CN106022272A - 一种判定正脸图像的方法和装置 - Google Patents

一种判定正脸图像的方法和装置 Download PDF

Info

Publication number
CN106022272A
CN106022272A CN201610346383.7A CN201610346383A CN106022272A CN 106022272 A CN106022272 A CN 106022272A CN 201610346383 A CN201610346383 A CN 201610346383A CN 106022272 A CN106022272 A CN 106022272A
Authority
CN
China
Prior art keywords
face
image
positive
differentiation
result
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
Application number
CN201610346383.7A
Other languages
English (en)
Other versions
CN106022272B (zh
Inventor
杨松
张旭华
万韶华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201610346383.7A priority Critical patent/CN106022272B/zh
Publication of CN106022272A publication Critical patent/CN106022272A/zh
Application granted granted Critical
Publication of CN106022272B publication Critical patent/CN106022272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种判定正脸图像的方法和装置，属于电子技术领域。所述方法包括：获取待判别的面部图像；基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。采用本公开，可以提高处理面部图像的效率。

Description

一种判定正脸图像的方法和装置
技术领域
本公开是关于电子技术领域，尤其是关于一种判定正脸图像的方法和装置。
背景技术
随着电子技术的发展，各种各样的终端得到了广泛的应用，相应的终端上的应用程序的种类越来越多、功能越来越丰富。比如，颜值打分应用程序即是一种很常用的面部识别类应用程序。
用户通过面部识别类应用程序进行颜值打分时，比如，用户为自己的颜值进行打分时，往往终端在颜值打分前会判断获取的面部图像中的人脸是否是用户的正脸，即面部图像是否是正脸图像，目前，判断面部图像是否是正脸图像的方法是：首先利用面部姿态算法检测面部图像中的人脸相对于正脸的偏移角度，然后，判断检测到的偏移角度与预设角度阈值的关系，如果小于预设角度阈值，则判定面部图像是正脸图像，否则，判定面部图像是非正脸图像。例如，终端对面部图像判断出的偏移角度是向左偏移36度，预设角度阈值是5度，则可以判定该面部图像是非正脸图像。
在实现本公开的过程中，发明人发现至少存在以下问题：
往往可以检测出人脸的偏移角度的面部姿态算法比较复杂，需要的处理时间比较长，一般处理一幅面部图像需要几分钟，从而，导致处理面部图像的效率较低。
发明内容
为了克服相关技术中存在的问题，本公开提供了一种判定正脸图像的方法和装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种判定正脸图像的方法，所述方法包括：
获取待判别的面部图像；
基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
可选的，所述方法还包括：
基于预先存储的上侧脸/正脸分类模型，对所述面部图像进行上侧脸/正脸的判别，得到所述面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对所述面部图像进行下侧脸/正脸的判别，得到所述面部图像的第四判别结果；
所述如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像，包括：
如果所述第一判别结果、所述第二判别结果、所述第三判别结果与所述第四判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸、所述第二判别结果为右侧脸图像、所述第三判别结果为上侧脸图像或所述第四判别结果为下侧脸图像，则判定所述面部图像为非正脸图像。
这样，可以适用于对更多类型的面部图像进行判别，从而，可以提高对面部图像的判定的正确率。
可选的，所述基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
根据预设的面部关键点提取算法，获取所述面部图像的面部关键点位置信息；
基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
这样，通过将面部关键点位置信息作为面部图像的特征，对光照都有较好的鲁棒性，即判别结果受面部图像的光照等条件的影响较小。
可选的，所述方法还包括：
对所述面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；
所述基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
这样，可以将不同尺度的面部图像归一化为同一尺度，从而，可以提高判别的正确率。
可选的，所述基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据所述第一线性分类函数的函数值，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，其中，所述第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的；
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据所述第二线性分类函数的函数值，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，其中，所述第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
这样，采用线性SVM对面部图像进行判别，模型文件较小，计算复杂度低，可以提高面部图像的处理效率。
根据本公开实施例的第二方面，提供了一种判定正脸图像的装置，所述装置包括：
获取模块，用于获取待判别的面部图像；
判别模块，用于基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
判定模块，用于如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
可选的，所述判别模块，还用于：
基于预先存储的上侧脸/正脸分类模型，对所述面部图像进行上侧脸/正脸的判别，得到所述面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对所述面部图像进行下侧脸/正脸的判别，得到所述面部图像的第四判别结果；
所述判定模块，用于：
如果所述第一判别结果、所述第二判别结果、所述第三判别结果与所述第四判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸、所述第二判别结果为右侧脸图像、所述第三判别结果为上侧脸图像或所述第四判别结果为下侧脸图像，则判定所述面部图像为非正脸图像。
可选的，所述判别模块，包括：
获取子模块，用于根据预设的面部关键点提取算法，获取所述面部图像的面部关键点位置信息；
判别子模块，用于基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
可选的，所述判别模块还包括：
归一化子模块，用于对所述面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；
所述判别子模块，用于：
基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
可选的，所述判别子模块，用于：
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据所述第一线性分类函数的函数值，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，其中，所述第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的；
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据所述第二线性分类函数的函数值，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，其中，所述第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
根据本公开实施例的第三方面，提供了一种判定正脸图像的装置，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：
获取待判别的面部图像；
基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
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，获取到待判别的面部图像后，终端分别用两种预先存储的分类模型(左侧脸/正脸分类模型和右侧脸/正脸分类模型)对面部图像进行判别，其中，左侧脸/正脸分类模型的判别结果不是正脸图像就是左侧脸图像，右侧脸/正脸分类模型的判别结果不是正脸图像就是右侧脸图像，进而，可以根据两种分类模型的判别结果判定待判别的面部图像是正脸图像还是非正脸图像。这样，终端即可通过简单的分类模型判定面部图像是否是正脸图像，无需判断面部图像中的人脸的偏移角度，需要的处理时间比较短，一般处理一幅面部图像需要几毫秒即可，从而，可以提高处理面部图像的效率。
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。在附图中：
图1是根据一示例性实施例示出的一种判定正脸图像的方法的流程图；
图2(a)是根据一示例性实施例示出的一种面部关键点示意图；
图2(b)是根据一示例性实施例示出的一种面部关键点示意图；
图3是根据一示例性实施例示出的一种判定正脸图像的装置的示意图；
图4是根据一示例性实施例示出的一种判定正脸图像的装置的示意图；
图5是根据一示例性实施例示出的一种判定正脸图像的装置的示意图；
图6是根据一示例性实施例示出的一种终端的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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。
本公开一示例性实施例提供了一种判定正脸图像的方法，如图1所示，该方法可以用于终端中，其中，终端可以是具有面部识别功能的终端，可以是安装有具有面部识别功能的应用程序的手机、平板电脑等移动终端，也可以是具有面部识别功能的PC(Personal Computer，个人电脑)。例如，颜值打分类应用程序，其中设置有拍摄图像的功能，通过对拍摄的面部的图像进行面部识别，来为用户的颜值进行打分。该终端中可以设置有处理器、存储器，其中，处理器可以用于对待判别的面部进行判别，确定面部图像是否是正脸图像的相关处理，存储器可以用于对下述处理过程中需要和产生的数据。可以设置有摄像头、屏幕等输入输出设备，摄像头可以用于面部的图像的拍摄，屏幕可以用于拍摄的面部的图像等的显示，可以是触控式的屏幕。本实施例中，以终端为手机为例进行方案的详细说明，其它情况与之类似，本实施例不再累述。
下面将结合实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：
在步骤101中，获取待判别的面部图像。
其中，面部图像可以是人脸图像，也可以是小猫等动物的面部图像。
在实施中，终端中可以安装有具有面部识别功能的应用程序，比如颜值打分、人脸验证、表情识别等应用程序，以颜值打分类应用程序为例进行方案的详细说明，其它情况与之类似，本实施例不再累述。
用户想要为自己的颜值进行打分时，可以在上述应用程序中进入拍摄图像功能，终端则会开启摄像头，通过摄像头拍摄图像，并显示在屏幕上。用户可以操作终端将摄像头对准自己的面部，并基于屏幕显示的图像对终端的位置进行调节。在此过程中，终端可以获取拍摄到的面部图像，即获取待判别的面部图像。
在步骤102中，基于预先存储的左侧脸/正脸分类模型，对面部图像进行左侧脸/正脸的判别，得到面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对面部图像进行右侧脸/正脸的判别，得到面部图像的第二判别结果。
在实施中，终端中可以预先存储有左侧脸/正脸分类模型和右侧脸/正脸分类模型，以便获取到待判别的面部图像后，对面部图像进行判别。终端获取到待判别的面部图像后，可以分别用预先存储的左侧脸/正脸分类模型和右侧脸/正脸分类模型，对面部图像进行判别。具体的，首先，终端可以用左侧脸/正脸分类模型判别面部图像是正脸图像还是左侧脸图像，得到面部图像经过左侧脸/正脸分类模型判别后的判别结果(即第一判别结果)，然后，终端可以用右侧脸/正脸分类模型判别面部图像是正脸图像还是右侧脸图像，得到面部图像经过右侧脸/正脸分类模型判别后的判别结果(即第二判别结果)，其中，两种分类模型的判别时间无先后之分，可以同时进行，也可以先利用其中的一个分类模型进行判别，再利用另一个分类模型进行判别。
可选的，获取到面部图像后，可以先获取面部图像的面部关键点位置信息，再进行上述判别，相应的，步骤102的处理过程可以如下：根据预设的面部关键点提取算法，获取面部图像的面部关键点位置信息；基于预先存储的左侧脸/正脸分类模型和面部关键点位置信息，对面部图像进行左侧脸/正脸的判别，得到面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和面部关键点位置信息，对面部图像进行右侧脸/正脸的判别，得到面部图像的第二判别结果。
其中，面部关键点位置信息可以是各面部关键点的位置信息，可以是各面部关键点的坐标(比如是像素位置)，面部关键点可以是用于定位面部的关键区域的一些点，比如可以是用于定位眼睛、鼻子、嘴巴、脸部轮廓的一些点。
在实施中，终端中可以预先存储有用于提取面部图像的面部关键点位置信息的面部关键点提取算法，其中，面部关键点提取算法可以是有监督的梯度下降方法SDM。终端获取到面部图像后，可以基于预先存储的面部关键点提取算法，检测面部图像中的各面部关键点，得到的面部关键点如图2(a)和2(b)所示。具体的，可以基于有监督的梯度下降方法，获取面部图像中的各面部关键点的坐标，可以将由各个面部关键点的坐标组成的向量作为待识别的面部图像的特征向量(即面部关键点位置信息)，可以记为(x1，y1，x2，y2，…，xn，yn)，其中，n为面部关键点的个数，(xi，yi)表示第i个面部关键点的坐标，可以是像素位置(比如，xi表示第i个面部关键点所在的行数，yi表示第i个面部关键点所在的列数)，i的取值为1-n的任意整数。终端得到面部图像的特征向量后，可以分别用预先存储的左侧脸/正脸分类模型和右侧脸/正脸分类模型，对面部图像进行判别。具体的，首先，终端可以用左侧脸/正脸分类模型判别面部图像是正脸图像还是左侧脸图像，得到面部图像经过左侧脸/正脸分类模型判别后的第一判别结果，然后，终端可以用右侧脸/正脸分类模型判别面部图像是正脸图像还是右侧脸图像，得到面部图像经过右侧脸/正脸分类模型判别后的第二判别结果。
可选的，还可以对面部关键点位置信息进行归一化处理，将归一化后的面部关键点位置信息作为特征向量，相应的，处理过程可以如下：对面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；基于预先存储的左侧脸/正脸分类模型和归一化后的面部关键点位置信息，对面部图像进行左侧脸/正脸的判别，得到面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和归一化后的面部关键点位置信息，对面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
在实施中，终端得到面部关键点位置信息后，可以对其进行归一化处理，具体的，终端得到面部图像的面部关键点的坐标后，可以分别计算横坐标(即x坐标)的均值(可以记为μx)和标准差(可以记为σx)、以及纵坐标(即y坐标)的均值(可以记为μy)和标准差(可以记为σy)，进而，可以对于每个面部关键点的坐标中的xi按照公式(1)进行归一化得到x′i，yi按照公式(2)进行归一化得到y′i，对于每个面部关键点得到归一化的坐标(x′i，y′i)。
x i ′ = x i - μ x σ x - - - ( 1 )
y i ′ = y i - μ y σ y - - - ( 2 )
得到归一化后的面部关键点的坐标后，可以将由各个归一化后的面部关键点的坐标组成的向量作为待识别的面部图像的特征向量(即归一化后的面部关键点位置信息)，可以记为(x′1，y′1，x′2，y′2，…，x′n，y′n)。终端得到由归一化后的坐标组成的特征向量后，可以分别用预先存储的左侧脸/正脸分类模型和右侧脸/正脸分类模型，对面部图像进行判别。具体的，首先，终端可以用左侧脸/正脸分类模型判别面部图像是正脸图像还是左侧脸图像，得到面部图像经过左侧脸/正脸分类模型判别后的第一判别结果，然后，终端可以用右侧脸/正脸分类模型判别面部图像是正脸图像还是右侧脸图像，得到面部图像经过右侧脸/正脸分类模型判别后的第二判别结果。
可选的，可以通过将归一化后的面部关键点位置信息作为自变量带入预先存储的线性分类函数中来判别面部图像，相应的，处理过程可以如下：将归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据第一线性分类函数的函数值，对面部图像进行左侧脸/正脸的判别，得到面部图像的第一判别结果，其中，第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM(Support Vector Machine，支持向量机)函数进行训练得到的；将归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据第二线性分类函数的函数值，对面部图像进行右侧脸/正脸的判别，得到面部图像的第二判别结果，其中，第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
在实施中，终端中可以预先存储有第一线性分类函数和第二线性分类函数，其中，第一线性分类函数可以用于判别面部图像是正脸图像还是左侧脸图像，第二线性分类函数可以用于判别面部图像是正脸图像还是右侧脸图像。第一线性分类函数和第二线性分类函数的函数形式一致，可以是f(q)＝ωT·q+b，其中的ωT表示权重向量ω的转置向量，b为偏置项，q为自变量，f(q)为因变量，ω和b均是预先经过训练得到的训练值，其中的训练过程可以是技术人员预先进行的，不是终端进行的处理。第一线性分类函数可以是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的，即预先存储的第一线性分类函数中的ω和b可以是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的，具体的训练过程可以是：分别对左侧脸图像样本集和正脸图像样本集中的每幅面部图像，提取面部图像的面部关键点位置信息，然后按照上述待识别的面部图像的面部关键点位置信息的归一化方法，对每幅面部图像的面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息，即得到每幅面部图像的特征向量，另外，可以使左侧脸图像样本集中的每帧面部图像对应的类别值为-1，正脸图像样本集中的每帧面部图像对应的类别值为1，进而，可以基于对左侧脸图像样本集和正脸图像样本集中的每幅面部图像的特征向量和对应的类别值，对SVM函数进行训练，得到第一线性分类函数中的ω和b，其中，SVM函数为：
min w , b 1 2 | | w | | 2 , s . t . p i ( ω T q i + b ) ≥ 1 , i = 1,2 , . . . m
其中，m为训练样本的个数，pi为第i幅面部图像的类别值，qi为第i幅面部图像的特征向量。根据对左侧脸图像样本集和正脸图像样本集中的每幅面部图像的特征向量和对应的类别值，使用二次规划(quadratic programming)算法可以对SVM函数进行求解，得到第一线性分类函数的权重向量w和偏置项b。同理，可以基于相同的方法，基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到第二线性分类函数的权重向量w和偏置项b，其中，可以使右侧脸图像样本集中的每帧面部图像对应的类别值为-1，正脸图像样本集中的每帧面部图像对应的类别值为1。
终端获取到归一化后的面部关键点位置信息后，可以将归一化后的面部关键点位置信息(即特征向量)作为自变量，分别带入第一线性分类函数和第二线性分类函数中，得到第一线性分类函数的函数值和第一线性分类函数的函数值，当第一线性分类函数的函数值大于0时，第一判别结果为正脸图像，当第一线性分类函数的函数值小于0时，第一判别结果为左侧脸图像，当第二线性分类函数的函数值大于0时，第一判别结果为正脸图像，当第二线性分类函数的函数值小于0时，第一判别结果为右侧脸图像。
可选的，终端中还可以预先存储上侧脸/正脸分类模型和下侧脸/正脸分类模型，相应的，处理过程可以如下：基于预先存储的上侧脸/正脸分类模型，对面部图像进行上侧脸/正脸的判别，得到面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对面部图像进行下侧脸/正脸的判别，得到面部图像的第四判别结果。
在实施中，终端中可以预先存储有上侧脸/正脸分类模型和下侧脸/正脸分类模型，以便获取到待判别的面部图像后，对面部图像进行判别。终端获取到待判别的面部图像后，可以分别用预先存储的上侧脸/正脸分类模型和下侧脸/正脸分类模型，对面部图像进行判别。具体的，首先，终端可以用上侧脸/正脸分类模型判别面部图像是正脸图像还是上侧脸图像，得到面部图像经过上侧脸/正脸分类模型判别后的判别结果(即第三判别结果)，然后，终端可以用下侧脸/正脸分类模型判别面部图像是正脸图像还是下侧脸图像，得到面部图像经过下侧脸/正脸分类模型判别后的判别结果(即第四判别结果)，其中，上述四种分类模型的判别时间无先后之分，可以同时进行，也可以先利用其中的一个分类模型进行判别，再利用其他分类模型进行判别。
在步骤103中，如果第一判别结果与第二判别结果均为正脸图像，则判定面部图像为正脸图像，如果第一判别结果为左侧脸或第二判别结果为右侧脸图像，则判定面部图像为非正脸图像。
在实施中，终端得到第一判别结果和第二判别结果后，可以根据第一判别结果和第二判别结果，确定待识别的面部图像是否为正脸图像。具体的，如果第一判别结果与第二判别结果均为正脸图像，则可以判定面部图像为正脸图像，如果第一判别结果为左侧脸或第二判别结果为右侧脸图像，则可以判定面部图像为非正脸图像。终端获取的待识别的面部图像一般是正脸、左侧脸或者是右侧脸，分别将面部图像经过左侧脸/正脸分类模型和右侧脸/正脸分类模型进行判别，若面部图像是正脸图像，则第一判别结果和第二判别结果都是正脸图像，若面部图像是左侧脸图像，第一判别结果是左侧脸图像，无论第二判别结果是什么，即可判定面部图像是非正脸图像，若面部图像是右侧脸图像，第二判别结果是右侧脸图像，无论第一判别结果是什么，即可判定面部图像是非正脸图像。也就是说，通过两种分类模型的组合应用，可以根据第一判别结果和第二判别结果判定面部图像是否是正脸图像。
可选的，针对还包括上侧脸/正脸分类模型和下侧脸/正脸分类模型的情况，步骤103的处理过程可以如下：如果第一判别结果、第二判别结果、第三判别结果与第四判别结果均为正脸图像，则判定面部图像为正脸图像，如果第一判别结果为左侧脸、第二判别结果为右侧脸图像、第三判别结果为上侧脸图像或第四判别结果为下侧脸图像，则判定面部图像为非正脸图像。
在实施中，针对终端获取的待识别的面部图像除正脸、左侧脸或者是右侧脸之外，还可以是上侧脸、下侧脸的情况，分别将面部图像经过左侧脸/正脸分类模型、右侧脸/正脸分类模型、上侧脸/正脸分类模型和下侧脸/正脸分类模型进行判别，若面部图像是正脸图像，则第一判别结果、第二判别结果、第三判别结果、第四判别结果都是正脸图像，若面部图像是左侧脸图像，第一判别结果是左侧脸图像，无论第二、三、四判别结果是什么，即可判定面部图像是非正脸图像，若面部图像是右侧脸图像，第二判别结果是右侧脸图像，无论第一、三、四判别结果是什么，即可判定面部图像是非正脸图像，若面部图像是上侧脸图像，第三判别结果是上侧脸图像，无论第一、二、四判别结果是什么，即可判定面部图像是非正脸图像，若面部图像是下侧脸图像，第四判别结果是下侧脸图像，无论第一、二、三判别结果是什么，即可判定面部图像是非正脸图像。也就是说，通过四种分类模型的组合应用，可以根据第一判别结果、第二判别结果、第三判别结果和第四判别结果判定面部图像是否是正脸图像。
本公开实施例中，获取到待判别的面部图像后，终端分别用两种预先存储的分类模型(左侧脸/正脸分类模型和右侧脸/正脸分类模型)对面部图像进行判别，其中，左侧脸/正脸分类模型的判别结果不是正脸图像就是左侧脸图像，右侧脸/正脸分类模型的判别结果不是正脸图像就是右侧脸图像，进而，可以根据两种分类模型的判别结果判定待判别的面部图像是正脸图像还是非正脸图像。这样，终端即可通过简单的分类模型判定面部图像是否是正脸图像，无需判断面部图像中的人脸的偏移角度，需要的处理时间比较短，一般处理一幅面部图像需要几毫秒即可，从而，可以提高处理面部图像的效率。
本公开又一示例性实施例提供了一种判定正脸图像的装置，如图3所示，该装置包括：
获取模块310，用于获取待判别的面部图像；
判别模块320，用于基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
判定模块330，用于如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
可选的，所述判别模块320，还用于：
基于预先存储的上侧脸/正脸分类模型，对所述面部图像进行上侧脸/正脸的判别，得到所述面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对所述面部图像进行下侧脸/正脸的判别，得到所述面部图像的第四判别结果；
所述判定模块330，用于：
如果所述第一判别结果、所述第二判别结果、所述第三判别结果与所述第四判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸、所述第二判别结果为右侧脸图像、所述第三判别结果为上侧脸图像或所述第四判别结果为下侧脸图像，则判定所述面部图像为非正脸图像。
可选的，如图4所示，所述判别模块320，包括：
获取子模块3201，用于根据预设的面部关键点提取算法，获取所述面部图像的面部关键点位置信息；
判别子模块3202，用于基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
可选的，如图5所示，所述判别模块320，还包括：
归一化子模块3203，用于对所述面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；
所述判别子模块3202，用于：
基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
可选的，所述判别子模块3202，用于：
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据所述第一线性分类函数的函数值，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，其中，所述第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的；
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据所述第二线性分类函数的函数值，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，其中，所述第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例中，获取到待判别的面部图像后，终端分别用两种预先存储的分类模型(左侧脸/正脸分类模型和右侧脸/正脸分类模型)对面部图像进行判别，其中，左侧脸/正脸分类模型的判别结果不是正脸图像就是左侧脸图像，右侧脸/正脸分类模型的判别结果不是正脸图像就是右侧脸图像，进而，可以根据两种分类模型的判别结果判定待判别的面部图像是正脸图像还是非正脸图像。这样，终端即可通过简单的分类模型判定面部图像是否是正脸图像，无需判断面部图像中的人脸的偏移角度，需要的处理时间比较短，一般处理一幅面部图像需要几毫秒即可，从而，可以提高处理面部图像的效率。
需要说明的是：上述实施例提供的判定正脸图像的装置在判定正脸图像时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将终端的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的判定正脸图像的装置与判定正脸图像的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本公开再一示例性实施例示出了一种终端的结构示意图。该终端可以是手机等。
参照图6，终端600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制终端600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。处理元件602可以包括一个或多个处理器620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602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600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604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606为终端600的各种组件提供电力。电力组件606可以包括电源管理系统，一个或多个电源，及其他与为音频输出设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述终端600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608包括一个前置摄像头和/或后置摄像头。当终端600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610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当音频输出设备600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604或经由通信组件616发送。
I/O接口612为处理组件602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614包括一个或多个传感器，用于为终端600提供各个方面的状态评估。例如，传感器组件614可以检测到终端600的打开/关闭状态，组件的相对定位，例如所述组件为终端600的显示器和小键盘，传感器组件614还可以检测终端600或终端600一个组件的位置改变，用户与终端600接触的存在或不存在，终端600方位或加速/减速和终端600的温度变化。传感器组件614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614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614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616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600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，通信部件616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，所述通信部件616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，终端600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604，上述指令可由终端600的处理器620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的处理器执行时，使得终端能够执行判定正脸图像的方法，该方法包括：
获取待判别的面部图像；
基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
可选的，所述方法还包括：
基于预先存储的上侧脸/正脸分类模型，对所述面部图像进行上侧脸/正脸的判别，得到所述面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对所述面部图像进行下侧脸/正脸的判别，得到所述面部图像的第四判别结果；
所述如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像，包括：
如果所述第一判别结果、所述第二判别结果、所述第三判别结果与所述第四判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸、所述第二判别结果为右侧脸图像、所述第三判别结果为上侧脸图像或所述第四判别结果为下侧脸图像，则判定所述面部图像为非正脸图像。
可选的，所述基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
根据预设的面部关键点提取算法，获取所述面部图像的面部关键点位置信息；
基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
可选的，所述方法还包括：
对所述面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；
所述基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
可选的，所述基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据所述第一线性分类函数的函数值，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，其中，所述第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的；
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据所述第二线性分类函数的函数值，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，其中，所述第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
本公开实施例中，获取到待判别的面部图像后，终端分别用两种预先存储的分类模型(左侧脸/正脸分类模型和右侧脸/正脸分类模型)对面部图像进行判别，其中，左侧脸/正脸分类模型的判别结果不是正脸图像就是左侧脸图像，右侧脸/正脸分类模型的判别结果不是正脸图像就是右侧脸图像，进而，可以根据两种分类模型的判别结果判定待判别的面部图像是正脸图像还是非正脸图像。这样，终端即可通过简单的分类模型判定面部图像是否是正脸图像，无需判断面部图像中的人脸的偏移角度，需要的处理时间比较短，一般处理一幅面部图像需要几毫秒即可，从而，可以提高处理面部图像的效率。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请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。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种判定正脸图像的方法，其特征在于，所述方法包括：
获取待判别的面部图像；
基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于预先存储的上侧脸/正脸分类模型，对所述面部图像进行上侧脸/正脸的判别，得到所述面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对所述面部图像进行下侧脸/正脸的判别，得到所述面部图像的第四判别结果；
所述如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像，包括：
如果所述第一判别结果、所述第二判别结果、所述第三判别结果与所述第四判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸、所述第二判别结果为右侧脸图像、所述第三判别结果为上侧脸图像或所述第四判别结果为下侧脸图像，则判定所述面部图像为非正脸图像。
3.根据权利要求1所述的方法，其特征在于，所述基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
根据预设的面部关键点提取算法，获取所述面部图像的面部关键点位置信息；
基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；
所述基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
5.根据权利要求4所述的方法，其特征在于，所述基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，包括：
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据所述第一线性分类函数的函数值，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，其中，所述第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的；
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据所述第二线性分类函数的函数值，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，其中，所述第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
6.一种判定正脸图像的装置，其特征在于，所述装置包括：
获取模块，用于获取待判别的面部图像；
判别模块，用于基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
判定模块，用于如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
7.根据权利要求6所述的装置，其特征在于，所述判别模块，还用于：
基于预先存储的上侧脸/正脸分类模型，对所述面部图像进行上侧脸/正脸的判别，得到所述面部图像的第三判别结果，基于预先存储的下侧脸/正脸分类模型，对所述面部图像进行下侧脸/正脸的判别，得到所述面部图像的第四判别结果；
所述判定模块，用于：
如果所述第一判别结果、所述第二判别结果、所述第三判别结果与所述第四判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸、所述第二判别结果为右侧脸图像、所述第三判别结果为上侧脸图像或所述第四判别结果为下侧脸图像，则判定所述面部图像为非正脸图像。
8.根据权利要求6所述的装置，其特征在于，所述判别模块，包括：
获取子模块，用于根据预设的面部关键点提取算法，获取所述面部图像的面部关键点位置信息；
判别子模块，用于基于预先存储的左侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
9.根据权利要求8所述的装置，其特征在于，所述判别模块，还包括：
归一化子模块，用于对所述面部关键点位置信息进行归一化处理，得到归一化后的面部关键点位置信息；
所述判别子模块，用于：
基于预先存储的左侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果；基于预先存储的右侧脸/正脸分类模型和所述归一化后的面部关键点位置信息，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果。
10.根据权利要求9所述的装置，其特征在于，所述判别子模块，用于：
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第一线性分类函数中，根据所述第一线性分类函数的函数值，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，其中，所述第一线性分类函数是基于预设的左侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的；
将所述归一化后的面部关键点位置信息作为自变量带入预先存储的第二线性分类函数中，根据所述第二线性分类函数的函数值，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果，其中，所述第二线性分类函数是基于预设的右侧脸图像样本集和正脸图像样本集，对SVM函数进行训练得到的。
11.一种判定正脸图像的装置，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：
获取待判别的面部图像；
基于预先存储的左侧脸/正脸分类模型，对所述面部图像进行左侧脸/正脸的判别，得到所述面部图像的第一判别结果，基于预先存储的右侧脸/正脸分类模型，对所述面部图像进行右侧脸/正脸的判别，得到所述面部图像的第二判别结果；
如果所述第一判别结果与所述第二判别结果均为正脸图像，则判定所述面部图像为正脸图像，如果所述第一判别结果为左侧脸或所述第二判别结果为右侧脸图像，则判定所述面部图像为非正脸图像。
CN201610346383.7A 2016-05-23 2016-05-23 一种判定正脸图像的方法和装置 Active CN106022272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610346383.7A CN106022272B (zh) 2016-05-23 2016-05-23 一种判定正脸图像的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610346383.7A CN106022272B (zh) 2016-05-23 2016-05-23 一种判定正脸图像的方法和装置

Publications (2)

Publication Number Publication Date
CN106022272A true CN106022272A (zh) 2016-10-12
CN106022272B CN106022272B (zh) 2019-10-15

Family

ID=57097094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610346383.7A Active CN106022272B (zh) 2016-05-23 2016-05-23 一种判定正脸图像的方法和装置

Country Status (1)

Country Link
CN (1) CN106022272B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197547A (zh) * 2017-12-26 2018-06-22 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
CN108764116A (zh) * 2018-05-24 2018-11-06 济南浪潮高新科技投资发展有限公司 一种基于深度代价敏感的人脸识别系统及方法
CN109993021A (zh) * 2017-12-29 2019-07-09 浙江宇视科技有限公司 人脸正脸检测方法、装置及电子设备
CN110751009A (zh) * 2018-12-20 2020-02-04 北京嘀嘀无限科技发展有限公司 人脸识别方法、目标识别方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103689A (zh) * 2011-03-07 2011-06-22 北京大学 基于正脸图像合成的人脸识别方法
CN102194131A (zh) * 2011-06-01 2011-09-21 华南理工大学 基于五官几何比例特征的快速人脸识别方法
CN103218615A (zh) * 2013-04-17 2013-07-24 哈尔滨工业大学深圳研究生院 人脸判定方法
CN104036278A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 人脸算法标准脸部图像的提取方法
CN104268591A (zh) * 2014-09-19 2015-01-07 海信集团有限公司 一种面部关键点检测方法及装置
CN105528584A (zh) * 2015-12-23 2016-04-27 浙江宇视科技有限公司 一种正脸图像的检测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103689A (zh) * 2011-03-07 2011-06-22 北京大学 基于正脸图像合成的人脸识别方法
CN102194131A (zh) * 2011-06-01 2011-09-21 华南理工大学 基于五官几何比例特征的快速人脸识别方法
CN103218615A (zh) * 2013-04-17 2013-07-24 哈尔滨工业大学深圳研究生院 人脸判定方法
CN104036278A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 人脸算法标准脸部图像的提取方法
CN104268591A (zh) * 2014-09-19 2015-01-07 海信集团有限公司 一种面部关键点检测方法及装置
CN105528584A (zh) * 2015-12-23 2016-04-27 浙江宇视科技有限公司 一种正脸图像的检测方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197547A (zh) * 2017-12-26 2018-06-22 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
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
CN109993021A (zh) * 2017-12-29 2019-07-09 浙江宇视科技有限公司 人脸正脸检测方法、装置及电子设备
CN108764116A (zh) * 2018-05-24 2018-11-06 济南浪潮高新科技投资发展有限公司 一种基于深度代价敏感的人脸识别系统及方法
CN110751009A (zh) * 2018-12-20 2020-02-04 北京嘀嘀无限科技发展有限公司 人脸识别方法、目标识别方法、装置和电子设备

Also Published As

Publication number Publication date
CN106022272B (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN105631403B (zh) 人脸识别方法及装置
CN106295566B (zh) 人脸表情识别方法及装置
CN105809704B (zh) 识别图像清晰度的方法及装置
CN104850828B (zh) 人物识别方法及装置
CN106295511B (zh) 人脸跟踪方法及装置
CN105224924A (zh) 活体人脸识别方法和装置
CN105654033B (zh) 人脸图像验证方法和装置
CN105608425B (zh) 对照片进行分类存储的方法及装置
CN106548145A (zh) 图像识别方法及装置
CN109241835A (zh) 图像处理方法及装置、电子设备和存储介质
CN105426867A (zh) 人脸识别验证方法及装置
CN105844206A (zh) 身份认证方法及设备
CN105426857A (zh) 人脸识别模型训练方法和装置
CN104036240B (zh) 人脸特征点的定位方法和装置
CN106295515A (zh) 确定图像中的人脸区域的方法及装置
CN107832741A (zh) 人脸特征点定位的方法、装置及计算机可读存储介质
CN106971164A (zh) 脸型匹配方法及装置
CN106126017A (zh) 智能识别方法、装置和终端设备
CN105528078B (zh) 控制电子设备的方法及装置
CN106169075A (zh) 身份验证方法及装置
CN107886070A (zh) 人脸图像的验证方法、装置及设备
CN104077563B (zh) 人脸识别方法和装置
CN106510164B (zh) 行李箱控制方法及装置
CN106778531A (zh) 人脸定位方法及装置
CN106022272A (zh) 一种判定正脸图像的方法和装置

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