CN111915567A - 一种图像质量评估方法、装置、设备及介质 - Google Patents
一种图像质量评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111915567A CN111915567A CN202010640083.6A CN202010640083A CN111915567A CN 111915567 A CN111915567 A CN 111915567A CN 202010640083 A CN202010640083 A CN 202010640083A CN 111915567 A CN111915567 A CN 111915567A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- sub
- human body
- determining
- 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
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 281
- 230000002159 abnormal effect Effects 0.000 claims description 114
- 238000001514 detection method Methods 0.000 claims description 93
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001303 quality assessment method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 9
- 210000003127 knee Anatomy 0.000 description 7
- 210000003423 ankle Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 210000000707 wrist Anatomy 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000002414 leg Anatomy 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像质量评估方法、装置、设备及介质,用以解决现有图像质量评估的准确性较差的技术问题。由于本发明实施例可以在待评估的图像中确定目标人体对应的子图像,并确定该子图像中目标人体的第一关键点信息,进而可以根据目标人体的第一关键点信息,确定该子图像的人体评估参数,进而确定出子图像的图像质量。目标人体的第一关键点信息能够体现目标人体被遮挡的情况,从而可以避免目标人体被遮挡时图像质量评估出现错误的问题,因此本发明实施例图像质量评估方法的准确性较好。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像质量评估方法、装置、设备及介质。
背景技术
在视频监控领域,由于受视频传感器的性能、视频监控场景复杂多变、以及视频监控场景中物体的运动等因素的影响,使视频监控摄像头采集到的图像不可避免存在图像失真等图像质量下降的问题。
而在基于网络模型,对图像中的目标人体进行人体图像识别、人体属性提取等任务时,输入网络模型图像的图像质量会直接影响网络模型识别结果的准确性,因此预先对输入网络模型图像的图像质量进行评估是非常必要的。
以下是一种现有图像质量评估的方案:
现有方案:根据图像的噪声值、清晰度值、异常曝光值等参数,将图像质量划分为超不清晰、不清晰、一般、清晰、高质量等5个图像质量等级。分别设计噪声网络模型、清晰度网络模型以及异常曝光网络模型等多个神经网络模型,得到图像的噪声值、清晰度值、异常曝光值等参数,进而确定该图像所属的图像质量等级。
上述现有方案存在的问题是只能根据图像整体的噪声值、清晰度值、异常曝光值等对图像质量进行评估。而针对图像中的目标人体被遮挡的图像,如果根据图像整体的噪声值、清晰度值、异常曝光值等确定该图像质量较好时,现有方案就会确定该图像的图像质量较好,但是将目标人体被遮挡的图像输入网络模型中,对目标人体进行人体图像识别、人体属性提取等任务时,因为图像中目标人体被遮挡了,所以会影响网络模型对结果识别的效果及准确性,也就是说,对于网络模型来说,该目标人体被遮挡的图像是质量较差的图像,由此可以看出,现有方案存在的问题是有可能将质量较差的图像误认为是质量较好的图像,因此现有图像质量评估方法的准确性较差。
发明内容
本发明提供了一种图像质量评估方法、装置、设备及介质,用以解决现有图像质量评估的准确性较差的技术问题。
本发明的一方面提供了一种图像质量评估方法,所述方法包括:
获取待评估的图像,并确定所述图像中目标人体对应的子图像;
确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
根据所述人体评估参数,确定所述子图像的图像质量。
进一步地,所述根据所述第一关键点信息,确定所述子图像的人体评估参数之前,所述方法还包括:
确定所述子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;
所述根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
进一步地,根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
确定所述第一关键点信息的第一数量,根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
进一步地,所述根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值包括:
根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;
根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;
根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
进一步地,确定所述子图像的尺寸占比评估值包括:
分别确定所述子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
进一步地,所述确定所述子图像的图像参数质量评估值包括:
将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定所述子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
进一步地,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
进一步地,所述根据所述人体完整程度评估值、尺寸占比评估值和图像参数质量评估值,确定所述子图像的人体评估参数包括:
根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定所述子图像的人体评估参数。
本发明的再一方面提供了一种图像质量评估装置,所述装置包括:
获取模块,用于获取待评估的图像,并确定所述图像中目标人体对应的子图像;
第一确定模块,用于确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
第二确定模块,根据所述人体评估参数,确定所述子图像的图像质量。
进一步地,所述第一确定模块,还用于所述根据所述第一关键点信息,确定所述子图像的人体评估参数之前,确定所述子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
进一步地,所述第一确定模块,具体用于确定所述第一关键点信息的第一数量,根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
进一步地,所述第一确定模块,具体用于根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
进一步地,所述第一确定模块,具体用于分别确定所述子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
进一步地,所述第一确定模块,具体用于所述确定所述子图像的图像参数质量评估值包括:
将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定所述子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
进一步地,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
进一步地,所述第一确定模块,具体用于根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定所述子图像的人体评估参数。
本发明的再一方面提供了一种电子设备,所述电子设备至少包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现上述任一所述图像质量评估方法的步骤。
本发明的再一方面提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述图像质量评估方法的步骤。
由于本发明实施例可以在待评估的图像中确定目标人体对应的子图像,并确定该子图像中目标人体的第一关键点信息,进而可以根据目标人体的第一关键点信息,确定该子图像的人体评估参数,进而确定出子图像的图像质量。目标人体的第一关键点信息能够体现目标人体被遮挡的情况,从而可以避免目标人体被遮挡时图像质量评估出现错误的问题,因此本发明实施例图像质量评估方法的准确性较好。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像质量评估过程的示意图;
图2为本发明实施例提供的一种预设的目标人体的第二关键点信息示意图;
图3为本发明实施例提供的通过预先训练完成的图像参数检测模型,确定子图像的噪声值、清晰度值以及异常曝光值的过程示意图;
图4为本发明实施例提供的另一种图像质量评估过程示意图;
图5为本发明实施例提供的一种图像质量评估装置示意图;
图6为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
为了提高图像质量评估的准确性,本发明实施例提供了一种图像质量评估方法、装置、设备及介质。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
图1为本发明实施例提供的一种图像质量评估过程的示意图,该过程包括以下步骤:
S101:获取待评估的图像,并确定所述图像中目标人体对应的子图像。
本发明实施例提供的图像质量评估方法应用于电子设备,该电子设备例如可以是图像采集设备、PC、移动终端等设备,也可以是服务器等。
在本发明实施例中,电子设备获取的待评估的图像,可以是自身的摄像头采集的,也可以是其他设备采集并发送给该电子设备的。
电子设备获取到待评估的图像后,为了提高图像质量评估的准确性,可以确定该待评估的图像中目标人体对应的子图像。在一种可能的实施方式中,可以将该待评估的图像输入预先训练完成的目标检测模型中,基于目标检测模型,确定该图像中存在的每个人体对应的子图像,示例性地,得到的每个人体对应的子图像可以是以每个人体所在的目标框对应的子图像。
具体地,目标检测模型可以是You Only Look Once,YOLO目标检测模型,例如可以是YOLO的第3个版本(YOLO V3)目标检测模型。另外,目标检测模型也可以是Faster RCNN系列深度学习目标检测模型,可以根据需求灵活选择,在此不做具体限定。
确定图像中存在的每个人体对应的子图像后,为了确定目标人体对应的子图像,在一种可能的实施方式中,可以通过接收目标人体的人脸图像等,通过人脸匹配等方式,从而确定目标人体对应的子图像。具体的,确定目标人体对应的子图像可以采用现有技术,在此不再赘述。
S102:确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数。
为了提高图像质量评估的准确性,电子设备可以针对目标人体对应的子图像,确定该子图像中目标人体的第一关键点信息。具体的,第一关键点信息可以为人脸、肩部、胳膊、腿等。可以根据子图像中目标人体的人脸、肩部、胳膊、腿等第一关键点信息是否存在,来确定该子图像的人体评估参数。示例性的,可以将子图像中目标人体的人脸、肩部、胳膊、腿等第一关键点信息均存在的子图像的人体评估参数设置的较高。将子图像中不存在人脸、肩部、胳膊或腿的子图像的人体评估参数设置的较低。
S103:根据所述人体评估参数,确定所述子图像的图像质量。
为了提高图像质量评估的准确性,在本发明实施例中,可以是人体评估参数越高,认为该子图像的图像质量越好,也可以是人体评估参数越低,认为该子图像的图像质量越好。一般情况下,人体评估参数越高,认为该子图像的图像质量越好。
由于本发明实施例可以在待评估的图像中确定目标人体对应的子图像,并确定该子图像中目标人体的第一关键点信息,进而可以根据目标人体的第一关键点信息,确定该子图像的人体评估参数,进而确定出子图像的图像质量。目标人体的第一关键点信息能够体现目标人体被遮挡的情况,从而可以避免目标人体被遮挡时图像质量评估出现错误的问题,因此本发明实施例图像质量评估方法的准确性较好。
实施例2:
为了提高图像质量评估的准确性,在上述实施例的基础上,在本发明实施例中,所述根据所述第一关键点信息,确定所述子图像的人体评估参数之前,所述方法还包括:
确定所述子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;
所述根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
为了提高图像质量评估的准确性,在本发明实施例中,可以确定子图像的图像参数信息评估值,具体的,该图像参数信息评估值可以包括尺寸占比评估值和/或图像参数质量评估值。
一般情况下,在待评估的图像尺寸一定的情况下,目标人体对应的子图像尺寸越大,可以认为该子图像的人体评估参数越大。因为不同的待评估的图像尺寸可能不同,为了准确确定子图像的人体评估参数,可以用子图像的尺寸占比评估值来确定子图像的人体评估参数。一般情况下,子图像的尺寸占比评估值越高,人体评估参数越大,说明子图像的质量越好。示例性的,子图像的尺寸占比评估值可以是:该子图像尺寸与该待评估的图像中存在的每个人体对应的子图像的图像尺寸和的比值。在一种可能的实施方式中,可以将该待评估的图像输入预先训练完成的目标检测模型中,基于目标检测模型,确定该图像中存在的每个人体对应的子图像中人体所在的第一目标框的第一位置信息,第一位置信息中可以包含第一目标框的宽和高等第一图像尺寸,由此可以得到每个子图像的图像尺寸,进而确定目标人体对应的子图像的尺寸占比评估值。
在一种可能的实施方式中,可以基于子图像的图像参数质量评估值,来确定该子图像的人体评估参数。示例性的,可以基于子图像的亮度值或对比度值等图像参数来确定该子图像的人体评估参数。一般情况下,当子图像的亮度值或对比度等位于预设的数值范围内时,人体评估参数较高,可以认为该子图像的质量较好。
实施例3:
为了提高图像质量评估的准确性,在上述实施例的基础上,在本发明实施例中,根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
确定所述第一关键点信息的第一数量,根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
在本发明实施例中,可以将该待评估的图像输入预先训练完成的目标检测模型中,基于目标检测模型,确定该图像中存在的每个人体对应的子图像,以及子图像中人体所在的第一目标框的第一位置信息。
子图像中人体所在的第一目标框的第一位置信息可以包括第一目标框的左上角、左下角、右上角、右下角像素点在子图像中的第一坐标位置,以及第一目标框的宽和高的图像尺寸等。为方便描述,可以用di表示人体对应的子图像,其中i可以为人体对应的子图像的标识,例如当共有M个人体时,i=1,……M。
另外,为了确定目标人体对应的关键点信息,可以预设目标人体的第二关键点信息,示例性的,图2为本发明实施例提供的一种预设的目标人体的第二关键点信息示意图,如图2所示(图中所示左右),预设的第二关键点信息共有人体的18个关键点,分别为:鼻子1、脖子2、左肩3、左肘4、左腕5、右肩6、右肘7、右腕8、左臀9、左膝盖10、左脚踝11、右臀12、右膝盖13、右脚踝14、左眼15、左耳17、右眼16、右耳18。
为了确定目标人体对应的关键点信息,可以将该待评估的图像输入预先训练完成的人体关键点信息检测模型中,基于人体关键点信息检测模型,确定该图像中存在的每个人体对应的人体关键点信息以及每个关键点信息所在的第二目标框的第二位置信息。其中,第二位置信息可以包括第二目标框的左上角、左下角、右上角、右下角像素点在该子图像中的第二坐标位置等。为方便描述,可以用Kj表示关键点信息,其中j可以为关键点信息的标识,例如关键点信息共有18个时,j=1,……18。当该图像中包含多个人体时,可以用Ki,j表示多个人体对应的关键点信息,其中i为人体对应的子图像的标识,j为关键点信息的标识,例如K1,8可以表示其中第一个人体对应的第8个关键点信息。
具体的,人体关键点信息检测模型可以为openpose人体关键点信息检测模型。
在一种可能的实施方式中,可能得到的每个人体对应的子图像和得到的每个人体的关键点信息之间没有对应关系,即di与Ki,j之间没有对应关系,例如可能并不太清楚哪个人体关键点是对应d1这个人体的,哪个人体关键点是对应d2这个人体的。为了确定每个人体对应的子图像与每个人体的关键点信息之间的对应关系,可以通过Intersection overUnion(IoU)算法来确定每个人体对应的子图像与每个人体的关键点信息之间的对应关系。具体的,可以针对每个子图像中人体所在的第一目标框的第一位置信息,与每个关键点信息所在的第二目标框的第二位置信息,通过IoU算法进行计算,具体的,计算公式为:其中Rd为人体所在的第一目标框的第一位置信息,Rk为每个关键点信息所在的第二目标框的第二位置信息,Rd∩Rk表示通过Rd与Rk的交集的面积,其中可以通过Rd和Rk确定Rd与Rk交集的坐标系,进而通过该交集的坐标系,确定该交集的面积,Rd∪Rk表示通过Rd与Rk的并集的面积,其中可以通过Rd和Rk确定Rd与Rk并集的坐标系,进而通过该并集的坐标系,确定该并集的面积。确定Rd∩Rk和Rd∪Rk的具体过程可以采用现有技术,在此不再赘述。
可以遍历计算出每个第一位置信息与每个第二位置信息对应的Siou值后,可以确定出其中最大的Siou值,将最大的Siou值对应的第一位置信息和第二位置信息,确定为具有一一对应关系的第一位置信息和第二位置信息,进而可以确定目标人体对应的子图像与目标人体的关键点信息之间的对应关系,即确定了di与Ki,j之间的对应关系。可以理解的,在本发明实施例中,确定子图像的人体完整程度评估值是在确定了该子图像对应的人体的关键点信息的基础上进行的。
具体的,为了提高图像质量评估的准确性,在本发明实施例中,可以确定子图像的人体完整程度评估值。在一种可能的实施方式中,子图像中的目标人体的第一关键点信息没有被遮挡时,将待评估的图像输入预先训练完成的人体关键点信息检测模型中,基于人体关键点信息检测模型,确定该图像中存在的目标人体对应的关键点信息以及每个关键点信息所在的第二目标框的第二位置信息时,该第一关键点信息可以有对应的第二位置信息,否则,如果某个第一关键点被遮挡,或者因为目标人体处于待评估的图像的边界等而导致在图像中不存在该第一关键点时,可以认为没有检测到该第一关键点对应的第二位置信息。因此可以通过确定子图像对应第二位置信息的第一数量,该第一数量即为该子图像中的目标人体的第一关键点信息的数量。
预设的人体的第二关键点信息的第二数量可以根据需求灵活设置,仍以图2进行举例说明,图2中第二数量即为18。确定第一数量后,可以根据第一数量与第二数量的比值,确定该子图像的人体完整程度评估值。一般情况下,人体完整程度评估值越大,说明该子图像的目标人体没有被遮挡的第一关键点信息的第一数量越大,该目标人体越完整,该子图像的人体评估参数越高,该子图像的图像质量也越高,同时,在网络模型针对该子图像中的目标人体进行人体图像识别、人体属性提取等任务时,也越有利于提高网络模型识别结果的准确性。
由于本发明实施例可以根据子图像中的目标人体的第一关键点信息的第一数量与预设的第二数量的比值,确定目标人体的人体完整程度评估值,进而可以基于该人体完整程度评价值,确定子图像的质量,因此可以提高图像质量评估的准确性,进而以提高网络模型识别结果的准确性。
实施例4:
为了准确确定子图像的人体完整程度评估值,在上述各实施例的基础上,在本发明实施例中,所述根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值包括:
根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;
根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;
根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
在将图像输入网络模型中进行人体图像识别、人体属性提取等任务时,可能人体不同的关键点信息在人体图像识别、人体属性提取等任务中的重要性程度是不同的,例如眼睛、鼻子、耳朵、肩膀等关键点信息的重要性程度,相比肘部、膝盖等关键点信息的重要性程度要高一些。因此,在本发明实施例中,可以对不同的关键点信息设置不同的权重值。
为了准确确定子图像的人体完整程度评估值,可以预设人体的每个第二关键点信息对应的第一权重值。为方便理解,仍以图2中提供的关键点信息进行举例说明,可以根据不同第二关键点信息的重要性程度等级,为不同的第二关键点信息设置不同的第一权重值。示例性的,可以将鼻子、脖颈、左眼、右眼、左耳、右耳、左肩膀和右肩膀这些重要性程度等级较高的第二关键点信息对应的第一权重值设置的相对较高。将左膝、右膝、左脚踝和右脚踝这些重要性程度等级较低的关键点信息对应的第一权重值设置的相对较低。将左肘、右肘、左手腕、右手腕、左臀部和右臀部这些重要性程度等级一般的关键点信息对应的第一权重值的大小,设置在重要性程度等级较高的关键点信息对应的第一权重值与重要性程度等级较低的关键点信息对应的第一权重值之间。
为了准确确定子图像的人体完整程度评估值,可以根据预设的人体的每个第二关键点信息对应的第一权重值,确定子图像第一数量的第一关键点信息分别对应的第二权重值。在一种可能的实施方式中,第一数量的第一关键点信息可以为人体的关键点信息没有被遮挡的关键点信息,第一数量的第一关键点信息中,每个关键点信息对应的第二权重值与预设的该关键点信息对应的第一权重值相同。
确定了第一数量的第一关键点信息分别对应的第二权重值后,可以根据每个第二权重值的大小,确定每个第二权重值对应的第一关键点信息的第三数量,计算该第二权重值与对应的第三数量的乘积。同时,为了确定子图像的人体完整程度评估值,可以将每个第二权重值与对应的第三数量的乘积进行加和,以计算每个第二权重值与对应的第三数量的乘积的第一和值。
为了确定子图像的人体完整程度评估值,可以根据预设的人体的每个第二关键点信息对应的第一权重值,确定每个第一权重值对应的第二关键点信息的第四数量,计算每个第一权重值与对应的第四数量的乘积,并对每个第一权重值与对应的第四数量的乘积进行加和,以计算每个第一权重值与对应的第四数量的乘积的第二和值。
为了确定子图像的人体完整程度评估值,可以根据第一和值与第二和值的比值,确定子图像的人体完整程度评估值。示例性的,可以将第一和值与第二和值的比值,确定为子图像的人体完整程度评估值。
为方便理解,仍以图2中提供的关键点信息对本发明实施例提供的确定子图像的人体完整程度评估值的过程进行举例说明。
根据不同第二关键点信息的重要性程度等级,为不同的第二关键点信息设置不同的第一权重值。示例性的,可以将鼻子、脖颈、左眼、右眼、左耳、右耳、左肩膀和右肩膀这些重要性程度等级较高的第二关键点信息对应的第一权重值设置的相对较高。将左膝、右膝、左脚踝和右脚踝这些重要性程度等级较低的关键点信息对应的第一权重值设置的相对较低。将左肘、右肘、左手腕、右手腕、左臀部和右臀部这些重要性程度等级一般的关键点信息对应的第一权重值的大小,设置在重要性程度等级较高的关键点信息对应的第一权重值与重要性程度等级较低的关键点信息对应的第一权重值之间。
也就是说,在本发明实施例中,可以将第二关键点信息的重要性程度划分为三个不同的重要性程度等级,相对应的,每个不同的重要性程度等级对应不同的第一权重值。
为方便理解,第一权重值用表示,其中i的最大值为3。第一数量的第一关键点信息对应的第二权重值用Wi表示。每个第二权重值对应的第一关键点信息的第三数量用Xi表示,则每个第二权重值与对应的第三数量的乘积为:Wi×Xi。每个第二权重值与对应的第三数量的乘积的第一和值为:
实施例5:
为了准确确定子图像的尺寸占比评估值,在上述各实施例的基础上,在本发明实施例中,确定所述子图像的尺寸占比评估值包括:
分别确定所述子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
在一种可能的实施方式中,可以将该待评估的图像输入预先训练完成的目标检测模型中,基于目标检测模型,确定该图像中存在的每个人体对应的子图像中人体所在的第一目标框的第一位置信息,第一位置信息中可以包含第一目标框的宽和高等第一图像尺寸,因此可以通过第一目标框的第一位置信息,确定该子图像的第一图像尺寸。在一种可能的实施方式中,可以通过接收目标人体的人脸图像等,通过人脸匹配等方式,从而确定目标人体对应的子图像以及第一图像尺寸。具体的,确定目标人体对应的子图像可以采用现有技术,在此不再赘述。
电子设备可以确定待评估的图像的第二图像尺寸,确定待评估的图像的第二图像尺寸为现有技术,在此不再赘述,如可以确定待评估的图像的宽和高等第二图像尺寸。
下面用公式形式介绍本发明实施例中确定子图像的尺寸占比评估值的过程,为方便描述,目标人体对应的子图像的第一图像尺寸的宽用obj_w表示,目标人体对应的子图像的第一图像尺寸的高用obj_h表示,待评估的图像的宽用frame_w表示,待评估的图像的高用frame_h表示,则目标人体对应的子图像的尺寸占比评估值S2=(obj_w*obj_h)/(frame_w*frame_h)。
在一种可能的实施方式中,可以基于子图像的图像参数质量评估值,来确定该子图像的人体评估参数。示例性的,可以基于子图像的亮度值或对比度值等图像参数来确定该子图像的人体评估参数。一般情况下,当子图像的亮度值或对比度等位于预设的数值范围内时,人体评估参数较高,可以认为该子图像的质量较好。
实施例6:
为了准确确定子图像的图像参数质量评估值,在上述各实施例的基础上,在本发明实施例中,所述确定所述子图像的图像参数质量评估值包括:
将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定所述子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
在本发明实施例中,为了准确确定子图像的图像参数质量评估值,可以将子图像输入预先训练完成的图像参数检测模型,基于该图像参数检测模型,可以同时得到该子图像的噪声值、清晰度值以及异常曝光值。
图3为本发明实施例提供的通过预先训练完成的图像参数检测模型,确定子图像的噪声值、清晰度值以及异常曝光值的过程示意图,如图3所示:
将子图像输入预先训练完成的图像参数检测模型,图像参数检测模型可以先对该图像进行预处理,如数字化、几何变换、归一化、平滑、复原和增强等,然后对该子图像的图像参数进行获取,确定该子图像的噪声值、清晰度值以及异常曝光值。
为了准确确定子图像的图像参数质量评估值,可以预设每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的不同区间组与预设的不同候选图像参数质量评估值的对应关系。
确定子图像的噪声值、清晰度值以及异常曝光值后,可以根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定该子图像的噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间。进而根据每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的不同区间组与预设的不同候选图像参数质量评估值的对应关系,确定该目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
为方便理解,下面通过一个具体实施例对本发明实施例提供的确定图像参数质量评估值的过程进行详细说明。
为方便描述,子图像的噪声值用VN表示、清晰度值用VS表示、异常曝光值用VE表示,图像参数质量评估值用SQ表示。
为了准确确定子图像的图像参数质量评估值,可以预先设置5个不同等级的候选图像参数质量评估值,示例性的,候选图像参数质量评估值可以为:0、0.3、0.5、0.7、0.9。其中,图像参数质量评估值越大,可以认为子图像的质量越好。
预设的与不同候选图像参数质量评估值对应的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组分别为:
与候选图像参数质量评估值0对应的噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组为:1≥VN≥0.8,且1≥VE≥0.7,且0≤VS≤0.2。
与候选图像参数质量评估值0.3对应的噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组为:
0.8>VN≥0.5,且0.7>VE≥0.4,且0.4≥VS>0.2。
与候选图像参数质量评估值0.5对应的噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组为:
0.5>VN>0.3,且0.4>VE>0.2,且0.6≥VS>0.4。
与候选图像参数质量评估值0.7对应的噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组为:
0.3≥VN>0.1,且0.2>VE>0.1,且0.8≥VS>0.6。
与候选图像参数质量评估值0.9对应的噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组为:
0.1≥VN≥0,且0.1≥VE≥0,且1≥VS≥0.8。
示例性的,如果子图像的噪声值VN为0.05,异常曝光值VE为0.06,清晰度值VS为0.9,则该子图像的图像参数质量评估值SQ为0.9。
一般情况下,子图像的噪声值越低,异常曝光值越低,清晰度值越高,该子图像的图像参数质量评估值越高,子图像的质量也越好。
根据第一关键点信息以及图像参数信息评估值,确定子图像的人体评估参数时,可以是根据第一关键点信息和尺寸占比评估值、第一关键点信息和图像参数质量评估值、或者第一关键点信息和尺寸占比评估值以及图像参数质量评估值,确定子图像的人体评估参数。示例性的,以根据第一关键点信息和尺寸占比评估值以及图像参数质量评估值,确定子图像的人体评估参数进行举例说明,可以将由第一关键点信息确定的人体评估参数、尺寸占比评估值以及图像参数质量评估值的和,确定为该子图像的人体评估参数。
实施例7:
为了准确确定子图像的图像参数质量评估值,在上述各实施例的基础上,在本发明实施例中,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
为了准确确定子图像的图像参数质量评估值,在本发明实施例中,可以通过预先训练完成的图像参数检测模型,确定图像的噪声值、清晰度值以及异常曝光值。
在一种可能的实施方式中,可以分别通过不同的图像参数检测模型,分别确定图像的噪声值、清晰度值以及异常曝光值。为了避免图像参数检测模型冗余,并避免不同图像参数检测模型确定的噪声值、清晰度值以及异常曝光值之间的误差,提高效率等,在本发明实施例中,可以通过同一个图像参数检测模型,同时确定图像的噪声值、清晰度值以及异常曝光值。
下面对本发明实施例提供的通过同一个图像参数检测模型,同时确定图像的噪声值、清晰度值以及异常曝光值的训练过程进行详细说明。
为了准确确定子图像的图像参数质量评估值,在本发明实施例中,样本集中包含多个样本图像,每个样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值。
在对原始图像参数检测模型进行训练时,可以获取样本集中任一样本图像,该样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值。将该获取到的任一样本图像输入原始图像参数检测模型,通过原始图像参数检测模型,获取该样本图像对应的识别噪声值、识别清晰度值以及识别异常曝光值。
具体实施中,确定了输入的样本图像的识别噪声值、识别清晰度值以及识别异常曝光值后,因为预先保存了该样本图像的样本噪声值、样本清晰度值以及样本异常曝光值,因此可以根据样本噪声值与识别噪声值是否一致、样本清晰度值与识别清晰度值是否一致、样本异常曝光值与识别异常曝光值是否一致,确定该图像参数检测模型的识别结果是否准确。具体实施中,若不一致,说明该图像参数检测模型的识别结果不准确,则需要对该图像参数检测模型的参数进行调整,从而对图像参数检测模型进行训练。
具体实施中,对图像参数检测模型中的参数进行调整时,可以采用梯度下降算法,对图像参数检测模型的参数的梯度进行反向传播,从而对图像参数检测模型进行训练。
在一种可能的实施方式中,可以对样本集中的每个样本图像都进行上述操作,当满足预设的收敛条件时,确定该图像参数检测模型训练完成。
其中,满足预设的收敛条件可以为样本集中的样本图像通过该原始图像参数检测模型,被正确识别的样本图像的个数大于设定数量,或对图像参数检测模型进行训练的迭代次数达到设置的最大迭代次数,或根据噪声值对应的损失值、清晰度值对应的损失值以及异常曝光值对应的损失值,确定的图像参数检测模型对应的损失值达到设置的最小值等。具体实施中可以灵活进行设置,在此不做具体限定。
在一种可能的实施方式中,在进行原始图像参数检测模型训练时,可以把样本集中的样本图像分为训练样本图像和测试样本图像,先基于训练样本图像对原始目标检测模型进行训练,再基于测试样本图像对上述已训练的图像参数检测模型的可靠程度进行验证。
实施例8:
为了准确确定子图像的人体评估参数,在上述各实施例的基础上,在本发明实施例中,所述根据所述人体完整程度评估值、尺寸占比评估值和图像参数质量评估值,确定所述子图像的人体评估参数包括:
根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定所述子图像的人体评估参数。
为了准确确定子图像的人体评估参数,在一种可能的实施方式中,可以分别对人体完整程度评估值预设对应的第三权重值,为图像参数质量评估值预设对应的第四权重值,并为尺寸占比评估值预设对应的第五权重值。其中,第三权重值、第四权重值和第五权重值为不大于1的正数。第三权重值、第四权重值和第五权重值可以相同,也可以不同,可以根据需求,灵活设置。具体的,第三权重值、第四权重值和第五权重值的和为1。
确定了人体完整程度评估值、图像参数质量评估值以及尺寸占比评估值后,为了准确确定子图像的人体评估参数,可以根据人体完整程度评估值与对应的预设第三权重值,确定第一子评估值。为方便描述,第三权重值用α表示,人体完整程度评估值用S1表示,则第一子评估值为αS1。
可以根据图像参数质量评估值与对应的预设第四权重值,确定第二子评估值。为方便描述,第四权重值用β表示,图像参数质量评估值用SQ表示,则第二子评估值为βSQ。
可以根据尺寸占比评估值与对应的预设第五权重值,确定第三子评估值。为方便描述,第五权重值用1-α-β表示,尺寸占比评估值用S2表示,则第三子评估值为(1-α-β)S2。
确定第一子评估值、第二子评估值以及第三子评估值后,可以将第一子评估值、第二子评估值以及第三子评估值的和,确定为该子图像的人体评估参数。为方便描述,人体评估参数用SH表示,则SH=αS1+βSQ+(1-α-β)S2。
在本发明实施例中,可以基于人体完整程度评估值、图像参数质量评估值以及尺寸占比评估值,综合确定目标人体对应的子图像的人体评估参数,进而确定目标人体对应子图像的图像质量。相比只用人体完整程度评估值或者图像参数质量评估值或者尺寸占比评估值,确定子图像的人体评估参数来说,可以提高图像质量评估的准确性。
下面通过一个具体实施例对本发明实施例提供的图像质量评估过程进行详细描述。图4为本发明实施例提供的另一种图像质量评估过程示意图,如图4所示:
S401:获取待评估的图像,并确定所述图像中目标人体对应的子图像。
S402:根据预设的人体的每个第二关键点信息对应的第一权重值,确定第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算每个第二权重值与对应的第三数量的乘积的第一和值。根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值。根据第一和值与第二和值的比值,确定子图像的人体完整程度评估值。
S403:分别确定目标人体对应的子图像的第一图像尺寸以及待评估的图像的第二图像尺寸,根据第一图像尺寸与第二图像尺寸的比值,确定目标人体对应的子图像的尺寸占比评估值。
S404:将目标人体对应的子图像输入预先训练完成的图像参数检测模型,基于图像参数检测模型,确定该子图像的噪声值、清晰度值以及异常曝光值。
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间。
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
S405:根据人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;根据第一子评估值、第二子评估值、第三子评估值,确定子图像的人体评估参数。
实施例7:
图5为本发明实施例提供的一种图像质量评估装置示意图,如图5所示,在上述各实施例的基础上,本发明实施例提供的一种图像质量评估装置,所述装置包括:
获取模块51,用于获取待评估的图像,并确定所述图像中目标人体对应的子图像;
第一确定模块52,用于确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
第二确定模块53,根据所述人体评估参数,确定所述子图像的图像质量。
在一种可能的实施方式中,所述第一确定模块52,还用于所述根据所述第一关键点信息,确定该子图像的人体评估参数之前,确定所述子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
在一种可能的实施方式中,所述第一确定模块52,具体用于确定所述第一关键点信息的第一数量,根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
在一种可能的实施方式中,所述第一确定模块52,具体用于根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
在一种可能的实施方式中,所述第一确定模块52,具体用于分别确定该子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
在一种可能的实施方式中,所述第一确定模块52,具体用于所述确定所述子图像的图像参数质量评估值包括:
将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定该子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
在一种可能的实施方式中,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
在一种可能的实施方式中,所述第一确定模块52,具体用于根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定该子图像的人体评估参数。
由于本发明实施例可以在待评估的图像中确定目标人体对应的子图像,并确定该子图像中目标人体的第一关键点信息,进而可以根据目标人体的第一关键点信息,确定该子图像的人体评估参数,进而确定出子图像的图像质量。目标人体的第一关键点信息能够体现目标人体被遮挡的情况,从而可以避免目标人体被遮挡时图像质量评估出现错误的问题,因此本发明实施例图像质量评估方法的准确性较好。
实施例8:
图6为本发明实施例提供的一种电子设备结构示意图,在上述各实施例的基础上,本发明实施例还提供了一种电子设备,如图6所示,包括:处理器61、通信接口62、存储器63和通信总线64,其中,处理器61,通信接口62,存储器63通过通信总线64完成相互间的通信;
所述存储器63中存储有计算机程序,当所述程序被所述处理器61执行时,使得所述处理器61执行如下步骤:
获取待评估的图像,并确定所述图像中目标人体对应的子图像;
确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
根据所述人体评估参数,确定所述子图像的图像质量。
在一种可能的实施方式中,处理器61,还用于所述根据所述第一关键点信息,确定所述子图像的人体评估参数之前,确定该子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
在一种可能的实施方式中,处理器61,具体用于确定所述第一关键点信息的第一数量,根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
在一种可能的实施方式中,处理器61,具体用于根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;
根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;
根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
在一种可能的实施方式中,处理器61,具体用于分别确定所述子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
在一种可能的实施方式中,处理器61,具体用于将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定所述子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
在一种可能的实施方式中,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
在一种可能的实施方式中,处理器61,具体用于根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定所述子图像的人体评估参数。
由于上述电子设备解决问题的原理与图像质量评估方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口62用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
由于本发明实施例可以在待评估的图像中确定目标人体对应的子图像,并确定该子图像中目标人体的第一关键点信息,进而可以根据目标人体的第一关键点信息,确定该子图像的人体评估参数,进而确定出子图像的图像质量。目标人体的第一关键点信息能够体现目标人体被遮挡的情况,从而可以避免目标人体被遮挡时图像质量评估出现错误的问题,因此本发明实施例图像质量评估方法的准确性较好。
实施例9:
在上述各实施例的基础上,本发明实施例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内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
获取待评估的图像,并确定所述图像中目标人体对应的子图像;
确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
根据所述人体评估参数,确定所述子图像的图像质量。
在一种可能的实施方式中,所述根据所述第一关键点信息,确定所述子图像的人体评估参数之前,所述方法还包括:
确定所述子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;
所述根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
在一种可能的实施方式中,根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
确定所述第一关键点信息的第一数量,根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
在一种可能的实施方式中,所述根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值包括:
根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;
根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;
根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
在一种可能的实施方式中,确定所述子图像的尺寸占比评估值包括:
分别确定所述子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
在一种可能的实施方式中,所述确定所述子图像的图像参数质量评估值包括:
将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定所述子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
在一种可能的实施方式中,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
在一种可能的实施方式中,所述根据所述人体完整程度评估值、尺寸占比评估值和图像参数质量评估值,确定所述子图像的人体评估参数包括:
根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定所述子图像的人体评估参数。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
由于本发明实施例可以在待评估的图像中确定目标人体对应的子图像,并确定该子图像中目标人体的第一关键点信息,进而可以根据目标人体的第一关键点信息,确定该子图像的人体评估参数,进而确定出子图像的图像质量。目标人体的第一关键点信息能够体现目标人体被遮挡的情况,从而可以避免目标人体被遮挡时图像质量评估出现错误的问题,因此本发明实施例图像质量评估方法的准确性较好。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请的方法、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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种图像质量评估方法,其特征在于,所述方法包括:
获取待评估的图像,并确定所述图像中目标人体对应的子图像;
确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
根据所述人体评估参数,确定所述子图像的图像质量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一关键点信息,确定所述子图像的人体评估参数之前,所述方法还包括:
确定所述子图像的图像参数信息评估值,其中,所述图像参数信息评估值包括尺寸占比评估值和/或图像参数质量评估值;
所述根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
根据所述第一关键点信息以及所述图像参数信息评估值,确定所述子图像的人体评估参数。
3.根据权利要求1或2所述的方法,其特征在于,根据所述第一关键点信息,确定所述子图像的人体评估参数包括:
确定所述第一关键点信息的第一数量,根据所述第一数量与预设的目标人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值,根据所述人体完整程度评估值,确定所述子图像的人体评估参数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一数量与预设的人体的第二关键点信息的第二数量的比值,确定所述子图像的人体完整程度评估值包括:
根据预设的人体的每个第二关键点信息对应的第一权重值,确定所述第一数量的第一关键点信息分别对应的第二权重值,确定每个第二权重值对应的第一关键点信息的第三数量,并计算所述每个第二权重值与对应的第三数量的乘积的第一和值;
根据每个第一权重值对应的第二关键点信息的第四数量,计算所述每个第一权重值与对应的第四数量的乘积的第二和值;
根据所述第一和值与所述第二和值的比值,确定所述子图像的人体完整程度评估值。
5.根据权利要求2所述的方法,其特征在于,确定所述子图像的尺寸占比评估值包括:
分别确定所述子图像的第一图像尺寸以及所述待评估的图像的第二图像尺寸,根据所述第一图像尺寸与所述第二图像尺寸的比值,确定所述子图像的尺寸占比评估值。
6.根据权利要求2所述的方法,其特征在于,所述确定所述子图像的图像参数质量评估值包括:
将所述子图像输入预先训练完成的图像参数检测模型,基于所述图像参数检测模型,确定所述子图像的噪声值、清晰度值以及异常曝光值;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间,确定所述噪声值、清晰度值以及异常曝光值分别所属的目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间;
根据预设的每个噪声值阈值区间、清晰度阈值区间和异常曝光值阈值区间构成的区间组对应的候选图像参数质量评估值,确定所述目标噪声值阈值区间、目标清晰度阈值区间和目标异常曝光值阈值区间构成的区间组对应的图像参数质量评估值。
7.根据权利要求6所述的方法,其特征在于,训练所述图像参数检测模型的过程包括:
获取样本集中任一样本图像,所述样本图像对应有样本噪声值、样本清晰度值以及样本异常曝光值;
通过原始图像参数检测模型,确定所述样本图像的识别噪声值、识别清晰度值以及识别异常曝光值;
根据所述样本噪声值和所述识别噪声值、所述样本清晰度值和所述识别清晰度值、所述样本异常曝光值和所述识别异常曝光值,对原始图像参数检测模型进行训练,得到训练完成的图像参数检测模型。
8.根据权利要求4所述的方法,其特征在于,所述根据所述人体完整程度评估值、尺寸占比评估值和图像参数质量评估值,确定所述子图像的人体评估参数包括:
根据所述人体完整程度评估值与对应的预设第三权重值,确定第一子评估值;根据所述图像参数质量评估值与对应的预设第四权重值,确定第二子评估值;根据所述尺寸占比评估值与对应的预设第五权重值,确定第三子评估值;
根据所述第一子评估值、第二子评估值、第三子评估值,确定所述子图像的人体评估参数。
9.一种图像质量评估装置,其特征在于,所述装置包括:
获取模块,用于获取待评估的图像,并确定所述图像中目标人体对应的子图像;
第一确定模块,用于确定所述子图像中所述目标人体的第一关键点信息,根据所述第一关键点信息,确定所述子图像的人体评估参数;
第二确定模块,根据所述人体评估参数,确定所述子图像的图像质量。
10.一种电子设备,其特征在于,所述电子设备至少包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8中任一所述图像质量评估方法的步骤。
11.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述图像质量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010640083.6A CN111915567A (zh) | 2020-07-06 | 2020-07-06 | 一种图像质量评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010640083.6A CN111915567A (zh) | 2020-07-06 | 2020-07-06 | 一种图像质量评估方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915567A true CN111915567A (zh) | 2020-11-10 |
Family
ID=73227410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010640083.6A Pending CN111915567A (zh) | 2020-07-06 | 2020-07-06 | 一种图像质量评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915567A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420629A (zh) * | 2021-06-17 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN113643260A (zh) * | 2021-08-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 用于检测图像质量的方法、装置、设备、介质和产品 |
CN114220111A (zh) * | 2021-12-22 | 2022-03-22 | 深圳市伊登软件有限公司 | 基于云平台的图文批量识别方法及系统 |
CN114299037A (zh) * | 2021-12-30 | 2022-04-08 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
CN115830028A (zh) * | 2023-02-20 | 2023-03-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像评价方法、设备、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130308010A1 (en) * | 2012-05-18 | 2013-11-21 | Canon Kabushiki Kaisha | Image capturing apparatus and exposure control method |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 人脸识别方法和装置 |
CN109003318A (zh) * | 2018-08-09 | 2018-12-14 | 北京深瞐科技有限公司 | 一种视频处理方法、装置及存储介质 |
CN109447006A (zh) * | 2018-11-01 | 2019-03-08 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110147744A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种人脸图像质量评估方法、装置及终端 |
CN110852162A (zh) * | 2019-09-29 | 2020-02-28 | 深圳云天励飞技术有限公司 | 一种人体完整度数据标注方法、装置及终端设备 |
-
2020
- 2020-07-06 CN CN202010640083.6A patent/CN111915567A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130308010A1 (en) * | 2012-05-18 | 2013-11-21 | Canon Kabushiki Kaisha | Image capturing apparatus and exposure control method |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 人脸识别方法和装置 |
CN109003318A (zh) * | 2018-08-09 | 2018-12-14 | 北京深瞐科技有限公司 | 一种视频处理方法、装置及存储介质 |
CN109447006A (zh) * | 2018-11-01 | 2019-03-08 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110147744A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种人脸图像质量评估方法、装置及终端 |
CN110852162A (zh) * | 2019-09-29 | 2020-02-28 | 深圳云天励飞技术有限公司 | 一种人体完整度数据标注方法、装置及终端设备 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420629A (zh) * | 2021-06-17 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN113643260A (zh) * | 2021-08-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 用于检测图像质量的方法、装置、设备、介质和产品 |
CN114220111A (zh) * | 2021-12-22 | 2022-03-22 | 深圳市伊登软件有限公司 | 基于云平台的图文批量识别方法及系统 |
CN114220111B (zh) * | 2021-12-22 | 2022-09-16 | 深圳市伊登软件有限公司 | 基于云平台的图文批量识别方法及系统 |
CN114299037A (zh) * | 2021-12-30 | 2022-04-08 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
CN114299037B (zh) * | 2021-12-30 | 2023-09-01 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
CN115830028A (zh) * | 2023-02-20 | 2023-03-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像评价方法、设备、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915567A (zh) | 一种图像质量评估方法、装置、设备及介质 | |
CN110826519B (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
CN109166156B (zh) | 一种摄像头标定图像的生成方法、移动终端及存储介质 | |
CN110232326B (zh) | 一种三维物体识别方法、装置及存储介质 | |
CN112927279A (zh) | 一种图像深度信息生成方法、设备及存储介质 | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN111027412B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN110910322B (zh) | 图片处理方法、装置、电子设备及计算机可读存储介质 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
CN113591823B (zh) | 深度预测模型的训练及人脸深度图像的生成方法、装置 | |
CN114494347A (zh) | 一种单摄像头多模式视线追踪方法和装置、电子设备 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN110401488B (zh) | 一种解调方法及装置 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
JP2012123631A (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
CN109858319A (zh) | 图像处理设备及控制方法和非暂时性计算机可读存储介质 | |
CN111583159B (zh) | 一种图像补全方法、装置及电子设备 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN110633630B (zh) | 一种行为识别方法、装置及终端设备 | |
CN112328822A (zh) | 图片预标注方法、装置及终端设备 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
CN115829975A (zh) | 掌静脉图像质量检测方法、系统、介质及电子设备 | |
CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
CN114463345A (zh) | 基于动态自适应网络的多参数乳腺磁共振图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |