CN111079684A - 一种基于粗糙-精细拟合的三维人脸检测方法 - Google Patents

一种基于粗糙-精细拟合的三维人脸检测方法 Download PDF

Info

Publication number
CN111079684A
CN111079684A CN201911350520.4A CN201911350520A CN111079684A CN 111079684 A CN111079684 A CN 111079684A CN 201911350520 A CN201911350520 A CN 201911350520A CN 111079684 A CN111079684 A CN 111079684A
Authority
CN
China
Prior art keywords
point cloud
fitting
rough
score
fine
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.)
Granted
Application number
CN201911350520.4A
Other languages
English (en)
Other versions
CN111079684B (zh
Inventor
马可
李慧斌
侯宗庆
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.)
Xi'an Xitu Zhiguang Intelligent Technology Co ltd
Original Assignee
Henan Zhongyuan Big Data Research Institute 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 Henan Zhongyuan Big Data Research Institute Co Ltd filed Critical Henan Zhongyuan Big Data Research Institute Co Ltd
Priority to CN201911350520.4A priority Critical patent/CN111079684B/zh
Publication of CN111079684A publication Critical patent/CN111079684A/zh
Application granted granted Critical
Publication of CN111079684B publication Critical patent/CN111079684B/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

一种基于粗糙‑精细拟合的三维人脸检测方法，包括如下步骤：S1、获取深度数据并且表示为单帧点云；S2、对单帧点云进行聚类获取质心和注意力区域；S3、以平均脸型模板为基础、以单帧点云为目标通过ICP算法进行可变模型拟合得到粗糙拟合结果点云和粗糙拟合分数；S4、将粗糙拟合结果点云中的所有关键点划分到若干个子集合中，以子集合为模板、以单帧点云为目标通过ICP算法进行非刚性变换拟合得到细节拟合结果点云和细节拟合分数；S5、根据细节拟合结果点云中关键点的位置计算局部特征，并且匹配得到关键点分数；S6、对关键点分数进行融合得到检测分数，并且判断是否检测成功。本发明提供一种基于粗糙‑精细拟合的三维人脸检测方法，检测精度高。

Description

一种基于粗糙-精细拟合的三维人脸检测方法
技术领域
本发明涉及人脸识别技术领域，具体的说是一种基于粗糙-精细拟合的三维人脸检测方法。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
在人脸识别技术中，人脸检测是在先步骤，人脸检测结果的精确度直接影响人脸识别的成功率。现有技术中，人脸检测主要可以分为二维检测和三维检测两类。
在二维检测的方法中，普遍存在的问题有：1、对光照敏感，容易受到不同环境下光照影响而降低检测率；2、对化妆、肤色等外表信息敏感，同一个人在不同的化妆与肤色情况下检测结果会有较大差别。二维检测的典型案例可以参考中国专利“201810265189.5”公开的“人脸检测方法及装置”和中国专利“201910005175.4”公开的“人脸检测方法及人脸检测系统”。
在三维检测的方法中，普遍存在的问题有：1、三维人脸检测依赖人工标注标定，难以自动化；2、基于pca模型的三维人脸模型可变性较差，难以进行准确的人脸定位。三维检测的典型案例可以参考中国专利“201810353351.9”公开的“三维人脸识别方法和三维人脸识别系统”和中国专利“200810057183.5”公开的“基于视频流的三维人脸动作检测和跟踪方法”。
发明内容
为了解决现有技术中的不足，本发明提供一种基于粗糙-精细拟合的三维人脸检测方法，检测精度高，抗干扰能力强。
为了实现上述目的，本发明采用的具体方案为：一种基于粗糙-精细拟合的三维人脸检测方法，包括如下步骤：
S1、获取深度数据并且表示为单帧点云；
S2、对单帧点云进行聚类获取质心和注意力区域；
S3、以平均脸型模板为基础、以单帧点云为目标通过ICP(迭代就近点)算法进行可变模型拟合得到粗糙拟合结果点云和粗糙拟合分数，并且基于粗糙拟合分数判断深度数据是否可用，若可用则执行S4，若不可用则返回S1；
S4、将粗糙拟合结果点云中的所有关键点划分到若干个子集合中，以子集合为模板、以单帧点云P为目标通过ICP算法进行非刚性变换拟合得到细节拟合结果点云和细节拟合分数；
S5、根据细节拟合结果点云中关键点的位置计算局部特征，并且匹配得到关键点分数；
S6、对粗糙拟合分数、细节拟合分数和对关键点分数进行融合得到检测分数，并且判断是否检测成功。
作为一种优选方案，S1中，单帧点云P用六维数据[x,y,z,r,g,b]表示，其中[x,y,z]为空间维数据，[r,g,b]为颜色空间维数据。
作为一种优选方案，S2的具体方法为：
S2.1、将单帧点云P在空间中的宽度范围表示为width、高度范围表示为height、深度范围表示为depth；
S2.2、利用K-means聚类算法对单帧点云P进行聚类得到N个聚类中心，每个聚类中心为一个质心；
S2.3、对每个聚类中心进行判断，将位于ratio_x×width、ratio_y×height、ratio_z×depth以及(1-ratio_x)×width、(1-ratio_y)×heigh、(1-ratio_z)×depth空间范围内的点云聚类滤除，其中ratio_x、ratio_y、ratio_z分别为宽度阈值、高度阈值、深度阈值；
S2.4、滤除所在聚类中点数小于O的聚类中心，得到最终点云聚类Np，每一个Np最终点云聚类对应一个注意力区域，O为点数阈值。
作为一种优选方案，S3的具体方法为：
S3.1、构建三维人脸可变模型
Figure BDA0002334548740000021
其中
Figure BDA0002334548740000022
为平均脸型模板，ai为模型参数，mi为模型特征向量；
S3.2、以
Figure BDA0002334548740000023
为模版、以Np为目标点云，通过ICP算法计算可变模型粗糙拟合结果，得到旋转矩阵R、平移矩阵T、粗糙拟合分数Scoarse；
S3.3、将Pi转换到人脸对应位置，转换方法为：
Pcoarse＝R×M+T；
其中Pcoarse为粗拟合可变模型结果点云；
S3.4、设定粗糙拟合分数阈值THcoarse，若Scoarse＜THcoarse则深度数据可用并且执行S4，否则深度数据不可用并且返回S1。
作为一种优选方案，S4的具体方法为：
S4.1、对于Pcoarse中的关键点集合K中的每一个关键点Ki，提取Ki三位空间邻域中的U个点形成局部关键点云集合Ui；
S4.2、以每一个Ui为模版，以P为目标点云，通过ICP算法计算局部关键点云细节拟合结果，得到旋转矩阵Ri、平移矩阵Ti、细节拟合分数Si，所有的Si组成细节分数集合Sfine；
S4.3、将Ui转换到人脸对应位置，每一个Ui对应的细节拟合变换点云集合Ufine，所有的Ufine点云集合组成集合Uall，转换方法为：
Ufine＝Ri×Ui+Ti；
S4.4、计算细节拟合分数：
Figure BDA0002334548740000031
其中Ks为关键点集合中的关键点数。
作为一种优选方案，S5的具体方法为：
S5.1、Pcoarse点云中的关键点集合K中的每一个关键点Ki以及细节拟合变换点云集合Ufine，通过KDTree算法计算Ui在P上的最近邻局部点云集合KDi；
S5.2、通过3DLBP算法计算局部关键点云特征LBPui与LBPkdi；
S5.3、计算特征匹配分数：
Figure BDA0002334548740000032
S5.4、判断关键点是否合格，若S1bp＜TH1bp，则关键点不合格，否则关键点合格，其中TH1bp为局部关键点阈值；
S5.5从将Sfine中将不合格关键点或者细节拟合变换点云集合对应的分数删除，同时所有S1bp组成局部关键点分数集合Skey。
作为一种优选方案，S6的具体方法为：
S6.1、计算最终的人脸检测分数：
Figure BDA0002334548740000033
其中λ1、λ2、λ3为权重参数，Ns、Nkey分别为Sfine与Skey集合中的样本数；
S6.2、判断若Soutput＞THoutput，其中THoutput为检测阈值，则检测成功，否则检测失败。
有益效果：本发明能够解决二维人脸检测容易收到不同环境光照、不同妆容、不同肤色影响从而降低检测性能的问题，能够解决人脸存在大幅度表情形变与姿态变化时的准确人脸检测与定位问题，能够解决三维人脸数据中经常出现的存在空洞、不完整等问题，从而实现更加精确的人脸识别检测效果。
附图说明
图1是本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，一种基于粗糙-精细拟合的三维人脸检测方法，包括S1至S6。
S1、获取深度数据并且表示为单帧点云，单帧点云P用六维数据[x,y,z,r,g,b]表示，其中[x,y,z]为空间维数据，[r,g,b]为颜色空间维数据。
S2、对单帧点云进行聚类获取质心和注意力区域。S2的具体方法为S2.1至S2.4。
S2.1、将单帧点云P在空间中的宽度范围表示为width、高度范围表示为height、深度范围表示为depth。
S2.2、利用K-means聚类算法对单帧点云P进行聚类得到N个聚类中心，每个聚类中心为一个质心。
S2.3、对每个聚类中心进行判断，将位于ratio_x×width、ratio_y×height、ratio_z×depth以及(1-ratio_x)×width、(1-ratio_y)×heigh、(1-ratio_z)×depth空间范围内的点云聚类滤除，其中ratio_x、ratio_y、ratio_z分别为宽度阈值、高度阈值、深度阈值。
S2.4、滤除所在聚类中点数小于O的聚类中心，得到最终点云聚类Np，每一个Np最终点云聚类对应一个注意力区域，O为点数阈值。
S3、以平均脸型模板为基础、以单帧点云为目标通过ICP(迭代就近点)算法进行可变模型拟合得到粗糙拟合结果点云和粗糙拟合分数，并且基于粗糙拟合分数判断深度数据是否可用，若可用则执行S4，若不可用则返回S1。S3的具体方法为S3.1至S3.4。
S3.1、构建三维人脸可变模型
Figure BDA0002334548740000041
其中
Figure BDA0002334548740000042
为平均脸型模板，ai为模型参数，mi为模型特征向量。
S3.2、以
Figure BDA0002334548740000043
为模版、以Np为目标点云，通过ICP算法计算可变模型粗糙拟合结果，得到旋转矩阵R、平移矩阵T、粗糙拟合分数Scoarse。
S3.3、将Pi转换到人脸对应位置，转换方法为：
Pcoarse＝R×M+T；
其中Pcoarse为粗拟合可变模型结果点云。
S3.4、设定粗糙拟合分数阈值THcoarse，若Scoarse＜THcoarse则深度数据可用并且执行S4，否则深度数据不可用并且返回S1。
S4、将粗糙拟合结果点云中的所有关键点划分到若干个子集合中，以子集合为模板、以单帧点云P为目标通过ICP算法进行非刚性变换拟合得到细节拟合结果点云和细节拟合分数。S4的具体方法为S4.1至S4.4。
S4.1、对于Pcoarse中的关键点集合K中的每一个关键点Ki，提取Ki三位空间邻域中的U个点形成局部关键点云集合Ui。
S4.2、以每一个Ui为模版，以P为目标点云，通过ICP算法计算局部关键点云细节拟合结果，得到旋转矩阵Ri、平移矩阵Ti、细节拟合分数Si，所有的Si组成细节分数集合Sfine。
S4.3、将Ui转换到人脸对应位置，每一个Ui对应的细节拟合变换点云集合Ufine，所有的Ufine点云集合组成集合Uall，转换方法为：
Ufine＝Ri×Ui+Ti。
S4.4、计算细节拟合分数：
Figure BDA0002334548740000051
其中Ks为关键点集合中的关键点数。
S5、根据细节拟合结果点云中关键点的位置计算局部特征，并且匹配得到关键点分数。S5的具体方法为S5.1至S5.5。
S5.1、Pcoarse点云中的关键点集合K中的每一个关键点Ki以及细节拟合变换点云集合Ufine，通过KDTree算法计算Ui在P上的最近邻局部点云集合KDi。
S5.2、通过3DLBP算法计算局部关键点云特征LBPui与LBPkdi。
S5.3、计算特征匹配分数：
Figure BDA0002334548740000052
S5.4、判断关键点是否合格，若S1bp＜TH1bp，则关键点不合格，否则关键点合格，其中TH1bp为局部关键点阈值。
S5.5从将Sfine中将不合格关键点或者细节拟合变换点云集合对应的分数删除，同时所有S1bp组成局部关键点分数集合Skey。
S6、对粗糙拟合分数、细节拟合分数和对关键点分数进行融合得到检测分数，并且判断是否检测成功。S6的具体方法为S6.1至S6.2。
S6.1、计算最终的人脸检测分数：
Figure BDA0002334548740000061
其中λ1、λ2、λ3为权重参数，Ns、Nkey分别为Sfine与Skey集合中的样本数。
S6.2、判断若Soutput＞THoutput，其中THoutput为检测阈值，则检测成功，否则检测失败。
本发明能够解决二维人脸检测容易收到不同环境光照、不同妆容、不同肤色影响从而降低检测性能的问题，能够解决人脸存在大幅度表情形变与姿态变化时的准确人脸检测与定位问题，能够解决三维人脸数据中经常出现的存在空洞、不完整等问题，从而实现更加精确的人脸识别检测效果。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：包括如下步骤：
S1、获取深度数据并且表示为单帧点云；
S2、对单帧点云进行聚类获取质心和注意力区域；
S3、以平均脸型模板为基础、以单帧点云为目标通过ICP(迭代就近点)算法进行可变模型拟合得到粗糙拟合结果点云和粗糙拟合分数，并且基于粗糙拟合分数判断深度数据是否可用，若可用则执行S4，若不可用则返回S1；
S4、将粗糙拟合结果点云中的所有关键点划分到若干个子集合中，以子集合为模板、以单帧点云P为目标通过ICP算法进行非刚性变换拟合得到细节拟合结果点云和细节拟合分数；
S5、根据细节拟合结果点云中关键点的位置计算局部特征，并且匹配得到关键点分数；
S6、对粗糙拟合分数、细节拟合分数和对关键点分数进行融合得到检测分数，并且判断是否检测成功。
2.如权利要求1所述的一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：S1中，单帧点云P用六维数据[x,y,z,r,g,b]表示，其中[x,y,z]为空间维数据，[r,g,b]为颜色空间维数据。
3.如权利要求2所述的一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：S2的具体方法为：
S2.1、将单帧点云P在空间中的宽度范围表示为width、高度范围表示为height、深度范围表示为depth；
S2.2、利用K-means聚类算法对单帧点云P进行聚类得到N个聚类中心，每个聚类中心为一个质心；
S2.3、对每个聚类中心进行判断，将位于ratio_x×width、ratio_y×height、ratio_z×depth以及(1-ratio_x)×width、(1-ratio_y)×heigh、(1-ratio_z)×depth空间范围内的点云聚类滤除，其中ratio_x、ratio_y、ratio_z分别为宽度阈值、高度阈值、深度阈值；
S2.4、滤除所在聚类中点数小于O的聚类中心，得到最终点云聚类Np，每一个Np最终点云聚类对应一个注意力区域，O为点数阈值。
4.如权利要求3所述的一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：S3的具体方法为：
S3.1、构建三维人脸可变模型
Figure FDA0002334548730000011
其中
Figure FDA0002334548730000012
为平均脸型模板，ai为模型参数，mi为模型特征向量；
S3.2、以为模版、以Np为目标点云，通过ICP算法计算可变模型粗糙拟合结果，得到旋转矩阵R、平移矩阵T、粗糙拟合分数Scoarse；
S3.3、将Pi转换到人脸对应位置，转换方法为：
Pcoarse＝R×M+T；
其中Pcoarse为粗拟合可变模型结果点云；
S3.4、设定粗糙拟合分数阈值THcoarse，若Scoarse＜THcoarse则深度数据可用并且执行S4，否则深度数据不可用并且返回S1。
5.如权利要求4所述的一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：S4的具体方法为：
S4.1、对于Pcoarse中的关键点集合K中的每一个关键点Ki，提取Ki三位空间邻域中的U个点形成局部关键点云集合Ui；
S4.2、以每一个Ui为模版，以P为目标点云，通过ICP算法计算局部关键点云细节拟合结果，得到旋转矩阵Ri、平移矩阵Ti、细节拟合分数Si，所有的Si组成细节分数集合Sfine；
S4.3、将Ui转换到人脸对应位置，每一个Ui对应的细节拟合变换点云集合Ufine，所有的Ufine点云集合组成集合Uall，转换方法为：
Ufine＝Ri×Ui+Ti；
S4.4、计算细节拟合分数：
Figure FDA0002334548730000021
其中Ks为关键点集合中的关键点数。
6.如权利要求5所述的一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：S5的具体方法为：
S5.1、Pcoarse点云中的关键点集合K中的每一个关键点Ki以及细节拟合变换点云集合Ufine，通过KDTree算法计算Ui在P上的最近邻局部点云集合KDi；
S5.2、通过3DLBP算法计算局部关键点云特征LBPui与LBPkdi；
S5.3、计算特征匹配分数：
Figure FDA0002334548730000022
S5.4、判断关键点是否合格，若S1bp＜TH1bp，则关键点不合格，否则关键点合格，其中TH1bp为局部关键点阈值；
S5.5从将Sfine中将不合格关键点或者细节拟合变换点云集合对应的分数删除，同时所有S1bp组成局部关键点分数集合Skey。
7.如权利要求6所述的一种基于粗糙-精细拟合的三维人脸检测方法，其特征在于：S6的具体方法为：
S6.1、计算最终的人脸检测分数：
Figure FDA0002334548730000031
其中λ1、λ2、λ3为权重参数，Ns、Nkey分别为Sfine与Skey集合中的样本数；
S6.2、判断若Soutput＞THoutput，其中THoutput为检测阈值，则检测成功，否则检测失败。
CN201911350520.4A 2019-12-24 2019-12-24 一种基于粗糙-精细拟合的三维人脸检测方法 Active CN111079684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911350520.4A CN111079684B (zh) 2019-12-24 2019-12-24 一种基于粗糙-精细拟合的三维人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911350520.4A CN111079684B (zh) 2019-12-24 2019-12-24 一种基于粗糙-精细拟合的三维人脸检测方法

Publications (2)

Publication Number Publication Date
CN111079684A true CN111079684A (zh) 2020-04-28
CN111079684B CN111079684B (zh) 2023-04-07

Family

ID=70317269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911350520.4A Active CN111079684B (zh) 2019-12-24 2019-12-24 一种基于粗糙-精细拟合的三维人脸检测方法

Country Status (1)

Country Link
CN (1) CN111079684B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652974A (zh) * 2020-06-15 2020-09-11 腾讯科技（深圳）有限公司 三维人脸模型的构建方法、装置、设备及存储介质
CN112232143A (zh) * 2020-09-27 2021-01-15 广州云从人工智能技术有限公司 一种人脸点云优化方法、装置、机器可读介质及设备
CN114004871A (zh) * 2022-01-04 2022-02-01 山东大学 一种基于点云补全的点云配准方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016082252A1 (zh) * 2014-11-27 2016-06-02 苏州福丰科技有限公司 基于云服务器的三维人脸识别机场安检方法
CN105719352A (zh) * 2016-01-26 2016-06-29 湖南拓视觉信息技术有限公司 人脸三维点云超分辨率融合方法及应用其的数据处理装置
WO2016110005A1 (zh) * 2015-01-07 2016-07-14 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN108615016A (zh) * 2018-04-28 2018-10-02 北京华捷艾米科技有限公司 人脸关键点检测方法和人脸关键点检测装置
CN108629294A (zh) * 2018-04-17 2018-10-09 华南理工大学 基于变形图的人体与人脸网格模板拟合方法
US20180307928A1 (en) * 2016-04-21 2018-10-25 Tencent Technology (Shenzhen) Company Limited Living face verification method and device
WO2019080488A1 (zh) * 2017-10-27 2019-05-02 东南大学 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法
CN109816784A (zh) * 2019-02-25 2019-05-28 盾钰（上海）互联网科技有限公司 三维重构人体的方法和系统及介质
CN110060336A (zh) * 2019-04-24 2019-07-26 北京华捷艾米科技有限公司 三维人脸重建方法、装置、介质以及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016082252A1 (zh) * 2014-11-27 2016-06-02 苏州福丰科技有限公司 基于云服务器的三维人脸识别机场安检方法
WO2016110005A1 (zh) * 2015-01-07 2016-07-14 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN105719352A (zh) * 2016-01-26 2016-06-29 湖南拓视觉信息技术有限公司 人脸三维点云超分辨率融合方法及应用其的数据处理装置
US20180307928A1 (en) * 2016-04-21 2018-10-25 Tencent Technology (Shenzhen) Company Limited Living face verification method and device
WO2019080488A1 (zh) * 2017-10-27 2019-05-02 东南大学 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法
CN108629294A (zh) * 2018-04-17 2018-10-09 华南理工大学 基于变形图的人体与人脸网格模板拟合方法
CN108615016A (zh) * 2018-04-28 2018-10-02 北京华捷艾米科技有限公司 人脸关键点检测方法和人脸关键点检测装置
CN109816784A (zh) * 2019-02-25 2019-05-28 盾钰（上海）互联网科技有限公司 三维重构人体的方法和系统及介质
CN110060336A (zh) * 2019-04-24 2019-07-26 北京华捷艾米科技有限公司 三维人脸重建方法、装置、介质以及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨海清;王洋洋;: "基于多Kinect的三维人脸重建研究" *
陈林伟;: "基于ICP的非刚性曲面拟合方法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652974A (zh) * 2020-06-15 2020-09-11 腾讯科技（深圳）有限公司 三维人脸模型的构建方法、装置、设备及存储介质
CN111652974B (zh) * 2020-06-15 2023-08-25 腾讯科技（深圳）有限公司 三维人脸模型的构建方法、装置、设备及存储介质
CN112232143A (zh) * 2020-09-27 2021-01-15 广州云从人工智能技术有限公司 一种人脸点云优化方法、装置、机器可读介质及设备
CN114004871A (zh) * 2022-01-04 2022-02-01 山东大学 一种基于点云补全的点云配准方法及系统

Also Published As

Publication number Publication date
CN111079684B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN106682598B (zh) 一种基于级联回归的多姿态的人脸特征点检测方法
Fu et al. Look closer to see better: Recurrent attention convolutional neural network for fine-grained image recognition
Su et al. Learning a dense multi-view representation for detection, viewpoint classification and synthesis of object categories
Ban et al. Face detection based on skin color likelihood
Payet et al. From contours to 3d object detection and pose estimation
Zia et al. Detailed 3d representations for object recognition and modeling
Lu et al. Automatic feature extraction for multiview 3D face recognition
CN111079684B (zh) 一种基于粗糙-精细拟合的三维人脸检测方法
Hu et al. Exploring structural information and fusing multiple features for person re-identification
Somanath et al. Can faces verify blood-relations?
KR101105435B1 (ko) 얼굴 검출과 얼굴 인지 방법
CN106485253B (zh) 一种最大粒度结构描述符的行人再辨识方法
CN102622589A (zh) 一种基于gpu的多光谱人脸检测方法
CN103984920B (zh) 一种基于稀疏表示与多特征点的三维人脸识别方法
Wang et al. Head pose estimation with combined 2D SIFT and 3D HOG features
Fang et al. Real-time hand posture recognition using hand geometric features and fisher vector
CN101493887A (zh) 基于半监督学习和哈希索引的眉毛图像分割方法
Rogez et al. Fast human pose detection using randomized hierarchical cascades of rejectors
CN108509925A (zh) 一种基于视觉词袋模型的行人重识别方法
CN112906550A (zh) 一种基于分水岭变换的静态手势识别方法
Puthenputhussery et al. Color multi-fusion fisher vector feature for fine art painting categorization and influence analysis
Fawwad Hussain et al. Gray level face recognition using spatial features
CN109389017B (zh) 行人再识别方法
Aoulalay et al. Classification of Moroccan decorative patterns based on machine learning algorithms
Fan et al. Siamese graph convolution network for face sketch recognition: an application using graph structure for face photo-sketch recognition

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

Effective date of registration: 20211213

Address after: 712000 room 10201, building 4a, West Yungu phase II, Fengxi new town, Xixian new area, Xianyang City, Shaanxi Province

Applicant after: Shaanxi Xitu Digital Technology Co.,Ltd.

Address before: 471000 Room 201, building 1, Chuangzhi Plaza, No. 32, changxiamen street, Luolong District, Luoyang City, Henan Province

Applicant before: Henan Zhongyuan big data Research Institute Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240616

Address after: Room 10207, Building 4A, West Yungu Phase II, Fengxi New City, Xixian New District, Xianyang City, Shaanxi Province, 712000

Patentee after: Xi'an Xitu Zhiguang Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: 712000 room 10201, building 4a, West Yungu phase II, Fengxi new town, Xixian new area, Xianyang City, Shaanxi Province

Patentee before: Shaanxi Xitu Digital Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right