CN113676654A - 一种图像截取方法、装置、设备及计算机可读存储介质 - Google Patents

一种图像截取方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113676654A
CN113676654A CN202010408352.6A CN202010408352A CN113676654A CN 113676654 A CN113676654 A CN 113676654A CN 202010408352 A CN202010408352 A CN 202010408352A CN 113676654 A CN113676654 A CN 113676654A
Authority
CN
China
Prior art keywords
image
initial
stored
fingertip
fingertip point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010408352.6A
Other languages
English (en)
Other versions
CN113676654B (zh
Inventor
熊宇龙
向少雄
李叶伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan TCL Group Industrial Research Institute Co Ltd
Original Assignee
Wuhan TCL Group Industrial Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan TCL Group Industrial Research Institute Co Ltd filed Critical Wuhan TCL Group Industrial Research Institute Co Ltd
Priority to CN202010408352.6A priority Critical patent/CN113676654B/zh
Publication of CN113676654A publication Critical patent/CN113676654A/zh
Application granted granted Critical
Publication of CN113676654B publication Critical patent/CN113676654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80Camera processing pipelines; Components thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于计算机技术领域,提供了一种图像截取方法、图像截取装置、图像截取设备及计算机可读存储介质。该图像截取方法包括:获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;获取所述初始图像对应的映射矩阵;基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;基于所述第二指尖点确定所述预存图像的截图区域。该方法的适应性较强。并且,该方法对硬件的需求度低,能够精准、快速的提取的截图区域的图像,提高了图像截取的精度,提高了图像截取的效率。

Description

一种图像截取方法、装置、设备及计算机可读存储介质
技术领域
本申请属于计算机技术领域,尤其涉及一种图像截取方法、图像截取装置、图像截取设备及计算机可读存储介质。
背景技术
随着新技术的涌现和人们对智能生活的追求,便捷快速的交互感往往成为用户的核心关注点。当用户在进行实体阅读时,如果阅读到感兴趣的部分时,用户通常希望对感兴趣的部分进行截取保存。目前现有的图像截取方法主要有两种,第一种方法为手动标注法,即用户通过相机拍照获取原始图像后,从原始图像中手动分割出感兴趣区域的图像。该方法需要用户进行手动分割,分割时图像旋转难以对齐,无法精准的提取图像,费时费力;第二种方法为直接采集感兴趣的区域图像,该方法硬件成本较高,不适应旋转仿射,截取时没有进行精细分割,导致获取的图像不够精准,并且截取图像耗时很长。所以,现在有技术中在用户进行实体阅读时,对感兴趣区域的图像截取的方法存在图像截取不精准,截取效率低的问题。
发明内容
本申请实施例提供了一种图像截取方法、装置、设备及计算机存储介质,可以解决现在有技术中在用户进行实体阅读时,对感兴趣区域的图像截取的方法存在图像截取不精准,截取效率低的问题。
第一方面,本申请实施例提供了一种图像截取方法,包括:
获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;
获取所述初始图像对应的映射矩阵;
基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;
基于所述第二指尖点确定所述预存图像的截图区域。
进一步地,所述获取所述初始图像对应的映射矩阵,包括:
提取所述初始图像的第一旋转不变特征;
基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵。
进一步地,在所述基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵之前,还包括:
获取所述初始图像对应的所述预存图像,并且提取所述预存图像对应的所述第二旋转不变特征;
将所述预存图像与其对应的所述第二旋转不变特征相关联。
进一步地,所述第二旋转不变特征是通过以下步骤获得的:
提取所述预存图像对应的初始旋转不变特征;
从所述初始不变特征信息中去除所有所述预存图像对应的共性特征,得到所述预存图像对应的第二旋转不变特征。
进一步地,所述基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点,包括:
计算所述映射矩阵的逆矩阵;
基于所述逆矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的所述第二指尖点。
进一步地,所述基于所述第二指尖点确定所述预存图像的截图区域,包括:
将所述初始图像对应的第二指尖点的外包区域作为所述预存图像的截图区域。
进一步地,所述识别所述初始图像对应的第一指尖点,包括:
将所述初始图像输入预设的指尖识别神经网络,得到所述初始图像对应的所述第一指尖点。
进一步地,所述识别所述初始图像对应的第一指尖点,包括:
从所述初始图像中获取手部区域;
基于所述手部区域以及指尖点筛选规则,确定所述初始图像对应的所述第一指尖点。
进一步地,在所述基于所述第二指尖点确定所述预存图像的截图区域之后,还包括:
截取所述预存图像中所述截图区域对应的图像。
第二方面,本申请实施例提供了一种图像截取装置,包括:
第一处理单元,用于获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;
第一获取单元,用于获取所述初始图像对应的映射矩阵;
第二处理单元,用于基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;
第三处理单元,用于基于所述第二指尖点确定所述预存图像的截图区域。
进一步地,所述第一获取单元,具体用于:
提取所述初始图像的第一旋转不变特征;
基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵。
进一步地,所述第一获取单元,具体用于:
获取所述初始图像对应的所述预存图像,并且提取所述预存图像对应的所述第二旋转不变特征;
将所述预存图像与其对应的所述第二旋转不变特征相关联。
进一步地,所述第一获取单元,具体用于:
提取所述预存图像对应的初始旋转不变特征;
从所述初始不变特征信息中去除所有所述预存图像对应的共性特征,得到所述预存图像对应的第二旋转不变特征。
进一步地,所述第二处理单元,具体用于:
计算所述映射矩阵的逆矩阵;
基于所述逆矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的所述第二指尖点。
进一步地,所述第三处理单元,具体用于:
将所述初始图像对应的第二指尖点的外包区域作为所述预存图像的截图区域。
进一步地,所述第一处理单元,具体用于:
将所述初始图像输入预设的指尖识别神经网络,得到所述初始图像对应的所述第一指尖点。
进一步地,所述第一处理单元,具体用于:
从所述初始图像中获取手部区域;
基于所述手部区域以及指尖点筛选规则,确定所述初始图像对应的所述第一指尖点。
进一步地,所述图像截取装置,还包括:
截取单元,用于截取所述预存图像中所述截图区域对应的图像。
第三方面,本申请实施例提供了一种图像截取设备,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的图像截取方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的图像截取方法。
本申请实施例中,获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;获取所述初始图像对应的映射矩阵;基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;基于所述第二指尖点确定所述预存图像的截图区域。该方法的适应性较强。将第一指尖点映射到预存图像上,得到第二指尖点,基于第二指尖点在预存图像上截取图像,得到截图区域的图像,由此获取的第二指尖点准确度高,对硬件的需求度低,从而能够精准、快速的提取的截图区域的图像,提高了图像截取的精度,提高了图像截取的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种图像截取方法的示意流程图;
图2是本申请第一实施例提供的一种图像截取方法待识别视频中的一帧初始图像的示意图;
图3是本申请第一实施例提供的一种图像截取方法中S101细化的示意流程图;
图4是本申请第一实施例提供的一种图像截取方法中S102细化的示意流程图;
图5是本申请第一实施例提供的一种图像截取方法中第一旋转不变特征与第二旋转不变特征匹配的示意图;
图6是本申请第一实施例提供的一种图像截取方法中S103细化的示意流程图;
图7是本申请第一实施例提供的一种图像截取方法中第二指尖点的外包区域的示意图;
图8是本申请第一实施例提供的一种图像截取方法中截图区域的示意图;
图9是本申请第二实施例提供的另一种图像截取方法的示意流程图;
图10是本申请第二实施例提供的另一种图像截取方法中S203细化的示意流程图;
图11是本申请第三实施例提供的图像截取装置的示意图;
图12是本申请第四实施例提供的图像截取设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参见图1,图1是本申请第一实施例提供的一种图像截取方法的示意流程图。本实施例中一种图像截取方法的执行主体为具有图像截取功能的设备,例如,台式电脑,服务器等等。如图1所示的图像截取方法可包括:
S101:获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点。
在本实施例中,用户进行实体阅读的产品可以为纸质读物,例如,教科书、习题册等等。本实施例的图像截取的方法需要在纸质读物上方设置一个固定的图像采集装置用于采集纸质页面的视频,图像采集装置可以为分辨率较高的摄像头以保证获取到的视频的清晰度。可以理解的是,图像采集装置的参数可以根据实际情况进行设置以保证视频采集的清晰度。
当用户需要对感兴趣的区域进行图像截取时,用户在纸质页面上用指尖划出感兴趣区域,图像采集装置采集用户在纸质页面上用指尖划出感兴趣区域这一过程的视频,将该视频作为待识别视频,图像采集设备将待识别视频发送至设备中,由设备采用本实施例中的图像截取方法对待识别视频进行处理,从而得到用户感兴趣的截图区域的图像。
如图2所示,图2为待识别视频中的一帧初始图像,初始图像为图像采集装置在用户对感兴趣的区域进行划分时,采集到的实体阅读产品页面的图像。设备获取待识别视频,待识别视频为在纸质页面上用指尖划出感兴趣区域的视频,待识别视频包括多帧初始图像。本实施例中,以各帧初始图像中的一个初始图像为例进行说明。
设备识别所述初始图像对应的第一指尖点。初始图像对应的第一指尖点为初始图像中用户用于划分感兴趣的区域的指尖对应的点。图2中指尖位置的点,即为第一指尖点。其中,指尖点(dactylion,da)为上肢下垂时,手中指尖端上最向下的点称中指指尖点Ⅲ(daⅢ)。其余各指上,分别称指尖点Ⅰ(daⅠ)指尖点Ⅱ(daⅡ)等等。手势中的指尖点通常会对应手势轮廓凸包中凸点的位置。
设备对初始图像进行识别,可以采用神经网络识别的方式,也可以采用非深度学习传统的图像识别方式,此处不作限制。
一种实施方式中,为了更准确的识别出第一指尖,识别所述初始图像对应的第一指尖点的方法具体可以为:将所述初始图像输入预设的指尖识别神经网络,得到所述初始图像对应的所述第一指尖点。本实施例中,采用神经网络从初始图像中识别出第一指尖点,设备中预先存储指尖识别神经网络,预设的指尖识别神经网络是使用机器学习算法对样本训练集中的多个训练样本进行训练得到,每个训练样本包括一个样本图像及其对应的指尖点标签,指尖点标签用于标识所述样本图像对应的指尖点识别结果。指尖识别神经网络的输入为训练样本中的样本图像及其对应的指尖点标签,语音识别模型的输出为样本语音信息对应的语音识别结果。可以理解的是,指尖识别神经网络可以由本端设备预先训练好,也可以由其他设备预先训练好后将指尖识别神经网络对应的文件移植至本端设备中。具体地,其他设备在训练好指尖识别神经网络时,冻结深度学习网络的模型参数,将冻结后的深度学习网络对应的指尖识别神经网络文件移植到本端设备中。设备将初始图像输入预设的指尖识别神经网络,得到初始图像对应的第一指尖点。
另一种实施方式中,为了更准确的识别出第一指尖,识别所述初始图像对应的第一指尖点的方法具体可以包括S1011~S1012,如图3所示,S1011~S1012具体如下:
S1011:从所述初始图像中获取手部区域。
在本实施例中,采用非神经网络的方法从初始图像中识别第一指尖点,设备从初始图像中获取手部区域,可以通过肤色检测的方法从初始图像中获取手部区域。
S1012:基于所述手部区域以及指尖点筛选规则,确定所述初始图像对应的所述第一指尖点。
设备中预设指尖点筛选规则,指尖点筛选规则用于从手部区域获取到该手部区域的指尖点,设备基于手部区域以及指尖点筛选规则,确定初始图像对应的第一指尖点。举例来说,设备可以计算手部区域的重心,获取离重心最远的手部区域的目标边缘点,将目标边缘点作为候选指尖点,设备基于候选指尖点到重心质检的距离,筛选出初始图像对应的第一指尖点。
S102:获取所述初始图像对应的映射矩阵。
设备获取初始图像对应的映射矩阵,映射矩阵标识初始图像中的点和预存图像中的点之间的对应关系。映射矩阵可以是预先设置好的,也可以是根据本次获取的初始图像计算获取的。
进一步地,为了更准确的计算得到初始图像对应的映射矩阵,S102可以包括S1021~S1022,如图4所示,S1021~S1022具体如下:
S1021:提取所述初始图像的第一旋转不变特征。
图像的旋转不变特征为不管从哪一角度拍摄图像时,都不会改变的图像特征,旋转不变特征可以包括但不限于尺度不变特征(Scale-invariant feature transform,SIFT)、加速稳健特征(Speeded Up Robust Features,SURF)、定向快速特征(OrientedFast and Rotated Brief,ORB),旋转不变特征可以包括一个特征,也可以包括多个特征,此处不作限制。
尺度不变特征(Scale-invariant feature transform,SIFT)对旋转、尺度缩放、亮度变化等保持不变性,是一种非常稳定的局部特征;加速稳健特征(Speeded Up RobustFeatures,SURF)是对SIFT特征的改进;定向快速特征(Oriented Fast and RotatedBrief,ORB)可以用来对图像中的关键点快速创建特征向量,这些特征向量可以用来识别图像中的对象。
设备提取初始图像的第一旋转不变特征,根据旋转不变特征的种类可以采用不同的提取方法,提取的方法可以采用现有的提取方法,此处不作过多的说明。
S1022:基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵。
预存图像为实体阅读产品对应的预先设置好的图像,设备中预存多种实体阅读产品的预存图像及其对应的第二旋转不变特征,预存图像对应的第二旋转不变特征用来和初始图像的第一旋转不变特征进行匹配,从而获取初始图像对应的预存图像。
如图5所示,图5为第一旋转不变特征与第二旋转不变特征匹配的示意图。设备基于第一旋转不变特征与第二旋转不变特征进行匹配,获取到初始图像对应的预存图像,根据实际情况对匹配速度的需求,可以对进行匹配的特征的种类或者数量进行调整。例如,SIFT特征与Surf特征数量在1000-1200时,匹配的结果精度较高,所以,在需要高精度匹配时,SIFT特征与Surf特征的数量可以设置为1000~1200;ORB特征数量为800时,匹配的结果精度较高,所以,在需要高精度匹配时,ORB特征的数量可以设置为800;匹配速度ORB特征优于SIFT特征与SURF特征,所以为了提升匹配速度,可以选择基于ORB特征进行匹配。此外,可以理解的是,如果预存图像的图像质量较高,例如,预存图像都为扫描图像,则可以适当的减少特征的数量,从而提升匹配速度。
设备获取初始图像和预存图像之间的匹配点,基于匹配点计算映射矩阵,映射矩阵标识初始图像中的点和预存图像中的点之间的对应关系,由于由图像采集设备采集到的初始图像的位置和角度不同,初始图像中的点和预存图像中的点之间的对应关系也会不同,导致映射矩阵也会不同,所以,在本实施例的方法应用的过程中,不要对实体阅读产品进行移动,保证计算到的映射矩阵可以正确的标识初始图像中的点和预存图像中的点之间的对应关系。
S103:基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点。
设备基于映射矩阵,将第一指尖点映射至所述预存图像中,映射矩阵标识初始图像中的点和预存图像中的点之间的对应关系,已知初始图像中的第一指尖点、初始图像中的点和预存图像中的点之间的对应关系,设备可以计算得到第一指尖点在预存图像中的点,即为第二指尖点。
进一步地,为了更准确的获取到第二指尖点,S103可以包括S1031~S1032,如图6所示,S1031~S1032具体如下:
S1031:计算所述映射矩阵的逆矩阵。
设备计算映射矩阵的逆矩阵,其中,n阶矩阵A若在相同数域上存在另一个n阶矩阵B,使得:AB=BA=E,则称B是A的逆矩阵。逆矩阵的计算可以通过以下方法:待定系数法、伴随矩阵求逆矩阵、初等变换求逆矩阵等,此处不做限制。
S1032:基于所述逆矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的所述第二指尖点。
设备基于逆矩阵计算第一指尖点在预存图像中的点的位置信息,也就是将第一指尖点映射至预存图像中,得到第二指尖点。
S104:基于所述第二指尖点确定所述预存图像的截图区域。
设备基于各帧初始图像对应的第二指尖点确定预存图像的截图区域,截图区域为第二指尖点对应的区域,设备可以设置获取截图区域的规则,例如,获取第二指尖对应的各帧初始图像的时间信息,按照时间信息的顺序连接第二指尖点,获取一个最大的闭合区域,将该区域作为截图区域,截图区域的图像就是用户通过指尖在实体阅读产品上划出的感兴趣的区域。
进一步地,在S104之后,还可以包括:截取所述截图区域对应的图像。设备从预存图像中截取截图区域的图像,设备可以获取截图区域的蒙版,蒙版就是截图区域的外部,截取截图区域的图像。
进一步地,基于所述第二指尖点确定截图区域是通过以下步骤实现的包括:将所述初始图像对应的第二指尖点的外包区域作为所述预存图像的截图区域。
设备获取各帧初始图像对应的第二指尖点的外包区域,外包区域即为第二指尖点对应的外包多边形,可以为矩形、圆形等等。设备获取外包区域后,将外包区域作为预存图像的截图区域。
如图7和图8所示,图7中的点即为第二指尖点,图7中的矩形为第二指尖点对应的外包区域,设备将矩形框对应的区域,也就是如8所示的区域,作为截图区域。
本申请实施例中,获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;获取所述初始图像对应的映射矩阵;基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;基于所述第二指尖点确定所述预存图像的截图区域。该方法的适应性较强。将第一指尖点映射到预存图像上,得到第二指尖点,基于第二指尖点在预存图像上截取图像,得到截图区域的图像,由此获取的第二指尖点准确度高,对硬件的需求度低,从而能够精准、快速的提取的截图区域的图像,提高了图像截取的精度,提高了图像截取的效率。
请参见图9,图9是本申请第二实施例提供的另一种图像截取方法的示意流程图。本实施例中图像截取方法的执行主体为具有图像截取功能的设备,例如,台式电脑,服务器等等。为了设备中预先获取预存图像对应的第二旋转不变特征,从而使设备能够更准确的获取与初始图像匹配的预存图像,本实施例是在S1021~S1022的基础上做了进一步改进,其中,本实施例中S201与第一实施例中的S101相同,S202与第一实施例中的S1021相同,S205与S1021相同,S206~S207与第一实施例中的S103~S104相同,其中S203~S204在S205之前执行即可。如图9所示,S203~S204具体如下:
S203:获取所述初始图像对应的所述预存图像,并且提取所述预存图像对应的所述第二旋转不变特征。
设备获取预存图像,预存图像为实体阅读产品对应的预先设置好的图像,预存图像可以通过图像采集装置采集;预存图像也可以通过对实体阅读产品进行扫描获取,这样可以进一步提升预存图像的质量。
设备提取预存图像对应的第二旋转不变特征,具体的关于提取旋转不变特征的细节可以参阅S1021中从初始图像中提取第一旋转不变特征的相关描述。
进一步地,为了提高初始图像和预存图像的匹配精度,第二旋转不变特征是通过S2031~S2032获得的,如图10所示,S2031~S2032具体如下:
S2031:提取所述预存图像对应的初始旋转不变特征。
S2031可以参阅S1021中的相关描述,此处不再赘述。
S2032:从所述初始不变特征信息中去除所有所述预存图像对应的共性特征,得到所述预存图像对应的第二旋转不变特征。
设备获取预存图像对应的共性特征,共性特征可以为标识重复图像或者重复标题的特征,将共性特征从初始不变特征信息中去除,这样在匹配时可以避免匹配这些不具有特性的特征,从而提高匹配的精度。
S204:将所述预存图像与其对应的所述第二旋转不变特征相关联。
设备将预存图像与其对应的第二旋转不变特征关联存储,建立二者之间的关联关系。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
请参见图11,图11是本申请第三实施例提供的图像截取装置的示意图。包括的各单元用于执图1、图3、图5~图6、图9~图10对应的实施例中的各步骤。具体请参阅图1、图3、图5~图6、图9~图10各自对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图11,图像截取装置11包括:
第一处理单元1110,用于获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;
第一获取单元1120,用于获取所述初始图像对应的映射矩阵;
第二处理单元1130,用于基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;
第三处理单元1140,用于基于所述第二指尖点确定所述预存图像的截图区域。
进一步地,第一获取单元1120,具体用于:
提取所述初始图像的第一旋转不变特征;
基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵。
进一步地,第一获取单元1120,具体用于:
获取所述初始图像对应的所述预存图像,并且提取所述预存图像对应的所述第二旋转不变特征;
将所述预存图像与其对应的所述第二旋转不变特征相关联。
进一步地,第一获取单元1120,具体用于:
提取所述预存图像对应的初始旋转不变特征;
从所述初始不变特征信息中去除所有所述预存图像对应的共性特征,得到所述预存图像对应的第二旋转不变特征。
进一步地,第二处理单元1130,具体用于:
计算所述映射矩阵的逆矩阵;
基于所述逆矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的所述第二指尖点。
进一步地,第三处理单元1140,具体用于:
将所述初始图像对应的第二指尖点的外包区域作为所述预存图像的截图区域。
进一步地,第一处理单元1110,具体用于:
将所述初始图像输入预设的指尖识别神经网络,得到所述初始图像对应的所述第一指尖点。
进一步地,第一处理单元1110,具体用于:
从所述初始图像中获取手部区域;
基于所述手部区域以及指尖点筛选规则,确定所述初始图像对应的所述第一指尖点。
进一步地,所述图像截取装置11,还包括:
截取单元,用于截取所述预存图像中所述截图区域对应的图像。
图12是本申请第四实施例提供的图像截取设备的示意图。如图12所示,该实施例的图像截取设备12包括:处理器120、存储器121以及存储在所述存储器121中并可在所述处理器120上运行的计算机程序122,例如图像截取程序。所述处理器120执行所述计算机程序122时实现上述各个图像截取方法实施例中的步骤,例如图1所示的步骤101至105。或者,所述处理器120执行所述计算机程序122时实现上述各装置实施例中各模块/单元的功能,例如图10所示模块1110至1150的功能。
示例性的,所述计算机程序122可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器121中,并由所述处理器120执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序122在所述图像截取设备12中的执行过程。例如,所述计算机程序122可以被分割成第一处理单元、第一获取单元、第二处理单元、第三处理单元,各单元具体功能如下:
第一处理单元,用于获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;
第一获取单元,用于获取所述初始图像对应的映射矩阵;
第二处理单元,用于基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;
第三处理单元,用于基于所述第二指尖点确定所述预存图像的截图区域。
所述图像截取设备可包括,但不仅限于,处理器120、存储器121。本领域技术人员可以理解,图12仅仅是图像截取设备12的示例,并不构成对图像截取设备12的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述图像截取设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器120可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器121可以是所述图像截取设备12的内部存储单元,例如图像截取设备12的硬盘或内存。所述存储器121也可以是所述图像截取设备12的外部存储设备,例如所述图像截取设备12上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述图像截取设备12还可以既包括所述图像截取设备12的内部存储单元也包括外部存储设备。所述存储器121用于存储所述计算机程序以及所述图像截取设备所需的其他程序和数据。所述存储器121还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。

Claims (12)

1.一种图像截取方法,其特征在于,包括:
获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;
获取所述初始图像对应的映射矩阵;
基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;
基于所述第二指尖点确定所述预存图像的截图区域。
2.如权利要求1所述的图像截取方法,其特征在于,所述获取所述初始图像对应的映射矩阵,包括:
提取所述初始图像的第一旋转不变特征;
基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵。
3.如权利要求2所述的图像截取方法,其特征在于,在所述基于所述第一旋转不变特征以及所述初始图像对应的所述预存图像的第二旋转不变特征,确定所述初始图像对应的所述映射矩阵之前,还包括:
获取所述初始图像对应的所述预存图像,并且提取所述预存图像对应的所述第二旋转不变特征;
将所述预存图像与其对应的所述第二旋转不变特征相关联。
4.如权利要求3所述的图像截取方法,其特征在于,所述第二旋转不变特征是通过以下步骤获得的:
提取所述预存图像对应的初始旋转不变特征;
从所述初始不变特征信息中去除所有所述预存图像对应的共性特征,得到所述预存图像对应的第二旋转不变特征。
5.如权利要求1所述的图像截取方法,其特征在于,所述基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点,包括:
计算所述映射矩阵的逆矩阵;
基于所述逆矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的所述第二指尖点。
6.如权利要求1所述的图像截取方法,其特征在于,所述基于所述第二指尖点确定所述预存图像的截图区域,包括:
将所述初始图像对应的第二指尖点的外包区域作为所述预存图像的截图区域。
7.如权利要求1所述的图像截取方法,其特征在于,所述识别所述初始图像对应的第一指尖点,包括:
将所述初始图像输入预设的指尖识别神经网络,得到所述初始图像对应的所述第一指尖点。
8.如权利要求1所述的图像截取方法,其特征在于,所述识别所述初始图像对应的第一指尖点,包括:
从所述初始图像中获取手部区域;
基于所述手部区域以及指尖点筛选规则,确定所述初始图像对应的所述第一指尖点。
9.如权利要求1所述的图像截取方法,其特征在于,在所述基于所述第二指尖点确定所述预存图像的截图区域之后,还包括:
截取所述预存图像中所述截图区域对应的图像。
10.一种图像截取装置,其特征在于,包括:
第一处理单元,用于获取待识别视频中的各帧初始图像,以及识别所述初始图像对应的第一指尖点;
第一获取单元,用于获取所述初始图像对应的映射矩阵;
第二处理单元,用于基于所述映射矩阵,将所述第一指尖点映射至所述初始图像对应的预存图像中,得到所述预存图像对应的第二指尖点;
第三处理单元,用于基于所述第二指尖点确定所述预存图像的截图区域。
11.一种图像截取设备,其特征在于,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
CN202010408352.6A 2020-05-14 2020-05-14 一种图像截取方法、装置、设备及计算机可读存储介质 Active CN113676654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408352.6A CN113676654B (zh) 2020-05-14 2020-05-14 一种图像截取方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408352.6A CN113676654B (zh) 2020-05-14 2020-05-14 一种图像截取方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113676654A true CN113676654A (zh) 2021-11-19
CN113676654B CN113676654B (zh) 2023-06-06

Family

ID=78537334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408352.6A Active CN113676654B (zh) 2020-05-14 2020-05-14 一种图像截取方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113676654B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120182296A1 (en) * 2009-09-23 2012-07-19 Han Dingnan Method and interface for man-machine interaction
US20130088461A1 (en) * 2011-10-07 2013-04-11 Qualcomm Incorporated Vision-based interactive projection system
CN104318218A (zh) * 2014-10-29 2015-01-28 百度在线网络技术(北京)有限公司 图像识别方法和装置
CN108196729A (zh) * 2018-01-16 2018-06-22 安徽慧视金瞳科技有限公司 一种基于红外视频的指尖点快速检测方法
CN109325464A (zh) * 2018-10-16 2019-02-12 上海翎腾智能科技有限公司 一种基于人工智能的手指点读文字识别方法及翻译方法
CN109327674A (zh) * 2018-12-21 2019-02-12 武汉立信通达科技有限公司 一种会议控制系统
CN110443231A (zh) * 2019-09-05 2019-11-12 湖南神通智能股份有限公司 一种基于人工智能的单手手指点读文字识别方法和系统
CN110569818A (zh) * 2019-09-13 2019-12-13 深圳一块互动网络技术有限公司 一种智能阅读学习方法
CN110991371A (zh) * 2019-12-09 2020-04-10 深圳一块互动网络技术有限公司 一种基于坐标识别的智能阅读学习方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120182296A1 (en) * 2009-09-23 2012-07-19 Han Dingnan Method and interface for man-machine interaction
US20130088461A1 (en) * 2011-10-07 2013-04-11 Qualcomm Incorporated Vision-based interactive projection system
CN104318218A (zh) * 2014-10-29 2015-01-28 百度在线网络技术(北京)有限公司 图像识别方法和装置
CN108196729A (zh) * 2018-01-16 2018-06-22 安徽慧视金瞳科技有限公司 一种基于红外视频的指尖点快速检测方法
CN109325464A (zh) * 2018-10-16 2019-02-12 上海翎腾智能科技有限公司 一种基于人工智能的手指点读文字识别方法及翻译方法
CN109327674A (zh) * 2018-12-21 2019-02-12 武汉立信通达科技有限公司 一种会议控制系统
CN110443231A (zh) * 2019-09-05 2019-11-12 湖南神通智能股份有限公司 一种基于人工智能的单手手指点读文字识别方法和系统
CN110569818A (zh) * 2019-09-13 2019-12-13 深圳一块互动网络技术有限公司 一种智能阅读学习方法
CN110991371A (zh) * 2019-12-09 2020-04-10 深圳一块互动网络技术有限公司 一种基于坐标识别的智能阅读学习方法

Also Published As

Publication number Publication date
CN113676654B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN110135411B (zh) 名片识别方法和装置
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
WO2019223102A1 (zh) 身份合法性的校验方法、装置、终端设备及介质
CN111291629A (zh) 图像中文本的识别方法、装置、计算机设备及计算机存储介质
CN110751146B (zh) 文本区域检测方法、装置、电子终端和计算机可读存储介质
CN104484643A (zh) 一种手写表格的智能识别方法及系统
CN112561080A (zh) 样本筛选方法、样本筛选装置及终端设备
Li et al. Automatic comic page segmentation based on polygon detection
CN111290684B (zh) 图像显示方法、图像显示装置及终端设备
CN104751093A (zh) 用于获取宿主设备显示的图像识别码的方法和装置
CN110059722A (zh) 印章图像的审核方法、装置、设备及可读存储介质
CN112668580A (zh) 一种文本识别方法、文本识别装置及终端设备
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
US11455783B2 (en) Image recognition method and apparatus, device and non-volatile computer storage medium
CN113095187A (zh) 一种基于图像特征匹配对齐的试卷批改方法
CN110599520B (zh) 一种旷场实验数据分析方法、系统及终端设备
CN111191708A (zh) 自动化样本关键点标注方法、装置及系统
CN110796145A (zh) 基于智能决策的多证件分割关联方法及相关设备
CN111027533B (zh) 一种点读坐标的变换方法、系统、终端设备及存储介质
CN112542163B (zh) 智能语音交互方法、设备及存储介质
CN110490065B (zh) 人脸识别方法及装置、存储介质、计算机设备
CN113676654B (zh) 一种图像截取方法、装置、设备及计算机可读存储介质
Wang et al. Book retrieval method based on QR code and CBIR technology
CN110610178A (zh) 图像识别方法、装置、终端及计算机可读存储介质
CN114299509A (zh) 一种获取信息的方法、装置、设备及介质

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