CN110766007B - 证件遮挡检测方法、装置、设备及可读存储介质 - Google Patents
证件遮挡检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110766007B CN110766007B CN201911034032.2A CN201911034032A CN110766007B CN 110766007 B CN110766007 B CN 110766007B CN 201911034032 A CN201911034032 A CN 201911034032A CN 110766007 B CN110766007 B CN 110766007B
- Authority
- CN
- China
- Prior art keywords
- picture
- certificate
- detected
- preset
- pixel
- 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
Classifications
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种证件遮挡检测方法、装置、设备和可读存储介质,所述证件遮挡检测方法包括:获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图,基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。本发明解决了检测遮挡证件不准确的技术问题。
Description
技术领域
本发明涉及金融科技(Fintech)的人工智能技术领域,尤其涉及一种证件遮挡检测方法、装置、设备及可读存储介质。
背景技术
随着金融科技,尤其是互联网科技金融的不断发展,越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域,但金融业也对技术提出了更高的要求,如对金融业对应待办事项的分发也有更高的要求。
在互联网银行或者其他金融科技的场景中,用户常常需要通过远程拍摄上传身份证件图像进行身份验证,而为了提高用户远程身份认证的安全性,在身份验证的过程中,对身份证件图像进行多项安全检查,例如检查身份证是否有残缺、检查身份证在拍照中是否被遮挡、检查身份证是否拍摄清晰完整等,目前,通常通过判断身份证件图像的区域颜色、边缘信息等,检测身份证件是否被遮挡,但是当身份证件图像的图片质量较低时,例如如图片模糊、拍摄过曝、欠曝、拍摄角度过大等,则该方法检测准确率较低,所以,现有技术中存在检测遮挡证件不准确的技术问题。
发明内容
本发明的主要目的在于提供一种证件遮挡检测方法、装置、设备和可读存储介质,旨在解决现有技术中检测遮挡证件不准确的技术问题。
为实现上述目的,本发明实施例提供一种证件遮挡检测方法,所述证件遮挡检测方法应用于证件遮挡检测设备,所述证件遮挡检测方法包括:
获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图;
基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。
可选地,所述待检测证件图片包括证件区域,
所述基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片的步骤包括:
基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域;
对所述证件连通区域进行框选,获得最小外接矩形区域;
若所述最小外接矩形区域存在被遮挡区域,则验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片。
可选地,所述验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片的步骤包括:
计算所述被遮挡区域的像素数目,并将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则判定所述待检测证件图片为所述遮挡证件图片;
若所述像素数目小于所述预设像素数目阀值,则判定所述待检测证件图片不为所述遮挡证件图片。
可选地,所述将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图的步骤包括:
将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果;
对所述编码结果进行解码,获得所述像素标签图。
可选地,所述预设语义分割模型包括卷积神经网络,
所述对所述待检测证件图片进行编码,获得编码结果的步骤包括:
将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息;
基于所述高级语义信息,对所述待检测证件图片中的像素进行识别和分类,获得所述编码结果。
可选地,所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息的步骤包括:
将所述待检测证件图片输入所述卷积神经网络,以进行卷积处理,获得卷积处理结果;
对所述卷积处理结果进行池化处理,获得池化处理结果;
重复交替进行预设次数的所述卷积处理和所述池化处理,获得多个特征图;
对所述多个特征图进行全连接,获得证件图片特征向量,并提取所述证件图片特征向量中的图片信息,获得所述高级语义信息。
可选地,所述获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图的步骤之前包括:
获取预设训练图片,并对所述预设训练图片进行像素级标注,获得像素级标注结果;
将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行语义分割,获得输出结果;
将所述输出结果与所述像素级标注结果进行比对,获得模型误差;
将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则调整所述预设基础训练模型的权值矩阵,并对所述预设基础训练模型重新进行训练;
当所述模型误差小于或者等于所述预设模型误差阀值时,则将所述预设基础训练模型作为所述预设语义分割模型。
本发明还提供一种证件遮挡检测装置,所述证件遮挡检测装置应用于证件遮挡检测设备,所述证件遮挡检测装置包括:
语义分割模块,用于所述获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图;
检测模块,用于所述基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。
可选地,所述检测模块包括:
联通区域获取子模块,用于基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域;
框选子模块,用于所述对所述证件连通区域进行框选,获得最小外接矩形区域;
判断子模块,用于所述若所述最小外接矩形区域存在被遮挡区域,则验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片。
可选地,所述判断子模块包括:
第一判断单元,用于所述计算所述被遮挡区域的像素数目,并将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则判定所述待检测证件图片为所述遮挡证件图片;
第二判断单元,用于所述若所述像素数目小于所述预设像素数目阀值,则判定所述待检测证件图片不为所述遮挡证件图片。
可选地,所述语义分割模块包括:
编码子模块,用于所述将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果;
解码子模块,用于所述对所述编码结果进行解码,获得所述像素标签图。
可选地,所述编码子模块包括:
卷积和池化单元,用于所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息;
分类和识别单元,用于所述基于所述高级语义信息,对所述待检测证件图片中的像素进行识别和分类,获得所述编码结果。
可选地,所述卷积和池化单元包括:
卷积子单元,用于所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积处理,获得卷积处理结果;
池化子单元,用于所述对所述卷积处理结果进行池化处理,获得池化处理结果;
重复子单元,用于所述重复交替进行预设次数的所述卷积处理和所述池化处理,获得多个特征图;
全连接子单元,用于所述对所述多个特征图进行全连接,获得证件图片特征向量,并提取所述证件图片特征向量中的图片信息,获得所述高级语义信息。
可选地,所述证件遮挡检测装置还包括:
像素标准模块,用于所述获取预设训练图片,并对所述预设训练图片进行像素级标注,获得像素级标注结果;
语义分割模块,用于所述将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行语义分割,获得输出结果;
比对模块,用于所述将所述输出结果与所述像素级标注结果进行比对,获得模型误差;
第一判断模块,用于所述将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则调整所述预设基础训练模型的权值矩阵,并对所述预设基础训练模型重新进行训练;
第二判断模块,用于所述当所述模型误差小于或者等于所述预设模型误差阀值时,则将所述预设基础训练模型作为所述预设语义分割模型。
本发明还提供一种证件遮挡检测设备,所述证件遮挡检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述证件遮挡检测方法的程序,所述证件遮挡检测方法的程序被处理器执行时可实现如上述的证件遮挡检测方法的步骤。
本发明还提供一种可读存储介质,所述可读存储介质上存储有实现证件遮挡检测方法的程序,所述证件遮挡检测方法的程序被处理器执行时实现如上述的证件遮挡检测方法的步骤。
本申请通过获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图,进而基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。也即,本申请首先进行待检测证件图片的获取,进而将所述待检测证件图片输入预设语义分割模型,以进行所述待检测证件图片的语义分割,获得像素标签图,进一步地,基于所述像素标签图,进行所述待检测证件图片是否为遮挡证件图片的检测。也即,本申请在对待检测证件图片进行语义分割,获得像素标签图,进而基于像素标签图,对所述待检测证件图片进行像素层面上的检测,以判断所述待检测证件图片是否为遮挡证件图片,所以,当待检测证件图片的质量较低时,并不影响所述待检测证件图片是否为遮挡证件图片的检测,所以本申请实现了对低质量的待检测证件图片是否为遮挡证件图片的精准检测,避免了由于待检测证件图片的图片质量过低,而导致对待检测证件图片是否为遮挡证件图片的检测不准确的情况发生,所以,解决了现有技术中检测遮挡证件不准确的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,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为本发明证件遮挡检测方法第一实施例的流程示意图;
图2为本发明第一实施例中一种检测所述待检测证件图片是否为遮挡证件图片方法的流程示意图;
图3为本发明证件遮挡检测方法第二实施例的流程示意图;
图4为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种证件遮挡检测方法,所述证件遮挡检测方法应用于证件遮挡检测设备,在本申请证件遮挡检测方法的第一实施例中,参照图1,所述证件遮挡检测方法包括:
步骤S10,获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图;
在本实施例中,需要说明的是,所述预设语义分割模型是预先训练好的语义分割模型,所述待检测证件图片可通过摄像设备拍摄获取,所述像素标签图指的是使用像素标签将图形中的区域进行分类的语义图像,所述像素标签包括颜色、数字等,例如,假设所述像素标签图包括有效证件区域、遮挡区域和非证件区域,且所述像素标签为颜色,则可使用颜色1标识有效证件区域、使用颜色2标识遮挡区域和使用颜色3标识非证件区域。
获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图,具体地,获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行预设次数的下采样处理,也即进行编码处理,其中,所述下采样的方式包括最大值池化、平均值池化、随机池化和求和区域池化等方式,进而获得所述待检测证件图片的高级语义信息,其中,所述高级语义信息包括图像主体的抽象特征,如主***置、主体类别等信息,通过将待检测证件图片所述输入预设语义分割模型,可将所述遥感影像压缩为一系列的隐变量,也即,抽取所述遥感影像的抽象特征,以获得所述待检测证件图片对应的特征图,其中该抽取过程中丢弃了像素点的位置信息,进而这些隐变量表示了所述高级语义信息,进一步地,对已经进行了下采样的待检测证件图片进行上采样,也即,进行解码处理,其中,所述上采样的方式包括双线性插值、反卷积、反池化等方式,进而逐步恢复图像的空间信息,也即,逐步恢复像素点的位置信息,使得上采样之后的图像与输入的所述待检测证件图片的分辨率一致,获得语义图像,也即,获得所述像素标签图,其中,所述语义图像是根据所述高级语义信息将所述待检测证件图片中的像素点进行分类而获得的图像。
其中,所述获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图的步骤之前包括:
步骤A10,获取预设训练图片,并对所述预设训练图片进行像素级标注,获得像素级标注结果;
在本实施例中,需要说明的是,所述像素级标注可通过图像处理软件、神经网络模型等工具进行实施,所述像素级标注指的是对图像进行像素层面上的标注,例如使用不同的颜色标签或者数字标签对属于不同区域的像素点进行标识,所述预设训练图片是预先拍摄好的证件图片,其中所述预设训练图片包括有效证件区域、被遮挡区域和非证件区域等区域。
获取预设训练图片,并对所述预设训练图片进行像素级标注,获得像素级标注结果,具体地,从预设训练数据库中提取所述预设训练图片,并将所述预设训练图片转化为图像矩阵,对属于图像矩阵中不同区域对应的像素点进行标注,获得像素点标注结果,进一步地,基于所述标注结果,将标注后的所述图像矩阵转化为像素标签图,也即,获得像素级标注结果。
步骤A20,将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行语义分割,获得输出结果;
在本实施例中,需要说明的是,所述预设基础训练模型是未确定是否训练好的语音分割模型,所述输出结果为语义分割图像,也即,所述输出结果为本次训练输出的像素标签图。
将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行语义分割,获得输出结果,具体地,将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行编码和解码处理,获得所述输出结果。
步骤A30,将所述输出结果与所述像素级标注结果进行比对,获得模型误差;
在本实施例中,将所述输出结果与所述像素级标注结果进行比对,获得模型误差,具体地,将所述输出结果与所述像素级标注结果进行比对,比较所述输出结果与所述像素级标注结果的相似程度,基于所述相似程度,获得所述模型误差,例如,假设所述输出结果与所述像素级标注结果的相似程度为95%,则所述模型误差为5%。
步骤A40,将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则调整所述预设基础训练模型的权值矩阵,并对所述预设基础训练模型重新进行训练;
在本实施例中,需要说明的是,所述预设模型误差阀值是预先设置好的阀值,且所述预设模型误差阀值越小,则所述预设语义分割模型越精准。
将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则调整所述预设基础训练模型的权值矩阵,并对所述预设基础训练模型重新进行训练,具体地,将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则表明所述预设基础训练模型的预测准确率过低,则基于所述模型误差对应的梯度向量调整所述预设基础训练模型的权值矩阵,并对调整后的所述预设基础训练模型重新进行训练,直至所述模型误差小于或者等于所述预设模型误差阀值,其中,所述梯度向量对目标函数求取偏导数获取的向量,所述目标函数是关于所述模型误差和所述权重矩阵的二次函数,例如,假设所述目标函数为f(x,y),所述模型权重为x,所述模型误差为y,则所述梯度向量,也即偏导数为
步骤A50,当所述模型误差小于或者等于所述预设模型误差阀值时,则将所述预设基础训练模型作为所述预设语义分割模型。
在本实施例中,当所述模型误差小于或者等于所述预设模型误差阀值时,则将所述预设基础训练模型作为所述预设语义分割模型,具体地,当所述模型误差小于或者等于所述预设模型误差阀值时,则表明所述预设基础训练模型的预测准确率已达到成为所述预设语义分割模型的要求,进而将所述预设基础训练模型作为所述预设语义分割模型。
步骤S20,基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。
在本实施例中,需要说明的是,所述遮挡证件图片指的是所述遮挡证件图片的证件区域存在部分区域被遮挡的图片,其中,所述部分区域的大小可基于证件区域大小由用户自行设定,所述证件区域包括被遮挡区域。
基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片,具体地,基于所述像素标签图,通过预设图像库的函数求取所述像素标签图中的各类像素标签对应的连通区域,获得所述证件区域对应的证件像素标签区域,进一步地,计算所述证件像素标签区域中所述被遮挡区域对应的像素数目,并基于所述像素数目,检测所述待检测证件图片是否为遮挡证件图片,其中,所述预设图像库包括OpenCV等,其中,所述OpenCV为一种计算机视觉库。
其中,所述待检测证件图片包括证件区域,
所述基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片的步骤包括:
步骤S21,基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域;
在本实施例中,基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域,具体地,基于所述图像库函数,在所述像素标签图中,查询所述证件区域对应的证件区域像素,进而获取所述证件区域像素对应的证件连通区域,且其中,所述证件连通区域只包括证件区域像素,所述证件区域像素点为所述证件区域的像素。
步骤S22,对所述证件连通区域进行框选,获得最小外接矩形区域;
在本实施例中,对所述证件连通区域进行框选,获得最小外接矩形区域,具体地,对所述证件连通区域进行框选,以基于所述证件连通区域的边界,求取所述最小外接矩形区域,其中,所述最小外接矩形为四边均与所述证件连通区域有交点的外接矩形,且在所有所述外接矩形中,所述最小外接矩形的面积最小。
步骤S23,若所述最小外接矩形区域存在被遮挡区域,则验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片。
在本实施例中,需要说明的是,所述最小外接矩形区域中包括被遮挡区域和有效证件区域。
若所述最小外接矩形区域存在被遮挡区域,则验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片,具体地,若所述最小外接矩形区域存在被遮挡区域,则将所述被遮挡区域转化为对应的图像矩阵,其中,所述图像矩阵中的每一数值均代表一个像素,进而计算所述被遮挡区域对应的图像矩阵的像素数目,进一步地,将所述像素数目与预设像素数目阀值进行比对,以判断所述待检测证件图片是否为遮挡证件图片。
其中,在步骤S23中,所述验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片的步骤包括:
步骤S231,计算所述被遮挡区域的像素数目,并将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则判定所述待检测证件图片为所述遮挡证件图片;
在本实施例中,需要说明的是,所述预设像素数目阀值是基于所述待检测证件图片的大小和未遮挡证件图片的合格要求预先设置好的阀值。
计算所述被遮挡区域的像素数目,并将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则判定所述待检测证件图片为所述遮挡证件图片,具体地,则将所述被遮挡区域转化为对应的图像矩阵,并计算所述被遮挡区域对应的图像矩阵的像素数目,进而将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则表示所述待检测证件图片被遮挡的概率极高,也即,所述被遮挡区域有效,则在误差允许的情况下,可判定所述待检测证件图片为所述遮挡证件图片。
步骤S232,若所述像素数目小于所述预设像素数目阀值,则判定所述待检测证件图片不为所述遮挡证件图片。
在本实施例中,若所述像素数目小于所述预设像素数目阀值,则判定所述待检测证件图片不为所述遮挡证件图片,具体地,若所述像素数目大于或者等于所述预设像素数目阀值,则表示所述待检测证件图片不被遮挡的概率极高,也即,所述被遮挡区域无效,则在误差允许的情况下,可判定所述待检测证件图片不为所述遮挡证件图片,如图2所示为本实施例中一种检测所述待检测证件图片是否为遮挡证件图片方法的流程示意图,其中,所述“OpenCV”为所述图像库,所述“FindContou”和所述“minRectArea”均为所述预设图像库函数。
本实施例通过获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图,进而基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。也即,本实施例首先进行待检测证件图片的获取,进而将所述待检测证件图片输入预设语义分割模型,以进行所述待检测证件图片的语义分割,获得像素标签图,进一步地,基于所述像素标签图,进行所述待检测证件图片是否为遮挡证件图片的检测。也即,本实施例在对待检测证件图片进行语义分割,获得像素标签图,进而基于像素标签图,对所述待检测证件图片进行像素层面上的检测,以判断所述待检测证件图片是否为遮挡证件图片,所以,当待检测证件图片的质量较低时,并不影响所述待检测证件图片是否为遮挡证件图片的检测,所以本实施例实现了对低质量的待检测证件图片是否为遮挡证件图片的精准检测,避免了由于待检测证件图片的图片质量过低,而导致对待检测证件图片是否为遮挡证件图片的检测不准确的情况发生,所以,解决了现有技术中检测遮挡证件不准确的技术问题。
进一步地,参照图2,基于本申请中第一实施例,在证件遮挡检测方法的另一实施例中,在步骤S10中,所述将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图的步骤包括:
步骤S11,将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果;
在本实施例中,需要说明的是,所述预设语义分割模型包括卷积神经网络。
将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果,具体地,将所述待检测证件图片输入预设语义分割模型,以将所述待检测证件图片输入所述卷积神经网络,对所述待检测证件图片进行卷积和池化交替处理,获得卷积和池化交替处理结果,进而在所述卷积和池化交替处理结果中提取证件图片信息,进而基于所述证件图片信息获取所述编码结果。
其中,所述预设语义分割模型包括卷积神经网络,
所述对所述待检测证件图片进行编码,获得编码结果的步骤包括:
步骤S111,将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息;
在本实施例中,需要说明的是,所述卷积指的是对待检测证件图片对应的图像矩阵和卷积核进行逐个元素相乘再求和,获得图像特征值的过程,其中,所述卷积核指的是待检测证件图片特征对应的权值矩阵,所述池化指的是对通过卷积而获得的图像特征值进行整合,从而获得新的特征值的过程。
将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息,具体地,将所述待检测证件图片输入所述卷积神经网络,以重复进行卷积和池化交替处理,直至所述卷积和池化交替处理的次数达到预设次数,获得所述待检测证件图片对应的多张特征图,提取所述多张特征图中的证件图片信息,也即,获得高级语义信息。
其中,所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息的步骤包括:
步骤B10,将所述待检测证件图片输入所述卷积神经网络,以进行卷积处理,获得卷积处理结果;
在本实施例中,需要说明的是,卷积过程可以理解为:图像特征的一部分的统计特性与其他部分是一样的,即是在这一部分学习的统计特性也能出现在相应另一部分上,因而将学习到的统计特性作为探测器,应用到这个图像特征的任意地方中去,即通过小范围图像所学习到的统计特性跟原本的大尺寸图像的图像特征作卷积,在数学上,卷积可以是相应图像的特性矩阵与预先的多个探测矩阵相乘最后求和,得到卷积处理结果。
将所述待检测证件图片输入所述卷积神经网络,以进行卷积处理,获得卷积处理结果,具体地,将所述待检测证件图片输入所述卷积神经网络,以将所述待检测证件图片对应的图像矩阵与所述卷积神经网络中的权值矩阵进行点乘,然后进行权值求和,获得所述卷积处理结果。
步骤B20,对所述卷积处理结果进行池化处理,获得池化处理结果;
在本实施例中,需要说明的是,池化处理的方式包括最大值池化、均值池化等方式,对所述卷积处理结果进行池化处理,获得池化处理结果,具体地,首先将所述卷积处理结果分割为多个预设大小的像素矩阵,假设所述池化处理的方式为最大值池化,则使用像素矩阵的最大像素代替所述像素矩阵,进而获得新的图像矩阵,也即,获得池化处理结果。
步骤B30,重复交替进行预设次数的所述卷积处理和所述池化处理,获得多个特征图;
在本实施例中,重复交替进行预设次数的所述卷积处理和所述池化处理,获得多个特征图,具体地,重复进行步骤B20至步骤B30,直至交替进行所述卷积和池化处理的次数达到了预设次数,获得多个特征图,其中,当所述预设次数较少时,所述特征图表示的为所述待检测证件图片的浅层特征,当所述预设次数较多时,所述特征图表示的为所述待检测证件图片的深层特征。
步骤B40,对所述多个特征图进行全连接,获得证件图片特征向量,并提取所述证件图片特征向量中的图片信息,获得所述高级语义信息。
在本实施例中,对所述多个特征图进行全连接,获得证件图片特征向量,并提取所述证件图片特征向量中的图片信息,获得所述高级语义信息,具体地,对所述多个特征图进行全连接,其中,所述全连接可视为一种特殊卷积处理,所述特殊卷积处理的结果为获得图像对应的一个一维向量,也即,通过所述全连接将所述多个特征图转化为唯一一维向量,且所述唯一一维向量中包括了所述待检测证件图片的所有组合特征信息,其中,所述组合特征信息包括证件区域坐标、证件区域颜色、遮挡区域大小等特征,提取所述组合特征信息,也即,提取所述证件图片特征向量中的图片信息,进而获得所述高级语义信息。
步骤S112,基于所述高级语义信息,对所述待检测证件图片中的像素进行识别和分类,获得所述编码结果。
在本实施例中,需要说明的是,所述待检测证件图片中包括证件区域和非证件区域,其中,所述证件区域包括有效证件区域和被遮挡区域,所以,所述待检测证件图片中的像素包括证件区域类像素和非证件区域类像素,其中,所述证件区域类像素包括有效证件区域类像素和被遮挡区域类像素。
基于所述高级语义信息,对所述待检测证件图片中的像素进行识别和分类,获得所述编码结果,具体地,基于所述高级语义信息,对所述有效证件区域类像素、被遮挡区域类像素和所述非证件区域类像素进行识别和分类,并使用不同的像素标签进行标识,获得所述编码结果。
步骤S12,对所述编码结果进行解码,获得所述像素标签图。
在本实施例中,对所述编码结果进行解码,获得所述像素标签图,具体地,将所述编码结果对应的图像矩阵与转置后的所述卷积神经网络中的权值矩阵相乘,获得所述像素标签图对应的语义图像矩阵,基于所述语义图像矩阵,输出所述像素标签图,其中,可使用不同的像素标签在所述像素标签图将证件区域和非证件区域进行区分。
本实施例通过将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果,进而对所述编码结果进行解码,获得所述像素标签图。也即,本实施例通过将所述待检测证件图片输入预设语义分割模型,以进行对所述待检测证件图片的编码,获得编码结果,进而进行对所述编码结果的解码,获得所述像素标签图。也即,本实施例提供了一种基于语义分割模型获取像素标签图的方法,该方法使用编码和解码的方式,对所述待检测证件图片进行上采样和下采样,以对所述待检测证件图片中的像素进行分类,进而获得所述像素标签图,所以该方法对所述待检测证件图片的质量并无要求,所以实现了对低质量的所述待检测证件图片的处理,并获得所述像素标签图,所以为解决现有技术中检测遮挡证件不准确的技术问题奠定了基础。
参照图4,图4是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图4所示,该证件遮挡检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该证件遮挡检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图4中示出的证件遮挡检测设备结构并不构成对证件遮挡检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及证件遮挡检测程序。操作***是管理和控制证件遮挡检测设备硬件和软件资源的程序,支持证件遮挡检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与证件遮挡检测***中其它硬件和软件之间通信。
在图4所示的证件遮挡检测设备中,处理器1001用于执行存储器1005中存储的证件遮挡检测程序,实现上述任一项所述的证件遮挡检测方法的步骤。
本发明证件遮挡检测设备具体实施方式与上述证件遮挡检测方法各实施例基本相同,在此不再赘述。
本发明还提供一种证件遮挡检测装置,所述证件遮挡检测装置包括:
语义分割模块,用于所述获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图;
检测模块,用于所述基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片。
可选地,所述检测模块包括:
联通区域获取子模块,用于基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域;
框选子模块,用于所述对所述证件连通区域进行框选,获得最小外接矩形区域;
判断子模块,用于所述若所述最小外接矩形区域存在被遮挡区域,则验证所述遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片。
可选地,所述判断子模块包括:
第一判断单元,用于所述计算所述被遮挡区域的像素数目,并将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则判定所述待检测证件图片为所述遮挡证件图片;
第二判断单元,用于所述若所述像素数目小于所述预设像素数目阀值,则判定所述待检测证件图片不为所述遮挡证件图片。
可选地,所述语义分割模块包括:
编码子模块,用于所述将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果;
解码子模块,用于所述对所述编码结果进行解码,获得所述像素标签图。
可选地,所述编码子模块包括:
卷积和池化单元,用于所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息;
分类和识别单元,用于所述基于所述高级语义信息,对所述待检测证件图片中的像素进行识别和分类,获得所述编码结果。
可选地,所述卷积和池化单元包括:
卷积子单元,用于所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积处理,获得卷积处理结果;
池化子单元,用于所述对所述卷积处理结果进行池化处理,获得池化处理结果;
重复子单元,用于所述重复交替进行预设次数的所述卷积处理和所述池化处理,获得多个特征图;
全连接子单元,用于所述对所述多个特征图进行全连接,获得证件图片特征向量,并提取所述证件图片特征向量中的图片信息,获得所述高级语义信息。
可选地,所述证件遮挡检测装置还包括:
像素标准模块,用于所述获取预设训练图片,并对所述预设训练图片进行像素级标注,获得像素级标注结果;
语义分割模块,用于所述将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行语义分割,获得输出结果;
比对模块,用于所述将所述输出结果与所述像素级标注结果进行比对,获得模型误差;
第一判断模块,用于所述将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则调整所述预设基础训练模型的权值矩阵,并对所述预设基础训练模型重新进行训练;
第二判断模块,用于所述当所述模型误差小于或者等于所述预设模型误差阀值时,则将所述预设基础训练模型作为所述预设语义分割模型。
本发明证件遮挡检测装置的具体实施方式与上述证件遮挡检测方法各实施例基本相同,在此不再赘述。
本发明提供了一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的证件遮挡检测方法的步骤。
本发明介质具体实施方式与上述证件遮挡检测方法各实施例基本相同,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利处理范围内。
Claims (9)
1.一种证件遮挡检测方法,其特征在于,所述证件遮挡检测方法包括:
获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图;
基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片,其中,所述遮挡证件图片为所述遮挡证件图片的证件区域存在被遮挡区域的图片,所述待检测证件图片包括证件区域,所述基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片的步骤包括:
基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域;
对所述证件连通区域进行框选,获得最小外接矩形区域;
若所述最小外接矩形区域存在所述被遮挡区域,则验证所述被遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片。
2.如权利要求1所述证件遮挡检测方法,其特征在于,所述验证所述被遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片的步骤包括:
计算所述被遮挡区域的像素数目,并将所述像素数目与预设像素数目阀值进行比对,若所述像素数目大于或者等于所述预设像素数目阀值,则判定所述待检测证件图片为所述遮挡证件图片;
若所述像素数目小于所述预设像素数目阀值,则判定所述待检测证件图片不为所述遮挡证件图片。
3.如权利要求1所述证件遮挡检测方法,其特征在于,所述将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图的步骤包括:
将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行编码,获得编码结果;
对所述编码结果进行解码,获得所述像素标签图。
4.如权利要求3所述证件遮挡检测方法,其特征在于,所述预设语义分割模型包括卷积神经网络,
所述对所述待检测证件图片进行编码,获得编码结果的步骤包括:
将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息;
基于所述高级语义信息,对所述待检测证件图片中的像素进行识别和分类,获得所述编码结果。
5.如权利要求4所述证件遮挡检测方法,其特征在于,所述将所述待检测证件图片输入所述卷积神经网络,以进行卷积和池化交替处理,获得高级语义信息的步骤包括:
将所述待检测证件图片输入所述卷积神经网络,以进行卷积处理,获得卷积处理结果;
对所述卷积处理结果进行池化处理,获得池化处理结果;
重复交替进行预设次数的所述卷积处理和所述池化处理,获得多个特征图;
对所述多个特征图进行全连接,获得证件图片特征向量,并提取所述证件图片特征向量中的图片信息,获得所述高级语义信息。
6.如权利要求1所述证件遮挡检测方法,其特征在于,所述获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图的步骤之前包括:
获取预设训练图片,并对所述预设训练图片进行像素级标注,获得像素级标注结果;
将所述预设训练图片输入预设基础训练模型,以对所述预设训练图片进行语义分割,获得输出结果;
将所述输出结果与所述像素级标注结果进行比对,获得模型误差;
将所述模型误差与预设模型误差阀值进行比对,若所述模型误差大于所述预设模型误差阀值,则调整所述预设基础训练模型的权值矩阵,并对所述预设基础训练模型重新进行训练;
当所述模型误差小于或者等于所述预设模型误差阀值时,则将所述预设基础训练模型作为所述预设语义分割模型。
7.一种证件遮挡检测装置,其特征在于,所述证件遮挡检测装置应用于证件遮挡检测设备,所述证件遮挡检测装置包括:
语义分割模块,用于获取待检测证件图片,并将所述待检测证件图片输入预设语义分割模型,以对所述待检测证件图片进行语义分割,获得像素标签图;
检测模块,用于基于所述像素标签图,检测所述待检测证件图片是否为遮挡证件图片,其中,所述遮挡证件图片为所述遮挡证件图片的证件区域存在被遮挡区域的图片,所述待检测证件图片包括证件区域,所述检测模块还用于基于所述像素标签图,通过预设图像库函数获取所述证件区域对应的证件连通区域;对所述证件连通区域进行框选,获得最小外接矩形区域;若所述最小外接矩形区域存在所述被遮挡区域,则验证所述被遮挡区域的有效性,以判断所述待检测证件图片是否为遮挡证件图片。
8.一种证件遮挡检测设备,其特征在于,所述证件遮挡检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述证件遮挡检测方法的程序,
所述存储器用于存储实现证件遮挡检测方法的程序;
所述处理器用于执行实现所述证件遮挡检测方法的程序,以实现如权利要求1至6中任一项所述证件遮挡检测方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现证件遮挡检测方法的程序,所述实现证件遮挡检测方法的程序被处理器执行以实现如权利要求1至6中任一项所述证件遮挡检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034032.2A CN110766007B (zh) | 2019-10-28 | 2019-10-28 | 证件遮挡检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034032.2A CN110766007B (zh) | 2019-10-28 | 2019-10-28 | 证件遮挡检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766007A CN110766007A (zh) | 2020-02-07 |
CN110766007B true CN110766007B (zh) | 2023-09-22 |
Family
ID=69334119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911034032.2A Active CN110766007B (zh) | 2019-10-28 | 2019-10-28 | 证件遮挡检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766007B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553251B (zh) * | 2020-04-24 | 2024-05-07 | 平安科技(深圳)有限公司 | 证件四角残缺检测方法、装置、设备及存储介质 |
CN111738979B (zh) * | 2020-04-29 | 2024-01-19 | 北京易道博识科技有限公司 | 证件图像质量自动检查方法及*** |
CN111898610B (zh) * | 2020-07-29 | 2024-04-19 | 平安科技(深圳)有限公司 | 卡片缺角检测方法、装置、计算机设备及存储介质 |
CN113052894B (zh) * | 2021-04-21 | 2022-07-08 | 合肥中科类脑智能技术有限公司 | 一种基于图像语义分割的门开关状态检测方法及*** |
CN115423695B (zh) * | 2022-07-15 | 2024-05-31 | 清华大学 | 一种用于城市预测任务的街景图像采样方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000261A1 (zh) * | 2012-06-29 | 2014-01-03 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
CN106803244A (zh) * | 2016-11-24 | 2017-06-06 | 深圳市华汉伟业科技有限公司 | 缺陷识别方法及*** |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
WO2019109524A1 (zh) * | 2017-12-07 | 2019-06-13 | 平安科技(深圳)有限公司 | 入侵检测方法、应用服务器及计算机可读存储介质 |
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN109978805A (zh) * | 2019-03-18 | 2019-07-05 | Oppo广东移动通信有限公司 | 拍照处理方法、装置、移动终端以及存储介质 |
CN110020653A (zh) * | 2019-03-06 | 2019-07-16 | 平安科技(深圳)有限公司 | 图像语义分割方法、装置及计算机可读存储介质 |
CN110070056A (zh) * | 2019-04-25 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
CN110321905A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 基于语义分割的异常区域检测方法、***及相关组件 |
CN110363134A (zh) * | 2019-07-10 | 2019-10-22 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
-
2019
- 2019-10-28 CN CN201911034032.2A patent/CN110766007B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000261A1 (zh) * | 2012-06-29 | 2014-01-03 | 中国科学院自动化研究所 | 一种基于空间连通域预定位的商标检测方法 |
CN106803244A (zh) * | 2016-11-24 | 2017-06-06 | 深圳市华汉伟业科技有限公司 | 缺陷识别方法及*** |
WO2019109524A1 (zh) * | 2017-12-07 | 2019-06-13 | 平安科技(深圳)有限公司 | 入侵检测方法、应用服务器及计算机可读存储介质 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN110020653A (zh) * | 2019-03-06 | 2019-07-16 | 平安科技(深圳)有限公司 | 图像语义分割方法、装置及计算机可读存储介质 |
CN109978805A (zh) * | 2019-03-18 | 2019-07-05 | Oppo广东移动通信有限公司 | 拍照处理方法、装置、移动终端以及存储介质 |
CN110070056A (zh) * | 2019-04-25 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
CN110363134A (zh) * | 2019-07-10 | 2019-10-22 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
CN110321905A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 基于语义分割的异常区域检测方法、***及相关组件 |
Also Published As
Publication number | Publication date |
---|---|
CN110766007A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766007B (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
US20230215197A1 (en) | Systems and Methods for Detection and Localization of Image and Document Forgery | |
CN110598558B (zh) | 人群密度估计方法、装置、电子设备及介质 | |
US9104914B1 (en) | Object detection with false positive filtering | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
CN111160379A (zh) | 图像检测模型的训练方法及装置、目标检测方法及装置 | |
CN110580428A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
Wee et al. | Image quality assessment by discrete orthogonal moments | |
WO2016150240A1 (zh) | 身份认证方法和装置 | |
CN110555424A (zh) | 港口集装箱布局检测方法、装置、设备及可读存储介质 | |
Chen et al. | A two-stage quality measure for mobile phone captured 2D barcode images | |
CN111833369A (zh) | 一种矾花图像处理方法、***、介质及电子设备 | |
CN111160169A (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
Zhang et al. | Dual-channel multi-task CNN for no-reference screen content image quality assessment | |
CN106529437B (zh) | 一种人脸检测的方法和装置 | |
CN111899270A (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
US20210327041A1 (en) | Image based novelty detection of material samples | |
Nizami et al. | No-reference image quality assessment using bag-of-features with feature selection | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN117496560B (zh) | 一种基于多维向量的指纹纹线识别方法及装置 | |
CN110751004A (zh) | 二维码检测方法、装置、设备及存储介质 | |
Joshi et al. | Retina inspired no-reference image quality assessment for blur and noise | |
Tribak et al. | QR code patterns localization based on Hu Invariant Moments | |
CN116977895A (zh) | 用于通用相机镜头的污渍检测方法、装置及计算机设备 | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation |
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 |