CN107506693B - 畸变人脸图像校正方法、装置、计算机设备和存储介质 - Google Patents
畸变人脸图像校正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN107506693B CN107506693B CN201710608274.2A CN201710608274A CN107506693B CN 107506693 B CN107506693 B CN 107506693B CN 201710608274 A CN201710608274 A CN 201710608274A CN 107506693 B CN107506693 B CN 107506693B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- key point
- distortion
- facial 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 239000000203 mixture Substances 0.000 claims abstract description 65
- 239000000284 extract Substances 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000001815 facial effect Effects 0.000 claims description 144
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种畸变人脸图像校正方法、装置、计算机设备和存储介质。包括：获取待处理图像；采用人脸检测方法检测并提取所述待处理图像中的人脸区域；采用人脸关键点定位方法定位所述人脸区域的关键点坐标；根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；使用预先训练好的高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数；根据所述畸变系数对所述人脸区域进行图像校正。在图像校正的过程中使用了人脸形状特征，提高了校正效果，可直接对待处理图像进行图像校正，降低了运算量。
Description
技术领域
本发明涉及图像处理领域，特别是涉及一种畸变人脸图像校正方法、装置、计算机设备和存储介质。
背景技术
随着现代科技的飞速发展，智能摄像头已在安防领域广泛使用。为了获取更大的监控视野，智能摄像头往往选用短焦距的广角镜头，这类镜头存在光学畸变，导致智能摄像头所拍摄到的图像中人脸产生畸变，对后续进行的人脸检测和识别等处理产生不利影响。
目前尚不存在针对畸变人脸图像的校正算法，传统技术中，往往采用对智能摄像头所拍摄到的图像进行全图校正，进而实现对图像中的人脸的校正，例如采用基于摄像头标定模板的方法，由于智能摄像头的内参和畸变系数各不相同，使用测量装置进行测量的过程十分复杂，再加上没有使用人脸特征信息，所以校正效果较差，而且运算量较大。
发明内容
基于此，有必要针对全图校正运算量较大和校正效果较差的问题，提供一种畸变人脸图像校正方法、装置、计算机设备和存储介质。
一种畸变人脸图像校正方法，所述方法包括：
获取待处理图像；
采用人脸检测方法检测并提取所述待处理图像中的人脸区域；
采用人脸关键点定位方法定位所述人脸区域的关键点坐标；
根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；
使用预先训练好的高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数，其中，所述高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到；
根据所述畸变系数对所述人脸区域进行图像校正。
在一个实施例中，所述使用预先训练好的高斯混合分类模型，根据经过归一化处理的所述人脸形状特征计算畸变系数，包括：
通过高斯混合分类模型对经过归一化处理的所述人脸形状特征进行分类；
根据分类结果获取所述人脸形状特征对应的标准人脸模型信息，所述标准人脸模型信息包含人脸模型关键点集合；
根据所述关键点坐标和所述人脸模型关键点集合计算畸变系数。
在一个实施例中，在所述根据所述畸变系数对所述人脸区域进行图像校正的步骤之后，还包括：
采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
在一个实施例中，在获取待处理图像之前，还包括：
采集多对正常图像和畸变图像；
采用人脸检测方法检测并提取所述多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像；
根据所述正常人脸图像，生成标准人脸模型信息；
根据所述畸变人脸图像，采用高斯混合模型学习模型参数，生成所述高斯混合分类模型。
在一个实施例中，所述根据所述正常人脸图像，生成标准人脸模型信息，包括：
对所述正常人脸图像进行分类；
采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标；
计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
在一个实施例中，所述采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标，包括：
采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点；
检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理；
计算所述每类正常人脸图像的关键点对应的外接矩形；
调整所述外接矩形的分辨率，获得所述每类正常人脸图像的关键点坐标。
在一个实施例中，所述根据所述畸变人脸图像，采用高斯混合模型学习模型参数，生成高斯混合分类模型，包括：
对所述畸变人脸图像进行分类；
采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标；
根据所述每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取所述每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理；
根据经过归一化处理的所述每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
一种畸变人脸校正装置，所述装置包括：
图像获取模块，用于获取待处理图像；
人脸区域提取模块，用于采用人脸检测方法检测并提取所述待处理图像中的人脸区域；
关键点坐标定位模块，用于采用人脸关键点定位方法定位所述人脸区域的关键点坐标；
归一化处理模块，用于根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；
畸变系数计算模块，用于使用预先训练好的高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数，其中，所述高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到；
图像校正模块，用于根据所述畸变系数对所述人脸区域进行图像校正。
在一个实施例中，所述装置还包括：
分类模块，用于通过高斯混合分类模型对经过归一化处理的所述人脸形状特征进行分类；
标准人脸模型信息获取模块，用于根据分类结果获取所述人脸形状特征对应的标准人脸模型信息，所述标准人脸模型信息包含人脸模型关键点集合；
所述畸变系数计算模块还用于根据所述关键点坐标和所述人脸模型关键点集合计算畸变系数。
在一个实施例中，所述装置还包括：
图像补全模块，用于采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
在一个实施例中，所述图像获取模块还用于采集多对正常图像和畸变图像；
所述人脸区域提取模块还用于采用人脸检测方法检测并提取所述多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像；
所述装置还包括：
标准人脸模型信息生成模块，用于根据所述正常人脸图像，生成标准人脸模型信息；
高斯混合分类模型生成模块，用于根据所述畸变人脸图像，采用高斯混合模型学习模型参数，生成所述高斯混合分类模型。
在一个实施例中，所述分类模块还用于对所述正常人脸图像进行分类；
所述关键点坐标定位模块还用于采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标；
所述标准人脸模型信息生成模块还用于计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
在一个实施例中，所述装置还包括：
关键点获取模块，用于采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点；
旋转处理模块，用于检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理；
外接矩形计算模块，用于计算所述每类正常人脸图像的关键点对应的外接矩形；
所述关键点坐标定位模块还用于调整所述外接矩形的分辨率，获得所述每类正常人脸图像的关键点坐标。
在一个实施例中，所述分类模块还用于对所述畸变人脸图像进行分类；
所述关键点坐标定位模块还用于采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标；
所述归一化处理模块还用于根据所述每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取所述每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理；
所述高斯混合分类模型生成模块还用于根据经过归一化处理的所述每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待处理图像；
采用人脸检测方法检测并提取所述待处理图像中的人脸区域；
采用人脸关键点定位方法定位所述人脸区域的关键点坐标；
根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；
使用预先训练好的高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数，其中，所述高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到；
根据所述畸变系数对所述人脸区域进行图像校正。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待处理图像；
采用人脸检测方法检测并提取所述待处理图像中的人脸区域；
采用人脸关键点定位方法定位所述人脸区域的关键点坐标；
根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；
使用预先训练好的高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数，其中，所述高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到；
根据所述畸变系数对所述人脸区域进行图像校正。
上述畸变人脸图像校正方法、装置、计算机设备和存储介质，获取待处理图像，采用人脸检测方法检测并提取待处理图像中的人脸区域，采用人脸关键点定位方法定位人脸区域的关键点坐标，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，并进行归一化处理，使用预先训练好的高斯混合分类模型，根据人脸形状特征计算畸变系数，根据畸变系数对人脸区域进行图像校正。在图像校正的过程中使用了人脸形状特征，提高了校正效果，根据畸变系数确定待处理图像的人脸关键点与高斯混合分类模型中对应的人脸关键点的位置关系，可直接对待处理图像进行图像校正，降低了运算量。
附图说明
图1为一个实施例中畸变人脸图像校正方法的流程图；
图2为另为一个实施例中畸变人脸图像校正方法的流程图；
图3为一个实施例中畸变人脸图像校正方法的原理图；
图4为一个实施例中畸变人脸图像校正装置的结构框图；
图5为另一个实施例中畸变人脸图像校正装置的结构框图；
图6为一个实施例中图像校正设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，提供了一种畸变人脸图像校正方法，该方法包括：
步骤102，获取待处理图像。
本实施例中，待处理图像可为通过智能摄像头等设备使用短焦距的广角镜头采集到的图像，图像中包含人脸，且图像整体上存在图像畸变。
步骤104，采用人脸检测方法检测并提取待处理图像中的人脸区域。
本实施例中，可选用Harr+Adaboost算法或ACF(Aggregate Channel Features)算法检测并提取待处理图像中的人脸区域。提取人脸区域指的是，在待处理图像中，对图像中的一个或多个人，提取其脸部区域的图像，如提取人脸的最小外接矩形作为人脸区域。
步骤106，采用人脸关键点定位方法定位人脸区域的关键点坐标。
本实施例中，可选用AAM(Active Appearance Models)和/或ASM(Active ShapeModels)算法，或其它深度学习算法定位人脸区域的关键点坐标，关键点可分为轮廓关键点和五官关键点，人脸区域的五官关键点可为左眼、右眼、鼻尖、左嘴角、右嘴角。通过确定人脸区域的轮廓关键点坐标，可确定人脸区域对应的脸型。
步骤108，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，对人脸区域的人脸形状特征进行归一化处理。
本实施例中，基于三角剖分提取人脸区域的人脸形状特征。例如，采用人脸关键点定位方法定位人脸区域的关键点，获得7个轮廓关键点和5个五官关键点，将这12个关键点相互连接，得到15个相互不存在重叠区域的三角形。提取每一个三角形的顶点位置信息jni，jnj，jnk，三角形边长lij的模长|lij|，|ljk|，|lki|和方向信息以及三角形的3个角度大小对人脸区域的人脸形状特征进行归一化处理，归一化指的是将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。将三角形的顶点位置用固定尺度归一化，三角形的模长用最长边归一化，三角形的每个角度都除以180，从而将所有的特征都归一化到0～1。
步骤110，使用预先训练好的高斯混合分类模型，根据经过归一化处理的人脸区域的人脸形状特征计算畸变系数，其中，高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到。
本实施例中，高斯混合分类模型指的是采用GMM(Gaussian Mixture Model，高斯混合模型)，通过机器学习算法进行训练生成的，可对畸变图像进行图像校正的算法，高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到。使用高斯混合分类模型根据经过归一化处理的人脸区域的人脸形状特征计算畸变系数。
步骤112，根据畸变系数对人脸区域进行图像校正。
本实施例中，根据畸变系数，可确定畸变人脸区域关键点与正常人脸区域关键点的对应位置关系，可用最小二乘法拟合二次多项式，根据畸变人脸区域与正常人脸区域的映射关系进行图像校正。
上述畸变人脸图像校正方法，首先获取待处理图像，采用人脸检测方法检测并提取待处理图像中的人脸区域，采用人脸关键点定位方法定位人脸区域的关键点坐标，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，并进行归一化处理，使用预先训练好的高斯混合分类模型，根据人脸形状特征计算畸变系数，根据畸变系数对人脸区域进行图像校正。在图像校正的过程中使用了人脸形状特征，提高了校正效果，根据畸变系数确定待处理图像的人脸关键点与高斯混合分类模型中对应的人脸关键点的位置关系，可直接对待处理图像进行图像校正，降低了运算量。
如图2所示，在一个实施例中，提供了一种畸变人脸图像校正方法，该方法包括：
步骤202，采集多对正常图像和畸变图像。
本实施例中，为了进行机器学习训练，从而生成高斯混合分类模型，需采集多对正常图像和畸变图像，每对正常图像和畸变图像相关联。采集图像可采用多种方式，例如，在相同的成像条件下，在同一位置设置广角摄像头和普通摄像头，用这两种摄像头拍摄同一人体目标，广角摄像头拍摄的图像存在畸变，普通摄像头拍摄的图像不存在畸变，从而采集到一对正常图像和畸变图像。
步骤204，采用人脸检测方法检测并提取多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像。
本实施例中，可选用Harr+Adaboost算法或ACF(Aggregate Channel Features)算法检测并提取多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像。
步骤206，对正常人脸图像进行分类。
本实施例中，对正常人脸图像进行分类，根据人脸形状信息，可将正常人脸图像分为7类：国字型、圆形脸型、正三角型、长方形脸型、椭圆型、菱形脸型和心形脸型。
步骤208，采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点。
本实施例中，可选用AAM(Active Appearance Models)和/或ASM(Active ShapeModels)算法，或其它深度学习算法定位人脸区域的关键点坐标。如图3所示，对应于图中编号1-12，关键点可分为轮廓关键点和五官关键点，分别为：
P1，P2，P3，P4，P5，P6，P7，P8，P9，P10，P11，P12，
关键点位置可为：
STD1＝{Pij,i＝1,12＞＝j＞＝1}
STD2＝{Pij,i＝2,12＞＝j＞＝1}
STD3＝{Pij,i＝3,12＞＝j＞＝1}
STD4＝{Pij,i＝4,12＞＝j＞＝1}
STD5＝{Pij,i＝5,12＞＝j＞＝1}
STD6＝{Pij,i＝6,12＞＝j＞＝1}
STD7＝{Pij,i＝7,12＞＝j＞＝1}，
人脸区域的五官关键点可为左眼、右眼、鼻尖、左嘴角、右嘴角。
步骤210，检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理。
本实施例中，检测关键点定位结果，判断正常人脸图像是否在水平方向，若否，为了得到正常人脸图像的标准人脸模板的特征点位置，将正常人脸图像以左眼的中心P8和右眼的中心P9的连线的中心Pcentre为原点，旋转θ角度，使得左眼的中心P8和右眼的中心P9的连线位于水平方向。
例如：P8坐标(xl,yl)，P9坐标(xr,yr)，可采用如下公式计算θ：
θ＝(float)(atan((double)(yr-yl)/(double)(xr-xl))*180/3.1415926)。
经过旋转θ角度，使得正常人脸图像与水平方向对齐。
步骤212，计算每类正常人脸图像的关键点对应的外接矩形。
本实施例中，计算P1，P2，P3，P4，P5，P6，P7关键点对应的外接矩形Rectouter，并裁剪该区域，从而获取每类正常人脸图像的关键点对应的外接矩形。
步骤214，调整外接矩形的分辨率，获得每类正常人脸图像的关键点坐标。
本实施例中，调整外接矩形的分辨率，使其大小为一个固定尺度，在正常人脸图像中心为原点的坐标系中，获得每类正常人脸图像的关键点坐标。
步骤216，计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
本实施例中，计算每类正常人脸图像的关键点坐标的和的平均值，例如：将每类正常人脸图像的关键点坐标的和的平均值作为标准人脸模型的值可采用如下公式：
其中ni表示第i类人脸图像集合中样本的个数，Kijk表示第i类人脸图像集合中第k个样本的第j个关键点位置。从而生成标准人脸模型信息。
步骤218，对畸变人脸图像进行分类。
本实施例中，相对于正常人脸图像，根据人脸形状信息，可将畸变人脸图像分为7类：国字型、圆形脸型、正三角型、长方形脸型、椭圆型、菱形脸型和心形脸型。
步骤220，采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标。
本实施例中，可选用AAM(Active Appearance Models)和/或ASM(Active ShapeModels)算法，或其它深度学习算法定位人脸区域的关键点坐标。关键点可分为轮廓关键点和五官关键点，分别为：
j1，j2，j3，j4，j5，j6，j7，j8，j9，j10，j11，j12
步骤222，根据每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理。
本实施例中，对于每类畸变人脸图像的畸变关键点坐标，将12个关键点相互连接，得到15个相互不存在重叠区域的三角形。提取每一个三角形的顶点位置信息jni，jnj，jnk，三角形边长lij的模长|lij|，|ljk|，|lki|和方向信息以及三角形的3个角度大小将三角形的顶点位置用固定尺度归一化，三角形的模长用最长边归一化，三角形的每个角度都除以180，从而将所有的特征都归一化到0～1。
步骤224，根据经过归一化处理的每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
本实施例中，采用高斯混合模型学习模型参数，可通过增加模型的个数，用高斯混合模型近似任何概率分布。采用K＝7来代表高斯模型的个数，每一个高斯模型代表了一个类别，对样本中的数据分别在多个高斯模型上投影，就会分别得到在各个类别的概率，选取概率最大的类做为判决结果。例如：高斯混合模型可采用如下所示：
其中K为模型的个数，πk为第k个高斯的权重，P(x|k)为第k个高斯概率密度，其均值为uk，σk。
高斯混合模型的参数可采用如下所示：
其中Nk为第k类畸变样本的个数，N为所有的畸变样本的种类，x为基于三角剖分学习到的人脸形状特征，L(k)为第k类畸变特征集合。
进一步的，在学习完高斯混合模型的参数后，可通过这些参数进行高斯混合模型的预测，判定待处理畸变图像的类别。
步骤226，获取待处理图像。
本实施例中，待处理图像可为通过智能摄像头等设备使用短焦距的广角镜头采集到的图像，图像中包含人脸，且图像整体上存在图像畸变。
步骤228，采用人脸检测方法检测并提取待处理图像中的人脸区域。
本实施例中，可选用Harr+Adaboost算法或ACF(Aggregate Channel Features)算法检测并提取待处理图像中的人脸区域。
步骤230，采用人脸关键点定位方法定位人脸区域的关键点坐标。
本实施例中，可选用AAM(Active Appearance Models)和/或ASM(Active ShapeModels)算法，或其它深度学习算法定位人脸区域的关键点坐标，关键点可分为轮廓关键点和五官关键点，分别为：
jn1，jn2，jn3，jn4，jn5，jn6，jn7，jn8，jn9，jn10，jn11，jn12
步骤232，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，对人脸区域的人脸形状特征进行归一化处理。
本实施例中，基于三角剖分提取人脸区域的人脸形状特征，对人脸区域的人脸形状特征进行归一化处理。
步骤234，通过高斯混合分类模型对经过归一化处理的人脸形状特征进行分类。
本实施例中，使用预先训练好的高斯混合分类模型对经过归一化处理的人脸形状特征进行分类，确定该人脸形状特征所属类别，确定该人脸形状特征对应的标准人脸模型信息。
步骤236，根据分类结果获取人脸形状特征对应的标准人脸模型信息，标准人脸模型信息包含人脸模型关键点集合。
本实施例中，根据分类结果获取人脸形状特征对应的标准人脸模型信息。例如：高斯混合分类模型可采用如下所示：
可根据公式：
获得人脸模型关键点集合
步骤238，根据关键点坐标和人脸模型关键点集合计算畸变系数。
本实施例中，根据关键点坐标和人脸模型关键点集合：
计算畸变系数。
步骤240，根据畸变系数对人脸区域进行图像校正。
本实施例中，(x,y)为经过校正的人脸区域的像素点，(u,v)为人脸区域的像素点，人脸区域通常是空间扭曲型的非线性畸变，采用二次多项式进行模拟，例如：可采用如下公式表示为：
u＝a0+a1x+a2y+a3x2+a4xy+a5y2
v＝b0+b1x+b2y+b3x2+b4xy+b5y2
根据12对关键点坐标，采用最小二乘法通过如下公式进行计算得到：
u的方程系数：at＝[a0,a1,a2,a3,a4,a5]，
v的方程系数：bt＝[b0,b1,b2,b3,b4,b5]。
根据二次多项式的映射关系可进行图像校正。
步骤242，采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
本实施例中，最近邻插值算法，是将目标图像各点的像素值设为源图像中与其最近的点的像素值。例如：对经过校正的人脸区域上的每一点(x,y)，根据如下公式：
u＝[1,x,y,x2,xy,y2]*a，
v＝[1,x,y,x2,xy,y2]*b，
采用最近邻插值算法计算相对于人脸区域上的每一点位置(u,v)。
上述畸变人脸图像校正方法，采集多对正常图像和畸变图像，采用高斯混合模型学习模型参数，生成高斯混合分类模型，获取待处理图像，采用人脸检测方法检测并提取待处理图像中的人脸区域，采用人脸关键点定位方法定位人脸区域的关键点坐标，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，并进行归一化处理，使用高斯混合分类模型，根据人脸形状特征计算畸变系数，根据畸变系数对人脸区域进行图像校正。在图像校正的过程中使用了人脸形状特征，提高了校正效果，根据畸变系数确定待处理图像的人脸关键点与高斯混合分类模型中对应的人脸关键点的位置关系，可直接对待处理图像进行图像校正，降低了运算量。
如图4所示，在一个实施例中，提供了一种畸变人脸校正装置，该装置包括：
图像获取模块402，用于获取待处理图像。
人脸区域提取模块404，用于采用人脸检测方法检测并提取待处理图像中的人脸区域。
关键点坐标定位模块406，用于采用人脸关键点定位方法定位人脸区域的关键点坐标。
归一化处理模块408，用于根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，对人脸区域的人脸形状特征进行归一化处理。
畸变系数计算模块410，用于使用预先训练好的高斯混合分类模型，根据经过归一化处理的人脸区域的人脸形状特征计算畸变系数，其中，高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到。
图像校正模块412，用于根据畸变系数对人脸区域进行图像校正。
如图5所示，在一个实施例中，提供了一种畸变人脸校正装置，该装置包括：
分类模块414，用于通过高斯混合分类模型对经过归一化处理的人脸形状特征进行分类。
标准人脸模型信息获取模块416，用于根据分类结果获取人脸形状特征对应的标准人脸模型信息，标准人脸模型信息包含人脸模型关键点集合。
畸变系数计算模块410还用于根据关键点坐标和人脸模型关键点集合计算畸变系数。
图像补全模块418，用于采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
图像获取模块402还用于采集多对正常图像和畸变图像。
人脸区域提取模块404还用于采用人脸检测方法检测并提取多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像。
标准人脸模型信息生成模块420，用于根据正常人脸图像，生成标准人脸模型信息。
高斯混合分类模型生成模块422，用于根据畸变人脸图像，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
分类模块414还用于对正常人脸图像进行分类。
关键点坐标定位模块406还用于采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标。
标准人脸模型信息生成模块420还用于计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
关键点获取模块424，用于采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点。
旋转处理模块426，用于检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理。
外接矩形计算模块428，用于计算每类正常人脸图像的关键点对应的外接矩形。
关键点坐标定位模块406还用于调整外接矩形的分辨率，获得每类正常人脸图像的关键点坐标。
分类模块414还用于对畸变人脸图像进行分类。
关键点坐标定位模块406还用于采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标。
归一化处理模块408还用于根据每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理。
高斯混合分类模型生成模块422还用于根据经过归一化处理的每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
如图6所示，在一个实施例中，提供了一种图像校正设备的内部结构框图。该图像校正设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中图像校正设备的非易失性存储介质存储有操作系统，还存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行控制移动终端上网的方法。处理器用于提供计算和控制能力，支撑装置运行。该内存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行控制移动终端上网的方法。网络接口用于与其它设备进行网络通信。
在一个实施例中，提供了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取待处理图像；采用人脸检测方法检测并提取待处理图像中的人脸区域；采用人脸关键点定位方法定位人脸区域的关键点坐标；根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，对人脸区域的人脸形状特征进行归一化处理；使用预先训练好的高斯混合分类模型，根据经过归一化处理的人脸区域的人脸形状特征计算畸变系数，其中，高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到；根据畸变系数对人脸区域进行图像校正。
在一个实施例中，处理器执行计算机程序时还可实现以下步骤：通过高斯混合分类模型对经过归一化处理的人脸形状特征进行分类；根据分类结果获取人脸形状特征对应的标准人脸模型信息，标准人脸模型信息包含人脸模型关键点集合；根据关键点坐标和人脸模型关键点集合计算畸变系数。
在一个实施例中，处理器执行计算机程序时还可实现以下步骤：采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
在一个实施例中，处理器执行计算机程序时还可实现以下步骤：采集多对正常图像和畸变图像；采用人脸检测方法检测并提取多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像；根据正常人脸图像，生成标准人脸模型信息；根据畸变人脸图像，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
在一个实施例中，处理器执行计算机程序时还可实现以下步骤：对正常人脸图像进行分类；采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标；计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
在一个实施例中，处理器执行计算机程序时还可实现以下步骤：采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点；检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理；计算每类正常人脸图像的关键点对应的外接矩形；调整外接矩形的分辨率，获得每类正常人脸图像的关键点坐标。
在一个实施例中，处理器执行计算机程序时还可实现以下步骤：对畸变人脸图像进行分类；采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标；根据每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理；根据经过归一化处理的每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
本实施例中，获取待处理图像，采用人脸检测方法检测并提取待处理图像中的人脸区域，采用人脸关键点定位方法定位人脸区域的关键点坐标，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，并进行归一化处理，使用预先训练好的高斯混合分类模型，根据人脸形状特征计算畸变系数，根据畸变系数对人脸区域进行图像校正。在图像校正的过程中使用了人脸形状特征，提高了校正效果，根据畸变系数确定待处理图像的人脸关键点与高斯混合分类模型中对应的人脸关键点的位置关系，可直接对待处理图像进行图像校正，降低了运算量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待处理图像；采用人脸检测方法检测并提取待处理图像中的人脸区域；采用人脸关键点定位方法定位人脸区域的关键点坐标；根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，对人脸区域的人脸形状特征进行归一化处理；使用预先训练好的高斯混合分类模型，根据经过归一化处理的人脸区域的人脸形状特征计算畸变系数，其中，高斯混合分类模型通过对多对正常图像和畸变图像进行训练得到；根据畸变系数对人脸区域进行图像校正。
在一个实施例中，计算机程序被处理器执行时还可实现以下步骤：通过高斯混合分类模型对经过归一化处理的人脸形状特征进行分类；根据分类结果获取人脸形状特征对应的标准人脸模型信息，标准人脸模型信息包含人脸模型关键点集合；根据关键点坐标和人脸模型关键点集合计算畸变系数。
在一个实施例中，计算机程序被处理器执行时还可实现以下步骤：采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
在一个实施例中，计算机程序被处理器执行时还可实现以下步骤：采集多对正常图像和畸变图像；采用人脸检测方法检测并提取多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像；根据正常人脸图像，生成标准人脸模型信息；根据畸变人脸图像，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
在一个实施例中，计算机程序被处理器执行时还可实现以下步骤：对正常人脸图像进行分类；采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标；计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
在一个实施例中，计算机程序被处理器执行时还可实现以下步骤：采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点；检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理；计算每类正常人脸图像的关键点对应的外接矩形；调整外接矩形的分辨率，获得每类正常人脸图像的关键点坐标。
在一个实施例中，计算机程序被处理器执行时还可实现以下步骤：对畸变人脸图像进行分类；采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标；根据每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理；根据经过归一化处理的每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型。
本实施例中，获取待处理图像，采用人脸检测方法检测并提取待处理图像中的人脸区域，采用人脸关键点定位方法定位人脸区域的关键点坐标，根据人脸区域的关键点坐标，基于三角剖分提取人脸区域的人脸形状特征，并进行归一化处理，使用预先训练好的高斯混合分类模型，根据人脸形状特征计算畸变系数，根据畸变系数对人脸区域进行图像校正。在图像校正的过程中使用了人脸形状特征，提高了校正效果，根据畸变系数确定待处理图像的人脸关键点与高斯混合分类模型中对应的人脸关键点的位置关系，可直接对待处理图像进行图像校正，降低了运算量。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种畸变人脸图像校正方法，所述方法包括：
采集多对正常图像和畸变图像；
采用人脸检测方法检测并提取所述多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像；
根据所述正常人脸图像，生成标准人脸模型信息；
对所述畸变人脸图像进行分类；
采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标；
根据所述每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取所述每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理；
根据经过归一化处理的所述每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型；
获取待处理图像；
采用人脸检测方法检测并提取所述待处理图像中的人脸区域；
采用人脸关键点定位方法定位所述人脸区域的关键点坐标；
根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；
使用所述高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数；
根据所述畸变系数对所述人脸区域进行图像校正。
2.根据权利要求1所述的方法，其特征在于，所述使用所述高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数，包括：
通过高斯混合分类模型对经过归一化处理的所述人脸形状特征进行分类；
根据分类结果获取所述人脸形状特征对应的标准人脸模型信息，所述标准人脸模型信息包含人脸模型关键点集合；
根据所述关键点坐标和所述人脸模型关键点集合计算畸变系数。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述畸变系数对所述人脸区域进行图像校正的步骤之后，还包括：
采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
4.根据权利要求1所述的方法，其特征在于，所述根据所述正常人脸图像，生成标准人脸模型信息，包括：
对所述正常人脸图像进行分类；
采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标；
计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
5.根据权利要求4所述的方法，其特征在于，所述采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标，包括：
采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点；
检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理；
计算所述每类正常人脸图像的关键点对应的外接矩形；
调整所述外接矩形的分辨率，获得所述每类正常人脸图像的关键点坐标。
6.一种畸变人脸校正装置，其特征在于，所述装置包括：
图像获取模块，用于采集多对正常图像和畸变图像；人脸区域提取模块，用于采用人脸检测方法检测并提取所述多对正常图像和畸变图像中的人脸区域，获取正常人脸图像和畸变人脸图像；
标准人脸模型信息生成模块，用于根据所述正常人脸图像，生成标准人脸模型信息；
高斯混合分类模型生成模块，用于根据所述畸变人脸图像，采用高斯混合模型学习模型参数，生成所述高斯混合分类模型；
分类模块，用于对所述畸变人脸图像进行分类；
关键点坐标定位模块，用于采用人脸关键点定位方法定位每类畸变人脸图像的畸变关键点坐标；
归一化处理模块，用于根据所述每类畸变人脸图像的畸变关键点坐标，基于三角剖分提取所述每类畸变人脸图像的人脸形状特征，对该人脸形状特征进行归一化处理；
高斯混合分类模型生成模块，用于根据经过归一化处理的所述每类畸变人脸图像的人脸形状特征，采用高斯混合模型学习模型参数，生成高斯混合分类模型；
所述图像获取模块还用于获取待处理图像；
所述人脸区域提取模块还用于采用人脸检测方法检测并提取所述待处理图像中的人脸区域；
所述关键点坐标定位模块还用于采用人脸关键点定位方法定位所述人脸区域的关键点坐标；
所述归一化处理模块还用于根据所述人脸区域的关键点坐标，基于三角剖分提取所述人脸区域的人脸形状特征，对所述人脸区域的人脸形状特征进行归一化处理；
畸变系数计算模块，用于使用所述高斯混合分类模型，根据经过归一化处理的所述人脸区域的人脸形状特征计算畸变系数；
图像校正模块，用于根据所述畸变系数对所述人脸区域进行图像校正。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
所述分类模块还用于通过高斯混合分类模型对经过归一化处理的所述人脸形状特征进行分类；
标准人脸模型信息获取模块，用于根据分类结果获取所述人脸形状特征对应的标准人脸模型信息，所述标准人脸模型信息包含人脸模型关键点集合；
所述畸变系数计算模块还用于根据所述关键点坐标和所述人脸模型关键点集合计算畸变系数。
8.根据权利要求6所述的装置，其特征在于，所述装置包括：
图像补全模块，用于采用最近邻插值算法对经过图像校正的人脸区域进行图像补全。
9.根据权利要求6所述的装置，其特征在于，所述装置包括：
所述分类模块还用于对所述正常人脸图像进行分类；
所述关键点坐标定位模块还用于采用人脸关键点定位方法定位每类正常人脸图像的关键点坐标；
所述标准人脸模型信息生成模块还用于计算每类正常人脸图像的关键点坐标的和的平均值，根据计算结果生成标准人脸模型信息。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
关键点获取模块，用于采用人脸关键点定位方法定位每类正常人脸图像，获取每类正常人脸图像的关键点；
旋转处理模块，用于检测关键点定位结果，若正常人脸图像不在水平方向，则对该正常人脸图像进行旋转处理；
外接矩形计算模块，用于计算所述每类正常人脸图像的关键点对应的外接矩形；
所述关键点坐标定位模块还用于调整所述外接矩形的分辨率，获得所述每类正常人脸图像的关键点坐标。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任意一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710608274.2A CN107506693B (zh) | 2017-07-24 | 2017-07-24 | 畸变人脸图像校正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710608274.2A CN107506693B (zh) | 2017-07-24 | 2017-07-24 | 畸变人脸图像校正方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107506693A CN107506693A (zh) | 2017-12-22 |
| CN107506693B true CN107506693B (zh) | 2019-09-20 |
Family
ID=60689333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710608274.2A Active CN107506693B (zh) | 2017-07-24 | 2017-07-24 | 畸变人脸图像校正方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107506693B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826372B (zh) * | 2018-08-10 | 2024-04-09 | 浙江宇视科技有限公司 | 人脸特征点检测方法及装置 |
| CN109087240B (zh) * | 2018-08-21 | 2023-06-06 | 成都旷视金智科技有限公司 | 图像处理方法、图像处理装置及存储介质 |
| CN109447911B (zh) * | 2018-10-18 | 2020-06-09 | 百度在线网络技术（北京）有限公司 | 图像复原的方法、装置、存储介质和终端设备 |
| CN110147776B (zh) * | 2019-05-24 | 2021-06-11 | 北京百度网讯科技有限公司 | 确定人脸关键点位置的方法和装置 |
| CN110232667B (zh) * | 2019-06-17 | 2021-06-04 | 厦门美图之家科技有限公司 | 图像畸变修正方法、装置、电子设备及可读存储介质 |
| CN110503700A (zh) * | 2019-08-26 | 2019-11-26 | 北京达佳互联信息技术有限公司 | 生成虚拟表情的方法、装置、电子设备及存储介质 |
| CN112529784B (zh) * | 2019-09-18 | 2024-05-28 | 华为技术有限公司 | 图像畸变校正方法及装置 |
| CN110879983B (zh) * | 2019-11-18 | 2023-07-25 | 讯飞幻境(北京)科技有限公司 | 一种人脸特征关键点的提取方法和一种人脸图像合成方法 |
| CN111028161B (zh) * | 2019-11-22 | 2024-04-05 | 维沃移动通信有限公司 | 图像校正方法及电子设备 |
| CN111080545B (zh) * | 2019-12-09 | 2024-03-12 | Oppo广东移动通信有限公司 | 人脸畸变校正方法、装置、终端设备和存储介质 |
| CN111091083B (zh) * | 2019-12-09 | 2023-08-08 | Oppo广东移动通信有限公司 | 基于图像的人脸尺度计算方法、装置及电子设备 |
| CN111027474B (zh) * | 2019-12-09 | 2024-03-15 | Oppo广东移动通信有限公司 | 人脸区域获取方法、装置、终端设备和存储介质 |
| CN111444775B (zh) * | 2020-03-03 | 2023-10-27 | 平安科技（深圳）有限公司 | 人脸关键点修正方法、装置以及计算机设备 |
| CN112967261B (zh) * | 2021-03-17 | 2022-07-29 | 北京三快在线科技有限公司 | 图像融合方法、装置、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299267A (zh) * | 2008-07-02 | 2008-11-05 | 北京中星微电子有限公司 | 一种人脸图像处理方法及装置 |
-
2017
- 2017-07-24 CN CN201710608274.2A patent/CN107506693B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299267A (zh) * | 2008-07-02 | 2008-11-05 | 北京中星微电子有限公司 | 一种人脸图像处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107506693A (zh) | 2017-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506693B (zh) | 畸变人脸图像校正方法、装置、计算机设备和存储介质 | |
| CN109359575B (zh) | 人脸检测方法、业务处理方法、装置、终端及介质 | |
| CN107451965B (zh) | 畸变人脸图像校正方法、装置、计算机设备和存储介质 | |
| CN103914676B (zh) | 一种在人脸识别中使用的方法和装置 | |
| CN108009531B (zh) | 一种多策略防欺诈的人脸识别方法 | |
| CN105989331B (zh) | 脸部特征提取装置、脸部特征提取方法、图像处理设备和图像处理方法 | |
| CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
| Chiang et al. | A novel method for detecting lips, eyes and faces in real time | |
| CN105740780B (zh) | 人脸活体检测的方法和装置 | |
| US7599549B2 (en) | Image processing method, image processing apparatus, and computer readable medium, in which an image processing program is recorded | |
| US8577099B2 (en) | Method, apparatus, and program for detecting facial characteristic points | |
| EP3091479A1 (en) | Fingerprint identification method and fingerprint identification device | |
| CN109087261B (zh) | 基于非受限采集场景的人脸矫正方法 | |
| CN104318262A (zh) | 通过人脸照片更换皮肤的方法及系统 | |
| CN103971112B (zh) | 图像特征提取方法及装置 | |
| CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
| WO2015067084A1 (zh) | 人眼定位方法和装置 | |
| JP2015522200A (ja) | 人顔特徴点の位置決め方法、装置及び記憶媒体 | |
| TWI709085B (zh) | 用於對車輛損傷影像進行損傷分割的方法、裝置、電腦可讀儲存媒體和計算設備 | |
| CN104318603A (zh) | 从手机相册调取照片生成3d模型的方法及系统 | |
| WO2021000832A1 (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
| CN111079676B (zh) | 一种人眼虹膜检测方法和装置 | |
| CN108629336A (zh) | 基于人脸特征点识别的颜值计算方法 | |
| CN109359577A (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
| CN107895140A (zh) | 基于人脸肤色的色情图片识别办法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20200727 Granted publication date: 20190920 |
|
| PP01 | Preservation of patent right | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20230727 Granted publication date: 20190920 |
|
| PD01 | Discharge of preservation of patent |