CN109753873B - 图像处理方法及相关装置 - Google Patents
图像处理方法及相关装置 Download PDFInfo
- Publication number
- CN109753873B CN109753873B CN201811407315.2A CN201811407315A CN109753873B CN 109753873 B CN109753873 B CN 109753873B CN 201811407315 A CN201811407315 A CN 201811407315A CN 109753873 B CN109753873 B CN 109753873B
- Authority
- CN
- China
- Prior art keywords
- face
- model
- user
- dimensional
- model parameter
- 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
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例公开了一种图像处理方法及相关装置,方法包括:获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。本申请实施例降低真实人脸照片的数据量要求,提高处理图像的效率和准确度。
Description
技术领域
本申请涉及电子设备技术领域,具体涉及一种图像处理方法及相关装置。
背景技术
人脸识别技术是利用计算机进行人脸图像分析,并从图片中提取出有效的识别信息进行身份验证的一种技术。一般来说,人脸识别分为三个步骤:定位、标准化和比对。定位是指将图像中的人脸进行识别和位置确定;标准化是指对原始照片进行调整,使人脸接近于正面;比对是指对标准化后的人脸进行特征提取,并与待识别人脸进行比对。现有技术中,人脸比对主要还是基于二维人脸模型的,但在比对照片不是正脸、有遮挡等情况下,三维人脸模型相比于二维人脸模型,在人脸比对时,三维人脸模型更容易分辨,更容易做人脸识别。但是通常的三维人脸建模需要多张照片,且存在模型的模拟不稳定和泛化问题。
发明内容
本申请实施例提供了一种图像处理方法及相关装置,以期简化建模过程,提高电子设备处理图像功能的稳定性和准确性
第一方面,本申请实施例提供一种图像处理方法,应用于电子设备,所述方法包括:
获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
确定所述第一三维人脸模型的模型参数调节策略;
按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的至少一张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
第二方面,本申请实施例提供一种图像处理装置,应用于电子设备,所述图像处理装置包括处理单元和通信单元,其中,
所述通信单元,用于获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;通过所述处理单元将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;以及确定所述第一三维人脸模型的模型参数调节策略;以及按照所述模型参数调节策略调节所述第一三维可变人脸模型的至少一种模型参数,生成所述第一用户的至少一张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;以及将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;以及将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;以及在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图像处理方法的流程示意图;
图2是本申请实施例提供的另一种利用图像处理方法的流程示意图;
图3是本申请实施例提供的另一种图像处理方法的流程示意图;
图4是本申请实施例提供的另一种图像处理方法的流程示意图;
图5是本申请实施例提供的一种电子设备的结构示意图;
图6是本申请实施例提供的一种图像处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以是具备通信和图像处理能力的电子设备,该电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(User Equipment,UE),移动台(Mobile Station,MS),终端设备(terminal device)等等。
下面对本申请实施例进行详细介绍。
人脸识别,特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。广义的人脸识别实际包括构建人脸识别***的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或***。人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流.首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。
三维可变人脸模型是指3D变形模型(3D morphable face models(3DMM)),三维可变人脸模型采用Basel Face Model(BFM),Basel Face Model用的是光流法的非刚性对齐,能够适用于不同的分辨率。这一模型代表了一个平均人脸,平均人脸,但同时也包含了与这一平均值常见的偏差模式信息。例如,如长了一个长鼻子的脸也可能有一个很长的下巴。鉴于这种相关性,计算机可以在不将有关你脸部全部表征信息都存储下来的情况下,只列出几百个数字描述你的脸与平均人脸的偏差,就能够生成专属于你的面部图像了。不仅如此,这些偏差还包括大致的年龄、性别和脸部长度等参数。
Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。
卷积神经网络(Convolutional Neural Network,CNN)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,对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理;二维卷积神经网络常应用于图像类文本的识别;三维卷积神经网络主要应用于医学图像以及视频类数据识别。
图像识别技术越来越多地渗透到我们的日常生活中,人可以很快递判别图像类型,比如,很容易地识别一个图片是狮子还是其它动物,可以很容易地对人脸进行识别。但是对于机器来说,去识别一个图片是什么,是一个非常困难的问题。但在过去的几年中,图像识别技术取得了巨大的进展,在一些固定领域可以达到,甚至超越人类的识别精度,该技术称为深度卷积神经网络(Deep Convolutional Neural Network)。
现有技术中,基于摄像技术的人脸识别主要还是通过影像采集、二维人脸图像特征比对的手段实现,故而人脸特征模板数据库的全面性和准确度对比对精确度影响较大,而当前人脸模型的训练过程需要大量真实人脸图片来保证训练后模型的准确度,即在真实人脸图片较少的情况下难以形成全面、准确的人脸特征模板数据库,从而影响人脸识别的准确度。针对上述问题,本申请实施例提出一种图像处理方法,下面结合附图进行详细说明。
请参阅图1,图1是本申请实施例提供了一种图像处理方法的流程示意图,应用于电子设备;如图所示,本图像处理方法包括:
S101,电子设备获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
其中,电子设备获取包括第一用户的人脸图像的单张第一真实人脸图片,人脸图像可以是从任意角度拍摄或截取的人脸图像;也可以是电子设备接收上传的第一用户的照片。
在具体实现中,电子设备实际获取的第一真实人脸图片的数量没有限定,但应获取至少一张第一真实人脸图片。
S102,所述电子设备将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
其中,将单张的第一真实人脸图像,利用三维人脸模型创建引擎的卷积神经网络,建立人脸的三维可变人脸模型(3DMM)。
S103,所述电子设备确定所述第一三维人脸模型的模型参数调节策略。
S104,所述电子设备按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的至少一张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
具体实现中,至少一种模型参数包括以下参数中的至少一种:环境特征参数、生物特征参数。生物特征参数包括面部表情、年龄、性别、肤色等,环境特征参数包括环境光、拍摄角度、配饰(眼镜、头饰、耳环、帽子、隐形眼镜)等。
S105,所述电子设备将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
具体实现中,所述电子设备利用深度残差网络,通过根据该单张第一真实人脸图像生成的三维人脸模型导出的多张二维虚拟人脸图像重新进行模型训练,得到训练后的第一二维人脸模型。
S106,所述电子设备将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
在具体实现中,将所述的第一真实人脸图片导入所述第一二维人脸模型,第一二维人脸模型返回第一真实人脸图片的人脸的特征值。
S107,所述电子设备在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
在具体实现中,电子设备将所有二维人脸模型返回的对应的真实人脸图片的人脸的特征值保存在人脸特征值的数据库中,待有被检测真实人脸图像时,被检测真实人脸图像的人脸特征值与数据库中的人脸特征值一一比对,从而确定被检测真实人脸图像的用户的真实身份信息。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
在一个可能的示例中,电子设备获取第一真实人脸图片,所述第一真实人脸图片包括第一用户的人脸图像;所述第一真实人脸图片可为单张图片或者多张图片。
可见,本示例中,电子设备仅需要获取单张第一真实人脸图片并根据单张第一真实人脸照片即可创建三维可变人脸模型,进一步生成包含多张二维虚拟人脸图像的样本数据,无需获取多张真实人脸图片,降低了对真实人脸图片的数据量的要求,同时通过根据该单张第一真实人脸图像生成的三维人脸模型导出多张二维虚拟人脸图像,并将该多张二维虚拟人脸图像作为样本数据以保证样本数据的数据量和全面性,有利于提高电子设备创建二维人脸模型训练的效率,进而提高人脸特征值的设置效率和准确度。
在一个可能的示例中,所述电子设备确定所述第一三维人脸模型的模型参数调节策略,包括:所述电子设备确定待调节的模型参数的类型;确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值。
其中,调节操作次数可以根据二维虚拟人脸图像所能够提取的人脸特征值的数据量来决定,当所能够提取的人脸特征值的数据量不足时,可以增加调节操作次数和改变每次调节操作的模型参数取值,使第一三维人脸模型能够导出多张二维虚拟人脸图像,并将该多张二维虚拟人脸图像作为训练第一二维人脸模型的样本数据。
可见,本示例中,电子设备可以根据需要不同来设置模型参数的调节策略,据该单张真实人脸图像生成的三维人脸模型导出多张二维虚拟人脸图像,并将该多张二维虚拟人脸图像作为样本数据以保证样本数据的数据量和全面性,而且根据二维人脸模型的精确度越高,调整模型参数的调节操作的次数越多和每次调节操作的参数取值越精确。电子设备要存储很多特定用户的特征值模板数据,每个用户均需要执行类似计算过程,存储过程,可以提高创建二维人脸模型的效率和准确度。
在一个可能的示例中,所述电子设备确定待调节的模型参数的类型,包括:所述电子设备根据所述第一三维人脸模型所支持调整的参数类型确定待调节的模型参数的类型;
其中,待调节的模型参数属于第一三维人脸模型所支持调整的参数类型,如第一三维人脸模型支持针对面部表情、年龄、环境光模型参数的调整,则待调节的模型参数可以是面部表情、年龄等;
所述电子设备确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值,包括:所述电子设备根据模型参数的优先级确定每种模型参数的调节策略,所述调节策略包括调节操作次数和每次调节操作的模型参数取值。
其中,不同模型参数的优先级可以不同,如面部表情模型参数的优先级可以高于年龄模型参数的优先级,优先级越高的模型参数的调节操作次数可以越高,模型参数取值也可以越多,如针对面部表情模型参数,可以设置调节操作次数为10次,模型参数取值可以设置十个不同值,而针对年龄模型参数,可以设置调节操作次数为2次,模型参数取值可以设置为2个不同值。
具体实现中,第一三维人脸模型的总的调节操作次数可以预先设置,或者动态变更,此处不做唯一限定。
可见,本示例中,电子设备中单张真实人脸图片生成的第一三维人脸模型所支持调整的参数类型有限定的,在确定待调节的模型参数以及调节模型参数时都是限定之内,不会随意的调节模型参数,保证了人脸图像的准确度和与真实人脸的相似性。
在一个可能的示例中,所述电子设备根据模型参数的优先级确定每种模型参数的调节策略,包括:所述电子设备查询预设的调节策略集合,获取模型参数的优先级对应的调节策略,其中,所述调节策略集合包括模型参数的优先级与调节策略之间的对应关系。
其中,模型参数的优先级可以预先进行设置,保证实际需要,如可以根据第一用户的习惯进行专属设置,如第一用户是光头,且经常戴帽子,则可以设置配饰模型参数的优先级较高,如第一用户为演员,且面部表情丰富多变,则可以设置面部表情模型参数的优先级较高。
具体实现中,针对不同优先级的模型参数的调节策略,可以预配置每个模型参数的调节策略,并添加到调节策略集合中,从而哪些优先级的模型参数被选定后,仅需要调用该模型参数对应的预设的调节策略即可。
可见,在本示例中,通过待调节的模型参数的优先级设置,不仅能够保证样本数据的数据量和全面性,还有利于提高电子设备创建二维人脸模型训练的效率,进而提高人脸特征值的设置效率和准确度。
在一个可能的示例中,所述电子设备在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值之后,所述方法还包括:所述电子设备获取被检测用户的第二真实人脸图片,将所述第二真实人脸图片导入所述第一二维人脸模型,得到所述被检测用户的人脸特征值;将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份。
其中,获取被检测用户的第二真实人脸图片可以是上传的照片,视频流中的截图,摄像头的实时拍摄等,第二真实人脸图片导入所述第一二维人脸模型,第一二维人脸模型返回第二真实人脸图片的人脸特征值,得到所述被检测用户的人脸特征值;将所述被检测用户的人脸特征值与人脸特征值集合中一一比对,得到与被检测用户的人脸特征值的匹配度,得到匹配度最高确定所述被检测用户的身份。
可见,本示例中,根据被检测用户的人脸特征值;将所述被检测用户的人脸特征值与人脸特征值集合中一一比对,得到匹配度最高的用户确定被检测用户身份。保证了被检测用户的人脸检测的准确度。
在一个可能的示例中,所述电子设备获取被检测用户的第二真实人脸图片包括:所述电子设备视频流中截取的被检测用户的第二真实人脸图片;摄像头捕捉的被检测用户的第二真实人脸图片;监视器探测的被检测用户的第二真实人脸图片。
可见,本示例中,被检测用户的第二真实人脸图片的获取途径均为实时动态画面,可以防止被检测用户借用他人照片等方式而通过正在检测的电子设备,带来安全隐患。
在一个可能的示例中,所述电子设备将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份之后,包括:所述电子设备当所述被检测用户的人脸特征值与所述第一用户的人脸特征值的匹配度达到预设值时,发出预警信息。
可见,本示例中,当所述被检测用户的人脸特征值与所述第一用户的人脸特征值的匹配度达到预设值时,发出预警信息,保证了处理图像的稳定性和人脸识别的准确性,增强了检测的电子设备与使用者之间的互动性。
在进一步可能的示例中,所述电子设备确定待调节的模型参数的类型,包括:所述电子设备根据本端计算能力和存储能力确定待调节的模型参数的类型。
其中,由于不同模型参数的调整过程对应的模型计算量不同,输出的二维虚拟人脸图像也不同,故而电子设备可以结合本端计算能力和存储能力,确定适配当前计算能力和存储能力的模型参数的类型。
举例来说,电子设备为手机等常用设备,手机本端的计算能力和存储能力相对较低,且模型参数中,年龄、环境光等模型参数对应的模型计算量较小,输出的二维虚拟人脸图像的数据量相对较小,则电子设备可以优先选择年龄、环境光等模型参数。
又举例来说,电子设备为云端服务器等大型计算设备,计算能力和存储能力相对较高,且模型参数中,面部表情、拍摄角度等模型参数对应的模型计算量较大,输出的二维虚拟人脸图像的数据量相对较大,则电子设备可以优先选择面部表情、拍摄角度等模型参数。
可见,本示例中,电子设备可以根据本端的计算能力和存储能力动态确定待调整的模型参数的类型,提高电子设备进行模型参数调整的灵活性和智能性。
在进一步可能的示例中,所述电子设备确定待调节的模型参数的类型,包括:所述电子设备根据所述第一用户的身份等级确定待调节的模型参数的类型。
其中,第一用户的身份等级可以按照用户的职业、危险程度、安全性级别等各种属性进行划分,此处不做唯一限定。身份等级越高,则该第一用户被监控的力度越强,对应需要的识别准确度越高,而模型的识别准确度又由样本数据的准确度、数据量、全面性决定,样本数据由第一三维人脸模型通过调节模型参数得到,故而最终待调节的模型参数会与第一用户的身份等级存在关联关系。
具体来说,模型参数可以按照与模型准确度的关系进行类型标记,并预先建立身份等级和模型参数的类型之间的对应关系,从而电子设备可以在确定第一用户的身份等级后,查询该预设的对应关系,获取适配当前第一用户的身份等级的待调整的模型参数的类型。
可见,本示例中,电子设备能够根据第一用户的身份等级确定待调整的模型参数的类型,从而拓展电子设备确定模型参数的功能。
在进一步可能的示例中,所述电子设备确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值,包括:所述电子设备以模型参数的类型为查询标识,查询预设的调节策略集合,获取每种模型参数的类型对应的调节策略。
其中,所述调节策略集合包括模型参数的类型与模型参数的调节策略之间的对应关系。
可见,本示例中,电子设备能够通过查表的方式快速确定每种待调整的模型参数的调节策略,提高电子设备确定调节策略的效率和实时性。
在进一步可能的示例中,所述电子设备确定每种类型的模型参数的调节操作的次数和每次调节操作的参数取值,包括:所述电子设备根据针对所述第一用户所设置的识别准确度确定样本数据需求量,根据所述样本数据需求量确定每种模型参数的调节策略,所述调节策略包括调节操作的次数和每次调节操作的参数取值。
其中,样本数据需求量可以量化为二维虚拟人脸图像的数量,该数量可以进一步按照模型参数的类型划分为多个分支数量,每个分支数量对应一种模型参数的调节操作的次数和每次调节操作的参数取值。
可见,本示例中,电子设备能够根据准确度要求确定每种待调整模型参数调节操作的次数和每次调节操作的参数取值,提高电子设备确定调节操作的次数和每次调节操作的参数取值的全面性和准确度。
与上述图1所示的实施例一致的,请参阅图2,图2是本申请实施例提供的一种利用图像处理方法的人脸识别流程示意图,应用于电子设备,如图所示,本图像处理方法包括:
S201,电子设备获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
S202,所述电子设备将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
S203,所述电子设备确定待调节的模型参数的类型;确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值。
S204,所述电子设备按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
S205,所述电子设备将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
S206,所述电子设备将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
S207,所述电子设备在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
S208,所述电子设备获取被检测用户的第二真实人脸图片,将所述第二真实人脸图片导入所述第一二维人脸模型,得到所述被检测用户的人脸特征值;
S209,所述电子设备将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
此外,电子设备能够获取被检测用户的第二真实人脸图片,并检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,有效提高了单张比对照片条件下的识别成功率;被检测用户的第二真实人脸图片的获取途径均为实时动态画面,可以防止被检测用户借用他人照片等方式而通过正在检测的电子设备,带来安全隐患。
与上述图1,图2所示的实施例一致的,请参阅图3,图3是本申请实施例提供的一种图像处理方法的流程示意图,应用于电子设备,如图所示,本图像处理方法包括:
S301,电子设备获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
S302,所述电子设备将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
S303,所述电子设备确定待调节的模型参数的类型;确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值。
S304,所述电子设备按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
S305,所述电子设备将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
S306,所述电子设备将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
S307,所述电子设备在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
此外,电子设备能够根据模型参数的类型,每个类型的模型参数的调节操作的次数和每次调节操作的参数取值对第一三维人脸模型的模型进行调节,提高了样本数据的多样性,保证了训练后的第一二维人脸模型的精确性。
与上述图1,图2,图3所示的实施例一致的,请参阅图4,图4是本申请实施例提供的一种图像处理方法的流程示意图,应用于电子设备,如图所示,本图像处理方法包括:
S401,电子设备获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
S402,所述电子设备将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
S403,所述电子设备根据所述第一三维人脸模型所支持调整的参数类型确定待调节的模型参数的类型;以及根据模型参数的优先级确定每种模型参数的调节策略,所述调节策略包括调节操作次数和每次调节操作的模型参数取值。
S404,所述电子设备按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
S405,所述电子设备将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
S406,所述电子设备将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
S407,所述电子设备在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
此外,电子设备能够根据模型参数的类型,每个类型的模型参数的调节操作的次数和每次调节操作的参数取值对第一三维人脸模型的模型进行调节,提高了样本数据的多样性,保证了训练后的第一二维人脸模型的精确性。
与上述图2、图3、图4所示的实施例一致的,请参阅图5,图5是本申请实施例提供的一种电子设备500的结构示意图,如图所示,所述电子设备500包括应用处理器510、存储器520、通信接口530以及一个或多个程序521,其中,所述一个或多个程序521被存储在上述存储器520中,并且被配置由上述应用处理器510执行,所述一个或多个程序521包括用于执行以下步骤的指令;
获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
确定所述第一三维人脸模型的模型参数调节策略;
按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
在一个可能的示例中,在所述确定所述第一三维人脸模型的模型参数调节策略设备方面,所述程序中的指令具体用于执行以下操作:确定待调节的模型参数的类型;确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值。
在一个可能的示例中,在所述确定待调节的模型参数的类型方面,所述程序中的指令具体用于执行以下操作:根据所述第一三维人脸模型所支持调整的参数类型确定待调节的模型参数的类型;在所述确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值方面,所述程序中的指令具体用于执行以下操作:根据模型参数的优先级确定每种模型参数的调节策略,所述调节策略包括调节操作次数和每次调节操作的模型参数取值。
在一个可能的示例中,在所述根据模型参数优先级确定每种模型参数的调节策略方面,所述程序中的指令具体用于执行以下操作:查询预设的调节策略集合,获取模型参数的优先级对应的调节策略,其中,所述调节策略集合包括模型参数的优先级与调节策略之间的对应关系。
在一个可能的示例中,在所述在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值之后方面,所述程序还包括用于执行以下操作的指令:获取被检测用户的第二真实人脸图片,将所述第二真实人脸图片导入所述第一二维人脸模型,得到所述被检测用户的人脸特征值;将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份。
在一个可能的示例中,在所述获取被检测用户的第二真实人脸图片方面,所述程序还包括用于执行以下操作的指令:视频流中截取的被检测用户的第二真实人脸图片;摄像头捕捉的被检测用户的第二真实人脸图片;监视器探测的被检测用户的第二真实人脸图片。
在一个可能的示例中,在所述将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份之后方面,所述程序中的指令具体用于执行以下操作:当所述被检测用户的人脸特征值与所述第一用户的人脸特征值的匹配度达到预设值时,发出预警信息。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图6是本申请实施例中所涉及的图像处理装置600的功能单元组成框图。该图像处理装置600应用于电子设备,包括通信单元601和处理单元602,其中,
所述通信单元601,用于获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像,通过所述处理单元602将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;以及确定所述第一三维人脸模型的模型参数调节策略;以及按照所述模型参数调节策略调节所述第一三维可变人脸模型的至少一种模型参数,生成所述第一用户的至少一张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;以及将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;以及将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;以及在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值。
其中,所述图像装置600还可以包括存储单元603,用于存储电子设备的程序代码和数据。所述处理单元602可以是处理器,所述通信单元601可以是触控显示屏或者收发器,存储单元603可以是存储器。
可以看出,本申请实施例中,电子设备获取第一真实人脸图片;将第一真实人脸图片导入三维人脸模型创建引擎,建立适配人脸图像的第一三维人脸模型;确定所述第一三维人脸模型的模型参数调节策略;按照模型参数调节策略调节第一三维人脸模型的至少一种模型参数,生成第一用户的多张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;将每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;将第一真实人脸图片导入第一二维人脸模型,得到第一用户的人脸特征值;在预设的第一用户的人脸特征值模板数据集合中添加第一用户的人脸特征值。可见,本申请实施例的电子设备能够根据单张第一真实人脸图片创建包含至少一张二维虚拟人脸图像的样本数据,降低了对真实人脸图片的数据量的要求,同时该至少一张二维虚拟人脸图像是通过调节第一三维人脸模型的至少一种模型参数得到的,故而该至少一张二维虚拟人脸图像可以从至少一个模型参数约束维度反映用户真实的人脸特征,从而一定程度上保证样本数据的全面性,提高模型训练的准确度和效率,进而提高人脸特征值的设置效率和准确度。
在一个可能的示例中,在所述确定所述第一三维人脸模型的模型参数调节策略方面,所述处理单元602具体用于:确定待调节的模型参数的类型;确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值。
在一个可能的示例中,在所述确定待调节的模型参数的类型方面,所述处理单元602具体用于:根据所述第一三维人脸模型所支持调整的参数类型确定待调节的模型参数的类型;在所述确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值方面,所述处理单元602具体用于:根据模型参数的优先级确定每种模型参数的调节策略,所述调节策略包括调节操作次数和每次调节操作的模型参数取值。
在一个可能的示例中,在所述根据模型参数优先级确定每种模型参数的调节策略方面,所述处理单元602具体用于:查询预设的调节策略集合,获取模型参数的优先级对应的调节策略,其中,所述调节策略集合包括模型参数的优先级与调节策略之间的对应关系。
在一个可能的示例中,所述在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值之后;所述处理单元602获取被检测用户的第二真实人脸图片,将所述第二真实人脸图片导入所述第一二维人脸模型,得到所述被检测用户的人脸特征值;将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份。
在一个可能的示例中,在所述获取被检测用户的第二真实人脸图片方面,所述处理单元602具体用于:视频流中截取的被检测用户的第二真实人脸图片;摄像头捕捉的被检测用户的第二真实人脸图片;监视器探测的被检测用户的第二真实人脸图片。
在一个可能的示例中,在所述将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份之后方面,所述处理单元602具体用于当所述被检测用户的人脸特征值与所述第一用户的人脸特征值的匹配度达到预设值时,发出预警信息。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种图像处理方法,其特征在于,应用于电子设备,所述方法包括:
获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;
将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;
确定所述第一三维人脸模型的模型参数调节策略;
按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的至少一张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;
将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;
将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;
在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值;
所述确定所述第一三维人脸模型的模型参数调节策略,包括:
确定待调节的模型参数的类型,包括根据所述第一用户的身份等级确定待调节的模型参数的类型;其中,所述第一用户的身份等级按照用户的职业、危险程度、安全性级别进行划分,身份等级越高,该第一用户对应的待调节的模型参数的类型越多;
确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值,其中,包括根据二维虚拟人脸图像所能够提取的人脸特征值的数据量来决定所述调节操作的次数;
所述确定待调节的模型参数的类型,包括:
根据所述第一三维人脸模型所支持调整的参数类型确定待调节的模型参数的类型;
所述确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值,包括:
根据模型参数的优先级确定每种模型参数的调节策略,所述调节策略包括调节操作次数和每次调节操作的模型参数取值;
所述根据模型参数的优先级确定每种模型参数的调节策略,包括:
查询预设的调节策略集合,获取模型参数的优先级对应的调节策略,其中,所述调节策略集合包括模型参数的优先级与调节策略之间的对应关系,优先级越高的模型参数的调节操作次数越高,模型参数取值越多。
2.根据权利要求1所述的方法,其特征在于,所述在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值之后,所述方法还包括:
获取被检测用户的第二真实人脸图片,将所述第二真实人脸图片导入所述第一二维人脸模型,得到所述被检测用户的人脸特征值;
将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份。
3.根据权利要求2所述的方法,其特征在于,所述获取被检测用户的第二真实人脸图片包括:
视频流中截取的被检测用户的第二真实人脸图片;
摄像头捕捉的被检测用户的第二真实人脸图片;
监视器探测的被检测用户的第二真实人脸图片。
4.根据权利要求2所述的方法,其特征在于,所述将所述被检测用户的人脸特征值与所述第一用户的人脸特征值进行比对,确定所述被检测用户的身份之后,包括:
当所述被检测用户的人脸特征值与所述第一用户的人脸特征值的匹配度达到预设值时,发出预警信息。
5.一种图像处理装置,其特征在于,应用于电子设备,所述图像处理包括处理单元和通信单元,其中,
所述通信单元,用于获取单张第一真实人脸图片,所述单张第一真实人脸图片包括第一用户的人脸图像;通过所述处理单元将所述单张第一真实人脸图片导入三维人脸模型创建引擎,建立适配所述人脸图像的第一三维人脸模型;以及确定所述第一三维人脸模型的模型参数调节策略;以及按照所述模型参数调节策略调节所述第一三维人脸模型的至少一种模型参数,生成所述第一用户的至少一张二维虚拟人脸图像以及每张二维虚拟人脸图像的人脸特征值;以及将所述每张二维虚拟人脸图像和对应的人脸特征值作为样本数据,训练预设的二维人脸模型,得到训练后的第一二维人脸模型;以及将所述第一真实人脸图片导入所述第一二维人脸模型,得到所述第一用户的人脸特征值;以及在预设的所述第一用户的人脸特征值模板数据集合中添加所述第一用户的人脸特征值;
所述确定所述第一三维人脸模型的模型参数调节策略,包括:
确定待调节的模型参数的类型,包括根据所述第一用户的身份等级确定待调节的模型参数的类型;其中,所述第一用户的身份等级按照用户的职业、危险程度、安全性级别进行划分,身份等级越高,该第一用户对应的待调节的模型参数的类型越多;
确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值,其中,包括根据二维虚拟人脸图像所能够提取的人脸特征值的数据量来决定所述调节操作的次数;
所述确定待调节的模型参数的类型,包括:
根据所述第一三维人脸模型所支持调整的参数类型确定待调节的模型参数的类型;
所述确定每个类型的模型参数的调节操作的次数和每次调节操作的参数取值,包括:
根据模型参数的优先级确定每种模型参数的调节策略,所述调节策略包括调节操作次数和每次调节操作的模型参数取值;
所述根据模型参数的优先级确定每种模型参数的调节策略,包括:
查询预设的调节策略集合,获取模型参数的优先级对应的调节策略,其中,所述调节策略集合包括模型参数的优先级与调节策略之间的对应关系,优先级越高的模型参数的调节操作次数越高,模型参数取值越多。
6.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-4任一项所述的方法中的步骤的指令。
7.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407315.2A CN109753873B (zh) | 2018-11-23 | 2018-11-23 | 图像处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407315.2A CN109753873B (zh) | 2018-11-23 | 2018-11-23 | 图像处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753873A CN109753873A (zh) | 2019-05-14 |
CN109753873B true CN109753873B (zh) | 2021-03-23 |
Family
ID=66403444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811407315.2A Active CN109753873B (zh) | 2018-11-23 | 2018-11-23 | 图像处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753873B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322005A (zh) * | 2019-06-25 | 2019-10-11 | 深圳爱莫科技有限公司 | 神经网络模型训练方法以及装置、人脸识别方法 |
CN110363175A (zh) * | 2019-07-23 | 2019-10-22 | 厦门美图之家科技有限公司 | 图像处理方法、装置及电子设备 |
CN112507833A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 人脸识别及模型训练的方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203400A (zh) * | 2016-07-29 | 2016-12-07 | 广州国信达计算机网络通讯有限公司 | 一种人脸识别方法及装置 |
KR101906431B1 (ko) * | 2017-07-20 | 2018-10-11 | 네이버랩스 주식회사 | 2d 이미지 인식에 기반한 3d 모델링 방법 및 그 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460398B (zh) * | 2017-12-27 | 2021-08-10 | 达闼科技(北京)有限公司 | 图像处理方法、装置、云处理设备 |
CN108491881A (zh) * | 2018-03-23 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 用于生成检测模型的方法和装置 |
CN108764180A (zh) * | 2018-05-31 | 2018-11-06 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、电子设备及可读存储介质 |
-
2018
- 2018-11-23 CN CN201811407315.2A patent/CN109753873B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203400A (zh) * | 2016-07-29 | 2016-12-07 | 广州国信达计算机网络通讯有限公司 | 一种人脸识别方法及装置 |
KR101906431B1 (ko) * | 2017-07-20 | 2018-10-11 | 네이버랩스 주식회사 | 2d 이미지 인식에 기반한 3d 모델링 방법 및 그 시스템 |
Non-Patent Citations (2)
Title |
---|
an expression deformation approach to non-rigid 3D face recognition;ALOSAIMI F et al;《international journal of computer vision》;20091231;第81卷(第3期);第302-316页 * |
人脸特征点提取方法综述;李月龙 等;《计算机学报》;20160731(第7期);第1356-1374页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109753873A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340008B (zh) | 对抗补丁生成、检测模型训练、对抗补丁防御方法及*** | |
CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
CN109657554B (zh) | 一种基于微表情的图像识别方法、装置以及相关设备 | |
CN112651348B (zh) | 身份认证方法和装置及存储介质 | |
KR101710478B1 (ko) | 다중 생체 인증을 통한 모바일 전자 문서 시스템 | |
CN111310624A (zh) | 遮挡识别方法、装置、计算机设备及存储介质 | |
CN109753873B (zh) | 图像处理方法及相关装置 | |
CN111738735B (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN105374055A (zh) | 图像处理方法及装置 | |
CN108388878A (zh) | 用于识别人脸的方法和装置 | |
CN113298158B (zh) | 数据检测方法、装置、设备及存储介质 | |
US20190347472A1 (en) | Method and system for image identification | |
CN107832721B (zh) | 用于输出信息的方法和装置 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN113657195A (zh) | 人脸图像识别方法、设备、电子装置和存储介质 | |
CN110276313B (zh) | 身份认证方法、身份认证装置、介质和计算设备 | |
CN107609044B (zh) | 一种信息获取方法及终端设备 | |
CN107368817A (zh) | 人脸识别方法和装置 | |
CN105512119A (zh) | 一种实现图片排序的方法及终端 | |
WO2023124869A1 (zh) | 用于活体检测的方法、装置、设备及存储介质 | |
Mukherjee et al. | Energy efficient face recognition in mobile-fog environment | |
CN117218398A (zh) | 一种数据处理的方法以及相关装置 | |
CN104915661A (zh) | 一种智能动态人脸识别加密*** | |
CN109741243B (zh) | 彩色素描图像生成方法及相关产品 |
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 |