CN109993137A - 一种基于卷积神经网络的快速人脸矫正方法 - Google Patents
一种基于卷积神经网络的快速人脸矫正方法 Download PDFInfo
- Publication number
- CN109993137A CN109993137A CN201910279481.7A CN201910279481A CN109993137A CN 109993137 A CN109993137 A CN 109993137A CN 201910279481 A CN201910279481 A CN 201910279481A CN 109993137 A CN109993137 A CN 109993137A
- Authority
- CN
- China
- Prior art keywords
- face
- affine transformation
- convolutional neural
- image
- layer
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000012937 correction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 67
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 51
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 18
- 238000013519 translation Methods 0.000 claims description 5
- 239000000729 antidote Substances 0.000 claims 6
- 239000011248 coating agent Substances 0.000 claims 3
- 238000000576 coating method Methods 0.000 claims 3
- 230000001815 facial effect Effects 0.000 claims 2
- 238000003475 lamination Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000139306 Platt Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于卷积神经网络的快速人脸矫正算法，包括如下步骤：读取图像和图像中人脸位置信息；通过图像中人脸的位置信息裁剪出人脸区域，并对裁剪的图像进行预处理；将预处理好的人脸区域图像输入给卷积神经网络进行训练，得到最优的仿射变换参数预测模型；将待测试人脸图像输入仿射变换参数预测模型中，获得对应的预测仿射变换参数；利用预测的仿射变换参数对待测试人脸图像进行仿射变换，返回矫正后的人脸图像。本发明通过新的损失函数让卷积神经网络自动对仿射变换每一个系数的重要性进行建模。本发明公开的方法有效地提升了人脸矫正的速度，对遮挡等难题更加鲁棒。
Description
技术领域
本发明属于计算机视觉技术，具体涉及一种基于卷积神经网络的快速人脸矫正方法。
背景技术
人脸矫正是人脸识别、表情识别、人脸分析等更高级别的任务关键的中至关重要的一步，其意义是更好的裁剪出人脸。在面对现实世界的复杂场景时，由于遮挡、模糊、角度、光照、表情的影响，使得人脸矫正仍是一个具有挑战性的研究领域。
卷积神经网络在人脸矫正的任务上取得了很好的性能，主要是因为其强大的非线性拟合能力和端对端学习。常见的人脸矫正方法先利用卷积神经网络预测人脸的关键点，然后通过普氏分析来获取人脸关键点与平均形状的仿射变换参数。基于此类的人脸矫正方法不仅速度慢，而且在处理遮挡、角度等因素时鲁棒性差。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于卷积神经网络的快速人脸矫正方法。
技术方案：本发明的一种基于卷积神经网络的快速人脸矫正方法，依次包括以下步骤：
步骤1：获取图像以及图像中人脸区域的位置信息；
步骤2：利用步骤1获得的人脸区域的位置信息，裁剪出图像中人脸区域，并对裁剪的图像进行预处理；
步骤3：将步骤2中处理后的图像输入给卷积神经网络进行训练，获取最优的人脸矫正网络模型；
步骤4：将待预测的人脸图像输入至步骤3获取到的最优人脸矫正网络模型中，获取相应的预测的仿射变换参数；
步骤5：通过步骤4获取的仿射变换参数对相应的人脸图片进行仿射变换，获得矫正的人脸图像。
进一步的，所述步骤2中对裁剪的图像进行预处理的具体内容为：
步骤2.1：读取包含人脸的图片和图片中人脸框的左上角和右下角两个坐标值；
步骤2.2：通过已知的两个坐标点裁剪出人脸区域图像；
步骤2.3：通过仿射变换将裁剪后的图片缩放到有利于训练的尺度。
进一步的，所述步骤2.3中有利于训练的尺度具体为长128像素，宽128像素，如果长宽大于128像素，则增加GPU的负担，速度变慢；如果长宽小于128像素，则会影响最终矫正精度。
进一步的，所述步骤3的详细内容为：
步骤3.1：搭建好卷积神经网络框架；该卷积神经网络的输入层至输出层之间依次为卷积层、第一残差块、第二残差块、第三残差块、第四残差块、卷积层、线性激活层、卷积层；所述残差块是由基础卷积神经网络结构构建得到，从输入层至输出层之间依次为第一卷积层；第一批量正则化层；第一线性激活层；第二卷积层；第二批量正则化层；第二线性激活层；数值单元融合层，残差块输入和第二线性激活层的输出相加；
步骤3.2：将步骤2处理后的图像数据输入给卷积神经网络，即：将图像数据转化为张量输入给上述卷积神经网络；
步骤3.3：通过改进的均方根误差最小化预测仿射变换参数和真值之间的误差，训练得到最优的人脸矫正网络模型，具体内容为：
其中，δ为预测的仿射变换系数，lp为输入图像中的人脸关键点的真值，lg为目标图像的人脸关键点的真值，⊙(δ,lp)的目的是利用预测的仿射变换系数将目标图像中的人脸关键点真值转到目标图像中的人脸关键点真值。该损失函数通过利用输入图像和目标图像的关键点真值作为辅助，让卷积神经网络自动对仿射变换每一个系数的重要性进行建模。
进一步的，所述步骤3.3中仿射变换参数的具体内容为：
其中，θ为旋转角度，α为缩放参数，tx和ty分别为平移。
进一步的，所述步骤5的具体内容为：根据步骤4所获得的仿射变换参数对图像进行仿射变换，所述仿射变换包括平移变换、旋转变换和缩放变换，按照如下公式进行转换：
其中x，y是变换前坐标，u，v是变换后坐标，δ是仿射变换参数。
有益效果：本发明利用这种直接通过卷积神经网络预测从输入图像到目标图像的仿射变换参数的方式具有两个优点，首先是因为不需要预测人脸的关键点，可以避免因遮挡、表情等因素导致人脸关键点预测不精确的问题，其次是直接预测仿射变换的参数，不会因人脸形状和平均人脸形状差异大导致矫正效果差。此外，考虑到每一个仿射变换参数对最终的结果具有不同的影响，本发明使用改进的均方根误差作为损失函数，对仿射变换参数中的每个参数的权重进行学习，从而训练出更鲁棒的人脸矫正模型。
附图说明
图1是本发明的总流程图；
图2是实施例中仿射变换参数预测网络结构图；
图3是实施例中残差块结构图；
图4是实施例中待矫正人脸的图；
图5是实施例中矫正人脸的效果图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明的一种基于卷积神经网络的快速人脸矫正方法，包括以下步骤：
步骤1：获取图像以及图像中人脸区域的位置信息；
步骤2：利用步骤1获得的人脸区域的位置信息，裁剪出图像中人脸区域，并对裁剪的图像进行预处理；
步骤2.1：读取包含人脸的图片和图片中人脸框的左上角和右下角两个坐标值；
步骤2.2：通过已知的两个坐标点裁剪出人脸区域图像；
步骤2.3：通过仿射变换，将图片缩放到有利于训练的尺度(例如长为128像素，宽为128像素)；
步骤3：将步骤2中处理利好的图像输入给卷积神经网络进行训练，获取最优的人脸矫正网络模型；
步骤3.1：搭建好卷积神经网络框架；
步骤3.2：将步骤2处理后的图像数据输入给卷积神经网络；
步骤3.3：通过改进的均方根误差最小化预测仿射变换参数和真值之间的误差，训练得到最优的人脸矫正网络模型；
步骤4：将待预测的人脸图像输入至步骤3获取到的最优人脸矫正网络模型中,获取相应的预测的仿射变换参数；
步骤5：通过步骤4获取的仿射变换参数对相应的人脸图片进行仿射变换，获得矫正的人脸图像；所述仿射变换为平移变换、旋转变换、缩放变换，按照如下公式进行转换：
其中x，y是变换前坐标，u，v是变换后坐标，δ是仿射变换参数。
如图2所示，步骤3.1中所述卷积神经网络的输入层至输出层之间依次为卷积层，参数包括通道数为8，卷积核尺寸为3和3,步长为2，补零项尺寸为1和1；第一残差块；第二残差块；第三残差块；第四残差块；卷积层，参数包括通道数为32,卷积核尺寸为3和3；线性激活层；卷积层，参数包括通道数为6,卷积核尺寸为1和1；
如图3所示，第一残差块从输入层至输出层之间依次为第一卷积层，参数包括通道数为16,卷积核尺寸为3和3,步长为2,补零项尺寸为1和1；第一批量正则化层；第一线性激活层；第二卷积层，参数包括通道数为16,卷积核尺寸为3和3,步长为1,补零项尺寸为1和1；第二批量正则化层；第二线性激活层；数值单元融合层，通过以下方式：
out＝ρ(inp)+out_bn
其中，ρ为卷积操作，inp为残差块的输入，该卷积层的参数包括通道数为16,卷积核尺寸为1和1,步长为2；out_bn为第二线性激活层的输出；+表示element-wise相加操作；out为残差块的输出。
如图3所示，第二残差块从输入层至输出层之间依次为第一卷积层，参数包括通道数为32,卷积核尺寸为3和3,步长为2,补零项尺寸为1和1；第一批量正则化层；第一线性激活层；第二卷积层，参数包括通道数为32,卷积核尺寸为3和3,步长为1,补零项尺寸为1和1；第二批量正则化层；第二线性激活层；数值单元融合层，通过以下方式：
out＝ρ(inp)+out_bn
其中，ρ为卷积操作，inp为残差块的输入，该卷积层的参数包括通道数为32,卷积核尺寸为1和1,步长为2；out_bn为第二线性激活层的输出；+表示element-wise相加操作；out为残差块的输出。
如图3所示，第三残差块从输入层至输出层之间依次为第一卷积层，参数包括通道数为64,卷积核尺寸为3和3,步长为2,补零项尺寸为1和1；第一批量正则化层；第一线性激活层；第二卷积层，参数包括通道数为64,卷积核尺寸为3和3,步长为1,补零项尺寸为1和1；第二批量正则化层；第二线性激活层；数值单元融合层，通过以下方式：
out＝ρ(inp)+out_bn
其中，ρ为卷积操作，inp为残差块的输入，该卷积层的参数包括通道数为64,卷积核尺寸为1和1,步长为2；out_bn为第二线性激活层的输出；+表示element-wise相加操作；out为残差块的输出。；
如图3所示，第四残差块从输入层至输出层之间依次为第一卷积层，参数包括通道数为128,卷积核尺寸为3和3,步长为2,补零项尺寸为1和1；第一批量正则化层；第一线性激活层；第二卷积层，参数包括通道数为128,卷积核尺寸为3和3,步长为1,补零项尺寸为1和1；第二批量正则化层；第二线性激活层；数值单元融合层，通过以下方式：
out＝ρ(inp)+out_bn
其中，ρ为卷积操作，inp为残差块的输入，该卷积层的参数包括通道数为128,卷积核尺寸为1和1,步长为2；out_bn为第二线性激活层的输出；+表示element-wise相加操作；out为残差块的输出；
更进一步的,步骤3.2中将步骤2处理后的图像数据转化为张量输入给网络；
更进一步的,步骤3.3中改进的均方根误差的具体内容为：
其中，δ为预测的仿射变换系数，lp为输入图像中的人脸关键点的真值，lg为目标图像的人脸关键点的真值，⊙(δ,lp)的目的是利用预测的仿射变换系数将目标图像中的人脸关键点真值转到目标图像中的人脸关键点真值。该损失函数通过利用输入图像和目标图像的关键点真值作为辅助，让卷积神经网络自动对仿射变换每一个系数的重要性进行建模。
更进一步的，上述仿射变换参数的具体内容为：
其中，θ为旋转角度，α为缩放参数，tx，ty为平移。
实施例：
本实施的一种基于卷积神经网络的快速人脸矫正方法具体内容为：将图4输入给训练好的人脸矫正模型，输出仿射变换参数；通过获得的仿射变换参数对图4进行人脸矫正，最终即可获得的人脸矫正图像，如图5所示。
通过上述实施例的过程和结果可知，因不需要预测人脸的关键点，本发明可避免因遮挡、表情等因素导致人脸关键点预测不精确的问题。此外，考虑到每一个仿射变换参数对最终的结果具有不同的影响，本发明使用改进的均方根误差作为损失函数，通过卷积神经网络对仿射变换参数中的每个参数的权重进行学习。本发明相对于其他常用的人脸矫正方法,具有速度快、准确性高的特点。
Claims (6)
1.一种基于卷积神经网络的快速人脸矫正方法，其特征在于：依次包括以下步骤：
步骤1：获取图像以及图像中人脸区域的位置信息；
步骤2：利用步骤1获得的人脸区域的位置信息，裁剪出图像中人脸区域，并对裁剪的图像进行预处理；
步骤3：将步骤2中处理后的图像输入给卷积神经网络进行训练，获取最优的人脸矫正网络模型；
步骤4：将待预测的人脸图像输入至步骤3获取到的最优人脸矫正网络模型中，获取相应的预测的仿射变换参数；
步骤5：通过步骤4获取的仿射变换参数对相应的人脸图片进行仿射变换，获得矫正的人脸图像。
2.根据权利要求1所述的基于卷积神经网络的快速人脸矫正方法，其特征在于：所述步骤2中对裁剪的图像进行预处理的具体内容为：
步骤2.1：读取包含人脸的图片和图片中人脸框的左上角和右下角两个坐标值；
步骤2.2：通过已知的两个坐标点裁剪出人脸区域图像；
步骤2.3：通过仿射变换将裁剪后的图片缩放到有利于训练的尺度。
3.根据权利要求2所述的基于卷积神经网络的快速人脸矫正方法，其特征在于：所述步骤2.3中有利于训练的尺度为长128像素且宽128像素。
4.根据权利要求1所述的基于卷积神经网络的快速人脸矫正方法，其特征在于：所述步骤3的详细内容为：
步骤3.1：搭建好卷积神经网络框架；该卷积神经网络的输入层至输出层之间依次为卷积层、第一残差块、第二残差块、第三残差块、第四残差块、卷积层、线性激活层、卷积层；所述残差块是由基础卷积神经网络结构构建得到，从输入层至输出层之间依次为第一卷积层；第一批量正则化层；第一线性激活层；第二卷积层；第二批量正则化层；第二线性激活层；数值单元融合层，残差块输入和第二线性激活层的输出相加；
步骤3.2：将步骤2处理后的图像数据输入给卷积神经网络，即：将图像数据转化为张量输入给上述卷积神经网络；
步骤3.3：通过改进的均方根误差最小化预测仿射变换参数和真值之间的误差，训练得到最优的人脸矫正网络模型，具体内容为：
其中，δ为预测的仿射变换系数，lp为输入图像中的人脸关键点的真值，lg为目标图像的人脸关键点的真值，通过⊙(δ,lp)利用预测的仿射变换系数将目标图像中的人脸关键点真值转到目标图像中的人脸关键点真值。
5.根据权利要求4所述的基于卷积神经网络的快速人脸矫正方法，其特征在于：所述步骤3.3中仿射变换参数的具体内容为：
其中，θ为旋转角度，α为缩放参数，tx和ty分别为平移。
6.根据权利要求1所述的基于卷积神经网络的快速人脸矫正方法，其特征在于：所述步骤5的具体内容为：根据步骤4所获得的仿射变换参数对图像进行仿射变换，所述仿射变换包括平移变换、旋转变换和缩放变换，按照如下公式进行转换：
其中x，y是变换前坐标，u，v是变换后坐标，δ是仿射变换参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910279481.7A CN109993137A (zh) | 2019-04-09 | 2019-04-09 | 一种基于卷积神经网络的快速人脸矫正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910279481.7A CN109993137A (zh) | 2019-04-09 | 2019-04-09 | 一种基于卷积神经网络的快速人脸矫正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109993137A true CN109993137A (zh) | 2019-07-09 |
Family
ID=67131319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910279481.7A Pending CN109993137A (zh) | 2019-04-09 | 2019-04-09 | 一种基于卷积神经网络的快速人脸矫正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993137A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532928A (zh) * | 2019-08-23 | 2019-12-03 | 安徽大学 | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 |
| CN110796029A (zh) * | 2019-10-11 | 2020-02-14 | 北京达佳互联信息技术有限公司 | 人脸校正及模型训练方法、装置、电子设备及存储介质 |
| CN111008929A (zh) * | 2019-12-19 | 2020-04-14 | 维沃移动通信（杭州）有限公司 | 图像矫正方法及电子设备 |
| CN111080667A (zh) * | 2019-12-17 | 2020-04-28 | 杭州趣维科技有限公司 | 一种快速人像照片的自动构图裁剪方法及系统 |
| CN111091083A (zh) * | 2019-12-09 | 2020-05-01 | Oppo广东移动通信有限公司 | 基于图像的人脸尺度计算方法、装置及电子设备 |
| CN111223065A (zh) * | 2020-01-13 | 2020-06-02 | 中国科学院重庆绿色智能技术研究院 | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 |
| CN111476709A (zh) * | 2020-04-09 | 2020-07-31 | 广州华多网络科技有限公司 | 人脸图像处理方法、装置及电子设备 |
| CN111583099A (zh) * | 2020-04-14 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像摆正方法、计算机设备和存储介质 |
| CN112149571A (zh) * | 2020-09-24 | 2020-12-29 | 深圳龙岗智能视听研究院 | 一种基于神经网络仿射变换的人脸识别方法 |
| CN112163479A (zh) * | 2020-09-16 | 2021-01-01 | 广州华多网络科技有限公司 | 动作检测方法、装置、计算机设备和计算机可读存储介质 |
| CN112183492A (zh) * | 2020-11-05 | 2021-01-05 | 厦门市美亚柏科信息股份有限公司 | 一种人脸模型精度矫正方法、装置及存储介质 |
| CN114519666A (zh) * | 2022-02-18 | 2022-05-20 | 广州方硅信息技术有限公司 | 直播图像矫正方法、装置、设备及存储介质 |
| CN115456906A (zh) * | 2022-09-28 | 2022-12-09 | 深圳万兴软件有限公司 | 基于破损图像的人脸图像修复方法、装置、设备及介质 |
| WO2024045442A1 (zh) * | 2022-08-30 | 2024-03-07 | 青岛云天励飞科技有限公司 | 图像矫正模型的训练方法、图像矫正方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470328A (zh) * | 2018-03-28 | 2018-08-31 | 百度在线网络技术（北京）有限公司 | 用于处理图像的方法和装置 |
| CN108509940A (zh) * | 2018-04-20 | 2018-09-07 | 北京达佳互联信息技术有限公司 | 人脸图像跟踪方法、装置、计算机设备及存储介质 |
-
2019
- 2019-04-09 CN CN201910279481.7A patent/CN109993137A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470328A (zh) * | 2018-03-28 | 2018-08-31 | 百度在线网络技术（北京）有限公司 | 用于处理图像的方法和装置 |
| CN108509940A (zh) * | 2018-04-20 | 2018-09-07 | 北京达佳互联信息技术有限公司 | 人脸图像跟踪方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| YUANYI ZHONG 等: "Towards End-to-End Face Recognition through Alignment Learning", 《ARXIV：1701.07174V1》 * |
| 李少辉 等: "基于机器视觉和神经网络的低质量文本识别研究", 《机电工程》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532928A (zh) * | 2019-08-23 | 2019-12-03 | 安徽大学 | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 |
| CN110532928B (zh) * | 2019-08-23 | 2022-11-29 | 安徽大学 | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 |
| CN110796029B (zh) * | 2019-10-11 | 2022-11-11 | 北京达佳互联信息技术有限公司 | 人脸校正及模型训练方法、装置、电子设备及存储介质 |
| CN110796029A (zh) * | 2019-10-11 | 2020-02-14 | 北京达佳互联信息技术有限公司 | 人脸校正及模型训练方法、装置、电子设备及存储介质 |
| CN111091083A (zh) * | 2019-12-09 | 2020-05-01 | Oppo广东移动通信有限公司 | 基于图像的人脸尺度计算方法、装置及电子设备 |
| CN111091083B (zh) * | 2019-12-09 | 2023-08-08 | Oppo广东移动通信有限公司 | 基于图像的人脸尺度计算方法、装置及电子设备 |
| CN111080667A (zh) * | 2019-12-17 | 2020-04-28 | 杭州趣维科技有限公司 | 一种快速人像照片的自动构图裁剪方法及系统 |
| CN111080667B (zh) * | 2019-12-17 | 2023-04-25 | 杭州小影创新科技股份有限公司 | 一种快速人像照片的自动构图裁剪方法及系统 |
| CN111008929A (zh) * | 2019-12-19 | 2020-04-14 | 维沃移动通信（杭州）有限公司 | 图像矫正方法及电子设备 |
| CN111008929B (zh) * | 2019-12-19 | 2023-09-26 | 维沃移动通信（杭州）有限公司 | 图像矫正方法及电子设备 |
| CN111223065A (zh) * | 2020-01-13 | 2020-06-02 | 中国科学院重庆绿色智能技术研究院 | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 |
| CN111223065B (zh) * | 2020-01-13 | 2023-08-01 | 中国科学院重庆绿色智能技术研究院 | 图像矫正方法、不规则文本识别方法、装置、存储介质和设备 |
| CN111476709A (zh) * | 2020-04-09 | 2020-07-31 | 广州华多网络科技有限公司 | 人脸图像处理方法、装置及电子设备 |
| CN111476709B (zh) * | 2020-04-09 | 2023-04-07 | 广州方硅信息技术有限公司 | 人脸图像处理方法、装置及电子设备 |
| CN111583099A (zh) * | 2020-04-14 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像摆正方法、计算机设备和存储介质 |
| CN112163479A (zh) * | 2020-09-16 | 2021-01-01 | 广州华多网络科技有限公司 | 动作检测方法、装置、计算机设备和计算机可读存储介质 |
| CN112163479B (zh) * | 2020-09-16 | 2025-01-24 | 广州方硅信息技术有限公司 | 动作检测方法、装置、计算机设备和计算机可读存储介质 |
| CN112149571A (zh) * | 2020-09-24 | 2020-12-29 | 深圳龙岗智能视听研究院 | 一种基于神经网络仿射变换的人脸识别方法 |
| CN112183492B (zh) * | 2020-11-05 | 2022-07-15 | 厦门市美亚柏科信息股份有限公司 | 一种人脸模型精度矫正方法、装置及存储介质 |
| CN112183492A (zh) * | 2020-11-05 | 2021-01-05 | 厦门市美亚柏科信息股份有限公司 | 一种人脸模型精度矫正方法、装置及存储介质 |
| CN114519666A (zh) * | 2022-02-18 | 2022-05-20 | 广州方硅信息技术有限公司 | 直播图像矫正方法、装置、设备及存储介质 |
| CN114519666B (zh) * | 2022-02-18 | 2023-09-19 | 广州方硅信息技术有限公司 | 直播图像矫正方法、装置、设备及存储介质 |
| WO2024045442A1 (zh) * | 2022-08-30 | 2024-03-07 | 青岛云天励飞科技有限公司 | 图像矫正模型的训练方法、图像矫正方法、设备及存储介质 |
| CN115456906A (zh) * | 2022-09-28 | 2022-12-09 | 深圳万兴软件有限公司 | 基于破损图像的人脸图像修复方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993137A (zh) | 一种基于卷积神经网络的快速人脸矫正方法 | |
| CN110287846B (zh) | 一种基于注意力机制的人脸关键点检测方法 | |
| CN113591795B (zh) | 一种基于混合注意力特征金字塔结构的轻量化人脸检测方法和系统 | |
| CN111243050B (zh) | 肖像简笔画生成方法、系统及绘画机器人 | |
| CN111462012A (zh) | 一种基于条件生成对抗网络的sar图像仿真方法 | |
| CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
| Zhao et al. | Deep equilibrium models for snapshot compressive imaging | |
| CN108776983A (zh) | 基于重建网络的人脸重建方法和装置、设备、介质、产品 | |
| CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
| CN114049313A (zh) | 一种基于改进YOLOv4的锂电池缺陷检测方法 | |
| CN116757986A (zh) | 一种红外与可见光图像融合方法及装置 | |
| CN114898284B (zh) | 一种基于特征金字塔局部差异注意力机制的人群计数方法 | |
| CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
| CN110599411A (zh) | 一种基于条件生成对抗网络的图像修复方法及系统 | |
| CN112036260A (zh) | 一种自然环境下多尺度子块聚合的表情识别方法及系统 | |
| CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
| CN115439669A (zh) | 基于深度学习的特征点检测网络及跨分辨率图像匹配方法 | |
| CN118230131B (zh) | 一种图像识别及目标检测方法 | |
| CN105118051B (zh) | 一种应用于静态图像人体分割的显著性检测方法 | |
| CN110866938A (zh) | 一种全自动视频运动目标分割方法 | |
| CN116519106B (zh) | 一种用于测定生猪体重的方法、装置、存储介质和设备 | |
| CN117611456A (zh) | 基于多尺度生成对抗网络的大气湍流图像复原方法及系统 | |
| CN110969109B (zh) | 一种非受限条件下眨眼检测模型及其构建方法和应用 | |
| Song et al. | Spatial-aware dynamic lightweight self-supervised monocular depth estimation | |
| CN113538278B (zh) | 基于可变形卷积的深度图补全方法 |
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 |
Application publication date: 20190709 |
|
| WD01 | Invention patent application deemed withdrawn after publication |