CN105678220B - 人脸关键点定位处理方法和装置 - Google Patents
人脸关键点定位处理方法和装置 Download PDFInfo
- Publication number
- CN105678220B CN105678220B CN201511008956.7A CN201511008956A CN105678220B CN 105678220 B CN105678220 B CN 105678220B CN 201511008956 A CN201511008956 A CN 201511008956A CN 105678220 B CN105678220 B CN 105678220B
- Authority
- CN
- China
- Prior art keywords
- face image
- processed
- pixel point
- vector
- corrected
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 168
- 239000011159 matrix material Substances 0.000 claims abstract description 139
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 138
- 238000012937 correction Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 239000003607 modifier Substances 0.000 claims 1
- 230000004807 localization Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 2
- 230000001815 facial effect Effects 0.000 abstract 8
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect 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
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
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 Processing (AREA)
Abstract
本公开是关于一种人脸关键点定位处理方法和装置,该方法包括:采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,本公开提高了人脸图像中关键点定位精度。
Description
技术领域
本公开涉及通信领域,尤其涉及人脸关键点定位处理方法和装置。
背景技术
人脸关键点是脸部一些表征能力强的关键点,比如眼睛、鼻子、嘴巴和脸部轮廓等,人脸关键点定位在人脸识别领域有着很重要的作用,例如,人脸识别、跟踪和表情分析都依赖于关键点定位的结果。
相关技术中,通常采用参数形状模型的方法,根据人脸关键点附近的表观特征,通过学习建立一个参数模型,并通过迭代算法优化人脸关键点的位置坐标最终获得人脸关键点的坐标。
公开内容
为克服相关技术中存在的问题,本公开提供一种人脸关键点定位处理方法和装置。
根据本公开实施例的第一方面,提供一种人脸关键点定位处理方法,包括:
采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
结合第一方面,在第一方面的第一种可能的实现方式中,所述查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像包括:
根据所述待拟合向量,查询人脸图像样本集对应的样本矩阵,获取所述待处理的人脸图像对应的第一待修正的人脸图像;
将所述第一待修正的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像;
根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像,并将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
其中,N为正整数,且初始时N等于2。
结合第一方面,在第一方面的第二种可能的实现方式中,从数据库中获取人脸图像样本集,并获取与所述人脸图像样本集对应的初始样本矩阵X;
对所述初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数;
采用公式A=arg min f(Ak),获取所述样本矩阵A并保存至本地;其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
结合第一方面的第一种可能的实现方式或者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,所述根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像,包括:
对所述样本矩阵进行主成分分析训练以获取均值向量和特征向量组;
采用公式(a1 N,a2 N,...,ak N)=arg min E(a1 N,a2 N,...,ak N),计算获取并保存第N修
正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,a2 N,...,ak N),其中,p表示第N修正后的人脸图像中像素点
的个数,xi N表示所述第N修正后的人脸图像中的第i个像素,μi表示均值向量的第i个像素,
ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各个像素点对应的待
拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数。
采用公式计算获取并保存第N+1待修正的人脸图像xN,其中,μ表示所述均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数,ej表示第j个特征向量。
结合第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,所述将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,包括:
分别获取所述第N修正后的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点对应的灰度值;
采用公式Δi N=|mi N-ni|计算获取并保存所述第N修正后的人脸图像中第i个像素的点灰度值与所述待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N,其中,mi N表示所述第N修正后的人脸图像中第i个像素点的灰度值,ni表示所述待处理的人脸图像中第i个像素点的灰度值;
若所述灰度值差值的绝对值Δi N大于预设阈值,则所述待处理的人脸图像中的第i个像素点为异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
根据本公开实施例的第二方面,提供一种人脸关键点定位处理装置,包括:
获取模块,用于采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
获取模块还用于查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
定位模块,用于查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
结合第二方面,在第二方面的第一种可能的实现方式中,所述获取模块包括:
查询子模块,用于根据所述待拟合向量,查询人脸图像样本集对应的样本矩阵,获取所述待处理的人脸图像对应的第一待修正的人脸图像;
修正子模块,用于将所述第一待修正的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像;
查询子模块还用于根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像;
修正子模块还用于将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
其中,N为正整数,且初始时N等于2。
结合第二方面,在第二方面的第二种可能的实现方式中,所述获取模块还用于从数据库中获取人脸图像样本集,并获取与所述人脸图像样本集对应的初始样本矩阵X;
所述装置还包括分解模块,用于对所述初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数;
计算模块,用于采用公式A=arg min f(Ak),获取所述样本矩阵A并保存至本地;其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
结合第二方面的第一种可能的实现方式或者第二方面的第一种可能的实现方式,在第二方面的第三种可能的实现方式中,所述查询子模块,包括:
主成分分析单元,用于对所述样本矩阵进行主成分分析训练以获取均值向量和特征向量组;
第一计算单元,用于采用公式(a1 N,a2 N,...,ak N)=arg min E(a1 N,a2 N,...,ak N),计
算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,
a2 N,...,ak N),其中,p表示第N修正后的
人脸图像中像素点的个数,xi N表示所述第N修正后的人脸图像中的第i个像素,μi表示均值
向量的第i个像素,ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各
个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个
数。
第二计算单元,用于采用公式计算获取并保存第N+1待修正的人脸图像xN,其中,μ表示所述均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数,ej表示第j个特征向量。
结合第二方面的第三种可能的实现方式,在第二方面的第四种可能的实现方式中,所述修正子模块,包括:
灰度值获取子模块,用于分别获取所述第N修正后的人脸图像中的各个像素点分别与所述第1待处理的人脸图像中的各个像素点对应的灰度值;
第三计算子模块,用于采用公式Δi N=|mi N-ni|计算获取并保存所述第N修正后的人脸图像中第i个像素的点灰度值与所述待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N,其中,mi N表示所述第N修正后的人脸图像中第i个像素点的灰度值,ni表示所述待处理的人脸图像中第i个像素点的灰度值;
处理子模块,用于若所述灰度值差值的绝对值Δi N大于预设阈值,则所述待处理的人脸图像中的第i个像素点为异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
根据本公开实施例的第三方面,提供一种人脸关键点定位处理装置,包括:
存储器;
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:
采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量;查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,这样,通过查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,提高了人脸图像中关键点的定位精度。
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关键点定位处理方法的流程图;
图2是根据另一示例性实施例示出的一种人脸关键点定位处理方法的流程图;
图3是根据又一示例性实施例示出的一种人脸关键点定位处理方法的流程图;
图4是根据再一示例性实施例示出的一种人脸关键点定位处理方法的流程图;
图5是根据再一示例性实施例示出的一种人脸关键点定位处理方法的流程图;
图6是根据一示例性实施例示出的一种人脸关键点定位处理装置的框图;
图7是根据另一示例性实施例示出的一种人脸关键点定位处理装置的框图;
图8是根据又一示例性实施例示出的一种人脸关键点定位处理装置的框图;
图9是根据再一示例性实施例示出的一种人脸关键点定位处理装置的框图;
图10是根据再一示例性实施例示出的一种人脸关键点定位处理装置的框图;
图11是根据再一示例性实施例示出的一种人脸关键点定位处理装置的框图;
图12是根据一示例性实施例示出的一种用于人脸关键点定位处理的装置。
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关键点定位处理方法的流程图,如图1所示,该人脸关键点定位处理方法包括以下步骤。
在步骤101中,采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量。
在本实施例中,待处理的人脸图像中各个像素点与拟合向量中的元素一一对应。
在步骤102中,查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像。
在步骤103中,查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
在本实施例中,通过采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量;查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,这样,通过查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,提高了人脸图像中关键点的定位精度。
图2是根据另一示例性实施例示出的一种人脸关键点定位处理方法的流程图,如图2所示,在上述图1实施例的基础上,在步骤102中,查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像具体包括如下步骤。
在步骤201中,根据待拟合向量,查询人脸图像样本集对应的样本矩阵,获取待处理的人脸图像对应的第一待修正的人脸图像。
在本实施例中,通过查询人脸图像样本集对应的样本矩阵,采用第一待修正的人脸图像拟合待处理的人脸图像。
在步骤202中,将第一待修正的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像。
在步骤203中,根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询人脸图像样本集对应的样本矩阵,获取与第N修正后的人脸图像对应的第N+1待修正的人脸图像,并将第N+1待修正的人脸图像的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像。
其中,N为正整数,且初始时N等于2。
在本实施例中,通过根据待拟合向量,查询人脸图像样本集对应的样本矩阵,获取待处理的人脸图像对应的第一待修正的人脸图像,将第一待修正的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像,根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询人脸图像样本集对应的样本矩阵,获取与第N修正后的人脸图像对应的第N+1待修正的人脸图像,并将第N+1待修正的人脸图像的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像,这样,可以快速获取不存在异常像素点的人脸图像。
图3是根据又一示例性实施例示出的一种人脸关键点定位处理方法的流程图,如图3所示,在上述图1实施例的基础上,该人脸关键点定位处理方法还包括以下步骤。
在步骤301中,从数据库中获取人脸图像样本集,并获取与人脸图像样本集对应的初始样本矩阵X。
在步骤302中,对初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数。
在步骤303中,采用公式(1)
A=arg min f(A) (1)
获取样本矩阵A并保存至本地。
其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
在本实施例中,从数据库中获取人脸图像样本集,并获取与人脸图像样本集对应的初始样本矩阵X,对初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek,并通过公式(1)获取样本矩阵A并保存至本地,从而可以去除初始样本矩阵中的噪声,提高了样本矩阵的精度。
图4是根据再一示例性实施例示出的一种人脸关键点定位处理方法的流程图,如图4所示,在图2实施例的基础上,在步骤203中根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询人脸图像样本集对应的样本矩阵,获取与第N修正后的人脸图像对应的第N+1待修正的人脸图像,包括:
在步骤401中,对样本矩阵进行主成分分析训练以获取均值向量和特征向量组。
在本实施例中,均值向量表示人脸图像样本集的平均人脸,特征向量组表示人脸图像样本集的特征人脸。
在步骤402中,采用公式(2)
(a1 N,a2 N,...,ak N)=arg min E(a1 N,a2 N,...,ak N) (2)
计算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,a2 N,...,ak N)。
其中,p表示第N修正后的人脸
图像中像素点的个数,xi N表示第N修正后的人脸图像中的第i个像素,μi表示均值向量的第i
个像素,ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各个像素点
对应的待拟合向量的第j个特征向量的系数,k表示特征向量组中向量的个数。
在步骤403中,采用公式(3)
计算获取并保存第N+1待修正的人脸图像xN。
其中,μ表示均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示特征向量组中向量的个数,ej表示第j个特征向量。
在本实施例中,通过对样本矩阵进行主成分分析训练以获取均值向量和特征向量组,采用公式(2)计算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数,并通过采用公式(3)计算获取并保存第N+1待修正的人脸图像,提高了第N+1待修正的人脸图像的获取效率。
图5是根据再一示例性实施例示出的一种人脸关键点定位处理方法的流程图,如图5所示,在图4实施例的基础上,在步骤203中,第N+1待修正的人脸图像的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,包括:
在步骤501中,分别获取第N修正后的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点对应的灰度值。
在步骤502中,采用公式(4)
Δi N=|mi N-ni| (4)
计算获取并保存第N修正后的人脸图像中第i个像素的点灰度值与待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N。
其中,mi N表示第N修正后的人脸图像中第i个像素点的灰度值,ni表示待处理的人脸图像中第i个像素点的灰度值。
在步骤503中,若灰度值差值的绝对值Δi N大于预设阈值,则待处理的人脸图像中的第i个像素点为异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
在本实施例中,分别获取第N修正后的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点对应的灰度值,采用公式(4)计算获取并保存第N修正后的人脸图像中第i个像素的点灰度值与待处理的人脸图像中的第i个像素点灰度值差值的绝对值,若灰度值差值的绝对值大于预设阈值,则待处理的人脸图像中的第i个像素点为异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,这样,通过上述步骤可以逐步去除待处理的人脸图像中的所有异常点。
图6是根据一示例性实施例示出的一种人脸关键点定位处理装置的框图,如图6所示,该装置包括:获取模块10和定位模块11。
获取模块10,用于采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量。
获取模块10还用于查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像。
定位模块11,用于查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
在本实施例中,通过采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量;查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,这样,通过查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,提高了人脸图像中关键点的定位精度。
图7是根据另示例性实施例示出的一种人脸关键点定位处理装置的框图,如图7所示,获取模块包括:查询子模块20和修正子模块21。
查询子模块20,用于根据待拟合向量,查询人脸图像样本集对应的样本矩阵,获取待处理的人脸图像对应的第一待修正的人脸图像。
修正子模块21,用于将第一待修正的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像。
查询子模块20还用于根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询人脸图像样本集对应的样本矩阵,获取与第N修正后的人脸图像对应的第N+1待修正的人脸图像。
修正子模块21还用于将第N+1待修正的人脸图像的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像。
其中,N为正整数,且初始时N等于2。
在本实施例中,通过根据待拟合向量,查询人脸图像样本集对应的样本矩阵,获取待处理的人脸图像对应的第一待修正的人脸图像,将第一待修正的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像,根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询人脸图像样本集对应的样本矩阵,获取与第N修正后的人脸图像对应的第N+1待修正的人脸图像,并将第N+1待修正的人脸图像的各个像素点分别与待处理的人脸图像中的各个像素点进行比较,若获取到待处理的人脸图像中存在异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像,这样,可以快速获取不存在异常像素点的人脸图像。
图8是根据又一示例性实施例示出的一种人脸关键点定位处理装置的框图,如图8所示,在图7实施例的基础上,获取模块10还用于从数据库中获取人脸图像样本集,并获取与人脸图像样本集对应的初始样本矩阵X。
该装置还包括分解模块30,用于对初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数。
计算模块31,用于采用公式(1)
A=arg min f(A) (1)
获取样本矩阵A并保存至本地。
其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
在本实施例中,从数据库中获取人脸图像样本集,并获取与人脸图像样本集对应的初始样本矩阵X,对初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek,并通过公式(1)获取样本矩阵A并保存至本地,从而可以去除初始样本矩阵中的噪声,提高了样本矩阵的精度。
图9是根据再一示例性实施例示出的一种人脸关键点定位处理装置的框图,如图9所示,在图8实施例的基础上,查询子模块20,包括:主成分分析单元40、第一计算单元41和第二计算单元42。
主成分分析单元40,用于对样本矩阵进行主成分分析训练以获取均值向量和特征向量组。
第一计算单元41,用于采用公式(2)
(a1 N,a2 N,...,ak N)=arg min E(a1 N,a2 N,...,ak N) (2)
计算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,a2 N,...,ak N)。
其中,p表示第N修正后的人脸
图像中像素点的个数,xi N表示第N修正后的人脸图像中的第i个像素,μi表示均值向量的第i
个像素,ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各个像素点
对应的待拟合向量的第j个特征向量的系数,k表示特征向量组中向量的个数。
第二计算单元42,用于采用公式(3)
计算获取并保存第N+1待修正的人脸图像xN。
其中,μ表示均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示特征向量组中向量的个数,ej表示第j个特征向量。
在本实施例中,通过对样本矩阵进行主成分分析训练以获取均值向量和特征向量组,采用公式(2)计算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数,并通过采用公式(3)计算获取并保存第N+1待修正的人脸图像,提高了第N+1待修正的人脸图像的获取效率。
图10是根据再一示例性实施例示出的一种人脸关键点定位处理装置的框图,如图10所示,在图9实施例的基础上,修正子模块21包括:灰度值获取单元50、第三计算单元51和处理单元52。
灰度值获取单元50,用于分别获取第N修正后的人脸图像中的各个像素点分别与第1待处理的人脸图像中的各个像素点对应的灰度值。
第三计算单元51,用于采用公式Δi N=|mi N-ni|计算获取并保存第N修正后的人脸图像中第i个像素的点灰度值与待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N,其中,mi N表示第N修正后的人脸图像中第i个像素点的灰度值,ni表示待处理的人脸图像中第i个像素点的灰度值。
处理单元52,用于若灰度值差值的绝对值Δi N大于预设阈值,则待处理的人脸图像中的第i个像素点为异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
在本实施例中,分别获取第N修正后的人脸图像中的各个像素点分别与待处理的人脸图像中的各个像素点对应的灰度值,采用公式(4)计算获取并保存第N修正后的人脸图像中第i个像素的点灰度值与待处理的人脸图像中的第i个像素点灰度值差值的绝对值,若灰度值差值的绝对值大于预设阈值,则待处理的人脸图像中的第i个像素点为异常像素点,则去除第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,这样,通过上述步骤可以逐步去除待处理的人脸图像中的所有异常点。
以上描述了人脸关键点定位处理装置的内部功能和结构,图11是根据再一示例性实施例示出的一种人脸关键点定位处理装置的框图,如图11所示,该人脸关键点定位处理装置可实现为:
存储器60;
用于存储处理器61可执行指令的存储器60;
其中,处理器61被配置为:
采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量;
查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
在本实施例中,通过采集待处理的人脸图像,并获取待处理的人脸图像中各个像素点对应的待拟合向量;查询本地保存的人脸图像样本集对应的样本矩阵,对待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,这样,通过查询人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理,提高了人脸图像中关键点的定位精度。
图12是根据一示例性实施例示出的一种用于人脸关键点定位处理的装置。例如,装置800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,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800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804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。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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808包括一个前置摄像头和/或后置摄像头。当设备800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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800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)、数字信号处理设备(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804,上述指令可由装置800的处理器820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、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端设备的处理器执行时,使得终端设备能够执行一种人脸关键点定位处理方法,所述方法包括:
采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
其中,所述查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像包括:
根据所述待拟合向量,查询人脸图像样本集对应的样本矩阵,获取所述待处理的人脸图像对应的第一待修正的人脸图像;
将所述第一待修正的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像;
根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像,并将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
其中,N为正整数,且初始时N等于2。
其中,还包括:
从数据库中获取人脸图像样本集,并获取与所述人脸图像样本集对应的初始样本矩阵X;
对所述初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数;
采用公式A=arg min f(Ak),获取所述样本矩阵A并保存至本地;其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
其中,所述根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像,包括:
对所述样本矩阵进行主成分分析训练以获取均值向量和特征向量组;
采用公式(a1 N,a2 N,...,ak N)=arg min E(a1 N,a2 N,...,ak N),计算获取并保存第N修
正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,a2 N,...,ak N),其中,p表示第N修正后的人脸图像中像素点
的个数,xi N表示所述第N修正后的人脸图像中的第i个像素,μi表示均值向量的第i个像素,
ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各个像素点对应的待
拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数。
采用公式计算获取并保存第N+1待修正的人脸图像xN,其中,μ表示所述均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数,ej表示第j个特征向量。
其中,所述将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,包括:
分别获取所述第N修正后的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点对应的灰度值;
采用公式Δi N=|mi N-ni|计算获取并保存所述第N修正后的人脸图像中第i个像素的点灰度值与所述待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N,其中,mi N表示所述第N修正后的人脸图像中第i个像素点的灰度值,ni表示所述待处理的人脸图像中第i个像素点的灰度值;
若所述灰度值差值的绝对值Δi N大于预设阈值,则所述待处理的人脸图像中的第i个像素点为异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
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 (11)
1.一种人脸关键点定位处理方法,其特征在于,包括:
采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
2.根据权利要求1所述的方法,其特征在于,所述查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像包括:
根据所述待拟合向量,查询人脸图像样本集对应的样本矩阵,获取所述待处理的人脸图像对应的第一待修正的人脸图像;
将所述第一待修正的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像;
根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像,并将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
其中,N为正整数,且初始时N等于1。
3.根据权利要求1所述的方法,其特征在于,还包括:
从数据库中获取人脸图像样本集,并获取与所述人脸图像样本集对应的初始样本矩阵X;
对所述初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数;
采用公式A=argminf(Ak),获取所述样本矩阵A并保存至本地;其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
4.根据权利要求2所述的方法,其特征在于,所述根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像,包括:
对所述样本矩阵进行主成分分析训练以获取均值向量和特征向量组;
采用公式(a1 N,a2 N,...,ak N)=arg minE(a1 N,a2 N,...,ak N),计算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,a2 N,...,ak N),其中,p表示第N修正后的人脸图像中像素点的个数,xi N表示所述第N修正后的人脸图像中的第i个像素,μi表示均值向量的第i个像素,ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数;
采用公式计算获取并保存第N+1待修正的人脸图像xN,其中,μ表示所述均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数,ej表示第j个特征向量。
5.根据权利要求4所述的方法,其特征在于,所述将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,包括:
分别获取所述第N修正后的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点对应的灰度值;
采用公式Δi N=|mi N-ni|计算获取并保存所述第N修正后的人脸图像中第i个像素的点灰度值与所述待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N,其中,mi N表示所述第N修正后的人脸图像中第i个像素点的灰度值,ni表示所述待处理的人脸图像中第i个像素点的灰度值;
若所述灰度值差值的绝对值Δi N大于预设阈值,则所述待处理的人脸图像中的第i个像素点为异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
6.一种人脸关键点定位处理装置,其特征在于,包括:
获取模块,用于采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
获取模块还用于查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
定位模块,用于查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
7.根据权利要求6所述的装置,其特征在于,所述获取模块包括:
查询子模块,用于根据所述待拟合向量,查询人脸图像样本集对应的样本矩阵,获取所述待处理的人脸图像对应的第一待修正的人脸图像;
修正子模块,用于将所述第一待修正的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述待处理的人脸图像中的异常像素点对应的拟合向量的元素,以获取第一修正后的人脸图像;
查询子模块还用于根据第N修正后的人脸图像中各个像素点对应的待拟合向量,查询所述人脸图像样本集对应的样本矩阵,获取与所述第N修正后的人脸图像对应的第N+1待修正的人脸图像;
修正子模块还用于将所述第N+1待修正的人脸图像的各个像素点分别与所述待处理的人脸图像中的各个像素点进行比较,若获取到所述待处理的人脸图像中存在异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像,并将N加1重复执行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
其中,N为正整数,且初始时N等于1。
8.根据权利要求7所述的装置,其特征在于,所述获取模块还用于从数据库中获取人脸图像样本集,并获取与所述人脸图像样本集对应的初始样本矩阵X;
所述装置还包括分解模块,用于对所述初始样本矩阵X进行低秩和稀疏的分解处理,获得低秩矩阵Ak和稀疏矩阵Ek;其中,X=Ak+Ek,k为正整数;
计算模块,用于采用公式A=argminf(Ak),获取所述样本矩阵A并保存至本地;其中,f(Ak)=rank(Ak)+λ||Ek||0,rank(Ak)表示低秩矩阵Ak的秩,λ表示权重系数,||Ek||0表示稀疏矩阵Ek的零范数。
9.根据权利要求7或8所述的装置,其特征在于,所述查询子模块,包括:
主成分分析单元,用于对所述样本矩阵进行主成分分析训练以获取均值向量和特征向量组;
第一计算单元,用于采用公式(a1 N,a2 N,...,ak N)=arg minE(a1 N,a2 N,...,ak N),计算获取并保存第N修正后的人脸图像中各个像素点对应的待拟合向量的拟合系数(a1 N,a2 N,...,ak N),其中,p表示第N修正后的人脸图像中像素点的个数,xi N表示所述第N修正后的人脸图像中的第i个像素,μi表示均值向量的第i个像素,ej,i表示第j个特征向量的第i个像素,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数;
第二计算单元,用于采用公式计算获取并保存第N+1待修正的人脸图像xN,其中,μ表示所述均值向量,aj N表示第N修正后的人脸图像中各个像素点对应的待拟合向量的第j个特征向量的系数,k表示所述特征向量组中向量的个数,ej表示第j个特征向量。
10.根据权利要求9所述的装置,其特征在于,所述修正子模块,包括:
灰度值获取单元,用于分别获取所述第N修正后的人脸图像中的各个像素点分别与所述待处理的人脸图像中的各个像素点对应的灰度值;
第三计算单元,用于采用公式Δi N=|mi N-ni|计算获取并保存所述第N修正后的人脸图像中第i个像素的点灰度值与所述待处理的人脸图像中的第i个像素点灰度值差值的绝对值Δi N,其中,mi N表示所述第N修正后的人脸图像中第i个像素点的灰度值,ni表示所述待处理的人脸图像中第i个像素点的灰度值;
处理单元,用于若所述灰度值差值的绝对值Δi N大于预设阈值,则所述待处理的人脸图像中的第i个像素点为异常像素点,则去除所述第N修正后的人脸图像中的异常像素点对应的拟合向量的元素,以获取第N+1修正后的人脸图像。
11.一种人脸关键点定位处理装置,其特征在于,包括:
存储器;
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:
采集待处理的人脸图像,并获取所述待处理的人脸图像中各个像素点对应的待拟合向量;
查询本地保存的人脸图像样本集对应的样本矩阵,对所述待处理的人脸图像进行剔除异常像素点处理,直至获取不存在异常像素点的人脸图像;
查询所述人脸图像样本集对应的样本矩阵,对不存在异常像素点的人脸图像进行人脸关键点定位处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511008956.7A CN105678220B (zh) | 2015-12-29 | 2015-12-29 | 人脸关键点定位处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511008956.7A CN105678220B (zh) | 2015-12-29 | 2015-12-29 | 人脸关键点定位处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678220A CN105678220A (zh) | 2016-06-15 |
CN105678220B true CN105678220B (zh) | 2019-06-11 |
Family
ID=56189685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511008956.7A Active CN105678220B (zh) | 2015-12-29 | 2015-12-29 | 人脸关键点定位处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678220B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239758B (zh) * | 2017-05-24 | 2022-03-08 | 北京小米移动软件有限公司 | 人脸关键点定位的方法及装置 |
CN113758579B (zh) * | 2021-09-26 | 2024-01-09 | 中国纺织科学研究院有限公司 | 一种用于检测纺丝组件温度的方法及纺丝设备 |
CN115187822B (zh) * | 2022-07-28 | 2023-06-30 | 广州方硅信息技术有限公司 | 人脸图像数据集分析方法、直播人脸图像处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036276A (zh) * | 2014-05-29 | 2014-09-10 | 无锡天脉聚源传媒科技有限公司 | 人脸识别方法及装置 |
CN104992148A (zh) * | 2015-06-18 | 2015-10-21 | 江南大学 | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101877981B1 (ko) * | 2011-12-21 | 2018-07-12 | 한국전자통신연구원 | 가버 특징과 svm 분류기를 이용하여 위변조 얼굴을 인식하기 위한 시스템 및 그 방법 |
-
2015
- 2015-12-29 CN CN201511008956.7A patent/CN105678220B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036276A (zh) * | 2014-05-29 | 2014-09-10 | 无锡天脉聚源传媒科技有限公司 | 人脸识别方法及装置 |
CN104992148A (zh) * | 2015-06-18 | 2015-10-21 | 江南大学 | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105678220A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101694643B1 (ko) | 이미지 분할 방법, 장치, 기기, 프로그램 및 기록매체 | |
CN107944367B (zh) | 人脸关键点检测方法及装置 | |
CN107945133B (zh) | 图像处理方法及装置 | |
CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
CN110288716B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN106845398B (zh) | 人脸关键点定位方法及装置 | |
CN106557759B (zh) | 一种标志牌信息获取方法及装置 | |
CN104156915A (zh) | 肤色调整方法和装置 | |
CN109840939B (zh) | 三维重建方法、装置、电子设备及存储介质 | |
CN107958223B (zh) | 人脸识别方法及装置、移动设备、计算机可读存储介质 | |
CN107463903B (zh) | 人脸关键点定位方法及装置 | |
CN106485567B (zh) | 物品推荐方法及装置 | |
CN109977860B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109325908B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109034150B (zh) | 图像处理方法及装置 | |
CN107403144B (zh) | 嘴巴定位方法及装置 | |
CN105354793A (zh) | 人脸图像处理方法及装置 | |
WO2021103994A1 (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
CN105678220B (zh) | 人脸关键点定位处理方法和装置 | |
CN107133361A (zh) | 手势识别方法、装置和终端设备 | |
CN107239758B (zh) | 人脸关键点定位的方法及装置 | |
CN107729886B (zh) | 人脸图像的处理方法及装置 | |
CN109325141B (zh) | 图像检索方法及装置、电子设备和存储介质 | |
CN106295579A (zh) | 人脸对齐方法及装置 |
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 |