图像识别方法及图像识别装置与流程

本申请涉及图像处理领域，尤其涉及图像识别方法以及图像识别装置。

背景技术：

现有技术中，拍摄装置拍摄视频后需要将拍摄视频中的设定信息进行识别，识别之后再将识别结果在视频图像中进行显示，比如识别拍摄视频中的车牌信息，然后将识别到的车牌号码显示在视频画面中。但是，因为拍摄装置需要拍摄大量的视频和图像，并且在进行识别后，将拍摄到的视频和图像上传至其它终端比如云端服务器等。如果传输的视频和图像数据量比较大的时候，则可能占用传输的带宽，使得传输速度比较慢，特别有些需要实时处理的图像和视频就无法得到实时的处理。还有就是，如果用户是使用2g/3g/4g来传输图像和视频的，则会产生大量的流量费用。

技术实现要素：

本申请提供一种图像识别方法及图像识别装置，能够解决现有技术中进行图像识别时需要先将传输的视频或图片数据传输再进行识别会使得传输速度比较慢以及产生大量的流量费用的问题。

根据本申请的第一方面，本申请提供一种图像识别方法，方法包括：识别并提取拍摄视频中的设定图像信息；将拍摄视频按照设定方式处理为处理视频后进行传输；接收到处理视频，并将处理视频还原为拍摄视频；传输提取到的设定图像信息；将设定图像信息显示在拍摄视频的设定位置。

优选地，在将拍摄视频按照设定方式处理后为处理视频后进行传输的步骤之前，包括：通过深度学习算法训练第一神经网络模型，其中，第一神经网络模型可根据视频的关键帧的参数，将经过参数调整后的视频还原为与关键帧的参数相同或者相似的视频；在将拍摄视频按照设定方式处理后为处理视频后进行传输的步骤中包括：拍摄并调节拍摄视频的参数为设定参数的处理视频，将拍摄视频中的设定帧设置为关键帧，传输处理视频以及关键帧，其中，参数包括视频颜色和/或图像分辨率；在接收到拍摄视频，并将处理视频还原为拍摄视频的步骤中，包括：接收到处理视频以及关键帧后，第一神经网络模型依据拍摄视频的关键帧的参数将处理视频调整为与关键帧的参数相同或者相似的视频。

优选地，在通过深度学习算法训练第一神经网络模型的步骤中，包括：将拍摄视频的参数调节为设定视频颜色和/或图像分辨率的视频；将设定时间内的拍摄视频中的设定帧设置为关键帧；将拍摄视频、关键帧以及设定视频颜色和/或图像分辨率的拍摄视频通过深度学习算法训练出第一神经网络模型。

优选地，在识别并提取拍摄视频中的设定图像信息的步骤中，包括：识别拍摄视频中的车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息；在传输提取到的设定图像信息的步骤中，还包括：传输车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。

优选地，在将设定图像信息显示在拍摄视频的设定位置的步骤中，还包括：根据车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息，将车牌信息对应车辆在图像中的位置信息进行显示。

根据申请的第二方面，本申请提供一种图像识别装置，装置包括：识别模块，用于识别并提取拍摄视频中的设定图像信息；传输模块，用于将拍摄视频按照设定方式处理后为处理视频后进行传输；还原模块，用于接收到处理视频，并将处理视频还原为拍摄视频；传输模块，用于传输提取到的设定图像信息；显示模块，用于将设定图像信息显示在拍摄视频的设定位置。

优选地，图像识别装置还包括：训练模块，其用于通过深度学习算法训练第一神经网络模型，其中，第一神经网络模型可根据视频的关键帧的参数，将经过参数调整后的视频还原为与关键帧的参数相同或者相似的视频；传输模块还用于：拍摄并调节拍摄视频的参数为设定参数的处理视频，将拍摄视频中的设定帧设置为关键帧，传输处理视频以及关键帧，其中，参数包括视频颜色和/或图像分辨率；还原模块还用于：接收到处理视频以及关键帧后，第一神经网络模型依据拍摄视频的关键帧的参数将处理视频调整为与关键帧的参数相同或者相似的视频。

优选地，训练模块包括：参数调节单元，用于将拍摄视频的参数调节为设定视频颜色和/或图像分辨率的视频；设置单元，用于将设定时间内的拍摄视频中的设定帧设置为关键帧；以及训练单元，用于将拍摄视频、关键帧以及设定视频颜色和/或图像分辨率的拍摄视频通过深度学习算法训练出第一神经网络模型。

优选地，识别模块还用于：识别拍摄视频中的车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息；传输模块还用于：传输车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。

优选地，图像识别装置还包括显示模块，显示模块用于：根据车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息，将车牌信息对应车辆在图像中的位置信息进行显示。

本申请的有益效果在于：通过识别图像中的设定图像信息，再将图像按照设定方式处理为处理视频，接收到设定信息和处理视频后，将设定图像信息显示在拍摄视频的设定位置，这样就能够提升数据的传输速度，并且使得图像能够实时处理，提升识别率，还可以降低因为传输数据的成本费用。

附图说明

图1是本申请一实施例的图像识别方法的流程图；以及

图2是本申请另一实施例的图像识别装置的原理图。

具体实施方式

下面结合附图和示例性实施例对本发明作进一步地描述，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是

指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

请参阅图1，一种图像识别方法，方法包括：

步骤s101：识别并提取拍摄视频中的设定图像信息。

本实施例中，设定图像信息可以为车辆的车牌信息。这里不作限制，可以根据用户的具体要求进行设置。

步骤s102：将拍摄视频按照设定方式处理为处理视频后进行传输。

在步骤s102中包括：拍摄并调节拍摄视频的参数为设定参数的处理视频，将拍摄视频中的设定帧设置为关键帧，传输处理视频以及关键帧，其中，参数包括视频颜色和/或图像分辨率。亦既是说，将拍摄视频按照将视频颜色调节为黑白和/或降低拍摄视频的分辨率进行处理即可得到处理视频。

因为传输的是拍摄视频经过调节颜色和/或调节分辨率后的处理视频，因此，处理视频相对于原拍摄视频的数据量大大减少，提升了传输速度，也节省了传输时候所花费的流量。

在步骤s102之前，包括：

通过深度学习算法训练第一神经网络模型，其中，第一神经网络模型可根据视频的关键帧的参数，将经过参数调整后的视频还原为与关键帧的参数相同或者相似的视频。

在通过深度学习算法训练第一神经网络模型的步骤中，包括：

将拍摄视频的参数调节为设定视频颜色和/或图像分辨率的视频。本实施例中，设定视频颜色为黑白色。分辨率可以降低一倍，比如原拍摄视频的图像分辨率是1024p的，可以降低为512p。

将设定时间内的拍摄视频中的设定帧设置为关键帧。本实施例中，设定时间内的拍摄视频是指选择每30秒时间长度的拍摄视频作为一段视频来进行还原，而选择这30秒时长的拍摄视频中的第15秒的拍摄视频的图像帧作为关键帧。

将拍摄视频、关键帧以及设定视频颜色和/或图像分辨率的拍摄视频通过深度学习算法训练出第一神经网络模型。本实施例中，根据关键帧中各位位置的像素的颜色以及分辨率，对应还原该30秒时长的拍摄视频的颜色和分辨率。

步骤s103：接收到处理视频，并将处理视频还原为拍摄视频。

在步骤s103中，包括：接收到处理视频以及关键帧后，第一神经网络模型依据拍摄视频的关键帧的参数将处理视频调整为与关键帧的参数相同或者相似的视频。

步骤s104：传输提取到的设定图像信息。

步骤s105：将设定图像信息显示在拍摄视频的设定位置。

进一步地，在步骤s101中，包括：识别拍摄视频中的车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。

本实施例中，可以通过图像识别技术对行车记录仪或者摄像装置拍摄到的拍摄视频中的车辆信息、位置信息以及车牌信息进行识别。

在其它实施例中，可以通过深度学习方法训练神经网络模型，该神经网络模型能够识别车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。

进一步地，在步骤s104中，还包括：传输车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。

进一步地，在步骤s105中，还包括：根据车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息，将车牌信息对应车辆在图像中的位置信息进行显示。亦既是说，将车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息传输到终端后，终端能够将车辆信息对应的车牌信息跟随车辆在图像中的位置变化而进行显示。

相应的，依据计算机软件的功能模块化思维，请参阅图2，本申请提出一种图像识别装置，装置包括：

识别模块201，用于识别并提取拍摄视频中的设定图像信息。

本实施例中，设定图像信息可以为车辆的车牌信息。这里不作限制，可以根据用户的具体要求进行设置。

传输模块202，用于将拍摄视频按照设定方式处理后为处理视频后进行传输。

传输模块202还用于：拍摄并调节拍摄视频的参数为设定参数的处理视频，将拍摄视频中的设定帧设置为关键帧，传输处理视频以及关键帧，其中，参数包括视频颜色和/或图像分辨率。亦既是说，将拍摄视频按照将视频颜色调节为黑白和/或降低拍摄视频的分辨率进行处理即可得到处理视频。

因为传输的是拍摄视频经过调节颜色和/或调节分辨率后的处理视频，因此，处理视频相对于原拍摄视频的数据量大大减少，提升了传输速度，也节省了传输时候所花费的流量。

进一步地，图像识别装置还包括：训练模块，其用于通过深度学习算法训练第一神经网络模型，其中，第一神经网络模型可根据视频的关键帧的参数，将经过参数调整后的视频还原为与关键帧的参数相同或者相似的视频。

训练模块包括：

参数调节单元，用于将拍摄视频的参数调节为设定视频颜色和/或图像分辨率的视频。本实施例中，设定视频颜色为黑白色。分辨率可以降低一倍，比如原拍摄视频的图像分辨率是1024p的，可以降低为512p。

设置单元，用于将设定时间内的拍摄视频中的设定帧设置为关键帧。本实施例中，设定时间内的拍摄视频是指选择每30秒时间长度的拍摄视频作为一段视频来进行还原，而选择这30秒时长的拍摄视频中的第15秒的拍摄视频的图像帧作为关键帧。

训练单元，用于将拍摄视频、关键帧以及设定视频颜色和/或图像分辨率的拍摄视频通过深度学习算法训练出第一神经网络模型。实施例中，根据关键帧中各位位置的像素的颜色以及分辨率，对应还原该30秒时长的拍摄视频的颜色和分辨率。

还原模块203，用于接收到处理视频，并将处理视频还原为拍摄视频。

还原模块203还用于：接收到处理视频以及关键帧后，第一神经网络模型依据拍摄视频的关键帧的参数将处理视频调整为与关键帧的参数相同或者相似的视频。

传输模块204，用于传输提取到的设定图像信息。

显示模块205，用于将设定图像信息显示在拍摄视频的设定位置。

进一步地，识别模块201还用于：识别拍摄视频中的车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息；

传输模块204还用于：传输车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。

进一步地，显示模块205用于：根据车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息，将车牌信息对应车辆在图像中的位置信息进行显示。

下面结合图1至图2来对本申请的工作原理进行说明。

识别并提取拍摄视频中的设定图像信息，具体是，识别拍摄视频中的车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息，并将识别到的这些信息进行保存。将拍摄视频按照设定方式进行处理变为处理视频，具体是，将拍摄视频的颜色调节为黑白颜色和/或降低拍摄视频的图像分辨率。接收处理视频，并将处理视频通过第一神经网络模型还原为与关键帧的颜色和分辨率相同或近似的拍摄视频。同时，传输识别到的车辆信息、车辆在图像中的位置信息以及车辆对应的车牌信息。将车牌信息对应车辆在图像中的位置进行显示，这样车牌信息就可以跟随车辆在图像中的位置变化进行显示。

本公开提出一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上所述图像识别方法的步骤。

所述设备的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本申请的有益效果在于：通过识别图像中的设定图像信息，再将图像按照设定方式处理为处理视频，接收到设定信息和处理视频后，将设定图像信息显示在拍摄视频的设定位置，这样就能够提升数据的传输速度，并且使得图像能够实时处理，提升识别率，还可以降低因为传输数据的成本费用。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存取存储器、磁盘或光盘等。

以上内容是结合具体的实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请发明构思的前提下，还可以做出若干简单推演或替换。