CN108256477B - 一种用于检测人脸的方法和装置 - Google Patents
一种用于检测人脸的方法和装置 Download PDFInfo
- Publication number
- CN108256477B CN108256477B CN201810045200.7A CN201810045200A CN108256477B CN 108256477 B CN108256477 B CN 108256477B CN 201810045200 A CN201810045200 A CN 201810045200A CN 108256477 B CN108256477 B CN 108256477B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- target image
- face region
- light source
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于检测人脸的方法和装置。该方法的一具体实施方式包括:获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像;将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系;确定人脸区域在目标图像中的位置。该实施方式实现了对非正面均匀光源条件下拍摄的图像的人脸检测。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于检测人脸的方法和装置。
背景技术
随着科技的发展,人脸识别技术逐渐融入人们的生活。其中,人脸检测是自动人脸识别***中的一个关键环节。目前,人脸检测的研究主要是针对具有较强约束条件的人脸图像,例如,无背景的图像、清晰度高的图像以及光照条件好的图像等。
发明内容
本申请实施例提出了用于检测人脸的方法和装置。
第一方面,本申请实施例提供了一种用于检测人脸的方法,该方法包括:获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像;将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系;确定人脸区域在目标图像中的位置。
在一些实施例中,人脸识别模型通过以下步骤训练得到:基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定图像集合中的每个图像的人脸区域;对于所生成的图像集合中的每个图像,将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合;利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。
在一些实施例中,生成包含人脸区域的图像集合,包括:根据预先设置的光源参数对预先建立的三维人脸模型进行渲染,生成包含人脸区域的图像集合。
在一些实施例中,人脸区域为矩形区域;以及确定人脸区域在目标图像中的位置,包括:基于目标图像建立坐标系;基于坐标系,确定矩形区域的以下至少一个参数:顶点坐标,中心线与坐标系的坐标轴的夹角。
在一些实施例中,目标图像为轴对称图像;以及确定人脸区域在目标图像中的位置,包括:确定目标图像的中心线;基于所确定的中心线,确定人脸区域在目标图像中的位置。
第二方面,本申请提供了一种用于检测人脸的装置,该装置包括:获取单元,配置用于获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像;输入单元,配置用于将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系;确定单元,配置用于确定人脸区域在目标图像中的位置。
在一些实施例中,人脸识别模型通过以下模块训练得到:第一生成模块,配置用于基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定图像集合中的每个图像的人脸区域;第二生成模块,配置用于对于所生成的图像集合中的每个图像,将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合;训练模块,配置用于利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。
在一些实施例中,第一生成模块包括:生成子模块,配置用于根据预先设置的光源参数对预先建立的三维人脸模型进行渲染,生成包含人脸区域的图像集合。
在一些实施例中,人脸区域为矩形区域;以及确定单元包括:建立模块,配置用于基于目标图像建立坐标系;第一确定模块,配置用于基于坐标系,确定矩形区域的以下至少一个参数:顶点坐标,中心线与坐标系的坐标轴的夹角。
在一些实施例中,目标图像为轴对称图像;以及确定单元包括:第二确定模块,配置用于确定目标图像的中心线;第三确定模块,配置用于基于所确定的中心线,确定人脸区域在目标图像中的位置。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述用于检测人脸的方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述用于检测人脸的方法中任一实施例的方法。
本申请实施例提供的用于检测人脸的方法和装置,通过获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像,然后将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,最后确定人脸区域在目标图像中的位置,从而实现了对非正面均匀光源条件下拍摄的图像的人脸检测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于检测人脸的方法的一个实施例的流程图;
图3是用于确定人脸区域在目标图像中的位置的方法的一个应用场景的示意图;
图4是根据本申请的用于检测人脸的方法的一个应用场景的示意图;
图5是根据本申请的用于检测人脸的方法的又一个实施例的流程图;
图6是根据本申请的用于检测人脸的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测人脸的方法或用于检测人脸的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如美图软件、图像处理软件、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的图像提供支持的后台图像处理服务器。后台图像处理服务器可以对接收到的图像等数据进行人脸检测,并将检测结果(例如位置)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于检测人脸的方法可以由终端设备101、102、103或者服务器105执行,相应地,用于检测人脸的装置可以设置于终端设备101、102、103或者服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于检测人脸的方法的一个实施例的流程200。该用于检测人脸的方法,包括以下步骤:
步骤201,获取包含人脸图像的目标图像。
在本实施例中,用于检测人脸的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取包含人脸图像的目标图像,其中,目标图像可以是在非正面均匀光源条件下拍摄的图像。实践中,对某个目标对象(例如人脸、物品等)拍摄时,从上述目标对象的正面向上述目标对象的中心所投射的点光源或面光源可以认为是正面均匀光源;从上述目标对象的非正面或者向上述目标对象的非中心所投射的点光源或面或面光源可以认为是非正面均匀光源。此处,上述目标对象的正面可以是目标对象前部(例如人脸前部)所向的一面,也可以是指目标对象较为主要的一面(例如水杯正视图所示的平面),还可以是技术人员预先指定的目标对象的任意一面。上述目标对象的中心可以是视觉中心、几何中心、距离摄像装置最近的点等,也可以是技术人员预先指定的目标对象的某个位置(例如鼻尖),还可以是技术人员预先指定的目标对象的某个区域(例如鼻子所在区域)。
需要说明的是,上述目标图像可以直接存储在上述电子设备的本地,此时,上述电子设备可以直接从本地获取上述目标图像。此外,上述目标图像也可以是与上述电子设备相连接的其余电子设备通过有线连接方式或者无线连接方式发送给上述电子设备的。
步骤202,将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域。
在本实施例中,基于步骤201中得到的目标图像,上述电子设备(例如图1所示的服务器)可以将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域。其中,人脸区域可以为目标图像上突出显示的图像区域。具体的,作为示例,人脸区域可以以框选的形式突出显示于目标图像中,或者可以以加亮的形式突出显示于目标图像中。人脸识别模型可以用于表征图像与人脸区域的对应关系。
作为示例,上述人脸识别模型可以是预先利用机器学习方法,基于训练样本集合对用于进行人脸识别的模型(例如,卷积神经网络(Convolutional Neural Network,CNN))进行训练后所得到的模型。其中,训练样本集合中的每个训练样本可以包括在非正面均匀光源条件下生成的图像以及技术人员通过上述电子设备预先标定的图像中的人脸区域。上述卷积神经网络可以包括卷积层、池化层、反池化层和反卷积层,其中,卷积层可以用于提取图像特征,池化层可以用于对输入的信息进行降采样(downsample),反池化层可以用于对输入的信息进行上采样(upsample),反卷积层用于对输入的信息进行反卷积,将卷积层的卷积核的转置作为反卷积层的卷积核对所输入的信息进行处理。反卷积是卷积的逆运算,实现了信号的复原。上述卷积神经网络的最后一个反卷积层可以输出突出显示了人脸区域的图像,所输出的突出显示了人脸区域的图像可以用RGB(red green blue,红绿蓝)三通道的矩阵进行表达。实践中,卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络进行基于图像的人脸识别。需要说明的是,上述电子设备可以利用各种方式(例如有监督训练、无监督训练等方式)训练上述卷积神经网络得到人脸识别模型。
实践中,上述电子设备可以通过反向传播算法训练卷积网络,将训练后的卷积神经网络确定为人脸识别模型。实践中,反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法的学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中,输入信号经输入层输入,由隐层计算后,通过输出层输出,输出值与标记值比较,若有误差,将误差反向由输出层向输入层传播,在这个过程中,可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处,上述损失函数即可用于表征输出值与标记值的误差。需要说明的是,上述反向传播算法是目前广泛研究和应用的公知技术,在此不再赘述。
步骤203,确定人脸区域在目标图像中的位置。
在本实施例中,基于步骤202中得到的目标图像的人脸区域,上述电子设备可以确定人脸区域在目标图像中的位置。其中,位置可以以任意一种形式表示,例如坐标、方向、角度、距离等。
在本实施例的一些可选的实现方式中,人脸区域可以为矩形区域;以及上述电子设备可以通过如下步骤确定人脸区域在目标图像中的位置:
步骤2031,基于目标图像建立坐标系。
在这里,上述电子设备可以基于目标图像建立坐标系。具体的,建立坐标系的方式可以有多种。例如,请参考图3,其示出了突出显示了人脸区域的目标图像,其中,人脸区域为矩形区域,目标图像为矩形图像。则上述电子设备可以以目标图像的顶点O为原点,以目标图像的横向边为x轴,以目标图像的纵向边为y轴,建立直角坐标系。
步骤2032,基于所建立的坐标系,确定矩形区域的以下至少一个参数:顶点坐标,中心线与坐标系的坐标轴的夹角。
作为示例,请参考图3,基于步骤2031所建立的坐标系,上述电子设备可以确定矩形区域(人脸区域)的顶点A、B、C、D的坐标,中心线m相对于x轴的夹角α以及中心线n相对于y轴的夹角β。在这里,中心线m相对于x轴的夹角α由与中心线m平行的直线m`与x轴的夹角确定,中心线n相对于y轴的夹角β由与中心线n平行的直线n`与y轴的夹角确定。需要说明的是,矩形通常包括四个顶点以及两条互相垂直且过矩形的几何中心的中心线。
在本实施例的一些可选的实现方式中,目标图像可以为轴对称图像;以及上述电子设备可以通过如下步骤确定人脸区域在目标图像中的位置:首先,上述电子设备可以确定目标图像的中心线;然后,基于所确定的中心线,上述电子设备可以确定人脸区域在目标图像中的位置。其中,位置可以为相对于所确定的中心线的方位。例如在所确定的中心线的左侧、右侧、上方或者下方。需要说明的是,通常,对于轴对称图形,可以确定其中心线。可以理解的是,当沿中心线折叠轴对称图形时,中心线两侧的图形区域可以完全重合。
继续参见图4,图4是根据本实施例的用于检测人脸的方法的应用场景的一个示意图。在图4的应用场景中,用于检测人脸的电子设备(例如手机)可以首先开启摄像头,在当前非正面均匀光源条件下(例如逆光)对人脸进行拍照,以获取到目标图像(如标号401所示)。而后,可以将目标图像输入至预先训练的人脸识别模型,得到框选出人脸区域的目标图像(如标号402所示)。最后上述用于检测人脸的电子设备可以确定出人脸区域在目标图像中的位置(例如目标图像的中心区域)。需要说明的是,标号401、标号402所指示的图像仅为示意。
本申请的上述实施例提供的方法通过获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像,然后将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系,最后确定人脸区域在目标图像中的位置,实现了对非正面均匀光源条件下拍摄的图像的人脸检测。
进一步参考图5,其示出了用于检测人脸的方法的又一个实施例的流程500。该用于检测人脸的方法的流程500,包括以下步骤:
步骤501,基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定图像集合中的每个图像的人脸区域。
在本实施例中,用于检测人脸的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定图像集合中的每个图像的人脸区域。需要说明的是,当通过三维人脸模型生成图像集合时,通常可以理解为在非正面均匀光源条件下对三维人脸模型进行投影,生成图像集合。故而上述电子设备可以预先设置人脸区域投影到图像(背景图)中的投影区域(例如中心区域),然后生成包含人脸区域的图像集合,并将人脸区域的投影区域确定为所生成图像的人脸区域。可以理解的是,基于预先建立的三维人脸模型,上述电子设备可以通过各种带有虚拟摄像头的成像软件或者制图软件生成包含人脸区域的图像集合。
在本实施例的一些可选的实现方式中,上述电子设备可以根据预先设置的光源参数对预先建立的三维人脸模型进行渲染,生成包含人脸区域的图像集合。其中,渲染通常是计算机制图的最后一道工序,也是最终使图像符合3D场景的阶段。能够执行渲染的软件有多种,例如:各自带渲染引擎的制图软件,还有诸如Renderman渲染器等。需要说明的是,渲染是目前广泛研究和应用的现有技术,在此不再赘述。
步骤502,对于所生成的图像集合中的每个图像,将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合。
在本实施例中,基于步骤501得到的图像集合,对于所生成的图像集合中的每个图像,上述电子设备可以将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合。
步骤503,利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。
在本实施例中,基于步骤502得到的训练样本集合,上述电子设备可以利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。人脸识别模型可以用于表征图像与人脸区域的对应关系。作为示例,人脸识别模型可以为对卷积神经网络进行训练后所得到的模型。
步骤504,获取包含人脸图像的目标图像。
在本实施例中,步骤504与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤505,将目标图像输入人脸识别模型,得到目标图像的人脸区域。
在本实施例中,基于步骤503中得到的人脸识别模型,上述电子设备(例如图1所示的服务器)可以将目标图像输入人脸识别模型,得到目标图像的人脸区域。
步骤506,确定人脸区域在目标图像中的位置。
在本实施例中,步骤506与图2对应实施例中的步骤203基本一致,这里不再赘述。
从图5中可以看出,与图2对应的实施例相比,本实施例中的用于检测人脸的方法的流程500突出了建立训练样本的步骤。由此,本实施例描述的方案可以引入更多的包含人脸区域的图像的数据,从而实现更准确的人脸检测。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于检测人脸的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于检测人脸的装置600包括:获取单元601、输入单元602、和确定单元604。其中,获取单元,配置用于获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像;输入单元,配置用于将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系;确定单元,配置用于确定人脸区域在目标图像中的位置。
在本实施例中,获取单元601可以通过有线连接方式或者无线连接方式获取包含人脸图像的目标图像,其中,目标图像可以是在非正面均匀光源条件下拍摄的图像。实践中,对某个目标对象(例如人脸、物品等)拍摄时,从上述目标对象的正面向上述目标对象的中心所投射的点光源或面光源可以认为是正面均匀光源;从上述目标对象的非正面或者向上述目标对象的非中心所投射的点光源或面或面光源可以认为是非正面均匀光源。此处,上述目标对象的正面可以是目标对象前部(例如人脸前部)所向的一面,也可以是指目标对象较为主要的一面(例如水杯正视图所示的平面),还可以是技术人员预先指定的目标对象的任意一面。上述目标对象的中心可以是视觉中心、几何中心、距离摄像装置最近的点等,也可以是技术人员预先指定的目标对象的某个位置(例如鼻尖),还可以是技术人员预先指定的目标对象的某个区域(例如鼻子所在区域)。
需要说明的是,上述目标图像可以直接存储在上述电子设备的本地,此时,上述电子设备可以直接从本地获取上述目标图像。此外,上述目标图像也可以是与上述电子设备相连接的其余电子设备通过有线连接方式或者无线连接方式发送给上述电子设备的。
在本实施例中,基于获取单元601中得到的目标图像,输入单元602可以将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域。其中,人脸区域可以为目标图像上突出显示的图像区域。人脸识别模型可以用于表征图像与人脸区域的对应关系。
在本实施例中,基于输入单元602中得到的目标图像的人脸区域,确定单元603可以确定人脸区域在目标图像中的位置。其中,位置可以以任意一种形式表示,例如坐标、方向、角度、距离等。
在本实施例的一些可选的实现方式中,人脸识别模型可以通过以下模块训练得到:第一生成模块(图中未示出),配置用于基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定图像集合中的每个图像的人脸区域;第二生成模块(图中未示出),配置用于对于所生成的图像集合中的每个图像,将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合;训练模块,配置用于利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。
在本实施例的一些可选的实现方式中,第一生成模块可以包括:生成子模块(图中未示出),配置用于根据预先设置的光源参数对预先建立的三维人脸模型进行渲染,生成包含人脸区域的图像集合。
在本实施例的一些可选的实现方式中,人脸区域可以为矩形区域;以及确定单元603可以包括:建立模块(图中未示出),配置用于基于目标图像建立坐标系;第一确定模块(图中未示出),配置用于基于坐标系,确定矩形区域的以下至少一个参数:顶点坐标,中心线与坐标系的坐标轴的夹角。
在本实施例的一些可选的实现方式中,目标图像可以为轴对称图像;以及确定单元603可以包括:第二确定模块(图中未示出),配置用于确定目标图像的中心线;第三确定模块(图中未示出),配置用于基于所确定的中心线,确定人脸区域在目标图像中的位置。
本申请的上述实施例提供的装置通过获取单元601获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像,然后输入单元602将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系,最后确定单元603确定人脸区域在目标图像中的位置,实现了对非正面均匀光源条件下拍摄的图像的人脸检测。
下面参考图7,其示出了适于用来实现本申请实施例的服务器的计算机***700的结构示意图。图7示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、输入单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取包含人脸图像的目标图像,其中,目标图像为在非正面均匀光源条件下拍摄的图像;将目标图像输入预先训练的人脸识别模型,得到目标图像的人脸区域,其中,人脸识别模型用于表征图像与人脸区域的对应关系;确定人脸区域在所述目标图像中的位置。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于检测人脸的方法,包括:
获取包含人脸图像的目标图像,其中,所述目标图像为在非正面均匀光源条件下拍摄的图像,所述非正面均匀光源是从目标对象的非正面或向所述目标对象的非中心所投射的点光源或面光源,所述目标对象的非中心不包括:视觉中心、几何中心、距离摄像装置最近的点;
将所述目标图像输入预先训练的人脸识别模型,得到所述目标图像的人脸区域,其中,所述人脸识别模型用于表征图像与人脸区域的对应关系;
确定所述人脸区域在所述目标图像中的位置;所述人脸识别模型通过以下步骤训练得到:
基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定所述图像集合中的每个图像的人脸区域;
对于所生成的图像集合中的每个图像,将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合;
利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。
2.根据权利要求1所述的方法,其中,所述生成包含人脸区域的图像集合,包括:
根据预先设置的光源参数对所述预先建立的三维人脸模型进行渲染,生成包含人脸区域的图像集合。
3.根据权利要求1-2之一所述的方法,其中,所述人脸区域为矩形区域;以及
所述确定所述人脸区域在所述目标图像中的位置,包括:
基于所述目标图像建立坐标系;
基于所述坐标系,确定所述矩形区域的以下至少一个参数:顶点坐标,中心线与所述坐标系的坐标轴的夹角。
4.根据权利要求1-2之一所述的方法,其中,所述目标图像为轴对称图像;以及
所述确定所述人脸区域在所述目标图像中的位置,包括:
确定所述目标图像的中心线;
基于所确定的中心线,确定所述人脸区域在所述目标图像中的位置。
5.一种用于检测人脸的装置,包括:
获取单元,配置用于获取包含人脸图像的目标图像,其中,所述目标图像为在非正面均匀光源条件下拍摄的图像,所述非正面均匀光源是从目标对象的非正面或向所述目标对象的非中心所投射的点光源或面光源,所述目标对象的非中心不包括:视觉中心、几何中心、距离摄像装置最近的点;
输入单元,配置用于将所述目标图像输入预先训练的人脸识别模型,得到所述目标图像的人脸区域,其中,所述人脸识别模型用于表征图像与人脸区域的对应关系;
确定单元,配置用于确定所述人脸区域在所述目标图像中的位置;
所述人脸识别模型通过以下模块训练得到:
第一生成模块,配置用于基于预先建立的三维人脸模型,在非正面均匀光源条件下,生成包含人脸区域的图像集合,以及确定所述图像集合中的每个图像的人脸区域;
第二生成模块,配置用于对于所生成的图像集合中的每个图像,将该图像以及该图像的人脸区域确定为训练样本,生成训练样本集合;
训练模块,配置用于利用机器学习方法,将训练样本集合中的每个训练样本所包括的图像作为输入,将人脸区域作为输出,训练得到人脸识别模型。
6.根据权利要求5所述的装置,其中,所述第一生成模块包括:
生成子模块,配置用于根据预先设置的光源参数对所述预先建立的三维人脸模型进行渲染,生成包含人脸区域的图像集合。
7.根据权利要求5-6之一所述的装置,其中,所述人脸区域为矩形区域;以及
所述确定单元包括:
建立模块,配置用于基于所述目标图像建立坐标系;
第一确定模块,配置用于基于所述坐标系,确定所述矩形区域的以下至少一个参数:顶点坐标,中心线与所述坐标系的坐标轴的夹角。
8.根据权利要求5-6之一所述的装置,其中,所述目标图像为轴对称图像;以及
所述确定单元包括:
第二确定模块,配置用于确定所述目标图像的中心线;
第三确定模块,配置用于基于所确定的中心线,确定所述人脸区域在所述目标图像中的位置。
9.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045200.7A CN108256477B (zh) | 2018-01-17 | 2018-01-17 | 一种用于检测人脸的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045200.7A CN108256477B (zh) | 2018-01-17 | 2018-01-17 | 一种用于检测人脸的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256477A CN108256477A (zh) | 2018-07-06 |
CN108256477B true CN108256477B (zh) | 2023-04-07 |
Family
ID=62741175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810045200.7A Active CN108256477B (zh) | 2018-01-17 | 2018-01-17 | 一种用于检测人脸的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256477B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276277A (zh) * | 2019-06-03 | 2019-09-24 | 罗普特科技集团股份有限公司 | 用于检测人脸图像的方法和装置 |
CN113029349A (zh) * | 2021-02-24 | 2021-06-25 | 浙江大华技术股份有限公司 | 一种温度监测方法、装置、存储介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及*** |
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050276452A1 (en) * | 2002-11-12 | 2005-12-15 | Boland James M | 2-D to 3-D facial recognition system |
CN101976359A (zh) * | 2010-09-26 | 2011-02-16 | 浙江大学 | 一种三维人脸的特征点自动定位的方法 |
CN102254151B (zh) * | 2011-06-16 | 2013-01-16 | 清华大学 | 一种基于面部视频分析的驾驶人疲劳检测方法 |
-
2018
- 2018-01-17 CN CN201810045200.7A patent/CN108256477B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268539A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学技术大学 | 一种高性能的人脸识别方法及*** |
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108256477A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363995B (zh) | 用于生成数据的方法和装置 | |
CN108492364B (zh) | 用于生成图像生成模型的方法和装置 | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
CN108629823B (zh) | 多视角图像的生成方法和装置 | |
CN110517214B (zh) | 用于生成图像的方法和装置 | |
CN107622252B (zh) | 信息生成方法和装置 | |
US10970938B2 (en) | Method and apparatus for generating 3D information | |
CN111243049B (zh) | 人脸图像的处理方法、装置、可读介质和电子设备 | |
CN109472264B (zh) | 用于生成物体检测模型的方法和装置 | |
CN110033423B (zh) | 用于处理图像的方法和装置 | |
CN109272543B (zh) | 用于生成模型的方法和装置 | |
CN111524216B (zh) | 生成三维人脸数据的方法和装置 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN112330527A (zh) | 图像处理方法、装置、电子设备和介质 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN108492284B (zh) | 用于确定图像的透视形状的方法和装置 | |
CN112784765A (zh) | 用于识别动作的方法、装置、设备以及存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN112258619A (zh) | 一种图像处理方法和装置 | |
CN111340865B (zh) | 用于生成图像的方法和装置 | |
CN108256477B (zh) | 一种用于检测人脸的方法和装置 | |
CN115578515A (zh) | 三维重建模型的训练方法、三维场景渲染方法及装置 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
EP4318314A1 (en) | Image acquisition model training method and apparatus, image detection method and apparatus, and device | |
CN115393423A (zh) | 目标检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |