CN113011303B - 一种基于偏振图像的面部特征确定方法及装置 - Google Patents
一种基于偏振图像的面部特征确定方法及装置 Download PDFInfo
- Publication number
- CN113011303B CN113011303B CN202110268650.4A CN202110268650A CN113011303B CN 113011303 B CN113011303 B CN 113011303B CN 202110268650 A CN202110268650 A CN 202110268650A CN 113011303 B CN113011303 B CN 113011303B
- Authority
- CN
- China
- Prior art keywords
- image
- facial features
- polarization image
- feature
- 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.)
- Active
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000010287 polarization Effects 0.000 claims abstract description 187
- 238000012545 processing Methods 0.000 claims abstract description 62
- 210000002615 epidermis Anatomy 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 210000004207 dermis Anatomy 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 11
- 231100000241 scar Toxicity 0.000 claims description 11
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 claims description 10
- 210000003462 vein Anatomy 0.000 claims description 10
- 230000002500 effect on skin Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 239000000049 pigment Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000003491 skin Anatomy 0.000 description 5
- 206010033675 panniculitis Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004304 subcutaneous tissue Anatomy 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000036548 skin texture Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供一种基于偏振图像的面部特征确定方法及装置。在该方法中,处理平台可以获取第一对象的正交偏振图像和平行偏振图像,该正交偏振图像和平行偏振图像在约定时刻分别采集,该平行偏振图像携带第一对象表皮层的特征,正交偏振图像携带第一对象表皮以内层的特征;然后,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像,并将所述叠加态图像输入特征提取模型中,得到预测面部特征,该预测面部特征包括表示第一对象表皮以内层中的色素块的特征,基于预测面部特征确定第一对象的面部特征。
Description
技术领域
本说明书一个或多个实施例涉及图像处理技术领域,尤其涉及一种基于偏振图像的面部特征确定方法及装置。
背景技术
在对人脸进行识别时,通常可以由摄像头采集人脸图像,并提取人脸图像的面部特征,基于该面部特征进行人脸识别,比如可以将该面部特征与特征库中预先存储的人脸特征进行比对,也可以对该面部特征进行进一步的识别,以判断当前的人脸图像是否为活体人脸,等等。在各种人脸识别应用中,面部特征提取得是否准确、稳定,是提高人脸识别准确性的关键技术。
因此,希望能有改进的方案,可以确定对象更加精准、独特、稳定的面部特征。
发明内容
本说明书一个或多个实施例描述了基于偏振图像的面部特征确定方法及装置,可以确定对象更加精准、独特、稳定的对象面部特征。具体的技术方案如下。
第一方面,实施例提供了一种基于偏振图像的面部特征确定方法,通过处理平台执行,所述方法包括:
获取第一对象的正交偏振图像和平行偏振图像,所述正交偏振图像和平行偏振图像在约定时刻分别采集;所述平行偏振图像携带所述第一对象表皮层的特征,所述正交偏振图像携带所述第一对象表皮以内层的特征;
基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像;
将所述叠加态图像输入特征提取模型中,得到预测面部特征;所述预测面部特征包括表示所述第一对象表皮以内层中的色素块的特征;
基于所述预测面部特征,确定所述第一对象的面部特征。
在一种实施方式中,所述表皮以内层为真皮层;所述正交偏振图像在设定光照强度下获取,所述设定光照强度用于使得图像采集设备采集到所述第一对象真皮层的特征。
在一种实施方式中,所述预测面部特征包括真皮层中以下色素块中的至少一种:黑色素块、疤痕块、浅表静脉块。
在一种实施方式中,所述基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像的步骤,包括:
将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,基于求差后图像确定叠加态图像。
在一种实施方式中,基于求差后图像确定叠加态图像的步骤具体包括:
将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求和,得到求和后图像;
基于所述求差后图像与所述求和后图像相同位置处对应像素之间的比值,确定叠加态图像。
在一种实施方式中,所述基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像的步骤,还包括:
将所述正交偏振图像和所述平行偏振图像分别转换成灰度图像;
在转换成灰度图像之后,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。
在一种实施方式中,所述基于所述预测面部特征,确定所述第一对象的面部特征的步骤,包括:
将所述预测面部特征直接确定为所述第一对象的面部特征。
在一种实施方式中,所述基于所述预测面部特征,确定所述第一对象的面部特征的步骤,包括:
基于所述预测面部特征与以下一种或两种特征的结合,确定所述第一对象的面部特征:
基于所述正交偏振图像确定的第一面部特征;
基于所述平行偏振图像确定的第二面部特征。
在一种实施方式中,所述特征提取模型采用以下方式进行训练:
获取样本对象的样本正交偏振图像和样本平行偏振图像,以及对应的标注标签;
基于所述样本正交偏振图像和样本平行偏振图像之间的图像差值处理,得到样本叠加态图像;
将所述样本叠加态图像输入特征提取模型中,得到所述样本对象的样本预测面部特征;
将所述样本预测面部特征输入分类器,得到预测标签;
基于所述预测标签与所述标注标签之间的差异,确定预测损失;
向减小所述预测损失的方向,调整所述特征提取模型。
在一种实施方式中,所述特征提取模型采用深度神经网络DNN、卷积神经网络CNN或循环神经网络RNN训练。
第二方面,实施例提供了一种基于偏振图像的面部识别方法,通过处理平台执行,所述方法包括:
获取待进行面部识别的第二对象的面部特征,所述第二对象的面部特征通过第一方面提供的方法确定;
将所述第二对象的面部特征与特征库中的多个面部特征进行比对,基于比对结果对所述第二对象进行识别;其中,所述特征库,用于存储多个对象的面部特征。
第三方面,实施例提供了一种基于偏振图像的面部特征确定装置,部署在处理平台中,所述装置包括:
图像获取模块,配置为,获取第一对象的正交偏振图像和平行偏振图像,所述正交偏振图像和平行偏振图像在约定时刻分别采集;所述平行偏振图像携带所述第一对象表皮层的特征,所述正交偏振图像携带所述第一对象表皮以内层的特征;
差值处理模块,配置为,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像;
特征提取模块,配置为,将所述叠加态图像输入特征提取模型中,得到预测面部特征;所述预测面部特征包括表示所述第一对象表皮以内层中的色素块的特征;
特征确定模块,配置为,基于所述预测面部特征,确定所述第一对象的面部特征。
在一种实施方式中,所述表皮以内层为真皮层;所述正交偏振图像在设定光照强度下获取,所述设定光照强度用于使得图像采集设备采集到所述第一对象真皮层的特征。
在一种实施方式中,所述预测面部特征包括真皮层中以下色素块中的至少一种:黑色素块、疤痕块、浅表静脉块。
在一种实施方式中,所述差值处理模块,具体配置为:
将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,基于求差后图像确定叠加态图像。
在一种实施方式中,所述差值处理模块,基于求差后图像确定叠加态图像时,包括:
将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求和,得到求和后图像;
基于所述求差后图像与所述求和后图像相同位置处对应像素之间的比值,确定叠加态图像。
在一种实施方式中,所述差值处理模块,还配置为:
将所述正交偏振图像和所述平行偏振图像分别转换成灰度图像;
在转换成灰度图像之后,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。
在一种实施方式中,所述特征确定模块,具体配置为:
将所述预测面部特征直接确定为所述第一对象的面部特征。
在一种实施方式中,所述特征确定模块,具体配置为:
基于所述预测面部特征与以下一种或两种特征的结合,确定所述第一对象的面部特征:
基于所述正交偏振图像确定的第一面部特征;
基于所述平行偏振图像确定的第二面部特征。
在一种实施方式中,该装置还包括模型训练模块,所述模型训练模块,配置为采用以下操作训练所述特征提取模型:
获取样本对象的样本正交偏振图像和样本平行偏振图像,以及对应的标注标签;
基于所述样本正交偏振图像和样本平行偏振图像之间的图像差值处理,得到样本叠加态图像;
将所述样本叠加态图像输入特征提取模型中,得到所述样本对象的样本预测面部特征;将所述样本预测面部特征输入分类器,得到预测标签;
基于所述预测标签与所述标注标签之间的差异,确定预测损失;
向减小所述预测损失的方向,调整所述特征提取模型。
在一种实施方式中,所述特征提取模型采用深度神经网络DNN、卷积神经网络CNN或循环神经网络RNN训练。
第四方面,实施例提供了一种基于偏振图像的面部识别装置,部署在处理平台中,所述装置包括:
特征获取模块,配置为,获取待进行面部识别的第二对象的面部特征,所述第二对象的面部特征通过第一方面提供的方法确定;
特征识别模块,配置为,将所述第二对象的面部特征与特征库中的多个面部特征进行比对,基于比对结果对所述第二对象进行识别;其中,所述特征库,用于存储多个对象的面部特征。
第五方面,实施例提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面和第二方面中任一项所述的方法。
第六方面,实施例提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面和第二方面中任一项所述的方法。
根据本说明书实施例提供的方法及装置,可以获取对象的正交偏振图像和平行偏振图像,得到叠加态图像,由于正交偏振图像携带对象表皮层的特征,平行偏振图像携带对象表皮以内层的特征,基于正交偏振图像和平行偏振图像之间的图像差值处理而得到的叠加态图像,则包含了表皮以内层中除去表皮层特征以外的色素块特征,这种特征更加精准和独特,并且不受表皮层特征的影响,更加稳定,不受外界环境变化的影响,也不受人脸表皮层变化的影响。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本说明书披露的一个实施例的实施场景示意图;
图2为实施例提供的一种基于偏振图像的面部特征确定方法的流程示意图;
图3a为正交偏振图像、无偏振图像和平行偏振图像的一种对比示意图;
图3b为正交偏振图像、平行偏振图像、叠加态图像的一种对比示意图;
图4为实施例提供的一种基于偏振图像的面部识别方法的流程示意图;
图5为实施例提供的一种基于偏振图像的面部特征确定装置的示意性框图;
图6为实施例提供的一种基于偏振图像的面部识别装置的示意性框图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。其中,光源的光线通过线偏振片1之后得到了线偏振光,线偏振光照射在某个对象面部,经过对象面部反射之后,分别进入图像采集设备1和图像采集设备2中。图像采集设备1镜头前设置有线偏振片2,其偏振方向与线偏振片1的偏振方向垂直,因此图像采集设备1采集得到的是该对象的正交偏振图像。图像采集设备2镜头前设置有线偏振片3,其偏振方向与线偏振片1的偏振方向平行,因此图像采集设备2采集得到的是该对象的平行偏振图像。
以上是分别采集得到某个对象的正交偏振图像和平行偏振图像的一种原理示意图,并不构成对本说明书的限定。在实际中可以采用各种具体的设备采集得到正交偏振图像和平行偏振图像,例如线偏振片2可以集成在图像采集设备1的镜头前方,线偏振片3可以集成在图像采集设备2的镜头前方,或者,图像采集设备1和图像采集设备2可以集成在同一个设备中;偏振片也可以替换为具有同等功能的偏振装置,等等。
在采集对象的正交偏振图像和平行偏振图像时,要保证两个图像在约定的时刻分别采集,以使得采集得到的正交偏振图像和平行偏振图像中对象的面部是同一姿势,例如,面部轮廓相同、面部表情相同、眼睛睁开的大小相同,等等。两个图像采集设备的镜头可以朝向同一图像采集区域,当检测到该图像采集区域中存在待采集对象时,两个图像采集设备可以同时对处于该图像采集区域中的对象进行面部图像采集。上述约定时刻可以是相差很小的两个时刻,例如约定时刻可以是相差时刻在微秒级的两个时刻。
在一般的人脸识别中,面部图像通常是在自然光或者非偏振光条件下采集得到的。也就是,照射到某个对象面部的光属于自然光或者非偏振光,或者图像采集设备中没有设置偏振片。针对这样的面部图像,通常可以检测其中的面部关键点,根据面部关键点之间的相对位置关系得到对象的面部特征。基于这种方式得到的面部特征进行面部识别,在不同对象的面部特征相差较大或者同一对象的面部特征变化不大时,能够较准确地实现面部识别。
在实际中,也会出现相似脸、化妆脸或者环境变化较大时采集的面部图像等等。为了更好地区分双胞胎脸、化妆与不化妆的人脸、带眼镜与不带眼镜人脸、眼镜有反光与没有反光的人脸、活体脸与照片脸等,本说明书实施例提供了一种基于偏振图像的面部特征确定方法及装置,旨在提取对象更加精准、独特、稳定的面部特征,基于这样的面部特征进行面部识别时,能够很好地提高识别准确性。具体的,参见图1所示场景示意图,所采集得到的平行偏振图像携带对象表皮层的特征,正交偏振图像携带对象表皮以内层的特征。
平行偏振,是指光源与接收器的线偏振方向相同。由于物体表面反射光的偏振度与物体表面粗糙度密切相关,物体表面粗糙程度越小,偏振度越高。因此,光在光滑表面发生反射时,具有“保偏”特性。其中,偏振度是指线偏振光占全部光的比例,用于表示光的偏振程度。在利用平行偏振对对象面部进行成像时,成像能显示表皮层的五官以及皮肤表皮层的细纹、毛孔、出油区域等。
正交偏振,是指光源与接收器的线偏振方向成90°正交。在利用正交偏振对对象面部进行成像时,面部皮肤表皮层的反射光会被极大地抑制,因此接收器接收到的,只有携带了表皮以内层信息的深层反射光,这使得正交偏振图像能凸显更深层皮肤的特征,例如黑色素块(例如斑点)、疤痕块(例如真皮疤痕)、浅表静脉块等信息。
参见图1所示场景示意图,在本说明书提供的实施例中,对正交偏振图像和平行偏振图像进行图像差值处理,得到叠加态图像,将叠加态图像输入特征提取模型中,得到预测面部特征,该预测面部特征包括表示对象表皮以内层中的色素块的特征,基于预测面部特征确定第一对象的面部特征。该叠加态图像中包含了表皮以内层中除去表皮层特征以外的色素块特征,这种特征更加精准和独特,并且不受表皮层特征的影响,更加稳定,不受外界环境变化的影响,也不受人脸表皮层变化的影响。
上述对象,可以包括但不限于人、动物、机器等。在下文的描述中,常使用人作为举例对象来说明。图像采集设备包括但不限于监控摄像头、摄像机、手机等具有图像采集功能的设备。
下面结合具体实施例对本说明书进行详细说明。
图2为实施例提供的一种基于偏振图像的面部特征确定方法的流程示意图。该方法可以通过处理平台执行。在具体的实施方式中,处理平台可以直接与图像采集设备连接,也可以通过其他设备与图像采集设备连接,或者处理平台不与图像采集设备连接,只要处理平台能够直接或间接地获取对象的正交偏振图像和平行偏振图像即可。下面描述中,以众多对象中任意一个第一对象A为例进行说明。此处第一对象中的“第一”,以及下文中相应的“第一”,仅仅是为了区分和描述方便,而不具有任何限定意义。该方法具体包括步骤S210~S240。
步骤S210,获取第一对象A的正交偏振图像和平行偏振图像。该正交偏振图像和平行偏振图像在约定时刻分别采集,约定时刻可以是相差很小的两个时刻,用于采集上述两个图像的图像采集设备预先设置好朝向同一图像采集区域,以使得采集得到的该正交偏振图像和平行偏振图像中第一对象A的面部是同一姿势。
第一对象A的正交偏振图像和平行偏振图像,可以是分别截取头部区域或者面部区域后的图像。
其中,平行偏振图像携带第一对象A表皮层的特征,正交偏振图像携带第一对象A表皮以内层的特征。皮肤表皮层的特征,可以理解为表皮层外表面上呈现的特征,即在无偏振光(例如自然光)条件下采集图像时能采集到的第一对象A的特征,例如人眼能够观察到的第一对象A的特征。
表皮以内层,包括皮肤层中的真皮层和更深层的皮下组织层等。真皮层中包含有一些黑色素块、疤痕块、浅表静脉块等特殊组织。皮下组织中包括生命体的静脉血管、动脉血管、肌肉组织等较大组织。
在一种实施方式中,表皮以内层可以为真皮层。设置光源的光照强度,能够使得正交偏振图像在设定光照强度下获取,该设定光照强度用于使得图像采集设备采集到第一对象A真皮层的特征。该设定光照强度的取值可以根据经验确定,其取值能使得在正交偏振图像中显示出真皮层的特征即可。当光照强度比该设定光照强度更大时,可以采集到皮下组织中的特征。因此,在合适的光照强度下,图像采集操作能够获取真皮层中的特征,而不获取皮下组织等更深层的特征。
图3a为正交偏振图像、无偏振图像和平行偏振图像的一种对比示意图,这三个图像分别是局部的面部图像。从对比中可以看出,该正交偏振图像去除了反光,能够比较明显地凸显出真皮层的色素块信息;而该平行偏振图像则能更清楚地突出皮肤纹理信息,例如毛孔、细纹以及平整区域;无偏振图像可以作为上述两者的对比图像。
步骤S220,基于正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。
在一种实施方式中,本步骤在进行图像差值处理时,可以将正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,基于求差后图像确定叠加态图像。求差,具体可以是相同位置处的像素点的差值绝对值。对两个图像进行求差,得到的求差后图像能够突出两个图像中的差异之处。在步骤S210中说明了,平行偏振图像携带第一对象A表皮层的特征,正交偏振图像携带第一对象A表皮以内层的特征,平行偏振图像携带的特征与正交偏振图像携带的特征之间部分是重叠的,部分是彼此不相同的。例如,平行偏振图像中不包含正交偏振图像中的色素块特征,正交偏振图像中不包含平行偏振图像中的皮肤纹理特征等。本实施例中通过求差操作,可以得到两个图像中的差异性信息。
在具体实施时,正交偏振图像和平行偏振图像可以处理为相同尺寸的图像,参见图3b中左侧的两个图像,图3b为正交偏振图像、平行偏振图像、叠加态图像的一种对比示意图。在确定两个图像的相同位置时,可以预先在两个图像中建立相同的图像坐标系,例如以图像左下角像素点为坐标原点,竖直向上和水平向右分别为两个坐标轴,两个图像中具有相同坐标的位置属于相同位置。
在基于求差后图像确定叠加态图像时,可以直接将求差后图像确定为叠加态图像,也可以对求差后图像进行其他处理,得到叠加态图像。
在一种实施方式中,基于求差后图像确定叠加态图像时,可以将正交偏振图像和平行偏振图像相同位置处的像素分别进行求和,得到求和后图像;基于求差后图像与求和后图像相同位置处对应像素之间的比值,确定叠加态图像。在步骤S210中获取正交偏振图像和平行偏振图像之后,可以将其存储在指定存储空间中,在需要时从该指定存储空间中获取即可。
针对两个图像相同位置处的像素,求其差值与和值的比值,能够消除图像中的隐私信息,对图像信息起到隐私保护的作用。
在基于求差后图像与求和后图像相同位置处对应像素之间的比值,确定叠加态图像时,可以将求差后图像与求和后图像相同位置处对应像素取比值,将得到的比值图像直接确定为叠加态图像,也可以在得到像素比值时乘以某个预先确定的系数,得到叠加态图像。
例如,针对正交偏振图像P1和平行偏振图像P2,针对每个位置处的像素值,采用公式|u1-u2|/(u1+u2)计算得到叠加态图像,其中,u1为正交偏振图像P1中的像素点的像素值,u2为平行偏振图像P2中相同位置处的像素点像素值,||为绝对值符号。参见图3b中右侧的叠加态图像,该叠加态图像基于上述公式进行处理后得到。从图3b的三个图像的对比可以看出,叠加态图像无法显示出具体的面部信息,其不仅能包含真皮层的特殊特征,还能够对对象的面部特征进行隐私保护。
在一种实施方式中,还可以将正交偏振图像和平行偏振图像分别转换成灰度图像,在转换成灰度图像之后,再采用上述各种实施方式,基于正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。例如,在转换成灰度图像之后,再对正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,基于求差后图像确定叠加态图像;或者,在转换成灰度图像之后,基于求差后图像与求和后图像相同位置处对应像素之间的比值,确定叠加态图像。这样得到的叠加态图像也是灰度图像。在图像处理中灰度图像更容易进行处理,能够提高处理效率。
步骤S230,将该叠加态图像输入特征提取模型中,得到预测面部特征。该预测面部特征包括表示第一对象A表皮以内层中的色素块的特征。特征提取模型可以基于训练得到的模型参数和叠加态图像,确定预测面部特征。
当表皮以内层为真皮层时,预测面部特征包括真皮层中以下色素块中的至少一种:黑色素块、疤痕块、浅表静脉块。
上述特征提取模型可以预先采用神经网络进行训练,例如可以采用深度神经网络(Deep Neural Networks,DNN)、卷积神经网络(Convolutional Neural Network,CNN)或循环神经网络(Recurrent Neural Networks,RNN)进行训练。特征提取模型可以采用以下步骤1~6进行训练。
步骤1,获取样本对象的样本正交偏振图像和样本平行偏振图像,以及对应的标注标签。样本正交偏振图像和样本平行偏振图像的获取可以参见步骤S210,此处不再详细说明。标注标签可以是该样本对象的标识信息(ID),该标识信息可以用于表示该样本对象的编号、名称或者是否为活体等信息。在获取样本对象的图像时,可以从训练集中获取。
步骤2,基于样本正交偏振图像和样本平行偏振图像之间的图像差值处理,得到样本叠加态图像。本步骤的具体实施过程可以参见步骤S220中的描述,将其中的图像替换为对应的样本图像即可。
步骤3,将样本叠加态图像输入特征提取模型中,得到所述样本对象的样本预测面部特征。特征提取模型可以基于模型参数和输入的样本叠加态图像,确定样本对象的样本预测面部特征。初始时,模型参数可以采用随机值或预设值。
步骤4,将样本预测面部特征输入分类器,得到预测标签。预测标签的种类与标注标签的种类相同,可以是该样本对象的标识信息,该标识信息可以用于表示该样本对象的编号、名称或者是否为活体等信息。分类器可以采用全连接层或者激活函数,也可以采用其他方式。
步骤5,基于预测标签与标注标签之间的差异,确定预测损失。
步骤6,向减小预测损失的方向,调整特征提取模型。在调整特征提取模型时,可以调整特征提取模型中的模型参数。在基于预测损失调整特征提取模型时,可以采用反向传播算法调整模型参数。重复执行步骤1~6,直至特征提取模型达到收敛条件。收敛条件可以是训练次数达到预设次数,也可以是预测损失小于预设损失值等。
通过调整上述模型训练过程,特征提取模型可以逐渐地学习对象面部的色素块特征,并能够有效地区分稳定特征和不稳定的干扰因素,使得特征提取模型能够提取到对象面部的稳定特征。
步骤S240,基于预测面部特征,确定第一对象A的面部特征。
本步骤在实施时,可以包括多种实施方式。例如,可以将该预测面部特征直接确定为第一对象A的面部特征;也可以基于该预测面部特征与以下一种或两种特征的结合,确定第一对象A的面部特征:
基于正交偏振图像确定的第一面部特征;
基于平行偏振图像确定的第二面部特征。
例如,可以基于预测面部特征与第一面部特征的结合,确定第一对象A的面部特征,或者基于预测面部特征与第二面部特征的结合,确定第一对象A的面部特征,或者基于预测面部特征与第一面部特征、第二面部特征的结合,确定第一对象A的面部特征。上述的预测面部特征、第一面部特征、第二面部特征可以采用向量或矩阵的形式表示。特征的结合,可以包括将特征拼接成起来,或者求均值或加权均值等。
基于正交偏振图像确定第一面部特征时,可以将正交偏振图像输入预先训练的面部特征提取模型中,该面部特征提取模型可以基于训练的模型参数提取正交偏振图像的面部特征,作为第一面部特征。该面部特征提取模型可以采用上述的特征提取模型实现,也可以是采用其他方式训练的模型。基于正交偏振图像确定第一面部特征时,也可以直接基于对正交偏振图像的图像处理,得到第一面部特征。具体可以是提取正交偏振图像中的面部关键点信息,作为第一面部特征,在提取面部关键点之前还可以包括对图像的去噪、灰度等处理。基于平行偏振图像确定第二面部特征时,也可以采用与确定第一面部特征相同的方式进行,具体步骤不再赘述。
第一面部特征是基于正交偏振图像得到的特征。正交偏振图像携带表皮以内层信息,能凸显更深层皮肤的特征,例如黑色素块(例如斑点)、疤痕块(例如真皮疤痕)、浅表静脉块等信息。正交偏振图像不仅能提取皮肤深层特征,还能够消除面部反光区域对人脸特征的影响,这使得第一面部特征可以不受图像反光影响,消除反光的干扰。
第二面部特征是基于平行偏振图像得到的特征。平行偏振图像携带对象面部的基本特征,例如表皮层的五官以及皮肤表皮层的细纹、毛孔、出油区域等特征。
第一面部特征和第二面部特征可以分别单独使用,也可以与预测面部特征进行结合使用。当将多个特征结合起来使用时,能够获得更丰富、更精准、更稳定的面部特征。
在确定对象的面部特征之后,可以基于该面部特征进行面部识别。面部识别具体可以是识别出该对象对应的标识信息,例如该对象的编号、名称或者改对象是否为活体等。下面结合具体实施例对本说明书进行说明。
图4为实施例提供的一种基于偏振图像的面部识别方法的流程示意图。该方法可以通过处理平台执行。该方法包括以下步骤S410~S420。
步骤S410,获取待进行面部识别的第二对象B的面部特征,第二对象B的面部特征通过图2所示实施例提供的方法确定。
步骤S420,将第二对象B的面部特征与特征库中的多个面部特征进行比对,基于比对结果对第二对象B进行识别。其中,特征库用于存储多个对象的面部特征。特征库中还存在多个对象的面部特征与标识信息的对应关系。在一种实施方式中,可以预先采用图2所示实施例的方式获取多个对象的面部特征,并建立获取的面部特征与标识信息之间的对应关系,然后将其存储在特征库中。特征库中的标识信息可以根据管理员的输入信息确定。
在本实施例中,采用图2所示实施例确定对象的面部特征,当确定的面部特征更加精准、独特和稳定时,基于这样的面部特征所进行的面部识别也会更加准确。
本实施例提供的基于偏振图像的面部特征确定方法中,叠加态图像具有天然的2D/3D(维)区分性。因为对于2D图像这样的非活体,其正交偏振图像和平行偏振图像几乎无差别,对应得到的叠加态图像也非常的单一;对于其他非活体来说,叠加态图像也显示出能区分于3D对象的较明显的特征。因此,本实施例能够较好地区分活体与非活体。
上述内容对本说明书的特定实施例进行了描述,其他实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行,并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的,或者可能是有利的。
图5为实施例提供的一种基于偏振图像的面部特征确定装置的示意性框图。该装置500部署在处理平台中,该处理平台可以通过任何具有计算、处理能力的装置、设备、设备集群等来执行。该装置实施例与图2所示方法实施例相对应。装置500包括:
图像获取模块510,配置为,获取第一对象的正交偏振图像和平行偏振图像,所述正交偏振图像和平行偏振图像在约定时刻分别采集;所述平行偏振图像携带所述第一对象表皮层的特征,所述正交偏振图像携带所述第一对象表皮以内层的特征;
差值处理模块520,配置为,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像;
特征提取模块530,配置为,将所述叠加态图像输入特征提取模型中,得到预测面部特征;所述预测面部特征包括表示所述第一对象表皮以内层中的色素块的特征;
特征确定模块540,配置为,基于所述预测面部特征,确定所述第一对象的面部特征。
在一种实施方式中,所述表皮以内层为真皮层;所述正交偏振图像在设定光照强度下获取,所述设定光照强度用于使得图像采集设备采集到所述第一对象真皮层的特征。
在一种实施方式中,所述预测面部特征包括真皮层中以下色素块中的至少一种:黑色素块、疤痕块、浅表静脉块。
在一种实施方式中,差值处理模块520具体配置为:
将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,基于求差后图像确定叠加态图像。
在一种实施方式中,差值处理模块520,基于求差后图像确定叠加态图像时,包括:
将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求和,得到求和后图像;
基于所述求差后图像与所述求和后图像相同位置处对应像素之间的比值,确定叠加态图像。
在一种实施方式中,差值处理模块520还配置为:
将所述正交偏振图像和所述平行偏振图像分别转换成灰度图像;
在转换成灰度图像之后,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。
在一种实施方式中,所述特征确定模块540具体配置为:
将所述预测面部特征直接确定为所述第一对象的面部特征。
在一种实施方式中,所述特征确定模块540具体配置为:
基于所述预测面部特征与以下一种或两种特征的结合,确定所述第一对象的面部特征:
基于所述正交偏振图像确定的第一面部特征;
基于所述平行偏振图像确定的第二面部特征。
在一种实施方式中,该装置500还可以包括模型训练模块(图中未示出),该模型训练模块,配置为采用以下操作训练所述特征提取模型:
获取样本对象的样本正交偏振图像和样本平行偏振图像,以及对应的标注标签;
基于所述样本正交偏振图像和样本平行偏振图像之间的图像差值处理,得到样本叠加态图像;
将所述样本叠加态图像输入特征提取模型中,得到所述样本对象的样本预测面部特征;将所述样本预测面部特征输入分类器,得到预测标签;
基于所述预测标签与所述标注标签之间的差异,确定预测损失;
向减小所述预测损失的方向,调整所述特征提取模型。
在一种实施方式中,所述特征提取模型可以采用DNN、CNN或RNN训练。
图6为实施例提供的一种基于偏振图像的面部识别装置的示意性框图。该装置部署在处理平台中,该处理平台可以通过任何具有计算、处理能力的装置、设备、设备集群等来执行。该装置与图4所示方法实施例相对应。该装置600包括:
特征获取模块610,配置为,获取待进行面部识别的第二对象的面部特征,所述第二对象的面部特征通过图2提供的方法确定;
特征识别模块620,配置为,将所述第二对象的面部特征与特征库中的多个面部特征进行比对,基于比对结果对所述第二对象进行识别;其中,所述特征库,用于存储多个对象的面部特征。
上述装置实施例与方法实施例相对应,具体说明可以参见方法实施例部分的描述,此处不再赘述。装置实施例是基于对应的方法实施例得到,与对应的方法实施例具有同样的技术效果,具体说明可参见对应的方法实施例。
本说明书实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行图1至图4任一项所述的方法。
本说明书实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现图1至图4任一项所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于存储介质和计算设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明实施例的目的、技术方案和有益效果进行了进一步的详细说明。所应理解的是,以上所述仅为本发明实施例的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (20)
1.一种基于偏振图像的面部特征确定方法,通过处理平台执行,所述方法包括:
获取第一对象的正交偏振图像和平行偏振图像,所述正交偏振图像和平行偏振图像在约定时刻分别采集;所述平行偏振图像携带所述第一对象表皮层的特征,所述正交偏振图像携带所述第一对象表皮以内层的特征;
基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像;所述图像差值处理包括:将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,得到求差后图像;将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求和,得到求和后图像;基于所述求差后图像与所述求和后图像相同位置处对应像素之间的比值,确定叠加态图像;
将所述叠加态图像输入特征提取模型中,得到预测面部特征;所述预测面部特征包括表示所述第一对象表皮以内层中的色素块的特征;
基于所述预测面部特征,确定所述第一对象的面部特征。
2.根据权利要求1所述的方法,所述表皮以内层为真皮层;所述正交偏振图像在设定光照强度下获取,所述设定光照强度用于使得图像采集设备采集到所述第一对象真皮层的特征。
3.根据权利要求2所述的方法,所述预测面部特征包括真皮层中以下色素块中的至少一种:黑色素块、疤痕块、浅表静脉块。
4.根据权利要求1所述的方法,所述基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像的步骤,还包括:
将所述正交偏振图像和所述平行偏振图像分别转换成灰度图像;
在转换成灰度图像之后,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。
5.根据权利要求1所述的方法,所述基于所述预测面部特征,确定所述第一对象的面部特征的步骤,包括:
将所述预测面部特征直接确定为所述第一对象的面部特征。
6.根据权利要求1所述的方法,所述基于所述预测面部特征,确定所述第一对象的面部特征的步骤,包括:
基于所述预测面部特征与以下一种或两种特征的结合,确定所述第一对象的面部特征:
基于所述正交偏振图像确定的第一面部特征;
基于所述平行偏振图像确定的第二面部特征。
7.根据权利要求1所述的方法,所述特征提取模型采用以下方式进行训练:
获取样本对象的样本正交偏振图像和样本平行偏振图像,以及对应的标注标签;
基于所述样本正交偏振图像和样本平行偏振图像之间的图像差值处理,得到样本叠加态图像;
将所述样本叠加态图像输入特征提取模型中,得到所述样本对象的样本预测面部特征;
将所述样本预测面部特征输入分类器,得到预测标签;
基于所述预测标签与所述标注标签之间的差异,确定预测损失;
向减小所述预测损失的方向,调整所述特征提取模型。
8.根据权利要求1所述的方法,所述特征提取模型采用深度神经网络DNN、卷积神经网络CNN或循环神经网络RNN训练。
9.一种基于偏振图像的面部识别方法,通过处理平台执行,所述方法包括:
获取待进行面部识别的第二对象的面部特征,所述第二对象的面部特征通过权利要求1提供的方法确定;
将所述第二对象的面部特征与特征库中的多个面部特征进行比对,基于比对结果对所述第二对象进行识别;其中,所述特征库,用于存储多个对象的面部特征。
10.一种基于偏振图像的面部特征确定装置,部署在处理平台中,所述装置包括:
图像获取模块,配置为,获取第一对象的正交偏振图像和平行偏振图像,所述正交偏振图像和平行偏振图像在约定时刻分别采集;所述平行偏振图像携带所述第一对象表皮层的特征,所述正交偏振图像携带所述第一对象表皮以内层的特征;
差值处理模块,配置为,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像;所述图像差值处理包括:将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求差,得到求差后图像;将所述正交偏振图像和平行偏振图像相同位置处的像素分别进行求和,得到求和后图像;基于所述求差后图像与所述求和后图像相同位置处对应像素之间的比值,确定叠加态图像;
特征提取模块,配置为,将所述叠加态图像输入特征提取模型中,得到预测面部特征;所述预测面部特征包括表示所述第一对象表皮以内层中的色素块的特征;
特征确定模块,配置为,基于所述预测面部特征,确定所述第一对象的面部特征。
11.根据权利要求10所述的装置,所述表皮以内层为真皮层;所述正交偏振图像在设定光照强度下获取,所述设定光照强度用于使得图像采集设备采集到所述第一对象真皮层的特征。
12.根据权利要求11所述的装置,所述预测面部特征包括真皮层中以下色素块中的至少一种:黑色素块、疤痕块、浅表静脉块。
13.根据权利要求10所述的装置,所述差值处理模块,还配置为:
将所述正交偏振图像和所述平行偏振图像分别转换成灰度图像;
在转换成灰度图像之后,基于所述正交偏振图像和平行偏振图像之间的图像差值处理,得到叠加态图像。
14.根据权利要求10所述的装置,所述特征确定模块,具体配置为:
将所述预测面部特征直接确定为所述第一对象的面部特征。
15.根据权利要求10所述的装置,所述特征确定模块,具体配置为:
基于所述预测面部特征与以下一种或两种特征的结合,确定所述第一对象的面部特征:
基于所述正交偏振图像确定的第一面部特征;
基于所述平行偏振图像确定的第二面部特征。
16.根据权利要求10所述的装置,还包括模型训练模块,所述模型训练模块,配置为采用以下操作训练所述特征提取模型:
获取样本对象的样本正交偏振图像和样本平行偏振图像,以及对应的标注标签;
基于所述样本正交偏振图像和样本平行偏振图像之间的图像差值处理,得到样本叠加态图像;
将所述样本叠加态图像输入特征提取模型中,得到所述样本对象的样本预测面部特征;将所述样本预测面部特征输入分类器,得到预测标签;
基于所述预测标签与所述标注标签之间的差异,确定预测损失;
向减小所述预测损失的方向,调整所述特征提取模型。
17.根据权利要求10所述的装置,所述特征提取模型采用深度神经网络DNN、卷积神经网络CNN或循环神经网络RNN训练。
18.一种基于偏振图像的面部识别装置,部署在处理平台中,所述装置包括:
特征获取模块,配置为,获取待进行面部识别的第二对象的面部特征,所述第二对象的面部特征通过权利要求1提供的方法确定;
特征识别模块,配置为,将所述第二对象的面部特征与特征库中的多个面部特征进行比对,基于比对结果对所述第二对象进行识别;其中,所述特征库,用于存储多个对象的面部特征。
19.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-9中任一项所述的方法。
20.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268650.4A CN113011303B (zh) | 2021-03-12 | 2021-03-12 | 一种基于偏振图像的面部特征确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268650.4A CN113011303B (zh) | 2021-03-12 | 2021-03-12 | 一种基于偏振图像的面部特征确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011303A CN113011303A (zh) | 2021-06-22 |
CN113011303B true CN113011303B (zh) | 2023-04-18 |
Family
ID=76405821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268650.4A Active CN113011303B (zh) | 2021-03-12 | 2021-03-12 | 一种基于偏振图像的面部特征确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011303B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9123116B2 (en) * | 2011-04-19 | 2015-09-01 | University Of Southern California | Multiview face capture using polarized spherical gradient illumination |
CN103400103A (zh) * | 2006-07-19 | 2013-11-20 | 光谱辨识公司 | 光谱生物测定传感器 |
JP6406606B2 (ja) * | 2014-10-06 | 2018-10-17 | パナソニックIpマネジメント株式会社 | 光沢判定装置および光沢判定方法 |
US10621771B2 (en) * | 2017-03-21 | 2020-04-14 | The Procter & Gamble Company | Methods for age appearance simulation |
CN108281196A (zh) * | 2018-01-23 | 2018-07-13 | 广州莱德璞检测技术有限公司 | 基于云端的皮肤检测方法、装置、计算机设备和存储介质 |
CN109730637B (zh) * | 2018-12-29 | 2021-04-23 | 中国科学院半导体研究所 | 一种人脸面部图像定量分析***及方法 |
CN110169754A (zh) * | 2019-05-20 | 2019-08-27 | 北京舰远科技有限公司大连分公司 | 投放在公共场所的自助皮肤检测*** |
CN110633662B (zh) * | 2019-09-03 | 2022-03-25 | 云南白药集团健康产品有限公司 | 一种图像处理方法、装置及*** |
CN111369464B (zh) * | 2020-03-04 | 2021-11-09 | 深圳市商汤科技有限公司 | 去除图像中的反光的方法及装置、电子设备和存储介质 |
CN111753676A (zh) * | 2020-06-09 | 2020-10-09 | 深圳珑璟光电技术有限公司 | 一种防伪方法、装置及*** |
-
2021
- 2021-03-12 CN CN202110268650.4A patent/CN113011303B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113011303A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9747493B2 (en) | Face pose rectification method and apparatus | |
CN106372629B (zh) | 一种活体检测方法和装置 | |
JP5159950B2 (ja) | 画像処理装置、方法、プログラム | |
CN107016348B (zh) | 结合深度信息的人脸检测方法、检测装置和电子装置 | |
WO2011156143A2 (en) | Distinguishing live faces from flat surfaces | |
KR20150024349A (ko) | 데이터를 위치 맞춤하는 방법 | |
WO2016107638A1 (en) | An image face processing method and apparatus | |
KR101510312B1 (ko) | 복수의 카메라들을 이용한 3d 얼굴 모델링 장치, 시스템 및 방법 | |
CN112528902B (zh) | 一种基于3d人脸模型的视频监控动态人脸识别方法及装置 | |
EP3198522A1 (en) | A face pose rectification method and apparatus | |
JP6191943B2 (ja) | 視線方向推定装置、視線方向推定装置および視線方向推定プログラム | |
US9183634B2 (en) | Image processing apparatus and image processing method | |
US8938132B2 (en) | Image collation system, image collation method and computer program | |
JP4938748B2 (ja) | 画像認識装置及びプログラム | |
KR102110459B1 (ko) | 3차원 이미지 생성 방법 및 장치 | |
CN115035546B (zh) | 三维人体姿态检测方法、装置及电子设备 | |
CN112185515A (zh) | 一种基于动作识别的病患辅助*** | |
JP6185807B2 (ja) | シワ状態分析方法及びシワ状態分析装置 | |
CN113011303B (zh) | 一种基于偏振图像的面部特征确定方法及装置 | |
JP2017012384A (ja) | シワ状態分析装置及びシワ状態分析方法 | |
JP2006215743A (ja) | 画像処理装置及び画像処理方法 | |
US11417144B2 (en) | Processing apparatus, fingerprint image extraction processing apparatus, system, processing method, and computer readable medium | |
Costa et al. | Towards biometric identification using 3D epidermal and dermal fingerprints | |
Ahmad et al. | 3D reconstruction of gastrointestinal regions using shape-from-focus | |
JP5688514B2 (ja) | 視線計測システム、方法およびプログラム |
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 |