CN112912889B - 图像模板的更新方法、设备及存储介质 - Google Patents
图像模板的更新方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112912889B CN112912889B CN201980002050.4A CN201980002050A CN112912889B CN 112912889 B CN112912889 B CN 112912889B CN 201980002050 A CN201980002050 A CN 201980002050A CN 112912889 B CN112912889 B CN 112912889B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- template
- uniformity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000008569 process Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
一种图像模板的更新方法、设备及存储介质,图像模板的更新方法,包括:对目标对象进行图像采集得到目标对象的目标样本图像(101);确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内(102);使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合(103);计算至少一个预替换模板集合中每一个预替换模板集合的均匀性参数(104);如果目标对象替换第二图像模板后得到的预替换模板集合的均匀性参数小于预设均匀性数值时,将目标样本图像作为目标对象的图像模板并替换第二图像模板(105)。该方法保证了目标对象中的图像模板分布均匀,提高了图像识别的准确度和识别率。
Description
技术领域
本申请实施例涉及图像识别技术领域,尤其涉及一种图像模板的更新方法、设备及存储介质。
背景技术
随着图像识别技术越来越成熟,图像识别技术的应用也越来越广泛。以人脸识别为例,人脸识别已广泛应用于安全检查、身份验证、电子支付等场景。以人脸识别为例,在人脸识别过程中,首先对人脸图像进行采样注册,根据采样注册的人脸图像的特征建立人脸图像的图像模板,在之后的应用中,根据人脸图像的图像模板确定当前识别的人是否为已经注册的用户。但是,在实际应用中,采样注册的人脸图像的图像模板,其采集图像的角度具有随机性,而,导致对待识别人脸图像进行识别时识别率较低。
发明内容
有鉴于此,本发明实施例所解决的技术问题之一在于提供一种图像模板的更新方法、设备及存储介质,用以克服上述缺陷。
第一方面,本申请实施例提供了一种图像模板的更新方法,包括:
对目标对象进行图像采集得到目标对象的目标样本图像;
确定目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内,目标对象有至少一个图像模板,第一图像模板属于目标对象的至少一个图像模板;
使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合;
计算至少一个预替换模板集合中每一个预替换模板集合的均匀性参数,均匀性参数用于指示对应的预替换模板集合中目标对象的图像模板分布的均匀性;
如果目标对象替换第二图像模板后得到的预替换模板集合的均匀性参数小于预设均匀性数值时,将目标样本图像作为目标对象的图像模板并替换第二图像模板,第二图像模板属于目标对象的至少一个图像模板。
可选地,在本申请的一个实施例中,将目标样本图像分别替换目标对象的每一个图像模板并得到对应的均匀性参数,包括:
在目标对象的横向转动角度和纵向转动角度的取值范围内均匀得划分至少一个区域;对于目标对象的每一个图像模板,将目标样本图像替换目标对象的图像模板后,确定分布在每个区域内的图像模板的数量,并计算所有区域的图像模板数量的标准差/方差作为均匀性参数。
可选地,在本申请的一个实施例中,该方法还包括:对于替换前目标对象的图像模板,确定分布在每个区域内的图像模板的数量,并计算所有区域的图像模板数量的标准差/方差作为预设均匀性数值。
可选地,在本申请的一个实施例中,计算至少一个区域的图像模板数量的标准差/方差作为均匀性参数,包括:
将至少一个区域划分为第一部分和第二部分;计算第一部分内所有区域的图像模板数量的标准差/方差除以第一因子后的数值作为均匀性参数中的第一参数;计算第二部分内所有区域的图像模板数量的标准差/方差除以第一因子后的数值作为均匀性参数中的第二参数。
可选地,在本申请的一个实施例中,该方法还包括:
对于替换前目标对象的图像模板,确定分布在每个区域内的图像模板的数量;计算第一部分内所有区域的图像模板数量的标准差/方差作为预设均匀性数值中的第一均匀性数值,在第一参数小于第一均匀性数值时,确定均匀性参数小于预设均匀性数值;和/或,计算第二部分内所有区域的图像模板数量的标准差/方差作为预设均匀性数值中的第二均匀性数值,在第二参数小于第二均匀性数值时,确定均匀性参数小于预设均匀性数值。
可选地,在本申请的一个实施例中,该方法还包括:计算至少一个图像中每一个图像与目标对象的图像模板的第一相似度平均值;将第一相似度平均值在第二预设范围内的图像确定为目标对象的目标样本图像。
可选地,在本申请的一个实施例中,该方法还包括:在相似度大于第一阈值并且小于或等于第二阈值时,确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内。
可选地,在本申请的一个实施例中,该方法还包括:计算非目标对象的样本图像集合中每一个样本图像与目标对象的图像模板的第二相似度平均值,将数值最大的第二相似度平均值确定为第一阈值。
可选地,在本申请的一个实施例中,该方法还包括:确定目标样本图像中目标对象的横向转动角度和纵向转动角度;在横向转动角度和纵向转动角度的平方和在第三预设范围内时,确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内。
可选地,在本申请的一个实施例中,使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合,包括:
在确定目标对象的图像模板数量等于预设数量时,使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合。
可选地,在本申请的一个实施例中,该方法还包括:在目标对象的图像模板数量小于预设数量时,将目标对象的目标样本图像确定为目标对象的图像模板。
可选地,在本申请的一个实施例中,该方法还包括:在目标对象的均匀性参数中存在小于预设均匀性数值的均匀性参数时,在目标对象的图像模板中,将与目标对象替换后得到的均匀性参数最小的图像模板替换为目标样本图像。
可选地,在本申请的一个实施例中,该方法还包括:在与目标对象替换后得到的均匀性参数小于预设均匀性数值的图像模板中,将与目标对象在图像识别过程中匹配命中次数最小的图像模板替换为目标样本图像。
可选地,在本申请的一个实施例中,该方法还包括:在与目标对象替换后得到的均匀性参数小于预设均匀性数值的图像模板中,将使用时间最长的图像模板替换为目标样本图像。
可选地,在本申请的一个实施例中,该方法还包括:将目标样本图像与目标对象的至少一个图像模板进行匹配;在目标样本图像与目标对象的任意一个图像模板匹配成功后,确定目标对象身份验证成功。
可选地,在本申请的一个实施例中,该方法还包括:将目标样本图像确定为目标对象的图像模板,存储目标对象的图像模板,并完成对目标对象的注册。
可选地,在本申请的一个实施例中,该方法还包括:将目标样本图像的二维图像转换为三维点云信息,根据三维点云信息通过外参旋转矩阵计算目标样本图像中目标对象的横向转动角度和纵向转动角度。
第二方面,一种图像模板的更新设备,包括:准许学习模块、均匀性参数模块和图像模板管理模块;
其中,准许学习模块,用于确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内;
均匀性参数模块,用于在目标对象的图像模板数量等于预设数量时,使用目标样本图像分别替换目标对象的每一个图像模板并得到对应的均匀性参数,均匀性参数用于指示目标样本图像替换目标对象的图像模板后目标对象的图像模板分布的均匀性;
图像模板管理模块,用于如果目标对象替换第二图像模板后得到的均匀性参数小于预设均匀性数值时,将目标样本图像作为目标对象的图像模板并替换第二图像模板。
第三方面,一种电子设备,包括:至少一个处理器、存储器、图像采集模块,至少一个处理器、存储器和图像采集模块通过总线相互连接并完成通信;图像采集模块包括红外摄像机和散斑投射器,图像采集模块用于采集图像;存储器上存储有至少一个程序,至少一个处理器执行存储器上存储的程序时,实现如第一方面的任意一个实施例所描述的方法。
第四方面,一种存储介质,该存储介质上存储有计算机程序,在至少一个处理器执行计算机程序时,实现如第一方面的任意一个实施例所描述的方法。
本申请在对目标对象进行识别的过程中,确定目标对象的目标样本图像与第一图像模板之间的相似度,相似度在第一预设范围内时确定目标样本图像为准许学习样本图像,减少目标对象的图像模板中重复的图像模板,还根据目标样本图像分别替换目标对象的每一个图像模板得到对应的均匀性参数来确定目标样本图像是否可以替换目标对象中的图像模板,保证了目标对象中的图像模板分布均匀,保证了目标对象在各个角度都可以被识别,提高了图像识别的准确度和识别率。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为本申请实施例提供的一种图像模板的更新方法流程图;
图2为本申请实施例提供的一种第二相似度平均值示意图;
图3为本申请实施例提供的一种相似度与分布圆半径对应关系示意图;
图4为本申请实施例提供的一种第三预设范围示意图;
图5为本申请实施例提供的一种图像模板的更新方法的逻辑框图;
图6为本申请实施例提供的一种图像模板的更新设备的结构图;
图7为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
实施例一、
图1为本申请实施例提供的一种图像模板的更新方法流程图;该方法可以应用于目标对象在进行图像识别注册的过程中,也可以应用于目标对象注册完成后的图像识别过程中,本申请对此不作限制,如图1所示,其包括以下步骤:
步骤101、对目标对象进行图像采集得到目标对象的目标样本图像。
目标对象指的是图像识别中待识别的对象,例如,在人脸识别的应用场景中,目标对象可以是用户的脸部,又如,在车牌识别的应用场景中,目标对象可以是车辆的车牌,当然,此处只是示例性说明,在不同的应用场景,目标对象可以是不同的物体。
在本申请中,“目标”用于表示单数,指代的是一个事物,例如,目标对象指的是一个对象,“目标”不用做任何限定,只是为了在逻辑上更清楚的表明本方案的实现过程。本申请中,“第一”、“第二”等词语只用于区分,并不用做任何限定,也不用于表示任何序列(具有一定的顺序关系)或者集合(有第二必须有第一、或者有第一必须有第二)。
步骤102、确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内。
目标对象有至少一个图像模板,第一图像模板属于目标对象的至少一个图像模板,目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内时,表示目标样本图像可以作为准许学习样本图像,即满足作为目标对象的图像模板的初步条件,可以将目标样本图像加入学习队列。
通常,目标对象有多个图像模板,第一图像模板只是目标对象的其中一个图像模板,在一个实施例中,在注册阶段,利用对目标对象正面采集得到的正面图像建立多个图像模板,并将其中一个作为第一图像模板。例如,在人脸识别的应用场景中,在注册阶段,利用正面采集到的人脸图像建立的人脸图像得图像模板即为第一图像模板。当然,第一图像模板可以是目标对象的图像模板中任意一个图像模板,此处只是示例性说明,并不代表本申请局限于此。
此处,列举两个具体示例说明如何确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内,当然,此处只是示例性说明,并不代表本申请局限于此。
可选地,在第一个示例中,该方法还包括:在相似度大于第一阈值并且小于或等于第二阈值时,确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内。
需要说明的是,第一预设范围由作为下限值的第一阈值和作为上限值的第二阈值限定,设定第一阈值可以保证选用的目标样本图像是目标对象的样本图像而不是非目标对象的样本图像,去除了非目标对象的样本图像的干扰,设定第二阈值可以保证将与第一图像模板相似度极高的目标样本图像去除掉,避免图像模板重复。
基于第一个示例,进一步的,在本申请的一个实施例中,该方法还包括:计算非目标对象的样本图像集合中每一个样本图像与目标对象的图像模板的第二相似度平均值,将数值最大的第二相似度平均值确定为第一阈值。例如,对于一个样本图像A,计算样本图像A与目标对象的每一个图像模板的相似度,并且计算相似度的平均值得到样本图像A的第二相似度平均值,比较所有样本图像的第二相似度平均值,将数值最大的第二相似度平均值确定为第一阈值。
此处,进一步详细说明如何计算计算非目标对象的样本图像集合中每一个样本图像与目标对象的图像模板的第二相似度平均值,获取非目标对象的样本图像集合,非目标对象的样本图像集合中包含的样本图像都不是目标对象的样本图像,是其他对象的样本图像,例如非目标对象的样本图像集合有M个样本图像,M为大于1的整数,目标对象有n个图像模板,n为大于1的整数,对于第m个样本图像,m为[1,M]内的整数,第m个样本图像与目标对象的图像模板的第二相似度平均值计算公式如公式1:
其中,表示第m个样本图像与目标对象的图像模板的第二相似度平均值,smi表示第m个样本图像与目标对象的第i个图像模板之间的相似度。需要说明的是,本实施例中样本图像与图像模板之间的相似度可以通过神经网络模型进行计算,将样本图像与图像模板输入神经网络模型,即可得到神经网络模型输出的相似度,当然,此处只是示例性说明,并不代表本申请局限于此。
如图2所示,图2为本申请实施例提供的一种第二相似度平均值示意图,图2中,横轴表示第二相似度平均值,左侧纵轴表示样本图像数量,右侧纵轴表示样本图像数量占比,柱形图表示满足对应的第二相似度平均值的条件下的样本图像数量,折线图表示小于或等于对应的第二相似度平均值的条件下样本图像数量占比,非目标对象的样本图像集合中,第二相似度平均值在0.8以内的样本图像数量占比接近1,也就是说,在非目标对象的样本图像集合中,几乎所有的非目标对象的样本图像与目标对象的图像模板之间的相似度都小于0.8,可以认为相似度大于0.8的样本图像就是目标对象的样本图像,因此,可以将0.8作为最大的第二相似度平均值,即将0.8作为第一阈值。
可选地,在第二个示例中,该方法还包括:确定目标样本图像中目标对象的横向转动角度和纵向转动角度;在横向转动角度和纵向转动角度的平方和在第三预设范围内时,确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内。
此处,详细说明如何确定第三预设范围,例如,在直角坐标系中,用x轴表示目标对象的纵向转动角度(即目标对象绕着x轴转动的角度),用y轴表示目标对象的横向转动角度(即目标对象绕着y轴转动的角度),以目标对象纵向转动角度和横向转动角度的范围都是90°之内为例,即[-90,90]。获取目标对象的样本图像集合,目标对象的样本图像集合可以包含1000个目标对象的样本图像,计算每个样本图像与目标对象的正面图像模板之间的相似度,例如,第m个样本图像与目标对象的正面图像模板之间的相似度可以表示为simm。根据每个样本图像在直角坐标系中的坐标计算每个样本图像在直角坐标系中的R(分布圆半径)值,例如,第m个样本图像的坐标为(xm,ym),表示第m个样本图像中目标对象绕x轴的转动角度为xm,绕y轴的转动角度为ym,则第m个样本图像的R值为Rm,将相似度大于0.95的样本图像确定为与目标对象的正面图像模板重复的样本图像,将相似度小于或等于0.8的样本图像确定为无效样本图像,无效样本图像与目标对象的图像模板相似度太低,可以被认定为非目标对象的样本图像,将相似度大于0.8的样本图像确定为有效样本图像,有效样本图像与目标对象的图像模板相似度较高,可以被认定为目标对象的样本图像。因此,目标样本图像与目标对象的第一图像模板之间的相似度应该在(0.8,1]之间,如图3所示,图3为本申请实施例提供的一种相似度与分布圆半径对应关系示意图,相似度0.95对应的R值为5,相似度0.8对应的R值为60,该相似度区间(0.8,1]对应的R值区间为[5,60),即第三预设范围,因此,目标样本图像的R值在第三预设范围,即[5,60)区间内时,确定目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内,如图4所示,图4为本申请实施例提供的一种第三预设范围示意图,图4示出的直角坐标系中,阴影区域的环形表示第三预设范围,其中,阴影区域表示R值大于或等于5且小于或等于60的分布区域,阴影区域之外的区域表示样本图像的R值小于5(与目标对象的正面图像模板的相似度大于0.95)和样本图像的R值大于60(与目标对象的正面图像模板的相似度小于0.8)的样本图像分布区域。
步骤103、使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合。
需要说明的是,步骤103中使用目标样本图像分别替换每一个图像模板是预替换,只是用于计算均匀性参数,并不是直接将目标样本图像作为图像模板。
可选地,在本申请的一个实施例中,使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合,包括:
在确定目标对象的图像模板数量等于预设数量时,使用目标样本图像分别对目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合。
可选地,在本申请的一个实施例中,该方法还包括:在目标对象的图像模板数量小于预设数量时,将目标对象的目标样本图像确定为目标对象的图像模板。
目标对象的图像模板数量上限可以是预设数量,如果目标对象的图像模板数量小于预设数量,说明目标对象的图像模板可以继续增加,在目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内时,直接将目标样本图像作为目标对象的图像模板;如果目标对象的图像模板数量等于预设数量,则说明目标对象的图像模板不能继续增加,此时,需要确定目标样本图像是否能替换目标对象的某一个图像模板,并得到更好的效果。
步骤104、计算至少一个预替换模板集合中每一个预替换模板集合的均匀性参数。
均匀性参数用于指示对应的预替换模板集合中目标对象的图像模板分布的均匀性。
均匀性参数用于指示目标样本图像替换目标对象的图像模板后得到的预替换模板集合中图像模板分布的均匀性。例如,目标对象有n个图像模板,n为大于1的整数,将目标样本图像替换第i个图像模板,得到目标对象的第i个预替换模板集合,并计算得到第i个预替换模板集合的均匀性参数作为第i个模板均匀性参数,目标样本图像分别替换每个图像模板,都可以得到对应的均匀性参数,一共可以得到n个预替换模板集合以及n个均匀性参数。
以直角坐标系为例,用x轴表示目标对象的纵向转动角度(即目标对象绕着x轴转动的角度),用y轴表示目标对象的横向转动角度(即目标对象绕着y轴转动的角度)。此处,列举两个具体示例说明如何计算均匀性参数。
可选地,在第一个示例中,可以计算整体均匀性参数,将目标样本图像分别替换目标对象的每一个图像模板并得到对应的均匀性参数,包括:
在目标对象的横向转动角度和纵向转动角度的取值范围内均匀得划分至少一个区域;对于目标对象的每一个图像模板,将目标样本图像替换目标对象的图像模板后,确定分布在每个区域内的图像模板的数量,并计算所有区域的图像模板数量的标准差/方差作为均匀性参数。
可选地,在本申请的一个实施例中,该方法还包括:对于替换前目标对象的图像模板,确定分布在每个区域内的图像模板的数量,并计算所有区域的图像模板数量的标准差/方差作为预设均匀性数值。
基于第一个示例,如图4所示,图4中,环形的阴影区域即为目标对象的横向转动角度和纵向转动角度的取值范围,即R值取值范围在[5,60)之间,将环形的阴影区域等分为8个扇形区域(即至少一个区域),当然,也可以分为6个扇形区域、4个扇形区域,可以根据具体情况自由设定,本申请对此不作限制。此处,需要说明的是,以目标对象是人脸为例,在图4所示的8个扇形区域中,x轴正方向上的点表示人脸向上转动的角度,x轴负方向上的点表示人脸向下转动的角度,y轴正方向上的点表示人脸向右转动的角度,y轴正方向上的点表示人脸向左转动的角度,第一象限的斜线其斜率为0,表示人脸向右上方转动的角度,第二象限的斜线表示人脸向右下方转动的角度,第三象限的斜线表示人脸向左下方转动的角度,第四象限的斜线表示人脸向左上方转动的角度。当然,此处只是示例性说明,也可以是正方向表示向下、向右转动的角度,负方向表示向上、向左转动的角度。本申请对此不作限制。
以目标对象有n个图像模板为例,预设均匀性数值即为根据目标对象的原图像模板计算得到的标准差,即在目标样本图像替换目标对象的图像模板之前,确定目标对象的图像模板分布在每个扇形区域内的图像模板的数量,第t个扇形区域内的图像模板的数量为x0t(t=1,2,3,4,5,6,7,8),计算8扇形区域的图像模板数量的平均值然后根据公式2计算8个扇形区域的图像模板数量的标准差std0作为预设均匀性数值:
其中,T为至少一个区域的数量。对于第i个图像模板,使用目标样本图像替换第i个图像模板(即将目标样本图像作为第i个图像模板),计算每个扇形区域内的图像模板的数量,第t个扇形区域内的图像模板的数量为xit(t=1,2,3,4,5,6,7,8),计算8扇形区域的图像模板数量的平均值然后根据公式3计算8个扇形区域的图像模板数量的标准差stdi:
其中,T为至少一个区域的数量。stdi(也就是整体均匀性参数)表示目标样本图像替换目标对象的第i个图像模板后,目标对象的图像模板分布均匀性,stdi越小,表示图像模板分布的均匀性越好。如果stdi小于std0,则表示目标样本图像替换目标对象的第i个图像模板之后,图像模板分布更均匀,可以将目标样本图像作为第i个图像模板替换原有图像模板。
可选地,在第二个示例中,可以计算局部均匀性参数,计算至少一个区域的图像模板数量的标准差/方差作为均匀性参数,包括:
将至少一个区域划分为第一部分和第二部分;计算第一部分内所有区域的图像模板数量的标准差/方差除以第一因子后的数值作为均匀性参数中的第一参数;计算第二部分内所有区域的图像模板数量的标准差/方差除以第一因子后的数值作为均匀性参数中的第二参数。
需要说明的是,第一部分内所有区域是所有区域属于第一部分的区域总和,第一部分内所有区域加上第二部分内所有区域即为目标对象的横向转动角度和纵向转动角度的取值范围。
当然,也可以将至少一个区域划分为多个部分,例如,将至少一个区域划分为S个部分,S为大于1的整数,计算第s个部分内所有区域的图像模板数量的标准差/方差除以第s个因子后的数值作为均匀性参数中的第s个参数,得到S个参数,s为[1,S]内的整数。
可选地,在本申请的一个实施例中,该方法还包括:
对于替换前目标对象的图像模板,确定分布在每个区域内的图像模板的数量;计算第一部分内所有区域的图像模板数量的标准差/方差作为预设均匀性数值中的第一均匀性数值,在第一参数小于第一均匀性数值时,确定均匀性参数小于预设均匀性数值;和/或,计算第二部分内所有区域的图像模板数量的标准差/方差作为预设均匀性数值中的第二均匀性数值,在第二参数小于第二均匀性数值时,确定均匀性参数小于预设均匀性数值。
例如,基于图4所示的环形阴影区域,以R=25为边界,将环形阴影区域分为第一部分和第二部分两个环形区域,结合第一个示例中标准差的计算过程,在使用目标样本图像替换目标对象的图像模板之前,对于目标对象的原有图像模板,分别根据公式4和公式5计算第一部分和第二部分图像模板数量的标准差std01和std02:
其中,x01t(t=1,2,3,4,5,6,7,8)表示第一部分中第t个扇形区域内的图像模板的数量为,表示第一部分的8个扇形区域内图像模板数量的平均值。
其中,x02t(t=1,2,3,4,5,6,7,8)表示第二部分中第t个扇形区域内的图像模板的数量为,表示第一部分的8个扇形区域内图像模板数量的平均值。
将std01作为第一均匀性数值,std02作为第二均匀性数值。
对于第i个图像模板,使用目标样本图像替换第i个图像模板(即将目标样本图像作为第i个图像模板),结合第一个示例中标准差的计算过程,分别根据公式6和公式7计算第一部分和第二部分图像模板数量的标准差stdi1和stdi2:
其中,xi1t(t=1,2,3,4,5,6,7,8)表示第一部分中第t个扇形区域内的图像模板的数量为,表示第一部分的8个扇形区域内图像模板数量的平均值。
其中,xi2t(t=1,2,3,4,5,6,7,8)表示第二部分中第t个扇形区域内的图像模板的数量为,表示第一部分的8个扇形区域内图像模板数量的平均值。
将stdi1作为第一参数,stdi2作为第二参数。或者,可以对第一参数和第二参数进行加权,例如,第一参数Pi1=stdi1/wi1,wi1表示第一因子,wi1越大,表示第一部分的均匀性越重要,同理,第二参数Pi2=stdi2/wi2。wi2表示第二因子。第一参数和第二参数即为局部均匀性参数。
stdi1表示目标样本图像替换目标对象的第i个图像模板后,目标对象的图像模板在第一部分的分布均匀性,stdi1越小,目标对象的图像模板在第一部分分布的均匀性越好,stdi2表示目标样本图像替换目标对象的第i个图像模板后,目标对象的图像模板在第二部分的分布均匀性,stdi2越小,目标对象的图像模板在第二部分分布的均匀性越好。如果stdi1小于std01,则表示目标样本图像替换目标对象的第i个图像模板之后,目标对象的图像模板在第一部分分布更均匀,可以将目标样本图像作为第i个图像模板替换原有图像模板,和/或,如果stdi2小于std02,则表示目标样本图像替换目标对象的第i个图像模板之后,目标对象的图像模板在第二部分分布更均匀。
当然,也可以利用除以因子之后的局部均匀性参数进行判断,例如,如果Pi1小于std01,则表示目标样本图像替换目标对象的第i个图像模板之后,目标对象的图像模板在第一部分分布更均匀,可以将目标样本图像作为第i个图像模板替换原有图像模板,和/或,如果Pi2小于std02,则表示目标样本图像替换目标对象的第i个图像模板之后,目标对象的图像模板在第二部分分布更均匀。
结合第一个示例和第二个示例,可以先判断整体均匀性参数,再判断局部均匀性参数,如果目标样本图像替换目标对象的第i个图像模板后,整体均匀性参数等于预设均匀性数值,则进一步判断局部均匀性参数是否小于第一均匀性数值或第二均匀性数值。如果整体均匀性参数小于预设均匀性数值,则目标样本图像可以直接进行替换,如果整体均匀性参数大于预设均匀性数值,则目标样本图像不能作为目标对象的图像模板。
步骤105、如果目标对象替换第二图像模板后得到的预替换模板集合的均匀性参数小于预设均匀性数值时,将目标样本图像作为目标对象的图像模板并替换第二图像模板。
需要说明的是,目标对象的图像模板有多个,第二图像模板属于目标对象的至少一个图像模板,第二图像模板表示可以用于替换的图像模板,第二图像模板可以有多个,结合步骤102中的说明,满足stdi小于std0的图像模板可能有多个,例如,目标对象的n个图像模板中,第1个图像模板和第2个图像模板分别满足std1<std0,std2<std0,也就是说,目标样本图像替换目标对象的第1个图像模板后,以及目标样本图像替换目标对象的第2个图像模板后,目标对象的图像模板分布都更加均匀,第1个图像模板和第2个图像模板都可以作为第二图像模板被替换掉。此时,将第1个图像模板和第2个图像模板加入替换队列,需要在替换队列包含多个图像模板中选择一个图像模板进行替换。
此处,列举三个具体的示例说明如何将目标样本图像作为目标对象的图像模板进行替换。
可选地,在第一个示例中,该方法还包括:在目标对象的均匀性参数中存在小于预设均匀性数值的均匀性参数时,在目标对象的图像模板中,将与目标对象替换后得到的均匀性参数最小的图像模板替换为目标样本图像。
例如,替换队列中,std1<std0,std2<std0,同时,std2<std1,也就是说,目标样本图像替换第2个图像模板后,图像模板分布比目标样本图像替换第1个图像模板更加均匀,则将第2个图像模板替换为目标样本图像。当然,此处只是利用整体均匀性进行举例说明,也可以利用局部均匀性进行判断,本申请对此不作限制。
可选地,在第二个示例中,该方法还包括:在与目标对象替换后得到的均匀性参数小于预设均匀性数值的图像模板中,将与目标对象在图像识别过程中匹配命中次数最小的图像模板替换为目标样本图像。
可选地,在第三个示例中,该方法还包括:在与目标对象替换后得到的均匀性参数小于预设均匀性数值的图像模板中,将使用时间最长的图像模板替换为目标样本图像。
例如,替换队列中,第1个图像模板作为目标对象的图像模板的时间是5天,第2个图像模板作为目标对象的图像模板的时间是1天,则将第1个图像模板替换为目标样本图像。
可选地,在本申请的一个实施例中,该方法还包括:将目标样本图像的二维图像转换为三维点云信息,根据三维点云信息通过外参旋转矩阵计算目标样本图像中目标对象的横向转动角度和纵向转动角度。
三维点云信息用于指示目标样本图像中每个像素点的位置坐标及深度信息,三维点云信息可以表示每个像素点的空间位置。外参旋转矩阵是拍摄目标样本图像的拍摄装置的参数,根据三维点云信息和拍摄装置的外参旋转矩阵即可计算出目标样本图像中目标对象的横向转动角度和纵向转动角度。同理,可以计算目标对象的每一个图像模板对应的图像中目标对象的横向转动角度和纵向转动角度,此处不再赘述。
可选地,在步骤101之前,可以对采集到的多个图像进行判定,在多个图像中选出目标对象的目标样本图像,例如,在本申请的一个实施例中,该方法还包括:计算至少一个图像中每一个图像与目标对象的图像模板的第一相似度平均值;将第一相似度平均值在第二预设范围内的图像确定为目标对象的目标样本图像。
例如,相似度取值范围可以是[0,1],相似度为0表示完全不同,相似度为1表示完全相同,结合图2对应的示例,在相似度大于0.8时,可以确定样本图像为目标对象的样本图像,因此,第二预设范围可以是(0.8,1],此处不再赘述,当然,也可以是其他值,本申请对此不作限制。
本申请在对目标对象进行识别的过程中,可以不断增加目标对象的图像模板的数量,直至图像模板的数量达到上限,而且,在图像模板数量达到上限后,依旧可以替换图像模板是的图像模板的均匀性更好,提高识别准确率,而且,因为不断更新图像模板,是的目标对象的图像模板实时性更好,通过本申请的图像模板更新之后,图像模板的角度多样性有较大的改善,对同一份样本在利用本申请图像模板更新之后,对比于利用本申请图像模板更新之前,FRR(False Rejection Rate,错误拒绝率)明显降低,识别率显著提高。
对图像模板的更新可以是目标对象在注册过程中,例如,用户进行人脸注册;也可以是目标对象在身份验证过程中,例如用户进行人脸识别。此处,列举两个具体的应用场景进行说明,当然,此处只是示例性说明,并不代表本申请局限于此。
可选地,在第一个应用场景中,可以对目标对象进行身份验证,该方法还包括:在对目标对象进行图像采集得到目标对象的目标样本图像后,将目标样本图像与目标对象的至少一个图像模板进行匹配;在目标样本图像与目标对象的任意一个图像模板匹配成功后,确定目标对象身份验证成功。此处,在目标对象进行身份识别的时候,对目标对象进行图像采集得到目标样本图像,然后对目标样本图像进行匹配,如果和目标对象的某一个图像模板匹配上,则验证成功。当然,也可能有验证失败的情况,例如,在一个待验证对象进行身份验证时,对待验证对象进行图像采集得到采集图像,将该样本图像与目标对象的图像模板进行匹配,如果目标对象的所有图像模板都与待验证对象的采集图像匹配失败,则说明该待验证对象不是目标对象,身份验证失败。当然,此处只是示例性说明,并不代表本申请局限于此。
可选地,在第二个应用场景中,可以对目标对象进行注册,该方法还包括:在对目标对象进行图像采集得到目标对象的目标样本图像后,将目标样本图像确定为目标对象的图像模板,存储目标对象的图像模板,并完成对目标对象的注册。此处,在目标对象的注册过程中,对目标对象进行图像采集得到目标样本图像,将目标样本图像确定为目标对象的图像模板,当然,此处只是示例性说明,如果在注册过程中,已经采集了目标对象的多个样本图像,如果继续采集,则需要根据步骤102-105判断新采集的样本图像是否能够替换已有的图像模板。
此处,第一个应用场景和第二个应用场景是本申请图像模板的更新方法的具体应用场景,图像模板的更新可以是在目标对象的身份验证过程中进行(例如,人脸识别),也可以是在目标对象的注册过程中(例如,人脸注册)进行,在识别或注册的过程中自动更换图像模板,提高图像模板分布的均匀性。
本申请在对目标对象进行识别的过程中,确定目标对象的目标样本图像与第一图像模板之间的相似度,相似度在第一预设范围内时确定目标样本图像为准许学习样本图像,减少目标对象的图像模板中重复的图像模板,还根据目标样本图像分别替换目标对象的每一个图像模板得到对应的均匀性参数来确定目标样本图像是否可以替换目标对象中的图像模板,保证了目标对象中的图像模板分布均匀,保证了目标对象在各个角度都可以被识别,提高了图像识别的准确度和识别率。
实施例二、
基于图1所示的图像模板的更新方法,图5为本申请实施例提供的一种图像模板的更新方法的逻辑框图,如图5所示,该方法包括以下步骤:
步骤501、利用目标对象的图像模板对当前目标样本图像进行识别。
如果识别成功,则表示目标样本图像是目标对象的样本图像,则执行步骤502,如果识别不成功,则结束。在图5对应的实施例中,目标对象可以是人脸。
需要说明的是,在对当前目标采集图像时,可以利用红外摄像装置、散斑投射器、补光器进行图像采集。在识别过程中,利用红外摄像装置拍摄红外图像时,打开红外摄像装置和补光器,关闭散斑投射器,采集红外图像;利用散斑投射器采集散斑图像时,打开散斑投射器,关闭红外摄像装置和补光器,采集散斑图像,通过采集到的散斑图像可以得到深度信息,并将二维的红外图像转换为三维的点云信息。并通过相机外参旋转矩阵计算当前点云的角度。
步骤502、对识别成功的图像模板匹配命中次数加1。
步骤503、判断目标样本图像是否准许学习。
如果目标样本图像与目标对象的正脸图像模板(在本实施例中,第一图像模板为正脸图像模板)之间的相似度在第一预设范围内,则目标样本图像准许学习。
步骤504、计算目标样本图像分别替换目标对象的每一个图像模板并得到对应的整体均匀性参数。
步骤505、判断整体均匀性是否改善。
判断全局均匀性是否改善可以根据步骤102中第一个示例进行判断。如果stdi小于std0,则表示目标样本图像替换目标对象的第i个图像模板之后全局均匀性更好。如果全局均匀性没有改善,则执行步骤506,如果全局均匀性有改善,则执行步骤508。
步骤506、计算目标样本图像分别替换目标对象的每一个图像模板并得到对应的局部均匀性参数。
步骤507、判断局部均匀性参数是否改善。
判断全局均匀性是否改善可以根据步骤102中第二个示例进行判断。如果Pi1小于std01和/或Pi2小于std02,则表示目标样本图像替换目标对象的第i个图像模板之后局部均匀性更好。如果局部均匀性没有改善,则结束,如果局部均匀性有改善,则执行步骤508。
步骤508、在目标对象的至少一个可替换图像模板中确定匹配命中次数最小的图像模板。
步骤509、在目标对象的至少一个匹配命中次数最小的图像模板中将使用时间最长的图像模板作为第二图像模板。
需要说明的是,至少一个可替换图像模板组成替换队列,替换队列中如果只有一个图像模板,则直接将目标样本图像替换该图像模板,如果替换队列中有多个图像模板,则需要根据步骤508进行选择,如果根据步骤508选择后,替换队列中有两个图像模板匹配命中次数相同且均为最小次数,则进一步根据步骤509在这两个图像模板中进行选择。
步骤510、将目标样本图像替换作为目标对象的图像模板并替换第二图像模板。
本申请在对目标对象进行识别的过程中,确定目标对象的目标样本图像与第一图像模板之间的相似度,相似度在第一预设范围内时确定目标样本图像为准许学习样本图像,减少目标对象的图像模板中重复的图像模板,还根据目标样本图像分别替换目标对象的每一个图像模板得到对应的均匀性参数来确定目标样本图像是否可以替换目标对象中的图像模板,保证了目标对象中的图像模板分布均匀,保证了目标对象在各个角度都可以被识别,提高了图像识别的准确度和识别率。
实施例三、
图6为本申请实施例提供的一种图像模板的更新设备的结构图,该图像模板的更新设备60包括:准许学习模块601、均匀性参数模块602和图像模板管理模块603;
其中,准许学习模块601,用于确定目标对象的目标样本图像与目标对象的第一图像模板之间的相似度在第一预设范围内;
均匀性参数模块602,用于在目标对象的图像模板数量等于预设数量时,使用目标样本图像分别替换目标对象的每一个图像模板并得到对应的均匀性参数,均匀性参数用于指示目标样本图像替换目标对象的图像模板后目标对象的图像模板分布的均匀性;
图像模板管理模块603,用于如果目标对象替换第二图像模板后得到的均匀性参数小于预设均匀性数值时,将目标样本图像作为目标对象的图像模板并替换第二图像模板。
实施例四、
图7为本申请实施例提供的电子设备的硬件结构示意图。根据图7所示,电子设备70包括:至少一个处理器701、存储器702及总线703,至少一个处理器701和存储器702通过总线相互连接并完成通信;
存储器702作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的(确定电容屏触摸位置方法)对应的程序指令/模块。至少一个处理器701通过运行存储在存储器702中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中(确定电容屏触摸位置方法)。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据(确定电容屏触摸位置装置)的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器702,还可以包括非易失性存储器702,例如至少一个磁盘存储器702件、闪存器件、或其他非易失性固态存储器702件。在一些实施例中,存储器702可选包括相对于至少一个处理器701远程设置的存储器702,这些远程存储器702可以通过网络连接至(确定电容屏触摸位置装置)。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器702上存储有至少一个程序,至少一个处理器701执行存储器702上存储的程序时,实现本申请实施例所描述的方法。
实施例四、
本申请实施例提供一种存储介质,该存储介质上存储有计算机程序,在至少一个处理器执行计算机程序时,实现本申请实施例所描述的方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括至少一个处理器810、硬盘、内存、***总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微至少一个处理器或至少一个处理器以及存储可由该(微)至少一个处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同至少一个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在至少一个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的至少一个处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的至少一个处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括至少一个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读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。计算机的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。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在至少一个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (20)
1.一种图像模板的更新方法,其特征在于,包括:
对目标对象进行图像采集得到所述目标对象的目标样本图像;
确定所述目标样本图像与所述目标对象的第一图像模板之间的相似度在第一预设范围内,所述目标对象有至少一个图像模板,所述第一图像模板属于所述目标对象的至少一个图像模板;
使用所述目标样本图像分别对所述目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合;
计算所述至少一个预替换模板集合中每一个预替换模板集合的均匀性参数,所述均匀性参数用于指示对应的预替换模板集合中所述目标对象的图像模板分布的均匀性;
如果目标对象替换第二图像模板后得到的预替换模板集合的均匀性参数小于预设均匀性数值时,将所述目标样本图像作为所述目标对象的图像模板并替换所述第二图像模板,所述第二图像模板属于所述目标对象的至少一个图像模板。
2.根据权利要求1所述的方法,其特征在于,将所述目标样本图像分别替换所述目标对象的每一个图像模板并得到对应的均匀性参数,包括:
在所述目标对象的横向转动角度和纵向转动角度的取值范围内均匀得划分至少一个区域;
对于所述目标对象的每一个图像模板,将所述目标样本图像替换所述目标对象的图像模板后,确定分布在每个区域内的图像模板的数量,并计算所有区域的图像模板数量的标准差/方差作为所述均匀性参数。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对于替换前所述目标对象的图像模板,确定分布在每个区域内的图像模板的数量,并计算所有区域的图像模板数量的标准差/方差作为所述预设均匀性数值。
4.根据权利要求2所述的方法,其特征在于,计算所述至少一个区域的图像模板数量的标准差/方差作为所述均匀性参数,包括:
将所述至少一个区域划分为第一部分和第二部分;
计算所述第一部分内所有区域的图像模板数量的标准差/方差除以第一因子后的数值作为所述均匀性参数中的第一参数;
计算所述第二部分内所有区域的图像模板数量的标准差/方差除以第一因子后的数值作为所述均匀性参数中的第二参数。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对于替换前所述目标对象的图像模板,确定分布在每个区域内的图像模板的数量;
计算所述第一部分内所有区域的图像模板数量的标准差/方差作为所述预设均匀性数值中的第一均匀性数值,在所述第一参数小于所述第一均匀性数值时,确定所述均匀性参数小于所述预设均匀性数值;
和/或,计算所述第二部分内所有区域的图像模板数量的标准差/方差作为所述预设均匀性数值中的第二均匀性数值,在所述第二参数小于所述第二均匀性数值时,确定所述均匀性参数小于所述预设均匀性数值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
计算至少一个图像中每一个图像与所述目标对象的图像模板的第一相似度平均值;将第一相似度平均值在第二预设范围内的图像确定为所述目标对象的目标样本图像。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述相似度大于第一阈值并且小于或等于第二阈值时,确定所述目标对象的目标样本图像与所述目标对象的第一图像模板之间的相似度在所述第一预设范围内。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
计算非目标对象的样本图像集合中每一个样本图像与所述目标对象的图像模板的第二相似度平均值,将数值最大的第二相似度平均值确定为所述第一阈值。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述目标样本图像中目标对象的横向转动角度和纵向转动角度;在所述横向转动角度和所述纵向转动角度的平方和在第三预设范围内时,确定所述目标对象的目标样本图像与所述目标对象的第一图像模板之间的相似度在所述第一预设范围内。
10.根据权利要求1所述的方法,其特征在于,使用所述目标样本图像分别对所述目标对象的每一个图像模板进行预替换得到至少一个预替换模板集合,包括:
在确定所述目标对象的图像模板数量等于预设数量时,使用所述目标样本图像分别对所述目标对象的每一个图像模板进行预替换得到所述至少一个预替换模板集合。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标对象的图像模板数量小于预设数量时,将所述目标对象的目标样本图像确定为所述目标对象的图像模板。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标对象的均匀性参数中存在小于预设均匀性数值的均匀性参数时,在所述目标对象的图像模板中,将与所述目标对象替换后得到的均匀性参数最小的图像模板替换为所述目标样本图像。
13.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在与所述目标对象替换后得到的均匀性参数小于所述预设均匀性数值的图像模板中,将与所述目标对象在图像识别过程中匹配命中次数最小的图像模板替换为所述目标样本图像。
14.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在与所述目标对象替换后得到的均匀性参数小于所述预设均匀性数值的图像模板中,将使用时间最长的图像模板替换为所述目标样本图像。
15.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标样本图像与所述目标对象的至少一个图像模板进行匹配;
在所述目标样本图像与所述目标对象的任意一个图像模板匹配成功后,确定所述目标对象身份验证成功。
16.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标样本图像确定为所述目标对象的图像模板,存储所述目标对象的图像模板,并完成对所述目标对象的注册。
17.根据权利要求1-16任一项所述的方法,其特征在于,所述方法还包括:
将所述目标样本图像的二维图像转换为三维点云信息,根据所述三维点云信息通过外参旋转矩阵计算所述目标样本图像中所述目标对象的横向转动角度和纵向转动角度。
18.一种图像模板的更新设备,其特征在于,包括:准许学习模块、均匀性参数模块和图像模板管理模块;
其中,所述准许学习模块,用于在目标对象的图像模板数量等于预设数量时,将目标样本图像分别替换所述目标对象的每一个图像模板并得到对应的均匀性参数,所述均匀性参数用于指示所述目标样本图像替换所述目标对象的图像模板后所述目标对象的图像模板分布的均匀性;
所述均匀性参数模块,用于根据实际对象参考值和实际对象测量值确定第一传感器的校准系数,所述校准系数用于对所述第一传感器检测得到的电信号进行校准;
所述图像模板管理模块,用于如果目标对象替换第二图像模板后得到的均匀性参数小于预设均匀性数值时,将所述目标样本图像作为所述目标对象的图像模板并替换所述第二图像模板。
19.一种电子设备,其特征在于,包括:至少一个处理器、存储器、图像采集模块,所述至少一个处理器、所述存储器和所述图像采集模块通过总线相互连接并完成通信;所述图像采集模块包括红外摄像机和散斑投射器;
所述存储器上存储有至少一个程序,所述至少一个处理器执行所述存储器上存储的程序时,实现如权利要求1-17任一项所述的方法。
20.一种存储介质,其特征在于,包括:所述存储介质上存储有计算机程序,在至少一个处理器执行所述计算机程序时,实现如权利要求1-17任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/108656 WO2021056450A1 (zh) | 2019-09-27 | 2019-09-27 | 图像模板的更新方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112912889A CN112912889A (zh) | 2021-06-04 |
CN112912889B true CN112912889B (zh) | 2024-03-26 |
Family
ID=75165050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980002050.4A Active CN112912889B (zh) | 2019-09-27 | 2019-09-27 | 图像模板的更新方法、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112912889B (zh) |
WO (1) | WO2021056450A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139612A (zh) * | 2021-05-07 | 2021-07-20 | 上海商汤临港智能科技有限公司 | 图像分类方法、分类网络的训练方法和相关产品 |
CN114401440A (zh) * | 2021-12-14 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 视频剪辑及剪辑模型生成方法、装置、设备、程序和介质 |
CN115937629B (zh) * | 2022-12-02 | 2023-08-29 | 北京小米移动软件有限公司 | 模板图像的更新方法、更新装置、可读存储介质及芯片 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021606A (zh) * | 2016-06-21 | 2016-10-12 | 广东欧珀移动通信有限公司 | 一种指纹模板更新方法及终端设备 |
CN106372609A (zh) * | 2016-09-05 | 2017-02-01 | 广东欧珀移动通信有限公司 | 指纹模板更新方法、装置及终端设备 |
KR20170046436A (ko) * | 2015-10-21 | 2017-05-02 | 삼성전자주식회사 | 생체 인증 방법 및 생체 인증 장치 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016206081A1 (zh) * | 2015-06-26 | 2016-12-29 | 宇龙计算机通信科技(深圳)有限公司 | 一种指纹模板更新方法和装置 |
US10769255B2 (en) * | 2015-11-11 | 2020-09-08 | Samsung Electronics Co., Ltd. | Methods and apparatuses for adaptively updating enrollment database for user authentication |
-
2019
- 2019-09-27 WO PCT/CN2019/108656 patent/WO2021056450A1/zh active Application Filing
- 2019-09-27 CN CN201980002050.4A patent/CN112912889B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170046436A (ko) * | 2015-10-21 | 2017-05-02 | 삼성전자주식회사 | 생체 인증 방법 및 생체 인증 장치 |
CN106021606A (zh) * | 2016-06-21 | 2016-10-12 | 广东欧珀移动通信有限公司 | 一种指纹模板更新方法及终端设备 |
CN106372609A (zh) * | 2016-09-05 | 2017-02-01 | 广东欧珀移动通信有限公司 | 指纹模板更新方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021056450A1 (zh) | 2021-04-01 |
CN112912889A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112912889B (zh) | 图像模板的更新方法、设备及存储介质 | |
CN112052789A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
KR102316230B1 (ko) | 이미지 처리 방법 및 장치 | |
CN111523431B (zh) | 一种面部识别的方法、装置及设备 | |
CN109740415A (zh) | 车辆属性识别方法及相关产品 | |
CN108875492B (zh) | 人脸检测及关键点定位方法、装置、***和存储介质 | |
CN110555428B (zh) | 行人重识别方法、装置、服务器以及存储介质 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、***和计算机可读介质 | |
US20140232748A1 (en) | Device, method and computer readable recording medium for operating the same | |
CN111382738A (zh) | 一种指针式仪表的读数方法及装置 | |
KR20220098312A (ko) | 이미지 내 관련 대상 검출 방법, 장치, 디바이스 및 기록 매체 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN111199169A (zh) | 图像处理方法和装置 | |
WO2023015938A1 (zh) | 三维点检测的方法、装置、电子设备及存储介质 | |
CN110909817B (zh) | 分布式聚类方法及***、处理器、电子设备及存储介质 | |
CN108133169A (zh) | 一种针对文本图像的成行处理方法及其装置 | |
CN110059569B (zh) | 活体检测方法和装置、模型评估方法和装置 | |
CN111160251A (zh) | 一种活体识别方法及装置 | |
CN112991441A (zh) | 相机定位方法、装置、电子设备及存储介质 | |
CN112258647B (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
US10551195B2 (en) | Portable device with improved sensor position change detection | |
CN108875901A (zh) | 神经网络训练方法以及通用物体检测方法、装置和*** | |
CN110322139B (zh) | 策略推荐方法及装置 | |
CN115578796A (zh) | 一种活体检测模型的训练方法、装置、设备及介质 | |
CN111753583A (zh) | 一种识别方法及装置 |
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 |