CN111368685A - 关键点的识别方法、装置、可读介质和电子设备 - Google Patents
关键点的识别方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN111368685A CN111368685A CN202010125154.9A CN202010125154A CN111368685A CN 111368685 A CN111368685 A CN 111368685A CN 202010125154 A CN202010125154 A CN 202010125154A CN 111368685 A CN111368685 A CN 111368685A
- Authority
- CN
- China
- Prior art keywords
- face image
- image
- key point
- model
- output
- 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
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开涉及一种关键点的识别方法、装置、可读介质和电子设备,涉及图像处理技术领域,该方法包括:按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像,将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的目标人脸图像,目标人脸图像的清晰度大于初始人脸图像的清晰度,将目标人脸图像输入预先训练的关键点识别模型,以获取关键点识别模型输出的目标人脸图像中的关键点。本公开首先识别出初始人脸图像,然后利用图像处理模型得到清晰度更高的目标人脸图像,最后识别目标人脸图像中的关键点,能够提高关键点识别的准确度。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种关键点的识别方法、装置、可读介质和电子设备。
背景技术
随着终端技术和图像处理技术的不断发展,终端上所能提供的图像处理操作越来越丰富,用户可以随时随地进行拍照、摄像,并对拍摄的照片进行各种处理。其中,针对图像中人脸提供的各种美颜功能,越来越受到用户的关注。在实现美颜功能之前,需要识别出图像中的人脸关键点,再对人脸关键点进行不同的处理。要获取人脸关键点,通常是将人脸图像输入至预先训练好的识别模型来提取人脸关键点。然而由于受到拍摄终端的像素、拍摄时的环境、拍摄方法等因素的影响,人脸图像的清晰度不稳定,会导致人脸关键点的识别的准确度降低。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种关键点的识别方法,所述方法包括:
按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;
将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;
将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
第二方面,本公开提供一种关键点的识别装置,所述装置包括:
第一识别模块,用于按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;
处理模块,用于将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;
第二识别模块,用于将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,本公开首先按照预设的人脸识别算法对待处理图像进行识别,以得到待处理图像中包括了人脸的初始人脸图像,然后将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的,清晰度大于初始人脸图像的目标人脸图像,最后将目标人脸图像输入预先训练的关键点识别模型,以得到关键点识别模型输出的目标人脸图像中的关键点。本公开首先识别出初始人脸图像,然后利用图像处理模型得到清晰度更高的目标人脸图像,最后识别目标人脸图像中的关键点,能够提高关键点识别的准确度。
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
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种关键点的识别方法的流程图;
图2是根据一示例性实施例示出的一种图像处理模型的训练流程图;
图3是根据一示例性实施例示出的另一种图像处理模型的训练流程图;
图4是根据一示例性实施例示出的另一种关键点的识别方法的流程图;
图5是根据一示例性实施例示出的一种关键点的识别装置的框图;
图6是根据一示例性实施例示出的另一种关键点的识别装置的框图;
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种关键点的识别方法的流程图,如图1所示,该方法包括:
步骤101,按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像。
举例来说,待处理图像可以是用户通过终端设备采集的图像(例如拍摄的照片,或者拍摄的视频中的某一帧),也可以是用户在终端设备上选择的图像(例如在终端设备的显示界面上选择的图像)。可以根据预设的人脸识别算法,对待处理图像进行识别,以得到包括人脸的初始人脸图像。可以理解为,待处理图像中可能包括有除人脸之外的其他信息,因此可以通过人脸识别算法,将待处理图像中的人脸信息提取出来,得到初始人脸图像。初始人脸图像可以是直接将待处理图像中包括人脸的区域截取出来的图像。由于受到终端设备的像素、拍摄时的环境、拍摄方法等因素的影响,待处理图像可能清晰度较低,相应的,人脸识别算法从待处理图像中识别出的初始人脸图像的清晰度也会较低。
步骤102,将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的目标人脸图像,目标人脸图像的清晰度大于初始人脸图像的清晰度。
示例的,为了避免由于初始人脸图像的清晰度过低,导致识别出的关键点的准确度低,甚至识别不出关键点的问题。可以先将初始人脸图像作为预先训练的图像处理模型的输入,其中,图像处理模型可以是根据预先设置的第一样本输入集和第一样本输出集训练得到的GAN(英文:Generative Adversarial Networks,中文:生成式对抗网络)。图像处理模型能够根据初始人脸图像中包含的特征信息,生成清晰度高于初始人脸图像的目标人脸图像。其中,目标人脸图像中包含的像素内容更丰富,目标人脸图像上的细部影纹、边界的更清晰。
步骤103,将目标人脸图像输入预先训练的关键点识别模型,以获取关键点识别模型输出的目标人脸图像中的关键点。
示例的,将目标人脸图像输入预先训练的关键点识别模型,其中,关键点识别模型可以是根据预先设置的第二样本输入集和第二样本输出集训练得到的卷积神经网络(英文:Convolutional Neural Networks,缩写:CNN),关键点识别模型通过提取目标人脸图像中的特征图(英文:Feature Map),识别目标人脸图像中的关键点(英文:Key Point)。关键点例如可以是眉毛、眼睛、嘴巴、鼻子、耳朵等部位的关键点坐标。需要说明的是,上述卷积神经网络仅是本公开实施例的关键点识别模型的一个示例,本公开不限于此,还可以包括其他各种神经网络。
这样,由于图像处理模型提高了待处理图像中人脸对应的图像(即初始人脸图像)的清晰度,得到目标人脸图像,因此,在将包含的像素内容更丰富的目标人脸图像输入关键点识别模型时,关键点识别模型能够从目标人脸图像中提取更准确的特征图,相应的也能提取更准确的关键点。
综上所述,本公开首先按照预设的人脸识别算法对待处理图像进行识别,以得到待处理图像中包括了人脸的初始人脸图像,然后将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的,清晰度大于初始人脸图像的目标人脸图像,最后将目标人脸图像输入预先训练的关键点识别模型,以得到关键点识别模型输出的目标人脸图像中的关键点。本公开首先识别出初始人脸图像,然后利用图像处理模型得到清晰度更高的目标人脸图像,最后识别目标人脸图像中的关键点,能够提高关键点识别的准确度。
图2是根据一示例性实施例示出的一种图像处理模型的训练流程图,如图2所示,图像处理模型是通过如下方式进行训练的:
步骤104,获取样本输入集和样本输出集,样本输出集中的每个样本输出包括清晰人脸图像,样本输入集中包括与每个样本输出对应的样本输入,每个样本输入包括对应的清晰人脸图像经过预设压缩算法得到的模糊人脸图像,清晰人脸图像的清晰度大于对应的模糊人脸图像的清晰度。
步骤105,将样本输入集作为图像处理模型的输入,将样本输出集作为图像处理模型的输出,以训练图像处理模型。
在具体的应用场景中,图像处理模型的训练方式可以为:首先获取样本输入集和样本输出集。其中,样本输入集中包括多个样本输入,样本输出集中包括与每个样本输入对应的样本输出。每个样本输出可以包括一幅清晰人脸图像,例如,可以在互联网上获取大量的包含人脸的,清晰度大于预设阈值的清晰人脸图像,作为样本输出集。然后将样本输出集中的每一幅清晰人脸图像按照预设的压缩算法进行处理,得到对应的模糊人脸图像,将模糊人脸图像作为该清晰人脸图像对应的样本输入,清晰人脸图像的清晰度大于对应的模糊人脸图像的清晰度。其中,预设的压缩算法可以是按照预设比例对清晰人脸图像进行缩放,也可以是利用高斯模糊(GaussianBlur)对清晰人脸图像进行滤波,还可以是按照JPEG等图像格式对清晰人脸图像进行压缩。在对图像处理模型进行训练时,可以将样本输入集作为图像处理模型的输入,将样本输出集作为图像处理模型的输出,使得图像处理模型在输入样本输入集时,输出的图像,能够和样本输出集匹配。
图3是根据一示例性实施例示出的另一种图像处理模型的训练流程图,如图3所示,图像处理模型为生成式对抗网络GAN,步骤105包括:
步骤1051,将每个模糊人脸图像输入初始GAN的生成器,以得到生成器生成的新图像。
步骤1052,将该模糊人脸图像对应的清晰人脸图像,和新图像输入初始GAN的判决器,以得到判决器输出的判决结果。
步骤1053,根据判决结果修正初始GAN中每个神经元的参数。
步骤1054,重复执行步骤1051至步骤1053,直至初始GAN满足预设条件,预设条件为根据生成器的第一损失函数和判决器的第二损失函数确定的。
步骤1055,将满足预设条件的初始GAN作为图像处理模型。
举例来说,图像处理模型可以为GAN,例如:CycleGAN(英文:Cycle GenerativeAdversarial Networks,中文:环形生成式对抗网络)、pix2pix模型或者pix2pixHD模型等。在对图像处理模型进行训练时,可以预先选择一个初始GAN,初始GAN中包括了生成器(英文:Generator)和判决器(英文:Discriminator),可以根据具体需求设置生成器和判决器的具体参数。
首先,可以将样本输入集中的每个模糊人脸图像依次作为初始GAN的生成器的输入,生成器用于模仿每个模糊人脸图像中包括的特征向量,以生成新图像。然后将新图像,和该模糊人脸图像对应的清晰人脸图像,作为初始GAN的判决器的两个输入,以使判决器判决新图像的真假(即判决新图像与该模糊人脸图像对应的清晰人脸图像之间的相似程度)。再根据判决器输出的判决结果修正初始GAN中每个神经元的参数,例如:神经元的权重(英文:Weight)、偏置项(英文:Bias term)。重复上述步骤,直至初始GAN满足预设条件,最后将满足预设条件的初始GAN作为图像处理模型,以达到训练图像处理模型的目的。其中,预设条件可以是根据生成器的第一损失函数和判决器的第二损失函数确定的。例如,预设条件可以是第一损失函数与第二损失函数的和最小。第一损失函数可以为生成器的L1重构损失函数:LL1(G(x),y),第二损失函数可以为LGAN(G,D)=E[logD(y)]+E[log(1-D(G(x)))],其中,x为模糊人脸图像中包括的特征向量(即样本输入),y为清晰人脸图像中包括的特征向量(即样本输出),G(x)为新图像中包括的特征向量,D(y)为将清晰人脸图像和清晰人脸图像输入至判决器时,判决器的判决结果,D(G(x))为将新图像和清晰人脸图像输入至判决器时,判决器的判决结果。
在一种应用场景中,步骤103的实现方式可以为:
将目标人脸图像输入关键点识别模型,以获取关键点识别模型输出的目标人脸图像中指定部位的关键点和掩模mask。
示例的,关键点识别模型还可以根据目标人脸图像识别出指定部位的关键点和mask。例如,关键点识别模型能够提取目标人脸图像的多个特征图,并根据多个特征图,同时输出目标人脸图像中指定部位的关键点和mask。关键点和mask能够互相验证,从而提高了关键点和mask的准确度,并且只需要进行一次特征提取,减少了运算量,提高了处理速度。进一步的,由于目标人脸图像的清晰度大于初始人脸图像,因此关键点识别模型能够从目标人脸图像中提取更准确的特征图,相应确定的指定部位的mask的准确度更高。其中,指定部位可以是预先设置的,也可以根据用户的具体需求来确定,不同的指定部位可以对应不同的关键点识别模型,即可以预先训练多个指定部位中每个指定部位对应的关键点识别模型。指定部位例如可以包括:眉毛、眼睛、嘴巴、鼻子、耳朵等部位,也可以是眼角、嘴角、鼻头等具体部位。关键点识别模型输出的mask可以理解为与目标人脸图像对应的二维矩阵,二维矩阵中的每个元素与目标人脸图像中每个像素点对应,二维矩阵中的元素可以为0或者1,若某个元素为0,表示该元素对应在目标人脸图像上的像素点不属于指定部位,若某个元素为1,表示该元素对应在目标人脸图像上的像素点属于指定部位。
图4是根据一示例性实施例示出的另一种关键点的识别方法的流程图,如图4所示,关键点识别模型为卷积神经网络,步骤103可以包括:
步骤1031,将目标人脸图像输入关键点识别模型的卷积层,以获取卷积层输出的预设数量个特征图。
步骤1032,根据指定部位对应的部位区域,对预设数量个特征图中的每个特征图进行分割,以得到预设数量个子特征图。
步骤1033,根据关键点识别模型对预设数量个特征图进行特征融合,以得到关键点,并根据关键点识别模型对预设数量个子特征图进行特征融合,以得到mask。
举例来说,关键点识别模型可以为卷积神经网络,例如可以包括卷积层、反馈层、全连接层和输出层。首先将目标人脸图像输入到卷积层,通过卷积层,从目标人脸图像中提取卷积层特征,即目标人脸图像的预设数量个特征图。之后,根据指定部位对应的部位区域,对预设数量个特征图中的每个特征图进行分割,得到每个特征图对应的子特征图。每个子特征图是对应的特征图的一部分,即每个子特征图中只包括对应的特征图中部位区域指示的元素。其中,部位区域可以理解为,预先通过对大量人脸图像进行标注,统计得到的指定部位对应的区域,部位区域可以是一个坐标范围。以指定部位为眼睛来举例,眼睛通常位于人脸图像的上方中央的部分,归一化后的横坐标可以为0.2-0.8,归一化后的纵坐标可以为0.3-0.6,那么眼睛对应的部位区域即为(0.2-0.8,0.3-0.6)。将目标人脸图像输入到卷积层,得到N个500*500的特征图,那么按照眼睛对应的部位区域对N个特征图中的每个特征图进行分割,截取出每个特征图中横坐标在20%至80%,纵坐标在30%至60%的元素,得到N个150*300的子特征图。
进一步的,再通过关键点识别模型中的反馈层,结合上一次的反馈层特征和后一次的反馈层特征,从卷积层输出的预设数量个特征图中提取当前的反馈层特征,之后通过全连接层对反馈层特征进行抽象处理,实现对预设数量个特征图的特征融合,以得到目标人脸图像中指定部位的关键点。同时,关键点识别模型中的反馈层,还可以结合上一次的反馈层特征和后一次的反馈层特征,从卷积层输出的预设数量个子特征图中提取当前的反馈层特征,之后通过全连接层对反馈层特征进行抽象处理,实现对预设数量个子特征图的特征融合,以得到目标人脸图像中指定部位的mask。最后通过输出层输出关键点和mask。
可以理解为,关键点识别模型能够根据目标人脸图像,同时提取出目标人脸图像中指定部位的关键点和mask,获得关键点和mask的依据相同(即同一幅目标人脸图像),关键点和mask之间能够互相验证,从而提高了关键点和mask的准确度,并且只需要建立一个关键点识别模型,进行一次特征提取,能够减少运算量,提高处理速度。进一步的,由于目标人脸图像的清晰度大于初始人脸图像,因此关键点识别模型能够从目标人脸图像中提取更准确的特征图,相应确定的指定部位的mask的准确度更高。
综上所述,本公开首先按照预设的人脸识别算法对待处理图像进行识别,以得到待处理图像中包括了人脸的初始人脸图像,然后将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的,清晰度大于初始人脸图像的目标人脸图像,最后将目标人脸图像输入预先训练的关键点识别模型,以得到关键点识别模型输出的目标人脸图像中的关键点。本公开首先识别出初始人脸图像,然后利用图像处理模型得到清晰度更高的目标人脸图像,最后识别目标人脸图像中的关键点,能够提高关键点识别的准确度。
图5是根据一示例性实施例示出的一种关键点的识别装置的框图,如图5所示,该装置200包括:
第一识别模块201,用于按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像。
处理模块202,用于将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的目标人脸图像,目标人脸图像的清晰度大于初始人脸图像的清晰度。
第二识别模块203,用于将目标人脸图像输入预先训练的关键点识别模型,以获取关键点识别模型输出的目标人脸图像中的关键点。
其中,图像处理模型是通过如下方式进行训练的:
步骤A)获取样本输入集和样本输出集,样本输出集中的每个样本输出包括清晰人脸图像,样本输入集中包括与每个样本输出对应的样本输入,每个样本输入包括对应的清晰人脸图像经过预设压缩算法得到的模糊人脸图像,清晰人脸图像的清晰度大于对应的模糊人脸图像的清晰度。
步骤B)将样本输入集作为图像处理模型的输入,将样本输出集作为图像处理模型的输出,以训练图像处理模型。
进一步的,图像处理模型为生成式对抗网络GAN,步骤B)的实现方式可以包括:
步骤B1)将每个模糊人脸图像输入初始GAN的生成器,以得到生成器生成的新图像。
步骤B2)将该模糊人脸图像对应的清晰人脸图像,和新图像输入初始GAN的判决器,以得到判决器输出的判决结果。
步骤B3)根据判决结果修正初始GAN中每个神经元的参数。
步骤B4)重复执行步骤B1)至步骤B3),直至初始GAN满足预设条件,预设条件为根据生成器的第一损失函数和判决器的第二损失函数确定的。
步骤B5)将满足预设条件的初始GAN作为图像处理模型。
图6是根据一示例性实施例示出的另一种关键点的识别装置的框图,如图6所示,关键点识别模型为卷积神经网络,第二识别模块203用于:
将目标人脸图像输入关键点识别模型,以获取关键点识别模型输出的目标人脸图像中指定部位的关键点和掩模mask。
第二识别模块203包括:
输入子模块2031,用于将目标人脸图像输入关键点识别模型的卷积层,以获取卷积层输出的预设数量个特征图。
分割子模块2032,用于根据指定部位对应的部位区域,对预设数量个特征图中的每个特征图进行分割,以得到预设数量个子特征图。
融合子模块2033,用于根据关键点识别模型对预设数量个特征图进行特征融合,以得到关键点,并根据关键点识别模型对预设数量个子特征图进行特征融合,以得到mask。
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。
综上所述,本公开首先按照预设的人脸识别算法对待处理图像进行识别,以得到待处理图像中包括了人脸的初始人脸图像,然后将初始人脸图像输入预先训练的图像处理模型,以获取图像处理模型输出的,清晰度大于初始人脸图像的目标人脸图像,最后将目标人脸图像输入预先训练的关键点识别模型,以得到关键点识别模型输出的目标人脸图像中的关键点。本公开首先识别出初始人脸图像,然后利用图像处理模型得到清晰度更高的目标人脸图像,最后识别目标人脸图像中的关键点,能够提高关键点识别的准确度。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备(300的结构示意图。本公开实施例中的电子设备(即上述图像处理方法的执行主体),可以是服务器,该服务器例如可以是本地服务器或者云服务器,也可以是终端设备,例如包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端,以及诸如数字TV、台式计算机等等的固定终端。用户可以通过登录服务器以上传待处理图像,也可以直接通过终端设备上传待处理图像,或者通过终端设备采集待处理图像。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一识别模块还可以被描述为“获取初始人脸图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种关键点的识别方法,包括:按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述图像处理模型是通过如下方式进行训练的:获取样本输入集和样本输出集,所述样本输出集中的每个样本输出包括清晰人脸图像,所述样本输入集中包括与每个所述样本输出对应的样本输入,每个所述样本输入包括对应的清晰人脸图像经过预设压缩算法得到的模糊人脸图像,所述清晰人脸图像的清晰度大于对应的所述模糊人脸图像的清晰度;将所述样本输入集作为所述图像处理模型的输入,将所述样本输出集作为所述图像处理模型的输出,以训练所述图像处理模型。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述图像处理模型为生成式对抗网络GAN,所述将所述样本输入集作为所述图像处理模型的输入,将所述样本输出集作为所述图像处理模型的输出,以训练所述图像处理模型,包括:将每个所述模糊人脸图像输入初始GAN的生成器,以得到所述生成器生成的新图像;将该模糊人脸图像对应的清晰人脸图像,和所述新图像输入所述初始GAN的判决器,以得到所述判决器输出的判决结果;根据所述判决结果修正所述初始GAN中每个神经元的参数;重复执行所述将每个所述模糊人脸图像输入初始GAN的生成器,以得到所述生成器生成的新图像,至所述根据所述判决结果修正所述初始GAN中每个神经元的参数的步骤,直至所述初始GAN满足预设条件,所述预设条件为根据所述生成器的第一损失函数和所述判决器的第二损失函数确定的;将满足所述预设条件的所述初始GAN作为所述图像处理模型。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点,包括:将所述目标人脸图像输入所述关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中指定部位的关键点和掩模mask。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述关键点识别模型为卷积神经网络,所述将所述目标人脸图像输入所述关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中指定部位的关键点和掩模mask,包括:将所述目标人脸图像输入所述关键点识别模型的卷积层,以获取所述卷积层输出的预设数量个特征图;根据所述指定部位对应的部位区域,对预设数量个所述特征图中的每个特征图进行分割,以得到预设数量个子特征图;根据所述关键点识别模型对预设数量个所述特征图进行特征融合,以得到所述关键点,并根据所述关键点识别模型对预设数量个所述子特征图进行特征融合,以得到所述mask。
根据本公开的一个或多个实施例,示例6提供了一种关键点的识别装置,所述装置包括:第一识别模块,用于按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;处理模块,用于将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;第二识别模块,用于将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
根据本公开的一个或多个实施例,示例7提供了示例6的装置,所述图像处理模型是通过如下方式进行训练的:获取样本输入集和样本输出集,所述样本输出集中的每个样本输出包括清晰人脸图像,所述样本输入集中包括与每个所述样本输出对应的样本输入,每个所述样本输入包括对应的清晰人脸图像经过预设压缩算法得到的模糊人脸图像,所述清晰人脸图像的清晰度大于对应的所述模糊人脸图像的清晰度;将所述样本输入集作为所述图像处理模型的输入,将所述样本输出集作为所述图像处理模型的输出,以训练所述图像处理模型。
根据本公开的一个或多个实施例,示例8提供了示例6的装置,所述关键点识别模型为卷积神经网络,所述第二识别模块用于:将所述目标人脸图像输入所述关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中指定部位的关键点和掩模mask;所述第二识别模块包括:输入子模块,用于将所述目标人脸图像输入所述关键点识别模型的卷积层,以获取所述卷积层输出的预设数量个特征图;分割子模块,用于根据所述指定部位对应的部位区域,对预设数量个所述特征图中的每个特征图进行分割,以得到预设数量个子特征图;融合子模块,用于根据所述关键点识别模型对预设数量个所述特征图进行特征融合,以得到所述关键点,并根据所述关键点识别模型对预设数量个所述子特征图进行特征融合,以得到所述mask。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例5中所述方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例5中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。
Claims (10)
1.一种关键点的识别方法,其特征在于,所述方法包括:
按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;
将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;
将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
2.根据权利要求1所述的方法,其特征在于,所述图像处理模型是通过如下方式进行训练的:
获取样本输入集和样本输出集,所述样本输出集中的每个样本输出包括清晰人脸图像,所述样本输入集中包括与每个所述样本输出对应的样本输入,每个所述样本输入包括对应的清晰人脸图像经过预设压缩算法得到的模糊人脸图像,所述清晰人脸图像的清晰度大于对应的所述模糊人脸图像的清晰度;
将所述样本输入集作为所述图像处理模型的输入,将所述样本输出集作为所述图像处理模型的输出,以训练所述图像处理模型。
3.根据权利要求2所述的方法,其特征在于,所述图像处理模型为生成式对抗网络GAN,所述将所述样本输入集作为所述图像处理模型的输入,将所述样本输出集作为所述图像处理模型的输出,以训练所述图像处理模型,包括:
将每个所述模糊人脸图像输入初始GAN的生成器,以得到所述生成器生成的新图像;
将该模糊人脸图像对应的清晰人脸图像,和所述新图像输入所述初始GAN的判决器,以得到所述判决器输出的判决结果;
根据所述判决结果修正所述初始GAN中每个神经元的参数;
重复执行所述将每个所述模糊人脸图像输入初始GAN的生成器,以得到所述生成器生成的新图像,至所述根据所述判决结果修正所述初始GAN中每个神经元的参数的步骤,直至所述初始GAN满足预设条件,所述预设条件为根据所述生成器的第一损失函数和所述判决器的第二损失函数确定的;
将满足所述预设条件的所述初始GAN作为所述图像处理模型。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点,包括:
将所述目标人脸图像输入所述关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中指定部位的关键点和掩模mask。
5.根据权利要求4所述的方法,其特征在于,所述关键点识别模型为卷积神经网络,所述将所述目标人脸图像输入所述关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中指定部位的关键点和掩模mask,包括:
将所述目标人脸图像输入所述关键点识别模型的卷积层,以获取所述卷积层输出的预设数量个特征图;
根据所述指定部位对应的部位区域,对预设数量个所述特征图中的每个特征图进行分割,以得到预设数量个子特征图;
根据所述关键点识别模型对预设数量个所述特征图进行特征融合,以得到所述关键点,并根据所述关键点识别模型对预设数量个所述子特征图进行特征融合,以得到所述mask。
6.一种关键点的识别装置,其特征在于,所述装置包括:
第一识别模块,用于按照预设的人脸识别算法对待处理图像进行识别,以得到初始人脸图像;
处理模块,用于将所述初始人脸图像输入预先训练的图像处理模型,以获取所述图像处理模型输出的目标人脸图像,所述目标人脸图像的清晰度大于所述初始人脸图像的清晰度;
第二识别模块,用于将所述目标人脸图像输入预先训练的关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中的关键点。
7.根据权利要求6所述的装置,其特征在于,所述图像处理模型是通过如下方式进行训练的:
获取样本输入集和样本输出集,所述样本输出集中的每个样本输出包括清晰人脸图像,所述样本输入集中包括与每个所述样本输出对应的样本输入,每个所述样本输入包括对应的清晰人脸图像经过预设压缩算法得到的模糊人脸图像,所述清晰人脸图像的清晰度大于对应的所述模糊人脸图像的清晰度;
将所述样本输入集作为所述图像处理模型的输入,将所述样本输出集作为所述图像处理模型的输出,以训练所述图像处理模型。
8.根据权利要求6所述的装置,其特征在于,所述关键点识别模型为卷积神经网络,所述第二识别模块用于:
将所述目标人脸图像输入所述关键点识别模型,以获取所述关键点识别模型输出的所述目标人脸图像中指定部位的关键点和掩模mask;
所述第二识别模块包括:
输入子模块,用于将所述目标人脸图像输入所述关键点识别模型的卷积层,以获取所述卷积层输出的预设数量个特征图;
分割子模块,用于根据所述指定部位对应的部位区域,对预设数量个所述特征图中的每个特征图进行分割,以得到预设数量个子特征图;
融合子模块,用于根据所述关键点识别模型对预设数量个所述特征图进行特征融合,以得到所述关键点,并根据所述关键点识别模型对预设数量个所述子特征图进行特征融合,以得到所述mask。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125154.9A CN111368685B (zh) | 2020-02-27 | 2020-02-27 | 关键点的识别方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125154.9A CN111368685B (zh) | 2020-02-27 | 2020-02-27 | 关键点的识别方法、装置、可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368685A true CN111368685A (zh) | 2020-07-03 |
CN111368685B CN111368685B (zh) | 2023-09-29 |
Family
ID=71212310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125154.9A Active CN111368685B (zh) | 2020-02-27 | 2020-02-27 | 关键点的识别方法、装置、可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368685B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738230A (zh) * | 2020-08-05 | 2020-10-02 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、人脸识别装置及电子设备 |
CN111914785A (zh) * | 2020-08-10 | 2020-11-10 | 北京小米松果电子有限公司 | 一种提高人脸图像清晰度的方法、装置及存储介质 |
CN112053408A (zh) * | 2020-09-04 | 2020-12-08 | 清华大学 | 基于深度学习的人脸图像压缩方法及装置 |
CN112069887A (zh) * | 2020-07-31 | 2020-12-11 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
CN112070022A (zh) * | 2020-09-09 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
CN112381749A (zh) * | 2020-11-24 | 2021-02-19 | 维沃移动通信有限公司 | 一种图像处理方法、图像处理装置和电子设备 |
CN112489169A (zh) * | 2020-12-17 | 2021-03-12 | 脸萌有限公司 | 人像图像处理方法及装置 |
CN112597944A (zh) * | 2020-12-29 | 2021-04-02 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN112633119A (zh) * | 2020-12-17 | 2021-04-09 | 北京赢识科技有限公司 | 一种人体属性识别方法、装置、电子设备及介质 |
CN112766189A (zh) * | 2021-01-25 | 2021-05-07 | 北京有竹居网络技术有限公司 | 深度伪造检测方法、装置、存储介质及电子设备 |
CN113409207A (zh) * | 2021-06-15 | 2021-09-17 | 广州光锥元信息科技有限公司 | 一种人脸图像清晰度提升方法及装置 |
CN113420629A (zh) * | 2021-06-17 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN113487597A (zh) * | 2021-07-23 | 2021-10-08 | 四川大学 | 一种正畸术后侧貌预测方法、装置、电子设备及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229490A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 关键点检测方法、神经网络训练方法、装置和电子设备 |
WO2018121567A1 (zh) * | 2016-12-27 | 2018-07-05 | 北京市商汤科技开发有限公司 | 用于检测物体关键点的方法、装置及电子设备 |
CN108491812A (zh) * | 2018-03-29 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
CN109214343A (zh) * | 2018-09-14 | 2019-01-15 | 北京字节跳动网络技术有限公司 | 用于生成人脸关键点检测模型的方法和装置 |
CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN109886273A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种cmr图像分割分类系统 |
CN109919097A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院自动化研究所 | 基于多任务学习的人脸和关键点联合检测系统、方法 |
CN109978930A (zh) * | 2019-03-27 | 2019-07-05 | 杭州相芯科技有限公司 | 一种基于单幅图像的风格化人脸三维模型自动生成方法 |
CN110008817A (zh) * | 2019-01-29 | 2019-07-12 | 北京奇艺世纪科技有限公司 | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110298291A (zh) * | 2019-06-25 | 2019-10-01 | 吉林大学 | 基于Mask-RCNN的牛脸及牛脸关键点检测方法 |
CN110309706A (zh) * | 2019-05-06 | 2019-10-08 | 深圳市华付信息技术有限公司 | 人脸关键点检测方法、装置、计算机设备及存储介质 |
CN110472554A (zh) * | 2019-08-12 | 2019-11-19 | 南京邮电大学 | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 |
WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
US20200005781A1 (en) * | 2018-06-29 | 2020-01-02 | Beijing Baidu Netcom Science Technology Co., Ltd. | Human-machine interaction processing method and apparatus thereof |
WO2020024484A1 (zh) * | 2018-08-03 | 2020-02-06 | 北京字节跳动网络技术有限公司 | 用于输出数据的方法和装置 |
-
2020
- 2020-02-27 CN CN202010125154.9A patent/CN111368685B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121567A1 (zh) * | 2016-12-27 | 2018-07-05 | 北京市商汤科技开发有限公司 | 用于检测物体关键点的方法、装置及电子设备 |
CN108229490A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 关键点检测方法、神经网络训练方法、装置和电子设备 |
CN108491812A (zh) * | 2018-03-29 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
CN108629753A (zh) * | 2018-05-22 | 2018-10-09 | 广州洪森科技有限公司 | 一种基于循环神经网络的人脸图像恢复方法及装置 |
WO2019233421A1 (zh) * | 2018-06-04 | 2019-12-12 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
WO2019232894A1 (zh) * | 2018-06-05 | 2019-12-12 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
US20200005781A1 (en) * | 2018-06-29 | 2020-01-02 | Beijing Baidu Netcom Science Technology Co., Ltd. | Human-machine interaction processing method and apparatus thereof |
WO2020024484A1 (zh) * | 2018-08-03 | 2020-02-06 | 北京字节跳动网络技术有限公司 | 用于输出数据的方法和装置 |
CN109214343A (zh) * | 2018-09-14 | 2019-01-15 | 北京字节跳动网络技术有限公司 | 用于生成人脸关键点检测模型的方法和装置 |
CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN110008817A (zh) * | 2019-01-29 | 2019-07-12 | 北京奇艺世纪科技有限公司 | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 |
CN109886273A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种cmr图像分割分类系统 |
CN109919097A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院自动化研究所 | 基于多任务学习的人脸和关键点联合检测系统、方法 |
CN109978930A (zh) * | 2019-03-27 | 2019-07-05 | 杭州相芯科技有限公司 | 一种基于单幅图像的风格化人脸三维模型自动生成方法 |
CN110309706A (zh) * | 2019-05-06 | 2019-10-08 | 深圳市华付信息技术有限公司 | 人脸关键点检测方法、装置、计算机设备及存储介质 |
CN110298291A (zh) * | 2019-06-25 | 2019-10-01 | 吉林大学 | 基于Mask-RCNN的牛脸及牛脸关键点检测方法 |
CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN110472554A (zh) * | 2019-08-12 | 2019-11-19 | 南京邮电大学 | 基于姿态分割和关键点特征的乒乓球动作识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
DING M ET AL: "Articulated and generalized gaussian kernel correlation for human pose estimation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 25, no. 02 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069887A (zh) * | 2020-07-31 | 2020-12-11 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
CN112069887B (zh) * | 2020-07-31 | 2023-12-29 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
CN111738230A (zh) * | 2020-08-05 | 2020-10-02 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、人脸识别装置及电子设备 |
CN111914785A (zh) * | 2020-08-10 | 2020-11-10 | 北京小米松果电子有限公司 | 一种提高人脸图像清晰度的方法、装置及存储介质 |
CN111914785B (zh) * | 2020-08-10 | 2023-12-05 | 北京小米松果电子有限公司 | 一种提高人脸图像清晰度的方法、装置及存储介质 |
CN112053408A (zh) * | 2020-09-04 | 2020-12-08 | 清华大学 | 基于深度学习的人脸图像压缩方法及装置 |
CN112070022A (zh) * | 2020-09-09 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
CN112381749A (zh) * | 2020-11-24 | 2021-02-19 | 维沃移动通信有限公司 | 一种图像处理方法、图像处理装置和电子设备 |
CN112633119A (zh) * | 2020-12-17 | 2021-04-09 | 北京赢识科技有限公司 | 一种人体属性识别方法、装置、电子设备及介质 |
CN112489169A (zh) * | 2020-12-17 | 2021-03-12 | 脸萌有限公司 | 人像图像处理方法及装置 |
CN112489169B (zh) * | 2020-12-17 | 2024-02-13 | 脸萌有限公司 | 人像图像处理方法及装置 |
CN112597944A (zh) * | 2020-12-29 | 2021-04-02 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN112766189A (zh) * | 2021-01-25 | 2021-05-07 | 北京有竹居网络技术有限公司 | 深度伪造检测方法、装置、存储介质及电子设备 |
CN112766189B (zh) * | 2021-01-25 | 2023-08-08 | 北京有竹居网络技术有限公司 | 深度伪造检测方法、装置、存储介质及电子设备 |
CN113409207A (zh) * | 2021-06-15 | 2021-09-17 | 广州光锥元信息科技有限公司 | 一种人脸图像清晰度提升方法及装置 |
CN113409207B (zh) * | 2021-06-15 | 2023-12-08 | 广州光锥元信息科技有限公司 | 一种人脸图像清晰度提升方法及装置 |
CN113420629A (zh) * | 2021-06-17 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN113487597A (zh) * | 2021-07-23 | 2021-10-08 | 四川大学 | 一种正畸术后侧貌预测方法、装置、电子设备及存储介质 |
CN113487597B (zh) * | 2021-07-23 | 2023-08-29 | 四川大学 | 一种正畸术后侧貌预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111368685B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN111696176B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN112954450B (zh) | 视频处理方法、装置、电子设备和存储介质 | |
CN110827379A (zh) | 虚拟形象的生成方法、装置、终端及存储介质 | |
CN112132847A (zh) | 模型训练方法、图像分割方法、装置、电子设备和介质 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN114331820A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN111402122A (zh) | 图像的贴图处理方法、装置、可读介质和电子设备 | |
CN110349161B (zh) | 图像分割方法、装置、电子设备、及存储介质 | |
CN115311178A (zh) | 图像拼接方法、装置、设备及介质 | |
CN110097004B (zh) | 面部表情识别方法和装置 | |
CN114913061A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN113902838A (zh) | 动画生成方法、装置、存储介质及电子设备 | |
CN112785669B (zh) | 一种虚拟形象合成方法、装置、设备及存储介质 | |
CN113902636A (zh) | 图像去模糊方法及装置、计算机可读介质和电子设备 | |
CN112714263A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN110619602A (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN111353470B (zh) | 图像的处理方法、装置、可读介质和电子设备 | |
CN111260756A (zh) | 用于发送信息的方法和装置 | |
CN112085035A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 |
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 |