CN108629319B - 图像检测方法及系统 - Google Patents

图像检测方法及系统 Download PDF

Info

Publication number
CN108629319B
CN108629319B CN201810439250.3A CN201810439250A CN108629319B CN 108629319 B CN108629319 B CN 108629319B CN 201810439250 A CN201810439250 A CN 201810439250A CN 108629319 B CN108629319 B CN 108629319B
Authority
CN
China
Prior art keywords
image
portrait
target
detection
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810439250.3A
Other languages
English (en)
Other versions
CN108629319A (zh
Inventor
傅天晓
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 Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201810439250.3A priority Critical patent/CN108629319B/zh
Publication of CN108629319A publication Critical patent/CN108629319A/zh
Application granted granted Critical
Publication of CN108629319B publication Critical patent/CN108629319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本公开实施例提供了一种图像检测方法、图像检测系统、计算机设备及计算机可读存储介质，应用于移动应用技术领域，其中，图像检测方法包括：接收图像采集装置采集的人像图像；将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和/或目标检测模型；当神经网络模型包括目标分割模型时，利用目标分割模型获取人像图像中的特定区域的属性信息；和/或当神经网络模型包括目标检测模型时，利用目标检测模型检测人像图像中是否存在目标对象；及判断人像图像是否满足预设标准。本公开实施例提供的图像检测方法，通过采用神经网络模型，可针对不同的识别需求自动识别采集到的人像图像，提高了图像识别性能，提高了检测效率和便利性。

