CN104766041A - 一种图像识别方法、装置及系统 - Google Patents
一种图像识别方法、装置及系统 Download PDFInfo
- Publication number
- CN104766041A CN104766041A CN201410007005.7A CN201410007005A CN104766041A CN 104766041 A CN104766041 A CN 104766041A CN 201410007005 A CN201410007005 A CN 201410007005A CN 104766041 A CN104766041 A CN 104766041A
- Authority
- CN
- China
- Prior art keywords
- expression analysis
- dimension
- face
- characteristic
- characteristic coefficient
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像识别方法及相关装置,用于对图像进行人脸的表情识别。本发明实施例方法包括:对目标图像进行人脸特征提取,得到人脸信息;对所述人脸信息进行归一化处理,得到第一维度的特征系数;将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像识别方法、装置及系统。
背景技术
目前,随着数码相机、手机、摄像头等的普及,用户拍照越来越多,照片中含有人像的数量也越来越多。用户对照片的需求也变得越来越多,不仅仅限于之前单纯的记录需求,在查看和编辑照片方面需求也越来越多,从单纯的美化外还希望有更多有趣的处理照片的方式,例如添加一些搞笑的贴纸,写一些搞笑的文字等。
随着图像处理技术的发展和成熟,对照片中人脸图像处理的关注也越来越多,例如很多图片处理软件中的美容功能等。在用户拍下一些含有人脸的照片时,照片可以记录用户当时的心情,例如开心或伤心,当人们在浏览这些照片时,可以通过照片中的人物的表情回忆起当时的心情。如果希望挑选出其中比较开心或不开心的照片时,目前主要的做法是靠人工挑选,现有技术中,缺少一种能对图像中人脸表情进行智能识别的技术,导致用户只能通过传统的人工挑选对照片进行筛选,效率低下。
发明内容
本发明实施例提供了一种图像识别方法,用于对图像进行人脸的表情识别。
本发明实施例第一方面提供的图像识别方法,包括:
对目标图像进行人脸特征提取,得到人脸信息;
对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;
将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
本发明实施例第二方面提供的图像识别装置,包括:
提取单元,用于对目标图像进行人脸特征提取,得到人脸信息;
处理单元,用于对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;
表情分析单元,用于将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
本发明实施例第三方面提供的图像识别系统,包括:图像识别装置和显示装置;
所述图像识别装置用于对目标图像进行人脸特征提取,得到人脸信息;对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,向所述显示装置发送所述表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型;
所述显示装置用于向用户显示所述表情分析结果。
从以上技术方案可以看出,本发明实施例具有以下优点:
在本发明实施例中,可以对目标图像进行人脸特征提取,对提取到的人脸信息进行图像描述和归一化处理,得到特征系数,再将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,使得终端可以识别目标图像中人脸所表现出来的特定表情,从而使得终端可以实现特定表情的图像筛选功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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是本发明实施例图像识别方法的一个流程示意图;
图2是本发明实施例图像识别方法的另一个流程示意图;
图3是本发明实施例图像识别方法的另一个流程示意图;
图4是本发明实施例图像识别装置的逻辑结构示意图;
图5是本发明实施例图像识别系统的逻辑结构示意图。
具体实施方式
本发明实施例提供了一种图像识别方法,用于对图像进行人脸的表情识别。
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中图像识别方法的一个实施例包括:
101、对目标图像进行人脸特征提取;
图像识别装置对目标图像进行人脸特征提取,得到人脸信息。
可选的,所述人脸信息可以包括人脸在目标图像中的大小、位置或肤色等信息。
示例性的,在实际应用中,目标图像为图像识别装置的待处理图像,可以是一张或若干张图像。
而本发明实施例中的图像识别装置可以为独单的物理设备,也可以为加载在终端上的软件程序,图像识别装置的描述仅仅是示意性的,例如,图像识别装置中单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
102、对所述人脸信息进行图像描述和归一化处理;
图像识别装置对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数。
可选的,可以使用Gabor特征提取的方法对所述人脸信息进行图像描述。
所述归一化处理可以细分为尺寸的归一化处理,以及光照的归一化处理。
可选的,归一化处理的过程可以包括:图像尺寸修改,像素值的调整,以及对图像参数进行卷积运算等。
所述第一维度为在一定前提下描述一个目标图像所需的参数个数。在本发明的其它实施例中还会出现第二维度,其中,第一维度大于第二维度,即第一维度所代表的参数量要多于第二维度所代表的参数量。
在实际应用中,为了便于进行图像分析,以及节省进行图像分析的运算开销,会对需要进行分析的图像数据进行标准化,即对本发明实施例中的人脸信息进行归一化处理,得到统一标准的图像数据,以便于将这些图像数据作为表情分析模型的输入参数。
103、将所述特征系数作为表情分析模型的输入参数;
图像识别装置将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
示例性的,所述表情分析模型可以为一种函数,图像识别装置将所述特征系数作为该函数的输入参数进行运算,可以得到一个关于表情的分析结果。可选的,所述表情分析结果可以为特定表情的类型识别结果,进一步的,还可以为某种特定表情的一个程度分值(如,90至100分代表大笑,89至60分代表微笑等)。
可选的,所述表情特征可以为笑或哭泣,进一步的,还可以为悲伤、严肃、生气、害羞或害怕等表情,具体可以根据实际需要而定,此处具体不作限定。
在本发明实施例中,可以对目标图像进行人脸特征提取,对提取到的人脸信息进行图像描述和归一化处理,得到特征系数,再将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,使得终端可以识别目标图像中人脸所表现出来的特定表情,从而使得终端可以实现特定表情的图像筛选功能。例如,用户在装载了所述图像识别装置的终端进行操作,用户可以选择所述终端中的一个文件夹(该文件夹中包含若干张图像),然后通过按键选项指示终端筛选出其中包含人脸笑容的图像,无需用户逐一点过目图像进行筛选,简单便捷。
在实际应用中,在进行人脸的表情分析之前,需要通过训练获得表情分析模型,下面对本发明实施例的表情分析模型的生成场景进行描述,请参阅图2,本发明实施例中图像识别方法的另一个实施例包括:
201、生成表情分析模型;
图像识别装置采集大量的人脸图像和非人脸图像作为人脸表情特征的训练样本。优选的,图像采集量可以达到上万份的级别。具体的,所述人脸图像作为模型训练的正样板(即让图像识别装置学习人脸具有什么特征),所述非人脸图像作为模型训练的负样板(即让图像识别装置学习非人脸具有什么特征)。
在获取到所述训练样本之后,提取所述训练样本中的人脸特征;示例性的,在本发明实施例中,可以Haar分类器的方法分别对所述正、负样板的Haar特征进行提取。具体的,Haar特征是基于"块"的特征,能够降低人脸识别的运算开销,Haar特征分为这几类:边缘特征、线型特、中心特征和对角线特征。组合成特征模板库,特征模板内有白色和黑色两种举行,并定义该模板的特征值为白色举行像素,减去黑色举行像素和。在确定了特征形式后,Haar特征的数量就取决于训练样本图像和矩阵,特征模板在子窗口内任意放置,一种形态为一种特征,找出所有子窗口的特征进行弱分类训练的基础。在本发明实施例中,可以通过自适应boosting分类器挑选最佳的Haar特征,并通过设置相应的阈值和权重组合成级联强分类器,这样,可以级联的分类器逐步排除训练样本中的非人脸图像,提供分析运算的效率。
图像识别装置对所述包含人脸特征的目标图像进行图像描述和归一化处理,得到第一维度的特征系数;可选的,可以使用Gabor特征提取的方法对所述人脸信息进行图像描述。可选的,归一化处理的过程可以包括:图像尺寸修改,像素值的调整,以及对图像参数进行卷积运算等。
最后,图像识别装置以所述特征系数作为表情分析模型的输入参数x,以表情识别的内容作为所述表情分析模型的输出参数y,根据所述输入参数和所述输出参数进行所述表情分析模型的函数y=f(x)的回归拟合,经过参数寻优,得到人脸表情特征的线性拟合模型。
在本发明实施例中,表情识别的内容即目标的表情分析结果,表情分析结果可以为特定表情的类型识别结果,进一步的,还可以为某种特定表情的一个程度分值。
在本发明实施例中,步骤201可以看作进行表情识别的准备操作,在服务器端执行一次即可,后续实现所述图像识别装置的终端可以周期性的进行在线更新。如,假设本发明实施例中的图像识别方法通过软件程序实现,则生成该软件程序安装包的服务器端会预先进行表情分析模型的训练,终端下载安装所述安装包时,无需再进行表情分析模型的训练,只需周期性的进行在线更新即可。
202、对目标图像进行人脸特征提取;
图像识别装置对目标图像进行人脸特征提取,得到人脸信息。可选的,所述人脸信息可以包括人脸在目标图像中的大小、位置或肤色等信息。
具体的,图像识别装置可以对目标图像以不同大小和位置的窗口进行多尺度的空间搜索并提取harr特征;将每个所述窗口的特征输入级联强分类器进行人脸特征判断;若所述目标图像中具有人脸特征,则对每个所述窗口所提取到的harr特征进行合并,得到人脸图像的位置信息和大小信息。
示例性的,在实际应用中,目标图像为图像识别装置的待处理图像,可以是一张或若干张图像。
203、对所述人脸信息进行图像描述和归一化处理;
图像识别装置对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数。
可选的,可以使用Gabor特征提取的方法对所述人脸信息进行图像描述。所述归一化处理可以细分为尺寸的归一化处理,以及光照的归一化处理。
具体的,图像识别装置可以根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数。
所述第一维度为在一定前提下描述一个目标图像所需的参数个数。在本发明的其它实施例中还会出现第二维度,其中,第一维度大于第二维度,即第一维度所代表的参数量要多于第二维度所代表的参数量。
在实际应用中,为了便于进行图像分析,以及节省进行图像分析的运算开销,会对需要进行分析的图像数据进行标准化,即对本发明实施例中的人脸信息进行归一化处理,得到统一标准的图像数据,以便于将这些图像数据作为表情分析模型的输入参数。
204、将所述特征系数作为表情分析模型的输入参数。
图像识别装置将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
示例性的,所述表情分析模型可以为一种函数,图像识别装置将所述特征系数作为该函数的输入参数进行运算,可以得到一个关于表情的分析结果。可选的,所述表情分析结果可以为特定表情的类型识别结果,进一步的,还可以为某种特定表情的一个程度分值。
可选的,所述表情特征可以为笑或哭泣,进一步的,还可以为悲伤、严肃、生气、害羞或害怕等表情,具体可以根据实际需要而定,此处具体不作限定。
在本发明实施例中,可以对目标图像进行人脸特征提取,对提取到的人脸信息进行图像描述和归一化处理,得到特征系数,再将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,使得终端可以识别目标图像中人脸所表现出来的特定表情,从而使得终端可以实现特定表情的图像筛选功能。
下面以笑容评分的场景对本发明实施例进行具体的描述,请参阅图3,本发明实施例中图像识别方法的另一个实施例包括:
301、生成表情分析模型;
图像识别装置采集大量的人脸图像和非人脸图像作为人脸表情特征的训练样本。优选的,图像采集量可以达到上万份的级别。具体的,所述人脸图像作为模型训练的正样板(即让图像识别装置学习人脸具有什么特征),所述非人脸图像作为模型训练的负样板(即让图像识别装置学习非人脸具有什么特征)。
为了现实笑容评分,需要对不同的笑容特征进行分类,以及设置相应的分值,具体的,图像识别装置对所述人脸特征进行特定表情的分类;对每个所述特定表情进行等级划分,每个等级分别对应不同的数值区间。如,将笑意程度共分为不笑、微笑、浅笑、大笑等四个等级。每个笑容等级的评分区间分别对应为[0,25),[25,50),[50,75),[75,100]。
在获取到所述训练样本之后,提取所述训练样本中的人脸特征;示例性的,在本发明实施例中,可以Haar分类器的方法分别对所述正、负样板的Haar特征进行提取。具体的,Haar特征是基于"块"的特征,能够降低人脸识别的运算开销,Haar特征分为这几类:边缘特征、线型特、中心特征和对角线特征。组合成特征模板库,特征模板内有白色和黑色两种举行,并定义该模板的特征值为白色举行像素,减去黑色举行像素和。在确定了特征形式后,Haar特征的数量就取决于训练样本图像和矩阵,特征模板在子窗口内任意放置,一种形态为一种特征,找出所有子窗口的特征进行弱分类训练的基础。在本发明实施例中,可以通过自适应boosting分类器挑选最佳的Haar特征,并通过设置相应的阈值和权重组合成级联强分类器,这样,可以级联的分类器逐步排除训练样本中的非人脸图像,提供分析运算的效率。
图像识别装置对所述包含人脸特征的目标图像图像描述和进行归一化处理,得到第一维度的特征系数;具体的,根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数。示例性的,在实际应用中,可以将标准宽度和标准高度设置为80mm和80mm,N和M分别设置为5和8,则得到的第一维度的特征系数为80*80*5*8维的特征系数。
为了进一步降低运算的开销,可以对第一维度的特征系数进行降维处理,得到第二维度的特征系数。具体的,由于Gabor特征提取模块中提取的Gabor特征系数维数过高,需要对特征系数进行降维。系统采用主成分分析方法,将Gabor特征维数降维到6400维,即第二维度为6400维。
最后,图像识别装置以所述特征系数作为表情分析模型的输入参数x,以笑容表情的评分值作为所述表情分析模型的输出参数y,根据所述输入参数和所述输出参数进行所述表情分析模型的函数y=f(x)的回归拟合,经过参数寻优,得到人脸表情特征的线性拟合模型。
在本发明实施例中,步骤301可以看作进行表情识别的准备操作,在服务器端执行一次即可,后续实现所述图像识别装置的终端可以周期性的进行在线更新。如,假设本发明实施例中的图像识别方法通过软件程序实现,则生成该软件程序安装包的服务器端会预先进行表情分析模型的训练,终端下载安装所述安装包时,无需再进行表情分析模型的训练,只需周期性的进行在线更新即可。
302、对目标图像进行人脸特征提取;
图像识别装置对目标图像进行人脸特征提取,得到人脸信息。可选的,所述人脸信息可以包括人脸在目标图像中的大小、位置或肤色等信息。
具体的,图像识别装置可以对目标图像以不同大小和位置的窗口进行多尺度的空间搜索并提取harr特征;将每个所述窗口的特征输入级联强分类器进行人脸特征判断;若所述目标图像中具有人脸特征,则对每个所述窗口所提取到的harr特征进行合并,得到人脸图像的位置信息和大小信息。示例性的,在实际应用中,可以将标准宽度和标准高度设置为80mm和80mm,N和M分别设置为5和8,则得到的第一维度的特征系数为80*80*5*8维的特征系数。
示例性的,在实际应用中,目标图像为图像识别装置的待处理图像,可以是一张或若干张图像。
303、对所述人脸信息进行图像描述和归一化处理;
图像识别装置对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数。
具体的,图像识别装置可以根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数。示例性的,在实际应用中,可以将标准宽度和标准高度设置为80mm和80mm,N和M分别设置为5和8,则得到的第一维度的特征系数为80*80*5*8维的特征系数。
在实际应用中,为了便于进行图像分析,以及节省进行图像分析的运算开销,会对需要进行分析的图像数据进行标准化,即对本发明实施例中的人脸信息进行归一化处理,得到统一标准的图像数据,以便于将这些图像数据作为表情分析模型的输入参数。
304、对所述第一维度的特征系数进行降维处理;
为了进一步降低运算的开销,图像识别装置可以对第一维度的特征系数进行降维处理,得到第二维度的特征系数。具体的,由于Gabor特征提取模块中提取的Gabor特征系数维数过高,需要对特征系数进行降维。系统采用主成分分析方法,将Gabor特征维数降维到6400维,即第二维度为6400维。
305、将所述特征系数作为表情分析模型的输入参数。
图像识别装置将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
在本发明实施例中,表情分析结果为笑容的评分值,用户可以根据目标图像的笑容评分值来确定目标图像中人脸的笑容程度,使得用户处理有人像的照片更有趣,为用户查看和处理图片带来更好的体验。
上面仅以一些例子对本发明实施例中的应用场景进行了说明,可以理解的是,在实际应用中,还可以有更多的应用场景,具体此处不作限定。
下面对实现上述图像识别方法的图像识别装置进行描述,请参阅图4,本发明实施例中图像识别装置的一个实施例包括:
提取单元401,用于对目标图像进行人脸特征提取,得到人脸信息;
处理单元402,用于对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;
表情分析单元403,用于将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
可选的,所述图像识别装置还可以进一步包括:
训练拟合单元404,用于采集若干人脸图像和非人脸图像作为人脸表情特征的训练样本;提取所述训练样本中的人脸特征;对所述人脸特征进行图像描述和归一化处理,得到第一维度的特征系数;以所述特征系数作为表情分析模型的输入参数,以表情识别的内容作为所述表情分析模型的输出参数,根据所述输入参数和所述输出参数进行所述表情分析模型的函数的回归拟合,得到人脸表情特征的线性拟合模型。
可选的,所述训练拟合单元404还用于:
对所述人脸特征进行特定表情的分类;对每个所述特定表情进行等级划分,每个等级分别对应不同的数值区间。
对所述第一维度的特征系数进行降维处理,得到第二维度的特征系数;
相应的,所述以所述特征系数作为表情分析模型的输入参数具体为:以所述第二维度的特征系数作为表情分析模型的输入参数。
可选的,所述提取单元401具体用于:
对目标图像以不同大小和位置的窗口进行多尺度的空间搜索并提取harr特征;将每个所述窗口的特征输入级联强分类器进行人脸特征判断;若所述目标图像中具有人脸特征,则对每个所述窗口所提取到的harr特征进行合并,得到人脸图像的位置信息和大小信息。
可选的,所述处理单元402具体用于:
根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数,所述N和M为大于0的整数。
可选的,所述图像识别装置还可以进一步包括:
降维单元405,用于对所述第一维度的特征系数进行降维处理,得到第二维度的特征系数。
上述各个单元的执行过程可以为:
采集大量的人脸图像和非人脸图像作为人脸表情特征的训练样本。优选的,图像采集量可以达到上万份的级别。具体的,所述人脸图像作为模型训练的正样板(即让图像识别装置学习人脸具有什么特征),所述非人脸图像作为模型训练的负样板(即让图像识别装置学习非人脸具有什么特征)。
为了现实笑容评分,需要对不同的笑容特征进行分类,以及设置相应的分值,具体的,图像识别装置对所述人脸特征进行特定表情的分类;对每个所述特定表情进行等级划分,每个等级分别对应不同的数值区间。如,将笑意程度共分为不笑、微笑、浅笑、大笑等四个等级。每个笑容等级的评分区间分别对应为[0,25),[25,50),[50,75),[75,100]。
在获取到所述训练样本之后,提取所述训练样本中的人脸特征;示例性的,在本发明实施例中,可以Haar分类器的方法分别对所述正、负样板的Haar特征进行提取。具体的,Haar特征是基于"块"的特征,能够降低人脸识别的运算开销,Haar特征分为这几类:边缘特征、线型特、中心特征和对角线特征。组合成特征模板库,特征模板内有白色和黑色两种举行,并定义该模板的特征值为白色举行像素,减去黑色举行像素和。在确定了特征形式后,Haar特征的数量就取决于训练样本图像和矩阵,特征模板在子窗口内任意放置,一种形态为一种特征,找出所有子窗口的特征进行弱分类训练的基础。在本发明实施例中,可以通过自适应boosting分类器挑选最佳的Haar特征,并通过设置相应的阈值和权重组合成级联强分类器,这样,可以级联的分类器逐步排除训练样本中的非人脸图像,提供分析运算的效率。
图像识别装置对所述包含人脸特征的目标图像图像描述和进行归一化处理,得到第一维度的特征系数;具体的,根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数。示例性的,在实际应用中,可以将标准宽度和标准高度设置为80mm和80mm,N和M分别设置为5和8,则得到的第一维度的特征系数为80*80*5*8维的特征系数。
为了进一步降低运算的开销,可以对第一维度的特征系数进行降维处理,得到第二维度的特征系数。具体的,由于Gabor特征提取模块中提取的Gabor特征系数维数过高,需要对特征系数进行降维。系统采用主成分分析方法,将Gabor特征维数降维到6400维,即第二维度为6400维。
最后,图像识别装置以所述特征系数作为表情分析模型的输入参数x,以笑容表情的评分值作为所述表情分析模型的输出参数y,根据所述输入参数和所述输出参数进行所述表情分析模型的函数y=f(x)的回归拟合,经过参数寻优,得到人脸表情特征的线性拟合模型。
训练拟合单元404用于采集若干人脸图像和非人脸图像作为人脸表情特征的训练样本;提取所述训练样本中的人脸特征;对所述人脸特征进行图像描述和归一化处理,得到第一维度的特征系数;以所述特征系数作为表情分析模型的输入参数,以表情识别的内容作为所述表情分析模型的输出参数,根据所述输入参数和所述输出参数进行所述表情分析模型的函数的回归拟合,得到人脸表情特征的线性拟合模型。
在本发明实施例中,训练拟合单元404可以看作进行表情识别的准备操作,在服务器端执行一次即可,后续实现所述图像识别装置的终端可以周期性的进行在线更新。如,假设本发明实施例中的图像识别方法通过软件程序实现,则生成该软件程序安装包的服务器端会预先进行表情分析模型的训练,终端下载安装所述安装包时,无需再进行表情分析模型的训练,只需周期性的进行在线更新即可。
提取单元401对目标图像进行人脸特征提取,得到人脸信息。
可选的,所述人脸信息可以包括人脸在目标图像中的大小、位置或肤色等信息。
具体的,提取单元401可以对目标图像以不同大小和位置的窗口进行多尺度的空间搜索并提取harr特征;将每个所述窗口的特征输入级联强分类器进行人脸特征判断;若所述目标图像中具有人脸特征,则对每个所述窗口所提取到的harr特征进行合并,得到人脸图像的位置信息和大小信息。
示例性的,在实际应用中,目标图像为图像识别装置的待处理图像,可以是一张或若干张图像。
处理单元402对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数。
可选的,可以使用Gabor特征提取的方法对所述人脸信息进行图像描述。所述归一化处理可以细分为尺寸的归一化处理,以及光照的归一化处理。
具体的,图像识别装置可以根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数。
所述第一维度为在一定前提下描述一个目标图像所需的参数个数。在本发明的其它实施例中还会出现第二维度,其中,第一维度大于第二维度,即第一维度所代表的参数量要多于第二维度所代表的参数量。
在实际应用中,为了便于进行图像分析,以及节省进行图像分析的运算开销,会对需要进行分析的图像数据进行标准化,即对本发明实施例中的人脸信息进行归一化处理,得到统一标准的图像数据,以便于将这些图像数据作为表情分析模型的输入参数。
表情分析单元403将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
示例性的,所述表情分析模型可以为一种函数,图像识别装置将所述特征系数作为该函数的输入参数进行运算,可以得到一个关于表情的分析结果。可选的,所述表情分析结果可以为特定表情的类型识别结果,进一步的,还可以为某种特定表情的一个程度分值(如,90至100分代表大笑,89至60分代表微笑等)。
可选的,所述表情特征可以为笑或哭泣,进一步的,还可以为悲伤、严肃、生气、害羞或害怕等表情,具体可以根据实际需要而定,此处具体不作限定。
在本发明实施例中,可以对目标图像进行人脸特征提取,对提取到的人脸信息进行图像描述和归一化处理,得到特征系数,再将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,使得终端可以识别目标图像中人脸所表现出来的特定表情,从而使得终端可以实现特定表情的图像筛选功能。例如,用户在装载了所述图像识别装置的终端进行操作,用户可以选择所述终端中的一个文件夹(该文件夹中包含若干张图像),然后通过按键选项指示终端筛选出其中包含人脸笑容的图像,无需用户逐一点过目图像进行筛选,简单便捷。
进一步的,表情分析单元403还可以将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
在本发明实施例中,表情分析结果为笑容的评分值,用户可以根据目标图像的笑容评分值来确定目标图像中人脸的笑容程度,使得用户处理有人像的照片更有趣,为用户查看和处理图片带来更好的体验。
表情分析结果为笑容的评分值,用户可以根据目标图像的笑容评分值来确定目标图像中人脸的笑容程度,使得用户处理有人像的照片更有趣,为用户查看和处理图片带来更好的体验。
下面对实现上述图像识别方法的图像识别系统进行描述,请参阅图5,本发明实施例中图像识别系统的一个实施例包括:
图像识别装置501和显示装置502;
所述图像识别装置501用于对所述目标图像进行人脸特征提取,得到人脸信息;对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,向所述显示装置502发送所述表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型;
所述显示装置502用于向用户显示所述表情分析结果。具体的,在实际应用中,所述显示装置502可以为移动终端或计算机终端的显示屏幕。
在本发明实施例中,图像识别装置501可以对目标图像进行人脸特征提取,对提取到的人脸信息进行图像描述和归一化处理,得到特征系数,再将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,使得终端可以识别目标图像中人脸所表现出来的特定表情,从而使得终端可以实现特定表情的图像筛选功能。显示装置502再用于向用户显示所述表情分析结果,使得用户可以根据目标图像的笑容评分值来确定目标图像中人脸的笑容程度。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明实施例中所描述的终端可以包括包括有一个或一个以上计算机可读存储介质的存储器、输入单元、显示单元、音频电路、WiFi(wireless fidelity,无线保真)模块、包括有一个或者一个以上处理核心的处理器、以及电源等部件。
其中:存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器和输入单元对存储器的访问。
输入单元可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元可包括触敏表面以及其他输入设备。触敏表面,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器,并能接收处理器发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面,输入单元还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元可包括显示面板,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板。进一步的,触敏表面可覆盖显示面板,当触敏表面检测到在其上或附近的触摸操作后,传送给处理器以确定触摸事件的类型,随后处理器根据触摸事件的类型在显示面板上提供相应的视觉输出。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (16)
1.一种图像识别方法,其特征在于,包括:
对目标图像进行人脸特征提取,得到人脸信息;
对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;
将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
2.根据权利要求1所述的方法,其特征在于,所述对目标图像进行人脸特征提取之前,包括:
采集人脸图像和非人脸图像作为人脸表情特征的训练样本;
提取所述训练样本中包含人脸特征的目标图像;
对所述包含人脸特征的目标图像进行图像描述和归一化处理,得到第一维度的特征系数;
以所述特征系数作为表情分析模型的输入参数,以表情识别的内容作为所述表情分析模型的输出参数,根据所述输入参数和所述输出参数进行所述表情分析模型的函数的回归拟合,得到人脸表情特征的线性拟合模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述人脸特征进行归一化处理之前,包括:
对所述人脸特征进行特定表情的分类;
对每个所述特定表情进行等级划分,每个等级分别对应不同的数值区间。
4.根据权利要求2所述的方法,其特征在于,所述第一维度的特征系数之后,包括:
对所述第一维度的特征系数进行降维处理,得到第二维度的特征系数;
相应的,所述以所述特征系数作为表情分析模型的输入参数具体为以所述第二维度的特征系数作为表情分析模型的输入参数。
5.根据权利要求1所述的方法,其特征在于,所述对目标图像进行人脸特征提取,包括:
对目标图像以不同大小和位置的窗口进行多尺度的空间搜索并提取哈尔harr特征;
将每个所述窗口的特征输入级联强分类器进行人脸特征判断;
若所述目标图像中具有人脸特征,则对每个所述窗口所提取到的harr特征进行合并,得到人脸图像的位置信息和大小信息。
6.根据权利要求5所述的方法,其特征在于,所述对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数,包括:
根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;
将归一化后的所述人脸图像与N个尺度和M个方向的盖博GaboT滤波器进行卷积运算,得到第一维度的特征系数。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述将所述特征系数作为表情分析模型的输入参数之前,包括:
对所述第一维度的特征系数进行降维处理,得到第二维度的特征系数。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述表情分析结果包括:
特定表情的类型,和/或任一个特定表情对应的程度分值。
9.一种图像识别装置,其特征在于,包括:
提取单元,用于对目标图像进行人脸特征提取,得到人脸信息;
处理单元,用于对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;
表情分析单元,用于将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
训练拟合单元,用于采集若干人脸图像和非人脸图像作为人脸表情特征的训练样本;提取所述训练样本中的人脸特征;对所述人脸特征进行图像描述和归一化处理,得到第一维度的特征系数;以所述特征系数作为表情分析模型的输入参数,以表情识别的内容作为所述表情分析模型的输出参数,根据所述输入参数和所述输出参数进行所述表情分析模型的函数的回归拟合,得到人脸表情特征的线性拟合模型。
11.根据权利要求10所述的装置,其特征在于,所述训练拟合单元还用于:
对所述人脸特征进行特定表情的分类;对每个所述特定表情进行等级划分,每个等级分别对应不同的数值区间。
12.根据权利要求10所述的装置,其特征在于,训练拟合单元还用于:
对所述第一维度的特征系数进行降维处理,得到第二维度的特征系数;
相应的,所述以所述特征系数作为表情分析模型的输入参数具体为:以所述第二维度的特征系数作为表情分析模型的输入参数。
13.根据权利要求9所述的装置,其特征在于,所述提取单元具体用于:
对目标图像以不同大小和位置的窗口进行多尺度的空间搜索并提取harr特征;将每个所述窗口的特征输入级联强分类器进行人脸特征判断;若所述目标图像中具有人脸特征,则对每个所述窗口所提取到的hm特征进行合并,得到人脸图像的位置信息和大小信息。
14.根据权利要求13所述的装置,其特征在于,所述处理单元具体用于:
根据标准宽度和标准高度对提取到的人脸图像进行调整,将所述人脸图像的像素值归一为零,像素值方差归一为一;将归一化后的所述人脸图像与N个尺度和M个方向的Gabor滤波器进行卷积运算,得到第一维度的特征系数,所述N和M为大于0的整数。
15.根据权利要求9至14任一项所述的装置,其特征在于,所述装置还包括:
降维单元,用于对所述第一维度的特征系数进行降维处理,得到第二维度的特征系数。
16.一种图像识别系统,其特征在于,包括:图像识别装置和显示装置;
所述图像识别装置用于对目标图像进行人脸特征提取,得到人脸信息;对所述人脸信息进行图像描述和归一化处理,得到第一维度的特征系数;将所述特征系数作为表情分析模型的输入参数,根据所述表情分析模型获得所述目标图像的表情分析结果,向所述显示装置发送所述表情分析结果,所述表情分析模型为通过表情特征训练得到的人脸表情特征的线性拟合模型;
所述显示装置用于向用户显示所述表情分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410007005.7A CN104766041A (zh) | 2014-01-07 | 2014-01-07 | 一种图像识别方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410007005.7A CN104766041A (zh) | 2014-01-07 | 2014-01-07 | 一种图像识别方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104766041A true CN104766041A (zh) | 2015-07-08 |
Family
ID=53647858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410007005.7A Pending CN104766041A (zh) | 2014-01-07 | 2014-01-07 | 一种图像识别方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766041A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426812A (zh) * | 2015-10-27 | 2016-03-23 | 浪潮电子信息产业股份有限公司 | 一种表情识别方法和装置 |
CN106372622A (zh) * | 2016-09-30 | 2017-02-01 | 北京奇虎科技有限公司 | 一种人脸表情分类方法及装置 |
CN106851093A (zh) * | 2016-12-30 | 2017-06-13 | 中南大学 | 一种微笑评分方法及其系统 |
CN107358180A (zh) * | 2017-06-28 | 2017-11-17 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
CN107465885A (zh) * | 2016-06-06 | 2017-12-12 | 中兴通讯股份有限公司 | 一种实现视频通讯的方法和装置 |
WO2018023212A1 (zh) * | 2016-07-30 | 2018-02-08 | 华为技术有限公司 | 一种图像识别方法及终端 |
CN107895146A (zh) * | 2017-11-01 | 2018-04-10 | 深圳市科迈爱康科技有限公司 | 微表情识别方法、装置、系统及计算机可读存储介质 |
CN108009191A (zh) * | 2017-09-24 | 2018-05-08 | 贵州师范学院 | 一种图像检索方法 |
CN109658278A (zh) * | 2018-12-14 | 2019-04-19 | 北京智明星通科技股份有限公司 | 基于微信平台的线上互动方法、互动系统和移动终端 |
CN109858379A (zh) * | 2019-01-03 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 笑容真诚度检测方法、装置、存储介质和电子设备 |
CN110532971A (zh) * | 2019-09-02 | 2019-12-03 | 京东方科技集团股份有限公司 | 图像处理及装置、训练方法以及计算机可读存储介质 |
WO2020155981A1 (zh) * | 2019-01-31 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 表情图像效果生成方法、装置和电子设备 |
CN112472089A (zh) * | 2020-11-17 | 2021-03-12 | 衡阳师范学院 | 一种基于眼动技术判断心理测试可靠性的系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667245A (zh) * | 2009-09-25 | 2010-03-10 | 西安电子科技大学 | 基于支持向量新颖检测分类器级联的人脸检测方法 |
CN101877056A (zh) * | 2009-12-21 | 2010-11-03 | 北京中星微电子有限公司 | 人脸表情识别方法及系统、表情分类器的训练方法及系统 |
CN102890776A (zh) * | 2011-07-21 | 2013-01-23 | 爱国者电子科技(天津)有限公司 | 通过面部表情调取表情图释的方法 |
-
2014
- 2014-01-07 CN CN201410007005.7A patent/CN104766041A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667245A (zh) * | 2009-09-25 | 2010-03-10 | 西安电子科技大学 | 基于支持向量新颖检测分类器级联的人脸检测方法 |
CN101877056A (zh) * | 2009-12-21 | 2010-11-03 | 北京中星微电子有限公司 | 人脸表情识别方法及系统、表情分类器的训练方法及系统 |
CN102890776A (zh) * | 2011-07-21 | 2013-01-23 | 爱国者电子科技(天津)有限公司 | 通过面部表情调取表情图释的方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426812A (zh) * | 2015-10-27 | 2016-03-23 | 浪潮电子信息产业股份有限公司 | 一种表情识别方法和装置 |
CN105426812B (zh) * | 2015-10-27 | 2018-11-02 | 浪潮电子信息产业股份有限公司 | 一种表情识别方法和装置 |
CN107465885A (zh) * | 2016-06-06 | 2017-12-12 | 中兴通讯股份有限公司 | 一种实现视频通讯的方法和装置 |
WO2017211139A1 (zh) * | 2016-06-06 | 2017-12-14 | 中兴通讯股份有限公司 | 一种实现视频通讯的方法和装置 |
CN109478311A (zh) * | 2016-07-30 | 2019-03-15 | 华为技术有限公司 | 一种图像识别方法及终端 |
US11804053B2 (en) | 2016-07-30 | 2023-10-31 | Huawei Technologies Co., Ltd. | Image recognition method and terminal |
WO2018023212A1 (zh) * | 2016-07-30 | 2018-02-08 | 华为技术有限公司 | 一种图像识别方法及终端 |
US11132545B2 (en) | 2016-07-30 | 2021-09-28 | Huawei Technologies Co., Ltd. | Image recognition method and terminal |
CN106372622A (zh) * | 2016-09-30 | 2017-02-01 | 北京奇虎科技有限公司 | 一种人脸表情分类方法及装置 |
CN106851093A (zh) * | 2016-12-30 | 2017-06-13 | 中南大学 | 一种微笑评分方法及其系统 |
CN107358180B (zh) * | 2017-06-28 | 2021-08-03 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
CN107358180A (zh) * | 2017-06-28 | 2017-11-17 | 江苏爱朋医疗科技股份有限公司 | 一种人脸表情的疼痛评估方法 |
CN108009191A (zh) * | 2017-09-24 | 2018-05-08 | 贵州师范学院 | 一种图像检索方法 |
CN107895146A (zh) * | 2017-11-01 | 2018-04-10 | 深圳市科迈爱康科技有限公司 | 微表情识别方法、装置、系统及计算机可读存储介质 |
WO2019085495A1 (zh) * | 2017-11-01 | 2019-05-09 | 深圳市科迈爱康科技有限公司 | 微表情识别方法、装置、系统及计算机可读存储介质 |
CN109658278A (zh) * | 2018-12-14 | 2019-04-19 | 北京智明星通科技股份有限公司 | 基于微信平台的线上互动方法、互动系统和移动终端 |
CN109858379A (zh) * | 2019-01-03 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 笑容真诚度检测方法、装置、存储介质和电子设备 |
US12020469B2 (en) | 2019-01-31 | 2024-06-25 | Beijing Bytedance Network Technology Co., Ltd. | Method and device for generating image effect of facial expression, and electronic device |
WO2020155981A1 (zh) * | 2019-01-31 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 表情图像效果生成方法、装置和电子设备 |
CN110532971B (zh) * | 2019-09-02 | 2023-04-28 | 京东方科技集团股份有限公司 | 图像处理及装置、训练方法以及计算机可读存储介质 |
WO2021043023A1 (zh) * | 2019-09-02 | 2021-03-11 | 京东方科技集团股份有限公司 | 图像处理方法及装置、分类器训练方法以及可读存储介质 |
US11961327B2 (en) | 2019-09-02 | 2024-04-16 | Boe Technology Group Co., Ltd. | Image processing method and device, classifier training method, and readable storage medium |
CN110532971A (zh) * | 2019-09-02 | 2019-12-03 | 京东方科技集团股份有限公司 | 图像处理及装置、训练方法以及计算机可读存储介质 |
CN112472089A (zh) * | 2020-11-17 | 2021-03-12 | 衡阳师范学院 | 一种基于眼动技术判断心理测试可靠性的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766041A (zh) | 一种图像识别方法、装置及系统 | |
CN107943860B (zh) | 模型的训练方法、文本意图的识别方法及装置 | |
US11393205B2 (en) | Method of pushing video editing materials and intelligent mobile terminal | |
CN104350509B (zh) | 快速姿势检测器 | |
WO2020078017A1 (zh) | 用于识别空中手写的方法、装置、设备以及计算机可读存储介质 | |
US10176198B1 (en) | Techniques for identifying visually similar content | |
EP2630635B1 (en) | Method and apparatus for recognizing an emotion of an individual based on facial action units | |
CN109189879B (zh) | 电子书籍显示方法及装置 | |
CN106777007A (zh) | 相册分类优化方法、装置及移动终端 | |
CN107393356A (zh) | 控制方法、控制装置和早教机 | |
CN106233228A (zh) | 处理内容的方法及使用该方法的电子设备 | |
CN105205462A (zh) | 一种拍照提示方法及装置 | |
US10719695B2 (en) | Method for pushing picture, mobile terminal, and storage medium | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN107368182B (zh) | 手势检测网络训练、手势检测、手势控制方法及装置 | |
Wang et al. | CLARE: A joint approach to label classification and tag recommendation | |
CN109241890B (zh) | 面部图像校正方法、装置及存储介质 | |
CN103235644A (zh) | 信息显示方法及装置 | |
CN109613930A (zh) | 无人飞行器的控制方法、装置、无人飞行器及存储介质 | |
CN111491123A (zh) | 视频背景处理方法、装置及电子设备 | |
KR20200017237A (ko) | 우선 순위에 기반하여 상품과 관련된 정보를 제공하는 방법 및 그 전자 장치 | |
KR20150064977A (ko) | 얼굴정보 기반의 비디오 분석 및 시각화 시스템 | |
CN108319916A (zh) | 人脸识别方法、装置、机器人及存储介质 | |
CN108021905A (zh) | 图片处理方法、装置、终端设备及存储介质 | |
CN113596601A (zh) | 一种视频画面的定位方法、相关装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150708 |
|
RJ01 | Rejection of invention patent application after publication |