CN107247936A - 图像识别方法及装置 - Google Patents

图像识别方法及装置 Download PDF

Info

Publication number
CN107247936A
CN107247936A CN201710399439.XA CN201710399439A CN107247936A CN 107247936 A CN107247936 A CN 107247936A CN 201710399439 A CN201710399439 A CN 201710399439A CN 107247936 A CN107247936 A CN 107247936A
Authority
CN
China
Prior art keywords
face
images
recognized
target area
face region
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
CN201710399439.XA
Other languages
English (en)
Inventor
杨松
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.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201710399439.XA priority Critical patent/CN107247936A/zh
Publication of CN107247936A publication Critical patent/CN107247936A/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种图像识别方法及装置。该方法包括：检测待识别图像中是否包括人脸；当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；确定所述目标区域显示的图像是否为身份证图像。该技术方案中，在需要上传身份证图片时，可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。

Description

图像识别方法及装置
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像识别方法及装置。
背景技术
随着网络的发展，互联网金融服务的应用也越来越广泛，各大银行都开始建设自己的网上银行或者金融自助服务系统。相关技术中，为了提高安全性，用户在登录网上银行或者金融自助服务系统时，需要将身份证照片和用户人脸照片上传至系统进行验证，进而确认用户的身份。
发明内容
为克服相关技术中存在的问题，本公开实施例提供一种图像识别方法及装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种图像识别方法，包括：
检测待识别图像中是否包括人脸；
当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
确定所述目标区域显示的图像是否为身份证图像。
本公开的实施例提供的技术方案可以包括以下有益效果：在需要上传身份证图片时，可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
在一个实施例中，所述检测待识别图像中是否包括人脸包括：
采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征；
将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
本公开的实施例提供的技术方案可以包括以下有益效果：采用LBP特征算法和Adaboost分类器识别待识别图像包括的人脸，提高了人脸识别的精确度和效率。
在一个实施例中，所述根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域包括：
根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向；
当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
本公开的实施例提供的技术方案可以包括以下有益效果：在需要上传身份证图片时，可以首先根据待识别图像中人脸所在区域及人脸所在区域的大小和方向确定待识别图像包括人脸的目标区域，然后确定该目标区域显示的图像是否为身份证图像，若是，则将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
在一个实施例中，该方法还包括：
当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
本公开的实施例提供的技术方案可以包括以下有益效果：在需要上传身份证图片时，可以首先将待识别图像的方向旋转至预设方向，然后确定该待识别图像中目标区域显示的图像是否为身份证图像，若是，则将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
在一个实施例中，所述确定所述人脸所在区域的方向包括：
采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征；
将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
本公开的实施例提供的技术方案可以包括以下有益效果：采用HOG特征算法和第一SVM分类器识别所在区域的方向，提高了识别人脸所在区域方向的精确度和效率。
在一个实施例中，所述确定所述目标区域显示的图像是否为身份证图像包括：
采用Gabor特征算法提取所述目标区域的纹理特征；
采用HOG特征算法提取所述目标区域的梯度特征；
根据所述目标区域的纹理特征和梯度特征，获取合并特征；
采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征；
将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
本公开的实施例提供的技术方案可以包括以下有益效果：采用Gabor特征算法、HOG特征算法、PCA算法和第二SVM分类器确定目标区域显示的图像是否为身份证图像，提高了确定图像信息的精确度和效率。
在一个实施例中，该方法还包括：
检测所述人脸所在区域包括的人脸的个数是否为一个；
当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；
所述当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域包括：
当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
本公开的实施例提供的技术方案可以包括以下有益效果：在需要上传身份证图片时，可以首先确定待识别图像中人脸所在区域包括的人脸的个数是否为一个，在待识别图像中人脸所在区域包括的人脸的个数大于一个时，确认待识别图像不为身份证图像，避免上传该待识别图像，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
根据本公开实施例的第二方面，提供一种图像识别装置，包括：
第一检测模块，用于检测待识别图像中是否包括人脸；
第一确定模块，用于当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
第二确定模块，用于确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，所述第一检测模块包括：
第一提取子模块，用于采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征；
第一识别子模块，用于将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
在一个实施例中，所述第一确定模块包括：
第一确定子模块，用于根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向；
第二确定子模块，用于当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
在一个实施例中，所述装置还包括：
旋转模块，用于当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
在一个实施例中，所述第一确定子模块包括：
提取单元，用于采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征；
识别单元，用于将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
第二提取子模块，用于采用Gabor特征算法提取所述目标区域的纹理特征。
第三提取子模块，用于采用HOG特征算法提取所述目标区域的梯度特征。
第一获取子模块，用于根据所述目标区域的纹理特征和梯度特征，获取合并特征。
第二获取子模块，用于采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征。
第三确定子模块，用于将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，所述装置还包括：
第二检测模块，用于检测所述人脸所在区域包括的人脸的个数是否为一个；
第三确定模块，用于当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；
所述第一确定模块用于当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
根据本公开实施例的第三方面，提供一种图像识别装置，包括：
处理器；
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：
检测待识别图像中是否包括人脸；
当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
确定所述目标区域显示的图像是否为身份证图像。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时可以实现第一方面任一实施例所述的方法的步骤。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1a是根据一示例性实施例示出的图像识别方法的流程图。
图1b是根据一示例性实施例示出的图像识别方法的示意图。
图1c是根据一示例性实施例示出的图像识别方法的流程图。
图1d是根据一示例性实施例示出的图像识别方法的流程图。
图1e是根据一示例性实施例示出的图像识别方法的流程图。
图2是根据一示例性实施例示出的图像识别方法的流程图。
图3是根据一示例性实施例示出的图像识别方法的流程图。
图4a是根据一示例性实施例示出的图像识别装置的结构示意图。
图4b是根据一示例性实施例示出的图像识别装置的结构示意图。
图4c是根据一示例性实施例示出的图像识别装置的结构示意图。
图4d是根据一示例性实施例示出的图像识别装置的结构示意图。
图4e是根据一示例性实施例示出的图像识别装置的结构示意图。
图4f是根据一示例性实施例示出的图像识别装置的结构示意图。
图4g是根据一示例性实施例示出的图像识别装置的结构示意图。
图5是根据一示例性实施例示出的图像识别装置的结构框图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供的技术方案涉及终端和服务器，该终端可以为手机、平板电脑以及其他能够进行身份证验证的设备；该服务器可以是运营商提供的服务器，也可以是第三方平台提供的服务器，或者可以是云服务器，本公开实施例对此不作限定。相关技术中，终端采集到身份证图片和用户照片之后上传至服务器，服务器对身份证图片和用户照片进行匹配，若身份证图片和用户照片匹配，则用户身份验证通过；若身份证图片和用户照片不匹配，则用户身份验证失败。但是上述验证过程较为繁琐，用时较长，因此验证结果反馈给用户的时间也较长。本公开的实施例提供的技术方案中，在需要上传身份证图片时，可以首先确定待识别图像是否包括身份证图像，若包括，则上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
图1a是根据一示例性实施例示出的一种图像识别方法的流程图，该图像识别方法用于终端，如图1a所示，该图像识别方法包括以下步骤101至步骤103：
在步骤101中，检测待识别图像中是否包括人脸。
示例的，终端在获取到待识别图像之后，可以设置滑动窗口，然后采用该滑动窗口依次从该待识别图像进行采样，然后确定每个采样是否包括人脸。如图1b所示，滑动窗口10a按照图1b所示的坐标进行滑动，滑动窗口10a先按照X方向每滑动5mm进行一次采样，在滑动窗口10a滑动至待识别图像在X方向的最大值所在的边且进行采样后，滑动窗口10a可以沿Y方向滑动5mm，并再次按照X方向每滑动5mm进行一次采样，直至将待识别图像全部采样完毕。每次采样后，检测该次采样是否包括人脸。具体的，可以首先采用LBP(LocalBinary Patterns，局部二值模式)特征算法提取每次采样的纹理特征，然后将每次采样的纹理特征输入Adaboost(自适应增强)分类器，通过Adaboost分类器检测每次采样是否包括人脸。
在步骤102中，当待识别图像中包括人脸时，根据人脸所在区域的特征信息和预设比例，在待识别图像上确定目标区域。
其中，身份证上人脸所在区域和身份证的尺寸的比例是固定的，即该预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例。初始化时，可以将该固定比例预先设置在终端中。当终端获取到待识别图像的人脸之后，按照该人脸所在区域和预设比例，在待识别图像上确定可能显示有身份证的目标区域。
在步骤103中，确定目标区域显示的图像是否为身份证图像。
示例的，通过图像识别技术，识别目标区域上显示的图像是否为身份证图像。具体的，终端可以采用Gabor(伽柏)特征算法提取目标区域的纹理特征，该纹理特征可以为表征有目标区域的纹理特征的第一向量，然后采用HOG(定向梯度直方图，Histogram ofOriented Gradient)特征算法提取目标区域的梯度特征，该梯度特征可以为表征有目标区域的定向梯度特征的第二向量。在获取到纹理特征和梯度特征之后，终端可以根据该纹理特征和梯度特征，获取合并特征，并采用PCA(Principal Component Analysis，主成分分析)算法，从合并特征中获取目标区域的有效特征，然后将该有效特征输入第二SVM(Support Vector Machine，支持向量机)分类器，通过第二SVM分类器确定目标区域显示的图像是否为身份证图像。
具体的，终端在获取到第一向量和第二向量之后，可以将该第一向量和第二向量合并为一个特征向量，然后采用PCA算法对该特征向量进行降维，获取降维后的有效特征向量，然后将该有效特征向量输入第二SVM分类器，通过第二SVM分类器确定目标区域显示的图像是否为身份证图像。
示例的，在确定目标区域显示的图像是否为身份证图像时，终端也可以首先对目标区域进行直方图均衡化，减小待识别图像中亮度不均对图像信息识别的影响，提高了确定图像信息的精确度。具体的，终端对目标区域进行直方图均衡化获取均衡化目标区域，然后采用Gabor特征算法提取均衡化目标区域的纹理特征，采用HOG特征算法提取均衡化目标区域的梯度特征，进而根据均衡化目标区域的纹理特征和梯度特征，获取合并特征，并采用PCA算法，从合并特征中获取均衡化目标区域的有效特征，最后将均衡化目标区域的有效特征输入第二SVM分类器，通过第二SVM分类器确定目标区域显示的图像是否为身份证图像。
示例的，若终端确定出目标区域显示的图像为身份证图像，则说明待识别图像为包括有身份证图像的图片，因此可以将该待识别图像上传至服务器，便于服务器采用该待识别图像对用户身份进行验证。
本公开的实施例提供的技术方案中，在需要上传身份证图片时，可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
在一个实施例中，如图1c所示，在步骤102中，根据人脸所在区域的特征信息和预设比例，在待识别图像上确定目标区域，可以通过步骤1021和步骤1022实现：
在步骤1021中，根据检测出的人脸，确定人脸所在区域及人脸所在区域的大小和方向。
其中，人脸所在区域的方向为人脸的方向。
在步骤1022中，当人脸所在区域的方向与预设方向匹配时，根据人脸所在区域的大小与预设比例的，确定目标区域。
示例的，在确定人脸所在区域的方向时，终端可以采用HOG特征算法提取人脸所在区域的梯度特征，然后将梯度特征输入第一支持向量机SVM分类器，通过第一SVM分类器识别人脸的方向，该人脸的方向即为人脸所在区域的方向。采用HOG特征算法和第一SVM分类器识别所在区域的方向，提高了识别人脸所在区域方向的精确度和效率。
在确定人脸所在区域的大小时，可以通过人脸所在区域占用的像素个数进行确定。由于每个像素的尺寸是固定的，因此根据人脸所在区域占用的像素个数即可精确算出人脸所在区域的大小。
示例的，若该人脸所在区域的方向与预设方向匹配，即该人脸的方向与预设方向一致，则可以根据人脸所在区域的大小和预设比例，在待识别图像上确定目标区域。
本公开的实施例提供的技术方案中，在需要上传身份证图片时，可以首先根据待识别图像中人脸所在区域及人脸所在区域的大小和方向确定待识别图像包括人脸的目标区域，然后确定该目标区域显示的图像是否为身份证图像，若是，则将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
在一个实施例中，如图1d所示，该方法还包括步骤104：
在步骤104中，当人脸所在区域的方向与预设方向不匹配时，旋转待识别图像至待识别图像中的人脸所在区域的方向与预设方向匹配。
实际应用中，该待识别图像上身份证图像的位置和方向不定，为了提高图像识别的准确率，可以将待识别图像旋转至其包括的人脸的方向与预设方向一致，即若终端检测出该人脸所在区域的方向与预设方向不匹配，即该人脸的方向与预设方向不一致，则终端可以首先旋转该待识别图像，使得旋转后待识别图像包括的人脸的方向与预设方向一致，即该人脸所在区域的方向与预设方向匹配，然后根据人脸和预设比例，在旋转后的待识别图像上确定目标区域。
本公开的实施例提供的技术方案中，在需要上传身份证图片时，可以首先将待识别图像的方向旋转至预设方向，然后确定该待识别图像中目标区域显示的图像是否为身份证图像，若是，则将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
在一个实施例中，如图1e所示，该方法还包括步骤105和步骤106：
在步骤105中，检测人脸所在区域包括的人脸的个数是否为一个。
在步骤106中，当人脸所在区域包括的人脸的个数不为一个时，确定待识别图像不为身份证图像。
在步骤102中，当待识别图像中包括人脸时，根据人脸所在区域的特征信息和预设比例，在待识别图像上确定目标区域可以通过步骤1023实现：在步骤1023中，当待识别图像中包括人脸，且人脸所在区域包括的人脸的个数为一个时，根据人脸所在区域的特征信息和预设比例，在待识别图像上确定目标区域。
示例的，待识别图像上人脸所在区域包括的人脸的个数可能不止一个，如果待识别图像上人脸所在区域包括的人脸的个数较多，则可以直接确定该待识别图像不包括身份证图像，此时可以在屏幕上显示用于指示待识别图像错误的提示信息，提示用户及时更换待上传的图片。如果待识别图像上人脸所在区域的人脸的个数仅有一个，则说明该待识别图像可能包括身份证图像，因此可以根据人脸和预设比例，在待识别图像上确定目标区域，进而确定该目标区域是否显示有身份证图像。
本公开的实施例提供的技术方案中，在需要上传身份证图片时，可以首先确定待识别图像中人脸所在区域包括的人脸的个数是否为一个，在待识别图像中人脸所在区域包括的人脸的个数大于一个时，确认待识别图像不为身份证图像，避免上传该待识别图像，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
下面通过几个实施例详细介绍实现过程。
图2是根据一示例性实施例示出的一种图像识别方法的流程图，执行主体为终端，如图2所示，包括以下步骤201至步骤209：
在步骤201中，检测待识别图像中是否包括人脸，执行步骤202。
在步骤202中，当待识别图像中包括人脸时，根据检测出的人脸，确定人脸所在区域及人脸所在区域的大小和方向，执行步骤203。
在步骤203中，确定该人脸所在区域的方向与预设方向是否匹配；若该人脸的方向与预设方向不匹配，执行步骤204；若该人脸所在区域的方向与预设方向匹配，执行步骤205。
在步骤204中，旋转该待识别图像至待识别图像中的人脸所在区域的方向与预设方向匹配，执行步骤205。
在步骤205中，确定该待识别图像中人脸所在区域包括的人脸的个数是否为一个；若该待识别图像中人脸所在区域包括的人脸的个数大于一个时，执行步骤206；若该待识别图像中人脸所在区域包括的人脸的个数为一个时，执行步骤207。
在步骤206中，显示用于说明待识别图像错误的提示信息，本流程结束。
在步骤207中，根据该人脸和预设比例，在待识别图像上确定目标区域，执行步骤208。
在步骤208中，确定该目标区域显示的图像是否为身份证图像；若该目标区域显示的图像为身份证图像，执行步骤209；若该目标区域显示的图像不是身份证图像，执行步骤206。
在步骤209中，上传该待识别图像，用于用户身份验证。
本公开的实施例提供一种图像识别方法，在需要上传身份证图片时，可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
图3是根据一示例性实施例示出的一种图像识别方法的流程图，执行主体为终端，如图3所示，包括以下步骤301至步骤315：
在步骤301中，采用LBP特征算法提取待识别图像的纹理特征，执行步骤302。
在步骤302中，将该待识别图像的纹理特征输入Adaboost分类器，通过Adaboost分类器识别该待识别图像是否包括人脸，执行步骤303。
在步骤303中，当待识别图像中包括人脸时，根据检测出的人脸，确定人脸所在区域及人脸所在区域的大小和方向，执行步骤304。
在步骤304中，确定该人脸所在区域的方向与预设方向是否匹配；若该人脸的方向与预设方向不匹配，执行步骤305；若该人脸所在区域的方向与预设方向匹配，执行步骤306。
在步骤305中，旋转该待识别图像至待识别图像中的人脸所在区域的方向与预设方向匹配，执行步骤306。
在步骤306中，确定该待识别图像中人脸所在区域包括的人脸的个数是否为一个；若该待识别图像中人脸所在区域包括的人脸的个数大于一个时，执行步骤307；若该待识别图像中人脸所在区域包括的人脸的个数为一个时，执行步骤308。
在步骤307中，显示用于说明待识别图像错误的提示信息，本流程结束。
在步骤308中，根据该人脸和预设比例，在待识别图像上确定目标区域，执行步骤309。
在步骤309中，对该目标区域进行直方图均衡化，执行步骤310。
在步骤310中，采用Gabor特征算法提取该目标区域的纹理特征，执行步骤311。
在步骤311中，采用HOG特征算法提取该目标区域的梯度特征，执行步骤312。
在步骤312中，根据该目标区域的纹理特征和梯度特征，获取合并特征，执行步骤313。
在步骤313中，采用主成分分析PCA算法，从该合并特征中获取目标区域的有效特征，执行步骤314。
在步骤314中，将该目标区域的有效特征输入第二SVM分类器，通过第二SVM分类器确定目标区域显示的图像是否为身份证图像，执行步骤316。
在步骤315中，若该目标区域显示的图像为身份证图像，上传该待识别图像，用于用户身份验证。
本公开的实施例提供一种图像识别方法，在需要上传身份证图片时，可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图4a是根据一示例性实施例示出的一种图像识别装置40的结构示意图，该装置40可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4a所示，该图像识别装置40包括第一检测模块401，第一确定模块402和第二确定模块403。
其中，第一检测模块401，用于检测待识别图像中是否包括人脸。
第一确定模块402，用于当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例。
第二确定模块403，用于确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，如图4b所示，所述第一检测模块401包括第一提取子模块4011和第一识别子模块4012。
其中，第一提取子模块4011，用于采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征。
第一识别子模块4012，用于将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
在一个实施例中，如图4c所示，所述第一确定模块402包括第一确定子模块4021和第二确定子模块4022。
其中，第一确定子模块4021，用于根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向。
第二确定子模块4022，用于当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
在一个实施例中，如图4d所示，所述装置40还包括旋转模块404。
所述旋转模块404，用于当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
在一个实施例中，如图4e所示，所述第一确定子模块4021包括提取单元4021a和识别单元4021b。
其中，提取单元4021a，用于采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征。
识别单元4021b，用于将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
在一个实施例中，如图4f所示，所述第二确定模块403包括第二提取子模块4031，第三提取子模块4032，第一获取子模块4033，第二获取子模块4034和第三确定子模块4035。
其中，第二提取子模块4031，用于采用Gabor特征算法提取所述目标区域的纹理特征。
第三提取子模块4032，用于采用HOG特征算法提取所述目标区域的梯度特征。
第一获取子模块4033，用于根据所述目标区域的纹理特征和梯度特征，获取合并特征。
第二获取子模块4034，用于采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征。
第三确定子模块4035，用于将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，如图4g所示，所述装置40还包括第二检测模块405和第三确定模块406。
其中，第二检测模块405，用于检测所述人脸所在区域包括的人脸的个数是否为一个。
第三确定模块406，用于当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；
所述第一确定模块402用于当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
本公开的实施例提供一种图像识别装置，在需要上传身份证图片时，该装置可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
本公开实施例提供一种图像识别装置，该图像识别装置包括：
处理器；
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：
检测待识别图像中是否包括人脸；
当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，上述处理器还可被配置为：采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征；将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
在一个实施例中，上述处理器还可被配置为：根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向；当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
在一个实施例中，上述处理器还可被配置为：当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
在一个实施例中，上述处理器还可被配置为：采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征；将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
在一个实施例中，上述处理器还可被配置为：采用Gabor特征算法提取所述目标区域的纹理特征；采用HOG特征算法提取所述目标区域的梯度特征；根据所述目标区域的纹理特征和梯度特征，获取合并特征；采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征；将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，上述处理器还可被配置为：检测所述人脸所在区域包括的人脸的个数是否为一个；当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
本公开的实施例提供一种图像识别装置，在需要上传身份证图片时，该装置可以首先确定待识别图像是否为身份证图像，在确认待识别图像为身份证图像时将待识别图像上传至服务器，提高了身份证验证的效率，缩短了进行身份证验证时给用户的反馈时间，进而提高了用户体验。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种用于图像识别装置50的结构框图，该装置适用于终端设备。例如，装置50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。
装置50可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。
处理组件502通常控制装置50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502可以包括一个或多个处理器520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502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置50的操作。这些数据的示例包括用于在装置50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504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。
电源组件506为装置50的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置50生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述装置50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。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述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508包括一个前置摄像头和/或后置摄像头。当装置50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510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置50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504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502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514包括一个或多个传感器，用于为装置50提供各个方面的状态评估。例如，传感器组件514可以检测到装置50的打开/关闭状态，组件的相对定位，例如所述组件为装置50的显示器和小键盘，传感器组件514还可以检测装置50或装置50一个组件的位置改变，用户与装置50接触的存在或不存在，装置50方位或加速/减速和装置50的温度变化。传感器组件514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514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514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516被配置为便于装置50和其他设备之间有线或无线方式的通信。装置50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516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，所述通信组件516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50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组件实现，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504，上述指令可由装置50的处理器520执行以完成上述方法。例如，所述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。
本公开实施例提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置50的处理器执行时，使得装置50能够执行上述图像识别方法，所述方法包括：
检测待识别图像中是否包括人脸；
当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，所述检测待识别图像中是否包括人脸包括：采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征；将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
在一个实施例中，所述根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域包括：根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向；当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
在一个实施例中，还包括：当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
在一个实施例中，所述确定所述人脸所在区域的方向包括：采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征；将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
在一个实施例中，所述确定所述目标区域显示的图像是否为身份证图像包括：采用Gabor特征算法提取所述目标区域的纹理特征；采用HOG特征算法提取所述目标区域的梯度特征；根据所述目标区域的纹理特征和梯度特征，获取合并特征；采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征；将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
在一个实施例中，还包括：检测所述人脸所在区域包括的人脸的个数是否为一个；当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；所述当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域包括：当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开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，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种图像识别方法，其特征在于，包括：
检测待识别图像中是否包括人脸；
当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
确定所述目标区域显示的图像是否为身份证图像。
2.根据权利要求1所述的方法，其特征在于，所述检测待识别图像中是否包括人脸包括：
采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征；
将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
3.根据权利要求1所述的方法，其特征在于，所述根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域包括：
根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向；
当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
4.根据权利要求3所述的方法，其特征在于，还包括：
当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
5.根据权利要求3或4所述的方法，其特征在于，所述确定所述人脸所在区域的方向包括：
采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征；
将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述确定所述目标区域显示的图像是否为身份证图像包括：
采用Gabor特征算法提取所述目标区域的纹理特征；
采用HOG特征算法提取所述目标区域的梯度特征；
根据所述目标区域的纹理特征和梯度特征，获取合并特征；
采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征；
将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
7.根据权利要求1至4任一项所述的方法，其特征在于，还包括：
检测所述人脸所在区域包括的人脸的个数是否为一个；
当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；
所述当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域包括：
当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
8.一种图像识别装置，其特征在于，包括：
第一检测模块，用于检测待识别图像中是否包括人脸；
第一确定模块，用于当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
第二确定模块，用于确定所述目标区域显示的图像是否为身份证图像。
9.根据权利要求8所述的装置，其特征在于，所述第一检测模块包括：
第一提取子模块，用于采用局部二值模式LBP特征算法提取所述待识别图像的纹理特征；
第一识别子模块，用于将所述待识别图像的纹理特征输入自适应增强Adaboost分类器，通过所述Adaboost分类器识别所述待识别图像是否包括人脸。
10.根据权利要求8所述的装置，其特征在于，所述第一确定模块包括：
第一确定子模块，用于根据检测出的所述人脸，确定所述人脸所在区域及所述人脸所在区域的大小和方向，其中，所述人脸所在区域的方向为所述人脸的方向；
第二确定子模块，用于当所述人脸所在区域的方向与预设方向匹配时，根据所述人脸所在区域的大小与所述预设比例的，确定所述目标区域。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
旋转模块，用于当所述人脸所在区域的方向与预设方向不匹配时，旋转所述待识别图像至所述待识别图像中的所述人脸所在区域的方向与所述预设方向匹配。
12.根据权利要求10或11所述的装置，其特征在于，所述第一确定子模块包括：
提取单元，用于采用定向梯度直方图HOG特征算法提取所述人脸所在区域的梯度特征；
识别单元，用于将所述梯度特征输入第一支持向量机SVM分类器，通过所述第一SVM分类器识别所述人脸所在区域的方向。
13.根据权利要求8至11任一项所述的装置，其特征在于，所述第二确定模块包括：
第二提取子模块，用于采用Gabor特征算法提取所述目标区域的纹理特征。
第三提取子模块，用于采用HOG特征算法提取所述目标区域的梯度特征。
第一获取子模块，用于根据所述目标区域的纹理特征和梯度特征，获取合并特征。
第二获取子模块，用于采用主成分分析PCA算法，从所述合并特征中获取所述目标区域的有效特征。
第三确定子模块，用于将所述目标区域的有效特征输入第二SVM分类器，通过所述第二SVM分类器确定所述目标区域显示的图像是否为身份证图像。
14.根据权利要求8至11任一项所述的装置，其特征在于，所述装置还包括：
第二检测模块，用于检测所述人脸所在区域包括的人脸的个数是否为一个；
第三确定模块，用于当所述人脸所在区域包括的人脸的个数不为一个时，确定所述待识别图像不为身份证图像；
所述第一确定模块用于当所述待识别图像中包括人脸，且所述人脸所在区域包括的人脸的个数为一个时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域。
15.一种图像识别装置，其特征在于，包括：
处理器；
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：
检测待识别图像中是否包括人脸；
当所述待识别图像中包括人脸时，根据所述人脸所在区域的特征信息和预设比例，在所述待识别图像上确定目标区域，其中，所述预设比例为身份证大小与身份证中的人脸所在区域的大小之间的比例；
确定所述目标区域显示的图像是否为身份证图像。
16.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至7任意一项权利要求所述方法的步骤。
CN201710399439.XA 2017-05-31 2017-05-31 图像识别方法及装置 Pending CN107247936A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710399439.XA CN107247936A (zh) 2017-05-31 2017-05-31 图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710399439.XA CN107247936A (zh) 2017-05-31 2017-05-31 图像识别方法及装置

Publications (1)

Publication Number Publication Date
CN107247936A true CN107247936A (zh) 2017-10-13

Family

ID=60017886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710399439.XA Pending CN107247936A (zh) 2017-05-31 2017-05-31 图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN107247936A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304833A (zh) * 2018-04-17 2018-07-20 哈尔滨师范大学 基于mblbp和dct-bm2dpca的人脸识别方法
CN108520261A (zh) * 2018-03-01 2018-09-11 中国农业大学 一种花生果仁数量的识别方法和装置
CN109041187A (zh) * 2018-09-21 2018-12-18 西北大学 一种基于网络感知pca-svm融合算法的移动平台能耗优化方法
CN109145891A (zh) * 2018-06-27 2019-01-04 上海携程商务有限公司 客户端及其识别身份证的方法、识别身份证的系统
CN109979121A (zh) * 2017-12-28 2019-07-05 方正国际软件(北京)有限公司 一种监控自助银行的方法及服务器
CN110765846A (zh) * 2019-09-05 2020-02-07 北京旷视科技有限公司 抓拍机推图测试方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975759A (zh) * 2006-12-15 2007-06-06 中山大学 一种基于结构主元分析的人脸识别方法
CN101216881A (zh) * 2007-12-28 2008-07-09 北京中星微电子有限公司 一种图像自动获取方法和装置
CN101976333A (zh) * 2010-11-18 2011-02-16 上海合合信息科技发展有限公司 自动区分第一代和第二代身份证的方法
EP2450831A2 (en) * 2010-11-05 2012-05-09 Ricoh Company, Ltd. Method and system for detecting multi-view human face
CN103729645A (zh) * 2013-12-20 2014-04-16 湖北微模式科技发展有限公司 基于单目摄像头的二代证区域定位与提取的方法及装置
CN104268539A (zh) * 2014-10-17 2015-01-07 中国科学技术大学 一种高性能的人脸识别方法及系统
CN105138972A (zh) * 2015-08-11 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
US20160117571A1 (en) * 2010-06-11 2016-04-28 Toyota Motor Europe Nv/Sa Detection of objects in an image using self similarities
CN105607835A (zh) * 2015-12-21 2016-05-25 惠州Tcl移动通信有限公司 图片方向自动调整的移动终端及其显示方法
CN106295638A (zh) * 2016-07-29 2017-01-04 北京小米移动软件有限公司 证件图像倾斜校正方法和装置
CN106548145A (zh) * 2016-10-31 2017-03-29 北京小米移动软件有限公司 图像识别方法及装置
CN106682629A (zh) * 2016-12-30 2017-05-17 佳都新太科技股份有限公司 一种复杂背景下身份证号识别算法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975759A (zh) * 2006-12-15 2007-06-06 中山大学 一种基于结构主元分析的人脸识别方法
CN101216881A (zh) * 2007-12-28 2008-07-09 北京中星微电子有限公司 一种图像自动获取方法和装置
US20160117571A1 (en) * 2010-06-11 2016-04-28 Toyota Motor Europe Nv/Sa Detection of objects in an image using self similarities
EP2450831A2 (en) * 2010-11-05 2012-05-09 Ricoh Company, Ltd. Method and system for detecting multi-view human face
CN101976333A (zh) * 2010-11-18 2011-02-16 上海合合信息科技发展有限公司 自动区分第一代和第二代身份证的方法
CN103729645A (zh) * 2013-12-20 2014-04-16 湖北微模式科技发展有限公司 基于单目摄像头的二代证区域定位与提取的方法及装置
CN104268539A (zh) * 2014-10-17 2015-01-07 中国科学技术大学 一种高性能的人脸识别方法及系统
CN105138972A (zh) * 2015-08-11 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105607835A (zh) * 2015-12-21 2016-05-25 惠州Tcl移动通信有限公司 图片方向自动调整的移动终端及其显示方法
CN106295638A (zh) * 2016-07-29 2017-01-04 北京小米移动软件有限公司 证件图像倾斜校正方法和装置
CN106548145A (zh) * 2016-10-31 2017-03-29 北京小米移动软件有限公司 图像识别方法及装置
CN106682629A (zh) * 2016-12-30 2017-05-17 佳都新太科技股份有限公司 一种复杂背景下身份证号识别算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALI MOEINI ET AL: "MAKEUP-INSENSITIVE FACE RECOGNITION BY FACIAL DEPTH RECONSTRUCTION AND GABOR FILTER BANK FROM WOMEN"S REAL-WORLD IMAGES", 《2014 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
慕春雷: "基于HOG特征的人脸识别系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李海峰著: "《智慧银行：银行互联网+》", 31 January 2016 *
贾换霞: "人脸图像定位算法", 《仪器仪表学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979121A (zh) * 2017-12-28 2019-07-05 方正国际软件(北京)有限公司 一种监控自助银行的方法及服务器
CN109979121B (zh) * 2017-12-28 2021-05-18 方正国际软件(北京)有限公司 一种监控自助银行的方法及服务器
CN108520261A (zh) * 2018-03-01 2018-09-11 中国农业大学 一种花生果仁数量的识别方法和装置
CN108520261B (zh) * 2018-03-01 2021-06-18 中国农业大学 一种花生果仁数量的识别方法和装置
CN108304833A (zh) * 2018-04-17 2018-07-20 哈尔滨师范大学 基于mblbp和dct-bm2dpca的人脸识别方法
CN109145891A (zh) * 2018-06-27 2019-01-04 上海携程商务有限公司 客户端及其识别身份证的方法、识别身份证的系统
CN109041187A (zh) * 2018-09-21 2018-12-18 西北大学 一种基于网络感知pca-svm融合算法的移动平台能耗优化方法
CN110765846A (zh) * 2019-09-05 2020-02-07 北京旷视科技有限公司 抓拍机推图测试方法及装置
CN110765846B (zh) * 2019-09-05 2022-09-30 北京旷视科技有限公司 抓拍机推图测试方法及装置

Similar Documents

Publication Publication Date Title
CN107247936A (zh) 图像识别方法及装置
CN106228168B (zh) 卡片图像反光检测方法和装置
CN107527059A (zh) 文字识别方法、装置及终端
CN106548145A (zh) 图像识别方法及装置
CN106651955A (zh) 图片中目标物的定位方法及装置
CN106709399A (zh) 指纹识别方法及装置
CN107122679A (zh) 图像处理方法及装置
CN106650575A (zh) 人脸检测方法及装置
CN106682736A (zh) 图像识别方法及装置
CN107169493A (zh) 信息识别方法及装置
CN103942469A (zh) 图片处理方法、装置及终端
CN105389516A (zh) 敏感图片提醒方法和装置
CN106980840A (zh) 脸型匹配方法、装置及存储介质
CN106296665B (zh) 卡片图像模糊检测方法和装置
CN104077563B (zh) 人脸识别方法和装置
CN107688781A (zh) 人脸识别方法及装置
CN105426730A (zh) 登录验证处理方法、装置及终端设备
CN106295515A (zh) 确定图像中的人脸区域的方法及装置
CN107480665A (zh) 文字检测方法、装置及计算机可读存储介质
CN107742120A (zh) 银行卡卡号的识别方法及装置
CN104077597B (zh) 图像分类方法及装置
CN105354560A (zh) 指纹识别方法及装置
CN106228556A (zh) 图像质量分析方法和装置
CN107766820A (zh) 图像分类方法及装置
CN107038428A (zh) 活体识别方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171013