CN108701216A - 一种人脸脸型识别方法、装置和智能终端 - Google Patents

Abstract

本申请实施例提供了一种人脸脸型识别方法、智能终端和存储介质。其中，所述方法包括：获取人脸图像；提取所述人脸图像中的人脸关键点；基于所述人脸关键点确定所述人脸图像的基准值并结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量；将所述特征向量输入脸型特征模型；获取所述脸型特征模型输出的脸型识别结果。通过上述技术方案，本申请实施例能够结合人脸轮廓之外的人脸关键点，结合多种人脸特征识别人脸脸型，从而提升脸型识别结果的可靠性。

Description

一种人脸脸型识别方法、装置和智能终端

技术领域

本申请涉及人脸识别技术领域，尤其涉及一种人脸脸型识别方法、装置和智能终端。

背景技术

人脸识别技术是一种通过分析比较人脸视觉特征信息进行身份鉴定的技术，其研究领域包括：身份识别、表情识别、性别识别以及美容护肤等。

近年来，随着人们物质生活水平的日益提高，人们在个人形象设计方面的需求迅速增长。而为用户提供个人形象设计通常需要首先确定用户的脸型，继而根据用户的脸型选择合适的发型、妆容、眼镜、配饰等等。基于该需求，人脸识别技术领域目前也提出了一些通过识别图像中的人脸检测出一个人的脸型的方法。比如，在现有的技术中，可以通过首先定位出人脸轮廓，然后利用人脸轮廓的曲率特征识别待测的人脸的脸型。

然而，在实现本申请的过程中，发明人发现现有技术至少存在以下问题：基于人脸轮廓的曲率特征识别人脸脸型这种方式对人脸轮廓曲线的识别精度要求较高，但在实际应用中，下颌轮廓曲线提取较为困难，提取得到的人脸轮廓曲线精度不高，若采用基于人脸轮廓的曲率特征识别人脸脸型的方式，人脸脸型识别结果可靠性低。

发明内容

本申请实施例提供一种人脸脸型识别方法、装置和智能终端，能够解决基于人脸轮廓的曲率识别人脸脸型的识别结果的可靠性低的问题。

第一方面，本申请实施例提供了一种人脸脸型识别方法，包括：

获取人脸图像；

提取所述人脸图像中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基于所述人脸关键点确定所述人脸图像的基准值；

结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

将所述特征向量输入脸型特征模型；

获取所述脸型特征模型输出的脸型识别结果。

可选地，所述人脸关键点还包括两个颞窝关键点；

则，所述基于所述人脸关键点确定所述人脸图像的基准值，包括：

以所述两个颞窝关键点之间的距离作为所述人脸图像的基准值。

可选地，所述将所述特征向量输入脸型特征模型的步骤之前，所述人脸脸型识别方法还包括：

获取所述脸型特征模型。

可选地，所述获取所述脸型特征模型，包括：

采集预设数量的人脸图像样本，每一所述人脸图像样本标注有一脸型标记；

分别提取所述人脸图像样本中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

分别基于所述人脸关键点确定每一所述人脸图像样本的基准值；

分别结合所述人脸关键点和所述基准值构建每一所述人脸图像样本的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

将每一所述人脸图像样本的特征向量和脸型标记输入支持向量机模型，训练得到所述脸型特征模型。

可选地，所述人脸关键点还包括：颧骨关键点，所述特征向量还包括：脸颊宽度特征值，所述脸颊宽度特征值基于所述鼻骨关键点、所述颧骨关键点和所述基准值构建。

可选地，所述特征向量还包括：侧脸长度特征值，所述侧脸长度特征值基于所述下颌骨关键点、所述颧骨关键点和所述基准值构建。

可选地，所述特征向量还包括：所述侧脸长度特征值与所述人脸长度特征值的比值。

第二方面，本申请实施例提供了一种人脸脸型识别装置，包括：

图像获取单元，用于获取人脸图像；

人脸关键点提取单元，用于提取所述人脸图像中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基准值确定单元，用于基于所述人脸关键点确定所述人脸图像的基准值；

特征向量构建单元，用于结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

匹配单元，用于将所述特征向量输入脸型特征模型；

输出单元，用于获取所述脸型特征模型输出的脸型识别结果。

可选地，所述人脸脸型识别装置还包括：

模型获取单元，用于获取所述脸型特征模型。

可选地，所述模型获取单元包括：

人脸图像样本采集模块，用于采集预设数量的人脸图像样本，每一所述人脸图像样本标注有一脸型标记；

人脸关键点提取模块，用于分别提取所述人脸图像样本中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基准值确定模块，用于分别基于所述人脸关键点确定每一所述人脸图像样本的基准值；

特征向量构建模块，用于分别结合所述人脸关键点和所述基准值构建每一所述人脸图像样本的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

训练模块，用于将每一所述人脸图像样本的特征向量和脸型标记输入支持向量机模型，训练得到所述脸型特征模型。

第三方面，本申请实施例提供一种智能终端，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的人脸脸型识别方法。

第四方面，本申请实施例提供一种存储介质，所述存储介质存储有可执行指令，所述可执行指令被智能终端执行时，使所述智能终端执行如上所述的人脸脸型识别方法。

第五方面，本申请实施例还提供了一种程序产品，所述机程序产品包括存储在存储介质上的程序，所述程序包括程序指令，当所述程序指令被智能终端执行时，使所述智能终端执行如上所述的人脸脸型识别方法。

本申请实施例的有益效果在于：本申请实施例提供的人脸脸型识别方法、装置和智能终端通过在获取到人脸图像时，提取所述人脸图像中的人脸关键点，基于所述人脸关键点确定所述人脸图像的基准值并结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；然后将所述特征向量输入脸型特征模型；最后获取所述脸型特征模型输出的脸型识别结果，能够结合人脸轮廓之外的人脸关键点，比如，鼻骨关键点，结合多种人脸特征识别人脸脸型，从而提升脸型识别结果的可靠性。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本申请实施例提供的一种人脸脸型识别方法的流程示意图；

图2是本申请实施例提供的一种人脸关键点定位的示例示意图；

图3是本申请实施例提供的一种获取脸型特征模型的方法的流程示意图；

图4是本申请实施例提供的一种人脸脸型分类示例示意图；

图5是本申请实施例提供的一种人脸脸型识别装置的结构示意图；

图6是本申请实施例提供的一种智能终端的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

需要说明的是，如果不冲突，本申请实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

本申请实施例提供了一种人脸脸型识别方法、装置、智能终端和存储介质。其中，该人脸脸型识别方法是一种基于由人脸关键点构建的特征向量以及利用机器学习算法训练的脸型特征模型的脸型识别方案，通过在获取到人脸图像时，提取所述人脸图像中的人脸关键点，基于所述人脸关键点确定所述人脸图像的基准值并结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；然后将所述特征向量输入脸型特征模型；最后获取所述脸型特征模型输出的脸型识别结果，能够结合人脸轮廓之外的人脸关键点，比如，鼻骨关键点，结合多种人脸特征识别人脸脸型，从而提升脸型识别结果的可靠性。

本申请实施例提供的人脸脸型识别方法、智能终端和存储介质能够应用于任意人脸识别相关的技术领域，比如，人像国籍识别等，尤其适用于美容应用、个人形象设计等领域。例如，可以基于本申请实施例提供的人脸脸型识别方法的发明构思开发美容类的应用程序，该应用程序可以在用户输入人脸图像时自动地识别出该人脸图像的脸型，进而为该脸型相应设计合适的发型、妆容、眼镜镜架、首饰搭配等等。

本申请实施例提供的人脸脸型识别方法可以由任意类型的具有图像处理功能的智能终端执行，该智能终端可以包括任何合适类型的，用以存储数据的存储介质，例如磁碟、光盘(CD-ROM)、只读存储记忆体或随机存储记忆体等。该智能终端还可以包括一个或者多个逻辑运算模块，单线程或者多线程并行执行任何合适类型的功能或者操作，例如查看数据库、图像处理等。所述逻辑运算模块可以是任何合适类型的，能够执行逻辑运算操作的电子电路或者贴片式电子器件，例如：单核心处理器、多核心处理器、图形处理器(GPU)等。举例来说，该智能终端可以包括但不限于：美容鉴定仪器、个人电脑、平板电脑、智能手机、服务器等。

具体地，下面结合附图，对本申请实施例作进一步阐述。

图1是本申请实施例提供的一种人脸脸型识别方法的流程示意图，请参阅图1，该方法包括但不限于以下步骤：

步骤110：获取人脸图像。

在本实施例中，所述“人脸图像”是指包括被检测人的正脸的图像，通过该人脸图像能够获取到该被检测人的所有面部特征。

在本实施例中，获取人脸图像的具体实施方式可以是：实时采集被检测人的正脸图像；或者，也可以是：直接在智能终端本地或云端调取已有的包括被检测人的正脸的图像。针对不同的应用场景或者被检测人的选择，可以选择不同的获取人脸图像的方式。例如：假设在眼镜商店中设置有用于为用户推荐合适的镜架的智能终端，为了能够及时地基于用户的脸型为其推荐合适的镜架，该智能终端获取人脸图像的方式可以是通过摄像装置实时采集被检测人的正脸图像。又如，用户希望通过自己的智能终端，比如，智能手机，为自己设计合适的妆容，由于其智能终端上一般存储有个人的人脸图像，因此，在该应用场景中，智能终端获取人脸图像的方式也可以是直接在智能终端本地或者云端调取已有的包括被检测人的正脸的图像。当然，在实际应用中，获取人脸图像的方式也可以不限于以上所描述的方式，本申请实施例对比不作具体限定。

步骤120：提取所述人脸图像中的人脸关键点。

在本实施例中，所述人脸关键点是指分布于人脸中具有特质特征的区域(比如：人脸轮廓、眼睛、眉毛、鼻子、嘴巴等)上的特征点。不同的人脸具有不同的人脸关键点分布。其中，每一所述具有特质特征的区域中可以分布有多个人脸关键点。比如，在鼻子区域中，可以包括用于标识鼻梁的位置的鼻骨关键点、用于标识鼻翼的位置的鼻翼关键点等；又如，在人脸轮廓区域上，可以包括用于标识下颌骨的轮廓的下颌骨关键点、用于标识颧骨附近的脸部轮廓的颧骨关键点、用于标识下巴的位置的下巴关键点等等。此外，还需说明的是，在本实施例中，上述鼻骨关键点、鼻翼关键点、下颌骨关键点、颧骨关键点以及下巴关键点等人脸关键点的数量均不限于1个。

在本实施例中，可以通过任意合适的算法或者方式对获取到的人脸图像进行人脸关键点定位，然后提取所需的人脸关键点。特别地，在本实施例中，为了准确描述人脸图像的脸型特征，需要提取出的人脸关键点包括但不限于：鼻骨关键点、下颌骨关键点和下巴关键点。

例如：可以通过第三方工具包dlib对获取到的人脸图像进行人脸关键点定位，得到的人脸关键点分布图如图2所示(其中，人脸关键点0～16为标识该人脸图像的人脸轮廓区域的特征点，人脸关键点27～30为标识该人脸图像的鼻骨区域的特征点)；然后选择出预设的人脸关键点并获取其坐标参数，比如，选择出鼻骨关键点27～30，分别位于人脸两侧的下颌骨关键点4～7和9～12，以及，下巴关键点8。其中，可以理解的是，在本实施例中，为了进行示例性说明，仅标注出人脸轮廓以及鼻骨区域的人脸关键点，在实际应用中，通过第三方工具包dilb定位得到的人脸关键点可以包括56个。

此外，可以理解的是，在实际应用中，为了统一标准，针对不同的人脸图像需采用同一种人脸关键点定位方式，以及，提取相同的人脸关键点进行后续分析。

步骤130：基于所述人脸关键点确定所述人脸图像的基准值。

在实际应用中，人在拍照时距离摄像装置的距离不一，因此，采集到的人脸图像中有可能会出现有些人脸占屏面积较大，而有些人脸占屏面积较小的情况。因而，为了使得人脸占屏面积大小不同的人脸图像之间具有可比性，在本实施例中，为每一人脸图像的面部特征值设定一个参照标准，该参照标准即所述“基准值”。

具体地，在本实施例中，可以基于提取出的任意两个人脸关键点之间的距离作为该人脸图像的基准值，比如，以鼻骨关键点27和鼻骨关键点30之间的距离作为该人脸图像的基准值；或者，以下颌骨关键点4和下颌骨关键点12之间的距离作为该人脸图像的基准值；又或者，以下颌骨关键点5和下巴关键点8之间的距离作为该人脸图像的基准值。其中，需说明的是，为了统一标准，当选定一种构建基准值的方式时，每一人脸图像均根据该构建方式构建其基准值。举例来说，假设选择以下颌骨关键点4和下颌骨关键点12之间的距离构建基准值，若此时获取到人脸图像A，则提取出人脸图像A的下颌骨关键点4和下颌骨关键点12，并且确定人脸图像A的基准值为人脸图像A的下颌骨关键点4和下颌骨关键点12之间的距离；若此时获取到人脸图像B，则提取出人脸图像B的下颌骨关键点4和下颌骨关键点12，并且确定人脸图像B的基准值为人脸图像B的下颌骨关键点4和下颌骨关键点12之间的距离。

其中，在一些实施例中，提取到的人脸关键点还包括两个位于太阳穴位置的颞窝关键点，即如图2所示的人脸关键点1和15，此时，基于所述人脸关键点确定所述人脸图像的基准值的具体实施方式可以是：以所述两个颞窝关键点之间的距离作为所述人脸图像的基准值。其中，由于两个颞窝关键点之间的距离是脸型的一大特征，以该距离作为人脸图像的基准值，获取特定人脸关键点之间的距离(比如，位于人脸两侧的两个下颌骨关键点之间的距离)与该距离的比值能够更好地体现出人脸图像的脸型特征。

步骤140：结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量。

在本实施例中，所述“特征向量”是用于表征获取到的人脸图像的人脸脸型的参量，其可以由多个人脸图像的面部特征值组成。其中，所述“面部特征值”是反映人脸图像的面部特征的参量，其可以包括但不限于：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值等。

具体地，在本实施例中，可以首先基于提取到的人脸关键点和所确定的基准值构建多个预设的面部特征值，比如：基于所述鼻骨关键点、所述下巴关键点和所述基准值构建该人脸图像的人脸长度特征值，基于所述下颌骨关键点和所述基准值构建该人脸图像的下颌骨宽度特征值，以及，基于所述下颌骨关键点和所述下巴关键点构建该人脸图像的下巴角度特征值；然后由所构建的面部特征值组合成该人脸图像的特征向量。

在实际应用中，为了提升人脸脸型识别的精度，可以基于更多数量的人脸关键点构建更多种类的与脸型相关的面部特征值，并且，每一类型的面部特征值的数量也可以不限于一个。比如，在一些实施例中，所提取的人脸关键点还可以包括位于颧骨附近的人脸轮廓上的颧骨关键点，此时，可以基于提取到的鼻骨关键点、颧骨关键点(和/或，下颌骨关键点)以及所确定的基准值构建该人脸图像的脸颊宽度特征值，和/或，基于提取到的下颌骨关键点、颧骨关键点和所确定的基准值构建该人脸图像的侧脸长度特征值。进一步地，在又一些实施例中，所构建的特征向量还可以包括任意两个具有长度/宽度特征的面部特征值的比值，比如，所述侧脸长度特征值与所述人脸长度特征值的比值、所述侧脸长度特征值与所述下颌骨宽度特征值的比值等。

举例说明：假设获取到的人脸关键点分布如图2所示，并且以两个颞窝关键点(人脸关键点1和15)之间的距离作为该人脸图像的基准值，则，结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量的方式可以是：

首先，结合图2中的人脸关键点和该基准值D(1,15)构建如下18个面部特征值：

Feature1：D(8,27)/D(1,15)；

Feature2：D(4,12)/D(1,15)；

Feature3：D(5,11)/D(1,15)；

Feature4：D(6,10)/D(1,15)；

Feature5：D(9,10)/D(1,15)；

Feature6：D(8,12)/D(1,15)；

Feature7：D(12,14)/D(1,15)；

Feature8：Feature3/Feature1；

Feature9：Feature7/Feature1；

Feature10：Feature7/Feature3；

Feature11：(D(27,3)+D(27,13))/2/D(1,15)；

Feature12：(D(27,4)+D(27,12))/2/D(1,15)；

Feature13：(D(27,5)+D(27,11))/2/D(1,15)；

Feature14：(D(27,6)+D(27,10))/2/D(1,15)；

Feature15：L(8,5)和L(8,11)所形成的夹角的余弦值；

Feature16：L(8,6)和L(8,10)所形成的夹角的余弦值；

Feature17：L(8,7)和L(8,9)所形成的夹角的余弦值；

Feature18：L(11,10)和L(11,12)所形成的夹角的余弦值；

其中，“/”表示除号，D(x,y)表示人脸关键点x与人脸关键点y之间的距离，L(x,y)表示人脸关键点x与人脸关键点y之间的线段。

其中，Feature1为人脸长度特征值；Feature2～Feature4为下颌骨宽度特征值；Feature5和Feature6为下颌骨长度特征值；Feature7为侧脸长度特征值；Feature8为下颌骨宽度特征值与人脸长度特征值的比值；Feature9为侧脸长度特征值与人脸长度特征值的比值；Feature10为侧脸长度特征值与下颌骨宽度特征值的比值；Feature11～Feature14为脸颊宽度特征值；Feature15～Feature18为下巴角度特征值。

然后，由这些面部特征值组合构成该人脸图像的特征向量，即：Face＝[Feature1,Feature2,Feature3Feature4,Feature5,Feature6,Feature7,Feature8,Feature9,Feature10,Feature11,Feature12,Feature13,Feature14,Feature15,Feature16,Feature17,Feature18]，该特征向即对该人脸图像的面部特征的数值化标示。

步骤150：将所述特征向量输入脸型特征模型。

在本实施例中，所述“脸型特征模型”是一个利用机器学习算法训练出来的脸型分类器，将人脸图像的特征向量输入该脸型特征模型后，该脸型特征模型可以对输入的特征向量进行运算，进而输出一个与该特征向量对应的脸型识别结果。该脸型特征模型可以预先训练好并存储在智能终端本地，当进行人脸脸型识别时，可以直接从智能终端本地调用该脸型特征模型。

其中，在一些实施例中，智能终端本地没有预存该脸型特征模型，则，在该实施例中，在执行步骤150之前，需要首先获取该脸型特征模型。而获取该脸型特征模型的具体实施例方式可以是：通过网络连接从其他设备或者云端下载该脸型特征模型；或者，也可以在智能终端本地，基于人脸图像样本和机器学习算法训练该脸型特征模型。

其中，所述基于人脸图像样本和机器学习算法训练该脸型特征模型的具体实施方式可以是：首先采集预定数量的人脸图像样本；然后提取出每一人脸图像样本的特征向量作为训练样本；最后利用任意合适的机器学习算法，比如，神经网络、决策树、支持向量机等，对训练样本进行训练，从而使得训练出来的模型具有人脸脸型分类的功能。

具体地，如图3所示，为本申请实施例提供的一种获取该脸型特征模型的方法的流程示意图，其可以包括但不限于以下步骤：

步骤151：采集预设数量的人脸图像样本，每一所述人脸图像样本标注有一脸型标记。

在实施例中，首先根据需要对人脸脸型进行分类，比如，将人脸脸型分为如图4所示的心形脸、鹅蛋脸、长脸，圆脸和方脸五大类别；然后针对每一类别的脸型采集预定数量的人脸图像样本，并且，在每一人脸图像样本中标注一脸型标记，用于表示该人脸图像样本所属的脸型类别。比如，采集100张具有心形脸的人脸图像样本并为这些人脸图像样本标注脸型标记“1”(用于表示其为心形脸)；采集100张具有鹅蛋脸的人脸图像样本并为这些人脸图像样本标注脸型标记“2”(用于表示其为鹅蛋脸)；采集100张具有长脸的人脸图像样本并为这些人脸图像样本标注脸型标记“3”(用于表示其为长脸)；采集100张具有圆脸的人脸图像样本并为这些人脸图像样本标注脸型标记“4”(用于表示其为圆脸)；100张具方脸的人脸图像样本并为这些人脸图像样本标注脸型标记“5”(用于表示其为方脸)。从而可以获得500张人脸图像样本，并且，每一张人脸图像样本都标注有一个用于表示其所属的脸型类别的脸型标记。

步骤152：分别提取所述人脸图像样本中的人脸关键点。

在本实施例中，以同一人脸关键点定位方法，比如，均采用第三方工具包dilb，对所有采集到的人脸图像样本进行人脸关键点定位并且提取预定位置的人脸关键点，所述人脸关键点包括但不限于：鼻骨关键点、下颌骨关键点和下巴关键点等。而提取每一人脸图像样本中的人脸关键点的具体实施方式可以参见上述步骤120，此处便不再赘述。

其中，可以理解的是，为了统一标准，在进行人脸脸型识别时，也要采用相同的人脸关键点定位方法对获取的人脸图像进行人脸关键点定位以及提取相同的人脸关键点。

步骤153：分别基于所述人脸关键点确定每一所述人脸图像样本的基准值。

在本实施例中，步骤153与上述步骤130具有相同的技术特征，其具体的实施方式同样可以参考上述步骤130，因此，此处也不再赘述。

其中，可以理解的是，为了统一标准，在训练脸型特征模型以及在进行人脸脸型识别时，均需采用相同的方式确定每一人脸图像样本或者人脸图像的基准值，比如，均以两个颞窝关键点之间的距离作为基准值。

步骤154：分别结合所述人脸关键点和所述基准值构建每一所述人脸图像样本的特征向量。

在本实施例中，步骤154与上述步骤140具有相同的技术特征，其具体的实施方式同样可以参考上述步骤140，因此，此处也不再赘述。

其中，可以理解的是，为了统一标准，在训练脸型特征模型以及在进行人脸脸型识别时，同样需要采用相同的方式构建每一人脸图像样本或者人脸图像的特征向量。

步骤155：将每一所述人脸图像样本的特征向量和脸型标记输入训练支持向量机模型，训练得到所述脸型特征模型。

在本实施例中，基于所有人脸图像样本的脸型标记和特征向量，利用支持向量机(Support Vector Machine，SVM)模型训练出具备人脸脸型分类功能的脸型特征模型。其中，所述“支持向量机模型”是一种有监督的机器学习模型，通常用来进行模式识别、分类以及回归分析。

具体地，在本实施例中，将每一所述人脸图像样本的特征向量和脸型标记输入支持向量机模型，训练得到所述脸型特征模型。具体为：将每一人脸图像样本的特征向量作为变量输入，而该人脸图像样本的脸型标记作为结果输入；通过大量的训练样本，可以得到一个描述脸型的函数，该函数即相当于训练生成的脸型特征模型。由此，当接收到一个变量输入(待测人脸图像的特征向量)时，通过该函数(脸型特征模型)即可得到一个结果(即，待测人脸图像的脸型识别结果)。

在实际应用中，可以调用机器学习工具包sklearn并引入svm类，生成空对象model；然后将训练数据(每一人脸图像样本的特征向量及其脸型标记)喂给模型model.fit；最后跑动该模型model.fit即可训练得到脸型特征模型。

进一步地，也可以将训练得到的脸型特征模型的参数保存在智能终端本地，以方便以后进行人脸脸型识别时直接调用该脸型特征模型进行人脸脸型识别。

步骤160：获取所述脸型特征模型输出的脸型识别结果。

在本实施例中，通过脸型特征模型对输入的变量，即，该人脸图像的特征向量，进行计算，即可对应获得一个脸型识别结果，该脸型识别结果即该人脸图像中的人脸的脸型。

通过上述技术方案可知，本申请实施例的有益效果在于：本申请实施例提供的人脸脸型识别方法通过在获取到人脸图像时，提取所述人脸图像中的人脸关键点，基于所述人脸关键点确定所述人脸图像的基准值并结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；然后将所述特征向量输入脸型特征模型；最后获取所述脸型特征模型输出的脸型识别结果，能够结合人脸轮廓之外的人脸关键点，比如，鼻骨关键点，结合多种人脸特征识别人脸脸型，从而提升脸型识别结果的可靠性。

图5是本申请实施例提供的一种人脸脸型识别装置的结构示意图，请参阅图5，该人脸脸型识别装置5包括但不限于：

图像获取单元51，用于获取人脸图像；

人脸关键点提取单元52，用于提取所述人脸图像中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基准值确定单元53，用于基于所述人脸关键点确定所述人脸图像的基准值；

特征向量构建单元54，用于结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

匹配单元55，用于将所述特征向量输入脸型特征模型；以及，

输出单元56，用于获取所述脸型特征模型输出的脸型识别结果。

在本申请实施例中，当图像获取单元51获取到人脸图像时，通过人脸关键点提取单元52基于所述人脸关键点确定所述人脸图像的基准值；进而在特征向量构建单元54中结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量；然后通过匹配单元55将所述特征向量输入脸型特征模型；最后，由输出单元56获取所述脸型特征模型输出的脸型识别结果。

其中，在一些实施例中，提取的人脸关键点还包括：两个颞窝关键点；此时，基准值确定单元53具体用于以所述两个颞窝关键点之间的距离作为所述人脸图像的基准值。

其中，在一些实施例中，人脸脸型识别装置5还包括：模型获取单元57，该模型获取单元57用于获取所述脸型特征模型。

具体地，在其中一些实施例中，该模型获取单元57包括：人脸图像样本采集模块571、人脸关键点提取模块572、基准值确定模块573、特征向量构建模块574以及训练模块575。其中，人脸图像样本采集模块571用于采集预设数量的人脸图像样本，每一所述人脸图像样本标注有一脸型标记；人脸关键点提取模块572用于分别提取所述人脸图像样本中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；基准值确定模块573用于分别基于所述人脸关键点确定每一所述人脸图像样本的基准值；特征向量构建模块574用于分别结合所述人脸关键点和所述基准值构建每一所述人脸图像样本的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；训练模块575用于将每一所述人脸图像样本的特征向量和脸型标记输入支持向量机模型，训练得到所述脸型特征模型。

此外，在一些实施例中，所述人脸关键点还可以包括：颧骨关键点，所述特征向量还可以包括：脸颊宽度特征值，和/或，侧脸长度特征值。所述脸颊宽度特征值基于所述鼻骨关键点、所述颧骨关键点和所述基准值构建；所述侧脸长度特征值基于所述下颌骨关键点、所述颧骨关键点和所述基准值构建。进一步地，在又一些实施例中，所述特征向量还可以包括所述侧脸长度特征值与所述人脸长度特征值的比值。可以理解的是，在实际应用中，还可以通过更多数量的人脸关键点构建更多数量的与脸型相关的特征值来构建人脸图像的特征向量，此处便不一一列举。

还需要说明的是，由于所述人脸脸型识别装置与上述方法实施例中的人脸脸型识别方法基于相同的发明构思，因此，上述方法实施例的相应内容同样适用于本装置实施例，此处不再详述。

通过上述技术方案可知，本申请实施例的有益效果在于：本申请实施例提供的人脸脸型识别装置通过当图像获取单元51获取到人脸图像时，通过人脸关键点提取单元52基于所述人脸关键点确定所述人脸图像的基准值；进而在特征向量构建单元54中结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；然后通过匹配单元55将所述特征向量输入脸型特征模型；最后，由输出单元56获取所述脸型特征模型输出的脸型识别结果，能够结合人脸轮廓之外的人脸关键点，比如，鼻骨关键点，结合多种人脸特征识别人脸脸型，从而提升脸型识别结果的可靠性。

图6是本申请实施例提供的一种智能终端的结构示意图，该智能终端600可以是任意类型的智能终端，如：手机、平板电脑、美容鉴定仪器等，能够执行本申请实施例中提供的任意一种人脸脸型识别方法。

具体地，请参阅图6，该智能终端600包括：

一个或多个处理器601以及存储器602，图6中以一个处理器601为例。

处理器601和存储器602可以通过总线或者其他方式连接，图6中以通过总线连接为例。

存储器602作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本申请实施例中的人脸脸型识别方法对应的程序指令/模块(例如，附图5所示的图像获取单元51、人脸关键点提取单元52、基准值确定单元53、特征向量构建单元54、匹配单元55、输出单元56以及模型获取单元57)。处理器601通过运行存储在存储器602中的非暂态软件程序、指令以及模块，从而执行检测人脸瑕疵点的装置的各种功能应用以及数据处理，即实现上述任一方法实施例的人脸脸型识别方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据智能终端600的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至智能终端600。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器602中，当被所述一个或者多个处理器601执行时，执行上述任意方法实施例中的人脸脸型识别方法，例如，执行以上描述的图1中的方法步骤110至步骤160，图3中的方法步骤151至步骤155，实现图5中的单元51-57的功能。

本申请实施例还提供了一种存储介质，所述存储介质存储有可执行指令，该可执行指令被一个或多个处理器执行，例如：被图6中的一个处理器601执行，可使得上述一个或多个处理器执行上述任意方法实施例中的人脸脸型识别方法，例如，执行以上描述的图1中的方法步骤110至步骤160，图3中的方法步骤151至步骤155，实现图5中的单元51-57的功能。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非暂态计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (12)

1.一种人脸脸型识别方法，其特征在于，包括：

获取人脸图像；

提取所述人脸图像中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基于所述人脸关键点确定所述人脸图像的基准值；

结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

将所述特征向量输入脸型特征模型；

获取所述脸型特征模型输出的脸型识别结果。

2.根据权利要求1所述的人脸脸型识别方法，其特征在于，所述人脸关键点还包括两个颞窝关键点；

则，所述基于所述人脸关键点确定所述人脸图像的基准值，包括：

以所述两个颞窝关键点之间的距离作为所述人脸图像的基准值。

3.根据权利要求1所述的人脸脸型识别方法，其特征在于，所述将所述特征向量输入脸型特征模型的步骤之前，所述人脸脸型识别方法还包括：

获取所述脸型特征模型。

4.根据权利要求2所述的人脸脸型识别方法，其特征在于，所述获取所述脸型特征模型，包括：

采集预设数量的人脸图像样本，每一所述人脸图像样本标注有一脸型标记；

分别提取所述人脸图像样本中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

分别基于所述人脸关键点确定每一所述人脸图像样本的基准值；

分别结合所述人脸关键点和所述基准值构建每一所述人脸图像样本的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

将每一所述人脸图像样本的特征向量和脸型标记输入支持向量机模型，训练得到所述脸型特征模型。

5.根据权利要求1-4任一项所述的人脸脸型识别方法，其特征在于，所述人脸关键点还包括：颧骨关键点，所述特征向量还包括：脸颊宽度特征值，所述脸颊宽度特征值基于所述鼻骨关键点、所述颧骨关键点和所述基准值构建。

6.根据权利要求5所述的人脸脸型识别方法，其特征在于，所述特征向量还包括：侧脸长度特征值，所述侧脸长度特征值基于所述下颌骨关键点、所述颧骨关键点和所述基准值构建。

7.根据权利要求6所述的人脸脸型识别方法，其特征在于，所述特征向量还包括：所述侧脸长度特征值与所述人脸长度特征值的比值。

8.一种人脸脸型识别装置，其特征在于，包括：

图像获取单元，用于获取人脸图像；

人脸关键点提取单元，用于提取所述人脸图像中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基准值确定单元，用于基于所述人脸关键点确定所述人脸图像的基准值；

特征向量构建单元，用于结合所述人脸关键点和所述基准值构建所述人脸图像的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

匹配单元，用于将所述特征向量输入脸型特征模型；

输出单元，用于获取所述脸型特征模型输出的脸型识别结果。

9.根据权利要求8所述的人脸脸型识别装置，其特征在于，所述人脸脸型识别装置还包括：

模型获取单元，用于获取所述脸型特征模型。

10.根据权利要求9所述的人脸脸型识别装置，其特征在于，所述模型获取单元包括：

人脸图像样本采集模块，用于采集预设数量的人脸图像样本，每一所述人脸图像样本标注有一脸型标记；

人脸关键点提取模块，用于分别提取所述人脸图像样本中的人脸关键点，其中，所述人脸关键点包括：鼻骨关键点、下颌骨关键点和下巴关键点；

基准值确定模块，用于分别基于所述人脸关键点确定每一所述人脸图像样本的基准值；

特征向量构建模块，用于分别结合所述人脸关键点和所述基准值构建每一所述人脸图像样本的特征向量，其中，所述特征向量包括：人脸长度特征值、下颌骨宽度特征值以及下巴角度特征值，所述人脸长度特征值基于所述鼻骨关键点、所述下巴关键点和所述基准值构建，所述下颌骨宽度特征值基于所述下颌骨关键点和所述基准值构建，所述下巴角度特征值基于所述下颌骨关键点和所述下巴关键点构建；

训练模块，用于将每一所述人脸图像样本的特征向量和脸型标记输入支持向量机模型，训练得到所述脸型特征模型。

11.一种智能终端，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7任一项所述的人脸脸型识别方法。

12.一种存储介质，其特征在于，所述存储介质存储有可执行指令，所述可执行指令被智能终端执行时，使所述智能终端执行如权利要求1-7任一项所述的人脸脸型识别方法。