CN109657539B - 人脸颜值评价方法、装置、可读存储介质及电子设备 - Google Patents

人脸颜值评价方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN109657539B
CN109657539B CN201811309335.6A CN201811309335A CN109657539B CN 109657539 B CN109657539 B CN 109657539B CN 201811309335 A CN201811309335 A CN 201811309335A CN 109657539 B CN109657539 B CN 109657539B
Authority
CN
China
Prior art keywords
face image
target
feature map
evaluation result
extracting
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
CN201811309335.6A
Other languages
English (en)
Other versions
CN109657539A (zh
Inventor
陈泽洲
刘兆祥
廉士国
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.)
Cloudminds Shanghai Robotics Co Ltd
Original Assignee
Cloudminds Robotics 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 Cloudminds Robotics Co Ltd filed Critical Cloudminds Robotics Co Ltd
Priority to CN201811309335.6A priority Critical patent/CN109657539B/zh
Publication of CN109657539A publication Critical patent/CN109657539A/zh
Application granted granted Critical
Publication of CN109657539B publication Critical patent/CN109657539B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种人脸颜值评价方法、装置、可读存储介质及电子设备，所述方法包括：提取人脸图像中的目标关键点；将所述目标关键点输入至预先训练的关键点评价网络，获得第一评价结果；提取所述人脸图像的目标纹理特征；将所述目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果；根据所述第一评价结果和所述第二评价结果确定所述人脸图像的颜值评价结果。通过上述技术方案，一方面可以保证颜值评价的综合性和准确性，另一方面，也可以有效拓宽颜值评价方法的适用范围，提升用户使用体验。

Description

人脸颜值评价方法、装置、可读存储介质及电子设备
技术领域
本公开涉及图像处理领域，具体地，涉及一种人脸颜值评价方法、装置、可读存储介质及电子设备。
背景技术
移动终端应用的快速发展，各种泛娱乐的APP((application，应用)受到越来越多的关注。随着图像处理技术和机器学习技术的发展，对人脸进行颜值评价的软件和功能应运而生。
发明内容
本公开的目的是提供一种准确的人脸颜值评价方法、装置、可读存储介质及电子设备。
根据本公开的第一方面，提供一种人脸颜值评价方法，所述方法包括：
提取人脸图像中的目标关键点；
将所述目标关键点输入至预先训练的关键点评价网络，获得第一评价结果；
提取所述人脸图像的目标纹理特征；
将所述目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果；
根据所述第一评价结果和所述第二评价结果确定所述人脸图像的颜值评价结果。
可选地，所述提取人脸图像中的目标关键点包括：
提取所述人脸图像中的第一关键点；
将所述第一关键点输入至三维点分布模型，提取所述目标关键点。
可选地，所述提取所述人脸图像的目标纹理特征，包括：
将所述人脸图像输入至深度特征提取网络，获得所述人脸图像的深度特征图；
根据所述深度特征图确定所述目标纹理特征。
可选地，所述根据所述深度特征图确定所述目标纹理特征，包括：
根据所述深度特征图提取所述人脸图像的全局纹理特征图；
根据所述目标关键点和所述深度特征图，获得所述人脸图像的局部纹理特征图；
将所述全局纹理特征图和所述局部纹理特征图输入至特征融合网络，以获得所述目标纹理特征。
可选地，所述根据所述第一评价结果和所述第二评价结果确定所述人脸图像的颜值评价结果，包括：
对所述第一评价结果和所述第二评价结果进行加权求和，获得所述人脸图像的所述颜值评价结果。
根据本公开的第二方面，提供一种人脸颜值评价装置，所述装置包括：
第一提取模块，用于提取人脸图像中的目标关键点；
第一处理模块，用于将所述目标关键点输入至预先训练的关键点评价网络，获得第一评价结果；
第二提取模块，用于提取所述人脸图像的目标纹理特征；
第二处理模块，用于将所述目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果；
确定模块，用于根据所述第一评价结果和所述第二评价结果确定所述人脸图像的颜值评价结果。
可选地，所述第一提取模块包括：
第一提取子模块，用于提取所述人脸图像中的第一关键点；
第一处理子模块，用于将所述第一关键点输入至三维点分布模型，提取所述目标关键点。
可选地，所述第二提取模块包括：
第二处理子模块，用于将所述人脸图像输入至深度特征提取网络，获得所述人脸图像的深度特征图；
确定子模块，用于根据所述深度特征图确定所述目标纹理特征。
可选地，所述确定子模块包括：
第二提取子模块，用于根据所述深度特征图提取所述人脸图像的全局纹理特征图；
第三处理子模块，用于根据所述目标关键点和所述深度特征图，获得所述人脸图像的局部纹理特征图；
第四处理子模块，用于将所述全局纹理特征图和所述局部纹理特征图输入至特征融合网络，以获得所述目标纹理特征。
可选地，所述确定模块用于：
对所述第一评价结果和所述第二评价结果进行加权求和，获得所述人脸图像的所述颜值评价结果。
根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面任一所述方法的步骤。
根据本公开的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面任一所述方法的步骤。
在上述技术方案中，通过提取人脸图像中的关键点和纹理特征，并根据关键点和纹理特征确定出人脸颜值的评价结果。之后，根据关键点确定出的评价结果和根据纹理特征确定出的评价结果获得人脸颜值评价的最终结果，从而在确定人脸图像的颜值评价结果时，可以综合人脸图像中的多个特征，一方面可以保证颜值评价的综合性和准确性，另一方面，也可以有效拓宽颜值评价方法的适用范围，提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开的一种实施方式提供的人脸颜值评价方法的流程图；
图2是提取所述人脸图像的目标纹理特征的一种示例性实现方式的流程图；
图3是根据本公开的一种实施方式提供的人脸颜值评价装置的框图；
图4是根据一示例性实施例示出的一种电子设备的框图；
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1所示，为根据本公开的一种实施方式提供的人脸颜值评价方法的流程图，如图1所示，所述方法包括：
在S11中，提取人脸图像中的目标关键点。
其中，在获得图像时，可以先对其进行人脸检测，以识别该图像中是否存在人脸图像。示例地，可以通过seetaface、mtcnn等人脸检测算法进行检测，若该图像中包含人脸图像，则可以通过上述算法对人脸图像进行提取，获得人脸图像。其中，seetaface、mtcnn等人脸检测算法为现有技术，在此不再赘述。
在S12中，将目标关键点输入至预先训练的关键点评价网络，获得第一评价结果。
其中，可以对图像中的关键点和对应的颜值进行标定，从而可以根据该已标定的关键点和颜值对关键点评价网络进行训练。示例地，关键点评价网络可以通过现有的神经网络实现，在此不再赘述。
在S13中，提取人脸图像的目标纹理特征。
其中，图像的纹理特征可以对图像的空间颜色分布和光强分布进行准确的描述，以提取人脸图像的准确特征，便于后续的数据处理。
在S14中，将目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果。
其中，通过预先训练纹理评价网络可以根据人脸图像的纹理特征确定该人脸图像的评价结果。该纹理评价网络可以是神经网络模型。
在S15中，根据第一评价结果和第二评价结果确定人脸图像的颜值评价结果。
需要进行说明的是，图1中所示执行顺序为本公开中的一种示例性执行顺序，示例地，也可以并行执行S11和S13，本公开对此不进行限定。
在上述技术方案中，通过提取人脸图像中的关键点和纹理特征，并根据关键点和纹理特征确定出人脸颜值的评价结果。之后，根据关键点确定出的评价结果和根据纹理特征确定出的评价结果获得人脸颜值评价的最终结果，从而在确定人脸图像的颜值评价结果时，可以综合人脸图像中的多个特征，一方面可以保证颜值评价的综合性和准确性，另一方面，也可以有效拓宽颜值评价方法的适用范围，提升用户使用体验。
为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上述步骤进行详细的说明。
可选地，在提取人脸图像中的目标关键点时在，在一实施例中，可以通过现有的关键点提取算法进行提取，例如，ERT(Ensemble of Regression Tress)算法、2D-FAN(FaceAlignment Network，人脸对齐网络)、MDM(Mnemonic Descent Method)等人脸关键点检测方法，并将提取出的关键点作为目标关键点。
可选地，在另一实施例中，在S11中提取人脸图像中的目标关键点，包括：
提取所述人脸图像中的第一关键点，其中，第一关键点可以是根据上述现有方法提取出的关键点。
将所述第一关键点输入至三维点分布模型，获得所述目标关键点。
其中，三维点分布模型可以预先进行训练。训练后该三维点分布模型中包含有仿射变换参数和人脸结构主成分参数。通过该三维点分布模型可以基于第一关键点生成对应的三维立体人脸，之后可以从该三维立体人脸中提取关键点。
在提取人脸图像中的第一关键点时，可能会由于拍摄图像时的角度或姿态的不同使得人脸图像差别较大，降低关键点提取的准确度，从而对人脸颜值评价结果的影响较大。因此，在上述技术方案中，通过将第一关键点输入三维点分布模型，从而生成三维人脸结构，并从该三维立体人脸中提取关键点。由此可以有效消除角度或姿态对关键点提取的影响，提高目标关键点的准确度，从而可以保证基于该目标关键点进行人脸颜值评价的结果的准确度，提升用户使用体验。
可选地，如图2所示，在S13中，提取所述人脸图像的目标纹理特征的一种示例性实现方式如下，可以包括：
在S21中，将人脸图像输入至深度特征提取网络，获得人脸图像的深度特征图。
其中，该深度特征提取网络为与深度学习神经网络，其可以预先进行训练，也可以将现有的深度人脸识别网络在最后一个特征层之前的部分确定为该深度特征提取网络。
在S22中，根据深度特征图确定目标纹理特征。
其中，在一实施例中，可以对该深度特征图中的纹理特征进行提取，并将提取出的特征确定为该目标纹理特征。
可选地，在另一实施例中，所述根据所述深度特征图确定所述目标纹理特征的一种示例性实现方式如下，包括：
根据所述深度特征图提取所述人脸图像的全局纹理特征图；
根据所述目标关键点和所述深度特征图，获得所述人脸图像的局部纹理特征图；
其中，在确定出人脸图像的目标关键点信息后，可以在深度特征图中提取出目标关键点对应区域的特征信息，从而获得人脸图像的局部纹理特征图。其中，目标关键点对应区域可以是以目标关键点为中心的一个区域，例如，获取深度特征图中、以目标关键点为中心的一矩形区域所对应的信息确定为该目标关键点对应区域的特征信息，之后根据该特征信息可以确定出该目标关键点对应的局部纹理特征图。其中，通过深度特征图对纹理特征进行提取的方式为现有技术，在此不再赘述。
将所述全局纹理特征图和所述局部纹理特征图输入至特征融合网络，以获得所述目标纹理特征。
其中，全局纹理特征图为基于人脸图像整体特征确定出的，局部纹理特征图为基于人脸图像中目标关键点对应区域的局部特征确定出的，因此，通过将该全局纹理特征图和局部纹理特征图进行融合，可以获得包含该人脸图像整体特征和局部特征的目标纹理特征，从而可以对人脸图像中的纹理特征进行准确的提取，为进行颜值评价提供准确的数据支持，从而可以有效提高颜值评价结果的准确性。
可选地，在S15中根据第一评价结果和第二评价结果确定人脸图像的颜值评价结果，可以包括：
对所述第一评价结果和所述第二评价结果进行加权求和，获得所述人脸图像的所述颜值评价结果。
在一实施例中，评价结果可以用分值进行表示。其中，可以第一评价结果和第二评价结果对应的权重进行默认设置。示例地，可以默认设置第一评价结果对应的权重为0.4，第二评价结果对应的权重为0.6。因此，在确定出第一评价结果为88分、第二评价结果为90分时，该人脸图像的颜值评价结果为89.2(88*0.4+90*0.6)分。另外，用户也可以根据实际使用场景对该权重进行设置，本公开对此不进行限定。
在另一实施例中，评价结果也可以通过等级进行表示。示例地，可以对评价结果进行等级划分。例如，可以划分成5个等级，由A-E等级逐渐降低，即颜值评价结果逐渐降低。另外，等级可以与分值相对应，如A等级对应分值区间为(95,100]，B等级对应的区间为(85,95]，其他等级依次划分，不再赘述。
在上述实施例中，根据第一评价结果和第二评价结果确定人脸图像的颜值评价结果，可以根据人脸图像中的多种特征对人脸图像的颜值进行综合评价，从而可以有效避免单一特征对颜值评价结果的影响，使得确定出的颜值评价结果更准确，贴合用户的使用需求，提升用户使用体验。
本公开还提供一种人脸颜值评价装置，如图3所示，所述装置10包括：
第一提取模块100，用于提取人脸图像中的目标关键点；
第一处理模块200，用于将所述目标关键点输入至预先训练的关键点评价网络，获得第一评价结果；
第二提取模块300，用于提取所述人脸图像的目标纹理特征；
第二处理模块400，用于将所述目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果；
确定模块500，用于根据所述第一评价结果和所述第二评价结果确定所述人脸图像的颜值评价结果。
可选地，所述第一提取模块100包括：
第一提取子模块，用于提取所述人脸图像中的第一关键点；
第一处理子模块，用于将所述第一关键点输入至三维点分布模型，提取所述目标关键点。
可选地，所述第二提取模块300包括：
第二处理子模块，用于将所述人脸图像输入至深度特征提取网络，获得所述人脸图像的深度特征图；
确定子模块，用于根据所述深度特征图确定所述目标纹理特征。
可选地，所述确定子模块包括：
第二提取子模块，用于根据所述深度特征图提取所述人脸图像的全局纹理特征图；
第三处理子模块，用于根据所述目标关键点和所述深度特征图，获得所述人脸图像的局部纹理特征图；
第四处理子模块，用于将所述全局纹理特征图和所述局部纹理特征图输入至特征融合网络，以获得所述目标纹理特征。
可选地，所述确定模块500用于：
对所述第一评价结果和所述第二评价结果进行加权求和，获得所述人脸图像的所述颜值评价结果。
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。
图4是根据一示例性实施例示出的一种电子设备700的框图。如图4所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的人脸颜值评价方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702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，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的人脸颜值评价方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的人脸颜值评价方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的人脸颜值评价方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的人脸颜值评价方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的人脸颜值评价方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的人脸颜值评价方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (6)

1.一种人脸颜值评价方法，其特征在于，所述方法包括：
提取人脸图像中的目标关键点；
将所述目标关键点输入至预先训练的关键点评价网络，获得第一评价结果；
提取所述人脸图像的目标纹理特征；
将所述目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果；
对所述第一评价结果和所述第二评价结果进行加权求和，获得所述人脸图像的颜值评价结果；
其中，所述提取所述人脸图像的目标纹理特征，包括：
将所述人脸图像输入至深度特征提取网络，获得所述人脸图像的深度特征图；
根据所述深度特征图确定所述目标纹理特征；
所述根据所述深度特征图确定所述目标纹理特征，包括：
根据所述深度特征图提取所述人脸图像的全局纹理特征图；
根据所述目标关键点和所述深度特征图，获得所述人脸图像的局部纹理特征图；
将所述全局纹理特征图和所述局部纹理特征图输入至特征融合网络，以获得所述目标纹理特征。
2.根据权利要求 1 所述的方法，其特征在于，所述提取人脸图像中的目标关键点包括：
提取所述人脸图像中的第一关键点；
将所述第一关键点输入至三维点分布模型，提取所述目标关键点。
3.一种人脸颜值评价装置，其特征在于，所述装置包括：
第一提取模块，用于提取人脸图像中的目标关键点；
第一处理模块，用于将所述目标关键点输入至预先训练的关键点评价网络，获得第一评价结果；
第二提取模块，用于提取所述人脸图像的目标纹理特征；
第二处理模块，用于将所述目标纹理特征输入至预先训练的纹理评价网络，获得第二评价结果；
确定模块，用于对所述第一评价结果和所述第二评价结果进行加权求和，获得所述人脸图像的颜值评价结果；
其中，所述第二提取模块包括：
第二处理子模块，用于将所述人脸图像输入至深度特征提取网络，获得所述人脸图像的深度特征图；
确定子模块，用于根据所述深度特征图确定所述目标纹理特征；
所述确定子模块，还包括用于：
根据所述深度特征图提取所述人脸图像的全局纹理特征图；
根据所述目标关键点和所述深度特征图，获得所述人脸图像的局部纹理特征图；
将所述全局纹理特征图和所述局部纹理特征图输入至特征融合网络，以获得所述目标纹理特征。
4.根据权利要求 3 所述的装置，其特征在于，所述第一提取模块包括：
第一提取子模块，用于提取所述人脸图像中的第一关键点；
第一处理子模块，用于将所述第一关键点输入至三维点分布模型，提取所述目标关键点。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求 1或2所述方法的步骤。
6.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求 1或2所述方法的步骤。
CN201811309335.6A 2018-11-05 2018-11-05 人脸颜值评价方法、装置、可读存储介质及电子设备 Active CN109657539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811309335.6A CN109657539B (zh) 2018-11-05 2018-11-05 人脸颜值评价方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811309335.6A CN109657539B (zh) 2018-11-05 2018-11-05 人脸颜值评价方法、装置、可读存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN109657539A CN109657539A (zh) 2019-04-19
CN109657539B true CN109657539B (zh) 2022-01-25

Family

ID=66110045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811309335.6A Active CN109657539B (zh) 2018-11-05 2018-11-05 人脸颜值评价方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN109657539B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110519509A (zh) * 2019-08-01 2019-11-29 幻想动力(上海)文化传播有限公司 构图评价方法、摄影方法、装置、电子设备、存储介质
CN110874567B (zh) * 2019-09-23 2024-01-09 平安科技（深圳）有限公司 颜值判定方法、装置、电子设备及存储介质
CN112947928A (zh) * 2019-12-10 2021-06-11 北京沃东天骏信息技术有限公司 代码评价的方法、装置、电子设备和存储介质
CN111339963A (zh) * 2020-02-28 2020-06-26 北京百度网讯科技有限公司 一种人体图像的打分方法、装置、电子设备和存储介质
CN112489036A (zh) * 2020-12-14 2021-03-12 Oppo（重庆）智能科技有限公司 图像评价方法、图像评价装置、存储介质与电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778661A (zh) * 2013-12-24 2014-05-07 中国科学院深圳先进技术研究院 一种生成说话人三维运动模型的方法、系统及计算机
CN108550185A (zh) * 2018-05-31 2018-09-18 Oppo广东移动通信有限公司 人脸美化处理方法和装置
CN108629336A (zh) * 2018-06-05 2018-10-09 北京千搜科技有限公司 基于人脸特征点识别的颜值计算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323455A (zh) * 2013-04-24 2013-09-25 南京文采科技有限责任公司 基于反射、透视和显微图像的烟叶分级方法
CN104850825B (zh) * 2015-04-18 2018-04-27 中国计量学院 一种基于卷积神经网络的人脸图像颜值计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778661A (zh) * 2013-12-24 2014-05-07 中国科学院深圳先进技术研究院 一种生成说话人三维运动模型的方法、系统及计算机
CN108550185A (zh) * 2018-05-31 2018-09-18 Oppo广东移动通信有限公司 人脸美化处理方法和装置
CN108629336A (zh) * 2018-06-05 2018-10-09 北京千搜科技有限公司 基于人脸特征点识别的颜值计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《局部特征与全局信息相结合的人脸表情识别》;王伟;《中国优秀硕士学位论文全文数据库 信息科技辑,2016年第03期, I138-7457》;20160315;第5,29,34,40页 *

Also Published As

Publication number Publication date
CN109657539A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109657539B (zh) 人脸颜值评价方法、装置、可读存储介质及电子设备
CN109829433B (zh) 人脸图像识别方法、装置、电子设备及存储介质
JP6386107B2 (ja) グローバルモデルからの局所化された学習
US20200184053A1 (en) Generative adversarial network training and feature extraction for biometric authentication
CN112149740B (zh) 目标重识别方法、装置、存储介质及设备
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN112381104B (zh) 一种图像识别方法、装置、计算机设备及存储介质
CN108885787B (zh) 训练图像修复模型的方法、图像修复方法、装置、介质及设备
CN109753910B (zh) 关键点提取方法、模型的训练方法、装置、介质及设备
CN109492531B (zh) 人脸图像关键点提取方法、装置、存储介质及电子设备
EP3671441B1 (en) Application management method and apparatus, storage medium, and electronic device
KR102454515B1 (ko) 네트워크 최적화 방법 및 장치, 이미지 처리 방법 및 장치, 및 기억 매체
CN109658346B (zh) 图像修复方法、装置、计算机可读存储介质及电子设备
CN109697446B (zh) 图像关键点提取方法、装置、可读存储介质及电子设备
CN110427998A (zh) 模型训练、目标检测方法及装置、电子设备、存储介质
CN114882437A (zh) 一种识别模型的训练方法、装置、电子设备和存储介质
CN110458875A (zh) 异常点对的检测方法、图像拼接方法、相应装置及设备
CN112579907A (zh) 一种异常任务检测方法、装置、电子设备和存储介质
CN108875502B (zh) 人脸识别方法和装置
CN113240430A (zh) 移动支付验证方法及装置
CN112686317A (zh) 神经网络训练方法、装置、电子设备及存储介质
CN111881740A (zh) 人脸识别方法、装置、电子设备及介质
CN108921138B (zh) 用于生成信息的方法和装置
CN112259122B (zh) 音频类型识别方法、装置及存储介质
CN116580212B (zh) 图像生成方法、图像生成模型的训练方法、装置和设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210301

Address after: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Applicant after: Dalu Robot Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: Shenzhen Qianhaida Yunyun Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai

Patentee after: Dayu robot Co.,Ltd.

Address before: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Patentee before: Dalu Robot Co.,Ltd.