CN110069989A - 人脸图像处理方法及装置、计算机可读存储介质 - Google Patents
人脸图像处理方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110069989A CN110069989A CN201910196223.2A CN201910196223A CN110069989A CN 110069989 A CN110069989 A CN 110069989A CN 201910196223 A CN201910196223 A CN 201910196223A CN 110069989 A CN110069989 A CN 110069989A
- Authority
- CN
- China
- Prior art keywords
- face
- facial image
- image
- classification
- facial
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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
一种人脸图像处理方法及装置、计算机可读存储介质,所述人脸图像处理方法,包括:获取待处理的图像,所述待处理的图像中包含人脸图像;对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量;基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类;确定所述人脸图像的类别及各类别对应的类中心点;对各类别的类中心点对应的人脸图像进行人脸识别。采用上述方案,能够提高人脸图像识别效率。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种人脸图像处理方法及装置、计算机可读存储介质。
背景技术
人脸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。随着物联网终端的通讯能力、计算能力的提高,人脸识别的应用需求不再仅仅满足于处理单张图片。在某些应用场景下,需要对视频流进行人脸识别,得到视频流中的人脸图像。
目前的对视频流进行人脸识别的方案是将视频视为具有时序的图片,然后针对每张图片进行人脸识别,再将所有得到的人脸与人脸库进行比对,最后将识别结果汇总。
然而,对视频流中的每张图片分别进行人脸识别,这种图像处理方法进行人脸图像识别的效率较低。
发明内容
本发明实施例解决的技术问题是人脸图像识别效率较低。
为解决上述技术问题,本发明实施例提供一种人脸图像处理方法,包括:获取待处理的图像,所述待处理的图像中包含人脸图像;对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量;基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类;确定所述人脸图像的类别及各类别对应的类中心点;对各类别的类中心点对应的人脸图像进行人脸识别。
可选的,所述对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量,包括:对所述人脸图像进行图像标准化,得到标准化人脸图像;采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为所述人脸图像对应的人脸特征向量。
可选的,所述对所述人脸图像进行图像标准化,得到标准化人脸图像之后,还包括:将所述标准化人脸图像进行镜像,得到镜像后的人脸图像;采用人脸向量化算法对所述镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算所述第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述人脸图像对应的人脸特征向量。
可选的,采用以下任一种算法对所述人脸图像进行聚类:采用非极大值抑制算法对所述人脸图像进行聚类;采用社区发现算法对所述人脸图像进行聚类。可选的,所述确定各类别对应的类中心点,包括:当采用非极大值抑制算法对所述人脸图像进行聚类时,将各类别中质量分最高的人脸图像作为对应类别的类中心点;当采用社区发现算法对所述人脸图像进行聚类时,将各类别中边最多的人脸图像作为对应类别的类中心点。
可选的,所述采用非极大值抑制算法对所述人脸图像进行聚类,包括:将所述人脸图像按照质量分倒序排列,记为人脸质量分列队;根据各人脸图像的人脸特征向量,计算每个人脸图像与其他人脸图像的相似度,记为相似度矩阵;在第i次迭代时,将质量分最高的人脸图像作为类别Ci的类中心点;根据所述相似度矩阵中各人脸图像之间的相似度,将与类别Ci的类中心点的相似度阈值达到预设阈值的人脸图像归入类别Ci;将所述类别Ci中的人脸图像从人脸质量分列队Ti删除,得到更新后的人脸质量分列队T(i+1);将类别Ci中的人脸图像与类别Ci类中心点的相似度从所述相似度矩阵Mi中删除,得到更新后的相似度矩阵M(i+1);当更新后的人脸质量分列队T(i+1)不为空时,继续从所述更新后的质量分列队T(i+1)中选取质量分最高的人脸图像作为类别C(i+1)的类中心点。
可选的,采用以下任一种算法,计算每个人脸图像与其他人脸图像的相似度:余弦距离算法、欧式距离算法。
可选的,所述采用社区发现算法对所述人脸图像进行聚类,包括:将所有人脸图像划分为不同的类别,形成类别的集合SET(C)0;计算各类别中的所有的人脸图像的人脸相似度并与预设第二阈值进行比较,高于第二阈值权重为1,低于预设第二阈值权重为0,得到边的集合SET(E)0;第i次迭代时,对应的类别的集合SET(C)i,边的集合SET(E)i,计算当前聚类状态下的聚类稳定性Qi;将相邻的两个类别合并至同一个类别中,得到一个新的类别的集合SET(C)(i+1);计算合并之后的各类别内的边的权重之后以及类别间的边的权重之和,得到边的集合SET(E)(i+1);计算合并后的聚类稳定性Q(i+1);当合并后的聚类稳定性Q(i+1)大于合并前的聚类稳定性Qi时,则接受合并,将错误划分状态组成的集合置空,并进入第i+1次迭代;当合并后的聚类稳定性Q(i+1)小于或等于合并前的聚类稳定性Qi时,则不接受合并,将当前划分加入错误划分状态组成的集合中;判断是否完成所有合并可能性,当完成所有的合并可能性,则将第i次迭代时对应的聚类作为最优聚类结果;当没有完成所有的合并可能性,则继续进行合并尝试。
本发明实施例还提供一种人脸图像处理装置,包括:获取单元,适于获取待处理的图像,所述待处理的图像中包含人脸图像;人脸向量化单元,适于对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量;聚类单元,适于基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类;确定单元,适于确定所述人脸图像的类别及各类别对应的类中心点;人脸识别单元,适于对各类别的类中心点对应的人脸图像进行人脸识别。
可选的,所述人脸向量化单元,适于对所述人脸图像进行图像标准化,得到标准化人脸图像;采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为所述人脸图像对应的人脸特征向量。
可选的,所述人脸向量化单元,还适于将所述标准化人脸图像进行镜像,得到镜像后的人脸图像;采用人脸向量化算法对所述镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算所述第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述人脸图像对应的人脸特征向量。
可选的,所述聚类单元,适于采用如下任一种算法对所述人脸图像进行聚类:非极大值抑制算法、社区发现算法。
可选的,所述确定单元,适于当采用非极大值抑制算法对所述人脸图像进行聚类时,将各类别中质量分最高的人脸图像作为对应类别的类中心点;当采用社区发现算法对所述人脸图像进行聚类时,将各类别中边最多的人脸图像作为对应类别的类中心点。
可选的,所述聚类单元,适于采用非极大值抑制算法对所述人脸图像进行聚类时,将所述人脸图像按照质量分倒序排列,记为人脸质量分列队;根据各人脸图像的人脸特征向量,计算每个人脸图像与其他人脸图像的相似度,记为相似度矩阵;在第i次迭代时,将质量分最高的人脸图像作为类别Ci的类中心点;根据所述相似度矩阵中各人脸图像之间的相似度,将与类别Ci的类中心点的相似度阈值达到预设阈值的人脸图像归入类别Ci;将所述类别Ci中的人脸图像从人脸质量分列队Ti删除,得到更新后的人脸质量分列队T(i+1);将类别Ci中的人脸图像与类别Ci类中心点的相似度从所述相似度矩阵Mi中删除,得到更新后的相似度矩阵M(i+1);当更新后的人脸质量分列队T(i+1)不为空时,继续从所述更新后的质量分列队T(i+1)中选取质量分最高的人脸图像作为类别C(i+1)的类中心点。
可选的,所述聚类单元,适于采用以下任一种算法,计算每个人脸图像与其他人脸图像的相似度:余弦距离算法、欧式距离算法。
可选的,所述聚类单元,适于采用社区发现算法对所述人脸图像进行聚类时,将所有人脸图像划分为不同的类别,形成类别的集合SET(C)0;计算各类别中的所有的人脸图像的人脸相似度并与预设第二阈值进行比较,高于第二阈值权重为1,低于预设第二阈值权重为0,得到边的集合SET(E)0;第i次迭代时,对应的类别的集合SET(C)i,边的集合SET(E)i,计算当前聚类状态下的聚类稳定性Qi;将相邻的两个类别合并至同一个类别中,得到一个新的类别的集合SET(C)(i+1);计算合并之后的各类别内的边的权重之后以及类别间的边的权重之和,得到边的集合SET(E)(i+1);计算合并后的聚类稳定性Q(i+1);当合并后的聚类稳定性Q(i+1)大于合并前的聚类稳定性Qi时,则接受合并,将错误划分状态组成的集合置空,并进入第i+1次迭代;当合并后的聚类稳定性Q(i+1)小于或等于合并前的聚类稳定性Qi时,则不接受合并,将当前划分加入错误划分状态组成的集合中;判断是否完成所有合并可能性,当完成所有的合并可能性,则将第i次迭代时对应的聚类作为最优聚类结果;当没有完成所有的合并可能性,则继续进行合并尝试。
本发明实施例还提供一种人脸图像处理装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一种人脸图像处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一种人脸图像处理方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
对待处理图像中的人脸图像进行人脸特征向量化,根据人脸图像对应的质量分及对应的人脸特征向量,对人脸图像进行聚类,得到各人脸图像所属的类别以及各类别的类中心点,在进行人脸识别时,对各类别中的类中心点对应的人脸图像进行识别,从而可以减少在人脸识别过程中需要处理的人脸图像的数量,从而可以提高人脸图像识别效率。
进一步,在对人脸进行人脸向量化时,对人脸图像进行标准化处理,从而可以提高人脸检测的容错性,以及提高后续图像处理过程中的图像处理精度及效率。
进一步,将得到的标准化的人脸图像进行镜像,得到镜像后的人脸图像,并将标准化人脸图像对应的人脸特征向量与镜像后的人脸图像对应的人脸特征向量求均值,作为人脸图像对应的人脸特征向量,可以提高所得到的人脸特征向量的精度。
附图说明
图1是本发明实施例中的一种人脸图像处理方法的流程图;
图2是本发明实施例中的一种采用非极大值抑制算法对人脸图像聚类的流程图;
图3是本发明实施例中的一种采用社区发现算法对人脸图像进行聚类的流程图;
图4是本发明实施例中的一种人脸图像处理装置的结构示意图。
具体实施方式
如上所述,目前的对视频流进行人脸识别的方案是将视频视为具有时序的图片,然后针对每张图片进行人脸识别,再将所有得到的人脸与人脸库进行比对,最后将识别结果汇总。然而,对视频流中的每张图片分别进行人脸识别,这种图像处理方法进行人脸图像识别的效率较低。
本发明实施例中,对待处理图像中的人脸图像进行人脸特征向量化,根据人脸图像对应的质量分及对应的人脸特征向量,对人脸图像进行聚类,得到各人脸图像所属的类别以及各类别的类中心点,在进行人脸识别时,对各类别中的类中心点对应的人脸图像进行识别,从而可以减少在人脸识别过程中需要处理的人脸图像的数量,从而可以提高人脸图像识别效率。
为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参照图1,给出了本发明实施例中一种人脸图像处理方法的流程图,所述人脸图像处理方法可以包括以下步骤。
步骤11,获取待处理图像,所述待处理图像中包含人脸图像。
在具体实施中,可以从视频流中获取待处理图像。在本发明实施例中,可以按照预设的图像抽取规则,从所述视频流中抽取相应帧的图像,并将从抽取到的图像中获取包括人脸图像的图像作为待处理图像。
步骤12,将所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量。
在具体实施中,为了便于后续进行人脸识别,可以对所述待处理图像中的人脸图像进行图像标准化,得到标准化的人脸图像。
在具体实施中,待处理图像中可以包括一个人脸,也可以包括多个人脸。当待处理图像中包括多个人脸时,分别对多个人脸区域进行截取,相应地,得到多个人脸图像。
在本发明实施例中,对所述人脸图像进行标准化可以包括如下步骤:对人脸图像进行尺寸归一化,得到预设尺寸的人脸图像;对得到的预设尺寸的人脸图像中的人脸方向进行旋转等调整操作,使得人脸中的关键点如眼睛、鼻尖以及嘴角等处于预设位置。通过对得到的预设尺寸的人脸图像进行调整操作,可以使得得到的预设尺寸的人脸图像中的人脸处于非倾斜状态。通过对待处理图像中的人脸图像进行标准化处理,可以提高人脸检测的容错性,以及提高后续图像处理过程中的图像处理精度及效率。
在具体实施中,在得到标准化人脸图像后,可以采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为所述标准化人脸图像对应的人脸特征向量。一张人脸图像可以看做一个3维的像素矩阵,通过人脸向量化处理之后,可以得到对应的1维向量,1维向量的长度可以根据实际需求进行设定。例如,采用全连接层较小的轻量级的人脸向量化算法对所述标准化的人脸图像进行人脸特征向量化,将3维人脸图像转换成对应的1维向量,并采用512维向量作为所述人脸图像对应的人脸特征向量。
为进一步提高所得到的人脸特征向量的精度,在本发明另一实施例中,得到标准化人脸图像之后,对标准化人脸进行镜像,得到镜像后的人脸图像。采用人脸向量化算法对所述镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量,计算所述第一人脸特征向量与所述第二人脸特征向量的均值,将所计算的均值作为所述人脸图像对应的人脸特征向量。
步骤13,基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类。
在步骤11中获取待处理图像时,可以对图像进行人脸检测来确定是否为人脸图像。在进行人脸检测时,可以获取人脸区域的坐标位置以及质量分。
在具体实施中,所述人脸图像的质量分是假设某一区域包含人脸的置信度,置信度越高越接受这个区域包含人脸的假设,可以用于描述某一区域包括人脸的可能性。质量分与图像的清晰度、图像中人脸的位置、人脸的姿态(正面人脸、侧面人脸等)等因素相关,人脸图像的清晰度越高、人脸姿态越接近正面人脸所对应的质量分越高。
在具体实施中,可以采用多种方式对人脸图像进行聚类。例如,采用非极大值抑制算法对所述人脸图像进行聚类。又如,采用社区发现(Fast Unfolding)算法对所述人脸图像进行聚类。
参照图2,给出了本发明实施例中一种采用非极大值抑制算法对人脸图像聚类的流程图,可以包括以下步骤。
步骤21,将所述人脸图像按照质量分倒序排列,记为人脸质量分列队。
在具体实施中,可以将所述人脸图像按照质量分从高到低倒序排列,得到人脸质量分列队T0。可以理解的是,也可以将所述人脸图像按照质量分从低到高正序排列,可以根据实际应用需要进行排序即可。
例如,按照标准化的人脸图像的质量分从高到低倒序排列。又如,按照镜像后的人脸图像的质量分从高到低倒序排列。
步骤22,根据各人脸图像的人脸特征向量,计算每个人脸图像与其他人脸图像的相似度,记为相似度矩阵。
在具体实施中,可以根据人脸图像的人脸特征向量,依次计算每个人脸图像分别与人脸质量分列队T0中除自身之外的各人脸图像的相似度,得到所有人脸图像两两之间的相似度,得到相似度矩阵M0。
在本发明一实施例中,采用余弦距离算法计算两个人脸图像之间的相似度。在本发明另一实施例中,采用欧式距离算法计算两个人脸图像之间的相似度。可以理解的是,在实际应用中,还可以采用其他算法计算两个人脸图像之间的相似度。
当采用余弦距离算法计算人脸图像的相似度时,可以将计算得到的相似度记录在二维矩阵M0中,矩阵中(a,b)位置记录人脸图像a与人脸图像b的余弦距离,也即人脸图像a和人脸图像b的相似度。
在具体实施中,步骤21与步骤22之间并没有必须的逻辑上的先后顺序。在本发明实施例中,可以先执行步骤21,然后执行步骤22;也可以先执行步骤22,然后执行步骤21;还可以同时执行步骤21及步骤22。
步骤23,在第i次迭代时,将质量分最高的人脸图像作为类别Ci的类中心点。
在具体实施中,当第i次迭代时,对应的质量分列队为Ti,对应的相似度矩阵为Mi。将质量分列队为Ti中质量分最高的人脸图像作为类别Ci的类中心点。
步骤24,生成相似度矩阵Mi。
步骤25,根据所述相似度矩阵中各人脸图像之间的相似度,将与类别Ci的类中心点的相似度阈值达到预设阈值的人脸图像归入类别Ci。
根据相似度矩阵Mi中各人脸图像的相似度,确认与类别Ci的类中心点对应的人脸图像的相似度高于预设阈值的人脸图像,并将相似度阈值高于预设阈值的人脸图像归入类别Ci。
步骤26,将所述类别Ci中的人脸图像从人脸质量分列队Ti删除,得到更新后的人脸质量分列队T(i+1)。
步骤27,将类别Ci中的人脸图像与类别Ci的类中心点的相似度从所述相似度矩阵Mi中删除。
将类别Ci中的人脸图像与类别Ci的类中心点的相似度从所述相似度矩阵Mi中删除后,可以得到更新后的相似度矩阵M(i+1)。
在具体实施中,步骤26与步骤27之间并没有必须的逻辑上的先后顺序。在本发明实施例中,可以先执行步骤26,然后执行步骤27;也可以先执行步骤27,然后执行步骤26;还可以同时执行步骤26及步骤27。
步骤28,判断更新后的人脸质量分列队T(i+1)是否为空。
当判断结果为否时,即更新后的人脸质量分列队T(i+1)不为空时,此后继续分别执行步骤23及步骤24,进入第i+1次循环。在第i+1次迭代中,继续从所述更新后的质量分列队T(i+1)中选取质量分最高的人脸图像作为类别C(i+1)的类中心点,根据相似度矩阵M(i+1)中的相似度,并将人脸质量分列队T(i+1)中对应的人脸图像进行聚类。
当判断结果为是时,即更新后的人脸质量分列队T(i+1)为空时,则执行步骤14,确定所述人脸图像的类别,并将各类别中质量分最高的人脸图像作为类中心点。
参照图3,给出了本发明实施例中一种采用社区发现算法对人脸图像进行聚类的流程图,可以包括以下步骤。
将所有的人脸看成点,所有相似度高于第二阈值的人脸形成边,构造图。利用稳定性衡量聚类的结果,进行迭代,直至划分状态的稳定性无法提升为止。采用社区发现算法对人脸图像进行聚类的流程具体如下:
步骤301,将所有人脸图像划分为不同的类别,形成类别的集合SET(C)0。
在具体实施中,在首次划分时,可以将每张人脸图像作为一个类别。例如,有10张人脸图像,每张人脸图像分别对应一个类别,共10中类别。
初始化时,错误的划分状态组成的集合为空
步骤302,计算两人脸图像的相似度,并与预设第二阈值进行比较,高于第二阈值的权重为1,低于预设第二阈值的权重为0,得到边的集合SET(E)0。
在具体实施中,当两人脸图像的相似度高于第二阈值时,权重标记为1,两人脸图像之间具有连线,形成边。当两人脸图像的相似度低于第二阈值时,权重标记为0,两人脸图像之间没有边。
步骤303,在第i次迭代时,计算当前聚类状态下的聚类稳定性Qi。
在具体实施中,在第i次迭代时,对应的类别的集合SET(C)i,边的集合SET(E)i。基于当前的聚类状态SET(C)i,边的集合SET(E)i,可以采用公式(1)计算聚类稳定度Qi。
其中,表示顶点与边构成的图网络中所有的权重;Ai,j表示顶点i与及顶点j之间的权重;表示与顶点i连接的边的权重;ci表示顶点被分配到的类别;δ(ci,cj)用于判断顶点i与顶点j是否被划分在同一个类别,若是则返回1,若否则返回0。
步骤304,将相邻的两个类别合并至同一个类别中,得到一个新的类别的集合SET(C)(i+1)。
在具体实施中,合并得到的类别的集合SET(C)(i+1)不在SET(S)i中。
步骤305,计算合并之后的各类别内的边的权重之和以及类别间的边的权重之和,得到边的集合SET(E)(i+1)。
基于新的聚类得到的类别的集合SET(C)(i+1),合并各边权重,计算合并之后的各类别内的边的权重之和以及类别间的边的权重之和。类内的所有边权重之和为该类自连接权重,两类间的所有边的权重之后,为两类别连接的权重。
步骤307,计算合并后的聚类稳定性Q(i+1)。
基于合并后的SET(C)(i+1),以及SET(E)(i+1),计算合并后的聚类稳定性Q(i+1),具体可以参考Qi的计算方法及过程。
步骤307,判断Q(i+1)-Qi>0是否成立。
当判断结果为是时,则执行步骤308;当判断结果为否时,则执行步骤310。
步骤308,接受合并,将错误划分状态组成的集合置空。
步骤308之后,执行步骤309。
步骤309,SET(C)(i+1)&SET(E)(i+1)。
进入第i+1次迭代,此后继续执行步骤303。
步骤310,不接受合并,将当前划分加入错误划分状态组成的集合中。
步骤311,判断SET(S)i的长度lenC是否等于
当判断结果为是时,也即已经尝试所有的类别合并可能性,当前的划分为稳定最好的划分,也即为最优聚类,执行步骤14。
当判断结果为否时,执行步骤312。
步骤312,SET(C)i&SET(E)i。
停留于第i次迭代,并继续执行步骤303,继续尝试其他可能性的类别合并。
步骤14,确定所述人脸图像的类别及各类别对应的类中心点。
在具体实施中,当采用社区发现算法对所述人脸图像进行聚类时,将各类别中边最多的人脸图像作为对应类别的类中心点。当采用非极大值抑制算法对所述人脸图像进行聚类时,将各类别中质量分最高的人脸图像作为对应类别的类中心点。
步骤15,对各类别的类中心点对应的人脸图像进行人脸识别。
在具体实施中,可以对各类别的类中心点对应的人脸图像进行人脸识别,而对于与类中心点属于同一类别的其他图像不做人脸识别,采用对人脸图像聚类,达到对人脸图像去重的目的,可以有效的减小需要进行人脸识别的人脸图像的数量,从而提高人脸图像识别效率,尤其是针对视频流图像进行人脸识别的效率。
由上述方案可知,对待处理图像中的人脸图像进行人脸特征向量化,根据人脸图像对应的质量分及对应的人脸特征向量,对人脸图像进行聚类,得到各人脸图像所属的类别以及各类别的类中心点,在进行人脸识别时,对各类别中的类中心点对应的人脸图像进行识别,采用这种方式可以实现对图像的去重,从而可以减少在人脸识别过程中需要处理的人脸图像的数量,从而可以提高人脸图像识别效率。
为了便于本领域技术人员更好的理解和实现本发明,本发明实施例还提供一种人脸图像处理装置。
参照图4,给出了本发明实施例中一种人脸图像处理装置的结构示意图。所述人脸图像处理装置40可以包括:获取单元41、人脸向量化单元42、聚类单元43、确定单元44及人脸识别单元45,其中:
获取单元41,适于获取待处理的图像,所述待处理的图像中包含人脸图像;
人脸向量化单元42,适于对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量;
聚类单元43,适于基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类;
确定单元44,适于确定所述人脸图像的类别及各类别对应的类中心点;
人脸识别单元45,适于对各类别的类中心点对应的人脸图像进行人脸识别。
在具体实施中,所述人脸向量化单元42,适于对所述人脸图像进行图像标准化,得到标准化人脸图像;采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为所述人脸图像对应的人脸特征向量。
在具体实施中,所述人脸向量化单元42,还适于将所述标准化人脸图像进行镜像,得到镜像后的人脸图像;采用人脸向量化算法对所述镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算所述第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述人脸图像对应的人脸特征向量。
在具体实施中,所述聚类单元43,适于采用如下任一种算法对所述人脸图像进行聚类:非极大值抑制算法、社区发现算法。
在具体实施中,所述确定单元44,适于当采用非极大值抑制算法对所述人脸图像进行聚类时,将各类别中质量分最高的人脸图像作为对应类别的类中心点;当采用社区发现算法对所述人脸图像进行聚类时,将各类别中边最多的人脸图像作为对应类别的类中心点。
在具体实施中,所述聚类单元43,适于采用非极大值抑制算法对所述人脸图像进行聚类时,将所述人脸图像按照质量分倒序排列,记为人脸质量分列队;根据各人脸图像的人脸特征向量,计算每个人脸图像与其他人脸图像的相似度,记为相似度矩阵;在第i次迭代时,将质量分最高的人脸图像作为类别Ci的类中心点;根据所述相似度矩阵中各人脸图像之间的相似度,将与类别Ci的类中心点的相似度阈值达到预设阈值的人脸图像归入类别Ci;将所述类别Ci中的人脸图像从人脸质量分列队Ti删除,得到更新后的人脸质量分列队T(i+1);将类别Ci中的人脸图像与类别Ci类中心点的相似度从所述相似度矩阵Mi中删除,得到更新后的相似度矩阵M(i+1);当更新后的人脸质量分列队T(i+1)不为空时,继续从所述更新后的质量分列队T(i+1)中选取质量分最高的人脸图像作为类别C(i+1)的类中心点。
在具体实施中,所述聚类单元43,适于采用以下任一种算法,计算每个人脸图像与其他人脸图像的相似度:余弦距离算法、欧式距离算法。
在具体实施中,所述聚类单元43,适于采用社区发现算法对所述人脸图像进行聚类时,将所有人脸图像划分为不同的类别,形成类别的集合SET(C)0;计算各类别中的所有的人脸图像的人脸相似度并与预设第二阈值进行比较,高于第二阈值权重为1,低于预设第二阈值权重为0,得到边的集合SET(E)0;第i次迭代时,对应的类别的集合SET(C)i,边的集合SET(E)i,计算当前聚类状态下的聚类稳定性Qi;将相邻的两个类别合并至同一个类别中,得到一个新的类别的集合SET(C)(i+1);计算合并之后的各类别内的边的权重之后以及类别间的边的权重之和,得到边的集合SET(E)(i+1);计算合并后的聚类稳定性Q(i+1);当合并后的聚类稳定性Q(i+1)大于合并前的聚类稳定性Qi时,则接受合并,将错误划分状态组成的集合置空,并进入第i+1次迭代;当合并后的聚类稳定性Q(i+1)小于或等于合并前的聚类稳定性Qi时,则不接受合并,将当前划分加入错误划分状态组成的集合中;判断是否完成所有合并可能性,当完成所有的合并可能性,则将第i次迭代时对应的聚类作为最优聚类结果;当没有完成所有的合并可能性,则继续进行合并尝试。
在具体实施中,所述人脸图像处理装置40的工作原理及流程可以参考本发明上述实施例中提供的任一种人脸图像处理方法中的描述,此处不做赘述。
本发明实施例还提供一种人脸图像处理装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行本发明实施例中提供的上述任一种人脸图像处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机指令,所述计算机指令运行时执行本发明实施例中提供的上述任一种人脸图像处理方法的步骤。
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,该程序可以存储于任一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (18)
1.一种人脸图像处理方法,其特征在于,包括:
获取待处理的图像,所述待处理的图像中包含人脸图像;
对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量;
基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类;
确定所述人脸图像的类别及各类别对应的类中心点;
对各类别的类中心点对应的人脸图像进行人脸识别。
2.根据权利要求1所述的人脸图像处理方法,其特征在于,所述对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量,包括:
对所述人脸图像进行图像标准化,得到标准化人脸图像;
采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为所述人脸图像对应的人脸特征向量。
3.根据权利要求2所述的人脸图像处理方法,其特征在于,所述对所述人脸图像进行图像标准化,得到标准化人脸图像之后,还包括:
将所述标准化人脸图像进行镜像,得到镜像后的人脸图像;
采用人脸向量化算法对所述镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;
计算所述第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述人脸图像对应的人脸特征向量。
4.根据权利要求1至3任一项所述的人脸图像处理方法,其特征在于,采用以下任一种算法对所述人脸图像进行聚类:
采用非极大值抑制算法对所述人脸图像进行聚类;
采用社区发现算法对所述人脸图像进行聚类。
5.根据权利要求4所述的人脸图像处理方法,其特征在于,所述确定各类别对应的类中心点,包括:当采用非极大值抑制算法对所述人脸图像进行聚类时,将各类别中质量分最高的人脸图像作为对应类别的类中心点;当采用社区发现算法对所述人脸图像进行聚类时,将各类别中边最多的人脸图像作为对应类别的类中心点。
6.根据权利要求4所述的人脸图像处理方法,其特征在于,所述采用非极大值抑制算法对所述人脸图像进行聚类,包括:
将所述人脸图像按照质量分倒序排列,记为人脸质量分列队;
根据各人脸图像的人脸特征向量,计算每个人脸图像与其他人脸图像的相似度,记为相似度矩阵;
在第i次迭代时,将质量分最高的人脸图像作为类别Ci的类中心点;
根据所述相似度矩阵中各人脸图像之间的相似度,将与类别Ci的类中心点的相似度阈值达到预设阈值的人脸图像归入类别Ci;
将所述类别Ci中的人脸图像从人脸质量分列队Ti删除,得到更新后的人脸质量分列队T(i+1);
将类别Ci中的人脸图像与类别Ci类中心点的相似度从所述相似度矩阵Mi中删除,得到更新后的相似度矩阵M(i+1);
当更新后的人脸质量分列队T(i+1)不为空时,继续从所述更新后的质量分列队T(i+1)中选取质量分最高的人脸图像作为类别C(i+1)的类中心点。
7.根据权利要求6所述的人脸图像处理方法,其特征在于,采用以下任一种算法,计算每个人脸图像与其他人脸图像的相似度:
余弦距离算法、欧式距离算法。
8.根据权利要求4所述的人脸图像处理方法,其特征在于,所述采用社区发现算法对所述人脸图像进行聚类,包括:
将所有人脸图像划分为不同的类别,形成类别的集合SET(C)0;
计算各类别中的所有的人脸图像的人脸相似度并与预设第二阈值进行比较,高于第二阈值权重为1,低于预设第二阈值权重为0,得到边的集合SET(E)0;
第i次迭代时,对应的类别的集合SET(C)i,边的集合SET(E)i,计算当前聚类状态下的聚类稳定性Qi;
将相邻的两个类别合并至同一个类别中,得到一个新的类别的集合SET(C)(i+1);
计算合并之后的各类别内的边的权重之后以及类别间的边的权重之和,得到边的集合SET(E)(i+1);
计算合并后的聚类稳定性Q(i+1);
当合并后的聚类稳定性Q(i+1)大于合并前的聚类稳定性Qi时,则接受合并,将错误划分状态组成的集合置空,并进入第i+1次迭代;
当合并后的聚类稳定性Q(i+1)小于或等于合并前的聚类稳定性Qi时,则不接受合并,将当前划分加入错误划分状态组成的集合中;
判断是否完成所有合并可能性,当完成所有的合并可能性,则将第i次迭代时对应的聚类作为最优聚类结果;当没有完成所有的合并可能性,则继续进行合并尝试。
9.一种人脸图像处理装置,其特征在于,包括:
获取单元,适于获取待处理的图像,所述待处理的图像中包含人脸图像;
人脸向量化单元,适于对所述人脸图像进行人脸向量化,得到所述人脸图像对应的人脸特征向量;
聚类单元,适于基于所述人脸图像的质量分,并结合所述人脸图像对应的人脸特征向量,对所述人脸图像进行聚类;
确定单元,适于确定所述人脸图像的类别及各类别对应的类中心点;
人脸识别单元,适于对各类别的类中心点对应的人脸图像进行人脸识别。
10.根据权利要求9所述的人脸图像处理装置,其特征在于,所述人脸向量化单元,适于对所述人脸图像进行图像标准化,得到标准化人脸图像;采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为所述人脸图像对应的人脸特征向量。
11.根据权利要求10所述的人脸图像处理装置,其特征在于,所述人脸向量化单元,还适于将所述标准化人脸图像进行镜像,得到镜像后的人脸图像;采用人脸向量化算法对所述镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算所述第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述人脸图像对应的人脸特征向量。
12.根据权利要求9至11任一项所述的人脸图像处理装置,其特征在于,所述聚类单元,适于采用如下任一种算法对所述人脸图像进行聚类:非极大值抑制算法、社区发现算法。
13.根据权利要求12所述的人脸图像处理装置,其特征在于,所述确定单元,适于当采用非极大值抑制算法对所述人脸图像进行聚类时,将各类别中质量分最高的人脸图像作为对应类别的类中心点;当采用社区发现算法对所述人脸图像进行聚类时,将各类别中边最多的人脸图像作为对应类别的类中心点。
14.根据权利要求12所述的人脸图像处理装置,其特征在于,所述聚类单元,适于采用非极大值抑制算法对所述人脸图像进行聚类时,将所述人脸图像按照质量分倒序排列,记为人脸质量分列队;根据各人脸图像的人脸特征向量,计算每个人脸图像与其他人脸图像的相似度,记为相似度矩阵;在第i次迭代时,将质量分最高的人脸图像作为类别Ci的类中心点;根据所述相似度矩阵中各人脸图像之间的相似度,将与类别Ci的类中心点的相似度阈值达到预设阈值的人脸图像归入类别Ci;将所述类别Ci中的人脸图像从人脸质量分列队Ti删除,得到更新后的人脸质量分列队T(i+1);将类别Ci中的人脸图像与类别Ci类中心点的相似度从所述相似度矩阵Mi中删除,得到更新后的相似度矩阵M(i+1);当更新后的人脸质量分列队T(i+1)不为空时,继续从所述更新后的质量分列队T(i+1)中选取质量分最高的人脸图像作为类别C(i+1)的类中心点。
15.根据权利要求14所述的人脸图像处理装置,其特征在于,所述聚类单元,适于采用以下任一种算法,计算每个人脸图像与其他人脸图像的相似度:余弦距离算法、欧式距离算法。
16.根据权利要求12所述的人脸图像处理装置,其特征在于,所述聚类单元,适于采用社区发现算法对所述人脸图像进行聚类时,将所有人脸图像划分为不同的类别,形成类别的集合SET(C)0;计算各类别中的所有的人脸图像的人脸相似度并与预设第二阈值进行比较,高于第二阈值权重为1,低于预设第二阈值权重为0,得到边的集合SET(E)0;第i次迭代时,对应的类别的集合SET(C)i,边的集合SET(E)i,计算当前聚类状态下的聚类稳定性Qi;将相邻的两个类别合并至同一个类别中,得到一个新的类别的集合SET(C)(i+1);计算合并之后的各类别内的边的权重之后以及类别间的边的权重之和,得到边的集合SET(E)(i+1);计算合并后的聚类稳定性Q(i+1);当合并后的聚类稳定性Q(i+1)大于合并前的聚类稳定性Qi时,则接受合并,将错误划分状态组成的集合置空,并进入第i+1次迭代;当合并后的聚类稳定性Q(i+1)小于或等于合并前的聚类稳定性Qi时,则不接受合并,将当前划分加入错误划分状态组成的集合中;判断是否完成所有合并可能性,当完成所有的合并可能性,则将第i次迭代时对应的聚类作为最优聚类结果;当没有完成所有的合并可能性,则继续进行合并尝试。
17.一种人脸图像处理装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至8任一项所述的人脸图像处理方法的步骤。
18.一种计算机可读存储介质,计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至8任一项所述的人脸图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196223.2A CN110069989B (zh) | 2019-03-15 | 2019-03-15 | 人脸图像处理方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196223.2A CN110069989B (zh) | 2019-03-15 | 2019-03-15 | 人脸图像处理方法及装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110069989A true CN110069989A (zh) | 2019-07-30 |
CN110069989B CN110069989B (zh) | 2021-07-30 |
Family
ID=67366142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196223.2A Active CN110069989B (zh) | 2019-03-15 | 2019-03-15 | 人脸图像处理方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110069989B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443297A (zh) * | 2019-07-30 | 2019-11-12 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN111128369A (zh) * | 2019-11-18 | 2020-05-08 | 创新工场(北京)企业管理股份有限公司 | 一种用于评估患者的帕金森病情的方法和装置 |
CN111694979A (zh) * | 2020-06-11 | 2020-09-22 | 重庆中科云从科技有限公司 | 一种基于图像的档案管理方法、***、设备和介质 |
CN111738120A (zh) * | 2020-06-12 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN112528809A (zh) * | 2020-12-04 | 2021-03-19 | 东方网力科技股份有限公司 | 关于涉盗嫌疑人员的识别方法、装置及设备、存储介质 |
CN113920353A (zh) * | 2021-11-04 | 2022-01-11 | 厦门市美亚柏科信息股份有限公司 | 一种无监督的人脸图像二次聚类方法、装置、介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110123071A1 (en) * | 2005-09-28 | 2011-05-26 | Facedouble, Inc. | Method And System For Attaching A Metatag To A Digital Image |
CN102930553A (zh) * | 2011-08-10 | 2013-02-13 | ***通信集团上海有限公司 | 不良视频内容识别方法及装置 |
WO2013063736A1 (en) * | 2011-10-31 | 2013-05-10 | Hewlett-Packard Development Company, L.P. | Temporal face sequences |
CN104036261A (zh) * | 2014-06-30 | 2014-09-10 | 北京奇虎科技有限公司 | 人脸识别方法和*** |
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN105404863A (zh) * | 2015-11-13 | 2016-03-16 | 小米科技有限责任公司 | 人物特征识别方法及*** |
CN105512685A (zh) * | 2015-12-10 | 2016-04-20 | 小米科技有限责任公司 | 物体识别方法和装置 |
CN105868309A (zh) * | 2016-03-24 | 2016-08-17 | 广东微模式软件股份有限公司 | 一种基于人脸图像聚类和识别技术的图像快速查找和自助打印方法 |
CN106503633A (zh) * | 2016-10-10 | 2017-03-15 | 上海电机学院 | 一种视频图像中人脸特征库的建立方法 |
CN106570178A (zh) * | 2016-11-10 | 2017-04-19 | 重庆邮电大学 | 一种基于图聚类的高维文本数据特征选择方法 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN108108658A (zh) * | 2016-11-24 | 2018-06-01 | Bioid股份公司 | 生物特征识别方法 |
CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和***及存储介质 |
CN109063580A (zh) * | 2018-07-09 | 2018-12-21 | 北京达佳互联信息技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN109388727A (zh) * | 2018-09-12 | 2019-02-26 | 中国人民解放军国防科技大学 | 一种基于聚类的bgp人脸快速检索方法 |
-
2019
- 2019-03-15 CN CN201910196223.2A patent/CN110069989B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110123071A1 (en) * | 2005-09-28 | 2011-05-26 | Facedouble, Inc. | Method And System For Attaching A Metatag To A Digital Image |
CN102930553A (zh) * | 2011-08-10 | 2013-02-13 | ***通信集团上海有限公司 | 不良视频内容识别方法及装置 |
WO2013063736A1 (en) * | 2011-10-31 | 2013-05-10 | Hewlett-Packard Development Company, L.P. | Temporal face sequences |
CN104036261A (zh) * | 2014-06-30 | 2014-09-10 | 北京奇虎科技有限公司 | 人脸识别方法和*** |
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN105404863A (zh) * | 2015-11-13 | 2016-03-16 | 小米科技有限责任公司 | 人物特征识别方法及*** |
CN105512685A (zh) * | 2015-12-10 | 2016-04-20 | 小米科技有限责任公司 | 物体识别方法和装置 |
CN105868309A (zh) * | 2016-03-24 | 2016-08-17 | 广东微模式软件股份有限公司 | 一种基于人脸图像聚类和识别技术的图像快速查找和自助打印方法 |
CN106503633A (zh) * | 2016-10-10 | 2017-03-15 | 上海电机学院 | 一种视频图像中人脸特征库的建立方法 |
CN106570178A (zh) * | 2016-11-10 | 2017-04-19 | 重庆邮电大学 | 一种基于图聚类的高维文本数据特征选择方法 |
CN108108658A (zh) * | 2016-11-24 | 2018-06-01 | Bioid股份公司 | 生物特征识别方法 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和***及存储介质 |
CN109063580A (zh) * | 2018-07-09 | 2018-12-21 | 北京达佳互联信息技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN109388727A (zh) * | 2018-09-12 | 2019-02-26 | 中国人民解放军国防科技大学 | 一种基于聚类的bgp人脸快速检索方法 |
Non-Patent Citations (4)
Title |
---|
P.ITHAYA RANI等: "Ranking, clustering and fusing the normalized LBP temporal facial features for face recognition in video sequences", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
YUJIE ZHONG 等: "GhostVLAD for Set-Based Face Recognition", 《ARXIV》 * |
周勇: "《复杂多源数据的知识获取与知识发现》", 31 October 2015, 徐州:中国矿业大学出版社 * |
陈晋音等: "聚类中心自动确定的谱聚类算法研究", 《小型微型计算机***》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443297A (zh) * | 2019-07-30 | 2019-11-12 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN110443297B (zh) * | 2019-07-30 | 2022-06-07 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN111128369A (zh) * | 2019-11-18 | 2020-05-08 | 创新工场(北京)企业管理股份有限公司 | 一种用于评估患者的帕金森病情的方法和装置 |
CN111694979A (zh) * | 2020-06-11 | 2020-09-22 | 重庆中科云从科技有限公司 | 一种基于图像的档案管理方法、***、设备和介质 |
CN111738120A (zh) * | 2020-06-12 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN111738120B (zh) * | 2020-06-12 | 2023-12-05 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN112528809A (zh) * | 2020-12-04 | 2021-03-19 | 东方网力科技股份有限公司 | 关于涉盗嫌疑人员的识别方法、装置及设备、存储介质 |
CN113920353A (zh) * | 2021-11-04 | 2022-01-11 | 厦门市美亚柏科信息股份有限公司 | 一种无监督的人脸图像二次聚类方法、装置、介质 |
CN113920353B (zh) * | 2021-11-04 | 2022-07-29 | 厦门市美亚柏科信息股份有限公司 | 一种无监督的人脸图像二次聚类方法、装置、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110069989B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069989A (zh) | 人脸图像处理方法及装置、计算机可读存储介质 | |
Zou et al. | Df-net: Unsupervised joint learning of depth and flow using cross-task consistency | |
Zhou et al. | Moving indoor: Unsupervised video depth learning in challenging environments | |
Yang et al. | A constant-space belief propagation algorithm for stereo matching | |
Eder et al. | Pano popups: Indoor 3d reconstruction with a plane-aware network | |
Lu et al. | Patch match filter: Efficient edge-aware filtering meets randomized search for fast correspondence field estimation | |
US10991150B2 (en) | View generation from a single image using fully convolutional neural networks | |
WO2022078041A1 (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
Wang et al. | Laplacian pyramid adversarial network for face completion | |
JP2020513124A (ja) | 仮想3次元深層ニューラルネットワークを利用する画像解析装置及び方法 | |
CN109684969B (zh) | 凝视位置估计方法、计算机设备及存储介质 | |
JP7376720B2 (ja) | 画像データ検出方法及び装置並びにコンピュータ装置及びプログラム | |
CN110023989B (zh) | 一种素描图像的生成方法及装置 | |
Seo et al. | Mixnerf: Modeling a ray with mixture density for novel view synthesis from sparse inputs | |
CN104966290B (zh) | 一种基于sift描述子的自适应权重立体匹配方法 | |
Ummenhofer et al. | Point-based 3D reconstruction of thin objects | |
US20230362347A1 (en) | Real-Time Novel View Synthesis With Forward Warping And Depth | |
Zhang et al. | Joint voxel and coordinate regression for accurate 3d facial landmark localization | |
CN113112518A (zh) | 基于拼接图像的特征提取器生成方法、装置和计算机设备 | |
CN106295639A (zh) | 一种虚拟现实终端以及目标图像的提取方法和装置 | |
CN109948575A (zh) | 超声图像中眼球区域分割方法 | |
Su et al. | Efficient and accurate face alignment by global regression and cascaded local refinement | |
Chen et al. | Costformer: Cost transformer for cost aggregation in multi-view stereo | |
US20200036961A1 (en) | Constructing a user's face model using particle filters |
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 |