CN104143076B - 人脸形状的匹配方法和系统 - Google Patents

人脸形状的匹配方法和系统 Download PDF

Info

Publication number
CN104143076B
CN104143076B CN201310169188.8A CN201310169188A CN104143076B CN 104143076 B CN104143076 B CN 104143076B CN 201310169188 A CN201310169188 A CN 201310169188A CN 104143076 B CN104143076 B CN 104143076B
Authority
CN
China
Prior art keywords
template image
shape
face
shape facility
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
Application number
CN201310169188.8A
Other languages
English (en)
Other versions
CN104143076A (zh
Inventor
熊鹏飞
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.)
Tencent Technology Shenzhen Co Ltd
Tencent Cloud Computing Beijing Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201310169188.8A priority Critical patent/CN104143076B/zh
Priority to PCT/CN2013/087001 priority patent/WO2014180108A1/en
Priority to US14/191,042 priority patent/US9122914B2/en
Publication of CN104143076A publication Critical patent/CN104143076A/zh
Application granted granted Critical
Publication of CN104143076B publication Critical patent/CN104143076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/161—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

Abstract

本发明公开了一种人脸形状的匹配方法和系统，属于人脸识别技术领域。所述方法包括：获取待测试图像的样本；对所述图像的样本进行人脸检测，获得所述人脸的形状特征；将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。本发明通过实现了对人脸相似物体的检测，这种以特定物体描述人脸不仅能增加趣味性，而且还能使人脸表象更深刻。

Description

人脸形状的匹配方法和系统
技术领域
本发明涉及人脸识别技术领域，特别涉及一种人脸形状的匹配方法和系统。
背景技术
随着计算机技术的进步，人脸识别的技术也越来越成熟。目前的人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。而形状是一个物体最直接的表现方式之一。相似形状的物体在日常生活中比比皆是，人脸也常常被拿来和其他物体作比对进行描述。比如形容人脸为鹅蛋脸，瓜子脸，及某人的脸和某种宠物狗相似等等。以特定物体描述人脸不仅能增加趣味性，而且还能使人脸表象更深刻。
所以现有技术中单纯的对人脸进行身份鉴别的方式，已经不能满足用户的需求，怎样获取与人脸的形状特征相似的物体可能是用户更感兴趣的事情。
发明内容
为了实现根据人脸的形状特征获取与之相似的物体，本发明实施例中提供了一种人脸形状的匹配方法和系统。所述技术方案如下：
一方面，提供了一种人脸形状的匹配方法，所述方法包括：
获取待测试图像的样本；
对所述图像的样本进行人脸检测，获得所述人脸的形状特征，所述人脸形状特征是对人脸的形状进行几何模糊，得到人脸对应的模糊形状，对所述人脸对应的模糊形状进行采样得到的，所述人脸的形状特征包括离散点坐标和几何模糊描述符；
将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
另一方面，提供了一种人脸形状的匹配系统，所述系统包括：
测试样本获取模块，用于获取待测试图像的样本；
人脸形状抽取模块，用于对所述图像的样本进行人脸检测，获得所述人脸的形状特征，所述人脸形状特征是对人脸的形状进行几何模糊，得到人脸对应的模糊形状，对所述人脸对应的模糊形状进行采样得到的，所述人脸的形状特征包括离散点坐标和几何模糊描述符；
人脸形状匹配模块，用于将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
本发明实施例提供的技术方案带来的有益效果是：对所述图像的样本进行人脸检测，获得所述人脸的形状特征；将所述人脸的形状特征与所述模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，从而实现了对人脸相似物体的检测，这种以特定物体描述人脸不仅能增加趣味性，而且还能使人脸表象更深刻。
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是ASM迭代处理获得图像形状的示意图；
图2是Snake模型抽取形状的示意图；
图3是Canny模型求取图像边缘的示意图；
图4是本发明实施例一中提供的一种人脸形状的匹配方法流程图；
图5是本发明实施例二中提供的一种人脸形状的匹配方法流程图；
图6是本发明实施例二中提供的一种几何模糊示意图；
图7是本发明实施例二中提供的一种人脸形状抽取示意图；
图8是本发明实施例三中提供的一种人脸形状的匹配系统结构示意图；
图9是本发明实施例三中提供的另一种人脸形状的匹配系统结构示意图；
图10是本发明实施例三中提供的一种模板图像数据库建立模块结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
ASM(ActiveShapeModel，主动形状模型)算法为物体形状定位的主流算法。执行过程包括：首先基于已标定好人脸形状的人脸图像，分别训练全局形状模型和局部纹理模型；其次按照以下步骤获得人脸图像的形状位置：
1)以全局形状模型的平均形状作为人脸初始形状；
2)基于局部纹理模型，在每个形状点邻域内搜索与其纹理特征最相似的候选点；
3)根据全局形状模型对所有搜索到的形状点进行形状约束和校正，得到新的人脸形状点；
4)重复2)-3)，直到前后两次迭代所得到的形状点之间误差小于给定阈值，则退出。如图1所示为ASM算法定位的迭代过程。
Snake模型算法基于给定的一组初始点，在迭代过程中使得整个形状的梯度最大。如图2所示为Snake模型抽取形状示意图：其步骤为：
1)任意初始化一组形状点；
2)计算每个形状点对应图像像素点的梯度方向，并移动形状点；
3)计算整体形状能量函数，调整形状；
4)重复步骤2)-3)，直到收敛到图像的形状。
Canny为一种求取图像边缘的方法。如图所示3所示Canny求取边缘的示意图，其步骤包括：
1)对图像进行高斯模糊，去除图像噪声；
2)给定4个蒙版，对应水平，垂直，对角线4个方向，分别对图像进行卷积，获得图像中的较亮的点为候选边缘点；
3)跟踪边缘点，获得图像形状。
实施例一
参见图4，本发明实施例中提供了一种人脸形状的匹配方法，包括：
101、获取待测试图像的样本；
本实施例中，待测试样本包括人脸图像，其中可以是图片也可以是视频流，对此本实施例中并不做具体限定。
102、对所述图像的样本进行人脸检测，获得所述人脸的形状特征；
103、将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
在另一实施例中，所述获取待测试图像的样本之前，还包括：
建立模板图像数据库，所述模板图像数据库中包括模板图像的形状特征。
在另一实施例中，所述建立模板图像数据库，包括：
获得不同形状的物体图像，并截取所述每个物体图像的主体部分，获得规整化的模板图像；
抽取所述每个规整化的模板图像的形状特征；
将所述每个规整化的模板图像对应的形状特征保存到模板图像数据库中。
在另一实施例中，所述规整化的模板图像包括但不限于：宠物类图像和/或食物类图像。
在另一实施例中，所述抽取所述每个规整化的模板图像的形状特征，包括：
获得所述每个规整化的模板图像的主体形状；
根据所述模板图像的主体形状，抽取所述模板图像的形状特征。
在另一实施例中，所述获得所述每个规整化的模板图像的主体形状，包括：
当所述规整化的模板图像为宠物类图像时，通过训练五官形状的主动形状模型ASM算法获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为食物类图像时，通过训练snake模型算法来定位外边界形状获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为轮廓不明的图像时，通过canny边缘检测方法来获得所述模板图像的边缘，再滤除所述模板图像的边缘的小边缘获得所述规整化的模板图像的主体形状。
在另一实施例中，所述根据所述模板图像的主体形状，抽取所述模板图像的形状特征，包括：
对所述每个模板图像的主体形状进行几何模糊，得到所述模板图像对应的模糊形状；
对所述模板图像对应的模糊形状进行采样，获得所述模板图像的形状特征，所述模板图像的形状特征包括离散点坐标和几何模糊描述符。
在另一实施例中，所述将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，包括：
根据所述人脸的形状特征的几何模糊描述符和模板图像数据库中每个模板图像的几何模糊描述符，获得所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异；
根据所述人脸的形状特征的离散点坐标和所述每个模板图像的离散点坐标，获得所述人脸的形状特征和所述模板图像数据库中每个模板图像的形状特征的匹配形状差异；
根据所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异与所述人脸的形状特征和所述每个模板图像的形状特征的匹配形状差异，得到所述人脸的形状特征和所述每个模板图像的形状特征的相似度；
获取所述得到的相似度中的最大相似度值，将所述最大相似度值的对应的模板图像作为与所述人脸最近似的模板图像输出。
本实施例的有益效果包括：对所述图像的样本进行人脸检测，获得所述人脸的形状特征；将所述人脸的形状特征与所述模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，从而实现了对人脸相似物体的检测，这种以特定物体描述人脸不仅能增加趣味性，而且还能使人脸表象更深刻。
实施例二
本发明实施例中提供了一种人脸形状的匹配方法，参见图5，方法流程包括：
201、获得不同形状的物体图像，并截取所述每个物体图像的主体部分，获得规整化的模板图像。
本实施例中，建立一个不同形状物体的模板图像数据库，针对任意人脸检索出数据库中与人脸的形状最相似的物体。根据形状的变化，模板图像会有很多类，如动物，食物，家具，植物等，但为了使人脸匹配效果更好，本实施例中主要集中为两类：宠物类与食物类。宠物类包含不同种类的宠物，如，猫，狗，鼠等，食物类则包含日常生活中的实物图片，如，瓜子，鸭蛋等。但具体执行过程中也不局限于这两类，对此本实施例中不做具体限定。
具体执行过程中，获取不同形状的物体图像，如猫、狗、瓜子等，截取这些物体图像的主体部分，如，宠物的脸部，获得规整化的模板。优选地，获得规整化后的模板图像后，对模板图像进行光照和主题的加强，使得所有模板图像均只包含单一背景下的单一物体，并减弱背景信息。其中具体的图像处理过程与现有技术类似，对此本实施例中不再赘述。
202、抽取所述每个规整化的模板图像的形状特征。
优选地，抽取所述每个规整化的模板图像的形状特征，包括：获得所述每个规整化的模板图像的主体形状；根据所述模板图像的主体形状，抽取所述模板图像的形状特征。
本实施例中，将规整化的模板图像分为三类，第一类为类人脸图像，包括较清晰的宠物图像，其具有与人脸近似的五官，这类图像的形状通过训练五官形状的ASM算法获得；第二类为具有清晰主轮廓的图像，包括形状单一的食物类，这类图像通过训练snake模型算法来定位外边界形状；第三类为轮廓不明的图像，这类图像通过canny边缘检测方法来获得整幅图像的边缘，再进一步滤除小边缘来获得图像的主题轮廓。
所以，可选地，获得所述每个规整化的模板图像的主体形状，包括：
当所述规整化的模板图像为宠物类图像时，通过训练五官形状的主动形状模型ASM算法获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为食物类图像时，通过训练snake模型算法来定位外边界形状获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为轮廓不明的图像时，通过canny边缘检测方法来获得所述模板图像的边缘，再滤除所述模板图像的边缘的小边缘获得所述规整化的模板图像的主体形状。
进一步，优选地，获取到模板图像的主体形状后，根据所述模板图像的主体形状，抽取所述模板图像的形状特征，包括：
对所述每个模板图像的主体形状进行几何模糊，得到所述模板图像对应的模糊形状；
对所述模板图像对应的模糊形状进行采样，获得所述模板图像的形状特征，所述模板图像的形状特征包括离散点坐标和几何模糊描述符。
本实施例中，在得到人脸形状点后，对人脸的形状进行几何模糊，将原始形状扩展成具有冗余变化的形状，从而得到人脸的形状特征。如图6所示，形状模糊示意图，将形状做几何模糊。优选地，几何模糊过程中基于模糊点与原始形状点之间的距离来调整模糊因子。当模糊点距离原始形状点越远时，模糊因子越大，即模糊越严重。
B x 0 ( x ) = S a | x | + b ( x 0 - x ) . - - - 1 )
其中，表示x相对于x0的模糊度。对于任意的点x0，模糊点可以存在与该点的任意方向上a|x|+b上。a与b表示该方向为经过点x的直线。在该直线上采样得到一组模糊点x′，其中点x0相对于x的模糊度即为在不同的a与b，可以得到若干组离散模糊点，及每个点相对于原始点的模糊程度。然后，针对模糊形状进行采样，得到以离散点坐标和几何模糊描述符表示的图像特征。
203、将所述每个规整化的模板图像对应的形状特征保存到模板图像数据库中。
本实施例中，抽取到模板图像的形状特征后，将每个模板图像的形状特征与其对应的模板图像对应保存到模板图像数据库中，以便实现针对人脸形状特征的物体检索。
其中，步骤201-203为具体执行建立模板图像数据库的过程，所述模板图像数据库中包括模板图像的形状特征。值得说明的是，在具体执行人脸形状匹配的过程中，如果图像模板数据库已经建立，则不需要再执行步骤201-203，对此本实施例中并不做具体限定。
204、获取待测试图像的样本，对所述图像的样本进行人脸检测，获得所述人脸的形状特征。
本步骤中，执行人脸形状的匹配，获取待测试图像的样本，其中，待测试图像的样本可以为图片，也可以为摄像头采集到的视频流，对此本实施例中并不做具体限定。
在获取到待测试图像的样本后，首先，对于输入图像先进行人脸检测与眼睛定位，可选地，采用adaboost和haar特征的人脸检测方法即可获得图像中的人脸框位置，进一步在人脸框中定位眼睛精确位置，通过ASM算法对人脸的形状进行定位，其中人脸的形状包含但不限于：人脸轮廓，眼睛，鼻子，嘴巴等器官的边界形状点。如图7所示，通过ASM算法对人脸的形状进行定位后，获取到人脸形状点。
进一步地，根据所述人脸的形状，抽取所述人脸的形状特征，包括：对人脸的形状进行几何模糊，得到人脸对应的模糊形状；对所述人脸对应的模糊形状进行采样，获得所述人脸的形状特征，所述人脸的形状特征包括离散点坐标和几何模糊描述符。
其中，具体的模糊过程与步骤201中对模板图像的模糊过程类似，对此本实施例中不再赘述。
205、将所述人脸的形状特征与所述模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
本步骤中，在获得人脸的形状特征之后，需要匹配该特征与图像模板中每一张图像的形状特征。以获得与人脸最相近似的物体。
优选地，将所述人脸的形状特征与所述模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，包括：
根据所述人脸的形状特征的几何模糊描述符和所述每个模板图像的几何模糊描述符，获得所述人脸的形状特征和模板图像数据库中每个模板图像的形状特征的模糊算子差异；
根据所述人脸的形状特征的离散点坐标和所述每个模板图像的离散点坐标，获得所述人脸的形状特征和所述模板图像数据库中每个模板图像的形状特征的匹配形状差异；
根据所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异与所述人脸的形状特征和所述每个模板图像的形状特征的匹配形状差异，得到所述人脸的形状特征和所述每个模板图像的形状特征的相似度；
获取所述得到的相似度中的最大相似度值，将所述最大相似度值的对应的模板图像作为与所述人脸最近似的模板图像输出。
本实施例中，任意两组特征之间的相似度Dist(x1,x2)由模糊算子差异和匹配形状差异两部分完成，如公式2)所示：
Dist(x1,x2)＝wmfm(x1,x2)+wdfd(x1,x2)；2)
其中，wm和fm分别对应两组特征的几何模糊差异权重和差异函数，wd和fd对应特征之间的形状差异权重及差异值，wm与wd之和为1。
由于每组形状特征由形状中的离散点位置表示，对于两组形状特征，形状中的两个点坐标可以构成两组形状向量，继而确定两个特征值：向量的夹角da和长度差dl，则形状特征的匹配差异为：
fd(x1,x2)＝Σrda(x1,x2)+Σ(1-r)dl(x1,x2)；3)
几何模糊算子差异由每个像素点模糊程度决定，
f m ( x 1 , x 2 ) = f ( B x 1 , B x 2 ) ; - - - 4 )
本实施例中，根据人脸的形状特征的模糊算子差异和模板形状特征的模糊算子差异及匹配形状差异计算出两组形状之间的相似度Dist(x1,x2)，基于两组形状之间的相似度Dist(x1,x2)，获取其中的最大相似度值，检索出与输入人脸相似度最大的模板，将该模板作为输出模板图像。
本实施例的有益效果包括：对所述图像的样本进行人脸检测，获得所述人脸的形状特征；将所述人脸的形状特征与所述模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，从而实现了对人脸相似物体的检测，这种以特定物体描述人脸不仅能增加趣味性，而且还能使人脸表象更深刻。
实施例三
参见图8，本发明实施例提供了一种人脸形状的匹配系统，包括：测试样本获取模块301，人脸形状抽取模块302和人脸形状匹配模块303。
测试样本获取模块301，用于获取待测试图像的样本；
人脸形状抽取模块302，用于对所述图像的样本进行人脸检测，获得所述人脸的形状特征；
人脸形状匹配模块303，用于将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
参见图9，在另一实施例中，所述系统还包括：
模板图像数据库建立模块304，用于在所述测试样本获取模块获取待测试图像的样本之前，建立模板图像数据库。
参见图10，在另一实施例中，所述模板图像数据库建立模块，包括：
规整化模板单元304a，用于获得不同形状的物体图像，并截取所述每个物体图像的主体部分，获得规整化的模板图像；
形状抽取单元304b，用于抽取所述每个规整化的模板图像的形状特征；
存储单元304c，用于在所述模板图像数据库中保存所述每个规整化的模板图像对应的形状特征。
在另一实施例中，所述规整化的模板图像包括但不限于：宠物类图像和/或食物类图像。
参见图10，在另一实施例中，所述形状抽取单元304b，包括：
主体形状抽取子单元304b1，用于获得所述每个规整化的模板图像的主体形状；
形状特征抽取子单元304b2，用于根据所述模板图像的主体形状，抽取所述模板图像的形状特征。
在另一实施例中，所述主体形状抽取子单元304b1具体用于：
当所述规整化的模板图像为宠物类图像时，通过训练五官形状的主动形状模型ASM算法获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为食物类图像时，通过训练snake模型算法来定位外边界形状获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为轮廓不明的图像时，通过canny边缘检测方法来获得所述模板图像的边缘，再滤除所述模板图像的边缘的小边缘获得所述规整化的模板图像的主体形状。
在另一实施例中，所述形状特征抽取子单元304b2具体用于：
对所述每个模板图像的主体形状进行几何模糊，得到所述模板图像对应的模糊形状；
对所述模板图像对应的模糊形状进行采样，获得所述模板图像的形状特征，所述模板图像的形状特征包括离散点坐标和几何模糊描述符。
参见图9，在另一实施例中，所述人脸形状匹配模块303，包括：
模糊算子差异获取单元303a，用于根据所述人脸的形状特征的几何模糊描述符和模板图像数据库中每个模板图像的几何模糊描述符，获得所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异；
匹配形状差异获取单元303b，用于根据所述人脸的形状特征的离散点坐标和所述每个模板图像的离散点坐标，获得所述人脸的形状特征和所述模板图像数据库中每个模板图像的形状特征的匹配形状差异；
相似度获取单元303c，用于根据所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异与所述人脸的形状特征和所述每个模板图像的形状特征的匹配形状差异，得到所述人脸的形状特征和所述每个模板图像的形状特征的相似度；
匹配物体检索单元303d，用于获取所述得到的相似度中的最大相似度值，将所述最大相似度值的对应的模板图像作为与所述人脸最近似的模板图像输出。
本实施例的有益效果包括：对所述图像的样本进行人脸检测，获得所述人脸的形状特征；将所述人脸的形状特征与所述模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，从而实现了对人脸相似物体的检测，这种以特定物体描述人脸不仅能增加趣味性，而且还能使人脸表象更深刻。
需要说明的是：上述实施例提供的人脸形状的匹配系统，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
另外，上述实施例提供的人脸形状的匹配系统与人脸形状的匹配方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种人脸形状的匹配方法，其特征在于，所述方法包括：
获取待测试图像的样本；
对所述图像的样本进行人脸检测，获得所述人脸的形状特征，所述人脸形状特征是对人脸的形状进行几何模糊，得到人脸对应的模糊形状，对所述人脸对应的模糊形状进行采样得到的，所述人脸的形状特征包括离散点坐标和几何模糊描述符；
将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
2.根据权利要求1所述的方法，其特征在于，所述获取待测试图像的样本之前，还包括：
建立模板图像数据库，所述模板图像数据库中包括模板图像的形状特征。
3.根据权利要求2所述的方法，其特征在于，所述建立模板图像数据库，包括：
获得不同形状的物体图像，并截取所述每个物体图像的主体部分，获得规整化的模板图像；
抽取所述每个规整化的模板图像的形状特征；
将所述每个规整化的模板图像对应的形状特征保存到模板图像数据库中。
4.根据权利要求3所述的方法，其特征在于，所述规整化的模板图像包括：宠物类图像和/或食物类图像。
5.根据权利要求3所述的方法，其特征在于，所述抽取所述每个规整化的模板图像的形状特征，包括：
获得所述每个规整化的模板图像的主体形状；
根据所述模板图像的主体形状，抽取所述模板图像的形状特征。
6.根据权利要求5所述的方法，其特征在于，所述获得所述每个规整化的模板图像的主体形状，包括：
当所述规整化的模板图像为宠物类图像时，通过训练五官形状的主动形状模型ASM算法获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为食物类图像时，通过训练snake模型算法来定位外边界形状获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为轮廓不明的图像时，通过canny边缘方法检测来获得所述模板图像的边缘，再滤除所述模板图像的边缘的小边缘获得所述规整化的模板图像的主体形状。
7.根据权利要求5所述的方法，其特征在于，所述根据所述模板图像的主体形状，抽取所述模板图像的形状特征，包括：
对所述每个模板图像的主体形状进行几何模糊，得到所述模板图像对应的模糊形状；
对所述模板图像对应的模糊形状进行采样，获得所述模板图像的形状特征，所述模板图像的形状特征包括离散点坐标和几何模糊描述符。
8.根据权利要求7所述的方法，其特征在于，所述将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像，包括：
根据所述人脸的形状特征的几何模糊描述符和模板图像数据库中每个模板图像的几何模糊描述符，获得所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异；
根据所述人脸的形状特征的离散点坐标和所述每个模板图像的离散点坐标，获得所述人脸的形状特征和所述模板图像数据库中每个模板图像的形状特征的匹配形状差异；
根据所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异与所述人脸的形状特征和所述每个模板图像的形状特征的匹配形状差异，得到所述人脸的形状特征和所述每个模板图像的形状特征的相似度；
获取所述得到的相似度中的最大相似度值，将所述最大相似度值的对应的模板图像作为与所述人脸最近似的模板图像输出。
9.一种人脸形状的匹配系统，其特征在于，所述系统包括：
测试样本获取模块，用于获取待测试图像的样本；
人脸形状抽取模块，用于对所述图像的样本进行人脸检测，获得所述人脸的形状特征，所述人脸形状特征是对人脸的形状进行几何模糊，得到人脸对应的模糊形状，对所述人脸对应的模糊形状进行采样得到的，所述人脸的形状特征包括离散点坐标和几何模糊描述符；
人脸形状匹配模块，用于将所述人脸的形状特征与模板图像数据库中所有模板图像的形状特征逐一进行匹配，得到与所述人脸最近似的模板图像。
10.根据权利要求9所述的系统，其特征在于，所述系统还包括：
模板图像数据库建立模块，用于在所述测试样本获取模块获取待测试图像的样本之前，建立模板图像数据库，所述模板图像数据库中包括模板图像的形状特征。
11.根据权利要求10所述的系统，其特征在于，所述模板图像数据库建立模块，包括：
规整化模板单元，用于获得不同形状的物体图像，并截取所述每个物体图像的主体部分，获得规整化的模板图像；
形状抽取单元，用于抽取所述每个规整化的模板图像的形状特征；
存储单元，用于将所述每个规整化的模板图像对应的形状特征保存到模板图像数据库中。
12.根据权利要求11所述的系统，其特征在于，所述规整化的模板图像包括：宠物类图像和/或食物类图像。
13.根据权利要求11所述的系统，其特征在于，所述形状抽取单元，包括：
主体形状抽取子单元，用于获得所述每个规整化的模板图像的主体形状；
形状特征抽取子单元，用于根据所述模板图像的主体形状，抽取所述模板图像的形状特征。
14.根据权利要求13所述的系统，其特征在于，所述主体形状抽取子单元具体用于：
当所述规整化的模板图像为宠物类图像时，通过训练五官形状的主动形状模型ASM算法获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为食物类图像时，通过训练snake模型算法来定位外边界形状获得所述规整化的模板图像的主体形状；
当所述规整化的模板图像为轮廓不明的图像时，通过canny边缘检测方法来获得所述模板图像的边缘，再滤除所述模板图像的边缘的小边缘获得所述规整化的模板图像的主体形状。
15.根据权利要求13所述的系统，其特征在于，所述形状特征抽取子单元具体用于：
对所述每个模板图像的主体形状进行几何模糊，得到所述模板图像对应的模糊形状；
对所述模板图像对应的模糊形状进行采样，获得所述模板图像的形状特征，所述模板图像的形状特征包括离散点坐标和几何模糊描述符。
16.根据权利要求15所述的系统，其特征在于，所述人脸形状匹配模块，包括：
模糊算子差异获取单元，用于根据所述人脸的形状特征的几何模糊描述符和模板图像数据库中每个模板图像的几何模糊描述符，获得所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异；
匹配形状差异获取单元，用于根据所述人脸的形状特征的离散点坐标和所述每个模板图像的离散点坐标，获得所述人脸的形状特征和所述模板图像数据库中每个模板图像的形状特征的匹配形状差异；
相似度获取单元，用于根据所述人脸的形状特征和所述每个模板图像的形状特征的模糊算子差异与所述人脸的形状特征和所述每个模板图像的形状特征的匹配形状差异，得到所述人脸的形状特征和所述每个模板图像的形状特征的相似度；
匹配物体检索单元，用于获取所述得到的相似度中的最大相似度值，将所述最大相似度值的对应的模板图像作为与所述人脸最近似的模板图像输出。
CN201310169188.8A 2013-05-09 2013-05-09 人脸形状的匹配方法和系统 Active CN104143076B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310169188.8A CN104143076B (zh) 2013-05-09 2013-05-09 人脸形状的匹配方法和系统
PCT/CN2013/087001 WO2014180108A1 (en) 2013-05-09 2013-11-13 Systems and methods for matching face shapes
US14/191,042 US9122914B2 (en) 2013-05-09 2014-02-26 Systems and methods for matching face shapes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310169188.8A CN104143076B (zh) 2013-05-09 2013-05-09 人脸形状的匹配方法和系统

Publications (2)

Publication Number Publication Date
CN104143076A CN104143076A (zh) 2014-11-12
CN104143076B true CN104143076B (zh) 2016-08-03

Family

ID=51852246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310169188.8A Active CN104143076B (zh) 2013-05-09 2013-05-09 人脸形状的匹配方法和系统

Country Status (2)

Country Link
CN (1) CN104143076B (zh)
WO (1) WO2014180108A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105893963B (zh) * 2016-03-31 2019-03-08 南京邮电大学 一种筛选视频中单个行人目标的最佳易识别帧的方法
CN107729910A (zh) * 2016-08-11 2018-02-23 阿里巴巴集团控股有限公司 一种图形识别的方法、装置及系统
CN106909625A (zh) * 2017-01-20 2017-06-30 清华大学 一种基于Siamese网络的图像检索方法及系统
CN107292901B (zh) * 2017-07-24 2020-06-02 北京小米移动软件有限公司 边缘检测方法及装置
CN108898615B (zh) * 2018-06-15 2021-09-24 阿依瓦（北京）技术有限公司 用于高频信息图像的块匹配方法
CN109063628B (zh) * 2018-07-27 2023-04-21 平安科技（深圳）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN110674719B (zh) * 2019-09-18 2022-07-26 北京市商汤科技开发有限公司 目标对象匹配方法及装置、电子设备和存储介质
CN112113684A (zh) * 2020-08-26 2020-12-22 武汉普利商用机器有限公司 一种基于人脸检测的自动测温方法及系统
CN112734682B (zh) * 2020-12-31 2023-08-01 杭州芯炬视人工智能科技有限公司 人脸检测表面向量数据加速方法、系统、计算机设备和存储介质
CN113450281A (zh) * 2021-07-09 2021-09-28 浙江省农业科学院 一种基于光电技术的黄瓜果型识别系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987890A (zh) * 2005-12-23 2007-06-27 北京海鑫科金高科技股份有限公司 通用的主动形变模型的人脸图像匹配方法
CN101131728A (zh) * 2007-09-29 2008-02-27 东华大学 一种基于Shape Context的人脸形状匹配方法
CN101593272A (zh) * 2009-06-18 2009-12-02 电子科技大学 一种基于asm算法的人脸特征定位方法
CN101770649A (zh) * 2008-12-30 2010-07-07 中国科学院自动化研究所 一种人脸图像自动合成方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162499A (zh) * 2006-10-13 2008-04-16 上海银晨智能识别科技有限公司 利用人脸模板组合进行比对的方法
CN101324919A (zh) * 2007-06-15 2008-12-17 上海银晨智能识别科技有限公司 一种照片视频比对方法
CN101964064B (zh) * 2010-07-27 2013-06-19 上海摩比源软件技术有限公司 一种人脸比对方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987890A (zh) * 2005-12-23 2007-06-27 北京海鑫科金高科技股份有限公司 通用的主动形变模型的人脸图像匹配方法
CN101131728A (zh) * 2007-09-29 2008-02-27 东华大学 一种基于Shape Context的人脸形状匹配方法
CN101770649A (zh) * 2008-12-30 2010-07-07 中国科学院自动化研究所 一种人脸图像自动合成方法
CN101593272A (zh) * 2009-06-18 2009-12-02 电子科技大学 一种基于asm算法的人脸特征定位方法

Also Published As

Publication number Publication date
WO2014180108A1 (en) 2014-11-13
CN104143076A (zh) 2014-11-12

Similar Documents

Publication Publication Date Title
CN104143076B (zh) 人脸形状的匹配方法和系统
CN104143079B (zh) 人脸属性识别的方法和系统
CN105740780B (zh) 人脸活体检测的方法和装置
US20070009159A1 (en) Image recognition system and method using holistic Harr-like feature matching
CN106897675A (zh) 双目视觉深度特征与表观特征相结合的人脸活体检测方法
Guo et al. Aligned to the object, not to the image: A unified pose-aligned representation for fine-grained recognition
CN101551852B (zh) 训练系统、训练方法和检测方法
CN105138995B (zh) 基于骨架信息的时不变及视不变的人体行为识别方法
CN112784763A (zh) 基于局部与整体特征自适应融合的表情识别方法及系统
CN107392182A (zh) 一种基于深度学习的人脸采集识别方法及装置
CN108171133A (zh) 一种基于特征协方差矩阵的动态手势识别方法
CN111488943A (zh) 人脸识别的方法及设备
CN103745209A (zh) 一种人脸识别方法及系统
CN109407828A (zh) 一种凝视点估计方法及系统、存储介质及终端
CN111178195A (zh) 人脸表情识别方法、装置及计算机可读存储介质
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
CN110728242A (zh) 基于人像识别的图像匹配方法、装置、存储介质及应用
CN113963426B (zh) 模型训练、戴口罩人脸识别方法、电子设备及存储介质
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
Tang et al. Using a selective ensemble support vector machine to fuse multimodal features for human action recognition
Dai et al. Iris center localization using energy map with image inpaint technology and post-processing correction
Kim et al. Convolutional neural network architectures for gaze estimation on mobile devices
CN112149517A (zh) 一种人脸考勤方法、系统、计算机设备及存储介质
CN112655021A (zh) 图像处理方法、装置、电子设备和存储介质
Ma et al. Research on kinect-based gesture recognition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200826

Address after: Shenzhen Futian District City, Guangdong province 518000 Zhenxing Road, SEG Science Park 2 East Room 403

Co-patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd.

Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd.

Address before: Shenzhen Futian District City, Guangdong province 518000 Zhenxing Road, SEG Science Park 2 East Room 403

Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd.

TR01 Transfer of patent right