CN107077623A - 图像质量补偿系统和方法 - Google Patents

图像质量补偿系统和方法 Download PDF

Info

Publication number
CN107077623A
CN107077623A CN201480083050.9A CN201480083050A CN107077623A CN 107077623 A CN107077623 A CN 107077623A CN 201480083050 A CN201480083050 A CN 201480083050A CN 107077623 A CN107077623 A CN 107077623A
Authority
CN
China
Prior art keywords
image
camera control
correction
unit
video camera
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.)
Pending
Application number
CN201480083050.9A
Other languages
English (en)
Inventor
R·高希
R·S·纳贾拉
S·巴克希
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.)
Intel Corp
Original Assignee
Intel Corp
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 Intel Corp filed Critical Intel Corp
Publication of CN107077623A publication Critical patent/CN107077623A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • 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
    • G06T2207/30168—Image quality inspection
    • 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
    • G06V40/60—Static or dynamic means for assisting the user to position a body part for biometric acquisition
    • G06V40/67—Static or dynamic means for assisting the user to position a body part for biometric acquisition by interactive indications to the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

一种用户认证系统和方法。所述用户认证系统包括摄像机和连接到所述摄像机的处理器。所述处理器从所述摄像机接收图像、在所述图像中搜索用户特征、确定所述图像是否需要校正、以预定义的顺序来调节摄像机控制从而提供期望的校正、将所期望的校正应用到随后的图像、以及基于所校正的图像中的所述用户特征来认证所述用户。

Description

图像质量补偿系统和方法
优先权申请
本专利申请要求2014年11月13日提交的美国临时专利申请No.62/079,003的权益，该申请的全部内容通过引用的方式被并入本文中。
背景技术
个人计算机、平板计算机和电话中的面部识别非常依赖于由集成的面向用户的摄像机所产生的图像质量，其继而非常依赖于环境光照条件。这些摄像机主要被校准以调整它们的设置以用于最佳的摄影质量而不是关注用户的面部。作为结果，在次优的光照条件下，例如，黑暗的房间、阳光直射、明亮的背景(例如，开着窗户)下，用户的面部会太暗、太亮或呈现暗色轮廓。这严重地阻碍了面部检测和识别，因此使面部识别在典型的使用环境中是不可靠的体验。
当前的面部识别解决方案遭受性能下降，并且在一些情况下，甚至未能在不利的光照条件下检测到用户的面部，不利的光照条件例如，当光照小于30lux(黑暗区域)、大于10000lux(阳光直射)、或由明亮的背景所模糊(例如，当前景光照小于100lux并且背景大于1000lux时)。网络摄像机在多种平台和OEM上表现得参差不齐，并且未被校准以在不利的光照条件下相对于背景来突显面部，导致了面部识别的失败。
用于补偿低光照的常用方法是将膝上型计算机/平板计算机的屏幕转换到全部是白色的图像，因此使用该屏幕的亮度来照亮主体(例如，Sensible Vision的FaceBright)。然而，在低光照条件下，平板计算机/笔记本型计算机屏幕亮度经常由周围的光传感器自动调整为低设置，导致白屏幕不是非常亮并且因而阻碍了这种方法的效力。从计算机屏幕到面部的距离是导致该方法的令人怀疑的可靠性的另一个因素。而且，这种方法并不解决来自阳光直射和来自明亮的背景的固有的问题。
附图说明
以举例而不是限制的方式在附图的图片中示出了实施例，在附图中相似的附图标记指的是类似的元件。
图1A和图1B示出了基于特征的认证系统；
图2A和图2B示出了用于对在图1的认证系统中使用的图像进行校正的方法；
图3A显示了针对明亮的背景拍摄的面部图像；
图3B示出了图3A中显示的图像的校正；
图4A显示了在低光照条件下拍摄的面部图像；
图4B示出了图4A中显示的图像的校正；
图5A显示了在非常低的光照条件下拍摄的面部图像；
图5B示出了图5A中显示的图像的校正；以及
图6是根据示例性实施例示出了示例性机器的方框图，在该示例性机器中可以执行本文中讨论的技术(例如，方法)中的任何一个或多个。
具体实施方式
如上所述，个人计算机、平板计算机和电话中的面部识别非常依赖于由集成的面向用户的摄像机所产生的图像质量，其继而非常依赖于周围的光照条件。这些摄像机主要被校准以调整它们的设置以用于最佳的摄影质量而不是关注用户的面部。作为结果，在次优的光照条件下，捕捉的图像不是最佳的。这严重地阻碍了面部检测和识别，因此使面部识别在典型的使用环境中是不可靠的体验。
图1A示出了基于特征的认证系统100。图1A的系统100包括经由连接器106连接到一个或多个摄像机104的计算系统102。在一些实施例中，计算机系统102包括显示器108、处理器和用于存储数据和程序的存储器。在一些实施例中，输入设备110(诸如，例如，键盘或鼠标)也被连接到计算系统102。在一些实施例中，连接器106是通用串行总线(USB)电缆，而在其它实施例中，连接器106是网络，例如，以太网。
在一个实施例中，系统100旨在通过覆写摄像机104的固件并且采用系统以外部地调节摄像机设置，例如，曝光、伽马校正和增益从而补偿周围的光照条件，来解决上面提到的可靠性问题。在一个这样的实施例中，目标是在所有光照条件和摄像机上均匀化面部识别的效力和可靠性。
在一个实施例中，系统100通过调整摄像机图像捕捉设置以在包括上面列举的使用情况的所有光照条件上突显面部来解决次优光照条件的问题，因此实现了最优面部检测和识别，无论用户所在何处、无论他们使用的系统、或无论他们系统100中的摄像机104的类型。
在一个示例性实施例中，在摄像机104或计算机系统102中操作的次优光照图像补偿系统使用视频控制和摄像机控制接口来覆写了默认的摄像机固件行为，也就是曝光、伽马校正和增益控制，以调节图像质量以用于最优面部检测。在一个这样的实施例中，系统运行在使用了英特尔集成性能基元(IPP)图像处理库实时运行面部检测和检查图像质量的反馈循环中。英特尔集成性能基元(IPP)图像处理库是用于媒体和数据应用的高度最优化构建块的库。在一个实施例中，基于在每个图像处理迭代之后所接收的图像质量反馈来做出摄像机调节，特别是针对在整体的摄影质量之上增强面部可见度。结果是具有增强的清晰度和信噪比(SNR)的图像，其有助于边缘检测和特征提取定制以能够在几乎任何光照条件下实现脸部检测。
认证系统100可以被实施在任何启用摄像机的计算机系统中，该计算机系统包括膝上型计算机、平板计算机和电话。基于膝上型计算机的认证系统100的一个示例性实施例被显示在图1B中。图1B的系统100包括具有一个或多个内部摄像机104的膝上型系统112。在一些实施例中，膝上型系统112包括显示器108、处理器和用于存储数据和程序的存储器。在一些实施例中，输入设备110(诸如，例如，键盘或鼠标)也被连接到膝上型计算机系统112。
如上在图1A的讨论中所提到的，在一个实施例中，图1B的系统100旨在通过覆写集成摄像机104的固件并且采用系统以外部地调节摄像机设置，例如，曝光、伽马校正和增益从而补偿周围的光照条件，来解决上面提到的可靠性问题。在一个这样的实施例中，目标是在所有光照条件和摄像机上均匀化面部识别的效力和可靠性。在一些这样的实施例中，膝上型计算机系统112在使用英特尔集成性能基元(IPP)图像处理库实时运行面部检测和检查图像质量的反馈循环中执行程序代码。
调节摄像机104以提供用于面部识别的优化的图像的方法被显示在图2A和图2B中。在200，摄像机104捕捉了新的帧。在202，摄像机104的当前的摄像机控制设置被保存到存储器(如摄像机状态S0)。在204，处理捕捉的帧以检测面部。在下文中，面部图像将被用于演示显示在图2A和图2B中的方法。其它用户特征，例如，脚、手、或用户眼睛的形状也可以被使用。
在一个实施例中，在204计算出分数，该分数是面部图像的质量的测量。在一个这样的实施例中，面部图像质量是依据图像中的面部特征点的分析。在一个实施例中，面部检测和质量评分是利用IPP基元执行的。
在206，如果在帧中未检测到面部或面部分数小于用于最后三个连续帧的阈值，则控制移动到210。否则，控制移动到208，该帧被发送到面部的识别应用并且摄像机控制的状态被发送到它的状态S0。
在210，在帧上进行图像质量检查。在一个实施例中，方法达到210的原因是因为图像太亮或太暗而不能获得好的面部图像。在这样的实施例中，在210的图像质量检查确定图像是否太暗(由于，例如，低光照)或太亮(由于，例如，明亮的阳光)。如果太暗，则控制移动到212并且摄像机控制被设置为暗图像校正模式。如果太亮，则控制移动到214并且摄像机控制被设置为亮图像校正模式(例如，减少曝光)。然后控制移动到216。
在一些实施例中，在面部图像上，或如果没有可用的面部的情况下，在完整帧中心的40％上完成图像质量检查。在一个这样的实施例中，使用正被审查的图像的部分的灰度直方图来测量光照。
在216，做出检查以确定系统100是否仍在校正用于首先在210被确定的图像校正模式(暗或亮图像校正模式)的图像。如上所提到的，在210检查图像的质量以确定我们是否需要改进暗(低光照)图像或亮(过度曝光)图像。如果图像校正模式已经从先前的图像校正模式改变了(例如，在光线昏暗的房间中开启强光，或在强光被关闭而变成光线昏暗的房间中)，则先前的校正不再可行。在图2A显示的实施例中，然后控制移动到218并且摄像机104的摄像机控制设置被恢复到状态S0。
在一些实施例中，在218，摄像机104的摄像机控制设置经过预定义数量的帧逐渐地转换回到状态S0。
在216，如果确定了系统100仍在校正用于首先在210被确定的图像校正模式(暗或亮图像校正模式)的图像，则需要进一步的图像校正。控制移动到Sx，其中x是摄像机控制的当前状态并且在图2A和图2B中显示的实施例中是1到4之间的整数。
如果x＝0，则控制移动到S0，并且在220所有摄像机控制被设置为手动模式。在图2B中显示的实施例中，这包括曝光、增益和伽马。控制然后移动到S1。
在S1，控制移动到222并且进行检查以查看在摄像机104中是否存在曝光校正或逆光补偿。如果没有，控制移动到S2同时摄像机控制的当前状态设置为S2。
然而，如果在摄像机104中存在曝光校正或逆光补偿，则控制移动到224，并且如果在这个实施例的暗图像模式中，则增大逆光补偿并且增大曝光。在224，如果图像模式是亮图像模式，则增大逆光补偿而减少曝光。
然后控制移动到226，其中进行检查以查看曝光校正和/或逆光补偿是否在它的极限处。如果不是，控制移动到204同时摄像机控制的当前状态设置为S1并且当前的摄像机控制被应用到从摄像机104所接收的下一个图像。
然而，如果曝光校正和/或逆光补偿在它的极限处，则在228在控制移动到204之前摄像机控制状态被设置为S2。
在S2，控制移动到230并且进行检查以查看在摄像机104中是否存在伽马校正。如果没有，则控制移动到S3同时摄像机控制的当前状态设置为S3。
然而，如果在230的检查确定了在摄像机104中存在伽马校正，则控制移动到232。在232，如果图像模式是在暗图像校正模式中，则增大伽马校正。在一个实施例中，校正幅度是10％步长。在232，如果图像模式是亮图像校正模式，则减小伽马校正。在一个实施例中，减小幅度是10％步长。然后，控制移动到234，其中进行检查以查看伽马校正是否接近它的极限。如果没有，则控制移动到204同时摄像机控制的当前状态设置为S2。然后，当前摄像机控制被应用到从摄像机104所接收的下一个图像。
然而，在234如果伽马校正接近它的极限，则在236控制移动到204之前摄像机控制状态被设置为S3。
在S3，控制移动到238并且进行检查以查看在摄像机104中增益校正是否可用。如果不可用，则控制移动到S4同时摄像机控制的当前状态设置为S4。然后，当前的S4摄像机控制被应用到从摄像机104所接收的下一个图像。
然而，如果在238的检查确定了在摄像机104中存在增益校正，则控制移动到240。在240，如果图像模式是在暗图像校正模式中，则增大增益校正。在一个实施例中，校正幅度是10％步长。在240，如果图像模式是在亮图像校正模式中，则减小增益校正。在一个实施例中，减小幅度是10％步长。然后控制移动到242，其中进行检查以查看增益校正是否正在接近它的极限。如果不是，则控制移动到204同时摄像机控制的当前状态设置为S3。然后，当前摄像机控制被应用到从摄像机104所接收的下一个图像。
然而，在242如果增益校正正在接近它的极限，则在244在控制移动到204之前摄像机控制状态被设置为S4。
在一些实施例中，在216对图像是否需要额外校正、图像是否被过度校正、或新的帧是否说明了光照条件自上一个迭代以来发生改变做出决定。在一些这样的实施例中，如果系统100在其校正上过冲，则系统100通过减半系统100用以增大校正的量来减少校正。
上述解决方案适用于个人计算机、平板计算机和电话，因为其与屏幕光照和强劲的逆动(即，用户手中持有系统行走)无关。使用英特尔集成性能基元库帮助系统100实时(即，以帧的捕获速率)执行图像补偿，因此确保了在多种平台上的合格的表现。
我们的方法不同于现有的基于消费者的面部分辨率应用，上述现有的应用主要通过以图像质量补偿为目标来增强基于计算机视觉的面部检测(即，牺牲摄影质量以产生针对人眼看起来杂乱并且颜色有限的而针对机器学习算法是最优的图像，从而用于检测面部并且提取特征。在一个实施例中，系统100覆写摄像机的常规曝光、伽马和增益设置以达到给定的现有光照条件下可能最好的面部图像(用于面部的识别)。
其它摄像机控制也可以是可用的，例如，亮度、对比度、白平衡、清晰度、饱和度和焦距。
在图3B-图5B中提供了上述方法的应用的示例。在图3A-图5A所显示的图片中，图像是由摄像机104捕获的并且是面部检测失败的图像。图3B-图5B中的相对应的图片显示了具有成功的面部检测的经补偿的图像。在图3B-图5B中显示的示例性实施例中，绿色的方括号指示用于面部识别的足够质量的面部被找到。随后的测试确认了经补偿的图像成功地与用户相匹配，结果是用户对设备的认证。
在图3A中显示的示例中，图像是用明亮的背景拍摄的图像。在示例中，照片是在主体后面有窗户的情况下被拍摄的。主体的面部曝光不足。上述方法的应用使面部针对面部的识别程序更加能够识别并且敏感，正如在图3B的图像中可以看到的。在一些实施例中，如果系统100识别出看似是面部的物体，则必要时它允许随后的帧被过度曝光以揭露认证所需要的面部特征。
在图4A中显示的示例中，照片是在低光照条件下拍摄的。以上讨论的方法的应用突显了主体的面部而发生对任何背景保真度的损害，正如在图4B中可以看到的。
最终，在图5A中显示的示例中，照片是在非常低的光照环境中拍摄的。在一个示例性实施例中，在黑暗的房间中，摄像机104以不同方式调节摄像机设置以试图找到表示面部的轮廓的边缘。在非常黑暗的房间中，在一些实施例中，摄像机104将曝光调节到非常高，产生干扰图像，正如在图5B中可以看到的。
在一个这样的实施例中，如果没有面部被检测到，则系统100假设在图像的中心将会找到面部。在这样的实施例中，图像的中心是感兴趣的区域(ROI)。在一些这样的实施例中，ROI是完整帧中心的40％；系统100在ROI上测量图像强度并且必要时提升伽马、曝光和增益以增强面部特征以用于认证。
正如在图5B中可以看到的，上述校正能够以在经校正的照片中包括一些伪影为代价来捕捉面部特点。如上所提到的，上述的方法以在整体的摄影质量之上增强面部可见度为目标。结果是具有增强的清晰度和信噪比(SNR)的图像，其有助于边缘检测和特征提取定制以能够在几乎任何光照条件下实现脸部检测。
值得注意的是，上述的方法不依靠在图2A和图2B的上下文中所讨论的三种控制方法中的每一种的可用性。而是，该方法也是有作用的，即使在给定的摄像机104上这些控制中仅有一个或几个是可用的。这使得该方法能够支持预期将在市场上是可用的范围最广的系统。以上方法也可以与其它摄像机控制一起被用于从不够亮的图像中提取面部图像。
另外，执行图像补偿的处理器不需要也执行认证。在一些实施例中，摄像机104中的处理器执行图像补偿，而计算设备中的处理器基于图像校正的图像来执行认证。在其它实施例中，在计算设备上执行图像补偿，而基于图像校正的图像的认证在服务器上或在云中执行。在另一其它实施例中，在摄像机上执行图像补偿，而基于图像校正的图像的认证在服务器上或在云中执行。
对于本发明本身同样也可以是如此，为了最佳的实时性能，我们在连接到摄像机的同一个处理器上运行它，但是它也可能在云中运行，实时性能将会变差，但是它仍然可以工作。大概应该将这个处理器不一定需要被连接到摄像机添加到权利要求。
图6是示出了根据示例性实施例的计算机系统102的示例形式中的机器的方框图，在其中指令的序列或者集合可以被执行以使机器执行本文中讨论的方法中的任何一个。在可替换的实施例中，机器作为独立的设备操作或可以连接(例如，联网)到其它机器。在联网部署中，机器可以以服务器-客户网络环境中的服务器或客户机的能力来操作，或它可以作为对等的(分布式的)网络环境中的对等机。机器可以是个人计算机(PC)、平板PC、混合平板计算机、机顶盒(STB)、个人数字助理(PDA)、移动电话、web装置、网络路由器、交换机或桥、或能够执行要由该机器采取指定动作的指令(顺序的或其它)的任何机器。此外，当仅有单个机器被示出时，术语“机器”也可以被理解为包括单独地或共同地执行一组(或多组)指令以执行本文中讨论的方法中的任何一个或多个的机器的任何集合。
示例性计算机系统102包括至少一个处理器1002(例如，中央处理单元(CPU)、图像处理单元(GPU)或两者、处理器内核、计算节点等)、主存储器1004和静态存储器1006，其经由链路1008(例如，总线)与彼此进行通信。计算机系统102可以进一步包括视频显示单元1010、字母数字输入设备1012(例如，键盘)、和用户界面(UI)导航设备1014(例如，鼠标)。在一个实施例中，视频显示单元1010、输入设备1012和UI导航设备1014被并入到触摸屏显示器。计算机系统102可以额外地包括存储设备1016(例如，驱动单元)、信号生成设备1018(例如，扬声器)、网络接口设备1020、以及一个或多个传感器(未显示)，例如，全球定位系统(GPS)传感器、罗盘、加速度计、或其它传感器。
存储设备1016包括机器可读介质1022，在机器可读介质1022上存储了实施本文中描述的方法或功能中的任何一个或多个的一组或多组数据结构和指令1024，或由本文中描述的方法或功能中的任何一个或多个所利用的一组或多组数据结构和指令1024(例如，软件)。在由计算机系统102执行指令1024期间，指令1024也可以完整地或至少部分地驻留在主存储器1004、静态存储器1006内、和/或处理器1002内，主存储器1004、静态存储器1006以及处理器1002也构成机器可读介质。
当在示例性实施例中示出的机器可读介质是单个介质时，术语“机器可读介质”可以包括存储了一个或多个指令1024的单个介质或多个介质(例如，集中式或分布式数据库、和/或相关联的高速缓存和服务器)。术语“机器可读介质”也可以被理解为包括能够存储、编码或携带由机器执行的指令的任何有形介质，并且该任何有形介质使机器执行本公开的方法中的任何一个或多个，或该任何有形介质能够存储、编码或携带由这样的指令所利用的或与这样的指令相关联的数据结构。术语“机器可读介质”可以相应地被理解为包括但不限于固态存储器、和光学的和磁性的介质。机器可读介质的具体示例包括非易失性存储器，非易失性存储器以举例的方式包括但不限于：半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪存存储器设备；磁性磁盘，例如，内部硬盘和可移动盘；磁光盘；以及CD-ROM和DVD-ROM磁盘。
指令1024可以进一步经由网络接口设备1020利用许多公知的传输协议(例如，HTTP)中的任何一个，通过通信网络1026使用传输介质被传送或接收。通信网络的示例包括局域网(LAN)、广域网(WAN)、因特网、移动电话网络、普通老式电话(POTS)网络、和无线数据网络(例如，Wi-Fi、3G、和4G LTE/LTE-A或WiMAX网络)。术语“传输介质”可以被理解为包括能够存储、编码、或携带由机器执行的指令并且包括数字或模拟通信信号或其它无形介质以促进这样的软件的通信的任何无形介质。
额外注释&示例：
示例1包括用户认证系统(例如，设备、装置、或机器)的主题，认证系统包括：摄像机；和连接到所述摄像机的处理器，其中所述处理器从所述摄像机接收图像、在所述图像中搜索用户特征、确定所述图像是否需要校正、以预定义的顺序来调节摄像机控制从而提供期望的校正、将所期望的校正应用到随后的图像、并且基于所校正的图像中的所述用户特征来认证所述用户。
在示例2中，示例1所述的主题可以包括，其中所述图像是视频帧。
在示例3中，示例1到示例2中的任何一项所述的主题可以包括，其中所述处理器调节用于曝光的摄像机控制。
在示例4中，示例1到示例3中的任何一项所述的主题可以包括，其中所述处理器调节用于增益的摄像机控制。
在示例5中，示例1到示例4中的任何一项所述的主题可以包括，其中所述处理器调节用于伽马的摄像机控制。
在示例6中，示例1到示例5中的任何一项所述的主题可以包括，其中所述处理器对从由以下构成的摄像机控制的组中选择的摄像机控制进行调节：用于曝光的摄像机控制、用于伽马的摄像机控制、以及用于增益的摄像机控制。
在示例7中，示例1到示例6中的任何一项所述的主题可以包括，其中所述用户特征是面部。
在示例8中，示例1到示例7中的任何一项所述的主题可以包括，其中所述处理器确定随后的图像何时不再需要校正并且将所述摄像机控制设置为不同的配置。
在示例9中，示例1到示例8中的任何一项所述的主题可以包括，其中所述处理器确定随后的图像何时不再需要校正并且将所述摄像机控制设置为初始状态。
在示例10中，示例1到示例9中的任何一项所述的主题可以包括，其中，当随后的图像不再需要校正时，所述处理器经过多个帧将所述摄像机控制设置回到初始状态。
在示例11中，示例1到示例10中的任何一项所述的主题可以包括，其中所述摄像机是独立于处理器的。
在示例12中，示例1到示例11中的任何一项所述的主题可以包括，其中所述处理器在计算设备中，并且其中所述摄像机被并入到所述计算设备。
在示例13中，示例1到示例12中的任何一项所述的主题可以包括，其中所述处理器通过检查图像质量来确定所述图像是否需要校正。
在示例14中，示例1到示例13中的任何一项所述的主题可以包括，其中所述处理器通过分析所述图像中的面部特征点来确定所述图像是否需要校正。
在示例15中，示例1到示例14中的任何一项所述的主题可以包括，其中所述摄像机包括可视光传感器和红外传感器中的一个或多个。
示例16包括主题(例如，方法、用于执行动作的单元、包括指令的机器可读介质，所述指令当由机器执行时使所述机器执行动作或用于执行的装置)，所述主题包括：捕捉用户的图像，其中每个图像包括用户特征；在所捕捉的图像中搜索所述用户特征；确定所述图像是否需要校正；如果所述图像需要校正，则以预定义的顺序来调节摄像机控制从而提供期望的校正；并且将所述校正应用到随后的图像。
在示例17中，示例16所述的主题可以包括，其中捕捉图像包括从视频中提取所述图像。
在示例18中，示例16到示例17中的任何一项所述的主题可以包括，其中调节摄像机控制包括调节用于曝光的摄像机控制。
在示例19中，示例16到示例18中的任何一项所述的主题可以包括，其中调节摄像机控制包括调节用于增益的摄像机控制。
在示例20中，示例16到示例19中的任何一项所述的主题可以包括，其中调节摄像机控制包括调节用于伽马的摄像机控制。
在示例21中，示例16到示例20中的任何一项所述的主题可以包括，其中调节摄像机控制包括从由以下构成的摄像机控制的组中选择摄像机控制：用于曝光的摄像机控制、用于伽马的摄像机控制、以及用于增益的摄像机控制。
在示例22中，示例16到示例21中的任何一项所述的主题可以包括，其中调节摄像机控制包括：a)调节用于曝光的摄像机控制；b)检查一个或多个随后的图像的图像质量；c)如果需要进一步校正，则调节用于伽马的摄像机控制；d)检查一个或多个随后的图像的图像质量；以及e)如果需要进一步校正，则调节用于增益的摄像机控制。
在示例23中，示例16到示例22中的任何一项所述的主题可以包括，其中在所捕捉的图像中搜索所述用户特征包括检测面部。
在示例24中，示例16到示例23中的任何一项所述的主题可以包括，其中所述方法进一步包括基于所校正的图像中的所述用户特征来认证所述用户。
在示例25中，示例16到示例24中的任何一项所述的主题可以包括，其中认证包括执行基于云的认证例程。
在示例26中，示例16到示例25中的任何一项所述的主题可以包括，其中所述方法进一步包括：确定随后的图像何时不再需要校正；并且当随后的图像不再需要校正时，将所述摄像机控制重新设置为初始状态。
在示例27中，示例16到示例26中的任何一项所述的主题可以包括，其中所述校正包括亮图像校正。
在示例28中，示例16到示例27中的任何一项所述的主题可以包括，其中所述校正包括暗图像校正。
在示例29中，示例16到示例28中的任何一项所述的主题可以包括，其中确定所述图像是否需要校正包括在处理器中执行程序代码以检查图像质量。
在示例30中，示例16到示例29中的任何一项所述的主题可以包括，其中确定所述图像是否需要校正包括检查图像质量。
在示例31中，示例16到示例30中的任何一项所述的主题可以包括，其中检查图像质量包括生成所述图像的灰度直方图。
在示例32中，示例16到示例31中的任何一项所述的主题可以包括，其中确定所述图像是否需要校正包括分析所述图像中的面部特征点。
在示例33中，示例16到示例32中的任何一项所述的主题可以包括，其中确定所述图像是否需要校正包括检测面部、测量所检测的面部的图像质量、以及依据所测量的图像质量来校正所述图像。
示例34包括至少一个机器可读介质，其包括指令，所述指令当由机器执行时，使所述机器执行示例16到示例33的任何中的操作。
示例35包括装置，所述装置包括用于执行示例16到示例33中的任何的单元。
示例36包括主题(例如，设备、装置、或机器)，所述主题包括：摄像机；以及连接到所述摄像机的处理器，其中所述处理器包括：用于在从所述摄像机接收的图像中搜索用户特征的单元；用于确定所述图像是否需要校正的单元；以及用于以预定义的顺序来调节摄像机控制从而提供期望的校正的单元。
在示例37中，示例36所述的主题可以包括，其中所述用于搜索用户特征的单元包括用于从视频帧提取所述图像的单元。
在示例38中，示例36到示例37中的任何一项所述的主题可以包括，其中所述用于调节摄像机控制的单元包括用于调节用于曝光的摄像机控制的单元。
在示例39中，示例36到示例38中的任何一项所述的主题可以包括，其中所述用于调节摄像机控制的单元包括用于调节用于增益的摄像机控制的单元。
在示例40中，示例36到示例39中的任何一项所述的主题可以包括，其中所述用于调节摄像机控制的单元包括用于调节用于伽马的摄像机控制的单元。
在示例41中，示例36到示例40中的任何一项所述的主题可以包括，其中所述用于调节摄像机控制的单元包括用于调节曝光、伽马和增益的单元。
在示例42中，示例36到示例41中的任何一项所述的主题可以包括，其中用于在所述图像中搜索所述用户特征的单元包括用于检测面部的单元。
在示例43中，示例36到示例42中的任何一项所述的主题可以包括，其中所述装置进一步包括用于依据用户特征来认证用户的单元。
在示例44中，示例36到示例43中的任何一项所述的主题可以包括，其中所述处理器进一步包括：用于确定随后的图像何时不再需要校正的单元；以及用于当随后的图像不再需要校正时将所述摄像机控制重新设置为初始状态的单元。
在示例45中，示例36到示例44中的任何一项所述的主题可以包括，其中所述校正包括亮图像校正。
在示例46中，示例36到示例45中的任何一项所述的主题可以包括，其中所述校正包括暗图像校正。
在示例47中，示例36到示例46中的任何一项所述的主题可以包括，其中所述用于确定所述图像是否需要校正的单元包括用于在处理器中执行程序代码以检查图像质量的单元。
在示例48中，示例36到示例47中的任何一项所述的主题可以包括，其中所述用于确定所述图像是否需要校正的单元包括用于检查图像质量的单元。
在示例49中，示例36到示例48中的任何一项所述的主题可以包括，其中所述用于检查图像质量的单元包括用于生成所述图像的灰度直方图的单元。
在示例50中，示例36到示例49中的任何一项所述的主题可以包括，其中所述用于确定所述图像是否需要校正的单元包括用于分析所述图像中的面部特征点的单元。
在示例51中，示例36到示例50中的任何一项所述的主题可以包括，其中所述用于确定所述图像是否需要校正的单元包括：用于检测面部的单元、用于测量所检测的面部的图像质量的单元、以及用于依据所检测的面部的所测量的图像质量来确定要调节的摄像机控制的单元。
以上具体实施方式包括对附图的参考，其形成了具体实施方式的一部分。附图通过说明的方式显示了可以被实践的具体实施例。这些实施例在本文中也被称为“示例”。这样的示例可以包括除了那些显示或描述的元件之外的元件。然而，包括显示或描述的元件的示例也被考虑。此外，关于特定示例(其一个或多个方面)，或关于本文中显示或描述的其它示例(其一个或多个方面)，使用所显示或所描述的那些元件的任何组合或置换的示例(其一个或多个方面)也被考虑。
本文档中涉及的出版物、专利和专利文档其全部内容通过引用的方式被并入到本文中，如同单独地通过引用被并入。在本文档与那些通过引用被并入的文档之间的用法不一致的情况下，通过引用被并入的用法是对本文档的补充；针对不可调和的不一致，本文档中的用法来主导。
在这个文档中，术语“一”或“一个”如专利文档中常见的那样被用于包括一个或多于一个，独立于“至少一个”或“一个或多个”的任何其它实例或用法。在本文档中，术语“或”用于指的是非排他性的，例如“A或B”包括“A但不是B”、“B但不是A”、以及“A和B”，或除非另有指示。在所附权利要求中，术语“包括”和“其中”用作相应的术语“由…组成”和“在其中”的简单的英文等同物。而且，在以下权利要求中，术语“包括”和“由…组成”是开放式的，即，包括除了在权利要求中的这样的术语之后列出的那些元件之外的元件的系统、设备、产品或过程仍被视为落入该权利要求的范围内。此外，在以下权利要求中，术语“第一”、“第二”和“第三”等仅被用作标签，并且不是要表明其对象的数字顺序。
以上描述旨在是说明性的而不是限制性的。例如，可以结合其它示例使用上述示例(其一个或多个方面)。可以例如由本领域的普通技术人员之一基于回顾以上描述来使用其它实施例。摘要将允许读者快速查明技术公开的本质，例如，以遵从美国的37C.F.R.§1.72(b)。应当理解的是，所提交的摘要将不会被用于解释或限制权利要求的范围或意义。而且，在以上具体实施方式中，多种特征可以被组合在一起以简化本公开。然而，权利要求可以不阐述本文中所公开的每个特征，因为实施例可以以所述特征的子集为特征。此外，实施例可以包括比特定示例中公开的那些特征更少的特征。因此，以下权利要求特此被并入到具体实施方式中，权利要求本身作为一个单独的实施例。本文中公开的实施例的范围将参照所附权利要求以及这些权利要求有权享有的等同权利要求的全部范围来确定。

Claims (25)

1.一种用户认证系统，包括：
摄像机；以及
连接到所述摄像机的处理器，其中，所述处理器从所述摄像机接收图像、在所述图像中搜索用户特征、确定所述图像是否需要校正、以预定义的顺序来调节摄像机控制从而提供期望的校正、将期望的校正应用到随后的图像，以及基于校正的图像中的所述用户特征来认证所述用户。
2.根据权利要求1所述的系统，其中，所述处理器对从由以下构成的摄像机控制的组中选择的摄像机控制进行调节：用于曝光的摄像机控制、用于伽马的摄像机控制、以及用于增益的摄像机控制。
3.根据权利要求1所述的系统，其中，所述处理器确定随后的图像何时不再需要校正并且将所述摄像机控制设置为不同的配置。
4.根据权利要求1所述的系统，其中，所述处理器确定随后的图像何时不再需要校正并且将所述摄像机控制设置为初始状态。
5.根据权利要求1-4中任何一项所述的系统，其中，所述摄像机包括视觉光传感器和红外传感器中的一个或多个。
6.一种方法，包括：
捕捉用户的图像，其中，每个图像包括用户特征；
在捕捉的图像中搜索所述用户特征；
确定所述图像是否需要校正；
如果所述图像需要校正，以预定义的顺序来调节摄像机控制从而提供期望的校正；以及
将所述校正应用到随后的图像。
7.根据权利要求6所述的方法，其中，调节摄像机控制包括调节用于曝光的摄像机控制。
8.根据权利要求6所述的方法，其中，调节摄像机控制包括调节用于增益的摄像机控制。
9.根据权利要求6所述的方法，其中，调节摄像机控制包括调节用于伽马的摄像机控制。
10.根据权利要求6所述的方法，其中，从由以下构成的摄像机控制的组中选择摄像机控制：用于曝光的摄像机控制、用于伽马的摄像机控制、以及用于增益的摄像机控制。
11.根据权利要求6所述的方法，其中，调节摄像机控制包括：
a)调节用于曝光的摄像机控制；
b)检查一个或多个随后的图像的图像质量；
c)如果进一步校正被需要，则调节用于伽马的摄像机控制；
d)检查一个或多个随后的图像的图像质量；以及
e)如果进一步校正被需要，则调节用于增益的摄像机控制。
12.根据权利要求6所述的方法，其中，在所述捕捉的图像中搜索所述用户特征包括检测面部。
13.根据权利要求6所述的方法，其中，所述方法进一步包括基于校正的图像中的所述用户特征来认证所述用户。
14.根据权利要求6所述的方法，其中，所述方法进一步包括：
确定随后的图像何时不再需要校正；以及
当随后的图像不再需要校正时，将所述摄像机控制重新设置为初始状态。
15.根据权利要求6所述的方法，其中，所述校正包括暗图像校正。
16.根据权利要求6所述的方法，其中，确定所述图像是否需要校正包括检查图像质量。
17.根据权利要求16所述的方法，其中，检查图像质量包括生成所述图像的灰度直方图。
18.根据权利要求6所述的方法，其中，确定所述图像是否需要校正包括分析所述图像中的面部特征点。
19.至少一个包括指令的机器可读介质，所述指令当由机器执行时，使所述机器执行权利要求6-18中的任何一项所述的方法的操作。
20.一种装置，包括：
摄像机；以及
连接到所述摄像机的处理器，其中，所述处理器包括：
用于在从所述摄像机接收的图像中搜索用户特征的单元；
用于确定所述图像是否需要校正的单元；以及
用于以预定义的顺序来调节摄像机控制从而提供期望的校正的单元。
21.根据权利要求20所述的装置，其中，所述用于调节摄像机控制的单元包括用于调节曝光的单元、用于调节伽马的单元和用于调节增益的单元。
22.根据权利要求20所述的装置，其中，所述处理器进一步包括：
用于确定随后的图像何时不再需要校正的单元；以及
用于当随后的图像不再需要校正时，将所述摄像机控制重新设置为初始状态的单元。
23.根据权利要求20、21或22所述的装置，其中，所述用于确定所述图像是否需要校正的单元包括用于在处理器中执行程序代码以检查图像质量的单元。
24.根据权利要求20、21或22所述的装置，其中，所述用于确定所述图像是否需要校正的单元包括用于分析所述图像中的面部特征点的单元。
25.根据权利要求20、21或22所述的装置，其中，所述用于确定所述图像是否需要校正的单元包括：用于检测面部的单元、用于测量检测的面部的图像质量的单元、以及用于依据所述检测的面部的测量的图像质量来确定要调节的摄像机控制的单元。
CN201480083050.9A 2014-11-13 2014-12-19 图像质量补偿系统和方法 Pending CN107077623A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462079003P 2014-11-13 2014-11-13
US62/079,003 2014-11-13
PCT/US2014/071527 WO2016076897A1 (en) 2014-11-13 2014-12-19 Image quality compensation system and method

Publications (1)

Publication Number Publication Date
CN107077623A true CN107077623A (zh) 2017-08-18

Family

ID=55954807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480083050.9A Pending CN107077623A (zh) 2014-11-13 2014-12-19 图像质量补偿系统和方法

Country Status (4)

Country Link
US (1) US9712744B2 (zh)
EP (1) EP3218851A4 (zh)
CN (1) CN107077623A (zh)
WO (1) WO2016076897A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055762B2 (en) 2016-03-21 2021-07-06 The Procter & Gamble Company Systems and methods for providing customized product recommendations
CN110678875B (zh) * 2017-05-31 2023-07-11 宝洁公司 用于引导用户拍摄自拍照的系统和方法
US10818007B2 (en) 2017-05-31 2020-10-27 The Procter & Gamble Company Systems and methods for determining apparent skin age
CN109167928B (zh) * 2018-09-06 2020-11-03 武汉精测电子集团股份有限公司 基于显示面板缺陷检测的快速自动曝光方法及系统
CN110298296B (zh) * 2019-06-26 2021-08-06 北京澎思科技有限公司 应用于边缘计算设备的人脸识别方法
EP3869781A1 (en) 2020-02-20 2021-08-25 Koninklijke Philips N.V. Determining intensity distributions in imaging

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030098914A1 (en) * 2001-08-30 2003-05-29 Lightsurf Technologies, Inc. Autoexposure methodology in a digital camera
CN1697488A (zh) * 2004-04-01 2005-11-16 微软公司 具有亮度校正的数码相机
US20050275737A1 (en) * 2004-06-10 2005-12-15 Cheng Brett A System and method for effectively utilizing a live preview mode in an electronic imaging device
US20080013800A1 (en) * 2003-06-26 2008-01-17 Fotonation Vision Limited Method of Improving Orientation and Color Balance of Digital Images Using Face Detection Information
US20080219516A1 (en) * 2006-08-30 2008-09-11 Canon Kabushiki Kaisha Image matching apparatus, image matching method, computer program and computer-readable storage medium
CN101499131A (zh) * 2008-02-01 2009-08-05 鸿富锦精密工业（深圳）有限公司 影像校正装置及影像校正方法
CN101571911A (zh) * 2008-04-30 2009-11-04 深圳市飞瑞斯科技有限公司 一种基于紫外光源的人脸识别系统
US20100014775A1 (en) * 2008-07-16 2010-01-21 Canon Kabushiki Kaisha Image processing apparatus and image processing method
US20120044380A1 (en) * 2010-08-18 2012-02-23 Canon Kabushiki Kaisha Image capture with identification of illuminant
US20130265451A1 (en) * 2012-04-10 2013-10-10 Samsung Electronics Co., Ltd. Apparatus and method for continuously taking a picture

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4032262B2 (ja) * 1996-05-13 2008-01-16 株式会社ニコン 電子カメラ
US6906745B1 (en) * 1998-04-23 2005-06-14 Micron Technology, Inc. Digital exposure circuit for an image sensor
US20030210336A1 (en) * 2001-05-09 2003-11-13 Sal Khan Secure access camera and method for camera control
JP4800724B2 (ja) * 2005-09-29 2011-10-26 富士フイルム株式会社 人物画像補正装置、人物画像補正方法および人物画像補正プログラム
US8107762B2 (en) * 2006-03-17 2012-01-31 Qualcomm Incorporated Systems, methods, and apparatus for exposure control
US8154628B2 (en) * 2006-09-14 2012-04-10 Mitsubishi Electric Corporation Image processing apparatus and imaging apparatus and method
JP2010045773A (ja) * 2008-07-18 2010-02-25 Panasonic Corp 撮像装置
US9179062B1 (en) * 2014-11-06 2015-11-03 Duelight Llc Systems and methods for performing operations on pixel data
US9210319B2 (en) * 2013-07-11 2015-12-08 Magisto Ltd. Method and system for capturing important objects using a camera based on predefined metrics

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030098914A1 (en) * 2001-08-30 2003-05-29 Lightsurf Technologies, Inc. Autoexposure methodology in a digital camera
US20080013800A1 (en) * 2003-06-26 2008-01-17 Fotonation Vision Limited Method of Improving Orientation and Color Balance of Digital Images Using Face Detection Information
CN1697488A (zh) * 2004-04-01 2005-11-16 微软公司 具有亮度校正的数码相机
US20050275737A1 (en) * 2004-06-10 2005-12-15 Cheng Brett A System and method for effectively utilizing a live preview mode in an electronic imaging device
US20080219516A1 (en) * 2006-08-30 2008-09-11 Canon Kabushiki Kaisha Image matching apparatus, image matching method, computer program and computer-readable storage medium
CN101499131A (zh) * 2008-02-01 2009-08-05 鸿富锦精密工业（深圳）有限公司 影像校正装置及影像校正方法
CN101571911A (zh) * 2008-04-30 2009-11-04 深圳市飞瑞斯科技有限公司 一种基于紫外光源的人脸识别系统
US20100014775A1 (en) * 2008-07-16 2010-01-21 Canon Kabushiki Kaisha Image processing apparatus and image processing method
US20120044380A1 (en) * 2010-08-18 2012-02-23 Canon Kabushiki Kaisha Image capture with identification of illuminant
US20130265451A1 (en) * 2012-04-10 2013-10-10 Samsung Electronics Co., Ltd. Apparatus and method for continuously taking a picture

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MANDRAVE: "Camera图像处理原理分析一亮度及曝光控制", 《MANDRAVE, HTTP://WWW.360DOC.COM/CONTENT/11 /1222/14/7891085_174221505.SHTML》 *
张楚: "《影视摄像技术实训教程》", 28 February 2014 *

Also Published As

Publication number Publication date
EP3218851A1 (en) 2017-09-20
EP3218851A4 (en) 2018-07-11
WO2016076897A1 (en) 2016-05-19
US20160330370A1 (en) 2016-11-10
US9712744B2 (en) 2017-07-18

Similar Documents

Publication Publication Date Title
CN107077623A (zh) 图像质量补偿系统和方法
US11132771B2 (en) Bright spot removal using a neural network
WO2019233355A1 (en) Method and apparatus for training, classification model, mobile terminal, and readable storage medium
US9070044B2 (en) Image adjustment
US20200184623A1 (en) Systems and methods for quality assurance of image recognition model
US11776257B2 (en) Systems and methods for enhancing real-time image recognition
Brusa et al. Increasing the precision of canopy closure estimates from hemispherical photography: Blue channel analysis and under-exposure
US20130315476A1 (en) Automatic Image Adjustment Parameter Correction
US11151365B2 (en) People detection system with feature space enhancement
CN110008806A (zh) 存储介质、学习处理方法、学习装置及物体识别装置
US20210358081A1 (en) Information processing apparatus, control method thereof, imaging device, and storage medium
CN107077607A (zh) 3d增强的图像校正
JP7387261B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN104200457A (zh) 基于广角摄像的离散型冠层叶面积指数检测系统和方法
US11321938B2 (en) Color adaptation using adversarial training networks
KR20210074953A (ko) 소고기 등급 판정 장치 및 방법
WO2016103566A1 (ja) 画像処理方法及び画像処理装置
CN106060372A (zh) 用于图像稳定的方法和系统
KR20130127867A (ko) 스테레오 비전 장치와 이의 제어 방법
CN104331889A (zh) 基于图像解译技术的水土保持监测方法
JP2017228947A (ja) 画像処理装置および画像処理方法
WO2022044297A1 (ja) 情報処理方法、情報処理装置及び情報処理プログラム
CN107770447A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN113506343A (zh) 基于多源数据的色坐标估计方法、系统、设备及介质
US20230308769A1 (en) Methods and Systems for User Adjustable Region based Brightness Settings

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170818

RJ01 Rejection of invention patent application after publication