CN109993021A - 人脸正脸检测方法、装置及电子设备 - Google Patents
人脸正脸检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109993021A CN109993021A CN201711471487.1A CN201711471487A CN109993021A CN 109993021 A CN109993021 A CN 109993021A CN 201711471487 A CN201711471487 A CN 201711471487A CN 109993021 A CN109993021 A CN 109993021A
- Authority
- CN
- China
- Prior art keywords
- face
- facial image
- positive
- key point
- image
- 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 63
- 230000001815 facial effect Effects 0.000 claims abstract description 133
- 238000001514 detection method Methods 0.000 claims abstract description 50
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 210000001508 eye Anatomy 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000000214 mouth Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人脸正脸检测方法、装置及电子设备,涉及图像识别技术领域,方法包括:获取待检测的第一人脸图像;对第一人脸图像进行关键点定位,得到第一人脸关键点坐标;根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像;根据所述变换后的第一人脸图像的失真程度,判断所述第一人脸图像中的人脸是否为正脸。该方法通过对采集的人脸图像进行定点和仿射变换,进而根据变换后的图像的失真程度进行是否为正脸的判断,实现高准确率的人脸正脸判断,有效提升后续的人脸识别正确率,并且为刑侦案件快速定位和查找嫌疑人提供线索。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种人脸正脸检测方法、装置及电子设备。
背景技术
人脸识别,通常也叫做人像识别或面部识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。其通过摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中进行检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关处理。
目前,人脸识别已经普遍应用于各种不同的场景,包括日常的工作签到、以及公安侦察破案等。在人脸识别之前,首先需要通过摄像头进行人脸图像采集,在摄像头监控场景下,一个人在画面中所呈现的姿态往往包含若干种,由于人的姿态不固定,常常会采集到人的侧脸,或者低头情况下的面部图像,这种图像对于人脸的识别准确度将产生很大的影响,尤其对于寻找犯罪嫌疑人的公安部门来说,严重影响其办案效率。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种人脸正脸检测方法、装置及电子设备,通过对采集的人脸图像进行定点和仿射变换,进而根据变换后的图像的失真程度进行是否为正脸的判断,实现高准确率的人脸正脸判断,有效提升后续的人脸识别正确率,并且为刑侦案件快速定位和查找嫌疑人提供线索。
第一方面,本发明实施例提供了一种人脸正脸检测方法,包括:
获取待检测的第一人脸图像;
对第一人脸图像进行关键点定位,得到第一人脸关键点坐标;
根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像;
根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸。
将变换后的第一人脸图像输入预先建立的正脸检测模型中,得到待检测的第一人脸图像的检测结果;检测结果用于判定第一人脸图像中的人脸是否为正脸;
其中,正脸检测模型通过对数量达到一定阈值的训练样本数据进行训练得到;训练样本数据包括多种正脸图像和侧脸图像。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,对第一人脸图像进行关键点定位,得到第一人脸关键点坐标,具体包括:
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,对第一人脸图像进行关键点定位,得到第一人脸关键点坐标,具体包括:
将第一人脸图像输入预先建立的定点检测模型中;
通过定点检测模型对第一人脸图像进行定点拟合;
根据定点拟合的结果,输出第一人脸关键点坐标。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像,具体包括:
确定仿射变换的坐标变换关系;
根据第一人脸关键点坐标,以及坐标变换关系,得到仿射变换后的关键点坐标;
根据仿射变换后的关键点坐标,得到变换后的第一人脸图像。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸,具体包括:
将变换后的第一人脸图像输入预先建立的正脸检测模型中,得到待检测的第一人脸图像的检测结果;检测结果用于判定第一人脸图像中的人脸是否为正脸;
其中,正脸检测模型通过对数量达到一定阈值的训练样本数据进行训练得到;训练样本数据包括多种正脸图像和侧脸图像。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,在获取待检测的第一人脸图像之前,还包括:
获取待训练的第二人脸图像;第二人脸图像包括数量达到一定阈值的正脸图像和侧脸图像;
对第二人脸图像进行关键点定位,得到第二人脸关键点坐标;
根据第二人脸关键点坐标,对第二人脸图像进行仿射变换,得到变换后的第二人脸图像;
将变换后的第二人脸图像,整合为训练样本数据和验证样本数据;
通过机器学习算法对训练样本数据进行训练,得到正脸检测模型。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,在得到正脸检测模型之后,还包括:
获取第一分类结果和正脸检测模型的模型参数,第一分类结果为将训练样本数据输入至正脸检测模型之后得到的输出结果;
将验证样本数据输入正脸检测模型中,得到第二分类结果;
判断第二识别结果是否与第一识别结果相一致;
如果否,则对模型参数进行调整。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,在得到待检测的第一人脸图像的检测结果之后,还包括:
将第一人脸图像及其对应的检测结果,作为新的训练样本数据保存在训练样本数据库中。
第二方面,本发明实施例提供一种人脸正脸检测装置,装置包括:
图像获取模块,用于获取待检测的第一人脸图像;
关键点定位模块,用于对第一人脸图像进行关键点定位,得到第一人脸关键点坐标;
仿射变换模块,用于根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像;
正脸判断模块,根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器,存储器上存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述第一方面所述的方法的步骤。
第四方面,本发明实施例提供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,程序代码使处理器执行如第一方面所述的方法。
本发明实施例带来了以下有益效果:
在本发明实施例提供的人脸正脸检测方法中,首先获取待检测的第一人脸图像,然后对第一人脸图像进行关键点定位,得到第一人脸关键点坐标,再根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像,最后根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸。本方法通过对采集的人脸图像进行定点和仿射变换,进而根据变换后的图像的失真程度进行是否为正脸的判断,实现高准确率的人脸正脸判断,有效提升后续的人脸识别正确率,并且为刑侦案件快速定位和查找嫌疑人提供线索。
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为本发明实施例一提供的一种人脸正脸检测方法的流程图;
图2为本发明实施例一提供的一种人脸图像;
图3为本发明实施例一提供的另一种人脸正脸检测方法的流程图;
图4为本发明实施例一提供的一种人脸图像中关键点定位后的图像;
图5为本发明实施例一提供的一种人脸图像进行仿射变换后的图像;
图6为本发明实施例一提供的另一种人脸正脸检测方法的流程图;
图7为本发明实施例一提供的另一种人脸正脸检测方法的流程图;
图8为本发明实施例一提供的另一种人脸正脸检测方法的流程图;
图9为本发明实施例二提供的一种人脸正脸检测装置的示意图;
图10为本发明实施例三提供的一种电子设备的示意图。
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。
现有的人脸检测方法,往往直接对摄像头采集的面部图像进行识别,对于面部图像为侧脸或者低头的情况,识别准确率很低。
基于此,本发明实施例提供一种人脸正脸检测方法,通过对采集的人脸图像进行定点和仿射变换,进而根据变换后的图像的失真程度进行是否为正脸的判断,实现高准确率的人脸正脸判断,有效提升后续的人脸识别正确率,并且为刑侦案件快速定位和查找嫌疑人提供线索。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种人脸正脸检测方法进行详细介绍。
实施例一:
本发明实施例提供了一种人脸正脸检测方法,参见图1所示,该方法包括以下步骤:
S101:获取待检测的第一人脸图像。
在进行人脸识别之前,首先获取通过摄像头所采集的人脸视频图像,该视频图像为包括人脸在内的人体图像,通过现有技术对该人脸视频图像进行人脸检测,获取人脸小图,也就是所述待检测的第一人脸图像,如图2 所示。后续的操作均是针对所述第一人脸图像进行的。为了与下述的待训练的人脸图像进行区分,这里用第一人脸图像表示。
S102:对第一人脸图像进行关键点定位,得到第一人脸关键点坐标。
在获取到第一人脸图像之后,进一步对第一人脸图像进行关键点定位,以确定人脸上眉毛、眼睛、鼻子、嘴巴的位置。具体的关键点定位过程包括以下步骤,参见图3所示:
S201:将第一人脸图像输入预先建立的定点检测模型中。
S202:通过定点检测模型对第一人脸图像进行定点拟合。
S203:根据定点拟合的结果,输出第一人脸关键点坐标。
在本实施例中,定点检测模型为基于卷积神经网络的深度学习模型,该卷积神经网络包括输入层、卷积层、池化层、全连接层及输出层。将上述第一人脸图像输入上述定点检测模型中,通过卷积神经网络拟合人脸的关键点定点结果,最后一层全连接层有42维输出,表示21个面部关键点,其中,每个眉毛对应3个关键点、每只眼睛对应3个关键点、鼻子对应4 个关键点、嘴巴对应5个关键点。
在模型训练过程中,用训练样本的预测结果和标定结果的欧式距离作为LOSS函数。欧式距离公式如:
其中预测结果和真实结果的取值范围如:
反向传播的梯度计算公式如下:
通过上述定点检测,得到第一人脸关键点坐标,参见图4所示。
S103:根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像。
具体的变换过程包括以下步骤:
确定仿射变换的坐标变换关系。
根据第一人脸关键点坐标,以及坐标变换关系,得到仿射变换后的关键点坐标。
根据仿射变换后的关键点坐标,得到变换后的第一人脸图像。
根据定点的结果,即上述仿射变换后的关键点坐标,对第一人脸图像进行仿射变换,作为一种优选的实施方式,上述坐标变换关系为:
其中,变换之后的图像宽度为w,高度为h,根据上述左眼坐标、右眼坐标以及嘴巴坐标的映射关系可以求得仿射变换矩阵T,变换过程用下式表示:
imgdst=T*imgsrc,
其中,imgdst是仿射变换之后的图像,imgsrc是原始图像,根据上述公式对第一人脸图像进行仿射变换得到变换后的人脸图像,参见图5所示:其中第三张图是一张正脸的图,按照上述仿射变换之后基本保持不变。其他四张图都是不同程度的侧脸,尤其以第四张图侧脸最严重,按照本发明实施例所提供的仿射变换之后,人脸都有一定程度的失真,人脸角度越大失真越严重。
S104:根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸。
根据图像失真程度进行人脸是否是正脸的判断,包括多种实现方式,比如:模板匹配、时频域分析、小波变换等传统图像处理方法。此外,人脸正脸检测模型还可以通过adaboost、svm等方法实现,在此不做限定。作为一种优选方式,本发明实施例中采用基于卷积神经网络的深度学习模型进行人脸正脸检测。
在实际应用中,将变换后的第一人脸图像输入预先建立的正脸检测模型中,得到待检测的第一人脸图像的检测结果;检测结果用于判定第一人脸图像中的人脸是否为正脸。
在本实施例中,上述正脸检测模型为基于卷积神经网络的深度学习模型,通过对数量达到一定阈值的训练样本数据进行训练得到;训练样本数据包括多种正脸图像和侧脸图像。具体的,通过设计一个卷积神经网络来学习上述的人脸失真情况,人脸不失真表示人脸原图是正脸,人脸失真表示人脸原图是侧脸,通过失真情况的判断进而判断人脸是否正脸。
由于原始图片各种各样,也包含了各种背景,相比于将原图直接送给卷积神经网络中进行判断,按照本发明实施例所提供的仿射变换方式对原图进行处理后再送给卷积神经网络,让网络学习归一化后的图片是否失真要相对容易一些,也可以使其更好的收敛。
训练前需要准备大量正脸和侧脸的样本,并按照本发明实施例中的上述流程进行仿射变换等预处理,处理完成的图片分别将label设置成0和1 送到卷积神经网络里进行训练,用softmax作为损失函数更新网络参数,使得最终网络分类的准确率达到预期。具体的过程参见图6所示,在获取待检测的第一人脸图像之前,还包括以下步骤:
S401:获取待训练的第二人脸图像;第二人脸图像包括数量达到一定阈值的正脸图像和侧脸图像。
在训练模型之前,先通过摄像装置采集大量的人脸图像,包括各种形态的人脸图像,比如:正脸图像和侧脸图像。为了和上述待检测的人脸图像进行区分,这里用第二人脸图像表示。
本实施例中,正脸检测模型是通过对大量的多种场景下采集的人脸图像进行特征提取和训练得到的。因此,可以提高图像识别的准确度,也就是可以准确地判定人脸图像中的人脸是否是正脸。
S402:对第二人脸图像进行关键点定位,得到第二人脸关键点坐标。
关键点定位的方式有很多种,在本实施例中,采用基于卷积神经网络的深度学习模型,定点检测模型进行关键点定位,得到第二人脸关键点坐标,具体的过程同上述图3所示的步骤,在此不再赘述。
S403:根据第二人脸关键点坐标,对第二人脸图像进行仿射变换,得到变换后的第二人脸图像。
仿射变换的过程与步骤S103中的变换的步骤相似,在此不再赘述。
S404:将变换后的第二人脸图像,整合为训练样本数据和验证样本数据。
在得到变换后的第二人脸图像后,将其整合为两种数据,一种是训练样本数据,另一种是验证样本数据,通常情况下,训练样本数据和验证样本数据的比例为7:3。
上述样本数据根据识别精度的需要,可能需要人工参与图像的标注,以监督学习方式达到识别进度需求。
S405:通过机器学习算法对训练样本数据进行训练,得到正脸检测模型。
在得到上述训练样本数据后,基于深度学习算法(如卷积神经网络CNN 技术),从大量的上述训练样本数据中学习建立模型,得到上述正脸检测模型。
参见图7所示,在得到正脸检测模型之后,还包括以下步骤:
S501:获取第一分类结果和正脸检测模型的模型参数,第一分类结果为将训练样本数据输入至正脸检测模型之后得到的输出结果。
S502:将验证样本数据输入正脸检测模型中,得到第二分类结果。
S503:判断第二识别结果是否与第一识别结果相一致;如果否,则对模型参数进行调整。
在训练出上述正脸检测模型后,对该模型的模型参数进行真实场景测试与验证,具体的,将上述验证样本数据输入到上述正脸检测模型中,判断输出结果是否与输入训练样本数据的情况一致,如果不同,则进一步根据测试结果进行模型参数的调整,对模型进行修正与完善。
参见图8所示,在得到待检测的第一人脸图像的检测结果之后,还包括:
S601:将第一人脸图像及其对应的检测结果,作为新的训练样本数据保存在训练样本数据库中。
随着正脸检测模型在实际场合中应用,不断将新识别的人脸图像和其识别结果增加到训练样本数据库中,从而不断地对模型或者算法进行更新和优化,使其适应不同的新应用场景,提高在不同应用场景下的正脸识别准确率。
在本发明实施例提供的人脸正脸检测方法中,首先获取待检测的第一人脸图像,然后对第一人脸图像进行关键点定位,得到第一人脸关键点坐标,再根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像,最后根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸。本方法通过对采集的人脸图像进行定点和仿射变换,进而根据变换后的图像的失真程度进行是否为正脸的判断,实现高准确率的人脸正脸判断,有效提升后续的人脸识别正确率,并且为刑侦案件快速定位和查找嫌疑人提供线索。
实施例二:
本发明实施例提供一种人脸正脸检测装置,参见图9所示,该装置包括:图像获取模块71、关键点定位模块72、仿射变换模块73、正脸判断模块74。
其中,图像获取模块71,用于获取待检测的第一人脸图像;关键点定位模块72,用于对第一人脸图像进行关键点定位,得到第一人脸关键点坐标;仿射变换模块73,用于根据第一人脸关键点坐标,对第一人脸图像进行仿射变换,得到变换后的第一人脸图像;正脸判断模块74,根据变换后的第一人脸图像的失真程度,判断第一人脸图像中的人脸是否为正脸。
本发明实施例所提供的人脸正脸检测装置中,各个模块与前述人脸正脸检测方法具有相同的技术特征,因此,同样可以实现上述功能。本装置中各个模块的具体工作过程参见上述方法实施例,在此不再赘述。
实施例三:
本发明实施例提供一种电子设备,参见图10所示,该电子设备包括:处理器80,存储器81,总线82和通信接口83,所述处理器80、通信接口 83和存储器81通过总线82连接;处理器80用于执行存储器81中存储的可执行模块,例如计算机程序。处理器执行计算机程序时实现如方法实施例所述的方法的步骤。
其中,存储器81可能包含高速随机存取存储器(RAM, RandomAccessMemory),也可能还包括非易失性存储器 (non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器81用于存储程序,所述处理器80在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器80中,或者由处理器80实现。
处理器80可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81,处理器80读取存储器81中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的人脸正脸检测方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
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,上述描述的装置及电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和框图显示了根据本发明的多个实施例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,所述模块、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,两个连续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动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。
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。
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 (10)
1.一种人脸正脸检测方法,其特征在于,包括:
获取待检测的第一人脸图像;
对所述第一人脸图像进行关键点定位,得到第一人脸关键点坐标;
根据所述第一人脸关键点坐标,对所述第一人脸图像进行仿射变换,得到变换后的第一人脸图像;
根据所述变换后的第一人脸图像的失真程度,判断所述第一人脸图像中的人脸是否为正脸。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一人脸图像进行关键点定位,得到第一人脸关键点坐标,具体包括:
将所述第一人脸图像输入预先建立的定点检测模型中;
通过所述定点检测模型对所述第一人脸图像进行定点拟合;
根据所述定点拟合的结果,输出所述第一人脸关键点坐标。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一人脸关键点坐标,对所述第一人脸图像进行仿射变换,得到变换后的第一人脸图像,具体包括:
确定所述仿射变换的坐标变换关系;
根据所述第一人脸关键点坐标,以及所述坐标变换关系,得到仿射变换后的关键点坐标;
根据所述仿射变换后的关键点坐标,得到所述变换后的第一人脸图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述变换后的第一人脸图像的失真程度,判断所述第一人脸图像中的人脸是否为正脸,具体包括:
将所述变换后的第一人脸图像输入预先建立的正脸检测模型中,得到所述待检测的第一人脸图像的检测结果;所述检测结果用于判定所述第一人脸图像中的人脸是否为正脸;
其中,所述正脸检测模型通过对数量达到一定阈值的训练样本数据进行训练得到;所述训练样本数据包括多种正脸图像和侧脸图像。
5.根据权利要求4所述的方法,其特征在于,在所述获取待检测的第一人脸图像之前,还包括:
获取待训练的第二人脸图像;所述第二人脸图像包括数量达到一定阈值的正脸图像和侧脸图像;
对所述第二人脸图像进行关键点定位,得到第二人脸关键点坐标;
根据所述第二人脸关键点坐标,对所述第二人脸图像进行仿射变换,得到变换后的第二人脸图像;
将所述变换后的第二人脸图像,整合为训练样本数据和验证样本数据;
通过机器学习算法对所述训练样本数据进行训练,得到所述正脸检测模型。
6.根据权利要求5所述的方法,其特征在于,在得到所述正脸检测模型之后,还包括:
获取第一分类结果和所述正脸检测模型的模型参数,所述第一分类结果为将所述训练样本数据输入至所述正脸检测模型之后得到的输出结果;
将所述验证样本数据输入所述正脸检测模型中,得到第二分类结果;
判断所述第二识别结果是否与所述第一识别结果相一致;
如果否,则对所述模型参数进行调整。
7.根据权利要求4所述的方法,其特征在于,在所述得到所述待检测的第一人脸图像的检测结果之后,还包括:
将所述第一人脸图像及其对应的检测结果,作为新的训练样本数据保存在训练样本数据库中。
8.一种人脸正脸检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测的第一人脸图像;
关键点定位模块,用于对所述第一人脸图像进行关键点定位,得到第一人脸关键点坐标;
仿射变换模块,用于根据所述第一人脸关键点坐标,对所述第一人脸图像进行仿射变换,得到变换后的第一人脸图像;
正脸判断模块,根据所述变换后的第一人脸图像的失真程度,判断所述第一人脸图像中的人脸是否为正脸。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有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7任一项所述的方法的步骤。
10.一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所述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711471487.1A CN109993021A (zh) | 2017-12-29 | 2017-12-29 | 人脸正脸检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711471487.1A CN109993021A (zh) | 2017-12-29 | 2017-12-29 | 人脸正脸检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993021A true CN109993021A (zh) | 2019-07-09 |
Family
ID=67108621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711471487.1A Pending CN109993021A (zh) | 2017-12-29 | 2017-12-29 | 人脸正脸检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993021A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263772A (zh) * | 2019-07-30 | 2019-09-20 | 天津艾思科尔科技有限公司 | 一种基于人脸关键点的人脸特征识别*** |
CN110826501A (zh) * | 2019-11-08 | 2020-02-21 | 杭州趣维科技有限公司 | 一种基于稀疏关键点校准的人脸关键点检测方法与*** |
CN111126344A (zh) * | 2019-12-31 | 2020-05-08 | 杭州趣维科技有限公司 | 一种生成人脸额头关键点的方法与*** |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN112070021A (zh) * | 2020-09-09 | 2020-12-11 | 深圳数联天下智能科技有限公司 | 基于人脸检测的测距方法、测距***、设备和存储介质 |
CN112598738A (zh) * | 2020-12-25 | 2021-04-02 | 南京大学 | 一种基于深度学习的人物定位方法 |
CN112613357A (zh) * | 2020-12-08 | 2021-04-06 | 深圳数联天下智能科技有限公司 | 人脸测量方法、装置、电子设备和介质 |
CN115331292A (zh) * | 2022-08-17 | 2022-11-11 | 武汉元紫东科技有限公司 | 基于面部图像的情绪识别方法、装置及计算机储存介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8919955B2 (en) * | 2013-05-29 | 2014-12-30 | Ming Chuan University | Virtual glasses try-on method and apparatus thereof |
CN104298963A (zh) * | 2014-09-11 | 2015-01-21 | 浙江捷尚视觉科技股份有限公司 | 一种鲁棒的基于人脸形状回归模型的多姿态疲劳监测方法 |
CN105631039A (zh) * | 2016-01-15 | 2016-06-01 | 北京邮电大学 | 一种图片浏览方法 |
CN106022272A (zh) * | 2016-05-23 | 2016-10-12 | 北京小米移动软件有限公司 | 一种判定正脸图像的方法和装置 |
CN106919913A (zh) * | 2017-02-21 | 2017-07-04 | 上海蔚来汽车有限公司 | 基于计算机视觉的疲劳驾驶检测方法及装置 |
-
2017
- 2017-12-29 CN CN201711471487.1A patent/CN109993021A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8919955B2 (en) * | 2013-05-29 | 2014-12-30 | Ming Chuan University | Virtual glasses try-on method and apparatus thereof |
CN104298963A (zh) * | 2014-09-11 | 2015-01-21 | 浙江捷尚视觉科技股份有限公司 | 一种鲁棒的基于人脸形状回归模型的多姿态疲劳监测方法 |
CN105631039A (zh) * | 2016-01-15 | 2016-06-01 | 北京邮电大学 | 一种图片浏览方法 |
CN106022272A (zh) * | 2016-05-23 | 2016-10-12 | 北京小米移动软件有限公司 | 一种判定正脸图像的方法和装置 |
CN106919913A (zh) * | 2017-02-21 | 2017-07-04 | 上海蔚来汽车有限公司 | 基于计算机视觉的疲劳驾驶检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
仪晓斌等,: "分段仿射变换下基于泊松融合的正面人脸合成", 《计算机工程与应用》 * |
邬美银等: "基于卷积神经网络的视频图像失真检测及分类", 《计算机应用研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263772A (zh) * | 2019-07-30 | 2019-09-20 | 天津艾思科尔科技有限公司 | 一种基于人脸关键点的人脸特征识别*** |
CN110263772B (zh) * | 2019-07-30 | 2024-05-10 | 天津艾思科尔科技有限公司 | 一种基于人脸关键点的人脸特征识别*** |
CN110826501B (zh) * | 2019-11-08 | 2022-04-05 | 杭州小影创新科技股份有限公司 | 一种基于稀疏关键点校准的人脸关键点检测方法与*** |
CN110826501A (zh) * | 2019-11-08 | 2020-02-21 | 杭州趣维科技有限公司 | 一种基于稀疏关键点校准的人脸关键点检测方法与*** |
CN111126344A (zh) * | 2019-12-31 | 2020-05-08 | 杭州趣维科技有限公司 | 一种生成人脸额头关键点的方法与*** |
CN111126344B (zh) * | 2019-12-31 | 2023-08-01 | 杭州趣维科技有限公司 | 一种生成人脸额头关键点的方法与*** |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN112070021A (zh) * | 2020-09-09 | 2020-12-11 | 深圳数联天下智能科技有限公司 | 基于人脸检测的测距方法、测距***、设备和存储介质 |
CN112613357A (zh) * | 2020-12-08 | 2021-04-06 | 深圳数联天下智能科技有限公司 | 人脸测量方法、装置、电子设备和介质 |
CN112613357B (zh) * | 2020-12-08 | 2024-04-09 | 深圳数联天下智能科技有限公司 | 人脸测量方法、装置、电子设备和介质 |
CN112598738A (zh) * | 2020-12-25 | 2021-04-02 | 南京大学 | 一种基于深度学习的人物定位方法 |
CN112598738B (zh) * | 2020-12-25 | 2024-03-19 | 南京大学 | 一种基于深度学习的人物定位方法 |
CN115331292A (zh) * | 2022-08-17 | 2022-11-11 | 武汉元紫东科技有限公司 | 基于面部图像的情绪识别方法、装置及计算机储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993021A (zh) | 人脸正脸检测方法、装置及电子设备 | |
CN108304876B (zh) | 分类模型训练方法、装置及分类方法及装置 | |
US11842487B2 (en) | Detection model training method and apparatus, computer device and storage medium | |
Liu et al. | Neural person search machines | |
CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CN106897658B (zh) | 人脸活体的鉴别方法和装置 | |
CN108985232A (zh) | 人脸图像比对方法、装置、计算机设备及存储介质 | |
CN109214273A (zh) | 人脸图像比对方法、装置、计算机设备及存储介质 | |
CN110826519A (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
CN106022317A (zh) | 人脸识别方法及装置 | |
CN109389030A (zh) | 人脸特征点检测方法、装置、计算机设备及存储介质 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN108229330A (zh) | 人脸融合识别方法及装置、电子设备和存储介质 | |
CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
CN106951825A (zh) | 一种人脸图像质量评估***以及实现方法 | |
CN106407958B (zh) | 基于双层级联的面部特征检测方法 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
BR102014023780B1 (pt) | Método para classificação multiclasse em cenários abertos e usos do mesmo | |
CN107194361A (zh) | 二维姿势检测方法及装置 | |
CN106250825A (zh) | 一种在医保应用中场景自适应的人脸识别*** | |
CN109934196A (zh) | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
CN108986137A (zh) | 人体跟踪方法、装置及设备 | |
CN107346414A (zh) | 行人属性识别方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190709 |
|
RJ01 | Rejection of invention patent application after publication |