CN113486918A - 基于动态调整特征向量分布趋势的图像识别方法及其设备 - Google Patents
基于动态调整特征向量分布趋势的图像识别方法及其设备 Download PDFInfo
- Publication number
- CN113486918A CN113486918A CN202110547938.5A CN202110547938A CN113486918A CN 113486918 A CN113486918 A CN 113486918A CN 202110547938 A CN202110547938 A CN 202110547938A CN 113486918 A CN113486918 A CN 113486918A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- image feature
- sub
- sample
- image
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 333
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006870 function Effects 0.000 claims description 74
- 238000005315 distribution function Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical 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
- G06F18/22—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
- G06F18/21—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于动态调整特征向量分布趋势的图像识别方法及其设备。该方法包括:获取待识别图像特征向量样本和原始图像特征向量样本,原始图像特征向量样本包括子图像特征向量样本;根据子图像特征向量样本的分布趋势对子图像特征向量样本进行拉伸处理,得到拉伸函数;将待识别图像特征向量样本与原始图像特征向量样本输入拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本;计算拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量,目标图像特征向量与拉伸后的待识别图像特征向量样本之间的相似度大于等于第二预设相似度。本申请提高了识别结果的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种基于动态调整特征向量分布趋势的图像识别方法及其设备。
背景技术
图像识别是图像处理技术领域最为基础的一类问题。现有技术中主要采用基于网络模型的图像识别方法,具体为将待识别图像输入网络模型中得到待识别图像的识别结果。但存在上述待识别图像的识别结果受限于网络模型中特征数据的大小、离散度等,导致待识别图像的识别结果之间存在高度聚合性,无法明显区分出待识别图像的识别结果,进而使得识别结果准确性低。
发明内容
本申请提供了一种基于动态调整特征向量分布趋势的图像识别方法及其设备。
为解决上述技术问题,本申请提供了一种基于动态调整特征向量分布趋势的图像识别方法,所述方法包括:
获取待识别图像特征向量样本和原始图像特征向量样本,所述原始图像特征向量样本包括子图像特征向量样本,其中,所述子图像特征向量样本与所述待识别图像特征向量样本之间的相似度大于等于第一预设相似度;
根据所述子图像特征向量样本的分布趋势对所述子图像特征向量样本进行拉伸处理,得到拉伸函数;
将所述待识别图像特征向量样本与所述原始图像特征向量样本输入所述拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本;
计算所述拉伸后的待识别图像特征向量样本和所述拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量,所述目标图像特征向量与所述拉伸后的待识别图像特征向量样本之间的相似度大于等于第二预设相似度。
为解决上述技术问题,本申请提供了一种图像识别装置,所述图像识别装置包括:
获取单元,用于获取待识别图像特征向量样本和原始图像特征向量样本,所述原始图像特征向量样本包括子图像特征向量样本,其中,所述子图像特征向量样本与所述待识别图像特征向量样本之间的相似度大于等于第一预设相似度;
拉伸单元,用于根据所述子图像特征向量样本的分布趋势对所述子图像特征向量样本进行拉伸处理,得到拉伸函数;
第一计算单元,用于将所述待识别图像特征向量样本与所述原始图像特征向量样本输入所述拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本;
第二计算单元,用于计算所述拉伸后的待识别图像特征向量样本和所述拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量,所述目标图像特征向量与所述拉伸后的待识别图像特征向量样本之间的相似度大于等于第二预设相似度。
为解决上述技术问题,本申请提供了一种终端设备,所述设备包括存储器以及与所述存储器耦接的处理器;
所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的基于动态调整特征向量分布趋势的图像识别方法。
