CN112464850B - 图像处理方法、装置、计算机设备及介质 - Google Patents
图像处理方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN112464850B CN112464850B CN202011421618.7A CN202011421618A CN112464850B CN 112464850 B CN112464850 B CN 112464850B CN 202011421618 A CN202011421618 A CN 202011421618A CN 112464850 B CN112464850 B CN 112464850B
- Authority
- CN
- China
- Prior art keywords
- pixel points
- outline
- sub
- matrix
- character
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 132
- 239000013598 vector Substances 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000000994 depressogenic effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及图像识别技术领域,公开了一种图像处理方法、装置、计算机设备及介质。该方法包括提取人物轮廓图,对人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类;分别沿空间坐标x轴和y轴方向将人物轮廓区域分为n、m个子区域,得到n、m个子区域分别对应的向量集V和U;将向量集V和U分别转换成n×k维的特征矩阵Vd以及m×k维的特征矩阵Ud;对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类,分别计算各聚类中心的特征矩阵Vc和Uc与标准矩阵集Dv、Du中任一元素的相似度vs和us,并根据相似度计算结果确定待检测图片中是包含目标人物。本发明实施方式可显著提高监管的高效性、安全性,并且可减轻监管人员工作负担。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种图像处理方法、装置、计算机设备及介质。
背景技术
随着互联网和人工智能为主导的信息化技术飞速发展,通过信息化技术提升校园安全将成为平安校园发展的必然趋势。校园食品安全的管控一直是社会重点关注的问题,监管校园食堂操作间和库房非工作人员进出更是安全防范的重点。学校一般都是明令禁止非食堂工作人员入内,目前的具体操作通常是粘贴相关标识语,并通过加装摄像头实时监控。然而,食堂工作繁忙,人员众多,一旦有陌生人进入,难以及时发现,通过视频抽检这种事后检查方式已经无法满足监管需求,不能及时进行风险预警,不利于食堂的安全管理工作。
发明内容
有鉴于此,本发明实施例提供了一种图像处理方法、装置、计算机设备及介质,通过对监控视频中的人物图像的颜色信息进行提取分析,并与食堂工人的标准颜色进行对比,从而可对非法人员出入食堂进行智能预警,显著提高监管的高效性、安全性,并且可减轻监管人员工作负担。
为解决上述技术问题,本发明实施例提供了一种图像处理方法,包括:
利用基于R-CNN训练出的目标检测模型从待检测图片中提取人物轮廓图,得到每帧待检测图片包含的人物轮廓图集合;
对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类,得到所述人物轮廓区域内的像素点的颜色类别;
沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,得到所述n个子区域对应的向量集V,以及沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,得到所述m个子区域对应的向量集U;其中,所述向量集V的元素为由所述n个子区域中的每个子区域内的像素点分别组成的一维颜色向量;所述向量集U的元素为由所述m个子区域中的每个子区域内的像素点分别组成的一维颜色向量;n、m均为大于1的正整数;
将所述向量集V转换成n×k维的特征矩阵Vd,将所述向量集U转换成m×k维的特征矩阵Ud;其中,k为所述颜色类别的个数;
对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心;每个聚类中心的特征矩阵分别为n×N的特征矩阵Vc和m×N的特征矩阵Uc;
分别计算各聚类中心的特征矩阵Vc与标准矩阵集Dv中任一元素的相似度vs,以及特征矩阵Uc与标准矩阵集Du中任一元素的相似度us,并根据所述相似度计算结果vs和us确定所述待检测图片中是包含目标人物;其中,标准矩阵集Dv和Du用于表征参考人物特征。
本发明实施例还提供了一种图像处理装置,包括:
提取模块,用于利用基于R-CNN训练出的目标检测模型从待检测图片中提取人物轮廓图,得到每帧待检测图片包含的人物轮廓图集合;
颜色分类模块,用于对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类,得到所述人物轮廓区域内的像素点的颜色类别;
向量转换模块,用于沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,得到所述n个子区域对应的向量集V,以及沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,得到所述m个子区域对应的向量集U;其中,所述向量集V的元素为由所述n个子区域中的每个子区域内的像素点分别组成的一维颜色向量;所述向量集U的元素为由所述m个子区域中的每个子区域内的像素点分别组成的一维颜色向量;n、m均为大于1的正整数;
特征矩阵转换模块,用于将所述向量集V转换成n×k维的特征矩阵Vd,将所述向量集U转换成m×k维的特征矩阵Ud;其中,k为所述颜色类别的个数;
聚类模块,用于对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心;每个聚类中心的特征矩阵分别为n×N的特征矩阵Vc和m×N的特征矩阵Uc;
相似度计算模块,用于分别计算各聚类中心的特征矩阵Vc与标准矩阵集Dv中任一元素的相似度vs,以及特征矩阵Uc与标准矩阵集Du中任一元素的相似度us;
确定模块,用于根据所述相似度计算结果vs和us确定所述待检测图片中是包含目标人物;其中,标准矩阵集Dv和Du用于表征参考人物特征。
本发明实施例还提供了一种计算机设备,包括:存储器和处理器,存储器存储计算机程序,处理器运行所述计算机程序以实现如前所述的图像处理方法。
本发明的实施方式还提供了一种存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如前所述的图像处理方法。
本发明实施方式提供的图像处理方法,对提取出的人物轮廓图进行颜色分类,并分别沿人物轮廓图的空间坐标x轴方向、y轴方向将人物轮廓区域进行分区得到n个子区域以及m个子区域,再分别得到n个子区域对应的相量集V和m个子区域对应的相量集U,再将向量集V和向量集U分别转换成特征矩阵Vd和Ud,然后对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心的特征矩阵Vc和Uc,分别计算各聚类中心的特征矩阵Vc和Uc与标准矩阵集Dv和Du中任一元素的相似度,从而根据相似度结果确定待检测图片中是否包含目标人物。因此,本发明实施例可通过对人物轮廓区域的颜色的分析比较来确定是否存在衣着与食堂工人的标准着装不一致的人员进出食堂,不仅可显著提高食堂监管的实时性、安全性,而且可减轻监管人员的工作负担。
作为一个实施例,采用以下聚类目标函数得到各类的聚类中心:
其中,当所述聚类目标函数迭代到最小值时得到各类的聚类中心;各所述聚类中心的特征矩阵为Ni,每帧待检测图片包含的人物轮廓图所对应的每一特征矩阵Dj属于第i类的隶属度为uij,特征矩阵个数为w,dpm,npm分别为特征矩阵Dj,聚类中心矩阵N,第(p,m)位置的矩阵元素;
作为一个实施例,所述沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,包括:
沿所述x轴方向以等距离方式将所述人物轮廓区域分成n份以得到所述n个子区域;
所述沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,包括:
沿所述y轴方向以等距离方式将所述人物轮廓区域分成m份以得到所述m个子区域。
作为一个实施例,在所述得到所述n个子区域对应的向量集V之前,还包括:
沿所述x轴方向去除所述人物轮廓区域内的噪声像素点;
在所述得到所述m个子区域对应的向量集U之前,还包括:
沿所述y轴方向去除所述人物轮廓区域内的噪声像素点。
作为一个实施例,所述沿所述x轴方向去除所述人物轮廓区域内的噪声像素点,包括:
按照像素点的x轴坐标取值以及所述颜色类别对所述人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与所述人物轮廓图y轴上的最大像素点个数的像素高度比值,将像素高度比值小于像素高度比值阈值的类中的像素点删去;
所述沿所述y轴方向去除所述人物轮廓区域内的噪声像素点,包括:
按照像素点的y轴坐标取值以及所述颜色类别对所述人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与所述人物轮廓图x轴上的最大像素点个数的像素长度比值,将像素长度比值小于像素长度比值阈值的类中的像素点删去。
作为一个实施例,根据所述相似度计算结果vs和us确定所述待检测图片中是否包含目标人物,包括:
若所述相似度vs小于第一相似阈值,且所述相似度us小于第二相似阈值,则确定所述待检测图片中包含所述目标人物。
作为一个实施例,所述将所述向量集V转换成n×k维的特征矩阵Vd,包括:
将所述向量集V内的每个向量vi按颜色占比组成新的向量vi=(pi1,…,pik),将所有的向量vi按下角标顺序组成一个n×k维的特征矩阵Vd;
所述将所述向量集U转换成m×k维的特征矩阵Ud,包括:
将所述向量集U内的每个向量ui按颜色占比组成新的向量ui=(qi1,…,qik),将所有的向量ui按下角标顺序组成一个m×k维的特征矩阵Ud。
作为一个实施例,在所述对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类之前,还包括:
采用以下公式对所述人物轮廓图集合中的人物轮廓图进行亮度归一化处理:
其中,x为所述人物轮廓图中任一像素点的RGB通道中任一通道的坐标,max和min分别为x所在通道的最大值与最小值。
附图说明
为了更清楚地说明本发明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,可以理解地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本发明一实施例提供的图像处理方法的流程图;
图2为一实施例提供的归一化后的目标人物的人物轮廓图示意图;
图3为一实施例提供的归一化后的参考人物的人物轮廓图示意图;
图4是本发明一实施例提供的图像处理装置的结构示意图;
图5是本发明一实施例提供的计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本发明而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本发明所要求保护的技术方案。
本发明实施例提供一种图像处理方法,可应用于服务器,尤其适用于对进出食堂的陌生人进行自动识别,然不限于此,本发明实施例还可以应用于其他基于颜色分析进行图像识别的场景。如图1所示,本实施例的图像处理方法包括步骤101至步骤107。
步骤101:利用基于R-CNN训练出的目标检测模型从待检测图片中提取人物轮廓图,得到每帧待检测图片包含的人物轮廓图集合。
本实施例中,目标检测模型基于R-CNN(Region-CNN(卷积神经网络))技术框架进行训练得到。待检测图片可以从视频监控设备发送的图像数据中得到。目标检测模型分别对每帧待检测图片进行检测,并提取出其中的人物轮廓图,每帧待检测图片可以包含多个人物轮廓图,从而得到人物轮廓图集合。人物轮廓图可以为去除了背景信息的图像数据,人物轮廓图包含人物的着装信息,比如人物衣着的款式以及颜色等。
步骤102:对每个人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类,得到人物轮廓区域内的像素点的颜色类别。
像素点的RGB坐标即像素点的红绿蓝颜色信息,本实施例中,可以采用训练好的颜色分类器对人物轮廓区域内的像素点的颜色进行分类,分类后的人物轮廓图数据中,使用每个像素点的颜色分类代替每个像素点的RGB坐标,比如分类前一个像素点的特征信息包含像素点位置坐标以及RGB坐标,分类后像素点的特征信息包含像素点位置坐标及其颜色类别,从而实现图像数据的初步降维。其中,颜色分类器的颜色类别及其名称可以根据被分类对象的颜色特点确定,比如将人物着装的颜色分类设置为15个颜色类别。本实施例对于颜色分类器不做具体限制。
步骤103:沿人物轮廓图的空间坐标x轴方向将人物轮廓区域分为n个子区域,得到n个子区域对应的向量集V,以及沿人物轮廓图的空间坐标y轴方向将人物轮廓区域分为m个子区域,得到m个子区域对应的向量集U。
其中,向量集V的元素为由n个子区域中的每个子区域内的像素点分别组成的一维颜色向量;向量集U的元素为由m个子区域中的每个子区域内的像素点分别组成的一维颜色向量;n、m均为大于1的正整数。
可选地,本实施例中,步骤103将人物轮廓区域分为n个子区域,可以包括:沿x轴方向以等距离方式将人物轮廓区域分成n份以得到n个子区域。类似地,步骤103将人物轮廓区域分为m个子区域,可以包括:沿y轴方向以等距离方式将人物轮廓区域分成m份以得到m个子区域。可选地,本实施例中,在得到n个子区域对应的向量集V之前,还可以包括:沿x轴方向去除人物轮廓区域内的噪声像素点;在得到m个子区域对应的向量集U之前,还可以包括:沿y轴方向去除人物轮廓区域内的噪声像素点。作为示例而非限制,沿x轴方向去除人物轮廓区域内的噪声像素点,可以包括:按照像素点的x轴坐标取值以及颜色类别对人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与人物轮廓图y轴上的最大像素点个数的像素高度比值,将像素高度比值小于像素高度比值阈值的类中的像素点删去;沿y轴方向去除人物轮廓区域内的噪声像素点,可以包括:按照像素点的y轴坐标取值以及颜色类别对人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与人物轮廓图x轴上的最大像素点个数的像素长度比值,将像素长度比值小于像素长度比值阈值的类中的像素点删去。
下面对向量集V和向量集U的产生过程进行详细说明如下:
如图2所示,可以沿空间坐标x轴方向将人物轮廓图等距地分为6个子区域,即以平行于y轴且等间隔分布地方式将人物轮廓区域分割成6个部分,各子区域内的像素点的个数由于人物轮廓本身的不规则性,可以是不相同的。然后可以沿x轴方向对各子区域进行去噪声处理。具体地,可以对x轴每个取值对应的图像区域的像素点进行分类,得到每个分类类别的像素点个数,然后将每类的像素点个数与y轴上的最长像素距离(max(x)–min(x))(即y轴上的最大像素点个数)的像素高度比值小于像素高度比值阈值的类删去。此后,将剩下的类按x轴取值大小排序并平均分为n组(每组内类的像素点列的个数相差不超过1,即沿x轴方向等距离地将人物轮廓区域分为n个子区域),然后将每组(即每个子区域)内的像素点的颜色类别组成一个向量,从而得到向量集V={v1,...,vn}。类似地,可以沿空间坐标y轴方向将人物轮廓图等距地分为6个子区域,即以平行于x轴且等间隔分布地方式将人物轮廓区域分割成6个部分,然后对各子区域分别进行去噪声处理。具体地,可以对y轴每个取值对应的图像区域的像素点进行分类,得到每个分类类别的像素点个数,然后将每类的像素点个数与x轴上的最长像素距离(max(x)–min(x))(即x轴上的最大像素点个数)的像素长度比值小于像素长度比值阈值的类删去。接着,将剩下的类按y轴取值大小排序并平均分为m组(即沿y轴方向等距离地将人物轮廓区域分为m个子区域),然后将每组(即每个子区域)内的像素点的颜色类别组成一个向量,从而得到向量集U={u1,...,um}。像素高度比值阈值以及像素长度比值阈值的大小可以根据经验设置,只要能够有效过滤掉环境光线等引起的干扰图像信息即可,在此不做具体限制。本实施例可以准确、高效地去除人物轮廓区域内图像的噪点,从而有利于提高图像识别精度。可以理解的是,本实施例对上述去噪处理的方式以及顺序等均不作具体限制。
步骤104:将向量集V转换成n×k维的特征矩阵Vd,将向量集U转换成m×k维的特征矩阵Ud。其中,k为颜色类别的个数。
可选地,本实施例中,将向量集V转换成n×k维的特征矩阵Vd,可以包括:将向量集V内的每个向量vi按颜色占比组成新的向量vi=(pi1,…,pik),将所有的向量vi按下角标顺序组成一个n×k维的特征矩阵Vd。将向量集U转换成m×k维的特征矩阵Ud,可以包括:将向量集U内的每个向量ui按颜色占比组成新的向量ui=(qi1,…,qik),将所有的向量ui按下角标顺序组成一个m×k维的特征矩阵Ud。对于向量集V内的每个向量vi,统计每个颜色类别对应的像素点个数以及该向量对应的总的像素点的个数,将两者的比值(即每个颜色类别的颜色占比)组成新的向量vi=(pi1,…,pik),因此,各个新的向量vi的长度都等于颜色类别,然后将所有的向量vi按下角标顺序组成一个n×k维的特征矩阵Vd。同理,得到m×k维的特征矩阵Ud,各个新的向量ui的长度都相同,均为颜色类别的个数。通过将向量集V和U分别转换成特征矩阵,极大方便后续图像识别的计算。
步骤105:对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心;每个聚类中心的特征矩阵分别为n×N的特征矩阵Vc和m×N的特征矩阵Uc。
可选地,本实施例中,可以采用以下聚类目标函数得到各类的聚类中心:
其中,当聚类目标函数迭代到最小值时得到各类的聚类中心;各聚类中心的特征矩阵为Ni,每帧待检测图片包含的人物轮廓图所对应的每一特征矩阵Dj属于第i类的隶属度为uij,特征矩阵个数为w,dpm,npm分别为特征矩阵Dj,聚类中心矩阵N,第(p,m)位置的矩阵元素;
本实施例中,各类的聚类中心通过聚类目标函数迭代计算得到,迭代过程中通过修改前次得到的聚类中心得到聚类目标函数值,当聚类目标函数达到最小值时,得到最优聚类方案(即各类的聚类中心)。通过迭代方式不仅可以得到准确的聚类中心,而且运算速度快。
步骤106:分别计算各聚类中心的特征矩阵Vc与标准矩阵集Dv中任一元素的相似度vs,以及特征矩阵Uc与标准矩阵集Du中任一元素的相似度us。
步骤107:根据相似度计算结果vs和us确确定待检测图片中是包含目标人物。
其中,标准矩阵集Dv和Du用于表征参考人物特征。标准矩阵集Dv和Du可以通过对提取出的参考人物轮廓图进行步骤101~步骤105的相关处理而得到。举例而言,在食堂***应用中,参考人物轮廓图即是从食堂工作人员正确穿着工服时采集的图像中提取的,参考人物轮廓图可以在各个角度以及不同环境状态下拍摄得到,以便提高识别准确度。
具体地,计算Vc与标准矩阵集Dv={Dv1,...,Dvw}中任一Dvi的相似度vs,计算Uc与标准矩阵集Du={D1,...,Dw}中与Dvi对应的Dui相似度us,如前所述,Dvi和Dui应成对出现,结果记为(vs,us),得到相似度集合{(vs,us)}。可选地,步骤106中相似度vs和us的具体计算方式如下:
对于任意两个n×m维矩阵D1,D2分别将其按列分割组成一个长度为n×m的一维向量d1,d2,计算两个向量的夹角的余弦值作为相似度,公式如下:
可选地,根据相似度计算结果确定待检测图片中是否包含目标人物,可以包括:若相似度vs小于第一相似阈值,且相似度us小于第二相似阈值,则确定待检测图片中包含目标人物。具体地,当相似度集合中一组两个相似度都大于各自的阈值时,判定待检测图片包含的人物轮廓为学校食堂工人,否则判定为检测到目标人物,目标人物即为异常人物,可以为未正确穿着工装的食堂工作人员或者陌生人。第一相似阈值以及第二相似阈值为在某场景下的目标人物经过特征训练得到,均为经验常数,随着训练数据的更新而变化。作为示例而非限制,第一相似阈值以及第二相似阈值的计算方式如下:采集大量的标准集,分别计算某场景下的工人与其他场景下的工人的相似度,再计算该场景下陌生人与工人的相似度,分别得到两种相似度各自的取值范围,进行比较,可以将两种相似度范围的交集的中心作为相似度阈值。
一般而言,每帧待检测图片中可能包含数量较多,比如10个以上的人物轮廓图,通过对每帧待检测图片中的所有人物轮廓图对应的特征矩阵进行聚类,分别得到各聚类中心的特征矩阵n×N的特征矩阵Vc和m×N的特征矩阵Uc,然后再将各聚类中心的特征矩阵n×N的特征矩阵Vc和m×N的特征矩阵Uc与标准矩阵集中的元素进行相似度对比时,便于确定相似度vs和us各自的阈值,从而可以更精确地识别出目标人物。
可选地,本实施例中,在对人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类之前,还可以包括:对人物轮廓图集合中的人物轮廓图进行亮度归一化处理。进一步地,可以采用以下公式对人物轮廓图集合中的人物轮廓图进行亮度归一化处理:
其中,x为所述人物轮廓图中任一像素点的RGB通道中任一通道的坐标,max和min分别为x所在通道的最大值与最小值。
由于环境中的光线亮度实时变化造成相同颜色在成像时存才较大的色彩,比如白色在亮度较高的情况下图像为白色,在亮度较低的情况下图像为灰色。Max和min分别为每张人物轮廓图中RGB各通道的最大和最小颜色坐标,可以通过本领域技术人员熟知的方式得到,比如可以通过标记点的方式,此处不再赘述。本实施例通过对人物轮廓图进行亮度归一化处理,可以消除环境光线亮度对识别结果的影响,提高图像识别的准确性。并且,本实施的归一化方法简单、高效。
下面通过数值示例举例说明通过本发明实施例识别目标人物的准确性:
如图2、3所示,分别为提取出的陌生人(非食堂工人)以及穿着工装的食堂工人的人物轮廓图示意图,图2、图3所示的人物轮廓示意图均进行了归一化处理。本实施例中所采用的颜色分类器的颜色类别为{white,black,other},分别对应工服、围裙和其他颜色。向量集V和U分别包含6个元素。陌生人和食堂工人的特征矩阵分别如下表所示。采用本发明实施例图像处理方法计算得到相似度结果如下:
陌生人:[(0.546,0.501),(0.493,0.371),(0.493,0.311)],
学校食堂工人:[(0.967,0.977),(0.862,0.737),(0.862,0.733)],
第一、第二相似阈值(0.85,0.85),因此根据相似度计算结果与各自阈值的对比结果看出本发明实施例可以准确地识别出陌生人。
陌生人特征矩阵Vc
0.0 | 0.5 | 0.5 |
0.1 | 0.2 | 0.7 |
0.1 | 0.15 | 0.75 |
0.2 | 0.2 | 0.6 |
0.0 | 0.3 | 0.7 |
0.0 | 0.0 | 1.0 |
陌生人特征矩阵Uc
0.3 | 0.1 | 0.6 |
0.1 | 0.0 | 0.9 |
0.16 | 0.01 | 0.83 |
0.02 | 0.0 | 0.98 |
0.0 | 0.9 | 0.1 |
0.0 | 1.0 | 0.0 |
食堂工人特征矩阵Vc
食堂工人特征矩阵Uc
0.4 | 0.2 | 0.4 |
0.8 | 0.12 | 0.08 |
0.4 | 0.6 | 0.0 |
0.0 | 0.84 | 0.16 |
0.0 | 0.92 | 0.08 |
0.06 | 0.94 | 0.0 |
本发明实施例与现有技术相比,对人物轮廓区域进行颜色分类,并把人物轮廓区域进行分区得到人物轮廓图对应的颜色向量集V和向量集U,再将向量集V和向量集U分别转换成特征矩阵Vd和Vd,再对每帧待检测图片包含的所有人物轮廓图所对应的特征矩阵进行聚类得到各聚类中心的特征矩阵n×N的特征矩阵Vc和m×N的特征矩阵Uc,然后通过分别计算特征矩阵Vc和Uc与标准矩阵集Dv和Du中任一元素的相似度,从而根据相似度结果确定待检测图片中是否包含目标人物。因此,本发明实施例可通过对人物轮廓区域的颜色类别及其对应的位置区域的分析比较来确定是否存在衣着与食堂工人的标准着装不一致的人员进出食堂,不仅可显著提高食堂监管的实时性、安全性,而且可减轻监管人员的工作负担。
本发明实施例还提供一种图像处理装置400,该装置400可以配置于服务器,如图4所示,该装置400包括:
提取模块401,用于利用基于R-CNN训练出的目标检测模型从待检测图片中提取人物轮廓图,得到每帧待检测图片包含的人物轮廓图集合。
颜色分类模块402,用于对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类,得到所述人物轮廓区域内的像素点的颜色类别。
向量转换模块403,用于沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,得到所述n个子区域对应的向量集V,以及沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,得到所述m个子区域对应的向量集U;其中,所述向量集V的元素为由所述n个子区域中的每个子区域内的像素点分别组成的一维颜色向量;所述向量集U的元素为由所述m个子区域中的每个子区域内的像素点分别组成的一维颜色向量;n、m均为大于1的正整数。
特征矩阵转换模块404,用于将所述向量集V转换成n×k维的特征矩阵Vd,将所述向量集U转换成m×k维的特征矩阵Ud;其中,k为所述颜色类别的个数;
聚类模块405,用于对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心;每个聚类中心的特征矩阵分别为n×N的特征矩阵Vc和m×N的特征矩阵Uc。
相似度计算模块406,用于分别计算各聚类中心的特征矩阵Vc与标准矩阵集Dv中任一元素的相似度vs,以及特征矩阵Uc与标准矩阵集Du中任一元素的相似度us;
确定模块407,用于根据所述相似度计算结果vs和us确定所述待检测图片中是包含目标人物;其中,标准矩阵集Dv和Du用于表征参考人物特征。
可选地,聚类模块405可采用以下聚类目标函数得到各类的聚类中心:
其中,当聚类目标函数迭代到最小值时得到各类的聚类中心;各聚类中心的特征矩阵为Ni,每帧待检测图片包含的人物轮廓图所对应的每一特征矩阵Dj属于第i类的隶属度为uij,特征矩阵个数为w,dpm,npm分别为特征矩阵Dj,聚类中心矩阵N,第(p,m)位置的矩阵元素;
可选地,向量转换模块403用于沿x轴方向以等距离方式将人物轮廓区域分成n份以得到n个子区域,以及沿y轴方向以等距离方式将人物轮廓区域分成m份以得到m个子区域。
可选地,该装置400还可以包括:
去噪模块,用于在得到n个子区域对应的向量集V之前,沿x轴方向去除人物轮廓区域内的噪声像素点,以及在得到m个子区域对应的向量集U之前,沿y轴方向去除人物轮廓区域内的噪声像素点。
可选地,去噪模块具体用于按照像素点的x轴坐标取值以及颜色类别对人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与人物轮廓图y轴上的最大像素点个数的像素高度比值,将像素高度比值小于像素高度比值阈值的类中的像素点删去;以及按照像素点的y轴坐标取值以及所述颜色类别对所述人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与所述人物轮廓图x轴上的最大像素点个数的像素长度比值,将像素长度比值小于像素长度比值阈值的类中的像素点删去。
可选地,确定模块407用于若所述相似度vs小于第一相似阈值,且所述相似度us小于第二相似阈值,则确定所述待检测图片中包含所述目标人物。
可选地,特征矩阵转换模块404用于将所述向量集V内的每个向量vi按颜色占比组成新的向量vi=(pi1,…,pik),将所有的向量vi按下角标顺序组成一个n×k维的特征矩阵Vd;以及将所述向量集U内的每个向量ui按颜色占比组成新的向量ui=(qi1,…,qik),将所有的向量ui按下角标顺序组成一个m×k维的特征矩阵Ud。
可选地,该装置400还可以包括:
归一化模块,用于在对人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类之前,对人物轮廓图集合中的人物轮廓图进行亮度归一化处理。进一步地,归一化模块具体用于采用以下公式对人物轮廓图集合中的人物轮廓图进行亮度归一化处理:
其中,x为人物轮廓图中任一像素点的RGB通道中任一通道的坐标,max和min分别为x所在通道的最大值与最小值。
本发明实施例的图像处理装置与现有技术相比,对人物轮廓区域进行颜色分类,并把人物轮廓区域进行分区得到人物轮廓图对应的颜色向量集V和向量集U,再将向量集V和向量集U分别转换成特征矩阵Vd和Vd,再对每帧待检测图片包含的所有人物轮廓图所对应的特征矩阵进行聚类得到各聚类中心的特征矩阵n×N的特征矩阵Vc和m×N的特征矩阵Uc,然后通过分别计算特征矩阵Vc和Uc与标准矩阵集Dv和Du中任一元素的相似度,从而根据相似度结果确定待检测图片中是否包含目标人物。因此,本发明实施例可通过对人物轮廓区域的颜色类别及其对应的位置区域的分析比较来确定是否存在衣着与食堂工人的标准着装不一致的人员进出食堂,不仅可显著提高食堂监管的实时性、安全性,而且可减轻监管人员的工作负担。
本发明一实施例还提供一种计算机设备。如图5所示,该设备包括:存储器502、处理器501;
所述存储器502存储有可被所述至少一个处理器501执行的指令,所述指令被所述至少一个处理器501执行以实现前述实施方式所述的图像处理方法。
该计算机设备包括一个或多个处理器501以及存储器502,图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接,图5中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述图像处理方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
一个或者多个模块存储在存储器502中,当被一个或者多个处理器501执行时,执行上述任意方法实施方式中的图像处理方法。
本实施例的计算机设备,对人物轮廓区域进行颜色分类,并把人物轮廓区域进行分区得到人物轮廓图对应的颜色向量集V和向量集U,再将向量集V和向量集U分别转换成特征矩阵Vd和Vd,再对每帧待检测图片包含的所有人物轮廓图所对应的特征矩阵进行聚类得到各聚类中心的特征矩阵n×N的特征矩阵Vc和m×N的特征矩阵Uc,然后通过分别计算特征矩阵Vc和Uc与标准矩阵集Dv和Du中任一元素的相似度,从而根据相似度结果确定待检测图片中是否包含目标人物。因此,本发明实施例可通过对人物轮廓区域的颜色类别及其对应的位置区域的分析比较来确定是否存在衣着与食堂工人的标准着装不一致的人员进出食堂,不仅可显著提高食堂监管的实时性、安全性,而且可减轻监管人员的工作负担。
上述设备可执行本发明实施方式所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施方式中详尽描述的技术细节,可参见本发明实施方式所提供的方法。
本申请一实施例还提供一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
利用基于R-CNN训练出的目标检测模型从待检测图片中提取人物轮廓图,得到每帧待检测图片包含的人物轮廓图集合;
对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类,得到所述人物轮廓区域内的像素点的颜色类别;
沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,得到所述n个子区域对应的向量集V,以及沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,得到所述m个子区域对应的向量集U;其中,所述向量集V的元素为由所述n个子区域中的每个子区域内的像素点分别组成的一维颜色向量;所述向量集U的元素为由所述m个子区域中的每个子区域内的像素点分别组成的一维颜色向量;n、m均为大于1的正整数;
将所述向量集V转换成n×k维的特征矩阵Vd,将所述向量集U转换成m×k维的特征矩阵Ud;其中,k为所述颜色类别的个数;
对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心;每个聚类中心的特征矩阵分别为n×N的特征矩阵Vc和m×N的特征矩阵Uc;
分别计算各聚类中心的特征矩阵Vc与标准矩阵集Dv中任一元素的相似度vs,以及特征矩阵Uc与标准矩阵集Du中任一元素的相似度us,并根据相似度计算结果vs和us确定所述待检测图片中是包含目标人物;其中,标准矩阵集Dv和Du用于表征参考人物特征。
2.根据权利要求1所述的图像处理方法,其特征在于,采用以下聚类目标函数得到各类的聚类中心:
其中,当所述聚类目标函数迭代到最小值时得到各类的聚类中心;各所述聚类中心的特征矩阵为Ni,每帧待检测图片包含的人物轮廓图所对应的每一特征矩阵Dj属于第i类的隶属度为uij,特征矩阵个数为w,dpm,npm分别为特征矩阵Dj,聚类中心矩阵N,第(p,m)位置的矩阵元素;
3.根据权利要求1所述的图像处理方法,其特征在于,所述沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,包括:
沿所述x轴方向以等距离方式将所述人物轮廓区域分成n份以得到所述n个子区域;
所述沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,包括:
沿所述y轴方向以等距离方式将所述人物轮廓区域分成m份以得到所述m个子区域。
4.根据权利要求3所述的图像处理方法,其特征在于,在所述得到所述n个子区域对应的向量集V之前,还包括:
沿所述x轴方向去除所述人物轮廓区域内的噪声像素点;
在所述得到所述m个子区域对应的向量集U之前,还包括:
沿所述y轴方向去除所述人物轮廓区域内的噪声像素点。
5.根据权利要求4所述的图像处理方法,其特征在于,所述沿所述x轴方向去除所述人物轮廓区域内的噪声像素点,包括:
按照像素点的x轴坐标取值以及所述颜色类别对所述人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与所述人物轮廓图y轴上的最大像素点个数的像素高度比值,将像素高度比值小于像素高度比值阈值的类中的像素点删去;
所述沿所述y轴方向去除所述人物轮廓区域内的噪声像素点,包括:
按照像素点的y轴坐标取值以及所述颜色类别对所述人物轮廓区域内的像素点进行分类得到每类的像素点个数,得到每类的像素点个数与所述人物轮廓图x轴上的最大像素点个数的像素长度比值,将像素长度比值小于像素长度比值阈值的类中的像素点删去。
6.根据权利要求1所述的图像处理方法,其特征在于,根据所述相似度计算结果vs和us确定所述待检测图片中是否包含目标人物,包括:
若所述相似度vs小于第一相似阈值,且所述相似度us小于第二相似阈值,则确定所述待检测图片中包含所述目标人物。
7.根据权利要求1所述的图像处理方法,其特征在于,所述将所述向量集V转换成n×k维的特征矩阵Vd,包括:
将所述向量集V内的每个向量vi按颜色占比组成新的向量vi=(pi1,···,pik),将所有的向量vi按下角标顺序组成一个n×k维的特征矩阵Vd;
所述将所述向量集U转换成m×k维的特征矩阵Ud,包括:
将所述向量集U内的每个向量ui按颜色占比组成新的向量ui=(qi1,···,qik),将所有的向量ui按下角标顺序组成一个m×k维的特征矩阵Ud。
8.根据权利要求1所述的图像处理方法,其特征在于,在所述对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类之前,还包括:
采用以下公式对所述人物轮廓图集合中的人物轮廓图进行亮度归一化处理:
其中,x为所述人物轮廓图中任一像素点的RGB通道中任一通道的坐标,max和min分别为x所在通道的最大值与最小值。
9.一种图像处理装置,其特征在于,包括:
提取模块,用于利用基于R-CNN训练出的目标检测模型从待检测图片中提取人物轮廓图,得到每帧待检测图片包含的人物轮廓图集合;
颜色分类模块,用于对每个所述人物轮廓图中人物轮廓区域内的像素点的RGB坐标进行分类,得到所述人物轮廓区域内的像素点的颜色类别;
向量转换模块,用于沿所述人物轮廓图的空间坐标x轴方向将所述人物轮廓区域分为n个子区域,得到所述n个子区域对应的向量集V,以及沿所述人物轮廓图的空间坐标y轴方向将所述人物轮廓区域分为m个子区域,得到所述m个子区域对应的向量集U;其中,所述向量集V的元素为由所述n个子区域中的每个子区域内的像素点分别组成的一维颜色向量;所述向量集U的元素为由所述m个子区域中的每个子区域内的像素点分别组成的一维颜色向量;n、m均为大于1的正整数;
特征矩阵转换模块,用于将所述向量集V转换成n×k维的特征矩阵Vd,将所述向量集U转换成m×k维的特征矩阵Ud;其中,k为所述颜色类别的个数;
聚类模块,用于对每帧待检测图片包含的人物轮廓图所对应的所有特征矩阵进行聚类得到N个聚类中心;每个聚类中心的特征矩阵分别为n×N的特征矩阵Vc和m×N的特征矩阵Uc;
相似度计算模块,用于分别计算各聚类中心的特征矩阵Vc与标准矩阵集Dv中任一元素的相似度vs,以及特征矩阵Uc与标准矩阵集Du中任一元素的相似度us;
确定模块,用于根据相似度计算结果vs和us确定所述待检测图片中是包含目标人物;其中,标准矩阵集Dv和Du用于表征参考人物特征。
10.一种计算机设备,其特征在于,包括:存储器和处理器,存储器存储计算机程序,处理器运行所述计算机程序以实现如权利要求1至8中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421618.7A CN112464850B (zh) | 2020-12-08 | 2020-12-08 | 图像处理方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421618.7A CN112464850B (zh) | 2020-12-08 | 2020-12-08 | 图像处理方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464850A CN112464850A (zh) | 2021-03-09 |
CN112464850B true CN112464850B (zh) | 2024-02-09 |
Family
ID=74800790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011421618.7A Active CN112464850B (zh) | 2020-12-08 | 2020-12-08 | 图像处理方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464850B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807229A (zh) * | 2021-09-13 | 2021-12-17 | 深圳市巨龙创视科技有限公司 | 智慧教室非接触式考勤装置、方法、设备及存储介质 |
CN115047442A (zh) * | 2022-03-21 | 2022-09-13 | 珠海格力电器股份有限公司 | 点云数据的处理方法和装置、电子设备、存储介质 |
CN114998614B (zh) * | 2022-08-08 | 2023-01-24 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
CN117079058B (zh) * | 2023-10-11 | 2024-01-09 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011248702A (ja) * | 2010-05-28 | 2011-12-08 | Sharp Corp | 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体 |
CN110610453A (zh) * | 2019-09-02 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN110991465A (zh) * | 2019-11-15 | 2020-04-10 | 泰康保险集团股份有限公司 | 一种物体识别方法、装置、计算设备及存储介质 |
CN111709483A (zh) * | 2020-06-18 | 2020-09-25 | 山东财经大学 | 一种基于多特征的超像素聚类方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10496695B2 (en) * | 2016-06-06 | 2019-12-03 | Think-Cell Software Gmbh | Automated data extraction from scatter plot images |
-
2020
- 2020-12-08 CN CN202011421618.7A patent/CN112464850B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011248702A (ja) * | 2010-05-28 | 2011-12-08 | Sharp Corp | 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体 |
CN110610453A (zh) * | 2019-09-02 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN110991465A (zh) * | 2019-11-15 | 2020-04-10 | 泰康保险集团股份有限公司 | 一种物体识别方法、装置、计算设备及存储介质 |
CN111709483A (zh) * | 2020-06-18 | 2020-09-25 | 山东财经大学 | 一种基于多特征的超像素聚类方法及设备 |
Non-Patent Citations (2)
Title |
---|
An improved differential evolution and its application to determining feature weights in similarity based clustering;Chun-Ru Dong, et al;2013 International Conference on Machine Learning and Cybernetics;全文 * |
基于轮廓转角特征的物体分类识别算法研究;邓秋君;;现代计算机(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112464850A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464850B (zh) | 图像处理方法、装置、计算机设备及介质 | |
Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
CN104778481B (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
CN109145742B (zh) | 一种行人识别方法及*** | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN108288033B (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN104504366A (zh) | 基于光流特征的笑脸识别***及方法 | |
CN107330397A (zh) | 一种基于大间隔相对距离度量学习的行人重识别方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
Li et al. | Saliency based image segmentation | |
Seong et al. | Vision-based safety vest detection in a construction scene | |
Klare et al. | Background subtraction in varying illuminations using an ensemble based on an enlarged feature set | |
CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
Aradhya | Elegant and efficient algorithms for real time object detection, counting and classification for video surveillance applications from single fixed camera | |
CN113743199A (zh) | 工装穿戴检测方法、装置、计算机设备和存储介质 | |
Youlian et al. | Face detection method using template feature and skin color feature in rgb color space | |
CN110795995B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
Yang et al. | The system of detecting safety helmets based on YOLOv5 | |
CN115830641B (zh) | 一种员工识别方法、装置、电子设备及存储介质 | |
CN112101293A (zh) | 人脸表情的识别方法、装置、设备及存储介质 | |
Vijayarani et al. | Comparative analysis of facial image feature extraction algorithms | |
Yi et al. | Face detection method based on skin color segmentation and facial component localization | |
Anchit et al. | Comparative analysis of Haar and Skin color method for face detection |
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 | ||
CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523106 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: 523106 Room 401, building 6, No.5 Weifeng Road, Dongcheng Street, Dongguan City, Guangdong Province Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |