CN110647805A - 一种网纹图像识别方法、装置及终端设备 - Google Patents
一种网纹图像识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110647805A CN110647805A CN201910736543.2A CN201910736543A CN110647805A CN 110647805 A CN110647805 A CN 110647805A CN 201910736543 A CN201910736543 A CN 201910736543A CN 110647805 A CN110647805 A CN 110647805A
- Authority
- CN
- China
- Prior art keywords
- image
- reticulate pattern
- value
- processed
- loss value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000007774 anilox coating Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种网纹图像识别方法、装置及终端设备,适用于数据处理技术领域,该方法包括:将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像;对待处理图像和待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形;统计网纹图形中包含的像素点数,并计算得到的像素点数占待处理图像总像素点数的比例值;基于预设网纹图形库对网纹图形进行图形匹配;若网纹像素点数大于预设数量阈值、比例值大于预设比例阈值且网纹图形匹配成功,判定待处理图像为网纹图像。本发明实施例保证了网纹图像识别的准确可靠。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及网纹图像识别方法及终端设备。
背景技术
公安***的证件照有些带有网纹,在进行人脸识别等处理的时候,网纹会极大地影响识别的准确性,因此带有网纹的证件照需要先去网纹才能使用,但是在去网纹之前需要先判断证件照是否带网纹。现有技术中虽然也有一些网纹图像识别方法,但识别准确率并不理想,因此需要一种可以准确识别图像是否带有网纹的方法。
发明内容
有鉴于此,本发明实施例提供了一种网纹图像识别方法及终端设备,以解决现有技术中对网纹图像识别准确率较低的问题。
本发明实施例的第一方面提供了一种网纹图像识别方法,包括:
将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像,所述网纹去除模型为预先基于网纹图像样本和无网纹图像样本进行训练得到的模型,用于去除图像中网纹;
对所述待处理图像和所述待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形;
统计所述网纹图形中包含的像素点数,并计算得到的像素点数占所述待处理图像总像素点数的比例值;基于预设网纹图形库对所述网纹图形进行图形匹配;
若所述网纹像素点数大于预设数量阈值、所述比例值大于预设比例阈值且所述网纹图形匹配成功,判定所述待处理图像为网纹图像。
本发明实施例的第二方面提供了一种网纹图像识别装置,包括:
去网纹模块,用于将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像,所述网纹去除模型为预先基于网纹图像样本和无网纹图像样本进行训练得到的模型,用于去除图像中网纹;
网纹重构模块,用于对所述待处理图像和所述待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形;
特征处理模块,用于统计所述网纹图形中包含的像素点数,并计算得到的像素点数占所述待处理图像总像素点数的比例值;基于预设网纹图形库对所述网纹图形进行图形匹配;
网纹判别模块,用于若所述网纹像素点数大于预设数量阈值、所述比例值大于预设比例阈值且所述网纹图形匹配成功,判定所述待处理图像为网纹图像。
本发明实施例的第三方面提供了一种终端设备,所述终端设备包括存储器、处理器,所述存储器上存储有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所述的网纹图像识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括:存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的网纹图像识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过预先训练好的网纹去除模型对待处理图像进行网纹去除,得到无网纹的待处理图像,再将去网纹前后的待处理图像进行灰度值差值比对,从而确定出去网纹前后待处理图像存在的差异部分,并绘制为对应的网纹图形(即假设差异部分是网纹),由于实际情况中证件照网纹具有以下几个特点:1、证件照的尺寸大小相对固定,因此网纹所占的像素点数量相对稳定。2、证件照中,一般网纹都会覆盖图像大部分区域,或者整个区域,因此网纹所占的像素点数比例相对稳定且较高。3、证件照放置的网纹图形种类是有限且已知的。正是基于上述几个实际特点,本发明实施例中会进一步对绘制的网纹图形内包含的像素点数、占待处理图像总像素点数比例进行校验,并对网纹图形进行匹配,实现了对网纹的多维度全方面校验,当均满足时则说明去网纹前后待处理图像存在的差异部分是网纹内容,因此即可判定待处理图像为网纹图像,保证了网纹图像识别的准确可靠。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明实施例一提供的网纹图像识别方法的实现流程示意图;
图2是本发明实施例二提供的网纹图像识别方法的实现流程示意图;
图3是本发明实施例三提供的网纹图像识别方法的实现流程示意图;
图4是本发明实施例四提供的网纹图像识别装置的结构示意图;
图5是本发明实施例五提供的终端设备的示意图。
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***结构、技术之类的具体细节,以便透彻理解本发明实施例。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发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
由于带网纹图像会极大影响对图像进行人脸识别等处理的准确性,因此需要一种可以识别图像是否有网纹的方法,以为网纹去除和证件照人脸识别等提供基础。
为了实现对图像的网纹识别,本发明实施例中通过预先训练好的网纹去除模型对待处理图像进行网纹去除,得到无网纹的待处理图像,再将去网纹前后的待处理图像进行灰度值差值比对,从而确定出去网纹前后待处理图像存在的差异部分,并绘制为对应的网纹图形(即假设差异部分是网纹),由于实际情况中证件照网纹具有以下几个特点:1、证件照的尺寸大小相对固定,因此网纹所占的像素点数量相对稳定。2、证件照中,一般网纹都会覆盖图像大部分区域,或者整个区域,因此网纹所占的像素点数比例相对稳定且较高。3、证件照放置的网纹图形种类是有限且已知的。正是基于上述几个实际特点,本发明实施例中会进一步对绘制的网纹图形内包含的像素点数、占待处理图像总像素点数比例进行校验,并对网纹图形进行匹配,实现了对网纹的多维度全方面校验,当均满足时则说明去网纹前后待处理图像存在的差异部分是网纹内容,因此即可判定待处理图像为网纹图像,保证了网纹图像识别的准确可靠。
图1示出了本发明实施例一提供的网纹图像识别方法的实现流程图,详述如下:
S101,将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像,网纹去除模型为预先基于网纹图像样本和无网纹图像样本进行训练得到的模型,用于去除图像中网纹。
在本发明实施例中,网纹去除模型用于图像中的网纹,由技术人员预先训练构建得到,在经由网纹去除模型的处理之后,无论原待处理图像内是否包含网纹,都会得到对应的无网纹图像。其中,对网纹去除模型的训练构建方法此处不予限定,可由技术人员自行设计,或者也可参考本发明实施例二至六进行训练构建。
S102,对待处理图像和待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形。
为了识别待处理图像内是否包含网纹,本发明实施例首先会假设待处理图像内是包含网纹的,并会直接对将网纹去除前后的图像进行灰度值差值计算,即将两张图像对应的每个像素点都进行灰度化处理并进行灰度值求差,从而确定出去网纹前后待处理图像存在的差异部分,同时考虑到即使不是网纹像素点,在经由网纹去除模型处理前后也有可能会存在灰度值的变化,因此本发明实施例会预先设置一个差值阈值,用来挑选出网纹像素点,并仅将灰度值差值大等于差值阈值的像素点识别为网纹像素点。其中,差值阈值的具体大小,可由技术人员根据实际应用需求设置。
在挑选出网纹像素点之后,将所有网纹像素点构成的图形提取为对应的网纹图形,实现对原待处理图像内的网纹重构。
S103,统计网纹图形中包含的像素点数,并计算得到的像素点数占待处理图像总像素点数的比例值。基于预设网纹图形库对网纹图形进行图形匹配。
S104,若网纹像素点数大于预设数量阈值、比例值大于预设比例阈值且网纹图形匹配成功,判定待处理图像为网纹图像。
由于实际情况中证件照网纹具有以下几个特点:
1、证件照的尺寸大小相对固定,因此网纹所占的像素点数量相对稳定。
2、证件照中,一般网纹都会覆盖图像大部分区域,或者整个区域,因此网纹所占的像素点数比例相对稳定且较高。
3、证件照放置的网纹图形种类是有限且已知的。
正是结合证件照网纹的上述3个特点,本发明实施例中,会预先对实际含有网纹的证件照中包含的网纹像素点数,以及占总证件照图像像素点数比例进行统计,并根据统计结果设置对应的数量阈值以及比例阈值,同时预先基于已知的证件照网纹图形种类,构建了对应的网纹图形库。在实际处理时,分别对绘制得到的网纹图形进行了网纹像素点数统计并对占待处理图像总像素点数比例进行计算,并与对应的数量阈值和比例阈值进行比对,同时根据绘制的网纹图形对网纹图形库进行图形匹配,若处理结果为网纹像素点数足够多,且占比例足够大,同时在网纹图形库中也有相似的图形,则说明网纹去除前后的差异部分内容同时满足上述证件照网纹具有的3个特点,即对差异部分内容是网纹的假设成立,此时会直接判定待处理图像为网纹图像,完成对网纹图像的识别。
其中,若三个条件中存在条件不满足,则说明此次检测结果无法确定待处理图像中是否包含网纹,导致这种结果的原因不仅仅可能是待处理图像本身就不包含网纹,也有可能是处理过程中存在数据出错等问题,或者待处理图像质量不佳的问题,因此作为本发明的一个可选实施例,在若三个条件中存在条件不满足时,本发明实施例会返回S101重新对待处理图像进行处理,并同时统计对待处理图像处理的总次数,若在预设的最大总次数范围内,处理结果为三个条件中存在条件不满足,则一直循环返回S101,直至处理次数达到最大总次数,则直接判定该待处理图像为不带网纹图像。作为本发明的另一个可选实施例,也可以在若三个条件中存在条件不满足时,直接判定该待处理图像为不带网纹图像。具体采用何种方式,可由技术人员根据实际需求自行选取设定,此处不予限定。
在本发明实施例中,通过预先训练好的网纹去除模型对待处理图像进行网纹去除,得到无网纹的待处理图像,再将去网纹前后的待处理图像进行灰度值差值比对,从而确定出去网纹前后待处理图像存在的差异部分,并绘制为对应的网纹图形(即假设差异部分是网纹),再基于证件照实际具有的三个特点,进一步对绘制的网纹图形内包含的像素点数、占待处理图像总像素点数比例进行校验,并对网纹图形进行匹配,实现了对网纹的多维度全方面校验,当均满足时则说明去网纹前后待处理图像存在的差异部分是网纹内容,因此即可判定待处理图像为网纹图像,保证了网纹图像识别的准确可靠。
作为本发明实施例一中进行网纹去除模型训练构建的一种具体实现方式,如图2所示,本发明实施例二,包括:
S201,获取多对网纹图像样本和无网纹图像样本,其中,每对图像样本中的网纹图像样本和无网纹图像样本仅存在网纹差别。
在本发明实施例中,进行模型训练的图像样本都是成对存在的,且每一对图像样内的网纹图像样本和无网纹图像样本除了网纹以外都是完全相同的,为了获取多对仅存在网纹差别的图像样本,所使用的方法包括但不限于如,先获取所需数量的无网纹证件照,再对这些无网纹证件照添加对应的网纹,或者技术人员也可以使用其他方法,此处不予限定。
S202,构建网纹去除生成器G(x),网纹添加生成器F(x),设G(x)通过判别网络Dg(x)得到图像属于无网纹图像的概率为Dg(G(x)),F(x)通过判别网络Df(x)得到图像属于网纹图像的概率为Df(F(x))。
在本发明实施例中首先会构建初始的总模型,总模型中包括初始的网纹去除生成器G(x)、网纹添加生成器F(x)、无网纹判别网络Dg(x)以及网纹判别网络Df(x),以进行后续的迭代训练,其中对初始的模型构建规则包括但不限于如下:由技术人员设置好模型框架结构,包含多少层,每层的属性等,并随机生成模型参数。初始G(x)和F(x)的识别率一般都是较低的,因此本发明实施例后续会通过迭代更新训练来提高模型识别率。
S203,利用G(x)和F(x)分别对网纹图像样本a和网纹图像样本b进行处理,得到对应的处理后图像,并基于a、b、处理后图像、Dg(G(a))和Df(F(b))计算G(x)和F(x)对应的第一损失值,基于Dg(G(a)和Df(F(b))计算Dg(x)和Df(x)对应的第二损失值和第三损失值。
为了实现对网纹去除生成器G(x)、网纹添加生成器F(x)、无网纹判别网络Dg(x)以及网纹判别网络Df(x)的有效性评估,本发明实施例中会使用G(x)和F(x)分别对网纹图像样本a和网纹图像样本b进行处理,以得到对应的处理后的图像,设利用G(x)对网纹图像样本a进行处理得到图像a',利用F(x)对a'进行处理得到图像a”,利用F(x)对网纹图像样本b进行处理得到图像b',利用F(x)对b'进行处理得到图像b”,本发明实施例中的处理后图像包括但不限于a'、a”、b'和b”中的一种或多种。在本发明实施例中,首先会利用G(x)和F(x)分别对a和b进行处理,由于a和b仅存在网纹的差异,因此理论上得到的处理后的图像也应当仅存在网纹的差异,同理可知,理论上a=a”=b',且b=b”=a',基于这个理论等式,本发明实施例会进一步地计算两个功能相对的生成器损失函数的第一损失值,以及Dg(x)和Df(x)对应的第二损失值和第三损失值,其中具体的损失函数选取/设计此处不予限定,可由技术人员根据需求自行选取/设计,亦可以参考本发明实施例二和三进行处理。
S204,计算a、b以及处理后图像之间的图像差异度。
虽然理论上a=a”=b',且b=b”=a',但实际情况中未训练完成的G(x)和F(x)的处理效果必然不会很好,因此实际的a、a”和b'之间,以及b、b”和a'之间,必然存在一定的差异,而这个差异大小直接体现着G(x)和F(x)训练效果,因此本发明实施例会以计算a、b以及处理后图像之间的图像差异度的方式,来作为G(x)和F(x)训练效果一个维度的量化方式。其中,对于图像差异度的具体计算方式此处不予限定,包括但不限于如计算a、a”和b'之间的欧氏距离,以及b、b”和a'之间的欧氏距离等,或者也可以由技术人员自行根据需求设计,同时应当说明地,根据最终选取的计算方式的不同,所使用的到具体处理后图像也会存在差异,例如也可以仅使用a、b、a'和b'来计算,也可以同时使用a、b、a'、b'、a”和b”来计算,具体最终计算方式确定。
S205,判断第一损失值、第二损失值和第三损失值是否大于分别对应的预设损失值阈值,并判断图像差异度是否大于预设差异度阈值。
为了实现对G(x)、F(x)、Dg(x)和Df(x)的迭代训练,以达到预期的训练效果,本发明实施例会预先设置一个或多个损失值阈值,并预先设置好一个差异度阈值,用以判断三个损失值和图像差异度的合法性。其中损失值阈值用于衡量G(x)、F(x)、Dg(x)和Df(x)的训练预期效果,其的数量由技术人员根据实际需求设定,当对生成器和判别网络的训练预期效果不同时,可以对每个损失值分别设置一个独立的损失值阈值,同样,也可以统一设置一个相同的损失值阈值,同时损失值阈值和差异度阈值具体值也可有技术人员根据实际需求设置,且损失值阈值和差异度阈值越大,意味着对生成器和判别网络的训练预期效果要求越低。
S206,若第二损失值和/或第三损失值大等于对应的预设损失值阈值的值,迭代更新Dg(x)和Df(x)。
S207,若第一损失值大等于对应的预设损失值阈值和/或图像差异度大等于预设差异度阈值,迭代更新G(x)和F(x)。
当第二损失值和第三损失值中存在不满足损失值阈值要求的值时,说明Dg(x)和Df(x)的判别效果还达到预期效果,因此此时会返回迭代更新Dg(x)和Df(x)。同理当第一损失值过大不满足损失值阈值要求时,说明G(x)和F(x)未达到预期效果,此时会返回迭代更新G(x)和F(x)。
S208,若第一损失值、第二损失值和第三损失值均小于对应的预设损失值阈值,且图像差异度小于预设差异度阈值,完成对网纹去除生成器G(x)的模型训练,得到网纹去除模型。
由于G(x)、F(x)、Dg(x)和Df(x)之间是相互对立又依存的关系,因此在本发明实施例中即使第二损失值和第三损失值均满足要求,或者第一损失值满足要求,也不能直接判定Dg(x)和Df(x)训练完成,或者G(x)和F(x)训练完成,因此,在本发明实施例中,仅会在第一损失值、第二损失值、第三损失值以及图像差异度同时满足要求时,才会判定对G(x)、F(x)、Dg(x)和Df(x)的训练完成,此时即可得到最终可用的网纹去除生成器G(x),即本发明实施例一中的网纹去除模型。
应当说明地,虽然我们最终的目的是对可以进行网纹去除的G(x)进行训练构建,以得到本发明实施例一的网纹去除模型,但在本发明实施例中,对G(x)的训练和训练效果判别不仅与功能相对的F(x)息息相关,同时也与进行是否有网纹的判别网络Dg(x)和Df(x)的准确性息息相关,只有在G(x)、F(x)、Dg(x)和Df(x)均完成训练达到预期效果时,才能说明最终的G(x)是准确有效的,因此本发明实施例在对G(x)和F(x)迭代更新的同时,也会对Dg(x)和Df(x)进行迭代更新,虽然Dg(x)和Df(x)更新的步骤看似独立(是否更新的判别仅依赖于第二损失值和第三损失值的情况,没有参考第一损失值和图像差异度),但实际上第二损失值和第三损失值也是依赖于实时更新出的G(x)和F(x)对图像样本的处理效果的,因此实际上Dg(x)和Df(x)的更新和G(x)和F(x)是具有内在联系密不可分的,不能简单的看做是两个独立的迭代更新操作步骤。
在本发明实施例中,通过构建两个对立的生成器和两个对立的判别网络,基于对立的生成器和判别网络对成对的图像样本进行处理,并基于处理结果来对损失值和图像差异度的计算,以实现对生成器和判别网络训练效果的量化,最后根据损失值和图像差异度是否满足预期效果来对生成器和判别网络分别进行迭代更新,直至均满足预期效果为止,从而实现了对网纹去除模型的有效训练。
作为本发明实施例二中计算第一损失值的一种具体实现方式,包括:
利用G(x)对网纹图像样本a进行处理得到的图像a',利用F(x)对a'进行处理得到的图像a”,利用F(x)对网纹图像样本b进行处理得到的图像b',利用F(x)对b'进行处理得到的图像b”,基于公式(1)计算第一损失值:
Lg=-(log10(Dg(G(a)))-log10(Df(F(b)))+Lcyc,
Lcyc=L1Loss(a”,a)×lambda_a+L1 Loss(b”,b)×lambda_b+
L1 Loss(a,b')×lambda_c+L1 Loss(b,a')×lambda_d (1)
其中,Lg为第一损失值,L1Loss(x,y)表示两张图像的欧氏距离,lambda_a、lambda_b、lambda_c和lambda_d表示预设权值。
由于理论上a=a”=b',且b=b”=a',本发明实施例中会将a”和a、b”和b、a和b'以及b和a'分别进行比对计算对应的欧氏距离,从而得到对应四个维度的差异程度量化值,同时还会理论上图像样本生成器处理的次数越多,出现偏差的概率越大,最终与原图像样本匹配的难度越大,因此,本发明实施例和会对不同维度的差异程度预先设置对应的权值,以对不同匹配难度情况进行得到的差异程度值进行平衡,最大程度地保证对第一损失值计算的有效性。其中,lambda_a、lambda_b、lambda_c和lambda_d的具体值可由技术人员对各维度的匹配难度情况进行衡量后设置,优选地,lambda_a和lambda_b的值,均大于lambda_c和lambda_d。
作为本发明实施例二中计算第二损失值和第三损失值的一种具体实现方式,包括:
基于公式(2)和公式(3)计算第二损失值Ldg和第三损失值Ldf:
Ldg=-log10(Dg(G(a))-0.5)+log10(1.5-Dg(G(a))) (2)
Ldf=-log10(Df(F(b))-0.5)+log10(1.5-Df(F(b))) (3)
作为本发明实施例二中计算图像差异度的一种具体实现方式,如图3所示,本发明实施例三,包括:
S301,对a和b、a和a'以及b和b'分别进行灰度值差值运算,并基于得到的灰度值差值和预设差值阈值进行网纹提取,得到对应的第一网纹图像、第二网纹图像和第三网纹图像,其中,a'为利用G(x)对网纹图像样本a进行处理得到的图像,b'为利用F(x)对网纹图像样本b进行处理得到的图像。
S302,计算第一网纹图像和第二网纹图像的图像距离,以及第一网纹图像和第三网纹图像的图像距离,并计算得到的两个图像距离的差值,得到图像差异度。
由于理论上a=a”=b',且b=b”=a',第一网纹图像是标准的网纹图像,第二网纹图像是G(x)处理前后的差异部分图像,第三网纹图像是F(x)处理前后的差异部分图像,因此对a和a'以及b和b'分别进行灰度值差值运算,可以实现对G(x)和F(x)实际处理效果提取,再分别计算第二网纹图像和第三网纹图像分别与第一网纹图像的图像距离,几个实现对G(x)和F(x)实际处理效果的量化评估,最后将两个图像距离计算差值,即可得到本发明实施例二所需的图像差异度。其中,图像距离即为图像的相似度的倒数,具体的图像距离计算方法此处不予限定,可由技术人员自行设定,或者参考本发明其他实施例。
作为本发明实施例三中计算图像距离的一种具体实现方式,包括:
基于公式(4)计算图像距离L:
其中,n是所述第一网纹图像或所述第二网纹图像的像素点总数,xi和yi,分别为所述第一网纹图像或所述第二网纹图像的第i个像素点的像素值。
在本发明实施例中,将网纹图像的像素点逐个比对求像素值差值,再对差值取倒数,从而得到所需的图像距离。同理,对第一网纹图像和第三网纹图像的图像距离亦可根据公式(4)进行计算得到,此处不予赘述。
对应于上文实施例的方法,图4示出了本发明实施例提供的网纹图像识别装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。图4示例的网纹图像识别装置可以是前述实施例一提供的网纹图像识别方法的执行主体。
参照图4,该网纹图像识别装置包括:
去网纹模块41,用于将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像,所述网纹去除模型为预先基于网纹图像样本和无网纹图像样本进行训练得到的模型,用于去除图像中网纹。
网纹重构模块42,用于对所述待处理图像和所述待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形。
特征处理模块43,用于统计所述网纹图形中包含的像素点数,并计算得到的像素点数占所述待处理图像总像素点数的比例值。基于预设网纹图形库对所述网纹图形进行图形匹配。
网纹判别模块44,用于若所述网纹像素点数大于预设数量阈值、所述比例值大于预设比例阈值且所述网纹图形匹配成功,判定所述待处理图像为网纹图像。
进一步地,该网纹图像识别装置,还包括:
样本获取模块,用于用于获取多对网纹图像样本和无网纹图像样本,其中,每对图像样本中的网纹图像样本和无网纹图像样本仅存在网纹差别。
生成器构建模块,用于构建网纹去除生成器G(x),网纹添加生成器F(x),设G(x)通过判别网络Dg(x)得到图像属于无网纹图像的概率为Dg(G(x)),F(x)通过判别网络Df(x)得到图像属于网纹图像的概率为Df(F(x))。
损失值计算模块,用于利用G(x)和F(x)分别对网纹图像样本a和网纹图像样本b进行处理,得到对应的处理后图像,并基于a、b、所述处理后图像、Dg(G(a))和Df(F(b))计算G(x)和F(x)对应的第一损失值,基于Dg(G(a)和Df(F(b))计算Dg(x)和Df(x)对应的第二损失值和第三损失值。
差异计算模块,用于计算a、b以及所述处理后图像之间的图像差异度。
参数比对模块,用于判断所述第一损失值、所述第二损失值和所述第三损失值是否大于分别对应的预设损失值阈值,并判断所述图像差异度是否大于预设差异度阈值。
迭代更新模块,用于若所述第二损失值和/或所述第三损失值大等于对应的预设损失值阈值的值,迭代更新Dg(x)和Df(x)。若所述第一损失值大等于对应的预设损失值阈值和/或所述图像差异度大等于所述预设差异度阈值,迭代更新G(x)和F(x)。
模型输出模块,用于若所述第一损失值、所述第二损失值和所述第三损失值均小于对应的预设损失值阈值,且所述图像差异度小于所述预设差异度阈值,完成对网纹去除生成器G(x)的模型训练,得到所述网纹去除模型。
进一步地,损失值计算模块,包括:
利用G(x)对网纹图像样本a进行处理得到的图像a',利用F(x)对a'进行处理得到的图像a”,利用F(x)对网纹图像样本b进行处理得到的图像b',利用F(x)对b'进行处理得到的图像b”,基于公式(1)计算第一损失值:
Lg=-(log10(Dg(G(a)))-log10(Df(F(b)))+Lcyc,
Lcyc=L1 Loss(a”,a)×lambda_a+L1 Loss(b”,b)×lambda_b+
L1 Loss(a,b')×lambda_c+L1 Loss(b,a')×lambda_d (1)
其中,Lg为第一损失值,L1Loss(x,y)表示两张图像的欧氏距离,lambda_a、lambda_b、lambda_c和lambda_d表示预设权值。
进一步地,损失值计算模块,还包括:
基于公式(2)和公式(3)计算第二损失值Ldg和第三损失值Ldf:
Ldg=-log10(Dg(G(a))-0.5)+log10(1.5-Dg(G(a))) (2)
Ldf=-log10(Df(F(b))-0.5)+log10(1.5-Df(F(b))) (3)
进一步地,差异计算模块,包括:
网纹图像提取模块,用于对a和b、a和a'以及b和b'分别进行灰度值差值运算,并基于得到的灰度值差值和所述预设差值阈值进行网纹提取,得到对应的第一网纹图像、第二网纹图像和第三网纹图像,其中,a'为利用G(x)对网纹图像样本a进行处理得到的图像,b'为利用F(x)对网纹图像样本b进行处理得到的图像。
图像差异计算模块,用于计算所述第一网纹图像和所述第二网纹图像的图像距离,以及所述第一网纹图像和所述第三网纹图像的图像距离,并计算得到的两个图像距离的差值,得到所述图像差异度。
进一步地,图像差异计算模块,包括:
基于公式(4)计算图像距离L:
其中,n是所述第一网纹图像或所述第二网纹图像的像素点总数,xi和yi,分别为所述第一网纹图像或所述第二网纹图像的第i个像素点的像素值。
本发明实施例提供的网纹图像识别装置中各模块实现各自功能的过程,具体可参考前述图1所示实施例一的描述,此处不再赘述。
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,而不应对本发明实施例的实施过程构成任何限定。
还应理解的是,虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素,但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如,第一表格可以被命名为第二表格,并且类似地,第二表格可以被命名为第一表格,而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格,但是它们不是同一表格。
图5是本发明一实施例提供的终端设备的示意图。如图5所示,该实施例的终端设备5包括:处理器50、存储器51,所述存储器51中存储有可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个网纹图像识别方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块41至44的功能。
所述终端设备5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。所述终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5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,例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器50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51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5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,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经发送或者将要发送的数据。
另外,在本发明各个实施例中的各功能单元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。
所述集成的模块/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(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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,并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网纹图像识别方法,其特征在于,包括:
将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像,所述网纹去除模型为预先基于网纹图像样本和无网纹图像样本进行训练得到的模型,用于去除图像中网纹;
对所述待处理图像和所述待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形;
统计所述网纹图形中包含的像素点数,并计算得到的像素点数占所述待处理图像总像素点数的比例值;基于预设网纹图形库对所述网纹图形进行图形匹配;
若所述网纹像素点数大于预设数量阈值、所述比例值大于预设比例阈值且所述网纹图形匹配成功,判定所述待处理图像为网纹图像。
2.如权利要求1所述的网纹图像识别方法,其特征在于,对所述网纹去除模型的训练,包括:
获取多对网纹图像样本和无网纹图像样本,其中,每对图像样本中的网纹图像样本和无网纹图像样本仅存在网纹差别;
构建网纹去除生成器G(x),网纹添加生成器F(x),设G(x)通过判别网络Dg(x)得到图像属于无网纹图像的概率为Dg(G(x)),F(x)通过判别网络Df(x)得到图像属于网纹图像的概率为Df(F(x));
利用G(x)和F(x)分别对网纹图像样本a和网纹图像样本b进行处理,得到对应的处理后图像,并基于a、b、所述处理后图像、Dg(G(a))和Df(F(b))计算G(x)和F(x)对应的第一损失值,基于Dg(G(a)和Df(F(b))计算Dg(x)和Df(x)对应的第二损失值和第三损失值;
计算a、b以及所述处理后图像之间的图像差异度;
判断所述第一损失值、所述第二损失值和所述第三损失值是否大于分别对应的预设损失值阈值,并判断所述图像差异度是否大于预设差异度阈值;
若所述第二损失值和/或所述第三损失值大等于对应的预设损失值阈值的值,迭代更新Dg(x)和Df(x);若所述第一损失值大等于对应的预设损失值阈值和/或所述图像差异度大等于所述预设差异度阈值,迭代更新G(x)和F(x);
若所述第一损失值、所述第二损失值和所述第三损失值均小于对应的预设损失值阈值,且所述图像差异度小于所述预设差异度阈值,完成对网纹去除生成器G(x)的模型训练,得到所述网纹去除模型。
3.如权利要求2所述的网纹图像识别方法,其特征在于,所述利用G(x)和F(x)分别对网纹图像样本a和网纹图像样本b进行处理,得到对应的处理后图像,并基于a、b、所述处理后图像、Dg(G(a))和Df(F(b))计算G(x)和F(x)对应的第一损失值,包括:
利用G(x)对网纹图像样本a进行处理得到的图像a',利用F(x)对a'进行处理得到的图像a”,利用F(x)对网纹图像样本b进行处理得到的图像b',利用F(x)对b'进行处理得到的图像b”,基于下式计算第一损失值:
Lg=-(log10(Dg(G(a)))-log10(Df(F(b)))+Lcyc,
Lcyc=L1 Loss(a”,a)×lambda_a+L1 Loss(b”,b)×lambda_b+L1 Loss(a,b')×lambda_c+L1 Loss(b,a')×lambda_d
其中,Lg为第一损失值,L1 Loss(x,y)表示两张图像的欧氏距离,lambda_a、lambda_b、lambda_c和lambda_d表示预设权值。
4.如权利要求2所述的网纹图像识别方法,其特征在于,所述基于Dg(G(a)和Df(F(b))计算Dg(x)和Df(x)对应的第二损失值和第三损失值,包括:
基于下式计算第二损失值Ldg和第三损失值Ldf:
Ldg=-log10(Dg(G(a))-0.5)+log10(1.5-Dg(G(a)))
Ldf=-log10(Df(F(b))-0.5)+log10(1.5-Df(F(b)))。
5.如权利要求2所述的网纹图像识别方法,其特征在于,所述计算a、b以及所述处理后图像之间的图像差异度,包括:
对a和b、a和a'以及b和b'分别进行灰度值差值运算,并基于得到的灰度值差值和所述预设差值阈值进行网纹提取,得到对应的第一网纹图像、第二网纹图像和第三网纹图像,其中,a'为利用G(x)对网纹图像样本a进行处理得到的图像,b'为利用F(x)对网纹图像样本b进行处理得到的图像;
计算所述第一网纹图像和所述第二网纹图像的图像距离,以及所述第一网纹图像和所述第三网纹图像的图像距离,并计算得到的两个图像距离的差值,得到所述图像差异度。
7.一种网纹图像识别装置,其特征在于,包括:
去网纹模块,用于将待处理图像输入至预先训练好的网纹去除模型,得到待处理无网纹图像,所述网纹去除模型为预先基于网纹图像样本和无网纹图像样本进行训练得到的模型,用于去除图像中网纹;
网纹重构模块,用于对所述待处理图像和所述待处理无网纹图像进行灰度值差值计算,并基于计算得到的灰度值差值和预设差值阈值进行网纹重构,得到对应的网纹图形;
特征处理模块,用于统计所述网纹图形中包含的像素点数,并计算得到的像素点数占所述待处理图像总像素点数的比例值;基于预设网纹图形库对所述网纹图形进行图形匹配;
网纹判别模块,用于若所述网纹像素点数大于预设数量阈值、所述比例值大于预设比例阈值且所述网纹图形匹配成功,判定所述待处理图像为网纹图像。
8.如权利要求7所述的网纹图像识别装置,其特征在于,还包括:
样本获取模块,用于用于获取多对网纹图像样本和无网纹图像样本,其中,每对图像样本中的网纹图像样本和无网纹图像样本仅存在网纹差别;
生成器构建模块,用于构建网纹去除生成器G(x),网纹添加生成器F(x),设G(x)通过判别网络Dg(x)得到图像属于无网纹图像的概率为Dg(G(x)),F(x)通过判别网络Df(x)得到图像属于网纹图像的概率为Df(F(x));
损失值计算模块,用于利用G(x)和F(x)分别对网纹图像样本a和网纹图像样本b进行处理,得到对应的处理后图像,并基于a、b、所述处理后图像、Dg(G(a))和Df(F(b))计算G(x)和F(x)对应的第一损失值,基于Dg(G(a)和Df(F(b))计算Dg(x)和Df(x)对应的第二损失值和第三损失值;
差异计算模块,用于计算a、b以及所述处理后图像之间的图像差异度;
参数比对模块,用于判断所述第一损失值、所述第二损失值和所述第三损失值是否大于分别对应的预设损失值阈值,并判断所述图像差异度是否大于预设差异度阈值;
迭代更新模块,用于若所述第二损失值和/或所述第三损失值大等于对应的预设损失值阈值的值,迭代更新Dg(x)和Df(x);若所述第一损失值大等于对应的预设损失值阈值和/或所述图像差异度大等于所述预设差异度阈值,迭代更新G(x)和F(x);
模型输出模块,用于若所述第一损失值、所述第二损失值和所述第三损失值均小于对应的预设损失值阈值,且所述图像差异度小于所述预设差异度阈值,完成对网纹去除生成器G(x)的模型训练,得到所述网纹去除模型。
9.一种终端设备,其特征在于,所述终端设备包括存储器、处理器,所述存储器上存储有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6任一项所述方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910736543.2A CN110647805B (zh) | 2019-08-09 | 2019-08-09 | 一种网纹图像识别方法、装置及终端设备 |
PCT/CN2019/118652 WO2021027163A1 (zh) | 2019-08-09 | 2019-11-15 | 一种网纹图像识别方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910736543.2A CN110647805B (zh) | 2019-08-09 | 2019-08-09 | 一种网纹图像识别方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647805A true CN110647805A (zh) | 2020-01-03 |
CN110647805B CN110647805B (zh) | 2023-10-31 |
Family
ID=68990095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910736543.2A Active CN110647805B (zh) | 2019-08-09 | 2019-08-09 | 一种网纹图像识别方法、装置及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110647805B (zh) |
WO (1) | WO2021027163A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819016A (zh) * | 2021-02-19 | 2021-05-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760859A (zh) * | 2016-03-22 | 2016-07-13 | 中国科学院自动化研究所 | 基于多任务卷积神经网络的网纹人脸图像识别方法及装置 |
CN108734673A (zh) * | 2018-04-20 | 2018-11-02 | 平安科技(深圳)有限公司 | 去网纹***训练方法、去网纹方法、装置、设备及介质 |
CN109426775A (zh) * | 2017-08-25 | 2019-03-05 | 株式会社日立制作所 | 一种检测人脸图像中网纹的方法、装置及设备 |
WO2019085403A1 (zh) * | 2017-10-31 | 2019-05-09 | 平安科技(深圳)有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
CN110032931A (zh) * | 2019-03-01 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 生成对抗网络训练、网纹去除方法、装置及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2105936B1 (es) * | 1994-03-21 | 1998-06-01 | I D Tec S L | Perfeccionamientos introducidos en la patente de invencion n. p-9400595/8 por: procedimiento biometrico de seguridad y autentificacion de tarjetas de identidad y de credito, visados, pasaportes y reconocimiento facial. |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
CN107766844A (zh) * | 2017-11-13 | 2018-03-06 | 杭州有盾网络科技有限公司 | 一种网纹照人脸识别的方法、装置、设备 |
-
2019
- 2019-08-09 CN CN201910736543.2A patent/CN110647805B/zh active Active
- 2019-11-15 WO PCT/CN2019/118652 patent/WO2021027163A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760859A (zh) * | 2016-03-22 | 2016-07-13 | 中国科学院自动化研究所 | 基于多任务卷积神经网络的网纹人脸图像识别方法及装置 |
CN109426775A (zh) * | 2017-08-25 | 2019-03-05 | 株式会社日立制作所 | 一种检测人脸图像中网纹的方法、装置及设备 |
WO2019085403A1 (zh) * | 2017-10-31 | 2019-05-09 | 平安科技(深圳)有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
CN108734673A (zh) * | 2018-04-20 | 2018-11-02 | 平安科技(深圳)有限公司 | 去网纹***训练方法、去网纹方法、装置、设备及介质 |
CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
CN110032931A (zh) * | 2019-03-01 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 生成对抗网络训练、网纹去除方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
吴艳等: "基于RGB颜色模型的核桃缺素症判别方法", 北华大学学报(自然科学版), vol. 14, no. 04, pages 493 - 496 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021027163A1 (zh) | 2021-02-18 |
CN110647805B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886997B (zh) | 基于目标检测的识别框确定方法、装置及终端设备 | |
US11176418B2 (en) | Model test methods and apparatuses | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN109766925B (zh) | 特征融合方法、装置、电子设备及存储介质 | |
WO2019200702A1 (zh) | 去网纹***训练方法、去网纹方法、装置、设备及介质 | |
WO2021258699A1 (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
CN109063776B (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN111383186A (zh) | 一种图像处理方法、装置及终端设备 | |
CN110032931B (zh) | 生成对抗网络训练、网纹去除方法、装置及电子设备 | |
CN116188805A (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
TWI818496B (zh) | 指紋識別方法、指紋模組及電子設備 | |
WO2023065744A1 (zh) | 一种人脸识别方法、装置、设备以及存储介质 | |
CN110765843B (zh) | 人脸验证方法、装置、计算机设备及存储介质 | |
CN113221601A (zh) | 字符识别方法、装置及计算机可读存储介质 | |
CN110647805B (zh) | 一种网纹图像识别方法、装置及终端设备 | |
CN117237757A (zh) | 一种人脸识别模型训练方法、装置、电子设备及介质 | |
CN115689947A (zh) | 一种图像锐化的方法、***、电子装置和存储介质 | |
CN113128278A (zh) | 一种图像识别方法及装置 | |
CN107403199B (zh) | 数据处理方法和装置 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN111640076B (zh) | 一种图像补全方法、装置及电子设备 | |
CN114384541A (zh) | 点云目标检测方法、终端设备及计算机可读存储介质 |
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 |