CN112825120B - 人脸光照评价方法、装置、计算机可读存储介质及设备 - Google Patents
人脸光照评价方法、装置、计算机可读存储介质及设备 Download PDFInfo
- Publication number
- CN112825120B CN112825120B CN201911138250.0A CN201911138250A CN112825120B CN 112825120 B CN112825120 B CN 112825120B CN 201911138250 A CN201911138250 A CN 201911138250A CN 112825120 B CN112825120 B CN 112825120B
- Authority
- CN
- China
- Prior art keywords
- face
- score
- value
- illumination
- 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.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 170
- 238000011156 evaluation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 230000001815 facial effect Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸光照评价方法、装置、计算机可读存储介质及设备,属于模式识别领域。该方法包括:获取脸部图像;计算脸部图像所有像素点的平均灰度值;在脸部图像上获取皮肤区域,根据皮肤区域RGB通道上的像素值计算肤色特征;计算脸部图像左半部分和右半部分的像素均值的差值;使用卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类;根据平均灰度值、肤色特征、差值和分类结果确定四个分值,将四个分值加权得到人脸光照分值;根据人脸光照分值对人脸的光照好坏进行评价。本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
Description
技术领域
本发明涉及模式识别领域,特别是指一种人脸光照评价方法、装置、计算机可读存储介质及设备。
背景技术
随着对深度学习研究的深入,人脸识别和人脸比对算法的精度不断地提高。但实际的应用中可以发现人脸的光照对人脸的比对效果有较大的影响,同一个人不同光照下的两张图片的比对得分有时会低于两个不同的人在光照条件较好时拍摄照片的得分。并且,对于光照的评价标准也没有统一的方法,视觉条件好的光照条件不一定更有利于人脸的识别或比对。所以一种既有较好的视觉效果又可以提高人比对准确率的光照评价方法对人脸识别算法的使用具有重要的意义。
目前对人脸光照的评价方法主要有以下几种:
(1)通过色彩空间分解判断光照
对人脸图像进行HSV空间分解,统计人脸区域的亮度和对比度等,根据较多的数据样本统计归纳总结人脸光照较好的图像亮度和对比度的取值范围,进而判断人脸图像的光照情况。
(2)人脸左右区域对比判断
人脸具有左右对称性,在均匀的光照条件下,左半部分的人脸图像和右半部分的人脸图像应该具有高度相似性。所以,有研究者对左右半脸的图像进行直方图统计或是亮度和对比度等特征统计,分析二者之间的相似度进而对人脸的光照进行评价。
(3)基于光斑检测的方法
基于光斑检测的方法是判断在人脸图像是否存在高亮度区域,如超亮的光斑或过亮的区域。在光斑的周围灰度值相对于其他部分要大,并且会有较大的梯度。所以,通过对光斑的检测也可用于对光照条件较差的人脸图像进行评价。
现有的人脸光照评价方法通常只是对某一种或者某几种较差的人脸光照条件进行描述,而不能较为全面的列举光照条件,也无法真正全面的评价较好的人脸光照条件。如人脸左右区域对比判断的方法只能用于解决光照导致的阴阳脸的问题,而基于光斑检测的方法对高度集中光照的检测更加有利。并且,现有的技术只是评价了视觉角度的好与坏,没有结合实际的应用,如人脸识别准确率,进行人脸光照的评价。
发明内容
为解决上述技术问题,本发明提供一种人脸光照评价方法、装置、计算机可读存储介质及设备,本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
本发明提供技术方案如下:
第一方面,本发明提供一种人脸光照评价方法,所述方法包括:
从输入图像上获取脸部图像;
计算脸部图像所有像素点的平均灰度值,根据所述平均灰度值确定第一分值;
在脸部图像上获取皮肤区域,根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据所述肤色特征确定第二分值;
计算脸部图像左半部分的像素均值和右半部分的像素均值的差值,根据所述差值确定第三分值;
使用训练好的卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类,根据分类结果确定第四分值;
将所述第一分值、第二分值、第三分值和第四分值加权,得到人脸光照分值;
根据人脸光照分值对人脸的光照好坏进行评价。
进一步的,所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层;
所述卷积神经网络的训练集包括不同光照条件下的人脸样本,按照人脸样本与正常光照下的人脸图像的比对得分从高到低将人脸样本分为四类,使用四类人脸样本训练所述卷积神经网络;
训练好的卷积神经网络对脸部图像分类的类别数量为A、B、C、D四类,A、B、C、D四类的人脸识别效果由好到坏;若脸部图像分类为A、B两类,则第四分值为第一值,若脸部图像分类为C、D两类,则第四分值为第二值。
进一步的,所述根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据所述肤色特征确定第二分值,包括:
计算皮肤区域R、G、B通道上的像素均值iRed、iGrn、iBlu;
找出iRed、iGrn、iBlu的最大值iMax和最小值iMin;
计算G通道和B通道的像素差异gbDif和iRange;
gbDif=abs(iGrn-iBlu)*1024
iRange=iMax–iMin
若iMax=iRed,且iMax<第一设定值,且iMin>第二设定值,且iMin≠iMax,且gbDif>第一设定系数*iRange,且gbDif<第二设定系数*iRange,则第二分值为第三值,否则,第二分值为第四值。
进一步的,若第三设定值≤平均灰度值≤第四设定值,则第一分值为第五值,否则,第一分值为第六值;
若脸部图像左半部分的像素均值和右半部分的像素均值的差值的绝对值小于第五设定值,则第三分值为第七值,否则,第三分值为第八值。
进一步的,所述从输入图像上获取脸部图像包括:
使用人脸检测和关键点定位方法,获得人脸图像的左眼中心点、右眼中心点、鼻尖点、左嘴角点和右嘴角点五个关键点;
将五个关键点对齐到指定的坐标位置,在对齐后的图像上,截取指定宽度和指定高度的图像,得到脸部图像。
第二方面,本发明提供一种人脸光照评价装置,所述装置包括:
获取模块,用于从输入图像上获取脸部图像;
第一分值确定模块,用于计算脸部图像所有像素点的平均灰度值,根据所述平均灰度值确定第一分值;
第二分值确定模块,用于在脸部图像上获取皮肤区域,根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据所述肤色特征确定第二分值;
第三分值确定模块,用于计算脸部图像左半部分的像素均值和右半部分的像素均值的差值,根据所述差值确定第三分值;
第四分值确定模块,用于使用训练好的卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类,根据分类结果确定第四分值;
加权模块,用于将所述第一分值、第二分值、第三分值和第四分值加权,得到人脸光照分值;
评价模块,用于根据人脸光照分值对人脸的光照好坏进行评价。
进一步的,所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层;
所述卷积神经网络的训练集包括不同光照条件下的人脸样本,按照人脸样本与正常光照下的人脸图像的比对得分从高到低将人脸样本分为四类,使用四类人脸样本训练所述卷积神经网络;
训练好的卷积神经网络对脸部图像分类的类别数量为A、B、C、D四类,A、B、C、D四类的人脸识别效果由好到坏;若脸部图像分类为A、B两类,则第四分值为第一值,若脸部图像分类为C、D两类,则第四分值为第二值。
进一步的,所述第二分值确定模块包括:
第一计算单元,用于计算皮肤区域R、G、B通道上的像素均值iRed、iGrn、iBlu;
第二计算单元,用于找出iRed、iGrn、iBlu的最大值iMax和最小值iMin;
第三计算单元,用于计算G通道和B通道的像素差异gbDif和iRange;
gbDif=abs(iGrn-iBlu)*1024
iRange=iMax–iMin
第二分值确定单元,用于若iMax=iRed,且iMax<第一设定值,且iMin>第二设定值,且iMin≠iMax,且gbDif>第一设定系数*iRange,且gbDif<第二设定系数*iRange,则第二分值为第三值,否则,第二分值为第四值。
进一步的,若第三设定值≤平均灰度值≤第四设定值,则第一分值为第五值,否则,第一分值为第六值;
若脸部图像左半部分的像素均值和右半部分的像素均值的差值的绝对值小于第五设定值,则第三分值为第七值,否则,第三分值为第八值。
进一步的,所述获取模块包括:
人脸检测和关键点定位单元,用于使用人脸检测和关键点定位方法,获得人脸图像的左眼中心点、右眼中心点、鼻尖点、左嘴角点和右嘴角点五个关键点;
获取单元,用于将五个关键点对齐到指定的坐标位置,在对齐后的图像上,截取指定宽度和指定高度的图像,得到脸部图像。
第三方面,本发明提供一种用于人脸光照评价的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现第一方面所述的人脸光照评价方法的步骤。
第四方面,本发明提供一种用于人脸光照评价的设备,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现第一方面所述的人脸光照评价方法的步骤。
本发明具有以下有益效果:
本发明的人脸光照评价方法,结合了视觉评价和识别准确率评价等多种人脸光照评价标准对人脸光照条件进行了全面的评价。不仅包括人脸亮度评价(是否过量或过暗),人脸图像是否变色或偏色评价,人脸图像是否存在阴阳脸等视觉角度的好坏评价;还使用深度学习方法对人脸图像光照进行了分类,根据光照对人脸比对效果的影响分类,为不同的类设置相应的分值,也就是说,使用实际应用中光照对识别准确率的影响对光照进行评价。
本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
附图说明
图1为本发明的人脸光照评价方法流程图;
图2为本发明的人脸光照评价方法示意图;
图3为A、B、C、D四类人脸光照示意图;
图4为皮肤区域的获取示意图;
图5为人脸光照过暗、正常和过亮的示意图;
图6为本发明的人脸光照评价装置示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
实施例1:
本发明实施提供了一种人脸光照评价方法,如图1-2所示,该方法包括:
步骤S100:从输入图像上获取脸部图像。
本步骤可以使用各种人脸检测和定位方法从输入的图像上获取脸部图像,在本发明的一个示例中脸部图像为200*200的RGB三通道彩色图像。
步骤S200:计算脸部图像所有像素点的平均灰度值,根据平均灰度值确定第一分值。
本步骤的平均灰度值表示人脸光照亮度的强弱,相应的,第一分值也就是对人脸光照亮度的评分,能够根据光照亮度判断人脸是否存在极其亮或极其暗的情况。在确定第一分值时,其逻辑是:若平均灰度值满足一个条件,则给第一分值设定一个值,若平均灰度值满足另一个条件,则给第一分值设定另一个值,满足的条件可以设定。例如平均灰度值在一个区间内时,满足一个条件,平均灰度值在另一个区间内时,满足另一个条件,平均灰度值不同的区间对应第一分值不同的值。
步骤S300:在脸部图像上获取皮肤区域,根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据肤色特征确定第二分值。
本步骤中,在获取脸部图像后,在脸部图像适当的位置选取,即可得到皮肤区域。皮肤区域的肤色特征表示人脸肤色的变色偏色程度,第二分值也就是对人脸肤色变色偏色程度的评分,能够判断人脸是否由于光照变化出现变色或偏色的情况。在确定第二分值时,其逻辑是:若肤色特征满足一个条件,则给第二分值设定一个值,若肤色特征满足另一个条件,则给第二分值设定另一个值,满足的条件可以设定。
步骤S400:计算脸部图像左半部分的像素均值和右半部分的像素均值的差值,根据差值确定第三分值。
本步骤中,该差值表示人脸左右亮度差异程度,第三分值也就是对人脸左右亮度差异程度的评分,能够判断是否存在因为阴阳光照出现阴阳脸的情况。在确定第三分值时,其逻辑是:若该差值满足一个条件,则给第三分值设定一个值,若该差值满足另一个条件,则给第三分值设定另一个值,满足的条件可以设定。
步骤S500:使用训练好的卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类,根据分类结果确定第四分值。
不同的人脸图像有不同的光照条件,不同的光照条件对人脸识别的结果有影响。有些光照是正面的影响,使得识别准确率高,对人脸识别效果的影响为“好”;有些光照是负面的影响,使得识别准确率低,对人脸识别效果的影响为“坏”。本步骤的作用就是按照“好坏”的级别进行分类,得到分类结果。其中,“好坏”的类别数量以及“好坏”的程度可以根据需要设定。
本步骤中,分类结果代表光照对人脸识别效果影响的好坏,识别效果好表示识别准确率高,第四分值反应的也就是光照对识别准确率的影响,根据不同的分类结果,将第四分值设置为相应的值。
步骤S600:将第一分值、第二分值、第三分值和第四分值加权,得到人脸光照分值Score。
前述的第一分值、第二分值、第三分值和第四分值从四个不同的方面(亮度、变色偏色、左右亮度差异和对识别准确率的影响)对人脸的光照好坏进行评价。本步骤将上述四个方面的评价分值综合起来,全面的对人脸光照进行评价。
步骤S700:根据人脸光照分值对人脸的光照好坏进行评价。
评价时,可以直接依据人脸光照分值进行评价,例如看到人脸光照分值,就能知道该评分代表了人脸光照好坏的程度,适用于对该评分比较敏感的本领域的专业技术人员使用。也可以通过设定一个阈值范围,若人脸光照分值落入该范围内,则人脸的光照条件好,合格,否则人脸的光照条件差,不合格。
本发明的人脸光照评价方法,结合了视觉评价和识别准确率评价等多种人脸光照评价标准对人脸光照条件进行了全面的评价。不仅包括人脸亮度评价(是否过量或过暗),人脸图像是否变色或偏色评价,人脸图像是否存在阴阳脸等视觉角度的好坏评价;还使用深度学习方法对人脸图像光照进行了分类,根据光照对人脸比对效果的影响分类,为不同的类设置相应的分值,也就是说,使用实际应用中光照对识别准确率的影响对光照进行评价。
本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
本发明中,卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层。脸部图像依次经过网络的各个层,在最后一个全连接层得到脸部特征,Softmax层对脸部特征进行分类。
本发明的卷积神经网络在训练时,训练集包括不同光照条件下的人脸样本,按照人脸样本与正常光照下的人脸图像的比对得分从高到低将人脸样本分为四类,然后使用四类人脸样本训练卷积神经网络。
例如使用Multi-Pie训练集,其中给出了同一个人在不同光照条件下,不同表情和姿态的人脸图像。由于训练集光照条件包含20种,所以需要对训练数据进行一个分类。分类的标准依据为,不同光照下的人脸图像与正常光照下的比对得分,将得分从高到低排序后,平均划分为A、B、C、D四类。实验发现,经过该步骤得到的人脸划分不但满足人脸比对得分的排序,而且满足人的视觉对光照好坏的定义。
然后使用训练好的卷积神经网络对脸部图像进行分类,分类的类别数量为A、B、C、D四类,A、B、C、D四类的人脸识别效果由好到坏。
A、B、C、D四类人脸光照如图3所示,其中A类图像的光照条件最有利于人脸识别,其次是B类图像,接下是C类图像,D类图像的光照条件对人脸比对效果最差。
根据光照对人脸识别的准确率分析,A和B类图像人脸比对的准确率较高,C和D类图像的人脸比对效果较差;若脸部图像分类为A、B两类,则第四分值为第一值,若脸部图像分类为C、D两类,则第四分值为第二值。
在本发明的一个示例中,第一卷积层进行卷积核为7*7,步长为4,128通道的卷积;第一池化层的核大小为2*2,步长为2;第二卷积层进行卷积核为5*5,步长为1,256通道的卷积;第二池化层的核大小为2*2,步长为2;第三卷积层进行卷积核为3*3,步长为1,256通道的卷积;第三池化层的核大小为2*2,步长为2。
本发明中使用的卷积神经网络对脸部图像的分类任务具有较好的分类效果,并且控制了网络的深度和宽度,保证了分类的准确性的同时,减小了时间复杂度,使得分类具有较快的速度。
本发明中,步骤S300对人脸肤色检测,指的是获取人脸皮肤区域,对该区域的像素进行统计,计算分量通道上的像素平均值,进而判断该区域是否符合人脸的肤色判断标准。
为了减小头发,眼镜,嘴巴等非肤色区域对肤色检测的影响,在实际的应用中截取的是脸部的皮肤区域,对200*200的脸部图像,皮肤区域的获取可以由图4所示:距离脸部图像左边缘20,距离脸部图像上边缘80,选取40*40的图像,得到皮肤区域。
具体的,步骤S300包括:
步骤S310:计算皮肤区域R、G、B通道上的像素均值iRed、iGrn、iBlu。
步骤S320:找出iRed、iGrn、iBlu的最大值iMax和最小值iMin,即
iMax=max(iRed,iGrn,iBlu)
iMin=min(iRed,iGrn,iBlu)。
步骤S330:计算G通道和B通道的像素差异gbDif和iRange。
gbDif=abs(iGrn-iBlu)*1024
iRange=iMax–iMin
步骤S340:若iMax=iRed,且iMax<第一设定值,且iMin>第二设定值,且iMin≠iMax,且gbDif>第一设定系数*iRange,且gbDif<第二设定系数*iRange,则第二分值为第三值,否则,第二分值为第四值。
若满足步骤S340的条件,则说明该区域符合人脸肤色的特征,未出现变色或偏色,或者变色或偏色程度较小,具体的条件说明如下:
首先,在皮肤区域上R通道的像素均值应该最高,即,iMax=iRed;
其次,像素均值最小值iMin不应低于第二设定值(例如15),像素均值最大值iMax不应高于第一设定值(例如250),即iMax<250且iMin>15;
并且,人脸肤色非均匀,即像素均值最大值iMax与最小值iMin不能相等,即iMin≠iMax;
最后,G通道和B通道的像素差异应满足如下公式(在一个示例中,第一设定系数取72,第二设定系数取796):
gbDif>72*iRange
gbDif<796*iRange。
若该区域满足以上几条,则说明皮肤区域符合人脸肤色区域的特征,第二分值为第三值,反之则表示肤色区域出现变色或偏色,第二分值为第四值。
在步骤S200中,若第三设定值≤平均灰度值≤第四设定值,则第一分值为第五值,否则,第一分值为第六值。
对一副人脸图像f,其宽和高分别为w和h,任意一个位置像素的灰度值可以表示为f(i,j),其平均灰度值m表示光照亮度,即
本发明中使用第三设定值和第四设定值界定光照亮度的强弱,在一个示例中,第三设定值为50,第四设定值为200。即50≤m≤200则认为光照亮度合格,m<50表示光照过暗,m>200说明人脸光照过亮。对于人脸光照亮度合格的人脸图像,第一分值为第五值,对于光照亮度不合格(过暗或过亮)的人脸图像,第一分值为第六值,图5给出了人脸光照度的示例。
步骤S400用于检测阴阳光照的问题,首先对于人脸区域以中线平均划分为左右两个部分,分别计算左侧部分像素均值lmean和右侧像素均值rmean。若脸部图像左半部分的像素均值lmean和右半部分的像素均值rmean的差值的绝对值小于第五设定值,则第三分值为第七值,否则,说明存在阴阳光照,第三分值为第八值。
本发明中,第一值、第三值、第五值、第七值可以是相同的值,也可以是不同的值;第二值、第四值、第六值、第八值可以是相同的值,也可以是不同的值。
在本发明的一个示例中:第一值为0,第二值为10,即若脸部图像分类为A、B两类,则第四分值为0,若脸部图像分类为C、D两类,则第四分值为10。
第三值为0,第四值为10,即若皮肤区域符合人脸肤色的特征,皮肤区域未偏色或变色,则第二分值为0,若皮肤区域出现变色或偏色,则第二分值为10。
第五值为0,第六值为10,即若人脸光照亮度合格,则第一分值为0,若人脸光照亮度不合格,第一分值为10。
第七值为0,第八值为10,即若人脸图像不为阴阳脸,则第三分值为0,即若人脸图像为阴阳脸,则第三分值为10。
前述步骤得到了对应评价方法的得分,在一个示例中,人脸光照的最终评价为上述得分的加权平均。若该平均值超过阈值Thre,则说明人脸光照条件较差,反之说明光照条件较好。在一个示例中,各分值的权重均为0.25,阈值为9。
本发明中,从输入图像上获取脸部图像包括:
步骤S110:使用人脸检测和关键点定位方法,获得人脸图像的左眼中心点、右眼中心点、鼻尖点、左嘴角点和右嘴角点五个关键点。
本步骤首先需要对输入图像使用SSD人脸检测器进行人脸检测,接着在获取的人脸图像时图像上使用TDCNN方法进行关键点定位,可以获得左眼中心点,右眼中心点,鼻尖点,左嘴角点和右嘴角点五个关键点。需要说明的是,该步骤为图像预处理步骤,人脸检测器不仅限于SSD,也可以使用CRAFT,ADABOOST等。同理,人脸关键点定位方法也不仅限于使用TDCNN,也可以使用SDM等。该步骤只需要获取人脸图像的五个关键点的坐标即可。
步骤S120:将五个关键点对齐到指定的坐标位置,在对齐后的图像上,截取指定宽度和指定高度的图像,得到脸部图像。
本步骤需要对人脸图像进行归一化,即将上述步骤获取的5个人脸关键点对齐到指定位置,整张图像根据映射的矩阵进行相似变化,得到对齐后的图像。在一个示例中,该步骤对齐的5个点坐标如下:
左眼中心点横坐标对齐到50,左眼中心点纵坐标对齐到70;
右眼中心点横坐标对齐到150,右眼中心点纵坐标对齐到70;
鼻尖点横坐标对齐到100,鼻尖点纵坐标对齐到100;
左嘴角点横坐标对齐到65,左嘴角点纵坐标对齐到130;
右嘴角点横坐标对齐到135,右嘴角点纵坐标对齐到130;
然后在对齐后的图像上,截取宽度和高度分别为200,200的人脸图像。
本发明的人脸光照评价方法具有以下几个优势:
1、结合图像处理(图像特征)和深度学习方法(人脸比对效果)对人脸光照进行了较全面的评价。
2、本发明中使用的卷积神经网络对脸部图像的分类任务具有较好的分类效果,并且控制了网络的深度和宽度,使得分类具有较快的速度。
实施例2:
本发明实施例提供了一种人脸光照评价装置,如图6所示,该装置包括:
获取模块10,用于从输入图像上获取脸部图像。
第一分值确定模块20,用于计算脸部图像所有像素点的平均灰度值,根据平均灰度值确定第一分值。
第二分值确定模块30,用于在脸部图像上获取皮肤区域,根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据肤色特征确定第二分值。
第三分值确定模块40,用于计算脸部图像左半部分的像素均值和右半部分的像素均值的差值,根据差值确定第三分值。
第四分值确定模块50,用于使用训练好的卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类,根据分类结果确定第四分值。
加权模块60,用于将第一分值、第二分值、第三分值和第四分值加权,得到人脸光照分值。
评价模块70,用于根据人脸光照分值对人脸的光照好坏进行评价。
本发明的人脸光照评价方法,结合了视觉评价和识别准确率评价等多种人脸光照评价标准对人脸光照条件进行了全面的评价。不仅包括人脸亮度评价(是否过量或过暗),人脸图像是否变色或偏色评价,人脸图像是否存在阴阳脸等视觉角度的好坏评价;还使用深度学习方法对人脸图像光照进行了分类,根据光照对人脸比对效果的影响分类,为不同的类设置相应的分值,也就是说,使用实际应用中光照对识别准确率的影响对光照进行评价。
本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
本发明中,卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层。
卷积神经网络的训练集包括不同光照条件下的人脸样本,按照人脸样本与正常光照下的人脸图像的比对得分从高到低将人脸样本分为四类,使用四类人脸样本训练卷积神经网络。
训练好的卷积神经网络对脸部图像分类的类别数量为A、B、C、D四类,A、B、C、D四类的人脸识别效果由好到坏;若脸部图像分类为A、B两类,则第四分值为第一值,若脸部图像分类为C、D两类,则第四分值为第二值。
本发明中使用的网络对上述任务具有较好的分类效果,并且控制了网络的深度和宽度,保证了分类的准确性的同时,减小了时间复杂度,使得分类具有较快的速度。
第二分值确定模块包括:
第一计算单元,用于计算皮肤区域R、G、B通道上的像素均值iRed、iGrn、iBlu。
第二计算单元,用于找出iRed、iGrn、iBlu的最大值iMax和最小值iMin。
第三计算单元,用于计算G通道和B通道的像素差异gbDif和iRange。
gbDif=abs(iGrn-iBlu)*1024
iRange=iMax–iMin
第二分值确定单元,用于若iMax=iRed,且iMax<第一设定值,且iMin>第二设定值,且iMin≠iMax,且gbDif>第一设定系数*iRange,且gbDif<第二设定系数*iRange,则第二分值为第三值,否则,第二分值为第四值。
在第一分值确定模块中,若第三设定值≤平均灰度值≤第四设定值,则第一分值为第五值,否则,第一分值为第六值。
在第三分值确定模块中,若脸部图像左半部分的像素均值和右半部分的像素均值的差值的绝对值小于第五设定值,则第三分值为第七值,否则,第三分值为第八值。
获取模块包括:
人脸检测和关键点定位单元,用于使用人脸检测和关键点定位方法,获得人脸图像的左眼中心点、右眼中心点、鼻尖点、左嘴角点和右嘴角点五个关键点;
获取单元,用于将五个关键点对齐到指定的坐标位置,在对齐后的图像上,截取指定宽度和指定高度的图像,得到脸部图像。
本发明的人脸光照评价装置具有以下几个优势:
1、结合图像处理(图像特征)和深度学习方法(人脸比对效果)对人脸光照进行了较全面的评价。
2、本发明中使用的网络对上述任务具有较好的分类效果,并且控制了网络的深度和宽度,使得分类具有较快的速度。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
实施例3:
本说明书提供的上述实施例所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例1所描述方案的效果。因此,本发明还提供用于人脸光照评价的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括实施例1的人脸光照评价方法的步骤。
本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
上述所述的存储介质根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
实施例4:
本发明还提供一种用于人脸光照评价的设备,所述的设备可以为单独的计算机,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述用于人脸光照评价的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器,处理器执行所述指令时实现上述任意一个或者多个实施例1中所述人脸光照评价方法的步骤。
本发明对人脸光照的评价给出了一种清晰的方案,结合图像特征和人脸比对效果对人脸光照进行了全面、准确、系统的评价。
上述所述的设备根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种人脸光照评价方法,其特征在于,所述方法包括:
从输入图像上获取脸部图像;
计算脸部图像所有像素点的平均灰度值,根据所述平均灰度值确定第一分值;
在脸部图像上获取皮肤区域,根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据所述肤色特征确定第二分值;
计算脸部图像左半部分的像素均值和右半部分的像素均值的差值,根据所述差值确定第三分值;
使用训练好的卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类,根据分类结果确定第四分值;
其中,所述卷积神经网络的训练集包括不同光照条件下的人脸样本,按照人脸样本与正常光照下的人脸图像的比对得分从高到低将人脸样本分为四类,使用四类人脸样本训练所述卷积神经网络;
将所述第一分值、第二分值、第三分值和第四分值加权,得到人脸光照分值;
根据人脸光照分值对人脸的光照好坏进行评价。
2.根据权利要求1所述的人脸光照评价方法,其特征在于,所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层;
训练好的卷积神经网络对脸部图像分类的类别数量为A、B、C、D四类,A、B、C、D四类的人脸识别效果由好到坏;若脸部图像分类为A、B两类,则第四分值为第一值,若脸部图像分类为C、D两类,则第四分值为第二值。
3.根据权利要求2所述的人脸光照评价方法,其特征在于,所述根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据所述肤色特征确定第二分值,包括:
计算皮肤区域R、G、B通道上的像素均值iRed、iGrn、iBlu;
找出iRed、iGrn、iBlu的最大值iMax和最小值iMin;
计算G通道和B通道的像素差异gbDif和iRange;
gbDif=abs(iGrn-iBlu)*1024
iRange=iMax–iMin
若iMax=iRed,且iMax<第一设定值,且iMin>第二设定值,且iMin≠iMax,且gbDif>第一设定系数*iRange,且gbDif<第二设定系数*iRange,则第二分值为第三值,否则,第二分值为第四值。
4.根据权利要求3所述的人脸光照评价方法,其特征在于,若第三设定值≤平均灰度值≤第四设定值,则第一分值为第五值,否则,第一分值为第六值;
若脸部图像左半部分的像素均值和右半部分的像素均值的差值的绝对值小于第五设定值,则第三分值为第七值,否则,第三分值为第八值。
5.根据权利要求1-4任一所述的人脸光照评价方法,其特征在于,所述从输入图像上获取脸部图像包括:
使用人脸检测和关键点定位方法,获得人脸图像的左眼中心点、右眼中心点、鼻尖点、左嘴角点和右嘴角点五个关键点;
将五个关键点对齐到指定的坐标位置,在对齐后的图像上,截取指定宽度和指定高度的图像,得到脸部图像。
6.一种人脸光照评价装置,其特征在于,所述装置包括:
获取模块,用于从输入图像上获取脸部图像;
第一分值确定模块,用于计算脸部图像所有像素点的平均灰度值,根据所述平均灰度值确定第一分值;
第二分值确定模块,用于在脸部图像上获取皮肤区域,根据皮肤区域R、G、B通道上的像素值计算肤色特征,根据所述肤色特征确定第二分值;
第三分值确定模块,用于计算脸部图像左半部分的像素均值和右半部分的像素均值的差值,根据所述差值确定第三分值;
第四分值确定模块,用于使用训练好的卷积神经网络对脸部图像按照光照对人脸识别效果的好坏进行分类,根据分类结果确定第四分值;
其中,所述卷积神经网络的训练集包括不同光照条件下的人脸样本,按照人脸样本与正常光照下的人脸图像的比对得分从高到低将人脸样本分为四类,使用四类人脸样本训练所述卷积神经网络;
加权模块,用于将所述第一分值、第二分值、第三分值和第四分值加权,得到人脸光照分值;
评价模块,用于根据人脸光照分值对人脸的光照好坏进行评价。
7.根据权利要求6所述的人脸光照评价装置,其特征在于,所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和Softmax层;
训练好的卷积神经网络对脸部图像分类的类别数量为A、B、C、D四类,A、B、C、D四类的人脸识别效果由好到坏;若脸部图像分类为A、B两类,则第四分值为第一值,若脸部图像分类为C、D两类,则第四分值为第二值。
8.根据权利要求7所述的人脸光照评价装置,其特征在于,所述第二分值确定模块包括:
第一计算单元,用于计算皮肤区域R、G、B通道上的像素均值iRed、iGrn、iBlu;
第二计算单元,用于找出iRed、iGrn、iBlu的最大值iMax和最小值iMin;
第三计算单元,用于计算G通道和B通道的像素差异gbDif和iRange;
gbDif=abs(iGrn-iBlu)*1024
iRange=iMax–iMin
第二分值确定单元,用于若iMax=iRed,且iMax<第一设定值,且iMin>第二设定值,且iMin≠iMax,且gbDif>第一设定系数*iRange,且gbDif<第二设定系数*iRange,则第二分值为第三值,否则,第二分值为第四值。
9.一种用于人脸光照评价的计算机可读存储介质,其特征在于,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括权利要求1-5任一所述人脸光照评价方法的步骤。
10.一种用于人脸光照评价的设备,其特征在于,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-5中任意一项所述人脸光照评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138250.0A CN112825120B (zh) | 2019-11-20 | 2019-11-20 | 人脸光照评价方法、装置、计算机可读存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138250.0A CN112825120B (zh) | 2019-11-20 | 2019-11-20 | 人脸光照评价方法、装置、计算机可读存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112825120A CN112825120A (zh) | 2021-05-21 |
CN112825120B true CN112825120B (zh) | 2024-04-23 |
Family
ID=75906596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138250.0A Active CN112825120B (zh) | 2019-11-20 | 2019-11-20 | 人脸光照评价方法、装置、计算机可读存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112825120B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505674B (zh) * | 2021-06-30 | 2023-04-18 | 上海商汤临港智能科技有限公司 | 人脸图像处理方法及装置、电子设备和存储介质 |
CN117495855B (zh) * | 2023-12-29 | 2024-03-29 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567044A (zh) * | 2009-05-22 | 2009-10-28 | 北京大学 | 一种人脸图像质量检测方法 |
JP2013043017A (ja) * | 2011-08-25 | 2013-03-04 | Shiseido Co Ltd | 皮膚評価装置、皮膚評価方法、及び皮膚評価プログラム |
CN104657714A (zh) * | 2015-02-09 | 2015-05-27 | 重庆大学 | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109285149A (zh) * | 2018-09-04 | 2019-01-29 | 杭州比智科技有限公司 | 人脸图像质量的评估方法、装置及计算设备 |
CN109544523A (zh) * | 2018-11-14 | 2019-03-29 | 北京智芯原动科技有限公司 | 基于多属性人脸比对的人脸图像质量评价方法及装置 |
CN109584198A (zh) * | 2017-09-26 | 2019-04-05 | 浙江宇视科技有限公司 | 一种人脸图像质量评价方法、装置及计算机可读存储介质 |
CN110197146A (zh) * | 2019-05-23 | 2019-09-03 | 招商局金融科技有限公司 | 基于深度学习的人脸图像分析方法、电子装置及存储介质 |
CN110287791A (zh) * | 2019-05-23 | 2019-09-27 | 罗普特科技集团股份有限公司 | 一种用于人脸图片的筛选方法和系统 |
CN110381303A (zh) * | 2019-05-31 | 2019-10-25 | 成都品果科技有限公司 | 基于皮肤颜色统计的人像自动曝光白平衡矫正方法及系统 |
-
2019
- 2019-11-20 CN CN201911138250.0A patent/CN112825120B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567044A (zh) * | 2009-05-22 | 2009-10-28 | 北京大学 | 一种人脸图像质量检测方法 |
JP2013043017A (ja) * | 2011-08-25 | 2013-03-04 | Shiseido Co Ltd | 皮膚評価装置、皮膚評価方法、及び皮膚評価プログラム |
CN104657714A (zh) * | 2015-02-09 | 2015-05-27 | 重庆大学 | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
CN109584198A (zh) * | 2017-09-26 | 2019-04-05 | 浙江宇视科技有限公司 | 一种人脸图像质量评价方法、装置及计算机可读存储介质 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109285149A (zh) * | 2018-09-04 | 2019-01-29 | 杭州比智科技有限公司 | 人脸图像质量的评估方法、装置及计算设备 |
CN109544523A (zh) * | 2018-11-14 | 2019-03-29 | 北京智芯原动科技有限公司 | 基于多属性人脸比对的人脸图像质量评价方法及装置 |
CN110197146A (zh) * | 2019-05-23 | 2019-09-03 | 招商局金融科技有限公司 | 基于深度学习的人脸图像分析方法、电子装置及存储介质 |
CN110287791A (zh) * | 2019-05-23 | 2019-09-27 | 罗普特科技集团股份有限公司 | 一种用于人脸图片的筛选方法和系统 |
CN110381303A (zh) * | 2019-05-31 | 2019-10-25 | 成都品果科技有限公司 | 基于皮肤颜色统计的人像自动曝光白平衡矫正方法及系统 |
Non-Patent Citations (4)
Title |
---|
Face image illumination quality assessment for surveillance video using KPLSR;Xiaochen Hu等;《2016 International Conference on Progress in Informatics and Computing(PIC)》;第330-335页 * |
Illumination quality assessment for face images:a benchmark and a convolutional neural networks based model;Lijun Zhang等;《Neural Information Processing:24th International Conference》;第583-593页 * |
基于CNN的监控视频中人脸图像质量评估;王亚等;《计算机系统应用》;第27卷(第11期);第71-77页 * |
汽车4S店人脸图像质量分析方法研究;何全;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2018卷(第10期);第I138-722页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112825120A (zh) | 2021-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bianco et al. | Single and multiple illuminant estimation using convolutional neural networks | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
Chang et al. | Gold-standard and improved framework for sperm head segmentation | |
CN110148121A (zh) | 一种皮肤图像处理方法、装置、电子设备及介质 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN111860055B (zh) | 人脸静默活体检测方法、装置、可读存储介质及设备 | |
CN112825120B (zh) | 人脸光照评价方法、装置、计算机可读存储介质及设备 | |
CN111881789B (zh) | 肤色识别方法、装置、计算设备及计算机存储介质 | |
CN110021019A (zh) | 一种aga临床图像的ai辅助毛发的粗细分布分析方法 | |
Pramunendar et al. | New Workflow for Marine Fish Classification Based on Combination Features and CLAHE Enhancement Technique. | |
Pramunendar et al. | A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment. | |
CN107895021B (zh) | 图像识别方法及装置、计算机装置和计算机可读存储介质 | |
CN112102348A (zh) | 图像处理设备 | |
KR101343623B1 (ko) | 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 | |
Conci et al. | Comparing Color and Texture-Based Algorithms for Human Skin Detection. | |
CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 | |
CN105069475B (zh) | 基于视觉注意机制模型的图像处理方法 | |
CN108875572B (zh) | 基于背景抑制的行人重识别方法 | |
JPH03204089A (ja) | 画像処理方法 | |
Li et al. | MCANet: Multi-channel attention network with multi-color space encoder for underwater image classification | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
Yang et al. | Intelligent collection of rice disease images based on convolutional neural network and feature matching | |
Jang et al. | Skin region segmentation using an image-adapted colour model | |
CN118038498B (zh) | 一种基于细粒度的蜂猴身份识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |