CN107291781A - 一种图像管理方法和装置 - Google Patents
一种图像管理方法和装置 Download PDFInfo
- Publication number
- CN107291781A CN107291781A CN201610225927.4A CN201610225927A CN107291781A CN 107291781 A CN107291781 A CN 107291781A CN 201610225927 A CN201610225927 A CN 201610225927A CN 107291781 A CN107291781 A CN 107291781A
- Authority
- CN
- China
- Prior art keywords
- multiimage
- image
- mass value
- poor
- determined
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/1737—Details of further file system functions for reducing power consumption or coping with limited storage space, e.g. in mobile devices
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
- G06F16/162—Delete operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1748—De-duplication implemented within the file system, e.g. based on file segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像管理方法,包括获取预定时间段内创建的多幅图像并识别所述多幅图像中的重复图像;根据预设的差质图像类别,判断所述重复图像是否为差质图像;当所述重复图像为差质图像时,确定所述重复图像的质量值;根据所述重复图像的质量值,确定待删除的重复图像;本发明还公开了一种与上述方法相对应的装置,本发明有利于图像的管理。
Description
技术领域
本发明涉及移动通讯领域,尤其涉及一种移动终端的图像管理方法和装置。
背景技术
手机、数码相机等设备满足了用户随时随地移动拍摄的需求,但也极大的占用了大量的存储空间。由于大部分用户不会经常随时整理照片,这里面往往有大量的“效果不好”的照片,比如大量的同一场景的重复拍摄的照片,重影、人物照中出现眨眼照片等等。这些照片无需长期进行保存,但是依靠用户主动去整理、清理又费时费力,所以如果智能设备能帮助用户智能清理照片或者提供智能辅助分类,比如删除或标识出重复的、重影的、眨眼的、非正常曝光等“效果不好”的冗余照片,将极大给用户节省大量时间精力,也能极大节省设备的存储空间资源。
发明内容
为了解决上述技术问题,解决移动终端图像的管理问题,本发明公开了一种图像管理方法和装置,能够有效的处理冗余照片,节约空间。
具体的技术方案可以为:一种图像管理方法,所述方法包括:获取预定时间段内创建的多幅图像并识别所述多幅图像中的重复图像;根据预设的差质图像类别,判断所述重复图像是否为差质图像;当所述重复图像为差质图像时,确定所述重复图像的质量值;根据所述重复图像的质量值,确定待删除的重复图像。
优选的,上述识别所述图像中的重复图像包括:确定所述预定时间段内创建的图像之间像素的均方差,并与预设的像素的均方差阈值进行比较,低于所述阈值的判定为重复图像。
优选的,上述根据所述重复图像的质量值,确定待删除的重复图像,包括:当所述重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;当所述重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。
优选的,上述方法还包括:若所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像;
优选的,上述当所述重复图像为差质图像时,则确定所述重复图像的质量值,包括:预设所述差质图像类别对应的质量值权重;根据所述差质图像类别和对应的质量值权重确定所述重复图像的质量值。
具体的技术方案还可以为:一种图像管理装置,其特征在于,所述装置包括:获取模块:用于获取预定时间段内创建的多幅图像;识别模块:用于识别所述多幅图像中的重复图像;分类模块:用于根据预设的差质图像类别,判断所述重复图像是否为差质图像;运算模块:用于当所述重复图像为差质图像时,确定所述重复图像的质量值;删除模块:用于根据所述重复图像的质量值,确定待删除的重复图像。
优选的,上述识别模块用于识别所述图像中的重复图像,包括:确定所述预定时间段内创建的图像之间像素的均方差,并与预设的像素的均方差阈值进行比较,低于所述阈值的判定为重复图像。
优选的,上述删除模块用于根据所述重复图像的质量值,确定待删除的重复图像,包括:当所述重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;当所述重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。
优选的,上述删除模块还用于当所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像;
优选的,上述运算模块:用于当所述重复图像为差质图像时,则确定所述重复图像的质量值,包括:预设所述差质图像类别对应的质量值权重;根据所述差质图像类别和对应的质量值权重确定所述重复图像的质量值。
相较于现有技术,本发明的方法和系统,解决了移动终端拍照有大量重复图像存储的问题,实现自动删除和去重,方便用户的图像管理和移动终端内存空间的释放。
附图说明
图1是本发明本实施例一图像管理方法流程图;
图2是本发明本实施例二图像管理装置示意图;
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例图像管理方法流程图,如图1所示,包括:
S101:获取预定时间段内创建的多幅图像并识别所述多幅图像中的重复图像;
S102:根据预设的差质图像类别,判断重复图像是否为差质图像;
S103:当所述重复图像为差质图像时,确定重复图像的质量值;
S104:根据所述重复图像的质量值,确定待删除的重复图像。
通常数码照片大量的冗余数据是那些在同一场景下,用户为了获得较好拍摄效果而重复拍摄的照片。显然这些重复的照片,拍摄时间是接近的。因此可以按照创建时间在某一个连续时段上集中后进行去重处理,这个连续的时间段可以根据用户的选择进行确定,可以设置为10秒钟,也可以设置为1分钟。具体的,S101步骤中识别所述图像中的重复图像包括:确定所述预定时间段内创建的图像之间像素的均方差,并与预设的像素的均方差阈值进行比较,低于所述阈值的判定为重复图像。
在S102步骤中预设的差质图像类别包括如下至少之一:重影、曝光不足、人像未在预设位置、闭眼等等,当重复图像具有一种或者多种差质图像类别时,则判定为差质图像,否则,判定为不是差质图像而是合格图像。
具体的,可以将相片的图像数据输入特定分类器进行分类。分类器是预先通过神经网络算法训练过的分类判别器,例如将大量重影的样张输入分类器进行训练,得到分类器的参数并配置到存储设备中。存储设备对待判别图像采用这些参数进行计算后来判定是否是该类别图像。选择神经网络模型时可以采用卷积神经网络,其适合用来识别位移、缩放及其他形式扭曲不变性的二维图形,无需人工提取图像特征,能够隐式地从训练数据中学习图像特征并分类。
实际应用中,还可根据具体类别,来选择待判别图像的特定部分来参与判别,以提高计算速度。例如判断图像是否是眯眼照片,则只需选择人脸部分的数据计算即可,而人脸定位采用现有技术即可实现,这样可以大幅减少计算量。特别是对重复照片,如果前面已有照片确定了需要判别的图像区域,则该重复照片则直接采用相同的判别图像区域进行分类判别。本发明就是利用神经网络事先训练海量的各种效果不好的样张,使得智能设备能学习这些“坏”特征,获得的不同类别的分类器,从而去判别用户的图像数据库,删除重复多余的、拍摄效果差的相片,自动完成相片清理工作。特定分类器是可以将“效果不好”的相片按照不同类别进行分开,比如判断哪些是重影的,哪些是人物眯眼的等等。优选地是采用一个或多个不同差质图像类别的分类器,来判别图像是否具有某种或多种不同的差质特征,可以由用户选择性地对其关注的类别进行分类处理,即可单独使用也可组合使用差质图像分类器。
在S103步骤中,具体包括:预设所述差质图像类别对应的质量值权重评分;根据所述差质图像类别和对应的质量值权重确定所述重复图像的质量值,图像的质量值即其所符合的差质类型的权重之和。可以将每一差质图像类别对应一个质量值权重,这个权重评分可以由用户根据个人主观感受的容忍度进行预设,例如:重影30%、曝光不足10%、人像未在预设位置20%、闭眼30%等诸如此类。当一幅图像中具有重影和闭眼两个差质图像类型时,则可以将重影和闭眼两个差质图像类型对应的权重进行累加,也就是说图像具有的差质特征越多,其差质权重越大,主观视觉效果越差;这里采用的是较为简单的评判规则,同时也可以采用其他公知的算法进行精确的图像质量值计算。
在S104步骤中,具体包括:当重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;当重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。当所有的重复图像的差质图像类型相同,例如:全部为闭眼,则直接保留一张,删除剩余的图像。当重复图像的质量值不同时,例如:一张为闭眼,另外一张为闭眼和曝光不足,则第二张的质量显然比第一张更差,则保留质量相对最好的,删除其余照片。
本发明图像管理方法还包括:若所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像;具体的,当所有重复图像都不具有差质图像类别时,则为合格图像,此时直接保留一张,其余删除即可。
实施例二
图2为本发明实施例图像管理装置示意图,如图2所示,包括:获取模块201:用于获取预定时间段内创建的多幅图像;识别模块202:用于识别所述多幅图像中的重复图像;分类模块203:用于根据预设的差质图像类别,判断所述重复图像是否为差质图像;运算模块204:用于当所述重复图像为差质图像时,确定所述重复图像的质量值;删除模块205:用于根据所述重复图像的质量值,确定待删除的重复图像。其中预设的差质图像类别包括如下至少之一:重影、曝光不足、过曝、人像未在预设位置、闭眼等等,当重复图像具有一种或者多种差质图像类别时,则判定为差质图像,否则,判定为不是差质图像而是合格图像。
识别模块用于识别所述图像中的重复图像,包括:确定所述预定时间段内创建的图像之间像素的均方差,并与预设的像素的均方差阈值进行比较,低于所述阈值的判定为重复图像。
具体的,可以将相片的图像数据输入特定差质分类器进行分类。分类器是预先通过神经网络算法训练过的分类判别器,例如将大量重影的样张输入分类器进行训练,得到分类器的参数并配置到存储设备中。存储设备对待判别图像采用这些参数进行计算后来判定是否是该类别图像。选择神经网络模型时可以采用卷积神经网络,其适合用来识别位移、缩放及其他形式扭曲不变性的二维图形,无需人工提取图像特征,能够隐式地从训练数据中学习图像特征并分类。
实际应用中,还可根据具体类别,来选择待判别图像的特定部分来参与判别,以提高计算速度。例如判断图像是否是眯眼照片,则只需选择人脸部分的数据计算即可,而人脸定位采用现有技术即可实现,这样可以大幅减少计算量。特别是对重复照片,如果前面已有照片确定了需要判别的图像区域,则该重复照片则直接采用相同的判别图像区域进行分类判别。本发明就是利用神经网络事先训练海量的各种效果不好的样张,使得智能设备能学习这些“坏”特征,获得的不同类别的分类器,从而去判别用户的图像数据库,删除重复多余的、拍摄效果差的相片,自动完成相片清理工作。特定分类器是可以将“效果不好”的相片按照不同类别进行分开,比如判断哪些是重影的,哪些是人物眯眼的等等。优选地是采用一个或多个差质图像分类器,即一个分类器只判断一种相片效果的好坏与否。采用多个分类器是可以由用户选择性地对其关注的类别进行分类处理,即可单独使用也可组合使用。
在另外的实施例中,一旦某幅图像判定为某种效果不好的图像,则无需其他类别的判定,即可完成清理。如果是重复图像,只需其中一幅图像通过所有分类器都判定为合格,则重复图像中的剩余图像可无需判定,直接进行清理。
运算模块用于当所述重复图像为差质图像时,则确定所述重复图像的质量值,包括:预设所述差质图像类别对应的质量值权重;根据所述差质图像类别和对应的质量值权重确定所述重复图像的质量值,图像的质量值即其所符合的差质类型的权重之和。可以将每一差质图像类别对应一个质量值权重评分,这个权重评分可以由用户根据个人主观感受的容忍度进行预设,例如:重影30%、曝光不足10%、人像未在预设位置20%、闭眼30%等诸如此类。当一幅图像中具有重影和闭眼两个差质图像类型时,则可以将重影和闭眼两个差质图像类型对应的权重进行累加,也就是说图像具有的差质特征越多,其差质权重越大,主观视觉效果越差;这里采用的是较为简单的评判规则,同时也可以采用其他公知的算法进行精确的图像质量值计算。
删除模块用于根据所述重复图像的质量值,确定待删除的重复图像,包括当所述重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;当所述重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。删除模块还用于当所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像。具体包括:当重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;当重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。当所有的重复图像的差质图像类型相同,例如:全部为闭眼,则直接保留一张,删除剩余的图像。当重复图像的质量值不同时,例如:一张为闭眼,另外一张为闭眼和曝光不足,则第二张的质量显然比第一张更差,则包括质量最好的,删除其余照片。若所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像;具体的,当所有重复图像都不具有差质图像类别时,则为合格图像,此时直接保留一张,其余删除即可。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种图像管理方法,其特征在于,所述方法包括:
获取预定时间段内创建的多幅图像并识别所述多幅图像中的重复图像;
根据预设的差质图像类别,判断所述重复图像是否为差质图像;
当所述重复图像为差质图像时,确定所述重复图像的质量值;
根据所述重复图像的质量值,确定待删除的重复图像。
2.如权利要求1所述的图像管理方法,其特征在于:所述识别所述图像中的重复图像包括:
确定所述预定时间段内创建的图像之间的像素的均方差,并与预设的像素的均方差阈值进行比较,低于所述阈值的判定为重复图像。
3.如权利要求1所述的图像管理方法,其特征在于:所述根据所述重复图像的质量值,确定待删除的重复图像,包括:
当所述重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;
当所述重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。
4.如权利要求1所述的图像管理方法,其特征在于:所述方法还包括:若所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像。
5.如权利要求1所述的图像管理方法,其特征在于:所述当所述重复图像为差质图像时,则确定所述重复图像的质量值,包括:
预设所述差质图像类别对应的质量值权重;
根据所述差质图像类别和对应的质量值权重确定所述重复图像的质量值。
6.一种图像管理装置,其特征在于,所述装置包括:
获取模块:用于获取预定时间段内创建的多幅图像;
识别模块:用于识别所述多幅图像中的重复图像;
分类模块:用于根据预设的差质图像类别,判断所述重复图像是否为差质图像;
运算模块:用于当所述重复图像为差质图像时,确定所述重复图像的质量值;
删除模块:用于根据所述重复图像的质量值,确定待删除的重复图像。
7.如权利要求6所述的图像管理装置,其特征在于:所述识别模块用于识别所述图像中的重复图像,包括:
确定所述预定时间段内创建的图像之间像素的均方差,并与预设的像素的均方差阈值进行比较,低于所述阈值的判定为重复图像。
8.如权利要求6所述的图像管理装置,其特征在于:所述删除模块用于根据所述重复图像的质量值,确定待删除的重复图像,包括:
当所述重复图像的质量值相同时,则保留其中一张重复图像,删除剩余重复图像;
当所述重复图像的质量值不同时,则保留其中质量值最优的重复图像,删除剩余重复图像。
9.如权利要求6所述的图像管理装置,其特征在于:所述删除模块还用于当所述重复图像不是差质图像,则仅保留其中一张重复图像,删除剩余重复图像。
10.如权利要求6所述的图像管理装置,其特征在于:所述运算模块用于当所述重复图像为差质图像时,则确定所述重复图像的质量值,包括:
预设所述差质图像类别对应的质量值权重;
根据所述差质图像类别和对应的质量值权重确定所述重复图像的质量值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610225927.4A CN107291781A (zh) | 2016-04-12 | 2016-04-12 | 一种图像管理方法和装置 |
PCT/CN2016/088611 WO2017177559A1 (zh) | 2016-04-12 | 2016-07-05 | 一种图像管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610225927.4A CN107291781A (zh) | 2016-04-12 | 2016-04-12 | 一种图像管理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107291781A true CN107291781A (zh) | 2017-10-24 |
Family
ID=60041298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610225927.4A Pending CN107291781A (zh) | 2016-04-12 | 2016-04-12 | 一种图像管理方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107291781A (zh) |
WO (1) | WO2017177559A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001648A1 (zh) * | 2018-06-29 | 2020-01-02 | 华为技术有限公司 | 图像处理方法、装置及终端设备 |
CN111274421A (zh) * | 2020-01-15 | 2020-06-12 | 平安科技(深圳)有限公司 | 图片数据清洗方法、装置、计算机设备和存储介质 |
CN111480158A (zh) * | 2018-10-12 | 2020-07-31 | 华为技术有限公司 | 文件管理方法及电子设备 |
CN113891056A (zh) * | 2021-11-12 | 2022-01-04 | 盐城吉研智能科技有限公司 | 一种基于立体视觉技术的多摄像机图像精准分析方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2585005B (en) | 2019-06-24 | 2021-06-23 | Roadmetric Ltd | Training a machine to recognize a motor vehicle driver using a mobile device |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100716977B1 (ko) * | 2004-07-23 | 2007-05-10 | 삼성전자주식회사 | 디지털 영상 기기 |
CN103493484B (zh) * | 2011-03-31 | 2015-09-02 | 富士胶片株式会社 | 成像装置和成像方法 |
CN103412753A (zh) * | 2013-08-12 | 2013-11-27 | 宇龙计算机通信科技(深圳)有限公司 | 图片删除方法及装置 |
CN104954659A (zh) * | 2014-03-28 | 2015-09-30 | 宇龙计算机通信科技(深圳)有限公司 | 一种处理图像信息的方法及装置 |
CN105224409A (zh) * | 2015-09-30 | 2016-01-06 | 努比亚技术有限公司 | 一种内存的管理方法及装置 |
CN105472239B (zh) * | 2015-11-17 | 2019-08-16 | 小米科技有限责任公司 | 照片处理方法及装置 |
-
2016
- 2016-04-12 CN CN201610225927.4A patent/CN107291781A/zh active Pending
- 2016-07-05 WO PCT/CN2016/088611 patent/WO2017177559A1/zh active Application Filing
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001648A1 (zh) * | 2018-06-29 | 2020-01-02 | 华为技术有限公司 | 图像处理方法、装置及终端设备 |
CN111480158A (zh) * | 2018-10-12 | 2020-07-31 | 华为技术有限公司 | 文件管理方法及电子设备 |
CN111274421A (zh) * | 2020-01-15 | 2020-06-12 | 平安科技(深圳)有限公司 | 图片数据清洗方法、装置、计算机设备和存储介质 |
CN111274421B (zh) * | 2020-01-15 | 2022-03-18 | 平安科技(深圳)有限公司 | 图片数据清洗方法、装置、计算机设备和存储介质 |
CN113891056A (zh) * | 2021-11-12 | 2022-01-04 | 盐城吉研智能科技有限公司 | 一种基于立体视觉技术的多摄像机图像精准分析方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017177559A1 (zh) | 2017-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107291781A (zh) | 一种图像管理方法和装置 | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
CN109670430A (zh) | 一种基于深度学习的多分类器融合的人脸活体识别方法 | |
DE10194154B4 (de) | Iris-Identifikationssystem und Verfahren und computerlesbares Speichermedium mit darin gespeicherten, vom Computer ausführbaren Instruktionen, um das Iris-Identifikationsverfahren zu implementieren | |
US12056954B2 (en) | System and method for selecting images for facial recognition processing | |
CN105608447A (zh) | 对人体面部微笑表情深度卷积神经网络的检测方法 | |
CN106920229A (zh) | 图像模糊区域自动检测方法及系统 | |
CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
CN108319953A (zh) | 目标对象的遮挡检测方法及装置、电子设备及存储介质 | |
CN106650737B (zh) | 图像自动裁剪方法 | |
CN109034119A (zh) | 一种基于优化的全卷积神经网络的人脸检测方法 | |
CN109146856A (zh) | 图像质量评定方法、装置、计算机设备及存储介质 | |
CN110378943A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
CN109165674A (zh) | 一种基于多标签深度卷积网络的证件照分类方法 | |
CN104751407B (zh) | 一种用于对图像进行虚化的方法和装置 | |
CN111222433B (zh) | 自动人脸稽核方法、系统、设备及可读存储介质 | |
CN109492560A (zh) | 基于时间尺度的人脸图像特征融合方法、装置和存储介质 | |
CN107273870A (zh) | 一种监控场景下融合上下文信息的行人位置检测方法 | |
CN109858375A (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
CN111080746B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN110807757A (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
CN107172354A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN105608700A (zh) | 照片的筛选方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |
|
WD01 | Invention patent application deemed withdrawn after publication |