CN112101127B - 人脸脸型的识别方法、装置、计算设备及计算机存储介质 - Google Patents
人脸脸型的识别方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112101127B CN112101127B CN202010849002.3A CN202010849002A CN112101127B CN 112101127 B CN112101127 B CN 112101127B CN 202010849002 A CN202010849002 A CN 202010849002A CN 112101127 B CN112101127 B CN 112101127B
- Authority
- CN
- China
- Prior art keywords
- face
- key point
- coordinates
- point coordinates
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010606 normalization Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 abstract description 17
- 210000001061 forehead Anatomy 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 210000000216 zygoma Anatomy 0.000 description 5
- 241000272814 Anser sp. Species 0.000 description 4
- 210000005252 bulbus oculi Anatomy 0.000 description 4
- 210000000697 sensory organ Anatomy 0.000 description 4
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及人脸识别技术领域,公开了一种人脸脸型的识别方法,该方法包括:获取待识别人脸图像;确定所述待识别人脸图像中的正脸关键点坐标;对所述正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标;计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离;根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型。通过上述方式,本发明实施例实现了脸型识别。
Description
技术领域
本发明实施例涉及人脸识别技术领域,具体涉及一种人脸脸型的识别方法、装置、计算设备及计算机存储介质。
背景技术
随着人们生活水平的提高,很多人越来越关注个人形象,想要知道自己的脸型以选择合适的发型、妆容等。
现有技术中常见的脸型识别方法是通过五官之间的距离或角度,并按照设定的规则判断脸型。在脸型种类划分越来越精细时,不同脸型对应的五官之间的距离相似,导致识别精度低。
发明内容
鉴于上述问题,本发明实施例提供了一种人脸脸型的识别方法、装置、计算设备及计算机存储介质,用于解决现有技术中存在的人脸脸型识别精度低的问题。
根据本发明实施例的一个方面,提供了一种人脸脸型的识别方法,所述方法包括:
获取待识别人脸图像;
确定所述待识别人脸图像中的正脸关键点坐标;
对所述正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标;
计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离;
根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型。
在一种可选的方式中,所述确定所述待识别人脸图像中的正脸关键点坐标,进一步包括:
提取所述待识别人脸图像中的人脸关键点坐标;
根据目标人脸关键点坐标计算人脸旋转角度;其中,所述目标人脸关键点坐标为在正脸关键点中相互对称的两个关键点的坐标;
根据所述人脸旋转角度对所述人脸关键点坐标进行调整,得到所述正脸关键点坐标。
在一种可选的方式中,所述对所述正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标,包括:
计算所述正脸关键点坐标中的人脸轮廓关键点坐标的平均值,得到所述人脸中心坐标;
根据所述人脸中心坐标对所述人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标。
在一种可选的方式中,所述根据所述人脸中心坐标对所述人脸轮廓关键点坐标进行归一化,包括:
计算所述人脸轮廓关键点坐标与所述人脸中心坐标的距离的平均值,得到归一化参数;
计算所述人脸轮廓关键点坐标与所述归一化参数的比值,得到所述归一化人脸轮廓关键点坐标。
