CN112418009A - 一种图像质量检测方法、终端设备及存储介质 - Google Patents

一种图像质量检测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN112418009A
CN112418009A CN202011230914.9A CN202011230914A CN112418009A CN 112418009 A CN112418009 A CN 112418009A CN 202011230914 A CN202011230914 A CN 202011230914A CN 112418009 A CN112418009 A CN 112418009A
Authority
CN
China
Prior art keywords
image
detected
detection
preset
model
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.)
Granted
Application number
CN202011230914.9A
Other languages
English (en)
Other versions
CN112418009B (zh
Inventor
高远
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.)
China Auto Service Technology Service Co ltd
Original Assignee
China Auto Service Technology Service 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 China Auto Service Technology Service Co ltd filed Critical China Auto Service Technology Service Co ltd
Priority to CN202011230914.9A priority Critical patent/CN112418009B/zh
Publication of CN112418009A publication Critical patent/CN112418009A/zh
Application granted granted Critical
Publication of CN112418009B publication Critical patent/CN112418009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像质量检测方法、终端设备及存储介质，所述方法包括获取待测图像，并通过分类模型确定所述待测图像的图像类别；为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。本申请通过分类模型对图像做分类处理，然后根据不同的图像类别做不同的图像质量判定，并自动过滤掉非保险公司要求上传的图像，从而提高理赔处理效率，方便用户。

Description

一种图像质量检测方法、终端设备及存储介质
技术领域
本发明涉及图像识别技术领域，尤其涉及一种图像质量检测方法、终端设备及存储介质。
背景技术
当保险公司需要对伤者进行理赔时，保险公司会派遣工作人员到伤者所在的医院进行探视和慰问；在探视期间，工作人员会根据保险公司要求，拍摄一系列的照片，例如工作人员与医院大楼的合影，工作人员与伤者的合影，伤者与其身份证的合影，影像片等等，其目的是为了防止伤者上报的伤情与实际不符从而骗取保费的问题。
而工作人员在拍摄和上传图片时，往往会出现一些问题，例如上传了无用的照片或者上传的照片中由于聚焦位置的问题，导致包含关键信息的区域模糊等等；这将导致，保险公司在审核时无法获取一些关键信息从而影响到整个理赔流程，使得理赔时间过长、处理效率低。
因此，现有技术还有待于发展和改进。
发明内容
基于此，有必要针对理赔时由于图像不合格导致理赔处理效率低的技术问题，提出了一种图像质量检测方法、终端设备及存储介质。
一种图像质量检测方法，所述图像质量检测方法包括：
获取待测图像，并通过分类模型确定所述待测图像的图像类别；
为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；
通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
所述的图像质量检测方法，其特征在于，所述通过所述若干检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分之后包括：
对比所述综合质量评分和预设分数阈值；
若所述综合质量评分大于等于所述预设分数阈值，则所述待测图像为合格图像；
若所述综合质量评分小于所述预设分数阈值，则所述待测图像为不合格图像，并反馈不合格图像提示。
所述的图像质量检测方法，其中，所述获取待测图像，并通过分类模型确定所述待测图像的图像类别具体包括：
获取待测图像；
通过所述分类模型识别所述待测图像，以判断所述待测图像是否存在目标检测对象；
若所述待测图像不存在目标检测对象，则所述分类模型判断所述待测图像为无效图像，将滤除所述待测图像，并反馈图像无效提示；
若所述待测图像存在目标检测对象，则根据预设目标检测对象与预设图像类别的关联关系，确定与所述目标检测对象匹配的图像类别；
将该匹配的图像类别作为所述待测图像对应的图像类别。
所述的图像质量检测方法，其中，所述图像类别至少包括身份证照片、人证对比照、打卡照片、影像片特写照片以及影像片整体照片中一种或多种。
所述的图像质量检测方法，其中，所述为所述待测图像分配该图像类别对应的若干预设检测模型具体包括：
获取预设图像类别对应的若干预设检测模型；
若所述图像类别为身份证照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为人证对比照，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为打卡照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为影像片特写照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为影像片整体照片，则为所述待测图像分配完整性检测模型。
所述的图像质量检测方法，其中，所述通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分具体包括：
利用所述完整性模型提取所述待测图像中的目标特征信息，并将所述目标特征信息与所述待测图像的图像类别对应的预设标准进行比对，以确定所述待测图像是否完整；
若所述目标特征信息符合与所述待测图像的图像类别对应的预设标准，则从所述完整性模型获取所述待测图像的完整性得分，并将所述待测图像输入至所述位置检测模型；
利用位置检测模型定位所述待测图像中所述目标特征信息所在区域，计算所述目标特征信息所在区域与所述待测图像的面积比值；
若所述面积比值大于预设占比阈值，则从所述位置检测模型获取所述待测图像的位置评分，并将截取的所述待测图像中所述目标特征信息对应的特征区域图像输入至所述模糊检测模型；
利用所述模糊检测模型对所述特征区域图像进行模糊识别，以得到所述待测图像的清晰度得分；
根据各检测模型的预设权重，计算所述完整性评分、位置评分以及所述清晰度得分的总评分，并将该总评分作为所述所述待测图像的综合质量评分。
所述的图像质量检测方法，其中，所述通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分还包括：
若所述目标特征信息不符合与所述待测图像的图像类别对应的预设标准，则反馈图像不完整提示，不再继续后续检测。
所述的图像质量检测方法，其中，所述模糊检测模型采用拉普拉斯算子，以得到所述待测图像的图像梯度信息，并通过所述待测图像的图像梯度信息的平均值来衡量所述待测图像的清晰程度。
本申请还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取待测图像，并通过分类模型确定所述待测图像的图像类别；
为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；
通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
本申请还提供一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取待测图像，并通过分类模型确定所述待测图像的图像类别；
为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；
通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
采用本发明实施例，具有如下有益效果：
本申请所提供的一种图像质量检测方法、终端设备及存储介质，所述方法包括获取待测图像，并通过分类模型确定所述待测图像的图像类别；为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。本申请通过分类模型对图像做分类处理，然后根据不同的图像类别做不同的图像质量判定，并自动过滤掉非保险公司要求上传的图像，从而提高理赔处理效率，方便用户。
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。
其中：
图1为一个实施例中图像质量检测方法的流程图；
图2为一个实施例中目标检测模型的结构框图；
图3为一个实施例中终端设备的结构框图。
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作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。
请参阅图1，图1示例了本发明提供的一种图像质量检测方法的一实施例的流程图。如图1所示，所述图像质量检测方法包括：
S10、获取待测图像，并通过分类模型确定所述待测图像的图像类别。
具体地，所述待测图像为工作人员根据保险公司要求所拍摄一系列的照片或通过网络方式上传的一系列涉及理赔资料对应的照片。由于待测图像的来源多样性，其图像规格和大小、格式均不同，因此，为了提高检测效率，在对所述待测图像进行质量检测之前，需要通过分类模型对所述待测图像进行分类和筛选。通常，所述分类模型为一种卷积神经网络模型，是一种学习模型，可以通过大量的样本图像建立模型，并通过每一次的图像检测过程不断地完善所建立的模型。相较于人工检测待检测人脸图像来说，该分类模型的分析和判断过程更加客观、真实、抗干扰性高，因此，具有较高的检测准确性。同时，相较于普通的图像检测模型来说，本申请实施例所提供的分类模型具有较强的学习能力，可以将每一检测过的待检测人脸图像作为样本图像补充到图像样本库中，以完善图像分类模型，可以逐渐提高图像分类模型的检测准确率。
因此，利用卷积神经网络训练若干样本图像，以得到最终的分类模型。该样本图像包括单类样本图像和多类样本图像。多类样本图像的训练原理与单类样本图像的训练原理相同。因此，以单类人脸样本图像为例，分类模型的训练过程包括：
获取样本图像。该样本图像可从图像数据库如公开网络平台、定向网络平台、服务器数据库等包含大量的图像，该样本图像分为正常样本图像和问题样本图像，这样为分类模型的判断标准提高准确的图片参考。例如：对于符合本人真实身份的人脸图像，在这些特征区域所具有的人脸特征具有一些统一的标准，例如嘴角可以上扬的角度、眼球可以转动的角度等，在本申请实施例中将这些人脸特征定义为第一人脸特征，那么具有与这些第一人脸特征相匹配的人脸图像可以定义为正常样本图像。相应的，对于不符合本人真实身份的人脸图像，在这些特征区域所具有的人脸特征也会具有统一的标准，也可以根据嘴角可以上扬的角度、眼球可以转动的角度、五官比例、肤色区域等，在本申请实施例中将这些人脸特征定义为第二人脸特征，那么具有与这些第二人脸特征相匹配的人脸图像可以定义为问题样本图像。
然后利用卷积神经网络训练这些正常样本图像和问题样本图像，可以得到最终的分类模型，与普通的仅采用正常图像样本或者仅采用问题图像样本作为创建分类模型的样本基础相比，本申请实施例同时采用正常图像样本和问题图像样本作为样本基础，在后续分类模型的检测过程中，相当于对待检测人脸图像进行正反两次匹配过程，可以有效降低仅从一个维度检测待检测人脸图像时所产生的误判概率。
在另一实施例中，所述分类模型采用改进后的EAST模型，其用于不同类别的待检测图像的检测和识别。EAST模型能够高效、准确识别场景文本。EAST，全称为an Efficientand Accuracy Scene Text detection pipeline,译为高效、准确的场景文本识别管道。其检测流程包括两个阶段,第一阶段是全卷积网络(FCN，Fully Convolutional Networks),通过全卷积网络处理图像得到其中每个像素的对应的候选预测框,及包含每个像素属于文本区域的置信得分的置信得分图(score map)；第二阶段是非极大抑制阶段﹐例如通过标准非极大抑制(NMS)或局部感知非极大抑制(LNMS)等方法,以根据置信得分图将之前所回归的各个候选预测边界框中过于相似的加以合并为一,最终得到对图像中每个目标的最终预测框,而完成目标检测。
如前所述，EAST模型中的置信得分图的尺寸与原图像相同,则每个置信得分图中像素位置的置信得分表示原图像中对应位置的像素属于目标对象所属的区域(即为图中目标对象上的像素)的可能性,得分越高(可通过置信得分图中的像素值表示),则表示越有可能属于目标对象所属的真实区域。
因此，所述获取待测图像，并通过分类模型确定所述待测图像的图像类别具体包括：
S11，获取待测图像；
S12，通过所述分类模型识别所述待测图像，以判断所述待测图像是否存在目标检测对象；
S13，若所述待测图像不存在目标检测对象，则所述分类模型判断所述待测图像为无效图像，将滤除所述待测图像，并反馈图像无效提示；
S14，若所述待测图像存在目标检测对象，则根据预设目标检测对象与预设图像类别的关联关系，确定与所述目标检测对象匹配的图像类别；
S15，将该匹配的图像类别作为所述待测图像对应的图像类别。
具体地，将所述待测图像输入至预先训练的分类模型中进行识别和分类，以确定所述待测图像是否为无效图像即所述待测图像是否存在目标检测对象。本实施例中的目标检测对象指的是用于区分各图像类别对应的对象或物体。所述图像类别至少包括身份证照片、人证对比照、打卡照片、影像片特写照片以及影像片整体照片中一种或多种。
例如：身份证照片包括身份证正面或身份证反面，其身份证正面的目标检测对象为包含第一特征的区域信息，该第一特征包括如国徽+文本信息等，身份证反面的目标检测对象为包含第二特征的区域信息，该第二特征包括人脸头像+身份证号码+文本信息等。人证对比照的目标检测对象包括身份证照片+人脸图像。打开照片的目标检测对象包括人脸图像+打卡位置图像等。
一旦分类模型检测到待测图像上不存在任何目标检测对象，则说明该待测图像是无效图像，不符合理赔图像的标准，则将该待测图像过滤，并反馈图像无效的提示。
当然，若分类模型检测到待测图像上存在目标检测对象，则根据预设目标检测对象与预设图像类别的映射关系，确定与该目标检测对象匹配的图像类别。
例如：分类模型检测到待测图像上存在国徽+文本信息的目标检测对象，则分类模型识别所述待测图像的图像类别为身份证正面。
分类模型检测到待测图像上不仅有身份证照片，还包括人脸图像的目标检测对象，则确定该待测图像的图像类别为人证对比照。
其他图像类别的确定基于各图像类别对应的目标检测对象依次类推。
这样，预先通过分类模型对待测图像进行初次分类和筛选，以自动滤除不符合理赔要求标准的图像，节省检测时间，同时为不同图像进行分类，以提高检测效率和质量，减少误判率。
S20、为所述待测图像分配该图像类别对应的若干预设检测模型。
在本实施例中，不同的图像类别对应不同的预设检测模型。这些检测模型都是一种卷积神经网络模型，是一种学习模型，可以通过大量的样本图像建立模型，并通过每一次的图像检测过程不断地完善所建立的模型。所述检测模型根据理赔流程具体需求进行设定，在本实施例中，所述检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型。所述完整性检测模型用于检测待测图像的内容是否完整。例如：身份证照片类别对应的完整性检测为待测图像中是否包含身份证背面或身份证正面及其区域的信息是否符合身份证照片类别对应的预设标准。
所述位置检测模型用于定位所述待测图像中目标检测对象的区域，并计算该区域面积与待测图像的面积之间的面积比值，从而根据面积比值来确定该待测图像是否符合身份证照片类别对应的预设标准，即是否为合格图像。例如：身份证照片的区域面积大于等于待测图像的三分之一即为合格图像。
所述模糊检测模型采用拉普拉斯算子，以得到所述待测图像的图像梯度信息，并通过所述待测图像的图像梯度信息的平均值来衡量所述待测图像的清晰程度。同样，可通过待测图像的清晰度程度来衡量待测图像的质量。
具体地，所述为所述待测图像分配该图像类别对应的若干预设检测模型具体包括：
S21，获取预设图像类别对应的若干预设检测模型；
S22，若所述图像类别为身份证照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
S23，若所述图像类别为人证对比照，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
S24，若所述图像类别为打卡照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
S25，若所述图像类别为影像片特写照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
S26，若所述图像类别为影像片整体照片，则为所述待测图像分配完整性检测模型。
因此，根据不同的图像类别，为其提供该图像类别对应的检测模型，从而扩展应用，提高利用率。
S30、通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
具体地，所述综合质量评分即为所分配的若干检测模型输出的分值总和。本实施例中，通过加权求和方式获取所分配的若干检测模型的综合质量评分。该综合质量评分用于衡量待测图像的质量。通过将综合质量评分与预设分数阈值对比来判断该待测图像是否为合格图像。具体地，若所述综合质量评分大于等于所述预设分数阈值，如70，则所述待测图像为合格图像；若所述综合质量评分小于所述预设分数阈值，如70，则所述待测图像为不合格图像，并反馈不合格图像提示。
需要说的是，上述预设分数阈值并非限制的，其可根据实际需求自行设定，如设定一个区间范围，70-100，若综合质量评分在这区域范围，则认定待测图像为合格图像，并在终端显示该待测图像对应的综合质量评分。
该综合质量评分可用于后续理赔参考依据，评价或其他用途。
进一步地，根据不同的图像类别所分配的若干预设检测模型对待测图像进行质量检测。如图2所示，其具体过程为：
S31，利用所述完整性模型提取所述待测图像中的目标特征信息，并将所述目标特征信息与所述待测图像的图像类别对应的预设标准进行比对，以确定所述待测图像是否完整；
该目标特征信息为各图像类别对应的目标检测对象对应的特征信息。例如：身份证正面照片为包含第一特征的目标检测对象，身份证反面照片为包含第二特征的目标检测对象。通俗讲，利用该完整性模型111从待测图像中提取出的目标特征信息是否符合预设标准，如人证对比照片类别的待测图像中是否同时包含身份证以及人脸图像的特征信息。如果都包含，则完整性检测模型111认为该待测图像是完整的，符合完整性预设标准。如果仅包含一个或都不包含，则完整性检测模型111认为该待测图像不完整，不符合与所述待测图像的图像类别对应的预设标准，则反馈图像不完整提示，不再继续后续检测。
S32，若所述目标特征信息符合与所述待测图像的图像类别对应的预设标准，则从所述完整性模型获取所述待测图像的完整性得分，并将所述待测图像输入至所述位置检测模型；
具体地，一旦完整性检测模型112识别该待测图像符合预设完整性标准，则输出该待测图像的完整性得分，同时将该待测图像输入至与所述完整性检测模型112连接的位置检测模型113。
S33，利用位置检测模型定位所述待测图像中所述目标特征信息所在区域，计算所述目标特征信息所在区域与所述待测图像的面积比值；
具体地，由于待测图像具备图像类别所包含的目标特征信息，但由于拍摄角度、距离以及其他因素，可导致该目标特征信息区域较少，如身份证照片，其非身份证信息区域即背景区域过大，而身份证信息区域所包含的信息过少，如仅包含国徽。这样，通过位置检测模型113对目标特征信息所在区域进行二次检测，进一步确定所述待测图像是否为符合预设位置标准的图像。具体地，通过位置检测模型113预先定位待测图像中包含目标特征信息区域，计算包含该目标特征信息区域的面积。然后获取待测图像的面积，计算包含该目标特征信息区域的面积与所述待测图像的面积比值，以根据所述面积比值确定待测图像的位置评分。
S34，若所述面积比值大于预设占比阈值，则从所述位置检测模型获取所述待测图像的位置评分，并将截取的所述待测图像中所述目标特征信息对应的特征区域图像输入至所述模糊检测模型；
具体地，所述预设占比阈值为1/3，即目标特征信息区域的面积大于待测图像区域的1/3，则说明该待测图像符合位置检测模型所设定的标准，输出该待测图像的位置评分。为了加快检测效率，对待测图像进行处理，即截取所述待测图像中所述目标特征信息对应的特征区域图像，输入至所述模糊检测模型114中，以确定该特征区域图像的清晰度。
S35，利用所述模糊检测模型对所述特征区域图像进行模糊识别，以得到所述待测图像的清晰度得分；
在本实施例中，采用梯度算法计算所述特征区域图像中每个像素点的梯度值，统计所有像素点的平均梯度值，基于该平均梯度值来衡量所述待测图像的清晰程度。平均梯度值越大，则所述待测图像越清晰，其清晰度评分值越大。
S36，根据各检测模型的预设权重，计算所述完整性评分、位置评分以及所述清晰度得分的总评分，并将该总评分作为所述所述待测图像的综合质量评分。
具体地，利用加权求和方法，计算各检测模型输出的所述完整性评分、位置评分以及所述清晰度得分的总评分，该总评分输出至终端设备，以供参考。
这样，本申请通过分类模型对图像做分类处理，然后根据不同的图像类别做不同的图像质量判定，并自动过滤掉非保险公司要求上传的图像，从而提高理赔处理效率，方便用户。
基于上述方法，本申请还提供一种终端设备，如图3所所示。该终端设备具体可以是移动终端，也可以是服务器。如图3所示，其包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现年龄识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行年龄识别方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取待测图像，并通过分类模型确定所述待测图像的图像类别；
为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；
通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取待测图像，并通过分类模型确定所述待测图像的图像类别；
为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；
通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像质量检测方法，其特征在于，所述图像质量检测方法包括：
获取待测图像，并通过分类模型确定所述待测图像的图像类别；
为所述待测图像分配该图像类别对应的若干预设检测模型；所述预设检测模型至少包括完整性检测模型、位置检测模型以及模糊检测模型；
通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分。
2.根据权利要求1所述的图像质量检测方法，其特征在于，所述通过所述若干检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分之后包括：
对比所述综合质量评分和预设分数阈值；
若所述综合质量评分大于等于所述预设分数阈值，则所述待测图像为合格图像；
若所述综合质量评分小于所述预设分数阈值，则所述待测图像为不合格图像，并反馈不合格图像提示。
3.根据权利要求1所述的图像质量检测方法，其特征在于，所述获取待测图像，并通过分类模型确定所述待测图像的图像类别具体包括：
获取待测图像；
通过所述分类模型识别所述待测图像，以判断所述待测图像是否存在目标检测对象；
若所述待测图像不存在目标检测对象，则所述分类模型判断所述待测图像为无效图像，将滤除所述待测图像，并反馈图像无效提示；
若所述待测图像存在目标检测对象，则根据预设目标检测对象与预设图像类别的关联关系，确定与所述目标检测对象匹配的图像类别；
将该匹配的图像类别作为所述待测图像对应的图像类别。
4.根据权利要求1或3所述的图像质量检测方法，其特征在于，所述图像类别至少包括身份证照片、人证对比照、打卡照片、影像片特写照片以及影像片整体照片中一种或多种。
5.根据权利要求4所述的图像质量检测方法，其特征在于，所述为所述待测图像分配该图像类别对应的若干预设检测模型具体包括：
获取预设图像类别对应的若干预设检测模型；
若所述图像类别为身份证照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为人证对比照，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为打卡照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为影像片特写照片，则为所述待测图像分配完整性检测模型、位置检测模型以及模糊检测模型；
若所述图像类别为影像片整体照片，则为所述待测图像分配完整性检测模型。
6.根据权利要求5所述的图像质量检测方法，其特征在于，所述通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分具体包括：
利用所述完整性模型提取所述待测图像中的目标特征信息，并将所述目标特征信息与所述待测图像的图像类别对应的预设标准进行比对，以确定所述待测图像是否完整；
若所述目标特征信息符合与所述待测图像的图像类别对应的预设标准，则从所述完整性模型获取所述待测图像的完整性得分，并将所述待测图像输入至所述位置检测模型；
利用位置检测模型定位所述待测图像中所述目标特征信息所在区域，计算所述目标特征信息所在区域与所述待测图像的面积比值；
若所述面积比值大于预设占比阈值，则从所述位置检测模型获取所述待测图像的位置评分，并将截取的所述待测图像中所述目标特征信息对应的特征区域图像输入至所述模糊检测模型；
利用所述模糊检测模型对所述特征区域图像进行模糊识别，以得到所述待测图像的清晰度得分；
根据各检测模型的预设权重，计算所述完整性评分、位置评分以及所述清晰度得分的总评分，并将该总评分作为所述所述待测图像的综合质量评分。
7.根据权利要求6所述的图像质量检测方法，其特征在于，所述通过所述若干预设检测模型对所述待测图像进行质量检测，以得到所述待测图像的综合质量评分还包括：
若所述目标特征信息不符合与所述待测图像的图像类别对应的预设标准，则反馈图像不完整提示，不再继续后续检测。
8.根据权利要求1所述的图像质量检测方法，其特征在于，所述模糊检测模型采用拉普拉斯算子，以得到所述待测图像的图像梯度信息，并通过所述待测图像的图像梯度信息的平均值来衡量所述待测图像的清晰程度。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的图像质量检测方法中的步骤。
10.一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的图像质量检测方法中的步骤。
CN202011230914.9A 2020-11-06 2020-11-06 一种图像质量检测方法、终端设备及存储介质 Active CN112418009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011230914.9A CN112418009B (zh) 2020-11-06 2020-11-06 一种图像质量检测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011230914.9A CN112418009B (zh) 2020-11-06 2020-11-06 一种图像质量检测方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112418009A true CN112418009A (zh) 2021-02-26
CN112418009B CN112418009B (zh) 2024-03-22

Family

ID=74781927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011230914.9A Active CN112418009B (zh) 2020-11-06 2020-11-06 一种图像质量检测方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN112418009B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256583A (zh) * 2021-05-24 2021-08-13 北京百度网讯科技有限公司 图像质量检测方法及装置、计算机设备和介质
CN113269245A (zh) * 2021-05-24 2021-08-17 河北建筑工程学院 一种比对方法及其系统
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
CN114241180A (zh) * 2021-12-15 2022-03-25 平安科技（深圳）有限公司 车损理赔的图片检测方法、装置、计算机设备及存储介质
CN114972303A (zh) * 2022-06-16 2022-08-30 平安科技（深圳）有限公司 图像获取方法、装置、电子设备及存储介质
CN115580721A (zh) * 2022-11-18 2023-01-06 南方电网数字电网研究院有限公司 变电站设备监控视频的质量检测方法、装置、设备和介质
WO2023040314A1 (zh) * 2021-09-15 2023-03-23 上海商汤智能科技有限公司 用于图像检测的方法、装置、电子设备以及存储介质
CN117197083A (zh) * 2023-09-11 2023-12-08 苏州可帮基因科技有限公司 病理图像的质量管控方法及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592146A (zh) * 2011-12-28 2012-07-18 浙江大学 适用于视频监控的人脸检测及摄像机云台控制方法
CN106778519A (zh) * 2016-11-25 2017-05-31 深圳市唯特视科技有限公司 一种通过匹配用户身份证件和自拍照的人脸验证方法
CN109146856A (zh) * 2018-08-02 2019-01-04 深圳市华付信息技术有限公司 图像质量评定方法、装置、计算机设备及存储介质
CN109325933A (zh) * 2017-07-28 2019-02-12 阿里巴巴集团控股有限公司 一种翻拍图像识别方法及装置
CN110189255A (zh) * 2019-05-29 2019-08-30 电子科技大学 基于两级检测的人脸检测方法
CN111339972A (zh) * 2020-03-02 2020-06-26 五八有限公司 一种人脸图像检测方法、装置、电子设备及存储介质
CN111401324A (zh) * 2020-04-20 2020-07-10 Oppo广东移动通信有限公司 图像质量评估方法、装置、存储介质及电子设备
CN111507854A (zh) * 2020-06-29 2020-08-07 爱保科技有限公司 基于历史赔案的车辆定损方法、装置、介质和电子设备
CN111681116A (zh) * 2020-04-27 2020-09-18 中国平安财产保险股份有限公司 理赔资料核实方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592146A (zh) * 2011-12-28 2012-07-18 浙江大学 适用于视频监控的人脸检测及摄像机云台控制方法
CN106778519A (zh) * 2016-11-25 2017-05-31 深圳市唯特视科技有限公司 一种通过匹配用户身份证件和自拍照的人脸验证方法
CN109325933A (zh) * 2017-07-28 2019-02-12 阿里巴巴集团控股有限公司 一种翻拍图像识别方法及装置
CN109146856A (zh) * 2018-08-02 2019-01-04 深圳市华付信息技术有限公司 图像质量评定方法、装置、计算机设备及存储介质
CN110189255A (zh) * 2019-05-29 2019-08-30 电子科技大学 基于两级检测的人脸检测方法
CN111339972A (zh) * 2020-03-02 2020-06-26 五八有限公司 一种人脸图像检测方法、装置、电子设备及存储介质
CN111401324A (zh) * 2020-04-20 2020-07-10 Oppo广东移动通信有限公司 图像质量评估方法、装置、存储介质及电子设备
CN111681116A (zh) * 2020-04-27 2020-09-18 中国平安财产保险股份有限公司 理赔资料核实方法、装置、设备及存储介质
CN111507854A (zh) * 2020-06-29 2020-08-07 爱保科技有限公司 基于历史赔案的车辆定损方法、装置、介质和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGYU LI等: "Towards Document Image Quality Assessment", 《2019 INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION (ICDAR)》, 3 February 2020 (2020-02-03), pages 551 - 558 *
高修峰: "人脸图像质量评估标准方法研究", 《中国博士学位论文全文数据库信息科技辑》, no. 06, 15 June 2009 (2009-06-15), pages 138 - 29 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256583A (zh) * 2021-05-24 2021-08-13 北京百度网讯科技有限公司 图像质量检测方法及装置、计算机设备和介质
CN113269245A (zh) * 2021-05-24 2021-08-17 河北建筑工程学院 一种比对方法及其系统
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
WO2023040314A1 (zh) * 2021-09-15 2023-03-23 上海商汤智能科技有限公司 用于图像检测的方法、装置、电子设备以及存储介质
CN114241180A (zh) * 2021-12-15 2022-03-25 平安科技（深圳）有限公司 车损理赔的图片检测方法、装置、计算机设备及存储介质
CN114972303A (zh) * 2022-06-16 2022-08-30 平安科技（深圳）有限公司 图像获取方法、装置、电子设备及存储介质
CN115580721A (zh) * 2022-11-18 2023-01-06 南方电网数字电网研究院有限公司 变电站设备监控视频的质量检测方法、装置、设备和介质
CN117197083A (zh) * 2023-09-11 2023-12-08 苏州可帮基因科技有限公司 病理图像的质量管控方法及设备

Also Published As

Publication number Publication date
CN112418009B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN112418009A (zh) 一种图像质量检测方法、终端设备及存储介质
WO2019096029A1 (zh) 活体识别方法、存储介质和计算机设备
CN110569721A (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
CN111680746B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN109816200B (zh) 任务推送方法、装置、计算机设备和存储介质
CN110738236B (zh) 图像匹配方法、装置、计算机设备及存储介质
CN110570358A (zh) 基于gan网络的车损图像增强方法和装置
EP3848888A1 (en) Method and apparatus for generating vehicle damage image based on gan network
CN109389019B (zh) 人脸图像选择方法、装置及计算机设备
CN113239874B (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN112418278A (zh) 一种多类物体检测方法、终端设备及存储介质
CN111311540A (zh) 车辆定损方法、装置、计算机设备和存储介质
CN111028218B (zh) 眼底图像质量判定模型训练方法、装置和计算机设备
WO2021114612A1 (zh) 目标重识别方法、装置、计算机设备和存储介质
CN112668462B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN113269149A (zh) 活体人脸图像的检测方法、装置、计算机设备及存储介质
CN112465807A (zh) 车牌图像真伪识别方法、装置、设备和介质
CN111553431A (zh) 图片清晰度检测方法、装置、计算机设备及存储介质
CN110766077A (zh) 证据链图像中特写图筛选方法、装置和设备
CN111178203A (zh) 签名审核方法、装置、计算机设备和存储介质
CN108647613B (zh) 一种应用于考场的考生查验方法
CN113706513A (zh) 基于图像检测的车损图像的分析方法、装置、设备及介质
CN113158900A (zh) 人脸活体检测模型的训练方法、装置、设备及存储介质
CN112766351A (zh) 一种图像质量的评估方法、系统、计算机设备和存储介质
CN113436735A (zh) 基于人脸结构度量的体重指数预测方法、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
GR01 Patent grant
GR01 Patent grant