CN113228124B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113228124B CN113228124B CN202080000645.9A CN202080000645A CN113228124B CN 113228124 B CN113228124 B CN 113228124B CN 202080000645 A CN202080000645 A CN 202080000645A CN 113228124 B CN113228124 B CN 113228124B
- Authority
- CN
- China
- Prior art keywords
- area
- face
- region
- determining
- human body
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 74
- 210000000746 body region Anatomy 0.000 claims description 158
- 238000012545 processing Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 130
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000002596 correlated effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000006413 Prunus persica var. persica Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/34—Betting or bookmaking, e.g. Internet betting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06V40/107—Static hand or arm
-
- 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
-
- 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
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3202—Hardware aspects of a gaming system, e.g. components, construction, architecture thereof
- G07F17/3204—Player-machine interfaces
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3225—Data transfer within a gaming system, e.g. data sent between gaming machines and users
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3225—Data transfer within a gaming system, e.g. data sent between gaming machines and users
- G07F17/3232—Data transfer within a gaming system, e.g. data sent between gaming machines and users wherein the operator is informed
- G07F17/3237—Data transfer within a gaming system, e.g. data sent between gaming machines and users wherein the operator is informed about the players, e.g. profiling, responsible gaming, strategy/behavior of players, location of players
- G07F17/3239—Tracking of individual players
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息。本公开实施例可实现目标的自动识别与关联。
Description
相关申请的交叉引用
本申请要求了2019年12月30日递交的、发明名称为“图像处理方法及装置、电子设备和存储介质”的新加坡专利申请第10201913763W号的优先权,该申请的所有内容通过引用包含于此。
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
近年来,随着人工智能技术的不断发展,人工智能技术在计算机视觉、语音识别等方面均取得了比较好的效果。在一些相对特殊的场景(例如桌面游戏场景)中,存在较多重复且技术含量低的操作。例如,玩家下注数量依靠工作人员肉眼辨识,玩家输赢情况依赖工作人员手动统计等,效率低且容易出错。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息。
在一种可能的实现方式中,在确定各目标区域之间的关联信息之后,所述方法还包括:根据各目标区域之间的关联信息,判断所述待处理图像中人的行为是否符合预设行为规则;在所述待处理图像中人的行为不符合预设行为规则的情况下,发出第一提示信息。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:
根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域,包括:
在第一人脸区域的位置与第一被兑换物区域的位置之间的距离小于或等于第一距离阈值的情况下,确定所述第一人脸区域与所述第一被兑换物区域相关联,
其中,所述第一人脸区域为各个人脸区域中的任意一个,所述第一被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人体区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域;根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域,包括:在第一人体区域的位置与第二被兑换物区域的位置之间的距离小于或等于第二距离阈值的情况下,确定所述第一人体区域与所述第二被兑换物区域相关联,其中,所述第一人体区域为各个人体区域中的任意一个,所述第二被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域、人手区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人手区域对应的人的身份信息;根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域,包括:在第二人脸区域的位置与第一人手区域的位置之间的距离小于或等于第三距离阈值的情况下,确定所述第二人脸区域与所述第一人手区域相关联,其中,所述第二人脸区域为各个人脸区域中的任意一个,所述第一人手区域为各个人手区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域、人体区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域、人手区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;对所述人手区域进行人手关键点提取,得到所述人手区域的人手关键点信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域;根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的人手区域对应的人的身份信息;根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域,包括:在第三人脸区域的人脸关键点信息所在区域与第二人体区域的人体关键点信息所在区域之间的重叠区域的面积大于或等于第一面积阈值的情况下,确定所述第三人脸区域与所述第二人体区域相关联,其中,所述第三人脸区域为各个人脸区域中的任意一个,所述第二人体区域为各个人体区域中的任意一个。
在一种可能的实现方式中,所述根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域,包括:在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间满足预设条件的情况下,确定所述第三人体区域与所述第二人手区域相关联,其中,所述第三人体区域为各个人体区域中的任意一个,所述第二人手区域为各个人手区域中的任意一个。
在一种可能的实现方式中,所述预设条件包括以下至少一种:所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的重叠区域的面积大于或等于第二面积阈值;所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的距离小于或等于第四距离阈值;所述第三人体区域的人体关键点信息的第一连线与所述第二人手区域的人手关键点信息的第二连线的夹角小于或等于夹角阈值,其中,所述第一连线为所述第三人体区域的人体关键点信息中的肘部关键点与手部关键点之间的连线,所述第二连线为所述第二人手区域的人手关键点信息中的人手关键点之间的连线。
在一种可能的实现方式中,所述根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域,包括:在第三人手区域与第三被兑换物区域之间的距离小于或等于第五距离阈值的情况下,确定所述第三人手区域与所述第三被兑换物区域相关联,其中,所述第三人手区域为各个人手区域中的任意一个,所述第三被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:对待处理图像进行检测,确定所述待处理图像中的被兑换物区域及兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:对所述被兑换物区域进行被兑换物识别及分类,得到所述被兑换物区域中各被兑换物的位置及类别;对所述兑换物区域进行兑换物识别及分类,得到所述兑换物区域中各兑换物的类别;
其中,所述方法还包括:在兑换时间段内,根据兑换物区域中各兑换物的类别,确定所述兑换物区域中各兑换物的第一总体价值;在所述兑换时间段内,根据被兑换物区域中各被兑换物的位置及类别,确定所述被兑换物区域中各被兑换物的第二总体价值;在所述第一总体价值与所述第二总体价值不同的情况下,发出第二提示信息。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括游戏进行区域,
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:对待处理图像进行检测,确定所述待处理图像中的游戏进行区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:对所述游戏进行区域进行卡牌识别及分类,得到所述游戏进行区域中各卡牌的位置及类别。
在一种可能的实现方式中,所述方法还包括:在发牌阶段内,在所述游戏进行区域中各卡牌的类别与预设类别不同的情况下,发出第三提示信息。
在一种可能的实现方式中,所述方法还包括:在发牌阶段内,在所述游戏进行区域中各卡牌的位置及类别与各卡牌的预设位置及预设规则不同的情况下,发出第四提示信息。
在一种可能的实现方式中,所述方法还包括:在赔付阶段内,根据游戏进行区域中的各卡牌的类别,确定游戏结果;根据游戏结果和与各个人关联的被兑换物区域的位置确定各个人的赔付规则;根据各个人的赔付规则以及和各个人关联的被兑换物区域中的被兑换物的价值,确定各个人的赔付价值。
根据本公开的一方面,提供了一种图像处理装置,包括:区域确定模块,用于对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;目标识别模块,用于根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;区域关联模块,用于根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息。
在一种可能的实现方式中,在确定各目标区域之间的关联信息之后,所述装置还包括:行为判断模块,用于根据各目标区域之间的关联信息,判断所述待处理图像中人的行为是否符合预设行为规则;第一提示模块,用于在所述待处理图像中人的行为不符合预设行为规则的情况下,发出第一提示信息。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第一确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述区域关联模块包括:第一关联子模块,用于根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域;第二身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第一关联子模块用于:在第一人脸区域的位置与第一被兑换物区域的位置之间的距离小于或等于第一距离阈值的情况下,确定所述第一人脸区域与所述第一被兑换物区域相关联,其中,所述第一人脸区域为各个人脸区域中的任意一个,所述第一被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人体区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第二确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;第二提取子模块,用于对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
所述区域关联模块包括:第二关联子模块,用于根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;第三身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;第三关联子模块,用于根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域;第四身份确定子模块,用于根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第三关联子模块用于:在第一人体区域的位置与第二被兑换物区域的位置之间的距离小于或等于第二距离阈值的情况下,确定所述第一人体区域与所述第二被兑换物区域相关联,其中,所述第一人体区域为各个人体区域中的任意一个,所述第二被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第三确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人手区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述区域关联模块包括:第四关联子模块,用于根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域;第五身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人手区域对应的人的身份信息;第五关联子模块,用于根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;第六身份确定子模块,用于根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第四关联子模块用于:在第二人脸区域的位置与第一人手区域的位置之间的距离小于或等于第三距离阈值的情况下,确定所述第二人脸区域与所述第一人手区域相关联,其中,所述第二人脸区域为各个人脸区域中的任意一个,所述第一人手区域为各个人手区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域、人体区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第四确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域、人手区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;第二提取子模块,用于对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;第三提取子模块,用于对所述人手区域进行人手关键点提取,得到所述人手区域的人手关键点信息;
所述区域关联模块包括:第二关联子模块,用于根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;第三身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;第六关联子模块,用于根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域;第七身份确定子模块,用于根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的人手区域对应的人的身份信息;第五关联子模块,用于根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;第六身份确定子模块,用于根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第二关联子模块用于:在第三人脸区域的人脸关键点信息所在区域与第二人体区域的人体关键点信息所在区域之间的重叠区域的面积大于或等于第一面积阈值的情况下,确定所述第三人脸区域与所述第二人体区域相关联,其中,所述第三人脸区域为各个人脸区域中的任意一个,所述第二人体区域为各个人体区域中的任意一个。
在一种可能的实现方式中,所述第六关联子模块用于:在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间满足预设条件的情况下,确定所述第三人体区域与所述第二人手区域相关联,其中,所述第三人体区域为各个人体区域中的任意一个,所述第二人手区域为各个人手区域中的任意一个。
在一种可能的实现方式中,所述预设条件包括以下至少一种:所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的重叠区域的面积大于或等于第二面积阈值;所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的距离小于或等于第四距离阈值;所述第三人体区域的人体关键点信息的第一连线与所述第二人手区域的人手关键点信息的第二连线的夹角小于或等于夹角阈值,其中,所述第一连线为所述第三人体区域的人体关键点信息中的肘部关键点与手部关键点之间的连线,所述第二连线为所述第二人手区域的人手关键点信息中的人手关键点之间的连线。
在一种可能的实现方式中,所述第五关联子模块用于:在第三人手区域与第三被兑换物区域之间的距离小于或等于第五距离阈值的情况下,确定所述第三人手区域与所述第三被兑换物区域相关联,其中,所述第三人手区域为各个人手区域中的任意一个,所述第三被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括兑换物区域;
所述区域确定模块包括:第五确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的被兑换物区域及兑换物区域;
所述目标识别模块包括:被兑换物识别子模块,用于对所述被兑换物区域进行被兑换物识别及分类,得到所述被兑换物区域中各被兑换物的位置及类别;兑换物识别子模块,用于对所述兑换物区域进行兑换物识别及分类,得到所述兑换物区域中各兑换物的类别;其中,所述装置还包括:第一价值确定模块,用于在兑换时间段内,根据兑换物区域中各兑换物的类别,确定所述兑换物区域中各兑换物的第一总体价值;第二价值确定模块,用于在所述兑换时间段内,根据被兑换物区域中各被兑换物的位置及类别,确定所述被兑换物区域中各被兑换物的第二总体价值;第二提示模块,用于在所述第一总体价值与所述第二总体价值不同的情况下,发出第二提示信息。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括游戏进行区域,
所述区域确定模块包括:第六确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的游戏进行区域;
所述目标识别模块包括:卡牌识别子模块,用于对所述游戏进行区域进行卡牌识别及分类,得到所述游戏进行区域中各卡牌的位置及类别。
在一种可能的实现方式中,所述装置还包括:第三提示模块,用于在发牌阶段内,在所述游戏进行区域中各卡牌的类别与预设类别不同的情况下,发出第三提示信息。
在一种可能的实现方式中,所述装置还包括:第四提示模块,用于在发牌阶段内,在所述游戏进行区域中各卡牌的位置及类别与各卡牌的预设位置及预设规则不同的情况下,发出第四提示信息。
在一种可能的实现方式中,所述装置还包括:结果确定模块,用于在赔付阶段内,根据游戏进行区域中的各卡牌的类别,确定游戏结果;规则确定模块,用于根据游戏结果和与各个人关联的被兑换物区域的位置确定各个人的赔付规则;赔付价值确定模块,用于根据各个人的赔付规则以及和各个人关联的被兑换物区域中的被兑换物的价值,确定各个人的赔付价值。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,能够检测出图像中的目标所在的图像区域及区域的类别,根据类别对各区域进行识别以得到各区域的识别结果,进而根据各区域的位置和/或识别结果确定各区域之间的关联,从而实现各种目标的自动识别与关联,降低人力成本,提高了处理效率和准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的图像处理方法的应用场景的示意图。
图3a和图3b示出根据本公开实施例的图像处理方法的人体关键点信息及人手关键点信息的示意图。
图4示出根据本公开实施例提供的一种图像处理方法的处理过程的示意图。
图5示出根据本公开实施例的图像处理装置的框图。
图6示出根据本公开实施例的一种电子设备的框图。
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图,如图1所示,所述图像处理方法包括:
在步骤S11中,对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;
在步骤S12中,根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;
在步骤S13中,根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息。
在一种可能的实现方式中,所述图像处理方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
在一种可能的实现方式中,待处理图像可以是图像采集设备(例如摄像头)所采集的游戏场所的监控区域的图像。游戏场所中可以包括一个或多个监控区域(例如游戏桌区域)。需要监控的目标可包括玩家或工作人员等人员,也可包括被兑换物(例如游戏筹码)、兑换物等物品。可通过摄像头采集监控区域的图像(例如拍摄视频流),并分析图像(例如视频帧)中的目标。本公开对需要监控的目标的类别不作限制。
在一种可能的实现方式中,可例如在游戏场所的游戏桌区域的两侧(或多侧)以及上方分别设置摄像头,以采集监控区域(游戏桌两侧及游戏桌的桌面)的图像,使得待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像,以便在后续处理中通过游戏桌两侧的待处理图像分析处于游戏桌附近的人员(例如玩家或工作人员)或游戏桌上的物品(例如筹码),通过游戏桌桌面的待处理图像分析游戏桌上的物品,例如兑换物、卡牌(例如扑克)等。另外,还可以在游戏桌的上方设置摄像头,从鸟瞰角度采集游戏桌上的图像。在对待处理图像进行分析时,根据分析目的选择采集到的视角最好的图像进行分析。
图2示出根据本公开实施例的图像处理方法的应用场景的示意图。如图2所示,在游戏场景中,可通过游戏桌20进行游戏,通过两侧的摄像头211和212采集游戏桌区域的图像,玩家221、222、223位于游戏桌的一侧,工作人员23位于游戏桌的另一侧。在游戏开始阶段,玩家可用兑换物向工作人员换取被兑换物,工作人员将兑换物放置在兑换物区域27中进行清点,并将被兑换物交付给玩家。在投注阶段,玩家将被兑换物放置在投注区域,形成多个被兑换物区域,例如玩家222的被兑换物区域241、玩家223的被兑换物区域242。在游戏进行阶段,发牌机25发牌到游戏进行区域26,从而进行游戏。游戏完成后,可在赔付阶段内,根据游戏进行区域26的卡牌情况,确定游戏结果并进行赔付。
在一种可能的实现方式中,在得到各监控区域的待处理图像后,可在步骤S11中对待处理图像进行检测,确定待处理图像中的多个目标区域以及多个目标区域的类别。多个目标区域包括与人相关的目标区域和与游戏相关的目标区域。其中,可通过分类器对待处理图像进行检测,定位图像中的目标(例如游戏桌附近站着或坐着的玩家、游戏桌上的被兑换物等),确定出多个目标区域(检测框),并对各个目标区域进行分类。其中,该分类器可例如为深度卷积神经网络,本公开对分类器的网络类型不作限制。
在一种可能的实现方式中,与人相关的目标区域可包括人脸区域、人体区域、人手区域等,与游戏相关的目标区域可包括被兑换物区域、兑换物区域及游戏进行区域等。也就是说,可将各个目标区域归属为人脸、人体、人手、被兑换物(例如筹码)、兑换物、卡牌(例如扑克)等多个类别。本公开对目标区域的类别范围不作限制。
在一种可能的实现方式中,可在步骤S12中根据待处理图像的多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果。例如,可根据各个目标区域(检测框)在待处理图像中的位置,从待处理图像中截取出各个目标区域的区域图像;通过与目标区域的类别对应的特征提取器对区域图像进行特征提取,可得到目标区域的特征信息(例如人脸关键点特征、人体关键点特征等);再对各个目标区域的特征信息进行分析(目标识别),从而得到各个目标区域的识别结果。根据目标区域的类别,该识别结果可包括不同的内容,例如包括与该目标区域对应的人物的身份、该目标区域的被兑换物的数量及价值等。
在一种可能的实现方式中,在得到各个目标区域的识别结果后,可在步骤S13中根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息。可根据各目标区域之间的相对位置,例如目标区域之间的重叠程度、目标区域之间的距离等,确定各目标区域之间的关联信息。该关联信息例如为人脸区域对应的人的身份与人体区域对应的人的身份之间的关联,人手区域对应的人的身份与被兑换物区域所属的人的身份的之间的关联等。
根据本公开的实施例,能够检测出图像中的目标所在的图像区域及区域的类别,根据类别对各区域进行识别以得到各区域的识别结果,进而根据各区域的位置和/或识别结果确定各区域之间的关联,从而实现各种目标的自动识别与关联,降低人力成本,提高了处理效率和准确率。
在一种可能的实现方式中,可通过神经网络实现根据本公开实施例的图像处理方法,该神经网络可包括检测网络(分类器),用于确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别。通过检测网络对待处理图像中的物体(目标)进行定位并将每个物体归属到某一类。
在一种可能的实现方式中,该神经网络还可包括目标识别网络,用于对各目标区域进行目标识别。可根据目标区域的类别设置对应的目标识别网络(例如人脸识别网络、人体识别网络、人手识别网络、被兑换物识别网络、兑换物识别网络、卡牌识别网络等),以便分别对不同的目标区域进行识别。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域,所述与游戏相关的目标区域包括被兑换物区域。
其中,步骤S11可包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域和被兑换物区域;
步骤S12可包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
步骤S13可包括:根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的被兑换物区域对应的人的身份信息。
举例来说,在对待处理图像进行检测时,可检测出类别为人脸和被兑换物的目标区域,从待处理图像中截取出人脸区域和被兑换物区域的区域图像。
在一种可能的实现方式中,对于人脸区域,可对该人脸区域的区域图像进行人脸识别,提取区域图像中的人脸关键点信息(例如17个人脸关键点),将该人脸关键点信息与数据库中参考人员的人脸图像和/或人脸特征信息进行比对,并将与该人脸关键点信息匹配的参考人员的身份,确定为该人脸区域对应的人的身份,从而确定出人的身份信息。同时,可将人脸关键点信息及身份信息确定为该人脸区域的识别结果。例如,与人脸区域A的人脸关键点信息匹配(例如相似度大于或等于预设的相似度阈值)的参考人员为玩家M,则将该人脸区域确定为玩家M的人脸。通过这种方式,可确定与人脸区域对应的人的人脸特征及身份。
在一种可能的实现方式中,可在游戏的开始阶段确定各个人脸区域的身份。例如玩家接近游戏桌并坐在座位上时,可认为该玩家即将参与游戏,可识别并录入该玩家的身份,并在之后对该玩家进行追踪。本公开对确定人的身份的具体时机不作限制。
在一种可能的实现方式中,可通过人脸识别网络对该目标区域的区域图像进行处理,经处理后,可得到该目标区域的识别结果。该人脸识别网络可例如为深度卷积神经网络,至少包括卷积层及池化层(或softmax层)。本公开对人脸识别网络的网络类型及网络结构不作限制。
在一种可能的实现方式中,可在步骤S13中直接对各个人脸区域和各个被兑换物区域进行关联。可根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域。进而,根据人脸区域和被兑换物区域之间的关联,确定出各个被兑换物区域对应的人的身份信息,也即,将被兑换物区域对应的人的身份信息,确定为与被兑换物区域相关联的人脸区域对应的人的身份信息。
通过这种方式,可以实现人脸和被兑换物之间的直接关联,从而确定各个被兑换物区域中的被兑换物所属的人,例如筹码所属的玩家。
在一种可能的实现方式中,根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域的步骤,可包括:
在第一人脸区域的位置与第一被兑换物区域的位置之间的距离小于或等于第一距离阈值的情况下,确定所述第一人脸区域与所述第一被兑换物区域相关联,
其中,所述第一人脸区域为各个人脸区域中的任意一个,所述第一被兑换物区域为各个被兑换物区域中的任意一个。
举例来说,可分别对各个人脸区域和各个被兑换物区域进行判断。对于任意一个人脸区域(此处可称为第一人脸区域)以及任意一个被兑换物区域(此处可称为第一被兑换物区域),可计算第一人脸区域的位置与第一被兑换物区域的位置之间的距离,例如第一人脸区域的中心点与第一被兑换物区域的中心点之间的距离。如果该距离小于或等于第一距离阈值,则可确定第一人脸区域与第一被兑换物区域相关联。通过这种方式,能够实现人脸区域和被兑换物区域之间的关联。例如,当一张游戏桌上的游戏玩家较少,并且坐的比较分散时,可以直接将人脸与被兑换物关联起来,从而确定被兑换所属的人。
本领域技术人员可根据实际情况设定该第一距离阈值,本公开对该第一距离阈值的具体取值不作限制。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人体区域,所述与游戏相关的目标区域包括被兑换物区域。
其中,步骤S11可包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域和被兑换物区域;
步骤S12可包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
步骤S13可包括:根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;
根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域;根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的被兑换物区域对应的人的身份信息。
举例来说,在对待处理图像进行检测时,可检测出类别为人脸、人体和被兑换物的目标区域,从待处理图像中截取出人脸区域、人体区域和被兑换物区域的区域图像。
在一种可能的实现方式中,对于人脸区域,可对该人脸区域的区域图像进行人脸识别,提取区域图像中的人脸关键点信息(例如17个人脸关键点),将该人脸关键点信息与数据库中参考人员的人脸图像和/或人脸特征信息进行比对,并将与该人脸关键点信息匹配的参考人员的身份,确定为该人脸区域对应的人的身份,从而确定出人的身份信息。同时,可将人脸关键点信息及身份信息确定为该人脸区域的识别结果。例如,与人脸区域A的人脸关键点信息匹配(例如相似度大于或等于预设的相似度阈值)的参考人员为玩家M,则将该人脸区域确定为玩家M的人脸。通过这种方式,可确定与人脸区域对应的人的人脸特征及身份。
在一种可能的实现方式中,对于人体区域,可对该人体区域的区域图像进行人体识别,提取区域图像的人体关键点信息(例如14个关节部分的人体关键点),并将该人体关键点信息作为该人体区域的识别结果。
在一种可能的实现方式中,可通过人体识别网络对该人体区域的区域图像进行处理,经处理后,可得到该人体区域的识别结果。该人体识别网络可例如为深度卷积神经网络。本公开对人体识别网络的网络类型及网络结构不作限制。通过这种方式,可确定与人体区域对应的人的人体特征。
在一种可能的实现方式中,在得到人脸区域和人体区域的识别结果后,可根据各个人脸区域和人体区域的识别结果,对人脸和人体进行关联。例如,如果人脸区域A的人脸关键点信息所在区域与人体区域B的人体关键点信息所在区域之间的重合区域的面积超过预设的面积阈值,则可认为该人脸区域A与该人体区域B相关联,也即该人脸区域A与该人体区域B对应于同一个人(例如玩家)。在该情况下,可将该人脸区域A对应的人的身份确定为人体区域B对应的人的身份,也即人体区域B为玩家M的人体。通过这种方式,实现了人脸和人体之间的关联,从而能够根据人脸身份确定人体身份,提高了识别的效率和准确性。
在一种可能的实现方式中,根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域的步骤,可包括:
在第三人脸区域的人脸关键点信息所在区域与第二人体区域的人体关键点信息所在区域之间的重叠区域的面积大于或等于第一面积阈值的情况下,确定所述第三人脸区域与所述第二人体区域相关联,
其中,所述第三人脸区域为各个人脸区域中的任意一个,所述第二人体区域为各个人体区域中的任意一个。
举例来说,可分别对各个人脸区域和各个人体区域进行判断。对于任意一个人脸区域(此处可称为第三人脸区域)以及任意一个人体区域(此处可称为第二人体区域),可计算第三人脸区域的人脸关键点信息所在区域与第二人体区域的人体关键点信息所在区域之间的重叠区域的面积。如果该面积小于或等于预设的第一面积阈值,则可确定第三人脸区域与第二人体区域相关联。通过这种方式,能够实现各个人脸区域和各个人体区域之间的关联。
本领域技术人员可根据实际情况设定该第一面积阈值,本公开对该第一面积阈值的具体取值不作限制。
在一种可能的实现方式中,可对人体和被兑换物进行关联。可根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域。进而,根据人体区域和被兑换物区域之间的关联,确定出各个被兑换物区域对应的人的身份信息,也即,将被兑换物区域对应的人的身份信息,确定为与被兑换物区域相关联的人体区域对应的人的身份信息。
通过这种方式,可以实现人脸、人体及被兑换物三者之间的关联,从而确定各个被兑换物区域中的被兑换物所属的人,例如筹码所属的玩家。
在一种可能的实现方式中,根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域的步骤,可包括:
在第一人体区域的位置与第二被兑换物区域的位置之间的距离小于或等于第二距离阈值的情况下,确定所述第一人体区域与所述第二被兑换物区域相关联,
其中,所述第一人体区域为各个人体区域中的任意一个,所述第二被兑换物区域为各个被兑换物区域中的任意一个。
举例来说,可分别对各个人体区域和各个被兑换物区域进行判断。对于任意一个人体区域(此处可称为第一人体区域)以及任意一个被兑换物区域(此处可称为第二被兑换物区域),可计算第一人体区域的位置与第二被兑换物区域的位置之间的距离,例如第一人体区域的中心点与第二被兑换物区域的中心点之间的距离。如果该距离小于或等于预设的第二距离阈值,则可确定第一人体区域与第二被兑换物区域相关联。通过这种方式,能够实现人体区域和被兑换物区域之间的关联。
本领域技术人员可根据实际情况设定该第二距离阈值,本公开对该第二距离阈值的具体取值不作限制。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
其中,步骤S11可包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域、人手区域和被兑换物区域;
步骤S12可包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
步骤S13可包括:根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人手区域对应的人的身份信息;
根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
举例来说,在对待处理图像进行检测时,可检测出类别为人脸、人手和被兑换物的目标区域,从待处理图像中截取出人脸区域、人手区域和被兑换物区域的区域图像。
在一种可能的实现方式中,对于人脸区域,可对该人脸区域的区域图像进行人脸识别,提取区域图像中的人脸关键点信息(例如17个人脸关键点),将该人脸关键点信息与数据库中参考人员的人脸图像和/或人脸特征信息进行比对,并将与该人脸关键点信息匹配的参考人员的身份,确定为该人脸区域对应的人的身份,从而确定出人的身份信息。同时,可将人脸关键点信息及身份信息确定为该人脸区域的识别结果。例如,与人脸区域A的人脸关键点信息匹配(例如相似度大于或等于预设的相似度阈值)的参考人员为玩家M,则将该人脸区域确定为玩家M的人脸。通过这种方式,可确定与人脸区域对应的人的人脸特征及身份。
在一种可能的实现方式中,可在步骤S13中对各个人脸区域和各个人手区域进行关联。可根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人手区域相关联的人脸区域。进而,根据人脸区域和人手区域之间的关联,确定出各个人手区域对应的人的身份信息,也即,将人手区域对应的人的身份信息,确定为与人手区域相关联的人脸区域对应的人的身份信息。通过这种方式,可以确定各个人手区域对应的人的身份。
在一种可能的实现方式中,根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域的步骤,可包括:
在第二人脸区域的位置与第一人手区域的位置之间的距离小于或等于第三距离阈值的情况下,确定所述第二人脸区域与所述第一人手区域相关联,
其中,所述第二人脸区域为各个人脸区域中的任意一个,所述第一人手区域为各个人手区域中的任意一个。
举例来说,可分别对各个人脸区域和各个人手区域进行判断。对于任意一个人脸区域(此处可称为第二人脸区域)以及任意一个人手区域(此处可称为第一人手区域),可计算第二人脸区域的位置与第一人手区域的位置之间的距离,例如第二人脸区域的中心点与第一人手区域的中心点之间的距离。如果该距离小于或等于预设的第三距离阈值,则可确定第二人脸区域与第一人手区域相关联。通过这种方式,能够实现人脸区域和人手区域之间的关联。
本领域技术人员可根据实际情况设定该第三距离阈值,本公开对该第三距离阈值的具体取值不作限制。
在一种可能的实现方式中,可在步骤S13中对各个人手区域和各个被兑换物区域进行关联。可根据各个人手区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人手区域。进而,根据人手区域和被兑换物区域之间的关联,确定出各个被兑换物区域对应的人的身份信息,也即,将被兑换物区域对应的人的身份信息,确定为与被兑换物区域相关联的人手区域对应的人的身份信息。
通过这种方式,可以实现人脸、人手及被兑换物三者之间的关联,确定各个被兑换物区域中的被兑换物所属的人,例如筹码所属的玩家。
在一种可能的实现方式中,所述根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域的步骤,可包括:
在第三人手区域与第三被兑换物区域之间的距离小于或等于第五距离阈值的情况下,确定所述第三人手区域与所述第三被兑换物区域相关联,
其中,所述第三人手区域为各个人手区域中的任意一个,所述第三被兑换物区域为各个被兑换物区域中的任意一个。
举例来说,可分别对各个人手区域和各个被兑换物区域进行判断。对于任意一个人手区域(此处可称为第三人手区域)以及任意一个被兑换物区域(此处可称为第三被兑换物区域),可计算第三人手区域的位置与第三被兑换物区域的位置之间的距离,例如第三人手区域的中心点与第三被兑换物区域的中心点之间的距离。如果该距离小于或等于第五距离阈值,则可确定第三人手区域与第三被兑换物区域相关联。通过这种方式,能够实现人手区域和被兑换物区域之间的关联。
本领域技术人员可根据实际情况设定该第五距离阈值,本公开对该第五距离阈值的具体取值不作限制。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域、人体区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
其中,步骤S11可包括:对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域、人手区域和被兑换物区域;
步骤S12可包括:对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
对所述人手区域进行人手关键点提取,得到所述人手区域的人手关键点信息;
步骤S13可包括:根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;
根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域;根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的人手区域对应的人的身份信息;
根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
举例来说,在对待处理图像进行检测时,可检测出类别为人脸、人体、人手和被兑换物的目标区域,从待处理图像中截取出人脸区域、人体区域、人手区域和被兑换物区域的区域图像。
在一种可能的实现方式中,对于人脸区域,可对该人脸区域的区域图像进行人脸识别,提取区域图像中的人脸关键点信息(例如17个人脸关键点),将该人脸关键点信息与数据库中参考人员的人脸图像和/或人脸特征信息进行比对,并将与该人脸关键点信息匹配的参考人员的身份,确定为该人脸区域对应的人的身份,从而确定出人的身份信息。同时,可将人脸关键点信息及身份信息确定为该人脸区域的识别结果。例如,与人脸区域A的人脸关键点信息匹配(例如相似度大于或等于预设的相似度阈值)的参考人员为玩家M,则将该人脸区域确定为玩家M的人脸。通过这种方式,可确定与人脸区域对应的人的人脸特征及身份。
在一种可能的实现方式中,对于人体区域,可对该人体区域的区域图像进行人体识别,提取区域图像的人体关键点信息(例如14个关节部分的人体关键点),并将该人体关键点信息作为该人体区域的识别结果。在一种可能的实现方式中,可通过人体识别网络对该人体区域的区域图像进行处理,经处理后,可得到该人体区域的识别结果。该人体识别网络可例如为深度卷积神经网络。本公开对人体识别网络的网络类型及网络结构不作限制。通过这种方式,可确定与人体区域对应的人的人体特征。
在一种可能的实现方式中,对于人手区域,可对该人手区域的区域图像进行人手识别,提取区域图像的人手关键点信息(例如人手的4个关节部分的人手关键点),并将该人手关键点信息作为该人手区域的识别结果。在一种可能的实现方式中,可通过人手识别网络对该人手区域的区域图像进行处理,经处理后,可得到该人手区域的识别结果。该人手识别网络可例如为深度卷积神经网络。本公开对人手识别网络的网络类型及网络结构不作限制。通过这种方式,可确定与人手区域对应的人的人手特征。
在一种可能的实现方式中,在得到人脸区域和人体区域的识别结果后,可根据各个人脸区域和人体区域的识别结果,对人脸和人体进行关联。例如,如果人脸区域A的人脸关键点信息所在区域与人体区域B的人体关键点信息所在区域之间的重合区域的面积超过预设的面积阈值,则可认为该人脸区域A与该人体区域B相关联,也即该人脸区域A与该人体区域B对应于同一个人(例如玩家)。在该情况下,可将该人脸区域A对应的人的身份确定为人体区域B对应的人的身份,也即人体区域B为玩家M的人体。通过这种方式,实现了人脸和人体之间的关联,从而能够根据人脸身份确定人体身份,提高了识别的效率和准确性。
在一种可能的实现方式中,在得到人体区域和人手区域的识别结果后,可根据各个人体区域和人手区域的识别结果,对人体和人手进行关联。例如,如果人体区域B的人体关键点信息与人手区域C的人手关键点信息之间满足预设的条件,则可认为人体区域B与人手区域C相关联,也即人体区域B与人手区域C对应于同一个人(例如玩家)。在该情况下,可将人体区域B对应的人的身份确定为人手区域C对应的人的身份,也即人手区域C为玩家M的人手。
在一种可能的实现方式中,根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域的步骤,可包括:
在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间满足预设条件的情况下,确定所述第三人体区域与所述第二人手区域相关联,
其中,所述第三人体区域为各个人体区域中的任意一个,所述第二人手区域为各个人手区域中的任意一个。
举例来说,可分别对各个人体区域和各个人手区域进行判断。对于任意一个人体区域(此处可称为第三人体区域)以及任意一个人手区域(此处可称为第二人手区域),可分析在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间的关系。如果第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间满足预设条件,则可确定第三人体区域与第二人手区域相关联。
在一种可能的实现方式中,该预设的条件可例如为人体区域B的人体关键点信息所在区域与人手区域C的人手关键点信息所在区域之间的重叠区域的面积大于或等于预设的面积阈值;人体区域B的人体关键点信息所在区域与人手区域C的人手关键点信息所在区域之间的距离小于或等于预设的距离阈值;或人体区域B的人体关键点中的肘部关键点与手部关键点之间的第一连线,和人手区域C的人手关键点之间的第二连线之间的夹角在预设的角度范围内。本公开对判断人体区域与人手区域关联的预设条件不作限制。
通过这种方式,实现了人体和人手之间的关联,从而能够根据人体身份确定人手身份,提高了识别的效率和准确性。
在一种可能的实现方式中,预设条件包括以下至少一种:
所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的重叠区域的面积大于或等于第二面积阈值;
所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的距离小于或等于第四距离阈值;
所述第三人体区域的人体关键点信息的第一连线与所述第二人手区域的人手关键点信息的第二连线的夹角小于或等于夹角阈值,
其中,所述第一连线为所述第三人体区域的人体关键点信息中的肘部关键点与手部关键点之间的连线,所述第二连线为所述第二人手区域的人手关键点信息中的人手关键点之间的连线。
举例来说,对于任意一个人体区域(此处可称为第三人体区域)以及任意一个人手区域(此处可称为第二人手区域),可分析在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间的关系。
在一种情况下,可计算第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的重叠区域的面积。如果该面积小于或等于预设的第二面积阈值,则可确定第三人体区域与第二人手区域相关联。本领域技术人员可根据实际情况设定该第二面积阈值,本公开对该第二面积阈值的具体取值不作限制。
在一种情况下,可计算第三人体区域的人体关键点信息所在区域与第二人手区域的人手关键点信息所在区域之间的距离,例如,第三人体区域的中心点与第二人手区域的中心点之间的距离。如果该距离小于或等于预设的第四距离阈值,则可确定第三人体区域与第二人手区域相关联。本领域技术人员可根据实际情况设定该第四距离阈值,本公开对该第四距离阈值的具体取值不作限制。
在一种情况下,可计算第三人体区域的人体关键点信息的第一连线与第二人手区域的人手关键点信息的第二连线的夹角。该第一连线可以为人体区域的人体关键点信息中的肘部关键点与手部关键点之间的连线,第二连线为人手区域的人手关键点信息中的人手关键点之间的连线。如果该夹角小于或等于预设的夹角阈值,则可确定第三人体区域与第二人手区域相关联。本领域技术人员可根据实际情况设定该夹角阈值,本公开对该夹角阈值的具体取值不作限制。
图3a和图3b示出根据本公开实施例的图像处理方法的人体关键点信息及人手关键点信息的示意图。如图3a所示,人体区域可包括17个人体关键点,其中3和6为肘部关键点,4和7为手部关键点,可将3与4之间的连线以及6与7之间的连线作为第一连线。如图3b所示,人手区域可包括16个或21个人手关键点,可将关键点31与32之间的连线作为第二连线。
应当理解,图3a和图3b仅仅是人体关键点信息及人手关键点信息的示意性的示例,本公开对人体关键点信息及人手关键点信息的具体类型,以及第一连线与第二连线的选取均不作限制。
在一种可能的实现方式中,还可在步骤S13中进行人手和被兑换物区域之间的关联。可根据各个人手区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人手区域。进而,根据人手区域和被兑换物区域之间的关联,确定出各个被兑换物区域对应的人的身份信息,也即,将被兑换物区域对应的人的身份信息,确定为与被兑换物区域相关联的人手区域对应的人的身份信息。
例如,如果人手区域C的位置与被兑换物区域D的位置之间的距离小于或等于预设的距离阈值,则可认为人手区域C与被兑换物区域D相关联,也即人手区域C与被兑换物区域D对应于同一个人(例如玩家)。在该情况下,可将该被兑换物区域D的多个被兑换物所属的人确定为人手区域C所对应的人M,例如区域D的被兑换物为玩家M下注的被兑换物。
在一种可能的实现方式中,可在游戏的下注阶段确定各个被兑换物区域(下注的被兑换物),并确定各个被兑换物区域的被兑换物(被兑换物)所属的玩家。例如,在游戏的下注阶段,玩家通常会将下注的被兑换物放置在游戏桌上,在下注时人手和被兑换物的距离较近。此时,可将该多个被兑换物所属的玩家确定为该人手所对应的玩家,实现人与物体之间的关联。在此后的时间里,对被兑换物进行跟踪,如果跟踪关系不变,该被兑换物依然属于该玩家。
通过这种方式,能够通过人脸、人体、人手及被兑换物这四者之间级联的方式,确定被兑换物所属的人的身份,提高了识别的成功率和准确性。
图4示出根据本公开实施例提供的一种图像处理方法的处理过程的示意图。如图4所示,可输入监控区域的图像帧(待处理图像);对图像帧进行检测,确定多个目标区域以及各区域的类别,例如人脸、人体、人手、被兑换物(例如筹码)、兑换物。所述图像帧可以是游戏桌侧面以及上方设置的至少一个摄像机采集到的同一时刻的图像。
如图4所示,可根据各个目标区域的类别分别进行处理。对于人脸区域,可对该区域的图像进行人脸识别,也即,提取人脸关键点并将人脸关键点与数据库中参考人员的人脸图像和/或人脸特征进行比对,确定所述人脸区域对应的人员的身份(例如玩家M)。
对于人体区域,可对该区域的图像提取人体关键点,并根据人脸区域的人脸关键点和人体区域的人体关键点进行人脸和人体之间的关联,从而确定人体对应的人员的身份。
对于人手区域,可对该区域的图像提取人手关键点,并根据人体区域的人体关键点和人手区域的人手关键点进行人体和人手之间的关联,从而确定人手对应的人员的身份。
对于被兑换物区域,根据人手区域的位置和被兑换物区域的位置,对人手和被兑换物进行关联,从而通过级联的方式(人脸-人体-人手-被兑换物)实现人脸和被兑换物的关联,最终确定被兑换物所属的人员的身份。并且,可对该被兑换物区域的图像进行被兑换物识别,也即,提取区域图像的被兑换物特征,确定每个被兑换物的位置及类别(例如价值)。
如图4所示,在完成人脸和被兑换物的关联后,可输出检测识别结果和各个区域之间的关联信息,从而实现人与物体之间的关联的整个过程。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括兑换物区域;
其中,步骤S11可包括:对待处理图像进行检测,确定所述待处理图像中的被兑换物区域及兑换物区域;
步骤S12可包括:对所述被兑换物区域进行被兑换物识别及分类,得到所述被兑换物区域中各被兑换物的位置及类别;
对所述兑换物区域进行兑换物识别及分类,得到所述兑换物区域中各兑换物的类别;
其中,所述方法还包括:
在兑换时间段内,根据兑换物区域中各兑换物的类别,确定所述兑换物区域中各兑换物的第一总体价值;
在所述兑换时间段内,根据被兑换物区域中各被兑换物的位置及类别,确定所述被兑换物区域中各被兑换物的第二总体价值;
在所述第一总体价值与所述第二总体价值不同的情况下,发出第二提示信息。
举例来说,可对待处理图像进行检测,确定所述待处理图像中的被兑换物区域及兑换物区域。在检测到目标区域的类别为被兑换物(例如筹码)时,可对该被兑换物区域的区域图像进行被兑换物识别,提取区域图像的各被兑换物的特征,对每个被兑换物进行划分以确定每个被兑换物的位置,进而确定出每个被兑换物的类别(被兑换物的价值,例如10/20/50/100)。将被兑换物区域中各被兑换物的位置及类别作为该被兑换物区域的识别结果。
在一种可能的实现方式中,可通过被兑换物识别网络对该被兑换物区域的区域图像进行处理,经处理后,可得到该被兑换物区域的识别结果。该被兑换物识别网络可例如为深度卷积神经网络。本公开对被兑换物识别网络的网络类型及网络结构不作限制。
通过这种方式,可确定与被兑换物区域的各被兑换物的位置及类别。
在一种可能的实现方式中,与游戏相关的目标区域还可包括兑换物区域,该区域中放置有兑换物。在游戏开始之前,可具有兑换时间段,玩家客在该阶段向工作人员请求将自己的兑换物兑换成被兑换物。该过程可例如包括:玩家将兑换物交给工作人员;工作人员可在面前的指定区域将兑换物按预定规则铺开并确定兑换物的总面值;之后工作人员可收起兑换物,并从被兑换物的盒子中取出等额的被兑换物,放在游戏桌桌面;之后玩家可清点并收起被兑换物。
在一种可能的实现方式中,在兑换时间段内,可对游戏桌桌面的待处理图像进行分析,确定所述待处理图像中的兑换物区域。可通过分类器对待处理图像进行检测,定位图像中的目标;如果目标区域为兑换物区域,则可截取出兑换物区域的区域图像,提取区域图像中的兑换物特征,对每个兑换物进行划分以确定每个兑换物的位置,进而确定出每张兑换物的类别(兑换物的价值,例如10/20/50/100单位)。
如图4所示,可对兑换物区域进行兑换物识别,也即,提取该区域的图像中的兑换物特征,确定每张兑换物的位置及类别(价值)。可将兑换物区域中各兑换物的位置及类别作为该兑换物区域的识别结果,并输出该兑换物区域的检测识别结果,以便进行后续处理。
在一种可能的实现方式中,可通过兑换物识别网络对该兑换物区域的区域图像进行处理,经处理后,可得到该兑换物区域的识别结果。该兑换物识别网络可例如为深度卷积神经网络。本公开对兑换物识别网络的网络类型及网络结构不作限制。
通过这种方式,可识别出兑换物区域中各兑换物的位置及类别,以便自动计算兑换物区域中兑换物的总体价值,辅助工作人员的工作,提高效率和准确率。
在一种可能的实现方式中,本公开的实施例可辅助工作人员进行物体之间的等价交换。在兑换时间段内,可以以兑换物出现为触发信号,以被兑换物消失为结束信号,期间的整个过程为兑换物和被兑换物等价交换的过程。在该过程中,当工作人员将兑换物铺开时,可检测出待处理图像(视频帧)中的兑换物区域,并对兑换物区域中的各兑换物进行识别分类,确定兑换物区域中各兑换物的位置及类别。
在一种可能的实现方式中,根据兑换物区域中各兑换物的位置及类别,可计算出兑换物区域中各兑换物的第一总体价值。例如面值为100的兑换物三张,面值为50的兑换物1张,第一总体价值为350。
在一种可能的实现方式中,在工作人员将等额的被兑换物放在游戏桌桌面时,可检测出待处理图像(视频帧)中的被兑换物区域,并对该被兑换物区域进行识别分类,确定被兑换物区域中各被兑换物的位置及类别。
在一种可能的实现方式中,根据被兑换物区域中各被兑换物的位置及类别,可计算出被兑换物区域中各被兑换物的第二总体价值。例如面值为50的被兑换物4个,面值为20的被兑换物5个,面值为10的被兑换物5个,第二总体价值为350。
在一种可能的实现方式中,可对第一总体价值与所述第二总体价值进行比较,如果第一总体价值与所述第二总体价值相同(例如均为350),则不进行处理;如果第一总体价值与所述第二总体价值之间存在差异(例如第一总体价值为350,第二总体价值为370),则发出提示信息(可称为第二提示信息)。该提示信息可包括声音、图像、震动等方式,例如发出报警音、发出语音提醒、在对应的显示设备上显示报警图像或文字、或使工作人员可感知的终端震动等等。本公开对第二提示信息的类型不作限制。
通过这种方式,可自动识别兑换物与被兑换物的价值,并在兑换物与被兑换物的价值存在差异时提示工作人员进行确认及修正,从而避免兑换过程中出错,提高操作效率和准确率。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括游戏进行区域,其中,步骤S11包括:对待处理图像进行检测,确定所述待处理图像中的游戏进行区域;
步骤S12包括:对所述游戏进行区域进行卡牌识别及分类,得到所述游戏进行区域中各卡牌的位置及类别。
举例来说,在相关技术中通常通过发牌机对刚发出的扑克牌进行识别,然而发牌机存在一定的出错概率。根据本公开的实施例,可在游戏桌桌面上预先设置有游戏进行区域,并对游戏进行区域进行检测,对该区域的区域图像进行卡牌识别,提取区域图像的各卡牌的特征,进而确定每个卡牌的位置及类别(扑克的牌面,例如红桃6/方块10等)。将游戏进行区域中各卡牌的位置及类别作为该游戏进行区域的识别结果。
在一种可能的实现方式中,可通过卡牌识别网络对该游戏进行区域的区域图像进行处理,经处理后,可得到该游戏进行区域的识别结果。该卡牌识别网络可例如为深度卷积神经网络。本公开对卡牌识别网络的网络类型及网络结构不作限制。
通过这种方式,可自动确定与游戏进行区域的各卡牌的位置及类别,从而提高卡牌识别的效率和准确率。
在一种可能的实现方式中,所述方法还包括:在发牌阶段内,在所述游戏进行区域中各卡牌的类别与预设类别不同的情况下,发出第三提示信息。
举例来说,发牌机可对刚发出的卡牌进行识别,确定该卡牌的预设类别;在该卡牌被放置到游戏进行区域中时,可通过对游戏进行区域的图像进行识别,确定该卡牌的类别。如果卡牌的类别与预设类别相同,则不进行处理;如果卡牌的类别与预设类别不同,则发出提示信息(可称为第三提示信息)。该提示信息可包括声音、图像、震动等方式,例如发出报警音、发出语音提醒、在对应的显示设备上显示报警图像或文字、或使工作人员可感知的终端震动等等。本公开对第三提示信息的类型不作限制。
通过这种方式,可自动识别游戏进行区域的各卡牌的类别,并在卡牌的类别与预设类别不同时,提示工作人员进行确认及修正,从而避免出错,提高操作效率和准确率。
在一种可能的实现方式中,所述方法还包括:在发牌阶段内,在发牌阶段内,在所述游戏进行区域中各卡牌的位置及类别与各卡牌的预设位置及预设规则不同的情况下,发出第四提示信息。
举例来说,游戏进行区域中不同的预设位置可能用于放置符合预设规则的卡牌,例如预设规则为向不同位置,例如游戏进行区域中的第一位置(如庄家)和第二位置(如闲家)轮流发牌,并放置在游戏进行区域中不同的预设位置。在该情况下,可通过对游戏进行区域的图像进行识别,确定每次发出的卡牌的位置及类别。如果卡牌的位置(例如闲家位置)与预设位置(例如闲家位置)相同,则不进行处理;如果卡牌的位置与预设位置不同,则发出提示信息(可称为第四提示信息)。该提示信息可包括声音、图像、震动等方式,例如发出报警音、发出语音提醒、在对应的显示设备上显示报警图像或文字、或使工作人员可感知的终端震动等等。本公开对第四提示信息的类型不作限制。
通过这种方式,可自动识别游戏进行区域的各卡牌的位置及类别,并在卡牌的位置及类别与各卡牌的预设位置及预设规则不同时,提示工作人员进行确认及修正,从而避免出错,提高操作效率和准确率。
在一种可能的实现方式中,所述方法还包括:
在赔付阶段内,根据游戏进行区域中的各卡牌的类别,确定游戏结果;
根据游戏结果和各个人关联的被兑换物区域的位置确定各个人的赔付规则;
根据各个人的赔付规则以及和各个人关联的被兑换物区域中的被兑换物的价值,确定各个人的赔付价值。
举例来说,通过在游戏过程中对待处理图像进行检测,可确定图像中的多个目标区域及类别,识别各个目标区域并确定各目标区域之间的关联。在游戏完成后的赔付阶段内,可根据游戏进行区域中的各卡牌的类别以及预设的游戏规则,确定游戏结果(例如第一角色(如庄家)胜出或第二角色(如闲家)胜出)。
在一种可能的实现方式中,根据与各个人(即玩家)关联的被兑换物区域的位置,可确定各个玩家的下注情况(例如下注第一角色胜出或第二角色胜出),该游戏结果以及各个玩家的下注情况,可确定出各个人的赔付规则(例如1赔3)。在确定各个人的赔付规则后,可根据与各个人(即玩家)关联的被兑换物区域的中的被兑换物的价值,确定各个人的赔付价值。
通过这种方式,可以根据识别结果及各个区域的关联,自动分析游戏结果并确定各个人的赔付价值,从而能辅助工作人员的判断,提高操作效率和准确率。
在一种可能的实现方式中,所述方法还包括:在确定各目标区域之间的关联信息之后,所述方法还包括:
根据各目标区域之间的关联信息,判断所述待处理图像中人的行为是否符合预设行为规则;在所述待处理图像中人的行为不符合预设行为规则的情况下,发出第一提示信息。
举例来说,在确定各个目标区域之间的关联信息后,可进一步判断待处理图像中的各个人(例如玩家)的行为是否预设行为规则。该预设的行为规则可例如仅能在兑换时间段内兑换被兑换物;仅能在下注阶段向游戏桌上放置被兑换物等。如果待处理图像中人的行为不符合预设行为规则,例如在下注阶段之后的发牌阶段向游戏桌上放置被兑换物,放置被兑换物的区域不在预设的放置区域内,则可以发出第一提示信息,从而提醒工作人员注意。
通过这种方式,可自动判断图像中人的行为,并在行为不符合预设行为规则时提示工作人员,从而保证游戏秩序,提高操作效率和准确率。
在一种可能的实现方式中,在部署神经网络对图像进行处理之前,可对神经网络进行训练。其中,根据本公开实施例的方法还可包括:
根据预设的训练集训练所述神经网络,所述训练集中包括已标注的多个样本图像。
举例来说,可获取目标场所的监控区域的多个监控图像,并对各个图像中待识别的目标进行标注,例如,标注出处于游戏桌附近的人员(例如玩家或工作人员)的人脸、人体、人手等位置的图像框、游戏桌上的物品(例如被兑换物)位置的图像框,并分别标注各图像框的类别属性(人脸、人体、人手、被兑换物、卡牌等)以及图像框内各物体的属性(例如每片被兑换物的位置、类型和面值)。经标注后,可将标注数据转换为特定编码。
在一种可能的实现方式中,可将已标注的多个图像作为样本,组成训练集,以标注数据换后的编码为监督信号,训练神经网络(检测网络及目标识别网络)。可对检测网络及目标识别网络的各个子网络(人脸识别网络、人体识别网络、人手识别网络、被兑换物识别网络、兑换物识别网络、卡牌识别网络等)分别进行训练,也可以同时训练。经若干次训练迭代后,可得到满足精度要求的,稳定可用的神经网络。本公开对神经网络的具体训练方式不作限制。
根据本公开的实施例,能够应用于桌面游戏等场景中,辅助完成游戏过程。例如,在游戏开始前,玩家坐下后,可根据各玩家的人脸信息确定身份(刷脸录入),表明该玩家即将参与游戏;部分没有被兑换物的玩家可拿出兑换物兑换被兑换物,此时启动算法分别对玩家的兑换物和工作人员(荷官)放置的被兑换物进行识别,并验证双方是否等价,不等价则提示工作人员重新核算;被兑换物兑换结束后,玩家下注,不同人在不同赔率的区域下注,算法检测出每个区域下注多少被兑换物;通过各区域的关联算法确定每一摞被兑换物是哪一位玩家下注的;下注结束后工作人员开始发牌,通过卡牌识别确定每张扑克牌的类别,并自动计算输赢;接下来进入赔付阶段,工作人员根据赔率拿出一定量的被兑换物,系统根据赔率和玩家下注被兑换物金额计算出赔付是否等价;赔付结束后本局游戏结束。
根据本公开的实施例,能够实现端到端的游戏辅助功能,可进行人和桌面物体的识别,包括卡牌,兑换物和被兑换物等,大大减少了工作人员的人力计算,降低了出错概率并提高了效率;对玩家和工作人员等相关人员均没有过多的配合性要求,不会影响相关人员的体验。
根据本公开的实施例,通过使用深度学习技术,检测和识别的效果更好,可应对更复杂的场景,对环境的适应性更好,鲁棒性更好;能够结合场景上下文信息识别物体交换(玩家拿出兑换物,工作人员清点完毕后给付被兑换物),进一步降低了出错概率。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的图像处理装置的框图,如图5所示,所述图像处理装置包括:
区域确定模块51,用于对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;目标识别模块52,用于根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;区域关联模块53,用于根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息。
在一种可能的实现方式中,在确定各目标区域之间的关联信息之后,所述装置还包括:行为判断模块,用于根据各目标区域之间的关联信息,判断所述待处理图像中人的行为是否符合预设行为规则;第一提示模块,用于在所述待处理图像中人的行为不符合预设行为规则的情况下,发出第一提示信息。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第一确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述区域关联模块包括:第一关联子模块,用于根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域;第二身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第一关联子模块用于:在第一人脸区域的位置与第一被兑换物区域的位置之间的距离小于或等于第一距离阈值的情况下,确定所述第一人脸区域与所述第一被兑换物区域相关联,其中,所述第一人脸区域为各个人脸区域中的任意一个,所述第一被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人体区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第二确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;第二提取子模块,用于对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
所述区域关联模块包括:第二关联子模块,用于根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;第三身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;第三关联子模块,用于根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域;第四身份确定子模块,用于根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第三关联子模块用于:在第一人体区域的位置与第二被兑换物区域的位置之间的距离小于或等于第二距离阈值的情况下,确定所述第一人体区域与所述第二被兑换物区域相关联,其中,所述第一人体区域为各个人体区域中的任意一个,所述第二被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第三确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人手区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述区域关联模块包括:第四关联子模块,用于根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域;第五身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人手区域对应的人的身份信息;第五关联子模块,用于根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;第六身份确定子模块,用于根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第四关联子模块用于:在第二人脸区域的位置与第一人手区域的位置之间的距离小于或等于第三距离阈值的情况下,确定所述第二人脸区域与所述第一人手区域相关联,其中,所述第二人脸区域为各个人脸区域中的任意一个,所述第一人手区域为各个人手区域中的任意一个。
在一种可能的实现方式中,所述与人相关的目标区域包括人脸区域、人体区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第四确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域、人手区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;第二提取子模块,用于对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;第三提取子模块,用于对所述人手区域进行人手关键点提取,得到所述人手区域的人手关键点信息;
所述区域关联模块包括:第二关联子模块,用于根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;第三身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;第六关联子模块,用于根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域;第七身份确定子模块,用于根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的人手区域对应的人的身份信息;第五关联子模块,用于根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;第六身份确定子模块,用于根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
在一种可能的实现方式中,所述第二关联子模块用于:在第三人脸区域的人脸关键点信息所在区域与第二人体区域的人体关键点信息所在区域之间的重叠区域的面积大于或等于第一面积阈值的情况下,确定所述第三人脸区域与所述第二人体区域相关联,其中,所述第三人脸区域为各个人脸区域中的任意一个,所述第二人体区域为各个人体区域中的任意一个。
在一种可能的实现方式中,所述第六关联子模块用于:在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间满足预设条件的情况下,确定所述第三人体区域与所述第二人手区域相关联,其中,所述第三人体区域为各个人体区域中的任意一个,所述第二人手区域为各个人手区域中的任意一个。
在一种可能的实现方式中,所述预设条件包括以下至少一种:所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的重叠区域的面积大于或等于第二面积阈值;所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的距离小于或等于第四距离阈值;所述第三人体区域的人体关键点信息的第一连线与所述第二人手区域的人手关键点信息的第二连线的夹角小于或等于夹角阈值,其中,所述第一连线为所述第三人体区域的人体关键点信息中的肘部关键点与手部关键点之间的连线,所述第二连线为所述第二人手区域的人手关键点信息中的人手关键点之间的连线。
在一种可能的实现方式中,所述第五关联子模块用于:在第三人手区域与第三被兑换物区域之间的距离小于或等于第五距离阈值的情况下,确定所述第三人手区域与所述第三被兑换物区域相关联,其中,所述第三人手区域为各个人手区域中的任意一个,所述第三被兑换物区域为各个被兑换物区域中的任意一个。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括兑换物区域;
所述区域确定模块包括:第五确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的被兑换物区域及兑换物区域;
所述目标识别模块包括:被兑换物识别子模块,用于对所述被兑换物区域进行被兑换物识别及分类,得到所述被兑换物区域中各被兑换物的位置及类别;兑换物识别子模块,用于对所述兑换物区域进行兑换物识别及分类,得到所述兑换物区域中各兑换物的类别;其中,所述装置还包括:第一价值确定模块,用于在兑换时间段内,根据兑换物区域中各兑换物的类别,确定所述兑换物区域中各兑换物的第一总体价值;第二价值确定模块,用于在所述兑换时间段内,根据被兑换物区域中各被兑换物的位置及类别,确定所述被兑换物区域中各被兑换物的第二总体价值;第二提示模块,用于在所述第一总体价值与所述第二总体价值不同的情况下,发出第二提示信息。
在一种可能的实现方式中,所述与游戏相关的目标区域还包括游戏进行区域,
所述区域确定模块包括:第六确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的游戏进行区域;
所述目标识别模块包括:卡牌识别子模块,用于对所述游戏进行区域进行卡牌识别及分类,得到所述游戏进行区域中各卡牌的位置及类别。
在一种可能的实现方式中,所述装置还包括:第三提示模块,用于在发牌阶段内,在所述游戏进行区域中各卡牌的类别与预设类别不同的情况下,发出第三提示信息。
在一种可能的实现方式中,所述装置还包括:第四提示模块,用于在发牌阶段内,在所述游戏进行区域中各卡牌的位置及类别与各卡牌的预设位置及预设规则不同的情况下,发出第四提示信息。
在一种可能的实现方式中,所述装置还包括:结果确定模块,用于在赔付阶段内,根据游戏进行区域中的各卡牌的类别,确定游戏结果;规则确定模块,用于根据游戏结果和与各个人关联的被兑换物区域的位置确定各个人的赔付规则;赔付价值确定模块,用于根据各个人的赔付规则以及和各个人关联的被兑换物区域中的被兑换物的价值,确定各个人的赔付价值。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (19)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;
根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;
根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息;
其中,所述与人相关的目标区域包括人脸区域和人体区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:
对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:
对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;
根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:
根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;
根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;
根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域;
根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的被兑换物区域对应的人的身份信息。
2.根据权利要求1所述的方法,其特征在于,在确定各目标区域之间的关联信息之后,所述方法还包括:
根据各目标区域之间的关联信息,判断所述待处理图像中人的行为是否符合预设行为规则;
在所述待处理图像中人的行为不符合预设行为规则的情况下,发出第一提示信息。
3.根据权利要求1所述的方法,其特征在于,所述与人相关的目标区域包括人脸区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:
对待处理图像进行检测,确定所述待处理图像中的人脸区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:
对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;
根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:
根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域;
根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的被兑换物区域对应的人的身份信息。
4.根据权利要求3所述的方法,其特征在于,根据各个人脸区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人脸区域,包括:
在第一人脸区域的位置与第一被兑换物区域的位置之间的距离小于或等于第一距离阈值的情况下,确定所述第一人脸区域与所述第一被兑换物区域相关联,
其中,所述第一人脸区域为各个人脸区域中的任意一个,所述第一被兑换物区域为各个被兑换物区域中的任意一个。
5.根据权利要求1所述的方法,其特征在于,根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域,包括:
在第一人体区域的位置与第二被兑换物区域的位置之间的距离小于或等于第二距离阈值的情况下,确定所述第一人体区域与所述第二被兑换物区域相关联,
其中,所述第一人体区域为各个人体区域中的任意一个,所述第二被兑换物区域为各个被兑换物区域中的任意一个。
6.根据权利要求1所述的方法,其特征在于,所述与人相关的目标区域包括人脸区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:
对待处理图像进行检测,确定所述待处理图像中的人脸区域、人手区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:
对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;
根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:
根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域;
根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人手区域对应的人的身份信息;
根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;
根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
7.根据权利要求6所述的方法,其特征在于,根据各个人脸区域的位置以及各个人手区域的位置,确定与每个人脸区域相关联的人手区域,包括:
在第二人脸区域的位置与第一人手区域的位置之间的距离小于或等于第三距离阈值的情况下,确定所述第二人脸区域与所述第一人手区域相关联,
其中,所述第二人脸区域为各个人脸区域中的任意一个,所述第一人手区域为各个人手区域中的任意一个。
8.根据权利要求1所述的方法,其特征在于,所述与人相关的目标区域包括人脸区域、人体区域和人手区域,所述与游戏相关的目标区域包括被兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:
对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域、人手区域和被兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:
对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;
根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;
对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
对所述人手区域进行人手关键点提取,得到所述人手区域的人手关键点信息;
所述根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息,包括:
根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;
根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;
根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域;
根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的人手区域对应的人的身份信息;
根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域;
根据各个人手区域对应的人的身份信息,分别确定与各个人手区域相关联的被兑换物区域对应的人的身份信息。
9.根据权利要求8所述的方法,其特征在于,所述根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域,包括:
在第三人脸区域的人脸关键点信息所在区域与第二人体区域的人体关键点信息所在区域之间的重叠区域的面积大于或等于第一面积阈值的情况下,确定所述第三人脸区域与所述第二人体区域相关联,
其中,所述第三人脸区域为各个人脸区域中的任意一个,所述第二人体区域为各个人体区域中的任意一个。
10.根据权利要求8所述的方法,其特征在于,所述根据各个人体区域的人体关键点信息以及各个人手区域的人手关键点信息,确定与每个人手区域相关联的人体区域,包括:
在第三人体区域的人体关键点信息与第二人手区域的人手关键点信息之间满足预设条件的情况下,确定所述第三人体区域与所述第二人手区域相关联,
其中,所述第三人体区域为各个人体区域中的任意一个,所述第二人手区域为各个人手区域中的任意一个,
所述预设条件包括以下至少一种:
所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的重叠区域的面积大于或等于第二面积阈值;
所述第三人体区域的人体关键点信息所在区域与所述第二人手区域的人手关键点信息所在区域之间的距离小于或等于第四距离阈值;
所述第三人体区域的人体关键点信息的第一连线与所述第二人手区域的人手关键点信息的第二连线的夹角小于或等于夹角阈值,
其中,所述第一连线为所述第三人体区域的人体关键点信息中的肘部关键点与手部关键点之间的连线,所述第二连线为所述第二人手区域的人手关键点信息中的人手关键点之间的连线。
11.根据权利要求6-10中任意一项所述的方法,其特征在于,所述根据各个人手区域的位置及各个被兑换物区域的位置,确定与每个人手区域相关联的被兑换物区域,包括:
在第三人手区域与第三被兑换物区域之间的距离小于或等于第五距离阈值的情况下,确定所述第三人手区域与所述第三被兑换物区域相关联,
其中,所述第三人手区域为各个人手区域中的任意一个,所述第三被兑换物区域为各个被兑换物区域中的任意一个。
12.根据权利要求3-10中任意一项所述的方法,其特征在于,所述与游戏相关的目标区域还包括兑换物区域;
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:
对待处理图像进行检测,确定所述待处理图像中的被兑换物区域及兑换物区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:
对所述被兑换物区域进行被兑换物识别及分类,得到所述被兑换物区域中各被兑换物的位置及类别;
对所述兑换物区域进行兑换物识别及分类,得到所述兑换物区域中各兑换物的类别;
其中,所述方法还包括:
在兑换时间段内,根据兑换物区域中各兑换物的类别,确定所述兑换物区域中各兑换物的第一总体价值;
在所述兑换时间段内,根据被兑换物区域中各被兑换物的位置及类别,确定所述被兑换物区域中各被兑换物的第二总体价值;
在所述第一总体价值与所述第二总体价值不同的情况下,发出第二提示信息。
13.根据权利要求3-10中任意一项所述的方法,其特征在于,所述与游戏相关的目标区域还包括游戏进行区域,
所述对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别,包括:
对待处理图像进行检测,确定所述待处理图像中的游戏进行区域;
所述根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果,包括:
对所述游戏进行区域进行卡牌识别及分类,得到所述游戏进行区域中各卡牌的位置及类别。
14.根据权利要求13所述的方法,其特征在于,所述方法还包括:
在发牌阶段内,在所述游戏进行区域中各卡牌的类别与预设类别不同的情况下,发出第三提示信息。
15.根据权利要求13所述的方法,其特征在于,所述方法还包括:
在发牌阶段内,在所述游戏进行区域中各卡牌的位置及类别与各卡牌的预设位置及预设规则不同的情况下,发出第四提示信息。
16.根据权利要求13所述的方法,其特征在于,所述方法还包括:
在赔付阶段内,根据游戏进行区域中的各卡牌的类别,确定游戏结果;
根据游戏结果和与各个人关联的被兑换物区域的位置确定各个人的赔付规则;
根据各个人的赔付规则以及和各个人关联的被兑换物区域中的被兑换物的价值,确定各个人的赔付价值。
17.一种图像处理装置,其特征在于,包括:
区域确定模块,用于对待处理图像进行检测,确定所述待处理图像中的多个目标区域以及所述多个目标区域的类别;所述待处理图像中至少包括人的部分躯体以及游戏桌上的部分图像;所述多个目标区域包括与人相关的目标区域和与游戏相关的目标区域;
目标识别模块,用于根据所述多个目标区域的类别,分别对所述多个目标区域进行目标识别,得到所述多个目标区域的识别结果;
区域关联模块,用于根据各目标区域的位置和/或识别结果,确定各目标区域之间的关联信息;
其中,所述与人相关的目标区域包括人脸区域和人体区域,所述与游戏相关的目标区域包括被兑换物区域;
所述区域确定模块包括:第二确定子模块,用于对待处理图像进行检测,确定所述待处理图像中的人脸区域、人体区域和被兑换物区域;
所述目标识别模块包括:第一提取子模块,用于对所述人脸区域进行人脸关键点提取,得到所述人脸区域的人脸关键点信息;第一身份确定子模块,用于根据所述人脸关键点信息,确定所述人脸区域对应的人的身份信息;第二提取子模块,用于对所述人体区域进行人体关键点提取,得到所述人体区域的人体关键点信息;
所述区域关联模块包括:第二关联子模块,用于根据各个人脸区域的人脸关键点信息以及各个人体区域的人体关键点信息,确定与每个人体区域相关联的人脸区域;第三身份确定子模块,用于根据各个人脸区域对应的人的身份信息,分别确定与各个人脸区域相关联的人体区域对应的人的身份信息;第三关联子模块,用于根据各个人体区域的位置以及各个被兑换物区域的位置,确定与每个被兑换物区域相关联的人体区域;第四身份确定子模块,用于根据各个人体区域对应的人的身份信息,分别确定与各个人体区域相关联的被兑换物区域对应的人的身份信息。
18.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至16中任意一项所述的方法。
19.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至16中任意一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10201913763W | 2019-12-30 | ||
SG10201913763WA SG10201913763WA (en) | 2019-12-30 | 2019-12-30 | Image processing methods and apparatuses, electronic devices, and storage media |
PCT/IB2020/050400 WO2021136975A1 (en) | 2019-12-30 | 2020-01-20 | Image processing methods and apparatuses, electronic devices, and storage media |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113228124A CN113228124A (zh) | 2021-08-06 |
CN113228124B true CN113228124B (zh) | 2023-03-31 |
Family
ID=76372353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080000645.9A Active CN113228124B (zh) | 2019-12-30 | 2020-01-20 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (6)
Country | Link |
---|---|
JP (1) | JP7160919B2 (zh) |
KR (1) | KR102387495B1 (zh) |
CN (1) | CN113228124B (zh) |
AU (1) | AU2020309090B2 (zh) |
SG (1) | SG10201913763WA (zh) |
WO (1) | WO2021136975A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022195338A1 (en) * | 2021-03-17 | 2022-09-22 | Sensetime International Pte. Ltd. | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image |
KR20220130567A (ko) * | 2021-03-17 | 2022-09-27 | 센스타임 인터내셔널 피티이. 리미티드. | 이미지에 포함된 상관된 객체들을 검출하기 위한 방법들, 장치들, 디바이스들, 및 저장 매체 |
WO2022243737A1 (en) * | 2021-05-19 | 2022-11-24 | Sensetime International Pte. Ltd. | Methods and devices for comparing objects |
WO2022096953A1 (en) * | 2021-06-16 | 2022-05-12 | Sensetime International Pte. Ltd. | Object information association method and apparatus, device and storage medium |
KR102632435B1 (ko) * | 2021-06-21 | 2024-02-01 | 센스타임 인터내셔널 피티이. 리미티드. | 객체 교환 행동의 검출 방법, 장치, 전자 기기 및 저장 매체 |
WO2022269320A1 (en) * | 2021-06-21 | 2022-12-29 | Sensetime International Pte. Ltd. | Method and apparatus for detecting object exchange behavior, electronic device and storage medium |
CN114127783A (zh) | 2021-06-21 | 2022-03-01 | 商汤国际私人有限公司 | 一种人体和人手的关联方法、装置、设备及存储介质 |
WO2022096951A1 (en) * | 2021-06-21 | 2022-05-12 | Sensetime International Pte. Ltd. | Body and hand correlation method and apparatus, device, and storage medium |
WO2022096957A1 (en) * | 2021-06-22 | 2022-05-12 | Sensetime International Pte. Ltd. | Body and hand association method and apparatus, device, and storage medium |
WO2022096950A1 (en) * | 2021-06-23 | 2022-05-12 | Sensetime International Pte. Ltd. | Game image processing method and apparatus, electronic device, and computer storage medium, and computer program |
CN114004985B (zh) * | 2021-10-29 | 2023-10-31 | 北京百度网讯科技有限公司 | 人物交互检测方法、神经网络及其训练方法、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015198935A (ja) * | 2014-04-04 | 2015-11-12 | コナミゲーミング インコーポレーテッド | ゲーミング環境の操作のためのシステムおよび方法 |
JP2017117349A (ja) * | 2015-12-25 | 2017-06-29 | パナソニックIpマネジメント株式会社 | 置去り物監視装置およびこれを備えた置去り物監視システムならびに置去り物監視方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003060846A2 (en) * | 2001-12-21 | 2003-07-24 | Cias, Inc. | Combination casino table game imaging system for automatically recognizing the faces of players -- as well as terrorists and other undesirables -- and for recognizing wagered gaming chips |
JP2008257086A (ja) * | 2007-04-09 | 2008-10-23 | Sony Corp | 表示装置、表示装置の製造方法および電子機器 |
WO2009062153A1 (en) * | 2007-11-09 | 2009-05-14 | Wms Gaming Inc. | Interaction with 3d space in a gaming system |
KR101130817B1 (ko) * | 2011-09-27 | 2012-04-16 | (주)올라웍스 | 얼굴 인식 방법, 장치, 및 이 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체 |
JP6207240B2 (ja) * | 2013-06-05 | 2017-10-04 | キヤノン株式会社 | 情報処理装置及びその制御方法 |
US10268983B2 (en) * | 2013-06-26 | 2019-04-23 | Amazon Technologies, Inc. | Detecting item interaction and movement |
US9251598B2 (en) * | 2014-04-10 | 2016-02-02 | GM Global Technology Operations LLC | Vision-based multi-camera factory monitoring with dynamic integrity scoring |
US10099132B2 (en) * | 2014-05-16 | 2018-10-16 | Sega Sammy Creation Inc. | Game image generation device and program |
US10489949B2 (en) * | 2015-01-06 | 2019-11-26 | Sony Corporation | Effect generation device and effect generation method |
CN115837157A (zh) * | 2015-08-03 | 2023-03-24 | 天使集团股份有限公司 | 游艺场的作弊检测系统 |
AU2015261614A1 (en) * | 2015-09-04 | 2017-03-23 | Musigma Business Solutions Pvt. Ltd. | Analytics system and method |
US20170326443A1 (en) * | 2016-05-13 | 2017-11-16 | Universal Entertainment Corporation | Gaming machine |
JP2018130183A (ja) * | 2017-02-13 | 2018-08-23 | エンゼルプレイングカード株式会社 | 遊技用代用貨幣トレイ、テーブルゲームの管理システム、遊技用代用貨幣トレイシステム、及び遊技用代用貨幣管理方法 |
KR20200121299A (ko) * | 2018-02-19 | 2020-10-23 | 엔제루 프레잉구 카도 가부시키가이샤 | 게임 관리 시스템 |
JPWO2019221063A1 (ja) * | 2018-05-14 | 2021-07-08 | エンゼルグループ株式会社 | テーブルゲームの管理システム及びゲーム管理システム |
US11183012B2 (en) * | 2019-08-19 | 2021-11-23 | Sg Gaming, Inc. | Systems and methods of automated linking of players and gaming tokens |
-
2019
- 2019-12-30 SG SG10201913763WA patent/SG10201913763WA/en unknown
-
2020
- 2020-01-20 AU AU2020309090A patent/AU2020309090B2/en active Active
- 2020-01-20 KR KR1020207012788A patent/KR102387495B1/ko active IP Right Grant
- 2020-01-20 CN CN202080000645.9A patent/CN113228124B/zh active Active
- 2020-01-20 WO PCT/IB2020/050400 patent/WO2021136975A1/en active Application Filing
- 2020-01-20 JP JP2020530338A patent/JP7160919B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015198935A (ja) * | 2014-04-04 | 2015-11-12 | コナミゲーミング インコーポレーテッド | ゲーミング環境の操作のためのシステムおよび方法 |
JP2017117349A (ja) * | 2015-12-25 | 2017-06-29 | パナソニックIpマネジメント株式会社 | 置去り物監視装置およびこれを備えた置去り物監視システムならびに置去り物監視方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7160919B2 (ja) | 2022-10-25 |
WO2021136975A1 (en) | 2021-07-08 |
AU2020309090A1 (en) | 2021-07-15 |
CN113228124A (zh) | 2021-08-06 |
KR102387495B1 (ko) | 2022-04-15 |
AU2020309090B2 (en) | 2022-04-28 |
SG10201913763WA (en) | 2021-04-29 |
KR20210088435A (ko) | 2021-07-14 |
JP2022522070A (ja) | 2022-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113228124B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108764069B (zh) | 活体检测方法及装置 | |
CN114514566B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210201478A1 (en) | Image processing methods, electronic devices, and storage media | |
CN110674719A (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN104731880B (zh) | 图片排序方法和装置 | |
JP2021503659A (ja) | 生体検出方法、装置及びシステム、電子機器並びに記憶媒体 | |
CN107193983A (zh) | 图像搜索方法及装置 | |
CN108406776B (zh) | 安全交互方法、安全交互装置及服务机器人 | |
CN107766820A (zh) | 图像分类方法及装置 | |
US9977510B1 (en) | Gesture-driven introduction system | |
CN110636315B (zh) | 一种多人虚拟直播方法、装置、电子设备及存储介质 | |
CN107832746A (zh) | 表情识别方法及装置 | |
CN109360197A (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
CN108932090A (zh) | 终端控制方法、装置和存储介质 | |
CN107341509A (zh) | 卷积神经网络的训练方法及装置 | |
CN111062401A (zh) | 堆叠物体的识别方法及装置、电子设备和存储介质 | |
CN112016443A (zh) | 同行识别方法及装置、电子设备和存储介质 | |
CN109145878B (zh) | 图像提取方法及装置 | |
CN111753611A (zh) | 图像检测方法及装置和系统、电子设备和存储介质 | |
CN109740557B (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN110544335B (zh) | 目标识别系统及方法、电子设备和存储介质 | |
CN107730452A (zh) | 图像拼接方法及装置 | |
CN112843670A (zh) | 智能棋牌信息提示方法 | |
CN113946713A (zh) | 资源库生成方法、装置、电子设备及存储介质 |
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 |