CN115909186B - 图像信息识别方法、装置、计算机设备及存储介质 - Google Patents
图像信息识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115909186B CN115909186B CN202211231771.2A CN202211231771A CN115909186B CN 115909186 B CN115909186 B CN 115909186B CN 202211231771 A CN202211231771 A CN 202211231771A CN 115909186 B CN115909186 B CN 115909186B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- main body
- priority
- image information
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 892
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 19
- 241001465754 Metazoa Species 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 241000876446 Lanthanotidae Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像信息识别方法、装置、计算机设备及存储介质。方法包括：获取至少一个待识别图像信息；对至少一个待识别图像信息进行算法主体识别处理，得到待识别图像信息对应的至少一个算法主体；根据预设的算法主体与优先级的对应关系确定至少一个算法主体中各算法主体的优先级；在预设算力资源下，根据至少一个算法主体、至少一个算法主体的优先级以及预设的算法仓库对待识别图像信息进行事件识别处理，得到识别结果，算法仓库中存有多个算法主体分别对应的算法。本方案只会调用与识别到的算法主体相关的算法，并且还会根据识别到的算法主体之间优先级进一步进行算法的调用，可见，通过本方案可以节省算力资源。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种图像信息识别方法、装置、计算机设备及存储介质。
背景技术
现如今智慧城市的涵盖面及定义越来越广泛，其中包括智慧交通、智慧园区、智能决策事件平台等。面对城市治理中的复杂场景，如繁杂的社会人员、车辆交通、态势统计等情况，在智慧城市的建设中需要引入大量的算法，并建立独立的算法仓库，如人脸、人体、车辆、动物、物品算法等算法仓库。
现有的算法在进行视频或图片监控识别时，多个算法是并发执行，所以每新增一种算法就需要添加相应的算力资源，但是，并行执行多个算法，会存在算法资源浪费的情况，例如，在视频监控的场景下，即使监控中没有车出现，但是针对车的行为识别算法也会运行，占用算法资源，造成算法资源的浪费。
发明内容
本申请实施例提供了一种图像信息识别方法、装置、计算机设备及存储介质，可以节约算法资源。
第一方面，本申请实施例提供了一种图像信息识别方法，其包括：
获取至少一个待识别图像信息；
对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体；
根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级；
在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法。
在一些实施例中，所述识别结果包括多个子识别结果，所述在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果之后，所述方法还包括：
根据预设的子识别结果与优先级的对应关系，确定各所述子识别结果的优先级；
根据各所述子识别结果的优先级对多个所述子识别结果进行排序处理；
显示排序后的多个所述子识别结果。
在一些实施例中，所述方法还包括：
接收用户输入的新算法、所述新算法对应的样例以及所述新算法对应的优先级；
对所述样例进行用例识别处理，得到样例算法主体；
确定所述算法仓库中是否存有与所述样例算法主体对应的算法；
若所述算法仓库中存有与所述样例算法主体对应的算法，则拒绝接收所述新算法；
若所述算法仓库中不存有与所述样例算法主体对应的算法，则将所述新算法存入所述算法仓库中；
根据所述新算法对应的优先级更新所述算法主体与优先级的对应关系。
第二方面，本申请实施例还提供了一种图像信息识别装置，其包括：
收发模块，用于获取至少一个待识别图像信息；
处理模块，用于对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体；根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级；在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法。
在一些实施例中，所述处理模块在执行所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
根据至少一个所述算法主体的优先级，将至少一个所述算法主体中优先级最高的算法主体确定为目标算法主体；
从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法；
根据所述目标算法对所述待识别图像信息进行事件识别处理，得到所述识别结果。
在一些实施例中，所述处理模块在执行所述从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法步骤时，具体用于：
根据预设的算法事件与优先级的对应关系，确定所述目标算法主体中优先级最高的目标算法事件；
从所述算法仓库中提取与所述目标算法事件对应的算法作为所述目标算法。
在一些实施例中，所述待识别图像信息包括预设时长的待识别视频，所述处理模块在执行所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法；
在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果。
在一些实施例中，各所述算法主体包括至少一个算法事件，所述处理模块在执行所述从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法步骤时，具体用于：
从所述算法仓库中提取与各所述算法事件分别对应的算法作为候选事件算法，得多个所述候选事件算法；
所述根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果，包括：
根据各所述算法主体分别对应的算法事件与优先级的对应关系以及所述算法主体的优先级，确定各所述候选事件算法的优先级；
根据各所述候选事件算法的优先级从多个所述候选事件算法中依次调用所述候选事件算法对所述待识别视频进行识别处理，得到所述识别结果。
在一些实施例中，所述识别结果包括多个子识别结果，所述处理模块在执行所述在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果步骤之后，还用于：
根据预设的子识别结果与优先级的对应关系，确定各所述子识别结果的优先级；
根据各所述子识别结果的优先级对多个所述子识别结果进行排序处理；
通过所述收发模块显示排序后的多个所述子识别结果。
在一些实施例中，所述待识别图像信息包括预设时长的待识别视频，所述处理模块在执行所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤之前，还用于：
获取期望任务数量，所述期望任务数量为用户期望在预设时长内完成的算法的数量；
获取所述预设算力资源下，在所述预设时长内完成的历史任务数量；
确定所述期望任务数量是否小于或等于所述历史任务数量；
所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
若所述期望任务数量小于或等于所述历史任务数量，则在所述预设时长内，根据所述预设算力资源、至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库对所述待识别图像信息进行事件识别处理，得到所述识别结果。
在一些实施例中，所述处理模块在执行所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
若所述期望任务数量大于所述历史任务数量，则增加算力资源，得到新增算力资源；
根据至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库为所述预设算力资源分配第一算法，以及为所述新增算力资源分配第二算法，所述第一算法以及所述第二算法为所述算法仓库中优先级最高的两个所述算法主体分别对应的算法；
在所述预设时长内，根据所述预设算力资源对所述待识别图像信息执行所述第一算法，以及根据所述新增算力资源对所述待识别图像信息执行所述第二算法，得到所述识别结果。
在一些实施例中，所述收发模块还用于，接收用户输入的新算法、所述新算法对应的样例以及所述新算法对应的优先级；
所述处理模块还用于，对所述样例进行用例识别处理，得到样例算法主体；
确定所述算法仓库中是否存有与所述样例算法主体对应的算法；若所述算法仓库中存有与所述样例算法主体对应的算法，则拒绝接收所述新算法；若所述算法仓库中不存有与所述样例算法主体对应的算法，则将所述新算法存入所述算法仓库中；根据所述新算法对应的优先级更新所述算法主体与优先级的对应关系。
第三方面，本申请实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。
与现有技术相比，本申请实施例中，在获取至少一个待识别图像信息之后，会对各待识别图像信息进行算法主体识别处理，得到至少一个算法主体；然后根据预设的算法主体与优先级的对应关系确定各算法主体的优先级；最后在预设的算力资源下，根据各算法主体的优先级从算法仓库中提取算法对待识别图像信息进行事件识别处理，不需要算法仓库中所有的算法并行参与事件识别，可见，本方案只会调用与识别到的算法主体相关的算法，并且还会根据识别到的算法主体之间优先级进一步进行算法的调用，例如只调用优先级最高的算法主体对应的算法或者根据优先级依次执行各算法主体，并且本方案可以在一定的算力资源下对待识别图像信息进行事件识别处理，不需要因为算法库中新增了算法而新增相应算力资源，可见，通过本方案可以节省算力资源。
附图说明
为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，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。
图1为本申请实施例提供的图像信息识别方法的一种应用场景示意图；
图2为本申请实施例提供的图像信息识别方法的一种流程示意图；
图3为本申请实施例提供的图像信息识别方法的另一种应用场景示意图；
图4为本申请实施例提供的图像信息识别方法的另一种应用场景示意图；
图5为本申请实施例提供的图像信息识别方法的另一种应用场景示意图；
图6为本申请实施例提供的策略配置中心的一种示意图；
图7为本申请实施例提供的识别结果显示界面的一种示意图；
图8为本申请实施例提供的图像信息识别方法的另一种应用场景示意图；
图9为本申请实施例提供的图像信息识别装置的一种示意性框图；
图10为本申请实施例中服务器的一种结构示意图；
图11为本申请实施例中终端的一种结构示意图；
图12为本申请实施例中服务器的一种结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例供了一种图像信息识别方法、装置、计算机设备及存储介质，该图像信息识别方法的执行主体可以是本申请实施例提供的图像信息识别装置，或者集成了该图像信息识别装置的计算机设备，其中，该图像信息识别装置可以采用硬件或者软件的方式实现，该计算机设备可以为终端或服务器。
本申请实施例的方案可基于人工智能技术实现，具体来说涉及人工智能技术中的计算机视觉技术技术领域和云技术中的云计算、云存储和数据库等领域，下面将分别进行介绍。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、人脸识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例的方案可基于云技术实现，具体来说涉及云技术中的云计算、云存储和数据库等技术领域，下面将分别进行介绍。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术(Cloudtechnology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图像类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。本申请实施例可通过云技术对识别结果进行保存。
云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中，可将网络配置等信息均保存在该存储系统中，便于服务器调取。
目前，存储系统的存储方法为：创建逻辑卷，在创建逻辑卷时，就为每个逻辑卷分配物理存储空间，该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据，也就是将数据存储在文件系统上，文件系统将数据分成许多部分，每一部分是一个对象，对象不仅包含数据而且还包含数据标识(ID，ID entity)等额外的信息，文件系统将每个对象分别写入该逻辑卷的物理存储空间，且文件系统会记录每个对象的存储位置信息，从而当客户端请求访问数据时，文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程，具体为：按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID，Redundant Array of Independent Disk)的组别，预先将物理存储空间划分成分条，一个逻辑卷可以理解为一个分条，从而为逻辑卷分配了物理存储空间。
数据库(Database)，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。
数据库管理系统(英语：Database Management System，简称DBMS)是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、XML(Extensible MarkupLanguage,即可扩展标记语言)；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如SQL(结构化查询语言，Structured QueryLanguage)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。在本申请实施例中，可将识别结果存储在该数据库管理系统中，便于服务器调取。
其中，需要特别说明的是，本申请实施例涉及的终端，可以是指向服务终端提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务(英文全称：Personal Communication Service，英文简称：PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(Wireless Local Loop，英文简称：WLL)站、个人数字助理(英文全称：Personal Digital Assistant，英文简称：PDA)等设备。
在一些实施方式中，本申请实施例可应用于如图1所示的一种图像信息识别系统1，所述图像信息识别系统1包括服务器10以及至少一个图像采集装置20，图像采集装置20可以将采集到的待识别图像信息发送给服务器10，服务器10获取至少一个待识别图像信息，服务器10在获取至少一个待识别图像信息之后，会对各待识别图像信息进行算法主体识别处理，得到至少一个算法主体；然后根据策略配置中心中预设的算法主体与优先级的对应关系确定各算法主体的优先级；最后在预设的算力资源下，根据各算法主体的优先级从算法仓库中提取算法对待识别图像信息进行事件识别处理，不需要算法仓库中所有的算法并行参与事件识别，可见，本方案只会调用与识别到的算法主体相关的算法，并且还会根据识别到的算法主体之间优先级进一步进行算法的调用，例如只调用优先级最高的算法主体对应的算法或者根据优先级依次执行各算法主体，并且本方案可以在一定的算力资源下对待识别图像信息进行事件识别处理，不需要因为算法库中新增了算法而新增相应算力资源，可见，通过本方案可以节省算力资源。
下面，将结合几个实施例对本申请技术方案进行详细的介绍说明。
参照图2，以下介绍本申请实施例所提供的一种图像信息识别方法，本申请实施例包括：
201、服务器获取至少一个待识别图像信息。
在一些实施例中，服务器获取图像采集设备(如摄像头)发送的待识别图像信息，通过服务器对图像采集设备采集到的待识别图像信息进行监控，其中，本实施例中的服务器可以与1个图像采集设备进行连接(即对1个图像采集设备采集到的图像信息进行监控)，也可以与多个图像采集设备进行连接(即同时对多个图像采集设备采集到的图像信息进行监控)，一个图像采集设备对应一个待识别图像信息，本实施例对图像采集设备的具体个数此处不作限定。
其中，该待识别图像信息可以为图像，也可以为视频，如果为视频时，服务器在获取到视频之后，需要对视频进行分帧处理，将视频分为多帧图像，然后对多帧图像进行监控(即图像信息识别)。
202、服务器对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体。
本实施例中，服务器中预设有算法主体识别网络模型，该算法主体识别网络模型可以识别出待识别图像信息中包含的算法主体的算法类型，本实施例中的算法主体包括人、车辆、动物以及物品等，其中，算法主体包括的具体类型以及数量可由用户在训练算法主体识别网络模型时确定，算法主体的具体类型以及数量此处不作限定。
203、服务器根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级。
具体地，本实施例中的服务器中设有算法主体与优先级的对应关系，即为各种算法主体都设置了优先级，当服务器通过对待识别图像信息进行识别得到各待识别图像分别对应的算法主体之后，根据预设的算法主体与优先级的对应关系确定每个识别出来的算法主体的优先级。
例如，本实施例中的服务器与3个图像获取设备有连接关系，服务器获取该3个图像获取设备发送的待识别图像信息，即第一待识别图像信息、第二待识别图像信息以及第三待识别图像信息，然后服务器分别对第一待识别图像信息、第二待识别图像信息以及第三待识别图像信息中的算法主体进行识别，得到第一待识别图像信息对应的算法主体为人，第二待识别图像信息对应的算法主体为车辆，第三待识别图像信息对应的算法主体为动物。其中，在策略配置中心中维护有算法主体与优先级的对应关系，例如，人对应的优先级为1(1的优先级最高)，车辆对应的优先级为2、动物对应的优先级为3，物品对应的优先级为4，此时，通过算法主体与优先级的对应关系确定识别出来的算法主体中，人的优先级为1，车辆的优先级为2，动物的优先级为3。
204、服务器在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法。
本实施例中，服务器需要在预设算法资源下(即一定的算力资源，例如300个算力资源，算力资源的具体大小可根据具体应用场景进行设定，具体此处不作限定)对获取到的待识别图像信息进行事件识别处理。
在一些实施例中，为了节省算力，本实施例只对识别出来的算法主体中优先级最高的算法主体进行事件识别处理，使得用户可以优先监控到比较想要关注到的事件，此时，在对待识别图像信息进行事件识别处理时，具体实现以下步骤：根据至少一个所述算法主体的优先级，将至少一个所述算法主体中优先级最高的算法主体确定为目标算法主体；从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法；根据所述目标算法对所述待识别图像信息进行事件识别处理，得到所述识别结果。
例如，如图3所示，服务器获取3个图像获取设备发送的第一待识别图像信息、第二待识别图像信息以及第三待识别图像信息之后，对该三个待识别图像信息分别进行算法主体识别处理，识别得到第一待识别图像信息对应的算法主体为人，第二待识别图像信息对应的算法主体为车辆，第三待识别图像信息对应的算法主体为动物。其中，在策略配置中心中的表1中维护有算法主体与优先级的对应关系，例如，人对应的优先级为1，车辆对应的优先级为2、动物对应的优先级为3，物品对应的优先级为4，此时，通过算法主体与优先级的对应关系可以确定识别出来的算法主体中，人的优先级为1，车辆的优先级为2，动物的优先级为3。由于算法主体人的优先级比车辆以及动物的优先级高，所以服务器将人确定为目标算法主体，然后从所述算法仓库中提取与目标算法主体对应的算法作为目标算法(即人对应的算法)；根据所述目标算法对所述待识别图像信息进行事件识别处理，得到所述识别结果。
其中，每个算法主体都对应有至少一个算法事件，为了识别到目标算法主体对应的所有算法事件，在一些实施例中，可以将目标算法主体对应的所有算法事件对应的算法都作为目标算法，此时，在一些实施例中，可以根据预设的算法事件与优先级的对应关系确定目标算法主体对应的各个算法事件的优先级，然后根据各个算法事件的优先级依次执行各个算法事件分别对应的目标算法，也可以同时执行目标算法主体对应的所有目标算法。
在另一些实施例中，为了提高算法的识别效率，让服务器可以第一时间识别到用户最关注的算法事件，以及进一步减轻服务器的压力，此时，根据预设的算法事件与优先级的对应关系，确定所述目标算法主体中优先级最高的目标算法事件，也即将目标算法主体对应的多个算法事件中优先级最高的算法事件确定为目标算法事件，然后从算法仓库中提取目标算法事件对应的算法作为目标算法，此时，在服务器预设算法资源下，只需要运行目标算法对获取到的识别图像信息进行监控，
例如，如图4所示，服务器获取3个图像获取设备发送的第一待识别图像信息、第二待识别图像信息以及第三待识别图像信息之后，对该三个待识别图像信息分别进行算法主体识别处理，识别得到第一待识别图像信息对应的算法主体为人，第二待识别图像信息对应的算法主体为车辆，第三待识别图像信息对应的算法主体为动物。其中，在策略配置中心中的表1中维护有算法主体与优先级的对应关系，例如，人对应的优先级为1，车辆对应的优先级为2、动物对应的优先级为3，物品对应的优先级为4，此时，通过算法主体与优先级的对应关系可以确定识别出来的算法主体中，人的优先级为1，车辆的优先级为2，动物的优先级为3。由于算法主体人的优先级比车辆以及动物的优先级高，所以服务器将人确定为目标算法主体。其中，在策略配置中心中的表2中维护有算法事件与优先级的对应关系，例如，人算法主体对应的算法事件包括：人手持尖锐物品，人扔垃圾等，其中，人手持尖锐物品对应的优先级为1.1，人扔垃圾对应的优先级为1.2；车辆算法主体对应的算法事件包括：车辆撞人，车辆撞车等，其中，车辆撞人的优先级为2.1、车辆撞车的优先级为2.2。由于本实施例中的目标算法主体为人，此时，需要从人算法主体对应的多个算法事件中确定优先级最高的算法事件，表2中算法事件与优先级的对应关系中可知，人算法主体对应的优先级最高的算法事件为人手持尖锐物品，此时，将人手持尖锐物品确定为目标算法事件，然后从算法仓库中提取与目标算法事件对应的算法作为目标算法，然后根据目标算法对获取到的待识别图像信息进行事件识别处理。
需要说明的是，本实施例中的目标算法可以根据当前获取到的待识别图像信息动态调整，通过目标算法对待识别图像信息进行事件识别，可以优先识别到待识别图像信息中用户最想关注到的事件。
在一些实施例中，获取到的待识别图像信息包括预设时长(例如2分钟，具体时长可由用户进行设定，具体此处不作限定)的待识别视频，例如，当图像获取设备获取到预设时长的待识别视频之后，将该预设时长的待识别视频发送给服务器，又例如，图像获取设备将获取到的待识别视频实时发送给服务器，然后服务器将获取到的待识别视频存在缓存中，当存到预设时长的待识别视频之后，服务器再从缓存中读取预设时长的待识别视频。
当待识别图像信息包括预设时长的待识别视频时，此时，为了对预设时长的待识别视频中的各种算法主体都进行监控，实现全方位监控，此时，在对待识别图像进行事件识别处理时，具体包括以下步骤：从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法；在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果。
例如，如图5所示，当识别到待识别视频对应的算法主体为人以及车时，此时需要从算法仓库中提取人对应的算法以及车对应的算法作为候选算法，得到人候选算法以及车辆候选算法，由于人候选算法的优先级高于车辆候选算法的优先级，车辆候选算法的优先级高于动物候选算法的优先级，所以在预设时长(与待识别视频的时长一致)内，先调用人候选算法，人候选算法对待识别视频识别完成之后，得到人候选算法对应的识别结果，然后再调用车辆候选算法，得到车辆候选算法对应的识别结果，最后再调用动物候选算法，得到动物候选算法对应的识别结果。
可见，本方案在对预设时长的待识别视频中的各种算法主体都进行监控时，会优先运行优先级高的算法，可以使得用户可以优先关注到最想要关注的事件，例如，待识别视频中，有人手持尖锐物品刺伤了另外一个人，还有车辆出现了剐蹭，此时，服务器会优先使用人候选算法识别得到人受伤的识别结果，然后使用车辆候选算法识别得到车辆剐蹭的识别结果，使得用户优先得到人受伤的识别结果。
进一步地，由于各个算法主体包括至少一个算法事件，每个算法事件都有其对应的算法，此时在确定候选算法的时候，需要从所述算法仓库中提取与各所述算法事件分别对应的算法作为候选事件算法，得多个所述候选事件算法。得到多个算法事件分别对应的候选算法之后，再根据各所述算法主体分别对应的算法事件与优先级的对应关系以及所述算法主体的优先级，确定各所述候选事件算法的优先级；最后根据各所述候选事件算法的优先级从多个所述候选事件算法中依次调用所述候选事件算法对所述待识别视频进行识别处理，得到所述识别结果。
其中，如果在预设时长内还没有执行完所有的算法，则可以放弃执行优先级较低的算法，继续获取下一识别周期预设时长的待识别视频，进入下一周期的识别。
在一些实施例中，识别结果包括多个子识别结果，在预设时长内，根据候选算法的优先级从多个候选算法中依次调用候选算法对待识别视频进行识别处理，得到识别结果之后，还可以根据预设的子识别结果与优先级的对应关系，确定各子识别结果的优先级；根据各子识别结果的优先级对多个子识别结果进行排序处理；显示排序后的多个子识别结果。如图6所示，策略配置中心中维护有表1、表2以及表3，表1中维护有算法主体与优先级的对应关系，表2中维护有算法事件与优先级的对应关系，表3中维护有子识别结果与优先级的对应关系，其中，表1、表2以及表3中的优先级由用户自定义设置，用户可以随时调整表1、表2以及表3中的优先级，例如，在特定时期内需要将某事件设定成了严重关注级别，此时需要在策略配置中心中提高该事件的优先级，其中，当用户需要添加新算法时，需要添加该新算法对应的主体优先级、事件优先级以及子结果优先级。
在一些实施例中，如图7所示，子识别结果包括人受伤、人扔垃圾以及和车辆剐蹭，根据策略配置中心中的表3可知，人受伤的优先级为1.1、人扔垃圾的优先级为1.2、车辆剐蹭的优先级为2.2，由此可知人受伤的优先级大于人扔垃圾的优先级，人扔垃圾的优先级大于车辆剐蹭的优先级，然后根据优先级的大小，依次对各子识别结果进行排序，显示排序后的多个子识别结果。
可见，本实施例中，会对得到的子识别结果进行排序，使得用户可以快速定位想要关注的事件。
本实施例中，每得到一个子识别结果，则算完成一个任务，如果在一定时间(例如2分钟)内某算法没有识别到结果，那么则默认得到一个空结果(也算完成一个任务)。
在一些实施例中，待识别图像信息包括预设时长的待识别视频，用户可以在服务器中输入期望任务数量，相应地，服务器获取期望任务数量，该期望任务数量为用户期望在预设时长内完成的算法的数量；此时服务器获取所述预设算力资源下，在所述预设时长内完成的历史任务数量，其中，该历史任务数量为服务器在预设算力资源下多个历史预设时长中平均完成的任务数量；然后确定所述期望任务数量是否小于或等于所述历史任务数量；若所述期望任务数量小于或等于所述历史任务数量，则在所述预设时长内，根据所述预设算力资源、至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库对所述待识别图像信息进行事件识别处理，得到所述识别结果。
例如，用户期望在预设时长内完成的3个任务(即期望任务数量为3)，然后基于历史数据发现，在预设时长内完成的历史任务数量也为3个(或者大于3个)，此时，说明当前算力足以支撑在预设时长内完成期望任务数量的任务，继续基于预设算力资源对视频进行监控。
在一些实施例中，若期望任务数量大于历史任务数量，则服务器增加算力资源，得到新增算力资源；服务器根据至少一个算法主体、至少一个算法主体的优先级以及算法仓库为预设算力资源分配第一算法，以及为新增算力资源分配第二算法，第一算法以及第二算法为算法仓库中优先级最高的两个算法主体分别对应的算法；服务器在预设时长内，根据预设算力资源对待识别图像信息执行第一算法，以及根据新增算力资源对待识别图像信息执行第二算法，得到识别结果。
例如，用户期望在预设时长内完成的6个任务(即期望任务数量为6)，然后基于历史数据发现，在预设时长内完成的历史任务数量为3个，此时，说明当前算力不足以支撑在预设时长内完成期望任务数量的任务，此时，需要增加算力资源，得到新增算力资源，然后再根据至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库为所述预设算力资源分配第一算法，以及为所述新增算力资源分配第二算法，其中，所述第一算法以及所述第二算法为所述算法仓库中优先级最高的两个所述算法主体分别对应的算法；然后在所述预设时长内，根据所述预设算力资源对所述待识别图像信息执行所述第一算法，以及根据所述新增算力资源对所述待识别图像信息执行所述第二算法，得到所述识别结果。
例如，如图8所示，第一算法为人算法主体对应的算法，第二算法为车辆算法主体对应的算法，分别在预设算法资源以及新增算法资源下并行执行第一算法以及第二算法，得到识别结果。
其中，在一些实施例中，第一算法包括至少一个算法事件对应的事件算法，在预设算法资源中，根据各事件算法的优先级依次执行对应的事件算法；同理，第二算法也包括至少一个算法事件对应的事件算法，在新增算法资源中，根据各事件算法的优先级依次执行对应的事件算法。
在另一些实施例中，如果需要针对每个识别出来的算法主体都进行监控，并且识别出来的算法主体大于1个，则根据算法主体的优先级，将不同算法主体算法均分给预设算法资源以及新增算法资源，例如，识别出来的算法主体有4个，优先级分别为1、2、3、4，那么将优先级为1和3的算法主体对应的算法分配给预设算法资源，将优先级为2和4的算法主体对应的算法分配给新增算法资源。
在一些实施例中，为了可以进一步丰富算法仓库中的算法，以及避免算法仓库中存在相同事件的算法，浪费算力资源，本实施例中，服务器可以接收用户输入的新算法、所述新算法对应的样例以及所述新算法对应的优先级；然后为了避免算法仓库中存在相同事件的算法，需要对所述样例进行用例识别处理，得到样例算法主体(其中，该样例算法主体可以为某已有算法主体下的算法事件，也可以为一个新算法主体下的算法事件)；然后确定所述算法仓库中是否存有与所述样例算法主体对应的算法；若所述算法仓库中存有与所述样例算法主体对应的算法，则拒绝接收所述新算法，并可选地提示用户在算法仓库中已有该算法；若所述算法仓库中不存有与所述样例算法主体对应的算法，则将所述新算法存入所述算法仓库中；如果新算法对应的是一个新算法主体，此时，需要根据所述新算法对应的主体优先级更新所述算法主体与优先级的对应关系，进一步地，如果服务器中设有算法事件与优先级的对应关系，还要根据新算法对应的事件优先级更新对应算法主体下的算法事件与优先级的对应关系。
例如，如果用户需要新增一个人手持枪支算法事件的新算法，那么需要上传新算法对应的样例，例如该样例为人手持枪支的视频，然后服务器对该样例进行识别，识别到样例算法主体为人手持枪支算法事件，此时，判断算法仓库中是否有人手持枪支的算法事件，如果没有，则在算法仓库中新增该算法事件，并且为该算法事件增加对应的优先级。
综上所述，本实施例在获取至少一个待识别图像信息之后，会对各待识别图像信息进行算法主体识别处理，得到至少一个算法主体；然后根据预设的算法主体与优先级的对应关系确定各算法主体的优先级；最后在预设的算力资源下，根据各算法主体的优先级从算法仓库中提取算法对待识别图像信息进行事件识别处理，不需要算法仓库中所有的算法并行参与事件识别，可见，本方案只会调用与识别到的算法主体相关的算法，并且还会根据识别到的算法主体之间优先级进一步进行算法的调用，例如只调用优先级最高的算法主体对应的算法或者根据优先级依次执行各算法主体，并且本方案可以在一定的算力资源下对待识别图像信息进行事件识别处理，不需要因为算法库中新增了算法而新增相应算力资源，可见，通过本方案可以节省算力资源。
图9是本申请实施例提供的一种图像信息识别装置的示意性框图。如图9所示，对应于以上图像信息识别方法，本申请还提供一种图像信息识别装置。该图像信息识别装置包括用于执行上述图像信息识别方法的单元，该装置可以被配置于终端或服务器中。具体地，请参阅图9，该图像信息识别装置900包括收发模块901以及处理模块902，其中：
收发模块901，用于获取至少一个待识别图像信息；
处理模块902，用于对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体；根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级；在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法。
在一些实施例中，所述处理模块902在执行所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
根据至少一个所述算法主体的优先级，将至少一个所述算法主体中优先级最高的算法主体确定为目标算法主体；
从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法；
根据所述目标算法对所述待识别图像信息进行事件识别处理，得到所述识别结果。
在一些实施例中，所述处理模块902在执行所述从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法步骤时，具体用于：
根据预设的算法事件与优先级的对应关系，确定所述目标算法主体中优先级最高的目标算法事件；
从所述算法仓库中提取与所述目标算法事件对应的算法作为所述目标算法。
在一些实施例中，所述待识别图像信息包括预设时长的待识别视频，所述处理模块902在执行所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法；
在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果。
在一些实施例中，各所述算法主体包括至少一个算法事件，所述处理模块902在执行所述从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法步骤时，具体用于：
从所述算法仓库中提取与各所述算法事件分别对应的算法作为候选事件算法，得多个所述候选事件算法；
所述根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果，包括：
根据各所述算法主体分别对应的算法事件与优先级的对应关系以及所述算法主体的优先级，确定各所述候选事件算法的优先级；
根据各所述候选事件算法的优先级从多个所述候选事件算法中依次调用所述候选事件算法对所述待识别视频进行识别处理，得到所述识别结果。
在一些实施例中，所述识别结果包括多个子识别结果，所述处理模块902在执行所述在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果步骤之后，还用于：
根据预设的子识别结果与优先级的对应关系，确定各所述子识别结果的优先级；
根据各所述子识别结果的优先级对多个所述子识别结果进行排序处理；
通过所述收发模块901显示排序后的多个所述子识别结果。
在一些实施例中，所述待识别图像信息包括预设时长的待识别视频，所述处理模块902在执行所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤之前，还用于：
获取期望任务数量，所述期望任务数量为用户期望在预设时长内完成的算法的数量；
获取所述预设算力资源下，在所述预设时长内完成的历史任务数量；
确定所述期望任务数量是否小于或等于所述历史任务数量；
所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
若所述期望任务数量小于或等于所述历史任务数量，则在所述预设时长内，根据所述预设算力资源、至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库对所述待识别图像信息进行事件识别处理，得到所述识别结果。
在一些实施例中，所述处理模块902在执行所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
若所述期望任务数量大于所述历史任务数量，则增加算力资源，得到新增算力资源；
根据至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库为所述预设算力资源分配第一算法，以及为所述新增算力资源分配第二算法，所述第一算法以及所述第二算法为所述算法仓库中优先级最高的两个所述算法主体分别对应的算法；
在所述预设时长内，根据所述预设算力资源对所述待识别图像信息执行所述第一算法，以及根据所述新增算力资源对所述待识别图像信息执行所述第二算法，得到所述识别结果。
在一些实施例中，所述收发模块901还用于，接收用户输入的新算法、所述新算法对应的样例以及所述新算法对应的优先级；
所述处理模块902还用于，对所述样例进行用例识别处理，得到样例算法主体；确定所述算法仓库中是否存有与所述样例算法主体对应的算法；若所述算法仓库中存有与所述样例算法主体对应的算法，则拒绝接收所述新算法；若所述算法仓库中不存有与所述样例算法主体对应的算法，则将所述新算法存入所述算法仓库中；根据所述新算法对应的优先级更新所述算法主体与优先级的对应关系。
可见，本方案只会调用与识别到的算法主体相关的算法，并且还会根据识别到的算法主体之间优先级进一步进行算法的调用，例如只调用优先级最高的算法主体对应的算法或者根据优先级依次执行各算法主体，并且本方案可以在一定的算力资源下对待识别图像信息进行事件识别处理，不需要因为算法库中新增了算法而新增相应算力资源，可见，通过本方案可以节省算力资源。
上面从模块化功能实体的角度对本申请实施例中的图像信息识别系统进行了描述，下面从硬件处理的角度分别对本申请实施例中的图像信息识别装置进行描述。
需要说明的是，在本申请实施例各实施例(包括图9所示的各实施例)中所有的收发模块对应的实体设备可以为收发器，所有的处理模块对应的实体设备可以为处理器。当其中一种装置具有如图9所示的结构时，处理器、收发器和存储器实现前述对应该装置的装置实施例提供的所述收发模块和所述处理模块相同或相似的功能，图10中的存储器存储处理器执行上述图像信息识别方法时需要调用的计算机程序。
图9所示的系统可以具有如图10所示的结构，当图9所示的装置具有如图10所示的结构时，图10中的处理器能够实现前述对应该装置的装置实施例提供的所述处理模块相同或相似的功能，图10中的收发器能够实现前述对应该装置的装置实施例提供的所述收发模块相同或相似的功能，图10中的存储器存储处理器执行上述图像信息识别方法时需要调用的计算机程序。在本申请实施例图9所示的实施例中的所述收发模块所对应的实体设备可以为输入输出接口，所述处理模块对应的实体设备可以为处理器。
本申请实施例还提供了另一种终端设备，如图11所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(英文全称：Personal Digital Assistant，英文简称：PDA)、销售终端(英文全称：Point of Sales，英文简称：POS)、车载电脑等任意终端设备，以终端为手机为例：
图11示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图11，手机包括：射频(英文全称：Radio Frequency，英文简称：RF)电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真(英文全称：wirelessfidelity，英文简称：Wi-Fi)模块670、处理器680、以及电源690等部件。本领域技术人员可以理解，图11中示出的手机结构并不构成对手机的限定，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。
下面结合图11对手机的各个构成部件进行具体的介绍：
RF电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器680处理；另外，将设计上行的数据发送给基站。通常，RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(英文全称：LowNoise Amplifier，英文简称：LNA)、双工器等。此外，RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(英文全称：Global System of Mobile communication，英文简称：GSM)、通用分组无线服务(英文全称：General Packet Radio Service，英文简称：GPRS)、码分多址(英文全称：Code Division Multiple Access，英文简称：CDMA)、宽带码分多址(英文全称：Wideband Code Division Multiple Access,英文简称：WCDMA)、长期演进(英文全称：LongTerm Evolution，英文简称：LTE)、电子邮件、短消息服务(英文全称：Short MessagingService，英文简称：SMS)等。
存储器620可用于存储软件程序以及模块，处理器680通过运行存储在存储器620的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器680，并能接收处理器680发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632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、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(英文全称：LiquidCrystal Display，英文简称：LCD)、有机发光二极管(英文全称：Organic Light-EmittingDiode,英文简称：OLED)等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器680以确定触摸事件的类型，随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图11中，触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器650，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板641的亮度，接近传感器可在手机移动到耳边时，关闭显示面板641和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路660、扬声器661，传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号，传输到扬声器661，由扬声器661转换为声音信号输出；另一方面，传声器662将收集的声音信号转换为电信号，由音频电路660接收后转换为音频数据，再将音频数据输出处理器680处理后，经RF电路610以发送给比如另一手机，或者将音频数据输出至存储器620以便进一步处理。
Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了Wi-Fi模块670，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
处理器680是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器680可包括一个或多个处理模块；优选的，处理器680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680中。
手机还包括给各个部件供电的电源690(比如电池)，电源可以通过电源管理系统与处理器680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。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该手机所包括的处理器680还具有控制执行以上由图2所示的图像信息识别方法的流程图。
图12是本申请实施例提供的一种服务器结构示意图，该服务器720可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：centralprocessing units，英文简称：CPU)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器722可以设置为与存储介质730通信，在服务器720上执行存储介质730中的一系列指令操作。
服务器720还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，和/或，一个或一个以上操作系统741，例如Windows Server，Mac OS X，Unix,Linux，FreeBSD等等。
上述实施例中由服务器所执行的步骤可以基于该图12所示的服务器720的结构。例如上述实施例中由图2所示的服务器的步骤可以基于该图12所示的服务器结构。例如，所述处理器722通过调用存储器732中的指令，执行以下操作：
获取至少一个待识别图像信息；
对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体；
根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级；
在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。
Claims (17)
1.一种图像信息识别方法，其特征在于，包括：
获取至少一个待识别图像信息；
对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体；
根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级；
在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法；
其中，所述待识别图像信息对应的至少一个算法主体通过预设的算法主体识别网络模型对所述至少一个所述待识别图像信息进行处理得到；
所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
根据至少一个所述算法主体的优先级，将至少一个所述算法主体中优先级最高的算法主体确定为目标算法主体；
从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法；
根据所述目标算法对所述待识别图像信息进行事件识别处理，得到所述识别结果；
其中，每个所述算法主体都对应有至少一个算法事件；
所述从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法，包括：
根据预设的算法事件与优先级的对应关系，确定所述目标算法主体中优先级最高的目标算法事件；
从所述算法仓库中提取与所述目标算法事件对应的算法作为所述目标算法；
其中，所述目标算法可根据当前获取到的待识别图像信息动态调整。
2.根据权利要求1所述的方法，其特征在于，所述待识别图像信息包括预设时长的待识别视频，所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法；
在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果。
3.根据权利要求2所述的方法，其特征在于，各所述算法主体包括至少一个算法事件，所述从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法，包括：
从所述算法仓库中提取与各所述算法事件分别对应的算法作为候选事件算法，得多个所述候选事件算法；
所述根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果，包括：
根据各所述算法主体分别对应的算法事件与优先级的对应关系以及所述算法主体的优先级，确定各所述候选事件算法的优先级；
根据各所述候选事件算法的优先级从多个所述候选事件算法中依次调用所述候选事件算法对所述待识别视频进行识别处理，得到所述识别结果。
4.根据权利要求2所述的方法，其特征在于，所述识别结果包括多个子识别结果，所述在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果之后，所述方法还包括：
根据预设的子识别结果与优先级的对应关系，确定各所述子识别结果的优先级；
根据各所述子识别结果的优先级对多个所述子识别结果进行排序处理；
显示排序后的多个所述子识别结果。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述待识别图像信息包括预设时长的待识别视频，所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果之前，所述方法还包括：
获取期望任务数量，所述期望任务数量为用户期望在预设时长内完成的算法的数量；
获取所述预设算力资源下，在所述预设时长内完成的历史任务数量；
确定所述期望任务数量是否小于或等于所述历史任务数量；
所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
若所述期望任务数量小于或等于所述历史任务数量，则在所述预设时长内，根据所述预设算力资源、至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库对所述待识别图像信息进行事件识别处理，得到所述识别结果。
6.根据权利要求5所述的方法，其特征在于，所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
若所述期望任务数量大于所述历史任务数量，则增加算力资源，得到新增算力资源；
根据至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库为所述预设算力资源分配第一算法，以及为所述新增算力资源分配第二算法，所述第一算法以及所述第二算法为所述算法仓库中优先级最高的两个所述算法主体分别对应的算法；
在所述预设时长内，根据所述预设算力资源对所述待识别图像信息执行所述第一算法，以及根据所述新增算力资源对所述待识别图像信息执行所述第二算法，得到所述识别结果。
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
接收用户输入的新算法、所述新算法对应的样例以及所述新算法对应的优先级；
对所述样例进行用例识别处理，得到样例算法主体；
确定所述算法仓库中是否存有与所述样例算法主体对应的算法；
若所述算法仓库中存有与所述样例算法主体对应的算法，则拒绝接收所述新算法；
若所述算法仓库中不存有与所述样例算法主体对应的算法，则将所述新算法存入所述算法仓库中；
根据所述新算法对应的优先级更新所述算法主体与优先级的对应关系。
8.一种图像信息识别装置，其特征在于，包括：
收发模块，用于获取至少一个待识别图像信息；
处理模块，用于对至少一个所述待识别图像信息进行算法主体识别处理，得到所述待识别图像信息对应的至少一个算法主体；根据预设的算法主体与优先级的对应关系确定至少一个所述算法主体中各算法主体的优先级；在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，所述算法仓库中存有多个算法主体分别对应的算法；
其中，所述待识别图像信息对应的至少一个算法主体通过预设的算法主体识别网络模型对所述至少一个所述待识别图像信息进行处理得到；
所述处理模块在执行所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
根据至少一个所述算法主体的优先级，将至少一个所述算法主体中优先级最高的算法主体确定为目标算法主体；
从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法；
根据所述目标算法对所述待识别图像信息进行事件识别处理，得到所述识别结果；
其中，每个所述算法主体都对应有至少一个算法事件；
所述处理模块在执行所述从所述算法仓库中提取所述目标算法主体对应的算法作为所述目标算法步骤时，具体用于：
根据预设的算法事件与优先级的对应关系，确定所述目标算法主体中优先级最高的目标算法事件；
从所述算法仓库中提取与所述目标算法事件对应的算法作为所述目标算法；
其中，所述目标算法可根据当前获取到的待识别图像信息动态调整。
9.根据权利要求8所述的装置，其特征在于，所述待识别图像信息包括预设时长的待识别视频，所述处理模块在执行所述根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法；
在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果。
10.根据权利要求9所述的装置，其特征在于，各所述算法主体包括至少一个算法事件，所述处理模块在执行所述从所述算法仓库中提取与各所述算法主体分别对应的算法作为候选算法，得多个候选算法步骤时，具体用于：
从所述算法仓库中提取与各所述算法事件分别对应的算法作为候选事件算法，得多个所述候选事件算法；
所述根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果，包括：
根据各所述算法主体分别对应的算法事件与优先级的对应关系以及所述算法主体的优先级，确定各所述候选事件算法的优先级；
根据各所述候选事件算法的优先级从多个所述候选事件算法中依次调用所述候选事件算法对所述待识别视频进行识别处理，得到所述识别结果。
11.根据权利要求9所述的装置，其特征在于，所述识别结果包括多个子识别结果，所述处理模块在执行所述在所述预设时长内，根据所述候选算法的优先级从多个所述候选算法中依次调用所述候选算法对所述待识别视频进行识别处理，得到所述识别结果步骤之后，还用于：
根据预设的子识别结果与优先级的对应关系，确定各所述子识别结果的优先级；
根据各所述子识别结果的优先级对多个所述子识别结果进行排序处理；
通过所述收发模块显示排序后的多个所述子识别结果。
12.根据权利要求8至11中任一项所述的装置，其特征在于，所述待识别图像信息包括预设时长的待识别视频，所述处理模块在执行所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤之前，还用于：
获取期望任务数量，所述期望任务数量为用户期望在预设时长内完成的算法的数量；
获取所述预设算力资源下，在所述预设时长内完成的历史任务数量；
确定所述期望任务数量是否小于或等于所述历史任务数量；
所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果，包括：
若所述期望任务数量小于或等于所述历史任务数量，则在所述预设时长内，根据所述预设算力资源、至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库对所述待识别图像信息进行事件识别处理，得到所述识别结果。
13.根据权利要求12所述的装置，其特征在于，所述处理模块在执行所述在预设算力资源下，根据至少一个所述算法主体、至少一个所述算法主体的优先级以及预设的算法仓库对所述待识别图像信息进行事件识别处理，得到识别结果步骤时，具体用于：
若所述期望任务数量大于所述历史任务数量，则增加算力资源，得到新增算力资源；
根据至少一个所述算法主体、至少一个所述算法主体的优先级以及所述算法仓库为所述预设算力资源分配第一算法，以及为所述新增算力资源分配第二算法，所述第一算法以及所述第二算法为所述算法仓库中优先级最高的两个所述算法主体分别对应的算法；
在所述预设时长内，根据所述预设算力资源对所述待识别图像信息执行所述第一算法，以及根据所述新增算力资源对所述待识别图像信息执行所述第二算法，得到所述识别结果。
14.根据权利要求8至11中任一项所述的装置，其特征在于，所述收发模块还用于，接收用户输入的新算法、所述新算法对应的样例以及所述新算法对应的优先级；
所述处理模块还用于，对所述样例进行用例识别处理，得到样例算法主体；
确定所述算法仓库中是否存有与所述样例算法主体对应的算法；若所述算法仓库中存有与所述样例算法主体对应的算法，则拒绝接收所述新算法；若所述算法仓库中不存有与所述样例算法主体对应的算法，则将所述新算法存入所述算法仓库中；根据所述新算法对应的优先级更新所述算法主体与优先级的对应关系。
15.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
17.一种包含指令的计算机程序产品，其特征在于，所述计算机程序产品包括程序指令，当所述程序指令在计算机或处理器上运行时，使得所述计算机或所述处理器执行如权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211231771.2A CN115909186B (zh) | 2022-09-30 | 2022-09-30 | 图像信息识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211231771.2A CN115909186B (zh) | 2022-09-30 | 2022-09-30 | 图像信息识别方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115909186A CN115909186A (zh) | 2023-04-04 |
| CN115909186B true CN115909186B (zh) | 2024-05-14 |
Family
ID=86483081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211231771.2A Active CN115909186B (zh) | 2022-09-30 | 2022-09-30 | 图像信息识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909186B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799806A (zh) * | 2012-06-14 | 2012-11-28 | 中国人民解放军信息工程大学 | 一种基于树结构的密码算法逻辑表达式识别方法 |
| CN108088426A (zh) * | 2017-12-11 | 2018-05-29 | 宁波亿拍客网络科技有限公司 | 一种摄录观测目标定位测量方法 |
| CN111325151A (zh) * | 2020-02-20 | 2020-06-23 | 京东数字科技控股有限公司 | 展示优先级的获取方法、装置、终端及计算机可读介质 |
| CN112052713A (zh) * | 2020-04-15 | 2020-12-08 | 上海摩象网络科技有限公司 | 一种视频处理方法、设备及手持相机 |
| CN112215114A (zh) * | 2020-09-30 | 2021-01-12 | 中航(成都)无人机系统股份有限公司 | 一种目标识别方法、装置、设备及计算机可读存储介质 |
| CN113963197A (zh) * | 2021-09-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备和可读存储介质 |
| KR20220049967A (ko) * | 2020-10-15 | 2022-04-22 | 주식회사 케이티 | 적대적 공격에 대한 방어 방법 및 그 장치 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8333759B2 (en) * | 2009-01-12 | 2012-12-18 | Covidien Lp | Energy delivery algorithm for medical devices |
| BR112015026374B1 (pt) * | 2013-04-19 | 2022-04-12 | James Carey | Sistema de reconhecimento analítico |
| FR3094511B1 (fr) * | 2019-03-25 | 2021-04-09 | Alstom Transp Tech | Procédé d’acquisition de données capturées par un module de capture embarqué dans un engin mobile suivant une trajectoire prédéterminée, programme d’ordinateur et dispositif correspondants |
-
2022
- 2022-09-30 CN CN202211231771.2A patent/CN115909186B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799806A (zh) * | 2012-06-14 | 2012-11-28 | 中国人民解放军信息工程大学 | 一种基于树结构的密码算法逻辑表达式识别方法 |
| CN108088426A (zh) * | 2017-12-11 | 2018-05-29 | 宁波亿拍客网络科技有限公司 | 一种摄录观测目标定位测量方法 |
| CN111325151A (zh) * | 2020-02-20 | 2020-06-23 | 京东数字科技控股有限公司 | 展示优先级的获取方法、装置、终端及计算机可读介质 |
| CN112052713A (zh) * | 2020-04-15 | 2020-12-08 | 上海摩象网络科技有限公司 | 一种视频处理方法、设备及手持相机 |
| CN112215114A (zh) * | 2020-09-30 | 2021-01-12 | 中航(成都)无人机系统股份有限公司 | 一种目标识别方法、装置、设备及计算机可读存储介质 |
| KR20220049967A (ko) * | 2020-10-15 | 2022-04-22 | 주식회사 케이티 | 적대적 공격에 대한 방어 방법 및 그 장치 |
| CN113963197A (zh) * | 2021-09-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115909186A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334539B (zh) | 对象推荐方法、移动终端及计算机可读存储介质 | |
| CN104516888B (zh) | 多维数据的权限查询方法及装置 | |
| CN112307311A (zh) | 一种信息搜索方法、装置、设备及存储介质 | |
| CN114973351B (zh) | 人脸识别方法、装置、设备及存储介质 | |
| CN114694226B (zh) | 一种人脸识别方法、系统及存储介质 | |
| CN115658348B (zh) | 微服务调用方法、相关装置及存储介质 | |
| CN115376192B (zh) | 用户异常行为确定方法、装置、计算机设备及存储介质 | |
| CN115022098B (zh) | 人工智能安全靶场内容推荐方法、装置及存储介质 | |
| CN108846051A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN115546516B (zh) | 人员聚档方法、装置、计算机设备及存储介质 | |
| CN115412726B (zh) | 视频真伪检测方法、装置及存储介质 | |
| CN115909186B (zh) | 图像信息识别方法、装置、计算机设备及存储介质 | |
| CN115984643A (zh) | 模型训练方法、相关设备及存储介质 | |
| CN116071614A (zh) | 样本数据处理方法、相关设备及存储介质 | |
| CN115471495B (zh) | 模型鲁棒性检测方法、相关装置及存储介质 | |
| CN111666421B (zh) | 数据处理方法、装置及电子设备 | |
| CN115525554B (zh) | 模型的自动化测试方法、系统及存储介质 | |
| CN115565215B (zh) | 一种人脸识别算法切换方法、装置及存储介质 | |
| CN115050079B (zh) | 人脸识别方法、装置及存储介质 | |
| CN116244071A (zh) | 资源调整方法、相关设备及存储介质 | |
| CN116756350A (zh) | 多媒体数据处理方法、装置、计算机设备及存储介质 | |
| CN115048463B (zh) | 数据迁移方法、系统及存储介质 | |
| CN114722970B (zh) | 一种多媒体检测方法、装置及存储介质 | |
| CN116954631A (zh) | 模型部署方法、相关装置及存储介质 | |
| CN111382335B (zh) | 一种数据拉取方法、装置及存储介质 |
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 |