CN101635028A - 一种图像检测方法及装置 - Google Patents
一种图像检测方法及装置 Download PDFInfo
- Publication number
- CN101635028A CN101635028A CN200910085796A CN200910085796A CN101635028A CN 101635028 A CN101635028 A CN 101635028A CN 200910085796 A CN200910085796 A CN 200910085796A CN 200910085796 A CN200910085796 A CN 200910085796A CN 101635028 A CN101635028 A CN 101635028A
- Authority
- CN
- China
- Prior art keywords
- face
- unique point
- frame image
- current frame
- face unique
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009017 pursuit movement Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检测方法及装置,用以降低对图像中的嘴巴进行检测的复杂度,并且提高对图像中的嘴巴进行检测的准确性和速度。本发明提供的一种图像检测方法包括:通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像检测方法及装置。
背景技术
人脸特征点位置是人脸识别和人机交互等应用中最重要的信息之一,对于视频处理技术而言,如何快速准确地跟踪到人脸特征点的位置极为关键。
传统的人脸部特征点跟踪方法一般都基于假定帧间跟踪目标具有很强的相似性,采用最小均方误差或直方图等标准来衡量帧间跟踪目标的相似性,找到最满足相似性的候选作为跟踪结果。
人脸上变化最丰富的器官是嘴巴,对嘴巴进行跟踪是一个很困难的问题。目前嘴巴跟踪的主要方法是基于活动形状模型(ASM,Active Shape Model)和活动外观模型(AAM,Active Appearance Model)的实时定位跟踪方法等。
但是,现有的ASM和AAM的算法复杂,往往需要很大的计算量,运算起来很慢,并且计算结果不够准确,无法满足实时处理要求,因此,现有技术中的嘴巴检测效果并不是很好。
发明内容
本发明实施例提供了一种图像检测方法及装置,用以降低对图像中的嘴巴进行检测的复杂度,并且提高对图像中的嘴巴进行检测的准确性和速度。
本发明实施例提供的一种图像检测方法包括:
通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;
对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;
利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
本发明实施例提供的一种图像检测装置包括:
初步确定单元,用于通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;
重新确定单元,用于对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;
最终确定单元,用于利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
本发明实施例,通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点,从而降低了对图像中的嘴巴进行检测的复杂度,并且提高了对图像中的嘴巴进行检测的准确性和速度。
附图说明
图1为本发明实施例提供的一种图像检测装置的结构示意图;
图2为本发明实施例提供的一种图像检测方法的总体流程示意图;
图3为本发明实施例提供的一种图像检测方法的具体流程示意图。
具体实施方式
本发明实施例提供了一种图像检测方法及装置,用以降低对图像中的嘴巴进行检测的复杂度,并且提高对图像中的嘴巴进行检测的准确性和速度。
本发明实施例提供的技术方案,主要针对嘴巴的定位与跟踪,当然对于其他目标物体的定位与跟踪,同样也可以采用本发明实施例提供的技术方案。
本发明实施例从整体上分两步来进行嘴巴特征点的跟踪,第一步是利用KLT(Kanade-Lucas-Tomasi)算法来进行特征点的跟踪,第二步利用尺度不变特征变换(SIFT,Scale Invariant Feature Transform)算法训练嘴巴特征点模型来进行局部精细搜索,每次跟踪结束后都利用ASM模型来对跟踪到的所有嘴巴上的特征点进行形状约束,即通过搜索到的嘴巴特征点,确定嘴巴的形状及位置。
KLT是基于图像的灰度和梯度信息来对目标物体的特征点进行跟踪的,可以较准确的跟踪灰度变化比较平缓的特征点,但是不能跟踪运动比较剧烈且灰度变化明显的特征点。SIFT特征是一种对图像灰度、图像变形和尺度变换都比较鲁棒的特征,可以用来描述变形比较剧烈的特征点,比如嘴巴特征点。ASM可以从整体上对跟踪到的点进行形状约束,使跟踪后的点在整体形状上符合嘴巴的形状。
下面结合附图对本发明实施例提供的技术方案进行说明。
参见图1,本发明实施例提供的一种图像检测装置包括:
初步确定单元11,用于通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点。
形状约束单元12,用于利用预先设置的嘴巴模型,对所述初步确定单元11初步确定的嘴巴特征点所在的位置区域进行形状约束。
重新确定单元13,用于对所述初步确定单元11初步确定的嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点。或者,对所述形状约束单元12进行形状约束处理后的嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点。
也就是说,所述形状约束单元12是可选的。如果设置了形状约束单元12,则检测的效果会更佳。
最终确定单元14,用于利用预先设置的嘴巴模型对所述重新确定单元13重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
较佳地,所述初步确定单元11包括:
定位单元21,用于对采集到的第一帧图像,进行嘴巴特征点定位,初步确定第一帧图像上的嘴巴特征点;以及,在跟踪单元23对当前帧图像进行嘴巴特征点的跟踪操作失败时,通过对当前帧图像进行嘴巴特征点定位,初步确定当前帧图像上的嘴巴特征点。
存储单元22,用于存储定位单元21或跟踪单元23确定的图像上的嘴巴特征点所在的位置区域。
跟踪单元23,用于利用存储单元22存储的前一帧图像上的嘴巴特征点所在的位置区域,对当前帧图像进行嘴巴特征点的跟踪,初步确定当前帧图像上的嘴巴特征点。
较佳地,所述最终确定单元14包括:
形状约束单元31,用于利用预先设置的嘴巴模型对所述重新确定单元13重新确定的嘴巴特征点所在的位置区域进行形状约束。
验证单元32,用于利用预先训练的嘴巴特征点,对经过所述形状约束后的位置区域内的嘴巴特征点进行验证,最终确定当前帧图像上的嘴巴特征点。
下面进行详细说明。
定位单元21:
特征点定位的方法有很多,比较常用的方法包括基于ASM的人脸器官定位方法、基于AAM的人脸器官定位方法以及基于特征点统计的方法。
ASM方法是利用统计的方法来得到人脸器官模型的变形规律,即对人脸器官轮廓的样本进行主元分析(PCA,principal component analysis)变换,用PCA变换得到的主分量来描述人脸轮廓的变形。PCA变换可以从大量的样本中提取出最能够反映样本变化的主分量,这些主分量分别控制了人脸器官上不同部分的变化情况。
在用ASM进行定位时,首先需要定位出人脸器官的初始位置,然后从初始位置出发,根据边缘特征来搜索器官轮廓点,每次搜索结束后,用ASM模型对搜索后的模型进行形状约束。
基于ASM进行嘴巴定位时,可以事先收集大量的嘴巴形状模型,然后训练出嘴巴ASM模型。这种方法的优点是可以根据ASM模型来对搜索的结果进行约束,因此在整体上控制了最终的形状。
AAM与ASM类似,它是对人脸的灰度进行PCA变换,因此在搜索时,利用人脸灰度信息来进行搜索。
另外一类定位方法基于特征统计,即对特定位置的特征进行统计,在搜索时分别对每个特征进行搜索。由于对每个特征都进行了训练,因此该类方法对单点定位比较准确。
跟踪单元23:
跟踪单元23采用KLT跟踪算法对嘴巴特征点进行跟踪。KLT算法将跟踪问题转换为一个最优化的问题。假设当前帧图像为G,前一帧图像为F,特征点在G中的位置可以利用定位的方法来获得,设为(x,y)。跟踪的目的是在G中找出F图像中该特征点的位置。
跟踪模型可以采用最简单的平移,数学模型可以表示为:
其中,G(x,y),F(x,y)代表了像素点(x,y)的灰度值,Δx和Δy,代表了像素点(x,y)的平移值。公式(1)的作用是找到合适的平移值Δx,Δy,使G和平移后对应的F中的像素值之差的平方和达到最小。该公式可以用线性最优化的方法(如最小二乘算法)来解算。
上述公式中的未知数为:Δx和Δy,利用最小二乘的方法来计算Δx和Δy。首先需要进行线性化,公式(1)展开为一阶泰勒公式:
F(x+Δx,y+Δy)=F(x,y)+FxΔx+FyΔy...............公式(2)
每个特征点对应的误差项为:
公式(3)就是最小二乘误差公式,利用每个特征点都可以得到公式(3),并且通过矩阵相乘的分解公式可以利用累加的方法计算出Δx和Δy最终的解。
为了能够跟踪到比较剧烈的运动,KLT跟踪算法一般都是在金字塔图像上进行的。
另外,上述公式只能求出平移量,还可以对上述公式进行改进,实际上,视频中的目标运动往往比较复杂,单纯使用平移模型并不能很准确地描述目标的运动和帧间的变形。这就需要用更复杂的模型来描述目标的运动,比如可以用仿射变换来作为运动的模型,仿射变换的公式如下:
x′=ax+by+c
...............公式(4)
y′=dx+ey+f
其中,(x,y)是变形前的坐标,对应了公式(1)中当前帧图像G中的坐标值,(x′,y′)是变形后的坐标,对应了公式(1)中前一帧图像F的坐标。仿射变换也是一个线性变换,所以也可以用最小二乘来解算其6个未知参数,使KLT可以跟踪到发生了仿射变化的特征点。
重新确定单元13:
重新确定单元13利用SIFT算法对嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,以重新确定当前帧图像上的嘴巴特征点。SIFT是ScaleInvariant Feature Transform的缩写。SIFT算法基于尺度空间理论提出,对图像缩放、旋转甚至仿射变换都能保持不变性。由于SIFT提取的特征具有以上良好的鲁棒性,所以一经提出,就成为了研究的热点,在目标识别,特征点提取和跟踪,以及图像搜索等领域方面都有着重要的应用。
SIFT算法首先在尺度空间进行特征检测,并确定关键点(Keypoints)的位置和关键点所处的尺度,然后使用关键点邻域梯度的主方向作为该点的方向特征,以实现算子对尺度和方向的无关性。SIFT算法提取的SIFT特征向量具有如下特性:
a)SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性。
b)独特性(Distinctiveness)好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配。
c)多量性,即使少数的几个物体也可以产生大量SIFT特征向量。
d)高速性,经优化的SIFT匹配算法甚至可以达到实时的要求。
e)可扩展性,可以很方便的与其他形式的特征向量进行联合。
SIFT算子在图像二维平面空间和高斯差分(DoG,Difference-of-Gaussian)尺度空间中同时检测局部极值以作为特征点,以使特征具备良好的独特性和稳定性。DoG算子定义为两个不同尺度的高斯核的差分,其具有计算简单的特点,是归一化高斯提出的拉普拉斯算子(LoG,Laplacian-of-Gaussian)算子的近似。DoG算子如下式所示:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ)
SIFT特征匹配算法包括两个阶段,第一阶段是SIFT特征的生成,即从多幅待匹配图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量;第二阶段是SIFT特征向量的匹配。一幅图像SIFT特征向量的生成算法总共包括步骤:
1、尺度空间极值检测,用以初步确定关键点位置和所在尺度。
2、通过拟和三维二次函数,用以精确确定关键点的位置和尺度,同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应),用以增强匹配稳定性、提高抗噪声能力。
3、利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。
4、生成SIFT特征向量。
由于SIFT特征的较强的鲁棒性,本发明实施例利用SIFT算法来计算嘴巴上的特征点的特征。为了使特征具有较强的扩展性,本发明实施例利用较多的样本来训练嘴巴特征点。对每个嘴巴样本,提取出特征点,然后计算SIFT特征,最后将所有利用同一个位置计算出来的特征进行平均就得到最终的训练结果。
验证单元32:
验证单元32的作用是判断跟踪的特征点是否是真实的嘴巴特征点。由于嘴巴的变形比较剧烈,所以常常会出现跟踪丢失的情况,此时就需要对跟踪的点进行验证。验证基于训练的SIFT特征,在跟踪得到的点附近提取SIFT特征,然后和训练的结果进行比较,如果相似性较低,那么就认为跟踪失败。如果嘴巴上的大部分点验证失败,那么就认为跟踪失败,就需要进行重新定位。
参见图2,本发明实施例提供的一种图像检测方法,总体包括步骤:
S101、通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点。
S102、对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点。
S103、利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
较佳地,步骤S101包括:
利用前一帧图像上的嘴巴特征点所在的位置区域,对当前帧图像进行嘴巴特征点的跟踪,初步确定当前帧图像上的嘴巴特征点。
较佳地,若对当前帧图像进行嘴巴特征点的跟踪操作失败,则通过对当前帧图像进行嘴巴特征点定位,初步确定当前帧图像上的嘴巴特征点。
较佳地,步骤S101和S102之间,该方法还包括:
利用预先设置的嘴巴模型,对所述初步确定的嘴巴特征点所在的位置区域进行形状约束。
较佳地,步骤S103包括:
利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束。利用预先训练的嘴巴特征点,对经过所述形状约束后的位置区域内的嘴巴特征点进行验证,最终确定当前帧图像上的嘴巴特征点。
本发明实施例提供的嘴巴特征点的检测方法的具体实施过程参见图3,包括:
第一步、首先从当前帧图像中定位出嘴巴上的特征点。
第二步、获取下一帧图像,利用KLT算法来对定位到的嘴巴特征点进行跟踪。
第三步、利用训练好的ASM模型来对第二步中跟踪到的结果进行形状约束。
第四步、采用SIFT算法对第三步处理后的结果进行局部搜索。
第五步、利用训练好的ASM模型对第四步的处理结果进行形状约束。
第六步、对第五步的处理结果进行验证,如果验证通过就跳到第二步,否则跳到第一步开始重新定位嘴巴上的特征点。
综上所述,本发明实施例,通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点,从而降低了对图像中的嘴巴进行检测的复杂度,并且提高了对图像中的嘴巴进行检测的准确性和速度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1、一种图像检测方法,其特征在于,该方法包括:
通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;
对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;
利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
2、根据权利要求1所述的方法,其特征在于,通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点的步骤包括:
利用前一帧图像上的嘴巴特征点所在的位置区域,对当前帧图像进行嘴巴特征点的跟踪,初步确定当前帧图像上的嘴巴特征点。
3、根据权利要求2所述的方法,其特征在于,若对当前帧图像进行嘴巴特征点的跟踪操作失败,则通过对当前帧图像进行嘴巴特征点定位,初步确定当前帧图像上的嘴巴特征点。
4、根据权利要求1、2或3所述的方法,其特征在于,在初步确定了当前帧图像上的嘴巴特征点之后,进行嘴巴特征点的局部搜索之前,该方法还包括:
利用预先设置的嘴巴模型,对所述初步确定的嘴巴特征点所在的位置区域进行形状约束。
5、根据权利要求1所述的方法,其特征在于,利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点的步骤包括:
利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束;
利用预先训练的嘴巴特征点,对经过所述形状约束后的位置区域内的嘴巴特征点进行验证,最终确定当前帧图像上的嘴巴特征点。
6、一种图像检测装置,其特征在于,所述装置包括:
初步确定单元,用于通过对当前帧图像进行嘴巴检测,初步确定当前帧图像上的嘴巴特征点;
重新确定单元,用于对所述嘴巴特征点所在的位置区域进行嘴巴特征点的局部搜索,重新确定当前帧图像上的嘴巴特征点;
最终确定单元,用于利用预先设置的嘴巴模型对所述重新确定的嘴巴特征点所在的位置区域进行形状约束,最终确定当前帧图像上的嘴巴特征点。
7、根据权利要求6所述的装置,其特征在于,所述初步确定单元包括:
存储单元,用于存储图像上的嘴巴特征点所在的位置区域;
跟踪单元,用于利用前一帧图像上的嘴巴特征点所在的位置区域,对当前帧图像进行嘴巴特征点的跟踪,初步确定当前帧图像上的嘴巴特征点。
8、根据权利要求7所述的装置,其特征在于,所述初步确定单元包括:
定位单元,用于对采集到的第一帧图像,进行嘴巴特征点定位,初步确定第一帧图像上的嘴巴特征点;以及,在所述跟踪单元对当前帧图像进行嘴巴特征点的跟踪操作失败时,通过对当前帧图像进行嘴巴特征点定位,初步确定当前帧图像上的嘴巴特征点。
9、根据权利要求6、7或8所述的装置,其特征在于,在所述初步确定单元和所述重新确定单元之间,该装置还包括:
形状约束单元,用于利用预先设置的嘴巴模型,对所述初步确定单元初步确定的嘴巴特征点所在的位置区域进行形状约束。
10、根据权利要求6所述的装置,其特征在于,所述最终确定单元包括:
形状约束单元,用于利用预先设置的嘴巴模型对所述重新确定单元重新确定的嘴巴特征点所在的位置区域进行形状约束;
验证单元,用于利用预先训练的嘴巴特征点,对经过所述形状约束后的位置区域内的嘴巴特征点进行验证,最终确定当前帧图像上的嘴巴特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910085796A CN101635028A (zh) | 2009-06-01 | 2009-06-01 | 一种图像检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910085796A CN101635028A (zh) | 2009-06-01 | 2009-06-01 | 一种图像检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101635028A true CN101635028A (zh) | 2010-01-27 |
Family
ID=41594213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910085796A Pending CN101635028A (zh) | 2009-06-01 | 2009-06-01 | 一种图像检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101635028A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224921A (zh) * | 2015-09-17 | 2016-01-06 | 桂林远望智能通信科技有限公司 | 一种人脸图像择优***和处理方法 |
CN105787416A (zh) * | 2014-12-23 | 2016-07-20 | Tcl集团股份有限公司 | 一种基于移动终端的人脸识别方法及*** |
CN106650682A (zh) * | 2016-12-29 | 2017-05-10 | Tcl集团股份有限公司 | 一种人脸追踪的方法及装置 |
CN107169397A (zh) * | 2016-03-07 | 2017-09-15 | 佳能株式会社 | 特征点检测方法及装置、图像处理***和监视*** |
CN110415276A (zh) * | 2019-07-30 | 2019-11-05 | 北京字节跳动网络技术有限公司 | 运动信息计算方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1687957A (zh) * | 2005-06-02 | 2005-10-26 | 上海交通大学 | 结合局部搜索和活动外观模型的人脸特征点定位方法 |
CN1866272A (zh) * | 2006-06-22 | 2006-11-22 | 上海交通大学 | 结合活动形状模型和快速活动外观模型的特征点定位方法 |
US20070189584A1 (en) * | 2006-02-10 | 2007-08-16 | Fujifilm Corporation | Specific expression face detection method, and imaging control method, apparatus and program |
CN101169827A (zh) * | 2007-12-03 | 2008-04-30 | 北京中星微电子有限公司 | 一种对图像中的特征点进行跟踪的方法及装置 |
-
2009
- 2009-06-01 CN CN200910085796A patent/CN101635028A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1687957A (zh) * | 2005-06-02 | 2005-10-26 | 上海交通大学 | 结合局部搜索和活动外观模型的人脸特征点定位方法 |
US20070189584A1 (en) * | 2006-02-10 | 2007-08-16 | Fujifilm Corporation | Specific expression face detection method, and imaging control method, apparatus and program |
CN1866272A (zh) * | 2006-06-22 | 2006-11-22 | 上海交通大学 | 结合活动形状模型和快速活动外观模型的特征点定位方法 |
CN101169827A (zh) * | 2007-12-03 | 2008-04-30 | 北京中星微电子有限公司 | 一种对图像中的特征点进行跟踪的方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘俊承,王淼鑫: "一种机器人导航中自然路标的匹配与跟踪方法", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787416A (zh) * | 2014-12-23 | 2016-07-20 | Tcl集团股份有限公司 | 一种基于移动终端的人脸识别方法及*** |
CN105224921A (zh) * | 2015-09-17 | 2016-01-06 | 桂林远望智能通信科技有限公司 | 一种人脸图像择优***和处理方法 |
CN105224921B (zh) * | 2015-09-17 | 2018-08-07 | 桂林远望智能通信科技有限公司 | 一种人脸图像择优***和处理方法 |
CN107169397A (zh) * | 2016-03-07 | 2017-09-15 | 佳能株式会社 | 特征点检测方法及装置、图像处理***和监视*** |
CN107169397B (zh) * | 2016-03-07 | 2022-03-01 | 佳能株式会社 | 特征点检测方法及装置、图像处理***和监视*** |
CN106650682A (zh) * | 2016-12-29 | 2017-05-10 | Tcl集团股份有限公司 | 一种人脸追踪的方法及装置 |
CN110415276A (zh) * | 2019-07-30 | 2019-11-05 | 北京字节跳动网络技术有限公司 | 运动信息计算方法、装置及电子设备 |
CN110415276B (zh) * | 2019-07-30 | 2022-04-05 | 北京字节跳动网络技术有限公司 | 运动信息计算方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatic laser profile recognition and fast tracking for structured light measurement using deep learning and template matching | |
CN110147743B (zh) | 一种复杂场景下的实时在线行人分析与计数***及方法 | |
CN104574445B (zh) | 一种目标跟踪方法 | |
CN104115192B (zh) | 三维近距离交互的改进或与其有关的改进 | |
CN104200495B (zh) | 一种视频监控中的多目标跟踪方法 | |
CN103488972B (zh) | 基于深度信息的指尖检测方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN103514432A (zh) | 人脸特征提取方法、设备和计算机程序产品 | |
CN105809693A (zh) | 基于深度神经网络的sar图像配准方法 | |
CN103514441A (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
CN101853388B (zh) | 一种基于几何不变量的视角不变的行为识别方法 | |
CN101924871A (zh) | 基于均值偏移的视频目标跟踪方法 | |
CN102903109B (zh) | 一种光学影像和sar影像一体化分割配准方法 | |
CN107798691B (zh) | 一种基于视觉的无人机自主着陆地标实时检测跟踪方法 | |
CN106407958A (zh) | 基于双层级联的面部特征检测方法 | |
Lin et al. | Hand-raising gesture detection in real classroom | |
CN103886619A (zh) | 一种融合多尺度超像素的目标跟踪方法 | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN103761747B (zh) | 一种基于加权分布场的目标跟踪方法 | |
CN101635028A (zh) | 一种图像检测方法及装置 | |
Li et al. | Adaptive and compressive target tracking based on feature point matching | |
CN104200226A (zh) | 基于机器学习的粒子滤波目标跟踪方法 | |
Alcantarilla et al. | Learning visibility of landmarks for vision-based localization | |
Chao-jian et al. | Image target identification of UAV based on SIFT | |
CN103996207A (zh) | 一种物体跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100127 |