CN112528996A - 图片处理方法、装置、设备、存储介质和计算机程序产品 - Google Patents
图片处理方法、装置、设备、存储介质和计算机程序产品 Download PDFInfo
- Publication number
- CN112528996A CN112528996A CN202011531310.8A CN202011531310A CN112528996A CN 112528996 A CN112528996 A CN 112528996A CN 202011531310 A CN202011531310 A CN 202011531310A CN 112528996 A CN112528996 A CN 112528996A
- Authority
- CN
- China
- Prior art keywords
- area
- skin
- picture
- region
- characteristic
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 106
- 238000000605 extraction Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012954 risk control Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 2
- 238000007726 management method Methods 0.000 description 31
- 239000000463 material Substances 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000012550 audit Methods 0.000 description 8
- 238000011002 quantification Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000001217 buttock Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了图片处理方法、装置、设备、存储介质和计算机程序产品，涉及计算机领域，尤其涉及图片处理、大数据和云计算技术领域。具体实现方案为：对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域；确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算每个部位区域中的皮肤区域在所属部位区域中的特征指数；结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分；根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及图片处理、大数据和云计算技术领域，特别涉及图片处理方法、装置、设备、存储介质和计算机程序产品。
背景技术
随着互联网技术的快速发展，互联网在为人们提供丰富的网络资源同时，也为包含争议内容的图片内容和视频内容的广泛传播提供了途径。因此，需要对图片内容及视频内容进行风险审核和管控。
发明内容
本公开提供了一种图片处理方法、装置、设备、存储介质和计算机程序产品。
根据本公开的第一方面，提供了一种图片处理方法，包括：对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域；确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算每个部位区域中的皮肤区域在所属部位区域中的特征指数；结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分；根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片。
根据本公开的第二方面，提供了一种图片处理装置，包括：特征提取和区域划分模块，用于对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域；特征量化模块，用于确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算每个部位区域中的皮肤区域在所属部位区域中的特征指数；特征评价模块，用于结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分；风险判定模块，用于根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片。
根据本公开的第三方面，提供了一种电子设备，其包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任意一种图片处理方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行图片处理方法中任一项的图片处理方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述图片处理方法中任一项方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一实施例的场景示意图；
图2是根据本公开又一实施例的图片处理方法的流程示意图；
图3是根据本公开又一实施例的图片处理流程的框架示意图；
图4示出本公开又一实施例的图片处理流程的框架示意图；
图5示出本公开又一实施例的图片处理流程的框架示意图；
图6示出本公开又一实施例的图像处理方法的流程图；
图7为本公开又一实施例的图像处理装置的结构示意图；
图8是用来实现本公开实施例的图片处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
在实际应用场景中，由于图片内容审核及视频内容审核等风控工作中，低俗裸露风险是风险占比非常高的一大类。为了提高物料的审核效率，实际工作中可以将机器审核和人工审核以一定比例结合，共同完成审核任务。
在一些场景中，低俗裸露是一个比较主观的概念，在传统的机器审核工作中，往往会遇到低俗裸露标准难统一的问题；而不同平台、不同展示端对低俗裸露的理解和管控粒度也不尽相同。标准不一、定义和需求的变化导致低俗裸露风险评估模型经常出现有争议的案例。例如，如胸部裸露程度多大才能算作低俗，因此应用方需要频繁的人工干涉模型结果，而开发方则需要持续的对模型进行修改维护。
在一些场景中，不同平台的不同管控粒度要求，相当于多个互不兼容的低俗裸露标准和需求，目前只能通过定制模型来解决。无论是不同平台的多个模型定制，还是每个模型的维护迭代，都需要额外收集图片数据集(因为不同的平台数据分布不同)、模型训练、测试调整等。这些问题导致低俗裸露风险评估模型的开发和维护工作量巨大，成本高昂，迭代周期长；而风险的分布稀疏也导致模型准确率低，识别效果差。
在一些场景中，图片物料的机器审核可以使用分类模型进行处理，其步骤例如可以包括：首先，对低俗图片人工分为不同种类，一般主观上根据需求以图片的低俗特征分类，如分为胸部裸露，臀部裸露，内衣吊带等性感着装，聚焦胸部，聚焦臀部等；基于每一类，各自收集一定数量的图片建立数据集；然后，使用传统特征提取方法或人工神经网络建立检测模型或分类模型，对输入的图片进行风险评估。但是，该模型中对低俗特征分类粒度较大，只能输出预先定义的低俗裸露类别。理想情况下的模型只会输出图片中是否存在低俗类别(如胸部是否裸露)，而无法给出具体的低俗程度等信息(如胸部裸露的多还是少)。面对不同裸露程度的风险管控需求，上述方案只能根据不同的低俗程度建立不同的数据集，训练不同的模型，工作量十分巨大。
因此，本公开实施例提供一种图片处理方法，可以对图片、视频等图片物料中目标对象的各个部位进行皮肤区域特征检测与识别，以及进行特征评价和风险判定，达到对图片内容及视频内容进行风险审核和管控的目标。
图1是本公开实施例的场景示意图。在图1中所示的场景中，包括：终端11、图片物料12、网络13和图片处理服务器14。
其中，终端11可以包括但不限于：个人电脑、智能手机、平板电脑、个人数字助理、服务器等。用户可以通过终端11可以访问图片物料12。
图片物料12，可以是来自网络13的网页、视频和图片文件等网络资源中的图片，也可以是终端设备11本地的图片。
网络13用以在各种平台和电子设备之间提供通信链路的介质。具体的，网络13可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。
图片处理服务器13用于根据获取的图片物料12，执行本公开实施例的图片处理方法，以确定该图片物料12中的图片是否为管控目标图片。
应该理解，图1中的设备的数目仅仅是示意性的。根据实际应用需要，可以进行灵活调整。例如，图片处理服务器14可以是由一台服务设备构成，也可以是多台服务设备构成的服务器集群。具体可以根据需求灵活配置，此方面内容不做限制。
图2为本公开第二实施例的图片处理方法的流程示意图。
第一方面，参照图2，本公开实施例提供一种图片处理方法，该方法可以包括如下步骤。
S210，对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域。
S220，确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算每个部位区域中的皮肤区域在所属部位区域中的特征指数。
S230，结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分。
S240，根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片。
根据本公开实施例的图片处理方法，通过对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域后，计算目标区域中皮肤区域的特征评价得分，以对目标区域的特征进行量化，从而结合风险管控需求，对该量化结果进行风险评估，以确定预定图片是否为管控目标图片，从而达到根据风险管控需求对图片内容及视频内容灵活进行风险审核和管控的目标的效果。
在一些场景中，由于低俗裸露标准包含大量的主观理解，难以客观界定，开发方、应用方对标准的不同理解导致模型开发时的沟通成本高，迭代周期长，且实际应用时，对低俗裸露风险的识别效果常常产生争议，需要频繁进行人工干预，违背了机器审核的初衷。
而本公开实施例中，可以结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分，从而实现特征评价标准的量化表示。
在一些场景中，由于各平台的低俗裸露标准不一致问题导致定制工作量大。由于标准千差万别，导致现有方案的机器审核模型可复用性低，每次定制均需要重新划定标准，收集数据集，并重新训练模型，巨大的工作量导致迭代周期长，成本高。
在传统的使用分类模型对图片物料的机器审核的过程中，不同平台的不同管控力度要求，需要针对性第定制模型来进行图片的风险评估和管控，工作量十分巨大。
而在本公开实施例中，可以根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片。从而支持对低俗裸露的程度进行评估，可以实现对低俗裸露程度的量化表示，提高了图像处理方法的可复用性，并且，本公开实施例中对低俗裸露程度进行评估的能力，在实际应用中可以具有更加丰富的场景，如分平台、分用户、分时段对不同低俗裸露程度的物料进行分级投放等。
在本公开实施例中，预定图片中的目标对象可以是人物、动物等存在皮肤裸露的对象。本公开实施例中描述的皮肤特征即皮肤裸露特征，若确定预定图片为管控目标图片，则标识预定图片存在低俗风险。
图3示出本公开第三实施例的图片处理流程的框架示意图。如图3所示，在一些实施例中，该图片处理流程的框架300可以包括图片输入单元310、皮肤裸露特征提取单元320和风险判定单元330。
在一些实施例中，图片输入单元310，可以用于接收来自网络或来自用户终端输入的图片。
示例性地，可以根据审核系统需要，从本地图片库存或者网络环境中获取图片。
皮肤裸露特征提取单元320，可以用于执行上述步骤S210-S220，得到每个部位区域中的皮肤区域在所属部位区域中的特征指数。
示例性地，通过皮肤裸露特征提取单元320，对输入的图像进行低俗裸露特征的提取，输出图片中人物图像的每个部位区域中的皮肤区域在所属部位区域中的特征指数。即可以得到图片中目标对象一个部位区域中的皮肤区域的量化的裸露特征数值，或多个部位区域中的每个部位区域中的皮肤区域的量化的裸露特征数值。
风险判定单元330，用于执行上述步骤S230-S240，得到量化的目标区域中皮肤区域的特征评价得分，以及在达到根据风险管控需求确定的特征评价阈值的情况下，确定预定图片为管控目标图片。
示例性地，根据人体某部位或多个不同部位的裸露特征数值，判断图片是否包含低俗裸露风险，并将判断结论按照需求输出。
在本公开实施例的图像处理方法中，相对于传统方法基于主观分类的低俗裸露图片数据集，训练检测或识别模型对低俗裸露风险进行审核管控。其开发效率低、迭代周期长、识别效果容易起争议且可复用性低的缺陷，在本公开实施例可以将低俗裸露风险程度量化为直观的指标，并通过对指标的阈值调整来实现不同程度的风险判定，使方案可以灵活适应各种需求，从而可以实现效率高、成本低、灵活可定制的低俗裸露风险管控。
在一些实施例中，步骤S210具体可以包括如下步骤。
S11，对预定图片进行皮肤特征提取，得到预定图片中的皮肤区域；S12，对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域；S13，结合皮肤区域和目标对象的多个部位区域，得到多个部位区域中的每个部位区域中的皮肤区域。
通过上述步骤S11-S13，对预定图片进行的皮肤特征提取和部位区域划分可以是相互独立，并列进行的两个步骤，该处理方式可以在全局维度上提取预定图片中的皮肤特征(即皮肤裸露特征)，并将提取的皮肤特征与预定图片的目标对象的部位区域划分结果相结合，得到目标对象的多个部位区域中的每个部位区域中的皮肤区域。在该过程中，特征提取算法只在全局运行一次，节省计算量，提高数据处理速度。
图4示出本公开第四实施例的图片处理流程的框架示意图。图4与图3中相同或等同的结构使用相同的标号。图片处理流程的框架400基本相同于图片处理流程的框架300不同之处在于，在该框架400中，皮肤裸露特征提取单元320包括：特征提取子单元321、部位划分子单元322和区域特征量化子单元323。
在该实施例中，特征提取子单元321和部位划分子单元322的处理对象均为预定图片，且特征提取子单元321和部位划分子单元322的数据处理顺序相互独立，可以并列进行。
特征提取子单元321可以用于执行上述步骤S11；部位划分子单元322可以用于执行上述步骤S12，以及，区域特征量化子单元323可以用于执行上述步骤S13。通过该框架400中各个子单元的处理，可以得到多个部位区域中的每个部位区域中的皮肤区域，并可以节省计算量，提高数据处理速度。
在一些实施例中，步骤S210具体可以包括如下步骤。
S21，对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域；S22，对多个部位区域中的每个部分区域，分别进行皮肤特征提取，得到多个部位区域中的每个部位区域中的皮肤区域。
在该实施例中，部位区域划分和皮肤特征提取存在处理先后顺序。可以先进行部位区域划分，再根据划分得到的每个部分区域进行皮肤特征提取，得到多个部位区域中的每个部位区域中的皮肤区域。由于划分得到的每个部分区域均进行一次皮肤特征提取，可以有效剔除图片中背景信息的干扰，提升了皮肤特征的提取精度。
图5示出本公开第五实施例的图片处理流程的框架示意图。
