CN110490067A - 一种基于人脸姿态的人脸识别方法及装置 - Google Patents
一种基于人脸姿态的人脸识别方法及装置 Download PDFInfo
- Publication number
- CN110490067A CN110490067A CN201910625597.1A CN201910625597A CN110490067A CN 110490067 A CN110490067 A CN 110490067A CN 201910625597 A CN201910625597 A CN 201910625597A CN 110490067 A CN110490067 A CN 110490067A
- Authority
- CN
- China
- Prior art keywords
- human face
- preset
- face posture
- posture
- shooting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001815 facial effect Effects 0.000 claims abstract description 149
- 238000012549 training Methods 0.000 claims abstract description 51
- 239000012141 concentrate Substances 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004321 preservation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000036544 posture Effects 0.000 description 262
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 210000000887 face Anatomy 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人脸姿态的人脸识别方法及装置,涉及图像处理技术领域,为解决现有技术中人脸识别过程中识别精度较低的问题。主要方法包括:获取按照预置拍摄方式拍摄的人脸图像;计算人脸图像的拍摄人脸姿态,拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;根据拍摄人脸姿态,查找人脸图像所属的预置人脸姿态,并在与预置人脸姿态对应的样本图像集中保存预置人脸姿态所属的人脸图像;根据与预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种预置人脸姿态对应的人脸识别模型;根据人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像集中。本发明主要应用于人脸识别的过程中。
Description
技术领域
本发明涉及一种图像处理技术领域,特别是涉及一种基于人脸姿态的人脸识别方法及装置。
背景技术
1:N人脸识别是指在海量的人像数据库中找出当前用户的人脸数据并进行匹配。打拐、曝光闯红灯者则属于1:N人脸识别,即从N个人脸中找出1个目标。由于大部分人脸图像都是在一些非标准条件下摄取到,很容易受到人的头部旋转,如人头部的上下旋转、左右旋转和倾斜等干扰,不同姿态下能看到的特征往往不同,比如正脸能看到两只眼睛,但是极端情况下比如侧脸可能只能看到一只眼睛,而导致摄取到的人脸图像部分数据丢失。目前的1:N人脸识别系统在样本库中往往每个人只有一张照片,这张照片的姿态一般会要求比较正,即不能有很大俯仰、左右偏转的情况,但是现场抓拍照里面的人脸往往姿态不会很正,这种情况下往往会使总体识别精度较低。
在现有技术中,为了提高识别准确度,采用方法为:获取待识别的人脸图像;定位所述人脸图像中的人脸的关键点;根据定位出的所述关键点的坐标,确定所述人脸图像中的人脸偏转角度;根据所述人脸偏转角度,并按照预置的人脸旋转变换规则,对所述人脸图像中的人脸进行姿态矫正;对所述姿态校正后的人脸图像进行人脸识别,得到人脸识别结果。
使用普通2D摄像机拍摄到的图像,只含有拍摄时那个方向的信息,其他方向的信息有很多是缺失的,调整姿态的时候其实是对缺失的信息进行猜测补全,于是调整姿态之后的人脸识别的精度会受信息补全的精度影响,从实践上来说,调整姿态之后的人脸识别和不调整而直接比较两张姿态差异的人脸精度上并无太大差别,导致识别精度较低。
发明内容
有鉴于此,本发明提供一种基于人脸姿态的人脸识别方法及装置,主要目的在于解决现有技术中人脸识别过程中识别精度较低的问题。
依据本发明一个方面,提供了一种基于人脸姿态的人脸识别方法,包括:
获取按照预置拍摄方式拍摄的人脸图像;
计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
获取待识别图像;
根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
依据本发明另一个方面,提供了一种基于人脸姿态的人脸识别装置,包括:
第一获取模块,用于获取按照预置拍摄方式拍摄的人脸图像;
计算模块,用于计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
查找模块,用于根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
训练模块,用于根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
第二获取模块,用于获取待识别图像;
判断模块,用于根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述基于人脸姿态的人脸识别方法对应的操作。
根据本发明的再一方面,提供了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于人脸姿态的人脸识别方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种基于人脸姿态的人脸识别方法及装置,首先获取按照预置拍摄方式拍摄的人脸图像,然后计算人脸图像的拍摄人脸姿态,再根据拍摄人脸姿态选取人脸图像所属的预置人脸姿态,并在与预置人脸姿态对应的样本图像集中保存预置人脸姿态所属的人脸图像,再根据与预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种预置人脸姿态对应的人脸识别模型,再获取待识别图像,最后根据待识别图像所属的预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像集中。与现有技术相比,本发明实施例通过拍摄大量的不同拍摄人脸姿态的人脸图像,增加样本图像数量,能够提高识别精度。进一步地,将人脸图像按照人脸姿态进行分类,划分到不同的预置人脸姿态对应的样本图像集中,选取与待识别图像的人脸姿态相近的对比图像,能够提供识别精度。进一步地的,训练与预置人脸姿态对应的样本图像集一一对应的人脸识别模型,针对不同人脸姿态的待识别图像选取不同的人脸识别模型,使待识别图像与人脸识别模型的相似度更高,也能够提供识别精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种基于人脸姿态的人脸识别方法流程图;
图2示出了本发明实施例提供的另一种基于人脸姿态的人脸识别方法流程图;
图3示出了本发明实施例提供的一种基于人脸姿态的人脸识别装置组成框图;
图4示出了本发明实施例提供的另一种基于人脸姿态的人脸识别装置组成框图;
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种基于人脸姿态的人脸识别方法,如图1所示,该方法包括:
101、获取按照预置拍摄方式拍摄的人脸图像。
人脸识别,也就是比较两张人脸图像中的人脸特征,人脸图像中的人脸姿态越接近,能够相互比较的人脸特征就会越多,进而比较结果的精度也越高。基于此,本方案需要获取多人多姿态的人脸图像。人脸图像是按照预置拍摄方式拍摄的,拍摄方式可以为动态连续抓拍、也可以为静态单次拍摄,也可以为拍摄视频然后进行视频截图,在本发明实施例中对预置拍摄方式不做限定。如果应用本发明的人脸识别系统包括摄像头,获取人脸图像时直接按照预置拍摄方式控制系统摄像头拍摄人脸图像。如果应用本发明的人脸识别系统不包括摄像头,根据拍摄专用设备传输向人脸识别系统传输人脸图像的传输通道,将预置拍摄方式的拍摄指令传输至拍摄专用设备,控制拍摄专用设备拍摄人脸图像。
102、计算所述人脸图像的拍摄人脸姿态。
拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数。可以通过分阶段方式和端到端的方式进行计算。
103、根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像。
预置人脸姿态和拍摄人脸姿态,都具有偏航角、俯仰角和横滚角三个姿态参数,两中姿态往往不能完全相同,所以本步骤中人脸图像所属的预置人脸姿态,是指人脸图像的拍摄人脸姿态与预置人脸姿态的偏差小于一定范围。查找人脸图像所述的预置人脸姿态,每查找到一个人脸图像所属的预置人脸姿态就将该人脸图像保存在与该预置人脸姿态对应的样本图像集中。
经过本步骤的查找,并不是所有的人脸图像都一定能够找到其所属的预置人脸姿态。如果预置人脸姿态对应的样本图像集中没有保存到人脸图像,则还需再次获取人脸图像,以保证本发明的方案有效性。
104、根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型。
根据预置人脸姿态对应的样本图像集中的人脸图像训练人脸识别模型,也就是每种预置人脸姿态都具有特定的人脸识别模型。
105、获取待识别图像。
待识别图像的获取来源与人脸图像的获取来源相同,但是待识别图像的拍摄方式通常为单张拍摄。待识别图像在实际获取时,可能因为遮挡、拍摄角度、摄像头像素、拍摄光线等原因造成图像成像效果不好,所以在获取待识别图像后,可以对待识别图像进行预处理,以尽可能的改善待识别图像的图像质量。
106、根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
查找待识别图像对应的预置人脸姿态,再根据该预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像中。
本发明提供了一种基于人脸姿态的人脸识别方法,首先获取按照预置拍摄方式拍摄的人脸图像,然后计算人脸图像的拍摄人脸姿态,再根据拍摄人脸姿态选取人脸图像所属的预置人脸姿态,并在与预置人脸姿态对应的样本图像集中保存预置人脸姿态所属的人脸图像,再根据与预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种预置人脸姿态对应的人脸识别模型,再获取待识别图像,最后根据待识别图像所属的预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像集中。与现有技术相比,本发明实施例通过拍摄大量的不同拍摄人脸姿态的人脸图像,增加样本图像数量,能够提高识别精度。进一步地,将人脸图像按照人脸姿态进行分类,划分到不同的预置人脸姿态对应的样本图像集中,选取与待识别图像的人脸姿态相近的对比图像,能够提供识别精度。进一步地的,训练与预置人脸姿态对应的样本图像集一一对应的人脸识别模型,针对不同人脸姿态的待识别图像选取不同的人脸识别模型,使待识别图像与人脸识别模型的相似度更高,也能够提供识别精度。
本发明实施例提供了另一种基于人脸姿态的人脸识别方法,如图2所示,该方法包括:
201、获取按照预置拍摄方式拍摄的人脸图像。
本步骤与图1所示的步骤101所述的方法相同,这里不再赘述。
202、计算所述人脸图像的拍摄人脸姿态。
所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数。如果根据分阶段方式,计算所述人脸图像的拍摄人脸姿态,具体包括:根据预置人脸识别算法,提取所述人脸图像中的人脸矩形区域;以所述人脸矩形区域的左上角或者右下角为坐标原点,建立人脸坐标系;根据级联卷积神经网络模型,查找所述人脸矩形区域内的人脸关键点,并根据所述人脸坐标系记录所述人脸关键点的人脸关键点坐标;根据旋转规则,计算预置三维模型的旋转角度,所述旋转规则是指将所述预置三维模型旋转至所述预置三维模型中人脸关键点在所述人脸图像上的投影,与所述人脸关键点坐标的距离最小;确定所述旋转角度为所述拍摄人脸姿态。
在提取人脸矩形框图时,具体包括确定最小检测人脸,对人脸图像件缩放,缩放比例为滑动窗口大小与最小人脸大小的比值,以缩放后的人脸图像构建金字塔,然后对金字塔的每一层通过滑动窗口获取patch,对patch归一化处理,之后输入训练好的人脸检测器进行识别,保存识别为人脸的窗口位置和概率;将人脸窗口映射到输入图像中的人脸位置,概率不变;采用非极大值抑制算法NMS处理重叠窗口;在输入图像中画出包含人脸位置的人脸矩形框图。在本发明实施例中将人脸矩形区域的左上角或者右下角为坐标原点,以方便计算,实际上可以将人脸矩形区域中,或者区域外的任意点作为坐标原点,建立人脸坐标系。人脸关键点个数可以选取5个、19个或者68个,在本发明实施例优选包括眼睛、鼻子、嘴、脸部轮廓等19个人脸关键点。预置三维模型,是由数据点绘制的三维、正面的标准模型。在旋转预置三维模型的过程,也就是将预置三维模型旋转到正好能够投影值人脸矩形框图位置,以此旋转规则计算人脸图像的拍摄人脸姿态。
与分阶段方式并列,还可以采用端到端方式计算所述人脸图像的拍摄人脸姿态,具体包括:根据预置人脸识别算法,提取所述人脸图像中的人脸矩形区域;根据第一预置尺寸,缩放所述人脸矩形区域;以所述缩放后的人脸矩形区域的左上角或者右下角为坐标原点,建立人脸坐标系;根据级联卷积神经网络模型,查找所述缩放后的人脸矩形区域内的人脸关键点,并根据所述人脸坐标系记录所述人脸关键点的人脸关键点坐标;将所述缩放后的人脸矩形区域和所述人脸关键点坐标输入VGGNet网络模型,计算所述拍摄人脸姿态。
VGGNet是一种深度卷积神经网络,通过反复的堆叠3*3的小型卷积核和2*2的最大池化层,成功的构建了16~19层深的卷积神经网络,VGGNet被用来提取图像的特征。VGGNet全部使用3*3的卷积核和2*2的池化核,通过不断加深网络结构来提升性能。VGGNet在训练的时候先训级别简单的A网络,再复用A网络的权重来初始化后面的几个复杂模型,这样收敛速度更快。
203、根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像。
预置人脸姿态和拍摄人脸姿态,都具有偏航角、俯仰角和横滚角三个姿态参数,两中姿态往往不能完全相同,所以本步骤中人脸图像所属的预置人脸姿态,是指人脸图像的拍摄人脸姿态与预置人脸姿态的偏差小于一定范围。查找人脸图像所属的预置人脸姿态,具体包括:计算所述拍摄人脸姿态与每一种所述预置人脸姿态的拍摄角度差,所述角度差是指拍摄偏航角度差、拍摄俯仰角度差和拍摄横滚角度差的平方和,所述拍摄偏航角度差是指所述拍摄人脸姿态的偏航角和每一种所述预置人脸姿态的偏航角的差值,所述拍摄俯仰角度差是指所述拍摄人脸姿态的俯仰角和每一种所述预置人脸姿态的俯仰角的差值,所述拍摄横滚角度差是指所述拍摄人脸姿态的横滚角和每一种所述预置人脸姿态的横滚角的差值;确定所述拍摄角度差中的最小值对应的预置人脸姿态为所述拍摄人脸姿态所属的预置人脸姿态。
查找人脸图像所述的预置人脸姿态,每查找到一个人脸图像所属的预置人脸姿态就将该人脸图像保存在与该预置人脸姿态对应的样本图像集中。经过本步骤的查找,并不是所有的人脸图像都一定能够找到其所属的预置人脸姿态。如果预置人脸姿态对应的样本图像集中没有保存到人脸图像,则还需再次获取人脸图像,以保证本发明的方案有效性。
204、在与所述预置人脸姿态对应的样本图像集中选取训练样本图像。
训练样本图像包括与所述预置人脸姿态的拍摄角度差小于预置数值的第一人脸图像,以及与所述预置人脸姿态的拍摄角度差不小于预置数值的第二人脸图像,且所述第一人脸图像的图像数量和所述第二人脸图像的图像数量的比值为预置比例。预置人脸姿态对应的样本图像集中,包括与预置人脸姿态具有一定偏差角度的人脸图像,在其中选取部分图像作为预置人脸姿态对应的训练样本图像。选取训练样本图像的过程包括:计算预置人脸姿态对应的样本图像集中的各个图像与预置人脸姿态的拍摄角度差,按照拍摄角度差是否小于预置数值,将预置人脸姿态对应的样本图像集中的人脸图像划分至第一候选集和第二候选集,在第一候选集中选取第一人脸图像,在第二候选集中选取第二人脸图像,且第一人脸图像的图像数量和所述第二人脸图像的图像数量的比值为预置比例。示例性的,假设训练样本图像的数量足够多,预置人脸姿态为(pitch0,yaw0),预置数值为10,则第一候选集中包括训练样本中俯仰角pitch∈[pitch0-10,pitch0+10],且偏航角yaw∈[yaw0-10,yaw0+10],且横滚角roll∈[roll0-10,roll0+10]的人脸图像,第二候选集中包括预置训练样本中其他人脸姿态的人脸图像,假设预置比例为1:1,则第一人脸图像占比50%,第二人脸图像占比50%。
205、根据第二预置尺寸,缩放所述训练样本图像。
206、将所述缩放后的训练样本图像输入RESNet网络模型,提取所述样本图像的训练图像特征。
实际使用时不同的预置人脸姿态对应不同的人脸识别模型,不同的识别模型可以是指采用不同模型结构的人脸识别模型,也可以使采用相同模型结构不同模型参数的人脸识别模型。在本发明实施例中采用相同模型结构不同模型参数的人脸识别模型,也就是RESNet网络模型。
ResNet(Residual Neural Network),是通过使用ResNet Unit成功训练出了152层的神经网络,ResNet的结构可以极快的加速神经网络的训练,模型的准确率也有比较大的提升。采用RESNet网络模型,以提高图像特征的提取速度和准确度。
207、根据所述训练图像特征和所述训练样本的实际图像特征,利用a-softmax损失函数修正RESNet网络模型的模型参数,以使得所述训练样本的实际图像特征与所述训练特征的损失函数值最小。
在通过多个训练图像多次训练RESNet网络模型,在训练过程中反复根据a-softmax损失函数修正RESNet网络模型的模型参数,以使得所述训练样本的实际图像特征与所述训练特征的损失函数值最小。
208、获取待识别图像。
209、根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
在本步骤之前需要查找待识别图像所属的预置人脸姿态,查找待识别图像所属的预置人脸姿态的过程与查找人脸图像所属的预置人脸姿态的方法类似,具体包括:计算所述待识别图像的待识别人脸姿态,所述待识别人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;计算所述待识别人脸姿态与所述预置人脸姿态的待识别角度差,所述待识别角度差是指待识别偏航角度差、待识别俯仰角度差和待识别横滚角度差的平方和,所述待识别偏航角度差是指所述待识别人脸姿态的偏航角和每一种所述预置人脸姿态的偏航角的差值,所述待识别俯仰角度差是指所述待识别人脸姿态的俯仰角和每一种所述预置人脸姿态的俯仰角的差值,所述待识别横滚角度差是指所述待识别人脸姿态的横滚角和每一种所述预置人脸姿态的横滚角的差值;确定所述待识别角度差中的最小值对应的预置人脸姿态为所述待识别人脸姿态所属的预置人脸姿态。
根据待识别图像所属的预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并判断所述待识别图像是否保存在所述样本图像集中,具体包括:根据所述待识别人脸姿态所属的预置人脸姿态对应的人脸识别模型,计算所述待识别图像的待识别图像特征,以及与所述待识别人脸姿态所属的预置人脸姿态对应的样本图像集中的人脸图像的样本图像特征;根据余弦相似度,计算所述待识别图像特征和所述样本图像特征的特征相似度;如果所述特征相似度大于预置相似度,则确定所述待识别图像保存在所述样本图像集中。
在样本图像集中的人脸图像,都是预先存储的,能够准确查到该人脸图像对应的个人信息,所以再确定待识别图像保存在样本图像集中,同时能够确定与待识别图像最相似的人脸图像,进而能准确的确定待识别图像对于的个人信息,以便于根据该个人信息进行其他处理。
本发明提供了一种基于人脸姿态的人脸识别方法,首先获取按照预置拍摄方式拍摄的人脸图像,然后计算人脸图像的拍摄人脸姿态,再根据拍摄人脸姿态选取人脸图像所属的预置人脸姿态,并在与预置人脸姿态对应的样本图像集中保存预置人脸姿态所属的人脸图像,再根据与预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种预置人脸姿态对应的人脸识别模型,再获取待识别图像,最后根据待识别图像所属的预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像集中。与现有技术相比,本发明实施例通过拍摄大量的不同拍摄人脸姿态的人脸图像,增加样本图像数量,能够提高识别精度。进一步地,将人脸图像按照人脸姿态进行分类,划分到不同的预置人脸姿态对应的样本图像集中,选取与待识别图像的人脸姿态相近的对比图像,能够提供识别精度。进一步地的,训练与预置人脸姿态对应的样本图像集一一对应的人脸识别模型,针对不同人脸姿态的待识别图像选取不同的人脸识别模型,使待识别图像与人脸识别模型的相似度更高,也能够提供识别精度。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种基于人脸姿态的人脸识别装置,如图3所示,该装置包括:
第一获取模块31,用于获取按照预置拍摄方式拍摄的人脸图像;
计算模块32,用于计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
查找模块33,用于根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
训练模块34,用于根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
第二获取模块35,用于获取待识别图像;
判断模块36,用于根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
本发明提供了一种基于人脸姿态的人脸识别方法,首先获取按照预置拍摄方式拍摄的人脸图像,然后计算人脸图像的拍摄人脸姿态,再根据拍摄人脸姿态选取人脸图像所属的预置人脸姿态,并在与预置人脸姿态对应的样本图像集中保存预置人脸姿态所属的人脸图像,再根据与预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种预置人脸姿态对应的人脸识别模型,再获取待识别图像,最后根据待识别图像所属的预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像集中。与现有技术相比,本发明实施例通过拍摄大量的不同拍摄人脸姿态的人脸图像,增加样本图像数量,能够提高识别精度。进一步地,将人脸图像按照人脸姿态进行分类,划分到不同的预置人脸姿态对应的样本图像集中,选取与待识别图像的人脸姿态相近的对比图像,能够提供识别精度。进一步地的,训练与预置人脸姿态对应的样本图像集一一对应的人脸识别模型,针对不同人脸姿态的待识别图像选取不同的人脸识别模型,使待识别图像与人脸识别模型的相似度更高,也能够提供识别精度。
进一步的,作为对上述图2所示方法的实现,本发明实施例提供了另一种基于人脸姿态的人脸识别装置,如图4所示,该装置包括:
第一获取模块41,用于获取按照预置拍摄方式拍摄的人脸图像;
计算模块42,用于计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
查找模块43,用于根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
训练模块44,用于根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
第二获取模块45,用于获取待识别图像;
判断模块46,用于根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
进一步地,所述计算模块42,包括:
提取单元421,用于根据预置人脸识别算法,提取所述人脸图像中的人脸矩形区域;
建立单元422,用于以所述人脸矩形区域的左上角或者右下角为坐标原点,建立人脸坐标系;
查找单元423,用于根据级联卷积神经网络模型,查找所述人脸矩形区域内的人脸关键点,并根据所述人脸坐标系记录所述人脸关键点的人脸关键点坐标;
计算单元424,用于根据旋转规则,计算预置三维模型的旋转角度,所述旋转规则是指将所述预置三维模型旋转至所述预置三维模型中人脸关键点在所述人脸图像上的投影,与所述人脸关键点坐标的距离最小;
确定单元425,用于确定所述旋转角度为所述拍摄人脸姿态。
进一步地,所述计算模块42,包括:
所述提取单元421,还用于根据预置人脸识别算法,提取所述人脸图像中的人脸矩形区域;
缩放单元426,用于根据第一预置尺寸,缩放所述人脸矩形区域;
所述建立单元422,还用于以所述缩放后的人脸矩形区域的左上角或者右下角为坐标原点,建立人脸坐标系;
所述查找单元423,还用于根据级联卷积神经网络模型,查找所述缩放后的人脸矩形区域内的人脸关键点,并根据所述人脸坐标系记录所述人脸关键点的人脸关键点坐标;
所述计算单元424,还用于将所述缩放后的人脸矩形区域和所述人脸关键点坐标输入VGGNet网络模型,计算所述拍摄人脸姿态。
进一步地,所述查找模块43,包括:
计算单元431,用于计算所述拍摄人脸姿态与每一种所述预置人脸姿态的拍摄角度差,所述角度差是指拍摄偏航角度差、拍摄俯仰角度差和拍摄横滚角度差的平方和,所述拍摄偏航角度差是指所述拍摄人脸姿态的偏航角和每一种所述预置人脸姿态的偏航角的差值,所述拍摄俯仰角度差是指所述拍摄人脸姿态的俯仰角和每一种所述预置人脸姿态的俯仰角的差值,所述拍摄横滚角度差是指所述拍摄人脸姿态的横滚角和每一种所述预置人脸姿态的横滚角的差值;
确定单元432,用于确定所述拍摄角度差中的最小值对应的预置人脸姿态为所述拍摄人脸姿态所属的预置人脸姿态。
进一步地,所述人脸识别模型为RESNet网络模型;所述训练模块44,包括:
选取单元441,用于在与所述预置人脸姿态对应的样本图像集中选取训练样本图像,所述训练样本图像包括与所述预置人脸姿态的拍摄角度差小于预置数值的第一人脸图像,以及与所述预置人脸姿态的拍摄角度差不小于预置数值的第二人脸图像,且所述第一人脸图像的图像数量和所述第二人脸图像的图像数量的比值为预置比例;
缩放单元442,用于根据第二预置尺寸,缩放所述训练样本图像;
提取单元443,用于将所述缩放后的训练样本图像输入RESNet网络模型,提取所述样本图像的训练图像特征;
修正单元444,用于根据所述训练图像特征和所述训练样本的实际图像特征,利用a-softmax损失函数修正RESNet网络模型的模型参数,以使得所述训练样本的实际图像特征与所述训练特征的损失函数值最小。
进一步地,所述方法还包括:
计算模块47,用于所述根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,判断所述待识别图像是否保存在所述样本图像集中之前,计算所述待识别图像的待识别人脸姿态,所述待识别人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
所述计算模块47,还用于计算所述待识别人脸姿态与所述预置人脸姿态的待识别角度差,所述待识别角度差是指待识别偏航角度差、待识别俯仰角度差和待识别横滚角度差的平方和,所述待识别偏航角度差是指所述待识别人脸姿态的偏航角和每一种所述预置人脸姿态的偏航角的差值,所述待识别俯仰角度差是指所述待识别人脸姿态的俯仰角和每一种所述预置人脸姿态的俯仰角的差值,所述待识别横滚角度差是指所述待识别人脸姿态的横滚角和每一种所述预置人脸姿态的横滚角的差值;
确定模块48,用于确定所述待识别角度差中的最小值对应的预置人脸姿态为所述待识别人脸姿态所属的预置人脸姿态。
进一步地,所述判断模块46,包括:
计算单元461,用于根据所述待识别人脸姿态所属的预置人脸姿态对应的人脸识别模型,计算所述待识别图像的待识别图像特征,以及与所述待识别人脸姿态所属的预置人脸姿态对应的样本图像集中的人脸图像的样本图像特征;
所述计算单元461,还用于根据余弦相似度,计算所述待识别图像特征和所述样本图像特征的特征相似度;
确定单元462,用于如果所述特征相似度大于预置相似度,则确定所述待识别图像保存在所述样本图像集中。
本发明提供了一种基于人脸姿态的人脸识别方法,首先获取按照预置拍摄方式拍摄的人脸图像,然后计算人脸图像的拍摄人脸姿态,再根据拍摄人脸姿态选取人脸图像所属的预置人脸姿态,并在与预置人脸姿态对应的样本图像集中保存预置人脸姿态所属的人脸图像,再根据与预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种预置人脸姿态对应的人脸识别模型,再获取待识别图像,最后根据待识别图像所属的预置人脸姿态对应的人脸识别模型,提取待识别图像的图像特征,并根据图像特征判断待识别图像是否保存在样本图像集中。与现有技术相比,本发明实施例通过拍摄大量的不同拍摄人脸姿态的人脸图像,增加样本图像数量,能够提高识别精度。进一步地,将人脸图像按照人脸姿态进行分类,划分到不同的预置人脸姿态对应的样本图像集中,选取与待识别图像的人脸姿态相近的对比图像,能够提供识别精度。进一步地的,训练与预置人脸姿态对应的样本图像集一一对应的人脸识别模型,针对不同人脸姿态的待识别图像选取不同的人脸识别模型,使待识别图像与人脸识别模型的相似度更高,也能够提供识别精度。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于人脸姿态的人脸识别方法。
图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图,本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示,该计算机设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述基于人脸姿态的人脸识别方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
获取按照预置拍摄方式拍摄的人脸图像;
计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
获取待识别图像;
根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于人脸姿态的人脸识别方法,其特征在于,包括:
获取按照预置拍摄方式拍摄的人脸图像;
计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
获取待识别图像;
根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
2.如权利要求1所述的方法,其特征在于,所述计算所述人脸图像的拍摄人脸姿态,包括:
根据预置人脸识别算法,提取所述人脸图像中的人脸矩形区域;
以所述人脸矩形区域的左上角或者右下角为坐标原点,建立人脸坐标系;
根据级联卷积神经网络模型,查找所述人脸矩形区域内的人脸关键点,并根据所述人脸坐标系记录所述人脸关键点的人脸关键点坐标;
根据旋转规则,计算预置三维模型的旋转角度,所述旋转规则是指将所述预置三维模型旋转至所述预置三维模型中人脸关键点在所述人脸图像上的投影,与所述人脸关键点坐标的距离最小;
确定所述旋转角度为所述拍摄人脸姿态。
3.如权利要求1所述的方法,其特征在于,所述计算所述人脸图像的拍摄人脸姿态,包括:
根据预置人脸识别算法,提取所述人脸图像中的人脸矩形区域;
根据第一预置尺寸,缩放所述人脸矩形区域;
以所述缩放后的人脸矩形区域的左上角或者右下角为坐标原点,建立人脸坐标系;
根据级联卷积神经网络模型,查找所述缩放后的人脸矩形区域内的人脸关键点,并根据所述人脸坐标系记录所述人脸关键点的人脸关键点坐标;
将所述缩放后的人脸矩形区域和所述人脸关键点坐标输入VGGNet网络模型,计算所述拍摄人脸姿态。
4.如权利要求1所述的方法,其特征在于,所述根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,包括:
计算所述拍摄人脸姿态与每一种所述预置人脸姿态的拍摄角度差,所述角度差是指拍摄偏航角度差、拍摄俯仰角度差和拍摄横滚角度差的平方和,所述拍摄偏航角度差是指所述拍摄人脸姿态的偏航角和每一种所述预置人脸姿态的偏航角的差值,所述拍摄俯仰角度差是指所述拍摄人脸姿态的俯仰角和每一种所述预置人脸姿态的俯仰角的差值,所述拍摄横滚角度差是指所述拍摄人脸姿态的横滚角和每一种所述预置人脸姿态的横滚角的差值;
确定所述拍摄角度差中的最小值对应的预置人脸姿态为所述拍摄人脸姿态所属的预置人脸姿态。
5.如权利要求4所述的方法,其特征在于,所述人脸识别模型为RESNet网络模型;所述根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型,包括:
在与所述预置人脸姿态对应的样本图像集中选取训练样本图像,所述训练样本图像包括与所述预置人脸姿态的拍摄角度差小于预置数值的第一人脸图像,以及与所述预置人脸姿态的拍摄角度差不小于预置数值的第二人脸图像,且所述第一人脸图像的图像数量和所述第二人脸图像的图像数量的比值为预置比例;
根据第二预置尺寸,缩放所述训练样本图像;
将所述缩放后的训练样本图像输入RESNet网络模型,提取所述样本图像的训练图像特征;
根据所述训练图像特征和所述训练样本的实际图像特征,利用a-softmax损失函数修正RESNet网络模型的模型参数,以使得所述训练样本的实际图像特征与所述训练特征的损失函数值最小。
6.如权利要求1所述的方法,其特征在于,所述根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,判断所述待识别图像是否保存在所述样本图像集中之前,所述方法还包括:
计算所述待识别图像的待识别人脸姿态,所述待识别人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
计算所述待识别人脸姿态与所述预置人脸姿态的待识别角度差,所述待识别角度差是指待识别偏航角度差、待识别俯仰角度差和待识别横滚角度差的平方和,所述待识别偏航角度差是指所述待识别人脸姿态的偏航角和每一种所述预置人脸姿态的偏航角的差值,所述待识别俯仰角度差是指所述待识别人脸姿态的俯仰角和每一种所述预置人脸姿态的俯仰角的差值,所述待识别横滚角度差是指所述待识别人脸姿态的横滚角和每一种所述预置人脸姿态的横滚角的差值;
确定所述待识别角度差中的最小值对应的预置人脸姿态为所述待识别人脸姿态所属的预置人脸姿态。
7.如权利要求5所述的方法,其特征在于,所述根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中,包括:
根据所述待识别人脸姿态所属的预置人脸姿态对应的人脸识别模型,计算所述待识别图像的待识别图像特征,以及与所述待识别人脸姿态所属的预置人脸姿态对应的样本图像集中的人脸图像的样本图像特征;
根据余弦相似度,计算所述待识别图像特征和所述样本图像特征的特征相似度;
如果所述特征相似度大于预置相似度,则确定所述待识别图像保存在所述样本图像集中。
8.一种基于人脸姿态的人脸识别装置,其特征在于,包括:
第一获取模块,用于获取按照预置拍摄方式拍摄的人脸图像;
计算模块,用于计算所述人脸图像的拍摄人脸姿态,所述拍摄人脸姿态包括偏航角、俯仰角和横滚角三个姿态参数;
查找模块,用于根据所述拍摄人脸姿态,查找所述人脸图像所属的预置人脸姿态,并在与所述预置人脸姿态对应的样本图像集中保存所述预置人脸姿态所属的人脸图像;
训练模块,用于根据与所述预置人脸姿态对应的样本图像集中的人脸图像,训练与每一种所述预置人脸姿态对应的人脸识别模型;
第二获取模块,用于获取待识别图像;
判断模块,用于根据所述待识别图像所属的预置人脸姿态对应的人脸识别模型,提取所述待识别图像的图像特征,并根据所述图像特征判断所述待识别图像是否保存在所述样本图像集中。
9.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于人脸姿态的人脸识别方法对应的操作。
10.一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于人脸姿态的人脸识别方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625597.1A CN110490067A (zh) | 2019-07-11 | 2019-07-11 | 一种基于人脸姿态的人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625597.1A CN110490067A (zh) | 2019-07-11 | 2019-07-11 | 一种基于人脸姿态的人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490067A true CN110490067A (zh) | 2019-11-22 |
Family
ID=68546977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910625597.1A Pending CN110490067A (zh) | 2019-07-11 | 2019-07-11 | 一种基于人脸姿态的人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490067A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178129A (zh) * | 2019-11-25 | 2020-05-19 | 浙江工商大学 | 一种基于人脸和姿态的多模态人员识别方法 |
CN112115803A (zh) * | 2020-08-26 | 2020-12-22 | 深圳市优必选科技股份有限公司 | 口罩状态提醒方法、装置及移动终端 |
CN112364803A (zh) * | 2020-11-20 | 2021-02-12 | 深圳龙岗智能视听研究院 | 活体识别辅助网络和训练方法、终端、设备及存储介质 |
CN112861590A (zh) * | 2019-11-28 | 2021-05-28 | 富士通株式会社 | 信息处理装置和方法以及图像识别设备 |
CN113657187A (zh) * | 2021-07-26 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种脸部识别方法、设备和计算机可读存储介质 |
CN114727002A (zh) * | 2021-01-05 | 2022-07-08 | 北京小米移动软件有限公司 | 拍摄方法、装置、终端设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、系统及拍摄终端 |
CN108197547A (zh) * | 2017-12-26 | 2018-06-22 | 深圳云天励飞技术有限公司 | 人脸姿态估计方法、装置、终端及存储介质 |
CN108304829A (zh) * | 2018-03-08 | 2018-07-20 | 北京旷视科技有限公司 | 人脸识别方法、装置及系统 |
CN109960986A (zh) * | 2017-12-25 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸姿态分析方法、装置、设备、存储介质以及程序 |
WO2019128507A1 (zh) * | 2017-12-28 | 2019-07-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
-
2019
- 2019-07-11 CN CN201910625597.1A patent/CN110490067A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、系统及拍摄终端 |
CN109960986A (zh) * | 2017-12-25 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸姿态分析方法、装置、设备、存储介质以及程序 |
CN108197547A (zh) * | 2017-12-26 | 2018-06-22 | 深圳云天励飞技术有限公司 | 人脸姿态估计方法、装置、终端及存储介质 |
WO2019128507A1 (zh) * | 2017-12-28 | 2019-07-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108304829A (zh) * | 2018-03-08 | 2018-07-20 | 北京旷视科技有限公司 | 人脸识别方法、装置及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178129A (zh) * | 2019-11-25 | 2020-05-19 | 浙江工商大学 | 一种基于人脸和姿态的多模态人员识别方法 |
CN112861590A (zh) * | 2019-11-28 | 2021-05-28 | 富士通株式会社 | 信息处理装置和方法以及图像识别设备 |
CN112115803A (zh) * | 2020-08-26 | 2020-12-22 | 深圳市优必选科技股份有限公司 | 口罩状态提醒方法、装置及移动终端 |
CN112115803B (zh) * | 2020-08-26 | 2023-10-13 | 深圳市优必选科技股份有限公司 | 口罩状态提醒方法、装置及移动终端 |
CN112364803A (zh) * | 2020-11-20 | 2021-02-12 | 深圳龙岗智能视听研究院 | 活体识别辅助网络和训练方法、终端、设备及存储介质 |
CN112364803B (zh) * | 2020-11-20 | 2023-08-11 | 深圳龙岗智能视听研究院 | 活体识别辅助网络的训练方法、终端、设备及存储介质 |
CN114727002A (zh) * | 2021-01-05 | 2022-07-08 | 北京小米移动软件有限公司 | 拍摄方法、装置、终端设备及存储介质 |
CN113657187A (zh) * | 2021-07-26 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种脸部识别方法、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490067A (zh) | 一种基于人脸姿态的人脸识别方法及装置 | |
Hold-Geoffroy et al. | A perceptual measure for deep single image camera calibration | |
US8391645B2 (en) | Detecting orientation of digital images using face detection information | |
US8081844B2 (en) | Detecting orientation of digital images using face detection information | |
CN107506693B (zh) | 畸变人脸图像校正方法、装置、计算机设备和存储介质 | |
CN109671120A (zh) | 一种基于轮式编码器的单目slam初始化方法及系统 | |
WO2019137131A1 (zh) | 图像处理方法、装置、存储介质及电子设备 | |
KR20220136510A (ko) | 홍채 식별을 위한 딥 뉴럴 네트워크 | |
CN110738161A (zh) | 一种基于改进生成式对抗网络的人脸图像矫正方法 | |
CN107330397A (zh) | 一种基于大间隔相对距离度量学习的行人重识别方法 | |
CN103971112B (zh) | 图像特征提取方法及装置 | |
CN104794449B (zh) | 基于人体hog特征的步态能量图获取及身份识别方法 | |
CN112581540B (zh) | 一种大场景下基于人体姿态估计的相机标定方法 | |
CN110111316A (zh) | 基于眼部图像识别弱视的方法及系统 | |
CN111998862B (zh) | 一种基于bnn的稠密双目slam方法 | |
CN111506759B (zh) | 一种基于深度特征的影像匹配方法及装置 | |
CN109086795A (zh) | 一种图像误匹配精确剔除方法 | |
CN108447022A (zh) | 基于单个固定摄像头图像序列的运动目标拼接方法 | |
CN109117753A (zh) | 部位识别方法、装置、终端及存储介质 | |
CN111123962A (zh) | 一种用于电力杆塔巡检的旋翼无人机重定位拍照方法 | |
CN112184757A (zh) | 运动轨迹的确定方法及装置、存储介质、电子装置 | |
CN108830175A (zh) | 虹膜图像局部增强方法、装置、设备及存储介质 | |
CN104091148B (zh) | 一种人脸特征点定位方法和装置 | |
CN110267101A (zh) | 一种基于快速三维拼图的无人机航拍视频自动抽帧方法 | |
CN106934395B (zh) | 一种采用surf特征和颜色特征相融合的刚体目标跟踪方法 |
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 |