Description

图像检测方法及系统
技术领域
本公开实施例涉及移动应用技术领域，具体而言，涉及一种图像检测方法、一种图像检测系统、一种计算机设备及一种计算机可读存储介质。
背景技术
目前，服务业蓬勃发展，服务提供商常常会对服务人员外观有一定的要求，以确保其符合服务标准。在服务人员众多并分散的情况下要有效地检查合规性并不简单。相关技术中，车辆服务提供商通过跨地理区域的各种车辆驾驶员提供打车等服务，这些驾驶员需要在顾客面前以专业的妆容和服装出现。例如，司机必须穿制服，不能戴过多的首饰，也不能染发。在现有情况下，司机往往上班前被定时召集，由主管目测检查。此方法费时又费力，特别是当驾驶员分散在不同的位置时，非常低效。
发明内容
本公开实施例旨在至少解决现有技术或相关技术中存在的技术问题之一
为此，本公开实施例的第一方面在于，提出一种图像检测方法。
本公开实施例的第二方面在于，提出一种图像检测系统。
本公开实施例的第三方面在于，提出一种计算机设备。
本公开实施例的第四方面在于，提出一种计算机可读存储介质。
有鉴于此，根据本公开实施例的第一方面，提供了一种图像检测方法，包括：接收图像采集装置采集的人像图像；将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和/或目标检测模型；当神经网络模型包括目标分割模型时，利用目标分割模型获取人像图像中的特定区域的属性信息；和/或当神经网络模型包括目标检测模型时，利用目标检测模型检测人像图像中是否存在目标对象；及判断人像图像是否满足预设标准。
本公开实施例提供的图像检测方法，采用了神经网络(NN，Neural Network)模型，神经网络是一种模拟人类实际神经网络的数学方法，由大量的、简单的处理单元(称为神经元)广泛地互相连接而成，神经网络模型则以神经元的数学模型为基础，由网络拓扑、节点特点和学习规则来表示，应用于图像识别时，则以卷积神经网络(CNN，ConvolutionalNeural Network)模型为主，并在其基础上发展出了多种模型，包括目标分割(targetsegmentation)模型和目标检测(target detection)模型，分别用于分割图像区域和从图像中检测指定物体。卷积神经网络模型的多层结构能自动学习多个层次的特征，较浅的卷积层感知域小，可学习局部特征，较深的卷积层感知域大，可学习抽象特征，有助于满足不同的图像识别需求。本申请限定的图像检测方法，通过采用神经网络模型，可针对不同的识别需求自动识别采集到的人像图像，提高了图像识别性能，不必集合被测人员进行人工检测，提高了检测效率和便利性。针对不同的检测目标选用合理的模型，在需了解特定区域的属性时，利用目标分割模型分割出该特定区域，在需了解图像中是否存在目标对象时，则利用目标检测模型对人像图像加以检测，最后总结识别结果，即可确认人像图像是否满足预设标准，提高了识别效率和准确度。
另外，根据本公开实施例提供的上述技术方案中的图像检测方法，还可以具有如下附加技术特征：
在上述技术方案中，优选地，利用目标分割模型获取人像图像中的特定区域的属性信息的操作具体包括：分割人像图像，得到背景区域和多个人像区域；获取特定的人像区域的属性信息。
在该技术方案中，通过将人像图像划分成不同区域并加以筛选，可过滤背景区域，并根据检测需求确定出特定的人像区域，获取其属性信息，从而判断该人像区域对应的人物装容是否满足预设标准，便于自动检测人像图像中的人物的装容。
在上述任一技术方案中，优选地，当神经网络模型包括目标分割模型和目标检测模型时，利用目标检测模型检测人像图像中是否存在目标对象的操作具体包括：从多个人像区域中选择部分人像区域作为候选区域；检测候选区域中是否存在目标对象。
在该技术方案中，当同时使用目标分割模型和目标检测模型时，在目标分割模型的处理结果基础上，选择部分人像区域作为候选区域，仅针对候选区域进行目标检测，一方面减少了计算量和计算压力，提高了检测效率，另一方面，针对目标对象会出现的区域进行检测，避免了将其他区域的物体判定为目标对象，即避免了误判，从而提高了图像检测的准确度。如在上衣区域检测是否存在领带，在颈部区域、手臂区域、双手区域检测是否存在首饰。
在上述任一技术方案中，优选地，利用目标检测模型检测人像图像中是否存在目标对象的操作具体包括：在人像图像中确定多个候选框；提取每个候选框中的像素点的图像特征；调用分类器对全部图像特征进行分类，以判定候选框中的全部图像特征是否属于同一类别，一个类别对应一种目标对象；根据分类器的处理结果调整候选框。
在该技术方案中，通过分类器对候选框内的图像特征进行分类，可检测是否存在相应类别的目标对象，又根据分类器的处理结果调整候选框的位置和大小，可以使得检测结果的定位更精确，提高了检测质量。当同时使用目标分割模型和目标检测模型时，则在候选区域中确定候选框，减小了计算量。
在上述任一技术方案中，优选地，当神经网络模型包括目标检测模型时，在接收图像采集装置采集的人像图像的步骤之前，还包括：将多个带标记的训练样本图像输入目标检测模型中，标记用于标注相应的训练样本图像中的物体的类别；在训练样本图像中确定多个候选框；提取每个候选框中的像素点的图像特征；调用分类器识别训练样本图像中的图像特征，并关联存储图像特征和标记。
在该技术方案中，训练样本图像上带有标记，以标注图像中的物体的类别，通过将带标记的训练样本图像输入目标检测模型中识别，可在目标检测模型中存储相关联的图像特征和标记，达到训练目标检测模型完成自学习的目的，经过训练的目标检测模型就可以用于检测前述人像图像中是否存在与标记相对应的物体，即目标对象。
在上述任一技术方案中，优选地，在判断人像图像是否满足预设标准的操作之后，还包括：当人像图像满足预设标准时，输出合格信息；当人像图像中存在不满足预设标准的不合格内容时，输出不合格信息和不合格内容。
在该技术方案中，根据人像图像是否满足预设标准确定输出合格信息或不合格信息，可输出检测结果，便于留档和人机交互；一旦人像图像中存在不合格内容时，即确定人像图像不满足预设标准，此时将不合格内容一并输出，保证了留档数据充分，便于相关人员进行后续处理。
在上述任一技术方案中，优选地，目标对象包括标准内对象和/或标准外对象；预设标准包括对特定区域的属性信息的要求和/或存在标准内对象和/或不存在标准外对象；不合格内容包括不满足预设标准的特定区域的属性信息和/或不存在的标准内对象和/或存在的标准外对象。
在该技术方案中，根据检测需求将目标对象划分为标准内对象和标准外对象，分别对应于规定必须存在的物体，如领带，和规定不可存在的物体，如项链、手镯，也可仅存在其中单独一类。针对不同类型的目标对象，预设标准相应包括存在标准内对象和不存在标准外对象，不合格内容相应包括不存在的标准内对象和存在的标准外对象，实现了对具体物体有无的检测，一方面有助于检测人像图像中的人物是否穿着规定的服装或佩戴规定的物品，另一方面有助于检测人像图像中的人物是否穿着不符合规定的服装或佩戴不符合规定的物品。此外，预设标准还包括对特定区域的属性信息的要求，即针对分割所得的特定区域，规定其应有属性，若特定区域的属性信息与预设标准不符，则该属性信息属于不合格内容。通过以上划分，明确了在不同检测需求时的预设标准和不合格内容，便于清楚判定检测结果。
根据本公开实施例的第二方面，提供了一种图像检测系统，包括：接收模块，用于接收图像采集装置采集的人像图像；输入模块，用于将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和/或目标检测模型；分割模块，用于当神经网络模型包括目标分割模型时，利用目标分割模型获取人像图像中的特定区域的属性信息；和/或检测模块，用于当神经网络模型包括目标检测模型时，利用目标检测模型检测人像图像中是否存在目标对象；及判断模块，用于判断人像图像是否满足预设标准。
本公开实施例提供的图像检测系统，采用了神经网络(NN，Neural Network)模型，神经网络是一种模拟人类实际神经网络的数学方法，由大量的、简单的处理单元(称为神经元)广泛地互相连接而成，神经网络模型则以神经元的数学模型为基础，由网络拓扑、节点特点和学习规则来表示，应用于图像识别时，则以卷积神经网络(CNN，ConvolutionalNeural Network)模型为主，并在其基础上发展出了多种模型，包括目标分割(targetsegmentation)模型和目标检测(target detection)模型，分别用于分割图像区域和从图像中检测指定物体。卷积神经网络模型的多层结构能自动学习多个层次的特征，较浅的卷积层感知域小，可学习局部特征，较深的卷积层感知域大，可学习抽象特征，有助于满足不同的图像识别需求。本申请限定的图像检测系统，输入模块将接收模块采集到的人像图像输入神经网络模型，可针对不同的识别需求自动识别人像图像，提高了图像识别性能，不必集合被测人员进行人工检测，提高了检测效率和便利性。针对不同的检测目标选用合理的模型，在需了解特定区域的属性时，分割模块利用目标分割模型分割出该特定区域，在需了解图像中是否存在目标对象时，检测模块则利用目标检测模型对人像图像加以检测，最后判断模块总结识别结果，即可确认人像图像是否满足预设标准，提高了识别效率和准确度。
另外，根据本公开实施例提供的上述技术方案中的图像检测系统，还可以具有如下附加技术特征：
在上述技术方案中，优选地，分割模块包括：分割单元，用于分割人像图像，得到背景区域和多个人像区域；获取单元，用于获取特定的人像区域的属性信息。
在该技术方案中，分割单元将人像图像划分成不同区域，获取单元可过滤背景区域，并根据检测需求确定出特定的人像区域，获取其属性信息，从而判断该人像区域对应的人物装容是否满足预设标准，便于自动检测人像图像中的人物的装容。
在上述任一技术方案中，优选地，检测模块包括：第一候选单元，用于从多个人像区域中选择部分人像区域作为候选区域；第一检测单元，用于检测候选区域中是否存在目标对象。
在该技术方案中，当同时使用目标分割模型和目标检测模型时，第一候选单元在目标分割模型的处理结果基础上，选择部分人像区域作为候选区域，第一检测单元仅针对候选区域进行目标检测，一方面减少了计算量和计算压力，提高了检测效率，另一方面，针对目标对象会出现的区域进行检测，避免了将其他区域的物体判定为目标对象，即避免了误判，提高了图像检测的准确度。
在上述任一技术方案中，优选地，检测模块包括：第二候选单元，用于在人像图像中确定多个候选框；第一提取单元，用于提取每个候选框中的像素点的图像特征；分类单元，用于调用分类器对全部图像特征进行分类，以判定候选框中的全部图像特征是否属于同一类别，一个类别对应一种目标对象；调整单元，用于根据分类器的处理结果调整候选框。
在该技术方案中，分类单元调用分类器，对第一提取单元从第二候选单元确定的候选框内提取的图像特征进行分类，可检测是否存在相应类别的目标对象，调整单元又根据分类器的处理结果调整候选框的位置和大小，可以使得检测结果的定位更精确，提高了检测质量。当同时使用目标分割模型和目标检测模型时，则在候选区域中确定候选框，减小了计算量。
在上述任一技术方案中，优选地，当神经网络模型包括目标检测模型时，图像检测系统还包括训练模块，训练模块包括：输入单元，用于将多个带标记的训练样本图像输入目标检测模型中，标记用于标注相应的训练样本图像中的物体的类别；第三候选单元，用于在训练样本图像中确定多个候选框；第二提取单元，用于提取每个候选框中的像素点的图像特征；存储单元，用于调用分类器识别训练样本图像中的图像特征，并关联存储图像特征和标记。
在该技术方案中，训练样本图像上带有标记，以标注图像中的物体的类别，输入单元将带标记的训练样本图像输入目标检测模型中，经第三候选单元和第二提取单元识别后，存储单元可在目标检测模型中存储相关联的图像特征和标记，达到训练目标检测模型完成自学习的目的，经过训练的目标检测模型就可以用于检测前述人像图像中是否存在与标记相对应的物体，即目标对象。
在上述任一技术方案中，优选地，还包括：第一输出模块，用于当人像图像满足预设标准时，输出合格信息；第二输出模块，用于当人像图像中存在不满足预设标准的不合格内容时，输出不合格信息和不合格内容。
在该技术方案中，第一输出模块和第二输出模块根据人像图像是否满足预设标准确定输出合格信息或不合格信息，可输出检测结果，便于留档和人机交互；一旦人像图像中存在不合格内容时，即确定人像图像不满足预设标准，此时第二输出模块将不合格内容一并输出，保证了留档数据充分，便于相关人员进行后续处理。
在上述任一技术方案中，优选地，目标对象包括标准内对象和/或标准外对象；预设标准包括对特定区域的属性信息的要求和/或存在标准内对象和/或不存在标准外对象；不合格内容包括不满足预设标准的特定区域的属性信息和/或不存在的标准内对象和/或存在的标准外对象。
在该技术方案中，根据检测需求将目标对象划分为标准内对象和标准外对象，分别对应于规定必须存在的物体，如领带，和规定不可存在的物体，如项链、手镯，也可仅存在其中单独一类。针对不同类型的目标对象，预设标准相应包括存在标准内对象和不存在标准外对象，不合格内容相应包括不存在的标准内对象和存在的标准外对象，实现了对具体物体有无的检测，一方面有助于检测人像图像中的人物是否穿着规定的服装或佩戴规定的物品，另一方面有助于检测人像图像中的人物是否穿着不符合规定的服装或佩戴不符合规定的物品。此外，预设标准还包括对特定区域的属性信息的要求，即针对分割所得的特定区域，规定其应有属性，若特定区域的属性信息与预设标准不符，则该属性信息属于不合格内容。通过以上划分，明确了在不同检测需求时的预设标准和不合格内容，便于清楚判定检测结果。
根据本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述任一技术方案所述的图像检测方法的步骤。
本公开实施例提供的计算机设备，在处理器执行计算机程序时可实现上述任一技术方案所述的图像检测方法，因而具备上述任一技术方案所述的图像检测方法的全部技术效果，在此不再赘述。
根据本公开实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一技术方案所述的图像检测方法的步骤。
本公开实施例提供的计算机可读存储介质，在计算机程序被处理器执行时可实现上述任一技术方案所述的图像检测方法，因而具备上述任一技术方案所述的图像检测方法的全部技术效果，在此不再赘述。
本公开实施例的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开实施例的实践了解到。
附图说明
本公开实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本公开实施例的第一个实施例的图像检测方法的示意流程图；
图2示出了根据本公开实施例的第二个实施例的图像检测方法的示意流程图；
图3示出了根据本公开实施例的第三个实施例的图像检测方法的示意流程图；
图4示出了根据本公开实施例的第四个实施例的图像检测方法的示意流程图；
图5示出了根据本公开实施例的第五个实施例的图像检测方法的示意流程图；
图6示出了根据本公开实施例的第六个实施例的图像检测方法的示意流程图；
图7示出了根据本公开实施例的第一个实施例的图像检测系统的示意框图；
图8示出了根据本公开实施例的第二个实施例的图像检测系统的示意框图；
图9示出了根据本公开实施例的第三个实施例的图像检测系统的示意框图；
图10示出了根据本公开实施例的第四个实施例的图像检测系统的示意框图；
图11示出了根据本公开实施例的第五个实施例的图像检测系统的示意框图；
图12示出了根据本公开实施例的第六个实施例的图像检测系统的示意框图；
图13示出了根据本公开实施例的一个实施例的计算机设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开实施例的上述目的、特征和优点，下面结合附图和具体实施方式对本公开实施例进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开实施例，但是，本公开实施例还可以采用其他不同于在此描述的其他方式来实施，因此，本公开实施例的保护范围并不受下面公开的具体实施例的限制。
本公开实施例的第一方面的实施例提供了一种图像检测方法。
图1示出了根据本公开实施例的第一个实施例的图像检测方法的示意流程图。
如图1所示，根据本公开实施例的第一个实施例的图像检测方法包括：
步骤S102，接收图像采集装置采集的人像图像；
步骤S104，将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
步骤S106，利用目标分割模型获取人像图像中的特定区域的属性信息；
步骤S108，利用目标检测模型检测人像图像中是否存在目标对象；
步骤S110，判断人像图像是否满足预设标准。
本公开实施例提供的图像检测方法，采用了神经网络(NN，Neural Network)模型，神经网络是一种模拟人类实际神经网络的数学方法，由大量的、简单的处理单元(称为神经元)广泛地互相连接而成，神经网络模型则以神经元的数学模型为基础，由网络拓扑、节点特点和学习规则来表示，应用于图像识别时，则以卷积神经网络(CNN，ConvolutionalNeural Network)模型为主，并在其基础上发展出了多种模型，包括目标分割(targetsegmentation)模型和目标检测(target detection)模型，分别用于分割图像区域和从图像中检测指定物体。卷积神经网络模型的多层结构能自动学习多个层次的特征，较浅的卷积层感知域小，可学习局部特征，较深的卷积层感知域大，可学习抽象特征，有助于满足不同的图像识别需求。本申请限定的图像检测方法，通过采用神经网络模型，可针对不同的识别需求自动识别采集到的人像图像，提高了图像识别性能，不必集合被测人员进行人工检测，提高了检测效率和便利性。针对不同的检测目标选用合理的模型，在需了解特定区域的属性时，利用目标分割模型分割出该特定区域，在需了解图像中是否存在目标对象时，则利用目标检测模型对人像图像加以检测，最后总结识别结果，即可确认人像图像是否满足预设标准，提高了识别效率和准确度。
图2示出了根据本公开实施例的第二个实施例的图像检测方法的示意流程图。
如图2所示，根据本公开实施例的第二个实施例的图像检测方法包括：
步骤S202，接收图像采集装置采集的人像图像；
步骤S204，将人像图像输入目标分割模型；
步骤S206，分割人像图像，得到背景区域和多个人像区域；
步骤S208，获取特定的人像区域的属性信息；
步骤S210，判断人像图像是否满足预设标准。
在该实施例中，通过将人像图像划分成不同区域并加以筛选，可过滤背景区域，并根据检测需求确定出特定的人像区域，获取其属性信息，从而判断该人像区域对应的人物装容是否满足预设标准，便于自动检测人像图像中的人物的装容。具体地，人像区域包括头发区域、人脸区域、颈部区域、手臂区域、双手区域、上衣区域、腿部区域和双脚区域，属性信息包括颜色和纹理，如获取头发区域和上衣区域的像素和颜色直方图，以确定头发是否染色和上衣颜色是否合格。
图3示出了根据本公开实施例的第三个实施例的图像检测方法的示意流程图。
如图3所示，根据本公开实施例的第三个实施例的图像检测方法包括：
步骤S302，接收图像采集装置采集的人像图像；
步骤S304，将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
步骤S306，利用目标分割模型分割人像图像，得到背景区域和多个人像区域；
步骤S308，获取特定的人像区域的属性信息；
步骤S310，从多个人像区域中选择部分人像区域作为候选区域；
步骤S312，利用目标检测模型检测候选区域中是否存在目标对象；
步骤S314，判断人像图像是否满足预设标准。
在该实施例中，当同时使用目标分割模型和目标检测模型时，在目标分割模型的处理结果基础上，选择部分人像区域作为候选区域，仅针对候选区域进行目标检测，一方面减少了计算量和计算压力，提高了检测效率，另一方面，针对目标对象会出现的区域进行检测，避免了将其他区域的物体判定为目标对象，即避免了误判，从而提高了图像检测的准确度。如在上衣区域检测是否存在领带，在颈部区域、手臂区域、双手区域检测是否存在首饰。
图4示出了根据本公开实施例的第四个实施例的图像检测方法的示意流程图。
如图4所示，根据本公开实施例的第四个实施例的图像检测方法包括：
步骤S402，将多个带标记的训练样本图像输入目标检测模型中，标记用于标注相应的训练样本图像中的物体的类别；
步骤S404，在训练样本图像中确定多个候选框；
步骤S406，提取每个候选框中的像素点的图像特征；
步骤S408，调用分类器识别训练样本图像中的图像特征，并关联存储图像特征和标记；
步骤S410，接收图像采集装置采集的人像图像；
步骤S412，将人像图像输入目标检测模型；
步骤S414，在人像图像中确定多个候选框；
步骤S416，提取每个候选框中的像素点的图像特征；
步骤S418，调用分类器对全部图像特征进行分类，以判段候选框中的全部图像特征是否属于同一类别，一个类别对应一种目标对象，若是，则转到步骤S420，若否，则转到步骤S424；
步骤S420，判断相邻的其他候选框中是否包含该类别的图像特征，若是，则转到步骤S422，若否，则转到步骤S426；
步骤S422，向包含该类别的图像特征的其他候选框的方向扩大候选框，并返回步骤S416；
步骤S424，缩小和/或移动候选框，并返回步骤S416；
步骤S426，判断人像图像是否满足预设标准。
在该实施例中，训练样本图像上带有标记，以标注图像中的物体的类别，如领带、戒指，通过将带标记的训练样本图像输入目标检测模型中识别，可在目标检测模型中存储相关联的图像特征和标记，达到训练目标检测模型完成自学习的目的，经过训练的目标检测模型就可以用于检测人像图像中是否存在与标记相对应的物体，即目标对象，检测过程为，首先在人像图像中确定多个候选框并提取候选框中的图像特征，再通过分类器对候选框内的图像特征进行分类，可检测是否存在相应类别的目标对象，又根据分类器的处理结果调整候选框的位置和大小，既可在候选框中包含其他类别的图像特征时排除这些其他类别的图像特征，又可向周围扩大候选框以获得更完整的目标对象，使得检测结果的定位更精确，提高了检测质量。当同时使用目标分割模型和目标检测模型时，则在候选区域中确定候选框，减小了计算量。
图5示出了根据本公开实施例的第五个实施例的图像检测方法的示意流程图。
如图5所示，根据本公开实施例的第五个实施例的图像检测方法包括：
步骤S502，接收图像采集装置采集的人像图像；
步骤S504，将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
步骤S506，利用目标分割模型获取人像图像中的特定区域的属性信息；
步骤S508，利用目标检测模型检测人像图像中是否存在目标对象；
步骤S510，判断人像图像是否存在不合格内容，若是，则转到步骤S512，若否，则转到步骤S514；
步骤S512，输出不合格信息和不合格内容；
步骤S514，输出合格信息。
在该实施例中，根据人像图像是否满足预设标准确定输出合格信息或不合格信息，可输出检测结果，便于留档和人机交互；一旦人像图像中存在不合格内容时，即确定人像图像不满足预设标准，此时将不合格内容一并输出，保证了留档数据充分，便于相关人员进行后续处理。
在本公开实施例的一个实施例中，优选地，目标对象包括标准内对象和/或标准外对象；预设标准包括对特定区域的属性信息的要求和/或存在标准内对象和/或不存在标准外对象；不合格内容包括不满足预设标准的特定区域的属性信息和/或不存在的标准内对象和/或存在的标准外对象。
在该实施例中，根据检测需求将目标对象划分为标准内对象和标准外对象，分别对应于规定必须存在的物体，如领带，和规定不可存在的物体，如项链、手镯，也可仅存在其中单独一类。针对不同类型的目标对象，预设标准相应包括存在标准内对象和不存在标准外对象，不合格内容相应包括不存在的标准内对象和存在的标准外对象，实现了对具体物体有无的检测，一方面有助于检测人像图像中的人物是否穿着规定的服装或佩戴规定的物品，另一方面有助于检测人像图像中的人物是否穿着不符合规定的服装或佩戴不符合规定的物品。此外，预设标准还包括对特定区域的属性信息的要求，即针对分割所得的特定区域，规定其应有属性，若特定区域的属性信息与预设标准不符，则该属性信息属于不合格内容。通过以上划分，明确了在不同检测需求时的预设标准和不合格内容，便于清楚判定检测结果。
图6示出了根据本公开实施例的第六个实施例的图像检测方法的示意流程图。
如图6所示，根据本公开实施例的第六个实施例的图像检测方法包括：
步骤S602，接收图像采集装置采集的驾驶员半身像；
步骤S604，将驾驶员半身像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
步骤S606，利用目标分割模型分割出驾驶员半身像中的上衣区域、头发区域、颈部区域和手臂区域；
步骤S608，获取上衣区域和头发区域的像素和颜色直方图；
步骤S610，判断上衣区域是否为白色且头发区域是否未染色，若是，则转到步骤S612，若否，则转到步骤S616；
步骤S612，利用目标检测模型检测上衣区域是否存在领带，若是，则转到步骤S614，若否，则转到步骤S616；
步骤S614，利用目标检测模型检测颈部区域和手臂区域是否存在珠宝首饰，若是，则转到步骤S616，若否，则转到步骤S618；
步骤S616，输出不合格信息和不合格内容；
步骤S618，输出合格信息。
根据计算机技术的声称解决方案可以克服在合规性验证领域中具体出现的问题。在各种实现中，计算系统可以获得人(例如驾驶员)的图像(例如上传的半身像)，并且基于图像来验证与外观要求的一致性。例如，在该实施例中，计算系统可以使用目标分割模型来验证图像中比较大的面积所对应的部分是否符合要求(例如，是否穿着统一服饰，头发是否染色)。其中，可以获得此面积相应的像素和颜色直方图以确定这些对象是否已经满足要求(例如，是否穿的是白衬衫，头发未被染色)；还可以使用目标检测模型来验证图像中比较小的面积所对应的部分是否符合要求(例如，是否佩戴领带，是否违规佩戴珠宝首饰)。
本公开实施例第二方面的实施例提供了一种图像检测系统。
图7示出了根据本公开实施例的第一个实施例的图像检测系统的示意框图。
如图7所示，根据本公开实施例的第一个实施例的图像检测系统100包括：
接收模块102，用于接收图像采集装置采集的人像图像；
输入模块104，用于将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
分割模块106，用于利用目标分割模型获取人像图像中的特定区域的属性信息；
检测模块108，用于利用目标检测模型检测人像图像中是否存在目标对象；
判断模块110，用于判断人像图像是否满足预设标准。
本公开实施例提供的图像检测系统，采用了神经网络(NN，Neural Network)模型，神经网络是一种模拟人类实际神经网络的数学方法，由大量的、简单的处理单元(称为神经元)广泛地互相连接而成，神经网络模型则以神经元的数学模型为基础，由网络拓扑、节点特点和学习规则来表示，应用于图像识别时，则以卷积神经网络(CNN，ConvolutionalNeural Network)模型为主，并在其基础上发展出了多种模型，包括目标分割(targetsegmentation)模型和目标检测(target detection)模型，分别用于分割图像区域和从图像中检测指定物体。卷积神经网络模型的多层结构能自动学习多个层次的特征，较浅的卷积层感知域小，可学习局部特征，较深的卷积层感知域大，可学习抽象特征，有助于满足不同的图像识别需求。本申请限定的图像检测系统，输入模块104将接收模块102采集到的人像图像输入神经网络模型，可针对不同的识别需求自动识别人像图像，提高了图像识别性能，不必集合被测人员进行人工检测，提高了检测效率和便利性。针对不同的检测目标选用合理的模型，在需了解特定区域的属性时，分割模块106利用目标分割模型分割出该特定区域，在需了解图像中是否存在目标对象时，检测模块108则利用目标检测模型对人像图像加以检测，最后判断模块110总结识别结果，即可确认人像图像是否满足预设标准，提高了识别效率和准确度。
图8示出了根据本公开实施例的第二个实施例的图像检测系统的示意框图。
如图8所示，根据本公开实施例的第二个实施例的图像检测系统200包括：
接收模块202，用于接收图像采集装置采集的人像图像；
输入模块204，用于将人像图像输入目标分割模型；
分割模块206，用于获取人像图像中的特定区域的属性信息，分割模块206包括：分割单元208，用于分割人像图像，得到背景区域和多个人像区域；获取单元210，用于获取特定的人像区域的属性信息；
判断模块212，用于判断人像图像是否满足预设标准。
在该实施例中，分割单元208将人像图像划分成不同区域，获取单元210可过滤背景区域，并根据检测需求确定出特定的人像区域，获取其属性信息，判断模块212从而判断该人像区域对应的人物装容是否满足预设标准，便于自动检测人像图像中的人物的装容。具体地，人像区域包括头发区域、人脸区域、颈部区域、手臂区域、双手区域、上衣区域、腿部区域和双脚区域，属性信息包括颜色和纹理，如获取头发区域和上衣区域的像素和颜色直方图，以确定头发是否染色和上衣颜色是否合格。
图9示出了根据本公开实施例的第三个实施例的图像检测系统的示意框图。
如图9所示，根据本公开实施例的第三个实施例的图像检测系统300包括：
接收模块302，用于接收图像采集装置采集的人像图像；
输入模块304，用于将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
分割模块306，用于利用目标分割模型获取人像图像中的特定区域的属性信息，分割模块306包括：分割单元308，用于分割人像图像，得到背景区域和多个人像区域；获取单元310，用于获取特定的人像区域的属性信息；
检测模块312，用于利用目标检测模型检测人像图像中是否存在目标对象，检测模块312包括：第一候选单元314，用于从多个人像区域中选择部分人像区域作为候选区域；第一检测单元316，用于检测候选区域中是否存在目标对象；
判断模块318，用于判断人像图像是否满足预设标准。
在该实施例中，当同时使用目标分割模型和目标检测模型时，第一候选单元314在目标分割模型的处理结果基础上，选择部分人像区域作为候选区域，第一检测单元316仅针对候选区域进行目标检测，一方面减少了计算量和计算压力，提高了检测效率，另一方面，针对目标对象会出现的区域进行检测，避免了将其他区域的物体判定为目标对象，即避免了误判，提高了图像检测的准确度。如在上衣区域检测是否存在领带，在颈部区域、手臂区域、双手区域检测是否存在首饰。
图10示出了根据本公开实施例的第四个实施例的图像检测系统的示意框图。
如图10所示，根据本公开实施例的第四个实施例的图像检测系统400包括：
接收模块402，用于接收图像采集装置采集的人像图像；
输入模块404，用于将人像图像输入目标分割模型；
检测模块406，用于利用目标检测模型检测人像图像中是否存在目标对象，检测模块406包括：第二候选单元408，用于在人像图像中确定多个候选框；第一提取单元410，用于提取每个候选框中的像素点的图像特征；分类单元412，用于调用分类器对全部图像特征进行分类，以判定候选框中的全部图像特征是否属于同一类别，一个类别对应一种目标对象；调整单元414，用于根据分类器的处理结果调整候选框；
判断模块416，用于判断人像图像是否满足预设标准。
在该实施例中，分类单元412调用分类器，对第一提取单元410从第二候选单元408确定的候选框内提取的图像特征进行分类，可检测是否存在相应类别的目标对象，调整单元414又根据分类器的处理结果调整候选框的位置和大小，可以使得检测结果的定位更精确，提高了检测质量。当同时使用目标分割模型和目标检测模型时，则在候选区域中确定候选框，减小了计算量。
图11示出了根据本公开实施例的第五个实施例的图像检测系统的示意框图。
如图11所示，根据本公开实施例的第五个实施例的图像检测系统500包括：
训练模块502，用于训练目标检测模型，训练模块502包括：输入单元504，用于将多个带标记的训练样本图像输入目标检测模型中，标记用于标注相应的训练样本图像中的物体的类别；第三候选单元506，用于在训练样本图像中确定多个候选框；第二提取单元508，用于提取每个候选框中的像素点的图像特征；存储单元510，用于调用分类器识别训练样本图像中的图像特征，并关联存储图像特征和标记；
接收模块512，用于接收图像采集装置采集的人像图像；
输入模块514，用于将人像图像输入训练后的目标检测模型；
检测模块516，用于检测人像图像中是否存在目标对象；
判断模块518，用于判断人像图像是否满足预设标准。
在该实施例中，训练样本图像上带有标记，以标注图像中的物体的类别，输入单元514将带标记的训练样本图像输入目标检测模型中，经第三候选单元506和第二提取单元508识别后，存储单元510可在目标检测模型中存储相关联的图像特征和标记，达到训练目标检测模型完成自学习的目的，经过训练的目标检测模型就可以用于检测前述人像图像中是否存在与标记相对应的物体，即目标对象。
图12示出了根据本公开实施例的第六个实施例的图像检测系统的示意框图。
如图12所示，根据本公开实施例的第六个实施例的图像检测系统600包括：
接收模块602，用于接收图像采集装置采集的人像图像；
输入模块604，用于将人像图像输入神经网络模型中，神经网络模型包括目标分割模型和目标检测模型；
分割模块606，用于利用目标分割模型获取人像图像中的特定区域的属性信息；
检测模块608，用于利用目标检测模型检测人像图像中是否存在目标对象；
判断模块610，用于判断人像图像是否满足预设标准；
第一输出模块612，用于当人像图像满足预设标准时，输出合格信息；
第二输出模块614，用于当人像图像中存在不满足预设标准的不合格内容时，输出不合格信息和不合格内容。
在该实施例中，第一输出模块612和第二输出模块614根据人像图像是否满足预设标准确定输出合格信息或不合格信息，可输出检测结果，便于留档和人机交互；一旦人像图像中存在不合格内容时，即确定人像图像不满足预设标准，此时第二输出模块614将不合格内容一并输出，保证了留档数据充分，便于相关人员进行后续处理。可选地，第一输出模块612和第二输出模块614为同一输出模块。
在本公开实施例的一个实施例中，优选地，目标对象包括标准内对象和/或标准外对象；预设标准包括对特定区域的属性信息的要求和/或存在标准内对象和/或不存在标准外对象；不合格内容包括不满足预设标准的特定区域的属性信息和/或不存在的标准内对象和/或存在的标准外对象。
在该实施例中，根据检测需求将目标对象划分为标准内对象和标准外对象，分别对应于规定必须存在的物体，如领带，和规定不可存在的物体，如项链、手镯，也可仅存在其中单独一类。针对不同类型的目标对象，预设标准相应包括存在标准内对象和不存在标准外对象，不合格内容相应包括不存在的标准内对象和存在的标准外对象，实现了对具体物体有无的检测，一方面有助于检测人像图像中的人物是否穿着规定的服装或佩戴规定的物品，另一方面有助于检测人像图像中的人物是否穿着不符合规定的服装或佩戴不符合规定的物品。此外，预设标准还包括对特定区域的属性信息的要求，即针对分割所得的特定区域，规定其应有属性，若特定区域的属性信息与预设标准不符，则该属性信息属于不合格内容。通过以上划分，明确了在不同检测需求时的预设标准和不合格内容，便于清楚判定检测结果。
本公开实施例第三方面的实施例提供了一种计算机设备。
图13示出了根据本公开实施例的一个实施例的计算机设备的结构示意图。
如图13所示，根据本公开实施例的一个实施例的计算机设备7包括：存储器72、处理器74及存储在存储器72上并可在处理器74上运行的计算机程序，处理器74执行计算机程序时实现如上述任一实施例所述的图像检测方法的步骤。
本公开实施例提供的计算机设备7，在处理器74执行计算机程序时可实现上述任一技术方案所述的图像检测方法，因而具备上述任一技术方案所述的图像检测方法的全部技术效果，在此不再赘述。
本公开实施例第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例所述的图像检测方法的步骤。
本公开实施例提供的计算机可读存储介质，在计算机程序被处理器执行时可实现上述任一技术方案所述的图像检测方法，因而具备上述任一技术方案所述的图像检测方法的全部技术效果，在此不再赘述。
以上结合附图详细说明了本公开实施例的技术方案，本公开实施例针对许多线下服务业从业者的着装和仪容检测问题，设计了一种基于多种深度学习计算机视觉技术的图像检测方案，对于不同的需求和区域使用目标检测和目标分割技术对衣着、领带、首饰及其他佩戴物品进行检测和判断。
以上所述仅为本公开实施例的优选实施例而已，并不用于限制本公开实施例，对于本领域的技术人员来说，本公开实施例可以有各种更改和变化。凡在本公开实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开实施例的保护范围之内。

Claims (16)

1.一种图像检测方法，其特征在于，包括：
接收图像采集装置采集的人像图像；
将所述人像图像输入神经网络模型中，所述神经网络模型包括目标分割模型和/或目标检测模型；
当所述神经网络模型包括所述目标分割模型时，利用所述目标分割模型获取所述人像图像中的特定区域的属性信息，所述属性信息包括颜色和纹理；和/或
当所述神经网络模型包括所述目标检测模型时，利用所述目标检测模型检测所述人像图像中是否存在目标对象以实现对具体物体有无的检测，其中所述目标对象根据检测需求而被划分为标准内对象和标准外对象，所述标准内对象对应于规定必须存在的物体，所述标准外对象对应于规定不可存在的物体；及
判断所述人像图像是否满足预设标准。
2.根据权利要求1所述的图像检测方法，其特征在于，所述利用所述目标分割模型获取所述人像图像中的特定区域的属性信息的操作具体包括：
分割所述人像图像，得到背景区域和多个人像区域；
获取特定的所述人像区域的属性信息。
3.根据权利要求2所述的图像检测方法，其特征在于，当所述神经网络模型包括所述目标分割模型和所述目标检测模型时，所述利用所述目标检测模型检测所述人像图像中是否存在目标对象的操作具体包括：
从多个所述人像区域中选择部分所述人像区域作为候选区域；
检测所述候选区域中是否存在所述目标对象。
4.根据权利要求1至3中任一项所述的图像检测方法，其特征在于，所述利用所述目标检测模型检测所述人像图像中是否存在目标对象的操作具体包括：
在所述人像图像中确定多个候选框；
提取每个所述候选框中的像素点的图像特征；
调用分类器对全部所述图像特征进行分类，以判定所述候选框中的全部所述图像特征是否属于同一类别，一个所述类别对应一种所述目标对象；
根据所述分类器的处理结果调整所述候选框。
5.根据权利要求4所述的图像检测方法，其特征在于，当所述神经网络模型包括所述目标检测模型时，在所述接收图像采集装置采集的人像图像的步骤之前，还包括：
将多个带标记的训练样本图像输入所述目标检测模型中，所述标记用于标注相应的所述训练样本图像中的物体的所述类别；
在所述训练样本图像中确定多个所述候选框；
提取每个所述候选框中的像素点的所述图像特征；
调用所述分类器识别所述训练样本图像中的所述图像特征，并关联存储所述图像特征和所述标记。
6.根据权利要求1至3中任一项所述的图像检测方法，其特征在于，在所述判断所述人像图像是否满足预设标准的操作之后，还包括：
当所述人像图像满足所述预设标准时，输出合格信息；
当所述人像图像中存在不满足所述预设标准的不合格内容时，输出不合格信息和所述不合格内容。
7.根据权利要求6所述的图像检测方法，其特征在于，
所述目标对象包括标准内对象和/或标准外对象；
所述预设标准包括对所述特定区域的所述属性信息的要求和/或存在所述标准内对象和/或不存在所述标准外对象；
所述不合格内容包括不满足所述预设标准的所述特定区域的所述属性信息和/或不存在的所述标准内对象和/或存在的所述标准外对象。
8.一种图像检测系统，其特征在于，包括：
接收模块，用于接收图像采集装置采集的人像图像；
输入模块，用于将所述人像图像输入神经网络模型中，所述神经网络模型包括目标分割模型和/或目标检测模型；
分割模块，用于当所述神经网络模型包括所述目标分割模型时，利用所述目标分割模型获取所述人像图像中的特定区域的属性信息，所述属性信息包括颜色和纹理；和/或
检测模块，用于当所述神经网络模型包括所述目标检测模型时，利用所述目标检测模型检测所述人像图像中是否存在目标对象以实现对具体物体有无的检测，其中所述目标对象根据检测需求而被划分为标准内对象和标准外对象，所述标准内对象对应于规定必须存在的物体，所述标准外对象对应于规定不可存在的物体；及
判断模块，用于判断所述人像图像是否满足预设标准。
9.根据权利要求8所述的图像检测系统，其特征在于，所述分割模块包括：
分割单元，用于分割所述人像图像，得到背景区域和多个人像区域；
获取单元，用于获取特定的所述人像区域的属性信息。
10.根据权利要求9所述的图像检测系统，其特征在于，所述检测模块包括：
第一候选单元，用于从多个所述人像区域中选择部分所述人像区域作为候选区域；
第一检测单元，用于检测所述候选区域中是否存在所述目标对象。
11.根据权利要求8至10中任一项所述的图像检测系统，其特征在于，所述检测模块包括：
第二候选单元，用于在所述人像图像中确定多个候选框；
第一提取单元，用于提取每个所述候选框中的像素点的图像特征；
分类单元，用于调用分类器对全部所述图像特征进行分类，以判定所述候选框中的全部所述图像特征是否属于同一类别，一个所述类别对应一种所述目标对象；
调整单元，用于根据所述分类器的处理结果调整所述候选框。
12.根据权利要求11所述的图像检测系统，其特征在于，当所述神经网络模型包括所述目标分割模型时，所述图像检测系统还包括训练模块，所述训练模块包括：
输入单元，用于将多个带标记的训练样本图像输入所述目标检测模型中，所述标记用于标注相应的所述训练样本图像中的物体的所述类别；
第三候选单元，用于在所述训练样本图像中确定多个所述候选框；
第二提取单元，用于提取每个所述候选框中的像素点的所述图像特征；
存储单元，用于调用所述分类器识别所述训练样本图像中的所述图像特征，并关联存储所述图像特征和所述标记。
13.根据权利要求8至10中任一项所述的图像检测系统，其特征在于，还包括：
第一输出模块，用于当所述人像图像满足所述预设标准时，输出合格信息；
第二输出模块，用于当所述人像图像中存在不满足所述预设标准的不合格内容时，输出不合格信息和所述不合格内容。
14.根据权利要求13所述的图像检测系统，其特征在于，
所述目标对象包括标准内对象和/或标准外对象；
所述预设标准包括对所述特定区域的所述属性信息的要求和/或存在所述标准内对象和/或不存在所述标准外对象；
所述不合格内容包括不满足所述预设标准的所述特定区域的所述属性信息和/或不存在的所述标准内对象和/或存在的所述标准外对象。
15.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现根据权利要求1至7中任一项所述方法的步骤。
16.一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根据权利要求1至7中任一项所述方法的步骤。
CN201810439250.3A 2018-05-09 2018-05-09 图像检测方法及系统 Active CN108629319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810439250.3A CN108629319B (zh) 2018-05-09 2018-05-09 图像检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810439250.3A CN108629319B (zh) 2018-05-09 2018-05-09 图像检测方法及系统

Publications (2)

Publication Number Publication Date
CN108629319A CN108629319A (zh) 2018-10-09
CN108629319B true CN108629319B (zh) 2020-01-07

Family

ID=63692457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810439250.3A Active CN108629319B (zh) 2018-05-09 2018-05-09 图像检测方法及系统

Country Status (1)

Country Link
CN (1) CN108629319B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799544B (zh) * 2018-12-28 2021-03-19 深圳市重投华讯太赫兹科技有限公司 应用于毫米波安检仪的智能检测方法、装置以及存储装置
CN111860533B (zh) * 2019-04-30 2023-12-12 深圳数字生命研究院 图像的识别方法及装置、存储介质和电子装置
CN112016386A (zh) * 2019-07-08 2020-12-01 杭州芯影科技有限公司 适用于安检识别的训练数据采集方法和系统
CN110363138A (zh) * 2019-07-12 2019-10-22 腾讯科技（深圳）有限公司 模型训练方法、图像处理方法、装置、终端及存储介质
CN110598705B (zh) * 2019-09-27 2022-02-22 腾讯科技（深圳）有限公司 图像的语义标注方法及装置
CN111510376B (zh) * 2020-04-27 2022-09-20 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
CN112288039B (zh) * 2020-11-26 2024-01-23 深源恒际科技有限公司 一种用于ocr模型训练的样本标注方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368810A (zh) * 2017-07-20 2017-11-21 北京小米移动软件有限公司 人脸检测方法及装置
CN107392158A (zh) * 2017-07-27 2017-11-24 济南浪潮高新科技投资发展有限公司 一种图像识别的方法及装置
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置
CN107633237A (zh) * 2017-09-30 2018-01-26 北京金山安全软件有限公司 图像背景分割方法、装置、设备及介质
CN107729819A (zh) * 2017-09-22 2018-02-23 华中科技大学 一种基于稀疏全卷积神经网络的人脸标注方法
CN107798653A (zh) * 2017-09-20 2018-03-13 北京三快在线科技有限公司 一种图像处理的方法和一种装置
CN107909583A (zh) * 2017-11-08 2018-04-13 维沃移动通信有限公司 一种图像处理方法、装置及终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置
CN107368810A (zh) * 2017-07-20 2017-11-21 北京小米移动软件有限公司 人脸检测方法及装置
CN107392158A (zh) * 2017-07-27 2017-11-24 济南浪潮高新科技投资发展有限公司 一种图像识别的方法及装置
CN107798653A (zh) * 2017-09-20 2018-03-13 北京三快在线科技有限公司 一种图像处理的方法和一种装置
CN107729819A (zh) * 2017-09-22 2018-02-23 华中科技大学 一种基于稀疏全卷积神经网络的人脸标注方法
CN107633237A (zh) * 2017-09-30 2018-01-26 北京金山安全软件有限公司 图像背景分割方法、装置、设备及介质
CN107909583A (zh) * 2017-11-08 2018-04-13 维沃移动通信有限公司 一种图像处理方法、装置及终端

Also Published As

Publication number Publication date
CN108629319A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
CN108629319B (zh) 图像检测方法及系统
US11574187B2 (en) Pedestrian attribute identification and positioning method and convolutional neural network system
CN109670591B (zh) 一种神经网络的训练方法及图像匹配方法、装置
CN105574550B (zh) 一种车辆识别方法及装置
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
Raut et al. Plant disease detection in image processing using MATLAB
US8379920B2 (en) Real-time clothing recognition in surveillance videos
CN109447169A (zh) 图像处理方法及其模型的训练方法、装置和电子系统
KR20190134933A (ko) 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램
CN104715238B (zh) 一种基于多特征融合的行人检测方法
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN108647625A (zh) 一种表情识别方法及装置
CN110443137B (zh) 多维度身份信息识别方法、装置、计算机设备及存储介质
CN108090429A (zh) 一种分级前脸卡口车型识别方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN104217217A (zh) 一种基于两层分类的车辆标志物检测方法与系统
Seong et al. Vision-based safety vest detection in a construction scene
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN106203237A (zh) 集装箱拖车编号的识别方法和装置
Galsgaard et al. Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN112464797A (zh) 一种吸烟行为检测方法、装置、存储介质及电子设备
CN101996317A (zh) 人体中标记物的识别方法及装置
CN102831419B (zh) 一种快速的街景图像中车牌的检测模糊方法

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