CN108038422A - 摄像装置、人脸识别的方法及计算机可读存储介质 - Google Patents

摄像装置、人脸识别的方法及计算机可读存储介质 Download PDF

Info

Publication number
CN108038422A
CN108038422A CN201711166813.8A CN201711166813A CN108038422A CN 108038422 A CN108038422 A CN 108038422A CN 201711166813 A CN201711166813 A CN 201711166813A CN 108038422 A CN108038422 A CN 108038422A
Authority
CN
China
Prior art keywords
facial image
face
point
video data
recognition
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.)
Granted
Application number
CN201711166813.8A
Other languages
English (en)
Other versions
CN108038422B (zh
Inventor
陈林
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201711166813.8A priority Critical patent/CN108038422B/zh
Priority to PCT/CN2018/076140 priority patent/WO2019100608A1/zh
Publication of CN108038422A publication Critical patent/CN108038422A/zh
Application granted granted Critical
Publication of CN108038422B publication Critical patent/CN108038422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种摄像装置、人脸识别的方法及计算机可读存储介质，人脸识别的方法包括：对视频数据进行人脸检测，得到人脸图像；对人脸图像进行追踪，获取一序列的人脸图像；对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。本发明能够减轻服务器在人脸识别时的计算压力，降低网络传输压力。

Description

摄像装置、人脸识别的方法及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种摄像装置、人脸识别的方法及计算机可读存储介质。
背景技术
目前，现有1：N动态人脸识别系统一般是使用一台服务器连接一路或多路网络摄像机，服务器通过网络从摄像机收取视频数据，对视频数据进行人脸识别，这样的集中式分析方案对服务器的计算压力很大，尤其当摄像机数量较大时通常一台服务器无法满足需求，需要构建服务器阵列，且在功耗和散热方面都会有很高的要求；另外，由于视频数据需要从摄像机传送到服务器，对网络的压力也比较大，并且这种压力会随着摄像机分辨率和画质的提升而上升。
发明内容
本发明的目的在于提供一种摄像装置、人脸识别的方法及计算机可读存储介质，旨在减轻服务器在人脸识别时的计算压力，降低网络传输压力。
为实现上述目的，本发明提供一种摄像装置，所述摄像装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的处理系统，所述处理系统被所述处理器执行时实现如下步骤：
检测步骤：对视频数据进行人脸检测，得到人脸图像；
追踪步骤：对人脸图像进行追踪，获取一序列的人脸图像；
图像质量评分步骤：对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；
特征点定位步骤：对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；
特征向量输出步骤：将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；
传输步骤：将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。
优选地，在所述检测步骤之前，所述处理系统被所述处理器执行时，还实现如下步骤：
分析视频数据是压缩的视频数据还是非压缩的视频数据；
若是非压缩的视频数据，则将视频数据的格式转换为可进行人脸检测的格式；
若是压缩的视频数据，则对视频数据进行解码再将视频数据的格式转换为可进行人脸检测的格式。
优选地，所述追踪步骤，具体包括：
获取相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，根据相邻两帧人脸图像的X、Y坐标值，以及人高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度；
基于相邻两帧人脸图像中人脸的相似度进行人脸追踪。
优选地，所述图像质量评分步骤，具体包括：
根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
为实现上述目的，本发明还提供一种人脸识别的方法，所述人脸识别的方法包括：
S1，对视频数据进行人脸检测，得到人脸图像；
S2，对人脸图像进行追踪，获取一序列的人脸图像；
S3，对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；
S4，对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；
S5，将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；
S6，将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。
优选地，所述步骤S1之前，还包括：
分析视频数据是压缩的视频数据还是非压缩的视频数据；
若是非压缩的视频数据，则将视频数据的格式转换为可进行人脸检测的格式；
若是压缩的视频数据，则对视频数据进行解码再将视频数据的格式转换为可进行人脸检测的格式。
优选地，所述步骤S2，具体包括：
获取相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，根据相邻两帧人脸图像的X、Y坐标值，以及人高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度；
基于相邻两帧人脸图像中人脸的相似度进行人脸追踪。
优选地，所述步骤S3，具体包括：
根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
优选地，所述预定的点包括眼部点、鼻部点及嘴部点，所述梯度值为眼部点、鼻部点及嘴部点的平均梯度，所述眼部点包括左眼球点及右眼球点，所述嘴部点包括左嘴角点及右嘴角点，所述步骤S3，进一步包括：
p＝((x_LeftEye-x_RightEye)^2×grad)/|(x_LeftEye+x_RightEye)/2-x_Nose|；
其中，p为图像质量评分，x_LeftEye、x_RightEye表示左眼球、右眼球的X坐标，x_Nose表示鼻尖点的X坐标，grad为眼部点、鼻部点及嘴部点三者的平均梯度。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有处理系统，所述处理系统被处理器执行时实现上述的人脸识别的方法的步骤。
本发明的有益效果是：本发明每一摄像装置的处理一路视频数据，摄像装置除了采集视频外，还可以对视频进行人脸检测、追踪、图像质量评分、特征点定位及输入深度神经网络模型中，得到人脸特征向量，最后仅传输人脸特征向量给服务器，在摄像装置的数量较多时，能够大大减轻服务器的计算压力，不需要构建服务器阵列，同时，可以较大程度地降低网络传输压力，且网络传输压力并不会随着摄像装置分辨率和画质的提升而上升。
附图说明
图1为本发明各个实施例一可选的应用环境示意图；
图2是图1中摄像装置一实施例的硬件架构的示意图；
图3为本发明人脸识别的方法一实施例的流程示意图。
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用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明人脸识别的方法的较佳实施例的应用环境示意图。该应用环境示意图包括摄像装置1及服务器2。多个摄像装置1可以分别通过网络、近场通信技术等适合的技术与服务器2进行数据交互。
所述服务器2可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述摄像装置1是一种常见的包括摄像头的、可动态采集图像的电子产品，且能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。
结合参阅图2，在本实施例中，摄像装置1可包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13及摄像头14，存储器11存储有可在处理器12上运行的处理系统。需要指出的是，图2仅示出了具有组件11-14的摄像装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，每一摄像装置1均包括处理器(处理器为用于处理图像的nvidia tx2芯片)，nvidia tx2芯片可以通过usb或csi或网络接口连接于摄像装置1上，用以运行处理系统。摄像装置1与服务器2之间通过网络连接，服务器2中存储有人脸图像样本库。摄像装置1安装于特定场所(例如办公场所、监控区域)，对进入该特定场所的目标实时拍摄得到视频，处理器对视频进行处理得到人脸特征向量，然后仅仅将人脸特征向量通过网络发送给服务器2，由服务器2基于人脸图像样本库进行比对，实现人脸识别。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为摄像装置1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是摄像装置1的内部存储单元，例如该摄像装置1的硬盘；在另一些实施例中，该非易失性存储介质也可以是摄像装置1的外部存储设备，例如摄像装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于摄像装置1的操作系统和各类应用软件，例如本发明一实施例中的处理系统的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行处理系统等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述摄像装置1与其他电子设备之间建立通信连接。本实施例中，网络接口13主要用于将摄像装置1与服务器2相连，在摄像装置1与服务器2之间建立数据传输通道和通信连接。
所述处理系统存储在存储器11中，包括至少一个存储在存储器11中的计算机可读指令，该至少一个计算机可读指令可被处理器器12执行，以实现本申请各实施例的方法；以及，该至少一个计算机可读指令依据其各部分所实现的功能不同，可被划为不同的逻辑模块。
在一实施例中，上述处理系统被所述处理器12执行时实现如下步骤：
检测步骤：对视频数据进行人脸检测，得到人脸图像；
对视频数据中的每一帧图像基于人脸的特征进行人脸检测，每一帧图像中可能有一个或多个人脸，或者没有人脸，在进行人脸检测后，可以从图像中提取得到人脸图像。
其中，人脸图像为仅包括人脸区域的图像(无其他背景)，人脸区域可大可小，对于远景拍摄的人脸图像，其人脸区域小，对于近景拍摄的人脸图像，其人脸区域大。人脸区域为包括人脸的最小区域，优选为包括人脸的矩形区域，当然也可以是其他形状的包括人脸的区域，例如圆形区域等，此处不做过多限定。
追踪步骤：对人脸图像进行追踪，获取一序列的人脸图像；
本实施例中，在人脸追踪时，可以计算相邻两帧人脸图像的相似度，以实现人脸追踪。在一实施例中，可以根据相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值计算人脸的相似度；在其他实施例中，可以根据相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度。基于相邻两帧人脸图像中人脸的相似度进行人脸追踪，得到同一人的一序列的人脸图像，对于人脸图像中出现两个或两个以上的人的，也可以分别得到各人对应的一序列的人脸图像。
图像质量评分步骤：对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；
其中，对每一序列的人脸图像进行图像质量评分时，根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
其中，预定的点包括眼部点、鼻部点及嘴部点，预定的点的梯度值为平均梯度(meangradient)，平均梯度指人脸图像的预定的点的边界或影线两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用来表示图像清晰度，反映了预定的点微小细节反差变化的速率，即预定的点多维方向上密度变化的速率，表征人脸图像的相对清晰程度。预定的点的坐标值至少包括眼部点及鼻部点的x横坐标。
在对该系列中的每张人脸图像的质量进行评分的过程中，拍摄得到的人脸图像中，双眼之间距离越大、双眼中心点与鼻尖的x横坐标越接近，平均梯度值越大，图像的评分就越高，表示人脸图像为正脸图像的概率越大。
特征点定位步骤：对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；
本实施例中，对每一序列的人脸图像，为了方便选出正脸的人脸图像，将评分结果降序排列，即人脸图像为正脸图像的排列在前，从排列的序列中选取评分靠前的预设数量的人脸图像，例如选取7张人脸图像。
对于对评分靠前的预设数量的人脸图像进行特征点定位，特征点至少包括眼部特征点、嘴部特征点、鼻部特征点，基于特征点定位后的人脸图像进行校正。
特征向量输出步骤：将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；
传输步骤：将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。
本实施例中，将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，通过深度神经网络模型对其进行计算后输出每一人脸图像的人脸特征向量，然后摄像装置仅仅将人脸特征向量传输至服务器端进行1:N动态识别。
与现有技术相比，本实施例每一摄像装置处理一路视频数据，摄像装置除了采集视频外，还可以对视频进行人脸检测、追踪、图像质量评分、特征点定位及输入深度神经网络模型中，得到人脸特征向量，最后仅传输人脸特征向量给服务器，在摄像装置的数量较多时，能够大大减轻服务器的计算压力，不需要构建服务器阵列，同时，可以较大程度地降低网络传输压力，且网络传输压力并不会随着摄像装置分辨率和画质的提升而上升。
在一优选的实施例中，在上述图2的实施例的基础上，所述处理系统被所述处理器12执行时，在人脸检测之前，还包括：
分析视频数据是压缩的视频数据还是非压缩的视频数据；
若是非压缩的视频数据，则将视频数据的格式转换为可进行人脸检测的格式；
若是压缩的视频数据，则对视频数据进行解码再将视频数据的格式转换为可进行人脸检测的格式。
本实施例中，摄像装置在采集视频数据后可能会将其进行压缩，其中，在压缩时可以按照实时性将采集的视频数据进行非实时性压缩或者实时压缩，本实施例优选为实时压缩。另外可以根据实际情况将采集的视频数据进行有损压缩，压缩比率为预定的比率，优选为5:1。视频压缩的算法包括M-JPEG(Motion-Join Photographic Experts Group，运动图像逐帧压缩技术)、Mpeg(Moving Pictures Experts Group，动态图像专家组)、H.264、Wavelet(小波压缩)、JPEG 2000、AVS压缩等，经过上述的压缩算法得到压缩的输数据。在人脸检测之前，可以分析视频数据是否被压缩，具体地，可以分析其格式是否为压缩后的格式，如果是将其进一步处理，例如对于摄像头利用M-JPEG进行压缩后，其格式为YCrCB，则需要将YCrCB格式的视频数据转换为RGB格式，以便可以执行人脸检测。
在一优选的实施例中，在上述图2的实施例的基础上，所述追踪步骤，具体包括：
获取相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，根据相邻两帧人脸图像的X、Y坐标值，以及人高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度；
基于相邻两帧人脸图像中人脸的相似度进行人脸追踪。
其中，相似度计算步骤包括：
所述Si,j为相似度，所述wx,wy,ww,wh分别为相邻两帧人脸i、人脸j的x方向距离、y方向距离、宽度差异、高度差异的权重，wx,wy,ww,wh∈[0,1]，其中：
为人脸i和人脸j中心点之间x方向距离；
为人脸i和人脸j中心点之间y方向距离；
为人脸i和人脸j的宽度差异；
为人脸i和人脸j的高度差异。
当该相邻两帧人脸图像中人脸的相似度大于等于预设阈值时，判断该相邻两帧人脸图像中的人脸为同一人的人脸。
在一优选的实施例中，在上述图2的实施例的基础上，所述图像质量评分步骤，具体包括：根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
其中，所述预定的点包括眼部点、鼻部点及嘴部点，所述梯度值为眼部点、鼻部点及嘴部点的平均梯度，所述眼部点包括左眼球点及右眼球点，所述嘴部点包括左嘴角点及右嘴角点，所述图像质量评分的公式为：
p＝((x_LeftEye-x_RightEye)^2×grad)/|(x_LeftEye+x_RightEye)/2-x_Nose|；
其中，p为图像质量评分，x_LeftEye、x_RightEye表示左眼球、右眼球的X坐标，x_Nose表示鼻尖点的X坐标，grad为眼部点、鼻部点及嘴部点三者的平均梯度。
本实施例选取人脸中的眼部点、鼻部点及嘴部点的坐标来对人脸图像的质量进行评分，能够客观、准确地对人脸图像进行评估，以便获取到评分高的人脸图像，方便后续进行校正等处理。
如图3所示，图3为本发明人脸识别的方法一实施例的流程示意图，该方法包括以下步骤：
步骤S1，对视频数据进行人脸检测，得到人脸图像；
对视频数据中的每一帧图像基于人脸的特征进行人脸检测，每一帧图像中可能有一个或多个人脸，或者没有人脸，在进行人脸检测后，可以从图像中提取得到人脸图像。
其中，人脸图像为仅包括人脸区域的图像(无其他背景)，人脸区域可大可小，对于远景拍摄的人脸图像，其人脸区域小，对于近景拍摄的人脸图像，其人脸区域大。人脸区域为包括人脸的最小区域，优选为包括人脸的矩形区域，当然也可以是其他形状的包括人脸的区域，例如圆形区域等，此处不做过多限定。
步骤S2，对人脸图像进行追踪，获取一序列的人脸图像；
本实施例中，在人脸追踪时，可以计算相邻两帧人脸图像的相似度，以实现人脸追踪。在一实施例中，可以根据相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值计算人脸的相似度；在其他实施例中，可以根据相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度。基于相邻两帧人脸图像中人脸的相似度进行人脸追踪，得到同一人的一序列的人脸图像，对于人脸图像中出现两个或两个以上的人的，也可以分别得到各人对应的一序列的人脸图像。
步骤S3，对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；
其中，对每一序列的人脸图像进行图像质量评分时，根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
其中，预定的点包括眼部点、鼻部点及嘴部点，预定的点的梯度值为平均梯度(meangradient)，平均梯度指人脸图像的预定的点的边界或影线两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用来表示图像清晰度，反映了预定的点微小细节反差变化的速率，即预定的点多维方向上密度变化的速率，表征人脸图像的相对清晰程度。预定的点的坐标值至少包括眼部点及鼻部点的x横坐标。
在对该系列中的每张人脸图像的质量进行评分的过程中，拍摄得到的人脸图像中，双眼之间距离越大、双眼中心点与鼻尖的x横坐标越接近，平均梯度值越大，图像的评分就越高，表示人脸图像为正脸图像的概率越大。
步骤S4，对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；
本实施例中，对每一序列的人脸图像，为了方便选出正脸的人脸图像，将评分结果降序排列，即人脸图像为正脸图像的排列在前，从排列的序列中选取评分靠前的预设数量的人脸图像，例如选取7张人脸图像。
对于对评分靠前的预设数量的人脸图像进行特征点定位，特征点至少包括眼部特征点、嘴部特征点、鼻部特征点，基于特征点定位后的人脸图像进行校正。
步骤S5，将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；
步骤S6，将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。
本实施例中，将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，通过深度神经网络模型对其进行计算后输出每一人脸图像的人脸特征向量，然后摄像装置仅仅将人脸特征向量传输至服务器端进行1:N动态识别。
与现有技术相比，本实施例每一摄像装置处理一路视频数据，摄像装置除了采集视频外，还可以对视频进行人脸检测、追踪、图像质量评分、特征点定位及输入深度神经网络模型中，得到人脸特征向量，最后仅传输人脸特征向量给服务器，在摄像装置的数量较多时，能够大大减轻服务器的计算压力，不需要构建服务器阵列，同时，可以较大程度地降低网络传输压力，且网络传输压力并不会随着摄像装置分辨率和画质的提升而上升。
在一优选的实施例中，在上述图3的实施例的基础上，所述步骤S1之前，还包括：
分析视频数据是压缩的视频数据还是非压缩的视频数据；
若是非压缩的视频数据，则将视频数据的格式转换为可进行人脸检测的格式；
若是压缩的视频数据，则对视频数据进行解码再将视频数据的格式转换为可进行人脸检测的格式。
本实施例中，摄像装置在采集视频数据后可能会将其进行压缩，其中，在压缩时可以按照实时性将采集的视频数据进行非实时性压缩或者实时压缩，本实施例优选为实时压缩。另外可以根据实际情况将采集的视频数据进行有损压缩，压缩比率为预定的比率，优选为5:1。视频压缩的算法包括M-JPEG(Motion-Join Photographic Experts Group，运动图像逐帧压缩技术)、Mpeg(Moving Pictures Experts Group，动态图像专家组)、H.264、Wavelet(小波压缩)、JPEG 2000、AVS压缩等，经过上述的压缩算法得到压缩的视频数据。在人脸检测之前，可以分析视频数据是否被压缩，具体地，可以分析其格式是否为压缩后的格式，如果是将其进一步处理，例如对于摄像头利用M-JPEG进行压缩后，其格式为YCrCB，则需要将YCrCB格式的视频数据转换为RGB格式，以便可以执行人脸检测。
在一优选的实施例中，在上述图3的实施例的基础上，所述步骤S2，具体包括：
获取相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，根据相邻两帧人脸图像的X、Y坐标值，以及人高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度；
基于相邻两帧人脸图像中人脸的相似度进行人脸追踪。
其中，相似度计算步骤包括：
所述Si,j为相似度，所述wx,wy,ww,wh分别为相邻两帧人脸i、人脸j的x方向距离、y方向距离、宽度差异、高度差异的权重，wx,wy,ww,wh∈[0,1]，其中：
为人脸i和人脸j中心点之间x方向距离；
为人脸i和人脸j中心点之间y方向距离；
为人脸i和人脸j的宽度差异；
为人脸i和人脸j的高度差异。
当该相邻两帧人脸图像中人脸的相似度大于等于预设阈值时，判断该相邻两帧人脸图像中的人脸为同一人的人脸。
在一优选的实施例中，在上述图3的实施例的基础上，所述步骤S3，具体包括：
根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
其中，所述预定的点包括眼部点、鼻部点及嘴部点，所述梯度值为眼部点、鼻部点及嘴部点的平均梯度，所述眼部点包括左眼球点及右眼球点，所述嘴部点包括左嘴角点及右嘴角点，所述图像质量评分的公式为：
p＝((x_LeftEye-x_RightEye)^2×grad)/|(x_LeftEye+x_RightEye)/2-x_Nose|；
其中，p为图像质量评分，x_LeftEye、x_RightEye表示左眼球、右眼球的X坐标，x_Nose表示鼻尖点的X坐标，grad为眼部点、鼻部点及嘴部点三者的平均梯度。
本实施例选取人脸中的眼部点、鼻部点及嘴部点的坐标来对人脸图像的质量进行评分，能够客观、准确地对人脸图像进行评估，以便获取到评分高的人脸图像，方便后续进行校正等处理。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有处理系统，所述处理系统被处理器执行时实现上述的人脸识别的方法的步骤。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种摄像装置，其特征在于，所述摄像装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的处理系统，所述处理系统被所述处理器执行时实现如下步骤：
检测步骤：对视频数据进行人脸检测，得到人脸图像；
追踪步骤：对人脸图像进行追踪，获取一序列的人脸图像；
图像质量评分步骤：对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；
特征点定位步骤：对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；
特征向量输出步骤：将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；
传输步骤：将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。
2.根据权利要求1所述的摄像装置，其特征在于，在所述检测步骤之前，所述处理系统被所述处理器执行时，还实现如下步骤：
分析视频数据是压缩的视频数据还是非压缩的视频数据；
若是非压缩的视频数据，则将视频数据的格式转换为可进行人脸检测的格式；
若是压缩的视频数据，则对视频数据进行解码再将视频数据的格式转换为可进行人脸检测的格式。
3.根据权利要求1或2所述的摄像装置，其特征在于，所述追踪步骤，具体包括：
获取相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，根据相邻两帧人脸图像的X、Y坐标值，以及人高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度；
基于相邻两帧人脸图像中人脸的相似度进行人脸追踪。
4.根据权利要求3所述的摄像装置，其特征在于，所述图像质量评分步骤，具体包括：
根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
5.一种人脸识别的方法，其特征在于，所述人脸识别的方法包括：
S1，对视频数据进行人脸检测，得到人脸图像；
S2，对人脸图像进行追踪，获取一序列的人脸图像；
S3，对序列的人脸图像进行图像质量评分，获取评分靠前的预设数量的人脸图像；
S4，对评分靠前的预设数量的人脸图像进行特征点定位，基于定位后的人脸图像进行校正；
S5，将校正后的人脸图像输入至预先训练生成的深度神经网络模型中，并获取输出的人脸特征向量；
S6，将人脸特征向量发送给服务器，以执行与人脸图像样本库中样本中的人脸图像进行比对运算的步骤。
6.根据权利要求5所述的人脸识别的方法，其特征在于，所述步骤S1之前，还包括：
分析视频数据是压缩的视频数据还是非压缩的视频数据；
若是非压缩的视频数据，则将视频数据的格式转换为可进行人脸检测的格式；
若是压缩的视频数据，则对视频数据进行解码再将视频数据的格式转换为可进行人脸检测的格式。
7.根据权利要求5或6所述的人脸识别的方法，其特征在于，所述步骤S2，具体包括：
获取相邻两帧人脸图像中的人脸区域中心点的X、Y坐标值，以及人脸区域的高度H、宽度W值，根据相邻两帧人脸图像的X、Y坐标值，以及人高度H、宽度W值，计算得到该相邻两帧人脸图像中人脸的相似度；
基于相邻两帧人脸图像中人脸的相似度进行人脸追踪。
8.根据权利要求7所述的人脸识别的方法，其特征在于，所述步骤S3，具体包括：
根据人脸图像中预定的点的梯度值及坐标值对该系列中的每张人脸图像的质量进行评分。
9.根据权利要求8所述的人脸识别的方法，其特征在于，所述预定的点包括眼部点、鼻部点及嘴部点，所述梯度值为眼部点、鼻部点及嘴部点的平均梯度，所述眼部点包括左眼球点及右眼球点，所述嘴部点包括左嘴角点及右嘴角点，所述步骤S3，进一步包括：
p＝((x_LeftEye-x_RightEye)^2×grad)/|(x_LeftEye+x_RightEye)/2-x_Nose|；
其中，p为图像质量评分，x_LeftEye、x_RightEye表示左眼球、右眼球的X坐标，x_Nose表示鼻尖点的X坐标，grad为眼部点、鼻部点及嘴部点三者的平均梯度。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有处理系统，所述处理系统被处理器执行时实现如权利要求5至9中任一项所述的人脸识别的方法的步骤。
CN201711166813.8A 2017-11-21 2017-11-21 摄像装置、人脸识别的方法及计算机可读存储介质 Active CN108038422B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711166813.8A CN108038422B (zh) 2017-11-21 2017-11-21 摄像装置、人脸识别的方法及计算机可读存储介质
PCT/CN2018/076140 WO2019100608A1 (zh) 2017-11-21 2018-02-10 摄像装置、人脸识别的方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711166813.8A CN108038422B (zh) 2017-11-21 2017-11-21 摄像装置、人脸识别的方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108038422A true CN108038422A (zh) 2018-05-15
CN108038422B CN108038422B (zh) 2021-12-21

Family

ID=62094093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711166813.8A Active CN108038422B (zh) 2017-11-21 2017-11-21 摄像装置、人脸识别的方法及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108038422B (zh)
WO (1) WO2019100608A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109714597A (zh) * 2019-01-22 2019-05-03 成都神州数码索贝科技有限公司 一种无损视频压缩方法
CN109858328A (zh) * 2018-12-14 2019-06-07 上海集成电路研发中心有限公司 一种基于视频的人脸识别的方法及装置
WO2019228040A1 (zh) * 2018-05-30 2019-12-05 杭州海康威视数字技术股份有限公司 一种面部图像评分方法及摄像机
CN110580808A (zh) * 2018-06-08 2019-12-17 杭州海康威视数字技术股份有限公司 一种信息处理方法、装置、电子设备及智能交通系统
CN110784628A (zh) * 2019-08-14 2020-02-11 腾讯科技（深圳）有限公司 图像数据的采集处理方法、系统及智能摄像头、服务器
CN111199165A (zh) * 2018-10-31 2020-05-26 浙江宇视科技有限公司 图像处理方法及装置
CN111332305A (zh) * 2018-12-18 2020-06-26 朱向雷 一种主动预警型交通道路感知辅助驾驶预警系统
CN112347849A (zh) * 2020-09-29 2021-02-09 咪咕视讯科技有限公司 视频会议处理方法、电子设备及存储介质
CN113283305A (zh) * 2021-04-29 2021-08-20 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113785304A (zh) * 2021-09-20 2021-12-10 商汤国际私人有限公司 人脸识别方法和装置
WO2022151639A1 (zh) * 2021-01-12 2022-07-21 平安科技（深圳）有限公司 待识别图片的提取方法、装置、设备以及存储介质
CN114821731A (zh) * 2022-05-11 2022-07-29 浪潮软件集团有限公司 一种基于国产cpu和os的动态人脸识别优化方法
CN116863640A (zh) * 2023-07-03 2023-10-10 河南大学 基于多目标的行为识别和远程监测的警报系统及方法

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245630B (zh) * 2019-06-18 2023-02-17 广东中安金狮科创有限公司 监控数据处理方法、装置及可读存储介质
CN112241670B (zh) * 2019-07-18 2024-03-01 杭州海康威视数字技术股份有限公司 图像处理方法及装置
CN110610533B (zh) * 2019-08-07 2023-06-16 重庆灵翎互娱科技有限公司 一种基于人脸三维网格模型进行表情捕捉的方法和设备
CN110659564A (zh) * 2019-08-12 2020-01-07 万翼科技有限公司 区域内用户追踪方法、装置、计算机设备以及存储介质
CN111008582B (zh) * 2019-11-28 2023-04-07 厦门瑞为信息技术有限公司 一种头部照片分析方法、系统和设备
CN111126219A (zh) * 2019-12-16 2020-05-08 国网浙江省电力有限公司电力科学研究院 一种基于人工智能的变电站人员的身份识别系统和方法
CN113033587B (zh) * 2019-12-24 2024-06-11 深圳云天励飞技术有限公司 图像识别结果评估方法、装置、电子设备及存储介质
CN111222433B (zh) * 2019-12-30 2023-06-20 新大陆数字技术股份有限公司 自动人脸稽核方法、系统、设备及可读存储介质
CN113099150B (zh) * 2020-01-08 2022-12-02 华为技术有限公司 图像处理的方法、设备及系统
CN111427448B (zh) * 2020-03-05 2023-07-28 融信信息科技有限公司 一种人像标注方法、装置及计算机可读存储介质
CN111401170B (zh) * 2020-03-06 2023-06-06 西安奥卡云数据科技有限公司 一种人脸检测方法及装置
CN111898408B (zh) * 2020-06-09 2023-09-19 广州杰赛科技股份有限公司 一种快速人脸识别方法及装置
CN111783674A (zh) * 2020-07-02 2020-10-16 厦门市美亚柏科信息股份有限公司 一种基于ar眼镜的人脸识别方法和系统
CN111797797B (zh) * 2020-07-13 2023-09-15 深圳大学 基于网格形变优化的人脸图像处理方法、终端及存储介质
CN112052729B (zh) * 2020-07-30 2024-04-16 广州市标准化研究院 一种基于人脸识别的智能动态高清视频检测方法及系统
CN112215156B (zh) * 2020-10-13 2022-10-14 北京中电兴发科技有限公司 一种视频监控中的人脸抓拍方法及系统
CN112487396A (zh) * 2020-12-08 2021-03-12 平安国际智慧城市科技股份有限公司 图片的处理方法、装置、计算机设备及存储介质
WO2023041963A1 (en) * 2021-09-20 2023-03-23 Sensetime International Pte. Ltd. Face identification methods and apparatuses
CN115985007B (zh) * 2022-12-06 2024-06-21 杭州未兰石云信息科技有限公司 一种基于低功耗的5g记录仪视频巡检方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201061A (zh) * 2011-06-24 2011-09-28 常州锐驰电子科技有限公司 基于多阶层过滤人脸识别的智能安全监控系统及方法
CN102360421A (zh) * 2011-10-19 2012-02-22 苏州大学 一种基于视频流的人脸识别方法及系统
US20160086015A1 (en) * 2007-01-09 2016-03-24 Si Corporation Method and system for automated face detection and recognition
CN105488478A (zh) * 2015-12-02 2016-04-13 深圳市商汤科技有限公司 一种人脸识别系统和方法
CN105701486A (zh) * 2014-11-26 2016-06-22 上海骏聿数码科技有限公司 一种在摄像机内实现人脸信息分析及提取的方法
CN205451095U (zh) * 2015-12-02 2016-08-10 深圳市商汤科技有限公司 一种人脸识别装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8995715B2 (en) * 2010-10-26 2015-03-31 Fotonation Limited Face or other object detection including template matching
CN105787478B (zh) * 2016-04-14 2019-09-20 中南大学 基于神经网络和灵敏度参数的人脸转向识别方法
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
CN106503682B (zh) * 2016-10-31 2020-02-04 北京小米移动软件有限公司 视频数据中的关键点定位方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160086015A1 (en) * 2007-01-09 2016-03-24 Si Corporation Method and system for automated face detection and recognition
CN102201061A (zh) * 2011-06-24 2011-09-28 常州锐驰电子科技有限公司 基于多阶层过滤人脸识别的智能安全监控系统及方法
CN102360421A (zh) * 2011-10-19 2012-02-22 苏州大学 一种基于视频流的人脸识别方法及系统
CN105701486A (zh) * 2014-11-26 2016-06-22 上海骏聿数码科技有限公司 一种在摄像机内实现人脸信息分析及提取的方法
CN105488478A (zh) * 2015-12-02 2016-04-13 深圳市商汤科技有限公司 一种人脸识别系统和方法
CN205451095U (zh) * 2015-12-02 2016-08-10 深圳市商汤科技有限公司 一种人脸识别装置

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634116A (zh) * 2018-05-30 2019-12-31 杭州海康威视数字技术股份有限公司 一种面部图像评分方法及摄像机
CN110634116B (zh) * 2018-05-30 2022-04-05 杭州海康威视数字技术股份有限公司 一种面部图像评分方法及摄像机
WO2019228040A1 (zh) * 2018-05-30 2019-12-05 杭州海康威视数字技术股份有限公司 一种面部图像评分方法及摄像机
CN110580808B (zh) * 2018-06-08 2021-03-23 杭州海康威视数字技术股份有限公司 一种信息处理方法、装置、电子设备及智能交通系统
CN110580808A (zh) * 2018-06-08 2019-12-17 杭州海康威视数字技术股份有限公司 一种信息处理方法、装置、电子设备及智能交通系统
CN111199165A (zh) * 2018-10-31 2020-05-26 浙江宇视科技有限公司 图像处理方法及装置
CN111199165B (zh) * 2018-10-31 2024-02-06 浙江宇视科技有限公司 图像处理方法及装置
CN109858328A (zh) * 2018-12-14 2019-06-07 上海集成电路研发中心有限公司 一种基于视频的人脸识别的方法及装置
CN111332305A (zh) * 2018-12-18 2020-06-26 朱向雷 一种主动预警型交通道路感知辅助驾驶预警系统
CN109714597A (zh) * 2019-01-22 2019-05-03 成都神州数码索贝科技有限公司 一种无损视频压缩方法
CN110784628A (zh) * 2019-08-14 2020-02-11 腾讯科技（深圳）有限公司 图像数据的采集处理方法、系统及智能摄像头、服务器
CN110784628B (zh) * 2019-08-14 2022-04-05 腾讯科技（深圳）有限公司 图像数据的采集处理方法、系统及智能摄像头、服务器
CN112347849A (zh) * 2020-09-29 2021-02-09 咪咕视讯科技有限公司 视频会议处理方法、电子设备及存储介质
CN112347849B (zh) * 2020-09-29 2024-03-26 咪咕视讯科技有限公司 视频会议处理方法、电子设备及存储介质
WO2022151639A1 (zh) * 2021-01-12 2022-07-21 平安科技（深圳）有限公司 待识别图片的提取方法、装置、设备以及存储介质
CN113283305A (zh) * 2021-04-29 2021-08-20 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113283305B (zh) * 2021-04-29 2024-03-26 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113785304A (zh) * 2021-09-20 2021-12-10 商汤国际私人有限公司 人脸识别方法和装置
CN114821731A (zh) * 2022-05-11 2022-07-29 浪潮软件集团有限公司 一种基于国产cpu和os的动态人脸识别优化方法
CN116863640A (zh) * 2023-07-03 2023-10-10 河南大学 基于多目标的行为识别和远程监测的警报系统及方法

Also Published As

Publication number Publication date
CN108038422B (zh) 2021-12-21
WO2019100608A1 (zh) 2019-05-31

Similar Documents

Publication Publication Date Title
CN108038422A (zh) 摄像装置、人脸识别的方法及计算机可读存储介质
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
US11676390B2 (en) Machine-learning model, methods and systems for removal of unwanted people from photographs
CN107633209A (zh) 电子装置、动态视频人脸识别的方法及存储介质
CN109711407B (zh) 一种车牌识别的方法及相关装置
US20180144212A1 (en) Method and device for generating an image representative of a cluster of images
CN111626163B (zh) 一种人脸活体检测方法、装置及计算机设备
CN107633208B (zh) 电子装置、人脸追踪的方法及存储介质
US10467737B2 (en) Method and device for adjusting grayscale values of image
CN110310301B (zh) 一种检测目标对象的方法及装置
CN112085031A (zh) 目标检测方法及系统
CN109783680B (zh) 图像推送方法、图像获取方法、装置及图像处理系统
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN116310105B (zh) 基于多视图的物体三维重建方法、装置、设备及存储介质
CN114511041A (zh) 模型训练方法、图像处理方法、装置、设备和存储介质
CN115482529A (zh) 近景色水果图像识别方法、设备、存储介质及装置
CN112446254A (zh) 人脸追踪的方法及相关装置
US20210233280A1 (en) Encoding device control method and device, and storage medium
CN117409463A (zh) 直播播放策略管理系统
CN112306243A (zh) 数据处理方法、装置、设备及存储介质
CN116959113A (zh) 步态识别方法及装置
CN111476095A (zh) 一种表情属性识别方法、装置、计算机设备及存储介质
CN112950641B (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN110784682B (zh) 一种视频处理方法、装置及电子设备
CN109493349B (zh) 一种图像特征处理模块、增强现实设备和角点检测方法

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