CN105095881A - 人脸识别方法、装置及终端 - Google Patents

人脸识别方法、装置及终端 Download PDF

Info

Publication number
CN105095881A
CN105095881A CN201510520457.XA CN201510520457A CN105095881A CN 105095881 A CN105095881 A CN 105095881A CN 201510520457 A CN201510520457 A CN 201510520457A CN 105095881 A CN105095881 A CN 105095881A
Authority
CN
China
Prior art keywords
image
face
sub
processed
original 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.)
Granted
Application number
CN201510520457.XA
Other languages
English (en)
Other versions
CN105095881B (zh
Inventor
陈志军
汪平仄
秦秋平
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.)
Xiaomi Inc
Original Assignee
Xiaomi Inc
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 Xiaomi Inc filed Critical Xiaomi Inc
Priority to CN201510520457.XA priority Critical patent/CN105095881B/zh
Publication of CN105095881A publication Critical patent/CN105095881A/zh
Priority to MX2017008481A priority patent/MX2017008481A/es
Priority to JP2016567408A priority patent/JP6374986B2/ja
Priority to PCT/CN2015/099696 priority patent/WO2017031901A1/zh
Priority to KR1020167015669A priority patent/KR20170033805A/ko
Priority to RU2017102521A priority patent/RU2664688C2/ru
Priority to EP16174462.8A priority patent/EP3133527A1/en
Priority to US15/195,368 priority patent/US10007841B2/en
Application granted granted Critical
Publication of CN105095881B publication Critical patent/CN105095881B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本公开关于一种人脸识别方法、装置及终端，属于图像处理技术领域。方法包括：获取原始图像；在原始图像的边缘区域增加指定数值的像素，得到待处理图像；对待处理图像进行人脸识别；根据人脸识别的结果确定原始图像中的人脸。通过在原始图像的边缘区域增加指定数值的像素，得到待处理图像后，对待处理图像进行人脸识别，以确定原始图像中的人脸。本公开能够提高人脸识别的准确性。

Description

人脸识别方法、装置及终端
技术领域
本公开涉及图像处理技术领域，特别涉及一种人脸识别方法、装置及终端。
背景技术
近年来，由于人脸识别技术在安全访问控制、视觉监测、基于内容的图像检索和新一代人机界面等领域的应用价值越来越大，因此，如何识别图像中的人脸，受到研究者的普遍重视。
相关技术中，在进行人脸识别时，可以根据人脸特征实现，例如可以通过人的眼睛、鼻子等各器官之间的比例作为一个人脸特征。然而，当人脸位于图像的边缘区域时，由于图像中不包括整个人脸，因此，在图像中可能查找不到近似人脸器官之间比例的图像，导致人脸分类器可能会出现识别不出人脸的情况。
发明内容
本公开提供一种人脸识别方法、装置及终端。
根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括：
获取原始图像；
在所述原始图像的边缘区域增加指定数值的像素，得到待处理图像；
对所述待处理图像进行人脸识别；
根据所述人脸识别的结果确定所述原始图像中的人脸。
结合第一方面，在第一方面的第一种可能的实现方式中，所述在所述原始图像的边缘区域增加指定数值的像素，包括：
获取所述原始图像的边缘区域各个像素的像素值；
根据所述边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域；
在所述存在人脸肤色像素的边缘区域增加指定数值的像素。
结合第一方面或第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述对所述待处理图像进行人脸识别，包括：
获取所述待处理图像的多个子图像；
使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述获取所述待处理图像的多个子图像，包括：
使用滑动窗口分多次遍历所述待处理图像，将每次遍历时所述滑动窗口在每个位置所覆盖的图像区域作为所述待处理图像的一个子图像，其中，任两次遍历所述待处理图像使用的滑动窗口的尺寸不同；或者，
对所述待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将所述尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
结合第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，所述预先训练的自适应增强人脸分类器由多级分类器级联而成，所述使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像，包括：
对于任一子图像，从所述预先训练的自适应增强人脸分类器的第一级分类器开始，逐级判断所述子图像是否为人脸子图像，直至所述自适应增强人脸分类器的最后一级分类器；
当所有级分类器的输出结果均标识所述子图像为人脸子图像时，确定所述子图像为人脸子图像。
结合第一方面的第二种可能的实现方式，在第一方面的第五种可能的实现方式中，所述根据所述人脸识别的结果确定所述原始图像中的人脸，包括：
在所述待处理图像的多个子图像中存在为人脸子图像的子图像时，确定所述为人脸子图像的子图像在所述原始图像中的位置；
根据所述为人脸子图像的子图像在所述原始图像中的位置，确定所述原始图像中的人脸。
根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括：
获取模块，用于获取原始图像；
增加模块，用于在所述获取模块获取的所述原始图像的边缘区域增加指定数值的像素，得到待处理图像；
识别模块，用于对所述增加模块得到的所述待处理图像进行人脸识别；
确定模块，用于根据所述识别模块的所述人脸识别的结果确定所述原始图像中的人脸。
结合第二方面，在第二方面的第一种可能的实现方式中，所述增加模块包括：
第一获取单元，用于获取所述原始图像的边缘区域各个像素的像素值；
第一确定单元，用于根据所述第一获取单元获取的所述边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域；
增加单元，用于在所述第一确定单元确定的所述存在人脸肤色像素的边缘区域增加指定数值的像素。
结合第二方面或第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述识别模块包括：
第二获取单元，用于获取所述待处理图像的多个子图像；
判断单元，用于使用预先训练的自适应增强人脸分类器判断所述第二获取单元获取的每个子图像是否为人脸子图像。
结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述第二获取单元，用于使用滑动窗口分多次遍历所述待处理图像，将每次遍历时所述滑动窗口在每个位置所覆盖的图像区域作为所述待处理图像的一个子图像，其中，任两次遍历所述待处理图像使用的滑动窗口的尺寸不同；或者，
对所述待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将所述尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
结合第二方面的第二种可能的实现方式，在第二方面的第四种可能的实现方式中，所述预先训练的自适应增强人脸分类器由多级分类器级联而成，所述判断单元，用于对于任一子图像，从所述预先训练的自适应增强人脸分类器的第一级分类器开始，逐级判断所述子图像是否为人脸子图像，直至所述自适应增强人脸分类器的最后一级分类器；当所有级分类器的输出结果均标识所述子图像为人脸子图像时，确定所述子图像为人脸子图像。
结合第二方面的第二种可能的实现方式，在第二方面的第五种可能的实现方式中，所述确定模块包括：
第二确定单元，用于在所述待处理图像的多个子图像中存在为人脸子图像的子图像时，确定所述为人脸子图像的子图像在所述原始图像中的位置；
第三确定单元，用于根据所述为人脸子图像的子图像在所述原始图像中的位置，确定所述原始图像中的人脸。
根据本公开实施例的第三方面，提供一种终端，所述终端包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取原始图像；
在所述原始图像的边缘区域增加指定数值的像素，得到待处理图像；
对所述待处理图像进行人脸识别；
根据所述人脸识别的结果确定所述原始图像中的人脸。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过在原始图像的边缘区域增加指定数值的像素，得到待处理图像后，对待处理图像进行人脸识别，以确定原始图像中的人脸。由于在进行人脸识别时，在原始图像的边缘区域增加了一定数量的像素，通过增加这部分像素，相当于对原始图像进行了扩展，确保当人脸位于原始图像的边缘区域时，在扩展后的图像中能够查找到包括人脸的子图像，从而确保可以识别出位于原始图像边缘区域的人脸，进而能够提高人脸识别的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种人脸识别方法的流程图。
图2是根据一示例性实施例示出的一种人脸识别方法的流程图。
图3是根据一示例性实施例示出的一种原始图像的示意图。
图4是根据一示例性实施例示出的一种待处理图像的示意图。
图5是根据一示例性实施例示出的一种使用不同尺寸的滑动窗口遍历待处理图像的示意图。
图6是根据一示例性实施例示出的一种多种尺寸的待处理图像的示意图。
图7是根据一示例性实施例示出的一种Adaboost人脸分类器的示意图。
图8是根据一示例性实施例示出的一种人脸识别装置的框图。
图9是根据一示例性实施例示出的一种增加模块的框图。
图10是根据一示例性实施例示出的一种识别模块的框图。
图11是根据一示例性实施例示出的一种确定模块的框图。
图12是根据一示例性实施例示出的一种终端的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种人脸识别方法的流程图，人脸识别方法用于终端中。如图1所示，本公开实施例提供的人脸识别方法包括以下步骤。
在步骤S101中，获取原始图像。
在步骤S102中，在原始图像的边缘区域增加指定数值的像素，得到待处理图像。
在步骤S103中，对待处理图像进行人脸识别。
在步骤S104中，根据人脸识别的结果确定原始图像中的人脸。
本公开实施例提供的方法，通过在原始图像的边缘区域增加指定数值的像素，得到待处理图像后，对待处理图像进行人脸识别，以确定原始图像中的人脸。由于在进行人脸识别时，在原始图像的边缘区域增加了一定数量的像素，通过增加这部分像素，相当于对原始图像进行了扩展，确保当人脸位于原始图像的边缘区域时，在扩展后的图像中能够查找到包括人脸的子图像，从而确保可以识别出位于原始图像边缘区域的人脸，进而能够提高人脸识别的准确性。
在另一个实施例中，在原始图像的边缘区域增加指定数值的像素，包括：
获取原始图像的边缘区域各个像素的像素值；
根据边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域；
在存在人脸肤色像素的边缘区域增加指定数值的像素。
在另一个实施例中，对待处理图像进行人脸识别，包括：
获取待处理图像的多个子图像；
使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像。
在另一个实施例中，获取待处理图像的多个子图像，包括：
使用滑动窗口分多次遍历待处理图像，将每次遍历时滑动窗口在每个位置所覆盖的图像区域作为待处理图像的一个子图像，其中，任两次遍历待处理图像使用的滑动窗口的尺寸不同；或者，
对待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
在另一个实施例中，预先训练的自适应增强人脸分类器由多级分类器级联而成，使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像，包括：
对于任一子图像，从预先训练的自适应增强人脸分类器的第一级分类器开始，逐级判断子图像是否为人脸子图像，直至自适应增强人脸分类器的最后一级分类器；
当所有级分类器的输出结果均标识子图像为人脸子图像时，确定子图像为人脸子图像。
在另一个实施例中，根据人脸识别的结果确定原始图像中的人脸，包括：
在所述待处理图像的多个子图像中存在为人脸子图像的子图像时，确定为人脸子图像的子图像在原始图像中的位置；
根据为人脸子图像的子图像在原始图像中的位置，确定原始图像中的人脸。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
图2是根据一示例性实施例示出的一种人脸识别方法的流程图，人脸识别方法用于终端中。如图2所示，本公开实施例提供的人脸识别方法包括以下步骤。
在步骤S201中，获取原始图像。
原始图像为需要进行人脸识别的图像。本公开实施例需要识别原始图像中是否包括人脸，以及如果原始图像中包括人脸，则人脸位于原始图像中的哪个区域。
获取原始图像的方式可以有很多种。例如，可以从任一存储设备读取一张图像作为原始图像；或者，可以从互联网上下载一张图像作为原始图像；还可以利用扫描仪扫描一张图像而得到原始图像，另外，还可以将照相机拍摄的一张图像作为原始图像。
在步骤S202中，在原始图像的边缘区域增加指定数值的像素，得到待处理图像。
示例地，原始图像的边缘区域为原始图像四个边中各边的最外边一层像素。如图3所示，其示出了一种原始图像的示意图，图3中的人脸位于原始图像的上边缘区域。当人脸位于原始图像的边缘区域时，在进行人脸识别时，可能会出现识别不出人脸的情况。为了避免该种情况发生，本公开实施例在进行人脸识别时，先在原始图像的边缘区域增加指定数值的像素，从而得到待处理图像。如图4所示，其示出了一种待处理图像的示意图，图4中的待处理图像为在图3所示的原始图像的4个边缘区域增加像素后得到的。图4中带有斜线的区域即表示增加的像素。
关于指定数值的具体数值，本公开实施例不作具体限定。具体实施时，可以根据需要设定。例如，可以在最外边一层像素的每个像素外围再增加两个像素、五个像素、十个像素等。
另外，在原始图像的边缘区域增加像素时，增加的所有像素均可以具有同一像素值。也就是说，增加的所有像素具有相同的颜色。该相同的颜色可以为白色，也可以为黑色或其它颜色等，本公开实施例对此不作具体限定。由于同一颜色的像素具有相同的像素值，当增加的像素为同一颜色的像素时，可以确保后续在对待处理图像进行人脸识别时，当发现待处理图像某一区域的像素具有相同的像素值，则可以确定其为增加的像素，从而不必进行过多的识别流程，因而可以具有比较高的识别速度。
示例地，在原始图像的边缘区域增加指定数值的像素时，可以在原始图像的四个边缘区域均增加指定数值的像素。当然，每个边缘区域所增加的指定数值的像素的数量可以不同。如左边缘区域和右边缘区域所增加的像素的数量不同。然而，当在原始图像的边缘区域增加像素后，会增加图像识别时的计算量。为了能够最小化图像识别的计算量，在原始图像的边缘区域增加像素时，可以先检测可能存在人脸的边缘区域，并在可能存在人脸的边缘区域增加像素。
在一个可能的实施方式中，由于人脸肤色像素的像素值通常为一个具体数值或者处于一定数值范围内，因此，可以通过检测边缘区域的各个像素的像素值是否为人脸肤色像素的像素值，确定边缘区域是否可能存在人脸。结合该部分内容，在原始图像的边缘区域增加指定数值的像素时，包括但不限于通过如下步骤S2021至步骤S2023来实现：
在步骤S2021中，获取原始图像的边缘区域各个像素的像素值。
示例地，在获取边缘区域各个像素的像素值时，可以通过确定各个像素的RGB值来实现。其中，在确定各个像素的RGB值时，包括但不限于通过颜色传感器来实现。
在步骤S2022中，根据边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域。
在一个可能的实施方式中，可以将边缘区域每个像素的像素值与预设人脸肤色像素值进行比对，并根据比对结果确定存在人脸肤色像素的边缘区域。
示例地，在将边缘区域任一像素的像素值与预设人脸肤色像素值进行比对时，如果该像素的像素值与预设人脸肤色像素值之间的差值不大于第一预设阈值，则可以确定该像素为人脸肤色像素。关于该第一预设阈值的具体数值，本公开实施例不作具限定。然而，为了保证能够准确识别该像素是否为人脸肤色像素，该第一预设阈值可以设置得比较小。
示例地，在根据比对结果确定存在人脸肤色像素的边缘区域时，对于任一边缘区域，可以根据该边缘区域对应的所有像素中，人脸肤色像素数量占该边缘区域对应的所有像素数量的比例而定。当该比例大于第二预设阈值时，确定该边缘区域存在人脸肤色像素；否则，确定该边缘区域不存在人脸肤色像素。关于第二预设阈值的具体数值，可以根据需要设定。
在步骤S2023中，在存在人脸肤色像素的边缘区域增加指定数值的像素。
也就是说，本公开实施例在原始图像的边缘区域增加像素时，可以仅在存在人脸肤色像素的边缘区域增加指定数值的像素。例如，当人脸肤色像素存在于原始图像的上边缘区域时，可以仅在上边缘区域增加指定数值的像素，以实现减少图像识别的计算量。
在步骤S203中，获取待处理图像的多个子图像，并使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像。
该步骤为对待处理图像进行人脸识别的具体实现方式。在进行人脸识别时，本公开实施例先获取待处理图的多个子图像，并通过判断每个子图像是否为人脸子图像来实现。
其中，在获取待处理图像的多个子图像时，包括但不限于有如下两种方式：
第一种方式：使用滑动窗口分多次遍历待处理图像，将每次遍历时滑动窗口在每个位置所覆盖的图像区域作为待处理图像的一个子图像，其中，任两次遍历待处理图像使用的滑动窗口的尺寸不同。
也就是说，本公开实施例会使用不同尺寸的滑动窗口分别遍历待处理图像。关于每次遍历待处理图像时所使用的滑动窗口的尺寸，可以有很多种，例如，在某次遍历待处理图像时，滑动窗口的尺寸为3*3；在下一次遍历待处理图像时，滑动窗口的尺寸为5*5等。如图5所示，其示出了一种使用不同尺寸的滑动窗口遍历待处理图像的示意图。图5中的每个粗实线正方形即为一个滑动窗口。
在使用任一尺寸的滑动窗口遍历待处理图像时，滑动窗口将按照指定步长在待处理图像的水平方向(X方向)和垂直方向(Y方向)上遍历，滑动窗口每在X方向或Y方向移动一个步长，便移动至待处理图像的一个新的位置，而每个位置均限定了一个图像范围，每个位置所限定的图像范围即为待处理图像的一个子图像。其中，指定步长可以为一个像素、两个像素等。
第二种方式：对待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
其中，每次缩放待处理图像，即可得到一个尺寸的待处理图像。针对一个尺寸的待处理图像，可以将该尺寸的待处理图像裁剪成多个图像区域，每个图像区域的尺寸为指定尺寸。如，该指定尺寸为3*3(像素*像素)、5*5等。
如图6所示，其示出了一种多种尺寸的待处理图像的示意图。图6中的(a)图至(c)图分别表示一个尺寸的待处理图像。如图6中的(c)图所示，其示出了一种裁剪该尺寸的待处理图像的示意图。图6中的(c)图中，每个粗实线所包围的矩形框即为该尺寸的待处理图像的一个子图像。
进一步地，在判断每个子图像是否为人脸子图像时，可以通过预先训练的人脸分类器来实现。关于预先训练的人脸分类器的类型，可以有很多种。例如，预先训练的人脸分类器可以为支持向量机人脸分类器、神经网络人脸分类器或者是自适应增强(Adaboost)人脸分类器等。为了便于说明，本公开实施例在后续进行人脸识别时，以预先训练的人脸分类器为Adaboost人脸分类器为例进行说明。
在一个可能的实施方式中，为了增加人脸识别的精度，本公开实施例中预先训练的Adaboost人脸分类器由多级分类器级联而成。其中，Adaboost人脸分类器的每级分类器均用于判断某一个子图像是否为人脸子图像。任一级分类器的输出结果为“1”和“0”。输出结果为“1”标识该级分类器确定子图像为人脸子图像；输出结果为“0”标识该级分类器确定该子图像不为人脸子图像。
Adaboost人脸分类器的每级分类器均为强分类器，每个强分类器又包括多个弱分类器。在训练Adaboost人脸分类器的每级分类器时，通过训练该级分类器所包括的多个弱分类器来实现，该级分类器的输出结果根据其包括的所有弱分类器的数据处理情况决定。关于训练Adaboost人脸分类器的方式，以及每级分类器的输出结果的确定方式，可以参见已有Adaboost人脸分类器的内容，本公开实施例对该部分内容不作详细解释。
关于预先训练的Adaboost人脸分类器所包含的分类器的级数，本公开实施例不作具体限定。为了使得识别结果比较准确，Adaboost人脸分类器可以包括较多级的分类器，如包括5级分类器、8级分类器等。如图7所示，其示出了一种Adaboost人脸分类器的示意图，图7中每个圆形区域表示一级分类器。
在此基础上，在使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像时，对于任一子图像，从预先训练的Adaboost人脸分类器的第一级分类器开始，逐级判断该子图像是否为人脸子图像，直至Adaboost人脸分类器的最后一级分类器。当所有级分类器的输出结果均标识该子图像为人脸子图像时，确定该子图像为人脸子图像。当任一级分类器的输出结果标识该子图像为非人脸子图像时，确定该子图像为非人脸子图像。
具体地，对于任一子图像，将该子图像均从第一级分类器输入Adaboost人脸分类器，当第一级分类器确定该子图像为人脸子图像时，将该子图像输入第二级分类器，由第二级分类器判断该子图像是否为人脸子图像，如此类推，直至最后一级分类器；当第一级分类器确定该子图像不为人脸子图像时，第一级分类器获取下一个子图像，并对下一个子图像进行识别。
需要说明的是，基于预先训练的人脸分类器的工作原理，当人脸位于原始图像的边缘区域时，其通常不能识别出该位于边缘区域的人脸。然而，当人脸被遮挡时，其可以正确识别出被遮挡的人脸。本公开实施例通过在原始图像的边缘区域增加指定数值的像素，使得位于边缘区域的人脸相当于被该增加的像素遮挡，因此，通过预先训练的人脸分类器可以识别出该位于边缘区域的人脸，从而可以提高识别边缘区域人脸的准确性。
在步骤S204中，根据人脸识别的结果确定原始图像中的人脸。
当识别完所有的子图像是否为人脸子图像后，即可以根据人脸识别的结果确定属于人脸的子图像。然而，为了确定原始图像中的人脸在哪个区域，需要进一步根据属于人脸的子图像，确定原始图像中的人脸。
示例地，在根据人脸识别结果确定原始图像中的人脸时，包括但不限于：在待处理图像的多个子图像中存在为人脸子图像的子图像时，确定为人脸子图像的子图像在原始图像中的位置，并根据为人脸子图像的子图像在原始图像中的位置，确定原始图像中的人脸。
在一个可能的实施方式中，对于任一识别结果为人脸子图像的子图像，在获取该子图像在原始图像中的位置时，可以提取该子图像各个像素的像素值，并提取原始图像中每个像素的像素值，进而将该子图像各个像素的像素值分别与原始图像中的各个像素值进行比对。当原始图像中某一区域各个像素的像素值均与该子图像各个像素的像素值相同时，即可定位到该子图像在原始图像中的位置。当定位到该子图像在原始图像中的位置后，即可确定原始图像中的人脸。
进一步地，在待处理图像的多个子图像中不存在为人脸子图像的子图像时，确定原始图像中不包括人脸。
本公开实施例提供的方法，通过在原始图像的边缘区域增加指定数值的像素，得到待处理图像后，对待处理图像进行人脸识别，以确定原始图像中的人脸。由于在进行人脸识别时，在原始图像的边缘区域增加了一定数量的像素，通过增加这部分像素，相当于对原始图像进行了扩展，确保当人脸位于原始图像的边缘区域时，在扩展后的图像中能够查找到包括人脸的子图像，从而确保可以识别出位于原始图像边缘区域的人脸，进而能够提高人脸识别的准确性。
图8是根据一示例性实施例示出的一种人脸识别装置的框图。参照图8，该人脸识别装置包括获取模块801、增加模块802、识别模块803和确定模块804。其中：
该获取模块801被配置为获取原始图像；
该增加模块802被配置为在获取模块801获取的原始图像的边缘区域增加指定数值的像素，得到待处理图像；
该识别模块803被配置为对增加模块802得到的待处理图像进行人脸识别；
该确定模块804被配置为根据识别模块803的识别结果获取原始图像中的人脸。
本公开实施例提供的装置，通过在原始图像的边缘区域增加指定数值的像素，得到待处理图像后，对待处理图像进行人脸识别，以确定原始图像中的人脸。由于在进行人脸识别时，在原始图像的边缘区域增加了一定数量的像素，通过增加这部分像素，相当于对原始图像进行了扩展，确保当人脸位于原始图像的边缘区域时，在扩展后的图像中能够查找到包括人脸的子图像，从而确保可以识别出位于原始图像边缘区域的人脸，进而能够提高人脸识别的准确性。
在另一个实施例中，参见图9，增加模块802包括第一获取单元8021、第一确定单元8022和增加单元8023。其中：
该第一获取单元8021被配置为获取原始图像的边缘区域各个像素的像素值；
该第一确定单元8022被配置为根据第一获取单元获取的边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域；
该增加单元8023被配置为在第一确定单元8022确定的存在人脸肤色像素的边缘区域增加指定数值的像素。
在另一个实施例中，参见图10，识别模块803包括：
该第二获取单元8031被配置为获取待处理图像的多个子图像；
该判断单元8032被配置为使用预先训练的自适应增强人脸分类器判断第二获取单元获取的每个子图像是否为人脸子图像。
在另一个实施例中，该第二获取单元8031被配置为使用滑动窗口分多次遍历待处理图像，将每次遍历时滑动窗口在每个位置所覆盖的图像区域作为待处理图像的一个子图像，其中，任两次遍历待处理图像使用的滑动窗口的尺寸不同；或者，
对待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
在另一个实施例中，预先训练的自适应增强人脸分类器由多级分类器级联而成，该判断单元8032被配置为对于任一子图像，从预先训练的自适应增强人脸分类器的第一级分类器开始，逐级判断子图像是否为人脸子图像，直至自适应增强人脸分类器的最后一级分类器；当所有级分类器的输出结果均标识子图像为人脸子图像时，确定子图像为人脸子图像。
在另一个实施例中，参见图11，确定模块804包括第二确定单元8041和第三确定单元8042。其中：
该第二确定单元8041被配置为在所述待处理图像的多个子图像中存在为人脸子图像的子图像时，确定为人脸子图像的子图像在原始图像中的位置；
该第三确定单元8042被配置为根据为人脸子图像的子图像在原始图像中的位置，确定原始图像中的人脸。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
图12是根据一示例性实施例示出的一种终端1200的框图，该终端可以用于执行上述图1或图2所对应实施例提供的人脸识别方法。例如，终端1200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图12，终端1200可以包括以下一个或多个组件：处理组件1202，存储器1204，电源组件1206，多媒体组件1208，音频组件1210，I/O(Input/Output，输入/输出)接口1212，传感器组件1214，以及通信组件1216。
处理组件1202通常控制终端1200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1202可以包括一个或多个处理器1220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1202可以包括一个或多个模块，便于处理组件1202和其它组件之间的交互。例如，处理组件1202可以包括多媒体模块，以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在终端1200的操作。这些数据的示例包括用于在终端1200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1204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，如SRAM(StaticRandomAccessMemory,静态随机存取存储器)，EEPROM(Electrically-ErasableProgrammableRead-OnlyMemory,电可擦除可编程只读存储器)，EPROM(ErasableProgrammableReadOnlyMemory,可擦除可编程只读存储器)，PROM(ProgrammableRead-OnlyMemory,可编程只读存储器)，ROM(Read-OnlyMemory,只读存储器)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1206为终端1200的各种组件提供电力。电源组件1206可以包括电源管理系统，一个或多个电源，及其他与为终端1200生成、管理和分配电力相关联的组件。
多媒体组件1208包括在所述终端1200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括LCD(LiquidCrystalDisplay，液晶显示器)和TP(TouchPanel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1208包括一个前置摄像头和/或后置摄像头。当终端1200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1210被配置为输出和/或输入音频信号。例如，音频组件1210包括一个MIC(Microphone,麦克风)，当终端1200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1204或经由通信组件1216发送。在一些实施例中，音频组件1210还包括一个扬声器，用于输出音频信号。
I/O接口1212为处理组件1202和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1214包括一个或多个传感器，用于为终端1200提供各个方面的状态评估。例如，传感器组件1214可以检测到终端1200的打开/关闭状态，组件的相对定位，例如组件为终端1200的显示器和小键盘，传感器组件1214还可以检测终端1200或终端1200一个组件的位置改变，用户与终端1200接触的存在或不存在，终端1200方位或加速/减速和终端1200的温度变化。传感器组件1214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1214还可以包括光传感器，如CMOS(ComplementaryMetalOxideSemiconductor，互补金属氧化物)或CCD(Charge-coupledDevice，电荷耦合元件)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1216被配置为便于终端1200和其他设备之间有线或无线方式的通信。终端1200可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1216还包括NFC(NearFieldCommunication,近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(RadioFrequencyIdentification,射频识别)技术，IrDA(Infra-redDataAssociation,红外数据协会)技术，UWB(UltraWideband,超宽带)技术，BT(Bluetooth,蓝牙)技术和其它技术来实现。
在示例性实施例中，终端1200可以被一个或多个ASIC(ApplicationSpecificIntegratedCircuit,应用专用集成电路)、DSP(DigitalsignalProcessor,数字信号处理器)、DSPD(DigitalsignalProcessorDevice，数字信号处理设备)、PLD(ProgrammableLogicDevice,可编程逻辑器件)、FPGA(FieldProgrammableGateArray,现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图1或图2所对应实施例提供的人脸识别方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1204，上述指令可由终端1200的处理器1220执行以完成上述人脸识别方法。例如，所述非临时性计算机可读存储介质可以是ROM、RAM(RandomAccessMemory,随机存取存储器)、CD-ROM(CompactDiscRead-OnlyMemory,光盘只读存储器)、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (13)

1.一种人脸识别方法，其特征在于，所述方法包括：
获取原始图像；
在所述原始图像的边缘区域增加指定数值的像素，得到待处理图像；
对所述待处理图像进行人脸识别；
根据所述人脸识别的结果确定所述原始图像中的人脸。
2.根据权利要求1所述的方法，其特征在于，所述在所述原始图像的边缘区域增加指定数值的像素，包括：
获取所述原始图像的边缘区域各个像素的像素值；
根据所述边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域；
在所述存在人脸肤色像素的边缘区域增加指定数值的像素。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述待处理图像进行人脸识别，包括：
获取所述待处理图像的多个子图像；
使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像。
4.根据权利要求3所述的方法，其特征在于，所述获取所述待处理图像的多个子图像，包括：
使用滑动窗口分多次遍历所述待处理图像，将每次遍历时所述滑动窗口在每个位置所覆盖的图像区域作为所述待处理图像的一个子图像，其中，任两次遍历所述待处理图像使用的滑动窗口的尺寸不同；或者，
对所述待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将所述尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
5.根据权利要求3所述的方法，其特征在于，所述预先训练的自适应增强人脸分类器由多级分类器级联而成，所述使用预先训练的自适应增强人脸分类器判断每个子图像是否为人脸子图像，包括：
对于任一子图像，从所述预先训练的自适应增强人脸分类器的第一级分类器开始，逐级判断所述子图像是否为人脸子图像，直至所述自适应增强人脸分类器的最后一级分类器；
当所有级分类器的输出结果均标识所述子图像为人脸子图像时，确定所述子图像为人脸子图像。
6.根据权利要求3所述的方法，其特征在于，所述根据所述人脸识别的结果确定所述原始图像中的人脸，包括：
在所述待处理图像的多个子图像中存在为人脸子图像的子图像时，确定所述为人脸子图像的子图像在所述原始图像中的位置；
根据所述为人脸子图像的子图像在所述原始图像中的位置，确定所述原始图像中的人脸。
7.一种人脸识别装置，其特征在于，所述装置包括：
获取模块，用于获取原始图像；
增加模块，用于在所述获取模块获取的所述原始图像的边缘区域增加指定数值的像素，得到待处理图像；
识别模块，用于对所述增加模块得到的所述待处理图像进行人脸识别；
确定模块，用于根据所述识别模块的所述人脸识别的结果确定所述原始图像中的人脸。
8.根据权利要求7所述的装置，其特征在于，所述增加模块包括：
第一获取单元，用于获取所述原始图像的边缘区域各个像素的像素值；
第一确定单元，用于根据所述第一获取单元获取的所述边缘区域各个像素的像素值及预设人脸肤色像素值，确定存在人脸肤色像素的边缘区域；
增加单元，用于在所述第一确定单元确定的所述存在人脸肤色像素的边缘区域增加指定数值的像素。
9.根据权利要求7或8所述的装置，其特征在于，所述识别模块包括：
第二获取单元，用于获取所述待处理图像的多个子图像；
判断单元，用于使用预先训练的自适应增强人脸分类器判断所述第二获取单元获取的每个子图像是否为人脸子图像。
10.根据权利要求9所述的装置，其特征在于，，所述第二获取单元，用于使用滑动窗口分多次遍历所述待处理图像，将每次遍历时所述滑动窗口在每个位置所覆盖的图像区域作为所述待处理图像的一个子图像，其中，任两次遍历所述待处理图像使用的滑动窗口的尺寸不同；或者，
对所述待处理图像进行多次缩放，得到多个尺寸的待处理图像；对于任一尺寸的待处理图像，将所述尺寸的待处理图像裁剪为多个指定尺寸的图像区域，将每个图像区域作为一个子图像。
11.根据权利要求9所述的装置，其特征在于，所述预先训练的自适应增强人脸分类器由多级分类器级联而成，所述判断单元，用于对于任一子图像，从所述预先训练的自适应增强人脸分类器的第一级分类器开始，逐级判断所述子图像是否为人脸子图像，直至所述自适应增强人脸分类器的最后一级分类器；当所有级分类器的输出结果均标识所述子图像为人脸子图像时，确定所述子图像为人脸子图像。
12.根据权利要求9所述的装置，其特征在于，所述确定模块包括：
第二确定单元，用于在所述待处理图像的多个子图像中存在为人脸子图像的子图像时，确定所述为人脸子图像的子图像在所述原始图像中的位置；
第三确定单元，用于根据所述为人脸子图像的子图像在所述原始图像中的位置，确定所述原始图像中的人脸。
13.一种终端，其特征在于，所述终端包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取原始图像；
在所述原始图像的边缘区域增加指定数值的像素，得到待处理图像；
对所述待处理图像进行人脸识别；
根据所述人脸识别的结果确定所述原始图像中的人脸。
CN201510520457.XA 2015-08-21 2015-08-21 人脸识别方法、装置及终端 Active CN105095881B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201510520457.XA CN105095881B (zh) 2015-08-21 2015-08-21 人脸识别方法、装置及终端
KR1020167015669A KR20170033805A (ko) 2015-08-21 2015-12-30 사람 얼굴 인식 방법, 장치 및 단말
JP2016567408A JP6374986B2 (ja) 2015-08-21 2015-12-30 顔認識方法、装置及び端末
PCT/CN2015/099696 WO2017031901A1 (zh) 2015-08-21 2015-12-30 人脸识别方法、装置及终端
MX2017008481A MX2017008481A (es) 2015-08-21 2015-12-30 Metodo, aparato y terminal para reconocimiento de la cara humana.
RU2017102521A RU2664688C2 (ru) 2015-08-21 2015-12-30 Способ распознавания человеческих лиц, устройство и терминал
EP16174462.8A EP3133527A1 (en) 2015-08-21 2016-06-14 Human face recognition method, apparatus and terminal
US15/195,368 US10007841B2 (en) 2015-08-21 2016-06-28 Human face recognition method, apparatus and terminal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510520457.XA CN105095881B (zh) 2015-08-21 2015-08-21 人脸识别方法、装置及终端

Publications (2)

Publication Number Publication Date
CN105095881A true CN105095881A (zh) 2015-11-25
CN105095881B CN105095881B (zh) 2023-04-07

Family

ID=54576269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510520457.XA Active CN105095881B (zh) 2015-08-21 2015-08-21 人脸识别方法、装置及终端

Country Status (8)

Country Link
US (1) US10007841B2 (zh)
EP (1) EP3133527A1 (zh)
JP (1) JP6374986B2 (zh)
KR (1) KR20170033805A (zh)
CN (1) CN105095881B (zh)
MX (1) MX2017008481A (zh)
RU (1) RU2664688C2 (zh)
WO (1) WO2017031901A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372616A (zh) * 2016-09-18 2017-02-01 广东欧珀移动通信有限公司 人脸识别方法、装置及终端设备
CN106446884A (zh) * 2016-09-19 2017-02-22 广东小天才科技有限公司 一种图像的快速截取的方法和装置
WO2017031901A1 (zh) * 2015-08-21 2017-03-02 小米科技有限责任公司 人脸识别方法、装置及终端
CN106485567A (zh) * 2016-09-14 2017-03-08 北京小米移动软件有限公司 物品推荐方法及装置
CN108280420A (zh) * 2018-01-19 2018-07-13 百度在线网络技术（北京）有限公司 用于处理图像的系统、方法和装置
CN110248107A (zh) * 2019-06-13 2019-09-17 Oppo广东移动通信有限公司 图像处理方法和装置
CN110401835A (zh) * 2019-06-05 2019-11-01 西安万像电子科技有限公司 图像处理方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286509B1 (en) * 2012-10-19 2016-03-15 Google Inc. Image optimization during facial recognition
EP3136289A1 (en) * 2015-08-28 2017-03-01 Thomson Licensing Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium
US10474882B2 (en) * 2017-03-15 2019-11-12 Nec Corporation Video surveillance system based on larger pose face frontalization
CN109492550B (zh) * 2018-10-25 2023-06-06 腾讯科技（深圳）有限公司 活体检测方法、装置及应用活体检测方法的相关系统
US10650564B1 (en) * 2019-04-21 2020-05-12 XRSpace CO., LTD. Method of generating 3D facial model for an avatar and related device
CN110533002B (zh) * 2019-09-06 2022-04-12 厦门久凌创新科技有限公司 基于人脸识别的大数据处理方法
JP2022522551A (ja) * 2020-02-03 2022-04-20 ベイジン センスタイム テクノロジー ディベロップメント カンパニー リミテッド 画像処理方法及び装置、電子機器並びに記憶媒体
CN112132030B (zh) * 2020-09-23 2024-05-28 湖南快乐阳光互动娱乐传媒有限公司 视频处理方法及装置、存储介质及电子设备
CN112966136B (zh) * 2021-05-18 2021-09-07 武汉中科通达高新技术股份有限公司 一种人脸分类方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070274573A1 (en) * 2006-05-26 2007-11-29 Canon Kabushiki Kaisha Image processing method and image processing apparatus
CN102096802A (zh) * 2009-12-11 2011-06-15 华为技术有限公司 人脸检测方法及装置
CN103069431A (zh) * 2010-07-02 2013-04-24 英特尔公司 面部检测方法和设备
CN103383595A (zh) * 2012-05-02 2013-11-06 三星电子株式会社 基于用户人脸的分析控制移动终端的装置和方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1628465A1 (en) 2004-08-16 2006-02-22 Canon Kabushiki Kaisha Image capture apparatus and control method therefor
JP4551839B2 (ja) * 2004-08-16 2010-09-29 キヤノン株式会社 撮像装置及び撮像装置の制御方法
RU2295152C1 (ru) * 2005-09-15 2007-03-10 Роман Павлович Худеев Способ распознавания лица человека по видеоизображению
JP2008181439A (ja) * 2007-01-26 2008-08-07 Sanyo Electric Co Ltd 顔検出装置及び方法並びに撮像装置
CN101488181B (zh) * 2008-01-15 2011-07-20 华晶科技股份有限公司 多方向的人脸检测方法
KR100973588B1 (ko) 2008-02-04 2010-08-02 한국과학기술원 얼굴검출기의 부윈도우 설정방법
KR101105435B1 (ko) 2009-04-14 2012-01-17 경북대학교 산학협력단 얼굴 검출과 얼굴 인지 방법
CN102270308B (zh) * 2011-07-21 2013-09-11 武汉大学 一种基于五官相关aam模型的面部特征定位方法
CN105095881B (zh) * 2015-08-21 2023-04-07 小米科技有限责任公司 人脸识别方法、装置及终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070274573A1 (en) * 2006-05-26 2007-11-29 Canon Kabushiki Kaisha Image processing method and image processing apparatus
CN102096802A (zh) * 2009-12-11 2011-06-15 华为技术有限公司 人脸检测方法及装置
CN103069431A (zh) * 2010-07-02 2013-04-24 英特尔公司 面部检测方法和设备
CN103383595A (zh) * 2012-05-02 2013-11-06 三星电子株式会社 基于用户人脸的分析控制移动终端的装置和方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017031901A1 (zh) * 2015-08-21 2017-03-02 小米科技有限责任公司 人脸识别方法、装置及终端
US10007841B2 (en) 2015-08-21 2018-06-26 Xiaomi Inc. Human face recognition method, apparatus and terminal
CN106485567A (zh) * 2016-09-14 2017-03-08 北京小米移动软件有限公司 物品推荐方法及装置
CN106372616A (zh) * 2016-09-18 2017-02-01 广东欧珀移动通信有限公司 人脸识别方法、装置及终端设备
CN106372616B (zh) * 2016-09-18 2019-08-30 Oppo广东移动通信有限公司 人脸识别方法、装置及终端设备
CN106446884A (zh) * 2016-09-19 2017-02-22 广东小天才科技有限公司 一种图像的快速截取的方法和装置
CN108280420A (zh) * 2018-01-19 2018-07-13 百度在线网络技术（北京）有限公司 用于处理图像的系统、方法和装置
CN110401835A (zh) * 2019-06-05 2019-11-01 西安万像电子科技有限公司 图像处理方法及装置
CN113596449A (zh) * 2019-06-05 2021-11-02 西安万像电子科技有限公司 图像处理方法及装置
CN113596449B (zh) * 2019-06-05 2023-11-03 西安万像电子科技有限公司 图像处理方法及装置
CN110248107A (zh) * 2019-06-13 2019-09-17 Oppo广东移动通信有限公司 图像处理方法和装置

Also Published As

Publication number Publication date
RU2017102521A3 (zh) 2018-07-26
JP2017534090A (ja) 2017-11-16
MX2017008481A (es) 2017-10-31
RU2017102521A (ru) 2018-07-26
KR20170033805A (ko) 2017-03-27
RU2664688C2 (ru) 2018-08-21
CN105095881B (zh) 2023-04-07
JP6374986B2 (ja) 2018-08-15
US10007841B2 (en) 2018-06-26
US20170053156A1 (en) 2017-02-23
WO2017031901A1 (zh) 2017-03-02
EP3133527A1 (en) 2017-02-22

Similar Documents

Publication Publication Date Title
CN105095881B (zh) 人脸识别方法、装置及终端
US10565763B2 (en) Method and camera device for processing image
JP6392468B2 (ja) 領域認識方法及び装置
US9674395B2 (en) Methods and apparatuses for generating photograph
US10452890B2 (en) Fingerprint template input method, device and medium
RU2577188C1 (ru) Способ, аппарат и устройство для сегментации изображения
CN107944447B (zh) 图像分类方法及装置
CN107944367B (zh) 人脸关键点检测方法及装置
US20190369357A1 (en) Methods and devices for adjusting lens position
CN105631803B (zh) 滤镜处理的方法和装置
CN108062547B (zh) 文字检测方法及装置
US20170185820A1 (en) Method, device and medium for fingerprint identification
CN108717542B (zh) 识别文字区域的方法、装置及计算机可读存储介质
CN107507128B (zh) 图像处理方法及设备
CN108010009B (zh) 一种去除干扰图像的方法及装置
CN106469446B (zh) 深度图像的分割方法和分割装置
CN108154090B (zh) 人脸识别方法及装置
CN107730443B (zh) 图像处理方法、装置及用户设备
CN107239758B (zh) 人脸关键点定位的方法及装置
EP3327718A1 (en) Method and device for processing a page
US10068151B2 (en) Method, device and computer-readable medium for enhancing readability
CN115641269A (zh) 一种图像修补方法、装置及可读存储介质
CN107301391B (zh) 区域确定方法及装置、存储介质
CN114648802B (zh) 用户面部表情识别方法、装置和设备
CN110876015B (zh) 确定图像分辨率的方法及装置、电子设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant