CN113592732B - 基于大数据和智慧安防的图像处理方法 - Google Patents
基于大数据和智慧安防的图像处理方法 Download PDFInfo
- Publication number
- CN113592732B CN113592732B CN202110814257.0A CN202110814257A CN113592732B CN 113592732 B CN113592732 B CN 113592732B CN 202110814257 A CN202110814257 A CN 202110814257A CN 113592732 B CN113592732 B CN 113592732B
- Authority
- CN
- China
- Prior art keywords
- face
- repairing
- repaired
- image
- dimensional model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008439 repair process Effects 0.000 claims description 107
- 230000001815 facial effect Effects 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于大数据和智慧安防的图像处理方法，其包括：接收安防终端发送的安防图像处理请求。根据原始面部三维模型和面部修复部位获取待修复面特征，并根据待修复面特征得到多阶重构图的重构图生成树；根据重构图生成树的最大损失值和最小损失值生成第一修复约束函数从而得到第一修复匹配图像；根据第二修复约束函数获取第一修复匹配图像的修复匹配度，并将修复匹配度最大的第一修复匹配图像作为第二修复匹配图像；将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型并将其发送到相应的安防终端。
Description
技术领域
本发明涉及大数据和智慧安防领域，尤其涉及一种基于大数据和智慧安防的图像处理方法。
背景技术
智慧安防是以互联网、物联网、云计算、智能引擎、视频技术、数据挖掘、知识管理等为技术支撑，充分利用云技术、视频物联网、大数据和视频智能分析技术、数字集群等前沿科技，通过面向实战和服务民众的顶层设计，以及面向安防信息的高度共享机制、系统的强度整合机制、应用的深度分析机制等建设，以安防信息化为核心，通过互联化、物联化、智能化的方式，促进安防系统各个功能模块高度集成、协调运作，实现安防信息“强度整合、高度共享、深度应用”之目标的安防发展新理念和新模式。
现有技术中，通常为安防人员根据监测拍摄的图像进行人员识别，用这种传统方式进行人员识别不仅结果不精确，同时还极大程度消耗人力物力资源。
发明内容
有鉴于此，本发明提供了一种基于大数据和智慧安防的图像处理方法，包括：接收安防终端发送的安防图像处理请求；所述安防图像处理请求包括原始面部三维模型、面部修复图像集和面部修复部位；
根据原始面部三维模型和面部修复部位生成待修复面部三维模型并提取待修复面部三维模型的待修复面特征；
根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点，并根据所有修复点间的位置关系进行多阶重构以得到多阶重构图，然后对所述多阶重构图的结构进行分析以构造多阶重构图的重构图生成树；
根据重构图生成树的最大损失值和最小损失值生成第一修复约束函数并将面部修复图像集中符合第一修复约束函数的面部修复图像作为第一修复匹配图像；
根据第一修复匹配图像和待修复面特征生成第二修复约束函数，并根据第二修复约束函数获取每个第一修复匹配图像的修复匹配度，然后将修复匹配度最大的第一修复匹配图像作为第二修复匹配图像；
将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型并将其发送到相应的安防终端。
根据一个优选地实施方式，提取待修复面部三维模型的待修复面特征包括：
获取待修复面部三维模型的每个特征点的特征值，并将特征值大于特征阈值的特征点作为修复点，然后将所有修复点的特征值进行加权平均以得到平均特征值；
将每个修复点的特征值与平均特征值进行比较，将特征值大于或等于平均特征值的修复点作为第一类修复点，将特征值小于平均特征值的修复点作为第二类修复点；
根据所有的第一类修复点生成第一类修复点集，并根据所有的第二类修复点生成第二类修复点集。
根据一个优选地实施方式，提取待修复面部三维模型的待修复面特征包括：
获取每个第一类修复点与第一类修复点集中其他第一类修复点的距离，并将每个第一类修复点与其距离最近的其他第一类修复点进行连接；
获取每个第二类修复点与第二类修复点集中其他第二类修复点的距离，并将每个第二类修复点与其距离最近的其他第二类修复点进行连接；
根据待修复面部三维模型的所有修复点间的连接关系得到待修复面部三维模型的待修复面特征。
根据一个优选地实施方式，所述第一修复约束函数为：
|MinP-MinQi|2≤θ1and|MaxP-MaxQi|2≤θ2
其中，θ1为第一约束阈值，θ2为第二约束阈值，MinP为待修复面的最小损失值，MaxP待修复面的最大损失值，MinQi为面部修复图像集中第i张面部修复图像的最小损失值，MaxQi为面部修复图像集中第i张面部修复图像的最大损失值。
根据一个优选地实施方式，根据第一修复匹配图像和待修复面特征生成第二修复约束函数包括：
根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点并根据待修复面的所有修复点得到修复点集；
提取每个第一修复匹配图像的连接面特征，并根据每个第一修复匹配图像的连接面特征获取每个第一修复匹配图像的连接面的所有特征点，然后根据每个第一修复匹配图像的连接面的所有特征点得到每个第一修复匹配图像的连接面特征点集；
根据修复点集、每个第一修复匹配图像的连接面特征点集生成第二修复约束函数。
根据一个优选地实施方式，根据第二修复约束函数得到第二修复匹配图像包括：
根据第二修复约束函数计算待修复面特征与每个第一修复匹配图像的连接面特征的相似度以得到每个第一修复匹配图像的修复匹配度；
选取修复匹配度最大的第一修复匹配图像作为第二修复匹配图像。
根据一个优选地实施方式，所述第二修复约束函数为：
其中，d为修复匹配度，r为距离函数，T1为修复点集，
为第j个第一修复匹配图像的连接面特征点集。
根据一个优选地实施方式，将修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型包括：
确定修复匹配图像和待修复面部三维模型的拟合位置和拟合方向，然后根据拟合位置和拟合方向将待修复面部三维模型和修复匹配图像进行拟合以得到标准面部三维模型。
根据一个优选地实施方式，所述待修复面部三维模型为移除原始面部三维模型中面部修复部位后的面部三维模型；所述面部修复图像集中包括各监测设备采集的与原始面部三维模型有关的面部图像。安防终端为安防人员使用的终端设备，其包括：智能手机、平板电脑、台式电脑和智能手表。
本发明具有以下有益效果：本发明提供的基于大数据和智慧安防的图像处理方法能够根据安防人员发送的安防图像处理请求对目标人员的原始面部三维图像进行修复以清晰展示目标人员的面部特征，在提高人员识别的精确度的同时减少人力物力资源的浪费。
附图说明
图1为一示例性实施例提供的基于大数据和智慧安防的图像处理方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，在一个实施例中，基于大数据和智慧安防的图像处理方法可以包括：
S1、接收安防终端发送安防图像处理请求。
安防终端为安防人员使用的终端设备，其包括：智能手机、平板电脑、台式电脑和智能手表。安防图像处理请求包括原始面部三维模型、面部修复图像集和面部修复部位，其用于指示安防图像处理平台对原始面部三维模型进行修复。
原始面部三维模型为将人员面部图像融合处理所得。人员面部图像为监测设备经多维度拍摄得到不同角度人员图像。面部修复部位为安防人员需要对人员的原始面部三维模型进行修复的面部部位，所述面部部位可按照人脸五官进行划分，例如，按照人脸五官划分的面部部位为：眼部、鼻部、唇部、眉部和耳部。所述面部部位还可为根据人脸五官划分的结果进行细分得到的部位。
S2、根据原始面部三维模型和面部修复部位生成待修复面部三维模型并提取待修复面部三维模型的待修复面特征。
在一个实施例中，待修复面部三维模型为根据安防图像处理请求中的面部修复部位从原始面部三维模型查找到用户的面部修复部位进行移除以生成待修复面部三维模型，即，根据面部修复部位指示的部位信息从原始面部三维模型中查找到对应面部部位，根据所述面部部位对原始面部三维模型中面部修复部位进行标记，根据标记移除原始面部三维模型中面部修复部位以得到待修复面部三维模型。例如，可用不同颜色的网格标记出原始面部三维模型中的面部修复部位，将所述面部修复部位的颜色更改为透明以达到移除的效果。
在一个实施例中，提取待修复面部三维模型的待修复面特征包括：
获取待修复面部三维模型的每个特征点的特征值，并将特征值大于特征阈值的特征点作为修复点，然后将所有修复点的特征值进行加权平均以得到平均特征值；
将每个修复点的特征值与平均特征值进行比较，将特征值大于或等于平均特征值的修复点作为第一类修复点，将特征值小于平均特征值的修复点作为第二类修复点；
根据所有的第一类修复点生成第一类修复点集，并根据所有的第二类修复点生成第二类修复点集。
在一个实施例中，提取待修复面部三维模型的待修复面特征包括：
获取每个第一类修复点与第一类修复点集中其他第一类修复点的距离，并将每个第一类修复点与其距离最近的其他第一类修复点进行连接；
获取每个第二类修复点与第二类修复点集中其他第二类修复点的距离，并将每个第二类修复点与其距离最近的其他第二类修复点进行连接；
根据待修复面部三维模型的所有修复点间的连接关系得到待修复面部三维模型的待修复面特征。待修复面特征可供进行特征重构以筛选出与待修复面最匹配的面部修复图像。
S3、根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点，并根据所有修复点间的位置关系进行多阶重构以得到多阶重构图，然后对所述多阶重构图的结构进行分析以构造多阶重构图的重构图生成树。
S4、根据重构图生成树的最大损失值和最小损失值生成第一修复约束函数并将面部修复图像集中符合第一修复约束函数的面部修复图像作为第一修复匹配图像。
在另一个实施例中，从面部修复图像集中选择符合第一修复约束函数的面部修复图像可以包括：
从面部修复图像集中的选择一个面部修复图像作为目标面部修复图像；
判断目标面部修复图像是否符合第一修复约束函数；
在目标面部修复图像符合第一修复约束函数时，将目标面部修复图像添加至第一修复匹配图像集，将目标面部修复图像从面部修复图像集中删除；
在目标面部修复图像不符合第一修复约束函数时，将目标面部修复图像从面部修复图像集中删除；
重复以上步骤直到分析完面部修复图像集中所有面部修复图像以得到第一修复匹配图像集。
具体地，第一修复约束函数用于对面部修复图像集中的面部修复进行初筛，以得到满足第一修复约束函数的面部修复图像，并根据所有满足第一修复约束函数的面部修复图像得到第一修复匹配图像集。第一修复匹配图像集为所有满足第一修复约束函数的面部修复图像的集合，以供安防图像处理平台根据第二修复约束函数从所述第一修复匹配图像集中选取第二修复匹配图像拟合至待修复面部三维模型以得到标准面部三维模型。
在一个实施例中，第一修复约束函数为：
|MinP-MinQi|2≤θ1and|MaxP-MaxQi|2≤θ2
其中，θ1为第一约束阈值，θ2为第二约束阈值，MinP为待修复面的最小损失值，MaxP待修复面的最大损失值，MinQi为面部修复图像集中第i张面部修复图像的最小损失值，MaxQi为面部修复图像集中第i张面部修复图像的最大损失值。
第一约束阈值可以为系统根据实际情况预先设置的阈值，第二约束阈值可以为系统根据实际情况预先设置的阈值。
在任何有关物体特征提取的方法中，在目标物体的特征转化为相应的参数，即将目标物体的特征转化为可用于数值计算的数据时，目标物体的特征将被点集化，以根据相应选取规则从点集中选择目标物体的不同特征点，减少特征转化的数据量和计算量，因此，在特征提取的过程中目标物体的特征会出现损失。
最大损失值为根据待修复面特征构造多阶重构图和重构图生成树的过程中待修复面的特征的最大损失值。最小损失值为根据待修复面特征构造多阶重构图和重构图生成树的过程中待修复面的特征的最小损失值。
S5、根据第一修复匹配图像和待修复面特征生成第二修复约束函数，并根据第二修复约束函数获取每个第一修复匹配图像的修复匹配度，然后将修复匹配度最大的第一修复匹配图像作为第二修复匹配图像。
在一个实施例中，根据第一修复匹配图像和待修复面特征生成第二修复约束函数包括：
根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点并根据待修复面的所有修复点得到修复点集；
提取每个第一修复匹配图像的连接面特征，并根据每个第一修复匹配图像的连接面特征获取每个第一修复匹配图像的连接面的所有特征点，然后根据每个第一修复匹配图像的连接面的所有特征点得到每个第一修复匹配图像的连接面特征点集；
根据修复点集、每个第一修复匹配图像的连接面特征点集生成第二修复约束函数。
在一个实施例中，根据第二修复约束函数得到第二修复匹配图像包括：
根据第二修复约束函数计算待修复面特征与每个第一修复匹配图像的连接面特征的相似度以得到每个第一修复匹配图像的修复匹配度；
选取修复匹配度最大的第一修复匹配图像作为第二修复匹配图像。
第二修复约束函数用于对第一修复匹配图像集中的第一修复匹配图像进行精确匹配，以找到待修复面部三维模型最终的第二修复匹配图像。
在一个实施例中，第二修复约束函数为：
其中，d为修复匹配度，r为距离函数，T1为修复点集，
为第j个第一修复匹配图像的连接面特征点集。
在一个实施例中，距离函数包括第一距离函数和第二距离函数。
第一距离函数为：
T1为修复点集，
为第j个第一修复匹配图像的连接面特征点集。
第二距离函数为：
T1为修复点集，
为第j个第一修复匹配图像的连接面特征点集。
根据第二修复约束函数从第一修复匹配图像集中选取第二修复匹配图像，以根据待修复面部三维模型和第二修复匹配图像进行拟合得到标准面部三维模型。
S6、将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型并将其发送到相应的安防终端。
在一个实施例中，将修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型包括：
确定修复匹配图像和待修复面部三维模型的拟合位置和拟合方向，然后根据拟合位置和拟合方向将待修复面部三维模型和修复匹配图像进行拟合以得到标准面部三维模型。
待修复面部三维模型为移除原始面部三维模型中面部修复部位后的面部三维模型；所述面部修复图像集中包括各监测设备采集的与原始面部三维模型有关的面部图像。
在一个实施例中，原始面部三维模型为根据监测设备采集的目标人员的面部图像进行图像建模得到的面部三维图像，面部修复部位为安防人员认为原始面部三维模型不能清晰展示目标人员的面部部位特征的面部部位，即，需要修复的面部部位。面部修复图像集为其他监测设备采集的目标人员的面部图像。
将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型，并将其发送到相应的安防终端，安防终端通过UI界面将接收到的标准面部三维模型进行人员识别。
本发明具有以下有益效果：本发明提供的基于大数据和智慧安防的图像处理方法能够根据安防人员发送的安防图像处理请求对目标人员的原始面部三维图像进行修复以清晰展示目标人员的面部特征，在提高人员识别的精确度的同时减少人力物力资源的浪费。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (6)
1.一种基于大数据和智慧安防的图像处理方法，其特征在于，接收安防终端发送的安防图像处理请求；所述安防图像处理请求包括原始面部三维模型、面部修复图像集和面部修复部位；
根据原始面部三维模型和面部修复部位生成待修复面部三维模型，并提取待修复面部三维模型的待修复面特征；提取待修复面部三维模型的待修复面特征包括：获取待修复面部三维模型的每个特征点的特征值，并将特征值大于特征阈值的特征点作为修复点，然后将所有修复点的特征值进行加权平均以得到平均特征值；将每个修复点的特征值与平均特征值进行比较，将特征值大于或等于平均特征值的修复点作为第一类修复点，将特征值小于平均特征值的修复点作为第二类修复点；根据所有的第一类修复点生成第一类修复点集，并根据所有的第二类修复点生成第二类修复点集；获取每个第一类修复点与第一类修复点集中其他第一类修复点的距离，并将每个第一类修复点与其距离最近的其他第一类修复点进行连接；获取每个第二类修复点与第二类修复点集中其他第二类修复点的距离，并将每个第二类修复点与其距离最近的其他第二类修复点进行连接；根据待修复面部三维模型的所有修复点间的连接关系得到待修复面部三维模型的待修复面特征；
根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点，并根据所有修复点间的位置关系进行多阶重构以得到多阶重构图，然后对所述多阶重构图的结构进行分析以构造多阶重构图的重构图生成树；
根据重构图生成树的最大损失值和最小损失值生成第一修复约束函数并将面部修复图像集中符合第一修复约束函数的面部修复图像作为第一修复匹配图像；最大损失值为根据待修复面特征构造多阶重构图和重构图生成树的过程中待修复面的特征的最大损失值；最小损失值为根据待修复面特征构造多阶重构图和重构图生成树的过程中待修复面的特征的最小损失值；
根据第一修复匹配图像和待修复面特征生成第二修复约束函数，并根据第二修复约束函数获取每个第一修复匹配图像的修复匹配度，然后将修复匹配度最大的第一修复匹配图像作为第二修复匹配图像；
将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型并将其发送到相应的安防终端；将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型包括：确定第二修复匹配图像和待修复面部三维模型的拟合位置和拟合方向，然后根据拟合位置和拟合方向将待修复面部三维模型和第二修复匹配图像进行拟合以得到标准面部三维模型。
2.根据权利要求1所述的方法，其特征在于，所述第一修复约束函数为：
|MinP-MinQi|2≤θ1and|MaxP-MaxQi|2≤θ2
其中，θ1为第一约束阈值，θ2为第二约束阈值，MinP为待修复面的最小损失值，MaxP待修复面的最大损失值，MinQi为面部修复图像集中第i张面部修复图像的最小损失值，MaxQi为面部修复图像集中第i张面部修复图像的最大损失值。
3.根据权利要求2所述的方法，其特征在于，根据第一修复匹配图像和待修复面特征生成第二修复约束函数包括：
根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点并根据待修复面的所有修复点得到修复点集；
提取每个第一修复匹配图像的连接面特征，并根据每个第一修复匹配图像的连接面特征获取每个第一修复匹配图像的连接面的所有特征点，然后根据每个第一修复匹配图像的连接面的所有特征点得到每个第一修复匹配图像的连接面特征点集；
根据修复点集、每个第一修复匹配图像的连接面特征点集生成第二修复约束函数。
4.根据权利要求3所述的方法，其特征在于，根据第二修复约束函数得到第二修复匹配图像包括：
根据第二修复约束函数计算待修复面特征与每个第一修复匹配图像的连接面特征的相似度以得到每个第一修复匹配图像的修复匹配度；
选取修复匹配度最大的第一修复匹配图像作为第二修复匹配图像。
5.根据权利要求4所述的方法，其特征在于，所述第二修复约束函数为：
其中，d为修复匹配度，r为距离函数，T1为修复点集，
为第j个第一修复匹配图像的连接面特征点集。
6.根据权利要求5所述的方法，其特征在于，所述待修复面部三维模型为移除原始面部三维模型中面部修复部位后的面部三维模型；所述面部修复图像集中包括各监测设备采集的与原始面部三维模型有关的面部图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814257.0A CN113592732B (zh) | 2021-07-19 | 2021-07-19 | 基于大数据和智慧安防的图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814257.0A CN113592732B (zh) | 2021-07-19 | 2021-07-19 | 基于大数据和智慧安防的图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592732A CN113592732A (zh) | 2021-11-02 |
| CN113592732B true CN113592732B (zh) | 2023-03-24 |
Family
ID=78248060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814257.0A Active CN113592732B (zh) | 2021-07-19 | 2021-07-19 | 基于大数据和智慧安防的图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592732B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734728A (zh) * | 2018-04-25 | 2018-11-02 | 西北工业大学 | 一种基于高分辨序列图像的空间目标三维重构方法 |
| CN109389562A (zh) * | 2018-09-29 | 2019-02-26 | 深圳市商汤科技有限公司 | 图像修复方法及装置 |
| CN111724310A (zh) * | 2019-03-21 | 2020-09-29 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301629A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于变换域联合稀疏表示的图像重构方法 |
| KR102655949B1 (ko) * | 2018-05-30 | 2024-04-09 | 삼성전자주식회사 | 3d 영상 기반의 얼굴 인증 방법 및 장치 |
| CN109118569B (zh) * | 2018-08-16 | 2023-03-10 | Oppo广东移动通信有限公司 | 基于三维模型的渲染方法和装置 |
| CN110020996A (zh) * | 2019-03-18 | 2019-07-16 | 浙江传媒学院 | 一种基于先验知识约束的图像修复方法、系统以及计算机设备 |
| CN111127613B (zh) * | 2019-12-25 | 2023-06-16 | 华南理工大学 | 基于扫描电子显微镜的图像序列三维重构方法及系统 |
| CN111415419B (zh) * | 2020-03-19 | 2021-10-29 | 西安知北信息技术有限公司 | 基于多源图像的牙体修复模型制作方法和系统 |
| CN113034393A (zh) * | 2021-03-25 | 2021-06-25 | 北京百度网讯科技有限公司 | 照片修复方法、装置、设备以及存储介质 |
-
2021
- 2021-07-19 CN CN202110814257.0A patent/CN113592732B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734728A (zh) * | 2018-04-25 | 2018-11-02 | 西北工业大学 | 一种基于高分辨序列图像的空间目标三维重构方法 |
| CN109389562A (zh) * | 2018-09-29 | 2019-02-26 | 深圳市商汤科技有限公司 | 图像修复方法及装置 |
| CN111724310A (zh) * | 2019-03-21 | 2020-09-29 | 马上消费金融股份有限公司 | 图像修复模型的训练方法、图像修复方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592732A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210312166A1 (en) | System and method for face recognition based on dynamic updating of facial features | |
| CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
| CN111242097B (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
| CN111460138A (zh) | 一种基于bim的数字化工程监理方法与系统 | |
| EP4137991A1 (en) | Pedestrian re-identification method and device | |
| WO2019167784A1 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
| CN115828112A (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
| CN105684046A (zh) | 生成图像组成 | |
| CN116342332B (zh) | 基于互联网的辅助审判方法、装置、设备及存储介质 | |
| CN114842524B (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
| CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
| CN114332559A (zh) | 一种基于自适应跨模态融合机制和深度注意力网络的rgb-d显著性目标检测方法 | |
| CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
| CN114120413A (zh) | 模型训练方法、图像合成方法、装置、设备及程序产品 | |
| CN106530198A (zh) | 基于参数拟合安全容量的自适应批量隐写方法 | |
| CN111582278B (zh) | 人像分割方法、装置及电子设备 | |
| CN113592732B (zh) | 基于大数据和智慧安防的图像处理方法 | |
| CN110414792B (zh) | 基于bim和大数据的部品集采管理系统及相关产品 | |
| CN116431827A (zh) | 信息处理方法、装置、存储介质及计算机设备 | |
| CN115830641A (zh) | 一种员工识别方法、装置、电子设备及存储介质 | |
| CN113298112B (zh) | 一种一体化数据智能标注方法及系统 | |
| CN113378723B (zh) | 一种基于深度残差网络的输变电线路隐患自动安全识别系统 | |
| CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 | |
| KR102309926B1 (ko) | 건물 정보 모델을 이용한 건물 객체 인식 장치를 위한 학습 데이터 생성 장치 및 방법 | |
| CN113609928B (zh) | 基于云计算和图像识别的智慧城市管理系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230307 Address after: Floor 3, Building A4, Phase I, Zhong'an Chuanggu Science Park, No. 900, Wangjiang West Road, High-tech Zone, Hefei, Anhui Province, 230088 Applicant after: ANHUI SAIDA TECHNOLOGY Co.,Ltd. Address before: 650106 Yunnan Software Park, No. 220, 2nd Ring West Road, high tech Zone, Kunming, Yunnan Applicant before: Yang Wei |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |