述车辆的特定局部区域,目标网络模型用于基于任一车辆的拍摄图像确定任一车辆的车辆图像特征,基于车辆图像特征,从数据库中检索出与车辆关联的数据,数据库存储有多个匹配图像特征,每个匹配图像特征包括特定局部区域对应的匹配局部区域特征。本申请可以避免需要多次进行特征提取,提高了检索效率。
Description
技术领域
本申请实施例涉及图像检索技术领域,特别涉及一种车辆检索方法、装置及存储介质。
背景技术
目前,图像检索技术在智能交通领域得到广泛的应用。譬如,在一些应用场景中,通常可能会有检索车辆的需求,此时可以基于该车辆的拍摄图像,通过图像检索的方式来实现检索。
在相关技术中,一般不仅可以基于车辆的拍摄图像来进行整车检索,还可以从拍摄图像中抠取某个局部区域图像,以基于该局部区域图像进行二次检索。在实施中,可以提取该车辆的整车特征,从数据库中检索出与该整车特征匹配的多个匹配图像。然后,分别从该拍摄图像和获取的多个匹配图像中抠取局部区域图像,以及分别提取局部区域图像的区域特征,以便于根据提取的区域特征确定与拍摄图像中局部区域最匹配的匹配图像,从而可以基于确定的匹配图像,在数据库中检索出该车辆的相关信息。
然而,在上述实现方式中,由于需要多次进行特征提取,因此,使得操作较为繁琐,从而导致检索效率较低。
发明内容
本申请实施例提供了一种车辆检索方法、装置及存储介质,可以解决检索效率较低的问题。所述技术方案如下:
第一方面,提供了一种车辆检索方法,所述方法包括:
获取待检索的车辆的拍摄图像;
调用目标网络模型,将所述拍摄图像输入至所述目标网络模型中,输出车辆图像特征,所述车辆图像特征用于描述车辆全局信息且包括的特定维度段用于描述车辆的特定局部区域,所述目标网络模型用于基于任一车辆的拍摄图像确定所述任一车辆的车辆图像特征;
基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,所述数据库存储有多个匹配图像特征,每个匹配图像特征包括所述特定局部区域对应的匹配局部区域特征。
可选地,所述基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,包括:
确定所述车辆图像特征与所述数据库中的每个匹配图像特征之间的余弦相似性,得到所述每个匹配图像特征对应的第一相似分值;
按照第一相似分值从大到小的顺序,从所述数据库中获取前预设数量个第一相似分值对应的匹配图像特征;
从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,得到所述预设数量个匹配局部区域特征;
确定所述特定维度段内的特征与所述预设数量个匹配局部区域特征中每个匹配局部区域特征之间的余弦相似性,得到所述预设数量个第二相似分值;
基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据。
可选地,每个匹配图像特征与所述车辆图像特征的数据结构相同,所述从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,包括:
确定所述特定维度段内的特征在所述车辆图像特征中的位置;
从获取的每个匹配图像特征中,获取所述位置对应的匹配特征,得到所述每个匹配图像特征中所述特定局部区域对应的匹配局部区域特征。
可选地,当所述数据库存储有多个匹配图像特征与车辆信息之间的对应关系时,所述基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据,包括:
分别将所述预设数量个第一相似分值中的每个第一相似分值与所述预设数量个第二相似分值中对应的第二相似分值进行加权求和,得到所述预设数量个第三相似分值;
从所述预设数量个第三相似分值中确定最大第三相似分值;
从所述预设数量个匹配图像特征中确定所述最大第三相似分值对应的匹配图像特征;
从所述数据库的多个匹配图像特征与车辆信息之间的对应关系中,获取所确定的匹配图像特征对应的车辆数据,得到与所述车辆关联的数据。
可选地,所述目标网络模型是基于多个图像样本、每个图像样本中的车辆类别标签和特定局部区域的位置信息,对待训练的网络模型进行训练得到。
第二方面,提供了一种车辆检索装置,所述装置包括:
获取模块,用于获取待检索的车辆的拍摄图像;
调用模块,用于调用目标网络模型,将所述拍摄图像输入至所述目标网络模型中,输出车辆图像特征,所述车辆图像特征用于描述车辆全局信息且包括的特定维度段用于描述车辆的特定局部区域,所述目标网络模型用于基于任一车辆的拍摄图像确定所述任一车辆的车辆图像特征;
检索模块,用于基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,所述数据库存储有多个匹配图像特征,每个匹配图像特征包括所述特定局部区域对应的匹配局部区域特征。
可选地,所述检索模块用于:
确定所述车辆图像特征与所述数据库中的每个匹配图像特征之间的余弦相似性,得到所述每个匹配图像特征对应的第一相似分值;
按照第一相似分值从大到小的顺序,从所述数据库中获取前预设数量个第一相似分值对应的匹配图像特征;
从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,得到所述预设数量个匹配局部区域特征;
确定所述特定维度段内的特征与所述预设数量个匹配局部区域特征中每个匹配局部区域特征之间的余弦相似性,得到所述预设数量个第二相似分值;
基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据。
可选地,所述检索模块用于:
每个匹配图像特征与所述车辆图像特征的数据结构相同,确定所述特定维度段内的特征在所述车辆图像特征中的位置;
从获取的每个匹配图像特征中,获取所述位置对应的匹配特征,得到所述每个匹配图像特征中所述特定局部区域对应的匹配局部区域特征。
可选地,所述检索模块用于:
分别将所述预设数量个第一相似分值中的每个第一相似分值与所述预设数量个第二相似分值中对应的第二相似分值进行加权求和,得到所述预设数量个第三相似分值;
从所述预设数量个第三相似分值中确定最大第三相似分值;
从所述预设数量个匹配图像特征中确定所述最大第三相似分值对应的匹配图像特征;
从所述数据库的多个匹配图像特征与车辆信息之间的对应关系中,获取所确定的匹配图像特征对应的车辆数据,得到与所述车辆关联的数据。
可选地,所述目标网络模型是基于多个图像样本、每个图像样本的车辆类别标签和特定局部区域的位置信息,对待训练的网络模型进行训练得到。
第三方面,提供了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指令,所述指令被处理器执行时实现上述第一方面所述的车辆检索方法。
第四方面,提供了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第一方面所述的车辆检索方法。
本申请实施例提供的技术方案带来的有益效果是:
获取待检索车辆的拍摄图像,调用目标网络模型,将该拍摄图像输入至该目标网络模型中,输出该车辆的车辆图像特征。其中,该车辆图像特征整体用于描述车辆全局信息,且该车辆图像特征包括的特定维度段用于描述车辆的特定局部区域,也就是说,通过该目标网络模型可以一次性提取到能够描述该车辆全局以及特定局部区域的特征。之后,基于提取的车辆图像特征,从数据库中可以检索出与该车辆关联的数据,如此,可以避免需要多次进行特征提取,提高了检索效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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是根据一示例性实施例示出的一种车辆检索方法的流程图;
图2是根据一示例性实施例示出的一种车辆的示意图;
图3是根据一示例性实施例示出的一种特征结构示意图;
图4是根据一示例性实施例示出的一种车辆检索装置的结构示意图;
图5是根据一示例性实施例示出的一种终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例提供的车辆检索方法进行详细介绍之前,先对本申请实施例涉及的应用场景和实施环境进行简单介绍。
首先,对本申请实施例涉及的应用场景进行简单介绍。
在智能交通领域中,通常会有检索车辆的需求,譬如,当交警想要查询某肇事车辆的逃逸路线时,可以通过检索来确定该车辆曾在哪些卡口出现过,进一步地,在检索过程中可以根据车辆的某些具有显著特征的特定局部区域进行精准检索,比如该特定局部区域为挂件区域等。目前,一般可以采用图像搜索的方式来进行车辆的检索,也即是,可以获取车辆的拍摄图像,提取该拍摄图像的整车特征,然后从数据库中查询与该整车特征匹配的所有整车匹配特征,进而根据查询到的所有整车匹配特征搜索出与该车辆匹配的所有匹配图像。之后,可以分别对拍摄图像和所有匹配图像进行特定局部区域特征提取,然后进行特定局部区域特征匹配,从而检索出与该车辆最接近的匹配车辆。然而,目前的实现方式中,由于需要多次进行特征提取,导致车辆的检索效率较低。为此,本申请实施例提供了一种车辆检索方法,该方法可以避免需要多次进行特征提取,提高检索效率,其具体实现请参见如下所示实施例。
接下来,对本申请实施例涉及的实施环境进行简单介绍。
本申请实施例提供的车辆检索方法可以由智能设备来执行,该智能设备配置或连接有摄像头,以通过该摄像头对车辆进行拍摄。在实施时,可以将该智能设备架设在诸如卡口、电子收费站等场景中。在一种可能的实现方式中,该智能设备还可以与服务器连接,该服务器可以配置有数据库,以通过该数据库存储车辆的相关数据,如此,该智能设备可以基于某车辆的拍摄图像,在该数据库中对该车辆进行检索。
在一些实施例中,该智能设备可以为智能摄像设备,或者,该智能设备也可以为终端、平板电脑、便携式计算机等等,本申请实施例对此不做限定。
在介绍完本申请实施例涉及的应用场景和实施环境后,接下来将结合附图对本申请实施例提供的车辆检索方法进行详细介绍。
图1是根据一示例性实施例示出的一种车辆检索方法的流程图,本申请实施例以该车辆检索方法由智能设备执行为例进行说明,该车辆检索方法可以包括如下几个步骤:
步骤101:获取待检索的车辆的拍摄图像。
在日常生活中,通常可以在诸如卡口、电子收费站、限速区等场景内安装摄像头,并调整摄像头的拍摄范围,以通过该摄像头对过往车辆进行拍摄,得到该车辆的拍摄图像。
在一些实施例中,该智能设备可以存储摄像头拍摄得到的拍摄图像。进一步地,该智能设备可以在接收到检索指令后,获取待检索的车辆的拍摄图像。该检索指令可以由用户触发,该用户可以通过预设操作触发。也就是说,该智能设备可以提供检索选项和图像选择选项,当用户想要对某车辆进行检索时,可以基于图像选择选项选择想要检索的车辆的拍摄图像,并点击该检索选项以触发检索指令,此时,摄像设备执行获取拍摄图像的操作。
其中,该预设操作可以为点击操作、滑动操作、摇一摇操作等等,本申请实施例对此不作限定。
在一种可能的实现方式中,该智能设备获取该拍摄图像后,可以对该拍摄图像进行去噪等处理,本申请实施例对此不做限定。
步骤102:调用目标网络模型,将该拍摄图像输入至该目标网络模型中,输出车辆图像特征,该车辆图像特征用于描述车辆全局信息且包括的特定维度段用于描述车辆的特定局部区域,该目标网络模型用于基于任一车辆的拍摄图像确定该任一车辆的车辆图像特征。
该目标网络模型是通过深度学习训练得到的。在一种可能的实现方式中,该目标网络模型可以包括输入层、卷积层、池化层和输出层,智能设备将该拍摄图像输入至该目标网络模型后,该目标网络模型依次通过该输入层、该卷积层、该池化层和该输出层对该拍摄图像进行处理,输出车辆图像特征。
需要说明的是,上述仅是以该目标网络模型包括输入层、卷积层、池化层和输出层为例进行说明,在另一实施例中,该目标网络模型还可以包括其它网络层,譬如,还可以包括采样层等,本申请实施例对此不作限定。
其中,上述车辆的特定局部区域的数量可以为一个,也可以为多个。另外,该车辆图像特征还包括全局关联特征,该全局关联特征可以包括该车辆中除特定局部区域之外的其它特征。进一步地,当该特定局部区域的数量为多个时,该全局关联特征还包括用于描述该多个特定局部区域之间关联关系的信息特征。
其中,该特定局部区域可以预先进行设置,在一些实施例中,请参考图2,该特定局部区域可以包括车顶区域1、年检标区域2、左摆饰区域3、右摆饰区域4、挂坠区域5、车身区域6、左车灯区域7、右车灯区域8。
另外,当该特定局部区域的数量为多个时,该多个特定局部区域的特征以及全局关联特征可以按照预设规则排列在该车辆图像特征中,且每个特定维度段内的特征和全局关联特征的数据长度可以为预设数据长度。其中,该预设规则可以根据实际需求进行设置,该预设数据长度可以由用户根据实际需求进行设置,也可以由该智能设备默认设置,本申请实施例对此不作限定。
譬如,请参考图3,该图3是根据一示例性实施例示出的一种车辆图像特征的结构示意图,这里通过128个数据长度来描述每个特定局部区域的特征,并且,通过512个数据长度来描述该全局关联特征,也即是,该车辆图像特征的数据长度为1536。
需要说明的是,在实施时,也可以使用不同数据长度来描述该多个特定局部区域中每个特定局部区域的特征。并且,该多个特定局部区域的特征和全局关联特征在该车辆图像特征中的排列顺序可以根据实际需求进行设置,本申请实施例对此不作限定。
值得一提的是,这里通过目标网络模型一次性输出车辆的全局关联特征和特定局部区域的特征,避免需要多次进行特征提取,提高了车辆检索效率。
进一步地,上述目标网络模型是基于多个图像样本、每个图像样本的车辆类别标签和特定局部区域的位置信息,对待训练的网络模型进行训练得到。
在实施中,可以获取多个图像样本,按照区域划分规则,在该多个图像样本中的每个图像样本上对车辆进行区域划分,并标注每个图像样本中的车辆的类别,得到每个图像样本的车辆类别标签和特定局部区域的位置信息。之后,将该多个图像样本、每个图像样本的车辆类别标签和特定局部区域的位置信息输入至待训练的网络模型中进行深度训练,得到该目标网络模型,使得该目标网络模型可以基于任一车辆的拍摄图像,确定该任一车辆的车辆图像特征。
在一种可能的实现方式中,该待训练的网络模型可以为深度卷积神经网络,进一步地,该待训练的网络模型可以为*** inception网络,残差网络(ResNet)等,本申请实施例对此不做限定。
进一步地,在训练时,训练样本除了可以包括特定局部区域的位置信息之外,还可以包括其它信息,本申请实施例对此不作限定。
步骤103:基于该车辆图像特征,从数据库中检索出与该车辆关联的数据,该数据库存储有多个匹配图像特征,每个匹配图像特征包括该特定局部区域对应的匹配局部区域特征。
具体地,该每个匹配图像特征与该车辆图像特征的数据结构相同。在一些实施例中,基于该车辆图像特征,从数据库中检索出与该车辆关联的数据的具体实现可以包括如下几个步骤:
1031:确定该车辆图像特征与该数据库中的每个匹配图像特征之间的余弦相似性,得到该每个匹配图像特征对应的第一相似分值。
在本实施例中,可以基于车辆图像特征对该车辆进行整车匹配,也即是,确定数据库中与该车辆整体相似的匹配车辆的匹配图像特征。在实施中,智能设备确定该车辆图像特征与该数据库中的每个匹配图像特征之间的余弦相似性,以确定该数据库中每个匹配图像特征与该车辆图像特征之间的匹配度,得到每个匹配图像特征对应的第一相似分值。
为了便于描述,这里将智能设备确定的每个匹配图像特征对应的第一相似分值记为si,其中,该i的取值范围为[1,N],该N是指数据库中的匹配图像特征的个数。
1032:按照第一相似分值从大到小的顺序,从该数据库中获取前预设数量个第一相似分值对应的匹配图像特征。
由于第一相似分值越大,说明该第一相似分值对应的匹配图像特征与该车辆图像特征越相似,进而可以说明该匹配图像特征对应的匹配车辆与该车辆图像特征对应的车辆整体相似性越大。因此,智能设备可以基于上述得到的第一相似分值,按照一定的比例或数量,从数据库中获取与该车辆图像特征相似性较大的预设数量个匹配图像特征。在实施中,可以按照第一相似分值从大到小的顺序,对得到的每个匹配图像特征对应的第一相似分值进行排序。智能设备从排序后的第一相似分值中确定前预设数量个第一相似分值,之后,从数据库中获取该预设数量个第一相似分值对应的匹配图像特征。
其中,该预设数量可以由用户根据实际需求自定义设置,也可以由该智能设备默认设置,本申请实施例对此不作限定。
1033:从获取的每个匹配图像特征中确定该特定局部区域对应的匹配局部区域特征,得到该预设数量个匹配局部区域特征。
智能设备从数据库中获取相似性较大的预设数量个匹配图像特征后,可以基于该预设数量个匹配图像特征,进一步确定待检索的车辆与匹配车辆的特定局部区域的相似度。为此,智能设备从获取的每个匹配图像特征中确定该特定局部区域对应的匹配局部区域特征。
在一种可能的实现方式中,每个匹配图像特征与该车辆图像特征的数据结构相同,相应地,从获取的每个匹配图像特征中确定该特定局部区域对应的匹配局部区域特征的具体实现可以包括:确定该特定维度段内的特征在该车辆图像特征中的位置,从获取的每个匹配图像特征中,获取该位置对应的匹配特征,得到该每个匹配图像特征中该特定局部区域对应的匹配局部区域特征。
这里所说的每个匹配图像特征与该车辆图像特征的数据结构相同是指,每个匹配图像特征中特定局部区域的匹配局部区域特征所在位置与车辆图像特征中该特定局部区域的特定维度段内的特征所在位置相同,且数据长度相同,比如,每个匹配图像特征的数据结构如图3所示。
当每个匹配图像特征与该车辆图像特征的数据结构相同时,请参考图3,假设特定维度段内的特征在该车辆图像特征中的位置为[0,127],智能设备从上述1032步骤获取的每个匹配图像特征中,获取[0,127]位置对应的匹配局部区域特征,得到每个匹配图像特征中该特定局部区域对应的匹配局部区域特征。
需要说明的是,当该特定局部区域的数量为多个时,可以由用户根据实际需求指定想要匹配的特定局部区域,此时,智能设备从获取的每个匹配图像特征中确定特定局部区域对应的匹配局部区域特征,然后按照下列实现方式对该车辆进行检索。
1034:确定该特定维度段内的特征与该预设数量个匹配局部区域特征中每个匹配局部区域特征之间的余弦相似性,得到该预设数量个第二相似分值。
也即是,智能设备从上述确定的预设数量个匹配车辆中,确定每个匹配车辆的特定局部区域与该车辆的特定局部区域之间的匹配度,得到预设数量个第二相似分值。
为了便于描述,这里将智能设备确定的该预设数量个第二相似分值记为qi,其中,该i的取值范围为[1,K],该K表示该预设数量。
1035:基于该预设数量个第一相似分值与该预设数量个第二相似分值,从该数据库中检索出与该车辆关联的数据。
由于该第一相似分值用于表示车辆的整体匹配程度,该第二相似分值用于表示与待检索的车辆相似的匹配车辆中某个特定局部区域的匹配程度,因此,可以基于该预设数量个第一相似分值与该预设数量个第二相似分值,从数据库准确检索出与待检索的车辆相关的数据。
在一种可能的实现方式中,当该数据库存储有多个匹配图像特征与车辆信息之间的对应关系时,基于该预设数量个第一相似分值与该预设数量个第二相似分值,从该数据库中检索出与该车辆关联的数据的具体实现可以包括:分别将该预设数量个第一相似分值中的每个第一相似分值与该预设数量个第二相似分值中对应的第二相似分值进行加权求和,得到该预设数量个第三相似分值,从该预设数量个第三相似分值中确定最大第三相似分值,从该预设数量个匹配图像特征中确定该最大第三相似分值对应的匹配图像特征,从该数据库的多个匹配图像特征与车辆信息之间的对应关系中,获取所确定的匹配图像特征对应的车辆数据,得到与该车辆关联的数据。
继续以上述例子为例,该智能设备将si与qi进行加权求和计算,如此得到预设数量个第三相似分值。该第三相似分值越大,说明对应的匹配图像特征与该车辆图像特征之间的匹配度越高,因此,该智能设备从得到的预设数量个第三相似分值中确定最大相似分值,然后确定该第三相似分值对应的匹配图像特征,即得到与该车辆整体相似且具有相似特定局部区域的匹配车辆的匹配图像特征。该智能设备从数据中查询该匹配图像特征对应的车辆数据,得到与待检索的车辆关联的数据。
值得一提的是,本实施例仅需要在数据库中存储车辆的匹配图像特征,而不需要在数据库中存储大量的车辆图片或深度学习得到的车辆特征图,如此节省了存储空间。
需要说明的是,上述是以由智能设备来执行上述步骤1031至1035为例进行说明,在另一实施例中,还可以由服务器来执行,并将确定的结果发送给智能设备,如此可以减小智能设备的运行负担。
在本申请实施例中,获取待检索车辆的拍摄图像,调用目标网络模型,将该拍摄图像输入至该目标网络模型中,输出该车辆的车辆图像特征。其中,该车辆图像特征整体用于描述车辆全局信息,且该车辆图像特征包括的特定维度段用于描述车辆的特定局部区域,也就是说,通过该目标网络模型可以一次性提取到能够描述该车辆全局以及特定局部区域的特征。之后,基于提取的车辆图像特征,从数据库中可以检索出与该车辆关联的数据,如此,可以避免需要多次进行特征提取,提高了检索效率。
图4是根据一示例性实施例示出的一种车辆检索装置的结构示意图,该车辆检索装置可以由软件、硬件或者两者的结合实现。该车辆检索装置可以包括:
获取模块410,用于获取待检索的车辆的拍摄图像;
调用模块420,用于调用目标网络模型,将所述拍摄图像输入至所述目标网络模型中,输出车辆图像特征,所述车辆图像特征用于描述车辆全局信息且包括的特定维度段用于描述车辆的特定局部区域,所述目标网络模型用于基于任一车辆的拍摄图像确定所述任一车辆的车辆图像特征;
检索模块430,用于基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,所述数据库存储有多个匹配图像特征,每个匹配图像特征包括所述特定局部区域对应的匹配局部区域特征。
可选地,所述检索模块430用于:
确定所述车辆图像特征与所述数据库中的每个匹配图像特征之间的余弦相似性,得到所述每个匹配图像特征对应的第一相似分值;
按照第一相似分值从大到小的顺序,从所述数据库中获取前预设数量个第一相似分值对应的匹配图像特征;
从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,得到所述预设数量个匹配局部区域特征;
确定所述特定维度段内的特征与所述预设数量个匹配局部区域特征中每个匹配局部区域特征之间的余弦相似性,得到所述预设数量个第二相似分值;
基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据。
可选地,所述检索模块430用于:
每个匹配图像特征与所述车辆图像特征的数据结构相同,确定所述特定维度段内的特征在所述车辆图像特征中的位置;
从获取的每个匹配图像特征中,获取所述位置对应的匹配特征,得到所述每个匹配图像特征中所述特定局部区域对应的匹配局部区域特征。
可选地,所述检索模块430用于:
分别将所述预设数量个第一相似分值中的每个第一相似分值与所述预设数量个第二相似分值中对应的第二相似分值进行加权求和,得到所述预设数量个第三相似分值;
从所述预设数量个第三相似分值中确定最大第三相似分值;
从所述预设数量个匹配图像特征中确定所述最大第三相似分值对应的匹配图像特征;
从所述数据库的多个匹配图像特征与车辆信息之间的对应关系中,获取所确定的匹配图像特征对应的车辆数据,得到与所述车辆关联的数据。
可选地,所述目标网络模型是基于多个图像样本和每个图像样本的车辆类别标签和特定局部区域的位置信息,对待训练的网络模型进行训练得到。
在本申请实施例中,获取待检索车辆的拍摄图像,调用目标网络模型,将该拍摄图像输入至该目标网络模型中,输出该车辆的车辆图像特征。其中,该车辆图像特征整体用于描述车辆全局信息,且该车辆图像特征包括的特定维度段用于描述车辆的特定局部区域,也就是说,通过该目标网络模型可以一次性提取到能够描述该车辆全局以及特定局部区域的特征。之后,基于提取的车辆图像特征,从数据库中可以检索出与该车辆关联的数据,如此,可以避免需要多次进行特征提取,提高了检索效率。
需要说明的是:上述实施例提供的车辆检索装置在实现车辆检索方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的车辆检索装置与车辆检索方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5示出了本申请一个示例性实施例提供的终端500的结构框图。该终端500可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端500还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端500包括有:处理器501和存储器502。
处理器501可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器501可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器501还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的车辆检索方法。
在一些实施例中,终端500还可选包括有:***设备接口503和至少一个***设备。处理器501、存储器502和***设备接口503之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口503相连。具体地,***设备包括:射频电路504、触摸显示屏505、摄像头506、音频电路507、定位组件508和电源509中的至少一种。
***设备接口503可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器501和存储器502。在一些实施例中,处理器501、存储器502和***设备接口503被集成在同一芯片或电路板上;在一些其他实施例中,处理器501、存储器502和***设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路504用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路504包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路504还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏505用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时,显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时,显示屏505还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏505可以为一个,设置终端500的前面板;在另一些实施例中,显示屏505可以为至少两个,分别设置在终端500的不同表面或呈折叠设计;在再一些实施例中,显示屏505可以是柔性显示屏,设置在终端500的弯曲表面上或折叠面上。甚至,显示屏505还可以设置成非矩形的不规则图形,也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件506用于采集图像或视频。可选地,摄像头组件506包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器501进行处理,或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路507还可以包括耳机插孔。
定位组件508用于定位终端500的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件508可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***或俄罗斯的伽利略***的定位组件。
电源509用于为终端500中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端500还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于:加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。
加速度传感器511可以检测以终端500建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号,控制触摸显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器512可以检测终端500的机体方向及转动角度,陀螺仪传感器512可以与加速度传感器511协同采集用户对终端500的3D动作。处理器501根据陀螺仪传感器512采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器513可以设置在终端500的侧边框和/或触摸显示屏505的下层。当压力传感器513设置在终端500的侧边框时,可以检测用户对终端500的握持信号,由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在触摸显示屏505的下层时,由处理器501根据用户对触摸显示屏505的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器514用于采集用户的指纹,由处理器501根据指纹传感器514采集到的指纹识别用户的身份,或者,由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器501授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置终端500的正面、背面或侧面。当终端500上设置有物理按键或厂商Logo时,指纹传感器514可以与物理按键或厂商Logo集成在一起。
光学传感器515用于采集环境光强度。在一个实施例中,处理器501可以根据光学传感器515采集的环境光强度,控制触摸显示屏505的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏505的显示亮度;当环境光强度较低时,调低触摸显示屏505的显示亮度。在另一个实施例中,处理器501还可以根据光学传感器515采集的环境光强度,动态调整摄像头组件506的拍摄参数。
接近传感器516,也称距离传感器,通常设置在终端500的前面板。接近传感器516用于采集用户与终端500的正面之间的距离。在一个实施例中,当接近传感器516检测到用户与终端500的正面之间的距离逐渐变小时,由处理器501控制触摸显示屏505从亮屏状态切换为息屏状态;当接近传感器516检测到用户与终端500的正面之间的距离逐渐变大时,由处理器501控制触摸显示屏505从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图5中示出的结构并不构成对终端500的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本申请实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行上述实施例提供的车辆检索方法。
本申请实施例还提供了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车辆检索方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种车辆检索方法,其特征在于,所述方法包括:
获取待检索的车辆的拍摄图像;
调用目标网络模型,将所述拍摄图像输入至所述目标网络模型中,所述目标网络模型对所述拍摄图像进行一次特征提取,输出车辆图像特征,所述车辆图像特征用于描述车辆全局信息,所述车辆图像特征包括全局关联特征以及特定维度段,所述全局关联特征与所述特定维度段按照预设规则排列在所述车辆图像特征中,所述特定维度段用于描述车辆的特定局部区域,所述全局关联特征用于描述所述车辆中除所述特定局部区域之外的特征,所述目标网络模型用于基于任一车辆的拍摄图像确定所述任一车辆的车辆图像特征;
基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,所述数据库存储有多个匹配图像特征,每个匹配图像特征包括所述特定局部区域对应的匹配局部区域特征。
2.如权利要求1所述的方法,其特征在于,所述基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,包括:
确定所述车辆图像特征与所述数据库中的每个匹配图像特征之间的余弦相似性,得到所述每个匹配图像特征对应的第一相似分值;
按照第一相似分值从大到小的顺序,从所述数据库中获取前预设数量个第一相似分值对应的匹配图像特征;
从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,得到所述预设数量个匹配局部区域特征;
确定所述特定维度段内的特征与所述预设数量个匹配局部区域特征中每个匹配局部区域特征之间的余弦相似性,得到所述预设数量个第二相似分值;
基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据。
3.如权利要求2所述的方法,其特征在于,每个匹配图像特征与所述车辆图像特征的数据结构相同,所述从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,包括:
确定所述特定维度段内的特征在所述车辆图像特征中的位置;
从获取的每个匹配图像特征中,获取所述位置对应的匹配特征,得到所述每个匹配图像特征中所述特定局部区域对应的匹配局部区域特征。
4.如权利要求2所述的方法,其特征在于,当所述数据库存储有多个匹配图像特征与车辆信息之间的对应关系时,所述基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据,包括:
分别将所述预设数量个第一相似分值中的每个第一相似分值与所述预设数量个第二相似分值中对应的第二相似分值进行加权求和,得到所述预设数量个第三相似分值;
从所述预设数量个第三相似分值中确定最大第三相似分值;
从所述预设数量个匹配图像特征中确定所述最大第三相似分值对应的匹配图像特征;
从所述数据库的多个匹配图像特征与车辆信息之间的对应关系中,获取所确定的匹配图像特征对应的车辆数据,得到与所述车辆关联的数据。
5.如权利要求1所述的方法,其特征在于,所述目标网络模型是基于多个图像样本、每个图像样本的车辆类别标签和特定局部区域的位置信息,对待训练的网络模型进行训练得到。
6.一种车辆检索装置,其特征在于,所述装置包括:
获取模块,用于获取待检索的车辆的拍摄图像;
调用模块,用于调用目标网络模型,将所述拍摄图像输入至所述目标网络模型中,所述目标网络模型对所述拍摄图像进行一次特征提取,输出车辆图像特征,所述车辆图像特征用于描述车辆全局信息,所述车辆图像特征包括全局关联特征以及特定维度段,所述全局关联特征与所述特定维度段按照预设规则排列在所述车辆图像特征中,所述特定维度段用于描述车辆的特定局部区域,所述全局关联特征用于描述所述车辆中除所述特定局部区域之外的特征,所述目标网络模型用于基于任一车辆的拍摄图像确定所述任一车辆的车辆图像特征;
检索模块,用于基于所述车辆图像特征,从数据库中检索出与所述车辆关联的数据,所述数据库存储有多个匹配图像特征,每个匹配图像特征包括所述特定局部区域对应的匹配局部区域特征。
7.如权利要求6所述的装置,其特征在于,所述检索模块用于:
确定所述车辆图像特征与所述数据库中的每个匹配图像特征之间的余弦相似性,得到所述每个匹配图像特征对应的第一相似分值;
按照第一相似分值从大到小的顺序,从所述数据库中获取前预设数量个第一相似分值对应的匹配图像特征;
从获取的每个匹配图像特征中确定所述特定局部区域对应的匹配局部区域特征,得到所述预设数量个匹配局部区域特征;
确定所述特定维度段内的特征与所述预设数量个匹配局部区域特征中每个匹配局部区域特征之间的余弦相似性,得到所述预设数量个第二相似分值;
基于所述预设数量个第一相似分值与所述预设数量个第二相似分值,从所述数据库中检索出与所述车辆关联的数据。
8.如权利要求7所述的装置,其特征在于,所述检索模块用于:
每个匹配图像特征与所述车辆图像特征的数据结构相同,确定所述特定维度段内的特征在所述车辆图像特征中的位置;
从获取的每个匹配图像特征中,获取所述位置对应的匹配特征,得到所述每个匹配图像特征中所述特定局部区域对应的匹配局部区域特征。
9.如权利要求7所述的装置,其特征在于,所述检索模块用于:
分别将所述预设数量个第一相似分值中的每个第一相似分值与所述预设数量个第二相似分值中对应的第二相似分值进行加权求和,得到所述预设数量个第三相似分值;
从所述预设数量个第三相似分值中确定最大第三相似分值;
从所述预设数量个匹配图像特征中确定所述最大第三相似分值对应的匹配图像特征;
从所述数据库的多个匹配图像特征与车辆信息之间的对应关系中,获取所确定的匹配图像特征对应的车辆数据,得到与所述车辆关联的数据。
10.如权利要求6所述的装置,其特征在于,所述目标网络模型是基于多个图像样本、每个图像样本的车辆类别标签和特定局部特征的位置信息,对待训练的网络模型进行训练得到。
11.一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指令,其特征在于,所述指令被处理器执行时实现权利要求1-5所述的任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910134010.7A CN111611414B (zh) | 2019-02-22 | 2019-02-22 | 车辆检索方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910134010.7A CN111611414B (zh) | 2019-02-22 | 2019-02-22 | 车辆检索方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611414A CN111611414A (zh) | 2020-09-01 |
CN111611414B true CN111611414B (zh) | 2023-10-24 |
Family
ID=72202973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910134010.7A Active CN111611414B (zh) | 2019-02-22 | 2019-02-22 | 车辆检索方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611414B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569911A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN115222896B (zh) * | 2022-09-20 | 2023-05-23 | 荣耀终端有限公司 | 三维重建方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197538A (zh) * | 2017-12-21 | 2018-06-22 | 浙江银江研究院有限公司 | 一种基于局部特征和深度学习的卡口车辆检索***及方法 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、存储介质 |
CN108229468A (zh) * | 2017-06-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
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 |
CN109063768A (zh) * | 2018-08-01 | 2018-12-21 | 北京旷视科技有限公司 | 车辆重识别方法、装置及*** |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、***及存储介质 |
-
2019
- 2019-02-22 CN CN201910134010.7A patent/CN111611414B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229468A (zh) * | 2017-06-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
WO2019001481A1 (zh) * | 2017-06-28 | 2019-01-03 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
CN108197538A (zh) * | 2017-12-21 | 2018-06-22 | 浙江银江研究院有限公司 | 一种基于局部特征和深度学习的卡口车辆检索***及方法 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、存储介质 |
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 |
CN109063768A (zh) * | 2018-08-01 | 2018-12-21 | 北京旷视科技有限公司 | 车辆重识别方法、装置及*** |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111611414A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807361B (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN110222789B (zh) | 图像识别方法及存储介质 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN112084811B (zh) | 身份信息的确定方法、装置及存储介质 | |
CN111754386B (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN112261491B (zh) | 视频时序标注方法、装置、电子设备及存储介质 | |
CN112052897A (zh) | 多媒体数据拍摄方法、装置、终端、服务器及存储介质 | |
CN112052354A (zh) | 视频推荐方法、视频展示方法、装置及计算机设备 | |
CN112148899A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN111857793B (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN111611414B (zh) | 车辆检索方法、装置及存储介质 | |
CN109547847B (zh) | 添加视频信息的方法、装置及计算机可读存储介质 | |
CN110471614B (zh) | 一种存储数据的方法、检测终端的方法及装置 | |
CN110737692A (zh) | 一种检索数据的方法、建立索引库的方法及装置 | |
CN111860064B (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN111782950A (zh) | 样本数据集获取方法、装置、设备及存储介质 | |
CN111563201A (zh) | 内容推送方法、装置、服务器及存储介质 | |
CN108831423B (zh) | 提取音频数据中主旋律音轨的方法、装置、终端及存储介质 | |
CN113724739B (zh) | 检索音频和训练声学模型的方法、终端及存储介质 | |
CN112990424B (zh) | 神经网络模型训练的方法和装置 | |
CN113592874B (zh) | 图像显示方法、装置和计算机设备 | |
CN111984738B (zh) | 数据关联方法、装置、设备及存储介质 | |
CN114817709A (zh) | 排序方法、装置、设备及计算机可读存储介质 | |
CN111310526B (zh) | 目标跟踪模型的参数确定方法、装置及存储介质 | |
CN111782767A (zh) | 问答方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |