CN110097021B - 基于mtcnn的人脸姿态估计方法 - Google Patents

基于mtcnn的人脸姿态估计方法 Download PDF

Info

Publication number
CN110097021B
CN110097021B CN201910389666.3A CN201910389666A CN110097021B CN 110097021 B CN110097021 B CN 110097021B CN 201910389666 A CN201910389666 A CN 201910389666A CN 110097021 B CN110097021 B CN 110097021B
Authority
CN
China
Prior art keywords
face
human face
calculating
pose estimation
face 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.)
Expired - Fee Related
Application number
CN201910389666.3A
Other languages
English (en)
Other versions
CN110097021A (zh
Inventor
于力
肖芳
邹见效
徐红兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910389666.3A priority Critical patent/CN110097021B/zh
Publication of CN110097021A publication Critical patent/CN110097021A/zh
Application granted granted Critical
Publication of CN110097021B publication Critical patent/CN110097021B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于MTCNN的人脸姿态估计方法，首先对待进行姿态估计的人脸图像进行预处理，然后使用MTCNN模型对预处理后的人脸图像进行人脸检测，标定出关键点，根据左眼和右眼的坐标计算得到仿射矩阵，进行人脸对齐，对对齐后的人脸图像进行裁剪，并归一化到预设尺寸，然后根据图像几何中心和左眼、右眼的相对位置和几何关系计算得到人脸姿态的偏转角度，得到人脸姿态估计结果。经实验证明，本发明可以有效提高人脸姿态估计准确率。

Description

基于MTCNN的人脸姿态估计方法
技术领域
本发明属于姿态估计技术领域，更为具体地讲，涉及一种基于MTCNN的人脸姿态估计方法。
背景技术
人脸姿态估计是通过对一张人脸图像进行分析，推断人脸的姿态(包括方向和角度)情况。姿态估计是多姿态问题(特别是姿态变化较大的情况下)中较为关键的步骤。人脸的姿态变化通常包括上下俯仰(pitch)、左右旋转(yaw)以及平面内角度旋转(roll)。因此，姿态估计在多姿态人脸的识别算法中具有巨大的现实意义和实用价值。
目前，人脸姿态估计的方法有很多，大致可以分为：(1)基于特征回归的方法：其核心将人脸图像从图像空间映射到姿态空间。该方法的实时性高且在人脸的姿态估计上准确率也较高，但是对头部定位的结果不具有鲁棒性，需要先检测人脸；(2)基于脸部关键几何关系的方法：通过对人脸关键点的定位，提取关键点的位置信息从而实现姿态估计。该方法简单可靠，在姿态估计的准确率高且计算时间较少；(3)基于形状模板的方法：这类方法主要是先根据先验知识来建立形状模板，通过对人脸主要面部器官的定位来匹配模板，通过模板的变化来估计人脸的姿态信息。虽然这类方法简单容易实施，但是姿态估计的准确率较差且计算复杂效率较低；(4)基于分类的方法：该方法主要是利用常见的分类器如支持向量机、神经网络等模型对图像进行机器学习，从而获得姿态信息来进行分类。总的来说，以上方法均存在着姿态估计耗时较长且准确率不高的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于MTCNN(Multi-taskconvolutional neural network，多任务卷积神经网络)的人脸姿态估计方法，提高人脸姿态估计的准确度。
为实现上述发明目的，本发明基于MTCNN的人脸姿态估计方法包括以下步骤：
S1：对待进行姿态估计的人脸图像进行预处理，包括灰度归一化、降噪处理；
S2：使用MTCNN模型对步骤S1预处理后的人脸图像进行人脸检测，标定出双眼、鼻尖、左右嘴角五个关键点，记左眼的位置坐标为(x1,y1)，右眼的位置为(x2,y2)；
S3：计算左眼和右眼的中心点坐标(xc,yc)：
Figure BDA0002056058900000021
左右眼关键点之间的角度：
Figure BDA0002056058900000022
计算得到仿射矩阵F：
Figure BDA0002056058900000023
采用以上仿射矩阵F进行人脸对齐，对对齐后的人脸图像进行裁剪，并归一化到预设尺寸M×N；
S4：根据归一化后的人脸图像尺寸，计算得到人脸图像几何中心E：
Figure BDA0002056058900000024
根据左眼和右眼的坐标计算得到左右眼之间的距离D：
Figure BDA0002056058900000025
计算左眼和右眼到几何中心的距离E1和E2分别为：
Figure BDA0002056058900000026
Figure BDA0002056058900000027
根据以下公式得到人脸姿态的偏转角度
Figure BDA0002056058900000028
得到人脸姿态估计结果：
Figure BDA0002056058900000031
本发明基于MTCNN的人脸姿态估计方法，首先对待进行姿态估计的人脸图像进行预处理，然后使用MTCNN模型对预处理后的人脸图像进行人脸检测，标定出关键点，根据左眼和右眼的坐标计算得到仿射矩阵，进行人脸对齐，对对齐后的人脸图像进行裁剪，并归一化到预设尺寸，然后根据图像几何中心和左眼、右眼的相对位置和几何关系计算得到人脸姿态的偏转角度，得到人脸姿态估计结果。经实验证明，本发明可以有效提高人脸姿态估计准确率。
附图说明
图1是本发明基于MTCNN的人脸姿态估计方法的具体实施方式流程图；
图2是本实施例中基于MTCNN模型进行人脸检测的示例图；
图3是本实施例中本发明和两种对比方法的分类准确率随样本数量变化的对比曲线图；
图4是本实施例中本发明和两种对比方法的平均绝对误差值随样本数量变化的对比曲线图；
图5是本实施例中本发明和两种对比方法的分类准确率随偏转角度变化的对比曲线图；
图6是本实施例中本发明和两种对比方法的平均绝对误差值随偏转角度变化的对比曲线图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于MTCNN的人脸姿态估计方法的具体实施方式流程图。如图1所示，本发明基于MTCNN的人脸姿态估计方法的具体步骤包括：
S101：人脸图像预处理：
为了更好地检测出人脸关键点的有效位置，对待进行姿态估计的人脸图像进行预处理，包括灰度归一化、降噪处理，具体方法可以根据实际需要确定。
S102：人脸关键点检测：
使用MTCNN模型对步骤S101预处理后的人脸图像进行人脸检测，标定出双眼、鼻尖、左右嘴角五个关键点。本发明仅需采用左眼和右眼的位置来进行姿态估计，记左眼的位置坐标为(x1,y1)，右眼的位置为(x2,y2)。图2是本实施例中基于MTCNN模型进行人脸检测的示例图。如图2所示，MTCNN模型可以较为准确地获取人脸关键点。
S103：人脸对齐：
为了获取到更精确的定位，在进行MTCNN人脸检测后，需要对图像进行仿射变换，输出对齐后的人脸图像，其具体方法如下：
计算左眼和右眼的中心点坐标(xc,yc)：
Figure BDA0002056058900000041
左右眼关键点之间的角度：
Figure BDA0002056058900000042
计算得到仿射矩阵F：
Figure BDA0002056058900000043
采用以上仿射矩阵F进行人脸对齐，对对齐后的人脸图像进行裁剪，并归一化到预设尺寸M×N。
S104：计算人脸姿态偏转角度：
根据归一化后的人脸图像尺寸，计算得到人脸图像几何中心E：
Figure BDA0002056058900000044
根据左眼和右眼的坐标计算得到左右眼之间的距离D：
Figure BDA0002056058900000045
计算左眼和右眼到几何中心的距离E1和E2分别为：
Figure BDA0002056058900000051
Figure BDA0002056058900000052
根据几何关系得到人脸姿态的偏转角度
Figure BDA0002056058900000053
Figure BDA0002056058900000054
为了更好地说明本发明的技术效果，采用一组具体的人脸图像样本对本发明进行实验验证。对于图2所示的6个不同角度的人脸图像，采用本发明所得到的偏转角度分别为-30.28°、30.56°、15.22°、46.03°、-15.34°、-62.33°，和人脸图像样本本身所标注的偏转角度进行比较可知，本发明所得到的人脸姿态估计结果较为准确。
为了说明本发明的技术优势，采用基于PCA的姿态估计方法(记为PCA)和基于Adaboost的人脸特征三角形姿态估计方法(记为Adaboost)作为对比方法，和本发明(记为MTCNN)的人脸姿态估计结果进行对比。在进行对比时选用人脸姿态估计的分类准确率(Accuracy)以及角度估计的平均绝对误差值(MAE)作为评判指标，两种评判指标的计算公式如下：
Figure BDA0002056058900000055
其中，ntrue表示所有姿态分类正确的样本数量，N表示总的测试样本数量。
Figure BDA0002056058900000056
其中，d′i表示第i张图像的估计姿态角度，而di表示第i张图像的真实姿态角度。
首先采用本发明和两种对比方法对不同样本量的同一偏转角度的人脸图像样本进行姿态估计，统计得到评判指标。图3是本实施例中本发明和两种对比方法的分类准确率随样本数量变化的对比曲线图。如图3所示，随着人脸图像样本数量的增加，三种方法的准确率相差较大，随着样本数量的增多，其准确率的变化并不大，基于PCA的姿态估计方法的平均准确率为75.11％，基于Adaboost的人脸特征三角形姿态估计方法的平均准确率为81.44％，而本发明的平均准确率可以达到95％。
图4是本实施例中本发明和两种对比方法的平均绝对误差值随样本数量变化的对比曲线图。如图4所示，本发明所得到的人脸姿态的偏转角度与真实角度相差不大，其平均绝对误差为1.13°，而基于PCA的姿态估计方法的误差为10.23°，基于Adaboost的人脸特征三角形姿态估计方法的平均绝对误差为5.97°。
接下针对同样的测试样本对本发明和两种对比方法进行对比实验。本次实验中采用50个人脸图像测试样本，将50个测试样本的姿态固定在-90°,-75°,-60°,-45°,-30°,-15°,0°,15°,30°,45°,60°,75°,90°以内。图5是本实施例中本发明和两种对比方法的分类准确率随偏转角度变化的对比曲线图。图5中横坐标选取了13种姿态角度。如图5所示，三种方法针对正面的姿态估计都有很好的效果，但当人脸的偏转角度过大，如出现侧脸的时候，由于面部关键点的特征点的定位不准确，导致姿态估计的效果均不如小角度偏转的姿态估计。但本发明方法对13种角度的估计准确率可以达到91.38％，依旧在整体的分类准确率上高于两种对比方法。
图6是本实施例中本发明和两种对比方法的平均绝对误差值随偏转角度变化的对比曲线图。如图6所示，三种方法对于标准正面人脸的姿态估计均较为准确，当人脸的偏转角度过大，如出现侧脸的时候，平均绝对误差均有提升。本发明方法在13种不同角度下其平均绝对误差仅仅为1.33，而基于PCA的姿态估计方法的平均绝对误差为8.22，基于Adaboost的人脸特征三角形姿态估计方法的平均绝对误差为5.97。
基于对比实验结果可知，本发明所提出的基于MTCNN的人脸姿态估计方法可以有效提高人脸姿态估计的准确度。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于MTCNN的人脸姿态估计方法，其特征在于，包括以下步骤：
S1：对待进行资态估计的人脸图像进行预处理，包括灰度归一化、降噪处理；
S2：使用MTCNN模型对步骤S1预处理后的人脸图像进行人脸检测，标定出双眼、鼻尖、左右嘴角五个关键点，记左眼的位置坐标为(x1,y1)，右眼的位置为(x2,y2)；
S3：计算左眼和右眼的中心点坐标(xc,yc)：
Figure FDA0003661253940000011
左右眼关键点之间的角度：
Figure FDA0003661253940000012
计算得到仿射矩阵F：
Figure FDA0003661253940000013
采用以上仿射矩阵F进行人脸对齐，对对齐后的人脸图像进行裁剪，并归一化到预设尺寸M×N；
S4：根据归一化后的人脸图像尺寸，计算得到人脸图像几何中心E：
Figure FDA0003661253940000014
根据左眼和右眼的坐标计算得到左右眼之间的距离D：
Figure FDA0003661253940000015
计算左眼和右眼到几何中心的距离E1和E2分别为：
Figure FDA0003661253940000016
Figure FDA0003661253940000017
根据以下公式得到人脸姿态的偏转角度
Figure FDA0003661253940000018
得到人脸姿态估计结果：
Figure FDA0003661253940000021
CN201910389666.3A 2019-05-10 2019-05-10 基于mtcnn的人脸姿态估计方法 Expired - Fee Related CN110097021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910389666.3A CN110097021B (zh) 2019-05-10 2019-05-10 基于mtcnn的人脸姿态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910389666.3A CN110097021B (zh) 2019-05-10 2019-05-10 基于mtcnn的人脸姿态估计方法

Publications (2)

Publication Number Publication Date
CN110097021A CN110097021A (zh) 2019-08-06
CN110097021B true CN110097021B (zh) 2022-09-06

Family

ID=67447737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910389666.3A Expired - Fee Related CN110097021B (zh) 2019-05-10 2019-05-10 基于mtcnn的人脸姿态估计方法

Country Status (1)

Country Link
CN (1) CN110097021B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765852B (zh) * 2019-09-09 2022-06-14 珠海格力电器股份有限公司 一种获取图像中人脸方向的方法及装置
CN111209867A (zh) * 2020-01-08 2020-05-29 上海商汤临港智能科技有限公司 一种表情识别方法及装置
CN111259739B (zh) * 2020-01-09 2022-02-15 浙江工业大学 一种基于3d人脸关键点和几何投影的人脸姿态估计方法
CN113283271A (zh) * 2020-02-20 2021-08-20 深圳爱酷智能科技有限公司 虹膜自动捕捉方法、装置、计算机可读存储介质及设备
CN112699784A (zh) * 2020-12-29 2021-04-23 深圳市普渡科技有限公司 一种人脸朝向估计方法、装置、电子设备及存储介质
CN115240249B (zh) * 2022-07-07 2023-06-06 湖北大学 人脸识别的特征提取分类度量学习方法、***及存储介质
CN115798011A (zh) * 2022-12-05 2023-03-14 中远海运散货运输有限公司 人脸图像筛选方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561710A (zh) * 2009-05-19 2009-10-21 重庆大学 一种基于人脸姿态估计的人机交互方法
CN102799871A (zh) * 2012-07-13 2012-11-28 Tcl集团股份有限公司 一种人脸跟踪识别的方法
CN103605965A (zh) * 2013-11-25 2014-02-26 苏州大学 一种多姿态人脸识别方法和装置
CN105893981A (zh) * 2016-04-28 2016-08-24 湖南大学 一种人脸姿态矫正方法
CN107122054A (zh) * 2017-04-27 2017-09-01 青岛海信医疗设备股份有限公司 一种人脸偏转角度和俯仰角度的检测方法和装置
CN107609512A (zh) * 2017-09-12 2018-01-19 上海敏识网络科技有限公司 一种基于神经网络的视频人脸捕捉方法
CN108764041A (zh) * 2018-04-25 2018-11-06 电子科技大学 用于下部遮挡人脸图像的人脸识别方法
CN108875479A (zh) * 2017-08-15 2018-11-23 北京旷视科技有限公司 人脸图像的获取方法及装置
CN109241822A (zh) * 2018-07-13 2019-01-18 上海斐讯数据通信技术有限公司 一种基于mtcnn的多方位人脸检测方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4946730B2 (ja) * 2007-08-27 2012-06-06 ソニー株式会社 顔画像処理装置及び顔画像処理方法、並びにコンピュータ・プログラム
US10360494B2 (en) * 2016-11-30 2019-07-23 Altumview Systems Inc. Convolutional neural network (CNN) system based on resolution-limited small-scale CNN modules
CN107729838A (zh) * 2017-10-12 2018-02-23 中科视拓（北京）科技有限公司 一种基于深度学习的头部姿态估算方法
CN108197547B (zh) * 2017-12-26 2019-12-17 深圳云天励飞技术有限公司 人脸姿态估计方法、装置、终端及存储介质
CN108304829B (zh) * 2018-03-08 2020-03-06 北京旷视科技有限公司 人脸识别方法、装置及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561710A (zh) * 2009-05-19 2009-10-21 重庆大学 一种基于人脸姿态估计的人机交互方法
CN102799871A (zh) * 2012-07-13 2012-11-28 Tcl集团股份有限公司 一种人脸跟踪识别的方法
CN103605965A (zh) * 2013-11-25 2014-02-26 苏州大学 一种多姿态人脸识别方法和装置
CN105893981A (zh) * 2016-04-28 2016-08-24 湖南大学 一种人脸姿态矫正方法
CN107122054A (zh) * 2017-04-27 2017-09-01 青岛海信医疗设备股份有限公司 一种人脸偏转角度和俯仰角度的检测方法和装置
CN108875479A (zh) * 2017-08-15 2018-11-23 北京旷视科技有限公司 人脸图像的获取方法及装置
CN107609512A (zh) * 2017-09-12 2018-01-19 上海敏识网络科技有限公司 一种基于神经网络的视频人脸捕捉方法
CN108764041A (zh) * 2018-04-25 2018-11-06 电子科技大学 用于下部遮挡人脸图像的人脸识别方法
CN109241822A (zh) * 2018-07-13 2019-01-18 上海斐讯数据通信技术有限公司 一种基于mtcnn的多方位人脸检测方法及***

Also Published As

Publication number Publication date
CN110097021A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
CN110097021B (zh) 基于mtcnn的人脸姿态估计方法
Cao et al. A vector-based representation to enhance head pose estimation
CN108549873B (zh) 三维人脸识别方法和三维人脸识别***
CN107506693B (zh) 畸变人脸图像校正方法、装置、计算机设备和存储介质
Asthana et al. Fully automatic pose-invariant face recognition via 3D pose normalization
JP4946730B2 (ja) 顔画像処理装置及び顔画像処理方法、並びにコンピュータ・プログラム
US8055028B2 (en) Object pose normalization method and apparatus and object recognition method
US9117111B2 (en) Pattern processing apparatus and method, and program
EP1496466B1 (en) Face shape recognition from stereo images
US20150302240A1 (en) Method and device for locating feature points on human face and storage medium
US20200211220A1 (en) Method for Identifying an Object Instance and/or Orientation of an Object
CN107016319B (zh) 一种特征点定位方法和装置
KR20100094560A (ko) 얼굴 자세 추정 장치, 얼굴 자세 추정 방법 및 얼굴 자세 추정 프로그램
CN111259739B (zh) 一种基于3d人脸关键点和几何投影的人脸姿态估计方法
CN113011401B (zh) 人脸图像姿态估计和校正方法、***、介质及电子设备
CN112101247B (zh) 一种人脸姿态估计方法、装置、设备及存储介质
CN112836566A (zh) 针对边缘设备的多任务神经网络人脸关键点检测方法
CN114360041A (zh) 基于关键点检测和头部姿态的疲劳状态检测方法及***
CN108711175B (zh) 一种帧间信息导向的头部姿态估计优化方法
CN111275702A (zh) 一种基于卷积神经网络的回环检测方法
Li et al. Head pose classification based on line portrait
CN115171223A (zh) 基于无约束动态时间规划在线签名鉴别方法及***
CN113111849B (zh) 人体关键点检测方法、装置、***与计算机可读介质
Jin et al. Review of methods applying on facial alignment
CN112766037B (zh) 基于最大似然估计法的3d点云目标识别和定位方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220906

CF01 Termination of patent right due to non-payment of annual fee