CN106845377A - 人脸关键点定位方法及装置 - Google Patents
人脸关键点定位方法及装置 Download PDFInfo
- Publication number
- CN106845377A CN106845377A CN201710016278.1A CN201710016278A CN106845377A CN 106845377 A CN106845377 A CN 106845377A CN 201710016278 A CN201710016278 A CN 201710016278A CN 106845377 A CN106845377 A CN 106845377A
- Authority
- CN
- China
- Prior art keywords
- key point
- face key
- face
- recognition
- image
- 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.)
- Pending
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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种人脸关键点定位方法及装置,所述方法包括:获取人脸关键点初始位置对应的初始图像特征向量;将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。本公开中利用循环神经网络迭代更新图像中人脸关键点的位置,可以消除每次迭代之间的累计误差,从而提高了定位人脸关键点位置的准确性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及人脸关键点定位方法及装置。
背景技术
人脸关键点是脸部表征能力强的关键部位,例如眼镜、鼻子、嘴巴和脸部轮廓等。人脸关键点定位不仅对人脸识别有很大作用,还可以为表情识别、面部识别或身份鉴定等提供基础,是人脸识别中核心问题之一。相关技术中,每次迭代采用不同函数计算关键点位置,由于各函数之间没有联系,因此造成累计误差,进而导致人脸关键点定位不准确。
发明内容
为克服相关技术中存在的问题,本公开提供了人脸关键点定位方法及装置。
根据本公开实施例的第一方面,提供一种人脸关键点定位方法,所述方法包括:
获取人脸关键点初始位置对应的初始图像特征向量;
将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;
当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
可选的,所述人脸关键点初始位置基于预设训练集中人脸关键点的平均位置获得。
可选的,所述获取人脸关键点初始位置对应的初始图像特征向量,包括:
获取目标图像中每个人脸关键点初始位置对应的局部图像特征向量;将所有局部图像特征向量进行连接处理,获得所述目标图像的初始图像特征向量;
所述将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,包括:
将所述初始图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及所述初始图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息,当N=1时,所述隐藏状态信息为预设的默认值。
可选的,所述局部图像特征向量包括:梯度方向直方图特征向量、尺度不变特征变换特征向量或卷积神经网络提取的特征向量。
可选的,所述方法还包括:
对包含有人物的图像进行人脸区域检测,获得人脸区域图像;
将所述人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像,所述人脸关键点是所述目标图像中待定位的人脸关键点。
根据本公开实施例的第二方面,提供一种人脸关键点定位装置,所述装置包括:
向量获取模块,被配置为获取人脸关键点初始位置对应的初始图像特征向量;
位置更新模块,被配置为将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;
位置确定模块,被配置为当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
可选的,所述人脸关键点初始位置基于预设训练集中人脸关键点的平均位置获得。
可选的,所述向量获取模块,被配置为:获取目标图像中每个人脸关键点初始位置对应的局部图像特征向量;将所有局部图像特征向量进行连接处理,获得所述目标图像的初始图像特征向量;
所述位置更新模块,被配置为:将所述初始图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及所述初始图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息,当N=1时,所述隐藏状态信息为预设的默认值。
可选的,所述局部图像特征向量包括:梯度方向直方图特征向量、尺度不变特征变换特征向量或卷积神经网络提取的特征向量。
可选的,所述装置还包括:
人脸检测模块,被配置为对包含有人物的图像进行人脸区域检测,获得人脸区域图像;
图像预处理模块,被配置为将所述人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像,所述人脸关键点是所述目标图像中待定位的人脸关键点。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开通过获取人脸关键点初始位置对应的初始图像特征向量;将初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。由于循环神经网络能保存前几次迭代过程中计算的状态,从而消除每次迭代之间的累计误差,从而提高了定位人脸关键点位置的准确性。
本公开根据预设训练集中人脸关键点的平均位置,确定人脸关键点初始位置,使人脸关键点的初始位置与最终位置不会相差太大,从而提高了后续迭代计算效率。
本公开不仅将人脸关键点定位的区域控制在人脸区域图像内,还将人脸区域图像进行灰度处理,并缩放至预设尺寸,减少迭代求解的范围,降低迭代过程的计算量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种人脸关键点定位方法的流程图。
图2是本公开根据一示例性实施例示出的一种利用循环神经网络更新人脸关键点位置的示意图。
图3是本公开根据一示例性实施例示出的另一种人脸关键点定位方法的流程图。
图4是本公开根据一示例性实施例示出的一种人脸关键点定位装置的框图。
图5是本公开根据一示例性实施例示出的另一种人脸关键点定位装置的框图。
图6是本公开根据一示例性实施例示出的一种用于人脸关键点定位的装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了避免相关技术中人脸关键点定位不准确的缺陷,本公开采用循环神经网络定位图像中人脸关键点的位置,由于循环神经网络中有个记忆模块能保存前几次迭代过程中计算的状态,从而消除每次迭代之间的累计误差,从而提高了定位人脸关键点位置的准确性。
如图1所示,图1是本公开根据一示例性实施例示出的一种人脸关键点定位方法的流程图,该方法可以用于终端中,包括以下步骤:
在步骤101中,获取人脸关键点初始位置对应的初始图像特征向量。
在步骤102中,将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置。
其中,所谓将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置,是指下一次迭代过程中,获取图像中更新后的人脸关键点位置处的图像特征向量。
在步骤103中,当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
本公开实施例中,智能终端可以是相机、智能手机、平板电脑、PDA(PersonalDigital Assistant,个人数字助理)等电子设备。
其中,人脸关键点是目标图像中待定位的人物的脸部关键点,例如可以是目标图像中人物的眼睛、鼻子、嘴巴等。
在一个可选的实现方式中,目标图像可以是人物图像,可以直接对包含有人物的图像进行人脸关键点定位。
进一步的,为了减少迭代求解的范围,可以对目标图像进行人脸区域检测,获得人脸区域,以用于后续进行人脸关键点定位时,在已框定的人脸区域中进行迭代计算。
在另一个可选的实现方式中,目标图像可以是人脸图像。一方面,可以直接获取人脸图像,对人脸图像进行人脸关键点定位。另一方面,获取到的图像为包含有人物的图像,可以对包含有人物的图像进行人脸区域检测,获得人脸区域图像。
在获得人脸区域图像后,在一个例子中,可以直接将人脸区域图像作为目标图像,从而将人脸关键点定位的区域控制在人脸区域图像内,减少迭代求解的范围。在另一个例子中,将所述人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像,所述人脸关键点是目标图像中待定位的人脸关键点。可见,不仅将人脸关键点定位的区域控制在人脸区域图像内,还将人脸区域图像进行灰度处理,并缩放至预设尺寸,减少迭代求解的范围,降低迭代过程的计算量。
其中,可以采用各种人脸检测方法进行人脸区域检测。例如,可以采用局部二值模式(Local binary patterns,LBP)与AdaBoost(Adaptive Boosting)相结合的方式进行检测,从而检测出图像中的人脸区域,获得人脸图像。
针对灰度处理,可以采用分量法、最大值法、平均值法、加权平均法等灰度化方法对人脸图像进行灰度处理。
针对预设尺寸,将图像缩放至预设尺寸,使所获得的图像为预设尺寸的图像,可以降低迭代过程的计算量。预设尺寸可以灵活配置,例如,可以配置为160*160。
关于人脸关键点位置,是人脸关键点在目标图像中的位置。为了能实现人脸关键点定位,可以先获取人脸关键点初始位置。初始位置可以是预先设置的位置,也可以是计算获得的位置。
在一个可选的实现方式中,人脸关键点初始位置可以基于预设训练集中人脸关键点的平均位置获得。例如,可以获取预设训练集中人脸关键点的平均位置;将所述人脸关键点的平均位置,确定为目标图像中人脸关键点初始位置。
其中,预设训练集是预先标定人脸关键点位置的人脸图像的训练集,根据预先标定的人脸关键点位置确定该人脸关键点的平均位置。将预设训练集中人脸关键点的平均位置,确定为目标图像中人脸关键点初始位置。
可见,本实施例根据预设训练集中人脸关键点的平均位置,确定目标图像中人脸关键点初始位置,使人脸关键点初始位置与最终值不会相差太大,从而提高了后续迭代计算效率。
在确定人脸关键点初始位置后,可以根据初始位置,利用循环神经网络(Recurrent Neural Networks,RNN)迭代更新图像中人脸关键点位置。相比于现有技术中采用不同函数迭代计算人脸关键点的位置,需要分开一个一个进行映射,本申请采用循环神经网络进行序列建模,实现序列映射,即将一个序列映射到另一个序列。具体的,将人脸关键点位置迭代更新的过程转化为一个序列识别的过程,即将一个序列映射为另一个序列,其中输入的序列为每一次迭代时当前位置的特征向量序列(f0,f1,f2...),输出为每一次迭代更新后的位置(s1,s2,s3...),可以把多次的迭代过程按照整体来优化,达到整体最优。并且,由于循环神经网络中有个记忆模块能保存前几次迭代过程中计算的状态,从而消除每次迭代之间的累计误差,提高了定位人脸关键点位置的准确性。
具体的,可以获取目标图像中每个人脸关键点初始位置对应的局部图像特征向量;将所有局部图像特征向量进行连接处理,获得所述目标图像的初始图像特征向量;将所述初始图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及所述初始图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息,当N=1时,所述隐藏状态信息为默认值。
如果循环神经网络输出的人脸关键点位置不满足收敛条件时,从目标图像中获取每个人脸关键点更新位置处的局部图像特征向量,并将局部图像特征向量进行连接处理,获得目标图像的图像特征向量,将所述图像特征向量输入循环神经网络,以便循环神经网络根据隐藏状态信息以及图像特征向量,对目标图像中每个人脸关键点位置进行更新,以此类推,当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
其中,连接处理可以是串联连接处理,图像特征向量(是指迭代时输入循环神经网络的图像特征向量,例如首次迭代时输入的初始图像特征向量)是将所有局部图像特征向量连接处理后获得的向量。例如,假设每个关键点位置处可以提取一个长度为m的局部图像特征向量,将n个关键点位置处的局部图像特征向量连接起来,可以获得长度为m*n的图像特征向量。
其中,局部图像特征向量是图像特征,是从图像中抽象出来的一串数字来表达这个图像,更便于计算、更具有分辩能力。
在一个实施例中,局部图像特征向量可以是梯度方向直方图特征向量(Histogramof oriented gradient,HOG),也可以是尺度不变特征变换特征向量(Scale-invariantfeature transform,SIFT),还可以是卷积神经网络(Convolutional neural networks,CNN)提取的特征向量等。
其中,隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息。例如,可以是前几次迭代用到的图像特征向量和坐标更新量的对应关系等信息。
其中,收敛条件是判断人脸关键点位置是否收敛的条件,例如,当第N次迭代输出的人脸关键点位置与第N-1次迭代输出的人脸关键点位置的变化值小于预设阈值时,判定满足收敛条件。预设阈值是预先设置的一个较小值,具体根据需求设定。
可见,本实施例可以利用循环神经网络更新目标图像中人脸关键点位置,在每次迭代中,在目标图像中每个人脸关键点位置处提取局部图像特征向量,其中,第一次迭代时,所述人脸关键点位置为初始位置,第N次迭代时,所述人脸关键点位置为第N-1次迭代更新获得的位置;将所有人脸关键点对应的局部图像特征向量进行连接处理,获得图像特征向量(为了和局部图像特征向量区分,可称为总图像特征向量);将所获得的图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,第一次迭代时,所述隐藏状态为预设的默认值,第N次迭代时,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息。判断循环神经网络输出的人脸关键点位置是否满足收敛条件,当循环神经网络输出的人脸关键点位置满足收敛条件时,将输出的人脸关键点位置确定为所述图像中人脸关键点的最终位置。
如图2所示,是本公开根据一示例性实施例示出的一种利用循环神经网络更新人脸关键点位置的示意图。在该示意图中,示意出一种循环展开的神经网络,在展开的网络中,每个时间节点都有一个输入(F)和输出(S),还有一个内部的隐藏变量(h)。如图2,F0,...,FN-1为输入网络的图像特征向量,S1,...,SN为网络输出的更新后的人脸关键点位置,h0,...,hN-1为网络记录的隐藏状态。由于网络中有个内部的隐藏变量(h)可以保留上一个时间节点的记忆,因此有益于处理序列数据,消除每次迭代之间的累计误差,从而提高了定位人脸关键点位置的准确性。
在目标图像中人脸关键点的初始位置处提取图像特征向量,将所有人脸关键点对应的图像特征向量结合获得图像特征向量F0,将图像特征向量F0输入循环神经网络,循环神经网络根据图像特征向量F0和默认的隐藏状态h0更新图像中每个人脸关键点的位置,获得更新位置S1,同时利用循环神经网络中的记忆模块保存此次迭代过程中的相关信息,获得隐藏状态h1。如果更新位置S1没有收敛,则在更新位置S1处提取图像特征向量,根据提取的图像特征向量结合获得图像特征向量F1,将该图像特征向量F1输入循环神经网络,循环神经网络根据图像特征向量F1和已存储的隐藏状态h1,更新图像中每个人脸关键点的位置,输出更新位置S2,以此类推,经过N次迭代后,直至更新位置SN收敛,迭代结束。SN即为图像中人脸关键点的最终位置。
以上实施方式中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
以下列举其中一种组合进行说明。
如图3所示,图3是本公开根据一示例性实施例示出的另一种人脸关键点定位方法的流程图,所述方法包括:
在步骤301中,对包含有人物的图像进行人脸区域检测,获得人脸区域图像。
在步骤302中,将人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像。
在步骤303中,获取预设训练集中人脸关键点的平均位置,根据人脸关键点的平均位置,确定目标图像中人脸关键点的初始位置。
在步骤304中,在每个人脸关键点的当前位置处提取HOG特征向量,并根据所有人脸关键点对应的HOG特征向量确定图像特征向量。
其中,第一次迭代时,所述当前位置为初始位置,第N次迭代时,所述当前位置为第N-1次迭代获得的更新位置。
在步骤305中,将图像特征向量输入循环神经网络(RNN),循环神经网络根据隐藏状态信息以及图像特征向量,确定图像中每个人脸关键点的更新位置。
其中,第一次迭代时,所述隐藏状态为默认值,第N次迭代时,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息。
在步骤306中,判断循环神经网络输出的人脸关键点位置(更新位置)是否满足收敛条件,若满足,则将该更新位置确定为人脸关键点的最终位置,迭代结束;若不满足,则将该人脸关键点的更新位置作为当前位置,继续执行步骤304、305和306。
由上述实施例可见,本实施例不仅将人脸关键点定位的区域控制在人脸区域图像内,还将人脸区域图像进行灰度处理,并缩放至预设尺寸,同时根据预设训练集中人脸关键点的平均位置确定图像中人脸关键点的初始位置,减少迭代求解的范围,降低迭代过程的计算量。相比于现有技术中每次迭代采用不同函数计算关键点位置,本申请采用循环神经网络进行序列建模,由于循环神经网络中有个记忆模块能保存前几次迭代过程中计算的状态,从而消除每次迭代之间的累计误差,从而提高了定位人脸关键点位置的准确性。
与前述人脸关键点定位方法的实施例相对应,本公开还提供了人脸关键点定位装置及其所应用的终端的实施例。
如图4所示,图4是本公开根据一示例性实施例示出的一种人脸关键点定位装置的框图,所述装置包括:向量获取模块41、位置更新模块42和位置确定模块43。
向量获取模块41,被配置为获取人脸关键点初始位置对应的初始图像特征向量。
位置更新模块42,被配置为将所述向量获取模块41获取的所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置。
位置确定模块43,被配置为当位置更新模块42的循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
在一个例子中,当位置确定模块43确定循环神经网络输出的人脸关键点位置没有满足收敛条件时,可以通知向量获取模块41执行下一次迭代。
由上述实施例可见,通过获取人脸关键点初始位置对应的初始图像特征向量;将初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。由于循环神经网络能保存前几次迭代过程中计算的状态,从而消除每次迭代之间的累计误差,从而提高了定位人脸关键点位置的准确性。
如图5所示,图5是本公开根据一示例性实施例示出的另一种人脸关键点定位装置的框图,该实施例在前述图4所示实施例的基础上,所述装置还包括:人脸检测模块44和图像预处理模块45。
其中,人脸检测模块44,被配置为对包含有人物的图像进行人脸区域检测,获得人脸区域图像。
图像预处理模块45,被配置为将人脸检测模块44检测获得的所述人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像,所述人脸关键点是所述目标图像中待定位的人脸关键点。
其中,向量获取模块41可以从图像预处理模块45中获取目标图像。
由上述实施例可见,不仅将人脸关键点定位的区域控制在人脸区域图像内,还将人脸区域图像进行灰度处理,并缩放至预设尺寸,减少迭代求解的范围,降低迭代过程的计算量。
在一个可选的实现方式中,所述人脸关键点初始位置基于预设训练集中人脸关键点的平均位置获得。
由上述实施例可见,根据预设训练集中人脸关键点的平均位置,确定待定位图像中人脸关键点初始位置,使人脸关键点的初始位置与最终位置不会相差太大,从而提高了后续迭代计算效率。
在一个可选的实现方式中,所述向量获取模块41,被配置为:获取目标图像中每个人脸关键点初始位置对应的局部图像特征向量;将所有局部图像特征向量进行连接处理,获得所述目标图像的初始图像特征向量。
所述位置更新模块42,被配置为:将所述初始图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及所述初始图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息,当N=1时,所述隐藏状态信息为预设的默认值。
在一个可选的实现方式中,所述局部图像特征向量包括:梯度方向直方图特征向量、尺度不变特征变换特征向量或卷积神经网络提取的特征向量。
相应的,本公开还提供一种人脸关键点定位装置,所述装置包括有处理器;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:
获取人脸关键点初始位置对应的初始图像特征向量。
将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置。
当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
如图6所示,图6是本公开根据一示例性实施例示出的一种用于人脸关键点定位的装置600的结构示意图。该装置600可以是相机、移动电话,计算机,数字广播终端,消息收发设备,平板设备、个人数字助理等终端。
参照图6,装置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通常控制装置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。处理组件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,处理组件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装置600的操作。这些数据的示例包括用于在装置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。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置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。当装置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),当装置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。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
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,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到装置600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600中一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置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被配置为便于装置600和其他设备之间有线或无线方式的通信。装置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,通信组件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,所述通信组件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,装置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,上述指令可由装置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。
其中,当所述存储介质中的指令由所述处理器执行时,使得装置600能够执行一种人脸关键点定位方法,包括:
获取人脸关键点初始位置对应的初始图像特征向量。
将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置。
当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
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。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。
Claims (10)
1.一种人脸关键点定位方法,其特征在于,所述方法包括:
获取人脸关键点初始位置对应的初始图像特征向量;
将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;
当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
2.根据权利要求1所述的方法,其特征在于,所述人脸关键点初始位置基于预设训练集中人脸关键点的平均位置获得。
3.根据权利要求1或2所述的方法,其特征在于,所述获取人脸关键点初始位置对应的初始图像特征向量,包括:
获取目标图像中每个人脸关键点初始位置对应的局部图像特征向量;将所有局部图像特征向量进行连接处理,获得所述目标图像的初始图像特征向量;
所述将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,包括:
将所述初始图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及所述初始图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息,当N=1时,所述隐藏状态信息为预设的默认值。
4.根据权利要求3所述的方法,其特征在于,所述局部图像特征向量包括:梯度方向直方图特征向量、尺度不变特征变换特征向量或卷积神经网络提取的特征向量。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对包含有人物的图像进行人脸区域检测,获得人脸区域图像;
将所述人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像,所述人脸关键点是所述目标图像中待定位的人脸关键点。
6.一种人脸关键点定位装置,其特征在于,所述装置包括:
向量获取模块,被配置为获取人脸关键点初始位置对应的初始图像特征向量;
位置更新模块,被配置为将所述初始图像特征向量输入循环神经网络,利用循环神经网络获取更新后人脸关键点位置,将更新后人脸关键点位置作为下一次获取图像特征向量所对应的人脸关键点位置;
位置确定模块,被配置为当循环神经网络输出的人脸关键点位置满足收敛条件时,获取人脸关键点最终位置。
7.根据权利要求6所述的装置,其特征在于,所述人脸关键点初始位置基于预设训练集中人脸关键点的平均位置获得。
8.根据权利要求6或7所述的装置,其特征在于,
所述向量获取模块,被配置为:获取目标图像中每个人脸关键点初始位置对应的局部图像特征向量;将所有局部图像特征向量进行连接处理,获得所述目标图像的初始图像特征向量;
所述位置更新模块,被配置为:将所述初始图像特征向量输入循环神经网络,循环神经网络根据隐藏状态信息以及所述初始图像特征向量,对所述目标图像中每个人脸关键点位置进行更新,其中,所述隐藏状态信息是循环神经网络记录的前N-1次迭代过程中的信息,当N=1时,所述隐藏状态信息为预设的默认值。
9.根据权利要求8所述的装置,其特征在于,所述局部图像特征向量包括:梯度方向直方图特征向量、尺度不变特征变换特征向量或卷积神经网络提取的特征向量。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
人脸检测模块,被配置为对包含有人物的图像进行人脸区域检测,获得人脸区域图像;
图像预处理模块,被配置为将所述人脸区域图像进行灰度处理,并缩放至预设尺寸,获得目标图像,所述人脸关键点是所述目标图像中待定位的人脸关键点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016278.1A CN106845377A (zh) | 2017-01-10 | 2017-01-10 | 人脸关键点定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016278.1A CN106845377A (zh) | 2017-01-10 | 2017-01-10 | 人脸关键点定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845377A true CN106845377A (zh) | 2017-06-13 |
Family
ID=59118625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710016278.1A Pending CN106845377A (zh) | 2017-01-10 | 2017-01-10 | 人脸关键点定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845377A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技(集团)有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
CN107563387A (zh) * | 2017-09-14 | 2018-01-09 | 成都掌中全景信息技术有限公司 | 一种基于循环神经网络的图像目标检测选框方法 |
CN109101983A (zh) * | 2018-08-02 | 2018-12-28 | 大连恒锐科技股份有限公司 | 一种基于深度学习的鞋样及足迹关键点检测方法 |
CN109558837A (zh) * | 2018-11-28 | 2019-04-02 | 北京达佳互联信息技术有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN109858402A (zh) * | 2019-01-16 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、终端以及存储介质 |
CN109960974A (zh) * | 2017-12-22 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸关键点检测方法、装置、电子设备及存储介质 |
US10373332B2 (en) | 2017-12-08 | 2019-08-06 | Nvidia Corporation | Systems and methods for dynamic facial analysis using a recurrent neural network |
CN110929792A (zh) * | 2019-11-27 | 2020-03-27 | 深圳市商汤科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN111241961A (zh) * | 2020-01-03 | 2020-06-05 | 精硕科技(北京)股份有限公司 | 人脸检测方法、装置及电子设备 |
CN111243011A (zh) * | 2018-11-29 | 2020-06-05 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
WO2020119458A1 (zh) * | 2018-12-10 | 2020-06-18 | 腾讯科技(深圳)有限公司 | 脸部关键点检测方法、装置、计算机设备和存储介质 |
CN111968163A (zh) * | 2020-08-14 | 2020-11-20 | 济南博观智能科技有限公司 | 一种热电堆阵列测温方法及装置 |
CN117079377A (zh) * | 2023-06-07 | 2023-11-17 | 南通新旋利机械科技有限公司 | 一种提高自动门感应识别率的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469056A (zh) * | 2015-11-26 | 2016-04-06 | 小米科技有限责任公司 | 人脸图像处理方法及装置 |
CN105512627A (zh) * | 2015-12-03 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN106022215A (zh) * | 2016-05-05 | 2016-10-12 | 北京海鑫科金高科技股份有限公司 | 人脸特征点定位方法及装置 |
CN106203376A (zh) * | 2016-07-19 | 2016-12-07 | 北京旷视科技有限公司 | 人脸关键点定位方法及装置 |
CN106295511A (zh) * | 2016-07-26 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸跟踪方法及装置 |
-
2017
- 2017-01-10 CN CN201710016278.1A patent/CN106845377A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469056A (zh) * | 2015-11-26 | 2016-04-06 | 小米科技有限责任公司 | 人脸图像处理方法及装置 |
CN105512627A (zh) * | 2015-12-03 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN106022215A (zh) * | 2016-05-05 | 2016-10-12 | 北京海鑫科金高科技股份有限公司 | 人脸特征点定位方法及装置 |
CN106203376A (zh) * | 2016-07-19 | 2016-12-07 | 北京旷视科技有限公司 | 人脸关键点定位方法及装置 |
CN106295511A (zh) * | 2016-07-26 | 2017-01-04 | 北京小米移动软件有限公司 | 人脸跟踪方法及装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技(集团)有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
CN107563387A (zh) * | 2017-09-14 | 2018-01-09 | 成都掌中全景信息技术有限公司 | 一种基于循环神经网络的图像目标检测选框方法 |
US10373332B2 (en) | 2017-12-08 | 2019-08-06 | Nvidia Corporation | Systems and methods for dynamic facial analysis using a recurrent neural network |
CN109960974A (zh) * | 2017-12-22 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸关键点检测方法、装置、电子设备及存储介质 |
CN109101983A (zh) * | 2018-08-02 | 2018-12-28 | 大连恒锐科技股份有限公司 | 一种基于深度学习的鞋样及足迹关键点检测方法 |
CN109101983B (zh) * | 2018-08-02 | 2020-10-30 | 大连恒锐科技股份有限公司 | 一种基于深度学习的鞋样及足迹关键点检测方法 |
CN109558837A (zh) * | 2018-11-28 | 2019-04-02 | 北京达佳互联信息技术有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN109558837B (zh) * | 2018-11-28 | 2024-03-22 | 北京达佳互联信息技术有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN111243011A (zh) * | 2018-11-29 | 2020-06-05 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
WO2020119458A1 (zh) * | 2018-12-10 | 2020-06-18 | 腾讯科技(深圳)有限公司 | 脸部关键点检测方法、装置、计算机设备和存储介质 |
US11915514B2 (en) | 2018-12-10 | 2024-02-27 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for detecting facial key points, computer device, and storage medium |
CN109858402A (zh) * | 2019-01-16 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、终端以及存储介质 |
CN110929792A (zh) * | 2019-11-27 | 2020-03-27 | 深圳市商汤科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN110929792B (zh) * | 2019-11-27 | 2024-05-24 | 深圳市商汤科技有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN111241961A (zh) * | 2020-01-03 | 2020-06-05 | 精硕科技(北京)股份有限公司 | 人脸检测方法、装置及电子设备 |
CN111241961B (zh) * | 2020-01-03 | 2023-12-08 | 北京秒针人工智能科技有限公司 | 人脸检测方法、装置及电子设备 |
CN111968163B (zh) * | 2020-08-14 | 2023-10-10 | 济南博观智能科技有限公司 | 一种热电堆阵列测温方法及装置 |
CN111968163A (zh) * | 2020-08-14 | 2020-11-20 | 济南博观智能科技有限公司 | 一种热电堆阵列测温方法及装置 |
CN117079377A (zh) * | 2023-06-07 | 2023-11-17 | 南通新旋利机械科技有限公司 | 一种提高自动门感应识别率的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845377A (zh) | 人脸关键点定位方法及装置 | |
CN110516745B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
CN108256555B (zh) | 图像内容识别方法、装置及终端 | |
CN104850828B (zh) | 人物识别方法及装置 | |
CN104408402B (zh) | 人脸识别方法及装置 | |
CN107239535A (zh) | 相似图片检索方法及装置 | |
CN104700353B (zh) | 图像滤镜生成方法及装置 | |
CN104408404B (zh) | 人脸识别方法及装置 | |
CN106548145A (zh) | 图像识别方法及装置 | |
CN106778531A (zh) | 人脸定位方法及装置 | |
CN107582028A (zh) | 睡眠监测方法及装置 | |
CN106845398B (zh) | 人脸关键点定位方法及装置 | |
CN109871896A (zh) | 数据分类方法、装置、电子设备及存储介质 | |
CN106980840A (zh) | 脸型匹配方法、装置及存储介质 | |
CN107463903B (zh) | 人脸关键点定位方法及装置 | |
CN107368810A (zh) | 人脸检测方法及装置 | |
CN105447462A (zh) | 人脸姿态估计方法及装置 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN111047526A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
US10326928B2 (en) | Image processing apparatus for determining whether section of target area matches section of person area and control method thereof | |
CN106778773A (zh) | 图片中目标物的定位方法及装置 | |
CN108256549A (zh) | 图像分类方法、装置及终端 | |
CN106250921A (zh) | 图片处理方法及装置 | |
CN106295499A (zh) | 年龄估计方法及装置 | |
CN105279499A (zh) | 年龄识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |