CN111507244B - Bmi检测方法、装置以及电子设备 - Google Patents
Bmi检测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111507244B CN111507244B CN202010294455.4A CN202010294455A CN111507244B CN 111507244 B CN111507244 B CN 111507244B CN 202010294455 A CN202010294455 A CN 202010294455A CN 111507244 B CN111507244 B CN 111507244B
- Authority
- CN
- China
- Prior art keywords
- information
- face
- angle
- facial
- feature point
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000001815 facial effect Effects 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 208000008589 Obesity Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000020824 obesity Nutrition 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种BMI检测方法、装置以及电子设备，涉及数据检测技术领域，缓解了基于面部图像的BMI指数预测准确度较低的技术问题。该方法包括：基于所述面部图像提取姿态信息；所述姿态信息包括面部特征点位置信息和面部角度信息；利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息；基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息；基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果。
Description
技术领域
本申请涉及数据检测技术领域，尤其是涉及一种BMI检测方法、装置以及电子设备。
背景技术
身体质量指数(Body Mass Index，BMI)是常用的衡量人体肥胖程度和是否健康的重要标准。BMI通过人体体重和身高两个数值获得相对客观的参数，并用这个参数所处范围来衡量身体的肥胖程度。
目前，传统的BMI需要测量身高和体重，对于用户较为不方便。随着人脸识别技术的快速发展，利用人脸识别技术基于面部图像的BMI指数预测由于其方便性受到了越来越多的关注。但是，现有的基于面部图像的BMI指数预测方法，对人脸的BMI指数预测准确度较低。
发明内容
本发明的目的在于提供一种BMI检测方法、装置以及电子设备，以缓解基于面部图像的BMI指数预测准确度较低的技术问题。
第一方面，本申请实施例提供了一种BMI检测方法，所述方法包括：
获取待检测对象的面部图像；
基于所述面部图像提取姿态信息；所述姿态信息包括面部特征点位置信息和面部角度信息；
利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息；
基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息；
基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果。
在一个可能的实现中，基于所述面部图像提取姿态信息的步骤，包括：
对所述面部图像进行人脸检测，得到面部区域；
对所述面部区域进行归一化处理，得到目标区域；
基于所述目标区域利用CNN网络通过多任务回归法，得到面部特征点位置信息和面部角度信息。
在一个可能的实现中，所述面部特征点位置信息包括下述任意一项或多项：
眼睛位置、鼻尖位置、左嘴角位置以及右嘴角位置。
在一个可能的实现中，所述面部角度信息包括偏移角度、旋转角度以及俯仰角度。
在一个可能的实现中，利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息的步骤，包括：
基于所述目标区域选定参考特征点位置信息；
计算所述参考特征点位置信息和所述面部特征点位置信息之间的相似变换系数；
将所述相似变换系数作用于所述面部图像上，得到归一化后的目标图像信息，以消除所述面部图像在平面内的旋转角度变化。
在一个可能的实现中，基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息的步骤，包括：
基于所述目标图像信息生成与所述目标图像信息中的面部尺寸相同的第一矩阵和第二矩阵；
将所述第一矩阵中每个元素的值设置为所述偏移角度，将所述第二矩阵中每个元素的值设置为所述俯仰角度；
将所述目标图像信息转换为对应的RGB三通道信息；
将所述面部角度信息和所述RGB三通道信息进行合并，得到融合信息。
在一个可能的实现中，基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果的步骤，包括：
将所述融合信息输入至训练后的BMI检测模型的CNN网络并通过回归法进行检测，得到所述待检测对象的BMI检测结果。
第二方面，提供了一种BMI检测装置，包括：
获取模块，用于获取待检测对象的面部图像；
提取模块，用于基于所述面部图像提取姿态信息；所述姿态信息包括面部特征点位置信息和面部角度信息；
处理模块，用于利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息；
融合模块，用于基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息；
检测模块，用于基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果。
第三方面，本申请实施例又提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的第一方面所述方法。
第四方面，本申请实施例又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述的第一方面所述方法。
本申请实施例带来了以下有益效果：
本申请实施例提供的一种BMI检测方法、装置以及电子设备，能够基于面部图像提取面部特征点位置信息和面部角度信息等姿态信息，然后，利用面部特征点位置信息对面部图像进行归一化处理从而得到目标图像信息，之后基于面部角度信息和目标图像信息进行融合从而得到融合信息，最后基于融合信息通过CNN网络进行检测从而得到待检测对象的BMI检测结果，本方案中，通过基于面部图像估计面部的姿态信息，并结合面部的姿态信息进行BMI的预测，使BMI指数预测的过程中融合利用了面部的姿态信息，不仅提高了BMII指数检测的准确度及精确度，而且还大幅度提高了BMI指数检测对面部姿态的鲁棒性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的BMI检测方法的流程示意图；
图2为本申请实施例提供的BMI检测方法的另一流程示意图；
图3为本申请实施例提供的一种BMI检测装置的结构示意图；
图4为示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，肥胖程度和人的健康密切相关，肥胖程度的判断不能仅仅采用体重的绝对值，它也与身高密切相关。随着人脸识别技术的发展，基于单张面部图像来预测BMI指数等健康指标，受到越来越多的研究者的关注。但是，由于人脸图像容易受光照、姿态、表情的影响，特别是姿态的变化会大大影响人脸图像，进而影响BMI预测的准确性。目前的多数方法对于人脸姿态的变化不够鲁棒。
现有的基于单张面部图像来预测BMI指数的方法，使用的人脸图像容易受光照、姿态、表情的影响。多数现有的方法对带有姿态的人脸图像，BMI预测的准确度还不是很高。这是由于人脸图像虽然拍摄方便，但很容易受到人脸姿态的影响，同一个人脸，在不同的姿态下，拍摄得到的图像表现出的人脸胖瘦程度会有很大差别，进而影响BMI指数预测的精度。因此，现有的基于面部图像的BMI指数预测没有估计人脸的姿态信息，在BMI预测的过程中没有用到姿态信息，其BMI指数预测结果的准确度较低。
基于此，本申请实施例提供了一种BMI检测方法、装置以及电子设备，通过该方法可以缓解基于面部图像的BMI指数预测准确度较低的技术问题。
下面结合附图对本发明实施例进行进一步地介绍。
图1为本申请实施例提供的一种BMI检测方法的流程示意图。如图1所示，该方法包括：
步骤S110，获取待检测对象的面部图像。
其中，待检测对象可以是人、动物等，本申请实施例以待检测对象是人为例进行说明，则面部图像为人脸图像。
步骤S120，基于面部图像提取姿态信息。
其中，姿态信息包括面部特征点位置信息和面部角度信息等。本步骤中，系统可以基于面部图像进行人脸姿态信息估计。
步骤S130，利用面部特征点位置信息对面部图像进行归一化处理，得到目标图像信息。
本步骤中，系统可以基于姿态信息对面部图像进行归一化。
步骤S140，基于面部角度信息和目标图像信息进行融合，得到融合信息。
通过基于面部角度信息和目标图像信息的融合过程，实现了后续的融合姿态信息的BMI指数预测过程。
步骤S150，基于融合信息通过CNN网络进行检测，得到待检测对象的BMI检测结果。
通过在使用姿态信息的过程中一方面利用姿态信息，对人脸图像进行归一化，另一方面将姿态信息和图像信息融合一起作为输入数据来预测BMI指数，大幅度提高了BMI指数的预测精度。
本申请实施例提供的BMI检测方法可以作为一种姿态鲁棒的基于面部图像的BMI预测的方法，先提取面部图像中包括特征点位置信息和角度信息的姿态信息，然后利用姿态信息中的特征点位置信息对人脸图像进行归一化，最后将姿态信息中的角度信息和人脸图像信息融合在一起作为输入数据来预测BMI指数。从而实现了根据人脸图像估计人脸的姿态信息，并结合人脸的姿态信息进行BMI的预测，使BMI指数预测的过程中融合利用了人脸的姿态信息，不仅提高了姿态信息的精度和计算效率，而且大幅度提高了BMI指数预测对姿态的鲁棒性。这样用户在拍摄面部图像时，可以有一定的姿态，对人脸图像的拍摄姿态要求更低，较大程度的方便了用户的拍摄，提高用户的使用体验。
下面对上述步骤进行详细介绍。
在一些实施例中，面部特征点位置信息包括下述任意一项或多项：
眼睛位置、鼻尖位置、左嘴角位置以及右嘴角位置。
其中，眼睛位置可以为眼睛中心位置、眼角位置等。通过多种不同的人脸部位，可以使本申请实施例中的面部特征点包括的特征更加全面，以提高后续数据处理过程的全面精确性。
在一些实施例中，面部角度信息包括偏移角度、旋转角度以及俯仰角度。
通过偏移角度、旋转角度以及俯仰角度等多种不同姿态的人脸角度，可以使本申请实施例中的面部角度信息包含的角度更加全面，以提高后续数据处理过程的全面精确性。
在一些实施例中，上述步骤S120可以包括如下步骤：
步骤a)，对面部图像进行人脸检测，得到面部区域；
步骤b)，对面部区域进行归一化处理，得到目标区域；
步骤c)，基于目标区域利用CNN网络通过多任务回归法，得到面部特征点位置信息和面部角度信息。
为了更精确的表示人脸中的姿态信息，本申请实施例中使用的人脸姿态信息可以包括：面部特征点的位置P＝(x1，y1，…，xn，yn)，其中的特征点包括左右眼睛中心、鼻尖、左右嘴角等；头部姿态的三个角度Q＝(yaw，roll，pitch)，即偏移角度、旋转角度以及俯仰角度。
其中，特征点位置信息P和角度信息Q，可以基于人脸的面部图像，分别通过回归的方法获取。为了提高系统计算效率，本申请实施例中根据人脸检测的结果，得到人脸的面部区域，对人脸区域进行归一化，然后采用深度学习中的CNN网络，利用多任务回归来同时得到位置信息P和角度信息Q。其中的多任务包括：第一任务，位置信息的回归；第二任务，角度信息的回归。为了让两个学习任务同时达到比较好的性能，通过误差的权重来调整两者的性能。
通过基于面部图像利用多任务学习，提取同时包括特征点位置信息和人脸角度信息的姿态信息，提高了姿态信息的精度和计算效率。
在一些实施例中，上述步骤S130可以包括如下步骤：
步骤d)，基于目标区域选定参考特征点位置信息；
步骤e)，计算参考特征点位置信息和面部特征点位置信息之间的相似变换系数；
步骤f)，将相似变换系数作用于面部图像上，得到归一化后的目标图像信息，以消除面部图像在平面内的旋转角度变化。
本申请实施例中，人脸检测得到的人脸区域包含了一定的姿态变化，利用姿态信息中的面部特征点信息P，通过相似变换来归一化人脸区域，得到归一化后的人脸F，可以消除人脸在平面内的姿态变化，即平面内旋转roll。
其具体步骤包括：选定归一化后人脸的标准参考特征点Pr＝(X1，Y1，…，Xn，Yn)，计算特征点Pr和特征点P之间的相似变换系数T，然后将该相似变换T作用在人脸图像上，得到归一化后的人脸图像F。
通过上述归一化处理，实现了在使用姿态信息的过程中利用了特征点位置和面部角度等姿态信息来对人脸图像进行归一化，能够消除面部图像在平面内的旋转角度变化。
在一些实施例中，如图2所示，上述步骤S140可以包括如下步骤：
步骤g)，基于目标图像信息生成与目标图像信息中的面部尺寸相同的第一矩阵和第二矩阵；
步骤h)，将第一矩阵中每个元素的值设置为偏移角度，将第二矩阵中每个元素的值设置为俯仰角度；
步骤i)，将目标图像信息转换为对应的RGB三通道信息；
步骤j)，将面部角度信息和RGB三通道信息进行合并，得到融合信息。
本申请实施例中，在归一化人脸图像F的基础上，融合姿态信息中的角度信息Q和人脸的图像信息，通过回归的方法就可以得到BMI的预测结果。主要的处理包括以下几个步骤：
1.1)人脸角度信息的表示。由于在上一步的处理中已经消除了人脸平面内的姿态变化(roll)，因此这一步只使用姿态角度信息中的(yaw，pitch)。首先生成两个和归一化人脸F大小相同的矩阵My，Mp；然后将My中的每个元素的值都设置为yaw，将Mp中的每个元素的值都设置为pitch。矩阵My和Mp即为姿态中角度信息的最终表示。
1.2)角度姿态信息和图像信息的融合。将彩色的归一化人脸F表示为(Fr，Fg，Fb)对应人脸图像的RGB三通道的信息，将角度姿态信息的表示和人脸图像信息的表示合并在一起，作为角度姿态信息和人脸图像信息的融合D＝(Fr，Fg，Fb，My，Mp)。
通过在使用姿态信息的过程中一方面利用姿态信息(特征点位置)，对人脸图像进行归一化，另一方面将姿态信息(角度信息)和图像信息融合在一起作为输入数据来预测BMI指数，大幅度提高了BMI指数的预测精度。
在一些实施例中，上述步骤S150可以包括如下步骤：
步骤k)，将融合信息输入至训练后的BMI检测模型的CNN网络并通过回归法进行检测，得到待检测对象的BMI检测结果。
通过回归预测BMI指数，即以融合的信息D作为输入，通过回归的方法就可以得到BMI指数的预测，利用深度学习中的CNN网络，采用回归方法得到最终的BMI指数预测，提高了最终得到的BMI检测结果的准确性。
图3提供了一种BMI检测装置的结构示意图。如图3所示，BMI检测装置300包括：
获取模块301，用于获取待检测对象的面部图像；
提取模块302，用于基于面部图像提取姿态信息；姿态信息包括面部特征点位置信息和面部角度信息；
处理模块303，用于利用面部特征点位置信息对面部图像进行归一化处理，得到目标图像信息；
融合模块304，用于基于面部角度信息和目标图像信息进行融合，得到融合信息；
检测模块305，用于基于融合信息通过CNN网络进行检测，得到待检测对象的BMI检测结果。
在一些实施例中，提取模块302具体用于：
对面部图像进行人脸检测，得到面部区域；
对面部区域进行归一化处理，得到目标区域；
基于目标区域利用CNN网络通过多任务回归法，得到面部特征点位置信息和面部角度信息。
在一些实施例中，面部特征点位置信息包括下述任意一项或多项：
眼睛位置、鼻尖位置、左嘴角位置以及右嘴角位置。
在一些实施例中，面部角度信息包括偏移角度、旋转角度以及俯仰角度。
在一些实施例中，处理模块303具体用于：
基于目标区域选定参考特征点位置信息；
计算参考特征点位置信息和面部特征点位置信息之间的相似变换系数；
将相似变换系数作用于面部图像上，得到归一化后的目标图像信息，以消除面部图像在平面内的旋转角度变化。
在一些实施例中，融合模块304具体用于：
基于目标图像信息生成与目标图像信息中的面部尺寸相同的第一矩阵和第二矩阵；
将第一矩阵中每个元素的值设置为偏移角度，将第二矩阵中每个元素的值设置为俯仰角度；
将目标图像信息转换为对应的RGB三通道信息；
将面部角度信息和RGB三通道信息进行合并，得到融合信息。
在一些实施例中，检测模块305具体用于：
将融合信息输入至训练后的BMI检测模型的CNN网络并通过回归法进行检测，得到待检测对象的BMI检测结果。
本申请实施例提供的BMI检测装置，与上述实施例提供的BMI检测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本申请实施例提供的一种电子设备，如图4所示，电子设备400包括存储器401、处理器402，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
参见图4，电子设备还包括：总线403和通信接口404，处理器402、通信接口404和存储器401通过总线403连接；处理器402用于执行存储器401中存储的可执行模块，例如计算机程序。
其中，存储器401可能包含高速随机存取存储器(Random Access Memory，简称RAM)，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。通过至少一个通信接口404(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线403可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器401用于存储程序，所述处理器402在接收到执行指令后，执行所述程序，前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器402中，或者由处理器402实现。
处理器402可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器402中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器402可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器402读取存储器401中的信息，结合其硬件完成上述方法的步骤。
对应于上述BMI检测方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述BMI检测方法的步骤。
本申请实施例所提供的BMI检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述BMI检测方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种BMI检测方法，其特征在于，所述方法包括：
获取待检测对象的面部图像；
基于所述面部图像提取姿态信息；所述姿态信息包括面部特征点位置信息和面部角度信息；
利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息；
基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息；
基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果；
基于所述面部图像提取姿态信息的步骤，包括：
对所述面部图像进行人脸检测，得到面部区域；
对所述面部区域进行归一化处理，得到目标区域；
基于所述目标区域利用CNN网络通过多任务回归法，得到面部特征点位置信息和面部角度信息；
所述面部角度信息包括偏移角度、旋转角度以及俯仰角度；
利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息的步骤，包括：
基于所述目标区域选定参考特征点位置信息；
计算所述参考特征点位置信息和所述面部特征点位置信息之间的相似变换系数；
将所述相似变换系数作用于所述面部图像上，得到归一化后的目标图像信息，以消除所述面部图像在平面内的旋转角度变化；
基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息的步骤，包括：
基于所述目标图像信息生成与所述目标图像信息中的面部尺寸相同的第一矩阵和第二矩阵；
将所述第一矩阵中每个元素的值设置为所述偏移角度，将所述第二矩阵中每个元素的值设置为所述俯仰角度；
将所述目标图像信息转换为对应的RGB三通道信息；
将所述面部角度信息和所述RGB三通道信息进行合并，得到融合信息。
2.根据权利要求1所述的方法，其特征在于，所述面部特征点位置信息包括下述任意一项或多项：
眼睛位置、鼻尖位置、左嘴角位置以及右嘴角位置。
3.根据权利要求1所述的方法，其特征在于，基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果的步骤，包括：
将所述融合信息输入至训练后的BMI检测模型的CNN网络并通过回归法进行检测，得到所述待检测对象的BMI检测结果。
4.一种BMI检测装置，其特征在于，包括：
获取模块，用于获取待检测对象的面部图像；
提取模块，用于基于所述面部图像提取姿态信息；所述姿态信息包括面部特征点位置信息和面部角度信息；
处理模块，用于利用所述面部特征点位置信息对所述面部图像进行归一化处理，得到目标图像信息；
融合模块，用于基于所述面部角度信息和所述目标图像信息进行融合，得到融合信息；
检测模块，用于基于所述融合信息通过CNN网络进行检测，得到所述待检测对象的BMI检测结果；
提取模块具体用于：
对面部图像进行人脸检测，得到面部区域；
对面部区域进行归一化处理，得到目标区域；
基于目标区域利用CNN网络通过多任务回归法，得到面部特征点位置信息和面部角度信息；
面部角度信息包括偏移角度、旋转角度以及俯仰角度；
处理模块具体用于：
基于目标区域选定参考特征点位置信息；
计算参考特征点位置信息和面部特征点位置信息之间的相似变换系数；
将相似变换系数作用于面部图像上，得到归一化后的目标图像信息，以消除面部图像在平面内的旋转角度变化；
融合模块具体用于：
基于目标图像信息生成与目标图像信息中的面部尺寸相同的第一矩阵和第二矩阵；
将第一矩阵中每个元素的值设置为偏移角度，将第二矩阵中每个元素的值设置为俯仰角度；
将目标图像信息转换为对应的RGB三通道信息；
将面部角度信息和RGB三通道信息进行合并，得到融合信息。
5.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至3任一项所述的方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010294455.4A CN111507244B (zh) | 2020-04-15 | 2020-04-15 | Bmi检测方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010294455.4A CN111507244B (zh) | 2020-04-15 | 2020-04-15 | Bmi检测方法、装置以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111507244A CN111507244A (zh) | 2020-08-07 |
| CN111507244B true CN111507244B (zh) | 2023-12-08 |
Family
ID=71874260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010294455.4A Active CN111507244B (zh) | 2020-04-15 | 2020-04-15 | Bmi检测方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507244B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591704B (zh) * | 2021-07-30 | 2023-08-08 | 四川大学 | 体重指数估计模型训练方法、装置和终端设备 |
| CN114496263B (zh) * | 2022-04-13 | 2022-07-12 | 杭州研极微电子有限公司 | 用于体重指数估计的神经网络模型建立方法及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208133A (zh) * | 2013-04-02 | 2013-07-17 | 浙江大学 | 一种图像中人脸胖瘦的调整方法 |
| CN106951840A (zh) * | 2017-03-09 | 2017-07-14 | 北京工业大学 | 一种人脸特征点检测方法 |
| CN107038422A (zh) * | 2017-04-20 | 2017-08-11 | 杭州电子科技大学 | 基于空间几何约束深度学习的疲劳状态识别方法 |
| CN108229308A (zh) * | 2017-11-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标对象识别方法、装置、存储介质和电子设备 |
| CN109308445A (zh) * | 2018-07-25 | 2019-02-05 | 南京莱斯电子设备有限公司 | 一种基于信息融合的固定岗位人员疲劳检测方法 |
-
2020
- 2020-04-15 CN CN202010294455.4A patent/CN111507244B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208133A (zh) * | 2013-04-02 | 2013-07-17 | 浙江大学 | 一种图像中人脸胖瘦的调整方法 |
| CN106951840A (zh) * | 2017-03-09 | 2017-07-14 | 北京工业大学 | 一种人脸特征点检测方法 |
| CN107038422A (zh) * | 2017-04-20 | 2017-08-11 | 杭州电子科技大学 | 基于空间几何约束深度学习的疲劳状态识别方法 |
| CN108229308A (zh) * | 2017-11-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 目标对象识别方法、装置、存储介质和电子设备 |
| CN109308445A (zh) * | 2018-07-25 | 2019-02-05 | 南京莱斯电子设备有限公司 | 一种基于信息融合的固定岗位人员疲劳检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111507244A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108205654B (zh) | 一种基于视频的动作检测方法及装置 | |
| CN109376631B (zh) | 一种基于神经网络的回环检测方法及装置 | |
| CN112926423B (zh) | 捏合手势检测识别方法、装置及系统 | |
| JP5772821B2 (ja) | 顔特徴点位置補正装置、顔特徴点位置補正方法および顔特徴点位置補正プログラム | |
| US20160162673A1 (en) | Technologies for learning body part geometry for use in biometric authentication | |
| CN110245679B (zh) | 图像聚类方法、装置、电子设备及计算机可读存储介质 | |
| KR101612605B1 (ko) | 얼굴 특징점 추출 방법 및 이를 수행하는 장치 | |
| CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
| CN105590020B (zh) | 改进的数据比较方法 | |
| CN107169397B (zh) | 特征点检测方法及装置、图像处理系统和监视系统 | |
| CN111507244B (zh) | Bmi检测方法、装置以及电子设备 | |
| JP6071002B2 (ja) | 信頼度取得装置、信頼度取得方法および信頼度取得プログラム | |
| CN107368820A (zh) | 一种精细化手势识别方法、装置及设备 | |
| CN114529639A (zh) | 一种生成虚拟形象动画的方法、装置、设备及存储介质 | |
| WO2014112346A1 (ja) | 特徴点位置検出装置、特徴点位置検出方法および特徴点位置検出プログラム | |
| CN111126268A (zh) | 关键点检测模型训练方法、装置、电子设备及存储介质 | |
| CN111241961B (zh) | 人脸检测方法、装置及电子设备 | |
| CN112926462A (zh) | 训练方法、装置、动作识别方法、装置及电子设备 | |
| CN110598647B (zh) | 一种基于图像识别的头部姿态识别方法 | |
| CN116310976A (zh) | 学习习惯养成方法、装置、电子设备及存储介质 | |
| CN114170558B (zh) | 用于视频处理的方法、系统、设备、介质和产品 | |
| CN114067406A (zh) | 一种关键点检测方法、装置、设备及可读存储介质 | |
| US20230326251A1 (en) | Work estimation device, work estimation method, and non-transitory computer readable medium | |
| CN110728172B (zh) | 基于点云的人脸关键点检测方法、装置、系统及存储介质 | |
| JP6892155B2 (ja) | 人体部位推定装置、人体部位推定方法、及びプログラム |
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 |