CN108182412A - 用于检测图像类型的方法及装置 - Google Patents
用于检测图像类型的方法及装置 Download PDFInfo
- Publication number
- CN108182412A CN108182412A CN201711477373.8A CN201711477373A CN108182412A CN 108182412 A CN108182412 A CN 108182412A CN 201711477373 A CN201711477373 A CN 201711477373A CN 108182412 A CN108182412 A CN 108182412A
- Authority
- CN
- China
- Prior art keywords
- image
- stereo
- picture
- pending
- subject image
- 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
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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06V40/179—Human faces, e.g. facial parts, sketches or expressions metadata assisted face recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了用于检测图像类型的方法及装置。该方法的一具体实施方式包括:获取第一待处理图像和第二待处理图像;分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;对于上述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,上述图像类型检测模型用于通过景深信息确定图像类型,上述图像类型信息包括平面图像和立体图像。该实施方式能够对待处理图像的图像类型进行准确识别。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及图像处理技术领域,尤其涉及用于检测图像类型的方法及装置。
背景技术
人脸识别技术是一项计算机应用研究技术,它属于生物特征识别技术。通过生物体的生物特征不仅能够区分生物个体,还能够对生物个体的身体状态进行判断。例如,通过生物体图像可以判断生物是否为活体、是否处于疲劳状态;通过生物体图像还可以作为解锁的判断条件,防止活体攻击,以增加设备的安全性。
发明内容
本申请实施例的目的在于提出了用于检测图像类型的方法及装置。
第一方面,本申请实施例提供了一种用于检测图像类型的方法,该方法包括:获取第一待处理图像和第二待处理图像,上述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且上述终端设备在获取上述第一待处理图像和第二待处理图像时的焦距不同;分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;对于上述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,上述图像类型检测模型用于通过景深信息确定图像类型,上述图像类型信息包括平面图像和立体图像。
在一些实施例中,上述分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像包括:对上述第一待处理图像和第二待处理图像进行图像识别,确定对应上述第一待处理图像和第二待处理图像的至少一个第一物体图像和至少一个第二物体图像。
在一些实施例中,上述分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像还包括:为上述至少一个第一物体图像中的每个第一物体图像设置第一位置信息,为上述至少一个第二物体图像中的每个第二物体图像设置第二位置信息,并建立第一位置信息与第二位置信息之间的第一对应关系;根据上述第一对应关系建立第一物体图像和第二物体图像之间的第二对应关系。
在一些实施例中,上述方法还包括构建图像类型检测模型的步骤,上述构建图像类型检测模型的步骤包括:分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组,其中,立体图像组包括采集图像的终端设备与被拍摄的同一空间物体的位置关系不变时获取的、焦距不同的两张图像,平面图像组包括采集图像的终端设备与被拍摄的同一平面物体的位置关系不变时获取的、焦距不同的两张图像;分别从立体图像组和平面图像组中获取立体景深信息和平面景深信息,并分别为与立体景深信息和平面景深信息对应的立体图像组和平面图像组设置立体图像类型标签和平面图像类型标签;利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。
在一些实施例中,上述立体图像集合包括人脸立体图像,以及,上述从立体图像组中获取立体景深信息,并为与立体景深信息对应的立体图像组设置立体图像类型标签包括:从人脸立体图像组中获取人脸景深信息,并为与人脸景深信息对应的人脸立体图像组设置人脸图像类型标签。
在一些实施例中,上述方法还包括:当对应第一物体图像和第二物体图像的图像类型为平面图像时,发出告警信号的步骤。
第二方面,本申请实施例提供了一种网页生成装置,上述该装置包括:图像获取单元,用于获取第一待处理图像和第二待处理图像,上述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且上述终端设备在获取上述第一待处理图像和第二待处理图像时的焦距不同;物体图像确定单元,用于分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;图像类型确定单元,用于对于上述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,上述图像类型检测模型用于通过景深信息确定图像类型,上述图像类型信息包括平面图像和立体图像。
在一些实施例中,上述物体图像确定单元包括:对上述第一待处理图像和第二待处理图像进行图像识别,确定对应上述第一待处理图像和第二待处理图像的至少一个第一物体图像和至少一个第二物体图像。
在一些实施例中,上述物体图像确定单元还包括:第一对应关系建立子单元,用于为上述至少一个第一物体图像中的每个第一物体图像设置第一位置信息,为上述至少一个第二物体图像中的每个第二物体图像设置第二位置信息,并建立第一位置信息与第二位置信息之间的第一对应关系;第二对应关系建立子单元,用于根据上述第一对应关系建立第一物体图像和第二物体图像之间的第二对应关系。
在一些实施例中,上述装置还包括图像类型检测模型构建单元,用于构建图像类型检测模型,上述图像类型检测模型构建单元包括:图像提取子单元,用于分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组,其中,立体图像组包括采集图像的终端设备与被拍摄的同一空间物体的位置关系不变时获取的、焦距不同的两张图像,平面图像组包括采集图像的终端设备与被拍摄的同一平面物体的位置关系不变时获取的、焦距不同的两张图像;标签设置子单元,用于分别从立体图像组和平面图像组中获取立体景深信息和平面景深信息,并分别为与立体景深信息和平面景深信息对应的立体图像组和平面图像组设置立体图像类型标签和平面图像类型标签;图像类型检测模型构建子单元,用于利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。
在一些实施例中,上述立体图像集合包括人脸立体图像,以及,上述标签设置子单元包括:从人脸立体图像组中获取人脸景深信息,并为与人脸景深信息对应的人脸立体图像组设置人脸图像类型标签。
在一些实施例中,上述装置还包括:当对应第一物体图像和第二物体图像的图像类型为平面图像时,发出告警信号。
第三方面,本申请实施例提供了一种终端设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,变焦镜头,用于采集不同焦距的图像,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于检测图像类型的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的用于检测图像类型的方法。
本申请实施例提供的用于检测图像类型的方法及装置,首先从不同焦距下采集的第一待处理图像和第二待处理图像中获取到第一物体图像和第二物体图像,然后将第一物体图像和第二物体图像导入图像类型检测模型,确定第一物体图像和第二物体图像的图像类型信息,能够对待处理图像的图像类型进行准确识别。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于检测图像类型的方法的一个实施例的流程图;
图3是根据本申请的用于检测图像类型的方法的一个应用场景的示意图;
图4是根据本申请的用于检测图像类型的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测图像类型的方法或用于检测图像类型的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送图像等。终端设备101、102、103上可以安装有各种图像采集应用,例如照相机应用、视频采集应用、人脸安全检测应用、眨眼检测应用等。
终端设备101、102、103可以是具有显示屏并且支持视图像采集的各种电子设备,包括但不限于网络摄像头、监控摄像头、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103采集的图像进行处理的服务器。服务器可以对接收到的视频进行人脸识别、图像识别、眨眼检测等处理,并将处理结果反馈给终端设备101、102、103。
需要说明的是,本申请实施例所提供的用于检测图像类型的方法一般由终端设备101、102、103执行,相应地,用于检测图像类型的装置一般设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于检测图像类型的方法的一个实施例的流程200。该用于检测图像类型的方法包括以下步骤:
步骤201,获取第一待处理图像和第二待处理图像。
在本实施例中,用于检测图像类型的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以通过有线连接方式或者无线连接方式从用户利用其进行图像采集的终端接收第一待处理图像和第二待处理图像,其中,上述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且上述终端设备在获取上述第一待处理图像和第二待处理图像时的焦距不同。可选的,焦距的范围可以是20毫米至200毫米。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
随着人脸识别技术的发展,以前通过输入密码或识别指纹来解锁的方式,一定程度上替换为通过识别人脸来解锁。为来防止他人用人脸照片等活体攻击方式解锁智能设备的情况,现有的方法通常在人脸解锁时附加“眨眼”等操作,以提高人脸解锁的安全性。但是,如果他人获取到智能设备的所有人的眨眼视频后,也存在通过该视频解锁智能设备的可能。
实际中,采集图像的镜头通常具有变焦功能,真实的人脸在不同焦距下的人脸图像会有变化。为此,本申请实施例可以通过在不同焦距下获取的第一待处理图像和第二待处理图像,之后对第一待处理图像和第二待处理图像内的被拍摄物进行判断,提高对被拍摄物识别的准确性。例如,当需要通过人脸对终端设备101、102、103解锁或对终端设备101、102、103上的某个应用解锁时,终端设备101、102、103可以控制镜头采集不同焦距下的人脸图像,得到第一待处理图像和第二待处理图像。需要说明的是,用于解锁的被拍摄物除了人脸外,还可以是其他物体,具体视实际需要而定。
步骤202,分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像。
变焦镜头在采集第一待处理图像和第二待处理图像时,第一待处理图像和第二待处理图像内可能包含多个物体的图像。为了对物体的图像进行分析,需要确定第一待处理图像和第二待处理图像各自包含的物体图像。
在本实施例的一些可选的实现方式中,上述分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像可以包括:对上述第一待处理图像和第二待处理图像进行图像识别,确定对应上述第一待处理图像和第二待处理图像的至少一个第一物体图像和至少一个第二物体图像。
获取到第一待处理图像和第二待处理图像后,可以通过图像识别的方法,分别对第一待处理图像和第二待处理图像进行图像处理,识别出第一待处理图像和第二待处理图像各自包含的物体图像。
在本实施例的一些可选的实现方式中,上述分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像还可以包括以下步骤:
第一步,为上述至少一个第一物体图像中的每个第一物体图像设置第一位置信息,为上述至少一个第二物体图像中的每个第二物体图像设置第二位置信息,并建立第一位置信息与第二位置信息之间的第一对应关系。
第一待处理图像和第二待处理图像是变焦镜头在不同焦距下获取的,因此,第一待处理图像和第二待处理图像内包含了多个相同的物体的图像。为了后续对物体图像进行分析,需要建立第一待处理图像和第二待处理图像中对应同一物体的物体图像之间的对应关系。本实施例可以为第一物体图像中的每个第一物体图像设置第一位置信息;为第二物体图像中的每个第二物体图像设置第二位置信息,然后建立同一物体对应的第一位置信息和第二位置信息之间的第一对应关系。
第二步,根据上述第一对应关系建立第一物体图像和第二物体图像之间的第二对应关系。
得到第一对应关系后,可以确定第一对应关系中第一位置信息对应的第一物体图像和第二位置信息对应的第二物体图像之间的第二对应关系。
步骤203,对于上述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息。
本实施例的图像类型检测模型可以用于通过景深信息确定图像类型。判断物体图像的图像类型时,可以将同一物体的两个物体图像导入图像类型检测模型进行识别,图像类型检测模型会根据输入的两个物体图像的特征来输出第一物体图像和第二物体图像的图像类型信息。其中,图像类型检测模型可以是技术人员基于对大量的物体图像和图像类型信息的统计而预先制定的、存储有多个物体图像和图像类型信息的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的,对物体图像进行数值计算以得到用于表征图像类型信息的计算结果的计算公式。例如,该计算公式可以是对镜头在焦距不同情况下采集的同一物体的物体图像进行特征计算的公式。本实施例的上述图像类型信息可以包括平面图像和立体图像。本实施例将图像类型可以分为立体图像和平面图像两种,其中,立体图像可以为物体的面向镜头的一侧为立体结构时镜头获取的图像,例如:人脸正对镜头时镜头采集的图像就可以认为是立体图像;平面图像可以为物体的面向镜头的一侧为平面结构时镜头采集的图像,例如:镜头面向办公桌的桌面采集的图像就可以认为是平面图像。
在本实施例的一些可选的实现方式中,上述方法还可以包括构建图像类型检测模型的步骤,上述构建图像类型检测模型的步骤可以包括以下步骤:
第一步,分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组。
为了得到图像类型检测模型,需要对各种图像类型进行分析处理。而上述的立体图像和平面图像在不同焦距情况下采集的图像具有明显不同的图像特征,因此,可以用来获取本实施例需要的图像类型检测模型。首先,可以分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组。其中,立体图像组包括采集图像的终端设备与被拍摄的同一空间物体的位置关系不变时获取的、焦距不同的两张图像。例如:人脸与镜头相对静止的情况下,镜头在不同焦距时采集的两张人脸正面的图像。平面图像组包括采集图像的终端设备与被拍摄的同一平面物体的位置关系不变时获取的、焦距不同的两张图像。例如:镜头面向办公桌的桌面且相对静止的情况下,镜头在不同焦距时采集的两张办公桌的桌面的图像。
第二步,分别从立体图像组和平面图像组中获取立体景深信息和平面景深信息,并分别为与立体景深信息和平面景深信息对应的立体图像组和平面图像组设置立体图像类型标签和平面图像类型标签。
在焦距不同的情况下,立体图像和平面图像的图像特征明显不同。因此,本申请实施例可以通过图像特征中的景深信息来对立体图像和平面图像加以识别。其中,景深是指在摄影机镜头或其他成像器前沿能够取得清晰图像的成像所测定的被摄物体前后距离范围。而光圈、镜头、及拍摄物的距离是影响景深的重要因素。在聚焦完成后,焦点前后的范围内所呈现的清晰图像,这一前一后的距离范围,便叫做景深。在镜头前方(调焦点的前、后)有一段一定长度的空间,当被摄物***于这段空间内时,其在底片上的成像恰位于焦点前后这两个弥散圆之间,被摄体所在的这段空间的长度,就叫景深。景深在图像上对应的特征信息(如线条,清晰度、颜色等)就可以认为是景深信息。景深信息可以通过信息计算、信息提取等方式获得;之后,将景深信息按照立体图像和平面图像划分为立体景深信息和平面景深信息;最后,可以分别为立体景深信息设置立体图像类型标签、为平面图像组设置平面图像类型标签。
第三步,利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。
本实施例的上述电子设备可以利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。具体的,上述电子设备可以深度学***面图像组作为模型输入,将上述与平面图像组对应的平面图像类型标签的模型输出,利用机器学习方法,对该模型进行训练,得到图像类型检测模型。
在本实施例的一些可选的实现方式中,上述立体图像集合包括人脸立体图像,以及,上述从立体图像组中获取立体景深信息,并为与立体景深信息对应的立体图像组设置立体图像类型标签可以包括:从人脸立体图像组中获取人脸景深信息,并为与人脸景深信息对应的人脸立体图像组设置人脸图像类型标签。
立体图像集合可以包含有多种类型的立体图像。可选的,本实施例的立体图像集合包括人脸立体图像。从人脸立体图像中选取不同焦距下获取的同一张真实人脸的图像构成人脸立体图像组;然后,可以得到该人脸立体图像组的人脸景深信息,人脸景深信息可以反映人脸的立体结构;之后,为该人脸景深信息设置人脸图像类型标签;最后,通过机器学习方法,建立各种人脸立体图像组和人脸图像类型标签的对应关系。如此,训练得到的图像类型检测模型在接收到的第一物体图像和第二物体图像包含人脸立体图像时,可以输出对应的人脸图像类型标签,实现对人脸立体图像的识别。
在本实施例的一些可选的实现方式中,上述方法还包括:当对应第一物体图像和第二物体图像的图像类型为平面图像时,发出告警信号的步骤。
上述的步骤可以确定物体图像对应的图像类型信息。在一些场景下,在识别出物体图像的图像类型信息后,还需要根据不同的图像类型信息进行不同的数据处理。例如,在通过人脸解锁的场景下,当检测到人脸图像的图像类型信息为立体图像时,进一步判定立体图像是否为人脸立体图像,如果是,则认为镜头采集的人脸图像对应的是真实的人脸,即,镜头采集的是活体人脸的图像。此时可以认为是安全的解锁(该活体人脸也应该是与解锁对应的人脸);当检测到人脸图像的图像类型信息为平面图像,或虽然是立体图像但不是人脸立体图像(不符合人脸立体结构)时,认为镜头采集的人脸图像对应的不是真实的人脸,进一步可以认为是活体攻击(用非活体进行本应由活体进行的操作)的情况。此时,可以发出告警信息,告知用户或对应的数据处理服务器,当前出现活体攻击等情况。
继续参见图3,图3是根据本实施例的用于检测图像类型的方法的应用场景的一个示意图。在图3的应用场景中,通过人脸对终端设备进行解锁操作。终端设备上的镜头采集不同焦距下的两张包含人脸的第一待处理图像和第二待处理图像;然后,分别从第一待处理图像和第二待处理图像中确定出第一人脸图像和第二人脸图像;之后,将第一人脸图像和第二人脸图像导入图像类型检测模型,从而确定第一待处理图像和第二待处理图像中的人脸图像是否是真实的人脸。当图像类型检测模型得到的图像类型信息确定人脸图像为人脸立体图像时,可以认为镜头采集到了真实人脸的图像,进而进行解锁操作;反之,人脸图像为平面图像时,可以认为终端设备正在遭受活体攻击。终端设备可以通过声音、光等方式发出告警信号,还可以向对应服务器发送当前终端设备的位置信号等信息,并对终端设备进行上锁等操作,提高了终端设备解锁的安全性。
本申请的上述实施例提供的方法首先从不同焦距下采集的第一待处理图像和第二待处理图像中获取到第一物体图像和第二物体图像,然后将第一物体图像和第二物体图像导入图像类型检测模型,确定第一物体图像和第二物体图像的图像类型信息,能够对待处理图像的图像类型进行准确识别。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于检测图像类型的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于检测图像类型的装置400可以包括:图像获取单元401、物体图像确定单元402和图像类型确定单元403。其中,图像获取单元401用于获取第一待处理图像和第二待处理图像,上述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且上述终端设备在获取上述第一待处理图像和第二待处理图像时的焦距不同;物体图像确定单元402用于分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;图像类型确定单元403用于对于上述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,上述图像类型检测模型用于通过景深信息确定图像类型,上述图像类型信息包括平面图像和立体图像。
在本实施例的一些可选的实现方式中,上述物体图像确定单元402可以包括:对上述第一待处理图像和第二待处理图像进行图像识别,确定对应上述第一待处理图像和第二待处理图像的至少一个第一物体图像和至少一个第二物体图像。
在本实施例的一些可选的实现方式中,上述物体图像确定单元402还可以包括:第一对应关系建立子单元(图中未示出)和第二对应关系建立子单元(图中未示出)。其中,第一对应关系建立子单元用于为上述至少一个第一物体图像中的每个第一物体图像设置第一位置信息,为上述至少一个第二物体图像中的每个第二物体图像设置第二位置信息,并建立第一位置信息与第二位置信息之间的第一对应关系;第二对应关系建立子单元,用于根据上述第一对应关系建立第一物体图像和第二物体图像之间的第二对应关系。
在本实施例的一些可选的实现方式中,用于检测图像类型的装置400还可以包括图像类型检测模型构建单元(图中未示出),用于构建图像类型检测模型,上述图像类型检测模型构建单元可以包括:图像提取子单元(图中未示出)、标签设置子单元(图中未示出)和图像类型检测模型构建子单元(图中未示出)。其中,图像提取子单元用于分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组,其中,立体图像组包括采集图像的终端设备与被拍摄的同一空间物体的位置关系不变时获取的、焦距不同的两张图像,平面图像组包括采集图像的终端设备与被拍摄的同一平面物体的位置关系不变时获取的、焦距不同的两张图像;标签设置子单元用于分别从立体图像组和平面图像组中获取立体景深信息和平面景深信息,并分别为与立体景深信息和平面景深信息对应的立体图像组和平面图像组设置立体图像类型标签和平面图像类型标签;图像类型检测模型构建子单元用于利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。
在本实施例的一些可选的实现方式中,上述立体图像集合包括人脸立体图像,以及,上述标签设置子单元包括:从人脸立体图像组中获取人脸景深信息,并为与人脸景深信息对应的人脸立体图像组设置人脸图像类型标签。
在本实施例的一些可选的实现方式中,用于检测图像类型的装置400还可以包括:当对应第一物体图像和第二物体图像的图像类型为平面图像时,发出告警信号。
本实施例还提供了一种终端设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,变焦镜头,用于采集不同焦距的图像,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述的用于检测图像类型的方法。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于检测图像类型的方法。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像获取单元、物体图像确定单元和图像类型确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像类型确定单元还可以被描述为“用于确定图像的图像类型的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取第一待处理图像和第二待处理图像,上述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且上述终端设备在获取上述第一待处理图像和第二待处理图像时的焦距不同;分别确定上述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;对于上述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,上述图像类型检测模型用于通过景深信息确定图像类型,上述图像类型信息包括平面图像和立体图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于检测图像类型的方法,其特征在于,所述方法包括:
获取第一待处理图像和第二待处理图像,所述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且所述终端设备在获取所述第一待处理图像和第二待处理图像时的焦距不同;
分别确定所述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;
对于所述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,所述图像类型检测模型用于通过景深信息确定图像类型,所述图像类型信息包括平面图像和立体图像。
2.根据权利要求1所述的方法,其特征在于,所述分别确定所述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像包括:
对所述第一待处理图像和第二待处理图像进行图像识别,确定对应所述第一待处理图像和第二待处理图像的至少一个第一物体图像和至少一个第二物体图像。
3.根据权利要求2所述的方法,其特征在于,所述分别确定所述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像还包括:
为所述至少一个第一物体图像中的每个第一物体图像设置第一位置信息,为所述至少一个第二物体图像中的每个第二物体图像设置第二位置信息,并建立第一位置信息与第二位置信息之间的第一对应关系;
根据所述第一对应关系建立第一物体图像和第二物体图像之间的第二对应关系。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括构建图像类型检测模型的步骤,所述构建图像类型检测模型的步骤包括:
分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组,其中,立体图像组包括采集图像的终端设备与被拍摄的同一空间物体的位置关系不变时获取的、焦距不同的两张图像,平面图像组包括采集图像的终端设备与被拍摄的同一平面物体的位置关系不变时获取的、焦距不同的两张图像;
分别从立体图像组和平面图像组中获取立体景深信息和平面景深信息,并分别为与立体景深信息和平面景深信息对应的立体图像组和平面图像组设置立体图像类型标签和平面图像类型标签;
利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。
5.根据权利要求4所述的方法,其特征在于,所述立体图像集合包括人脸立体图像,以及
所述从立体图像组中获取立体景深信息,并为与立体景深信息对应的立体图像组设置立体图像类型标签包括:
从人脸立体图像组中获取人脸景深信息,并为与人脸景深信息对应的人脸立体图像组设置人脸图像类型标签。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:当对应第一物体图像和第二物体图像的图像类型为平面图像时,发出告警信号的步骤。
7.一种用于检测图像类型的装置,其特征在于,所述装置包括:
图像获取单元,用于获取第一待处理图像和第二待处理图像,所述第一待处理图像和第二待处理图像是在采集图像的终端设备与被拍摄的同一物体的位置关系不变时获取的,且所述终端设备在获取所述第一待处理图像和第二待处理图像时的焦距不同;
物体图像确定单元,用于分别确定所述第一待处理图像和第二待处理图像中的至少一个第一物体图像和至少一个第二物体图像;
图像类型确定单元,用于对于所述至少一个第一物体图像中的每一个第一物体图像,将第一物体图像和与该第一物体图像对应的第二物体图像导入图像类型检测模型,得到对应第一物体图像和第二物体图像的图像类型信息,所述图像类型检测模型用于通过景深信息确定图像类型,所述图像类型信息包括平面图像和立体图像。
8.根据权利要求7所述的装置,其特征在于,所述物体图像确定单元包括:
对所述第一待处理图像和第二待处理图像进行图像识别,确定对应所述第一待处理图像和第二待处理图像的至少一个第一物体图像和至少一个第二物体图像。
9.根据权利要求8所述的装置,其特征在于,所述物体图像确定单元还包括:
第一对应关系建立子单元,用于为所述至少一个第一物体图像中的每个第一物体图像设置第一位置信息,为所述至少一个第二物体图像中的每个第二物体图像设置第二位置信息,并建立第一位置信息与第二位置信息之间的第一对应关系;
第二对应关系建立子单元,用于根据所述第一对应关系建立第一物体图像和第二物体图像之间的第二对应关系。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括图像类型检测模型构建单元,用于构建图像类型检测模型,所述图像类型检测模型构建单元包括:
图像提取子单元,用于分别从立体图像集合和平面图像集合中提取立体图像组和平面图像组,其中,立体图像组包括采集图像的终端设备与被拍摄的同一空间物体的位置关系不变时获取的、焦距不同的两张图像,平面图像组包括采集图像的终端设备与被拍摄的同一平面物体的位置关系不变时获取的、焦距不同的两张图像;
标签设置子单元,用于分别从立体图像组和平面图像组中获取立体景深信息和平面景深信息,并分别为与立体景深信息和平面景深信息对应的立体图像组和平面图像组设置立体图像类型标签和平面图像类型标签;
图像类型检测模型构建子单元,用于利用机器学***面图像组作为输入,将分别与立体图像组和平面图像组对应的立体图像类型标签和平面图像类型标签作为输出,训练得到图像类型检测模型。
11.根据权利要求10所述的方法,其特征在于,所述立体图像集合包括人脸立体图像,以及
所述标签设置子单元包括:
从人脸立体图像组中获取人脸景深信息,并为与人脸景深信息对应的人脸立体图像组设置人脸图像类型标签。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:当对应第一物体图像和第二物体图像的图像类型为平面图像时,发出告警信号。
13.一种终端设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
变焦镜头,用于采集不同焦距的图像;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求1至6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477373.8A CN108182412A (zh) | 2017-12-29 | 2017-12-29 | 用于检测图像类型的方法及装置 |
US16/129,421 US10832037B2 (en) | 2017-12-29 | 2018-09-12 | Method and apparatus for detecting image type |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477373.8A CN108182412A (zh) | 2017-12-29 | 2017-12-29 | 用于检测图像类型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182412A true CN108182412A (zh) | 2018-06-19 |
Family
ID=62548878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711477373.8A Pending CN108182412A (zh) | 2017-12-29 | 2017-12-29 | 用于检测图像类型的方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10832037B2 (zh) |
CN (1) | CN108182412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767961A (zh) * | 2020-07-02 | 2020-10-13 | 宁波杜比医疗科技有限公司 | 一种生化分析检测***及其检测方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609462A (zh) * | 2017-07-20 | 2018-01-19 | 北京百度网讯科技有限公司 | 待检测信息生成及活体检测方法、装置、设备及存储介质 |
CN108229376B (zh) * | 2017-12-29 | 2022-06-03 | 百度在线网络技术(北京)有限公司 | 用于检测眨眼的方法及装置 |
DE102018219867B4 (de) * | 2018-11-20 | 2020-10-29 | Leica Microsystems Cms Gmbh | Lernender Autofokus |
CN110929557A (zh) * | 2019-09-25 | 2020-03-27 | 四川大学锦城学院 | 一种基于活体检测的智能安防方法、***及处理装置 |
US11294996B2 (en) * | 2019-10-15 | 2022-04-05 | Assa Abloy Ab | Systems and methods for using machine learning for image-based spoof detection |
US11348375B2 (en) | 2019-10-15 | 2022-05-31 | Assa Abloy Ab | Systems and methods for using focal stacks for image-based spoof detection |
US11275959B2 (en) | 2020-07-07 | 2022-03-15 | Assa Abloy Ab | Systems and methods for enrollment in a multispectral stereo facial recognition system |
CN112613513A (zh) * | 2020-12-31 | 2021-04-06 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和*** |
JP2024509782A (ja) * | 2021-02-25 | 2024-03-05 | レイア、インコーポレイテッド | マルチビューファイルフォーマットを検出するシステムおよび方法 |
GB2621390A (en) * | 2022-08-11 | 2024-02-14 | Openorigins Ltd | Methods and systems for scene verification |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100104195A1 (en) * | 2008-10-28 | 2010-04-29 | Asustek Computer Inc. | Method for Identifying Dimensions of Shot Subject |
US20140049373A1 (en) * | 2012-08-17 | 2014-02-20 | Flashscan3D, Llc | System and method for structured light illumination with spoofing detection |
CN105512637A (zh) * | 2015-12-22 | 2016-04-20 | 联想(北京)有限公司 | 图像处理方法和电子设备 |
US20160379050A1 (en) * | 2015-06-26 | 2016-12-29 | Kabushiki Kaisha Toshiba | Method for determining authenticity of a three-dimensional object |
CN107463875A (zh) * | 2017-07-03 | 2017-12-12 | 金讯***管理有限公司 | 一种判断人员身份的方法和装置 |
CN107491775A (zh) * | 2017-10-13 | 2017-12-19 | 理光图像技术(上海)有限公司 | 人脸活体检测方法、装置、存储介质及设备 |
CN107506687A (zh) * | 2017-07-17 | 2017-12-22 | 广东欧珀移动通信有限公司 | 活体检测方法及相关产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5089545B2 (ja) * | 2008-09-17 | 2012-12-05 | 日立オートモティブシステムズ株式会社 | 道路境界検出判断装置 |
US9142010B2 (en) * | 2012-01-04 | 2015-09-22 | Audience, Inc. | Image enhancement based on combining images from multiple cameras |
-
2017
- 2017-12-29 CN CN201711477373.8A patent/CN108182412A/zh active Pending
-
2018
- 2018-09-12 US US16/129,421 patent/US10832037B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100104195A1 (en) * | 2008-10-28 | 2010-04-29 | Asustek Computer Inc. | Method for Identifying Dimensions of Shot Subject |
US20140049373A1 (en) * | 2012-08-17 | 2014-02-20 | Flashscan3D, Llc | System and method for structured light illumination with spoofing detection |
US20160379050A1 (en) * | 2015-06-26 | 2016-12-29 | Kabushiki Kaisha Toshiba | Method for determining authenticity of a three-dimensional object |
CN105512637A (zh) * | 2015-12-22 | 2016-04-20 | 联想(北京)有限公司 | 图像处理方法和电子设备 |
CN107463875A (zh) * | 2017-07-03 | 2017-12-12 | 金讯***管理有限公司 | 一种判断人员身份的方法和装置 |
CN107506687A (zh) * | 2017-07-17 | 2017-12-22 | 广东欧珀移动通信有限公司 | 活体检测方法及相关产品 |
CN107491775A (zh) * | 2017-10-13 | 2017-12-19 | 理光图像技术(上海)有限公司 | 人脸活体检测方法、装置、存储介质及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767961A (zh) * | 2020-07-02 | 2020-10-13 | 宁波杜比医疗科技有限公司 | 一种生化分析检测***及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190205622A1 (en) | 2019-07-04 |
US10832037B2 (en) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182412A (zh) | 用于检测图像类型的方法及装置 | |
CN108416326B (zh) | 人脸识别方法和装置 | |
CN108491805B (zh) | 身份认证方法和装置 | |
US10691940B2 (en) | Method and apparatus for detecting blink | |
CN107909065A (zh) | 用于检测人脸遮挡的方法及装置 | |
WO2021021372A1 (en) | Alignment of antennas on near field communication devices for communication | |
CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
CN108494778A (zh) | 身份认证方法和装置 | |
CN108171204A (zh) | 检测方法和装置 | |
CN109697388A (zh) | 人脸识别方法和装置 | |
CN108062544A (zh) | 用于人脸活体检测的方法和装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN108509916A (zh) | 用于生成图像的方法和装置 | |
US20200334429A1 (en) | Alignment of Antennas on Near Field Communication Devices for Communication | |
CN108509888B (zh) | 用于生成信息的方法和装置 | |
JP2020524928A (ja) | 制限エリア内の不認可のユーザを識別することを可能にする情報要素をデバイスに提供する方法 | |
CN109241934A (zh) | 用于生成信息的方法和装置 | |
CN110059624A (zh) | 用于检测活体的方法和装置 | |
CN109871791A (zh) | 图像处理方法和装置 | |
CN108460366A (zh) | 身份认证方法和装置 | |
US20210264198A1 (en) | Positioning method and apparatus | |
CN109961501A (zh) | 用于建立三维立体模型的方法和装置 | |
CN108038473B (zh) | 用于输出信息的方法和装置 | |
CN111738199B (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN108462832A (zh) | 用于获取图像的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180619 |