CN111062272A - 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 - Google Patents
基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 Download PDFInfo
- Publication number
- CN111062272A CN111062272A CN201911206484.4A CN201911206484A CN111062272A CN 111062272 A CN111062272 A CN 111062272A CN 201911206484 A CN201911206484 A CN 201911206484A CN 111062272 A CN111062272 A CN 111062272A
- Authority
- CN
- China
- Prior art keywords
- image
- reflection
- processing
- unquantized
- channel
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000011084 recovery Methods 0.000 title claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 12
- 238000003672 processing method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 abstract description 3
- 238000007906 compression Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003707 image sharpening Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009349 indirect transmission Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004884 risky behavior Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质，其中图像处理包括：1)连续帧提取；2)高斯模糊；3)通道化处理；4)量化处理得到反射图像；5)加权计算得到增强图像；6)将增强图像进行均值处理和归一化得到预处理图像并输出。本发明提出的基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质，可更加科学地计算增强后的反射图像，将黑暗场景下的低亮度图片清晰地恢复可辨识的图片，较其他图像增强算法噪点更少。同时，不同于传统的线性、非线性的只能增强图像某一类特征的方法，本发明可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同亮度的图像进行自适应增强。
Description
技术领域
本发明涉及图像识别技术领域，具体而言涉及一种基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质置。
背景技术
在目前安防领域中，通过图像算法实现人脸和行人识别的技术已逐渐成熟。但是光线不足的黑暗场景进行识别一直存在着精度严重下降的问题。为解决亮度不足导致的精度损失问题，人们尝试过一些传统的图像增强算法例如直方图均衡化、Gamma校正以及拉普拉斯算子等。由于传统的图像增强算法通常整体提升或降低图片的亮暗程度，当其应用至较复杂的场景中如夜晚路灯下的监控图像，此时图中同时存在非常亮和非常暗的区域，这些算法不能明显提升图像的对比度并且存在较多噪点。
例如现有技术中《A Comparison of the Multiscale Retinex With OtherImage Enhancement Techniques》中提到Non-linear Point Transforms，伽马矫正就是一种经典的非线性点变换的方法，它将幂函数的非线性变换应用于原始图像，其计算公式为：
g(u)＝ur
其中，u是指图像中的像素点的像素值，g(u)为转化后的像素值，r即Gamma值。这种方式通过牺牲“明亮”区域的可见性来增加“黑暗”区域中的“可见性”。而在《图像的局部自适应Gamma校正》中提到Gamma校正算法，校正过程中Gamma值会对校正结果产生较大影响，而传统的Gamma校正方法是在适合图像的Gamma值域[0，3]中，任意选择Gamma值来处理图像，查看结果后对比产生合适的Gamma。由于每张图像所需要的Gamma值不同，所以传统的Gamma校正方法不存在自适应性。
为此，现有技术中通过优化处理，提出一种基于直方图的图像处理，例如《AComparison of the Multiscale Retinex With Other Image Enhancement Techniques》中提到Histogram Equalization，直方图均衡化是一种适用于各种图像的全局技术。但该技术基于将场景的直方图重新映射为具有接近均匀的概率密度函数的直方图的概念，导致将暗区重新分配给较亮的值，并将亮区重新分配给较暗的值。直方图均衡对于具有单峰或弱双峰直方图(即，非常暗或非常亮)的场景效果很好，但对于具有强双峰直方图的图像(即，包含非常暗和非常亮的区域的场景)效果不佳。
另一种典型的方式是通过拉普拉斯算子进行校正，例如《基于拉普拉斯算子的彩色图像锐化处理》提出的图像锐化处理，拉普拉斯算子是一种二阶微分算子。一个连续的二元函数f(x，y)，其拉普拉斯运算定义为：
其中x和y表示二维空间的坐标。在图像锐化处理过程中，函数的拉普拉斯算子是借助模板来实现的。这使得拉普拉斯算子与Gamma校正一样不存在自适应性，算子模板的取样将直接影响图像增强的效果。
由此，现有的算法在实际安防应用场景中，尤其是黑暗环境下的行人识别上，图像增强后如继续进行检测和识别等任务，其增强效果甚至不如未使用图像增强的原图。
发明内容
本发明目的在于提供一种基于色彩恢复的行人识别的方法与系统，以更加科学地计算增强后的反射图像，更加清晰地恢复可辨识的图片，并减少图像增强算法导致的噪点。
为达成上述目的，本发明提供的的基于色彩恢复的行人识别的方法，包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
优选地，所述方法中，高斯模糊处理包括：
对于每一帧图片，作为原始图像I(x，y)；
对原始图像I(x，y)按照设定的N维进行高斯模糊处理，得到N个模糊图像L(x，y)，其中高斯处理的公式如下：
其中，σ表示正态分布的标准差，p表示每个维度对应的指定尺度。
优选地，所述方法中，所述高斯模糊处理过程，N取值为大于等于3的正整数。
优选地，所述方法中，对模糊图像与原始图像在每个指定尺度p下进行通道化处理，得原始图像在每个指定尺度p下的未量化的反射图像Q(x，y)，处理过程包括：
根据下述原始图像、模糊图像与反射图像的关系计算反射图像：
I(x，y)＝L(x，y)*R(x，y)
对公式两端取对数变化得到：
Log[Q(x，y)]＝Log[I(x，y)]-Log[L(x，y)]
由此，计算出每个通道下未量化的反射图像Q(x，y)，其中包含m个通道下的m*p个计算结果。
优选地，所述方法中，对未量化的反射图像Q(x，y)进行量化处理，处理过程包括：
对于未量化的反射图像Q(x，y)，每个通道的各个指定尺度对应的Log[Q(x，y)]值中，确定最小值Min和最大值Max，然后按照下述公式进行量化处理：
得到量化的反射图像R(x，y)。
优选地，所述方法中，将每个通道的量化的反射图像在多维度下计算得到的像素值的加权计算，采用的权重为1/N。
优选地，所述方法中，行人检测与识别的处理包括：
对于预处理图像，采用行人检测算法，得到行人的位置，并提取行人坐标生成用来识别的行人图片；
对检测到的行人图片使用行人识别算法，对比已有的身份信息库，获取行人的身份及行为信息。
根据本发明的第二方面，还提出一种基于色彩恢复的行人识别的装置，包括：
用于接收视频数据的装置；
用于对视频数据进行连续帧图片提取的装置；
用于对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像的装置；
用于对模糊图像与原始图像进行多维处理，获得未量化的反射图像的装置；
用于对未量化的反射图像进行量化处理，量化为0-255的int型像素值并以此作为量化的反射图像的装置；
用于对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像的装置；
用于将增强图像进行均值处理和归一化得到预处理图像的装置；以及
用于对预处理图像使用检测算法进行行人检测与识别的装置。
根据本发明的第三方面，还提出一种计算机系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
根据本发明的第四个方面，还提出一种服务器系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
根据本发明的第五个方面，还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
根据本发明的第六个方面，还提出一种图像处理方法，包括
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像进行输出。
根据本发明的第七个方面，还提出一种图像处理装置，包括：
用于接收视频数据的模块；
用于对视频数据进行连续帧图片提取的模块；
用于对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像的模块；
用于对模糊图像与原始图像进行多维处理，获得未量化的反射图像的模块；
用于对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像的模块；
用于对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像的模块；
用于将增强图像进行均值处理和归一化得到预处理图像进行输出的模块。
根据本发明的第八个方面，还提出一种计算机系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
根据本发明的第九个方面，还提出一种服务器系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
根据本发明的第十个方面，还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
由此，本发明提出的基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质，可更加科学地计算增强后的反射图像，将黑暗场景下的低亮度图片清晰地恢复可辨识的图片，较其他图像增强算法噪点更少。
同时，不同于传统的线性、非线性的只能增强图像某一类特征的方法，本发明可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同亮度的图像进行自适应增强。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是根据本发明实施例的图像处理方案的场景配置示例图。
图2是根据本发明实施例的图像处理的模块框图。
图3是根据本发明实施例的图像处理的流程图。
图4是根据本发明实施例的行人识别的模块框图。
图5是根据本发明实施例的行人识别的流程图。
图6是根据本发明实施例的行人识别的硬件配置图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1-6所示的示例，本发明按照下述顺序进行描述。
1、系统配置
2、图像处理的框图
1)连续帧提取；
2)高斯模糊；
3)通道化处理；
4)量化处理得到反射图像；
5)加权计算得到增强图像；
6)图像均值与归一化处理
3、行人识别处理
4、硬件配置
[系统配置]
图1示例性地表示了实施本发明的图像处理以及行人识别方案的系统配置。图中，系统10包括一个或者多个图像采集装置(100-1，100-2，100-3，...，100-7)以及服务器200。这些图像采集装置可以是独立的图像采集装置，例如独立地固定到抱杆、电力杆、路灯杆等设施上的摄像头，也可以采用嵌入式固定到设备内的方式，例如智能手机、具有图像采集装置的电子设备等，旨在采集摄像头的镜头前方的图像，并通过有线或者无线方式传输链路，经由网络传输给服务器200，由服务器200对接收到的图像进行处理。
这些传输链路可以是基于互联网，物联网或者其他方式进行数据的直接或者间接传输，包括基于Wifi、蓝牙、4G、5G以及其他的通信链路，以局域网、广域网、移动互联网、自组网等方式实现传输。
在一些方案中，图像采集装置还可以是进行移动的，例如通过图像采集装置底部设置的云台或者其他转动机构实现包括但不限于上下、左右、前后等位置和姿态的变换，以有利的安装和控制方式实现对现场实时情况的图像采集。
服务器200，被设置用于接收来自图像采集装置的视频数据，并对这些接收的视频数据进行处理。服务器200，在一些例子中可以是位于本地端的具有数据收发、处理和存储功能的电子系统，例如服务器系统、计算机系统或者其他具有这些功能的设备和/或系统。
可选地，服务器200可安装显卡相关固件并搭建行人检测和识别算法，例如基于深度学习的检测和识别算法。
在另一些可选的方案中，服务器200还可以是设置在远端(或者云端)的服务器系统，通过网络接收视频数据进行图像处理、行人识别等处理。通过图像输出接口进行处理后的图片输出，和/或行人识别的结果输出。
这些输出的图片和/或识别结果，可以被设置成以可感知的形式表征，例如通过视觉可感知的方式表征到显示屏上，和/或以声音可感知的方式通过扬声器/蜂鸣器进行表征。
在一些例子中，这是输出的图片和/识别结果被存储在服务器200内。
进一步地，服务器200还将被设置成根据图像处理输出的图片，采用行人检测和识别算法进行行人身份的识别，结合人脸识别、行为预测算法和人员身份数据底库的比对，实现异常或者风险行为的识别于预警。
[图像处理]
图2表示了本公开的是方案中图像处理部分的配置，即前述的服务器中实现图片处理部分的示例性方框图。结合图2所示的配置示意以及图3所示的处理过程，图片处理部分包括下述部分：
1)连续帧提取
2)高斯模糊；
3)通道化处理；
4)量化处理得到反射图像；
5)加权计算得到增强图像；
6)图像均值与归一化处理，然后输出图像。
下面结合附图3对前述过程进行更加具体的示例性说明。
1)接收视频数据，即从一个或者多个图像采集装置接收视频数据。
2)对视频数据进行连续帧图片提取。
3)对提取的每一帧图片作为一原始图像I(x，y)进行多维度高斯模糊，得到模糊图像L(x，y)。
4)对模糊图像与原始图像进行多维处理，获得未量化的反射图像Q(x，y)。
5)对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像R(x，y)。
6)对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像O(x，y)；
7)最后将增强图像O(x，y)进行均值处理和归一化得到预处理图像。
具体的示例中，前述步骤7)，对增强图像O(x，y)进行减均值处理，然后进行归一化处理，得到输出的预处理图像M(x，y)。
优选地，均值的经验定义为(104，117，123)或者(127.5，127.5，127.5)，每个通道均分别减去对应的数值。
结合图示，本发明的示例性实施例中，在前述步骤3)中，以三个维度的指定尺度为例进行说明，即N＝3。
应当理解，高斯模糊处理过程，N取值不限于3，可以是大于等于3的正整数。
指定的尺度，在本实施例中以15，80，200为例进行说明，但并不以此为限制。本领域人员可以根据实际或者以逐次增大的方式选取正整数进行处理。
优选地，所述方法步骤3)中，高斯模糊处理包括：
对于每一帧图片，作为原始图像I(x，y)；
对原始图像I(x，y)按照设定的N维进行高斯模糊处理，得到N个模糊图像L(x，y)，其中高斯处理的公式如下：
其中，σ表示正态分布的标准差，p表示每个维度对应的指定尺度。
优选地，所述方法步骤4)中，对模糊图像与原始图像在每个指定尺度p下进行通道化处理，得原始图像在每个指定尺度p下的未量化的反射图像Q(x，y)，处理过程包括：
根据下述原始图像、模糊图像与反射图像的关系计算反射图像：
I(x，y)＝L(x，y)*R(x，y)
对公式两端取对数变化得到：
Log[Q(x，y)]＝Log[I(x，y)]-Log[L(x，y)]
由此，计算出每个通道下未量化的反射图像Q(x，y)，其中包含m个通道下的m*p个计算结果。
优选地，所述方法步骤5)中，对未量化的反射图像Q(x，y)进行量化处理，处理过程包括：
对于未量化的反射图像Q(x，y)，每个通道的各个指定尺度对应的Log[Q(x，y)]值中，确定最小值Min和最大值Max，然后按照下述公式进行量化处理：
得到量化的反射图像R(x，y)。
优选地，所述方法中，将每个通道的量化的反射图像在多维度下计算得到的像素值的加权计算，采用的权重为1/N，利于降低计算复杂度，优化算法对泛场景的应用。
[行人识别处理]
结合图4、5所示，在前述图3所示的示例输出预处理图片M(x，y)的基础上，服务器200(尤其是器处理器)进一步执行行人检测(定位算法)，实现对图片中人的定位检测，得到行人在图片中的位置。检测算法可使用现有的行人检测算法以及INRIA数据库、Caltech数据库和TUD行人数据库等训练样本库实现，例如基于运动检测的算法、基于机器学习算法、HOG+SVM行人检测算法、HOG+AdaBoost行人检测算法、ICF+AdaBoost以及基于深度学习的算法等。
优选地，还可以提取行人坐标生成用来识别的行人图片。
进一步地，对检测到的行人图片还可以使用行人识别算法，对比已有的身份信息库，获取行人的身份信息。还可以基于行人的其他信息，例如动作数据、行为数据和人脸数据等，对其行为信息进行预测和判断。
这些行人识别算法，可以基于1：N的人脸识别算法实现。
针对识别的结果，进行注入安防领域的应用和处理。例如，如果监测和识别正常，人脸验证通过，则继续处理下一帧图像。而如果识别出来一场尽快，例如验证不通过或者存在于风险数据库(例如通缉或者是失信人员数据库)，则提供安保人员进行巡视、询问或者其他干预处理。
[硬件配置]
图6是根据本公开的实施方式的图片处理、行人识别的硬件配置的实例示意。装置600可以实施诸如根据本公开的实施方案的图片处理和基于图片处理结果的行人识别以及预警处理。装置600，尤其可以是位于本地端或者远端的计算机系统。还可以是服务器的架构(通常去除显示器)。
装置600可以包括CPU 601、ROM 603、RAM 604、用户交互界面609、通信模块613和显示器615。这些部件通过例如总线相互连接，以集成或者独立的方式设置在板卡或者集成电路内。
通信模块613，可选有线或者无线通信模块，例如4G、5G等无线网络通信模块。
CPU 601、ROM 603和RAM 604通过读取和执行例如被记录在外置存储器611中的程序指令，用软件实施各种类型的功能。在本公开的实施方案中，图片处理过程的控制可以例如由CPU 601、ROM 603和RAM 604来实施。
用户交互界面609为例如接收用户操作的输入装置(诸如触控面板、虚拟按键、图像拍摄按钮等)。
显示器615由能够视觉上向用户通知信息的装置构成。例如，显示器615可以是显示设备(诸如液晶显示器LCD)。显示器615输出通过CPU 601、ROM603和RAM 604中的软件实施压缩处理后输出的结果作为图片，展示给用户。
应当理解，每个上述构成元件可以通过使用通用部件构成，或可以由专门用于每个构成元件的功能的硬件构成。这种配置可以在实施时适当地改变。
本公开的实施方案可以包括如上所述的图片处理装置、系统(尤其是计算机系统)、由图片处理装置或者计算机系统执行的图片处理方法、以及在上面记录有可执行的程序的非易失性存储介质。
[其他补充]
结合图示，本发明的前述实施例还可以根据具体实施配置如下。
1)一种基于色彩恢复的行人识别的装置，包括：
用于接收视频数据的装置；
用于对视频数据进行连续帧图片提取的装置；
用于对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像的装置；
用于对模糊图像与原始图像进行多维处理，获得未量化的反射图像的装置；
用于对未量化的反射图像进行量化处理，量化为0-255的int型像素值并以此作为量化的反射图像的装置；
用于对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像的装置；
用于将增强图像进行均值处理和归一化得到预处理图像的装置；以及
用于对预处理图像使用检测算法进行行人检测与识别的装置。
2)一种计算机系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
3)一种服务器系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
4)一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
5)一种图像处理方法，包括
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像进行输出。
6)一种图像处理装置，包括：
用于接收视频数据的模块；
用于对视频数据进行连续帧图片提取的模块；
用于对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像的模块；
用于对模糊图像与原始图像进行多维处理，获得未量化的反射图像的模块；
用于对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像的模块；
用于对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像的模块；
用于将增强图像进行均值处理和归一化得到预处理图像进行输出的模块。
7)一种计算机系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
8)一种服务器系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
9)一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (20)
1.一种基于色彩恢复的行人识别的方法，其特征在于，包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
2.根据权利要求1所述的基于色彩恢复的行人识别的方法，其特征在于，所述方法中，高斯模糊处理包括：
对于每一帧图片，作为原始图像I(x，y)；
对原始图像I(x，y)按照设定的N维进行高斯模糊处理，得到N个模糊图像L(x，y)，其中高斯处理的公式如下：
其中，σ表示正态分布的标准差，p表示每个维度对应的指定尺度。
3.根据权利要求1所述的基于色彩恢复的行人识别的方法，其特征在于，所述方法中，所述高斯模糊处理过程，N取值为大于等于3的正整数。
4.根据权利要求2所述的基于色彩恢复的行人识别的方法，其特征在于，所述方法中，对模糊图像与原始图像在每个指定尺度p下进行通道化处理，得原始图像在每个指定尺度p下的未量化的反射图像Q(x，y)，处理过程包括：
根据下述原始图像、模糊图像与反射图像的关系计算反射图像：
I(x，y)＝L(x，y)*R(x，y)
对公式两端取对数变化得到：
Log[Q(x，y)]＝Log[I(x，y)]-Log[L(x，y)]
由此，计算出每个通道下未量化的反射图像Q(x，y)，其中包含m个通道下的m*p个计算结果。
5.根据权利要求4所述的基于色彩恢复的行人识别的方法，其特征在于，所述方法中，对未量化的反射图像Q(x，y)进行量化处理，处理过程包括：
对于未量化的反射图像Q(x，y)，每个通道的各个指定尺度对应的Log[Q(x，y)]值中，确定最小值Min和最大值Max，然后按照下述公式进行量化处理：
得到量化的反射图像R(x，y)。
6.根据权利要求1所述的基于色彩恢复的行人识别的方法，其特征在于，所述方法中，将每个通道的量化的反射图像在多维度下计算得到的像素值的加权计算，采用的权重为1/N。
7.根据权利要求1-6中任意一项所述的基于色彩恢复的行人识别的方法，其特征在于，所述方法中，行人检测与识别的处理包括：
对于预处理图像，采用行人检测算法，得到行人的位置，并提取行人坐标生成用来识别的行人图片；
对检测到的行人图片使用行人识别算法，对比已有的身份信息库，获取行人的身份及行为信息。
8.一种基于色彩恢复的行人识别的装置，其特征在于，包括：
用于接收视频数据的装置；
用于对视频数据进行连续帧图片提取的装置；
用于对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像的装置；
用于对模糊图像与原始图像进行多维处理，获得未量化的反射图像的装置；
用于对未量化的反射图像进行量化处理，量化为0-255的int型像素值并以此作为量化的反射图像的装置；
用于对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像的装置；
用于将增强图像进行均值处理和归一化得到预处理图像的装置；以及
用于对预处理图像使用检测算法进行行人检测与识别的装置。
9.一种计算机系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
10.一种服务器系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
11.一种存储软件的计算机可读取介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像；以及
对预处理图像使用检测算法进行行人检测与识别。
12.一种图像处理方法，其特征在于，包括
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像进行输出。
13.根据权利要求12所述的图像处理方法，其特征在于，所述方法中，高斯模糊处理包括：
对于每一帧图片，作为原始图像I(x，y)；
对原始图像I(x，y)按照设定的N维进行高斯模糊处理，得到N个模糊图像L(x，y)，其中高斯处理的公式如下：
其中，σ表示正态分布的标准差，p表示每个维度对应的指定尺度。
14.根据权利要求12所述的图像处理方法，其特征在于，所述方法中，所述高斯模糊处理过程，N取值为大于等于3的正整数。
15.根据权利要求13所述的图像处理方法，其特征在于，所述方法中，对模糊图像与原始图像在每个指定尺度p下进行通道化处理，得原始图像在每个指定尺度p下的未量化的反射图像Q(x，y)，处理过程包括：
根据下述原始图像、模糊图像与反射图像的关系计算反射图像：
I(x，y)＝L(x，y)*R(x，y)
对公式两端取对数变化得到：
Log[Q(x，y)]＝Log[I(x，y)]-Log[L(x，y)]
由此，计算出每个通道下未量化的反射图像Q(x，y)，其中包含m个通道下的m*p个计算结果。
16.根据权利要求15所述的图像处理方法，其特征在于，所述方法中，对未量化的反射图像Q(x，y)进行量化处理，处理过程包括：
对于未量化的反射图像Q(x，y)，每个通道的各个指定尺度对应的Log[Q(x，y)]值中，确定最小值Min和最大值Max，然后按照下述公式进行量化处理：
得到量化的反射图像R(x，y)。
17.一种图像处理装置、其特征在于，包括：
用于接收视频数据的模块；
用于对视频数据进行连续帧图片提取的模块；
用于对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像的模块；
用于对模糊图像与原始图像进行多维处理，获得未量化的反射图像的模块；
用于对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像的模块；
用于对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像的模块；
用于将增强图像进行均值处理和归一化得到预处理图像进行输出的模块。
18.一种计算机系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
19.一种服务器系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
20.一种存储软件的计算机可读取介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：
接收视频数据；
对视频数据进行连续帧图片提取；
对提取的每一帧图片作为一原始图像进行多维度高斯模糊，得到模糊图像；
对模糊图像与原始图像进行多维处理，获得未量化的反射图像；
对未量化的反射图像进行量化处理，量化为0-255的int型像素值，作为量化的反射图像；
对于原始图像的每个通道，通过将每个通道的量化的反射图像在多维度下计算得到的像素值进行加权得到最终的增强图像；
将增强图像进行均值处理和归一化得到预处理图像并输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206484.4A CN111062272A (zh) | 2019-11-29 | 2019-11-29 | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206484.4A CN111062272A (zh) | 2019-11-29 | 2019-11-29 | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111062272A true CN111062272A (zh) | 2020-04-24 |
Family
ID=70299152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911206484.4A Pending CN111062272A (zh) | 2019-11-29 | 2019-11-29 | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062272A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991159A (zh) * | 2021-04-29 | 2021-06-18 | 南京甄视智能科技有限公司 | 人脸光照质量评估方法、系统、服务器与计算机可读介质 |
| CN113160357A (zh) * | 2021-04-07 | 2021-07-23 | 浙江工商大学 | 信息审核方法、系统、计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
| CN107798661A (zh) * | 2017-10-17 | 2018-03-13 | 华南理工大学 | 一种自适应的图像增强方法 |
| CN107832711A (zh) * | 2017-11-13 | 2018-03-23 | 常州大学 | 一种基于迁移学习的行人重识别方法 |
| CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
-
2019
- 2019-11-29 CN CN201911206484.4A patent/CN111062272A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
| CN107798661A (zh) * | 2017-10-17 | 2018-03-13 | 华南理工大学 | 一种自适应的图像增强方法 |
| CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
| CN107832711A (zh) * | 2017-11-13 | 2018-03-23 | 常州大学 | 一种基于迁移学习的行人重识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 只(挚)爱图像处理: "《带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用》", 《博客园》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160357A (zh) * | 2021-04-07 | 2021-07-23 | 浙江工商大学 | 信息审核方法、系统、计算机可读存储介质 |
| CN112991159A (zh) * | 2021-04-29 | 2021-06-18 | 南京甄视智能科技有限公司 | 人脸光照质量评估方法、系统、服务器与计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9104914B1 (en) | Object detection with false positive filtering | |
| CN112102204B (zh) | 图像增强方法、装置及电子设备 | |
| CN107172354B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| EP2806373A2 (en) | Image processing system and method of improving human face recognition | |
| KR20180109665A (ko) | 객체 검출을 위한 영상 처리 방법 및 장치 | |
| KR101727438B1 (ko) | 가변형 표현 검출기 | |
| CN109829859B (zh) | 图像处理方法及终端设备 | |
| WO2014070273A1 (en) | Recursive conditional means image denoising | |
| CN111325051A (zh) | 一种基于人脸图像roi选取的人脸识别方法及装置 | |
| WO2023093151A1 (zh) | 图像筛选方法及装置、电子设备和存储介质 | |
| US8824791B2 (en) | Color correction for static cameras | |
| CN110766007A (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
| CN113688820B (zh) | 频闪条带信息识别方法、装置和电子设备 | |
| CN113012383A (zh) | 火灾检测报警方法、相关系统、相关设备及存储介质 | |
| CN111062272A (zh) | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 | |
| CN112508815A (zh) | 模型的训练方法和装置、电子设备、机器可读存储介质 | |
| Chen et al. | Improve transmission by designing filters for image dehazing | |
| CN111080683A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN112241982A (zh) | 一种图像处理方法、装置及机器可读存储介质 | |
| CN107424134B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
| CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
| CN111091056B (zh) | 图像中的墨镜识别方法及装置、电子设备、存储介质 | |
| CN117994542A (zh) | 异物检测方法、装置以及系统 | |
| CN112418279A (zh) | 图像融合方法、装置、电子设备及可读存储介质 | |
| Mustafah et al. | Face detection system design for real time high resolution smart camera |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |
|
| RJ01 | Rejection of invention patent application after publication |