CN112419305B - 人脸光照质量检测方法、装置、电子设备及存储介质 - Google Patents

人脸光照质量检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112419305B
CN112419305B CN202011432182.1A CN202011432182A CN112419305B CN 112419305 B CN112419305 B CN 112419305B CN 202011432182 A CN202011432182 A CN 202011432182A CN 112419305 B CN112419305 B CN 112419305B
Authority
CN
China
Prior art keywords
face
target
dimensional
dimensional face
information
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
Application number
CN202011432182.1A
Other languages
English (en)
Other versions
CN112419305A (zh
Inventor
王杉杉
胡文泽
王孝宇
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202011432182.1A priority Critical patent/CN112419305B/zh
Publication of CN112419305A publication Critical patent/CN112419305A/zh
Application granted granted Critical
Publication of CN112419305B publication Critical patent/CN112419305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

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

Abstract

本发明实施例提供一种人脸光照质量检测方法、装置、电子设备及存储介质，所述方法包括：提取待检测人脸图像的三维重建参数，并根据三维重建参数重建得到目标三维人脸；将目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。本发明实施例中的目标二维人脸则没有背景信息的干扰，相当于在图像中，只关注人脸区域的光照质量，没有背景光照的影响，从而降低误检测率。

Description

人脸光照质量检测方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种人脸光照质量检测方法、装置、电子设备及存储介质。
背景技术
随着对人工智能的深入研究，人脸识别技术不断落地为生活带来的便利，比如人脸门禁机可以方便特定人员快速出入特定区域，电子设备的人脸解锁可以使电子设备中的信息更安全。在人脸识别技术中，人脸图像质量是人脸识别的重要基础，直接影响人脸识别系统的精度和实效性，特别是在一些需要精确验证真实性的人脸识别场景中，需要更高视觉质量的图像才能保证人脸识别的验证真实性，比如基于实名制的人脸活体检测、金融权限的活体检测等高安全级别的场景。在实际的使用场景中，视觉质量受到光照影响较大，比如图像过曝光或图像过暗，过强的光线会导致图像过曝光，太弱的光线导致图像过暗，都会影响活体检测的精确度，从而影响验证真实性。因此，需要对过图像的光照质量进行筛选，选取光照质量合格的图像用于人脸识别，而在这个过程中，现有的方式是通过判断图像的整体来对图像光照质量进行检测筛选，图像中的背景做为噪声，会对光照质量产生影响，导致误检测率高。
发明内容
本发明实施例提供一种人脸光照质量检测方法，能够对图像中的人脸进行光照质量检测，没有背景光照的影响，从而可以降低误检测率。
第一方面，本发明实施例提供一种人脸光照质量检测方法，包括：
提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；
将所述目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；
基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；
根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。
可选的，所述基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果，包括：
根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值；
基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果。
可选的，所述色相信息包括每个像素点的色相值，所述亮度信息包括每个像素点的亮度值，所述根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值，包括：
根据各个像素点的色相值，计算得到所述各个像素点的色相自适应值；
根据各个像素点的亮度值，计算得到所述各个像素点的亮度自适应值；
基于所述色相自适应值与所述亮度自适应值，计算得到所述各个像素点的饱和度自适应阈值。
可选的，所述饱和度信息包括每个像素点的饱和度值，所述基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果，包括：
判断各个像素点的饱和度值是否大于对应的饱和度自适应阈值；
计算饱和度值大于对应的饱和度自适应阈值的第一像素点数量；
根据所述第一像素点数量与所有像素点数量，计算目标二维人脸的过曝比例；
根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果。
可选的，所述根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果，包括：
判断所述过曝比例是否大于预设的过曝比例阈值；
若所述过曝比例大于所述过曝比例阈值，则判断所述目标二维人脸过曝光；
若所述过曝比例小于所述过曝比例阈值，则提取目标二维人脸的灰度信息，并根据所述灰度信息，判断所述目标二维人脸是否过暗。
可选的，所述灰度信息包括每个像素点的灰度值，所述根据所述灰度信息，判断所述目标二维人脸是否过暗，包括：
统计灰度值小于预设灰度值的第二像素点数量；
根据所述第二像素点数量与所有像素点数量，计算目标二维人脸的过暗比例；
判断所述过暗比例是否大于预设的过暗比例阈值；
若所述过暗比例达到所述过暗比例阈值，则判断所述目标二维人脸过暗；
若所述过暗比例没有达到所述过暗比例阈值，则判断所述目标二维人脸正常。
可选的，所述提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸，包括：
获取待检测人脸图像；
通过预设的三维参数提取网络提取所述待检测人脸图像的人脸重建形状参数以及人脸动作参数；
通过所述参数重建网络对所述人脸重建形状参数以及人脸动作参数进行重建，得到目标三维人脸。
可选的，所述将所述目标三维人脸进行二维渲染，得到目标二维人脸，包括：
对所述目标三维人脸的人脸区域进行二维渲染，得到人脸区域的掩膜；
根据所述人脸区域的掩膜，在所述待检测人脸图像中提取对应的人脸区域，得到目标二维人脸。
第二方面，本发明实施例还提供一种人脸光照质量检测装置，所述装置包括：
第一提取模块，用于提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；
第二提取模块，用于将所述目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；
质量检测模块，用于基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；
结果处理模块，用于根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上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本发明实施例提供的人脸光照质量检测方法中的步骤。
第四方面，本发明实施例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发明实施例提供的人脸光照质量检测方法中的步骤。
本发明实施例中，提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；将所述目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。通过待检测人脸图像中的人脸进行三维重建，得到的目标三维人脸不包含有背景信息，然后将三维人脸进行二维渲染，得到的目标二维人脸则没有背景信息的干扰，相当于在图像中，只关注人脸区域的光照质量，没有背景光照的影响，从而可以降低误检测率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，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是本发明实施例提供的一种人脸光照质量检测方法的流程图；
图2是本发明实施例提供的一种三维人脸重建并渲染为二维人脸的示意图；
图3是本发明实施例提供的另一种人脸光照质量检测方法的流程图；
图4是本发明实施例提供的一种人脸光照质量检测装置的结构示意图；
图5是本发明实施例提供的一种质量检测模块的结构示意图；
图6是本发明实施例提供的一种计算子模块的结构示意图；
图7是本发明实施例提供的一种处理子模块的结构示意图；
图8是本发明实施例提供的一种第二判断单元的结构示意图；
图9是本发明实施例提供的一种第三判断子单元的结构示意图；
图10是本发明实施例提供的一种第一提取模块的结构示意图；
图11是本发明实施例提供的一种第二提取模块的结构示意图；
图12是本发明实施例提供的一种电子设备的结构示意图。
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，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种人脸光照质量检测方法的流程图，如图1所示，包括以下步骤：
101、提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸。
在本发明实施例中，上述待检测人脸图像可以是由摄像头进行拍摄并实时发送得到的人脸帧图像，也可以是通过在视频中进行截取得到人脸帧图像。上述的摄像头可以是3D深度摄像头，3D深度摄像头可以拍摄到具有深度信息的人脸帧图像。
在得到待检测人脸图像后，可以将待检测人脸图像输入到预先训练好的三维人脸重建网络中进行三维人脸重建，得到目标三维人脸。
可选的，上述的三维人脸重建网络可以是全卷积神经网络，可以支持不同大小的图像作为输入。三维人脸重建可以理解为从二维人脸图像恢复为三维人脸的过程，也可以理解为通过一组人脸重建参数来表示任意一张人脸。所有的三维人脸都能用相同的点云数或面片数来表示，且相同序号的点代表相同的语义，例如，在(BFM2017数据库)中，对于每一个人脸形状基第2217个面片顶点都代表是人脸左外眼角点，通过对二维人脸图像进行特征提取，可以得到表示这些点云数或面片数的特征信息，相当于是得到对应的人脸重建参数，因此，每个带纹理的三维人脸都能用对应的人脸重建参数来进行表示。进一步可以理解为，每个三维人脸都能用人脸重建形状参数以及人脸动作参数进行表示。
进一步的，在本发明实施列中，上述的三维人脸重建网络包括预设的参数提取网络以及预设的参数重建网络。其中，上述的参数提取网络用于提取二维图像中的人脸重建形状参数以及人脸动作参数。
具体的，参数提取网络输出的人脸重建参数reconstruct_params所对应的特征被表达为一个三维向量[_3dface_shape_params，(R，T)]，其中，_3dface_shape_params表示为人脸重建形状参数，(R，T)表示为人脸动作参数。
其中，上述的人脸重建形状参数表示待重建的三维人脸中每个点的空间位置，人脸动作参数中，R表示旋转矩阵，T表示特征点位移。
在一种可能的实施例中，上述的参数提取网络可以是以mobilenetv3为主构架的卷积神经网络，mobilenetv3是一种轻量级神经网络，可以轻松部署在前端装置中。
通过参数重建网络对人脸重建形状参数以及人脸动作参数进行重建，得到三维人脸。
可选的，上述的参数重建网络可以是基于basel模型的重建网络，将上述提取到的人脸重建形状参数以及人脸动作参数输入到参数重建网络，通过参数重建网络对三维人脸进行重建，得到目标三维人脸。
具体的，可以通过下述的公式对三维人脸进行重建：
Face3d(shape)＝(Face_shape3d) (公式2)
其中，上述的s，m均为basel模型中的已知参数，/>为basel模型中的人脸形状均值，s为特征向量，/>和特征向量s的长度n为重建后3d人脸的顶点信息，m为特征向量的个数，Face_shape3d为basel模型中的三维人脸形状，Face3d(shape)表示对应的三维人脸中包含了形状shape(每个特征点在三维空间中的位置)，具体表示为基于Face_shape3d重建得到的三维人脸，也就是说该三维人脸不含纹理信息。同时，在basel模型中还包含有人脸各个特征点作为顶点的连接信息mesh_info，提供的是每3个顶点连接成一个三角面的连接信息，通过各个三角面的拼接构成人脸的立体模型，形成三维人脸。在一种可能的实施例中，利用opengl(开放图像库)组件，可以根据三维人脸顶点信息vertices和连接信息mesh_info来绘制成一个填充好的三维人脸区域。
102、将目标三维人脸进行二维渲染，得到目标二维人脸，并提取目标二维人脸的色相信息、饱和度信息以及亮度信息。
本发明实施例中，在得到目标三维人脸之后，通过渲染组件目标三维人脸渲染成为二维人脸，比如通过opengl将三维人脸渲染成为二维人脸。在渲染过程中，可以提取连续人脸帧图像的人脸帧图像代表中人脸朝向特征，根据人脸朝向特征，在人脸朝向上，将三维人脸渲染成为二维人脸，以使二维人脸朝向与待检测人脸图像中人脸朝向相同。进一步的，上述的渲染可以是以掩膜的形成进行渲染，在本发明实施例中，可以只需要人脸的形状(即表示人脸的特征点的位置)，而不需要人脸的纹理(即表示人脸的特征点的色彩)，所以可以是以掩膜的形成将目标三维人脸进行渲染，得到人脸区域的掩膜，如图2所示。
上述的人脸区域的掩膜由于只有形状特征而没有纹理特征，可以理解为是没有色彩信息的，所以可以通过该人脸区域的掩膜回归到待检测人脸图像中，提取对应位置的人脸区域，提取到的人脸区域与人脸区域的掩膜形状是相同的，因此，得到的是精准的人脸，该人脸作为目标二维人脸。需要说明的是，在得到的目标二维人脸中，各个像素点均包括色彩信息。
在得到目标二维人脸后，提取目标二维人脸的色相信息、饱和度信息以及亮度信息。具体的，可以是提取目标二维人脸中各个像素点的色相信息、饱和度信息以及亮度信息。其中，上述的色相信息指的是不同的颜色属性，是区别于不同颜色的一个重要属性，比如：红、绿、蓝、黄等；上述的饱和度信息指的是色彩的鲜艳程度；上述的亮度信息指的是颜色明亮的程度。
由于摄像头拍摄到数字图像一般为RGB图，提取到的目标二维人脸也是RGB的图像，可以通过将目标二维人脸转换到HSV颜色空间，从而得到对应的色相信息、饱和度信息以及亮度信息。在HSV颜色空间中，H代表色相，S代表饱和度，V代表亮度。
在一种可能的实施例中，上述的色相通过色相盘的角度来进行定义，此时，色相值的取值为0°至360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°；它们的补色分别是：黄色为60°，青色为180°，紫色为300°。在该可能的实施例中，可以通过对应的算法将RGB模式转换为HSV模式，具体的，可以是：定义max＝max(R，G，B)，表示取R，G，B中最大的值；min＝min(R，G，B)，表示取R，G，B中最小的值；则有亮度值为V＝max(R，G，B)；饱和度值为S＝(max-min)/max。如果R为R，G，B中的最大值，即max＝max(R，G，B)＝R，则有：色相值为H＝(G-B)/(max-min)*60。如果G为R，G，B中的最大值，即max＝max(R，G，B)＝G，则有色相值为H＝120+(B-R)/(max-min)*60。如果B为R，G，B中的最大值，即max＝max(R，G，B)＝B，则有色相值为H＝240+(R-G)/(max-min)*60。如果色相值H为负，即H<0，则有色相值为H＝H+360。通过该算法，可以将目标二维人脸中各个像素点的色相信息、饱和度信息以及亮度信息计算出来。
103、基于色相信息、饱和度信息以及亮度信息，对目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果。
在本发明实施例中，光照质量检测可以是检测目标二维人脸是否过曝光或过暗，如果目标二维人脸没有过曝光也没有过暗，则说明该目标二维人脸的光照质量正常，进而说明待检测人脸图像的光照质量是合格的。
可选的，可以是通过目标二维人脸中各个像素点的色相信息、饱和度信息以及亮度信息来对目标二维人脸进行光照质量检测。比如，检测过曝光像素点的数量，以及过暗像素点的数量，当过曝光像素点的数量大于预设的数量时，则可以确定目标二维人脸过曝光，当过暗像素点的数量大于预设的数量时，可以确定目标二维人脸过暗。
本发明实施例提出自适应阈值生成方法，可以通过自适应阈值来判断像素点的是否过曝光。进一步的，该自适应阈值为饱和度自适应阈值，通过判断一个像素点的饱和度值与饱和度自适应阈值之间的关系，来判断该个像素点是否过曝光，通过判断目标二维人脸中各个像素点的过曝光情况，来判断目标二维人脸的光照质量，进而判断待检测人脸图像的光照质量。
具体的，请参见图3，图3是本发明实施例提供的另一种人脸光照质量检测方法的流程图，如图3所示，在图1实施例的基础上，步骤103进一步包括以下步骤：
301、根据色相信息以及亮度信息，计算得到饱和度自适应阈值。
在本发明实施例中，上述的色相信息可以是目标二维人脸中各个像素点的色相值，上述的亮度信息可以是目标二维人脸中各个像素点的亮度值。通过对目标二维人脸中各个像素点的色相值以及亮度值，来计算各个像素点对应的饱和度自适应阈值。
可选的，在一些可能的实施例中，可以对目标二维人脸进行区域划分，比如将目标二维人脸划分为多个网格，每个网络包括多个像素点，上述的色相信息可以是对各个网格进行采样得到的色相平均值或色相最大值作为色相值，上述的亮度信息可以是对各个网格进行采样得到的亮度平均值或亮度最大值作为亮度值，通过对目标二维人脸中各个网格的色相值以及亮度值，来计算各个网格对应的饱和度自适应阈值。这样，可以通过将目标二维人脸划分为多个网格区域，不用计算每个像素点的饱和度自适应阈值，减少了计算量，提高了整体的计算速度。
在本发明实施例中，可以根据色相值计算得到色相自适应值，根据亮度值计算得到亮度自适应值，通过色相自适应值以及亮度自适应值计算得到饱和度自适应阈值。可以通过下述的公式对色相自适应值进行计算：
Fv(h)＝a1*exp(-((face_h-a2)/a3)2)
+b1*exp(-((face_h-b2)/b3)2)
-c1*exp(-((face_h-c2)/c3)2) (公式3)
其中，上述的Fv(h)为色相自适应值，face_h为色相值，上述的a1、a2、a3、b1、b2、b3、c1、c2、c3均为预设的参数值。其中，a1的取值范围为[10，25]，a2、a3、b2、b3、c2、c3的取值范围为(0，255]，在具体的实施例中，可以对上述公式3中的参数值进行调整，以得到较为准确的色相自适应值。本发明实施例中，优选a1＝17，a2＝30，a3＝11.46，b1＝30015，b2＝136.3，b3＝100.1，c1＝29999，c2＝136.3，c3＝100.0。
根据上述的参数优选值，可以得到下述的公式：
Fv(h)＝17*exp(-((face_h-30)/11.46)2)
+30015*exp(-((face_h-136.3)/100.1)2)
-29999*exp(-((face_h-136.3)/100.0)2) (公式4)
同时，可以通过下述的公式对亮度自适应值进行计算：
Fv(v)＝exp(d1*(face_v-d2)/d3) (公式5)
其中，上述的Fv(v)为亮度自适应值，face_v为亮度值。上述的d1的取值范围为(0，5]，上述的d2、d3的取值范围为(0，255]。在具体的实施例中，可以对上述公式5中的参数值进行调整，以得到较为准确的色相自适应值。本发明实施例中，优选d1＝2.4，d2＝255，d3＝255.0。根据上述的参数优选值，可以得到下述的公式：
Fv(v)＝exp(2.4*(face_v-255)/255.0) (公式6)
以目标二维人脸中各个像素点的色相值以及亮度值为例，在得到各个像素点的色相值face_h的情况下，可以通过上的公式3或公式4，计算得到各个像素点对应的色相自适应值Fv(h)；在得到各个像素点的亮度值face_v的情况下，可以通过上的公式5或公式6，计算得到各个像素点对应的亮度自适应值Fv(v)。
进一步的，在得到色相自适应值以及亮度自适应值后，可以通过下述的公式对饱和度自适应值进行计算：
Sth＝Fv(v)*Fh(h) (公式7)
其中，上述的Sth为饱和度自适应阈值。在计算得到各个像素点对应的色相自适应值Fv(h)以及亮度自适应值Fv(v)后，将色相自适应值Fv(h)以及亮度自适应值Fv(v)的乘积做为对应各个像素点的饱和度自适应阈值。
需要说明的是，上述以的像素点也可以用目标二维人脸划分出的网格进行代替解释。
302、基于饱和度自适应阈值和饱和度信息，对目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果。
在本发明实施例中，通过对目标二维人脸中各个像素点的色相值以及亮度值，来计算各个像素点对应的饱和度自适应阈值。对应的，上述的饱和度信息可以是各个像素点的饱和度值。
上述对目标二维人脸进行光照质量检测包括对目标二维人脸进行过曝光检测。具体的，可以通过将各个像素点的饱和度值与各个像素点对应的饱和度自适应阈值进行比较，来判断各个像素点的饱和度值是否大于对应的饱和度自适应阈值，从而判断各个像素点的曝光情况。具体的，当一个像素点的饱和度值大于该个像素点的饱和度自适应阈值时，则可以认为该个像素点为过曝光的像素点。通过统计过曝光的像素点数量，来对目标二维人脸是否过曝光进行判断。比如，当过曝光的像素点数量大于一个数量阈值时，则可以判断目标二维人脸过曝光，或者当曝光的像素点数量占目标二维人脸中总像素点数量的比例达到一个比例阈值时，则可以判断目标二维人脸过曝光。本发明实施例优选通过曝光的像素点数量占目标二维人脸中总像素点数量的比例来对目标二维人脸过曝光进行判断。
具体的，判断各个像素点的饱和度值是否大于对应的饱和度自适应阈值；计算饱和度值大于对应的饱和度自适应阈值的第一像素点数量；根据第一像素点数量与所有像素点数量，计算目标二维人脸的过曝比例；根据过曝比例，对目标二维人脸进行光照质量判断，得到目标二维人脸的光照质量检测结果。比如，当过曝光的像素点占目标三维人脸中的所有像素点的50％，则可以确定目标二维人脸的光照质量检测结果为过曝光。
可选的，上述对目标二维人脸进行光照质量检测还包括对目标二维人脸进行过暗检测。
当确定目标二维人脸的光照质量检测结果为没有过曝光时，则对目标二维人脸进行过暗检测。以过曝比例为例，若过曝比例小于预设的过曝比例阈值，则可以提取目标二维人脸的灰度信息，并根据该灰度信息，判断目标二维人脸是否过暗。
具体的，可以将目标二维人脸由RGB图转换为灰度图，从而提取目标二维人脸的灰度信息。通过统计目标二维人脸的灰度图中，每个像素点的灰度信息，从而判断各个像素点是否过暗，当过暗像素点数量超过预设的数量阈值时，则可以确定目标二维人脸过暗，当过暗像素点数量没有超过预设的数量阈值时，则可以确定目标二维人脸为正常人脸，此时该目标二维人脸既没有过曝光，也没有过暗。
上述目标二维人脸的灰度信息可以是目标二维人脸中各个像素点的灰度值，上述判断各个像素点是否过暗，可以是将各个像素点的灰度值与预设的灰度阈值进行比较，判断各个像素点的灰度值是否小于该预设的灰度阈值，比如，一个像素点的灰度值小于该预设的灰度阈值，则可以确定该个像素点过暗，具体比如，预设的灰度阈值为50，当一个像素点的灰度值小于50时，则可以确定该个像素点过暗，为过暗像素点。反之，当一个像素点的灰度值大于或等于50时，则可以确定该个像素点没有过暗，为正常像素点。
进一步的，可以统计过暗像素点数量，计算过暗像素点数量与目标二维人脸中总像素点数量的比值作为过暗比例，若该过暗比例达到预设的过暗比例阈值，则判断目标二维人脸过暗；若该过暗比例没有达到预设的过暗比例阈值，则判断目标二维人脸正常。
在一种可能的实施例中，可以通过目标二维人脸中的灰度直方图来计算过暗像素点数量与目标二维人脸中总像素点数量的比值作为过暗比例。由于灰度直方图是各个灰度值区间的分布图，可以直接统计出小于预设灰度阈值的像素点数量，从而方便计算过暗像素点数量与目标二维人脸中总像素点数量的比值。
104、根据目标二维人脸的光照质量检测结果，得到待检测人脸图像的光照质量检测结果。
上述的目标二维人脸的光照质量检测结果可以是过曝光、过暗和正常，由于目标二维人脸是对应于待检测人脸图像中的人脸区域，当目标二维人脸的光照质量检测结果为过曝光时，则进一步可以确定与目标二维人脸对应的待检测人脸图像的人脸光照质量检测结果为过曝光；当目标二维人脸的光照质量检测结果为过暗时，则进一步可以确定与目标二维人脸对应的待检测人脸图像的人脸光照质量检测结果为过暗；当目标二维人脸的光照质量检测结果为正常时，则进一步可以确定与目标二维人脸对应的待检测人脸图像的人脸光照质量检测结果为正常，则进一步可以确定与目标二维人脸对应的待检测人脸图像的人脸光照质量检测结果为正常。本发明实施例中，由于使用目标二维人脸作为待检测人脸图像的光照质量检测结果，而目标二维人脸对应于待检测人脸图像中的人脸区域，使得目标二维人脸不会受到背景像素点的影响，不会“被平均”，从而提高了对待检测人脸图像进行光照质量检测的准确率。
本发明实施例中，提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；将所述目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。通过待检测人脸图像中的人脸进行三维重建，得到的目标三维人脸不包含有背景信息，然后将三维人脸进行二维渲染，得到的目标二维人脸则没有背景信息的干扰，相当于在图像中，只关注人脸区域的光照质量，没有背景光照的影响，从而可以降低误检测率。
需要说明的是，本发明实施例提供的人脸光照质量检测方法可以应用于可以进行人脸光照质量检测的手机、监控器、计算机、服务器等设备。
请参见图4，图4是本发明实施例提供的一种人脸光照质量检测装置的结构示意图，如图4所示，所述装置包括：
第一提取模块401，提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；
第二提取模块402，将所述目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；
质量检测模块403，基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；
结果处理模块404，根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。
可选的，如图5所示，所述质量检测模块403包括：
计算子模块4031，用于根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值；
处理子模块4032，用于基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果。
可选的，如图6所示，所述色相信息包括每个像素点的色相值，所述亮度信息包括每个像素点的亮度值，所述计算子模块4031包括：
第一计算单元40311，用于根据各个像素点的色相值，计算得到所述各个像素点的色相自适应值；
第二计算单元40312，用于根据各个像素点的亮度值，计算得到所述各个像素点的亮度自适应值；
第三计算单元40313，用于基于所述色相自适应值与所述亮度自适应值，计算得到所述各个像素点的饱和度自适应阈值。
可选的，如图7所示，所述饱和度信息包括每个像素点的饱和度值，所述处理子模块4032包括：
第一判断单元40321，用于判断各个像素点的饱和度值是否大于对应的饱和度自适应阈值；
第四计算单元40322，用于计算饱和度值大于对应的饱和度自适应阈值的第一像素点数量；
第五计算单元40323，用于根据所述第一像素点数量与所有像素点数量，计算目标二维人脸的过曝比例；
第二判断单元40324，用于根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果。
可选的，如图8所示，所述第二判断单元40324包括：
第一判断子单元403241，用于判断所述过曝比例是否大于预设的过曝比例阈值；
第二判断子单元403242，用于若所述过曝比例大于所述过曝比例阈值，则判断所述目标二维人脸过曝光；
第三判断子单元403243，用于若所述过曝比例小于所述过曝比例阈值，则提取目标二维人脸的灰度信息，并根据所述灰度信息，判断所述目标二维人脸是否过暗。
可选的，如图9所示，所述第三判断子单元403243包括：
子统计单元4032431，用于统计灰度值小于预设灰度值的第二像素点数量；
子计算单元4032432，用于根据所述第二像素点数量与所有像素点数量，计算目标二维人脸的过暗比例；
第一子判断单元4032433，用于判断所述过暗比例是否大于预设的过暗比例阈值；
第二子判断单元4032434，用于若所述过暗比例达到所述过暗比例阈值，则判断所述目标二维人脸过暗；
第三子判断单元4032435，用于若所述过暗比例没有达到所述过暗比例阈值，则判断所述目标二维人脸正常。
可选的，如图10所示，所述第一提取模块401包括：
获取子模块4011，用于获取待检测人脸图像；
第一提取子模块4012，用于通过预设的三维参数提取网络提取所述待检测人脸图像的人脸重建形状参数以及人脸动作参数；
重建子模块4013，用于通过所述参数重建网络对所述人脸重建形状参数以及人脸动作参数进行重建，得到目标三维人脸。
可选的，如图11所示，所述第二提取模块402包括：
渲染子模块4021，用于对所述目标三维人脸的人脸区域进行二维渲染，得到人脸区域的掩膜；
第二提取子模块4022，用于根据所述人脸区域的掩膜，在所述待检测人脸图像中提取对应的人脸区域，得到目标二维人脸。
需要说明的是，本发明实施例提供的人脸光照质量检测装置可以应用于可以进行人脸光照质量检测的手机、监控器、计算机、服务器等设备。
本发明实施例提供的人脸光照质量检测装置能够实现上述方法实施例中人脸光照质量检测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图12，图12是本发明实施例提供的一种电子设备的结构示意图，如图12所示，包括：存储器1202、处理器1201及存储在所述存储器1202上并可在所述处理器1201上运行的计算机程序，其中：
处理器1201用于调用存储器1202存储的计算机程序，执行如下步骤：
提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；
将所述目标三维人脸进行二维渲染，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；
基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；
根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。
可选的，处理器1201执行的所述基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果，包括：
根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值；
基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果。
可选的，所述色相信息包括每个像素点的色相值，所述亮度信息包括每个像素点的亮度值，处理器1201执行的所述根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值，包括：
根据各个像素点的色相值，计算得到所述各个像素点的色相自适应值；
根据各个像素点的亮度值，计算得到所述各个像素点的亮度自适应值；
基于所述色相自适应值与所述亮度自适应值，计算得到所述各个像素点的饱和度自适应阈值。
可选的，所述饱和度信息包括每个像素点的饱和度值，处理器1201执行的所述基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果，包括：
判断各个像素点的饱和度值是否大于对应的饱和度自适应阈值；
计算饱和度值大于对应的饱和度自适应阈值的第一像素点数量；
根据所述第一像素点数量与所有像素点数量，计算目标二维人脸的过曝比例；
根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果。
可选的，处理器1201执行的所述根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果，包括：
判断所述过曝比例是否大于预设的过曝比例阈值；
若所述过曝比例大于所述过曝比例阈值，则判断所述目标二维人脸过曝光；
若所述过曝比例小于所述过曝比例阈值，则提取目标二维人脸的灰度信息，并根据所述灰度信息，判断所述目标二维人脸是否过暗。
可选的，所述灰度信息包括每个像素点的灰度值，处理器1201执行的所述根据所述灰度信息，判断所述目标二维人脸是否过暗，包括：
统计灰度值小于预设灰度值的第二像素点数量；
根据所述第二像素点数量与所有像素点数量，计算目标二维人脸的过暗比例；
判断所述过暗比例是否大于预设的过暗比例阈值；
若所述过暗比例达到所述过暗比例阈值，则判断所述目标二维人脸过暗；
若所述过暗比例没有达到所述过暗比例阈值，则判断所述目标二维人脸正常。
可选的，处理器1201执行的所述提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸，包括：
获取待检测人脸图像；
通过预设的三维参数提取网络提取所述待检测人脸图像的人脸重建形状参数以及人脸动作参数；
通过所述参数重建网络对所述人脸重建形状参数以及人脸动作参数进行重建，得到目标三维人脸。
可选的，处理器1201执行的所述将所述目标三维人脸进行二维渲染，得到目标二维人脸，包括：
对所述目标三维人脸的人脸区域进行二维渲染，得到人脸区域的掩膜；
根据所述人脸区域的掩膜，在所述待检测人脸图像中提取对应的人脸区域，得到目标二维人脸。
需要说明的是，上述电子设备可以是可以应用于可以进行人脸光照质量检测的手机、监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中人脸光照质量检测方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的人脸光照质量检测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种人脸光照质量检测方法，其特征在于，包括以下步骤：
提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；
对所述目标三维人脸的人脸区域进行二维渲染，在渲染过程中，提取连续人脸帧图像的人脸帧图像代表中人脸朝向特征，根据人脸朝向特征，在人脸朝向上，将三维人脸渲染成为二维人脸，以使二维人脸朝向与待检测人脸图像中人脸朝向相同，以掩膜的形式进行渲染，得到人脸区域的掩膜；根据所述人脸区域的掩膜，在所述待检测人脸图像中提取对应的人脸区域，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；
基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；
根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。
2.如权利要求1所述的方法，其特征在于，所述基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果，包括：
根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值；
基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到目标二维人脸的光照质量检测结果。
3.如权利要求2所述的方法，其特征在于，所述色相信息包括每个像素点的色相值，所述亮度信息包括每个像素点的亮度值，所述根据所述色相信息以及所述亮度信息，计算得到饱和度自适应阈值，包括：
根据各个像素点的色相值，计算得到所述各个像素点的色相自适应值；
根据各个像素点的亮度值，计算得到所述各个像素点的亮度自适应值；
基于所述色相自适应值与所述亮度自适应值，计算得到所述各个像素点的饱和度自适应阈值。
4.如权利要求3所述的方法，其特征在于，所述饱和度信息包括每个像素点的饱和度值，所述基于所述饱和度自适应阈值和所述饱和度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果，包括：
判断各个像素点的饱和度值是否大于对应的饱和度自适应阈值；
计算饱和度值大于对应的饱和度自适应阈值的第一像素点数量；
根据所述第一像素点数量与所有像素点数量，计算目标二维人脸的过曝比例；
根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果。
5.如权利要求4所述的方法，其特征在于，所述根据所述过曝比例，对所述目标二维人脸进行光照质量判断，得到所述目标二维人脸的光照质量检测结果，包括：
判断所述过曝比例是否大于预设的过曝比例阈值；
若所述过曝比例大于所述过曝比例阈值，则判断所述目标二维人脸过曝光；
若所述过曝比例小于所述过曝比例阈值，则提取目标二维人脸的灰度信息，并根据所述灰度信息，判断所述目标二维人脸是否过暗。
6.如权利要求5所述的方法，其特征在于，所述灰度信息包括每个像素点的灰度值，所述根据所述灰度信息，判断所述目标二维人脸是否过暗，包括：
统计灰度值小于预设灰度值的第二像素点数量；
根据所述第二像素点数量与所有像素点数量，计算目标二维人脸的过暗比例；
判断所述过暗比例是否大于预设的过暗比例阈值；
若所述过暗比例达到所述过暗比例阈值，则判断所述目标二维人脸过暗；
若所述过暗比例没有达到所述过暗比例阈值，则判断所述目标二维人脸正常。
7.如权利要求1至6中任一所述的方法，其特征在于，所述提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸，包括：
获取待检测人脸图像；
通过预设的三维参数提取网络提取所述待检测人脸图像的人脸重建形状参数以及人脸动作参数；
通过参数重建网络对所述人脸重建形状参数以及人脸动作参数进行重建，得到目标三维人脸。
8.一种人脸光照质量检测装置，其特征在于，所述装置包括：
第一提取模块，用于提取待检测人脸图像的三维重建参数，并根据所述三维重建参数重建得到目标三维人脸；
第二提取模块，用于对所述目标三维人脸的人脸区域进行二维渲染，在渲染过程中，提取连续人脸帧图像的人脸帧图像代表中人脸朝向特征，根据人脸朝向特征，在人脸朝向上，将三维人脸渲染成为二维人脸，以使二维人脸朝向与待检测人脸图像中人脸朝向相同，以掩膜的形式进行渲染，得到人脸区域的掩膜；根据所述人脸区域的掩膜，在所述待检测人脸图像中提取对应的人脸区域，得到目标二维人脸，并提取所述目标二维人脸的色相信息、饱和度信息以及亮度信息；
质量检测模块，用于基于所述色相信息、所述饱和度信息以及所述亮度信息，对所述目标二维人脸进行光照质量检测，得到所述目标二维人脸的光照质量检测结果；
结果处理模块，用于根据所述目标二维人脸的光照质量检测结果，得到所述待检测人脸图像的光照质量检测结果。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上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权利要求1至7中任一项所述的人脸光照质量检测方法中的步骤。
10.一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7中任一项所述的人脸光照质量检测方法中的步骤。
CN202011432182.1A 2020-12-09 2020-12-09 人脸光照质量检测方法、装置、电子设备及存储介质 Active CN112419305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011432182.1A CN112419305B (zh) 2020-12-09 2020-12-09 人脸光照质量检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011432182.1A CN112419305B (zh) 2020-12-09 2020-12-09 人脸光照质量检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112419305A CN112419305A (zh) 2021-02-26
CN112419305B true CN112419305B (zh) 2024-06-11

Family

ID=74776359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011432182.1A Active CN112419305B (zh) 2020-12-09 2020-12-09 人脸光照质量检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112419305B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1720361A1 (en) * 2005-05-05 2006-11-08 Genesis Microchip, Inc. Apparatus for detecting, correcting and processing in hue, saturation and luminance directions
CN102111546A (zh) * 2009-12-25 2011-06-29 佳能株式会社 图像处理方法、图像处理设备和摄像设备
CN106557749A (zh) * 2016-11-18 2017-04-05 深圳市唯特视科技有限公司 一种基于三维形变人脸模型用于安防的人脸识别方法
CN108537881A (zh) * 2018-04-18 2018-09-14 腾讯科技（深圳）有限公司 一种人脸模型处理方法及其设备、存储介质
CN110086995A (zh) * 2019-05-15 2019-08-02 深圳市道通智能航空技术有限公司 一种图像亮度调节方法、装置及无人机
CN110349152A (zh) * 2019-07-16 2019-10-18 广州图普网络科技有限公司 人脸图像质量检测方法及装置
CN110555908A (zh) * 2019-08-28 2019-12-10 西安电子科技大学 基于室内移动目标背景修复的三维重建方法
WO2020159437A1 (en) * 2019-01-29 2020-08-06 Agency For Science, Technology And Research Method and system for face liveness detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1720361A1 (en) * 2005-05-05 2006-11-08 Genesis Microchip, Inc. Apparatus for detecting, correcting and processing in hue, saturation and luminance directions
CN102111546A (zh) * 2009-12-25 2011-06-29 佳能株式会社 图像处理方法、图像处理设备和摄像设备
CN106557749A (zh) * 2016-11-18 2017-04-05 深圳市唯特视科技有限公司 一种基于三维形变人脸模型用于安防的人脸识别方法
CN108537881A (zh) * 2018-04-18 2018-09-14 腾讯科技（深圳）有限公司 一种人脸模型处理方法及其设备、存储介质
WO2020159437A1 (en) * 2019-01-29 2020-08-06 Agency For Science, Technology And Research Method and system for face liveness detection
CN110086995A (zh) * 2019-05-15 2019-08-02 深圳市道通智能航空技术有限公司 一种图像亮度调节方法、装置及无人机
CN110349152A (zh) * 2019-07-16 2019-10-18 广州图普网络科技有限公司 人脸图像质量检测方法及装置
CN110555908A (zh) * 2019-08-28 2019-12-10 西安电子科技大学 基于室内移动目标背景修复的三维重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A comparative study of cnn-based super-resolution methods in MRI reconstruction;Shanshan wang et al.;ISBI;全文 *
A new human perception-based over-exposure detection method for color images;Yoon Y J et al;《Sensors》;第4节 *
Highly undersampled magnetic resonance image reconstruction using two-level bregman method with dictionary updating;Shanshan wang et al.;IEEE;全文 *

Also Published As

Publication number Publication date
CN112419305A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
US10666873B2 (en) Exposure-related intensity transformation
US8811733B2 (en) Method of chromatic classification of pixels and method of adaptive enhancement of a color image
CN110599433B (zh) 一种基于动态场景的双曝光图像融合方法
CN108197546B (zh) 人脸识别中光照处理方法、装置、计算机设备及存储介质
CN112561813B (zh) 人脸图像增强方法、装置、电子设备及存储介质
Salih et al. Tone mapping of HDR images: A review
CN112785534A (zh) 一种动态场景下去鬼影多曝光图像融合方法
CN107392879B (zh) 一种基于参考帧的低照度监控图像增强方法
Kim Low-light image enhancement: A comparative review and prospects
US10721448B2 (en) Method and apparatus for adaptive exposure bracketing, segmentation and scene organization
Steffens et al. Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing
CN113781370A (zh) 图像的增强方法、装置和电子设备
Jang et al. Dynamic range expansion using cumulative histogram learning for high dynamic range image generation
Jiang et al. Blind quality evaluator of tone-mapped HDR and multi-exposure fused images for electronic display
CN112419305B (zh) 人脸光照质量检测方法、装置、电子设备及存储介质
CN110136085B (zh) 一种图像的降噪方法及装置
CN111797694A (zh) 一种车牌检测方法及装置
CN115170420A (zh) 一种图像对比度的处理方法及系统
CN112950484A (zh) 一种对摄影影像进行颜色污染祛除的方法
Chen et al. Dust Image Enhancement Algorithm Based on Feature Transformation
Neelima et al. Performance Evaluation of Clustering Based Tone Mapping Operators with State-of-Art Methods
Kumar et al. Image Enhancement Using Laplacian Gaussian Pyramid Based Fusion and Band Rationing Algorithm
Yang et al. Multi-Scale histogram tone mapping algorithm enables better object detection in wide dynamic range images
Shopovska et al. Low-Complexity Deep HDR Fusion And Tone Mapping for Urban Traffic Scenes
CN110691195B (zh) 一种基于三维人脸拍摄的光线检测方法和设备

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