为解决上述技术问题,本申请还提供了一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如上述的基于动态调整特征向量分布趋势的图像识别方法。
本申请提供的基于动态调整特征向量分布趋势的图像识别方法利用现有技术中得到的识别结果,即子图像特征向量样本,对子图像特征向量样本的分布趋势进行分析,从而拉伸子图像特征向量样本,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本,并利用拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度确定待识别图像的识别结果,即目标图像特征向量所对应的图像,实现了提高待识别图像识别结果的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。其中:
图1是本申请提供的基于动态调整特征向量分布趋势的图像识别方法一实施例的流程示意图;
图2是现有技术中待识别图像识别结果的效果示意图;
图3是图1所示的基于动态调整特征向量分布趋势的图像识别方法中图像特征向量样本拉伸前后的效果示意图;
图4是图1所示的基于动态调整特征向量分布趋势的图像识别方法中S102一实施例的流程示意图;
图5是图4所示的基于动态调整特征向量分布趋势的图像识别方法中S201一实施例的流程示意图;
图6是图5所示的基于动态调整特征向量分布趋势的图像识别方法中S301一实施例的流程示意图;
图7是本申请提供的图像识别装置一实施例的结构示意图;
图8是本申请提供的终端设备一实施例的结构示意图;
图9是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请提出了一种基于动态调整特征向量分布趋势的图像识别方法,具体请参阅图1,图1是本申请提供的基于动态调整特征向量分布趋势的图像识别方法一实施例的流程示意图。本实施例中基于动态调整特征向量分布趋势的图像识别方法可以应用于图像识别装置,本申请的图像识别装置可以为服务器,也可以为移动设备,还可以为由服务器和移动设备相互配合的***。相应地,移动设备包括的各个部分,例如各个单元、子单元、模块、子模块可以全部设置于服务器中,也可以全部设置于移动设备中,还可以分别设置于服务器和移动设备中。
进一步地,上述服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,例如用来提供分布式服务器的软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
本实施例的基于动态调整特征向量分布趋势的图像识别方法具体包括以下步骤:
S101:获取待识别图像特征向量样本和原始图像特征向量样本,原始图像特征向量样本包括子图像特征向量样本。
可参阅图2,图2是现有技术中待识别图像识别结果的效果示意图。由图2可知,现有技术中输出的待识别图像的识别结果具有高度聚合性,无法明显区分出各个识别结果。进一步地,本公开实施例中,考虑到上述问题的出现完全取决于特征数据的大小、离散度等因素。为此,本实施例的图像识别装置利用基于现有技术得到的识别结果进一步提高待识别图像的识别结果准确性。
具体地,图像识别装置获取待识别图像特征向量样本和原始图像特征向量样本。其中,图像识别装置可通过获取待识别图像及原始图像库,并对原始图像库及待识别图像进行特征提取,以得到待识别图像特征向量样本和原始图像特征向量样本。
进一步地,由于本实施例的图像识别装置基于区分度较差的识别结果的分布趋势拉伸各个特征向量,以提高识别结果区分度。因此,图像识别装置获取待识别图像特征向量样本和原始图像特征向量样本时,计算待识别图像特征向量样本和原始图像特征向量样本之间的相似度,将相似度排名在预设名次前的图像特征向量样本作为子图像特征向量样本。当然,图像识别装置也可将相似度大于等于第一预设相似度的图像特征向量样本作为子图像特征向量样本。
在其他实施例中,图像识别装置可通过将待识别图像及原始图像库输入网络模型中,得到子图像特征向量样本。
S102:根据子图像特征向量样本的分布趋势对子图像特征向量样本进行拉伸处理,得到拉伸函数。
考虑到导致识别结果区分度较低的原因是特征向量之间相差不明显。为此,本实施例的图像识别装置对相差不明显的特征向量进行拉伸处理。具体地,图像识别装置根据子图像特征向量样本的分布趋势对子图像特征向量样本进行拉伸处理,得到拉伸函数。
需要说明的是,拉伸函数为将图像特征向量样本拉伸为理想状态所需使用的函数。其中,理想状态下可明显区分子图像特征向量样本。具体可参阅图3,图3中虚线表示图像特征向量样本拉伸后的理想状态曲线,实线表示子图像特征向量样本的分布趋势曲线。
S103:将待识别图像特征向量样本与原始图像特征向量样本输入拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本。
为了提高待识别图像识别结果的准确性,即可明显区分性,本实施例的图像识别装置利用拉伸函数拉伸待识别图像特征向量样本与原始图像特征向量样本。具体地,图像识别装置将待识别图像特征向量样本与原始图像特征向量样本输入拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本。
S104:计算拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量。
考虑到拉伸后的图像特征向量区分性明显且分布均匀,由此,本实施例的图像识别装置利用拉伸后的图像特征向量样本的相似度确定待识别图像的识别结果,提高了识别结果的准确性及可区分性。
