CN111784660A - 一种用于人脸图像的正脸程度的分析方法和系统 - Google Patents

一种用于人脸图像的正脸程度的分析方法和系统 Download PDF

Info

Publication number
CN111784660A
CN111784660A CN202010605634.5A CN202010605634A CN111784660A CN 111784660 A CN111784660 A CN 111784660A CN 202010605634 A CN202010605634 A CN 202010605634A CN 111784660 A CN111784660 A CN 111784660A
Authority
CN
China
Prior art keywords
face
score
analyzed
degree
face 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.)
Granted
Application number
CN202010605634.5A
Other languages
English (en)
Other versions
CN111784660B (zh
Inventor
周成祖
王国威
蒋帅
阎辰佳
林淑强
张永光
王兵
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.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information 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 Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN202010605634.5A priority Critical patent/CN111784660B/zh
Publication of CN111784660A publication Critical patent/CN111784660A/zh
Application granted granted Critical
Publication of CN111784660B publication Critical patent/CN111784660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30168—Image quality inspection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明给出了一种用于人脸图像的正脸程度的分析方法和系统，包括获取待分析人脸图像中的人脸边界，并根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息；利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息；利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值Ffront。该方法能给出当前人脸正脸程度得分的置信程度，将其加入人脸质量评价体系中将大大提高评价准确性，适用于各种硬件平台且耗时少，可以确保系统实时性。

Description

一种用于人脸图像的正脸程度的分析方法和系统
技术领域
本发明涉及人脸识别的技术领域，尤其是一种用于人脸图像的正脸程度的分析方法和系统。
背景技术
人脸识别是计算机视觉领域的热门技术，从视频文件(包括从摄像头直接输出的视频流)中检测、跟踪、提取人脸图像是其中的关键技术之一，而从一个被识别人的多张人脸图像中评价得到一张图像质量最适合于提供给识别系统，也是保证识别系统准确率的关键。如果视频中有出现被识别人的正脸清晰图像，而识别系统被推送的却是该被识别人的侧脸图像，那么识别正确率就会受到较大影响，因此如何对人脸图像质量进行定量评价对于人脸识别系统的结果至关重要。
在对人脸图像的质量评价中，正脸程度是其中一个重要的维度，它一般是根据从人脸图像中提取的关键点坐标为依据进行相关计算得到的。但是在实际应用中会发现，当人脸侧脸角度太大(一般倾斜角度大于30度以上)时，人脸的部分关键点将会被遮挡；或者当人脸图像模糊时，关键点特征被弱化，在这两种情况下，关键点检测的准确率常常会降低，甚至出现关键点位置与随机得到的无明显差别，这严重地影响了对人脸正脸程度的评价结果，容易出现实际人脸质量不好的图像在现有评价体系中的分值高于清晰正脸程度高的图像，对人脸识别系统的最终结果造成直接影响。
发明内容
为了解决现有技术人脸侧脸角度太大或者当人脸图像模糊时，关键点检测的准确率常常会降低，影响对人脸正脸程度的评价结果，对人脸识别系统的最终结果造成直接影响的评价技术问题，本发明提出了一种用于人脸图像的正脸程度的分析方法和系统，将人脸图像关键点的置信度评价纳入到人脸正脸程度评价算法中，用以改进人脸质量评价算法的结果。
在一个方面，本发明提出了一种用于人脸图像的正脸程度的分析方法，包括以下步骤：
S1：获取待分析人脸图像中的人脸边界，并根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息；
S2：利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息；以及
S3：利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值Ffront。
优选的，步骤S2之前还包括利用深度神经网络的训练检测获取待分析人脸图像中眼睛、鼻尖和嘴角的位置。凭借深度神经网络的训练可以快速获取人脸图像中眼睛鼻尖嘴角的位置信息，便于进行坐标位置的提取。
优选的，步骤S3中人脸中心点与待分析人脸图像的中心的偏移度的分值计算公式具体为：
Figure BDA0002560997610000021
鼻尖与人脸边界的中心点的偏移度的分值计算公式具体为：
Figure BDA0002560997610000022
其中，(cx、cy)表示人脸中心点坐标，(x2、y2)表示鼻尖的坐标，w表示待分析人脸图像的宽度，h表示待分析人脸图像的高度。
优选的，步骤S2中的眼睛的坐标信息具体包括左眼中心点坐标(x0，y0)和右眼中心点坐标(x1，y1)，嘴角的坐标信息具体包括左嘴角顶点坐标(x3，y3)和右嘴角顶点坐标(x4，y4)。利用左右眼中心、左右嘴角顶点的坐标可以进行倾斜度的快速运算。
进一步优选的，步骤S3中眼睛的倾斜度的分值计算公式具体为：
Figure BDA0002560997610000023
Figure BDA0002560997610000024
嘴角的倾斜度的分值计算公式具体为：
Figure BDA0002560997610000025
Figure BDA0002560997610000026
进一步优选的，脸部左右对称度的分值具体包括分别利用眼睛、嘴角相对于鼻尖的位置计算的第一左右对称度分值和第二左右对称度分值。凭借以上两个位置可以利用眼睛和鼻尖计算出脸部的对称度情况。
进一步优选的，第一左右对称度分值的计算公式具体为：
Figure BDA0002560997610000027
Figure BDA0002560997610000028
第二左右对称度分值得计算公式具体为：
Figure BDA0002560997610000029
优选的，步骤S3中待分析人脸图像的正脸程度分值的计算公式具体为：
Figure BDA00025609976100000210
Figure BDA00025609976100000211
其中score[0]-score[5]依次表示人脸中心点与待分析人脸图像的中心的偏移度的分值、眼睛的倾斜度的分值、嘴角的倾斜度的分值、利用眼睛相对于鼻尖的位置计算的左右对称度分值、利用嘴角相对于鼻尖的位置计算的对称度分值、鼻尖与人脸边界的中心点的偏移度的分值，w0-w5依次表示上述分值的权重系数。
进一步优选的，待分析人脸图像的中心的偏移度的分值的权重系数w0设置为0.2，眼睛的倾斜度的分值的权重系数w1设置为0.1、嘴角的倾斜度的分值的权重系数w2设置为0.1、利用眼睛相对于鼻尖位置计算的左右对称度分值的权重系数w3设置为0.2、利用嘴角相对于鼻尖位置计算的对称度分值的权重系数w4设置为0.2、鼻尖与人脸边界的中心点的偏移度的分值的权重系数w5设置为0.2。
优选的，还包括以下步骤：
S4：利用传统机器学习算法获取另一组待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息，并计算两组坐标信息的置信度Fconfidence，获取最终正脸程度分值F＝Ffront*Fconfidence。
进一步优选的，置信度的计算公式为
Figure BDA0002560997610000031
其中，(xi，yi)表示利用深度神经网络的训练检测获取的坐标信息，(x′i，y′i)表示利用传统的机器学习算法获取的坐标信息，w表示待分析人脸图像的宽度，h表示待分析人脸图像的高度。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面，提出了一种用于人脸图像的正脸程度的分析系统，该系统包括：
图像获取单元：配置用于获取待分析人脸图像中的人脸边界，并根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息；
关键坐标获取单元：配置用于利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息；以及
正脸程度计算单元：配置用于利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值。
优选的，还包括置信度评价单元：配置用于利用传统机器学习算法获取另一组待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息，并计算两组坐标信息的置信度Fconfidence，获取最终正脸程度分值F＝Ffront*Fconfidence。
本发明提出了一种用于人脸图像的正脸程度的分析方法和系统，该方法避免了当人脸的部分关键点被遮挡或者人脸图像模糊时关键点特征被弱化，关键点检测的准确率常常会降低，甚至出现关键点位置与随机得到的无明显差别，严重地影响了基于关键点位置的人脸正脸程度的评价结果的情况，通过将人脸图像关键点的置信度评价纳入到人脸正脸程度评价算法中，可以改进人脸质量评价算法的结果。通过结合深度神经网络以及传统机器学习算法获取置信度情况，综合置信度与正脸度的情况获得最终的人脸正脸程度信息，可以大大提高评价的准确性，该方法及系统耗时少，可以确保评价系统的实时性。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的一个实施例的一种用于人脸图像的正脸程度的分析方法的流程图；
图3是本申请的一个实施例的一种用于人脸图像的正脸程度的分析系统的框架图；
图4是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于人脸图像的正脸程度的分析方法的示例性系统架构100。
如图1所示，系统架构100可以包括数据服务器101，网络102和主服务器103。网络102用以在数据服务器101和主服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
主服务器103可以是提供各种服务的服务器，例如对数据服务器101上传的信息进行处理的数据处理服务器。数据处理服务器可以进行人脸图像的正脸程度的分析。
需要说明的是，本申请实施例所提供的用于人脸图像的正脸程度的分析方法一般由主服务器103执行，相应地，用于人脸图像的正脸程度的分析方法的装置一般设置于主服务器103中。
需要说明的是，数据服务器和主服务器可以是硬件，也可以是软件。当为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。
应该理解，图1中的数据服务器、网络和主服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
根据本申请的一个实施例的用于人脸图像的正脸程度的分析方法，图2示出了根据本申请的实施例的用于人脸图像的正脸程度的分析方法的流程图。如图2所示，该方法包括以下步骤：
S201：获取待分析人脸图像中的人脸边界，并根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息。人脸中心点的坐标信息可以用于判断脸部与图像中心的偏移程度，作为判断人脸图像质量的一个参考数据。
