CN110378270B - 一种基于质量维度评估参量的人脸识别设备筛选方法 - Google Patents
一种基于质量维度评估参量的人脸识别设备筛选方法 Download PDFInfo
- Publication number
- CN110378270B CN110378270B CN201910622165.5A CN201910622165A CN110378270B CN 110378270 B CN110378270 B CN 110378270B CN 201910622165 A CN201910622165 A CN 201910622165A CN 110378270 B CN110378270 B CN 110378270B
- Authority
- CN
- China
- Prior art keywords
- equipment
- algorithm
- face recognition
- image
- snr
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Abstract
一种基于质量维度评估参量的人脸识别设备筛选方法，包括以下步骤：(1)对硬件设备做客观参量评估；(2)对人脸库中的人脸区域做标定；(3)基于噪声的测试库分类，(4)基于模糊度的测试库信息标记；(5)对任意算法进行人脸识别测试；(6)获得对应的临界信噪比范围；(7)对所有设备进行步骤6判定，剔除；(8)获得对应的模糊最大容忍区间；(9)对剩余设备进行步骤8判定、剔除。本发明基于人脸识别算法的敏感度与实际拍摄硬件设备对图像成像的影响，可以筛选出性价比最高的拍摄设备；利用人脸识别算法的质量容忍度，可以更加客观地选择拍摄设备；算法与设备是可以互相调整的，这使得人脸识别系统搭建更加灵活，降低硬件成本。
Description
技术领域
本发明涉及图像处理技术领域。
背景技术
针对人脸识别设备最优筛选问题，是很多智能设备制造商十分关注的问题，智能设备涉及生物特征验证与授权，在尽量提高识别精度的同时，需要降低不必要的硬件成本，做到利益最大化。
设备选型方面，现阶段只是针对设备本身做评估，比如分辨率、帧率，从表层意义上，分辨率越高、帧率越高的设备认为质量越好，而针对算法相关的参数并没有对设备选型有积极作用。
现阶段人脸识别算法中针对拍摄过程出现的低质量图像处理策略是拒识别，即认为达不到质量标准，即便强制识别，错误率也会很高，但这个过程算法本身仍然与硬件选型无关。
对于人脸识别系统的集成过程而言，往往存在多个备选的人脸识别算法或者已存在的算法接口，拍摄硬件(比如相机)条件是与算法独立的，无法实现性价比最高的硬件设备筛选，硬件成本高。
发明内容
为了解决人脸识别采集设备与算法独立造成的上述问题，本发明提供了一种基于质量维度评估参量的人脸识别设备筛选方法。
本发明为实现上述目的所采用的技术方案是：一种基于质量维度评估参量的人脸识别设备筛选方法，包括以下步骤：
(1)、假定人脸识别系统的识别算法共有N个，待选的硬件设备有M个，基于实际应用环境构建仿真拍摄环境，对硬件设备做客观参量评估，得到相机镜头的模糊参量以及噪声水平参量；
(2)、对于现存的人脸库做整理，对人脸库中的人脸区域做标定；
(3)、基于噪声的测试库分类，包括以下步骤：
3-1、对测试库中的任意图像做一次图像恢复，目还原不包含噪声的图像，利用恢复后的图像与原图做差，保留的差值即噪声值；
3-2、统计噪声能量，计算3-1的差值二范数；
3-3.统计原图能量，计算3-1的恢复后图像的二范数；
3-4.计算图像信噪比＝20log(原图能量/噪声能量)；
3-5.重复进行3-1～3-4，计算出所有图像的信噪比信息snr，然后对信噪比做最大值与最小值统计，得到信噪比取值范围，对整个范围做固定步长的分区，得到不同的信噪比区间，然后找到所有图信噪比所在区间的标号；
(4)、基于模糊度的测试库信息标记，包括以下步骤：
4-1.对3-1中去噪后的图像做一次图像恢复，还原清晰的图像，计算原图与恢复后图像的傅里叶变换，然后相除，得到退化函数的频域表示；
4-2.统计退化函数的低通截止频率；
4-3.重复进行4-1～4-2，计算出所有图像的截止频率信息，然后对记录频率做最大值与最小值统计，得到频率取值范围，对整个范围做固定步长的分区，得到不同的频率区间，然后找到所有图频率所在区间的标号；
(5)、对任意算法进行人脸识别测试，得到该算法的错误识别样本以及算法与各类客观条件的敏感性，包括以下步骤：
5-1、以信噪比区间为横坐标，同区间识别失败样本的数量为纵坐标，统计信噪比引入识别失败的统计直方图；
5-2.以不同模糊度分类为横坐标，同区间识别失败样本的数量为纵坐标，统计模糊度引入识别失败的统计直方图；
(6)、对所有错误识别样本而言，对任意硬件设备客观评测的噪声水平与各自对应3-1去噪的图像能量计算在相对应相机下的信噪比snr*，对应5-1中不同算法的临界信噪比范围，取所有算法中对噪声敏感度最低的算法，获得对应的临界信噪比范围，假定snr*小于该算法的low_snr，则认为该设备噪声水平过高，用来做人脸识别误差会较大，不建议使用；假定snr*在该算法的临界范围内，认为该设备可以做人脸识别，但识别率还有提升空间；假定snr*大于该算法的high_snr，认为该设备可以做人脸识别，且其噪声水平对人脸识别算法的识别率几乎没有影响。
(7)、对所有设备进行步骤6判定，剔除不建议使用的拍摄设备；
(8)、对噪声水平满足算法识别率的设备而言，取5-2中不同算法的模糊最大容忍区间，取所有算法中对模糊敏感度最低的算法，获得对应的模糊最大容忍区间，假定硬件设备评估的模糊参量为设备评估模糊度F*的倒数，若设备评估模糊度F*大于该算法的high_F，则认为该设备拍出的图像过于模糊，用来做人脸识别误差会较大，不建议使用；假定设备评估模糊度F*在该算法的容忍区间内，认为该设备可以做人脸识别，但识别率还有提升空间；假定设备评估模糊度F*小于该算法的low_F，认为该设备可以做人脸识别，且其模糊水平对人脸识别算法的识别率几乎没有影响；
(9)、对剩余设备进行步骤8判定，剔除不建议使用的拍摄设备。
还包括步骤(10)，若经过剔除后没有设备满足条件，则采用以下三种方法处理：a、根据质量评测结果来提高不同算法的鲁棒性，方法为增加预处理去噪或者去模糊；b、利用扩充训练低质量图像库的方法基于深度学习来降低算法敏感度；c、扩大硬件筛选范围，增加硬件成本，降低硬件的模糊和噪声水平。
还包括步骤(11)，若经过剔除后，还有设备剩余，通过设备成本与实际应用环境的识别率来决定是否选择对识别率影响小的设备。
所述步骤(2)中，人脸库必须是存在背景的，人员数量在万级，每个人的人脸照至少在500幅以上；标定方法为人工标定或自动标定方法，自动标定方法是基于AAM或者ASM模型自动标定方法。
所述步骤3-1中，图像恢复方法为去噪自编码和/或边缘自适应滤波。
所述步骤4-1中，图像恢复方法为超分辨率算法和/或去模糊算法。
所述步骤5-1中，算法的临界信噪比范围[low_snri,high_snri]，i∈[1,N]，当区间定义越细，该范围越小；
所述步骤5-2中，模糊度之前的模糊区间为模糊最大容忍区间[low_Fi,high_Fi]，i∈[1,N]，当区间定义越细，该范围越小。
本发明的基于质量维度评估参量的人脸识别设备筛选方法，基于人脸识别算法的敏感度与实际拍摄硬件设备对图像成像的影响，可以筛选出性价比最高的拍摄设备；利用人脸识别算法的质量容忍度，可以更加客观地选择拍摄设备，且得到最优的识别效果；算法与设备是可以互相调整的，这使得人脸识别系统搭建更加灵活，降低硬件成本。
附图说明
图1是本发明信噪比与错误样本分布图。
图2是本发明低通截止频率(模糊度)与错误样本分布图。
具体实施方式
拍摄设备体现在质量上的参量主要是噪声与清晰度(或者模糊度)两个方面，噪声是由硬件电路引起的，模糊主要是由镜头的点扩散函数(PSF)引起的。因此，本方案通过评测人脸识别算法对噪声、模糊度的敏感性，规定拍摄设备参数。
本发明的基于质量维度评估参量的人脸识别设备筛选方法，假定人脸识别系统的识别算法共有N个，待选的硬件设备有M个，对于特定的应用环境：
(1)、基于实际应用环境构建仿真拍摄环境，对硬件设备做客观参量评估，硬件设备的客观评估方法可以参考专利《一种相机自动测试系统》(申请号201821039835.8)，主要得到相机镜头的模糊参量(比如MTF50)以及噪声水平参量(比如信噪比)。
(2)、对于现存的人脸库做整理，人脸库必须是存在背景的，证件照片是不能采用的，人员数量在万级，每个人的人脸照至少在500幅以上，目的是给出各种实际环境中可以拍到的人脸图，然后对人脸库中的人脸区域做标定，标定方法可以是人工标定，也可以是自动方法标定，自动方法可以是基于AAM或者ASM模型自动标定方法(为了防止人脸识别算法无法做自动分割)。
(3)、基于噪声的测试库分类：
3-1.对测试库中的任意图像做一次图像恢复，目标是尽可能地还原不包含噪声的图像，可以使用的技术包括：去噪自编码技术(Lu X,Tsao Y,Matsuda S,et al.Speechenhancement based on deep denoising autoencoder[C]//Interspeech.2013:436-440.)、边缘自适应滤波技术(Side Window Filtering.CVPR 2019),利用恢复后的图像与原图做差，认为保留的差值即噪声值；
3-2.统计噪声能量，具体方法是计算3-1的差值二范数；
3-3.统计原图能量，具体方法是计算3-1的恢复后图像的二范数；
3-4.计算图像信噪比＝20log(原图能量/噪声能量)；
3-5.重复进行3-1～3-4，计算出所有图像的信噪比信息snr，然后对信噪比做最大值与最小值统计，得到信噪比取值范围，对整个范围做固定步长的分区，得到不同的信噪比区间，然后找到所有图信噪比所在区间的标号；
(4)、基于模糊度的测试库信息标记：
4-1.对3-1中去噪后的图像做一次图像恢复，目标是尽可能地还原清晰的图像，可以使用的技术包括：超分辨率技术(Yang J,Wright J,Huang T S,et al.Image super-resolution via sparse representation[J].IEEE transactions on imageprocessing,2010,19(11):2861-2873.)、去模糊算法(Nah S,Hyun Kim T,Mu Lee K.Deepmulti-scale convolutional neural network for dynamic scene deblurring[C]//Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2017:3883-4891.),计算原图与恢复后图像的傅里叶变换，然后相除，得到退化函数的频域表示；
4-2.统计退化函数的低通截止频率(幅频响应能量衰减至主频能量50％的频率值)；
4-3.重复进行4-1～4-2，计算出所有图像的截止频率信息，然后对记录频率做最大值与最小值统计，得到频率取值范围，对整个范围做固定步长的分区，得到不同的频率区间，然后找到所有图频率所在区间的标号。
(5)、对任意算法进行人脸识别测试，得到该算法的错误识别样本以及算法与各类客观条件的敏感性：
5-1.以信噪比区间为横坐标，同区间识别失败样本的数量为纵坐标，统计信噪比引入识别失败的统计直方图，一般地，信噪比越大，错误识别样本数量越低，如图1所示，当超过一定的信噪比时，再高的信噪比对识别率影响不大，本方案称该信噪比范围为该算法的临界信噪比范围[low_snri,high_snri]，i∈[1,N]，当区间定义越细，该范围越小；5-2.以不同模糊度分类为横坐标，同区间识别失败样本的数量为纵坐标，统计模糊度引入识别失败的统计直方图，一般地，模糊度越高，低通截止频率越低，模糊度可以认为是低通截止频率的倒数，错误识别样本越高，如图2所示，当超过一定的模糊度时，识别样本数量会出现几何级数增加，本方案称该模糊度之前的模糊区间为模糊最大容忍区间[low_Fi,high_Fi]，i∈[1,N]，当区间定义越细，该范围越小。
(6)、对所有错误识别样本而言，对任意硬件设备客观评测的噪声水平与各自对应3-1去噪的图像能量计算在相对应相机下的信噪比snr*，对应5-1中不同算法的临界信噪比范围，取所有算法中对噪声敏感度最低的算法(临界范围的low_snri越小，算法对噪声敏感度越低)，获得对应的临界信噪比范围，假定snr*小于该算法的low_snr，则认为该设备噪声水平过高，用来做人脸识别误差会较大，不建议使用；假定snr*在该算法的临界范围内，认为该设备可以做人脸识别，但识别率还有提升空间；假定snr*大于该算法的high_snr，认为该设备可以做人脸识别，且其噪声水平对人脸识别算法的识别率几乎没有影响。
(7)、对所有设备进行6判定，剔除不建议使用的拍摄设备。
(8)、对噪声水平满足算法识别率的设备而言，取5-2中不同算法的模糊最大容忍区间，取所有算法中对模糊敏感度最低的算法(容忍范围的high_Fi越大，算法对模糊敏感度越低)，获得对应的模糊最大容忍区间，假定硬件设备评估的MTF50为设备评估模糊度F*的倒数(非频域指标需要转换到频域低通截止频率)，若设备评估模糊度F*大于该算法的high_F，则认为该设备拍出的图像过于模糊，用来做人脸识别误差会较大，不建议使用；假定设备评估模糊度F*在该算法的容忍区间内，认为该设备可以做人脸识别，但识别率还有提升空间；假定设备评估模糊度F*小于该算法的low_F，认为该设备可以做人脸识别，且其模糊水平对人脸识别算法的识别率几乎没有影响。
(9)、对剩余设备进行8判定，剔除不建议使用的拍摄设备。
(10)、若经过剔除后没有设备满足条件，则可以：根据质量评测结果来提高不同算法的鲁棒性，具体做法可以是增加预处理去噪或者去模糊，也可以利用扩充训练低质量图像库的方法基于深度学习来降低算法敏感度，也可以扩大硬件筛选范围，增加硬件成本，降低硬件的模糊和噪声水平。
(11)、若经过剔除后，还有设备剩余，通过设备成本与实际应用环境的识别率来考虑是否选择对识别率几乎没有影响的设备。
本发明通过测试质量参数对人脸识别算法的敏感度，基于系统内人脸识别模块的鲁棒性、对各个条件的敏感性，选择最合适的硬件，使系统的算法与硬件相关，降低硬件成本。
本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (8)
1.一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：包括以下步骤：
(1)、假定人脸识别系统的识别算法共有N个，待选的硬件设备有M个，基于实际应用环境构建仿真拍摄环境，对硬件设备做客观参量评估，得到相机镜头的模糊参量以及噪声水平参量；
(2)、对于现存的人脸库做整理，对人脸库中的人脸区域做标定；
(3)、基于噪声的测试库分类，包括以下步骤：
3-1、对测试库中的任意图像做一次图像恢复，目还原不包含噪声的图像，利用恢复后的图像与原图做差，保留的差值即噪声值；
3-2、统计噪声能量，计算3-1的差值二范数；
3-3.统计原图能量，计算3-1的恢复后图像的二范数；
3-4.计算图像信噪比＝20log；
3-5.重复进行3-1～3-4，计算出所有图像的信噪比信息snr，然后对信噪比做最大值与最小值统计，得到信噪比取值范围，对整个范围做固定步长的分区，得到不同的信噪比区间，然后找到所有图信噪比所在区间的标号；
(4)、基于模糊度的测试库信息标记，包括以下步骤：
4-1.对3-1中去噪后的图像做一次图像恢复，还原清晰的图像，计算原图与恢复后图像的傅里叶变换，然后相除，得到退化函数的频域表示；
4-2.统计退化函数的低通截止频率；
4-3.重复进行4-1～4-2，计算出所有图像的截止频率信息，然后对记录频率做最大值与最小值统计，得到频率取值范围，对整个范围做固定步长的分区，得到不同的频率区间，然后找到所有图频率所在区间的标号；
(5)、对任意算法进行人脸识别测试，得到该算法的错误识别样本以及算法与各类客观条件的敏感性，包括以下步骤：
5-1、以信噪比区间为横坐标，同区间识别失败样本的数量为纵坐标，统计信噪比引入识别失败的统计直方图；
5-2.以不同模糊度分类为横坐标，同区间识别失败样本的数量为纵坐标，统计模糊度引入识别失败的统计直方图；
(6)、对所有错误识别样本而言，对任意硬件设备客观评测的噪声水平与各自对应3-1去噪的图像能量计算在相对应相机下的信噪比snr*，对应5-1中不同算法的临界信噪比范围，取所有算法中对噪声敏感度最低的算法，获得对应的临界信噪比范围，假定snr*小于该算法的low_snr，则认为该设备噪声水平过高，用来做人脸识别误差会较大，不建议使用；假定snr*在该算法的临界范围内，认为该设备可以做人脸识别，但识别率还有提升空间；假定snr*大于该算法的high_snr，认为该设备可以做人脸识别，且其噪声水平对人脸识别算法的识别率几乎没有影响；
(7)、对所有设备进行步骤6判定，剔除不建议使用的拍摄设备；
(8)、对噪声水平满足算法识别率的设备而言，取5-2中不同算法的模糊最大容忍区间，取所有算法中对模糊敏感度最低的算法，获得对应的模糊最大容忍区间，假定硬件设备评估的模糊参量为设备评估模糊度F*的倒数，若设备评估模糊度F*大于该算法的high_F，则认为该设备拍出的图像过于模糊，用来做人脸识别误差会较大，不建议使用；假定设备评估模糊度F*在该算法的容忍区间内，认为该设备可以做人脸识别，但识别率还有提升空间；假定设备评估模糊度F*小于该算法的low_F，认为该设备可以做人脸识别，且其模糊水平对人脸识别算法的识别率几乎没有影响；
(9)、对剩余设备进行步骤8判定，剔除不建议使用的拍摄设备。
2.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：还包括步骤(10)，若经过剔除后没有设备满足条件，则采用以下三种方法处理：a、根据质量评测结果来提高不同算法的鲁棒性，方法为增加预处理去噪或者去模糊；b、利用扩充训练低质量图像库的方法基于深度学习来降低算法敏感度；c、扩大硬件筛选范围，增加硬件成本，降低硬件的模糊和噪声水平。
3.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：还包括步骤(11)，若经过剔除后，还有设备剩余，通过设备成本与实际应用环境的识别率来决定是否选择对识别率影响小的设备。
4.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：所述步骤(2)中，人脸库必须是存在背景的，人员数量在万级，每个人的人脸照至少在500幅以上；标定方法为人工标定或自动标定方法，自动标定方法是基于AAM或者ASM模型自动标定方法。
5.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：所述步骤3-1中，图像恢复方法为去噪自编码和/或边缘自适应滤波。
6.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：所述步骤4-1中，图像恢复方法为超分辨率算法和/或去模糊算法。
7.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：所述步骤5-1中，算法的临界信噪比范围[low_snri,high_snri]，i∈[1,N]，当区间定义越细，该范围越小。
8.根据权利要求1所述的一种基于质量维度评估参量的人脸识别设备筛选方法，其特征在于：所述步骤5-2中，模糊度之前的模糊区间为模糊最大容忍区间[low_Fi,high_Fi]，i∈[1,N]，当区间定义越细，该范围越小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910622165.5A CN110378270B (zh) | 2019-07-11 | 2019-07-11 | 一种基于质量维度评估参量的人脸识别设备筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910622165.5A CN110378270B (zh) | 2019-07-11 | 2019-07-11 | 一种基于质量维度评估参量的人脸识别设备筛选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378270A CN110378270A (zh) | 2019-10-25 |
| CN110378270B true CN110378270B (zh) | 2023-03-24 |
Family
ID=68252619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910622165.5A Active CN110378270B (zh) | 2019-07-11 | 2019-07-11 | 一种基于质量维度评估参量的人脸识别设备筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378270B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178347B (zh) * | 2019-11-22 | 2023-12-08 | 京东科技控股股份有限公司 | 证件图像的模糊度检测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107153816A (zh) * | 2017-04-16 | 2017-09-12 | 五邑大学 | 一种用于鲁棒人脸识别的数据增强方法 |
| WO2017219391A1 (zh) * | 2016-06-24 | 2017-12-28 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN109948564A (zh) * | 2019-03-25 | 2019-06-28 | 四川川大智胜软件股份有限公司 | 一种基于有监督深度学习的人脸图像质量分类和评估方法 |
-
2019
- 2019-07-11 CN CN201910622165.5A patent/CN110378270B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017219391A1 (zh) * | 2016-06-24 | 2017-12-28 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN107153816A (zh) * | 2017-04-16 | 2017-09-12 | 五邑大学 | 一种用于鲁棒人脸识别的数据增强方法 |
| CN109948564A (zh) * | 2019-03-25 | 2019-06-28 | 四川川大智胜软件股份有限公司 | 一种基于有监督深度学习的人脸图像质量分类和评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378270A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
| CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
| CN110378271B (zh) | 一种基于质量维度评估参量的步态识别设备筛选方法 | |
| Gao | An adaptive median filtering of salt and pepper noise based on local pixel distribution | |
| Mikolajczak et al. | Estimation of the variance of noise in digital images using a median filter | |
| CN115908154A (zh) | 基于图像处理的视频后期颗粒噪声去除方法 | |
| CN110378270B (zh) | 一种基于质量维度评估参量的人脸识别设备筛选方法 | |
| CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
| CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
| Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
| CN115830351B (zh) | 图像处理方法、设备以及存储介质 | |
| Tiwari | A pattern classification based approach for blur classification | |
| WO2002045060A2 (en) | Resolution enhancement by nearest neighbor classified filtering | |
| Tiwari et al. | Certain investigations on motion blur detection and estimation | |
| Kanchev et al. | Blurred image regions detection using wavelet-based histograms and SVM | |
| CN111275687A (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
| CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| CN106709516B (zh) | 一种基于朴素贝叶斯方法的模糊图像检测方法 | |
| Wang et al. | No-reference quality assessment method for blurriness of SEM micrographs with multiple texture | |
| Ke et al. | An efficient blind detection algorithm of median filtered image | |
| CN115661725B (zh) | Deepfake视频检测方法、系统及可读存储介质 | |
| CN110378275B (zh) | 一种基于质量维度的步态识别算法评估方法 | |
| Lin | A novel edge feature description method for blur detection in manufacturing processes | |
| CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Screening Facial Recognition Devices Based on Quality Dimension Evaluation Parameters Effective date of registration: 20230726 Granted publication date: 20230324 Pledgee: Dalian Branch of Shanghai Pudong Development Bank Co.,Ltd. Pledgor: YICHENG GAOKE (DALIAN) TECHNOLOGY Co.,Ltd. Registration number: Y2023980049989 |