在一种可选的方式中,所述计算所述人脸轮廓关键点坐标与所述人脸中心坐标的距离的平均值,得到归一化参数,包括:
按照所述人脸中心点坐标到坐标原点的方向将所述人脸轮廓关键点坐标平移,得到平移人脸轮廓关键点坐标;
计算所述平移人脸轮廓关键点坐标与所述坐标原点之间的距离的平均值,得到归一化参数。
在一种可选的方式中,所述计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离,包括:
计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的豪斯多夫距离,得到所述相似距离。
在一种可选的方式中,所述根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型,包括:
将最小相似距离对应的标准脸型作为所述待识别人脸图像对应的候选脸型;
根据所述正脸关键点坐标计算所述待识别人脸图像中预设部位的长度值;
确定所述候选脸型中所述预设部位的长度值是否与所述待识别人脸图像中所述预设部位的长度值匹配;
若匹配,则将所述候选脸型确定为所述待识别人脸图像对应的脸型;
若不匹配,则确定标准脸型中是否存在与所述待识别人脸图像中预设部位的长度值匹配的目标标准脸型;
若存在,则将所述目标标准脸型确定为所述待识别人脸图像对应的脸型;
若不存在,则将所述候选脸型确定为所述待识别人脸图像对应的脸型。
根据本发明实施例的另一方面,提供了一种人脸脸型的识别装置,包括:
获取模块,用于获取待识别人脸图像;
第一确定模块,用于确定所述待识别人脸图像中的正脸关键点坐标;
归一化模块,用于对所述平移人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标;
计算模块,用于计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离;
第二确定模块,用于根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述的一种人脸脸型的识别方法对应的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使计算设备/装置执行上述的一种人脸脸型的识别方法对应的操作。
本发明实施例获取待识别人脸图像中的正脸关键点坐标,对正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,根据归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离确定待识别人脸图像对应的脸型。归一化人脸轮廓关键点坐标的维度相同,避免了人脸在待识别人脸图像中的大小对相似距离的计算结果的影响。此外,归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离可以反映待识别人脸图像中的人脸脸型和标准脸型之间的相似度,即使在脸型种类划分精细的情况下,根据相似距离也能够准确识别出与待识别人脸图像中的人脸脸型最相似的标准脸型,识别精度高。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种人脸脸型的识别方法的流程示意图;
图2示出了本发明实施例提供的一种人脸脸型的识别方法中脸部关键点的示意图;
图3示出了本发明另一实施例提供的一种人脸脸型的识别方法中脸型的确定流程示意图;
图4示出了本发明实施例提供的一种人脸脸型的识别装置的功能框图;
图5示出了本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明实施例的一种人脸脸型的识别方法的流程图。如图1所示,该方法包括以下步骤:
步骤110:获取待识别人脸图像。
在本步骤中,待识别人脸图像是包括脸部的图像。待识别人脸图像中除了脸部图像,还可以包括其他部位的图像,例如,脖子、肩膀等。根据本发明实施例的应用场景,可以通过不同方式获取待识别人脸图像。例如,当本发明实施例应用于智能终端设备上的美妆APP等,可以通过智能终端设备上的图像采集装置(如相机)采集待识别人脸图像,并将该待识别人脸图像传输至智能终端的处理器中,以使处理器获取待识别人脸图像。在另外一些实施例中,待识别人脸图像可以是预先存储在脸型识别设备中的图像,例如,网络图像。在这种场景下,可以直接从脸型识别设备的存储模块中获取待识别人脸图像。
本步骤中获取的待识别人脸图像的尺寸为预设尺寸值。本发明实施例并不限定预设尺寸值的具体数值,例如,在一种具体实施方式中,预设尺寸值为(600,800)。如果获取的人脸图像的尺寸不是预设尺寸值,则按比例对该人脸图像的尺寸进行调整,以将该人脸图像的尺寸调整为预设尺寸。例如,人脸图像的尺寸为(a1,b1),预设尺寸值为(a,b),则将人脸图像的长和宽分别按比例缩放a/a1和b/b1,将人脸图像调整为预设尺寸值。
步骤120:确定待识别人脸图像中的正脸关键点坐标。
在本步骤中,待识别人脸图像中的正脸关键点坐标是通过人脸关键点定位模型确定的。本发明实施例并不限定人脸关键点定位模型的具体类型,例如,人脸关键点定位模型可以为主动外观模型(active appearance models,AAMS)、约束局部模型(constrainedlocal models,CLMs)等。在通过人脸关键点定位模型对待识别人脸图像中的脸部进行关键点定位后,得到脸部的关键点,每一个关键点通过一个关键点坐标表示。脸部关键点包括人脸轮廓关键点和五官关键点,本发明实施例并不限定得到的脸部关键点坐标的形式及数量。例如,在一种具体的实施方式中,得到的脸部关键点如图2所示。在图2中,脸部关键点共127个,分别用于描述脸部轮廓和五官。
在一些实施例中,待识别人脸图像中的脸部为正脸,通过人脸关键点定位模型得到的关键点即为正脸关键点。
在另外一些实施例中,待识别人脸图像中的脸部可能有不同程度的旋转,通过人脸关键点定位模型得到的关键点并不是正脸关键点。在这种情况下,根据人脸旋转角度对人脸关键点定位模型得到的人脸关键点坐标进行调整,得到正脸关键点坐标。具体的,根据人脸关键点定位模型提取人脸关键点坐标后,根据人脸关键点坐标中的目标人脸关键点坐标计算人脸旋转角度。其中,目标人脸关键点坐标为正脸关键点中相互对称的两个关键点坐标,本发明实施例并不限定具体关键点位置。例如,目标人脸关键点坐标可以为左嘴角关键点坐标和右嘴角关键点坐标,也可以为左眼球关键点坐标和右眼球关键点坐标。以左眼球关键点坐标(xl,yl)和右眼球关键点坐标(xr,yr)为目标人脸关键点坐标为例,人脸旋转角度对人脸关键点坐标中的任意一个关键点坐标(xi,yi)根据人脸旋转角度进行调整,得到相应的正脸关键点坐标为(xi、,yi、),其中,xi'=xicosθ-yisinθ,yi'=xisinθ+yicosθ。
步骤130:对正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标。
在本步骤中,待识别人脸图像中的人脸大小可能不同,对正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,以去除人脸大小对脸型识别的影响。在一种具体的实施方式中,根据正脸关键点坐标中的人脸轮廓关键点坐标确定人脸中心坐标。例如,人脸轮廓关键点坐标包括(x1,y1)、(x2,y2)...(xn,yn),则人脸中心坐标为(xc,yc),其中,计算人脸轮廓关键点坐标与人脸中心坐标之间的距离的平均值,得到归一化参数。用r表示归一化参数,则/>计算人脸轮廓关键点坐标与归一化参数的比值,得到归一化人脸轮廓关键点坐标。以任意一个人脸轮廓关键点坐标(xi,yi)为例,得到的归一化人脸轮廓关键点坐标为(xi *,yi *),其中,xi *=xi/r,yi *=yi/r。
在一些实施例中,在计算归一化参数时,按照人脸中心坐标到坐标原点的方向将人脸轮廓关键点坐标平移,得到平移人脸轮廓关键点坐标,计算平移人脸轮廓关键点坐标与坐标原点之间的距离的平均值,得到归一化参数。人脸中心坐标平移到坐标原点位置后,得到的平移人脸中心坐标即为原点坐标。人脸轮廓关键点坐标(xi,yi)平移后得到的平移人脸轮廓关键点坐标为(xi ^,yi ^),其中,xi ^=xi-xc,yi ^=yi-yc。根据平移人脸轮廓关键点得到的归一化参数r的计算公式为:通过平移简化了归一化参数的计算。
步骤140:计算归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离。
在本步骤中,标准脸型的归一化人脸轮廓关键点坐标按照上述步骤110~步骤130的方法计算得到。归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离用于表示待识别人脸图像和各标准脸型的相似度。在计算相似距离时,可以将归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标按照关键点对应关系分别计算距离,将各组相互对应的关键点之间的距离的均值作为相似距离,或者,将各组相互对应的关键点之间的距离的方差作为相似距离。
在另外一些实施例中,计算归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的豪斯多夫距离,得到相似距离。其中,豪斯多夫距离的计算公式为:H(A,B)=max(h(A,B),h(B,A)),其中,A=(a1,a2...an),B=(b1,b2,...bn),minb∈Ba-b表示b1~bn中距离A中的一个点a的最小距离,其中,点a表示a1~an中的任意一个点。为了描述方便,b1~bn中距离点ai的最小距离称为ai与B的距离。/>表示A中每一个点与B的距离之和,h(A,B)表示A中每一个点与B的距离之和的平均值。同样的,mina∈A||b-a||表示a1~an中距离B中的一个点b的最小距离,其中,点b表示b1~bn中的任意一个点。为了描述方便,a1~an中距离点bi的最小距离称为bi与A的距离。/>表示B中每一个点与A的距离之和,h(B,A)表示B中每一个点与A的距离之和的平均值。h(A,B)和h(B,A)中的最大值为归一化人脸轮廓关键点坐标和标准脸型的归一化人脸轮廓关键点坐标的相似距离。豪斯多夫距离可以衡量计算归一化人脸轮廓关键点中所有关键点和标准脸型的归一化人脸轮廓关键点中所有关键点之间的距离,通过这种方式得到的相似距离综合考虑了归一化人脸轮廓关键点中的每一个点和标准脸型的归一化人脸轮廓关键点中的每一个点的距离,避免了仅通过个别关键点之间的距离作为相似距离的随机性,因此,本发明实施例得到的相似距离更加准确。
步骤150:根据最小相似距离对应的标准脸型确定待识别人脸图像对应的脸型。
在本步骤中,将最小相似距离对应的标准脸型确定为待识别人脸图像对应的脸型。
本发明实施例获取待识别人脸图像中的正脸关键点坐标,对正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,根据归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离确定待识别人脸图像对应的脸型。归一化人脸轮廓关键点坐标的维度相同,避免了人脸在待识别人脸图像中的大小对相似距离的计算结果的影响。此外,归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离可以反映待识别人脸图像中的人脸脸型和标准脸型之间的相似度,即使在脸型种类划分精细的情况下,根据相似距离也能够准确识别出与待识别人脸图像中的人脸脸型最相似的标准脸型,识别精度高。
在另外一些实施例中,根据最小相似距离对应的标准脸型确定待识别人脸图像对应的脸型进一步包括如图3所示的以下步骤:
步骤210:将最小相似距离对应的标准脸型作为待识别人脸图像对应的候选脸型。
步骤220:根据正脸关键点坐标计算待识别人脸图像中预设部位的长度值。
在本步骤中,预设部位可以由本领域技术人员预先设置,本发明实施例并不对预设部位具体表征的人脸部位做限定。在一种具体的实施方式中,预设部位的长度值包括额头的长度值、颧骨的长度值、下颚的长度值和人脸整体长度值。在计算长度值时,选择人脸预设部位可以表征该预设部位长度的两个关键点坐标计算该预设部位长度值。例如,计算下颚长度值时,选择9号关键点和23号关键点对应的关键点坐标计算预设部位长度。假设9号关键点的坐标为(xq1,yq1),23号关键点的坐标为(xq2,yq2),则计算得到的下颚长度值为
在一些实施例中,选择至少两组关键点计算预设部位长度,每一组关键点中的两个关键点之间的距离均可以用于表征预设部位长度。例如,在计算额头长度值时,选择105号关键点和125号关键点作为一组关键点,计算得到第一额头长度值,选择106号关键点和124号关键点作为另一组关键点,计算得到第二额头长度值,将第一额头长度值和第二额头长度值的均值作为额头长度值。通过这种方式,避免选择一组关键点计算时的计算误差,提高了计算结果的准确性。
步骤230:确定候选脸型中预设部位的长度值是否与待识别人脸图像中预设部位的长度值匹配,若匹配,执行步骤240,否则执行步骤250。
在本步骤中,每一个标准脸型对应一组预设部位的长度值,候选脸型是任意一个标准脸型。在确定候选脸型中预设部位的长度值与待识别人脸图像中预设部位的长度值是否匹配时,根据预设的匹配规则确定是否匹配。匹配规则可以由本领域技术人员根据现有技术中医学上确定脸型依据的长度值进行设定。
在一种具体的实施方式中,预设部位的长度值包括额头的长度值、颧骨的长度值、下颚的长度值和人脸整体长度值。候选脸型为鹅蛋脸时,其对应的长度值满足:额头的长度值与下颚的长度值的比值在预设第一范围内,人脸整体长度值与颧骨的长度值满足预设第一倍数。预设范围和预设倍数可以根据历史统计的鹅蛋脸的长度值关系确定,例如,在一种具体的实施方式中,预设第一范围为[0.9,1.1],预设第一倍数为1.5。
候选脸型为圆脸时,其对应的长度值满足:额头的长度值与下颚的长度值的比例在预设第二范围内,人脸整体长度值与颧骨的长度值满足预设第二倍数。预设第二范围和预设第二倍数可以根据历史统计的圆脸的长度值关系确定,例如,在一种具体的实施方式中,预设第二范围为[0.9,1.1],预设第二倍数为1。
候选脸型为方形脸时,额头的长度值、下颚的长度值和人脸整体长度值三者的比例满足第一比例。第一比例可以根据历史统计的圆脸的长度值关系确定,例如,在一种具体的实施方式中,第一比例为1:1:1。
候选脸型为心形脸时,额头的长度值、颧骨的长度值和下颚的长度值依次递减。本发明实施例并不限定具体递减值。
应理解,上述长度值之间的关系可以允许存在一定的误差。例如,预设第一倍数为1.5,则在允许存在5%的误差时,如果实际第一倍数为1.43,则认为满足预设第一倍数。
步骤240:将候选脸型确定为待识别人脸图像对应的脸型。
在本步骤中,如果候选脸型中预设部位的长度值是否与待识别人脸图像中预设部位的长度值匹配,则确定候选脸型为待识别人脸图像对应的脸型。
步骤250:确定标准脸型中是否存在与待识别人脸图像中预设部位的长度值匹配的目标标准脸型,若存在,执行步骤260,否则,执行步骤270。
在本步骤中,如果候选脸型中预设部位的长度值与待识别人脸图像中预设部位的长度值不匹配,确定标准脸型中是否存在与待识别人脸图像中预设部位的长度值匹配的目标标准脸型。例如,候选脸型为鹅蛋脸,但是待识别人脸图像中预设部位的长度值与鹅蛋脸对应的预设部位的长度值不匹配。则确定在所有的标准脸型中是否存在与待识别人脸图像中预设部位的长度值匹配的目标标准脸型。
步骤260:将目标标准脸型确定为待识别人脸图像对应的脸型。
在本步骤中,如果存在目标标准脸型,则将目标标准脸型作为与待识别人脸图像对应的脸型。
步骤270:将候选脸型确定为待识别人脸图像对应的脸型。
在本步骤中,如果不存在目标标准脸型,则将候选脸型作为待识别人脸图像对应的脸型。
本发明实施例将最小相似距离对应的标准脸型作为候选脸型,根据预设部位的长度值与候选脸型的预设部位的长度值的匹配结果确定是否将候选脸型作为待识别人脸图像对应的脸型。通过上述方式,对最小相似距离得到的标准脸型进行了验证,避免最小相似距离计算结果的误差造成的脸型识别结果错误,进一步提高了脸型识别精度。
图4示出了本发明实施例的一种人脸脸型的识别装置的结构示意图。如图4所示,该装置包括:获取模块310、第一确定模块320、归一化模块330、计算模块340和第二确定模块350。获取模块310用于获取待识别人脸图像。第一确定模块320用于确定待识别人脸图像中的正脸关键点坐标。归一化模块330用于对平移人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标。计算模块340用于计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离。第二确定模块350用于根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型。
在一种可选的方式中,所述第一确定模块310进一步用于:
提取所述待识别人脸图像中的人脸关键点坐标;
根据目标人脸关键点坐标计算人脸旋转角度;其中,所述目标人脸关键点坐标为在正脸关键点中相互对称的两个关键点的坐标;
根据所述人脸旋转角度对所述人脸关键点坐标进行调整,得到所述正脸关键点坐标。
在一种可选的方式中,归一化模块330进一步用于:
计算所述正脸关键点坐标中的人脸轮廓关键点坐标的平均值,得到所述人脸中心坐标;
根据所述人脸中心坐标对所述人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标。
在一种可选的方式中,归一化模块330进一步用于:
计算所述人脸轮廓关键点坐标与所述人脸中心坐标的距离的平均值,得到归一化参数;
计算所述人脸轮廓关键点坐标与所述归一化参数的比值,得到所述归一化人脸轮廓关键点坐标。
在一种可选的方式中,归一化模块330进一步用于:
按照所述人脸中心点坐标到坐标原点的方向将所述人脸轮廓关键点坐标平移,得到平移人脸轮廓关键点坐标;
计算所述平移人脸轮廓关键点坐标与所述坐标原点之间的距离的平均值,得到归一化参数。
在一种可选的方式中,计算模块340进一步用于:
计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的豪斯多夫距离,得到所述相似距离。
在一种可选的方式中,第二确定模块350进一步用于:
将最小相似距离对应的标准脸型作为所述待识别人脸图像对应的候选脸型;
根据所述正脸关键点坐标计算所述待识别人脸图像中预设部位的长度值;
确定所述候选脸型中所述预设部位的长度值是否与所述待识别人脸图像中所述预设部位的长度值匹配;
若匹配,则将所述候选脸型确定为所述待识别人脸图像对应的脸型;
若不匹配,则确定标准脸型中是否存在与所述待识别人脸图像中预设部位的长度值匹配的目标标准脸型;
若存在,则将所述目标标准脸型确定为所述待识别人脸图像对应的脸型;
若不存在,则将所述候选脸型确定为所述待识别人脸图像对应的脸型。
本发明实施例获取待识别人脸图像中的正脸关键点坐标,对正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,根据归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离确定待识别人脸图像对应的脸型。归一化人脸轮廓关键点坐标的维度相同,避免了人脸在待识别人脸图像中的大小对相似距离的计算结果的影响。此外,归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离可以反映待识别人脸图像中的人脸脸型和标准脸型之间的相似度,即使在脸型种类划分精细的情况下,根据相似距离也能够准确识别出与待识别人脸图像中的人脸脸型最相似的标准脸型,识别精度高。
图5示出了本发明实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于人脸脸型的识别方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,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。
程序410具体可以被处理器402调用使计算设备执行图1中的步骤110~步骤150,图2中的步骤210~步骤270,或者用于实现图3中的模块310~模块350的功能。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在计算设备/装置上运行时,使得所述计算设备/装置执行上述任意方法实施例中的一种人脸脸型的识别方法对应的操作。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使计算设备执行上述任意方法实施例中的一种人脸脸型的识别方法对应的操作。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的一种人脸脸型的识别方法对应的操作。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (9)
1.一种人脸脸型的识别方法,其特征在于,所述方法包括:
获取待识别人脸图像;
确定所述待识别人脸图像中的正脸关键点坐标;
以人脸中心坐标对所述正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标;所述人脸中坐标为所述正脸关键点坐标中的人脸轮廓关键点坐标的平均值;
计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离;
根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型,包括:将最小相似距离对应的标准脸型作为所述待识别人脸图像对应的候选脸型;根据所述正脸关键点坐标计算所述待识别人脸图像中预设部位的长度值;确定所述候选脸型中所述预设部位的长度值是否与所述待识别人脸图像中所述预设部位的长度值匹配;若匹配,则将所述候选脸型确定为所述待识别人脸图像对应的脸型;若不匹配,则确定标准脸型中是否存在与所述待识别人脸图像中预设部位的长度值匹配的目标标准脸型;若存在,则将所述目标标准脸型确定为所述待识别人脸图像对应的脸型;若不存在,则将所述候选脸型确定为所述待识别人脸图像对应的脸型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待识别人脸图像中的正脸关键点坐标,进一步包括:
提取所述待识别人脸图像中的人脸关键点坐标;
根据目标人脸关键点坐标计算人脸旋转角度;其中,所述目标人脸关键点坐标为在正脸关键点中相互对称的两个关键点的坐标;
根据所述人脸旋转角度对所述人脸关键点坐标进行调整,得到所述正脸关键点坐标。
3.根据权利要求1所述的方法,其特征在于,所述以人脸中心坐标对所述正脸关键点坐标中的人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标,包括:
计算所述正脸关键点坐标中的人脸轮廓关键点坐标的平均值,得到人脸中心坐标;
根据所述人脸中心坐标对所述人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标。
4.根据权利要求3所述的方法,其特征在于,所述以人脸中心坐标根据所述人脸中心坐标对所述人脸轮廓关键点坐标进行归一化,包括:
计算所述人脸轮廓关键点坐标与所述人脸中心坐标的距离的平均值,得到归一化参数;
计算所述人脸轮廓关键点坐标与所述归一化参数的比值,得到所述归一化人脸轮廓关键点坐标。
5.根据权利要求4所述的方法,其特征在于,所述计算所述人脸轮廓关键点坐标与所述人脸中心坐标的距离的平均值,得到归一化参数,包括:
按照所述人脸中心点坐标到坐标原点的方向将所述人脸轮廓关键点坐标平移,得到平移人脸轮廓关键点坐标;
计算所述平移人脸轮廓关键点坐标与所述坐标原点之间的距离的平均值,得到归一化参数。
6.根据权利要求1所述的方法,其特征在于,所述计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离,包括:
计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的豪斯多夫距离,得到所述相似距离。
7.一种人脸脸型的识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别人脸图像;
第一确定模块,用于确定所述待识别人脸图像中的正脸关键点坐标;
归一化模块,用于以人脸中心坐标对所述平移人脸轮廓关键点坐标进行归一化,得到归一化人脸轮廓关键点坐标;所述人脸中坐标为所述正脸关键点坐标中的人脸轮廓关键点坐标的平均值;
计算模块,用于计算所述归一化人脸轮廓关键点坐标和各标准脸型的归一化人脸轮廓关键点坐标的相似距离;
第二确定模块,用于根据最小相似距离对应的标准脸型确定所述待识别人脸图像对应的脸型,包括:将最小相似距离对应的标准脸型作为所述待识别人脸图像对应的候选脸型;根据所述正脸关键点坐标计算所述待识别人脸图像中预设部位的长度值;确定所述候选脸型中所述预设部位的长度值是否与所述待识别人脸图像中所述预设部位的长度值匹配;若匹配,则将所述候选脸型确定为所述待识别人脸图像对应的脸型;若不匹配,则确定标准脸型中是否存在与所述待识别人脸图像中预设部位的长度值匹配的目标标准脸型;若存在,则将所述目标标准脸型确定为所述待识别人脸图像对应的脸型;若不存在,则将所述候选脸型确定为所述待识别人脸图像对应的脸型。
8.一种计算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6任意一项所述的一种人脸脸型的识别方法对应的操作。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在计算设备/装置上运行时,使得计算设备/装置执行如权利要求1-6任意一项所述的一种人脸脸型的识别方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849002.3A CN112101127B (zh) | 2020-08-21 | 2020-08-21 | 人脸脸型的识别方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849002.3A CN112101127B (zh) | 2020-08-21 | 2020-08-21 | 人脸脸型的识别方法、装置、计算设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101127A CN112101127A (zh) | 2020-12-18 |
CN112101127B true CN112101127B (zh) | 2024-04-30 |
Family
ID=73753921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010849002.3A Active CN112101127B (zh) | 2020-08-21 | 2020-08-21 | 人脸脸型的识别方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101127B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705393A (zh) * | 2021-08-16 | 2021-11-26 | 武汉大学 | 一种基于3d人脸模型的俯角人脸识别方法及*** |
CN114267068B (zh) * | 2021-12-24 | 2022-11-01 | 合肥的卢深视科技有限公司 | 基于连续帧信息的人脸识别方法、电子设备及存储介质 |
CN114267066B (zh) * | 2021-12-24 | 2022-11-01 | 合肥的卢深视科技有限公司 | 人脸识别方法、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339376A (zh) * | 2010-07-14 | 2012-02-01 | 上海一格信息科技有限公司 | 基于主动形状模型和k近邻算法的人脸脸型分类处理方法 |
CN106980840A (zh) * | 2017-03-31 | 2017-07-25 | 北京小米移动软件有限公司 | 脸型匹配方法、装置及存储介质 |
WO2018001092A1 (zh) * | 2016-06-29 | 2018-01-04 | 中兴通讯股份有限公司 | 一种人脸识别方法及装置 |
KR101943433B1 (ko) * | 2018-08-24 | 2019-01-29 | 전북대학교산학협력단 | 몽타주 인식을 통한 실시간 수배자 검출 시스템 |
WO2019090769A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳和而泰智能控制股份有限公司 | 一种人脸脸型识别方法、装置和智能终端 |
CN110751009A (zh) * | 2018-12-20 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、目标识别方法、装置和电子设备 |
CN111091055A (zh) * | 2019-11-13 | 2020-05-01 | 深圳数联天下智能科技有限公司 | 脸型识别方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-08-21 CN CN202010849002.3A patent/CN112101127B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339376A (zh) * | 2010-07-14 | 2012-02-01 | 上海一格信息科技有限公司 | 基于主动形状模型和k近邻算法的人脸脸型分类处理方法 |
WO2018001092A1 (zh) * | 2016-06-29 | 2018-01-04 | 中兴通讯股份有限公司 | 一种人脸识别方法及装置 |
CN106980840A (zh) * | 2017-03-31 | 2017-07-25 | 北京小米移动软件有限公司 | 脸型匹配方法、装置及存储介质 |
WO2019090769A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳和而泰智能控制股份有限公司 | 一种人脸脸型识别方法、装置和智能终端 |
KR101943433B1 (ko) * | 2018-08-24 | 2019-01-29 | 전북대학교산학협력단 | 몽타주 인식을 통한 실시간 수배자 검출 시스템 |
CN110751009A (zh) * | 2018-12-20 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、目标识别方法、装置和电子设备 |
CN111091055A (zh) * | 2019-11-13 | 2020-05-01 | 深圳数联天下智能科技有限公司 | 脸型识别方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
基于ASM和K近邻算法的人脸脸型分类;张倩;丁友东;蓝建梁;涂意;;计算机工程(第11期);全文 * |
基于主动形状模型和K近邻算法的人脸脸型分类;刘双成;蔡晓东;张力;毕伟伟;梁建勇;;桂林电子科技大学学报(第06期);全文 * |
基于主动形状模型的人脸脸型自动分类算法;杜立强;贾鹏;周宗潭;胡德文;;计算机应用(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101127A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101127B (zh) | 人脸脸型的识别方法、装置、计算设备及计算机存储介质 | |
US10068128B2 (en) | Face key point positioning method and terminal | |
CN107463865B (zh) | 人脸检测模型训练方法、人脸检测方法及装置 | |
CN112232117A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN108629336B (zh) | 基于人脸特征点识别的颜值计算方法 | |
US11449590B2 (en) | Device and method for user authentication on basis of iris recognition | |
US20160162673A1 (en) | Technologies for learning body part geometry for use in biometric authentication | |
TW201137768A (en) | Face recognition apparatus and methods | |
JP6071002B2 (ja) | 信頼度取得装置、信頼度取得方法および信頼度取得プログラム | |
CN109389018B (zh) | 一种人脸角度识别方法、装置及设备 | |
CN111881789B (zh) | 肤色识别方法、装置、计算设备及计算机存储介质 | |
WO2022257456A1 (zh) | 头发信息识别方法、装置、设备及存储介质 | |
US20200302218A1 (en) | Fast curve matching for tattoo recognition and identification | |
JP2006085685A (ja) | 顔を識別するシステムおよび方法 | |
CN111598038A (zh) | 脸部特征点检测方法、装置、设备及存储介质 | |
CN112686191B (zh) | 基于人脸三维信息的活体防伪方法、***、终端及介质 | |
WO2020164284A1 (zh) | 基于平面检测的活体识别方法、装置、终端及存储介质 | |
Samad et al. | Frenet frame-based generalized space curve representation for pose-invariant classification and recognition of 3-D face | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
US11803585B2 (en) | Method and apparatus for searching for an image and related storage medium | |
CN113128341A (zh) | 一种基于卷积神经网络的狗脸识别方法 | |
CN112102348A (zh) | 图像处理设备 | |
US11036968B2 (en) | Method and apparatus for pattern recognition | |
CN113705466A (zh) | 用于遮挡场景、尤其高仿遮挡下的人脸五官遮挡检测方法 | |
CN108288023B (zh) | 人脸识别的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |