识别模型中的识别样本中的文字小于证件区域上的文字，此时难易扫描得到完整的文字图像，因此可以采用对识别样本进行缩放，以匹配证件区域中的文字大小；另外为了匹配待对焦图中中的证件位置，在证件候选区域中进行逐层遍历扫描，从而保证识别覆盖整个证件候选区域。
[0127]在步骤205中，对得到的N个扫描图像进行归一化处理。
[0128]在实际应用中，为了进一步保证识别处理的速度和识别结果的准确性，可以对得到的N个扫描图像进行一定的预处理，该预处理包括进行图像的归一化处理。比如对尺寸、坐标中心化、X-Shear ing、缩放和旋转等进行归一化处理。
[0129]在步骤206中，采用证件识别模型，分别确定N个扫描图像是否为证件上的字符区域。
[0130]本发明实施例中，采用证件识别模型，分别确定N个扫描图像是否为证件上的字符区域，包括:采用证件识别模型，分别对N个扫描图像的H0G(Histogram Of OrientedGradient，方向梯度直方图)以及LDA(Linear Discriminant Analysis，线性判别式分析)特征进行识别;根据识别的结果，分别确定N个扫描图像是否为证件上的字符区域。
[0131]图3是HOG特征提取过程的示意图。从图3可以看出，HOG特征提取过程包括:
[0132]步骤301:归一化图像
[0133]为了减少光照因素的影响，首先对检测窗口中的图像进行归一化。在图像的纹理强度中，局部的表层曝光贡献比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。
[0134]步骤302:计算图像梯度
[0135]计算图像在设定的横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值，其中求取梯度方向值的操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
[0136]步骤303:为每个细胞单元构建梯度方向直方图
[0137]本步骤的目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
[0138]本步骤中，将图像分成若干个“单元格cell”，例如每个CelI为6*6个像素。对Cel I内的每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围)，就可以得到这个Ce 11的梯度方向直方图了。
[0139]步骤304:把细胞单元组合成大的块(Block)，块内归一化梯度直方图
[0140]由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。[0141 ]具体实现方法包括:把各个细胞单元组合成大的、空间上连通的区间(Blocks)。这样，一个Block内所有Cel I的特征向量串联起来便得到该Block的HOG特征。这些区间是互有重叠的，这就意味着:每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。我们将归一化之后的块描述符(向量)就称之为HOG描述符。
[0142]步骤305:收集HOG特征
[0143]最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。
[0144]在步骤207中，对N个扫描图像是否为字符区域的确定结果进行聚类合并。
[0145]在步骤208中，根据聚类合并的结果，从证件候选区域中确定证件区域。
[0146]本发明实施例中，若当前选择的证件候选区域中不存在证件区域，可以重新确定证件候选区域，并重复上述步骤204?步骤208直至在待对焦图像中确定出证件区域。
[0147]在步骤209中，将人脸区域及证件区域确定为对焦区域进行对焦。
[0148]本发明实施例，确定人脸区域及证件区域后，调用摄像头对人脸区域以及证件区域进行对焦，完成拍摄，从而得到较为清晰的手持证件照。
[0149]图4是根据一示例性实施例示出的一种手持证件模式下的对焦方法实施例三的流程图，如图4所示，本实施例中介绍证件识别模型的训练过程。具体地，可以包括以下步骤:
[0150]在步骤401中，获取训练样本集，训练样本集中的正样本为文字样本图像，负样本为非文字样本图像。
[0151 ]在步骤402中，分别对对文字样本图像和非文字样本图像进行归一化处理。
[0152]在步骤403中，采用Adaboost训练方法对文字样本图像和非文字样本图像的方向梯度直方图HOG以及线性判别式分析LDA特征进行训练，得到证件识别模型。
[0153]本实施例中，为了保证证件识别模型的准确可靠，训练时，需要采集大量的文字样本图像和非文字样本图像，比如文字样本图像20万张。图5示出了文字样本图像的示意图。如图5所示，每张文字样本图像都可以从身份证或者其它证件里面扣取出一些字符区域处理，文字在样本图像中占比个数可以从3?8个不等。
[0154]为了提高证件识别模型的精确度，准确的非文字样本图像的数量可以远大于文字样本图像的个数，如当文字样本图像为20万张时，准确500万张非文字样本图像。
[0155]为了保证训练结果的准确可靠，可以先对各样本图像进行归一化处理，比如进行尺寸、坐标中心化、X-Shear ing、缩放和旋转等归一化处理。
[0156]以上描述了手持证件模式下的对焦方法的实现过程，该过程可以由手持证件模式下的对焦装置来实现，以下将对手持证件模式下的对焦装置的内部功能和结构进行说明。
[0157]图6是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例一的框图，如图6所示，该手持证件模式下的对焦装置包括:第一获取模块11、人脸区域确定模块12、证件区域确定模块13以及对焦模块14，其中:
[0158]第一获取模块11，被配置为获取待对焦图像。
[0159]人脸区域确定模块12，被配置为从待对焦图像中确定人脸区域。
[0160]证件区域确定模块13，被配置为根据人脸区域，采用证件识别模型在待对焦图像中确定证件区域。
[0161]其中证件识别模型是通过对训练样本集进行训练后得到的，证件识别模型用于识别图像中的字符内容。
[0162]对焦模块14，被配置为将人脸区域及证件区域确定为对焦区域进行对焦。
[0163]上述的人脸区域确定模块12从待对焦图像中确定人脸区域，其中人脸区域确定模块12从待对焦图像中确定人脸区域的方法有多种，如可以采用基于开源计算机视觉库OpenCV的人脸检测器确定待对焦图像中的人脸区域。
[0164]在确定待对焦图像上的证件区域时，可以采用证件识别模型对整幅待对焦图像进行扫描计算的方式，此过程中计算过程相对比较繁琐，容易带来对焦时间相对比较长的问题。
[0165]考虑到手持证件拍摄模式下，待拍摄对象手持证件，待拍摄对象的人脸区域与待确定的证件区域存在一定的位置关系，因此为了避免在识别证件区域过程中计算过程相对比较繁琐、耗时的问题，本实施例中优选的可以根据人脸区域与证件区域的位置对应关系，缩小证件区域的搜索范围，从而提高证件区域的识别效率。
[0166]本发明实施例中，终端设备首先确定待对焦图像上的人脸区域，之后利用证件识别模型识别待对焦图像上的证件区域，并对待对焦图像上的人脸区域以及证件区域均进行对焦，从而提高拍摄出的图像中证件上信息的清晰程度。
[0167]本发明实施例中采用证件识别模型确定待对焦图像中的证件区域，上述证件识别模型可以为采用Adaboost训练方法对训练样本集进行训练后得到的，得到的证件识别模型用于识别图像中的字符内容。
[ΟΙ68] 其中，Adaboost是英文〃Adaptive Boosting〃(自适应增强)的缩写，是一种机器学习方法。Adaboost方法的自适应在于:前一个分类器分错的样本会被用来训练下一个分类器。Adaboost方法对于噪声数据和异常数据很敏感。
[0169]Adaboost方法是一种迭代算法，在每一轮学习过程中加入一个新的弱分类器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它被某个分类器选入训练集的概率。如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它被选中的概率就被降低;相反，如果某个样本没有被准确地分类，那么它的权重就会被提高。通过这样的方式，Adaboost方法能“聚焦于”那些较难区分(更富信息)的样本上。在具体实现上，最初令每个样本的权重都相等，对于第K次迭代操作，根据这些权重来选取样本点，进而训练分类器;然后根据分类器，来提高被它分错的的样本的权重，并降低被正确分类的样本权重，之后，权重更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。
[0170]采用基于Adaboost训练方法得到的证件识别模型对待对焦图像中的文字图像比较敏感，能够较为准确的识别待对焦图像中的证件区域。
[0171]图7是根据一示例性实施例示出的一种手持证件模式下的对焦装置实施例二的框图，如图7所示，在图6所示实施例的基础上，人脸区域确定模块12中包括:人脸检测器121;人脸检测器121被配置为从待对焦图像中确定人脸区域；其中，人脸检测器121为采用Adaboost训练装置对Haar特征进行训练得到的人脸检测器121;或者，人脸检测器121为基于开源计算机视觉库OpenCV的人脸检测器121。
[0172]本发明实施例中，Haar特征是计算机视觉领域一种常用的特征描述算子，常用的Haar特征可以分为三类:线性特征、边缘特征、点特征以及对角线特征。
[0173]如图7所示，证件区域确定模块包括:候选区域确定子模块131、扫描子模块132、归一化子模块133、字符区域确定子模块134、聚类合并子模块135以及证件区域确定子模块136，其中，候选区域确定子模块131，被配置为根据人脸区域在待对焦图像中确定证件候选区域。
[0174]为了提高待对焦图像中证件区域的识别效率，本发明实施例方法中首先确定证件候选区域，缩小证件区域的扫描范围。
[0175]本发明实施例中，候选区域确定子模块131在待对焦图像中确定证件候选区域的方法有多种，本发明实施例中给出如下示例作为参考:
[0176]示例一:候选区域确定子模块131，具体被配置为:根据待拍摄对象的人脸与待拍摄证件的位置分布关系，在待对焦图像中