CN105224921B - 一种人脸图像择优系统和处理方法 - Google Patents
一种人脸图像择优系统和处理方法 Download PDFInfo
- Publication number
- CN105224921B CN105224921B CN201510600550.1A CN201510600550A CN105224921B CN 105224921 B CN105224921 B CN 105224921B CN 201510600550 A CN201510600550 A CN 201510600550A CN 105224921 B CN105224921 B CN 105224921B
- Authority
- CN
- China
- Prior art keywords
- facial image
- feature
- face
- eye
- score
- 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.)
- Expired - Fee Related
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 125
- 238000003672 processing method Methods 0.000 title abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000010187 selection method Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种人脸图像择优系统，所述系统包括用于得到各人脸图像中人脸的旋转度的旋转计算模块、用于得出各人脸图像的清晰度和人脸的轮廓数量的图像质量计算模块、判断各人脸图像中的双眼是否为睁眼状态以及判断各人脸图像中的嘴部是否为闭嘴状态的人脸状态判断模块和得到各人脸图像的价值排序的得分计算模块；本发明还涉及一种人脸图像择优处理方法；本发明采用的系统和方法提高了人脸图像的识别准确率，能够排选出最佳的人脸图形，具有较好的推广性。
Description
技术领域
本发明涉及人脸识别处理技术领域，尤其涉及一种人脸图像择优系统和处理方法。
背景技术
人脸识别是模式识别领域中活跃的研究方向之一，传统流程是在一段大约10秒左右的视频中，获取单个人物的一组人脸图像，将它们带入后期的人脸识别阶段。而人脸识别大量采用特征提取的方法，所以图像的信息量高低会影响识别效果。目前该领域主要研究的是图像自身质量，诸如客观质量评价中的全参考型、部分参考型、无参考型等等。这些只是作为图像择优的一部分，对于信息量以及是否便于特征提取没有做考虑。
发明内容
本发明所要解决的技术问题是提供一种人脸图像择优系统和处理方法，提高了人脸图像的识别准确率，能够排选出最佳的人脸图形，具有较好的推广性。
针对人脸识别的输入图像信息量高低不均，本发明提出了一种多参数图像择优的评分机制CPEF(Composite Parameters Evaluate Face)。
本发明解决上述技术问题的技术方案如下：一种人脸图像择优系统，包括旋转计算模块、图像质量计算模块、人脸状态判断模块和得分计算模块，
所述旋转计算模块，用于根据ASM算法在各人脸图像中标定出人脸的多个特征点，来定位人脸的眼部和鼻尖点，由眼部和鼻尖点三点构成倒三角形，并计算所述倒三角形的两底角角度差的绝对值，从而得到各人脸图像中人脸的旋转度；
所述图像质量计算模块，用于根据拉普拉斯算子得出各人脸图像的清晰度和人脸的轮廓数量，轮廓数量越多清晰度越高，说明图像的信息量越大；
所述人脸状态判断模块，用于根据Haar+AdaBoost分类器判断各人脸图像中的双眼是否为睁眼状态，以及采用颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；
所述得分计算模块，用于分别计算每个人脸图像特征的得分总和，从而将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序；所述人脸图像的特征包括旋转度、清晰度、轮廓数量、睁眼状态和闭嘴状态。
本发明的有益效果是：在获取图像客观参数的基础上，采用递归方式给出权重，作出符合人主观感受的评分；基于ASM定位计算人脸水平旋转程度；计算图像的清晰度(LS值)以及轮廓数量来评估图像质量；然后使用Haar+AdaBoost分类器定位人眼，基于眼部的HOG特征配合SVM训练出的Haar+AdaBoost分类器判断人眼是否处于睁开状态；接下来ASM定位人嘴，以颜色直方图信息判定人是否处于张嘴状态；最后，综合以上参数，配上递归得到的权重，计算最终评分。本发明采用的系统和方法提高了人脸图像的识别准确率，能够排选出最佳的人脸图形，具有较好的推广性。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述人脸状态判断模块包括眼部状态判断单元和嘴部状态判断单元，
所述眼部状态判断单元，用于根据Haar+AdaBoos分类器从各人脸图像中检测出眼部，并提取眼部的HOG特征，再将Haar+AdaBoos分类器通过SVM支持向量机进行训练，训练后的Haar+AdaBoos分类器判断提取眼部的HOG特征是否为睁眼状态；
所述嘴部状态判断单元，用于根据ASM算法定位各人脸图像中的嘴部区域，并采用颜色直方图对嘴部区域进行颜色数据分析，从而根据颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态。
采用上述进一步方案的有益效果是：从而满足了人脸特征提取的要求。
进一步，所述得分计算模块包括初始赋值单元、递归单元、得分计算单元和排序单元，
所述初始赋值单元，用于对各人脸图像的各特征的权重值赋予初始值；
所述递归单元，用于根据递归的方式得到与各特征对应的权重值；
所述得分计算单元，用于根据FERET数据库分别计算出各特征得分，再将各特征得分分别与对应的权重值运算，将运算的结果相加，得到人脸图像中特征的得分总和，依次计算每个人脸图像特征的得分总和；
所述排序单元，用于将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序。
采用上述进一步方案的有益效果是：近似于实际环境下的人脸检测效果，在室内实际环境下有可推广性。
进一步，对所述权重值赋予初始值为2.5。
采用上述进一步方案的有益效果是：使递归运算准确率高、快速。
进一步，所述标定出人脸的特征点为77个。
采用上述进一步方案的有益效果是：从而更准确的标定出人脸。
本发明解决上述技术问题的另一技术方案如下：一种人脸图像择优方法，包括如下步骤：
步骤S1：根据ASM算法在各人脸图像中标定出人脸的多个特征点，来定位人脸的眼部和鼻尖点，由眼部和鼻尖点三点构成倒三角形，并计算所述倒三角形的两底角角度差的绝对值，从而得到各人脸图像中人脸的旋转度；
步骤S2：根据拉普拉斯算子得出各人脸图像的清晰度和人脸的轮廓数量，轮廓数量越多清晰度越高；
步骤S3：根据Haar+AdaBoost分类器判断各人脸图像中的双眼是否为睁眼状态，以及采用颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；
步骤S4：分别计算每个人脸图像特征的得分总和，从而将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序；所述人脸图像的特征包括旋转度、清晰度、轮廓数量、睁眼状态和闭嘴状态。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，实现所述步骤S3的具体步骤为：
步骤301：根据Haar+AdaBoos分类器从各人脸图像中检测出眼部，并提取眼部的HOG特征，再将Haar+AdaBoos分类器通过SVM支持向量机进行训练，训练后的Haar+AdaBoos分类器判断提取眼部的HOG特征是否为睁眼状态；
步骤302：根据ASM算法定位各人脸图像中的嘴部区域，并采用颜色直方图对嘴部区域进行颜色数据分析，从而根据颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态。
进一步，实现所述步骤S4的具体步骤为：
步骤S401：对各人脸图像的各特征的权重值赋予初始值；
步骤S402：用于根据递归的方式得到与各特征对应的权重值；
步骤S403：根据FERET数据库分别计算出各特征得分，再将各特征得分分别与对应的权重值运算，将运算的结果相加，得到人脸图像中特征的得分总和，依次计算每个人脸图像特征的得分总和；
步骤S404：将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序。
进一步，对所述权重值赋予初始值为2.5。
进一步，所述标定出人脸的特征点为77个。
附图说明
图1为本发明人脸图像择优系统的模块框图；
图2为本发明人脸图像择优方法的方法流程图；
图3为本发明CPEF在FERET数据库上的准确率；
图4为本发明不同得分级别的人脸图像识别准确率对比图；
图5为本发明张嘴闭嘴颜色直方图信息对比。
附图中，各标记所代表的部件名称如下：
1、旋转计算模块,2、图像质量计算模块，3、人脸状态判断模块，4、得分计算模块，301、眼部状态判断单元，302、嘴部状态判断单元，401、初始赋值单元，402、递归单元，403、得分计算单元，404排序单元。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
针对人脸识别的输入图像信息量高低不均，本发明提出了一种多参数图像择优的评分机制CPEF(Composite Parameters Evaluate Face)。
如图1所示，一种人脸图像择优系统，包括旋转计算模块1、图像质量计算模块2、人脸状态判断模块3和得分计算模块4，
所述旋转计算模块1，用于根据ASM算法在各人脸图像中标定出人脸的多个特征点，来定位人脸的眼部和鼻尖点，由眼部和鼻尖点三点构成倒三角形，并计算所述倒三角形的两底角角度差的绝对值，从而得到各人脸图像中人脸的旋转度；
所述图像质量计算模块2，用于根据拉普拉斯算子得出各人脸图像的清晰度和人脸的轮廓数量，轮廓数量越多清晰度越高，说明图像的信息量越大；
所述人脸状态判断模块3，用于根据Haar+AdaBoost分类器判断各人脸图像中的双眼是否为睁眼状态，以及采用颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；
所述得分计算模块4，用于分别计算每个人脸图像特征的得分总和，从而将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序；所述人脸图像的特征包括旋转度、清晰度、轮廓数量、睁眼状态和闭嘴状态。
所述人脸状态判断模块3包括眼部状态判断单元301和嘴部状态判断单元302，
所述眼部状态判断单元301，用于根据Haar+AdaBoos分类器从各人脸图像中检测出眼部，并提取眼部的HOG特征，再将Haar+AdaBoos分类器通过SVM支持向量机进行训练，训练后的Haar+AdaBoos分类器判断提取眼部的HOG特征是否为睁眼状态；
所述嘴部状态判断单元302，用于根据ASM算法定位各人脸图像中的嘴部区域，并采用颜色直方图对嘴部区域进行颜色数据分析，从而根据颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态，如图5所示。
所述得分计算模块4包括初始赋值单元401、递归单元402、得分计算单元403和排序单元404，
所述初始赋值单元401，用于对各人脸图像的各特征的权重值赋予初始值；
所述递归单元402，用于根据递归的方式得到与各特征对应的权重值；
具体实施如下：
1.While(rate>0.01)
带入FERET做测试；
2.for j＝0,…,total_num
对图像评分，排序；
3.end；
统计fail_num；
计算rate,high_num,low_num；
highmax的权重需要降低：
lowmax的权重需要提升:
4.end；
所述得分计算单元403，用于根据FERET数据库分别计算出各特征得分，再将各特征得分分别与对应的权重值运算，将运算的结果相加，得到人脸图像中特征的得分总和，依次计算每个人脸图像特征的得分总和；
所述排序单元404，用于将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序。
对所述权重值赋予初始值为2.5。
所述标定出人脸的特征点为77个。
如图2所示，一种人脸图像择优方法，包括如下步骤：
步骤S1：根据ASM算法在各人脸图像中标定出人脸的多个特征点，来定位人脸的眼部和鼻尖点，由眼部和鼻尖点三点构成倒三角形，并计算所述倒三角形的两底角角度差的绝对值，从而得到各人脸图像中人脸的旋转度；
步骤S2：根据拉普拉斯算子得出各人脸图像的清晰度和人脸的轮廓数量，轮廓数量越多清晰度越高；
步骤S3：根据Haar+AdaBoost分类器判断各人脸图像中的双眼是否为睁眼状态，以及采用颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；
步骤S4：分别计算每个人脸图像特征的得分总和，从而将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序；所述人脸图像的特征包括旋转度、清晰度、轮廓数量、睁眼状态和闭嘴状态。
实现所述步骤S3的具体步骤为：
步骤301：根据Haar+AdaBoos分类器从各人脸图像中检测出眼部，并提取眼部的HOG特征，再将Haar+AdaBoos分类器通过SVM支持向量机进行训练，训练后的Haar+AdaBoos分类器判断提取眼部的HOG特征是否为睁眼状态；
步骤302：根据ASM算法定位各人脸图像中的嘴部区域，并采用颜色直方图对嘴部区域进行颜色数据分析，从而根据颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；如图5所示。
实现所述步骤S4的具体步骤为：
步骤S401：对各人脸图像的各特征的权重值赋予初始值；
步骤S402：用于根据递归的方式得到与各特征对应的权重值；
步骤S403：根据FERET数据库分别计算出各特征得分，再将各特征得分分别与对应的权重值运算，将运算的结果相加，得到人脸图像中特征的得分总和，依次计算每个人脸图像特征的得分总和；
步骤S404：将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序。
对所述权重值赋予初始值为2.5。
所述标定出人脸的特征点为77个。
为证明本发明的方法大大提高了人脸图像的识别准确率，通过实验验证，本实验分为两个阶段，第一阶段是测试CPEF评分准确率，第二阶段是测试CPEF的评分效果提升人脸识别准确率的程度。
第一阶段，实验采用FERET数据库，内涵200人，每个人有7张图像。之所以采用FERET人脸库做测试，原因如下：1)包括水平旋转、睁眼闭眼、张嘴闭嘴、明暗对比等多种状态下的人脸图像，CPEF采用的各项参数在FERET数据库中都有体现。2)图像的清晰度满足了人脸特征提取的要求。3)近似于实际环境下的人脸检测效果，在室内实际环境下有可推广性。本发明提出的CPEF致力于应用在室内环境下，在反复递归测试之后，排序准确率趋于平稳，即递归前后准确率在1％之内，实验停止。CPEF的评分准确率如图3所示，实验证明：CPEF可以有效地对人脸给出符合人主观感受的评分，在FERET人脸库中准确率高达92％。
实验证明：CPEF评分越高的人脸图像识别准确率越高，FERET数据库中的人脸图像近似于室内环境下检测到的人脸，识别率有如此高的提升，说明CPEF在室内环境下有实际可推广性。
本发明的贡献有三点，第一点是提出了一种新颖的基于主动形状模型ASM定位的人脸水平旋转程度评估方法；第二点是采用递归的方式计算权重；第三点是提出了一组参数定量地描述了图像择优方法。
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 (8)
1.一种人脸图像择优系统，其特征在于，包括旋转计算模块(1)、图像质量计算模块(2)、人脸状态判断模块(3)和得分计算模块(4)，
所述旋转计算模块(1)，用于根据ASM算法在各人脸图像中标定出人脸的多个特征点，来定位人脸的眼部和鼻尖点，由眼部和鼻尖点三点构成倒三角形，并计算所述倒三角形的两底角角度差的绝对值，从而得到各人脸图像中人脸的旋转度；
所述图像质量计算模块(2)，用于根据拉普拉斯算子得出各人脸图像的清晰度和人脸的轮廓数量，轮廓数量越多清晰度越高；
所述人脸状态判断模块(3)，用于根据Haar+AdaBoost分类器判断各人脸图像中的双眼是否为睁眼状态，以及采用颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；
所述得分计算模块(4)，用于分别计算每个人脸图像特征的得分总和，从而将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序；所述人脸图像的特征包括旋转度、清晰度、轮廓数量、睁眼状态和闭嘴状态；
所述得分计算模块(4)包括初始赋值单元(401)、递归单元(402)、得分计算单元(403)和排序单元(404)，
所述初始赋值单元(401)，用于对各人脸图像的各特征的权重值赋予初始值；
所述递归单元(402)，用于根据递归的方式得到与各特征对应的权重值；
所述得分计算单元(403)，用于根据FERET数据库分别计算出各特征得分，再将各特征得分分别与对应的权重值运算，将运算的结果相加，得到人脸图像中特征的得分总和，依次计算每个人脸图像特征的得分总和；
所述排序单元(404)，用于将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序。
2.根据权利要求1所述一种人脸图像择优系统，其特征在于，所述人脸状态判断模块(3)包括眼部状态判断单元(301)和嘴部状态判断单元(302)，
所述眼部状态判断单元(301)，用于根据Haar+AdaBoos分类器从各人脸图像中检测出眼部，并提取眼部的HOG特征，再将Haar+AdaBoos分类器通过SVM支持向量机进行训练，训练后的Haar+AdaBoos分类器判断提取眼部的HOG特征是否为睁眼状态；
所述嘴部状态判断单元(302)，用于根据ASM算法定位各人脸图像中的嘴部区域，并采用颜色直方图对嘴部区域进行颜色数据分析，从而根据颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态。
3.根据权利要求2所述一种人脸图像择优系统，其特征在于，对所述权重值赋予初始值为2.5。
4.根据权利要求1至3任一项所述一种人脸图像择优系统，其特征在于，所述标定出人脸的特征点为77个。
5.一种人脸图像择优方法，其特征在于，包括如下步骤：
步骤S1：根据ASM算法在各人脸图像中标定出人脸的多个特征点，来定位人脸的眼部和鼻尖点，由眼部和鼻尖点三点构成倒三角形，并计算所述倒三角形的两底角角度差的绝对值，从而得到各人脸图像中人脸的旋转度；
步骤S2：根据拉普拉斯算子得出各人脸图像的清晰度和人脸的轮廓数量，轮廓数量越多清晰度越高；
步骤S3：根据Haar+AdaBoost分类器判断各人脸图像中的双眼是否为睁眼状态，以及采用颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态；
步骤S4：分别计算每个人脸图像特征的得分总和，从而将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序；所述人脸图像的特征包括旋转度、清晰度、轮廓数量、睁眼状态和闭嘴状态；
实现所述步骤S4的具体步骤为：
步骤S401：对各人脸图像的各特征的权重值赋予初始值；
步骤S402：用于根据递归的方式得到与各特征对应的权重值；
步骤S403：根据FERET数据库分别计算出各特征得分，再将各特征得分分别与对应的权重值运算，将运算的结果相加，得到人脸图像中特征的得分总和，依次计算每个人脸图像特征的得分总和；
步骤S404：将各人脸图像的特征的得分总和的高低进行排序，得到各人脸图像的价值排序。
6.根据权利要求5所述一种人脸图像择优方法，其特征在于，实现所述步骤S3的具体步骤为：
步骤301：根据Haar+AdaBoos分类器从各人脸图像中检测出眼部，并提取眼部的HOG特征，再将Haar+AdaBoos分类器通过SVM支持向量机进行训练，训练后的Haar+AdaBoos分类器判断提取眼部的HOG特征是否为睁眼状态；
步骤302：根据ASM算法定位各人脸图像中的嘴部区域，并采用颜色直方图对嘴部区域进行颜色数据分析，从而根据颜色直方图信息判断各人脸图像中的嘴部是否为闭嘴状态。
7.根据权利要求5所述一种人脸图像择优方法，其特征在于，对所述权重值赋予初始值为2.5。
8.根据权利要求5至7任一项所述一种人脸图像择优方法，其特征在于，所述标定出人脸的特征点为77个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510600550.1A CN105224921B (zh) | 2015-09-17 | 2015-09-17 | 一种人脸图像择优系统和处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510600550.1A CN105224921B (zh) | 2015-09-17 | 2015-09-17 | 一种人脸图像择优系统和处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105224921A CN105224921A (zh) | 2016-01-06 |
| CN105224921B true CN105224921B (zh) | 2018-08-07 |
Family
ID=54993881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510600550.1A Expired - Fee Related CN105224921B (zh) | 2015-09-17 | 2015-09-17 | 一种人脸图像择优系统和处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105224921B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446851A (zh) * | 2016-09-30 | 2017-02-22 | 厦门大图智能科技有限公司 | 一种基于可见光的人脸优选方法及系统 |
| CN106650795B (zh) * | 2016-12-01 | 2020-06-12 | 携程计算机技术（上海）有限公司 | 酒店房型图像的排序方法 |
| CN106778581A (zh) * | 2016-12-07 | 2017-05-31 | 西京学院 | 一种移动终端“敏感”信息识别方法 |
| CN106845460B (zh) * | 2017-03-15 | 2020-09-25 | 江苏安威士智能安防有限公司 | 一种基于人脸识别的智能家居系统 |
| CN107358152B (zh) * | 2017-06-02 | 2020-09-08 | 广州视源电子科技股份有限公司 | 一种活体识别方法和系统 |
| CN109389019B (zh) * | 2017-08-14 | 2021-11-05 | 杭州海康威视数字技术股份有限公司 | 人脸图像选择方法、装置及计算机设备 |
| CN108346139A (zh) * | 2018-01-09 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种图像筛选方法及装置 |
| CN110321753A (zh) * | 2018-03-28 | 2019-10-11 | 浙江中正智能科技有限公司 | 一种基于人脸几何特征的人脸图像质量评价方法 |
| CN108985240B (zh) * | 2018-07-23 | 2020-11-13 | 北京百度网讯科技有限公司 | 评估对象检测算法的方法、装置、电子设备和存储介质 |
| CN110046596B (zh) * | 2019-04-23 | 2021-06-15 | 王雪燕 | 一种图像模块化处理及多图像模块自定义组合的方法、移动终端与可读存储介质 |
| CN111028198B (zh) * | 2019-07-12 | 2024-02-23 | 北京达佳互联信息技术有限公司 | 图像质量评估方法、装置、终端及可读存储介质 |
| CN111291656B (zh) * | 2020-01-21 | 2023-06-02 | 杭州微洱网络科技有限公司 | 一种度量2d图像中人体躯干姿态匹配方法 |
| CN113536991B (zh) * | 2021-06-29 | 2023-06-23 | 北京百度网讯科技有限公司 | 训练集生成、人脸图像处理方法、装置及电子设备 |
| CN113435428B (zh) * | 2021-08-27 | 2021-12-31 | 深圳市爱深盈通信息技术有限公司 | 基于相册选取大头贴的方法、电子设备与存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101635028A (zh) * | 2009-06-01 | 2010-01-27 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
| CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
| CN103383778A (zh) * | 2013-07-03 | 2013-11-06 | 中国科学院计算技术研究所 | 一种三维卡通人脸生成方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7599549B2 (en) * | 2004-12-22 | 2009-10-06 | Fujifilm Corporation | Image processing method, image processing apparatus, and computer readable medium, in which an image processing program is recorded |
| US10586570B2 (en) * | 2014-02-05 | 2020-03-10 | Snap Inc. | Real time video processing for changing proportions of an object in the video |
-
2015
- 2015-09-17 CN CN201510600550.1A patent/CN105224921B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101635028A (zh) * | 2009-06-01 | 2010-01-27 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
| CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
| CN103383778A (zh) * | 2013-07-03 | 2013-11-06 | 中国科学院计算技术研究所 | 一种三维卡通人脸生成方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于ASM模型的骨龄评价系统研究;胡永利;《中国图象图形学报》;20040108;第8卷(第1期);第33-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105224921A (zh) | 2016-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105224921B (zh) | 一种人脸图像择优系统和处理方法 | |
| CN106295522A (zh) | 一种基于多角度人脸和环境信息的两级防欺骗检测方法 | |
| CN106709909B (zh) | 一种基于深度学习的柔性机器人视觉识别与定位系统 | |
| CN103440479B (zh) | 一种活体人脸检测方法与系统 | |
| CN108765131A (zh) | 基于微表情的信贷审核方法、装置、终端及可读存储介质 | |
| CN105740780B (zh) | 人脸活体检测的方法和装置 | |
| US20160296795A1 (en) | Apparatus and method for analyzing golf motion | |
| CN110458100A (zh) | 基于目标检测和跟踪的乒乓球落点识别和评分方法及系统 | |
| US20050215336A1 (en) | Golf swing-diagnosing system | |
| CN102004905B (zh) | 人脸认证方法及装置 | |
| CN102609684B (zh) | 人体姿势检测方法及装置 | |
| CN107767335A (zh) | 一种基于人脸识别特征点定位的图像融合方法及系统 | |
| CN108009468A (zh) | 一种马拉松赛事反作弊方法、电子设备和存储介质 | |
| CN110298231A (zh) | 一种用于篮球比赛视频进球判定的方法及系统 | |
| CN104615996B (zh) | 一种多视角二维人脸特征点自动定位方法 | |
| WO2013058427A1 (ko) | 골프 스윙 분석을 위한 신체 부위별 위치 추적 장치 및 방법 | |
| CN110751637A (zh) | 糖尿病视网膜病变检测系统、方法、设备和训练系统 | |
| CN108416772A (zh) | 一种基于级联卷积神经网络的斜眼检测方法 | |
| WO2023279557A1 (zh) | 基于眨眼同步及双目移动检测的伪造视频检验方法及系统 | |
| CN107154058A (zh) | 一种引导使用者还原魔方的方法 | |
| WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
| CN109271918A (zh) | 基于重心偏移模型区分平衡能力障碍人群的方法 | |
| CN111209823A (zh) | 一种红外人脸对齐方法 | |
| CN113239805A (zh) | 基于mtcnn的口罩佩戴识别方法 | |
| CN106650798A (zh) | 一种结合深度学习与稀疏表示的室内场景识别方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180807 |