CN115798011A - 人脸图像筛选方法及*** - Google Patents

Abstract

本申请涉及一种人脸图像筛选方法及***，涉及人脸图像识别领域，其方法包括：获取摄像设备采集的当前人脸图像；基于人脸检测算法对当前人脸图像进行处理，得到当前人脸图像中的多个人脸关键点；基于多个人脸关键点计算当前人脸图像中人脸的姿态角度；将所述姿态角度与预设筛选角度阈值进行对比，判断当前人脸图像是否需要筛除；若否，则选定当前人脸图像为待识别图像。本申请具有筛除不满足条件的各种角度歪斜人脸，不需要额外增加机器学习或深度学习模型，流程简单，减少***资源消耗，可以移植到不同的应用环境中效果。

Description

人脸图像筛选方法及***

技术领域

本申请涉及人脸图像识别领域，尤其是涉及一种人脸图像筛选方法及***。

背景技术

船舶驾驶台值守人员的行为规范智能预警***作为一种船端数据采集方式，获取驾驶台单位时间内出现的作业人员数量及驾驶台各区域(嘹望区、驾驶台、休息区)作业人员出现的频率，并通过摄像头采集作业人员人脸数据，通过人脸识别技术对人脸数据进行识别，与存储的人脸数据进行匹配得到人员信息。通过船舶驾驶台值守人员的行为规范智能预警***可以规范船舶驾驶台作业人员行为规范，对船员的工作情况实时检查，减少了人力重复劳动的资源性浪费，从而能大程度的提高船舶航行的安全性、可靠性和经济性。

人脸识别技术是当下的热门技术，一般分为人脸检测、人脸筛选、人脸矫正和人脸特征匹配四个技术流程，已经广泛应用在生活中的方方面面。由于采集设备的局限性与采集环境的复杂性，人脸检测算法捕获到的人脸图像质量参差不齐。而且，由于目前的人脸检测算法多是采用的深度学习的模型方法，不可避免存在一定过拟合现象，一些歪斜严重的人脸、特别小的人脸甚至“非人脸”图片等都会被采集，导致人脸识别最终无法获得较为理想的性能表现，所以在人脸识别之前，应当对采集到的人脸图像进行有效的筛选。

随着深度图像技术的发展，有一些研究将机器学习或者深度学习引入人脸筛选中，采用类似图像质量评估的方法对人脸图像的质量进行评级，以及多目标跟踪与卷积网络结合的方法，可以筛除质量差的人脸图像。这些方法在学术领域中得到一定程度的研究，但并不适用于对***性能要求比较高的工业应用中，增加一个模型不仅需要花费时间训练研究，在部署到实际应用中也会对***的资源进行一定的占用。

发明内容

为了能够筛除不满足条件的各种角度歪斜人脸，同时不需要额外增加机器学习或深度学习模型，流程简单，减少***资源消耗，本申请提供一种人脸图像筛选方法及***。

第一方面，本申请提供一种人脸图像筛选方法，采用如下的技术方案：

一种人脸图像筛选方法，包括：

获取摄像设备采集的当前人脸图像；

基于人脸检测算法对所述当前人脸图像进行处理，得到所述当前人脸图像中的多个人脸关键点；

基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度；

将所述姿态角度与预设筛选角度阈值进行对比，判断所述当前人脸图像是否需要筛除；

若否，则选定所述当前人脸图像为待识别图像。

通过采用上述技术方案，能够筛除不满足条件的各种角度歪斜人脸，同时不需要额外增加机器学习或深度学习模型，流程简单，减少***资源消耗。

可选的，所述人脸关键点包括左眼珠P₁、右眼珠P₂、鼻尖P₃、左嘴角P₄和右嘴角P₅，所述姿态角度包括俯仰角；

所述基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度包括基于所述左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算所述俯仰角；

计算所述俯仰角θ_pitch包括：

获取由所述人脸检测算法得到的人脸图像中的五个关键点坐标P₁(x₁,y₁)、P₂(x₂,y₂)、P₃(x₃,y₃)、P₄(x₄,y₄)、P₅(x₅,y₅)；

计算直线P₁P₂与直线x＝x₃的交点到直线y＝y₃的垂直距离Δy₁，计算直线P₄P₅与直线x＝x₃的交点到直线y＝y₃的垂直距离Δy₂；

设P₁与P₂直线函数表示为y＝k₁x+b₁，则由P₁和P₂的具体坐标值可得：

b₁＝y₁-k₁×x₁

同理，P₄与P₅的直线函数表示为y＝k₂x+b₂，由P₄与P₅的具体坐标值可得：

b₂＝y₄-k₂×x₄

则,

Δy₁＝|k₁×x₃+b₁-y₃|

Δy₂＝|k₂×x₃+b₂-y₃|；

通过采用上述技术方案，俯仰角用于判断当前人脸图像中抬头和低头情况，0.5为经验值，能够使θ_pitch的取值范围为0≤θ_pitch≤90°。

可选的，所述姿态角度还包括偏航角；

所述基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度包括基于所述左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算所述偏航角；

计算所述偏航角θ_yaw包括：

计算直线P₁P₄与直线y＝y₃的交点到直线x＝x₃的垂直距离Δx₁，计算直线P₂P₅与直线y＝y₃的交点到直线x＝x₃的垂直距离Δx₂；

设P₁与P₄直线函数表示为y＝k₃x+b₃，则由P₁和P₄的具体坐标值可得：

b₃＝y₁-k₃×x₁

同理，P₂与P₅的直线函数表示为y＝k₄x+b₄，由P₂与P₅的具体坐标值可得：

b₄＝y₂-k₄×x₂

则,

通过采用上述技术方案，偏航角用于判断当前人脸图像中转头情况，0.5为经验值，能够使θ_yaw的取值范围为0≤θ_yaw≤90°。

可选的，所述姿态角度还包括滚动角；

所述基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度包括基于所述左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算所述滚动角；

计算所述滚动角θ_roll包括：

计算直线P₁P₂与X轴的夹角

则，

可选的，所述预设筛选角度阈值包括俯仰角筛选角度、偏航角筛选角度和滚动角筛选角度；

所述俯仰角筛选角度取值范围为20度～25度，优选为24度；

所述偏航角筛选角度取值范围为60度～65度，优选为65度；

所述滚动角筛选角度取值范围为20度～25度，优选为25度；

所述将所述姿态角度与预设筛选角度阈值进行对比，判断所述当前人脸图像是否需要筛除包括：

判断所述俯仰角是否大于所述俯仰角筛选角度和/或所述偏航角大于所述偏航角筛选角度和/或所述滚动角大于所述滚动角筛选角度。

通过采用上述技术方案，通过预设筛选角度对正脸进行角度的明确定义，阈值普适性高，不需要频繁变动筛选角度，便于移植到不同的应用环境中。

可选的，在所述得到所述当前人脸图像中的多个人脸关键点之前，还包括：

基于所述人脸检测算法判断所述当前人脸图像是否为完整人脸图像；

若否，则筛除所述当前人脸图像。

通过采用上述技术方案，减少了对不完整人脸图像进行筛选的可能性，减少了***资源的占用。

可选的，在所述判断所述当前人脸图像是否需要筛除之后，还包括:

若所述当前人脸图像需要筛除，则获取所述姿态角度中大于对应的预设筛选角度阈值的筛除角度，所述筛除角度可以为所述俯仰角和/或所述偏航角和/或所述滚动角；

基于所述筛除角度计算所述当前人脸图像中人脸调整至标准姿态的调整信息，所述调整信息包括调整方向和调整角度；

基于所述方向和调整角度生成向用户反馈的提示信息。

通过采用上述技术方案，当人脸筛选方法应用于人脸识别中时，若人脸图像频频因姿态角度不合格被筛除，会造成识别效率下降，因此，通过提示信息可对需要进行人脸识别的用户进行反馈，用户根据提示信息调整当前的脸部姿态。

第二方面，本申请提供一种人脸图像筛选装置，采用如下的技术方案：

一种人脸图像筛选装置，包括：

第一获取模块，用于获取摄像设备采集的当前人脸图像；

处理得到模块，用于基于人脸检测算法对所述当前人脸图像进行处理，得到所述当前人脸图像中的多个人脸关键点；

计算模块，用于基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度；

对比判断模块，用于将所述姿态角度与预设筛选角度阈值进行对比，判断所述当前人脸图像是否需要筛除；

选定模块，用于所述当前人脸图像不需要筛除时，选定所述当前人脸图像为待识别图像。

第三方面，本申请提供一种人脸图像筛选***，采用如下的技术方案：

一种人脸图像筛选***，包括电子设备和摄像设备，所述电子设备与所述摄像设备通信连接；所述电子设备用于执行第一方面所述的方法。

第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面所述的方法的计算机程序。

附图说明

图1是本申请实施例的一种人脸图像筛选方法的流程示意图。

图2是体现本申请实施例的人脸图像中人脸关键点坐标的示意图。

图3是本申请实施例的一种人脸图像筛选装置的结构框图。

图4是本申请实施例的一种电子设备的结构框图。

图5是本申请实施例的一种人脸图像筛选***的结构框图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

目前常用的简单人脸筛选方法主要有一下几种：

根据人脸检测算法得到的人脸框信息，基于当前的应用场景设定一些人脸图像面积的阈值，当前人脸图像面积小于最小阈值或者大于一定原图的比例(比如占用面积超过原图的50％)，则被认为是过小的人脸或者人脸检测误检目标，应当被筛除；此外，人脸框的宽高比例，也是根据人脸框信息进行人脸筛选的常用手段，当人脸图像中的人脸框宽高比例在0.7～1.2之间，则被认为是正脸，比例在这个范围之外的人脸，被认为是过于倾斜的人脸。上述两个方法仅使用了人脸框的信息，能在一定程度上筛选某些角度上的歪斜人脸和误检的人脸，但是所用方法过于粗暴，一刀切导致很多漏筛和误筛；同时，阈值的设定对应用场景的依赖比较大，导致阈值的普适性不高，需要经常变动调整。

此外，随着深度图像技术的发展，有一些研究将机器学习或者深度学习引入人脸筛选中，采用类似图像质量评估的方法对人脸图像的质量进行评级，以及多目标跟踪与卷积网络结合的方法，筛除质量差的人脸图像。这些方法在学术领域中得到一定程度的研究，但并不适用于对***性能要求比较高的工业应用中，增加一个模型不仅需要花费时间训练研究，在部署到实际应用中也会对***的资源进行一定的占用。

因此，本申请实施例提供一种人脸图像筛选方法，该方法可由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等，但并不局限于此。

如图1所示，一种人脸图像筛选方法，以服务器为执行主体，其方法的主要流程描述如下(步骤S101～S106)：

步骤S101：获取摄像设备采集的当前人脸图像。

人脸图像筛选***包括摄像设备，摄像设备与服务器通信连接，摄像设备可以为监控摄像头也可以为专门用于对人脸图像进行采集的摄像头。

步骤S102：基于人脸检测算法对当前人脸图像进行处理，得到当前人脸图像中的多个人脸关键点。

服务器内存储有人脸检测算法，人脸检测算法可以为MTCNN或者RETINAFACE。人脸关键点数量可以为5、21、49、68、98等几种数量情况，本实施例中，人脸检测算法输出的人脸关键点数量为5个，依次包括左眼珠P₁、右眼珠P₂、鼻尖P₃、左嘴角P₄和右嘴角P₅。

步骤S103：基于多个人脸关键点计算当前人脸图像中人脸的姿态角度。

姿态角度包括俯仰角、偏航角和滚动角。

步骤S103包括基于左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算俯仰角、偏航角和滚动角；

如图2所示，获取由人脸检测算法得到的人脸图像中的五个关键点坐标P₁(x₁,y₁)、P₂(x₂,y₂)、P₃(x₃,y₃)、P₄(x₄,y₄)、P₅(x₅,y₅)；

其中，计算俯仰角θ_pitch包括：

计算直线P₁P₂与直线x＝x₃的交点到直线y＝y₃的垂直距离Δy₁，计算直线P₄P₅与直线x＝x₃的交点到直线y＝y₃的垂直距离Δy₂；

设P₁与P₂直线函数表示为y＝k₁x+b₁，则由P₁和P₂的具体坐标值可得：

b₁＝y₁-k₁×x₁

同理，P₄与P₅的直线函数表示为y＝k₂x+b₂，由P₄与P₅的具体坐标值可得：

b₂＝y₄-k₂×x₄

则,

Δy₁＝|k₁×x₃+b₁-y₃|

Δy₂＝|k₂×x₃+b₂-y₃|；

上式中，0.5为常数，

的取值范围为

根据实际场景可知θ_pitch的范围为0°≤θ_pitch≤90°，为了使得θ_pitch的计算更加符合实际情况，因此需要在式中设定常数-0.5，θ_pitch的度数越接近0°时，人脸图像中的人脸相对于摄像设备的俯仰程度越低，也为更符合要求的人脸。

计算所述偏航角θ_yaw包括：

计算直线P₁P₄与直线y＝y₃的交点到直线x＝x₃的垂直距离Δx₁，计算直线P₂P₅与直线y＝y₃的交点到直线x＝x₃的垂直距离Δx₂；

设P₁与P₄直线函数表示为y＝k₃x+b₃，则由P₁和P₄的具体坐标值可得：

b₃＝y₁-k₃×x₁

同理，P₂与P₅的直线函数表示为y＝k₄x+b₄，由P₂与P₅的具体坐标值可得：

b₄＝y₂-k₄×x₂

则,

上式中，0.5也为常数，

的取值范围为

根据实际场景可知θ_yaw的范围为0°≤θ_yaw≤90°，为了使得θ_yaw的计算更加符合实际情况，因此需要在式中设定常数-0.5，θ_yaw的度数越接近0°时，人脸图像中的人脸相对于摄像设备的左右偏转程度越低，也为更符合要求的人脸。

计算所述滚动角θ_roll包括：

计算直线P₁P₂与X轴的夹角

则，

θ_roll的范围为0°≤θ_roll≤90^°，θ_roll越接近0°时，表示人脸图像中的人脸相对于摄像设备的水平偏转越小，是更加符合要求的人脸。

步骤S104：将姿态角度与预设筛选角度阈值进行对比，判断当前人脸图像是否需要筛除，若否，则转入步骤S105，若是，则转入步骤S106。

由五个人脸关键点得到的三个角度值越接近于0°，表示人脸与摄像设备的偏差越小，在俯仰角、偏航角和滚动角中任何一个角度上偏差较大，都不能被筛选进入人脸处理的后续流程中。因此，服务器内存储有预设筛选角度阈值，预设筛选角度阈值包括俯仰角对应的俯仰角筛选角度、偏航角对应的偏航角筛选角度和滚动角对应的滚动角筛选角度。

本实施例中，确定俯仰角筛选角度、偏航角筛选角度和滚动角筛选角度时均包括如下处理：

1.仅使用人脸检测算法，以1帧/秒的帧率采集包含人脸的图像，保存从图像中截取的人脸图像和每个人脸图像的五个关键点坐标值。为避免采集到的样本角度单一，要求实验人员在三个角度上缓慢转动头部，采集多个样本，本实施例中，需要采集5000个样本；

2.根据公式一或公式二或公式三编码计算每张人脸图像的θ_pitch或θ_yaw或θ_roll三个角度值；

3.对所有样本中人脸的角度值按从小到大排序，并以步长为5度，将对应的角度值和人脸图像分为18组，即0～5度一组，6～10度一组，以此类推。人工每组观察人脸图像的俯仰情况或左右偏转情况或水平偏转情况，进一步缩小阈值取值范围，评选出合适的阈值。

本实施例中，俯仰角筛选角度取值范围为20度～25度，优选为24度；偏航角筛选角度取值范围为60度～65度，优选为65度；滚动角筛选角度取值范围为20度～25度，优选为25度。

步骤S104还包括如下处理：判断俯仰角是否大于俯仰角筛选角度和/或偏航角大于偏航角筛选角度和/或滚动角大于滚动角筛选角度。

步骤S105：选定当前人脸图像为待识别图像。

当俯仰角不大于俯仰角筛选角度且偏航角不大于偏航角筛选角度且滚动角不大于滚动角筛选角度时，可以对当前人脸图像执行后续识别工作。

步骤S106：对当前人脸图像进行筛除。

在人脸识别之前，对采集到的人脸图像进行有效的筛选，降低了歪斜严重的人脸图像被采集、识别的可能性。

通过数据统计分析的方法，对三个角度的筛选阈值进行选定，筛除不满足条件的各种角度歪斜人脸。计算处理的流程简单高效，五个人脸关键点是由人脸检测算法直接得出，根据人脸关键点坐标直接计算得出人脸三个用于筛选的角度，在实际应用时，不需要额外增加机器学习或深度学习模型，流程简单，减少***资源消耗。且普适性高，因对正脸的角度定义比较明确，因此通过本方法得到的预设筛选角度阈值一旦确定后，可以移植到不同的应用环境中。

当人脸图像中的不包含完整的人脸且包含所需的多个人脸关键点时，该人脸缺失部分可能对后续的人脸识别产生干扰，因此，为了减少服务器对不完整人脸图像进行处理的工作量，在步骤S102的得到当前人脸图像中的多个人脸关键点之前还包括如下处理：基于人脸检测算法判断当前人脸图像是否为完整人脸图像；若否，则筛除当前人脸图像。

本实施例中，该人脸图像筛选方法还可用于利用人脸进行身份验证等人脸识别子领域，若用户由于脸部与摄像设备的角度偏差较大导致当前人脸图像需要筛除，则用户可能对正确的姿势不了解，容易造成采集的人脸图像均被删除，降低了身份验证的效率，因此，在步骤S104之后还包括如下处理:若当前人脸图像需要筛除，则获取姿态角度中大于对应的预设筛选角度阈值的筛除角度，筛除角度可以为俯仰角和/或偏航角和/或滚动角；基于筛除角度计算当前人脸图像中人脸调整至标准姿态的调整信息，调整信息包括调整方向和调整角度；基于方向和调整角度生成向用户反馈的提示信息。

标准姿态为人脸图像中俯仰角不大于俯仰角筛选角度且偏航角不大于偏航角筛选角度且滚动角不大于滚动角筛选角度时对应的姿态。

若相邻多次人脸图像均被筛除，且筛除次数超过预设次数阈值，则基于上述的方向和调整角度向用于带动摄像设备调整位置的调整设备发送调整信息。调整设备可以为带动摄像设备转动的云台，云台的驱动与服务器通信连接。

基于相同的技术构思，本申请还提供一种人脸图像筛选装置，如图3所示，该人脸图像筛选装置200主要包括：

第一获取模块201，用于获取摄像设备采集的当前人脸图像；

处理得到模块202，用于基于人脸检测算法对当前人脸图像进行处理，得到当前人脸图像中的多个人脸关键点；

计算模块203，用于基于多个人脸关键点计算当前人脸图像中人脸的姿态角度；

对比判断模块204，用于将姿态角度与预设筛选角度阈值进行对比，判断当前人脸图像是否需要筛除；

选定模块205，用于当前人脸图像不需要筛除时，选定当前人脸图像为待识别图像。

可选的，还包括：

判断模块，用于基于人脸检测算法判断当前人脸图像是否为完整人脸图像；若否，则筛除当前人脸图像。

可选的，还包括：

第二获取模块，用于在当前人脸图像需要筛除时，获取姿态角度中大于对应的预设筛选角度阈值的筛除角度，筛除角度可以为俯仰角和/或偏航角和/或滚动角；

调整模块，用于基于筛除角度计算当前人脸图像中人脸调整至标准姿态的调整信息，调整信息包括调整方向和调整角度；

生成模块，用于基于方向和调整角度生成向用户反馈的提示信息。

在一个例子中，以上任一装置中的模块可以是被配置成实施以上人脸图像筛选方法的一个或多个集成电路，例如：一个或多个专用集成电路(application specificintegratedcircuit，ASIC)，或，一个或多个数字信号处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)，或这些集成电路形式中至少两种的组合。

再如，当装置中的模块可以通过处理元件调度程序的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，CPU)或其它可以调用程序的处理器。再如，这些模块可以集成在一起，以片上***(system-on-a-chip，SOC)的形式实现。

在本申请中可能出现的对各种消息/信息/设备/网元/***/装置/动作/操作/流程/概念等各类客体进行了赋名，可以理解的是，这些具体的名称并不构成对相关客体的限定，所赋名称可随着场景，语境或者使用习惯等因素而变更，对本申请中技术术语的技术含义的理解，应主要从其在技术方案中所体现/执行的功能和技术效果来确定。

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***、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

基于相同的技术构思，本申请还提供一种电子设备，如图4所示，电子设备300包括处理器301和存储器302，还可以进一步包括信息输入/信息输出(I/O)接口303、通信组件304中的一种或多种以及通信总线305。

其中，处理器301用于控制电子设备300的整体操作，以完成上述的人脸图像筛选方法中的全部或部分步骤；存储器302用于存储各种类型的数据以支持在电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、只读存储器(Read-OnlyMemory，ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。

I/O接口303为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件304用于测试电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件104可以包括：Wi-Fi部件，蓝牙部件，NFC部件。

通信总线305可包括一通路，在上述组件之间传送信息。通信总线305可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。通信总线305可以分为地址总线、数据总线、控制总线等。

电子设备300可以被一个或多个应用专用集成电路(ApplicationSpecificIntegrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例给出的人脸图像筛选方法。

电子设备300可以包括但不限于数字广播接收器、PDA(个人数字助理)、PMP(便携式多媒体播放器)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，还可以为服务器等。

基于相同的技术构思，本申请还提供一种人脸图像筛选***，如图5所示，该人脸图像筛选***400包括电子设备300，本实施例中，电子设备300为服务器401，人脸图像筛选***400还包括摄像设备402，服务器401与摄像设备402通信连接；服务器401用于执行上述的人脸图像筛选方法。

基于相同的技术构思，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的人脸图像筛选方法的步骤。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(R ead-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种人脸图像筛选方法，其特征在于，包括：

获取摄像设备采集的当前人脸图像；

基于人脸检测算法对所述当前人脸图像进行处理，得到所述当前人脸图像中的多个人脸关键点；

基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度；

将所述姿态角度与预设筛选角度阈值进行对比，判断所述当前人脸图像是否需要筛除；

若否，则选定所述当前人脸图像为待识别图像。

2.根据权利要求1所述的方法，其特征在于，所述人脸关键点包括左眼珠P₁、右眼珠P₂、鼻尖P₃、左嘴角P₄和右嘴角P₅，所述姿态角度包括俯仰角；

所述基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度包括基于所述左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算所述俯仰角；

计算所述俯仰角θ_pitch包括：

获取由所述人脸检测算法得到的人脸图像中的五个关键点坐标P₁(x₁,y₁)、P₂(x₂,y₂)、P₃(x₃,y₃)、P₄(x₄,y₄)、P₅(x₅,y₅)；

计算直线P₁P₂与直线x＝x₃的交点到直线y＝y₃的垂直距离Δy₁，计算直线P₄P₅与直线x＝x₃的交点到直线y＝y₃的垂直距离Δy₂；

设P₁与P₂直线函数表示为y＝k₁x+b₁，则由P₁和P₂的具体坐标值可得：

b₁＝y₁-k₁×x₁

同理，P₄与P₅的直线函数表示为y＝k₂x+b₂，由P₄与P₅的具体坐标值可得：

b₂＝y₄-k₂×x₄

则,

Δy₁＝|k₁×x₃+b₁-y₃|

Δy₂＝|k₂×x₃+b₂-y₃|；

3.根据权利要求2所述的方法，其特征在于，所述姿态角度还包括偏航角；

所述基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度包括基于所述左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算所述偏航角；

计算所述偏航角θ_yaw包括：

计算直线P₁P₄与直线y＝y₃的交点到直线x＝x₃的垂直距离Δx₁，计算直线P₂P₅与直线y＝y₃的交点到直线x＝x₃的垂直距离Δx₂；

设P₁与P₄直线函数表示为y＝k₃x+b₃，则由P₁和P₄的具体坐标值可得：

b₃＝y₁-k₃×x₁

同理，P₂与P₅的直线函数表示为y＝k₄x+b₄，由P₂与P₅的具体坐标值可得：

b₄＝y₂-k₄×x₂

则,

4.根据权利要求3所述的方法，其特征在于，所述姿态角度还包括滚动角；

所述基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度包括基于所述左眼珠、右眼珠、鼻尖、左嘴角和右嘴角的位置计算所述滚动角；

计算所述滚动角θ_roll包括：

计算直线P₁P₂与X轴的夹角

则，

5.根据权利要求4所述的方法，其特征在于，所述预设筛选角度阈值包括俯仰角筛选角度、偏航角筛选角度和滚动角筛选角度；

所述俯仰角筛选角度取值范围为20度～25度，优选为24度；

所述偏航角筛选角度取值范围为60度～65度，优选为65度；

所述滚动角筛选角度取值范围为20度～25度，优选为25度；

所述将所述姿态角度与预设筛选角度阈值进行对比，判断所述当前人脸图像是否需要筛除包括：

判断所述俯仰角是否大于所述俯仰角筛选角度和/或所述偏航角大于所述偏航角筛选角度和/或所述滚动角大于所述滚动角筛选角度。

6.根据权利要求1所述的方法，其特征在于，在所述得到所述当前人脸图像中的多个人脸关键点之前，还包括：

基于所述人脸检测算法判断所述当前人脸图像是否为完整人脸图像；

若否，则筛除所述当前人脸图像。

7.根据权利要求5所述的方法，其特征在于，在所述判断所述当前人脸图像是否需要筛除之后，还包括:

若所述当前人脸图像需要筛除，则获取所述姿态角度中大于对应的预设筛选角度阈值的筛除角度，所述筛除角度可以为所述俯仰角和/或所述偏航角和/或所述滚动角；

基于所述筛除角度计算所述当前人脸图像中人脸调整至标准姿态的调整信息，所述调整信息包括调整方向和调整角度；

基于所述方向和调整角度生成向用户反馈的提示信息。

8.一种人脸图像筛选装置，其特征在于，包括：

第一获取模块，用于获取摄像设备采集的当前人脸图像；

处理得到模块，用于基于人脸检测算法对所述当前人脸图像进行处理，得到所述当前人脸图像中的多个人脸关键点；

计算模块，用于基于多个所述人脸关键点计算所述当前人脸图像中人脸的姿态角度；

对比判断模块，用于将所述姿态角度与预设筛选角度阈值进行对比，判断所述当前人脸图像是否需要筛除；

选定模块，用于所述当前人脸图像不需要筛除时，选定所述当前人脸图像为待识别图像。

9.一种人脸图像筛选***，其特征在于，包括电子设备和摄像设备，所述电子设备与所述摄像设备通信连接；

所述电子设备用于执行上述权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7任一项所述方法的计算机程序。

Images