生成目标图像的方法、装置及设备制造方法及图纸

本说明书一个或多个实施例公开了一种生成目标图像的方法、装置及设备，用以实现生成目标图像的自动化和精确化。所述方法包括：获取原始图像；获取经深度学习得到的目标图像模型，所述目标图像模型包括与目标图像的图像轮廓相对应的至少三个点的信息；在所述原始图像中，根据所述目标图像模型对所述目标图像的至少三个点进行定位；根据所述定位的至少三个点对所述原始图像进行处理，得到所述目标图像。

【技术实现步骤摘要】
生成目标图像的方法、装置及设备
本说明书涉及图像处理领域，尤其涉及一种生成目标图像的方法、装置及设备。
技术介绍
随着科学技术的飞速发展，摄像技术广泛应用于各个领域，如用于对特定场景进行监控、对目标人物进行检索等。在对摄像头所采集的原始图像进行处理时，往往需要从原始图像中识别出目标物体或目标人物。尤其是在当今时代，每个人都会有大量的证件，且在很多场景应用中都需要对电子证件进行识别。现有技术中，在证件电子化的过程中，通常采用直接拍摄证件照片、扫描证件、打印证件等方式获取电子证件。显然，通过直接拍摄或扫描、打印等方式所获取的电子证件均不够正式，无法体现证件的法律效应，且往往存在很多问题，如背景干扰、不够清晰、尺寸不合格等。
技术实现思路
本说明书一个或多个实施例的目的是提供一种生成目标图像的方法、装置及设备，用以实现生成目标图像的自动化和精确化。为解决上述技术问题，本说明书一个或多个实施例是这样实现的：一方面，本说明书一个或多个实施例提供一种生成目标图像的方法，包括：获取原始图像；获取经深度学习得到的目标图像模型，所述目标图像模型包括与目标图像的图像轮廓相对应的至少三个点的信息；在所述原始图像中，根据所述目标图像模型对所述目标图像的至少三个点进行定位；根据所述定位的至少三个点对所述原始图像进行处理，得到所述目标图像。可选地，在所述原始图像中，根据所述目标图像模型对所述目标图像的至少三个点进行定位之前，所述方法还包括：对所述原始图像进行质量检测，得到至少一个检测项对应的检测结果，所述检测项包括曝光度、是否模糊、是否被遮挡中的至少一项；当所述至少一个检测项对应的检测结果均为检测通过时，确定所述原始图像满足预设质量要求；当存在至少一个目标检测项对应的检测结果为检测未通过时，针对所述目标检测项对所述原始图像进行相应调整，以使所述调整后的原始图像满足所述预设质量要求；或者，重新获取所述原始图像，并对所述重新获取的原始图像进行质量检测，直至所述原始图像满足所述预设质量要求。可选地，所述获取经深度学习得到的目标图像模型之前，所述方法还包括：获取多个包含样本目标图像的样本原始图像，各所述样本原始图像中标记有所述样本目标图像对应的至少三个样本点的位置信息；将各所述至少三个样本点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述目标图像模型。可选地，所述卷积神经网络包括至少两个卷积层；将各所述至少三个样本点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述目标图像模型，包括：将所述至少三个样本点的位置信息作为所述卷积神经网络的第一卷积层的输入参数进行学习，得到第一学习结果，所述第一学习结果包括各所述样本目标图像对应的至少三个样本点、边缘线、目标区域中的至少两项之间的第一位置关系；将所述第一学习结果作为第二卷积层的输入参数进行学习，直至执行完所述至少两个卷积层中的各卷积层分别对应的学习操作，得到第二学习结果，所述第二学习结果包括各所述样本目标图像对应的至少三个样本点、边缘线、目标区域中的至少两项之间的第二位置关系；将所述第一学习结果和所述第二学习结果分别映射至所述卷积神经网络的样本标记空间的各结点上；对所述各结点上的数据进行综合学习，得到第三学习结果，所述第三学习结果包括所述至少三个点的信息；根据所述第三学习结果生成所述目标图像模型。可选地，所述至少三个样本点的位置信息包括：相对横坐标和相对纵坐标。可选地，根据所述定位的至少三个点对所述原始图像进行处理，包括：将所述定位的至少三个点依次连接形成闭合区域；判断所述闭合区域是否符合与指定视角的所述目标图像相匹配的预设形状；若是，则根据所述定位的至少三个点对所述原始图像进行处理；若否，则针对所述原始图像进行透视变换，得到符合所述预设形状的原始图像；根据所述定位的至少三个点对所述透视变换之后的原始图像进行处理。可选地，根据所述定位的至少三个点对所述原始图像进行处理，包括：针对所述原始图像，沿所述闭合区域的边缘进行切割，得到所述闭合区域对应的图像；确定所述闭合区域对应的图像为所述目标图像。另一方面，本说明书一个或多个实施例提供一种生成电子证件的方法，包括：获取原始图像；获取经深度学习得到的电子证件模型，所述电子证件模型包括目标证件图像的边缘线交点的信息；在所述原始图像中，根据所述电子证件模型对所述目标证件图像的边缘线交点进行定位；根据所述定位的边缘线交点对所述原始图像进行处理，得到所述目标证件图像。可选地，所述获取原始图像，包括：拍摄目标证件，得到待检验图像；根据预设的证件图像分类模型对所述待检验图像进行分类，所述证件图像分类模型包括证件图像和/或非证件图像的信息；当所述待检验图像属于所述证件图像时，确定获取到包含所述目标证件图像的原始图像。可选地，在所述原始图像中，根据所述电子证件模型对所述目标证件图像的边缘线交点进行定位之前，所述方法还包括：对所述原始图像进行质量检测，得到至少一个检测项对应的检测结果，所述检测项包括曝光度、是否模糊、是否被遮挡中的至少一项；当所述至少一个检测项对应的检测结果均为检测通过时，确定所述原始图像满足预设质量要求；当存在至少一个目标检测项对应的检测结果为检测未通过时，针对所述目标检测项对所述原始图像进行相应调整，以使所述调整后的原始图像满足所述预设质量要求；或者，重新获取所述原始图像，并对所述重新获取的原始图像进行质量检测，直至所述原始图像满足所述预设质量要求。可选地，所述获取经深度学习得到的电子证件模型之前，所述方法还包括：获取多个包含样本目标证件图像的样本原始图像，各所述样本原始图像中标记有所述样本目标证件图像对应的样本边缘线交点的位置信息；将各所述样本边缘线交点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述电子证件模型。可选地，所述卷积神经网络包括至少两个卷积层；将各所述样本边缘线交点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述电子证件模型，包括：将所述样本边缘线交点的位置信息作为所述卷积神经网络的第一卷积层的输入参数进行学习，得到第一学习结果，所述第一学习结果包括各所述样本目标证件图像对应的样本边缘线交点、边缘线、证件头像中的至少两项之间的第一位置关系；将所述第一学习结果作为第二卷积层的输入参数进行学习，直至执行完所述至少两个卷积层中的各卷积层分别对应的学习操作，得到第二学习结果，所述第二学习结果包括各所述样本目标证件图像对应的样本边缘线交点、边缘线、证件头像中的至少两项之间的第二位置关系；将所述第一学习结果和所述第二学习结果分别映射至所述卷积神经网络的样本标记空间的各结点上；对所述各结点上的数据进行综合学习，得到第三学习结果，所述第三学习结果包括所述边缘线交点的信息；根据所述第三学习结果生成所述电子证件模型。可选地，所述样本边缘线交点的位置信息包括：相对横坐标和相对纵坐标。可选地，根据所述定位的样本边缘线交点对所述原始图像进行处理，包括：将所述定位的边缘线交点依次连接形成闭合区域；判断所述闭合区域的形状是否符合与指定视角的所述目标证件图像相匹配的预设形状；若是，则根据所述定位的边缘线交点对所述原始图像进行处理；若否，则针对所述原始图像进行透视变换，得到符合所述预设形状的原始图像；根据所述定位的边缘本文档来自技高网...

【技术保护点】
一种生成目标图像的方法，包括：获取原始图像；获取经深度学习得到的目标图像模型，所述目标图像模型包括与目标图像的图像轮廓相对应的至少三个点的信息；在所述原始图像中，根据所述目标图像模型对所述目标图像的至少三个点进行定位；根据所述定位的至少三个点对所述原始图像进行处理，得到所述目标图像。

【技术特征摘要】
1.一种生成目标图像的方法，包括：获取原始图像；获取经深度学习得到的目标图像模型，所述目标图像模型包括与目标图像的图像轮廓相对应的至少三个点的信息；在所述原始图像中，根据所述目标图像模型对所述目标图像的至少三个点进行定位；根据所述定位的至少三个点对所述原始图像进行处理，得到所述目标图像。2.根据权利要求1所述的方法，在所述原始图像中，根据所述目标图像模型对所述目标图像的至少三个点进行定位之前，所述方法还包括：对所述原始图像进行质量检测，得到至少一个检测项对应的检测结果，所述检测项包括曝光度、是否模糊、是否被遮挡中的至少一项；当所述至少一个检测项对应的检测结果均为检测通过时，确定所述原始图像满足预设质量要求；当存在至少一个目标检测项对应的检测结果为检测未通过时，针对所述目标检测项对所述原始图像进行相应调整，以使所述调整后的原始图像满足所述预设质量要求；或者，重新获取所述原始图像，并对所述重新获取的原始图像进行质量检测，直至所述原始图像满足所述预设质量要求。3.根据权利要求1所述的方法，所述获取经深度学习得到的目标图像模型之前，所述方法还包括：获取多个包含样本目标图像的样本原始图像，各所述样本原始图像中标记有所述样本目标图像对应的至少三个样本点的位置信息；将各所述至少三个样本点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述目标图像模型。4.根据权利要求3所述的方法，所述卷积神经网络包括至少两个卷积层；将各所述至少三个样本点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述目标图像模型，包括：将所述至少三个样本点的位置信息作为所述卷积神经网络的第一卷积层的输入参数进行学习，得到第一学习结果，所述第一学习结果包括各所述样本目标图像对应的至少三个样本点、边缘线、目标区域中的至少两项之间的第一位置关系；将所述第一学习结果作为第二卷积层的输入参数进行学习，直至执行完所述至少两个卷积层中的各卷积层分别对应的学习操作，得到第二学习结果，所述第二学习结果包括各所述样本目标图像对应的至少三个样本点、边缘线、目标区域中的至少两项之间的第二位置关系；将所述第一学习结果和所述第二学习结果分别映射至所述卷积神经网络的样本标记空间的各结点上；对所述各结点上的数据进行综合学习，得到第三学习结果，所述第三学习结果包括所述至少三个点的信息；根据所述第三学习结果生成所述目标图像模型。5.根据权利要求3或4所述的方法，所述至少三个样本点的位置信息包括：相对横坐标和相对纵坐标。6.根据权利要求1所述的方法，根据所述定位的至少三个点对所述原始图像进行处理，包括：将所述定位的至少三个点依次连接形成闭合区域；判断所述闭合区域是否符合与指定视角的所述目标图像相匹配的预设形状；若是，则根据所述定位的至少三个点对所述原始图像进行处理；若否，则针对所述原始图像进行透视变换，得到符合所述预设形状的原始图像；根据所述定位的至少三个点对所述透视变换之后的原始图像进行处理。7.根据权利要求6所述的方法，根据所述定位的至少三个点对所述原始图像进行处理，包括：针对所述原始图像，沿所述闭合区域的边缘进行切割，得到所述闭合区域对应的图像；确定所述闭合区域对应的图像为所述目标图像。8.一种生成电子证件的方法，包括：获取原始图像；获取经深度学习得到的电子证件模型，所述电子证件模型包括目标证件图像的边缘线交点的信息；在所述原始图像中，根据所述电子证件模型对所述目标证件图像的边缘线交点进行定位；根据所述定位的边缘线交点对所述原始图像进行处理，得到所述目标证件图像。9.根据权利要求8所述的方法，所述获取原始图像，包括：拍摄目标证件，得到待检验图像；根据预设的证件图像分类模型对所述待检验图像进行分类，所述证件图像分类模型包括证件图像和/或非证件图像的信息；当所述待检验图像属于所述证件图像时，确定获取到包含所述目标证件图像的原始图像。10.根据权利要求8所述的方法，所述获取经深度学习得到的电子证件模型之前，所述方法还包括：获取多个包含样本目标证件图像的样本原始图像，各所述样本原始图像中标记有所述样本目标证件图像对应的样本边缘线交点的位置信息；将各所述样本边缘线交点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述电子证件模型。11.根据权利要求10所述的方法，所述卷积神经网络包括至少两个卷积层；将各所述样本边缘线交点的位置信息作为卷积神经网络的输入参数进行深度学习，得到所述电子证件模型，包括：将所述样本边缘线交点的位置信息作为所述卷积神经网络的第一卷积层的输入参数进行学习，得到第一学习结果，所述第一学习结果包括各所述样本目标证件图像对应的样本边缘线交点、边缘线、证件头像中的至少两项之间的第一位置关系；将所述第一学习结果作为第二卷积层的输入参数进行学习，直至执行完所述至少两个卷积层中的各卷积层分别对应的学习操作，得到第二学习结果，所述第二学习结果包括各所述样本目标证件图像对应的样本边缘线交点、边缘线、证件头像中的至少两项之间的第二位置关系；将所述第一学习结果和所述第二学习结果分别映射至所述卷积神经网络的样本标记空间的各结点上；对所述各结点上的数据进行综合学习，得到第三学习结果，所述第三学习结果包括所述边缘线交点的信息；根据所述第三学习结果生成所述电子证件模型。12.一种生成目标图像的装置，包括：第一获取模块，获取原始图像；第二获取模块，获取经深度学习得到的目标图像模型，所述目标图像模型包括与目标图像的图像轮廓相对应的至少三个点的信息；定位模块，在所述原始图像中，根据所述目标图像模型对...

【专利技术属性】
技术研发人员：郑丹丹，吴燕萍，徐崴，李亮，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY