[go: up one dir, main page]

CN106845331A - 一种图像处理方法及终端 - Google Patents

一种图像处理方法及终端 Download PDF

Info

Publication number
CN106845331A
CN106845331A CN201611026182.5A CN201611026182A CN106845331A CN 106845331 A CN106845331 A CN 106845331A CN 201611026182 A CN201611026182 A CN 201611026182A CN 106845331 A CN106845331 A CN 106845331A
Authority
CN
China
Prior art keywords
image
target
upper limit
target image
images
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.)
Granted
Application number
CN201611026182.5A
Other languages
English (en)
Other versions
CN106845331B (zh
Inventor
王冬陆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201611026182.5A priority Critical patent/CN106845331B/zh
Publication of CN106845331A publication Critical patent/CN106845331A/zh
Priority to US16/461,789 priority patent/US10467743B1/en
Priority to PCT/CN2017/111176 priority patent/WO2018090937A1/zh
Application granted granted Critical
Publication of CN106845331B publication Critical patent/CN106845331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种图像处理方法及终端，所述方法包括：获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；确定所述N个目标图像之间的协方差矩阵；根据所述协方差矩阵确定信息熵上限；判断所述信息熵上限是否大于第一预设阈值；在所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。通过本发明实施例可用于判断一组图像中的人脸是否来自于同一人。

Description

一种图像处理方法及终端
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像处理方法及终端。
背景技术
随着信息技术的快速发展，人脸识别技术在视频监控领域得到了广泛应用。在人脸识别应用领域，人脸检测作为第一个环节，其准确性对人脸识别的性能有很大影响。人脸检测需要具有很强的鲁棒性，因为在实际应用中，人脸图片会受到多种因素的影响，例如光照、遮挡、姿态变化等。人脸检测在人脸识别过程调用的频次最高，需要能够被高效地执行。人脸检测技术主要采用基于手工设计的特征实现，例如Haar特征、LBP(局部二值模式直方图)特征、HOG(梯度方向直方图)特征等，这些特征的计算时间可接受，在实际的应用中也能取得较为满意的结果，因而得到广泛的应用，但是，现有技术中，无法判断一组图像中的人脸是否来自于同一个人。
发明内容
本发明实施例提供了一种图像处理方法及终端，以期可用于判断一组图像中的人脸是否来自于同一人。
本发明实施例第一方面提供了一种图像处理方法，包括：
获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；
确定所述N个目标图像之间的协方差矩阵；
根据所述协方差矩阵确定信息熵上限；
判断所述信息熵上限是否大于第一预设阈值；
在所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；
在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
结合第一方面，在第一方面的第一种可能实施方式中，所述确定所述N个目标图像之间的协方差矩阵，包括：
分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个特征数据；
根据所述N个特征数据计算所述协方差矩阵。
结合第一方面，在第一方面的第二种可能实施方式中，所述确定所述N个目标图像之间的协方差矩阵，包括：
分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
确定所述N个人脸图像之间的协方差矩阵。
结合第一方面或者第一方面的第一种或第二种可能实施方式，在第一方面的第三种可能实施方式中，所述获取N个目标图像，包括：
获取所述N个第二图像；
确定所述N个第二图像中每一第二图像的图像质量评价值，得到所述N个图像质量评价值；
对所述图像质量评价值小于第二预设阈值对应的第二图像进行图像增强处理处理，并保持所述图像质量评价值大于或等于所述第二预设阈值对应的第二图像，得到所述N个目标图像。
结合第一方面或者第一方面的第一种或第二种可能实施方式，在第一方面的第四种可能实施方式中，所述获取N个目标图像，包括：
获取M个第一图像，其中，所述M为正整数；
对所述M个第一图像进行图像分割，得到所述N个目标图像。
结合第一方面或者第一方面的第一种或第二种可能实施方式，在第一方面的第五种可能实施方式中，所述N个目标图像对应一个目标标签；
在所述根据所述协方差矩阵确定信息熵上限之后，所述方法还包括：
通过所述信息熵上限评估所述目标标签的准确率。
结合第一方面的第五种可能实施方式，在第一方面的第六种可能实施方式中，在所述通过所述信息熵上限评估所述目标标签的准确率之后，所述方法还包括：
在所述准确率低于第三预设阈值时，删除所述N个目标图像；
在所述准确率大于或等于所述第三预设阈值时，保留所述N个目标图像。
本发明实施例第二方面提供了一种终端，包括：
获取单元，用于获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；
第一确定单元，用于确定所述N个目标图像之间的协方差矩阵；
第二确定单元，用于根据所述协方差矩阵确定信息熵上限；
判断单元，用于判断所述信息熵上限是否大于第一预设阈值；
第三确定单元，用于在所述判断单元的判断结果为所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；
所述第三确定单元，还具体用于：
在所述判断单元的判断结果为在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
结合第二方面，在第二方面的第一种可能实施方式中，所述第一确定单元包括：
提取模块，用于分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个特征数据；
计算模块，用于根据所述N个特征数据计算所述协方差矩阵。
结合第二方面，在第二方面的第二种可能实施方式中，所述第一确定单元包括：
第一分割模块，用于分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
第一确定模块，用于确定所述N个人脸图像之间的协方差矩阵。
结合第二方面或者第二方面的第一种或第二种可能实施方式，在第二方面的第三种可能实施方式中，所述获取单元包括：
第一获取模块，用于获取M个第一图像，其中，所述M为正整数；
第二分割模块，用于对所述M个第一图像进行图像分割，得到所述N个目标图像。
结合第二方面或者第二方面的第一种或第二种可能实施方式，在第二方面的第四种可能实施方式中，所述获取单元包括：
第二获取模块，用于获取所述N个第二图像；
第二确定模块，用于确定所述N个第二图像中每一第二图像的图像质量评价值，得到所述N个图像质量评价值；
处理模块，用于对所述图像质量评价值小于第二预设阈值对应的第二图像进行图像增强处理处理，并保持所述图像质量评价值大于或等于所述第二预设阈值对应的第二图像，得到所述N个目标图像。
结合第二方面或者第二方面的第一种或第二种可能实施方式，在第二方面的第五种可能实施方式中，所述N个目标图像对应一个目标标签；
所述终端还包括：
评估单元，用于在所述判断单元在所述根据所述协方差矩阵确定信息熵上限之后，通过所述信息熵上限评估所述目标标签的准确率。
结合第二方面的第五种可能实施方式，在第二方面的第六种可能实施方式中，所述终端还包括：
处理单元，用于在所述评估单元通过所述信息熵上限评估所述目标标签的准确率之后，在所述准确率低于第三预设阈值时，删除所述N个目标图像；在所述准确率大于或等于所述第三预设阈值时，保留所述N个目标图像；
实施本发明实施例，具有如下有益效果：
通过本发明实施例，可获取N个目标图像，其中，每一目标图像中包含一个人脸图像，N为大于1的整数，确定该N个目标图像之间的协方差矩阵，根据该协方差矩阵确定信息熵上限，判断该信息熵上限是否大于第一预设阈值，在该信息熵上限大于第一预设阈值时，则确定N个目标图像中包含不同人的人脸图像，在信息熵上限小于或等于第一预设阈值时，则确定N个目标图像中包含同一人的人脸图像。如此，可判断一组图像中的人脸图像是否来自于同一人。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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是本发明实施例提供的一种图像处理方法的第一实施例流程示意图；
图2是本发明实施例提供的一种图像处理方法的第二实施例流程示意图；
图3a是本发明实施例提供的一种终端的第一实施例结构示意图；
图3b是本发明实施例提供的图3a所描述的终端的第一确定单元的结构示意图；
图3c是本发明实施例提供的图3a所描述的终端的第一确定单元的又一结构示意图；
图3d是本发明实施例提供的图3a所描述的终端的获取单元的结构示意图；
图3e是本发明实施例提供的图3a所描述的终端的获取单元的又一结构示意图；
图4是本发明实施例提供的一种终端的第二实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例所描述终端可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID，Mobile InternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述终端。
需要说明的是，实际应用中，往往需要一个度量(标量)来反映数据之间的差异程度,例如，对于给定一组人脸特征数据，可以通过特征数据之间的差异程度判断这组数据是否全部属于同一个人。虽然对于一维数据,方差可以用作衡量数据之间差异程度的度量。对于多维数据，可计算相应的协方差，协方差是以矩阵的形式存在，并不能直接作为一种度量(标量)。因此，需要一种可用作多维数据差异程度的度量方法。
本发明实施例中提出了一种对多维数据差异程度进行度量的方法，可以更好的保留协方差矩阵中与差异程度相关的信息。而且本方法对混合高斯分布的数据有概率和信息学上合理的解释，可以应用于判断一组(混合高斯分布)人脸特征数据是否属于同一个人的问题。
对于一维数据，通常使用方差，方差在多维数据上的泛化是协方差矩阵。矩阵不能作为标量的度量，所以需要一种有效的多维数据差异程度的度量方法。
例如，方差定义可如下公式：
Var(X)＝E[(X-μ)2]
对于多维数据，协方差矩阵定义为：
对于一组多维数据X，可通过以下方法估计数据的差异程度。首先计算多维数据的协方差矩阵Σ，矩阵行列式的值det(Σ)(或者其任意一个单调映射，例如log(det(Σ)))即可作为差异程度的度量，值越大代表数据之间的差异程度越大。下面给出这种方法的理论解释，以及如何应用于服从混合高斯模型的人脸特征数据。
请参阅图1，为本发明实施例提供的一种图像处理方法的第一实施例流程示意图。本实施例中所描述的图像处理方法，包括以下步骤：
101、获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数。
其中，上述N个目标图像中的每一目标图像可包含一个人脸图像，N为大于1的整数。
可选地，N个目标图像的格式大小相同，也可以部分相同。
可选地，N个目标图像的格式可以相同，也可以部分相同。
可选地，上述获取N个目标图像，可包括如下步骤：
11)、获取M个第一图像，其中，所述M为正整数；
12)、对所述M个第一图像进行图像分割，得到所述N个目标图像。
其中，M可为1或为大于1的整数，在M为1时，可理解为，1个第一图像中可包含N个目标图像。在M大于1时，可理解为，M个第一图像中包含N个目标图像，当然，该M与N的关系可为M大于N，M＝N，或者M小于N，例如，在M大于N时，说明M个第一图像中并非每一第一图像中均包含人脸图像；在M等于N时，可能M个第一图像中每一第一图像中均包含一个人脸图像；在M小于N时，说明至少一个第一图像中包含两个以上的人脸图像。总而言之，M个第一图像中可包含N个人脸图像，因而，可对该M个第一图像分别进行图像分割，可得到N个目标图像，该N个目标图像中每一目标图像中包含一个人脸图像。
其中，上述图像分割可采用灰度阈值分割、区域生长、聚类分析、小波变换、最大类间方差法等等中的至少一种。
可选地，上述获取N个目标图像，可包括如下步骤：
13)、获取所述N个第二图像；
14)、确定所述N个第二图像中每一第二图像的图像质量评价值，得到所述N个图像质量评价值；
15)、对所述图像质量评价值小于第二预设阈值对应的第二图像进行图像增强处理处理，并保持所述图像质量评价值大于或等于所述第二预设阈值对应的第二图像，得到所述N个目标图像。
其中，N个第二图像中，每一第二图像中均包含一个人脸图像，可对N个第二图像中每一第二图像进行图像质量评价，可得到N个图像质量评价值。进一步地，在图像质量评价值i小于第二预设阈值时，对图像质量评价值i对应的第二图像进行图像增强处理，其中，图像质量评价值i为N个图像质量评价值中的任一个，在图像质量评价值j大于或等于该第二预设阈值时，保持图像质量评价值j对应的第二图像。
可选地，可采用至少一个图像质量评价指标对第二图像进行图像质量评价，得到图像质量评价值，其中，图像质量评价指标可包括但不仅限于：平均灰度、均方差、熵、边缘保持度、信噪比等等。
需要说明的是，由于采用单一评价指标对图像质量进行评价时，具有一定的局限性，因此，可采用多个图像质量评价指标对图像质量进行评价，当然，对图像质量进行评价时，并非图像质量评价指标越多越好，因为图像质量评价指标越多，图像质量评价过程的计算复杂度越高，也不见得图像质量评价效果越好，因此，在对图像质量评价要求较高的情况下，可采用2～10个图像质量评价指标对图像质量进行评价。具体地，选取图像质量评价指标的个数及哪个指标，依据具体实现情况而定。当然，也得结合具体地场景选取图像质量评价指标，在暗环境下进行图像质量评价和亮环境下进行图像质量评价选取的图像质量指标可不一样。
可选地，在对图像质量评价精度要求不高的情况下，可用一个图像质量评价指标进行评价，例如，以熵对第二图像进行图像质量评价值，可认为熵越大，则说明图像质量越好，相反地，熵越小，则说明图像质量越差。
可选地，在对图像质量评价精度要求较高的情况下，可以采用多个图像质量评价指标对第二图像进行评价，在多个图像质量评价指标对第二图像进行图像质量评价时，可设置该多个图像质量评价指标中每一图像质量评价指标的权重，可得到多个图像质量评价值，根据该多个图像质量评价值及其对应的权重可得到最终的图像质量评价值，例如，三个图像质量评价指标分别为：A指标、B指标和C指标，A的权重为a1，B的权重为a2，C的权重为a3，采用A、B和C对某一图像进行图像质量评价时，A对应的图像质量评价值为b1，B对应的图像质量评价值为b2，C对应的图像质量评价值为b3，那么，最后的图像质量评价值＝a1b1+a2b2+a3b3。通常情况下，图像质量评价值越大，说明图像质量越好。
可选地，所述对第二图像进行图像质量评价，得到图像质量评价值，包括：
A)、在第二图像中选取人脸图像区域；
B)、确定人脸图像区域的特征点个数；
C)、将特征点个数与预设特征点个数之间的比值作为该第二图像的图像质量评价值。
其中，由于第二图像中可能不仅是包含目标区域，还有可能包含其他区域，因而，可选择该第二图像中的部分区域，例如，可以以该第二图像的中心为圆点，其一定范围内的区域作为目标区域，该目标区域存在目标的概率较大，在该目标区域进行图像识别，得到用户想要的目标的概率较大，因而，可提升识别速度。在步骤B中可对目标区域进行特征点提取，可得到该目标区域的特征点个数，其中，特征点提取可为Harris角点提取、尺度不变特征提取变换(Scale Invariant Feature Transform，SIFT)等等。上述预设特征点个数可由用户自行设置或者系统默认，可将目标区域的特征点个数与预设特征点个数之间的比值作为图像质量评价值。
102、确定所述N个目标图像之间的协方差矩阵。
其中，可计算N个目标图像之间的协方差矩阵。具体地，可分别对N个目标图像进行特征提取，得到N个特征数据集，其中，N个目标图像中的每一目标图像对应一个特征数据集，从而，可根据N个特征数据集确定该N个目标图像之间的协方差矩阵，上述特征提取的方式可为神经网络算法、遗传算法、机器学习算法、Harris角点检测算法等等。
可选地，上述确定所述N个目标图像之间的协方差矩阵，包括：
21)、分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个高斯分布特征数据；
22)、根据所述N个高斯分布特征数据计算所述协方差矩阵。
其中，可分别提取N个目标图像中每一目标图像的特征数据，得到N个特征数据，即每一目标图像可对应一个特征数据，根据N个特征数据计算协方差矩阵。上述步骤21中提取特征数据的方式可为神经网络算法、遗传算法、机器学习算法、Harris角点检测算法等等。
可选地，上述确定所述N个目标图像之间的协方差矩阵，包括：
23)、分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
24)、确定所述N个人脸图像之间的协方差矩阵。
其中，N个目标图像中每一目标图像可不仅仅包含人脸图像区域，还可以包含其他区域，因而，可对N个目标图像中每一目标图像进行目标分割，因而，每一目标图像中可得到一个人脸图像，从而，得到N个人脸图像，可提取N个人脸图像中的每一人脸图像的特征数据，得到N个特征数据，即每一人脸图像可对应一个特征数据，根据N个特征数据计算协方差矩阵。
103、根据所述协方差矩阵确定信息熵上限。
其中，通常情况下，信息学上用熵来表示数据的混乱程度,熵的定义为：
H(X)＝∫P(x)I(x)dx＝-∫P(x)logbP(x)dx，
其中P(x)表示数据的分布，对于给定的协方差矩阵Σ，高斯分布是使信息熵上限最大化的分布，也就是说，当P(x)为高斯分布时对应的信息熵G(X)是H(X)的上限：
G(X)是行列式det(Σ)的单调函数，也就是说，协方差矩阵行列式的值越大,数据信息熵上限越高。
可选地，上述信息熵上限可为一个具体值，也可以是其变化形式，或者，一个信息熵上限函数或者其特征(如单调性)，例如，log(A)，其中，A为信息熵上限的具体值。
可选地，在步骤103之后，可假设上述N个特征数据中每一特征数据均满足高斯分布，在该前提下，执行步骤104。
对于人脸图像数据，一个常见的问题是，给定一组图片，评估这组图片是否属于同一个人。不同图片由于分辨率大小各异，不适于直接对其进行分析。使用人脸图片特征提取方法可以用一个多维向量来表示一张人脸图片，类似地,可以用信息熵上限来评估是否这些特征属于同一个人。理想的情况下，希望直接计算出H(X)，然后可以用如下方法判断。当H(X)大于一个阈值t时，可认为数据混乱程度很高，不是同一个人的数据。
然而，实际情况下，很难知道P(x)的真实分布，所以上述办法不能直接应用。假设对于同一个人的不同照片，特征数据服从多元高斯分布，则对于任意一组图片的特征数据，它们或者服从高斯分布(包含一个人)或者服从高斯混合分布(包含多个人)。当该组图片全部属于同一个人时H(X)＝G(X)，当他们属于多个人时H(X)<G(X)。
因此，可以使用以下的替代方法,对于给定一组人脸特征数据X，计算出它的信息熵上限G(X)。当G(X)大于阈值t时，认为这组数据不属于同一个人。这个方法与基于H(X)的方法不同的情况是，由于G(X)≥H(X)，当G(X)>t时有可能H(X)≤t。但是根据之前的假设，只有当他们属于不同的人时H(X)<G(X)，所以此种情况数据也是不属于同一个人。所以，在“同一个人的不同照片的特征数据服从多元高斯分布”的假设下，这种方法等效甚至优于基于数据真实信息熵的方法。
104、判断所述信息熵上限是否大于第一预设阈值。
其中，上述第一预设阈值可由用户自行设置或者系统默认。当然，优选地，第一预设阈值可为经验值。
105、在所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像。
106、在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
可选地，在信息熵上限大于第一预设阈值时，则确定N个目标图像中包含不同人的人脸图像，在信息熵上限小于或等于第一预设阈值时，则确定N个目标图像中包含同一人的人脸图像。
例如，在实际应用中，若N个目标图像，每一目标图像均为人脸图像，N个目标图像形成一组图像，可提取该N个目标图像中的每一目标图像的特征数据，得到N个特征数据，根据该N个特征数据得到N个目标图像之间的协方差矩阵，利用该协方差矩阵计算信息熵上限，判断该信息熵上限是否大于第一预设阈值，若大于，则该N个目标图像中的人脸图像为不同人，若小于或等于，则N个目标图像中的人脸图像为同一人。因而，可N个目标图像对应一个标签，例如，路人甲，若该N个目标图像中的人脸图像为不同人，则该标签错误，若该N个目标图像中的人脸图像为同一人，则该标签正确。
当然，也可以在步骤102之后，直接计算协方差矩阵的迹(trace),等价于每一维的方差的和。这种把每一个维度分别线性叠加的方法会损失维度之间的关联信息,而且，没有直观的理论解释。以下对协方差矩阵的迹进行描述：
例如，假设，有一组二维数据,第一维的方差为a，第二维的方差为b。如果这两维相互独立，则协方差矩阵为矩阵的迹为a+b。如果这两维互相关联，则对角线之外的元素将不再等于零，但是此时矩阵的迹仍然为a+b，因此，迹不能很好地反应维度之间相互关联的信息。
而且，对每一维度的方差线性相加这种做法并没有一个直观的概率或者信息学上的解释(即使对维度间相互独立的数据)，从而，很难判断这种方法的适用性和局限性。
其中，采用本发明实施例判断一组图像(例如，上述N个目标图像)中的人脸图像是否为同一人，其识别精度更高。可以更好的保留协方差矩阵中与差异程度相关的信息，而且对混合高斯分布的数据有概率和信息学上合理的解释。与人脸图像特征提取方法相结合可以应用于判断一组(混合高斯分布)人脸图像是否属于同一个人,以及人脸图像数据集清理等问题。
可选地，步骤104之后，还可能包含如下情况，例如，上述N个目标图像对应一个目标标签；在所述根据所述协方差矩阵确定信息熵上限之后，还可以包含如下步骤：
通过所述信息熵上限评估所述目标标签的准确率。
具体地，可根据信息熵上限与第二预设阈值进行比对，若其小于第二预设阈值，则说明该目标标签正确，若其大于或等于第二预设阈值，则说明该目标标签不正确。当然，上述第二预设阈值可不同于第一预设阈值，通常情况下，第二预设阈值可由系统默认的经验值，或者，用户自行设置。
通过本发明实施例，可获取N个目标图像，其中，每一目标图像中包含一个人脸图像，N为大于1的整数，确定该N个目标图像之间的协方差矩阵，根据该协方差矩阵确定信息熵上限，判断该信息熵上限是否大于第一预设阈值，在该信息熵上限大于第一预设阈值时，则确定N个目标图像中包含不同人的人脸图像，在信息熵上限小于或等于第一预设阈值时，则确定N个目标图像中包含同一人的人脸图像。如此，可判断一组图像中的人脸图像是否来自于同一人。
与上述一致地，请参阅图2，为本发明实施例提供的一种图像处理方法的第二实施例流程示意图。本实施例中所描述的图像处理方法，包括以下步骤：
201、获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N个目标图像对应一个目标标签，所述N为大于1的整数。
202、确定所述N个目标图像之间的协方差矩阵。
203、根据所述协方差矩阵确定信息熵上限。
其中，上述步骤201-步骤203可参照图1所描述的图像处理方法的对应步骤101-步骤103。
204、通过所述信息熵上限评估所述目标标签的准确率。
具体地，可根据信息熵上限与第二预设阈值进行比对，若其小于第二预设阈值，则说明该目标标签正确，若其大于或等于第二预设阈值，则说明该目标标签不正确。当然，通常情况下，第二预设阈值可由系统默认的经验值，或者，用户自行设置。
当然，直接计算协方差矩阵的迹(trace),等价于每一维的方差的和。这种把每一个维度分别线性叠加的方法会损失维度之间的关联信息,而且，没有直观的理论解释。但是，采用本发明实施例评估一组图像(例如，上述N个目标图像)中的标签的准确率，其评估准确率更高。可以更好的保留协方差矩阵中与差异程度相关的信息，而且对混合高斯分布的数据有概率和信息学上合理的解释。与人脸图像特征提取方法相结合可以应用于评估一组(符合混合高斯分布)图像对应的标签的准确率。
可选地，在步骤204之后，还可以包含如下步骤：
在所述准确率低于第三预设阈值时，删除所述N个目标图像；
在所述准确率大于或等于所述第三预设阈值时，保留所述N个目标图像。
其中，第三预设阈值可由系统默认或者用户自行设置。上述N个目标图像可相当于一个数据集，在步骤204之后，可得到一个准确率。在其准确率低于第三预设阈值时，可删除该N个目标图像，在其准确率大于或等于第三预设阈值时，则保留该N个目标图像。实际应用中，若有M个数据集，每一个数据集可对应一个准确率，在该M个准确率中，若某个准确率低于第三预设阈值，则删除该准确率对应的数据集，若某个准确率大于或等于第三预设阈值，则保留该准确率对应的数据集。
通过本发明实施例，可获取N个目标图像，其中，每一目标图像中包含一个人脸图像，N为大于1的整数，确定该N个目标图像之间的协方差矩阵，根据该协方差矩阵确定信息熵上限，通过该信息熵上限评估一组图像其对应的标签的准确率，可提升其评估的准确率。
与上述一致地，以下为实施上述图像处理方法的装置，具体如下：
请参阅图3a，为本发明实施例提供的一种终端的第一实施例结构示意图。本实施例中所描述的终端，包括：获取单元301、第一确定单元302、第二确定单元303、判断单元304和第三确定单元305，具体如下：
获取单元301，用于获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；
第一确定单元302，用于确定所述N个目标图像之间的协方差矩阵；
第二确定单元303，用于根据所述协方差矩阵确定信息熵上限；
判断单元304，用于判断所述信息熵上限是否大于第一预设阈值；
第三确定单元305，用于在所述判断单元304的判断结果为所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；
所述第三确定单元305，还具体用于：
在所述判断单元304的判断结果为在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
可选地，如图3b，图3b为图3a中所描述的第一确定单元302的具体结构，其包括：提取模块3021和计算模块3022，具体如下：
提取模块3021，用于分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个特征数据；
计算模块3022，用于根据所述N个特征数据计算所述协方差矩阵。
可选地，如图3c，图3c为图3a中所描述的第一确定单元302的具体结构，其包括：第一分割模块3023和第一确定模块3024，具体如下：
第一分割模块3023，用于分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
第一确定模块3024，用于确定所述N个人脸图像之间的协方差矩阵。
可选地，如图3d，图3d为图3a中所描述的获取单元301的具体结构，其包括：第一获取模块3011和第二分割模块3012，具体如下：
第一获取模块3011，用于获取M个第一图像，其中，所述M为正整数；
第二分割模块3012，用于对所述M个第一图像进行图像分割，得到所述N个目标图像。
可选地，如图3e，图3e为图3a中所描述的获取单元301的具体结构，其包括：第二获取模块3013、第二确定模块3014和处理模块3015，具体如下：
第二获取模块3013，用于获取所述N个第二图像；
第二确定模块3014，用于确定所述N个第二图像中每一第二图像的图像质量评价值，得到所述N个图像质量评价值；
处理模块3015，用于对所述图像质量评价值小于第二预设阈值对应的第二图像进行图像增强处理处理，并保持所述图像质量评价值大于或等于所述第二预设阈值对应的第二图像，得到所述N个目标图像。
可选地，所述N个目标图像对应一个目标标签，所述终端还包括：评估单元(图中未标出)，具体如下：
评估单元，用于在所述判断单元304在所述根据所述协方差矩阵确定信息熵上限之后，通过所述信息熵上限评估所述目标标签的准确率。
可选地，所述终端还包括：处理单元(图中未标出)，具体如下：
处理单元，用于在所述评估单元通过所述信息熵上限评估所述目标标签的准确率之后，在所述准确率低于第三预设阈值时，删除所述N个目标图像；在所述准确率大于或等于所述第三预设阈值时，保留所述N个目标图像；
可以看出，通过本发明实施例所描述的终端，可获取N个目标图像，其中，每一目标图像中包含一个人脸图像，N为大于1的整数，确定该N个目标图像之间的协方差矩阵，根据该协方差矩阵确定信息熵上限，判断该信息熵上限是否大于第一预设阈值，在该信息熵上限大于第一预设阈值时，则确定N个目标图像中包含不同人的人脸图像，在信息熵上限小于或等于第一预设阈值时，则确定N个目标图像中包含同一人的人脸图像。如此，可判断一组图像中的人脸图像是否来自于同一人。
与上述一致地，请参阅图4，为本发明实施例提供的一种终端的第二实施例结构示意图。本实施例中所描述的终端，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：
上述处理器3000，用于：
获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；
确定所述N个目标图像之间的协方差矩阵；
根据所述协方差矩阵确定信息熵上限；
判断所述信息熵上限是否大于第一预设阈值；
在所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；
在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
可选地，上述处理器3000确定所述N个目标图像之间的协方差矩阵，包括：
分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个特征数据；
根据所述N个特征数据计算所述协方差矩阵。
可选地，上述处理器3000确定所述N个目标图像之间的协方差矩阵，包括：
分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
确定所述N个人脸图像之间的协方差矩阵。
可选地，上述处理器3000获取N个目标图像，包括：
获取M个第一图像，其中，所述M为正整数；
对所述M个第一图像进行图像分割，得到所述N个目标图像。
可选地，上述处理器3000获取N个目标图像，包括：
获取所述N个第二图像；
确定所述N个第二图像中每一第二图像的图像质量评价值，得到所述N个图像质量评价值；
对所述图像质量评价值小于第二预设阈值对应的第二图像进行图像增强处理处理，并保持所述图像质量评价值大于或等于所述第二预设阈值对应的第二图像，得到所述N个目标图像。
可选地，所述N个目标图像对应一个目标标签；
在所述根据所述协方差矩阵确定信息熵上限之后，上述处理器3000还具体用于：
通过所述信息熵上限评估所述目标标签的准确率。
可选地，上述处理器3000在所述通过所述信息熵上限评估所述目标标签的准确率之后，还具体用于：
在所述准确率低于第三预设阈值时，删除所述N个目标图像；
在所述准确率大于或等于所述第三预设阈值时，保留所述N个目标图像。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种图像处理方法的部分或全部步骤。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；
确定所述N个目标图像之间的协方差矩阵；
根据所述协方差矩阵确定信息熵上限；
判断所述信息熵上限是否大于第一预设阈值；
在所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；
在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
2.根据权利要求1所述的方法，其特征在于，所述确定所述N个目标图像之间的协方差矩阵，包括：
分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个特征数据；
根据所述N个特征数据计算所述协方差矩阵。
3.根据权利要求1所述的方法，其特征在于，所述确定所述N个目标图像之间的协方差矩阵，包括：
分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
确定所述N个人脸图像之间的协方差矩阵。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述获取N个目标图像，包括：
获取M个第一图像，其中，所述M为正整数；
对所述M个第一图像进行图像分割，得到所述N个目标图像。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述获取N个目标图像，包括：
获取所述N个第二图像；
确定所述N个第二图像中每一第二图像的图像质量评价值，得到所述N个图像质量评价值；
对所述图像质量评价值小于第二预设阈值对应的第二图像进行图像增强处理处理，并保持所述图像质量评价值大于或等于所述第二预设阈值对应的第二图像，得到所述N个目标图像。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述N个目标图像对应一个目标标签；
在所述根据所述协方差矩阵确定信息熵上限之后，所述方法还包括：
通过所述信息熵上限评估所述目标标签的准确率。
7.根据权利要求6所述的方法，其特征在于，在所述通过所述信息熵上限评估所述目标标签的准确率之后，所述方法还包括：
在所述准确率低于第三预设阈值时，删除所述N个目标图像；
在所述准确率大于或等于所述第三预设阈值时，保留所述N个目标图像。
8.一种终端，其特征在于，包括：
获取单元，用于获取N个目标图像，其中，每一所述目标图像中包含一个人脸图像，所述N为大于1的整数；
第一确定单元，用于确定所述N个目标图像之间的协方差矩阵；
第二确定单元，用于根据所述协方差矩阵确定信息熵上限；
判断单元，用于判断所述信息熵上限是否大于第一预设阈值；
第三确定单元，用于在所述判断单元的判断结果为所述信息熵上限大于所述第一预设阈值时，则确定所述N个目标图像中包含不同人的人脸图像；
所述第三确定单元，还具体用于：
在所述判断单元的判断结果为在所述信息熵上限小于或等于所述第一预设阈值时，则确定所述N个目标图像中包含同一人的人脸图像。
9.根据权利要求8所述的终端，其特征在于，所述第一确定单元包括：
提取模块，用于分别提取所述N个目标图像中每一目标图像的特征数据，得到所述N个特征数据；
计算模块，用于根据所述N个特征数据计算所述协方差矩阵。
10.根据权利要求8所述的终端，其特征在于，所述第一确定单元包括：
第一分割模块，用于分别对所述N个目标图像进行目标分割，得到所述N个人脸图像；
第一确定模块，用于确定所述N个人脸图像之间的协方差矩阵。
CN201611026182.5A 2016-11-18 2016-11-18 一种图像处理方法及终端 Active CN106845331B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201611026182.5A CN106845331B (zh) 2016-11-18 2016-11-18 一种图像处理方法及终端
US16/461,789 US10467743B1 (en) 2016-11-18 2017-11-15 Image processing method, terminal and storage medium
PCT/CN2017/111176 WO2018090937A1 (zh) 2016-11-18 2017-11-15 图像处理方法、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611026182.5A CN106845331B (zh) 2016-11-18 2016-11-18 一种图像处理方法及终端

Publications (2)

Publication Number Publication Date
CN106845331A true CN106845331A (zh) 2017-06-13
CN106845331B CN106845331B (zh) 2018-03-13

Family

ID=59145774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611026182.5A Active CN106845331B (zh) 2016-11-18 2016-11-18 一种图像处理方法及终端

Country Status (3)

Country Link
US (1) US10467743B1 (zh)
CN (1) CN106845331B (zh)
WO (1) WO2018090937A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018090937A1 (zh) * 2016-11-18 2018-05-24 深圳云天励飞技术有限公司 图像处理方法、终端及存储介质
CN108564102A (zh) * 2018-01-04 2018-09-21 百度在线网络技术（北京）有限公司 图像聚类结果评价方法和装置
CN109447006A (zh) * 2018-11-01 2019-03-08 北京旷视科技有限公司 图像处理方法、装置、设备及存储介质
CN113255528A (zh) * 2021-05-28 2021-08-13 胡琼 一种单多目标分类方法及装置
CN113658229A (zh) * 2021-08-13 2021-11-16 杭州华橙软件技术有限公司 异常对象的确定方法及装置、存储介质、电子装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858286B (zh) * 2018-08-23 2023-08-11 杭州海康威视数字技术股份有限公司 一种用于目标识别的图像处理方法及装置
CN112241748B (zh) * 2019-07-16 2024-06-14 广州汽车集团股份有限公司 一种基于多源信息熵差异性的数据降维方法及装置
CN110991386B (zh) * 2019-12-14 2023-04-18 长沙芯连心智慧系统有限责任公司 一种鲁棒最近邻雷达目标一维距离像识别方法和装置
CN111562854B (zh) * 2020-04-08 2023-08-29 歌尔科技有限公司 检测垫放置位置选取方法、装置、设备及存储介质
CN111696083B (zh) * 2020-05-20 2024-05-14 平安科技（深圳）有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111611417B (zh) * 2020-06-02 2023-09-01 Oppo广东移动通信有限公司 图像去重方法、装置、终端设备及存储介质
CN112526705A (zh) * 2020-12-07 2021-03-19 中国科学院长春光学精密机械与物理研究所 航天器光学载荷在轨自适应调焦方法、装置、设备及介质
CN113506246B (zh) * 2021-06-15 2022-11-25 西安建筑科技大学 基于机器视觉的混凝土3d打印构件精细检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414348A (zh) * 2007-10-19 2009-04-22 三星电子株式会社 多角度人脸识别方法和系统
TW201317806A (zh) * 2011-10-18 2013-05-01 Univ Nat Sun Yat Sen 可降低峰均值比之交叉熵演算法
JP5376814B2 (ja) * 2008-03-03 2013-12-25 三菱電機株式会社 目標識別装置
CN103605971A (zh) * 2013-12-04 2014-02-26 深圳市捷顺科技实业股份有限公司 一种捕获人脸图像的方法及装置
CN105550657A (zh) * 2015-12-23 2016-05-04 北京化工大学 基于关键点的改进sift人脸特征提取方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679158B (zh) * 2013-12-31 2017-06-16 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105138972B (zh) * 2015-08-11 2020-05-19 北京眼神智能科技有限公司 人脸认证方法和装置
CN106845331B (zh) * 2016-11-18 2018-03-13 深圳云天励飞技术有限公司 一种图像处理方法及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414348A (zh) * 2007-10-19 2009-04-22 三星电子株式会社 多角度人脸识别方法和系统
JP5376814B2 (ja) * 2008-03-03 2013-12-25 三菱電機株式会社 目標識別装置
TW201317806A (zh) * 2011-10-18 2013-05-01 Univ Nat Sun Yat Sen 可降低峰均值比之交叉熵演算法
CN103605971A (zh) * 2013-12-04 2014-02-26 深圳市捷顺科技实业股份有限公司 一种捕获人脸图像的方法及装置
CN105550657A (zh) * 2015-12-23 2016-05-04 北京化工大学 基于关键点的改进sift人脸特征提取方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018090937A1 (zh) * 2016-11-18 2018-05-24 深圳云天励飞技术有限公司 图像处理方法、终端及存储介质
US10467743B1 (en) 2016-11-18 2019-11-05 Shenzhen Intellifusion Technologies Co., Ltd. Image processing method, terminal and storage medium
CN108564102A (zh) * 2018-01-04 2018-09-21 百度在线网络技术（北京）有限公司 图像聚类结果评价方法和装置
CN109447006A (zh) * 2018-11-01 2019-03-08 北京旷视科技有限公司 图像处理方法、装置、设备及存储介质
CN113255528A (zh) * 2021-05-28 2021-08-13 胡琼 一种单多目标分类方法及装置
CN113658229A (zh) * 2021-08-13 2021-11-16 杭州华橙软件技术有限公司 异常对象的确定方法及装置、存储介质、电子装置
CN113658229B (zh) * 2021-08-13 2024-02-02 杭州华橙软件技术有限公司 异常对象的确定方法及装置、存储介质、电子装置

Also Published As

Publication number Publication date
CN106845331B (zh) 2018-03-13
US20190340744A1 (en) 2019-11-07
US10467743B1 (en) 2019-11-05
WO2018090937A1 (zh) 2018-05-24

Similar Documents

Publication Publication Date Title
CN106845331A (zh) 一种图像处理方法及终端
CN109961009B (zh) 基于深度学习的行人检测方法、系统、装置及存储介质
WO2021068330A1 (zh) 智能图像分割及分类方法、装置及计算机可读存储介质
CN109522874B (zh) 人体动作识别方法、装置、终端设备及存储介质
US8750573B2 (en) Hand gesture detection
US8792722B2 (en) Hand gesture detection
CN109376631B (zh) 一种基于神经网络的回环检测方法及装置
CN108875534B (zh) 人脸识别的方法、装置、系统及计算机存储介质
CN108875533B (zh) 人脸识别的方法、装置、系统及计算机存储介质
CN108564579B (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
WO2018210047A1 (zh) 数据处理方法、数据处理装置、电子设备及存储介质
CN107958230B (zh) 人脸表情识别方法及装置
CN112651953B (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN110008997B (zh) 图像纹理相似度识别方法、装置及计算机可读存储介质
CN111626163B (zh) 一种人脸活体检测方法、装置及计算机设备
CN110766007B (zh) 证件遮挡检测方法、装置、设备及可读存储介质
WO2018082308A1 (zh) 一种图像处理方法及终端
WO2022068569A1 (zh) 水印检测方法、装置、计算机设备及存储介质
CN108596250A (zh) 图像特征编码方法、终端设备及计算机可读存储介质
CN112287945A (zh) 碎屏确定方法、装置、计算机设备及计算机可读存储介质
CN114049568A (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN110210480B (zh) 文字识别方法、装置、电子设备和计算机可读存储介质
CN111339884A (zh) 图像识别方法以及相关设备、装置
CN115690672A (zh) 异常图像识别方法、装置、计算机设备和存储介质
CN114758145B (zh) 一种图像脱敏方法、装置、电子设备及存储介质

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