CN110059643A - 一种多图像特征比对及择优融合的方法、移动终端与可读存储介质 - Google Patents
一种多图像特征比对及择优融合的方法、移动终端与可读存储介质 Download PDFInfo
- Publication number
- CN110059643A CN110059643A CN201910328073.6A CN201910328073A CN110059643A CN 110059643 A CN110059643 A CN 110059643A CN 201910328073 A CN201910328073 A CN 201910328073A CN 110059643 A CN110059643 A CN 110059643A
- Authority
- CN
- China
- Prior art keywords
- image
- index
- portrait
- optimal
- feature
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种多图像特征比对及择优融合的方法、移动终端与可读存储介质。若图像中的人像有一人以上且每个人的综合特征最优的一个图像不是同一个图像,则融合每个人在其综合特征最优的一个图像上的特征人像形成新的图像,该新的图像即为综合特征最优的图像。除此以外,在此基础上还包括常规的筛选和处理照片的方法,这种图像处理方法能有效解决手机内存不足和照片查找困难等诸多问题;并在群体照挑选过程中,解决了因每个人在几张照片中最优或本人认为最好看的人像不在同一张照片上所导致的挑选困难,解决了不必要的麻烦。
Description
技术领域
本申请涉及一种图像处理技术,具体涉及一种多图像特征比对及择优融合的方法、移动终端与可读存储介质。
背景技术
目前,在日常拍照时,例如女生自拍、拍美食美景、拍群体合照的时候,经常需要连续拍或连拍多张照片,在之后空闲时再慢慢挑选出满意或最佳的照片。这个过程中将产生多个问题有待解决:
1、如果不及时挑选和及时清理将导致相册中照片越来越多,产生内存不足和查找困难等诸多问题;
2、挑选过程中将产生不知几张相似图像不同之处在哪里的情况或在几张相似照片中不知该挑选哪张照片的情况,对于有强迫症和选择恐惧症的人群来说难以挑选,难以抉择;
3、在群体照挑选过程中,会出现每个人在几张照片中最优或本人认为最好看的人像不在同一张照片上,导致选择困难和挑选中的一些分歧,造成不必要的麻烦。
通过检索,与本专利极为相近的产品技术有以下两个:
一种图像处理方法及移动终端,申请号为201711430658.6,图像处理方法包括:从多张相似图像中获取最佳图像,将所述多张相似图像中除所述最佳图像外的其他图像作为次佳图像,其中,所述多张相似图像满足预设条件;隐藏所述次佳图像。该方案通过从多张相似图像中获取最佳图像,将所述多张相似图像中除所述最佳图像外的其他图像作为次佳图像,其中,所述多张相似图像满足预设条件;隐藏所述次佳图像;能够及时将照片智能合理的进行处理,减少用户浏览照片时的干扰,很好的解决现有技术中相似照片过多造成查找困难的问题。该技术解决的问题仅是问题1中的查找困难的问题,且该技术解决问题所采用的方式较单一,不能有效地解决相关问题。
照片处理方法和装置,申请号为201210458013.4,所述方法包括:
1、控制拍照设备以连拍的方式拍摄出属于同一系列的N张照片,并获取N张照片中每一张照片的信息,所述照片的信息至少包括:照片的色彩值、拍摄该照片时的抖动指数和光线感应指数;
2、针对所述N张照片中的每一照片,利用拍摄该照片时的光线感应指数将该照片的色彩值进行更新,利用该更新后的色彩值和拍摄该照片时的抖动指数计算该照片在同系列照片中的权重,对该得到的权重进行归一化处理,得到的结果作为该照片的最佳权重;
3、利用N张照片中每张照片的最佳权重和被更新后的色彩值计算最佳色彩值;
4、利用所述最佳色彩值合成一张照片,将该合成的照片作为最佳照片。
该技术仅从图片整体参数出发对照片进行筛选和优化,没有考虑照片中多个对象的筛选和优化,因此其个性化配置较低,仅能解决照片的色彩值、拍摄该照片时的抖动指数和光线感应指数的优化问题。
发明内容
为了解决现有技术所存在的问题,本申请提供的具体方案如下:
一种多图像特征比对及择优融合的方法包括:
S1.输入多个相似图像;
S2.识别每个图像中的人像并提取人像特征;
S3.若图像中的人像仅有一人,分析每个图像的人像特征找到综合特征最优的图像;若图像中的人像有一人以上,分析每个图像中每个人的人像特征分别找到每个人的综合特征最优的一个图像,若每个人的综合特征最优的一个图像是同一个图像,则该图像即为综合特征最优的图像;若每个人的综合特征最优的一个图像不是同一个图像,则融合每个人在其综合特征最优的一个图像上的特征人像形成新的图像,该新的图像即为综合特征最优的图像。
找到或形成所述综合特征最优的图像后,删除或预删除除了综合特征最优的图像以外的其他相似图像。
所述预删除为将图像隐藏并可以通过后台设置取消隐藏的方式和将图像转存在另一文件夹目录下并可以通过后台设置还原图像位置的方式中的其中一种方式。所述预删除的图像在一定时间后将被删除。
所述S1中输入图像采用手动输入和自动输入两种方式,所述手动输入为用户选定相似图像或连拍图像,所述自动输入为系统在图像库里搜索相似图像或连拍图像。所述的搜索相似图像满足预设条件包括所述多张相似图像的图像相似度大于或等于所设定的阈值、所述多张相似图像的生成时间在一定时间范围内、和所述多张相似图像的生成位置在同一位置区域内中的至少一个条件。所述的图像相似度的衡量可采用特征点比对的方法,若图像的特征点超过所设定的阈值则识别为相似图像或连拍图像。
所述S2中识别每个图像中的人像并提取人像特征包括:
S4.识别并提取人像轮廓;
S5.识别并提取人像的面部特征、形体特征、姿势特征。
所述S3中综合特征最优的评价包括:
S6.建立并选取特征评价指标;
S7.确定特征评价指标的判定准则;
S8.确定特征评价指标占综合特征指标的权重;
S9.计算综合特征指标的具体数值,综合特征指标最大的图像即为综合特征最优。
所述综合特征最优的评价方法可以通过用户习惯操作进行调整或重新定义。
所述S6中建立的特征评价指标包含面部特征指标、形体特征指标、姿势特征指标,所述选取特征评价指标为选取建立的特征评价指标中的一项或多项。所述面部特征指标包含面部比例特征指标、脸型特征指标、面部阴影特征指标、五官特征指标、皮肤特征指标,形体特征指标包含身体各处的比例特征指标,姿势特征指标包含手势特征指标、脚位特征指标。
所述S7特征评价指标的判定准则包括:
S10.确定各项特征指标的范围并对范围进行区域划分,对不同区域定义相应的数值;
S11.判定各项特征指标落于所述划分的区域的哪一区域,将该区域所定义的数值赋予该项特征指标。
所述S10的区域划分和定义数值采用机器学习算法。
所述综合特征指标为所选取并重新赋值的特征指标的加权平均。
所述综合特征指标在满足一定预设条件的情况下会强制置零。所述预设条件可以为系统判断人像的眼睛闭合,即当系统判断该图像中的目标人像的眼睛闭合时,则该图像中的目标人像非综合特征最优的特征人像。
所述融合图像包括:
S12.选取一个图像作为基底图像,
S13.将基底图像中每个人的人像替换成其综合特征最优的一个图像上的特征人像。
所述S13中的替换可以为提取每个人在其综合特征最优的一个图像上的特征人像并进行整体替换;也可以为提取每个人在其综合特征最优的一个图像上的与基底图像不同的特征并进行替换。
所述S12中基底图像可以为具有最优背景的图像,其中选出最优背景图像的算法可以为:
S14.建立并选取背景特征评价指标;
S15.确定背景特征评价指标的判定准则;
S16.确定背景特征评价指标占背景指标的权重;
S17.计算背景指标的具体数值,背景指标最大的图像作为基底图像。
其中,建立的背景特征评价指标可以是包含色彩特征指标、抖动特征指标、光线特征指标,所述选取背景特征评价指标为选取建立的背景特征评价指标中的一项或多项。
所述S15背景特征评价指标的判定准则包括:
S18.确定各项背景特征评价指标的范围并对范围进行区域划分,对不同区域定义相应的数值;
S19.判定各项背景特征评价指标落于所述划分的区域的哪一区域,将该区域所定义的数值赋予该项背景特征评价指标。
所述S18的区域划分和定义数值采用机器学习算法。
所述背景指标为所选取并重新赋值的背景特征评价指标的加权平均。
所述S12中基底图像也可以为特征替换步骤数最少或计算量最少的图像,其中选出替换步骤数最少图像的算法可以为:
S20.假设每张图都作为基底图像;
S21.计算需要替换的特征量,特征量最少的图像为替换步骤数最少图像。
其中选出计算量最少图像的算法可以为:
S22.假设每张图都作为基底图像;
S23.计算需要替换的每个特征替换时需要改变的路径,路径最小的图像为计算量最少图像。
一种移动终端包括处理器、存储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,所述计算机程序被所述处理器执行时实现一种多图像特征比对及择优融合的方法中任一项所述的图像处理方法的步骤。
一种计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现一种多图像特征比对及择优融合的方法中任一项所述的图像处理方法的步骤。
根据常识可知,本申请中的综合特征最优的图像即具有常规意义上的最佳图像、最美图像等多种释义。
本申请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,或通过本申请的实践了解到。
附图说明
图1是本申请实施例的相似图像筛选及处理方法流程示意图;
图2是本申请实施例的识别并提取人像特征方法流程示意图;
图3是本申请实施例的综合特征最优评价方法流程示意图;
图4是本申请实施例的特征评价指标判定方法流程示意图;
图5是本申请实施例的图像融合方法流程示意图;
图6是本申请实施例的筛选最优背景图像方法流程示意图;
图7是本申请实施例的背景特征评价指标判定方法流程示意图;
图8是本申请实施例的筛选替换步骤数最少图像方法流程示意图;
图9是本申请实施例的筛选计算量最少图像方法流程示意图;
图10是本申请实施例的整体方案具体事例流程图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请针对现有技术中连拍模式造成的相似照片过多所引发的下述问题:
1、如果不及时挑选和及时清理将导致相册中照片越来越多,产生内存不足和查找困难等诸多问题;
2、挑选过程中将产生不知几张相似图像不同之处在哪里的情况或在几张相似照片中不知该挑选哪张照片的情况,对于有强迫症和选择恐惧症的人群来说难以挑选,难以抉择;
3、在群体照挑选过程中,会出现每个人在几张照片中最优或本人认为最好看的人像不在同一张照片上,导致选择困难和挑选中的一些分歧,造成不必要的麻烦。
根据分析可知,想要解决问题1首先需要解决相似照片的筛选问题,在解决问题1的筛选问题同时解决了问题2。其次,若要解决查找困难问题则需进一步地区分筛选出的照片和剩余其他相似照片的显示方式或显示位置;若要解决内存不足的问题则需进一步地删除剩余其他相似照片。当连拍的相似照片为群体照时则存在问题3所述的问题,此时除了要解决每个人在相似照片中的筛选问题,还要解决筛选出的每个人的最优人像须在一张照片上融合的问题。
基于以上分析,如图1中的S1、S2、S3所示,分为以下几个步骤:
S1.输入多个相似图像;
S2.识别每个图像中的人像并提取人像特征;
S3.若图像中的人像仅有一人,分析每个图像的人像特征找到综合特征最优的图像;若图像中的人像有一人以上,分析每个图像中每个人的人像特征分别找到每个人的综合特征最优的一个图像,若每个人的综合特征最优的一个图像是同一个图像,则该图像即为综合特征最优的图像;若每个人的综合特征最优的一个图像不是同一个图像,则融合每个人在其综合特征最优的一个图像上的特征人像形成新的图像,该新的图像即为综合特征最优的图像。
以上步骤可同时解决问题2和问题3,要想解决问题1则如图1中的S31所示,在找到或形成所述综合特征最优的图像后,删除或预删除除了综合特征最优的图像以外的其他相似图像。
所述预删除为将图像隐藏并可以通过后台设置取消隐藏的方式和将图像转存在另一文件夹目录下并可以通过后台设置还原图像位置的方式中的其中一种方式。所述预删除的图像在一定时间后将被删除。
(1)所述S1中输入图像采用手动输入和自动输入两种方式,所述手动输入为用户选定相似图像或连拍图像,所述自动输入为系统在图像库里搜索相似图像或连拍图像。所述的搜索相似图像满足预设条件包括所述多张相似图像的图像相似度大于或等于所设定的阈值、所述多张相似图像的生成时间在一定时间范围内、和所述多张相似图像的生成位置在同一位置区域内中的至少一个条件。所述的图像相似度的衡量可采用特征点比对的方法,若图像的特征点超过所设定的阈值则识别为相似图像或连拍图像;所述的图像相似度的衡量也可采用像素点比对的方法,若图像的像素点超过设定的阈值则识别为相似图像或连拍图像;除此之外,所述的图像相似度的衡量还可采用重心对比、投影对比、分块对比等其他常规相似度比对的算法;同样,也可采用感知哈希算法、pHash算法和SIFT算法等非常规相似度比对的算法;也可以采用Siamese network等神经网络来寻找相似的图像;除上述算法以外也可采用其他相似度比对的算法。
其中所述的“搜索相似图像满足预设条件包括所述多张相似图像的图像相似度大于或等于所设定的阈值、所述多张相似图像的生成时间在一定时间范围内、和所述多张相似图像的生成位置在同一位置区域内中的至少一个条件”具体可以为:图像库中存在多张图像满足拍摄时间在2019年4月4日下午2点3分至2019年4月4日下午2点5分之间,拍摄位置在以地点A为中心、半径为50m的位置区域内,且所述多张图像的相似度大于50%中的至少一个条件,则确定当前图像中存在多张相似图像或连拍图像。
其中所述的特征点比对的方法例如:提取图片中的轮廓特征,通过机器学习算法训练系统判别相似的轮廓特征,并用不同的样本对进行验证,其中样本对中有相似的轮廓特征也有非相似的轮廓特征。训练好系统进行特征点比对后设定需要满足的相似轮廓初始阈值,并通过机器学习算法进一步使阈值趋于能判断相似图像和非相似图像的临界值,并用不同的图像对进行验证,其中图像对中有相似图像也有非相似图像。更进一步地,可采用机器学习中的深度学习算法。
其中所述的像素点比对的方法例如:确定像素点比对时的单位像素点的大小,通过机器学习算法训练系统判别相似的像素点,并用不同的样本进行验证,其中样本中有相似的像素点也有非相似的像素点。训练好系统进行像素点比对后设定需要满足的相似像素点初始阈值,并通过机器学习算法进一步使阈值趋于能判断相似图像和非相似图像的临界值,并用不同的图像对进行验证,其中图像对中有相似图像也有非相似图像。更进一步地,可采用机器学习中的深度学习算法。
(2)如图2所示,所述S2中识别每个图像中的人像并提取人像特征包括:
S4.识别并提取人像轮廓;
S5.识别并提取人像的面部特征、形体特征、姿势特征。
其中“识别并提取人像的面部特征、形体特征、姿势特征”具体可以为圈定人像的脸部轮廓,五官中眼、鼻、嘴的轮廓以及躯体轮廓;进一步地,可以通过线条模拟眼和嘴的动态形态特征,同时可以通过线条模拟躯干的动态形态特征以此为基础建立特征评价指标,进行综合特征的评价。
(3)如图3所示,所述S3中综合特征最优的评价包括:
S6.建立并选取特征评价指标;
S7.确定特征评价指标的判定准则;
S8.确定特征评价指标占综合特征指标的权重;
S9.计算综合特征指标的具体数值,综合特征指标最大的图像即为综合特征最优。
所述综合特征最优的评价方法可以通过用户习惯操作进行调整或重新定义。
所述S6中建立的特征评价指标包含面部特征指标、形体特征指标、姿势特征指标,所述选取特征评价指标为选取建立的特征评价指标中的一项或多项。其中所述面部特征指标包含面部比例特征指标、脸型特征指标、面部阴影特征指标、五官特征指标、皮肤特征指标,形体特征指标包含身体各处的比例特征指标,姿势特征指标包含手势特征指标、脚位特征指标。其中各指标的权重可以为0。
如图4所示,所述S7特征评价指标的判定准则包括:
S10.确定各项特征指标的范围并对范围进行区域划分,对不同区域定义相应的数值;
S11.判定各项特征指标落于所述划分的区域的哪一区域,将该区域所定义的数值赋予该项特征指标。
所述S10的区域划分和定义数值采用机器学习法;更进一步地可以采用机器学习中深度学习算法。
所述综合特征指标为所选取并重新赋值的特征指标的加权平均。
所述综合特征指标在满足一定预设条件的情况下会强制置零。所述预设条件可以为系统判断人像的眼睛闭合,即当系统判断该图像中的目标人像的眼睛闭合时,则该图像中的目标人像非综合特征最优的特征人像。以上设定是为了满足由于综合特征指标做了加权平均所产生的一些不利情况:各个特征评价指标不能单独决定综合特征最优的评价,以至于一些图像的某一特征评价指标极低却由于加权的作用而缓和了该项特征评价指标对于评价结果的影响,但是该某一特征评价指标极低的目标人像不能作为综合特征最优的特征人像,例如该人在该图像中呈现闭眼状态,则这种极端情况必须删除。
所述的系统判断人像的眼睛闭合的方法可以为:通过S5所提取的眼的轮廓进行判断,进一步地判断轮廓曲线是否为闭合曲线,若为闭合曲线,则呈睁眼状态;若为非闭合曲线,则呈闭眼状态。
所述的系统判断人像的眼睛闭合的方法也可以为:通过S5所提取的眼的轮廓进行判断,进一步地判断是否有瞳孔的轮廓形状,若有,则呈睁眼状态;若无,则呈闭眼状态。
所述的系统判断人像的眼睛闭合的方法也可以为:将人像图片人为地分为眼睛闭合和不闭合两类,通过训练卷积神经网络对图片进行自动的分类,分为闭合和不闭合两类。
如图5所示,所述融合图像包括:
S12.选取一个图像作为基底图像;
S13.将基底图像中每个人的人像替换成其综合特征最优的一个图像上的特征人像。
所述S13中的替换可以为提取每个人在其综合特征最优的一个图像上的特征人像并进行整体替换;也可以为提取每个人在其综合特征最优的一个图像上的与基底图像不同的特征并进行替换。
如图6所示,所述S12中基底图像可以为具有最优背景的图像,其中选出最优背景图像的算法可以为:
S14.建立并选取背景特征评价指标;
S15.确定背景特征评价指标的判定准则;
S16.确定背景特征评价指标占背景指标的权重;
S17.计算背景指标的具体数值,背景指标最大的图像作为基底图像。
其中,建立的背景特征评价指标可以是包含色彩特征指标、抖动特征指标、光线特征指标,所述选取背景特征评价指标为选取建立的背景特征评价指标中的一项或多项。
如图7所示,所述S15背景特征评价指标的判定准则包括:
S18.确定各项背景特征评价指标的范围并对范围进行区域划分,对不同区域定义相应的数值;
S19.判定各项背景特征评价指标落于所述划分的区域的哪一区域,将该区域所定义的数值赋予该项背景特征评价指标。
所述S18的区域划分和定义数值采用机器学习算法,更进一步地,可采用机器学习中的深度学习算法。
所述背景指标为所选取并重新赋值的背景特征评价指标的加权平均。
如图8所示,所述S12中基底图像也可以为特征替换步骤数最少或计算量最少的图像,其中选出替换步骤数最少图像的算法可以为:
S20.假设每张图都作为基底图像;
S21.计算需要替换的特征量,特征量最少的图像为替换步骤数最少图像。
如图9所示,其中选出计算量最少图像的算法可以为:
S22.假设每张图都作为基底图像;
S23.计算需要替换的每个特征替换时需要改变的路径,路径最小的图像为计算量最少图像。
如图10所示,以上所有步骤的具体实施例如下:设有n幅相似图像或连拍图像,在这些相似图像中有标作A、B、C、D的4个人,其中相似图像中第1幅图中4人标作A1、B1、C1、D1,第2幅图中4人标作A2、B2、C2、D2,则按照顺序第n幅图中4人标作An、Bn、Cn、Dn。首先基于在相似图像中识别出的A的人像A1、A2…An根据某一方法挑选出某一人像Ai;同上,基于在相似图像中识别出的B的人像B1、B2…Bn根据某一方法挑选出某一人像Bj,基于在相似图像中识别出的C的人像C1、C2…Cn根据某一方法挑选出某一人像Cp,基于在相似图像中识别出的D的人像D1、D2…Dn根据某一方法挑选出某一人像Dq,当然挑选不分先后。然后挑选出第i张图像作为基底图像,将之前挑选出的第j张图像中的Bj、第p张图像中的Cp、第q张图像中的Cq分别与第i张图像中的Bi、Ci、Di进行模块替换,形成以Ai、Bj、Cp、Dq为人像的新的图像,其中,所述挑选出某一人像的方法可以是采用挑选最佳人像的方法,最佳的释义可以是该人最美的人像或该人最欣赏的人像;所述挑选的过程是智能系统优化算法自识别的过程。
一种移动终端包括处理器、存储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,所述计算机程序被所述处理器执行时实现一种多图像特征比对及择优融合的方法中任一项所述的图像处理方法的步骤。
一种计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现一种多图像特征比对及择优融合的方法中任一项所述的图像处理方法的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、“一些示例”、“具体可以为”、“可以为”、“例如”或“比如”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种多图像特征比对及择优融合的方法,其特征在于,所述方法包括:
S1.输入多个相似图像;
S2.识别每个图像中的人像并提取人像特征;
S3.若图像中的人像仅有一人,分析每个图像的人像特征找到综合特征最优的图像;若图像中的人像有一人以上,分析每个图像中每个人的人像特征分别找到每个人的综合特征最优的一个图像,若每个人的综合特征最优的一个图像是同一个图像,则该图像即为综合特征最优的图像;若每个人的综合特征最优的一个图像不是同一个图像,则融合每个人在其综合特征最优的一个图像上的特征人像形成新的图像,该新的图像即为综合特征最优的图像。
2.根据权利要求1所述的多图像特征比对及择优融合的方法,其特征在于,找到或形成所述综合特征最优的图像,删除或预删除除了综合特征最优的图像以外的其他相似图像。
3.根据权利要求1所述的多图像特征比对及择优融合的方法,其特征在于,所述S1中输入图像采用手动输入和自动输入两种方式,所述手动输入为用户选定相似图像或连拍图像,所述自动输入为系统在图像库里搜索相似图像或连拍图像。
4.根据权利要求3所述的多图像特征比对及择优融合的方法,其特征在于,所述的搜索相似图像满足预设条件包括所述多张相似图像的图像相似度大于或等于所设定的阈值、所述多张相似图像的生成时间在一定时间范围内、和所述多张相似图像的生成位置在同一位置区域内中的至少一个条件。
5.根据权利要求1所述的多图像特征比对及择优融合的方法,其特征在于,所述S2中识别每个图像中的人像并提取人像特征包括:
S4.识别并提取人像轮廓;
S5.识别并提取人像的面部特征、形体特征、姿势特征。
6.根据权利要求1所述的多图像特征比对及择优融合的方法,其特征在于,所述S3中综合特征最优的评价包括:
S6.建立并选取特征评价指标;
S7.确定特征评价指标的判定准则;
S8.确定特征评价指标占综合特征指标的权重;
S9.计算综合特征指标的具体数值,综合特征指标最大的图像即为综合特征最优。
7.根据权利要求6所述的多图像特征比对及择优融合的方法,其特征在于,所述S6中建立的特征评价指标包含面部特征指标、形体特征指标、姿势特征指标,所述选取特征评价指标为选取建立的特征评价指标中的一项或多项。
8.根据权利要求7所述的多图像特征比对及择优融合的方法,其特征在于,所述面部特征指标包含面部比例特征指标、脸型特征指标、面部阴影特征指标、五官特征指标、皮肤特征指标,形体特征指标包含身体各处的比例特征指标,姿势特征指标包含手势特征指标、脚位特征指标。
9.根据权利要求6所述的多图像特征比对及择优融合的方法,其特征在于,所述综合特征指标在满足一定预设条件的情况下会强制置零。
10.根据权利要求1所述的多图像特征比对及择优融合的方法,其特征在于,所述融合图像包括:
S12.选取一个图像作为基底图像,
S13.将基底图像中每个人的人像替换成其综合特征最优的一个图像上的特征人像。
11.根据权利要求1所述的多图像特征比对及择优融合的方法,其特征在于,所述综合特征最优的评价方法通过用户习惯操作进行调整或重新定义。
12.一种移动终端,其特征在于,包括处理器、存储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,所述计算机程序被所述处理器执行时实现如权利要求1至11中任一项所述的图像处理方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328073.6A CN110059643B (zh) | 2019-04-23 | 2019-04-23 | 一种多图像特征比对及择优融合的方法、移动终端与可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328073.6A CN110059643B (zh) | 2019-04-23 | 2019-04-23 | 一种多图像特征比对及择优融合的方法、移动终端与可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059643A true CN110059643A (zh) | 2019-07-26 |
CN110059643B CN110059643B (zh) | 2021-06-15 |
Family
ID=67320189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328073.6A Active CN110059643B (zh) | 2019-04-23 | 2019-04-23 | 一种多图像特征比对及择优融合的方法、移动终端与可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059643B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020136435A1 (en) * | 2001-03-26 | 2002-09-26 | Prokoski Francine J. | Dual band biometric identification system |
US20070237421A1 (en) * | 2006-03-29 | 2007-10-11 | Eastman Kodak Company | Recomposing photographs from multiple frames |
US20120327172A1 (en) * | 2011-06-22 | 2012-12-27 | Microsoft Corporation | Modifying video regions using mobile device input |
US8594423B1 (en) * | 2012-01-12 | 2013-11-26 | Google Inc. | Automatic background identification in video images |
CN103548034A (zh) * | 2011-05-23 | 2014-01-29 | 微软公司 | 自动优化一个或多个主体的图像的捕捉 |
CN104885049A (zh) * | 2014-03-12 | 2015-09-02 | 华为终端有限公司 | 一种锁屏方法及移动终端 |
CN105120167A (zh) * | 2015-08-31 | 2015-12-02 | 广州市幸福网络技术有限公司 | 一种证照相机及证照拍摄方法 |
CN105303161A (zh) * | 2015-09-21 | 2016-02-03 | 广东欧珀移动通信有限公司 | 一种多人拍照的方法及装置 |
CN105991916A (zh) * | 2015-02-05 | 2016-10-05 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN106204435A (zh) * | 2016-06-27 | 2016-12-07 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN106303259A (zh) * | 2016-09-29 | 2017-01-04 | 努比亚技术有限公司 | 一种实现拍照的方法和装置 |
CN106485689A (zh) * | 2016-10-10 | 2017-03-08 | 努比亚技术有限公司 | 一种图片处理方法和装置 |
CN106534683A (zh) * | 2016-11-09 | 2017-03-22 | 深圳天珑无线科技有限公司 | 智能化相机实时置换背景图的方法及其系统 |
CN106803246A (zh) * | 2016-12-05 | 2017-06-06 | 乐视控股(北京)有限公司 | 图像质量评价方法、装置及设备 |
CN106846336A (zh) * | 2017-02-06 | 2017-06-13 | 腾讯科技(上海)有限公司 | 提取前景图像、替换图像背景的方法及装置 |
CN107622483A (zh) * | 2017-09-15 | 2018-01-23 | 深圳市金立通信设备有限公司 | 一种图像合成方法及终端 |
CN108052647A (zh) * | 2017-12-26 | 2018-05-18 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108198162A (zh) * | 2017-12-29 | 2018-06-22 | 努比亚技术有限公司 | 照片处理方法、移动终端、服务器、系统、存储介质 |
CN108259770A (zh) * | 2018-03-30 | 2018-07-06 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108521547A (zh) * | 2018-04-24 | 2018-09-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置及设备 |
CN108961158A (zh) * | 2017-05-17 | 2018-12-07 | 中国移动通信有限公司研究院 | 一种图像合成方法及装置 |
CN109117716A (zh) * | 2018-06-28 | 2019-01-01 | 众安信息技术服务有限公司 | 一种气质相似度获取方法及装置 |
-
2019
- 2019-04-23 CN CN201910328073.6A patent/CN110059643B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020136435A1 (en) * | 2001-03-26 | 2002-09-26 | Prokoski Francine J. | Dual band biometric identification system |
US20070237421A1 (en) * | 2006-03-29 | 2007-10-11 | Eastman Kodak Company | Recomposing photographs from multiple frames |
CN103548034A (zh) * | 2011-05-23 | 2014-01-29 | 微软公司 | 自动优化一个或多个主体的图像的捕捉 |
US20120327172A1 (en) * | 2011-06-22 | 2012-12-27 | Microsoft Corporation | Modifying video regions using mobile device input |
US8594423B1 (en) * | 2012-01-12 | 2013-11-26 | Google Inc. | Automatic background identification in video images |
CN104885049A (zh) * | 2014-03-12 | 2015-09-02 | 华为终端有限公司 | 一种锁屏方法及移动终端 |
CN105991916A (zh) * | 2015-02-05 | 2016-10-05 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105120167A (zh) * | 2015-08-31 | 2015-12-02 | 广州市幸福网络技术有限公司 | 一种证照相机及证照拍摄方法 |
CN105303161A (zh) * | 2015-09-21 | 2016-02-03 | 广东欧珀移动通信有限公司 | 一种多人拍照的方法及装置 |
CN106204435A (zh) * | 2016-06-27 | 2016-12-07 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN106303259A (zh) * | 2016-09-29 | 2017-01-04 | 努比亚技术有限公司 | 一种实现拍照的方法和装置 |
CN106485689A (zh) * | 2016-10-10 | 2017-03-08 | 努比亚技术有限公司 | 一种图片处理方法和装置 |
CN106534683A (zh) * | 2016-11-09 | 2017-03-22 | 深圳天珑无线科技有限公司 | 智能化相机实时置换背景图的方法及其系统 |
CN106803246A (zh) * | 2016-12-05 | 2017-06-06 | 乐视控股(北京)有限公司 | 图像质量评价方法、装置及设备 |
CN106846336A (zh) * | 2017-02-06 | 2017-06-13 | 腾讯科技(上海)有限公司 | 提取前景图像、替换图像背景的方法及装置 |
CN108961158A (zh) * | 2017-05-17 | 2018-12-07 | 中国移动通信有限公司研究院 | 一种图像合成方法及装置 |
CN107622483A (zh) * | 2017-09-15 | 2018-01-23 | 深圳市金立通信设备有限公司 | 一种图像合成方法及终端 |
CN108052647A (zh) * | 2017-12-26 | 2018-05-18 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108198162A (zh) * | 2017-12-29 | 2018-06-22 | 努比亚技术有限公司 | 照片处理方法、移动终端、服务器、系统、存储介质 |
CN108259770A (zh) * | 2018-03-30 | 2018-07-06 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108521547A (zh) * | 2018-04-24 | 2018-09-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置及设备 |
CN109117716A (zh) * | 2018-06-28 | 2019-01-01 | 众安信息技术服务有限公司 | 一种气质相似度获取方法及装置 |
Non-Patent Citations (2)
Title |
---|
CHAO WANG等: "A New Method of Multi-Focus Image Fusion Using Laplacian Operator and Region Optimization", 《JOURNAL OF COMPUTER AND COMMUNICATIONS》 * |
华顺刚等: "基于多幅不同曝光量照片的场景高动态范围图像合成", 《大连理工大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110059643B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711281A (zh) | 一种基于深度学习的行人重识别与特征识别融合方法 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
CN108898579A (zh) | 一种图像清晰度识别方法、装置和存储介质 | |
CN107145845A (zh) | 基于深度学习及多特征点融合的行人检测方法 | |
CN107808136A (zh) | 图像处理方法、装置、可读存储介质和计算机设备 | |
CN107194323A (zh) | 车辆定损图像获取方法、装置、服务器和终端设备 | |
US20020181784A1 (en) | Image selection support system for supporting selection of well-photographed image from plural images | |
CN109858466A (zh) | 一种基于卷积神经网络的人脸关键点检测方法及装置 | |
CN108197587A (zh) | 一种通过人脸深度预测进行多模态人脸识别的方法 | |
CN101390128B (zh) | 脸部器官的位置的检测方法及检测系统 | |
EP2023288A1 (en) | Object recognition device, object recognition program, and image search service providing method | |
CN108520226A (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN105608447A (zh) | 对人体面部微笑表情深度卷积神经网络的检测方法 | |
CN108228114A (zh) | 控制方法和存储介质 | |
CN111279389A (zh) | 图像处理方法和装置 | |
CN108234814A (zh) | 控制方法和存储介质 | |
JP7142420B2 (ja) | 画像処理装置、学習方法、学習済モデル、画像処理方法 | |
CN110414381A (zh) | 追踪式人脸识别系统 | |
CN107346414A (zh) | 行人属性识别方法和装置 | |
RU2320011C1 (ru) | Способ автоматической коррекции эффекта красных глаз | |
CN109583375A (zh) | 一种多特征融合的人脸图像光照识别方法及系统 | |
JP2009093334A (ja) | 識別方法及びプログラム | |
JP5016540B2 (ja) | 画像処理装置および方法並びにプログラム |
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 |