CN111612712B - 一种人脸端正度的确定方法、装置、设备及介质 - Google Patents
一种人脸端正度的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111612712B CN111612712B CN202010425313.7A CN202010425313A CN111612712B CN 111612712 B CN111612712 B CN 111612712B CN 202010425313 A CN202010425313 A CN 202010425313A CN 111612712 B CN111612712 B CN 111612712B
- Authority
- CN
- China
- Prior art keywords
- correction
- determining
- face
- line segment
- yaw
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 49
- 238000005096 rolling process Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 210000004709 eyebrow Anatomy 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 14
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 210000001508 eye Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 210000000887 face Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸端正度的确定方法,包括:从初始图像中提取出目标图像;对目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;根据目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;根据各预设权重值、翻滚端正度、俯仰端正度和偏航端正度,确定人脸的综合端正度。由此可见,本发明通过拉普拉斯变换和对数变换,减弱了环境因素对目标图像的轮廓特征的影响,便于对目标图像中的人脸特征进行识别。此外,本发明所提供的一种人脸端正度的确定装置。
Description
技术领域
本发明涉及图像识别领域,特别是涉及一种人脸端正度的确定方法、装置、设备及介质。
背景技术
随着人工智能、物联网等前沿技术的发展,智能时代已悄然到来,“刷脸”逐渐成为了新的风潮。例如公共场所出入人员监控设备,对检测到的人脸进行识别,协助公安部门抓捕可疑人员;诸如此类的设备基本都是前端抓拍机检测每一帧的人脸目标,然后在人脸从出现到消失的跟踪序列图中找出最优的一张上传给后端进行人脸识别。前端抓拍机抓拍到的人脸角度多样,角度变化导致人脸的部分特征无法被提取,进一步导致人脸的错误识别。为了提高人脸识别率,研究如何确定人脸端正度就显得尤为重要。
现有的确定人脸端正度的方法为首先经过图像处理获得脸部区域与眼睛位置,并以两眼睛之间的中线为基准将脸部区域划分为左右子区域,再按照图像的中线将图像划分为两个参考图像,最后通过对比脸部区域的两个左右子区域与两个参考图像的特征值以计算出脸部区域的端正度。
通过现有技术虽然可计算出脸部区域的端正度,但是现有技术通过取图像特定位置的灰度值作为特征值从而计算端正度,并没有考虑复杂多样的环境对图像灰度值的影响。例如,不同的光照环境下,人脸特定位置的亮度也有所不同,甚至差异较大,这样将对人脸特征位置的识别产生影响,使特征识别结果存在误差,从而无法保证计算的脸部区域的端正度的准确率,降低了用户体验感。
发明内容
本发明的目的是提供一种人脸端正度的确定方法、装置、设备及介质。能够通过对目标图像进行拉普拉斯变换,实现目标图像的锐化处理,增强了局部对比度;通过对数变换,对目标图像中的低灰度部分进行扩展和增强,压缩了高灰度部分的值,增强了图像效果。通过拉普拉斯变换和对数变换,减弱了环境因素对目标图像轮廓特征的影响,便于对目标图像中的人脸特征进行识别,保证计算的脸部区域的端正度的准确率。
为解决上述技术问题,本发明提供一种人脸端正度的确定方法,包括:
从初始图像中提取出目标图像;
对所述目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;
根据所述目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;
根据各预设权重值、所述翻滚端正度、所述俯仰端正度和所述偏航端正度,确定人脸的综合端正度。
优选地,所述从初始图像中提取出目标图像具体包括:
定位所述初始图像中的各关键点;
获取各所述关键点的位置信息,确定各所述关键点的横坐标的第一最大值和第一最小值,确定各所述关键点的纵坐标的第二最大值和第二最小值;
将所述第一最大值、所述第一最小值、所述第二最大值和所述第二最小值构成的四个点作为顶点建立方形的剪裁区域,按照所述剪裁区域对所述初始图像进行剪裁以提取出目标图像。
优选地,所述定位所述初始图像中的各关键点具体为:
利用卷积神经网络算法对所述初始图像中的各关键点进行定位。
优选地,所述计算翻滚角方向的翻滚端正度具体为:
获取关键点中两个眼部关键点的第一坐标和第二坐标;
根据翻滚端正度公式、所述第一坐标和所述第二坐标,计算所述翻滚端正度;所述翻滚端正度公式具体为:
其中,roll_regular为翻滚端正度,(x1、y1)为第一坐标,(x2、y2)为第二坐标。
优选地,计算俯仰角方向的俯仰端正度具体包括:
获取所述目标轮廓特征图中的第一线段与第二线段;其中,所述第一线段为鼻尖关键点到两个嘴角关键点所在线段的直线距离,所述第二线段为鼻尖关键点与两个眉头关键点所在线段的直线距离;
根据俯仰端正度公式、所述第一线段和所述第二线段,确定所述目标轮廓特征图的俯仰端正度;其中,所述俯仰端正度公式具体为:
pitch_regular=cos|β|
其中,pitch_regular为俯仰端正度,β为俯仰角,l1为所述第一线段,l2为所述第二线段,M为用于确定人脸处于俯视状态或仰视状态的预设阈值,w1、w2、b1和b2为通过对训练集进行线性拟合计算出的线性参数。
优选地,计算偏航角方向的偏航端正度具体包括:
获取所述目标轮廓特征图中人脸对称线与中心线的距离作为第三线段,将所述目标轮廓特征图的宽度的二分之一作为第四线段;
根据偏航端正度公式和所述第三线段与所述第四线段的比值,确定所述偏航端正度;其中,所述偏航端正度公式具体为:
其中,yaw_regular为偏航端正度,s为所述目标轮廓特征图中人脸对称线两侧人脸边缘特征的平均灰度值的比值,d为所述第三线段与所述第四线段的比值,H、K和V为预先通过对训练集计算出的参数。
优选地,所述边缘检测算法具体为索贝尔算子边缘检测算法。
为解决上述技术问题,本发明提供一种人脸端正度的确定装置,包括:
提取模块,用于从初始图像中提取出目标图像;
检测模块,用于对所述目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;
计算模块,用于根据所述目标轮廓特征图和所述关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;
确定模块,用于根据各预设权重值、所述翻滚端正度、所述俯仰端正度和所述偏航端正度,确定人脸的综合端正度。
为解决上述技术问题,本发明提供一种人脸端正度的确定设备,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述的人脸端正度的确定方法的步骤。
为解决上述技术问题,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的人脸端正度的确定方法的步骤。
本发明所提供的一种人脸端正度的确定方法,包括:从初始图像中提取出目标图像;对目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;根据目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;根据各预设权重值、翻滚端正度、俯仰端正度和偏航端正度,确定人脸的综合端正度。由此可见,本发明通过对目标图像进行拉普拉斯变换,实现了目标图像的锐化处理,增强了局部对比度;通过对数变换,对目标图像中的低灰度部分进行了扩展和增强,压缩了高灰度部分的值,增强了图像效果。通过拉普拉斯变换和对数变换,减弱了环境因素对目标图像轮廓特征的影响,便于对目标图像中的人脸特征进行识别,保证计算的脸部区域的端正度的准确率。
此外,本发明所提供的一种人脸端正度的确定装置、设备及存储介质与上述方法对应,具有同样的有益效果。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种人脸端正度的确定方法的流程图;
图2为本发明实施例提供的一种目标图像未进行拉普拉斯变换处理和对数变换处理时提取出的目标轮廓特征图;
图3为本发明实施例提供的一种目标图像进行拉普拉斯变换处理和对数变换处理时提取出的目标轮廓特征图;
图4为本发明实施例提供的一种计算翻滚角的示意图;
图5为本发明实施例的一种人脸端正度的确定装置的结构图;
图6为本发明实施例的一种人脸端正度的确定设备的结构图;
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,都属于本发明保护范围。
本发明的核心是提供一种人脸端正度的确定方法、装置、设备及介质。能够通过对目标图像进行拉普拉斯变换,实现目标图像的锐化处理,增强了局部对比度;通过对数变换,对目标图像中的低灰度部分进行扩展和增强,压缩了高灰度部分的值,增强了图像效果。通过拉普拉斯变换和对数变换,减弱了环境因素对目标图像轮廓特征的影响,便于对目标图像中的人脸特征进行识别,保证计算的脸部区域的端正度的准确率。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种人脸端正度的确定方法的流程图;如图1所示,本发明实施例提供的一种人脸端正度的确定方法,包括步骤S101-步骤S104:
步骤S101:从初始图像中提取出目标图像;
需要说明的是,关键点具体为脸部特征的坐标点。例如,两个眼球、鼻尖、眉头等位置,均可作为关键点。本领域技术人员可根据实际需求,设定不同数量的关键点,本发明实施例不作限定。
在一个实施例中,为便于识别人脸的关键点,可将人脸抓拍机拍到的人脸图像规整为正方形,将该正方形图像作为初始图像。
在具体实施中,从初始图像中提取出目标图像具体包括:
定位初始图像中的各关键点;
获取初始图像中各关键点的位置信息,确定各关键点的横坐标的第一最大值和第一最小值,确定各关键点的纵坐标的第二最大值和第二最小值;
将第一最大值、第一最小值、第二最大值和第二最小值构成的四个点作为顶点建立方形的剪裁区域,按照剪裁区域对初始图像进行剪裁以提取出目标图像。
具体地,初始图像中通常会包含一些背景,为了避免背景对人脸中信息识别产生影响进而影响人脸端正度的确定,可预先将图像中背景部分进行剪裁,仅保留包含有全部关键点的最小脸部图像作为目标图像即可。本领域技术人员可知,由各关键点中横坐标的第一最大值、第一最小值和各关键点中纵坐标的第二最大值、第二最小值作为顶点的方形图像为包含有全部关键点的最小脸部图像。因此,利用卷积神经网络算法对初始图像中的各关键点进行定位。将第一最大值、第一最小值、第二最大值和第二最小值构成的四个点作为顶点建立方形的剪裁区域,按照剪裁区域对初始图像进行剪裁以提取出目标图像。
步骤S102:对目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;
在具体实施中,对获取到的目标图像进行拉普拉斯变换处理以锐化图像,增强目标图像中局部对比度;对拉普拉斯变换处理后的目标图像进行对数变换处理,以扩展和增强目标图像中低灰度部分,压缩高灰度部分的值,增强图像效果。通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图。图2为本发明实施例提供的一种目标图像未进行拉普拉斯变换处理和对数变换处理时提取出的目标轮廓特征图;图3为本发明实施例提供的一种目标图像进行拉普拉斯变换处理和对数变换处理时提取出的目标轮廓特征图;如图2所示,在未进行拉普拉斯变换处理和对数变换处理时直接进行边缘检测得到的图像清晰度较差,图像噪声多;图3则更清晰,效果更好。
在一个实施例中,边缘检测算法具体为索贝尔算子边缘检测算法。需要说明的是,本领域技术人员也可根据实际应用情况,采用其它边缘检测算法进行图像边缘检测,本发明实施例不作限定。
步骤S103:根据目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;
步骤S104:根据各预设权重值、翻滚端正度、俯仰端正度和偏航端正度,确定人脸的综合端正度。
在一个实施例中,可根据获取到的目标轮廓特征图和关键点信息,计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度。具体地,关键点信息具体包括关键点的横坐标和纵坐标信息。需要说明的是,预设权重值包括预设的翻滚方向权重值、俯仰方向权重值和偏航方向权重值,本领域人员可根据实际应用中三个方向偏转对人脸识别产生的影响程度,确定各预设权重值。在具体实施中,翻滚方向权重值、俯仰方向权重值和偏航方向权重值的和为1,俯仰方向权重值和偏航方向权重值大于翻滚方向权重值。综合端正度的计算公式如下:
score=w1*pitch_regular+w2*roll_regular+w3*yaw_regular
其中,score为综合端正度,pitch_regular为翻滚端正度,roll_regular为俯仰端正度,yaw_regular为偏航端正度。w1、w2和w3分别为翻滚方向、俯仰方向和偏航方向的权重值。
本发明所提供的一种人脸端正度的确定方法,包括:从初始图像中提取出目标图像;对目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;根据目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;根据各预设权重值、翻滚端正度、俯仰端正度和偏航端正度,确定人脸的综合端正度。由此可见,本发明通过对目标图像进行拉普拉斯变换,实现了目标图像的锐化处理,增强了局部对比度;通过对数变换,对目标图像中的低灰度部分进行了扩展和增强,压缩了高灰度部分的值,增强了图像效果。通过拉普拉斯变换和对数变换,减弱了环境因素对目标图像轮廓特征的影响,便于对目标图像中的人脸特征进行识别,保证计算的脸部区域的端正度的准确率。
在一个实施例中,计算翻滚角方向的翻滚端正度具体为:
获取关键点中两个眼部关键点的第一坐标和第二坐标;
根据翻滚端正度公式、第一坐标和第二坐标,计算翻滚端正度;翻滚端正度公式具体为:
其中,roll_regular为翻滚端正度,(x1、y1)为第一坐标,(x2、y2)为第二坐标。
图4为本发明实施例提供的一种计算翻滚角的示意图;如图4所示,翻滚角的计算需要两个眼部的关键点,左眼的中心位置A为第一坐标(x1、y1),右眼的中心位置B为第二坐标(x2、y2)。α角即为脸部的翻滚角,α角越接近0,则表示人脸越端正。
在一个实施例中,计算俯仰角方向的俯仰端正度具体包括:
获取目标轮廓特征图中的第一线段与第二线段;其中,第一线段为鼻尖关键点到两个嘴角关键点所在线段的直线距离,第二线段为鼻尖关键点与两个眉头关键点所在线段的直线距离;
根据俯仰端正度公式、第一线段和第二线段,确定目标轮廓特征图的俯仰端正度;其中,俯仰端正度公式具体为:
pitch_regular=cos|β|
其中,pitch_regular为俯仰端正度,β为俯仰角,l1为第一线段,l2为第二线段,M为用于确定人脸处于俯视状态或仰视状态的预设阈值,w1、w2、b1和b2为通过对训练集进行线性拟合计算出的线性参数。
具体地,俯仰角的计算需要用到5个关键点,分别为两个眉头关键点、鼻尖关键点和两个嘴角关键点。将鼻尖关键点到两个嘴角关键点所在线段的直线距离作为第一线段,鼻尖关键点与两个眉头关键点所在线段的直线距离作为第二线段。根据俯仰端正度公式,即可计算出俯仰端正度。需要说明的是,M可通过现有技术中的端正人脸图像集分析得出。w1、w2、b1和b2可通过获取实际情况中的真实俯仰角数据作为训练集,对训练集进行线性拟合并利用梯度下降算法计算出的最优线性参数。本领域技术人员可根据现有技术确定出w1、w2、b1和b2,本发明实施例不再赘述。
在一个实施例中,计算偏航角方向的偏航端正度具体包括:
获取目标轮廓特征图中人脸对称线与中心线的距离作为第三线段,将目标轮廓特征图的宽度的二分之一作为第四线段;
根据偏航端正度公式和第三线段与第四线段的比值,确定偏航端正度;其中,偏航端正度公式具体为:
其中,yaw_regular为偏航端正度,s为目标轮廓特征图中人脸对称线两侧人脸边缘特征的平均灰度值的比值,d为第三线段与第四线段的比值,H、K和V为预先通过对训练集计算出的参数。
需要说明的是,人脸对称线具体为目标轮廓特征图中经过鼻尖关键点的铅垂线;中心线即为目标轮廓特征图的中线。具体地,可预先根据实际情况中的真实偏航角数据作为训练集,通过多次对训练集按照上述偏航端正度公式进行训练,可得到参数H、K和V。本领域技术人员可根据现有技术确定出参数H、K和V,本发明实施例不再赘述。
本发明还提供一种人脸端正度的确定装置和人脸端正度的确定设备对应的实施例。需要说明的是,本发明从两个角度对实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图5为本发明实施例的一种人脸端正度的确定装置的结构图;如图5所示,本发明实施例提供的一种人脸端正度的确定装置,包括:
提取模块10,用于从初始图像中提取出目标图像;
检测模块11,用于对目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;
计算模块12,用于根据目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;
确定模块13,用于根据各预设权重值、翻滚端正度、俯仰端正度和偏航端正度,确定人脸的综合端正度。
由于本部分的实施例与方法部分的实施例相互对应,因此本部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。本发明所提供的人脸端正度的确定装置,有益效果与提供的一种人脸端正度的确定方法的有益效果相同。
图6为本发明实施例的一种人脸端正度的确定设备的结构图;如图6所示,本发明实施例提供的一种人脸端正度的确定设备,包括存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述任一项的人脸端正度的确定方法的步骤。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的人脸端正度的确定方法中的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。
在一些实施例中,人脸端正度的确定设备还可包括有输入输出接口22、通信接口23、电源24以及通信总线25。
本领域技术人员可以理解,图6中示出的结构并不构成对人脸端正度的确定设备的限定,可以包括比图示更多或更少的组件。
由于本部分的实施例与方法部分的实施例相互对应,因此本部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。在本发明的一些实施例中,处理器和存储器可通过总线或其它方式连接。
本发明所提供的一种人脸端正度的确定设备,能够实现如下方法:从初始图像中提取出目标图像;对目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;根据目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;根据各预设权重值、翻滚端正度、俯仰端正度和偏航端正度,确定人脸的综合端正度。由此可见,本发明通过对目标图像进行拉普拉斯变换,实现了目标图像的锐化处理,增强了局部对比度;通过对数变换,对目标图像中的低灰度部分进行了扩展和增强,压缩了高灰度部分的值,增强了图像效果。通过拉普拉斯变换和对数变换,减弱了环境因素对目标图像轮廓特征的影响,便于对目标图像中的人脸特征进行识别,保证计算的脸部区域的端正度的准确率。
最后,本发明还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法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,本发明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全部或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,执行本发明各个实施例所述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,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种人脸端正度的确定方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种人脸端正度的确定方法,其特征在于,包括:
从初始图像中提取出目标图像;
对所述目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;
根据所述目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;
根据各预设权重值、所述翻滚端正度、所述俯仰端正度和所述偏航端正度,确定人脸的综合端正度;
所述从初始图像中提取出目标图像具体包括:
定位所述初始图像中的各关键点;
获取各所述关键点的位置信息,确定各所述关键点的横坐标的第一最大值和第一最小值,确定各所述关键点的纵坐标的第二最大值和第二最小值;
将所述第一最大值、所述第一最小值、所述第二最大值和所述第二最小值构成的四个点作为顶点建立方形的剪裁区域,按照所述剪裁区域对所述初始图像进行剪裁以提取出目标图像;
计算偏航角方向的偏航端正度具体包括:
获取所述目标轮廓特征图中人脸对称线与中心线的距离作为第三线段,将所述目标轮廓特征图的宽度的二分之一作为第四线段;
根据偏航端正度公式和所述第三线段与所述第四线段的比值,确定所述偏航端正度;其中,所述偏航端正度公式具体为:
其中,yaw_regular为偏航端正度,s为所述目标轮廓特征图中人脸对称线两侧人脸边缘特征的平均灰度值的比值,d为所述第三线段与所述第四线段的比值,H、K和V为预先通过对训练集计算出的参数。
2.根据权利要求1所述的人脸端正度的确定方法,其特征在于,所述定位所述初始图像中的各关键点具体为:
利用卷积神经网络算法对所述初始图像中的各关键点进行定位。
4.根据权利要求1所述的人脸端正度的确定方法,其特征在于,计算俯仰角方向的俯仰端正度具体包括:
获取所述目标轮廓特征图中的第一线段与第二线段;其中,所述第一线段为鼻尖关键点到两个嘴角关键点所在线段的直线距离,所述第二线段为鼻尖关键点与两个眉头关键点所在线段的直线距离;
根据俯仰端正度公式、所述第一线段和所述第二线段,确定所述目标轮廓特征图的俯仰端正度;其中,所述俯仰端正度公式具体为:
pitch_regular=cosβ
其中,pitch_regular为俯仰端正度,β为俯仰角,l1为所述第一线段,l2为所述第二线段,M为用于确定人脸处于俯视状态或仰视状态的预设阈值,w1、w2、b1和b2为通过对训练集进行线性拟合计算出的线性参数。
5.根据权利要求1所述的人脸端正度的确定方法,其特征在于,所述边缘检测算法具体为索贝尔算子边缘检测算法。
6.一种人脸端正度的确定装置,其特征在于,包括:
提取模块,用于从初始图像中提取出目标图像;
检测模块,用于对所述目标图像进行拉普拉斯变换处理和对数变换处理,并通过边缘检测算法对处理后的目标图像进行边缘检测以获得目标轮廓特征图;
计算模块,用于根据所述目标轮廓特征图和关键点信息,分别计算翻滚角方向的翻滚端正度、俯仰角方向的俯仰端正度和偏航角方向的偏航端正度;
确定模块,用于根据各预设权重值、所述翻滚端正度、所述俯仰端正度和所述偏航端正度,确定人脸的综合端正度;
所述提取模块,具体用于定位所述初始图像中的各关键点;
获取各所述关键点的位置信息,确定各所述关键点的横坐标的第一最大值和第一最小值,确定各所述关键点的纵坐标的第二最大值和第二最小值;
将所述第一最大值、所述第一最小值、所述第二最大值和所述第二最小值构成的四个点作为顶点建立方形的剪裁区域,按照所述剪裁区域对所述初始图像进行剪裁以提取出目标图像;
计算偏航角方向的偏航端正度具体包括:
获取所述目标轮廓特征图中人脸对称线与中心线的距离作为第三线段,将所述目标轮廓特征图的宽度的二分之一作为第四线段;
根据偏航端正度公式和所述第三线段与所述第四线段的比值,确定所述偏航端正度;其中,所述偏航端正度公式具体为:
其中,yaw_regular为偏航端正度,s为所述目标轮廓特征图中人脸对称线两侧人脸边缘特征的平均灰度值的比值,d为所述第三线段与所述第四线段的比值,H、K和V为预先通过对训练集计算出的参数。
7.一种人脸端正度的确定设备,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的人脸端正度的确定方法的步骤。
8.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的人脸端正度的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425313.7A CN111612712B (zh) | 2020-05-19 | 2020-05-19 | 一种人脸端正度的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425313.7A CN111612712B (zh) | 2020-05-19 | 2020-05-19 | 一种人脸端正度的确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612712A CN111612712A (zh) | 2020-09-01 |
CN111612712B true CN111612712B (zh) | 2023-04-25 |
Family
ID=72200324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010425313.7A Active CN111612712B (zh) | 2020-05-19 | 2020-05-19 | 一种人脸端正度的确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612712B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652010A (zh) * | 2020-12-25 | 2021-04-13 | 安徽工业大学 | 一种基于图像增强和霍夫变换的球团粒径检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226585B (zh) * | 2007-01-18 | 2010-10-13 | 华硕电脑股份有限公司 | 脸部端正度的计算方法及其计算机系统 |
CN108764048B (zh) * | 2018-04-28 | 2021-03-16 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN109859098B (zh) * | 2019-01-15 | 2022-11-22 | 深圳市云之梦科技有限公司 | 人脸图像融合方法、装置、计算机设备及可读存储介质 |
CN109961055A (zh) * | 2019-03-29 | 2019-07-02 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
-
2020
- 2020-05-19 CN CN202010425313.7A patent/CN111612712B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111612712A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10635890B2 (en) | Facial recognition method and apparatus, electronic device, and storage medium | |
CN105404861B (zh) | 人脸关键特征点检测模型的训练、检测方法及系统 | |
CN107392866B (zh) | 一种光照鲁棒的人脸图像局部纹理增强方法 | |
JP4414401B2 (ja) | 顔特徴点検出方法および装置並びにプログラム | |
CN109815881A (zh) | 行为识别模型的训练方法、行为识别方法、装置及设备 | |
CN111598038B (zh) | 脸部特征点检测方法、装置、设备及存储介质 | |
CN113343826A (zh) | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 | |
CN108062543A (zh) | 一种面部识别方法及装置 | |
CN110569756A (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
CN103902977A (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
WO2019014813A1 (zh) | 一种定量检测人脸肤质参量的方法、装置和智能终端 | |
CN113962306A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN114693604A (zh) | 脊椎医学影像处理方法、装置、设备及存储介质 | |
CN113392681A (zh) | 人体跌倒检测方法、装置及终端设备 | |
Zhao et al. | Region-based saliency estimation for 3D shape analysis and understanding | |
CN112699857A (zh) | 基于人脸姿态的活体验证方法、装置及电子设备 | |
CN111612712B (zh) | 一种人脸端正度的确定方法、装置、设备及介质 | |
CN113379623B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
KR101791604B1 (ko) | 헤드 포지션 추정 방법 및 장치, 컴퓨터 판독가능 저장 매체 | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
CN111612083B (zh) | 一种手指静脉识别方法、装置及设备 | |
CN110427907B (zh) | 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法 | |
CN116703748A (zh) | 书法作品评价方法、装置、电子设备及计算机可读存储介质 | |
Xu et al. | MultiView-based hand posture recognition method based on point cloud | |
CN114120417A (zh) | 人脸图像处理方法、装置、电子设备和存储介质 |
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 |