CN112200217A - 基于红外图像大数据的识别算法评价方法及*** - Google Patents
基于红外图像大数据的识别算法评价方法及*** Download PDFInfo
- Publication number
- CN112200217A CN112200217A CN202010938017.7A CN202010938017A CN112200217A CN 112200217 A CN112200217 A CN 112200217A CN 202010938017 A CN202010938017 A CN 202010938017A CN 112200217 A CN112200217 A CN 112200217A
- Authority
- CN
- China
- Prior art keywords
- recognition
- algorithm
- evaluation
- module
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 116
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000010972 statistical evaluation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012854 evaluation process Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于红外图像大数据的识别算法评价方法和***,用以解决现有技术中对红外图像识别算法评价方法应用性不强的问题。所述基于红外图像大数据的识别算法评价方法,包括:S1,建立红外图像测试数据库;S2,调用待评价识别算法,根据算法从红外图像测试数据库中选定待测试图像序列,并指定识别目标;S3,标记所选定的待测试图像序列中每一序列每一帧图像;S4,采用所调用的识别算法,对选定的待测试图像序列进行目标识别;S5,将步骤S4中的识别结果与步骤S3中的标记结果进行比较,对识别算法进行评价,并输出结果。本发明为由远及近场景下识别算法提供统一的性能评价平台,实现了自动评价,提高了评价效率及精度。
Description
技术领域
本发明属于计算机视觉与图像处理领域,具体涉及一种基于红外图像大数据的识别算法评价方法及***。
背景技术
随着计算机视觉的发展,图像识别算法越来越多。红外图像作为一类特殊的图像,广泛应用于监控、安防、医疗、航空、军事导航等领域,对于红外图像的识别算法也越来越优化。因此,对识别算法评价也越来越重要。
现有技术中,应用于公开竞赛的目标检测识别算法评价方法,已经相对成熟,识别算法评价方法主要包括识别精度和识别率:识别精度就是匹配中心点的位置偏移误差;成功率就是相较于目标点偏差n个像素的概率,n是根据目标成像像素数多少选择的合适阈值。但是,公开的目标检测识别竞赛都是针对基于深度学***台不再适用。
发明内容
鉴于现有技术中的上述缺陷或不足,本发明旨在提供一种基于红外图像大数据的识别算法评价方法及***,
为了实现上述目的,本发明实施例采用如下技术方案:
第一方面,本发明实施例提供了一种基于红外图像大数据的识别算法评价方法,所述红外图像识别算法评价方法,包括如下步骤:
步骤S1,建立红外图像测试数据库;
步骤S2,调用待评价识别算法,根据算法从所述红外图像测试数据库中选定待测试图像序列,并指定识别目标;
步骤S3,标记所选定的待测试图像序列中每一序列每一帧图像;
步骤S4,采用所调用的识别算法,对选定的待测试图像序列进行目标识别;
步骤S5,将步骤S4中的识别结果与步骤S3中的标记结果进行比较,对识别算法进行评价,并输出评价结果。
上述方案中,所述步骤S2中的标记,具体为标记每一序列图像中每一帧图像的真实目标中心点位置和真实目标区域范围,且对所述识别目标不同远近处的红外图像序列按距离划分为不同类,该类下集中该距离范围内不同方向不同角度的图像序列,且同一类图像序列共用一块卫片基准图。
上述方案中,所述步骤S5中对识别算法进行评价,进一步包括:对识别算法在归一化的分类测试图像库上进行性能统计评价,将识别结果与标记结果进行对比,按照评价指标进行数据的处理、分析和统计,得到识别算法在测试图像库上定量的性能指标。
上述方案中,所述评价指标包括:识别率评价、识别精度评价和识别算法的姿态参数适应性评价;
识别中心点坐标为(xmatch,ymatch),置信度为Conf,且1为可信,0为不可信;真实目标中心点位置为(xtarget,ytarget),真实目标区域范围为Starget;
其中,识别率评价Suc为:
Suc=((xmatch,ymatch)∈Starget)&(Conf=1) (1)
式(1)中,识别位置在目标区域内且置信度为1表示识别成功,反之表示识别错误;
识别精度评价Pre为:
识别算法的姿态参数适应性评价为:
adapt=(α∈(α-Δα:α+Δα))||(L∈(L-Δl):(L+Δl)) (3)
式(3)中,α是姿态角度,L是长度变量;对姿态角度加入-Δα:Δα的变量偏差,长度变量加入-Δl:Δl的变量偏差。
上述方案中,所述定量的性能指标,包括:精度偏差曲线和识别结果统计表。
上述方案中,步骤S3还包括,生成配置文件,用于后续对图像数据的调用和解析。
第二方面,本发明实施例还提供了一种基于红外图像大数据的识别算法评价***,所述红外图像识别算法评价***,包括依次连接的测试数据库建立模块、参数初始化模块、图像标记及分类模块、识别算法实施模块、算法评价及结果输出模块,识别算法实施模块还与参数初始化模块相连;其中,
所述测试数据库建立模块用于建立红外图像测试数据库;
所述参数初始化模块用于调用待评价识别算法,根据算法从所述红外图像测试数据库中选定待测试图像序列,并指定识别目标;
所述图像标记及分类模块用于标记所选定的待测试图像序列中每一序列每一帧图像;
所述识别算法实施模块用于采用所调用的识别算法,对选定的待测试图像序列进行目标识别;
所述算法评价及结果输出模块用于将识别结果与标记结果进行比较,对识别算法进行评价,并输出评价结果。
上述方案中,所述图像标记及分类模块进一步用于标记每一序列图像中每一帧图像的真实目标中心点位置和真实目标区域范围,且对所述识别目标不同远近处的红外图像序列按距离划分为不同类,该类下集中该距离范围内不同方向不同角度的图像序列,且同一类图像序列共用一块卫片基准图。
上述方案中,所述算法评价及结果输出模块,包括识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块、精度偏差曲线生成模块、识别结果统计表格生成模块及显示模块;其中,
所述识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块均与所述识别算法实施模块相连,所述精度偏差曲线生成模块与所述识别精度评价模块相连,所述识别结果统计表格生成模块同时与识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块相连,所述显示模块与所述精度偏差生成模块和识别结果统计表格生成模块相连。
本发明具有如下有益效果:
本发明实施方式所提供的基于红外图像大数据的识别算法评价方法和***,是一种定量的性能评价方法,通过识别率、识别精度和识别算法的姿态参数适应性三类指标分析识别算法性能。其中识别率就是识别点在目标区域内且置信度为1表示识别成功,反之表示识别错误。相较于传统的偏差n个像素的阈值,以目标区域为基准判断是否成功识别更为准确;识别精度是在成功识别的前提下,识别点与标记点像素差的欧氏距离,由于测试图像库建立时,根据不同远近距离分为了不同类别,则在数据库中归一化为不同类别,识别精度根据识别成功与否统计成功识别条件下的识别精度,防止未识别错误的图像干扰统计精度;识别算法的姿态参数适应性就是通过单一变量和组合变量的方法,对姿态角度加入-Δα:Δα范围,高度或距离等长度变量加入-Δl:Δl范围内的变量偏差,统计识别算法在加入偏差后识别率和识别精度,得到识别算法的姿态参数适应性。本发明实现了由远及近的红外航空或军事等领域识别算法性能的自动评价,为识别算法提供统一的性能评价平台,便于在有限时间内快速测试尽可能多的数据,更为全面的评价识别算法的性能,为识别算法的选择和算法研发过程中的快速迭代优化提供便利的工具。平台通过配置文件与测试图像库和识别算法交互,识别算法通过算法简称嵌入评价平台,平台自动识别算法简称,并调取对应的算法代码,实现算法的识别过程;同样通过配置文件实现结果数据和标记数据的读入和批量处理,试验全自动的性能评价过程,提高评价过程的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施方式所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施方式提供的基于红外图像大数据的识别算法评价方法流程示意图;
图2为本发明实施方式中识别算法评价方法生成的精度偏差曲线示例图;
图3为本发明实施方式中识别算法评价方法生成的评价结果统计表示例图;
图4为本发明实施方式提供的基于红外图像大数据的识别算法评价***结构示意图;
图5为本发明实施方式中识别算法评价***中算法评价及结果输出模块结构示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
本发明实施方式提供了一种基于红外图像大数据的识别算法评价方法及***,通过基于归一分类的红外图像大数据的测试图像库,为算法性能的归一化评价提供基准值,使得由远及近的红外航空或军事等领域识别算法性能评价更具有实际工程价值;利用定量的性能评价方法,得到定量的评价指标,实现自动高效地识别算法性能指标的定量化评价;评价平台通过精度曲线和统计数据表格的输出形式,使算法性能的评价结果更为直观,当测试图像库具有大数据规模时,统计结果更能直观反映算法的特点,精度曲线可以使算法研发者快速定位算法的问题位置,为算法研发过程中的快速迭代优化,以及识别算法性能的对比选择,全面掌握算法的定量化性能指标。
图1示出了本发明实施方式提供的基于红外图像大数据的识别算法评价方法流程图。如图1所示,所述基于红外图像大数据的识别算法评价方法,包括如下步骤:
步骤S1,建立红外图像测试数据库。
本步骤中,所述红外图像数据来源于规范化的图像数据格式,一个红外图像存为一个图像数据文件,并且记录图像序列的共有属性参数以及每一幅图像的关联属性参数,每一个图像数据文件中的图像数据都是经过清洗的含有有效目标的数据。
步骤S2,调用待评价识别算法,根据算法从所述红外图像测试数据库中选定待测试图像序列,并指定识别目标。
步骤S3,标记所选定的待测试图像序列中每一序列每一帧图像的真实目标中心点位置和真实目标区域范围,且对所述识别目标不同远近处的红外图像序列按距离划分为不同类,该类下集中该距离范围内不同方向不同角度的图像序列,且同一类图像序列共用一块卫片基准图。
本步骤中,所述真实目标中心点位置为(xtarget,ytarget),真实目标区域范围为Starget。
优选地,本步骤还包括,生成配置文件。所生成的配置文件,用于后续对图像数据的调用和解析。
步骤S4,采用所调用的识别算法,对选定的待测试图像序列进行目标识别。
本步骤中,所述识别过程与所选用的识别算法相关,在选定图像序列进行测试后,通过配置文件加载,在识别算法中载入待测试图像序列,选择某一指定的结果存储路径,或存储在默认路径下;通过算法在每一个测试图像序列中进行识别,从而得到目标识别结果,得到通过算法所得到的目标在图像中的位置。
步骤S5,将步骤S4中的识别结果与步骤S3中的标记结果进行比较,对识别算法进行评价,并输出评价结果。
本步骤中,所述评价是对识别算法在归一化的分类测试图像库上进行性能统计评价,将识别结果与标记结果进行对比,按照三个评价指标进行数据的处理、分析和统计,得到精度偏差曲线和识别结果统计表示意图,进而得到识别算法在测试图像库上定量的性能指标。
所述三个评价指标包括:识别率评价、识别精度评价和识别算法的姿态参数适应性评价。
将识别结果与真实标记目标点和目标区域进行比对。设识别中心点坐标为(xmatch,ymatch),置信度为Conf(设1为可信,0为不可信)。
具体地,识别率评价Suc定义为:
Suc=((xmatch,ymatch)∈Starget)&(Conf=1) (1)
式(1)中,识别位置在目标区域内且置信度为1表示识别成功,反之表示识别错误。相较于传统的偏差n个像素的阈值,以目标区域为基准判断是否成功识别更为准确。
识别精度评价Pre定义为:
式(2)中,成功识别的前提下,识别点与标记点像素差的欧氏距离,测试图像库建立时,根据不同远近距离分为了不同类别,则在数据库中归一化为不同类别,识别精度根据识别成功与否统计成功识别条件下的识别精度,防止未识别错误的图像干扰统计精度。
识别算法的姿态参数适应性评价为:
adapt=(α∈(α-Δα:α+Δα))||(L∈(L-Δl):(L+Δl)) (3)
式(3)中,α是姿态角度,L是长度变量;通过单一变量和组合变量的方法,对姿态角度加入-Δα:Δα的变量偏差,高度或距离等长度变量加入-Δl:Δl的变量偏差,统计识别算法在加入偏差后识别率和识别精度,得到识别算法的姿态参数适应性。
本步骤中,所述评价结果,通过性能评价结果曲线和统计数据进行呈现。如图2所示,通过识别精度评价,绘制精度偏差曲线,通过精度偏差曲线直观的得出算法优劣。如图3所示,通过将识别精度、识别成功率和算法姿态参数适应性统一列成表格,定量而直观地看出算法的评价结果,且可对不同的算法进行比较。
由以上方案可以看出,本实施方式所述基于红外图像大数据的识别算法评价方法,是一种定量的性能评价方法,通过识别率、识别精度和识别算法的姿态参数适应性三类指标分析识别算法性能。其中识别率就是识别点在目标区域内且置信度为1表示识别成功,反之表示识别错误。相较于传统的偏差n个像素的阈值,以目标区域为基准判断是否成功识别更为准确;识别精度是在成功识别的前提下,识别点与标记点像素差的欧氏距离,由于测试图像库建立时,根据不同远近距离分为了不同类别,则在数据库中归一化为不同类别,识别精度根据识别成功与否统计成功识别条件下的识别精度,防止未识别错误的图像干扰统计精度;识别算法的姿态参数适应性就是通过单一变量和组合变量的方法,对姿态角度加入-Δα:Δα范围,高度或距离等长度变量加入-Δl:Δl范围内的变量偏差,统计识别算法在加入偏差后识别率和识别精度,得到识别算法的姿态参数适应性。
图4示出了本发明实施方式提供的基于红外图像大数据的识别算法评价***结构示意图。如图4所示,所述红外图像识别算法评价***,包括依次连接的测试数据库建立模块10、参数初始化模块20、图像标记及分类模块30、识别算法实施模块40、算法评价及结果输出模块50,其中,识别算法实施模块40还与参数初始化模块20相连。
所述测试数据库建立模块10用于建立红外图像测试数据库;
所述参数初始化模块20用于调用待评价识别算法,根据算法从所述红外图像测试数据库中选定待测试图像序列,并指定识别目标;
所述图像标记及分类模块30用于标记所选定的待测试图像序列中每一序列每一帧图像的真实目标中心点位置和真实目标区域范围,且对所述识别目标不同远近处的红外图像序列按距离划分为不同类,该类下集中该距离范围内不同方向不同角度的图像序列,且同一类图像序列共用一块卫片基准图;
所述识别算法实施模块40用于采用所调用的识别算法,对选定的待测试图像序列进行目标识别;
所述算法评价及结果输出模块50用于将识别结果与标记结果进行比较,对识别算法进行评价,并输出评价结果。
如上所述,所述算法评价及结果输出模块50,包括识别率评价模块51、识别精度评价模块52、识别算法的姿态参数适应性评价模块53、精度偏差曲线生成模块54、识别结果统计表格生成模块55及显示模块56;其中,所述识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块均与所述识别算法实施模块相连,所述精度偏差曲线生成模块与所述识别精度评价模块相连,所述识别结果统计表格生成模块同时与识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块相连,所述显示模块与所述精度偏差生成模块和识别结果统计表格生成模块相连。
本实施例中所述模块采用CPU、PLC等硬件设备实现,当需要数据存储时,还设置有存储设备,如RAM、移动硬盘等。
需要说明的是,本实施例所述基于红外图像大数据的识别算法评价***与上述红外图像识别算法评价方法是对应的,对所述方法的描述和限定同样适用于本实施例中的红外图像识别算法评价***,在此不再赘述。
由以上可以看出,本实施例的基于红外图像大数据的识别算法评价***,实现由远及近的红外航空或军事等领域识别算法性能的自动评价,为识别算法提供统一的性能评价平台,便于在有限时间内快速测试尽可能多的数据,更为全面的评价识别算法的性能,为识别算法的选择和算法研发过程中的快速迭代优化提供便利的工具。平台通过配置文件与测试图像库和识别算法交互,识别算法通过算法简称嵌入评价平台,平台自动识别算法简称,并调取对应的算法代码,实现算法的识别过程;同样通过配置文件实现结果数据和标记数据的读入和批量处理,试验全自动的性能评价过程,提高评价过程的效率。
以上描述仅为本发明的较佳实施方式以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于红外图像大数据的识别算法评价方法,其特征在于,所述识别算法评价方法,包括如下步骤:
步骤S1,建立红外图像测试数据库;
步骤S2,调用待评价识别算法,根据算法从所述红外图像测试数据库中选定待测试图像序列,并指定识别目标;
步骤S3,标记所选定的待测试图像序列中每一序列每一帧图像;
步骤S4,采用所调用的识别算法,对选定的待测试图像序列进行目标识别;
步骤S5,将步骤S4中的识别结果与步骤S3中的标记结果进行比较,对识别算法进行评价,并输出评价结果。
2.根据权利要求1所述于红外图像大数据的识别算法评价方法,其特征在于,所述步骤S2中的标记,具体为标记每一序列图像中每一帧图像的真实目标中心点位置和真实目标区域范围,且对所述识别目标不同远近处的红外图像序列按距离划分为不同类,该类下集中该距离范围内不同方向不同角度的图像序列,且同一类图像序列共用一块卫片基准图。
3.根据权利要求2所述基于红外图像大数据的识别算法评价方法,其特征在于,所述步骤S5中对识别算法进行评价,进一步包括:对识别算法在归一化的分类测试图像库上进行性能统计评价,将识别结果与标记结果进行对比,按照评价指标进行数据的处理、分析和统计,得到识别算法在测试图像库上定量的性能指标。
4.根据权利要求3所述基于红外图像大数据的识别算法评价方法,其特征在于,所述评价指标包括:识别率评价、识别精度评价和识别算法的姿态参数适应性评价;
识别中心点坐标为(xmatch,ymatch),置信度为Conf,且1为可信,0为不可信;真实目标中心点位置为(xtarget,ytarget),真实目标区域范围为Starget;
其中,识别率评价Suc为:
Suc=((xmatch,ymatch)∈Starget)&(Conf=1) (1)
式(1)中,识别位置在目标区域内且置信度为1表示识别成功,反之表示识别错误;
识别精度评价Pre为:
识别算法的姿态参数适应性评价为:
adapt=(α∈(α-△α:α+△α))||(L∈(L-△l):(L+△l)) (3)
式(3)中,α是姿态角度,L是长度变量;对姿态角度加入-△α:△α的变量偏差,长度变量加入-△l:△l的变量偏差。
5.根据权利要求4所述基于红外图像大数据的识别算法评价方法,其特征在于,所述定量的性能指标,包括:精度偏差曲线和识别结果统计表。
6.根据权利要求1至5任一项所述基于红外图像大数据的识别算法评价方法,其特征在于,步骤S3还包括,生成配置文件,用于后续对图像数据的调用和解析。
7.一种基于红外图像大数据的识别算法评价***,其特征在于,所述基于红外图像大数据的识别算法评价***,顺序包括测试数据库建立模块、参数初始化模块、图像标记及分类模块、识别算法实施模块、算法评价及结果输出模块,识别算法实施模块还与参数初始化模块相连;其中,
所述测试数据库建立模块用于建立红外图像测试数据库;
所述参数初始化模块用于调用待评价识别算法,根据算法从所述红外图像测试数据库中选定待测试图像序列,并指定识别目标;
所述图像标记及分类模块用于标记所选定的待测试图像序列中每一序列每一帧图像;
所述识别算法实施模块用于采用所调用的识别算法,对选定的待测试图像序列进行目标识别;
所述算法评价及结果输出模块用于将识别结果与标记结果进行比较,对识别算法进行评价,并输出评价结果。
8.根据权利要求7所述基于红外图像大数据的识别算法评价***,其特征在于,所述图像标记及分类模块进一步用于标记每一序列图像中每一帧图像的真实目标中心点位置和真实目标区域范围,且对所述识别目标不同远近处的红外图像序列按距离划分为不同类,该类下集中该距离范围内不同方向不同角度的图像序列,且同一类图像序列共用一块卫片基准图。
9.根据权利要求8所述基于红外图像大数据的识别算法评价***,其特征在于,所述算法评价及结果输出模块,包括识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块、精度偏差曲线生成模块、识别结果统计表格生成模块及显示模块;其中,
所述识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块均与所述识别算法实施模块相连,所述精度偏差曲线生成模块与所述识别精度评价模块相连,所述识别结果统计表格生成模块同时与识别率评价模块、识别精度评价模块、识别算法的姿态参数适应性评价模块相连,所述显示模块与所述精度偏差生成模块和识别结果统计表格生成模块相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938017.7A CN112200217B (zh) | 2020-09-09 | 2020-09-09 | 基于红外图像大数据的识别算法评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938017.7A CN112200217B (zh) | 2020-09-09 | 2020-09-09 | 基于红外图像大数据的识别算法评价方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200217A true CN112200217A (zh) | 2021-01-08 |
CN112200217B CN112200217B (zh) | 2023-06-09 |
Family
ID=74005968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010938017.7A Active CN112200217B (zh) | 2020-09-09 | 2020-09-09 | 基于红外图像大数据的识别算法评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200217B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390276A (zh) * | 2022-03-23 | 2022-04-22 | 广东欧谱曼迪科技有限公司 | 一种自动化测试方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956527A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的障碍物检测结果评估方法和装置 |
CN107194364A (zh) * | 2017-06-02 | 2017-09-22 | 重庆邮电大学 | 一种基于分治策略的Huffman‑LBP多姿态人脸识别方法 |
CN107977647A (zh) * | 2017-12-20 | 2018-05-01 | 上海依图网络科技有限公司 | 一种适合公安实战的人脸识别算法评测方法 |
CN108268831A (zh) * | 2017-12-01 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 一种无人车视觉检测的鲁棒性测试方法和*** |
CN109142374A (zh) * | 2018-08-15 | 2019-01-04 | 广州市心鉴智控科技有限公司 | 基于超小样本训练高效质检模型的方法及*** |
CN109711285A (zh) * | 2018-12-11 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 识别模型的训练、测试方法和装置 |
CN110070533A (zh) * | 2019-04-23 | 2019-07-30 | 科大讯飞股份有限公司 | 一种目标检测结果的评测方法、装置、设备及存储介质 |
CN110503095A (zh) * | 2019-08-27 | 2019-11-26 | 中国人民公安大学 | 目标检测模型的定位质量评价方法、定位方法及设备 |
CN110555870A (zh) * | 2019-09-09 | 2019-12-10 | 北京理工大学 | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 |
CN111126122A (zh) * | 2018-10-31 | 2020-05-08 | 浙江宇视科技有限公司 | 人脸识别算法评估方法及装置 |
CN111191666A (zh) * | 2018-11-14 | 2020-05-22 | 网易(杭州)网络有限公司 | 一种图像目标检测算法的测试方法和装置 |
CN111563049A (zh) * | 2020-07-13 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 一种生物特征识别的攻击测试方法、装置及设备 |
CN111598928A (zh) * | 2020-05-22 | 2020-08-28 | 郑州轻工业大学 | 一种基于具有语义评估和区域建议的突变运动目标跟踪方法 |
-
2020
- 2020-09-09 CN CN202010938017.7A patent/CN112200217B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956527A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的障碍物检测结果评估方法和装置 |
CN107194364A (zh) * | 2017-06-02 | 2017-09-22 | 重庆邮电大学 | 一种基于分治策略的Huffman‑LBP多姿态人脸识别方法 |
CN108268831A (zh) * | 2017-12-01 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 一种无人车视觉检测的鲁棒性测试方法和*** |
CN107977647A (zh) * | 2017-12-20 | 2018-05-01 | 上海依图网络科技有限公司 | 一种适合公安实战的人脸识别算法评测方法 |
CN109142374A (zh) * | 2018-08-15 | 2019-01-04 | 广州市心鉴智控科技有限公司 | 基于超小样本训练高效质检模型的方法及*** |
CN111126122A (zh) * | 2018-10-31 | 2020-05-08 | 浙江宇视科技有限公司 | 人脸识别算法评估方法及装置 |
CN111191666A (zh) * | 2018-11-14 | 2020-05-22 | 网易(杭州)网络有限公司 | 一种图像目标检测算法的测试方法和装置 |
CN109711285A (zh) * | 2018-12-11 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 识别模型的训练、测试方法和装置 |
CN110070533A (zh) * | 2019-04-23 | 2019-07-30 | 科大讯飞股份有限公司 | 一种目标检测结果的评测方法、装置、设备及存储介质 |
CN110503095A (zh) * | 2019-08-27 | 2019-11-26 | 中国人民公安大学 | 目标检测模型的定位质量评价方法、定位方法及设备 |
CN110555870A (zh) * | 2019-09-09 | 2019-12-10 | 北京理工大学 | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 |
CN111598928A (zh) * | 2020-05-22 | 2020-08-28 | 郑州轻工业大学 | 一种基于具有语义评估和区域建议的突变运动目标跟踪方法 |
CN111563049A (zh) * | 2020-07-13 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 一种生物特征识别的攻击测试方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390276A (zh) * | 2022-03-23 | 2022-04-22 | 广东欧谱曼迪科技有限公司 | 一种自动化测试方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112200217B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165589B (zh) | 基于深度学习的车辆重识别方法和装置 | |
CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
CN110647912A (zh) | 细粒度图像识别方法、装置、计算机设备及存储介质 | |
CN110852107B (zh) | 一种关系提取方法、装置、及存储介质 | |
US11380010B2 (en) | Image processing device, image processing method, and image processing program | |
CN108376242A (zh) | 针对视频的持续性特征描述符 | |
JP2013210968A (ja) | 物体検出装置及びその方法、プログラム | |
US20200402242A1 (en) | Image analysis method and apparatus, and electronic device and readable storage medium | |
CN106778731B (zh) | 一种车牌定位方法及终端 | |
CN112633297A (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
US20240203097A1 (en) | Method and apparatus for training image processing model, and image classifying method and apparatus | |
KR101545809B1 (ko) | 차량 번호판 이중 검출 방법 및 장치 | |
CN112580734A (zh) | 目标检测模型训练方法、***、终端设备及存储介质 | |
CN110619336A (zh) | 基于图像处理的货品识别算法 | |
CN112183504A (zh) | 一种基于非接触式手掌静脉图像的视频注册方法及装置 | |
CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN114998432A (zh) | 一种基于YOLOv5的电路板检测点定位方法 | |
CN112200217A (zh) | 基于红外图像大数据的识别算法评价方法及*** | |
Yang et al. | RANSACs for 3D rigid registration: A comparative evaluation | |
CN116152576B (zh) | 图像处理方法、装置、设备及存储介质 | |
Fritz et al. | Object recognition using local information content | |
CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
US20030185432A1 (en) | Method and system for image registration based on hierarchical object modeling | |
CN112446428B (zh) | 一种图像数据处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |