CN105447462B - 人脸姿态估计方法及装置 - Google Patents
人脸姿态估计方法及装置 Download PDFInfo
- Publication number
- CN105447462B CN105447462B CN201510813273.2A CN201510813273A CN105447462B CN 105447462 B CN105447462 B CN 105447462B CN 201510813273 A CN201510813273 A CN 201510813273A CN 105447462 B CN105447462 B CN 105447462B
- Authority
- CN
- China
- Prior art keywords
- matrix
- perspective projection
- dimensional coordinate
- face
- weak perspective
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了人脸姿态估计方法及装置,其中,所述方法包括:获取待检测图片中人脸的多个关键点;确定所述多个关键点各自对应的二维坐标和三维坐标;根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。本公开可以将相关技术中确定透视投影矩阵的计算过程简化为确定弱透视投影矩阵的计算过程,进而可以根据所述弱透视投影矩阵,确定人脸姿态估计结果,加快了计算速度。
Description
技术领域
本公开涉及通信领域,尤其涉及人脸姿态估计方法及装置。
背景技术
目前,人脸姿态估计在人脸识别和人机交互等领域有着重要作用。人脸姿态估计就是对二维图像中的人脸在三维空间中所处的姿态进行估计。但是,相关技术中,进行人脸姿态估计时,涉及的计算过程繁琐,计算速度慢。
发明内容
有鉴于此,本公开提供了人脸姿态估计方法及装置,解决相关技术中进行人脸姿态估计时计算过程繁琐、计算速度慢的问题。
根据本公开实施例的第一方面,提供一种人脸姿态估计方法,所述方法包括:
获取待检测图片中人脸的多个关键点;
确定所述多个关键点各自对应的二维坐标和三维坐标;
根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;
根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
可选地,所述获取待检测图片中人脸的多个关键点,包括:
通过人脸关键点检测算法对待检测图片进行人脸关键点检测,获取所述待检测图片中人脸的多个关键点。
可选地,所述根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵,包括:
确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标;
确定所述第二矩阵的增广矩阵;
根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵;
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵。
可选地,所述利用最小二乘法计算得到弱透视投影矩阵,包括:
采用奇异值分解SVD算法或LU分解算法计算得到弱透视投影矩阵。
可选地,所述根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果,包括:
将所述弱透视投影矩阵按照第二计算公式进行矩阵分解后得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果;
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
可选地,所述根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果,还包括:
获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转;
按照所述预设旋转顺序,将对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值,确定为所述人脸的第二人脸姿态估计结果。
根据本公开实施例的第二方面,提供一种人脸姿态估计装置,所述装置包括:
获取模块,被配置为获取待检测图片中人脸的多个关键点;
第一确定模块,被配置为确定所述多个关键点各自对应的二维坐标和三维坐标;
第二确定模块,被配置为根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;
第三确定模块,被配置为根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
可选地,所述获取模块包括:
第一获取子模块,被配置为通过人脸关键点检测算法对待检测图片进行人脸关键点检测,获取所述待检测图片中人脸的多个关键点。
可选地,所述第二确定模块包括:
第一确定子模块,被配置为确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标;
第二确定子模块,被配置为确定所述第二矩阵的增广矩阵;
计算子模块,被配置为根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵;
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵。
可选地,所述计算子模块包括:
计算单元,被配置为采用奇异值分解SVD算法或LU分解算法计算得到弱透视投影矩阵。
可选地,所述第三确定模块包括:
第三确定子模块,被配置为将所述弱透视投影矩阵按照第二计算公式进行矩阵分解得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果;
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
可选地,所述第三确定模块还包括:
第二获取子模块,被配置为获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转;
第四确定子模块,被配置为按照所述预设旋转顺序,将对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值,确定为所述人脸的第二人脸姿态估计结果。
根据本公开实施例的第三方面,提供一种人脸姿态估计装置,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:
获取待检测图片中人脸的多个关键点;
确定所述多个关键点各自对应的二维坐标和三维坐标;
根据所述二维坐标和所述三维坐标确定弱透视投影矩阵;
根据所述弱透视投影矩阵确定所述人脸的人脸姿态估计结果。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开实施例中,在确定了待检测图片中人脸的多个关键点各自对应的二维坐标和三维坐标后,将相关技术中确定透视投影矩阵的计算过程简化为确定弱透视投影矩阵的计算过程,进而可以根据所述弱透视投影矩阵,确定人脸姿态估计结果,加快了计算速度。
本公开实施例中,在进行人脸姿态估计时采用了弱透视矩阵,进一步地,可以采用最小二乘法,例如SVD算法或LU分解算法计算弱透视矩阵,相比相关技术中采用优化计算的方式计算透视矩阵的过程简单,且计算速度快。
本公开实施例中,在得到弱透视矩阵后,可以将对所述弱透视矩阵进行矩阵分解后得到的旋转矩阵,确定为人脸的第一人脸姿态估计结果。进一步地,可以对所述旋转矩阵进行进一步分解,得到所述人脸分别相对于第一轴、第二轴和第三轴的旋转角度值,并将计算得到的上述旋转角度值确定为所述人脸的第二人脸姿态估计结果,使得人脸姿态估计结果更为直观。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种人脸姿态估计方法流程图;
图2是本公开根据一示例性实施例示出的另一种人脸姿态估计方法流程图;
图3是本公开根据一示例性实施例示出的另一种人脸姿态估计方法流程图;
图4是本公开根据一示例性实施例示出的另一种人脸姿态估计方法流程图;
图5是本公开根据一示例性实施例示出的一种人脸姿态估计装置框图;
图6是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图;
图7是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图;
图8是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图;
图9是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图;
图10是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图;
图11是本公开根据一示例性实施例示出的一种用于人脸姿态估计装置的一结构示意图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示,图1是根据一示例性实施例示出的一种人脸姿态估计方法,包括以下步骤:
在步骤101中,获取待检测图片中人脸的多个关键点。
本步骤中,可选地,可以通过人脸关键点检测算法,例如监督的梯度下降方法(Supervised Descent Method,SDM),对待检测图片进行人脸关键点检测,其中所述多个关键点可以覆盖所述人脸的眉毛、眼睛、鼻子、嘴巴,脸部轮廓等部位。
在步骤102中,确定所述多个关键点各自对应的二维坐标和三维坐标。
本步骤中,可以按照相关技术,获取所述多个关键点各自对应的二维坐标。
例如,所述二维坐标分别为(x1,y1),(x2,y2),…(xn,yn),其中n是所述关键点的个数,(xn,yn)是第n个关键点的二维坐标。
进一步地,可以先建立人脸的三维模型。当通过人脸关键点检测算法在所述待检测图片中确定了所述多个关键点后,可以按照相关技术确定所述多个关键点在所述三维模型中对应的三维坐标。
例如,所述三维坐标分别为(X1,Y1,Z1),(X2,Y2,Z2),…(Xn,Yn,Zn),其中n是所述关键点的个数,(Xn,Yn,Zn)是第n个关键点的三维坐标。
在步骤103中,根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵。
本步骤中,需要先根据所述二维坐标和所述三维坐标分别确定第一矩阵和第二矩阵。
其中,所述二维坐标可以记做第一矩阵x,如下:
x=[x1,y1;x2,y2;…;xn,yn]T,其中,n是所述关键点的个数,(xn,yn)是第n个关键点的二维坐标。
所述三维坐标可以记做第二矩阵X,如下:
X=[X1,Y1,Z1;X2,Y2,Z2;…;Xn,Yn,Zn]T,其中,n是所述关键点的个数,(Xn,Yn,Zn)是第n个关键点的三维坐标。
进一步地需要按照相关技术,通过以下公式确定所述第二矩阵的增广矩阵如下:
其中X是所述第二矩阵。
进而根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵。
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵。
本公开实施例中,在将三维模型投影到二维平面时,如果所述多个关键点的三维坐标中所有的Z值取同一数值,所述数值一般为所述人脸在所述三维模型中的质心到二维投影平面的距离值,则可以得到上述的第一计算公式。因此,求解所述弱透视投影矩阵A即是求解最小二乘的过程。
进一步地,可以按照相关技术,采用奇异值分解SVD算法或LU分解算法计算得到所述弱透视投影矩阵A,得到的所述弱透视投影矩阵A是2×4的矩阵。
在步骤104中,根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
本步骤中,可以将所述弱透视投影矩阵按照第二计算公式进行矩阵分解后得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果。
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
本公开实施例中,可以对步骤103计算得到的所述弱透视投影矩阵进行矩阵分解,可以得出缩放矩阵S、旋转矩阵R和三维平移向量t各自的唯一解,其中所述旋转矩阵即所述人脸的人脸姿态。下面详细介绍一下根据所述第二计算公式分别求解缩放矩阵S、旋转矩阵R和三维平移向量t的过程。
其中所述弱透视投影矩阵A是2×4的矩阵,所述旋转矩阵R是3×3的矩阵,所述t是3维的平移向量,所述缩放矩阵S是2×3的矩阵。
具体分解步骤如下:
假设求t=[t1 t2 0]T。
求解缩放矩阵S的过程如下:
在求解旋转矩阵R之前,需要先计算缩放矩阵S。由于旋转矩阵R的每一行都是正交向量,所以有r11 2+r12 2+r13 2=1。
因此,
求解旋转矩阵R的过程如下:
旋转矩阵R的前两行:
由于旋转矩阵R的行向量是正交的,所以第三行可由前两行的叉乘得出:[r31 r32r33]=[r11 r12 r13]×[r21 r22 r23]。由此得出旋转矩阵R。
求解平移向量t的过程如下:
t=[t1 t2 0]T=[a14 a24 0]T/s。
通过上述过程可以求得旋转矩阵的唯一解,所述旋转矩阵就可以作为所述人脸的人脸姿态估计结果。
上述实施例中,在确定了待检测图片中人脸的多个关键点各自对应的二维坐标和三维坐标后,将相关技术中确定透视投影矩阵的计算过程简化为确定弱透视投影矩阵的计算过程,进而可以根据所述弱透视投影矩阵,确定人脸姿态估计结果,加快了计算速度。进一步地,可以采用最小二乘法,例如SVD算法或LU分解算法计算弱透视矩阵,相比相关技术中采用优化计算的方式计算透视矩阵的过程简单,且计算速度快。
本公开实施例中,还提供了上述步骤103,根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵的过程,如图2所示,可以包括:
在步骤103-1中,确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标。
本步骤中,分别确定了第一矩阵x和第二矩阵X。其中,所述二维坐标可以记做第一矩阵x,如下:
x=[x1,y1;x2,y2;…;xn,yn]T,其中,n是所述关键点的个数,(xn,yn)是第n个关键点的二维坐标。
所述三维坐标可以记做第二矩阵X,如下:
X=[X1,Y1,Z1;X2,Y2,Z2;…;Xn,Yn,Zn]T,其中,n是所述关键点的个数,(Xn,Yn,Zn)是第n个关键点的三维坐标。
在步骤103-2中,确定所述第二矩阵的增广矩阵。
本公开实施例中,确定了所述第二矩阵后,可以按照相关技术,通过以下公式得到所述第二矩阵的增广矩阵如下:
其中X是所述第二矩阵。
在步骤103-3中,根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵。
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵。
本公开实施例中,在将三维模型投影到二维平面时,如果所述多个关键点的三维坐标中所有的Z值取同一数值,所述数值一般为所述人脸在所述三维模型中的质心到二维投影平面的距离值,则可以得到上述的第一计算公式。因此,求解所述弱透视投影矩阵A即是求解最小二乘的过程。
进一步地,可以按照相关技术,采用奇异值分解SVD算法或LU分解算法计算得到所述弱透视投影矩阵A,得到的所述弱透视投影矩阵A是2×4的矩阵。
上述实施例中,在进行人脸姿态估计时采用了弱透视矩阵,进一步地,可以采用最小二乘法,例如SVD算法或LU分解算法计算弱透视矩阵,相比相关技术中采用优化计算的方式计算透视矩阵的过程简单,且计算速度快。
本公开实施例中,可以将所述旋转矩阵确定为人脸姿态估计结果。但是,为了让人脸姿态估计结果更为直观,本公开还提供了另一种人脸姿态估计方法如图3所示,包括以下步骤:
在步骤201中,获取待检测图片中人脸的多个关键点。
在步骤202中,确定所述多个关键点各自对应的二维坐标和三维坐标。
在步骤203中,根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵。
在步骤204中,将所述弱透视投影矩阵按照第二计算公式进行矩阵分解后得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果。
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
上述几个步骤中确定所述二维坐标、所述三维坐标、所述弱透视投影矩阵以及所述旋转矩阵的过程与上述实施例中的过程相同,在此不再赘述。
在步骤205中,获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转。
本公开实施例中,可以预先定义所述旋转矩阵的预设旋转顺序,例如所述预设旋转顺序可以依次为相对于x轴、y轴和z轴进行旋转,或者所述预设旋转顺序还可以依次为相对于z轴、x轴和y轴进行旋转。
在步骤206中,按照所述预设旋转顺序,将对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值,确定为所述人脸的第二人脸姿态估计结果。
旋转矩阵R分别绕x轴、y轴和z轴进行旋转,与对应的旋转角为α、β和γ的对应关系如下:
根据上述对应关系和所述预设的旋转顺序,就可以对所述旋转矩阵进行矩阵分解,分别得到与所述人脸的人脸姿态对应的旋转角α、β和γ的值,即为所述人脸的人脸姿态估计结果。
上述实施例中,在确定了待检测图片中人脸的多个关键点各自对应的二维坐标和三维坐标后,将相关技术中计算透视投影矩阵的过程简化为计算弱透视投影矩阵,进而可以根据所述弱透视投影矩阵,确定人脸姿态估计结果,加快了计算速度。进一步地,在计算弱透视投影矩阵时将相关技术中的优化计算过程简化为最小二乘法计算过程,同样简化了计算过程,加快了计算速度。另外,上述实施例可以将所述弱透视投影矩阵进行矩阵分解得到的旋转矩阵确定为人脸姿态。进一步地,还可以对所述旋转矩阵进行进一步分解,得到人脸分别相对于第一轴、第二轴和第三轴的旋转角度值,并将计算得到的上述旋转角度值确定为所述人脸的人脸姿态估计结果,使得人脸姿态估计的结果更为直观。
如图4所示,图4是根据一示例性实施例示出的另一种人脸姿态估计方法,包括以下步骤:
在步骤301中,通过人脸关键点检测算法对待检测图片进行人脸关键点检测,获取所述待检测图片中人脸的多个关键点。
本步骤中,可以按照相关技术,通过人脸关键点检测算法,例如利用SDM对待检测图片进行人脸关键点检测,其中所述多个关键点可以覆盖所述人脸的眉毛、眼睛、鼻子、嘴巴,脸部轮廓等部位。
在步骤302中,确定所述多个关键点各自对应的二维坐标和三维坐标。
本步骤中,可以按照相关技术,获得所述多个关键点各自对应的二维坐标和所述关键点在预先建立的三维模型中的三维坐标。
例如,所述二维坐标分别为(x1,y1),(x2,y2),…(xn,yn),其中n是所述关键点的个数,(xn,yn)是第n个关键点的二维坐标。
所述三维坐标分别为(X1,Y1,Z1),(X2,Y2,Z2),…(Xn,Yn,Zn),其中n是所述关键点的个数,(Xn,Yn,Zn)是第n个关键点的三维坐标。
在步骤303中,确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标。
本步骤中,分别确定了第一矩阵x和第二矩阵X。其中,所述二维坐标可以记做第一矩阵x,如下:
x=[x1,y1;x2,y2;…;xn,yn]T,其中,n是所述关键点的个数,(xn,yn)是第n个关键点的二维坐标。
所述三维坐标可以记做第二矩阵X,如下:
X=[X1,Y1,Z1;X2,Y2,Z2;…;Xn,Yn,Zn]T,其中,n是所述关键点的个数,(Xn,Yn,Zn)是第n个关键点的三维坐标。
在步骤304中,确定所述第二矩阵的增广矩阵。
本公开实施例中,确定了所述第二矩阵后,可以按照相关技术,通过以下公式得到所述第二矩阵的增广矩阵如下:
其中X是所述第二矩阵。
在步骤305中,根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵。
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵。
可选地,可以采用奇异值分解SVD算法或LU分解算法计算得到所述弱透视投影矩阵A,得到的所述弱透视投影矩阵A是2×4的矩阵。
在步骤306中,将所述弱透视投影矩阵按照第二计算公式进行矩阵分解后得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果。
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
本公开实施例中,可以对步骤205计算得到的所述弱透视投影矩阵通过上述实施例介绍的方法进行矩阵分解,得出旋转矩阵R是3×3的矩阵,即为所述人脸的人脸姿态估计结果。
在步骤307中,获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转。
本公开实施例中,可以预先定义所述旋转矩阵的预设旋转顺序,例如所述预设旋转顺序可以依次为相对于x轴、y轴和z轴进行旋转,或者所述预设旋转顺序还可以依次为相对于z轴、x轴和y轴进行旋转。
在步骤308中,按照所述预设旋转顺序,将对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值,确定为所述人脸的第二人脸姿态估计结果。
本步骤中,为了让人脸姿态估计结果更为直观,同样可以按照上述实施例介绍的方法得到所述旋转角度值,将所述旋转角度值确定为所述人脸的人脸姿态估计结果。
上述实施例中,将相关技术中计算透视投影矩阵的过程简化为计算弱透视投影矩阵。进一步地,可以采用最小二乘法,例如SVD算法或LU分解算法计算弱透视矩阵,相比相关技术中采用优化计算的方式计算透视矩阵的过程,计算过程较为简单,计算速度快。在得到弱透视矩阵后,可以对所述弱透视矩阵进行矩阵分解,得到旋转矩阵了,并将所述旋转矩阵确定为所述人脸的人脸姿态估计结果。进一步地,为了让人脸姿态估计结果更为直观,可以对所述旋转矩阵进行进一步分解,得到所述人脸分别相对于第一轴、第二轴和第三轴的旋转角度值,并将计算得到的上述旋转角度值确定为所述人脸的人脸姿态估计结果。
与前述方法实施例相对应,本公开还提供了装置的实施例。
如图5所示,图5是本公开根据一示例性实施例示出的一种人脸姿态估计装置框图,包括:获取模块410、第一确定模块420、第二确定模块430和第三确定模块440。
其中,所述获取模块410,被配置为获取待检测图片中人脸的多个关键点;
所述第一确定模块420,被配置为确定所述多个关键点各自对应的二维坐标和三维坐标;
所述第二确定模块430,被配置为根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;
所述第三确定模块440,被配置为根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
上述实施例中,在确定了待检测图片中人脸的多个关键点各自对应的二维坐标和三维坐标后,将相关技术中确定透视投影矩阵的计算过程简化为确定弱透视投影矩阵的计算过程,进而可以根据所述弱透视投影矩阵,确定人脸姿态估计结果,加快了计算速度。
如图6所示,图6是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图,该实施例在前述图5所示实施例的基础上,所述获取模块410包括:第一获取子模块411。
其中,所述第一获取子模块411,被配置为通过人脸关键点检测算法对待检测图片进行人脸关键点检测,获取所述待检测图片中人脸的多个关键点各自对应的二维坐标。
如图7所示,图7是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图,该实施例在前述图5所示实施例的基础上,所述第二确定模块430包括:第一确定子模块431、第二确定子模块432和计算子模块433。
其中,所述第一确定子模块431,被配置为确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标;
所述第二确定子模块432,被配置为确定所述第二矩阵的增广矩阵;
所述计算子模块433,被配置为根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵;
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵。
如图8所示,图8是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图,该实施例在前述图7所示实施例的基础上,所述计算子模块433包括:计算单元4331。
其中,所述计算单元4331,被配置为采用奇异值分解SVD算法或LU分解算法计算得到弱透视投影矩阵。
上述实施例中,在进行人脸姿态估计时采用了弱透视矩阵,进一步地,可以采用最小二乘法,例如SVD算法或LU分解算法计算弱透视矩阵,相比相关技术中采用优化计算的方式计算透视矩阵的过程简单,且计算速度快。
如图9所示,图9是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图,该实施例在前述图5所示实施例的基础上,所述第三确定模块440包括:第三确定子模块441。
其中,所述第三确定子模块441,被配置为将所述弱透视投影矩阵按照第二计算公式进行矩阵分解得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果;
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
上述实施例中,在得到弱透视矩阵后,可以将对所述弱透视矩阵进行矩阵分解后得到的旋转矩阵确定为人脸的第一人脸姿态估计结果。计算过程简便,计算速度快。
如图10所示,图10是本公开根据一示例性实施例示出的另一种人脸姿态估计装置框图,该实施例在前述图9所示实施例的基础上,所述第三确定模块440还包括:第二获取子模块442和第四确定子模块443。
其中,所述第二获取子模块442,被配置为获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转;
所述第四确定子模块443,被配置为将按照所述预设旋转顺序,对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值确定为所述人脸的第二人脸姿态估计结果。
上述实施例中,可以对所述旋转矩阵进行进一步分解,得到所述人脸分别相对于第一轴、第二轴和第三轴的旋转角度值,并将计算得到的上述旋转角度值确定为所述人脸的第二人脸姿态估计结果,使得人脸姿态估计结果更为直观。
相应的,本公开还提供一种人脸姿态估计装置,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:
获取待检测图片中人脸的多个关键点;
确定所述多个关键点各自对应的二维坐标和三维坐标;
根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;
根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
如图11所示,图11是本公开根据一示例性实施例示出的一种人脸姿态估计装置1100的结构示意图。例如,装置1100可以是终端,该终端可以具体为移动电话,计算机,数字广播终端,消息收发终端,智能插座,智能血压计,游戏控制台,平板终端,医疗终端,健身终端,个人数字助理、智能手环、智能手表等。
参照图11,装置1100可以包括以下一个或多个组件:处理组件1102,存储器1104,电源组件1106,多媒体组件1108,音频组件1110,输入/输出(I/O)的接口1112,传感器组件1114,以及通信组件1116。
处理组件1102通常控制装置1100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1102可以包括一个或多个处理器1120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1102可以包括一个或多个模块,便于处理组件1102和其他组件之间的交互。例如,处理组件1102可以包括多媒体模块,以方便多媒体组件1108和处理组件1102之间的交互。
存储器1104被配置为存储各种类型的数据以支持在装置1100的操作。这些数据的示例包括用于在装置1100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1104可以由任何类型的易失性或非易失性存储终端或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1106为装置1100的各种组件提供电力。电源组件1106可以包括电源管理系统,一个或多个电源,及其他与为装置1100生成、管理和分配电力相关联的组件。
多媒体组件1108包括在所述装置1100和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。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。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述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1108包括一个前置摄像头和/或后置摄像头。当装置1100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1110被配置为输出和/或输入音频信号。例如,音频组件1110包括一个麦克风(MIC),当装置1100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1104或经由通信组件1116发送。在一些实施例中,音频组件1110还包括一个扬声器,用于输出音频信号。
I/O接口1112为处理组件1102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1114包括一个或多个传感器,用于为装置1100提供各个方面的状态评估。例如,传感器组件1114可以检测到装置1100的打开/关闭状态,组件的相对定位,例如所述组件为装置1100的显示器和小键盘,传感器组件1114还可以检测装置1100或装置1100一个组件的位置改变,用户与装置1100接触的存在或不存在,装置1100方位或加速/减速和装置1100的温度变化。传感器组件1114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1114还可以包括光传感器,如CMOS或CCD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1114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,微波传感器或温度传感器。
通信组件1116被配置为便于装置1100和其他终端之间有线或无线方式的通信。装置1100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1116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1116还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理终端(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、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1104,上述指令可由装置1100的处理器1120执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储终端等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开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,本公开的真正范围和精神由下面的权利要求指出。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。
Claims (11)
1.一种人脸姿态估计方法,其特征在于,所述方法包括:
获取待检测图片中人脸的多个关键点;
确定所述多个关键点各自对应的二维坐标和三维坐标;
根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;
所述根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵,包括:
确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标;
确定所述第二矩阵的增广矩阵;
根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵;
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵;
根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
2.如权利要求1所述的方法,其特征在于,所述获取待检测图片中人脸的多个关键点,包括:
通过人脸关键点检测算法对待检测图片进行人脸关键点检测,获取所述待检测图片中人脸的多个关键点。
3.如权利要求1所述的方法,其特征在于,所述利用最小二乘法计算得到弱透视投影矩阵,包括:
采用奇异值分解SVD算法或LU分解算法计算得到弱透视投影矩阵。
4.如权利要求1所述的方法,其特征在于,所述根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果,包括:
将所述弱透视投影矩阵按照第二计算公式进行矩阵分解后得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果;
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
5.如权利要求4所述的方法,其特征在于,所述根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果,还包括:
获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转;
按照所述预设旋转顺序,将对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值,确定为所述人脸的第二人脸姿态估计结果。
6.一种人脸姿态估计装置,其特征在于,所述装置包括:
获取模块,被配置为获取待检测图片中人脸的多个关键点;
第一确定模块,被配置为确定所述多个关键点各自对应的二维坐标和三维坐标;
第二确定模块,被配置为根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵;
所述第二确定模块包括:
第一确定子模块,被配置为确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标;
第二确定子模块,被配置为确定所述第二矩阵的增广矩阵;
计算子模块,被配置为根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵;
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵;
第三确定模块,被配置为根据所述弱透视投影矩阵,确定所述人脸的人脸姿态估计结果。
7.如权利要求6所述的装置,其特征在于,所述获取模块包括:
第一获取子模块,被配置为通过人脸关键点检测算法对待检测图片进行人脸关键点检测,获取所述待检测图片中人脸的多个关键点。
8.如权利要求6所述的装置,其特征在于,所述计算子模块包括:
计算单元,被配置为采用奇异值分解SVD算法或LU分解算法计算得到弱透视投影矩阵。
9.如权利要求6所述的装置,其特征在于,所述第三确定模块包括:
第三确定子模块,被配置为将所述弱透视投影矩阵按照第二计算公式进行矩阵分解得到的旋转矩阵确定为所述人脸的第一人脸姿态估计结果;
其中,所述第二计算公式如下:
A=S[R,t],其中A是所述弱透视投影矩阵,S是缩放矩阵,R是所述旋转矩阵,t是三维平移向量。
10.如权利要求9所述的装置,其特征在于,所述第三确定模块还包括:
第二获取子模块,被配置为获取对所述旋转矩阵的预设旋转顺序,所述预设旋转顺序依次为相对于第一轴、第二轴和第三轴进行旋转;
第四确定子模块,被配置为按照所述预设旋转顺序,将对所述旋转矩阵进行矩阵分解得到的分别相对于所述第一轴、所述第二轴和所述第三轴的旋转角度值,确定为所述人脸的第二人脸姿态估计结果。
11.一种人脸姿态估计装置,其特征在于,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:
获取待检测图片中人脸的多个关键点;
确定所述多个关键点各自对应的二维坐标和三维坐标;
根据所述二维坐标和所述三维坐标确定弱透视投影矩阵;
所述根据所述二维坐标和所述三维坐标,确定弱透视投影矩阵,包括:
确定第一矩阵和第二矩阵,其中所述第一矩阵中的值对应所述二维坐标,所述第二矩阵中的值对应所述三维坐标;
确定所述第二矩阵的增广矩阵;
根据所述第一矩阵、所述增广矩阵和弱透视投影矩阵之间的第一计算公式,利用最小二乘法计算得到所述弱透视投影矩阵;
其中,所述第一计算公式如下:
其中x是所述第一矩阵,是所述增广矩阵,A是所述弱透视投影矩阵;
根据所述弱透视投影矩阵确定所述人脸的人脸姿态估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510813273.2A CN105447462B (zh) | 2015-11-20 | 2015-11-20 | 人脸姿态估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510813273.2A CN105447462B (zh) | 2015-11-20 | 2015-11-20 | 人脸姿态估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447462A CN105447462A (zh) | 2016-03-30 |
CN105447462B true CN105447462B (zh) | 2018-11-20 |
Family
ID=55557622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510813273.2A Active CN105447462B (zh) | 2015-11-20 | 2015-11-20 | 人脸姿态估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447462B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295530A (zh) * | 2016-07-29 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106503684B (zh) * | 2016-10-28 | 2019-10-18 | 厦门中控智慧信息技术有限公司 | 一种人脸图像处理方法和装置 |
CN106503671B (zh) * | 2016-11-03 | 2019-07-12 | 厦门中控智慧信息技术有限公司 | 确定人脸姿态的方法和装置 |
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 |
CN109359526B (zh) * | 2018-09-11 | 2022-09-27 | 深圳大学 | 一种人脸姿态估计方法、装置和设备 |
CN109271923A (zh) * | 2018-09-14 | 2019-01-25 | 曜科智能科技(上海)有限公司 | 人脸姿态检测方法、系统、电子终端及存储介质 |
CN109697734B (zh) * | 2018-12-25 | 2021-03-09 | 浙江商汤科技开发有限公司 | 位姿估计方法及装置、电子设备和存储介质 |
CN109859857A (zh) * | 2019-01-30 | 2019-06-07 | 深圳安泰创新科技股份有限公司 | 身份信息的标注方法、装置和计算机可读存储介质 |
CN110163087B (zh) * | 2019-04-09 | 2022-03-25 | 江西高创保安服务技术有限公司 | 一种人脸姿态识别方法及系统 |
CN112070681B (zh) * | 2019-05-24 | 2024-02-13 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN110349152A (zh) * | 2019-07-16 | 2019-10-18 | 广州图普网络科技有限公司 | 人脸图像质量检测方法及装置 |
CN111862199B (zh) * | 2020-06-17 | 2024-01-09 | 北京百度网讯科技有限公司 | 定位方法、装置、电子设备和存储介质 |
CN112767486B (zh) * | 2021-01-27 | 2022-11-29 | 清华大学 | 基于深度卷积神经网络的单目6d姿态估计方法及装置 |
CN117011929A (zh) * | 2022-09-15 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 一种头部姿态估计方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751689A (zh) * | 2009-09-28 | 2010-06-23 | 中国科学院自动化研究所 | 一种三维人脸重建方法 |
CN102402691A (zh) * | 2010-09-08 | 2012-04-04 | 中国科学院自动化研究所 | 一种对人脸姿态和动作进行跟踪的方法 |
CN103745206A (zh) * | 2014-01-27 | 2014-04-23 | 中国科学院深圳先进技术研究院 | 一种人脸识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130129159A1 (en) * | 2011-11-22 | 2013-05-23 | Ronald Huijgens | Face recognition method and apparatus |
-
2015
- 2015-11-20 CN CN201510813273.2A patent/CN105447462B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751689A (zh) * | 2009-09-28 | 2010-06-23 | 中国科学院自动化研究所 | 一种三维人脸重建方法 |
CN102402691A (zh) * | 2010-09-08 | 2012-04-04 | 中国科学院自动化研究所 | 一种对人脸姿态和动作进行跟踪的方法 |
CN103745206A (zh) * | 2014-01-27 | 2014-04-23 | 中国科学院深圳先进技术研究院 | 一种人脸识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
一种新的人脸姿态估计算法;陈晓钢等;《数据采集与处理》;20090715;第24卷(第4期);第543-548页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105447462A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447462B (zh) | 人脸姿态估计方法及装置 | |
CN105550637B (zh) | 轮廓点定位方法及装置 | |
US11393154B2 (en) | Hair rendering method, device, electronic apparatus, and storage medium | |
US11517099B2 (en) | Method for processing images, electronic device, and storage medium | |
CN103970500B (zh) | 一种图片显示的方法及装置 | |
CN104125396B (zh) | 图像拍摄方法和装置 | |
CN108510987A (zh) | 语音处理方法及装置 | |
CN109977775B (zh) | 关键点检测方法、装置、设备及可读存储介质 | |
CN108537845A (zh) | 位姿确定方法、装置及存储介质 | |
CN105279499B (zh) | 年龄识别方法及装置 | |
CN112907725B (zh) | 图像生成、图像处理模型的训练、图像处理方法和装置 | |
CN105426878B (zh) | 人脸聚类方法及装置 | |
CN105117111B (zh) | 虚拟现实交互画面的渲染方法和装置 | |
CN110853095B (zh) | 相机定位方法、装置、电子设备及存储介质 | |
WO2021073293A1 (zh) | 动画文件的生成方法、装置及存储介质 | |
CN106295530A (zh) | 人脸识别方法及装置 | |
CN109558837A (zh) | 人脸关键点检测方法、装置及存储介质 | |
CN109840939A (zh) | 三维重建方法、装置、电子设备及存储介质 | |
CN109672830A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN107958223A (zh) | 人脸识别方法及装置、移动设备、计算机可读存储介质 | |
CN110782532B (zh) | 图像生成方法、生成装置、电子设备及存储介质 | |
CN109688461A (zh) | 视频播放方法及装置 | |
CN107092359A (zh) | 虚拟现实视角重定位方法、装置及终端 | |
CN108491177A (zh) | 空间评估方法及装置 | |
CN106412810B (zh) | 数据传输方法及装置 |
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 |