CN111310703B - 基于卷积神经网络的身份识别方法、装置、设备及介质 - Google Patents
基于卷积神经网络的身份识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111310703B CN111310703B CN202010123427.6A CN202010123427A CN111310703B CN 111310703 B CN111310703 B CN 111310703B CN 202010123427 A CN202010123427 A CN 202010123427A CN 111310703 B CN111310703 B CN 111310703B
- Authority
- CN
- China
- Prior art keywords
- image
- dog
- head
- neural network
- identified
- 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
-
- 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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于卷积神经网络的身份识别方法、装置、设备及存储介质,涉及图像识别技术领域,该方法的步骤包括:通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像;将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据;将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配,以识别所述待识别犬只的身份。本发明实现了图像系统通过采集待识别犬只的头部图像,提取得到脸部图像和鼻部图像,将脸部图像和鼻部图像输入卷积神经网络,得到识别特征数据,与数据库中的识别特征数据进行匹配,从而自动化地完成了身份识别。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于卷积神经网络的身份方法、装置、设备及存储介质。
背景技术
现有的犬只身份识别方法,多采用的是NFC(Near Field Communication,近场通信)芯片体内植入方法,此方法需要NFC芯片、NFC读卡器以及NFC注射器,通过NFC注射器将NFC芯片注射到犬只的皮下,每个NFC芯片绑定唯一的id(Identity Document,身份标识号)。在需要识别身份的时候,用NFC读卡器感应犬只注射点的NFC芯片,识别犬只皮下NFC芯片所绑定的id,从而达到犬只身份识别的目的。由此可知,现有的犬只身份识别方法需要操作人员具备相应技能,同时需要用到NFC芯片、NFC读卡器以及NFC注射器,从而使得操作流程复杂化。
发明内容
本发明的主要目的在于提供一种基于卷积神经网络的身份识别方法、装置、设备及存储介质,旨在解决现有的犬只身份识别方法操作复杂的技术问题。
为实现上述目的,本发明提供一种基于卷积神经网络的身份识别方法,所述基于卷积神经网络的身份识别方法包括以下步骤:
通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像;
将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据;
将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配,以识别所述待识别犬只的身份。
优选地,所述将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配,以识别所述待识别犬只的身份的步骤包括:
将所述识别特征数据与数据库中已存的识别特征数据进行数据匹配,得到匹配值,将所述匹配值与数据库的预设匹配阈值进行比较;
若所述匹配值大于或者等于预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为相同犬只;
若所述匹配值小于所述预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为不相同犬只。
优选地,所述通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像的步骤包括:
通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像;
根据所述头部图像中各部位的结构特征进行图像提取,得到图像提取结果;
根据所述图像提取结果得到所述头部图像中的脸部图像和鼻部图像。
优选地,所述通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像的步骤包括:
通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像;
将所述预处理犬只图像转换为灰度图像,根据所述灰度图像中区域图像颜色在YCBCR色度空间中不同的门限阀值,对所述预处理犬只图像中头部区域图像与非头部区域图像进行分割,得到所述预处理犬只图像中的头部区域图像;
对所述头部区域图像中的头部区域图像进行图像采集,得到所述待识别犬只的头部图像。
优选地,所述将所述预处理犬只图像转换为灰度图像的步骤包括:
通过直方图均衡化将所述预处理犬只图像转换为深灰度图像,将所述深灰度图像进行图像噪声弱化处理,得到浅灰度图像;
通过滤波器将所述浅灰度图像进行图像锐化处理,得到灰度图像。
优选地,所述将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据的步骤包括:
将所述脸部图像和所述鼻部图像输入图像系统的卷积神经网络中,将所述脸部图像和鼻部图通过所述卷积神经网络的卷积层和池化层,得到待识别犬只的识别特征数据。
优选地,所述通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像的步骤之前,还包括:
在图像系统中创建卷积神经网络和识别特征数据的数据库;
采集各类犬只的脸部图像和鼻部图像,将所述的脸部图像和鼻部图像输入所述卷积神经网络中,得到各类犬只对应的识别特征数据,并将各类犬只对应的识别特征数据存储于所述数据库中。
此外,为实现上述目的,本发明还提供一种基于卷积神经网络的身份识别装置,所述基于卷积神经网络的身份识别装置包括:
采集模块,用于通过图像采集设备采集待识别犬只的头部图像;
提取模块,用于对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像;
输入模块,用于将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据;
匹配模块,用于将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配;
识别模块,用于识别所述待识别犬只的身份。
此外,为实现上述目的,本发明还提供一种基于卷积神经网络的身份识别设备,所述基于卷积神经网络的身份识别设备包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的基于卷积神经网络的身份识别程序,所述基于卷积神经网络的身份识别程序被所述处理器执行时实现如上所述的基于卷积神经网络的身份识别方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于卷积神经网络的身份识别程序,所述基于卷积神经网络的身份识别程序被处理器执行时实现如上所述的基于卷积神经网络的身份识别方法的步骤。
本发明通过图像采集设备采集待识别犬只的头部图像,对头部图像进行图像提取,得到头部图像中的脸部图像和鼻部图像,将脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到待识别犬只的识别特征数据,将识别特征数据与图像系统数据库中的识别特征数据进行数据匹配,完成待识别犬只的身份识别。由此可知,本发明在犬只身份识别的过程中,图像系统通过采集待识别犬只的头部图像,提取头部图像中的脸部图像和鼻部图像,将脸部图像和鼻部图像输入卷积神经网络得到待识别犬只的识别特征数据,将识别特征数据与图像系统数据库中的识别特征数据进行数据匹配,从而完成了待识别犬只的身份识别,在此过程中,图像采集、图像提取、图像输入、数据匹配都是图像系统的内部自动完成的,而不需要外部的硬件设备和人工操作,从而减少了人工操作的过程,从而简化了犬只身份识别的操作流程。
附图说明
图1是本发明基于卷积神经网络的身份识别方法第一实施例的流程示意图;
图2是本发明基于卷积神经网络的身份识别装置较佳的结构示意图;
图3是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于卷积神经网络的身份识别方法,参照图1,图1为本发明基于卷积神经网络的身份识别方法第一实施例的流程示意图。
本发明实施例提供了基于卷积神经网络的身份识别方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于卷积神经网络的身份识别方法包括:
步骤S10,通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像。
图像系统通过调用图像采集设备采集待识别犬只的头部图像,其中,图像采集设备可以在图像系统中,如可为图像系统中的摄像头,也可以不在图像系统中,如可为手机、摄像机等,需要说明的是,图像采集设备不在图像系统中时,需要通过网络接口与图像系统连接。图像系统在得到待识别犬只的头部图像后,通过边缘检测法检测头部图像中的头纹,得到检测结果,对检测结果进行连续部分和非连续部分的图像提取,得到头部图像中的脸部图像和鼻部图像。
其中,图像系统(Image System)可以包括图像采集设备,图像系统还包括CPU(Central Processing Unit,中央处理器)、存储器等,图像采集设备可以为拍照仪、摄像机、摄像孔等,本实施例不限制图像采集设备形式,中央处理器的功能有处理指令、执行操作、控制时间、处理数据等,存储器主要用于存储识别特征数据。网络接口可以是有线网络接口,可为USB(Universal Serial Bus,通用串行总线)接口等,也可以是无线网络接口,可为WIFI(Wireless-Fidelity)、蓝牙等,边缘检测法是一种能剔除图像中的不相关信息,保留图像重要的结构属性的方法,头纹即是犬只头部表皮上突起的纹线,由于犬只的头纹是遗传与环境共同作用产生的,因而每一个犬只的头纹各不相同。
需要说明的是,在采集待识别犬只的头部图像时,待识别犬只可以是静态的、可以是动态的、可以在不同位置等,当待识别犬只在图像采集设备的拍摄范围内时,图像系统即可通过图像采集设备自动进行图像定位并采集待识别犬只的头部图像。图像定位是指图像系统采用NCAST(Ncast Image Recognition Tracking System,灵动图像识别跟踪系统)目标外形特征检测方法对目标图像进行跟踪,只要目标图像进入跟踪区域,图像系统便可对目标图像进行锁定跟踪,使图像采集设备以锁定的目标图像为中心,并控制图像采集设备进行相应策略的缩放。
进一步地,所述步骤S10包括:
步骤a,通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像;
步骤b,根据所述头部图像中各部位的结构特征进行图像提取,得到图像提取结果;
步骤c,根据所述图像提取结果得到所述头部图像中的脸部图像和鼻部图像。
具体地,图像系统通过调用图像采集设备拍摄待识别犬只,将通过图像采集设备拍摄的待识别犬只的图像确定为预处理犬只图像,将该预处理犬只图像传送至图像系统的中央处理器中,图像系统根据该预处理犬只图像中轮廓的连续性特点得到待识别犬只的头部图像,再利用Gabor算子对该头部图像进行姿态估计,得到估计图像,在姿态估计之后,再利用Sobel算子按照各部位的形状、弧度各异的结构特征,比如鼻子、眼睛和嘴巴都有各自的形状,鼻子、眼睛和嘴巴都有各自的弧度,对该估计图像进行提取,得到头部图像中各部位图像的提取结果,图像系统根据该提取结果得到该待识别犬只头部图像中的脸部图像和鼻部图像。
其中,轮廓是构成物体的外缘的线条,轮廓有很多特点,比如连续性、非连续性、有形性等,根据这些特点能够区分物体之间的差异性,Gabor算子和Sobel算子是边缘检测法中的两种边缘算子,Gabor算子是利用Gabor滤波器估计待识别犬只头部图像中头部的姿态,Sobel算子是利用Yaw和Pitch参数确定待识别犬只边缘的位置和方向,姿态估计就是确定待识别犬只的头部图像各部位姿势,比如眼睛是张开的或者闭合的、嘴巴是张开的或者闭合的等。
进一步地,所述步骤a包括:
步骤d,通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像;
步骤e,将所述预处理犬只图像转换为灰度图像,根据所述灰度图像中区域图像颜色在YCBCR色度空间中不同的门限阀值,对所述预处理犬只图像中头部区域图像与非头部区域图像进行分割,得到所述预处理犬只图像中的头部区域图像;
具体地,图像系统通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,通过色域将预处理犬只图像从真彩图像转换为灰度图像,灰度图像中各区域图像颜色的亮度分量、蓝色色度分量以及红色色度分量在YCBCR色度空间中有不同的门限阀值,由于头部区域图像与非头部区域图像的颜色有明显区别,因此,根据该门限阀值从而完成对预处理犬只图像中头部区域图像与非头部区域图像的分割,根据分割的结果,得到预处理犬只图像中的头部区域图像。色域是一种对颜色进行编码的方法,可将彩色转换为灰度或者将灰度转换为彩色,色域的模式有CMYK(印刷四色模式)、RGB(三原色模式),本实施例不限制色域的模式,可以是单一的、组合的或/和其他形式的,YCBCR色度空间是一种色彩空间,其中Y是指亮度分量,CB指蓝色色度分量,CR指红色色度分量,需要说明的是,每一种色彩的亮度分量、蓝色色度分量以及红色色度分量都是不同的,门限阀值是一个基于图片亮度的黑白分界值。
步骤f,对所述头部区域图像中的头部区域图像进行图像采集,得到所述待识别犬只的头部图像。
图像系统根据头部区域图像中的轮廓特点对该头部区域图像进行图像采集,得到待识别犬只的头部图像。
进一步地,所述将所述预处理犬只图像转换为灰度图像包括:
步骤g,通过直方图均衡化将所述预处理犬只图像转换为深灰度图像,将所述深灰度图像进行图像噪声弱化处理,得到浅灰度图像;
步骤h,通过滤波器将所述浅灰度图像进行图像锐化处理,得到灰度图像。
具体地,在图像系统得到预处理图像后,图像系统根据该预处理图像中颜色的灰度级得到预处理图像的直方图信息,根据该直方图信息得到灰度图像变换函数,利用该灰度图像变换函数将该预处理犬只图像进行直方图均衡化,得到该预处理图像的深度灰度图像,然后将该深灰度图像进行消除斑迹、改善补光、抑制细节、增强对比度、突出边缘等图像噪声弱化处理,得到该预处理图像的浅灰度图像,通过平滑滤波器将该浅灰度图像进行模糊图像处理,再通过高斯滤波器强调该浅灰度图像中被模糊的细节,完成图像锐化处理,得到该预处理犬只图像的灰度图像。
其中,平滑滤波是低频增强的空间域滤波技术,平滑滤波有两类,模糊以及消除噪音,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,需要说明的是,对于灰度级(Intensity Levels)范围为[0,L-1]的数字图像,其直方图可以表示为一个离散函数h(rk)=nk,其中rk是第k级灰度值(Intensity Value),nk是图像中灰度值为rk的像素个数,图像的灰度直方图表征的是该图像的灰度分布。
步骤S20,将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据。
在图像系统得到脸部图像和鼻部图像之后,图像系统将该脸部图像和鼻部图像输入到预先存储的卷积神经网络中,经过卷积神经网络中的激励函数归一化处理后,将该脸部图像和鼻部图像转化为一组特殊数据,得到该脸部图像和鼻部图像的识别特征数据。
其中,卷积神经网络(Convolutional Neural Networks)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(DeepLearning)的代表算法之一,卷积神经网络包括输入层、隐含层、输出层,其中隐含层包括卷积层、池化层、全连接层,卷积层的功能是对输入的脸部图像和鼻部图像进行特征提取,池化层的功能是将卷积层输出的特征图进行特征选择和图像信息过滤,全连接层功能是将池化层得到的特征图信息经过激励函数,得到识别特征数据。激励函数是指隐含层和输出层节点的输入和输出之间具有函数关系,这个函数称为激励函数,激励函数有很多种,包括线性激励函数、阶跃激励函数、S形激励函数、双曲正切激励函数和高斯激励函数,本实施例不限制激励函数的类型。
识别特征数据是一种将图像信息转化为特定数据格式的数据,数据格式有很多,比如简单类型、复合类型、文件类型等。需要说明的是,本实施例不限制数据格式的形式,其中最常用的一种识别特征数据的数据格式为Face-&-****,其中&为大写英文字母A至Z任意字母,*可为#,可为0至9任意数字。比如,在本实施例中,图像系统将一组脸部图像和鼻部图像输入卷积神经网络,得到的识别特征数据为Face-A-000#。
进一步地,所述步骤S20包括:
步骤i,将所述脸部图像和所述鼻部图像输入图像系统的卷积神经网络中,将所述脸部图像和鼻部图通过所述卷积神经网络的卷积层和池化层,得到待识别犬只的识别特征数据。
具体地,在图像系统得到脸部图像和鼻部图像之后,图像系统将该脸部图像和鼻部图像输入到图像系统的卷积神经网络中,通过卷积神经网络的卷积层将输入的脸部图像和鼻部图像进行特征提取,得到特征图,然后通过卷积神经网络的池化层将该特征图进行特征选择和图像信息过滤,得到特征图信息,将特征图信息传送至全连接层的激励函数,经过激励函数处理后得到识别特征数据。
步骤S30,将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配,以识别所述待识别犬只的身份。
在图像系统得到待识别犬只的识别特征数据之后,图像系统将该识别特征数据与数据库中预先存储的识别特征数据按照数据的特点,比如数据的形式、属性以及特征进行数据对比,得到数据匹配结果,再根据数据匹配结果中的数据对比反馈值,从而确定该识别特征数据与预先存储在数据库中哪个识别特征数据的关系更密切,再根据数据库中该识别特征数据与犬只类别对应的映射关系,确定对应犬只的类别,即确定对应犬只的身份,从而完成对待识别犬只的身份识别。其中,数据库中识别特征数据与犬只类别之间的映射关系是预先设置好的。
数据库是图像系统的一部分,用于存储图像系统采集各类犬只的识别特征数据以及识别特征数据与各类犬只的映射关系,需要说明的是,数据库中的识别特征数据预先与各类犬只建立了映射关系,图像系统将该映射关系存储在数据库中。数据对比反馈值是数据对比得到的,反馈数据之间的密切关系,数据对比反馈值可为0至1之间的任意值,也可为0至100之间的任意值等。可以理解的是,数据对比反馈值越大,说明数据之间的关系越密切。
比如,在本实施例中,图像系统数据库的识别特征数据有Face-A-0001,Face-A-0002,Face-B-0001等,其中Face-A-0001,Face-A-0002,Face-B-0001分别映射的犬只类别为A类犬只,B类犬只,C类犬只,图像系统得到的待识别犬只的识别特征数据为Face-A-000#,根据数据特点将Face-A-000#与Face-A-0001至Face-A-0009系列数据进行对比,得到数据匹配结果,其中Face-A-000#与Face-A-0001的数据对比反馈值为0.9,Face-A-000#与Face-A-0002至Face-A-0009的其他识别特征数据的数据对比反馈值都小于0.9,因此确定Face-A-000#与Face-A-0001关系更密切,从而确定待识别犬只与识别特征数据Face-A-0001对应的A类犬只为相同犬只,即确定待识别犬只为A类犬只。
进一步地,所述步骤S30包括:
步骤j,将所述识别特征数据与数据库中已存的识别特征数据进行数据匹配,得到匹配值,将所述匹配值与数据库的预设匹配阈值进行比较;
步骤k,若所述匹配值大于或者等于预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为相同犬只;
步骤l,若所述匹配值小于所述预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为不相同犬只。
具体地,在图像系统得到待识别犬只的识别特征数据之后,图像系统计算将待识别犬只的识别特征数据与数据库中已存的识别特征数据之间的数据相似度,得到数据匹配的匹配值,即该数据相似度确定为匹配值,再将该匹配值与数据库中的预设匹配阈值进行比较,得到比较结果。若比较结果为该匹配值大于或者等于预设匹配阈值,则图像系统确定待识别犬只与数据库中已存的识别特征数据对应的犬只为相同犬只,即确定待识别犬只与数据库中已存的识别特征数据对应的犬只为相同类别的犬只,若比较结果为匹配值小于预设匹配阈值,则图像系统确认待识别犬只与数据库中已存的识别特征数据对应的犬只为不相同犬只,即确定待识别犬只与数据库中已存的识别特征数据对应的犬只为不同类别的犬只。需要说明的是,本实施例可通过余弦算法计算数据相似度,也可以采用其他计算数据相似度的算法计算数据相似度。
其中,数据相似度是指数据之间具有着不同的特点,比如数据的形式、属性以及特征,通过这些特点度量数据之间的相似度,匹配值是数据之间的密切关系值,需要说明的是,数据相似度即数据匹配的匹配值,匹配值越大,说明数据之间关系越密切,越相似。预设匹配阈值是一种图像相似度的临界值,根据个人需求设置的,并存储于数据库中。
比如,在本实施例中,图像系统数据库的预设匹配阈值为0.9,识别特征数据有Face-A-0001,Face-A-0002,Face-B-0001等,图像系统得到的待识别犬只的识别特征数据为Face-A-000#,图像系统计算待识别犬只的识别特征数据Face-A-000#与数据库中的Face-A-0001至Face-A-0009系列的识别特征数据之间的数据相似度,得到Face-A-000#与Face-A-0001的匹配值为0.95大于匹配阈值0.9,Face-A-0002至Face-A-0009的其余匹配值都小于匹配阈值0.9,从而确定待识别犬只与识别特征数据Face-A-0001对应的犬只为相同犬只,若Face-A-000#与Face-A-0001和Face-A-0002的匹配值分别为0.95和0.92,都大于匹配阈值0.9,其余的都小于匹配阈值0.9,但是由于匹配值0.95大于0.92,所以确定待识别犬只与识别特征数据Face-A-0001对应的犬只为相同犬只,与识别特征数据Face-A-0002对应的犬只为相似犬只。
本实施例图像系统通过图像采集设备采集待识别犬只的头部图像,对头部图像进行图像提取,得到头部图像中的脸部图像和鼻部图像,将脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到待识别犬只的识别特征数据,将识别特征数据与图像系统数据库中的识别特征数据进行数据匹配,得到匹配值,将匹配值与数据库中的预设匹配阈值进行比较,根据比较结果从而完成待识别犬只的身份识别。由此可知,本发明在犬只身份识别的过程中,图像采集、图像提取、图像输入、数据匹配都是图像系统的内部自动完成的,而不需要外部的硬件设备和人工操作,从而减少了人工操作的过程,从而简化了犬只身份识别的操作流程。
进一步地,提出本发明基于卷积神经网络的身份识别方法第二实施例。
所述基于卷积神经网络的身份识别方法第二实施例与所述基于卷积神经网络的身份识别方法第一施例的区别在于,所述基于卷积神经网络的身份识别方法还包括:
步骤n,在图像系统中创建卷积神经网络和识别特征数据的数据库;
步骤m,采集各类犬只的脸部图像和鼻部图像,将所述的脸部图像和鼻部图像输入所述卷积神经网络中,得到各类犬只对应的识别特征数据,并将各类犬只对应的识别特征数据存储于所述数据库中。
具体地,在图像系统通过图像采集设备采集待识别犬只的头部图像之前,图像系统会创建卷积神经网络以及识别特征数据的数据库,在创建完成之后,图像系统会调用图像采集设备采集各类犬只的脸部图像和鼻部图像,将采集到的脸部图像和鼻部图像输入到该卷积神经网络中,得到各类犬只对应的识别特征数据,在得到识别特征数据后,图像系统建立映射关系,将识别特征数据与各类犬只进行映射,得到识别特征数据与犬只类别之间的映射关系,再将映射关系存储到该数据库中。
本实施例图像系统通过创建卷积神经网络和识别特征数据的数据库,通过图像采集设备采集各类犬只的脸部图像和鼻部图像,将脸部图像和鼻部图像输入该卷据神经网络中,得到识别特征数据,再将该识别特征数据存储到该数据库中。由此可知,图像采集、图像输入以及数据库管理都是由图像系统内部完成的,识别特征数据的生成和录入都是在图像系统内部自动实现的,不需要人工的额外管理,从而保证了识别特征数据的精准性。
此外,本发明还提供一种基于卷积神经网络的身份识别装置,参照图2,所述基于卷积神经网络的身份识别装置包括:
采集模块10,用于通过图像采集设备采集待识别犬只的头部图像;
提取模块20,用于对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像;
输入模块30,用于将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据;
匹配模块40,用于将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配;
识别模块50,用于识别所述待识别犬只的身份。
进一步地,所述识别模块50还包括:
匹配单元,用于将所述识别特征数据与数据库中已存的识别特征数据进行数据匹配,得到匹配值;
比较单元,用于将所述匹配值与数据库的预设匹配阈值进行比较;
第一确定单元,用于若所述匹配值大于或者等于预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为相同犬只;
第二确定单元,用于若所述匹配值小于所述预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为不相同犬只。
进一步地,所述采集模块10还用于通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像;
所述提取模块20还用于根据所述头部图像中各部位的结构特征进行图像提取,得到图像提取结果。
进一步地,所述基于卷积神经网络的身份识别装置还包括:
处理模块,用于根据所述图像提取结果得到所述头部图像中的脸部图像和鼻部图像。
进一步地,所述采集模块10包括:
调用单元,用于通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像;
转换单元,用于将所述预处理犬只图像转换为灰度图像,根据所述灰度图像中区域图像颜色在YCBCR色度空间中不同的门限阀值;
分割单元,用于对所述预处理犬只图像中头部区域图像与非头部区域图像进行分割,得到所述预处理犬只图像中的头部区域图像。
进一步地,所述采集模块10还用于对所述头部区域图像中的头部区域图像进行图像采集,得到所述待识别犬只的头部图像。
进一步地,所述转换单元还包括:
转换子单元,用于通过直方图均衡化将所述预处理犬只图像转换为深灰度图像;
弱化子单元,用于将所述深灰度图像进行图像噪声弱化处理,得到浅灰度图像;
锐化子单元,用于通过滤波器将所述浅灰度图像进行图像锐化处理,得到灰度图像。
进一步地,所述输入模块30还用于将所述脸部图像和所述鼻部图像输入图像系统的卷积神经网络中,将所述脸部图像和鼻部图通过所述卷积神经网络的卷积层和池化层,得到待识别犬只的识别特征数据。
进一步地,所述基于卷积神经网络的身份识别装置还包括:
创建模块,用于在图像系统中创建卷积神经网络和识别特征数据的数据库。
进一步地,所述采集模块10还用于采集各类犬只的脸部图像和鼻部图像;
所述输入模块20还用于将所述的脸部图像和鼻部图像输入所述卷积神经网络中,得到各类犬只对应的识别特征数据。
进一步地,所述基于卷积神经网络的身份识别装置还包括:
存储模块,用于将各类犬只对应的识别特征数据存储于所述数据库中。
本发明基于基于卷积神经网络的身份识别装置具体实施方式与上述基于基于卷积神经网络的身份识别方法各实施例基本相同,在此不再赘述。
此外,本发明还提供一种基于卷积神经网络的身份识别设备。如图3所示,图3是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图3即可为基于卷积神经网络的身份识别设备的硬件运行环境的结构示意图。
图3即可为基于卷积神经网络的身份识别设备的硬件运行环境的结构示意图。
如图所示,该基于卷积神经网络的身份识别设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,基于卷积神经网络的身份识别设备还可以包括RF(Radio Frequency,射频)电路,传感器、WiFi模块等等。
本领域技术人员可以理解,图3中示出的基于卷积神经网络的身份识别设备结构并不构成对基于卷积神经网络的身份识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于卷积神经网络的身份识别程序。其中,操作系统是管理和控制基于卷积神经网络的身份识别设备硬件和软件资源的程序,支持基于卷积神经网络的身份识别程序以及其它软件或程序的运行。
在图所示的基于卷积神经网络的身份识别设备中,用户接口1003主要用于图像采集设备,以采集犬只的图像;网络接口1004主要用于图像系统,与图像采集设备进行图像传输;处理器1001可以用于调用存储器1005中存储的基于卷积神经网络的身份识别程序,并执行如上所述的基于卷积神经网络的身份识别设备的控制方法的步骤。
本发明基于卷积神经网络的身份识别设备具体实施方式与上述基于卷积神经网络的身份识别方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于卷积神经网络的身份识别程序,所述基于卷积神经网络的身份识别程序被处理器执行时实现如上所述的基于卷积神经网络的身份识别方法的步骤。
本发明计算机可读存储介质具体实施方式与上述基于卷积神经网络的身份识别方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台基于卷积神经网络的身份识别设备执行本发明各个实施例所述的方法。
Claims (6)
1.一种基于卷积神经网络的身份识别方法,其特征在于,所述基于卷积神经网络的身份识别方法包括以下步骤:
通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像;
将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据;
将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配,以识别所述待识别犬只的身份;
所述通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像的步骤,包括:
通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像;
通过Gabor算子对所述头部图像进行姿态估计得到估计图像,并根据所述估计图像的头部特征,通过Sobel算子对所述估计图像进行特征提取,得到图像提取结果;
根据所述图像提取结果得到所述头部图像中的脸部图像和鼻部图像;
所述将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配,以识别所述待识别犬只的身份的步骤包括:
将所述识别特征数据与数据库中已存的识别特征数据进行数据匹配,得到匹配值,将所述匹配值与数据库的预设匹配阈值进行比较;
若所述匹配值大于或者等于预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为相同犬只;
若所述匹配值小于所述预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为不相同犬只;
所述通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像的步骤包括:
通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像;
将所述预处理犬只图像转换为灰度图像,根据所述灰度图像中区域图像颜色在YCBCR色度空间中不同的门限阀值,对所述预处理犬只图像中头部区域图像与非头部区域图像进行分割,得到所述预处理犬只图像中的头部区域图像;
对所述头部区域图像中的头部区域图像进行图像采集,得到所述待识别犬只的头部图像;
所述将所述预处理犬只图像转换为灰度图像的步骤包括:
通过直方图均衡化将所述预处理犬只图像转换为深灰度图像,将所述深灰度图像进行图像噪声弱化处理,得到浅灰度图像;
通过滤波器将所述浅灰度图像进行图像锐化处理,得到灰度图像。
2.如权利要求1所述的基于卷积神经网络的身份识别方法,其特征在于,所述将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据的步骤包括:
将所述脸部图像和所述鼻部图像输入图像系统的卷积神经网络中,将所述脸部图像和鼻部图通过所述卷积神经网络的卷积层和池化层,得到待识别犬只的识别特征数据。
3.如权利要求1至2任一项所述的基于卷积神经网络的身份识别方法,其特征在于,所述通过图像采集设备采集待识别犬只的头部图像,对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像的步骤之前,还包括:
在图像系统中创建卷积神经网络和识别特征数据的数据库;
采集各类犬只的脸部图像和鼻部图像,将所述的脸部图像和鼻部图像输入所述卷积神经网络中,得到各类犬只对应的识别特征数据,并将各类犬只对应的识别特征数据存储于所述数据库中。
4.一种基于卷积神经网络的身份识别装置,其特征在于,所述基于卷积神经网络的身份识别装置包括:
采集模块,用于通过图像采集设备采集待识别犬只的头部图像;
提取模块,用于对所述头部图像进行图像提取,得到所述头部图像中的脸部图像和鼻部图像;
输入模块,用于将所述脸部图像和鼻部图像输入图像系统的卷积神经网络中,得到所述待识别犬只的识别特征数据;
匹配模块,用于将所述识别特征数据与所述图像系统数据库中的识别特征数据进行数据匹配;
识别模块,用于识别所述待识别犬只的身份;
所述采集模块包括:
头部图像采集单元,用于通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像,根据所述预处理犬只图像得到所述待识别犬只的头部图像;
所述提取模块包括:
图像提取结果获取单元,用于通过Gabor算子对所述头部图像进行姿态估计得到估计图像,并根据所述估计图像的头部特征,通过Sobel算子对所述估计图像进行特征提取,得到图像提取结果;
脸部图像和鼻部图像获取单元,用于根据所述图像提取结果得到所述头部图像中的脸部图像和鼻部图像;
所述匹配模块,包括:
阈值比较单元,用于将所述识别特征数据与数据库中已存的识别特征数据进行数据匹配,得到匹配值,将所述匹配值与数据库的预设匹配阈值进行比较;
犬只第一确定单元,用于确认若所述匹配值大于或者等于预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为相同犬只;
犬只第二确定单元,用于若所述匹配值小于所述预设匹配阈值,则确认所述待识别犬只与所述数据库中已存的识别特征数据对应的犬只为不相同犬只;
所述头部图像采集单元,包括:
预处理犬只图像获取子单元,用于通过调用图像采集设备拍摄待识别犬只,得到预处理犬只图像;
分割子单元,用于将所述预处理犬只图像转换为灰度图像,根据所述灰度图像中区域图像颜色在YCBCR色度空间中不同的门限阀值,对所述预处理犬只图像中头部区域图像与非头部区域图像进行分割,得到所述预处理犬只图像中的头部区域图像;
图像采集子单元,用于对所述头部区域图像中的头部区域图像进行图像采集,得到所述待识别犬只的头部图像;
所述分割子单元,包括:
图像噪声弱化第一子单元,用于通过直方图均衡化将所述预处理犬只图像转换为深灰度图像,将所述深灰度图像进行图像噪声弱化处理,得到浅灰度图像;
图像锐化第一子单元,用于通过滤波器将所述浅灰度图像进行图像锐化处理,得到灰度图像。
5.一种基于卷积神经网络的身份识别设备,其特征在于,所述基于卷积神经网络的身份识别设备包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的基于卷积神经网络的身份识别程序,所述基于卷积神经网络的身份识别程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于卷积神经网络的身份识别方法的步骤。
6.一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有基于卷积神经网络的身份识别程序,所述基于卷积神经网络的身份识别程序被处理器执行时实现如权利要求1至3中任一项所述基于卷积神经网络的身份识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123427.6A CN111310703B (zh) | 2020-02-26 | 2020-02-26 | 基于卷积神经网络的身份识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123427.6A CN111310703B (zh) | 2020-02-26 | 2020-02-26 | 基于卷积神经网络的身份识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310703A CN111310703A (zh) | 2020-06-19 |
CN111310703B true CN111310703B (zh) | 2022-06-03 |
Family
ID=71147854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010123427.6A Active CN111310703B (zh) | 2020-02-26 | 2020-02-26 | 基于卷积神经网络的身份识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310703B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676775A (zh) * | 2021-08-27 | 2021-11-19 | 苏州因塞德信息科技有限公司 | 一种利用人工智能在视频和游戏中进行广告植入的方法 |
CN117576597B (zh) * | 2024-01-15 | 2024-04-12 | 深圳市金飞杰信息技术服务有限公司 | 一种基于无人机驾驶的视觉识别方法及其系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN107133562A (zh) * | 2017-03-17 | 2017-09-05 | 华南理工大学 | 一种基于极限学习机的手势识别方法 |
CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
CN109829381A (zh) * | 2018-12-28 | 2019-05-31 | 北京旷视科技有限公司 | 一种犬只识别管理方法、装置、系统及存储介质 |
CN109948458A (zh) * | 2019-02-25 | 2019-06-28 | 广东智媒云图科技股份有限公司 | 基于鼻纹的宠物身份识别方法、装置、设备及存储介质 |
CN110222630A (zh) * | 2019-06-03 | 2019-09-10 | 中国农业大学 | 一种猪身份识别系统 |
WO2019227616A1 (zh) * | 2018-06-01 | 2019-12-05 | 平安科技(深圳)有限公司 | 动物身份的识别方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197644A (zh) * | 2017-12-27 | 2018-06-22 | 深圳市大熊动漫文化有限公司 | 一种图像识别方法和装置 |
US10628705B2 (en) * | 2018-03-29 | 2020-04-21 | Qualcomm Incorporated | Combining convolution and deconvolution for object detection |
CN110334597A (zh) * | 2019-05-30 | 2019-10-15 | 中国地质大学(武汉) | 基于Gabor神经网络的指静脉识别方法及系统 |
-
2020
- 2020-02-26 CN CN202010123427.6A patent/CN111310703B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN107133562A (zh) * | 2017-03-17 | 2017-09-05 | 华南理工大学 | 一种基于极限学习机的手势识别方法 |
CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
WO2019227616A1 (zh) * | 2018-06-01 | 2019-12-05 | 平安科技(深圳)有限公司 | 动物身份的识别方法、装置、计算机设备和存储介质 |
CN109829381A (zh) * | 2018-12-28 | 2019-05-31 | 北京旷视科技有限公司 | 一种犬只识别管理方法、装置、系统及存储介质 |
CN109948458A (zh) * | 2019-02-25 | 2019-06-28 | 广东智媒云图科技股份有限公司 | 基于鼻纹的宠物身份识别方法、装置、设备及存储介质 |
CN110222630A (zh) * | 2019-06-03 | 2019-09-10 | 中国农业大学 | 一种猪身份识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111310703A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084135B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
US7580587B2 (en) | Device and method for correcting image including person area | |
US8861881B2 (en) | Image processing apparatus, method thereof, program, and image capturing apparatus | |
US8958647B2 (en) | Registration determination device, control method and control program therefor, and electronic apparatus | |
US8638993B2 (en) | Segmenting human hairs and faces | |
WO2020125631A1 (zh) | 视频压缩方法、装置和计算机可读存储介质 | |
US7903870B1 (en) | Digital camera and method | |
CN111428581A (zh) | 人脸遮挡检测方法及系统 | |
JP2007504719A (ja) | 組み込みアプリケーションに適した、画像における赤目の検出と補正を行うシステム及び方法 | |
CN106326823B (zh) | 一种获取图片中头像的方法和系统 | |
WO2006087581A1 (en) | Method for facial features detection | |
JP2002342756A (ja) | デジタル画像において目と口の位置を検出する方法 | |
KR100422709B1 (ko) | 영상 의존적인 얼굴 영역 추출방법 | |
CN111310703B (zh) | 基于卷积神经网络的身份识别方法、装置、设备及介质 | |
CN105844242A (zh) | 图像中的肤色检测方法 | |
CN106651879B (zh) | 一种指甲图像的提取方法及系统 | |
CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
KR101344851B1 (ko) | 영상처리장치 및 영상처리방법 | |
Ma et al. | A face detection algorithm based on modified skin-color model | |
CN111881846A (zh) | 图像处理方法和相关装置、设备、存储介质 | |
CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
CN110245590B (zh) | 一种基于皮肤图像检测的产品推荐方法及系统 | |
CN113781330A (zh) | 图像处理方法、装置及电子系统 | |
Liang et al. | Applying Image Processing Technology to Face Recognition. | |
Subasic et al. | Expert system segmentation of face images |
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 |