CN111767846A - 图像识别方法、装置、设备和计算机存储介质 - Google Patents

图像识别方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN111767846A
CN111767846A CN202010605404.9A CN202010605404A CN111767846A CN 111767846 A CN111767846 A CN 111767846A CN 202010605404 A CN202010605404 A CN 202010605404A CN 111767846 A CN111767846 A CN 111767846A
Authority
CN
China
Prior art keywords
face image
wrinkle
face
scale
image
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
Application number
CN202010605404.9A
Other languages
English (en)
Inventor
郭知智
孙逸鹏
刘经拓
韩钧宇
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010605404.9A priority Critical patent/CN111767846A/zh
Publication of CN111767846A publication Critical patent/CN111767846A/zh
Priority to EP21163965.3A priority patent/EP3859604A3/en
Priority to US17/208,611 priority patent/US11687779B2/en
Priority to KR1020210037793A priority patent/KR102597377B1/ko
Priority to JP2021051228A priority patent/JP7106705B2/ja
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Abstract

本申请公开了一种图像识别方法，涉及人工智能技术领域，尤其涉及图像处理技术领域。具体实现方案为：将预处理的人脸图像进行五官识别，并在人脸图像中标注人脸五官的位置，得到标注的人脸图像；确定标注的人脸图像的多尺度下的人脸图像，将多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；将位于人脸图像同一区域的每一种尺度的皱纹特征进行融合，获得人脸图像的皱纹识别结果。本申请实施例具有较高的皱纹识别精度，且不易受光照等外界环境的影响。

Description

图像识别方法、装置、设备和计算机存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及图像处理技术领域。
背景技术
随着计算机技术的发展，图像处理和图像识别技术也越来越智能化。在图像识别领域，可以通过人工智能的手段进行人脸识别、人体识别等。图像处理技术也逐渐应用于越来越多的领域，例如，安检、门禁、新闻和医疗等。
在医疗领域，图像识别技术可以用于识别人脸上的皱纹。在这种应用领域，如何提高识别准确度，是需要解决的问题。
发明内容
本公开提供了一种图像识别方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种图像识别方法，包括：
将预处理的人脸图像进行五官识别，并在人脸图像中标注人脸五官的位置，得到标注的人脸图像；
确定标注的人脸图像的多尺度下的人脸图像，将多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；
将位于人脸图像同一区域的每一种尺度的皱纹特征进行融合，获得人脸图像的皱纹识别结果。
根据本公开的另一方面，提供了一种图像识别装置，包括：
识别模块，用于将预处理的人脸图像进行五官识别，并在人脸图像中标注人脸五官的位置，得到标注的人脸图像；
特征提取模块，用于确定标注的人脸图像的多尺度下的人脸图像，将多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；
融合模块，用于将位于人脸图像同一区域的每一种尺度的皱纹特征进行融合，获得人脸图像的皱纹识别结果。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。
根据本申请的技术能够提高皱纹识别精度，且识别过程不受光照等外界环境干扰。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的图像识别方法示意图；
图2是根据本申请实施例的图像方法在一具体场景下的示意图；
图3是根据本申请另一实施例的图像识别方法示意图；
图4是根据本申请另一实施例的图像识别数据处理过程示意图；
图5是根据本申请实施例的图像识别装置示意图；
图6是根据本申请另一实施例的图像识别装置示意图；
图7是根据本申请实施例的图像识别装置中特征提取模块的装置示意图；
图8是用来实现本申请实施例的图像识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1示出了根据本申请一种实施例的图像识别方法，包括：
步骤101：将预处理的人脸图像进行五官识别，并在所述人脸图像中标注人脸五官的位置，得到标注的人脸图像；
步骤102：确定标注的人脸图像的多尺度下的人脸图像，将所述多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；
步骤103：将位于人脸图像同一区域的每一种尺度的所述皱纹特征进行融合，获得所述人脸图像的皱纹识别结果。
本实施例中，预处理的人脸图像可以是需要处理的人脸图像经过处理后的图像，具体可以通过图像规划、背景剔除、人脸检测等方式获得。将预处理的人脸图像进行器官识别，可以包括在人脸图像中找出五官所在的区域，例如，找出眼球区域、鼻子区域、眉毛区域、面颊区域和嘴巴区域等。
本实施例中，多尺度下的人脸图像，可以是对原始大小的人脸图像进行扩大或者缩放得到的人脸图像。比如，将原始大小的人脸图像缩小到原始大小的二分之一、四份之一或者八分之一等，得到原始大小的人脸图像、二分之一原始大小的人脸图像、四分之一大小的人脸图像或者八分之一大小的人脸图像等。
本实施例中，将多尺度的人脸图像输入主干网络模型进行特征提取，获得各尺度的人脸图像的皱纹特征。比如，将原始大小的人脸图像缩小到原始大小的二分之一、四份之一或者八分之一等，得到原始大小的人脸图像、二分之一原始大小的人脸图像、四分之一大小的人脸图像和八分之一大小的人脸图像等。对应获得的多尺度的皱纹特征包括：原始大小的皱纹特征、二分之一原始大小的皱纹特征、四分之一原始大小的皱纹特征和八分之一原始大小的皱纹特征。
本实施例中，能够将预处理的人脸图像进行五官识别，然后根据五官识别结果，获得多种尺度的人脸图像，再将多种尺度的人脸图像输入主干网络模型进行特征提取，从而得到多种尺度下每一种尺度的人脸图像的皱纹特征，由于融合了多种尺度，因此，能够保证细小的皱纹也被识别出来，可精确分割出潜在隐藏的细小皱纹，从而提高了识别的准确性。本实施例中，通过主干网络模型进行参数共享，直接从输入端到输出端输出每条皱纹轮廓坐标，及每条皱纹的面积。本实施例采用了多尺度输入、多尺度输出融合的网络结构，可精确分割出潜在隐藏的细小皱纹，在不同光照环境下均可以精确分割人脸皱纹。
在一种实施方式中，如图2所示，图像识别方法还包括：
步骤201：将所述人脸图像的像素进行均一化处理，获得均一化处理后的人脸图像；
步骤202：将所述均一化处理后的人脸图像的像素方差进行归一化处理，获得所述预处理的人脸图像。
在本实施例中，将该人脸图像的像素进行均一化处理，获得均一化处理后的人脸图像，具体可以包括：将人脸图像的像素值进行均一化处理。按照设定的像素值，对像素进行调整，若高于设定的像素值，则将对应的像素值调低；若低于设定的像素值，则将对应的像素值调高。
本实施例中，利用人脸检测模型和人脸关键点检测模型得到皮肤检测区域，对皮肤检测区域进行均值和方差进行归一化，以消除不同环境下光照的影响。利用人脸五官分割模型分割出人脸五官及皮肤区域，得到的皮肤检测掩膜如图3所示。
皱纹分割方法通常会受到光照、皮肤阴影、眼镜等因素的干扰，在图像质量不佳情况下分割精度很低。本实施例中，将人脸像素进行均一化处理，然后将均一化处理后的人脸图像的像素方差进行归一化处理，从而能够避免光照、眼镜遮挡等因素导致的人脸阴影，从而影响皱纹识别的准确性。本实施例基于深度学习模型精确分割出人脸中各种类型(抬头纹、鱼尾纹、眼下细纹、法令纹)的皱纹，对于不同光照环境下的人脸图片具有较好的准确性与鲁棒性。
在本申请另一种实施例中，所述将所述标注的人脸图像输入主干网络模型进行特征提取，获得不同尺度的人脸图像的皱纹特征，包括：
将所述标注的人脸图像进行多尺度的伸缩处理，获得所述多种尺度的人脸图像；
将所述多种尺度的人脸图像输入所述主干网络模型，获得所述多种尺度下每一种尺度的人脸图像的皱纹特征。
本实施例中，将人脸图像进行多尺度的伸缩处理，可以得到多种尺度的人脸图像。在其它实施方式中，可以将人脸图像进行扩大或缩小。
本实施例中，将所述多种尺度的人脸图像输入所述主干网络模型，获得所述多种尺度下每一种尺度的人脸图像的皱纹特征，具体可以包括，将多种尺度的人脸图像输入主干网络模型，先进行多种尺度的人脸图像的融合处理，然后将多种尺度的人脸图像进行分离，得到多种尺度的人脸图像的皱纹特征。
本实施例中，将多种尺度的人脸图像输入主干网络模型进行皱纹特征提取和分析，能够提高细小皱纹的识别率。
在一种实施方式中，图像识别方法还包括：
将所述多尺度的人脸图像输入所述主干网络模型，获得人脸的五官区域识别结果。
在本实施例中，五官区域识别过程可以利用主干网络模型执行。
本实施例中，利用主干网络模型进行人脸五官区域的识别，从而能够将五官识别与皱纹识别同时进行处理，提高皱纹识别效率。
在一种实施方式中，所述将位于人脸图像同一区域的不同尺度的所述皱纹特征进行融合，获得所述人脸图像的皱纹识别结果，包括：
在所述人脸图像的皱纹识别结果对应的人脸区域为不存在皱纹的五官区域的情况下，忽略该人脸图像的皱纹识别结果。
本实施例中，不存在皱纹的五官区域，可以包括眼球等明显不可能长皱纹的面部区域。
若在不存在皱纹的五官区域，识别除了皱纹，则可能存在错误识别，因此可将识别结果进行忽略。
本申请实施例提出一种基于深度学习模型的端到端图像识别方法，用于人脸的皱纹分割，本方法利用深度学习模型提取深层语义特征，在模型的检测分支输出每条皱纹分割轮廓。由于人脸皱纹区域与人脸五官位置相对固定，引入人脸五官分割分支进行监督训练，提升皱纹分割精度。同时，本申请实施例采用了多尺度输入、输出多尺度融合的网络结构，该结构中可充分利用原始高分辨率图像中的语义特征，并与图像高层语义特征融合，可精确分割出潜在隐藏的细小皱纹。
本申请一种示例中的模型框架如图4所示：输入图像经过预处理后，将不同尺度的预处理后图像送入主干网络模型(即图中的主干U-Net形网络模型)，该主干网络模型提供共享的卷积参数，将不同特征层的语义信息特征输出到特征融合层，进行低层语义特征与高层语义特征的融合。融合后的特征送入4个不同尺度的检测分支，对4个检测分支的输出结果进行线性加权，得到最终的人脸皱纹分割结果。输出结果具体可以是图像，可以对不同尺度的图像输出结果进行下行加权。在训练过程中，引入五官分割掩膜分支进行监督学习，使主干网络模型学习到更多人脸五官位置信息。整个框架形成一个统一模型，整体可以端到端的进行训练。在本示例中，在主干网络模型的卷积层进行不同尺度的图像的卷积计算。输入的图像在拼接通道进行拼接，然后进行拼接后的图像的卷积计算，在将卷积计算后的拼接图像进行卷积分离，最终得到输出的图像。
在本示例中，图像预处理时，利用人脸检测模型和人脸关键点检测模型得到人脸区域，对人脸区域进行均值和方差进行归一化，以消除不同环境下光照的影响。利用人脸五官分割模型分割出人脸五官掩膜，将五官分割掩膜作为分支任务共享主干网络模型参数，使主干网络模型学习到更多位置相关有用信息，以提升皱纹分割精度。主干网络模型在处理输入图像的过程中，学习位置相关的有用信息，不可能出现的区域，权重较高，皱纹出现位置相对固定。把位置信息学习到神经网络里面。
图像预处理之后，将图像进行多尺度拉伸。人脸皱纹形态为细长型，较深的皱纹宽度通常也会小于5像素，且存在较多潜在隐藏的细小皱纹，在图像质量不佳的情况下，这种细小的皱纹很难被检测到。为了保证细小皱纹也可以被检测到，本示例将人脸图像转换为多尺度人脸图像，即将原始高分辨率图像缩放到不同尺寸，使主干网络模型可以学习到更多高分辨率特征。
本示例中，主干网络基础网络部分包括并不限于ResNet-34,inception-v3，mobilenet-v2(移动网络模型v-2)等，该部分可采用任何图像分类网络结构作为基础。将多尺度的人脸图像输入主干网络模型，通过主干网络模型的卷积神经网络(CON)输出皱纹特征，然后将多尺度的皱纹特征在基础网络结构上加入特征融合(Fusion)部分，即将基础网络中多个尺度的特征进行组合，从而得到相对尺度不变的多尺度特征，该部分可用UNet、FPN等常见特征组合方式，且不局限于此，从而保证主干网络底座和多尺度特征的简单易用与可扩展性。
本示例中，在4个不同尺度的特征层引出检测分支，每个分支分别预测一个皱纹分割结果，将4个不同尺度下的皱纹分割结果进行线性加权得到最终皱纹分割结果。
本申请另一种实施例还提供一种图像识别装置，如图5所示，包括：
识别模块501，用于将预处理的人脸图像进行五官识别，并在人脸图像中标注人脸五官的位置，得到标注的人脸图像；
特征提取模块502，用于确定标注的人脸图像的多尺度下的人脸图像，将多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；
融合模块503，用于将位于人脸图像同一区域的每一种尺度的皱纹特征进行融合，获得人脸图像的皱纹识别结果。
本申请另一种实施例中，编码装置还包括图6所示的第一预处理模块和第二预处理模块：
第一预处理模块504，用于将人脸图像的像素进行均一化处理，获得均一化处理后的人脸图像；
第二预处理模块505，用于将均一化处理后的人脸图像的像素方差进行归一化处理，获得预处理的人脸图像。
本申请另一种实施例中，如图7所示编码装置中特征提取模块包括：
处理单元512，用于将标注的人脸图像进行多尺度的伸缩处理，获得多种尺度的人脸图像；
特征获取单元522，用于将多种尺度的人脸图像输入主干网络模型，获得多种尺度下每一种尺度的人脸图像的皱纹特征。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的编码方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的编码方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的编码方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的编码方法对应的程序指令/模块(例如，附图5所示的识别模块501、特征提取模块502、融合模块503)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的编码方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据视频编码电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至视频编码电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
编码方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与视频编码电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，能够将预处理的人脸图像进行五官识别，然后根据五官识别结果，获得多种尺度的人脸图像，再将多种尺度的人脸图像输入主干网络模型进行特征提取，从而得到多种尺度下每一种尺度的人脸图像的皱纹特征，由于融合了多种尺度，因此，能够保证细小的皱纹也被识别出来，可精确分割出潜在隐藏的细小皱纹，从而提高了识别的准确性。本实施例中，通过主干网络模型进行参数共享，直接从输入端到输出端输出每条皱纹轮廓坐标，及每条皱纹的面积。本实施例采用了多尺度输入、多尺度输出融合的网络结构，可精确分割出潜在隐藏的细小皱纹，在不同光照环境下均可以精确分割人脸皱纹
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种图像识别方法，包括：
将预处理的人脸图像进行五官识别，并在所述人脸图像中标注人脸五官的位置，得到标注的人脸图像；
确定标注的人脸图像的多尺度下的人脸图像，将所述多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；
将位于人脸图像同一区域的每一种尺度的所述皱纹特征进行融合，获得所述人脸图像的皱纹识别结果。
2.根据权利要求1所述的方法，其中，还包括：
将所述人脸图像的像素进行均一化处理，获得均一化处理后的人脸图像；
将所述均一化处理后的人脸图像的像素方差进行归一化处理，获得所述预处理的人脸图像。
3.根据权利要求1所述的方法，其中，所述将所述标注的人脸图像输入主干网络模型进行特征提取，获得不同尺度的人脸图像的皱纹特征，包括：
将所述标注的人脸图像进行多尺度的伸缩处理，获得所述多种尺度的人脸图像；
将所述多种尺度的人脸图像输入所述主干网络模型，获得所述多种尺度下每一种尺度的人脸图像的皱纹特征。
4.根据权利要求3所述的方法，其中，还包括：
将所述多尺度的人脸图像输入所述主干网络模型，获得人脸的五官区域识别结果。
5.根据权利要求3所述的方法，其中，所述将位于人脸图像同一区域的不同尺度的所述皱纹特征进行融合，获得所述人脸图像的皱纹识别结果，包括：
在所述人脸图像的皱纹识别结果对应的人脸区域为不存在皱纹的五官区域的情况下，忽略该人脸图像的皱纹识别结果。
6.一种图像识别装置，包括：
识别模块，用于将预处理的人脸图像进行五官识别，并在所述人脸图像中标注人脸五官的位置，得到标注的人脸图像；
特征提取模块，用于确定标注的人脸图像的多尺度下的人脸图像，将所述多尺度的人脸图像输入主干网络模型进行特征提取，获得多种尺度下每一种尺度的人脸图像的皱纹特征；
融合模块，用于将位于人脸图像同一区域的每一种尺度的所述皱纹特征进行融合，获得所述人脸图像的皱纹识别结果。
7.根据权利要求6所述的装置，还包括：
第一预处理模块，用于将所述人脸图像的像素进行均一化处理，获得均一化处理后的人脸图像；
第二预处理模块，用于将所述均一化处理后的人脸图像的像素方差进行归一化处理，获得所述预处理的人脸图像。
8.根据权利要求6所述的装置，其中，所述特征提取模块包括：
处理单元，用于将所述标注的人脸图像进行多尺度的伸缩处理，获得所述多种尺度的人脸图像；
特征获取单元，用于将所述多种尺度的人脸图像输入所述主干网络模型，获得所述多种尺度下每一种尺度的人脸图像的皱纹特征。
9.根据权利要求8所述的装置，其中，还包括将所述多尺度的人脸图像输入所述主干网络模型，获得人脸的五官区域识别结果。
10.根据权利要求8所述的装置，其中，融合模块还包括在所述人脸图像的皱纹识别结果对应的人脸区域为不存在皱纹的五官区域的情况下，忽略该人脸图像的皱纹识别结果。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202010605404.9A 2020-06-29 2020-06-29 图像识别方法、装置、设备和计算机存储介质 Pending CN111767846A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010605404.9A CN111767846A (zh) 2020-06-29 2020-06-29 图像识别方法、装置、设备和计算机存储介质
EP21163965.3A EP3859604A3 (en) 2020-06-29 2021-03-22 Image recognition method and apparatus, device, and computer storage medium
US17/208,611 US11687779B2 (en) 2020-06-29 2021-03-22 Image recognition method and apparatus, device, and computer storage medium
KR1020210037793A KR102597377B1 (ko) 2020-06-29 2021-03-24 이미지 인식방법, 장치, 기기, 컴퓨터 저장매체 및 컴퓨터 프로그램
JP2021051228A JP7106705B2 (ja) 2020-06-29 2021-03-25 画像認識方法、装置、デバイス、コンピュータ記憶媒体、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010605404.9A CN111767846A (zh) 2020-06-29 2020-06-29 图像识别方法、装置、设备和计算机存储介质

Publications (1)

Publication Number Publication Date
CN111767846A true CN111767846A (zh) 2020-10-13

Family

ID=72724311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010605404.9A Pending CN111767846A (zh) 2020-06-29 2020-06-29 图像识别方法、装置、设备和计算机存储介质

Country Status (5)

Country Link
US (1) US11687779B2 (zh)
EP (1) EP3859604A3 (zh)
JP (1) JP7106705B2 (zh)
KR (1) KR102597377B1 (zh)
CN (1) CN111767846A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364846A (zh) * 2021-01-12 2021-02-12 深圳市一心视觉科技有限公司 一种人脸活体识别方法、装置、终端设备及存储介质
CN113378696A (zh) * 2021-06-08 2021-09-10 北京百度网讯科技有限公司 图像处理方法、装置、设备及存储介质
CN117594202A (zh) * 2024-01-19 2024-02-23 深圳市宗匠科技有限公司 一种皱纹尺寸分析方法、装置、电子设备及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705565A (zh) * 2021-08-10 2021-11-26 北京中星天视科技有限公司 舰船检测方法、装置、电子设备和计算机可读介质
US11308359B1 (en) * 2021-10-27 2022-04-19 Deeping Source Inc. Methods for training universal discriminator capable of determining degrees of de-identification for images and obfuscation network capable of obfuscating images and training devices using the same
CN114681793B (zh) * 2022-03-16 2023-10-03 深圳市宗匠科技有限公司 射频仪、电极触点控制方法及计算机可读存储介质
CN114612994A (zh) * 2022-03-23 2022-06-10 深圳伯德睿捷健康科技有限公司 训练皱纹检测模型的方法、装置及检测皱纹的方法、装置
CN116524576B (zh) * 2023-07-03 2023-10-20 广州思林杰科技股份有限公司 基于动态视觉识别的长跑计时方法
CN116823810B (zh) * 2023-08-25 2023-11-17 之江实验室 基于联邦学习的腹部多器官动态增强分割方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN110335194A (zh) * 2019-06-28 2019-10-15 广州久邦世纪科技有限公司 一种人脸变老图像处理方法
CN111009006A (zh) * 2019-12-10 2020-04-14 广州久邦世纪科技有限公司 一种基于人脸特征点的图像处理方法
CN111199171A (zh) * 2018-11-19 2020-05-26 华为技术有限公司 一种皱纹检测方法和终端设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009003842A (ja) 2007-06-25 2009-01-08 Noritsu Koki Co Ltd 画像処理装置及び画像処理方法
JP5530399B2 (ja) 2011-05-23 2014-06-25 日本電信電話株式会社 画像処理方法、画像処理装置および画像処理プログラム
JP2014149677A (ja) 2013-02-01 2014-08-21 Panasonic Corp 美容支援装置、美容支援システム、美容支援方法、並びに美容支援プログラム
JP5882929B2 (ja) 2013-02-26 2016-03-09 日本電信電話株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
JP6872742B2 (ja) 2016-06-30 2021-05-19 学校法人明治大学 顔画像処理システム、顔画像処理方法及び顔画像処理プログラム
CN111566693B (zh) * 2018-07-16 2022-05-20 荣耀终端有限公司 一种皱纹检测方法及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199171A (zh) * 2018-11-19 2020-05-26 华为技术有限公司 一种皱纹检测方法和终端设备
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN110335194A (zh) * 2019-06-28 2019-10-15 广州久邦世纪科技有限公司 一种人脸变老图像处理方法
CN111009006A (zh) * 2019-12-10 2020-04-14 广州久邦世纪科技有限公司 一种基于人脸特征点的图像处理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364846A (zh) * 2021-01-12 2021-02-12 深圳市一心视觉科技有限公司 一种人脸活体识别方法、装置、终端设备及存储介质
CN113378696A (zh) * 2021-06-08 2021-09-10 北京百度网讯科技有限公司 图像处理方法、装置、设备及存储介质
CN117594202A (zh) * 2024-01-19 2024-02-23 深圳市宗匠科技有限公司 一种皱纹尺寸分析方法、装置、电子设备及存储介质
CN117594202B (zh) * 2024-01-19 2024-04-19 深圳市宗匠科技有限公司 一种皱纹尺寸分析方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
JP2021103568A (ja) 2021-07-15
EP3859604A3 (en) 2021-10-13
US20210209344A1 (en) 2021-07-08
US11687779B2 (en) 2023-06-27
JP7106705B2 (ja) 2022-07-26
KR20210040300A (ko) 2021-04-13
EP3859604A2 (en) 2021-08-04
KR102597377B1 (ko) 2023-11-01

Similar Documents

Publication Publication Date Title
CN111767846A (zh) 图像识别方法、装置、设备和计算机存储介质
CN111598818B (zh) 人脸融合模型训练方法、装置及电子设备
CN111767858B (zh) 图像识别方法、装置、设备和计算机存储介质
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN111523468A (zh) 人体关键点识别方法和装置
CN112529073A (zh) 模型训练方法、姿态估计方法、装置及电子设备
CN112507946A (zh) 用于处理图像的方法、装置、设备以及存储介质
CN111860362A (zh) 生成人脸图像校正模型及校正人脸图像的方法和装置
CN112116525B (zh) 换脸识别方法、装置、设备和计算机可读存储介质
CN111709875A (zh) 图像处理方法、装置、电子设备及存储介质
CN111862031A (zh) 一种人脸合成图检测方法、装置、电子设备及存储介质
CN112508964B (zh) 图像分割方法、装置、电子设备和存储介质
CN111523467B (zh) 人脸跟踪方法和装置
CN112270303A (zh) 图像识别方法、装置以及电子设备
CN111861954A (zh) 编辑人脸的方法、装置、电子设备和可读存储介质
CN112116548A (zh) 人脸图像的合成方法、装置
CN111783600A (zh) 一种人脸识别模型训练方法、装置、设备及介质
CN111507944B (zh) 皮肤光滑度的确定方法、装置和电子设备
CN114926322A (zh) 图像生成方法、装置、电子设备和存储介质
Riad et al. Hand gesture recognition system based on a geometric model and rule based classifier
CN113343997B (zh) 光学字符识别方法、装置、电子设备和存储介质
US20230139994A1 (en) Method for recognizing dynamic gesture, device, and storage medium
CN115147850A (zh) 文字生成模型的训练方法、文字生成方法及其装置
Srivastava et al. Sign Language Recognition
CN112785524A (zh) 一种人物图像的修复方法、装置及电子设备

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