图像识别方法及装置
文献发布时间:2023-06-19 09:27:35
技术领域
本申请属于图像处理技术领域,具体涉及一种图像识别方法及装置。
背景技术
随着电子设备的发展,电子设备具有了专业图像处理功能,比如,高动态范围成像(High-Dynamic Range,HDR)、多帧降噪和超分辨成像等。这些专业图像处理功能可以对电子设备采集到的多帧图像进行合成。当拍摄场景中存在大量的高光、轻微运动且纹理精细的物体(比如,高光树叶)时,图像合成后会产生大片的模糊(类似于物体“烧焦”或“发糊”的样子)。因此,在图像合成时,需要剔除这些物体的运动区域。在剔除这些物体的运动之前,首先需要识别出这些物体的运动区域。
相关技术中主要采用混合高斯背景建模法识别这些物体的运动区域。
但是,在实现本申请过程中,发明人发现相关技术中至少存在如下问题:混合高斯背景建模法的混合高斯模型较为复杂,需要大量的图像和多次迭代才能完成建模,采用混合高斯背景建模法识别这些物体的运动区域,识别效率较低。
发明内容
本申请实施例的目的是提供一种图像识别方法及装置,能够解决运动区域识别效率低的问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种图像识别方法,包括:
获取目标图像序列,其中,目标图像序列包括多帧图像;
确定目标图像序列中的至少一个运动区域;
针对每个运动区域,确定运动区域的边缘密度(Edge density,ED)特征量和边缘梯度方向(Edge gradient direction,EGD)特征量;
在边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域。
第二方面,本申请实施例提供了一种图像识别装置,包括:
获取模块,用于获取目标图像序列,其中,目标图像序列包括多帧图像;
第一确定模块,用于确定目标图像序列中的至少一个运动区域;
第二确定模块,用于针对每个运动区域,确定运动区域的边缘密度特征量和边缘梯度方向特征量;
第三确定模块,用于在边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法的步骤。
在本申请实施例中,在确定出运动对象在所述目标图像序列中的运动区域后,确定运动区域的边缘密度特征量和边缘梯度方向特征量。如此,在确定边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域,即完成了对该运动区域的识别。相比于相关技术,本申请实施例无需建立混合高斯模型,通过运动区域的边缘密度特征量和边缘梯度方向特征量,即可识别运动区域,计算量小,识别速度快,因此,能够提高运动区域识别效率。
附图说明
图1是本申请实施例提供的一种图像识别方法的流程示意图;
图2是运动区域的外接矩形区域的第一种示意图;
图3是运动区域的外接矩形区域的第二种示意图;
图4是本申请实施例提供的运动区域的外接矩形区域的示意图;
图5是运动区域的面积分别与边缘密度特征量和边缘梯度方向特征量的对应关系示意图。
图6是本申请实施例提供的图像识别过程中的数据变化示意图;
图7是本申请实施例提供的一种图像识别装置的结构示意图;
图8是本申请实施例提供的一种电子设备的示意图;
图9是实现本申请实施例的一种电子设备的硬件结构示意图。
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,所描述的实施例是本申请一部分实施例,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作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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的图像识别方法及装置进行详细地说明。
图1是本申请实施例提供的一种图像识别方法的流程示意图。图像识别方法可以包括:
S101:获取目标图像序列。
其中,目标图像序列包括多帧图像。
S102:确定目标图像序列中的至少一个运动区域。
S103:针对每个运动区域,确定运动区域的边缘密度特征量和边缘梯度方向特征量。
S104:在边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域。
上述各步骤的具体实现方式将在下文中进行详细描述。
在本申请实施例中,在确定出运动对象在所述目标图像序列中的运动区域后,确定运动区域的边缘密度特征量和边缘梯度方向特征量。如此,在确定边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域,即完成了对该运动区域的识别。相比于相关技术,本申请实施例无需建立混合高斯模型,通过运动区域的边缘密度特征量和边缘梯度方向特征量,即可识别运动区域,计算量小,识别速度快,因此,能够提高运动区域识别效率。
