CN113627394B - 人脸提取方法、装置、电子设备及可读存储介质 - Google Patents
人脸提取方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113627394B CN113627394B CN202111092705.7A CN202111092705A CN113627394B CN 113627394 B CN113627394 B CN 113627394B CN 202111092705 A CN202111092705 A CN 202111092705A CN 113627394 B CN113627394 B CN 113627394B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- image frame
- dimensional
- key point
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 55
- 230000006870 function Effects 0.000 claims description 40
- 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 description 33
- 230000009466 transformation Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 description 10
- 210000001508 eye Anatomy 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000003213 activating effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000000697 sensory organ Anatomy 0.000 description 4
- 210000000887 face Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
Abstract
本发明涉及人工智能领域，揭露一种人脸提取方法，包括：从人脸视频中的图像帧提取出二维人脸关键点信息及三维人脸关键点信息，根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，判断所述人脸姿态角度是否符合预设条件，在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域，根据预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，当所述人脸图像区域中的人脸图像清晰时，输出所述人脸图像区域。本发明还提出一种人脸提取装置、设备以及存储介质。本发明可以提高人脸抽取过程中抽取出清晰的、端正的人脸的概率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种人脸提取方法、装置、电子设备及可读存储介质。
背景技术
随着移动互联网的发展，人脸验证场景被应用在越来越多的领域，在人脸验证中，必不可少的一个环节就是从摄像头采集的人脸视频流中抽取一张人脸进行验证。目前常见的从人脸视频流中抽取人脸的方法无法检测人脸图像是否端正、清晰，因此无法保证提取出来的人脸图像能够有效地用于人脸识别。
发明内容
本发明提供一种人脸提取方法、装置、电子设备及计算机可读存储介质，其目的在于提高人脸抽取过程中抽取出清晰的、端正的人脸的概率。
为实现上述目的，本发明提供的一种人脸提取方法，包括：
获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息；
根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度；
判断所述人脸姿态角度是否符合预设条件；
若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件；
在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域；
利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰；
若所述人脸图像区域中的人脸图像不清晰，则返回上述从人脸视频中获取其中一个图像帧的步骤；
若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
可选地，所利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，包括：
对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集；
对所述一次降维人脸图像集进行降维处理，得到二次降维人脸图像集；
利用激活函数对所述拼接人脸图像进行激活分类操作，得到所述人脸图像是否清晰的分类结果。
可选地，所述对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集，包括：
利用预设的卷积核，对所述人脸图像的像素矩阵进行计算，得到特征图矩阵集；
对所述特征图矩阵集中的特征图矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替所述区域内的像素值，得到一次降维人脸图像集。
可选地，所述从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息，包括：
利用预先训练好的人脸识别模型识别所述图像帧中的人脸图像；
利用预设的关键点预测器在二维坐标系中对所述人脸图像进行关键点标定，得到第一预设数量的关键点坐标；
根据所述第一预设数量的关键点坐标，利用画圆函数在所述图像帧中绘制所述第一预设数量的关键点，并利用输出字符串函数对所述第一预设数量的关键点进行标注，得到二维人脸关键点信息；
根据所述二维人脸关键点信息，利用人脸对齐算法在三维坐标系中从所述图像帧中提取第二预设数量的人脸关键点，得到三维人脸关键点信息。
可选地，所述根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，包括：
利用如下人脸姿态角度计算公式计算所述人脸图像的人脸姿态角度：
θ＝F2(dlib N)*α+F3(DAN M)*β
其中，θ表示人脸姿态角度，dlib N表示N个二维人脸关键点的坐标值的集合，F2表示二维角度计算函数，DAN M表示M个三维人脸关键点的坐标值的集合，F3表示三维角度计算函数，α及β为权重系数。
可选地，所述对所述图像帧进行仿射变换，直到人脸姿态角度符合所述预设条件，包括：
将所述图像帧映射到预构建的平面坐标系中，并获取所述图像帧中每一个像素点的平面坐标(x，y)；
利用如下仿射变换公式计算仿射变换之后的图像帧中每一个像素点的平面坐标(x′，y′)：
其中，a、b、c、d表示为约束条件；
根据所述变换之后的平面坐标更新所述人脸姿态角度；
判断所述人脸姿态角度是否符合所述预设条件；
当所述人脸姿态角度不符合所述预设条件，返回上述的将所述图像帧映射到预构建的平面坐标系中的步骤，直到所述人脸姿态角度符合所述预设条件。
可选地，所述提取所述图像帧中的人脸图像区域，包括：
利用预先训练好的人脸图像检测模型对所述图像帧进行检测，得到所述图像帧中包含的人脸图像的区域；
利用图像框框选所述图像帧中包含的人脸图像的区域；
根据所述图像框对所述图像帧进行裁剪，得到人脸图像区域。
为了解决上述问题，本发明还提供一种人脸提取装置，所述装置包括：
关键点提取模块，用于获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息；
人脸姿态计算模块，用于根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，判断所述人脸姿态角度是否符合预设条件，若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件；
清晰人脸提取模块，用于在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域，利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，若所述人脸图像区域中的人脸图像不清晰，则返回上述从人脸视频中获取其中一个图像帧的步骤，若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的人脸提取方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人脸提取方法。
本发明实施例首先通过获取图像帧中人脸的二维人脸关键点信息及三维人脸关键点信息，确定所述人脸在三维空间内的端正程度，进一步地，根据所述二维人脸关键点信息及所述三维人脸关键点信息，对所述人脸的角度进行计算，得到人脸姿态角度，并判断所述人脸姿态角度是否符合预设条件，若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件，保证了所述图像帧中的人脸的端正程度，提高了人脸抽取过程中抽取出端正的人脸的概率，然后将符合所述预设条件的图像帧输入至预设的清晰人脸分类器中，以确保人脸抽取出的人脸图像是清晰度高的，提高了人脸抽取过程中抽取出清晰的人脸的概率。因此，本发明实施例提出的人脸提取方法、装置、电子设备及可读存储介质提高了人脸抽取过程中抽取出清晰的、端正的人脸的概率。
附图说明
图1为本发明一实施例提供的人脸提取方法的流程示意图；
图2为本发明一实施例提供的人脸提取装置的模块示意图；
图3为本发明一实施例提供的实现人脸提取方法的电子设备的内部结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种人脸提取方法。所述人脸提取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸提取方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以包括独立的服务器，也可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的人脸提取方法的流程示意图，在本发明实施例中，所述人脸提取方法包括：
S1、获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息。
本发明实施例中，所述人脸视频可以是一段带有人脸图像画面的视频。所述图像帧可以是对所述人脸视频进行帧数解析得到的静止的图像画面。所述二维人脸关键点可以是将所述图像帧中人脸图像放置在二维平面时五官所形成的点位。所述三维人脸关键点可以是将所述图像帧中人脸图像放置在三维空间时五官所形成的点位。
本发明实施例中，所述从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息可以通过深度学习框架来实现，其中，所述通过深度学习框架的实现方法可以是基于人脸检测的坐标框，按事先设定规则将人脸区域抠取出来，缩放到固定尺寸，然后进行关键点位置的计算。
详细地，所述从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息，包括：
利用预先训练好的人脸识别模型识别所述图像帧中的人脸图像；
利用预设的关键点预测器在二维坐标系中对所述人脸图像进行关键点标定，得到第一预设数量的关键点坐标；
根据所述第一预设数量的关键点坐标，利用画圆函数在所述图像帧中绘制所述第一预设数量的关键点，并利用输出字符串函数对所述第一预设数量的关键点进行标注，得到二维人脸关键点信息；
根据所述二维人脸关键点信息，利用人脸对齐算法在三维坐标系中从所述图像帧中提取第二预设数量的人脸关键点，得到三维人脸关键点信息。
本发明实施例中，所述预先训练好的模型可以是Dlib官方提供的模型“shape_predictor_68_face_landmarks.dat”。所述预设的关键点预测器可以是Dlib中的shape_predictor_68_face_landmarks.dat。所述画圆函数可以通过代码cv2.circle()实现。所述输出字符串函数可以通过代码cv2.putText()实现。所述人脸对齐算法可以是DAN算法，利用级联模型的方法对人脸关键点进行检测。
S2、根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度。
本发明实施例中，所述人脸姿态角度可以是根据所述人脸图像三维空间中人脸与垂直地面所形成的夹角。
详细地，所述根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，包括：
利用如下人脸姿态角度计算公式计算所述人脸图像的人脸姿态角度：
θ＝F2(dlib N)*α+F3(DAN M)*β
其中，θ表示人脸姿态角度，dlib N表示N个二维人脸关键点的坐标值的集合，F2表示二维角度计算函数，DAN M表示M个三维人脸关键点的坐标值的集合，F3表示三维角度计算函数，α及β为权重系数。
本发明实施例中，所述二维角度计算函数可以通过分别计算所述人脸图像中人脸的左眼、右眼、嘴巴关键点的均值坐标，得到left_eye，right_eye，mouth，连接左眼和右眼两个点，坐一条过mouth的点并垂直于两眼连线的直线，计算所述直线与水平地面的夹角，即为二维角度。
进一步地，所述三维角度计算函数的实现逻辑与所述二维角度计算函数的实现逻辑基本类似，故此不赘述。
S3、判断所述人脸姿态角度是否符合预设条件。
本发明实施例中，所述预设条件可以是用户规定的所述人脸姿态角度允许出现的范围。
详细地，通过比较所述人脸姿态角度与所述预设条件的数值大小可以判断所述人脸姿态角度是否符合所述预设条件。
若所述人脸姿态角度不符合预设条件，则执行S4、对所述图像帧进行仿射变换，并返回上述的S2计算人脸姿态角度。
本发明实施例中，所述人脸姿态角度不符合预设条件即为所述人脸姿态角度超出所述预设条件中所给出的角度范围。
本发明实施例中，当所述人脸姿态角度不符合预设条件时，可以通过调整所述图像帧的角度来实现人脸姿态角度的变换，以便得到一个端正的人脸图像。
详细地，所述对所述图像帧进行仿射变换，并重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件，包括：
将所述图像帧映射到预构建的平面坐标系中，并获取所述图像帧中每一个像素点的平面坐标(x，y)；
利用如下仿射变换公式计算仿射变换之后的图像帧中每一个像素点的平面坐标(x′，y′)：
其中，a、b、c、d表示为约束条件；
根据所述变换之后的平面坐标更新所述人脸姿态角度；
判断所述人脸姿态角度是否符合所述预设条件；
当所述人脸姿态角度不符合所述预设条件，返回上述的将所述图像帧映射到预构建的平面坐标系中的步骤，直到所述人脸姿态角度符合所述预设条件。
具体地，所述约束条件可以是研究人员人为设定的条件。
当所述人脸姿态角度符合所述预设条件时，执行S5、提取所述图像帧中的人脸图像区域。
本发明实施例中，所述人脸姿态角度符合预设条件即为所述人脸姿态角度处于所述预设条件中所给出的角度范围内。
本发明实施例中，当所述人脸姿态角度符合预设条件时，对所述图像帧中的人脸图像进行区域框选，以便后续分类器对所述图像帧中人脸图像是否清晰惊醒更准确的判断。
详细地，所述提取所述图像帧中的人脸图像区域，包括：
利用预先训练好的人脸图像检测模型对所述图像帧进行检测，得到所述图像帧中包含的人脸图像的区域；
利用图像框框选所述图像帧中包含的人脸图像的区域；
根据所述图像框对所述图像帧进行裁剪，得到人脸图像区域。
本发明实施例中，所述预先训练好的人脸图像检测模型可以是将利用大量的图像进行人脸检测得到训练好的模型。
S6、根据预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰。
本发明实施例中，所述清晰人脸分类器可以是基于深度学习的卷积神经网络模型，且已完成训练用于判断人脸图像是否清晰，其中，所述模型可以通过构建卷积神经网络框架来实现。
本发明实施例中，为了确保最终得到的人脸图像清晰可见，需要对已经进行端正的人脸图像区域进行进一步地排查确定，可以利用清晰人脸分类器实现清晰人脸图像的排查。
详细地，所述利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，包括：
对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集；
对所述一次降维人脸图像集进行降维处理，得到二次降维人脸图像集；
利用激活函数对所述二次降维人脸图像集进行激活分类操作，得到所述人脸图像是否清晰的分类结果。
本发明实施例中，对所述一次降维人脸图像进行维度变换，转化为一维人脸图像，并对所述一维人脸图像进行整合排序，得到二次降维人脸图像。
进一步地，利用激活函数对所述一维人脸图像进行多次激活计算，得到人脸图像的清晰概率，根据所述人脸图像的清晰概率，对所述人脸图像进行分类，得到所述人脸图像是否清晰的分类结果。
进一步地，所述对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集，包括：
利用预设的卷积核，对所述人脸图像的像素矩阵进行计算，得到特征图矩阵集；
对所述特征图矩阵集中的特征图矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替所述区域内的像素值，得到一次降维人脸图像集。
本发明实施例中，所述利用预设的卷积核，对所述人脸图像的像素矩阵进行计算可使用与Sobel算子相同的计算方式。
若所述人脸图像区域中的人脸图像不清晰，则返回上述S1。
本发明实施例中，当所述人脸图像区域中的人脸图像不清晰时，需重新从所述人脸视频中获取新的图像帧并进行二维人脸关键点及三维人脸关键点提取等操作。
若所述人脸图像区域中的人脸图像清晰，则S7、输出所述人脸图像区域。
本发明实施例中，当所述人脸图像区域中的人脸图像清晰时，可以直接输出所述人脸图像图区域，并确保所述人脸图像区域中的人脸图像清晰端正。
本发明实施例首先通过获取图像帧中人脸的二维人脸关键点信息及三维人脸关键点信息，确定所述人脸在三维空间内的端正程度，进一步地，根据所述二维人脸关键点信息及所述三维人脸关键点信息，对所述人脸的角度进行计算，得到人脸姿态角度，并判断所述人脸姿态角度是否符合预设条件，若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件，保证了所述图像帧中的人脸的端正程度，提高了人脸抽取过程中抽取出端正的人脸的概率，然后将符合所述预设条件的图像帧输入至预设的清晰人脸分类器中，以确保人脸抽取出的人脸图像是清晰度高的，提高了人脸抽取过程中抽取出清晰的人脸的概率。因此，本发明实施例提出的人脸提取方法提高了人脸抽取过程中抽取出清晰的、端正的人脸的概率。
如图2所示，是本发明人脸提取装置的功能模块图。
本发明所述人脸提取装置100可以安装于电子设备中。根据实现的功能，所述人脸提取装置可以包括关键点提取模块101、人脸姿态计算模块102及清晰人脸提取模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述关键点提取模块101用于获取人脸视频，从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息。
本发明实施例中，所述人脸视频可以是一段带有人脸图像画面的视频。所述图像帧可以是对所述人脸视频进行帧数解析得到的静止的图像画面。所述二维人脸关键点可以是将所述图像帧中人脸图像放置在二维平面时五官所形成的点位。所述三维人脸关键点可以是将所述图像帧中人脸图像放置在三维空间时五官所形成的点位。
本发明实施例中，所述从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息可以通过深度学习框架来实现，其中，所述通过深度学习框架的实现方法可以是基于人脸检测的坐标框，按事先设定规则将人脸区域抠取出来，缩放到固定尺寸，然后进行关键点位置的计算。
详细地，所述从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息，包括：
利用预先训练好的人脸识别模型识别所述图像帧中的人脸图像；
利用预设的关键点预测器在二维坐标系中对所述人脸图像进行关键点标定，得到第一预设数量的关键点坐标；
根据所述第一预设数量的关键点坐标，利用画圆函数在所述图像帧中绘制所述第一预设数量的关键点，并利用输出字符串函数对所述第一预设数量的关键点进行标注，得到二维人脸关键点信息；
根据所述二维人脸关键点信息，利用人脸对齐算法在三维坐标系中从所述图像帧中提取第二预设数量的人脸关键点，得到三维人脸关键点信息。
本发明实施例中，所述预先训练好的模型可以是Dlib官方提供的模型“shape_predictor_68_face_landmarks.dat”。所述预设的关键点预测器可以是Dlib中的shape_predictor_68_face_landmarks.dat。所述画圆函数可以通过代码cv2.circle()实现。所述输出字符串函数可以通过代码cv2.putText()实现。所述人脸对齐算法可以是DAN算法，利用级联模型的方法对人脸关键点进行检测。
所述人脸姿态计算模块102用于根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，判断所述人脸姿态角度是否符合预设条件，若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件。
本发明实施例中，所述人脸姿态角度可以是根据所述人脸图像三维空间中人脸与垂直地面所形成的夹角。
详细地，所述根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，包括：
利用如下人脸姿态角度计算公式计算所述人脸图像的人脸姿态角度：
θ＝F2(dlib N)*α+F3(DAN M)*β
其中，θ表示人脸姿态角度，dlib N表示N个二维人脸关键点的坐标值的集合，F2表示二维角度计算函数，DAN M表示M个三维人脸关键点的坐标值的集合，F3表示三维角度计算函数，α及β为权重系数。
本发明实施例中，所述二维角度计算函数可以通过分别计算所述人脸图像中人脸的左眼、右眼、嘴巴关键点的均值坐标，得到left_eye，right_eye，mouth，连接左眼和右眼两个点，坐一条过mouth的点并垂直于两眼连线的直线，计算所述直线与水平地面的夹角，即为二维角度。
进一步地，所述三维角度计算函数的实现逻辑与所述二维角度计算函数的实现逻辑基本类似，故此不赘述。
本发明实施例中，所述预设条件可以是用户规定的所述人脸姿态角度允许出现的范围。
详细地，通过比较所述人脸姿态角度与所述预设条件的数值大小可以判断所述人脸姿态角度是否符合所述预设条件。
若所述人脸姿态角度不符合预设条件，则执行对所述图像帧进行仿射变换，并返回上述计算人脸姿态角度。
本发明实施例中，所述人脸姿态角度不符合预设条件即为所述人脸姿态角度超出所述预设条件中所给出的角度范围。
本发明实施例中，当所述人脸姿态角度不符合预设条件时，可以通过调整所述图像帧的角度来实现人脸姿态角度的变换，以便得到一个端正的人脸图像。
详细地，所述对所述图像帧进行仿射变换，并重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件，包括：
将所述图像帧映射到预构建的平面坐标系中，并获取所述图像帧中每一个像素点的平面坐标(x，y)；
利用如下仿射变换公式计算仿射变换之后的图像帧中每一个像素点的平面坐标(x′，y′)：
其中，a、b、c、d表示为约束条件；
根据所述变换之后的平面坐标更新所述人脸姿态角度；
判断所述人脸姿态角度是否符合所述预设条件；
当所述人脸姿态角度不符合所述预设条件，返回上述的将所述图像帧映射到预构建的平面坐标系中的步骤，直到所述人脸姿态角度符合所述预设条件。
具体地，所述约束条件可以是研究人员人为设定的条件。
所述清晰人脸提取模块103用于在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域，利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，若所述人脸图像区域中的人脸图像不清晰，则返回上述从人脸视频中获取其中一个图像帧的步骤，若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
当所述人脸姿态角度符合所述预设条件时，执行提取所述图像帧中的人脸图像区域。
本发明实施例中，所述人脸姿态角度符合预设条件即为所述人脸姿态角度处于所述预设条件中所给出的角度范围内。
本发明实施例中，当所述人脸姿态角度符合预设条件时，对所述图像帧中的人脸图像进行区域框选，以便后续分类器对所述图像帧中人脸图像是否清晰惊醒更准确的判断。
详细地，所述提取所述图像帧中的人脸图像区域，包括：
利用预先训练好的人脸图像检测模型对所述图像帧进行检测，得到所述图像帧中包含的人脸图像的区域；
利用图像框框选所述图像帧中包含的人脸图像的区域；
根据所述图像框对所述图像帧进行裁剪，得到人脸图像区域。
本发明实施例中，所述预先训练好的人脸图像检测模型可以是将利用大量的图像进行人脸检测得到训练好的模型。
根据预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰。
本发明实施例中，所述清晰人脸分类器可以是基于深度学习的卷积神经网络模型，且已完成训练用于判断人脸图像是否清晰，其中，所述模型可以通过构建卷积神经网络框架来实现。
本发明实施例中，为了确保最终得到的人脸图像清晰可见，需要对已经进行端正的人脸图像区域进行进一步地排查确定，可以利用清晰人脸分类器实现清晰人脸图像的排查。
详细地，所述利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，包括：
对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集；
对所述一次降维人脸图像集进行降维处理，得到二次降维人脸图像集；
利用激活函数对所述二次降维人脸图像集进行激活分类操作，得到所述人脸图像是否清晰的分类结果。
本发明实施例中，对所述一次降维人脸图像进行维度变换，转化为一维人脸图像，并对所述一维人脸图像进行整合排序，得到二次降维人脸图像。
进一步地，利用激活函数对所述一维人脸图像进行多次激活计算，得到人脸图像的清晰概率，根据所述人脸图像的清晰概率，对所述人脸图像进行分类，得到所述人脸图像是否清晰的分类结果。
进一步地，所述对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集，包括：
利用预设的卷积核，对所述人脸图像的像素矩阵进行计算，得到特征图矩阵集；
对所述特征图矩阵集中的特征图矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替所述区域内的像素值，得到一次降维人脸图像集。
本发明实施例中，所述利用预设的卷积核，对所述人脸图像的像素矩阵进行计算可使用与Sobel算子相同的计算方式。
若所述人脸图像区域中的人脸图像不清晰，则返回上述从所述人脸视频中提取其中任意一个图像帧。
本发明实施例中，当所述人脸图像区域中的人脸图像不清晰时，需重新从所述人脸视频中获取新的图像帧并进行二维人脸关键点及三维人脸关键点提取等操作。
若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
本发明实施例中，当所述人脸图像区域中的人脸图像清晰时，可以直接输出所述人脸图像图区域，并确保所述人脸图像区域中的人脸图像清晰端正。
如图3所示，是本发明实现人脸提取方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于深度学习的人脸提取程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于深度学习的人脸提取程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于深度学习的人脸提取程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于深度学习的人脸提取程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息；
根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度；
判断所述人脸姿态角度是否符合预设条件；
若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件；
在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域；
利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰；
若所述人脸图像区域中的人脸图像不清晰，则返回上述从人脸视频中获取其中一个图像帧的步骤；
若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息；
根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度；
判断所述人脸姿态角度是否符合预设条件；
若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件；
在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域；
利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰；
若所述人脸图像区域中的人脸图像不清晰，则返回上述从人脸视频中获取其中一个图像帧的步骤；
若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种人脸提取方法，其特征在于，所述方法包括：
获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息；
根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度；
判断所述人脸姿态角度是否符合预设条件；
若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件；
在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域；
利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰；
若所述人脸图像区域中的人脸图像不清晰，则返回上述从所述人脸视频中提取其中任意一个图像帧的步骤；
若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域；
其中，所述从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息，包括：利用预先训练好的人脸识别模型识别所述图像帧中的人脸图像；利用预设的关键点预测器在二维坐标系中对所述人脸图像进行关键点标定，得到第一预设数量的关键点坐标；根据所述第一预设数量的关键点坐标，利用画圆函数在所述图像帧中绘制所述第一预设数量的关键点，并利用输出字符串函数对所述第一预设数量的关键点进行标注，得到二维人脸关键点信息；根据所述二维人脸关键点信息，利用人脸对齐算法在三维坐标系中从所述图像帧中提取第二预设数量的人脸关键点，得到三维人脸关键点信息；
所述根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，包括：利用如下人脸姿态角度计算公式计算所述人脸图像的人脸姿态角度：
其中，表示人脸姿态角度，/>表示N个二维人脸关键点的坐标值的集合，/>表示二维角度计算函数，/>表示M个三维人脸关键点的坐标值的集合，/>表示三维角度计算函数，/>及/>为权重系数。
2.如权利要求1所述的人脸提取方法，其特征在于，所述利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，包括：
对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集；
对所述一次降维人脸图像集进行降维处理，得到二次降维人脸图像集；
利用激活函数对所述二次降维人脸图像集进行激活分类操作，得到所述人脸图像是否清晰的分类结果。
3.如权利要求2所述的人脸提取方法，其特征在于，所述对所述人脸图像进行预设次数的卷积池化处理，得到一次降维人脸图像集，包括：
利用预设的卷积核，对所述人脸图像的像素矩阵进行计算，得到特征图矩阵集；
对所述特征图矩阵集中的特征图矩阵进行平均区域划分，并取区域内所有像素值之和的平均值代替所述区域内的像素值，得到一次降维人脸图像集。
4.如权利要求1所述的人脸提取方法，其特征在于，所述对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件，包括：
将所述图像帧映射到预构建的平面坐标系中，并获取所述图像帧中每一个像素点的平面坐标（x，y）；
利用如下仿射变换公式计算仿射变换之后的图像帧中每一个像素点的平面坐标：
其中，a、b、c、d表示为约束条件；
根据所述变换之后的平面坐标更新所述人脸姿态角度；
判断所述人脸姿态角度是否符合所述预设条件；
当所述人脸姿态角度不符合所述预设条件，返回上述的将所述图像帧映射到预构建的平面坐标系的步骤，直到所述人脸姿态角度符合所述预设条件。
5.如权利要求1所述的人脸提取方法，其特征在于，所述提取所述图像帧中的人脸图像区域，包括：
利用预先训练好的人脸图像检测模型对所述图像帧进行检测，得到所述图像帧中包含的人脸图像的区域；
利用图像框框选所述图像帧中包含的人脸图像的区域；
根据所述图像框对所述图像帧进行裁剪，得到人脸图像区域。
6.一种人脸提取装置，用于实现如权利要求1至5中任一项所述的人脸提取方法，其特征在于，包括：
关键点提取模块，用于获取人脸视频，并从所述人脸视频中提取其中任意一个图像帧，从所述图像帧中提取二维人脸关键点信息及三维人脸关键点信息；
人脸姿态计算模块，用于根据所述二维人脸关键点信息及所述三维人脸关键点信息，计算人脸姿态角度，判断所述人脸姿态角度是否符合预设条件，若所述人脸姿态角度不符合所述预设条件，则对所述图像帧进行仿射变换，并根据仿射变换后的所述图像帧重新计算人脸姿态角度，直到重新计算之后的人脸姿态角度符合所述预设条件；
清晰人脸提取模块，用于在所述人脸姿态角度符合所述预设条件时，提取所述图像帧中的人脸图像区域，利用预设的清晰人脸分类器，判断所述人脸图像区域中的人脸图像是否清晰，若所述人脸图像区域中的人脸图像不清晰，则返回上述从所述人脸视频中提取其中任意一个图像帧的步骤，若所述人脸图像区域中的人脸图像清晰，则输出所述人脸图像区域。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的人脸提取方法。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的人脸提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092705.7A CN113627394B (zh) | 2021-09-17 | 2021-09-17 | 人脸提取方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092705.7A CN113627394B (zh) | 2021-09-17 | 2021-09-17 | 人脸提取方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627394A CN113627394A (zh) | 2021-11-09 |
| CN113627394B true CN113627394B (zh) | 2023-11-17 |
Family
ID=78390320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111092705.7A Active CN113627394B (zh) | 2021-09-17 | 2021-09-17 | 人脸提取方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627394B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529857A (zh) * | 2022-02-25 | 2022-05-24 | 平安科技（深圳）有限公司 | 用户在线状态的识别方法、装置、服务器及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008204384A (ja) * | 2007-02-22 | 2008-09-04 | Canon Inc | 撮像装置、物体検出方法及び姿勢パラメータの算出方法 |
| CN107844742A (zh) * | 2017-09-26 | 2018-03-27 | 平安科技（深圳）有限公司 | 人脸图像眼镜去除方法、装置及存储介质 |
| CN110245612A (zh) * | 2019-06-14 | 2019-09-17 | 百度在线网络技术（北京）有限公司 | 人脸图像的检测方法和装置 |
| CN110647811A (zh) * | 2019-08-15 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 人脸姿态检测方法、装置及计算机可读存储介质 |
| CN111428579A (zh) * | 2020-03-03 | 2020-07-17 | 平安科技（深圳）有限公司 | 人脸图像的获取方法与系统 |
| WO2020199906A1 (zh) * | 2019-03-29 | 2020-10-08 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
| WO2020244032A1 (zh) * | 2019-06-03 | 2020-12-10 | 罗普特科技集团股份有限公司 | 用于检测人脸图像的方法和装置 |
| CN113011401A (zh) * | 2021-04-30 | 2021-06-22 | 汇纳科技股份有限公司 | 人脸图像姿态估计和校正方法、系统、介质及电子设备 |
-
2021
- 2021-09-17 CN CN202111092705.7A patent/CN113627394B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008204384A (ja) * | 2007-02-22 | 2008-09-04 | Canon Inc | 撮像装置、物体検出方法及び姿勢パラメータの算出方法 |
| CN107844742A (zh) * | 2017-09-26 | 2018-03-27 | 平安科技（深圳）有限公司 | 人脸图像眼镜去除方法、装置及存储介质 |
| WO2020199906A1 (zh) * | 2019-03-29 | 2020-10-08 | 广州市百果园信息技术有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
| WO2020244032A1 (zh) * | 2019-06-03 | 2020-12-10 | 罗普特科技集团股份有限公司 | 用于检测人脸图像的方法和装置 |
| CN110245612A (zh) * | 2019-06-14 | 2019-09-17 | 百度在线网络技术（北京）有限公司 | 人脸图像的检测方法和装置 |
| CN110647811A (zh) * | 2019-08-15 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 人脸姿态检测方法、装置及计算机可读存储介质 |
| CN111428579A (zh) * | 2020-03-03 | 2020-07-17 | 平安科技（深圳）有限公司 | 人脸图像的获取方法与系统 |
| CN113011401A (zh) * | 2021-04-30 | 2021-06-22 | 汇纳科技股份有限公司 | 人脸图像姿态估计和校正方法、系统、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627394A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257774B (zh) | 基于联邦学习的目标检测方法、装置、设备及存储介质 | |
| CN112395978B (zh) | 行为检测方法、装置及计算机可读存储介质 | |
| WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
| CN112132812B (zh) | 证件校验方法、装置、电子设备及介质 | |
| CN116778527A (zh) | 人体模型构建方法、装置、设备及存储介质 | |
| CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
| CN112990374B (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
| CN112668575A (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
| CN116680580A (zh) | 基于多模态训练的信息匹配方法、装置、电子设备及介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
| CN113505698A (zh) | 基于对抗学习的人脸识别方法、装置、设备及介质 | |
| CN113160144B (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
| CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN114792295B (zh) | 基于智能相框的被遮挡物修正方法、装置、设备及介质 | |
| CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 | |
| CN113592941B (zh) | 一种证件图像验证方法、装置、存储介质及终端 | |
| CN114973294B (zh) | 基于图文匹配方法、装置、设备及存储介质 | |
| CN117333929B (zh) | 基于深度学习实现道路施工下的异常人员识别方法及系统 |
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 |