[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108876858A - 用于处理图像的方法和装置 - Google Patents

用于处理图像的方法和装置 Download PDF

Info

Publication number
CN108876858A
CN108876858A CN201810734682.7A CN201810734682A CN108876858A CN 108876858 A CN108876858 A CN 108876858A CN 201810734682 A CN201810734682 A CN 201810734682A CN 108876858 A CN108876858 A CN 108876858A
Authority
CN
China
Prior art keywords
image
key point
location information
shooting image
information
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
Application number
CN201810734682.7A
Other languages
English (en)
Inventor
徐珍琦
王长虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201810734682.7A priority Critical patent/CN108876858A/zh
Publication of CN108876858A publication Critical patent/CN108876858A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75Determining position or orientation of objects or cameras using feature-based methods involving models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括:获取目标对象的拍摄图像和显示有目标对象的基准图像;将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合,位置信息包括位置坐标,位置坐标表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置;针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。该实施方式利用关键点检测模型实现目标对象的拍摄图像和基准图像之间的变换。

Description

用于处理图像的方法和装置
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于处理图像的方法和装置。
背景技术
现有技术中,通常利用目标对象的拍摄视频来实现对目标对象的追踪和检测。一般地,利用图像检测和识别技术,对拍摄视频中的关键帧对应的拍摄图像进行检测和识别,从而实现对目标对象的追踪。
发明内容
本申请实施例提出了用于处理图像的方法和装置。
第一方面,本申请实施例提供了一种用于处理图像的方法,该方法包括:获取目标对象的拍摄图像和显示有目标对象的基准图像;将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置,关键点是预先确定的、目标对象上的点;针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在一些实施例中,位置信息还包括可见性信息,其中,可见性信息用于表示关键点信息集合中的关键点信息指示的关键点显示在拍摄图像中的概率。
在一些实施例中,根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置,包括:从得到的位置信息集合中选取包括的可见性信息大于预设的可见性阈值的位置信息,得到子位置信息集合;根据得到的子位置信息集合中的位置信息包括的位置坐标和得到的子位置信息集合中的位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在一些实施例中,上述方法还包括:在基准图像中的目标位置处进行标注,其中,目标位置为拍摄图像中的目标图像区域对应在基准图像中的位置。
在一些实施例中,关键点检测模型通过如下步骤训练得到:获取训练样本集合,其中,训练样本包括目标对象的拍摄图像和拍摄图像对应的位置信息集合;利用机器学习的方法,将训练样本集合中的训练样本中的目标对象的拍摄图像作为输入,将与输入的拍摄图像对应的位置信息集合作为期望输出,训练得到关键点检测模型。
在一些实施例中,可见性信息用零和一之间的数值来表示,包括零和一。
第二方面,本申请实施例提供了一种用于处理图像的装置,该装置包括:获取单元,被配置成获取目标对象的拍摄图像和显示有目标对象的基准图像;处理单元,被配置成将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置,关键点是预先确定的、目标对象上的点;确定单元,被配置成针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;上述确定单元,进一步被配置成根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在一些实施例中,位置信息还包括可见性信息,其中,可见性信息用于表示关键点信息集合中的关键点信息指示的关键点显示在拍摄图像中的概率。
在一些实施例中,上述确定单元进一步别配置成:从得到的位置信息集合中选取包括的可见性信息大于预设的可见性阈值的位置信息,得到子位置信息集合;根据得到的子位置信息集合中的位置信息包括的位置坐标和得到的子位置信息集合中的位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在一些实施例中,上述装置还包括:标注单元,被配置成在基准图像中的目标位置处进行标注,其中,目标位置为拍摄图像中的目标图像区域对应在基准图像中的位置。
在一些实施例中,关键点检测模型通过如下步骤训练得到:获取训练样本集合,其中,训练样本包括目标对象的拍摄图像和拍摄图像对应的位置信息集合;利用机器学习的方法,将训练样本集合中的训练样本中的目标对象的拍摄图像作为输入,将与输入的拍摄图像对应的位置信息集合作为期望输出,训练得到关键点检测模型。
在一些实施例中,可见性信息用零和一之间的数值来表示,包括零和一。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于处理图像的方法和装置,通过获取目标对象的拍摄图像,将拍摄图像输入至预先训练的、对应于目标对象的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置,关键点是预先确定的目标对象上的点;针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置,从而实现了利用关键点检测模型对目标对象的拍摄图像进行处理,以得到目标对象上的关键点对应在其拍摄图像中的位置,并且根据每个关键点对应在包含目标对象的基准图像中的位置,利用图像几何变换得到拍摄图像中的目标图像区域对应在基准图像中的位置。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是本申请的用于处理图像的方法的一个实施例的流程图;
图3是根据本申请的用于处理图像的方法的又一个实施例的流程图;
图4是根据本申请的用于处理图像的方法的一个应用场景的示意图;
图5是根据本申请的用于处理图像的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图像的方法或用于处理图像的装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、图像处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持处理图像的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103发送的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的图像进行处理,并生成处理结果,进一步地,还可以将处理结果反馈给终端设备。
需要说明的是,在服务器105的本地也可以直接存储图像,此时,服务器105可以直接提取本地所存储的图像并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本申请实施例所提供的用于处理图像的方法一般由服务器105执行,相应地,用于处理图像的装置一般设置于服务器105中。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,终端设备101、102、103也可以基于图像处理类应用对人脸图像进行处理,此时,用于处理图像的方法也可以由终端设备101、102、103执行,相应地,用于处理图像的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于处理图像的方法的一个实施例的流程200。该用于处理图像的方法包括以下步骤:
步骤201,获取目标对象的拍摄图像和显示有目标对象的基准图像。
在本实施例中,用于处理图像的执行主体(如图1所示的服务器105)可以通过有线或无线的方式从本地或其它存储设备(如图1所示的终端设备101、102、103)获取目标对象的拍摄图像和显示有目标对象的基准图像。
其中,对象可以指任意的实体。例如,对象可以包括吃、穿、住、行、用等方面相关的各类物品。例如车、球场等。对象也可以包括人物、动物、植物等。需要说明的是,该对象为示意性的,本申请并不限于此,任意能够拍摄的实体均落入本申请的保护范围内。
目标对象可以预先指定的任意对象。目标对象也可以是根据预设条件而确定的对象。例如,预设条件为预设时间段内某拍摄设备所拍摄到的对象。那么在上述预设时间段内某拍摄设备所拍摄到的对象即为目标对象。
可选地,可以先获取目标对象的拍摄视频,从拍摄视频中提取的任一帧的图像都可以作为目标对象的拍摄图像。基准图像可以是预先指定的目标对象的拍摄图像,也可以是目标对象的绘制图像,例如使用各种图像绘制软件而绘制出的目标对象的图像。基准图像也可以是目标对象的画线图。
可选地,基准图像中可以显示有目标对象的全貌。例如,对于足球场来说,基准图像可以从足球场的几何中心的上空拍摄的足球场的整体图像,也可以是绘制的足球场的平面尺寸图。
步骤202,将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合。
在本实施例中,可以将上述步骤201获取的拍摄图像输入至预先训练的,对应于目标对象的关键点检测模型,得到位置信息集合。其中,位置信息可以是与关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置相关的信息。位置信息可以包括位置坐标。位置坐标可以用来表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置。
其中,关键点可以是预先确定的目标对象上的点。关键点信息可以是与关键点相关的、能够表示一个关键点的信息。例如,对于目标对象上的10个关键点,可以从1到10进行编号,而编号即可作为表示关键点的关键点信息。一般地,可以预先存储关键点与关键点信息的对应关系。
在一些情况下,可能存在拍摄图像只拍摄到了部分关键点的情况。例如,拍摄图像只拍摄到目标对象的一半,而目标对象未被拍摄到的另一半上也预设有关键点。例如,拍摄图像只拍摄到了目标对象的一侧,而目标对象的未被拍摄到的侧面上也预设有关键点。
可选地,每个目标对象上的关键点都对应一个位置信息,即未被拍摄到的关键点也可以对应有位置信息。此时,若目标对象上有N个预设的关键点,那么针对拍摄图像,可得到包含N个位置信息的位置信息集合。具体地,未被拍摄到关键点对应在拍摄图像中的位置坐标可以统一采用一个特殊坐标例如(-1,-1)来表示,也可以将未拍摄到的关键点对应在拍摄图像所在的平面上的坐标系中的位置作为未被拍摄到的关键点对应的位置坐标。
可选地,得到的位置信息集合中也可以只包括拍摄图像拍摄到的关键点对应的位置信息。此时,若目标对象上有N个预设的关键点,其中,拍摄图像拍摄到了M个关键点,那么得到的位置信息集合中可以只包含有M个被拍摄到的关键点分别对应的位置坐标。此时,位置信息还可以包括关键点信息,即可以得到每个拍摄图像所拍摄到的各关键点的关键点信息和位置坐标。
在本实施例中,关键点检测模型通常与目标对象对应,即针对不同的目标对象,可以分别训练不同的目标对象分别对应的关键点检测模型。其中,关键点检测模型可以用于表征目标对象的拍摄图像与目标对象上的关键点对应在拍摄图像中的位置的信息的对应关系。具体地,可以利用各种方法得到上述关键点检测模型。
可选地,可以通过如下步骤得到关键点检测模型:
第一步,可以获取目标对象的各个角度的大量拍摄图像。
第二步,获取每个拍摄图像对应的位置信息集合,即目标对象上预设的每个关键点对应在拍摄图像中的位置的相关信息。在位置信息包括位置坐标时,则对于每个拍摄图像,可以获取目标对象上预设的每个关键点对应在拍摄图像中的位置。
第三步,通过对上述第一步和第二步获取的大量的拍摄图像以及每个拍摄图像对应的位置信息集合的统计分析,建立存储有拍摄图像与拍摄图像对应的位置信息集合的对应关系表,并将建立的对应关系表作为上述关键点检测模型。
之后,在获取到目标对象的一个拍摄图像时,可以将该拍摄图像与上述对应关系表中的每个拍摄图像依次进行比较,将上述对应关系表中与拍摄图像一致或与拍摄图像的相似度最高的拍摄图像所对应的位置信息集合作为获取的目标对象的拍摄图像对应的位置信息集合。
可选地,可以通过如下步骤利用机器学习的方法训练得到关键点检测模型:
第一步,获取训练样本集合。其中,训练样本可以包括目标对象的拍摄图像和拍摄图像对应的位置信息集合。
第二步,利用机器学习的方法,将训练样本集合中的训练样本中的拍摄图像作为输入,将与输入的拍摄图像对应的位置信息集合作为期望输出,训练得到关键点检测模型。
在上述第二步中,具体地,可以通过如下步骤训练得到关键点检测模型:
首先,获取初始关键点检测模型。其中,初始关键点检测模型可以是各种类型的未经训练或未训练完成的人工神经网络或对多种未经训练或未训练完成的用于处理图像(如图像检测、图像特征提取等)的人工神经网络进行组合得到的模型。例如,初始关键点检测模型可以是用于处理图像的深度学习模型、卷积神经网络等。初始关键点检测模型也可以是现有开源的已经训练好的各种类型的用于处理图像的人工神经网络模型。初始关键点检测模型也可以是利用现有的神经网络API根据实际的应用需求构建的神经网络模型。
然后,将训练样本集合中的训练样本中的拍摄图像作为上述初始关键点检测模型的输入,基于初始关键点检测模型的输出和预设的损失函数的差异程度,利用反向传播算法等调整初始关键点检测模型的各层的参数,直到满足一定的预设结束条件,则确定得到关键点检测模型。其中,预设结束条件可以是训练过程中,初始关键点检测模型输出的位置信息集合和对应的输入的拍摄图像所对应的位置信息集合的差异小于一定阈值。
步骤203,针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合。
在本实施例中,可以确定每个关键点对应在基准图像中位置的坐标作为基准坐标,从而得到基准坐标集合。
可选地,可以预先人工标注出各关键点对应在基准图像中的位置的坐标。此时,可以获取预先标注的各个基准坐标,从而得到基准坐标集合。
可选地,可以将基准图像输入至上述关键点检测模型,得到基准图像对应的位置信息集合,此时,得到的位置信息集合中的位置信息包括的位置坐标即为基准坐标。
步骤204,根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在本实施例中,可以先根据得到的位置信息集合中的各位置信息包括的位置坐标,以及各位置信息对应的关键点的基准坐标,利用现有的各种图像几何变换方法(如仿射变换、透视变换、复合变换等)得到拍摄图像和和基准图像之间的变换关系。从而能够确定拍摄图像中的目标图像区域对应在基准图像中的位置。
其中,目标图像区域可以是预先指定的拍摄图像中的任意图像区域。目标图像区域也可以是根据一定的筛选条件筛选出的拍摄图像中的图像区域。例如,筛选条件可以为图像区域中的平均像素值大于预设像素阈值。又例如,筛选条件可以为显示有指定对象的图像区域,此时,目标图像区域可以为图像中指定对象的图像的外接多边形所包含的图像区域,或指定对象的边缘线所包含的图像区域。
举例来说,在一个球场的某次比赛的拍摄图像中,目标图像区域可以为显示有参加比赛的某球员的图像区域,也可以为显示有足球的图像区域。具体地,可以利用现有的图像检测和识别方法在拍摄图像中检测出某球员或足球的位置。
其中,可以首先确定目标图像区域在拍摄图像中的位置,然后,利用拍摄图像和基准图像之间的变换关系,得到目标图像区域在基准图像中的位置。具体地,在目标图像区域的形状为规则的图形时,可以将目标图像区域的几何中心点在拍摄图像中的位置作为目标图像区域在拍摄图像中的位置。在目标图像区域的形状为不规则的图形时,可以将目标图像区域包含的各像素点在拍摄图像中的位置的平均值作为目标图像区域在拍摄图像中的位置。
举例来说,可以从位置信息集合中选取三个位置信息,并根据这三个位置信息包括的位置坐标,以及这三个位置信息对应的关键点的基准坐标,采用仿射变换确定拍摄图像和和基准图像之间的旋转矩阵。然后,根据目标图像区域在拍摄图像中的位置以及得到的旋转矩阵,计算出目标图像区域对应在基准图像中的位置。
需要说明的是,关于利用各种图像几何变换方法求解两个图像之间的变换关系的具体过程是目前广泛研究和应用的公知技术,在此不再赘述。
本申请的上述实施例提供的用于处理图像的方法实现了利用关键点检测模型对目标对象的拍摄图像进行处理,以得到目标对象上的关键点对应在其拍摄图像中的位置,并且根据每个关键点对应在包含目标对象的基准图像中的位置,利用图像几何变换得到拍摄图像中的目标图像区域对应在基准图像中的位置。
进一步参考图3,其示出了用于处理图像的方法的又一个实施例的流程300。该用于处理图像的方法的流程300,包括以下步骤:
步骤301,获取目标对象的拍摄图像和显示有目标对象的基准图像。
本步骤的具体的执行过程可参考图2对应实施例中的步骤201的相关说明,在此不再赘述。
步骤302,将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标和可见性信息。
在本实施例中,位置信息还可以包括可见性信息。其中,可见性信息可以用于表示关键点信息集合中的关键点信息指示的关键点显示在拍摄图像中的概率。
在本实施例的一些可选的实现方式中,可见性信息用零和一之间的数值来表示,包括零和一。数值越大,可以表示对应的关键点显示在拍摄图像中的概率越大。
本步骤的具体的执行过程可参考图2对应实施例中的步骤202的相关说明,在此不再赘述。
步骤303,从得到的位置信息集合中选取包括的可见性信息大于预设的可见性阈值的位置信息,得到子位置信息集合。
在本实施例中,可以将得到的位置信息集合中的各位置信息包括的可见性信息分别与预设的可见性阈值进行比较,然后选取包括的可见性信息大于可见性阈值的位置信息,得到子位置信息集合。其中,可见性阈值可以是根据历史经验或者根据关键点检测模型输出的可见性信息的准确度来确定。
步骤304,根据得到的子位置信息集合中的位置信息包括的位置坐标和得到的子位置信息集合中的位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在本实施例中,可以根据子位置信息集合中的各位置信息包括的位置坐标,以及各位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标区域对应在基准图像中的位置。
举例来说,可以首先根据可见性信息的大小关系,按照从大到小的顺序将子位置信息集合中各位置信息进行排序,然后,从中选出包括的可见性信息较大的前四个位置信息。之后,根据选出的四个位置信息包括的位置坐标和这四个位置信息分别对应的关键点的基准坐标,确定拍摄图像与基准图像之间对应的透视变换矩阵。然后,根据确定的透视变换矩阵,以及目标图像区域在拍摄图像中的位置,计算出目标图像区域对应在基准图像中的位置。
需要说明的是,关于利用透视变换求解两个图像之间的变换关系的具体过程是目前广泛研究和应用的公知技术,在此不再赘述。
步骤305,在基准图像中的目标位置处进行标注。
在本实施例中,可以在基准图像中的目标位置处进行标注。其中,目标位置可以是拍摄图像中的目标图像区域对应在基准图像中的位置。其中,标注的形式可以是文字、图案、超链接等各种形式。
继续参见图4,图4是根据本实施例的用于处理图像的方法的应用场景的一个示意图。在图4的应用场景中,在一个足球场401上预设有8个关键点。各个关键点依次从1到8编号。从在该足球场上举办的一场足球比赛的录制视频中选取其中一帧的拍摄图像403。另外,获取该足球场的一个俯视图402作为基准图像。将拍摄图像403输入至预先训练的、对应于该足球场的关键点检测模型404,得到位置信息集合405。
其中,位置信息集合405中包括8个关键点分别对应在拍摄图像403中的位置的可见性信息和位置坐标。如图中所示,可以以拍摄图像403的一个顶点为坐标原点建立坐标系。位置坐标即可以表示在建立的坐标系下的坐标。其中,编号为1的关键点对应的可见性信息为V1,位置坐标为C1,编号为2的关键点对应的可见性信息为V2,位置坐标为C2,编号为3的关键点对应的可见性信息为V3,位置坐标为C3,编号为4的关键点对应的可见性信息为V4,位置坐标为C4,编号为5的关键点对应的可见性信息为V5,位置坐标为C5,编号为6的关键点对应的可见性信息为V6,位置坐标为C6,编号为7的关键点对应的可见性信息为V7,位置坐标为C7,编号为8的关键点对应的可见性信息为V8,位置坐标为C8。
之后,可以将各个关键点对应的可见性信息分别与预设的可见性阈值406进行比较,从中选出对应的可见性信息大于可见性阈值406的关键点包括编号为1、2、5、6、7的关键点。选出的各关键点对应的位置信息如图中标号407所示。
之后,可以先获取人工预先标注的编号为1、2、5、6、7的这几个关键点在标准图像402中的位置的坐标分别为C1`、C2`、C5`、C6`、C6`,如图中标号408所示。然后,可以根据选出的各关键点的位置信息407包括的位置坐标,以及选出的各关键点在标准图像中的位置的坐标408,利用透视变换求解出拍摄图像403和标准图像402之间的变换关系409。
接下来,可以根据拍摄图像403中足球所在的图像区域410的位置,以及上述确定出的变换关系,求解出图像区域410对应在基准图像402中的目标位置411。进一步地,还可以在基准图像402中标注出目标位置411指示的位置。如图中标号412所示,可以使用一个带阴影的圆412来标注目标位置。
同样地,对于录制视频中的每一帧拍摄图像都可以执行上述处理过程,从而可以依次在标准图像中标注每一帧拍摄图像中显示的关键点对应在基准图像中的位置。进而,可以确定出每一帧拍摄图像中的足球所在的图像区域对应在基准图像中的位置,并在基准图像中对应的位置处进行标注。由此,即可以看出在录制视频所录制的这一段比赛过程中足球的位置移动。类似地,也可以确定每一帧图像中某个球员所在的图像区域对应在基准图像中的位置并进行标注,从而得到在这一段比赛过程中,该球员的跑动位置。基于此,可以进一步地对标注数据进行数据分析。
从图3中可以看出,与图2对应的实施例相比,本实施例中的信息推送方法的流程300在利用关键点检测模型得到各关键点对应在拍摄图像中的位置后,进一步根据各关键点在基准图像中的位置确定拍摄图像和基准图像之间的透视变换关系,从而能够确定出拍摄图像中的目标图像区域对应在基准图像中的位置,并在基准图像中的相应位置处进行标注,从而能够在基准图像中直观地看出拍摄图像中的目标图像区域的映射位置,并在此基础上,还可以进行一定的数据分析。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了用于处理图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于处理图像的装置500包括获取501、处理单元502和确定单元503。其中,获取单元501被配置成获取目标对象的拍摄图像和显示有目标对象的基准图像;处理单元502被配置成将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置,关键点是预先确定的、目标对象上的点;确定单元503被配置成针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;上述确定单元503进一步被配置成根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在本实施例中,用于处理图像的装置500中:获取单元501、处理单元502和确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,位置信息还包括可见性信息,其中,可见性信息用于表示关键点信息集合中的关键点信息指示的关键点显示在拍摄图像中的概率。
在本实施例的一些可选的实现方式中,上述确定单元503进一步别配置成:从得到的位置信息集合中选取包括的可见性信息大于预设的可见性阈值的位置信息,得到子位置信息集合;根据得到的子位置信息集合中的位置信息包括的位置坐标和得到的子位置信息集合中的位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
在本实施例的一些可选的实现方式中,上述装置500还包括:标注单元(图中未示出),被配置成在基准图像中的目标位置处进行标注,其中,目标位置为拍摄图像中的目标图像区域对应在基准图像中的位置。
在本实施例的一些可选的实现方式中,关键点检测模型通过如下步骤训练得到:获取训练样本集合,其中,训练样本包括目标对象的拍摄图像和拍摄图像对应的位置信息集合;利用机器学习的方法,将训练样本集合中的训练样本中的目标对象的拍摄图像作为输入,将与输入的拍摄图像对应的位置信息集合作为期望输出,训练得到关键点检测模型。
在本实施例的一些可选的实现方式中,可见性信息用零和一之间的数值来表示,包括零和一。
本申请的上述实施例提供的装置,通过获取单元获取目标对象的拍摄图像,处理单元将拍摄图像输入至预先训练的、对应于目标对象的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置,关键点是预先确定的目标对象上的点,针对关键点信息集合中的关键点信息,确定单元确定该关键点信息指示的关键点对应在
基准图像中的位置的坐标作为基准坐标,得到基准坐标集合,并根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置,从而实现了利用关键点检测模型对目标对象的拍摄图像进行处理,以得到目标对象上的关键点对应在其拍摄图像中的位置,并且根据每个关键点对应在包含目标对象的基准图像中的位置,利用图像几何变换得到拍摄图像中的目标图像区域对应在基准图像中的位置。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1中的终端设备或服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、处理单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标对象的拍摄图像和显示有目标对象的基准图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取目标对象的拍摄图像和显示有目标对象的基准图像;将拍摄图像输入至预先训练的、与目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在拍摄图像中的位置,关键点是预先确定的、目标对象上的点;针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;根据得到的位置信息集合,利用图像几何变换确定拍摄图像中的目标图像区域对应在基准图像中的位置。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于处理图像的方法,包括:
获取目标对象的拍摄图像和显示有目标对象的基准图像;
将所述拍摄图像输入至预先训练的、与所述目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在所述拍摄图像中的位置,关键点是预先确定的、所述目标对象上的点;
针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在所述基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;
根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定所述拍摄图像中的目标图像区域对应在所述基准图像中的位置。
2.根据权利要求1所述的方法,其中,位置信息还包括可见性信息,其中,可见性信息用于表示关键点信息集合中的关键点信息指示的关键点显示在所述拍摄图像中的概率。
3.根据权利要求2所述的方法,其中,所述根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定所述拍摄图像中的目标图像区域对应在所述基准图像中的位置,包括:
从得到的位置信息集合中选取包括的可见性信息大于预设的可见性阈值的位置信息,得到子位置信息集合;
根据得到的子位置信息集合中的位置信息包括的位置坐标和得到的子位置信息集合中的位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标图像区域对应在所述基准图像中的位置。
4.根据权利要求1所述的方法,其中,所述方法还包括:
在所述基准图像中的目标位置处进行标注,其中,目标位置为所述拍摄图像中的目标图像区域对应在所述基准图像中的位置。
5.根据权利要求1-4之一所述的方法,其中,关键点检测模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括目标对象的拍摄图像和拍摄图像对应的位置信息集合;
利用机器学习的方法,将所述训练样本集合中的训练样本中的目标对象的拍摄图像作为输入,将与输入的拍摄图像对应的位置信息集合作为期望输出,训练得到关键点检测模型。
6.根据权利要求2所述的方法,其中,可见性信息用零和一之间的数值来表示,包括零和一。
7.一种用于处理图像的装置,包括:
获取单元,被配置成获取目标对象的拍摄图像和显示有目标对象的基准图像;
处理单元,被配置成将所述拍摄图像输入至预先训练的、与所述目标对象对应的关键点检测模型,得到位置信息集合,其中,位置信息包括位置坐标,位置坐标用于表示关键点信息集合中的关键点信息指示的关键点对应在所述拍摄图像中的位置,关键点是预先确定的、所述目标对象上的点;
确定单元,被配置成针对关键点信息集合中的关键点信息,确定该关键点信息指示的关键点对应在所述基准图像中的位置的坐标作为基准坐标,得到基准坐标集合;
所述确定单元,进一步被配置成根据得到的位置信息集合和基准坐标集合,利用图像几何变换确定所述拍摄图像中的目标图像区域对应在所述基准图像中的位置。
8.根据权利要求7所述的装置,其中,位置信息还包括可见性信息,其中,可见性信息用于表示关键点信息集合中的关键点信息指示的关键点显示在所述拍摄图像中的概率。
9.根据权利要求8所述的装置,其中,所述确定单元进一步别配置成:
从得到的位置信息集合中选取包括的可见性信息大于预设的可见性阈值的位置信息,得到子位置信息集合;
根据得到的子位置信息集合中的位置信息包括的位置坐标和得到的子位置信息集合中的位置信息对应的关键点的基准坐标,利用透视变换确定拍摄图像中的目标图像区域对应在所述基准图像中的位置。
10.根据权利要求7所述的装置,其中,所述装置还包括:
标注单元,被配置成在所述基准图像中的目标位置处进行标注,其中,目标位置为所述拍摄图像中的目标图像区域对应在所述基准图像中的位置。
11.根据权利要求7-10之一所述的装置,其中,关键点检测模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括目标对象的拍摄图像和拍摄图像对应的位置信息集合;
利用机器学习的方法,将所述训练样本集合中的训练样本中的目标对象的拍摄图像作为输入,将与输入的拍摄图像对应的位置信息集合作为期望输出,训练得到关键点检测模型。
12.根据权利要求8所述的装置,其中,可见性信息用零和一之间的数值来表示,包括零和一。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201810734682.7A 2018-07-06 2018-07-06 用于处理图像的方法和装置 Pending CN108876858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810734682.7A CN108876858A (zh) 2018-07-06 2018-07-06 用于处理图像的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810734682.7A CN108876858A (zh) 2018-07-06 2018-07-06 用于处理图像的方法和装置

Publications (1)

Publication Number Publication Date
CN108876858A true CN108876858A (zh) 2018-11-23

Family

ID=64299700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810734682.7A Pending CN108876858A (zh) 2018-07-06 2018-07-06 用于处理图像的方法和装置

Country Status (1)

Country Link
CN (1) CN108876858A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111241A (zh) * 2019-04-30 2019-08-09 北京字节跳动网络技术有限公司 用于生成动态图像的方法和装置
CN110210526A (zh) * 2019-05-14 2019-09-06 广州虎牙信息科技有限公司 预测被测对象的关键点的方法、装置、设备及存储介质
CN110223220A (zh) * 2019-06-14 2019-09-10 北京百度网讯科技有限公司 一种处理图像的方法和装置
CN110335313A (zh) * 2019-06-17 2019-10-15 腾讯科技(深圳)有限公司 音频采集设备定位方法及装置、说话人识别方法及系统
CN110674815A (zh) * 2019-09-29 2020-01-10 四川长虹电器股份有限公司 基于深度学习关键点检测的发票图像畸变校正方法
CN111241887A (zh) * 2018-11-29 2020-06-05 北京市商汤科技开发有限公司 目标对象关键点识别方法及装置、电子设备和存储介质
CN111582153A (zh) * 2020-05-07 2020-08-25 北京百度网讯科技有限公司 确定文档朝向的方法和装置
CN113129375A (zh) * 2021-04-21 2021-07-16 阿波罗智联(北京)科技有限公司 数据处理方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390282A (zh) * 2013-07-30 2013-11-13 百度在线网络技术(北京)有限公司 图像标注方法及其装置
CN104778712A (zh) * 2015-04-27 2015-07-15 厦门美图之家科技有限公司 一种基于仿射变换的人脸贴图方法和系统
CN107590807A (zh) * 2017-09-29 2018-01-16 百度在线网络技术(北京)有限公司 用于检测图像质量的方法和装置
CN107609506A (zh) * 2017-09-08 2018-01-19 百度在线网络技术(北京)有限公司 用于生成图像的方法和装置
WO2018099556A1 (en) * 2016-11-30 2018-06-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Image processing device and method for producing in real-time a digital composite image from a sequence of digital images of an interior of a hollow structure

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390282A (zh) * 2013-07-30 2013-11-13 百度在线网络技术(北京)有限公司 图像标注方法及其装置
CN104778712A (zh) * 2015-04-27 2015-07-15 厦门美图之家科技有限公司 一种基于仿射变换的人脸贴图方法和系统
WO2018099556A1 (en) * 2016-11-30 2018-06-07 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Image processing device and method for producing in real-time a digital composite image from a sequence of digital images of an interior of a hollow structure
CN107609506A (zh) * 2017-09-08 2018-01-19 百度在线网络技术(北京)有限公司 用于生成图像的方法和装置
CN107590807A (zh) * 2017-09-29 2018-01-16 百度在线网络技术(北京)有限公司 用于检测图像质量的方法和装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241887A (zh) * 2018-11-29 2020-06-05 北京市商汤科技开发有限公司 目标对象关键点识别方法及装置、电子设备和存储介质
CN111241887B (zh) * 2018-11-29 2024-04-16 北京市商汤科技开发有限公司 目标对象关键点识别方法及装置、电子设备和存储介质
CN110111241B (zh) * 2019-04-30 2023-10-03 北京字节跳动网络技术有限公司 用于生成动态图像的方法和装置
CN110111241A (zh) * 2019-04-30 2019-08-09 北京字节跳动网络技术有限公司 用于生成动态图像的方法和装置
CN110210526A (zh) * 2019-05-14 2019-09-06 广州虎牙信息科技有限公司 预测被测对象的关键点的方法、装置、设备及存储介质
CN110223220A (zh) * 2019-06-14 2019-09-10 北京百度网讯科技有限公司 一种处理图像的方法和装置
CN110223220B (zh) * 2019-06-14 2023-03-31 北京百度网讯科技有限公司 一种处理图像的方法和装置
CN110335313A (zh) * 2019-06-17 2019-10-15 腾讯科技(深圳)有限公司 音频采集设备定位方法及装置、说话人识别方法及系统
WO2020253616A1 (zh) * 2019-06-17 2020-12-24 腾讯科技(深圳)有限公司 音频采集设备定位方法及装置、说话人识别方法及系统
US11915447B2 (en) 2019-06-17 2024-02-27 Tencent Technology (Shenzhen) Company Limited Audio acquisition device positioning method and apparatus, and speaker recognition method and system
CN110335313B (zh) * 2019-06-17 2022-12-09 腾讯科技(深圳)有限公司 音频采集设备定位方法及装置、说话人识别方法及系统
CN110674815A (zh) * 2019-09-29 2020-01-10 四川长虹电器股份有限公司 基于深度学习关键点检测的发票图像畸变校正方法
CN111582153B (zh) * 2020-05-07 2023-06-30 北京百度网讯科技有限公司 确定文档朝向的方法和装置
CN111582153A (zh) * 2020-05-07 2020-08-25 北京百度网讯科技有限公司 确定文档朝向的方法和装置
CN113129375B (zh) * 2021-04-21 2023-12-01 阿波罗智联(北京)科技有限公司 数据处理方法、装置、设备及存储介质
CN113129375A (zh) * 2021-04-21 2021-07-16 阿波罗智联(北京)科技有限公司 数据处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108876858A (zh) 用于处理图像的方法和装置
CN108986169A (zh) 用于处理图像的方法和装置
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN108898186A (zh) 用于提取图像的方法和装置
CN109671103A (zh) 目标跟踪方法及装置
CN109191514A (zh) 用于生成深度检测模型的方法和装置
CN107911753A (zh) 用于在视频中添加数字水印的方法和装置
CN108960316A (zh) 用于生成模型的方法和装置
CN109344752A (zh) 用于处理嘴部图像的方法和装置
CN109472264A (zh) 用于生成物体检测模型的方法和装置
CN108491823A (zh) 用于生成人眼识别模型的方法和装置
CN108345387A (zh) 用于输出信息的方法和装置
CN109389640A (zh) 图像处理方法和装置
CN108960110A (zh) 用于生成信息的方法和装置
CN109034069A (zh) 用于生成信息的方法和装置
CN108510454A (zh) 用于生成深度图像的方法和装置
CN109255767A (zh) 图像处理方法和装置
CN109118456A (zh) 图像处理方法和装置
CN108337505A (zh) 信息获取方法和装置
CN109344762A (zh) 图像处理方法和装置
CN109285181A (zh) 用于识别图像的方法和装置
CN108509921A (zh) 用于生成信息的方法和装置
CN109389096A (zh) 检测方法和装置
CN109255814A (zh) 用于处理图像的方法和装置
CN108882025A (zh) 视频帧处理方法和装置

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