S202：利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息。通过不同的机器学习模型训练检测获得眼睛、鼻尖和嘴角的坐标信息，优选的，利用深度神经网络的训练检测获取待分析人脸图像中眼睛、鼻尖和嘴角的位置。凭借深度神经网络的训练可以快速获取人脸图像中眼睛鼻尖嘴角的位置信息，便于进行坐标位置的提取。
在具体的实施例中，人脸正脸程度得分的计算是基于人脸五个关键点(它们的坐标位置分别为左眼中心点(x0，y0)，右眼中心点(x1，y1)，鼻尖(x2、y2)，左嘴角顶点(x3，y3)和右嘴角顶点坐标(x4，y4)，这五个关键点的位置可以通过不同的机器学习模型训练并检测得到)以及根据人脸边界得到的人脸中心点坐标(cx、cy)的坐标信息求得的，w和h分别表示为人脸图像的长和宽。通过五个关键点可以较为准确的对人脸图像进行正脸程度的分析，可以从倾斜度、偏移度和对称度多个方面来对人脸图像进行分析评价。
S203：利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值Ffront。
在具体的实施例中，基于S202所获取的各个关键点的坐标信息，进行人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值计算，其中，脸部左右对称度的分值具体包括分别利用眼睛、嘴角相对于鼻尖的位置计算的第一左右对称度分值和第二左右对称度分值具体的计算方式如下：
人脸中心点与待分析人脸图像的中心的偏移度的分值计算公式具体为：
Figure BDA0002560997610000061
Figure BDA0002560997610000062
眼睛的倾斜度的分值计算公式具体为：
Figure BDA0002560997610000063
嘴角的倾斜度的分值计算公式具体为：
Figure BDA0002560997610000064
脸部根据眼睛和鼻尖位置测算的第一左右对称度计算公式具体为：
Figure BDA0002560997610000065
Figure BDA0002560997610000066
脸部根据嘴角和鼻尖位置测算的第二左右对称度分值得计算公式具体为：
Figure BDA0002560997610000067
Figure BDA0002560997610000068
鼻尖与人脸边界的中心点的偏移度的分值计算公式具体为：
Figure BDA0002560997610000069
Figure BDA00025609976100000610
在具体的实施例中，待分析人脸图像的正脸程度分值的计算公式具体为：
Figure BDA00025609976100000611
Figure BDA00025609976100000612
其中score[0]-score[5]如上述计算公式依次表示人脸中心点与待分析人脸图像的中心的偏移度的分值、眼睛的倾斜度的分值、嘴角的倾斜度的分值、利用眼睛相对于鼻尖的位置计算的左右对称度分值、利用嘴角相对于鼻尖的位置计算的对称度分值、鼻尖与人脸边界的中心点的偏移度的分值，w0-w5依次表示上述分值的权重系数。优选的，待分析人脸图像的中心的偏移度的分值的权重系数w0设置为0.2，眼睛的倾斜度的分值的权重系数w1设置为0.1，嘴角的倾斜度的分值的权重系数w2设置为0.1，利用眼睛相对于鼻尖位置计算的左右对称度分值的权重系数w3设置为0.2，利用嘴角相对于鼻尖位置计算的对称度分值的权重系数w4设置为0.2，鼻尖与人脸边界的中心点的偏移度的分值的权重系数w5设置为0.2。应当认识到，w0-w5可以设置为除了上述权重值之外的其他数值，具体根据实际项目的重要程度进行权重值得调整，同样能够实现本发明的技术效果。
在优选的实施例中，该用于人脸图像的正脸程度的分析方法还包括置信度评价。目前能够实现实时目标检测的模型中大部分是基于深度神经网络的，在使用一般的深度神经网络人脸及关键点检测算法时，模型将给出每一个检测到的人脸坐标信息Face(x，y，w，h)及关键点坐标信息Location，左眼中心点(x0，y0)，右眼中心点(x1，y1)，鼻尖(x2、y2)，左嘴角顶点(x3，y3)和右嘴角顶点坐标(x4，y4)。虽然传统的机器学习算法在人脸检测方面准确率远低于基于深度神经网络的算法，但是在关键点检测方面具有准确率相当且计算速度快的优势，因此，可通过传统机器学习算法以不同于深度神经网络的训练数据得到另一个关键点检测模型，将之前得到的人脸图片Face作为这个模型的输入，将得到另一组关键点坐标信息Location′，左眼中心点(x0′，y0′)，右眼中心点(x1′，y1′)，鼻尖(x2′、y2′)，左嘴角顶点(x3′，y3′)和右嘴角顶点坐标(x4′，y4′)。置信度评价的方法是将两个模型得到的坐标信息之间的距离αLocation，之后通过相应的人脸坐标信息对该距离进行归一化。方法思路是基于两个独立模型在人脸关键点特征清晰可见时，均将得到准确位置信息，此时αLocation接近于零，而当人脸关键点特征被遮挡或者模糊不可辨时，独立模型的猜测结果是互相独立的，此时αLocation将会大大增加。
该置信度评价的具体计算公式如下：
Figure BDA0002560997610000071
其中，tanh(·)为双曲正切函数，
Figure BDA0002560997610000072
最终正脸程度分值F＝Ffront*Fconfidence。通过将人脸图像关键点的置信度评价纳入到人脸正脸程度评价方法中，可以提升人脸质量评价方法的准确性，避免人脸的部分关键点被遮挡或者人脸图像模糊时关键点特征被弱化时，关键点检测的准确率常常会降低，严重地影响了基于关键点位置的人脸正脸程度的评价结果的情况。该方法能够适用于各种硬件平台，且具有耗时少，保证系统实时性的优点。
继续参考图3，图3示出了根据本发明的实施例的一种用于人脸图像的正脸程度的分析系统的框架图。该系统具体包括图像获取单元301、关键坐标获取单元302、正脸程度计算单元303和置信度评价单元304。
在具体的实施例中，图像获取单元301：配置用于获取待分析人脸图像中的人脸边界，并根据所述人脸边界获取人脸中心点在所述待分析人脸图像中的坐标信息；关键坐标获取单元302：配置用于利用所述人脸中心点的坐标信息分别获取所述待分析人脸图像中眼睛、鼻尖和嘴角在所述待分析人脸图像中的坐标信息；正脸程度计算单元303：配置用于利用所述坐标信息分别计算获得所述人脸中心点与所述待分析人脸图像的中心以及所述鼻尖与所述人脸边界的中心点的偏移度、所述眼睛、所述嘴角的倾斜度、脸部左右对称度的分值，加权求和获得所述待分析人脸图像的正脸程度分值；置信度评价单元304：配置用于利用传统机器学习算法获取另一组所述待分析人脸图像中眼睛、鼻尖和嘴角在所述待分析人脸图像中的坐标信息，并计算两组坐标信息的置信度Fconfidence，获取最终正脸程度分值F＝Ffront*Fconfidence。
下面参考图4，其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/0)接口405也连接至总线404。
以下部件连接至I/0接口405：包括键盘、鼠标等的输入部分406；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
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，其包括承载在计算机可读存储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部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读存储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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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申请的操作的计算机程序代码，程序设计语言包括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，图示了按照本申请各种实施例的系统、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。
描述于本申请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。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的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。上述计算机可读存储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：获取待分析人脸图像中的人脸边界，并根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息；利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息；利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值Ffront。
以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。

Claims (14)

1.一种用于人脸图像的正脸程度的分析方法，其特征在于，包括以下步骤：
S1：获取待分析人脸图像中的人脸边界，并根据所述人脸边界获取人脸中心点在所述待分析人脸图像中的坐标信息；
S2：利用所述人脸中心点的坐标信息分别获取所述待分析人脸图像中眼睛、鼻尖和嘴角在所述待分析人脸图像中的坐标信息；以及
S3：利用所述坐标信息分别计算获得所述人脸中心点与所述待分析人脸图像的中心以及所述鼻尖与所述人脸边界的中心点的偏移度、所述眼睛、所述嘴角的倾斜度、脸部左右对称度的分值，加权求和获得所述待分析人脸图像的正脸程度分值Ffront。
2.根据权利要求1所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述步骤S2之前还包括利用深度神经网络的训练检测获取所述待分析人脸图像中眼睛、鼻尖和嘴角的位置。
3.根据权利要求1所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述步骤S3中所述人脸中心点与所述待分析人脸图像的中心的偏移度的分值计算公式具体为：
Figure FDA0002560997600000011
所述鼻尖与所述人脸边界的中心点的偏移度的分值计算公式具体为：
Figure FDA0002560997600000012
其中，(cx、cy)表示所述人脸中心点坐标，(x2、y2)表示所述鼻尖的坐标，w表示所述待分析人脸图像的宽度，h表示所述待分析人脸图像的高度。
4.根据权利要求1所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述步骤S2中的所述眼睛的坐标信息具体包括左眼中心点坐标(x0，y0)和右眼中心点坐标(x1，y1)，所述嘴角的坐标信息具体包括左嘴角顶点坐标(x3，y3)和右嘴角顶点坐标(x4，y4)。
5.根据权利要求4所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述步骤S3中所述眼睛的倾斜度的分值计算公式具体为：
Figure FDA0002560997600000013
所述嘴角的倾斜度的分值计算公式具体为：
Figure FDA0002560997600000014
6.根据权利要求4所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述脸部左右对称度的分值具体包括分别利用所述眼睛、所述嘴角相对于所述鼻尖的位置计算的第一左右对称度分值和第二左右对称度分值。
7.根据权利要求6所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述第一左右对称度分值的计算公式具体为：
Figure FDA0002560997600000021
Figure FDA0002560997600000022
所述第二左右对称度分值得计算公式具体为：
Figure FDA0002560997600000023
8.根据权利要求1所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述步骤S3中所述待分析人脸图像的正脸程度分值的计算公式具体为：
Figure FDA0002560997600000024
Figure FDA0002560997600000025
其中score[0]-score[5]依次表示所述人脸中心点与所述待分析人脸图像的中心的偏移度的分值、所述眼睛的倾斜度的分值、所述嘴角的倾斜度的分值、利用所述眼睛相对于所述鼻尖的位置计算的左右对称度分值、利用所述嘴角相对于所述鼻尖的位置计算的对称度分值、所述鼻尖与所述人脸边界的中心点的偏移度的分值，w0-w5依次表示上述分值的权重系数。
9.根据权利要求8所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述待分析人脸图像的中心的偏移度的分值的权重系数w0设置为0.2，所述眼睛的倾斜度的分值的权重系数w1设置为0.1、所述嘴角的倾斜度的分值的权重系数w2设置为0.1、利用所述眼睛相对于所述鼻尖位置计算的左右对称度分值的权重系数w3设置为0.2、利用所述嘴角相对于所述鼻尖位置计算的对称度分值的权重系数w4设置为0.2、所述鼻尖与所述人脸边界的中心点的偏移度的分值的权重系数w5设置为0.2。
10.根据权利要求1中任一项所述的用于人脸图像的正脸程度的分析方法，其特征在于，还包括：
S4：利用传统机器学习算法获取另一组所述待分析人脸图像中眼睛、鼻尖和嘴角在所述待分析人脸图像中的坐标信息，并计算两组坐标信息的置信度Fconfidence，获取最终正脸程度分值F＝Ffront*Fconfidence。
11.根据权利要求10所述的用于人脸图像的正脸程度的分析方法，其特征在于，所述置信度的计算公式为
Figure FDA0002560997600000026
其中，(xi，yi)表示利用深度神经网络的训练检测获取的坐标信息，(x′i，y′i)表示利用传统的机器学习算法获取的坐标信息，w表示所述待分析人脸图像的宽度，h表示所述待分析人脸图像的高度。
12.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至11中任一项所述的方法。
13.一种用于人脸图像的正脸程度的分析系统，其特征在于，所述系统包括：
图像获取单元：配置用于获取待分析人脸图像中的人脸边界，并根据所述人脸边界获取人脸中心点在所述待分析人脸图像中的坐标信息；
关键坐标获取单元：配置用于利用所述人脸中心点的坐标信息分别获取所述待分析人脸图像中眼睛、鼻尖和嘴角在所述待分析人脸图像中的坐标信息；以及
正脸程度计算单元：配置用于利用所述坐标信息分别计算获得所述人脸中心点与所述待分析人脸图像的中心以及所述鼻尖与所述人脸边界的中心点的偏移度、所述眼睛、所述嘴角的倾斜度、脸部左右对称度的分值，加权求和获得所述待分析人脸图像的正脸程度分值。
14.根据权利要求13所述的用于人脸图像的正脸程度的分析系统，其特征在于，还包括置信度评价单元：配置用于利用传统机器学习算法获取另一组所述待分析人脸图像中眼睛、鼻尖和嘴角在所述待分析人脸图像中的坐标信息，并计算两组坐标信息的置信度Fconfidence，获取最终正脸程度分值F＝Ffront*Fconfidence。
CN202010605634.5A 2020-06-29 2020-06-29 一种用于人脸图像的正脸程度的分析方法和系统 Active CN111784660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010605634.5A CN111784660B (zh) 2020-06-29 2020-06-29 一种用于人脸图像的正脸程度的分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010605634.5A CN111784660B (zh) 2020-06-29 2020-06-29 一种用于人脸图像的正脸程度的分析方法和系统

Publications (2)

Publication Number Publication Date
CN111784660A true CN111784660A (zh) 2020-10-16
CN111784660B CN111784660B (zh) 2022-07-15

Family

ID=72760267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010605634.5A Active CN111784660B (zh) 2020-06-29 2020-06-29 一种用于人脸图像的正脸程度的分析方法和系统

Country Status (1)

Country Link
CN (1) CN111784660B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287781A (zh) * 2020-10-19 2021-01-29 苏州纳智天地智能科技有限公司 一种人脸照片质量评估方法
CN113239888A (zh) * 2021-06-07 2021-08-10 中国联合网络通信集团有限公司 人脸表情的识别方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110543A (ja) * 2002-09-19 2004-04-08 Toyota Central Res & Dev Lab Inc 顔画像処理装置及びプログラム
US20040155877A1 (en) * 2003-02-12 2004-08-12 Canon Europa N.V. Image processing apparatus
CN109145865A (zh) * 2018-09-07 2019-01-04 北京相貌空间科技有限公司 人脸标准程度计算方法及装置
CN109657607A (zh) * 2018-12-17 2019-04-19 中新智擎科技有限公司 一种基于人脸识别的人脸目标测距方法、装置及存储介质
CN109859097A (zh) * 2019-01-08 2019-06-07 北京奇艺世纪科技有限公司 脸部图像处理方法、设备、图像处理设备、介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110543A (ja) * 2002-09-19 2004-04-08 Toyota Central Res & Dev Lab Inc 顔画像処理装置及びプログラム
US20040155877A1 (en) * 2003-02-12 2004-08-12 Canon Europa N.V. Image processing apparatus
CN109145865A (zh) * 2018-09-07 2019-01-04 北京相貌空间科技有限公司 人脸标准程度计算方法及装置
CN109657607A (zh) * 2018-12-17 2019-04-19 中新智擎科技有限公司 一种基于人脸识别的人脸目标测距方法、装置及存储介质
CN109859097A (zh) * 2019-01-08 2019-06-07 北京奇艺世纪科技有限公司 脸部图像处理方法、设备、图像处理设备、介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287781A (zh) * 2020-10-19 2021-01-29 苏州纳智天地智能科技有限公司 一种人脸照片质量评估方法
CN113239888A (zh) * 2021-06-07 2021-08-10 中国联合网络通信集团有限公司 人脸表情的识别方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN111784660B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN108122234B (zh) 卷积神经网络训练及视频处理方法、装置和电子设备
CN108229322B (zh) 基于视频的人脸识别方法、装置、电子设备及存储介质
CN112733794B (zh) 人脸图像的视线矫正方法、装置、设备及存储介质
CN108229276B (zh) 神经网络训练及图像处理方法、装置和电子设备
CN107679466B (zh) 信息输出方法和装置
CN108197592B (zh) 信息获取方法和装置
CN111784658B (zh) 一种用于人脸图像的质量分析方法和系统
CN110570435B (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
CN108229375B (zh) 用于检测人脸图像的方法和装置
CN108388889B (zh) 用于分析人脸图像的方法和装置
CN111784660B (zh) 一种用于人脸图像的正脸程度的分析方法和系统
CN108573192B (zh) 匹配人脸的眼镜试戴方法和装置
CN109766896B (zh) 一种相似度度量方法、装置、设备和存储介质
CN111382791A (zh) 深度学习任务处理方法、图像识别任务处理方法和装置
CN115311403B (zh) 深度学习网络的训练方法、虚拟形象生成方法及装置
KR102468648B1 (ko) 영상에 대한 원격 광용적맥파신호를 이용하여 사람의 심박수를 산출하는 방법
CN115019396A (zh) 一种学习状态监测方法、装置、设备及介质
CN115994944A (zh) 三维关键点预测方法、训练方法及相关设备
CN110781712B (zh) 一种基于人脸检测与识别的人头空间定位方法
CN114067394A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN113723306A (zh) 俯卧撑检测方法、设备以及计算机可读介质
JP2023512359A (ja) 関連対象検出方法、及び装置
CN109146969B (zh) 行人定位方法、装置及处理设备及其存储介质
CN112949571A (zh) 识别年龄的方法、年龄识别模型的训练方法和装置
CN111582120A (zh) 用于捕捉眼球活动特征的方法、终端设备

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
GR01 Patent grant
GR01 Patent grant