CN105354531A - 一种面部关键点的标注方法 - Google Patents
一种面部关键点的标注方法 Download PDFInfo
- Publication number
- CN105354531A CN105354531A CN201510608688.6A CN201510608688A CN105354531A CN 105354531 A CN105354531 A CN 105354531A CN 201510608688 A CN201510608688 A CN 201510608688A CN 105354531 A CN105354531 A CN 105354531A
- Authority
- CN
- China
- Prior art keywords
- key point
- facial key
- beta
- mask method
- coordinate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000001815 facial effect Effects 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000012417 linear regression Methods 0.000 claims abstract description 36
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000010429 evolutionary process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉领域,尤其涉及一种面部关键点的标注方法。一种面部关键点的标注方法,该标注方法包括两个过程,分别为训练过程和使用过程,其中,训练过程、使用过程均包括刚体演变和非刚体演变,刚体演变与非刚体演变能够进行多次迭代,步骤S1:通过训练过程的刚体演变消除初始模板与真实坐标之间的仿射变化差异;步骤S2:通过训练过程的非刚体演变对初始模板中每个面部关键点进行独立调节,以提高面部关键点的定位精度;步骤S3:通过使用过程的刚体演变,根据线性回归模型进行面部关键点的预测,推算面部关键点的新位置;步骤S4:在使用过程的非刚体演变中,根据新位置调节面部关键点的坐标,得到预测结果。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种面部关键点的标注方法。
背景技术
面部关键点标注是一种利用算法在人脸图像上标注出眼角、鼻尖、嘴角等关键位置的技术。面部关键点标注技术在人脸识别、情感分析、人脸追踪等领域都有重要的作用。
衡量面部关键点标注技术好坏的指标主要有四个:准确性、鲁棒性、实时性和模型大小。已知的面部关键点标注技术在上述指标都存在可改进的空间。随着iOS、Android等移动平台的广泛使用,基于移动平台实现的人脸识别、疲劳监控等机器视觉应用有着广泛的应用前景。与传统的“PC主机+固定摄像头”框架相比,移动平台的计算性能较弱,所拍摄的图片在光照、姿态和遮挡等方面存在着更复杂的变化。这些情况对面部关键点标注技术的准确性、鲁棒性、实时性和模型大小都提出了更为严峻的要求,现有技术中鲁棒性,实时性都较低,面部关键点定位算法较为复杂。
发明内容
针对现有技术中,面部关键点标注技术所存在的问题,本发明提供了一种面部关键点的标注方法,能够对人脸图像上的关键点进行准确、健壮且实时的标注。
本发明采用如下技术方案:
一种面部关键点的标注方法,所述标注方法包括两个过程,分别为训练过程和使用过程,其中,所述训练过程、所述使用过程均包括刚体演变和非刚体演变,所述刚体演变与非刚体演变能够进行多次迭代,以提高所述面部关键点的预测精度。
本发明将坐标的演化过程分为刚体演化和非刚体演化两个步骤。刚体演化过程只能通过尺度缩放、平移和旋转等仿射变换对所有关键点的初始坐标进行统一调整。非刚体演化过程对每个关键点的新坐标再进行独立调整,使得每个关键点的坐标进一步逼近真实坐标。
刚体演化和非刚体演化相结合是本发明的重要创新,刚体演化将所有特征点看成一个模板,通过对模板进行缩放、平移和旋转,即为仿射变换,使其从整体上逼近关键点的真实坐标。这个做法可以有效避免姿态变化、光照变化和部分遮挡等情况而带来的干扰,避免演化过程陷入局部极值。此外,刚体演化过程只需确定6个仿射变换参数即可实现,大大降低了预测模型的体积。非刚体演化能够克服表情变化和不同人脸上的固有差异,进一步提高关键点坐标的预测精度。
本发明采用了多次迭代,每次迭代都以前次预测结果作为初始值,进一步提高了预测精度。
优选的,所述标注方法具体包括:
步骤S1:通过所述训练过程的刚体演变消除初始模板与真实坐标之间的仿射变化差异;
步骤S2:通过所述训练过程的非刚体演变对初始模板中每个所述面部关键点进行独立调节,以提高所述面部关键点的定位精度;
步骤S3:通过所述使用过程的刚体演变根据线性回归模型进行所述面部关键点的预测,推算所述面部关键点的新位置;
步骤S4:在所述使用过程的非刚体演变中,根据所述新位置调节所述面部关键点的坐标,得到预测结果。
本发明使用机器学习方法,利用从人脸图像上提取的特征,来估计面部关键点的位置。本发明首先从大量训练样本中估计出关键点的坐标均值,坐标均值被当作初始坐标,最终的关键点坐标都通过对初始坐标不断演化获得,这个演化模型利用线性回归算法来求解。
优选的,所述步骤S1具体包括:
步骤S11:将所述初始模板放置在训练图片的中心位置,并解得所述初始模板与所述真实坐标之间的最佳仿射变换参数。
优选的,所述步骤S11中:通过公式解得所述最佳仿射变换参数,所述公式为:
其中,K为所述面部关键点的数量,集合{(xn (1),yn (1))}和集合{(xn (2),yn (2))}分别为第n个所述面部关键点的初始坐标与所述真实坐标,n为正整数;
以及所述初始坐标与所述真实坐标之间的差异通过参数β1至β6决定的仿射变换消除,求解后得出参数β1至β6。
优选的,所述步骤S1还包括:
步骤S12:以所述面部关键点的初始位置为中心,并截取纹理区域;
步骤S13:利用方向梯度直方图算子对所述纹理区域进行特征编码,得到长度为Z的浮点编码;
步骤S14:将K个面部关键点的编码按照预定义顺序进行特征编码,得到长度为Z×K的特征编码;
步骤S15:将所述Z×K的特征编码进行归一化操作,得到归一化参数,其中,
所述归一化操作中,分布的均值为0,方差为1。
优选的,所述步骤S1还包括:
步骤S16:于所述步骤S15之后,根据公式进行所述线性回归模型的训练,其中,所述公式为:
其中,βm i为第i个样本的第m个最佳参数,为第i个样本归一化后的方向梯度直方图特征编码,rm和bm分别为待求解的第m个参数的线性投影向量和偏置值,通过计算得到由rm和bm表示的线性回归模型,m和i均为正整数。
优选的,所述步骤S2具体包括:
步骤S21:从所述初始坐标提取方向梯度直方图特征,组成长度为Z×K的特征向量,并进行所述归一化操作;
步骤S22:根据公式进行线性回归模型的非刚体演变训练过程。
优选的,所述非刚体演变训练过程的实施公式为:
其中,Δn i为第i个样本的第int(n/2)个关键点的所述初始坐标与所述真实坐标在X轴或Y轴上的偏移量,为第i个样本归一化后的方向梯度直方图特征编码,rn和bn分别为待求解的第n个偏移量的线性投影向量和偏置值,通过计算,得到由rn和bn表示的线性回归模型。
本发明利用线性回归算法来学习刚体演化和非刚体演化中的参数。与其他机器学习方法相比,线性回归算法的计算量小,有较好的实时性。
优选的,所述步骤S3具体包括:
步骤S31:将面部图像调节至指定像素,将所述初始模板-置于所述面部图像的人脸正中;
步骤S32:提取所述面部图像的方向梯度直方图,进行矩阵乘和向量加操作,得到仿射变换参数;
步骤S33:根据所述仿射变换参数推算所述面部关键点的新位置。
优选的,所述步骤S4具体包括:
步骤S41:根据所述步骤S33推算的新位置提取对应的方向梯度直方图特征,进行矩阵乘和向量加操作,得到2K个偏移量;
步骤S42:根据所述偏移量调整所述面部关键点的坐标。
优选的,所述标注方法还包括:
步骤S01:于所述步骤S1之前,将所述面部图像归一化到指定像素,标出所述面部关键点的真实坐标;
步骤S02:根据公式求出初始模板。
优选的,所述初始模板的求解公式为Sμ:
本发明的有益效果是:
本发明由粗到细地逐步估计关键点位置,避免了局部极值对精度的干扰,使得最终的预测精度和鲁棒性都有很大的提高;线性回归算法的计算高效性和仿射变换仅有的6个参数使得本发明在实时性和模型体积上存在优势。本发明的定位速度可以超过60帧/秒,模型大小可控制在6Mb以内。
附图说明
图1a-1b为本发明面部关键点定位方法的流程图;
图2为本发明面部关键点坐标均值的求解过程;
图3为本发明刚体演化过程示意图;
图4为本发明非刚体演化过程示意图;
图5为本发明迭代过程示意图;
图6为本发明的预测效果示意图。
具体实施方式
需要说明的是,在不冲突的情况下,下述技术方案,技术特征之间可以相互组合。
下面结合附图对本发明的具体实施方式作进一步的说明:
实施例一
本实施例涉及一种利用特征提取+机器学习技术,公开了一种面部关键点标注方法,可以明显提高面部关键点的定位准确性。该方法主要包括以下步骤:a:建立关键点的初始坐标模型;b:根据关键点的真实坐标,求解从初始坐标到真实坐标的最佳二维仿射变换参数;c:根据初始坐标从图像中提取特征,通过训练建立特征到最佳二维仿射变换参数之间的线性映射模型。d:利用已训练的线性映射模型,求解出训练样本对应的仿射参数,并根据求得的参数,计算出初始坐标经过仿射变换后的新坐标。e:根据新坐标从图像中提取特征,通过训练建立特征到真实坐标之间的线性映射模型。f:利用训练得到的模型,预测关键点的新位置。g:步骤b到步骤f为一次迭代,为了提高精度,本实施例包含多次迭代,每次迭代都以前次迭代的结果作为新的初始值。
实施例二
图1a-1b为本发明面部关键点定位方法的流程图,如图1所示,本实施例共包含训练和使用两个过程,在训练过程中,首先需要定义关键点的坐标初始值,这些初始值通过对训练样本的真实坐标求均值获得。图2为本发明面部关键点坐标均值的求解过程,图2显示了均值模板的产生过程,对所有的训练样本,先将人脸区域归一化到128×128像素大小,并标出关键点的真实坐标,而后根据公式(1)求解均值模板Sμ(初始模板)。
得到均值模板后,首先进行刚体演变的训练。
本实施例将均值模板Sμ放置在训练图片的中心位置,利用Procrustesanalyses求解出初始模板和真实位置之间的最佳仿射变换参数,计算过程如公式(2)所示。
其中,k代表关键点的数量,集合{(xn (1),yn (1))}和集合{(xn (2),yn (2))}分别表示第n个关键点的初始坐标与真实坐标,其中k和n均为正整数。初始模板和真实位置之间的差异通过参数β1至β6决定的仿射变换进行消除。公式(2)是一个典型的最小二乘问题,求解完毕后可得到估计出的最佳参数β1至β6。
求得参数后,本发明利用线性回归算法学习从图像特征到参数β1至β6的映射关系。
首先以关键点的初始位置为中心,截取大小为19×19像素的纹理区域,并利用HOG算子对该区域进行特征编码,得到长度为144的浮点编码,而后将面部k个关键点的编码按照预先定义的顺序进行排列,最终得到长度为144×k的特征编码为了提高稳定性,当所有训练样本对应的特征编码都已获得后,对特征编码集合进行归一化操作,使其分布的均值为0,方差为1,并记录相应的归一化参数,便于预测过程使用。而后根据公式(3)进行线性回归模型的训练。
其中,βm i表示第i个样本的第m个最佳参数,表示第i个样本归一化后的HOG特征编码,rm和bm分别表示待求解的第m个参数的线性投影向量和偏置值。通过计算,可得到由rm和bm表示的线性回归模型。
刚体演变可以消除初始模板与真实坐标之间的仿射变换差异,但不同表情、姿态以及人脸之间的固有差异仍然存在,这些差异需要通过非刚体演变进行消除。
非刚体演变的训练基于刚体演变的预测结果进行。和刚体演变的训练过程相似,非刚体演变的训练也需要从初始点提取方向梯度直方图(HistogramofOrientedGradient,HOG)特征,组成长度为144×k的特征向量,并进行归一化操作。主要的区别在于线性回归模型的训练过程。非刚体演变的训练根据公式(4)实施。
其中,Δn i表示第i个样本的第int(n/2)个关键点的初始坐标与真实坐标在X轴或Y轴上的偏移量,表示第i个样本归一化后的HOG特征编码,rn和bn分别表示待求解的第n个偏移量的线性投影向量和偏置值。通过计算,可得到由rn和bn表示的线性回归模型。非刚体演化过程可对每个关键点的坐标进行独立调节,进一步提高定位精度。
为了达到最佳预测效果,本发明包含了多次迭代过程,每次迭代过程包含一个刚体演化过程和非刚体演化过程,其训练过程与上述内容相同,唯一不同在迭代过程的初始模板来自前次迭代的预测结果。
图3为本发明刚体演化过程示意图,如图3所示,在预测过程中,本发明利用训练过程得到的线性回归模型进行关键点预测。首先将测试人脸缩放至128×128像素,将均值模板置于人脸正中;而后提取对应的HOG特征,分别与刚体演化训练中得到向量rm和偏置值bm进行矩阵乘和向量加操作,得到样本对应的6个仿射变换参数,再根据参数推算关键点的新位置,该过程如图3所示。
图4为本发明非刚体演化过程示意图,如图4所示,在得到刚体演化的预测结果后,根据预测位置提取对应的HOG特征,与非刚体演化训练中得到的向量rn和偏置bn进行矩阵乘和向量加操作,得到样本对应的2k个偏移量,再根据偏移量调整关键点的坐标,该过程如图4所示。
图5为本发明迭代过程示意图,最后,按照上述过程依次执行多次迭代,得到最终的预测结果,该过程如图5所示。图6为本发明的预测效果示意图,从图6中可以看出本发明的最终效果。
综上所述,本发明提出一种实时、鲁棒、高精度的面部关键点定位方法,旨在利用特征提取和机器学习相结合的技术对移动平台条件下捕获的人脸图片进行关键点定位。与已知方法相比,本发明对计算性能及图片的成像环境要求不高,且在模型大小上更有优势,因此能够广泛地应用在移动平台上,为人机交互、表情分析、视线控制、疲劳监控等其他机器视觉应用打下坚实的基础。
通过说明和附图,给出了具体实施方式的特定结构的典型实施例,基于本发明精神,还可作其他的转换。尽管上述发明提出了现有的较佳实施例,然而,这些内容并不作为局限。
对于本领域的技术人员而言,阅读上述说明后,各种变化和修正无疑将显而易见。因此,所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容,都应认为仍属本发明的意图和范围内。
Claims (11)
1.一种面部关键点的标注方法,其特征在于,所述标注方法包括两个过程,分别为训练过程和使用过程,其中,所述训练过程、所述使用过程均包括刚体演变和非刚体演变,所述刚体演变与非刚体演变能够进行多次迭代,以提高所述面部关键点的预测精度,其中,
所述标注方法具体包括:
步骤S1:通过所述训练过程的刚体演变消除初始模板与真实坐标之间的仿射变化差异;
步骤S2:通过所述训练过程的非刚体演变对初始模板中每个所述面部关键点进行独立调节,以提高所述面部关键点的定位精度;
步骤S3:通过所述使用过程的刚体演变,根据线性回归模型进行所述面部关键点的预测,推算所述面部关键点的新位置;
步骤S4:在所述使用过程的非刚体演变中,根据所述新位置调节所述面部关键点的坐标,得到预测结果。
2.根据权利要求1所述的面部关键点的标注方法,其特征在于,所述步骤S1具体包括:
步骤S11:将所述初始模板放置在训练图片的中心位置,并解得所述初始模板与所述真实坐标之间的最佳仿射变换参数。
3.根据权利要求2所述的面部关键点的标注方法,其特征在于,所述步骤S11中:通过公式解得所述最佳仿射变换参数,所述公式为:
其中,K为所述面部关键点的数量,集合{(xn (1),yn (1))}和集合{(xn (2),yn (2))}分别为第n个所述面部关键点的初始坐标与所述真实坐标,n为正整数;
以及所述初始坐标与所述真实坐标之间的差异通过参数β1至β6决定的仿射变换消除,求解后得出参数β1至β6。
4.根据权利要求3所述的面部关键点的标注方法,其特征在于,所述步骤S1还包括:
步骤S12:以所述面部关键点的初始位置为中心,并截取纹理区域;
步骤S13:利用方向梯度直方图算子对所述纹理区域进行特征编码,得到长度为Z的浮点编码;
步骤S14:将K个面部关键点的编码按照预定义顺序进行特征编码,得到长度为Z×K的特征编码;
步骤S15:将所述Z×K的特征编码进行归一化操作,得到归一化参数,其中,
所述归一化操作中,分布的均值为0,方差为1。
5.根据权利要求4所述的面部关键点的标注方法,其特征在于,所述步骤S1还包括:
步骤S16:于所述步骤S15之后,根据公式进行所述线性回归模型的训练,其中,所述公式为:
其中,βm i为第i个样本的第m个最佳参数,为第i个样本归一化后的方向梯度直方图特征编码,rm和bm分别为待求解的第m个参数的线性投影向量和偏置值,通过计算得到由rm和bm表示的线性回归模型,m和i均为正整数。
6.根据权利要求5所述的面部关键点的标注方法,其特征在于,所述步骤S2具体包括:
步骤S21:从所述初始坐标提取方向梯度直方图特征,组成长度为Z×K的特征向量,并进行所述归一化操作;
步骤S22:根据公式进行线性回归模型的非刚体演变训练过程。
7.根据权利要求6所述的面部关键点的标注方法,其特征在于,所述非刚体演变训练过程的实施公式为:
其中,Δn i为第i个样本的第int(n/2)个关键点的所述初始坐标与所述真实坐标在X轴或Y轴上的偏移量,为第i个样本归一化后的方向梯度直方图特征编码,rn和bn分别为待求解的第n个偏移量的线性投影向量和偏置值,通过计算,得到由rn和bn表示的线性回归模型。
8.根据权利要求7所述的面部关键点的标注方法,其特征在于,所述步骤S3具体包括:
步骤S31:将面部图像调节至指定像素,将所述初始模板置于所述面部图像的人脸正中;
步骤S32:提取所述面部图像的方向梯度直方图,进行矩阵乘和向量加操作,得到仿射变换参数;
步骤S33:根据所述仿射变换参数推算所述面部关键点的新位置。
9.根据权利要求8所述的面部关键点的标注方法,其特征在于,所述步骤S4具体包括:
步骤S41:根据所述步骤S33推算的新位置提取对应的方向梯度直方图特征,进行矩阵乘和向量加操作,得到2K个偏移量;
步骤S42:根据所述偏移量调整所述面部关键点的坐标。
10.根据权利要求9所述的面部关键点的标注方法,其特征在于,所述标注方法还包括:
步骤S01:于所述步骤S1之前,将所述面部图像归一化到指定像素,标出所述面部关键点的真实坐标;
步骤S02:根据公式求出初始模板。
11.根据权利要求10所述的面部关键点的标注方法,其特征在于,所述初始模板的求解公式为sμ:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510608688.6A CN105354531B (zh) | 2015-09-22 | 2015-09-22 | 一种面部关键点的标注方法 |
PCT/CN2015/091886 WO2017049677A1 (zh) | 2015-09-22 | 2015-11-09 | 一种面部关键点的标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510608688.6A CN105354531B (zh) | 2015-09-22 | 2015-09-22 | 一种面部关键点的标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354531A true CN105354531A (zh) | 2016-02-24 |
CN105354531B CN105354531B (zh) | 2019-05-21 |
Family
ID=55330499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510608688.6A Active CN105354531B (zh) | 2015-09-22 | 2015-09-22 | 一种面部关键点的标注方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105354531B (zh) |
WO (1) | WO2017049677A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056080A (zh) * | 2016-05-30 | 2016-10-26 | 东莞市中控电子技术有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN106897675A (zh) * | 2017-01-24 | 2017-06-27 | 上海交通大学 | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 |
CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
CN107423689A (zh) * | 2017-06-23 | 2017-12-01 | 中国科学技术大学 | 智能交互式人脸关键点标注方法 |
CN108171244A (zh) * | 2016-12-07 | 2018-06-15 | 北京深鉴科技有限公司 | 对象识别方法和系统 |
CN108764048A (zh) * | 2018-04-28 | 2018-11-06 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN108961149A (zh) * | 2017-05-27 | 2018-12-07 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN109002769A (zh) * | 2018-06-22 | 2018-12-14 | 深源恒际科技有限公司 | 一种基于深度神经网络的牛脸对齐方法及系统 |
CN109034095A (zh) * | 2018-08-10 | 2018-12-18 | 杭州登虹科技有限公司 | 一种人脸对齐检测方法、装置和存储介质 |
CN109635659A (zh) * | 2018-11-12 | 2019-04-16 | 东软集团股份有限公司 | 人脸关键点定位方法、装置、存储介质及电子设备 |
CN110110695A (zh) * | 2019-05-17 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN111981975A (zh) * | 2019-05-22 | 2020-11-24 | 顺丰科技有限公司 | 物体体积测量方法、装置、测量设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062400B (zh) * | 2018-10-16 | 2024-04-30 | 浙江宇视科技有限公司 | 目标匹配方法及装置 |
CN109508678B (zh) * | 2018-11-16 | 2021-03-30 | 广州市百果园信息技术有限公司 | 人脸检测模型的训练方法、人脸关键点的检测方法和装置 |
CN110084221B (zh) * | 2019-05-08 | 2023-02-03 | 南京云智控产业技术研究院有限公司 | 一种基于深度学习的带中继监督的序列化人脸关键点检测方法 |
CN111241961B (zh) * | 2020-01-03 | 2023-12-08 | 北京秒针人工智能科技有限公司 | 人脸检测方法、装置及电子设备 |
CN114092752B (zh) * | 2020-07-17 | 2024-08-16 | 北京达佳互联信息技术有限公司 | 面部关键点的标注方法、装置、电子设备及存储介质 |
US11587288B2 (en) * | 2021-03-15 | 2023-02-21 | Tencent America LLC | Methods and systems for constructing facial position map |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216882A (zh) * | 2007-12-28 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸眼角与嘴角定位与跟踪的方法及装置 |
CN103390282A (zh) * | 2013-07-30 | 2013-11-13 | 百度在线网络技术(北京)有限公司 | 图像标注方法及其装置 |
CN104268591A (zh) * | 2014-09-19 | 2015-01-07 | 海信集团有限公司 | 一种面部关键点检测方法及装置 |
EP2863335A1 (en) * | 2012-08-28 | 2015-04-22 | Tencent Technology Shenzhen Company Limited | Method, device and storage medium for locating feature points on human face |
CN104598936A (zh) * | 2015-02-28 | 2015-05-06 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7903883B2 (en) * | 2007-03-30 | 2011-03-08 | Microsoft Corporation | Local bi-gram model for object recognition |
CN104715227B (zh) * | 2013-12-13 | 2020-04-03 | 北京三星通信技术研究有限公司 | 人脸关键点的定位方法和装置 |
-
2015
- 2015-09-22 CN CN201510608688.6A patent/CN105354531B/zh active Active
- 2015-11-09 WO PCT/CN2015/091886 patent/WO2017049677A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216882A (zh) * | 2007-12-28 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸眼角与嘴角定位与跟踪的方法及装置 |
EP2863335A1 (en) * | 2012-08-28 | 2015-04-22 | Tencent Technology Shenzhen Company Limited | Method, device and storage medium for locating feature points on human face |
CN103390282A (zh) * | 2013-07-30 | 2013-11-13 | 百度在线网络技术(北京)有限公司 | 图像标注方法及其装置 |
CN104268591A (zh) * | 2014-09-19 | 2015-01-07 | 海信集团有限公司 | 一种面部关键点检测方法及装置 |
CN104598936A (zh) * | 2015-02-28 | 2015-05-06 | 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 |
Non-Patent Citations (3)
Title |
---|
JIANYA GUO等: "Automatic landmark annotation and dense correspondence registration for 3D human facial images", 《BMC BIOINFORMATICS 2013》 * |
王晶: "融合改进的ASM和AAM的人脸形状特征点定位算法", 《光电子·激光》 * |
马艳妮等: "脸部特征点的定位与提取方法", 《计算机工程与应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056080B (zh) * | 2016-05-30 | 2019-11-22 | 中控智慧科技股份有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN106056080A (zh) * | 2016-05-30 | 2016-10-26 | 东莞市中控电子技术有限公司 | 一种可视化的生物计量信息采集装置和方法 |
CN108171244A (zh) * | 2016-12-07 | 2018-06-15 | 北京深鉴科技有限公司 | 对象识别方法和系统 |
CN106897675A (zh) * | 2017-01-24 | 2017-06-27 | 上海交通大学 | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 |
CN106897675B (zh) * | 2017-01-24 | 2021-08-17 | 上海交通大学 | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 |
CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
CN107122705B (zh) * | 2017-03-17 | 2020-05-19 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
CN108961149B (zh) * | 2017-05-27 | 2022-01-07 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN108961149A (zh) * | 2017-05-27 | 2018-12-07 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN107423689B (zh) * | 2017-06-23 | 2020-05-15 | 中国科学技术大学 | 智能交互式人脸关键点标注方法 |
CN107423689A (zh) * | 2017-06-23 | 2017-12-01 | 中国科学技术大学 | 智能交互式人脸关键点标注方法 |
CN108764048B (zh) * | 2018-04-28 | 2021-03-16 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN108764048A (zh) * | 2018-04-28 | 2018-11-06 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN109002769A (zh) * | 2018-06-22 | 2018-12-14 | 深源恒际科技有限公司 | 一种基于深度神经网络的牛脸对齐方法及系统 |
CN109034095A (zh) * | 2018-08-10 | 2018-12-18 | 杭州登虹科技有限公司 | 一种人脸对齐检测方法、装置和存储介质 |
CN109635659A (zh) * | 2018-11-12 | 2019-04-16 | 东软集团股份有限公司 | 人脸关键点定位方法、装置、存储介质及电子设备 |
CN110110695A (zh) * | 2019-05-17 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN111981975A (zh) * | 2019-05-22 | 2020-11-24 | 顺丰科技有限公司 | 物体体积测量方法、装置、测量设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2017049677A1 (zh) | 2017-03-30 |
CN105354531B (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354531A (zh) | 一种面部关键点的标注方法 | |
CN106022353B (zh) | 一种基于超像素分割的图像语义标注方法 | |
CN105869178B (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN104050446B (zh) | 一种基于指针宽度特征的仪表指针图像识别方法 | |
CN108764048A (zh) | 人脸关键点检测方法及装置 | |
CN110020651A (zh) | 基于深度学习网络的车牌检测定位方法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN103700101B (zh) | 一种非刚性脑图像配准方法 | |
CN100383807C (zh) | 结合活动形状模型和快速活动外观模型的特征点定位方法 | |
CN103440667B (zh) | 一种遮挡状态下运动目标稳定追踪的自动装置 | |
CN1687957A (zh) | 结合局部搜索和活动外观模型的人脸特征点定位方法 | |
CN102054170B (zh) | 基于极小化上界误差的视觉跟踪方法 | |
CN109271984A (zh) | 一种基于深度学习的多方位车牌定位方法 | |
CN105261039B (zh) | 一种基于深度图像的自适应调整目标跟踪算法 | |
CN105139007B (zh) | 人脸特征点定位方法和装置 | |
CN110232354A (zh) | 一种指针式仪表通用识别方法 | |
CN106372749A (zh) | 基于云变分析的超短期光伏功率预测方法 | |
CN104392455B (zh) | 基于方向检测的在线掌纹有效区域快速分割方法 | |
CN108010082A (zh) | 一种几何匹配的方法 | |
CN104700412A (zh) | 一种视觉显著图的计算方法 | |
CN107123130A (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
CN104457691B (zh) | 一种建筑物主体高程信息获取方法 | |
CN108830223A (zh) | 一种基于批量模式主动学习的微表情识别方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
CN106682575A (zh) | Elm算法的人眼点云特征定位 |
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 |