CN107944367B - 人脸关键点检测方法及装置 - Google Patents

人脸关键点检测方法及装置 Download PDF

Info

Publication number
CN107944367B
CN107944367B CN201711137971.0A CN201711137971A CN107944367B CN 107944367 B CN107944367 B CN 107944367B CN 201711137971 A CN201711137971 A CN 201711137971A CN 107944367 B CN107944367 B CN 107944367B
Authority
CN
China
Prior art keywords
face
target image
feature vector
image
determining
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
Application number
CN201711137971.0A
Other languages
English (en)
Other versions
CN107944367A (zh
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 CN201711137971.0A priority Critical patent/CN107944367B/zh
Publication of CN107944367A publication Critical patent/CN107944367A/zh
Application granted granted Critical
Publication of CN107944367B publication Critical patent/CN107944367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/045—Combinations of networks

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)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种人脸关键点检测方法及装置。该方法包括：将3D平均人脸模型进行投影，得到所述3D平均人脸模型对应的人脸投影图；将目标图像和所述人脸投影图输入第一卷积神经网络，得到所述目标图像和所述人脸投影图之间的对应关系图；将所述目标图像和所述人脸投影图输入第二卷积神经网络，得到所述对应关系图对应的置信度图；根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果。本公开的人脸关键点检测方法及装置，有利于提高人脸关键点检测的准确性和稳定性，能够有效地对各种人脸图像中的人脸关键点进行检测。

Description

人脸关键点检测方法及装置
技术领域
本公开涉及图像处理技术领域，尤其涉及一种人脸关键点检测方法及装置。
背景技术
人脸关键点检测属于人脸属性识别的一种，用于检测出人脸上的关键点，例如脸部轮廓点，五官轮廓点等。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，需要确定人脸上的关键点。因此，需要提出一种准确的人脸关键点检测方法。
发明内容
为克服相关技术中存在的问题，本公开提供一种人脸关键点检测方法及装置。
根据本公开实施例的第一方面，提供一种人脸关键点检测方法，包括：
将3D平均人脸模型进行投影，得到所述3D平均人脸模型对应的人脸投影图；
将目标图像和所述人脸投影图输入第一卷积神经网络，得到所述目标图像和所述人脸投影图之间的对应关系图；
将所述目标图像和所述人脸投影图输入第二卷积神经网络，得到所述对应关系图对应的置信度图；
根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果。
在一种可能的实现方式中，根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果，包括：
根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果。
在一种可能的实现方式中，根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果，包括：
根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定所述目标图像对应的3D特定人脸模型和投影矩阵；
根据所述目标图像对应的3D特定人脸模型和投影矩阵，确定人脸关键点检测结果。
在一种可能的实现方式中，所述方法还包括：
对待检测人脸图像进行处理，得到处理后的待检测人脸图像；
将所述处理后的待检测人脸图像作为所述目标图像；
其中，所述处理包括缩放处理和/或归一化处理。
根据本公开实施例的第二方面，提供一种人脸关键点检测装置，包括：
投影模块，用于将3D平均人脸模型进行投影，得到所述3D平均人脸模型对应的人脸投影图；
第一运算模块，用于将目标图像和所述人脸投影图输入第一卷积神经网络，得到所述目标图像和所述人脸投影图之间的对应关系图；
第二运算模块，用于将所述目标图像和所述人脸投影图输入第二卷积神经网络，得到所述对应关系图对应的置信度图；
确定模块，用于根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果。
在一种可能的实现方式中，所述确定模块包括：
确定子模块，用于根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果。
在一种可能的实现方式中，所述确定子模块包括：
第一确定子模块，用于根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定所述目标图像对应的3D特定人脸模型和投影矩阵；
第二确定子模块，用于根据所述目标图像对应的3D特定人脸模型和投影矩阵，确定人脸关键点检测结果。
在一种可能的实现方式中，所述装置还包括：
处理模块，用于对待检测人脸图像进行处理，得到处理后的待检测人脸图像，并将所述处理后的待检测人脸图像作为所述目标图像；
其中，所述处理包括缩放处理和/或归一化处理。
根据本公开实施例的第三方面，提供一种人脸关键点检测装置，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：通过根据3D平均人脸模型对应的人脸投影图和目标图像之间的对应关系，进行该目标图像的人脸关键点检测，有利于提高人脸关键点检测的准确性和稳定性，能够有效地对各种人脸图像中的人脸关键点进行检测，例如有效地对遮挡和侧脸情况下的人脸关键点进行检测。
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人脸关键点检测方法的流程图。
图2是根据一示例性实施例示出的一种人脸关键点检测方法中人脸关键点检测结果的示意图。
图3是根据一示例性实施例示出的一种人脸关键点检测方法中人脸关键点检测结果的另一示意图。
图4是根据一示例性实施例示出的一种人脸关键点检测装置的框图。
图5是根据一示例性实施例示出的一种人脸关键点检测装置的一示意性的框图。
图6是根据一示例性实施例示出的一种用于人脸关键点检测的装置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人脸关键点检测方法的流程图。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S14。
在步骤S11中，将3D平均人脸模型进行投影，得到3D平均人脸模型对应的人脸投影图。
在一种可能的实现方式中，将3D平均人脸模型进行正投影，得到3D平均人脸模型对应的人脸投影图。3D平均人脸模型可以为根据大量3D人脸模型样本确定的3D人脸模型，也可以为根据人脸平均构成比例绘制的3D人脸模型，本公开对此不做限制。
其中，3D人脸模型可以指由多个表示人脸上的特定位置的像素点构成的模型。例如，若一个3D人脸模型具有3万个像素点，则该3万个像素点有序排列且每个像素点能够表示人脸上的特定位置，例如眼睛、嘴巴或鼻子等。
在一种可能的实现方式中，采用式1可以确定3D可形变人脸模型A：
Figure BDA0001470875730000041
其中，m表示3D平均人脸模型，wi表示第i个人脸形状分量，αi表示第i个人脸形状分量wi对应的系数，i为1～n的整数，n表示人脸形状分量的个数。
其中，人脸形状分量可以指人脸形状的变化方向，例如眼睛变大或变小，嘴巴变宽或变窄，鼻子变高或变低等，本公开对此不做限制。本领域技术人员可以根据实际应用场景需求和/或个人喜好设置人脸形状分量。
在一种可能的实现方式中，在3D可形变人脸模型A中，3D平均人脸模型m和人脸形状分量(wi，i为1～n的整数)已知。通过选择不同的人脸形状分量对应的系数(αi，i为1～n的整数)，可以确定任意人脸的3D特定人脸模型。在3D特定人脸模型确定之后，可以将3D特定人脸模型按照投影矩阵进行投影，得到与该投影矩阵匹配的2D人脸图像，即任意角度的2D人脸图像都可以通过3D特定人脸模型按照特定的投影矩阵投影得到。
在一种可能的实现方式中，采用式2可以确定2D人脸图像B：
Figure BDA0001470875730000042
其中，T表示投影矩阵。
在一种可能的实现方式中，在3D可形变人脸模型A中，3D平均人脸模型m和人脸形状分量(wi，i为1～n的整数)已知。在获取到2D人脸图像的情况下，通过确定对应的人脸形状分量对应的系数(αi，i为1～n的整数)，可以确定该2D人脸图像对应的3D特定人脸模型。此外，还可以确定该2D人脸图像对应的投影矩阵。
在步骤S12中，将目标图像和人脸投影图输入第一卷积神经网络，得到该目标图像和人脸投影图之间的对应关系图。
在一种可能的实现方式中，该方法还包括：对待检测人脸图像进行处理，得到处理后的待检测人脸图像；将该处理后的待检测人脸图像作为目标图像；其中，处理包括缩放处理和/或归一化处理。
作为一个示例，在获取到待检测人脸图像的情况下，对该待检测人脸图像进行缩放处理，将该待检测人脸图像缩放至固定大小(例如128*128)。对缩放至固定大小的待检测人脸图像进行归一化处理(例如减均值或除方差)，得到处理后的待检测人脸图像。将该处理后的待检测人脸图像作为目标图像。
其中，将目标图像P和人脸投影图Q输入第一卷积神经网络(例如CNN1)，得到该目标图像P和人脸投影图Q之间的对应关系图F。对应关系图F中的每个像素点都具有两个值，即(Δx,Δy)。(Δx,Δy)表示目标图像P中的(x,y)位置的像素点与人脸投影图Q中的(x+Δx,y+Δy)位置的像素点相对应。由于人脸投影图Q中的像素点和3D平均人脸模型中的像素点存在对应关系，所以可得到目标图像P中的像素点和3D平均人脸模型中的像素点的对应关系。
在步骤S13中，将该目标图像和人脸投影图输入第二卷积神经网络，得到该对应关系图对应的置信度图。
其中，将目标图像P和人脸投影图Q输入第二卷积神经网络(例如CNN2)，得到对应关系图F对应的置信度图M。置信度图M中的每个像素点的值可以为0或1。0表示对应关系图F中相同位置的值不可信，即不正确。1表示对应关系图F中相同位置的值可信，即正确。
在步骤S14中，根据该对应关系图和该对应关系图对应的置信度图，确定人脸关键点检测结果。
在一种可能的实现方式中，根据该对应关系图和该对应关系图对应的置信度图，确定人脸关键点检测结果(步骤S14)可以包括：根据该目标图像对应的第一特征向量、该对应关系图对应的第二特征向量和该置信度图对应的第三特征向量，确定人脸关键点检测结果。
在一种可能的实现方式中，根据该目标图像对应的第一特征向量、该对应关系图对应的第二特征向量和该置信度图对应的第三特征向量，确定人脸关键点检测结果，可以包括：根据该目标图像对应的第一特征向量、该对应关系图对应的第二特征向量和该置信度图对应的第三特征向量，确定该目标图像对应的3D特定人脸模型和投影矩阵；根据该目标图像对应的3D特定人脸模型和投影矩阵，确定人脸关键点检测结果。
需要说明的是，尽管以上述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人脸关键点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人脸关键点检测结果的具体方式，只要人脸关键点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。
在一种可能的实现方式中，采用式3可以确定误差函数L：
Figure BDA0001470875730000061
其中，j表示像素点的索引，Pj表示目标图像中的第j个像素点对应的第一特征向量，Aj表示目标图像对应的3D特定人脸模型中的第j个像素点对应的特征向量，Aj可以通过对应关系图中的第j个像素点对应的第二特征向量表示，Mj表示置信度图中的第j个像素点对应的第三特征向量。
在一种可能的实现方式中，通过最小化误差函数L，可以求解得到目标图像对应的3D特定人脸模型A'中第i个人脸形状分量wi对应的系数αi'和目标图像对应的投影矩阵T'。换言之，求得αi'和T'，使得误差函数L的取值最小，由此得到目标图像对应的3D特定人脸模型
Figure BDA0001470875730000062
以及目标图像对应的投影矩阵T'。
在一种可能的实现方式中，采用式4可以确定目标图像中的人脸关键点K：
Figure BDA0001470875730000063
其中，mindex表示3D平均人脸模型中的人脸关键点，wi index表示人脸关键点对应的第i个人脸形状分量。
其中，3D平均人脸模型中的人脸关键点mindex以及人脸关键点对应的第i个人脸形状分量wi index可以预先设定，例如设定脸部轮廓点以及五官轮廓点(例如眉毛轮廓点、眼睛轮廓点、鼻子轮廓点和嘴巴轮廓点等)的95个像素点作为人脸关键点。
图2是根据一示例性实施例示出的一种人脸关键点检测方法中人脸关键点检测结果的示意图。如图2所示，在该待检测人脸图像中，人脸为侧脸。人脸关键点检测结果为脸部轮廓点以及五官轮廓点(例如眉毛轮廓点、眼睛轮廓点、鼻子轮廓点和嘴巴轮廓点等)。
图3是根据一示例性实施例示出的一种人脸关键点检测方法中人脸关键点检测结果的另一示意图。如图3所示，在该该待检测人脸图像中，人脸为逆光。人脸关键点检测结果为脸部轮廓点以及五官轮廓点(例如眉毛轮廓点、眼睛轮廓点、鼻子轮廓点和嘴巴轮廓点等)。
本公开的人脸关键点检测方法，将人脸关键点检测转化为求解目标图像对应的3D特定人脸模型和投影矩阵的过程。通过3D平均人脸模型和目标图像，拟合得到该目标图像对应的3D特定人脸模型，计算得到该目标图像对应的投影矩阵，并根据该3D特定人脸模型和该投影矩阵进行人脸关键点检测，有利于提高人脸关键点检测的准确性和稳定性，能够有效地对各种人脸图像中的人脸关键点进行检测，例如有效地对遮挡和侧脸情况下的人脸关键点进行检测。
图4是根据一示例性实施例示出的一种人脸关键点检测装置的框图。参照图4，该装置包括投影模块41，第一运算模块42，第二运算模块43和确定模块44。
该投影模块41被配置为将3D平均人脸模型进行投影，得到所述3D平均人脸模型对应的人脸投影图。该第一运算模块42被配置为将目标图像和所述人脸投影图输入第一卷积神经网络，得到所述目标图像和所述人脸投影图之间的对应关系图。该第二运算模块43被配置为将所述目标图像和所述人脸投影图输入第二卷积神经网络，得到所述对应关系图对应的置信度图。该确定模块44被配置为根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果。
图5是根据一示例性实施例示出的一种人脸关键点检测装置的一示意性的框图。参照图5：
在一种可能的实现方式中，所述确定模块44包括确定子模块441。该确定子模块441被配置为根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果。
在一种可能的实现方式中，所述确定子模块441包括第一确定子模块和第二确定子模块。该第一确定子模块被配置为根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定所述目标图像对应的3D特定人脸模型和投影矩阵。该第二确定子模块被配置为根据所述目标图像对应的3D特定人脸模型和投影矩阵，确定人脸关键点检测结果。
在一种可能的实现方式中，所述装置还包括处理模块40。该处理模块40被配置为对待检测人脸图像进行处理，得到处理后的待检测人脸图像，并将所述处理后的待检测人脸图像作为所述目标图像；其中，所述处理包括缩放处理和/或归一化处理。
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。
本公开的人脸关键点检测装置，将人脸关键点检测转化为求解目标图像对应的3D特定人脸模型和投影矩阵的过程。通过3D平均人脸模型和目标图像，拟合得到该目标图像对应的3D特定人脸模型，计算得到该目标图像对应的投影矩阵，并根据该3D特定人脸模型和该投影矩阵进行人脸关键点检测，有利于提高人脸关键点检测的准确性和稳定性，能够有效地对各种人脸图像中的人脸关键点进行检测，例如有效地对遮挡和侧脸情况下的人脸关键点进行检测。
图6是根据一示例性实施例示出的一种用于人脸关键点检测的装置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6，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 (8)

1.一种人脸关键点检测方法，其特征在于，包括：
将3D平均人脸模型进行投影，得到所述3D平均人脸模型对应的人脸投影图；
将目标图像和所述人脸投影图输入第一卷积神经网络，得到所述目标图像和所述人脸投影图之间的对应关系图；
将所述目标图像和所述人脸投影图输入第二卷积神经网络，得到所述对应关系图对应的置信度图；
根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果；
其中，所述根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果，包括：根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果，包括：
根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定所述目标图像对应的3D特定人脸模型和投影矩阵；
根据所述目标图像对应的3D特定人脸模型和投影矩阵，确定人脸关键点检测结果。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对待检测人脸图像进行处理，得到处理后的待检测人脸图像；
将所述处理后的待检测人脸图像作为所述目标图像；
其中，所述处理包括缩放处理和/或归一化处理。
4.一种人脸关键点检测装置，其特征在于，包括：
投影模块，用于将3D平均人脸模型进行投影，得到所述3D平均人脸模型对应的人脸投影图；
第一运算模块，用于将目标图像和所述人脸投影图输入第一卷积神经网络，得到所述目标图像和所述人脸投影图之间的对应关系图；
第二运算模块，用于将所述目标图像和所述人脸投影图输入第二卷积神经网络，得到所述对应关系图对应的置信度图；
确定模块，用于根据所述对应关系图和所述对应关系图对应的置信度图，确定人脸关键点检测结果；
其中，所述确定模块包括：确定子模块，用于根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定人脸关键点检测结果。
5.根据权利要求4所述的装置，其特征在于，所述确定子模块包括：
第一确定子模块，用于根据所述目标图像对应的第一特征向量、所述对应关系图对应的第二特征向量和所述置信度图对应的第三特征向量，确定所述目标图像对应的3D特定人脸模型和投影矩阵；
第二确定子模块，用于根据所述目标图像对应的3D特定人脸模型和投影矩阵，确定人脸关键点检测结果。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括：
处理模块，用于对待检测人脸图像进行处理，得到处理后的待检测人脸图像，并将所述处理后的待检测人脸图像作为所述目标图像；
其中，所述处理包括缩放处理和/或归一化处理。
7.一种人脸关键点检测装置，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3中任意一项所述的方法。
8.一种非临时性计算机可读存储介质，其特征在于，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3中任意一项所述的方法。
CN201711137971.0A 2017-11-16 2017-11-16 人脸关键点检测方法及装置 Active CN107944367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711137971.0A CN107944367B (zh) 2017-11-16 2017-11-16 人脸关键点检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711137971.0A CN107944367B (zh) 2017-11-16 2017-11-16 人脸关键点检测方法及装置

Publications (2)

Publication Number Publication Date
CN107944367A CN107944367A (zh) 2018-04-20
CN107944367B true CN107944367B (zh) 2021-06-01

Family

ID=61932518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711137971.0A Active CN107944367B (zh) 2017-11-16 2017-11-16 人脸关键点检测方法及装置

Country Status (1)

Country Link
CN (1) CN107944367B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197109B (zh) * 2018-08-17 2023-11-24 平安科技（深圳）有限公司 神经网络模型训练、人脸识别方法、装置、设备及介质
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
CN111160111B (zh) * 2019-12-09 2021-04-30 电子科技大学 一种基于深度学习的人体关键点检测方法
CN113223188B (zh) * 2021-05-18 2022-05-27 浙江大学 一种视频人脸胖瘦编辑方法
CN113299312B (zh) * 2021-05-21 2023-04-28 北京市商汤科技开发有限公司 一种图像生成方法、装置、设备以及存储介质
CN113505717B (zh) * 2021-07-17 2022-05-31 桂林理工大学 一种基于人脸面部特征识别技术的在线通行系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679185A (zh) * 2012-08-31 2014-03-26 富士通株式会社 卷积神经网络分类器系统、其训练方法、分类方法和用途
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573614B (zh) * 2013-10-22 2020-01-03 北京三星通信技术研究有限公司 用于跟踪人脸的设备和方法
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106295515B (zh) * 2016-07-28 2019-10-15 北京小米移动软件有限公司 确定图像中的人脸区域的方法及装置
CN106529447B (zh) * 2016-11-03 2020-01-21 河北工业大学 一种小样本人脸识别方法
CN107122705B (zh) * 2017-03-17 2020-05-19 中国科学院自动化研究所 基于三维人脸模型的人脸关键点检测方法
CN107239758B (zh) * 2017-05-24 2022-03-08 北京小米移动软件有限公司 人脸关键点定位的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679185A (zh) * 2012-08-31 2014-03-26 富士通株式会社 卷积神经网络分类器系统、其训练方法、分类方法和用途
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Convolutional Pose Machines;Shih-En Wei等;《arXiv》;20160412;1-9 *

Also Published As

Publication number Publication date
CN107944367A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107944367B (zh) 人脸关键点检测方法及装置
KR101694643B1 (ko) 이미지 분할 방법, 장치, 기기, 프로그램 및 기록매체
CN105488527B (zh) 图像分类方法及装置
US11061202B2 (en) Methods and devices for adjusting lens position
CN105095881B (zh) 人脸识别方法、装置及终端
CN105554389B (zh) 拍摄方法及装置
CN107692997B (zh) 心率检测方法及装置
CN106408603B (zh) 拍摄方法及装置
CN106331504B (zh) 拍摄方法及装置
CN107944447B (zh) 图像分类方法及装置
EP3179711A2 (en) Method and apparatus for preventing photograph from being shielded
CN106557759B (zh) 一种标志牌信息获取方法及装置
EP3057304A1 (en) Method and apparatus for generating image filter
EP3113071A1 (en) Method and device for acquiring iris image
CN108154466B (zh) 图像处理方法及装置
CN109325908B (zh) 图像处理方法及装置、电子设备和存储介质
CN106503682B (zh) 视频数据中的关键点定位方法及装置
CN109034150B (zh) 图像处理方法及装置
CN107958223B (zh) 人脸识别方法及装置、移动设备、计算机可读存储介质
EP3040912A1 (en) Method and device for classifying pictures
CN112188091B (zh) 人脸信息识别方法、装置、电子设备及存储介质
CN105678296B (zh) 确定字符倾斜角度的方法及装置
CN107424130B (zh) 图片美颜方法和装置
CN108154090B (zh) 人脸识别方法及装置
US9665925B2 (en) Method and terminal device for retargeting images

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