CN112069885A - 人脸属性识别方法、装置及移动终端 - Google Patents

人脸属性识别方法、装置及移动终端 Download PDF

Info

Publication number
CN112069885A
CN112069885A CN202010754284.9A CN202010754284A CN112069885A CN 112069885 A CN112069885 A CN 112069885A CN 202010754284 A CN202010754284 A CN 202010754284A CN 112069885 A CN112069885 A CN 112069885A
Authority
CN
China
Prior art keywords
face
age
attribute
trained
gender
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
CN202010754284.9A
Other languages
English (en)
Inventor
顾景
刘业鹏
曾钰胜
程骏
庞建新
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN202010754284.9A priority Critical patent/CN112069885A/zh
Publication of CN112069885A publication Critical patent/CN112069885A/zh
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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于人脸识别技术领域，提供了人脸属性识别方法、装置及移动终端，包括：采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；若所述图像帧存在人脸，则确定所述人脸的人脸区域；识别所述人脸区域中的人脸属性。通过上述方法，能够更快速得到精度更高的人脸属性的识别结果。

Description

人脸属性识别方法、装置及移动终端
技术领域
本申请属于人脸识别技术领域，尤其涉及人脸属性识别方法、装置、移动终端及计算机可读存储介质。
背景技术
目前，可通过人脸识别方法识别图像帧中是否存在人脸，以及在存在人脸时该人脸所包含的属性。
为了能够得到准确的人脸识别结果，需要在移动终端上部署较复杂的人脸识别算法，但由于移动终端的算力是有限的，因此，若部署的人脸识别算法太复杂，将难以及时得到人脸识别结果。但如果在移动终端上部署的人脸识别算法过于简单，得到人脸识别结果又只能满足速度的要求，而不能满足准确度的要求。
故，需要提供一种新的方法，以解决上述技术问题。
发明内容
本申请实施例提供了人脸属性识别方法，可以解决现有技术存在的上述技术问题。
第一方面，本申请实施例提供了一种人脸属性识别方法，包括：
采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；
若所述图像帧存在人脸，则确定所述人脸的人脸区域；
识别所述人脸区域中的人脸属性。
本申请实施例与现有技术相比存在的有益效果是：由于已训练的人脸检测模型是基于可分离卷积和上下文模块构建的轻量级神经网络，因此，其能够对图像帧快速进行人脸检测。另外，由于上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支，而同一卷积核在检测不同尺寸的人脸时，其检测精度是不同的，因此，采用具有至少2个不同大小卷积核的分支的上下文模块对图像帧进行人脸检测，能够提高从图像帧中检测到人脸的精度，进而能够从具有更高精度的人脸区域中得到更高精度的人脸属性。
第二方面，本申请实施例提供了一种人脸属性识别装置，包括：
人脸检测单元，用于采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；
人脸区域确定单元，用于若所述图像帧存在人脸，则确定所述人脸的人脸区域；
人脸属性识别单元，用于识别所述人脸区域中的人脸属性。
第三方面，本申请实施例提供了一种移动终端，包括存储器、处理器以及存储在所述存储器中并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如第一方面所述的方法。
第四方面，本申请实施例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计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行上述第一方面中所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请实施例一提供的一种人脸属性识别方法的流程示意图；
图2是本申请实施例一提供的已训练的人脸检测模块中的可分离卷积模块的结构示意图；
图3是本申请实施例一提供的已训练的人脸检测模块中的上下文模块的结构示意图；
图4是本申请实施例一提供的在人脸区域附近输出人脸的性别的示意图；
图5是本申请实施例二提供的一种人脸属性识别装置的结构示意图；
图6是本申请实施例三提供的移动终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例一：
在一些应用场景中，通常需要在移动终端部署算法以实现对人脸属性的检测，例如，通过部署年龄的识别算法实现对人脸的年龄的检测，通过部署性别的识别算法实现对性别的检测等等。但现有的人脸属性的识别算法通常只能满足检测速度的要求，或者，只能满足检测精度的问题，而不能同时满足较快的检测速度以及较高的检测精度。为了解决上述技术问题，本申请实施例提供了一种人脸属性识别方法。
图1示出了本申请实施例提供的一种人脸属性识别方法的流程示意图，详述如下：
步骤S11，采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支。
该步骤的可分离卷积模块用于检测图像帧的特征，当可分离卷积模块的个数越多，其提取到的特征也越多，即可分离卷积模块的个数大于或等于1。如图2所示，假设可分离卷积模块的个数为3，则当图像帧输入可分离卷积模块1后，该可分离卷积模块1输出的特征再经过可分离卷积模块2和可分离卷积模块3处理，得到可分离卷积模块3输出的特征图。由于可分离卷积模块与普通卷积相比，其计算量更小，因此，采用基于可分离卷积模块构建的人脸检测模型进行人脸检测时，其能够实现人脸的快速检测。
该步骤的上下文模块包括至少2个用于卷积计算的分支。且所有分支中至少存在2个分支对应不同大小的卷积核。由于同一卷积核在检测不同尺寸的人脸时，其检测精度是不同的，因此，对于图像帧中不同尺寸的人脸，采用大小不同的卷积核检测出人脸的精度要高于采用大小相同的卷积核检测出人脸的精度，而在实际情况中，图像帧中包含的人脸的尺寸通常是不同的，即当上下文模块至少存在2个分支对应不同大小的卷积核时，基于该上下文模块构建的已训练的人脸检测模型能够检测出图像帧中的人脸的精度更高。当上下文模块包括3个用于卷积计算的分支，且3个分支的卷积核都不同时，其对应的结构可采用图3所示的结构。在图3中，最左侧的一个分支只采用了一次卷积计算，中间的一个分支采用了一次卷积计算以及一次归一化操作，最右侧的一个分支则依次采用了一次卷积计算、一次归一化操作以及一次卷积计算。图3中的上下文模块通过设置不同分支包括的计算规则，来达到设置不同分支具有不同大小卷积核的目的。
步骤S12，若所述图像帧存在人脸，则确定所述人脸的人脸区域。
该步骤中，若一个图像帧有多个人脸，则确定的人脸区域也有多个。
在一些实施例中，可通过图形框框选已训练的人脸检测模型检测的人脸，该图形框包围的区域即为人脸区域，在框选人脸后，显示带有图形框的图像帧。其中，该图形框可根据图像帧中出现人脸的形状灵活确定(如当人脸被遮挡时，灵活确定的图形框可能为多边形框)，也可以为固定的形状，优选地，该图形框为矩形框。
步骤S13，识别所述人脸区域中的人脸属性。
具体地，通过检测人脸区域中的人脸的肤色、平滑度、特征点等识别人脸的年龄、性别、皮肤状态等人脸属性。
本申请实施例中，由于已训练的人脸检测模型是基于可分离卷积和上下文模块构建的轻量级神经网络，因此，其能够对图像帧快速进行人脸检测。另外，由于上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支，而同一卷积核在检测不同尺寸的人脸时，其检测精度是不同的，因此，采用具有至少2个不同大小卷积核的分支的上下文模块对图像帧进行人脸检测，能够提高从图像帧中检测到人脸的精度，进而能够从具有更高精度的人脸区域中得到更高精度的人脸属性。
在一些实施例中，若人脸属性包括性别和/或年龄，为了得到更准确的人脸属性的识别结果，步骤S12包括：
A1、若所述图像帧存在人脸，则得到所述已训练的人脸检测模型确定的所述人脸对应的初始的人脸区域；
A2、根据所述初始的人脸区域确定新的人脸区域，其中，所述初始的人脸区域为(x，y，w，h)，x和y为像素点的坐标，w为初始的人脸区域的宽，h为初始的人脸区域的高，所述新的人脸区域为(x，y+h*c，w，h+h*c)，c为预设的小于1的百分比。
本实施例中，考虑到性别和年龄的区分与人脸的下半部分关联较大，比如，下巴有胡子的是男性，喉结凸出的也为男性，脖子越松弛，其对应的年龄越大等等，因此，将初始的人脸区域向下拉伸，以便后续能够从向下拉伸后的新的人脸区域得到更准确的人脸属性的识别结果。
在一些实施例中，考虑到与性别有关的特征主要在人的脖子以上的区域，而脖子与人脸的比例通常是1:2左右，故新的人脸区域与原有的人脸区域相比，下移的比例c最好不超过60％，以免增大识别人脸属性的计算量。例如，c可以取值为30％。
在一些实施例中，由于图像帧中的人脸姿态和/或人脸质量不同时，针对该图像帧得到的人脸属性的识别结果也不同，比如，若人脸姿态包括侧脸和正脸，则对该侧脸进行识别后得到的人脸属性的识别结果通常没有对正脸进行识别后得到的人脸属性的识别结果准确；比如，若一个人脸的人脸质量高(模糊度低)，另一个人脸的人脸质量低(模糊度高)，则针对模糊度高的人脸进行识别后得到的人脸属性的识别结果通常没有对模糊度低的人脸进行识别后得到的人脸属性的识别结果准确。因此，为了提高后续得到的人脸属性的准确性，则在所述步骤S13之前，包括：
确定所述人脸区域中的人脸信息是否符合预设条件，其中，所述人脸信息包括人脸姿态和/或人脸质量，所述预设条件包括：与正脸对应的标准姿态的差是否小于或等于预设差值阈值，和/或，人脸的模糊度是否小于或等于预设的模糊度阈值。
本实施例中，当确定人脸区域后，若预设条件为：与正脸对应的标准姿态的差是否小于或等于预设差值阈值，则获取该人脸区域中的人脸信息具体为获取该人脸区域中的人脸姿态，再将获取的人脸姿态与正脸对应的标准姿态比较，若两者的差小于或等于预设差值阈值，则判定获取的人脸区域符合预设条件，否则，判定获取的人脸区域不符合预设条件。其中，正脸是指获取的用户正对摄像头的脸部图像。
对应地，所述步骤S13包括：
若所述人脸区域中的人脸信息符合预设条件，识别所述人脸区域中的人脸属性。
本实施例中，由于满足预设条件的人脸通常是正脸或者侧向不明显的人脸，和/或，模糊度低的人脸，因此，在人脸区域中的人脸信息符合预设条件时才对该人脸区域中的人脸进行人脸属性的识别，能够提高人脸属性的识别精确性。
在一些实施例中，通过比对人脸的2维特征点(或称2维关键点)与3维的标准模板的特征点来确定人脸姿态。
在一些实施例中，所述人脸姿态根据以下方式确定：
Figure BDA0002611031740000071
其中，f表示人脸姿态，(α,β,γ)分别表示人脸姿态的真实的俯仰角、真实的航向角和真实的横滚角，n表示一张人脸上标定的特征点个数，qi表示待测试人脸的第i个特征点，pi表示与所述待测试人脸对应的三维通用标准模型中的第i个特征点，R表示旋转矩阵，R等于以下三个矩阵的乘积：
Figure BDA0002611031740000072
Figure BDA0002611031740000073
Figure BDA0002611031740000074
分别表示估计的俯仰角、估计的航向角和估计的横滚角，t表示空间偏移向量，C为伸缩因子。
在一些实施例中，反映人脸质量的图像清晰度可通过计算相邻两个像素灰度值的平方确定。
在一些实施例中，所述人脸质量根据以下方式确定：
Figure BDA0002611031740000081
其中，f为图像帧对应的二元图像函数f(x,y)，(x,y)为像素点的坐标点，
Figure BDA0002611031740000082
是图像帧中的灰度值对x方向的二阶导，
Figure BDA0002611031740000083
是图像帧中的灰度值对y方向的二阶导，
Figure BDA0002611031740000084
表示图像帧的模糊程度。
由于正常图片中边界比较清晰，因此方差会比较大；而由于模糊图片中包含的边界信息很少，因此方差会较小。本实施例中，清晰图片经过上述公式的计算，得到的值
Figure BDA0002611031740000085
会比较大，而模糊图片经过上述公式的计算，得到的值
Figure BDA0002611031740000086
则比较小。
在一些实施例中，所述人脸属性包括性别和/或年龄，则所述识别所述人脸区域中的人脸属性，包括：
通过已训练的性别识别模型识别所述人脸区域中的人脸的性别。
和/或，
通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄。具体地，对属于预划分的各个年龄类别的概率进行加权平均后，获得人脸的年龄。这里的加权与概率有关，属于预划分的年龄类别的概率越高，其得到的加权也越高，反之，得到的加权越低。
本实施例中，已训练的性别识别模型和已训练的年龄识别模型为通过对人脸识别模型改进后得到分类模型，例如对MobilefaceNet这个人脸识别模型改进后得到的分类模型，已训练的性别识别模型和已训练的年龄识别模型区别在于划分的类别不同。对于已训练的性别识别模型，其划分的类别只有2个性别类别，1个性别类别对应“男”，另1个性别类别对应“女”；而对于已训练的年龄识别模型，其划分的类别大于2，例如，划分为71个年龄类别，71个年龄类别分别对应0～70的年龄。
在一些实施例中，对人脸识别模型改进后得到分类模型的结构如表1所示。
表1：
Input Operator t c n s
224×224×3 conv2d - 32 1 2
122×122×32 bollteneck 1 16 1 1
122×122×16 bollteneck 6 24 2 2
56×56×24 bollteneck 6 32 3 2
28×28×32 bollteneck 6 64 4 2
28×28×64 bollteneck 6 96 3 1
14×14×96 bollteneck 6 160 3 2
7×7×160 bollteneck 6 320 1 1
7×7×320 conv2d 1×1 - 1280 1 1
7×7×1280 Avgpool 7×7 - - 1 -
1×1×k conv2d 1×1 - k -
其中，Input下的3个数值表示输入的RGB对应的3个通道值；Operator表示操作，Operator下的conv2d表示2维卷积运算，bottleneck表示残差运算，Avgpool中的“Avg”表示“平均”，“pool”表示池化层，即图像中的特征都有所贡献；t表示残差运算(bottleneck)里面的转置放大因子，c代表卷积核通道数，其值影响下一次输入中的最右边的通道值，例如，第一行中的c＝32，则第2行的输入中的最右边的通道值变为32，n代表Operator重复的次数，s代表步长(stride)。c下的“k”表示类别数，在本实施例中，由于性别只有2种，所以当人脸识别模型改进后得到分类模型为已训练的性别识别模型时，这里的“k”可取为“2”。当人脸识别模型改进后得到分类模型为已训练的年龄识别模型时，这里的“k”可取为“71”。
在一些场景中，是在获取一段视频中的图像帧序列后，再判断该图像帧序列中出现的人脸的人脸属性。需要指出的是，由于人脸属性的识别精度会受到待识别的人脸以及算法本身的影响，即同一用户在不同图像帧中对应的人脸属性也可能不同，因此，为了提高得到的人脸属性的精度，则需要进一步筛选得到的人脸属性。具体地，在所述通过已训练的性别识别模型识别所述人脸区域中的人脸的性别之后，包括：
分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的性别；分别统计所述属于同一用户的人脸在各个图像帧中的性别，并将出现概率最高的性别作为所述属于同一用户的人脸的性别并提示。
该步骤中的“其他图像帧”是指在已得到人脸的性别的图像帧之后的图像帧序列。
本实施例中，假设获取的视频包括图像帧1、图像帧2、图像帧3以及图像帧4，则在获取图像帧1中的人脸的性别后，通过人脸跟踪算法检测图像帧2的人脸是否与图像帧1的人脸为同一用户，若检测到图像帧2的人脸与图像帧1的人脸属于同一用户，则直接识别该图像帧2中定位出的人脸区域中的人脸的性别，若通过人脸跟踪算法检测到图像帧2的人脸与图像帧1的人脸不属于同一用户，则返回执行步骤S11。对图像帧3和图像帧4的识别操作与对图像帧1的识别操作类似，此处不再赘述。若图像帧3和图像帧4的人脸都与图像帧1的人脸属于同一用户，则分别统计该用户在图像帧1的性别、在图像帧2的性别、在图像帧3的性别以及在图像帧4的性别，若该用户在3个图像帧中都被识别为“女”，则将“女”作为该用户的性别，并提示，例如，如图4所示，在人脸区域附近输出“女”，或者，通过语音输出“女”的提示。通过上述操作，能够进一步提高得到的性别的精确性。
在一些实施例中，在所述通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄之后，包括：
分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的年龄；从各个年龄中筛选出属于同一用户的人脸的目标年龄，所述目标年龄既不是所述各个图像帧中属于同一用户的人脸的年龄的最大值，也不是所述各个图像帧中属于同一用户的人脸的年龄的最小值；根据所述目标年龄确定所述属于同一用户的人脸的年龄并提示。
本实施例中，通过人脸跟踪算法识别视频中的其他图像帧的人脸是否与已得到年龄的人脸属于同一用户，若是，则分别识别这些图像帧中的人脸的年龄，在确定同一用户在不同图像帧的年龄后，除去得到的年龄的最大值以及得到的年龄的最小值，再根据剩余的年龄确定该同一用户的年龄，例如，将剩余的年龄平均后作为该同一用户的年龄。在得到用户的年龄后，输出该年龄，例如在人脸区域附近输出具体的年龄，或者，通过语音输出“具体的年龄”的提示。通过上述操作，能够进一步提高得到的年龄的精确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
对应于上文实施例所述的人脸属性识别方法，图5示出了本申请实施例提供的人脸属性识别装置5的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该人脸属性识别5包括：人脸检测单元51、人脸区域确定单元52、人脸属性识别单元53。
人脸检测单元51，用于采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；
其中，可分离卷积模块的个数大于或等于1。
人脸区域确定单元52，用于若所述图像帧存在人脸，则确定所述人脸的人脸区域；
在一些实施例中，可通过图形框框选已训练的人脸检测模型检测的人脸，该图形框包围的区域即为人脸区域，在框选人脸后，显示带有图形框的图像帧。其中，该图形框可根据图像帧中出现人脸的形状灵活确定(如当人脸被遮挡时，灵活确定的图形框可能为多边形框)，也可以为固定的形状，优选地，该图形框为矩形框。
人脸属性识别单元53，用于识别所述人脸区域中的人脸属性。
本申请实施例中，由于已训练的人脸检测模型是基于可分离卷积和上下文模块构建的轻量级神经网络，因此，其能够对图像帧快速进行人脸检测。另外，由于上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支，而同一卷积核在检测不同尺寸的人脸时，其检测精度是不同的，因此，采用具有至少2个不同大小卷积核的分支的上下文模块对图像帧进行人脸检测，能够提高从图像帧中检测到人脸的精度，进而能够从具有更高精度的人脸区域中得到更高精度的人脸属性。
在一些实施例中，若人脸属性包括性别和/或年龄，为了得到更准确的人脸属性的识别结果，则人脸区域确定单元52具体用于：
若所述图像帧存在人脸，则得到所述已训练的人脸检测模型确定的所述人脸对应的初始的人脸区域；根据所述初始的人脸区域确定新的人脸区域，其中，所述初始的人脸区域为(x，y，w，h)，x和y为像素点的坐标，w为初始的人脸区域的宽，h为初始的人脸区域的高，所述新的人脸区域为(x，y+h*c，w，h+h*c)，c为预设的小于1的百分比。
在一些实施例中，该人脸属性识别5还包括：
人脸信息匹配单元，用于确定所述人脸区域中的人脸信息是否符合预设条件，其中，所述人脸信息包括人脸姿态和/或人脸质量，所述预设条件包括：与正脸对应的标准姿态的差是否小于或等于预设差值阈值，和/或，人脸的模糊度是否小于或等于预设的模糊度阈值；
所述人脸属性识别单元53具体用于：
若所述人脸区域中的人脸信息符合预设条件，识别所述人脸区域中的人脸属性。
在一些实施例中，所述人脸姿态根据以下方式确定：
Figure BDA0002611031740000131
其中，f表示人脸姿态，(α,β,γ)分别表示人脸姿态的真实的俯仰角、真实的航向角和真实的横滚角，n表示一张人脸上标定的特征点个数，qi表示待测试人脸的第i个特征点，pi表示与所述待测试人脸对应的三维通用标准模型中的第i个特征点，R表示旋转矩阵，R等于以下三个矩阵的乘积：
Figure BDA0002611031740000132
Figure BDA0002611031740000133
Figure BDA0002611031740000134
分别表示估计的俯仰角、估计的航向角和估计的横滚角，t表示空间偏移向量，C为伸缩因子。
在一些实施例中，所述人脸质量根据以下方式确定：
Figure BDA0002611031740000135
其中，f为图像帧对应的二元图像函数f(x,y)，(x,y)为像素点的坐标点，
Figure BDA0002611031740000136
是图像帧中的灰度值对x方向的二阶导，
Figure BDA0002611031740000137
是图像帧中的灰度值对y方向的二阶导，
Figure BDA0002611031740000138
表示图像帧的模糊程度。
在一些实施例中，所述人脸属性包括性别和/或年龄，则所述人脸属性识别单元53，包括：
通过已训练的性别识别模型识别所述人脸区域中的人脸的性别；和/或，通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄。
在一些实施例中，该人脸属性识别5还包括：
性别提示单元，用于分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的性别；分别统计所述属于同一用户的人脸在各个图像帧中的性别，并将出现概率最高的性别作为所述属于同一用户的人脸的性别并提示。
在一些实施例中，该人脸属性识别5还包括：
年龄提示单元，用于分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的年龄；从各个年龄中筛选出属于同一用户的人脸的目标年龄，所述目标年龄既不是所述各个图像帧中属于同一用户的人脸的年龄的最大值，也不是所述各个图像帧中属于同一用户的人脸的年龄的最小值；根据所述目标年龄确定所述属于同一用户的人脸的年龄并提示。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图6为本申请一实施例提供的移动终端的结构示意图。如图6所示，该实施例的移动终端6包括：至少一个处理器60(图6中仅示出一个处理器)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个方法实施例中的步骤：
采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；
若所述图像帧存在人脸，则确定所述人脸的人脸区域；
识别所述人脸区域中的人脸属性。
可选地，在所述识别所述人脸区域中的人脸属性之前，包括：
确定所述人脸区域中的人脸信息是否符合预设条件，其中，所述人脸信息包括人脸姿态和/或人脸质量，所述预设条件包括：与正脸对应的标准姿态的差是否小于或等于预设差值阈值，和/或，人脸的模糊度是否小于或等于预设的模糊度阈值；
所述识别所述人脸区域中的人脸属性，包括：
若所述人脸区域中的人脸信息符合预设条件，识别所述人脸区域中的人脸属性。
可选地，所述人脸姿态根据以下方式确定：
Figure BDA0002611031740000151
其中，f表示人脸姿态，(α,β,γ)分别表示人脸姿态的真实的俯仰角、真实的航向角和真实的横滚角，n表示一张人脸上标定的特征点个数，qi表示待测试人脸的第i个特征点，pi表示与所述待测试人脸对应的三维通用标准模型中的第i个特征点，R表示旋转矩阵，R等于以下三个矩阵的乘积：
Figure BDA0002611031740000152
Figure BDA0002611031740000153
Figure BDA0002611031740000154
分别表示估计的俯仰角、估计的航向角和估计的横滚角，t表示空间偏移向量，C为伸缩因子。
可选地，所述人脸质量根据以下方式确定：
Figure BDA0002611031740000161
其中，f为图像帧对应的二元图像函数f(x,y)，(x,y)为像素点的坐标点，
Figure BDA0002611031740000162
是图像帧中的灰度值对x方向的二阶导，
Figure BDA0002611031740000163
是图像帧中的灰度值对y方向的二阶导，
Figure BDA0002611031740000164
表示图像帧的模糊程度。
可选地，所述人脸属性包括性别和/或年龄，则所述识别所述人脸区域中的人脸属性，包括：
通过已训练的性别识别模型识别所述人脸区域中的人脸的性别；
和/或，
通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄。
可选地，在所述通过已训练的性别识别模型识别所述人脸区域中的人脸的性别之后，包括：
分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的性别；
分别统计所述属于同一用户的人脸在各个图像帧中的性别，并将出现概率最高的性别作为所述属于同一用户的人脸的性别并提示。
可选地，在所述通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄之后，包括：
分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的年龄；
从各个年龄中筛选出属于同一用户的人脸的目标年龄，所述目标年龄既不是所述各个图像帧中属于同一用户的人脸的年龄的最大值，也不是所述各个图像帧中属于同一用户的人脸的年龄的最小值；
根据所述目标年龄确定所述属于同一用户的人脸的年龄并提示。
所述移动终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该移动终端可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是移动终端6的举例，并不构成对移动终端6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器61在一些实施例中可以是所述移动终端6的内部存储单元，例如移动终端6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述移动终端6的外部存储设备，例如所述移动终端6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述移动终端6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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任意各个方法实施例中的步骤。
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计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/移动终端的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人脸属性识别方法，其特征在于，包括：
采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；
若所述图像帧存在人脸，则确定所述人脸的人脸区域；
识别所述人脸区域中的人脸属性。
2.如权利要求1所述的人脸属性识别方法，其特征在于，在所述识别所述人脸区域中的人脸属性之前，包括：
确定所述人脸区域中的人脸信息是否符合预设条件，其中，所述人脸信息包括人脸姿态和/或人脸质量，所述预设条件包括：与正脸对应的标准姿态的差是否小于或等于预设差值阈值，和/或，人脸的模糊度是否小于或等于预设的模糊度阈值；
所述识别所述人脸区域中的人脸属性，包括：
若所述人脸区域中的人脸信息符合预设条件，识别所述人脸区域中的人脸属性。
3.如权利要求2所述的人脸属性识别方法，其特征在于，所述人脸姿态根据以下方式确定：
Figure FDA0002611031730000011
其中，f表示人脸姿态，(α,β,γ)分别表示人脸姿态的真实的俯仰角、真实的航向角和真实的横滚角，n表示一张人脸上标定的特征点个数，qi表示待测试人脸的第i个特征点，pi表示与所述待测试人脸对应的三维通用标准模型中的第i个特征点，R表示旋转矩阵，R等于以下三个矩阵的乘积：
Figure FDA0002611031730000021
Figure FDA0002611031730000022
Figure FDA0002611031730000023
分别表示估计的俯仰角、估计的航向角和估计的横滚角，t表示空间偏移向量，C为伸缩因子。
4.如权利要求2所述的人脸属性识别方法，其特征在于，所述人脸质量根据以下方式确定：
Figure FDA0002611031730000024
其中，f为图像帧对应的二元图像函数f(x,y)，(x,y)为像素点的坐标点，
Figure FDA0002611031730000025
是图像帧中的灰度值对x方向的二阶导，
Figure FDA0002611031730000026
是图像帧中的灰度值对y方向的二阶导，
Figure FDA0002611031730000027
表示图像帧的模糊程度。
5.如权利要求1至4任一项所述的人脸属性识别方法，其特征在于，所述人脸属性包括性别和/或年龄，则所述识别所述人脸区域中的人脸属性，包括：
通过已训练的性别识别模型识别所述人脸区域中的人脸的性别；
和/或，
通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄。
6.如权利要求5所述的人脸属性识别方法，其特征在于，在所述通过已训练的性别识别模型识别所述人脸区域中的人脸的性别之后，包括：
分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的性别；
分别统计所述属于同一用户的人脸在各个图像帧中的性别，并将出现概率最高的性别作为所述属于同一用户的人脸的性别并提示。
7.如权利要求5所述的人脸属性识别方法，其特征在于，在所述通过已训练的年龄识别模型识别所述人脸区域中的人脸属于预划分的各个年龄类别的概率，并根据所述人脸属于预划分的各个年龄类别的概率确定所述人脸的年龄之后，包括：
分别识别其他图像帧中与所述人脸区域中的人脸属于同一用户的人脸的年龄；
从各个年龄中筛选出属于同一用户的人脸的目标年龄，所述目标年龄既不是所述各个图像帧中属于同一用户的人脸的年龄的最大值，也不是所述各个图像帧中属于同一用户的人脸的年龄的最小值；
根据所述目标年龄确定所述属于同一用户的人脸的年龄并提示。
8.一种人脸属性识别装置，其特征在于，包括：
人脸检测单元，用于采用已训练的人脸检测模型对图像帧进行人脸检测，所述已训练的人脸检测模型是基于可分离卷积模块和上下文模块构建的轻量级神经网络，所述上下文模块包括至少2个用于卷积的分支，且所有分支中至少存在2个对应不同大小卷积核的分支；
人脸区域确定单元，用于若所述图像帧存在人脸，则确定所述人脸的人脸区域；
人脸属性识别单元，用于识别所述人脸区域中的人脸属性。
9.一种移动终端，包括存储器、处理器以及存储在所述存储器中并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如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202010754284.9A 2020-07-30 2020-07-30 人脸属性识别方法、装置及移动终端 Pending CN112069885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010754284.9A CN112069885A (zh) 2020-07-30 2020-07-30 人脸属性识别方法、装置及移动终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010754284.9A CN112069885A (zh) 2020-07-30 2020-07-30 人脸属性识别方法、装置及移动终端

Publications (1)

Publication Number Publication Date
CN112069885A true CN112069885A (zh) 2020-12-11

Family

ID=73656329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010754284.9A Pending CN112069885A (zh) 2020-07-30 2020-07-30 人脸属性识别方法、装置及移动终端

Country Status (1)

Country Link
CN (1) CN112069885A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536947A (zh) * 2021-06-21 2021-10-22 中山市希道科技有限公司 一种人脸属性分析方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646845A (zh) * 2016-10-26 2017-05-10 广西师范大学 实现自动对焦和三维重建的显微系统及其图像获取方法
CN107944415A (zh) * 2017-12-06 2018-04-20 董伟 一种基于深度学习算法的人眼注意力检测方法
CN108073855A (zh) * 2016-11-11 2018-05-25 腾讯科技（深圳）有限公司 一种人脸表情的识别方法及系统
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质
CN109376684A (zh) * 2018-11-13 2019-02-22 广州市百果园信息技术有限公司 一种人脸关键点检测方法、装置、计算机设备和存储介质
CN111104878A (zh) * 2019-12-06 2020-05-05 江西开心玉米网络科技有限公司 一种图像处理方法、装置、服务器及存储介质
CN111191569A (zh) * 2019-12-26 2020-05-22 深圳市优必选科技股份有限公司 人脸属性的识别方法及其相关装置
CN111460939A (zh) * 2020-03-20 2020-07-28 深圳市优必选科技股份有限公司 一种去模糊的人脸识别方法、系统和一种巡检机器人

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646845A (zh) * 2016-10-26 2017-05-10 广西师范大学 实现自动对焦和三维重建的显微系统及其图像获取方法
CN108073855A (zh) * 2016-11-11 2018-05-25 腾讯科技（深圳）有限公司 一种人脸表情的识别方法及系统
CN107944415A (zh) * 2017-12-06 2018-04-20 董伟 一种基于深度学习算法的人眼注意力检测方法
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质
CN109376684A (zh) * 2018-11-13 2019-02-22 广州市百果园信息技术有限公司 一种人脸关键点检测方法、装置、计算机设备和存储介质
CN111104878A (zh) * 2019-12-06 2020-05-05 江西开心玉米网络科技有限公司 一种图像处理方法、装置、服务器及存储介质
CN111191569A (zh) * 2019-12-26 2020-05-22 深圳市优必选科技股份有限公司 人脸属性的识别方法及其相关装置
CN111460939A (zh) * 2020-03-20 2020-07-28 深圳市优必选科技股份有限公司 一种去模糊的人脸识别方法、系统和一种巡检机器人

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536947A (zh) * 2021-06-21 2021-10-22 中山市希道科技有限公司 一种人脸属性分析方法及装置

Similar Documents

Publication Publication Date Title
US10635890B2 (en) Facial recognition method and apparatus, electronic device, and storage medium
CN109829448B (zh) 人脸识别方法、装置及存储介质
US8750573B2 (en) Hand gesture detection
US8792722B2 (en) Hand gesture detection
CN112084856A (zh) 一种人脸姿态检测方法、装置、终端设备及存储介质
CN112308866B (zh) 图像处理方法、装置、电子设备及存储介质
CN111914748B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN110852311A (zh) 一种三维人手关键点定位方法及装置
WO2022199419A1 (zh) 人脸检测方法、装置、终端设备及计算机可读存储介质
CN111860369A (zh) 一种欺诈识别方法、装置以及存储介质
CN112396050B (zh) 图像的处理方法、设备以及存储介质
CN112651953B (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN112085701A (zh) 一种人脸模糊度检测方法、装置、终端设备及存储介质
CN112836653A (zh) 人脸隐私化方法、设备、装置及计算机存储介质
CN112418135A (zh) 人体行为识别方法、装置、计算机设备及可读存储介质
CN114155365A (zh) 模型训练方法、图像处理方法及相关装置
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN111881789B (zh) 肤色识别方法、装置、计算设备及计算机存储介质
CN111353325A (zh) 关键点检测模型训练方法及装置
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN112102348A (zh) 图像处理设备
CN112069885A (zh) 人脸属性识别方法、装置及移动终端
WO2020248848A1 (zh) 智能化异常细胞判断方法、装置及计算机可读存储介质
CN111179287A (zh) 人像实例分割方法、装置、设备及存储介质
CN116129496A (zh) 一种图像遮挡方法、装置、计算机设备及存储介质

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