在本申请实施例的一些可能实现中,S101中的多帧图像可以为利用图像采集设备针对某一场景连续采集到的多张图像。比如,利用手机连拍得到的多张图像。
在本申请实施例的一些可能实现中,在S102中,可以对S101获取到的多帧图像进行运动检测,得到目标图像序列中的至少一个感兴趣区域(region of interest,ROI)。
在本申请实施例中的一些可能实现中,可以将上述至少一个ROI中的每个ROI作为一个运动区域。
在本申请实施例中的一些可能实现中,还可以将上述至少一个ROI中的每个ROI进行分块,将每块ROI作为一个运动区域。
本申请实施例并不对多帧图像进行运动检测的所采用的方式进行限定,任何可用的运动检测方式均可以应用于本申请实施例中,比如:图像全局对齐、灰度值双向映射、多帧灰度差分和自适应形态学滤波等等。
在本申请实施例的一些可能实现中,S103可以包括:确定运动区域对应的外接矩形区域;根据运动区域在第一方向上的第一梯度、运动区域在第二方向上的第二梯度、运动区域在第一方向上的第一偏移量和运动区域在第二方向上的第二偏移量,确定运动区域对应的结构张量(structure tensor,ST)矩阵,其中,第一方向与第二方向垂直;以外接矩形区域的中心点坐标和第一距离为结构张量矩阵的参数,对结构张量矩阵进行奇异值分解,得到结构张量矩阵对应的第一特征向量和第二特征向量;其中,第一距离为中心点到外接矩形区域的顶点的距离;根据第一特征向量和第二特征向量,确定边缘密度特征量和边缘梯度方向特征量。
图2是运动区域的外接矩形区域的第一种示意图;图3是运动区域的外接矩形区域的第二种示意图。可以理解的是,以不同方向为外接矩形边的方向,得到的运动区域的外接矩形也不相同。
在本申请实施例的一些可能实现中,在确定运动区域对应的外接矩形区域时,可以以水平X方向和垂直Y方向为坐标轴,确定运动区域对应的外接矩形区域。在以水平X方向和垂直Y方向为坐标轴,确定运动区域对应的外接矩形区域时,取运动区域的X轴最大坐标、X轴最小坐标、Y轴最大坐标和Y轴最小坐标,分别基于上述的四个坐标分别确定外接矩形的边界,将四个边界围成的区域确定为本申请实施例的运动区域对应的外接矩形区域。图4是本申请实施例提供的运动区域的外接矩形区域的示意图。
在本申请实施例的一些可能实现中,本申请实施例的第一方向可以为上述X轴的正方向,第二方向可以为Y轴的正方向。
在本申请实施例的一些可能实现中,在根据运动区域在第一方向上的第一梯度、运动区域在第二方向上的第二梯度、运动区域在第一方向上的第一偏移量和运动区域在第二方向上的第二偏移量,确定运动区域对应的ST矩阵时,可以设运动区域上的某一点P在以X轴和Y轴为坐标轴的坐标系中的坐标为(Px,Py),运动区域在上述第一方向和第二方向上的梯度分别为Ix和Iy,运动区域在上述第一方向和第二方向上的偏移量分别为m和n,则Ix为第一梯度,Iy为第二梯度,m为第一偏移量,n为第二偏移量。
运动区域上的P点对应的ST矩阵公式为:
其中,上述ST矩阵中r为ST矩阵对应的窗口的半径。
在本申请实施例中,在以外接矩形区域的中心点坐标和第一距离为结构张量矩阵的参数,对结构张量矩阵进行奇异值分解,得到结构张量矩阵对应的第一特征值和第二特征值时,可以将上述ST矩阵公式中的Px赋值为上述外接矩形区域的中心点的X轴坐标,将上述ST矩阵公式中的Py赋值为上述外接矩形区域的中心点的Y轴坐标,将上述ST矩阵公式中的r赋值为上述外接矩形区域的中心点到外接矩形区域的顶点的距离,得到新的ST矩阵。
将新的ST矩阵进行奇异值分解,得到两个特征向量。在本申请实施例的一些可能实现中,将两个特征向量中较大的特征向量作为第一特征向量,将两个特征向量中较小的特征向量作为第二特征向量。
其中,奇异值分解(Singular Value Decomposition,SVD)是矩阵分解中的一种。通过对矩阵进行奇异值分解,能够得到该矩阵对应的特征向量。
进而根据第一特征向量和第二特征向量,确定边缘密度特征量和边缘梯度方向特征量。
在本申请实施例的一些可能实现中,根据第一特征向量和第二特征向量,确定边缘密度特征量和边缘梯度方向特征量,可以包括:将第一特征向量和第二特征向量之和,确定为边缘密度特征量;将第一差值与边缘密度特征量的商,确定为边缘梯度方向特征量;其中,第一差值为第一特征向量与第二特征向量之差,第一特征向量大于第二特征向量。
设第一特征向量为λ1,第二特征向量为λ2,边缘密度特征量为ED,边缘梯度方向特征量为EGD。
则ED=λ1+λ2,
在本申请实施例的一些可能中,当λ1>λ2时,上述窗口内边缘存在主方向,特别地,当λ1>0,λ2=0时,上述窗口内边缘梯度为唯一主方向,标识该运动区域边缘梯度方向一致性强。当λ1=λ2时,上述窗口内无主方向,特别地,当λ1=λ2=0时,该运动区域绝对平坦。
在本申请实施例的一些可能中,边缘密度特征量ED用于评价区域的平坦程度,边缘梯度方向特征量EGD用于评价区域内的边缘梯度方向的一致性。边缘密度特征量ED越大,表示区域越不平坦,区域的纹理数量较多,边缘密度较大;边缘梯度方向特征量EGD约小,表示区域的边缘梯度强度方向越不一致。
通常情况下,边缘密度特征量ED较大或边缘梯度方向特征量EGD较小的区域为高光、且存在纹理精细的物体轻微运动的区域。基于此,在本申请实施例的一些可能实现中,目标条件可以包括:边缘密度特征量大于目标边缘密度特征量,和/或,边缘梯度方向特征量小于目标边缘梯度方向特征量;其中,目标边缘密度特征量可以为与运动区域的面积对应的边缘密度特征量,目标边缘梯度方向特征量可以为与运动区域的面积对应的边缘密度特征量。
运动区域的面积分别与边缘密度特征量和边缘梯度方向特征量的对应关系如图5所示。图5是运动区域的面积分别与边缘密度特征量和边缘梯度方向特征量的对应关系示意图。其中,图5中,S1表示不同运动区域的面积对应的不同边缘密度特征量,S2表示不同运动区域的面积对应的不同边缘梯度方向特征量。
在本申请实施例中,能够根据运动区域的面积确定相应的目标边缘密度特征量和目标边缘梯度方向特征量,通过运动区域的面积能够对边缘密度特征量和边缘梯度方向特征量进行约束,能够提高运动区域的识别的准确性,降低运动区域的错误识别率。
基于上述,在图像识别过程中,本申请实施例的数据变化如图6所示。图6是本申请实施例提供的图像识别过程中的数据变化示意图。
首先,对目标图像序列包括的多帧图像进行运动检测,得到目标图像序列中的至少一个ROI。
将至少一个ROI中的每个ROI作为一个运动区域;或,将至少一个ROI中的每个ROI进行分块,将每块ROI作为一个运动区域。
然后,针对每个运动区域,基于该运动区域对应的外接矩形区域的中心点坐标和该中心点到该外接矩形区域的顶点的距离以及该运动区域对应的ST矩阵,确定该运动区域的边缘密度特征量ED和边缘梯度方向特征量EGD。
将边缘密度特征量ED和目标边缘密度特征量进行比较,以及将边缘梯度方向特征量EGD与目标边缘梯度方向特征量进行比较,在边缘密度特征量ED大于目标边缘密度特征量,和/或,边缘梯度方向特征量EGD小于目标边缘梯度方向特征量的情况下,将该运动区域确定为目标运动区域。
在本申请实施例的一些可能实现中,在S104之后,本申请实施例的图像识别方法还可以包括:对至少一个运动区域中除目标运动区域之外的第一运动区域进行运动补偿处理;基于目标运动区域和运动补偿处理后的第一运动区域,对多帧图像进行合成处理,得到目标图像。
在本申请实施例的一些可能实现中,在对多帧图像进行合成处理之前,可以对至少一个运动区域中除目标运动区域之外的第一运动区域进行运动补偿处理,至少一个运动区域中的目标运动区域不进行运动补偿处理,在对至少一个运动区域中除目标运动区域之外的第一运动区域进行运动补偿处理之后,对多帧图像进行合成处理时,可以查找多帧图像中相互匹配的像素点;根据多帧图像中的相互匹配的像素点,计算用于对齐多帧图像的对齐模型;使用该对齐模型,对齐多帧图像,将对齐后的多帧图像进行合成,得到目标图像。
本申请实施例并不对运动补偿处理和图像合成所采用的方式进行限定,任何可用的运动补偿处理和图像合成方式均可以应用于本申请实施例中。
在本申请实施例中,通过对至少一个运动区域中除目标运动区域之外的运动区域进行运动补偿处理,没有对目标运动区域进行运动补偿处理,能够避免合成的图像产生大片的模糊,图像合成效果较好。
需要说明的是,本申请实施例提供的图像识别方法,执行主体可以为图像识别装置,或者该图像识别装置中的用于执行图像识别方法的控制模块。本申请实施例中以图像识别装置执行图像识别方法为例,说明本申请实施例提供的图像识别装置。
图7是本申请实施例提供的一种图像识别装置的结构示意图。图像识别装置可以包括:
获取模块701,用于获取目标图像序列,其中,目标图像序列包括多帧图像;
第一确定模块702,用于确定目标图像序列中的至少一个运动区域;
第二确定模块703,用于针对每个运动区域,确定运动区域的边缘密度特征量和边缘梯度方向特征量;
第三确定模块704,用于在边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域。
在本申请实施例中,在确定出运动对象在所述目标图像序列中的运动区域后,确定运动区域的边缘密度特征量和边缘梯度方向特征量。如此,在确定边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域,即完成了对该运动区域的识别。相比于相关技术,本申请实施例无需建立混合高斯模型,通过运动区域的边缘密度特征量和边缘梯度方向特征量,即可识别运动区域,计算量小,识别速度快,因此,能够提高运动区域识别效率。
在本申请实施例的一些可能实现中,第二确定模块703,可以包括:
第一确定单元,用于确定运动区域对应的外接矩形区域;
第二确定单元,用于根据运动区域在第一方向上的第一梯度、运动区域在第二方向上的第二梯度、运动区域在第一方向上的第一偏移量和运动区域在第二方向上的第二偏移量,确定运动区域对应的结构张量矩阵;其中,第一方向与第二方向垂直;
分解单元,用于以外接矩形区域的中心点坐标和第一距离为结构张量矩阵的参数,对结构张量矩阵进行奇异值分解,得到结构张量矩阵对应的第一特征向量和第二特征向量;其中,第一距离为中心点到外接矩形区域的顶点的距离;
第三确定单元,用于根据第一特征向量和第二特征向量,确定边缘密度特征量和边缘梯度方向特征量。
在本申请实施例的一些可能实现中,第三确定单元,具体可以用于:
将第一特征向量和第二特征向量之和,确定为边缘密度特征量;
将第一差值与边缘密度特征量的商,确定为边缘梯度方向特征量;其中,第一差值为第一特征向量与第二特征向量之差,第一特征向量大于第二特征向量。
在本申请实施例的一些可能实现中,目标条件可以包括:边缘密度特征量大于目标边缘密度特征量,和/或,边缘梯度方向特征量小于目标边缘梯度方向特征量;其中,目标边缘密度特征量为与运动区域的面积对应的边缘密度特征量,目标边缘梯度方向特征量为与运动区域的面积对应的边缘密度特征量。
在本申请实施例中,能够根据运动区域的面积确定相应的目标边缘密度特征量和目标边缘梯度方向特征量,通过运动区域的面积能够对边缘密度特征量和边缘梯度方向特征量进行约束,能够提高运动区域的识别的准确性,降低运动区域的错误识别率。
在本申请实施例的一些可能实现中,本申请实施例提供的图像识别装置还可以包括:
补偿模块,用于对至少一个运动区域中除目标运动区域之外的第一运动区域进行运动补偿处理;
合成模块,用于基于所述目标运动区域和运动补偿处理后的所述第一运动区域,对多帧图像进行合成处理,得到目标图像。
在本申请实施例中,通过对至少一个运动区域中除目标运动区域之外的区域进行运动补偿处理,没有对目标运动区域进行运动补偿处理,能够避免合成的图像产生大片的模糊,图像合成效果较好。
本申请实施例中的图像识别装置可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personaldigital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的图像识别装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的图像识别装置能够实现图1至图6的图像识别方法实施例中的各个过程,为避免重复,这里不再赘述。
可选的,如图8所示,本申请实施例还提供一种电子设备800,包括处理器801,存储器802,存储在存储器802上并可在所述处理器801上运行的程序或指令,该程序或指令被处理器801执行时实现上述图像识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要注意的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
在本申请实施例的一些可能实现中,处理器801可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
在本申请实施例的一些可能实现中,存储器802可以包括只读存储器(Read-OnlyMemory,ROM),随机存取存储器(Random Access Memory,RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的图像识别方法所描述的操作。
图9是实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备900包括但不限于:射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、以及处理器910等部件。
本领域技术人员可以理解,电子设备900还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器910逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图9中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
其中,处理器910,用于获取目标图像序列,其中,目标图像序列包括多帧图像;确定目标图像序列中的至少一个运动区域;针对每个运动区域,确定运动区域的边缘密度特征量和边缘梯度方向特征量;在边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域。
在本申请实施例中,在确定出运动对象在所述目标图像序列中的运动区域后,确定运动区域的边缘密度特征量和边缘梯度方向特征量。如此,在确定边缘密度特征量和边缘梯度方向特征量满足目标条件的情况下,将运动区域确定为目标运动区域,即完成了对该运动区域的识别。相比于相关技术,本申请实施例无需建立混合高斯模型,通过运动区域的边缘密度特征量和边缘梯度方向特征量,即可识别运动区域,计算量小,识别速度快,因此,能够提高运动区域识别效率。
在本申请实施例的一些可能实现中,处理器910,具体可以用于:
确定运动区域对应的外接矩形区域;
根据运动区域在第一方向上的第一梯度、运动区域在第二方向上的第二梯度、运动区域在第一方向上的第一偏移量和运动区域在第二方向上的第二偏移量,确定运动区域对应的结构张量矩阵;其中,第一方向与第二方向垂直;
以外接矩形区域的中心点坐标和第一距离为结构张量矩阵的参数,对结构张量矩阵进行奇异值分解,得到结构张量矩阵对应的第一特征向量和第二特征向量;其中,第一距离为中心点到外接矩形区域的顶点的距离;
根据第一特征向量和第二特征向量,确定边缘密度特征量和边缘梯度方向特征量。
在本申请实施例的一些可能实现中,处理器910,具体可以用于:
将第一特征向量和第二特征向量之和,确定为边缘密度特征量;
将第一差值与边缘密度特征量的商,确定为边缘梯度方向特征量;其中,第一差值为第一特征向量与第二特征向量之差,第一特征向量大于第二特征向量。
在本申请实施例的一些可能实现中,处理器910,具体可以用于:
在边缘密度特征量大于目标边缘密度特征量,和/或,边缘梯度方向特征量小于目标边缘梯度方向特征量的情况下,将运动区域确定为目标运动区域;其中,目标边缘密度特征量为与运动区域的面积对应的边缘密度特征量,目标边缘梯度方向特征量为与运动区域的面积对应的边缘密度特征量。
在本申请实施例中,能够根据运动区域的面积确定相应的目标边缘密度特征量和目标边缘梯度方向特征量,通过运动区域的面积能够对边缘密度特征量和边缘梯度方向特征量进行约束,能够提高运动区域的识别的准确性,降低运动区域的错误识别率。
在本申请实施例的一些可能实现中,处理器910,还可以用于:
对至少一个运动区域中除目标运动区域之外的第一运动区域进行运动补偿处理;基于所述目标运动区域和运动补偿处理后的所述第一运动区域,对多帧图像进行合成处理,得到目标图像。
在本申请实施例中,通过对至少一个运动区域中除目标运动区域之外的区域进行运动补偿处理,没有对目标运动区域进行运动补偿处理,能够避免合成的图像产生大片的模糊,图像合成效果较好。
应理解的是,本申请实施例中,输入单元904可以包括图形处理器(GraphicsProcessing Unit,GPU)9041和麦克风9042,图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072。触控面板9071,也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。存储器909可用于存储软件程序以及各种数据,包括但不限于应用程序和操作系统。处理器910可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器910中。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图像识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括非暂态计算机可读存储介质,如ROM、RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述图像识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,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、方法、物品或者装置不仅包括那些要素,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、方法、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
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,本申请的技术方案本质上或者说对相关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(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
- 图像识别方法、装置、系统及内窥镜图像识别方法、装置
- 文字合成图像的识别方法及装置、图像识别方法