CN105678702A - 一种基于特征跟踪的人脸图像序列生成方法及装置 - Google Patents
一种基于特征跟踪的人脸图像序列生成方法及装置 Download PDFInfo
- Publication number
- CN105678702A CN105678702A CN201610072412.5A CN201610072412A CN105678702A CN 105678702 A CN105678702 A CN 105678702A CN 201610072412 A CN201610072412 A CN 201610072412A CN 105678702 A CN105678702 A CN 105678702A
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- human face
- face image
- image
- image sequence
- 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 35
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000001815 facial effect Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 15
- 239000003999 initiator Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 210000003128 head Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于特征跟踪的人脸图像序列生成方法及装置,属于计算机图形图像处理,模式识别技术领域,本发明通过实时的跟踪摄像头采集人脸图像序列帧;对每一帧图像检测出其中人脸特征点的具体的坐标信息;将当前图像帧的特征点数据与初始图像的特征点数据的差值高于预设变化阈值T的特征点变化值,通过网络传送到接收方;接收端将接收到的图像特征点的变化值,根据已经保存的初始人脸图像及人脸特征点信息,对人脸图像作纹理重绘,生成对应发送端的实时人脸图像。对比现有技术,本发明极大减少了每一帧人脸图像传输的信息量,从而有效降低了用户的流量负担和整个网络不必要的网络负载。
Description
技术领域
本发明属于计算机图形图像处理,模式识别技术领域,涉及视频中人脸特征点检测、人脸特征点形变及网格生成和人脸纹理映射的方法,特别涉及一种基于特征跟踪的人脸图像序列生成方法及装置。
背景技术
随着互联网,社交网站的爆发式发展,人际之间通过视频的交互受到了更多的关注,无论是通过PC客户端,还是通过移动设备终端(手机,平板电脑)等含摄像头的硬件产品,几乎都能实现用户之间的视频交流。这其中的软件产品主要包括Skype(Microsoft),QQ(Tecent),Facetime(Apple)等,在传输这些视频流数据的时候均会将发送端实时采集的摄像头每一帧图像通过网络发送到接收端,尽管这其中采用相应的编解码的压缩算法,但在某些网络低带宽的使用场景下,给用户带来的网络流量仍然会相对偏高。
发明内容
本发明的目的是为了克服现有人脸视频序列传输技术的缺陷,解决网络低带宽条件下人脸视频序列的传输数据量大的问题,提出一种基于特征跟踪的人脸图像序列生成方法及装置,减轻用户的流量负担和整个网络不必要的网络负载。
本发明的思想是改变传统视频交流时传送每一帧图像的网络带宽消耗大的方式,只传送人脸图像的差异数据,使通过网络传输的数据量大幅降低。
本发明的目的是通过以下技术方案实现的:
一种基于特征跟踪的人脸图像序列生成方法,包括以下内容:
通过实时的跟踪摄像头采集人脸图像序列帧;
对每一帧图像检测出其中人脸特征点的具体的坐标信息;
将当前图像帧的特征点数据与初始图像的特征点数据的差值高于预设变化阈值T的特征点变化值,通过网络传送到接收方;
接收端将接收到的图像特征点的变化值,根据已经保存的初始人脸图像及人脸特征点信息,对人脸图像作纹理重绘,生成对应发送端的实时人脸图像。
作为优选,所述人脸特征点在视频交流时动作较多的部位定义较多。
作为优选,所述人脸特征点具体的坐标信息采用ASM方法提取,并且采用Adaboost方法提取出人脸的初始区域作为ASM搜索的初始区域。
作为优选,所述人脸特征点的选取通过大量手工标注好特征点的人脸图像样本作为训练集,建立人脸形状统计模型,该模型用于新的(非训练集中的)人脸图像中的特征点定位。
作为优选,所述纹理重绘采用基于Delaunay三角网格的纹理映射实现。
一种基于特征跟踪的人脸图像序列生成装置,包括发送端模块和接收端模块,发送端模块用于对每一帧摄像头采集的人脸图像序列帧进行人脸特征点的具体的坐标信息检测,并将检测到的位置变化超过预设阈值T的特征点发送至接收端模块;接收端模块用于根据接收到的当前帧的特征点变化值,根据已经保存的初始人脸图像及人脸特征点信息,对人脸图像作纹理重绘,生成对应发送端当前帧的实时人脸图像。
作为优选,所述发送端模块包括人脸特征点检测单元和特征点发送单元,人脸特征点检测单元用于按时间先后顺序对每一帧摄像头采集的人脸图像序列帧进行人脸特征点的坐标信息检测,并将检测到的人脸特征点的坐标信息与初始图像的特征点数据求差值,将高于预设变化阈值T的特征点变化值输出;特征点发送单元用于按时间先后顺序对人脸特征点检测单元输出的每一帧图像的特征点变化值,通过网络传送到接收端模块。
作为优选,所述进行人脸特征点的坐标信息检测采用ASM方法提取,并且采用Adaboost方法提取出人脸的初始区域作为ASM搜索的初始区域。
作为优选,所述接收端模块包括人脸特征点接收单元和人脸图像重绘单元,人脸特征点接收单元按时间先后顺序接收发送端模块发来的每一帧图像的特征点变化值并输出,人脸图像重绘单元根据特征点变化值采用基于Delaunay三角网格的纹理映射对人脸图像作纹理重绘,生成对应发送端的实时人脸图像并显示。
作为优选,所述发送端模块在处理第一帧图像时,将该图像和由该图像提取的特征点坐标信息发送到接收端模块,所述接收端模块在处理第一帧图像对应的数据时,将该帧图像及其特征点坐标作为初始数据进行存储并用于对后面的图像进行重绘。
有益效果
对比现有视频交流技术,本发明极大减少了每一帧人脸图像传输的信息量,从而有效降低了用户的流量负担和整个网络不必要的网络负载。
具体实施方式
下面将通过具体实施例对本发明进行详细说明。
实施例1
考虑到实际视频聊天的场景中,人脸基本处于正面面向摄像头的状态,而且整个过程中的头部在空间上的移动不会特别明显,本发明提出的一种基于特征跟踪的人脸图像序列生成方法具体技术细节实现描述如下:
1.人脸视频数据的发送端通过实时的跟踪摄像头采集的人脸图像序列帧,检测出每一帧图像中人脸特征点的具体的坐标信息。
特征点提取采用主动形状模型ASM(ActiveShapeModel),该模型使用一系列训练样本图像,用一组特征点描述样本的形状信息,然后对所有样本在同一坐标系下对齐,利用主成分分析(PCA)建立物体的形状的统计学模型,最后利用建立的模型,通过一组参数来逼近当前需要匹配对象的形状,从而定位出目标物体。运用ASM,能够实时完成对摄像头采集人脸图像特征点的定位,并且具有一定的鲁棒性。
在建模过程中,需要定义好人脸特征点,考虑到在视频交流中,唇部和眼睛,眉毛的动作会相对较多,则在这些部位多定义特征点。同样,通过大量手工标注好特征点的人脸图像样本训练出一个通用的人脸模型对后续步骤也具有重要意义。
在匹配过程中,为了防止ASM模型在陷入局部最优(算法本身的局限),采用Adaboost方法提取出人脸的初始区域作为ASM搜索的初始区域,这样既能保证特征点提取的精确性,同时也提高了匹配的性能。
2.发送端将当前图像帧的特征点数据与初始图像的特征点数据差值,通过网络传送到接收方。
每一个数据点的数据包含其在图像中的横纵坐标与初始图像对应特征点的数据差值,即每个数据点数据传输格式为:特征点Index,特征点横坐标变化值,特征量纵坐标变化值。实际过程中,对于人脸的微小动作,大部分特征点的变化幅度均不大,对于这些位置变化不大的特征点,通过设置一个变化阈值,小于阈值的点认为是没有变化的点,这样传输每一帧数据有效数据传输量=2*sizeof(double)*变化特征点个数。可见网络带宽在极限条件可以控制在1KB以下,对比分辨率在480p左右的图像原始数据,数据传输量能得到有效的控制。
3.接收端将接收到的图像特征点变化值,并根据已经保存的初始人脸图像及人脸特征点信息,对人脸图像作纹理重绘,生成对应发送端的实时人脸图像。
纹理的重绘采用基于Delaunay三角网格的纹理映射,开始时,对得到的初始的人脸特征点生成相应的三角网格T,以后每次收到发送端传来的特征点差值后,通过计算得到新的特征点的坐标信息,并生成新的三角网格T1。设T1中某个三角面片的三个顶点为A(x1,y1),B(x2,y2),C(x3,y3),对应在T中的三角面片的三个顶点分别为A′(x1′,y1′),B′(x2′,y2′),C′(x3′,y3′)。则根据三角仿射变换的不变性要求,存在:
其中(α,β,γ)称为点P相对于ΔABC的质心坐标。
对于T1相对于T中发生变化的三角面片内的每个像素点,作以上仿射变换,填充相应像素值,其余像素直接用初始人脸图像上对应像素填充,即能完成人脸图像的重绘。
实施例2
基于实施例1所述一种基于特征跟踪的人脸图像序列生成方法,本发明还实现了一种基于特征跟踪的人脸图像序列生成装置,包括发送端模块和接收端模块,具体描述如下:
发送端模块:
包含两个相互独立的的单元:人脸特征点检测单元和特征点发送单元,两者共享一个发送数据队列(需要采用同步方式),通过此队列保证处理图像帧的先后时序关系。
人脸特征点检测单元负责对摄像头抓取的没帧人脸图像进行特征点定位,采用的技术为实施例1所描述的技术细节1。把得到的特征点的差值坐标信息,添加到发送数据队列尾。
特征点发送单元负责读取发送队列头的内容,并通过网络发送到接收端模块,直至此发送数据队列为空。
在读取第一帧图像数据的时候,需要将此图像数据作为初始图像和初始特征点坐标信息传输到接收端,此后每一帧,均只需要传送特征点坐标信息。
接收端模块:
同样包含两个相互独立的的单元:人脸特征点接收单元和人脸图像重绘单元,两者共享一个接收数据队列(需要采用同步方式),通过此队列保证处理图像帧的先后时序关系。
人脸特征点接收单元主要负责通过网络接受发送端模块发过来的数据,并将数据加入接收数据队列尾。
人脸图像重绘单元主要负责不断读取数据队列头的数据,并根据读取到的特征点差值坐标,做纹理重绘,生成新的人脸图像并显示,采用的技术为实施例1所描述的技术细节3,直至接收数据队列在一段时间内都为空。
在第一次接收数据时,需要接收初始的图像数据和特征点坐标信息,并缓存至内存中,以后每次接收的均为特征点坐标的差值信息。
中间的网络传输,可采用TCP协议或者UDP协议,传输的数据及格式的解析具体可采用实施例1技术细节2中的描述来实现。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于特征跟踪的人脸图像序列生成方法,其特征在于,包括以下内容:
通过实时的跟踪摄像头采集人脸图像序列帧;
对每一帧图像检测出其中人脸特征点的具体的坐标信息;
将当前图像帧的特征点数据与初始图像的特征点数据的差值高于预设变化阈值T的特征点变化值,通过网络传送到接收方;
接收端将接收到的图像特征点的变化值,根据已经保存的初始人脸图像及人脸特征点信息,对人脸图像作纹理重绘,生成对应发送端的实时人脸图像。
2.根据权利要求1所述的一种基于特征跟踪的人脸图像序列生成方法,其特征在于:所述人脸特征点在视频交流时动作较多的部位定义较多。
3.根据权利要求1所述的一种基于特征跟踪的人脸图像序列生成方法,其特征在于:所述人脸特征点具体的坐标信息采用ASM方法提取,并且采用Adaboost方法提取出人脸的初始区域作为ASM搜索的初始区域。
4.根据权利要求1所述的一种基于特征跟踪的人脸图像序列生成方法,其特征在于:所述人脸特征点的选取通过大量手工标注好特征点的人脸图像样本作为训练集,建立人脸形状统计模型,该模型用于新的人脸图像中的特征点定位。
5.根据权利要求1-4任一所述的一种基于特征跟踪的人脸图像序列生成方法,其特征在于:所述纹理重绘采用基于Delaunay三角网格的纹理映射实现。
6.一种基于特征跟踪的人脸图像序列生成装置,其特征在于:包括发送端模块和接收端模块,发送端模块用于对每一帧摄像头采集的人脸图像序列帧进行人脸特征点的具体的坐标信息检测,并将检测到的位置变化超过预设阈值T的特征点发送至接收端模块;接收端模块用于根据接收到的当前帧的特征点变化值,根据已经保存的初始人脸图像及人脸特征点信息,对人脸图像作纹理重绘,生成对应发送端当前帧的实时人脸图像。
7.根据权利要求6所述的一种基于特征跟踪的人脸图像序列生成装置,其特征在于:所述发送端模块包括人脸特征点检测单元和特征点发送单元,人脸特征点检测单元用于按时间先后顺序对每一帧摄像头采集的人脸图像序列帧进行人脸特征点的坐标信息检测,并将检测到的人脸特征点的坐标信息与初始图像的特征点数据求差值,将高于预设变化阈值T的特征点变化值输出;特征点发送单元用于按时间先后顺序对人脸特征点检测单元输出的每一帧图像的特征点变化值,通过网络传送到接收端模块。
8.根据权利要求7所述的一种基于特征跟踪的人脸图像序列生成装置,其特征在于:所述进行人脸特征点的坐标信息检测采用ASM方法提取,并且采用Adaboost方法提取出人脸的初始区域作为ASM搜索的初始区域。
9.根据权利要求6所述的一种基于特征跟踪的人脸图像序列生成装置,其特征在于:所述接收端模块包括人脸特征点接收单元和人脸图像重绘单元,人脸特征点接收单元按时间先后顺序接收发送端模块发来的每一帧图像的特征点变化值并输出,人脸图像重绘单元根据特征点变化值采用基于Delaunay三角网格的纹理映射对人脸图像作纹理重绘,生成对应发送端的实时人脸图像并显示。
10.根据权利要求6-9任一所述的一种基于特征跟踪的人脸图像序列生成装置,其特征在于:所述发送端模块在处理第一帧图像时,将该图像和由该图像提取的特征点坐标信息发送到接收端模块,所述接收端模块在处理第一帧图像对应的数据时,将该帧图像及其特征点坐标作为初始数据进行存储并用于对后面的图像进行重绘。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510994331 | 2015-12-25 | ||
CN2015109943316 | 2015-12-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678702A true CN105678702A (zh) | 2016-06-15 |
CN105678702B CN105678702B (zh) | 2018-10-19 |
Family
ID=56303982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610072412.5A Active CN105678702B (zh) | 2015-12-25 | 2016-02-02 | 一种基于特征跟踪的人脸图像序列生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678702B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108347578A (zh) * | 2017-01-23 | 2018-07-31 | 腾讯科技(深圳)有限公司 | 视频通话中视频图像的处理方法及装置 |
WO2018233438A1 (zh) * | 2017-06-21 | 2018-12-27 | 腾讯科技(深圳)有限公司 | 人脸特征点跟踪方法、装置、存储介质及设备 |
CN109147017A (zh) * | 2018-08-28 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 动态图像生成方法、装置、设备及存储介质 |
CN109800503A (zh) * | 2019-01-18 | 2019-05-24 | 上海湃睿信息科技有限公司 | 一种场景模拟方法、装置、设备及介质 |
CN111246176A (zh) * | 2020-01-20 | 2020-06-05 | 北京中科晶上科技股份有限公司 | 一种节带化视频传输方法 |
WO2020119665A1 (zh) * | 2018-12-10 | 2020-06-18 | 深圳先进技术研究院 | 面肌训练方法、装置及电子设备 |
CN112215180A (zh) * | 2020-10-20 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
CN112804245A (zh) * | 2021-01-26 | 2021-05-14 | 杨文龙 | 适用于视频传输的数据传输优化方法、装置及系统 |
CN113160321A (zh) * | 2021-02-22 | 2021-07-23 | 中国科学院上海微系统与信息技术研究所 | 一种实时图像序列的几何映射方法和装置 |
CN113246991A (zh) * | 2021-06-29 | 2021-08-13 | 新石器慧通(北京)科技有限公司 | 用于无人车的远程驾驶端的数据传输方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064436A (en) * | 1994-12-27 | 2000-05-16 | Sharp Kabushiki Kaisha | Image sequence encoding device and area extracting device |
CN1731859A (zh) * | 2005-09-09 | 2006-02-08 | 北京中星微电子有限公司 | 一种视频压缩方法及使用该方法的视频系统 |
CN1794265A (zh) * | 2005-12-31 | 2006-06-28 | 北京中星微电子有限公司 | 基于视频的面部表情识别方法及装置 |
CN1920886A (zh) * | 2006-09-14 | 2007-02-28 | 浙江大学 | 基于视频流的三维动态人脸表情建模方法 |
CN102271241A (zh) * | 2011-09-02 | 2011-12-07 | 北京邮电大学 | 一种基于面部表情/动作识别的图像通信方法及系统 |
CN102970510A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 人脸视频传输方法 |
CN104023216A (zh) * | 2014-05-28 | 2014-09-03 | 清华大学 | 人脸视频压缩方法 |
CN104618721A (zh) * | 2015-01-28 | 2015-05-13 | 山东大学 | 基于特征建模的极低码率下人脸视频编解码方法 |
CN104917532A (zh) * | 2015-05-06 | 2015-09-16 | 清华大学 | 人脸模型压缩方法 |
CN105049948A (zh) * | 2015-06-19 | 2015-11-11 | 美国掌赢信息科技有限公司 | 一种即时视频的编码方法和电子设备 |
-
2016
- 2016-02-02 CN CN201610072412.5A patent/CN105678702B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064436A (en) * | 1994-12-27 | 2000-05-16 | Sharp Kabushiki Kaisha | Image sequence encoding device and area extracting device |
CN1731859A (zh) * | 2005-09-09 | 2006-02-08 | 北京中星微电子有限公司 | 一种视频压缩方法及使用该方法的视频系统 |
CN1794265A (zh) * | 2005-12-31 | 2006-06-28 | 北京中星微电子有限公司 | 基于视频的面部表情识别方法及装置 |
CN1920886A (zh) * | 2006-09-14 | 2007-02-28 | 浙江大学 | 基于视频流的三维动态人脸表情建模方法 |
CN102271241A (zh) * | 2011-09-02 | 2011-12-07 | 北京邮电大学 | 一种基于面部表情/动作识别的图像通信方法及系统 |
CN102970510A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 人脸视频传输方法 |
CN104023216A (zh) * | 2014-05-28 | 2014-09-03 | 清华大学 | 人脸视频压缩方法 |
CN104618721A (zh) * | 2015-01-28 | 2015-05-13 | 山东大学 | 基于特征建模的极低码率下人脸视频编解码方法 |
CN104917532A (zh) * | 2015-05-06 | 2015-09-16 | 清华大学 | 人脸模型压缩方法 |
CN105049948A (zh) * | 2015-06-19 | 2015-11-11 | 美国掌赢信息科技有限公司 | 一种即时视频的编码方法和电子设备 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108347578A (zh) * | 2017-01-23 | 2018-07-31 | 腾讯科技(深圳)有限公司 | 视频通话中视频图像的处理方法及装置 |
US10943091B2 (en) | 2017-06-21 | 2021-03-09 | Tencent Technology (Shenzhen) Company Limited | Facial feature point tracking method, apparatus, storage medium, and device |
WO2018233438A1 (zh) * | 2017-06-21 | 2018-12-27 | 腾讯科技(深圳)有限公司 | 人脸特征点跟踪方法、装置、存储介质及设备 |
CN109147017A (zh) * | 2018-08-28 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 动态图像生成方法、装置、设备及存储介质 |
WO2020119665A1 (zh) * | 2018-12-10 | 2020-06-18 | 深圳先进技术研究院 | 面肌训练方法、装置及电子设备 |
CN109800503A (zh) * | 2019-01-18 | 2019-05-24 | 上海湃睿信息科技有限公司 | 一种场景模拟方法、装置、设备及介质 |
CN111246176A (zh) * | 2020-01-20 | 2020-06-05 | 北京中科晶上科技股份有限公司 | 一种节带化视频传输方法 |
CN112215180A (zh) * | 2020-10-20 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
CN112215180B (zh) * | 2020-10-20 | 2024-05-07 | 腾讯科技(深圳)有限公司 | 一种活体检测方法及装置 |
CN112804245A (zh) * | 2021-01-26 | 2021-05-14 | 杨文龙 | 适用于视频传输的数据传输优化方法、装置及系统 |
CN112804245B (zh) * | 2021-01-26 | 2023-09-26 | 杨文龙 | 适用于视频传输的数据传输优化方法、装置及系统 |
CN113160321A (zh) * | 2021-02-22 | 2021-07-23 | 中国科学院上海微系统与信息技术研究所 | 一种实时图像序列的几何映射方法和装置 |
CN113160321B (zh) * | 2021-02-22 | 2023-12-26 | 中国科学院上海微系统与信息技术研究所 | 一种实时图像序列的几何映射方法和装置 |
CN113246991A (zh) * | 2021-06-29 | 2021-08-13 | 新石器慧通(北京)科技有限公司 | 用于无人车的远程驾驶端的数据传输方法和装置 |
CN113246991B (zh) * | 2021-06-29 | 2021-11-30 | 新石器慧通(北京)科技有限公司 | 用于无人车的远程驾驶端的数据传输方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105678702B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678702A (zh) | 一种基于特征跟踪的人脸图像序列生成方法及装置 | |
CN107330439B (zh) | 一种图像中物体姿态的确定方法、客户端及服务器 | |
CN110929569B (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN104618721B (zh) | 基于特征建模的极低码率下人脸视频编解码方法 | |
CN114155546B (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
CN112040222B (zh) | 一种视觉显著性预测方法及设备 | |
EP3937077A1 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
CN110598139A (zh) | 基于5G云计算的Web浏览器增强现实实时定位的方法 | |
CN103561259A (zh) | 面向应用共享服务的网络会议视觉质量自动化评估方法 | |
JP2014116716A (ja) | 追尾装置 | |
CN116092178A (zh) | 一种面向移动端的手势识别和跟踪方法及系统 | |
CN103871073A (zh) | 一种基于增强现实的目标跟踪方法、设备及系统 | |
US20240161461A1 (en) | Object detection method, object detection apparatus, and object detection system | |
CN113556600A (zh) | 基于时序信息的驱动控制方法、装置、电子设备和可读存储介质 | |
CN113515193A (zh) | 一种模型数据传输方法及装置 | |
EP4318314A1 (en) | Image acquisition model training method and apparatus, image detection method and apparatus, and device | |
CN114373018B (zh) | 一种实时驱动方法、装置及设备 | |
CN113822174B (zh) | 视线估计的方法、电子设备及存储介质 | |
CN109858380A (zh) | 可扩展手势识别方法、装置、系统、手势识别终端和介质 | |
CN110933493A (zh) | 视频绘制系统、方法及计算机可读存储介质 | |
CN116051722A (zh) | 三维头部模型重建方法、装置及终端 | |
CN110490979B (zh) | 一种Web环境下基于深度图的虚实融合装置及方法 | |
CN106295561B (zh) | 基于参数化及细节表征的人脸图像压缩及还原方法及系统 | |
Zeng et al. | Ultra-low bit rate facial coding hybrid model based on saliency detection | |
CN103024336B (zh) | 获取三维形变基的方法及通信终端 |
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 |