CN107958231B - 光场图像过滤方法、人脸分析方法及电子设备 - Google Patents
光场图像过滤方法、人脸分析方法及电子设备 Download PDFInfo
- Publication number
- CN107958231B CN107958231B CN201711423426.8A CN201711423426A CN107958231B CN 107958231 B CN107958231 B CN 107958231B CN 201711423426 A CN201711423426 A CN 201711423426A CN 107958231 B CN107958231 B CN 107958231B
- Authority
- CN
- China
- Prior art keywords
- light field
- field image
- face
- image
- face picture
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种光场图像过滤方法、人脸分析方法及电子设备。所述光场图像过滤方法包括:获取待检测光场图像;利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;根据所述人脸图片的模糊度,对所述人脸图片进行过滤。本发明能对光场图像的模糊度进行判断,进而实现对光场图像的有效过滤。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种光场图像过滤方法、人脸分析方法及电子设备。
背景技术
光场技术是计算机摄影领域发展起来的最新技术,在传统数字成像理论的基础上,光场技术通过研究和创新成像模型,改进成像硬件设计,实现了对空间中光纤传播位置与角度信息的同时记录,相对于普通的孔径相机,光场相机具有以下特点:
(1)光场相机可以先将场景中的光线信息记录下来,再进行指定目标的数字重对焦。
(2)由于光场相机采用多相机阵列采集及渲染,因此可以在多张低分辨率图像的基础上合成高分辨率的图像,可以进行动态视点调整。
(3)光场相机可以进行信息补全,进行指定目标的去遮挡处理,这项技术在公共安全领域有着非常重要的应用。
基于光场相机的上述特点,由于光场技术在进行图像采集的时候使用了多个相机阵列,可以对物体的各个角度的信息进行捕获,因此,光场技术可以通过相机模型对一些不可见的区域进行差值,从而补全丢失掉的信息。正是由于光场技术的这种特性,所以针对遮挡物体,光场相机相对于传统相机有着先天的优势。但是由于光场相机的成像模式所限,所渲染的视频流只能在某个焦平面处出现清晰的图像,其他视频帧都会出现不同程度的模糊,而这种模糊帧中出现的物体也有可能被检测到,这些被检测到的物体对后续的识别将有较大的影响。
发明内容
鉴于以上内容,有必要提供一种光场图像过滤方法、人脸分析方法及电子设备,能对光场图像的模糊度进行判断,进而实现对光场图像的有效过滤,既解决了光场图像中模糊图像无法有效过滤的问题,又从而增加了后续识别任务的准确度,并减少后续识别任务的***开销。
一种光场图像过滤方法,所述方法包括:
获取待检测光场图像;
利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;
利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;
根据所述人脸图片的模糊度,对所述人脸图片进行过滤。
根据本发明优选实施例,所述获取待检测光场图像包括:
获取光场图像,对所述光场图像进行指定景深的数字重对焦,得到数字重对焦后的光场图像,将所述数字重对焦后的光场图像确定为所述待检测光场图像。
根据本发明优选实施例,在对所述光场图像进行指定景深的数字重对焦前,所述方法还包括:
对所述光场图像进行压缩。
根据本发明优选实施例,所述对所述光场图像进行压缩包括:
利用矢量量化算法对所述光场图像进行压缩处理,得到量化后的压缩光场图像;
利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
根据本发明优选实施例,训练所述人脸检测器包括:
利用网络爬虫技术获取第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据;
根据所述第一训练样本,采用神经网络算法训练所述人脸检测器。
根据本发明优选实施例,训练所述模糊度判断模型包括:
获取采集的光场图像;
利用训练的所述人脸检测器对所述采集的光场图像进行检测,得到带有人脸的光场图像;
将所述带有人脸的光场图像确定为第二训练样本,所述第二训练样本中包括表示清晰图片的正样本数据,及表示模糊图片的负样本数据;
将所述第二训练样本作为所述人脸检测器的输入数据,并结合神经网络算法训练所述模糊度判断模型。
一种人脸分析方法,所述方法包括:
获取待检测光场图像;
利用所述光场图像过滤方法对所述待检测光场图像进行过滤,得到保留的人脸图片;
对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果;
根据所述分析结果执行与所述指定场景对应的操作。
根据本发明优选实施例,所述对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,并根据所述分析结果执行与所述指定场景对应的操作包括:
从所述保留的人脸图片中识别出带有目标人物的图像;
将识别出的带有目标人物的图像发送至至少一个终端设备。
根据本发明优选实施例,所述对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,并根据所述分析结果执行与所述指定场景对应的操作还包括:
当所述人脸图片是指定车辆的摄像装置拍摄时,判断所述保留的人脸图片中是否有行人;
当所述人脸图片中有行人时,控制所述指定车辆刹车。
一种光场图像过滤装置,所述装置包括:
获取单元,用于获取待检测光场图像;
检测单元,用于利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;
确定单元,用于利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;
过滤单元,用于根据所述人脸图片的模糊度,对所述人脸图片进行过滤。
根据本发明优选实施例,所述获取单元获取待检测光场图像包括:
获取光场图像,对所述光场图像进行指定景深的数字重对焦,得到数字重对焦后的光场图像,将所述数字重对焦后的光场图像确定为所述待检测光场图像。
根据本发明优选实施例,所述装置还包括:
压缩单元,用于在对所述光场图像进行指定景深的数字重对焦前,对所述光场图像进行压缩。
根据本发明优选实施例,所述压缩单元具体用于:
利用矢量量化算法对所述光场图像进行压缩处理,得到量化后的压缩光场图像;
利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
根据本发明优选实施例,训练所述人脸检测器包括:
所述获取单元,还用于利用网络爬虫技术获取第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据;
训练单元,用于根据所述第一训练样本,采用神经网络算法训练所述人脸检测器。
根据本发明优选实施例,训练所述模糊度判断模型包括:
所述获取单元,还用于获取采集的光场图像;
所述检测单元,还用于利用训练的所述人脸检测器对所述采集的光场图像进行检测,得到带有人脸的光场图像;
所述确定单元,还用于将所述带有人脸的光场图像确定为第二训练样本,所述第二训练样本中包括表示清晰图片的正样本数据,及表示模糊图片的负样本数据;
所述训练单元,还用于将所述第二训练样本作为所述人脸检测器的输入数据,并结合神经网络算法训练所述模糊度判断模型。
一种人脸分析装置,所述装置包括:
获取模块,用于获取待检测光场图像;
过滤模块,用于利用所述光场图像过滤方法对所述待检测光场图像进行过滤,得到保留的人脸图片;
分析模块,用于对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果;
执行模块,用于根据所述分析结果执行与所述指定场景对应的操作。
根据本发明优选实施例,所述分析模块对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,所述执行模块根据所述分析结果执行与所述指定场景对应的操作包括:
从所述保留的人脸图片中识别出带有目标人物的图像;
将识别出的带有目标人物的图像发送至至少一个终端设备。
根据本发明优选实施例,所述分析模块对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,所述执行模块根据所述分析结果执行与所述指定场景对应的操作还包括:
当所述人脸图片是指定车辆的摄像装置拍摄时,判断所述保留的人脸图片中是否有行人;
当所述人脸图片中有行人时,控制所述指定车辆刹车。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述光场图像过滤方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述光场图像过滤方法。
由以上技术方案可以看出,本发明获取待检测光场图像;利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;根据所述人脸图片的模糊度,对所述人脸图片进行过滤。利用本发明能对光场图像的模糊度进行判断,进而实现对光场图像的有效过滤,既解决了光场图像中模糊图像无法有效过滤的问题,又从而增加了后续识别任务的准确度,并减少后续识别任务的***开销。
附图说明
图1是本发明光场图像过滤方法的较佳实施例的流程图。
图2是本发明人脸分析方法的较佳实施例的流程图。
图3是本发明光场图像过滤装置的较佳实施例的功能模块图。
图4是本发明人脸分析装置的较佳实施例的功能模块图。
图5是本发明实现光场图像过滤方法的较佳实施例的电子设备的结构示意图。
主要元件符号说明
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明光场图像过滤方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述光场图像过滤方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,所述电子设备获取待检测光场图像。
在本发明的至少一个实施例中,所述电子设备可以通过与所述电子设备相通信的光场相机获取所述待检测光场图像。
具体地,所述电子设备可以采用多相机阵列进行所述待检测光场图像的采集,例如:所述电子设备可以获取六路相机阵列采集的图像数据等。这样,所述电子设备可以充分记录采集场景中的多路数据信息,以供后续对指定目标进行数字重对焦时使用。
在本发明的至少一个实施例中,所述电子设备获取待检测光场图像包括:
所述电子设备获取光场图像,对所述光场图像进行指定景深的数字重对焦,得到数字重对焦后的光场图像,将所述数字重对焦后的光场图像确定为所述待检测光场图像。
这样,所述电子设备的用户可以根据实际需求设置指定景深,并通过对所述光场图像进行指定景深的数字重对焦,获取所述用户所需的对焦图像,使图像的获取更加有针对性,减少不必要的图像造成的数据冗余,提高处理效率。
在本发明的至少一个实施例中,在对所述光场图像进行指定景深的数字重对焦前,所述方法还包括:
所述电子设备对所述光场图像进行压缩。
需要说明的是,由于所述光场图像的数据量较大,不利于存储,会降低存储速度,因此,在对所述光场图像进行指定景深的数字重对焦前,所述电子设备对所述光场图像进行压缩,以提高对所述光场图像进行存储及处理的效率。
在本发明的至少一个实施例中,所述电子设备对所述光场图像进行压缩包括:
所述电子设备利用矢量量化(Vector Quantization,VQ)算法对所述光场图像进行压缩处理,得到量化后的压缩光场图像,再利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
在本发明的至少一个实施例中,所述矢量量化算法是一种重要的信号压缩方法,所述矢量量化算法的基本思想是:将若干个标量数据组构成一个矢量,然后在矢量空间进行整体量化,从而压缩了数据,并且损失的信息也较少。
在本实施例中,由于所述矢量量化算法高效、压缩比大、解码简单,且失真小,因此采用所述矢量量化算法。
在本发明的至少一个实施例中,所述熵编码算法是一种在编码过程中按照熵原理不丢失任何信息的编码方式。
具体地,所述熵编码算法包括,但不限于:香农(Shannon)编码、哈夫曼(Huffman)编码、算术编码(arithmetic coding)等。
在本发明的至少一个实施例中,所述电子设备利用矢量量化算法对所述光场图像进行压缩处理,得到的量化后的压缩光场图像是有损数据,因此,所述电子设备再利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
这样,由于所述熵编码算法的编码过程是按照熵原理而不丢失任何信息的编码方式,因此编码过程中不会丢失信息量,从而实现了对所述光场图像的无损压缩。
在本发明的至少一个实施例中,所述电子设备对所述光场图像进行指定景深的数字重对焦包括:
记LF=f(x,y,u,v)为光场图像的数学描述,其中,LF为给定光线的辐射量,u、v为焦平面,x、y为像平面,F表示的是所述焦平面与所述像平面之间的距离。那么,所述光场图像可以表示为下述公式(1),此时,如果将所述F调整为F`,则新的图像可以表示为下述公式(2)。
其中,α表示重对焦因子,Bα表示傅里叶系数。
通过上述过程,所述电子设备即可实现在指定景深处对所述光场图像进行数字重对焦。
S11,所述电子设备利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片。
在本发明的至少一个实施例中,在所述电子设备利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片前,所述方法还包括:
所述电子设备训练所述人脸检测器。
在本发明的至少一个实施例中,所述电子设备训练所述人脸检测器包括:
所述电子设备利用网络爬虫技术获取第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据,所述电子设备再根据所述第一训练样本,并采用神经网络算法训练所述人脸检测器。
在本发明的至少一个实施例中,所述人脸检测器一方面用于对所述待检测光场图像进行检测,得到人脸图片,以备后续在所述人脸图片的基础上进行进一步的模糊度判断;另一方面,所述人脸检测器也可以作为训练所述模糊度判断模型的基础。
在本发明的至少一个实施例中,由于通过与所述电子设备相通信的光场相机获取的光场图像的数据量较少,因此,直接使用所述光场相机捕捉的清晰与模糊的人脸图片作为训练样本来训练所述模糊度判断模型,不足以反映所述训练样本的分布情况,将导致训练的模糊度判断模型分类不准确的问题,因此,在本实施例中,所述电子设备首先利用网络爬虫技术获取大量人脸数据作为所述第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据,所述电子设备根据所述第一训练样本学习人脸的结构特征,并采用神经网络算法训练得到所述人脸检测器,这样,所述电子设备接下来就可以通过所述光场相机捕捉的清晰与模糊的人脸图片,在训练的人脸检测器的基础上进行调整,以得到所述模糊度判断模型,并进一步实现对人脸图片的分类。
在本发明的至少一个实施例中,所述电子设备采用神经网络算法训练所述人脸检测器。
具体地,所述电子设备将输入的人脸图片数据规格化,以实现数据类型和格式的统一,本实施例中将所述输入的人脸图片数据规格化为48×48,所述电子设备将所述输入的人脸图片数据分别输入4个3×3的卷积层(Convolutional layer)、3个3×3的最大值池化层(maximum pooling)及1个全连接层(fully connected layer),最后分别通过损失函数及欧式距离算法,完成对所述输入的人脸图片数据的分类,以及对所述输入的人脸图片数据中人脸位置的预测。
具体地,由于所述电子设备采用神经网络算法训练所述人脸检测器在现有技术中已经相对成熟,本发明在此不再赘述。
S12,所述电子设备利用训练好的模糊度判断模型,确定所述人脸图片的模糊度。
在本发明的至少一个实施例中,在所述电子设备利用训练好的模糊度判断模型,确定所述人脸图片的模糊度前,所述方法还包括:
所述电子设备训练所述模糊度判断模型。
在本发明的至少一个实施例中,所述电子设备训练所述模糊度判断模型包括:
所述电子设备获取采集的光场图像,利用训练的所述人脸检测器对所述采集的光场图像进行检测,得到带有人脸的光场图像,所述电子设备将所述带有人脸的光场图像确定为第二训练样本,所述第二训练样本中包括表示清晰图片的正样本数据,及表示模糊图片的负样本数据,所述电子设备将所述第二训练样本作为所述人脸检测器的输入数据,并结合神经网络算法训练所述模糊度判断模型。
具体地,所述电子设备将所述第二训练样本作为输入数据输入到所述人脸检测器中,然后将所述人脸检测器的网络的全连接层所对应的参数随机初始化为0-1中的任意数值,再利用损失函数度量所述全连接层的损失,以完成对所述第二训练样本的分类。
具体地,由于所述电子设备采用神经网络算法训练所述模糊度判断模型在现有技术中已经相对成熟,本发明在此不再赘述。
S13,所述电子设备根据所述人脸图片的模糊度,对所述人脸图片进行过滤。
在本发明的至少一个实施例中,所述电子设备根据所述人脸图片的模糊度,对所述人脸图片进行过滤包括:
当所述人脸图片的模糊度小于配置的模糊值时,所述电子设备保留所述人脸图片。
这样,所述电子设备可以通过所述保留的人脸图片进行后续的分析处理,以使后续处理的数据更加准确。具体应用请参见后面的举例说明。
或者是,当所述人脸图片的模糊度大于或者等于配置的模糊值时,所述电子设备舍弃所述人脸图片。
这样,所述电子设备可以将没有使用价值的模糊图像的数据直接舍弃,既节约了存储空间,又可以避免后续利用所述人脸图片进行分析处理时,由于所述模糊图像的干扰造成分析不准确的现象发生,从而提高了分析处理的效率。
需要说明的是,本发明对所述配置的模糊值的取值不做限制,可以根据实际需要进行配置。
综上所述,本发明能获取待检测光场图像;利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;根据所述人脸图片的模糊度,对所述人脸图片进行过滤。因此,本发明能对光场图像的模糊度进行判断,进而实现对光场图像的有效过滤,既解决了光场图像中模糊图像无法有效过滤的问题,又从而增加了后续识别任务的准确度,并减少后续识别任务的***开销。
如图2所示,是本发明人脸分析方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S20,所述电子设备获取待检测光场图像。
S21,所述电子设备利用所述光场图像过滤方法对所述待检测光场图像进行过滤,得到保留的人脸图片。
S22,所述电子设备对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果。
S23,所述电子设备根据所述分析结果执行与所述指定场景对应的操作。
在本发明的至少一个实施例中,所述电子设备可以对保留的人脸图片中的人物进行识别,并进行针对所述人物的进一步处理。
优选地,所述电子设备对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,并根据所述分析结果执行与所述指定场景对应的操作包括:
所述电子设备从所述保留的人脸图片中识别出带有目标人物的图像,并将识别出的带有目标人物的图像发送至至少一个终端设备。
进一步地,当所述目标人物是走失人员时,所述电子设备获取所述走失人员的图像的拍摄时间及拍摄地点,并将所述走失人员的图像及获取的所述走失人员的图像的拍摄时间及拍摄地点发送至指定用户设备。
具体地,所述电子设备可以记录所述光场相机拍摄所述走失人员的图像时的时间,或者是,所述光场相机在拍摄所述走失人员的图像时,将拍摄时间显示在所述走失人员的图像上等。
具体地,所述电子设备可以记录所述光场相机拍摄所述走失人员的图像时的拍摄地点,并将所述拍摄地点确定为所述走失人员出现的地点。
这样,所述电子设备可以通过上述方式及时获取所述走失人员曾经出现过的时间及地点,以帮助相关人员(如:家属或警员)更加快速的找到所述走失人员。
进一步地,当所述目标人物是危险人物时,所述电子设备获取所述危险人物的图像的拍摄时间及拍摄地点,并将所述危险人物的图像及获取的所述危险人物的图像的拍摄时间及拍摄地点发送至所述拍摄地点所属的警务服务器。
这样,所述电子设备可以及时快速的实现报警,并有拍摄的清晰的图片及获取的时间及地点作为辅助信息,另外,将上述信息发送至所述拍摄地点所属的警务服务器也可以使距离最近的警员快速进行目标人物的确认及做好抓捕准备,提高抓捕效率。
在本发明的至少一个实施例中,所述电子设备可以对车辆的摄像装置拍摄的人脸图片进行分析,以控制车辆刹车。
优选地,所述电子设备对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,并根据所述分析结果执行与所述指定场景对应的操作还包括:
当所述人脸图片是指定车辆的摄像装置拍摄时,所述电子设备判断所述保留的人脸图片中是否有行人,并且当所述人脸图片中有行人时,控制所述指定车辆刹车。
例如:当所述电子设备经过一个十字路口时,所述电子设备从识别出的清晰的所述人脸图片中判断是否有行人,具体地,所述电子设备可以通过所述人脸图片中所对应的人物的肢体动作判断所述所对应的人物是否在行走,当所述电子设备判断出所述所对应的人物在行走时,所述电子设备判断有行人,所述电子设备控制所述指定车辆刹车。
这样,所述电子设备可以通过紧急制动的方式保证车辆行驶的安全性,且在无人驾驶领域也可以起到一定安全保护作用。
如图3所示,是本发明光场图像过滤装置的较佳实施例的功能模块图。所述光场图像过滤装置11包括获取单元110、检测单元111、确定单元112、过滤单元113、压缩单元114及训练单元115。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取待检测光场图像。
在本发明的至少一个实施例中,所述获取单元110可以通过与所述电子设备相通信的光场相机获取所述待检测光场图像。
具体地,所述获取单元110可以采用多相机阵列进行所述待检测光场图像的采集,例如:所述获取单元110可以获取六路相机阵列采集的图像数据等。这样,所述获取单元110可以充分记录采集场景中的多路数据信息,以供后续对指定目标进行数字重对焦时使用。
在本发明的至少一个实施例中,所述获取单元110获取待检测光场图像包括:
所述获取单元110获取光场图像,对所述光场图像进行指定景深的数字重对焦,得到数字重对焦后的光场图像,所述获取单元110将所述数字重对焦后的光场图像确定为所述待检测光场图像。
这样,所述电子设备的用户可以根据实际需求设置指定景深,并通过对所述光场图像进行指定景深的数字重对焦,获取所述用户所需的对焦图像,使图像的获取更加有针对性,减少不必要的图像造成的数据冗余,提高处理效率。
在本发明的至少一个实施例中,在对所述光场图像进行指定景深的数字重对焦前,所述方法还包括:
压缩单元114对所述光场图像进行压缩。
需要说明的是,由于所述光场图像的数据量较大,不利于存储,会降低存储速度,因此,在对所述光场图像进行指定景深的数字重对焦前,所述压缩单元114对所述光场图像进行压缩,以提高对所述光场图像进行存储及处理的效率。
在本发明的至少一个实施例中,所述压缩单元114对所述光场图像进行压缩包括:
所述压缩单元114利用矢量量化(Vector Quantization,VQ)算法对所述光场图像进行压缩处理,得到量化后的压缩光场图像,再利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
在本发明的至少一个实施例中,所述矢量量化算法是一种重要的信号压缩方法,所述矢量量化算法的基本思想是:将若干个标量数据组构成一个矢量,然后在矢量空间进行整体量化,从而压缩了数据,并且损失的信息也较少。
在本实施例中,由于所述矢量量化算法高效、压缩比大、解码简单,且失真小,因此采用所述矢量量化算法。
在本发明的至少一个实施例中,所述熵编码算法是一种在编码过程中按照熵原理不丢失任何信息的编码方式。
具体地,所述熵编码算法包括,但不限于:香农(Shannon)编码、哈夫曼(Huffman)编码、算术编码(arithmetic coding)等。
在本发明的至少一个实施例中,所述压缩单元114利用矢量量化算法对所述光场图像进行压缩处理,得到的量化后的压缩光场图像是有损数据,因此,所述压缩单元114再利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
这样,由于所述熵编码算法的编码过程是按照熵原理而不丢失任何信息的编码方式,因此编码过程中不会丢失信息量,从而实现了对所述光场图像的无损压缩。
在本发明的至少一个实施例中,所述电子设备对所述光场图像进行指定景深的数字重对焦包括:
记LF=f(x,y,u,v)为光场图像的数学描述,其中,LF为给定光线的辐射量,u、v为焦平面,x、y为像平面,F表示的是所述焦平面与所述像平面之间的距离。那么,所述光场图像可以表示为下述公式(1),此时,如果将所述F调整为F`,则新的图像可以表示为下述公式(2)。
其中,α表示重对焦因子,Bα表示傅里叶系数。
通过上述过程,所述电子设备即可实现在指定景深处对所述光场图像进行数字重对焦。
检测单元111利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片。
在本发明的至少一个实施例中,在所述检测单元111利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片前,所述方法还包括:
训练单元115训练所述人脸检测器。
在本发明的至少一个实施例中,所述训练单元115训练所述人脸检测器包括:
所述训练单元115利用网络爬虫技术获取第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据,所述训练单元115再根据所述第一训练样本,并采用神经网络算法训练所述人脸检测器。
在本发明的至少一个实施例中,所述人脸检测器一方面用于对所述待检测光场图像进行检测,得到人脸图片,以备后续在所述人脸图片的基础上进行进一步的模糊度判断;另一方面,所述人脸检测器也可以作为训练所述模糊度判断模型的基础。
在本发明的至少一个实施例中,由于通过与所述电子设备相通信的光场相机获取的光场图像的数据量较少,因此,直接使用所述光场相机捕捉的清晰与模糊的人脸图片作为训练样本来训练所述模糊度判断模型,不足以反映所述训练样本的分布情况,将导致训练的模糊度判断模型分类不准确的问题,因此,在本实施例中,所述训练单元115首先利用网络爬虫技术获取大量人脸数据作为所述第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据,所述训练单元115根据所述第一训练样本学习人脸的结构特征,并采用神经网络算法训练得到所述人脸检测器,这样,所述训练单元115接下来就可以通过所述光场相机捕捉的清晰与模糊的人脸图片,在训练的人脸检测器的基础上进行调整,以得到所述模糊度判断模型,并进一步实现对人脸图片的分类。
在本发明的至少一个实施例中,所述训练单元115采用神经网络算法训练所述人脸检测器。
具体地,所述训练单元115将输入的人脸图片数据规格化,以实现数据类型和格式的统一,本实施例中将所述输入的人脸图片数据规格化为48×48,所述训练单元115将所述输入的人脸图片数据分别输入4个3×3的卷积层(Convolutional layer)、3个3×3的最大值池化层(maximum pooling)及1个全连接层(fully connected layer),最后分别通过损失函数及欧式距离算法,完成对所述输入的人脸图片数据的分类,以及对所述输入的人脸图片数据中人脸位置的预测。
具体地,由于所述训练单元115采用神经网络算法训练所述人脸检测器在现有技术中已经相对成熟,本发明在此不再赘述。
确定单元112利用训练好的模糊度判断模型,确定所述人脸图片的模糊度。
在本发明的至少一个实施例中,在所述确定单元112利用训练好的模糊度判断模型,确定所述人脸图片的模糊度前,所述方法还包括:
所述训练单元115训练所述模糊度判断模型。
在本发明的至少一个实施例中,所述训练单元115训练所述模糊度判断模型包括:
所述训练单元115获取采集的光场图像,利用训练的所述人脸检测器对所述采集的光场图像进行检测,得到带有人脸的光场图像,所述训练单元115将所述带有人脸的光场图像确定为第二训练样本,所述第二训练样本中包括表示清晰图片的正样本数据,及表示模糊图片的负样本数据,所述训练单元115将所述第二训练样本作为所述人脸检测器的输入数据,并结合神经网络算法训练所述模糊度判断模型。
具体地,所述训练单元115将所述第二训练样本作为输入数据输入到所述人脸检测器中,然后将所述人脸检测器的网络的全连接层所对应的参数随机初始化为0-1中的任意数值,再利用损失函数度量所述全连接层的损失,以完成对所述第二训练样本的分类。
具体地,由于所述训练单元115采用神经网络算法训练所述模糊度判断模型在现有技术中已经相对成熟,本发明在此不再赘述。
过滤单元113根据所述人脸图片的模糊度,对所述人脸图片进行过滤。
在本发明的至少一个实施例中,所述过滤单元113根据所述人脸图片的模糊度,对所述人脸图片进行过滤包括:
当所述人脸图片的模糊度小于配置的模糊值时,所述过滤单元113保留所述人脸图片。
这样,所述过滤单元113可以通过所述保留的人脸图片进行后续的分析处理,以使后续处理的数据更加准确。具体应用请参见后面的举例说明。
或者是,当所述人脸图片的模糊度大于或者等于配置的模糊值时,所述过滤单元113舍弃所述人脸图片。
这样,所述过滤单元113可以将没有使用价值的模糊图像的数据直接舍弃,既节约了存储空间,又可以避免后续利用所述人脸图片进行分析处理时,由于所述模糊图像的干扰造成分析不准确的现象发生,从而提高了分析处理的效率。
需要说明的是,本发明对所述配置的模糊值的取值不做限制,可以根据实际需要进行配置。
综上所述,本发明能获取待检测光场图像;利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;根据所述人脸图片的模糊度,对所述人脸图片进行过滤。因此,本发明能对光场图像的模糊度进行判断,进而实现对光场图像的有效过滤,既解决了光场图像中模糊图像无法有效过滤的问题,又从而增加了后续识别任务的准确度,并减少后续识别任务的***开销。
如图4所示,是本发明人脸分析装置的较佳实施例的功能模块图。所述人脸分析装置14包括获取模块141、过滤模块142、分析模块143及执行模块144。本发明所称的模块/单元是指一种能够被所述人脸分析装置14的处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在所述人脸分析装置14的存储器中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取模块141获取待检测光场图像。
过滤模块142利用所述光场图像过滤方法对所述待检测光场图像进行过滤,得到保留的人脸图片。
分析模块143对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果。
执行模块144根据所述分析结果执行与所述指定场景对应的操作。
在本发明的至少一个实施例中,所述电子设备可以对保留的人脸图片中的人物进行识别,并进行针对所述人物的进一步处理。
优选地,所述分析模块143对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,所述执行模块144根据所述分析结果执行与所述指定场景对应的操作包括:
所述分析模块143从所述保留的人脸图片中识别出带有目标人物的图像,并且所述执行模块144将识别出的带有目标人物的图像发送至至少一个终端设备。
进一步地,当所述目标人物是走失人员时,所述分析模块143获取所述走失人员的图像的拍摄时间及拍摄地点,所述执行模块144将所述走失人员的图像及获取的所述走失人员的图像的拍摄时间及拍摄地点发送至指定用户设备。
具体地,所述电子设备可以记录所述光场相机拍摄所述走失人员的图像时的时间,或者是,所述光场相机在拍摄所述走失人员的图像时,将拍摄时间显示在所述走失人员的图像上等。
具体地,所述电子设备可以记录所述光场相机拍摄所述走失人员的图像时的拍摄地点,并将所述拍摄地点确定为所述走失人员出现的地点。
这样,所述电子设备可以通过上述方式及时获取所述走失人员曾经出现过的时间及地点,以帮助相关人员(如:家属或警员)更加快速的找到所述走失人员。
进一步地,当所述目标人物是危险人物时,所述分析模块143获取所述危险人物的图像的拍摄时间及拍摄地点,所述执行模块144将所述危险人物的图像及获取的所述危险人物的图像的拍摄时间及拍摄地点发送至所述拍摄地点所属的警务服务器。
这样,所述电子设备可以及时快速的实现报警,并有拍摄的清晰的图片及获取的时间及地点作为辅助信息,另外,将上述信息发送至所述拍摄地点所属的警务服务器也可以使距离最近的警员快速进行目标人物的确认及做好抓捕准备,提高抓捕效率。
在本发明的至少一个实施例中,所述电子设备可以对车辆的摄像装置拍摄的人脸图片进行分析,以控制车辆刹车。
优选地,所述分析模块143对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,所述执行模块144根据所述分析结果执行与所述指定场景对应的操作还包括:
当所述人脸图片是指定车辆的摄像装置拍摄时,所述分析模块143判断所述保留的人脸图片中是否有行人,并且当所述人脸图片中有行人时,所述执行模块144控制所述指定车辆刹车。
例如:当所述电子设备经过一个十字路口时,所述分析模块143从识别出的清晰的所述人脸图片中判断是否有行人,具体地,所述分析模块143可以通过所述人脸图片中所对应的人物的肢体动作判断所述所对应的人物是否在行走,当所述分析模块143判断出所述所对应的人物在行走时,所述分析模块143判断有行人,所述执行模块144控制所述指定车辆刹车。
这样,所述电子设备可以通过紧急制动的方式保证车辆行驶的安全性,且在无人驾驶领域也可以起到一定安全保护作用。
如图5所示,是本发明实现光场图像过滤方法的较佳实施例的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备1还可以是但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备1还可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如光场图像过滤程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1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,例如所述电子设备1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13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,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个光场图像过滤方法实施例中的步骤,例如图1所示的步骤S10、S11、S12、S13。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:获取待检测光场图像;利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;根据所述人脸图片的模糊度,对所述人脸图片进行过滤。
示例性的,所述计算机程序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12中,并由所述处理器13执行,以完成本发明。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在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、检测单元111、确定单元112、过滤单元113、压缩单元114及训练单元115。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器12可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路,如RAM(Random-AccessMemory,随机存取存储器)、FIFO(First In First Out,)等。或者,所述存储器12也可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也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可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种光场图像过滤方法,所述处理器13可执行所述多个指令从而实现:获取待检测光场图像;利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;根据所述人脸图片的模糊度,对所述人脸图片进行过滤。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
获取光场图像,对所述光场图像进行指定景深的数字重对焦,得到数字重对焦后的光场图像,将所述数字重对焦后的光场图像确定为所述待检测光场图像。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
对所述光场图像进行压缩。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
利用矢量量化算法对所述光场图像进行压缩处理,得到量化后的压缩光场图像;
利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
利用网络爬虫技术获取第一训练样本,所述第一训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据;
根据所述第一训练样本,采用神经网络算法训练所述人脸检测器。
根据本发明优选实施例,所述处理器13还执行多个指令包括:
获取采集的光场图像;
利用训练的所述人脸检测器对所述采集的光场图像进行检测,得到带有人脸的光场图像;
将所述带有人脸的光场图像确定为第二训练样本,所述第二训练样本中包括表示清晰图片的正样本数据,及表示模糊图片的负样本数据;
将所述第二训练样本作为所述人脸检测器的输入数据,并结合神经网络算法训练所述模糊度判断模型。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种光场图像过滤方法,其特征在于,所述方法包括:
获取待检测光场图像;
利用人脸检测器对所述待检测光场图像进行检测,得到人脸图片;
利用训练好的模糊度判断模型,确定所述人脸图片的模糊度;
根据所述人脸图片的模糊度,对所述人脸图片进行过滤;
训练所述模糊度判断模型包括:获取采集的光场图像;利用所述人脸检测器对所述采集的光场图像进行检测,得到带有人脸的光场图像;将所述带有人脸的光场图像确定为第一训练样本,其中,所述第一训练样本中包括表示清晰图片的正样本数据及表示模糊图片的负样本数据;将所述第一训练样本输入到所述人脸检测器中,并将所述人脸检测器的网络的全连接层所对应的参数随机初始化为0-1中的任意数值,利用损失函数度量所述全连接层的损失,得到所述模糊度判断模型;
训练所述人脸检测器包括:利用网络爬虫技术获取第二训练样本,所述第二训练样本中包括表示人脸图片的正样本数据,及表示非人脸图片的负样本数据;根据所述第二训练样本,采用神经网络算法训练所述人脸检测器;
其中,所述获取待检测光场图像包括:
获取光场图像,对所述光场图像进行指定景深的数字重对焦,得到数字重对焦后的光场图像,将所述数字重对焦后的光场图像确定为所述待检测光场图像;
其中,对所述光场图像进行指定景深的数字重对焦包括:记LF=f(x,y,u,v)为光场图像的数学描述,
其中,LF为给定光线的辐射量,u、v为焦平面,x、y为像平面,F表示的是所述焦平面与所述像平面之间的距离,
其中,所述光场图像表示为下述公式;
如果将所述F调整为F’,则新的光场图像表示为下述公式;
其中,α表示重对焦因子,Bα表示傅里叶系数;
其中,所述方法还包括:电子设备将输入的人脸图片数据规格化,以实现数据类型和格式的统一,输入的人脸图片数据规格化为48×48,电子设备将所述输入的人脸图片数据分别输入4个3×3的卷积层、3个3×3的最大值池化层和1个全连接层,分别通过损失函数和欧式距离算法,完成对所述输入的人脸图片数据的分类,以及对所述输入的人脸图片数据中人脸位置的预测。
2.如权利要求1所述的光场图像过滤方法,其特征在于,在对所述光场图像进行指定景深的数字重对焦前,所述方法还包括:
对所述光场图像进行压缩。
3.如权利要求2所述的光场图像过滤方法,其特征在于,所述对所述光场图像进行压缩包括:
利用矢量量化算法对所述光场图像进行压缩处理,得到量化后的压缩光场图像;
利用熵编码算法对所述量化后的压缩光场图像进行处理,得到压缩后的光场图像。
4.一种人脸分析方法,其特征在于,所述方法包括:
获取待检测光场图像;
利用如权利要求1至3中任意一项所述的光场图像过滤方法对所述待检测光场图像进行过滤,得到保留的人脸图片;
对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果;
根据所述分析结果执行与所述指定场景对应的操作。
5.如权利要求4所述的人脸分析方法,其特征在于,所述对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,并根据所述分析结果执行与所述指定场景对应的操作包括:
从所述保留的人脸图片中识别出带有目标人物的图像;
将识别出的带有目标人物的图像发送至至少一个终端设备。
6.如权利要求4所述的人脸分析方法,其特征在于,所述对所述保留的人脸图片进行与指定场景对应的分析处理,得到分析结果,并根据所述分析结果执行与所述指定场景对应的操作还包括:
当所述人脸图片是指定车辆的摄像装置拍摄时,判断所述保留的人脸图片中是否有行人;
当所述人脸图片中有行人时,控制所述指定车辆刹车。
7.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至3中任意一项所述的光场图像过滤方法。
8.一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能够实现权利要求1至3中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711423426.8A CN107958231B (zh) | 2017-12-25 | 2017-12-25 | 光场图像过滤方法、人脸分析方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711423426.8A CN107958231B (zh) | 2017-12-25 | 2017-12-25 | 光场图像过滤方法、人脸分析方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958231A CN107958231A (zh) | 2018-04-24 |
CN107958231B true CN107958231B (zh) | 2022-01-11 |
Family
ID=61956924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711423426.8A Active CN107958231B (zh) | 2017-12-25 | 2017-12-25 | 光场图像过滤方法、人脸分析方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958231B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898579B (zh) * | 2018-05-30 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN110866424A (zh) * | 2018-08-28 | 2020-03-06 | 天津理工大学 | 一种基于4d光场成像的虚假人脸检测方法 |
CN112950525A (zh) * | 2019-11-22 | 2021-06-11 | 华为技术有限公司 | 图像检测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060228039A1 (en) * | 2003-02-28 | 2006-10-12 | Simon Richard A | Method and system for enhancing portrait images that are processed in a batch mode |
CN103605971A (zh) * | 2013-12-04 | 2014-02-26 | 深圳市捷顺科技实业股份有限公司 | 一种捕获人脸图像的方法及装置 |
CN105205458A (zh) * | 2015-09-16 | 2015-12-30 | 北京邮电大学 | 人脸活体检测方法、装置及*** |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
-
2017
- 2017-12-25 CN CN201711423426.8A patent/CN107958231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060228039A1 (en) * | 2003-02-28 | 2006-10-12 | Simon Richard A | Method and system for enhancing portrait images that are processed in a batch mode |
CN103605971A (zh) * | 2013-12-04 | 2014-02-26 | 深圳市捷顺科技实业股份有限公司 | 一种捕获人脸图像的方法及装置 |
CN105205458A (zh) * | 2015-09-16 | 2015-12-30 | 北京邮电大学 | 人脸活体检测方法、装置及*** |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107958231A (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10949952B2 (en) | Performing detail enhancement on a target in a denoised image | |
WO2022042049A1 (zh) | 图像融合方法、图像融合模型的训练方法和装置 | |
CN111598776B (zh) | 图像处理方法、图像处理装置、存储介质与电子设备 | |
Yi et al. | EagleEye: Wearable camera-based person identification in crowded urban spaces | |
CN111160202B (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
JP2020508010A (ja) | 画像処理およびビデオ圧縮方法 | |
WO2018113523A1 (zh) | 一种图像处理方法及装置、存储介质 | |
CN107958231B (zh) | 光场图像过滤方法、人脸分析方法及电子设备 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN110136144B (zh) | 一种图像分割方法、装置及终端设备 | |
CN112036339B (zh) | 人脸检测的方法、装置和电子设备 | |
WO2022067656A1 (zh) | 一种图像处理方法及装置 | |
US20210201501A1 (en) | Motion-based object detection method, object detection apparatus and electronic device | |
CN110111347B (zh) | 图像标志提取方法、装置及存储介质 | |
CN112351280A (zh) | 视频编码方法、装置、电子设备及可读存储介质 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
CN113379858A (zh) | 一种基于深度学习的图像压缩方法及装置 | |
CN114842466A (zh) | 目标检测方法、计算机程序产品和电子设备 | |
CN112241982A (zh) | 一种图像处理方法、装置及机器可读存储介质 | |
CN114926348B (zh) | 一种去除低照度视频噪声的装置和方法 | |
CN116664694A (zh) | 图像亮度获取模型的训练方法、图像获取方法及移动终端 | |
WO2023133888A1 (zh) | 图像处理方法、装置、遥控设备、***及存储介质 | |
CN112364200B (zh) | 一种类脑成像的方法、装置、设备及存储介质 | |
CN113628148A (zh) | 红外图像降噪方法和装置 | |
CN112907454B (zh) | 获取图像的方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |