CN116977332A - 摄像头补光灯性能测试方法、装置、电子设备及存储介质 - Google Patents
摄像头补光灯性能测试方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116977332A CN116977332A CN202311225904.XA CN202311225904A CN116977332A CN 116977332 A CN116977332 A CN 116977332A CN 202311225904 A CN202311225904 A CN 202311225904A CN 116977332 A CN116977332 A CN 116977332A
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- target
- reference attribute
- initial
- 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
- 238000011056 performance test Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001502 supplementing effect Effects 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
- G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
- G01M11/0257—Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested
- G01M11/0264—Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested by using targets or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及计算机视觉领域,提供了一种摄像头补光灯性能测试方法、装置、电子设备及存储介质,所述方法包括:通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数;确定N张初始图像中各初始图像的参考属性值;基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像;基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。解决了相关技术中无法对摄像头所带的补光灯进行性能测试的问题,实现了对摄像头补光灯性能的准确测试,能够进一步提升摄像头的拍摄效果。
Description
技术领域
本申请涉及计算机视觉领域,尤其涉及一种摄像头补光灯性能测试方法、装置、电子设备及存储介质。
背景技术
当采用带有补光灯的摄像头进行拍照时,补光灯的性能优劣直接影响摄像头的拍摄效果。一般来说,如果补光灯性能较差,拍摄得到的图像清晰度会较低。如果补光灯性能较强,拍摄得到的图像清晰度会相对较高。相关技术中对摄像头进行检测,只会关注摄像头的拍照功能,而无法对摄像头所带的补光灯进行性能测试。如何实现对摄像头补光灯性能的准确测试成为亟待解决的技术问题。
发明内容
本申请提供了一种摄像头补光灯性能测试方法、装置、电子设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本申请的第一方面,提供了一种摄像头补光灯性能测试方法,所述方法包括:
通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数;
确定N张初始图像中各初始图像的参考属性值;
基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像;
基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
上述方案中,所述参考属性值包括平均亮度值;
所述确定N张初始图像中各初始图像的参考属性值,包括:
获取各初始图像的像素数量以及各像素的亮度值;
基于各初始图像的像素数量以及各像素的亮度值,得到N张初始图像中各初始图像的平均亮度值。
上述方案中,所述基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像,包括:
将N张初始图像中参考属性值最大的图像作为第一目标图像。
上述方案中,所述基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果,包括:
基于各初始图像的参考属性值,从N张初始图像中确定第二目标图像;其中,第一目标图像和第二目标图像的参考属性值不同;
确定第一目标图像和第二目标图像在参考属性值上的差异;
在所述差异满足第一条件时,基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
上述方案中,所述是否能够从第一目标图像中识别出目标对象,包括:
对第一目标图像进行窗口的移动扫描,提取每个窗口的特征;
将所述每个窗口的特征输入至目标分类器,得到是否能够从第一目标图像中识别出目标对象的结果;其中,所述目标分类器由带识别正常样本标签的样本图像和带识别异常样本标签的样本图像对待训练分类器进行训练而得到。
上述方案中,所述确定第一目标图像和第二目标图像在参考属性值上的差异,包括:
获取第一目标图像和第二目标图像的宽度和高度;
根据所述宽度和高度、以及第一目标图像和第二目标图像中各像素的灰度值,得到第一目标图像和第二目标图像在参考属性值上的差异。
上述方案中,所述基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果,包括:
当能够从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试通过;
当未能从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试未通过。
根据本申请的第二方面,提供了一种摄像头补光灯性能测试装置,所述装置包括:
获取单元,用于通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数;
第一确定单元,用于确定N张初始图像中各初始图像的参考属性值;
第二确定单元,用于基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像;
测试单元,用于基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
根据本申请的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请所述的方法。
根据本申请的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行本申请所述的方法。
本申请中,通过具有补光灯的摄像头获得N张初始图像,确定N张初始图像中各初始图像的参考属性值,基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像,最后基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。实现了对摄像头补光灯性能的准确测试,能够进一步提升摄像头的拍摄效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本申请实施例摄像头分别在补光灯亮和灭时拍摄过程的示意图;
图2示出了本申请实施例摄像头补光灯性能测试方法的实现流程示意图;
图3示出了本申请实施例应用实现流程示意图;
图4示出了本申请实施例摄像头补光灯性能测试装置的组成结构示意图;
图5示出了本申请实施例一种电子设备的组成结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂,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,所描述的实施例仅仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
可以理解,本申请实施例中的补光灯为红外补光灯。在一些带有补光灯的摄像头对物体进行拍摄时,补光灯的性能优劣直接影响摄像头的拍摄效果。示例性地,如图1所示,假设在使用PC(Personal Computer,个人计算机)端进行人脸识别的场景下,利用红外摄像头对人脸进行拍照。如果红外摄像头所带的LED(Light Emitting Diode,发光二极管)灯(作为本申请中的补光灯使用)性能正常,则LED灯在亮时,被拍摄的人脸会反射LED灯照射的红外光。LED灯不亮时,相当于只有摄像头对人脸进行拍摄,人脸部分并不会反射任何光。此时LED灯亮时拍摄的照片中人脸会比LED灯不亮时拍摄的更加清晰。因此,为了保证摄像头的拍摄质量,需要保证摄像头补光灯的性能。而补光灯的性能往往需要通过测试而得出性能好坏的结论。相关技术中绝大部分都只注重对摄像头的拍照功能进行测试,很少会涉及对补光灯的性能测试。即便有涉及到对补光灯的性能测试方案,如,相关技术采用Windows Hello(视窗认证)功能对被拍摄对象进行识别来判断补光灯是否性能正常。但是,由于环境中本身也会存在少量红外光,因此采用此测试方案会存在对补光灯性能的误测,准确性较低。
本申请实施例中,通过具有补光灯的摄像头获得N张初始图像,确定N张初始图像中各初始图像的参考属性值,基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像,最后基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。与相关技术相比较而言,本申请根据参考属性值确定出第一目标图像,通过判断第一目标图像中是否能够识别出目标对象,即,通过对根据参考属性值而确定出的第一目标图像进行分析,实现了对摄像头补光灯性能的准确测试,能够进一步提升摄像头的拍摄效果。
下面对本申请实施例的摄像头补光灯性能测试方法做详细说明。
本申请实施例提供一种摄像头补光灯性能测试方法,如图2所示,所述方法包括:
S201:通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数。
本步骤中,利用摄像头连续拍摄针对目标对象的多张图像,从而获得N张初始图像。示例性地,在进行人脸识别的场景下,对人脸进行连续多次拍摄得到针对人脸的N张初始图像。可以理解,在实际应用中,在N张初始图像中,可能每张图像中拍摄到的人脸都是清晰的,也可能是部分图像中拍摄到的人脸是清晰的,还可能每张图像中拍摄到的人脸都是不清晰的。
S202:确定N张初始图像中各初始图像的参考属性值。
本步骤中,各初始图像的参考属性可以是图像的任何属性参数,如亮度、饱和度、色彩等。如果将亮度作为图像的参考属性参数,则各初始图像的参考属性值包括各初始图像的平均亮度值。可以理解,正常情况下补光灯处于闪烁状态,连续对目标对象拍摄的多张初始图像中势必会存在平均亮度值不同的情况。根据各初始图像的像素数量和各像素的亮度值,可得到各初始图像的准确参考属性值。通过准确的参考属性值,可以保证后续对补光灯性能的准确测试。
S203:基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像。
本步骤中,通过计算各初始图像的参考属性值,从连续拍摄的N张初始图像中确定出参考属性值最大的初始图像作为第一目标图像。
S204:基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
本步骤中,第一目标图像作为N张初始图像中参考属性值最大的图像,第一目标图像可以是亮度最大、饱和度最大或色彩最明艳的图像,如果在第一目标图像中都无法识别出目标对象,则说明在补光灯的辅助下摄像头无法拍摄到清晰或正常的图像,这样的补光灯是无法满足正常的拍摄需求的,性能测试结果应为未通过测试。如果在第一目标图像中能识别出目标对象,则补光灯的性能测试结果为通过了测试。
在S201~S204所示的方案中,通过具有补光灯的摄像头获得N张初始图像,确定N张初始图像中各初始图像的参考属性值,基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像,最后基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。与相关技术相比较而言,本申请根据参考属性值确定出第一目标图像,通过判断第一目标图像中是否能够识别出目标对象,即,通过对根据参考属性值而确定出的第一目标图像进行分析,实现了对摄像头补光灯性能的准确测试,能够进一步提升摄像头的拍摄效果。
在一个可选的方案中,所述参考属性值包括平均亮度值;
所述确定N张初始图像中各初始图像的参考属性值,包括:
获取各初始图像的像素数量以及各像素的亮度值;
基于各初始图像的像素数量以及各像素的亮度值,得到N张初始图像中各初始图像的平均亮度值。
本申请中,采用平均像素值法作为各初始图像的亮度测量方法,通过计算各初始图像中所有像素亮度的平均值来估计初始图像的亮度。各初始图像的平均亮度值通过公式(1)进行计算:
公式(1)
其中,表示初始图像的平均亮度值,/>表示初始图像中像素的数量,/>表示从1到N的整数,/>表示第/>个像素的亮度值。/>表示初始图像中所有像素亮度值之和。
本申请中,通过各初始图像的像素数量以及各像素的亮度值计算出各初始图像的平均亮度值作为参考属性值,计算简单,容易实施。并且,在本申请的初始图像均为亮度分布均匀的图像的情况下,平均亮度值能够更好的反映初始图像整体的亮度。为后续准确测试补光灯的性能提供了数据基础。
在一个可选的方案中,所述基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像,包括:
将N张初始图像中参考属性值最大的图像作为第一目标图像。
本申请中,将参考属性值最大的图像作为第一目标图像。可以理解,在对目标对象进行连续拍摄得到的多张初始图像中,各初始图像的参考属性值(如平均亮度值)会有不同程度的差异。将其中参考属性值最大的初始图像作为第一目标图像,即,将平均亮度值最高的初始图像作为第一目标图像。将平均亮度值最大的图像作为第一目标图像,通过在最亮的图像中识别目标对象,得到的测试结果会更准确,在工程上简单易行,可以节省不必要的时间。
在一个可选的方案中,所述基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果,包括:
基于各初始图像的参考属性值,从N张初始图像中确定第二目标图像;其中,第一目标图像和第二目标图像的参考属性值不同;
确定第一目标图像和第二目标图像在参考属性值上的差异;
在所述差异满足第一条件时,基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
本申请中,与第一目标图像是N张初始图像中平均亮度值最大的初始图像不同,第一目标图像和第二目标图像在平均亮度这一参考属性上存在不同。第二目标图像为N张初始图像中平均亮度值最小的初始图像。
预先设定一差异阈值。判断第一目标图像和第二目标图像在参考属性值上的差异是否超过差异阈值。可以理解,补光灯在正常闪烁的情况下,一明一暗之间拍摄的初始图像势必会存在平均亮度值的差异。如果将第一条件定义为超过差异阈值,则满足第一条件即为:当平均亮度值最大的和平均亮度值最小的初始图像之间的差异超过差异阈值时,认为此补光灯有可能是性能正常的补光灯。不满足第一条件即为:当平均亮度值最大的和平均亮度值最小的初始图像之间的差异没有超过差异阈值时,直接认为该补光灯不是性能正常的补光灯,该补光灯没有通过测试。在第一目标图像和第二目标图像在参考属性值上的差异满足第一条件的情况下,继续判断第一目标图像中是否能够识别出目标对象,根据判断结果,确定补光灯的性能测试结果。
本申请中,通过判断第一目标图像和第二目标图像在参考属性值上的差异是否满足第一条件,当满足时才能继续判断补光灯的性能测试结果,当不满足时直接确定补光灯的性能未通过测试。能够在不满足时直接确定补光灯的性能测试结果,提高了测试效率。并且,当满足第一条件时,继续判断第一目标图像中是否可以识别出目标对象,进而确定补光灯的性能测试结果,实现了对补光灯的准确性能测试。
在一个可选的方案中,所述是否能够从第一目标图像中识别出目标对象,包括:
对第一目标图像进行窗口的移动扫描,提取每个窗口的特征;
将所述每个窗口的特征输入至目标分类器,得到是否能够从第一目标图像中识别出目标对象的结果;其中,所述目标分类器由带识别正常样本标签的样本图像和带识别异常样本标签的样本图像对待训练分类器进行训练而得到。
本申请中,利用一个固定大小的窗口在第一目标图像中进行移动扫描,提取每个窗口的特征。本申请中,窗口的特征可以是窗口的Haar 特征(哈尔特征)。将各个窗口的Haar 特征输入到目标分类器中,以进行分类,得到第一目标图像能识别出目标对象的分类结果或者不能识别出目标对象的分类结果。其中,目标分类器是由带标签的样本图像对待训练的分类器进行训练得到。目标分类器可以通过对决策树、支持向量机和/或神经网络中的其中之一网络进行训练而得到。本申请中,采用AdaBoost算法(迭代算法)进行窗口特征的选取和目标分类器的训练。具体的,采用AdaBoost算法,从每个窗口的Haar 特征中选取最佳的Haar 特征。比如,在人脸识别的场景下,最佳的Haar 特征即为眼睛、鼻子、嘴巴等可以共同表征人脸的主要器官所在窗口的Haar 特征,以排除非人脸区域。再根据最佳的Haar特征来判定是否能够从第一目标图像中识别出目标对象。
需要说明的是,本申请中,判定是否能够从第一目标图像中识别出目标对象,指的是是否从第一目标图像中清晰地识别出目标对象。这是因为,在拍摄的初始图像中,存在有对目标对象拍摄不清晰的图像。也存在对目标对象拍摄清晰的图像中,可能依然无法清晰识别出目标对象的情况。
本申请中,利用训练得到的目标分类器对第一目标图像中是否能够识别出目标对象进行分类的方案,保证了分类的准确性,使得分类效率大大提高。也保证了对补光灯性能的准确测试。
在一个可选的方案中,所述确定第一目标图像和第二目标图像在参考属性值上的差异,包括:
获取第一目标图像和第二目标图像的宽度和高度;
根据所述宽度和高度、以及第一目标图像和第二目标图像中各像素的灰度值,得到第一目标图像和第二目标图像在参考属性值上的差异。
本申请中,优选为第一目标图像和第二目标图像为大小相同的图像。即,第一和第二目标图像的高度和宽度均相同。第一目标图像和第二目标图像在参考属性值上的差异通过公式(2)进行计算:
公式(2)
其中,表示第一目标图像和第二目标图像在参考属性值上的差异。/>表示第一目标图像/第二目标图像的宽度。/>表示第一目标图像/第二目标图像的长度。/>表示第一目标图像/第二目标图像中的像素的总数,通常/>的值等于/>和/>的乘积。/>表示第一目标图像/第二目标图像中像素所在的行;/>表示第一目标图像/第二目标图像中像素所在的列;表示第一目标图像中位置为/>的像素的灰度值,/>表示第二目标图像中位置为/>像素的灰度值。/>表示同一位置的像素在第一目标图像和第二目标图像中灰度值之差的绝对值。/>表示所有位置的像素在第一目标图像和第二目标图像中灰度值之差之和。
其中,可以通过将第一目标图像和第二目标图像进行灰度化处理得到第一目标图像和第二目标图像的灰度图像,以方便从第一目标图像和第二目标图像的灰度图像中读取到各像素的灰度值。
本申请中,通过第一目标图像和第二目标图像的宽度和高度以及第一目标图像和第二目标图像中各像素的灰度值,得到第一目标图像和第二目标图像在参考属性值上的差异的方案,简单易行,容易实施。并且,通过计算第一目标图像和第二目标图像在参考属性值上的差异,便于准确的判断其是否超过差异阈值,以便更进一步地准确的对补光灯性能进行测试。
在一个可选的方案中,所述基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果,包括:
当能够从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试通过;
当未能从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试未通过。
本申请中,第一目标图像可以是多张初始图像中平均亮度值最大的初始图像,即亮度最高的初始图像。如果从亮度最高的初始图像(第一目标图像)中都不能识别出目标对象,则说明通过摄像头拍摄照片的过程中补光灯并没有发挥作用或发挥的作用太小,进而确定补光灯的性能测试结果为未通过。如果从亮度最高的初始图像(第一目标图像)中能够识别出目标对象,则确定补光灯的性能测试结果为通过测试。
本申请中,根据是否能够从第一目标图像识别出目标对象的结果,确定对补光灯的性能测试结果的方案,在工程上简单易行,容易实施。
在一具体实施例中,以人脸识别场景为例,对本申请的摄像头补光灯性能测试方法进行说明。
如图3所示,利用摄像头对识别对象(目标对象)连续拍摄10张照片(初始图像),通过前述公式(1)计算得到10张照片中各张照片的平均亮度值。找出平均亮度值最大的照片作为第一目标图像和平均亮度值最小的照片作为第二目标图像。通过前述公式(2)计算第一目标图像和第二目标图像的明暗差异(参考属性上的差异)。将该差异与预先设定的差异阈值进行比较。如果该差异未超过预设的差异阈值,则直接确定补光灯的性能测试结果为未通过。如果该差异超过预设的差异阈值,则判断从第一目标图像是否能够识别出目标对象,如果能够识别出目标对象,则确定补光灯的性能测试结果为通过。如果不能够识别出目标对象,则确定补光灯的性能测试结果为未通过。
与相关技术相比较而言,本申请根据参考属性值确定出第一目标图像,通过判断第一目标图像中是否能够识别出目标对象,即,通过对根据参考属性值而确定出的第一目标图像进行分析,并且,在确定是否能够从第一目标图像中识别出目标对象的结果之前,对第一目标图像和第二目标图像的参考属性差异是否满足差异阈值进行了判断,实现了对摄像头补光灯性能的准确测试,能够进一步提升摄像头的拍摄效果。
前述内容是以人脸识别场景为例对本申请的摄像头补光灯性能测试方法进行的说明,当场景为其他场景时的方案参见理解,不赘述。
本申请实施例提供一种摄像头补光灯性能测试装置,如图4所示,所述装置包括:
获取单元401,用于通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数;
第一确定单元402,用于确定N张初始图像中各初始图像的参考属性值;
第二确定单元403,用于基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像;
测试单元404,用于基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
在一个可选的方案中,所述参考属性值包括平均亮度值;所述第一确定单元402,用于获取各初始图像的像素数量以及各像素的亮度值;基于各初始图像的像素数量以及各像素的亮度值,得到N张初始图像中各初始图像的平均亮度值。
在一个可选的方案中,所述第二确定单元403,用于将N张初始图像中参考属性值最大的图像作为第一目标图像。
在一个可选的方案中,所述测试单元404,用于基于各初始图像的参考属性值,从N张初始图像中确定第二目标图像;其中,第一目标图像和第二目标图像的参考属性值不同;确定第一目标图像和第二目标图像在参考属性值上的差异;在所述差异满足第一条件时,基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
在一个可选的方案中,所述测试单元404,用于对第一目标图像进行窗口的移动扫描,提取每个窗口的特征;将所述每个窗口的特征输入至目标分类器,得到是否能够从第一目标图像中识别出目标对象的结果;其中,所述目标分类器由带识别正常样本标签的样本图像和带识别异常样本标签的样本图像对待训练分类器进行训练而得到。
在一个可选的方案中,所述测试单元404,用于获取第一目标图像和第二目标图像的宽度和高度;根据所述宽度和高度、以及第一目标图像和第二目标图像中各像素的灰度值,得到第一目标图像和第二目标图像在参考属性值上的差异。
在一个可选的方案中,所述测试单元404,用于当能够从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试通过;当未能从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试未通过。
需要说明的是,本申请实施例的摄像头补光灯性能测试装置,由于该装置解决问题的原理与前述的摄像头补光灯性能测试方法相似,因此,该装置的实施过程、实施原理及有益效果均可以参见前述方法的实施过程、实施原理及有益效果的描述,重复之处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如摄像头补光灯性能测试方法。例如,在一些实施例中,摄像头补光灯性能测试方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的摄像头补光灯性能测试方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行摄像头补光灯性能测试方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种摄像头补光灯性能测试方法,其特征在于,所述方法包括:
通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数;
确定N张初始图像中各初始图像的参考属性值;
基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像;
基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
2.根据权利要求1所述的方法,其特征在于,所述参考属性值包括平均亮度值;
所述确定N张初始图像中各初始图像的参考属性值,包括:
获取各初始图像的像素数量以及各像素的亮度值;
基于各初始图像的像素数量以及各像素的亮度值,得到N张初始图像中各初始图像的平均亮度值。
3.根据权利要求1所述的方法,其特征在于,所述基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像,包括:
将N张初始图像中参考属性值最大的图像作为第一目标图像。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果,包括:
基于各初始图像的参考属性值,从N张初始图像中确定第二目标图像;其中,第一目标图像和第二目标图像的参考属性值不同;
确定第一目标图像和第二目标图像在参考属性值上的差异;
在所述差异满足第一条件时,基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
5.根据权利要求4所述的方法,其特征在于,所述是否能够从第一目标图像中识别出目标对象,包括:
对第一目标图像进行窗口的移动扫描,提取每个窗口的特征;
将所述每个窗口的特征输入至目标分类器,得到是否能够从第一目标图像中识别出目标对象的结果;其中,所述目标分类器由带识别正常样本标签的样本图像和带识别异常样本标签的样本图像对待训练分类器进行训练而得到。
6.根据权利要求4所述的方法,其特征在于,所述确定第一目标图像和第二目标图像在参考属性值上的差异,包括:
获取第一目标图像和第二目标图像的宽度和高度;
根据所述宽度和高度、以及第一目标图像和第二目标图像中各像素的灰度值,得到第一目标图像和第二目标图像在参考属性值上的差异。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果,包括:
当能够从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试通过;
当未能从第一目标图像识别出所述目标对象时,确定对补光灯的性能测试未通过。
8.一种摄像头补光灯性能测试装置,其特征在于,所述装置包括:
获取单元,用于通过具有补光灯的摄像头获得N张初始图像,所述N为大于或等于2的整数;
第一确定单元,用于确定N张初始图像中各初始图像的参考属性值;
第二确定单元,用于基于各初始图像的参考属性值,从N张初始图像中确定第一目标图像;
测试单元,用于基于是否能够从第一目标图像中识别出目标对象的结果,得到对所述补光灯的性能测试结果。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225904.XA CN116977332A (zh) | 2023-09-21 | 2023-09-21 | 摄像头补光灯性能测试方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225904.XA CN116977332A (zh) | 2023-09-21 | 2023-09-21 | 摄像头补光灯性能测试方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977332A true CN116977332A (zh) | 2023-10-31 |
Family
ID=88481804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311225904.XA Pending CN116977332A (zh) | 2023-09-21 | 2023-09-21 | 摄像头补光灯性能测试方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977332A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917795A (zh) * | 2010-07-06 | 2010-12-15 | 上海洪剑智能科技有限公司 | 一种人脸识别用的调制光补光装置和补光方法 |
CN103793969A (zh) * | 2012-11-02 | 2014-05-14 | 上海宝康电子控制工程有限公司 | 停车场实时管理***及停车场实时管理的方法 |
US20150077543A1 (en) * | 2013-05-23 | 2015-03-19 | Stiftung Caesar - Center of Advanced European Studies and Research | Ocular Videography System |
CN105245791A (zh) * | 2015-10-30 | 2016-01-13 | 合肥联宝信息技术有限公司 | 一种照相设备及其控制方法 |
CN105554391A (zh) * | 2015-12-31 | 2016-05-04 | 广州广电运通金融电子股份有限公司 | 摄像头的控制方法及装置、金融设备终端 |
CN107948538A (zh) * | 2017-11-14 | 2018-04-20 | 广东欧珀移动通信有限公司 | 成像方法、装置、移动终端和存储介质 |
CN109167922A (zh) * | 2018-10-22 | 2019-01-08 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN109685709A (zh) * | 2018-12-28 | 2019-04-26 | 深圳市商汤科技有限公司 | 一种智能机器人的照明控制方法及装置 |
EP3495999A1 (en) * | 2017-12-11 | 2019-06-12 | Beijing Xiaomi Mobile Software Co., Ltd. | Image recognition method, apparatus and computer readable storage medium |
CN110675371A (zh) * | 2019-09-05 | 2020-01-10 | 北京达佳互联信息技术有限公司 | 一种场景切换的检测方法、装置、电子设备及存储介质 |
CN112890727A (zh) * | 2021-01-19 | 2021-06-04 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于补光灯的补光方法、补光装置以及洗碗机 |
CN113132617A (zh) * | 2019-12-31 | 2021-07-16 | 北京中安未来科技有限公司 | 图像抖动判断方法及装置、图像识别触发方法及装置 |
US20220026781A1 (en) * | 2020-07-23 | 2022-01-27 | Beijing Xiaomi Mobile Software Co., Ltd. | Image acquisition apparatus, electronic device, image acquisition method and storage medium |
CN114596620A (zh) * | 2022-05-10 | 2022-06-07 | 深圳市海清视讯科技有限公司 | 人脸识别设备补光控制方法、装置、设备及存储介质 |
CN115150560A (zh) * | 2021-03-30 | 2022-10-04 | 华为技术有限公司 | 一种补光***、图像采集***、方法、设备及存储介质 |
CN115909306A (zh) * | 2022-11-01 | 2023-04-04 | 深圳思谋信息科技有限公司 | 一种确定打光方案的方法和装置 |
-
2023
- 2023-09-21 CN CN202311225904.XA patent/CN116977332A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917795A (zh) * | 2010-07-06 | 2010-12-15 | 上海洪剑智能科技有限公司 | 一种人脸识别用的调制光补光装置和补光方法 |
CN103793969A (zh) * | 2012-11-02 | 2014-05-14 | 上海宝康电子控制工程有限公司 | 停车场实时管理***及停车场实时管理的方法 |
US20150077543A1 (en) * | 2013-05-23 | 2015-03-19 | Stiftung Caesar - Center of Advanced European Studies and Research | Ocular Videography System |
CN105245791A (zh) * | 2015-10-30 | 2016-01-13 | 合肥联宝信息技术有限公司 | 一种照相设备及其控制方法 |
CN105554391A (zh) * | 2015-12-31 | 2016-05-04 | 广州广电运通金融电子股份有限公司 | 摄像头的控制方法及装置、金融设备终端 |
CN107948538A (zh) * | 2017-11-14 | 2018-04-20 | 广东欧珀移动通信有限公司 | 成像方法、装置、移动终端和存储介质 |
EP3495999A1 (en) * | 2017-12-11 | 2019-06-12 | Beijing Xiaomi Mobile Software Co., Ltd. | Image recognition method, apparatus and computer readable storage medium |
CN109167922A (zh) * | 2018-10-22 | 2019-01-08 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN109685709A (zh) * | 2018-12-28 | 2019-04-26 | 深圳市商汤科技有限公司 | 一种智能机器人的照明控制方法及装置 |
CN110675371A (zh) * | 2019-09-05 | 2020-01-10 | 北京达佳互联信息技术有限公司 | 一种场景切换的检测方法、装置、电子设备及存储介质 |
CN113132617A (zh) * | 2019-12-31 | 2021-07-16 | 北京中安未来科技有限公司 | 图像抖动判断方法及装置、图像识别触发方法及装置 |
US20220026781A1 (en) * | 2020-07-23 | 2022-01-27 | Beijing Xiaomi Mobile Software Co., Ltd. | Image acquisition apparatus, electronic device, image acquisition method and storage medium |
CN112890727A (zh) * | 2021-01-19 | 2021-06-04 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于补光灯的补光方法、补光装置以及洗碗机 |
CN115150560A (zh) * | 2021-03-30 | 2022-10-04 | 华为技术有限公司 | 一种补光***、图像采集***、方法、设备及存储介质 |
CN114596620A (zh) * | 2022-05-10 | 2022-06-07 | 深圳市海清视讯科技有限公司 | 人脸识别设备补光控制方法、装置、设备及存储介质 |
CN115909306A (zh) * | 2022-11-01 | 2023-04-04 | 深圳思谋信息科技有限公司 | 一种确定打光方案的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232369B (zh) | 一种人脸识别方法和电子设备 | |
CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
CN112883902B (zh) | 视频检测方法、装置、电子设备及存储介质 | |
EP2959454A1 (en) | Method, system and software module for foreground extraction | |
WO2023160312A1 (zh) | 基于自监督学习的行人重识别方法、装置、设备及存储介质 | |
CN113537374B (zh) | 一种对抗样本生成方法 | |
CN113326773A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
US20230049656A1 (en) | Method of processing image, electronic device, and medium | |
CN116403083A (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN114037087A (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
CN113569707A (zh) | 活体检测方法、装置、电子设备以及存储介质 | |
CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
CN115018784B (zh) | 一种导线散股缺陷的检测方法、装置、设备及介质 | |
CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
CN116977332A (zh) | 摄像头补光灯性能测试方法、装置、电子设备及存储介质 | |
CN113808117B (zh) | 灯具检测方法、装置、设备及存储介质 | |
CN113243015A (zh) | 一种视频监控***和方法 | |
CN113033372B (zh) | 车辆定损方法、装置、电子设备及计算机可读存储介质 | |
CN114332983A (zh) | 人脸图像清晰度检测方法、装置、电子设备、及介质 | |
CN113705620B (zh) | 图像显示模型的训练方法、装置、电子设备和存储介质 | |
CN113643257B (zh) | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
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 |