CN112488985A - 图像质量确定方法、装置及设备 - Google Patents
图像质量确定方法、装置及设备 Download PDFInfo
- Publication number
- CN112488985A CN112488985A CN201910860819.8A CN201910860819A CN112488985A CN 112488985 A CN112488985 A CN 112488985A CN 201910860819 A CN201910860819 A CN 201910860819A CN 112488985 A CN112488985 A CN 112488985A
- Authority
- CN
- China
- Prior art keywords
- image
- image quality
- model
- snapshot
- initial model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 72
- 239000000284 extract Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 230000036544 posture Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像质量确定方法、装置及设备，该方法包括：获取待测的目标图像；将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。避免在确定图像质量时受主观影响，提升图像质量的确定结果准确度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及的是一种图像质量确定方法、装置及设备。
背景技术
监控设备会产生大量的姿态、遮挡、光照、尺寸等方面各异的图像，其中有些图像质量好有些图像质量差。在应用这些图像的场合中，比如目标识别的场合中，如果送入大量较差质量的图像，不仅加重了传输和计算等硬件资源负担，而且容易产生误导人眼或智能算法识别的情况；而如果用成像质量很高的图像进行识别，较少的图像就会产生较高的匹配率，大大缓解硬件资源占用，从而提高目标识别率。因此，有必要根据图像质量对图像进行筛选，而筛选的前提是确定图像质量。
现有的图像质量确定方式中，采用直接学习机制，由人工对训练图像集中所有图像的成像质量按照识别需求进行整体评价打分，得到训练图像集内所有图像的质量评分，再利用训练图像集中的图像及图像的质量评分训练出用于计算图像质量评分的模型。
上述方式中，训练图像集中图像的质量由人工打分确定，质量指标不易量化，由于评价者对不同属性的敏感程度不同，打分结果易也受评价者主观感受影响，所以训练图像集中图像的质量评分有极大的噪声，导致图像质量的确定结果准确度不高。
发明内容
有鉴于此，本发明提供一种图像质量确定方法、装置及设备，避免在确定图像质量时受主观影响，提升图像质量的确定结果准确度。
本发明第一方面提供一种图像质量确定方法，包括：
获取待测的目标图像；
将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；
其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。
根据本发明的一个实施例，所述图像质量模型通过以下方式训练：
将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；
基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数；
利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。
根据本发明的一个实施例，所述图像特征模型通过以下方式训练：
建立第一初始模型和第二初始模型；
将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息；
基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型；
检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
根据本发明的一个实施例，基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数，包括：
计算所述第一特征与第二特征之间的相似度；
利用所述相似度确定所述抓拍图像的图像质量参数。
根据本发明的一个实施例，所述利用相似度确定所述抓拍图像的图像质量参数，包括：
将所述相似度确定为所述抓拍图像的图像质量参数；或者，
从预设的相似度区间与图像质量参数的对应关系中确定出包含所述相似度的目标相似度区间，将所述目标相似度区间对应的图像质量参数确定为所述抓拍图像的图像质量参数。
根据本发明的一个实施例，利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型，包括：
建立第三初始模型；
将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出；
基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型；
检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
本发明第二方面提供一种图像质量确定装置，包括：
目标图像获取模块，用于获取待测的目标图像；
图像质量确定模块，用于将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；
其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。
根据本发明的一个实施例，所述图像质量模型通过以下模块训练：
特征提取模块，用于将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；
抓拍图像质量确定模块，用于基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数；
图像质量模型训练模块，用于利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。
根据本发明的一个实施例，所述图像特征模型通过以下模块训练：
模型建立模块，用于建立第一初始模型和第二初始模型；
标签信息预测模块，用于将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息；
模型优化模块，用于基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型；
模型确定模块，用于检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
根据本发明的一个实施例，所述抓拍图像质量确定模块基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数时，具体用于：
计算所述第一特征与第二特征之间的相似度；
利用所述相似度确定所述抓拍图像的图像质量参数。
根据本发明的一个实施例，所述抓拍图像质量确定模块利用相似度确定所述抓拍图像的图像质量参数时，具体用于：
将所述相似度确定为所述抓拍图像的图像质量参数；或者，
从预设的相似度区间与图像质量参数的对应关系中确定出包含所述相似度的目标相似度区间，将所述目标相似度区间对应的图像质量参数确定为所述抓拍图像的图像质量参数。
根据本发明的一个实施例，图像质量模型训练模块利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型时，具体用于：
建立第三初始模型；
将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出；
基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型；
检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
本发明第三方面提供一种电子设备，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如前述实施例中所述的图像质量确定方法。
本发明第四方面提供一种机器可读存储介质，其上存储有程序，该程序被处理器执行时，实现如前述实施例中所述的图像质量确定方法。
本发明实施例具有以下有益效果：
本发明实施例中，可以依据图像集合中各目标对象的抓拍图像和标准图像训练出图像质量模型，将待测的目标图像输入至图像质量模型，可以得到该目标图像的图像质量参数，整个过程无需通过人工打分或者人工参与评价，克服打分难且不客观的问题，避免人工主观性影响为确定图像质量带来大量噪声，提升图像质量的确定结果准确度。
附图说明
图1是本发明一实施例的图像质量确定方法的流程示意图；
图2是本发明一实施例的图像质量确定装置的结构框图；
图3是本发明一实施例的训练图像质量模型的流程示意图；
图4是本发明一实施例的训练图像特征模型的流程示意图；
图5是本发明一实施例的电子设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种器件，但这些信息不应限于这些术语。这些术语仅用来将同一类型的器件彼此区分开。例如，在不脱离本发明范围的情况下，第一器件也可以被称为第二器件，类似地，第二器件也可以被称为第一器件。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了使得本发明的描述更清楚简洁，下面对本发明中的一些技术术语进行解释：
神经网络：一种通过模仿大脑结构抽象而成的技术，该技术将大量简单的函数进行复杂的连接，形成一个网络***，该***可以拟合极其复杂的函数关系，一般可以包括卷积/反卷积操作、激活操作、池化操作，以及加减乘除、通道合并、元素重新排列等操作。使用特定的数据对网络进行训练，调整其中的连接，可以让神经网络学习拟合输入和输出之间的映射关系。
本发明实施例中，图像质量是指图像中目标对象的成像质量，影响图像质量的因素包括目标对象在图像中的姿态、遮挡、尺寸、光照、模糊度等，成像质量越高，越有利于确认目标对象的身份。目标对象可以指人脸、车辆、行人、车牌等。
常见的图像质量指标有如下几种：
1)姿态：不同目标对象可以用不同姿态信息表示姿态，比如人脸可用偏转角、俯仰角和旋转角来表示姿态，行人、车辆、车牌可用偏转角和透视来表示姿态等；
2)遮挡：一般分为固定遮挡和非固定遮挡，比如人脸的固定遮挡涉及帽子、墨镜、口罩等随身物体的遮挡，非固定遮挡涉及手部、其他人或物的遮挡；
3)尺寸：即目标对象的尺度大小，比如人脸一般用双眼瞳孔间距衡量，行人用身高来衡量，车辆用左右两个后视镜间距衡量，车牌可以用字符高度来衡量；
4)光照：目标对象外表亮度合适均匀，没有过曝、过暗、不均等导致细节纹理不清的情况；
5)模糊度：要求目标对象的关键纹理边缘清晰，比如人脸要求五官边缘清晰；行人要求四肢躯干边缘清晰，衣着、随身携带物品的纹理清晰；车辆要求车牌字符、车身、车灯、车窗边缘清晰。
在直接学习机制中，评价者需要通常要衡量这些图像质量指标，比如“遮挡的正脸和完整的偏脸”间的选择，或者“稍模糊的正脸和清晰的偏脸”间的拿捏，这些指标从主观角度不易量化，所以存在“打分难”的问题。
本发明实施例可以克服打分难的问题，避免在确定图像质量时受主观影响，提升图像质量的确定结果准确度。
下面对本发明实施例的图像质量确定方法进行更具体的描述，但不应以此为限。在一个实施例中，参看图1，一种图像质量确定方法，可以包括以下步骤：
A100：获取待测的目标图像；
A200：将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；
其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。
本发明实施例中，图像质量确定方法的执行主体为电子设备，更具体的是电子设备的处理器。电子设备可以是摄像机等具有成像功能的设备，或者是计算机等可进行图像处理的设备，具体类型不限，只要具备数据处理能力即可。
本发明实施例的图像质量确定方法，可以应用在多应用场景中，如门禁***、卡口***、电子护照***、公安***、交通***、银行自助***、信息安全***等这些需要进行目标识别的场景中。当然，具体场景不限，只要是需要进行图像质量的确定即可。
步骤A100中，获取待测的目标图像。
目标图像即需要被确定图像质量的图像。目标图像可以是从监控场景中采集的图像，监控场景可以是需要进行目标识别的场景。由于在监控场景中，摄像机会不断采集图像，因而，一般可以得到同一目标对象的多个图像即得到一图像序列，图像序列中的每一图像都可以作为目标图像。
当然，目标图像可以是从视频监控中实时采集到的图像，也可以是通过后台检索获得的图像等。
步骤A200中，将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数。
图像质量模型可以预先训练好，并保存在电子设备本地或者外部设备中，需要时进行调用。在训练出图像质量模型后，可利用图像质量模型确定目标图像的图像质量参数。
将目标图像输入至已训练的图像质量模型，以由图像质量模型计算目标图像的图像质量参数并输出，该图像质量参数作为图像质量的确定结果，可以表征图像质量。
继续以上述图像序列为例，利用图像质量模型确定出图像序列中每个目标图像的图像质量参数后，可以从所有目标图像中选择出图像质量参数最高的N个目标图像，N的取值可以为大于等于1。选出的目标图像用于后续目标识别，可以避免由于大量低质量图像的干扰带来识别结果不稳定的问题，也可避免占用过多的硬件资源。
图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的。图像集合中包含多个目标对象的抓拍图像和标准图像，一个目标对象的抓拍图像和标准图像均包含该目标对象，只是目标对象的姿态、遮挡、尺寸、光照和/或模糊度等情况可能有所不同。
标准图像的图像质量满足设定要求。设定要求可以根据需要确定，比如，标准图像是在姿态、遮挡、尺寸、光照、模糊度等各方面均满足相应质量指标的图像；又如，标准图像的清晰度达到设定清晰度。
标准图像可以是目标对象的证件图像。目标对象为人脸情况下，证件图像是用在身份证、签证等证件上的人脸图像，通常用固定的模式(比如在单一背景颜色下)采集；目标对象为车牌的情况下，证件图像是用在行驶证等证件上的车牌图像；目标对象为车辆的情况下，证件图像是用在行驶证等证件上的车辆图像等等。
或者，标准图像可以是从目标对象的图像库中选取出的清晰度最高的图像。图像库保存了监控场景中采集到的目标对象的图像，可以根据一定的选取方式从中选出清晰度最高的图像作为标准图像，或者也可以由人工进行选取。
当然，标准图像的来源也不限于上述方式，也可以是其他方式生成的，比如基于标准模板按照某种特定标准生成的。
抓拍图像可以是在监控场景中抓拍得到的包含目标对象的图像。抓拍图像在目标对象的姿态、遮挡、尺寸、光照、模糊度等各方面存在不确定性。
每个目标对象的抓拍图像可以是多个，具体数量不限。可以为每个目标对象准备合适而丰富的抓拍图像，这里的“丰富”是指要照顾到目标对象的不同姿态、光照、尺度、清晰度等因素。优选的，所有抓拍图像能覆盖到每个影响因素的各个程度，以光照影响因素为例，欠曝、暗淡、合适、明亮、过曝五个程度的抓拍图像均有。只有抓拍图像覆盖足够丰富成像的图像素材，才能确保后续训练的图像质量模型的稳定性。
以目标对象的标准图像为基准，可以确定该目标对象的抓拍图像的质量情况，如此可以确定该目标对象每一抓拍图像的图像质量参数。进而可以利用抓拍图像及抓拍图像的图像质量参数来训练出图像质量模型。
本发明实施例中，可以依据图像集合中各目标对象的抓拍图像和标准图像训练出图像质量模型，将待测的目标图像输入至图像质量模型，可以得到该目标图像的图像质量参数，整个过程无需通过人工打分或者人工参与评价，克服打分难且不客观的问题，避免人工主观性影响为确定图像质量带来大量噪声，提升图像质量的确定结果准确度。
在一个实施例中，上述方法流程可由图像质量确定装置100执行，如图2所示，图像质量确定装置100主要包含2个模块：目标图像获取模块101和图像质量确定模块102。目标图像获取模块101用于执行上述步骤S100，图像质量确定模块102用于执行上述步骤S200。
在一个实施例中，参看图3，所述图像质量模型通过以下方式训练：
S100：将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；所述标准图像的图像质量满足设定要求；
S200：基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数；
S300：利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。步骤S100中，将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；所述标准图像的图像质量满足设定要求。图像特征模型是预先训练好的模型，可以存储在电子设备中或者存储在外部设备中，在执行步骤S100时调用即可。图像特征模型可以用于对图像进行特征提取并输出相应的特征。此处的特征可以用特征向量等格式的数据来表示。
在训练图像特征模型时，可以将各个目标对象的抓拍图像作为训练样本集，，可利用抓拍图像中目标对象的全局信息、或者目标对象上的部件信息，或者兼而有之来进行训练。如何训练出图像特征模型的方式并不作为限制。当然，也可以采用其他图像来训练图像特征模型，只要能够训练出用于特征提取的图像特征模型即可。
可以将图像集合中每一目标对象的抓拍图像和标准图像输入到图像特征模型中，以由图像特征模型对输入的抓拍图像进行特征提取得到第一特征、对输入的标准图像进行特征提取得到第二特征。
步骤S200中，基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数。图像特征模型输出的第一特征是输入的抓拍图像的第一特征，该第二特征是该输入的抓拍图像所包含的目标对象的标准图像。
第一特征可以体现目标对象在抓拍图像中的成像情况，第二特征可以体现目标对象在标准图像中的成像情况。
由于标准图像是图像质量满足设定要求的图像，作为高质量标准。抓拍图像的第一特征和标准图像的第二特征越相似，说明抓拍图像与标准图像越相似，越符合高质量标准，图像质量就越好。因此，可以基于所述第一特征和第二特征确定该抓拍图像的图像质量参数。
如此，可以确定出所有抓拍图像的图像质量参数。图像质量参数可以表征抓拍图像的图像质量。比如，图像质量参数越高，则抓拍图像的图像质量越高。
步骤S300中，利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。
可以将图像集合中的所有抓拍图像作为训练样本集，将抓拍图像的图像质量参数作为监督信息，实现图像质量模型的训练。具体训练方式不限，只要能够利用各个抓拍图像和抓拍图像的图像质量参数训练出用于确定图像质量的图像质量模型即可。
在一个实施例中，参看图4，所述图像特征模型通过以下方式训练，包括：
T100：建立第一初始模型和第二初始模型；
T200：将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息；
T300：基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型；
T400：检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
步骤T100中，建立第一初始模型和第二初始模型。
可以将第一初始模型和第二初始模型级联在一起，构造成一个端到端的整体，共同进行训练。第一初始模型和第二初始模型可以采用CNN模型来构造，具体层结构不限。
第一初始模型可以是一个特征提取器，第二初始模型可以是一个分类器。当然，第二初始模型可以根据任务来确定，比如，在目标分类任务时，第二初始模型可以是分类器；在字符等识别任务时，第二初始模型可以是解码器。
步骤T200中，将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息。
第一初始模型负责对抓拍图像提取图像特征，第二初始模型负责根据图像特征预测标签信息，通过第一初始模型和第二初始模型的配合完成对图像集合中每一抓拍图像的标签信息的预测。
第一初始模型和第二初始模型的模型参数发生变化，预测结果也可能会有所变化，训练就是通过改变模型参数，使得预测结果能够更准确，更逼近所需要的结果。
步骤T300中，基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型。
每一目标对象的标准标签信息可以预先标定好，每当第二初始模型输出一个标签信息，便将输出的标签信息与已获取的该目标对象(输入第一初始模型的抓拍图像中的目标对象)的标准标签信息进行比对，根据比对结果来优化第一初始模型，以减小后续预测的标签信息与标准标签信息的差异。当然，在优化第一初始模型的同时，也可以对第二初始模型进行优化。
随着第一初始模型和第二初始模型不断被优化，模型的网络参数被改变，预测出的标签信息会逐渐逼近于输入的抓拍图像中的目标对象的标准标签信息。通过训练，级联的第一初始模型和第二初始模型学习了各目标对象的抓拍图像到目标对象的标准标签信息的映射关系。
标准标签信息可以是标准图像。那么，第一初始模型对输入的抓拍图像提取的图像特征，第二初始模型基于图像特征计算得到预测图像；比较该预测图像与输入的抓拍图像中目标对象的标准图像，依据比较结果优化第一初始模型和第二初始模型，以减小后续预测的预测图像与标准图像的差异。
标准标签信息也可以是目标对象的类别标签信息。那么，第一初始模型对输入的抓拍图像提取的图像特征，第二初始模型基于图像特征计算得到预测类别标签信息；比较该预测类别标签信息与输入的抓拍图像中目标对象的类别标签信息，依据比较结果优化第一初始模型和第二初始模型，以减小后续预测的预测类别标签信息与类别标签信息的差异。
步骤T400中，检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
第一训练结束条件可以有多种，比如，可以是训练次数达到指定次数；或者，第一初始模型和第二初始模型的性能达到设定指标；或者，图像集合中没有了未输入至第一初始模型的抓拍图像，等等。
在当前满足第一训练结束条件时，确定当前优化后的第一初始模型为所述图像特征模型，第二初始模型可以不再被使用，否则，可以继续进行训练。
可选的，如果当前未满足第一训练结束条件，继续从所述图像集合中选择未输入至第一初始模型的目标对象的抓拍图像并输入至第一初始模型的操作。通过上述循环，得到所需的图像特征模型。当然，具体训练方式也不限于此。
本实施例中，图像特征模型是利用获取的各个目标对象的抓拍图像训练得到的，这样图像特征模型相比于其他图像训练出的模型而言，可以更准确地提取各抓拍图像的第一特征，并且，训练图像质量模型需要哪些目标对象的抓拍图像的图像质量参数，就可利用相应目标对象的抓拍图像来训练出图像特征模型，不受场景和对象类型的局限，保证训练出的图像质量模型在各种复杂场景中的稳定性和泛化能力。
在一个实施例中，步骤S200中，基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数，包括：
S201：计算所述第一特征与第二特征之间的相似度；
S202：利用所述相似度确定所述抓拍图像的图像质量参数。
可以利用SIFT算法、SURF算法、直方图匹配算法、均值哈希算法、欧氏距离算法、余弦距离算法中的任一种来计算第一特征与第二特征之间的相似度。
比如，以余弦距离算法为例，可以计算第一特征与第二特征之间的余弦值(计算时，特征以向量形式表示)，将计算出的余弦值作为第一特征与第二特征之间的相似度。
计算出第一特征与第二特征之间的相似度后，就可以确定所述抓拍图像与所述抓拍图像中目标对象的标准图像之间的相似情况，相似度越高，说明抓拍图像与标准图像越相似，反之则越不相似。因此，以标准图像为高质量标准，根据相似度可以确定抓拍图像的图像质量参数，具体确定方式不限。
在一个实施例中，步骤S202中，所述利用相似度确定所述抓拍图像的图像质量参数，包括：
将所述相似度确定为所述抓拍图像的图像质量参数。换言之，可以将计算出的第一特征与第二特征之间的相似度直接作为所述抓拍图像的图像质量参数。
或者，
从预设的相似度区间与图像质量参数的对应关系中确定出包含所述相似度的目标相似度区间，将所述目标相似度区间对应的图像质量参数确定为所述抓拍图像的图像质量参数。
可以预先将所有可能的相似度取值范围划分成若干相似度区间，不同相似度区间对应不同的图像质量参数。预设的相似度区间与图像质量参数的对应关系可以记录在电子设备中，比如可以以表的形式保存。
计算出相似度后，可从预设的相似度区间与图像质量参数的对应关系中确定出所述相似度所处的目标相似度区间，并将所述目标相似度区间对应的图像质量参数确定为该抓拍图像的图像质量参数。
比如，所有可能的相似度取值范围为0～100，将该范围划分成0～30、31～60、61～100三个相似度区间，对应的图像质量参数分别为表示低、中、高的数值，具体数值不限。当计算出的相似度为80时，目标相似度区间就是61～100，所述目标相似度区间对应的图像质量参数为表示高的数值，将表示高的数值作为该抓拍图像的图像质量参数。当然，此处的取值范围、划分粒度均是举例，具体不限于此，比如划分粒度可以更细。
通过对机械能相似度取值范围划分成多档，每次将相似度归到一档中，将所归一档的图像质量参数作为抓拍图像的图像质量参数，如此，图像质量模型的输出也就包括这几挡图像质量参数，减少图像质量模型的数据处理复杂度。
本实施例中，利用第一特征和第二特征之间的相似度实现了图像质量参数的量化，相比于人工打分而言，更为简便，也不掺杂主观因素。
在一个实施例中，步骤S300中，利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型，包括：
S301：建立第三初始模型；
S302：将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出；
S303：基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型；
S304：检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
第三初始模型是一个预测器，可以由任意一种能够实现回归任务的模型构成，比如逻辑回归模型、树模型、神经网络模型等，具体不限。
步骤S302中，将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出。
第三初始模型负责预测抓拍图像的图像质量参数。第二初始模型的模型参数发生变化，预测结果也可能会有所变化，训练就是通过改变模型参数，使得预测结果能够更准确，更逼近所需要的结果。
步骤S303中，基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型。
每当第三初始模型输出一个图像质量参数，便将输出的标签信息与输入的抓拍图像的图像质量参数进行比对，根据比对结果来优化第三初始模型，以减小后续预测的图像质量参数与抓拍图像的图像质量参数之间的差异。
随着第三初始模型不断被优化，模型的网络参数被改变，预测出的图像质量参数会逐渐逼近于输入的抓拍图像的图像质量参数。通过训练，第三初始模型学习了各抓拍图像到抓拍图像的图像质量参数的映射关系。
步骤S304中，检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
第二训练结束条件可以有多种，比如，可以是训练次数达到指定次数；或者，第三初始模型的性能达到设定指标；或者，图像集合中没有了未输入至第三初始模型的抓拍图像，等等。
在当前满足第二训练结束条件时，确定当前优化后的第三初始模型为所述图像质量模型，否则，可以继续进行训练。
可选的，如果当前未满足第二训练结束条件，继续从所述图像集合中选择未输入至第三初始模型的抓拍图像并输入至第三初始模型的操作。通过上述循环，可得到所需的图像质量模型。当然，具体训练方式也不限于此。
本发明还提供一种图像质量确定装置，参看图2，图像质量确定装置100包括：
目标图像获取模块101，用于获取待测的目标图像；
图像质量确定模块102，用于将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；
其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。
在一个实施例中，所述图像质量模型通过以下模块训练：
特征提取模块，用于将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；
抓拍图像质量确定模块，用于基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数；
图像质量模型训练模块，用于利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。
在一个实施例中，所述图像特征模型通过以下模块训练：
模型建立模块，用于建立第一初始模型和第二初始模型；
标签信息预测模块，用于将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息；
模型优化模块，用于基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型；
模型确定模块，用于检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
在一个实施例中，所述抓拍图像质量确定模块基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数时，具体用于：
计算所述第一特征与第二特征之间的相似度；
利用所述相似度确定所述抓拍图像的图像质量参数。
在一个实施例中，所述抓拍图像质量确定模块利用相似度确定所述抓拍图像的图像质量参数时，具体用于：
将所述相似度确定为所述抓拍图像的图像质量参数；或者，
从预设的相似度区间与图像质量参数的对应关系中确定出包含所述相似度的目标相似度区间，将所述目标相似度区间对应的图像质量参数确定为所述抓拍图像的图像质量参数。
在一个实施例中，图像质量模型训练模块利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型时，具体用于：
建立第三初始模型；
将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出；
基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型；
检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元。
本发明还提供一种电子设备，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如前述实施例中所述的图像质量确定方法。
本发明图像质量确定装置的实施例可以应用在电子设备上。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，图5是本发明根据一示例性实施例示出的图像质量确定装置100所在电子设备的一种硬件结构图，除了图5所示的处理器510、内存530、接口520、以及非易失性存储器540之外，实施例中装置100所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
本发明还提供一种机器可读存储介质，其上存储有程序，该程序被处理器执行时，实现如前述实施例中任意一项所述的图像质量确定方法。
本发明可采用在一个或多个其中包含有程序代码的存储介质(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。机器可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。机器可读存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (13)
1.一种图像质量确定方法，其特征在于，包括：
获取待测的目标图像；
将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；
其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。
2.如权利要求1所述的图像质量确定方法，其特征在于，所述图像质量模型通过以下方式训练：
将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；
基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数；
利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。
3.如权利要求2所述的图像质量确定方法，其特征在于，所述图像特征模型通过以下方式训练：
建立第一初始模型和第二初始模型；
将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息；
基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型；
检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
4.如权利要求2所述的图像质量确定方法，其特征在于，基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数，包括：
计算所述第一特征与第二特征之间的相似度；
利用所述相似度确定所述抓拍图像的图像质量参数。
5.如权利要求4所述的图像质量确定方法，其特征在于，所述利用相似度确定所述抓拍图像的图像质量参数，包括：
将所述相似度确定为所述抓拍图像的图像质量参数；或者，
从预设的相似度区间与图像质量参数的对应关系中确定出包含所述相似度的目标相似度区间，将所述目标相似度区间对应的图像质量参数确定为所述抓拍图像的图像质量参数。
6.如权利要求1所述的图像质量确定方法，其特征在于，利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型，包括：
建立第三初始模型；
将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出；
基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型；
检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
7.一种图像质量确定装置，其特征在于，包括：
目标图像获取模块，用于获取待测的目标图像；
图像质量确定模块，用于将所述目标图像输入至已训练的图像质量模型，得到所述目标图像的图像质量参数；
其中，所述图像质量模型是依据图像集合中各目标对象的抓拍图像和标准图像训练得到的，所述标准图像的图像质量满足设定要求。
8.如权利要求7所述的图像质量确定装置，其特征在于，所述图像质量模型通过以下模块训练：
特征提取模块，用于将图像集合中每一目标对象的抓拍图像和标准图像输入至已训练的图像特征模型，以由图像特征模型分别从输入的抓拍图像和标准图像中提取第一特征、第二特征并输出；
抓拍图像质量确定模块，用于基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数；
图像质量模型训练模块，用于利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型。
9.如权利要求8所述的图像质量确定装置，其特征在于，所述图像特征模型通过以下模块训练：
模型建立模块，用于建立第一初始模型和第二初始模型；
标签信息预测模块，用于将图像集合中目标对象的抓拍图像输入至所述第一初始模型，以使所述第一初始模型从输入的抓拍图像中提取图像特征并输出至所述第二初始模型，所述第二初始模型基于输入的图像特征预测标签信息；
模型优化模块，用于基于所述第二初始模型输出的标签信息与已获取的该目标对象的标准标签信息优化所述第一初始模型；
模型确定模块，用于检查当前是否满足设定的第一训练结束条件，如果是，确定当前优化后的第一初始模型为所述图像特征模型。
10.如权利要求8所述的图像质量确定装置，其特征在于，所述抓拍图像质量确定模块基于所述图像特征模型输出的第一特征和第二特征确定输入的抓拍图像的图像质量参数时，具体用于：
计算所述第一特征与第二特征之间的相似度；
利用所述相似度确定所述抓拍图像的图像质量参数。
11.如权利要求10所述的图像质量确定装置，其特征在于，所述抓拍图像质量确定模块利用相似度确定所述抓拍图像的图像质量参数时，具体用于：
将所述相似度确定为所述抓拍图像的图像质量参数；或者，
从预设的相似度区间与图像质量参数的对应关系中确定出包含所述相似度的目标相似度区间，将所述目标相似度区间对应的图像质量参数确定为所述抓拍图像的图像质量参数。
12.如权利要求8所述的图像质量确定装置，其特征在于，图像质量模型训练模块利用各个抓拍图像和抓拍图像的图像质量参数训练出所述图像质量模型时，具体用于：
建立第三初始模型；
将图像集合中的抓拍图像输入至所述第三初始模型，以使所述第三初始模型基于输入的抓拍图像预测图像质量参数并输出；
基于所述第三初始模型输出的图像质量参数与输入的抓拍图像的图像质量参数优化所述第三初始模型；
检查当前是否满足设定的第二训练结束条件，如果是，确定当前优化后的第三初始模型为所述图像质量模型。
13.一种电子设备，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如权利要求1-6中任一项所述的图像质量确定方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910860819.8A CN112488985A (zh) | 2019-09-11 | 2019-09-11 | 图像质量确定方法、装置及设备 |
| PCT/CN2020/113559 WO2021047453A1 (zh) | 2019-09-11 | 2020-09-04 | 图像质量确定方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910860819.8A CN112488985A (zh) | 2019-09-11 | 2019-09-11 | 图像质量确定方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488985A true CN112488985A (zh) | 2021-03-12 |
Family
ID=74866873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910860819.8A Pending CN112488985A (zh) | 2019-09-11 | 2019-09-11 | 图像质量确定方法、装置及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112488985A (zh) |
| WO (1) | WO2021047453A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113067980A (zh) * | 2021-03-23 | 2021-07-02 | 北京澎思科技有限公司 | 图像采集方法、装置、电子设备及存储介质 |
| CN113810610A (zh) * | 2021-09-16 | 2021-12-17 | 杭州海康威视数字技术股份有限公司 | 一种对象抓拍方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204523A (zh) * | 2016-06-23 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种图像质量度量方法及装置 |
| JP2017162056A (ja) * | 2016-03-08 | 2017-09-14 | 株式会社Ｎｔｔドコモ | 画像評価装置及び画像評価プログラム |
| CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
| CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
| CN108710885A (zh) * | 2018-03-29 | 2018-10-26 | 百度在线网络技术（北京）有限公司 | 目标对象的检测方法和装置 |
| CN109241888A (zh) * | 2018-08-24 | 2019-01-18 | 北京旷视科技有限公司 | 神经网络训练与对象识别方法、装置和***及存储介质 |
| WO2019037346A1 (zh) * | 2017-08-25 | 2019-02-28 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
| CN109508648A (zh) * | 2018-10-22 | 2019-03-22 | 成都臻识科技发展有限公司 | 一种人脸抓拍方法及设备 |
| CN109919901A (zh) * | 2018-07-25 | 2019-06-21 | 江南大学 | 一种基于集成学习与随机森林的图像质量评价方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3179407B1 (en) * | 2015-12-07 | 2022-07-13 | Dassault Systèmes | Recognition of a 3d modeled object from a 2d image |
| CN105447884B (zh) * | 2015-12-21 | 2017-11-24 | 宁波大学 | 一种基于流形特征相似度的图像质量客观评价方法 |
| CN105894507B (zh) * | 2016-03-31 | 2019-03-26 | 西安电子科技大学 | 基于图像信息量自然场景统计特征的图像质量评价方法 |
| CN106600597B (zh) * | 2016-12-22 | 2019-04-12 | 华中科技大学 | 一种基于局部二值模式的无参考彩色图像质量评价方法 |
| CN107610093B (zh) * | 2017-08-02 | 2020-09-25 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
-
2019
- 2019-09-11 CN CN201910860819.8A patent/CN112488985A/zh active Pending
-
2020
- 2020-09-04 WO PCT/CN2020/113559 patent/WO2021047453A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017162056A (ja) * | 2016-03-08 | 2017-09-14 | 株式会社Ｎｔｔドコモ | 画像評価装置及び画像評価プログラム |
| CN106204523A (zh) * | 2016-06-23 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种图像质量度量方法及装置 |
| WO2019037346A1 (zh) * | 2017-08-25 | 2019-02-28 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
| CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
| CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
| CN108710885A (zh) * | 2018-03-29 | 2018-10-26 | 百度在线网络技术（北京）有限公司 | 目标对象的检测方法和装置 |
| CN109919901A (zh) * | 2018-07-25 | 2019-06-21 | 江南大学 | 一种基于集成学习与随机森林的图像质量评价方法 |
| CN109241888A (zh) * | 2018-08-24 | 2019-01-18 | 北京旷视科技有限公司 | 神经网络训练与对象识别方法、装置和***及存储介质 |
| CN109508648A (zh) * | 2018-10-22 | 2019-03-22 | 成都臻识科技发展有限公司 | 一种人脸抓拍方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陈朝娟;田玲;刘笑;周益民;: "一种改进的全参考模糊度比值算法", 计算机应用研究, no. 09 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113067980A (zh) * | 2021-03-23 | 2021-07-02 | 北京澎思科技有限公司 | 图像采集方法、装置、电子设备及存储介质 |
| CN113810610A (zh) * | 2021-09-16 | 2021-12-17 | 杭州海康威视数字技术股份有限公司 | 一种对象抓拍方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021047453A1 (zh) | 2021-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Matern et al. | Exploiting visual artifacts to expose deepfakes and face manipulations | |
| Haeusser et al. | Associative domain adaptation | |
| CN112446270B (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
| CN112926410B (zh) | 目标跟踪方法、装置、存储介质及智能视频*** | |
| CN108960189B (zh) | 图像再识别方法、装置及电子设备 | |
| CN112215180B (zh) | 一种活体检测方法及装置 | |
| JP2020520512A (ja) | 車両外観特徴識別及び車両検索方法、装置、記憶媒体、電子デバイス | |
| CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
| US8103058B2 (en) | Detecting and tracking objects in digital images | |
| CN104915972A (zh) | 图像处理装置、图像处理方法以及程序 | |
| US20070140550A1 (en) | Method and apparatus for performing object detection | |
| Chetverikov et al. | Dynamic texture as foreground and background | |
| Subudhi et al. | Statistical feature bag based background subtraction for local change detection | |
| CN110598638A (zh) | 模型训练方法、人脸性别预测方法、设备及存储介质 | |
| CN110516707B (zh) | 一种图像标注方法及其装置、存储介质 | |
| CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
| Huang et al. | Soft-margin mixture of regressions | |
| CN110222572A (zh) | 跟踪方法、装置、电子设备及存储介质 | |
| Ramirez-Alonso et al. | Temporal weighted learning model for background estimation with an automatic re-initialization stage and adaptive parameters update | |
| Ahmadi et al. | Efficient and fast objects detection technique for intelligent video surveillance using transfer learning and fine-tuning | |
| CN112115979A (zh) | 一种红外图像和可见图像的融合方法及设备 | |
| CN112036381A (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
| CN112541394A (zh) | 黑眼圈及鼻炎识别方法、***及计算机介质 | |
| WO2021047453A1 (zh) | 图像质量确定方法、装置及设备 | |
| CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 |
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 |