CN103824050A - 一种基于级联回归的人脸关键点定位方法 - Google Patents
一种基于级联回归的人脸关键点定位方法 Download PDFInfo
- Publication number
- CN103824050A CN103824050A CN201410053323.7A CN201410053323A CN103824050A CN 103824050 A CN103824050 A CN 103824050A CN 201410053323 A CN201410053323 A CN 201410053323A CN 103824050 A CN103824050 A CN 103824050A
- Authority
- CN
- China
- Prior art keywords
- face
- key point
- cascade
- returns
- regression
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于级联回归的人脸关键点定位方法,其步骤包括:1)采集大量人脸图片数据,并标记初始关键点位置;2)通过对人脸图片数据进行训练,学习得到粗回归器,然后以粗回归器的输出作为输入,学习得到精回归器;3)给定待识别的人脸图片数据,通过粗回归器将人脸的初始形状回归到真实形状附近,然后以粗回归器的输出作为输入,通过精回归器得到人脸关键点的精确坐标。本发明提出的由粗到精的级联回归方法,通过对大量样本进行学习,以及多特征融合、多回归器融合的方式,极大地提高了算法的速度和鲁棒性,在遮挡、光线差和侧脸等姿态下进行人脸关键点定位都取得了非常好的效果,能够有效提高了人脸关键点定位的精度和速度。
Description
技术领域
本发明属于数字图像处理和人脸识别技术领域,具体涉及一种基于级联回归的人脸关键点定位方法。
背景技术
人脸关键点是脸部一些表征能力强的关键点,比如眼睛、鼻子、嘴巴和脸部轮廓等。关键点定位在人脸识别领域有着很重要的作用,比如人脸识别、跟踪、表情分析和3D建模都依赖于关键点定位的结果。
传统的人脸关键点定位方法,是基于参数形状模型的方法,根据关键点附近的表观特征,学习出一个参数模型,在使用时迭代地优化关键点的位置,最后得到关键点坐标。
上述的人脸关键点定位方法,都严重依赖于图片的拍摄质量,人脸姿态。在遮挡、光照和姿态变化较大时,都不能得到准确的结果。同时,由于目前移动端需求的迅速发展,上述方法也不能通过手机等移动端实现实时处理。
发明内容
现有的人脸关键点定位方法对姿态、遮挡、光线非常敏感,精度和速度比较差,在成像条件差、且计算资源受限的手机等移动端上很难做到实时处理。本发明提出了一种快速、精确的由粗到精级联回归方法,通过对大量样本进行学习以及多特征融合、多回归器融合,很好地解决了人脸识别中的关键点定位问题。
本发明采用的技术方案如下:
一种基于级联回归的人脸关键点定位方法,其步骤包括:
1)采集大量人脸图片数据,并标记初始关键点位置(可通过人工标记);
2)通过对所述大量人脸图片数据进行训练,学习得到一粗回归器,然后以所述粗回归器的输出作为输入,学习得到一精回归器,从而得到由粗到精的级联回归器;
3)给定待检测的人脸图片和对应的人脸位置,通过所述粗回归器将人脸的初始形状回归到真实形状附近,然后以所述粗回归器的输出作为输入,通过所述精回归器得到人脸关键点的精确坐标。
进一步地,所述粗回归器设计成线性回归器,在所有关键点处提取SURF特征。该回归器能够表示3D姿态和SURF特征之间的关系。
进一步地,所述粗回归器包含多级级联的线性回归器,优选采用两级线性回归器,第一级的输出作为第二级的输入。通过这两级线性回归器构成的粗回归器,可以得到一个粗略的关键点位置和3D姿态。
进一步地,所述精回归器以上面的粗回归器的输出作为输入,使用随机蕨级联回归器,以像素差值作为特征。通过精回归器,可以将粗回归器给出的粗略结果回归成一个精确的结果。
进一步地,所述精回归器是一个两层结构,第一层,是一系列弱回归器{f1,f2,…,ft}的级联;第二层,是一系列随机蕨回归器的级联,构成一个弱回归器f。
进一步地,所述人脸关键点包括眼睛、鼻子、嘴巴、脸部轮廓等位置,更具体的,如瞳孔,眼角,眉角,嘴角,唇沿等位置。
本发明中提出了一种由粗到精的级联回归算法,设计了一个多回归器融合的级联回归器。该级联回归器分为两部分:①粗回归器,特点是速度快,能快速回归到正解的附近;②精回归器,特点是每次回归的量较小,但能够得到更为精准的结果。根据设计的回归器的特点,让不同的回归器完成不同的任务(线性回归器和级联随机蕨回归器),融合了多种特征(SURF和像素值差特征)。
本发明提出的由粗到精的级联回归算法,通过对大量样本进行学习,以及多特征融合、多回归器融合的方式,极大的提高了算法的速度和鲁棒性,在遮挡、光线差和侧脸等姿态下进行人脸关键点定位都取得了非常好的效果,能够有效提高了人脸关键点定位的精度和速度,明显优于现有的其他算法。
附图说明
图1是本发明的基于级联回归的人脸关键点定位方法的步骤流程图。
图2是本发明的级联回归器示意图。
图3是采用级联回归器将初始值回归到真实解的示意图。
图4是采用采用本发明的方法进行人脸关键点定位的示意图。
具体实施方式
下面通过具体实施例和附图,对本发明做进一步说明。
本发明的基于级联回归的人脸关键点定位方法,其步骤流程如图1所示,主要包括两部分内容,一是建立由粗回归器部分和精回归器部分组成的级联回归器,二是利用建立的级联回归器对人脸图像数据进行处理以识别关键点。
1.建立由粗到精的级联回归器
本发明的整体框架是一个级联回归器。我们的目标是学习一个回归函数f,使它能够从初始的样本空间映射到解空间,能够使得均方差最小。遇到高维空间和复杂的线性关系时,如果只是学习一个回归器来表达这种映射关系并不现实。于是,我们提出了使用级联的方法,通过级联多个弱回归器,将他们组成一个回归能力更强的强回归器。本发明采用的级联回归方法,将回归函数f划分成t个简单的回归函数的级联{f1,f2,…,ft},每一级fk的输入都是它的前一级fk‐1的输出,如图2所示,通过把f1,f2,…,ft相结合,得到的回归函数能够近似出初始形状到真实形状的复杂的非线性映射关系。
本发明的回归器遵循由粗到精的过程,级联回归器分为两个部分,粗回归器和精回归器。
如果只是按照上面的方法,采用简单的用几种弱回归器进行级联,首先效果不理想,因为图片的拍摄条件千差万别,姿态各异,要回归的形状也都不尽相同,要得到完美的效果,对回归器的要求太高。其次,如果级联级数过多,速度也会非常慢,满足不了对速度的要求。本发明中创新地提出了使用不同类型的回归器相级联,使之各司其职,相互促进,扬长避短。
因此,我们将级联的回归器分为两部分,第一部分为粗回归器,把初始值回归到真实解的附近,完成大的回归目标,但是不关心细节。这一部分,完成的粗糙回归目标,速度非常快,为第二部分生成输入。第二部分为精回归器,只需要在细节上进行调节,逐步向真实解缓慢逼近,整个过程如图3所示。两个部分,构成了一个由粗到精的级联回归器,在速度和效果上,都有非常大的提升。
针对两部分的不同特性,本发明设计了不同的分类器和特征,可最大效率地完成回归目标。
第一部分的目标是快速的得到粗糙解,我们采用SURF特征,学习出来一个线性回归器,这一部分回归器,能够迅速将初始值映射到正解附近。具体实施步骤如下:
①在初始形状上每个关键点处提取初始的SURF特征,记作Φ0,真实回归目标记为ΔX*;
②在训练过程中,由于真实形状X是已知,初始值X0是已知的,那么真实回归目标ΔX*即为已知,ΔX*=X‐X0。线性回归器可以表达为ΔX0=R0*Φ0+b0,目标就是让回归得到的估计量ΔX0和真实回归目标ΔX*无限接近。这里要求的参数就是R0和b0。可通过最小化下式求得:
其中,di为第i个人脸图片,X0 i为第i个人脸的初始形状,ΔX* i为第i个人脸的真实回顾目标,Φ0 i为第i个人脸在初始形状X0 i处的SURF特征向量,这便是我们熟悉的解最小二乘问题,可以容易的求出R0和b0。
③根据得到的R0和b0,便可以得到估计的增量ΔX0=R0*Φ1+b0,X+ΔX0作为新的训练集,记为X1。根据新的训练集,提取新的SURF特征Φ1,有ΔX1=R1*Φ1+b1,同理,根据上述的方法,可以容易的求得R1和b1。以此类推,可以学习很多类似的线性回归器,在第一部分,我们学习两层线性回归器就够了,估计的解X2已经很接近真实解X了。第一部分得到粗糙解之后,作为第二部分的输入,剩下的精细的回归目标交给后面来做。
第二部分,本发明采用了级联的随机蕨回归器,像素差值作为特征。我们将第一部分的输出作为这一部分的输入,这个值已经距离真实解很接近了,要做的只是在细节上的调整了,使它逐步逼近真实解。
随机蕨回归器是5个特征和阈值的组合,将训练样本划分为25个空间。每一个空间对应一个输出ΔXbin,ΔXbin为划分到该空间的所有回归目标的平均值。
第二部分的级联的随机蕨回归器,是一个两层的回归器。因为如果只是把这个回归器设计成原始随机蕨回归器的级联,回归能力太弱,所以本发明中将其设计成了一个两层的结构。具体如下,多个原始随机蕨回归器级联,构成一个弱回归器f。再将这些弱回归器{f1,f2,…,ft}级联构成一个强回归器,也就是上文所述的第二部分精回归器。
具体实施步骤如下:
①提取每个样本的像素差值特征:随机取两个关键点,随机生成一个插值系数,得到两点连线中的一个位置,两个这样的位置上的像素差值作为特征。本发明中,一共提取400个点的特征。
②选取特征:上面已经生成了400个点的特征,一共有160000个两两组合。本发明中用的随机蕨回归器中使用5组特征,在这么大的特征空间中,要选择5组出来。方法如下,首先生成一个随机的列向量,将真实回归目标矩阵映射到一个方向上,然后分别计算每个特征向量和这个投影向量的相关系数,选取相关系数最大的5组即可。
③弱回归器的生成:根据上一步提取的特征,可以把样本划分到原始随机蕨回归器的某个空间中。计算该空间中所有样本的平均真实形状增量ΔXbin,将其加到当前空间中的每个估计形状上,得到新的估计形状。将得到的估计形状作为下一个原始随机蕨回归器的输入,传给下一个原始随机蕨回归器,保持特征不变,得到新的随机蕨回归器。将这样10个原始随机蕨回归器级联构成一个弱回归器。
④强回归器的生成:经过上述步骤,已经学习到弱回归器fk,对于一个初始集Xk,可以通过fk得到回归增量估计ΔXk,新的初始集可以通过计算Xk+ΔXk得到,在新的估计形状基础上提取新的特征,按照上述方法得到下一个弱的回归器,如图2所示,以此类推,在本实施例中,级联100个弱回归器{f1,f2,…,f100},构成一个二层的强回归器。
至此,得到了完整的由粗到精的级联回归器。
2.利用级联回归器对人脸图像数据进行处理,以识别关键点
将本发明中的这种由粗到精的级联回归器在解决人脸关键点定位问题时能够取得非常好的效果。
具体来说,在人脸关键点定位时,给定一个初始形状(可以用将平均形状对齐到人脸框中心),在每个关键点上提取SURF算子作为特征向量,通过第一部分,得到一个粗略的结果,将其作为第二部分的初始形状,在关键点的位置,提取出像素差值特征,逐级使用,最后得到精确的形状。整个级联回归器遵循由粗到精的过程,第一部分,调整大的姿态,比如侧脸、俯仰、旋转等角度,脸部大小、平移量等。第二部分的精回归器,调整形状的细节,比如嘴巴形状、眼睛形状、眼眉形状等。两个部分,够成了一个由粗到精的级联回归器,在速度和效果上,都有非常大的提升。
图4是采用级联回归器进行人脸关键点定位的示意图,其中(a)为初始化状态,(b)经过第一部分粗回归器得到的人脸关键点位置,(c)为经过第二部分精回归器得到的人脸关键点位置。可以看出,采用本发明的方法,经过第一部分粗回归器,人脸关键点由初始值回归到真实解的附近,进而经过第二部分精回归器逼近到真实解,证明了本发明的方法可以在人脸关键点定位方面取得很好的效果。
本发明的方法,处理一张人脸,在Intel(R)Core(TM)i3-4130CPU3.4GHz的计算机上,用时为8ms左右,速度是之前方法的数倍。本发明在LFPW数据集上,平均误差大约为0.036(每个点的平均误差除以瞳孔间距离),达到了业界先进水平。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求所述为准。
Claims (10)
1.一种基于级联回归的人脸关键点定位方法,其步骤包括:
1)采集大量人脸图片数据,并标记初始的关键点位置;
2)通过对所述大量人脸图片数据进行训练,学习得到一粗回归器,然后以所述粗回归器的输出作为输入,学习得到一精回归器,从而得到由粗到精的级联回归器;
3)给定待识别的人脸图片和对应的人脸位置,通过所述粗回归器将人脸的初始形状回归到真实形状附近,然后以所述粗回归器的输出作为输入,通过所述精回归器得到人脸关键点的精确坐标。
2.如权利要求1所述的方法,其特征在于:所述粗回归器采用线性回归器,在所有关键点处提取SURF特征。
3.如权利要求2所述的方法,其特征在于:所述粗回归器是一个级联的线性回归器,前一级的输出作为后一级的输入。
4.如权利要求3所述的方法,其特征在于:使用SURF特征学习得到所述线性回归器,具体步骤包括:
①在初始形状上每个关键点处提取初始的SURF特征,记作Φ0,真实回归目标记为ΔX*;
②在训练过程中,由于关键点坐标X,初始值关键点坐标X0已知,那么关键点真实回归目标ΔX*即为已知,ΔX*=X-X0;线性回归器表达为0X0=R0*Φ0+b0,其中的参数R0和b0通过最小化下式求得:
其中,di为第i个人脸图片,X0 i为第i个人脸的初始形状,ΔX* i为第i个人脸的真实回顾目标,Φ0 i为第i个人脸在初始形状X0 i处的SURF特征向量;
③根据得到的R0和b0,得到估计的增量ΔX0=R0*Φ1+b0,X+ΔX0作为新的训练集,记为X1;根据新的训练集,提取新的SURF特征Φ1,有ΔX1=R1*Φ1+b1,同理,根据上述方法求得R1和b1;以此类推,得到多级线性回归器。
5.如权利要求4所述的方法,其特征在于:所述粗回归器包含两级线性回归器。
6.如权利要求1或2所述的方法,其特征在于:所述精回归器采用随机蕨级联回归器,以像素差值作为特征。
7.如权利要求6所述的方法,其特征在于:所述精回归器是一个两层结构,第一层是一系列弱回归器的级联;第二层是一系列随机蕨回归器的级联,构成一个所述弱回归器。
8.如权利要求7所述的方法,其特征在于:生成所述两层结构的精回归器的步骤包括:
①提取每个样本的像素差值特征:随机取两个关键点,随机生成一个插值系数,得到两点连线中的一个位置,两个这样的位置上的像素差值作为特征;
②选取特征:生成一个随机的列向量,将真实回归目标矩阵映射到一个方向上,然后分别计算每个特征向量和这个投影向量的相关系数,使用随机蕨回归器选取相关系数最大的多组特征;
③弱回归器的生成:根据上一步提取的特征,把样本划分到原始随机蕨回归器的某个空间中,计算该空间中所有样本的平均真实形状增量ΔXbin,将其加到当前空间中的每个估计形状上,得到新的估计形状,将得到的估计形状作为下一个原始随机蕨回归器的输入,传给下一个原始随机蕨回归器,保持特征不变,得到新的随机蕨回归器,将多个原始随机蕨回归器级联构成一个弱回归器;
④强回归器的生成:经过上述步骤,已经学习到弱回归器fk,对于一个初始集Xk,通过fk得到回归增量估计ΔXk,新的初始集通过计算Xk+ΔXk得到,在新的估计形状基础上提取新的特征,按照上述方法得到下一个弱回归器,以此类推,级联多个弱回归器,构成一个二层的强回归器。
9.如权利要求8所述的方法,其特征在于:所述精回归器的弱回归器包含10个级联的原始随机蕨回归器,所述精回归器的强回归器包含100个级联的所述弱回归器。
10.如权利要求1所述的方法,其特征在于:所述人脸关键点包括眼睛、鼻子、嘴巴、脸部轮廓的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410053323.7A CN103824050B (zh) | 2014-02-17 | 2014-02-17 | 一种基于级联回归的人脸关键点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410053323.7A CN103824050B (zh) | 2014-02-17 | 2014-02-17 | 一种基于级联回归的人脸关键点定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103824050A true CN103824050A (zh) | 2014-05-28 |
CN103824050B CN103824050B (zh) | 2017-03-15 |
Family
ID=50759102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410053323.7A Active CN103824050B (zh) | 2014-02-17 | 2014-02-17 | 一种基于级联回归的人脸关键点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103824050B (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361358A (zh) * | 2014-11-21 | 2015-02-18 | 江苏刻维科技信息有限公司 | 一种自动化人脸五官与面部轮廓辨识方法 |
CN104361362A (zh) * | 2014-11-21 | 2015-02-18 | 江苏刻维科技信息有限公司 | 一种得出人脸部位轮廓定位模型的方法 |
CN104615996A (zh) * | 2015-02-15 | 2015-05-13 | 四川川大智胜软件股份有限公司 | 一种多视角二维人脸特征点自动定位方法 |
WO2015180100A1 (en) * | 2014-05-29 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Facial landmark localization using coarse-to-fine cascaded neural networks |
CN105469056A (zh) * | 2015-11-26 | 2016-04-06 | 小米科技有限责任公司 | 人脸图像处理方法及装置 |
CN105469081A (zh) * | 2016-01-15 | 2016-04-06 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及*** |
CN105678248A (zh) * | 2015-12-31 | 2016-06-15 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
CN105844284A (zh) * | 2015-01-16 | 2016-08-10 | 阿里巴巴集团控股有限公司 | 人脸特征点定位方法和装置 |
CN105844206A (zh) * | 2015-01-15 | 2016-08-10 | 北京市商汤科技开发有限公司 | 身份认证方法及设备 |
CN105868769A (zh) * | 2015-01-23 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 图像中的人脸关键点定位方法及装置 |
CN105956581A (zh) * | 2016-06-08 | 2016-09-21 | 华南理工大学 | 一种快速的人脸特征点初始化方法 |
CN106056080A (zh) * | 2016-05-30 | 2016-10-26 | 东莞市中控电子技术有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN106157372A (zh) * | 2016-07-25 | 2016-11-23 | 深圳市唯特视科技有限公司 | 一种基于视频图像的3d人脸网格重构方法 |
WO2016183834A1 (en) * | 2015-05-21 | 2016-11-24 | Xiaoou Tang | An apparatus and a method for locating facial landmarks of face image |
CN106200657A (zh) * | 2016-07-09 | 2016-12-07 | 东莞市华睿电子科技有限公司 | 一种无人机控制方法 |
CN106529374A (zh) * | 2015-09-10 | 2017-03-22 | 大唐电信科技股份有限公司 | 一种级联式人脸关键点定位方法和*** |
CN106650622A (zh) * | 2016-11-18 | 2017-05-10 | 华南农业大学 | 基于混合lbf形状回归模型的挖掘机工作状态识别方法 |
CN106845520A (zh) * | 2016-12-23 | 2017-06-13 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
CN107016323A (zh) * | 2016-01-28 | 2017-08-04 | 厦门中控生物识别信息技术有限公司 | 一种手掌感兴趣区域的定位方法及装置 |
CN107016319A (zh) * | 2016-01-27 | 2017-08-04 | 北京三星通信技术研究有限公司 | 一种关键点定位方法和装置 |
CN107274508A (zh) * | 2017-07-26 | 2017-10-20 | 南京多伦科技股份有限公司 | 一种车载计时计程终端以及使用该终端的识别方法 |
CN107644203A (zh) * | 2017-09-12 | 2018-01-30 | 江南大学 | 一种形状自适应分类的特征点检测方法 |
CN107729827A (zh) * | 2017-09-29 | 2018-02-23 | 北京飞搜科技有限公司 | 一种人脸特征点定位方法及装置 |
CN107766867A (zh) * | 2016-08-15 | 2018-03-06 | 佳能株式会社 | 对象形状检测装置及方法、图像处理装置及***、监视*** |
CN107766851A (zh) * | 2017-12-06 | 2018-03-06 | 北京搜狐新媒体信息技术有限公司 | 一种人脸关键点定位方法及定位装置 |
CN108062545A (zh) * | 2018-01-30 | 2018-05-22 | 北京搜狐新媒体信息技术有限公司 | 一种人脸对齐的方法及装置 |
CN108133221A (zh) * | 2016-12-01 | 2018-06-08 | 佳能株式会社 | 对象形状检测装置和方法、图像处理装置及监视*** |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
CN108509862A (zh) * | 2018-03-09 | 2018-09-07 | 华南理工大学 | 抗角度与遮挡干扰的快速人脸识别方法 |
CN108875492A (zh) * | 2017-10-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测及关键点定位方法、装置、***和存储介质 |
CN109063584A (zh) * | 2018-07-11 | 2018-12-21 | 深圳大学 | 基于级联回归的面部特征点定位方法、装置、设备及介质 |
CN109740426A (zh) * | 2018-11-23 | 2019-05-10 | 成都品果科技有限公司 | 一种基于采样卷积的人脸关键点检测方法 |
CN109934129A (zh) * | 2019-02-27 | 2019-06-25 | 嘉兴学院 | 一种人脸特征点定位方法、装置、计算机设备及存储介质 |
CN110175558A (zh) * | 2019-05-24 | 2019-08-27 | 北京达佳互联信息技术有限公司 | 一种人脸关键点的检测方法、装置、计算设备及存储介质 |
CN110705437A (zh) * | 2019-09-26 | 2020-01-17 | 中国科学技术大学 | 一种基于动态级联回归的人脸关键点检测方法及*** |
WO2020248789A1 (en) * | 2019-06-11 | 2020-12-17 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and system for facial landmark detection using facial component-specific local refinement |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262724B (zh) * | 2010-05-31 | 2013-01-09 | 汉王科技股份有限公司 | 目标图像特征点定位方法和目标图像特征点定位*** |
KR101130817B1 (ko) * | 2011-09-27 | 2012-04-16 | (주)올라웍스 | 얼굴 인식 방법, 장치, 및 이 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체 |
-
2014
- 2014-02-17 CN CN201410053323.7A patent/CN103824050B/zh active Active
Non-Patent Citations (1)
Title |
---|
车昊等: "一个基于多层结构的快速眼睛定位算法", 《中国图象图形学报》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180100A1 (en) * | 2014-05-29 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Facial landmark localization using coarse-to-fine cascaded neural networks |
CN104361362A (zh) * | 2014-11-21 | 2015-02-18 | 江苏刻维科技信息有限公司 | 一种得出人脸部位轮廓定位模型的方法 |
CN104361358A (zh) * | 2014-11-21 | 2015-02-18 | 江苏刻维科技信息有限公司 | 一种自动化人脸五官与面部轮廓辨识方法 |
CN105844206A (zh) * | 2015-01-15 | 2016-08-10 | 北京市商汤科技开发有限公司 | 身份认证方法及设备 |
CN105844284B (zh) * | 2015-01-16 | 2019-07-09 | 阿里巴巴集团控股有限公司 | 人脸特征点定位方法和装置 |
CN105844284A (zh) * | 2015-01-16 | 2016-08-10 | 阿里巴巴集团控股有限公司 | 人脸特征点定位方法和装置 |
CN105868769A (zh) * | 2015-01-23 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 图像中的人脸关键点定位方法及装置 |
CN104615996B (zh) * | 2015-02-15 | 2017-11-21 | 四川川大智胜软件股份有限公司 | 一种多视角二维人脸特征点自动定位方法 |
CN104615996A (zh) * | 2015-02-15 | 2015-05-13 | 四川川大智胜软件股份有限公司 | 一种多视角二维人脸特征点自动定位方法 |
WO2016183834A1 (en) * | 2015-05-21 | 2016-11-24 | Xiaoou Tang | An apparatus and a method for locating facial landmarks of face image |
CN106529374A (zh) * | 2015-09-10 | 2017-03-22 | 大唐电信科技股份有限公司 | 一种级联式人脸关键点定位方法和*** |
CN105469056A (zh) * | 2015-11-26 | 2016-04-06 | 小米科技有限责任公司 | 人脸图像处理方法及装置 |
CN105678248A (zh) * | 2015-12-31 | 2016-06-15 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
CN105678248B (zh) * | 2015-12-31 | 2018-11-27 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
CN105469081B (zh) * | 2016-01-15 | 2019-03-22 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及*** |
CN105469081A (zh) * | 2016-01-15 | 2016-04-06 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及*** |
CN107016319B (zh) * | 2016-01-27 | 2021-03-05 | 北京三星通信技术研究有限公司 | 一种特征点定位方法和装置 |
CN107016319A (zh) * | 2016-01-27 | 2017-08-04 | 北京三星通信技术研究有限公司 | 一种关键点定位方法和装置 |
CN107016323A (zh) * | 2016-01-28 | 2017-08-04 | 厦门中控生物识别信息技术有限公司 | 一种手掌感兴趣区域的定位方法及装置 |
CN106056080A (zh) * | 2016-05-30 | 2016-10-26 | 东莞市中控电子技术有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN105956581A (zh) * | 2016-06-08 | 2016-09-21 | 华南理工大学 | 一种快速的人脸特征点初始化方法 |
CN105956581B (zh) * | 2016-06-08 | 2019-08-20 | 华南理工大学 | 一种快速的人脸特征点初始化方法 |
CN106200657B (zh) * | 2016-07-09 | 2018-12-07 | 东莞市华睿电子科技有限公司 | 一种无人机控制方法 |
CN106200657A (zh) * | 2016-07-09 | 2016-12-07 | 东莞市华睿电子科技有限公司 | 一种无人机控制方法 |
CN106157372B (zh) * | 2016-07-25 | 2019-01-25 | 深圳市唯特视科技有限公司 | 一种基于视频图像的3d人脸网格重构方法 |
CN106157372A (zh) * | 2016-07-25 | 2016-11-23 | 深圳市唯特视科技有限公司 | 一种基于视频图像的3d人脸网格重构方法 |
CN107766867A (zh) * | 2016-08-15 | 2018-03-06 | 佳能株式会社 | 对象形状检测装置及方法、图像处理装置及***、监视*** |
CN106650622B (zh) * | 2016-11-18 | 2019-06-25 | 华南农业大学 | 基于混合lbf形状回归模型的挖掘机工作状态识别方法 |
CN106650622A (zh) * | 2016-11-18 | 2017-05-10 | 华南农业大学 | 基于混合lbf形状回归模型的挖掘机工作状态识别方法 |
CN108133221A (zh) * | 2016-12-01 | 2018-06-08 | 佳能株式会社 | 对象形状检测装置和方法、图像处理装置及监视*** |
CN108133221B (zh) * | 2016-12-01 | 2022-06-07 | 佳能株式会社 | 对象形状检测装置和方法、图像处理装置及监视*** |
CN106845520A (zh) * | 2016-12-23 | 2017-06-13 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
CN107274508A (zh) * | 2017-07-26 | 2017-10-20 | 南京多伦科技股份有限公司 | 一种车载计时计程终端以及使用该终端的识别方法 |
CN107644203B (zh) * | 2017-09-12 | 2020-08-28 | 江南大学 | 一种形状自适应分类的特征点检测方法 |
CN107644203A (zh) * | 2017-09-12 | 2018-01-30 | 江南大学 | 一种形状自适应分类的特征点检测方法 |
CN107729827A (zh) * | 2017-09-29 | 2018-02-23 | 北京飞搜科技有限公司 | 一种人脸特征点定位方法及装置 |
CN108875492A (zh) * | 2017-10-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测及关键点定位方法、装置、***和存储介质 |
CN108875492B (zh) * | 2017-10-11 | 2020-12-22 | 北京旷视科技有限公司 | 人脸检测及关键点定位方法、装置、***和存储介质 |
CN107766851A (zh) * | 2017-12-06 | 2018-03-06 | 北京搜狐新媒体信息技术有限公司 | 一种人脸关键点定位方法及定位装置 |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
CN108062545B (zh) * | 2018-01-30 | 2020-08-28 | 北京搜狐新媒体信息技术有限公司 | 一种人脸对齐的方法及装置 |
CN108062545A (zh) * | 2018-01-30 | 2018-05-22 | 北京搜狐新媒体信息技术有限公司 | 一种人脸对齐的方法及装置 |
CN108509862A (zh) * | 2018-03-09 | 2018-09-07 | 华南理工大学 | 抗角度与遮挡干扰的快速人脸识别方法 |
CN109063584B (zh) * | 2018-07-11 | 2022-02-22 | 深圳大学 | 基于级联回归的面部特征点定位方法、装置、设备及介质 |
CN109063584A (zh) * | 2018-07-11 | 2018-12-21 | 深圳大学 | 基于级联回归的面部特征点定位方法、装置、设备及介质 |
CN109740426A (zh) * | 2018-11-23 | 2019-05-10 | 成都品果科技有限公司 | 一种基于采样卷积的人脸关键点检测方法 |
CN109934129A (zh) * | 2019-02-27 | 2019-06-25 | 嘉兴学院 | 一种人脸特征点定位方法、装置、计算机设备及存储介质 |
CN110175558A (zh) * | 2019-05-24 | 2019-08-27 | 北京达佳互联信息技术有限公司 | 一种人脸关键点的检测方法、装置、计算设备及存储介质 |
WO2020248789A1 (en) * | 2019-06-11 | 2020-12-17 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and system for facial landmark detection using facial component-specific local refinement |
US20220092294A1 (en) * | 2019-06-11 | 2022-03-24 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and system for facial landmark detection using facial component-specific local refinement |
CN110705437A (zh) * | 2019-09-26 | 2020-01-17 | 中国科学技术大学 | 一种基于动态级联回归的人脸关键点检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103824050B (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824050A (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN103824089A (zh) | 一种基于级联回归的人脸3d姿态识别方法 | |
Doumanoglou et al. | Recovering 6D object pose and predicting next-best-view in the crowd | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
CN106055091B (zh) | 一种基于深度信息和校正方式的手部姿态估计方法 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN104036546B (zh) | 一种基于自适应形变模型的任意视角人脸三维重构方法 | |
Xiong et al. | Supervised descent method for solving nonlinear least squares problems in computer vision | |
CN104899563A (zh) | 一种二维人脸关键特征点定位方法及*** | |
CN110070565B (zh) | 一种基于图像叠加的船舶轨迹预测方法 | |
CN102999942A (zh) | 三维人脸重建方法 | |
CN103530599A (zh) | 一种真实人脸和图片人脸的区别方法和*** | |
CN111998862B (zh) | 一种基于bnn的稠密双目slam方法 | |
CN103514441A (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
CN101968846A (zh) | 一种人脸跟踪方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN106934351A (zh) | 手势识别方法、装置及电子设备 | |
CN104036229A (zh) | 基于回归的主动外观模型初始化方法 | |
WO2024109772A1 (zh) | 一种基于结构光***的人脸姿态估计方法及装置 | |
CN104200453A (zh) | 基于图像分割和可信度的视差图像校正方法 | |
CN111125403A (zh) | 一种基于人工智能的辅助设计绘图方法及*** | |
Li et al. | FC-SLAM: Federated learning enhanced distributed visual-LiDAR SLAM in cloud robotic system | |
Kim et al. | Real-time facial feature extraction scheme using cascaded networks | |
CN104091148A (zh) | 一种人脸特征点定位方法和装置 | |
CN102289661A (zh) | 一种基于谱匹配的三维网格模型的匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |