CN109598210B - 一种图片处理方法和装置 - Google Patents
一种图片处理方法和装置 Download PDFInfo
- Publication number
- CN109598210B CN109598210B CN201811364989.9A CN201811364989A CN109598210B CN 109598210 B CN109598210 B CN 109598210B CN 201811364989 A CN201811364989 A CN 201811364989A CN 109598210 B CN109598210 B CN 109598210B
- Authority
- CN
- China
- Prior art keywords
- face
- facial
- shielded
- picture
- facial features
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 230000001815 facial effect Effects 0.000 claims abstract description 118
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000008439 repair process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 210000000887 face Anatomy 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 229920000642 polymer Polymers 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图片处理方法和装置，该方法包括：获取图片中的人脸图像；提取人脸图像中人脸的面部特征数据；使用面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征；当确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息；根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域；在可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。该方法降低了多人拍照的操作难度，提高了用户体验。
Description
技术领域
本发明涉及通信技术领域，特别涉及一种图片处理方法和装置。
背景技术
在群体活动中，多人合影是必不可少的纪念方式之一，每个人都希望在合影中留下最美的面容。但是在现实集体拍照场景中，由于角度，层次和站位等因素，经常会出现人物重叠现象，导致部分人的脸部被不同程度的遮挡，从而产生人物面孔不能全部展现的问题，为了满足所有人的需求都需要不断调试拍照角度人物站立位置，尽管这样也有不尽人意的地方，并且这些方法比较繁琐耗时，操作难度大效且率低下。
发明内容
有鉴于此，本申请提供一种图片处理方法和装置，降低了多人拍照的操作难度，提高了用户体验。
为解决上述技术问题，本申请的技术方案是这样实现的：
一种图片处理方法，该方法包括：
获取图片中的人脸图像；
提取人脸图像中人脸的面部特征数据；
使用面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征；
当确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息；
根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域；
在可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。
一种图片处理装置，该装置包括：获取单元、提取单元、第一确定单元、第二确定单元和修复单元；
所述获取单元，用于获取图片中的人脸图像；
所述提取单元，用于提取所述获取单元获取的人脸图像中人脸的面部特征数据；
所述第一确定单元，用于使用所述提取单元提取的面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征；
所述第二确定单元，用于当所述第一确定单元确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息；根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域；
所述修复单元，用于在所述第二确定单元确定的可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。
由上面的技术方案可知，本申请中针对图片中面部特征被遮挡的人脸图像进行面部特征修复，并将修复后的人脸图像还原至确定的可调整的区域，生成处理后的图片。该方案降低了多人拍照的操作难度，提高了用户体验。
附图说明
图1为本申请实施例中图片处理流程示意图；
图2为人脸特征分量示意图；
图3为本申请实施例中通过预设的深度学习网络模型确定的图片中每个人脸的边界信息示意图；
图4为针对面部特征中嘴被部分遮挡进行修复的示意图；
图5为针对图3的照片修复后的图片示意图；
图6为本申请实施例中应用于上述技术的装置结构示意图。
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，下面结合附图并举实施例，对本发明的技术方案进行详细说明。
本申请实施例中提供一种图片处理方法，针对图片中面部特征被遮挡的人脸图像进行面部特征修复，并将修复后的人脸图像还原至确定的可调整的区域，生成处理后的图片。该方案降低了多人拍照的操作难度，提高了用户体验。
本申请实施例中针对一张图片的处理，可以是照相机刚拍完照片，在后台立即处理，为用户提供一张原图，一张处理后的图片供用户选择；也可以是用户提供一张待处理的图片，针对该图片进行处理，并为用户提供一张原图和一张处理后的图片，即处理图片时，保留一张原图，可以通过复制图片作为备份图片后再处理图片。
下面结合附图，详细说明图片处理过程。
本申请实施例中为了描述方便，进行图片处理的设备在下文称为处理设备。
参见图1，图1为本申请实施例中图片处理流程示意图。具体步骤为：
步骤101，处理设备获取图片中的人脸图像。
本申请实施例中获取图片中的人脸图像，即人脸区域的定位的实现过程不进行限制。
步骤102，该处理设备提取人脸图像中人脸的面部特征数据。
提取的人脸的面部征数据包括：人脸图像中未被遮挡的面部特征对应的特征点。
步骤103，该处理设备使用面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征。
人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。
人脸快速检测主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。
预设人脸特征分量包括：面部特征对应的特征点，以及特征点间的几何关系。
参见图2，图2为人脸特征分量示意图。图2中给出以眼睛、鼻子、嘴巴对应的特征点来标识一张人脸的特征分量。特征点之间的连线可以标识特征点之间的几何关系，图2中以“T”字型为例，对这一几何关系的实现本申请仅给出图2所示的实例，但是并不限于图2所示的几何关系。
本申请实施例中可以使用预设人脸特征分量与获取的人脸面部特征数据比对，确定人脸上的面部特征是否被遮挡，遮挡的是哪部分。
如缺失了一只眼睛的特征点，半张嘴巴的特征点，则确定人脸侧面被遮挡；
如果缺失了整张嘴巴的特征点，则确定人脸下部被遮挡；
如果缺失了两只眼睛对应的特征点，则确定人脸上不被遮挡。
本申请通过上述比对以及集合关系，还可以确定遮挡率，并设置阈值，当遮挡率大于阈值时，不再进行图像处理。
针对上述实现，若确定不存在被遮挡面部特征的人脸图像，则不进行图像处理。
步骤104，该处理设备当确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息。
预设的深度学习网络模型的建立，包括：
获取多张多人合拍的图片，以及每张图片中每个人对应的位置信息作为样本数据；
训练初始深度学习网络模型，得到预设的深度学习网络模型。
本申请实施例中的深度学习网络可以为卷积神经网络。
在具体实现时，每个人对应的位置信息，即每张人脸图像对应的位置信息，具体位置信息可以包括：以边界信息的方式显示人脸的前后左右位置信息。
步骤105，该处理设备根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域。
这里与被遮挡面部特征的人脸相邻的人脸的边界信息，即被遮挡面部特征的人脸的前后左右人脸。
参见图3，图3为本申请实施例中通过预设的深度学习网络模型确定的图片中每个人脸的边界信息示意图。
图3中从右侧开始倒数第2个人为人脸面部被遮挡的人，与其相邻的人脸为倒数第1和第3个人。图3中针对被遮挡面部特征的人的边界框外的线框所对应的区域即为可调整的区域。
可调整的区域可以为向上、下、左、右调整，不影响照片中的其他人的面部特征，且不扭曲要调整的人的前提下可调整的区域，这里不扭曲要调整的人即使对应的人调整后依然看起来比较自然为原则。
当确定的可调整的区域小于原人脸图像所处的区域，即调整被遮挡面部特征的人脸图像会影响其他人脸的面部图像，或者能够调整的区域不够将该人脸的所有面部特征显示出来时，可以不进行调整，即不对该图片进行处理。
步骤106，该处理设备在可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。
所述对被遮挡面部特征的人脸图像进行修复，可以包括如下几种修复方式：
针对一人脸图像，当被遮挡的面部特征与未被遮挡的面部特征之间存在对称关系时，提取未被遮挡的面部特征的内外轮廓；
确定面部特征的轮廓的缺失点；
根据对称性，确定内外轮廓的关键点，进行内外轮廓的重构；
并对重构的图像进行色彩、纹理、平滑性处理，生成完整面部特征的人脸图像。
参见图4，图4为针对面部特征中嘴被部分遮挡进行修复的示意图。
先进行嘴唇定位，确定内外轮廓，即图4中从左到右第一个箭头后半嘴唇形状；
再根据对称性，确定内外轮廓的关键点，进行内外轮廓的重构，如从左到右的第二个完整嘴唇的形状；
对重构的图像进行色彩、纹理、平滑性处理，生成完整面部特征的人脸图像，即根据未被遮挡的部分对重构部分进行颜色、纹理的处理，并使用常规的图像处理中的平滑处理，使重构后的嘴唇看起来更自然。
针对一人脸图像，当被遮挡的面部特征为人脸下部的面部特征时，使用预设的深度生成模型生成完整面部特征的人脸图像，其中，所述预设的深度生成模型为根据人脸轮廓特征构建的局部生成模型。
该实现方式根据人脸轮廓特征来确定嘴巴、下巴的形状，并根据肤色为被遮挡的人脸生成一个相对接近该人脸的真实图像。
由于本申请仅仅是对图片的进一步处理，且保留原图，希望能够提高用户的满意度，至于处理后的图片是否被用户选择并不关心。
基于上述思想，针对人脸上不被遮挡的情况则不会进行处理，眼睛等的修补会更难以接近真实情况。
当然本申请的具体实现，还可以是提供被遮挡的人的未被遮挡的照片，可以是合照也可以是单人照，则本申请实施例可以针对该人脸图像进行修复。
参见图5、图5为针对图3的照片修复后的图片示意图。图5中从左到右看倒数第2个人的面部特征完全显露出来，且没有遮挡其他人的面部特征。
基于同样的发明构思，本申请实施例中还提供一种图片处理装置。参见图6，图6为本申请实施例中应用于上述技术的装置结构示意图。该装置包括：获取单元601、提取单元602、第一确定单元603、第二确定单元604和修复单元605；
获取单元601，用于获取图片中的人脸图像；
提取单元602，用于提取获取单元601获取的人脸图像中人脸的面部特征数据；
第一确定单元603，用于使用提取单元602提取的面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征；
第二确定单元604，用于当第一确定单元603确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息；根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域；
修复单元605，用于在第二确定单元604确定的可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。
较佳地，
面部特征数据包括：人脸图像中未被遮挡的面部特征对应的特征点；
预设人脸特征分量包括：面部特征对应的特征点，以及特征点间的几何关系。
较佳地，
所述预设的深度学习网络模型的建立，包括：获取多张多人合拍的图片，以及每张图片中每个人对应的位置信息作为样本数据；训练初始深度学习网络模型，得到预设的深度学习网络模型。
较佳地，
修复单元605，具体用于针对一人脸图像，当被遮挡的面部特征与未被遮挡的面部特征之间存在对称关系时，提取未被遮挡的面部特征的内外轮廓；确定面部特征的轮廓的缺失点；根据对称性，确定内外轮廓的关键点，进行内外轮廓的重构；并对重构的图像进行色彩、纹理、平滑性处理，生成完整面部特征的人脸图像。
较佳地，
修复单元605，具体用于针对一人脸图像，当被遮挡的面部特征为人脸下部的面部特征时，使用预设的深度生成模型生成完整面部特征的人脸图像，其中，所述预设的深度生成模型为根据人脸轮廓特征构建的局部生成模型。
较佳地，
获取单元601，进一步用于处理图片时，保留一张原图。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
综上所述，本申请通过针对图片中面部特征被遮挡的人脸图像进行面部特征修复，并将修复后的人脸图像还原至确定的可调整的区域，生成处理后的图片。该方案降低了多人拍照的操作难度，提高了用户体验。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (12)
1.一种图片处理方法，其特征在于，该方法包括：
获取图片中的人脸图像；
提取人脸图像中人脸的面部特征数据；
使用面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征；
当确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息；
根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域；
在可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。
2.根据权利要求1所述的方法，其特征在于，
面部特征数据包括：人脸图像中未被遮挡的面部特征对应的特征点；
预设人脸特征分量包括：面部特征对应的特征点，以及特征点间的几何关系。
3.根据权利要求1所述的方法，其特征在于，所述预设的深度学习网络模型的建立，包括：
获取多张多人合拍的图片，以及每张图片中每个人对应的位置信息作为样本数据；
训练初始深度学习网络模型，得到预设的深度学习网络模型。
4.根据权利要求1所述的方法，其特征在于，所述对被遮挡面部特征的人脸图像进行修复，包括：
针对一人脸图像，当被遮挡的面部特征与未被遮挡的面部特征之间存在对称关系时，提取未被遮挡的面部特征的内外轮廓；
确定面部特征的轮廓的缺失点；
根据对称性，确定内外轮廓的关键点，进行内外轮廓的重构；
并对重构的图像进行色彩、纹理、平滑性处理，生成完整面部特征的人脸图像。
5.根据权利要求1所述的方法，其特征在于，所述对被遮挡面部特征的人脸图像进行修复，包括：
针对一人脸图像，当被遮挡的面部特征为人脸下部的面部特征时，使用预设的深度生成模型生成完整面部特征的人脸图像，其中，所述预设的深度生成模型为根据人脸轮廓特征构建的局部生成模型。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法进一步包括：
处理图片时，保留一张原图。
7.一种图片处理装置，其特征在于，该装置包括：获取单元、提取单元、第一确定单元、第二确定单元和修复单元；
所述获取单元，用于获取图片中的人脸图像；
所述提取单元，用于提取所述获取单元获取的人脸图像中人脸的面部特征数据；
所述第一确定单元，用于使用所述提取单元提取的面部特征数据与预设人脸特征分量进行比较，确定人脸图像中是否存在被遮挡面部特征；
所述第二确定单元，用于当所述第一确定单元确定人脸图像中存在被遮挡的面部特征时，使用预设的深度学习网络模型确定图片中每个人脸的边界信息；根据被遮挡面部特征的人脸的边界信息，以及与被遮挡面部特征的人脸相邻的人脸的边界信息，确定被遮挡面部特征的人脸可调整的区域；
所述修复单元，用于在所述第二确定单元确定的可调整的区域内对被遮挡面部特征的人脸图像进行修复，生成处理后的图片。
8.根据权利要求7所述的装置，其特征在于，
面部特征数据包括：人脸图像中未被遮挡的面部特征对应的特征点；
预设人脸特征分量包括：面部特征对应的特征点，以及特征点间的几何关系。
9.根据权利要求7所述的装置，其特征在于，所述预设的深度学习网络模型的建立，包括：获取多张多人合拍的图片，以及每张图片中每个人对应的位置信息作为样本数据；训练初始深度学习网络模型，得到预设的深度学习网络模型。
10.根据权利要求7所述的装置，其特征在于，
所述修复单元，具体用于针对一人脸图像，当被遮挡的面部特征与未被遮挡的面部特征之间存在对称关系时，提取未被遮挡的面部特征的内外轮廓；确定面部特征的轮廓的缺失点；根据对称性，确定内外轮廓的关键点，进行内外轮廓的重构；并对重构的图像进行色彩、纹理、平滑性处理，生成完整面部特征的人脸图像。
11.根据权利要求7所述的装置，其特征在于，
所述修复单元，具体用于针对一人脸图像，当被遮挡的面部特征为人脸下部的面部特征时，使用预设的深度生成模型生成完整面部特征的人脸图像，其中，所述预设的深度生成模型为根据人脸轮廓特征构建的局部生成模型。
12.根据权利要求7-11任一项所述的装置，其特征在于，
所述获取单元，进一步用于处理图片时，保留一张原图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364989.9A CN109598210B (zh) | 2018-11-16 | 2018-11-16 | 一种图片处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364989.9A CN109598210B (zh) | 2018-11-16 | 2018-11-16 | 一种图片处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109598210A CN109598210A (zh) | 2019-04-09 |
| CN109598210B true CN109598210B (zh) | 2020-10-27 |
Family
ID=65958573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811364989.9A Active CN109598210B (zh) | 2018-11-16 | 2018-11-16 | 一种图片处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598210B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059634B (zh) * | 2019-04-19 | 2023-04-18 | 山东博昂信息科技有限公司 | 一种大场景人脸抓拍方法 |
| CN111985281B (zh) * | 2019-05-24 | 2022-12-09 | 内蒙古工业大学 | 图像生成模型的生成方法、装置及图像生成方法、装置 |
| CN110427843B (zh) * | 2019-07-18 | 2021-07-13 | 广州利科科技有限公司 | 一种人脸智能识别方法 |
| CN110516768A (zh) * | 2019-08-29 | 2019-11-29 | 中新智擎科技有限公司 | 一种垃圾分类管理的方法、装置及人工智能机器人 |
| CN111553254A (zh) * | 2020-04-26 | 2020-08-18 | 上海天诚比集科技有限公司 | 一种人脸比对预处理方法 |
| CN112418054A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
| CN114519674A (zh) * | 2022-01-18 | 2022-05-20 | 贵州省质安交通工程监控检测中心有限责任公司 | 基于机器视觉的边坡稳定性分析系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310415A (zh) * | 2013-03-15 | 2013-09-18 | 清华大学 | 基于人脸的图像缺损补绘方法及系统 |
| CN106874883A (zh) * | 2017-02-27 | 2017-06-20 | 中国石油大学(华东) | 一种基于深度学习的实时人脸检测方法及系统 |
| CN107016370A (zh) * | 2017-04-10 | 2017-08-04 | 电子科技大学 | 一种基于数据增强的部分遮挡人脸识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10902243B2 (en) * | 2016-10-25 | 2021-01-26 | Deep North, Inc. | Vision based target tracking that distinguishes facial feature targets |
-
2018
- 2018-11-16 CN CN201811364989.9A patent/CN109598210B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310415A (zh) * | 2013-03-15 | 2013-09-18 | 清华大学 | 基于人脸的图像缺损补绘方法及系统 |
| CN106874883A (zh) * | 2017-02-27 | 2017-06-20 | 中国石油大学(华东) | 一种基于深度学习的实时人脸检测方法及系统 |
| CN107016370A (zh) * | 2017-04-10 | 2017-08-04 | 电子科技大学 | 一种基于数据增强的部分遮挡人脸识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| "A Machine learning approach to detect Occluded Faces";Shazia Gul etc.;《Proc. 2015 IEEE 14th Inl"l ConI.on Cognitive lnformatics & Cognitive Computer》;20151231;第149-154页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109598210A (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598210B (zh) | 一种图片处理方法和装置 | |
| CN106056092B (zh) | 基于虹膜与瞳孔的用于头戴式设备的视线估计方法 | |
| JP4755202B2 (ja) | 顔特徴の検出方法 | |
| US8983152B2 (en) | Image masks for face-related selection and processing in images | |
| JP4723834B2 (ja) | 映像に基づいたフォトリアリスティックな３次元の顔モデリング方法及び装置 | |
| KR101159830B1 (ko) | 얼굴 위치 및 방위를 이용한 적목 거짓 양성 필터링 방법 | |
| CN106682632B (zh) | 用于处理人脸图像的方法和装置 | |
| CN105550631B (zh) | 一种虹膜图像采集方法及装置 | |
| CN107852533A (zh) | 三维内容生成装置及其三维内容生成方法 | |
| CN111445410A (zh) | 基于纹理图像的纹理增强方法、装置、设备和存储介质 | |
| US20150286854A1 (en) | Image processing method and apparatus | |
| CN110705353A (zh) | 基于注意力机制的遮挡人脸的识别方法和装置 | |
| JP2019125269A (ja) | 前景背景分離に好適な方法および装置 | |
| CN104157001A (zh) | 一种头部漫画的绘制方法及装置 | |
| CN111353404A (zh) | 一种人脸识别方法、装置及设备 | |
| CN111597978B (zh) | 基于StarGAN网络模型实现行人重识别图片自动生成的方法 | |
| KR101827998B1 (ko) | 얼굴 특징 기반의 가상 체험 시스템 및 그 방법 | |
| CN111639582A (zh) | 活体检测方法及设备 | |
| US20060269128A1 (en) | Image correction method and apparatus | |
| KR100815209B1 (ko) | 3차원 영상의 생성을 위한 2차원 영상의 특징 추출 장치및 그 방법과 그를 이용한 3차원 영상의 생성 장치 및 그방법 | |
| CN108009532A (zh) | 基于3d成像的身份识别方法及终端 | |
| CN113556471B (zh) | 证件照生成方法、系统及计算机可读存储介质 | |
| CN111738930A (zh) | 人脸图像的合成方法、装置、电子设备及存储介质 | |
| US20230103555A1 (en) | Information processing apparatus, information processing method, and program | |
| US10796147B1 (en) | Method and apparatus for improving the match performance and user convenience of biometric systems that use images of the human eye |
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 |