CN106097354B - 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 - Google Patents

一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 Download PDF

Info

Publication number
CN106097354B
CN106097354B CN201610426104.8A CN201610426104A CN106097354B CN 106097354 B CN106097354 B CN 106097354B CN 201610426104 A CN201610426104 A CN 201610426104A CN 106097354 B CN106097354 B CN 106097354B
Authority
CN
China
Prior art keywords
region
hand
pixel
face detection
skin
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
Application number
CN201610426104.8A
Other languages
English (en)
Other versions
CN106097354A (zh
Inventor
冷璐
张毛情
黎明
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201610426104.8A priority Critical patent/CN106097354B/zh
Publication of CN106097354A publication Critical patent/CN106097354A/zh
Application granted granted Critical
Publication of CN106097354B publication Critical patent/CN106097354B/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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种结合自适应高斯肤色检测和区域生长的手部图像分割方法，其方法为：由屏幕上呈“工字形”的三条标志线辅助用户摆放手掌，将图像转换至YCbCr空间，只保留Cb和Cr两个分量。选取手掌内部一个肤色子区域，按照每个像素两个分量到此子区域两个分量均值的欧氏距离从小到大排序，取前N个像素再次统计两个分量的均值和协方差矩阵，估计高斯肤色模型参数。将肤色检测结果作为种子区域，进行区域生长，完整分割手部区域。高斯肤色模型参数的自适应性抵抗了类肤色背景、光线变化的干扰，提高了分割精度。区域生长抵御了背景中与手部不连通的类肤色区域的干扰，并克服了单一固定阈值分割对手部不同区域肤色渐变的失效性。

Description

一种结合自适应高斯肤色检测和区域生长的手部图像分割 方法
技术领域
本发明涉及手部图像分割方法，结合自适应高斯肤色检测和区域生长，实现准确的手部图像分割，保证了后续步骤足以准确提取掌纹特征用于识别或认证。
背景技术
生物特征以其稳定性、唯一性、不易丢失等特点在身份认证领域获得了越来越广泛的应用。掌纹因包含丰富的鉴别特征、认证精度理想、采集成本低、用户接受度高等优势成为近年来研究的热点。
然而移动终端等设备非接触式拍摄自然场景中的掌纹图像预处理却受到诸多干扰，如背景、光照等因素的影响，给手部图像分割带来了巨大的技术挑战。而准确的手部图像分割是后续特征提取并进行识别或认证的关键。
肤色模型是一种在彩色空间内有效处理肤色信息而建立的模型，常用YCbCr空间高斯肤色模型。相对灰度信息来说，肤色具有对光照、姿态变化不敏感等优点，被广泛应用于人脸识别、掌纹识别等领域。然而当背景过于复杂或光线变化较大时，固定参数的高斯肤色模型的鲁棒性弱，这也是限制高斯肤色模型广泛应用的瓶颈。
区域生长法以一组“种子”开始，将与种子具有相同或相似性质(如灰度、颜色或纹理)的邻域像素合并到每个种子区域进行生长。该方法能够有效进行自然场景下彩色图像的分割。
本方案由自适应高斯肤色检测和区域生长串联执行，即在高斯肤色检测的结果上进行区域生长。高斯肤色模型参数估计的自适应性有效抵御了类似肤色和光照变化的影响。区域生长法对不同图像自适应调整生长阈值，克服了背景中与手部不连通类似肤色区域的干扰，还避免了单一阈值对大量图像使用时的失效性以及对手部不同区域肤色渐变的失效性。
发明内容
针对上述问题，本发明的目的在于提供一种结合自适应高斯肤色检测和区域生长的手部图像分割方法，该方法中高斯肤色模型的参数自适应估计；区域生长判断的距离门限阈值自适应选取，从而实现完整而准确的手部图像分割。
为实现上述目的，本发明采取技术方案的方法步骤如下。
(1)颜色空间转换及平滑：将图像从RGB空间转换到YCbCr空间，实现图像亮度和色度的分离；对图像低通滤波使之平滑，减少手部分割的缺失和背景干扰区域的混入；
(2)“训练子区域”选取：在选取肤色训练区域时，为避免背景的混入，采用“工字形”的三条标志线辅助限定手掌摆放位置，三条标志线包括成像屏幕显示的上下两条“水平标志线”，其到屏幕上、下边界距离分别为图像高度的10％，“竖直标志线”位于成像屏幕中央处，与上下水平标志线垂直；采集图像时，要求用户五指张开，手掌表面与采集镜头平行，指尖朝上，竖直标志线保证在中指区域内，中指指尖位于上方水平标志线和屏幕上方边界之间，手腕底部位于下方水平标志线和图像下边界之间；
定义坐标原点位于左上角，向右为x轴正方向，向下为y轴正方向；规定图像高度为H，宽度为W，图像总像素个数为M＝H×W，则训练子区域x轴范围在[0.45W,0.55W]，y轴范围在[0.6H,0.7H]，大小为F＝0.01M，从而有效避免选取到手掌以外区域；
(3)高斯肤色检测：高斯肤色似然度的计算公式为：
p(Cb,Cr)＝exp[-0.5(x-m)TC-1(x-m)] (1)
此处像素的特征定义为Cb和Cr两个分量，即x＝(Cb,Cr)，m为Cb和Cr两个分量的均值向量，C为协方差矩阵；
计算训练子区域F个像素Cb和Cr的平均值Cbf和Crf,，组成均值向量mf＝(Cbf,Crf)；当受到光源强度或颜色影响时，肤色训练区域的均值会偏离实际肤色值，难以采用固定参数，因此计算图像上每个像素的特征到mf的欧氏距离：
二维向量[Cb(i),Cr(i)]为图像第i个像素的特征；为使肤色模型更加鲁棒，将D(i)按从小到大的顺序排列，取排序后前N个距离对应的像素；通过手部几何结构分析和实验验证，当N＝M/4时分割效果较优；计算N个像素Cb和Cr的均值Cbs、Crs，以及均值向量ms和协方差矩阵Cs，通过公式(1)计算像素属于肤色的概率，得到肤色似然图，设定阈值，阈值分割结果为G；
(4)区域生长：将G作为区域生长的初始区域，通过寻找满足预先定义条件的像素加入到种子区域，实现区域生长，完成手部区域的完整分割。
本发明所述手部图像分割方法由自适应高斯肤色检测和区域生长串联执行，即在高斯肤色检测的结果上进行区域生长。高斯肤色模型参数估计的自适应性有效抵御了类似肤色和光照变化的影响。区域生长法对不同图像自适应调整生长阈值，克服了与手部不连通类似肤色区域的干扰，还避免了单一阈值对所有图像使用的失效性以及对手部不同区域肤色渐变的失效性。因此，该方法更有效地抵御了光照、手部不同区域肤色渐变、类肤色背景等干扰，分割精度优于单一方法。
本发明所述训练子区域选取时通过“工字形”定位法辅助手掌摆放位置，根据手部比例结构及几何分析，保证了训练子区域选取范围位于手掌内部。
本发明所述高斯肤色模型参数由该图像自身的部分像素估计得出，通过分析手掌位置以及手部比例结构，对手部区域面积进行估算，确定了参数估计的肤色像素个数的优化数值，即由M/4个肤色像素估计高斯肤色模型参数。
本发明所述高斯肤色检测时，设定似然度阈值为Tg＝0.7，实验表明，该阈值能有效避免将背景误分为手部区域。
本发明所述区域生长时，每个种子点的特征作为参考值，判断其周围邻域点特征与参考值的欧氏距离，若距离小于门限阈值Tr，即将该邻域点加入至种子区域。计算每个种子点生长出的全部邻域点的特征的均值，此均值设定为以该邻域点作为种子进行再次生长的参考值，直至所有邻域中没有满足条件的像素再被加入到种子区域，则停止生长。
本发明所述区域生长时，设定判断生长的距离门限阈值Tr由公式(3)计算，其中Cb、Cr为训练子区域中像素的Cb、Cr分量。
Tr＝0.5×[max(Cb)-min(Cb)+max(Cr)-min(Cr)] (3)
由于结合了两种技术方案，本发明具有以下优势：
(1)传统方法使用固定的高斯肤色模型参数，难以保证对大量掌纹图像适用的通用性和有效性。本发明自适应估计高斯肤色模型参数，有效抵御了类似肤色和光照变化的干扰。
(2)区域生长法对不同图像自适应调整生长判断门限阈值，克服了与手部不连通干扰区域的影响，还避免了单一阈值对手部不同区域肤色渐变的失效性。
附图说明
图1本发明工作流程图。
图2本发明手部结构比例图。
图3本发明“工字形”定位标志线及肤色训练子区域位置示意图。
图4本发明手部面积粗略分析图。
图5 N＝M/8的分割效果。
图6 N＝M/4的分割效果。
图7 N＝M/2的分割效果。
具体实施方式
下面结合附图和实施例对本发明方案“结合自适应高斯肤色检测和区域生长的手部图像分割方法”进行详细描述，具体方法步骤如下。
本发明采用图1所示流程图。
(1)颜色空间转换及平滑滤波
将图像平滑滤波，减少手部分割的缺失区域。从RGB颜色空间转换到YCbCr空间。RGB色彩空间中R、G、B三个分量不仅代表颜色，还包含了亮度信息。YCbCr具有与人类视觉感知过程相类似的构成原理，并且肤色在YCbCr空间中聚类性较强。其中Y代表亮度，Cb表示蓝色色度分量，Cr表示红色色度分量，实现了亮度与色度的分离。
(2)统计训练子区域的特征均值mf
(a)训练子区域定位
本发明采用呈“工字形”的三条标志线辅助手掌摆放位置，三条标志线包括成像屏幕显示的上下两条“水平标志线”，其到屏幕上、下边界距离分别为成像高度的10％，“竖直标志线”位于成像屏幕中央处，与上下水平标志垂直。采集图像时，要求用户五指张开，手掌表面与采集镜头平行，指尖朝上，竖直标志线保证在中指区域内，中指指尖位于上方水平标志线和屏幕上方边界之间，手腕底部位于下方水平标志线和图像下边界之间。
手部结构比例图如图2所示，定义手心面为正面，手背面为反面。正面中指与手掌的长度比例约为3:4，中指长度与手掌宽度的比例约为1:1；反面中指与手掌的长度比例约为1:1。
在“工字形”辅助定位采集中，根据手部结构比例可知，中指指根到图像上边界距离最大的情况为：中指指尖与上方水平标志线相切，手腕底部与图像下边界重合。定义坐标原点位于左上角，向右为x轴正方向，向下为y轴正方向。图像高度为H，宽度为W，总像素个数M＝W×H。此时中指指尖到手腕底部的距离为0.9H，中指指根点到图像上边界的距离为h＝0.1H+3/7×0.9H＝0.486H，即中指指根点到图像上边界的距离不超过图像高度的49％。因此肤色训练子区域选取x轴范围在[0.45W,0.55W]，y轴范围在[0.6H,0.7H]，大小为F＝0.01M，可以有效避免训练子区域选取到手部以外的背景区域，如图3所示。
(b)计算训练子区域F个像素的特征均值Cbf和Crf，则mf＝(Cbf,Crf)。
(3)高斯肤色模型参数估计
训练子区域面积较小，因此由训练子区域得到的参数鲁棒性较弱。为此对其做出以下改进。
(a)由公式(2)计算图像上所有像素的特征到均值向量mf的欧氏距离D(i)，并按从小到大顺序排列。
(b)取前N个距离对应的像素并计算均值Cbs、Crs，ms＝(Cbs,Crs)以及协方差矩阵C。
图4显示了符合“工字形”定位标准时，手部面积最小值粗略估算示意图。Part1表示手指部分的面积，Part2表示手掌部分的面积。结合图2中正面中指长度与掌宽之比为1:1，大拇指面积可用于填补近似正方形Part1中肤色缺损的区域，因此手指面积可近似为边长(3/7×0.8H)的正方形的面积，即(3/7×0.8H)2。Part2表示手掌部分的面积，同样由图2可知正面手掌的长度与宽度之比为4:3，因此Part2可近似为面积为(4/7×0.8H)×(3/7×0.8H)的长方形。整个手部面积约为Part1和Part2之和，即0.27H2。手部面积与整幅图像面积之比为δ。
δ＝0.27H2/M＝0.27H2/H×W＝0.27×H/W (4)
一般情况下移动终端(多指智能手机)H/W≥1，所以整个手部面积一般占图像总面积的27％以上。N过小时，只选取了手部内部较小区域，样本不足，难以获得准确的训练效果；N过大时，可能引入背景中的非肤色像素，引起参数估计偏差。因此，N取值在0.27M左右为宜。经实验验证，N＝M/4时分割效果较好。图5至图7对比了一副图像样本在N不同取值时的分割结果。
(4)由步骤(3)得到的均值向量ms和协方差矩阵C代入公式(1)计算高斯肤色似然度，经固定阈值Tg分割得到高斯肤色分割结果G。实验表明Tg＝0.7时可以有效避免将背景误分为手部。
(5)区域生长：将步骤(4)中高斯肤色分割结果G作为区域生长的初始种子区域，由公式(3)计算设定门限阈值Tr，每个种子点的特征作为参考值，判断其周围邻域点特征与参考值的欧氏距离，若距离小于门限阈值Tr，即将该邻域点加入至种子区域；计算每个种子点生长出的全部邻域点的特征的均值，此均值设定为以该邻域点作为种子进行再次生长的参考值，直至所有邻域中没有满足条件的像素再被加入到种子区域，则停止生长。
(6)形态学操作“空洞填充”，得到最终完整的分割结果。

Claims (7)

1.结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于方法步骤如下：
(1)颜色空间转换及平滑：将图像从RGB空间转换到YCbCr空间，实现图像亮度和色度的分离；对图像低通滤波使之平滑，减少手部分割的缺失和背景干扰区域的混入；
(2)“训练子区域”选取：在选取肤色训练区域时，为避免背景的混入，采用“工字形”的三条标志线辅助限定手掌摆放位置，三条标志线包括成像屏幕显示的上下两条“水平标志线”，其到屏幕上、下边界距离分别为图像高度的10％，“竖直标志线”位于成像屏幕中央处，与上下水平标志线垂直；采集图像时，要求用户五指张开，手掌表面与采集镜头平行，指尖朝上，竖直标志线保证在中指区域内，中指指尖位于上方水平标志线和屏幕上方边界之间，手腕底部位于下方水平标志线和图像下边界之间；
定义坐标原点位于左上角，向右为x轴正方向，向下为y轴正方向；规定图像高度为H，宽度为W，图像总像素个数为M＝H×W，则训练子区域x轴范围在[0.45W,0.55W]，y轴范围在[0.6H,0.7H]，大小为F＝0.01M，从而有效避免选取到手掌以外区域；
(3)高斯肤色检测：高斯肤色似然度的计算公式为：
p(Cb,Cr)＝exp[-0.5(x-m)TC-1(x-m)] (1)
此处像素的特征定义为Cb和Cr两个分量，即x＝(Cb,Cr)，m为Cb和Cr两个分量的均值向量，C为协方差矩阵；
计算训练子区域F个像素Cb和Cr的平均值Cbf和Crf，组成均值向量mf＝(Cbf,Crf)；当受到光源强度或颜色影响时，肤色训练区域的均值会偏离实际肤色值，难以采用固定参数，因此计算图像上每个像素的特征到mf的欧氏距离：
二维向量[Cb(i),Cr(i)]为图像第i个像素的特征；为使肤色模型更加鲁棒，将D(i)按从小到大的顺序排列，取排序后前N个距离对应的像素；通过手部几何结构分析和实验验证，取N＝M/4；计算N个像素Cb和Cr的均值Cbs、Crs，以及均值向量ms和协方差矩阵Cs，通过公式(1)计算像素属于肤色的概率，得到肤色似然图，设定阈值，阈值分割结果为G；
(4)区域生长：将G作为区域生长的初始区域，通过寻找满足预先定义条件的像素加入到种子区域，实现区域生长，完成手部区域的完整分割。
2.根据权利要求1所述的结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于：所述手部图像分割方法由自适应高斯肤色检测和区域生长串联执行，即在高斯肤色检测的结果上进行区域生长。
3.根据权利要求1所述的结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于：所述训练子区域选取时通过“工字形”定位法辅助手掌摆放位置，根据手部比例结构及几何分析，保证了训练子区域选取范围位于手掌内部。
4.根据权利要求1所述的结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于：所述高斯肤色检测参数m和C由该图像自身的部分像素估计得出，通过分析手掌位置以及手部比例结构，对手部区域面积进行估算，确定了参数估计的肤色像素个数的优化数值，即由M/4个肤色像素估计参数m和C。
5.根据权利要求1所述的结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于：所述高斯肤色检测时，设定肤色似然度阈值为Tg＝0.7，实验表明，该阈值能有效避免将背景误分为手部区域。
6.根据权利要求1所述的结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于：所述区域生长时，每个种子点的特征作为参考值，判断其周围邻域点特征与参考值的欧氏距离，若距离小于门限阈值Tr，即将该邻域点加入至种子区域；计算每个种子点生长出的全部邻域点的特征的均值，此均值设定为以该邻域点作为种子进行再次生长的参考值，直至所有邻域中没有满足条件的像素再被加入到种子区域，则停止生长。
7.根据权利要求1所述的结合自适应高斯肤色检测和区域生长的手部图像分割方法，其特征在于：所述区域生长时，设定判断生长的距离门限阈值Tr由公式(3)计算，
Tr＝0.5×[max(Cb)-min(Cb)+max(Cr)-min(Cr)] (3)
其中Cb、Cr为训练子区域中像素的Cb、Cr分量。
CN201610426104.8A 2016-06-16 2016-06-16 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 Active CN106097354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610426104.8A CN106097354B (zh) 2016-06-16 2016-06-16 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610426104.8A CN106097354B (zh) 2016-06-16 2016-06-16 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法

Publications (2)

Publication Number Publication Date
CN106097354A CN106097354A (zh) 2016-11-09
CN106097354B true CN106097354B (zh) 2019-07-09

Family

ID=57236024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610426104.8A Active CN106097354B (zh) 2016-06-16 2016-06-16 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法

Country Status (1)

Country Link
CN (1) CN106097354B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109426789B (zh) * 2017-08-31 2022-02-01 京东方科技集团股份有限公司 手和图像检测方法和系统、手分割方法、存储介质和设备
CN107657619B (zh) * 2017-10-13 2019-03-01 西安科技大学 一种低照度林火图像分割方法
CN108447087A (zh) * 2018-02-27 2018-08-24 方建民 利用对象影像找寻适合对象尺寸的物品的方法
CN110232311B (zh) * 2019-04-26 2023-11-14 平安科技（深圳）有限公司 手部图像的分割方法、装置及计算机设备
CN112686965A (zh) * 2020-12-25 2021-04-20 百果园技术(新加坡)有限公司 一种肤色检测方法、装置、移动终端和存储介质
CN112887301B (zh) * 2021-01-22 2023-07-04 广州孚鼎自动化控制设备有限公司 高安全性发电机组云控制系统
CN113128435B (zh) * 2021-04-27 2022-11-22 南昌虚拟现实研究院股份有限公司 图像中手部区域分割方法、装置、介质及计算机设备
CN118587291A (zh) * 2024-08-07 2024-09-03 深圳市酷童小样科技有限公司 一种基于区域生长的oled手机屏像素定位方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880865A (zh) * 2012-09-28 2013-01-16 东南大学 基于肤色与形态特征的动态手势识别方法
CN103679145A (zh) * 2013-12-06 2014-03-26 河海大学 一种手势自动识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880865A (zh) * 2012-09-28 2013-01-16 东南大学 基于肤色与形态特征的动态手势识别方法
CN103679145A (zh) * 2013-12-06 2014-03-26 河海大学 一种手势自动识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Lu Leng等.Logical Conjunction of Triple-perpendicular-directional Translation Residual for Contactless Palmprint Preprocessing.《2014 11th International Conference on Information Technology: New Generations》.2014,第523-528页. *
薛延学等.复杂背景下基于二维ＯＴＳＵ和肤色分割结合的掌纹图像分割方法.《西安理工大学学报》.2015,第31卷(第3期),第353-359页. *

Also Published As

Publication number Publication date
CN106097354A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106097354B (zh) 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法
CN107578035B (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN105205480B (zh) 一种复杂场景中人眼定位方法及系统
CN105320248B (zh) 空中手势输入方法及装置
CN100382751C (zh) 基于vpf和改进的susan的眼角和瞳孔的定位方法
Crihalmeanu et al. Enhancement and registration schemes for matching conjunctival vasculature
CN108319973A (zh) 一种树上柑橘果实检测方法
CN107239748A (zh) 基于棋盘格标定技术的机器人目标识别与定位方法
CN105844242A (zh) 图像中的肤色检测方法
CN110008968B (zh) 一种基于图像视觉的机器人结算自动触发方法
CN105205437B (zh) 基于头部轮廓验证的侧脸检测方法及装置
CN102194108A (zh) 一种聚类线性鉴别分析特征选择的笑脸表情识别方法
CN112232332B (zh) 一种基于视频序列的非接触式手掌检测方法
JP2007272435A (ja) 顔特徴抽出装置及び顔特徴抽出方法
WO2020038312A1 (zh) 多通道舌体边缘检测装置、方法及存储介质
CN103440633B (zh) 一种数字图像自动祛除斑点的方法
CN106778499B (zh) 一种虹膜采集过程中快速定位人眼虹膜的方法
CN103218615B (zh) 人脸判定方法
CN102496002A (zh) 基于图像的人脸美貌度评价方法
CN111832464B (zh) 一种基于近红外摄像头的活体检测方法及装置
CN107066957A (zh) 可见光眼部图像中的虹膜定位方法和装置
CN110032932A (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN106529556A (zh) 一种仪表指示灯的视觉检测系统
CN101996317B (zh) 人体上标记物的识别方法及装置
CN106097261A (zh) 图像处理方法和装置

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