CN104732225B - 图像旋转处理方法 - Google Patents
图像旋转处理方法 Download PDFInfo
- Publication number
- CN104732225B CN104732225B CN201310724552.2A CN201310724552A CN104732225B CN 104732225 B CN104732225 B CN 104732225B CN 201310724552 A CN201310724552 A CN 201310724552A CN 104732225 B CN104732225 B CN 104732225B
- Authority
- CN
- China
- Prior art keywords
- image
- angle
- training
- line segment
- described image
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种图像旋转处理方法,包括如下步骤:通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型;对输入的图像通过所述分类模型进行校正;检测所述图像中包含的线段,判断所述图像包含的线段的数量是否大于预设阈值;若是,则通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度;若否,则根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度。本发明技术对图像的旋转处理速度较快。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像旋转处理方法。
背景技术
拍照时拍摄者手持照相机,常常会使照相机处于倾斜状态,使得所拍摄的照片与水平线之间有夹角,产生一定的倾斜。
照片自动校正技术是指在给定的一张具有一定倾斜程度的照片,自动根据照片内容将其旋转到正常角度(水平)的技术。传统技术大多需要依赖拍摄装置,以及读取每张照片的拍摄参数,处理速度较慢。
发明内容
基于此,本发明提供一种图像旋转处理方法,对图像的旋转处理速度较快。
一种图像旋转处理方法,包括如下步骤:
通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型;
对输入的图像通过所述分类模型进行校正;
检测所述图像中包含的线段,判断所述图像包含的线段的数量是否大于预设阈值;
若是,则通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度;
若否,则根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度。
上述图像旋转处理方法,检测出待旋转图像是否具有明显的短直线特征,若有,则通过图像上具有的线段的倾斜角度确定图像的旋转角度;若图像没有明显的短直线特征,则通过基于编码学习的方法,通过已训练得到的模型,对图像自动检测得到旋转角度;本发明不依赖与图像的拍摄设备,从照片内容进行自动旋转;也无须检测拍摄参数,不受限于图像格式与类型,其自动旋转的处理速度非常快。
附图说明
图1为本发明图像旋转处理方法在一实施例中的流程示意图。
图2为城楼图像进行线段检测的示意图。
图3为Gabor滤波模板示意图。
图4为图像块的主方向角度直方图及一张图像包含的多个图像块合并后的主方向角度直方图示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细说明,但本发明的实施方式不限于此。
不管拍摄的室内照片,还是拍摄室外照片,大部分具有直线结构特征(比如室外的建筑物,室内的家具等),并且这些直线与地面有垂直关系。考虑该类照片具有良好的短直线结构特征,可以根据这些线特征有效的估计照片的旋转角度,并以此校正照片。然而有一部分照片并不具有明显的直线结构特征,对于这种情况,采用基于字典学习和编码的方式估算旋转角度。
如图1所示,是本发明一种图像旋转处理方法的流程示意图,包括如下步骤:
S11、通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型;
在一较佳实施例中,该步骤包括:
获取输入的多张训练图像作为训练样本;其中,所述训练图像包括水平方向的训练图像和已知旋转角度的训练图像;
对所述训练图像进行关键点检测,获得所述训练图像包含的多个图像块,检测所述训练图像包含的每个所述图像块的局部SIFT特征,获得所述训练图像中各个图像块的主方向角度;
将所有训练图像包含的每个所述图像块的局部SIFT特征,采用字典学习的方法获得聚类中心作为视觉单词,生成特征字典;其中,所述视觉单词记录每个图像块及其主方向角度;
通过视觉单词中记录的主方向角度,根据预设的筛选条件删除部分无效视觉单词;比如,根据每个主方向角度生成直方图,若直方图中存在两个相同的峰值,则该视觉单词无效,可删除该视觉单词;或者,将直方图按主方向角度值从大到小排序,最大的峰值与第二峰值的差值小于预设阈值,也可删除该视觉单词;
将每张所述训练图像包含的图像块通过所述特征字典采用稀疏矩阵编码的方式进行编码;将每张训练图像中的多个图像块对应的主方向角度进行合并,得到每张训练图像合并后的主方向角度直方图;
根据所有训练图像合并后的主方向角度直方图生成用于四方向校正的分类模型和用于角度拟合的回归模型。
S12、对输入的图像进行校正;
首先对输入的图像通过所述分类模型进行四方向的校正,即判定0°、90°、180°、270°的旋转(比如原始图像需旋转245°,通过分类的方法,将原始图旋转到245°-180°=65°,之后的65°可采用后续的回归模型拟合得到),其中0°表示不旋转。
S13、检测所述图像中包含的线段,判断所述图像包含的线段的数量是否大于预设阈值;
从图像内容中检测是否包含有线段,根据预设阈值,多于一定数量可判断该图像具有明显线段特征。
在一较佳实施例中,所述检测所述图像中包含的线段的步骤可包括:
将所述图像转换为灰度图像;
计算所述灰度图像中每个像素点的梯度值,其中,所述梯度值包括梯度幅值和梯度角度;
按所述灰度图像中所有像素点的梯度幅值大小将所述像素点及其梯度幅值划分多个维度,生成所述灰度图像的梯度幅值直方图;
将每个维度中梯度幅值最大的像素点作为种子添加进备选短线区域,以所述种子的梯度角度作为备选短线区域的角度初始值,搜索以所述种子为中心的8个邻近像素点,计算邻近像素点的梯度角度,当满足预设的判定条件时,将邻近像素点添加进所述备选短线区域中;
更新所述备选短线区域及其角度值;
当搜索完所有维度的种子后,获得所述图像中包含的多条线段。
其中,所述预设的判定条件可为:
如果被搜素的像素点的梯度角度在所述备选短线区域的角度加上偏差容忍度的角度范围内,添加所述像素点至所述备选短线区域中;
所述备选短线区域角度为:
其中Ij为新添加的第j像素点,角度偏差的容忍度为π/8。
在一较佳实施例中,所述按所述灰度图像中所有像素点的梯度幅值大小将所述像素点及其梯度幅值划分多个维度,生成所述灰度图像的梯度幅值直方图的步骤为:
将所述灰度图像中所有像素点按梯度幅值排序,将零到最大的梯度幅值的梯度幅值区间划分为1024个维度,生成所述梯度幅值直方图。
S131、若是,则通过图像中包含的线段的倾斜角度,确定图像的旋转角度;
在一较佳实施例中,所述通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度的步骤为:
删除所述图像中小于预设长度的线段;
采用霍夫直线检测方法将所述图像包含的线段进行拼接,得到拼接后的线段;
采用Garbor滤波器检测每条所述拼接后的线段的旋转角度;
计算所有拼接后的线段的旋转角度的平均值,作为所述图像的旋转角度。
S132、若否,则根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度;
所述根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度的步骤为:
对输入的图像进行关键点检测,获得所述图像包含的多个图像块,检测每个所述图像块的局部SIFT特征,获得所述输入的图像中各个图像块的主方向角度;
采用稀疏矩阵编码方法根据所述局部特征字典和所述输入的图像中各个图像块的主方向角度进行编码,合并后得到所述图像的主方向角度直方图;
将所述图像的主方向角度直方图输入至所述分类模型或回归模型中,得到所述图像的旋转角度。
在一较佳实施例中,还可包括步骤:根据所述图像的旋转角度对所述图像进行旋转,对旋转处理的图像中的空白区域进行填充。
接下来再通过另一实施例详细阐述本发明。
通过图像中包含的线段的倾斜角度,确定图像的旋转角度的过程如下:
将待旋转的图像转换为灰度图像,并将该灰度照片进行降采样和高斯滤波以滤除噪声;
计算该灰度图像中每个像素点的梯度(包括梯度幅值与梯度角度)。
将该灰度图像中的所有像素点的梯度幅值从大到小排序,并将[0,最大梯度幅值]平均划分为1024个维度,从而生成梯度幅值直方图;
从第一个维度中最大幅值的的像素点(即种子)开始进行区域增长形成备选短线区域;
考虑到较小梯度幅值的像素点对应光滑区域或者非边缘区域和时间运算复杂度,将梯度幅值小于预设阈值的像素点去掉;
备选短线区域初始角度θregion为种子的梯度角度,从种子临近区域搜索未使用的像素点,如果被搜素的像素点的梯度角度在该备选短线区域的角度加上偏差容忍度τ的角度范围内,添加该像素点,并更新该备选短线区域角度为:
其中Ij为新添加的第j像素点,角度偏差的容忍度τ为π/8。
对每个维度都进行如上的备选短线区域操作,最终获得每张训练图像包含的线段。
如图2a为具有一定倾斜角度的城楼照片;图2b为城楼照片的短线特征图;
接下来拼接图像中各条线段,得到拼接后的线段:
将得到的短线特征图进行霍夫直线检测,检测结果如图2c所示,霍夫直线检测将短线拼接为长线。考虑到照片内容由于建筑物内部也有较明显的线性结构,将长度小于长和宽1/4直线删除,得到图2d。
接下来检测拼接后的线段的倾斜角度,得到图像的旋转角度:
采用Garbor滤波器进行进一步的检测直线方向,采用的Gabor滤波器为
其中c=2.2,为旋转角度。
图3给出了72个维度Gabor滤波模板,即每个维度角度为5°。
记包含拼接后的线段的图像为L(x,y),考虑该线特征图L(x,y)与Gabor滤波卷积:具有实部和虚部两部分,为每条拼接后的线段计算其最佳的Gabor响应:
则该图像的旋转方向为响应最大的对应角度。
统计检测后的每条拼接后的线段对应的旋转角度,并建立角度直方图,该直方图每个维度为5°,总共得到72个维度。统计每个维度最大值,并将该维度下的所有直线角度取平均值,得到该图像旋转角度。
通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型,根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度的过程如下:
采用大量的水平和已知旋转角度的照片作为训练样本,对每张训练图像进行关键点检测,每张训练图像检测后得到多个图像块;
提取图像块的局部SIFT特征,并估计各个图像块的主方向角度。
将提取的局部SIFT特征根据K-means或其他字典学习的方法,统计出局部特征字典。
考虑到字典中的视觉单词(即图像块的主方向角度)可能不具有明显的主方向,比如图4上图显示的主方向角度直方图呈现近似均匀分布或者多个峰值,本实施例统计各个视觉单词对应的所有图像块的主方向角度,进而筛选出对估记图像主方向角度最为有用的视觉单词(即该视觉单词的角度直方图具有明显的峰值且惟一),并将所选单词作为新的字典。
将训练图像得到的新的字典进行编码,并合并主方向角度直方图(比如给定一个图像块,对应字典中的第1、15、68个视觉单词,则该图像块表示为w1*word1+w2*word15+w3*word68,w1、w2和w3为权重)如图4下图。至此,每张训练图像对应的主方向角度直方图特征形成。
考虑到照片的旋转有两种情形:大于90°的旋转;小于90°(锐角度数)的旋转。需根据这两种情况分别进行讨论。
对于第一种情形,照片旋转度数分类为0°、90°、180°、270°,总共有四类情况,将得到的主方向角度直方图用SVM分类得到分类模型。
对于第二种情形,照片旋转的度数为锐角,通过建立非线性回归模型,拟合照片的旋转角度。
对于每张照片进行同样的特征提取,并将提取的特征根据学到的字典进行编码,并合并视觉单词对应的主方向直方图。对于第一种情形,采用分类模型判定照片旋转角度;对于第二种情形,根据学习得到的回归模型,估算照片的旋转角度。
本发明图像旋转处理方法,首先检测图像是否具有明显的短直线特征,若有,则通过图像上具有的线段的倾斜角度确定图像的旋转角度;若图像没有明显的短直线特征,则通过基于编码学习的方法,通过已训练得到字典,对图像自动检测得到旋转角度;本发明不依赖与图像的拍摄设备,从照片内容进行自动旋转;也无须检测拍摄参数,不受限于图像格式与类型,其自动旋转的处理速度非常快。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种图像旋转处理方法,其特征在于,包括如下步骤:
通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型;
对输入的图像通过所述分类模型进行校正;
检测所述图像中包含的线段,判断所述图像包含的线段的数量是否大于预设阈值;
若是,则通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度;
若否,则根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度;
其中,所述通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型的步骤包括:
获取输入的多张训练图像作为训练样本;其中,所述训练图像包括水平方向的训练图像和已知旋转角度的训练图像;
对所述训练图像进行关键点检测,获得所述训练图像包含的多个图像块,检测所述训练图像包含的每个所述图像块的局部SIFT特征,获得所述训练图像中各个图像块的主方向角度;
将所有训练图像包含的每个所述图像块的局部SIFT特征,采用字典学习的方法获得聚类中心作为视觉单词,生成特征字典;其中,所述视觉单词记录每个图像块及其主方向角度;
通过视觉单词中记录的主方向角度,根据预设的筛选条件删除部分无效视觉单词;
将每张所述训练图像包含的图像块通过所述特征字典采用稀疏矩阵编码的方式进行编码;将每张训练图像中的多个图像块对应的主方向角度进行合并,得到每张训练图像合并后的主方向角度直方图;
根据所有训练图像合并后的主方向角度直方图生成用于四方向校正的分类模型和用于角度拟合的回归模型。
2.根据权利要求1所述的图像旋转处理方法,其特征在于,所述根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度的步骤为:
对输入的图像进行关键点检测,获得所述图像包含的多个图像块,检测每个所述图像块的局部SIFT特征,获得所述输入的图像中各个图像块的主方向角度;
采用稀疏矩阵编码方法根据所述特征字典和所述输入的图像中各个图像块的主方向角度进行编码,合并后得到所述图像的主方向角度直方图;
将所述图像的主方向角度直方图输入至所述分类模型或回归模型中,得到所述图像的旋转角度。
3.一种图像旋转处理方法,其特征在于,包括如下步骤:
通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型;
对输入的图像通过所述分类模型进行校正;
检测所述图像中包含的线段,判断所述图像包含的线段的数量是否大于预设阈值;
若是,则通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度;
若否,则根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度;
其中,所述检测所述图像中包含的线段的步骤包括:
将所述图像转换为灰度图像;
计算所述灰度图像中每个像素点的梯度值,其中,所述梯度值包括梯度幅值和梯度角度;
按所述灰度图像中所有像素点的梯度幅值大小将所述像素点及其梯度幅值划分多个维度,生成所述灰度图像的梯度幅值直方图;
将每个维度中梯度幅值最大的像素点作为种子添加进备选短线区域,以所述种子的梯度角度作为备选短线区域的角度初始值,搜索以所述种子为中心的8个邻近像素点,计算邻近像素点的梯度角度,当满足预设的判定条件时,将邻近像素点添加进所述备选短线区域中;
更新所述备选短线区域及其角度值;
当搜索完所有维度的种子后,获得所述图像中包含的多条线段。
4.根据权利要求3所述的图像旋转处理方法,其特征在于,所述预设的判定条件为:
如果被搜素的像素点的梯度角度在所述备选短线区域的角度加上偏差容忍度的角度范围内,添加所述像素点至所述备选短线区域中;
所述备选短线区域角度为:
其中Ij为新添加的第j像素点,角度偏差的容忍度为π/8。
5.根据权利要求3所述的图像旋转处理方法,其特征在于,所述按所述灰度图像中所有像素点的梯度幅值大小将所述像素点及其梯度幅值划分多个维度,生成所述灰度图像的梯度幅值直方图的步骤为:
将所述灰度图像中所有像素点按梯度幅值排序,将零到最大的梯度幅值的梯度幅值区间划分为1024个维度,生成所述梯度幅值直方图。
6.根据权利要求3所述的图像旋转处理方法,其特征在于,在所述将所述图像转换为灰度图像的步骤后,还包括步骤:将所述灰度图像进行降采样和高斯滤波。
7.一种图像旋转处理方法,其特征在于,包括如下步骤:
通过预设的训练样本训练得到用于四方向校正的分类模型和用于角度拟合的回归模型;
对输入的图像通过所述分类模型进行校正;
检测所述图像中包含的线段,判断所述图像包含的线段的数量是否大于预设阈值;
若是,则通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度;
若否,则根据分类模型和所述回归模型,将所述图像采用基于编码学习的方法确定所述图像的旋转角度;
其中,所述通过统计图像中包含的线段的倾斜角度,确定图像的旋转角度的步骤为:
删除所述图像中小于预设长度的线段;
采用霍夫直线检测方法将所述图像包含的线段进行拼接,得到拼接后的线段;
采用Garbor滤波器检测每条所述拼接后的线段的旋转角度;
计算所有拼接后的线段的旋转角度的平均值,作为所述图像的旋转角度。
8.根据权利要求1、3或7所述的图像旋转处理方法,其特征在于,还包括步骤:
根据所述图像的旋转角度对所述图像进行旋转,对旋转处理的图像中的空白区域进行填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310724552.2A CN104732225B (zh) | 2013-12-24 | 2013-12-24 | 图像旋转处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310724552.2A CN104732225B (zh) | 2013-12-24 | 2013-12-24 | 图像旋转处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732225A CN104732225A (zh) | 2015-06-24 |
CN104732225B true CN104732225B (zh) | 2018-12-18 |
Family
ID=53456099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310724552.2A Active CN104732225B (zh) | 2013-12-24 | 2013-12-24 | 图像旋转处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732225B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975183A (zh) * | 2016-05-26 | 2016-09-28 | 北京小米移动软件有限公司 | 一种锁屏图片处理方法和装置 |
CN107180413B (zh) * | 2017-05-05 | 2019-03-15 | 平安科技(深圳)有限公司 | 车损图片角度纠正方法、电子装置及可读存储介质 |
CN108040242A (zh) * | 2017-12-18 | 2018-05-15 | 横琴峰云视觉技术有限公司 | 一种双摄像头装置的倾斜角度的校正方法及装置 |
CN108304842A (zh) * | 2018-02-01 | 2018-07-20 | 重庆中陆承大科技有限公司 | 水表读数识别方法、装置及电子设备 |
CN108681729B (zh) * | 2018-05-08 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 文本图像矫正方法、装置、存储介质及设备 |
CN109829857B (zh) * | 2019-01-22 | 2021-07-06 | 武汉大学 | 一种基于生成对抗网络的倾斜图像的矫正方法及装置 |
CN109815954A (zh) * | 2019-01-31 | 2019-05-28 | 科大讯飞股份有限公司 | 增值税发票图像的方向校正方法、装置、设备及存储介质 |
CN110223263B (zh) * | 2019-04-23 | 2021-07-13 | 上海上湖信息技术有限公司 | 成像方向检测方法及装置、可读存储介质 |
CN111709301B (zh) * | 2020-05-21 | 2023-04-28 | 哈尔滨工业大学 | 一种冰壶球运动状态估计方法 |
CN111931877B (zh) * | 2020-10-12 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1647110A (zh) * | 2002-04-16 | 2005-07-27 | 皇家飞利浦电子股份有限公司 | 用于视频或照相设备的图象旋转校正 |
CN1677441A (zh) * | 2004-03-31 | 2005-10-05 | 富士胶片株式会社 | 图像显示控制装置及方法、控制图像显示控制装置的程序 |
CN102541954A (zh) * | 2010-12-29 | 2012-07-04 | 北京大学 | 一种商标检索方法及系统 |
CN103226811A (zh) * | 2012-01-27 | 2013-07-31 | 索尼公司 | 图像处理器、图像处理方法、学习设备、学习方法和程序 |
CN103460249A (zh) * | 2011-12-21 | 2013-12-18 | 松下电器产业株式会社 | 图像处理装置以及图像处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5453717B2 (ja) * | 2008-01-10 | 2014-03-26 | 株式会社ニコン | 情報表示装置 |
-
2013
- 2013-12-24 CN CN201310724552.2A patent/CN104732225B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1647110A (zh) * | 2002-04-16 | 2005-07-27 | 皇家飞利浦电子股份有限公司 | 用于视频或照相设备的图象旋转校正 |
CN1677441A (zh) * | 2004-03-31 | 2005-10-05 | 富士胶片株式会社 | 图像显示控制装置及方法、控制图像显示控制装置的程序 |
CN102541954A (zh) * | 2010-12-29 | 2012-07-04 | 北京大学 | 一种商标检索方法及系统 |
CN103460249A (zh) * | 2011-12-21 | 2013-12-18 | 松下电器产业株式会社 | 图像处理装置以及图像处理方法 |
CN103226811A (zh) * | 2012-01-27 | 2013-07-31 | 索尼公司 | 图像处理器、图像处理方法、学习设备、学习方法和程序 |
Also Published As
Publication number | Publication date |
---|---|
CN104732225A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732225B (zh) | 图像旋转处理方法 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN109389135B (zh) | 一种图像筛选方法及装置 | |
CN106920229B (zh) | 图像模糊区域自动检测方法及系统 | |
CN108985169B (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
CN102915372B (zh) | 图像检索方法、装置及系统 | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
CN107038719A (zh) | 基于光场图像角度域像素的深度估计方法及系统 | |
CN109670430A (zh) | 一种基于深度学习的多分类器融合的人脸活体识别方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
CN108537782A (zh) | 一种基于轮廓提取的建筑物图像匹配与融合的方法 | |
CN110473189A (zh) | 一种文本图像清晰度判断方法及系统 | |
CN109359577B (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN104751406B (zh) | 一种用于对图像进行虚化的方法和装置 | |
CN107832730A (zh) | 提高人脸识别准确率的方法和人脸识别系统 | |
CN104361357B (zh) | 基于图片内容分析的相片集分类系统及分类方法 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN112257669A (zh) | 行人重识别方法、装置及电子设备 | |
CN109409962A (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质 | |
CN110516649A (zh) | 基于人脸识别的校友认证方法及系统 | |
KR20190080388A (ko) | Cnn을 이용한 영상 수평 보정 방법 및 레지듀얼 네트워크 구조 | |
CN107944395A (zh) | 一种基于神经网络验证人证合一的方法及系统 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |