CN104966046B - 一种人脸关键点位定位结果的评估方法,及评估装置 - Google Patents
一种人脸关键点位定位结果的评估方法,及评估装置 Download PDFInfo
- Publication number
- CN104966046B CN104966046B CN201510259823.0A CN201510259823A CN104966046B CN 104966046 B CN104966046 B CN 104966046B CN 201510259823 A CN201510259823 A CN 201510259823A CN 104966046 B CN104966046 B CN 104966046B
- Authority
- CN
- China
- Prior art keywords
- key point
- positioning result
- coordinate
- face
- facial 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
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
-
- 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
-
- 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
Abstract
本发明实施例公开了一种人脸关键点位定位结果的评估方法,及评估装置,其中方法的实现包括:获取人脸图像,获取所述人脸图像的关键点的定位结果坐标;对所述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像;提取所述归一化后的人脸图像的人脸特征值,根据所述人脸特征值以及权重向量计算评估结果。在得到定位结果坐标以后,通过平均人脸模型实现归一化处理,然后根据归一化后的人脸图像的人脸特征值以及权重向量计算获得评估结果。整个评估过程不需要人工干预,评估速度快,而且计算评估结果所使用的参数是可以量化的,因此评估结果可以量化。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种人脸关键点位定位结果的评估方法,及评估装置。
背景技术
人脸关键点位是人脸的五官特征点位,人脸关键点位定位是对五官特征点位的定位。人脸关键点定位是人脸图像分析中的很重要的技术。人脸五官特征点定位结果的好坏直接关系人脸美化、人脸识别等多项后端技术,因此准确评估人脸五官特征点定位结果的好坏也成为一个至关重要的问题。
目前的人脸关键点定位结果评估需要依赖于人工介入,有如下两种方案:
技术方案一:人工预先标定点坐标。采用人工方式来对某一人脸图像的五官关键点进行坐标标注,并作为真实值存储起来。当人脸五官关键点定位算法给出关键点的结果坐标时,通过度量结果坐标与人工标定坐标之间的平均距离来评估定位结果的好坏。
技术方案二:人工主观评估。利用人工主观评估来判定人脸关键点定位结果的优劣。使用多种人脸五官关键点定位算法或利用定位算法本身的随机性,对同一张人脸图片输出多个五官定位结果,再通过人工主观评估的方式从中选出最为精准的一个结果。
以上方案一采用对人脸图片中的五官关键点进行手动标定。通常采用这种形式进行坐标的标定需要耗时几分钟,人工成本很高且耗时长。这类评估方法一般用多个五官关键点定位算法的比较。
以上方案二采用人工主观比较的方式,通过人对关键点定位结果坐标,主观的判断两个定位结果的优劣关系。这类主观评估的方式对于人脸需求较小,在结果数量不是很多的情况下只需要数秒时间就能完成。这类评估方法虽然在部分产品中已具有实际应用性,但也存在明显的缺陷。第一、这类评估方式主观性较强,且无法量化。第二、当需要比较的结果的数量较多时,比较难度增大,人工评估的耗时会大幅增长,评估的可靠性也会相应降低。
以上两种方案都需要人工的介入,不但耗时长效率低,而且定位结果无法量化。
发明内容
本发明实施例提供了一种人脸关键点位定位结果的评估方法,及评估装置,用于提供高效并且能够量化的实现方案。
一种人脸关键点位定位结果的评估方法,包括:
获取人脸图像,获取所述人脸图像的关键点的定位结果坐标;
对所述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像;
提取所述归一化后的人脸图像的人脸特征值,根据所述人脸特征值以及权重向量计算评估结果。
一种人脸关键点位定位结果的评估装置,包括:
坐标定位单元,用于获取人脸图像,获取所述人脸图像的关键点的定位结果坐标;
归一计算单元,用于对所述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像;
特征提取单元,用于提取所述归一化后的人脸图像的人脸特征值;
评估单元,用于根据所述人脸特征值以及权重向量计算评估结果。
从以上技术方案可以看出,本发明实施例具有以下优点:在得到定位结果坐标以后,通过平均人脸模型实现归一化处理,然后根据归一化后的人脸图像的人脸特征值以及权重向量计算获得评估结果。整个评估过程不需要人工干预,评估速度快,而且计算评估结果所使用的参数是可以量化的,因此评估结果可以量化。
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要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例方法流程示意图;
图2为本发明实施例方法流程示意图;
图3为本发明实施例方法流程示意图;
图4为本发明实施例方法流程示意图;
图5为本发明实施例评估装置结构示意图;
图6为本发明实施例评估装置结构示意图;
图7为本发明实施例评估装置结构示意图;
图8为本发明实施例评估装置结构示意图;
图9为本发明实施例评估装置结构示意图;
图10为本发明实施例评估装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
本发明实施例提供了一种人脸关键点位定位结果的评估方法,如图1所示,包括:
101:获取人脸图像,获取上述人脸图像的关键点的定位结果坐标;
在本发明实施例中,获取上述人脸图像的关键点的定位结果坐标所使用的关键点算法可以任意选择,不同的算法可以获得不同的定位结果坐标,本实施例可以对其进行评估。在本实施例中,可以选择使用ESR(Explicit Shape Regressor,显示形状回归)人脸五官定位算法的随机性获得多组不同的定位结果坐标。
102:对上述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像;
本发明实施例还提供了具体归一化处理的优选实现方案,具体如下:上述对上述定位结果坐标以及平均人脸模型进行归一化处理包括:
将上述定位结果坐标归约到平均人脸模型得到人脸图像区域,对得到人脸图像区域进行三角剖分,将得到的三角形作为一个局部部分逐个进行反射变换,得到归一化后的人脸图像。
103:提取上述归一化后的人脸图像的人脸特征值,根据上述人脸特征值以及权重向量计算评估结果。
本发明实施例在得到定位结果坐标以后,通过平均人脸模型实现归一化处理,然后根据归一化后的人脸图像的人脸特征值以及权重向量计算获得评估结果。整个评估过程不需要人工干预,评估速度快,而且计算评估结果所使用的参数是可以量化的,因此评估结果可以量化。
以上实施例中,根据上述人脸特征值以及权重向量计算评估结果的具体实现方式可以是:计算上述人脸特征值与权重向量的内积得到评估结果。采用计算内积的方式可以更好的量化评估结果,作为一个优选的实现方式不应理解为对本发明实施例的唯一性限定。
另外,本发明实施例能够全自动地对人脸五官特征点的定位结果进行评估,评估过程全程无需人工干预,从某种程度上,本发明实施例方案填补了人脸五官关键点定位结果自动评估技术的空白。本发明能对人脸五官点的定位结果给出量化评估,速度快(每次自动评估耗时约10毫秒)、可靠性高。
在本发明实施例中人脸特征值是用于描述人脸特征的参数,也称为特征描述子;基于不同的需求和侧重,本发明实施例可以相应选取,为了提稳定性可以组合使用,具体如下:上述人脸特征值包括:HOG(Histogram of Oriented Gradient,方向梯度直方图)特征值,LBP(Local Binary Patterns,局部二值模式)特征值,Gabor(加窗傅立叶变换)特征值中的至少一项。
本发明实施例可以用于从多个人脸五官定位算法的定位结果中挑选出精度较高的一个或多个结果,从而起到提升人脸五官关键点定位结果的精度,并有效规避存在严重错误的定位结果,具体如下:上述定位结果坐标包含至少两组;得到评估结果之后,上述方法还包括:
选取得到评估精度最高的预定个数的定位结果坐标进行重组,得到目标定位结果坐标。
本发明实施例还提供了获取平均人脸模型的实现方案,需要说明的是平均人脸模型的计算可以不在人脸关键点位定位结果的评估设备端执行,由其他设备获得以后发送给人脸关键点位定位结果的评估端设备也是可以的,平均人脸模型的获得方式可以具体如下:上述对上述定位结果坐标以及平均人脸模型进行归一化处理之前,上述方法还包括:
获取M张人脸图像,并获取手工标记的关键点位坐标,M>1;采用最小二乘法,依据上述手工标记的关键点位坐标计算得到平均人脸模型。
本发明实施例还提供了获取权重向量的实现方案,需要说明的是权重向量的计算可以不在人脸关键点位定位结果的评估设备端执行,由其他设备获得以后发送给人脸关键点位定位结果的评估端设备也是可以的,权重向量的获得方式可以具体如下:上述根据上述人脸特征值以及权重向量计算评估结果之前,上述方法还包括:
利用显示形状回归ESR算法对上述M张人脸图像进行定位计算,得到K个关键点位坐标,K>1;
计算上述K个关键点位坐标与上述手工标记的关键点位坐标之间的平均平方误差根RMSE;
依据计算得到的RMSE确定上述K个关键点位坐标的精度分值,上述RMSE越大上述精度分值越小;
将上述K个关键点位坐标归约到上述平均人脸模型,得到参考人脸图像,提取上述参考人脸图像的人脸特征值;
使用上述人脸特征值以及上述精度分值计算得到上述权重向量。
另需说明的是以上“上述RMSE越大上述精度分值越小”仅表示一个趋势,可以是严格的RMSE越大上述精度分值越小,也可以是截断型的,例如:RMSE大于某一数值以后精度分值为0,小于以上某一数值的RMSE越大上述精度分值越小。
本实施例还提供了使用上述人脸特征值以及上述精度分值计算得到上述权重向量的更为具体实现方案,本实施例可以循环执行多次以后获得较好的效果,具体如下:上述使用上述人脸特征值以及上述精度分值计算得到上述权重向量包括:
使用上述人脸特征值和当前权重向量的内积作为评估分数,对上述评估分数进行排序,计算上述排序结果与上述精度分值的权重偏差量,并依据上述偏差量更新当前权重向量,得到上述权重向量。
本发明实施例提出了一种无参考的人脸五官关键点定位结果的评估方法,可以在无人工干预的情况下,全自动的对多个人脸五官关键点的定位结果进行排序。通过这种排序,可以从多个结果中选取一个或多个较为精确的结果,并以此达到提升人脸五官特征点定位的整体精度,规避严重错误结果。本发明实施例还基于序列比较排序的思想,同时考虑多个在同一张人脸上的关键点定位数据,借助在归一化人脸图像上的HOG(Histogram ofOriented Gradient,方向梯度直方图)特征以及训练出的权重的结果,能够对应给出评估分数,以评估分数来对N个结果进行排序,以便能够组合得到比直接取中位数要好的定位结果。本发明实施例的创新点包含利用ListNet(序列网络,用于训练序列化的数据。)排序算法框架和人脸图像的HOG特征,来对人脸五官关键点定位结果的评估;本发明实施例可以全自动的完成对定位结果的评估任务,同时取得提升人脸五官点定位结果精度,规避严重错误定位结果的效果。
以下实施例将以人脸特征值为HOG特征值(也称为HOG数据特征)进行举例,在本发明实施例中,使用到的HOG特征原理:HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域(称为cells),每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向,这些直方图的组合可表示出(所检测目标的目标)描述子。为改善准确率,局部直方图可以通过计算图像中一个较大区域(称为block)的光强作为measure被对比标准化,然后用这个值(measure)归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。
与其他描述子相比,HOG得到的描述子保持了几何和光学转化不变性(除非物体方向改变)。因此HOG描述子尤其适合人的检测。
通俗的讲:
HOG特征提取方法就是将一个image:
1、灰度化(将图像看做一个x,y,z(灰度)的三维图像);
2、划分成小cells(2*2);
3、计算每个cell中每个pixel的gradient(即orientation);
4、统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor。
以下举例主要分为三个方面:
一、训练数据准备过程,如图2所示,包括:
201:收集M张不同的人脸图像;
202:手工为每张人脸标注N个五官关键点坐标,记录为:Pi T,i=(1,2,...,N);
203:利用ESR(Explicit Shape Regressor,显示形状回归)人脸五官定位算法的随机性,计算对于每张人脸的K个关键点定位结果(关键点位的定位结果坐标),记录为:Pi k,i=(1,2,...,N),k=(1,2,...,K)。
204:计算RMSE(Root of Mean Squared Error,平均平方误差根)误差,具体如下:
根据手工标记的关键点坐标值,计算得到与步骤203中定位得到的关键点位结果对应的RMSE(Root of Mean Squared Error,平均平方误差根)。
205:根据RMSE来标定分值,得到精度分值;标定方式如下:
RMSE的值越大,标定分值越小,反正,RMSE的值越小,标定分值越大。
标定分值的具体过程如下:
将RMSE做截断化处理,0.0~10.0范围内的值保持不变,大于10.0记做10.0;将RMSE值映射到精度分值。(0.0~10.0)->(100~0),例如RMSE=0.0,精度分值为100,RMSE=2.0,精度分值为80,RMSE=10.0,精度分值为0,以此类推。
206:利用最小二乘法,依据M张人脸图的手标五官关键点坐标计算得到平均人脸模型,并对上述平局人脸模型做三角剖分(Triangulation)。
207:人脸变形归约,具体如下:
对于每张人脸图像,根据ESR算法输出的K个的关键点定位结果,规约到统一的平均人脸上,由此可以得到不同的人脸图像;
208:在规约得到的人脸图像上提取HOG数据特征;
209:整合训练得到权重W,以及评估分数,具体如下:
将得到的HOG数据特征和精度分值输入到ListNet的训练框架中进行训练,就可以得到一个权重W。计算权重W与HOG数据特征的内积得到人脸关键点位的评估分数。
二、ListNet训练过程,如图3所示,包括:
301:权重W初始化;
302:确定是否达到预设循环次数,若是,输出当前权重值,否则进入303;
303:根据当前权重和HOG数据特征计算评估分数;
本步骤中HOG数据特征和当前权重的内积作为评估分数。
304:对评估分数进行排序;
305:根据排序结果以及精度分值计算概率值;
精度分值为手工标记的关键点坐标值对应的评估分数计算得到的RMSE。
本步骤利用交叉熵(cross entropy)来度量当前序列的概率值;
306:计算权重偏差量;本步骤利用了梯度下降法计算权重偏差量。
307:依据上述权重偏差量更新当前权重。
三、在模型评估阶段,人脸关键点位的评估的流程如图4所示,包括:
401:输入人脸图像,利用人脸五官的关键点算法自动定位人脸五官关键点,获得定位结果坐标;
402:根据定位结果坐标点和平均人脸模型(平均人脸模型获得过程参阅前述实施例中步骤206)做归一化处理;
归一化方案具体如下:
根据定位点对人脸区域进行三角剖分,将每个三角形作为一个局部部分,逐个进行反射变换(Piece-wise Affine Transform),得到归一化后的人脸图像,。
403:计算归一化后的人脸图像的HOG特征;
404:计算HOG特征向量和权重向量的内积作为评估分值;
本步骤中权重向量的获得过程参阅前述实施例中ListNet训练过程中获得的权重。
405:输出评估数值。
本发明实施例在获得多个人脸关键点位定位结果以后,例如:使用多个人脸关键点定位算法,或利用ESR等人脸关键点定位算法的随机性对同一个人脸图像输出多个定位结果。利用本发明的评估算法,自动为每个定位结果进行精准度评估。根据精准度评估分数的高低进行排序。进一步,通过选择精准度最高的定位结果,或选择几个精准度最高的几个结果进行重组,可获得更为稳定,精准的人脸五官关键点定位结果。
本发明实施例可以全自动评估人脸五官关键点定位结果的精度,能有效提升五官关键点定位精度,并避免关键点定位明显偏移的情况。精准的人脸五官关键点定位结果可以直接用于人脸美妆、人脸变妆等应用,大幅度减少人工交互,提升用户体验。在对人脸关键点位定位结果评估以后的具体应用,可以依据需要进行确定,本发明实施例不作唯一性限定。
本发明实施例还提供了一种人脸关键点位定位结果的评估装置,如图5所示,包括:
坐标定位单元501,用于获取人脸图像,获取上述人脸图像的关键点的定位结果坐标;
归一计算单元502,用于对上述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像;
特征提取单元503,用于提取上述归一化后的人脸图像的人脸特征值;
评估单元504,用于根据上述人脸特征值以及权重向量计算评估结果。
在本发明实施例中,关键点算法可以任意选择,不同的算法可以获得不同的定位结果坐标,本实施例可以对其进行评估。在本实施例中,可以选择使用ESR(Explicit ShapeRegressor,显示形状回归)人脸五官定位算法的随机性获得多组不同的定位结果坐标。
本发明实施例在得到定位结果坐标以后,通过平均人脸模型实现归一化处理,然后根据归一化后的人脸图像的人脸特征值以及权重向量计算获得评估结果。整个评估过程不需要人工干预,评估速度快,而且计算评估结果所使用的参数是可以量化的,因此评估结果可以量化。
另外,本发明实施例能够全自动地对人脸五官特征点的定位结果进行评估,评估过程全程无需人工干预,从某种程度上,本发明实施例方案填补了人脸五官关键点定位结果自动评估技术的空白。本发明能对人脸五官点的定位结果给出量化评估,速度快(每次自动评估耗时约10毫秒)、可靠性高。
在本发明实施例中人脸特征值是用于描述人脸特征的参数,也称为特征描述子;基于不同的需求和侧重,本发明实施例可以相应选取,为了提稳定性可以组合使用,具体如下:上述人脸特征值包括:
方向梯度直方图HOG特征值,局部二值模式LBP特征值,加窗傅立叶变换Gabor特征值中的至少一项。
本发明实施例还提供了具体归一化处理的优选实现方案,具体如下:可选地,上述归一计算单元502,用于将上述定位结果坐标归约到平均人脸模型得到人脸图像区域,对得到人脸图像区域进行三角剖分,将得到的三角形作为一个局部部分逐个进行反射变换,得到归一化后的人脸图像。
本发明实施例可以用于从多个人脸五官定位算法的定位结果中挑选出精度较高的一个或多个结果,从而起到提升人脸五官关键点定位结果的精度,并有效规避存在严重错误的定位结果,具体如下:进一步地,如图6所示,上述定位结果坐标包含至少两组;上述评估装置还包括:
重组单元601,用于在上述评估单元504得到评估结果之后,选取得到评估精度最高的预定个数的定位结果坐标进行重组,得到目标定位结果坐标。
本发明实施例还提供了获取平均人脸模型的实现方案,需要说明的是平均人脸模型的计算可以不在人脸关键点位定位结果的评估设备端执行,由其他设备获得以后发送给人脸关键点位定位结果的评估端设备也是可以的,平均人脸模型的获得方式可以具体如下:进一步地,如图7所示,上述评估装置还包括:
人脸计算单元701,用于在上述归一计算单元502对上述定位结果坐标以及平均人脸模型进行归一化处理之前,获取M张人脸图像,并获取手工标记的关键点位坐标,M>1;采用最小二乘法,依据上述手工标记的关键点位坐标计算得到平均人脸模型。
本发明实施例还提供了获取权重向量的实现方案,需要说明的是权重向量的计算可以不在人脸关键点位定位结果的评估设备端执行,由其他设备获得以后发送给人脸关键点位定位结果的评估端设备也是可以的,权重向量的获得方式可以具体如下:进一步地,如图8所示,上述评估装置还包括:
权重计算单元801,用于在上述评估单元504根据上述人脸特征值以及权重向量计算评估结果之前,利用显示形状回归ESR算法对上述M张人脸图像进行定位计算,得到K个关键点位坐标,K>1;计算上述K个关键点位坐标与上述手工标记的关键点位坐标之间的平均平方误差根RMSE;依据计算得到的RMSE确定上述K个关键点位坐标的精度分值,上述RMSE越大上述精度分值越小;将上述K个关键点位坐标归约到上述平均人脸模型,得到参考人脸图像,提取上述参考人脸图像的人脸特征值;使用上述人脸特征值以及上述精度分值计算得到上述权重向量。
另需说明的是以上“上述RMSE越大上述精度分值越小”仅表示一个趋势,可以是严格的RMSE越大上述精度分值越小,也可以是截断型的,例如:RMSE大于某一数值以后精度分值为0,小于以上某一数值的RMSE越大上述精度分值越小。
本实施例还提供了使用上述人脸特征值以及上述精度分值计算得到上述权重向量的更为具体实现方案,本实施例可以循环执行多次以后获得较好的效果,具体如下:可选地,上述权重计算单元801,用于使用上述人脸特征值以及上述精度分值计算得到上述权重向量包括:使用上述人脸特征值和当前权重向量的内积作为评估分数,对上述评估分数进行排序,计算上述排序结果与上述精度分值的权重偏差量,并依据上述偏差量更新当前权重向量,得到上述权重向量。
本发明实施例还提供了另一种人脸关键点位定位结果的评估装置,如图9所示,包括:接收器901、发射器902、存储器904以及处理器903;
其中,处理器903,用于获取人脸图像,获取上述人脸图像的关键点的定位结果坐标;对上述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像;提取上述归一化后的人脸图像的人脸特征值,然后根据上述人脸特征值以及权重向量计算评估结果。
在本发明实施例中,关键点算法可以任意选择,不同的算法可以获得不同的定位结果坐标,本实施例可以对其进行评估。在本实施例中,可以选择使用ESR(Explicit ShapeRegressor,显示形状回归)人脸五官定位算法的随机性获得多组不同的定位结果坐标。
本发明实施例在得到定位结果坐标以后,通过平均人脸模型实现归一化处理,然后根据归一化后的人脸图像的人脸特征值以及权重向量计算获得评估结果。整个评估过程不需要人工干预,评估速度快,而且计算评估结果所使用的参数是可以量化的,因此评估结果可以量化。
另外,本发明实施例能够全自动地对人脸五官特征点的定位结果进行评估,评估过程全程无需人工干预,从某种程度上,本发明实施例方案填补了人脸五官关键点定位结果自动评估技术的空白。本发明能对人脸五官点的定位结果给出量化评估,速度快(每次自动评估耗时约10毫秒)、可靠性高。
在本发明实施例中人脸特征值是用于描述人脸特征的参数,也称为特征描述子;基于不同的需求和侧重,本发明实施例可以相应选取,为了提稳定性可以组合使用,具体如下:上述人脸特征值包括:HOG(Histogram of Oriented Gradient,方向梯度直方图)特征值,LBP(Local Binary Patterns,局部二值模式)特征值,Gabor(加窗傅立叶变换)特征值中的至少一项。
本发明实施例可以用于从多个人脸五官定位算法的定位结果中挑选出精度较高的一个或多个结果,从而起到提升人脸五官关键点定位结果的精度,并有效规避存在严重错误的定位结果,具体如下:上述定位结果坐标包含至少两组;上述处理器903,还用于得到评估结果之后,选取得到评估精度最高的预定个数的定位结果坐标进行重组,得到目标定位结果坐标。
本发明实施例还提供了具体归一化处理的优选实现方案,具体如下:上述处理器903,用于对上述定位结果坐标以及平均人脸模型进行归一化处理包括:将上述定位结果坐标归约到平均人脸模型得到人脸图像区域,对得到人脸图像区域进行三角剖分,将得到的三角形作为一个局部部分逐个进行反射变换,得到归一化后的人脸图像。
本发明实施例还提供了获取平均人脸模型的实现方案,需要说明的是平均人脸模型的计算可以不在人脸关键点位定位结果的评估设备端执行,由其他设备获得以后发送给人脸关键点位定位结果的评估端设备也是可以的,平均人脸模型的获得方式可以具体如下:上述处理器903,还用于对上述定位结果坐标以及平均人脸模型进行归一化处理之前,获取M张人脸图像,并获取手工标记的关键点位坐标,M>1;采用最小二乘法,依据上述手工标记的关键点位坐标计算得到平均人脸模型。
本发明实施例还提供了获取权重向量的实现方案,需要说明的是权重向量的计算可以不在人脸关键点位定位结果的评估设备端执行,由其他设备获得以后发送给人脸关键点位定位结果的评估端设备也是可以的,权重向量的获得方式可以具体如下:上述处理器903,还用于根据上述人脸特征值以及权重向量计算评估结果之前,利用显示形状回归ESR算法对上述M张人脸图像进行定位计算,得到K个关键点位坐标,K>1;
计算上述K个关键点位坐标与上述手工标记的关键点位坐标之间的平均平方误差根RMSE;
依据计算得到的RMSE确定上述K个关键点位坐标的精度分值,上述RMSE越大上述精度分值越小;
将上述K个关键点位坐标归约到上述平均人脸模型,得到参考人脸图像,提取上述参考人脸图像的人脸特征值;
使用上述人脸特征值以及上述精度分值计算得到上述权重向量。
另需说明的是以上“上述RMSE越大上述精度分值越小”仅表示一个趋势,可以是严格的RMSE越大上述精度分值越小,也可以是截断型的,例如:RMSE大于某一数值以后精度分值为0,小于以上某一数值的RMSE越大上述精度分值越小。
本实施例还提供了使用上述人脸特征值以及上述精度分值计算得到上述权重向量的更为具体实现方案,本实施例可以循环执行多次以后获得较好的效果,具体如下:上述处理器903,用于使用上述人脸特征值以及上述精度分值计算得到上述权重向量包括:使用上述人脸特征值和当前权重向量的内积作为评估分数,对上述评估分数进行排序,计算上述排序结果与上述精度分值的权重偏差量,并依据上述偏差量更新当前权重向量,得到上述权重向量。
本发明实施例还提供了另一种人脸关键点位定位结果的评估装置,如图10所示,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该终端可以为包括手机、平板电脑、PDA(Personal DigitalAssistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑等任意终端设备,以终端为手机为例:
图10示出的是与本发明实施例提供的终端相关的手机的部分结构的框图。参考图10,手机包括:射频(Radio Frequency,RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(wireless fidelity,WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解,图10中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图10对手机的各个构成部件进行具体的介绍:
RF电路1010可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1080处理;另外,将设计上行的数据发送给基站。通常,RF电路1010包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路1010还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器1020可用于存储软件程序以及模块,处理器1080通过运行存储在存储器1020的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1020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手机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1020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。
输入单元1030可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1030可包括触控面板1031以及其他输入设备1032。触控面板1031,也称为触摸屏,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控面板1031上或在触控面板1031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,触控面板1031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1080,并能接收处理器1080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控面板1031。除了触控面板1031,输入单元1030还可以包括其他输入设备1032。具体地,其他输入设备1032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1040可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1040可包括显示面板1041,可选的,可以采用液晶显示器(LiquidCrystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1041。进一步的,触控面板1031可覆盖显示面板1041,当触控面板1031检测到在其上或附近的触摸操作后,传送给处理器1080以确定触摸事件的类型,随后处理器1080根据触摸事件的类型在显示面板1041上提供相应的视觉输出。虽然在图10中,触控面板1031与显示面板1041是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板1031与显示面板1041集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1050,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1041的亮度,接近传感器可在手机移动到耳边时,关闭显示面板1041和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1060、扬声器1061,传声器1062可提供用户与手机之间的音频接口。音频电路1060可将接收到的音频数据转换后的电信号,传输到扬声器1061,由扬声器1061转换为声音信号输出;另一方面,传声器1062将收集的声音信号转换为电信号,由音频电路1060接收后转换为音频数据,再将音频数据输出处理器1080处理后,经RF电路1010以发送给比如另一手机,或者将音频数据输出至存储器1020以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块1070可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1070,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1080是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1020内的软件程序和/或模块,以及调用存储在存储器1020内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器1080可包括一个或多个处理单元;优选的,处理器1080可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1080中。
手机还包括给各个部件供电的电源1090(比如电池),优选的,电源可以通过电源管理系统与处理器1080逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本发明实施例中,该终端所包括的处理器1080还具有执行以上方法流程的功能。
值得注意的是,上述评估装置实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各方法实施例中的全部或部分步骤是可以通过程序来指令相关的硬件完成,相应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。
以上仅为本发明较佳的具体实施方式,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实施例揭露的技术范围内,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (14)
1.一种人脸关键点位定位结果的评估方法,其特征在于,包括:
获取人脸图像,获取所述人脸图像的关键点的定位结果坐标;
对所述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像,其中,通过所述平均人脸模型实现所述归一化;
提取所述归一化后的人脸图像的人脸特征值,根据所述人脸特征值以及权重向量计算评估结果,其中,所述权重向量是使用所述人脸特征值以及所述关键点的定位结果坐标的精度分值计算得到的。
2.根据权利要求1所述方法,其特征在于,所述人脸特征值包括:
方向梯度直方图HOG特征值,局部二值模式LBP特征值,加窗傅立叶变换Gabor特征值中的至少一项。
3.根据权利要求1所述方法,其特征在于,所述对所述定位结果坐标以及平均人脸模型进行归一化处理包括:
将所述定位结果坐标归约到平均人脸模型得到人脸图像区域,对得到人脸图像区域进行三角剖分,将得到的三角形作为一个局部部分逐个进行反射变换,得到归一化后的人脸图像。
4.根据权利要求1至3任意一项所述方法,其特征在于,所述定位结果坐标包含至少两组;得到评估结果之后,所述方法还包括:
选取得到评估精度最高的预定个数的定位结果坐标进行重组,得到目标定位结果坐标。
5.根据权利要求1至3任意一项所述方法,其特征在于,所述对所述定位结果坐标以及平均人脸模型进行归一化处理之前,所述方法还包括:
获取M张人脸图像,并获取手工标记的关键点位坐标,M>1;采用最小二乘法,依据所述手工标记的关键点位坐标计算得到平均人脸模型。
6.根据权利要求5所述方法,其特征在于,所述根据所述人脸特征值以及权重向量计算评估结果之前,所述方法还包括:
利用显示形状回归ESR算法对所述M张人脸图像进行定位计算,得到K个关键点位坐标,K>1;
计算所述K个关键点位坐标与所述手工标记的关键点位坐标之间的平均平方误差根RMSE;
依据计算得到的RMSE确定所述K个关键点位坐标的精度分值,所述RMSE越大所述精度分值越小;
将所述K个关键点位坐标归约到所述平均人脸模型,得到参考人脸图像,提取所述参考人脸图像的人脸特征值;
使用所述人脸特征值以及所述精度分值计算得到所述权重向量。
7.根据权利要求6所述方法,其特征在于,所述使用所述人脸特征值以及所述精度分值计算得到所述权重向量包括:
使用所述人脸特征值和当前权重向量的内积作为评估分数,对所述评估分数进行排序,计算所述排序结果与所述精度分值的权重偏差量,并依据所述偏差量更新当前权重向量,得到所述权重向量。
8.一种人脸关键点位定位结果的评估装置,其特征在于,包括:
坐标定位单元,用于获取人脸图像,获取所述人脸图像的关键点的定位结果坐标;
归一计算单元,用于对所述定位结果坐标以及平均人脸模型进行归一化处理,得到归一化后的人脸图像,其中,通过所述平均人脸模型实现所述归一化;
特征提取单元,用于提取所述归一化后的人脸图像的人脸特征值;
评估单元,用于根据所述人脸特征值以及权重向量计算评估结果,其中,所述权重向量是使用所述人脸特征值以及所述关键点的定位结果坐标的精度分值计算得到的。
9.根据权利要求8所述评估装置,其特征在于,所述人脸特征值包括:
方向梯度直方图HOG特征值,局部二值模式LBP特征值,加窗傅立叶变换Gabor特征值中的至少一项。
10.根据权利要求8所述评估装置,其特征在于,
所述归一计算单元,用于将所述定位结果坐标归约到平均人脸模型得到人脸图像区域,对得到人脸图像区域进行三角剖分,将得到的三角形作为一个局部部分逐个进行反射变换,得到归一化后的人脸图像。
11.根据权利要求8至10任意一项所述评估装置,其特征在于,所述定位结果坐标包含至少两组;所述评估装置还包括:
重组单元,用于在所述评估单元得到评估结果之后,选取得到评估精度最高的预定个数的定位结果坐标进行重组,得到目标定位结果坐标。
12.根据权利要求8至10任意一项所述评估装置,其特征在于,所述评估装置还包括:
人脸计算单元,用于在所述归一计算单元对所述定位结果坐标以及平均人脸模型进行归一化处理之前,获取M张人脸图像,并获取手工标记的关键点位坐标,M>1;采用最小二乘法,依据所述手工标记的关键点位坐标计算得到平均人脸模型。
13.根据权利要求12所述评估装置,其特征在于,所述评估装置还包括:
权重计算单元,用于在所述评估单元根据所述人脸特征值以及权重向量计算评估结果之前,利用显示形状回归ESR算法对所述M张人脸图像进行定位计算,得到K个关键点位坐标,K>1;计算所述K个关键点位坐标与所述手工标记的关键点位坐标之间的平均平方误差根RMSE;依据计算得到的RMSE确定所述K个关键点位坐标的精度分值,所述RMSE越大所述精度分值越小;将所述K个关键点位坐标归约到所述平均人脸模型,得到参考人脸图像,提取所述参考人脸图像的人脸特征值;使用所述人脸特征值以及所述精度分值计算得到所述权重向量。
14.根据权利要求13所述评估装置,其特征在于,
所述权重计算单元,用于使用所述人脸特征值以及所述精度分值计算得到所述权重向量包括:使用所述人脸特征值和当前权重向量的内积作为评估分数,对所述评估分数进行排序,计算所述排序结果与所述精度分值的权重偏差量,并依据所述偏差量更新当前权重向量,得到所述权重向量。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259823.0A CN104966046B (zh) | 2015-05-20 | 2015-05-20 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
PCT/CN2016/079118 WO2016184276A1 (zh) | 2015-05-20 | 2016-04-13 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
US15/671,041 US10331940B2 (en) | 2015-05-20 | 2017-08-07 | Evaluation method and evaluation device for facial key point positioning result |
US16/409,341 US10706263B2 (en) | 2015-05-20 | 2019-05-10 | Evaluation method and evaluation device for facial key point positioning result |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259823.0A CN104966046B (zh) | 2015-05-20 | 2015-05-20 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966046A CN104966046A (zh) | 2015-10-07 |
CN104966046B true CN104966046B (zh) | 2017-07-21 |
Family
ID=54220084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510259823.0A Active CN104966046B (zh) | 2015-05-20 | 2015-05-20 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10331940B2 (zh) |
CN (1) | CN104966046B (zh) |
WO (1) | WO2016184276A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966046B (zh) | 2015-05-20 | 2017-07-21 | 腾讯科技(深圳)有限公司 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
CN105426870B (zh) * | 2015-12-15 | 2019-09-24 | 北京文安智能技术股份有限公司 | 一种人脸关键点定位方法及装置 |
US10902244B2 (en) * | 2017-03-27 | 2021-01-26 | Samsung Electronics Co., Ltd. | Apparatus and method for image processing |
TWI628624B (zh) * | 2017-11-30 | 2018-07-01 | 國家中山科學研究院 | Improved thermal image feature extraction method |
CN109461153B (zh) * | 2018-11-15 | 2022-04-22 | 联想(北京)有限公司 | 数据处理方法和装置 |
CN109598749B (zh) * | 2018-11-30 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种三维人脸模型的参数配置方法、装置、设备及介质 |
CN110929588A (zh) * | 2019-10-30 | 2020-03-27 | 维沃移动通信有限公司 | 脸部特征点定位方法及电子设备 |
CN110956099B (zh) * | 2019-11-14 | 2022-06-17 | 哈尔滨工程大学 | 一种动态手势指令识别方法 |
CN111601181B (zh) * | 2020-04-27 | 2022-04-29 | 北京首版科技有限公司 | 生成视频指纹数据的方法及装置 |
CN113222996A (zh) * | 2021-03-03 | 2021-08-06 | 中南民族大学 | 心脏分割质量评估方法、装置、设备及存储介质 |
CN113822171A (zh) * | 2021-08-31 | 2021-12-21 | 苏州中科先进技术研究院有限公司 | 一种宠物颜值评分方法、装置、存储介质及设备 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4745207B2 (ja) * | 2006-12-08 | 2011-08-10 | 株式会社東芝 | 顔特徴点検出装置及びその方法 |
US20090208112A1 (en) * | 2008-02-20 | 2009-08-20 | Kabushiki Kaisha Toshiba | Pattern recognition method, and storage medium which stores pattern recognition program |
CN101706872A (zh) * | 2009-11-26 | 2010-05-12 | 上海交通大学 | 通用的开放式人脸识别系统 |
CN101877055A (zh) * | 2009-12-07 | 2010-11-03 | 北京中星微电子有限公司 | 一种关键特征点定位的方法和装置 |
CN102004899B (zh) * | 2010-11-03 | 2012-09-26 | 无锡中星微电子有限公司 | 一种人脸认证系统及方法 |
CN102486868A (zh) * | 2010-12-06 | 2012-06-06 | 华南理工大学 | 一种基于平均脸的美丽人脸合成方法 |
US10248848B2 (en) * | 2012-03-13 | 2019-04-02 | Nokia Technologies Oy | Method and apparatus for improved facial recognition |
CN103632129A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技(深圳)有限公司 | 一种人脸特征点定位方法及装置 |
US9443132B2 (en) * | 2013-02-05 | 2016-09-13 | Children's National Medical Center | Device and method for classifying a condition based on image analysis |
JP6013241B2 (ja) * | 2013-03-18 | 2016-10-25 | 株式会社東芝 | 人物認識装置、及び方法 |
GB2518589B (en) * | 2013-07-30 | 2019-12-11 | Holition Ltd | Image processing |
CN103632136B (zh) * | 2013-11-11 | 2017-03-29 | 北京天诚盛业科技有限公司 | 人眼定位方法和装置 |
CN104598936B (zh) * | 2015-02-28 | 2018-07-27 | 北京畅景立达软件技术有限公司 | 人脸图像面部关键点的定位方法 |
CN104966046B (zh) * | 2015-05-20 | 2017-07-21 | 腾讯科技(深圳)有限公司 | 一种人脸关键点位定位结果的评估方法,及评估装置 |
-
2015
- 2015-05-20 CN CN201510259823.0A patent/CN104966046B/zh active Active
-
2016
- 2016-04-13 WO PCT/CN2016/079118 patent/WO2016184276A1/zh active Application Filing
-
2017
- 2017-08-07 US US15/671,041 patent/US10331940B2/en active Active
-
2019
- 2019-05-10 US US16/409,341 patent/US10706263B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2016184276A1 (zh) | 2016-11-24 |
US20170337420A1 (en) | 2017-11-23 |
US20190266385A1 (en) | 2019-08-29 |
US10706263B2 (en) | 2020-07-07 |
US10331940B2 (en) | 2019-06-25 |
CN104966046A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104966046B (zh) | 一种人脸关键点位定位结果的评估方法,及评估装置 | |
CN105005457B (zh) | 地理位置展示方法及装置 | |
CN103729636B (zh) | 字符切割方法、装置及电子设备 | |
CN106412249B (zh) | 跌落信息的检测方法及装置 | |
CN109753927A (zh) | 一种人脸检测方法和装置 | |
CN104281833B (zh) | 色情图像识别方法和装置 | |
CN107844730A (zh) | 一种图形码扫描方法及移动终端 | |
CN107835367A (zh) | 一种图像处理方法、装置及移动终端 | |
CN104143097B (zh) | 分类函数获取方法、人脸年龄识别方法、装置和设备 | |
CN106815309A (zh) | 一种图像推送方法、装置以及移动终端 | |
CN107590463A (zh) | 人脸识别方法及相关产品 | |
CN104463105B (zh) | 路牌识别方法及装置 | |
CN108647957A (zh) | 一种支付方法、装置及移动终端 | |
CN110097419A (zh) | 商品数据处理方法、计算机设备和存储介质 | |
CN107734260A (zh) | 一种图像处理方法及移动终端 | |
CN106874906A (zh) | 一种图片的二值化方法、装置及终端 | |
CN107464290A (zh) | 三维信息展示方法、装置和移动终端 | |
CN106558039A (zh) | 一种人像处理方法及装置 | |
CN108541015A (zh) | 一种信号强度提示方法及移动终端 | |
CN107783709A (zh) | 一种图像的查看方法及移动终端 | |
CN106250080A (zh) | 图像显示方法及装置 | |
CN107908770A (zh) | 一种照片搜索方法及移动终端 | |
CN107786942A (zh) | 基于无线设备的定位装置、方法及计算机可读存储介质 | |
CN108038431A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN106056072B (zh) | 一种指纹解锁方法、及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180913 Address after: 100190 Beijing Haidian District Zhichun Road 49 No. 3 West 309 Patentee after: Tencent cloud computing (Beijing) limited liability company Address before: 518000 East 403 room, Sai Ge science and Technology Park, Futian District Zhenxing Road, Shenzhen, Guangdong, China, 2 Patentee before: Tencent Technology (Shenzhen) Co., Ltd. |
|
TR01 | Transfer of patent right |