CN112749607B - 基于人工智能的图像识别方法及装置 - Google Patents

基于人工智能的图像识别方法及装置 Download PDF

Info

Publication number
CN112749607B
CN112749607B CN202010486046.4A CN202010486046A CN112749607B CN 112749607 B CN112749607 B CN 112749607B CN 202010486046 A CN202010486046 A CN 202010486046A CN 112749607 B CN112749607 B CN 112749607B
Authority
CN
China
Prior art keywords
image
illumination
illumination intensity
visible light
intensity
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.)
Active
Application number
CN202010486046.4A
Other languages
English (en)
Other versions
CN112749607A (zh
Inventor
蒋进
叶泽雄
肖万鹏
鞠奇
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010486046.4A priority Critical patent/CN112749607B/zh
Publication of CN112749607A publication Critical patent/CN112749607A/zh
Application granted granted Critical
Publication of CN112749607B publication Critical patent/CN112749607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Studio Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于人工智能的图像识别方法、装置、设备及存储介质；方法包括：采集针对目标对象的至少一种类型的图像；基于所述图像，获取用于表征所述图像光照强度的光照强度参数；基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果；当所述检测结果表征所述图像为光照异常图像时，确定所述图像对应的光照异常类型；基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件；基于矫正后的图像对所述目标对象进行对象识别。通过本发明，能够有效的提高图像识别的准确度。

Description

基于人工智能的图像识别方法及装置
技术领域
本发明涉及人工智能的图像处理技术，尤其涉及一种基于人工智能的图像识别方法及装置。
背景技术
图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。图像识别技术现如今得到快速发展，并广泛应用于各种行业
相关技术中，图像识别技术通常是对图像进行采集、预处理，并对图像进行特征提取，基于此，对图像进行识别。但图像识别技术对光照情况很敏感，若采集图像时光照环境过亮或者过暗，都可能使得无法对图像进行有效的特征提取，从而造成图像识别准确度低。
发明内容
本发明实施例提供一种基于人工智能的图像识别方法、装置及存储介质，能够有效的提高图像识别的准确度。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种基于人工智能的图像识别方法，包括：
采集针对目标对象的至少一种类型的图像；
基于所述图像，获取用于表征所述图像光照强度的光照强度参数；
基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果；
当所述检测结果表征所述图像为光照异常图像时，确定所述图像对应的光照异常类型；
基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件；
基于矫正后的图像对所述目标对象进行对象识别。
本发明实施例提供一种基于人工智能的图像识别装置，包括：
采集模块，用于采集针对目标对象的至少一种类型的图像；
获取模块，用于基于所述图像，获取用于表征所述图像光照强度的光照强度参数；
光照异常检测模块，用于基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果；当所述检测结果表征所述图像为光照异常图像时，确定所述图像对应的光照异常类型；
光照异常矫正模块，用于基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件；
对象识别模块，用于基于矫正后的图像对所述目标对象进行对象识别。
上述方案中，所述获取模块，还用于确定所述图像中对应所述目标对象的脸部区域的目标区域；获取所述目标区域内各个像素点的像素值；确定所述目标区域内的像素均值；将所述像素均值作为表征所述图像光照强度的光照强度参数。
上述方案中，所述获取模块，还用于获取所述图像各个像素点的像素值；确定所述图像的像素均值；将所述像素均值作为表征所述图像光照强度的光照强度参数。
上述方案中，所述获取模块，还用于获取光照异常图像所对应的光照强度范围；所述光照异常检测模块，还用于将所述光照强度参数对应的光照强度大小与所述光照强度范围进行比对，得到比对结果；当所述比对结果表征所述图像的光照强度处于所述光照强度范围内时，确定检测结果为所述图像为光照异常图像。
上述方案中，所述光照异常检测模块，还用于当所述图像的光照强度处于第一光照强度范围时，确定所述光照异常图像的异常类型为暗光图像；当所述图像的光照强度处于第二光照强度范围时，确定所述光照异常图像的异常类型为亮光图像；其中，由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围；所述第一光强、所述第二光强、所述第三光强及所述第四光强的大小依次递增。
上述方案中，所述光照异常检测模块，还用于当所述光照强度参数表征所述图像的光照强度超过所述第四光强时，输出告警提示信息，所述告警提示信息用于提示终端工作环境不正常。
上述方案中，所述获取模块还用于获取用于光照异常矫正的矫正公式，所述矫正公式为S＝C×Rr；其中，S为矫正后图像的像素值，C为变换系数；R为图像的像素值，r为变换指数；
所述光照异常矫正模块，还用于确定对应所述光照异常类型的变换指数的值；基于确定的变换指数的值、以及所述矫正公式，对所述图像进行光照异常矫正。
上述方案中，所述光照异常矫正模块，还用于当所述图像包括可见光图像和热红外图像，且所述可见光图像和热红外图像中至少之一为光照异常图像时，对所述光照异常图像进行光照异常矫正，使得矫正后所述可见光图像和热红外图像均满足对象识别的光照条件；
所述对象识别模块，还用于分别对矫正后的所述可见光图像和热红外图像进行特征提取，得到所述目标对象的可见光特征和热红外特征；对所述可见光特征和所述热红外特征进行特征融合处理，以获得融合特征；基于所述融合特征进行分类处理，以获得表征所述目标对象是否是活体的分类结果。
上述方案中，所述光照异常矫正模块，还用于当所述图像为可见光图像，且所述可见光图像为光照异常图像时，对所述可见光图像进行光照异常矫正，使得矫正后所述可见光图像满足对象识别的光照条件；
所述对象识别模块，还用于对矫正后的所述可见光图像进行人脸特征提取，得到所述目标对象的脸部特征；
将所述目标对象的脸部特征与人脸特征库中各对象的脸部特征进行相似度匹配，得到匹配结果，所述匹配结果用于表征对应所述目标对象的人脸识别结果。
本发明实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的基于人工智能的图像识别方法。
本发明实施例具有以下有益效果：
针对目标对象采集至少一种类型的图像，对图像进行光照异常检测，以确定图像是否为光照异常图像，当图像为光照异常图像时，对图像进行光照异常矫正，对矫正后的图像进行对象识别。如此，能够在图像识别的过程中，对光照异常图像进行自适应的光照异常矫正，使得图像识别不受所处环境光照的影响，有效的提高图像识别的准确度。
附图说明
图1是本发明实施例提供的基于人工智能的图像识别系统100的一个可选的架构示意图；
图2是本发明实施例提供的电子设备500的结构示意图；
图3是本发明实施例提供的基于人工智能的图像识别方法的一个可选的流程示意图；
图4是本发明实施例提供的经过Gamma变换后的输入输出像素值关系图；
图5是本发明实施例提供的基于人工智能的图像识别方法的一个可选的交互流程示意图；
图6是本发明实施例提供的正常光照环境下可见光人脸成成像图和热红外人脸成像图；
图7是本发明实施例提供的户外阳光下可见光人脸成成像图和热红外人脸成像图；
图8是本发明实施例提供的手动打光情况下可见光人脸成成像图和热红外人脸成像图；
图9是本发明实施例提供的暗光环境下可见光人脸成成像图和热红外人脸成像图；
图10是本发明实施例提供的基于人工智能的图像识别的方法的流程示意图；
图11是本发明实施例提供的可见光通道下人脸暗光及矫正后图像；
图12是本发明实施例提供的可见光通道下人脸亮光及矫正后图像；
图13是本发明实施例提供的热红外通道下人脸亮光及矫正后图像；
图14是本发明实施例提供的基于人工智能的图像识别装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)活体检测，是当生物特征信息从合法用户那里取得时，判断该生物信息是否从具有生物活性的合法用户身上取得的。活体检测的方法主要是通过识别活体上的生理信息来进行，它把生理信息作为生命特征来区别用照片、硅胶、塑泥等非生命物质伪造的生物特征。
2)活体人脸检测，主要是利用机器学习的方法，通过收集若干真实人脸图片和照片人脸图片作为训练样本，分别提取其灰度、频谱等特征，采用支持向量机或神经网络来进行分类判别，从而判定当前输入的人脸来自真实人脸还是照片人脸。活体人脸检测面临着三种欺诈(攻击)手段：(1)使用合法用户的照片；(2)使用合法用户的视频；(3)使用合法用户的三维模型。
3)双目摄像头，是指一个拍摄可见光摄像头和一个热红外摄像头；两个摄像头对同一人进行拍照，分别采集可见光图像和热红外图像。
4)卷积神经网络(CNN，Convolution Neutral Network)，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。
5)特征融合网络(MFN，Merge Feature Network)，是指通过不同摄像头采集图像特征，并在卷积神经网络中学习图像特征融合后的特征表达，该网络称为特征融合网络。
6)可见光图像，或称为BGR(Blue-Green-Red)图像，BGR图像中的每个像素在R(Red)、G(Green)、B(Blue)三个通道的颜色值均在0至255的范围内。例如：纯红色的R值为255，G值为0，B值为0；灰色的R、G、B三个通道的颜色值均相等(除了0和255)；白色的R、G、B三个通道的颜色值都为255；黑色的R、G、B三个通道的颜色值都为0。图像中的每个像素只使用三种颜色，就可以使每个像素按照不同的比例混合，以在屏幕上呈现16777216种颜色。
7)热红外图像，是用于记录地物辐射出来的人眼看不到的热红外辐射信息，并利用这种热红外信息来识别地物和反演地表参数(如温度、发射率、湿度、热惯量等)。
8)神经网络模型的模型参数，在神经网络模型的训练过程中自动更新或自行学习所获得的参数，包括有特征权重、偏置等。
9)训练样本，或称训练数据，是经过预处理后，有相对稳妥、精确的特征描述的数据集，以“样本”形式参与神经网络模型的训练过程。
10)梯度，在神经网络模型的训练过程中用于对模型参数进行梯度计算。模型计算节点每次根据各自所接收的样本数据的子集训练神经网络模型的过程均包括有正向传播和反向传播。其中，正向传播是指在训练模型中输入样本数据的子集并获得预测结果，计算预测结果与期望结果的差异的过程；反向传播则是指按照输出层、中间层、输入层的顺序，在根据预测结果与期望结果的差异反方向地计算每一层的模型参数的梯度(即更新值)，从而根据梯度来更新模型参数。
本发明实施例提供一种基于人工智能的图像识别方法、装置、设备和存储介质，能够有效的提高图像识别的准确度，下面说明本发明实施例提供的基于人工智能的图像识别设备的示例性应用，本发明实施例提供的基于人工智能的图像识别方法可以由各种电子设备实施，例如可以由终端实施，也可以由服务器或服务器集群实施，或者由终端和服务器协同实施。
参见图1，图1是本发明实施例提供的基于人工智能的图像识别系统100的一个可选的架构示意图，其中，基于人工智能的图像识别系统100包括有：服务器200、网络300以及终端400，其中，网络300用于作为服务器200和终端400之间通信的媒介，可以是广域网或者局域网，又或者是二者的组合；接下来将分别进行说明。
终端400，用于通过自身设置的摄像头或独立于终端400的图像采集设备，采集针对目标对象的至少一种类型的图像，并发送图像识别请求给服务器200，其中，图像识别请求携带采集的针对目标对象的至少一种类型的图像；
服务器200，用于接收并解析终端400发送的图像识别请求，得到针对目标对象的至少一种类型的图像，并获取用于表征图像光照强度的光照强度参数，基于获取的光照强度参数对图像进行光照异常检测，得到检测结果，并在检测结果表征图像为光照异常图像时，确定图像对应的光照异常类型，基于光照异常类型对图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件，基于矫正后的图像对目标对象进行对象识别，得到并返回对象识别结果给终端400。
在实际应用中，服务器既可以为单独配置的支持各种业务的一个服务器，亦可以配置为一个服务器集群；终端可以为智能手机、平板电脑、笔记本电脑等各种类型的用户终端，还可以为门禁设备、可穿戴计算设备、个人数字助理(PDA)、台式计算机、蜂窝电话、媒体播放器、导航设备、游戏机、电视机、或者这些数据处理设备或其他数据处理设备中任意两个或多个的组合。
在一些实施例中，终端400上设置有客户端410，客户端410运行于终端400。客户端410是各种可以进行对象识别的应用(APP，Application)，例如，支付类APP或社交类APP等。当用户对客户端410进行隐私操作(例如，支付操作或查看记录的操作)时，客户端410需要对用户进行身份验证，在实际实施时，客户端410通过调用摄像头，采集针对目标对象的至少一种类型的图像，并向服务器200发送包含采集的图像的身份验证请求，以获得服务器200返回的用于表征用户身份验证是否通过的验证结果；
服务器200是客户端410的后台服务器，用于接收并解析客户端410发送的身份验证请求，得到对应目标对象的至少一种类型的图像；
服务器200，还用于获取得到的图像的光照强度参数，并基于光照强度参数，对目标对象图像进行光照异常检测，以确定目标对象图像是否是光照异常图像；当目标对象图像是光照异常图像时，对目标对象的图像进行光照异常矫正，以获得满足对象识别光照条件的矫正图像，并对满足对象识别光照条件的图像进行对象识别，得到用于表征用户身份验证是否通过的验证结果，并将验证结果返回至客户端410。
接下来说明本发明实施例提供的用于进行图像识别的电子设备的结构，电子设备可以是终端或服务器(如图1所示的服务器200)，参见图2，图2是本发明实施例提供的电子设备500的结构示意图，图2所示的电子设备500包括：至少一个处理器510、存储器540、至少一个网络接口520。电子设备500中的各个组件通过总线系统530耦合在一起。可理解，总线系统530用于实现这些组件之间的连接通信。总线系统530除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统530。
处理器510可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
存储器540包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本发明实施例描述的存储器540旨在包括任意适合类型的存储器。存储器540可选地包括在物理位置上远离处理器510的一个或多个存储设备。
在一些实施例中，存储器540能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
操作系统541，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块542，用于经由一个或多个(有线或无线)网络接口520到达其他计算设备，示例性的网络接口520包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
在一些实施例中，本发明实施例提供的基于人工智能的图像识别装置可以采用软件方式实现，图2示出了存储在存储器540中的基于人工智能的图像识别装置543，其可以是程序和插件等形式的软件，包括以下软件模块：采集模块5431、获取模块5432、光照异常检测模块5433、光照异常矫正模块5434、对象识别模块5435，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中，本发明实施例提供的基于人工智能的图像识别装置543可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于人工智能的图像识别方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。
在对本发明实施例的基于人工智能的图像识别方法进行说明之前，首先对该图像识别方法的应用场景进行说明。
当目标对象为人体时，本发明实施例提供的基于人工智能的图像识别方法可应用于活体检测场景。
作为示例，终端采集针对目标对象的可见光图像和热红外图像，并向后台服务器发送包含目标对象可见光图像和热红外图像的活体检测请求；后台服务器接收并解析活体检测请求，分别对目标对象的可见光图像和热红外图像进行光照异常检测，根据检测结果确定是否需要对可见光图像和/或热红外图像进行光照异常矫正，并将矫正后的可见光图像和热红外图像输入至活体检测模型中进行活体检测，得到表征目标对象是否是活体的检测结果，将检测结果返回至终端，避免光照环境极端造成的活体检测失败的情况，提高活体检测的准确度。
当目标对象为人体时，本发明实施例提供的基于人工智能的图像识别方法还可以应用于基于门禁设备的人脸识别场景。
作为示例，当用户需要进行门禁验证时，终端(即门禁设备)通过调用摄像头，采集包括目标对象人脸区域的图像，并向后台服务器发送包含目标对象图像的身份验证请求；后台服务器接收并解析身份验证请求，对获取的图像进行光照异常检测，根据检测结果确定是否对图像进行光照矫正处理，以获得满足对象识别光照条件的图像；后台服务器基于满足对象识别光照条件的图像，在数据库中对比识别目标对象的身份信息，确定目标对象的身份信息是否是客户端的归属用户的身份信息，并将比对结果返回至终端，终端基于返回的比对结果确定是否为用户开放门禁。如此，避免极端光照环境造成的用户身份验证失败的情况，提高图像识别的准确性。
当目标对象为动物时，本发明实施例提供的基于人工智能的图像识别方法可应用于动物品种识别场景。
作为示例，终端通过调用摄像头，采集包括目标对象的图像，并向后台服务器发送包含目标对象图像的动物品种识别请求；后台服务器接收并解析识别请求，对获取的图像进行光照异常检测，当检测结果表征图像为光照异常图像，对图像进行光照矫正处理，以使矫正后的图像满足对象识别光照条件；服务器对矫正后的图像进行特征提取，得到目标对象的特征信息；将目标对象的特征信息与动物品类特征库中各动物特征信息进行相似度匹配，得到表征对应目标对象的动物品种识别结果的匹配结果，并将动物的品种信息发送至终端，避免极端光照环境造成的动物品种识别请求失败的情况，提高工作人员的工作效率。
举例来说，终端通过调用摄像头采集宠物狗的图像，并向后台服务器发送包含宠物狗图像的动物品种识别请求；服务器在接收到识别请求后，解析出宠物狗的图像，并对图像进行光照异常检测，得到检测结果；当检测结果表明图像为异常光照图像时，对图像进行光照异常矫正；服务器基于矫正后的图像进行特征提取，以获得宠物狗的特征向量；将表征宠物狗特征信息的特征向量与数据库中的犬类信息的特征向量进行比对，通过特征向量之间的余弦相似度来衡量宠物狗的特征信息与数据库中犬类特征信息的相似度，当表征宠物狗特征信息的特征向量与数据库中某一犬类的特征向量之间的余弦相似度大于设定余弦相似度阈值时，确定该犬类的特征信息与宠物狗的特征信息匹配，向终端返回宠物狗品种的识别结果。
下面，对本发明实施例提供的基于人工智能的图像识别方法进行说明。参见图3，图3是本发明实施例提供的基于人工智能的图像识别方法的一个可选的流程示意图，在一些实施例中，该基于人工智能的图像识别方法可由服务器或终端单独实施，或由服务器及终端协同实施，下面以由终端实施为例，结合图3示出的步骤进行说明。
在步骤101中，终端采集针对目标对象的至少一种类型的图像。
这里，图像的类型是由图像的成像机理确定的，根据图像的成像机理不同，可以将图像分为可见光图像、热红外图像、紫外图像等多种不同类型的图像。
对于本发明实施例不同的应用场景，终端可采集不同类型的图像，在一些实施例中，当本发明实施例的图像识别方法应用于人脸识别场景时，终端可通过调用摄像头采集针对目标对象的可见光图像；在另一些实施例中，当本发明实施例的图像识别方法应用于活体检测场景时，终端通过双通道采集针对目标对象的可见光图像和热红外图像。
在实际应用中，针对包括目标对象的场景，在同一方位采集可见光图像和热红外图像，以使目标对象位于可见光图像和热红外图像中的相同位置。
作为示例，终端通过调用双目摄像头，采集可见光图像和热红外图像；其中，双目摄像头中包括可见光摄像头和热红外摄像头，并且双目摄像头中的可见光摄像头和热红外摄像头位于相同方位，所以目标对象在采集的可见光图像和热红外图像中位于相同位置。
在实际应用中，终端还可以针对包括目标对象的场景，在不同方位采集可见光图像和热红外图像，其中，目标对象可能位于可见光图像和热红外图像中的不同位置。
例如，将可见光摄像头和热红外摄像头分别设置于不同位置，终端通过调用位于不同位置的可见光摄像头和热红外摄像头采集可见光图像和热红外图像。由于可见光摄像头和热红外摄像头位于不同位置，所以目标对象在采集的可见光图像和热红外图像中位于不同位置。
在步骤102中，基于所述图像，获取用于表征所述图像光照强度的光照强度参数。
其中，光照强度参数是指能够表征图像的光照强度的参数，如像素均值、图像亮度等，这里就不具体限制了。
在实际应用中，光照强度参数可通过图像的像素均值进行表征，具体地，可通过图像的部分区域的像素均值表征该图像的光照强度，相应的，在一些实施例中，终端可通过如下方式获取表征图像光照强度的光照强度参数：
确定图像中对应目标对象的脸部区域的目标区域；获取目标区域内各个像素点的像素值；确定目标区域内的像素均值；将像素均值作为表征图像光照强度的光照强度参数。
在实际实施时，终端对图像中包含的脸部区域进行定位，以确定图像的脸部区域。在图像的脸部区域进行关键点识别，得到图像中关键点的位置，在图像中截取出包含关键点的区域作为图像中对应目标对象的脸部区域的目标区域。获取目标区域内每个像素点的像素值；根据像素值确定出目标区域内的像素均值，以目标区域内的像素均值作为表征图像光照强度的光照强度参数。
举例来说，终端对包含目标对象的人脸图像进行人脸定位，以确定图像中的人脸区域。在图像的人脸区域中定位目标点(例如，中心点或顶点)，根据图像中目标点的位置信息，确定坐标变换矩阵；根据坐标变换矩阵，在图像中截取出包含目标点，大小为20*20的区域作为目标区域。获取目标区域内每个像素点的像素值，基于每个像素点的像素值，确定该目标区域的像素均值，将所述像素均值作为表征图像光照强度的光照强度参数。
在实际应用中，当光照强度参数通过图像的像素均值表征时，还可通过图像的整个区域的像素均值表征该图像的光照强度，相应的，在另一些实施例中，终端还可以通过如下方式获取图像光照强度参数：
获取图像各个像素点的像素值；确定图像的像素均值；将像素均值作为表征图像光照强度的光照强度参数。
在实际实施时，终端直接获取整幅图像各个像素点的像素值，确定图像的像素均值，将整幅图像的像素均值作为表征图像光照强度的光照强度参数。
在实际应用中，光照强度参数还可通过图像像素的色彩饱和度及图像像素的灰度协同进行表征，相应的，在一些实施例中，终端还可以通过如下方式获取图像光照强度参数：
获取用于确定光照强度的计算公式，公式如下：
L＝A*average(V)+B*average(gray)；
其中，L为光照强度，A和B均为常数，V为图像像素的色彩饱和度；gray为图像像素的灰度，average()为平均值函数；
获取图像像素的色彩饱和度和图像像素的灰度；
基于图像像素的色彩饱和度、图像像素的灰度、以及光照强度的计算公式，确定图像的光照强度。
本发明实施例通过获取图像的光照强度参数，可以便于后续在进行光照异常检测时，准确识别出光照异常图像，避免极端光照环境对图像识别的影响，有效的提高图像识别的准确度。
在步骤103中，基于光照强度参数对图像进行光照异常检测，得到检测结果。
在实际实施时，终端基于确定的光照强度参数对图像进行光照异常检测，当检测结果表征图像光照异常时，对图像进行矫正，以使矫正后的图像能够满足对象识别的光照强度条件。
在一些实施例中，终端可以通过如下方式对图像进行光照异常检测：
获取光照异常图像所对应的光照强度范围；将图像的光照强度参数对应的光照强度大小与光照强度范围进行比对，得到比对结果；当比对结果表征图像的光照强度处于光照强度范围内时，确定图像光照强度检测结果为图像是光照异常图像。
这里，光照异常图像所对应的光照强度范围包括：由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围。
其中，第一光强、第二光强、第三光强及第四光强的大小依次递增；
在实际实施时，第一光强、第二光强、第三光强及第四光强的大小可以依据实际需要进行设定，例如，当光照强度参数通过图像的像素均值表征时，可以设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220，相应的，第一光照强度范围为0-60，第二光照强度范围为150-220，光照正常图像对应的光照强度范围为60-150。
作为示例，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220，光照异常图像所对应的光照强度范围：第一光照强度范围0-60，第二光照强度范围150-220。终端将图像的光照强度参数对应的光照强度大小与光照异常图像所对应的光照强度范围进行比对，得到比对结果。若比对结果表征图像光照强度参数对应的光照强度大小处于第一光照强度范围0-60内或处于第二光照强度范围150-220内时，确定图像为光照异常图像。
在另一些实施例中，当图像的光照强度超过第四光强时，输出告警提示信息，用于提示终端工作环境不正常。
例如，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220。当图像的光照强度参数对应的光照强度大小超过220时，终端输出告警提示信息，提示终端工作环境不正常。
在步骤104中，当检测结果表征所述图像为光照异常图像时，确定图像对应的光照异常类型。
在一些实施例中，由于光照异常图像所对应的光照强度范围包括：由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围。并且第一光强、第二光强、第三光强及第四光强的大小依次递增。终端可以通过如下方式确定图像的光照异常类型：
当图像的光照强度处于第一光照强度范围内时，确定光照异常图像的异常类型为暗光图像；当图像的光照强度处于第二光照强度范围内时，确定光照异常图像的异常类型为亮光图像。
作为示例，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220，光照异常图像所对应的光照强度范围：第一光照强度范围0-60，第二光照强度范围150-220。终端将图像的光照强度参数对应的光照强度大小与第一光照强度范围、第二光照强度范围进行比对，得到比对结果。若比对结果表征图像光照强度参数对应的光照强度大小处于0-60内，确定图像的异常类型为暗光图像；若图像光照强度参数对应的光照强度大小处于150-220内，确定图像的异常类型为亮光图像。
本发明实施例通过对图像进行光照异常检测，准确的识别出光照异常图像，并确定其光照异常类型，便于后续在进光照异常矫正时，采取对应的光照异常矫正方式，以使矫正后的图像满足对象识别的光照强度条件，有效的提高图像识别的准确度。
在步骤105中，基于光照异常类型对图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件。
在一些实施例中，终端可以通过如下方式对图像进行光照异常矫正：
获取用于光照异常矫正的矫正公式，矫正公式为S＝C×Rr；
其中，S为矫正后图像的像素值，C为变换系数，用于整体拉伸图像像素，通常取值为1；R为图像的像素值，取值范围为[0,1]；r为变换指数；
确定对应光照异常类型的变换指数的值；基于确定的变换指数的值、以及矫正公式，对图像进行光照异常矫正。
在实际实施时，不同的光照异常类型所对应的变换指数不同，例如，对于异常类型为亮光图像的图像，所对应的变换指数为r1，相应的矫正方式即基于S＝C×Rr1对图像进行矫正；对于异常类型为暗光图像的图像，所对应的变换指数为r2，相应的矫正方式即基于S＝C×Rr2对图像进行矫正。
这里，光照异常矫正采用的是Gamma变换；参见图4，图4是经过Gamm a变换后的输入输出像素值关系图，横坐标为输入像素值，纵坐标为输出像素值。其中，标号41所示为r为0.2时的输入输出像素值关系曲线，标号42所示的点的横坐标(即输入的像素值)小于0.25、但其纵坐标(即输出的像素值)大于0.5。而标号43所示r为2.5时的输入输出像素值关系曲线，标号44所示的点的横坐标(即输入的像素值)大于0.75、但其纵坐标(即输出的像素值)小于0.75。
由上可知，当变换指数r的值小于1时，图像中像素值较低的区域将会被拉伸，同时图像中像素值较高的区域将被压缩，能够实现对暗光图像的矫正；当变换指数r的值大于1时，图像中像素值较高的区域将会被拉伸，同时图像中像素值较低的区域将被压缩，能够实现对亮光图像的矫正。
在实际应用中，当图像的光照异常类型为暗光图像时，变换指数r取小于1的值，对图像进行暗光矫正；当图像的光照异常类型为亮光图像时，变换指数r取大于1的值，对图像进行亮光矫正，以使矫正后的图像满足对象识别的光照强度条件。
作为示例，终端基于图像的异常类型，选择对应的矫正方式，确定对应的变换指数的值。获取图像各个像素点的像素值，对像素值进行归一化处理后，利用矫正公式，确定矫正后的各个像素点的像素值，以获得矫正后的图像。
本发明实施例通过对光照异常图像进行自适应的光照异常矫正，以使矫正后的图像满足对象识别的光照强度条件，有效的提高图像识别的准确度。
在步骤106中，基于矫正后的图像对所述目标对象进行对象识别。
在一些实施例中，当图像识别为人脸识别时，终端采集针对目标对象的可见光图像，并通过如下方式对矫正后的图像进行对象识别：
对矫正后的可见光图像进行人脸特征提取，得到目标对象的脸部特征；将目标对象的脸部特征与人脸特征库中各对象的脸部特征进行相似度匹配，得到表征对应目标对象的人脸识别结果的匹配结果。
作为示例，终端先对矫正后的可见光图像进行人脸检测，当从可见光图像中识别出人脸时，对可见光图像中人脸进行定位，以确定可见光图像中的人脸位置，截取可见光图像中的人脸区域，获得人脸图像，对人脸图像进行特征提取，以获得目标对象脸部信息的特征向量。并将表征目标对象脸部信息的特征向量与数据库中人脸信息的特征向量进行比对，通过特征向量之间的欧几里得距离反映目标对象脸部特征与数据库中人脸特征的相似度。当目标对象人脸特征的特征向量与数据库中某一人脸特征的特征向量之间的欧几里得距离小于设定的最小距离阈值时，确定目标对象的人脸特征与数据库中的该人脸特征匹配成功。
在另一些实施例中，当图像识别为活体检测时，终端采集的是目标对象的可见光图像和热红外图像，并通过如下方式对矫正后的图像进行对象识别：
分别对矫正后的可见光图像和热红外图像进行特征提取，得到目标对象的可见光特征和热红外特征；对可见光特征和热红外特征进行特征融合处理，以获得融合特征；基于融合特征进行分类处理，以获得表征目标对象是否是活体的分类结果。
在实际实施时，终端将矫正后的可见光图像和热红外图像输入至活体检测模型中。其中，活体检测模型包括：可见光特征提取网络、热红外特征提取网络、特征融合网络、以及分类网络。
通过可见光特征提取网络，先对矫正后的可见光图像进行人脸检测，当从可见光图像中识别出人脸时，表征可见光图像可能包含人脸，然后对可见光图像中包含的人脸进行定位，以确定矫正后的可见光图像中的人脸位置，对可见光图像的人脸区域进行特征提取，以获得目标对象的可见光特征；通过热红外特征提取网络，对矫正后的热红外图像进行人脸检测和定位，对热红外图像的人脸区域进行特征提取，以获得目标对象的热红外特征；通过特征融合网络，对可见光特征和热红外特征进行特征融合处理，以获得融合特征；通过分类网络，对融合特征进行分类处理，以获得表征目标对象是否是活体的分类结果。
接下来，以图像识别为活体检测为例，继续对本发明实施例提供的基于人工智能的图像识别方法进行介绍，在一些实施例中，该基于人工智能的图像识别方法可由服务器或终端实施，或由服务器及终端协同实施，图5是本发明实施例提供的基于人工智能的图像识别方法的一个可选的交互流程示意图，参见图5本发明实施例提供的基于人工智能的图像识别方法由终端及服务器协同实施。
步骤201：终端通过双通道采集包含目标对象人脸的可见光图像和热红外图像。
在实际应用中，终端针对包括目标对象的场景，在同一方位采集可见光图像和热红外图像，以使目标对象位于可见光图像和热红外图像中的相同位置。
作为示例，终端通过调用双目摄像头，采集可见光图像和热红外图像；其中，双目摄像头中包括可见光摄像头和热红外摄像头，并且双目摄像头中的可见光摄像头和热红外摄像头位于相同方位，所以目标对象在采集的可见光图像和热红外图像中位于相同位置。
在实际应用中，终端还可以针对包括目标对象的场景，在不同方位采集可见光图像和热红外图像，其中，目标对象可能位于可见光图像和热红外图像中的不同位置。
例如，将可见光摄像头和热红外摄像头分别设置于不同位置，终端通过调用位于不同位置的可见光摄像头和热红外摄像头采集可见光图像和热红外图像。由于可见光摄像头和热红外摄像头位于不同位置，所以目标对象在采集的可见光图像和热红外图像中位于不同位置。
步骤202：终端向后台服务器发送包含目标对象可见光图像和热红外图像的活体检测请求。
步骤203：后台服务器基于接收到的包含目标对象的可见光图像和热红外图像的活体检测请求，分别获取可见光图像和热红外图像的光照强度参数。
服务器接收到含目标对象的可见光图像和热红外图像的活体检测请求后，对请求进行解析，以获得目标对象的可见光图像和热红外图像，分别获取可见光图像和热红外图像的光照强度参数。
这里，光照强度参数是指能够表征图像的光照强度的参数，如像素均值、图像亮度等，这里就不具体限制了。
在实际应用中，光照强度参数可通过图像的像素均值进行表征，具体地，可通过图像的部分区域的像素均值表征该图像的光照强度，相应的，在一些实施例中，服务器可通过如下方式获取表征图像光照强度的光照强度参数：
确定图像中对应目标对象的脸部区域的目标区域；获取目标区域内各个像素点的像素值；确定目标区域内的像素均值；将像素均值作为表征图像光照强度的光照强度参数。
在实际实施时，服务器对图像中包含的脸部区域进行定位，以确定图像的脸部区域。在图像的脸部区域进行关键点识别，得到图像中关键点的位置，在图像中截取出包含关键点的区域作为图像中对应目标对象的脸部区域的目标区域。获取目标区域内每个像素点的像素值；根据像素值确定出目标区域内的像素均值，以目标区域内的像素均值作为表征图像光照强度的光照强度参数。
在实际应用中，当光照强度参数通过图像的像素均值表征时，还可通过图像的整个区域的像素均值表征该图像的光照强度，相应的，在另一些实施例中，服务器还可以通过如下方式获取图像光照强度参数：
获取图像各个像素点的像素值；确定图像的像素均值；将像素均值作为表征图像光照强度的光照强度参数。
在实际实施时，服务器直接获取整幅图像各个像素点的像素值，确定图像的像素均值，将整幅图像的像素均值作为表征图像光照强度的光照强度参数。
在实际应用中，光照强度参数还可通过图像像素的色彩饱和度及图像像素的灰度协同进行表征，相应的，在一些实施例中，服务器还可以通过如下方式获取图像光照强度参数：
获取用于确定光照强度的计算公式，公式如下：
L＝A*average(V)+B*average(gray)；
其中，L为光照强度，A和B均为常数，V为图像像素的色彩饱和度；gray为图像像素的灰度，average()为平均值函数；
获取图像像素的色彩饱和度和图像像素的灰度；
基于图像像素的色彩饱和度、图像像素的灰度、以及光照强度的计算公式，确定图像的光照强度。
步骤204：服务器基于获取到的可见光图像和热红外图像的光照强度参数，分别对目标对象的可见光图像和热红外图像进行光照异常检测，得到检测结果。
在一些实施例中，服务器可以通过如下方式对图像进行光照异常检测：
服务器获取光照异常图像所对应的光照强度范围；将图像的光照强度参数对应的光照强度大小与光照强度范围进行比对，得到比对结果；当比对结果表征图像的光照强度处于光照强度范围内时，确定图像光照强度检测结果为图像是光照异常图像。
这里，光照异常图像所对应的光照强度范围包括：由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围。
其中，第一光强、第二光强、第三光强及第四光强的大小依次递增；
在实际实施时，第一光强、第二光强、第三光强及第四光强的大小可以依据实际需要进行设定，这里就不具体限制了。
在另一些实施例中，当图像的光照强度超过第四光强时，服务器输出告警提示信息，用于提示终端工作环境不正常。
步骤205：当检测结果表征可见光图像和/或热红外图像为光照异常图像时，服务器确定光照异常图像对应的光照异常类型。
在一些实施例中，由于光照异常图像所对应的光照强度范围包括：由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围。并且第一光强、第二光强、第三光强及第四光强的大小依次递增；服务器可以通过如下方式确定图像的光照异常类型：
当图像的光照强度处于所述第一光照强度范围时，确定光照异常图像的异常类型为暗光图像；当图像的光照强度处于所述第二光照强度范围时，确定光照异常图像的异常类型为亮光图像。
步骤206：服务器基于光照异常图像的光照异常类型，对光照异常图像进行光照异常矫正，使得矫正后的图像满足人脸识别的光照条件。
在一些实施例中，服务器可以通过如下方式对图像进行光照异常矫正：
获取用于光照异常矫正的矫正公式，矫正公式为S＝C×Rr；
其中，S为矫正后图像的像素值，C为变换系数，用于整体拉伸图像像素，通常取值为1；R为图像的像素值，取值范围为[0,1]；r为变换指数；
确定对应光照异常类型的变换指数的值；基于确定的变换指数的值、以及矫正公式，对图像进行光照异常矫正。
在实际应用中，当图像的光照异常类型为暗光图像时，变换指数r取小于1的值，对图像进行暗光矫正；当图像的光照异常类型为亮光图像时，变换指数r取大于1的值，对图像进行亮光矫正，以使矫正后的图像满足对象识别的光照强度条件。作为示例，服务器基于可见光图像和/或热红外图像的异常类型，选择对应的矫正方式，确定对应的变换指数的值。获取可见光图像和/或热红外图像各个像素点的像素值，对像素值进行归一化处理后，利用矫正公式，确定矫正后的各个像素点的像素值，以获得矫正后的可见光图像和/或热红外图像。
步骤207：服务器分别获取可见光图像的可见光特征和热红外图像的热红外特征。
在一些实施例中，服务器通过可见光特征提取网络，对可见光图像进行人脸检测和定位，在确定可见光图像的人脸区域后，对可见光图像的人脸区域进行特征提取，以获得目标对象脸部区域的可见光特征；并通过热红外特征提取网络，对热红外图像进行人脸检测和定位，在确定热红外图像的人脸区域后，对热红外图像的人脸区域进行特征提取，以获得目标对象脸部区域的热红外特征。
作为示例，通过可见光特征提取网络，对可见光图像进行人脸检测，当从可见光图像中识别出人脸时，表征可见光图像可能包含人脸，然后对可见光图像中包含的人脸进行定位，以确定可见光图像中的人脸位置，在可见光图像中选取脸部区域，并将脸部区域划分为多个子区域；通过卷积核对多个子区域中的每个子区域进行过滤(或称卷积运算)，以获得每个子区域的特征；将多个子区域中的每个子区域的特征进行组合，以获得目标对象的目标部位的可见光特征。
相应地，对热红外图像进行人脸检测，当从热红外图像中识别出人脸时，表征热红外图像可能包含人脸，然后对热红外图像中包含的人脸进行定位，以确定热红外图像中的人脸位置，在热红外图像中选取脸部区域，并将脸部区域划分为多个子区域；通过卷积核对多个子区域中的每个子区域进行过滤，以获得每个子区域的特征；将多个子区域中的每个子区域的特征进行组合，以获得目标对象脸部区域的热红外特征。
步骤208：服务器对可见光特征和热红外特征进行特征融合处理，以获得融合特征。
在一些实施例中，通过特征融合网络，对可见光特征和热红外特征进行特征融合处理，以获得融合特征。
作为示例，确定位于不同通道(或称深度)的可见光特征和热红外特征；将位于不同通道的可见光特征和热红外特征进行叠加组合，以获得融合特征。
步骤209：服务器基于融合特征进行分类处理，以获得表征目标对象是否是活体的分类结果。
在一些实施例中，通过分类网络(例如二分类网络)，对融合特征进行分类处理，以获得表征目标对象是否是活体的分类结果。
作为示例，在融合特征中提取深度向量；通过二分类网络，将深度向量映射为对应属于活体对象类型的概率、以及属于非活体对象类型的概率；将最大概率对应的类型确定为目标对象的活体分类结果。
步骤210：服务器向终端返回活体检测结果。
本发明实施例针对目标对象同时采集可见光图像和热红外图像，并分别对可见光图像和热红外图像进行光照异常检测，对光照异常图像进行光照异常矫正。并分别对矫正后的可见光图像和热红外进行特征提取，以获得可见光特征和热红外特征；然后将可见光特征和热红外特征进行融合后分类，判断目标对象是否是活体，从而可以提高活体检测的准确性，提高活体检测的效率，避免极端光照环境对活体检测准确性的影响。
接下来，以图像识别为人脸识别为例，继续对本发明实施例提供的基于人工智能的图像识别方法进行介绍，在一些实施例中，该基于人工智能的图像识别方法可由服务器或终端实施，或由服务器及终端协同实施，本发明实施例提供的基于人工智能的图像识别方法由终端及服务器协同实施。
步骤301：终端采集包括目标对象人脸的可见光图像。
步骤302：终端向后台服务器发送包含目标对象人脸图像的人脸识别请求。
步骤303：后台服务器基于接收到的包含目标对象人脸图像的身份验证请求，获取目标对象人脸图像的光照强度参数。
步骤304：服务器基于获得到的光照强度参数，对目标对象人脸图像进行光照异常检测，得到检测结果。
步骤305：当检测结果表征图像为光照异常图像时，服务器确定图像对应的光照异常类型。
步骤306：服务器基于图像的光照异常类型，对图像进行光照异常矫正，使得矫正后的图像满足人脸识别的光照条件。
步骤307：服务器对矫正后的图像进行人脸特征提取，以获得目标对象的脸部特征。
作为示例，终端先对矫正后的可见光图像进行人脸检测，当从可见光图像中识别出人脸时，对可见光图像中人脸进行定位，以确定可见光图像中的人脸位置，截取可见光图像中的人脸区域，获得人脸图像，对人脸图像进行特征提取，以获得目标对象脸部信息的特征向量。对矫正后的可见光图像进行人脸特征提取，得到目标对象的脸部特征；将目标对象的脸部特征与人脸特征库中各对象的脸部特征进行相似度匹配，得到表征对应目标对象的人脸识别结果的匹配结果。
步骤308：基于提取的图像特征，服务器在数据库中识别比对，得到比对结果。
在实际应用中，服务器将目标对象的脸部特征与人脸特征库中各对象的脸部特征进行相似度匹配，得到表征对应目标对象的人脸识别结果的匹配结果。
作为示例，服务器将表征目标对象脸部信息的特征向量与数据库中人脸信息的特征向量进行比对，通过特征向量之间的欧几里得距离反映目标对象脸部特征与数据库中人脸特征的相似度。当目标对象人脸特征的特征向量与数据库中某一人脸特征的特征向量之间的欧几里得距离小于设定的最小距离阈值时，确定目标对象的人脸特征与数据库中的该人脸特征匹配成功。
步骤309：服务器向终端返回人脸识别结果。
本发明实施例提供的基于人工智能的图像识别方法，能够自适应的调整图像的光照强度参数，便于进行对象识别，避免极端光照环境对图像识别的影响，有效的提高图像识别的准确度。
下面，将以图像识别为活体检测为例说明本发明实施例在一个实际的应用场景中的示例性应用。
人脸信息作为每个人的独特属性ID，人脸识别已经在人们的生活中使用的十分普遍。人脸识别涉及到安全及支付等领域，例如，用户在支付账单时，通过人脸识别完成对用户的身份验证，避免用户手动输入密码的情况。因此也存在一些手段欺骗人脸识别系统。例如不法分子通过用户的照片来欺骗人脸识别系统，完成对用户的身份验证。
相关技术中，针对活体人脸检测的方法主要分为三类。
第一、基于人体主动配合活体检测，例如，要求用户根据指导动作(张嘴，眨眼，摇头等)，通过判断相应动作确认用户是真人(即活体)还是攻击(即非活体)。
第二、基于深度信息活体检测，随着结构光、飞行时间(TOF，Time of Flight)等3D成像技术，通过检测人脸深度信息，区分是真人还是攻击。
第三、基于深度学习可见光活体检测，通过卷积神经网络将攻击信号作为监督信息，训练网络模型判断是真人还是攻击。
但现有的人脸活体检测技术通常都是在正常环境中使用，当光照环境变得极端(如光照环境过亮或者过暗)时，活体检测技术就会失效，出现无法识别的情况。
参见图6、图7、图8，图9，图6是正常光照环境下可见光人脸成成像图和热红外人脸成像图；其中，标号61所示为正常光照环境下可见光人脸成成像图，标号62所示为正常光照环境下热红外人脸成像图。图7是户外阳光下可见光人脸成成像图和热红外人脸成像图；其中，标号71所示为户外阳光下可见光人脸成成像图，标号72所示为户外阳光下热红外人脸成像图。图8是手动打光情况下可见光人脸成成像图和热红外人脸成像图；其中，标号81所示为手动打光情况下可见光人脸成成像图，标号82所示为手动打光情况下热红外人脸成像图。图9是暗光环境下可见光人脸成成像图和热红外人脸成像图；其中，标号91所示为暗光环境下可见光人脸成成像图，标号92所示为暗光环境下热红外人脸成像图。可以发现，天气变化、光照环境变化都可能导致人脸成像异常，而这类异常会导致双目活体检测算法失效，用户无法被正常识别的问题。
针对上述问题，本发明实施例提供一种基于人工智能的图像识别的方法，能够有效解决上述技术问题。
参见图10，图10是本发明实施例提供的基于人工智能的图像识别的方法的流程示意图。将结合图10详细说明本发明实施例。
步骤401：客户端采集到针对目标对象的至少一种类型的图像。
在一些实施例中，客户端通过调用双目摄像头，针对目标对象采集BGR图像(即上述的可见光图像)和红外图像(即上述的热红外图像)，并向后台服务器发送包含目标对象BGR图像和红外图像的身份验证请求。
步骤402：基于图像，获取用于表征图像光照强度的光照强度参数。
在一些实施例中，服务器接收并解析身份验证请求，当检测到两个通道人脸图像后，确定BGR人脸图(即上述的可见光图像)及红外人脸图(即上述的热红外图像)对应目标对象的脸部区域的目标区域；分别获取BGR人脸图和红外人脸图的目标区域内各个像素点的像素值；分别确定BGR人脸图和红外人脸图的目标区域内的像素均值；将像素均值作为表征图像光照强度的光照强度参数。
例如，服务器检测到BGR人脸图和红外人脸图时，分别获取BGR人脸图和红外人脸图的脸部区域中心位置20*20区域作为目标区域，分别确定BGR人脸图和红外人脸图的像素均值，将BGR人脸图和红外人脸图的像素均值分别作为BGR人脸图和红外人脸图的光照强度参数。
步骤403：基于光照强度参数对图像进行光照异常检测，得到检测结果。
在一些实施例中，服务器可以通过如下方式对图像进行光照异常检测：
服务器获取光照异常图像所对应的光照强度范围；将图像的光照强度参数对应的光照强度大小与光照强度范围进行比对，得到比对结果；当比对结果表征图像的光照强度处于光照强度范围内时，确定图像光照强度检测结果为图像是光照异常图像。
这里，光照异常图像所对应的光照强度范围包括：由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围。
其中，第一光强、第二光强、第三光强及第四光强的大小依次递增；
作为示例，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220，光照异常图像所对应的光照强度范围：第一光照强度范围0-60，第二光照强度范围150-220，正常光照图像对应的光照强度范围60-150。服务器将图像的光照强度参数对应的光照强度大小与光照异常图像所对应的光照强度范围进行比对，得到比对结果。若比对结果表征图像光照强度参数对应的光照强度大小处于第一光照强度范围0-60内或处于第二光照强度范围150-220内时，确定图像为光照异常图像。
在实际实施时，第一光强、第二光强、第三光强及第四光强的大小可以依据实际需要进行设定，在这里就不具体限制了。
作为示例，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220，光照异常图像所对应的光照强度范围：第一光照强度范围0-60，第二光照强度范围150-220，正常光照图像对应的光照强度范围60-150。服务器分别将BGR人脸图和红外人脸图的像素均值与光照异常图像所对应的光照强度范围进行比对，得到比对结果。若比对结果表征BGR人脸图和/或红外人脸图的像素均值处于第一光照强度范围0-60内或处于第二光照强度范围150-220内时，确定BGR人脸图和/或红外人脸图为光照异常图像。
在另一些实施例中，当图像光照强度大于第四光照时，服务器向终端输出告警提示信息，用于提示终端工作环境不正常。
例如，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220。当图像的光照强度参数对应的光照强度大小超过220时，终端输出告警提示信息，提示终端工作环境不正常。步骤404：当检测结果表征图像为光照异常图像时，确定图像对应的光照异常类型。
在一些实施例中，由于光照异常图像所对应的光照强度范围包括：由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围。并且第一光强、第二光强、第三光强及第四光强的大小依次递增。服务器可以通过如下方式确定图像的光照异常类型：
当图像的光照强度处于所述第一光照强度范围时，确定光照异常图像的异常类型为暗光图像；当图像的光照强度处于所述第二光照强度范围时，确定光照异常图像的异常类型为亮光图像。
作为示例，当光照强度参数通过图像的像素均值表征时，设定第一光强的大小为0、第二光强的大小为60、第三光强的大小为150、第四光强的大小为220，光照异常图像所对应的光照强度范围：第一光照强度范围0-60，第二光照强度范围150-220。服务器将光照异常图像的像素均值与第一光照强度范围、第二光照强度范围进行比对，得到比对结果。若比对结果表征图像的像素均值处于第一光照强度范围0-60内，确定图像的光照异常类型为暗光图像；若比对结果表征图像的像素均值处于第二光照强度范围150-220内，确定图像的光照异常类型为亮光图像。
步骤405：基于光照异常类型对图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件。
在一些实施例中，服务器可以通过如下方式对图像进行光照异常矫正：
获取用于光照异常矫正的矫正公式，矫正公式为S＝C×Rr；其中，S为矫正后图像的像素值，C为变换系数，用于整体拉伸图像像素，通常取值为1；R为图像的像素值，取值范围为[0,1]；r为变换指数；确定对应光照异常类型的变换指数的值；基于确定的变换指数的值、以及矫正公式，对图像进行光照异常矫正。
在实际应用中，当图像的光照异常类型为暗光图像时，变换指数r取小于1的值，对图像进行暗光矫正；当图像的光照异常类型为亮光图像时，变换指数r取大于1的值，对图像进行亮光矫正，以使矫正后的图像满足对象识别的光照强度条件。
作为示例，服务器基于BGR人脸图和/或红外人脸图的异常类型，选择对应的矫正方式，确定对应的变换指数的值。获取BGR人脸图和/或红外人脸图各个像素点的像素值，对像素值进行归一化处理后，利用矫正公式，确定矫正后的各个像素点的像素值，以获得矫正后的BGR人脸图和/或红外人脸图。
参见图11、图12、图13，图11是可见光通道下人脸暗光及矫正后图像；其中标号111所示为暗光环境下可见光人脸成像图，标号112所示为经过暗光矫正后得到的可见光人脸成像图。图12是可见光通道下人脸亮光及矫正后图像；其中，标号121所示为亮光环境下可见光人脸成像图，标号122所示为应该亮光矫正后得到的可见光人脸成像图。图13是热红外通道下人脸亮光及矫正后图像；其中，标号131所示为亮光环境下热红外人脸成像图，标号132所示为应该亮光矫正后得到的热红外人脸成像图。由上图可见，经过光照异常矫正后的图像的人脸更清晰，便于进行对象识别。
步骤406：基于矫正后的图像对所述目标对象进行对象识别。
在实际实施时，服务器将矫正后的BGR人脸图和红外人脸图输入至活体检测模型中。其中，活体检测模型包括：可见光特征提取网络、热红外特征提取网络、特征融合网络、以及分类网络。
通过可见光特征提取网络，先对矫正后的可见光图像进行人脸检测，当从可见光图像中识别出人脸时，表征可见光图像可能包含人脸，然后对可见光图像中包含的人脸进行定位，以确定矫正后的可见光图像中的人脸位置，对可见光图像的人脸区域进行特征提取，以获得目标对象的可见光特征；通过热红外特征提取网络，对矫正后的热红外图像进行人脸检测和定位，对热红外图像的人脸区域进行特征提取，以获得目标对象的热红外特征；通过特征融合网络，对可见光特征和热红外特征进行特征融合处理，以获得融合特征；通过分类网络，对融合特征进行分类处理，以获得表征目标对象是否是活体的分类结果。
如此，能够自适应的调整图像的光照强度参数，便于进行对象识别，避免极端光照环境对图像识别的影响，有效的提高图像识别的准确度。
下面继续结合图2说明电子设备500的结构，在一些实施例中，如图2所述，存储在存储器540的基于人工智能的图像识别装置543中的软件模块可以包括：采集模块5431、获取模块5432、光照异常检测模块5433、光照异常矫正模块5434、对象识别模块5435。
下面继续说明本发明实施例提供的基于人工智能的图像识别装置543，在一些实施例中，基于人工智能的图像识别装置可以采用软件模块的方式实现。参见图14，图14是本发明实施例提供的基于人工智能的图像识别装置543的结构示意图，本发明实施例提供的基于人工智能的图像识别装置543包括：
采集模块5431，用于采集针对目标对象的至少一种类型的图像；
获取模块5432，用于基于所述图像，获取用于表征所述图像光照强度的光照强度参数；
光照异常检测模块5433，用于基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果；当所述检测结果表征所述图像为光照异常图像时，确定所述图像对应的光照异常类型；
光照异常矫正模块5434，用于基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件；
对象识别模块5435，用于基于矫正后的图像对所述目标对象进行对象识别。
在一些实施例中，所述获取模块5432，还用于确定所述图像中对应所述目标对象的脸部区域的目标区域；获取所述目标区域内各个像素点的像素值；确定所述目标区域内的像素均值；将所述像素均值作为表征所述图像光照强度的光照强度参数。
在一些实施例中，所述获取模块5432，还用于获取所述图像各个像素点的像素值；确定所述图像的像素均值；将所述像素均值作为表征所述图像光照强度的光照强度参数。
在一些实施例中，所述获取模块5432，还用于获取光照异常图像所对应的光照强度范围；所述光照异常检测模块5433，还用于将所述光照强度参数对应的光照强度大小与所述光照强度范围进行比对，得到比对结果；当所述比对结果表征所述图像的光照强度处于所述光照强度范围内时，确定检测结果为所述图像为光照异常图像。
在一些实施例中，所述光照异常检测模块5433，还用于当所述图像的光照强度处于第一光照强度范围时，确定所述光照异常图像的异常类型为暗光图像；当所述图像的光照强度处于第二光照强度范围时，确定所述光照异常图像的异常类型为亮光图像；其中，由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围；所述第一光强、所述第二光强、所述第三光强及所述第四光强的大小依次递增。
在一些实施例中，所述光照异常检测模块5433，还用于当所述光照强度参数表征所述图像的光照强度超过所述第四光强时，输出告警提示信息，所述告警提示信息用于提示终端工作环境不正常。
在一些实施例中，所述获取模块5432，还用于获取用于光照异常矫正的矫正公式，所述矫正公式为S＝C×Rr；其中，S为矫正后图像的像素值，C为变换系数；R为图像的像素值，r为变换指数；
所述光照异常矫正模块5434，还用于确定对应所述光照异常类型的变换指数的值；基于确定的变换指数的值、以及所述矫正公式，对所述图像进行光照异常矫正。
在一些实施例中，所述光照异常矫正模块5434，还用于当所述图像包括可见光图像和热红外图像，且所述可见光图像和热红外图像中至少之一为光照异常图像时，对所述光照异常图像进行光照异常矫正，使得矫正后所述可见光图像和热红外图像均满足对象识别的光照条件；
所述对象识别模块5435，还用于分别对矫正后的所述可见光图像和热红外图像进行特征提取，得到所述目标对象的可见光特征和热红外特征；对所述可见光特征和所述热红外特征进行特征融合处理，以获得融合特征；基于所述融合特征进行分类处理，以获得表征所述目标对象是否是活体的分类结果。
上述方案中，所述光照异常矫正模块5434，还用于当所述图像为可见光图像，且所述可见光图像为光照异常图像时，对所述可见光图像进行光照异常矫正，使得矫正后所述可见光图像满足对象识别的光照条件；
所述对象识别模块5435，还用于对矫正后的所述可见光图像进行人脸特征提取，得到所述目标对象的脸部特征；将所述目标对象的脸部特征与人脸特征库中各对象的脸部特征进行相似度匹配，得到匹配结果，所述匹配结果用于表征对应所述目标对象的人脸识别结果。
本发明实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本发明实施例提供的基于人工智能的图像识别方法，例如，如图3或图5示出的方法。
在一些实施例中，存储介质可以是FRAM、ROM、PROM、EPROM、EE PROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述，通过本发明实施例提供的基于人工智能的图像识别方法，能够自适应的调整图像的光照强度参数，便于进行对象识别，避免极端光照环境对图像识别的影响，有效的提高图像识别的准确度。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (12)

1.一种基于人工智能的图像识别方法，其特征在于，所述方法包括：
获取针对目标对象的至少一种类型的图像；
基于所述图像，获取用于表征所述图像光照强度的光照强度参数，所述光照强度参数包括所述图像中所述目标对象的脸部区域的各像素点的像素均值，或者所述图像中各像素点的像素均值；
基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果；
当所述检测结果表征所述图像为光照异常图像时，确定所述图像对应的光照异常类型；
基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件；
当所述矫正后的图像包括可见光图像和热红外图像时，分别对所述可见光图像和所述热红外图像中包含的目标对象进行定位，得到所述目标对象分别在所述可见光图像中的第一对象区域，及在所述热红外图像中的第二对象区域；
分别对所述第一对象区域和所述第二对象区域进行特征提取，得到所述目标对象的可见光特征和热红外特征；
对所述可见光特征和所述热红外特征进行特征融合处理，得到融合特征；
基于所述融合特征，对所述目标对象进行活体识别，得到活体识别结果，所述活体识别结果，用于指示所述目标对象是否为活体。
2.基于权利要求1所述的方法，其特征在于，所述获取用于表征所述图像光照强度的光照强度参数，包括：
确定所述图像中对应所述目标对象的脸部区域的目标区域；
获取所述目标区域内各个像素点的像素值；
确定所述目标区域内的像素均值；
将所述像素均值作为表征所述图像光照强度的光照强度参数。
3.基于权利要求1所述的方法，其特征在于，所述获取用于表征所述图像光照强度的光照强度参数，包括：
获取所述图像各个像素点的像素值；
确定所述图像的像素均值；
将所述像素均值作为表征所述图像光照强度的光照强度参数。
4.基于权利要求1所述的方法，其特征在于，所述基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果，包括：
获取光照异常图像所对应的光照强度范围；
将所述光照强度参数对应的光照强度大小与所述光照强度范围进行比对，得到比对结果；
当所述比对结果表征所述图像的光照强度处于所述光照强度范围内时，确定检测结果为所述图像为光照异常图像。
5.基于权利要求4所述的方法，其特征在于，所述光照强度范围包括：
由第一光强及第二光强构成的第一光照强度范围、及由第三光强及第四光强构成的第二光照强度范围；其中，所述第一光强、所述第二光强、所述第三光强及所述第四光强的大小依次递增；
相应的，所述确定所述图像对应的光照异常类型，包括：
当所述图像的光照强度处于所述第一光照强度范围时，确定所述光照异常图像的异常类型为暗光图像；
当所述图像的光照强度处于所述第二光照强度范围时，确定所述光照异常图像的异常类型为亮光图像。
6.基于权利要求5所述的方法，其特征在于，当所述光照强度参数表征所述图像的光照强度超过所述第四光强时，所述方法还包括：
输出告警提示信息，所述告警提示信息用于提示终端工作环境不正常。
7.基于权利要求1所述的方法，其特征在于，所述基于所述光照异常类型对所述图像进行光照异常矫正，包括：
获取用于光照异常矫正的矫正公式，所述矫正公式为S＝C×Rr；
其中，S为矫正后图像的像素值，C为变换系数；R为图像的像素值，r为变换指数；
确定对应所述光照异常类型的变换指数的值；
基于确定的变换指数的值、以及所述矫正公式，对所述图像进行光照异常矫正。
8.基于权利要求1所述的方法，其特征在于，所述基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件，包括：
当所述图像包括可见光图像和热红外图像，且所述可见光图像和热红外图像中至少之一为光照异常图像时，对所述光照异常图像进行光照异常矫正，使得矫正后所述可见光图像和热红外图像均满足对象识别的光照条件。
9.基于权利要求1所述的方法，其特征在于，所述基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件，包括：
当所述图像为可见光图像，且所述可见光图像为光照异常图像时，对所述可见光图像进行光照异常矫正，使得矫正后所述可见光图像满足对象识别的光照条件；
所述方法还包括：
对矫正后的所述可见光图像进行人脸特征提取，得到所述目标对象的脸部特征；
将所述目标对象的脸部特征与人脸特征库中各对象的脸部特征进行相似度匹配，得到匹配结果，所述匹配结果用于表征对应所述目标对象的人脸识别结果。
10.一种基于人工智能的图像识别装置，其特征在于，所述装置包括：
采集模块，用于获取针对目标对象的至少一种类型的图像；
获取模块，用于基于所述图像，获取用于表征所述图像光照强度的光照强度参数，所述光照强度参数包括所述图像中所述目标对象的脸部区域的各像素点的像素均值，或者所述图像中各像素点的像素均值；
检测模块，用于基于所述光照强度参数对所述图像进行光照异常检测，得到检测结果；当所述检测结果表征所述图像为光照异常图像时，确定所述图像对应的光照异常类型；
矫正模块，用于基于所述光照异常类型对所述图像进行光照异常矫正，使得矫正后的图像满足对象识别的光照条件；
识别模块，用于当所述矫正后的图像包括可见光图像和热红外图像时，分别对所述可见光图像和所述热红外图像中包含的目标对象进行定位，得到所述目标对象分别在所述可见光图像中的第一对象区域，及在所述热红外图像中的第二对象区域；分别对所述第一对象区域和所述第二对象区域进行特征提取，得到所述目标对象的可见光特征和热红外特征；对所述可见光特征和所述热红外特征进行特征融合处理，得到融合特征；基于所述融合特征，对所述目标对象进行活体识别，得到活体识别结果，所述活体识别结果，用于指示所述目标对象是否为活体。
11.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至9中任一项所述的基于人工智能的图像识别方法。
12.一种存储介质，其特征在于，所述存储介质存储有可执行指令，用于引起处理器执行时，实现权利要求1至9中任一项所述的基于人工智能的图像识别方法。
CN202010486046.4A 2020-06-01 2020-06-01 基于人工智能的图像识别方法及装置 Active CN112749607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010486046.4A CN112749607B (zh) 2020-06-01 2020-06-01 基于人工智能的图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010486046.4A CN112749607B (zh) 2020-06-01 2020-06-01 基于人工智能的图像识别方法及装置

Publications (2)

Publication Number Publication Date
CN112749607A CN112749607A (zh) 2021-05-04
CN112749607B true CN112749607B (zh) 2023-09-12

Family

ID=75645256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010486046.4A Active CN112749607B (zh) 2020-06-01 2020-06-01 基于人工智能的图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN112749607B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239729A (zh) * 2017-04-10 2017-10-10 南京工程学院 一种基于光照估计的光照人脸识别方法
CN107491771A (zh) * 2017-09-21 2017-12-19 百度在线网络技术（北京）有限公司 人脸检测方法和装置
CN108446675A (zh) * 2018-04-28 2018-08-24 北京京东金融科技控股有限公司 面部图像识别方法、装置电子设备及计算机可读介质
CN109714866A (zh) * 2019-02-28 2019-05-03 广州魁科机电科技有限公司 一种用于三维扫描仪的补光装置及自动调光系统
CN109919866A (zh) * 2019-02-26 2019-06-21 Oppo广东移动通信有限公司 图像处理方法、装置、介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018088794A2 (ko) * 2016-11-08 2018-05-17 삼성전자 주식회사 디바이스가 이미지를 보정하는 방법 및 그 디바이스

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239729A (zh) * 2017-04-10 2017-10-10 南京工程学院 一种基于光照估计的光照人脸识别方法
CN107491771A (zh) * 2017-09-21 2017-12-19 百度在线网络技术（北京）有限公司 人脸检测方法和装置
CN108446675A (zh) * 2018-04-28 2018-08-24 北京京东金融科技控股有限公司 面部图像识别方法、装置电子设备及计算机可读介质
CN109919866A (zh) * 2019-02-26 2019-06-21 Oppo广东移动通信有限公司 图像处理方法、装置、介质及电子设备
CN109714866A (zh) * 2019-02-28 2019-05-03 广州魁科机电科技有限公司 一种用于三维扫描仪的补光装置及自动调光系统

Also Published As

Publication number Publication date
CN112749607A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
US10719743B2 (en) License plate reader using optical character recognition on plural detected regions
US11087447B2 (en) Systems and methods for quality assurance of image recognition model
CN112733802B (zh) 图像的遮挡检测方法、装置、电子设备及存储介质
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
TW202026948A (zh) 活體檢測方法、裝置以及儲存介質
CN111916219A (zh) 检验检疫智能安全预警方法、装置及电子系统
KR20190093799A (ko) Cctv를 통한 실시간 실종자 얼굴 인식 시스템 및 그 방법
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN109661668A (zh) 用于虹膜识别的图像处理方法和系统
US20230135400A1 (en) Method and system for facial recognition
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
CN113111807A (zh) 一种目标识别的方法和系统
CN111401258B (zh) 基于人工智能的活体检测方法、以及装置
CN111582155A (zh) 活体检测方法、装置、计算机设备和存储介质
EP4214634A1 (en) Systems and methods for object recognition
CN113111810A (zh) 一种目标识别方法和系统
CN113239774A (zh) 一种视频人脸识别系统及方法
KR102171384B1 (ko) 영상 보정 필터를 이용한 객체 인식 시스템 및 방법
CN112749607B (zh) 基于人工智能的图像识别方法及装置
CN113243015B (zh) 视频监控系统
CN113901423B (zh) 一种基于人脸识别的智能安防设备控制方法和系统
CN113642353B (zh) 一种人脸检测模型的训练方法、存储介质及终端设备
CN115966030A (zh) 图像处理方法、装置及智能终端
CN115019364A (zh) 基于人脸识别的身份认证方法、装置、电子设备及介质
KR20220070718A (ko) 영상 분석 기반의 위장 무늬 평가 시스템 및 그 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40043533

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant