CN105528584B - 一种正脸图像的检测方法和装置 - Google Patents
一种正脸图像的检测方法和装置 Download PDFInfo
- Publication number
- CN105528584B CN105528584B CN201510987998.3A CN201510987998A CN105528584B CN 105528584 B CN105528584 B CN 105528584B CN 201510987998 A CN201510987998 A CN 201510987998A CN 105528584 B CN105528584 B CN 105528584B
- Authority
- CN
- China
- Prior art keywords
- region
- weak texture
- face image
- feature points
- pixel point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 71
- 239000013598 vector Substances 0.000 claims description 112
- 238000012545 processing Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 68
- 238000009795 derivation Methods 0.000 claims description 55
- 238000012706 support-vector machine Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 29
- 239000000203 mixture Substances 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 abstract 5
- 238000001914 filtration Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种正脸图像的检测方法和装置,该方法包括:获得待检测的人脸图像;利用所述人脸图像的对称轴将所述人脸图像划分为第一区域和第二区域;根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点;利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像。通过本发明的技术方案,提供一种有效的从人脸图像中筛选出正脸图像的方式,能够自动筛选出正脸图像,有效提高人脸识别算法的精度、提高人脸识别的准确率。
Description
技术领域
本发明涉及图像技术领域,尤其涉及一种正脸图像的检测方法和装置。
背景技术
随着信息技术的快速发展,信息安全变的越来越重要,传统的依靠证件号码进行身份识别的技术,已经不能满足人们的需求。人脸识别技术通过提取人脸的特征,然后根据这些人脸特征进行身份识别和验证,具有安全性、方便性、不易被盗性,从而得到广泛的应用,特别是在单位考勤、出入口检查、刑事侦破、信息安全等领域,人脸识别技术具有广泛的应用前景。
在视频监控系统中,图像处理设备在获得人脸图像(如视频图像)之后,可以从人脸图像中提取出人脸特征,并可以利用这些人脸特征来进行身份识别和验证。在进行身份识别和验证的过程中,通常需要使用正脸图像的特征。
在实际使用时,人脸图像中包含的人脸可能存在倾斜或者偏转等问题,如果使用这样的人脸图像进行身份识别和验证,对识别率会产生较大的影响,从而影响图像处理设备的识别性能。为了提高人脸识别的准确率,则需要从人脸图像中筛选出正脸图像,并利用正脸图像进行身份识别和验证。
目前,并没有有效的从人脸图像中筛选出正脸图像的方式。
发明内容
本发明提供一种正脸图像的检测方法,所述方法包括以下步骤:
获得待检测的人脸图像;
利用所述人脸图像的对称轴将所述人脸图像划分为第一区域和第二区域;
根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点;
利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像。
所述根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点的过程,具体包括:针对所述第一区域中的每个第一像素点,以所述第一像素点为中心,以预设大小R为半径,得到所述第一像素点对应的第一圆,并利用直径镜像将所述第一圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第一像素点具有弱纹理区域的自相似性,并确定所述第一像素点为弱纹理特征点;
所述根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点的过程,具体包括:针对所述第二区域中的每个第二像素点,以所述第二像素点为中心,以预设大小R为半径,得到所述第二像素点对应的第二圆,并利用直径镜像将所述第二圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第二像素点具有弱纹理区域的自相似性,并确定所述第二像素点为弱纹理特征点。
针对所述第一像素点和所述第二像素点,所述计算所述两个区域的相关对称性的过程,具体包括:利用如下公式计算所述两个区域的相关对称性:
其中,P表示所述两个区域中的一个区域,Q表示所述两个区域中的另一个区域,F(P)表示P区域的特征提取算子,F(Q)表示Q区域的特征提取算子,表示P区域的特征平均值,表示Q区域的特征平均值。
利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像的过程,具体包括:
生成所述M个弱纹理特征点对应的第一高斯混合模型GMM模型,并对所述第一GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第一GMM模型所对应的第一特征向量;
生成所述N个弱纹理特征点对应的第二GMM模型,并对所述第二GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第二GMM模型所对应的第二特征向量;
利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像。
所述利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像的过程,具体包括:利用支持向量机SVM分类器对所述第一特征向量和所述第二特征向量进行分类,并利用分类结果确定所述人脸图像是正脸图像或者不是正脸图像;其中,所述SVM分类器的训练过程,具体包括:
获得已知是正脸图像的多个训练图像和已知不是正脸图像的多个训练图像;
针对每个训练图像,利用所述训练图像的对称轴将所述训练图像划分为第三区域和第四区域;根据弱纹理区域的自相似性,从所述第三区域提取出L个弱纹理特征点;根据弱纹理区域的自相似性,从所述第四区域提取出K个弱纹理特征点;生成所述L个弱纹理特征点对应的第三GMM模型,并对第三GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第三GMM模型所对应的第三特征向量;生成所述K个弱纹理特征点对应的第四GMM模型,并对第四GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第四GMM模型所对应的第四特征向量;
利用所有训练图像的第三特征向量和第四特征向量训练所述SVM分类器。
本发明提供一种正脸图像的检测装置,所述装置具体包括:
获得模块,用于获得待检测的人脸图像;
划分模块,用于利用人脸图像的对称轴将人脸图像划分为第一区域和第二区域;
提取模块,用于根据弱纹理区域的自相似性,从第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从第二区域提取出N个弱纹理特征点;
检测模块,用于利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像。
所述提取模块,具体用于在根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点的过程中,针对所述第一区域中的每个第一像素点,以所述第一像素点为中心,以预设大小R为半径,得到所述第一像素点对应的第一圆,并利用直径镜像将所述第一圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第一像素点具有弱纹理区域的自相似性,并确定所述第一像素点为弱纹理特征点;在根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点的过程中,针对所述第二区域中的每个第二像素点,以所述第二像素点为中心,以预设大小R为半径,得到所述第二像素点对应的第二圆,并利用直径镜像将所述第二圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第二像素点具有弱纹理区域的自相似性,并确定所述第二像素点为弱纹理特征点。
针对第一像素点和第二像素点,所述提取模块,具体用于在计算所述两个区域的相关对称性的过程,利用如下公式计算所述两个区域的相关对称性:
其中,P表示所述两个区域中的一个区域,Q表示所述两个区域中的另一个区域,F(P)表示P区域的特征提取算子,F(Q)表示Q区域的特征提取算子,表示P区域的特征平均值,表示Q区域的特征平均值。
所述检测模块,具体用于在利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像的过程中,生成所述M个弱纹理特征点对应的第一高斯混合模型GMM模型,并对所述第一GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第一GMM模型所对应的第一特征向量;以及,生成所述N个弱纹理特征点对应的第二GMM模型,并对所述第二GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第二GMM模型所对应的第二特征向量;
利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像。
所述检测模块,具体用于在利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像的过程中,利用支持向量机SVM分类器对所述第一特征向量和所述第二特征向量进行分类,并利用分类结果确定所述人脸图像是正脸图像或者不是正脸图像;其中,所述SVM分类器的训练过程,具体包括:
获得已知是正脸图像的多个训练图像和已知不是正脸图像的多个训练图像;
针对每个训练图像,利用所述训练图像的对称轴将所述训练图像划分为第三区域和第四区域;根据弱纹理区域的自相似性,从所述第三区域提取出L个弱纹理特征点;根据弱纹理区域的自相似性,从所述第四区域提取出K个弱纹理特征点;生成所述L个弱纹理特征点对应的第三GMM模型,并对第三GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第三GMM模型所对应的第三特征向量;生成所述K个弱纹理特征点对应的第四GMM模型,并对第四GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第四GMM模型所对应的第四特征向量;
利用所有训练图像的第三特征向量和第四特征向量训练所述SVM分类器。
基于上述技术方案,本发明实施例中,可以基于弱纹理区域的自相似性,从人脸图像的对称轴两侧的第一区域和第二区域中提取弱纹理特征点,利用第一区域的弱纹理特征点和第二区域的弱纹理特征点检测人脸图像是否为正脸图像,从而提供一种有效的从人脸图像中筛选出正脸图像的方式,能够自动筛选出正脸图像,有效提高人脸识别算法的精度、提高人脸识别的准确率。
附图说明
图1是本发明一种实施方式中的正脸图像的检测方法的流程图;
图2是本发明一种实施方式中的直径镜像的示意图;
图3是本发明一种实施方式中的图像处理设备的硬件结构图;
图4是本发明一种实施方式中的正脸图像的检测装置的结构图。
具体实施方式
在本申请使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和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它含义。还应当理解,本文中使用的术语“和/或”是指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,尽管在本申请可能采用术语第一、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,在不脱离本申请范围的情况下,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,此外,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”。
针对现有技术中存在的问题,本发明实施例中提出一种正脸图像的检测方法,该方法可以应用在视频监控系统的图像处理设备上,该图像处理设备用于从人脸图像(如视频图像)中提取出人脸的特征,并利用这些人脸特征来进行身份识别和验证。其中,图像处理设备可以是采集到人脸图像的前端设备(如模拟摄像机、网络摄像机、编码器等),也可以是从前端设备获得人脸图像的其它设备(如管理服务器、计算机等),所有用于进行身份识别和验证的设备均在保护范围之内。而且,本发明用于从人脸图像中筛选出正脸图像,正脸图像是指人脸左右对称、含有尽可能少的仰视与俯视的人脸图像。在上述应用场景下,如图1所示,该特征的选择方法包括以下步骤:
步骤101,获得待检测的人脸图像,后续直接将其简称为人脸图像。
其中,可以获得多个人脸图像,并从这多个人脸图像中筛选出正脸图像,每个人脸图像的处理相同,后续以一个人脸图像的处理为例进行说明。
其中,为了减小噪声对人脸图像的干扰,可以对人脸图像进行高斯平滑,并利用高斯平滑后的人脸图像进行后续处理,该高斯平滑过程不再赘述。
步骤102,利用人脸图像的对称轴将人脸图像划分为第一区域和第二区域。其中,人脸图像的对称轴具体可以包括人脸图像的垂直中心线。
本发明实施例中,人脸图像的第一区域是人脸图像的左半部分,人脸图像的第二区域是人脸图像的右半部分。第一区域和第二区域是对称的两个区域,分别位于人脸图像的左右两侧,第一区域的大小与第二区域的大小相同。
步骤103,根据弱纹理区域的自相似性,从第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从第二区域提取出N个弱纹理特征点。
在具体实现过程中,M的取值与N的取值可以相同,也可以不同。
本发明实施例中,是采用人脸区域的对称性来确定人脸图像是否为正脸图像。为了分析出人脸区域的对称性,需要从人脸区域中提取出足够多的特征点。由于人脸区域包含了大量的弱纹理区域,而目前的特征点提取算法都是基于图像的梯度分布设计的,因此,在图像中纹理较弱的区域提取不到特征点,无法从人脸区域中提取出足够多的特征点。基于此,本发明实施例中,通过对弱纹理区域进行研究分析发现,弱纹理区域具有较强的自相似性,基于弱纹理区域的这一性质,可以根据弱纹理区域的自相似性,从第一区域提取出M个弱纹理特征点,并根据弱纹理区域的自相似性,从第二区域提取出N个弱纹理特征点。在本发明实施例中,将特征点称为弱纹理特征点。
本发明实施例中,根据弱纹理区域的自相似性,从第一区域提取出M个弱纹理特征点的过程,具体可以包括但不限于如下方式:针对第一区域中的每个第一像素点,以第一像素点为中心,以预设大小R为半径,得到第一像素点对应的第一圆,并利用直径镜像将第一圆对称的分成两个区域,并计算两个区域的相关对称性;如果相关对称性大于预设阈值T,则确定第一像素点具有弱纹理区域的自相似性,并确定第一像素点为弱纹理特征点。
本发明实施例中,根据弱纹理区域的自相似性,从第二区域提取出N个弱纹理特征点的过程,具体可以包括但不限于如下方式:针对第二区域中的每个第二像素点,以第二像素点为中心,以预设大小R为半径,得到第二像素点对应的第二圆,并利用直径镜像将第二圆对称的分成两个区域,并计算两个区域的相关对称性;如果相关对称性大于预设阈值T,则确定第二像素点具有弱纹理区域的自相似性,并确定第二像素点为弱纹理特征点。
本发明实施例中,针对第一像素点和第二像素点,计算两个区域的相关对称性的过程,具体包括:利用如下公式计算两个区域的相关对称性:
其中,P表示这两个区域中的一个区域,Q表示这两个区域中的另一个区域,F(P)表示该P区域的特征提取算子,F(Q)表示该Q区域的特征提取算子,表示该P区域的特征平均值,表示该Q区域的特征平均值。
上述第一区域和第二区域中所有像素点的处理过程相同,为了方便描述,以一个像素点的处理为例,该像素点可能是位于第一区域的像素点,也可能是位于第二区域的像素点。首先,根据实际需要配置预设大小R的取值和预设阈值T的取值。之后,针对该像素点,以该像素点为中心,以预设大小R为半径,得到一个圆,并利用直径镜像将这个圆对称的分成两个区域。
如图2所示,为直径镜像(mirror line)的示意图,该直径镜像可以是指能够将圆等分为两个区域的直线,这两个区域的大小相同,即使用直径镜像可以将圆对称的分成两个区域,在图2中给出了几条直径镜像的示例。
如图2所示,P表示这两个区域中的一个区域(如区域P),Q表示这两个区域中的另一个区域(如区域Q),利用上述公式,可以计算出区域P和区域Q之间的相关对称性。在上述公式中,F(P)表区域P的特征提取算子,如区域P的灰度最大值,F(Q)表区域Q的特征提取算子,如区域Q的灰度最大值。此外,表示区域P的特征平均值,如区域P的所有特征点的灰度最大值的平均值,表示区域Q的特征平均值,如区域Q的所有特征点的灰度最大值的平均值。此外,针对区域P,则的目的是,去除亮度对匹配的影响。针对区域Q,的目的是,去除亮度对匹配的影响。
在计算出区域P和区域Q之间的相关对称性之后,基于预设阈值T,如果相关对称性不大于该预设阈值T,则不将该像素点确定为弱纹理特征点。如果相关对称性大于该预设阈值T,则将该像素点确定为弱纹理特征点。
以此类推,在针对每个像素点均进行上述处理之后,则可以确定出第一区域中的M个弱纹理特征点以及第二区域中的N个弱纹理特征点。
在实际应用中,可以使用一条直径镜像将圆分成一个区域P和一个区域Q,通过设置一个预设阈值T,如果相关对称性大于预设阈值T,则将像素点确定为弱纹理特征点。或者,也可以使用多条直径镜像将圆分成多个区域P和多个区域Q,可以针对每对区域P和区域Q设置预设阈值T,如果每对区域P和区域Q的相关对称性均大于预设阈值T,则将像素点确定为弱纹理特征点;也可以针对所有区域P和区域Q设置预设阈值T,如果所有区域P和区域Q的相关对称性的和大于预设阈值T,则将像素点确定为弱纹理特征点。
步骤104,利用第一区域的M个弱纹理特征点以及第二区域的N个弱纹理特征点,检测人脸图像(即步骤101中获得的人脸图像)是否为正脸图像。
在实际应用中,基于正脸图像中的特征点具有较强的左右对称性的性质,可以直接比较第一区域的M个弱纹理特征点的特征值与N个弱纹理特征点的特征值之间的对称性,当二者的对称性大于预设对称性阈值时,则可以认为人脸图像是正脸图像;否则,可以认为人脸图像不是正脸图像。
在一种可行的实施方式中,基于第一区域的M个弱纹理特征点以及第二区域的N个弱纹理特征点,还可以使用Fisher Vector(费舍尔矢量)检测人脸图像是否为正脸图像。Fisher Vector方式是一种基于混合高斯模型的特征提取方式,通过对图像采用多个高斯核去模拟局部特征的分布,可以有效的融合局部特征,并对图像的变化具有较强的可靠性,是一种有效特征编码方式。
基于Fisher Vector方式,在本发明实施例中,利用第一区域的M个弱纹理特征点以及第二区域的N个弱纹理特征点,检测人脸图像是否为正脸图像的过程,具体可以包括但不限于如下方式:生成M个弱纹理特征点对应的第一GMM(Gaussian Mixture Model,高斯混合模型)模型,并对该第一GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差;对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造该第一GMM模型所对应的第一特征向量。生成N个弱纹理特征点对应的第二GMM模型,并对该第二GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差;对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造该第二GMM模型所对应的第二特征向量。进一步的,利用第一特征向量和第二特征向量检测人脸图像是否为正脸图像。
其中,针对生成M个弱纹理特征点对应的第一GMM模型、以及生成N个弱纹理特征点对应的第二GMM模型的过程,在此不再详加赘述。
其中,针对对第一GMM模型对应的每个高斯核进行参数拟合,以得到每个高斯核对应的中心与协方差的过程,具体可以包括但不限于如下方式:采用EM(ExpectationMaximization,最大期望)算法对第一GMM模型对应的每个高斯核进行参数拟合(即对每个高斯核的第一GMM模型进行参数拟合),得到每个高斯核对应的中心与协方差,该过程不再详加赘述。针对对第二GMM模型对应的每个高斯核进行参数拟合,以得到每个高斯核对应的中心与协方差的过程,具体可以包括但不限于如下方式:采用EM算法对第二GMM模型对应的每个高斯核进行参数拟合(即对每个高斯核的第二GMM模型进行参数拟合),得到每个高斯核对应的中心与协方差,该过程不再详加赘述。
其中,针对第一GMM模型对应的每个高斯核对应的中心与协方差、第二GMM模型对应的每个高斯核对应的中心与协方差,则对每个高斯核对应的中心与协方差进行求导处理的过程,具体可以包括但不限于如下方式:分别利用如下求导公式,对每个高斯核对应的中心与协方差进行求导处理。
其中,分别为GMM模型的权重,中心及协方差矩阵。
其中,针对根据求导处理的结果构造第一GMM模型对应的第一特征向量的过程,具体包括但不限于如下方式:在对第一GMM模型对应的每个高斯核对应的中心与协方差进行求导处理时,可以得到一个2k*d维的特征向量,该2k*d维的特征向量为第一GMM模型对应的第一特征向量,k表示第一GMM模型的高斯核个数,d表示特征维数。针对根据求导处理的结果构造第二GMM模型对应的第二特征向量的过程,具体包括但不限于如下方式:在对第二GMM模型对应的每个高斯核对应的中心与协方差进行求导处理时,可以得到一个2k*d维的特征向量,该2k*d维的特征向量为第二GMM模型对应的第二特征向量,k表示第二GMM模型的高斯核个数,d表示特征维数。
本发明实施例中,第一GMM模型对应的第一特征向量以及第二GMM模型对应的第二特征向量,均可以是高维的Fisher Vector特征向量。
本发明实施例中,利用第一特征向量和第二特征向量检测人脸图像是否为正脸图像的过程,具体可以包括但不限于如下方式:直接比较第一特征向量与第二特征向量之间的对称性,当第一特征向量与第二特征向量之间的对称性大于预设对称性阈值时,则可以认为人脸图像是正脸图像;否则,可以认为人脸图像不是正脸图像。或者,利用SVM(SupportVector Machine,支持向量机)分类器对第一特征向量和第二特征向量进行分类,并利用分类结果确定人脸图像是正脸图像或者不是正脸图像,该SVM分类器是指线性SVM分类器。
其中,SVM分类器中存在已经训练好的特征向量分类结果,例如,针对已知是正脸图像的特征向量,SVM分类器对该特征向量进行分类时,得到的分类结果是正值,则说明正脸图像的特征向量的分类结果是正值。针对已知不是正脸图像的特征向量,SVM分类器对该特征向量进行分类时,得到的分类结果是负值,则说明不是正脸图像的特征向量的分类结果是负值。基于此,在利用SVM分类器对第一特征向量和第二特征向量进行分类时,如果分类结果为正值,则可以利用该分类结果确定当前的人脸图像是正脸图像,如果分类结果为负值,则可以利用该分类结果确定确定的人脸图像不是正脸图像。
在一种可行的实施方式中,SVM分类器的训练过程,具体可以包括:
步骤1、获得已知是正脸图像的多个训练图像以及已知不是正脸图像的多个训练图像,其中,这些训练图像是用于训练SVM分类器的人脸图像。
其中,为了减小噪声对训练图像的干扰,可以对训练图像进行高斯平滑,并利用高斯平滑后的训练图像进行后续处理,该高斯平滑过程不再赘述。
步骤2、针对每个训练图像,利用训练图像的对称轴将训练图像划分为第三区域和第四区域,训练图像的对称轴具体可以包括训练图像的垂直中心线。
本发明实施例中,训练图像的第三区域是训练图像的左半部分,训练图像的第四区域是训练图像的右半部分。第三区域和第四区域是对称的两个区域,分别位于训练图像的左右两侧,第三区域的大小与第四区域的大小相同。
步骤3、根据弱纹理区域的自相似性,从第三区域提取出L个弱纹理特征点;根据弱纹理区域的自相似性,从第四区域提取出K个弱纹理特征点。
在具体实现过程中,L的取值与K的取值可以相同,也可以不同。
本发明实施例中,根据弱纹理区域的自相似性,从第三区域提取出L个弱纹理特征点的过程,具体可以包括但不限于如下方式:针对第三区域中的每个第三像素点,以第三像素点为中心,以预设大小R为半径,得到第三像素点对应的第三圆,并利用直径镜像将第三圆对称的分成两个区域,并计算两个区域的相关对称性;如果相关对称性大于预设阈值T,则确定第三像素点具有弱纹理区域的自相似性,并确定第三像素点为弱纹理特征点。
本发明实施例中,根据弱纹理区域的自相似性,从第四区域提取出N个弱纹理特征点的过程,具体可以包括但不限于如下方式:针对第四区域中的每个第四像素点,以第四像素点为中心,以预设大小R为半径,得到第四像素点对应的第四圆,并利用直径镜像将第四圆对称的分成两个区域,并计算两个区域的相关对称性;如果相关对称性大于预设阈值T,则确定第四像素点具有弱纹理区域的自相似性,并确定第四像素点为弱纹理特征点。
本发明实施例中,针对第三像素点和第四像素点,计算两个区域的相关对称性的过程,具体包括:利用如下公式计算两个区域的相关对称性:
其中,P表示这两个区域中的一个区域,Q表示这两个区域中的另一个区域,F(P)表示该P区域的特征提取算子,F(Q)表示该Q区域的特征提取算子,表示该P区域的特征平均值,表示该Q区域的特征平均值。
其中,L个弱纹理特征点、K个弱纹理特征点的提取过程,与上述M个弱纹理特征点、N个弱纹理特征点的提取过程类似,在此不再重复赘述。
步骤4、生成L个弱纹理特征点对应的第三GMM模型,并对第三GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第三GMM模型所对应的第三特征向量。生成K个弱纹理特征点对应的第四GMM模型,并对第四GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第四GMM模型所对应的第四特征向量。
其中,针对第三特征向量、以及第四特征向量的构造过程,与上述的第一特征向量、第二特征向量的构造过程类似,在此不再重复赘述。
步骤5、利用所有训练图像的第三特征向量和第四特征向量训练SVM分类器。
由于已经获知训练图像是正脸图像还是非正脸图像,因此,利用所有正脸图像的训练图像的第三特征向量和第四特征向量训练SVM分类器,得到正脸图像的分类结果,例如,SVM分类器对所有正脸图像的训练图像的第三特征向量和第四特征向量进行分类时,得到的分类结果是正值,此时说明正脸图像的特征向量的分类结果是正值。而且,利用所有非正脸图像的训练图像的第三特征向量和第四特征向量训练SVM分类器,得到非正脸图像的分类结果,例如,SVM分类器对所有非正脸图像的训练图像的第三特征向量和第四特征向量进行分类时,得到的分类结果是负值,此时说明非正脸图像的特征向量的分类结果是负值。
基于上述过程,可以在SVM分类器中训练出正脸图像的分类结果和非正脸图像的分类结果。基于此,在利用SVM分类器对第一特征向量和第二特征向量进行分类时,如果分类结果为正值,则可以确定当前的人脸图像是正脸图像,如果分类结果为负值,则可以确定确定的人脸图像不是正脸图像。
在SVM分类器的训练过程中,还可以对所有的训练图像进行筛选,只将人脸的偏转角度小于15度的训练图像作为正脸图像。
基于上述技术方案,本发明实施例中,可以基于弱纹理区域的自相似性,从人脸图像的对称轴两侧的第一区域和第二区域中提取弱纹理特征点,利用第一区域的弱纹理特征点和第二区域的弱纹理特征点检测人脸图像是否为正脸图像,从而提供一种有效的从人脸图像中筛选出正脸图像的方式,能够自动筛选出正脸图像,有效提高人脸识别算法的精度、提高人脸识别的准确率。
基于与上述方法同样的发明构思,本发明实施例中还提供了一种正脸图像的检测装置,该正脸图像的检测装置可以应用在图像处理设备上。其中,该正脸图像的检测装置可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在的图像处理设备的处理器,读取非易失性存储器中对应的计算机程序指令形成的。从硬件层面而言,如图3所示,为本发明提出的正脸图像的检测装置所在的图像处理设备的一种硬件结构图,除了图3所示的处理器、非易失性存储器外,图像处理设备还可以包括其他硬件,如负责处理报文的转发芯片、网络接口、内存等;从硬件结构上来讲,该图像处理设备还可能是分布式设备,可能包括多个接口卡,以便在硬件层面进行报文处理的扩展。
如图4所示,为本发明提出的正脸图像的检测装置的结构图,所述正脸图像的检测装置具体包括:
获得模块11,用于获得待检测的人脸图像;划分模块12,用于利用人脸图像的对称轴将人脸图像划分为第一区域和第二区域;提取模块13,用于根据弱纹理区域的自相似性,从第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从第二区域提取出N个弱纹理特征点;检测模块14,用于利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像。
所述提取模块13,具体用于在根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点的过程中,针对所述第一区域中的每个第一像素点,以所述第一像素点为中心,以预设大小R为半径,得到所述第一像素点对应的第一圆,并利用直径镜像将所述第一圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第一像素点具有弱纹理区域的自相似性,并确定所述第一像素点为弱纹理特征点;在根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点的过程中,针对所述第二区域中的每个第二像素点,以所述第二像素点为中心,以预设大小R为半径,得到所述第二像素点对应的第二圆,并利用直径镜像将所述第二圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第二像素点具有弱纹理区域的自相似性,并确定所述第二像素点为弱纹理特征点。
针对第一像素点和第二像素点,所述提取模块13,具体用于在计算两个区域的相关对称性的过程,利用如下公式计算所述两个区域的相关对称性:
其中,P表示所述两个区域中的一个区域,Q表示所述两个区域中的另一个区域,F(P)表示P区域的特征提取算子,F(Q)表示Q区域的特征提取算子,表示P区域的特征平均值,表示Q区域的特征平均值。
所述检测模块14,具体用于在利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像的过程中,生成所述M个弱纹理特征点对应的第一高斯混合模型GMM模型,并对所述第一GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第一GMM模型所对应的第一特征向量;以及,生成所述N个弱纹理特征点对应的第二GMM模型,并对所述第二GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第二GMM模型所对应的第二特征向量;利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像。
本发明实施例中,所述检测模块14,具体用于在利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像的过程中,利用支持向量机SVM分类器对所述第一特征向量和所述第二特征向量进行分类,并利用分类结果确定所述人脸图像是正脸图像或者不是正脸图像;
其中,所述SVM分类器的训练过程,具体包括:获得已知是正脸图像的多个训练图像和已知不是正脸图像的多个训练图像;针对每个训练图像,利用所述训练图像的对称轴将所述训练图像划分为第三区域和第四区域;根据弱纹理区域的自相似性,从所述第三区域提取出L个弱纹理特征点;根据弱纹理区域的自相似性,从所述第四区域提取出K个弱纹理特征点;生成所述L个弱纹理特征点对应的第三GMM模型,并对第三GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第三GMM模型所对应的第三特征向量;生成所述K个弱纹理特征点对应的第四GMM模型,并对第四GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第四GMM模型所对应的第四特征向量;利用所有训练图像的第三特征向量和第四特征向量训练所述SVM分类器。
其中,本发明装置的各个模块可以集成于一体,也可以分离部署。上述模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可进一步拆分成多个子模块。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (8)
1.一种正脸图像的检测方法,其特征在于,所述方法包括以下步骤:
获得待检测的人脸图像;
利用所述人脸图像的对称轴将所述人脸图像划分为第一区域和第二区域;
根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点;
利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像;
利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像的过程,具体包括:
生成所述M个弱纹理特征点对应的第一高斯混合模型GMM模型,并对所述第一GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第一GMM模型所对应的第一特征向量;
生成所述N个弱纹理特征点对应的第二GMM模型,并对所述第二GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第二GMM模型所对应的第二特征向量;
利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像。
2.根据权利要求1所述的方法,其特征在于,
所述根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点的过程,具体包括:针对所述第一区域中的每个第一像素点,以所述第一像素点为中心,以预设大小R为半径,得到所述第一像素点对应的第一圆,并利用直径镜像将所述第一圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第一像素点具有弱纹理区域的自相似性,并确定所述第一像素点为弱纹理特征点;
所述根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点的过程,具体包括:针对所述第二区域中的每个第二像素点,以所述第二像素点为中心,以预设大小R为半径,得到所述第二像素点对应的第二圆,并利用直径镜像将所述第二圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第二像素点具有弱纹理区域的自相似性,并确定所述第二像素点为弱纹理特征点。
3.根据权利要求2所述的方法,其特征在于,针对所述第一像素点和所述第二像素点,所述计算所述两个区域的相关对称性的过程,具体包括:
利用如下公式计算所述两个区域的相关对称性:
其中,P表示所述两个区域中的一个区域,Q表示所述两个区域中的另一个区域,F(P)表示P区域的特征提取算子,F(Q)表示Q区域的特征提取算子,表示P区域的特征平均值,表示Q区域的特征平均值。
4.根据权利要求1所述的方法,其特征在于,所述利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像的过程,具体包括:
利用支持向量机SVM分类器对所述第一特征向量和所述第二特征向量进行分类,并利用分类结果确定所述人脸图像是正脸图像或者不是正脸图像;
其中,所述SVM分类器的训练过程,具体包括:
获得已知是正脸图像的多个训练图像和已知不是正脸图像的多个训练图像;
针对每个训练图像,利用所述训练图像的对称轴将所述训练图像划分为第三区域和第四区域;根据弱纹理区域的自相似性,从所述第三区域提取出L个弱纹理特征点;根据弱纹理区域的自相似性,从所述第四区域提取出K个弱纹理特征点;生成所述L个弱纹理特征点对应的第三GMM模型,并对第三GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第三GMM模型所对应的第三特征向量;生成所述K个弱纹理特征点对应的第四GMM模型,并对第四GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第四GMM模型所对应的第四特征向量;
利用所有训练图像的第三特征向量和第四特征向量训练所述SVM分类器。
5.一种正脸图像的检测装置,其特征在于,所述装置具体包括:
获得模块,用于获得待检测的人脸图像;
划分模块,用于利用人脸图像的对称轴将人脸图像划分为第一区域和第二区域;
提取模块,用于根据弱纹理区域的自相似性,从第一区域提取出M个弱纹理特征点;根据弱纹理区域的自相似性,从第二区域提取出N个弱纹理特征点;
检测模块,用于利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像;
所述检测模块,具体用于在利用所述第一区域的所述M个弱纹理特征点以及所述第二区域的所述N个弱纹理特征点,检测所述人脸图像是否为正脸图像的过程中,生成所述M个弱纹理特征点对应的第一高斯混合模型GMM模型,并对所述第一GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第一GMM模型所对应的第一特征向量;以及,生成所述N个弱纹理特征点对应的第二GMM模型,并对所述第二GMM模型对应的每个高斯核进行参数拟合,得到所述每个高斯核对应的中心与协方差;对所述每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造所述第二GMM模型所对应的第二特征向量;
利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像。
6.根据权利要求5所述的装置,其特征在于,
所述提取模块,具体用于在根据弱纹理区域的自相似性,从所述第一区域提取出M个弱纹理特征点的过程中,针对所述第一区域中的每个第一像素点,以所述第一像素点为中心,以预设大小R为半径,得到所述第一像素点对应的第一圆,并利用直径镜像将所述第一圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第一像素点具有弱纹理区域的自相似性,并确定所述第一像素点为弱纹理特征点;在根据弱纹理区域的自相似性,从所述第二区域提取出N个弱纹理特征点的过程中,针对所述第二区域中的每个第二像素点,以所述第二像素点为中心,以预设大小R为半径,得到所述第二像素点对应的第二圆,并利用直径镜像将所述第二圆对称的分成两个区域,并计算所述两个区域的相关对称性;如果所述相关对称性大于预设阈值T,则确定所述第二像素点具有弱纹理区域的自相似性,并确定所述第二像素点为弱纹理特征点。
7.根据权利要求5所述的装置,其特征在于,
针对第一像素点和第二像素点,所述提取模块,具体用于在计算所述两个区域的相关对称性的过程,利用如下公式计算所述两个区域的相关对称性:
其中,P表示所述两个区域中的一个区域,Q表示所述两个区域中的另一个区域,F(P)表示P区域的特征提取算子,F(Q)表示Q区域的特征提取算子,表示P区域的特征平均值,表示Q区域的特征平均值。
8.根据权利要求5所述的装置,其特征在于,
所述检测模块,具体用于在利用第一特征向量和第二特征向量检测所述人脸图像是否为正脸图像的过程中,利用支持向量机SVM分类器对所述第一特征向量和所述第二特征向量进行分类,并利用分类结果确定所述人脸图像是正脸图像或者不是正脸图像;其中,所述SVM分类器的训练过程,具体包括:
获得已知是正脸图像的多个训练图像和已知不是正脸图像的多个训练图像;
针对每个训练图像,利用所述训练图像的对称轴将所述训练图像划分为第三区域和第四区域;根据弱纹理区域的自相似性,从所述第三区域提取出L个弱纹理特征点;根据弱纹理区域的自相似性,从所述第四区域提取出K个弱纹理特征点;生成所述L个弱纹理特征点对应的第三GMM模型,并对第三GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第三GMM模型所对应的第三特征向量;生成所述K个弱纹理特征点对应的第四GMM模型,并对第四GMM模型对应的每个高斯核进行参数拟合,得到每个高斯核对应的中心与协方差,对每个高斯核对应的中心与协方差进行求导处理,并根据求导处理的结果构造第四GMM模型所对应的第四特征向量;
利用所有训练图像的第三特征向量和第四特征向量训练所述SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510987998.3A CN105528584B (zh) | 2015-12-23 | 2015-12-23 | 一种正脸图像的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510987998.3A CN105528584B (zh) | 2015-12-23 | 2015-12-23 | 一种正脸图像的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528584A CN105528584A (zh) | 2016-04-27 |
CN105528584B true CN105528584B (zh) | 2019-04-12 |
Family
ID=55770798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510987998.3A Active CN105528584B (zh) | 2015-12-23 | 2015-12-23 | 一种正脸图像的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528584B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022272B (zh) * | 2016-05-23 | 2019-10-15 | 北京小米移动软件有限公司 | 一种判定正脸图像的方法和装置 |
CN107194939A (zh) * | 2017-05-08 | 2017-09-22 | 武汉科技大学 | 一种基于改进的边缘聚焦的边缘检测方法及系统 |
CN107679506A (zh) * | 2017-10-12 | 2018-02-09 | Tcl通力电子(惠州)有限公司 | 智能产品的唤醒方法、智能产品及计算机可读存储介质 |
CN108197547B (zh) * | 2017-12-26 | 2019-12-17 | 深圳云天励飞技术有限公司 | 人脸姿态估计方法、装置、终端及存储介质 |
CN109711268B (zh) * | 2018-12-03 | 2022-02-18 | 浙江大华技术股份有限公司 | 一种人脸图像筛选方法及设备 |
CN109685018A (zh) * | 2018-12-26 | 2019-04-26 | 深圳市捷顺科技实业股份有限公司 | 一种人证校验方法、系统及相关设备 |
CN110096958B (zh) * | 2019-03-27 | 2023-05-12 | 深圳数联天下智能科技有限公司 | 一种识别正脸图像的方法、装置及计算设备 |
CN114677743A (zh) * | 2022-04-08 | 2022-06-28 | 湖南四方天箭信息科技有限公司 | 人脸摆正方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663351A (zh) * | 2012-03-16 | 2012-09-12 | 江南大学 | 基于条件外观模型的人脸特征点自动标定方法 |
CN103870843A (zh) * | 2014-03-21 | 2014-06-18 | 杭州电子科技大学 | 基于多特征点集活动形状模型的头部姿态估计方法 |
CN103870811A (zh) * | 2014-03-06 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种用于视频监控的正面人脸快速判别方法 |
CN104899563A (zh) * | 2015-05-29 | 2015-09-09 | 深圳大学 | 一种二维人脸关键特征点定位方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8971592B2 (en) * | 2013-05-09 | 2015-03-03 | Universidad De Chile | Method for determining eye location on a frontal face digital image to validate the frontal face and determine points of reference |
KR20150065445A (ko) * | 2013-12-05 | 2015-06-15 | 한국전자통신연구원 | 얼굴 포즈를 이용한 정면 얼굴 검출 장치 및 방법 |
-
2015
- 2015-12-23 CN CN201510987998.3A patent/CN105528584B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663351A (zh) * | 2012-03-16 | 2012-09-12 | 江南大学 | 基于条件外观模型的人脸特征点自动标定方法 |
CN103870811A (zh) * | 2014-03-06 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种用于视频监控的正面人脸快速判别方法 |
CN103870843A (zh) * | 2014-03-21 | 2014-06-18 | 杭州电子科技大学 | 基于多特征点集活动形状模型的头部姿态估计方法 |
CN104899563A (zh) * | 2015-05-29 | 2015-09-09 | 深圳大学 | 一种二维人脸关键特征点定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
Self-Similarity and Points of Interest;Jasna Maver;《IEEE Transactions on Software Engineering》;20100731;第1-16页 |
基于宽基线的弱纹理特征点提取与描述方法研究;毛敏;《中国博士学位论文全文数据库 信息科技辑》;20151115;第16页,第25-27页,第34-41页 |
Also Published As
Publication number | Publication date |
---|---|
CN105528584A (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528584B (zh) | 一种正脸图像的检测方法和装置 | |
CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
CN107423690B (zh) | 一种人脸识别方法及装置 | |
CN108664880B (zh) | 活性测试方法和设备 | |
CN106557726B (zh) | 一种带静默式活体检测的人脸身份认证系统及其方法 | |
US10438059B2 (en) | Image recognition method, image recognition apparatus, and recording medium | |
CN104933414B (zh) | 一种基于wld-top的活体人脸检测方法 | |
CN105095905B (zh) | 目标识别方法和目标识别装置 | |
US7873189B2 (en) | Face recognition by dividing an image and evaluating a similarity vector with a support vector machine | |
CN101510257B (zh) | 一种人脸相似度匹配方法及装置 | |
CN102375970B (zh) | 一种基于人脸的身份认证方法和认证装置 | |
CN101344922B (zh) | 一种人脸检测方法及其装置 | |
US20180034852A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
Raposo et al. | UBEAR: A dataset of ear images captured on-the-move in uncontrolled conditions | |
CN109858375B (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
Lakshminarayana et al. | A discriminative spatio-temporal mapping of face for liveness detection | |
JP2008146539A (ja) | 顔認証装置 | |
JP2000003452A (ja) | デジタル画像における顔面の検出方法、顔面検出装置、画像判定方法、画像判定装置およびコンピュ―タ可読な記録媒体 | |
CN109685018A (zh) | 一种人证校验方法、系统及相关设备 | |
Wang et al. | Face live detection method based on physiological motion analysis | |
Benlamoudi et al. | Face spoofing detection using local binary patterns and Fisher score | |
WO2020195732A1 (ja) | 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体 | |
Ji et al. | Face occlusion detection using skin color ratio and LBP features for intelligent video surveillance systems | |
CN104318224B (zh) | 一种人脸识别方法及监控设备 | |
Benlamoudi et al. | Face spoofing detection using multi-level local phase quantization (ML-LPQ) |
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 |