CN111931671A - 一种用于煤矿井下逆光环境中光照补偿的人脸识别方法 - Google Patents
一种用于煤矿井下逆光环境中光照补偿的人脸识别方法 Download PDFInfo
- Publication number
- CN111931671A CN111931671A CN202010825011.9A CN202010825011A CN111931671A CN 111931671 A CN111931671 A CN 111931671A CN 202010825011 A CN202010825011 A CN 202010825011A CN 111931671 A CN111931671 A CN 111931671A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- picture
- face recognition
- coal mine
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000003245 coal Substances 0.000 title claims abstract description 16
- 230000002411 adverse Effects 0.000 title claims description 4
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,包括:图片预处理:通过摄像头拍摄到照片,对照片进行图片预处理;人脸检测:采用HOG人脸检测,将RGB图像转换为灰度图,从该灰度图像中依次取出小的特定矩形图像形成特定矩形区域,将该矩形区域输入训练好的检测模型中判断是否为人脸;人脸识别:将通过人脸检测获取到的人脸图像,输入到由卷积神经网络构建的编码网络,对人脸图像进行编码后,与模型编码库中所有编码比对,找出最相近的编码,从而实现人脸识别。本发明针对于煤矿矿井的特殊作业环境,开发的抗强逆光/背光干扰的人脸识别技术;实现了矿井拍照曝光不佳情况下,实时准确的人脸识别。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种用于煤矿井下逆光环境中光照补偿的人脸识别方法。
背景技术
煤矿矿井由于光照不佳,导致拍摄的照片容易出现照片太暗、曝光不均匀、背景掩盖人脸等情况,使得人脸识别在非均光照下识别率较低而误判率较高,因此研究一种有效的非均匀光照环境下人脸图像的光照处理方法是一个值得研究和探索的课题。目前,国内外学者在针对低照度非均匀光照环境下人脸图像的光照处理中已取得不少成果。主要分为两大类:采用图像增强方法和重新构造光源模型,重新构造光源模型需要大量处于不同光照环境下的图像,数据量大,计算复杂,使用范围受到一定程度的限制。对于图像增强的方法,从初期的空域变换方法到频域、梯度域方法,再到不同颜色空间的彩色图像光照处理方法。能够提升图像的整体亮度,恢复阴影区域的细节信息,但仍然存在一定的不足:1)涉及的参数很多,不易选取,如果参数选取不当,效果会不理想;2)对比度不强,丢失了一些纹理细节信息,阴影边缘不能完全消除。
发明内容
本发明的目的在于:针对于煤矿矿井的特殊作业环境,开发的抗强逆光/背光干扰的人脸识别技术;实现了矿井拍照曝光不佳情况下,实时准确的人脸识别。
为了实现上述目的,本发明提供了一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,包括:
图片预处理:通过摄像头拍摄到照片,对照片进行图片预处理;
人脸检测:采用HOG人脸检测,将RGB图像转换为灰度图,从该灰度图像中依次取出小的特定矩形图像形成特定矩形区域,将该矩形区域输入训练好的检测模型中判断是否为人脸;
人脸识别:将通过人脸检测获取到的人脸图像,输入到由卷积神经网络构建的编码网络,对人脸图像进行编码后,与模型编码库中所有编码比对,找出最相近的编码,从而实现人脸识别。
作为上述技术方案的进一步改进,所述图片预处理包括以下步骤:
S101:提高照片的曝光度的同时,提高照片像素间的对比度,增强照片亮度和清晰度;
S102:利用图像直方图对照片像素间对进行调整,从而实现提高照片清晰度的效果;
S103:利用限制对比度自适应直方图均衡化算法通过计算图像的局部直方图,然后重新分布亮度来来改变图像对比度,在最大程度保存图像信息的情况下,提高图像清晰度及亮度。
作为上述技术方案的进一步改进,所述S101中将照片像素值加上特定常数提高亮度,将像素值都乘以特定常数提高对比度,采用运算公式为:
g(x,y)=αf(x,y)+β
其中:g(x,y)为照片处理后的像素值,f(x,y)为照片处理前的像素值,α和β为常数。
作为上述技术方案的进一步改进,经过所述步骤S101-S103后,进行人脸识别,在检测到人脸位置后,将人脸图像取出,再次进行步骤S101-S103的图片预处理。
作为上述技术方案的进一步改进,对所述特定矩形图像的每一个点分别沿x轴和y轴方向求梯度,求得梯度和斜度,使梯度和斜度分别对应一个二维矩阵,由这两个矩阵的对应关系构建一个9维向量,将这个9维向量输入到训练好的检测模型中,由模型判断该矩形区域是否是人脸,采用运算公式为:
其中:g为总梯度,θ为总斜度,gx为x轴的梯度,gy为y轴的梯度。
作为上述技术方案的进一步改进,当HOG人脸检测无法检测到人脸区域时,启动MTCNN人脸检测,对照片从粗粒度到细粒度级联三层依次检测,去除照片噪音。
作为上述技术方案的进一步改进,所述MTCNN人脸检测的三层检测包括以下三层:
P-Net:通过一个FCN进行初步特征提取与标定边框,并进行Bounding-BoxRegression调整窗口与NMS进行大部分窗口的过滤;
R-Net:增加了一个全连接层,将照片经过P-Net后留下预测窗口送入R-Net,滤除大量效果比较差的候选框,最后对选定的候选框进行Bounding-Box Regression和NMS进一步优化预测结果;
O-Net:通过监督来识别面部的区域,对人的面部特征点进行回归,最终输出五个人脸面部特征点。
作为上述技术方案的进一步改进,所述人脸识别采用深层深度学习网络对人脸图像进行编码,采用triplot loss训练框架进行训练,该编码网络的训练采用三单元样本的triplot loss进行训练学习,其loss函数如下:
作为上述技术方案的进一步改进,所述编码网络将输入的人脸信息最终编码为一个128维的向量。
本发明的有益效果:针对煤矿矿井的特殊作业环境,照片太暗、曝光不均匀、背景掩盖人脸等情况,通过提高照片的曝光度的同时,提高照片内像素间的对比度,以此增强照片亮度和清晰度,再通过直方图均衡和限制对比度自适应直方图均衡化,提高图像清晰度及亮度,然后进行人脸检测,采用深层深度学习网络对人脸图像进行编码,明显提升人脸识别率,将通过人脸检测获取到的人脸图像,输入到由卷积神经网络构建的编码网络,对人脸图像进行编码后,与模型编码库中所有编码比对,找出最相近的编码,从而实现人脸识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员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设计方案和附图。
图1是本发明实施例图片预处理的方法流程图;
图2是本发明实施例人脸检测及人脸识别的流程图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但是本发明不局限于这些实施例。
参照图1、图2,一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,包括:
S100:通过摄像头拍摄到照片;
S101:提高照片的曝光度的同时,提高照片像素间的对比度,增强照片亮度和清晰度,像素值都加上特定常数提高亮度,将像素值都乘以特定常数以提高对比度;经此处理后,图像将成为整体变亮轮廓清晰的照片,采用的运算公式为:
g(x,y)=αf(x,y)+β,
其中:g(x,y)为照片处理后的像素值,f(x,y)为照片处理前的像素值,α和β为常数;
S102:依次对R、G、B每一层分别进行直方图均衡,处理后再拼接成原来照片的数字矩阵,利用图像直方图对照片像素间对进行调整,亮度可以更好地在直方图上分布,用于增强局部的对比度而不影响整体的对比度;
S103:利用限制对比度自适应直方图均衡化算法通过计算图像的局部直方图,然后重新分布亮度来来改变图像对比度,在最大程度保存图像信息的情况下,提高图像清晰度及亮度;
S201:摄像机拍摄的原始图片依次经过上述图片预处理后,采用HOG人脸检测,将RGB图像转换为灰度图,从该灰度图像中依次取出小的特定矩形图像;
S202:对图像上的每一个点分别沿x和y轴方向求梯度,然后由此求得总梯度和斜度,公式如下:
其中:g为总梯度,θ为总斜度,gx为x轴的梯度,gy为y轴的梯度。
这样g和θ分别对应一个二维矩阵,由这两个矩阵的对应关系构建一个9维向量,将这个9维向量输入到训练好的检测模型中,由模型判断该矩形区域是否是人脸,如果是,返回矩形框位置信息进行S204的步骤,如果不是,进行S203的步骤;
S203:如果用HOG无法检测到人脸区域,采用了MTCNN人脸检测的方式对图片从粗粒度到细粒度级联三层依次检测,可有效去除照片噪音,实现人脸精准检测,MTCNN人脸检测的三层检测包括以下三层:
P-Net:通过一个FCN进行初步特征提取与标定边框,并进行Bounding-BoxRegression调整窗口与NMS进行大部分窗口的过滤;
R-Net:增加了一个全连接层,将照片经过P-Net后留下预测窗口送入R-Net,滤除大量效果比较差的候选框,最后对选定的候选框进行Bounding-Box Regression和NMS进一步优化预测结果;
O-Net:通过监督来识别面部的区域,对人的面部特征点进行回归,最终输出五个人脸面部特征点。
S204:在检测到人脸位置后,将人脸图像取出,再独立进行S101-S103步骤图片预处理,使得人脸信息更为清晰可辨,通过如此两次连续的图像预处理后,可以有效的大幅提高照片的清晰度,提高模型的人脸识别度。
S301:检测到人脸识别采用深层深度学习网络对人脸图像进行编码,采用triplotloss训练框架进行训练,有效屏蔽矿井下人脸图像中的强噪音,明显提升人脸识别率。将通过人脸检测获取到的人脸图像,输入到由卷积神经网络构建的编码网络,对人脸图像进行编码后,与模型编码库中所有编码比对,找出最相近的编码,从而实现人脸识别。该网络的训练采用三单元样本的triplot loss进行训练学习,其loss函数如下:
编码网络将输入的人脸信息最终编码为一个128维的向量,以此代表人脸信息。
深度卷积编码网络结构如下:
Conv2d_1a_3×3
Conv2d_2a_3×3
Conv2d_2b_3×3
Ma×Pool_3a_3×3
Conv2d_3b_1×1
Conv2d_4a_3×3
Ma×Pool_5a_3×3
Mi×ed_5b
Mi×ed_5c
Mi×ed_5d
Mi×ed_6a
Mi×ed_6b
Mi×ed_6c
Mi×ed_6d
Mi×ed_6e
Mi×ed_7a
Mi×ed_7b
Mi×ed_7c
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构变换,或直接或间接运用附属在其他相关产品的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在于,包括:
图片预处理:通过摄像头拍摄到照片,对照片进行图片预处理;
人脸检测:采用HOG人脸检测,将RGB图像转换为灰度图,从该灰度图像中依次取出小的特定矩形图像形成特定矩形区域,将该矩形区域输入训练好的检测模型中判断是否为人脸;
人脸识别:将通过人脸检测获取到的人脸图像,输入到由卷积神经网络构建的编码网络,对人脸图像进行编码后,与模型编码库中所有编码比对,找出最相近的编码,从而实现人脸识别。
2.根据权利要求1所述的一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在于,所述图片预处理包括以下步骤:
S101:提高照片的曝光度的同时,提高照片像素间的对比度,增强照片亮度和清晰度;
S102:利用图像直方图对照片像素间对进行调整,从而实现提高照片清晰度的效果;
S103:利用限制对比度自适应直方图均衡化算法通过计算图像的局部直方图,然后重新分布亮度来改变图像对比度,在最大程度保存图像信息的情况下,提高图像清晰度及亮度。
3.根据权利要求2所述的一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在,所述S101中将照片像素值加上特定常数提高亮度,将像素值都乘以特定常数提高对比度,采用运算公式为:
g(x,y)=αf(x,y)+β
其中:g(x,y)为照片处理后的像素值,f(x,y)为照片处理前的像素值,α和β为常数。
4.根据权利要求2所述的一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在于,经过所述步骤S101-S103后,进行人脸识别,在检测到人脸位置后,将人脸图像取出,再次进行步骤S101-S103的图片预处理。
6.根据权利要求1所述的一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在于,当HOG人脸检测无法检测到人脸区域时,启动MTCNN人脸检测,对照片从粗粒度到细粒度级联三层依次检测,去除照片噪音。
7.根据权利要求6所述的一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在于,所述MTCNN人脸检测的三层检测包括以下三层:
P-Net:通过一个FCN进行初步特征提取与标定边框,并进行Bounding-Box Regression调整窗口与NMS进行大部分窗口的过滤;
R-Net:增加了一个全连接层,将照片经过P-Net后留下预测窗口送入R-Net,滤除大量效果比较差的候选框,最后对选定的候选框进行Bounding-Box Regression和NMS进一步优化预测结果;
O-Net:通过监督来识别面部的区域,对人的面部特征点进行回归,最终输出五个人脸面部特征点。
9.根据权利要求6所述的一种用于煤矿井下逆光环境中光照补偿的人脸识别方法,其特征在于,所述编码网络将输入的人脸信息最终编码为一个128维的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825011.9A CN111931671A (zh) | 2020-08-17 | 2020-08-17 | 一种用于煤矿井下逆光环境中光照补偿的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825011.9A CN111931671A (zh) | 2020-08-17 | 2020-08-17 | 一种用于煤矿井下逆光环境中光照补偿的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931671A true CN111931671A (zh) | 2020-11-13 |
Family
ID=73311780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010825011.9A Pending CN111931671A (zh) | 2020-08-17 | 2020-08-17 | 一种用于煤矿井下逆光环境中光照补偿的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931671A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487904A (zh) * | 2020-11-23 | 2021-03-12 | 成都尽知致远科技有限公司 | 一种基于大数据分析的视频图像处理方法及系统 |
CN112866581A (zh) * | 2021-01-18 | 2021-05-28 | 盛视科技股份有限公司 | 摄像头自动曝光补偿方法、装置及电子设备 |
CN117057371A (zh) * | 2023-08-26 | 2023-11-14 | 泓浒(苏州)半导体科技有限公司 | 一种基于ai识别算法的自适应晶圆读码方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440478A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于hog特征的人脸检测方法 |
CN104156921A (zh) * | 2014-08-08 | 2014-11-19 | 大连理工大学 | 一种低照度或亮度不均图像的自适应图像增强方法 |
CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼(湖南)科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
CN106446872A (zh) * | 2016-11-07 | 2017-02-22 | 湖南源信光电科技有限公司 | 一种低照度下的视频人脸检测识别方法 |
CN108875645A (zh) * | 2018-06-22 | 2018-11-23 | 中国矿业大学(北京) | 一种煤矿井下复杂光照条件下的人脸识别方法 |
CN110569809A (zh) * | 2019-09-11 | 2019-12-13 | 淄博矿业集团有限责任公司 | 一种基于深度学习的煤矿动态人脸识别考勤方法及系统 |
-
2020
- 2020-08-17 CN CN202010825011.9A patent/CN111931671A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440478A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于hog特征的人脸检测方法 |
CN104156921A (zh) * | 2014-08-08 | 2014-11-19 | 大连理工大学 | 一种低照度或亮度不均图像的自适应图像增强方法 |
CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼(湖南)科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
CN106446872A (zh) * | 2016-11-07 | 2017-02-22 | 湖南源信光电科技有限公司 | 一种低照度下的视频人脸检测识别方法 |
CN108875645A (zh) * | 2018-06-22 | 2018-11-23 | 中国矿业大学(北京) | 一种煤矿井下复杂光照条件下的人脸识别方法 |
CN110569809A (zh) * | 2019-09-11 | 2019-12-13 | 淄博矿业集团有限责任公司 | 一种基于深度学习的煤矿动态人脸识别考勤方法及系统 |
Non-Patent Citations (1)
Title |
---|
张巧月 等: ""智慧园区建设探索与应用实践"", 《信息通信技术与政策》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487904A (zh) * | 2020-11-23 | 2021-03-12 | 成都尽知致远科技有限公司 | 一种基于大数据分析的视频图像处理方法及系统 |
CN112866581A (zh) * | 2021-01-18 | 2021-05-28 | 盛视科技股份有限公司 | 摄像头自动曝光补偿方法、装置及电子设备 |
CN117057371A (zh) * | 2023-08-26 | 2023-11-14 | 泓浒(苏州)半导体科技有限公司 | 一种基于ai识别算法的自适应晶圆读码方法 |
CN117057371B (zh) * | 2023-08-26 | 2024-02-20 | 泓浒(苏州)半导体科技有限公司 | 一种基于ai识别算法的自适应晶圆读码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Auto color correction of underwater images utilizing depth information | |
CN111931671A (zh) | 一种用于煤矿井下逆光环境中光照补偿的人脸识别方法 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
Xia et al. | Invertible grayscale | |
Zheng et al. | Single image cloud removal using U-Net and generative adversarial networks | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
Rashid et al. | Single image dehazing using CNN | |
CN113378775B (zh) | 一种基于深度学习的视频阴影检测与消除方法 | |
US20230053317A1 (en) | Deep palette prediction | |
CN110324617A (zh) | 图像处理方法及装置 | |
Zhang et al. | Hierarchical attention aggregation with multi-resolution feature learning for GAN-based underwater image enhancement | |
CN115396669A (zh) | 一种基于兴趣区域增强的视频压缩方法及装置 | |
CN116309116A (zh) | 一种基于raw图像的低弱光图像增强方法与装置 | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
Jia et al. | Neighbor correspondence matching for flow-based video frame synthesis | |
CN117351340A (zh) | 基于双颜色空间的水下图像增强算法 | |
Bhattacharya et al. | D2bgan: A dark to bright image conversion model for quality enhancement and analysis tasks without paired supervision | |
WO2023110880A1 (en) | Image processing methods and systems for low-light image enhancement using machine learning models | |
CN115829868A (zh) | 基于光照与噪声残差图的水下暗光图像增强方法 | |
CN113643202B (zh) | 一种基于噪声注意力图指导的微光图像增强方法 | |
CN115170415A (zh) | 一种低光照图像增强方法、系统及可读存储介质 | |
Wang et al. | Underwater image quality optimization: Researches, challenges, and future trends | |
Brummer et al. | On the importance of denoising when learning to compress images | |
Li et al. | Multi-scale fusion framework via retinex and transmittance optimization for underwater image enhancement | |
Fang et al. | Priors guided extreme underwater image compression for machine vision and human vision |
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: 20201113 |
|
RJ01 | Rejection of invention patent application after publication |