CN112580578A - 双目活体摄像头人脸测距方法及系统 - Google Patents
双目活体摄像头人脸测距方法及系统 Download PDFInfo
- Publication number
- CN112580578A CN112580578A CN202011577339.XA CN202011577339A CN112580578A CN 112580578 A CN112580578 A CN 112580578A CN 202011577339 A CN202011577339 A CN 202011577339A CN 112580578 A CN112580578 A CN 112580578A
- Authority
- CN
- China
- Prior art keywords
- face
- distance
- binocular
- camera
- nir
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000000691 measurement method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 35
- 238000013500 data storage Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 7
- 230000036760 body temperature Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000001727 in vivo Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10048—Infrared image
-
- 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
Abstract
本发明公开了双目活体摄像头人脸测距方法及系统，该方法包括：将双目活体摄像头的工作高度范围划分为多个第一高度，将其工作距离范围划为多个第一距离，在以第一高度为圆心，第一距离为半径的圆上，按预设弧度角移动样本人脸，在拍摄到的RBG图像及NIR图像的重叠视野区域中提取第一配对人脸框，记录样本人脸至双目活体摄像头的第一测定距离；根据第一配对人脸框及第一测定距离，对人脸距离预测模型进行训练；通过双目活体摄像头获取对待测人脸进行拍摄，提取出相应的第二配对人脸框，并根据人脸距离预测模型，得出待测人脸至双目活体摄像头的第二测定距离。本发明处理过程简明、计算开销小、准确度高，可低成本地求解得到人脸距离。
Description
技术领域
本发明涉及摄像头标定领域，特别涉及一种双目活体摄像头人脸测距方法及系统。
背景技术
随着图像识别算法和计算机硬件算力水平的快速发展，使得基于人脸图像识别的各种应用成为现实，诸如带体温检测功能的智能门禁和考勤机一类产品开始涌现；基于双目摄像头(RGB摄像头和NIR摄像头)的活体检测也成为该类产品的主流防攻击方法。对于人脸识别，距离过近容易造成人脸成像不完整，距离过远则人脸成像不清晰都增高了错误识别的概率；而在活体检测方面，由于红外补光灯的作用，近距离的NIR人脸成像容易过曝，相对地，远距离的NIR人脸成像容易曝光不足，增加了活体检测算法误判的发生的概率；对于体温检测，温度传感器有一个有效工作范围，过近和过远都会导致测得的体温失真。通过RGB摄像头和NIR摄像头的人脸位置来获知人脸到设备的距离，将人脸距离信息用于人脸识别、曝光控制、体温检测等策略，可提高该类产品的准确率和稳定性。
但经典的双目测距方法运用左右并排的两个RGB摄像头(成像差异小)，通过相机标定、双目校正、双目匹配、深度信息计算四个步骤获取目标物体到设备的距离；然而用于活体检测双目摄像头，一个用于拍摄反应自然光的RGB图像，另一个用于拍摄反应材质的NIR图像，两者成像迥异，这给现有的像素点匹配算法提出了新的挑战，使得活体检测双目摄像头的测距方法变得困难。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种双目活体摄像头人脸测距方法，能够较为便捷地获取人脸距离。
本发明还提出一种具有上述双目活体摄像头人脸测距方法的双目活体摄像头人脸测距系统。
根据本发明的第一方面实施例的双目活体摄像头人脸测距方法，包括以下步骤：S100，根据双目活体摄像头的工作高度范围得出多个第一高度，根据所述双目活体摄像头的工作距离范围得出多个第一距离，并在以所述第一高度为圆心，所述第一距离为半径的圆上，按预设弧度角移动样本人脸，通过所述双目活体摄像头获取RBG图像及NIR图像，在所述RBG图像及所述NIR图像的重叠视野区域中提取第一配对人脸框，根据所述第一高度及所述第一距离得出所述样本人脸至所述双目活体摄像头的第一测定距离；S200，根据所述第一配对人脸框及所述第一测定距离，生成训练样本集，对人脸距离预测模型进行训练；S300，通过所述双目活体摄像头获取对待测人脸进行拍摄，提取出相应的第二配对人脸框，并根据所述人脸距离预测模型，得出所述待测人脸至所述双目活体摄像头的第二测定距离。
根据本发明实施例的双目活体摄像头人脸测距方法，至少具有如下有益效果：通过在双目活体摄像头的工作区间内设定圆，并在圆上密集地采集人脸，训练人脸距离预测模型，通过该预测模型获取人脸离镜头距离，处理过程简明、计算开销小、准确度高，可低成本地求解得到人脸距离，从而为人脸识别类产品提供了距离信息，对人脸识别策略、曝光控制策略、体温检测等策略的优化提供了有力的支持。
根据本发明的一些实施例，获取所述双目活体摄像头的工作高度范围，均分得到多个所述第一高度；获取所述双目活体摄像头的工作距离范围，均分得到多个所述第一距离。
根据本发明的一些实施例，所述步骤S100包括：S110，以所述双目活体摄像头的安装高度为中心，配置最小工作高度及最大工作高度，使得最小工作高度、最大工作高度与双目摄像头的安装高度差相等；并将所述工作高度范围均分成奇数个等距的高度刻度，使得所述双目活体摄像头的安装高度正好位于中间高度刻度，得到多个所述第一高度；S120，配置所述双目活体摄像头的最小工作距离及最大工作距离，将所述工作距离范围，均分为多个所述第一距离；S130，在以所述第一高度为圆心，所述第一距离为半径的圆上，按预设弧度角移动样本人脸，在所述RBG图像及所述NIR图像的重叠视野区域中提取第一配对人脸框，并记录所述第一测定距离。
根据本发明的一些实施例，根据所述第一高度及所述第一距离得出所述第一测定距离的方法包括：
其中，Hi表示第i个所述第一高度，Rj表示j个所述第一距离，Hcam表示所述双目活体摄像头的安装高度，di,j表示所述第一测定距离。
根据本发明的一些实施例，所述步骤S200包括：S210，根据所述第一配对人脸框及所述第一测定距离，生成所述训练样本集；S220，基于多元非线性回归模型构建所述人脸距离预测模型，输入所述训练样本集，通过最小二乘法对所述多元非线性回归模型的系数进行求解，训练所述人脸距离预测模型。
根据本发明的一些实施例，所述步骤S210包括：记录所述第一配对人脸框loc(xrgb,yrgb,wrgb,hrgb,xnir,ynir,wnir,hnir)，其中，xrgb,yrgb表示RGB人脸检测框的左上角坐标，wrgb,hrgb为RGB人脸检测框的宽和高，xnir,ynir为NIR人脸检测框的左上角坐标，wnir,hnir为NIR人脸检测框的宽和高；根据所述第一配对人脸框生成人脸配对框集locs1×N＝{loc1,loc2,…,locN}；根据所述第一测定距离生成人脸距离集dists1×N＝{dist1,dist2,…,distN}。
根据本发明的一些实施例，所述多元非线性回归模型包括：
其中，a0,a1,…,a8k为所述多元非线性回归模型的参数；dist表示人脸与所述双目活体摄像头的距离；K为正整数常数。
根据本发明的一些实施例，所述步骤S300包括：S310，通过所述双目活体摄像头实时对待测人脸进行拍摄，提取出相应的第二配对人脸框；S320，基于所述多元非线性回归模型，输入所述第二配对人脸框，代入求解出的所述多元非线性回归模型的系数，得出所述第二测定距离。
根据本发明的第二方面实施例的双目活体摄像头人脸测距系统，包括：数据采集模块，用于根据双目活体摄像头的工作高度范围配置多个第一高度，根据所述双目活体摄像头的工作距离范围配置多个第一距离，并在以所述第一高度为圆心，所述第一距离为半径的圆上，按预设弧度角移动样本人脸，通过所述双目活体摄像头获取RBG图像及NIR图像，在所述RBG图像及所述NIR图像的重叠视野区域中提取第一配对人脸框，根据所述第一高度及所述第一距离得出所述样本人脸至所述双目活体摄像头的第一测定距离；模型训练模块，用于根据所述第一配对人脸框及所述第一测定距离，生成训练样本集，对人脸距离预测模型进行训练；距离测定模块，用于通过所述双目活体摄像头获取对待测人脸进行拍摄，提取出相应的第二配对人脸框，并根据所述人脸距离预测模型，得出所述待测人脸至所述双目活体摄像头的第二测定距离。
根据本发明实施例的双目活体摄像头人脸测距系统，至少具有如下有益效果：通过在双目活体摄像头的工作区间内设定圆，并在圆上密集地采集人脸，训练人脸距离预测模型，通过该预测模型获取人脸离镜头距离，处理过程简明、计算开销小、准确度高，可低成本地求解得到人脸距离，从而为人脸识别类产品提供了距离信息，对人脸识别策略、曝光控制策略、体温检测等策略的优化提供了有力的支持。
根据本发明的一些实施例，还包括：配对检测模块，用于接收所述双目活体摄像头获取的所述RBG图像及所述NIR图像，获取重叠视野区域的区域信息，提取所述重叠视野区域的RBG人脸检测框及NIR人脸检测框，进行配对；数据存储模块，用于存储所述人脸距离预测模型的相应参数。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的方法的流程示意图；
图2为本发明实施例的方法中在第一高度及第一距离采集样本人脸数据的示意图；
图3为本发明实施例的方法中的双目摄像头拍摄样本人脸，获得的人脸检测框轨迹示意图；
图4为本发明实施例的系统的模块示意框图之一；
图5为本发明实施例的系统的模块示意框图之二。
附图标记：
数据采集模块100、模型训练模块200、距离测定模块300、配对检测模块400、数据存储模块500。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1，本发明的实施例的方法包括：S100，根据双目活体摄像头的工作高度范围得出多个第一高度，根据双目活体摄像头的工作距离范围得出多个第一距离，并在以第一高度为圆心，第一距离为半径的圆上，按预设弧度角移动样本人脸，通过双目活体摄像头获取RBG图像及NIR图像，在RBG图像及NIR图像的重叠视野区域中提取第一配对人脸框，根据第一高度及第一距离得出样本人脸至双目活体摄像头的第一测定距离；S200，根据第一配对人脸框及第一测定距离，生成训练样本集，对人脸距离预测模型进行训练；S300，通过双目活体摄像头获取对待测人脸进行拍摄，从RBG图像及NIR图像的重叠视野区域中提取出相应的第二配对人脸框，并根据步骤S200训练好的人脸距离预测模型，得出待测人脸至双目活体摄像头的第二测定距离。本发明的实施例中，获取第一高度及第一距离的方法包括：获取双目摄像头的工作高度范围以及工作距离范围，按一定的规则分别对工作高度范围以及工作距离范围进行划分，得到相应的多个第一高度及多个第一距离；划分的方法可以是按距离进行均分。
本发明的一个实施例中，具体包括以下步骤：首先，根据应用场景需求，配置双目活体摄像头安装高度为Hcam，最小工作高度为Hmin，最大工作高度为Hmax，其中Hmax-Hcam＝Hcam-Hmin。以Hcam为中心，将工作距离区间均分成2m等分，得到2m+1个第一高度，第i个第一高度Hi为：
其中i∈[-m,m]。
设定双目活体摄像头的最小工作距离为Rmin，最大工作距离为Rmax，将工作距离区间均分成n等分，得到n+1个第一距离，第j个第一高度Rj为：
其中j∈[0,n]。
以每个第一高度(也称高度刻度)Hi为圆心，任一第一距离(也称距离刻度)Rj为半径得到(2m+1)×(n+1)个圆，每一个圆到双目活体摄像头的距离都相等，且可通过
得出距离，其中i∈[-m,m],j∈[0,n]，参照图2。
如图2所示，以第一高度Hi为圆心，第一距离Rj为半径的圆上以弧度角θ移动人脸，如果人脸出现在RBG图像和NIR图像的重叠视野中，则记录人脸距离dist，并记录人脸在RBG图像和NIR图像上的配对人脸框：loc(xrgb,yrgb,wrgb,hrgb,xnir,ynir,wnir,hnir)。在loc中，xrgb,yrgb为RGB人脸框的左上角坐标，wrgb,hrgb为RGB人脸框的宽和高。xnir,ynir为NIR人脸框的左上角坐标，wnir,hnir为NIR人脸框的宽和高。遍历所有的Hi和Rj,生成人脸距离集dists1×N＝{dist1,dist2,…,distN}和配对人脸框集locs1×N＝{loc1,loc2,…,locN}，参照图3，其中，ABCD表示RBG图像和NIR图像的重叠视野区域，方框表示某一圆上采集的样本人脸生成的配对人脸框示意，虚线即表示配对框的轨迹示意。
记K为正整数，设计多元非线性回归模型如下：
对于dists1×N和locs1×N中的所有元素，有如下方程组：
记DN×1＝(dist1,dist2,…distN)T,A(8k+1)×1＝(a0,a1,…,a8k)T；
则方程组的矩阵表示形式为：DN×1＝BN×(8K+1)×A(8K+1)×1。对BN×(8K+1)进行QR分解：
BN×(8K+1)＝QN×(8K+1)×R(8K+1)×(8K+1)，则有QN×(8K+1)×R(8K+1)×(8K+1)×A(8K+1)×1＝DN×1，得到
A(8K+1)×1就是最终的多元非线性回归模型的参数。
运用该多元非线性回归模型，输入待测的配对人脸框的相应数据loc(xrgb,yrgb,wrgb,hrgb,xnir,ynir,wnir,hnir)，可预测得出人脸距离dist，包括如下步骤：
将实时采集到的配对人脸框loc(xrgb,yrgb,wrgb,hrgb,xnir,ynir,wnir,hnir)和非线性回归模型的参数A(8k+1)×1代入非线性模型：
即求解得到人脸距离dist。
综上所述,本发明的实施例的方法包括两部分。第一部分，以活体检测双目摄像头为原点将该摄像头的工作高度范围均分，得到多个第一高度，得到每个第一高度所在的刻度到活体检测双目摄像头的高度差；将该摄像头的工作距离均分，得到多个第一距离，并以每个第一高度为圆心，任一第一距离为半径得到多个圆，每个圆上的采样点到该摄像头的距离相等，通过当前第一高度与摄像头的高度差和圆的半径可计算出采集点到该镜头的距离，参照图2；在每一个圆上密集采样同一样本人脸的RGB人脸框和NIR人脸框；基于多元非线性回归模型，使用最小二乘法对人脸距离和RGB人脸框、NIR人脸框进行回归计算得到模型参数。第二部分，实时采集同一待测人脸的RGB人脸框和NIR人脸框代入该多元非线性回归模型计算得到人脸距离。本发明的实施例中，需要实时运行的第二部分处理过程简明、计算开销小、准确度高，可低成本地求解得到人脸距离，从而为人脸识别类产品提供了距离信息，对人脸识别策略、曝光控制策略、体温检测等策略的优化提供了有力的支持。
参照图4，本发明实施例的系统包括：数据采集模块100，用于根据双目活体摄像头的工作高度范围配置多个第一高度，根据双目活体摄像头的工作距离范围配置多个第一距离，并在以第一高度为圆心，第一距离为半径的圆上，按预设弧度角移动样本人脸，通过双目活体摄像头获取RBG图像及NIR图像，在RBG图像及NIR图像的重叠视野区域中提取第一配对人脸框，根据第一高度及第一距离得出样本人脸至双目活体摄像头的第一测定距离；模型训练模块200，用于根据第一配对人脸框及第一测定距离，生成训练样本集，对人脸距离预测模型进行训练；距离测定模块300，用于通过双目活体摄像头获取对待测人脸进行拍摄，提取出相应的第二配对人脸框，并根据人脸距离预测模型，得出待测人脸至双目活体摄像头的第二测定距离。
本发明的实施例的系统中，参照图5，还包括：配对检测模块400，用于接收双目活体摄像头获取的RBG图像及NIR图像，获取重叠视野区域的区域信息，提取重叠视野区域的RBG人脸检测框及NIR人脸检测框，进行配对；数据存储模块500，用于存储人脸距离预测模型的相应参数。配对检测模块400及数据存储模块500部署在双目活体摄像头。在样本数据采集一阶段，数据采集模块100控制双目活体摄像头在工作空间内采集样本人脸图像数据，包括RBG图像及NIR图像，调用配对检测模块400获取第一配对人脸框，并计算得出第一距离，将第一配对人脸框及第一距离发送给模型训练模块200。该模型训练模块200可部署在服务端，接收第一配对人脸框及第一距离，并对人脸距离预测模型进行训练，得出人脸距离预测模型相应的参数，这些参数将被存放至数据存储模块500。该双目活体摄像头对应的人脸距离预测模型训练完成，即可投入使用；距离测定模块300调用配对检测模块400提取第二配对人脸框，从数据存储模块500读取人脸距离预测模型的参数，通过该人脸距离预测模型，计算得出待测人脸至双目活体摄像头的第二测定距离。
尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如，本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如，预设的或固定的)或动态的(例如，在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种双目活体摄像头人脸测距方法，其特征在于，包括以下步骤：
S100，根据双目活体摄像头的工作高度范围得出多个第一高度，根据所述双目活体摄像头的工作距离范围得出多个第一距离，并在以所述第一高度为圆心，所述第一距离为半径的圆上，按预设弧度角移动样本人脸，通过所述双目活体摄像头获取RBG图像及NIR图像，在所述RBG图像及所述NIR图像的重叠视野区域中提取第一配对人脸框，根据所述第一高度及所述第一距离得出所述样本人脸至所述双目活体摄像头的第一测定距离；
S200，根据所述第一配对人脸框及所述第一测定距离，生成训练样本集，对人脸距离预测模型进行训练；
S300，通过所述双目活体摄像头获取对待测人脸进行拍摄，提取出相应的第二配对人脸框，并根据所述人脸距离预测模型，得出所述待测人脸至所述双目活体摄像头的第二测定距离。
2.根据权利要求1所述的双目活体摄像头人脸测距方法，其特征在于，获取所述双目活体摄像头的工作高度范围，均分得到多个所述第一高度；获取所述双目活体摄像头的工作距离范围，均分得到多个所述第一距离。
3.根据权利要求2所述的双目活体摄像头人脸测距方法，其特征在于，所述步骤S100包括：
S110，以所述双目活体摄像头的安装高度为中心，配置最小工作高度及最大工作高度，使得最小工作高度、最大工作高度与双目摄像头的安装高度差相等；并将所述工作高度范围均分成奇数个等距的高度刻度，使得所述双目活体摄像头的安装高度正好位于中间高度刻度，得到多个所述第一高度；
S120，配置所述双目活体摄像头的最小工作距离及最大工作距离，将所述工作距离范围，均分为多个所述第一距离；
S130，在以所述第一高度为圆心，所述第一距离为半径的圆上，按预设弧度角移动样本人脸，在所述RBG图像及所述NIR图像的重叠视野区域中提取第一配对人脸框，并记录所述第一测定距离。
4.根据权利要求1所述的双目活体摄像头人脸测距方法，其特征在于，根据所述第一高度及所述第一距离得出所述第一测定距离的方法包括：
其中，Hi表示第i个所述第一高度，Rj表示j个所述第一距离，Hcam表示所述双目活体摄像头的安装高度，di,j表示所述第一测定距离。
5.根据权利要求1所述的双目活体摄像头人脸测距方法，其特征在于，所述步骤S200包括：
S210，根据所述第一配对人脸框及所述第一测定距离，生成所述训练样本集；
S220，基于多元非线性回归模型构建所述人脸距离预测模型，输入所述训练样本集，通过最小二乘法对所述多元非线性回归模型的系数进行求解，训练所述人脸距离预测模型。
6.根据权利要求5所述的双目活体摄像头人脸测距方法，其特征在于，所述步骤S210包括：
记录所述第一配对人脸框loc(xrgb,yrgb,wrgb,hrgb,xnir,ynir,wnir,hnir)，其中，xrgb,yrgb表示RGB人脸检测框的左上角坐标，wrgb,hrgb为RGB人脸检测框的宽和高，xnir,ynir为NIR人脸检测框的左上角坐标，wnir,hnir为NIR人脸检测框的宽和高；
根据所述第一配对人脸框生成人脸配对框集locs1×N＝{loc1,loc2,…,locN}；
根据所述第一测定距离生成人脸距离集dists1×N＝{dist1,dist2,…,distN}。
7.根据权利要求6所述的双目活体摄像头人脸测距方法，其特征在于，所述多元非线性回归模型包括：
其中，a0,a1,…,a8k为所述多元非线性回归模型的参数；dist表示人脸与所述双目活体摄像头的距离；K为正整数常数。
8.根据权利要求5所述的双目活体摄像头人脸测距方法，其特征在于，所述步骤S300包括：
S310，通过所述双目活体摄像头实时对待测人脸进行拍摄，提取出相应的第二配对人脸框；
S320，基于所述多元非线性回归模型，输入所述第二配对人脸框，代入求解出的所述多元非线性回归模型的系数，得出所述第二测定距离。
9.一种双目活体摄像头人脸测距系统，使用权利要求1至8中任一项的方法，其特征在于，包括：
数据采集模块，用于根据双目活体摄像头的工作高度范围配置多个第一高度，根据所述双目活体摄像头的工作距离范围配置多个第一距离，并在以所述第一高度为圆心，所述第一距离为半径的圆上，按预设弧度角移动样本人脸，通过所述双目活体摄像头获取RBG图像及NIR图像，在所述RBG图像及所述NIR图像的重叠视野区域中提取第一配对人脸框，根据所述第一高度及所述第一距离得出所述样本人脸至所述双目活体摄像头的第一测定距离；
模型训练模块，用于根据所述第一配对人脸框及所述第一测定距离，生成训练样本集，对人脸距离预测模型进行训练；
距离测定模块，用于通过所述双目活体摄像头获取对待测人脸进行拍摄，提取出相应的第二配对人脸框，并根据所述人脸距离预测模型，得出所述待测人脸至所述双目活体摄像头的第二测定距离。
10.根据权利要求9所述的双目活体摄像头人脸测距系统，其特征在于，还包括：
配对检测模块，用于接收所述双目活体摄像头获取的所述RBG图像及所述NIR图像，获取重叠视野区域的区域信息，提取所述重叠视野区域的RBG人脸检测框及NIR人脸检测框，进行配对；
数据存储模块，用于存储所述人脸距离预测模型的相应参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011577339.XA CN112580578A (zh) | 2020-12-28 | 2020-12-28 | 双目活体摄像头人脸测距方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011577339.XA CN112580578A (zh) | 2020-12-28 | 2020-12-28 | 双目活体摄像头人脸测距方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580578A true CN112580578A (zh) | 2021-03-30 |
Family
ID=75140111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011577339.XA Pending CN112580578A (zh) | 2020-12-28 | 2020-12-28 | 双目活体摄像头人脸测距方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580578A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113432719A (zh) * | 2021-06-22 | 2021-09-24 | 浙江大华技术股份有限公司 | 一种人体温度确定方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100166294A1 (en) * | 2008-12-29 | 2010-07-01 | Cognex Corporation | System and method for three-dimensional alignment of objects using machine vision |
| JP2010282102A (ja) * | 2009-06-05 | 2010-12-16 | Canon Inc | 撮像装置及び測距方法 |
| CN107169405A (zh) * | 2017-03-17 | 2017-09-15 | 上海云从企业发展有限公司 | 基于双目摄像机活体识别的方法及装置 |
| US20190354746A1 (en) * | 2018-05-18 | 2019-11-21 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, electronic device, and storage medium |
| CN110705530A (zh) * | 2019-12-13 | 2020-01-17 | 珠海亿智电子科技有限公司 | 基于活体识别的同一人脸框确认方法、装置、设备及介质 |
| CN110909693A (zh) * | 2019-11-27 | 2020-03-24 | 深圳市华付信息技术有限公司 | 3d人脸活体检测方法、装置、计算机设备及存储介质 |
| CN110909571A (zh) * | 2018-09-17 | 2020-03-24 | 武汉资联虹康科技股份有限公司 | 一种高精度面部识别空间定位方法 |
| CN111144327A (zh) * | 2019-12-28 | 2020-05-12 | 神思电子技术股份有限公司 | 一种提高自助设备人脸识别摄像头识别效率的方法 |
| CN112131917A (zh) * | 2019-06-25 | 2020-12-25 | 北京京东尚科信息技术有限公司 | 测量方法、装置、系统和计算机可读存储介质 |
-
2020
- 2020-12-28 CN CN202011577339.XA patent/CN112580578A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100166294A1 (en) * | 2008-12-29 | 2010-07-01 | Cognex Corporation | System and method for three-dimensional alignment of objects using machine vision |
| JP2010282102A (ja) * | 2009-06-05 | 2010-12-16 | Canon Inc | 撮像装置及び測距方法 |
| CN107169405A (zh) * | 2017-03-17 | 2017-09-15 | 上海云从企业发展有限公司 | 基于双目摄像机活体识别的方法及装置 |
| US20190354746A1 (en) * | 2018-05-18 | 2019-11-21 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, electronic device, and storage medium |
| CN110909571A (zh) * | 2018-09-17 | 2020-03-24 | 武汉资联虹康科技股份有限公司 | 一种高精度面部识别空间定位方法 |
| CN112131917A (zh) * | 2019-06-25 | 2020-12-25 | 北京京东尚科信息技术有限公司 | 测量方法、装置、系统和计算机可读存储介质 |
| CN110909693A (zh) * | 2019-11-27 | 2020-03-24 | 深圳市华付信息技术有限公司 | 3d人脸活体检测方法、装置、计算机设备及存储介质 |
| CN110705530A (zh) * | 2019-12-13 | 2020-01-17 | 珠海亿智电子科技有限公司 | 基于活体识别的同一人脸框确认方法、装置、设备及介质 |
| CN111144327A (zh) * | 2019-12-28 | 2020-05-12 | 神思电子技术股份有限公司 | 一种提高自助设备人脸识别摄像头识别效率的方法 |
Non-Patent Citations (3)
| Title |
|---|
| C. WU ET AL.: "A New Personnel Identification and Position Estimation Algorithm Using Binocular Camera", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATIONS AND COMPUTING (ICSPCC)》, 31 December 2019 (2019-12-31), pages 1 - 5 * |
| 申琳: "高精度双目CCD测距研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 4, 15 April 2012 (2012-04-15), pages 138 - 2160 * |
| 黎志光等: "一种新的基于零树小波的图像压缩编码算法", 《广东工业大学学报》, vol. 26, no. 1, 31 December 2009 (2009-12-31), pages 33 - 35 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113432719A (zh) * | 2021-06-22 | 2021-09-24 | 浙江大华技术股份有限公司 | 一种人体温度确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6855587B2 (ja) | 視点から距離情報を取得するための装置及び方法 | |
| EP2194725B1 (en) | Method and apparatus for correcting a depth image | |
| US9582889B2 (en) | Depth mapping based on pattern matching and stereoscopic information | |
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
| CN109752722A (zh) | 多模态声学成像工具 | |
| CN110705530B (zh) | 双目活体识别同一人脸框的方法、装置、设备及存储介质 | |
| CN110261069B (zh) | 一种用于光学镜头的检测方法 | |
| EP3279864A1 (en) | A method for obtaining parameters defining a pixel beam associated with a pixel of an image sensor comprised in an optical device | |
| CN109752721A (zh) | 具有扫描和分析能力的便携式声学成像工具 | |
| CN109447902B (zh) | 一种图像拼接方法、装置、储存介质及设备 | |
| CN112561986A (zh) | 巡检机器人云台的二次对准方法、装置、设备和存储介质 | |
| CN113393448A (zh) | 一种形变检测方法、装置、设备及计算机可读存储介质 | |
| CN112580578A (zh) | 双目活体摄像头人脸测距方法及系统 | |
| CN110879131A (zh) | 目视光学系统的成像质量测试方法、成像质量测试装置和电子设备 | |
| CN105335959A (zh) | 成像装置快速对焦方法及其设备 | |
| CN109993090B (zh) | 基于级联回归森林和图像灰度特征的虹膜中心定位方法 | |
| WO2013069453A1 (ja) | 画像処理装置及び画像処理方法 | |
| US20210156677A1 (en) | Three-dimensional measurement apparatus and method | |
| CN103411688B (zh) | 迈克尔逊干涉环的远程测控方法及其测控系统 | |
| CN112101303B (zh) | 一种图像数据处理方法、装置以及计算机可读存储介质 | |
| JP2018081378A (ja) | 画像処理装置、撮像装置、画像処理方法および画像処理プログラム | |
| CN109269404B (zh) | 图像处理方法、装置及指纹识别设备 | |
| CN115880206A (zh) | 图像准确度判断方法、装置、设备及存储介质、程序产品 | |
| CN112364693A (zh) | 基于双目视觉的障碍识别方法、装置、设备及存储介质 | |
| CN115244594B (zh) | 信息处理装置和信息处理方法 |
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 |