一种图像数据处理方法、装置和相关设备制造方法及图纸

本申请实施例公开了一种图像数据处理方法、装置和相关设备，该方法适用于人工智能领域。方法包括：获取目标对象的目标图像序列；获取目标网络模型对应的模型输入序列；模型输入序列中包含目标图像序列中的第一图像；确定第一图像与第二图像之间的结构相似度；若结构相似度达到业务期望条件，则将第二图像添加至模型输入序列，以在第二时刻时将第二图像输入目标网络模型，由目标网络模型输出与更新后的模型输入序列相关联的业务关键特征；基于业务关键特征和特征数据库，确定目标对象所属的分类属性，基于分类属性生成与目标对象相关联的提醒信息。采用本申请，可以提高对对象进行智能识别的准确性，并可以增强对该对象进行提醒的实时性。

【技术实现步骤摘要】
一种图像数据处理方法、装置和相关设备
本申请涉及计算机
，具体涉及人工智能领域，尤其涉及一种图像数据处理方法、装置和相关设备。
技术介绍
目前，猫狗是城市流浪动物的主要群体。在实际生活中，当用户(例如，行人A)发现某个区域中的对象(例如，流浪动物)时，可以通过拍照的方式将拍摄到的这个流浪动物的图片上传到指定的社交平台，以利用社交平台的网络交互渠道来宣传与推广流浪猫狗的信息。显然，这种通过人工拍照的方式所近距离拍摄到的图片数据是比较清晰的，故而当行人A对应的摄像终端获取到包含这个流浪动物的图片数据时，该行人A可以通过该摄像终端将包含这个流浪动物的图片数据推送到社交平台，以便于后续可以在社交平台上无差别的对与这个流浪动物相关联的广播数据信息进行广播。显然，这里的社交平台并不涉及对这个流浪动物的识别，以至于处于该社交平台上的其他用户需要人工分辨这个对象的分类属性，进而存在误分类的现象，以至于降低了对象识别的准确性。
技术实现思路
本申请提供一种图像数据处理方法、装置和相关设备，可以提高对象识别的准确性，并可以增强对该对象进行本文档来自技高网...

【技术保护点】
1.一种图像数据处理方法，其特征在于，包括：/n获取位于第一地理区域中的目标对象的目标图像序列，获取目标网络模型对应的模型输入序列；所述模型输入序列中包含在第一时刻输入至所述目标网络模型的所述目标图像序列中的第一图像；/n获取所述目标图像序列中的第二图像，确定所述第一图像与所述第二图像之间的结构相似度；/n若所述结构相似度达到与所述目标网络模型相关联的业务期望条件，则将所述第二图像添加至所述模型输入序列，得到更新后的模型输入序列，在第二时刻时将所述第二图像输入所述目标网络模型，由所述目标网络模型输出与更新后的模型输入序列相关联的业务关键特征；所述第二时刻为所述第一时刻的下一输入时刻；/n基于所...

【技术特征摘要】
1.一种图像数据处理方法，其特征在于，包括：
获取位于第一地理区域中的目标对象的目标图像序列，获取目标网络模型对应的模型输入序列；所述模型输入序列中包含在第一时刻输入至所述目标网络模型的所述目标图像序列中的第一图像；
获取所述目标图像序列中的第二图像，确定所述第一图像与所述第二图像之间的结构相似度；
若所述结构相似度达到与所述目标网络模型相关联的业务期望条件，则将所述第二图像添加至所述模型输入序列，得到更新后的模型输入序列，在第二时刻时将所述第二图像输入所述目标网络模型，由所述目标网络模型输出与更新后的模型输入序列相关联的业务关键特征；所述第二时刻为所述第一时刻的下一输入时刻；
基于所述业务关键特征和与所述第一地理区域相关联的特征数据库，确定所述目标对象所属的分类属性，基于所述分类属性生成与所述目标对象相关联的提醒信息。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取由第一地理区域中的采集设备在采集时长内所采集到的原始视频数据，基于所述采集时长对所述原始视频数据进行序列化处理，得到所述原始视频数据对应的初始图像序列；
在所述初始图像序列中对包含目标对象的图像帧进行对象检测，将检测到的包含所述目标对象的图像帧作为第一类型图像帧，并在所述初始图像序列中将除所述第一类型图像帧之外的图像帧作为第二类型图像帧；
在所述初始图像序列中滤除所述第二类型图像帧，将滤除所述第二类型图像帧后的初始图像序列作为待处理视频序列；所述待处理视频序列中包含N个所述第一类型图像帧；一个第一类型图像帧中包含一个目标对象所属的图像区域；所述N为正整数；
从N个所述第一类型图像帧中截取包含所述目标对象的图像区域，以得到N个截图区域，基于所述N个截图区域的图像尺寸和目标网络模型的输入尺寸，构建位于所述第一地理区域中的所述目标对象的目标图像序列。


3.根据权利要求2所述的方法，其特征在于，所述从N个所述第一类型图像帧中截取包含所述目标对象的图像区域，以得到N个截图区域，基于所述N个截图区域的图像尺寸和目标网络模型的输入尺寸，构建位于所述第一地理区域中的所述目标对象的目标图像序列，包括：
从N个所述第一类型图像帧中截取得到N个截图区域，将所述N个截图区域的图像尺寸与目标网络模型的输入尺寸进行比较，得到尺寸比较结果；
若所述尺寸比较结果指示所述N个截图区域的图像尺寸中存在小于或者等于所述目标网络模型的输入尺寸，则将图像尺寸小于或者等于所述目标网络模型的输入尺寸的N1个截图区域所对应的图像作为待处理图像，将图像尺寸大于所述目标网络模型的输入尺寸的N2个截图区域所对应的图像作为第一目标图像；所述N1与所述N2之间的和值为所述N；所述N1和所述N2均为整数；
通过超分辨率成像网络对所述待处理图像进行放大处理，将放大处理后的待处理图像确定为第二目标图像；
根据所述第一目标图像和所述第二目标图像分别在所述初始图像序列中的序列位置信息，构建位于所述第一地理区域中的所述目标对象的目标图像序列。


4.根据权利要求3所述的方法，其特征在于，所述通过超分辨率成像网络对所述待处理图像进行放大处理，将放大处理后的待处理图像确定为第二目标图像，包括：
获取超分辨率成像网络；所述超分辨率成像网络包含卷积层、r×r个残差层组和亚像素卷积层组；所述r为大于1的正整数；
将所述待处理图像输入所述卷积层，由所述卷积层中的卷积核对所述待处理图像进行卷积处理，将所述卷积层所输出的卷积特征作为所述待处理图像的目标卷积特征；
将所述目标卷积特征输入所述r×r个残差层组，由所述r×r个残差层组分别对所述目标卷积特征进行残差处理，得到每个残差层组对应的目标残差特征；
将r×r个目标残差特征输入所述亚像素卷积层组，由所述亚像素卷积层组将所述r×r个目标残差特征进行融合处理，得到融合图像特征，将所述融合图像特征和所述目标卷积特征进行叠加处理，得到放大后的待处理图像，将所述放大后的待处理图像作为第二目标图像；所述第二目标图像中包含所述第二图像，且所述放大后的待处理图像的图像尺寸为所述待处理图像的图像尺寸的r倍。


5.根据权利要求1所述的方法，其特征在于，获取所述目标图像序列中的第二图像，所述确定所述第一图像与所述第二图像之间的结构相似度，包括：
获取所述目标图像序列中的第二图像，通过滑动窗口分别将所述第一图像和所述第二图像划分为M个图像块，一个图像块对应一个图像区域；
当控制所述滑动窗口以单位滑动步长在所述第一图像上滑动时，在所述第一图像所包含的M个图像区域中遍历确定第一图像区域，在所述第一图像中，通过所述滑动窗口所关联的高斯卷积核确定所述第一图像区域中的像素点的第一关键参数；
当控制所述滑动窗口以所述单位滑动步长在所述第二图像上滑动时，在所述第二图像所包含的M个图像区域中遍历确定第二图像区域，在所述第二图像中，通过所述高斯卷积核确定所述第二图像区域中的像素点的第二关键参数；
基于所述第一关键参数和所述第二关键参数，确定所述第一图像区域和所述第二图像区域之间的局部结构相似性，直到所述第一图像中的M个图像区域均被确定为第一图像区域，且第二图像中的M个图像区域均被确定为第二图像区域时，得到每个所述第一图像区域与对应第二图像区域之间的局部结构相似性，基于M个局部结构相似性确定所述第一图像和所述第二图像之间的结构相似度。


6.根据权利要求5所述的方法，其特征在于，所述第一图像区域为从所述第一图像中遍历获取到的第i个图像区域，所述第二图像区域为从所述第二图像中遍历获取到的第i个图像区域；所述i为小于或者等于所述M的正整数；
所述基于所述第一关键参数和所述第二关键参数，确定所述第一图像区域和所述第二图像区域之间的局部结构相似性，包括：
从所述第一关键参数中获取与所述第一图像中的第i个图像区域相关联的第一均值和第一标准差，从所述第二关键参数中获取所述第二图像中的第i个图像区域相关联的第二均值和第二标准差；
在所述第一图像中，将由所述高斯卷积核平滑处理后的第i个图像区域作为第一处理区域，且在所述第二图像中，将由所述高斯卷积核平滑处理后的第i个图像区域作为第二处理区域；
基于所述第一均值、所述第二均值、所述第一标准差、所述第二标准差、所述第一处理区域、所述第二处理区域，确定所述第一图像中的第i个图像区域与所述第二图像中的第i个图像区域之间的亮度对比因子、对比度对比因子和结构对比因子；
基于所述亮度对比因子、对比度对比因子和结构对比因子，确定所述第一图像中的第i个图像区域与所述第二图像中的第i个图像区域之间的局部结构相似性。


7.根据权...

【专利技术属性】
技术研发人员：赖文星，于佳骏，杨涛，陈志博，毛江云，泮诚，陈立，刁寿钧，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44