具体地,图像识别装置计算拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度,并判断拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度是否大于等于第二预设相似度。进而将相似度大于等于第二预设相似度的图像特征向量作为目标图像特征向量。其中,目标图像特征向量对应的图像即为待识别图像的识别结果。
在其他实施例中,图像识别装置也可将相似度排名在预设名次前的图像特征向量作为目标图像特征向量,即目标图像特征向量对应的图像为待识别图像的识别结果。本实施例对此不作限定。
上述方案中,图像识别装置基于现有技术得到的识别结果,即子图像特征向量样本,对子图像特征向量样本的分布趋势进行分析,从而拉伸子图像特征向量样本,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本,并利用拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度确定待识别图像的识别结果,即目标图像特征向量所对应的图像,实现了提高待识别图像识别结果的准确性,即待识别图像识别结果的明显可区分性。
可继续参阅图4,图4是图1所示的基于动态调整特征向量分布趋势的图像识别方法中S102一实施例的流程示意图。具体而言,S102还包括以下步骤:
S201:对子图像特征向量样本进行分布趋势分析,得到特征向量数量分布函数。
由于子图像特征向量样本的分布趋势上图像特征向量数量分布影响图像识别装置对子图像特征向量样本分布趋势的拉伸。为此,本实施例的图像识别装置考虑子图像特征向量样本分布趋势上的数量分布。具体地,图像识别装置通过对子图像特征向量样本进行分布趋势分析,得到特征向量数量分布函数。
可选地,本实施例可采用图5实施例实现S201,具体包括S301至S302:
S301:对子图像特征向量样本进行分布趋势分析,得到特征向量分布趋势函数。
其中,图像识别装置对子图像特征向量样本进行分布趋势分析,得到特征向量分布趋势函数。
具体地,图像识别装置可利用预设特征向量分布趋势函数对子图像特征向量样本进行处理,以得到子特征向量分布趋势函数。其中,预设特征向量分布趋势函数记为f(x)=ax+b。
进一步地,图像识别装置可获取预设特征向量分布趋势函数,将子图像特征向量样本输入预设特征向量分布趋势函数中,得到子图像特征向量样本在预设特征向量分布趋势函数中的预设值。并利用子图像特征向量样本构建内聚关系模型,以在内聚关系模型中获取子图像特征向量样本的实际值,从而计算预设值与实际值之间的差值平方和。图像识别装置将最小差值平方和对应的预设特征向量分布趋势函数作为子特征向量分布趋势函数。
在具体实施例中,最小差值平方和满足下式:
其中,为子图像特征向量样本在预设特征向量分布趋势函数中的预设值与子图像特征向量样本的实际值之间的差值平方和,yi为子图像特征向量样本的实际值,f(xi)为子图像特征向量样本在预设特征向量分布趋势函数中的预设值。
在具体实施例中,由于子图像特征向量样本在预设特征向量分布趋势函数中的预设值与子图像特征向量样本的实际值之间的差值平方和受a,b影响,根据多元微分知识可知,在为最小值时对应的预设特征向量分布趋势函数即为子特征向量分布趋势函数。
S302:基于特征向量分布趋势函数,得到特征向量数量分布函数。
基于S301中获取的特征向量分布趋势函数,图像识别装置对特征向量分布趋势函数对应的趋势曲线进行数量统计处理,得到特征向量数量分布函数。其中,特征向量数量分布函数记为g(x)=cx+d。
S202:利用特征向量数量分布函数以及预设目标函数计算拉伸函数。
其中,图像识别装置利用特征向量数量分布函数以及预设目标函数计算拉伸函数。
具体地,若记预设目标目标函数为h(x)=px+q,特征向量数量分布函数为g(x)=cx+d,那么,拉伸函数w(x)=px/c+(q-d)/c。
上述方案中,图像识别装置对子图像特征向量样本进行分布趋势分析,得到特征向量分布趋势函数;基于特征向量分布趋势函数,得到特征向量数量分布函数;利用特征向量数量分布函数以及预设目标函数计算拉伸函数,考虑了子图像特征向量样本的分布趋势及数量分布对拉伸的影响,提高了待识别图像识别结果的准确性。
可继续参阅图6,图6是图5所示的基于动态调整特征向量分布趋势的图像识别方法中S301一实施例的流程示意图。具体而言,S301还包括以下步骤:
S401:对子图像特征向量样本进行分布趋势分析,得到子特征向量分布趋势函数,并获取子图像特征向量样本的第一类中心。
由于特征向量分布趋势函数的获取存在不确定性,图像识别装置需通过子图像特征向量样本的类中心和添加新图像特征向量样本后的原始图像特征向量样本的类中心之间的相似度确定最终的特征向量分布趋势函数。因此,图像识别装置需对子图像特征向量样本进行分布趋势分析,得到子特征向量分布趋势函数。
进一步地,为了确定子特征向量分布趋势函数是否为最终的特征向量分布趋势函数,图像识别装置需获取子图像特征向量样本的第一类中心,记为e(xi)。
需要说明的是,本实施例中图像识别装置对子图像特征向量样本进行分布趋势分析,得到子特征向量分布趋势函数的方式可参阅上述实施例的S301,在此不进行重复赘述。
S402:添加新图像特征向量样本至原始图像特征向量样本中,并获取添加新图像特征向量样本后的原始图像特征向量样本的第二类中心。
为了确定S401中获取的子特征向量分布趋势函数是否为最终的特征向量分布趋势函数,图像识别装置添加新图像特征向量样本至原始图像特征向量样本中,并获取添加新图像特征向量样本至原始图像特征向量样本的第二类中心,从而计算添加新图像特征向量样本后的原始图像特征向量样本的第二类中心和第一类中心之间的相似度。其中,第二类中心记为e(xj)。
S403:判断第一类中心与第二类中心之间的相似度是否大于等于第三预设相似度。
其中,图像识别装置判断第一类中心和第二类中心之间的相似度是否大于等于第三预设相似度,若是,则执行S404。若否,图像识别装置重新计算子特征向量分布趋势函数及基于子特征向量分布趋势函数得到的子特征向量数量分布函数。
S404:响应于相似度大于第三预设相似度,将子特征向量数量分布函数作为特征向量数量分布函数。
其中,图像识别装置确定第一类中心和第二类中心之间的相似度大于等于第三预设相似度的情况下,子特征向量数量分布函数即为最终的特征向量数量分布函数
上述方案中,图像识别装置利用子图像特征向量样本的第一类中心和添加新图像特征向量样本后的原始图像特征向量样本的第二类中心之间的相似度确定最终的特征向量分布趋势函数,以使图像识别装置利用基于特征向量分布趋势函数得到的特征向量数量分布函数及预设目标函数计算拉伸函数,提高了识别结果的准确性。
为实现上述实施例的基于动态调整特征向量分布趋势的图像识别方法,本申请提出了一种图像识别装置,具体请参阅图7,图7是本申请提供的图像识别装置一实施例的结构示意图。
图像识别装置700包括获取单元71、拉伸单元72、第一计算单元73和第二计算单元74。
具体地,获取单元71,用于获取待识别图像特征向量样本和原始图像特征向量样本,原始图像特征向量样本包括子图像特征向量样本,其中,子图像特征向量样本与待识别图像特征向量样本之间的相似度大于等于第一预设相似度。
拉伸单元72,用于根据子图像特征向量样本的分布趋势对子图像特征向量样本进行拉伸处理,得到拉伸函数。
第一计算单元73,用于将待识别图像特征向量样本与原始图像特征向量样本输入拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本。
第二计算单元74,用于计算拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量,目标图像特征向量与拉伸后的待识别图像特征向量样本之间的相似度大于等于第二预设相似度。
为实现上述实施例的基于动态调整特征向量分布趋势的图像识别方法,本申请提出了一种终端设备,具体请参阅图8,图8是本申请提供的终端设备一实施例的结构示意图。
终端设备800包括存储器81和处理器82,其中,存储器81和处理器82耦接。
存储器81用于存储程序数据,处理器82用于执行程序数据以实现上述实施例的基于动态调整特征向量分布趋势的图像识别方法。
在本实施例中,处理器82还可以称为CPU(Central Processing Unit,中央处理单元)。处理器82可能是一种集成电路芯片,具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器82也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质900,如图9所示,计算机存储介质900用于存储程序数据91,程序数据91在被处理器执行时,用以实现如本申请方法实施例中所述的基于动态调整特征向量分布趋势的图像识别方法。
本申请基于动态调整特征向量分布趋势的图像识别方法实施例中所涉及到的方法,在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时,可以存储在装置中,例如一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式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-Only Memory)、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。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于动态调整特征向量分布趋势的图像识别方法,其特征在于,所述方法包括:
获取待识别图像特征向量样本和原始图像特征向量样本,所述原始图像特征向量样本包括子图像特征向量样本,其中,所述子图像特征向量样本与所述待识别图像特征向量样本之间的相似度大于等于第一预设相似度;
根据所述子图像特征向量样本的分布趋势对所述子图像特征向量样本进行拉伸处理,得到拉伸函数;
将所述待识别图像特征向量样本与所述原始图像特征向量样本输入所述拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本;
计算所述拉伸后的待识别图像特征向量样本和所述拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量,所述目标图像特征向量与所述拉伸后的待识别图像特征向量样本之间的相似度大于等于第二预设相似度。
2.根据权利要求1所述的图像识别方法,其特征在于,所述根据所述子图像特征向量样本的分布趋势对所述子图像特征向量样本进行拉伸处理,得到拉伸函数的步骤,包括:
对所述子图像特征向量样本进行分布趋势分析,得到特征向量数量分布函数;
利用所述特征向量数量分布函数以及预设目标函数计算拉伸函数。
3.根据权利要求2所述的图像识别方法,其特征在于,所述对所述子图像特征向量样本进行分布趋势分析,得到特征向量数量分布函数的步骤,包括:
对所述子图像特征向量样本进行分布趋势分析,得到特征向量分布趋势函数;
基于所述特征向量分布趋势函数,得到特征向量数量分布函数。
4.根据权利要求3所述的图像识别方法,其特征在于,所述对所述子图像特征向量样本进行分布趋势分析,得到特征向量分布趋势函数的步骤,包括:
对所述子图像特征向量样本进行分布趋势分析,得到子特征向量分布趋势函数,并获取所述子图像特征向量样本的第一类中心;
添加新图像特征向量样本至所述原始图像特征向量样本中,并获取添加所述新图像特征向量样本后的原始图像特征向量样本的第二类中心;
判断所述第一类中心与所述第二类中心之间的相似度是否大于等于第三预设相似度;
响应于所述相似度大于所述第三预设相似度,将所述子特征向量数量分布函数作为特征向量数量分布函数。
5.根据权利要求4所述的图像识别方法,其特征在于,所述对所述子图像特征向量样本进行分布趋势分析,得到子特征向量分布趋势函数的步骤,包括:
获取预设特征向量分布趋势函数;
将所述子图像特征向量样本输入所述预设特征向量分布趋势函数中,得到所述子图像特征向量样本在所述预设特征向量分布趋势函数中的预设值;
计算所述预设值与所述子图像特征向量样本的实际值之间的差值平方和;
将所述最小差值平方和对应的预设特征向量分布趋势函数作为子特征向量分布趋势函数。
6.根据权利要求1所述的图像识别方法,其特征在于,所述获取待识别图像特征向量样本和原始图像特征向量样本,其中,所述子图像特征向量样本与所述待识别图像特征向量样本之间的相似度大于等于第一预设相似度的步骤,包括:
获取待识别图像样本,所述待识别图像样本包括待识别图像特征向量;
计算所述待识别图像特征向量样本和原始图像特征向量样本之间的相似度;
将所述原始图像特征向量样本中相似度大于等于第一预设相似度的图像特征向量作为子图像特征向量样本。
7.根据权利要求5所述的图像识别方法,其特征在于,所述计算所述预设值与所述子图像特征向量样本的实际值之间的差值平方和的步骤之前,包括:
利用所述子图像特征向量样本构建内聚关系模型;
获取所述内聚关系模型中所述子图像特征向量样本的实际值。
8.一种图像识别装置,其特征在于,所述图像识别装置包括:
获取单元,用于获取待识别图像特征向量样本和原始图像特征向量样本,所述原始图像特征向量样本包括子图像特征向量样本,其中,所述子图像特征向量样本与所述待识别图像特征向量样本之间的相似度大于等于第一预设相似度;
拉伸单元,用于根据所述子图像特征向量样本的分布趋势对所述子图像特征向量样本进行拉伸处理,得到拉伸函数;
第一计算单元,用于将所述待识别图像特征向量样本与所述原始图像特征向量样本输入所述拉伸函数中,得到拉伸后的待识别图像特征向量样本和拉伸后的原始图像特征向量样本;
第二计算单元,用于计算所述拉伸后的待识别图像特征向量样本和所述拉伸后的原始图像特征向量样本之间的相似度,得到目标图像特征向量,所述目标图像特征向量与所述拉伸后的待识别图像特征向量样本之间的相似度大于等于第二预设相似度。
9.一种终端设备,其特征在于,所述设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~7任一项所述的基于动态调整特征向量分布趋势的图像识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如权利要求1~7任一项所述的基于动态调整特征向量分布趋势的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547938.5A CN113486918B (zh) | 2021-05-19 | 2021-05-19 | 基于动态调整特征向量分布趋势的图像识别方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547938.5A CN113486918B (zh) | 2021-05-19 | 2021-05-19 | 基于动态调整特征向量分布趋势的图像识别方法及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486918A true CN113486918A (zh) | 2021-10-08 |
CN113486918B CN113486918B (zh) | 2024-06-11 |
Family
ID=77932917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547938.5A Active CN113486918B (zh) | 2021-05-19 | 2021-05-19 | 基于动态调整特征向量分布趋势的图像识别方法及其设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486918B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030161504A1 (en) * | 2002-02-27 | 2003-08-28 | Nec Corporation | Image recognition system and recognition method thereof, and program |
CN104268524A (zh) * | 2014-09-24 | 2015-01-07 | 朱毅 | 一种基于动态调整训练目标的卷积神经网络的图像识别方法 |
CN108241645A (zh) * | 2016-12-23 | 2018-07-03 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置 |
CN108805862A (zh) * | 2018-05-02 | 2018-11-13 | 南京大学 | 一种基于改进结构相似度的标签鉴别方法 |
CN112132113A (zh) * | 2020-10-20 | 2020-12-25 | 北京百度网讯科技有限公司 | 车辆再识别的方法、装置、训练方法以及电子设备 |
-
2021
- 2021-05-19 CN CN202110547938.5A patent/CN113486918B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030161504A1 (en) * | 2002-02-27 | 2003-08-28 | Nec Corporation | Image recognition system and recognition method thereof, and program |
CN104268524A (zh) * | 2014-09-24 | 2015-01-07 | 朱毅 | 一种基于动态调整训练目标的卷积神经网络的图像识别方法 |
CN108241645A (zh) * | 2016-12-23 | 2018-07-03 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置 |
CN108805862A (zh) * | 2018-05-02 | 2018-11-13 | 南京大学 | 一种基于改进结构相似度的标签鉴别方法 |
CN112132113A (zh) * | 2020-10-20 | 2020-12-25 | 北京百度网讯科技有限公司 | 车辆再识别的方法、装置、训练方法以及电子设备 |
Non-Patent Citations (1)
Title |
---|
郑德忠;崔法毅;: "基于小波变换与小域特征模糊融合的人脸识别", 光学技术, no. 06, pages 45 - 60 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486918B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
US11055570B2 (en) | Image processing method and apparatus for implementing image recognition, and electronic device | |
US11302108B2 (en) | Rotation and scaling for optical character recognition using end-to-end deep learning | |
US11941087B2 (en) | Unbalanced sample data preprocessing method and device, and computer device | |
US10769784B2 (en) | Image analyzing method and electrical device | |
US9734434B2 (en) | Feature interpolation | |
EP4343616A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
US10482351B2 (en) | Feature transformation device, recognition device, feature transformation method and computer readable recording medium | |
CN113782093B (zh) | 一种基因表达填充数据的获取方法及装置、存储介质 | |
WO2024114312A1 (zh) | 对象匹配方法、装置、设备、***、介质及程序产品 | |
CN113240042A (zh) | 图像分类预处理、图像分类方法、装置、设备及存储介质 | |
CN113657249A (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN113486918A (zh) | 基于动态调整特征向量分布趋势的图像识别方法及其设备 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN114972775A (zh) | 特征处理方法、装置、产品、介质及设备 | |
US20220318950A1 (en) | Video enhancement method and apparatus, and electronic device and storage medium | |
WO2023047164A1 (en) | Object sequence recognition method, network training method, apparatuses, device, and medium | |
CN105354579B (zh) | 一种特征检测的方法和装置 | |
CN115761833B (zh) | 人脸识别方法、电子设备及介质 | |
TWI696148B (zh) | 影像分析方法、電子裝置與電腦程式產品 | |
CN116051819A (zh) | 旋转目标检测方法及装置 | |
CN116310592A (zh) | 图像识别方法、训练方法、装置、电子设备以及存储介质 | |
CN114841285A (zh) | 数据聚类方法及装置、电子设备、存储介质 | |
CN114863220A (zh) | 图像处理方法、模型训练方法和相关产品 | |
CN113658093A (zh) | 图像质量评估方法、装置、设备及计算机存储介质 |
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 |