CN107169408A - 一种颜值判定方法及装置 - Google Patents
一种颜值判定方法及装置 Download PDFInfo
- Publication number
- CN107169408A CN107169408A CN201710207839.6A CN201710207839A CN107169408A CN 107169408 A CN107169408 A CN 107169408A CN 201710207839 A CN201710207839 A CN 201710207839A CN 107169408 A CN107169408 A CN 107169408A
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- value
- characteristic
- determined
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种颜值判定方法及装置,应用于多媒体技术领域,所述方法包括:提取待判定人脸图片的第一人脸特征;计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,选取与所述待判定人脸图片最接近的N张人脸图片,其中,所述N张人脸图片位于所述人脸颜值库中,N为大于0且小于预设阈值的整数;将所述N张人脸图片的颜值的平均值作为所述待判定人脸图片的颜值。与现有的颜值判定方法相比,本发明实施例可简化颜值判定的过程,提高颜值判定的准确性。
Description
技术领域
本发明涉及多媒体技术领域,特别是涉及一种颜值判定方法及装置。
背景技术
“颜值”是近年来流行的网络词语,现在几乎每天都可以在各大互联网看到关于颜值的新闻。颜值最简单的解释就是长相,它是对外貌特征优劣程度的判定。“颜值”也有衡量标准,可以测量和比较,颜值的衡量标准包括:“颜值低”、“颜值高”、“颜值担当”和“颜值爆表”等说法。其中,“颜值高”和“颜值担当”是长得好看,而“颜值低”是长得不好看。
目前,颜值的判定方法主要包括:标注用于存储图片和颜值对应关系的颜值数据库,通过机器学习训练出颜值模型,根据颜值模型判定颜值。然而,由于机器学习需要对庞大的数据进行训练,因此,上述颜值判定方法判定颜值的过程复杂,且得到的颜值准确性较低。
发明内容
本发明实施例的目的在于提供一种颜值判定方法及装置,以降低颜值判定过程的复杂性,提高颜值判定的准确性。具体技术方案如下:
本发明实施例公开了一种颜值判定方法,包括:
提取待判定人脸图片的第一人脸特征;
计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据所述距离选取与所述待判定人脸图片最接近的N张人脸图片,其中,N为大于0且小于预设阈值的整数;
将所述N张人脸图片的颜值的平均值作为所述待判定人脸图片的颜值。
可选的,位于所述提取待判定人脸图片的第一人脸特征之前,所述方法还包括:
对待判定图片进行预处理,得到所述待判定图片对应的待判定人脸图片。
可选的,位于所述提取待判定人脸图片的第一人脸特征之前,所述方法还包括:
对具有人脸特征的人脸图像进行训练,建立人脸识别模型。
可选的,位于所述提取待判定人脸图片的第一人脸特征之前,所述方法还包括:
获取具有颜值标注的第一人脸图片,对所述第一人脸图片进行预处理;
通过所述人脸识别模型提取预处理后的每一张人脸图片的人脸特征,建立所述人脸特征与颜值相对应的人脸颜值库。
可选的,所述提取待判定人脸图片的第一人脸特征,包括:
通过所述人脸识别模型提取所述待判定人脸图片的第一人脸特征。
可选的,所述对待判定图片进行预处理,包括:
获取所述待判定图片中的人脸关键点;
根据人脸关键点位置,通过仿射变换,对人脸进行校准。
可选的,所述计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据所述距离选取与所述待判定人脸图片最接近的N张人脸图片,包括:
计算所述第一人脸特征和所述第二人脸特征的余弦值;
选取最大的N个余弦值对应的N张人脸图片;或,
计算所述第一人脸特征和所述第二人脸特征的欧式距离;
选取最小的N个欧氏距离对应的N张人脸图片。
本发明实施例还公开了一种颜值判定装置,包括:
特征提取模块,用于提取待判定人脸图片的第一人脸特征;
图片选取模块,用于计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据所述距离选取与所述待判定人脸图片最接近的N张人脸图片,其中,N为大于0且小于预设阈值的整数;
颜值判定模块,用于将所述N张人脸图片的颜值的平均值作为所述待判定人脸图片的颜值。
可选的,本发明实施例的颜值判定装置,还包括:
预处理模块,用于对待判定图片进行预处理,得到所述待判定图片对应的待判定人脸图片。
可选的,本发明实施例的颜值判定装置,还包括:
人脸识别模型建立模块,用于对具有人脸特征的人脸图像进行训练,建立人脸识别模型。
可选的,本发明实施例的颜值判定装置,还包括:
人脸图片处理模块,用于获取具有颜值标注的第一人脸图片,对所述第一人脸图片进行预处理;
人脸颜值库建立模块,用于通过所述人脸识别模型提取预处理后的每一张人脸图片的人脸特征,建立所述人脸特征与颜值相对应的人脸颜值库。
可选的,所述特征提取模块具体用于,通过所述人脸识别模型提取所述待判定人脸图片的第一人脸特征。
可选的,所述预处理模块包括:
关键点获取子模块,用于获取所述待判定图片中的人脸关键点;
校准子模块,用于根据人脸关键点位置,通过仿射变换,对人脸进行校准。
可选的,所述图片选取模块包括:
第一计算子模块,用于计算所述第一人脸特征和所述第二人脸特征的余弦值;
第一选取子模块,用于选取最大的N个余弦值对应的N张人脸图片;或,
第二计算子模块,用于计算所述第一人脸特征和所述第二人脸特征的欧式距离;
第二选取子模块,用于选取最小的N个欧氏距离对应的N张人脸图片。
本发明实施例提供的颜值判定方法及装置,通过提取待判定人脸图片的第一人脸特征;计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,选取与待判定人脸图片最接近的N张人脸图片;将N张人脸图片的颜值的平均值作为待判定人脸图片的颜值,本发明实施例判定颜值的过程简单。另外,将与待判定人脸图片接近的N张人脸图片颜值的平均值作为待判定人脸图片的颜值,提高了颜值判定的准确性。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的颜值判定方法的一种流程图;
图2为本发明实施例的颜值判定方法的另一种流程图;
图3为本发明实施例的颜值判定方法的另一种流程图;
图4为本发明实施例的颜值判定方法的另一种流程图;
图5为本发明实施例的颜值判定装置的一种结构图;
图6为本发明实施例的颜值判定装置的另一种结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了简化颜值判定过程以及提高颜值判定的准确性,本发明实施例提供了一种颜值判定方法及装置。
下面首先对本发明实施例提供的颜值判定方法进行介绍。
参见图1,图1为本发明实施例的颜值判定方法的一种流程图,包括如下步骤:
S101,提取待判定人脸图片的第一人脸特征。
本发明实施例中,待判定人脸图片会产生一组基本特征,该基本特征是可以测量或计算出来的。该待判定人脸图片的第一人脸特征为一个多维向量,例如,第一人脸特征为320维向量。当然,也可以是其他多维向量,在此不做限定。需要说明的是,待判定人脸图片中可以包括多张人脸,在进行人脸特征提取时,还可以提取待判定人脸图片中不同人脸的第三人脸特征、第四人脸特征等等。当然,第三人脸特征、第四人脸特征的判定方法与第一人脸特征相同,本发明实施例仅以第一人脸特征为例进行说明。
S102,计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据距离选取与待判定人脸图片最接近的N张人脸图片,其中,N张人脸图片位于人脸颜值库中,N为大于0且小于预设阈值的整数。
更为具体的,第一人脸特征为待判定人脸图片的特征,第二人脸特征为人脸颜值库中图片的人脸特征。一般的,人脸颜值库中保存多张图片,因此,第二人脸特征指的是多张图片的人脸特征。计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,也就是,计算待判定人脸图片的特征与人脸颜值库中的多张图片的特征的距离,根据距离,选取与待判定人脸图片最接近的N张人脸图片。其中,N值越小,选取的与待判定人脸图片最接近的图片越少,参考性较低;N值越大,选取的与待判定人脸图片最接近的图片越多,但是接近程度降低。预设阈值可以为8,根据验证,N值取4-8的整数使得颜值判定更准确。当然,N也可以为其他数值,在此不做限定。
S103,将N张人脸图片的颜值的平均值作为待判定人脸图片的颜值。
需要说明的是,人脸颜值库中的图片是具有一定颜值的图片,即每张图片对应相应的颜值。因此,在通过S102得到与待判定人脸图片最接近的N张人脸图片后,该N张人脸图片的颜值的平均值即为待判定人脸图片的颜值。
举例而言,如果N为6,颜值的最高标准为10分,在通过S102得到的6张人脸图片的颜值分别为7.9、8.2、8.2、8、7.9、8.1,那么,待判定人脸图片的颜值为(7.9+8.2+8.2+8+7.9+8.1)/6=8.05。
可见,本发明实施例提供的颜值判定方法,通过提取待判定人脸图片的第一人脸特征;计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,选取与待判定人脸图片最接近的N张人脸图片;将N张人脸图片的颜值的平均值作为待判定人脸图片的颜值,本发明实施例判定颜值的过程简单。另外,将与待判定人脸图片接近的N张人脸图片颜值的平均值作为待判定人脸图片的颜值,提高了颜值判定的准确性。
参见图2,图2为本发明实施例的颜值判定方法的另一种流程图,在图1实施例基础上,还包括:
S201,对待判定图片进行预处理,得到待判定图片对应的待判定人脸图片。
需要解释的是,对待判定图片进行预处理,得到待判定人脸图片,使得可以直接从待判定人脸图片中提取人脸特征。下文将对预处理过程做详细说明,在此不再赘述。
参见图3,图3为本发明实施例的颜值判定方法的另一种流程图,在图1实施例基础上,还包括:
S301,对具有人脸特征的人脸图像进行训练,建立人脸识别模型。
具体的,通过卷积神经网络对具有人脸特征的人脸图像进行训练,建立人脸识别模型,使得在向该人脸识别模型输入图片时,可以提取人脸特征。其中,该人脸识别模型中包括:图片和人脸特征的对应关系。
参见图4,图4为本发明实施例的颜值判定方法的另一种流程图,在图1实施例基础上,还包括:
S401,获取具有颜值标注的第一人脸图片,对第一人脸图片进行预处理。
S402,通过人脸识别模型提取预处理后的每一张人脸图片的人脸特征,建立人脸特征与颜值相对应的人脸颜值库。
具体的,在进行颜值判定之前,需要建立人脸颜值库,该人脸颜值库中包括:具有颜值标注的第一人脸图片。需要说明的是,第一人脸图片的颜值是专业机构认可的颜值。例如,黄金比例脸,指的是符合国际认可的黄金比例界定了双眼、嘴巴、前额及下巴之间的最佳距离。如果颜值的最高标准为10分,那么,符合黄金比例的人脸图片的颜值为10。当然,第一人脸图片的颜值判定标准可以是其他任何可以被认可的标准,在此不做限定。
当然,经过判定并被认可的第一人脸图片的数量是有限的,因此,通过对第一人脸图片进行预处理,然后提取预处理后的人脸特征,得到图片与人脸特征的对应关系。那么,建立的人脸颜值库包括:人脸图片、该人脸图片的颜值和该人脸图片的人脸特征的对应关系,这样,在S102中,通过计算第一人脸特征与第二人脸特征的距离,即可得到与待判定人脸图片最接近的N张人脸图片。
本发明实施例的一种实现方式中,提取待判定人脸图片的第一人脸特征,包括:
通过人脸识别模型提取待判定人脸图片的第一人脸特征。
本发明实施例中,人脸识别模型为通过深度学习预先建立的模型,该人脸识别模型中包括:图片和人脸特征的对应关系。输入待判定人脸图片即可得到待判定人脸图片的第一人脸特征。当然,通过其他方式得到第一人脸特征也都是可以的。
可选的,本发明实施例的颜值判定方法中,对待判定图片进行预处理,包括:
首先,获取待判定图片中的人脸关键点。
然后,根据人脸关键点位置,通过仿射变换,对人脸进行校准。
其中,待判定图片中的人脸关键点包括:眉、眼、耳、鼻、口等,获取人脸关键点之后,根据人脸关键点做仿射变换,仿射变换在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射,由一个非奇异的线性变换接上一个平移变换组成。图片的仿射变换可以理解为图片的平移、拉伸和压缩等等。举例而言,如果待识别视频中的一帧图片中人脸是倾斜的,可根据仿射变换将倾斜的人脸变换为平直的人脸,方便后续提取图片的人脸特征。由于仿射变换属于现有技术,在此不再进行详细描述。当然,其他可以实现提取人脸特征的预处理方法也都是可以的。
可选的,本发明实施例的颜值判定方法中,计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据距离选取与待判定人脸图片最接近的N张人脸图片,包括:
计算第一人脸特征和第二人脸特征的余弦值;
选取最大的N个余弦值对应的N张人脸图片。或,
计算第一人脸特征和第二人脸特征的欧式距离;
选取最小的N个欧氏距离对应的N张人脸图片。
需要说明的是,由于人脸特征是一个多维向量,两个多维向量之间的接近程度可以是通过计算两个向量之间的余弦值判断,也可以通过计算两个向量之间的欧式距离判断。两个向量之间的余弦值指的是,两个向量形成的夹角的余弦值;欧式距离指在多维空间中两个点之间的真实距离,或者向量的自然长度。本发明实施例中,欧式距离指的是,两个向量之间的向量差的长度。在通过余弦值进行判断时,余弦值越大,表明两个向量越接近,因此,选取最大的N个余弦值对应的N张人脸图片;而在通过欧式距离进行判断时,欧式距离越小,表明两个向量越接近,因此,选取最小的N个欧氏距离对应的N张人脸图片。
相应于上述方法实施例,本发明实施例还公开了一种颜值判定装置,参见图5,图5为本发明实施例的颜值判定装置的一种结构图,包括:
特征提取模块501,用于提取待判定人脸图片的第一人脸特征。
图片选取模块502,用于计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据距离选取与待判定人脸图片最接近的N张人脸图片,其中,N为大于0且小于预设阈值的整数。
颜值判定模块503,用于将N张人脸图片的颜值的平均值作为待判定人脸图片的颜值。
可见,本发明实施例提供的颜值判定装置,通过提取待判定人脸图片的第一人脸特征;计算第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,选取与待判定人脸图片最接近的N张人脸图片;将N张人脸图片的颜值的平均值作为待判定人脸图片的颜值,本发明实施例判定颜值的过程简单。另外,将与待判定人脸图片接近的N张人脸图片颜值的平均值作为待判定人脸图片的颜值,提高了颜值判定的准确性。
需要说明的是,本发明实施例的装置是应用上述颜值判定方法的装置,则上述颜值判定方法的所有实施例均适用于该装置,且均能达到相同或相似的有益效果。
参见图6,图6为本发明实施例的颜值判定装置的另一种结构图,在图5实施例的基础上,还包括:
人脸图片处理模块601,用于获取具有颜值标注的第一人脸图片,对第一人脸图片进行预处理。
人脸颜值库建立模块602,用于通过人脸识别模型提取预处理后的每一张人脸图片的人脸特征,建立人脸特征与颜值相对应的人脸颜值库。
人脸识别模型建立模块603,用于对具有人脸特征的人脸图像进行训练,建立人脸识别模型。
预处理模块604,用于对待判定图片进行预处理,得到待判定图片对应的待判定人脸图片。
可选的,本发明实施例的颜值判定装置中,特征提取模块具体用于,通过人脸识别模型提取待判定人脸图片的第一人脸特征。
可选的,本发明实施例的颜值判定装置中,预处理模块包括:
关键点获取子模块,用于获取待判定图片中的人脸关键点。
校准子模块,用于根据人脸关键点位置,通过仿射变换,对人脸进行校准。
可选的,本发明实施例的颜值判定装置中,图片选取模块包括:
第一计算子模块,用于计算第一人脸特征和第二人脸特征的余弦值。
第一选取子模块,用于选取最大的N个余弦值对应的N张人脸图片。或,
第二计算子模块,用于计算第一人脸特征和第二人脸特征的欧式距离。
第二选取子模块,用于选取最小的N个欧氏距离对应的N张人脸图片。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非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作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (14)
1.一种颜值判定方法,其特征在于,包括:
提取待判定人脸图片的第一人脸特征;
计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据所述距离选取与所述待判定人脸图片最接近的N张人脸图片,其中,N为大于0且小于预设阈值的整数;
将所述N张人脸图片的颜值的平均值作为所述待判定人脸图片的颜值。
2.根据权利要求1所述的颜值判定方法,其特征在于,位于所述提取待判定人脸图片的第一人脸特征之前,所述方法还包括:
对待判定图片进行预处理,得到所述待判定图片对应的待判定人脸图片。
3.根据权利要求1所述的颜值判定方法,其特征在于,位于所述提取待判定人脸图片的第一人脸特征之前,所述方法还包括:
对具有人脸特征的人脸图像进行训练,建立人脸识别模型。
4.根据权利要求1所述的颜值判定方法,其特征在于,位于所述提取待判定人脸图片的第一人脸特征之前,所述方法还包括:
获取具有颜值标注的第一人脸图片,对所述第一人脸图片进行预处理;
通过所述人脸识别模型提取预处理后的每一张人脸图片的人脸特征,建立所述人脸特征与颜值相对应的人脸颜值库。
5.根据权利要求1所述的颜值判定方法,其特征在于,所述提取待判定人脸图片的第一人脸特征,包括:
通过所述人脸识别模型提取所述待判定人脸图片的第一人脸特征。
6.根据权利要求2所述的颜值判定方法,其特征在于,所述对待判定图片进行预处理,包括:
获取所述待判定图片中的人脸关键点;
根据人脸关键点位置,通过仿射变换,对人脸进行校准。
7.根据权利要求1所述的颜值判定方法,其特征在于,所述计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据所述距离选取与所述待判定人脸图片最接近的N张人脸图片,包括:
计算所述第一人脸特征和所述第二人脸特征的余弦值;
选取最大的N个余弦值对应的N张人脸图片;或,
计算所述第一人脸特征和所述第二人脸特征的欧式距离;
选取最小的N个欧氏距离对应的N张人脸图片。
8.一种颜值判定装置,其特征在于,包括:
特征提取模块,用于提取待判定人脸图片的第一人脸特征;
图片选取模块,用于计算所述第一人脸特征与预先建立的人脸颜值库中的第二人脸特征的距离,根据所述距离选取与所述待判定人脸图片最接近的N张人脸图片,其中,N为大于0且小于预设阈值的整数;
颜值判定模块,用于将所述N张人脸图片的颜值的平均值作为所述待判定人脸图片的颜值。
9.根据权利要求8所述的颜值判定装置,其特征在于,还包括:
预处理模块,用于对待判定图片进行预处理,得到所述待判定图片对应的待判定人脸图片。
10.根据权利要求8所述的颜值判定装置,其特征在于,还包括:
人脸识别模型建立模块,用于对具有人脸特征的人脸图像进行训练,建立人脸识别模型。
11.根据权利要求8所述的颜值判定装置,其特征在于,还包括:
人脸图片处理模块,用于获取具有颜值标注的第一人脸图片,对所述第一人脸图片进行预处理;
人脸颜值库建立模块,用于通过所述人脸识别模型提取预处理后的每一张人脸图片的人脸特征,建立所述人脸特征与颜值相对应的人脸颜值库。
12.根据权利要求8所述的颜值判定装置,其特征在于,所述特征提取模块具体用于,通过所述人脸识别模型提取所述待判定人脸图片的第一人脸特征。
13.根据权利要求9所述的颜值判定装置,其特征在于,所述预处理模块包括:
关键点获取子模块,用于获取所述待判定图片中的人脸关键点;
校准子模块,用于根据人脸关键点位置,通过仿射变换,对人脸进行校准。
14.根据权利要求8所述的颜值判定装置,其特征在于,所述图片选取模块包括:
第一计算子模块,用于计算所述第一人脸特征和所述第二人脸特征的余弦值;
第一选取子模块,用于选取最大的N个余弦值对应的N张人脸图片;或,
第二计算子模块,用于计算所述第一人脸特征和所述第二人脸特征的欧式距离;
第二选取子模块,用于选取最小的N个欧氏距离对应的N张人脸图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710207839.6A CN107169408A (zh) | 2017-03-31 | 2017-03-31 | 一种颜值判定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710207839.6A CN107169408A (zh) | 2017-03-31 | 2017-03-31 | 一种颜值判定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169408A true CN107169408A (zh) | 2017-09-15 |
Family
ID=59849533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710207839.6A Pending CN107169408A (zh) | 2017-03-31 | 2017-03-31 | 一种颜值判定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169408A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021866A (zh) * | 2017-11-03 | 2018-05-11 | 百度在线网络技术(北京)有限公司 | 照片管理方法、装置、设备及存储介质 |
CN108288023A (zh) * | 2017-12-20 | 2018-07-17 | 深圳和而泰数据资源与云技术有限公司 | 人脸识别的方法和装置 |
CN108629336A (zh) * | 2018-06-05 | 2018-10-09 | 北京千搜科技有限公司 | 基于人脸特征点识别的颜值计算方法 |
WO2019061203A1 (zh) * | 2017-09-28 | 2019-04-04 | 深圳传音通讯有限公司 | 获取颜值变化的方法及终端 |
CN110874567A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技(深圳)有限公司 | 颜值判定方法、装置、电子设备及存储介质 |
CN111626248A (zh) * | 2020-06-01 | 2020-09-04 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070258644A1 (en) * | 2006-03-02 | 2007-11-08 | Tomokazu Kawahara | Pattern recognition apparatus and method therefor |
CN102254180A (zh) * | 2011-06-28 | 2011-11-23 | 北京交通大学 | 一种基于几何特征的人脸美感分析方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN105335726A (zh) * | 2015-11-06 | 2016-02-17 | 广州视源电子科技股份有限公司 | 人脸识别置信度获取方法和系统 |
CN106469298A (zh) * | 2016-08-31 | 2017-03-01 | 乐视控股(北京)有限公司 | 基于人脸图像的年龄识别方法及装置 |
-
2017
- 2017-03-31 CN CN201710207839.6A patent/CN107169408A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070258644A1 (en) * | 2006-03-02 | 2007-11-08 | Tomokazu Kawahara | Pattern recognition apparatus and method therefor |
CN102254180A (zh) * | 2011-06-28 | 2011-11-23 | 北京交通大学 | 一种基于几何特征的人脸美感分析方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
CN105335726A (zh) * | 2015-11-06 | 2016-02-17 | 广州视源电子科技股份有限公司 | 人脸识别置信度获取方法和系统 |
CN106469298A (zh) * | 2016-08-31 | 2017-03-01 | 乐视控股(北京)有限公司 | 基于人脸图像的年龄识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
毛金莲: "《智能图像检索关键技术研究》", 30 June 2015, 北京理工大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019061203A1 (zh) * | 2017-09-28 | 2019-04-04 | 深圳传音通讯有限公司 | 获取颜值变化的方法及终端 |
CN108021866A (zh) * | 2017-11-03 | 2018-05-11 | 百度在线网络技术(北京)有限公司 | 照片管理方法、装置、设备及存储介质 |
CN108288023A (zh) * | 2017-12-20 | 2018-07-17 | 深圳和而泰数据资源与云技术有限公司 | 人脸识别的方法和装置 |
CN108288023B (zh) * | 2017-12-20 | 2020-10-16 | 深圳和而泰数据资源与云技术有限公司 | 人脸识别的方法和装置 |
CN108629336A (zh) * | 2018-06-05 | 2018-10-09 | 北京千搜科技有限公司 | 基于人脸特征点识别的颜值计算方法 |
CN110874567A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技(深圳)有限公司 | 颜值判定方法、装置、电子设备及存储介质 |
CN110874567B (zh) * | 2019-09-23 | 2024-01-09 | 平安科技(深圳)有限公司 | 颜值判定方法、装置、电子设备及存储介质 |
CN111626248A (zh) * | 2020-06-01 | 2020-09-04 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
CN111626248B (zh) * | 2020-06-01 | 2022-05-06 | 北京世纪好未来教育科技有限公司 | 颜值打分模型训练方法、颜值打分方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169408A (zh) | 一种颜值判定方法及装置 | |
CN106529468B (zh) | 一种基于卷积神经网络的手指静脉识别方法及系统 | |
CN105139438B (zh) | 视频人脸卡通动画生成方法 | |
CN108596024B (zh) | 一种基于人脸结构信息的肖像生成方法 | |
CN103914686B (zh) | 一种基于证件照与采集照的人脸比对认证方法及系统 | |
CN107577985A (zh) | 基于循环生成对抗网络的人脸头像卡通化的实现方法 | |
CN105069007B (zh) | 一种建立美颜数据库的方法及装置 | |
CN108319930A (zh) | 身份认证方法、系统、终端和计算机可读存储介质 | |
CN107403168A (zh) | 一种面部识别系统 | |
CN106778785B (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
CN101976332B (zh) | 一种利用多特征的手指静脉采集识别方法 | |
CN102567716B (zh) | 一种人脸合成系统及实现方法 | |
CN106778584A (zh) | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 | |
CN107169409A (zh) | 一种情感识别方法及装置 | |
CN105426850A (zh) | 一种基于人脸识别的关联信息推送设备及方法 | |
CN107423678A (zh) | 一种提取特征的卷积神经网络的训练方法及人脸识别方法 | |
CN104992402A (zh) | 一种美颜处理方法及装置 | |
CN107066969A (zh) | 一种人脸识别方法 | |
CN104850825A (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN108573243A (zh) | 一种基于深度卷积神经网络的低质量人脸的比对方法 | |
CN105224917A (zh) | 一种利用颜色空间创建肤色概率图的方法和系统 | |
CN106875007A (zh) | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 | |
CN106991380A (zh) | 一种基于掌静脉图像的预处理方法 | |
CN103207986A (zh) | 一种基于lbp-hf的人脸识别方法 | |
CN104091148B (zh) | 一种人脸特征点定位方法和装置 |
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 |
Application publication date: 20170915 |
|
RJ01 | Rejection of invention patent application after publication |