CN105678242A - 手持证件模式下的对焦方法和装置 - Google Patents
手持证件模式下的对焦方法和装置 Download PDFInfo
- Publication number
- CN105678242A CN105678242A CN201511025364.6A CN201511025364A CN105678242A CN 105678242 A CN105678242 A CN 105678242A CN 201511025364 A CN201511025364 A CN 201511025364A CN 105678242 A CN105678242 A CN 105678242A
- Authority
- CN
- China
- Prior art keywords
- certificate
- image
- focused
- area
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 17
- 230000009286 beneficial effect Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于图像处理领域，尤其涉及手持证件模式下的对焦方法和装置。其中手持证件模式下的对焦方法，包括：获取待对焦图像；从所述待对焦图像中确定人脸区域；根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；将所述人脸区域及所述证件区域确定为对焦区域进行对焦。本发明实施例的上述对焦方法，在待对焦图像中确定人脸区域及证件区域，并对人脸区域和证件区域进行对焦，从而提高拍摄的图像中证件上信息的清晰度。
Description
技术领域
本公开涉及图像处理领域，尤其涉及手持证件模式下的对焦方法和装置。
背景技术
随着信息技术的发展，基于网络进行非接触式认证的应用越来越多。在各类非接触式认证的应用场景中，往往需要用户本人手持相关的证件进行拍摄。
相关技术中，在手持证件的拍摄模式下，拍摄出来的图像中，证件上面的信息往往不够清晰，非常容易导致网络认证失败，从而为用户带来不良的用户体验。
发明内容
为克服相关技术中存在的问题，本公开提供一种手持证件模式下的对焦方法和装置，以提高拍摄图像中证件中信息的清晰度。
根据本公开实施例的第一方面，提供一种手持证件模式下的对焦方法，包括：
获取待对焦图像；
从所述待对焦图像中确定人脸区域；
根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；
将所述人脸区域及所述证件区域确定为对焦区域进行对焦。
本方案可以包括以下有益效果：通过证件识别模型确定待对焦图像中的证件区域，并对待对焦图像中的人脸区域以及证件区域进行对焦，从而提高拍摄出的图像中证件上信息的清晰程度。
结合第一方面，在第一方面的第一种可能的实现方式中，所述从所述待对焦图像中确定人脸区域，包括：
采用人脸检测器从所述待对焦图像中确定人脸区域；
其中，所述人脸检测器为采用自适应增强Adaboost训练方法对哈尔Haar特征进行训练得到的人脸检测器；或者，所述人脸检测器为基于开源计算机视觉库OpenCV的人脸检测器。
该方案可以包括以下有益效果：通过基于Adaboost+Haar的人脸检测器或者基于OpenCV的人脸检测器确定待对焦图像中的人脸区域，提高人脸区域的识别效率。
结合第一方面，在第一方面的第二种可能的实现方式中，所述根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，包括：
根据所述人脸区域在所述待对焦图像中确定证件候选区域；
采用金字塔层级遍历扫描方法，从所述证件候选区域中得到N个扫描图像；
采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域；
对所述N个扫描图像是否为字符区域的确定结果进行聚类合并；
根据所述聚类合并的结果，确定所述证件候选区域中的证件区域。
该方案可以包括以下有益效果：在待对焦图像中确定证件区域时，首先确定证件候选区域，之后利用证件识别模型对证件候选区域中的N个扫描图像进行逐一识别，并根据识别的结果最终确定证件区域，从而可以在确保证件区域识别准确性的前提下，提高证件区域识别的速率。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述根据所述人脸区域在所述待对焦图像中确定证件候选区域，包括：
根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在所述待对焦图像中确定证件候选区域；
或者，
确定待拍摄证件上是否有待拍摄对象的头像，若有，则在所述待对焦图像中确定所述待拍摄对象的头像位置；根据所述待拍摄对象的头像位置，在所述待对焦图像中确定证件候选区域。
该方案可以包括以下有益效果：拍摄对象人脸与待拍摄证件的位置分布关系或者在待拍摄证件上有待拍摄对象的头像时，拍摄对象的头像位置，为在待对焦图像中确定证件候选区域提供了依据，按照上述方式确定证件候选区域为最终确定证件区域提供了便利，从而可以提高证件区域确定的效率。
结合第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，在所述采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域之前，还包括：
对得到的所述N个扫描图像进行归一化处理。
该方案可以包括以下有益效果：对得到的N各扫描图像进行归一化处理，便于证件识别模型对各个扫描图像进行识别，从而提高证件区域的识别效率。
结合第一方面的第二种可能的实现方式，在第一方面的第五种可能的实现方式中，所述采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域，包括：
采用所述证件识别模型，分别对所述N个扫描图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行识别；
根据所述识别的结果，分别确定所述N个扫描图像是否为证件上的字符区域。
该方案可以包括以下有益效果：证件识别模型基于LOG以及LDA特征对扫描图像进行识别，可以减少证件识别模型的运算次数，提高扫描图像的识别速率。
结合第一方面，在第一方面的第六种可能的实现方式中，所述方法还包括：
获取训练样本集，所述训练样本集中的正样本为文字样本图像，负样本为非文字样本图像；
采用Adaboost训练方法对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型。
该方案可以包括以下有益效果：利用本实施例方法生成的证件识别模型可以较为快捷准确的对图像中的字符区域进行识别，有利于提高待对焦图像中证件区域的识别效率。
结合第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，在所述采用Adaboost训练方法对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型之前，还包括：
对所述文字样本图像和所述非文字样本图像进行归一化处理。
根据本公开实施例的第二方面，提供一种手持证件模式下的对焦装置，包括：
第一获取模块，被配置为获取待对焦图像；
人脸区域确定模块，被配置为从所述待对焦图像中确定人脸区域；
证件区域确定模块，被配置为根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；
对焦模块，被配置为将所述人脸区域及所述证件区域确定为对焦区域进行对焦。
该方案可以包括以下有益效果：通过证件识别模型确定待对焦图像中的证件区域，并对待对焦图像中的人脸区域以及证件区域进行对焦，从而提高拍摄出的图像中证件上信息的清晰程度。
结合第二方面，在第二方面的第一种可能的实现方式中，所述人脸区域确定模块，包括：
人脸检测器，被配置为从所述待对焦图像中确定人脸区域；
其中，所述人脸检测器为采用自适应增强Adaboost训练方法对哈尔Haar特征进行训练得到的人脸检测器；或者，所述人脸检测器为基于开源计算机视觉库OpenCV的人脸检测器。
该方案可以包括以下有益效果：通过基于Adaboost+Haar的人脸检测器或者基于OpenCV的人脸检测器确定待对焦图像中的人脸区域，提高人脸区域的识别效率。
结合第二方面，在第二面的第二种可能的实现方式中，所述证件区域确定模块，包括：
候选区域确定子模块，被配置为根据所述人脸区域在所述待对焦图像中确定证件候选区域；
扫描子模块，被配置为采用金字塔层级遍历扫描方法，从所述证件候选区域中得到N个扫描图像；
字符区域确定子模块，被配置为采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域；
聚类合并子模块，被配置为对所述N个扫描图像是否为字符区域的确定结果进行聚类合并；
证件区域确定子模块，被配置为根据所述聚类合并的结果，确定所述证件候选区域中的证件区域。
该方案可以包括以下有益效果：在待对焦图像中确定证件区域时，首先确定证件候选区域，之后利用证件识别模型对证件候选区域中的N个扫描图像进行逐一识别，并根据识别的结果最终确定证件区域，从而可以在确保证件区域识别准确性的前提下，提高证件区域识别的速率。
结合第二方面的第二种可能的实现方式，在第二面的第三种可能的实现方式中，所述候选区域确定子模块，具体被配置为：
根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在所述待对焦图像中确定证件候选区域；
或者，
确定待拍摄证件上是否有待拍摄对象的头像，若有，则在所述待对焦图像中确定所述待拍摄对象的头像位置；根据所述待拍摄对象的头像位置，在所述待对焦图像中确定证件候选区域。
该方案可以包括以下有益效果：拍摄对象人脸与待拍摄证件的位置分布关系或者在待拍摄证件上有待拍摄对象的头像时拍摄对象的头像位置，为在待对焦图像中确定证件候选区域提供了依据，按照上述方式确定证件候选区域为最终确定证件区域提供了便利，从而可以提高证件区域确定的效率。
结合第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，所述证件区域确定模块还包括：
归一化子模块，被配置为在所述采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域之前，对得到的所述N个扫描图像进行归一化处理。
该方案可以包括以下有益效果：对得到的N各扫描图像进行归一化处理，便于证件识别模型对各个扫描图像进行识别，从而提高证件区域的识别效率。
结合第一方面的第二种可能的实现方式，在第一方面的第五种可能的实现方式中，所述字符区域确定子模块，具体被配置为：
采用所述证件识别模型，分别对所述N个扫描图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行识别；
根据所述识别的结果，分别确定所述N个扫描图像是否为证件上的字符区域。
该方案可以包括以下有益效果：证件识别模型基于LOG以及LDA特征对扫描图像进行识别，可以减少证件识别模型的运算次数，提高扫描图像的识别速率。
结合第一方面，在第一方面的第六种可能的实现方式中，所述装置还包括：
第二获取模块，被配置为获取训练样本集，所述训练样本集中的正样本为文字样本图像，负样本为非文字样本图像；
训练模块，被配置为采用Adaboost训练装置对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型。
该方案可以包括以下有益效果：利用本实施例装置中所运行方法生成的证件识别模型可以较为快捷准确的对图像中的字符区域进行识别，有利于提高待对焦图像中证件区域的识别效率。
结合第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，所述装置还包括：
归一化模块，被配置为在所述采用Adaboost训练方法对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型之前，对所述文字样本图像和所述非文字样本图像进行归一化处理。
根据本公开实施例的第三方面，提供一种手持证件模式下的对焦装置，包括：
存储器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取待对焦图像；
从所述待对焦图像中确定人脸区域；
根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；
将所述人脸区域及所述证件区域确定为对焦区域进行对焦。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例一的流程图；
图2是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例二的流程图；
图3是HOG特征提取过程的示意图；
图4是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例三的流程图；
图5示出了文字样本图像的示意图。
图6是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例一的框图；图7是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例二的框图；
图8是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例三的框图；
图9是根据一示例性实施例示出的一种手持证件模式下的对焦装置的框图；
图10是根据一示例性实施例示出的另一种手持证件模式下的对焦装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例一的流程图，如图所示，本实施例涉及的手持证件模式下的对焦方法可以用于各类终端设备中，该终端设备例如可以是手机、平板电脑、PDA(PersonalDigitalAssistant，个人数字助理，简称：PDA)等。该手持证件模式下的对焦方法包括以下步骤。
在步骤101中，获取待对焦图像。
本实施例中通过具有拍照功能的终端设备获取待对焦图像，例如采用手机获取待对焦图像，具体的，当用户开启手机进入手持证件的拍摄模式时，开启手机中摄像头的预览(Preview)模式。
在步骤102中，从待对焦图像中确定人脸区域。
具有拍照功能的终端设备从待对焦图像中确定人脸区域，其中终端设备从待对焦图像中确定人脸区域的方法有多种，如可以采用基于开源计算机视觉库OpenCV的人脸检测器确定待对焦图像中的人脸区域。
需要说明的是，本发明实施例中所说的人脸区域若无特别说明均为待拍摄对象在待对焦图像中形成的图像，并非为证件上的头像在对焦图像中形成的图像。
在步骤103中，根据人脸区域，采用证件识别模型在待对焦图像中确定证件区域。
本发明实施例中，上述证件识别模型是通过对训练样本集进行训练后得到的，证件识别模型用于识别图像中的字符内容，该字符内容可以是语言文字、数字、符号等中的至少一种。
在确定待对焦图像上的证件区域时，可以采用证件识别模型对整幅待对焦图像进行扫描计算的方式，此过程中计算过程相对比较繁琐，容易带来对焦时间相对比较长的问题。
考虑到手持证件拍摄模式下，待拍摄对象手持证件，待拍摄对象的人脸区域与待确定的证件区域存在一定的位置关系，因此为了避免在识别证件区域过程中计算过程相对比较繁琐、耗时的问题，本实施例中优选的可以根据人脸区域与证件区域的位置对应关系，缩小证件区域的搜索范围，从而提高证件区域的识别效率。
在步骤104中，将人脸区域及证件区域确定为对焦区域进行对焦。
本发明实施例中，终端设备首先确定待对焦图像上的人脸区域，之后利用证件识别模型识别待对焦图像上的证件区域，并对待对焦图像上的人脸区域以及证件区域均进行对焦，从而提高拍摄出的图像中证件上信息的清晰程度。
本发明实施例中采用证件识别模型确定待对焦图像中的证件区域，上述证件识别模型可以为采用自适应增强Adaboost训练方法对训练样本集进行训练后得到的，得到的证件识别模型用于识别图像中的字符内容。
其中，Adaboost是英文"AdaptiveBoosting"(自适应增强)的缩写，是一种机器学习方法。Adaboost方法的自适应在于：前一个分类器分错的样本会被用来训练下一个分类器。Adaboost方法对于噪声数据和异常数据很敏感。
Adaboost方法是一种迭代算法，在每一轮学习过程中加入一个新的弱分类器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它被某个分类器选入训练集的概率。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它被选中的概率就被降低；相反，如果某个样本没有被准确地分类，那么它的权重就会被提高。通过这样的方式，Adaboost方法能“聚焦于”那些较难区分(更富信息)的样本上。在具体实现上，最初令每个样本的权重都相等，对于第K次迭代操作，根据这些权重来选取样本点，进而训练分类器；然后根据分类器，来提高被它分错的的样本的权重，并降低被正确分类的样本权重，之后，权重更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。
采用基于Adaboost训练方法得到的证件识别模型对待对焦图像中的文字图像比较敏感，能够较为准确的识别待对焦图像中的证件区域。
图2是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例二的流程图，如图2所示，该方法可以包括如下步骤：
在步骤201中，获取待对焦图像。
本实施例中通过具有拍照功能的终端设备获取待对焦图像。
在步骤202中，采用人脸检测器从待对焦图像中确定人脸区域。
具有拍照功能的终端设备利用人脸检测器从待对焦图像中确定人脸区域，其中，终端设备所采用的人脸检测器可以为采用Adaboost训练方法对哈尔Haar特征进行训练得到的人脸检测器；本发明实施例中，Haar特征是计算机视觉领域一种常用的特征描述算子，常用的Haar特征可以分为三类：线性特征、边缘特征、点特征以及对角线特征。
进一步，本发明实施例中，上述人脸检测器还可以为基于开源计算机视觉库OpenCV的人脸检测器。
在步骤203中，根据人脸区域在待对焦图像中确定证件候选区域。
为了提高待对焦图像中证件区域的识别效率，本发明实施例方法中首先确定证件候选区域，缩小证件区域的扫描范围。
本发明实施例中，在待对焦图像中确定证件候选区域的方法有多种，本发明实施例中给出如下示例作为参考：
示例一：终端设备根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在待对焦图像中确定证件候选区域。
手持证件拍摄模式下，为了使待拍摄对象的人脸以及待拍摄证件均落入拍摄图像中，人脸与证件之间存在一定的位置关系，一般地，证件位于人脸的左侧或右侧区域中。
终端设备从待对焦图像中确定人脸区域后，在人脸区域的左侧、右侧的预设范围中划定证件候选区域，并从证件候选区域中确定证件区域。
示例二：终端设备确定待拍摄证件上是否有待拍摄对象的头像，若有，则在待对焦图像中确定待拍摄对象的头像位置；根据待拍摄对象的头像位置，在待对焦图像中确定证件候选区域。
手持证件拍摄模式下，待拍摄的证件上有时会有待拍摄对象的头像，且一般的待拍摄对象的头像相对比较容易识别，此时可以首先确定证件上的头像位置，之后根据头像位置在待对焦图像中确定证件候选区域。
在步骤204中，采用金字塔层级遍历扫描方法，从证件候选区域中得到N个扫描图像。
金字塔层级遍历扫描方法是指，由于不确定待对焦图像中证件区域的位置及大小，因此证件识别模型中的识别样本大小可能与证件区域中的文字大小不匹配，如证件识别模型中的识别样本中的文字小于证件区域上的文字，此时难易扫描得到完整的文字图像，因此可以采用对识别样本进行缩放，以匹配证件区域中的文字大小；另外为了匹配待对焦图中中的证件位置，在证件候选区域中进行逐层遍历扫描，从而保证识别覆盖整个证件候选区域。
在步骤205中，对得到的N个扫描图像进行归一化处理。
在实际应用中，为了进一步保证识别处理的速度和识别结果的准确性，可以对得到的N个扫描图像进行一定的预处理，该预处理包括进行图像的归一化处理。比如对尺寸、坐标中心化、X-Shearing、缩放和旋转等进行归一化处理。
在步骤206中，采用证件识别模型，分别确定N个扫描图像是否为证件上的字符区域。
本发明实施例中，采用证件识别模型，分别确定N个扫描图像是否为证件上的字符区域，包括：采用证件识别模型，分别对N个扫描图像的HOG(HistogramOfOrientedGradient，方向梯度直方图)以及LDA(LinearDiscriminantAnalysis，线性判别式分析)特征进行识别；根据识别的结果，分别确定N个扫描图像是否为证件上的字符区域。
图3是HOG特征提取过程的示意图。从图3可以看出，HOG特征提取过程包括：
步骤301：归一化图像
为了减少光照因素的影响，首先对检测窗口中的图像进行归一化。在图像的纹理强度中，局部的表层曝光贡献比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。
步骤302：计算图像梯度
计算图像在设定的横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值，其中求取梯度方向值的操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
步骤303：为每个细胞单元构建梯度方向直方图
本步骤的目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
本步骤中，将图像分成若干个“单元格cell”，例如每个Cell为6*6个像素。对Cell内的每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围)，就可以得到这个Cell的梯度方向直方图了。
步骤304：把细胞单元组合成大的块(Block)，块内归一化梯度直方图
由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
具体实现方法包括：把各个细胞单元组合成大的、空间上连通的区间(Blocks)。这样，一个Block内所有Cell的特征向量串联起来便得到该Block的HOG特征。这些区间是互有重叠的，这就意味着：每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。我们将归一化之后的块描述符(向量)就称之为HOG描述符。
步骤305：收集HOG特征
最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。
在步骤207中，对N个扫描图像是否为字符区域的确定结果进行聚类合并。
在步骤208中，根据聚类合并的结果，从证件候选区域中确定证件区域。
本发明实施例中，若当前选择的证件候选区域中不存在证件区域，可以重新确定证件候选区域，并重复上述步骤204～步骤208直至在待对焦图像中确定出证件区域。
在步骤209中，将人脸区域及证件区域确定为对焦区域进行对焦。
本发明实施例，确定人脸区域及证件区域后，调用摄像头对人脸区域以及证件区域进行对焦，完成拍摄，从而得到较为清晰的手持证件照。
图4是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例三的流程图，如图4所示，本实施例中介绍证件识别模型的训练过程。具体地，可以包括以下步骤：
在步骤401中，获取训练样本集，训练样本集中的正样本为文字样本图像，负样本为非文字样本图像。
在步骤402中，分别对对文字样本图像和非文字样本图像进行归一化处理。
在步骤403中，采用Adaboost训练方法对文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到证件识别模型。
本实施例中，为了保证证件识别模型的准确可靠，训练时，需要采集大量的文字样本图像和非文字样本图像，比如文字样本图像20万张。图5示出了文字样本图像的示意图。如图5所示，每张文字样本图像都可以从身份证或者其它证件里面扣取出一些字符区域处理，文字在样本图像中占比个数可以从3～8个不等。
为了提高证件识别模型的精确度，准确的非文字样本图像的数量可以远大于文字样本图像的个数，如当文字样本图像为20万张时，准确500万张非文字样本图像。
为了保证训练结果的准确可靠，可以先对各样本图像进行归一化处理，比如进行尺寸、坐标中心化、X-Shearing、缩放和旋转等归一化处理。
以上描述了手持证件模式下的对焦方法的实现过程，该过程可以由手持证件模式下的对焦装置来实现，以下将对手持证件模式下的对焦装置的内部功能和结构进行说明。
图6是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例一的框图，如图6所示，该手持证件模式下的对焦装置包括：第一获取模块11、人脸区域确定模块12、证件区域确定模块13以及对焦模块14，其中：
第一获取模块11，被配置为获取待对焦图像。
人脸区域确定模块12，被配置为从待对焦图像中确定人脸区域。
证件区域确定模块13，被配置为根据人脸区域，采用证件识别模型在待对焦图像中确定证件区域。
其中证件识别模型是通过对训练样本集进行训练后得到的，证件识别模型用于识别图像中的字符内容。
对焦模块14，被配置为将人脸区域及证件区域确定为对焦区域进行对焦。
上述的人脸区域确定模块12从待对焦图像中确定人脸区域，其中人脸区域确定模块12从待对焦图像中确定人脸区域的方法有多种，如可以采用基于开源计算机视觉库OpenCV的人脸检测器确定待对焦图像中的人脸区域。
在确定待对焦图像上的证件区域时，可以采用证件识别模型对整幅待对焦图像进行扫描计算的方式，此过程中计算过程相对比较繁琐，容易带来对焦时间相对比较长的问题。
考虑到手持证件拍摄模式下，待拍摄对象手持证件，待拍摄对象的人脸区域与待确定的证件区域存在一定的位置关系，因此为了避免在识别证件区域过程中计算过程相对比较繁琐、耗时的问题，本实施例中优选的可以根据人脸区域与证件区域的位置对应关系，缩小证件区域的搜索范围，从而提高证件区域的识别效率。
本发明实施例中，终端设备首先确定待对焦图像上的人脸区域，之后利用证件识别模型识别待对焦图像上的证件区域，并对待对焦图像上的人脸区域以及证件区域均进行对焦，从而提高拍摄出的图像中证件上信息的清晰程度。
本发明实施例中采用证件识别模型确定待对焦图像中的证件区域，上述证件识别模型可以为采用Adaboost训练方法对训练样本集进行训练后得到的，得到的证件识别模型用于识别图像中的字符内容。
其中，Adaboost是英文"AdaptiveBoosting"(自适应增强)的缩写，是一种机器学习方法。Adaboost方法的自适应在于：前一个分类器分错的样本会被用来训练下一个分类器。Adaboost方法对于噪声数据和异常数据很敏感。
Adaboost方法是一种迭代算法，在每一轮学习过程中加入一个新的弱分类器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它被某个分类器选入训练集的概率。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它被选中的概率就被降低；相反，如果某个样本没有被准确地分类，那么它的权重就会被提高。通过这样的方式，Adaboost方法能“聚焦于”那些较难区分(更富信息)的样本上。在具体实现上，最初令每个样本的权重都相等，对于第K次迭代操作，根据这些权重来选取样本点，进而训练分类器；然后根据分类器，来提高被它分错的的样本的权重，并降低被正确分类的样本权重，之后，权重更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。
采用基于Adaboost训练方法得到的证件识别模型对待对焦图像中的文字图像比较敏感，能够较为准确的识别待对焦图像中的证件区域。
图7是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例二的框图，如图7所示，在图6所示实施例的基础上，人脸区域确定模块12中包括：人脸检测器121；人脸检测器121被配置为从待对焦图像中确定人脸区域；其中，人脸检测器121为采用Adaboost训练装置对Haar特征进行训练得到的人脸检测器121；或者，人脸检测器121为基于开源计算机视觉库OpenCV的人脸检测器121。
本发明实施例中，Haar特征是计算机视觉领域一种常用的特征描述算子，常用的Haar特征可以分为三类：线性特征、边缘特征、点特征以及对角线特征。
如图7所示，证件区域确定模块包括：候选区域确定子模块131、扫描子模块132、归一化子模块133、字符区域确定子模块134、聚类合并子模块135以及证件区域确定子模块136，其中，候选区域确定子模块131，被配置为根据人脸区域在待对焦图像中确定证件候选区域。
为了提高待对焦图像中证件区域的识别效率，本发明实施例方法中首先确定证件候选区域，缩小证件区域的扫描范围。
本发明实施例中，候选区域确定子模块131在待对焦图像中确定证件候选区域的方法有多种，本发明实施例中给出如下示例作为参考：
示例一：候选区域确定子模块131，具体被配置为：根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在待对焦图像中确定证件候选区域。
手持证件拍摄模式下，为了使待拍摄对象的人脸以及待拍摄证件均落入拍摄图像中，人脸与证件之间存在一定的位置关系，一般地，证件位于人脸的左侧或右侧区域中。
候选区域确定子模块131从待对焦图像中确定人脸区域后，在人脸区域的左侧、右侧的预设范围中划定证件候选区域，并从证件候选区域中确定证件区域。
示例二：候选区域确定子模块131，具体被配置为：确定待拍摄证件上是否有待拍摄对象的头像，若有，则在待对焦图像中确定待拍摄对象的头像位置；根据待拍摄对象的头像位置，在待对焦图像中确定证件候选区域。
手持证件拍摄模式下，待拍摄的证件上有时会有待拍摄对象的头像，且一般的待拍摄对象的头像相对比较容易识别，此时可以首先确定证件上的头像位置，之后根据头像位置在待对焦图像中确定证件候选区域。
扫描子模块132，被配置为采用金字塔层级遍历扫描装置，从证件候选区域中得到N个扫描图像。
金字塔层级遍历扫描方法是指，由于不确定待对焦图像中证件区域的位置及大小，因此证件识别模型中的识别样本大小可能与证件区域中的文字大小不匹配，如证件识别模型中的识别样本中的文字小于证件区域上的文字，此时难易扫描得到完整的文字图像，因此可以采用对识别样本进行缩放，以匹配证件区域中的文字大小；另外为了匹配待对焦图中中的证件位置，在证件候选区域中进行逐层遍历扫描，从而保证识别覆盖整个证件候选区域。
归一化子模块133，被配置为对得到的N个扫描图像进行归一化处理。
在实际应用中，为了进一步保证识别处理的速度和识别结果的准确性，可以对得到的N个扫描图像进行一定的预处理，该预处理包括进行图像的归一化处理。比如对尺寸、坐标中心化、X-Shearing、缩放和旋转等进行归一化处理。
字符区域确定子模块134，被配置为采用证件识别模型，分别确定归一化后的N个扫描图像是否为证件上的字符区域。
其中，字符区域确定子模块134，具体被配置为：采用证件识别模型，分别对N个扫描图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行识别；根据识别的结果，分别确定N个扫描图像是否为证件上的字符区域。
图3是HOG特征提取过程的示意图。从图3可以看出，HOG特征提取过程包括：
步骤301：归一化图像
为了减少光照因素的影响，首先对检测窗口中的图像进行归一化。在图像的纹理强度中，局部的表层曝光贡献比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。
步骤302：计算图像梯度
计算图像在设定的横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值，其中求取梯度方向值的操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
步骤303：为每个细胞单元构建梯度方向直方图
本步骤的目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
本步骤中，将图像分成若干个“单元格cell”，例如每个Cell为6*6个像素。对Cell内的每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围)，就可以得到这个Cell的梯度方向直方图了。
步骤304：把细胞单元组合成大的块(Block)，块内归一化梯度直方图
由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
具体实现方法包括：把各个细胞单元组合成大的、空间上连通的区间(Blocks)。这样，一个Block内所有Cell的特征向量串联起来便得到该Block的HOG特征。这些区间是互有重叠的，这就意味着：每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。我们将归一化之后的块描述符(向量)就称之为HOG描述符。
步骤305：收集HOG特征
最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。
聚类合并子模块135，被配置为对N个扫描图像是否为字符区域的确定结果进行聚类合并。
证件区域确定子模块136，被配置为根据聚类合并的结果，确定证件候选区域中的证件区域。
图8是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例三的框图，如图8所示，在图7所示实施例的基础上，装置还包括：第二获取模块21、归一化模块22以及训练模块23，其中：
第二获取模块21，被配置为获取训练样本集，训练样本集中的正样本为文字样本图像，负样本为非文字样本图像。
归一化模块22，被配置为对文字样本图像和非文字样本图像进行归一化处理。
训练模块23，被配置为采用Adaboost训练装置对文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到证件识别模型。
本实施例中，为了保证证件识别模型的准确可靠，训练时，需要采集大量的文字样本图像和非文字样本图像，比如文字样本图像20万张。图5示出了文字样本图像的示意图。如图5所示，每张文字样本图像都可以从身份证或者其它证件里面抠取出一些字符区域，文字在样本图像中占比个数可以从3～8个不等。
为了提高证件识别模型的精确度，准确的非文字样本图像的数量可以远大于文字样本图像的个数，如当文字样本图像为20万张时，准确500万张非文字样本图像。
为了保证训练结果的准确可靠，可以先对各样本图像进行归一化处理，比如进行尺寸、坐标中心化、X-Shearing、缩放和旋转等归一化处理。
以上描述了手持证件模式下的对焦装置的内部功能和结构，如图9所示，图9是根据一示例性实施例示出的一种手持证件模式下的对焦装置的框图；该手持证件模式下的对焦装置装置可实现为：
存储器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为：
获取待对焦图像；
从待对焦图像中确定人脸区域；
根据人脸区域，采用证件识别模型在待对焦图像中确定证件区域，其中证件识别模型是通过对训练样本集进行训练后得到的，证件识别模型用于识别图像中的字符内容；
将人脸区域及证件区域确定为对焦区域进行对焦。
本发明实施例中，终端设备首先确定待对焦图像上的人脸区域，之后利用证件识别模型识别待对焦图像上的证件区域，并对待对焦图像上的人脸区域以及证件区域均进行对焦，从而提高拍摄出的图像中证件上信息的清晰程度。
图10是根据一示例性实施例示出的另一种手持证件模式下的对焦装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图10，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如Wifi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(Irda)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行一种手持证件模式下的对焦方法，方法包括：
获取待对焦图像；
从待对焦图像中确定人脸区域；
根据人脸区域，采用证件识别模型在待对焦图像中确定证件区域，其中证件识别模型是通过对训练样本集进行训练后得到的，证件识别模型用于识别图像中的字符内容；
将人脸区域及证件区域确定为对焦区域进行对焦。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (17)
1.一种手持证件模式下的对焦方法，其特征在于，包括：
获取待对焦图像；
从所述待对焦图像中确定人脸区域；
根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；
将所述人脸区域及所述证件区域确定为对焦区域进行对焦。
2.根据权利要求1所述的方法，其特征在于，所述从所述待对焦图像中确定人脸区域，包括：
采用人脸检测器从所述待对焦图像中确定人脸区域；
其中，所述人脸检测器为采用自适应增强Adaboost训练方法对哈尔Haar特征进行训练得到的人脸检测器；或者，所述人脸检测器为基于开源计算机视觉库OpenCV的人脸检测器。
3.根据权利要求1所述的方法，其特征在于，所述根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，包括：
根据所述人脸区域在所述待对焦图像中确定证件候选区域；
采用金字塔层级遍历扫描方法，从所述证件候选区域中得到N个扫描图像；
采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域；
对所述N个扫描图像是否为字符区域的确定结果进行聚类合并；
根据所述聚类合并的结果，确定所述证件候选区域中的证件区域。
4.根据权利要求3所述的方法，其特征在于，所述根据所述人脸区域在所述待对焦图像中确定证件候选区域，包括：
根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在所述待对焦图像中确定证件候选区域；
或者，
确定待拍摄证件上是否有待拍摄对象的头像，若有，则在所述待对焦图像中确定所述待拍摄对象的头像位置；根据所述待拍摄对象的头像位置，在所述待对焦图像中确定证件候选区域。
5.根据权利要求3所述的方法，其特征在于，在所述采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域之前，还包括：
对得到的所述N个扫描图像进行归一化处理。
6.根据权利要求3所述的方法，其特征在于，所述采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域，包括：
采用所述证件识别模型，分别对所述N个扫描图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行识别；
根据所述识别的结果，分别确定所述N个扫描图像是否为证件上的字符区域。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本集，所述训练样本集中的正样本为文字样本图像，负样本为非文字样本图像；
采用Adaboost训练方法对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型。
8.根据权利要求7所述的方法，其特征在于，在所述采用Adaboost训练方法对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型之前，还包括：
对所述文字样本图像和所述非文字样本图像进行归一化处理。
9.一种手持证件模式下的对焦装置，其特征在于，包括：
第一获取模块，被配置为获取待对焦图像；
人脸区域确定模块，被配置为从所述待对焦图像中确定人脸区域；
证件区域确定模块，被配置为根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；
对焦模块，被配置为将所述人脸区域及所述证件区域确定为对焦区域进行对焦。
10.根据权利要求9所述的装置，其特征在于，所述人脸区域确定模块，包括：
人脸检测器，被配置为从所述待对焦图像中确定人脸区域；
其中，所述人脸检测器为采用自适应增强Adaboost训练方法对哈尔Haar特征进行训练得到的人脸检测器；或者，所述人脸检测器为基于开源计算机视觉库OpenCV的人脸检测器。
11.根据权利要求9所述的装置，其特征在于，所述证件区域确定模块，包括：
候选区域确定子模块，被配置为根据所述人脸区域在所述待对焦图像中确定证件候选区域；
扫描子模块，被配置为采用金字塔层级遍历扫描方法，从所述证件候选区域中得到N个扫描图像；
字符区域确定子模块，被配置为采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域；
聚类合并子模块，被配置为对所述N个扫描图像是否为字符区域的确定结果进行聚类合并；
证件区域确定子模块，被配置为根据所述聚类合并的结果，确定所述证件候选区域中的证件区域。
12.根据权利要求11所述的装置，其特征在于，所述候选区域确定子模块，具体被配置为：
根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在所述待对焦图像中确定证件候选区域；
或者，
确定待拍摄证件上是否有待拍摄对象的头像，若有，则在所述待对焦图像中确定所述待拍摄对象的头像位置；根据所述待拍摄对象的头像位置，在所述待对焦图像中确定证件候选区域。
13.根据权利要求11所述的装置，其特征在于，所述证件区域确定模块还包括：
归一化子模块，被配置为在所述采用所述证件识别模型，分别确定所述N个扫描图像是否为证件上的字符区域之前，对得到的所述N个扫描图像进行归一化处理。
14.根据权利要求11所述的装置，其特征在于，所述字符区域确定子模块，具体被配置为：
采用所述证件识别模型，分别对所述N个扫描图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行识别；
根据所述识别的结果，分别确定所述N个扫描图像是否为证件上的字符区域。
15.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第二获取模块，被配置为获取训练样本集，所述训练样本集中的正样本为文字样本图像，负样本为非文字样本图像；
训练模块，被配置为采用Adaboost训练装置对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型。
16.根据权利要求15所述的装置，其特征在于，所述装置还包括：
归一化模块，被配置为在所述采用Adaboost训练方法对所述文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到所述证件识别模型之前，对所述文字样本图像和所述非文字样本图像进行归一化处理。
17.一种手持证件模式下的对焦装置，其特征在于，包括：
存储器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取待对焦图像；
从所述待对焦图像中确定人脸区域；
根据所述人脸区域，采用证件识别模型在所述待对焦图像中确定证件区域，其中所述证件识别模型是通过对训练样本集进行训练后得到的，所述证件识别模型用于识别图像中的字符内容；
将所述人脸区域及所述证件区域确定为对焦区域进行对焦。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511025364.6A CN105678242B (zh) | 2015-12-30 | 2015-12-30 | 手持证件模式下的对焦方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511025364.6A CN105678242B (zh) | 2015-12-30 | 2015-12-30 | 手持证件模式下的对焦方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105678242A true CN105678242A (zh) | 2016-06-15 |
| CN105678242B CN105678242B (zh) | 2019-05-07 |
Family
ID=56189844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511025364.6A Active CN105678242B (zh) | 2015-12-30 | 2015-12-30 | 手持证件模式下的对焦方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105678242B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106161949A (zh) * | 2016-08-05 | 2016-11-23 | 北京小米移动软件有限公司 | 拍照方法及装置 |
| CN107682623A (zh) * | 2017-09-11 | 2018-02-09 | 北京小米移动软件有限公司 | 拍照方法及装置 |
| CN108460362A (zh) * | 2018-03-23 | 2018-08-28 | 成都品果科技有限公司 | 一种检测人体部位的系统及方法 |
| CN109583299A (zh) * | 2018-10-26 | 2019-04-05 | 平安科技（深圳）有限公司 | 电子装置、证件识别方法及存储介质 |
| CN109872282A (zh) * | 2019-01-16 | 2019-06-11 | 众安信息技术服务有限公司 | 一种基于计算机视觉的图像脱敏方法与系统 |
| CN109963072A (zh) * | 2017-12-26 | 2019-07-02 | 广东欧珀移动通信有限公司 | 对焦方法、装置、存储介质及电子设备 |
| CN110290324A (zh) * | 2019-06-28 | 2019-09-27 | Oppo广东移动通信有限公司 | 设备成像方法、装置、存储介质及电子设备 |
| CN111832551A (zh) * | 2020-07-15 | 2020-10-27 | 网易有道信息技术（北京）有限公司 | 文本图像处理方法、装置、电子扫描设备和存储介质 |
| CN113283359A (zh) * | 2021-06-02 | 2021-08-20 | 万达信息股份有限公司 | 一种手持证件照的认证方法、系统和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101669824A (zh) * | 2009-09-22 | 2010-03-17 | 浙江工业大学 | 基于生物特征识别的人与身份证同一性检验装置 |
| EP2187623A1 (en) * | 2008-11-14 | 2010-05-19 | Fujinon Corporation | Autofocus system |
| CN104460185A (zh) * | 2014-11-28 | 2015-03-25 | 小米科技有限责任公司 | 自动对焦方法及装置 |
| CN104680161A (zh) * | 2015-01-09 | 2015-06-03 | 安徽清新互联信息科技有限公司 | 一种身份证数字识别方法 |
| CN104767926A (zh) * | 2014-01-07 | 2015-07-08 | 北京三星通信技术研究有限公司 | 自动对焦的方法及装置 |
-
2015
- 2015-12-30 CN CN201511025364.6A patent/CN105678242B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2187623A1 (en) * | 2008-11-14 | 2010-05-19 | Fujinon Corporation | Autofocus system |
| CN101669824A (zh) * | 2009-09-22 | 2010-03-17 | 浙江工业大学 | 基于生物特征识别的人与身份证同一性检验装置 |
| CN104767926A (zh) * | 2014-01-07 | 2015-07-08 | 北京三星通信技术研究有限公司 | 自动对焦的方法及装置 |
| CN104460185A (zh) * | 2014-11-28 | 2015-03-25 | 小米科技有限责任公司 | 自动对焦方法及装置 |
| CN104680161A (zh) * | 2015-01-09 | 2015-06-03 | 安徽清新互联信息科技有限公司 | 一种身份证数字识别方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106161949A (zh) * | 2016-08-05 | 2016-11-23 | 北京小米移动软件有限公司 | 拍照方法及装置 |
| CN107682623A (zh) * | 2017-09-11 | 2018-02-09 | 北京小米移动软件有限公司 | 拍照方法及装置 |
| CN107682623B (zh) * | 2017-09-11 | 2020-06-02 | 北京小米移动软件有限公司 | 拍照方法及装置 |
| CN109963072A (zh) * | 2017-12-26 | 2019-07-02 | 广东欧珀移动通信有限公司 | 对焦方法、装置、存储介质及电子设备 |
| WO2019128564A1 (zh) * | 2017-12-26 | 2019-07-04 | Oppo广东移动通信有限公司 | 对焦方法、装置、存储介质及电子设备 |
| CN108460362A (zh) * | 2018-03-23 | 2018-08-28 | 成都品果科技有限公司 | 一种检测人体部位的系统及方法 |
| CN109583299A (zh) * | 2018-10-26 | 2019-04-05 | 平安科技（深圳）有限公司 | 电子装置、证件识别方法及存储介质 |
| CN109872282A (zh) * | 2019-01-16 | 2019-06-11 | 众安信息技术服务有限公司 | 一种基于计算机视觉的图像脱敏方法与系统 |
| CN110290324A (zh) * | 2019-06-28 | 2019-09-27 | Oppo广东移动通信有限公司 | 设备成像方法、装置、存储介质及电子设备 |
| CN110290324B (zh) * | 2019-06-28 | 2021-02-02 | Oppo广东移动通信有限公司 | 设备成像方法、装置、存储介质及电子设备 |
| CN111832551A (zh) * | 2020-07-15 | 2020-10-27 | 网易有道信息技术（北京）有限公司 | 文本图像处理方法、装置、电子扫描设备和存储介质 |
| CN113283359A (zh) * | 2021-06-02 | 2021-08-20 | 万达信息股份有限公司 | 一种手持证件照的认证方法、系统和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105678242B (zh) | 2019-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105678242B (zh) | 手持证件模式下的对焦方法和装置 | |
| US11532180B2 (en) | Image processing method and device and storage medium | |
| CN108197586B (zh) | 脸部识别方法和装置 | |
| CN110602527B (zh) | 视频处理方法、装置及存储介质 | |
| KR101864759B1 (ko) | 영역 인식 방법 및 장치 | |
| US10007841B2 (en) | Human face recognition method, apparatus and terminal | |
| CN106228168B (zh) | 卡片图像反光检测方法和装置 | |
| RU2639668C2 (ru) | Способ и устройство для идентификации области | |
| US20200279120A1 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
| CN106228556B (zh) | 图像质量分析方法和装置 | |
| US20170124719A1 (en) | Method, device and computer-readable medium for region recognition | |
| CN107480665B (zh) | 文字检测方法、装置及计算机可读存储介质 | |
| US20210012091A1 (en) | Method and apparatus for image processing, electronic device, and storage medium | |
| CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
| CN106296665B (zh) | 卡片图像模糊检测方法和装置 | |
| CN111626371A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
| CN104077597B (zh) | 图像分类方法及装置 | |
| CN104268864B (zh) | 卡片边缘提取方法和装置 | |
| CN111062401A (zh) | 堆叠物体的识别方法及装置、电子设备和存储介质 | |
| CN112927122A (zh) | 水印去除方法、装置及存储介质 | |
| CN112200040A (zh) | 遮挡图像检测方法、装置及介质 | |
| CN113409342A (zh) | 图像风格迁移模型的训练方法、装置及电子设备 | |
| CN107977636B (zh) | 人脸检测方法及装置、终端、存储介质 | |
| CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
| US20220270352A1 (en) | Methods, apparatuses, devices, storage media and program products for determining performance parameters |
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 |