CN109871814B - 年龄的估计方法、装置、电子设备和计算机存储介质 - Google Patents
年龄的估计方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN109871814B CN109871814B CN201910140791.0A CN201910140791A CN109871814B CN 109871814 B CN109871814 B CN 109871814B CN 201910140791 A CN201910140791 A CN 201910140791A CN 109871814 B CN109871814 B CN 109871814B
- Authority
- CN
- China
- Prior art keywords
- processed
- face
- images
- image
- age estimation
- 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)
- Image Processing (AREA)
Abstract
本发明提供了一种年龄的估计方法、装置、电子设备和计算机存储介质,包括:根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像;对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像;通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到目标对象的年龄信息。本发明通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,由于脸部特征点的位置信息相对固定,能够更加容易的得到目标对象的脸部特征,降低了年龄估计模型的处理复杂度,实用性好,多张待处理脸部图像包含丰富的脸部周围环境信息,对多张待处理脸部图像进行年龄估计处理时,得到的目标对象的年龄信息更加准确。
Description
技术领域
本发明涉及图像处理的技术领域,尤其是涉及一种年龄的估计方法、装置、电子设备和计算机存储介质。
背景技术
得益于当前卷积神经网络(CNN)的广泛应用,大部分的年龄估计模型采用黑箱操作的模式,输入一张图片,输出一个年龄结果。这些模型在进行年龄估计时,大多将获得的图片进行尺度(size)归一化,然后将归一化后的图片输入到CNN中直接得到年龄结果。
但是上述操作方式中,归一化后的图片中人脸尺寸和空间位置(spatiallocation)多样化,不利于深度网络对人脸特征的提取,并且提取的人脸特征有限,最终基于提取的人脸特征进行年龄估计时,估计的年龄结果准确性差;另外,在处理多样化的人脸时,需要使用更加复杂的网络,实用性差。
综上,现有的年龄估计方法准确性差,实用性不好。
发明内容
有鉴于此,本发明的目的在于提供一种年龄的估计方法、装置、电子设备和计算机存储介质,以缓解现有的年龄估计方法准确性差,实用性不好的技术问题。
第一方面,本发明实施例提供了一种年龄的估计方法,包括:获取待处理图像,并根据所述待处理图像中目标对象的脸部特征点对所述待处理图像进行人脸对齐处理,得到对齐后的待处理图像;对所述对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,其中,所述多张待处理脸部图像的尺寸大小不同;通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
进一步地,对所述对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像包括:确定目标切割轨迹;基于所述目标切割轨迹对所述对齐后的待处理图像进行切割处理,得到所述多张待处理脸部图像。
进一步地,确定目标切割轨迹包括:根据脸部模板中特征点的位置信息确定所述目标对象的脸部包围框信息,其中,所述脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,所述目标脸部和所述目标对象的脸部为所属相同类型的脸部;按照预设扩张原则对所述脸部包围框信息所表示的原始脸部包围框进行扩张处理,得到至少一个扩张后的脸部包围框;将所述原始脸部包围框和所述至少一个扩张后的脸部包围框确定为所述目标切割轨迹。
进一步地,所述年龄估计模型包括:权值共享的卷积神经网络和全连接网络;通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息包括:通过所述权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征;通过所述全连接网络对所述多张待处理脸部图像的图像特征进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
进一步地,所述权值共享的卷积神经网络包括:卷积模块、挤压与激励模块;通过所述权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征包括:通过所述卷积模块对每张待处理脸部图像进行特征提取,得到多张初始特征图;通过所述挤压与激励模块计算每张初始特征图的通道权重向量;利用所述通道权重向量对其所对应的初始特征图进行通道加权处理,得到多张目标特征图;对每张目标特征图进行重塑处理,得到多张重塑处理后的特征图;将所述多张重塑处理后的特征图作为所述多张待处理脸部图像的图像特征。
进一步地,所述全连接网络中包括:第一全连接层、第二全连接层和第三全连接层;通过所述全连接网络对所述多张待处理脸部图像的图像特征进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息包括:通过所述第一全连接层对所述多张待处理脸部图像的图像特征进行连接处理,得到连接后的图像特征;通过所述第二全连接层对所述连接后的图像特征进行整合处理,得到整合后的图像特征;通过所述第三全连接层对所述整合后的图像特征进行年龄估计映射,得到所述待处理图像中目标对象的年龄信息。
进一步地,所述方法还包括:在得到多张待处理脸部图像之后,并在通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理之前,获取每张待处理脸部图像的预设归一化尺寸;按照每张待处理脸部图像的预设归一化尺寸对其进行尺度归一化处理,得到多张归一化后的待处理脸部图像。
进一步地,通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息包括:通过年龄估计模型对所述多张归一化后的待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
进一步地,根据所述待处理图像中目标对象的脸部特征点对所述待处理图像进行人脸对齐处理,得到对齐后的待处理图像包括:对所述待处理图像中的目标对象进行脸部特征点检测,得到所述目标对象的脸部特征点的位置信息;通过所述脸部特征点的位置信息和脸部模板中特征点的位置信息计算仿射矩阵,其中,所述脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,所述目标脸部和所述目标对象的脸部为所属相同类型的脸部;通过所述仿射矩阵对所述待处理图像中的各个像素点进行仿射变换,得到所述对齐后的待处理图像。
第二方面,本发明实施例还提供了一种年龄的估计装置,包括:人脸对齐模块,用于获取待处理图像,并根据所述待处理图像中目标对象的脸部特征点对所述待处理图像进行人脸对齐处理,得到对齐后的待处理图像;脸部切割模块,用于对所述对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,其中,所述多张待处理脸部图像的尺寸大小不同;年龄估计处理模块,用于通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面任一项所述的方法的步骤。
在本发明实施例中,首先,获取待处理图像,并根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像;然后,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像;最后,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。通过上述描述可知,在本发明实施例中,对齐后的待处理图像中脸部特征点的位置信息相对固定,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,该多张待处理脸部图像中脸部特征点的位置信息也相对固定,再通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,由于脸部特征点的位置信息相对固定,年龄估计模型能够更加容易的提取得到目标对象的脸部特征,大大降低了年龄估计模型的处理复杂度,实用性好,并且,多张待处理脸部图像包含丰富的脸部周围环境信息(如:脸部周围的头发信息),这样,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,使得得到的目标对象的年龄信息更加准确,缓解了现有的年龄估计方法准确性差,实用性不好的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种电子设备的示意图;
图2为本发明实施例提供的一种年龄的估计方法的流程图;
图3为本发明实施例提供的年龄的估计方法的流程示意图;
图4(a)为本发明实施例提供的不带有挤压与激励模块的权值共享的卷积神经网络的结构示意图;
图4(b)为本发明实施例提供的带有挤压与激励模块的权值共享的卷积神经网络的结构示意图;
图5为本发明实施例提供的通过年龄估计模型对多种待处理脸部图像进行测试的测试结果对比图;
图6为本发明实施例提供的训练损失和测试损失的曲线图;
图7为本发明实施例提供的一种年龄的估计装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
首先,参照图1来描述用于实现本发明实施例的电子设备100,该电子设备可以用于运行本发明各实施例的年龄的估计方法。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108以及摄像机110,这些组件通过总线***112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP,Digital Signal Processing)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、可编程逻辑阵列(PLA,Programmable Logic Array)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU,Central ProcessingUnit)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述摄像机110用于进行待处理图像的采集,其中,摄像机所采集的待处理图像经过所述年龄的估计方法进行处理之后得到待处理图像中目标对象的年龄信息,例如,摄像机可以拍摄用户期望的图像(例如照片、视频等),然后,将该图像经过所述年龄的估计方法进行处理之后得到待处理图像中目标对象的年龄信息,摄像机还可以将所拍摄的图像存储在所述存储器104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的年龄的估计方法的电子设备可以被实现为诸如智能手机、平板电脑等智能移动终端。
实施例2:
根据本发明实施例,提供了一种年龄的估计方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的一种年龄的估计方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,获取待处理图像,并根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像;
在本发明实施例中,待处理图像中包含目标对象的脸部图像,目标对象可以是人,也可以为动物。另外,待处理图像可以为实时获取的预览视频流中包含目标对象的脸部图像的预览图像帧,也可以为之前拍照得到的图像。即该方法可以实时对预览视频流中的包含目标对象的脸部图像的预览图像帧进行处理,也可以对已拍摄的图像进行后期处理,本发明实施例对待处理图像的具体形式不进行具体限定。
可选地,当目标对象为人时,待处理图像中可以包含一张人脸,也可以包含多张人脸。
当待处理图像中包含一张人脸时,可根据待处理图像中该人脸的脸部特征点对待处理图像进行人脸对齐处理;
而当待处理图像中包含多张人脸时,可以先对待处理图像中的每张人脸所对应的人进行抠图处理,得到多个子待处理图像,每个子待处理图像中包含一个人,然后,再根据子待处理图像中的人脸的脸部特征点对子待处理图像进行人脸对齐处理,得到对齐后的待处理图像;也可以不进行抠图处理,根据待处理图像中每一人脸的脸部特征点对待处理图像进行人脸对齐处理,进而得到对齐后的待处理图像。比如,待处理图像中包含人脸A和人脸B,可以根据人脸A的脸部特征点对待处理图像进行人脸对齐处理,得到一个关于人脸A的对齐后的待处理图像(此时人脸A所对应的人为目标对象,后续不用考虑人脸B),然后再根据人脸B的脸部特征点对待处理图像进行人脸对齐处理,得到另一个关于人脸B的对齐后的待处理图像(此时人脸B所对应的人为目标对象,后续不用考虑人脸A)。本发明实施例对上述具体实现方式不进行具体限制。
人脸对齐处理后,对齐后的待处理图像中脸部特征点的位置信息相对固定,便于后续年龄估计模型的年龄估计处理,简化了年龄估计模型的复杂度。
下文中再对人脸对齐处理的具体过程进行详细描述,在此不再赘述。
步骤S204,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,其中,多张待处理脸部图像的尺寸大小不同;
在得到对齐后的待处理图像后,对对齐后的待处理图像进行脸部切割,得到多张尺寸大小不同的待处理脸部图像。
由于是对对齐后的待处理图像进行的脸部切割,这样得到的多张待处理脸部图像中脸部特征点的位置信息也相对固定,并且该多张待处理脸部图像中包含有丰富的脸部周围环境信息(如:脸部周围的头发信息),这样,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,使得得到的目标对象的年龄信息更加准确,也就是基于不同的视角(即尺寸大小不同的待处理脸部图像)、不同的分辨率对目标对象的年龄进行估计时,估计得到的目标对象的年龄信息更加鲁棒。
下文中再对脸部切割的过程进行详细描述。
步骤S206,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。
在本发明实施例中,首先,获取待处理图像,并根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像;然后,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像;最后,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。通过上述描述可知,在本发明实施例中,对齐后的待处理图像中脸部特征点的位置信息相对固定,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,该多张待处理脸部图像中脸部特征点的位置信息也相对固定,再通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,由于脸部特征点的位置信息相对固定,年龄估计模型能够更加容易的提取得到目标对象的脸部特征,大大降低了年龄估计模型的处理复杂度,实用性好,并且,多张待处理脸部图像包含丰富的脸部周围环境信息(如:脸部周围的头发信息),这样,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,使得得到的目标对象的年龄信息更加准确,缓解了现有的年龄估计方法准确性差,实用性不好的技术问题。
上文中对本发明的年龄的估计方法进行了简要描述,下面对其中涉及的具体内容进行详细介绍。
在本发明的一个可选实施例中,步骤S202,根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像包括如下步骤:
步骤S2021,对待处理图像中的目标对象进行脸部特征点检测,得到目标对象的脸部特征点的位置信息;
可选地,脸部特征点检测时,可通过脸部特征点检测模型(比如,人脸特征点检测模型)实现。
步骤S2022,通过脸部特征点的位置信息和脸部模板中特征点的位置信息计算仿射矩阵,其中,脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,目标脸部和目标对象的脸部为所属相同类型的脸部;
在得到脸部特征点的位置信息后,进一步通过脸部特征点的位置信息和脸部模板中特征点的位置信息(通过脸部特征点检测模型对脸部模板进行特征点检测得到)计算仿射矩阵。在本发明实施例中,该脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,目标脸部和目标对象的脸部为所属相同类型的脸部。即如果目标对象的脸部为动物的脸部,那么目标脸部为动物脸部;如果目标对象的脸部为人的脸部,那么目标脸部为人脸,并且,该脸部模板为一个包含所有脸部器官的正脸图像。
步骤S2023,通过仿射矩阵对待处理图像中的各个像素点进行仿射变换,得到对齐后的待处理图像。
在计算得到仿射矩阵后,通过仿射矩阵对待处理图像中的各个像素点进行仿射变换,就能得到对齐后的待处理图像。
如图3所示,图3示出了本发明中的年龄的估计方法的流程示意图,其中的第一个图(从左往右数)为对齐后的待处理图像。
在得到对齐后的待处理图像后,步骤S204,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像包括如下步骤:
步骤S2041,确定目标切割轨迹;
具体包括如下(1)至(3)的步骤:
(1)根据脸部模板中特征点的位置信息确定目标对象的脸部包围框信息,其中,脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,目标脸部和目标对象的脸部为所属相同类型的脸部;
可选地,将脸部模板中特征点的位置信息中位于最左边和最上方的位置信息作为第一位置信息,将脸部模板中特征点的位置信息中位于最右边和最下方的位置信息作为第二位置信息,然后将第一位置信息和第二位置信息作为脸部包围框信息,也即作为原始脸部包围框的左上角和右下角的位置信息,其确定的原始脸部包围框最小。
(2)按照预设扩张原则对脸部包围框信息所表示的原始脸部包围框进行扩张处理,得到至少一个扩张后的脸部包围框;
在得到脸部包围框信息后,按照预设扩张原则对脸部包围框信息所表示的原始脸部包围框进行扩张处理。可选地,将原始包围框分别向上下左右四个方向扩张原始脸部包围框的0.2倍和0.4倍(即本发明中的预设扩张原则),进而得到两个扩张后的脸部包围框,如图3中的第二个图(从左往右数),本发明实施例对上述预设扩张原则不进行具体限制。
(3)将原始脸部包围框和至少一个扩张后的脸部包围框确定为目标切割轨迹。
在得到至少一个扩张后的脸部包围框后,将原始脸部包围框和至少一个扩张后的脸部包围框确定为目标切割轨迹。
步骤S2042,基于目标切割轨迹对对齐后的待处理图像进行切割处理,得到多张待处理脸部图像。
在得到目标切割轨迹后,基于目标切割轨迹对对齐后的待处理图像进行切割处理。具体的,如图3中的第二个图(从左往右数)所示,目标切割轨迹为三条,切割时,沿着三条切割轨迹分别对对齐后的待处理图像进行切割处理,得到三张待处理脸部图像,每张待处理脸部图像中都包含目标对象的脸部图像。
在本发明实施例中,在得到多张待处理脸部图像之后,并在通过年龄估计模型对多张待处理脸部图像进行年龄估计处理之前,获取每张待处理脸部图像的预设归一化尺寸;按照每张待处理脸部图像的预设归一化尺寸对其进行尺度归一化处理,得到多张归一化后的待处理脸部图像。
这样,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息包括:通过年龄估计模型对多张归一化后的待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。
在本发明的一个可选实施例中,年龄估计模型包括:权值共享的卷积神经网络和全连接网络;
步骤S206,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息包括如下步骤:
步骤S2061,通过权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征;具体的,通过权值共享的卷积神经网络对每张归一化后的待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征。该权值共享的卷积神经网络大大简化了年龄估计模型的复杂度。
可选地,权值共享的卷积神经网络包括:卷积模块、挤压与激励模块;
步骤S2061,通过权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征包括如下步骤:
步骤S20611,通过卷积模块对每张待处理脸部图像进行特征提取,得到多张初始特征图;
具体的,通过卷积模块对每张归一化后的待处理脸部图像进行特征提取,得到多张初始特征图。
步骤S20612,通过挤压与激励模块计算每张初始特征图的通道权重向量;
在得到多张初始特征图后,通过挤压与激励(Squeeze-and-Excitation,SE)模块计算每张初始特征图的通道权重向量,该通道权重向量能够增强有用的特征通道并抑制不太有用的特征通道,也就是挤压与激励模块能够提高脸部特征的提取能力。
步骤S20613,利用通道权重向量对其所对应的初始特征图进行通道加权处理,得到多张目标特征图;
在得到通道权重向量后,利用通道权重向量对其所对应的初始特征图进行通道加权处理,得到多张目标特征图。
本发明中,将上述挤压与激励模块加入至权值共享的卷积神经网络中后,权值共享的卷积神经网络能够提升脸部特征的提取能力,也即年龄估计模型能够提升脸部特征的提取能力。
如图4(a)和图4(b)示,图4(a)中示出了不带有挤压与激励模块的权值共享的卷积神经网络的结构示意图,图4(b)中示出了带有挤压与激励(SE)模块的权值共享的卷积神经网络的结构示意图。挤压与激励模块计算每张初始特征图的通道权重向量时,先对每张初始特征图进行全局平均池化处理,得到c(其大小等于特征通道的数目)维的向量,然后采用两个反漏斗操作,先降维,后升维到c维的向量。得到的最终的c维的向量(即通道权重向量)能够反映出对应的初始特征图的各个特征通道的权重,进而利用通道权重向量对其所对应的初始特征图进行通道加权处理,得到多张目标特征图。
步骤S20614,对每张目标特征图进行重塑处理,得到多张重塑处理后的特征图;
如图3所示,如果对应得到的是3张目标特征图,且该3张目标特征图都为20×20的目标特征图,那么对该3张20×20的目标特征图进行重塑处理。比如将每张目标特征图转换为400维的特征图(实际上为400维的向量),如此对应得到3张400维的特征图(即3个400维的向量),该3张400维的特征图即为多张重塑处理后的特征图(如图3中的权值共享的卷积神经网络之后紧邻的图像)。
步骤S20615,将多张重塑处理后的特征图作为多张待处理脸部图像的图像特征。
在得到多张重塑处理后的特征图后,将该多张重塑处理后的特征图(即3个400维的向量)作为多张待处理脸部图像的图像特征。
步骤S2062,通过全连接网络对多张待处理脸部图像的图像特征进行年龄估计处理,得到待处理图像中目标对象的年龄信息。
可选地,全连接网络中包括:第一全连接层、第二全连接层和第三全连接层;
步骤S2062,通过全连接网络对多张待处理脸部图像的图像特征进行年龄估计处理,得到待处理图像中目标对象的年龄信息包括如下步骤:
步骤S20621,通过第一全连接层对多张待处理脸部图像的图像特征进行连接处理,得到连接后的图像特征;
在得到上述多张待处理脸部图像的图像特征(如步骤S20614中的3个400维的向量)后,通过第一全连接层对该多张待处理脸部图像的图像特征进行连接处理,如图3所示,得到连接后的图像特征(即12000维的向量)。
步骤S20622,通过第二全连接层对连接后的图像特征进行整合处理,得到整合后的图像特征;
步骤S20623,通过第三全连接层对整合后的图像特征进行年龄估计映射,得到待处理图像中目标对象的年龄信息。
上述内容对本发明年龄的估计方法的具体内容进行了详细描述,此外,还需要事先对年龄估计模型进行训练。在训练年龄估计模型时,训练样本为多张训练脸部图像,该多张训练脸部图像的获取方式可以按照上述多张归一化后的待处理脸部图像的获取方式得到(这里不再进行赘述)。通过多张训练脸部图像和其中的目标对象的真实年龄信息对年龄估计模型进行训练,训练过程中使用均方值误差(MSE)作为损失函数,最终训练得到满足条件的年龄估计模型。
本发明提出采用多张待处理脸部图像(是对对齐后的待处理图像进行脸部切割得到的)进行年龄估计处理,可以减少输入图像的尺度和年龄估计模型设计的复杂度,并且能够更加容易的提取得到目标对象的脸部特征(因为脸部特征点的位置信息相对固定),同时多张待处理脸部图像包含丰富的脸部周围环境信息,这样根据多张待处理脸部图像最终确定的目标对象的年龄信息更加准确。另外,在年龄估计模型中加入了挤压与激励模块(该操作仅需要两个全连接层,对于参数和存储的要求很小),进一步提高了特征提取的能力,也使得基于最终提取到的图像特征确定的目标对象的年龄信息更加准确。
发明人通过年龄估计模型对多种待处理脸部图像(分别是单独第一尺寸(即最小尺寸)的待处理脸部图像、单独第二尺寸(即中间尺寸)的待处理脸部图像、单独第三尺寸(即最大尺寸)的待处理脸部图像和上述三种尺寸的待处理脸部图像)进行了测试,测试结果如图5所示。从图5中可知,通过上述三种尺寸的待处理脸部图像得到的年龄信息与真值(实际的年龄)更加接近,也就是,根据多张待处理脸部图像估计的年龄信息更加准确。
另外,发明人分别用带有挤压与激励模块的年龄估计模型和不带有挤压与激励模块的年龄估计模型分别对训练样本和测试样本(在IMDB数据集、WIKI数据集和MORPH数据集中的样本)进行了处理,如图6所示,其中示出了训练损失和测试损失的曲线图,从中可以看出,带有挤压与激励模块的年龄估计模型相较于不带有挤压与激励模块的年龄估计模型最终收敛时的损失更小,也就是效果更好,准确性高。
实施例3:
本发明实施例还提供了一种年龄的估计装置,该年龄的估计装置主要用于执行本发明实施例上述内容所提供的年龄的估计方法,以下对本发明实施例提供的年龄的估计装置做具体介绍。
图7是根据本发明实施例的一种年龄的估计装置的示意图,如图7所示,该年龄的估计装置主要包括人脸对齐单元10,脸部切割单元20和年龄估计处理单元30,其中:
人脸对齐单元,用于获取待处理图像,并根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像;
脸部切割单元,用于对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,其中,多张待处理脸部图像的尺寸大小不同;
年龄估计处理单元,用于通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。
在本发明实施例中,首先,获取待处理图像,并根据待处理图像中目标对象的脸部特征点对待处理图像进行人脸对齐处理,得到对齐后的待处理图像;然后,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像;最后,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。通过上述描述可知,在本发明实施例中,对齐后的待处理图像中脸部特征点的位置信息相对固定,对对齐后的待处理图像进行脸部切割,得到多张待处理脸部图像,该多张待处理脸部图像中脸部特征点的位置信息也相对固定,再通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,由于脸部特征点的位置信息相对固定,年龄估计模型能够更加容易的提取得到目标对象的脸部特征,大大降低了年龄估计模型的处理复杂度,实用性好,并且,多张待处理脸部图像包含丰富的脸部周围环境信息(如:脸部周围的头发信息),这样,通过年龄估计模型对多张待处理脸部图像进行年龄估计处理时,使得得到的目标对象的年龄信息更加准确,缓解了现有的年龄估计方法准确性差,实用性不好的技术问题。
可选地,脸部切割单元还用于:确定目标切割轨迹;基于目标切割轨迹对对齐后的待处理图像进行切割处理,得到多张待处理脸部图像。
可选地,脸部切割单元还用于:根据脸部模板中特征点的位置信息确定目标对象的脸部包围框信息,其中,脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,目标脸部和目标对象的脸部为所属相同类型的脸部;按照预设扩张原则对脸部包围框信息所表示的原始脸部包围框进行扩张处理,得到至少一个扩张后的脸部包围框;将原始脸部包围框和至少一个扩张后的脸部包围框确定为目标切割轨迹。
可选地,年龄估计模型包括:权值共享的卷积神经网络和全连接网络;年龄估计处理单元还用于:通过权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征;通过全连接网络对多张待处理脸部图像的图像特征进行年龄估计处理,得到待处理图像中目标对象的年龄信息。
可选地,权值共享的卷积神经网络包括:卷积模块、挤压与激励模块;年龄估计处理单元还用于:通过卷积模块对每张待处理脸部图像进行特征提取,得到多张初始特征图;通过挤压与激励模块计算每张初始特征图的通道权重向量;利用通道权重向量对其所对应的初始特征图进行通道加权处理,得到多张目标特征图;对每张目标特征图进行重塑处理,得到多张重塑处理后的特征图;将多张重塑处理后的特征图作为多张待处理脸部图像的图像特征。
可选地,全连接网络中包括:第一全连接层、第二全连接层和第三全连接层;年龄估计处理单元还用于:通过第一全连接层对多张待处理脸部图像的图像特征进行连接处理,得到连接后的图像特征;通过第二全连接层对连接后的图像特征进行整合处理,得到整合后的图像特征;通过第三全连接层对整合后的图像特征进行年龄估计映射,得到待处理图像中目标对象的年龄信息。
可选地,该装置还用于:在得到多张待处理脸部图像之后,并在通过年龄估计模型对多张待处理脸部图像进行年龄估计处理之前,获取每张待处理脸部图像的预设归一化尺寸;按照每张待处理脸部图像的预设归一化尺寸对其进行尺度归一化处理,得到多张归一化后的待处理脸部图像。
可选地,该装置还用于:通过年龄估计模型对多张归一化后的待处理脸部图像进行年龄估计处理,得到待处理图像中目标对象的年龄信息。
可选地,人脸对齐单元还用于:对待处理图像中的目标对象进行脸部特征点检测,得到目标对象的脸部特征点的位置信息;通过脸部特征点的位置信息和脸部模板中特征点的位置信息计算仿射矩阵,其中,脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,目标脸部和目标对象的脸部为所属相同类型的脸部;通过仿射矩阵对待处理图像中的各个像素点进行仿射变换,得到对齐后的待处理图像。
本发明实施例所提供的年龄的估计装置,其实现原理及产生的技术效果和前述实施例2中的方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在另一个实施例中,还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述权实施例2中任意实施例所述的方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所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,在本发明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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种年龄的估计方法,其特征在于,包括:
获取待处理图像,并根据所述待处理图像中目标对象的脸部特征点对所述待处理图像进行人脸对齐处理,得到对齐后的待处理图像;
根据脸部模板中特征点的位置信息确定所述目标对象的脸部包围框信息,其中,所述脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,所述目标脸部和所述目标对象的脸部为所属相同类型的脸部;
按照预设扩张原则对所述脸部包围框信息所表示的原始脸部包围框进行扩张处理,得到至少一个扩张后的脸部包围框;
将所述原始脸部包围框和所述至少一个扩张后的脸部包围框确定为目标切割轨迹;
基于所述目标切割轨迹对所述对齐后的待处理图像进行切割处理,得到多张待处理脸部图像,其中,所述多张待处理脸部图像的尺寸大小不同,所述多张待处理脸部图像包含脸部周围环境信息;
通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息;
其中,所述年龄估计模型包括:权值共享的卷积神经网络和全连接网络;通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息包括:
通过所述权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征;
通过所述全连接网络对所述多张待处理脸部图像的图像特征进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
2.根据权利要求1所述的方法,其特征在于,所述权值共享的卷积神经网络包括:卷积模块、挤压与激励模块;
通过所述权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征包括:
通过所述卷积模块对每张待处理脸部图像进行特征提取,得到多张初始特征图;
通过所述挤压与激励模块计算每张初始特征图的通道权重向量;
利用所述通道权重向量对其所对应的初始特征图进行通道加权处理,得到多张目标特征图;
对每张目标特征图进行重塑处理,得到多张重塑处理后的特征图;
将所述多张重塑处理后的特征图作为所述多张待处理脸部图像的图像特征。
3.根据权利要求1所述的方法,其特征在于,所述全连接网络中包括:第一全连接层、第二全连接层和第三全连接层;
通过所述全连接网络对所述多张待处理脸部图像的图像特征进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息包括:
通过所述第一全连接层对所述多张待处理脸部图像的图像特征进行连接处理,得到连接后的图像特征;
通过所述第二全连接层对所述连接后的图像特征进行整合处理,得到整合后的图像特征;
通过所述第三全连接层对所述整合后的图像特征进行年龄估计映射,得到所述待处理图像中目标对象的年龄信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
在得到多张待处理脸部图像之后,并在通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理之前,获取每张待处理脸部图像的预设归一化尺寸;
按照每张待处理脸部图像的预设归一化尺寸对其进行尺度归一化处理,得到多张归一化后的待处理脸部图像。
5.根据权利要求4所述的方法,其特征在于,通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息包括:
通过年龄估计模型对所述多张归一化后的待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
6.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述待处理图像中目标对象的脸部特征点对所述待处理图像进行人脸对齐处理,得到对齐后的待处理图像包括:
对所述待处理图像中的目标对象进行脸部特征点检测,得到所述目标对象的脸部特征点的位置信息;
通过所述脸部特征点的位置信息和脸部模板中特征点的位置信息计算仿射矩阵,其中,所述脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,所述目标脸部和所述目标对象的脸部为所属相同类型的脸部;
通过所述仿射矩阵对所述待处理图像中的各个像素点进行仿射变换,得到所述对齐后的待处理图像。
7.一种年龄的估计装置,其特征在于,包括:
人脸对齐单元,用于获取待处理图像,并根据所述待处理图像中目标对象的脸部特征点对所述待处理图像进行人脸对齐处理,得到对齐后的待处理图像;
脸部切割单元,用于根据脸部模板中特征点的位置信息确定所述目标对象的脸部包围框信息,其中,所述脸部模板为预先设置的包含目标脸部的各个器官的特征点的模板,所述目标脸部和所述目标对象的脸部为所属相同类型的脸部;按照预设扩张原则对所述脸部包围框信息所表示的原始脸部包围框进行扩张处理,得到至少一个扩张后的脸部包围框;将所述原始脸部包围框和所述至少一个扩张后的脸部包围框确定为目标切割轨迹;基于所述目标切割轨迹对所述对齐后的待处理图像进行切割处理,得到多张待处理脸部图像,其中,所述多张待处理脸部图像的尺寸大小不同,所述多张待处理脸部图像包含脸部周围环境信息;
年龄估计处理单元,用于通过年龄估计模型对所述多张待处理脸部图像进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息;
其中,所述年龄估计模型包括:权值共享的卷积神经网络和全连接网络;所述年龄估计处理单元还用于:通过所述权值共享的卷积神经网络对每张待处理脸部图像进行特征提取,得到多张待处理脸部图像的图像特征;通过所述全连接网络对所述多张待处理脸部图像的图像特征进行年龄估计处理,得到所述待处理图像中目标对象的年龄信息。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项所述的方法的步骤。
9.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行上述权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910140791.0A CN109871814B (zh) | 2019-02-22 | 2019-02-22 | 年龄的估计方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910140791.0A CN109871814B (zh) | 2019-02-22 | 2019-02-22 | 年龄的估计方法、装置、电子设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871814A CN109871814A (zh) | 2019-06-11 |
CN109871814B true CN109871814B (zh) | 2022-06-21 |
Family
ID=66919203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910140791.0A Active CN109871814B (zh) | 2019-02-22 | 2019-02-22 | 年龄的估计方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871814B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598717B (zh) * | 2019-09-12 | 2022-06-21 | 北京迈格威科技有限公司 | 图像特征的提取方法、装置及电子设备 |
CN111639522B (zh) * | 2020-04-17 | 2023-10-31 | 北京迈格威科技有限公司 | 活体检测方法、装置、计算机设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201407942XA (en) * | 2012-06-20 | 2015-01-29 | Univ Singapore Technology & Design | System and methods for distributed data storage |
US20200056186A1 (en) * | 2016-09-22 | 2020-02-20 | Rsem, Limited Partnership | Compositions comprising sasp modulators and senescence attenuators and uses thereof for modulating cellular senescence |
CN106529402B (zh) * | 2016-09-27 | 2019-05-28 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
CN106778584B (zh) * | 2016-12-08 | 2019-07-16 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
CN108197618B (zh) * | 2018-04-08 | 2021-10-22 | 百度在线网络技术(北京)有限公司 | 用于生成人脸检测模型的方法和装置 |
CN109034136B (zh) * | 2018-09-06 | 2021-07-20 | 湖北亿咖通科技有限公司 | 图像处理方法、装置、摄像设备及存储介质 |
-
2019
- 2019-02-22 CN CN201910140791.0A patent/CN109871814B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109871814A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710847B (zh) | 场景识别方法、装置及电子设备 | |
CN108961303B (zh) | 一种图像处理方法、装置、电子设备和计算机可读介质 | |
CN109255352B (zh) | 目标检测方法、装置及*** | |
CN109829506B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN109325954B (zh) | 图像分割方法、装置及电子设备 | |
CN108805047B (zh) | 一种活体检测方法、装置、电子设备和计算机可读介质 | |
CN108121931B (zh) | 二维码数据处理方法、装置及移动终端 | |
CN109815770B (zh) | 二维码检测方法、装置及*** | |
US20230085605A1 (en) | Face image processing method, apparatus, device, and storage medium | |
CN114155365B (zh) | 模型训练方法、图像处理方法及相关装置 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN109063776B (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
CN113269149B (zh) | 活体人脸图像的检测方法、装置、计算机设备及存储介质 | |
CN111274999B (zh) | 数据处理、图像处理方法、装置及电子设备 | |
CN112101359B (zh) | 文本公式的定位方法、模型训练方法及相关装置 | |
CN112767294B (zh) | 深度图像的增强方法、装置、电子设备以及存储介质 | |
CN108876716B (zh) | 超分辨率重建方法及装置 | |
CN110738103A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN112883983B (zh) | 特征提取方法、装置和电子*** | |
CN109871814B (zh) | 年龄的估计方法、装置、电子设备和计算机存储介质 | |
CN111339884A (zh) | 图像识别方法以及相关设备、装置 | |
WO2021208373A1 (zh) | 图像识别方法、装置、电子设备及计算机可读存储介质 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN112419342A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN109360166B (zh) | 一种图像处理方法、装置、电子设备和计算机可读介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230822 Address after: No. 1268, 1f, building 12, neijian Middle Road, Xisanqi building materials City, Haidian District, Beijing 100096 Patentee after: BEIJING KUANGSHI TECHNOLOGY Co.,Ltd. Address before: No. 223, north section of Hongqi Avenue, Deyuan town (Jingrong town), Pidu District, Chengdu, Sichuan 611700 Patentee before: CHENGDU KUANGSHI JINZHI TECHNOLOGY Co.,Ltd. Patentee before: BEIJING KUANGSHI TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |