CN111368813A - 运动模糊图像的识别方法、装置、电子设备和支付设备 - Google Patents

运动模糊图像的识别方法、装置、电子设备和支付设备 Download PDF

Info

Publication number
CN111368813A
CN111368813A CN202010461530.1A CN202010461530A CN111368813A CN 111368813 A CN111368813 A CN 111368813A CN 202010461530 A CN202010461530 A CN 202010461530A CN 111368813 A CN111368813 A CN 111368813A
Authority
CN
China
Prior art keywords
target image
image
target
sequence
motion blur
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
Application number
CN202010461530.1A
Other languages
English (en)
Other versions
CN111368813B (zh
Inventor
何炜雄
李志荣
窦川川
梁明杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AlipayCom Co ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010461530.1A priority Critical patent/CN111368813B/zh
Priority to CN202010861263.7A priority patent/CN113743173A/zh
Publication of CN111368813A publication Critical patent/CN111368813A/zh
Application granted granted Critical
Publication of CN111368813B publication Critical patent/CN111368813B/zh
Priority to PCT/CN2021/096147 priority patent/WO2021239000A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本申请公开了一种运动模糊图像的识别方法、装置、电子设备和支付设备，该方法包括：获取图像序列；从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新所述目标图像Pn+1的状态，以及根据所述目标图像Pn+1的状态判断所述目标图像Pn+1是否存在运动模糊；其中，所述目标图像为所述图像序列中包含目标区域的图像，且所述第n个目标图像Pn为初始状态。

Description

运动模糊图像的识别方法、装置、电子设备和支付设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种运动模糊图像的识别方法、装置、电子设备和支付设备。
背景技术
随着模式识别技术的逐步成熟，基于生物体体征对生物个体进行识别(即生物识别) 技术开始在需要身份验证的领域得到应用及推广，如基于指纹/人脸识别的手机解锁，指纹门锁，刷脸支付等。
目前，市场上已推出了刷脸即能完成快捷支付的支付方式，正式进入“靠脸吃饭”时代。但是通过人脸识别来确认身份存在难辨相似脸、脸部特征容易受外部因素影响、易被攻击等问题。相比而言，虹膜在个体特征的可辨识性、稳定性及抵御攻击性等方面均优于人脸。因此，融合人脸及虹膜的多模态身份识别成为发展的趋势。由于虹膜对图像质量的要求非常高，因此需要对模糊图像进行判定并排除来获取高质量虹膜图像再进行识别。
发明内容
有鉴于此，本说明书实施例提供了一种运动模糊图像的识别方法、装置、电子设备和支付设备，用以更加快速、准确地识别出图像序列中是否存在运动模糊的图像。
本说明书实施例采用下述技术方案：
本说明书实施例提供了一种运动模糊图像的识别方法，该方法包括：
获取图像序列；
从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；
若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新所述目标图像Pn+1的状态，以及根据所述目标图像Pn+1的状态判断所述目标图像Pn+1是否存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像，且所述第n个目标图像Pn为初始状态。
本说明书实施例还提供了一种运动模糊图像的识别方法，该方法包括：
获取图像序列；
从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；
若目标图像Pn+1满足符合性，则判定所述目标图像Pn+1存在运动模糊；否则判定所述目标图像Pn+1不存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像。
本说明书实施例提供了一种运动模糊图像的识别装置，该装置包括：
获取模块，所述获取模块用于获取图像序列；
判定模块，所述判定模块用于从所述获取模块获取到的图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；以及，
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新所述目标图像Pn+1的状态，并根据所述目标图像Pn+1的状态判断所述目标图像Pn+1是否存在运动模糊；其中，所述目标图像为所述图像序列中包含目标区域的图像，且所述第n个目标图像Pn为初始状态。
本说明书实施例还提供了一种运动模糊图像的识别装置，该装置包括：
获取单元，所述获取单元用于获取图像序列；
判定单元，所述判定单元用于从所述获取单元获取到的图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；以及，
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；否则判定所述目标图像Pn+1不存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像。
本说明书实施例还提供了一种电子设备，包括：至少一个处理器和存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行上述的运动模糊图像的识别方法。
本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述的运动模糊图像的识别方法。
本说明书实施例还提供了一种支付设备，包括：
采集单元，用于采集人脸视频数据；
图像筛选单元，用于根据权利要求1至7中任一项所述的方法筛选出不存在运动模糊的待识别图像；
图像识别单元，用于对筛选出的待识别图像进行识别；
支付单元，用于根据所述图像识别单元的识别结果确定是否进行支付操作。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书实施例提供的运动模糊图像的识别方法，用于去除图像序列中由于运动模糊导致质量差的图像，相对于传统方法通过对单张图像上的感兴趣区域进行特征提取或者编码等方式来判断图像是否存在运动模糊，本说明书的方法是通过对图像序列中感兴趣区域（如人眼位置）在图像中的位置信息和时间信息来判断图像是否存在运动模糊，对光照、图像噪声等因素具有更好的鲁棒性。除此之外，该方法还具有过程简单，不依赖复杂计算，计算耗时短的优点。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图：
图1为本说明书实施例提供的运动模糊图像的识别方法的主要流程图；
图2为本说明书实施例提供的运动模糊图像的识别方法的具体流程图；
图3为本说明书实施例得到的图像序列中部分图像的判断结果示例；
图4为本说明书实施例提供的运动模糊图像的识别装置的结构示意图；
图5为本说明书实施例提供的支付设备的结构示意图；
图6为本说明书另一实施例提供的运动模糊图像的识别方法的主要流程图；
图7为本说明书另一实施例提供的运动模糊图像装置的结构示意图。
具体实施方式
如背景技术所述，由于虹膜对图像质量的要求非常高，因此需要对模糊图像进行判定并排除来获取高质量虹膜图像。而在快捷支付场景中，由于支付过程对时效性要求非常地高，整个过程大部分时间是从顾客运动到静止之间的过渡时间。因此，如何从图像序列排除由于运动模糊导致质量差的图像显得非常重要。
传统运动模糊判定方法主要是通过对单张图像上的感兴趣区域进行梯度计算或者编码等方式来判断图像是否存在运动模糊。但此类方法在原有计算图像感兴趣区域的前提下，附加的计算复杂度较高，导致判断耗时长。同时，此类方法对于光照、图像噪声等因素鲁棒性较差。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
在本文中，术语 运动模糊（motion blur）：静态场景或一系列的图片像电影或是动画中快速移动的物体造成明显的模糊拖动痕迹；术语 人眼定位: 定位图像中人眼所处的位置，结果一般以人眼的外接矩形框在图像中左上角的横、纵坐标以及长、宽给出；术语交并比（Intersection-over-Union，IoU）：指候选框与原标记框的交叠率，即它们的交集与并集的比值。术语 感兴趣区域（region of interest）：即从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
图1为本说明书实施例提供的一种运动模糊图像的识别方法的主要流程图。该方法包括：
S102：获取图像序列。
该步骤中可以根据采集到的视频数据，获取该视频数据中的图像序列，图像序列中一般包含多帧图像，如每个视频数据包含20帧左右或30帧左右的图像等。作为示例，在快捷支付场景中，可以通过相应的采集设备来采集用户的人脸视频数据，其中，每个人脸视频数据中可以包括20帧左右的图像。
S104：从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定。
作为一种具体的示例，在该步骤之前，以及在步骤S102步骤（获取图像序列）之后，本说明书的方法还可以包括：确定所述图像序列中的第n个目标图像Pn和其下一个目标图像Pn+1。作为示例，所述目标图像中包含的目标区域为人眼位置，本领域技术人员可以通过相应的人眼定位算法来检测人眼位置。关于人眼定位算法可选用但不限于使用基于深度卷积网络的人眼检测算法，本说明书实施例不对此进行限定，本领域技术人员可以根据实际需要选择合适的算法来检测图像序列中包含人眼位置的图像。在本说明书实施例中，当检测到人眼位置后，可以用图像中的矩形框来表示人眼位置所在的位置。其中，可以将第一个检测到目标区域的图像作为目标图像Pn，将下一个检测到目标区域的图像作为目标图像Pn+1。
该步骤中，n为大于等于1的正整数。作为示例，以n=1为例，即从第1个目标图像Pn（包含目标区域的图像）开始，对其下一个目标图像P2进行符合性判定。在此需要说明的是，在本说明书实施例中，符合性判定主要是指相邻的两个目标图像的符合性情况，而并不一定是图像序列中相邻的两帧图像之间的比较。在一些特殊情况下，当前帧图像为目标图像，其下一帧图像可能不是目标图像，其下下一帧图像为目标图像，此时的当前目标图像为Pn，而当前目标图像的下下一帧图像为其下一个目标图像P2。
关于符合性，在本说明书实施例中，该符合性可以是时空维度的符合性。具体而言，该符合性可以指相邻的两个目标图像在时间上的符合性和空间上的符合性。其中，时间上的符合性可以是相邻的两个目标图像之间的时间间隔；空间上的符合性可以是相邻的两个目标图像之间的一致性，一般为目标图像中对应的目标区域的一致性。
下面对该步骤如何进行符合性判定，作进一步详细说明。
在本说明书示例中，首先可以比较第n个目标图像Pn与其下一个目标图像Pn+1之间的时间间隔t，如果t＞第一设定阈值，则判定该目标图像Pn+1不满足符合性。如果t≤第一设定阈值，则比较第n个目标图像Pn与其下一个目标图像Pn+1之间的一致性r，如果r＜第二设定阈值，则判定该目标图像Pn+1不满足符合性；如果r≥第二设定阈值，则判定该目标图像Pn+1满足符合性。
上述中，第一设定阈值可以是为预先设定的时间阈值，例如该第一设定阈值可以为300毫秒，本领域技术人员也可以根据实际情况灵活地设定该第一设定阈值，例如可以根据以往的经验设定合适的第一设定阈值，也可以根据硬件设备的情况，如采集精度等，来合理地设定第一设定阈值，本说明书实施例对具体如何设定该第一设定阈值不作具体的限定。作为示例，第n个目标图像Pn与其下一个目标图像Pn+1之间的时间间隔t还可以采用相隔帧数量或帧序号等方式确定，旨在反映当前的目标图像帧与其上一个目标图像之间相隔的时长。
上述中，目标区域为人眼位置时，人眼位置用图像中的矩形框来表示，可以分别计算第1个目标图像Pn中的人眼位置对应的矩形框大小R1和其下一个目标图像Pn+1中的人眼位置对应的矩形框大小R2。目标图像Pn与其下一个目标图像Pn+1之间的一致性r可以使用 交并比，即候选框与原标记框的交叠率作为衡量值。具体可以按照如下公式计算：
r=Rn+1/Rn；
其中，Rn+1为目标图像Pn+1中的目标区域对应的矩形框数据；Rn为目标图像Pn中的目标区域对应的矩形框数据。
需要说明的是，虽然本说明书实施例选用交并比作为一致性的衡量值，但是对本领域技术人员来说，还可以选择其他的衡量值来表示相邻两个目标图像对应的目标区域的一致性，例如还可以采用矩形框大小之比或者矩形框中心的像素距离等方式，旨在反映当前目标图像对应的人眼位置和其上一个目标图像对应的人眼位置的一致性。
上述中，第二设定阈值可以是0.8、0.9等，即目标图像Pn与其下一个目标图像Pn+1之间的一致性r达到80%以上时，满足符合性。本领域技术人员也可以根据实际需要设置其他合适的第二设定阈值，如根据以往的经验设定合适的第二设定阈值，也可以根据硬件设备的情况，如采集精度等，来合理地设定第二设定阈值，本说明书实施例对具体如何设定该第二设定阈值不作具体的限定。
该步骤可以循环执行，例如：先从第1个目标图像P1开始，以目标图像P1对其下一个目标图像P2进行符合性判定，如果满足符合性则执行步骤S106，否则执行步骤S108；然后再以目标图像P2对其下一个目标图像P3进行符合性判定，如果满足符合性则执行步骤S106，否则执行步骤S108；然后再以目标图像P3对其下一个目标图像P4进行符合性判定，如果满足符合性则执行步骤S106，否则执行步骤S108……依次循环判定。
S106：若目标图像Pn+1不满足符合性，则判定目标图像Pn+1存在运动模糊。
该步骤中，如果步骤S104中判定目标图像Pn+1不满足符合性，即无论是目标图像Pn与Pn+1之间的时间间隔不满足第一设定阈值，还是目标图像Pn与Pn+1之间的一致性不满足第二设定阈值，均判定目标图像Pn+1不满足符合性，即存在运动模糊。
S108：若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新该目标图像Pn+1的状态，以及根据该目标图像Pn+1的状态判断该目标图像Pn+1是否存在运动模糊。
在该步骤中，目标图像Pn的状态为初始状态，目标图像Pn+1更新后的状态表示目标图像Pn+1为连续第m次满足符合性的目标图像。具体而言，以n=1为例，以目标图像P1对其下一个目标图像P2进行符合性判定，如果目标图像P2满足符合性判定，此时由于目标图像Pn为初始状态，例如该初始状态可以是目标图像P1的编号m=1，那么根据目标图像Pn的初始状态更新目标图像P2的状态时，可以将目标图像P2的编号更新为m=2；然后再以目标图像P2对其下一个目标图像P3进行符合判定，如果目标图像P3满足符合性判定，则同理更新目标图像P3的状态时，可以将目标图像P3的编号更新为m=3；再以目标图像P3对其下一个目标图像P4进行符合性判定，如果目标图像P4满足符合性判定，则同理更新目标图像P4的状态时，可以将目标图像P4的编号更新为m=4，依次循环判定并更新。
需要说明书的是，上述中，如果目标图像P2不满足符合性判定，则可以将目标图像P1的状态更新为m=0（目标图像P1的初始状态为m=1），那么根据目标图像Pn的初始状态更新目标图像P2的状态时，可以将目标图像P2的状态更新为m=1；此时再以目标图像P2对其下一个目标图像P3进行符合判定，如果目标图像P3满足符合性判定，则更新P3的编号为m=1，如果目标图像P3不满足符合性判定，则同理可以将目标图像P2的状态更新为m=0，将目标图像P3的状态更新为m=1。
作为示例，在该步骤中，根据该目标图像Pn+1的状态判断该目标图像Pn+1是否存在运动模糊，具体可以包括：
如果m＞第三设定阈值，则判定该目标图像Pn+1不存在运动模糊；否则，判定该目标图像Pn+1存在运动模糊。给第三设定阈值为可以是1、2或3，也可以由本领域技术人员根据实际情况灵活设定，本说明书实施例不对此进行限定。
为了对本说明书的一种运动模糊图像的识别方法进行更详细的说明，下面以一个具体的实际应用中的示例进行说明。参照图2，图2为本说明书实施例提供的一种运动模糊图像的识别方法的具体流程图。在该具体的实施方式中，执行如下步骤：
S210：初始化参数。
该步骤中，设定时间阈值T（第一设定阈值）、交叠率阈值D（即第二设定阈值）、帧阈值M，并初始化帧计数器n=0。
S220：获取图像序列中的单帧图像。
该步骤中，可以根据采集到的视频数据，获取该视频数据中的图像序列，图像序列中包含多帧图像，依次获取每帧图像。
S230：人眼定位。
该步骤中，针对获取到的帧图像，从第一帧图像开始，检测该图像是否包含人眼位置，若该图像中不存在人眼，设置n=0，重复执行S220-S230，即检测第二帧图像是否包含人眼位置，直到检测到包含人眼位置的图像，用图像中的矩形框来表示人眼所在的位置。
S240：帧时间判定。
该步骤中，将步骤S230中检测到的包含人眼位置的帧图像，假如该帧图像为第二帧图像，则将该图像记作n=1，并将该帧图像的时间记作t1，并执行步骤S270，进行状态更新后，再次执行S220-S230，即检测第三帧图像是否包含人眼位置，如果包含人眼位置，则将该第三帧图像作为当前图像，将该当前图像的时间记作t2，比较t2与t1之间的差异，如t2-t1＞T，则判定当前帧图像存在运动模糊。此时令n=0，并将当前图像（第三帧图像）记作n=1，当前图像的时间记作t1，并执行步骤S270，进行状态更新后，再次执行S220-230，即检测第四帧图像是否包含人眼位置，如果包含人眼位置，则将该第四帧图像作为当前图像，将该当前图像的时间记作t2，比较t2与t1之间的差异，如此循环判定，直至t2-t1≤T。
S250：一致性判定。
在该步骤中，当第四帧图像作为当前图像时，如果t2-t1≤T，则将第三帧图像中的人眼位置对应的矩形框记作R1，将当前帧（第四帧图像）包含的人眼位置对应的矩形框记作R2。然后计算交叠率r=R2/R1。如果r＜D，则判定当前图像存在运动模糊。此时令n=0，并将当前图像（第四帧图像）记作n=1，当前图像的时间记作t1，执行步骤S270，进行状态更新后，再次执行S220-S250（即对第五帧包含人眼位置的图像再次进行帧时间判定、一致性判定），直至r≥D。
在第五帧图像作为当前帧图像时，满足t2-t1≤T，且r≥D，则对当前帧的计数加1，即当前帧记作n=2，并执行步骤S270，进行状态更新后，再次执行S220-S250，如果第六帧图像作为当前帧图像时，满足t2-t1≤T，且r≥D，则对当前帧的计数加1，即当前帧记作n=3，否则另n=0。
S260：运动模糊判定。
如果n＞M，则判定当前帧图像不存在运动模糊。此处的帧阈值M即设定的第三设定阈值，如果M=1，则在步骤S250中，n=2、n=3对应的帧图像不存在运动模糊；如果M=2，则在步骤S250中，n=3对应的帧图像不存在运动模糊。参照图3，图3为本说明书实施例得到的图像序列中部分帧图像的判断结果示例。图3中示出了七幅包含人眼的帧图像，其中，以M=1为例，其是否存在运动模糊的判定结果如图3所示，即n=0、n=1（即n≤M）代表存在运动模糊的图像，n=2、n=3（即n＞M）代表不存在运动模糊的图像。本领域技术人员可以根据实际情况设定帧阈值M。
如上所述，本说明书实施例提供的运动模糊图像的识别方法，用于去除图像序列中由于运动模糊导致质量差的图像，相对于传统方法通过对单个图像上的感兴趣区域进行特征提取或者编码等方式来判断图像是否存在运动模糊，本说明书的方法是通过对图像序列中感兴趣区域（如人眼位置）在图像中的位置信息和时间信息（主要通过帧时间判定、一致性判定）来判断图像是否存在运动模糊，对光照、图像噪声等因素具有更好的鲁棒性。除此之外，该方法还具有过程简单，不依赖复杂计算，计算耗时短的优点。
基于同样的思路，本说明书实施例还提供了一种运动模糊图像的识别装置。图4为本说明书实施例提供的 运动模糊图像的识别装置的结构示意图。如图4所示，该装置包括：
获取模块401，获取模块401用于获取图像序列；
判定模块402，判定模块402用于从获取模块401获取到的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；以及，
若目标图像Pn+1不满足符合性，则判定该目标图像Pn+1存在运动模糊；
若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新该目标图像Pn+1的状态，以及根据该目标图像Pn+1的状态判断该目标图像Pn+1是否存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像，所述第n个目标图像Pn为初始状态。
进一步，判定模块402用于从第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定，具体包括：比较第n个目标图像Pn与其下一个目标图像Pn+1之间的时间间隔t；如果t＞第一设定阈值，则判定该目标图像Pn+1不满足符合性。
进一步，判定模块402用于从第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定，具体还包括：如果t≤第一设定阈值，则比较第n个目标图像Pn与其下一个目标图像Pn+1之间的一致性r；如果r＜第二设定阈值，则判定该目标图像Pn+1不满足符合性；如果r≥第二设定阈值，则判定该目标图像Pn+1满足符合性。
进一步，判定模块按照如下公式计算r：r=Rn+1/Rn；其中，Rn+1为目标图像Pn+1中的目标区域对应的矩形框数据；Rn为目标图像Pn中的目标区域对应的矩形框数据。
进一步，如图4所示，该装置还包括检测模块400，检测模块400用于确定所述图像序列中的第n个目标图像Pn和其下一个目标图像Pn+1；其中，所述目标图像中包含的目标区域为人眼位置。
进一步，若目标图像Pn+1满足符合性，则该目标图像Pn+1更新后的状态表示目标图像Pn+1为连续第m次满足符合性的目标图像。
进一步，判定模块402根据该目标图像Pn+1的状态判断该目标图像Pn+1是否存在运动模糊，具体包括：如果m＞第三设定阈值，则判定该目标图像Pn+1不存在运动模糊；否则，判定该目标图像Pn+1存在运动模糊。
关于该装置的具体实施方式参见上文关于方法的说明，在此不再赘述。
基于同样的思路，本说明书实施例还提供了一种电子设备，包括：至少一个处理器和存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行本说明书的运动模糊图像的识别方法。
基于同样的思路，本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现本说明书的运动模糊图像的识别方法。
本说明书实施例还提供了一种支付设备，参照图5，图5为本说明书实施例提供的支付设备的结构示意图，如图5所示，该支付设备包括：
采集单元501，用于采集人脸视频数据；
图像筛选单元502，用于根据上述运动模糊图像的识别方法筛选出不存在运动模糊的待识别图像；
图像识别单元503，用于对筛选出的待识别图像进行识别；
支付单元504，用于根据图像识别单元503的识别结果确定是否进行支付操作。
在本说明书实施例中，该支付设备可以是刷脸支付设备，具体为基于人脸和人眼虹膜的多模态身份识别方式来实现支付操作。该支付设备的图像筛选单元502采用上述的运动模糊图像识别方法从采集到的多帧人脸图像中获取不存在运动模糊的图像以进行人脸和人眼虹膜识别，进而根据识别结果确定是否进行支付操作。作为示例，如果筛选出多个待识别图像，则可以选择其中一帧待识别图像进行识别，具体可以由支付设备的配置决定，本申请不对此进行限定。
关于支付设备中如何筛选运动模糊的图像的具体实施方式参见上文对运动模糊图像识别方法的说明，此处不再赘述。
本说明书还提供了另一实施例的运动模糊图像的识别方法。参照图6，图6为本说明书另一实施例提供的运动模糊图像的识别方法的主要流程图。该实施例提供的运动模糊图像的识别方法包括：
S602：获取图像序列；
S604：从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；
S606：若目标图像Pn+1满足符合性，则判定目标图像Pn+1存在运动模糊；
S608：若目标图像Pn+1不满足符合性，则判定目标图像Pn+1不存在运动模糊。
其中，所述目标图像为所述图像序列中包含目标区域的图像。
上述步骤S602-S606与步骤S102-S106相同，关于步骤S602-S606的具体实施例可以参见上文对步骤S102-S106的说明，此处不再赘述。该实施例与上述实施例区别在于，该实施例的步骤S608中，若目标图像Pn+1不满足符合性，则判定目标图像Pn+1不存在运动模糊。换言之，在该实施例中，只根据对目标图像Pn+1进行符合性判定的结果来判定目标图像Pn+1是否存在运动模糊，从而进一步简化判定过程，更加快速地识别出图像序列中的存在运动模糊的图像。
本说明书还提供了另一实施例的运动模糊图像的识别装置。参照图7，图7为本说明书另一实施例提供的运动模糊图像装置的结构示意图。如图7所示，该实施例的装置包括：
获取单元701，获取单元701用于获取图像序列；
判定单元702，判定单元702用于从获取单元701获取到的图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；以及，
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；否则判定所述目标图像Pn+1不存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像。
关于该装置的具体实施例参见上文关于方法的说明，此处不再赘述。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware DescriptionLanguage，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (19)

1.一种运动模糊图像的识别方法，该方法包括：
获取图像序列；
从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；
若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新所述目标图像Pn+1的状态，以及根据所述目标图像Pn+1的状态判断所述目标图像Pn+1是否存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像，且所述第n个目标图像Pn为初始状态。
2.根据权利要求1所述的方法，从第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定，具体包括：
比较第n个目标图像Pn与其下一个目标图像Pn+1之间的时间间隔t；
如果t＞第一设定阈值，则判定该目标图像Pn+1不满足符合性。
3.根据权利要求2所述的方法，
如果t≤第一设定阈值，则比较第n个目标图像Pn与其下一个目标图像Pn+1之间的一致性r；
如果r＜第二设定阈值，则判定该目标图像Pn+1不满足符合性；如果r≥第二设定阈值，则判定该目标图像Pn+1满足符合性。
4.根据权利要求3所述的方法，第n个目标图像Pn与其下一个目标图像Pn+1之间的一致性r，按照如下公式计算：
r=Rn+1/Rn；
其中，Rn+1为目标图像Pn+1中的目标区域对应的矩形框数据；Rn为目标图像Pn中的目标区域对应的矩形框数据。
5.根据权利要求1所述的方法，在获取图像序列之后，以及在从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定，之前，所述方法还包括：
确定所述图像序列中的第n个目标图像Pn和其下一个目标图像Pn+1；
其中，所述目标图像中包含的目标区域为人眼位置。
6.根据权利要求1至5中任一项所述的方法，若目标图像Pn+1满足符合性，则该目标图像Pn+1更新后的状态表示目标图像Pn+1为连续第m次满足符合性的目标图像。
7.根据权利要求6所述的方法，根据该目标图像Pn+1的状态判断该目标图像Pn+1是否存在运动模糊，具体包括：
如果m＞第三设定阈值，则判定该目标图像Pn+1不存在运动模糊；否则，判定该目标图像Pn+1存在运动模糊。
8.一种运动模糊图像的识别方法，该方法包括：
获取图像序列；
从所述图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；
若目标图像Pn+1满足符合性，则判定所述目标图像Pn+1存在运动模糊；否则判定所述目标图像Pn+1不存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像。
9.一种运动模糊图像的识别装置，该装置包括：
获取模块，所述获取模块用于获取图像序列；
判定模块，所述判定模块用于从所述获取模块获取到的图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；以及，
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；
若目标图像Pn+1满足符合性，则根据所述目标图像Pn的状态更新所述目标图像Pn+1的状态，并根据所述目标图像Pn+1的状态判断所述目标图像Pn+1是否存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像，且所述第n个目标图像Pn为初始状态。
10.根据权利要求9所述的装置，所述判定模块用于从第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定，具体包括：
比较第n个目标图像Pn与其下一个目标图像Pn+1之间的时间间隔t；
如果t＞第一设定阈值，则判定该目标图像Pn+1不满足符合性。
11.根据权利要求10所述的装置，所述判定模块用于从第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定，具体还包括：
如果t≤第一设定阈值，则比较第n个目标图像Pn与其下一个目标图像Pn+1之间的一致性r；
如果r＜第二设定阈值，则判定该目标图像Pn+1不满足符合性；如果r≥第二设定阈值，则判定该目标图像Pn+1满足符合性。
12.根据权利要求11所述的装置，所述判定模块按照如下公式计算r：
r=Rn+1/Rn；
其中，Rn+1为目标图像Pn+1中的目标区域对应的矩形框数据；Rn为目标图像Pn中的目标区域对应的矩形框数据。
13.根据权利要求9所述的装置，该装置还包括：
检测模块，所述检测模块用于确定所述图像序列中的第n个目标图像Pn和其下一个目标图像Pn+1；
其中，所述目标图像中包含的目标区域为人眼位置。
14.根据权利要求9至13中任一项所述的装置，若目标图像Pn+1满足符合性，则该目标图像Pn+1更新后的状态表示目标图像Pn+1为连续第m次满足符合性的目标图像。
15.根据权利要求14所述的装置，所述判定模块根据该目标图像Pn+1的状态判断该目标图像Pn+1是否存在运动模糊，具体包括：
如果m＞第三设定阈值，则判定该目标图像Pn+1不存在运动模糊；否则，判定该目标图像Pn+1存在运动模糊。
16.一种运动模糊图像的识别装置，该装置包括：
获取单元，所述获取单元用于获取图像序列；
判定单元，所述判定单元用于从所述获取单元获取到的图像序列中的第n个目标图像Pn开始，对其下一个目标图像Pn+1进行符合性判定；n为大于等于1的正整数；以及，
若目标图像Pn+1不满足符合性，则判定所述目标图像Pn+1存在运动模糊；否则判定所述目标图像Pn+1不存在运动模糊；
其中，所述目标图像为所述图像序列中包含目标区域的图像。
17.一种电子设备，包括：至少一个处理器和存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行权利要求1至7中任一项所述的运动模糊图像的识别方法，或执行权利要求8所述的运动模糊图像的识别方法。
18.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1至7中任一项所述的运动模糊图像的识别方法，或实现权利要求8所述的运动模糊图像的识别方法。
19.一种支付设备，包括：
采集单元，用于采集人脸视频数据；
图像筛选单元，用于根据权利要求1至7中任一项所述的方法或权利要求8所示的方法筛选出不存在运动模糊的待识别图像；
图像识别单元，用于对筛选出的待识别图像进行识别；
支付单元，用于根据所述图像识别单元的识别结果确定是否进行支付操作。
CN202010461530.1A 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备 Active CN111368813B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010461530.1A CN111368813B (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备
CN202010861263.7A CN113743173A (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备
PCT/CN2021/096147 WO2021239000A1 (zh) 2020-05-27 2021-05-26 运动模糊图像的识别方法、装置、电子设备和支付设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010461530.1A CN111368813B (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202010861263.7A Division CN113743173A (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备

Publications (2)

Publication Number Publication Date
CN111368813A true CN111368813A (zh) 2020-07-03
CN111368813B CN111368813B (zh) 2020-08-28

Family

ID=71211041

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010461530.1A Active CN111368813B (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备
CN202010861263.7A Pending CN113743173A (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202010861263.7A Pending CN113743173A (zh) 2020-05-27 2020-05-27 运动模糊图像的识别方法、装置、电子设备和支付设备

Country Status (2)

Country Link
CN (2) CN111368813B (zh)
WO (1) WO2021239000A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021239000A1 (zh) * 2020-05-27 2021-12-02 支付宝(杭州)信息技术有限公司 运动模糊图像的识别方法、装置、电子设备和支付设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729860A (zh) * 2013-12-31 2014-04-16 华为软件技术有限公司 一种图像目标跟踪的方法和装置
US20160330374A1 (en) * 2014-01-07 2016-11-10 Dacuda Ag Adaptive camera control for reducing motion blur during real-time image capture
CN107430694A (zh) * 2015-03-16 2017-12-01 诺基亚技术有限公司 基于运动模糊的移动对象检测
CN109461131A (zh) * 2018-11-20 2019-03-12 中山大学深圳研究院 一种基于神经网络算法的智能内后视镜实时去模糊方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5121870B2 (ja) * 2010-03-25 2013-01-16 株式会社東芝 画像処理方法および画像処理装置
US8452124B2 (en) * 2010-04-30 2013-05-28 Honeywell International Inc. Method and system for detecting motion blur
CN105117705B (zh) * 2015-08-26 2018-08-24 北京无线电计量测试研究所 一种虹膜图像质量级联式评价方法
CN110443620A (zh) * 2019-08-06 2019-11-12 中国工商银行股份有限公司 刷脸支付方法和装置
CN111368813B (zh) * 2020-05-27 2020-08-28 支付宝(杭州)信息技术有限公司 运动模糊图像的识别方法、装置、电子设备和支付设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729860A (zh) * 2013-12-31 2014-04-16 华为软件技术有限公司 一种图像目标跟踪的方法和装置
US20160330374A1 (en) * 2014-01-07 2016-11-10 Dacuda Ag Adaptive camera control for reducing motion blur during real-time image capture
CN107430694A (zh) * 2015-03-16 2017-12-01 诺基亚技术有限公司 基于运动模糊的移动对象检测
CN109461131A (zh) * 2018-11-20 2019-03-12 中山大学深圳研究院 一种基于神经网络算法的智能内后视镜实时去模糊方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021239000A1 (zh) * 2020-05-27 2021-12-02 支付宝(杭州)信息技术有限公司 运动模糊图像的识别方法、装置、电子设备和支付设备

Also Published As

Publication number Publication date
CN113743173A (zh) 2021-12-03
CN111368813B (zh) 2020-08-28
WO2021239000A1 (zh) 2021-12-02

Similar Documents

Publication Publication Date Title
CN111010590B (zh) 一种视频裁剪方法及装置
Zhou et al. Salient region detection via integrating diffusion-based compactness and local contrast
US20230334235A1 (en) Detecting occlusion of digital ink
KR101330636B1 (ko) 얼굴시점 결정장치 및 방법과 이를 채용하는 얼굴검출장치및 방법
US20140056519A1 (en) Method, apparatus and system for segmenting an image in an image sequence
CN110458790B (zh) 一种图像检测方法、装置及计算机存储介质
CN112053363B (zh) 视网膜血管分割方法、装置及模型构建方法
Chen et al. A novel bottom-up saliency detection method for video with dynamic background
CN112911281A (zh) 一种视频质量评价方法及装置
CN109816650B (zh) 一种基于二维dsa图像的目标区域识别方法及其系统
CN112487888B (zh) 一种基于目标对象的图像采集方法及装置
CN115210773A (zh) 利用对象实时检测模型实时检测对象的方法及优化方法
CN113129229A (zh) 图像处理方法、装置、计算机设备和存储介质
CN111368813B (zh) 运动模糊图像的识别方法、装置、电子设备和支付设备
CN116343314A (zh) 一种表情识别方法、装置、存储介质及电子设备
CN112825116B (zh) 监控视频图像人脸检测和追踪方法、装置、介质及设备
CN115830633B (zh) 基于多任务学习残差神经网络的行人重识别方法和系统
CN112949642B (zh) 一种文字生成方法、装置、存储介质及电子设备
WO2022206679A1 (zh) 图像处理方法、装置、计算机设备和存储介质
CN115550632A (zh) 一种视频抖动检测方法、装置以及设备
CN115546908A (zh) 一种活体检测方法、装置及设备
US11507768B2 (en) Information processing apparatus, information processing method, and storage medium
Depoian II et al. Computer vision learning techniques for sports video analytics: removing overlays
CN109118506A (zh) 一种确定人眼图像中瞳孔图像边缘点的方法及装置
CN110503109B (zh) 图像特征提取方法和装置、图像处理方法和装置

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
TR01 Transfer of patent right

Effective date of registration: 20230109

Address after: 200120 Floor 15, No. 447, Nanquan North Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee after: Alipay.com Co.,Ltd.

Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province

Patentee before: Alipay (Hangzhou) Information Technology Co.,Ltd.

TR01 Transfer of patent right