CN113177917A - 一种抓拍图像优选方法、***、设备及介质 - Google Patents
一种抓拍图像优选方法、***、设备及介质 Download PDFInfo
- Publication number
- CN113177917A CN113177917A CN202110450382.8A CN202110450382A CN113177917A CN 113177917 A CN113177917 A CN 113177917A CN 202110450382 A CN202110450382 A CN 202110450382A CN 113177917 A CN113177917 A CN 113177917A
- Authority
- CN
- China
- Prior art keywords
- contour
- point
- points
- correction
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种抓拍图像优选方法、***、设备及介质,该方法通过获取在预设拍摄区域所拍摄的若干张待选择图像,识别待选择图像中的目标对象,及目标对象的识别关键点,确定质量评分参数,根据质量评分参数确定待选择图像的质量评分,并从各待选择图像中确定优选抓拍图像,可以实现在多张待选择图像中确定一张或多张优选抓拍图像,提升抓拍图像的图像质量,解决了智能算法因为抓拍图像质量差而不能产生理想输出效果的问题,提升了抓拍图像的可信度,为后续智能算法使用该抓拍图像产生理想效果做了良好的铺垫,有效的提升了后续依靠该抓拍图像的智能算法的输出结果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种抓拍图像优选方法、***、设备及介质。
背景技术
随着智慧城市的深度推进,越来越多的智能算法的普及、推广、拓展,其中较为典型的算法应用实例有布控告警、以图搜车等等。智能算法基于数据,犹如鱼之于水。
基于不同的算法,需要的数据类型往往不同,如布控告警需要人脸抓拍照,以图搜车则需要车辆抓拍照,可见,对于各种算法来说,抓拍图像往往对于其算法的准确性有关键性的决定作用。但相关技术中,抓拍照往往是基于随机抓拍的方式所拍摄并选取的,可能存在由于该抓拍图像质量低,导致后续智能算法输出效果差,输出结果不理想。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种抓拍图像优选方法、***、设备及介质,以解决上述技术问题。
本发明提供了一种抓拍图像优选方法,包括:
获取在预设拍摄区域所拍摄的若干张待选择图像;
识别所述待选择图像中的目标对象,及所述目标对象的识别关键点;
确定质量评分参数,所述质量评分参数包括纠正特征参数、轮廓参数中至少之一,所述纠正特征参数根据所述识别关键点的识别关键点位置信息和/或所述识别关键点的识别关键点数量确定,所述轮廓参数根据所述识别关键点的识别关键点位置信息和所述识别关键点的识别关键点影响因子确定;
根据所述质量评分参数确定所述待选择图像的质量评分,并从各所述待选择图像中确定优选抓拍图像。
可选的,所述识别关键点包括所述目标对象的纠正特征点,所述识别关键点数量包括所述纠正特征点的纠正特征点数量,所述纠正特征参数的确定方式包括:
获取预设纠正特征点阈值,以及所述待选择图像中所述纠正特征点的纠正特征点数量;
根据所述预设纠正特征点阈值、所述纠正特征点数量确定所述纠正特征参数。
可选的,所述识别关键点包括所述目标对象的纠正特征点和轮廓点,所述纠正特征点位于所述轮廓点所构成的轮廓的内部,所述识别关键点位置信息包括所述纠正特征点的纠正特征点位置信息和所述轮廓点的轮廓位置信息,所述纠正特征参数的确定方式包括:
根据所述纠正特征点位置信息和所述轮廓位置信息确定所述纠正特征参数。
可选的,所述根据所述纠正特征点的纠正特征点位置信息和所述轮廓点的轮廓位置信息确定所述纠正特征参数包括:
通过所述纠正特征点将所述轮廓分割为第一区域和第二区域;
根据所述轮廓位置信息形成轮廓,根据所述轮廓位置信息确定所述轮廓的轮廓面积;
根据所述纠正特征点位置信息和所述轮廓位置信息分别确定第一区域的第一面积和所述第二区域的第二面积;
根据所述第一面积、所述第二面积、所述轮廓面积确定所述纠正特征参数。
可选的,所述识别关键点包括所述目标对象的至少两类纠正特征点,根据每一类所述纠正特征点确定一个纠正特征子参数,根据各所述纠正特征子参数确定所述纠正特征参数。
可选的,所述识别关键点包括所述目标对象的轮廓点,所述识别关键点位置信息包括所述轮廓点的轮廓点位置信息,所述识别关键点影响因子包括所述轮廓点的轮廓点影响因子,所述轮廓参数的确定方式包括:
将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子;
根据所述轮廓点位置信息确定所述轮廓点在所述子拍摄区域的分布信息;
获取所述目标对象的预设轮廓点阈值;
根据所述分布信息、所述子拍摄区域影响因子、所述轮廓点影响因子、所述预设轮廓点阈值确定所述轮廓参数。
可选的,若所述质量评分参数包括所述纠正特征参数和所述轮廓参数,所述根据所述质量评分参数确定所述待选择图像的质量评分包括:
其中,P为质量评分,A为轮廓参数,B为纠正特征参数,E为预设纠正常量,N为预设轮廓点阈值。
可选的,所述目标对象包括人脸,所述识别关键点包括人脸轮廓点和至少两个面部特征点,所述质量评分的确定方式包括:
通过所述面部特征点将所述人脸轮廓点构成的人脸轮廓分割为第一人脸区域和第二人脸区域;
分别确定所述第一人脸区域的第一人脸区域面积、所述第二人脸区域的第二人脸面积、所述人脸轮廓的人脸轮廓面积;
将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子;
根据所述人脸轮廓点的人脸轮廓点位置信息确定所述人脸轮廓点在所述子拍摄区域的分布信息;
获取预设纠正常量、预设人脸轮廓点阈值和所述人脸轮廓点的人脸轮廓点影响因子;
其中,P为质量评分,WDi为第i个子拍摄区域影响因子,Wsj为位于第i个子拍摄区域的第j个人脸轮廓点的人脸轮廓点影响因子,E为预设纠正常量,Sum(Dj)为预设人脸轮廓点阈值,S1l为第一人脸区域面积,S1r为第二人脸区域面积,S1为人脸轮廓面积。
可选的,所述目标对象包括车辆,所述识别关键点包括车辆轮廓点和车牌中标识信息,所述质量评分的确定方式包括:
将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子;
根据所述车辆轮廓点的车辆轮廓点位置信息确定所述车辆轮廓点在所述子拍摄区域的分布信息;
获取所述待选择图像中所述标识信息的标识信息数量;
获取预设纠正常量、预设车辆轮廓点阈值和所述车辆轮廓点的车辆轮廓点影响因子;
其中,P为质量评分,WDi为第i个子拍摄区域影响因子,Wsj为位于第i个子拍摄区域的第j个车辆轮廓点的车辆轮廓点影响因子,E为预设纠正常量,Sum(Dj)为预设车辆轮廓点阈值,N为预设标识信息阈值,X为标识信息数量。
本发明还提供了一种抓拍图像优选***,包括:
获取模块,用于获取在预设拍摄区域所拍摄的若干张待选择图像;
识别模块,用于识别所述待选择图像中的目标对象,及所述目标对象的识别关键点;
质量评分参数确定模块,用于确定质量评分参数,所述质量评分参数包括纠正特征参数、轮廓参数中至少之一,所述纠正特征参数根据所述识别关键点的识别关键点位置信息和/或所述识别关键点的识别关键点数量确定,所述轮廓参数根据所述识别关键点的识别关键点位置信息和所述识别关键点的识别关键点影响因子确定;
优选抓拍图像确定模块,用于根据所述质量评分参数确定所述待选择图像的质量评分,并从各所述待选择图像中确定优选抓拍图像。
可选的,所述质量评分参数确定模块包括纠正特征参数确定模块、轮廓参数确定模块中至少之一,所述纠正特征参数确定模块包括第一纠正特征参数确定子模块和/或第二纠正特征参数确定子模块;
若所述识别关键点包括所述目标对象的轮廓点,所述识别关键点位置信息包括所述轮廓点的轮廓点位置信息,所述识别关键点影响因子包括所述轮廓点的轮廓点影响因子,所述轮廓参数确定模块用于将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子,根据所述轮廓点位置信息确定所述轮廓点在所述子拍摄区域的分布信息,获取所述目标对象的预设轮廓点阈值,根据所述分布信息、所述子拍摄区域影响因子、所述轮廓点影响因子确定所述轮廓参数;
若所述识别关键点包括所述目标对象的纠正特征点,所述识别关键点数量包括所述纠正特征点的纠正特征点数量,所述第一纠正特征参数确定子模块用于获取预设纠正特征点阈值,以及所述待选择图像中所述纠正特征点的纠正特征点数量,根据所述预设纠正特征点阈值、所述纠正特征点数量确定所述纠正特征参数;
若所述识别关键点包括所述目标对象的纠正特征点和轮廓点,所述纠正特征点位于所述轮廓点所构成的轮廓的内部,所述识别关键点位置信息包括所述纠正特征点的纠正特征点位置信息和所述轮廓点的轮廓位置信息,所述第二纠正特征参数确定子模块用于根据所述纠正特征点位置信息和所述轮廓位置信息确定所述纠正特征参数。
本发明还提供了一种电子设备,包括处理器、存储器和通信总线;
所述通信总线用于将所述处理器和存储器连接;
所述处理器用于执行所述存储器中存储的计算机程序,以实现如上述任一项实施例所述的方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于使所述计算机执行如上述任一项实施例所述的方法。
本发明的有益效果:
本发明提供了一种抓拍图像优选方法、***、设备及介质,该方法通过获取在预设拍摄区域所拍摄的若干张待选择图像,识别待选择图像中的目标对象,及目标对象的识别关键点,确定质量评分参数,根据质量评分参数确定待选择图像的质量评分,并从各待选择图像中确定优选抓拍图像,可以实现在多张待选择图像中确定一张或多张优选抓拍图像,提升抓拍图像的图像质量,解决了智能算法因为抓拍图像质量差而不能产生理想输出效果的问题,提升了抓拍图像的可信度,为后续智能算法使用该抓拍图像产生理想效果做了良好的铺垫,有效的提升了后续依靠该抓拍图像的智能算法的输出结果。
附图说明
图1为实施例一提供的抓拍图像优选方法的一种流程示意图。
图2为选定的预设拍摄区域的一种示意图。
图3为将图2中的预设拍摄区域划分为若干个子拍摄区域的一种示意图。
图4为目标对象的一种示意图。
图5为抓拍场景的一种示意图。
图6为将图5中的抓拍场景划分为若干个子拍摄区域的一种示意图。
图7为人脸轮廓点的一种示意图。
图8为人脸轮廓点的另一种示意图。
图9为抓拍场景的另一种示意图。
图10为将图9中的抓拍场景划分为若干个子拍摄区域的一种示意图。
图11为将车辆轮廓点的一种示意图。
图12为将车辆轮廓点的另一种示意图。
图13为实施例一提供的抓拍图像优选方法的一种具体的流程示意图。
图14为实施例一提供的质量评分的一种确定方法的一种流程示意图。
图15为实施例二提供的抓拍图像优选***的一种结构示意图。
图16为一实施例提供的设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
实施例一
如图1所示,本实施例中的抓拍图像优先方法包括:
S101:获取在预设拍摄区域所拍摄的若干张待选择图像。
可选的,预设拍摄区域可以是预先设定的任意区域,待选择图像可以是由同一个拍摄设备所拍摄的图像,也可以是由多个拍摄设备基于相似的视角所拍摄的图像。
可选的,若干张待选择图像可以是某一抓拍机所抓拍的若干张图像,由于抓拍机在抓拍过程中仅是根据预设指令或者随机抓拍,所得到的多张图像的质量参差不齐,故以多张图像作为待选择图像可以从中选择出图像质量较优选的一张或多张图像,以供后续分析使用。
可选的,若干张待选择图像也可以是由一段视频所得到的若干张视频帧。
在一些实施例中,在从原始图像集中获取待选择图像之前,还可以对原始图像集进行筛选,将分辨率低于预设分辨率阈值的图像筛除。
S102:识别待选择图像中的目标对象,及目标对象的识别关键点。
可选的,对于目标对象的识别可以采用本领域的相关技术手段实现,在此不做限定。
可选的,目标对象的识别关键点可以是预先设置的针对于该目标对象的一系列关键点,不同类别的目标对象可以有不同的关键点。同一类别的目标对象使用同一分布逻辑的关键点系列作为识别关键点。当类别均属于人脸时,以目标对象包括人脸为例,识别关键点可以是人脸图像的若干个人脸轮廓点,则不论在若干张待选择图像中包括多少个人的人脸,其识别关键点均为这些人的若干个人脸轮廓点,与这个人是方脸、圆脸、瓜子脸等脸型不相关。当然,上述是以人脸为一类示例性的说明识别关键点,类别的分类方式还可以是本领域技术人员所需要的其他方式,例如,以方形人脸、圆形人脸等方式细分类别。
可选的,识别关键点还可以是目标对象的除轮廓点外的其他纠正特征点,这些特征点可以是基于目标对象的轮廓所确定,例如目标对象是人脸时,纠正特征点可以是面部特征点,如鼻子上的某一特征点、嘴唇中部的特征点、两条眉毛之间中部的特征点等等。纠正特征点也可以是基于目标对象轮廓内的某一图案所确定,例如,目标对象是篮球,纠正特征点是篮球上的商标图案、打气孔等。纠正特征点也可以根据目标对象轮廓内的图像进行识别,例如,目标对象为车辆,纠正特征点为车牌中标识信息,也即车牌号码,车牌号码包括文字、字母、数字中至少之一,此时,每一位车牌号码都构成了一个纠正特征点。纠正特征点还可以是其他能够表征待选择图像对于后续处理有影响的特征点,在此不做限定。
可选的,本实施例中,对于待选择图像中的目标对象的识别为同一类别的目标对象的识别,也即,不同待选择图像或相同待选择图像中的各个目标对象的关键识别点均是基于同一维度所确定的。
S103:确定质量评分参数。
可选的,质量评分参数包括纠正特征参数、轮廓参数中至少之一。
其中,纠正特征参数根据识别关键点的识别关键点位置信息和/或识别关键点的识别关键点数量确定。轮廓参数根据识别关键点的识别关键点位置信息和识别关键点的识别关键点影响因子确定。
在一些实施例中,识别关键点包括目标对象的纠正特征点,识别关键点数量包括纠正特征点的纠正特征点数量,纠正特征参数的确定方式包括:
获取预设纠正特征点阈值,以及待选择图像中纠正特征点的纠正特征点数量;
根据预设纠正特征点阈值、纠正特征点数量确定纠正特征参数。
可选的,预设纠正特征点阈值可以由本领域技术人员根据需要预先设定。
可选的,不同类别的目标对象可以具有不同的纠正特征点阈值,例如,当纠正特征点为车牌号码时,则预设纠正特征点阈值可以是7。通常情况下,预设纠正特征点阈值大于或等于可以从待选择图像中所确定的纠正特征点的最大数量。
可选的,对于车牌号码识别,可以通过对目标对象的图像进行语义识别等方式实现,在此不做限定。
可选的,纠正特征参数的一种确定方式可以为:
纠正特征参数=纠正特征点数量/预设纠正特征点阈值。
在一些实施例中,识别关键点包括目标对象的纠正特征点和轮廓点,纠正特征点位于轮廓点所构成的轮廓的内部,识别关键点位置信息包括纠正特征点的纠正特征点位置信息和轮廓点的轮廓位置信息,纠正特征参数的确定方式包括:
根据纠正特征点位置信息和轮廓位置信息确定纠正特征参数。
可选的,有时对于目标对象在待选择图像中的角度有一定要求,此时可以通过采集位于轮廓内部的一个或多个纠正特征点位置信息来确定目标对象的偏转情况作为纠正特征参数,进而选择所需要的偏转角度的目标对象所在的待选择图像作为优选抓拍图像。可选的,根据纠正特征点位置信息、轮廓位置信息确定偏转情况的具体方式可以采用本领域的相关技术方式实现。
在一些实施例中,根据纠正特征点的纠正特征点位置信息和轮廓点的轮廓位置信息确定纠正特征参数包括:
通过纠正特征点将轮廓分割为第一区域和第二区域;
根据轮廓位置信息形成轮廓,根据轮廓位置信息确定轮廓的轮廓面积;
根据纠正特征点位置信息和轮廓位置信息分别确定第一区域的第一面积和第二区域的第二面积;
根据第一面积、第二面积、轮廓面积确定纠正特征参数。
可选的,可以根据第一面积、第二面积分别占比轮廓面积的情况,来确定当前目标对象的偏转情况。例如,若纠正特征点为鼻子特征点,通常情况下,鼻子位于人脸的中线位置(不考虑人脸存在一定非对称误差),则通过鼻子特征点将人脸轮廓分割为第一区域和第二区域,若人脸无偏转,则第一面积、第二面积分别占比轮廓面积的比例应当是相同的,若人脸发生了一定角度的偏转,则对应的第一面积、、第二面积分别占比轮廓面积的比例则不相同,基于此,可以确定纠正特征参数。且通过分析,可以进一步得到目标对象当前偏转的情况,本领域技术人员进而可以根据实际需要确定优选抓拍图像。
在一些实施例中,识别关键点包括目标对象的至少两类纠正特征点,根据每一类纠正特征点确定一个纠正特征子参数,根据各纠正特征子参数确定纠正特征参数。
可选的,对于某一目标对象,可以有多个维度来确定纠正特征点,此时,可以对每一类纠正特征点确定对应的一个纠正特征子参数,进而根据各个纠正特征子参数来确定纠正特征参数。例如,目标对象为车辆,则可以提取车辆的车牌号码、车标两个维度作为纠正特征点,假设某一待选择图像中的车辆既包括车牌又包括车标,则分别对车牌和车标求得纠正特征子参数,然后再以各纠正特征子参数的平均数或根据各纠正特征子参数影响因子所确定的加权平均数、各纠正特征子参数之和等值作为纠正特征参数。
可选的,纠正特征子参数记为Ci,共有n个纠正特征子参数,一种纠正特征参数B的确定方式如下:
可选的,纠正特征子参数记为Ci,共有n个纠正特征子参数,由于不同类别的纠正特征点的重要程度可能存在差异,可以通过对每一类纠正特征点对应设置一个纠正特征影响因子Mi来对纠正参数进行调整,也即,纠正特征参数可以根据各纠正特征子参数、纠正特征子参数所对应的纠正特征影响因子来确定,另一种纠正特征参数B的确定方式如下:
可选的,还可以预先对应各个纠正特征子参数设置有预设纠正常量,各个预设纠正常量之间可以相同也可以不同,在此不做限定,此时,纠正特征参数可以根据各纠正特征子参数、纠正特征子参数所对应的纠正特征影响因子和预设纠正常量来确定,此部分可以参见图14中关于纠正特征参数的确定过程。
在一些实施例中,识别关键点包括目标对象的轮廓点,识别关键点位置信息包括轮廓点的轮廓点位置信息,识别关键点影响因子包括轮廓点的轮廓点影响因子,轮廓参数的确定方式包括:
将预设拍摄区域划分为至少两个子拍摄区域,并确定子拍摄区域的子拍摄区域影响因子;
根据轮廓点位置信息确定轮廓点在子拍摄区域的分布信息;
获取目标对象的预设轮廓点阈值;
根据分布信息、子拍摄区域影响因子、轮廓点影响因子、预设轮廓点阈值确定轮廓参数。
可选的,轮廓点影响因子可以由本领域技术人员预先设定好,例如预想将某一类目标对象的某一位置的轮廓点所对应的轮廓点影响因子设置为M,则每一个属于该类别的目标对象的位于该位置的轮廓点的轮廓点影响因子均为M。每一个轮廓点影响因子可以是相同的,也可以是不同的,根据其对后续分析的影响重要程度确定适合的轮廓点影响因子。
类似的,子拍摄区域影响因子的确定方式与轮廓点影响因子的确定方式类似,在此不做赘述。
可选的,轮廓点影响因子包括轮廓点权重,子拍摄区域影响因子包括子拍摄区域权重。
可选的,子拍摄区域影响因子可以根据目标对象的移动方向、子拍摄区域距离拍摄设备间的距离、子拍摄区域的亮度、子拍摄区域的非目标对象数量等中至少之一确定。
可选的,子拍摄区域的划分方式可以由本领域技术人员根据需要设定,或本领域相关技术方式实现,在此不做限定。
可选的,分布信息可以根据轮廓点位置信息和子拍摄区域位置信息来确定,可以实现确定某一轮廓点位于哪一个子拍摄区域。
可选的,预设轮廓点阈值可以由本领域技术人员根据需要设定。
可选的,预设轮廓点阈值不小于任意待选择图像中的目标对象所可以识别到的最多的轮廓点数量。
可选的,通过各个轮廓点影响因子与其所对应的子拍摄区域影响因子之积之和,与预设轮廓点阈值之商来确定轮廓参数。这样轮廓参数可以表征目标对象的轮廓点分布在“重点”子拍摄区域的程度,通常来说,越多的轮廓点分布在“重点”子拍摄区域,则该待选择图像越有可能为优选抓拍图像。
可选的,一种轮廓参数的确定方式如下:
其中,A为轮廓参数,WFi为第i个子拍摄区域影响因子,WGj为位于第i个子拍摄区域的第j个轮廓点的人脸轮廓点影响因子,Sum(Fj)为预设轮廓点阈值。
在一些实施例中,在确定纠正特征参数后,还可以通过预设的预设纠正常量对纠正特征参数进行调整,用调整后的纠正特征参数对原有纠正特征参数进行更新,进而确定质量评分参数。
假设调整后的纠正特征参数记为C,原有纠正特征参数记为B,预设纠正常量记为E,其中,E一般在0~1之间,视该类纠正特征点的影响因子而定,纠正特征点的影响因子对抓拍分析的影响越大,则E越大,则有:C=B*E。
在一些实施例中,若质量评分参数包括纠正特征参数和轮廓参数,根据质量评分参数确定待选择图像的质量评分包括:
其中,P为质量评分,A为轮廓参数,B为纠正特征参数,E为预设纠正常量,N为预设轮廓点阈值。
S104:根据质量评分参数确定待选择图像的质量评分,并从各待选择图像中确定优选抓拍图像。
可选的,可以直接以轮廓参数作为质量评分,也可以直接以纠正特征参数作为质量评分,还可以是结合轮廓参数与纠正特征参数作为质量评分,分别确定若干张待选择图像的质量评分,取质量评分最高的一张或多张作为优选抓拍图像,或者取质量评分大于预设质量评分阈值的至少一张待选择图像作为优选抓拍图像。
现有的抓拍策略无法保证抓拍图像一定是最优的,甚至有部分抓拍图像无法达到算法的准入标准,进而使得智能算法无法产生理想的计算结果。通过本实施例提供的一种抓拍图像优选的策略,解决了智能算法因为数据较差而无法产生理想计算效果的问题。下面通过一个具体的实施例示例性的说明本实施例提供的一种抓拍图像优选方法,以下以人体抓拍为例,该方法包括:
S201:选定抓拍机场景。
抓拍场景也即拍摄区域,如图2所示,为选定的一个预设拍摄区域。
S202:划分子拍摄区域权重。
针对目标对象可能现在预设拍摄区域的不同位置,将预设拍摄区域进行划分为若干个子拍摄区域,如图3所示。需要说明的是,此处只采用了较为简单的划分方式,具体划分可以根据需求采取不同的方式,如等距线划分等。显然,目标对象出现在不同子拍摄区域,对我们的抓拍是有一定影响的,因此对于目标对象出现的不同子拍摄区域,我们对子拍摄区域设置有对应的权重,记为WSi(子拍摄区域i的权重),具体的子拍摄区域权重与子拍摄区域划分可依据不同的抓拍机场景来设置,针对上述场景,我们可以预先设定:
WS4=WS6>WS1>WS3>WS5>WS2。
S203:目标对象模型定点。
可选的,通过获取基于上述抓拍机场景所拍摄的若干张抓拍照一候选抓拍照,将抓拍照中的目标对象的轮廓点作为评判抓拍照是否为优选抓拍照的关键因素之一,轮廓点记为Dj,每个轮廓点的权重记为WDj。其中,一种目标对象可以如图4所示。
S204:确定纠正特征参数。
考虑到其他较为关键的因素对抓拍的影响,如人脸的偏转角度,车辆的车牌照是否清晰等等,我们定义一个纠正特征参数去确定这些因素对抓拍的影响,记为Ci。纠正特征参数根据不同的目标对象可以有不同的确定方式。
S205:确定各抓拍照的质量评分P。
S206:确定优选抓拍照。
可选的,确定目标对象在每个抓拍照的质量评分P1、P2、P3…Pn,比较后即可得出最优抓拍照。
当前抓拍机基于每N帧产生一个抓拍照,而在最后的候选抓拍照(待选择图像)选取中,无法得出一个较为优质的抓拍照。本实施例提供的抓拍图像优选方法可以实现对候选抓拍照的优选,解决目标对象在视频监控等拍摄设备下有较好位置却产生较差抓拍的问题,为后续数据的应用,算法产生的效果做良好地铺垫。
在一些实施例中,目标对象包括人脸,识别关键点包括人脸轮廓点和至少两个面部特征点,质量评分的确定方式包括:
通过面部特征点将人脸轮廓点构成的人脸轮廓分割为第一人脸区域和第二人脸区域;
分别确定第一人脸区域的第一人脸区域面积、第二人脸区域的第二人脸面积、人脸轮廓的人脸轮廓面积;
将预设拍摄区域划分为至少两个子拍摄区域,并确定子拍摄区域的子拍摄区域影响因子;
根据人脸轮廓点的人脸轮廓点位置信息确定人脸轮廓点在子拍摄区域的分布信息;
获取预设纠正常量、预设人脸轮廓点阈值和人脸轮廓点的人脸轮廓点影响因子;
其中,P为质量评分,WDi为第i个子拍摄区域影响因子,Wsj为位于第i个子拍摄区域的第j个人脸轮廓点的人脸轮廓点影响因子,E为预设纠正常量,Sum(Dj)为预设人脸轮廓点阈值,S1l为第一人脸区域面积,S1r为第二人脸区域面积,S1为人脸轮廓面积。
下面,以目标对象包括人脸为例,示例性说明本实施提供的抓怕图像优选方法,该方法包括:
S301:选定抓拍场景并划分子拍摄区域。
可选的,一种抓拍场景如图5所示,划分的子拍摄区域如图6所示。
由上述图5和图6所示的图片可以看出,人脸相机的设置位置较为合理,且抓拍范围内没有明显不合适的区域,人脸出现在各个点位均可以看清,因此划分子拍摄区域时,子拍摄区域的权重差距应尽量缩小。考虑到各区域离抓拍摄像头的远近,如设置子拍摄区域权重为WS1=1,WS2=0.98,WS3=0.96。
S302:确定人脸轮廓点以及人脸轮廓点权重。
针对人脸轮廓,我们选定N个人脸轮廓点,保证可以大致勾勒出人脸的形状,如下图7和图8所示,每个人脸轮廓点的权重设置为1。
S303:确定纠正特征参数。
由于目标人脸的角度对抓拍优选的影响较大,纠正变量应当着重考虑角度的影响,根据目标所含有可以较为明显区分偏转角度的特征,如鼻子等,去给定纠正特征参数根据鼻子的特征定点形成的线段,延长后切割轮廓点形成的面积如图8所示,左侧记为Sl,右侧记为Sr,整个轮廓点构成的面积记为S,那么纠正特征参数预设纠正常量E,其中纠正常量E一般在0~1之间,视影响因子而定,影响因子对抓拍的影响越大,则E越大,进而得到纠正变量以纠正变量C更新纠正特征参数,作为质量评分参数之一。
S304:确定质量评分。
基于上述条件,假设第一待选择图像中有M1个轮廓点出现在区域1,N-M1个轮廓点出现在区域2,第二待选择图像有M2个轮廓点出现在区域2,N-M2个轮廓点出现在区域3,第一待选择图像的轮廓点构成的面积为S1,左侧记为S1l,右侧记为S1r,第二待选择图像的轮廓点构成的面积为S2,左侧记为S2l,右侧记为S2r,那么分别确定出第一待选择图像质量评分P1,第二待选择图像质量评分P2:
S305:确定优选抓拍图像。
比较P1和P2的大小,即可得出第一待选择图像与第二待选择图像中抓拍较优的一张作为优选抓拍图像。
可以知晓的是,以上以两张待选择图像为例示例性说明,本领域技术人员根据上述思想可以实现多张待选择图像中确定一张或多张优选抓拍图像。
在一些实施例中,目标对象包括车辆,识别关键点包括车辆轮廓点和车牌中标识信息,质量评分的确定方式包括:
将预设拍摄区域划分为至少两个子拍摄区域,并确定子拍摄区域的子拍摄区域影响因子;
根据车辆轮廓点的车辆轮廓点位置信息确定车辆轮廓点在子拍摄区域的分布信息;
获取待选择图像中标识信息的标识信息数量;
获取预设纠正常量、预设车辆轮廓点阈值和车辆轮廓点的车辆轮廓点影响因子;
其中,P为质量评分,WDi为第i个子拍摄区域影响因子,Wsj为位于第i个子拍摄区域的第j个车辆轮廓点的车辆轮廓点影响因子,E为预设纠正常量,Sum(Dj)为预设车辆轮廓点阈值,N为预设标识信息阈值,X为标识信息数量。
可选的,车牌中标识信息包括车牌号码。有时由于存在异物的遮挡,使得不是每一张抓拍图像中都能够提取到全部的车牌号码,比如存在飞鸟、蝴蝶、或者是路边的树枝的枝丫、花坛草叶等的遮挡,使得部分车牌号码被遮挡。当然,标识信息还可以是其他信息,上述仅仅是以车牌号码为例,做示例性说明。
下面通过一个具体的实施例示例性的说明本实施例提供的一种抓拍图像优选方法,以下以车辆抓拍为例,该方法包括:
S401:选定抓拍场景并划分子拍摄区域。
可选的,抓拍场景也即预设拍摄区域,如图9所示,图9所示的区域为预设拍摄区域。参见图10,图10为对预设拍摄区域的一种子拍摄区域划分的方法,可见,预设拍摄区域划分为1、2、3、4四个区域。
考虑到机动车车牌对机动车抓拍具有较大影响,因此划分区域时可注意,离抓拍点位较近的区域可设置较高权重,Ws4=1,WS3=0.99,WS2=0.96,WS2=0.94。
S402:确定车辆轮廓点及车辆轮廓点权重。
针对机动车,存在较多车型,如轿车、公交车、货车等等。可选的,采用8个轮廓点,如图11和图12所示。预设8个车辆轮廓点权重均为1,理论上最多可以在同一张待选择图像中确定7个车辆轮廓点权重。
S403:确定纠正特征参数。
由于机动车车牌号码对于抓拍照来说是一个至为关键的因素之一,因此,纠正特征参数应当围绕着车牌号码进行定义与确定。
假设机动车车牌号码共N位字符,识别出的目标对象的车牌号码共X位,那么给定纠正特征参数预设纠正常量E,其中预设纠正常量E在0~1之间,应当尽量接近1,由此可以确定纠正变量以纠正变量C更新纠正特征参数,作为质量评分参数之一。
S404:确定质量评分。
基于上述条件,同一目标对象在不同时刻的抓拍得到第一车辆抓拍图像和第二车辆抓拍图像,其中第一车辆抓拍图像有5个轮廓点出现在区域3,2个轮廓点出现在区域1,第二车辆抓拍图像有2个轮廓点出现在区域1,5个轮廓点出现在区域2。第一车辆抓拍图像中有6位车牌号码清晰可见,第二车辆抓拍图像中,由于存在其他车辆等的遮挡,或者抓拍时存在行人经过,或由于路边的树枝、突然飞过的小鸟、气球等存在遮挡的情况,有5位车牌号码清晰可见,由此得出:
S405:确定优选抓拍图像。
比较P3和P4的大小,即可得出第一车辆抓拍图像与第二车辆抓拍图像中抓拍较优的一张作为优选抓拍图像。
可以知晓的是,以上以两张车辆抓拍图像为例示例性说明,本领域技术人员根据上述思想可以实现多张待选择图像中确定一张或多张优选抓拍图像。
可选的,目标对象还可以是非机动车,从包括非机动车的若干张待选择图像中确定优选抓拍图像的方式与上述目标对象为非机动车的方式相似,在此不再赘述。
可选的,目标对象还可以是人体,从包括人体的若干张待选择图像中确定优选抓拍图像的方式与上述目标对象为人脸的方式相似,在此不再赘述。
在一些实施例中,参见图13,图13示出了一种抓拍图像优选的方法,包括:
S1301:确定预设拍摄区域。
可选的,可以通过确定抓拍场景来确定预设拍摄区域。
S1302:划分预设拍摄区域并设置子拍摄区域权重。
S1303:目标对象轮廓定点并设置轮廓点权重。
S1304:获取若干张在预设拍摄区域拍摄的待选择图像。
S1305:分别确定各待选择图像的质量评分。
S1306:确定优选抓拍图像。
其中,步骤S1305分别确定各待选择图像的质量评分的一种确定方式可以参见图14,通过分别获取子拍摄区域权重、轮廓点位置信息、轮廓点权重,可以确定轮廓参数;分别获取多类别的纠正特征点对应的纠正特征子参数、以及该类别的纠正特征子参数所对应的预设纠正常量、以及该类别的纠正特征参数所对应的影响因子确定纠正特征参数,进而根据轮廓参数、纠正特征参数确定质量评分。
本实施例提供的抓拍图像优选方法,通过获取在预设拍摄区域所拍摄的若干张待选择图像,识别待选择图像中的目标对象,及目标对象的识别关键点,确定质量评分参数,根据质量评分参数确定待选择图像的质量评分,并从各待选择图像中确定优选抓拍图像,可以实现在多张待选择图像中确定一张或多张优选抓拍图像,提升抓拍图像的图像质量,解决了智能算法因为抓拍图像质量差而不能产生理想输出效果的问题,提升了抓拍图像的可信度,为后续智能算法使用该抓拍图像产生理想效果做了良好的铺垫,有效的提升了后续依靠该抓拍图像的智能算法的输出结果。
实施例二
参见图15,本发明实施例还提供了一种抓拍图像优选***,包括:
获取模块1501,用于获取在预设拍摄区域所拍摄的若干张待选择图像;
识别模块1502,用于识别待选择图像中的目标对象,及目标对象的识别关键点;
质量评分参数确定模块1503,用于确定质量评分参数,质量评分参数包括纠正特征参数、轮廓参数中至少之一,纠正特征参数根据识别关键点的识别关键点位置信息和/或识别关键点的识别关键点数量确定,轮廓参数根据识别关键点的识别关键点位置信息和识别关键点的识别关键点影响因子确定;
优选抓拍图像确定模块1504,用于根据质量评分参数确定待选择图像的质量评分,并从各待选择图像中确定优选抓拍图像。
在一些实施例中,质量评分参数确定模块包括纠正特征参数确定模块、轮廓参数确定模块中至少之一,纠正特征参数确定模块包括第一纠正特征参数确定子模块和/或第二纠正特征参数确定子模块;
若识别关键点包括目标对象的轮廓点,识别关键点位置信息包括轮廓点的轮廓点位置信息,识别关键点影响因子包括轮廓点的轮廓点影响因子,轮廓参数确定模块用于将预设拍摄区域划分为至少两个子拍摄区域,并确定子拍摄区域的子拍摄区域影响因子,根据轮廓点位置信息确定轮廓点在子拍摄区域的分布信息,获取目标对象的预设轮廓点阈值,根据分布信息、子拍摄区域影响因子、轮廓点影响因子确定轮廓参数;
若识别关键点包括目标对象的纠正特征点,识别关键点数量包括纠正特征点的纠正特征点数量,第一纠正特征参数确定子模块用于获取预设纠正特征点阈值,以及待选择图像中纠正特征点的纠正特征点数量,根据预设纠正特征点阈值、纠正特征点数量确定纠正特征参数;
若识别关键点包括目标对象的纠正特征点和轮廓点,纠正特征点位于轮廓点所构成的轮廓的内部,识别关键点位置信息包括纠正特征点的纠正特征点位置信息和轮廓点的轮廓位置信息,第二纠正特征参数确定子模块用于根据纠正特征点位置信息和轮廓位置信息确定纠正特征参数。
在本实施例中,该抓拍图像优选***执行上述任一实施例所述的抓拍图像优选方法,具体功能和技术效果参照上述实施例即可,此处不再赘述。
请参阅图16,本申请实施例还提供了一种电子设备1600,该电子设备1600包括处理器1601、存储器1602和通信总线1603;
所述通信总线1603用于将所述处理器1601和存储器1602连接;
所述处理器1601用于执行所述存储器1602中存储的计算机程序,以实现如上述任一实施例所述的抓拍图像优选方法。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的实施例一所包含步骤的指令(instructions)。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序用于使所述计算机执行如实施例一中任一个所述的抓拍图像优选方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
在上述实施例的对应附图中,连接线可以表示各个部件之间的连接关系,以表示更多的构成信号路径(constituent_signal path)和/或一些线的一个或多个末端具有箭头,以表示主要信息流向,连接线作为一种标识,不是对方案本身的限制,而是结合一个或多个事例性实施例使用这些线有助于更容易地接电路或逻辑单元,任何所代表的信号(由设计需求或偏好所决定)实际上可以包括可以在任意一个方向传送的并且可以以任何适当类型的信号方案实现的一个或多个信号。
在上述实施例中,除非另外规定,否则通过使用“第一”、“第二”等序号对共同的对象进行描述,只表示其指代相同对象的不同实例,而非是采用表示被描述的对象必须采用给定的顺序,无论是时间地、空间地、排序地或任何其他方式。
在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。如果说明书描述了部件、特征、结构或特性“可以”、“或许”或“能够”被包括,则该特定部件、特征、结构或特性“可以”、“或许”或“能够”被包括,则该特定部件、特征、结构或特性不是必须被包括的。如果说明书或权利要求提及“一”元件,并非表示仅有一个元件。如果说明书或权利要求提及“一另外的”元件,并不排除存在多于一个的另外的元件。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
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。
本发明可用于众多通用或专用的计算***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
本发明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任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发明,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任务。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。
Claims (13)
1.一种抓拍图像优选方法,其特征在于,包括:
获取在预设拍摄区域所拍摄的若干张待选择图像;
识别所述待选择图像中的目标对象,及所述目标对象的识别关键点;
确定质量评分参数,所述质量评分参数包括纠正特征参数、轮廓参数中至少之一,所述纠正特征参数根据所述识别关键点的识别关键点位置信息和/或所述识别关键点的识别关键点数量确定,所述轮廓参数根据所述识别关键点的识别关键点位置信息和所述识别关键点的识别关键点影响因子确定;
根据所述质量评分参数确定所述待选择图像的质量评分,并从各所述待选择图像中确定优选抓拍图像。
2.如权利要求1所述的抓拍图像优选方法,其特征在于,所述识别关键点包括所述目标对象的纠正特征点,所述识别关键点数量包括所述纠正特征点的纠正特征点数量,所述纠正特征参数的确定方式包括:
获取预设纠正特征点阈值,以及所述待选择图像中所述纠正特征点的纠正特征点数量;
根据所述预设纠正特征点阈值、所述纠正特征点数量确定所述纠正特征参数。
3.如权利要求1所述的抓拍图像优选方法,其特征在于,所述识别关键点包括所述目标对象的纠正特征点和轮廓点,所述纠正特征点位于所述轮廓点所构成的轮廓的内部,所述识别关键点位置信息包括所述纠正特征点的纠正特征点位置信息和所述轮廓点的轮廓位置信息,所述纠正特征参数的确定方式包括:
根据所述纠正特征点位置信息和所述轮廓位置信息确定所述纠正特征参数。
4.如权利要求3所述的抓拍图像优选方法,其特征在于,所述根据所述纠正特征点的纠正特征点位置信息和所述轮廓点的轮廓位置信息确定所述纠正特征参数包括:
通过所述纠正特征点将所述轮廓分割为第一区域和第二区域;
根据所述轮廓位置信息形成轮廓,根据所述轮廓位置信息确定所述轮廓的轮廓面积;
根据所述纠正特征点位置信息和所述轮廓位置信息分别确定第一区域的第一面积和所述第二区域的第二面积;
根据所述第一面积、所述第二面积、所述轮廓面积确定所述纠正特征参数。
5.如权利要求1所述的抓拍图像优选方法,其特征在于,所述识别关键点包括所述目标对象的至少两类纠正特征点,根据每一类所述纠正特征点确定一个纠正特征子参数,根据各所述纠正特征子参数确定所述纠正特征参数。
6.如权利要求1所述的抓拍图像优选方法,其特征在于,所述识别关键点包括所述目标对象的轮廓点,所述识别关键点位置信息包括所述轮廓点的轮廓点位置信息,所述识别关键点影响因子包括所述轮廓点的轮廓点影响因子,所述轮廓参数的确定方式包括:
将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子;
根据所述轮廓点位置信息确定所述轮廓点在所述子拍摄区域的分布信息;
获取所述目标对象的预设轮廓点阈值;
根据所述分布信息、所述子拍摄区域影响因子、所述轮廓点影响因子、所述预设轮廓点阈值确定所述轮廓参数。
8.如权利要求7所述的抓拍图像优选方法,其特征在于,所述目标对象包括人脸,所述识别关键点包括人脸轮廓点和至少两个面部特征点,所述质量评分的确定方式包括:
通过所述面部特征点将所述人脸轮廓点构成的人脸轮廓分割为第一人脸区域和第二人脸区域;
分别确定所述第一人脸区域的第一人脸区域面积、所述第二人脸区域的第二人脸面积、所述人脸轮廓的人脸轮廓面积;
将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子;
根据所述人脸轮廓点的人脸轮廓点位置信息确定所述人脸轮廓点在所述子拍摄区域的分布信息;
获取预设纠正常量、预设人脸轮廓点阈值和所述人脸轮廓点的人脸轮廓点影响因子;
其中,P为质量评分,WDi为第i个子拍摄区域影响因子,Wsj为位于第i个子拍摄区域的第j个人脸轮廓点的人脸轮廓点影响因子,E为预设纠正常量,Sum(Dj)为预设人脸轮廓点阈值,S1l为第一人脸区域面积,S1r为第二人脸区域面积,S1为人脸轮廓面积。
9.如权利要求7所述的抓拍图像优选方法,其特征在于,所述目标对象包括车辆,所述识别关键点包括车辆轮廓点和车牌中标识信息,所述质量评分的确定方式包括:
将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子;
根据所述车辆轮廓点的车辆轮廓点位置信息确定所述车辆轮廓点在所述子拍摄区域的分布信息;
获取所述待选择图像中所述标识信息的标识信息数量;
获取预设纠正常量、预设车辆轮廓点阈值和所述车辆轮廓点的车辆轮廓点影响因子;
其中,P为质量评分,WDi为第i个子拍摄区域影响因子,Wsj为位于第i个子拍摄区域的第j个车辆轮廓点的车辆轮廓点影响因子,E为预设纠正常量,Sum(Dj)为预设车辆轮廓点阈值,N为预设标识信息阈值,X为标识信息数量。
10.一种抓拍图像优选***,其特征在于,包括:
获取模块,用于获取在预设拍摄区域所拍摄的若干张待选择图像;
识别模块,用于识别所述待选择图像中的目标对象,及所述目标对象的识别关键点;
质量评分参数确定模块,用于确定质量评分参数,所述质量评分参数包括纠正特征参数、轮廓参数中至少之一,所述纠正特征参数根据所述识别关键点的识别关键点位置信息和/或所述识别关键点的识别关键点数量确定,所述轮廓参数根据所述识别关键点的识别关键点位置信息和所述识别关键点的识别关键点影响因子确定;
优选抓拍图像确定模块,用于根据所述质量评分参数确定所述待选择图像的质量评分,并从各所述待选择图像中确定优选抓拍图像。
11.如权利要求10所述的抓拍图像优选***,其特征在于,所述质量评分参数确定模块包括纠正特征参数确定模块、轮廓参数确定模块中至少之一,所述纠正特征参数确定模块包括第一纠正特征参数确定子模块和/或第二纠正特征参数确定子模块;
若所述识别关键点包括所述目标对象的轮廓点,所述识别关键点位置信息包括所述轮廓点的轮廓点位置信息,所述识别关键点影响因子包括所述轮廓点的轮廓点影响因子,所述轮廓参数确定模块用于将所述预设拍摄区域划分为至少两个子拍摄区域,并确定所述子拍摄区域的子拍摄区域影响因子,根据所述轮廓点位置信息确定所述轮廓点在所述子拍摄区域的分布信息,获取所述目标对象的预设轮廓点阈值,根据所述分布信息、所述子拍摄区域影响因子、所述轮廓点影响因子确定所述轮廓参数;
若所述识别关键点包括所述目标对象的纠正特征点,所述识别关键点数量包括所述纠正特征点的纠正特征点数量,所述第一纠正特征参数确定子模块用于获取预设纠正特征点阈值,以及所述待选择图像中所述纠正特征点的纠正特征点数量,根据所述预设纠正特征点阈值、所述纠正特征点数量确定所述纠正特征参数;
若所述识别关键点包括所述目标对象的纠正特征点和轮廓点,所述纠正特征点位于所述轮廓点所构成的轮廓的内部,所述识别关键点位置信息包括所述纠正特征点的纠正特征点位置信息和所述轮廓点的轮廓位置信息,所述第二纠正特征参数确定子模块用于根据所述纠正特征点位置信息和所述轮廓位置信息确定所述纠正特征参数。
12.一种电子设备,其特征在于,包括处理器、存储器和通信总线;
所述通信总线用于将所述处理器和存储器连接;
所述处理器用于执行所述存储器中存储的计算机程序,以实现如权利要求1-9中任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序用于使所述计算机执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450382.8A CN113177917B (zh) | 2021-04-25 | 2021-04-25 | 一种抓拍图像优选方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450382.8A CN113177917B (zh) | 2021-04-25 | 2021-04-25 | 一种抓拍图像优选方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177917A true CN113177917A (zh) | 2021-07-27 |
CN113177917B CN113177917B (zh) | 2023-10-13 |
Family
ID=76926258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450382.8A Active CN113177917B (zh) | 2021-04-25 | 2021-04-25 | 一种抓拍图像优选方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177917B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873144A (zh) * | 2021-08-25 | 2021-12-31 | 浙江大华技术股份有限公司 | 图像抓拍方法、图像抓拍装置及计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及*** |
US20130201359A1 (en) * | 2012-02-06 | 2013-08-08 | Qualcomm Incorporated | Method and apparatus for unattended image capture |
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 |
CN109413324A (zh) * | 2017-08-16 | 2019-03-01 | 中兴通讯股份有限公司 | 一种拍摄方法和移动终端 |
CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
CN109670473A (zh) * | 2018-12-28 | 2019-04-23 | 深圳英飞拓智能技术有限公司 | 基于人脸抓图的优选方法及装置 |
US20190295240A1 (en) * | 2018-03-20 | 2019-09-26 | Uber Technologies, Inc. | Image quality scorer machine |
CN111553915A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 物品识别检测方法、装置、设备和可读存储介质 |
CN111914781A (zh) * | 2020-08-10 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 一种人脸图像处理的方法及装置 |
CN112188075A (zh) * | 2019-07-05 | 2021-01-05 | 杭州海康威视数字技术股份有限公司 | 抓拍机、图像处理设备及图像处理方法 |
CN112287802A (zh) * | 2020-10-26 | 2021-01-29 | 汇纳科技股份有限公司 | 人脸图像检测方法、***、存储介质及设备 |
CN112528939A (zh) * | 2020-12-22 | 2021-03-19 | 广州海格星航信息科技有限公司 | 一种人脸图像的质量评价方法及装置 |
-
2021
- 2021-04-25 CN CN202110450382.8A patent/CN113177917B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201359A1 (en) * | 2012-02-06 | 2013-08-08 | Qualcomm Incorporated | Method and apparatus for unattended image capture |
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及*** |
CN109413324A (zh) * | 2017-08-16 | 2019-03-01 | 中兴通讯股份有限公司 | 一种拍摄方法和移动终端 |
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 |
US20190295240A1 (en) * | 2018-03-20 | 2019-09-26 | Uber Technologies, Inc. | Image quality scorer machine |
CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
CN109670473A (zh) * | 2018-12-28 | 2019-04-23 | 深圳英飞拓智能技术有限公司 | 基于人脸抓图的优选方法及装置 |
CN112188075A (zh) * | 2019-07-05 | 2021-01-05 | 杭州海康威视数字技术股份有限公司 | 抓拍机、图像处理设备及图像处理方法 |
CN111553915A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 物品识别检测方法、装置、设备和可读存储介质 |
CN111914781A (zh) * | 2020-08-10 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 一种人脸图像处理的方法及装置 |
CN112287802A (zh) * | 2020-10-26 | 2021-01-29 | 汇纳科技股份有限公司 | 人脸图像检测方法、***、存储介质及设备 |
CN112528939A (zh) * | 2020-12-22 | 2021-03-19 | 广州海格星航信息科技有限公司 | 一种人脸图像的质量评价方法及装置 |
Non-Patent Citations (4)
Title |
---|
T.P. CHEN ET AL.: "Fingerprint image quality analysis", 《2004 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》, vol. 2, pages 1253 - 1256, XP010785429 * |
毛润东等: "空中飞机飞行图像拍摄模糊轮廓优化复原仿真", 《计算机仿真》, vol. 35, no. 06, pages 390 - 393 * |
王刚等: "基于视差图和复数轮廓波变换的无参考立体图像质量评价", 《计算机工程与科学》, vol. 39, no. 03, pages 512 - 518 * |
陈正浩: "基于多特征融合的卡口人脸质量评估方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 8, pages 138 - 688 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873144A (zh) * | 2021-08-25 | 2021-12-31 | 浙江大华技术股份有限公司 | 图像抓拍方法、图像抓拍装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113177917B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN109325933B (zh) | 一种翻拍图像识别方法及装置 | |
CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
CN109918969B (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
US8750573B2 (en) | Hand gesture detection | |
DE102018008161A1 (de) | Detektieren von Objekten unter Nutzung eines schwach überwachten Modells | |
US8792722B2 (en) | Hand gesture detection | |
CN109711345B (zh) | 一种火焰图像识别方法、装置及其存储介质 | |
CN111027504A (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
CN109815868A (zh) | 一种图像目标检测方法、装置及存储介质 | |
CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
US20120114198A1 (en) | Facial image gender identification system and method thereof | |
DE112016005006T5 (de) | Automatische videozusammenfassung | |
US8213741B2 (en) | Method to generate thumbnails for digital images | |
JP2004361987A (ja) | 画像検索システム、画像分類システム、画像検索プログラム及び画像分類プログラム、並びに画像検索方法及び画像分類方法 | |
CN109033955B (zh) | 一种人脸跟踪方法和*** | |
CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
CN110543848B (zh) | 一种基于三维卷积神经网络的驾驶员动作识别方法及装置 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
DE112020005223T5 (de) | Objektverfolgungseinrichtung und Objektverfolgungsverfahren | |
CN112115979A (zh) | 一种红外图像和可见图像的融合方法及设备 | |
Katramados et al. | Real-time visual saliency by division of gaussians | |
KR101961462B1 (ko) | 객체 인식 방법 및 장치 | |
CN113177917B (zh) | 一种抓拍图像优选方法、***、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |