CN109086705A - 图像处理方法、装置、电子设备及储存介质 - Google Patents
图像处理方法、装置、电子设备及储存介质 Download PDFInfo
- Publication number
- CN109086705A CN109086705A CN201810817215.0A CN201810817215A CN109086705A CN 109086705 A CN109086705 A CN 109086705A CN 201810817215 A CN201810817215 A CN 201810817215A CN 109086705 A CN109086705 A CN 109086705A
- Authority
- CN
- China
- Prior art keywords
- convolution
- image
- processed
- length
- convolution kernel
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请实施例提供了一种图像处理方法、装置、电子设备及储存介质,涉及图像处理领域。获得待处理图像;根据对待处理图像的预设卷积次数和待处理图像的分辨率,确定卷积核的特征参数;利用确定后的卷积核对待处理图像进行预设卷积次数的卷积处理,获得卷积结果数据。那么,基于对卷积核的特征参数进行确定,就避免了对待处理图像进行调整而导致待处理图像的分辨率降低,故利用确定后的卷积核对图像进行预设卷积次数的卷积处理并获得卷积结果数据,便可以避免人像失真,故极大的提高了提高人像识别的准确率。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种图像处理方法、装置、电子设备及储存介质。
背景技术
在目前的视频处理技术中,对视频中的人像进行身份识别是至关重要的一项技术,特别是在安防、视频检索等众多领域中,对人像的身份识别往往起着核心作用。
但是在日常的应用中,由于各摄像头拍摄图像的尺寸大小不一,且又由于人像的距离导致图像中人像也大小不一。故在对图像进行人像识别的过程中,需要将图像的尺寸调节至与图像处理算法中的运算参数匹配,但调节图像的尺寸可能会造成图像分辨率大幅的降低,从而使得图像中人像出现失真,导致人像识别的准确率受到影响。
发明内容
本申请在于提供一种图像处理方法、装置、电子设备及储存介质,以有效避免图像中人像出现失真,提高人像识别的准确率。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请实施例提供了一种图像处理方法,所述方法包括:
获得待处理图像;
根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数;
利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,所述特征参数包括卷积核大小和卷积步长,所述根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数,包括:
根据所述卷积核的当前卷积步长,判断是否存在与所述分辨率匹配的卷积核大小,使得所述卷积核能够对所述待处理图像进行预设次数的卷积处理;
若否,调整所述卷积核的卷积步长,并根据调整后的所述卷积步长确定所述卷积核的卷积核大小;
在确定出的所述卷积核大小与所述分辨率匹配时,确定所述卷积核大小为与所述分辨率匹配的大小,并确定调整后的所述卷积步长为与所述分辨率匹配的步长。
结合第一方面,本申请实施例提供了第一方面的第二种可能的实施方式,所述调整所述卷积核的卷积步长,并根据调整后的所述卷积步长确定所述卷积核的卷积核大小,包括:
将所述当前卷积步长依次减小或依次增加预设值,得到调整后的卷积步长,根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,所述将所述当前卷积步长依次减小或依次增加预设值,得到调整后的卷积步长,根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小,包括:
根据预设的卷积步长范围值,判断位于所述预设卷积步长范围内的所述当前卷积步长是否为所述预设卷积步长范围内的最大值或最小值;
若否,将所述当前卷积步长依次减小预设值,得到调整后的卷积步长,并根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小;
判断每一次调整后的所述卷积步长是否减小至所述预设卷积步长范围内的最小值;
若是,将所述当前卷积步长依次增加预设值,得到调整后的卷积步长,并根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,所述根据所述卷积核的当前卷积步长,判断是否存在与所述分辨率匹配的卷积核大小之后,所述方法还包括:
若是,将所述卷积核大小调整至与所述分辨率匹配。
结合第一方面、第一方面的第一种至第四种中的任意一种可能的实施方式,本申请实施例提供了第一方面的第五种可能的实施方式所述获得待处理图像,所述方法包括:
获得原始图像;
判断所述原始图像上是否具有不完全被遮挡的人像;
若是,按照预设的图像尺寸范围裁剪所述原始图像的尺寸,获得所述待处理图像,其中,所述待处理图像上包含所述人像,且所述待处理图像满足对所述预设卷积次数的卷积处理。
结合第一方面,本申请实施例提供了第一方面的第六种可能的实施方式,所述按照预设的图像尺寸范围裁剪所述原始图像的尺寸,获得所述待处理图像之后,所述方法还包括:
按预设的身体特征,将所述待处理图像划分成多个身体部位图像,其中,所述多个身体部位图像中每个身体部位图像对应每个身体部位;
所述利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据,包括:
利用确定后的所述卷积核对所述待处理图像中的每个身体部位图像的进行卷积处理,获得每个身体部位图像的卷积结果数据;
将每个身体部位图像的卷积结果数据对应存储。
结合第一方面,本申请实施例提供了第一方面的第七种可能的实施方式,所述利用调整后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据,包括:
所述获得待处理图像,包括:
获得采集的人像;
根据对所述人像中身体部位的识别结果,将所述人像划分成多个身体部位图像,其中,每个身体部位图像均作为每个待处理图像。
第二方面,本申请实施例提供了一种图像处理装置,所述装置包括:
获得模块,用于获得待处理图像;
确定模块,用于根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数;
卷积模块,用于利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括:处理器,存储器,总线和通信模块;
所述处理器、所述通信模块和存储器通过所述总线连接;
所述存储器,用于存储程序;
所述处理器,用于通过调用存储在所述存储器中的程序执行图像处理方法。
第四方面,本申请实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读储存介质,所述程序代码使所述处理器执行图像处理方法。
本申请实施例的有益效果是:
本申请实施例提供了一种图像处理方法、装置、电子设备及储存介质,通过在获得待处理图像后,根据对该图像的预设卷积次数和该图像的分辨率来确定卷积核的特征参数。那么,基于对卷积核的特征参数进行确定,就避免了对待处理图像进行调整而导致待处理图像的分辨率降低,故利用确定后的卷积核对图像进行预设卷积次数的卷积处理并获得卷积结果数据,便可以避免人像失真,故极大的提高了人像识别的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请第一实施例提供的一种电子设备的结构框图;
图2示出了本申请第二实施例提供的一种图像处理方法的流程图;
图3示出了本申请第二实施例提供的一种图像处理方法中待处理图像划分身体部位的示意图;
图4示出了本申请第二实施例提供的一种图像处理方法中卷积运算应用的第一示例图;
图5示出了本申请第二实施例提供的一种图像处理方法中卷积运算应用的第二示例图;
图6示出了本申请第三实施例提供的一种图像处理装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
第一实施例
请参阅图1,本申请实施例提供了电子设备10,该电子设备10可以包括:存储器11、通信模块12、总线13和处理器14。其中,处理器14、通信模块12和存储器11通过总线13连接。处理器14用于执行存储器11中存储的可执行模块,例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,电子设备10也可以具有其他组件和结构
其中,存储器11可能包含高速随机存取存储器(Random Access Memory RAM),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。本实施例中,存储器11存储了执行图像处理方法所需要的程序。
总线13可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器14可能是一种具有信号的处理能力集成电路芯片。在实现过程中,上述方法的各步骤可以通过处理器14中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器14可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本发明实施例任意实施例揭示的流过程或定义的装置所执行的方法可以应用于处理器14中,或者由处理器14实现。处理器14在接收到执行指令后,通过总线13调用存储在存储器11中的程序后,处理器14通过总线13控制通信模块12则可以执行图像处理方法的流程。
第二实施例
本实施例提供了一种图像处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。以下对本实施例进行详细介绍。
请参阅图2,在本实施例提供的图像处理方法中,该图像处理方法包括:步骤S100、步骤S200和步骤S300。
步骤S100:获得待处理图像。
步骤S200:根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数。
步骤S300:利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
下面将对本申请的方案进行具体的描述。
步骤S100:获得待处理图像。
在电子设备获得待处理图像后,电子设备就可以对该待处理图像进行处理。其中,电子设备获得该待处理图像的方式可以为从其它设备处获得该待处理图像,例如,基于摄像头将当前采集的该待处理图像发送至该电子设备而获得该待处理图像,又例如,从服务器上下载该待处理图像等。
作为一种可选地的方式,电子设备获得的该待处理图像可以为已经经过其它设备处理后的图像,例如,服务器已经将该摄像头采集的待处理图像进行了处理,即电子设备获得的该待处理图像可以是满足电子设备对该待处理设备进行后续的卷积处理要求图像,那么,电子设备在获得该待处理图像后即可以继续执行后续的步骤S200。
作为另一种可选地的方式,电子设备可以获得未经过处理的原始图像,例如,电子设备直接获得摄像头采集的未经处理的原始图像。为便于电子设备后续流程的执行,电子设备需要对该原始图像进行预处理。于本实施例中,电子设备内预设有卷积神经网络可以对该原始图像进行预先的卷积处理,并获得预处理的卷积结果数据。电子设备基于已经预先学习的样本对该预处理的卷积结果数据进行分析,就可以判断该原始图像上是否具有不完全被遮挡的人像。
可以理解到,通过卷积神经网络来对该原始图像进行预处理为本实施例中一种可选地实施方式,并不作为对本实施例中限定。本实施例也可以采用语义切割网络或关键点网络等来对该原始图像进行预处理。
其中,在判断为该原始图像上不具有不完全被遮挡的人像,则说明该原始图像不满足处理条件,例如,该原始图像为拍摄到的为各种物体,或原始图像为拍摄到人像被其它物体完全遮挡、亦或由于人体离摄像头过远导致该原始图像中的人像太小而无法被识别。可选地,电子设备可以将该原始图像抛弃,终止后续流程的继续执行,并继续处理其它的原始图像。
在判断为该原始图像上具有不完全被遮挡的人像,则说明该原始图像满足处理条件,例如,该原始图像拍摄到为人体的全身像,或原始图像拍摄到人体的半身像。那么,电子设备则可以利用后续的流程继续对该原始图像进行处理。
可选地,为保证在后续的处理过程中,由于该原始图像的尺寸不一定满足能够电子设备能够对该原始图像进行预设卷积次数的卷积处理,而为了保证电子设备能够对图像进行预设卷积次数的卷积处理,故电子设备可以对该原始图像的尺寸进行一定的处理。
具体的,电子设备按照预设的图像尺寸范围,裁剪该原始图像的尺寸获得待处理图像,该获得待处理图像的分辨率便能够匹配后续预设卷积次数的卷积处理。其中,预设的图像尺寸范围可以是多个长宽比对应的多个分辨率范围值,且每个分辨率范围值均能够匹配后续卷积。例如,在长宽比为4:3的条件下,预设的图像尺寸范围可以为:1200:900至400:300,又例如,在长宽比为16:9的条件下,预设的图像尺寸范围可以为:1600:900至320:180。
需要说明的是,为保证后续能够识别待处理图像上的人像,裁剪获得的待处理图像上也应当具有人像,即电子设备在裁剪原始图像时,电子设备所选择的长宽比以及长宽比对应的分辨率应当尽量的接近该原始图像本身原的尺寸。例如,原始图像本身的尺寸为:长宽比为18:9、分辨率为720:360,则可以选择长宽比为16:9的条件来裁剪该原始图像,而不是选择长宽比为4:3来裁剪该原始图像。以及,该原始图像裁剪后的分辨率也应当选择最接近720:360分辨率,即在满足长宽比为16:9的条件下,选择该原始图像裁剪后分辨率为640:360,以使获得的待处理图像的尺寸则最接近该原始图像本身的尺寸。因此,电子设备利用上述的裁剪规则,能够实现在保证对原始图像的裁剪满足预设卷积次数的情况下,对原始图像的边缘进行裁剪且裁剪尽可能的少一点,以避免原始图像中的人像被裁剪到。
也作为另一种可选地的方式,电子设备获得该待处理图像后,为便于该待处理图像被用于人像识别时的匹配效率更高,电子设备可以将待处理图像上人像不同的身体部位划分出来,以在后续对待处理图像进行卷积之后,将每个身体部位卷积得到数据对应存储。故若进行人像识别,可以将分布式存储的每个身体部位卷积得到数据单独调用出来进行比对,从而提高人像识别的效率。
具体的,电子设备可以基于之前利用卷积神经网络对该原始图像进行预处理所得的结果,确定出该待处理图像上的人像具有哪些身体部位,在基于这些身体部位在待处理图像上的区域将该待处理图像划分多个身体部位图像。其中,多个身体部位图像中每个身体部位图像与人体的每个身体部位对应。
例如图3所示,预处理所得的结果为待处理图像上的人像为半身像,且该人像的身体部位具有头部、左手和躯干,故可以将待处理图像划分成:身体部位图像A、身体部位图像B和身体部位图像C,其中,身体部位图像A包含头部的图像而与身体部位的头部对应、身体部位图像B包含左手的图像而与身体部位的左手对应、以及身体部位图像C包含躯干的图像而与身体部位的躯干对应。
需要理解的,电子设备将待处理图像划分成多个身体部位图像并不是电子设备将待处理图像切分,而是对待处理图像上的每个身体部位图像进行标识。利用对每个身体部位图像进行标识,以在后续卷积过程中,电子设备对卷积到的每个身体部位图像进行跟踪,才能够将每个身体部位图像卷积获得的数据进行对应存储。
也作为另一种可选地的方式,电子设备在获得原始图像的方式还可以为,电子设备还可以直接获得摄像头采集的人像。电子设备也可以通过卷积神经网络对该采集的人像进行预处理的卷积运算。在运算过程中,电子设备基于预设的样本对该采集的人像中的身体部位进行识别。
若通过识别判定该采集的人像中不包含人像,那么电子设备则可以将该采集的人像抛弃,终止后续流程的执行,并继续处理其它采集的人像。
若通过识别判定该采集的人像中包含人像,那么电子设备则可以继续基于预设的样本对该采集的人像进行识别并获得识别结果。从而电子设备对人像中身体部位的识别结果则可以将人像划分成多个身体部位图像,其中,多个身体部位图像中每个身体部位图像均对应每个身体部位。之后,电子设备便可以将该每个身体部位图像均作为对应的每个待处理图像,以便后续继续处理每个原始图像。
需要说明的是,由于人像的各身体部位大小不一样,故划分成的多个身体部位图像中每个身体部位图像的尺寸可以不相同。可选地,将每个身体部位图像均作为对应的每个待处理图像后,后续对每个待处理图像处理所采用的卷积核的特征参数也可能不相同。
步骤S200:根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数。
电子设备在获得待处理图像,以及将待处理图像划分成多个身体部位图像后,电子设备则需要将预设的卷积神经网络中卷积核的特征参数确定出来,以使确定出的卷积核的特征参数满足电子设备利用卷积核能够对该待处理图像进行满足预设卷积次数的卷积处理。
作为一种可选地实施方式,为便于电子设备进行卷积运算,电子设备设置了预设卷积次数,即在每张待处理图像的尺寸不同的情况下,也需要对每张待处理图像进行预设卷积次数相同的卷积处理。
可选地,卷积核的特征参数可以包括:卷积核大小和卷积步长,那么电子设备可以根据对该待处理图像的预设卷积次数,卷积核的当前卷积步长,判断是否存在与待处理图像的分辨率匹配的卷积核大小。即电子设备判断在当前卷积步长未调整的情况下,是否存在与待处理图像的分辨率匹配的卷积核大小,使得电子设备利用与待处理图像的分辨率匹配的卷积核大小和当前卷积步长可以对待处理图像进行预设卷积次数的卷积处理。若判断为存在卷积核大小与待处理图像的分辨率匹配,电子设备则可以将卷积核大小调整至与该待处理图像的分辨率匹配。因而,实现了在保证当前卷积步长不变的情况下,通过调整卷积核大小来对该待处理图像进行预设卷积次数的卷积处理。
例如图4所示,待处理图像的分辨率为8:6,预设卷积次数为35次,且卷积核调整前的特征参数为:卷积核大小为5:4,当前卷积步长为1。那么,电子设备可以确定将卷积核大小调整至4:3,即卷积核大小为4:3的卷积核与该待处理图像的分辨率匹配,且利用该卷积核大小为4:3的卷积核和当前卷积步长为1,能够满足对该待处理图像卷积处理的35次。因此,电子设备可以将卷积核大小调整至4:3。
电子设备利用该卷积核大小为4:3和卷积步长1的卷积核对该待处理图像进行卷积处理时,该卷积核的一次卷积可以采集图4中虚线框A内12个像素点的第一参数,并基于12个第一参数进行运算。并在进行到下一次卷积运算时,对待处理图像的卷积区域便由虚线框A以卷积步长为1移动到虚线框B,而卷积核便可以采集虚线框B内12个像素点的第二参数,并基于12个第二参数进行运算。以此类推,电子设备便能够对该待处理图像进行35次的卷积。
若判断不存在为卷积核大小与待处理图像的分辨率匹配,电子设备可以确定在保证卷积步长不变的情况下,无法通过调整卷积核大小来对该待处理图像进行满足预设卷积次数的卷积处理,故电子设备可以对卷积步长进行调整。
本实施例中,电子设备可以调整卷积核的卷积步长,并根据调整后的卷积步长确定卷积核的卷积核大小,例如,电子设备可以将当前卷积步长依次减小或依次增加预设值,并可以得到调整后的卷积步长,那么电子设备就可以根据每一次调整后的卷积步长确定所述卷积核的卷积核大小,其中,预设值可以采用0.5或1,但并不作为限定。
具体的,电子设备对当前卷积步长进行依次减小预设值或依次增加预设值的过程可以为:
电子设备通过预设的卷积步长范围值,电子设备就可以判断位于该预设卷积步长范围内的当前卷积步长是否为该预设卷积步长范围内的最大值或最小值。
若当前卷积步长不为该预设卷积步长范围内的最大值或最小值,为便于后续进行卷积处理时所得的结果更细且效果更好,电子设备可以将当前卷积步长依次减小预设值,得到调整后的卷积步长,并根据每一次调整后的卷积步长确定卷积核的卷积核大小。
若根据某一次调整后的卷积步长确定出卷积核的卷积核大小与待处理图像的分辨率匹配,电子设备获知卷积核大小可以确定出,从而可以不再调整卷积步长。
若根据每一次调整后的卷积步长确定出卷积核的卷积核大小与待处理图像的分辨率不匹配,电子设备获知卷积核大小还未确定出,从而需要继续调整卷积步长。故在确定需要继续调整卷积步长时,电子设备可以判断每一次调整后的卷积步长是否减小至该预设卷积步长范围内的最小值。若不为最小值,那么电子设备就继续按预设值减小调整后的卷积步长,以通过继续减小调整后的卷积步长来确定该与待处理图像的分辨率匹配的卷积核大小。若为最小值,那么就说明在将当前卷积步长减小至最小值的过程中,还未确定出与待处理图像的分辨率匹配的卷积核大小。从而电子设备可以再将当前卷积步长依次增加预设值,得到调整后的卷积步长,并也根据每一次调整后的卷积步长确定卷积核的卷积核大小。从而在当前卷积步长依次增加预设值至最大值的过程,根据某一次调整后的卷积步长确定出卷积核的卷积核大小与待处理图像的分辨率匹配,电子设备获知卷积核大小可以确定出,从而可以不再调整卷积步长。
本实施例中,电子设备在确定出与待处理图像的分辨率匹配的卷积核大小后,那么电子设备可以确定卷积核大小为与待处理图像的分辨率匹配的大小,并确定调整后的卷积步长为与分辨率匹配的步长。电子设备就可以利用该匹配的卷积核大小和调整后的卷积核步长来进行后续的卷积运算。
还需要说明的是,若电子设备确定当前卷积步长为该预设卷积步长范围内的最大值,那么电子设备可以通过将当前卷积步长依次减小预设值,得到调整后的卷积步长,并也根据每一次调整后的卷积步长确定卷积核的卷积核大小。从而在当前卷积步长由最大值依次减小至最小值的过程,根据某一次调整后的卷积步长确定出卷积核的卷积核大小与待处理图像的分辨率匹配,电子设备获知卷积核大小可以确定出,从而可以不再调整卷积步长。并也确定该卷积核大小为与待处理图像的分辨率匹配的大小,并也确定调整后的卷积步长为与该待处理图像的分辨率匹配的步长。
相应的是,若电子设备确定当前卷积步长为该预设卷积步长范围内的最小值,那么电子设备可以通过将当前卷积步长依次增加预设值,得到调整后的卷积步长,并也根据每一次调整后的卷积步长确定卷积核的卷积核大小。从而在当前卷积步长由最小值依次增加至最大值的过程,根据某一次调整后的卷积步长确定出卷积核的卷积核大小与待处理图像的分辨率匹配,电子设备获知卷积核大小可以确定出,从而可以不再调整卷积步长。并也确定该卷积核大小为与待处理图像的分辨率匹配的大小,并也确定调整后的卷积步长为与该待处理图像的分辨率匹配的步长。
应当理解的是,调整后的卷积步长不应当超过匹配的卷积核大小。
例如图5所示,待处理图像的分辨率也8:6,预设卷积次数为24次,且卷积核调整前的特征参数为:卷积核大小为5:4,卷积步长为1。那么,电子设备可以确定在卷积步长为1的不调整的基础上,无法通过将卷积核大小调整至与分辨率匹配来对该待处理图像进行24次的卷积处理。因此,电子设备可以按照预设规则增加1来将卷积步长调整至2。
电子设备基于卷积步长为2便可以确定出将卷积核大小调整至与该待处理图像的分辨率匹配的4:3时,且利用卷积核大小为4:3和卷积步长为2,能够满足对该待处理图像卷积处理的24次。因此,电子设备可以将卷积步长调整至2的同时,也将卷积核大小调整至4:3。利用该卷积核大小为4:3和卷积步长为2的卷积核对该待处理图像进行卷积处理时,该卷积核的一次卷积可以采集图5中虚线框C内12个像素点的第三参数,并基于12个第三参数进行运算。并在进行到下一次卷积运算时,对待处理图像的卷积区域便由虚线框c以卷积步进为2移动到虚线框D,而卷积核便可以采集虚线框D内12个像素点的第四参数,并基于12个第四参数进行运算。以此类推,电子设备便能够对该待处理图像进行24次的卷积。
作为另一种可选地实施方式,本实施例中,电子设备内可以预设一张表格,该表格内设有图像的每种分辨率与对应的卷积核大小和卷积步长之间的关联关系。故电子设备在获得待处理图像后,电子设备可以通过遍历表格来从表格确定出与该待处理图像的分辨率匹配的目标分辨率,以及再根据该目标分辨率的关联关系就可以确定出匹配待处理图像的分辨率的卷积核大小和卷积步长。
步骤S300:利用调整后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
由于该待处理图像已经划分成了多个身体部位图像,那么在卷积的过程中,电子设备可以对卷积到的每个身体部位图像进行跟踪。相应的,电子设备利用该调整后的卷积核便能够对该待处理图像进行预设卷积次数的卷积处理,即可以为电子设备利用调整后的卷积核对待处理图像中的每个身体部位图像的进行卷积处理。因此,基于对身体部位图像的跟踪,电子设备就可以获得每个身体部位图像的卷积结果数据,获得多个卷积结果数据。可选地,电子设备根据预设的存储规则,便可以将每个身体部位图像的卷积结果数据分门存储到对应的存储区域。
第三实施例
请参阅图6,本申请实施例提供了一种图像处理装置100,该图像处理装置100应用于电子设备,该图像处理装置100包括:
获得模块110,用于获得待处理图像。
确定模块120,用于根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数。
卷积模块130,用于利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域内的技术人员应明白,本申请实施例可提供为方法、***、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
综上所述,本申请实施例提供了一种图像处理方法、装置、电子设备及储存介质。方法包括:获得待处理图像;根据对待处理图像的预设卷积次数和待处理图像的分辨率,确定卷积核的特征参数;利用确定后的卷积核对待处理图像进行预设卷积次数的卷积处理,获得卷积结果数据。
根据对该图像的预设卷积次数和该图像的分辨率来确定卷积核的特征参数。那么,基于对卷积核的特征参数进行确定,就避免了对待处理图像进行调整而导致待处理图像的分辨率降低,故利用确定后的卷积核对图像进行预设卷积次数的卷积处理并获得卷积结果数据,便可以避免人像失真,故极大的提高了提高人像识别的准确率。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种图像处理方法,其特征在于,所述方法包括:
获得待处理图像;
根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数;
利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
2.根据权利要求1所述的图像处理方法,其特征在于,所述特征参数包括卷积核大小和卷积步长,所述根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数,包括:
根据所述卷积核的当前卷积步长,判断是否存在与所述分辨率匹配的卷积核大小,使得所述卷积核能够对所述待处理图像进行预设次数的卷积处理;
若否,调整所述卷积核的卷积步长,并根据调整后的所述卷积步长确定所述卷积核的卷积核大小;
在确定出的所述卷积核大小与所述分辨率匹配时,确定所述卷积核大小为与所述分辨率匹配的大小,并确定调整后的所述卷积步长为与所述分辨率匹配的步长。
3.根据权利要求2所述的图像处理方法,其特征在于,所述调整所述卷积核的卷积步长,并根据调整后的所述卷积步长确定所述卷积核的卷积核大小,包括:
将所述当前卷积步长依次减小或依次增加预设值,得到调整后的卷积步长,根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小。
4.根据权利要求3所述的图像处理方法,其特征在于,所述将所述当前卷积步长依次减小或依次增加预设值,得到调整后的卷积步长,根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小,包括:
根据预设的卷积步长范围值,判断位于所述预设卷积步长范围内的所述当前卷积步长是否为所述预设卷积步长范围内的最大值或最小值;
若否,将所述当前卷积步长依次减小预设值,得到调整后的卷积步长,并根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小;
判断每一次调整后的所述卷积步长是否减小至所述预设卷积步长范围内的最小值;
若是,将所述当前卷积步长依次增加预设值,得到调整后的卷积步长,并根据每一次调整后的所述卷积步长确定所述卷积核的卷积核大小。
5.根据权利要求2所述的图像处理方法,其特征在于,所述根据所述卷积核的当前卷积步长,判断是否存在与所述分辨率匹配的卷积核大小之后,所述方法还包括:
若是,将所述卷积核大小调整至与所述分辨率匹配。
6.根据权利要求1-5任一权项所述的图像处理方法,其特征在于,所述获得待处理图像,所述方法包括:
获得原始图像;
判断所述原始图像上是否具有不完全被遮挡的人像;
若是,按照预设的图像尺寸范围裁剪所述原始图像的尺寸,获得所述待处理图像,其中,所述待处理图像上包含所述人像,且所述待处理图像满足对所述预设卷积次数的卷积处理。
7.根据权利要求6所述的图像处理方法,其特征在于,所述按照预设的图像尺寸范围裁剪所述原始图像的尺寸,获得所述待处理图像之后,所述方法还包括:
按预设的身体特征,将所述待处理图像划分成多个身体部位图像,其中,所述多个身体部位图像中每个身体部位图像对应每个身体部位;
所述利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据,包括:
利用确定后的所述卷积核对所述待处理图像中的每个身体部位图像的进行卷积处理,获得每个身体部位图像的卷积结果数据。
8.根据权利要求6所述的图像处理方法,其特征在于,所述获得待处理图像,包括:
获得采集的人像;
根据对所述人像中身体部位的识别结果,将所述人像划分成多个身体部位图像,其中,每个身体部位图像均作为每个待处理图像。
9.一种图像处理装置,其特征在于,所述装置包括:
获得模块,用于获得待处理图像;
确定模块,用于根据对所述待处理图像的预设卷积次数和所述待处理图像的分辨率,确定卷积核的特征参数;
卷积模块,用于利用确定后的所述卷积核对所述待处理图像进行所述预设卷积次数的卷积处理,获得卷积结果数据。
10.一种电子设备,其特征在于,所述电子设备包括:处理器,存储器,总线和通信模块;
所述处理器、所述通信模块和存储器通过所述总线连接;
所述存储器,用于存储程序;
所述处理器,用于通过调用存储在所述存储器中的程序执行如权利要求1-8任一权项所述的图像处理方法。
11.一种具有处理器可执行的非易失的程序代码的计算机可读储存介质,其特征在于,所述程序代码使所述处理器执行如权利要求1-8任一权项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817215.0A CN109086705B (zh) | 2018-07-23 | 2018-07-23 | 图像处理方法、装置、电子设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817215.0A CN109086705B (zh) | 2018-07-23 | 2018-07-23 | 图像处理方法、装置、电子设备及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086705A true CN109086705A (zh) | 2018-12-25 |
CN109086705B CN109086705B (zh) | 2021-11-16 |
Family
ID=64838227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810817215.0A Active CN109086705B (zh) | 2018-07-23 | 2018-07-23 | 图像处理方法、装置、电子设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086705B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615066A (zh) * | 2019-01-30 | 2019-04-12 | 新疆爱华盈通信息技术有限公司 | 一种针对neon优化的卷积神经网络的裁剪方法 |
CN111311599A (zh) * | 2020-01-17 | 2020-06-19 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN111382685A (zh) * | 2020-03-04 | 2020-07-07 | 电子科技大学 | 一种基于深度学习的场景识别方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358068A1 (en) * | 2015-06-04 | 2016-12-08 | Samsung Electronics Co., Ltd. | Reducing computations in a neural network |
CN106682127A (zh) * | 2016-12-13 | 2017-05-17 | 上海联影医疗科技有限公司 | 图像搜索***及方法 |
CN107784654A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络*** |
-
2018
- 2018-07-23 CN CN201810817215.0A patent/CN109086705B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358068A1 (en) * | 2015-06-04 | 2016-12-08 | Samsung Electronics Co., Ltd. | Reducing computations in a neural network |
CN107784654A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络*** |
CN106682127A (zh) * | 2016-12-13 | 2017-05-17 | 上海联影医疗科技有限公司 | 图像搜索***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615066A (zh) * | 2019-01-30 | 2019-04-12 | 新疆爱华盈通信息技术有限公司 | 一种针对neon优化的卷积神经网络的裁剪方法 |
CN111311599A (zh) * | 2020-01-17 | 2020-06-19 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN111311599B (zh) * | 2020-01-17 | 2024-03-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN111382685A (zh) * | 2020-03-04 | 2020-07-07 | 电子科技大学 | 一种基于深度学习的场景识别方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN109086705B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875422B (zh) | 人脸跟踪方法和装置 | |
CN109993040B (zh) | 文本识别方法及装置 | |
CN109086705A (zh) | 图像处理方法、装置、电子设备及储存介质 | |
US20050249429A1 (en) | Method, apparatus, and program for image processing | |
CN109034078A (zh) | 年龄识别模型的训练方法、年龄识别方法及相关设备 | |
KR20200145827A (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
CN109743473A (zh) | 视频图像3d降噪方法、计算机装置及计算机可读存储介质 | |
US7668389B2 (en) | Image processing method, image processing apparatus, and image processing program | |
CN110784644B (zh) | 图像处理方法及装置 | |
CN110909665B (zh) | 一种多任务的图像处理方法、装置、电子设备及存储介质 | |
CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN115278089B (zh) | 人脸模糊图像对焦矫正方法、装置、设备和存储介质 | |
CN105827993A (zh) | 调整图像曝光度的方法及*** | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
CN106027854A (zh) | 一种应用于相机中适于fpga实现的联合滤波降噪方法 | |
CN111179276A (zh) | 一种图像处理方法和装置 | |
CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
CN110111261A (zh) | 图像的自适应平衡处理方法、电子设备和计算机可读存储介质 | |
CN113011433B (zh) | 一种滤波参数调整方法及装置 | |
CN110610117A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN113838076A (zh) | 目标图像中的对象轮廓的标注方法及装置、存储介质 | |
CN110400312A (zh) | 确定图像模糊类型的方法、装置和服务器 | |
CN116074087A (zh) | 一种基于网络流量上下文表征的加密流量分类方法、电子设备及存储介质 | |
CN113438386B (zh) | 一种应用于视频处理的动静判定方法及装置 | |
CN113486858B (zh) | 一种人脸识别模型训练方法、装置、电子设备及存储介质 |
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 |