CN108073909B - 合成模糊人脸图像的方法和装置、计算机装置及存储介质 - Google Patents
合成模糊人脸图像的方法和装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN108073909B CN108073909B CN201711481615.0A CN201711481615A CN108073909B CN 108073909 B CN108073909 B CN 108073909B CN 201711481615 A CN201711481615 A CN 201711481615A CN 108073909 B CN108073909 B CN 108073909B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- gyroscope
- accelerometer
- facial image
- sampling time
- 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
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009434 installation Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 78
- 238000005070 sampling Methods 0.000 claims abstract description 67
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 71
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 21
- 238000005316 response function Methods 0.000 claims description 20
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 238000003786 synthesis reaction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 abstract description 18
- 238000004088 simulation Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010189 synthetic method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种合成模糊人脸图像的方法和装置、计算机装置及存储介质。在本发明中，确定惯性测量单元在采样时间段内的位姿信息，并利用惯性测量单元在采样时间段内的轨迹模拟相机或者人脸的运动轨迹，获取采样时间段内轨迹对应的模糊核样本数，最后基于获取的清晰人脸图像、任一时刻的位姿信息、采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像，以达到扩展模糊人脸图像数据集的目的。本发明能够利用惯性测量单元在采样时间段内的轨迹，有效精细化模拟相机或者人脸的运动轨迹，进而合成模糊人脸图像。因此，能够降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种合成模糊人脸图像的方法和装置、计算机装置及存储介质。
背景技术
模糊人脸图像的识别是动态场景下识别的关键技术，对于改善识别的性能十分重要。为了训练一个具备良好泛化能力的神经网络，需要采用包含海量的模糊人脸图像的训练数据集，然而目前为止，并没有针对模糊人脸图像的开源数据集，那么就需要通过一定的方法获取大量的模糊人脸图像，以便构建模糊人脸图像训练数据集。
目前，构建模糊人脸图像训练数据集的方法主要包括以下两类：人工采集自然场景图像，并选取合适的模糊人脸图像进行标注，进而构建模糊人脸图像训练数据集以及利用图像合成的方法构建模糊人脸图像训练数据集。其中，图像合成的方法又包括：利用开源的模糊核对已有的清晰图像进行卷积运算得到模糊人脸图像，进而构建模糊人脸图像训练数据集，或者使用高速摄像机拍摄高帧率视频，然后选取视频中某段连续图像进行加权平均，进而获取模糊人脸图像，进而构建模糊人脸图像训练数据集。由此可见，上述构建模糊人脸图像训练数据集需要大量的人力成本和时间成本，另外使用高速摄像机拍摄高帧率视频，还需要保证视频的每一帧都是清晰的图像，由此导致现有的构建模糊人脸图像训练数据集的效率较低。
因此，现有的构建模糊人脸图像训练数据集的方法存在成本高、效率低的问题。
发明内容
本发明提供一种合成模糊人脸图像的方法和装置、计算机装置及存储介质，旨在解决现有的构建模糊人脸图像训练数据集的方法存在成本高、效率低的问题。
本发明第一方面提供一种合成模糊人脸图像的方法，所述方法包括：
获取清晰人脸图像；
确定惯性测量单元在采样时间段内任一时刻的位姿信息；
获取所述采样时间段内轨迹对应的模糊核样本数；
基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像。
在较优的一实施例中，所述惯性测量单元包括陀螺仪和加速度计，所述惯性测量单元的位姿信息包括所述加速度计的位置和所述陀螺仪的旋转角度，所述确定惯性测量单元在采样时间段内任一时刻的位姿信息包括：
获取所述任一时刻所述陀螺仪的角速度和所述加速度计的比力；
根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度；
根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵；
根据所述旋转矩阵、所述加速度计的比力确定所述加速度计的相对加速度；
根据所述加速度计的相对加速度获取所述任一时刻加速度计的位置。
在较优的一实施例中，所述根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵包括：
根据所述陀螺仪的旋转角度分别获取所述陀螺仪在X轴、Y轴以及Z轴的方向余弦矩阵；
根据所述陀螺仪在X轴、Y轴以及Z轴的方向余弦矩阵确定所述陀螺仪的旋转矩阵。
在较优的一实施例中，所述惯性测量单元与相机刚性连接，所述基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像包括：
根据所述陀螺仪的旋转矩阵、所述加速度计的相对加速度以及所述相机的内参矩阵确定单应矩阵；
根据所述相机的相机响应函数获取所述相机响应函数的反函数；
根据所述清晰人脸图像、所述相机的相机响应函数以及反函数、所述单应矩阵以及所述采样时间段内的模糊核样本数合成模糊人脸图像。
在较优的一实施例中，所述方法还包括：
按照预设类型噪声和预设噪声等级对所述模糊人脸图像进行加噪处理，获取加噪后的模糊人脸图像。
在较优的一实施例中，所述方法还包括：
对所述模糊人脸图像进行镜像和/或旋转处理，获取镜像和/或旋转处理后的模糊人脸图像。
本发明第二方面提供一种合成模糊人脸图像的装置，所述装置包括：
第一获取模块，用于获取清晰人脸图像；
确定模块，用于确定惯性测量单元在采样时间段内任一时刻的位姿信息；
第二获取模块，用于获取所述采样时间段内轨迹对应的模糊核样本数；
合成模块，用于基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像。
在较优的一实施例中，所述惯性测量单元包括陀螺仪和加速度计，所述惯性测量单元的位姿信息包括所述加速度计的位置和所述陀螺仪的旋转角度，所述确定模块包括：
获取单元，用于获取所述任一时刻所述陀螺仪的角速度和所述加速度计的比力；
旋转角度确定单元，用于根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度；
旋转矩阵确定单元，用于根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵；
相对加速度确定单元，用于根据所述旋转矩阵、所述加速度计的比力确定所述加速度计的相对加速度；
位置确定单元，用于根据所述加速度计的相对加速度获取所述任一时刻加速度计的位置。
本发明第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一实施例所述合成模糊人脸图像的方法。
本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述合成模糊人脸图像的方法。
在本发明中，确定惯性测量单元在采样时间段内的位姿信息，并利用惯性测量单元在采样时间段内的轨迹模拟相机或者人脸的运动轨迹，获取所述采样时间段内轨迹对应的模糊核样本数，最后基于获取的清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像，以达到扩展模糊人脸图像数据集的目的。本发明能够利用惯性测量单元在采样时间段内的轨迹，有效精细化模拟相机或者人脸的运动轨迹，进而合成模糊图像。因此，能够降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的合成模糊人脸图像的方法的实现流程图；
图2是本发明实施例提供的合成模糊人脸图像的方法中步骤S102的实现流程图；
图3是本发明实施例提供的合成模糊人脸图像的方法中步骤S104的实现流程图；
图4是本发明实施例提供的合成模糊人脸图像的装置的功能模块图；
图5是本发明实施例提供的合成模糊人脸图像的装置中第一获取模块102的结构框图；
图6是本发明实施例提供的合成模糊人脸图像的装置中合成模块104的结构框图；
图7是本发明实施例提供的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明实施例提供的合成模糊人脸图像的方法的实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，合成模糊人脸图像的方法，其包括：
步骤S101，获取清晰人脸图像。
在本发明的优选实施例中，所述清晰人脸图像可以通过图像获取设备获取，例如通过相机或者录像机拍摄的人脸图像，并从中挑选出符合清晰度或者分辨率要求的人脸图像作为清晰人脸图像。或者，还可以通过人脸图像数据库或者互联网等方式获取清晰人脸图像。其中，所述清晰的人脸图像为分辨率大于预设分辨率的人脸图像。所述预设分辨率为预先设置的图片分辨率，此处并不做特别的限定。
另外，在较优的一实施例中，可以从预设的清晰人脸图像数据集中获取清晰图像。所述清晰人脸图像数据集为预先设置的图像数据集，其中包含有预设数量的符合所述预设分辨率要求的清晰人脸图像，所述预设数量为预先设置的清晰人脸图像的数量，此处并不做特别的限制。所述清晰人脸图像数据集可以用于人脸识别神经网络的训练，因此，为便于后续人脸图像的识别，在较优的一实施例中，所述清晰人脸图像为包括标签信息的清晰人脸图像，其中，所述标签信息为用于区分不同的清晰人脸图像的标志信息。
步骤S102，确定惯性测量单元在采样时间段内任一时刻的位姿信息。
惯性测量单元(英文全称：Inertial Measurement Unit，简称IMU)是测量物体三轴姿态(或者角速度)以及加速度的装置，其通常包含陀螺仪以及加速度计等传感器，并广泛应用于导航、无人驾驶、航空航天以及智能家居等领域。另外，一个惯性测量单元内在正交的三轴上安装陀螺仪和加速度计，共计6个自由度，来测量物体在三维空间中的角速度和加速度，即通常的“6轴IMU”。一般为了保证测量的准确性，将惯性测量单元安装在被测物体的中心上。在图像识别领域，惯性测量单元作为信息采集的单元，通常安装在相机或者摄像机上。
在本发明的优选实施中，在某一时刻启动所述惯性测量单元，并进行采样，如按照配置的时间间隔进行采样，这样在所述采样时间段就有多个采样点，每个采样点对应一个时刻，相邻的两个时刻间为一个时间段，所述采样时间段内的惯性测量单元的位姿信息形成了所述惯性测量单元在所述采样时间段内的运动轨迹。所述惯性测量单元的位姿信息包括惯性测量单元的旋转角度以及加速度信息。
步骤S103，获取所述采样时间段内轨迹对应的模糊核样本数。
在确定所述惯性测量单元在所述采样时间段内的位姿信息后，即可确定所述惯性测量单元在所述采样时间段内的轨迹。其中，所述轨迹所包含的像素点的个数即为所述模糊核样本数。至此，即可获得所述惯性测量单元在所述采样时间段内的轨迹对应的模糊核样本数。
一般来讲，相机抖动具有刚体运动的特性，主要存在相机旋转和相机平移两个方面导致的图像模糊。其中，又以相机旋转导致的图像模糊为主。通过对模糊图像的分析发现，模糊核所包含的像素点的个数从一至数百个像素不等。一方面，本发明实施例中的惯性测量单元的采样频率可以达到数千赫兹，其采样频率远高于在多帧合成中使用的运动相机的有效频率，因此，惯性测量单元可以有效的精细化模拟单帧图像内的运动轨迹。另一方面，本发明实施例中采用对惯性测量单元的轨迹进行切片，获得采样时间段内惯性测量单元的位姿信息的方式，能够有效避免多帧图像合成模糊人脸图像的方法难以有效模拟大尺寸模糊核的问题。
另外，人脸的快速运动也是导致运动模糊的因素之一。通常认为，人脸在相机的曝光时间内是刚性的，模糊主要源于快速奔跑或者头部的快速转动，当人脸与相机的距离足够远(一般相机与人脸的距离超过5米)时，人脸的运动模糊是可以忽略的。当相机与人脸的距离足够近时，人脸与相机之间做相对运动，对于整个场景中人脸运动产生的模糊核，可以采用相机运动模糊的方式进行模拟。因此，在合成模糊人脸图像时，无需区别相机抖动或者是人脸运动的导致的模糊，其均可以采用本发明实施例中的惯性测量单元模拟相机或者人脸的运动轨迹。
步骤S104，基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像。
所述运动模糊模型为所述惯性测量单元在运动过程中因不同位置处的能量积累而形成模糊的运动模糊模型，其表示了清晰图像的强度值与模糊图像的强度值之间的关系，其根据获取到的清晰人脸图像以及所述惯性测量单元的位姿信息，以及在所述采样时间段内的轨迹对应的模糊和样本数合成模糊人脸图像。
在利用上述方法合成单张模糊人脸图像之后，便可根据不同的采样时间段的轨迹对应的不同的模糊核样本数以及所述清晰人脸图像数据集中不同的清晰人脸图像合成不同的模糊人脸图像，在所述清晰人脸图像数据集中的清晰人脸图像的数量足够多，以及经过不断的重复获得数量足够多的不同的模糊核样本数时，即可获得大量的模糊人脸图像，达到扩展模糊图像数据集的目的，且本发明实施例中利用惯性测量单元模拟相机或者人脸运动，进而合成模糊图像的方法，能够降低成本、提高效率。
在本发明实施例中，确定惯性测量单元在采样时间段内的位姿信息，并利用惯性测量单元在采样时间段内的轨迹模拟相机或者人脸的运动轨迹，获取所述采样时间段内轨迹对应的模糊核样本数，最后基于获取的清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像，以达到扩展模糊人脸图像数据集的目的。本发明实施例能够利用惯性测量单元在采样时间段内的轨迹，有效精细化模拟相机或者人脸的运动轨迹，进而合成模糊人脸图像，合成模糊人脸图像的方法快速且有效。因此，能够降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
通常噪声会对图像产生影响，使图像变得模糊，因此，为了进一步的扩展模糊人脸图像集中模糊人脸图像的数量，在较优的一实施例中，所述方法还包括：
按照预设类型噪声和预设噪声等级对所述模糊人脸图像进行加噪处理，获取加噪后的模糊人脸图像。
在本发明实施例中，所述预设类型噪声为预先设置的某些类型的噪声。在较优的一实施例中，所述预设类型噪声包括高斯噪声、泊松噪声以及椒盐噪声等。所述预设噪声等级为预先设置的噪声等级，例如，可按照噪声的等级由低到高或者由高到低将所述预设类型噪声划分为第一噪声等级、第二噪声等级以及第三噪声等级等等。例如，可以利用第一噪声等级的高斯噪声对合成的模糊人脸图像进行加噪处理，或者可以利用第三噪声等级的泊松噪声对合成的模糊人脸图像进行加噪处理，进而获得大量的加噪处理后的模糊人脸图像，以此扩展模糊人脸图像数据集。
为了进一步的扩展图像数据集，在较优的一实施例中，所述方法还包括：
对所述模糊人脸图像进行镜像和/或旋转处理，获取镜像和/或旋转处理后的模糊人脸图像。
图像镜像和图像旋转是图像几何变换的常见的方式。图像的几何变换改变了像素的空间位置，建立一种原图像像素与变换后图像像素之间的映射关系，除了上述图像镜像和图像旋转之外，图像几何变换还包括图像平移以及图像缩放。其中，图像的镜像又可以分为水平镜像以及垂直镜像。图像的水平镜像操作是以原图像的垂直中轴线为中心，将图像分为左右两部分镜像对称变换；图像的垂直镜像操作是以原图像的水平中轴线为中心，将图像分为上下两部分进行对称变换。图像旋转是指图像以某一点为中心旋转一定的角度，形成一幅新的图像的过程，当然这个点通常就是图像的中心。
为进一步的扩展模糊人脸图像数据集，在其它的实施例中，所述方法还包括：对所述模糊人脸图像进行平移和/或缩放处理，获取平移和/或缩放处理后的模糊人脸图像。
图2示出了本发明实施例中合成模糊人脸图像的方法中步骤S102的实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，所述惯性测量单元包括陀螺仪和加速度计，所述惯性测量单元的位姿信息包括所述加速度计的位置和所述陀螺仪的旋转角度。如图2所示，步骤S102，确定惯性测量单元在采样时间段内任一时刻的位姿信息包括：
步骤S1021，获取所述任一时刻所述陀螺仪的角速度和所述加速度计的比力。
在本发明实施例中，以6轴的惯性测量单元为例，假设所述采样时间段的起始时刻为零时刻，在t＝0时，惯性测量单元中陀螺仪的角速度和所述加速度计的比力均为零，其中，所述加速度计的比力为所述加速度计相对惯性空间的绝对加速度和引力加速度之和。
假设任一时刻用t表示，以采样时间段初始时刻零时刻时，惯性测量单元所在的点为原点，建立空间直角坐标系，则某一时刻t可以通过所述惯性测量单元的三个相互正交的方向(X方向、Y方向以及Z方向)上的自由度输出陀螺仪的角速度，假设时刻t惯性测量单元的三个自由度上的角速度分别为ωx、ωy以及ωz，为了后续描述和计算的方便，用向量的形式表示t时刻的陀螺仪的角速度其中T为向量或者矩阵的转置运算。同样，也可以获得某一时刻t可以通过所述惯性测量单元的三个相互正交的方向上加速度计的比力，假设时刻t惯性测量单元的三个自由度上的加速度计的比力分别为asx、asy以及asz，为了后续描述和计算的方便，用向量的形式表示t时刻的加速度计的比力至此，可以获得所述任一时刻陀螺仪的角速度和加速度计的比力。
步骤S1022，根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度。
假设时刻t所述陀螺仪的旋转角度用表示，陀螺仪在X方向、Y方向以及Z方向的旋转角度分量分别用α、β以及λ，则在获取到t时刻陀螺仪的角速度后，按照下述公式，即可获得t时刻所述陀螺仪的旋转角度：
其中，表示时刻t所述陀螺仪的旋转角度，表示t时刻的陀螺仪的角速度，Δt表示所述惯性测量单元的采样时间间隔，在较优的一实施例中，Δt的取值范围为0.001至0.002。
步骤S1023，根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵。
在较优的一实施例中，步骤S1023，根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵包括：
根据所述陀螺仪的旋转角度分别获取所述陀螺仪在X轴、Y轴以及Z轴的方向余弦矩阵。
由上述可知，陀螺仪在X方向、Y方向以及Z方向的旋转角度分量分别为α、β以及λ，假设所述陀螺仪绕X轴、Y轴以及Z轴旋转的方向余弦矩阵分别用Rx(t)、Ry(t)以及Rz(t)表示，则可以得知：
由此，可以获得所述陀螺仪绕X轴、Y轴以及Z轴旋转的方向余弦矩阵。
根据所述陀螺仪在X轴、Y轴以及Z轴的方向余弦矩阵确定所述陀螺仪的旋转矩阵。
假设所述陀螺仪的旋转矩阵用Rθ(t)表示，则可以根据下述公式确定所述陀螺仪的旋转矩阵Rθ(t)：
Rθ(t)＝Rx(t)·Ry(t)·Rz(t)；
其中，Rθ(t)为所述陀螺仪的旋转矩阵，Rx(t)、Ry(t)以及Rz(t)分别为所述陀螺仪绕X轴、Y轴以及Z轴旋转的方向余弦矩阵。
步骤S1024，根据所述旋转矩阵、所述加速度计的比力确定所述加速度计的相对加速度。
由于所述加速度计会受到重力加速度的影响，假设所述惯性测量单元相对于场景的相对加速度用表示，其中，ax、ay以及az分别为所述加速度计在X轴、Y轴以及Z轴相对于场景的相对加速度分量，在确定陀螺仪的旋转矩阵以及所述加速度计的比力后，即可根据下述公式确定所述加速度计的相对加速度
其中，表示所述加速度计的相对加速度，表示t时刻的加速度计的比力，表示重力加速度，Rθ(t)表示所述陀螺仪的旋转矩阵，表示所述加速度计到旋转中心的向量，表示t时刻的陀螺仪的角速度。
另外，鉴于以及相对于和是较小的量，在计算时可以忽略不计。因此，在这样的情况下，所述加速度计的相对加速度可以表示为：
步骤S1025，根据所述加速度计的相对加速度获取所述任一时刻加速度计的位置。
假设t时刻加速度计的位置用表示，其中，x(t)、y(t)以及z(t)分别为t时刻加速度计在X轴、Y轴以及Z轴的位置分量。在获取到上述加速度计的相对加速度后，即可根据下述公式确定加速度计在所述任一时刻，即t时刻加速度计的位置
其中，表示t时刻加速度计的位置，表示加速度计在t时刻的速度，表示加速度计在t＝0时刻的初速度，在本发明实施例中，加速度计在t＝0时刻的初速度为零，ts表示t时刻与t＝0的零时刻的时间差值，表示t时刻的加速度计的比力，表示重力加速度。
至此，获得t时刻所述陀螺仪的旋转角度Rθ(t)以及所述加速度计的位置即获得了所述惯性测量单元的位姿信息。
在本发明实施例中，惯性测量单元包括陀螺仪和加速度计，可以根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度，进而进一步确定加速度计的位置，并通过加速度计的位置和陀螺仪的旋转角度表示惯性测量单元的位姿信息。本发明实施例利用上述方法确定惯性测量单元的位姿信息，可以进一步的降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
图3示出了本发明实施例合成模糊人脸图像的方法中步骤S104的实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，所述惯性测量单元与相机刚性连接，即说明所述惯性测量单元与所述相机相对位置固定，两者之间不存在相对运动。
如图3所示，步骤S104，基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像包括：
步骤S1041，根据所述陀螺仪的旋转矩阵、所述加速度计的位置以及所述相机的内参矩阵确定单应矩阵。
所述相机的内参矩阵可以根据相机的配置参数获得，假设相机的内参矩阵用K表示，通常相机的内参矩阵K为：
其中，f为相机的焦距，(x0，y0)为相机光轴与像平面的交点坐标，具体可参阅相关现有技术，此处不再详细赘述。单应矩阵表示不同时刻成像之间的投影变换，假设单应矩阵用H表示，则在获得所述陀螺仪的旋转矩阵Rθ(t)、所述加速度计的位置以及相机的内参矩阵K之后，即可根据下述公式确定单应矩阵H：
其中，H表示单应矩阵，K表示相机的内参矩阵，K-1为相机的内参矩阵的逆矩阵，物距d表示平面场景到相机的距离，为平面场景的单位法向量，Rθ(t)表示所述陀螺仪的旋转矩阵，表示所述加速度计的位置。其中，物距d可以根据具体的应用场景进行设定，例如，在某一应用场景将物距d设定为2米或者在另一应用场景将物距d设置为3米。
步骤S1042，根据所述相机的相机响应函数获取所述相机响应函数的反函数。
相机响应函数(英文全称：Camera Response Function，简称CRF)存在于图像的形成过程中，是辐照度到图像强度的映射，是将图像辐照度映射到图像强度的非线性函数，在此，获取所述相机响应函数CRF的反函数CRF-1。通常为了简化计算模型，在多数的情况下，可以采用伽马函数近似相机响应函数。
步骤S1043，根据所述清晰人脸图像、所述相机的相机响应函数以及反函数、所述单应矩阵以及所述采样时间段内的模糊核样本数合成模糊人脸图像。
在合成模糊人脸图像时，可以根据下述运动模糊模型的公式合成模糊人脸图像：
其中，B(x)表示模糊图像，H为单应矩阵，CRF为相机响应函数，CRF-1为相机响应函数CRF的反函数，M为模糊核样本数，x表示清晰图像中像素点的坐标，L(Hx)表示根据单应矩阵及清晰图像中每个像素点的坐标，对所述清晰图像进行坐标变换后的图像强度值。
在本发明实施例中，通过惯性测量单元以及相机的内参矩阵获得单应矩阵，并利用相机响应函数、以及将清晰图像和模糊图像关联起来的运动模糊模型合成模糊人脸图。本发明实施例可以利用惯性测量单元在采样时间段内的轨迹模拟相机或者人脸的运动轨迹，进而利用运动模糊模型合成模糊人脸图像，因此，本发明实施例可以进一步的降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
图4示出了本发明实施例提供的合成模糊人脸图像的装置的功能模块，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图4，所述合成模糊人脸图像的装置10所包括的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述合成模糊人脸图像的装置10包括第一获取模块101、确定模块102、第二获取模块103以及合成模块104。
所述第一获取模块101，用于获取清晰人脸图像。
所述确定模块102，用于确定惯性测量单元在采样时间段内任一时刻的位姿信息。
所述第二获取模块103，用于获取所述采样时间段内轨迹对应的模糊核样本数。
所述合成模块104，用于基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像。
在本发明实施例中，确定模块102确定惯性测量单元在采样时间段内的位姿信息，并利用惯性测量单元在采样时间段内的轨迹模拟相机或者人脸的运动轨迹，第二获取模块103获取所述采样时间段内轨迹对应的模糊核样本数，最后合成模块104基于获取的清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像，以达到扩展模糊人脸图像数据集的目的。本发明实施例能够利用惯性测量单元在采样时间段内的轨迹，有效精细化模拟相机或者人脸的运动轨迹，进而合成模糊人脸图像，合成模糊人脸图像的方法快速且有效。因此，能够降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
在较优的一实施例中，在上述图1所示的基础上，所述合成模糊人脸图像的装置10还包括加噪模块和镜像和/或旋转模块。
所述加噪模块，用于按照预设类型噪声和预设噪声等级对所述模糊人脸图像进行加噪处理，获取加噪后的模糊人脸图像。
所述镜像和/或旋转模块，用于对所述模糊人脸图像进行镜像和/或旋转处理，获取镜像和/或旋转处理后的模糊人脸图像。
图5示出了本发明实施例提供的合成模糊人脸图像的装置中确定模块102的结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，参考图5，所述确定模块102所包括的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述确定模块102包括获取单元1021、旋转角度确定单元1022、旋转矩阵确定单元1023、相对加速度确定单元1024以及位置确定单元1025。
所述获取单元1021，用于获取所述任一时刻所述陀螺仪的角速度和所述加速度计的比力。
所述旋转角度确定单元1022，用于根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度。
所述旋转矩阵确定单元1023，用于根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵。
所述相对加速度确定单元1024，用于根据所述旋转矩阵、所述加速度计的比力确定所述加速度计的相对加速度。
所述位置确定单元1025，用于根据所述加速度计的相对加速度获取所述任一时刻加速度计的位置。
在本发明实施例中，惯性测量单元包括陀螺仪和加速度计，旋转角度确定单元1022可以根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度，进而位置确定单元1025确定加速度计的位置，并通过加速度计的位置和陀螺仪的旋转角度表示惯性测量单元的位姿信息。本发明实施例利用上述方法确定惯性测量单元的位姿信息，可以进一步的降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
图6示出了本发明实施例提供的合成模糊人脸图像的装置中合成模块104的结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，参考图6，所述合成模块104所包括的各个单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述合成模块104包括单应矩阵确定单元1041、反函数确定单元1042以及合成单元1043。
所述单应矩阵确定单元1041，用于根据所述陀螺仪的旋转矩阵、所述加速度计的相对加速度以及所述相机的内参矩阵确定单应矩阵。
所述反函数确定单元1042，用于根据所述相机的相机响应函数获取所述相机响应函数的反函数。
所述合成单元1043，用于根据所述清晰人脸图像、所述相机的相机响应函数以及反函数、所述单应矩阵以及所述采样时间段内的模糊核样本数合成模糊人脸图像。
在本发明实施例中，单应矩阵确定单元1041通过惯性测量单元以及相机的内参矩阵获得单应矩阵，合成单元1043利用相机响应函数、以及将清晰图像和模糊图像关联起来的运动模糊模型合成模糊人脸图。本发明实施例可以利用惯性测量单元在采样时间段内的轨迹模拟相机或者人脸的运动轨迹，进而利用运动模糊模型合成模糊人脸图像，因此，本发明实施例可以进一步的降低扩展模糊人脸图像数据集的成本，提高扩展模糊人脸图像数据集的效率。
图7是本发明实施例提供的实现合成模糊人脸图像的方法的较佳实施例的计算机装置1的结构示意图。如图7所示，计算机装置1包括存储器11、处理器12及输入输出设备13。
所述计算机装置1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机装置1可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。所述计算机装置1可以是服务器，所述服务器包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述计算机装置1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
存储器11用于存储合成模糊人脸图像的方法的程序和各种数据，并在计算机装置1运行过程中实现高速、自动地完成程序或数据的存取。存储器11可以是计算机装置1的外部存储设备和/或内部存储设备。进一步地，存储器11可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储设备)、FIFO(First InFirst Out，)等，或者，存储器11也可以是具有实物形式的存储设备，如内存条、TF卡(Trans-flash Card)等等。
处理器12可以是中央处理器(CPU，Central Processing Unit)。CPU是一块超大规模的集成电路，是计算机装置1的运算核心(Core)和控制核心(Control Unit)。处理器12可执行计算机装置1的操作系统以及安装的各类应用程序、程序代码等，例如执行合成模糊人脸图像的装置10中的各个模块或者单元中的操作系统以及安装的各类应用程序、程序代码，以实现合成模糊人脸图像的方法。
输入输出设备13主要用于实现计算机装置1的输入输出功能，比如收发输入的数字或字符信息，或显示由用户输入的信息或提供给用户的信息以及计算机装置1的各种菜单。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上说明的本发明的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述合成模糊人脸图像的方法的功能。即，本发明的集成电路安装于所述计算机装置1中，使所述计算机装置1发挥如下功能：
获取清晰人脸图像；
确定惯性测量单元在采样时间段内任一时刻的位姿信息；
获取所述采样时间段内轨迹对应的模糊核样本数；
基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像。
在任意实施例中所述合成模糊人脸图像的方法所能实现的功能都能通过本发明的集成电路安装于所述计算机装置1中，使所述计算机装置1发挥任意实施例中所述合成模糊人脸图像的方法所能实现的功能，在此不再详述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种合成模糊人脸图像方法，其特征在于，所述方法包括：
获取清晰人脸图像；
确定惯性测量单元在采样时间段内任一时刻的位姿信息，所述采样时间段内的惯性测量单元的位姿信息形成了所述惯性测量单元在所述采样时间段内的人脸的运动轨迹，其中，所述惯性测量单元包括陀螺仪和加速度计，所述惯性测量单元的位姿信息包括所述加速度计的位置和所述陀螺仪的旋转角度，所述确定惯性测量单元在采样时间段内任一时刻的位姿信息包括：获取所述任一时刻所述陀螺仪的角速度和所述加速度计的比力；根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度；根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵；根据所述旋转矩阵、所述加速度计的比力确定所述加速度计的相对加速度；根据所述加速度计的相对加速度获取所述任一时刻加速度计的位置；
获取所述采样时间段内人脸的运动轨迹对应的模糊核样本数；
基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内人脸的运动轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像，包括：根据所述陀螺仪的旋转矩阵、所述加速度计的相对加速度以及相机的内参矩阵确定单应矩阵；根据所述相机的相机响应函数获取所述相机响应函数的反函数；根据所述清晰人脸图像、所述相机的相机响应函数以及反函数、所述单应矩阵以及所述采样时间段内的模糊核样本数合成模糊人脸图像。
2.如权利要求1所述的方法，其特征在于，所述根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵包括：
根据所述陀螺仪的旋转角度分别获取所述陀螺仪在X轴、Y轴以及Z轴的方向余弦矩阵；
根据所述陀螺仪在X轴、Y轴以及Z轴的方向余弦矩阵确定所述陀螺仪的旋转矩阵。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
按照预设类型噪声和预设噪声等级对所述模糊人脸图像进行加噪处理，获取加噪后的模糊人脸图像。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述模糊人脸图像进行镜像和/或旋转处理，获取镜像和/或旋转处理后的模糊人脸图像。
5.一种合成模糊人脸图像的装置，其特征在于，所述装置包括：
第一获取模块，用于获取清晰人脸图像；
确定模块，用于确定惯性测量单元在采样时间段内任一时刻的位姿信息，所述采样时间段内的惯性测量单元的位姿信息形成了所述惯性测量单元在所述采样时间段内的人脸的运动轨迹，其中，所述惯性测量单元包括陀螺仪和加速度计，所述惯性测量单元的位姿信息包括所述加速度计的位置和所述陀螺仪的旋转角度，所述确定模块包括：获取单元，用于获取所述任一时刻所述陀螺仪的角速度和所述加速度计的比力；旋转角度确定单元，用于根据所述陀螺仪的角速度确定所述陀螺仪的旋转角度；旋转矩阵确定单元，用于根据所述陀螺仪的旋转角度确定所述陀螺仪的旋转矩阵；相对加速度确定单元，用于根据所述旋转矩阵、所述加速度计的比力确定所述加速度计的相对加速度；位置确定单元，用于根据所述加速度计的相对加速度获取所述任一时刻加速度计的位置；
第二获取模块，用于获取所述采样时间段内人脸的运动轨迹对应的模糊核样本数；
合成模块，用于基于所述清晰人脸图像、所述任一时刻的位姿信息、所述采样时间段内人脸的运动轨迹对应的模糊核样本数，利用运动模糊模型合成模糊人脸图像，包括：根据所述陀螺仪的旋转矩阵、所述加速度计的相对加速度以及相机的内参矩阵确定单应矩阵；根据所述相机的相机响应函数获取所述相机响应函数的反函数；根据所述清晰人脸图像、所述相机的相机响应函数以及反函数、所述单应矩阵以及所述采样时间段内的模糊核样本数合成模糊人脸图像。
6.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-4中任意一项所述合成模糊人脸图像的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述合成模糊人脸图像的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711481615.0A CN108073909B (zh) | 2017-12-29 | 2017-12-29 | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711481615.0A CN108073909B (zh) | 2017-12-29 | 2017-12-29 | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108073909A CN108073909A (zh) | 2018-05-25 |
| CN108073909B true CN108073909B (zh) | 2019-10-25 |
Family
ID=62156200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711481615.0A Active CN108073909B (zh) | 2017-12-29 | 2017-12-29 | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108073909B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035167B (zh) * | 2018-07-17 | 2021-05-18 | 北京新唐思创教育科技有限公司 | 对图像中的多个人脸进行处理的方法、装置、设备和介质 |
| CN109635680B (zh) * | 2018-11-26 | 2021-07-06 | 深圳云天励飞技术有限公司 | 多任务属性识别方法、装置、电子设备及存储介质 |
| CN110648285A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 基于惯性测量装置下的快速运动去模糊的方法 |
| CN110992395B (zh) * | 2019-11-01 | 2023-08-18 | 北京达佳互联信息技术有限公司 | 图像训练样本的生成方法及装置、运动跟踪方法及装置 |
| CN111861963B (zh) * | 2020-07-28 | 2023-08-01 | 平安科技（深圳）有限公司 | 图像合成方法及相关设备 |
| CN113034404A (zh) * | 2021-04-20 | 2021-06-25 | 北京大学深圳研究生院 | 一种基于多尺度对抗学习的交通图像去模糊方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392409A (zh) * | 2014-12-01 | 2015-03-04 | 厦门美图之家科技有限公司 | 一种图像美容的加速方法 |
| CN105894506A (zh) * | 2016-03-30 | 2016-08-24 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
| CN106295585A (zh) * | 2016-08-16 | 2017-01-04 | 深圳云天励飞技术有限公司 | 一种兼顾实时性及人脸质量的过滤选择方法及系统 |
| CN106529494A (zh) * | 2016-11-24 | 2017-03-22 | 深圳市永达电子信息股份有限公司 | 一种基于多摄像头机型的人脸识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060140445A1 (en) * | 2004-03-22 | 2006-06-29 | Cusack Francis J Jr | Method and apparatus for capturing digital facial images optimally suited for manual and automated recognition |
-
2017
- 2017-12-29 CN CN201711481615.0A patent/CN108073909B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392409A (zh) * | 2014-12-01 | 2015-03-04 | 厦门美图之家科技有限公司 | 一种图像美容的加速方法 |
| CN105894506A (zh) * | 2016-03-30 | 2016-08-24 | 深圳云天励飞技术有限公司 | 一种人脸图像模糊度计算方法及装置 |
| CN106295585A (zh) * | 2016-08-16 | 2017-01-04 | 深圳云天励飞技术有限公司 | 一种兼顾实时性及人脸质量的过滤选择方法及系统 |
| CN106529494A (zh) * | 2016-11-24 | 2017-03-22 | 深圳市永达电子信息股份有限公司 | 一种基于多摄像头机型的人脸识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108073909A (zh) | 2018-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108073909B (zh) | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 | |
| CN103703758B (zh) | 移动增强现实系统 | |
| CN108062776B (zh) | 相机姿态跟踪方法和装置 | |
| US10354397B2 (en) | Methods and apparatus for modeling deformations of an object | |
| US10846836B2 (en) | View synthesis using deep convolutional neural networks | |
| CN109840586A (zh) | 自主机器中对有问题的传感器的基于深度学习的实时检测和校正 | |
| CN110457414A (zh) | 离线地图处理、虚拟对象显示方法、装置、介质和设备 | |
| CN110288547A (zh) | 用于生成图像去噪模型的方法和装置 | |
| JP2016218999A (ja) | ターゲット環境の画像内に表現されたオブジェクトを検出するように分類器をトレーニングする方法およびシステム | |
| CN109242913A (zh) | 采集器相对参数的标定方法、装置、设备和介质 | |
| CN109242961A (zh) | 一种脸部建模方法、装置、电子设备和计算机可读介质 | |
| CN113822977A (zh) | 图像渲染方法、装置、设备以及存储介质 | |
| JP2021111380A (ja) | 入力映像に含まれた客体の３次元ポーズの推定のためのデータを生成する方法、コンピュータシステムおよび推論モデルを構築する方法 | |
| CN109298629A (zh) | 用于为自主和非自主位置意识提供鲁棒跟踪的容错 | |
| KR20180082170A (ko) | 3차원 얼굴 모델 획득 방법 및 시스템 | |
| CN107341442A (zh) | 运动控制方法、装置、计算机设备和服务机器人 | |
| WO2016153388A1 (ru) | Способ отображения объекта | |
| US10846934B2 (en) | Camera-based object tracking and monitoring | |
| CN110874818A (zh) | 图像处理和虚拟空间构建方法、装置、系统和存储介质 | |
| CN109255749A (zh) | 自主和非自主平台中的地图构建优化 | |
| CN112927362A (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
| CN109040525B (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
| CN115769260A (zh) | 基于光度测量的3d对象建模 | |
| CN111508033A (zh) | 相机参数确定方法、图像处理方法、存储介质及电子装置 | |
| Lan et al. | Development of a virtual reality teleconference system using distributed depth sensors |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |