图像识别方法技术

本申请实施例公开了图像识别方法

【技术实现步骤摘要】
图像识别方法、装置、设备及存储介质


[0001]本申请实施例涉及图像处理
，特别涉及图像识别方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]近年来，随着人工智能技术的不断发展，深度神经网络被广泛地应用于图像识别领域
。
例如，在仓库库房或机房内部署用于烟火监控的安防摄像头，通过对视频的分析，对发生的潜在险情进行判断
。
在建筑工地
、
工厂厂区等场所安装带有安全帽佩戴识别功能的摄像头，对潜在的不规范穿戴进行风险报警，避免重大的生产安全责任事故的出现
。
然而各种各样的图像往往具有不同的特征，当前主流摄像机和安防监控手段对日间的识别效果较好，但在低照度下，特别是相机工作在近红外模式下，画面中待检测目标的主要特点与可见光下的特点差异巨大，此时在利用深度神经网络对图像进行识别时，难以进行准确地识别
。

技术实现思路

[0003]本申请实施例提供了图像识别方法
、
装置
、
设备及存储介质，对视频帧图像进行图像分类，确定图像类型，并针对不同的图像类型，使用不同的识别模型进行图像识别，以获取到准确的图像识别结果
。
技术方案如下：
[0004]一方面，本申请实施例提供一种图像识别方法，所述方法包括：
[0005]获取视频帧图像的图像类型，所述图像类型为近红外图像或可见光图像；
[0006]在所述视频帧图像的图像类型为近红外图像的情况下，使用近红外图像识别模型对所述视频帧图像进行图像识别，确定第一图像识别结果；
[0007]在所述视频帧图像的图像类型为可见光图像的情况下，使用可见光图像识别模型对所述视频帧图像进行图像识别，确定第二图像识别结果
。
[0008]另一方面，本申请实施例提供一种图像识别装置，所述装置包括：
[0009]图像类型获取模块，用于获取视频帧图像的图像类型，所述图像类型为近红外图像或可见光图像；
[0010]第一识别处理模块，用于在所述视频帧图像的图像类型为近红外图像的情况下，使用近红外图像识别模型对所述视频帧图像进行图像识别，确定第一图像识别结果；
[0011]第二识别处理模块，用于在所述视频帧图像的图像类型为可见光图像的情况下，使用可见光图像识别模型对所述视频帧图像进行图像识别，确定第二图像识别结果
。
[0012]再一方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令
、
至少一段程序
、
代码集或指令集，所述至少一条指令
、
所述至少一段程序
、
所述代码集或指令集由所述处理器加载并执行以实现上述方面所述的方法
。
[0013]又一方面，本申请实施例提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令
、
至少一段程序
、
代码集或指令集，所述至少一条指令
、
所述至少一段程序
、
所
述代码集或指令集由处理器加载并执行以实现上述方面所述的方法
。
[0014]又一方面，本申请实施例提供一种计算机程序产品，当该计算机程序产品被执行时，其用于执行上述方面所述的方法
。
[0015]本申请实施例提供的技术方案中，在获取到视频帧图像后，确定视频帧图像的图像类型，该图像类型为近红外图像或可见光图像
。
若确定出的视频帧图像的图像类型为近红外图像，则使用近红外图像识别模型对视频帧图像进行图像识别，确定出第一图像识别结果
。
若确定出的视频帧图像的图像类型为可见光图像，则使用可见光图像识别模型对视频帧图像进行图像识别，确定第二图像识别结果
。
在本申请实施例中将视频帧图像分类为近红外图像和可见光图像，充分考虑不同类型图像之间的特征差异，使用两个独立的图像识别模型对不同类型的图像进行识别，保证图像识别结果的准确性
。
附图说明
[0016]图1是本申请一个实施例提供的图像识别方法的流程框图一；
[0017]图2是本申请一个实施例提供的图像识别方法的流程框图二；
[0018]图3是本申请一个实施例提供的图像识别方法的流程框图三；
[0019]图4是本申请一个实施例提供的图像识别方法的流程框图四；
[0020]图5是本申请一个实施例提供的图像识别装置的框图；
[0021]图6是本申请一个实施例提供的计算机设备的结构框图
。
具体实施方式
[0022]申请概述
[0023]近年来，随着人工智能技术的不断发展，深度神经网络被广泛地应用于图像识别领域
。
然而各种各样的图像往往具有不同的特征，例如当前主流摄像机和安防监控手段对日间的识别效果较好，但在低照度下，特别是相机工作在近红外模式下，画面中待检测目标的主要特点与可见光下的特点差异巨大，此时在利用深度神经网络对图像进行识别时，难以进行准确地识别
。
[0024]在本申请中，在获取到视频帧图像后，确定视频帧图像的图像类型，该图像类型为近红外图像或可见光图像
。
若确定出的视频帧图像的图像类型为近红外图像，则使用近红外图像识别模型对视频帧图像进行图像识别，确定出第一图像识别结果
。
若确定出的视频帧图像的图像类型为可见光图像，则使用可见光图像识别模型对视频帧图像进行图像识别，确定第二图像识别结果
。
在本申请实施例中将视频帧图像分类为近红外图像和可见光图像，充分考虑不同类型图像之间的特征差异，使用两个独立的图像识别模型对不同类型的图像进行识别，保证图像识别结果的准确性
。
[0025]下面将结合附图对本申请实施方式作进一步地详细描述
。
[0026]请参考图1，其示出了本申请一个实施例提供的图像识别方法的流程图
。
该方法可以包括如下几个步骤：
[0027]步骤
11
，获取视频帧图像的图像类型，所述图像类型为近红外图像或可见光图像
。
[0028]在一些实施例中，对获取的视频流进行帧处理，获取到连续的视频帧图像集合
。
本实施例中提及的视频帧图像是指系统当前正在处理的图像
。
近红外图像为相机在近红外工
作模式下获取到的图像，可见光图像为相机在可见光工作模式下获取到的图像
。
其中，近红外工作模式为相机在低照度或夜间开启的工作模式，可见光工作模式为相机在白日正常照度的工作模式
。
近红外工作模式下获取到的近红外图像可以为黑白图像也可以为彩色图像
。
因近红外图像
、
可见光图像是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像识别方法，其特征在于，所述方法包括：获取视频帧图像的图像类型，所述图像类型为近红外图像或可见光图像；在所述视频帧图像的图像类型为近红外图像的情况下，使用近红外图像识别模型对所述视频帧图像进行图像识别，确定第一图像识别结果；在所述视频帧图像的图像类型为可见光图像的情况下，使用可见光图像识别模型对所述视频帧图像进行图像识别，确定第二图像识别结果
。2.
根据权利要求1所述的方法，其特征在于，所述获取视频帧图像的图像类型，包括：确定所述视频帧图像在通道层面的第一离散程度值；在所述第一离散程度值大于离散阈值的情况下，确定所述视频帧图像的图像类型为可见光图像；在所述第一离散程度值小于或等于所述离散阈值的情况下，确定所述视频帧图像的图像类型为近红外图像
。3.
根据权利要求2所述的方法，其特征在于，所述确定所述视频帧图像在通道层面的第一离散程度值，包括：确定所述视频帧图像中每个像素点在通道层面的第二离散程度值；对各个所述第二离散程度值进行排序处理，以基于预设排序位置在排序结果中选取出第三离散程度值；基于各个所述第三离散程度值，确定所述视频帧图像在通道层面的所述第一离散程度值
。4.
根据权利要求1所述的方法，其特征在于，所述获取视频帧图像的图像类型，包括：对所述视频帧图像进行图像分类，确定第一分类结果；获取与所述视频帧图像连续的多帧图像对应的第二分类结果；基于所述第一分类结果和所述第二分类结果，确定所述视频帧图像的图像类型；或者，所述获取视频帧图像的图像类型，包括：确定所述视频帧图像携带的图像参数；基于所述图像参数，确定所述视频帧图像的图像类型
。5.
根据权利要求1所述的方法，其特征在于，在所述图像识别方法的执行主体为图像识别分支的情况下，所述获取视频帧图像的图像类型，包括：读取缓存介质中的存储数据；所述存储数据为图像分类分支对获取的视频帧图像进行分类后的存储内容；基于读取的所述存储数据，确定所述视频帧图像的图像类型
。6.
根据权利要求1所述的方法，其特征在于，在所述视频帧图像用于烟火检测的情况下，所述获取视频帧图像的图像类型的步骤前，所述方法还包括：获取第一样本图像和第一标注数据；所述第一样本图像包括可见光下的烟火图像，所述第一标注数据包括烟雾标签和火焰标签；基于所述第一样本图像和所述第一标注数据，训练出用于烟火检测的可见光图像识别模型；获取第二样本图像和第二标注数据；所述第二样本图像包括近红...

【专利技术属性】
技术研发人员：田光亚，朱勇，
申请(专利权)人：中科创达软件股份有限公司，
类型：发明
国别省市：