CN107808142A - 眼镜检测方法及装置 - Google Patents

眼镜检测方法及装置 Download PDF

Info

Publication number
CN107808142A
CN107808142A CN201711097226.8A CN201711097226A CN107808142A CN 107808142 A CN107808142 A CN 107808142A CN 201711097226 A CN201711097226 A CN 201711097226A CN 107808142 A CN107808142 A CN 107808142A
Authority
CN
China
Prior art keywords
detection
glasses
detection zone
target image
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.)
Pending
Application number
CN201711097226.8A
Other languages
English (en)
Inventor
杨松
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 CN201711097226.8A priority Critical patent/CN107808142A/zh
Publication of CN107808142A publication Critical patent/CN107808142A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种眼镜检测方法及装置。该方法包括：从目标图像中截取检测区域图；对所述检测区域图进行肤色检测，得到所述检测区域图对应的肤色检测结果图；对所述检测区域图进行边缘检测，得到所述检测区域图对应的边缘检测结果图；通过卷积神经网络分别提取所述检测区域图对应的第一特征向量、所述肤色检测结果图对应的第二特征向量以及所述边缘检测结果图对应的第三特征向量；根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果。本公开有利于提高眼镜检测的效率，并能减少非必要信息对眼镜检测产生的干扰，能够提高眼镜检测的准确率。

Description

眼镜检测方法及装置
技术领域
本公开涉及图像检测技术领域，尤其涉及眼镜检测方法及装置。
背景技术
眼镜检测属于人脸属性识别的一种，用于判断图像中的人脸是否佩戴眼镜。在进行人像美颜时，例如在进行去眼袋、亮眼、大眼等美颜操作时，针对戴眼镜和不戴眼镜的情况，需要进行不同的处理。因此，需要提出一种准确的眼镜检测方法。
发明内容
为克服相关技术中存在的问题，本公开提供一种眼镜检测方法及装置。
根据本公开实施例的第一方面，提供一种眼镜检测方法，包括：
从目标图像中截取检测区域图；
对所述检测区域图进行肤色检测，得到所述检测区域图对应的肤色检测结果图；
对所述检测区域图进行边缘检测，得到所述检测区域图对应的边缘检测结果图；
通过卷积神经网络分别提取所述检测区域图对应的第一特征向量、所述肤色检测结果图对应的第二特征向量以及所述边缘检测结果图对应的第三特征向量；
根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果。
在一种可能的实现方式中，根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果，包括：
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接，得到拼接特征向量；
根据所述拼接特征向量得到眼镜检测结果。
在一种可能的实现方式中，根据所述拼接特征向量得到眼镜检测结果，包括：
对所述拼接特征向量进行降维，得到降维结果；
对所述降维结果进行分类识别，得到眼镜检测结果。
在一种可能的实现方式中，从目标图像中截取检测区域图，包括：
对所述目标图像进行人脸检测，确定所述目标图像中的人脸区域；
对所述人脸区域进行关键点定位，确定眼睛区域；
从所述目标图像中截取眼睛区域作为检测区域图。
根据本公开实施例的第二方面，提供一种眼镜检测装置，包括：
截取模块，用于从目标图像中截取检测区域图；
第一检测模块，用于对所述检测区域图进行肤色检测，得到所述检测区域图对应的肤色检测结果图；
第二检测模块，用于对所述检测区域图进行边缘检测，得到所述检测区域图对应的边缘检测结果图；
提取模块，用于通过卷积神经网络分别提取所述检测区域图对应的第一特征向量、所述肤色检测结果图对应的第二特征向量以及所述边缘检测结果图对应的第三特征向量；
确定模块，用于根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果。
在一种可能的实现方式中，所述确定模块包括：
拼接子模块，用于对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接
确定子模块，用于根据所述拼接特征向量得到眼镜检测结果。
在一种可能的实现方式中，所述确定子模块包括：
降维子模块，用于对所述拼接特征向量进行降维，得到降维结果；
分类子模块，用于对所述降维结果进行分类识别，得到眼镜检测结果。
在一种可能的实现方式中，所述截取模块包括：
检测子模块，用于对所述目标图像进行人脸检测，确定所述目标图像中的人脸区域；
定位子模块，用于对所述人脸区域进行关键点定位，确定眼睛区域；
截取子模块，用于从所述目标图像中截取眼睛区域作为检测区域图。
根据本公开实施例的第三方面，提供一种眼镜检测装置，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执行上述方法。
根据本公开实施例的第四方面，提供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处理器执行时，使得处理器能够执行上述方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过只对从目标图像中截取的检测区域图进行眼镜检测，而不对整个目标图像进行眼镜检测，有利于提高眼镜检测的效率，并能减少非必要信息对眼镜检测产生的干扰；通过基于检测区域图、肤色检测结果图和边缘检测结果图的特征进行眼镜检测，能够提高眼镜检测的准确率。
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。
图1是根据一示例性实施例示出的一种眼镜检测方法的流程图。
图2是根据一示例性实施例示出的一种眼镜检测方法中目标图像的示意图。
图3是根据一示例性实施例示出的一种眼镜检测方法中检测区域图的示意图。
图4是根据一示例性实施例示出的一种眼镜检测方法中肤色检测结果图的示意图。
图5是根据一示例性实施例示出的一种眼镜检测方法中边缘检测结果图的示意图。
图6是根据一示例性实施例示出的一种眼镜检测方法步骤S15的一示例性的流程图。
图7是根据一示例性实施例示出的一种眼镜检测方法步骤S152的一示例性的流程图。
图8是根据一示例性实施例示出的一种眼镜检测方法步骤S11的一示例性的流程图。
图9是据一示例性实施例示出的一种眼镜检测方法中目标图像中的人脸区域的示意图。
图10是根据一示例性实施例示出的一种眼镜检测装置的框图。
图11是根据一示例性实施例示出的一种眼镜检测装置的一示例性的框图。
图12是根据一示例性实施例示出的一种用于眼镜检测的装置800的框图。
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。
图1是根据一示例性实施例示出的一种眼镜检测方法的流程图。该方法可以应用于终端设备中。如图1所示，该方法包括步骤S11至步骤S15。
在步骤S11中，从目标图像中截取检测区域图。
其中，目标图像可以指需要进行眼镜检测的图像。
在本实施例中，通过从目标图像中截取检测区域图，后续仅对检测区域图进行眼镜检测，而不对整个目标图像进行眼镜检测，有利于提高眼镜检测的效率，并能减少非必要信息对眼镜检测产生的干扰。
图2是根据一示例性实施例示出的一种眼镜检测方法中目标图像的示意图。如图2所示，在该目标图像中，还包括人脸周围环境、衣服和头发等与眼镜检测无关的区域。
图3是根据一示例性实施例示出的一种眼镜检测方法中检测区域图的示意图。如图3所示，该检测区域图为目标图像中与眼镜检测较为相关的部分。在该示例中，通过截取检测区域图，可以避免目标图像中的人脸周围环境、衣服、头发、嘴巴、耳朵和脖子等与眼镜检测无关的区域对眼镜检测产生干扰，从而能够提高眼镜检测的效率和准确率。
在步骤S12中，对检测区域图进行肤色检测，得到检测区域图对应的肤色检测结果图。
在一种可能的实现方式中，可以采用椭圆模型对检测区域图进行肤色检测。
图4是根据一示例性实施例示出的一种眼镜检测方法中肤色检测结果图的示意图。在图4中，肤色区域的灰度值为255，非肤色区域的灰度值为0。
在步骤S13中，对检测区域图进行边缘检测，得到检测区域图对应的边缘检测结果图。
在一种可能的实现方式中，可以采用Canny边缘检测方法对检测区域图进行边缘检测。
图5是根据一示例性实施例示出的一种眼镜检测方法中边缘检测结果图的示意图。
本实施例不对步骤S12与步骤S13的执行顺序进行限定，步骤S12可以在步骤S13之前执行，也可以在步骤S13之后执行。
在步骤S14中，通过卷积神经网络分别提取检测区域图对应的第一特征向量、肤色检测结果图对应的第二特征向量以及边缘检测结果图对应的第三特征向量。
在步骤S15中，根据第一特征向量、第二特征向量和第三特征向量，确定眼镜检测结果。
在一种可能的实现方式中，可以根据第一特征向量确定检测区域图属于眼镜类别的第一概率，根据第二特征向量确定肤色检测结果图属于眼镜类别的第二概率，根据第三特征向量确定边缘检测结果图属于眼镜类别的第三概率，并可以根据第一概率、第二概率和第三概率，确定眼镜检测结果。
需要说明的是，尽管以以上实现方式介绍了根据第一特征向量、第二特征向量和第三特征向量确定眼镜检测结果的方式如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好设置根据第一特征向量、第二特征向量和第三特征向量确定眼镜检测结果的具体方式，只要眼镜检测结果根据第一特征向量、第二特征向量和第三特征向量三者确定即可。
作为该实现方式的一个示例，可以在第一概率、第二概率和第三概率均大于第一阈值的情况下，确定眼镜检测结果为目标图像中的人脸佩戴眼镜。
作为该实现方式的一个示例，可以在第一概率、第二概率和第三概率的平均值大于第二阈值的情况下，确定眼镜检测结果为目标图像中的人脸佩戴眼镜。
作为该实现方式的一个示例，可以在第一概率、第二概率和第三概率中任意两个概率大于第三阈值的情况下，确定眼镜检测结果为目标图像中的人脸佩戴眼镜。
需要说明的是，尽管以以上示例介绍了根据第一概率、第二概率和第三概率确定眼镜检测结果的方式如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好设置根据第一概率、第二概率和第三概率确定眼镜检测结果的方式。
本实施例通过只对从目标图像中截取的检测区域图进行眼镜检测，而不对整个目标图像进行眼镜检测，有利于提高眼镜检测的效率，并能减少非必要信息对眼镜检测产生的干扰；通过基于检测区域图、肤色检测结果图和边缘检测结果图的特征进行眼镜检测，能够提高眼镜检测的准确率。
图6是根据一示例性实施例示出的一种眼镜检测方法步骤S15的一示例性的流程图。如图6所示，步骤S15可以包括步骤S151和步骤S152。
在步骤S151中，对第一特征向量、第二特征向量和第三特征向量进行拼接，得到拼接特征向量。
在步骤S152中，根据拼接特征向量得到眼镜检测结果。
在一种可能的实现方式中，可以根据拼接特征向量确定目标图像属于眼镜类别的概率。并可以在目标图像属于眼镜类别的概率大于第四阈值的情况下，确定眼镜检测结果为目标图像中的人脸佩戴眼镜；在目标图像属于眼镜类别的概率小于或等于第四阈值的情况下，确定眼镜检测结果为目标图像中的人脸未佩戴眼镜。
需要说明的是，尽管以以上实现方式介绍了根据拼接特征向量得到眼镜检测结果的方式如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好设置根据拼接特征向量得到眼镜检测结果的具体方式，只要眼镜检测结果根据拼接特征向量确定即可。
图7是根据一示例性实施例示出的一种眼镜检测方法步骤S152的一示例性的流程图。如图7所示，步骤S152可以包括步骤S1521和步骤S1522。
在步骤S1521中，对拼接特征向量进行降维，得到降维结果。
在一种可能的实现方式中，可以采用PCA(Principal Component Analysis，主成分分析)方法对拼接特征向量进行降维。
在步骤S1522中，对降维结果进行分类识别，得到眼镜检测结果。
在一种可能的实现方式中，可以采用SVM(Support Vector Machine，支持向量机)对降维结果进行分类识别，确定目标图像中的人脸是否佩戴眼镜。
图8是根据一示例性实施例示出的一种眼镜检测方法步骤S11的一示例性的流程图。如图8所示，步骤S11可以包括步骤S111至步骤S113。
在步骤S111中，对目标图像进行人脸检测，确定目标图像中的人脸区域。
在该示例中，可以采用Adaboost、SSD(Single Shot multi-box Detector，单次检测多框检测器)或者YOLO(You Only Look Once，你只需要看一次)等方法检测确定目标图像中的人脸区域。
图9是据一示例性实施例示出的一种眼镜检测方法中目标图像中的人脸区域的示意图。如图9所示，图9中的矩形框表示检测得到的人脸区域。
在步骤S112中，对人脸区域进行关键点定位，确定眼睛区域。
在该示例中，可以采用AAM(Active Appearance Model，主动外观模型)、SDM(Supervised Descent Method，有监督的梯度下降方法)或者CNN(Convolutional NeuralNetworks，卷积神经网络)等对人脸区域进行关键点进行定位。
在一种可能的实现方式中，对人脸区域进行关键点定位，确定眼睛区域，可以包括：对人脸区域中的眼睛特征点进行定位，确定眼睛区域。
在另一种可能的实现方式中，对人脸区域进行关键点定位，确定眼睛区域，可以包括：对人脸区域中的眼睛、鼻子和嘴巴进行定位，确定眼睛区域。
在步骤S113中，从目标图像中截取眼睛区域作为检测区域图。
本示例通过只对从目标图像中截取的眼睛区域进行眼镜检测，而不对整个目标图像进行眼镜检测，能够提高眼镜检测的效率，并能减少非必要信息对眼镜检测产生的干扰。
图10是根据一示例性实施例示出的一种眼镜检测装置的框图。参照图10，该装置包括截取模块101、第一检测模块102、第二检测模块103、提取模块104和确定模块105。
该截取模块101被配置为从目标图像中截取检测区域图。
该第一检测模块102被配置为对检测区域图进行肤色检测，得到检测区域图对应的肤色检测结果图。
该第二检测模块103被配置为对检测区域图进行边缘检测，得到检测区域图对应的边缘检测结果图。
该提取模块104被配置为通过卷积神经网络分别提取检测区域图对应的第一特征向量、肤色检测结果图对应的第二特征向量以及边缘检测结果图对应的第三特征向量。
该确定模块105被配置为根据第一特征向量、第二特征向量和第三特征向量，确定眼镜检测结果。
图11是根据一示例性实施例示出的一种眼镜检测装置的一示例性的框图。如图11所示：
在一种可能的实现方式中，确定模块105包括拼接子模块1051和确定子模块1052。
该拼接子模块1051被配置为对第一特征向量、第二特征向量和第三特征向量进行拼接
该确定子模块1052被配置为根据拼接特征向量得到眼镜检测结果。
在一种可能的实现方式中，确定子模块1052包括降维子模块和分类子模块。
该降维子模块被配置为对拼接特征向量进行降维，得到降维结果。
该分类子模块被配置为对降维结果进行分类识别，得到眼镜检测结果。
在一种可能的实现方式中，截取模块101包括检测子模块1011、定位子模块1012和截取子模块1013。
该检测子模块1011被配置为对目标图像进行人脸检测，确定目标图像中的人脸区域。
该定位子模块1012被配置为对人脸区域进行关键点定位，确定眼睛区域。
该截取子模块1013被配置为从目标图像中截取眼睛区域作为检测区域图。
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。
本实施例通过只对从目标图像中截取的检测区域图进行眼镜检测，而不对整个目标图像进行眼镜检测，有利于提高眼镜检测的效率，并能减少非必要信息对眼镜检测产生的干扰；通过基于检测区域图、肤色检测结果图和边缘检测结果图的特征进行眼镜检测，能够提高眼镜检测的准确率。
图12是根据一示例性实施例示出的一种用于眼镜检测的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图12，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800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804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806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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808包括一个前置摄像头和/或后置摄像头。当装置800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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816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800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804，上述指令可由装置800的处理器820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。
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 (10)

1.一种眼镜检测方法，其特征在于，包括：
从目标图像中截取检测区域图；
对所述检测区域图进行肤色检测，得到所述检测区域图对应的肤色检测结果图；
对所述检测区域图进行边缘检测，得到所述检测区域图对应的边缘检测结果图；
通过卷积神经网络分别提取所述检测区域图对应的第一特征向量、所述肤色检测结果图对应的第二特征向量以及所述边缘检测结果图对应的第三特征向量；
根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果，包括：
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接，得到拼接特征向量；
根据所述拼接特征向量得到眼镜检测结果。
3.根据权利要求2所述的方法，其特征在于，根据所述拼接特征向量得到眼镜检测结果，包括：
对所述拼接特征向量进行降维，得到降维结果；
对所述降维结果进行分类识别，得到眼镜检测结果。
4.根据权利要求1所述的方法，其特征在于，从目标图像中截取检测区域图，包括：
对所述目标图像进行人脸检测，确定所述目标图像中的人脸区域；
对所述人脸区域进行关键点定位，确定眼睛区域；
从所述目标图像中截取眼睛区域作为检测区域图。
5.一种眼镜检测装置，其特征在于，包括：
截取模块，用于从目标图像中截取检测区域图；
第一检测模块，用于对所述检测区域图进行肤色检测，得到所述检测区域图对应的肤色检测结果图；
第二检测模块，用于对所述检测区域图进行边缘检测，得到所述检测区域图对应的边缘检测结果图；
提取模块，用于通过卷积神经网络分别提取所述检测区域图对应的第一特征向量、所述肤色检测结果图对应的第二特征向量以及所述边缘检测结果图对应的第三特征向量；
确定模块，用于根据所述第一特征向量、所述第二特征向量和所述第三特征向量，确定眼镜检测结果。
6.根据权利要求5所述的装置，其特征在于，所述确定模块包括：
拼接子模块，用于对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接
确定子模块，用于根据所述拼接特征向量得到眼镜检测结果。
7.根据权利要求6所述的装置，其特征在于，所述确定子模块包括：
降维子模块，用于对所述拼接特征向量进行降维，得到降维结果；
分类子模块，用于对所述降维结果进行分类识别，得到眼镜检测结果。
8.根据权利要求5所述的装置，其特征在于，所述截取模块包括：
检测子模块，用于对所述目标图像进行人脸检测，确定所述目标图像中的人脸区域；
定位子模块，用于对所述人脸区域进行关键点定位，确定眼睛区域；
截取子模块，用于从所述目标图像中截取眼睛区域作为检测区域图。
9.一种眼镜检测装置，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执行权利要求1至4中任意一项所述的方法。
10.一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处理器执行时，使得处理器能够执行权利要求1至4中任意一项所述的方法。
CN201711097226.8A 2017-11-09 2017-11-09 眼镜检测方法及装置 Pending CN107808142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711097226.8A CN107808142A (zh) 2017-11-09 2017-11-09 眼镜检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711097226.8A CN107808142A (zh) 2017-11-09 2017-11-09 眼镜检测方法及装置

Publications (1)

Publication Number Publication Date
CN107808142A true CN107808142A (zh) 2018-03-16

Family

ID=61583695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711097226.8A Pending CN107808142A (zh) 2017-11-09 2017-11-09 眼镜检测方法及装置

Country Status (1)

Country Link
CN (1) CN107808142A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564179A (zh) * 2018-06-20 2018-09-21 上海翰临电子科技有限公司 佩戴检测系统、方法、电子终端、及计算机可读存储介质
CN110334698A (zh) * 2019-08-30 2019-10-15 上海聚虹光电科技有限公司 眼镜检测系统及方法
CN111428628A (zh) * 2020-03-23 2020-07-17 北京每日优鲜电子商务有限公司 人脸检测方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020579A (zh) * 2011-09-22 2013-04-03 上海银晨智能识别科技有限公司 人脸识别方法及系统、人脸图像的眼镜框去除方法与装置
CN106407911A (zh) * 2016-08-31 2017-02-15 乐视控股（北京）有限公司 基于图像的眼镜识别方法及装置
CN106874868A (zh) * 2017-02-14 2017-06-20 北京飞搜科技有限公司 一种基于三级卷积神经网络的人脸检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020579A (zh) * 2011-09-22 2013-04-03 上海银晨智能识别科技有限公司 人脸识别方法及系统、人脸图像的眼镜框去除方法与装置
CN106407911A (zh) * 2016-08-31 2017-02-15 乐视控股（北京）有限公司 基于图像的眼镜识别方法及装置
CN106874868A (zh) * 2017-02-14 2017-06-20 北京飞搜科技有限公司 一种基于三级卷积神经网络的人脸检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564179A (zh) * 2018-06-20 2018-09-21 上海翰临电子科技有限公司 佩戴检测系统、方法、电子终端、及计算机可读存储介质
CN108564179B (zh) * 2018-06-20 2023-09-26 上海翰临电子科技有限公司 佩戴检测系统、方法、电子终端、及计算机可读存储介质
CN110334698A (zh) * 2019-08-30 2019-10-15 上海聚虹光电科技有限公司 眼镜检测系统及方法
CN111428628A (zh) * 2020-03-23 2020-07-17 北京每日优鲜电子商务有限公司 人脸检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN104850828B (zh) 人物识别方法及装置
CN106295566B (zh) 人脸表情识别方法及装置
CN104408402B (zh) 人脸识别方法及装置
CN106295511B (zh) 人脸跟踪方法及装置
CN104378441B (zh) 日程创建方法和装置
CN106295515B (zh) 确定图像中的人脸区域的方法及装置
CN109800737A (zh) 面部识别方法及装置、电子设备和存储介质
CN104063865B (zh) 分类模型创建方法、图像分割方法及相关装置
CN110287671B (zh) 验证方法及装置、电子设备和存储介质
CN107832741A (zh) 人脸特征点定位的方法、装置及计算机可读存储介质
CN107527053A (zh) 目标检测方法及装置
CN105426867A (zh) 人脸识别验证方法及装置
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN107122679A (zh) 图像处理方法及装置
CN107582028A (zh) 睡眠监测方法及装置
CN104408404B (zh) 人脸识别方法及装置
CN107463903B (zh) 人脸关键点定位方法及装置
CN108804980A (zh) 视频场景切换检测方法及装置
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN106980840A (zh) 脸型匹配方法、装置及存储介质
CN107886070A (zh) 人脸图像的验证方法、装置及设备
CN107832746A (zh) 表情识别方法及装置
WO2020114236A1 (zh) 关键点检测方法、装置、电子设备及存储介质
CN106971164A (zh) 脸型匹配方法及装置
CN107392166A (zh) 肤色检测方法、装置及计算机可读存储介质

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