CN111353348B - 一种图像处理方法、装置、采集设备及存储介质 - Google Patents
一种图像处理方法、装置、采集设备及存储介质 Download PDFInfo
- Publication number
- CN111353348B CN111353348B CN201811581372.2A CN201811581372A CN111353348B CN 111353348 B CN111353348 B CN 111353348B CN 201811581372 A CN201811581372 A CN 201811581372A CN 111353348 B CN111353348 B CN 111353348B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- chromatographic
- information
- imaging area
- 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 28
- 238000003384 imaging method Methods 0.000 claims abstract description 163
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 2
- 210000001508 eye Anatomy 0.000 description 41
- 239000003086 colorant Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000000554 iris Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 235000003255 Carthamus tinctorius Nutrition 0.000 description 1
- 244000020518 Carthamus tinctorius Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像处理方法,所述方法包括:采集目标获得第一图像;利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。本发明实施例还公开了一种图像处理装置、采集设备及存储介质。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、采集设备及存储介质。
背景技术
近年来随着移动互联网和手机等终端应用市场的快速发展,终端应用程序的服务不断向着更加精细化、个性化发展,甚至朝着极致化方向发展。现今对于生物特征识别技术也是层出不穷,但是,目前的生物特征识别需要基于专用的生物特征识别芯片或者生物特征识别模块才能实现。
发明内容
有鉴于此,本发明实施例提供一种图像处理方法、装置及存储介质。
本发明的技术方案是这样实现的:
一种图像处理方法,所述方法包括:
采集目标获得第一图像;
利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
上述方案中,所述采集目标获得第一图像包括:
采集脸部获得所述第一图像;
所述方法还包括:
从所述成像区域提取出眼睛对采集设备的成像信息。
上述方案中,所述方法还包括:
显示具有预定色谱信息的色谱图像;
所述采集脸部获得所述第一图像,包括:
采集位于所述色谱图像观看视角内的脸部,获得所述第一图像;
所述从所述成像区域提取出眼睛对采集设备的成像信息,包括:
基于所述预定色谱信息从所述成像区域提取出所述成像信息。
上述方案中,所述显示具有预定色谱信息的色谱图像,包括:
在预定时长内显示具有预定色谱信息的色谱图像,其中,所述预定时长小于或等于所述人眼能够识别观测到所述色谱图像的时长。
上述方案中,所述基于所述预定色谱信息从所述成像区域提取出所述成像信息,包括:
基于所述预定色谱信息确定所述色谱图像在所述成像区域的位置信息及像素信息;
基于所述色谱图像在所述成像区域的位置信息及像素信息,确定所述采集设备在所述成像区域的位置信息及像素信息;
基于所述采集设备在所述成像区域的位置信息及像素信息,从所述成像区域提取出所述采集设备的待确定颜色参数值;
基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值。
上述方案中,所述基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值,包括:
从所述成像区域提取所述色谱图像的各色块的备选颜色参数值,选取与所述待确定颜色参数值差距最小的所述备选颜色参数值对应的色块的颜色参数值为所述采集设备的目标颜色参数值。
上述方案中,所述方法还包括:
根据所述第一图像的色度分布,确定所述第一图像是否出现预设色偏;
所述利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征,包括:
若所述第一图像未出现预设色偏,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
上述方案中,所述方法还包括:
对所述第一图像进行降噪的预处理;
所述利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征,包括:
利用深度学习模型定位出所述目标的预设局部在所述预处理后的所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
本发明实施例还提供了一种图像处理装置,所述装置包括:
采集模块,用于采集目标获得第一图像;
第一处理模块,用于利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
上述方案中,所述采集模块用于采集脸部获得所述第一图像;
所述第一处理模块,还用于从所述成像区域提取出眼睛对采集设备的成像信息。
上述方案中,所述装置还包括显示模块;其中,
所述显示模块,用于显示具有预定色谱信息的色谱图像;
所述采集模块,用于采集位于所述色谱图像观看视角内的脸部,获得所述第一图像;
所述第一处理模块,用于基于所述预定色谱信息从所述成像区域提取出所述成像信息。
上述方案中,所述显示模块,用于在预定时长内显示具有预定色谱信息的色谱图像,其中,所述预定时长小于或等于所述人眼能够识别观测到所述色谱图像的时长。
上述方案中,所述第一处理模块,用于基于所述预定色谱信息确定所述色谱图像在所述成像区域的位置信息及像素信息;基于所述色谱图像在所述成像区域的位置信息及像素信息,确定所述采集设备在所述成像区域的位置信息及像素信息;基于所述采集设备在所述成像区域的位置信息及像素信息,从所述成像区域提取出所述采集设备的待确定颜色参数值;基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值。
上述方案中,所述第一处理模块,用于从所述成像区域提取所述色谱图像的各色块的备选颜色参数值,选取与所述待确定颜色参数值差距最小的所述备选颜色参数值对应的色块的颜色参数值为所述采集设备的目标颜色参数值。
上述方案中,所述装置还包括第二处理模块;其中,
所述第二处理模块,用于根据所述第一图像的色度分布,确定所述第一图像是否出现预设色偏;
所述第一处理模块,用于若所述第一图像未出现预设色偏,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
上述方案中,所述装置还包括第三处理模块;其中,
所述第三处理模块,用于对所述第一图像进行降噪的预处理;
所述第一处理模块,用于利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
本发明实施例还提供了一种采集设备,其特征在于所述采集设备包括处理器,和用于存储能够在处理器上运行的计算机程序的存储器;其中,所述处理器用于运行计算机程序时,实现本发明任一实施例所述的图像处理方法。
本发明实施例还提供了计算机一种存储介质,所述存储介质中有计算机可执行指令,其特征在于,所述计算机可执行指令被处理器执行实现本发明任一实施例所述的图像处理方法。
本发明实施例中所提供的一种图像处理方法,通过采集目标获得第一图像;利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征,可以用于对目标的预设局部的生物识别;如此,本发明可以通过采集目标的图像,基于采集设备中具备的深度学习的应用程序或环境,便可实现目标(例如人)的预设局部(例如眼睛)的识别;本发明生物特征的识别可仅在处理器中实现,无需通过额外的专用生物特征识别模块或者芯片进行操作,简化了采集设备的结构,降低了硬件成本。
且,由于本发明对于生物识别可以在采集设备的终端侧完成,无需通过云端服务器进行操作,可以保护用户的隐私,提高安全性。
附图说明
图1为本发明实施例提供的图像处理方法的流程示意图;
图2为本发明实施例提供的图像处理方法的流程示意图;
图3为本发明实施例提供的图像处理方法的流程示意图;
图4为本发明实施例提供的图像处理方法的流程示意图;
图5为本发明实施例提供的图像处理方法的流程示意图;
图6为本发明实施例提供的图像处理方法的流程示意图;
图7为本发明实施例提供的图像处理方法的流程示意图;
图8为本发明一实施例中眼睛图像提取的流程示意图;
图9为本发明一实施例中反光点图像提取的流程示意图;
图10为本发明实施例提供的图像处理装置结构示意图;
图11为本发明实施例提供的图像处理方法的硬件结构示意图。
具体实施方式
以下结合附图及实施例,对本发明进行进一步详细说明。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。
本发明实施例所提供的图片处理方法,主要用于生物特征的识别,例如对于人的眼睛等器官等的识别。本发明实施例所提供的图像处理方法还可以在基于对生物特征识别的基础上,用于对终端设备颜色的识别,例如,基于生物特征从图像中提取出的眼睛对于终端设备的成像信息等,基于所述成像信息等识别出终端设备以及终端设备配件等的颜色。
如图1所示,本发明实施例提供了一种图像处理方法,所述方法应用于采集设备,包括:
步骤101,采集目标获得第一图像;
步骤103,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
这里,采集设备可以是手机、平板电脑、计算机,或者其它终端设备;所述采集设备中带有拍照功能的设备,例如,摄像头、摄像机、相机、扫描仪,等等。
这里,所述目标包括人。在一些实施例中,所述目标可以是人脸、手、或脚,等等。
这里,所述预设局部可以是眼睛、鼻子、嘴巴、或耳朵,等等。
可以理解的是,所述采集设备还带有深度学习的应用程序APP或者深度学习环境,或者可以与具备深度学习软件的终端建立通信连接;所述采集设备可以基于获取的图像,利用所述深度学习模型识别出手形、掌纹、指纹、脸形、虹膜、耳廓等的生物特征。
可以理解的是,所述第一图像可以分为多个图像块;所述图像块中包括多个像素点,其中每一个像素点对应一个各自的颜色;可基于灰度共生矩阵反映所述第一图像上保持一定距离的两个像素的灰度分别具有某个灰度的统计;可基于灰度直方图反映所述第一图像上单个像素具有某个灰度的统计。例如,对于虹膜图像的灰度直方图进行分析可知,眼睑、虹膜和瞳孔明显分为三个灰度等级。
可以理解的是,采集设备通过对所述第一图像中各个图像块的灰度直方图等进行分析,可得到与预设局部颜色相似度最小的颜色的第一区域,所述第一区域确定为所述预设局部在所述第一图像的所述成像区域。
在一些实施例中,所述步骤101的一种实现方式是:采集设备通过所述采集设备中带有的采集装置采集目标获得第一图像。例如,所述采集设备可以是手机,所述采集设备中的采集装置可以是前置摄像头,采集设备基于所述前置摄像头拍摄人物的第一图像。
在一些实施例中,所述步骤103的一种实现方式是:采集设备从本地存储器或其它存储器中获取训练样本集;所述训练样本集包括生物特征训练样本图像;将所述训练样本集输入到卷积神经网络中,获得所述卷积层中各个神经元的权重系数,并根据卷积层中各个神经元的权重系数得到深度学习模型;将所述第一图像输入到所述深度学习模型中,经深度学习模型对所述第一图像进行逐层的特征提取,最后经深度学习模型的最后一层的输出层进行比对,输出所述第一图像的比对结果;根据所述比对结果得出所述第一图像中的生物特征是否与目标的预设局部的生物特征匹配,若匹配,则提出所述第一图像中匹配的生物特征所对应的成像区域为预设局部的成像区域,且从所述成像区域提取出所述预设局部的生物特征。
在本实施例中,可以仅通过采集目标的图像,基于采集设备中具备的深度学习的应用程序或环境,便可实现目标(例如人)的预设局部(眼睛)的识别;本发明无需额外的专用生物特征识别模块或者芯片,简化了采集设备的结构,降低了硬件成本。
在本实施例中,由于对于生物特征的识别可以在采集设备的终端完成,无需通过云端服务器等,可以保护用户的隐私,提高安全性。
在本实施例中,由于可以利用神经网络等构建上述深度学习模型,能够自动学习到第一图像的多层详细生物特征信息,从而保证了生物特征提取的高精细度,使得生物特征识别的结果更加准确。
在一些实施例中,如图2所示,所述步骤101,包括:
步骤1011,采集脸部获得所述第一图像;
所述方法还包括:
步骤105,从所述成像区域提取出眼睛对采集设备的成像信息。
这里,所述成像信息可以包括但不限于以下之一:像素信息、颜色参数值信息。
本实施例中,所述步骤1011是采集脸部的所述第一图像,如此,通过深度学习模型定位出的脸部中眼睛、鼻子、嘴巴或耳廓等的成像区域,可以用于对脸部中眼睛、鼻子、嘴巴、耳朵等各器官的生物识别。
本实施例中,所述步骤105可以基于成像区域提取眼睛对采集设备的成像信息,如此,也有利于利用获取的眼睛反射采集设备的成像区域的成像信息而进行后续的操作。
在一些实施例中,如图3所示,所述方法还包括:
步骤100,显示具有预定色谱信息的色谱图像;
所述步骤1011,包括:
步骤1012,采集位于所述色谱图像观看视角内的脸部,获得所述第一图像;
所述步骤105,包括:
步骤1051:基于所述预定色谱信息从所述成像区域提取出所述成像信息。
可以理解的是,所述色谱图像可以包含多个色块,具体地,可以是几十个、或一两百个色块;所述色谱图像中包含的各色块的颜色不相同;所述色谱图像包含的所述色块越多,所述颜色的分类越精细。
可以理解的是,所述色块的颜色参数值与所述采集装置的外壳的颜色参数值之间距离大于第一阈值;所述色块的颜色参数值与所述眼睛的颜色参数值之间距离大于第二阈值。
这里,所述预定色谱信息可以包括色谱图像的像素信息,各色块的像素信息以及各色块的颜色参数值;其中,所述色谱图像的像素信息可以是指所述色谱图像的长宽尺寸,或者,可以是指所述色谱图像的宽度,或者可以是指其它表示所述色谱图像面积等的方式;所述各色块的像素信息可以是指所述各色块的长宽尺寸,或者可以是指所述各色块的宽度,或者可以是指其它表示所述色谱图像面积等的方式。
可以理解的是,所述色谱图像中各色块的面积或者所述各色块之间的间距均可以增大或缩小。
可以理解的是,在显示屏中显示所述色谱图像,所述预定色谱信息包含的所述色谱图像的像素信息可以是指所述色谱图像在所述显示屏中的像素信息,所述预定色谱信息中包含的所述各色块的像素信息可以是指所述各色块在所述显示屏中的像素信息。
在一些实施例中,所述步骤1012的一种实现方式是:当所述采集设备显示具有预定色谱信息的色谱图像时,同步采集位于所述色谱图像观看视角内的脸部,获取所述第一图像。
本实施例中,可以基于通过色谱图像的插入,基于色谱图像观看时角内的脸部的图片的获取,能够通过色谱图像呈现在眼睛的反光点位置,更加容易找到预设局部如眼睛的成像区域,从而能提高提取生物特征的识别结果的效率;且也能进一步提高提取生物特征的识别结果的精准性。
在本实施例中,由于引入了色谱图像,该色谱图像是显示在所述采集设备的显示屏中,从而使得获得的关于预设局部的成像区域中具有与采集设备显示屏图像的对比图像;一方面可基于该色谱图像(即对比图像)的预定色谱信息获得所述采集设备在所述成像区域的成像信息;另一方面也为所述采集设备的颜色识别或采集设备的配件的颜色识别奠定了基础。
在一些实施例中,所述步骤100,包括:
在预定时长内显示具有预定色谱信息的色谱图像,其中,所述预定时长小于或等于所述人眼能够识别观测到所述色谱图像的时长。
在一些实施例中,所述预定时长小于或等于所述人眼能够识别观测到所述色谱图像时长,且,所述预定时长大于或等于所述采集设备能够捕获到图像的最小时长。
可以理解的是,所述人眼能够识别观测到色谱图像的时长一般是0.05秒以上;这里,所述预定时长的小于或等于所述人眼能够识别观测到所述色谱图像的时长可以是:小于0或等于0.05秒的任一时长。例如,所述预定时长可以是:1/24秒、或1/30秒,等等。
可以理解的是,所述采集设备能够捕获到图像的最小时长根据所述采集设备的性能不同而不同。所述预定时长需要大于或等于所述采集设备的采集装置捕获到图像的最小时长,如此,能够确保所述采集设备捕获到所述色谱图像在人眼中成像的图像。
可以理解的是,在采集设备的显示屏中插入具有预定色谱信息的色谱图像,可以利用小于人眼能够识别观测到色谱图像的时长在显示屏显示内容中以插入帧的形式,将所述色谱图像插入到所述显示内容中。如此,可以使得观看所述显示内容的用户的眼睛能够捕捉到所述色谱图像,但是不会意识到显示屏中存在所述色谱图像的效果。
这里,本实施例中上述步骤100的一种实现方式是:采集设备将色谱图像插入到采集设备的显示屏的显示内容中;所述采集设备在预定时长内显示所述具有预定色谱信息的色谱图像。
在本实施例中,通过以小于或等于所述人眼能够识别观测到所述色谱图像的时长的预定时长在采集设备的显示屏中显示具有预定色谱信息的色谱图像,既可以使人脑无法意识到所述色谱图像在显示屏中存在的效果,以至于干扰用户观看所述显示屏的正常显示内容,又可以使得采集设备采集到人眼中包含有所述色谱图片的成像区域;如此,可以方便基于色谱图像获取采集设备在所述成像区域中的信息,且,提高用户观看显示内容的友好性。
在一些实施例中,如图4所示,所述步骤1051,包括:
步骤1051a,基于所述预定色谱信息确定所述色谱图像在所述成像区域的位置信息及像素信息;
步骤1051b,基于所述色谱图像在所述成像区域的位置信息及像素信息,确定所述采集设备在所述成像区域的位置信息及像素信息;
步骤1051c,基于所述采集设备在所述成像区域的位置信息及像素信息,从所述成像区域提取出所述采集设备的待确定颜色参数值;
步骤1051d,基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值。
这里,所述采集设备的位置信息包括但不限于以下至少一项:
显示屏的位置信息、边框的位置信息、边框上配件的位置信息。
这里,所述采集设备的像素信息包括但不限于以下至少一项:
显示屏的像素信息、边框的像素信息、边框上配件的像素信息。
这里,所述边框上配件可以为摄像头、Home按键,等等;或者所述边框上配件可以是所述采集设备的外壳套,例如,手机的保护套。
这里,所述色谱图像在所述成像区域的位置信息可以是指所述色谱图像的中心点在所述成像区域的位置信息;所述色谱图像的中心点在所述成像区域的位置信息,可以根据预定色谱信息中所述色谱图像在显示屏中的位置信息确定或者根据成像区域中反光点位置直接确定。所述采集设备在所述成像区域的位置信息可以是指采集设备的中心点在所述成像区域的位置信息;此时,所述色谱图像的中心点在所述成像区域的位置与所述采集设备的中心点在所述成像区域的位置是相同的。
可以理解的是,所述采集设备的位置信息及像素信息若为所述采集设备的边框的位置信息及像素信息时,确定出的采集设备的目标颜色参数值为所述采集设备的外壳的目标颜色参数值或所述采集设备的配件的目标颜色参数值。如此,通过本实施例的颜色识别,可以识别出所述采集设备的外壳的颜色或者外壳上配件的颜色。
可以理解的是,所述采集设备采集到的所述第一图像中成像区域中反光点可为所述色谱图像在所述成像区域中的成像;如此,可以根据所述反光点的位置和面积确定所述色谱图像在所述成像区域的位置信息和像素信息。
上述步骤1051a-1051b的一种实现方式是:基于所述色谱图像的所述预定色谱信息,获取成像区域中所述色谱图像的中心点位置,以及所述色谱图像的像素;基于所述预定色谱信息获取所述色谱图像在所述显示屏的像素;基于所述色谱图像在所述显示屏的像素与所述色谱图像在所述成像区域的像素的比值,以及所述采集设备的像素,确定所述采集设备在所述成像区域的像素;基于所述色谱图像在所述成像区域的中心点位置确定所述采集设备在所述成像区域的中心点位置。
例如,所述色谱图像在所述采集设备的显示屏的宽度为660像素,所述色谱图像在所述成像区域的宽度为110像素,所述采集设备的面积为(775*1334)像素,则所述采集设备在所述成像区域的像素为:(775*1334)×(110/660)像素≈(113*202)像素;若所述色谱图像在所述成像区域的中心点的坐标为(1,2),则所述采集设备的中心点在所述成像区域的坐标也为(1,2);所述坐标(1,2)为所述采集设备在所述成像区域的位置信息。
进一步地,还可基于所述采集设备在所述成像区域的像素以及坐标,确定所述整个采集设备的边框在所述成像区域的坐标的连线。例如,若采集设备的中心点的坐标为(0,0),该采集设备的在成像区域的像素为113*202,则所述采集设备的边框为(-56.5,-101)、(56.5,-101)、(56.5,101)、(-56.5,101)四点连接而成的长方形边框。
在一些实施例中,上述步骤1051c值1051d的一种实现方式是:基于所述采集设备在所述成像区域的位置信息及像素信息,确定所述采集设备的边框在所述成像区域的坐标;基于所述采集设备的边框在所述成像区域的坐标,确定出所述采集设备在所述成像区域的待确定颜色参数值;根据所述色谱图像的在所述成像区域的各中心点的坐标,以及所述色谱图像在所述成像区域的像素,获取所述色谱图像的各色块在所述成像区域的备选颜色参数值;基于所述待确定的颜色参数值与所述色谱图像的各色块在所述成像区域的备选颜色参数值对比,选取与所述待确定的颜色参数值最接近的色块的备选颜色参数值,将所述最接近的备选颜色参数值对应的色块在预定色谱信息中的颜色参数值确定为所采集设备的目标颜色参数值。
本实施例中,可以通过采集的第一图像中关于眼睛中呈现色谱图像的成像区域,确定出采集设备或采集设备配件的颜色,不需要额外的识别设备,其目标颜色参数值确定操作仅通过采集设备的待确认颜色参数值与色谱图像的备选颜色参数值进行比较、操作简单易实现。且,由于引入了色谱图像作为对比图像,进行采集设备颜色参数值的确定,同步消除了周边环境等因素对采集设备的颜色的影响,从而能进一步提高所述采集设备的颜色的精准度。
在本实施例中,由于可以基于采集设备中的应用程序自动识别采集设备的外壳或配件的颜色,因而也可以基于此将该识别颜色的方案应用到其它领域中,例如,通过识别采集设备的外壳或配件颜色的改变而实现切换采集设备的显示屏的主题背景,等等;如此,能够进一步提高采集设备的智能化。
在一些实施例中,所述步骤1051d,包括:
从所述成像区域提取所述色谱图像的各色块的备选颜色参数值,选取与所述待确定颜色参数值差距最小的所述备选颜色参数值对应的色块的颜色参数值为所述采集设备的目标颜色参数值。
所述步骤1051d的一种实现方式是:基于Lab颜色模型,将所述采集设备在所述成像区域的待确定的参数值确定为a色度值和b色度值;基于所述Lab颜色模型,从所述成像区域提取各色块的a色度值和b色度值;从多个色块的a色度值和b色度值中,选取出色块的a色度值与b色度值与所述采集设备a色度值和b色度值差距最小的色块,将差距最小的色块对应在所述预定色谱信息中颜色参数值作为采集设备的目标颜色参数值。
例如,所述采集设备在成像区域的待确认参数值为F,所述采集设备在所述成像的区域的a色度值为Fa,所述采集设备在所述成像的区域的b色度值为b色度值为Fb;所述色谱图像包括i个色块;i色块在所述成像区域的a色度值为Sia,所述i色块在所述成像区域的b色度值为Sib;所述色谱图像和所述采集设备色度值的欧式距离为:选取最小的欧式距离/>确定出所述色块n的颜色参数值为与所述采集设备的待确认参数值差距最小的色块,确定所述色块n在预定色谱信息中对应的颜色参数值为所述采集设备的目标颜色参数值;其中,所述i为自然数;所述n小于或等于所述i。
这里,所述a色度值与b色度值在二维图像空间相互垂直;采集设备可以基于a色度值与b色度值,利用欧式距离衡量所述色块与所述采集设备的颜色参数值的距离。
可以理解的是,所述Lab颜色模型为根据Commission International Eclairage(CIE)制定的一种测定颜色的国际标准模型;所述Lab颜色模型为一种基于生理特征的颜色模型。所述Lab颜色模型包括三个要素,分别为:亮度L、颜色通道a、颜色通道b;所述a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值);所述b包括的颜色是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值);所述颜色通道a与所述颜色通道b二维图像空间相互垂直。
在本实施例中,由于可以基于Lab模型得到颜色参数值,因而可以只关注a色度值和b色度值,去掉了L色度值,如此可以避免成像区域中由于采集设备的显示屏和所述采集设备的边框由于亮度不同而造成颜色不精准的问题。
在当前采集场景中,可以由于周围环境、光线或角度等的问题,采集的所述第一图像可能存在偏色的情况。例如,被采集用户站在绿叶丛中,他的脸部会出现绿色;又如,被采集用户站在红花丛中,他的脸部会出现红色。
为了至少部分解决上述问题,在一些实施例中,如图5所示,所述方法还包括:
步骤102,根据所述第一图像的色度分布,确定所述第一图像是否出现预设色偏;
所述步骤103,包括:
步骤1031,若所述第一图像未出现预设色偏,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
这里,色偏是指出图像中的颜色与原有的色调不同;所述出现预设色偏是指所述第一图像中的颜色与目标原有的色调不同所对应的参数大于阈值参数。所述阈值参数越大,指示所述第一图像的色偏越严重。可以理解的是,出现色偏的图像均为偏色图像。
在一些实施例中,所述步骤102的一种实现方式是:基于所述Lab颜色模型,采集设备将所述第一图像的颜色进行在颜色通道a、颜色通道b的坐标系上进行转换,若所述第一图像的色度分布为单峰值或者色度分布较为集中,则确定所述第一图像出现预设色偏;若所述第一图像的分布为多峰值或者分布较为分散,则确定所述第一图像未出现预设色偏。
本实施例中,通过确定所述第一图像是否发生预设色偏,当所述第一图像未发生预设色偏时,才利用深度学习模型定位出所述目标的预设局部在所述第一图像的成像区域,如此可以使得所述第一图像大大减轻色偏、甚至没有出现色偏,从而提高了所述第一图像的图像质量;同时,由于获取的是未出现预设色偏的成像区域,因而也能进一步提高生物特征识别的精准性。
在当前采集场景中,由于采集过程中可能受到多种因素的影响,例如光学系统失真、系统噪声、曝光不足或过量等因素的影响,导致采集的所述第一图像信息比较微弱,无法准确、高效的识别。
为了至少部分解决上述问题,在一些实施例中,如图6所示,所述方法还包括:
步骤104,对所述第一图像进行降噪的预处理;
所述步骤103,还包括:
利用深度学习模型定位出所述目标的预设局部在所述预处理后的所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
在一些实施例中,采集设备对所述第一图像进行降噪的预处理包括:采集设备对所述第一图像进行噪声的识别,并消除所述噪声。例如,采集设备通过滤波的方式对于所述噪声进行消除。
本实施例中,通过采集设备对所述第一图像进行降噪的预处理,可以改善所述第一图像的图像质量,一方面能够准确、高效地识别生物特征,另一方面也便于后续利用所述第一图像进行的处理操作。
以下通过具体实施例对本发明实施例的技术方案作进一步说明。
如图7所示,本发明实施例还提供了一种图像处理方法,所述方法包括以下步骤。
步骤S10,显示屏中插入并显示色谱图像。
可选地,采集设备以插帧的方式将色谱图像插入显示屏的显示内容中;所述显示屏在预定时长内显示所述色谱图像。
步骤S11,基于摄像头同步采集第一图像。
可选地,采集设备基于所述步骤S10中在预定时长内显示所述色谱图像,通过采集设备中的摄像头同步采集第一图像;所述第一图像为在所述色谱图像视角内的脸部图像。
步骤S12,对所述第一图像进行预处理。
可选地,采集设备对所述第一图像进行降噪的预处理。
步骤S13,对所述第一图像进行偏色识别,确定所述第一图像是否存在预设色偏。
可选地,采集设备对所述第一图像进行偏色识别,确定所述第一图像是否存在预设色偏;若确定所述第一图像未出现预设色偏,则执行步骤S14;若确定所第一图像出现预设色偏,则执行步骤S18;
步骤S14,对所述第一图像进行眼睛识别,确定所述第一图像是否包含眼睛。
可选地,采集设备对所述第一图像眼睛识别,确定所述第一图像是否包含眼睛;若确定所述第一图像包含眼睛,则执行步骤S15;若确定所述第一图像不包含眼睛,则执行步骤S18。
在一些实施例中,对于上述步骤S14,若确定所述第一图像中包含眼睛,还可提取出眼睛在所述第一图像的成像区域的图像,如图8所示。这里,采集设备可利用深度学习模型,定位出眼睛在所述第一图像的成像区域。
步骤S15,对所述第一图像进行反光点识别,确定所述第一图像是否包含反光点。
这里,可以理解的是,所述反光点的位置即为所述色谱图像在所述成像区域的位置。
可选地,采集设备对所述第一图像进行反光点识别,确定所述第一图像是否包含反光点;若确定所述第一图像包含反光点,则执行步骤S16;若确定所述第一图像包含反光点,则执行步骤S18。
在一些实施例中,对于上述步骤S15,若确定所述成像区域中包含反光点,还可提取出反光点在所述成像区域的图像,如图9所示。
步骤S16,提取采集设备的轮廓。
可选地,采集设备基于所述反光点位置及像素,确定所述采集设备的轮廓。
具体地,采集设备基于反光点位置及反光点像素,确定所述采集设备的位置及像素;基于所述采集设备的位置及像素,确定所述采集设备在所述成像区域的轮廓;其中,所述采集设备的轮廓即为上述实施例中所述采集设备的边框。
步骤S17,确定所述采集设备的颜色。
可选地,采集设备基于所述采集设备在所述成像区域的轮廓,确定所述采集设备的颜色。
步骤S18,停止操作。
可选地,采集设备不对所述第一图像进行处理。
本实施例中,由于对所述第一图像进行了降噪的预处理,以及对出现预设色偏的所述第一图像进行剔除,提高了所述第一图像的图像质量,大大排除了光线、拍摄效果等干扰因素对于采集设备的颜色的影响,能够给出更加准确的识别结果。同时通过引入色谱图像对所述采集设备的颜色的确定,能够大大消除周围环境等对所述采集设备原本颜色的影响,从而能够进一步提高识别结果的精准性。
本实施例中,由于可以通过色谱图像的引入识别采集设备的颜色,具体根据色谱图片的颜色与所述采集设备待确定的颜色对比得出所述采集设备的颜色参数值,实现算法简单,且无需额外集成了生物特征识别的模块或芯片的终端设备来实现,降低了硬件开发成本。
本实施例中,还可以实现对于生物特征的识别,例如眼睛的识别;且由于对于生物特征的识别可以仅在采集设备的终端完成,无需通过云端服务器等,也可以保护用户的隐私,提高安全性。
这里需要指出的是:以下图像处理装置项的描述,与上述图像处理方法项描述是类似的,同方法的有益效果描述,不做赘述。对于本发明信息处理装置实施例中未披露的技术细节,请参照本发明图像处理方法实施例的描述。
如图10所示,本发明实施例还提供了一种图像处理装置,所述装置包括:采集模块21、第一处理模块22;其中,
所述采集模块21,用于采集目标获得第一图像;
所述第一处理模块22,用于利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
在一些实施例中,所述采集模块21用于采集脸部获得所述第一图像;
所述第一处理模块22,还用于从所述成像区域提取出眼睛对采集设备的成像信息。
在一些实施例中,所述装置还包括显示模块23;其中,
所述显示模块23,用于显示具有预定色谱信息的色谱图像;
所述采集模块21,用于采集位于所述色谱图像观看视角内的脸部,获得所述第一图像;
所述第一处理模块22,用于基于所述预定色谱信息从所述成像区域提取出所述成像信息。
在一些实施例中,所述显示模块23,用于在预定时长内显示具有预定色谱信息的色谱图像,其中,所述预定时长小于或等于所述人眼能够识别观测到所述色谱图像的时长。
在一些实施例中,所述第一处理模块22,用于基于所述预定色谱信息确定所述色谱图像在所述成像区域的位置信息及像素信息;基于所述色谱图像在所述成像区域的位置信息及像素信息,确定所述采集设备在所述成像区域的位置信息及像素信息;基于所述采集设备在所述成像区域的位置信息及像素信息,从所述成像区域提取出所述采集设备的待确定颜色参数值;基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值。
在一些实施例中,所述第一处理模块22,用于从所述成像区域提取所述色谱图像的各色块的备选颜色参数值,选取与所述待确定颜色参数值差距最小的所述备选颜色参数值对应的色块的颜色参数值为所述采集设备的目标颜色参数值。
在一些实施例中,所述装置还包括第二处理模块24;其中,
所述第二处理模块24,用于根据所述第一图像的色度分布,确定所述第一图像是否出现预设色偏;
所述第一处理模块22,用于若所述第一图像未出现预设色偏,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
在一些实施例中,所述装置还包括第三处理模块25;其中,
所述第三处理模块25,用于对所述第一图像进行降噪的预处理;
所述第一处理模块22,用于利用深度学习模型定位出所述目标的预设局部在所述预处理后的所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
如图11所示,本发明实施例还提供了一种采集设备,所述采集设备包括处理器31、存储器32及存储在存储器32上并可在处理器31上运行的计算机指令;所述处理器31执行所述指令时实现应用于所述采集设备中的图像处理方法的步骤。
在一些实施例中,本发明实施例中的存储器32可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的系统和方法的存储器32旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器31可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器32,处理器31读取存储器32中的信息,结合其硬件完成上述方法的步骤。
在一些实施例中,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits,ASIC)、数字信号处理器(Digital SignalProcessing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明又一实施例提供了一种计算机存储介质,该计算机可读存储介质存储有可执行程序,所述可执行程序被处理器31执行时,可实现应用于所述采集设备中的图像处理方法的步骤。例如,如图1-图7所示的方法中的一个或多个。
在一些实施例中,所述计算机存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种图像处理方法,其特征在于,所述方法包括:
显示具有预定色谱信息的色谱图像;
采集位于所述色谱图像观看视角内的脸部,获得第一图像;
根据所述第一图像的色度分布,确定所述第一图像是否出现预设色偏;
若所述第一图像未出现预设色偏,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征;
基于所述预定色谱信息从所述成像区域提取出眼睛对采集设备的成像信息。
2.根据权利要求1所述的方法,其特征在于,
所述显示具有预定色谱信息的色谱图像,包括:
在预定时长内显示具有预定色谱信息的色谱图像,其中,所述预定时长小于或等于所述眼睛能够识别观测到所述色谱图像的时长。
3.根据权利要求1所述的方法,其特征在于,
所述基于所述预定色谱信息从所述成像区域提取出眼睛对采集设备的成像信息,包括:
基于所述预定色谱信息确定所述色谱图像在所述成像区域的位置信息及像素信息;
基于所述色谱图像在所述成像区域的位置信息及像素信息,确定所述采集设备在所述成像区域的位置信息及像素信息;
基于所述采集设备在所述成像区域的位置信息及像素信息,从所述成像区域提取出所述采集设备的待确定颜色参数值;
基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值。
4.根据权利要求3所述的方法,其特征在于,
所述基于所述色谱图像的颜色参数值及所述待确定的颜色参数值,提取所述采集设备的目标颜色参数值,包括:
从所述成像区域提取所述色谱图像的各色块的备选颜色参数值,选取与所述待确定颜色参数值差距最小的所述备选颜色参数值对应的色块的颜色参数值为所述采集设备的目标颜色参数值。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述第一图像进行降噪的预处理;
所述利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征,包括:
利用深度学习模型定位出所述目标的预设局部在所述预处理后的所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征。
6.一种图像处理装置,其特征在于,所述装置包括:
显示模块,用于显示具有预定色谱信息的色谱图像;
采集模块,用于采集位于所述色谱图像观看视角内的脸部,获得第一图像;
第二处理模块,用于根据所述第一图像的色度分布,确定所述第一图像是否出现预设色偏;
第一处理模块,用于若所述第一图像未出现预设色偏,利用深度学习模型定位出所述目标的预设局部在所述第一图像中的成像区域,并从所述成像区域提取出所述预设局部的生物特征;
所述第一处理模块,还用于基于所述预定色谱信息从所述成像区域提取出眼睛对采集设备的成像信息。
7.一种采集设备,其特征在于所述采集设备包括处理器,和用于存储能够在处理器上运行的计算机程序的存储器;其中,所述处理器用于运行计算机程序时,实现权利要求1-5任一项所述的图像处理方法。
8.一种存储介质,所述存储介质中有计算机可执行指令,其特征在于,所述计算机可执行指令被处理器执行实现权利要求1-5任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581372.2A CN111353348B (zh) | 2018-12-24 | 2018-12-24 | 一种图像处理方法、装置、采集设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581372.2A CN111353348B (zh) | 2018-12-24 | 2018-12-24 | 一种图像处理方法、装置、采集设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353348A CN111353348A (zh) | 2020-06-30 |
CN111353348B true CN111353348B (zh) | 2023-11-24 |
Family
ID=71192637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811581372.2A Active CN111353348B (zh) | 2018-12-24 | 2018-12-24 | 一种图像处理方法、装置、采集设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353348B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586363B (zh) * | 2020-05-22 | 2021-06-25 | 深圳市睿联技术股份有限公司 | 基于对象的视频文件查看方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013005A (zh) * | 2009-09-07 | 2011-04-13 | 泉州市铁通电子设备有限公司 | 一种基于局部动态阈值色彩平衡的偏色光的人脸检测的方法 |
CN107463903A (zh) * | 2017-08-08 | 2017-12-12 | 北京小米移动软件有限公司 | 人脸关键点定位方法及装置 |
WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
CN108632512A (zh) * | 2018-05-17 | 2018-10-09 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
-
2018
- 2018-12-24 CN CN201811581372.2A patent/CN111353348B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013005A (zh) * | 2009-09-07 | 2011-04-13 | 泉州市铁通电子设备有限公司 | 一种基于局部动态阈值色彩平衡的偏色光的人脸检测的方法 |
WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
CN107463903A (zh) * | 2017-08-08 | 2017-12-12 | 北京小米移动软件有限公司 | 人脸关键点定位方法及装置 |
CN108632512A (zh) * | 2018-05-17 | 2018-10-09 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
利用色彩直方图特征进行偏色图象的自动检测和校正;郑建铧,郝重阳,雷方元,樊养余;中国图象图形学报(第09期);正文第2页 * |
基于颜色和知识的生物特征预处理方法;张书真等;《无线电工程》;20091005(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111353348A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945135B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN107818305B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
US11321963B2 (en) | Face liveness detection based on neural network model | |
CN108537155B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN107730445B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN107766831B (zh) | 图像处理方法、装置、移动终端和计算机可读存储介质 | |
CN108537749B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN107886484B (zh) | 美颜方法、装置、计算机可读存储介质和电子设备 | |
CN108024107B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN111402135A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN107862663A (zh) | 图像处理方法、装置、可读存储介质和计算机设备 | |
CN107680128A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN107909057A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN107368806B (zh) | 图像矫正方法、装置、计算机可读存储介质和计算机设备 | |
CN110691226B (zh) | 图像处理方法、装置、终端及计算机可读存储介质 | |
CN107862274A (zh) | 美颜方法、装置、电子设备和计算机可读存储介质 | |
US9256928B2 (en) | Image processing apparatus, image processing method, and storage medium capable of determining a region corresponding to local light from an image | |
CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 | |
CN108810406B (zh) | 人像光效处理方法、装置、终端及计算机可读存储介质 | |
CN109242794B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN109741281A (zh) | 图像处理方法、装置、存储介质及终端 | |
CN107909058A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN112036209A (zh) | 一种人像照片处理方法及终端 | |
US8885971B2 (en) | Image processing apparatus, image processing method, and storage medium | |
CN110365897B (zh) | 图像修正方法和装置、电子设备、计算机可读存储介质 |
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 |