CN113537048A - 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
- CN113537048A CN113537048A CN202110796809.XA CN202110796809A CN113537048A CN 113537048 A CN113537048 A CN 113537048A CN 202110796809 A CN202110796809 A CN 202110796809A CN 113537048 A CN113537048 A CN 113537048A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- median
- matrix
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 298
- 238000012545 processing Methods 0.000 claims description 73
- 238000001914 filtration Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 14
- HNWFFTUWRIGBNM-UHFFFAOYSA-N 2-methyl-9,10-dinaphthalen-2-ylanthracene Chemical compound C1=CC=CC2=CC(C3=C4C=CC=CC4=C(C=4C=C5C=CC=CC5=CC=4)C4=CC=C(C=C43)C)=CC=C21 HNWFFTUWRIGBNM-UHFFFAOYSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 description 80
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001815 facial effect 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
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Silver Salt Photography Or Processing Solution Therefor (AREA)
- Electric Double-Layer Capacitors Or The Like (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,其中,所述方法包括:分别获取针对同一对象的多个图像的图像特征;根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征。本公开能够提高融合特征的精度。
Description
本申请是在2019年03月25日提交中国专利局、申请号为201910228716.X、申请名称为“图像处理方法及装置、电子设备和存储介质”的中国专利申请的分案申请。
技术领域
本公开涉及计算机视觉领域,特别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
特征融合是计算机视觉及智能视频监控领域的重要问题之一。例如人脸特征融合在在很多领域有重要应用意义,如可以应用到人脸识别系统等。目前现有技术中,通常是将多帧图像的特征直接取均值作为融合后的特征,这种方法虽然简单但性能较差,特别是对异常值的鲁棒性很差。
发明内容
本公开实施例提供了一种提高融合特征精度的图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,其包括:
分别获取针对同一对象的多个图像的图像特征;
根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;
基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征。
在一些可能的实施方式中,所述根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数,包括:
基于各图像的所述图像特征形成图像特征矩阵;
对所述图像特征矩阵执行特征拟合处理,得到第一权重矩阵;
基于所述第一权重矩阵确定各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述对所述图像特征矩阵执行特征拟合处理,得到第一权重矩阵,包括:
利用正则化线性最小二乘估计算法对所述图像特征矩阵执行特征拟合处理,并在预设目标函数为最小值的情况下得到所述第一权重矩阵。
在一些可能的实施方式中,所述基于所述第一权重矩阵确定各图像特征对应的所述权重系数,包括:
将所述第一权重矩阵中包括的各第一权重系数确定为各图像特征对应的所述权重系数;或者
对所述第一权重矩阵执行第一优化处理,并将优化后的第一权重矩阵中包括的各第一权重系数确定为各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述对所述第一权重矩阵执行第一优化处理,包括:
基于所述第一权重矩阵中包括的各图像特征的第一权重系数,确定各图像的拟合图像特征,所述拟合图像特征为所述图像特征与相应的第一权重系数的乘积;
利用各图像的图像特征和所述拟合图像特征之间的第一误差,执行所述第一权重矩阵的第一优化处理,得到第一优化权重矩阵;
响应于所述第一权重矩阵和第一优化权重矩阵之间的差值满足第一条件,将所述第一优化权重矩阵确定为优化后的所述第一权重矩阵,以及
响应于第一权重矩阵和第一优化权重矩阵之间的差值不满足第一条件,利用所述第一优化权重矩阵获得新的拟合图像特征,基于所述新的拟合图像特征重复执行所述第一优化处理,直至得到的第k优化权重矩阵与所述第k-1优化权重矩阵之间的差值满足所述第一条件,将第k优化权重矩阵确定为优化后的第一权重矩阵,其中k为大于1的正整数。
在一些可能的实施方式中,所述利用各图像的图像特征和所述拟合图像特征之间的第一误差,执行所述第一权重矩阵的第一优化处理,包括:
根据各图像特征和所述拟合图像特征中相应元素之间的差值的平方和,得到所述图像特征和所述拟合图像特征之间的第一误差;
基于各所述第一误差得到各图像特征的第二权重系数;
基于各图像的第二权重系数执行所述第一权重矩阵的第一优化处理,得到所述第一权重矩阵对应的第一优化权重矩阵。
在一些可能的实施方式中,所述基于各所述第一误差得到各图像特征的第二权重系数,包括:
通过第一方式,基于各所述第一误差得到各图像特征的第二权重系数,其中所述第一方式的表达式为:
其中,wi为第i个图像的第二权重系数,ei表示第i个图像特征与其对应的拟合图像特征之间的第一误差,i为1到N之间的整数,N为图像特征的数量,k=1.345σ,σ是误差ei的标准差。
在一些可能的实施方式中,所述根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数,还包括:
基于各图像的所述图像特征形成图像特征矩阵;
对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵;
基于所述中值特征矩阵确定各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵,包括:
确定所述图像特征矩阵中各所述图像特征针对同一位置的元素中值;
基于每个位置的元素中值得到所述中值特征矩阵。
在一些可能的实施方式中,所述基于所述中值特征矩阵确定各图像特征对应的所述权重系数,包括:
获取各图像特征与所述中值特征矩阵之间的第二误差;
响应于图像特征与中值特征矩阵之间的所述第二误差满足第二条件,将该图像特征的权重系数配置为第一权值,响应于图像特征与中值特征矩阵之间的所述第二误差不满足第二条件,利用第二方式确定该图像特征的权重系数。
在一些可能的实施方式中,所述第二方式的表达式为:
θh=/1eh;
其中,bh为通过第二方式确定的第h个图像的权重系数,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量。
在一些可能的实施方式中,所述第二条件为:
eh>K·MADN;
MADN=median([e1,e2,...eN])/0.675;
其中,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量,K为判断阈值,median表示中值滤波函数。
在一些可能的实施方式中,所述基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征,包括:
利用各图像特征与对应的权重系数之间的乘积的加和值,得到所述融合特征。
在一些可能的实施方式中,所述方法还包括:
利用所述融合特征执行所述相同对象的识别操作。
在一些可能的实施方式中,在一些可能的实施方式中,所述根据各图像的图像特征,确定与各所述图像特征对应的权重系数之前,所述方法还包括:
获取针对权重系数的获取模式的选择信息;
基于选择信息确定所述权重系数的获取模式;
基于确定的所述权重系数的获取模式,执行所述据各图像的图像特征,确定与各所述图像特征对应的权重系数;
所述权重系数的获取模式包括利用特征拟合的方式获取所述权重系数和利用中值滤波的方式获取所述权重系数。
根据本公开的第二方面,提供了一种图像处理装置,其包括:
获取模块,其用于分别获取针对同一对象的多个图像的图像特征;
确定模块,其用于根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;
融合模块,其用于基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征。
在一些可能的实施方式中,所述确定模块包括:
第一建立单元,其用于基于各图像的所述图像特征形成图像特征矩阵;
拟合单元,其用于对所述图像特征矩阵执行特征拟合处理,得到第一权重矩阵;
第一确定单元,其用于基于所述第一权重矩阵确定各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述拟合单元还用于利用正则化线性最小二乘估计算法对所述图像特征矩阵执行特征拟合处理,并在预设目标函数为最小值的情况下得到所述第一权重矩阵。
在一些可能的实施方式中,所述确定模块还包括优化单元,其用于对所述第一权重矩阵执行第一优化处理;
所述第一确定单元还用于将所述第一权重矩阵中包括的各第一权重系数确定为各图像特征对应的所述权重系数;或者将优化后的第一权重矩阵中包括的各第一权重系数确定为各图像特征对应的所述权重系数。
在一些可能的实施方式中,优化单元还用于基于所述第一权重矩阵中包括的各图像特征的第一权重系数,确定各图像的拟合图像特征;
利用各图像的图像特征和所述拟合图像特征之间的第一误差,执行所述第一权重矩阵的第一优化处理,得到第一优化权重矩阵;
响应于所述第一权重矩阵和第一优化权重矩阵之间的差值满足第一条件,将所述第一优化权重矩阵确定为优化后的所述第一权重矩阵,以及
响应于第一权重矩阵和第一优化权重矩阵之间的差值不满足第一条件,利用所述第一优化权重矩阵获得新的拟合图像特征,基于所述新的拟合图像特征重复执行所述第一优化处理,直至得到的第k优化权重矩阵与所述第k-1优化权重矩阵之间的差值满足所述第一条件,将第k优化权重矩阵确定为优化后的第一权重矩阵,其中k为大于1的正整数;
其中,所述拟合图像特征为所述图像特征与相应的第一权重系数的乘积。
在一些可能的实施方式中,所述优化单元还用于根据各图像特征和所述拟合图像特征中相应元素之间的差值的平方和,得到所述图像特征和所述拟合图像特征之间的第一误差;
基于各所述第一误差得到各图像特征的第二权重系数;
基于各图像的第二权重系数执行所述第一权重矩阵的第一优化处理,得到所述第一权重矩阵对应的第一优化权重矩阵。
在一些可能的实施方式中,所述优化单元还用于通过第一方式,基于各所述第一误差得到各图像特征的第二权重系数,其中所述第一方式的表达式为:
其中,wi为第i个图像的第二权重系数,ei表示第i个图像特征与其对应的拟合图像特征之间的第一误差,i为1到N之间的整数,N为图像特征的数量,k=1.345σ,σ是误差ei的标准差。
在一些可能的实施方式中,所述确定模块还包括:
第二建立单元,其用于基于各图像的所述图像特征形成图像特征矩阵;
滤波单元,其用于对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵;
第二确定单元,其用于基于所述中值特征矩阵确定各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述滤波单元还用于确定所述图像特征矩阵中各所述图像特征针对同一位置的元素中值;
基于每个位置的元素中值得到所述中值特征矩阵。
在一些可能的实施方式中,所述第二确定单元还用于获取各图像特征与所述中值特征矩阵之间的第二误差;
响应于图像特征与中值特征矩阵之间的所述第二误差满足第二条件,将该图像特征的权重系数配置为第一权值,响应于图像特征与中值特征矩阵之间的所述第二误差不满足第二条件,利用第二方式确定该图像特征的权重系数。
在一些可能的实施方式中,所述第二方式的表达式为:
θh=/1eh;
其中,bh为通过第二方式确定的第h个图像的权重系数,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量。
在一些可能的实施方式中,所述第二条件为:
eh>K·MADN;
MADN=median([e1,e2,...eN])/0.675;
其中,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量,K为判断阈值,median表示中值滤波函数。
在一些可能的实施方式中,所述融合模块还用于利用各图像特征与对应的权重系数之间的乘积的加和值,得到所述融合特征。
在一些可能的实施方式中,所述装置还包括识别模块,其用于利用所述融合特征执行所述相同对象的识别操作。
在一些可能的实施方式中,所述装置还包括模式确定模块,其用于针对权重系数的获取模式的选择信息,并基于选择信息确定所述权重系数的获取模式,所述权重系数的获取模式包括利用特征拟合的方式获取所述权重系数和利用中值滤波的方式获取所述权重系数。
所述确定模块还用于基于确定的所述权重系数的获取模式,执行所述据各图像的图像特征,确定与各所述图像特征对应的权重系数。
根据本公开的第三方面,提供了一种电子设备,其包括:
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:执行第一方面中任意一项所述的方法。
根据本公开的第四方面,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第一方面中任意一项所述的方法。
本公开实施例可以对同一对象的不同特征进行融合,其中,可以根据该同一对象的不同图像的图像特征,确定每个图像特征对应的权重系数,通过该权重系数执行图像特征的特征融合,由于可以为每个图像特征确定不同的权重系数,因此,本申请的技术方案能够提高特征融合的精度。
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一种图像处理方法的流程图;
图2示出根据本公开实施例的一种图像处理方法中确定获取权重系数的方式的流程图;
图3示出根据本公开实施例的一种图像处理方法中步骤S20的流程图;
图4示出根据本公开实施例的一种图像处理方法中执行第一优化处理的流程图;
图5示出根据本公开实施例的一种图像处理方法中步骤S232的流程图;
图6示出根据本公开实施例的一种图像处理方法中步骤S20的流程图;
图7示出根据本公开实施例的一种图像处理方法中步骤S203的流程图;
图8示出根据本公开实施例的一种图像处理装置的框图;
图9示出根据本公开实施例的一种电子设备800的框图;
图10示出根据本公开实施例的一种电子设备1900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。
本公开实施例提供了一种图像处理方法,该方法可以执行多个图像的特征融合处理,其可以应用到任意的电子设备或者服务器中,例如,电子设备可以包括用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal DigitalAssistant)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以包括本地服务器或者云端服务器。在一些可能的实现方式中,该图像生成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。上述仅为设备的示例性说明,不作为本公开的具体限定,在其他实施例中,也可以通过其他能够执行图像处理的设备实现。
图1示出根据本公开实施例的一种图像处理方法的流程图。所述图像处理方法包括:
S10:获取针对同一对象的多个图像的图像特征;
本公开实施例中,可以对同一对象的不同图像的特征执行特征融合处理。其中,对象的类型可以为任意的类型,例如可以为人、动物、植物、车辆、卡通形象等,本公开对此不作具体限定。针对同一对象的不同图像可以为在相同场景下拍摄的不同图像,也可以为不同场景下拍摄的图像,同时本公开实施例对获取图像的时间也不作具体限定,获取各图像的时间可以相同,也可以不同。
本公开实施例可以首先获取上述同一对象的多个图像。其中,获取多个图像的方式可以包括:通过摄像设备采集该多个图像,或者也可以通过与其他设备通信接收传输的该多个图像,或者也可以读取本地或者特定网络地址中存储的多个图像,上述仅为示例性说明,在其他实施例中也可以通过其他方式获得该相同对象的多个图像。
在获取图像之后,可以提取图像中的图像特征,例如,在一些可能的实施方式中,可以通过特征提取算法提取图像特征,例如人脸特征提取算法、边缘特征提取算法等算法,或者也可以通过其他特征提取算法提取对象的相关特征。或者,本公开实施例也可以通过具有相应功能的神经网络提取相应的图像特征。其中,图像特征可以反映相应的图像的特征信息,或者反映图像中的对象的特征信息,例如可以为各像素点的灰度值。
本公开实施例中,在图像中包括的对象为人物对象时,获取的图像特征可以为该对象的人脸特征。例如,可以通过面部特征提取算法对各图像进行处理,提取图像中的人脸特征。或者,也可以将各图像输入至能够获取图像中的人脸特征的神经网络中,通过神经网络得到各图像的人脸特征。其中,该神经网络为经过训练能够通过图像获取图像特征进而执行图像中对象识别的神经网络,可以将神经网络最后一层卷积层处理(得到的特征在分类识别之前的特征)的结果作为本公开实施例的图像特征,神经网络可以为卷积神经网络。或者,针对其他类型的对象,也可以通过相应的特征提取算法或者神经网络得到对应的图像特征,本公开实施例对此不作具体限定。
本公开实施例中,图像特征可以为特征向量的形式,例如第i个图像的图像特征(如人脸特征)可以表示成:Xi=[xi1,xi2,xi3,...,xiD],其中D表示图像特征的维度,i为1到N之间的整数,N表示图像的数量。
S20:根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;
本公开实施例可以根据每个图像的图像特征中的特征参数,确定各图像特征的权重系数,该权重系数可以为[0,1]之间的数值,或者也可以为其他数值,本公开对此不作具体限定。通过为各图像特征配置不同的权重系数,可以突出精度较高的图像特征,从而可以提高特征融合处理得到的融合特征的精度。
S30:基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征。
本公开实施例,执行特征融合处理的方式可以包括:利用各图像特征与对应的权重系数之间的乘积的加和值,得到所述融合特征。例如可以通过下式得到各图像特征的融合特征:
其中,G表示生成的融合特征,i为1到N之间的整数值,N表示图像的数量,bi表示第i个图像的图像特征Xi的权重系数。
也就是说,本公开实施例可以将图像特征与相应的权重系数执行相乘处理,而后将各相乘处理得到的相乘结果进行加和处理,即可以得到本公开实施例的融合特征。
通过本公开实施例,可以根据图像特征中的特征参数确定与每个图像特征对应的权重系数,根据权重系数获得各图像的融合特征,而不是简单直接的取各图像特征的均值,得到融合特征,提高了融合特征的精度,并且同样具有简单方便的特点。
下面结合附图对本公开实施例的各过程进行详细的说明。
本公开实施例中,在获取相同对象的各不同图像的图像特征之后,即可以确定各图像特征的权重系数。在一些可能的实施方式中,可以通过特征拟合的方式得到各权重系数,在另一些可能的实施方式中,可以通过中值滤波的方式得到各权重系数,或者在其他的实施方式中,也可以通过均值或者其他处理的得到各权重系数,本公开对此不作具体限定。
本公开实施例在执行步骤S20获取各权重系数之前,可以首先确定获取各权重系数的方式,如特征拟合的方式或者中值滤波的方式。图2示出根据本公开实施例的一种图像处理方法中确定获取权重系数的方式的流程图。在所述根据各图像的图像特征,确定与各所述图像特征对应的权重系数之前,所述方法还包括:
S41:获取针对权重系数的获取模式的选择信息;
其中,该选择信息为关于执行获取权重系数的操作的模式选择信息,例如选择信息可以为利用第一模式(如特征拟合的方式)获取所述权重系数的第一选择信息,或者可以为利用第二模式(如中值滤波的方式)获取所述权重系数的第二选择信息。或者,也可以包括利用其他模式获取权重系数的选择信息,本公开对此不作具体限定。
其中,获取该选择信息的方式可以包括接收输入组件接收的输入信息,基于该输入信息确定所述选择信息。本公开实施例中,输入组件可以包括开关、键盘、鼠标、音频接收接口、触摸板、触摸屏、通信接口等,本公开对此不作具体限定,只要能够接收选择信息即可以作为本公开实施例。
S42:基于选择信息确定所述权重系数的获取模式;
由于选择信息中包括了关于权重信息的获取模式的相关信息,即可以根据接收的选择信息获得相应的模式信息,如在选择信息包括第一选择信息时,即可以确定为利用第一模式(特征拟合的方式)执行权重系数的获取,在选择信息包括第二选择信息时,可以确定为利用第二模式(中值滤波的方式)执行权重系数的获取。相应的,在选择信息中包括其他选择信息时,可以相应的确定与选择信息对应的获取权重系数的方式。
在一些可能的实施方式中,不同的权重系数的获取模式的精度或者运算量、运算速度中的至少一种可以不同,例如第一模式的精度可以高于第二模式的精度,第一模式的运算速度可以低于第二模式,但不作为本公开的具体限定。因此,本公开实施例中用户可以根据不同的需求选择适应的模式执行权重参数的获取。
S43:基于确定的所述权重系数的获取模式,执行所述据各图像的图像特征,确定与各所述图像特征对应的权重系数;其中,所述权重系数的获取模式包括利用特征拟合的方式获取所述权重系数和利用中值滤波的方式获取所述权重系数。
在基于选择信息确定了权重系数的获取模式之后,即可以按照确定的模式执行权重信息的获取操作。
本公开实施例中,通过上述方式可以实现权重系数的获取模式的选择,在不同的需求的情况下,可以采用不同的模式执行权重系数的获取,具有更好的适用性。
下面对本公开实施例的获取权重系数的方式进行详细说明。图3示出根据本公开实施例的一种图像处理方法中步骤S20的流程图,其中,所述根据各图像的图像特征,确定与各所述图像特征对应的权重系数(步骤S20)可以包括:
S21:基于各图像的所述图像特征形成图像特征矩阵;
本公开实施例中,各图像的图像特征可以按照特征向量的方式表示,例如第i个图像的图像特征可以表示为Xi=[xi1,xi2,xi3,...,xiD],其中D表示图像特征的维度,i为1到N之间的整数,N表示图像的数量。并且,本公开实施例中,各图像的图像特征的维度相同,均为D。
根据每个图像的图像特征形成的图像特征矩阵X可以表示为:
基于上述,即可以得到每个图像特征构成的图像特征矩阵,通过上述方式中,可以将图像特征矩阵中每行的元素作为一个图像的图像特征,各行对应的图像特征为不同图像的图像特征。在其他实施方式中,也可以将图像特征矩阵中每列的元素作为一个图像的图像特征,各列对应的图像特征为不同图像的图像特征,本公开对图像特征矩阵的排列方式不作具体限定。
S22:对所述图像特征矩阵执行特征拟合处理,得到第一权重矩阵;
在获得各图像特征对应的图像特征矩阵之后,即可以执行图像特征矩阵的特征拟合处理,本公开实施例可以利用正则化线性最小二乘估计算法(regularized least-square linear regression)执行该特征拟合处理。例如可以设定预设目标函数,该预设目标函数为与权重系数相关的函数,在该预设目标函数取最小值时,确定由各权重系数对应的第一权重矩阵,该第一权重矩阵的维度与图像特征的数量相同,并且根据第一权重矩阵中的各元素可以确定最终的权重系数。
在一些可能的实施方式中,预设的目标函数的表达式可以为:
其中,X表示图像特征矩阵,b=[b1,b2,...,bN]T表示待估计的第一权重矩阵,其可以为Y表示观察矩阵,该观察矩阵与X相同,XT表示X的转置矩阵,λ表示正则化参数,||||22表示参数的L2norm(标准)正则化项。
在一些可能的实施方式中,如果图像特征为行向量,则生成的第一权重矩阵则为列向量,相反的,如果图像特征为列向量,则生成的第一权重矩阵则为行向量。并且,第一权重矩阵的维度与图像特征或者图像的数量相同。
本公开实施例可以确定在上述目标函数为最小值的情况下,第一权重矩阵b的取值,此时可以得到最终的第一权重矩阵,该第一权重矩阵的表达式可以为:
b=(XTX+λI)-1XTY。
通过上述实施例,即可以得到特征拟合处理得到的第一权重矩阵。在本公开的其他实施方式中,也可以通过其他特征拟合的方式执行图像特征矩阵的特征拟合处理,得到相应的第一权重矩阵,或者也可以设定不同的预设目标函数,执行特征拟合处理,本公开对此不作具体限定。
S23:基于所述第一权重矩阵确定各图像特征对应的所述权重系数。
在得到第一权重矩阵之后,即可以根据得到的第一权重矩阵确定图像特征对应的权重系数。
其中,在一些可能的实施方式中,可以直接将第一权重矩阵中包括的各元素作为权重系数,即可以将第一权重矩阵中包括的各第一权重系数作为图像特征权重系数。在得到的第一权重矩阵为b=[b1,b2,...,bN]T的情况下,第i个图像的图像特征Xi的权重系数即可以为bi。
在本公开的另一些实施方式中,为了进一步提高权重系数的精度,还可以对第一权重矩阵执行优化处理得到优化后的第一权重矩阵,并根据优化后的第一权重矩阵中的元素作为各图像特征的权重系数。即可以对所述第一权重矩阵执行第一优化处理,并将优化后的第一权重矩阵中包括的各第一权重系数确定为每个图像特征对应的所述权重系数。通过该第一优化处理可以检测出第一权重矩阵中的异常值,并可以对该异常值执行相应的优化处理,提高得到的权重矩阵的精度。
图4示出根据本公开实施例的一种图像处理方法中执行第一优化处理的流程图。其中,对所述第一权重矩阵执行第一优化处理,并将优化后的第一权重矩阵中包括的各第一权重系数确定为每个图像特征对应的所述权重系数,可以包括:
S231:基于所述第一权重矩阵中包括的各图像特征的第一权重系数,确定各图像的拟合图像特征,所述拟合图像特征为所述图像特征与相应的第一权重系数的乘积;
本公开实施例中,可以首先基于确定的第一权重矩阵得到各图像特征的拟合图像特征。其中,可以将第一权重矩阵中包括的各图像特征的第一权重系数与相应的图像特征执行相乘处理,得到该图像特征的拟合图像特征。例如,可以将第一权重矩阵中的第i个图像的图像特征Xi的第一权重系数bi与该图像特征Xi相乘,得到拟合图像特征biXi。
S232:利用各图像的图像特征和所述拟合图像特征之间的第一误差,执行所述第一权重矩阵的第一优化处理,得到第一优化权重矩阵;
在得到拟合图像特征之后,可以得到图像特征和与其对应的拟合图像特征之间的第一误差。本公开实施例可以按照下式得到图像特征和拟合图像特征之间的第一误差:
其中,ei表示第i个图像特征与其对应的拟合图像特征之间的第一误差,i为1到N之间的整数,N为图像特征的数量,j为1到D之间的整数,D表示各图像特征的维度,Xi表示第i个图像的图像特征,biXi表示第i个图像特征对应的拟合图像特征。
在本公开的其他实施方式中,也可以通过其他方式确定图像特征和拟合图像特征之间的第一误差,例如可以直接将拟合图像特征与图像特征之间各元素的差值的平均值作为第一误差,本公开对第一误差的确定方式不作具体限定。
在得到第一误差之后,即可以利用该第一误差执行第一权重矩阵的第一次优化处理过程,得到第一优化权重矩阵。其中,该第一优化权重矩阵中的元素同样可以表示与各图像特征对应的第一次优化后的权重系数。
S233:判断所述第一权重矩阵和第一优化权重矩阵之间的差值是否满足第一条件,如果是则执行步骤S234,反之,则执行步骤S235。
在通过基于第一误差得到第一权重矩阵的第一优化处理结果(第一优化权重矩阵)之后,可以判断该第一优化权重矩阵与第一权重矩阵之间的差值是否满足第一条件,如果该差值满足第一条件,说明该第一优化权重矩阵无需在执行进一步的优化,并且可以将该第一优化权重矩阵确定为最终的第一优化处理得到的优化权重矩阵。如果该第一优化权重矩阵与第一权重矩阵之间的差值不满足第一条件,在则需要对该第一优化权重矩阵继续进行优化处理。
其中,本公开实施例的第一条件可以第一优化权重矩阵与第一权重矩阵之间的差值的绝对值小于第一阈值,该第一阈值为预先设定的阈值,其可以为小于1的数值,本公开实施例中,第一阈值的取值可以根据需求设定,本公开对此不做具体限定,例如可以为0.01。
基于上述实施例,即可以得到第一优化权重矩阵和第一权重矩阵之间的差值是否满足第一条件,并进一步执行相应的后续步骤。
S234:将所述第一优化权重矩阵确定为优化后的第一权重矩阵;
如上述实施例所述,如果判断出该第一优化权重矩阵与第一权重矩阵之间的差值满足第一条件,则说明该第一优化权重矩阵无需再执行进一步的优化处理,此时可以直接将该第一优化权重矩阵确定为最终的第一优化处理得到的优化权重矩阵。
S235:利用所述第一优化权重矩阵获得新的拟合图像特征,基于所述新的拟合图像特征重复执行所述第一优化处理,直至得到的第k优化权重矩阵与所述第k-1优化权重矩阵之间的差值满足所述第一条件,将第k个优化权重矩阵确定为优化后的第一权重矩阵,其中k为大于1的正整数。
在一些可能的实施方式中,基于图像特征和拟合图像特征之间的第一误差,对图像特征的第一优化处理得到的第一优化权重矩阵和第一权重矩阵之间的差值可能不满足第一条件,例如,该差值大于第一阈值的情况,此时可以继续利用第一优化权重矩阵中的权重系数得到各图像特征的拟合图像特征,而后,利用图像特征和拟合图像特征之间的第一误差进一步执行第二次第一优化处理过程,得到第二优化权重矩阵。
如果该第二优化权重矩阵与第一优化权重矩阵之间的差值满足第一条件,则可以将该第二优化权重矩阵确定为最终的优化结果,即优化处理后的权重矩阵,如果该第二优化权重矩阵与第一优化权重矩阵之间的差值仍然不满足第一条件,可以继续利用第二优化权重矩阵中的权重系数得到各图像特征的拟合图像特征,并利用该图像特征和拟合图像特征之间的第一误差进一步执行第三次第一优化处理过程,得到第三优化权重矩阵,以此类推,直至得到的第k优化权重矩阵与所述第k-1优化权重矩阵之间的差值满足所述第一条件,此时可以将第k优化权重矩阵确定为优化后的所述第一权重矩阵,其中k为大于1的正整数。
通过上述实施例即可以完成根据图像特征和拟合图像特征之间的第一误差,执行第一优化处理并得到优化后的第一权重矩阵的过程。本公开实施例中,第一优化处理的迭代函数的表达式可以为:
b(t)=(XTW(t-1)X+λI)-1XTW(t-1)Y;
其中,t表示迭代次数(即第一优化处理的次数),b(t)表示第t次第一优化处理得到的第一优化权重矩阵,X表示图像特征矩阵,Y表示观察矩阵,该观察矩阵与X相同,W(t-1)表示第t-1次迭代得到的第二权重系数wi的对角阵,I为对角阵,λ表示正则化参数。从上述实施例可以得到,本公开实施例可以在每次执行第一优化处理时,通过调整第二权重系数wi对权重矩阵进行优化处理。
本公开实施例结合对第一权重矩阵的第一次第一优化处理的过程对第一优化处理进行说明,图5示出根据本公开实施例的一种图像处理方法中步骤S232的流程图。所述利用各图像的图像特征和所述拟合图像特征之间的第一误差,执行所述第一权重矩阵的第一优化处理,包括:
S2321:根据各图像特征和所述拟合图像特征中相应元素之间的差值的平方和,得到所述图像特征和所述拟合图像特征之间的第一误差;
如上述实施例所述,在得到图像特征和对应的拟合图像特征之后,可以确定每个图像特征和相应的拟合图像特征之间的第一误差,
S2322:基于各所述第一误差得到各图像特征的第二权重系数;
在确定每个图像特征和与其对应的拟合图像特征之间的第一误差之后,可以根据该第一误差的数值确定图像特征的第二权重系数,用于执行第一优化处理。其中可以通过第一方式确定相应的图像特征的第二权重系数,第一方式的表达式可以为:
其中,wi为第i个图像的第二权重系数,ei表示第i个图像特征与其对应的拟合图像特征之间的第一误差,i为1到N之间的整数,N为图像特征的数量,k=1.345σ,σ是误差的ei标准差。本公开实施例k可以表示误差阈值,其可以为所有图像特征和拟合图像特征之间的第一误差的标准差的1.348=5倍,在其他实施方式中,该k值可以为其他取值,如可以为0.6等,不作为本公开的具体限定。
在得到各图像特征和拟合图像特征之间的第一误差之后,可以将该第一误差与误差阈值k进行比较,如果第一误差小于k,则可以将相应的图像特征对应的第二权重系数确定为第一数值,如1,如果第一误差大于或者等于k,则可以根据第一误差确定图像特征的第二权重系数,此时第二权重系数可以为第二数值,k与第二误差的绝对值的比值
S2323:基于各图像的第二权重系数执行所述第一权重矩阵的第一优化处理,得到第一优化权重矩阵。
在得到图像特征的第二权重系数之后,即可以利用该第二权重系数执行第一权重矩阵的第一优化处理,其中,可以利用迭代函数b(t)=(XTW(t-1)X+λI)-1XTW(t-1)Y得到第一优化权重矩阵。
本公开实施例中,如果第一优化权重矩阵与第一权重矩阵之间的差值不满足第一条件,在利用第一权重矩阵中的权重系数得到新的拟合图像特征之后,可以根据该图像特征和新的拟合图像特征之间的第一误差重新确定各图像特征的第二权重系数,从而根据新的第二权重系数执行上述函数迭代,得到第二优化权重矩阵,以此类图,可以得到第k次第一优化处理对应的第k优化权重矩阵。
从而可以进一步在第k次第一优化处理得到的第k优化权重矩阵与第看-1次第一优化处理得到的第k-1优化权重矩阵之间的差值满足第一条件b(t-1)-b(t)|<ε其中,ε为第一阈值,则可以将该第k优化权重矩阵b(t)作为优化后的第一权重矩阵。
基于上述实施例,可以完成通过特征拟合的方式得到图像特征的权重系数的过程,通过该方式得到的权重系数的精度较高且对权重系数中的异常值的鲁棒性也较高。
如上述所述,本公开实施例还提供了一种通过中值滤波的方式确定各图像特征的权重系数方法。该方法相对于特征拟合的方式具有更小的运算成本。
图6示出根据本公开实施例的一种图像处理方法中步骤S20的流程图,其中,所述根据各图像的图像特征,确定与各所述图像特征对应的权重系数(步骤S20),还可以包括:
S201:基于各图像的所述图像特征形成图像特征矩阵;
同步骤S21相同,本公开实施例可以根据每个图像的图像特征形成图像特征矩阵,各图像的图像特征可以按照特征向量的方式表示,例如第i个图像的图像特征可以表示为Xi=[xi1,xi2,xi3,...,xiD],其中D表示图像特征的维度,i为1到N之间的整数,N表示图像的数量。并且,本公开实施例中,各图像的图像特征的维度相同,均为D。
根据每个图像的图像特征形成的图像特征矩阵X可以表示为:
基于上述,即可以得到每个图像特征构成的图像特征矩阵,通过上述方式中,可以将图像特征矩阵中每行的元素作为一个图像的图像特征,各行对应的图像特征为不同图像的图像特征。在其他实施方式中,也可以将图像特征矩阵中每列的元素作为一个图像的图像特征,各列对应的图像特征为不同图像的图像特征,本公开对图像特征矩阵的排列方式不作具体限定。
S202:对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵;
本公开实施例中,在得到图像特征矩阵之后,可以对得到的图像特征矩阵执行中值滤波处理,得到所述图像特征矩阵对应的中值特征矩阵。其中,中值特征矩阵中的元素为图像特征矩阵中相应元素对应的图像特征的中值。
其中,本公开实施例可以确定所述图像特征矩阵中各所述图像特征针对同一位置的元素中值;基于每个位置的元素中值得到所述中值特征矩阵。
例如,本公开实施例的图像特征矩阵可以表示成对应的,可以得到针对每个相同位置的图像特征的中值。这里的位置是指各图像特征中特征的顺序号对应的位置,例如,各图像特征中的第一个元素可以为(x11,x21,…,xN1),或者,元素位置为j的第j个元素可以为(x1j,x2j,…,xNj),通过上述即可以确定相同位置的元素。本公开实施例的得到的中值特征矩阵的维度可以与图像特征的维度相同,中值特征矩阵可以表示成M=[m1,m2,...,mD],其中任意第j个元素可以为mj=median([m1j,m2j,...,mNj]),j为1到D之间的整数值。其中,median函数为中值函数,即可以得到[m1j,m2j,...,mNj]中特征值的大小位于中间位置的值。其中,可以首先对[m1j,m2j,...,mNj]进行从大到小的排序,在N为奇数时,得到的中值即为中间位置(第(N+1)/2)的图像特征值(元素值),在N为偶数时,得到的中值即为最中间的两个元素值的平均值。
基于上述即可以得到图像特征矩阵中各图像特征对应的中值特征矩阵。
S203:基于所述中值特征矩阵确定各图像特征对应的所述权重系数。
在得到图像特征对应的中值特征矩阵之后,可以利用该中值得到图像特征的权重系数。
在一些可能的实施方式中,可以利用每个图像特征和中值特征矩阵之间的第二误差,并根据该第二误差确定每个图像特征的权重系数。
图7示出根据本公开实施例的一种图像处理方法中步骤S203的流程图。其中,所述基于所述中值特征矩阵确定各图像特征对应的所述权重系数,包括:
S2031:获取各图像特征与所述中值特征矩阵之间的第二误差;
本公开实施例,可以将图像特征与中值特征矩阵中对应元素之间的差值的绝对值之和作为图像特征和中值特征矩阵之间的第二误差。第二误差的表达式可以为:
其中,eh为第h个图像的图像特征Xh与中值特征矩阵之间的第二误差,M表示中值特征矩阵,Xh表示第h个图像的图像特征,h为1到N之间的整数值。
通过上述实施例,即可以获得每个图像特征与中值特征矩阵之间的第二误差,继而可以通过第二误差确定权重系数。
S2032:判断所述第二误差是否满足第二条件,如果是,则执行步骤S2033,反之,则执行步骤S2034。
其中,本公开实施例的第二条件可以第二误差大于第二阈值,该第二阈值可以预先设定的数值,或者也可以是通过每个图像特征与中值特征矩阵之间的第二误差确定的,本公开对此不作具体限定。在一些可能的实施方式中,第二条件的表达式可以为:
eh>K·MADN;
MADN=median([e1,e2,...eN])/0.675;
其中,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量,K为判断阈值,该判断阈值可以为实现设定的数值,如可以为0.8,但不作为本公开实施例的限定,median表示中值滤波函数。即,本公开实施例中的第二阈值可以为各图像特征对应的第二误差的均值与0.675的比值与判断阈值K的乘积,该判断阈值可以为小于1的正数。
通过设定的第二条件或者第二阈值即可以判断图像特征和中值特征矩阵之间的第二误差是否满足第二条件,并根据判断结果执行后续的操作。
S2033:将该图像特征的权重系数配置为第一权值;
本公开实施例在图像特征与中值特征矩阵之间的第二误差满足第二条件时,例如该第二误差大于第二阈值,此时说明该图像特征可能为存在异常,则可以将第一权值确定为该图像特征的权重系数。本公开实施例的第一权值可以为预设的权值系数,例如可以为0,或者在其他实施例中,也可以将第一权值设定成其他值,以减小可能存在异常情况的图像特征对融合特征的影响。
S2034:利用第二方式确定该图像特征的权重系数。
本公开实施例在图像特征与中值特征矩阵之间的第二误差不满足第二条件时,例如该第二误差小于或者等于第二阈值的情况,此时说明该图像特征相对准确,则可以将按照第二方式基于所述第二误差确定该图像特征的权重系数。其中,所述第二方式的表达式可以为:
θh=/1eh;
其中,bh为通过第二方式确定的第h个图像的权重系数,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量。
在图像特征对应的第二误差小于或者等于第二阈值时,即可以通过上述第二方式得到该图像特征的权重系数bh。
基于本公开实施例,可以通过中值滤波的方式得到各图像特征的权重系数,其中,中值滤波确定权重系数的方式可以进一步减少算力开销,可以有效的降低运算和处理的复杂度,同时也能够提高得到的融合特征的精度。
在得到每个图像特征的权重系数之后,即可以执行特征融合处理,例如可以利用每个图像特征与对应的权重系数之间的乘积的加和值,得到所述融合特征。
在本公开一些可能的实施方式中,在得到融合特征之后,本公开实施例还可以利用融合特征执行图像中目标对象的识别操作。例如可以基于融合特征与数据库中存储的各对象的图像进行比较,如果存在相似度大于相似度阈值的第一图像,则可以将该目标对象确定为该第一图像对应的对象,从而完成身份识别、目标识别的操作。在本公开的其他实施例中,也可以执行其他类型的对象的识别操作,本公开对此不作具体限定。
为了更加清楚的说明本公开实施例的过程,下面以人脸图像为例进行举例说明。
本公开实施例可以首先获取关于对象A的不同人脸图像,例如可以获得N张人脸图像,N为大于1的整数。在获得该N张人脸图像之后,可以通过能够提取人脸特征的神经网络提取该N张人脸图像中的人脸特征,形成各图像的人脸特征(图像特征)Xi=[xi1,xi2,xi3,...,xiD]。
在得到各人脸图像的人脸特征之后,可以确定各人脸特征对应的权重系数。本公开实施例可以采用特征拟合的方式获取该权重系数,也可以通过中值滤波的方式获得该权重系数,具体可以根据接收的选择信息确定。其中,在采用特征拟合的方式时,可以首先获得各人脸特征对应的人脸特征矩阵对该图像特征进行特征拟合得到第一权重矩阵,该第一权重矩阵可以表示成b=(XTX+λI)-1XTY,而后可以对第一权重矩阵执行第一优化处理,其中,第一优化处理的迭代函数表示为b(t)=(XTW(t-1)X+λI)-1XTW(t-1)Y,获得优化后的第一权重矩阵,基于该优化后的第一权重矩阵中的参数确定各人脸特征的权重系数。
在采用中值滤波的方式获得权重系数时,同样可以获取图像特征矩阵,再通过获取图像特征矩阵中各图像特征对于相同位置的元素的中值,根据获取的中值确定中值特征矩阵M=[m1,m2,...,mD],而后根据每个图像特征与该中值特征矩阵之间的第二误差确定图像特征的权重系数。
在得到每个图像特征的权重系数之后,即可以利用权重系数和图像特征之间的乘积的加和值,得到融合特征。同时还可以进一步利用该融合特征执行目标检测、目标识别等操作。上述仅为示例性说明本公开实施例的特征融合过程,不作为本公开的具体限定。
综上所述,本公开实施例可以对相同对象的不同特征进行融合,其中,可以根据相同对象的不同图像的图像特征,确定每个图像特征对应的权重系数,通过该权重系数执行图像特征的特征融合,该方式能够提高特征融合的精度。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,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。
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。
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8示出根据本公开实施例的一种图像处理装置的框图,如图8所示本公开实施例的图像处理装置可以包括:
获取模块10,其用于分别获取针对同一对象的多个图像的图像特征;
确定模块20,其用于根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;
融合模块30,其用于基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征。
在一些可能的实施方式中,所述确定模块包括:
第一建立单元,其用于基于各图像的所述图像特征形成图像特征矩阵;
拟合单元,其用于对所述图像特征矩阵执行特征拟合处理,得到第一权重矩阵;
第一确定单元,其用于基于所述第一权重矩阵确定各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述拟合单元还用于利用正则化线性最小二乘估计算法对所述图像特征矩阵执行特征拟合处理,并在预设目标函数为最小值的情况下得到所述第一权重矩阵。
在一些可能的实施方式中,所述确定模块还包括优化单元,其用于对所述第一权重矩阵执行第一优化处理;
所述第一确定单元还用于将所述第一权重矩阵中包括的各第一权重系数确定为各图像特征对应的所述权重系数;或者将优化后的第一权重矩阵中包括的各第一权重系数确定为各图像特征对应的所述权重系数。
在一些可能的实施方式中,优化单元还用于基于所述第一权重矩阵中包括的各图像特征的第一权重系数,确定各图像的拟合图像特征;
利用各图像的图像特征和所述拟合图像特征之间的第一误差,执行所述第一权重矩阵的第一优化处理,得到第一优化权重矩阵;
响应于所述第一权重矩阵和第一优化权重矩阵之间的差值满足第一条件,将所述第一优化权重矩阵确定为优化后的所述第一权重矩阵,以及
响应于第一权重矩阵和第一优化权重矩阵之间的差值不满足第一条件,利用所述第一优化权重矩阵获得新的拟合图像特征,基于所述新的拟合图像特征重复执行所述第一优化处理,直至得到的第k优化权重矩阵与所述第k-1优化权重矩阵之间的差值满足所述第一条件,将第k优化权重矩阵确定为优化后的第一权重矩阵,其中k为大于1的正整数;
其中,所述拟合图像特征为所述图像特征与相应的第一权重系数的乘积。
在一些可能的实施方式中,所述优化单元还用于根据各图像特征和所述拟合图像特征中相应元素之间的差值的平方和,得到所述图像特征和所述拟合图像特征之间的第一误差;
基于各所述第一误差得到各图像特征的第二权重系数;
基于各图像的第二权重系数执行所述第一权重矩阵的第一优化处理,得到所述第一权重矩阵对应的第一优化权重矩阵。
在一些可能的实施方式中,所述优化单元还用于通过第一方式,基于各所述第一误差得到各图像特征的第二权重系数,其中所述第一方式的表达式为:
其中,wi为第i个图像的第二权重系数,ei表示第i个图像特征与其对应的拟合图像特征之间的第一误差,i为1到N之间的整数,N为图像特征的数量,k=1.345σ,σ是误差ei的标准差。
在一些可能的实施方式中,所述确定模块还包括:
第二建立单元,其用于基于各图像的所述图像特征形成图像特征矩阵;
滤波单元,其用于对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵;
第二确定单元,其用于基于所述中值特征矩阵确定各图像特征对应的所述权重系数。
在一些可能的实施方式中,所述滤波单元还用于确定所述图像特征矩阵中各所述图像特征针对同一位置的元素中值;
基于每个位置的元素中值得到所述中值特征矩阵。
在一些可能的实施方式中,所述第二确定单元还用于获取各图像特征与所述中值特征矩阵之间的第二误差;
响应于图像特征与中值特征矩阵之间的所述第二误差满足第二条件,将该图像特征的权重系数配置为第一权值,响应于图像特征与中值特征矩阵之间的所述第二误差不满足第二条件,利用第二方式确定该图像特征的权重系数。
在一些可能的实施方式中,所述第二方式的表达式为:
θh=/1eh;
其中,bh为通过第二方式确定的第h个图像的权重系数,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量。
在一些可能的实施方式中,所述第二条件为:
eh>K·MADN;
MADN=median([e1,e2,...eN])/0.675;
其中,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量,K为判断阈值,median表示中值滤波函数。
在一些可能的实施方式中,所述融合模块还用于利用各图像特征与对应的权重系数之间的乘积的加和值,得到所述融合特征。
在一些可能的实施方式中,所述装置还包括识别模块,其用于利用所述融合特征执行所述相同对象的识别操作。
在一些可能的实施方式中,所述装置还包括模式确定模块,其用于针对权重系数的获取模式的选择信息,并基于选择信息确定所述权重系数的获取模式,所述权重系数的获取模式包括利用特征拟合的方式获取所述权重系数和利用中值滤波的方式获取所述权重系数。
所述确定模块还用于基于确定的所述权重系数的获取模式,执行所述据各图像的图像特征,确定与各所述图像特征对应的权重系数。
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9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9,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10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10,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 (10)
1.一种图像处理方法,其特征在于,包括:
分别获取针对同一对象的多个图像的图像特征;
根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;
基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征,
其中,所述根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数,包括:
基于各图像的所述图像特征,形成图像特征矩阵;
对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵,所述中值滤波处理包括确定各图像的所述图像特征针对同一位置的元素中值,基于每个位置的元素中值得到中值特征矩阵;
基于所述中值特征矩阵,确定各图像特征对应的所述权重系数。
2.根据权利要求1所述的方法,其特征在于,所述对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵,包括:
确定所述图像特征矩阵中各所述图像特征针对同一位置的元素中值;
基于每个位置的元素中值得到所述中值特征矩阵。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述中值特征矩阵,确定各图像特征对应的所述权重系数,包括:
获取各图像特征与所述中值特征矩阵之间的第二误差;
响应于图像特征与中值特征矩阵之间的所述第二误差满足第二条件,将该图像特征的权重系数配置为第一权值,响应于图像特征与中值特征矩阵之间的所述第二误差不满足第二条件,利用第二方式确定该图像特征的权重系数。
5.根据权利要求3或4所述的方法,其特征在于,所述第二条件为:
eh>K·MADN;
MADN=median([e1,e2,...eN])/0.675;
其中,eh为第h个图像的图像特征与中值特征矩阵之间的第二误差,h为1到N的整数值,N表示图像的数量,K为判断阈值,median表示中值滤波函数。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征,包括:
利用各图像特征与对应的权重系数之间的乘积的加和值,得到所述融合特征。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,所述方法还包括:
利用所述融合特征执行所述同一对象的识别操作。
8.一种图像处理装置,其特征在于,包括:
获取模块,其用于分别获取针对同一对象的多个图像的图像特征;
确定模块,其用于根据各图像的图像特征,确定与各所述图像特征一一对应的权重系数;
融合模块,其用于基于各所述图像特征的权重系数,对所述多个图像的图像特征执行特征融合处理,得到所述多个图像的融合特征,
其中,所述确定模块包括:
建立单元,其用于基于各图像的所述图像特征,形成图像特征矩阵;
滤波单元,其用于对所述图像特征矩阵执行中值滤波处理,得到中值特征矩阵,所述中值滤波处理包括确定各图像的所述图像特征针对同一位置的元素中值,基于每个位置的元素中值得到中值特征矩阵;
确定单元,其用于基于所述中值特征矩阵,确定各图像特征对应的所述权重系数。
9.一种电子设备,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:执行权利要求1至8中任意一项所述的方法。
10.一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8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796809.XA CN113537048A (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796809.XA CN113537048A (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
CN201910228716.XA CN109977860B (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910228716.XA Division CN109977860B (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537048A true CN113537048A (zh) | 2021-10-22 |
Family
ID=67080466
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910228716.XA Active CN109977860B (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
CN202110796809.XA Pending CN113537048A (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
CN202110796805.1A Pending CN113486830A (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910228716.XA Active CN109977860B (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110796805.1A Pending CN113486830A (zh) | 2019-03-25 | 2019-03-25 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210342632A1 (zh) |
JP (1) | JP7098763B2 (zh) |
KR (1) | KR102389766B1 (zh) |
CN (3) | CN109977860B (zh) |
SG (1) | SG11202108147UA (zh) |
TW (1) | TWI778313B (zh) |
WO (1) | WO2020192113A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977860B (zh) * | 2019-03-25 | 2021-07-16 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112289306B (zh) * | 2020-11-18 | 2024-03-26 | 上海依图网络科技有限公司 | 一种基于人体特征的未成年人识别的方法及装置 |
TWI796072B (zh) * | 2021-12-30 | 2023-03-11 | 關貿網路股份有限公司 | 身分辨識系統、方法及其電腦可讀媒體 |
CN114627431B (zh) * | 2022-02-22 | 2023-07-21 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
CN115334239B (zh) * | 2022-08-10 | 2023-12-15 | 青岛海信移动通信技术有限公司 | 前后摄像头拍照融合的方法、终端设备和存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100745981B1 (ko) * | 2006-01-13 | 2007-08-06 | 삼성전자주식회사 | 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치 |
KR20120066462A (ko) * | 2010-12-14 | 2012-06-22 | 한국전자통신연구원 | 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치 |
CN103218798A (zh) * | 2012-01-19 | 2013-07-24 | 索尼公司 | 图像处理设备和方法 |
CN106803055B (zh) * | 2015-11-26 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置 |
JP6679373B2 (ja) * | 2016-03-28 | 2020-04-15 | パナソニックi−PROセンシングソリューションズ株式会社 | 顔検出装置、顔検出方法及び顔認識システム |
TWI731920B (zh) * | 2017-01-19 | 2021-07-01 | 香港商斑馬智行網絡(香港)有限公司 | 圖像特徵提取方法、裝置、終端設備及系統 |
JP2018120527A (ja) * | 2017-01-27 | 2018-08-02 | 株式会社リコー | 画像処理装置、画像処理方法及び画像処理システム |
CN108304789A (zh) * | 2017-12-12 | 2018-07-20 | 北京深醒科技有限公司 | 脸部识别方法及装置 |
CN108259774B (zh) * | 2018-01-31 | 2021-04-16 | 珠海市杰理科技股份有限公司 | 图像合成方法、系统和设备 |
CN108460365B (zh) * | 2018-03-27 | 2022-04-12 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
CN109165551B (zh) * | 2018-07-13 | 2021-08-31 | 广东工业大学 | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 |
CN109472211A (zh) * | 2018-10-16 | 2019-03-15 | 深圳爱莫科技有限公司 | 人脸识别方法及装置 |
CN109977860B (zh) * | 2019-03-25 | 2021-07-16 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2019
- 2019-03-25 CN CN201910228716.XA patent/CN109977860B/zh active Active
- 2019-03-25 CN CN202110796809.XA patent/CN113537048A/zh active Pending
- 2019-03-25 CN CN202110796805.1A patent/CN113486830A/zh active Pending
- 2019-10-30 JP JP2020573111A patent/JP7098763B2/ja active Active
- 2019-10-30 WO PCT/CN2019/114465 patent/WO2020192113A1/zh active Application Filing
- 2019-10-30 SG SG11202108147UA patent/SG11202108147UA/en unknown
- 2019-10-30 KR KR1020217002882A patent/KR102389766B1/ko active IP Right Grant
- 2019-12-19 TW TW108146760A patent/TWI778313B/zh active
-
2021
- 2021-07-19 US US17/378,931 patent/US20210342632A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
TW202036476A (zh) | 2020-10-01 |
TWI778313B (zh) | 2022-09-21 |
SG11202108147UA (en) | 2021-08-30 |
JP2021530047A (ja) | 2021-11-04 |
WO2020192113A1 (zh) | 2020-10-01 |
KR102389766B1 (ko) | 2022-04-22 |
KR20210024631A (ko) | 2021-03-05 |
CN109977860B (zh) | 2021-07-16 |
CN109977860A (zh) | 2019-07-05 |
CN113486830A (zh) | 2021-10-08 |
US20210342632A1 (en) | 2021-11-04 |
JP7098763B2 (ja) | 2022-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11532180B2 (en) | Image processing method and device and storage medium | |
US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN109977860B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110390394B (zh) | 批归一化数据的处理方法及装置、电子设备和存储介质 | |
WO2021031609A1 (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109829863A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114338083A (zh) | 控制器局域网络总线异常检测方法、装置和电子设备 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN113673433A (zh) | 一种行为识别方法及装置、电子设备和存储介质 | |
CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109325141B (zh) | 图像检索方法及装置、电子设备和存储介质 | |
CN111507131A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN112734015B (zh) | 网络生成方法及装置、电子设备和存储介质 | |
CN111178115A (zh) | 对象识别网络的训练方法及系统 | |
CN114973359A (zh) | 表情识别方法及装置、电子设备和存储介质 | |
CN114549983A (zh) | 计算机视觉模型训练方法及装置、电子设备和存储介质 | |
CN107992893B (zh) | 压缩图像特征空间的方法及装置 | |
CN109543544B (zh) | 跨光谱图像匹配方法及装置、电子设备和存储介质 | |
CN111723715B (zh) | 一种视频显著性检测方法及装置、电子设备和存储介质 | |
CN114519800A (zh) | 图像分类方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |