CN110046573A - 人脸图像的识别方法、装置、计算机设备和存储介质 - Google Patents
人脸图像的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110046573A CN110046573A CN201910299334.6A CN201910299334A CN110046573A CN 110046573 A CN110046573 A CN 110046573A CN 201910299334 A CN201910299334 A CN 201910299334A CN 110046573 A CN110046573 A CN 110046573A
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- facial image
- target treatment
- value
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种人脸图像的识别方法、装置、计算机设备和存储介质。该方法包括:计算机设备先获取待识别图像;再采用预设的图像识别模型,对该待识别图像进行人脸特征识别;其中的图像识别模型是预先对存在阴阳脸的图像和正常人脸图像进行训练得到的人脸识别模型。所以,本申请提出的人脸图像的识别方法,识别的准确性较高。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种人脸图像的识别方法、装置、计算机设备和存储介质。
背景技术
随着图像识别技术的发展和应用,越来越多的图像识别技术应用在了对人脸的图像识别上。但是,在一些应用环境中,比如光照、拍摄视角、遮挡等不同条件造成的阴阳脸类型的图像,会导致图像识准确度的下降,或者无法进行人脸的图像识别。因此,对上述阴阳脸类型的人脸图像的识别成为了现下关注的问题。
目前,传统的对存在阴阳脸的图像识别方法,包括:先获取需要识别的人脸图像,再进一步的判断该人脸图像是否为阴阳脸,若是,则启用相应的图像修正方法对该阴阳脸类型的人脸图像进行修正,再将修正后的图像作为识别结果进行输出。
但是,上述对存在阴阳脸的图像识别方法,由于在图像识别过程中,对原始图像进行了改造,进而破坏了原始图像信息的分布,从而降低了对图像识别的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高图像识别的准确性的方法、装置、计算机设备和存储介质。
第一方面,一种人脸图像的识别方法,所述方法包括:
获取待识别图像;采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
在其中一个实施例中,所述方法还包括:
获取所述存在阴阳脸的图像和所述正常人脸图像;将所述存在阴阳脸的图像和所述正常人脸图像,输入到预设人脸识别模型中,获取图像特征信息;将所述图像特征信息输入预设的损失函数中,根据所述损失函数的值调整所述预设人脸识别模型的参数,直至所述损失函数的值达到预设阈值为止,得到所述图像识别模型。
在其中一个实施例中,所述获取所述存在阴阳脸的图像,包括:
采用预设的图像处理方法,对所述正常人脸图像进行亮度处理,得到所述存在阴阳脸的图像。
在其中一个实施例中,所述采用预设的图像处理方法,对所述正常人脸图像进行亮度处理,得到所述存在阴阳脸的图像,包括:
根据所述正常人脸图像中的关键点,从所述正常人脸图像中确定目标处理区域;所述目标处理区域中包括所述关键点;根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定亮度概率值;根据所述亮度概率值对所述目标处理区域中的各像素点进行亮度处理,得到所述存在阴阳脸的图像。
在其中一个实施例中,所述根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定亮度概率值,包括:
根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定所述目标处理区域与所述正常人脸图像的亮度比例;采用预设概率计算方法,根据所述亮度比例确定所述亮度概率值。
在其中一个实施例中,所述根据所述亮度概率对所述目标处理区域中的各像素点进行亮度处理,得到所述存在阴阳脸的图像,包括:
根据所述亮度概率值确定所述目标处理区域中各像素点对应的亮度指标;根据所述亮度指标,对所述目标处理区域中的各像素点进行提亮或者变暗处理,得到所述存在阴阳脸的图像。
在其中一个实施例中,所述根据所述亮度指标,对所述目标处理区域中的各像素点进行提亮或者变暗处理,包括:
若所述亮度指标为所述提亮指标,则根据预设的放大比例值对所述目标处理区域中的各像素点进行提亮处理;若所述亮度指标为所述变暗指标,则根据预设的缩小比例值对所述目标处理区域中的各像素点进行变暗处理。
在其中一个实施例中,所述根据放大比例值对所述目标处理区域中的各像素点进行提亮处理,包括:
根据所述目标处理区域中的所有像素值获取所述放大比例值;根据所述放大比例值,对所述目标处理区域中的各像素点进行等间距放大。
在其中一个实施例中,所述根根据缩小比例值对所述目标处理区域中的各像素点进行变暗处理,包括:
采用随机选择方法确定所述缩小比例值;所述缩小比例不小于0,且不大于1;根据所述缩小比例值,对所述目标处理区域中的各像素点进行等间距缩小。
在其中一个实施例中,所述采用预设的图像处理方法,对所述对应的正常人脸图像进行亮度处理之后,还包括:
采用预设的平滑处理方法,对经过亮度处理后的人脸图像进行平滑处理。
在其中一个实施例中,所述采用预设的平滑处理方法,对经过亮度处理后的人脸图像进行平滑处理,包括:
从经过亮度处理后的目标处理区域中获取中心像素点;根据所述中心像素点与预设像素点,确定平滑系数;根据所述平滑系数,对所述经过亮度处理后的目标处理区域中的各像素点进行不等间距放大或不等间距缩小。
第二方面,一种人脸图像的识别装置,所述装置包括:
第一获取模块,用于获取待识别图像;
识别模块,用于采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述预设的图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面任一实施例所述的人脸图像的识别方法。
第四方面,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第一方面任一实施例所述的人脸图像的识别方法。
本申请提供的一种人脸图像的识别方法、装置、计算机设备和存储介质,包括:获取待识别图像,采用预设的图像识别模型,对待识别图像进行人脸特征识别。在上述图像识别过程中,由于预设的图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型,所以,该图像识别模型可以对存在阴阳脸的图像进行人脸识别。相比于传统的对存在阴阳脸的图像的识别方法,本申请提出的人脸图像的识别方法不需要对待识别图像进行修正,因此,不会破坏待识别图像的信息分布,从而避免了因对待识别图像的修正带来的识别误差,进而提高了对待识别图像的识别准确性。
附图说明
图1为一个实施例提供的一种计算机设备的内部结构示意图;
图2为一个实施例提供的一种人脸图像的识别方法的流程图;
图3为一个实施例提供的一种人脸图像的识别方法的流程图;
图4为一个实施例提供的一种人脸图像的识别方法的流程图;
图5为图4实施例S302的一种实现方式的流程图;
图6为图4实施例S303的一种实现方式的流程图;
图7为图6实施例S502的一种实现方式的流程图;
图8为图7实施例S601的一种实现方式的流程图;
图9为图7实施例S602的一种实现方式的流程图;
图10为一个实施例提供的一种人脸图像的识别方法的流程图;
图11为一个实施例提供的一种人脸图像的识别装置的结构示意图;
图12为一个实施例提供的一种人脸图像的识别装置的结构示意图;
图13为一个实施例提供的一种人脸图像的识别装置的结构示意图;
图14为一个实施例提供的一种人脸图像的识别装置的结构示意图;
图15为一个实施例提供的一种人脸图像的识别装置的结构示意图;
图16为一个实施例提供的一种人脸图像的识别装置的结构示意图;
图17为一个实施例提供的一种人脸图像的识别装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的人脸图像的识别方法,可以应用于如图1所示的计算机设备中。该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸图像的识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
在一个实施例中,图2为一个实施例提供的一种人脸图像的识别方法的流程图。本实施例的执行主体为计算机设备,本实施例涉及的是计算机设备对人脸图像进行识别的具体过程。如图2所示,该方法包括:
S101、获取待识别图像。
其中,待识别图像可以包括各种类型的人脸图像,例如,黑白人脸图像、彩色人脸图像、模糊人脸图像、变形人脸图像、阴阳人脸图像等。
本实施例中,当计算机设备准备开始执行人脸识别操作时,可以先通过扫描图像的方式获取待识别图像,可选的,计算机设备也可以直接从网络上下载图片来获取待识别图像;可选的,计算机设备还可以从其它能够存储图片的数据库或介质中获取待识别图像,本实施例对此不做限制。
S102、采用预设的图像识别模型,对待识别图像进行人脸特征识别;所述预设的图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
其中,存在阴阳脸的图像为一种由于光照、遮挡等原因,在人脸面部产生不同程度的过亮或过暗区域的人脸图像。
本实施例中,当计算机设备获取到待识别图像时,可以将该待识别图像输入到一个预设的图像识别模型中,使该图像识别模型可以对待识别图像中的人脸特征进行识别,从而完成对待识别图像的识别。需要说明的是,由于上述在识别过程中所使用的图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型,所以,若待识别图像为一种存在阴阳脸的图像时,上述图像识别模型仍然能够对存在阴阳脸的图像进行准确的人脸识别。另外,本实施例中的存在阴阳脸的图像为预设的图像识别模型的一个训练数据集,其可以预先由计算机设备对正常人脸图像进行图像处理后获得,可选的,也可以预先由计算机设备直接从网络上下载得到,或通过其它数据库或介质得到。
上述实施例提供的一种人脸图像的识别方法,包括:获取待识别图像,采用预设的图像识别模型,对待识别图像进行人脸特征识别。在上述图像识别过程中,由于预设的图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型,所以,该图像识别模型可以对存在阴阳脸的图像进行人脸识别,将该存在阴阳脸的图像直接输入到预设的图像识别模型中,该预设的图像识别模型就可以得到较准确的识别出阴阳脸的图像。相比于传统的对存在阴阳脸的图像的识别方法,本申请提出的人脸图像的识别方法不需要对待识别图像进行修正,因此,不会破坏待识别图像的信息分布,从而避免了因对待识别图像的修正带来的识别误差,进而提高了对待识别图像的识别准确性。
基于上述实施例所述的方法,上述实施例所述的人脸图像的识别方法中使用的图像识别模型不仅具有识别正常人脸图像的能力,还同时具有识别阴阳脸图像的能力。例如,上述图像识别模型可以识别天然的带有阴阳脸信息的图像,可选的,也可以识别进过加工处理后生成的带有阴阳脸信息的图像,可选的,还可以识别经过自动弱化某区域识别信息后的带有阴阳脸信息的图像。对此本实施例不做限制,只要图像中带有阴阳脸信息,不管明显与否,本申请提供的人脸图像的识别方法均能实现对输入的图像的识别。
在一个实施例中,图3为一个实施例提供的一种人脸图像的识别方法的流程图。本实施例涉及的是计算机设备对一种人脸识别模型进行训练,得到上述图像识别模型的具体过程。如图2所示,该方法包括:
S201、获取存在阴阳脸的图像和正常人脸图像。
本实施例中的存在阴阳脸的图像和对应的正常人脸图像为训练得到图像识别模型时所使用的两个图像数据集。计算机设备在训练人脸识别模型时,可以预先获取一个正常人脸图像,再采用相应的图像处理方法对该正常人脸图像进行图像处理,得到与该正常人脸图像对应的存在阴阳脸的图像;可选的,计算机设备也可以预先通过扫描一个正常人脸的方式获取一个正常人脸图像,再通过遮挡该正常人脸或改变照射到该正常人脸的光照强度,以使该正常人脸转变成阴阳脸,然后,计算机设备就可以通过扫描该阴阳脸的方式获取与上述正常人脸对应的存在阴阳脸的图像;可选的,计算机设备还可以直接从数据库或其它介质中获取一个正常人脸图像,以及与之对应的存在阴阳脸的图像。
S202、将存在阴阳脸的图像和正常人脸图像,输入到预设人脸识别模型中,获取图像特征信息。
其中,预设人脸识别模型是一种能够识别图像特征信息的数学模型,其具体可以由计算机设备预先根据相应的图像识别方法构建。预设人脸识别模型用于根据输入的图像数据计算得到对应的图像特征信息。
本实施例中,计算机设备在获取到存在阴阳脸的图像和对应的正常人脸图像时,可以将这两个图像数据集输入到预先构建好的预设人脸识别模型中,然后,该预设人脸识别模型就可以相应输出对应的图像特征信息,以便计算机设备可以根据该图像特征信息执行后序操作。
S203、将图像特征信息输入预设的损失函数中,根据损失函数的值调整预设人脸识别模型的参数,直至损失函数的值达到预设阈值为止,得到预设的图像识别模型。
其中,损失函数是一种能够衡量预设人脸识别模型的输出结果是否准确的数学函数,所以,损失函数的输出值的大小可以直接反映预设人脸识别模型的输出结果的准确度,其具体可以由计算机设备预先根据相应的计算方法构建。预设阈值可以根据实际应用需求进行预先定义。
本实施例中,当计算机设备获取到上述预设人脸识别模型输出的图像特征信息时,可以将该图像特征信息输入到计算机设备预设的损失函数中,再通过解算该损失函数,得到该损失函数的输出值,然后计算机设备再将损失函数的输出值与预设阈值进行比较,若此时损失函数的输出值没能达到预设阈值的大小,则相应调整预设人脸识别模型的参数,直到损失函数的输出值达到预设阈值为止,此时得到的预设人脸识别模型,即为能够对阴阳脸图像进行识别的图像识别模型。
上述施例提供的一种人脸图像的识别方法,涉及到了计算机设备训练得到图像识别模型的过程,在此过程中,由于计算机设备是基于正常人脸图像和存在阴阳脸的图像进行训练的,所以,训练出来的模型,即图像识别模型是能够对存在阴阳脸的图像进行正确识别,因此,本申请提出的人脸图像的识别方法不仅能够对正常人脸图像进行人脸识别,还能够对存在阴阳脸的图像进行人脸识别,相应提高了本申请提出的人脸图像识别方法的准确性。
在一个实施例中,本申请还提供了一种获取存在阴阳脸的图像的具体方法,该方法包括:采用预设的图像处理方法,对正常人脸图像进行亮度处理,得到存在阴阳脸的图像。
本实施例涉及了一种获取存在阴阳脸的图像的具体方法,即计算机设备采用相应的图像处理方法对正常人脸图像进行亮度处理后,得到存在阴阳脸的图像;其中,图像处理方法用于对正常人脸图像进行亮度处理,所以该图像处理方法可以采用任一种现有的对图像进行亮度处理的方法,例如,计算机设备可以在正常人脸图像上划分亮度区域,再根据不同的亮度区域,对各亮度区域进行亮度调整,最后将正常人脸图像调整为阴阳脸图像。
基于上述实施例,图4为一个实施例提供的一种人脸图像的识别方法的流程图。本实施例涉及计算机设备获取存在阴阳脸的图像的一种具体过程,如图4所示,该过程包括:
S301、根据正常人脸图像中的关键点,从正常人脸图像中确定目标处理区域;目标处理区域中包括关键点。
其中,关键点具体可以指人脸上的部位,例如,鼻子、眼睛、嘴巴等。目标处理区域为计算机设备在人脸图像上划分的待进行亮度处理的区域,该区域中可以包含一个关键点,可选的,也可以包含多个关键点。
本实施例中,当计算机设备获取到一张正常人脸图像时,可以先在该正常人脸图像上确定至少一个关键点,再相继根据关键点所在的位置确定包括部分关键点或全部关键点的区域,即为目标处理区域,以使计算机设备可以接下来对目标处理区域执行后序亮度处理操作。
S302、根据目标处理区域的亮度值和正常人脸图像的亮度值,确定亮度概率值。
其中,亮度概率值用于指示计算机设备对目标处理区域是进行提亮处理还是变暗处理。亮度概率值可以预先由计算机设备进行定义。
可选的,本实施例涉及的亮度概率值是根据目标处理区域的亮度值和正常人脸图像的亮度值确定的。具体的确定方法为:计算机设备可以先采用相应的亮度计算方法计算目标处理区域所包含的图像的亮度值,以及正常人脸图像的亮度值,再根据这两个亮度值计算得到亮度概率值。
可选的,在执行上述根据这两个亮度值计算得到亮度概率值的步骤时,可以具体的将上述两个亮度值分别输入到如下关系式(1)和(2)中,或它们的变形式中,进行计算,得到两个亮度概率值:
上式中,rl表示指示计算机设备进行提亮处理的亮度概率值;ra表示指示计算机设备进行变暗处理的亮度概率值;lds表示目标处理区域的亮度值;ldz表示正常人脸图像的亮度值。
由上述公式可知,本实施例中,当计算机设备获取到目标处理区域的亮度值(lds)与正常人脸图像的亮度值(ldz)时,可以进一步的采用如上公式(1)计算得到用于指示计算机进行提亮处理的亮度概率值(rl),以及采用如上公式(2)计算得到用于指示计算机设备进行变暗处理的亮度概率值(ra)。
S303、根据亮度概率值对目标处理区域中的各像素点进行亮度处理,得到存在阴阳脸的图像。
如上所述,亮度概率值用于指示计算机设备对目标处理区域是进行提亮处理还是变暗处理,所以当计算机设备获取到亮度概率值后,可以进一步的通过分析该亮度概率值的大小,确定具体的对该目标处理区域是进行提亮处理还是变暗处理。
在一个实施例中,图5为图4实施例S302的一种实现方式的流程图。该实施例涉及的是计算机设备确定亮度概率值的具体过程。如图5所示,该方法包括:
S401、根据目标处理区域的亮度值和正常人脸图像的亮度值,确定目标处理区域与正常人脸图像的亮度比例。
本实施例中,计算机设备在获取到目标处理区域的亮度值和正常人脸图像的亮度值时,可以进一步的将目标处理区域的亮度值和正常人脸图像的亮度值进行除法运算,得到的运算结果即为亮度比例。
S402、采用预设概率计算方法,根据亮度比例确定亮度概率值。
其中,预设概率计算方法用于根据亮度比例计算亮度概率值。
可选的,预设概率计算方法可以采用如下公式(3)和(4)计算得到亮度概率值:
上式中,rl表示指示计算机设备进行提亮处理的亮度概率值;ra表示指示计算机设备进行变暗处理的亮度概率值;b表示目标处理区域与正常人脸图像的亮度比例;
由上述公式可知,本实施例中,当计算机设备根据目标处理区域的亮度值和正常人脸图像的亮度值确定了亮度比例(b)后,可以进一步将亮度比例(b)带入到如上公式(3)中计算得到用于指示计算机进行提亮处理的亮度概率值(rl),以及如上公式(4)中计算得到用于指示计算机设备进行变暗处理的亮度概率值(ra)。
在一个实施例中,图6为图4实施例S303的一种实现方式的流程图。该实施例涉及的是计算机设备对目标区域进行亮度处理的具体过程,如图6所示,该方法包括:
S501、根据亮度概率值确定目标处理区域中各像素点对应的亮度指标。
其中,亮度指标用于指示计算机设备对目标处理区域中的各像素点进行提亮处理还是变暗处理。本实施例中,当计算机设备获取到亮度概率值时,可以进一步的将该亮度概率值输入到相应的亮度指标计算模型中,再通过解算该亮度指标计算模型,得到具体的提亮指标或变暗指标。
S502、根据亮度指标,对目标处理区域中的各像素点进行提亮或者变暗处理,得到存在阴阳脸的图像。
本实施例中,计算机设备可以根据亮度指标的指示,对目标处理区域中的各像素点进行提亮或者变暗处理,然后将经过提亮或者变暗处理后的人脸图像确定为存在阴阳脸的图像。
在一个实施例中,图7为图6实施例S502的一种实现方式的流程图。该实施例涉及的是计算机设备根据不同的亮度指标对目标区域进行提亮或变暗处理的具体过程,如图7所示,该方法包括:
S601、若亮度指标为提亮指标,则根据预设的放大比例值对目标处理区域中的各像素点进行提亮处理。
其中,放大比例值的大小代表了计算机设备对目标处理区域中的各像素点进行提亮的程度,放大比例值越大,则说明计算机设备对像素点提亮的程度越高,放大比例值越小,则说明计算机设备对像素点提亮的程度越低。放大比例值可以由计算机设备预先定义,可选的,放大比例值也可以由计算机设备根据相应的计算方法计算得到。
本实施例中的亮度指标的类型为提亮指标,该提亮指标用于具体指示计算机设备对目标处理区域是进行提亮处理。当计算机设备根据亮度概率值得到的亮度指标为提亮指标时,计算机设备可以根据预设的放大比例值对目标处理区域中的各像素点进行相应程度的提亮处理。
S602、若亮度指标为变暗指标,则根据预设的缩小比例值对目标处理区域中的各像素点进行变暗处理。
其中,缩小比例值的大小代表了计算机设备对目标处理区域中的各像素点进行变暗的程度,缩小比例值越大,则说明计算机设备对像素点变暗的程度越高,缩小比例值越小,则说明计算机设备对像素点变暗的程度越低。缩小比例值可以由计算机设备预先定义,可选的,缩小比例值也可以由计算机设备根据相应的计算方法计算得到。
本实施例中的亮度指标的类型为变暗指标,该变暗指标用于具体指示计算机设备对目标处理区域是进行变暗处理。当计算机设备根据亮度概率值得到的亮度指标为变暗指标时,计算机设备可以根据预设的缩小比例值对目标处理区域中的各像素点进行相应程度的变暗处理。
在一个实施例中,图8为图7实施例S601的一种实现方式的流程图。该实施例涉及的是计算机设备对目标区域进行提亮处理的具体过程,如图8所示,该方法包括:
S701、根据目标处理区域中的所有像素值获取放大比例值。
本实施例中,当计算机设备在正常人脸图像上确定了目标处理区域后,同时,可以进一步的获取该目标处理区域中的所有像素值,然后利用所有像素值确定放大比例值。
可选的,在上述计算机设备利用所有像素值确定放大比例值时,可以采用如下关系式(5)或其变形式计算得到放大比例值:
上式中,fb表示放大比例值;s1表示目标处理区域包含的所有像素值的集合。
由上述公式可知,本实施例中,当计算机设备确定了目标处理区域时,可以进一步的获取该目标处理区域中的所有像素值,然后将所有像素值形成的集合(s1)带入到如上公式(5)计算得到放大比例值(fb)。
S702、根据放大比例值,对目标处理区域中的各像素点进行等间距放大。
当计算机设备获取到放大比例值时,可以进一步的将目标处理区域中的各像素点对应的像素值与放大比例值进行乘法运算,使各像素点进行等间距放大,相当于对各像素点进行了一定程度的提亮处理。
在一个实施例中,图9为图7实施例S602的一种实现方式的流程图。该实施例涉及的是计算机设备对目标区域进行变暗处理的具体过程,如图9所示,该方法包括:
S801、采用随机选择方法确定缩小比例值;缩小比例不小于0,且不大于1。
其中,随机选择方法为一种从一定范围内的数值中随机选取数值的方法。本实施例中,计算机设备在每次确定缩小比例值时,均可以在0到1的范围内(包括0和1)随机选取一个数值作为缩小比例值,因此该缩小比例的取值范围为不小于0,且不大于1。
可选的,在上述计算机设备确定缩小比例值时,可以采用如下关系式(6)或其变形式计算得到缩小比例值:
fs=rand(0,1) (6);
上式中,fs表示缩小比例值。
S802、根据缩小比例值,对所述目标处理区域中的各像素点进行等间距缩小。
当计算机设备获取到缩小比例值时,可以进一步的将目标处理区域中的各像素点对应的像素值与缩小比例值进行乘法运算,使各像素点进行等间距缩小,相当于对各像素点进行了一定程度的变暗处理。
在一个实施例中,本申请还提供了一种人脸图像识别方法。该方法包括:采用预设的平滑处理方法,对经过亮度处理后的人脸图像进行平滑处理。
其中,平滑处理方法用于对人脸图像上亮度对比明显的地方做亮度平滑处理。本实施例中,经过亮度处理后的人脸图像中因有些区域经过了提亮处理,有些区域经过了变暗处理,此种情况下,相邻区域的交界地方对应的亮度就会出现明显的差异,此时,计算机设备就需要对经过亮度处理后的人脸图像进行平滑处理,防止出现亮度变化特别明显的地方。
基于上述实施例,图10为一个实施例提供的一种人脸图像的识别方法的流程图,该实施例涉及计算机设备对已经经过亮度处理后的图像进一步的作平滑处理的具体过程,如图10所示,该方法包括:
S901、从经过亮度处理后的目标处理区域中获取中心像素点。
当计算机设备在正常人脸图像上确定了目标处理区域,且对该目标处理区域进行了亮度处理后,可以进一步的获取经过亮度处理后的目标处理区域中的中心像素点,以使计算机设备可以根据中心像素点对应的像素值执行后续的平滑处理操作。
S902、根据中心像素点与预设像素点,确定平滑系数。
其中,预设像素点可以由计算机预先确定,具体的,可以根据经过亮度处理后的目标处理区域边界上的像素点确定,可选的,也可以根据经过亮度处理后的目标处理区域边界附近的像素点确定,对此本实施例根据实际应用情况选择对应的确定方法。平滑系数表示计算机设备在对经过亮度处理后的目标处理区域进行平滑处理时所使用到的参数。需要注意的是,经过亮度处理后的目标处理区域中的各像素点均对应各自的平滑系数。
本实施例中,计算机设备在对经过亮度处理后的目标处理区域进行平滑处理时,可以先获取经过亮度处理后的目标处理区域中的中心像素点,并得到其对应的像素值,以及获取预设像素点,并得到其对应的像素值。然后,计算机设备就可以通过相应的计算方法,直接根据中心像素点对应的像素值与预设像素点对应的像素值,确定目标处理区域中各像素点对应的平滑系数。
可选的,示例性说明平滑系数的确定过程。例如,计算机设备可以先对中心像素点对应的像素值和预设像素点对应的像素值作差值运算,得到差异像素值,再进一步的对该差异像素值进行均值或均方根运算,得到一个平滑系数,并将该平滑系数确定为目标处理区域中的中心像素点对应的平滑系数,然后再通过对该中心像素点对应的平滑系数进行加权运算,相继得到目标处理区域中的其它像素点对应的平滑系数。
S903、根据平滑系数,对经过亮度处理后的目标处理区域中的各像素点进行不等间距放大或不等间距缩小。
本实施例中,当计算机设备获取到经过亮度处理后的目标处理区域中各像素点对应的平滑系数后,可以进一步的将经过亮度处理后的目标处理区域中的各像素点对应的像素值与各自的平滑系数进行乘法运算,实现各像素点的不等间距放大或不等间距缩小,相当于实现各像素点的不同程度的提亮与不同程度的变暗处理。需要说明的是,因为各像素点对应的平滑系数不同,所以当计算机设备利用不同的平滑系数对各像素点进行平滑处理时,各像素点进行的是不等间距放大或不等间距缩小。
上述实施例中,本申请提出的人脸图像的识别方法通过相应的平滑处理方法,对经过亮度处理后的目标处理区域进行了平滑处理,这样的处理方法使经过亮度处理后的目标处理区域的边界在整个人脸图像中表现的不明显,使得最后得到的存在阴阳脸的图像更加接近实际应用场景中的阴阳脸图像,进而可以使计算机设备在根据该存在阴阳脸的图像对人脸识别模型进行训练时,得到的图像识别模型更加准确,从而使计算机根据该图像识别模型对可能包括阴阳脸的图像进行识别时更加准确,所以,本申请提出的人脸图像的识别的准确性较高。
应该理解的是,虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行。
在一个实施例中,如图11所示,提供了一种人脸图像的识别装置,包括:第一获取模块11和识别模块12,其中:
第一获取模块11,用于获取待识别图像;
识别模块12,用于采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述预设的图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
在一个实施例中,如图12所示,提供了一种人脸图像的识别装置,该装置还包括:第二获取模块13、第三获取模块14和第四获取模块15,其中:
第二获取模块13,用于获取所述存在阴阳脸的图像和所述正常人脸图像;
第三获取模块14,用于将所述存在阴阳脸的图像和所述正常人脸图像,输入到预设人脸识别模型中,获取图像特征信息;
第四获取模块15,用于将所述图像特征信息输入预设的损失函数中,根据所述损失函数的值调整所述预设人脸识别模型的参数,直至所述损失函数的值达到预设阈值为止,得到所述图像识别模型。
在一个实施例中,上述第二获取模块13具体用于采用预设的图像处理方法,对所述正常人脸图像进行亮度处理,得到所述存在阴阳脸的图像。
在一个实施例中,如图13所示,上述第二获取模块13具体包括:第一确定单元131、第二确定单元132和处理单元133,其中:
第一确定单元131,用于根据所述正常人脸图像中的关键点,从所述正常人脸图像中确定目标处理区域;所述目标处理区域中包括所述关键点;
第二确定单元132,用于根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定亮度概率值;
处理单元133,用于根据所述亮度概率值对所述目标处理区域中的各像素点进行亮度处理,得到所述存在阴阳脸的图像。
在一个实施例中,如图14所示,上述第二确定单元132具体包括:第一确定子单元1321和第二确定子单元1322,其中:
第一确定子单元1321,用于根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定所述目标处理区域与所述正常人脸图像的亮度比例;
第二确定子单元1322,用于采用预设概率计算方法,根据所述亮度比例确定所述亮度概率值。
在一个实施例中,如图15所示,上述处理单元133具体包括:第三确定子单元1331和处理子单元1332,其中:
第三确定子单元1331,用于根据所述亮度概率值确定所述目标处理区域中各像素点对应的亮度指标;
处理子单元1332,用于根据所述亮度指标,对所述目标处理区域中的各像素点进行提亮或者变暗处理,得到所述存在阴阳脸的图像。
在一个实施例中,若所述亮度指标为所述提亮指标,上述处理子单元1332具体用于根据预设的放大比例值对所述目标处理区域中的各像素点进行提亮处理;若所述亮度指标为所述变暗指标,上述处理子单元1332具体用于根据预设的缩小比例值对所述目标处理区域中的各像素点进行变暗处理。
在一个实施例中,上述处理子单元1332在根据放大比例值对所述目标处理区域中的各像素点进行提亮处理时,还具体用于根据所述目标处理区域中的所有像素值获取所述放大比例值;根据所述放大比例值,对所述目标处理区域中的各像素点进行等间距放大。
在一个实施例中,上述处理子单元1332在根根据缩小比例值对所述目标处理区域中的各像素点进行变暗处理时,还具体用于采用随机选择方法确定所述缩小比例值;所述缩小比例不小于0,且不大于1;根据所述缩小比例值,对所述目标处理区域中的各像素点进行等间距缩小。
在一个实施例中,如图16所示,所述装置还包括:
平滑处理模块16,用于采用预设的平滑处理方法,对经过亮度处理后的人脸图像进行平滑处理。
在一个实施例中,如图17所示,上述平滑处理模块16包括:第一获取单元161、第二获取单元162和平滑处理单元163,其中:
第一获取单元161,用于从经过亮度处理后的目标处理区域中获取中心像素点;
第二获取单元162,用于根据所述中心像素点与预设像素点,确定平滑系数;
平滑处理单元163,用于根据所述平滑系数,对所述经过亮度处理后的目标处理区域中的各像素点进行不等间距放大或不等间距缩小。
关于人脸图像的识别装置的具体限定可以参见上文中对于一种人脸图像的识别方法的限定,在此不再赘述。上述人脸图像的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待识别图像;
采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,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还实现以下步骤:
获取待识别图像;
采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种人脸图像的识别方法,其特征在于,所述方法包括:
获取待识别图像;
采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述图像识别模型是预先对存在阴阳脸的图像和对应的正常人脸图像进行训练得到的人脸识别模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述存在阴阳脸的图像和所述正常人脸图像;
将所述存在阴阳脸的图像和所述正常人脸图像,输入到预设人脸识别模型中,获取图像特征信息;
将所述图像特征信息输入预设的损失函数中,根据所述损失函数的值调整所述预设人脸识别模型的参数,直至所述损失函数的值达到预设阈值为止,得到所述图像识别模型。
3.根据权利要求2所述的方法,其特征在于,所述获取所述存在阴阳脸的图像,包括:
采用预设的图像处理方法,对所述正常人脸图像进行亮度处理,得到所述存在阴阳脸的图像。
4.根据权利要求3所述的方法,其特征在于,所述采用预设的图像处理方法,对所述正常人脸图像进行亮度处理,得到所述存在阴阳脸的图像,包括:
根据所述正常人脸图像中的关键点,从所述正常人脸图像中确定目标处理区域;所述目标处理区域中包括所述关键点;
根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定亮度概率值;
根据所述亮度概率值对所述目标处理区域中的各像素点进行亮度处理,得到所述存在阴阳脸的图像。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定亮度概率值,包括:
根据所述目标处理区域的亮度值和所述正常人脸图像的亮度值,确定所述目标处理区域与所述正常人脸图像的亮度比例;
采用预设概率计算方法,根据所述亮度比例确定所述亮度概率值。
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述亮度概率对所述目标处理区域中的各像素点进行亮度处理,得到所述存在阴阳脸的图像,包括:
根据所述亮度概率值确定所述目标处理区域中各像素点对应的亮度指标;
根据所述亮度指标,对所述目标处理区域中的各像素点进行提亮或者变暗处理,得到所述存在阴阳脸的图像。
7.根据权利要求6所述的方法,其特征在于,所述根据所述亮度指标,对所述目标处理区域中的各像素点进行提亮或者变暗处理,包括:
若所述亮度指标为所述提亮指标,则根据预设的放大比例值对所述目标处理区域中的各像素点进行提亮处理;
若所述亮度指标为所述变暗指标,则根据预设的缩小比例值对所述目标处理区域中的各像素点进行变暗处理。
8.根据权利要求7所述的方法,其特征在于,所述根据放大比例值对所述目标处理区域中的各像素点进行提亮处理,包括:
根据所述目标处理区域中的所有像素值获取所述放大比例值;
根据所述放大比例值,对所述目标处理区域中的各像素点进行等间距放大。
9.根据权利要求7所述的方法,其特征在于,所述根根据缩小比例值对所述目标处理区域中的各像素点进行变暗处理,包括:
采用随机选择方法确定所述缩小比例值;所述缩小比例不小于0,且不大于1;
根据所述缩小比例值,对所述目标处理区域中的各像素点进行等间距缩小。
10.根据权利要求4所述的方法,其特征在于,所述采用预设的图像处理方法,对所述对应的正常人脸图像进行亮度处理之后,还包括:
采用预设的平滑处理方法,对经过亮度处理后的人脸图像进行平滑处理。
11.根据权利要求10所述的方法,其特征在于,所述采用预设的平滑处理方法,对经过亮度处理后的人脸图像进行平滑处理,包括:
从经过亮度处理后的目标处理区域中获取中心像素点;
根据所述中心像素点与预设像素点,确定平滑系数;
根据所述平滑系数,对所述经过亮度处理后的目标处理区域中的各像素点进行不等间距放大或不等间距缩小。
12.一种人脸图像的识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取待识别图像;
识别模块,用于采用预设的图像识别模型,对所述待识别图像进行人脸特征识别;所述预设的图像识别模型是预先对存在阴阳脸的图像进行训练得到的人脸识别模型。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
14.一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权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299334.6A CN110046573B (zh) | 2019-04-15 | 2019-04-15 | 人脸图像的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299334.6A CN110046573B (zh) | 2019-04-15 | 2019-04-15 | 人脸图像的识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046573A true CN110046573A (zh) | 2019-07-23 |
CN110046573B CN110046573B (zh) | 2022-04-15 |
Family
ID=67277105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299334.6A Active CN110046573B (zh) | 2019-04-15 | 2019-04-15 | 人脸图像的识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046573B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991469A (zh) * | 2019-12-17 | 2021-06-18 | 上海光启智城网络科技有限公司 | 一种人脸亮度补偿方法、装置及计算机可读存储介质 |
WO2021174875A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 人脸特征向量动态调整方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077382A (zh) * | 2013-01-08 | 2013-05-01 | 紫光股份有限公司 | 一种用于人脸识别系统的真人鉴别装置 |
CN107358578A (zh) * | 2017-05-23 | 2017-11-17 | 深圳市深网视界科技有限公司 | 一种阴阳脸处理方法和装置 |
CN109002767A (zh) * | 2018-06-22 | 2018-12-14 | 恒安嘉新(北京)科技股份公司 | 一种基于深度学习的人脸验证方法及系统 |
CN109033987A (zh) * | 2018-07-02 | 2018-12-18 | 高新兴科技集团股份有限公司 | 一种人脸图像阴阳脸的处理方法及系统 |
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
-
2019
- 2019-04-15 CN CN201910299334.6A patent/CN110046573B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077382A (zh) * | 2013-01-08 | 2013-05-01 | 紫光股份有限公司 | 一种用于人脸识别系统的真人鉴别装置 |
CN107358578A (zh) * | 2017-05-23 | 2017-11-17 | 深圳市深网视界科技有限公司 | 一种阴阳脸处理方法和装置 |
CN109002767A (zh) * | 2018-06-22 | 2018-12-14 | 恒安嘉新(北京)科技股份公司 | 一种基于深度学习的人脸验证方法及系统 |
CN109033987A (zh) * | 2018-07-02 | 2018-12-18 | 高新兴科技集团股份有限公司 | 一种人脸图像阴阳脸的处理方法及系统 |
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991469A (zh) * | 2019-12-17 | 2021-06-18 | 上海光启智城网络科技有限公司 | 一种人脸亮度补偿方法、装置及计算机可读存储介质 |
WO2021174875A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 人脸特征向量动态调整方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110046573B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11373275B2 (en) | Method for generating high-resolution picture, computer device, and storage medium | |
US11170482B2 (en) | Image processing method and device | |
US9928836B2 (en) | Natural language processing utilizing grammar templates | |
US10410327B2 (en) | Shallow depth of field rendering | |
US9436382B2 (en) | Natural language image editing | |
CN111383232B (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN110334722A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN110580693B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN111080571B (zh) | 摄像头遮挡状态检测方法、装置、终端和存储介质 | |
CN110992243B (zh) | 椎间盘截面图像构建方法、装置、计算机设备及存储介质 | |
CN110046573A (zh) | 人脸图像的识别方法、装置、计算机设备和存储介质 | |
CN109255390A (zh) | 训练图像的预处理方法及模块、鉴别器、可读存储介质 | |
CN108898549A (zh) | 图片处理方法、图片处理装置及终端设备 | |
WO2020211396A1 (zh) | 静默式活体图片识别方法、装置、计算机设备和存储介质 | |
CN113421276A (zh) | 一种图像处理方法、装置及存储介质 | |
WO2021115130A1 (zh) | 脑出血点智能检测方法、装置、电子设备及存储介质 | |
CN109325448A (zh) | 人脸识别方法、装置和计算机设备 | |
US20230343137A1 (en) | Method and apparatus for detecting key point of image, computer device and storage medium | |
WO2021097595A1 (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN109993067A (zh) | 面部关键点提取方法、装置、计算机设备和存储介质 | |
US10938999B2 (en) | Image processing apparatus that performs filter operation on group of regions in an image, image processing method and non-transitory computer- readable storage medium | |
CN114399494A (zh) | 异常细胞检测分割方法、装置、设备及存储介质 | |
CN108961189B (zh) | 图像处理方法、装置、计算机设备和存储介质 |
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 |