CN112884642B - 一种基于人脸识别技术的实时面部老化模拟方法 - Google Patents
一种基于人脸识别技术的实时面部老化模拟方法 Download PDFInfo
- Publication number
- CN112884642B CN112884642B CN202110304742.3A CN202110304742A CN112884642B CN 112884642 B CN112884642 B CN 112884642B CN 202110304742 A CN202110304742 A CN 202110304742A CN 112884642 B CN112884642 B CN 112884642B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- coordinates
- points
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000032683 aging Effects 0.000 title claims abstract description 28
- 230000001815 facial effect Effects 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 41
- 230000037303 wrinkles Effects 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000007665 sagging Methods 0.000 claims abstract description 6
- 238000007499 fusion processing Methods 0.000 claims abstract description 5
- 230000009759 skin aging Effects 0.000 claims abstract description 5
- 210000001331 nose Anatomy 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 210000003128 head Anatomy 0.000 claims description 6
- 210000004709 eyebrow Anatomy 0.000 claims description 5
- 210000001061 forehead Anatomy 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000004904 shortening Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000003679 aging effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于人脸识别技术的实时面部老化模拟方法：对于每一人脸图像帧执行以下操作：将人脸图像存储为矩阵Mx，矩阵包含图像的像素值信息；对图像进行人脸的特征点识别；对人脸图像进行皮肤老化松弛下垂的局部变形处理；采用皱纹素材进行遮罩的制作，并给遮罩标记特征点；对皱纹素材与矩阵图像根据特征点对齐规则进行仿射变换、图像融合处理，羽化边缘和调整Alpha值。其简化了人脸老化的过程，利用深度学习来检测人脸特征点，对素材进行预处理，对图像进行融合处理，并运用简单的公式来进行像素坐标转换，极大地缩短了计算时间减少了计算量。
Description
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种基于人脸识别技术的实时面部老化模拟方法。
背景技术
随着计算机视觉领域与人工智能的发展，越来越多基于深度学习机器学习的项目推陈出新，近年来各大图像模拟图像处理领域研究也出了许多的成果。
人脸老化模拟属于深度学习领域，需要用到深度学习知识进行人脸特征点的识别，人脸老化模拟也越来越多的应用在刑侦预测以及娱乐领域。
但是就目前的人脸老化模拟技术而言多数是以单一图像处理为主，而缺少实时处理，一是因为实时处理需要计算的数据量庞大，二是因为计算量大而导致的时延问题。
比如，公开号CN111275610A的发明专利申请公开了一种人脸变老图像处理方法及系统，处理方法包括：S1、对老人皱纹图进行高斯模糊，获取老人无皱纹图；S2、检测待处理用户图、所述老人皱纹图、老人无皱纹图的人脸关键点；S3、基于所述人脸关键点对待处理用户图、老人皱纹图、老人无皱纹图进行三角剖分；S4、基于所述三角剖分将老人皱纹图、老人无皱纹图的人脸关键点对齐到待处理用户图；S5、将老人皱纹迁移到所述待处理用户图中，生成第一变老图像；S6、基于所述第一变老图像、待处理用户图，通过调节变老程度，生成对应的第二变老图像。
但是上述发明仅仅是针对单一图片进行人脸老化模拟，无法实现实时的人脸老化模拟，并且仅通过基于脸部特征点对齐原则对皱纹素材与待用户处理图进行叠加，只能得到面部肌肤的近似老化，而面部结构的老化并不能实现。
因此，在本领域内如何实现更加逼真的老化效果、如何让用户得到及时的老化反馈以及如何尽可能地减少数据计算量还是尚需解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于人脸识别技术的实时面部老化模拟方法，基于最基础的深度学习人脸识别模块，能够用较少的计算量来实现人脸老化的模拟，减少时延。该方法利用简单的公式计算来实现人脸老化面部结构变形的效果，又基于人脸识别技术来展现实时的人脸老化。简化了数据计算过程也实现了更加逼真的老化效果。
本发明具体采用以下技术方案：
一种基于人脸识别技术的实时面部老化模拟方法，其特征在于：对于每一人脸图像帧执行以下操作：将人脸图像存储为矩阵Mx，矩阵包含图像的像素值信息；对图像进行人脸的特征点识别；对人脸图像进行皮肤老化松弛下垂的局部变形处理；采用皱纹素材进行遮罩的制作，并给遮罩标记特征点；对皱纹素材与矩阵图像根据特征点对齐规则进行仿射变换、图像融合处理，羽化边缘和调整Alpha值。
优选地，对人脸图像的处理包括以下步骤：
步骤S1：将人脸图像存储为矩阵Mx，矩阵包含图像的像素值信息；
步骤S2：对人脸图像进行人脸特征点识别；
步骤S3：对人脸图像进行皮肤老化松弛下垂的局部变形处理；
步骤S4：对不同年龄段的皱纹素材进行遮罩的制作，保留素材的人面部，裁剪掉眼睛、嘴巴、鼻头位置，并给素材标记特征点；
步骤S5：对皱纹素材与矩阵图像根据特征点对齐规则进行仿射变换、图像融合处理，羽化边缘和调整Alpha值。
优选地，步骤S2具体包括以下步骤：
步骤S21：采用深度学习方法将矩阵Mx中包含人脸像素的矩形范围设置为感兴趣区域ROI；
步骤S22：采用深度学习方法对ROI区域内的人脸进行特征点识别，将特征点的坐标记录在数组A中；
步骤S23：根据步骤S22得到的数组A计算出鼻子特征首尾点的坐标差L，之后利用数组A中检测出的眉毛特征点取眉毛首尾点T1、T2、T3、T4以及中间点M1、M2共六个点坐标以及鼻子坐标差L对额头特征点进行定位，采用的坐标为：
P1（（M1.x+M2.x）/2+L.x，（M1.y+M2.y）/2+L.y），
P2（T1.x+L.x，T1.y+L.y），
P3（T2.x+L.x，T2.y+L.y），
P4（T3.x+L.x，T3.y+L.y ），
P5（T4.x+L.x，T4.y+L.y ）。
优选地，步骤S3具体包括以下步骤：
步骤S31：基于下巴旁边特征点的坐标对人脸图像进行局部变形，利用三角变换公式实现变形区域像素点的坐标映射，其中(X,Y)为像素点原坐标，(X’,Y’)为映射坐标，R为受影响半径，θ为像素点与坐标原点连线和坐标轴的夹角：
X’ = X + R*cosθ
Y’ = Y + R*sinθ；
步骤S32：将变形区域内的特征点进行坐标的更新，将映射坐标更新存储在特征点坐标数组中。
优选地，步骤S4具体包括以下步骤：
步骤S41：对不同年龄段的素材数据集进行处理，对素材中包含眼睛、嘴巴以及鼻头的像素部分进行人工剔除；
步骤S42：对步骤S41所处理完的图像进行特征点的标记，利用可视化窗口操作将特征点移动到图像相应位置，并以此将特征点的坐标保存在数组B中以进行下一步操作。
优选地，步骤S5具体包括以下步骤：
步骤S51：对步骤S4制作获得的皱纹素材进行仿射变换，选取步骤S42得到的特征点坐标数组B中的三个点坐标作为原三角形，将步骤S22得到的特征点数组A作为目标三角形，根据以下公式计算出仿射变换矩阵M以进行下一步操作，其中T为目标坐标，S为原坐标：
T = M·S；
步骤S52：基于步骤S4的皱纹素材进行遮罩的制作，对皱纹素材先进行复制，将面部范围内设置为白色，根据特征点坐标将眼睛、嘴巴、鼻头部位以及素材其余部分设置为黑色，对所得到的二进制遮罩矩阵与皱纹素材矩阵相乘得到最终的面部皱纹遮罩；
步骤S53：基于步骤S51得到的仿射变换矩阵M，对步骤S52的皱纹遮罩全图进行仿射转换，并得到基于当前帧特定角度大小人脸的皱纹遮罩，以进行下一步操作；
步骤S54：颜色校准，将步骤S53所得遮罩与步骤S3变形后的人脸进行颜色空间的统一校准，进行色彩的融合。
与现有技术相比，本发明及其优选方案具有以下有益效果：
1、本发明在现有的脸部特征点识别基础上提出了对额头范围特征点的界定方法；增加了后续处理的精度；
2、本发明用简单的三角公式来对目标人脸进行局部变形，使得老化效果不仅体现在脸上的皱纹，还体现在脸部结构的变形，使得效果更加地逼真；
3、本发明还实现了实时的老化效果，让用户通过摄像头就能够即时收到动态反馈，而不是仅通过静态图片收到一张老化效果反馈图；
4、本发明简化了人脸老化的过程，利用深度学习来检测人脸特征点，对素材进行预处理，对图像进行融合处理，并运用简单的公式来进行像素坐标转换，极大地缩短了计算时间减少了计算量，提升了效率。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例方法流程示意图；
图2为本发明实施例面部特征点示意图；
图3为本发明实施例图像变形所用三角变换的公式示意图；
图4为本发明面部特征点标号示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
本发明提供的基于人脸识别技术的实时面部老化模拟方法的整体流程如图1所示，包括以下步骤：
步骤S1：将摄像头捕捉到的包含人脸图像存储为矩阵Mx，矩阵包含图像的像素值信息；
步骤S2：对步骤S1所捕捉到的图像进行人脸的特征点识别；
步骤S3：对步骤S1捕捉到的人脸图像进行局部变形，实现皮肤老化松弛下垂的效果；
步骤S4：对不同年龄段的皱纹素材进行遮罩的制作，保留素材的人面部，并裁剪掉眼睛、嘴巴、鼻头位置，并给素材标记特征点；
步骤S5：皱纹素材与矩阵图像根据特征点对齐规则进行仿射变换、图像融合处理，羽化边缘、调整Alpha值；
步骤S6：每一帧重复上述步骤，实现实时人脸老化的模拟。
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：使用深度学习将Mx中包含人脸像素的矩形范围设置为感兴趣区域（ROI）；
步骤S22：使用深度学习对ROI区域内的人脸进行特征点识别，将特征点的坐标记录在数组A中；
步骤S23：根据步骤S22得到的数组A来计算出鼻子特征首尾点的坐标差L，其次利用数组A中检测出的眉毛特征点取眉毛首尾点T1-4以及中间点M1,2这六个点坐标并加上鼻子坐标差L来对额头特征点进行定位，图2为包括额头的部分特征点定位示意图(黑色和白色点为提取的特征点)：
P1（（M1.x+M2.x）/2+L.x，（M1.y+M2.y）/2+L.y），
P2（T1.x+L.x，T1.y+L.y），
P3（T2.x+L.x，T2.y+L.y），
P4（T3.x+L.x，T3.y+L.y ），
P5（T4.x+L.x，T4.y+L.y ）。
在本实施例中，步骤S3具体包括以下步骤：
步骤S31：根据图4所示，特征点9为下巴，而依据医学上人脸老化的规律，随着年龄的增加人脸颊的肌肉会逐渐失去弹性而导致下垂，所以基于下巴旁边特征点7、11的坐标对S1捕捉到的人脸进行局部变形，利用三角变换公式来实现变形区域像素点的坐标映射，其中(X,Y)为像素点原坐标，(X’,Y’)为映射坐标，R为受影响半径，θ为像素点与坐标原点连线和坐标轴的夹角，公式的图像解释如图3所示：
X’ = X + R*cosθ
Y’ = Y + R*sinθ。
步骤S32：基于上个步骤得到的变形区域内像素点的映射坐标集合，映射坐标处的像素值就是相应原座标处的像素值，同时将变形区域内的特征点进行坐标的更新，将映射坐标更新存储在特征点坐标数组中。
在本实施例中，步骤S4具体包括以下步骤：
步骤S41：对不同年龄段的素材数据集进行处理，对素材中包含眼睛嘴巴以及鼻头的像素部分进行剔除，这一步骤可运用图像编辑软件进行处理；
步骤S42：对步骤S41所处理完的图像进行特征点的标记，利用可视化窗口操作将特征点移动到图像相应位置，并以此将特征点的坐标保存在数组B中以进行下一步操作。
在本实施例中，步骤S5具体包括以下步骤：
步骤S51：对皱纹素材进行仿射变换，选取步骤S42得到的特征点坐标数组B中的三个点坐标作为原三角形，将步骤S22得到的特征点数组A作为目标三角形，根据以下公式计算出仿射变换矩阵M以进行下一步操作，其中T为目标坐标，S为原坐标：
T = M·S；
步骤S52：基于步骤S4的皱纹素材进行二进制遮罩的制作，对皱纹素材先进行复制，将面部范围内设置为白色，根据特征点坐标将眼睛、嘴巴、鼻头部位以及素材其余部分设置为黑色，对所得到的二进制遮罩矩阵与皱纹素材矩阵相乘得到我们最终所需要的面部皱纹遮罩；
步骤S53：基于步骤S51得到的仿射变换矩阵M，对步骤S52的皱纹遮罩全图根据公式进行仿射转换，并得到基于当前帧特定角度大小人脸的皱纹遮罩，以进行下一步操作；
步骤S54：颜色校准，将步骤S53所得遮罩与步骤S3变形后的人脸进行颜色空间的统一校准，进行色彩的融合。
综上所述，本发明所提出的基于人脸识别技术的实时面部老化模拟方法用简单的三角公式来对目标人脸进行局部变形，使得老化效果不仅体现在脸上的皱纹，还体现在脸部结构的变形，使得效果更加地逼真；本发明还实现了实时的老化效果，让用户通过摄像头就能够即时收到动态反馈，而不是仅通过静态图片收到一张老化效果反馈图；本发明简化了人脸老化的过程，利用深度学习来检测人脸特征点，对素材进行预处理，对图像进行融合处理，并运用简单的公式来进行像素坐标转换，极大地缩短了计算时间减少了计算量。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于人脸识别技术的实时面部老化模拟方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (3)
1.一种基于人脸识别技术的实时面部老化模拟方法，其特征在于：
对人脸图像的处理包括以下步骤：
步骤S1：将人脸图像存储为矩阵Mx，矩阵包含图像的像素值信息；
步骤S2：对人脸图像进行人脸特征点识别；
步骤S3：对人脸图像进行皮肤老化松弛下垂的局部变形处理；
步骤S4：对不同年龄段的皱纹素材进行遮罩的制作，保留素材的人面部，裁剪掉眼睛、嘴巴、鼻头位置，并给素材标记特征点；
步骤S5：对皱纹素材与矩阵图像根据特征点对齐规则进行仿射变换、图像融合处理，羽化边缘和调整Alpha值；
步骤S2具体包括以下步骤：
步骤S21：采用深度学习方法将矩阵Mx中包含人脸像素的矩形范围设置为感兴趣区域ROI；
步骤S22：采用深度学习方法对ROI区域内的人脸进行特征点识别，将特征点的坐标记录在数组A中；
步骤S23：根据步骤S22得到的数组A计算出鼻子特征首尾点的坐标差L，之后利用数组A中检测出的眉毛特征点取眉毛首尾点T1、T2、T3、T4以及中间点M1、M2共六个点坐标以及鼻子坐标差L对额头特征点进行定位，其采用的坐标为：
P1（（M1.x+M2.x）/2+L.x，（M1.y+M2.y）/2+L.y），
P2（T1.x+L.x，T1.y+L.y），
P3（T2.x+L.x，T2.y+L.y），
P4（T3.x+L.x，T3.y+L.y ），
P5（T4.x+L.x，T4.y+L.y ）；
步骤S3具体包括以下步骤：
步骤S31：基于下巴旁边特征点的坐标对人脸图像进行局部变形，利用三角变换公式实现变形区域像素点的坐标映射，其中(X,Y)为像素点原坐标，(X’,Y’)为映射坐标，R为受影响半径，θ为像素点与坐标原点连线和坐标轴的夹角：
X’ = X + R*cosθ
Y’ = Y + R*sinθ；
步骤S32：将变形区域内的特征点进行坐标的更新，将映射坐标更新存储在特征点坐标数组中。
2.根据权利要求1所述的基于人脸识别技术的实时面部老化模拟方法，其特征在于，步骤S4具体包括以下步骤：
步骤S41：对不同年龄段的素材数据集进行处理，对素材中包含眼睛、嘴巴以及鼻头的像素部分进行人工剔除；
步骤S42：对步骤S41所处理完的图像进行特征点的标记，利用可视化窗口操作将特征点移动到图像相应位置，并以此将特征点的坐标保存在数组B中以进行下一步操作。
3.据权利要求2所述的基于人脸识别技术的实时面部老化模拟方法，其特征在于，步骤S5具体包括以下步骤：
步骤S51：对步骤S4制作获得的皱纹素材进行仿射变换，选取步骤S42得到的特征点坐标数组B中的三个点坐标作为原三角形，将步骤S22得到的特征点数组A作为目标三角形，根据以下公式计算出仿射变换矩阵M以进行下一步操作，其中T为目标坐标，S为原坐标：
T = M·S；
步骤S52：基于步骤S4的皱纹素材进行遮罩的制作，对皱纹素材先进行复制，将面部范围内设置为白色，根据特征点坐标将眼睛、嘴巴、鼻头部位以及素材其余部分设置为黑色，对所得到的二进制遮罩矩阵与皱纹素材矩阵相乘得到最终的面部皱纹遮罩；
步骤S53：基于步骤S51得到的仿射变换矩阵M，对步骤S52的皱纹遮罩全图进行仿射转换，并得到基于当前帧对应角度大小人脸的皱纹遮罩，以进行下一步操作；
步骤S54： 颜色校准，将步骤S53所得遮罩与步骤S3变形后的人脸进行颜色空间的统一校准，进行色彩的融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304742.3A CN112884642B (zh) | 2021-03-23 | 2021-03-23 | 一种基于人脸识别技术的实时面部老化模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304742.3A CN112884642B (zh) | 2021-03-23 | 2021-03-23 | 一种基于人脸识别技术的实时面部老化模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112884642A CN112884642A (zh) | 2021-06-01 |
| CN112884642B true CN112884642B (zh) | 2022-07-08 |
Family
ID=76041663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110304742.3A Active CN112884642B (zh) | 2021-03-23 | 2021-03-23 | 一种基于人脸识别技术的实时面部老化模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884642B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592884B (zh) * | 2021-08-19 | 2022-08-09 | 遨博（北京）智能科技有限公司 | 一种人体遮罩生成方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584327A (zh) * | 2018-11-08 | 2019-04-05 | 深圳市威富视界有限公司 | 人脸老化模拟方法、装置以及设备 |
| CN111275610A (zh) * | 2020-01-08 | 2020-06-12 | 杭州趣维科技有限公司 | 一种人脸变老图像处理方法及系统 |
| CN112233013A (zh) * | 2020-10-14 | 2021-01-15 | 钟尚昆 | 一种用于模拟人脸变老的图像处理方法 |
| WO2021012599A1 (zh) * | 2019-07-24 | 2021-01-28 | 广州视源电子科技股份有限公司 | 图像调整方法、装置和计算机设备 |
-
2021
- 2021-03-23 CN CN202110304742.3A patent/CN112884642B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584327A (zh) * | 2018-11-08 | 2019-04-05 | 深圳市威富视界有限公司 | 人脸老化模拟方法、装置以及设备 |
| WO2021012599A1 (zh) * | 2019-07-24 | 2021-01-28 | 广州视源电子科技股份有限公司 | 图像调整方法、装置和计算机设备 |
| CN111275610A (zh) * | 2020-01-08 | 2020-06-12 | 杭州趣维科技有限公司 | 一种人脸变老图像处理方法及系统 |
| CN112233013A (zh) * | 2020-10-14 | 2021-01-15 | 钟尚昆 | 一种用于模拟人脸变老的图像处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| An Experimental Evaluation of Covariates Effects on Unconstrained Face Verification;Boyu Lu 等;《IEEE Transactions on Biometrics, Behavior, and Identity Science》;20190515;全文 * |
| 以线性回归分析为原理的面部图像衰老模拟;王诗齐;《通讯世界》;20180825(第08期);全文 * |
| 基于深度学习的人脸老化合成研究;刘璐;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20210315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112884642A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376582B (zh) | 一种基于生成对抗网络的交互式人脸卡通方法 | |
| CN112766160B (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
| US20200334853A1 (en) | Facial features tracker with advanced training for natural rendering of human faces in real-time | |
| CN108171133B (zh) | 一种基于特征协方差矩阵的动态手势识别方法 | |
| CN112541422B (zh) | 光照和头部姿态鲁棒的表情识别方法、设备及存储介质 | |
| CN107730449B (zh) | 一种人脸五官美化处理的方法及系统 | |
| CN112734890B (zh) | 基于三维重建的人脸替换方法及装置 | |
| CN101964064A (zh) | 一种人脸比对方法 | |
| CN110264396B (zh) | 视频人脸替换方法、系统及计算机可读存储介质 | |
| CN111680550B (zh) | 情感信息识别方法、装置、存储介质及计算机设备 | |
| CN105893984B (zh) | 一种基于面部特征的脸谱的人脸投影方法 | |
| KR20090065965A (ko) | 3차원 영상 모델 생성 방법 및 장치, 이를 이용한 영상인식 방법 및 장치 그리고 상기 방법들을 수행하는프로그램이 기록된 기록 매체 | |
| CN102654903A (zh) | 一种人脸比对方法 | |
| JP2019117577A (ja) | プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置 | |
| CN101968846A (zh) | 一种人脸跟踪方法 | |
| CN111243051B (zh) | 基于肖像照片的简笔画生成方法、系统及存储介质 | |
| CN110991258B (zh) | 一种人脸融合特征提取方法及系统 | |
| CN109410119A (zh) | 面具图像变形方法及其系统 | |
| CN112232128B (zh) | 基于视线追踪的老年残障人士照护需求识别方法 | |
| CN112884642B (zh) | 一种基于人脸识别技术的实时面部老化模拟方法 | |
| CN114821750A (zh) | 一种基于三维人脸重建的面部动捕方法及系统 | |
| CN113705466A (zh) | 用于遮挡场景、尤其高仿遮挡下的人脸五官遮挡检测方法 | |
| CN113743243A (zh) | 一种基于深度学习的人脸美颜方法 | |
| CN108694348B (zh) | 一种基于自然特征的跟踪注册方法及装置 | |
| CN113536926A (zh) | 基于距离向量和多角度自适应网络的人体动作识别方法 |
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 |