CN111435431A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111435431A
CN111435431A CN201910035880.9A CN201910035880A CN111435431A CN 111435431 A CN111435431 A CN 111435431A CN 201910035880 A CN201910035880 A CN 201910035880A CN 111435431 A CN111435431 A CN 111435431A
Authority
CN
China
Prior art keywords
image
network
recognized
recognition
training set
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.)
Pending
Application number
CN201910035880.9A
Other languages
English (en)
Inventor
王华明
朱烽
赵瑞
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201910035880.9A priority Critical patent/CN111435431A/zh
Publication of CN111435431A publication Critical patent/CN111435431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质。所述方法包括：将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。本公开实施例可识别出图像的人脸类别以及清晰度并对图像进行清晰度分类。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
模糊人脸识别是机器学习技术领域较为重要的问题，例如在安防监控场景中，由于摄像头焦距，分辨率，成像质量等原因，监控视频中可能会出现模糊人脸，因此需要对模糊的人脸图像进行识别。在相关技术中，仅能对人脸图像进行分类，无法判断图像的模糊程度，识别结果的误差较大。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。
在一种可能的实现方式中，所述方法还包括：根据多个待识别图像的清晰度分类结果，从所述多个待识别图像中确定出第一图像和第二图像，所述第一图像为清晰图像，所述第二图像为模糊图像；将所述第一图像及所述第二图像分别添加到第一训练集及第二训练集中。
在一种可能的实现方式中，所述方法还包括：根据第一训练集及第二训练集，训练对抗网络，所述对抗网络包括生成网络以及判别网络，所述第一训练集包括清晰的多个第三图像，所述第二训练集包括模糊的多个第四图像，其中，已训练的生成网络用于训练所述识别网络。
在一种可能的实现方式中，根据第一训练集及第二训练集，训练对抗网络，包括：将所述第一训练集中的第三图像输入所述生成网络中处理，生成第五图像；将所述第五图像以及所述第二训练集中的第四图像输入所述判别网络中处理，得到判别结果；根据多个判别结果，对抗训练所述生成网络以及所述判别网络。
在一种可能的实现方式中，所述识别网络包括卷积子网络、第一全连接子网络、第二全连接子网络及激活子网络，其中，将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，包括：
使所述待识别图像依次经由所述卷积子网络及所述第一全连接子网络处理，输出所述待识别图像的人脸类别；使所述待识别图像依次经由所述卷积子网络、所述第二全连接子网络及激活子网络处理，输出所述待识别图像的清晰度。
在一种可能的实现方式中，所述方法还包括：通过第三训练集以及已训练的生成网络，训练所述识别网络，其中，所述第三训练集包括清晰的多个第六图像。
在一种可能的实现方式中，通过第三训练集以及已训练的生成网络，训练所述识别网络，包括：将所述第三训练集中的第六图像输入已训练的生成网络中处理，生成第七图像；将所述第七图像以及所述第六图像分别输入所述识别网络中处理，得到所述第七图像的第二识别结果以及所述第六图像的第三识别结果；根据多个第二识别结果以及多个第三识别结果，训练所述识别网络。
在一种可能的实现方式中，根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果，包括以下至少一种：在所述待识别图像的清晰度大于或等于第一阈值的情况下，将所述待识别图像确定为清晰图像；在所述待识别图像的清晰度小于所述第一阈值，且大于或等于第二阈值的情况下，将所述待识别图像确定为模糊图像；在所述待识别图像的清晰度小于所述第二阈值的情况下，将所述待识别图像确定为无效图像。
根据本公开的另一方面，提供了一种图像处理装置，包括：识别模块，用于将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；分类模块，用于根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。
在一种可能的实现方式中，所述装置还包括：图像确定模块，用于根据多个待识别图像的清晰度分类结果，从所述多个待识别图像中确定出第一图像和第二图像，所述第一图像为清晰图像，所述第二图像为模糊图像；图像添加模块，用于将所述第一图像及所述第二图像分别添加到第一训练集及第二训练集中。
在一种可能的实现方式中，所述装置还包括：第一训练模块，用于根据第一训练集及第二训练集，训练对抗网络，所述对抗网络包括生成网络以及判别网络，所述第一训练集包括清晰的多个第三图像，所述第二训练集包括模糊的多个第四图像，其中，已训练的生成网络用于训练所述识别网络。
在一种可能的实现方式中，所述第一训练模块包括：第一生成子模块，用于将所述第一训练集中的第三图像输入所述生成网络中处理，生成第五图像；判别子模块，用于将所述第五图像以及所述第二训练集中的第四图像输入所述判别网络中处理，得到判别结果；第一训练子模块，用于根据多个判别结果，对抗训练所述生成网络以及所述判别网络。
在一种可能的实现方式中，所述识别网络包括卷积子网络、第一全连接子网络、第二全连接子网络及激活子网络，其中，所述识别模块包括：
人脸类别确定子模块，用于使所述待识别图像依次经由所述卷积子网络及所述第一全连接子网络处理，输出所述待识别图像的人脸类别；清晰度确定子模块，用于使所述待识别图像依次经由所述卷积子网络、所述第二全连接子网络及激活子网络处理，输出所述待识别图像的清晰度。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于通过第三训练集以及已训练的生成网络，训练所述识别网络，其中，所述第三训练集包括清晰的多个第六图像。
在一种可能的实现方式中，所述第二训练模块包括：第二生成子模块，用于将所述第三训练集中的第六图像输入已训练的生成网络中处理，生成第七图像；结果确定子模块，用于将所述第七图像以及所述第六图像分别输入所述识别网络中处理，得到所述第七图像的第二识别结果以及所述第六图像的第三识别结果；第二训练子模块，用于根据多个第二识别结果以及多个第三识别结果，训练所述识别网络。
在一种可能的实现方式中，所述分类模块包括以下至少一种：在所述待识别图像的清晰度大于或等于第一阈值的情况下，将所述待识别图像确定为清晰图像；在所述待识别图像的清晰度小于所述第一阈值，且大于或等于第二阈值的情况下，将所述待识别图像确定为模糊图像；在所述待识别图像的清晰度小于所述第二阈值的情况下，将所述待识别图像确定为无效图像。
根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够识别出图像的人脸类别以及清晰度，并根据清晰度对图像进行清晰度分类，从而在识别人脸类别的同时判断图像的模糊程度，提高图像识别的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的识别网络的示意图。
图3示出根据本公开实施例的图像处理方法的流程图。
图4示出根据本公开实施例的识别网络的训练过程的示意图。
图5示出根据本公开实施例的图像处理方法的流程图。
图6示出根据本公开实施例的对抗网络的训练过程的示意图。
图7示出根据本公开实施例的生成网络的结构示意图。
图8示出根据本公开实施例的判别网络的结构示意图。
图9示出根据本公开实施例的图像处理过程的示意图。
图10示出根据本公开实施例的图像处理装置的框图。
图11示出根据本公开实施例的一种电子设备的示意图。
图12示出根据本公开实施例的一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图。如图1所示，所述方法包括：
在步骤S11中，将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；
在步骤S12中，根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。
根据本公开的实施例，能够识别出图像的人脸类别以及清晰度，并根据清晰度对图像进行清晰度分类，从而在识别人脸类别的同时判断图像的模糊程度，提高了图像识别的精度。
在一种可能的实现方式中，所述图像处理方法可以由终端或服务器等电子设备执行。终端可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可由终端设备或图像采集设备(例如相机等)获取待识别图像，并将待识别图像发送至服务器，从而通过服务器执行所述方法。
在一种可能的实现方式中，待识别图像可以包括各种类型的人脸图像，例如从网络上下载各种各样的人脸图片，或摄像头拍摄的图像或视频帧中的人脸图像。本公开对待识别图像的来源及类型不作限制。
在一种可能的实现方式中，可以在步骤S11中通过识别网络对待识别图像进行图像识别。该识别网络可以为卷积神经网络CNN、深度神经网络DNN等神经网络，本公开对识别网络的具体类型不作限制。
在一种可能的实现方式中，该第一识别结果可包括待识别图像的人脸类别。其中，人脸类别可以包括人脸图像对应于某个人或某类人的概率，或者人脸图像对应于各个类别的概率。应当理解，可以采用各种类型的分类神经网络对待识别图像进行人脸分类，本公开对此不作限制。
在一种可能的实现方式中，该第一识别结果还可包括待识别图像的清晰度。例如，将高清的人脸图像的清晰度标注为1，将完全模糊的图像的清晰度标注为0，以便划分图像的清晰度。这样，可以将识别出的图像清晰度限定为[0，1]之间的值，从而直观判断图像的清晰(模糊)程度。本公开对清晰度的具体划分不作限制。
在一种可能的实现方式中，在确定待识别图像的清晰度后，可以在步骤S12中根据清晰度对待识别图像进行分类，得到分类结果。例如可根据预设的清晰度阈值，将图像划分为清晰图像和模糊图像；或者将图像划分为清晰图像、模糊图像以及无效图像(低质量，无法识别的图像)等。
图2示出根据本公开实施例的识别网络的示意图。如图2所示，在一种可能的实现方式中，识别网络20可包括卷积子网络21、第一全连接子网络22、第二全连接子网络23及激活子网络24。其中，卷积子网络21可包括一个或多个卷积层；第一全连接子网络22和第二全连接子网络23分别包括全连接层；激活子网络24可包括Sigmoid激活层。
在一种可能的实现方式中，在步骤S11中将待识别图像输入识别网络进行图像识别可包括：
使所述待识别图像依次经由所述卷积子网络及所述第一全连接子网络处理，输出所述待识别图像的人脸类别；
使所述待识别图像依次经由所述卷积子网络、所述第二全连接子网络及激活子网络处理，输出所述待识别图像的清晰度。
也就是说，可以将待识别图像25输入到卷积子网络21中进行卷积处理，得到卷积结果(图像特征信息)；将卷积结果输入第一全连接子网络22进行全连接处理，可以输出人脸类别26(待识别图像的人脸类别概率)。另一方面，可将卷积结果输入第二全连接子网络22进行全连接后，再将全连接结果输入激活子网络24进行激活处理，将输出映射到[0，1]区间内，输出待识别图像的清晰度27。
应当理解，识别网络20还可包括其他类型的子网络(网络层)，识别网络20的各个子网络可包括其他类型的网络层，本公开对识别网络20的具体网络结构不作限制。
通过这种方式，可以得到更精确的图像识别结果。
在一种可能的实现方式中，在通过识别网络进行图像识别之前，还可以对识别网络进行训练。图3示出根据本公开实施例的图像处理方法的流程图。如图3所示，所述方法还包括：
在步骤S13中，通过第三训练集以及已训练的生成网络，训练所述识别网络，其中，所述第三训练集包括清晰的多个第六图像。
举例来说，第三训练集可以为清晰图像组成的数据集，例如网上下载的用于训练人脸识别模型的高清公开数据集；第三训练集中可包括清晰的多个第六图像。本公开对第六图像的数量及图像来源不作限制。
为了保证识别网络的对图像清晰度的识别精度，还需要提供模糊图像来训练识别网络。在一种可能的实现方式中，可以通过已训练的生成网络G来生成模糊图像，以便参与识别网络的训练过程。
在一种可能的实现方式中，步骤S13可包括：将所述第三训练集中的第六图像输入已训练的生成网络中处理，生成第七图像；将所述第七图像以及所述第六图像分别输入所述识别网络中处理，得到所述第七图像的第二识别结果以及所述第六图像的第三识别结果；根据多个第二识别结果以及多个第三识别结果，训练所述识别网络。
图4示出根据本公开实施例的识别网络的训练过程的示意图。如图4所示，可通过已训练的生成网络G来训练识别网络20。第六图像可以为已标注的多个高清图片(清晰图像)，a1、a2…、b1、b2(未示出)…等，其中，a1、a2…标注为同一类(例如同一个人)；b1、b2…标注为另一类(例如另一个人)。
在一种可能的实现方式中，将第六图像a1、a2…、b1、b2…分别输入生成网络G中处理，可以生成模糊的第七图像c1、c2…、d1、d2(未示出)…。其中，第七图像c1、c2…与第六图像a1、a2标注为同一类；第七图像d1、d2…与第六图像b1、b2标注为同一类。
在一种可能的实现方式中，将各个第七图像c1、c2…、d1、d2…以及各个第六图像a1、a2…、b1、b2…分别输入所述识别网络中处理，可得到各个第七图像c1、c2…、d1、d2…的第二识别结果和各个第六图像a1、a2…、b1、b2…的第三识别结果。其中，第二识别结果和第三识别结果均可包括预测的人脸类别和预测的清晰度。
在一种可能的实现方式中，根据多个第二识别结果、多个第三识别结果以及各个第七图像和第六图像的标注信息，可以确定识别网络20的网络损失；根据该网络损失，可以对识别网络20进行训练，从而得到训练后的识别网络20。本公开对识别网络20的具体训练方式不作限制。
通过这种方式，新增加的第七图像(模糊人脸图像)能更好的提升识别网络(人脸识别模型)在模糊人脸上的识别效果；同时，图片的模糊程度信息(清晰度)，能辅助识别模型更好地完成人脸分类任务，从而提高了识别的准确度。
在一种可能的实现方式中，在通过已训练的生成网络G生成符合要求的模糊人脸图像之前，可以训练生成网络G。其中，可以引入对抗网络(包括生成网络G和判别网络D)，以便对抗训练生成网络G和判别网络D，从而提高训练效果。
图5示出根据本公开实施例的图像处理方法的流程图。如图5所示，所述方法还包括：
在步骤S14中，根据第一训练集及第二训练集，训练对抗网络，所述对抗网络包括生成网络以及判别网络，所述第一训练集包括清晰的多个第三图像，所述第二训练集包括模糊的多个第四图像，其中，已训练的生成网络用于训练所述识别网络。
举例来说，可以预先设定有第一训练集和第二训练集，第一训练集包括清晰的多个第三图像(高清人脸图像)，所述第二训练集包括模糊的多个第四图像(模糊人脸图像)。
在一种可能的实现方式中，步骤S14可包括：将所述第一训练集中的第三图像输入所述生成网络中处理，生成第五图像；将所述第五图像以及所述第二训练集中的第四图像输入所述判别网络中处理，得到判别结果；根据多个判别结果，对抗训练所述生成网络以及所述判别网络。
图6示出根据本公开实施例的对抗网络的训练过程的示意图。如图6所示，对抗网络可包括生成网络G和判别网络D。可以将第三图像61输入到生成网络G中，生成第五图像63(模糊图像)；然后，将第四图像62和第五图像63同时输入判别网络D中，输出判别结果64。该判别结果64可包括图片(第五图像63)来自真实分布的置信度。
图7示出根据本公开实施例的生成网络的结构示意图。如图7所示，在一种可能的实现方式中，所述生成网络可包括第一卷积子网络71及第一激活子网络72。其中，将所述第一训练集中的第三图像输入所述生成网络中处理，生成第五图像的步骤可包括：使所述第三图像61依次经由所述第一卷积子网络71及所述第一激活子网络72处理，输出所述第五图像63。
举例来说，第一卷积子网络71可例如包括9层卷积层，每层卷积层可包含64个卷积滤波器，每个滤波器的大小是3*3；第一激活子网络72可例如包括Tanh激活层，用于将上一层的输入映射到[-1，1]之间。
在一种可能的实现方式中，可以将第三图像输入第一卷积子网络71中进行卷积处理，得到第三图像的卷积结果；再将该卷积结果输入第一激活子网络72中进行激活，得到第五图像63。应当理解，生成网络也可以采用其他网络结构，第一卷积子网络及第一激活子网络也可以分别采用其他类型及数量的卷积层和激活层，本公开对此不作限制。
图8示出根据本公开实施例的判别网络的结构示意图。如图8所示，在一种可能的实现方式中，所述判别网络包括第二卷积子网络73及第二激活子网络74。其中，将所述第五图像以及所述第二训练集中的第四图像输入所述判别网络中处理，得到判别结果的步骤可包括：使所述第五图像63以及所述第四图像62依次经由所述第二卷积子网络73及所述第二激活子网络74处理，输出所述判别结果64。
举例来说，第二卷积子网络73可例如包括4层卷积层，每层卷积层可包含64个卷积滤波器，每个滤波器的大小是3*3；第二激活子网络74可例如包括Sigmoid激活层，用于将上一层的输入映射到[0，1]之间。
在一种可能的实现方式中，可将第五图像63及第四图像62输入第二卷积子网络73中进行卷积处理，输出卷积结果；再将该卷积结果输入第二激活子网络74中进行激活，得到第五图像63的判别结果64(置信度)。应当理解，判别网络也可以采用其他网络结构，第二卷积子网络及第二激活子网络也可以分别采用其他类型及数量的卷积层和激活层，本公开对此不作限制。
在一种可能的实现方式中，如图6所示，根据判别结果64，可以对抗训练生成网络G以及判别网络D。其中，可采用如公式(1)所示的目标函数V(D，G)：
Figure BDA0001945897110000121
在公式(1)中，G表示生成网络，D表示判别网络，D(x)可表示输入x(第四图像)属于真实模糊图片分布的概率，x～pdata(x)表示x取自真实模糊人脸分布(第二训练集中的真实模糊人脸图像)；D(G(z))表示生成图像属于真实模糊图片分布的概率，z～pz(z)表示z取自生成模糊人脸分布(第五图像)。
在训练生成网络G以及判别网络D的过程中，根据公式(1)，在优化生成网络G时，期望V(D，G)的取值最小，也即生成网络G能学习到真实模糊图片的分布，并且把高清图片映射到模糊图片分布上；在优化判别网络D时，期望V(D，G)的取值最大，也即判别网络D能判断出输入的图片是来自真实模糊图片还是来自生成网络G生成的图片。
在训练过程中，生成网络G试图混淆真实图像与生成图像，判别网络D试图区分真实图像与生成图像，两者相互对抗。在优化过程中，两个网络分别提升生成及判别能力，最终得到最优的网络参数。本公开对生成网络G以及判别网络D的具体训练方式不作限制。
应当理解，生成网络G以及判别网络D的网络结构可以被替换，优化目标函数也可以被替换，本公开对此不作限制。
通过这种方式，可以提高网络的精度，使得已训练的生成网络G能够生成更真实的模糊图像。
在一种可能的实现方式中，第一训练集和第二训练集中的图像可以是人工挑选的少量人脸图片，也可以根据待识别图像的清晰度来自动挑选图像。
在一种可能的实现方式中，所述方法还可包括：根据多个待识别图像的清晰度分类结果，从所述多个待识别图像中确定出第一图像和第二图像，所述第一图像为清晰图像，所述第二图像为模糊图像；将所述第一图像及所述第二图像分别添加到第一训练集及第二训练集中。
举例来说，可采用任意类型的人脸图像作为待识别图像，例如从网络上下载各种各样的人脸图片。根据将待识别图像输入识别网络处理后输出的清晰度，可确定待识别图像的清晰度分类结果(参见步骤S11-S12的说明，此处不再重复描述)。根据多个待识别图像的清晰度分类结果，可从所述多个待识别图像中确定出清晰图像(第一图像)和模糊图像(第二图像)。进而，可将第一图像及第二图像分别添加到第一训练集及第二训练集中。
通过这种方式，可以降低挑选图像的人力成本，并为训练对抗网络提供更多的数据，从而使对抗网络生成更真实的模糊图片。
在一种可能的实现方式中，步骤S12可包括以下至少一个步骤：
在所述待识别图像的清晰度大于或等于第一阈值的情况下，将所述待识别图像确定为清晰图像；
在所述待识别图像的清晰度小于所述第一阈值，且大于或等于第二阈值的情况下，将所述待识别图像确定为模糊图像；
在所述待识别图像的清晰度小于所述第二阈值的情况下，将所述待识别图像确定为无效图像。
举例来说，可以根据预先设定的清晰度阈值，对待识别图像进行分类。例如，可设定有第一阈值(例如0.8)和第二阈值(例如0.3)，第一阈值大于第二阈值。如果待识别图像的清晰度大于或等于第一阈值，则可认为待识别图像的清晰度较高，为清晰图像；如果待识别图像的清晰度小于所述第一阈值且大于或等于第二阈值，则可认为待识别图像的清晰度较低，为模糊图像；如果待识别图像的清晰度小于第二阈值，则可认为无法分辨出图像中的人脸，待识别图像的质量较差，为无效图像。本公开对第一阈值和第二阈值的具体取值不作限制。
通过这种方式，可以对待识别图像进行分类，为训练对抗网络提供更多的数据(清晰图像和模糊图像)，从而训练出更好的对抗网络；也可以对待识别图像进行质量筛选，过滤掉低质量的图像。
图9示出根据本公开实施例的图像处理过程的示意图。如图9所示，根据本公开的图像处理方法可对各种类型的图像进行处理。在处理的过程中，根据训练集中的高清图和模糊图，可通过箭头1和2来训练对抗网络。在第一次训练对抗网络时，高清图和模糊图需要人工挑选或采用人脸任务的公开数据集中的高清人脸图片和模糊人脸图片。
在对抗网络训练完成后，可通过对抗网络中的生成网络G来生成模糊图(箭头3)；根据生成的模糊图和之前的高清图(相同或不同)，可以训练识别网络(箭头4和5)。
在识别网络训练完成后，可通过识别网络来识别任意人脸图像的清晰度，从而自动挑选高清图和模糊图，并通过箭头6和7将挑选出的高清图和模糊图分别添加到对抗网络的训练集中，为训练对抗网络提供更多的数据，从而使对抗网络生成更真实的模糊图片。
根据本公开实施例的图像处理方法，能够训练对抗网络，得到大量的模糊人脸图片，生成的图片更加真实；根据生成的模糊人脸图片来训练人脸识别网络，使得人脸识别网络能够判断图片模糊程度；人脸识别网络可以做图片质量筛选，也可以为对抗网络增加训练数据，节省人力成本，从而形成正循环。根据本公开实施例的方法，可应用于安防监控等领域中，对监控视频中可能出现的模糊人脸进行识别，有效提高人脸识别的精度和准确度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
图10示出根据本公开实施例的图像处理装置的框图，如图10所示，所述装置包括：
识别模块51，用于将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；
分类模块52，用于根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。
在一种可能的实现方式中，所述装置还包括：图像确定模块，用于根据多个待识别图像的清晰度分类结果，从所述多个待识别图像中确定出第一图像和第二图像，所述第一图像为清晰图像，所述第二图像为模糊图像；图像添加模块，用于将所述第一图像及所述第二图像分别添加到第一训练集及第二训练集中。
在一种可能的实现方式中，所述装置还包括：第一训练模块，用于根据第一训练集及第二训练集，训练对抗网络，所述对抗网络包括生成网络以及判别网络，所述第一训练集包括清晰的多个第三图像，所述第二训练集包括模糊的多个第四图像，其中，已训练的生成网络用于训练所述识别网络。
在一种可能的实现方式中，所述第一训练模块包括：第一生成子模块，用于将所述第一训练集中的第三图像输入所述生成网络中处理，生成第五图像；判别子模块，用于将所述第五图像以及所述第二训练集中的第四图像输入所述判别网络中处理，得到判别结果；第一训练子模块，用于根据多个判别结果，对抗训练所述生成网络以及所述判别网络。
在一种可能的实现方式中，所述识别网络包括卷积子网络、第一全连接子网络、第二全连接子网络及激活子网络，其中，所述识别模块包括：
人脸类别确定子模块，用于使所述待识别图像依次经由所述卷积子网络及所述第一全连接子网络处理，输出所述待识别图像的人脸类别；清晰度确定子模块，用于使所述待识别图像依次经由所述卷积子网络、所述第二全连接子网络及激活子网络处理，输出所述待识别图像的清晰度。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于通过第三训练集以及已训练的生成网络，训练所述识别网络，其中，所述第三训练集包括清晰的多个第六图像。
在一种可能的实现方式中，所述第二训练模块包括：第二生成子模块，用于将所述第三训练集中的第六图像输入已训练的生成网络中处理，生成第七图像；结果确定子模块，用于将所述第七图像以及所述第六图像分别输入所述识别网络中处理，得到所述第七图像的第二识别结果以及所述第六图像的第三识别结果；第二训练子模块，用于根据多个第二识别结果以及多个第三识别结果，训练所述识别网络。
在一种可能的实现方式中，所述分类模块包括以下至少一种：在所述待识别图像的清晰度大于或等于第一阈值的情况下，将所述待识别图像确定为清晰图像；在所述待识别图像的清晰度小于所述第一阈值，且大于或等于第二阈值的情况下，将所述待识别图像确定为模糊图像；在所述待识别图像的清晰度小于所述第二阈值的情况下，将所述待识别图像确定为无效图像。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图11，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图12，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；
根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据多个待识别图像的清晰度分类结果，从所述多个待识别图像中确定出第一图像和第二图像，所述第一图像为清晰图像，所述第二图像为模糊图像；
将所述第一图像及所述第二图像分别添加到第一训练集及第二训练集中。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据第一训练集及第二训练集，训练对抗网络，所述对抗网络包括生成网络以及判别网络，所述第一训练集包括清晰的多个第三图像，所述第二训练集包括模糊的多个第四图像，
其中，已训练的生成网络用于训练所述识别网络。
4.根据权利要求3所述的方法，其特征在于，根据第一训练集及第二训练集，训练对抗网络，包括：
将所述第一训练集中的第三图像输入所述生成网络中处理，生成第五图像；
将所述第五图像以及所述第二训练集中的第四图像输入所述判别网络中处理，得到判别结果；
根据多个判别结果，对抗训练所述生成网络以及所述判别网络。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述识别网络包括卷积子网络、第一全连接子网络、第二全连接子网络及激活子网络，
其中，将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，包括：
使所述待识别图像依次经由所述卷积子网络及所述第一全连接子网络处理，输出所述待识别图像的人脸类别；
使所述待识别图像依次经由所述卷积子网络、所述第二全连接子网络及激活子网络处理，输出所述待识别图像的清晰度。
6.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
通过第三训练集以及已训练的生成网络，训练所述识别网络，其中，所述第三训练集包括清晰的多个第六图像。
7.根据权利要求6所述的方法，其特征在于，通过第三训练集以及已训练的生成网络，训练所述识别网络，包括：
将所述第三训练集中的第六图像输入已训练的生成网络中处理，生成第七图像；
将所述第七图像以及所述第六图像分别输入所述识别网络中处理，得到所述第七图像的第二识别结果以及所述第六图像的第三识别结果；
根据多个第二识别结果以及多个第三识别结果，训练所述识别网络。
8.一种图像处理装置，其特征在于，包括：
识别模块，用于将待识别图像输入识别网络进行图像识别，得到所述待识别图像的第一识别结果，所述第一识别结果包括所述待识别图像的人脸类别以及清晰度；
分类模块，用于根据所述待识别图像的清晰度，对所述待识别图像进行分类，得到所述待识别图像的清晰度分类结果。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN201910035880.9A 2019-01-15 2019-01-15 图像处理方法及装置、电子设备和存储介质 Pending CN111435431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910035880.9A CN111435431A (zh) 2019-01-15 2019-01-15 图像处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910035880.9A CN111435431A (zh) 2019-01-15 2019-01-15 图像处理方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111435431A true CN111435431A (zh) 2020-07-21

Family

ID=71580765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910035880.9A Pending CN111435431A (zh) 2019-01-15 2019-01-15 图像处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111435431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669310A (zh) * 2021-01-07 2021-04-16 江西中科九峰智慧医疗科技有限公司 一种基于数据模拟和深度学习的胸片模糊问题分类系统，方法及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205479A (zh) * 2015-10-28 2015-12-30 小米科技有限责任公司 人脸颜值评估方法、装置及终端设备
CN105678249A (zh) * 2015-12-31 2016-06-15 上海科技大学 针对注册人脸和待识别人脸图片质量不同的人脸识别方法
US20170286809A1 (en) * 2016-04-04 2017-10-05 International Business Machines Corporation Visual object recognition
CN108765394A (zh) * 2018-05-21 2018-11-06 上海交通大学 基于质量评价的目标识别方法
CN108875932A (zh) * 2018-02-27 2018-11-23 北京旷视科技有限公司 图像识别方法、装置和系统及存储介质
CN108875511A (zh) * 2017-12-01 2018-11-23 北京迈格威科技有限公司 图像生成的方法、装置、系统及计算机存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205479A (zh) * 2015-10-28 2015-12-30 小米科技有限责任公司 人脸颜值评估方法、装置及终端设备
CN105678249A (zh) * 2015-12-31 2016-06-15 上海科技大学 针对注册人脸和待识别人脸图片质量不同的人脸识别方法
US20170286809A1 (en) * 2016-04-04 2017-10-05 International Business Machines Corporation Visual object recognition
CN108875511A (zh) * 2017-12-01 2018-11-23 北京迈格威科技有限公司 图像生成的方法、装置、系统及计算机存储介质
CN108875932A (zh) * 2018-02-27 2018-11-23 北京旷视科技有限公司 图像识别方法、装置和系统及存储介质
CN108765394A (zh) * 2018-05-21 2018-11-06 上海交通大学 基于质量评价的目标识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669310A (zh) * 2021-01-07 2021-04-16 江西中科九峰智慧医疗科技有限公司 一种基于数据模拟和深度学习的胸片模糊问题分类系统，方法及存储介质

Similar Documents

Publication Publication Date Title
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN109829501B (zh) 图像处理方法及装置、电子设备和存储介质
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110889469B (zh) 图像处理方法及装置、电子设备和存储介质
CN111462268A (zh) 图像重建方法及装置、电子设备和存储介质
CN110009090B (zh) 神经网络训练与图像处理方法及装置
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN110909815B (zh) 神经网络训练、图像处理方法、装置及电子设备
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN111340731B (zh) 图像处理方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN110781813B (zh) 图像识别方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN108960283B (zh) 分类任务增量处理方法及装置、电子设备和存储介质
CN113065591B (zh) 目标检测方法及装置、电子设备和存储介质
CN111435432A (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
CN109255784B (zh) 图像处理方法及装置、电子设备和存储介质
CN110633700A (zh) 视频处理方法及装置、电子设备和存储介质
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN111414963A (zh) 图像处理方法、装置、设备和存储介质
CN113139471A (zh) 目标检测方法及装置、电子设备和存储介质

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