CN111639517A - 人脸图像筛选方法及装置 - Google Patents
人脸图像筛选方法及装置 Download PDFInfo
- Publication number
- CN111639517A CN111639517A CN202010125732.9A CN202010125732A CN111639517A CN 111639517 A CN111639517 A CN 111639517A CN 202010125732 A CN202010125732 A CN 202010125732A CN 111639517 A CN111639517 A CN 111639517A
- Authority
- CN
- China
- Prior art keywords
- face image
- original
- images
- original face
- similarity
- 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 40
- 238000012216 screening Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000001815 facial effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000036544 posture Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种人脸图像筛选方法、人脸图像筛选装置、电子设备和计算机可读存储介质，其中人脸图像筛选方法包括：获取一个或多个原始人脸图像；提取原始人脸图像的重建特征信息；基于重建特征信息，通过特征重建，得到复原人脸图像；确定每个原始人脸图像和原始人脸图像对应的复原人脸图像之间的相似度；基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像。通过基于人脸图像进行特征提取，并基于提取到的特征进行重建，得到复原人脸图像，再比较于原人脸图像的相似度判断原人脸图像的质量，对人脸图像质量关系到的特征提取的核心问题进行了端到端化，并给人脸质量判断提供了一个数字化的指标。
Description
技术领域
本公开一般地涉及图像处理领域，具体涉及一种人脸图像筛选方法、人脸图像筛选装置、电子设备和计算机可读存储介质。
背景技术
目前随着社会发展和科技的进步，很多场景中需要通过人脸图像对人物对象进行检测和识别。
人脸图像是高维数据，而在人脸检测、人脸识别则通过人脸特征来实现，人脸特征通过神经网络抽取，实现高维度数据到低维度特征的转换。在人脸检测和识别任务中，人脸图像质量的好坏对于抽取出来的特征具有很大的影响，质量高的人脸图像抽取出来的特征具有高的鲁棒性，能够提升检测、识别等任务的表现；低质量的人脸图像则会影响特征提取以及结论的准确。而在实际应用场景中，缺乏有效的筛选手段判断人脸图像的质量。
发明内容
为了解决现有技术中存在的上述问题，本公开的第一方面提供一种人脸图像筛选方法，其中，方法包括：获取一个或多个原始人脸图像；提取原始人脸图像的重建特征信息；基于重建特征信息，通过特征重建，得到复原人脸图像；确定每个原始人脸图像和原始人脸图像对应的复原人脸图像之间的相似度；基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像。
在一例中，提取原始人脸图像的重建特征信息，包括：对原始人脸图像进行特征提取，得到人脸关键点信息；基于人脸关键点信息，得到重建特征信息，其中重建特征信息包括：人脸姿态信息和UV贴图信息。
在一例中，基于重建特征信息，通过特征重建，得到复原人脸图像，包括：将原始人脸图像的人脸姿态信息和UV贴图信息输入神经网络，得到原始人脸图像对应的复原人脸图像，其中复原人脸图像为正脸图像。
在一例中，确定每个原始人脸图像和原始人脸图像对应的复原人脸图像之间的相似度，包括：分别提取原始人脸图像的第一特征向量，和原始人脸图像对应的复原人脸图像的第二特征向量；根据第一特征向量与第二特征向量的距离，确定相似度。
在一例中，基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像，包括：若原始人脸图像对应的相似度大于相似阈值，则原始人脸图像为合格图像。
在一例中，基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像，包括：对原始人脸图像按相似度由高到低进行排序；根据合格图像的预设数量，选取排序最前的预设数量的原始人脸图像作为合格图像。
在一例中，获取一个或多个原始人脸图像，包括：获取视频，其中视频包括连续视频帧；对视频帧进行目标检测，并通过目标追踪，得到一个或多个原始人脸图像。
本公开的第二方面提供一种人脸图像筛选装置，装置包括：获取模块，用于获取一个或多个原始人脸图像；特征提取模块，用于提取原始人脸图像的重建特征信息；重建模块，用于基于重建特征信息，通过特征重建，得到复原人脸图像；对比模块，用于确定每个原始人脸图像和原始人脸图像对应的复原人脸图像之间的相似度；筛选模块，用于基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像。
本公开的第三方面提供一种电子设备，包括：存储器，用于存储指令；以及处理器，用于调用存储器存储的指令执行如第一方面的人脸图像筛选方法。
本公开的第四方面提供一种计算机可读存储介质，其中存储有指令，指令被处理器执行时，执行如第一方面的人脸图像筛选方法。
本公开提供的人脸图像筛选方法、人脸图像筛选装置、电子设备和计算机可读存储介质，通过基于人脸图像进行特征提取，并基于提取到的特征进行重建，得到复原人脸图像，再比较于原人脸图像的相似度判断原人脸图像的质量，对人脸图像质量关系到的特征提取的核心问题进行了端到端化，并给人脸质量判断提供了一个数字化的指标。
附图说明
通过参考附图阅读下文的详细描述，本公开实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
图1示出了根据本公开一实施例人脸图像筛选方法的流程示意图；
图2示出了根据本公开另一实施例人脸图像筛选方法的流程示意图；
图3示出了根据本公开另一实施例人脸图像筛选方法的流程示意图；
图4示出了根据本公开另一实施例人脸图像筛选方法的流程示意图；
图5示出了根据本公开一实施例的人脸图像筛选装置示意图。
图6是本公开实施例提供的一种电子设备示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。
需要注意，虽然本文中使用“第一”、“第二”等表述来描述本公开的实施方式的不同模块、步骤和数据等，但是“第一”、“第二”等表述仅是为了在不同的模块、步骤和数据等之间进行区分，而并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。
在一些相关技术中，直接通人脸图像中的人脸尺寸大小和角度进行判断人脸图像的质量，而该种方式并不准确和客观，人脸尺寸大小和角度并不是影响神经网络提取特征的主要因素，并且也不能真实和全面的反映人脸图像的质量。
在另一些相关技术中，对人脸图像的质量评估方式是基于人脸关键点(landmark)，对人脸图像进行矫正(warp)操作后再次得到人脸关键点，比较两个人脸关键点之间的差异，判断人脸图像的质量。这样方式的缺点在于对于偏转角度较大的人脸，判断结果并不准确，同时，矫正操作也十分繁琐。
为了解决上述问题，提供能够准确、直接并客观的评价人脸图像质量的方式，图1示出了本公开实施例提供的一种人脸图像筛选方法10，包括：步骤S11-步骤S15。下文分别对上述步骤进行详细说明：
步骤S11，获取一个或多个原始人脸图像。
根据实际需求，可以获取一个原始人脸图像，用于判断该图像的质量是否合格；也可以获取多个原始人脸图像，从而筛选出其中合格的图像或质量最优的图像。
在一实施例中，如图2所示，步骤S11可以包括：步骤S111，获取视频，其中视频包括连续视频帧；步骤S112，对视频帧进行目标检测，并通过目标追踪，得到一个或多个原始人脸图像。本实施例中，可以获取一段视频，在连续的视频帧中，包含有人物，通过目标检测，能够检测得到人体、人脸或人体头部的图像，对于同一个人，能够通过目标追踪(track)获取连续视频帧中每一帧中的该人的人脸图像。而实际应用场景中，获取的多张人脸图像中往往用于后续任务，如通过神经网络模型判断人物的属性信息或根据底库图像进行再识别等，在进行后续任务时，人脸图像的质量直接影响任务的结果，因此通过本公开提供的人脸图像筛选方法10，能够从同一人的多个人脸图像中，选取质量合格图像，或最优的一张或多张图像，再进行后续任务，从而保证了后续任务的准确性。
在另一些实施例中，原始人脸图像也可以是已有的人像档案中的同一人的图片，通过人脸图像筛选方法10进行筛选，能够对档案中的图像进行精简，保证档案中的图像质量，为之后识别应用、或作为底库图像的情况下，保证准确率。
步骤S12，提取原始人脸图像的重建特征信息。
提取特征的方式可以有多种，在一些实施例中，可以通过神经网络原始人脸图像的进行特征提取得到重建特征信息，用于之后重建得到复原人脸图像。
在一实施例中，如图3所示，步骤S12可以包括：步骤S121，对原始人脸图像进行特征提取，得到人脸关键点信息；步骤S122，基于人脸关键点信息，得到重建特征信息，其中重建特征信息包括：人脸姿态信息和UV贴图(UV map)信息。本实施例中，可以通过神经网络对原始人脸图像进行特征提取，提取得到人脸关键点信息，其中，在一例中，人脸关键点可以是稠密关键点，如人脸的轴线、眼部及其他部位均获取128个关键点，能够保证特征全面，也保证后续处理的准确；另一例中，人脸关键点也可以是稀疏关键点，对于人脸五官和姿态进行定位，能够满足本公开的需求即可，从而有效降低计算量和运行成本。在得到人脸关键点信息之后，基于人脸关键点信息得到人脸姿态(pose)信息和UV贴图信息，其中，人脸姿态信息体现了人脸的姿态，主要包括三个角度信息，即人脸在三维空间中的三个轴的转角；而UV贴图信息则是三维人脸图像在二维空间的展开映射图像。
步骤S13，基于重建特征信息，通过特征重建，得到复原人脸图像。
通过重建特征信息，可以通过另一神经网络进行特征重建，得到一幅复原人脸图像，该复原人脸图像是基于原始人脸图像的特征进行重建得到的，于原始人脸图像对应。
在一实施例中，步骤S13可以包括，将原始人脸图像的人脸姿态信息和UV贴图信息输入神经网络，得到原始人脸图像对应的复原人脸图像，其中复原人脸图像为正脸图像。本实施例中，基于人脸姿态信息和UV贴图信息，通过神经网络能够得到正脸图像，从而保证重建得到的图像的质量以及后续特征提取的准确性，继而保证了筛选结果的可靠程度。
步骤S14，确定每个原始人脸图像和原始人脸图像对应的复原人脸图像之间的相似度。
对于高质量的原始人像图像，应该能够提取到具有高鲁棒性的特征，因此与重建得到的正脸图像，应该具有相似性，因此，确定原始人脸图像和其对应重建得到的复原人脸图像之间的相似度，能够对原始人脸图像的质量进行合理的判断和筛选。
在一实施例中，如图4所示，步骤S14还可以包括：步骤S141，分别提取原始人脸图像的第一特征向量，和原始人脸图像对应的复原人脸图像的第二特征向量；步骤S142，根据第一特征向量与第二特征向量的距离，确定相似度。本实施例中，可以通过人脸识别模型或其他特征提取模型，对原始人脸图像和对应的复原人脸图像进行特征提取，根据模型结构，可以分别得到多维度的代表人脸特征的特征向量，确定两特征向量之间的距离，距离越近相似度越高，其中，距离可以采用欧氏距离进行计算。通过特征向量的距离确定相似度，能够客观并准确的评价原始人脸图像和复原人脸图像之间是否相似，并且本公开提供的方法在很多场景中是判断原始人脸图像是否在进行特征提取时能够得到更准确的结果，因此通过特征提取得到的特征向量进行判断得到的结果更加直接和准确。
步骤S15，基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像。
由于复原人脸图像是由原始人脸图像提取的特征进行重建得到的，因此，两者相似也就代表了原始人脸图像的提取得到的特征具有很强的鲁棒性，也就代表了该原始人脸图像在进行图像特征提取的场景中，属于高质量图像。
在一实施例中，步骤S15可以包括：若原始图像对应的相似度大于相似阈值，则原始人脸图像为合格图像。本实施例中，可以通过设置相似阈值，将相似度大于相似阈值的原始人脸图像确定为合格图像，可以用于后续任务，保证后续任务的可靠性，本实施例可以适用于质量的筛选，剔除质量低的原始人连图像，保留质量高的合格图像。
在另一实施例中，步骤S15可以包括：对原始人脸图像按相似度由高到低进行排序；根据合格图像的预设数量，选取排序最前的预设数量的原始人脸图像作为合格图像。本实施例中，对原始人脸图像按照相似度排序，根据预设数量，选取相似度最高的一个或多个作为合格图像，其中预设数量可以为一定值，如3个、5个等，也可以是一个比值，即根据该次筛选涉及的全部原始人脸图像的数量的比值得到一数值作为合格图像的个数，如10％或5％等。本实施例可以适用于在多个原始人脸图像中进行选优，得到最能代表该人物的质量最高的一个或多个原始图像，用于之后任务。
在又一些实施例中，可以将上述两种确定合格图像的方式进行融合，如先进行排序，根据预设数量初步选取最优的若干原始人脸图像，再根据相似阈值进行筛选，若其中仍有不满足相似阈值的原始人脸图像，也将其剔除。
前述实施例中，经过筛选后，不满足合格图像标准的原始人脸图像可以反馈，之后可以进行删除或单独建档等方式处理。
基于同一发明构思，本公开还提供一种人脸图像筛选装置100，如图5所示，人脸图像筛选装置100包括：获取模块110，用于获取一个或多个原始人脸图像；特征提取模块120，用于提取原始人脸图像的重建特征信息；重建模块130，用于基于重建特征信息，通过特征重建，得到复原人脸图像；对比模块140，用于确定每个原始人脸图像和原始人脸图像对应的复原人脸图像之间的相似度；筛选模块150，用于基于每个原始人脸图像对应的相似度，确定原始人脸图像中的合格图像。
在一实施例中，特征提取模块120还用于：对原始人脸图像进行特征提取，得到人脸关键点信息；基于人脸关键点信息，得到重建特征信息，其中重建特征信息包括：人脸姿态信息和UV贴图信息。
在一实施例中，重建模块130还用于：将原始人脸图像的人脸姿态信息和UV贴图信息输入神经网络，得到原始人脸图像对应的复原人脸图像，其中复原人脸图像为正脸图像。
在一实施例中，对比模块140还用于：分别提取原始人脸图像的第一特征向量，和原始人脸图像对应的复原人脸图像的第二特征向量；根据第一特征向量与第二特征向量的距离，确定相似度。
在一实施例中，筛选模块150还用于：若原始人脸图像对应的相似度大于相似阈值，则原始人脸图像为合格图像。
在一实施例中，筛选模块150还用于：对原始人脸图像按相似度由高到低进行排序；根据合格图像的预设数量，选取排序最前的预设数量的原始人脸图像作为合格图像。
在一实施例中，获取模块110还用于：获取视频，其中视频包括连续视频帧；对视频帧进行目标检测，并通过目标追踪，得到一个或多个原始人脸图像。
关于上述实施例中的人脸图像筛选装置100，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。
如图6所示，本公开的一个实施方式提供了一种电子设备200。其中，该电子设备200包括存储器201、处理器202、输入/输出(Input/Output，I/O)接口203。其中，存储器201，用于存储指令。处理器202，用于调用存储器201存储的指令执行本公开实施例的人脸图像筛选方法。其中，处理器202分别与存储器201、I/O接口203连接，例如可通过总线系统和/或其他形式的连接机构(未示出)进行连接。存储器201可用于存储程序和数据，包括本公开实施例中涉及的人脸图像筛选方法的程序，处理器202通过运行存储在存储器201的程序从而执行电子设备200的各种功能应用以及数据处理。
本公开实施例中处理器202可以采用数字信号处理器(Digital SignalProcessing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现，所述处理器202可以是中央处理单元(Central Processing Unit，CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元中的一种或几种的组合。
本公开实施例中的存储器201可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(Random Access Memory，RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(Read-OnlyMemory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等。
本公开实施例中，I/O接口203可用于接收输入的指令(例如数字或字符信息，以及产生与电子设备200的用户设置以及功能控制有关的键信号输入等)，也可向外部输出各种信息(例如，图像或声音等)。本公开实施例中I/O接口203可包括物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标、操作杆、轨迹球、麦克风、扬声器、和触控面板等中的一个或多个。
可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本公开实施例涉及的方法和装置能够利用标准编程技术来完成，利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是，此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中，软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现，其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
出于示例和描述的目的，已经给出了本公开实施的前述说明。前述说明并非是穷举性的也并非要将本公开限制到所公开的确切形式，根据上述教导还可能存在各种变形和修改，或者是可能从本公开的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本公开的原理及其实际应用，以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本公开。
Claims (10)
1.一种人脸图像筛选方法，所述方法包括：
获取一个或多个原始人脸图像；
提取所述原始人脸图像的重建特征信息；
基于所述重建特征信息，通过特征重建，得到复原人脸图像；
确定每个所述原始人脸图像和所述原始人脸图像对应的所述复原人脸图像之间的相似度；
基于每个所述原始人脸图像对应的所述相似度，确定所述原始人脸图像中的合格图像。
2.根据权利要求1所述的方法，其中，所述提取所述原始人脸图像的重建特征信息，包括：
对所述原始人脸图像进行特征提取，得到人脸关键点信息；
基于所述人脸关键点信息，得到所述重建特征信息，其中所述重建特征信息包括：人脸姿态信息和UV贴图信息。
3.根据权利要求2所述的方法，其中，所述基于所述重建特征信息，通过特征重建，得到复原人脸图像，包括：
将所述原始人脸图像的所述人脸姿态信息和所述UV贴图信息输入神经网络，得到所述原始人脸图像对应的所述复原人脸图像，其中所述复原人脸图像为正脸图像。
4.根据权利要求1所述的方法，其中，所述确定每个所述原始人脸图像和所述原始人脸图像对应的所述复原人脸图像之间的相似度，包括：
分别提取所述原始人脸图像的第一特征向量，和所述原始人脸图像对应的所述复原人脸图像的第二特征向量；
根据所述第一特征向量与所述第二特征向量的距离，确定所述相似度。
5.根据权利要求1所述的方法，其中，所述基于每个所述原始人脸图像对应的所述相似度，确定所述原始人脸图像中的合格图像，包括：
若所述原始人脸图像对应的所述相似度大于相似阈值，则所述原始人脸图像为合格图像。
6.根据权利要求1所述的方法，其中，所述基于每个所述原始人脸图像对应的所述相似度，确定所述原始人脸图像中的合格图像，包括：
对所述原始人脸图像按所述相似度由高到低进行排序；
根据所述合格图像的预设数量，选取排序最前的所述预设数量的所述原始人脸图像作为所述合格图像。
7.根据权利要求1所述的方法，所述获取一个或多个原始人脸图像，包括：
获取视频，其中所述视频包括连续视频帧；
对所述视频帧进行目标检测，并通过目标追踪，得到所述一个或多个原始人脸图像。
8.一种人脸图像筛选装置，其中，所述装置包括：
获取模块，用于获取一个或多个原始人脸图像；
特征提取模块，用于提取所述原始人脸图像的重建特征信息；
重建模块，用于基于所述重建特征信息，通过特征重建，得到复原人脸图像；
对比模块，用于确定每个所述原始人脸图像和所述原始人脸图像对应的所述复原人脸图像之间的相似度；
筛选模块，用于基于每个所述原始人脸图像对应的所述相似度，确定所述原始人脸图像中的合格图像。
9.一种电子设备，其中，所述电子设备包括：
存储器，用于存储指令；以及
处理器，用于调用所述存储器存储的指令执行如权利要求1-7中任一项所述的人脸图像筛选方法。
10.一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行如权利要求1-7中任一项所述的人脸图像筛选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010125732.9A CN111639517A (zh) | 2020-02-27 | 2020-02-27 | 人脸图像筛选方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010125732.9A CN111639517A (zh) | 2020-02-27 | 2020-02-27 | 人脸图像筛选方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111639517A true CN111639517A (zh) | 2020-09-08 |
Family
ID=72329384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010125732.9A Pending CN111639517A (zh) | 2020-02-27 | 2020-02-27 | 人脸图像筛选方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639517A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112115860A (zh) * | 2020-09-18 | 2020-12-22 | 深圳市威富视界有限公司 | 人脸关键点定位方法、装置、计算机设备和存储介质 |
| CN113505723A (zh) * | 2021-07-23 | 2021-10-15 | 京东科技控股股份有限公司 | 行人重识别方法及装置、存储介质及电子设备 |
-
2020
- 2020-02-27 CN CN202010125732.9A patent/CN111639517A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112115860A (zh) * | 2020-09-18 | 2020-12-22 | 深圳市威富视界有限公司 | 人脸关键点定位方法、装置、计算机设备和存储介质 |
| CN113505723A (zh) * | 2021-07-23 | 2021-10-15 | 京东科技控股股份有限公司 | 行人重识别方法及装置、存储介质及电子设备 |
| CN113505723B (zh) * | 2021-07-23 | 2024-05-24 | 北京京东尚科信息技术有限公司 | 行人重识别方法及装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5552519B2 (ja) | 顔特徴ベクトルの構築 | |
| Sikka et al. | Multiple kernel learning for emotion recognition in the wild | |
| CN110675487B (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
| US7447338B2 (en) | Method and system for face detection using pattern classifier | |
| JP2011013732A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| CN111291817B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN110413815B (zh) | 人像聚类清洗方法和装置 | |
| CN110930419A (zh) | 图像分割方法、装置、电子设备及计算机存储介质 | |
| JP2011198268A (ja) | 情報処理装置および方法、並びにプログラム | |
| JP2010165046A (ja) | 情報処理装置及び情報処理方法 | |
| Zheng et al. | Fusing shape and spatio-temporal features for depth-based dynamic hand gesture recognition | |
| Li et al. | Online metric-weighted linear representations for robust visual tracking | |
| CN111639517A (zh) | 人脸图像筛选方法及装置 | |
| Han et al. | Learning generative models of tissue organization with supervised GANs | |
| JP3998628B2 (ja) | パターン認識装置及びその方法 | |
| Dong et al. | A supervised dictionary learning and discriminative weighting model for action recognition | |
| JP2018124990A (ja) | モデル生成装置、評価装置、モデル生成方法、評価方法及びプログラム | |
| Limberger et al. | Shrec'17 track: Point-cloud shape retrieval of non-rigid toys | |
| CN110032959B (zh) | 一种人脸脸型判断方法及装置 | |
| JP2006244385A (ja) | 顔判別装置およびプログラム並びに顔判別装置の学習方法 | |
| CN113705511A (zh) | 手势识别方法及装置 | |
| CN112434629A (zh) | 一种在线时序动作检测方法及设备 | |
| Matsuo et al. | Self-augmented multi-modal feature embedding | |
| CN111353353A (zh) | 跨姿态的人脸识别方法及装置 | |
| Rushe et al. | Deep context-aware novelty detection |
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: 20230807 Address after: Room 59, 17th Floor, Science and Technology Innovation Building, No. 777 Zhongguan West Road, Zhuangshi Street, Zhenhai District, Ningbo City, Zhejiang Province, 315201 Applicant after: Aixin Yuanzhi Semiconductor (Ningbo) Co.,Ltd. Address before: 100080 316-318, block a, Rongke Information Center, No.2, south academy of Sciences Road, Haidian District, Beijing Applicant before: MEGVII (BEIJING) TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 59, 17th Floor, Science and Technology Innovation Building, No. 777 Zhongguan West Road, Zhuangshi Street, Ningbo City, Zhejiang Province, 315201 Applicant after: Aixin Yuanzhi Semiconductor Co.,Ltd. Address before: Room 59, 17th Floor, Science and Technology Innovation Building, No. 777 Zhongguan West Road, Zhuangshi Street, Zhenhai District, Ningbo City, Zhejiang Province, 315201 Applicant before: Aixin Yuanzhi Semiconductor (Ningbo) Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |