CN108764067A - 基于人脸识别的视频截取方法、终端、设备及可读介质 - Google Patents

基于人脸识别的视频截取方法、终端、设备及可读介质 Download PDF

Info

Publication number
CN108764067A
CN108764067A CN201810431169.0A CN201810431169A CN108764067A CN 108764067 A CN108764067 A CN 108764067A CN 201810431169 A CN201810431169 A CN 201810431169A CN 108764067 A CN108764067 A CN 108764067A
Authority
CN
China
Prior art keywords
image
cluster
feature vector
face
video
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
Application number
CN201810431169.0A
Other languages
English (en)
Inventor
沈操
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.)
Beijing Dami Technology Co Ltd
Original Assignee
Beijing Dami Technology 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 Beijing Dami Technology Co Ltd filed Critical Beijing Dami Technology Co Ltd
Priority to CN201810431169.0A priority Critical patent/CN108764067A/zh
Publication of CN108764067A publication Critical patent/CN108764067A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G06V20/47—Detecting features for summarising video content
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供的基于人脸识别的视频截取方法、终端、设备及可读介质，其终端包括截取单元、检测单元、聚类单元以及选取单元，其基于人脸识别技术，提高了视频截取的精确度和针对性，并且不需要人工筛选，节省了人力物力。当其应用于学生视频截取时，可以有效区分学生和家长，提高了在线课堂录像的使用体验。

Description

基于人脸识别的视频截取方法、终端、设备及可读介质
技术领域
本发明涉及视频截取技术领域。更具体地，涉及基于人脸识别的视频截取方法、终端、设备及可读介质。
背景技术
在视频处理中，往往需要对视频中的某个人物的图像进行截取，或者需要截取一个最具代表性的图像作为该视频的封面图像，但现有视频截取往往需要人工筛选，费时费力，存在不足。
发明内容
为了解决上述技术问题中的至少一个，本发明的第一个方面提供了一种基于人脸识别的视频截取方法，包括：
截取视频中不同帧的图像；
依次检测该些图像，并剔除包括多个人脸或没有人脸的图像；
对仅包括一个人脸的图像进行聚类处理，得到不同人物的图像簇；
选取其中一个图像簇中的一张图像作为该图像簇的封面图像，或者选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成仅包括该图像簇对应的人物视频。
在一个优选的实施例中，所述对仅包括一个人脸的图像进行聚类处理包括：
基于图像中人脸的特征，提取反映人脸特征的特征向量；
根据图像中人脸的特征向量，随机生成多个初始特征向量作为质心，每个质心对应一个特征向量簇；
依次计算特征向量与所有质心的距离，并将其分类至与其距离最近的质心所在的特征向量簇；
求取每个特征向量簇的平均特征向量，并与该特征向量簇中的质心比较，若不一致，则将求取的平均特征向量作为新的质心，将特征向量重新分类。
在另一个优选的实施例中，所述图像簇包括学生图像簇，所述选取其中一个图像簇中的一张图像作为该人物的封面图像被配置为选取清晰度最高的图像、选取人物眼睛最大的图像或者选取人物笑脸图片作为人物封面图像。
在又一个优选的实施例中，所述图像簇包括学生图像簇，所述选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成视频被配置为选取学生图像簇中的所有图像，将该所有图像按时间排列形成学生精彩时间视频。
本发明第二方面提供一种基于人脸识别的视频截取终端，包括：
截取单元，截取视频中不同帧的图像；
检测单元，依次检测该些图像，并剔除包括多个人脸或没有人脸的图像；
聚类单元，对仅包括一个人脸的图像进行聚类处理，得到不同人物的图像簇；
选取单元，基于选取条件，选取其中一个图像簇中的一张图像作为该人物的封面图像，或者选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成仅包括该图像簇对应的人物视频。
在一个优选的实施例中，所述聚类单元包括：
提取单元，基于图像中人脸的特征，提取反映人脸特征的特征向量；
初始单元，根据图像中人脸的特征向量，随机生成多个初始特征向量作为质心，每个质心对应一个特征向量簇；
分类单元，依次计算特征向量与所有质心的距离，并将其分类至与其距离最近的质心所在的特征向量簇；以及
比较单元，求取每个特征向量簇的平均特征向量，并与该特征向量簇中的质心比较，若不一致，则将求取的平均特征向量作为新的质心，将特征向量重新分类。
在另一个优选的实施例中，所述特征向量、初始特征向量以及平均特征向量的维度为128维。
在又一个优选的实施例中，所述图像簇包括学生图像簇，所述选取单元被配置为选取清晰度最高的图像、选取人物眼睛最大的图像或者选取人物笑脸图片作为人物封面图像。
在又一个优选的实施例中，所述图像簇包括学生图像簇，所述选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成视频被配置为选取学生图像簇中的所有图像，将该所有图像按时间排列形成学生精彩时间视频。
本发明第三方面提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，
所述处理器执行所述程序时实现如上所述方法。
本发明第四方面提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
本发明的有益效果如下：
本发明实施例提供的基于人脸识别的视频截取方法、终端、设备及可读介质，其基于人脸识别技术，提高了视频截取的精确度和针对性，并且不需要人工筛选，节省了人力物力。当其应用于学生视频截取时，可以有效区分学生和家长，提高了在线课堂录像的使用体验。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出了根据本发明一个实施例的基于人脸识别的视频截取方法流程图。
图2示出了图1中示出的S103步骤的具体流程示意图。
图3示出了根据本发明一个实施例的基于人脸识别的视频截取终端结构示意图。
图4示出了图3中聚类单元的具体结构示意图。
图5示出了适用于用来实现本发明实施例的终端设备的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
在附图中示出了根据本发明公开实施例的各种截面图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及他们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
在视频处理中，往往需要对视频中的某个人物的图像进行截取，或者需要截取一个最具代表性的图像作为该视频的封面图像，现有技术仍然存在诸多不足。例如，在学生的课堂录像视频中，往往包含有学生家长的画面镜头，在对视频进行处理时，比如，挑选学生的封面照片，一般会截取录像视频的某些帧，但这些帧中，可能会包含家长，或者，学生和家长在一起，此时需要把有家长人脸的帧排除掉。
图1示出了根据本发明一个实施例的基于人脸识别的视频截取方法流程图，如图1所示，该方法包括如下步骤：
S101:截取视频中不同帧的图像。
在一些具体实施例中，视频为学生在线课堂的录像视频，其通过录制学生上课，从而监督学生进行在线学习。该视频中大多数时候仅仅包括学生，有时家长也会出现在视频中。
S102:依次检测该些图像，并剔除包括多个人脸或没有人脸的图像。
以在学生上课的实施例中，截取的图像包括三种情况：仅包括学生(一个人脸)、仅包括家长(一个人脸)以及包括学生和家长(两个人脸)，该步骤能够去除包括学生和家长的情况。
S103:对仅包括一个人脸的图像进行聚类处理，得到不同人物的图像簇。
聚类处理可以理解为将多个不同图像按照一定的规则分类，具体的，请结合图2，所述聚类处理包括：
S131:基于图像中人脸的特征，提取反映人脸特征的特征向量。
由于视频中的图像像素大小一致，假设其为100*100，由于每个像素有RGB三个通道，每个像素通道由0-255范围的字节表示，则共有3个100*100的矩阵计3万个字节作为输入数据，因此，该些输入数据可以通过本领域公知的近似函数将其转化为特征值，该特征值通常采用特征向量表示，向量的维度为其中的数值个数，显然，在一定范围内维度较大时识别精度更高。
优选的，特征向量为128维向量，例如以faceID表示特征向量，即第一张图像可以表示为faceID1，第二张图像表示为faceID2，后续以此类推。
S132:根据图像中人脸的特征向量，随机生成多个初始特征向量作为质心，每个质心对应一个特征向量簇。
初始特征向量可以根据预先存储的标准图像设定，该标准图像中仅包括一个人脸，也可以根据人脸的特征向量的集中值，确定一个近似的初始特征向量，在本实施例中，初始特征向量可以计为faceID0。
S133:依次计算特征向量与所有质心的距离，并将其分类至与其距离最近的质心所在的特征向量簇。
由于特征向量由多个数值形成，因此，每个数值与其对应质心的数值具有数值差，可以通过计算该些数值差的平均差值(例如标准差)该特征向量与质心的距离远近，计算每个特征向量与每个质心的距离，将特征向量分类至与其距离最近(计算出的差值最小)的特征向量簇中。
S134:求取每个特征向量簇的平均特征向量，并与该特征向量簇中的质心比较，若不一致，则将求取的平均特征向量作为新的质心，将特征向量重新分类。
具体的，可以为简单的加和平均，也可以为本领域技术人员公知的加权平均等方式求取平均特征向量，本发明实施例不限于此，若该平均特征向量与质心完全一致(即每一个维度的数值均一致)，则确认该特征向量分类符合标标准，若不一致，则重新分类，并将该平均特征向量作为新的质心，重复该步骤。
S104:选取其中一个图像簇中的一张图像作为该图像簇的封面图像，或者选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成仅包括该图像簇对应的人物视频。
再次以学生在线上课录像为例，当进行S101-S103后，可以分类出学生类和家长类，从学生类的图像簇中找出一张眼睛最大(例如可以用特征向量表示为某些维的数值较大)、人物笑脸或者清晰度最高的图像作为封面图像，以便于视频保存分类，或者选取学生类图像簇中的多个图像，例如可以是学生类的所有图像，记录该所有图像的时间点，并将该所有图像按照时间排列形成新的视频，该视频为学生精彩时间视频。
本发明实施例提供的基于人脸识别的视频截取方法，基于人脸识别，提高了视频截取的精确度和针对性，并且不需要人工筛选，节省了人力物力。当其应用于学生视频截取时，可以有效区分学生和家长，提高了在线课堂录像的使用体验。
图3示出本发明另一个实施例提供基于人脸识别的视频截取终端，该终端可以是手机端、电脑端等，其可以为供使用者使用的前端，也可以为供制作者的制作的后端，本发明实施例不限于此。
该实施例中，其终端具体包括：
截取单元101，截取视频中不同帧的图像。
具体的，视频可以为学生在线课堂的录像视频，其通过录制学生上课，从而监督学生进行在线学习。该视频中大多数时候仅仅包括学生，有时家长也会出现在视频中。
检测单元102，依次检测该些图像，并剔除包括多个人脸或没有人脸的图像。
以在学生上课的实施例中，截取的图像包括三种情况：仅包括学生(一个人脸)、仅包括家长(一个人脸)以及包括学生和家长(两个人脸)，该步骤能够去除包括学生和家长的情况。
聚类单元103，对仅包括一个人脸的图像进行聚类处理，得到不同人物的图像簇。
其中，图4示出聚类单元的具体结构单元，其具体包括：
提取单元131，基于图像中人脸的特征，提取反映人脸特征的特征向量。
优选的，特征向量为128维向量。
初始单元132，根据图像中人脸的特征向量，随机生成多个初始特征向量作为质心，每个质心对应一个特征向量簇。
初始特征向量可以根据预先存储的标准图像设定，该标准图像中仅包括一个人脸，也可以根据人脸的特征向量的集中值，确定一个近似的初始特征向量。
分类单元133，依次计算特征向量与所有质心的距离，并将其分类至与其距离最近的质心所在的特征向量簇。
由于特征向量由多个数值形成，因此，每个数值与其对应质心的数值具有数值差，可以通过计算该些数值差的平均差值(例如标准差)该特征向量与质心的距离远近，计算每个特征向量与每个质心的距离，将特征向量分类至与其距离最近(计算出的差值最小)的特征向量簇中。
比较单元134，求取每个特征向量簇的平均特征向量，并与该特征向量簇中的质心比较，若不一致，则将求取的平均特征向量作为新的质心，将特征向量重新分类直至平均特征向量与质心一致。
通过上述迭代方式，初始的质心可以在一定范围内选取，而不需要精确至一个具体向量，从而质心的选取不会影响识别的精确度。
选取单元104，基于选取条件，选取其中一个图像簇中的一张图像作为该人物的封面图像，或者选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成仅包括该图像簇对应的人物视频。
以学生在线上课录像为例，通过分类单元可以分类出学生类和家长类，从学生类的图像簇中找出一张眼睛最大(例如可以用特征向量表示为某些维的数值较大)、人物笑脸或者清晰度最高的图像作为封面图像，以便于视频保存分类，或者选取学生类图像簇中的多个图像，例如可以是学生类的所有图像，记录该所有图像的时间点，并将该所有图像按照时间排列形成新的视频，该视频为学生精彩时间视频。
本实施例提供的终端，其基于人脸识别对视频进行截取，提高了视频截取的精确度和针对性，并且不需要人工筛选，节省了人力物力。当其应用于学生视频截取时，可以有效区分学生和家长，提高了在线课堂录像的使用体验。
进一步的，本发明的一些具体实施例提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的由终端执行的方法。
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设备500的结构示意图。
如图5所示，计算机设备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工作和处理。在RAM503中，还存储有***500操作所需的各种程序和数据。CPU501、ROM502、以及RAM503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；包括诸如阴极射线管(CRT)、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506。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如存储部分508。
特别地，根据本发明的实施例，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，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括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。
附图中的流程图和框图，图示了按照本发明各种实施例的***、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，所述模块、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送。例如两个接连地表示的方框实际上可以基本并行地执行，他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。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (11)

1.一种基于人脸识别的视频截取方法，其特征在于，包括：
截取视频中不同帧的图像；
依次检测该些图像，并剔除包括多个人脸或没有人脸的图像；
对仅包括一个人脸的图像进行聚类处理，得到不同人物的图像簇；
选取其中一个图像簇中的一张图像作为该图像簇的封面图像，或者选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成仅包括该图像簇对应的人物视频。
2.根据权利要求1所述方法，其特征在于，所述对仅包括一个人脸的图像进行聚类处理包括：
基于图像中人脸的特征，提取反映人脸特征的特征向量；
根据图像中人脸的特征向量，随机生成多个初始特征向量作为质心，每个质心对应一个特征向量簇；
依次计算特征向量与所有质心的距离，并将其分类至与其距离最近的质心所在的特征向量簇；
求取每个特征向量簇的平均特征向量，并与该特征向量簇中的质心比较，若不一致，则将求取的平均特征向量作为新的质心，将特征向量重新分类。
3.根据权利要求1所述方法，其特征在于，所述图像簇包括学生图像簇，所述选取其中一个图像簇中的一张图像作为该人物的封面图像被配置为选取清晰度最高的图像、选取人物眼睛最大的图像或者选取人物笑脸图片作为人物封面图像。
4.根据权利要求1所述方法，其特征在于，所述图像簇包括学生图像簇，所述选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成视频被配置为选取学生图像簇中的所有图像，将该所有图像按时间排列形成学生精彩时间视频。
5.一种基于人脸识别的视频截取终端，其特征在于，包括：
截取单元，截取视频中不同帧的图像；
检测单元，依次检测该些图像，并剔除包括多个人脸或没有人脸的图像；
聚类单元，对仅包括一个人脸的图像进行聚类处理，得到不同人物的图像簇；
选取单元，基于选取条件，选取其中一个图像簇中的一张图像作为该人物的封面图像，或者选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成仅包括该图像簇对应的人物视频。
6.根据权利要求5所述终端，其特征在于，所述聚类单元包括：
提取单元，基于图像中人脸的特征，提取反映人脸特征的特征向量；
初始单元，根据图像中人脸的特征向量，随机生成多个初始特征向量作为质心，每个质心对应一个特征向量簇；
分类单元，依次计算特征向量与所有质心的距离，并将其分类至与其距离最近的质心所在的特征向量簇；以及
比较单元，求取每个特征向量簇的平均特征向量，并与该特征向量簇中的质心比较，若不一致，则将求取的平均特征向量作为新的质心，将特征向量重新分类。
7.根据权利要求5所述终端，其特征在于，所述特征向量、初始特征向量以及平均特征向量的维度为128维。
8.根据权利要求5所述终端，其特征在于，所述图像簇包括学生图像簇，所述选取单元被配置为选取清晰度最高的图像、选取人物眼睛最大的图像或者选取人物笑脸图片作为人物封面图像。
9.根据权利要求5所述终端，其特征在于，所述图像簇包括学生图像簇，所述选取其中一个图像簇的多个图像，并将该多个图像按时间排列形成视频被配置为选取学生图像簇中的所有图像，将该所有图像按时间排列形成学生精彩时间视频。
10.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述程序时实现如权利要求1-4任一项所述方法。
11.一种计算机可读介质，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1-4任一项所述方法。
CN201810431169.0A 2018-05-08 2018-05-08 基于人脸识别的视频截取方法、终端、设备及可读介质 Pending CN108764067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810431169.0A CN108764067A (zh) 2018-05-08 2018-05-08 基于人脸识别的视频截取方法、终端、设备及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810431169.0A CN108764067A (zh) 2018-05-08 2018-05-08 基于人脸识别的视频截取方法、终端、设备及可读介质

Publications (1)

Publication Number Publication Date
CN108764067A true CN108764067A (zh) 2018-11-06

Family

ID=64010381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810431169.0A Pending CN108764067A (zh) 2018-05-08 2018-05-08 基于人脸识别的视频截取方法、终端、设备及可读介质

Country Status (1)

Country Link
CN (1) CN108764067A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460226A (zh) * 2020-04-01 2020-07-28 山东云缦智能科技有限公司 一种基于深度学习的视频人物检索方法及检索***
CN111901627A (zh) * 2020-05-28 2020-11-06 北京大米科技有限公司 视频处理方法、装置、存储介质及电子设备
CN112149650A (zh) * 2020-11-25 2020-12-29 南京爱照飞打影像科技有限公司 一种可快速自动交付与交易图像的***
CN114071244A (zh) * 2021-11-10 2022-02-18 广州博冠信息科技有限公司 生成直播封面的方法及装置、计算机存储介质、电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631408A (zh) * 2015-12-21 2016-06-01 小米科技有限责任公司 基于视频的面孔相册处理方法和装置
CN105760472A (zh) * 2016-02-06 2016-07-13 中国农业大学 视频检索方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631408A (zh) * 2015-12-21 2016-06-01 小米科技有限责任公司 基于视频的面孔相册处理方法和装置
CN105760472A (zh) * 2016-02-06 2016-07-13 中国农业大学 视频检索方法及***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460226A (zh) * 2020-04-01 2020-07-28 山东云缦智能科技有限公司 一种基于深度学习的视频人物检索方法及检索***
CN111901627A (zh) * 2020-05-28 2020-11-06 北京大米科技有限公司 视频处理方法、装置、存储介质及电子设备
CN111901627B (zh) * 2020-05-28 2022-12-30 北京大米科技有限公司 视频处理方法、装置、存储介质及电子设备
CN112149650A (zh) * 2020-11-25 2020-12-29 南京爱照飞打影像科技有限公司 一种可快速自动交付与交易图像的***
CN114071244A (zh) * 2021-11-10 2022-02-18 广州博冠信息科技有限公司 生成直播封面的方法及装置、计算机存储介质、电子设备
CN114071244B (zh) * 2021-11-10 2022-11-04 广州博冠信息科技有限公司 生成直播封面的方法及装置、计算机存储介质、电子设备

Similar Documents

Publication Publication Date Title
CN110544258B (zh) 图像分割的方法、装置、电子设备和存储介质
CN107452010B (zh) 一种自动抠图算法和装置
CN108764067A (zh) 基于人脸识别的视频截取方法、终端、设备及可读介质
Sarrafzadeh et al. Selection of the best features for leukocytes classification in blood smear microscopic images
CN105118048B (zh) 翻拍证件图片的识别方法及装置
EP2889367B1 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
US10169861B2 (en) Image processing apparatus, non-transitory computer readable medium, and image processing method
CN108846401A (zh) 商品检测终端、方法、***以及计算机设备、可读介质
WO2015107722A1 (ja) 検出制御装置、プログラム、検出システム、記憶媒体及び検出制御方法
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN111144215B (zh) 图像处理方法、装置、电子设备及存储介质
CN110751218B (zh) 图像分类方法、图像分类装置及终端设备
CN108769803A (zh) 带边框视频的识别方法、裁剪方法、***、设备及介质
CN111080595A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110990617B (zh) 一种图片标记方法、装置、设备及存储介质
CN108961183A (zh) 图像处理方法、终端设备及计算机可读存储介质
CN108764139A (zh) 一种人脸检测方法、移动终端及计算机可读存储介质
CN113763370A (zh) 数字病理图像的处理方法、装置、电子设备及存储介质
CN108932703B (zh) 图片处理方法、图片处理装置及终端设备
CN110895811A (zh) 一种图像篡改检测方法和装置
Zarella et al. Estimation of fine-scale histologic features at low magnification
US10146042B2 (en) Image processing apparatus, storage medium, and image processing method
CN111797922B (zh) 文本图像分类方法及装置
CN114663418A (zh) 图像处理的方法及装置、存储介质及电子设备
Lizarraga-Morales et al. Integration of color and texture cues in a rough set–based segmentation method

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

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication