CN112200010A - 一种社区监控场景下的人脸采集质量评估策略 - Google Patents
一种社区监控场景下的人脸采集质量评估策略 Download PDFInfo
- Publication number
- CN112200010A CN112200010A CN202010967201.4A CN202010967201A CN112200010A CN 112200010 A CN112200010 A CN 112200010A CN 202010967201 A CN202010967201 A CN 202010967201A CN 112200010 A CN112200010 A CN 112200010A
- Authority
- CN
- China
- Prior art keywords
- face
- quality
- image
- quality evaluation
- training
- 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 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000005286 illumination Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 241001156002 Anthonomus pomorum Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000000697 sensory organ Anatomy 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model 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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸检测、深度学习技术领域,具体公开了一种社区监控场景下的人脸采集质量评估策略,包括以下步骤:通过社区多个摄像头收集无约束的行人图像集;利用人脸数据库wider face将目标检测网络Fast R‑CNN网络训练成人脸检测模型检测行人图像中人脸的位置,并进行裁剪;通过传统的图像处理方法对裁剪后的人脸图像从光照度、清晰度两方面进行计算图像质量并采用人工筛选的方式筛选出高、低质量图像制作人脸图像数据集;得到的数据集用以人脸质量评估网络模型FQA‑Net参数的训练等。本发明通过采集无约束的数据集提高了对图像质量评估策略的实用性与适用性,在社区环境下设计的网络模型识别高质量图像的准确度在95%左右,极大的提高了模型的运算效率。
Description
技术领域
本发明涉及人脸检测、深度学习技术领域,特别涉及一种社区监控场景下的人脸采集质量评估策略。
背景技术
近几年来,随着机器学习、深度学习的快速发展,带动了各个领域在实现技术上发生变革。模式识别技术应用于商业、军事、农业等各大领域,是研究的热点,而人脸识别作为模式识别领域的重要课题,同时也是一个非常受关注的研究方向,具有很强的应用价值和研究意义。目前人脸识别的技术取得了很大的进步,但是在实际应用中由于光照、姿态、图像像素低等不利因素的影响,对人脸识别的准确率大打折扣。虽然很多人脸识别方法从鲁棒性的角度来增强人脸识别的准确率,但是相同的识别算法在高质量图像的识别率往往比低质量图像高的多。而解决此问题的方法之一就是对人脸源图像进行质量评估,从而筛选出高质量的图像用作后续的识别。
卷积神经网络CNN具有很强的特征学习能力,通过端到端的训练,逐层得到由简单到复杂抽象的特征,在检测、识别、跟踪等各个应用上都取得了可观的成效。利用卷积神经网络对人脸图像质量进行评估是近几年来研究的热点,人脸图像质量的影响因素有很多,总的分为客观因素和主观因素,客观因素比如:光照非均匀、光照非对称、图像背景复杂、设备像素不高等,主观因素比如:人物表情变化、面部部位遮挡、姿态变化等,人脸图像的评价标准有:对称度、对比度、清晰度、有效区域面积等。有研究人员提出利用网络提取人脸图像特征,再用稀疏字典学习选择有效的特征,最后用SVR回归预测人脸图像的分数。此方法在实验效果上能够挑选出质量较高的人脸图像,但是学习步骤较为繁琐,实用性不强。
行人作为社区监控场景下的主要目标之一,社区场景下的行人目标检测识别尤为重要,既起到了行人目标跟踪的目的又从安全的角度对社区起到了保障措施。为了提高社区环境下行人人脸识别的准确度,对人脸图像采集的质量评估有了明确的要求,如何挑选高质量人脸图像为后期提供优质是当前需要解决的一个重点问题。
发明内容
为了解决给社区监控场景下人脸识别提供优质图像源的问题,本发明的目的是提供一种社区监控场景下的人脸采集质量评估策略。采用社区环境下无约束的行人图像并进行Fast R-CNN人脸检测处理,进行裁剪后使用传统的图像计算方法制作人脸图像数据集,本发明设计了人脸质量评估网络FQA-Net模型,对实现数据集中高低质量图像进行分类,利用分类的概率值作为质量评估评分。该方法在评估效果上与其他网络并无差别,但是网络规模参数灵活,大大提高了模型的运行效率,为人脸识别减少了识别时间。
为了解决上述技术问题,本发明的技术方案是:
一种社区监控场景下的人脸采集质量评估策略,包括:采集行人原图像、人脸裁剪、传统方法筛选高低质量人脸、训练人脸质量评估模型、对待测人脸图像质量评分估计、图像GPU资源调度,还包括以下步骤:
步骤1:社区监控场景下获取视频流,解码得到行人图像;
步骤2:使用训练好的Fast R-CNN对行人图像进行人脸识别,并裁剪得到人脸数据集:
步骤3:利用传统的图像处理方法,分别计算人脸图像的光照均匀度、模糊度,再经过人工筛选的方式筛选出高、低质量的人脸图像;
步骤4:将筛选出的高、低质量的人脸图像输入人脸质量评估网络FQA-Net进行训练;
步骤5:利用训练好的FQA-Net网络模型对待评估人脸图像进行评估分类;
步骤6:通过FQA-Net网络中softmax层的分类概率值作为图像质量评估分数,实现社区场景下人脸采集质量评估策略;
步骤7:采用GPU调度策略进行GPU调度。
优选地,所述步骤1中获取监控区域下的视频流,包括:在社区各处安装高清摄像头或者视频采集装置,选择需要监测的区域,获取该区域下所有的视频流,对视频流进行解码处理分离出图像数据。
优选地,所述步骤2中本发明涉及Fast R-CNN人脸识别网络,其全称为:FastRegin Convolution Nerual Network,该网络模型在人脸检测作用是效果显著,利用外部人脸数据库wider face对其训练,训练过程:首先使用默认参数进行训练,根据训练中间结果,对初始权值、训练速率和迭代次数不断进行调整,直到所述网络以预设的效率达到预设的检测效果。
优选地,所述步骤3中,对人脸数据集进行处理。利用直方图分析图像照度均匀度、Brenner函数计算图像清晰度,然后将两种因素的得分归一化后加权计算图像总得分,用总得分进行粗分类;最后通过人工筛选的方式进行细分类,选取面目清晰、五官端正、呈对称分布,且光照均匀、无遮挡的图像为高质量人脸图像,选取模糊、侧脸、光照不均匀、遮挡的图像为低质量图像,由此得到高质量和低质量的人脸质量数据集。由此得到高质量和低质量的人脸质量数据集。
Brenner梯度函数:
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2
其中f(x,y)表示图像f对应像素点(x,y)的灰度值,D(f)为图像清晰度计算结果。
优选地,所述步骤4中:利用步骤3人脸质量数据集,对本发明设计的人脸质量评估网络FQA-Net进行有监督方式训练,高质量图像的label设为1,低质量的图像label设为0,根据实际效用,Conv层与Pool各有两层,两层全连接层,和一层softmax进行分类。训练过程:首先使用默认参数进行训练,根据训练中间结果,对初始权值、训练速率和迭代次数不断进行调整,直到所述网络以预设的效率达到预设的分类效果。
优选地,所述步骤6中:由于softmax的输出表示为输入图像的概率值分类,属于高质量一类的概率值越高,则高质量图像的可能性就越大。因此使用概率值作为作为输入图像的质量评分。由此实现社区监控场景下人脸质量评估策略。
优选地,所述步骤7中:实时监控GPU处理集群中的GPU使用情况,采取适当的调度策略对GPU进行实时调度。
采用上述技术方案,本发明提供的一种社区监控场景下的人脸采集质量评估策略,具有以下有益效果:
(1)本发明使用社区环境下无约束的行人图像,提高了人脸质量评估策略的实用性与适用性;
(2)使用传统的图像处理方法以及人工筛选的方式采集制作人脸数据集,虽然该方法比较繁琐,但数据集的质量对后续的人脸质量评估网络的准确度起着决定性的作用。
(3)本发明设计了人脸质量评估网络FQA-Net,在网络参数规模上与其他网络结构相比减少了60%,但是在效用上并无差别,大大提高了FQA-Net网络模型的训练效率。
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为本发明中社区监控场景下人脸质量评估策略的总体流程图;
图2为本发明中人脸质量评估网络FQA-Net结构图;
图3为本发明GPU处理器集群中的GPU资源调度策略图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,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。
如图1所示,本发明社区监控场景下的人脸采集质量评估策略,包括以下几个基本步骤:采集行人原图像、人脸裁剪、传统方法筛选高低质量人脸、训练人脸质量评估模型、对待测人脸图像质量评分估计、图像GPU资源调度。
下面对社区监控场景下的人脸采集质量评估策略进行详细说明:如图1所示:
步骤1:社区监控场景下获取视频流,解码得到行人图像;
步骤2:使用训练好的Fast R-CNN对行人图像进行人脸识别,并裁剪得到人脸数据集:
步骤3:利用传统的图像处理方法,分别计算人脸图像的光照均匀度、模糊度,再经过人工筛选的方式筛选出高、低质量的人脸图像;
步骤4:将筛选出的高、低质量的人脸图像输入人脸质量评估网络FQA-Net进行训练;
步骤5:利用训练好的FQA-Net网络模型对待评估人脸图像进行评估分类;
步骤6:通过FQA-Net网络中softmax层的分类概率值作为图像质量评估分数,实现社区场景下人脸采集质量评估策略。
步骤7:采用GPU调度策略进行GPU调度。
本发明通过社区多个摄像头收集无约束的行人图像集;利用人脸数据库widerface将目标检测网络Fast R-CNN网络训练成人脸检测模型检测行人图像中人脸的位置,并进行裁剪;通过传统的图像处理方法对裁剪后的人脸图像从光照度、清晰度两方面进行计算图像质量并采用人工筛选的方式筛选出高、低质量图像制作人脸图像数据集;得到的数据集用以人脸质量评估网络模型FQA-Net参数的训练,得到用于拟合人脸图像到质量类别的映射关系;通过将输入图像判断为高质量类别的概率作为图像的质量得分,建立人脸图像的质量评分机制。本发明通过采集无约束的数据集提高了对图像质量评估策略的实用性与适用性,在社区环境下设计的网络模型识别高质量图像的准确度在95%左右,与AlexNet、VGG网络模型效果并无差别,参数规模较其他网络较小60%,极大的提高了模型的运算效率。
GPU资源调度层根据调度策略如图2所示,实时监控当前GPU资源使用情况,在GPU处理器集群分配任务之前,首先检查当前GPU消耗是否过大,如果消耗过大,则查看GPU使用情况列表和GPU计算能力列表,重新选择GPU接收任务。
在步骤4中:利用步骤3人脸质量数据集,对本发明设计的人脸质量评估网络FQA-Net进行有监督方式训练,高质量图像的label设为1,低质量的图像label设为0,网络结构图如图2所示,根据实际效用,Conv层与Pool各有两层,两层全连接层,和一层softmax进行分类。训练过程:首先使用默认参数进行训练,根据训练中间结果,对初始权值、训练速率和迭代次数不断进行调整,直到所述网络以预设的效率达到预设的分类效果。
本发明的社区监控场景下的人脸采集质量评估策略,采集社区中的无约束的行人图像以及通过人工的方式制作数据集,提高了后续训练网络模型的准确度。人脸质量评估网络FQA-Net的设计大大提高了网络模型的训练效率。使用softmax的分类概率作为质量评分,为人脸识别提供了优质的图像,提高人脸识别的准确度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种社区监控场景下的人脸采集质量评估策略,其特征在于:包括以下步骤:
步骤1:社区监控场景下获取视频流,解码得到行人图像;
步骤2:使用训练好的Fast R-CNN对行人图像进行人脸识别,并裁剪得到人脸数据集:
步骤3:利用传统的图像处理方法,分别计算人脸图像的光照均匀度、模糊度,再经过人工筛选的方式筛选出高、低质量的人脸图像;
步骤4:将筛选出的高、低质量的人脸图像输入人脸质量评估网络FQA-Net进行训练;
步骤5:利用训练好的FQA-Net网络模型对待评估人脸图像进行评估分类;
步骤6:通过FQA-Net网络中softmax层的分类概率值作为图像质量评估分数,实现社区场景下人脸采集质量评估策略;
步骤7:采用GPU调度策略进行GPU调度。
2.根据权利要求1所述的社区监控场景下的人脸采集质量评估策略,其特征在于:在所述步骤1中,还包括在社区各处安装高清摄像头或者视频采集装置,选择需要监测的区域,获取该区域下所有的视频流,对视频流进行解码处理分离出图像数据。
3.根据权利要求1所述的社区监控场景下的人脸采集质量评估策略,其特征在于:在所述步骤2中,还包括利用外部人脸数据库wider face对其训练,使其达到检测人脸的目的,训练过程:首先使用默认参数进行训练,根据训练中间结果,对初始权值、训练速率和迭代次数不断进行调整,直到所述网络以预设的效率达到预设的检测效果。
4.根据权利要求1所述的社区监控场景下的人脸采集质量评估策略,其特征在于:在所述步骤3中,还包括对人脸数据集进行处理,利用直方图分析图像均匀度、Brenner函数计算图像清晰度,然后将两种因素的得分归一化后加权计算图像总得分,用总得分进行粗分类;最后通过人工筛选的方式进行细分类,选取面目清晰、五官端正、呈对称分布,且光照均匀、无遮挡的图像为高质量人脸图像,选取模糊、侧脸、光照不均匀、遮挡的图像为低质量图像,由此得到高质量和低质量的人脸质量数据集。
5.根据权利要求1所述的社区监控场景下的人脸采集质量评估策略,其特征在于:在所述步骤4中,还包括利用步骤3中人脸质量数据集,对人脸质量评估网络FQA-Net进行有监督方式训练,高质量图像的label设为1,低质量的图像label设为0,根据实际效用,Conv层与Pool各有两层,两层全连接层,和一层softmax进行分类;训练过程:首先使用默认参数进行训练,根据训练中间结果,对初始权值、训练速率和迭代次数不断进行调整,直到所述网络以预设的效率达到预设的分类效果。
6.根据权利要求1所述的社区监控场景下的人脸采集质量评估策略,其特征在于:在所述步骤6中,还包括使用概率值作为作为输入图像的质量评分,由此实现社区监控场景下人脸质量评估策略。
7.根据权利要求1所述的社区监控场景下的人脸采集质量评估策略,其特征在于:在所述步骤7中,还包括实时监控GPU处理集群中的GPU使用情况,采取适当的调度策略对GPU进行实时调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967201.4A CN112200010A (zh) | 2020-09-15 | 2020-09-15 | 一种社区监控场景下的人脸采集质量评估策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967201.4A CN112200010A (zh) | 2020-09-15 | 2020-09-15 | 一种社区监控场景下的人脸采集质量评估策略 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200010A true CN112200010A (zh) | 2021-01-08 |
Family
ID=74015153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010967201.4A Pending CN112200010A (zh) | 2020-09-15 | 2020-09-15 | 一种社区监控场景下的人脸采集质量评估策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200010A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与系统 |
CN115423770A (zh) * | 2022-08-31 | 2022-12-02 | 南京视察者智能科技有限公司 | 一种基于图像质量判别模型的行人重识别数据判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及系统 |
CN110619628A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉(北京)科技有限公司 | 一种人脸图像质量评估方法 |
CN110738160A (zh) * | 2019-10-12 | 2020-01-31 | 成都考拉悠然科技有限公司 | 一种结合人脸检测的人脸质量评估方法 |
CN111241925A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 人脸质量评定方法、系统、电子设备及可读存储介质 |
-
2020
- 2020-09-15 CN CN202010967201.4A patent/CN112200010A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及系统 |
CN110619628A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉(北京)科技有限公司 | 一种人脸图像质量评估方法 |
CN110738160A (zh) * | 2019-10-12 | 2020-01-31 | 成都考拉悠然科技有限公司 | 一种结合人脸检测的人脸质量评估方法 |
CN111241925A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 人脸质量评定方法、系统、电子设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
黄法秀等: "基于CNN的人脸图像亮度和清晰度质量评价", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与系统 |
CN114219803B (zh) * | 2022-02-21 | 2022-07-15 | 浙江大学 | 一种三阶段图像质量评估的检测方法与系统 |
CN115423770A (zh) * | 2022-08-31 | 2022-12-02 | 南京视察者智能科技有限公司 | 一种基于图像质量判别模型的行人重识别数据判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288033B (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
CN104834912B (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN113537099B (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
TWI441096B (zh) | 適用複雜場景的移動偵測方法 | |
CN117456428B (zh) | 基于视频图像特征分析的垃圾投放行为检测方法 | |
CN110322445A (zh) | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 | |
Dai et al. | PPLC-Net: Neural network-based plant disease identification model supported by weather data augmentation and multi-level attention mechanism | |
CN112200010A (zh) | 一种社区监控场景下的人脸采集质量评估策略 | |
CN114494305A (zh) | 一种球团生球粒径在线检测方法及系统 | |
Haque et al. | Perception-inspired background subtraction | |
Luque et al. | An ART-type network approach for video object detection. | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
Zhang et al. | Hand gesture detection and segmentation based on difference background image with complex background | |
CN117079197B (zh) | 一种智慧工地管理方法及系统 | |
CN116863408B (zh) | 基于监控摄像头ai算法的并行加速和动态调度实现方法 | |
CN114429597A (zh) | 基于神经网络的在石油化工行业的初期火灾智能识别系统 | |
Zhu et al. | Real-time anomaly detection with HMOF feature | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN111340839A (zh) | 一种基于分块的视频噪声估计方法 | |
CN112200008A (zh) | 一种社区监控场景下人脸属性识别方法 | |
CN112966699B (zh) | 一种通信工程项目的目标检测系统 |
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: 20210108 |
|
RJ01 | Rejection of invention patent application after publication |