CN112348067A - 图像设备及图像处理方法 - Google Patents
图像设备及图像处理方法 Download PDFInfo
- Publication number
- CN112348067A CN112348067A CN202011171651.9A CN202011171651A CN112348067A CN 112348067 A CN112348067 A CN 112348067A CN 202011171651 A CN202011171651 A CN 202011171651A CN 112348067 A CN112348067 A CN 112348067A
- Authority
- CN
- China
- Prior art keywords
- scene
- image processing
- image
- processing module
- template
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000000857 visual cortex Anatomy 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 230000000007 visual effect Effects 0.000 description 8
- 230000004438 eyesight Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000000239 visual pathway Anatomy 0.000 description 3
- 230000004400 visual pathway Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种图像设备及图像处理方法。图像设备包括包括:摄像模块、微电极阵列及图像处理模块。图像处理模块通过一全卷积神经网络辨识机制,辨认输入图像上所载的场景物件。图像处理模块生成相对于场景物件的一轮廓曲线,图像处理模块将代表不同类别物件的字符,显示在轮廓曲线的线条区域内,以协助盲人辨识场景物件。
Description
技术领域
本发明涉及一种图像设备及图像处理方法,特别涉及一种利于盲人识别场景物件的图像设备及图像处理方法。
背景技术
视觉是人类获取信息的主要感知器官,全球现有盲人数量已突破五千万,每年因外界因素导致视觉器官受损的人数将近五百万。随着科技进步,人工视觉假体逐渐被应用于视觉图像的感知处理。盲人通过视觉假体电击刺激大脑视觉皮层使患者看到图像光点的感知,开发其视觉系统的剩余功能部分,以恢复一些视觉感知。基于图论的研究方法,将图像分割问题看作是图的顶点划分问题。通用的方法是将待分割的图像映射为一幅带权无向图,为了取得更好的分割效果,通常需要构造复杂的代价函数,算法时间复杂性高,难以满足实时应用的要求。一般而言,若是采用过往的图像处理方式,首先需要使用基于像素聚类的方法初始化一个粗糙的聚类。之后,使用迭代的方式将空间距离接近,将颜色、亮度、纹理等特征相似的像素点聚类到同一超像素,直接收敛,从而得到最终的图像分割结果,然而,这样的处理方式较不适合结构比较复杂、内部差异性较大的物体的分割。
发明内容
有鉴于此,本发明提出一种图像设备及图像处理方法。通过将不同类别物件对应的各模板轮廓图标示上不同的字符,并迭加各模板轮廓图生成一标示轮廓图,从而使得盲人通过不同的字符,识别场景内的不同物件。
本发明提供一种图像设备,适用于协助盲人识别场景。此图像设备包括一图像处理模块。图像处理模块通过一全卷积神经网络辨识机制,辨认对应于场景的一输入图像上所载的至少一场景物件是哪一类别的一实体物件,图像处理模块针对该至少一场景物件在场景内的位置,显示相对于至少一场景物件的一轮廓曲线,图像处理模块利用不同的字符以分类至少一场景物件,并将代表不同类别的字符,显示在轮廓曲线的线条区域内。
本发明提供一种图像处理方法,适用于协助一盲人识别一场景,包括以下步骤:通过一全卷积神经网络辨识机制,辨认对应于该场景的一输入图像上所载的至少一场景物件是哪一类别的一实体物件;针对该至少一场景物件在该场景的位置,显示相对于该至少一场景物件的一轮廓曲线;利用不同的字符以分类该至少一场景物件;以及将代表不同类别场景物件的不同字符,显示在对应于该场景物件的该轮廓曲线的线条区域内。
附图说明
图1A是本发明实施例的图像设备的结构示意图。
图1B是本发明实施例的图像处理方法的流程图。
图1C是本发明实施例的图像处理方法的流程图。
图2是对应于一场景的输入图像。
图3是微电极阵列的示意图。
图4是对应于一场景的物体区域图。
图5A及图5B是对应于一场景的模板区域图。
图6A及图6B是对应于一场景的模板轮廓图。
图7A及图7B是对应于一场景的标示轮廓图。
图8是对应于一场景的标示轮廓图。
【符号说明】
110:图像设备
120:摄像模块
130:微电极阵列
140:图像处理模块
200:输入图像
210:物件
220:物件
230:物件
S110~S130:流程步骤
S132~S138:流程步骤
具体实施方式
为使本发明的上述和其他目的、特征与优点能更明显易懂,下文特举出优选实施例,并配合所附图示,做详细说明如下。注意的是,本章节所叙述的是实施本发明的最佳方式,目的在于说明本发明的精神而非用以限定本发明的保护范围,应理解下列实施例可经由软件、硬件、固件或上述任意组合来实现。
本发明提供一种图像设备,适用于协助一盲人识别室内或室外场景中的实体物件(在本说明书中,物件即物体)。不同类别的实体物件对应的各模板轮廓图标示上不同的字符,并迭加生成一标示轮廓图,以供盲人通过不同的字符,识别场景内的不同物件。
图1A是本发明实施例图像设备的结构示意图。图像设备110包括一摄像模块120、一微电极阵列130及一图像处理模块140。摄像模块120可以是一摄影机,其配置于盲人身上,例如利用一头戴式机械结构,在盲人前额配置摄影机,以拍摄周围环境。摄像模块120拍摄室内或室外场景,以获得一对应于场景的一原始图像。
视觉假体是一种植入式医用电子设备,其功能在于一定程度上恢复重度失明病人的视觉。视觉假体技术利用大多数盲人往往只有视觉通路的一部分发生病变,而其余部分神经组织的结构和功能尚且完好的特点,针对对盲人视觉通路仍完好的部分施加特定的人工电信号刺激,来刺激神经细胞,模拟自然光刺激的效果,使盲人产生视觉感受。
本发明实施例的视觉假体可利用一微电极阵列130来表现,如图3所示。本发明实施例的微电极阵列130用以向盲人提示室内或室外场景空间内的实体物件配置。如图3的微电极阵列130,图中的每一个黑点是一个微电极,这些微电极直接刺激盲人大脑枕叶视觉皮层的视觉通路完好的部分,帮助盲人恢复部分视觉感知。盲人可以藉由微电极阵列130的图像显示,了解目前室内或室外环境摆设。
本发明实施例的图像处理模块140,耦接摄像模块120、微电极阵列130。其中,图像处理模块140接收并分析摄像模块120所拍摄的输入图像200。图像处理模块140可以利用现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)实现,若产品具体化,也能以图形处理器(Graphics Processing Unit,GPU)方式呈现,或以视觉处理器(VisionProcessing Unit,VPU)方式呈现。
图1B、1C是本发明实施例的图像处理方法的流程图。
如图1B所示,图像处理模块140先调整拍摄而得的原始图像的尺寸生成输入图像(步骤S110)。然后,图像处理模块140将不同类别的场景物件,以不同的像素值显示在物体区域图中(S120)。最后,图像处理模块140在物体区域图中,将代表不同类别场景物件的不同字符,显示在对应于场景物件的轮廓曲线的线条区域内(S130)。图像处理模块140先执行步骤S110。
在步骤S110中,图像处理模块140先调整拍摄而得的原始图像的尺寸生成输入图像。具体而言,图像处理模块140先调整摄像模块120所拍摄的原始图像尺寸,以方便处理,举例来说,先调整摄像模块120所拍摄的原始图像,使其生成为长256像素及宽256像素的输入图像。在本发明其他实施例中,也可不改变原始图像的尺寸,例如,直接将原始图像作为后续图像处理的输入图像。图2所示即为本发明实施例对应于室内场景的一输入图像200,从图2的输入图像200可知,此时在室内有两张床(210及220)、一个柜子230。然后,图像处理模块140执行步骤S120。
在步骤S120中,图像处理模块140将不同类别的场景物件,以不同的像素值显示在物体区域图中。具体而言,图像处理模块140利用一全卷积神经网络(ConvolutionalNeural Network,CNN)辨识机制,辨认对应于室内场景的输入图像200上所载的至少一场景物件是哪一类别的一实体物件。以图2输入图像200的例子来说,图像处理模块140分析输入图像200,输入图像200具有关于床210、220的形状、尺寸、色彩、纹理等输入特征,也有柜子230的形状、尺寸、色彩、纹理等输入特征。图像处理模块140利用全卷积神经网络辨识机制,分析这些输入特征,辨认出此时在室内的是床210及床220及一个柜子230。在一实施例中,图像处理模块140利用全卷积神经网络提取输入图像200的像素语义信息,根据上述像素语义信息输入图像200上所载的至少一场景物件是哪一类别的实体物件。
全卷积神经网络辨识机制通过建构多层的卷积层,自动提取图像或图像上的特征。一般来说,排在前边较浅的卷积层采用较小的感知域,可以学习到图像的一些具体特征(如颜色、形状、纹理特征),排在后边较深的卷积层采用较大的感知域,可以学习到更加抽象的特征(如物理尺寸大小、位置、方向等),也因此全卷积神经网络在图像分类及图像检测领域取得了广泛应用。
图4是本发明实施例的一物体区域图。当图像处理模块140辨认出输入图像200上所载的一或多个场景物件是哪一类别的实体物件后,图像处理模块140将不同类别的多种场景物件,以不同的像素值显示在物体区域图中,如图4所示。其中,一种像素值代表一种类别的实体物件。像素值指的是单个像素点的亮度,像素值愈大表示愈亮。在一实施例中,像素值的范围为0至255。
举例来说,图像处理模块140辨认出物件210及物件220是同属于床的类别、辨认出物件230是属于柜子的类别后,在图4的物体区域图中,图像处理模块140使物件210、220以相同像素值来呈现,物件230利用另一像素值来呈现,且在此物体区域图中,物件210、220、230所显示的位置都是物件相对于室内场景的所在位置。
然后,在步骤S130中,图像处理模块140在物体区域图中,将代表不同类别场景物件的不同字符,显示在对应于场景物件的轮廓曲线的线条区域内。下面将结合图1C对步骤S130进行详细说明。
如图1C所示,图像处理模块140将物体区域图中同类别的场景物件列在同一张模板区域图中(S132)。然后,图像处理模块140对场景物件在各模板区域图中的显示区域进行边缘检测,各自生成对应的模板轮廓图(S134)。然后,图像处理模块140将代表不同类别的字符,显示在各模板轮廓图的轮廓曲线的线条区域内的中心位置(S136)。最后,图像处理模块140叠加具有不同的字符的各模板轮廓图,生成标示轮廓图(S138)。图像处理模块140先执行步骤S132。
在步骤S132中,图像处理模块140将物体区域途中同类别的场景物件列在同一张模板区域图中。具体来说,图像处理模块140执行一模板二值化过程,将物体区域图中具有不同像素值的各场景物件分开,相同像素值的场景物件列在同一模板区域图中。图5A及图5B是对应于一室内场景的模板区域图,分别表示不同类别的场景物件。图5A呈现同一类物件:床210及床220。图5B呈现同一类物件:柜子230。
图像处理模块140控制场景物件在图5A及图5B的模板区域图中的显示区域,等同于场景物件在输入图像的涵盖区域。也就是说,图块在模板区域图的位置,即是场景物件在室内场景的相对位置。其中,同一张模板区域图中,图像处理模块140将其背景的像素值设定为第一像素值,场景物件在模板区域图中的显示区域的像素值设定为第二像素值。在一实施例中,第一像素值为0,第二像素值为255。如图5A及图5B的模板区域图所示,背景为黑,也就是像素值为第一像素值。物件为白,也就是像素值为第二像素值。
然后,在步骤S134中,图像处理模块140对场景物件在各模板区域图中的显示区域进行边缘检测,各自生成对应的模板轮廓图。具体而言,图像处理模块140针对场景物件在各模板区域图中的显示区域进行边缘检测,也就是针对图5A的物件210、物件220,以及针对图5B的物件230作边缘检测。图像处理模块140控制图块显示区域的轮廓曲线的像素值为第二像素值,也就是将图块的轮廓用白色显示,轮廓曲线的宽度为第一像素宽。图像处理模块140并将显示区域中非轮廓曲线的部分的像素值设定为第一像素值,也就是说,将除了轮廓以外的部分用黑色显示,致生成一模板轮廓图,各模板区域图分别具有一对应的模板轮廓图,分别为对应于图5A的图6A,及对应于图5B的图6B。在一实施例中,第一像素宽为2个像素宽。
然后,在步骤S136中,图像处理模块140将代表不同类别的字符,显示在各模板轮廓图的轮廓曲线的线条区域内的中心位置。具体而言,针对对应于不同类别的实体物件的模板轮廓图,如代表不同类别实体物件的图6A及图6B,图像处理模块140将代表不同类别的字符,显示在轮廓曲线的线条区域内,如图7A及图7B的标示轮廓图。如图7A所示,在轮廓曲线的线条区域内的中心位置,也就是在物件210图块及物件220图块的中心位置,显示代表类别“床”的字符3。如图7B所示,在物件230图块的中心位置,显示代表类别“柜子”的字符4。
在本发明其中一实施例,中心位置的计算方式是图像处理模块140先找出图块轮廓曲线的一最小外接矩形,中心位置即界定为最小外接矩形的对角线中心。
最后,在步骤S138,图像处理模块140叠加具有不同的字符的各模板轮廓图,生成标示轮廓图。具体而言,图像处理模块140叠加具有不同的字符的各模板轮廓图,生成一标示轮廓图。在本发明实施例中,迭加第7A及第7B带有字符的模板轮廓图,如图8所示。
图像处理模块140将模板轮廓图显示在微电极阵列130上,以供盲人通过字符识别室内场景。也就是说,盲人会先预先通过其他方式了解字符所代表的意义,例如他人导读或以手感知点字说明,以了解字符3代表“床”、字符4代表“柜子”。再利用本发明所提供的图像设备110,使得如图8所示的模板轮廓图,显示在微电极阵列130上,协助盲人可以从此模板轮廓图得知,目前在室内有何物件,以及其所座落的位置。在一实施例中,图像处理模块140先根据微电极阵列130的显示范围,调整模板轮廓图的大小。然后,将调整大小后的模板轮廓图显示在微电极阵列130上。举例来说,当微电极阵列130的献身范围为长32像素、宽32像素时,图像处理模块140先将模板轮廓图调整为长32像素、宽32像素。然后,把调整大小后的模板轮廓图显示在微电极阵列130上。
整体而言,图像处理模块140针对物件在场景的位置,在微电极阵列130上,显示相对于物件的一轮廓曲线,图像处理模块140并利用不同的字符以分类多个场景物件,在微电极阵列130上,图像处理模块140将代表不同类别物件的字符,显示在轮廓曲线的线条区域内。故,盲人可从微电极阵列130所载的各物件代表字符,得知目前的所接触的环境有哪些物件。
虽然本发明已以优选实施例公开如上,然其并非用以限定本发明。本领域技术人员在不脱离本发明的精神与范围内,当可作些许的更动与润饰。举例来说,本发明实施例所述的系统以及方法可以硬件、软件或硬件以及软件的组合的实体实施例加以实现。因此本发明的保护范围当视所附权利要求书界定范围为准。
Claims (22)
1.一种图像设备,适用于协助盲人识别场景,包括:
图像处理模块,该图像处理模块通过全卷积神经网络辨识机制,辨认对应于该场景的输入图像上所载的至少一场景物件是哪一类别的实体物件,该图像处理模块针对该至少一场景物件在该场景的位置,显示相对于该至少一场景物件的轮廓曲线,该图像处理模块利用不同的字符以分类该至少一场景物件,并将代表不同类别的该字符,显示在该轮廓曲线的线条区域内。
2.如权利要求1所述的图像设备,还包括:
摄像模块,耦接至该图像处理模块,该摄像模块拍摄该场景,以获得对应于该场景的原始图像。
3.如权利要求2所述的图像设备,其中,该图像处理模块先调整该原始图像的尺寸,以生成该输入图像。
4.如权利要求1所述的图像设备,其中,该图像处理模块提取该输入图像的像素语义信息,根据该像素语义信息辨认该输入图像上所载的该至少一场景物件是哪一类别的该实体物件。
5.如权利要求1所述的图像设备,还包括:
微电极阵列,耦接至该图像处理模块,配置在该盲人的大脑视觉皮层,其中该轮廓曲线及该字符显示在该微电极阵列上。
6.如权利要求1所述的图像设备,其中,当该图像处理模块辨认该输入图像上所载的该至少一场景物件是哪一类别的该实体物件后,该图像处理模块将不同类别的该至少一场景物件,以不同的像素值显示在物体区域图中,其中,一种像素值代表一种类别的该实体物件。
7.如权利要求6所述的图像设备,其中,该图像处理模块执行模板二值化过程,将该物体区域图中具有不同的像素值的各该场景物件分开,相同像素值的该场景物件列在同一模板区域图中。
8.如权利要求7所述的图像设备,其中,该图像处理模块控制该场景物件在该模板区域图中的显示区域,等同于该场景物件在该输入图像的涵盖区域,其中,该同一张模板区域图中,该图像处理模块将其背景的像素值设定为第一像素值,该场景物件在该模板区域图中的显示区域的像素值设定为第二像素值。
9.如权利要求8所述的图像设备,其中,该图像处理模块针对该至少一场景物件在各该模板区域图中的该显示区域进行边缘检测以生成对应的该轮廓曲线,该图像处理模块控制各该轮廓曲线的像素值为该第二像素值,并将该显示区域中非该轮廓曲线的部分的像素值设定为该第一像素值,生成模板轮廓图,各该模板区域图分别具有对应的该模板轮廓图。
10.如权利要求9所述的图像设备,其中,针对对应于不同类别的该实体物件的该模板轮廓图,该图像处理模块将代表不同类别的该字符,显示在该轮廓曲线的线条区域内之一中心位置。
11.如权利要求10所述的图像设备,其中,该图像处理模块迭加具有不同的该字符的各该模板轮廓图,生成标示轮廓图,显示在微电极阵列上,以供该盲人识别该场景。
12.一种图像处理方法,适用于协助盲人识别场景,包括:
通过全卷积神经网络辨识机制,辨认对应于该场景的输入图像上所载的至少一场景物件是哪一类别的实体物件;
针对该至少一场景物件在该场景的位置,显示相对于该至少一场景物件的轮廓曲线;
利用不同的字符以分类该至少一场景物件;以及
将代表不同类别场景物件的不同字符,显示在对应于该场景物件的该轮廓曲线的线条区域内。
13.如权利要求12所述的图像处理方法,还包括:
拍摄该场景,以获得对应于该场景的原始图像。
14.如权利要求13所述的图像处理方法,还包括:
先调整该原始图像的尺寸,以生成该输入图像。
15.如权利要求12所述的图像处理方法,还包括:
提取该输入图像的像素语义信息,根据该像素语义信息辨认该输入图像上所载的该至少一场景物件是哪一类别的该实体物件。
16.如权利要求12所述的图像处理方法,其中该轮廓曲线及该字符显示在微电极阵列上。
17.如权利要求12所述的图像处理方法,还包括:
当辨认该输入图像上所载的该至少一场景物件是哪一类别的该实体物件后,将不同类别的该至少一场景物件,以不同的像素值显示在物体区域图中,其中,一种像素值代表一种类别的该实体物件。
18.如权利要求17所述的图像处理方法,还包括:
执行模板二值化过程,将该物体区域图中具有不同的像素值的各该场景物件分开,相同像素值的该场景物件列在同一模板区域图中。
19.如权利要求18所述的图像处理方法,还包括:
控制该场景物件在该模板区域图中的显示区域,等同于该场景物件在该输入图像的涵盖区域,其中,该同一张模板区域图中,该图像处理模块将其背景的像素值设定为第一像素值,该场景物件在该模板区域图中的显示区域的像素值设定为第二像素值。
20.如权利要求19所述的图像处理方法,还包括:
针对该至少一场景物件在各该模板区域图中的该显示区域进行边缘检测以生成对应的该轮廓曲线,该图像处理模块控制该显示区域的该轮廓曲线的像素值为该第二像素值,并将该显示区域中非该轮廓曲线的部分的像素值设定为该第一像素值,生成模板轮廓图,各该模板区域图分别具有对应的该模板轮廓图。
21.如权利要求20所述的图像处理方法,还包括:
针对对应于不同类别的该实体物件的该模板轮廓图,将代表不同类别的该字符,显示在该轮廓曲线的线条区域内的中心位置。
22.如权利要求21所述的图像处理方法,还包括:
迭加具有不同的该字符的各该模板轮廓图,生成标示轮廓图,显示在微电极阵列上,以供该盲人识别该场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171651.9A CN112348067A (zh) | 2020-10-28 | 2020-10-28 | 图像设备及图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171651.9A CN112348067A (zh) | 2020-10-28 | 2020-10-28 | 图像设备及图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348067A true CN112348067A (zh) | 2021-02-09 |
Family
ID=74358921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011171651.9A Pending CN112348067A (zh) | 2020-10-28 | 2020-10-28 | 图像设备及图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348067A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140049525A (ko) * | 2014-01-22 | 2014-04-25 | 가천대학교 산학협력단 | 시각장애인을 위한 햅틱 디스플레이 기반 시각정보 표시시스템 및 방법 |
CN105395174A (zh) * | 2016-01-02 | 2016-03-16 | 无锡桑尼安科技有限公司 | 智能化生理参数确定装置 |
CN106137532A (zh) * | 2016-09-19 | 2016-11-23 | 清华大学 | 视皮层假体的图像处理装置及方法 |
CN107454969A (zh) * | 2016-12-19 | 2017-12-08 | 深圳前海达闼云端智能科技有限公司 | 障碍物检测方法及装置 |
CN107636680A (zh) * | 2016-12-30 | 2018-01-26 | 深圳前海达闼云端智能科技有限公司 | 一种障碍物检测方法及装置 |
CN108960287A (zh) * | 2018-05-29 | 2018-12-07 | 杭州视氪科技有限公司 | 一种实现地形和目标检测的盲人辅助眼镜 |
CN109224291A (zh) * | 2017-12-29 | 2019-01-18 | 深圳硅基仿生科技有限公司 | 视网膜刺激器的图像处理方法和装置及视网膜刺激器 |
CN110147733A (zh) * | 2019-04-16 | 2019-08-20 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
CN110363192A (zh) * | 2018-04-11 | 2019-10-22 | 大众电脑股份有限公司 | 物件影像辨识系统及物件影像辨识方法 |
CN111428583A (zh) * | 2020-03-05 | 2020-07-17 | 同济大学 | 一种基于神经网络和触觉点阵的视觉补偿方法 |
-
2020
- 2020-10-28 CN CN202011171651.9A patent/CN112348067A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140049525A (ko) * | 2014-01-22 | 2014-04-25 | 가천대학교 산학협력단 | 시각장애인을 위한 햅틱 디스플레이 기반 시각정보 표시시스템 및 방법 |
CN105395174A (zh) * | 2016-01-02 | 2016-03-16 | 无锡桑尼安科技有限公司 | 智能化生理参数确定装置 |
CN106137532A (zh) * | 2016-09-19 | 2016-11-23 | 清华大学 | 视皮层假体的图像处理装置及方法 |
CN107454969A (zh) * | 2016-12-19 | 2017-12-08 | 深圳前海达闼云端智能科技有限公司 | 障碍物检测方法及装置 |
CN107636680A (zh) * | 2016-12-30 | 2018-01-26 | 深圳前海达闼云端智能科技有限公司 | 一种障碍物检测方法及装置 |
CN109224291A (zh) * | 2017-12-29 | 2019-01-18 | 深圳硅基仿生科技有限公司 | 视网膜刺激器的图像处理方法和装置及视网膜刺激器 |
CN110363192A (zh) * | 2018-04-11 | 2019-10-22 | 大众电脑股份有限公司 | 物件影像辨识系统及物件影像辨识方法 |
CN108960287A (zh) * | 2018-05-29 | 2018-12-07 | 杭州视氪科技有限公司 | 一种实现地形和目标检测的盲人辅助眼镜 |
CN110147733A (zh) * | 2019-04-16 | 2019-08-20 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
CN111428583A (zh) * | 2020-03-05 | 2020-07-17 | 同济大学 | 一种基于神经网络和触觉点阵的视觉补偿方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Moving object recognition under simulated prosthetic vision using background-subtraction-based image processing strategies | |
JP4755202B2 (ja) | 顔特徴の検出方法 | |
KR101224408B1 (ko) | 원격 홍채 인식 시스템 | |
Yu et al. | Vision-based hand gesture recognition using combinational features | |
US20100158325A1 (en) | Systems and methods for segmenting an image of a person to produce a mugshot | |
Zhao et al. | Image processing based recognition of images with a limited number of pixels using simulated prosthetic vision | |
CN104951773A (zh) | 一种实时人脸识别监视系统 | |
WO2009078957A1 (en) | Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images | |
US10022544B2 (en) | Vision enhancement apparatus for a vision impaired user | |
Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
Wang et al. | Image processing strategies based on a visual saliency model for object recognition under simulated prosthetic vision | |
Everingham et al. | Head-mounted mobility aid for low vision using scene classification techniques | |
Karacs et al. | Bionic eyeglass: an audio guide for visually impaired | |
Arsic et al. | Improved lip detection algorithm based on region segmentation and edge detection | |
Sanchez-Garcia et al. | Structural and object detection for phosphene images | |
Sikander et al. | Facial feature detection: A facial symmetry approach | |
Alevizaki et al. | Predicting eye fixations using computer vision techniques | |
CN112348067A (zh) | 图像设备及图像处理方法 | |
Mandal et al. | Human visual system inspired object detection and recognition | |
CN110674675A (zh) | 一种行人面部反欺诈方法 | |
Kostov et al. | Method for simple extraction of paralinguistic features in human face | |
Elbalaoui et al. | Automatic localization of the optic disc center in retinal images based on angle detection in curvature scale space | |
Horne et al. | Image segmentation for enhancing symbol recognition in prosthetic vision | |
JP3578321B2 (ja) | 画像正規化装置 | |
Nagarajan et al. | An improved object identification for NAVI |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210316 Address after: 201203 3rd floor, building 2, No. 200, zhangheng Road, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Gryfield Intelligent Technology Co.,Ltd. Address before: 100084 Weisheng China core building, building 7, yard 1, Zhongguancun East Road, Haidian District, Beijing Applicant before: Beijing Zhaoxin Electronic Technology Co.,Ltd. |