CN110766645B - 基于人物识别与分割的目标人物复现图生成方法 - Google Patents

基于人物识别与分割的目标人物复现图生成方法 Download PDF

Info

Publication number
CN110766645B
CN110766645B CN201911017510.9A CN201911017510A CN110766645B CN 110766645 B CN110766645 B CN 110766645B CN 201911017510 A CN201911017510 A CN 201911017510A CN 110766645 B CN110766645 B CN 110766645B
Authority
CN
China
Prior art keywords
picture
target person
face
image
target
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
Application number
CN201911017510.9A
Other languages
English (en)
Other versions
CN110766645A (zh
Inventor
姜光
来滇之
史梦真
马全盟
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201911017510.9A priority Critical patent/CN110766645B/zh
Publication of CN110766645A publication Critical patent/CN110766645A/zh
Application granted granted Critical
Publication of CN110766645B publication Critical patent/CN110766645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于人物识别与分割的目标人物复现图生成方法，其实现方案为：在输入的同一场景下采集的多张图片中，任意选择一张作为生成目标人物复现图的基准图，用人脸识别与检测算法确定每张图中的目标人物，在基准图中用实例分割算法去除非目标人物，并利用基准图之外的其余输入图片的背景补全基准图的背景，用其余图片中目标人物区域图像替换基准图中对应位置区域图像，得到一张背景信息完整，并由所有输入图片中目标人物组成的一张复现图。本发明的优点在于用人脸识别与检测算法精准选择目标人物，用实例分割算法补全图片背景信息。

Description

基于人物识别与分割的目标人物复现图生成方法
技术领域
本发明属于图像处理技术领域，更进一步涉及计算机视觉技术领域中的一种基于人物识别与分割的人物目标复现图生成方法。本发明可用于从人群密集处采集的多张图片中去除多余人物，将去除多余人物后的多张图片生成一张人物目标复现图。
背景技术
在复杂场景下拍摄的自然图片中，由于人物众多且背景杂乱，目标人物无法凸显，背景被严重遮挡，因此无法获取准确的目标人物和足够的背景信息进行图像处理如人物复现、对比等。比如想要在机场、旅游景点、购物中心和体能或体育训练场地等人群密集处地拍到一张只包含目标人物照片不仅需要费时费力地找角度，选地点还会造成背景信息的缺失。去除非目标人物可以使图像包含更多背景信息，突出目标人物。此外，使同一场景下多张图片中不同位置的目标人物出现在同一张图中可以提高图片的趣味性与观赏性并使图像包含更多信息，比如在同一张图中用多个手语动作表示一句话。
中国石油大学在其申请的专利文献“一种街拍照片目标人物提取方法”(申请号：201711135299.1申请日：2017.11.15公开号：109145911A)中公开了一种在街拍照片中提取目标人物的方法。该方法首先使用Region Proposal Network(RPN)产生候选区域。然后利用fast rcnn的卷积层提取出这幅图像的整体特征，得到图像中每个候选区域的特征图，对每一个候选区域使用RoIAlign进行像素校正。得到每个候选区域的特征图后，对每个候选区域进行预测，得到其类别以及区域包围盒。并对每一个候选区域使用设计的FCN框架预测候选区域每个像素点所属类别最终得到图像实例分割结果。利用分割结果得到的掩模矩阵以及人工交互提取出目标人物的单独图像。该方法存在的不足之处是，没有对目标人物进行判定，需要人工提取目标人物的图像，不仅操作复杂并且可能选择到错误的目标人物。
成都野望数码科技有限公司在其申请的专利文献“一种人物图像处理方法及装置”(申请号：201510235866.5申请日：2015.5.11公开号104794462B)中公开了一种人物图像处理方法。该方法根据预设的人脸识别算法，获得目标图像中的人脸区域；在所获得的人脸区域数量不少于两个的情况下，根据预设的分类算法和/或根据用户的选择操作，将所获得的人脸区域区分为前景人脸区域和背景人脸区域；根据预设的第一图像处理算法，对经区分得到的背景人脸区域进行处理，使得经区分得到的背景人脸区域的视觉效果变差。该方法存在的不足之处是，在对非目标人物人脸区域进行模糊处理的同时，也模糊了目标人物和背景，造成目标人物位置与像素信息缺失。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于人物识别与分割的目标人物复现图生成方法，用于解决图片中人物过多，图片背景杂乱的问题。
实现本发明目的的技术思路是：在输入图片中去除非目标人物，再将所有目标人物集成在一张图中。
本发明的实现步骤包括如下：
步骤1，输入图片：
输入在同一场景中采集的至少两张图片，每张图片中至少包括一个待确定的目标人物；
步骤2，选择基准图：
任意选择一张输入图片作为生成目标人物复现图的基准图；
步骤3，建立人脸数据集：
用人脸检测算法，对每张输入的图片和基准图进行人脸检测并进行人脸置正，将所有置正后人脸图片组成人脸数据集；
步骤4，确定目标人物：
将人脸数据集中的图片输入到训练好的人脸识别网络中，输出每个人物的面部特征向量，将相同个数最多的特征向量对应的人物作为每张图片中确定后的目标人物；
步骤5，确定基准图中非目标人物的位置：
用实例分割算法，在基准图中获得除目标人物之外的非目标人物区域图像和非目标人物的位置信息；
步骤6，在确定目标人物后的其余图片中，找到与基准图中非目标人物位置相同的位置；判断其余图片中的位置是否存在完整的背景，若不存在，则执行步骤7；否则，执行步骤8；
步骤7，输入一张满足步骤1中所述条件的图片后执行步骤3；
步骤8，用存在完整背景图片中的背景区域替换基准图中对应位置区域中的非目标人物区域图像，得到更新后的基准图；
步骤9，确定目标人物的位置：
采用与步骤5相同的实例分割算法，确定其余图片中目标人物区域图像和目标人物的位置信息；
步骤10，获得复现图：
在更新后的基准图中，找到与其余图片中目标人物位置相同的位置；用其余图片中目标人物区域图像替换基准图中对应位置区域图像，得到由所有输入图片中目标人物组成的一张复现图。
与现有技术相比，本发明有以下优点：
第1，由于本发明使用实例分割算法确定图片中目标人物区域图像和目标人物的位置信息，克服了现有技术人工选择目标人物操作复杂并且可能选择到错误的目标人物的问题，使得本发明具有可精确选择目标人物生成正确目标人物复现图的优点。
第2，由于本发明用存在完整背景图片中的背景区域替换基准图中对应位置区域中的非目标人物区域图像，克服现有技术在对非目标人物人脸区域进行模糊处理的同时，也模糊了目标人物和背景，造成目标人物位置与像素信息缺失的问题，使得本发明具有在生成的复现图中可完整保留背景信息的优点。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图1对本发明实现的具体步骤作进一步地描述。
步骤1，输入图片。
输入在同一场景中采集的至少两张图片，每张图片中至少包括一个待确定的目标人物。本发明的实施例中输入在某学校同一地点采集的8张图片，每张图片中均包括一个目标人物和人数不等的非目标人物。
步骤2，选择基准图。
从本发明的实施例中输入的8张图片任意选择一张输入图片作为生成目标人物复现图的基准图。
步骤3，建立人脸数据集。
采用下述的人脸检测算法，对基准图和本发明的实施例中剩余的7张图片进行人脸检测并进行人脸置正，将所有置正后人脸图片组成人脸数据集。
第一步，将每张输入的图片和基准图依次输入到训练好的人脸区域建议网络中，输出每张图片中每个人脸框。
本发明所述训练好的人脸区域建议网络是一个包括全连接层和人脸面部关键点***的全连接网络。该网络的全连接层可从输入的每张图片中标定每个人脸边框。
在本发明的实施例中训练好的人脸区域建议网络采用多目标级联卷积网络Multi-task Cascaded Convolutional Network中的区域建议网络Proposal Network。
第二步，用训练好的卷积神经网络对每个人脸框进行回归处理，输出回归后人脸框左上角和右下角的坐标，同时用面部关键点***输出每个人脸五官对应的五个特征点；
本发明回归处理采用的是训练好的包括全连接层边界框回归Bounding-Boxregressio的卷积神经网络。该网络的全连接层边界框回归Bounding-Box regression对输入的每张图片中的每个人脸人工选择一个真实人脸框Ground truth，判断第一步所标定的人脸框与人工选择的真实人脸框的交并比Intersection over Union是否大于阈值，若大于阈值则输出标定的人脸框左上角和右下角的坐标，否则对标定的人脸框进行微调，直到交并比大于阈值，输出回归后的人脸框左上角和右下角的坐标。
本发明输出特征点采用的是面部关键点***，可从输入的包含人脸的图片中为每个人脸提取五官对应的五个特征点，并输出每个特征点的像素坐标。
在本发明的实施例中训练好的边界框回归和面部关键点***采用多目标级联卷积网络Multi-task Cascaded Convolutional Network中的细化网络Refine Network。
第三步，用人脸框左上角和右下角的坐标确定回归处理后每个人脸框，将每个人脸框从每张输入的图片和基准图中裁出，用回归后每个人脸对应的五个特征点对该人脸进行置正。
在本发明的实施例中，预设一张不含像素信息的图片，该图片包括有正脸图像五官对应的五个特征点位置，通过仿射变换将第三步裁出的人脸图片映射到预设的图片对应的像素位置，得到置正后的人脸图片。
步骤4，确定目标人物。
将人脸数据集中的图片输入到训练好的人脸识别网络中，输出每个人物的面部特征向量，将相同个数最多的特征向量所对应的人物作为每张图片中确定后的目标人物。
本发明通过训练好的全连接层卷积神经网络输出每个人物的面部特征向量，该网络的全连接层将输入的人脸数据集中的每张人脸图片转换为特征向量，将相同个数最多的特征向量对应的人物作为每张图片中确定后的目标人物。
在本发明的实施例中人脸识别网络采用深度神经网络ArcFace。
步骤5，确定基准图中非目标人物的位置。
采用下述的实例分割算法，在基准图中获得除目标人物之外的非目标人物区域图像和非目标人物的位置信息。
第一步，建立一个由卷积神经网络、感兴趣区域推荐网络、分割网络依次相连组成的图像分割模型；
所述卷积神经网络采用50层的残差网络；
所述感兴趣区域网络结构为树状结构，包括一个树干和两个树枝，树干卷积层卷积核大小设置为3×3，树枝卷积层卷积核大小设置为1×1；
所述分割网络结构由6个卷积层和2个全连接层构成，每个卷积层卷积核大小均设置为3×3，每个全连接层卷积核大小均设置为7×7；
第二步，用包含人物的图像集对图像分割模型进行训练直到可逐像素分割出人物，得到训练好的图像分割模型；将基准图输入到训练后的图像分割模型中，输出非目标人物区域图像和非人物的位置信息。
步骤6，在确定目标人物后的其余图片中，找到与基准图中非目标人物位置相同的位置；判断其余图片中的位置是否存在完整的背景，若不存在，则执行步骤7；否则，执行步骤8。
步骤7，输入一张满足步骤1中所述条件的图片后执行步骤3。
步骤8，用存在完整背景图片中的背景区域替换基准图中对应位置区域中的非目标人物区域图像，得到更新后的基准图。
步骤9，确定目标人物的位置。
采用下述的实例分割算法，确定其余图片中目标人物区域图像和目标人物的位置信息；
第一步，建立一个由卷积神经网络、感兴趣区域推荐网络、分割网络依次相连组成的图像分割模型；
所述卷积神经网络采用50层的残差网络；
所述感兴趣区域网络结构为树状结构，包括一个树干和两个树枝，树干卷积层卷积核大小设置为3×3，树枝卷积层卷积核大小设置为1×1；
所述分割网络结构由6个卷积层和2个全连接层构成，每个卷积层卷积核大小均设置为3×3，每个全连接层卷积核大小均设置为7×7；
第二步，用包含人物的图像集对图像分割模型进行训练直到可逐像素分割出人物，得到训练好的图像分割模型；将除基准图之外的其余图片输入到训练后的图像分割模型中，输出目标人物区域图像和人物的位置信息。
步骤10，获得复现图。
在更新后的基准图中，找到与其余图片中目标人物位置相同的位置；用其余图片中目标人物区域图像替换基准图中对应位置区域图像，得到由所有输入图片中目标人物组成的一张复现图。
在本发明的实施例中，用基准图之外的7张图片中的目标人物替换基准图中对应位置区域图像，得到目标人物在不同位置出现8次的复现图。

Claims (4)

1.一种基于人物识别与分割的目标人物复现图生成方法，其特征在于，根据人物面部特征判断目标人物，用实例分割算法去除非目标人物，生成目标人物复现图，该方法包括如下步骤：
步骤1，输入图片：
输入在同一场景中采集的至少两张图片，每张图片中至少包括一个待确定的目标人物；
步骤2，选择基准图：
任意选择一张输入图片作为生成目标人物复现图的基准图；
步骤3，建立人脸数据集：
用人脸检测算法，对每张输入的图片和基准图进行人脸检测并进行人脸置正，将所有置正后人脸图片组成人脸数据集；
步骤4，确定目标人物：
将人脸数据集中的图片输入到训练好的人脸识别网络中，输出每个人物的面部特征向量，将相同个数最多的特征向量对应的人物作为每张图片中确定后的目标人物；
步骤5，确定基准图中非目标人物的位置：
用实例分割算法，在基准图中获得除目标人物之外的非目标人物区域图像和非目标人物的位置信息；
步骤6，在确定目标人物后的其余图片中，找到与基准图中非目标人物位置相同的位置；判断其余图片中的位置是否存在完整的背景，若不存在，则执行步骤7；否则，执行步骤8；
步骤7，输入一张满足步骤1中所述条件的图片后执行步骤3；
步骤8，用存在完整背景图片中的背景区域替换基准图中对应位置区域中的非目标人物区域图像，得到更新后的基准图；
步骤9，确定目标人物的位置：
采用与步骤5相同的实例分割算法，确定其余图片中目标人物区域图像和目标人物的位置信息；
步骤10，获得复现图：
在更新后的基准图中，找到与其余图片中目标人物位置相同的位置；用其余图片中目标人物区域图像替换基准图中对应位置区域图像，得到由所有输入图片中目标人物组成的一张复现图。
2.根据权利要求1所述的基于人物识别与分割的目标人物复现图生成方法，其特征在于：步骤3中所述人脸检测算法的步骤如下：
第一步，将每张输入的图片和基准图依次输入到训练好的人脸区域建议网络中，输出每张图片中每个人脸框；
第二步，用训练好的卷积神经网络对每个人脸框进行回归处理，输出回归后人脸框左上角和右下角的坐标，同时面部关键点***输出每个人脸五官对应的五个特征点；
第三步，用人脸框左上角和右下角的坐标确定回归处理后每个人脸框，将每个人脸框从每张输入的图片和基准图中裁出，用回归后每个人脸对应的五个特征点对该人脸进行置正。
3.根据权利要求1所述的基于人物识别与分割的目标人物复现图生成方法，其特征在于：步骤4中所述的人脸识别网络采用深度神经网络ArcFace。
4.根据权利要求1所述的基于人物识别与分割的目标人物复现图生成方法，其特征在于：步骤5、步骤8中所述的实例分割算法步骤如下：
第一步，建立一个由卷积神经网络、感兴趣区域推荐网络、分割网络依次相连组成的图像分割模型；
所述卷积神经网络采用50层的残差网络；
所述感兴趣区域网络结构为树状结构，包括一个树干和两个树枝，树干卷积层卷积核大小设置为3×3，树枝卷积层卷积核大小设置为1×1；
所述分割网络结构由6个卷积层和2个全连接层构成，每个卷积层卷积核大小均设置为3×3，每个全连接层卷积核大小均设置为7×7；
第二步，用包含人物的图像集对图像分割模型进行训练直到可逐像素分割出人物，得到训练好的图像分割模型；将图片输入到训练后的图像分割模型中，输出人物区域图像和人物的位置信息，所述人物在步骤5中是指非目标人物，在步骤8中是指目标人物，所述图片在步骤5中是指基准图，在步骤8中是指除基准图之外的其余图片。
CN201911017510.9A 2019-10-24 2019-10-24 基于人物识别与分割的目标人物复现图生成方法 Active CN110766645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911017510.9A CN110766645B (zh) 2019-10-24 2019-10-24 基于人物识别与分割的目标人物复现图生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911017510.9A CN110766645B (zh) 2019-10-24 2019-10-24 基于人物识别与分割的目标人物复现图生成方法

Publications (2)

Publication Number Publication Date
CN110766645A CN110766645A (zh) 2020-02-07
CN110766645B true CN110766645B (zh) 2023-03-10

Family

ID=69333391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911017510.9A Active CN110766645B (zh) 2019-10-24 2019-10-24 基于人物识别与分割的目标人物复现图生成方法

Country Status (1)

Country Link
CN (1) CN110766645B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626091B (zh) * 2020-03-09 2023-09-22 咪咕文化科技有限公司 人脸图像标注方法、装置及计算机可读存储介质
CN112446820A (zh) * 2020-10-31 2021-03-05 浙江工业大学 一种景区照片无关人像去除的方法
WO2023087215A1 (en) * 2021-11-18 2023-05-25 Citrix Systems, Inc. Online meeting non-participant detection and remediation

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978754A (zh) * 2017-12-28 2019-07-05 广东欧珀移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN108932536B (zh) * 2018-07-18 2021-11-09 电子科技大学 基于深度神经网络的人脸姿态重建方法
CN109961006A (zh) * 2019-01-30 2019-07-02 东华大学 一种低像素多目标人脸检测和关键点定位方法以及对齐方法
CN109993089B (zh) * 2019-03-22 2020-11-24 浙江工商大学 一种基于深度学习的视频目标去除及背景恢复方法

Also Published As

Publication number Publication date
CN110766645A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN109299274B (zh) 一种基于全卷积神经网络的自然场景文本检测方法
WO2020224424A1 (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN110766645B (zh) 基于人物识别与分割的目标人物复现图生成方法
CN101558404B (zh) 图像分割
US11854244B2 (en) Labeling techniques for a modified panoptic labeling neural network
CN108229397A (zh) 基于Faster R-CNN的图像中文本检测方法
CN106682108A (zh) 一种基于多模态卷积神经网络的视频检索方法
CN110765833A (zh) 一种基于深度学习的人群密度估计方法
CN110766020A (zh) 一种面向多语种自然场景文本检测与识别的***及方法
CN110909724B (zh) 一种多目标图像的缩略图生成方法
CN102332095A (zh) 一种人脸运动跟踪方法和***以及一种增强现实方法
CN110263768A (zh) 一种基于深度残差网络的人脸识别方法
CN106897681A (zh) 一种遥感图像对比分析方法及***
CN112232199A (zh) 基于深度学习的佩戴口罩检测方法
CN108921850B (zh) 一种基于图像分割技术的图像局部特征的提取方法
CN106845513A (zh) 基于条件随机森林的人手检测器及方法
CN109919157A (zh) 一种视觉定位方法及装置
CN111160194B (zh) 一种基于多特征融合的静态手势图像识别方法
CN110533026A (zh) 基于计算机视觉的电竞图像数字与图标信息获取方法
CN114120389A (zh) 网络训练及视频帧处理的方法、装置、设备及存储介质
CN104866826A (zh) 一种基于knn和像素比梯度特征的静态手语识别方法
CN113724273A (zh) 一种基于神经网络区域目标分割的边缘光影融合方法
CN110852172B (zh) 一种基于Cycle Gan图片拼贴并增强的扩充人群计数数据集的方法
CN113628349B (zh) 基于场景内容自适应的ar导航方法、设备及可读存储介质
CN116862920A (zh) 一种人像分割方法、装置、设备及介质

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