基于聚类的证照图像高光检测方法及装置的制造方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，具体而言涉及一种基于聚类的证照图像高光检测 方法及装置。
【背景技术】
[0002] 随着社会的发展以及互联网的普及，越来越多的业务可以通过互联网远程办理。 在这些业务中，出于便捷、安全以及法律法规等方面的考虑，可能需要用户利用智能手机、 平板电脑或网络摄像头等设备拍摄并上传自己的证照（如身份证、护照、驾驶证以及营业 执照等）图像。然而，一些用户上传的证照图像可能存在各种各样的质量问题，其中由于证 照反光而产生强光是常见的一种。强光可能掩盖证照中的一部分重要信息，会给后续的人 工验证或机器识别造成极大的障碍。因此，存在强光的图像会被认定为违规图像。在实际 的业务中，需要一种可以预先判断图像中是否存在强光的有效途径。
[0003] 目前，图像中强光的判断很大程度上依赖于人工，也就是通过人眼查看图像并将 存在强光的图像筛选出来。当需要判断的图像数目巨大时，人工查看和判断的效率和成本 将成为严重的制约瓶颈。目前，存在有针对证件图像的高光去除方法，但是仅对于人脸有 效，不是通用方法，无法推广到不同类型的图像，或者虽然可以消除不同类型图像中的高 光，但是需要用户预先指定高光所在的区域，无法自动判断图像中是否存在高光。总之，现 有的方法和系统在精度、适应性和效率等方面存在缺陷。
【发明内容】
[0004] 针对现有技术的不足，一方面，本发明提供一种基于聚类的证照图像高光检测方 法，所述证照图像高光检测方法包括：从待测图像中随机采集多个不同尺度的图像块；计 算所述图像块的图像特征；基于所述图像特征对所述图像块进行聚类；以及计算聚类后每 一类别所包括的图像块的平均亮度，并基于最大平均亮度与预定阈值的比较结果确定所述 待测图像中是否包含强光。
[0005] 在本发明的一个实施例中，所述基于最大平均亮度与预定阈值的比较结果确定所 述待测图像中是否包含强光的步骤包括：如果所述最大平均亮度小于所述预定阈值，则确 定所述待测图像中不包含强光；以及如果所述最大平均亮度大于或等于所述预定阈值，则 计算所述最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的比例，如果所 述比例在预定范围内，则确定所述待测图像中包含强光。
[0006] 在本发明的一个实施例中，所述基于所述图像特征对所述图像块进行聚类的步骤 采用K均值聚类算法实现。
[0007] 在本发明的一个实施例中，所述聚类的类别数基于所述待测图像的复杂度而设 置。
[0008] 在本发明的一个实施例中，所述计算所述图像块的图像特征的步骤包括计算所述 图像块的梯度特征和/或颜色特征。
[0009] 另一方面，本发明还提供一种基于聚类的证照图像高光检测装置，所述证照图像 高光检测装置包括：采集模块，用于从待测图像中随机采集多个不同尺度的图像块；特征 提取模块，用于计算所述图像块的图像特征；聚类模块，用于基于所述图像特征对所述图像 块进行聚类；以及强光判断模块，用于计算聚类后每一类别所包括的图像块的平均亮度，并 基于最大平均亮度与预定阈值的比较结果确定所述待测图像中是否包含强光。
[0010] 在本发明的一个实施例中，所述强光判断模炔基于最大平均亮度与预定阈值的比 较结果确定所述待测图像中是否包含强光的操作包括：如果所述最大平均亮度小于所述预 定阈值，则确定所述待测图像中不包含强光；以及如果所述最大平均亮度大于或等于所述 预定阈值，则计算所述最大平均亮度所对应类别的图像块的数目占所采集的所有图像块的 比例，如果所述比例在预定范围内，则确定所述待测图像中包含强光。
[0011] 在本发明的一个实施例中，所述聚类模块采用K均值聚类算法基于所述图像特征 对所述图像块进行聚类。
[0012] 在本发明的一个实施例中，所述聚类的类别数基于所述待测图像的复杂度而设 置。
[0013] 在本发明的一个实施例中，所述特征提取模块计算所述图像块的图像特征的操作 包括计算所述图像块的梯度特征和/或颜色特征。
[0014] 本发明提供的基于聚类的证照图像高光检测方法及装置通过图像特性自动判断 图像中是否存在强光，避免人工查看和判断的过程，可以极大提高处理效率。
【附图说明】
[0015] 本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发 明的实施例及其描述，用来解释本发明的原理。
[0016] 附图中：
[0017] 图1示出了根据本发明实施例的、基于聚类的证照图像高光检测方法的流程图； 以及
[0018] 图2示出了根据本发明实施例的、基于聚类的证照图像高光检测装置的结构框 图。
【具体实施方式】
[0019] 在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然 而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以 实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进 行描述。
[0020] 应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的 实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给 本领域技术人员。
[0021] 在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使 用时，单数形式的"一"、"一个"和"所述/该"也意图包括复数形式，除非上下文清楚指出 另外的方式。还应明白术语"组成"和/或"包括"，当在该说明书中使用时，确定所述特征、 整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操 作、元件、部件和/或组的存在或添加。在此使用时，术语"和/或"包括相关所列项目的任 何及所有组合。
[0022] 为了彻底理解本发明，将在下列的描述中提出详细的步骤以及详细的结构，以便 阐释本发明的技术方案。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本 发明还可以具有其他实施方式。
[0023] 本发明的实施例提供基于聚类的证照图像高光检测方法，用于基于单张图像的特 性自动判断图像中是否存在强光。下面结合图1详细描述该方法。图1示出了根据本发明 实施例的、基于聚类的证照图像高光检测方法100的流程图。如图1所示，方法100包括如 下步骤：
[0024] 步骤101:从待测图像中随机采集多个不同尺度的图像块。对于给定的待测证照 图像I，可以先对其进行高度归一化，也即将其高度缩放到标准尺寸（如512像素），同时保 持其长宽比不变。在高度归一化之后的图像中可以随机采集多个不同尺度的图像块，图像 块的高度和宽度相等，且其高度和宽度在某一区间（例如[16, 64])内随机变化。例如，可 以随机采集P个不同尺度的图像块，其中P为参数，其取值可以基于待测证照图像的复杂度 来设定。示例性地，P的典型值可以为2560、5120等。
[0025] 步骤102:计算所采集的图像块的图像特征。对于每一个所采集的图像块Rjm= 1，2,. . .，Q)，计算其图像特征x(Rj。示例性地，可以计算图像块的梯度特征和/或颜色 特征。其中，计算梯度特征可以包括计算梯度方向直方图（HOG,HistogramofOriented Gradients)表示。HOG特征是一种图像梯度分布的统计值。在本发明的一个实施例中，HOG 特征的参数可以设置如下：横向（X坐标轴方向）划分为10个单元，纵向（y坐标轴方向）划 分为8个单元，梯度方向取值为0-180度，且梯度方向划分为9个通道。计算颜色特征可以 进一步包括计算颜色直方图。颜色直方图是图像颜色特征的一种统计表达，所描述的是不 同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置。颜色直方图与颜 色空间密切相关，计算颜色直方图可以包括计算RGB颜色直方图，HSV颜色直方图以及Lab 颜色直方图等。可选地，梯度特征和颜色特征既可以独立使用，也可以拼接起来作为组合特 征使用。
[0026] 步骤103:基于所计算的图像特征对图像块进行聚类。聚类是将物理或抽象对象 的集合分成由类似的对象组成的多个类