CN108961209B - 行人图像质量评价方法、电子设备及计算机可读介质 - Google Patents
行人图像质量评价方法、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN108961209B CN108961209B CN201810498714.8A CN201810498714A CN108961209B CN 108961209 B CN108961209 B CN 108961209B CN 201810498714 A CN201810498714 A CN 201810498714A CN 108961209 B CN108961209 B CN 108961209B
- Authority
- CN
- China
- Prior art keywords
- score
- image
- evaluated
- local
- local part
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明实施例涉及图像处理技术领域，公开了一种行人图像质量评价方法、电子设备及计算机可读介质，该方法包括：分别确定待评价图像的第一评分和第二评分；所述第一评分与所述待评价图像包含的行人图像的完整度正相关；所述第二评分与所述待评价图像的模糊度负相关；所述第二评分与所述待评价图像的模糊度负相关；根据所述第一评分和所述第二评分，确定目标评分；所述目标评分为所述待评价图像的质量评分。本申请中，根据待评价图像包含的行人图像的完整度以及该待评价图像的模糊度确定该待评价图像的质量；可以合理、客观地评价行人图像的质量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种行人图像质量评价方法、电子设备及计算机可读介质。
背景技术
在实际生活中，公安机关常常通过监控视频或者图片寻找嫌疑人，主要采用如下两种方式：一、通过工作人员观看图片或者监控视频来寻找嫌疑人。这种方式需要花费很多人力和时间，效率较低。二、利用行人检测算法从图片或者监控视频中搜索符合一定条件的嫌疑人。这种方式可以大大提高寻找嫌疑人的效率，节省时间。
行人检测算法的输入是图片或视频，输出结果是一张张的行人图像。可见，采用行人检测算法可以将图像或者视频中的行人图像提取出来。然而，当行人检测算法输入的图片或视频包含的行人图像质量较差时，例如输入的图片中未包含行人图像或者包含的行人图像不完整，提取行人图像的操作是不必要的。这时提取不到行人图像或者提取出的行人图像无法拿去做属性分析或者特征比对等，例如检测行人图像的身份。也就是说，如果没有经过行人图像质量判断就直接采用行人检测算法提取行人图像，在行人图像质量较差时是没有意义的，还会带来时间和处理资源的开销。
当前采用的一种方式是通过人眼判别哪些行人图片是有意义的，将筛选出的行人图片作为行人检测算法的输入来提取行人图像。这种方式花费很多人力和时间，而且受主观因素影响较大。因此，有必要研究客观的评价行人图像质量的方法。
发明内容
本发明实施例提供一种行人图像质量评价方法、电子设备及计算机可读介质，可以客观的评价行人图像的质量，效率较高。
第一方面本申请提供了一种行人图像质量评价方法，包括：
分别确定待评价图像的第一评分和第二评分；所述第一评分与所述待评价图像包含的行人图像的完整度正相关；所述第二评分与所述待评价图像的模糊度负相关；
根据所述第一评分和所述第二评分，确定目标评分；所述目标评分为所述待评价图像的质量评分。
可以理解，所述待评价图像包含的行人图像越完整，所述第一评分越高；所述待评价图像越模糊所述第二评分越低。所述第一评分和所述第二评分对应的权重系数相同或不同。行人图像的完整度和模糊度是行人图像质量的决定性因素。本申请中，行人图像质量评价方法的执行主体为电子设备。所述电子设备可以是手机、个人数字助理、服务器、笔记本电脑、台式电脑、平板电脑以及监控设备等。
本申请中，根据待评价图像包含的行人图像的完整度以及该待评价图像的模糊度确定该待评价图像的质量；可以合理、客观地评价行人图像的质量。
在一个可选的实现方式中，所述根据所述第一评分和所述第二评分，确定目标评分包括：
计算所述第一评分和所述第二评分的加权和，得到所述目标评分。
在该实现方式中，可以准确、快速地确定待评价图像的质量评分。
在一个可选的实现方式中，所述方法还包括：
确定所述待评价图像的第三评分；所述第三评分与所述待评价图像的光照质量正相关；
所述根据所述第一评分和所述第二评分，确定目标评分还包括：
计算所述第一评分、所述第二评分以及所述第三评分的加权和，得到所述目标评分。
待评价图像的光照质量也是关系行人图像质量的重要因素。举例来说，在对行人图像进行身份识别的场景中，待评价图像的光照质量会严重影响行人图像的身份识别。
在该实现方式中，在行人图像质量的评价中考虑了待评价图像的光照质量，可以更合理地确定行人图像的质量。
在一个可选的实现方式中，所述确定待评价图像的第一评分包括：
利用背景分割深度神经网络确定所述待评价图像包含的各局部部位；所述各局部部位为所述行人图像包含的头部区域、上身区域、下身区域以及鞋子区域；
根据所述待评价图像包含的各局部部位，确定所述第一评分。
该实现方式中，可以准确地提取出待评价图像的包含的各局部部位，进而确定该待评价图像的第一评分。
在一个可选的实现方式中，所述根据所述待评价图像包含的各局部部位，确定所述第一评分包括：
分别计算所述各局部部位包含的像素个数与所述行人图像包含的像素个数的比例，得到所述各局部部位的比例；
在所述各局部部位的比例小于各自对应的下限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例大于各自对应的上限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为一个常数；
其中，所述a为所述各局部部位中任一部位的评分值，所述L为所述下限阈值，所述U为所述上限阈值，R1为所述各局部部位中任一部位包含的像素个数与所述行人图像包含的像素个数的比例，所述M和所述K均为常数，所述上限阈值大于所述下限阈值；
根据所述各局部部位分别对应的评分值，确定所述第一评分。
可选的，依次计算所述行人图像包含的各局部部位的评分值；计算所述各局部部位的评分值的加权和，得到所述第一评分。举例来说，依次计算行人图像包含的头部区域、上身区域、下身区域以及鞋子区域的评分值；计算各质量评分值的加权和，得到第一评分。
在该实现方式中，根据行人图像包含的各局部部位所占整个行人图像的比例确定表征行人图像完整度的评分，计算简单。
在一个可选的实现方式中，所述根据所述待评价图像包含的各局部部位，确定所述第一评分还包括：
分别计算所述各局部部位各自对应的目标区域包含的像素个数与各自包含的像素个数的比例；所述各局部部位各自对应的目标区域为所述各局部部位各自在所述待评价图像对应的区域；
采用如下公式分别计算所述各局部部位各自对应的第一调整值：
b＝R2×F；
其中，所述b为所述第一调整值，所述R2为所述各局部部位中任一部位对应的目标区域包含的像素个数与其包含的像素个数的比例，所述F为常数；
所述根据所述各局部部位分别对应的评分值，确定所述第一评分，具体为：
在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第一调整值，得到新的评分值；
根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
所述行人图像包含的各个部位的像素会有一个正常范围，不在正常范围的像素都会扣分。举例来说，头部区域包含的像素的正常范围在行人图像高度的0％到26％(该阈值按照经验得来，可以微调)。例如行人图像的高度是161，那么头部区域包含的像素应该出现在高度为0到161*0.26＝42之间的位置。上身区域包含的像素的正常范围在行人图像高度的12.4％到65.2％；下身区域包含的像素的正常范围在行人图像高度的43.5％到100％；鞋子区域包含的像素的正常范围在行人图像高度的74.5％到100％。所述各局部部位中的任一部位对应的目标区域是指该部位在所述待评价图像对应的非正常范围中的部分所处的区域。举例来说，各局部部位中的第一部位为上身区域，上身区域包含的像素的正常范围在行人图像高度的12.4％到65.2％，该第一部位对应的目标区域为该第一部位在该行人图像高度的12.4％到65.2％之外的区域中所占的区域。
在该实现方式中，根据行人图像包含的各局部部位处于合理范围的情况，进一步优化各局部部位的质量评分值。
在一个可选的实现方式中，所述根据所述待评价图像包含的各局部部位，确定所述第一评分还包括：
分别计算所述各局部部位各自对应的第一区域包含的像素点个数与所述各局部部位各自对应的第二区域包含的像素点个数的比例；所述各局部部位中任一部位对应的第一区域为其与参考区域的交集，所述各局部部位中任一部位对应的第二区域为其与参考区域的并集；所述参考区域为根据至少两个图像确定的所述第一部位对应的部位所处的区域；
采用如下公式分别计算所述各局部部位各自对应的第二调整值：
c＝(1-R3)×H；
其中，所述c为所述第二调整值，所述R3为所述各局部部位中任一部位对应的第一区域包含的像素个数与其对应的第二区域包含的像素个数的比例，所述H为常数；
所述根据所述各局部部位分别对应的评分值，确定所述第一评分，具体为：
在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第二调整值，得到新的评分值；
根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
举例来说，各局部部位中的某个部位为头部区域，该部位对应的参考区域为根据10000张行人图像包含的头部区域计算得到的头部区域，即平均区域。
在该实现方式中，根据各局部部位与各自对应的参考区域的差异，进一步优化各局部部位对应的质量评分值，实现简单。
在一个可选的实现方式中，所述确定所述待评价图像的第二评分包括：
根据所述待评价图像进行模糊处理后的图像与所述待评价图像的差异，确定所述第二评分；所述待评价图像进行模糊处理后的图像与所述待评价图像的差异和所述第二评分负相关。
在该实现方式中，可以快速地计算第二评分值。
在一个可选的实现方式中，所述根据所述待评价图像进行模糊处理后的图像与所述待评价图像的差异，确定所述第二评分包括：
生成所述待评价图像对应的灰度图像；
生成所述灰度图像对应的模糊图像；
根据所述灰度图像和所述模糊图像的差异，计算所述第二评分；所述灰度图像和所述模糊图像的差异与所述第二评分负相关。
在该实现方式中，根据待评价图像对应的灰度图像和模糊图像的差异，计算第二评分，计算效率高、准确。
在一个可选的实现方式中，所述确定所述待评价图像的第三评分包括：
计算所述待评价图像包含的每个像素点的Y分量；
计算所述待评价图像包含的各像素点中第一像素点、第二像素点以及第三像素点的比例；所述第一像素点的Y分量小于第三阈值，所述第二像素点的Y分量大于或等于所述第三阈值，且小于或等于第四阈值，所述第三像素点大于所述第四阈值；所述第四阈值大于所述第三阈值；
计算所述待评价图像的所述第三评分的公式如下：
d＝(B1×R4+B2×R5+B3×R6)R4+R6；
其中，所述d为所述第三评分，所述R4、R5以及R6依次为所述第一像素点、所述第二像素点以及所述第三像素点的比例；所述B1、所述B2以及所述B3均为常数。
所述第一像素点、所述第二像素点以及所述第三像素点依次可以理解为暗像素、中等像素以及亮像素。
在该实现方式中，可以快速地计算体现待评价图像的光照质量的第三评分。
在一个可选的实现方式中，所述根据所述灰度图像和所述模糊图像的差异，计算所述第二评分包括：
计算所述灰度图像包含的像素点集合的标准差的平方，计算公式如下：
其中，所述DG为像素点集合G的标准差的平方，所述iG为所述像素点G的值，所述MG为以所述像素点G为起点的右下方C×C个像素点的平均值，所述N等于C×C；
计算所述模糊图像包含的像素点集合的标准差的平方，计算公式如下：
其中，所述DB为像素点集合B的标准差的平方，所述iB为所述像素点B的值，所述MB为以所述像素点B为起点的右下方C×C个像素点的平均值，所述N等于C×C；
计算所述灰度图像和所述模糊图像相对应的像素点集合的结构性差异，计算公式如下：
其中，所述Corr为所述结构性差异；
计算所述灰度图像和所述模糊图像相对应的像素点集合的亮度对比值，计算公式如下：
其中，所述fl为所述亮度对比值，所述C1为常数；
计算所述灰度图像和所述模糊图像相对应像素点集合的对比度对比值，计算公式如下：
其中，所述fc为所述对比度对比值，所述C2为常数；
计算所述灰度图像和所述模糊图像相对应像素点集合的结构对比值，计算公式如下：
其中，所述fs为所述结构对比值，所述C3为常数；
计算所述第二评分的公式如下：
其中，所述SO为所述第二评分，所述w和所述h依次为所述待评价图像的宽和高。
在该实现方式中，利用待评价图像和该待评价图像对应的模糊图像的差异，计算表征模糊度的第二评分，实现简单。
第二方面本申请提供了一种电子设备，包括：
第一确定单元，用于确定待评价图像的第一评分；所述第一评分与所述待评价图像包含的行人图像的完整度正相关；
第二确定单元，用于确定所述待评价图像的第二评分；所述第二评分与所述待评价图像的模糊度负相关；
第三确定单元，用于根据所述第一评分和所述第二评分，确定目标评分；所述目标评分为所述待评价图像的质量评分。
在一个可选的实现方式中，所述第三确定单元，具体用于计算所述第一评分和所述第二评分的加权和，得到所述目标评分。
在一个可选的实现方式中，所述电子设备还包括：
第四确定单元，用于确定所述待评价图像的第三评分；所述第三评分与所述待评价图像的光照质量正相关；
所述第三确定单元，具体用于计算所述第一评分、所述第二评分以及所述第三评分的加权和，得到所述目标评分。
在一个可选的实现方式中，所述第一确定单元，具体用于利用背景分割深度神经网络确定所述待评价图像包含的各局部部位；所述各局部部位为所述行人图像包含的头部区域、上身区域、下身区域以及鞋子区域；根据所述待评价图像包含的各局部部位，确定所述第一评分。
在一个可选的实现方式中，所述第一确定单元，具体用于分别计算所述各局部部位包含的像素个数与所述行人图像包含的像素个数的比例，得到所述各局部部位的比例；
在所述各局部部位的比例小于各自对应的下限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例大于各自对应的上限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为一个常数；
其中，所述a为所述各局部部位中任一部位的评分值，所述L为所述下限阈值，所述U为所述上限阈值，R1为所述各局部部位中任一部位包含的像素个数与所述行人图像包含的像素个数的比例，所述M和所述K均为常数，所述上限阈值大于所述下限阈值；
根据所述各局部部位分别对应的评分值，确定所述第一评分。
在一个可选的实现方式中，所述电子设备还包括：
第一计算单元，用于分别计算所述各局部部位各自对应的目标区域包含的像素个数与各自包含的像素个数的比例；所述各局部部位各自对应的目标区域为所述各局部部位各自在所述待评价图像对应的区域；
采用如下公式分别计算所述各局部部位各自对应的第一调整值：
b＝R2×F；
其中，所述b为所述第一调整值，所述R2为所述各局部部位中任一部位对应的目标区域包含的像素个数与其包含的像素个数的比例，所述F为常数；
所述第一确定单元，具体用于在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第一调整值，得到新的评分值；根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
在一个可选的实现方式中，所述电子设备还包括：
第二计算单元，用于分别计算所述各局部部位各自对应的第一区域包含的像素点个数与所述各局部部位各自对应的第二区域包含的像素点个数的比例；所述各局部部位中任一部位对应的第一区域为其与参考区域的交集，所述各局部部位中任一部位对应的第二区域为其与参考区域的并集；所述参考区域为根据至少两个图像确定的所述第一部位对应的部位所处的区域；
采用如下公式分别计算所述各局部部位各自对应的第二调整值：
c＝(1-R3)×H；
其中，所述c为所述第二调整值，所述R3为所述各局部部位中任一部位对应的第一区域包含的像素个数与其对应的第二区域包含的像素个数的比例，所述H为常数；
所述第一确定单元，具体用于在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第二调整值，得到新的评分值；根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
在一个可选的实现方式中，所述第二确定单元，具体用于根据所述待评价图像进行模糊处理后的图像与所述待评价图像的差异，确定所述第二评分；所述待评价图像进行模糊处理后的图像与所述待评价图像的差异和所述第二评分负相关。
在一个可选的实现方式中，所述第二确定单元，具体用于生成所述待评价图像对应的灰度图像；生成所述灰度图像对应的模糊图像；根据所述灰度图像和所述模糊图像的差异，计算所述第二评分；所述灰度图像和所述模糊图像的差异与所述第二评分负相关。
在一个可选的实现方式中，所述第四确定单元，具体用于计算所述待评价图像包含的每个像素点的Y分量；计算所述待评价图像包含的各像素点中第一像素点、第二像素点以及第三像素点的比例；所述第一像素点的Y分量小于第三阈值，所述第二像素点的Y分量大于或等于所述第三阈值，且小于或等于第四阈值，所述第三像素点大于所述第四阈值；所述第四阈值大于所述第三阈值；
计算所述待评价图像的所述第三评分的公式如下：
d＝(B1×R4+B2×R5+B3×R6)R4+R6；
其中，所述d为所述第三评分，所述R4、R5以及R6依次为所述第一像素点、所述第二像素点以及所述第三像素点的比例；所述B1、所述B2以及所述B3均为常数。
第三方面本申请提供了另一种电子设备，包括处理器以及存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面以及上述第一方面的任意一种可选的实现方式的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面以及上述第一方面的任意一种可选的实现方式方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1为本申请提供的一种行人图像质量评价方法；
图2为本申请提供的一个行人图像包含的各局部部位的示意图；
图3为本申请提供的一种参考区域的示意图；
图4为本申请提供的另一种行人图像质量评价方法；
图5为本申请提供的一种电子设备的结构示意图；
图6为本申请提供的另一种电子设备的结构示意图。
具体实施方式
图1为本申请提供的一种行人图像质量评价方法，如图1所示，该方法可包括：
101、确定待评价图像的第一评分；上述第一评分与上述待评价图像包含的行人图像的完整度正相关。
确定待评价图像的第一评分的步骤如下：
步骤一、利用背景分割深度神经网络确定待评价图像包含的各局部部位。
上述各局部部位为上述行人图像包含的头部区域、上身区域、下身区域以及鞋子区域。图2为本申请提供的一个行人图像包含的各局部部位的示意图。如图2所示，最左侧的图像为待评价图像，可以提取出右侧的四个局部部位的图像，依次为头部区域、上身区域、下身区域和鞋子区域。在实际应用中，可以从网络中下载公开数据集，训练得到背景分割深度神经网络。也可以采用其他方式，确定上述待评价图像包含的各部分，本申请不作限定。
步骤二、分别计算上述各局部部位包含的像素个数与上述行人图像包含的像素个数的比例，得到所述各局部部位的比例。
步骤三、根据所述各局部部位的比例，计算上述各局部部位分别对应的评分值。
上述各局部部位采用相同的方式计算评分值，具体的技术方式如下：
在所述各局部部位的比例小于各自对应的下限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例大于各自对应的上限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为一个常数；
其中，所述a为所述各局部部位中任一部位的评分值，所述L为所述下限阈值，所述U为所述上限阈值，R1为所述各局部部位中任一部位包含的像素个数与所述行人图像包含的像素个数的比例，所述M和所述K均为常数，所述上限阈值大于所述下限阈值。
所述各局部部位中不同局部部位对应的第一阈值和/或第二阈值可以不同。举例来说，头部区域对应的第一阈值为10％，第二阈值为20％；上身区域对应的第一阈值为30％，第二阈值为40％。可选的，上述M为1，上述K为101。当R1和U相等时，a等于100；当R1和L相等时，a等于100。可选的，在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为100。
本申请提供的一种优化行人图像包含的各局部部位的评分值的方法如下：
分别计算各局部部位各自对应的目标区域包含的像素个数与各自包含的像素个数的比例；所述各局部部位各自对应的目标区域为所述各局部部位各自在所述待评价图像对应的区域；
采用如下公式分别计算所述各局部部位各自对应的第一调整值：
b＝R2×F；
其中，上述b为上述第一调整值，上述R2为上述各局部部位中任一部位对应的目标区域包含的像素个数与其包含的像素个数的比例，上述F为常数；
在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第一调整值，得到所述各局部部位各自对应的新的评分值，即所述各局部部位各自优化后的评分值。
可选的，上述F为100。例如，各局部部位中的第一部位的评分值为95，第一调整值为15，则该第一部位新的评分值为80。上述行人图像包含的各个局部部位分别在上述待评价图像对应一个不同的区域。所述行人图像包含的各个部位的像素会有一个正常范围，不在正常范围的像素都会扣分。举例来说，头部区域包含的像素的正常范围在行人图像高度的0％到26％(该阈值按照经验得来，可以微调)。所述各局部部位中的任一部位对应的目标区域是指该部位在所述待评价图像对应的非正常范围中的部分所处的区域。举例来说，各局部部位中的第一部位为上身区域，上身区域包含的像素的正常范围在行人图像高度的12.4％到65.2％，该第一部位对应的目标区域为该第一部位在该行人图像高度的12.4％到65.2％之外的区域中所占的区域。
本申请提供的另一种优化行人图像包含的各局部部位的评分值的方法如下：
分别计算所述各局部部位各自对应的第一区域包含的像素点个数与所述各局部部位各自对应的第二区域包含的像素点个数的比例；所述各局部部位中任一部位对应的第一区域为其与参考区域的交集，所述各局部部位中任一部位对应的第二区域为其与参考区域的并集；所述参考区域为根据至少两个图像确定的所述第一部位对应的部位所处的区域；
采用如下公式分别计算所述各局部部位各自对应的第二调整值：
c＝(1-R3)×H；
其中，所述c为所述第二调整值，所述R3为所述各局部部位中任一部位对应的第一区域包含的像素个数与其对应的第二区域包含的像素个数的比例，所述H为常数；
在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第二调整值，得到所述各局部部位各自优化后的评分值。
可选的，上述H为10。图3为本申请提供的一种参考区域的示意图，如图3所示，从左到右依次为头部、上身、下身对应的参考区域。可以理解，头部、上身以及下身对应不同的参考区域。举例来说，第一部位为头部区域，则第一区域为头部区域与该头部区域对应的参考区域的交集，第二区域为该头部区域与该头部区域对应的参考区域的并集。
可以理解，各局部部位分别对应的评分值可以是根据各局部部位各自的比例，计算得到的上述各局部部位各自的评分值；也可以是在上述各局部部位各自的评分值的基础上减去各自对应的第一调整值；还可以是在上述各局部部位各自的评分值的基础上减去各自对应的第二调整值；还可以是在上述各局部部位各自的评分值的基础上减去各自对应的第一调整值以及各自对应的第二调整值。举例来说，各局部部位中的第一部位的评分值可以是a，该a表示根据该第一部位包含的像素个数与行人图像包含的像素个数的比例，计算得到的评分值；也可以是该a减去b，该b表示该第一部位对应的第一调整值；还可以是该a减去c，该c表示该第一部位对应的第二调整值；还可以是该a减去该b和该c。
步骤四、根据上述各局部部位分别对应的评分值，确定第一评分。
可选的，将上述各局部部位分别对应的评分值相加，得到上述第一评分。
在实际应用中，行人图像包含的各局部部位的评分值最高为100，可以依次计算行人图像包含的头部区域、上身区域、下身区域以及鞋子区域的评分值；再将各评分值的相加之和除以400，得到第一评分。
102、确定上述待评价图像的第二评分；上述第二评分与上述待评价图像的模糊度负相关。
可选的，根据上述待评价图像进行模糊处理后的图像与上述待评价图像的差异，确定上述第二评分；上述待评价图像进行模糊处理后的图像与上述待评价图像的差异和上述第二评分负相关。具体的，可以将上述待评价图像进行模糊处理，计算上述待评价图像模糊处理前后的差异，进而确定该待评价图像的模糊度。本申请中，可以采用任意一种方法计算上述待评价图像的模糊度，本申请不作限定。其中，步骤101和步骤102的执行没有先后顺序，可以同时执行步骤101和步骤102；也可以先执行步骤101后执行步骤102；还可以先执行步骤102后执行步骤101。
本申请提供的一种计算待评价图像的第二评分的方法，可包括如下步骤：
步骤一、生成待评价图像对应的灰度图像。
具体的，可以通过公式Gray＝0.2989R+0.5870G+0.1140B，计算得到待评价图像的灰度图像。其中，Gray为灰度图像的像素点的灰度值，R、G、B分别为待处理图像当前像素点的红、绿、蓝三个通道的值。
步骤二、生成上述灰度图像对应的模糊图像。
在现有技术中，存在多种对灰度图像进行模糊处理的方法，这里可以采用任一种模糊处理方法，得到灰度图像对应的模糊图像。
步骤三、计算上述灰度图像包含的像素点集合的标准差的平方，计算公式如下：
其中，上述DG为像素点集合G的标准差的平方，上述iG为像素点G的值，上述MG为以上述像素点G为起点的右下方C×C个像素点的平均值，即该像素点集合G包含的各个像素点的平均值，上述N等于C×C。可选的，上述C为8，上述N为64。上述灰度图像包含的每个像素点集合包含以一个像素点为起点的右下方C×C个像素点。
步骤四、计算上述模糊图像包含的像素点集合的标准差的平方，计算公式如下：
其中，上述DB为像素点集合B的标准差的平方，上述iB为上述像素点B的值，上述MB为以上述像素点B为起点的右下方C×C个像素点的平均值，即该像素点集合B包含的各个像素点的平均值，上述N等于C×C。上述模糊图像包含的每个像素点集合包含以一个像素点为起点的右下方C×C个像素点。
步骤五、计算上述灰度图像和上述模糊图像相对应的像素点集合的结构性差异，计算公式如下：
其中，上述Corr为上述结构性差异。
步骤六、计算上述灰度图像和上述模糊图像相对应的像素点集合的亮度对比值，计算公式如下：
其中，上述fl为上述亮度对比值，上述C1为常数。
步骤七、计算上述灰度图像和上述模糊图像相对应像素点集合的对比度对比值，计算公式如下：
其中，上述fC为上述对比度对比值，上述C2为常数。
步骤八、计算上述灰度图像和上述模糊图像相对应像素点集合的结构对比值，计算公式如下：
其中，上述fs为上述结构对比值，上述C3为常数。
可选的，C1＝(0.01+255)2，C2＝(0.03+255)2，
步骤九、计算上述第二评分的公式如下：
其中，上述SO为上述第二评分，上述w和上述h依次为上述待评价图像的宽和高。
103、根据上述第一评分和上述第二评分，确定目标评分；上述目标评分为上述待评价图像的质量评分。
可选的，计算上述第一评分和上述第二评分的加权和，得到上述目标评分。举例来说，第一评分为80，该第一评分的权重为0.6，第二评分为90，该第二评分的权重为0.4，则目标评分为80×0.6+90×0.4。
可选的，确定上述待评价图像的第三评分；上述第三评分与上述待评价图像的光照质量正相关；计算上述第一评分、上述第二评分以及上述第三评分的加权和，得到上述目标评分。具体的，计算目标评分的公式如下：
S＝0.5×A1+0.4×A2+0.1×A3。
其中，A1、A2以及A3依次为第一评分、第二评分以及第三评分，S为目标评分，0.5、0.4、以及0.1依次为第一评分、第二评分以及第三评分的权重。确定上述待评价图像的第三评分的步骤如下：
步骤一、计算待评价图像包含的每个像素点的Y分量。
可选的，将上述待评价图像从RGB通道转换成YUV通道。Y分量表示明亮度，即灰度值。
步骤二、计算上述待评价图像包含的各像素点中第一像素点、第二像素点以及第三像素点的比例。
上述第一像素点的Y分量小于第三阈值，上述第二像素点的Y分量大于或等于上述第三阈值，且小于或等于第四阈值，上述第三像素点大于上述第四阈值；所述第四阈值大于所述第三阈值。
步骤三、计算上述待评价图像的上述第三评分的公式如下：
d＝(B1×R4+B2×R5+B3×R6)R4+R6；
其中，上述d为上述第三评分，上述R4、R5以及R6依次为上述第一像素点、上述第二像素点以及上述第三像素点的比例；上述B1、上述B2以及上述B3均为常数。可选的，上述第三阈值为70，上述第四阈值为200，B1为0.2，B2位1，B3位0.2。
本申请中，根据待评价图像包含的行人图像的完整度以及该待评价图像的模糊度确定该待评价图像的质量；可以合理、客观地评价行人图像的质量。
图4为本申请提供的另一种行人图像质量评价方法，如图4所示，该方法包括：
401、获取待评价图像。
402、利用背景分割深度神经网络模型提取出上述待评价图像包含的各局部部位。
403、根据提取出的各局部部位计算上述待评价图像的质量评分。
具体的实现方式与图1中的方式相同，这里不再详述。
404、输出带质量评分的上述待评价图像。
可选的，质量判断分数低于某个设定的阈值的图像视为质量差的图像，可以删除该图像或执行其他操作。
本申请中，可以合理、客观地评价行人图像的质量。
图5为本申请提供的一种电子设备的结构示意图，如图5所示，该电子设备可包括：
第一确定单元501，用于确定待评价图像的第一评分；上述第一评分与上述待评价图像包含的行人图像的完整度正相关；
第二确定单元502，用于确定上述待评价图像的第二评分；上述第二评分与上述待评价图像的模糊度负相关；
第三确定单元503，用于确定根据上述第一评分和上述第二评分，确定目标评分；上述目标评分为上述待评价图像的质量评分。
具体实现方法与图1中的方法相同，这里不再详述。
在一个可选的实现方式中，上述第三确定单元503，具体用于计算上述第一评分和上述第二评分的加权和，得到上述目标评分。
在一个可选的实现方式中，所述电子设备还包括：
第四确定单元504，用于确定上述待评价图像的第三评分；上述第三评分与上述待评价图像的光照质量正相关；
所述第三确定单元503，具体用于计算上述第一评分、上述第二评分以及上述第三评分的加权和，得到上述目标评分。
在一个可选的实现方式中，上述第一确定单元501，具体用于利用背景分割深度神经网络确定上述待评价图像包含的各局部部位；上述各局部部位为上述行人图像包含的头部区域、上身区域、下身区域以及鞋子区域；根据上述待评价图像包含的各局部部位，确定上述第一评分。
在一个可选的实现方式中，上述第一确定单元501，具体用于分别计算所述各局部部位包含的像素个数与所述行人图像包含的像素个数的比例，得到所述各局部部位的比例；
在所述各局部部位的比例小于各自对应的下限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例大于各自对应的上限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为一个常数；
其中，所述a为所述各局部部位中任一部位的评分值，所述L为所述下限阈值，所述U为所述上限阈值，R1为所述各局部部位中任一部位包含的像素个数与所述行人图像包含的像素个数的比例，所述M和所述K均为常数，所述上限阈值大于所述下限阈值；
根据所述各局部部位分别对应的评分值，确定所述第一评分。
在一个可选的实现方式中，上述电子设备还包括：
第一计算单元505，用于分别计算所述各局部部位各自对应的目标区域包含的像素个数与各自包含的像素个数的比例；所述各局部部位各自对应的目标区域为所述各局部部位各自在所述待评价图像对应的区域；
采用如下公式分别计算所述各局部部位各自对应的第一调整值：
b＝R2×F；
其中，所述b为所述第一调整值，所述R2为所述各局部部位中任一部位对应的目标区域包含的像素个数与其包含的像素个数的比例，所述F为常数；
所述第一确定单元501，具体用于在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第一调整值，得到新的评分值；根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
在一个可选的实现方式中，上述电子设备还包括：
第二计算单元506，用于分别计算所述各局部部位各自对应的第一区域包含的像素点个数与所述各局部部位各自对应的第二区域包含的像素点个数的比例；所述各局部部位中任一部位对应的第一区域为其与参考区域的交集，所述各局部部位中任一部位对应的第二区域为其与参考区域的并集；所述参考区域为根据至少两个图像确定的所述第一部位对应的部位所处的区域；
采用如下公式分别计算所述各局部部位各自对应的第二调整值：
c＝(1-R3)×H；
其中，所述c为所述第二调整值，所述R3为所述各局部部位中任一部位对应的第一区域包含的像素个数与其对应的第二区域包含的像素个数的比例，所述H为常数；
所述第一确定单元501，具体用于在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第二调整值，得到新的评分值；根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
在一个可选的实现方式中，上述第二确定单元502，具体用于根据上述待评价图像进行模糊处理后的图像与上述待评价图像的差异，确定上述第二评分；上述待评价图像进行模糊处理后的图像与上述待评价图像的差异和上述第二评分负相关。
在一个可选的实现方式中，上述第二确定单元502，具体用于生成上述待评价图像对应的灰度图像；生成上述灰度图像对应的模糊图像；根据上述灰度图像和上述模糊图像的差异，计算上述第二评分；上述灰度图像和上述模糊图像的差异与上述第二评分负相关。
在一个可选的实现方式中，上述第四确定单元504，具体用于计算上述待评价图像包含的每个像素点的Y分量；计算上述待评价图像包含的各像素点中第一像素点、第二像素点以及第三像素点的比例；上述第一像素点的Y分量小于第三阈值，上述第二像素点的Y分量大于或等于上述第三阈值，且小于或等于第四阈值，上述第三像素点大于上述第四阈值；上述第四阈值大于上述第三阈值；
计算上述待评价图像的上述第三评分的公式如下：
d＝(B1×R4+B2×R5+B3×R6)R4+R6；
其中，上述d为上述第三评分，上述R4、R5以及R6依次为上述第一像素点、上述第二像素点以及上述第三像素点的比例；上述B1、上述B2以及上述B3均为常数。
参见图6，是本申请提供的另一种电子设备的结构示意图。如图6所示的本实施例中的电子设备可以包括：一个或多个处理器601和存储器602。上述处理器601和存储器602通过总线603连接。存储器602用于存储指令，处理器601用于执行存储器602存储的指令。其中，处理器601用于：分别确定待评价图像的第一评分和第二评分；上述第一评分与上述待评价图像包含的行人图像的完整度正相关，上述第二评分与上述待评价图像的模糊度负相关；根据上述第一评分和上述第二评分，确定目标评分；上述目标评分为上述待评价图像的质量评分。
应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器602可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器602的一部分还可以包括非易失性随机存取存储器。例如，存储器602还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器601和存储器602可执行本发明实施例提供的行人图像质量评价方法的前述任一实施例所描述的实现方式，也可执行本发明实施例所描述的电子设备的实现方式，在此不再赘述。具体的，处理器601可实现第一确定单元501、第二确定单元502、第三确定单元503、第四确定单元504、第一计算单元505和第二计算单元506的功能。
在本发明的实施例中提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现：分别确定待评价图像的第一评分和第二评分；上述第一评分与上述待评价图像包含的行人图像的完整度正相关，上述第二评分与上述待评价图像的模糊度负相关；根据上述第一评分和上述第二评分，确定目标评分；上述目标评分为上述待评价图像的质量评分。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种行人图像质量评价方法，其特征在于，包括：
分别确定待评价图像的第一评分和第二评分；所述第一评分与所述待评价图像包含的行人图像的完整度正相关；所述第二评分与所述待评价图像的模糊度负相关；
根据所述第一评分和所述第二评分，确定目标评分；所述目标评分为所述待评价图像的质量评分；
所述确定待评价图像的第二评分包括：
生成所述待评价图像对应的灰度图像；
生成所述灰度图像对应的模糊图像；
根据所述灰度图像和所述模糊图像的差异，计算所述第二评分；所述灰度图像和所述模糊图像的差异与所述第二评分负相关。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一评分和所述第二评分，确定目标评分包括：
计算所述第一评分和所述第二评分的加权和，得到所述目标评分。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述待评价图像的第三评分；所述第三评分与所述待评价图像的光照质量正相关；
所述根据所述第一评分和所述第二评分，确定目标评分还包括：
计算所述第一评分、所述第二评分以及所述第三评分的加权和，得到所述目标评分。
4.根据权利要求1所述的方法，其特征在于，所述确定待评价图像的第一评分包括：
利用背景分割深度神经网络确定所述待评价图像包含的各局部部位；所述各局部部位为所述行人图像包含的头部区域、上身区域、下身区域以及鞋子区域；
根据所述待评价图像包含的各局部部位，确定所述第一评分。
5.根据权利要求4所述的方法，其特征在于，所述根据所述待评价图像包含的各局部部位，确定所述第一评分包括：
分别计算所述各局部部位包含的像素个数与所述行人图像包含的像素个数的比例，得到所述各局部部位的比例；
在所述各局部部位的比例小于各自对应的下限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例大于各自对应的上限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为一个常数；
其中，所述a为所述各局部部位中任一部位的评分值，所述L为所述下限阈值，所述U为所述上限阈值，R1为所述各局部部位中任一部位包含的像素个数与所述行人图像包含的像素个数的比例，所述M和所述K均为常数，所述上限阈值大于所述下限阈值；
根据所述各局部部位分别对应的评分值，确定所述第一评分。
6.根据权利要求5所述的方法，其特征在于，所述根据所述待评价图像包含的各局部部位，确定所述第一评分还包括：
分别计算所述各局部部位各自对应的目标区域包含的像素个数与各自包含的像素个数的比例；所述各局部部位各自对应的目标区域为所述各局部部位各自在所述待评价图像对应的区域；
采用如下公式分别计算所述各局部部位各自对应的第一调整值：
b＝R2×F；
其中，所述b为所述第一调整值，所述R2为所述各局部部位中任一部位对应的目标区域包含的像素个数与其包含的像素个数的比例，所述F为常数；
所述根据所述各局部部位分别对应的评分值，确定所述第一评分，具体为：
在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第一调整值，得到新的评分值；
根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述待评价图像包含的各局部部位，确定所述第一评分还包括：
分别计算所述各局部部位各自对应的第一区域包含的像素点个数与所述各局部部位各自对应的第二区域包含的像素点个数的比例；所述各局部部位中任一部位对应的第一区域为其与参考区域的交集，所述各局部部位中任一部位对应的第二区域为其与参考区域的并集；所述参考区域为根据至少两个图像确定的所述第一部位对应的部位所处的区域；
采用如下公式分别计算所述各局部部位各自对应的第二调整值：
c＝(1-R3)×H；
其中，所述c为所述第二调整值，所述R3为所述各局部部位中任一部位对应的第一区域包含的像素个数与其对应的第二区域包含的像素个数的比例，所述H为常数；
所述根据所述各局部部位分别对应的评分值，确定所述第一评分，具体为：
在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第二调整值，得到新的评分值；
根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
8.根据权利要求3所述的方法，其特征在于，所述确定所述待评价图像的第三评分包括：
计算所述待评价图像包含的每个像素点的Y分量；
计算所述待评价图像包含的各像素点中第一像素点、第二像素点以及第三像素点的比例；所述第一像素点的Y分量小于第三阈值，所述第二像素点的Y分量大于或等于所述第三阈值，且小于或等于第四阈值，所述第三像素点大于所述第四阈值；所述第四阈值大于所述第三阈值；
计算所述待评价图像的所述第三评分的公式如下：
d＝(B1×R4+B2×R5+B3×R6)R4+R6；
其中，所述d为所述第三评分，所述R4、R5以及R6依次为所述第一像素点、所述第二像素点以及所述第三像素点的比例；所述B1、所述B2以及所述B3均为常数。
9.一种电子设备，其特征在于，包括：
第一确定单元，用于确定待评价图像的第一评分；所述第一评分与所述待评价图像包含的行人图像的完整度正相关；
第二确定单元，用于确定所述待评价图像的第二评分；所述第二评分与所述待评价图像的模糊度负相关；
第三确定单元，用于根据所述第一评分和所述第二评分，确定目标评分；所述目标评分为所述待评价图像的质量评分；
所述第二确定单元，具体用于生成所述待评价图像对应的灰度图像；生成所述灰度图像对应的模糊图像；根据所述灰度图像和所述模糊图像的差异，计算所述第二评分；所述灰度图像和所述模糊图像的差异与所述第二评分负相关。
10.根据权利要求9所述的电子设备，其特征在于，
所述第三确定单元，具体用于计算所述第一评分和所述第二评分的加权和，得到所述目标评分。
11.根据权利要求9所述的电子设备，其特征在于，所述电子设备还包括：
第四确定单元，用于确定所述待评价图像的第三评分；所述第三评分与所述待评价图像的光照质量正相关；
所述第三确定单元，具体用于计算所述第一评分、所述第二评分以及所述第三评分的加权和，得到所述目标评分。
12.根据权利要求9所述的电子设备，其特征在于，
所述第一确定单元，具体用于利用背景分割深度神经网络确定所述待评价图像包含的各局部部位；所述各局部部位为所述行人图像包含的头部区域、上身区域、下身区域以及鞋子区域；根据所述待评价图像包含的各局部部位，确定所述第一评分。
13.根据权利要求12所述的电子设备，其特征在于，
所述第一确定单元，具体用于分别计算所述各局部部位包含的像素个数与所述行人图像包含的像素个数的比例，得到所述各局部部位的比例；
在所述各局部部位的比例小于各自对应的下限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例大于各自对应的上限阈值的情况下，采用如下公式分别计算所述各局部部位的评分值：
在所述各局部部位的比例不小于所述下限阈值且不大于所述上限阈值的情况下，所述各局部部位的评分值均为一个常数；
其中，所述a为所述各局部部位中任一部位的评分值，所述L为所述下限阈值，所述U为所述上限阈值，R1为所述各局部部位中任一部位包含的像素个数与所述行人图像包含的像素个数的比例，所述M和所述K均为常数，所述上限阈值大于所述下限阈值；
根据所述各局部部位分别对应的评分值，确定所述第一评分。
14.根据权利要求13所述的电子设备，其特征在于，所述电子设备还包括：
第一计算单元，用于分别计算所述各局部部位各自对应的目标区域包含的像素个数与各自包含的像素个数的比例；所述各局部部位各自对应的目标区域为所述各局部部位各自在所述待评价图像对应的区域；
采用如下公式分别计算所述各局部部位各自对应的第一调整值：
b＝R2×F；
其中，所述b为所述第一调整值，所述R2为所述各局部部位中任一部位对应的目标区域包含的像素个数与其包含的像素个数的比例，所述F为常数；
所述第一确定单元，具体用于在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第一调整值，得到新的评分值；根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
15.根据权利要求13或14所述的电子设备，其特征在于，所述电子设备还包括：
第二计算单元，用于分别计算所述各局部部位各自对应的第一区域包含的像素点个数与所述各局部部位各自对应的第二区域包含的像素点个数的比例；所述各局部部位中任一部位对应的第一区域为其与参考区域的交集，所述各局部部位中任一部位对应的第二区域为其与参考区域的并集；所述参考区域为根据至少两个图像确定的所述第一部位对应的部位所处的区域；
采用如下公式分别计算所述各局部部位各自对应的第二调整值：
c＝(1-R3)×H；
其中，所述c为所述第二调整值，所述R3为所述各局部部位中任一部位对应的第一区域包含的像素个数与其对应的第二区域包含的像素个数的比例，所述H为常数；
所述第一确定单元，具体用于在所述各局部部位各自的评分值的基础上减去所述各局部部位各自对应的第二调整值，得到新的评分值；根据所述各局部部位分别对应的新的评分值，确定所述第一评分。
16.根据权利要求11所述的电子设备，其特征在于，
所述第四确定单元，具体用于计算所述待评价图像包含的每个像素点的Y分量；
计算所述待评价图像包含的各像素点中第一像素点、第二像素点以及第三像素点的比例；所述第一像素点的Y分量小于第三阈值，所述第二像素点的Y分量大于或等于所述第三阈值，且小于或等于第四阈值，所述第三像素点大于所述第四阈值；所述第四阈值大于所述第三阈值；
计算所述待评价图像的所述第三评分的公式如下：
d＝(B1×R4+B2×R5+B3×R6)R4+R6；
其中，所述d为所述第三评分，所述R4、R5以及R6依次为所述第一像素点、所述第二像素点以及所述第三像素点的比例；所述B1、所述B2以及所述B3均为常数。
17.一种电子设备，其特征在于：包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现如权利要求1-8中任一项所述的行人图像质量评价方法的步骤。
18.一种存储介质，所述存储介质存储有计算机程序，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1-8中任一项所述的行人图像质量评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810498714.8A CN108961209B (zh) | 2018-05-22 | 2018-05-22 | 行人图像质量评价方法、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810498714.8A CN108961209B (zh) | 2018-05-22 | 2018-05-22 | 行人图像质量评价方法、电子设备及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961209A CN108961209A (zh) | 2018-12-07 |
| CN108961209B true CN108961209B (zh) | 2022-11-11 |
Family
ID=64499329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810498714.8A Active CN108961209B (zh) | 2018-05-22 | 2018-05-22 | 行人图像质量评价方法、电子设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961209B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712134B (zh) * | 2018-12-28 | 2020-11-06 | 武汉虹识技术有限公司 | 虹膜图像质量评价方法、装置及电子设备 |
| CN113012089A (zh) * | 2019-12-19 | 2021-06-22 | 北京金山云网络技术有限公司 | 一种图像质量评价方法及装置 |
| CN110874840A (zh) * | 2019-12-27 | 2020-03-10 | 上海国民集团健康科技有限公司 | 一种望诊图像质量评价方法、装置、设备及存储介质 |
| CN114066877A (zh) * | 2021-11-25 | 2022-02-18 | 深圳市商汤科技有限公司 | 图像筛选方法及装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5512899A (en) * | 1994-03-08 | 1996-04-30 | National Space Development Agency Of Japan | Method of evaluating the image quality of a synthetic aperture radar |
| CN101404778A (zh) * | 2008-07-16 | 2009-04-08 | 河北师范大学 | 综合的无参考视频质量评价方法 |
| CN104268888A (zh) * | 2014-10-09 | 2015-01-07 | 厦门美图之家科技有限公司 | 一种图像模糊检测方法 |
| CN104850823A (zh) * | 2015-03-26 | 2015-08-19 | 浪潮软件集团有限公司 | 一种虹膜图像的质量评价方法及装置 |
| CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
-
2018
- 2018-05-22 CN CN201810498714.8A patent/CN108961209B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5512899A (en) * | 1994-03-08 | 1996-04-30 | National Space Development Agency Of Japan | Method of evaluating the image quality of a synthetic aperture radar |
| CN101404778A (zh) * | 2008-07-16 | 2009-04-08 | 河北师范大学 | 综合的无参考视频质量评价方法 |
| CN104268888A (zh) * | 2014-10-09 | 2015-01-07 | 厦门美图之家科技有限公司 | 一种图像模糊检测方法 |
| CN104850823A (zh) * | 2015-03-26 | 2015-08-19 | 浪潮软件集团有限公司 | 一种虹膜图像的质量评价方法及装置 |
| CN107784651A (zh) * | 2017-10-31 | 2018-03-09 | 中国矿业大学 | 一种基于模糊检测加权的模糊图像质量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961209A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961209B (zh) | 行人图像质量评价方法、电子设备及计算机可读介质 | |
| Zhang et al. | The application of visual saliency models in objective image quality assessment: A statistical evaluation | |
| Gu et al. | No-reference quality metric of contrast-distorted images based on information maximization | |
| Bahrami et al. | A fast approach for no-reference image sharpness assessment based on maximum local variation | |
| Basilio et al. | Explicit image detection using YCbCr space color model as skin detection | |
| US8811733B2 (en) | Method of chromatic classification of pixels and method of adaptive enhancement of a color image | |
| US20050286802A1 (en) | Method for detecting and selecting good quality image frames from video | |
| CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
| US9305208B2 (en) | System and method for recognizing offensive images | |
| US11790499B2 (en) | Certificate image extraction method and terminal device | |
| JP2004357277A (ja) | デジタル画像処理方法 | |
| KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
| Xiang et al. | Blind night-time image quality assessment: Subjective and objective approaches | |
| CN108961260B (zh) | 图像二值化方法及装置、计算机存储介质 | |
| CN111183630B (zh) | 一种智能终端的照片处理方法及处理装置 | |
| CN108769543B (zh) | 曝光时间的确定方法及装置 | |
| CN109982012B (zh) | 图像处理方法及装置、存储介质、终端 | |
| CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
| Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
| JP2004246618A (ja) | パターン認識における照合に用いられる画像の生成ならびに同画像を用いたパターン認識のための方法、装置、およびプログラム | |
| Yang et al. | Blind image quality assessment on authentically distorted images with perceptual features | |
| Sonawane et al. | Image quality assessment techniques: An overview | |
| Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
| JP2009258770A (ja) | 画像処理方法、画像処理装置、画像処理プログラム、撮像装置 | |
| CN111147693B (zh) | 一种全尺寸拍照图像的降噪方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |