CN110796618B - 用于证卡激光签注的数字人像处理方法、存储介质和系统 - Google Patents
用于证卡激光签注的数字人像处理方法、存储介质和系统 Download PDFInfo
- Publication number
- CN110796618B CN110796618B CN201911030215.7A CN201911030215A CN110796618B CN 110796618 B CN110796618 B CN 110796618B CN 201911030215 A CN201911030215 A CN 201911030215A CN 110796618 B CN110796618 B CN 110796618B
- Authority
- CN
- China
- Prior art keywords
- portrait
- resolution
- portrait photo
- evaluation
- processing method
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000013441 quality evaluation Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011077 uniformity evaluation Methods 0.000 claims description 3
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 238000005530 etching Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010329 laser etching Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010330 laser marking Methods 0.000 description 1
- 238000007648 laser printing Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000010023 transfer printing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种用于证卡激光签注的数字人像处理方法，包括以下步骤：步骤S10，对用户上传的人像照片进行初步判定，排除非人像照片；步骤S20，对人像照片进行人脸识别、人像定位和自适应裁剪；步骤S30，对人像照片进行自动评估，保留质量评估合格的人像照片，剔除不合格的人像照片；步骤S40，对低分辨率的人像照片图像进行超分辨率增强；步骤S50，对人像照片图像进行灰度优化；步骤S60，将人像照片图像进行编码安全传输。本发明为签注出高质量的人像证卡奠定了基础。
Description
技术领域
本发明涉及人工智能、图像处理技术领域，尤其涉及一种用于证卡激光签注的数字人像处理方法、存储介质和系统。
背景技术
随着信息科学与技术的飞快发展，高精度彩色复印机、扫描仪和各类数码印刷设备的应用日益普遍，造假分子篡改伪造的技术和手段日益复杂和精细，使得伪造和变造证件、盗窃他人身份从事各类违法犯罪活动日益猖獗，以传统印刷防伪技术为主的证卡面临更多的攻击和风险。在现有的证卡物理安全技术中，签注在证卡上的个人化信息容易被篡改、涂改和添加。目前常用的个人化信息签注技术有热升华、热转印和激光打印三种方式,以上三种个人化信息签注实现方式，其个人化信息只存在于证卡材料表层，无法形成强物理安全防伪，因此很难避免个人化信息被篡改、涂改和添加的问题。解决这个问题的方法是采用红外激光刻蚀技术对复合证卡内部材料进行个人化信息签注，将信息刻蚀到复合证卡结构的红外激光刻蚀功能薄膜层上使得可用的物理安全技术更加多样化，造假、伪造的难度增加，实现“易识别、难伪造”这个目标。由于红外激光刻蚀出来的图像是灰度黑白图像，并且具有特定的工艺要求，需要根据实际激光打标功率进行灰度优化，这对以往的彩色人像处理系统来说提出了新的挑战。
另一方面，从2000年以来，证件照片慢慢地由以前的纸质照片转变为现在的数字照片。二代身份证的出现使得数字照片变得更加的普及，越来越多的人开始自己拍摄并制作证件照。但是由于拍摄照片常常存在背景杂乱、不清晰、曝光不合格、姿态不合格等问题，使得后期需要人工的进行照片的筛选和图像优化处理，工作量大且不利于信息自动化建设。
近几年人工智能技术取得了大力发展，由深度学习理论驱动的这场“信息化革命”在众多应用领域中发挥出了优异的性能，大幅提高了生产力，受到了广泛的关注，深度学习技术本身也成为当今最具有代表性的人工智能技术之一。在深度学习的框架下，目前最成功的网络架构是深度卷积神经网络(CNN)，其在图像处理、语音识别、文本挖掘等领域取得了多方面的突破，具有极大的应用价值。
因此，如何利用当前人工智能深度学习技术，自动的对人像照片进行筛选、处理和优化，改善最终的激光刻蚀出的人像效果，已成为当务之急。而目前并没有相关的数字人像处理方法用于解决上述问题。
发明内容
本发明的目的在于至少解决现有技术中的问题之一，提供一种用于证卡激光签注的数字人像处理方法，通过对人像照片进行人像定位和自适应裁剪、人像照片自动评估、超分辨率增强、图像灰度优化、安全传输，为签注出高质量的人像证卡奠定基础。本发明采用的技术方案是：
一种用于证卡激光签注的数字人像处理方法，包括以下步骤：
步骤S10，对用户上传的人像照片进行初步判定，排除非人像照片；
步骤S20，对人像照片进行人脸识别、人像定位和自适应裁剪；
步骤S30，对人像照片进行自动评估，保留质量评估合格的人像照片，剔除不合格的人像照片；
步骤S50，对人像照片图像进行灰度优化；
步骤S60，将人像照片图像进行编码安全传输。
进一步地，步骤S10中，具体将人像照片输入一个预先训练好的级联卷积神经网络进行识别，以排除人像照片。
进一步地，步骤S20中，具体利用所述级联卷积神经网络得到人像照片中人脸区域、人像轮廓；然后依据人像的对称性进行人像照片的自适应裁剪，使得人像在人像照片中居中，且裁剪后人像照片的图像长宽比符合长宽比规定。
进一步地，步骤S30中，人像照片质量评估的指标包括：头部姿势、背景、光线均匀性、清晰度、衣服颜色；
在人脸识别和人像定位的基础上，进行以下处理：
头部姿势的评估：计算头部旋转角度、头部歪斜角度；这两个角度均需要在设定范围内则头部姿势评估合格；
背景的评估：利用人像边界反向处理得到背景区域，再扣除人像照片中脖子以下部分的背景干扰区，即可得到需要的背景区域；计算背景区域的对比度和平均灰度，背景区域的对比度小于设定阈值，且平均灰度大于设定阈值，则背景评估合格；
光线均匀性的评估：光线均匀性依赖人脸的对称特性进行计算，人脸区域左半部和右半部的平均灰度的差在设定阈值以内，则光线均匀性评估合格；
清晰度的评估：对经过步骤S10和S20处理后的人像照片图像采用两次高斯模糊的方法，在人脸区域进行计算，人脸区域的局部灰度方差大于设定阈值则清晰度评估合格；
衣服颜色的评估：对经过步骤S10和S20处理后的人像照片图像进行衣服区域抠取，然后计算衣服区域的平均灰度，需要小于设定阈值，则衣服颜色评估合格。
更进一步地，头部姿势的评估中，采用开源工具Opencv进行计算得到头部旋转角度；利用人脸的对称特性进行计算头部歪斜角度。
可选地，步骤S30与S50之间，还包括：步骤S40，对低分辨率的人像照片图像进行超分辨率增强。
进一步地，步骤S40具体包括：
首先采用深度残差卷积神经网络进行建模和训练，得到超分辨率增强模型；具体包括：
采集人像照片样本，对于高分辨率的人像照片通过下采样得到低分辨率的人像照片，然后将高、低分辨率成对人像照片图像存入训练集；
采用深度残差卷积神经网络进行建模：将低分辨率人像照片图像丢失细节信息的过程看作是一种额外的噪声干扰v混入的过程；设原始的高分辨率人像照片图像为x，相应低分辨率人像照片图像通过上采样后得到的图像为y，三者关系满足y＝x+v；
将y作为深度残差卷积神经网络模型的输入，y与原始的高分辨率人像照片图像x的差作为模型的期望输出，即以
的形式作为训练数据点对；N是训练数据点对数量；将平均均方误差作为目标函数：
其中Θ表示期望学习得到的模型参数，F表示F范式，R()表示映射；
利用训练数据点对，完成深度残差卷积神经网络模型的训练学习；即当目标函数最小时，停止训练学习过程，得到超分辨率增强模型；
然后，将用户上传的低分辨率人像照片图像输入得到的超分辨率增强模型，进行超分辨率增强。
进一步地，步骤S50具体包括：调整图像的灰度曲线，使得背景灰度接近白色，且采用高通滤波算法进行清晰度增强处理。
本发明还提供一种用于证卡激光签注的数字人像处理系统，包括：
存储介质，存储有计算机程序；
处理器，用于执行所述计算机程序以实现上述任一项所述的用于证卡激光签注的数字人像处理方法的步骤。
本发明还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现上述任一项所述的用于证卡激光签注的数字人像处理方法的步骤。
本发明的优点：
1)全自动化处理，大大减少了人工工作量。
2)对人像照片的超分辨率还原采用了深度残差卷积神经网络，还原效果比线性插值、双线性插值等常规算法具有更细腻、更清晰的效果。
3)在激光签注前进行了人像的灰度优化，包括色阶调整和锐化操作，突出了人像细节信息，使得签注后的视觉效果更佳。
附图说明
图1为本发明的数字人像处理方法流程图。
图2为本发明的深度残差卷积神经网络模型示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明提出一种用于证卡激光签注的数字人像处理方法，包括以下步骤：
步骤S10，对用户上传的人像照片进行初步判定，排除非人像照片；
本步骤中，将用户上传的人像照片输入一个预先训练好的级联卷积神经网络进行识别，可进行人像的筛选，以剔除恶意上传或误操作上传的非人像照片；
步骤S20，对人像照片进行人脸识别、人像定位和自适应裁剪；
为了保证激光刻蚀的人脸尺寸一致，利用所述级联卷积神经网络得到人像照片中人脸区域、人像轮廓；然后依据人像的对称性进行人像照片的自适应裁剪，使得人像在人像照片中居中，且裁剪后人像照片的图像长宽比为4:3；
步骤S30，对人像照片进行自动评估，保留质量评估合格的人像照片，剔除不合格的人像照片；
人像照片质量评估的指标包括：头部姿势、背景、光线均匀性、清晰度、衣服颜色；
在人脸识别和人像定位的基础上，进行以下处理：
头部姿势的评估：计算头部旋转角度、头部歪斜角度；这两个角度均需要在设定范围内则头部姿势评估合格；
例如可以采用开源工具Opencv进行计算，得到头部旋转角度；利用人脸的对称特性进行计算头部歪斜角度；
背景的评估：利用人像边界反向处理得到背景区域，再扣除人像照片中脖子以下部分的背景干扰区，即可得到需要的背景区域；
由于人像照片中，背景通常是白色，计算背景区域的对比度和平均灰度，背景区域的对比度小于设定阈值，且平均灰度大于设定阈值(接近白色)，则背景评估合格；
光线均匀性的评估：光线均匀性依赖人脸的对称特性进行计算，人脸区域左半部和右半部的平均灰度的差在设定阈值以内，则光线均匀性评估合格；
清晰度的评估：对经过步骤S10和S20处理后的人像照片图像采用两次高斯模糊的方法，在人脸区域进行计算，人脸区域的局部灰度方差大于设定阈值则清晰度评估合格；
衣服颜色的评估：对经过步骤S10和S20处理后的人像照片图像采用Opencv的grabcut算法进行衣服区域抠取，然后计算衣服区域的平均灰度，需要小于设定阈值，则衣服颜色评估合格，以保证衣服平均灰度值较低(深色着装需要)；
可选地，步骤S40，对低分辨率的人像照片图像进行超分辨率增强；
为了满足高质量的图像刻蚀需求，需要对部分用户上传的低分辨率的人像照片图像进行超分辨率增强处理；本发明采用深度残差卷积神经网络进行建模和训练，得到超分辨率增强模型；具体包括：
步骤S401，采集人像照片样本，对于高分辨率的人像照片通过下采样得到低分辨率的人像照片，然后将高、低分辨率成对人像照片图像存入训练集；
步骤S402，采用深度残差卷积神经网络进行建模：
借鉴图像去噪理论，将低分辨率人像照片图像丢失细节信息的过程看作是一种额外的噪声干扰v混入的过程；设原始的高分辨率人像照片图像为x，相应低分辨率人像照片图像通过上采样后得到的图像为y，三者关系满足y＝x+v；
为了利用深度残差卷积神经网络模型达到高效超分辨率还原的目的，将y作为模型输入，y与原始的高分辨率人像照片图像x的差作为模型的期望输出，即以
的形式作为训练数据点对；N是训练数据点对数量；将平均均方误差作为目标函数：
其中Θ表示期望学习得到的模型参数，F表示F范式，R()表示映射；
如图2所示，深度残差卷积神经网络模型包括一个输入层、多个隐含层和一个输出层；
输入层中包括卷积层Conv和线性整流函数ReLU；输入层中的卷积层包括64个3×3×c的卷积滤波器，c为通道数，可以产生64个特征图，然后由ReLU进行非线性化；
隐含层中包括卷积层Conv、线性整流函数ReLU和BN层(批归一化层)；其中的卷积层采用3×3×c卷积滤波器；
输出层包括卷积层Conv，其中卷积层采用3×3×c卷积滤波器；
利用训练数据点对，完成深度残差卷积神经网络模型的训练学习；即当目标函数最小时，停止训练学习过程，得到超分辨率增强模型；
将用户上传的低分辨率人像照片图像输入得到的超分辨率增强模型，进行超分辨率增强；
步骤S50，对人像照片图像进行灰度优化；
由于数字相片采集过程中受到外部环境、光照条件、数码采集设备本身的影响，采集到的数字相片往往存在着不同程度的图像质量欠缺；为了进一步符合激光刻蚀工艺的制证效果，本发明在刻蚀前对图像的灰度值进行调节，调整图像的灰度曲线，使得背景灰度接近白色，且采用高通滤波算法进行清晰度增强锐化处理；
步骤S60，将人像照片图像进行编码安全传输；
优化后的人像照片图像，可采用国密算法进行编码，避免由于刻蚀设备原因导致的防伪信息泄露；
刻蚀设备收到编码的人像照片图像后进行解码，再进行人像的刻蚀流程控制。
作为本发明的另一个实施例，提供一种用于证卡激光签注的数字人像处理系统，包括：
存储介质，存储有计算机程序；
处理器，用于执行所述计算机程序以实现上述任一项所述的用于证卡激光签注的数字人像处理方法的步骤。
作为本发明的另一个实施例，提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现上述任一项所述的用于证卡激光签注的数字人像处理方法的步骤。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种用于证卡激光签注的数字人像处理方法，其特征在于，包括以下步骤：
步骤S10，对用户上传的人像照片进行初步判定，排除非人像照片；
步骤S20，对人像照片进行人脸识别、人像定位和自适应裁剪；
步骤S30，对人像照片进行自动评估，保留质量评估合格的人像照片，剔除不合格的人像照片；
步骤S50，对人像照片图像进行灰度优化；
步骤S60，将人像照片图像进行编码安全传输；
步骤S30与S50之间，还包括：
步骤S40，对低分辨率的人像照片图像进行超分辨率增强；
步骤S40具体包括：
首先采用深度残差卷积神经网络进行建模和训练，得到超分辨率增强模型；具体包括：
采集人像照片样本，对于高分辨率的人像照片通过下采样得到低分辨率的人像照片，然后将高、低分辨率成对人像照片图像存入训练集；
采用深度残差卷积神经网络进行建模：将低分辨率人像照片图像丢失细节信息的过程看作是一种额外的噪声干扰v混入的过程；设原始的高分辨率人像照片图像为x，相应低分辨率人像照片图像通过上采样后得到的图像为y，三者关系满足y＝x+v；
将y作为深度残差卷积神经网络模型的输入，y与原始的高分辨率人像照片图像x的差作为模型的期望输出，即以
的形式作为训练数据点对；N是训练数据点对数量；将平均均方误差作为目标函数：
其中Θ表示期望学习得到的模型参数，F表示F范式，R()表示映射；
利用训练数据点对，完成深度残差卷积神经网络模型的训练学习；即当目标函数最小时，停止训练学习过程，得到超分辨率增强模型；
然后，将用户上传的低分辨率人像照片图像输入得到的超分辨率增强模型，进行超分辨率增强。
2.如权利要求1所述的用于证卡激光签注的数字人像处理方法，其特征在于，
步骤S10中，具体将人像照片输入一个预先训练好的级联卷积神经网络进行识别，以排除人像照片。
3.如权利要求2所述的用于证卡激光签注的数字人像处理方法，其特征在于，
步骤S20中，具体利用所述级联卷积神经网络得到人像照片中人脸区域、人像轮廓；然后依据人像的对称性进行人像照片的自适应裁剪，使得人像在人像照片中居中，且裁剪后人像照片的图像长宽比符合长宽比规定。
4.如权利要求3所述的用于证卡激光签注的数字人像处理方法，其特征在于，
步骤S30中，人像照片质量评估的指标包括：头部姿势、背景、光线均匀性、清晰度、衣服颜色；
在人脸识别和人像定位的基础上，进行以下处理：
头部姿势的评估：计算头部旋转角度、头部歪斜角度；这两个角度均需要在设定范围内则头部姿势评估合格；
背景的评估：利用人像边界反向处理得到背景区域，再扣除人像照片中脖子以下部分的背景干扰区，即可得到需要的背景区域；计算背景区域的对比度和平均灰度，背景区域的对比度小于设定阈值，且平均灰度大于设定阈值，则背景评估合格；
光线均匀性的评估：光线均匀性依赖人脸的对称特性进行计算，人脸区域左半部和右半部的平均灰度的差在设定阈值以内，则光线均匀性评估合格；
清晰度的评估：对经过步骤S10和S20处理后的人像照片图像采用两次高斯模糊的方法，在人脸区域进行计算，人脸区域的局部灰度方差大于设定阈值则清晰度评估合格；
衣服颜色的评估：对经过步骤S10和S20处理后的人像照片图像进行衣服区域抠取，然后计算衣服区域的平均灰度，需要小于设定阈值，则衣服颜色评估合格。
5.如权利要求4所述的用于证卡激光签注的数字人像处理方法，其特征在于，
头部姿势的评估中，采用开源工具Opencv进行计算得到头部旋转角度；利用人脸的对称特性进行计算头部歪斜角度。
6.如权利要求1～5中任一项所述的用于证卡激光签注的数字人像处理方法，其特征在于，
步骤S50具体包括：调整图像的灰度曲线，使得背景灰度接近白色，且采用高通滤波算法进行清晰度增强锐化处理。
7.一种用于证卡激光签注的数字人像处理系统，其特征在于，包括：
存储介质，存储有计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1～6中任一项所述的用于证卡激光签注的数字人像处理方法的步骤。
8.一种计算机存储介质，其特征在于，
所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如权利要求1～6中任一项所述的用于证卡激光签注的数字人像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911030215.7A CN110796618B (zh) | 2019-10-28 | 2019-10-28 | 用于证卡激光签注的数字人像处理方法、存储介质和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911030215.7A CN110796618B (zh) | 2019-10-28 | 2019-10-28 | 用于证卡激光签注的数字人像处理方法、存储介质和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110796618A CN110796618A (zh) | 2020-02-14 |
| CN110796618B true CN110796618B (zh) | 2022-05-31 |
Family
ID=69441470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911030215.7A Active CN110796618B (zh) | 2019-10-28 | 2019-10-28 | 用于证卡激光签注的数字人像处理方法、存储介质和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796618B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862040B (zh) * | 2020-07-20 | 2023-10-31 | 中移（杭州）信息技术有限公司 | 人像图片质量评价方法、装置、设备及存储介质 |
| CN114973384A (zh) * | 2022-07-12 | 2022-08-30 | 天津科技大学 | 基于关键点和视觉显著目标检测的电子人脸照片采集方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102902961A (zh) * | 2012-09-21 | 2013-01-30 | 武汉大学 | 基于k近邻稀疏编码均值约束的人脸超分辨率处理方法 |
| CN106203256A (zh) * | 2016-06-24 | 2016-12-07 | 山东大学 | 一种基于稀疏保持典型相关分析的低分辨率人脸识别方法 |
| CN109543548A (zh) * | 2018-10-26 | 2019-03-29 | 桂林电子科技大学 | 一种人脸识别方法、装置及存储介质 |
-
2019
- 2019-10-28 CN CN201911030215.7A patent/CN110796618B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102902961A (zh) * | 2012-09-21 | 2013-01-30 | 武汉大学 | 基于k近邻稀疏编码均值约束的人脸超分辨率处理方法 |
| CN106203256A (zh) * | 2016-06-24 | 2016-12-07 | 山东大学 | 一种基于稀疏保持典型相关分析的低分辨率人脸识别方法 |
| CN109543548A (zh) * | 2018-10-26 | 2019-03-29 | 桂林电子科技大学 | 一种人脸识别方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110796618A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhong et al. | An automated and robust image watermarking scheme based on deep neural networks | |
| Jourabloo et al. | Face de-spoofing: Anti-spoofing via noise modeling | |
| CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
| CN113592776B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| EP3035236A1 (en) | Four dimensional code, and four dimensional code-based image recognition system and method, and retrieval system and method | |
| CN110188747A (zh) | 一种文本图像的倾斜校正方法、装置以及图像处理设备 | |
| CN110796618B (zh) | 用于证卡激光签注的数字人像处理方法、存储介质和系统 | |
| EP3539058A1 (fr) | Procédé pour l'authentification d'une illustration | |
| Murali et al. | Comparision and analysis of photo image forgery detection techniques | |
| CN113657528B (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
| CN111079688A (zh) | 一种人脸识别中的基于红外图像的活体检测的方法 | |
| CN111539246A (zh) | 一种跨光谱人脸识别方法、装置、电子设备及其存储介质 | |
| Rana et al. | MSRD-CNN: Multi-scale residual deep CNN for general-purpose image manipulation detection | |
| CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
| CN112116564B (zh) | 抗翻拍检测的对抗样本生成方法、设备及存储介质 | |
| Chen et al. | Distortion model-based spectral augmentation for generalized recaptured document detection | |
| CN111079689B (zh) | 一种指纹图像增强方法 | |
| CN117372362A (zh) | 一种图像质量评估方法和装置 | |
| Yakushev et al. | Docmarking: Real-Time Screen-Cam Robust Document Image Watermarking | |
| CN106887024B (zh) | 照片的处理方法及处理系统 | |
| CN108986156A (zh) | 深度图处理方法及装置 | |
| Murthy et al. | Improving Optical Braille Recognition in Pre-processing Stage | |
| Bansal et al. | Securing fingerprint images using PSO-based wavelet domain watermarking | |
| CN111160290B (zh) | 一种提取手掌静脉有效区域的方法 | |
| Reyes-Ruiz et al. | Robust Dual Digital Watermark Applied to Antique Digitized Cinema Images: Resistant to Print-Scan Attack |
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 |