图5示出本公开第五实施例的图片处理流程的框架示意图。图5与图3和图4中相同或等同的结构使用相同的标号。图片处理流程的框架500基本相同于图片处理流程的框架400不同之处在于，在该框架400中，特征提取子单元321和部位划分子单元322的处理对象和处理顺序不同。
在该框架400中，部位划分子单元322的处理对象均为预定图片，特征提取子单元321的处理对象，是部位划分子单元322对预定图片进行部分划分得到的各个部位区域。可见，部位划分子单元322和特征提取子单元321的处理顺序存在先后顺序关系。
在一个实施例中，部位划分子单元322可以用于执行上述步骤S21，
特征提取子单元321可以用于执行上述步骤S22；以及，区域特征量化子单元323可以用于执行上述步骤S23。通过该框架500中各个子单元的处理，可以得到多个部位区域中的每个部位区域中的皮肤区域，并可以有效剔除图片中背景信息的干扰，提升了皮肤特征的提取精度。
在一些实施例中，S11具体可以包括：S31，通过预定的至少一种特征提取方式，得到预定图片中像素点的颜色特征值；S32，对每种特征提取方式对应的像素点的颜色特征值进行融合，得到融合后的特征值；S33，将融合后的特征值满足预定特征阈值条件的像素点，作为皮肤像素点，得到预定图片中的皮肤区域。
在该实施例中，可以对多种特征提取方式得到的特征提取结果进行综合，提升特征提取的准确率。
在一些实施例中，颜色特征值是通过如下特征提取方式中的至少一种，从预定图片中提取的特征值：在指定颜色域中提取的像素点颜色特征值、在指定颜色域中提取的像素点颜色统计特征值、通过时频域变换提取的像素点颜色特征值、和通过预定的语义分割算法从预定图片中分割出皮肤区域后，从分割出的皮肤区域中提取的像素点颜色特征值。
示例性地，特征提取方式是在指定颜色域中提取的像素点颜色特征值时，即可以使用像素点的固定值或固定区间进行像素点颜色特征的提取。例如在红绿蓝(Red GreenBlue，RGB)颜色域，色度饱和度纯度(Hue Saturation Value，HSV颜色域)，颜色编码ycrcby等颜色域中，使用固定的阈值或阈值区间判断像素点是否属于裸露的皮肤，阈值或阈值区间可由实验得到，该特征提取方式实现简单且计算速度快。
示例性地，特征提取方式是在指定颜色域中提取的像素点颜色统计特征值的情况下，如在RGB，HSV，ycrcb等颜色域中，根据图片像素值的统计特征进行自适应判断。例如，将预定图片输入crcb域椭圆模型，高斯肤色模型等，得到图片信息的颜色特征值，该方法相对于在指定颜色域中提取的像素点颜色特征值的方式更精确，并且实现相对简单且计算速度快。
示例性地，特征提取方式是通过时频域变换提取的像素点颜色特征值的情况下，例如可以采用小波变换算法，希尔伯特hilbert变换算法进行图像信号的分析，得到从预定图片中提取的颜色特征。
示例性地，特征提取方式是通过预定的语义分割算法从预定图片中分割出皮肤区域后，从分割出的皮肤区域中提取的像素点颜色特征值的情况下，即，可以使用基于对像素点进行分类的算法进行特征提取。
例如，可以使用FCN和mask-rcnn等语义分割算法，较准确的将人体的皮肤区域与其它区域进行分割，对人体皮肤特征拟合能力强。
在一些实施例中，特征阈值条件为：特征值达到预定的皮肤特征阈值、或者在预定的皮肤特征阈值区间内。
在该实施例中，可以特征阈值条件可以是固定的特征阈值或皮肤特征阈值区间，提高的特征判定标准的灵活性。
在一些实施例中，融合后的特征值，为每种特征提取方式对应的像素点的颜色特征值的加权平均值，或每种特征提取方式对应的像素点的颜色特征值的交集。
在该实施例中，通过加权平均或取交集等方式，对每种特征提取方式对应的像素点的颜色特征值进行融合，可以提升特征提取的准确率。
通过本公开上述实施例的特征提取处理，在提取得到裸露皮肤特征以后，通过设置阈值或区间，可以将图片划分为低俗裸露区域和非裸露区域，得到相应的皮肤特征识别结果。
在一些实施例中，S12或S21中，对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域的步骤，具体可以包括如下步骤S41-S45中的任一步骤。
S41，根据预定图片中的多个预设图片位置信息，从预定图片中划分得到对应的多个部位区域。
在该步骤中，可以基于固定位置的模板将图片中的固定位置划分为人体的某个部位。在一些实施例中，图片中的固定位置可以通过坐标或网格划分，例如固定坐标的多边形；或把每张图片划分为多个网格，规定一些网格为人体的某个部位。
示例性地，在划分网格时既可以基于图片的比例设置固定数量的网格，也可以基于固定的网格尺寸将图片划分为许多网格。该方法不需要额外的计算，只要通过预先设定的模板即可将人体区域划分完毕，实现方式简单，处理速度快。
S42，在检测到预定图片中的人物图像位置区域后，根据预设的多个预设部位位置信息，从人物图像位置区域中划分得到对应的多个部位区域。
在该步骤中，基于人体位置的模板进行区域划分。示例性地，可以先确定图片中人体的位置，再对其使用预先设置的模板进行划分。例如，目标对象为人物图像，可以通过图像检测等方法确定人体框，然后在人体框中，利用上述基于固定位置的模板对人体部位进行划分。该方法在进行区域划分之前，先确定人体部位的定位，提升了部位划分的准确度，并且可以适应图中有多个人的情况。
S43，通过关键点定位检测从预定图片中定位得到所包含人物图像的多个部位区域。
在该步骤中，可以通过人体关键点定位人体的各个部位位置，提高部位划分的准确度。
S44，通过对预定图片进行像素分割，将分割得到的预定图片中的每个像素划分至对应的部位区域，得到预定图片中的多个部位区域。
在该步骤中，可以通过像素分割的方式直接划分出不同的人体部位区域，提高部位划分的准确度，可在人体各种姿态下划分出不同部位。
S45，通过关键点定位检测从预定图片中定位得到所包含人物图像的多个部位区域之后，分别对人物图像的多个部位区域进行像素分割，对分割得到的每个像素进行不同部位区域的划分，得到预定图片中的多个部位区域。
在该步骤中，可将关键点定位检测和像素分割两种方式相结合，得到预定图片中的多个部位区域，该方法能够提高定位准确行，并可在人体各种姿态下划分出不同部位，能适用于实际应用场景中人体多种姿态和在图片中不同位置的情况。
在本公开实施例中，对低俗裸露特征的量化表示，需要结合人体部位进行。根据本公开实施例的上述部位划分处理过程，可以根据审核需求，可以将图片中的人体分为一个或多个部位；每个部位结合其包含的低俗裸露区域量化为数值，用于评估其低俗裸露程度。按照图片中常见的低俗风险，可以划分出不同的人体部位，如胸部，腹部，臀部等。各部位的具体区域依据审核需求自由定制，且划分出的部位区域相互之间可以重叠或包含。
在一些实施例中，步骤S220中，确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置的步骤，具体可以包括如下步骤S51和S52，或者，具体可以包括如下步骤S53和S54。
例如，在一些实施例中，步骤S220具体可以包括如下步骤S51和S52。
S51，针对每个部位区域，获取第一外接图形和第二外接图形，第一外接图形的图形区域包含一个部位区域，第二外接图形的图形区域包含一个部位区域中的皮肤区域；S52，根据第一外接图形和第二外接图形的相对位置，确定每个部位区域中的皮肤区域在所属部位区域中所处的位置；
在该实施例中，外接图形可以是外接矩形框、外接多边形和不规则图形中的任一种。通过外接图像的方式，确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，实现方式简单且易于操作。
例如，在一些实施例中，步骤S220具体可以包括如下步骤S53和S54。
S53，针对每个部位区域，获取第一几何中心点和第二几何中心点，第一几何中心点为一个部位区域的几何中心点，第二几何中心点为一个部位区域中的皮肤区域的几何中心点；S54根据第一几何中心点和第二几何中心点的相对位置，确定每个部位区域中的皮肤区域在所属部位区域中所处的位置。
在该实施例中，考虑到皮肤裸露区域在人体部位中所处的位置也可以作为量化值的参考。由于皮肤裸露区域和人体部位多为不规则图形，在估计位置的时候可以以一个点(几何中心点)或一组点(图形框中包含的像素点)来代表。例如，可以选择区域的外接矩形、外接多边形、几何中心等点来确定位置。实现方式简单且易于操作，能够提高数据计算速度和处理效率。
在一些实施例中，步骤S220中，计算每个部位区域中的皮肤区域在所属部位区域中的特征指数的步骤，具体可以包括如下步骤。
S61，计算每个部位区域的面积和每个部位区域中的皮肤区域的面积；S62，根据预设的第一特征评价函数，使用每个部位区域的面积和每个部位区域中的皮肤区域的面积，计算得到每个部位区域中的皮肤区域在所属部位区域中的特征指数；其中，第一特征评价函数，用于表示每个部位区域和每个部位区域中的皮肤区域之间的面积比较关系。
作为示例，外接图形可以是外接矩形框，将包含指定区域的最小矩形框的面积，作为该区域的面积的估计值。
作为示例，外接图形可以是外接多边形，划分指定区域的一个外接多边形，并将该多边形的面积作为估计值；
作为示例，外接图形可以是不规则图形，例如可以使用曲线包裹区域，并将曲线包裹的面积作为估计值。
在该实施例中，计算每个部位区域中的皮肤区域在所属部位区域中的特征指数，实现对皮肤区域在人体部位中所处的位置的量化表达，为后续的特征量化提供数据基础。
在一些实施例中，每个部位区域中的皮肤区域在所属部位区域中的特征指数可以表示为下面的表达式(1)：
vulgar_value＝f(Spart，Svulgar) (1)
在上述表达式(1)中，Spart是某个部位区域的面积，Svulgara是该部位区域中的皮肤区域的面积，vulgar_value为每个部位区域中的皮肤区域在所属部位区域中的特征指数，f(Spart，Svulgar)表示每个部位区域和每个部位区域中的皮肤区域之间的面积比较关系。
在一些实施例中，该特征评价函数直接取Svulgar和Spart的比值，或者，可以取Spart和Svulgar的差值。示例性地，例如f(Spart，Svulgar)＝Svulgar/Spart，或者，f(Spart，Svulgar)＝Spart-Svulgar。
应理解，在实际应用场景中，函数f(Spart，Svulgar)可以根据需求自由调整。本公开实施例不做具体限定。
在一些实施例中，S61中计算每个部位区域的面积和每个部位区域中的皮肤区域的面积的步骤，还可以包括S71和S72。
S71，针对每个部位区域，获取第一外接图形和第二外接图形，第一外接图形的图形区域包含一个部位区域，第二外接图形的图形区域包含一个部位区域中的皮肤区域；S72，根据第一外接图形的图形区域面积和第二外接图形的图形区域面积，得到每个部位区域的面积和每个部位区域中的皮肤区域的面积。
在该实施例中，通过区域外接图形的面积，计算得到每个部位区域的面积和每个部位区域中的皮肤区域的面积，计算简单且处理速度快，为后续的特征量化提供数据基础。
在一些实施例中，S61中计算每个部位区域的面积和每个部位区域中的皮肤区域的面积的步骤，还可以包括S73。
S73，统计每个部位区域中的像素点的数量和每个部位区域中的皮肤区域的像素点的数量，得到每个部位区域的面积和每个部位区域中的皮肤区域的面积。
在该实施例中，如果可以判断每个像素点是否属于该区域，则可以通过统计像素点的数量作为区域的面积，如果低俗裸露特征和人体部位都是基于像素点进行处理的，便可以方便的计算出各自的面积，且计算精度更高。
在一些实施例中，步骤S230具体可以包括：S81，根据每个部位区域中的皮肤区域所处的位置，确定每个部位区域中的皮肤区域的第一权重值，第一权重值，是每个部位区域中的皮肤区域在所属部位区域中的特征指数的权重值；S82，基于第一权重值，将目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，进行加权融合处理，得到目标区域中的皮肤区域的特征评价得分。
在该实施例中，在获得低俗裸露特征和人体部位后，可以结合每个部位区域中的皮肤区域所处的位置，以及目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，对皮肤区域的特征，即皮肤裸露特征进行量化表示。在每个部位区域，通过皮肤裸露特征的位置、面积等信息，计算该部位的特征评价得分(例如低俗程度得分)。
在一些实施例中，S82具体可以包括如下步骤。
S82-01，将多个部位区域作为目标对象的整体区域，计算每个部位区域中的皮肤区域在整体区域中的特征指数；
S82-02，确定每个部位区域中的皮肤区域的第二权重值，第二权重值是每个部位区域中的皮肤区域，在整体区域中的特征指数的权重值。
S82-03，根据第一权重值和第二权重值，将目标区域中皮肤区域的特征指数、非目标区域中皮肤区域的特征指数、每个部位区域中的皮肤区域在整体区域中的特征指数，进行加权融合处理，得到目标区域中的皮肤区域的特征评价得分。
在该实施例中，在获得低俗裸露特征和人体部位后，可以结合每个部位区域中的皮肤区域所处的位置，以及目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，以及每个部位区域中的皮肤区域在整体区域中的特征指数，对皮肤区域的特征，即皮肤裸露特征进行量化表示，在每个部位区域，通过皮肤裸露特征的位置、面积等信息，计算该部位的特征评价得分(例如低俗程度得分)，特征评价得分参考每个部位区域中的皮肤区域在整体区域中的特征指数，评价得分更加准确，更符合实际应用场景中的使用。
在一些实施例中，S82-01中，计算每个部位区域中的皮肤区域在整体区域中的特征指数的步骤，可以包括：根据每个部位区域的面积，计算得到整体区域的总面积；根据预设的第二特征评价函数，使用每个部位区域中的皮肤区域的面积和总面积，计算得到每个部位区域中的皮肤区域在整体区域中的特征指数；其中，第二特征评价函数，用于表示每个部位区域和整体区域之间的面积比较关系。
在该实施例中，根据每个部位区域中的皮肤区域的面积和整体区域的总面积，计算每个部位区域中的皮肤区域在整体区域中的特征指数，为结合每个部位区域中的皮肤区域在整体区域中的特征指数，来进行皮肤裸露特征的评价得分，提供数据基础。
在一些实施例中，风险管控需求包括：第一类管控需求、第二类管控需求和第三类管控需求中的任一种；步骤S240中，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片的步骤，具体可以包括如下步骤。
S91，在风险管控需求为第一类管控需求，且任一目标区域中的皮肤区域的特征评价得分，大于或等于对应的特征评价阈值的情况下，确定预定图片为管控目标图片。
作为示例，每个部位的特征评价阈值可以单独使用，当图片中胸部的低俗指数大于胸部特征评价阈值例如0.9时，即判断为包含低俗裸露风险。
S92，在风险管控需求为第二类管控需求，且至少两个目标区域的皮肤区域的特征评价得分，均大于或等于对应的特征评价阈值的情况下，确定预定图片为管控目标图片。
作为示例，每个部位的特征评价阈值可以组合使用，当图片中胸部的低俗指数大于胸部特征评价阈值例如0.7，且臀部的低俗指数大于臀部胸部0.8时，即判断为包含低俗裸露风险。
S93，在风险管控需求为第三类管控需求，且至少两个目标区域的皮肤区域的特征评价得分的加权平均值，大于或等于预定的加权平均评价阈值的情况下，确定预定图片为管控目标图片。
作为示例，每个部位的特征评价阈值可以映射使用，对不同部位的特征指数通过函数组合映射，得到一个组合映射后的值，再通过阈值使用。如将胸部和臀部的低俗指数进行加权平均，所得值大于组合映射的特征值例如0.9时，判断图片包含低俗裸露风险。
在该实施例中，为了更准确更灵活的判断，根据不同平台和不同标准的低俗风险管控力度，对不同人体部位各自设置阈值来实现低俗风险的审核。在获得人体不同部位的特征指数后，可以设置单独阈值，也可以通过一组阈值组合使用，实现对低俗风险的定制化、精细化管控。
在一些实施例中，在步骤S210，对预定图片进行皮肤特征提取和目标对象的部位区域划分前，方法还包括如下步骤。
S110，根据预定图片的内容，判断预定图片是否包含低风险图片特征；S111，在预定图片未包含低风险图片特征，且预定图片的长度超过预定长度阈值的情况下，对预定图片进行裁剪，得到经裁剪的图片；S112，对经裁剪的图片进行标准化处理，得到标准化处理后的预定图片，作为预定图片；其中，标准化处理包括对经裁剪的图片进行尺寸缩放处理和对比度调整处理。
在步骤S110，本公开实施例可以实现低风险或无风险图片筛选，低风险图片例如图片内容为纯色图和纯文字图等情况下，可以根据需要先行滤除，从而跳过审核流程以节省计算量，提高物料审核效率。对于低风险图片的检测，可以使用传统的像素统计方法、连通域判断方法等。判断为低风险的图片可以跳过审核阶段直接输出结果，以节省计算量。
在步骤S111，对于移动端中的图片物料，经常会获取到超长图片，如会话聊天类应用中常见的宽度一定、长度远超屏幕的长图。如果将这一类图片不加处理直接提取特征，会影响算法识别的结果。因此需要对超长的图片做识别和预处理。
例如，首先可以检测图片是否为超长类型的图片，可以通过图片的长宽比例，设定一个长度阈值作为判断标准，然后对超长的图片进行裁剪，可以按根据长宽按固定值进行裁剪；也可以根据图片中的图案自适应的进行裁剪。例如，通过图片的连通域来确定图片裁剪的边界，将含有连续图案的区域分割在一起。
在步骤S112，可以对要处理的图片进行标准化处理：例如统一缩放至固定尺度以提升特征提取算法效率，进行对比度调整提升特征提取的效率和效果等。
根据本公开实施例的图片处理方法，可以以图片中皮肤区域作为风险判断标准，避免了特征风险分类标准中的主观影响，使其清晰、可量化。将皮肤裸露程度映射为一个确定的量化值，在机器审核的风险判断算法中方便利用阈值处理，提高了模型的鲁棒性。而将皮肤裸露作为低俗裸露的标准，即避免了标准上的争议，提升了图片处理和判定结果的准确率。
图6示出本公开第六实施例的图像处理方法的流程图。如图6所示，在该实施例中，图像处理方法可以包括如下步骤。
S601，图片输入。
S602，判断输入的图片是否是低风险图片。若是，执行S610；若否，执行S603。
在该步骤中，S610可以输出审核结果为该图片为低风险图片的提示信息。
S603，判断是否是超长图片，若是，执行S604，若否，执行步骤S605。
S604，对超长图片进行裁剪处理。
S605，执行图片标准化处理。
S606，皮肤特征提取。
在该步骤中，可以对预定图片进行皮肤特征提取，得到预定图片中的皮肤区域。
S607，部位区域划分。
在该步骤中，可以对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域。
通过上述S606和S607，得到多个部位区域中的每个部位区域的皮肤区域。
S608，皮肤特征量化。
在该步骤中，确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算每个部位区域中的皮肤区域在所属部位区域中的特征指数，作为皮肤特征量化结果。
S609，特征风险判定。
在该步骤中，可以结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分，并根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片，以进行特征风险判定。
S610，输出审核结果。
在该步骤中，若确定预定图片为管控目标图片，则输出相应的审核结果。
本公开实施例的图像处理方案，可以基于皮肤的裸露特征对低俗物料进行评估，评估结果客观、可量化；面对不同的低俗标准，不需要重新训练算法，只要根据要求调整不同的阈值即可；对于不同平台的不同需求，不需要重复训练多个模型，在风险判定单元使用不同的比例阈值即可适应多种情况；并且，可以根据不同的低俗程度对包含低俗风险的物料进行分级，对不同等级的低俗物料采取不同的控制策略。如分平台展现、分时展现、控制展现数量、拒绝展现等，在风险控制和收益之间取得一个平衡点。可以在图片内容审核及视频内容审核等风控工作发挥重要的作用。
需要明确的是，本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图7为本公开第七实施例的图像处理装置的结构示意图。
第二方面，参照图7，本公开实施例提供一种图像处理装置700，该装置可以包括如下模块。
特征提取和区域划分模块710，用于对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域。
特征量化模块720，用于确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算每个部位区域中的皮肤区域在所属部位区域中的特征指数。
特征评价模块730，用于结合每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分。
风险判定模块740，用于根据风险管控需求确定目标区域中皮肤区域的特征评价阈值，在目标区域中皮肤区域的特征评价得分大于或等于特征评价阈值的情况下，确定预定图片为管控目标图片。
在一些实施例中，特征提取和区域划分模块710包括特征提取单元和区域划分单元。
特征提取单元，用于对预定图片进行皮肤特征提取，得到预定图片中的皮肤区域；区域划分单元，用于对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域；特征提取和区域划分模块710，用于结合皮肤区域和目标对象的多个部位区域，得到多个部位区域中的每个部位区域中的皮肤区域。
在一些实施例中，区域划分单元，用于对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域；特征提取单元，用于对多个部位区域中的每个部分区域，分别进行皮肤特征提取，得到多个部位区域中的每个部位区域中的皮肤区域。
在一些实施例中，特征提取单元在用于对预定图片进行皮肤特征提取，得到预定图片中的皮肤区域时，具体用于：通过预定的至少一种特征提取方式，得到预定图片中像素点的颜色特征值；对每种特征提取方式对应的像素点的颜色特征值进行融合，得到融合后的特征值；将融合后的特征值满足预定特征阈值条件的像素点，作为皮肤像素点，得到预定图片中的皮肤区域。
在一些实施例中，颜色特征值是通过如下特征提取方式中的至少一种，从预定图片中提取的特征值：在指定颜色域中提取的像素点颜色特征值、在指定颜色域中提取的像素点颜色统计特征值、通过时频域变换提取的像素点颜色特征值、和通过预定的语义分割算法从预定图片中分割出皮肤区域后，从分割出的皮肤区域中提取的像素点颜色特征值；特征阈值条件为：特征值达到预定的皮肤特征阈值、或者在预定的皮肤特征阈值区间内；融合后的特征值，为每种特征提取方式对应的像素点的颜色特征值的加权平均值，或每种特征提取方式对应的像素点的颜色特征值的交集。
在一些实施例中，区域划分单元，用于对预定图片进行目标对象的部位区域划分，得到目标对象的多个部位区域时，具体用于：根据预定图片中的多个预设图片位置信息，从预定图片中划分得到对应的多个部位区域；或者，在检测到预定图片中的人物图像位置区域后，根据预设的多个预设部位位置信息，从人物图像位置区域中划分得到对应的多个部位区域；或者，通过关键点定位检测从预定图片中定位得到所包含人物图像的多个部位区域；或者，通过对预定图片进行像素分割，将分割得到的预定图片中的每个像素划分至对应的部位区域，得到预定图片中的多个部位区域；或者，通过关键点定位检测从预定图片中定位得到所包含人物图像的多个部位区域之后，分别对人物图像的多个部位区域进行像素分割，对分割得到的每个像素进行不同部位区域的划分，得到预定图片中的多个部位区域。
在一些实施例中，特征量化模块720具体用于：针对每个部位区域，获取第一外接图形和第二外接图形，第一外接图形的图形区域包含一个部位区域，第二外接图形的图形区域包含一个部位区域中的皮肤区域；根据第一外接图形和第二外接图形的相对位置，确定每个部位区域中的皮肤区域在所属部位区域中所处的位置。
在一些实施例中，特征量化模块720具体用于：获取第一几何中心点和第二几何中心点，第一几何中心点为一个部位区域的几何中心点，第二几何中心点为一个部位区域中的皮肤区域的几何中心点；
根据第一几何中心点和第二几何中心点的相对位置，确定每个部位区域中的皮肤区域在所属部位区域中所处的位置。
在一些实施例中，特征量化模块720在计算每个部位区域中的皮肤区域在所属部位区域中的特征指数时，具体用于：计算每个部位区域的面积和每个部位区域中的皮肤区域的面积；根据预设的第一特征评价函数，使用每个部位区域的面积和每个部位区域中的皮肤区域的面积，计算得到每个部位区域中的皮肤区域在所属部位区域中的特征指数；其中，第一特征评价函数，用于表示每个部位区域和每个部位区域中的皮肤区域之间的面积比较关系。
在一些实施例中，特征量化模块720在具体用于计算每个部位区域的面积和每个部位区域中的皮肤区域的面积时，具体用于：针对每个部位区域，获取第一外接图形和第二外接图形，第一外接图形的图形区域包含一个部位区域，第二外接图形的图形区域包含一个部位区域中的皮肤区域；根据第一外接图形的图形区域面积和第二外接图形的图形区域面积，得到每个部位区域的面积和每个部位区域中的皮肤区域的面积。
在一些实施例中，特征量化模块720在具体用于计算每个部位区域的面积和每个部位区域中的皮肤区域的面积时，具体用于：统计每个部位区域中的像素点的数量和每个部位区域中的皮肤区域的像素点的数量，得到每个部位区域的面积和每个部位区域中的皮肤区域的面积。
在一些实施例中，特征评价模块730具体用于：根据每个部位区域中的皮肤区域所处的位置，确定每个部位区域中的皮肤区域的第一权重值，第一权重值，是每个部位区域中的皮肤区域在所属部位区域中的特征指数的权重值；基于第一权重值，将目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，进行加权融合处理，得到目标区域中的皮肤区域的特征评价得分。
在一些实施例中，特征评价模块730具体用于基于第一权重值，将目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，进行加权融合处理，得到目标区域中的皮肤区域的特征评价得分时，具体用于：将多个部位区域作为目标对象的整体区域，计算每个部位区域中的皮肤区域在整体区域中的特征指数；确定每个部位区域中的皮肤区域的第二权重值，第二权重值是每个部位区域中的皮肤区域，在整体区域中的特征指数的权重值；根据第一权重值和第二权重值，将目标区域中皮肤区域的特征指数、非目标区域中皮肤区域的特征指数、每个部位区域中的皮肤区域在整体区域中的特征指数，进行加权融合处理，得到目标区域中的皮肤区域的特征评价得分。
在一些实施例中，特征评价模块730具体用于计算每个部位区域中的皮肤区域在整体区域中的特征指数时，具体用于：根据每个部位区域的面积，计算得到整体区域的总面积；根据预设的第二特征评价函数，使用每个部位区域中的皮肤区域的面积和总面积，计算得到每个部位区域中的皮肤区域在整体区域中的特征指数；其中，第二特征评价函数，用于表示每个部位区域和整体区域之间的面积比较关系。
在一些实施例中，风险管控需求包括：第一类管控需求、第二类管控需求和第三类管控需求中的任一种；风险判定模块740具体用于：在风险管控需求为第一类管控需求，且任一目标区域中的皮肤区域的特征评价得分，大于或等于对应的特征评价阈值的情况下，确定预定图片为管控目标图片；在风险管控需求为第二类管控需求，且至少两个目标区域的皮肤区域的特征评价得分，均大于或等于对应的特征评价阈值的情况下，确定预定图片为管控目标图片；在风险管控需求为第三类管控需求，且至少两个目标区域的皮肤区域的特征评价得分的加权平均值，大于或等于预定的加权平均评价阈值的情况下，确定预定图片为管控目标图片。
在一些实施例中，图片处理装置还包括：图片筛选模块，用于根据预定图片的内容，判断预定图片是否包含低风险图片特征；图片裁剪模块，用于在预定图片未包含低风险图片特征，且预定图片的长度超过预定长度阈值的情况下，对预定图片进行裁剪，得到经裁剪的图片；标准化处理模块，用于对经裁剪的图片进行标准化处理，得到标准化处理后的预定图片，作为预定图片；其中，标准化处理包括对经裁剪的图片进行尺寸缩放处理和对比度调整处理。
根据本公开实施例的图片处理装置，通过对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域后，计算目标区域中皮肤区域的特征评价得分，以对目标区域的特征进行量化，从而结合风险管控需求，对该量化结果进行风险评估，以确定预定图片是否为管控目标图片。
本公开实施例的图片处理装置，以图片中皮肤区域作为风险判断标准，避免了特征风险分类标准中的主观影响，使其清晰、可量化。将皮肤裸露程度映射为一个确定的量化值，在机器审核的风险判断算法中方便利用阈值处理，提高了模型的鲁棒性。而将皮肤裸露作为低俗裸露的标准，即避免了标准上的争议，提升了图像处理和图片风险评估的准确率。
需要明确的是，本公开并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如图片处理方法。例如，在一些实施例中，图片处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的图片处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图片处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述图片处理方法中任一项方法。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。服务器可以为分布式服务器，或者是结合了区块链的服务器，通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、规划、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (18)
1.一种图片处理方法，包括：
对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域；
确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算所述每个部位区域中的皮肤区域在所属部位区域中的特征指数；
结合所述每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分；
根据风险管控需求确定所述目标区域中皮肤区域的特征评价阈值，在所述目标区域中皮肤区域的特征评价得分大于或等于所述特征评价阈值的情况下，确定所述预定图片为管控目标图片。
2.根据权利要求1所述的方法，其中，所述对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域，包括：
对所述预定图片进行皮肤特征提取，得到所述预定图片中的皮肤区域；
对所述预定图片进行目标对象的部位区域划分，得到所述目标对象的多个部位区域；
结合所述皮肤区域和所述目标对象的多个部位区域，得到所述多个部位区域中的每个部位区域中的皮肤区域。
3.根据权利要求1所述的方法，其中，所述对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域，包括：
对所述预定图片进行目标对象的部位区域划分，得到所述目标对象的多个部位区域；
对所述多个部位区域中的每个部分区域，分别进行皮肤特征提取，得到所述多个部位区域中的所述每个部位区域中的皮肤区域。
4.根据权利要求2中任一项所述的方法，其中，所述对所述预定图片进行皮肤特征提取，得到所述预定图片中的皮肤区域，包括：
通过预定的至少一种特征提取方式，得到所述预定图片中像素点的颜色特征值；
对每种特征提取方式对应的像素点的颜色特征值进行融合，得到融合后的特征值；
将所述融合后的特征值满足预定特征阈值条件的像素点，作为皮肤像素点，得到所述预定图片中的皮肤区域。
5.根据权利要求4所述的方法，其中，
所述颜色特征值是通过如下特征提取方式中的至少一种，从所述预定图片中提取的特征值：在指定颜色域中提取的像素点颜色特征值、在指定颜色域中提取的像素点颜色统计特征值、通过时频域变换提取的像素点颜色特征值、和通过预定的语义分割算法从所述预定图片中分割出皮肤区域后，从所述分割出的皮肤区域中提取的像素点颜色特征值；
所述特征阈值条件为：所述特征值达到预定的皮肤特征阈值、或者在预定的皮肤特征阈值区间内；
所述融合后的特征值，为所述每种特征提取方式对应的像素点的颜色特征值的加权平均值，或所述每种特征提取方式对应的像素点的颜色特征值的交集。
6.根据权利要求2中任一项所述的方法，其中，所述对所述预定图片进行目标对象的部位区域划分，得到所述目标对象的多个部位区域，包括：
根据所述预定图片中的多个预设图片位置信息，从所述预定图片中划分得到对应的多个部位区域；
或者，在检测到所述预定图片中的人物图像位置区域后，根据预设的多个预设部位位置信息，从所述人物图像位置区域中划分得到对应的多个部位区域；
或者，通过关键点定位检测从所述预定图片中定位得到所包含人物图像的多个部位区域；
或者，通过对所述预定图片进行像素分割，将分割得到的所述预定图片中的每个像素划分至对应的部位区域，得到所述预定图片中的多个部位区域；
或者，通过关键点定位检测从所述预定图片中定位得到所包含人物图像的多个部位区域之后，分别对所述人物图像的多个部位区域进行像素分割，对分割得到的每个像素进行不同部位区域的划分，得到所述预定图片中的多个部位区域。
7.根据权利要求1所述的方法，所述确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，包括：
针对每个部位区域，获取第一外接图形和第二外接图形，所述第一外接图形的图形区域包含一个部位区域，所述第二外接图形的图形区域包含所述一个部位区域中的皮肤区域；
根据所述第一外接图形和所述第二外接图形的相对位置，确定每个部位区域中的皮肤区域在所属部位区域中所处的位置；
或者，
针对每个部位区域，获取第一几何中心点和第二几何中心点，所述第一几何中心点为一个部位区域的几何中心点，所述第二几何中心点为所述一个部位区域中的皮肤区域的几何中心点；
根据所述第一几何中心点和所述第二几何中心点的相对位置，确定每个部位区域中的皮肤区域在所属部位区域中所处的位置。
8.根据权利要求1所述的方法，其中，所述计算所述每个部位区域中的皮肤区域在所属部位区域中的特征指数，包括：
计算所述每个部位区域的面积和所述每个部位区域中的皮肤区域的面积；
根据预设的第一特征评价函数，使用所述每个部位区域的面积和所述每个部位区域中的皮肤区域的面积，计算得到所述每个部位区域中的皮肤区域在所属部位区域中的特征指数；
其中，所述第一特征评价函数，用于表示所述每个部位区域和所述每个部位区域中的皮肤区域之间的面积比较关系。
9.根据权利要求8所述的方法，其中，所述计算所述每个部位区域的面积和所述每个部位区域中的皮肤区域的面积，包括：
针对每个部位区域，获取第一外接图形和第二外接图形，所述第一外接图形的图形区域包含一个部位区域，所述第二外接图形的图形区域包含所述一个部位区域中的皮肤区域；
根据所述第一外接图形的图形区域面积和所述第二外接图形的图形区域面积，得到所述每个部位区域的面积和所述每个部位区域中的皮肤区域的面积；
或者，
统计所述每个部位区域中的像素点的数量和所述每个部位区域中的皮肤区域的像素点的数量，得到所述每个部位区域的面积和所述每个部位区域中的皮肤区域的面积。
10.根据权利要求1所述的方法，其中，所述结合所述每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分，包括：
根据所述每个部位区域中的皮肤区域所处的位置，确定所述每个部位区域中的皮肤区域的第一权重值，所述第一权重值，是所述每个部位区域中的皮肤区域在所属部位区域中的特征指数的权重值；
基于所述第一权重值，将所述目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，进行加权融合处理，得到所述目标区域中的皮肤区域的特征评价得分。
11.根据权利要求10所述的方法，其中，所述基于所述第一权重值，将所述目标区域中皮肤区域的特征指数和非目标区域中皮肤区域的特征指数，进行加权融合处理，得到所述目标区域中的皮肤区域的特征评价得分，包括：
将所述多个部位区域作为所述目标对象的整体区域，计算所述每个部位区域中的皮肤区域在所述整体区域中的特征指数；
确定所述每个部位区域中的皮肤区域的第二权重值，所述第二权重值是所述每个部位区域中的皮肤区域，在所述整体区域中的特征指数的权重值；
根据所述第一权重值和所述第二权重值，将所述目标区域中皮肤区域的特征指数、非目标区域中皮肤区域的特征指数、所述每个部位区域中的皮肤区域在所述整体区域中的特征指数，进行加权融合处理，得到所述目标区域中的皮肤区域的特征评价得分。
12.根据权利要求11所述的方法，其中，所述计算所述每个部位区域中的皮肤区域在所述整体区域中的特征指数，包括：
根据所述每个部位区域的面积，计算得到所述整体区域的总面积；
根据预设的第二特征评价函数，使用所述每个部位区域中的皮肤区域的面积和所述总面积，计算得到所述每个部位区域中的皮肤区域在所述整体区域中的特征指数；其中，
所述第二特征评价函数，用于表示所述每个部位区域和所述整体区域之间的面积比较关系。
13.根据权利要求1-12中任一项所述的方法，其中，所述风险管控需求包括：第一类管控需求、第二类管控需求和第三类管控需求中的任一种；
所述在所述目标区域中皮肤区域的特征评价得分大于或等于所述特征评价阈值的情况下，确定所述预定图片为管控目标图片，包括：
在所述风险管控需求为所述第一类管控需求，且任一所述目标区域中的皮肤区域的特征评价得分，大于或等于对应的特征评价阈值的情况下，确定所述预定图片为管控目标图片；
在所述风险管控需求为所述第二类管控需求，且至少两个所述目标区域的皮肤区域的特征评价得分，均大于或等于对应的特征评价阈值的情况下，确定所述预定图片为管控目标图片；
在所述风险管控需求为所述第三类管控需求，且至少两个所述目标区域的皮肤区域的特征评价得分的加权平均值，大于或等于预定的加权平均评价阈值的情况下，确定所述预定图片为管控目标图片。
14.根据权利要求1-12中任一项所述的方法，其中，在对预定图片进行皮肤特征提取和目标对象的部位区域划分前，所述方法还包括：
根据预定图片的内容，判断所述预定图片是否包含低风险图片特征；
在所述预定图片未包含低风险图片特征，且所述预定图片的长度超过预定长度阈值的情况下，对所述预定图片进行裁剪，得到经裁剪的图片；
对所述经裁剪的图片进行标准化处理，得到标准化处理后的预定图片，作为所述预定图片；其中，所述标准化处理包括对所述经裁剪的图片进行尺寸缩放处理和对比度调整处理。
15.一种图片处理装置，包括：
特征提取和区域划分模块，用于对预定图片进行皮肤特征提取和目标对象的部位区域划分，得到多个部位区域中的皮肤区域；
特征量化模块，用于确定得到的每个部位区域中的皮肤区域在所属部位区域中所处的位置，并计算所述每个部位区域中的皮肤区域在所属部位区域中的特征指数；
特征评价模块，用于结合所述每个部位区域中的皮肤区域所处的位置和在所属部位区域中的特征指数，计算目标区域中皮肤区域的特征评价得分；
风险判定模块，用于根据风险管控需求确定所述目标区域中皮肤区域的特征评价阈值，在所述目标区域中皮肤区域的特征评价得分大于或等于所述特征评价阈值的情况下，确定所述预定图片为管控目标图片。
16.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-14中任一项所述的方法。
18.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-14中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011531310.8A CN112528996B (zh) | 2020-12-22 | 2020-12-22 | 图片处理方法、装置、设备、存储介质和计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011531310.8A CN112528996B (zh) | 2020-12-22 | 2020-12-22 | 图片处理方法、装置、设备、存储介质和计算机程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528996A true CN112528996A (zh) | 2021-03-19 |
| CN112528996B CN112528996B (zh) | 2023-10-27 |
Family
ID=74975751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011531310.8A Active CN112528996B (zh) | 2020-12-22 | 2020-12-22 | 图片处理方法、装置、设备、存储介质和计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528996B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002175527A (ja) * | 2000-12-06 | 2002-06-21 | Gala Inc | コンピュータ画像処理により猥褻ヌード画像を弁別する方法 |
| KR20100030300A (ko) * | 2008-09-10 | 2010-03-18 | 고려대학교 산학협력단 | 음란물 검출 시스템 및 방법 |
| CN101901346A (zh) * | 2010-05-06 | 2010-12-01 | 复旦大学 | 一种对彩色数字图像进行不良内容识别的方法 |
| CN102184419A (zh) * | 2011-04-13 | 2011-09-14 | 深圳市迈科龙影像技术有限公司 | 基于敏感部位检测的色情图像识别方法 |
| CN105740752A (zh) * | 2014-12-11 | 2016-07-06 | 世纪龙信息网络有限责任公司 | 敏感图片过滤方法和系统 |
| CN112001282A (zh) * | 2020-08-12 | 2020-11-27 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种图像识别方法 |
-
2020
- 2020-12-22 CN CN202011531310.8A patent/CN112528996B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002175527A (ja) * | 2000-12-06 | 2002-06-21 | Gala Inc | コンピュータ画像処理により猥褻ヌード画像を弁別する方法 |
| KR20100030300A (ko) * | 2008-09-10 | 2010-03-18 | 고려대학교 산학협력단 | 음란물 검출 시스템 및 방법 |
| CN101901346A (zh) * | 2010-05-06 | 2010-12-01 | 复旦大学 | 一种对彩色数字图像进行不良内容识别的方法 |
| CN102184419A (zh) * | 2011-04-13 | 2011-09-14 | 深圳市迈科龙影像技术有限公司 | 基于敏感部位检测的色情图像识别方法 |
| CN105740752A (zh) * | 2014-12-11 | 2016-07-06 | 世纪龙信息网络有限责任公司 | 敏感图片过滤方法和系统 |
| CN112001282A (zh) * | 2020-08-12 | 2020-11-27 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种图像识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHENG, HF: "The Research Of skin Colour Segmentation Based on Multi-gaussian and Bayes In Nonlinear Color Space", IEEE 2ND INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC) * |
| 吴宇;: "机器人视觉交流中的手势识别仿真", 计算机仿真, no. 02 * |
| 王宇石;付立波;高文;: "互联网敏感图像监控技术的研究", 电信科学, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528996B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
| CN107679466B (zh) | 信息输出方法和装置 | |
| TW201947463A (zh) | 模型測試的方法及裝置 | |
| CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN104408429A (zh) | 一种视频代表帧提取方法及装置 | |
| CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
| CN109559362B (zh) | 一种图像主体脸部替换方法及装置 | |
| CN112991362B (zh) | 一种基于混合高斯模型的色选机粘连物料图像分割方法 | |
| CN110473181A (zh) | 基于边缘特征信息的屏幕内容图像的无参质量评价方法 | |
| CN111198897A (zh) | 科研热点主题分析方法、装置与电子设备 | |
| CN117078670B (zh) | 一种云相框的生产控制系统 | |
| CN110855474B (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
| CN112767038A (zh) | 基于美学特征的海报ctr预测方法及装置 | |
| CN112528996A (zh) | 图片处理方法、装置、设备、存储介质和计算机程序产品 | |
| CN111242314A (zh) | 深度学习加速器基准测试方法和装置 | |
| CN116340777A (zh) | 一种日志分类模型的训练方法、日志分类方法及装置 | |
| WO2023102844A1 (zh) | 剪枝模块的确定方法、装置及计算机可读存储介质 | |
| CN113963011A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN114548307A (zh) | 分类模型训练方法和装置、分类方法和装置 | |
| CN113344064A (zh) | 事件处理方法和装置 | |
| CN107742253A (zh) | 一种基于用户行为分析的自动化运营方法 | |
| CN110837460B (zh) | 页面评测方法、模型构建方法及设备 | |
| Yoshitomi et al. | Facial Expression Analysis and its Visualization While Writing Messages. | |
| CN113408669B (zh) | 图像的确定方法、装置、存储介质及电子装置 | |
| CN112581001B (zh) | 设备的评估方法及装置、电子设备、可读存储介质 |
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 |