CN115937958A - 一种眨眼检测方法、装置、设备及存储介质 - Google Patents
一种眨眼检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115937958A CN115937958A CN202211536258.4A CN202211536258A CN115937958A CN 115937958 A CN115937958 A CN 115937958A CN 202211536258 A CN202211536258 A CN 202211536258A CN 115937958 A CN115937958 A CN 115937958A
- Authority
- CN
- China
- Prior art keywords
- blink
- face
- human eye
- frame
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 172
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000006073 displacement reaction Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000004397 blinking Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000193 eyeblink Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种眨眼检测方法、装置、设备及存储介质。本发明涉及人脸识别技术领域。该方法包括:获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像;逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
Description
技术领域
本发明实施例涉及人脸识别技术领域,尤其涉及一种眨眼检测方法、装置、设备及存储介质。
背景技术
随着移动终端的普及以及各种终端的广泛应用,人脸识别技术被广泛应用于银行、安防、公安等领域。用户仅靠一张脸就能解锁各个应用认证***。
人脸识别技术给生活带来便利的同时,也带来了风险。为了避免被黑客利用人的照片、视频或者AI换脸等方式解锁应用认证***,当下引入了活体检测技术。
眨眼检测是当前主流的人脸活体检测技术,其在备受青睐的同时也存在着一些问题,例如,受移动终端CPU性能限制,检测时效性不高;由于人眼的局部眨眼运动不明显,检测不灵敏,误检率较高。
发明内容
本发明提供了一种眨眼检测方法、装置、设备及存储介质,以解决分解眨眼检测不灵敏的问题。
根据本发明的一方面,提供了一种眨眼检测方法,包括:
获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像;
逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;
逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;
根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
根据本发明的另一方面,提供了一种眨眼检测装置,包括:
获取模块,用于获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像;第一确定模块,用于逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;
第二确定模块,用于逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;
第三确定模块,用于根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的眨眼检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的眨眼检测方法。
本发明的技术方案,通过获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像;逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。本发明的技术方案通过梯度光流运动检测和人眼宽纵比检测两种检测方法对同一待检测视频流进行眨眼检测,当两种检测方式都判定眨眼时才确定待检测视频流中的人脸眨眼,不仅充分保证了人脸眨眼检测技术的安全性,而且运算简单、准确度高,具有较强的时效性和灵敏性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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为本发明实施例提供的一种眨眼检测方法的流程图;
图2为本发明实施例提供的一种眨眼检测的流程图;
图3为本发明实施例提供的一种眨眼检测装置的结构示意图;
图4为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。图1为本发明实施例提供的一种眨眼检测方法的流程图,本实施例可适用于移动终端识别人脸是否眨眼的情况,该方法可以由眨眼检测装置来执行,该眨眼检测装置可以采用硬件和/或软件的形式实现,该眨眼检测装置可配置于电子设备中。例如,电子设备可以为服务器或服务器集群等。
如图1所示,该方法包括:
步骤110、获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像。
所述获取待检测视频流,对所述待检测视频流进行第一预处理,包括:通过移动终端前置摄像头获取待检测视频流,并对所述待检测视频流中的每帧图像进行第一预处理,所述第一预处理包括镜像、旋转、图像加强。
需要说明的是,移动终端设备可以是手机、平板等设备,也可以是ATM机、门禁***等。通过移动终端前置摄像头得到的视频流,视频帧中的图像是倒置且镜像的,因此,需要对其镜像、旋转。具体的,将待检测视频流的各视频帧图像以数据的形式表示出来,然后对数据图像进行镜像、旋转、图像加强等处理。
可选的,所述方法还包括:
预先基于人脸样本图像训练得到人脸检测模型。
具体的,在获取待检测视频流之前还需要构建人脸检测模型,然后基于人脸样本图像对构建好的人脸检测模型进行训练,以得到训练好的人脸检测模型。
所述预先基于人脸样本图像训练得到人脸检测模型,包括:
获取人脸样本图像,对所述人脸样本图像进行第二预处理,得到训练样本集;构建人脸检测模型,利用所述训练样本集对所述人脸检测模型进行训练。可选的,所述获取人脸样本图像,并对所述人脸样本图像进行第二预处理得到训练样本集,包括:对所述人脸样本图像进行过滤和裁剪,生成正样本和负样本数据集;对所述正样本数据集进行第二预处理,生成训练样本集;其中,所述第二预处理包括除噪、图像加强。
具体的,可以通过WIDERFACE人脸数据集获取人脸样本图像,然后去除人脸样本图像中的残脸图片以及可能会影响到人脸检测模型训练的图片,对没有被去除的图片按照200*200的大小裁剪,并保存为正样本数据集,将正样本数据集中的图像以n维向量的形式表示出来,然后对图像数据进行除噪、图像加强等处理,使生成的训练样本集更加干净清晰,有利于模型训练。
可选的,所述构建人脸检测模型,利用所述训练样本集对所述人脸检测模型进行训练,包括:基于卷积神经网络构建人脸检测模型;其中,所述卷积神经网络包括卷积层、连接层、BN层、池化层;将所述训练样本集输入所述人脸检测模型,所述卷积神经网络通过随机梯度下降算法遍历所述训练样本集中的人脸图像特征以进行训练。
具体的,可以利用残差网络Resnet18构建CNN网络,其中CNN网络包括17个卷积层和1个连接层、BN层及没有权重的池化层。可以使人脸检测模型的卷积步长为2,卷积核量为3个,并根据具体情况设置池化大小。通过随机梯度下降算法遍历图像特征,通过N张图片完成训练。训练好的模型可以识别人脸,输出人脸位置。训练完成后,将模型转换成移动终端可以用的.tflite文件。
人脸检测模型训练完成后,将通过第一预处理得到的各视频帧数据图像输入到训练好的人脸检测模型中,人脸检测模型对各视频帧的数据图像进行人脸定位,并输出各视频帧的人脸数据图像。具体的,可以是人脸检测模型将人脸左上角的点记为P1(x,y),右下角的点记为P2(x,y),根据人脸位置定位坐标F[P1(x,y),P2(x,y)]从视频帧图像中切割人脸。在获得人脸训练模型输出的人脸数据图像之后,可以利用haar级联分类器在获取的人脸数据图像中识别出人眼的位置,获取人眼数据图像。
步骤120、逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重。所述逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重,包括:从所述处理后的待检测视频流中获取多个连续目标视频帧,对于任一所述目标视频帧,获取所述目标视频帧的人眼关键点;对于所述多个连续目标视频帧,计算任意两个连续目标视频帧之间的人眼关键点位移矢量,根据所述位移矢量的变化趋势确定第一眨眼权重。
具体的,可以利用Harris角点算法获取人眼关键点,然后使用LK算法来迭代的跟踪这些特征点,计算出两帧图像中人眼关键点的位移矢量。
示例性的,以眼中为原点建立坐标系,取上眼皮的中间点为人眼关键点,其纵坐标为正,当眼睛眨眼时,上眼皮向下闭合,人眼关键点的位置会发生变化,纵坐标变为负。当眼睛再次睁开时,人眼关键点的纵坐标恢复为正。假设一次眨眼需要三帧连续的视频帧,计算连续两帧图像中人眼关键点的位移矢量,可以得到两个位移矢量,其方向相反。实际情况中,为了更好的检测眨眼过程,还原人眼关键点的运动轨迹,可以取连续的五帧视频帧。
目标视频帧是包含人眼的视频帧,对于多个连续的目标视频帧,计算相同人眼关键点在两个连续目标视频帧间的位移矢量,得到该人眼关键点在多个连续的目标视频帧中的位移矢量变化趋势,若该人眼关键点的位移矢量方向发生变化,则第一眨眼权重输出为1,若该人眼关键点的位移矢量方向没有发生变化,则第一眨眼权重输出为0。
步骤130、逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重。
所述逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重,包括:从所述处理后的待检测视频流中获取多个连续目标视频帧,对于任一所述目标视频帧,获取所述目标视频帧的人眼轮廓点,并根据所述人眼轮廓点计算人眼宽纵比;对于所述多个连续目标视频帧,根据任意两个连续目标视频帧的所述人眼宽纵比计算宽纵比变化率,根据所述宽纵比变化率的变化趋势确定第二眨眼权重。
具体的,对步骤110得到的人眼数据图像进行灰度化和二值化处理,然后通过Suzuki85算法获取图像轮廓,图像轮廓可以轮廓点集合的形式表示,例如Points{0,1…n}。根据人眼轮廓点获取人眼宽纵比,获取人眼宽纵比的公式如下:
其中,p(x,y)i、p(x,y)i-1是任意两个相邻点,p(y)i、p(y)i-1表示两点的纵坐标,p(x)i-p(x)i-1表示两点的横坐标;i>=2。
对于多个连续的目标视频帧,计算两个连续目标视频帧人眼宽纵比的差值,得到多个连续目标视频帧之间人眼宽纵比的变化率变化趋势,示例性的,连续5个目标视频帧的人眼宽纵比分别为0.61、0.38、0.10、0.33、0.5,则这5个目标视频帧的人眼宽纵比的变化率为-0.23、-0.28、0.22、0.17,由于变化率出现了正负交替,因此,判断视频流中的人眼进行了眨眼,则第二眨眼权重输出为1。当多个连续目标视频帧之间人眼宽纵比的变化率出现正负交替时,第二眨眼权重输出为1,反之,输出为0。
步骤140、根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
可选的,当所述第一眨眼权重和所述第二眨眼权重都为1时,所述待检测视频流中的人脸眨眼。
具体的,第一眨眼权重和第二眨眼权重输出都为1说明根据梯度光流运动检测和人眼宽纵比检测都能够确定待检测视频流中的人脸进行了眨眼,两种检测方式输出结果相同,充分保证了人脸眨眼检测的安全性。
本实施例中,通过获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像。逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。本发明的技术方案通过梯度光流运动检测和人眼宽纵比检测两种检测方法对同一待检测视频流进行眨眼检测,当两种检测方式都判定眨眼时才确定待检测视频流中的人脸眨眼,不仅充分保证了人脸眨眼检测技术的安全性,而且运算简单、准确度高,具有较强的时效性和灵敏性。
一个具体的实施例中,提供了一种眨眼检测的流程。图2为本发明实施例提供的一种眨眼检测的流程图,如图2所示,眨眼检测的流程包括:
步骤201、构建人脸检测模型。
步骤202、通过WIDERFACE人脸数据集获取人脸样本图像。
步骤203、对所述人脸样本图像的图像数据进行第二预处理,得到训练样本集。
步骤204、使用训练样本集对人脸检测模型进行训练,得到训练好的人脸检测模型。
步骤205、通过移动终端摄像头采集待检测视频流。
步骤206、对待检测视频流进行第一预处理。
步骤207、将处理好的待检测视频流输入到训练好的人脸检测模型进行人脸识别检测,得到人脸数据图像。
步骤208、从人脸数据图像中获取人眼数据图像。
步骤209、对于人眼数据图像,分别进行梯度光流运动检测和人眼宽纵比检测,得到第一眨眼权重和第二眨眼权重。
步骤210、对第一眨眼权重和第二眨眼权重进行与运算,判断运算结果是否为1。
步骤211、若是,输出结果为眨眼。
步骤212、若否,输出结果为未眨眼。
图3为本发明实施例提供的一种眨眼检测装置的结构示意图。该眨眼检测装置可以采用硬件和/或软件的形式实现,该眨眼检测装置可用于执行上述任一实施例的眨眼检测方法。如图3所示,该眨眼检测装置包括:
获取模块310,用于获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像。
第一确定模块320,用于逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重。
第二确定模块330,用于逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重。
第三确定模块340,用于根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
本实施例中,通过获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像。逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。本发明的技术方案通过梯度光流运动检测和人眼宽纵比检测两种检测方法对同一待检测视频流进行眨眼检测,当两种检测方式都判定眨眼时才确定待检测视频流中的人脸眨眼,不仅充分保证了人脸眨眼检测技术的安全性,而且运算简单、准确度高,具有较强的时效性和灵敏性。
可选的,所述装置还包括:
训练模块,用于预先基于人脸样本图像训练得到人脸检测模型。
可选的,所述训练模块包括:
训练样本集获取单元,用于获取人脸样本图像,对所述人脸样本图像进行第二预处理,得到训练样本集。
训练单元,用于构建人脸检测模型,利用所述训练样本集对所述人脸检测模型进行训练。
可选的,所述训练样本集获取单元包括:
正负样本数据集生成单元,用于对所述人脸样本图像进行过滤和裁剪,生成正样本和负样本数据集。
训练样本集获取子单元,用于对所述正样本数据集进行第二预处理,生成训练样本集。其中,所述第二预处理包括除噪、图像加强。
可选的,所述训练单元包括:
模型构建子单元,用于基于卷积神经网络构建人脸检测模型;其中,所述卷积神经网络包括卷积层、连接层、BN层、池化层。
训练子单元,用于将所述训练样本集输入所述人脸检测模型,所述卷积神经网络通过随机梯度下降算法遍历所述训练样本集中的人脸图像特征以进行训练。
可选的,所述获取模块具体用于通过移动终端前置摄像头获取待检测视频流,并对所述待检测视频流中的每帧图像进行第一预处理,所述第一预处理包括镜像、旋转、图像加强。
可选的,所述第一确定模块包括:
人眼关键点获取单元,用于从所述处理后的待检测视频流中获取多个连续目标视频帧,对于任一所述目标视频帧,获取所述目标视频帧的人眼关键点。
第一眨眼权重确定单元,用于对于所述多个连续目标视频帧,计算任意两个连续目标视频帧之间的人眼关键点位移矢量,根据所述位移矢量的变化趋势确定第一眨眼权重。
可选的,所述第二确定模块包括:
人眼宽纵比计算单元,用于从所述处理后的待检测视频流中获取多个连续目标视频帧,对于任一所述目标视频帧,获取所述目标视频帧的人眼轮廓点,并根据所述人眼轮廓点计算人眼宽纵比。
第二眨眼权重确定单元,用于对于所述多个连续目标视频帧,根据任意两个连续目标视频帧的所述人眼宽纵比计算宽纵比变化率,根据所述宽纵比变化率的变化趋势确定第二眨眼权重。
可选的,所述第三确定模块,具体用于当所述第一眨眼权重和所述第二眨眼权重都为1时,所述待检测视频流中的人脸眨眼。本发明实施例所提供的眨眼检测装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
图4为本发明实施例提供的一种电子设备结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如眨眼检测方法。
在一些实施例中,眨眼检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的眨眼检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行眨眼检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种眨眼检测方法,其特征在于,包括:
获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像;
逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;
逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;
根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预先基于人脸样本图像训练得到人脸检测模型;
所述预先基于人脸样本图像训练得到人脸检测模型,包括:
获取人脸样本图像,对所述人脸样本图像进行第二预处理,得到训练样本集;
构建人脸检测模型,利用所述训练样本集对所述人脸检测模型进行训练;
所述获取人脸样本图像,并对所述人脸样本图像进行第二预处理得到训练样本集,包括:
对所述人脸样本图像进行过滤和裁剪,生成正样本和负样本数据集;
对所述正样本数据集进行第二预处理,生成训练样本集;其中,所述第二预处理包括除噪、图像加强。
3.根据权利要求2所述的方法,其特征在于,所述构建人脸检测模型,利用所述训练样本集对所述人脸检测模型进行训练,包括:
基于卷积神经网络构建人脸检测模型;其中,所述卷积神经网络包括卷积层、连接层、BN层、池化层。
将所述训练样本集输入所述人脸检测模型,所述卷积神经网络通过随机梯度下降算法遍历所述训练样本集中的人脸图像特征以进行训练。
4.根据权利要求1所述的方法,其特征在于,所述获取待检测视频流,对所述待检测视频流进行第一预处理,包括:
通过移动终端前置摄像头获取待检测视频流,并对所述待检测视频流中的每帧图像进行第一预处理,所述第一预处理包括镜像、旋转、图像加强。
5.根据权利要求1所述的方法,其特征在于,所述逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重,包括:
从所述处理后的待检测视频流中获取多个连续目标视频帧,对于任一所述目标视频帧,获取所述目标视频帧的人眼关键点;
对于所述多个连续目标视频帧,计算任意两个连续目标视频帧之间的人眼关键点位移矢量,根据所述位移矢量的变化趋势确定第一眨眼权重。
6.根据权利要求1所述的方法,其特征在于,所述逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重,包括:
从所述处理后的待检测视频流中获取多个连续目标视频帧,对于任一所述目标视频帧,获取所述目标视频帧的人眼轮廓点,并根据所述人眼轮廓点计算人眼宽纵比;
对于所述多个连续目标视频帧,根据任意两个连续目标视频帧的所述人眼宽纵比计算宽纵比变化率,根据所述宽纵比变化率的变化趋势确定第二眨眼权重。
7.根据权利要求1所述的方法,其特征在于,根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼,包括:
当所述第一眨眼权重和所述第二眨眼权重都为1时,所述待检测视频流中的人脸眨眼。
8.一种眨眼检测装置,其特征在于,包括:
获取模块,用于获取待检测视频流,对所述待检测视频流进行第一预处理,将处理后的待检测视频流逐帧输入到预先训练好的人脸检测模型中,获取所述人脸检测模型输出的所述待检测视频流各帧人脸数据图像,并根据所述人脸数据图像获取人眼数据图像;
第一确定模块,用于逐帧对所述人眼数据图像进行梯度光流运动检测,根据检测结果计算人眼关键点位移矢量,根据所述人眼关键点位移矢量确定第一眨眼权重;
第二确定模块,用于逐帧对所述人眼数据图像进行人眼宽纵比检测,根据检测结果计算宽纵比变化率,根据所述宽纵比变化率确定第二眨眼权重;
第三确定模块,用于根据所述第一眨眼权重和所述第二眨眼权重确定所述待检测视频流中的人脸是否眨眼。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211536258.4A CN115937958B (zh) | 2022-12-01 | 2022-12-01 | 一种眨眼检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211536258.4A CN115937958B (zh) | 2022-12-01 | 2022-12-01 | 一种眨眼检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937958A true CN115937958A (zh) | 2023-04-07 |
CN115937958B CN115937958B (zh) | 2023-12-15 |
Family
ID=86700335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211536258.4A Active CN115937958B (zh) | 2022-12-01 | 2022-12-01 | 一种眨眼检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937958B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504378A (zh) * | 2014-12-29 | 2015-04-08 | 北京奇艺世纪科技有限公司 | 一种图像信息检测方法及装置 |
CN107358206A (zh) * | 2017-07-13 | 2017-11-17 | 山东大学 | 一种基于感兴趣区域的光流特征矢量模值和角度结合的微表情检测方法 |
CN108229282A (zh) * | 2017-05-05 | 2018-06-29 | 商汤集团有限公司 | 关键点检测方法、装置、存储介质及电子设备 |
CN108537131A (zh) * | 2018-03-15 | 2018-09-14 | 中山大学 | 一种基于人脸特征点和光流场的人脸识别活体检测方法 |
CN108805047A (zh) * | 2018-05-25 | 2018-11-13 | 北京旷视科技有限公司 | 一种活体检测方法、装置、电子设备和计算机可读介质 |
CN109271950A (zh) * | 2018-09-28 | 2019-01-25 | 广州云从人工智能技术有限公司 | 一种基于手机前视摄像头的人脸活体检测方法 |
CN109840565A (zh) * | 2019-01-31 | 2019-06-04 | 成都大学 | 一种基于眼部轮廓特征点纵横比的眨眼检测方法 |
WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技(深圳)有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
CN110991348A (zh) * | 2019-12-05 | 2020-04-10 | 河北工业大学 | 基于光流梯度幅值特征的人脸微表情检测方法 |
CN111814589A (zh) * | 2020-06-18 | 2020-10-23 | 浙江大华技术股份有限公司 | 部位识别方法以及相关设备、装置 |
CN111860056A (zh) * | 2019-04-29 | 2020-10-30 | 北京眼神智能科技有限公司 | 基于眨眼的活体检测方法、装置、可读存储介质及设备 |
CN112101109A (zh) * | 2020-08-11 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 人脸关键点检测模型训练方法、装置、电子设备和介质 |
CN113298018A (zh) * | 2021-06-10 | 2021-08-24 | 浙江工业大学 | 基于光流场和脸部肌肉运动的假脸视频检测方法及装置 |
-
2022
- 2022-12-01 CN CN202211536258.4A patent/CN115937958B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504378A (zh) * | 2014-12-29 | 2015-04-08 | 北京奇艺世纪科技有限公司 | 一种图像信息检测方法及装置 |
CN108229282A (zh) * | 2017-05-05 | 2018-06-29 | 商汤集团有限公司 | 关键点检测方法、装置、存储介质及电子设备 |
CN107358206A (zh) * | 2017-07-13 | 2017-11-17 | 山东大学 | 一种基于感兴趣区域的光流特征矢量模值和角度结合的微表情检测方法 |
CN108537131A (zh) * | 2018-03-15 | 2018-09-14 | 中山大学 | 一种基于人脸特征点和光流场的人脸识别活体检测方法 |
CN108805047A (zh) * | 2018-05-25 | 2018-11-13 | 北京旷视科技有限公司 | 一种活体检测方法、装置、电子设备和计算机可读介质 |
WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技(深圳)有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
CN109271950A (zh) * | 2018-09-28 | 2019-01-25 | 广州云从人工智能技术有限公司 | 一种基于手机前视摄像头的人脸活体检测方法 |
CN109840565A (zh) * | 2019-01-31 | 2019-06-04 | 成都大学 | 一种基于眼部轮廓特征点纵横比的眨眼检测方法 |
CN111860056A (zh) * | 2019-04-29 | 2020-10-30 | 北京眼神智能科技有限公司 | 基于眨眼的活体检测方法、装置、可读存储介质及设备 |
CN110991348A (zh) * | 2019-12-05 | 2020-04-10 | 河北工业大学 | 基于光流梯度幅值特征的人脸微表情检测方法 |
CN111814589A (zh) * | 2020-06-18 | 2020-10-23 | 浙江大华技术股份有限公司 | 部位识别方法以及相关设备、装置 |
CN112101109A (zh) * | 2020-08-11 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 人脸关键点检测模型训练方法、装置、电子设备和介质 |
CN113298018A (zh) * | 2021-06-10 | 2021-08-24 | 浙江工业大学 | 基于光流场和脸部肌肉运动的假脸视频检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115937958B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826519A (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
CN115147558B (zh) | 三维重建模型的训练方法、三维重建方法及装置 | |
CN112561060B (zh) | 神经网络训练方法及装置、图像识别方法及装置和设备 | |
CN113221771B (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN116228867B (zh) | 位姿确定方法、装置、电子设备、介质 | |
CN114445667A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN113591675A (zh) | 图像识别模型的构建方法、装置、设备以及存储介质 | |
CN113269010B (zh) | 一种人脸活体检测模型的训练方法和相关装置 | |
CN115511779A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 | |
CN115937958B (zh) | 一种眨眼检测方法、装置、设备及存储介质 | |
CN114926322B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN113139483A (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
CN113553905A (zh) | 图像识别方法、装置及*** | |
CN113486853A (zh) | 视频检测方法及装置、电子设备和介质 | |
CN111950575A (zh) | 用于跌倒检测的设备及其方法 | |
CN113298747A (zh) | 图片、视频检测方法和装置 |
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 |