CN108288261A - 脸部照片的筛选方法及脸部辨识系统 - Google Patents
脸部照片的筛选方法及脸部辨识系统 Download PDFInfo
- Publication number
- CN108288261A CN108288261A CN201710016854.2A CN201710016854A CN108288261A CN 108288261 A CN108288261 A CN 108288261A CN 201710016854 A CN201710016854 A CN 201710016854A CN 108288261 A CN108288261 A CN 108288261A
- Authority
- CN
- China
- Prior art keywords
- score
- face
- arbitration
- facial photo
- information
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
Abstract
本发明提供一脸部照片的筛选方法,其特征在于,该筛选方法包括以下步骤:追踪到至少一脸部照片的多个特征点;将每一个特征点进行分析,以取得每一个特征点的一区域信息,且该区域信息包括一影像质量信息、一脸部姿势信息及一遮蔽程度信息;对该影像质量信息进行评分,以获得一第一仲裁分数;对该脸部姿势信息进行评分,以获得一第二仲裁分数;对该遮蔽程度信息进行评分,以获得一第三仲裁分数;依据该第一仲裁分数、该第二仲裁分数及该第三仲裁分数产生一综合质量分数;当综合质量分数超出一门坎值时,以脸部照片的多个特征点作为与多个特定人员的撷取特征比对的标的。本发明的有益效果是,能挑选出适合比对的脸部照片来提高比对的辨识率。
Description
技术领域
本发明是关于一种脸部照片的筛选方法及脸部辨识系统,更明确地说,本发明是有关于一种具有综合质量分数的脸部照片的筛选方法及脸部辨识系统。
背景技术
现今的脸部辨识系统的一般工作流程分成三部份,第一个部份是从一影像流中挑选适合用于辨识的脸部照片,第二部份是撷取脸部照片的特征,第三部份是将该脸部照面的特征与脸部辨识系统的数据库内的特定人员脸部特征做1对1或1对多的比对,当比对出最相似的脸部特征时,即能产生一辨识结果。
此外,在上述的第一部分中,辨识时需使用的脸部照片通常是从一段视频中挑选而来。并且,目前大部分挑选脸部照片的方法都是利用一脸部检测与分析模块(facedetector)过滤出特定脸部姿势的脸部照片(通常为脸部的正面照片),此方式是利用脸部姿势的信息作为筛选照片的条件。然而,若该脸部照片上的脸部区域具有一些遮蔽物(例如墨镜和围巾)或是不同的脸部表情变化,这些遮蔽物与脸部表情变化都会影响最终的辨识结果,导致系统的辨识率降低。
因此,如何挑选出适合比对的脸部照片来提高脸部辨识系统1对1或1对多的比对的辨识率,便是本领域具有通常知识者值得去思量地。
发明内容
本发明的主要目的在于提供一种脸部照片的筛选方法及脸部辨识系统,此脸部照片的筛选方法及脸部辨识系统能筛选出适合比对的脸部照片,以提高脸部辨识系统1对1或1对多的比对的辨识率。
根据上述目的与其他目的,本发明提供一种脸部照片的筛选方法,其特征在于,该筛选方法包括以下步骤:
追踪到至少一脸部照片的多个特征点;
将每一个特征点进行分析,以取得每一个特征点的一区域信息,且该区域信息包括一影像质量信息、一脸部姿势信息及一遮蔽程度信息;
对该影像质量信息进行评分,以获得一第一仲裁分数score_a(i);
对该脸部姿势信息进行评分,以获得一第二仲裁分数score_p(i);
对该遮蔽程度信息进行评分,以获得一第三仲裁分数score_c(i);
依据该第一仲裁分数、该第二仲裁分数及该第三仲裁分数产生一综合质量分数SCORE(i);
当该综合质量分数超出一门坎值时,以该脸部照片的多个特征点作为与多个特定人员的撷取特征比对的标的。
于上述的脸部照片的筛选方法,其特征在于,该影像质量信息是指在该脸部照片追踪到的该特征点在影像上的位置。
于上述的脸部照片的筛选方法,其特征在于,该脸部姿势信息是指在该脸部照片估测出来的脸部姿势,且该脸部姿势经由俯仰角pitch,翻滚角roll及偏航角yaw三个角度的范围所定义而出。
于上述的脸部照片的筛选方法,其特征在于,该遮蔽程度信息是指在该脸部照片追踪到的该特征点的涵盖区域的遮蔽程度。
于上述的脸部照片的筛选方法,其特征在于,该第一仲裁分数score_a(i)是由以下的方程式所求得:score_a(i)=f(imagef,imageb);其中imagef是指该未知人员的脸部照片,imageb是指该数据库中所有特定人员的脸部照片平均,而f是指分析影像模糊的程度。
于上述的脸部照片的筛选方法,其特征在于,该第二仲裁分数score_p(i)是由以下的方程式所求得:score_p(i)=(Pi-PT)/Ep+(Ri-PR)/Er+(Yi-PY)/Ey;其中(Pi,Ri Yi)定义为在第i张frame估测出来的脸部姿势,PT是指需要的该俯仰角pitch角度,PR是指需要的该翻滚角roll角度,PY是指需要的该偏航角yaw角度,Ep是指可容忍的该俯仰角pitch的误差,Er是指可容忍的该翻滚角roll的误差,Ey是指可容忍的该偏航角yaw的误差。
于上述的脸部辨识系统,其特征在于,该第三仲裁分数score_c(i)是由以下的方程式所求得:其中Cik是指该遮蔽程度信息。
于上述的脸部照片的筛选方法,其特征在于,该综合质量分数SCORE(i)是由以下的方程式所求得:SCORE(i)=wc*score_c(i)+wp*score_p(i)+wa*score_a(i);其中wc是指相对应于该第三仲裁分数score_c(i)的一第三权重值,wp是指相对应于该第二仲裁分数score_p(i)的一第二权重值,而wa是指相对应于该第一仲裁分数score_a(i)的一第一权重值。
本发明提供一脸部辨识系统,该脸部辨识系统是应用于上述的脸部照片的筛选方法上,脸部辨识系统包括一数据库、一脸部检测与分析模块及、一评分模块、一质量估算模块及一比对模块。数据库储存多个特定人员的撷取特征。脸部检测与分析模块用于追踪到一未知人员的至少一脸部照片的多个特征点,且该脸部检测与分析模块将每一个特征点进行分析,以取得每一个特征点的一区域信息,该区域信息包括一影像质量信息、一脸部姿势信息及一遮蔽程度信息。评分模块对该影像质量信息进行评分,以获得一第一仲裁分数score_a(i)。评分模块对该脸部姿势信息进行评分,以获得一第二仲裁分数score_p(i)。评分模块对该遮蔽程度信息进行评分,以获得一第三仲裁分数score_c(i)。质量估算模块依据该第一仲裁分数、该第二仲裁分数及该第三仲裁分数产生一综合质量分数SCORE(i)。其中,当该综合质量分数超出一门坎值时,该比对模块将该多个特定人员的撷取特征与该脸部照片的多个特征点进行比对。
为让本发明的上述目的、特征和优点更能明显易懂,下文将以实施例并配合所附图式,作详细说明如下。需注意的是,所附图式中的各组件仅是示意,并未按照各组件的实际比例进行绘示。
附图说明
图1所绘示为本实施例的脸部辨识系统2。
图2脸部照片的多个特征点的示意图。
图3所绘示为本实施例之脸部照片8的筛选方法的流程图。
图4所绘示为本实施例之脸部照片8的筛选方法的源代码。
具体实施方式
请参照图1,图1所绘示为本实施例的脸部辨识系统2,脸部辨识系统2包括一数据库21、一脸部检测与分析模块22、一评分模块23、一质量估算模块24及一比对模块25。数据库21是用来储存多个特定人员的撷取特征210,这些特定人员的撷取特征210全部都是比对模块25用来比对其他未知人员的依据。脸部检测与分析模块是用于追踪到一未知人员的至少一脸部照片8的多个特征点81(请参阅图2,图2所绘示为脸部照片的多个特征点的示意图)。其中,该脸部照片8属于一影像流内的其中一张,且该影像流的定义有两种,第一种是从一个视讯文件选取某一段使用,的二种是由数字相机连续捉取的多张影像。此外。脸部检测与分析模块22将会每一个特征点81进行分析,以取得每一个特征点81的一区域信息220,而区域信息220是包括一影像质量信息221、一脸部姿势信息222及一遮蔽程度信息223。其中,影像质量信息221是指在脸部照片8追踪到的特征点81在影像上的位置。这样一来,便能经由影像质量信息221得知该影像模糊的程度。脸部姿势信息222是指在脸部照片8所估测出来的脸部姿势,且脸部姿势能经由俯仰角pitch,翻滚角roll及偏航角yaw三个角度的范围所定义而出。这样一来,便能得知脸部姿势正规化的好坏。另外,遮蔽程度信息223是指在脸部照片8追踪到的特征点81的涵盖区域的遮蔽程度。这样一来,便能得知脸部五官被遮挡的情况。
请再参照图1,评分模块23会对影像质量信息221、脸部姿势信息222及遮蔽程度信息223各自进行评分,以分别获得以获得一第一仲裁分数score_a(i)231、一第二仲裁分数score_p(i)232、一第三仲裁分数score_c(i)233。其中,该第一仲裁分数score_a(i)231是由score_a(i)=f(imagef,imageb)此方程式所求得,imagef是代表该未知人员的脸部照片,而imageb是指数据库21中所有特定人员的脸部照片平均。
此外,该第二仲裁分数score_p(i)232是由
score_p(i)=(Pi-PT)/Ep+(Ri-PR)/Er+(Yi-PY)/Ey此方程式所求得,(Pi,Ri Yi)定义为在第i张脸部照片估测出来的脸部姿势,PT是指需要的该俯仰角pitch角度,PR是指需要的该翻滚角roll角度,PY是指需要的该偏航角yaw角度,Ep是指可容忍的该俯仰角pitch的误差,Er是指可容忍的该翻滚角roll的误差,Ey是指可容忍的该偏航角yaw的误差。
另外,该第三仲裁分数score_c(i)233是由
此方程式所求得,Cik是指该遮蔽程度信息。接着,质量估算模块24会依据上述的第一仲裁分数score_a(i)231、第二仲裁分数score_p(i)232及第三仲裁分数score_c(i)233产生一综合质量分数SCORE(i)240。具体来说,综合质量分数SCORE(i)240是由以下的方程式所求得:
SCORE(i)=wc*score_c(i)+wp*score_p(i)+wa*score_a(i)。其中,wc是指相对应于该第三仲裁分数score_c(i)233的一第三权重值,wp是指相对应于该第二仲裁分数score_p(i)232的一第二权重值,而wa是指相对应于该第一仲裁分数score_a(i)231的一第一权重值,相对应的该第一权重值、该第二权重值及该第三权重值能够控制各个仲裁分数的重要性,最后再对进行综合评估,以得到综合质量分数SCORE(i)240。
另外,脸部辨识系统2会界定一门坎值作为综合质量分数SCORE(i)240比较的门坎。详细来说,当综合质量分数240超出该门坎值时,就代表综合质量分数240所对应的脸部照片8的连续性、脸部姿势、脸部五官区域被遮挡的情况、影像模糊程度及脸部正规化都有达到一定的水平及质量。这样一来,当比对模块25将多个特定人员的撷取特征210与脸部照片8的多个特征点81进行比对时,便能提高两造比对的辨识率。反之,若综合质量分数240低于该门坎值时,就代表综合质量分数240所对应的脸部照片8为质量不良(例如:脸部区域具有遮蔽物、脸部表情变化过大或脸部姿势的角度太大),比对模块25将无法比对出符合于脸部照片8的特定人员的撷取特征210。因此,只有综合质量分数240高于该门坎值时,比对模块25辨才会对综合质量分数240所对应的脸部照片进行比对。
请参阅图3,图3所绘示为本实施例之脸部照片8的筛选方法的流程图。脸部照片8的筛选方法主要应用于上述的脸部辨识系统2上,脸部照片的筛选方法包括下列步骤:首先,请参阅步骤S1,追踪到至少一脸部照片8的多个特征点81(请再次参阅图2)。详细来说,利用脸部检测与分析模块22追踪一未知人员的脸部照片8的多个特征点81。之后,请参阅步骤S2,将每一个特征点81进行分析,以取得每一个特征点81的一区域信息220。其中,区域信息220包括一影像质量信息221、一脸部姿势信息222及一遮蔽程度信息223。之后,请参阅步骤S3,对影像质量信息221进行评分,以获得一第一仲裁分数score_a(i)231。其中,该第一仲裁分数score_a(i)231是由score_a(i)=f(imagef,imageb)此方程式所求得,imagef是代表该未知人员的脸部照片,而imageb是指数据库21中所有特定人员的脸部照片平均。之后,请参阅步骤S4,对脸部姿势信息222进行评分,以获得一第二仲裁分数score_p(i)232。其中,第二仲裁分数score_p(i)232是由
score_p(i)=(Pi-PT)/Ep+(Ri-PR)/Er+(Yi-PY)/Ey此方程式所求得,(Pi,Ri,Yi)定义为在第i张脸部照片估测出来的脸部姿势,PT是指需要的该俯仰角pitch角度,PR是指需要的该翻滚角roll角度,PY是指需要的该偏航角yaw角度,Ep是指可容忍的该俯仰角pitch的误差,Er是指可容忍的该翻滚角roll的误差,Ey是指可容忍的该偏航角yaw的误差。之后,请参阅步骤S5,对该遮蔽程度信息223进行评分,以获得一第三仲裁分数score_c(i)233。其中,第三仲裁分数score_c(i)233是由
此方程式所求得,Cik是指该遮蔽程度信息。之后,请参阅步骤S6,依据该第一仲裁分数231、第二仲裁分数232及第三仲裁分数233产生一综合质量分数SCORE(i)240。其中,综合质量分数SCORE(i)240是由以下的方程式所求得:
SCORE(i)=wc*score_c(i)+wp*score_p(i)+wa*score_a(i)。在上述公式中,wc是指相对应于该第三仲裁分数score_c(i)233的一第三权重值,wp是指相对应于该第二仲裁分数score_p(i)232的一第二权重值,而wa是指相对应于该第一仲裁分数score_a(i)231的一第一权重值。之后,请参阅步骤C7,判断综合质量分数SCORE(i)240是否超出一门坎值。其中,当综合质量分数240超出该门坎值时,就表示脸部照片8的连续性、脸部姿势、脸部五官区域被遮挡的情况、影像模糊程度及脸部正规化都有达到一定的质量。因此,进入步骤Y8,以脸部照片8的多个特征点81作为与多个特定人员的撷取特征210比对的标的。如此一来,便能提高脸部辨识系统2整体的辨识率。反之,当综合质量分数240低于一门坎值时,这就代表脸部照片8的连续性、脸部姿势、脸部五官区域被遮挡的情况、影像模糊程度及脸部正规化的质量不佳。因此,进入步骤N8,不使用脸部照片8的多个特征点作81为与多个特定人员的撷取特征210比对的标的。这样一来,便能减少错误的比对结果的情况发生。
另外,上述本寅施例之筛选方法再详细说明如下,假设输入为一段总共有N张连续脸部照片(frame/image)的视频或实时影像流,并假设画面内最少有一个人,利用脸部追踪技术,我们能事先知道特定人脸出现的位置及时间,先以一张追踪到的人脸举例说明,脸部特征点追踪器能追踪此张脸直到消失在此段视频中,每一张人脸可追踪到K个特征点如图2,每个追踪到的特征点都会分析得到区域的相关信息,定义为(Lik,Cik,Pi,Ri,Yi),Lik定义为在第i张frame追踪到的第k个特征点在影像上的位置,Cik定义为在第i张frame追踪到的第k个特征点涵盖区域的遮蔽程度,(Pi,Ri,Yi)定义为在第i张frame估测出来的脸部姿势,由三个角度(pitch,roll,yaw)描述。需要符合的条件将列于特征池(feature pool),特征池中定义需要符合的脸部角度v(pitch,roll,yaw)、遮挡可接受的程度o、影像可接受的质量q。举例:fea_pool(v1,v2,v3,o=0.3,q=0.5),v1=(-10~10,-5~5,-5~5),v2=(-10~10,-5~5,10),v3=(-10~10,-5~5,25):从一段视频中找出符合v1,v2,v3的脸部姿势,意即pitch角度介于正负10度、roll角度介于正负5度、yaw角度介于正负5度、10度、25度的三张照片,且每张遮挡分数小于0.3(1.0为满分)、影像质量大于0.5的脸部照片。
此外,请参阅图4,图4所绘示为本实施例之脸部照片8的筛选方法的源代码。其中,图4的源代码的多个步骤指令就相当于本实施例之脸部照片8的筛选方法。值得注意的事,图四中Box的定义是一个容器,用来存放挑选得到的脸部照片,Box可定义成特定大小,当挑选数量足够即跳出挑选程序。因此,利用该源代码同样能选出适合比对的脸部照片。
上述实施例仅是为了方便说明而举例,虽遭所属技术领域的技术人员任意进行修改,均不会脱离如权利要求书中所欲保护的范围。
Claims (9)
1.一种脸部照片的筛选方法,其特征在于,该筛选方法包括以下步骤:
追踪到至少一脸部照片的多个特征点;
将每一个特征点进行分析,以取得每一个特征点的一区域信息,且该区域信息包括一影像质量信息、一脸部姿势信息及一遮蔽程度信息;
对该影像质量信息进行评分,以获得一第一仲裁分数;
对该脸部姿势信息进行评分,以获得一第二仲裁分数;
对该遮蔽程度信息进行评分,以获得一第三仲裁分数;
依据该第一仲裁分数、该第二仲裁分数及该第三仲裁分数产生一综合质量分数;
其中,当该综合质量分数超出一门坎值时,以该脸部照片的多个特征点作为与多个特定人员的撷取特征比对的标的。
2.如权利要求1所述的脸部照片的筛选方法,其特征在于,该影像质量信息是指在该脸部照片追踪到的该特征点在影像上的位置。
3.如权利要求1所述的脸部照片的筛选方法,其特征在于,该脸部姿势信息是指在该脸部照片估测出来的脸部姿势,且该脸部姿势经由俯仰角pitch,翻滚角roll及偏航角yaw三个角度的范围所定义而出。
4.如权利要求1所述的脸部照片的筛选方法,其特征在于,该遮蔽程度信息是指在该脸部照片追踪到的该特征点的涵盖区域的遮蔽程度。
5.如权利要求1所述的脸部照片的筛选方法,其特征在于,该第一仲裁分数是由以下的方程式所求得:
score_a(i)=f(imagef,imageb);其中imagef是指该未知人员的脸部照片,imageb是指该数据库中所有特定人员的脸部照片平均,f是指分析影像模糊的程度,score_a(i)是指该第一仲裁分数。
6.如权利要求5所述的脸部照片的筛选方法,其特征在于,该第二仲裁分数是由以下的方程式所求得:
score_p(i)=(Pi-PT)/Ep+(Ri-PR)/Er+(Yi-PY)/Ey;其中(Pi,Ri Yi)定义为在第i张脸部照片估测出来的脸部姿势,PT是指需要的该俯仰角pitch角度,PR是指需要的该翻滚角roll角度,PY是指需要的该偏航角yaw角度,Ep是指可容忍的该俯仰角pitch的误差,Er是指可容忍的该翻滚角roll的误差,Ey是指可容忍的该偏航角yaw的误差,score_p(i)是指该第二仲裁分数。
7.如权利要求6所述的脸部照片的筛选方法,其特征在于,该第三仲裁分数是由以下的方程式所求得:
其中Cik是指在第i张frame追踪到的第k个特征点涵盖区域的遮蔽程度,score_c(i)是指该第三仲裁分数。
8.如权利要求7所述的脸部照片的筛选方法,其特征在于,该综合质量分数是由以下的方程式所求得:
综合质量分数=wc*score_c(i)+wp*score_p(i)+wa*score_a(i);其中wc是指相对应于该第三仲裁分数score_c(i)的一第三权重值,wp是指相对应于该第二仲裁分数score_p(i)的一第二权重值,而wa是指相对应于该第一仲裁分数score_a(i)的一第一权重值。
9.一种脸部辨识系统,其特征在于,该脸部辨识系统应用于如权利要求1~8任一项所述的脸部照片的筛选方法,该脸部辨识系统包括:
一数据库,该数据库储存多个特定人员的撷取特征;
一脸部检测与分析模块,该脸部检测与分析模块用于追踪到一未知人员的至少一脸部照片的多个特征点,且该脸部检测与分析模块将每一个特征点进行分析,以取得每一个特征点的一区域信息,该区域信息包括一影像质量信息、一脸部姿势信息及一遮蔽程度信息;及
一评分模块,该评分模块对该影像质量信息进行评分,以获得一第一仲裁分数,该评分模块对该脸部姿势信息进行评分,以获得一第二仲裁分数,该评分模块对该遮蔽程度信息进行评分,以获得一第三仲裁分数;
一质量估算模块,该质量估算模块依据该第一仲裁分数、该第二仲裁分数及该第三仲裁分数产生一综合质量分数;及
一比对模块,当该综合质量分数超出一门坎值时,该比对模块将该多个特定人员的撷取特征与该脸部照片的多个特征点进行比对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016854.2A CN108288261A (zh) | 2017-01-10 | 2017-01-10 | 脸部照片的筛选方法及脸部辨识系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016854.2A CN108288261A (zh) | 2017-01-10 | 2017-01-10 | 脸部照片的筛选方法及脸部辨识系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108288261A true CN108288261A (zh) | 2018-07-17 |
Family
ID=62819566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710016854.2A Pending CN108288261A (zh) | 2017-01-10 | 2017-01-10 | 脸部照片的筛选方法及脸部辨识系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288261A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020038242A1 (en) * | 2018-08-22 | 2020-02-27 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for selecting a best facial image of a target human face |
CN112836660A (zh) * | 2021-02-08 | 2021-05-25 | 上海卓繁信息技术股份有限公司 | 一种用于监控领域的人脸库生成方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230823A1 (en) * | 2006-02-22 | 2007-10-04 | Altek Corporation | Image evaluation system and method |
CN102385691A (zh) * | 2010-08-31 | 2012-03-21 | 财团法人资讯工业策进会 | 脸部表情辨识系统、辨识装置及辨识方法 |
CN102722698A (zh) * | 2012-05-17 | 2012-10-10 | 上海中原电子技术工程有限公司 | 多姿态人脸检测与跟踪方法及系统 |
CN104036546A (zh) * | 2014-06-30 | 2014-09-10 | 清华大学 | 一种基于自适应形变模型的任意视角人脸三维重构方法 |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
-
2017
- 2017-01-10 CN CN201710016854.2A patent/CN108288261A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230823A1 (en) * | 2006-02-22 | 2007-10-04 | Altek Corporation | Image evaluation system and method |
CN102385691A (zh) * | 2010-08-31 | 2012-03-21 | 财团法人资讯工业策进会 | 脸部表情辨识系统、辨识装置及辨识方法 |
CN102722698A (zh) * | 2012-05-17 | 2012-10-10 | 上海中原电子技术工程有限公司 | 多姿态人脸检测与跟踪方法及系统 |
CN104036546A (zh) * | 2014-06-30 | 2014-09-10 | 清华大学 | 一种基于自适应形变模型的任意视角人脸三维重构方法 |
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020038242A1 (en) * | 2018-08-22 | 2020-02-27 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for selecting a best facial image of a target human face |
US11557147B2 (en) | 2018-08-22 | 2023-01-17 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for selecting a best facial image of a target human face |
CN112836660A (zh) * | 2021-02-08 | 2021-05-25 | 上海卓繁信息技术股份有限公司 | 一种用于监控领域的人脸库生成方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755131B2 (en) | Pixel-level based micro-feature extraction | |
Ahmed et al. | A robust features-based person tracker for overhead views in industrial environment | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
US10248854B2 (en) | Hand motion identification method and apparatus | |
US8750573B2 (en) | Hand gesture detection | |
US9621779B2 (en) | Face recognition device and method that update feature amounts at different frequencies based on estimated distance | |
US9971933B1 (en) | Facial image screening method and face recognition system thereof | |
CN112381075B (zh) | 一种机房特定场景下进行人脸识别的方法及系统 | |
CN108256459A (zh) | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 | |
US20120027252A1 (en) | Hand gesture detection | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN107368778A (zh) | 人脸表情的捕捉方法、装置及存储装置 | |
CN107330371A (zh) | 3d脸部模型的脸部表情的获取方法、装置和存储装置 | |
CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
CN103902958A (zh) | 人脸识别的方法 | |
CN111507592B (zh) | 一种面向服刑人员的主动改造行为的评估方法 | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
CN107248174A (zh) | 一种基于tld算法的目标跟踪方法 | |
CN105160297A (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
Cheong et al. | A novel face detection algorithm using thermal imaging | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN108288261A (zh) | 脸部照片的筛选方法及脸部辨识系统 | |
KR101542206B1 (ko) | 코아스-파인 기법을 이용한 객체 추출과 추적 장치 및 방법 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
CN113554682B (zh) | 一种基于目标跟踪的安全帽检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180717 |