CN105405130A - 基于聚类的证照图像高光检测方法及装置 - Google Patents
基于聚类的证照图像高光检测方法及装置 Download PDFInfo
- Publication number
- CN105405130A CN105405130A CN201510733446.XA CN201510733446A CN105405130A CN 105405130 A CN105405130 A CN 105405130A CN 201510733446 A CN201510733446 A CN 201510733446A CN 105405130 A CN105405130 A CN 105405130A
- Authority
- CN
- China
- Prior art keywords
- image
- cluster
- license
- flow rate
- mean flow
- 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
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于聚类的证照图像高光检测方法及装置。所述证照图像高光检测方法包括:从待测图像中随机采集多个不同尺度的图像块;计算所述图像块的图像特征;基于所述图像特征对所述图像块进行聚类;以及计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光。本发明提供的基于聚类的证照图像高光检测方法及装置通过图像特性自动判断图像中是否存在强光,避免人工查看和判断的过程,可以极大提高处理效率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言涉及一种基于聚类的证照图像高光检测方法及装置。
背景技术
随着社会的发展以及互联网的普及,越来越多的业务可以通过互联网远程办理。在这些业务中,出于便捷、安全以及法律法规等方面的考虑,可能需要用户利用智能手机、平板电脑或网络摄像头等设备拍摄并上传自己的证照(如身份证、护照、驾驶证以及营业执照等)图像。然而,一些用户上传的证照图像可能存在各种各样的质量问题,其中由于证照反光而产生强光是常见的一种。强光可能掩盖证照中的一部分重要信息,会给后续的人工验证或机器识别造成极大的障碍。因此,存在强光的图像会被认定为违规图像。在实际的业务中,需要一种可以预先判断图像中是否存在强光的有效途径。
目前,图像中强光的判断很大程度上依赖于人工,也就是通过人眼查看图像并将存在强光的图像筛选出来。当需要判断的图像数目巨大时,人工查看和判断的效率和成本将成为严重的制约瓶颈。目前,存在有针对证件图像的高光去除方法,但是仅对于人脸有效,不是通用方法,无法推广到不同类型的图像,或者虽然可以消除不同类型图像中的高光,但是需要用户预先指定高光所在的区域,无法自动判断图像中是否存在高光。总之,现有的方法和系统在精度、适应性和效率等方面存在缺陷。
发明内容
针对现有技术的不足,一方面,本发明提供一种基于聚类的证照图像高光检测方法,所述证照图像高光检测方法包括:从待测图像中随机采集多个不同尺度的图像块;计算所述图像块的图像特征;基于所述图像特征对所述图像块进行聚类;以及计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光。
在本发明的一个实施例中,所述基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光的步骤包括:如果所述最大平均亮度小于所述预定阈值,则确定所述待测图像中不包含强光;以及如果所述最大平均亮度大于或等于所述预定阈值,则计算所述最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的比例,如果所述比例在预定范围内,则确定所述待测图像中包含强光。
在本发明的一个实施例中,所述基于所述图像特征对所述图像块进行聚类的步骤采用K均值聚类算法实现。
在本发明的一个实施例中,所述聚类的类别数基于所述待测图像的复杂度而设置。
在本发明的一个实施例中,所述计算所述图像块的图像特征的步骤包括计算所述图像块的梯度特征和/或颜色特征。
另一方面,本发明还提供一种基于聚类的证照图像高光检测装置,所述证照图像高光检测装置包括:采集模块,用于从待测图像中随机采集多个不同尺度的图像块;特征提取模块,用于计算所述图像块的图像特征;聚类模块,用于基于所述图像特征对所述图像块进行聚类;以及强光判断模块,用于计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光。
在本发明的一个实施例中,所述强光判断模块基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光的操作包括:如果所述最大平均亮度小于所述预定阈值,则确定所述待测图像中不包含强光;以及如果所述最大平均亮度大于或等于所述预定阈值,则计算所述最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的比例,如果所述比例在预定范围内,则确定所述待测图像中包含强光。
在本发明的一个实施例中,所述聚类模块采用K均值聚类算法基于所述图像特征对所述图像块进行聚类。
在本发明的一个实施例中,所述聚类的类别数基于所述待测图像的复杂度而设置。
在本发明的一个实施例中,所述特征提取模块计算所述图像块的图像特征的操作包括计算所述图像块的梯度特征和/或颜色特征。
本发明提供的基于聚类的证照图像高光检测方法及装置通过图像特性自动判断图像中是否存在强光,避免人工查看和判断的过程,可以极大提高处理效率。
附图说明
本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述,用来解释本发明的原理。
附图中:
图1示出了根据本发明实施例的、基于聚类的证照图像高光检测方法的流程图;以及
图2示出了根据本发明实施例的、基于聚类的证照图像高光检测装置的结构框图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
应当理解的是,本发明能够以不同形式实施,而不应当解释为局限于这里提出的实施例。相反地,提供这些实施例将使公开彻底和完全,并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时,单数形式的“一”、“一个”和“所述/该”也意图包括复数形式,除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”,当在该说明书中使用时,确定所述特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时,术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明,将在下列的描述中提出详细的步骤以及详细的结构,以便阐释本发明的技术方案。本发明的较佳实施例详细描述如下,然而除了这些详细描述外,本发明还可以具有其他实施方式。
本发明的实施例提供基于聚类的证照图像高光检测方法,用于基于单张图像的特性自动判断图像中是否存在强光。下面结合图1详细描述该方法。图1示出了根据本发明实施例的、基于聚类的证照图像高光检测方法100的流程图。如图1所示,方法100包括如下步骤:
步骤101:从待测图像中随机采集多个不同尺度的图像块。对于给定的待测证照图像I,可以先对其进行高度归一化,也即将其高度缩放到标准尺寸(如512像素),同时保持其长宽比不变。在高度归一化之后的图像中可以随机采集多个不同尺度的图像块,图像块的高度和宽度相等,且其高度和宽度在某一区间(例如[16,64])内随机变化。例如,可以随机采集P个不同尺度的图像块,其中P为参数,其取值可以基于待测证照图像的复杂度来设定。示例性地,P的典型值可以为2560、5120等。
步骤102:计算所采集的图像块的图像特征。对于每一个所采集的图像块Rm(m=1,2,...,Q),计算其图像特征x(Rm)。示例性地,可以计算图像块的梯度特征和/或颜色特征。其中,计算梯度特征可以包括计算梯度方向直方图(HOG,HistogramofOrientedGradients)表示。HOG特征是一种图像梯度分布的统计值。在本发明的一个实施例中,HOG特征的参数可以设置如下:横向(x坐标轴方向)划分为10个单元,纵向(y坐标轴方向)划分为8个单元,梯度方向取值为0-180度,且梯度方向划分为9个通道。计算颜色特征可以进一步包括计算颜色直方图。颜色直方图是图像颜色特征的一种统计表达,所描述的是不同色彩在整幅图像中所占的比例,而并不关心每种色彩所处的空间位置。颜色直方图与颜色空间密切相关,计算颜色直方图可以包括计算RGB颜色直方图,HSV颜色直方图以及Lab颜色直方图等。可选地,梯度特征和颜色特征既可以独立使用,也可以拼接起来作为组合特征使用。
步骤103:基于所计算的图像特征对图像块进行聚类。聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。在本发明的一个实施例中,可以采用K均值聚类算法对所有的特征x(Rm)(m=1,2,...,Q)进行聚类。其中,聚类的类别数T的具体取值可以基于待测图像的复杂度而设置。示例性地,T的取值范围可以为[5,10]。
步骤104:计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定待测图像中是否包含强光。经过聚类,每一个图像块Rm都有一个对应的类别cm,其中cm∈[1,...,T]。假设T个类别对应的图像块集合分别为Si,i=1,...,T。对于每一个类别,计算其对应的所有图像块的平均亮度,也即所有图像块中所有像素的RGB三通道的均值li;对于所有的平均亮度li,i=1,...,T,计算其中的最大值lmax并记录最大值对应的类别编号d,d∈[1,...,T]。在一个实施例中,如果lmax小于预定阈值L(示例性地,L的典型值为225),则判定图像I中不包含强光。如果lmax大于或等于L,则计算对应类别Sd中图像块的数目占全部图像块的比例γ,即:
其中|Sd|代表集合Sd中图像块的数目。如果γ在预定范围内例如满足条件γ≥0.005且γ≤0.25,则判定图像I中包含强光;否则,判定图像I中不包含强光。
根据本发明上述实施例的基于聚类的证照图像高光检测方法提供了适用于远程开户、个人征信等应用场景的自动化解决方案。该方法通过单张图像的特性自动判断图像中是否存在强光,不需要实现采集和标注大量的图像作为训练集,具有精度高、速度快的特点;同时该方法采用机器学习技术,具有良好的推广性,可以处理不同类型的证照图像;此外,该方法避免了人工查看和判断的过程,因此可以极大提高远程开户、个人征信等也去的办理效率。
根据本发明的另一方面,还提供了基于聚类的证照图像高光检测装置。图2示出了根据本发明实施例的基于聚类的证照图像高光检测装置200的结构框图。如图2所示,证照图像高光检测装置200包括采集模块201、特征提取模块202、聚类模块203以及强光判断模块204。其中采集模块201用于从待测图像中随机采集多个不同尺度的图像块;特征提取模块202用于计算采集模块201所采集的图像块的图像特征;聚类模块203用于基于特征提取模块202所计算的图像特征对图像块进行聚类;强光判断模块204用于计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定待测图像中是否包含强光。
在本发明的一个实施例中,强光判断模块204基于最大平均亮度与预定阈值的比较结果确定待测图像中是否包含强光的操作可以包括:如果最大平均亮度小于预定阈值,则确定待测图像中不包含强光;如果最大平均亮度大于或等于预定阈值,则计算最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的比例,如果该比例在预定范围内,则确定待测图像中包含强光。
在本发明的一个实施例中,聚类模块203可以采用K均值聚类算法基于图像特征对图像块进行聚类。示例性地,聚类的类别数基于待测图像的复杂度而设置。在本发明的一个实施例中,特征提取模块202计算图像块的图像特征的操作可以包括计算图像块的梯度特征和/或颜色特征。
可以参考图1描述的实施例理解上述每个模块操作的具体过程,此处不再赘述。本发明实施例的各个模块可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于聚类的证照图像高光检测装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在存储载体上提供,或者以任何其他形式提供。
本发明已经通过上述实施例进行了说明,但应当理解的是,上述实施例只是用于举例和说明的目的,而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是,本发明并不局限于上述实施例,根据本发明的教导还可以做出更多种的变型和修改,这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。
Claims (10)
1.一种基于聚类的证照图像高光检测方法,其特征在于,所述证照图像高光检测方法包括:
从待测图像中随机采集多个不同尺度的图像块;
计算所述图像块的图像特征;
基于所述图像特征对所述图像块进行聚类;以及
计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光。
2.如权利要求1所述的证照图像高光检测方法,其特征在于,所述基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光的步骤包括:
如果所述最大平均亮度小于所述预定阈值,则确定所述待测图像中不包含强光;以及
如果所述最大平均亮度大于或等于所述预定阈值,则计算所述最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的比例,如果所述比例在预定范围内,则确定所述待测图像中包含强光。
3.如权利要求1或2所述的证照图像高光检测方法,其特征在于,所述基于所述图像特征对所述图像块进行聚类的步骤采用K均值聚类算法实现。
4.如权利要求3所述的证照图像高光检测方法,其特征在于,所述聚类的类别数基于所述待测图像的复杂度而设置。
5.如权利要求1或2所述的证照图像高光检测方法,其特征在于,所述计算所述图像块的图像特征的步骤包括计算所述图像块的梯度特征和/或颜色特征。
6.一种基于聚类的证照图像高光检测装置,其特征在于,所述证照图像高光检测装置包括:
采集模块,用于从待测图像中随机采集多个不同尺度的图像块;
特征提取模块,用于计算所述图像块的图像特征;
聚类模块,用于基于所述图像特征对所述图像块进行聚类;以及
强光判断模块,用于计算聚类后每一类别所包括的图像块的平均亮度,并基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光。
7.如权利要求6所述的证照图像高光检测装置,其特征在于,所述强光判断模块基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光的操作包括:
如果所述最大平均亮度小于所述预定阈值,则确定所述待测图像中不包含强光;以及
如果所述最大平均亮度大于或等于所述预定阈值,则计算所述最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的比例,如果所述比例在预定范围内,则确定所述待测图像中包含强光。
8.如权利要求6或7所述的证照图像高光检测装置,其特征在于,所述聚类模块采用K均值聚类算法基于所述图像特征对所述图像块进行聚类。
9.如权利要求8所述的证照图像高光检测装置,其特征在于,所述聚类的类别数基于所述待测图像的复杂度而设置。
10.如权利要求6或7所述的证照图像高光检测装置,其特征在于,所述特征提取模块计算所述图像块的图像特征的操作包括计算所述图像块的梯度特征和/或颜色特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510733446.XA CN105405130B (zh) | 2015-11-02 | 2015-11-02 | 基于聚类的证照图像高光检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510733446.XA CN105405130B (zh) | 2015-11-02 | 2015-11-02 | 基于聚类的证照图像高光检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405130A true CN105405130A (zh) | 2016-03-16 |
CN105405130B CN105405130B (zh) | 2019-03-01 |
Family
ID=55470597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510733446.XA Active CN105405130B (zh) | 2015-11-02 | 2015-11-02 | 基于聚类的证照图像高光检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405130B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874870A (zh) * | 2017-02-15 | 2017-06-20 | 厦门大学 | 一种基于傅里叶频谱特征的图像块聚类方法 |
CN107369145A (zh) * | 2017-06-16 | 2017-11-21 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN107832766A (zh) * | 2017-10-30 | 2018-03-23 | 北京小米移动软件有限公司 | 高光区域的确定方法、装置、设备和存储介质 |
CN108665421A (zh) * | 2017-03-31 | 2018-10-16 | 北京旷视科技有限公司 | 人脸图像高光分量去除装置和方法、存储介质产品 |
CN110895811A (zh) * | 2019-11-05 | 2020-03-20 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
CN112465940A (zh) * | 2020-11-25 | 2021-03-09 | 北京字跳网络技术有限公司 | 图像渲染方法、装置、电子设备及存储介质 |
CN115861520A (zh) * | 2023-02-02 | 2023-03-28 | 深圳思谋信息科技有限公司 | 高光检测方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399924A (zh) * | 2007-09-25 | 2009-04-01 | 展讯通信(上海)有限公司 | 基于亮度直方图的自动曝光方法和装置 |
CN102509077A (zh) * | 2011-10-28 | 2012-06-20 | 江苏物联网研究发展中心 | 基于光照自动评估的目标识别方法 |
US20120288189A1 (en) * | 2011-05-13 | 2012-11-15 | Tsinghua University | Image processing method and image processing device |
CN103150717A (zh) * | 2011-12-06 | 2013-06-12 | 株式会社理光 | 图像高亮区域的检测方法、内容检测方法及内容检测装置 |
CN103646392A (zh) * | 2013-11-21 | 2014-03-19 | 华为技术有限公司 | 逆光检测方法及设备 |
CN103793717A (zh) * | 2012-11-02 | 2014-05-14 | 阿里巴巴集团控股有限公司 | 判断图像主体显著性及训练其分类器的方法和系统 |
CN104935902A (zh) * | 2015-06-02 | 2015-09-23 | 三星电子(中国)研发中心 | 图像色彩增强方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7865032B2 (en) * | 2006-09-22 | 2011-01-04 | Hewlett-Packard Development Company, L.P. | Methods and systems for identifying an ill-exposed image |
-
2015
- 2015-11-02 CN CN201510733446.XA patent/CN105405130B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399924A (zh) * | 2007-09-25 | 2009-04-01 | 展讯通信(上海)有限公司 | 基于亮度直方图的自动曝光方法和装置 |
US20120288189A1 (en) * | 2011-05-13 | 2012-11-15 | Tsinghua University | Image processing method and image processing device |
CN102509077A (zh) * | 2011-10-28 | 2012-06-20 | 江苏物联网研究发展中心 | 基于光照自动评估的目标识别方法 |
CN103150717A (zh) * | 2011-12-06 | 2013-06-12 | 株式会社理光 | 图像高亮区域的检测方法、内容检测方法及内容检测装置 |
CN103793717A (zh) * | 2012-11-02 | 2014-05-14 | 阿里巴巴集团控股有限公司 | 判断图像主体显著性及训练其分类器的方法和系统 |
CN103646392A (zh) * | 2013-11-21 | 2014-03-19 | 华为技术有限公司 | 逆光检测方法及设备 |
CN104935902A (zh) * | 2015-06-02 | 2015-09-23 | 三星电子(中国)研发中心 | 图像色彩增强方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
曾璐 等: "基于HSV颜色空间的图像分块聚类", 《中国科技论文在线HTTP://WWW.PAPER.EDU.CN/RELEASEPAPER/CONTENT/200909-725》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874870A (zh) * | 2017-02-15 | 2017-06-20 | 厦门大学 | 一种基于傅里叶频谱特征的图像块聚类方法 |
CN106874870B (zh) * | 2017-02-15 | 2019-08-02 | 厦门大学 | 一种基于傅里叶频谱特征的图像块聚类方法 |
CN108665421A (zh) * | 2017-03-31 | 2018-10-16 | 北京旷视科技有限公司 | 人脸图像高光分量去除装置和方法、存储介质产品 |
CN107369145A (zh) * | 2017-06-16 | 2017-11-21 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN107832766A (zh) * | 2017-10-30 | 2018-03-23 | 北京小米移动软件有限公司 | 高光区域的确定方法、装置、设备和存储介质 |
CN107832766B (zh) * | 2017-10-30 | 2021-07-23 | 北京小米移动软件有限公司 | 高光区域的确定方法、装置、设备和存储介质 |
CN110895811A (zh) * | 2019-11-05 | 2020-03-20 | 泰康保险集团股份有限公司 | 一种图像篡改检测方法和装置 |
CN112465940A (zh) * | 2020-11-25 | 2021-03-09 | 北京字跳网络技术有限公司 | 图像渲染方法、装置、电子设备及存储介质 |
CN112465940B (zh) * | 2020-11-25 | 2021-10-15 | 北京字跳网络技术有限公司 | 图像渲染方法、装置、电子设备及存储介质 |
CN115861520A (zh) * | 2023-02-02 | 2023-03-28 | 深圳思谋信息科技有限公司 | 高光检测方法、装置、计算机设备和存储介质 |
CN115861520B (zh) * | 2023-02-02 | 2023-04-28 | 深圳思谋信息科技有限公司 | 高光检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105405130B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105405130A (zh) | 基于聚类的证照图像高光检测方法及装置 | |
CN107862270B (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
DE102018008161A1 (de) | Detektieren von Objekten unter Nutzung eines schwach überwachten Modells | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN110851835A (zh) | 图像模型检测方法、装置、电子设备及存储介质 | |
CN105631439A (zh) | 人脸图像处理方法和装置 | |
CN112016464A (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
US20170169056A1 (en) | Logo detection system for automatic image search engines | |
CN110287791A (zh) | 一种用于人脸图片的筛选方法和系统 | |
CN111325107B (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
CN110795975B (zh) | 人脸误检优化方法及装置 | |
CN111862040B (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN114170482A (zh) | 模型训练方法、装置、设备及介质 | |
CN106503740B (zh) | 图片分类方法及装置 | |
CN113688839B (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
CN103065133A (zh) | 雾天行人检测方法及装置 | |
Thomas et al. | Smart car parking system using convolutional neural network | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN104809438B (zh) | 一种检测电子眼的方法和设备 | |
CN115346169B (zh) | 一种睡岗行为检测方法及系统 | |
CN111241918A (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
CN112507903B (zh) | 假脸检测方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313 Applicant after: MEGVII INC. Applicant after: Beijing maigewei Technology Co., Ltd. Address before: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313 Applicant before: MEGVII INC. Applicant before: Beijing aperture Science and Technology Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |