CN107516092A - 人脸特征点检测增强方法及装置 - Google Patents
人脸特征点检测增强方法及装置 Download PDFInfo
- Publication number
- CN107516092A CN107516092A CN201710856765.9A CN201710856765A CN107516092A CN 107516092 A CN107516092 A CN 107516092A CN 201710856765 A CN201710856765 A CN 201710856765A CN 107516092 A CN107516092 A CN 107516092A
- Authority
- CN
- China
- Prior art keywords
- point
- characteristic point
- predicted
- human face
- face characteristic
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人脸特征点检测增强方法及装置,涉及人脸识别的技术领域,该方法包括:获取当前时刻待处理的视频帧图像;通过预设特征点检测算法和卡尔曼滤波算法在视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,预设人脸特征点为预先分配卡尔曼滤波器的特征点;对第一预测特征点和第二预测特征点进行分析,以根据分析结果确定视频帧图像的人脸特征点的预测值,缓解了现有技术中存在的在采用传统的人脸特征检测技术检测人脸特征点时稳定性较差的技术问题。
Description
技术领域
本发明涉及人脸识别的技术领域,尤其是涉及一种人脸特征点检测增强方法及装置。
背景技术
随着智能硬件的飞速发展,人工智能与机器学习的成果越来越多的应用到了移动端,人脸检测与人脸特征点检测的技术被更多的手机APP使用。一些简单的美图软件,视频交互软件,AR特效软件等等,都使用到了人脸检测和特征点检测的技术。
然而,目前的特征点检测技术在实时的视频中存在定位抖动的问题,当然这些问题可以通过不停的加大训练样本,完善特征定位模型,以及多帧平均的方式减缓其抖动的幅度。但是这些改进又会带来新的问题,比如增大样本训练模型,相当于直接增加模型的成本。样本的扩充可能需要几十到上百万的标注样本,以数据堂的标注样本售价为标准,一张标注好的样本成本在1.5元以上,所以模型迭代基本以百万的耗资为基数。更离谱得是,模型就算训练得再好,也不能消除抖动,最多只能减缓其趋势。其次是多帧的预测结果作均值,这样虽然可以有效得消除抖动,但是如果视频中的人物头部运动较剧烈就会产生严重得拖影,反馈在用户上的感觉就像是渲染在头部的特效并没有与渲染部位完美得融合,而像是被头部拖着跑,严重影响用户体验。
发明内容
有鉴于此,本发明的目的在于提供一种人脸特征点检测增强方法及装置,以缓解了现有技术中存在的在采用传统的人脸特征检测技术检测人脸特征点时稳定性较差的技术问题。
第一方面,本发明实施例提供了一种人脸特征点检测增强方法,包括:获取当前时刻待处理的视频帧图像;通过预设特征点检测算法和卡尔曼滤波算法在所述视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,所述预设人脸特征点为预先分配卡尔曼滤波器的特征点;对所述第一预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值。
进一步地,对所述预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值包括:计算所述第一预测特征点和所述第二预测特征点之间的坐标距离;判断所述坐标距离是否小于预设距离;当所述坐标距离小于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;当所述坐标距离大于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
进一步地,所述预设特征点的数量为多个,计算所述第一预测特征点和所述第二预测特征点之间的坐标距离包括:依次计算第一特征点i与第二特征点j之间的坐标距离,得到多个坐标距离,所述第一特征点i为所述第一预测特征点中的特征点,所述第二特征点j为所述第二预测特征点中的特征点,且所述第一特征点i和所述第二特征点j对应相同的预设人脸特征点。
进一步地,判断所述坐标距离是否小于预设距离包括:判断所述多个坐标距离中的每个坐标距离是否均小于所述预设距离;其中,如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;如果判断出否,则基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值。
进一步地,基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值包括:判断所述数量是否大于预设数量;如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;如果判断出否,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
进一步地,在获取当前时刻待处理的视频帧图像之前,所述方法还包括:获取预先设置的待预测的人脸特征点;为每个所述人脸特征点预先分配一个卡尔曼滤波器。
第二方面,本发明实施例还提供一种人脸特征点检测增强装置,包括:第一获取单元,用于获取当前时刻待处理的视频帧图像;预测单元,用于通过预设特征点检测算法和卡尔曼滤波算法在所述视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,所述预设人脸特征点为预先分配卡尔曼滤波器的特征点;分析单元,用于对所述第一预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值。
进一步地,所述预测单元包括:计算模块,用于计算所述第一预测特征点和所述第二预测特征点之间的坐标距离;判断模块,用于判断所述坐标距离是否小于预设距离;第一确定模块,用于当所述坐标距离小于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;第二确定模块,用于当所述坐标距离大于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
进一步地,所述预设特征点的数量为多个,所述计算模块用于:依次计算第一特征点i与第二特征点j之间的坐标距离,得到多个坐标距离,所述第一特征点i为所述第一预测特征点中的特征点,所述第二特征点j为所述第二预测特征点中的特征点,且所述第一特征点i和所述第二特征点j对应相同的预设人脸特征点。
进一步地,所述判断模块用于:判断所述多个坐标距离中的每个坐标距离是否均小于所述预设距离;其中,如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;如果判断出否,则基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值。
在本发明实施例中,首先,获取当前时刻待处理的视频帧图像;然后,通过预设特征点检测算法和卡尔曼滤波算法在视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,预设人脸特征点为预先分配卡尔曼滤波器的特征点;接下来,对第一预测特征点和第二预测特征点进行分析,以根据分析结果确定视频帧图像的人脸特征点的预测值,在本发明实施例中,引用了卡尔曼滤波器,卡尔曼滤波(Kalmanfiltering)是一种利用线性系统的状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法,通过卡尔曼滤波来预测轨迹会起到非常出色的效果,进而缓解了现有技术中存在的在采用传统的人脸特征检测技术检测人脸特征点时稳定性较差的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的一种人脸特征点检测增强方法的流程图;
图2是根据本发明实施例的一种人脸特征点检测增强装置的示意图;
图3是根据本发明实施例的一种可选地人脸特征点检测增强装置的示意图;
图4是根据本发明实施例的一种人脸特征点检测增强系统的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
根据本发明实施例,提供了一种人脸特征点检测增强方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种人脸特征点检测增强方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取当前时刻待处理的视频帧图像;
步骤S104,通过预设特征点检测算法和卡尔曼滤波算法在所述视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,所述预设人脸特征点为预先分配卡尔曼滤波器的特征点;
对步骤S106,所述第一预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值。
在本发明实施例中,首先获取当前时刻待处理的视频帧图像;然后,通过预设特征点检测算法和卡尔曼滤波算法在视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,预设人脸特征点为预先分配卡尔曼滤波器的特征点;接下来,对第一预测特征点和第二预测特征点进行分析,以根据分析结果确定视频帧图像的人脸特征点的预测值,在本发明实施例中,引用了卡尔曼滤波器,卡尔曼滤波(Kalmanfiltering)是一种利用线性系统的状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法,通过卡尔曼滤波来预测轨迹会起到非常出色的效果,进而缓解了现有技术中存在的在采用传统的人脸特征检测技术检测人脸特征点时稳定性较差的技术问题。
在一个可选的实施方式中,在获取当前时刻待处理的视频帧图像之前,该方法还包括:获取预先设置的待预测的人脸特征点;然后,为每个所述人脸特征点预先分配一个卡尔曼滤波器。其中,在为每个人脸特征点分配卡尔曼滤波器之后,就可以通过卡尔曼滤波器的轨迹预测算法对人脸特征点的轨迹进行预测,得到第二预测特征点。
需要说明的是,在本发明实施例中,主要的原理是引用了卡尔曼滤波器,卡尔曼滤波(Kalman filtering)是一种利用线性系统的状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。
卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。对于每个时刻的系统扰动和观测误差(即噪声),只要对它们的统计性质作某些适当的假定,通过对含有噪声的观测信号进行处理,就能在平均的意义上,求得误差为最小的真实信号的估计值。
在本发明实施例中,所解决的一个核心问题是平滑特征点的轨迹,消除噪声带来的抖动,于是应用卡尔曼滤波来预测轨迹会起到非常出色的效果。下面将对本发明实施进行详细的介绍。
在一个可选的实施方式中,对所述预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值包括如下步骤:
步骤S1061,计算所述第一预测特征点和所述第二预测特征点之间的坐标距离;
步骤S1062,判断所述坐标距离是否小于预设距离;
步骤S1063,当所述坐标距离小于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
步骤S1064,当所述坐标距离大于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
在本发明实施例中,首先计算通过预设特征点检测算法和卡尔曼滤波算法在视频帧图像中对预设人脸特征点分别进行预测,分别得到第一预测特征点和第二预测特征点。然后,计算第一预测特征点第二预测特征点之间的坐标距离。并判断坐标距离是否小于预设距离,其中,预设距离为预先设置好的一个阈值。如果确定出坐标距离小于预设距离,则确定出视频帧图像的人脸特征点的预测值为第一预测特征点。如果确定出坐标距离大于预设距离,则确定出视频帧图像的人脸特征点的预测值为第二预测特征点。
在另一个可选的实施方式中,在所述预设特征点的数量为多个的情况下,计算所述第一预测特征点和所述第二预测特征点之间的坐标距离包括如下步骤:
步骤S1,依次计算第一特征点i与第二特征点j之间的坐标距离,得到多个坐标距离,所述第一特征点i为所述第一预测特征点中的特征点,所述第二特征点j为所述第二预测特征点中的特征点,且所述第一特征点i和所述第二特征点j对应相同的预设人脸特征点。
例如,第一预测特征点中包括10个特征点,第二预测特征点中同样包括10个特征点,此时,计算第一预测特征点中第一特征点1与第二预测特征点中第二特征点2之前的坐标距离,并依此计算第一特征点2与第二特征点2之间的坐标距离,直至计算出第一特征点10与第二特征点10之间的坐标距离,得到10个坐标距离。
在计算得到多个坐标距离之后,就可以基于多个坐标距离来确定视频帧图像的人脸特征点的预测值。
具体地,首先,可以判断所述多个坐标距离中的每个坐标距离是否均小于所述预设距离;
如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
如果判断出否,则基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值。
其中,基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值包括:判断所述数量是否大于预设数量;如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;如果判断出否,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
也就是说,在本发明实施例中,设定了另一个阈值,即预设数量。例如,通过上述可知的计算过程可知,计算得到10个坐标距离。此时,可以判断该10个坐标距离是否均小于预设距离,其中,如果是,则确定视频帧图像的人脸特征点的预测值为第一预测特征点。如果不是,则判断该10个坐标距离是否均大于预设距离,如果是,则确定视频帧图像的人脸特征点的预测值为第二预测特征点。
如果判断出10个坐标距离中既包含小于预设距离的坐标距离,又包含大于预设距离的坐标距离,此时,可以判断10个坐标距离中小于预设距离的坐标距离的数量。如果该数量大于预设数量,则确定视频帧图像的人脸特征点的预测值为第一预测特征点;如果该数量小于预设数量,则确定视频帧图像的人脸特征点的预测值为第二预测特征点。
综上,本发明实施例所提出人脸特征点检测增强方法的具体方案是:为每一个预先设置的待预测的人脸特征点分配一个卡尔曼滤波器;然后,初始化滤波器的各项参数,按照二维点状态转移函数的默认参数进行初始化;接下来,进行特征点估计时再比较预设特征点检测算法与卡尔曼滤波算法的预测特征点的预测值。接下来,人为设置一个阈值(预设距离),通过卡尔曼滤波器预测点(第二预测特征点)与预设特征点检测算法检测出的特征点(第一预测特征点)进行位置比较,算出两个坐标的距离,当距离小于阈值的时候以卡尔曼滤波器预测的位置为准,而在阈值范围以外则以检测出的位置为准。
在本发明实施例中,所要解决的问题是从根本原理上解决抖动,使得特征点定位算法检测到的特征点在实时视频中像是贴在用户的脸上一样。基于这样检测的特征点进行二次算法(诸如头部3D姿态估计,表情估计,动作估计)以及各种特效渲染(诸如贴卡通鼻子、耳朵、嘴巴等等)相比之前能带来质的飞跃。更重要的是,现在市面上存在的各种主流的特征点检测算法都可以与本发明的算法适配以提高其原有的性能。
实施例二:
本发明实施例还提供了一种人脸特征点检测增强装置,该人脸特征点检测增强装置主要用于执行本发明实施例上述内容所提供的人脸特征点检测增强方法,以下对本发明实施例提供的人脸特征点检测增强装置做具体介绍。
图2是根据本发明实施例的一种人脸特征点检测增强装置的示意图,如图2所示,该人脸特征点检测增强装置主要包括:第一获取单元21,预测单元22和分析单元23,其中:
第一获取单元21,用于获取当前时刻待处理的视频帧图像;
预测单元22,用于通过预设特征点检测算法和卡尔曼滤波算法在所述视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,所述预设人脸特征点为预先分配卡尔曼滤波器的特征点;
分析单元23,用于对所述第一预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值。
在本发明实施例中,首先获取当前时刻待处理的视频帧图像;然后,通过预设特征点检测算法和卡尔曼滤波算法在视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,预设人脸特征点为预先分配卡尔曼滤波器的特征点;接下来,对第一预测特征点和第二预测特征点进行分析,以根据分析结果确定视频帧图像的人脸特征点的预测值,在本发明实施例中,引用了卡尔曼滤波器,卡尔曼滤波(Kalmanfiltering)是一种利用线性系统的状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法,通过卡尔曼滤波来预测轨迹会起到非常出色的效果,进而缓解了现有技术中存在的在采用传统的人脸特征检测技术检测人脸特征点时稳定性较差的技术问题。
可选地,所述预测单元包括:计算模块,用于计算所述第一预测特征点和所述第二预测特征点之间的坐标距离;判断模块,用于判断所述坐标距离是否小于预设距离;第一确定模块,用于当所述坐标距离小于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;第二确定模块,用于当所述坐标距离大于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
可选地,所述预设特征点的数量为多个,所述计算模块用于:依次计算第一特征点i与第二特征点j之间的坐标距离,得到多个坐标距离,所述第一特征点i为所述第一预测特征点中的特征点,所述第二特征点j为所述第二预测特征点中的特征点,且所述第一特征点i和所述第二特征点j对应相同的预设人脸特征点。
可选地,所述判断模块用于:判断所述多个坐标距离中的每个坐标距离是否均小于所述预设距离;其中,如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;如果判断出否,则基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值。
可选地,所述判断模块还用于判断所述数量是否大于预设数量;如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;如果判断出否,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
可选地,如图3所示,该装置还包括:第二获取单元31,用于在获取当前时刻待处理的视频帧图像之前,获取预先设置的待预测的人脸特征点;分配单元32,用于为每个所述人脸特征点预先分配一个卡尔曼滤波器。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供的人脸特征点检测增强方法,与上述实施例提供的人脸特征点检测增强装置具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
实施例三:
参见图4,本发明实施例还提供一种人脸特征点检测增强系统100,包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图XX中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序401,所述处理器40在接收到执行指令后,执行所述程序401,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明实施例所提供的一种人脸特征点检测增强方法及装置的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人脸特征点检测增强方法,其特征在于,包括:
获取当前时刻待处理的视频帧图像;
通过预设特征点检测算法和卡尔曼滤波算法在所述视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,所述预设人脸特征点为预先分配卡尔曼滤波器的特征点;
对所述第一预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值。
2.根据权利要求1所述的方法,其特征在于,对所述预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值包括:
计算所述第一预测特征点和所述第二预测特征点之间的坐标距离;
判断所述坐标距离是否小于预设距离;
当所述坐标距离小于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
当所述坐标距离大于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
3.根据权利要求2所述的方法,其特征在于,所述预设特征点的数量为多个,计算所述第一预测特征点和所述第二预测特征点之间的坐标距离包括:
依次计算第一特征点i与第二特征点j之间的坐标距离,得到多个坐标距离,所述第一特征点i为所述第一预测特征点中的特征点,所述第二特征点j为所述第二预测特征点中的特征点,且所述第一特征点i和所述第二特征点j对应相同的预设人脸特征点。
4.根据权利要求3所述的方法,其特征在于,判断所述坐标距离是否小于预设距离包括:
判断所述多个坐标距离中的每个坐标距离是否均小于所述预设距离;
其中,如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
如果判断出否,则基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值。
5.根据权利要求4所述的方法,其特征在于,基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值包括:
判断所述数量是否大于预设数量;
如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
如果判断出否,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
6.根据权利要求1所述的方法,其特征在于,在获取当前时刻待处理的视频帧图像之前,所述方法还包括:
获取预先设置的待预测的人脸特征点;
为每个所述人脸特征点预先分配一个卡尔曼滤波器。
7.一种人脸特征点检测增强装置,其特征在于,包括:
第一获取单元,用于获取当前时刻待处理的视频帧图像;
预测单元,用于通过预设特征点检测算法和卡尔曼滤波算法在所述视频帧图像中对预设人脸特征点进行预测,分别得到第一预测特征点和第二预测特征点,其中,所述预设人脸特征点为预先分配卡尔曼滤波器的特征点;
分析单元,用于对所述第一预测特征点和所述第二预测特征点进行分析,以根据分析结果确定所述视频帧图像的人脸特征点的预测值。
8.根据权利要求7所述的装置,其特征在于,所述预测单元包括:
计算模块,用于计算所述第一预测特征点和所述第二预测特征点之间的坐标距离;
判断模块,用于判断所述坐标距离是否小于预设距离;
第一确定模块,用于当所述坐标距离小于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
第二确定模块,用于当所述坐标距离大于所述预设距离时,则确定所述视频帧图像的人脸特征点的预测值为所述第二预测特征点。
9.根据权利要求8所述的装置,其特征在于,所述预设特征点的数量为多个,所述计算模块用于:
依次计算第一特征点i与第二特征点j之间的坐标距离,得到多个坐标距离,所述第一特征点i为所述第一预测特征点中的特征点,所述第二特征点j为所述第二预测特征点中的特征点,且所述第一特征点i和所述第二特征点j对应相同的预设人脸特征点。
10.根据权利要求9所述的装置,其特征在于,所述判断模块用于:
判断所述多个坐标距离中的每个坐标距离是否均小于所述预设距离;
其中,如果判断出是,则确定所述视频帧图像的人脸特征点的预测值为所述第一预测特征点;
如果判断出否,则基于所述坐标距离中小于所述预设距离的数量确定所述视频帧图像的人脸特征点的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710856765.9A CN107516092A (zh) | 2017-09-21 | 2017-09-21 | 人脸特征点检测增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710856765.9A CN107516092A (zh) | 2017-09-21 | 2017-09-21 | 人脸特征点检测增强方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107516092A true CN107516092A (zh) | 2017-12-26 |
Family
ID=60725813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710856765.9A Pending CN107516092A (zh) | 2017-09-21 | 2017-09-21 | 人脸特征点检测增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107516092A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536900A (zh) * | 2021-05-31 | 2021-10-22 | 浙江大华技术股份有限公司 | 人脸图像的质量评价方法、装置以及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318264A (zh) * | 2014-10-14 | 2015-01-28 | 武汉科技大学 | 一种基于人眼优先拟合的人脸特征点跟踪方法 |
CN104299243B (zh) * | 2014-09-28 | 2017-02-08 | 南京邮电大学 | 一种基于霍夫森林的目标跟踪方法 |
CN107066982A (zh) * | 2017-04-20 | 2017-08-18 | 天津呼噜互娱科技有限公司 | 人脸特征点的识别方法和装置 |
US20170263005A1 (en) * | 2016-03-10 | 2017-09-14 | Sony Corporation | Method for moving object detection by a kalman filter-based approach |
-
2017
- 2017-09-21 CN CN201710856765.9A patent/CN107516092A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299243B (zh) * | 2014-09-28 | 2017-02-08 | 南京邮电大学 | 一种基于霍夫森林的目标跟踪方法 |
CN104318264A (zh) * | 2014-10-14 | 2015-01-28 | 武汉科技大学 | 一种基于人眼优先拟合的人脸特征点跟踪方法 |
US20170263005A1 (en) * | 2016-03-10 | 2017-09-14 | Sony Corporation | Method for moving object detection by a kalman filter-based approach |
CN107066982A (zh) * | 2017-04-20 | 2017-08-18 | 天津呼噜互娱科技有限公司 | 人脸特征点的识别方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536900A (zh) * | 2021-05-31 | 2021-10-22 | 浙江大华技术股份有限公司 | 人脸图像的质量评价方法、装置以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045814B (zh) | 资源调度方法和终端设备 | |
CN111383638A (zh) | 信号处理装置、信号处理方法及相关产品 | |
BR112020001729A2 (pt) | método, aparelho e dispositivo de reconhecimento de gestos | |
CN109120935A (zh) | 一种视频图像的编码方法和装置 | |
CN114187633B (zh) | 图像处理方法及装置、图像生成模型的训练方法及装置 | |
CN111950723A (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN108694719B (zh) | 图像输出方法和装置 | |
CN109064387A (zh) | 图像特效生成方法、装置和电子设备 | |
CN103632126B (zh) | 人脸跟踪方法及装置 | |
CN109840491A (zh) | 视频流播放方法、系统、计算机装置及可读存储介质 | |
CN110287891A (zh) | 基于人体关键点的手势控制方法、装置及电子设备 | |
CN110334753A (zh) | 视频分类方法、装置、电子设备及存储介质 | |
CN110688897A (zh) | 一种基于联合判断与生成学习的行人重识别方法及装置 | |
CN111598796A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN109525786A (zh) | 视频处理方法、装置、终端设备及存储介质 | |
CN109447006A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110149476A (zh) | 一种延时摄影方法、装置、系统及终端设备 | |
US11741678B2 (en) | Virtual object construction method, apparatus and storage medium | |
CN111985597A (zh) | 模型压缩方法及装置 | |
CN107516092A (zh) | 人脸特征点检测增强方法及装置 | |
CN108961314A (zh) | 运动图像生成方法、装置、电子设备及计算机可读存储介质 | |
CN109167989A (zh) | 一种vr视频处理方法及系统 | |
US20210158565A1 (en) | Pose selection and animation of characters using video data and training techniques | |
CN109598206A (zh) | 动态手势识别方法及装置 | |
WO2021239000A1 (zh) | 运动模糊图像的识别方法、装置、电子设备和支付设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20171226 |