CN113688768A - 基于人工智能的人脸检测方法、装置、设备及介质 - Google Patents
基于人工智能的人脸检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113688768A CN113688768A CN202111017172.6A CN202111017172A CN113688768A CN 113688768 A CN113688768 A CN 113688768A CN 202111017172 A CN202111017172 A CN 202111017172A CN 113688768 A CN113688768 A CN 113688768A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- face
- sub
- depth
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 152
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000013507 mapping Methods 0.000 claims description 43
- 210000000056 organ Anatomy 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种基于人工智能的人脸检测方法、装置、设备及介质,包括:获取待检测人脸的第一深度图像和第一RGB图像;检测所述第一RGB图像中的第一人脸区域;获取所述第一深度图像中的第二人脸区域对应的深度值;根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果;若所述初始检测结果表示所述第一RGB图像不是平面照片,则获取图像集合;根据所述图像集合进行第二次人脸检测,得到最终检测结果。通过上述方法,能够有效提高人脸检测方法的检测精度、进而提高人脸检测系统的安全性。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及一种基于人工智能的人脸检测方法、装置、设备及介质。
背景技术
近年来,人工智能技术取得了突飞猛进的发展,其应用也越来越广泛。人脸检测是人工智能技术的一个重要应用,被广泛应用于人脸考勤、身份验证等领域。
现有的人脸检测方法通常是对采集的人脸图像进行识别,但却无法识别采集的人脸图像是否为摄像头对真实人脸拍摄得到的图像。在一个应用场景中,用户A将用户B的人脸照片放置在摄像头前面,摄像头拍摄得到用户B的人脸图像,通过人脸检测的验证后,用户A可以登录用户B的账户。可见,现有的人脸检测方法的检测精度较低,导致人脸检测系统的安全性较差。
发明内容
本申请实施例提供了一种基于人工智能的人脸检测方法、装置、设备及介质,可以有效提高人脸检测方法的检测精度、进而提高人脸检测系统的安全性。
第一方面,本申请实施例提供了一种基于人工智能的人脸检测方法,包括:
获取待检测人脸的第一深度图像和第一RGB图像;
检测所述第一RGB图像中的第一人脸区域;
获取所述第一深度图像中的第二人脸区域对应的深度值,所述第二人脸区域为与所述第一人脸区域对应的图像区域;
根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果;
若所述初始检测结果表示所述第一RGB图像不是平面照片,则获取图像集合,所述图像集合中包括在预设时间内拍摄的所述待检测人脸的多张第二RGB图像;
根据所述图像集合进行第二次人脸检测,得到最终检测结果。
本申请实施例中,先根据人脸区域的深度值进行初步检测,即根据人脸区域深度值的变化判断是否为平面图像;若不是平面图像,再根据多张RGB图像进一步检测,通过两次检测,有效提高了人脸检测的检测准确度。另外,通过初步检测,可以预先排除平面图像,无需进行后续的进一步检测,有效提高了人脸检测的效率。
在第一方面的一种可能的实现方式中,所述获取所述第一深度图像中的第二人脸区域对应的深度值,包括:
将所述第一人脸区域映射到所述第一深度图像中,得到所述第一深度图像中与所述第一人脸区域对应的图像区域;
将所述第一深度图像中与所述第一人脸区域对应的图像区域确定为所述第二人脸区域;
获取所述第二人脸区域对应的深度值。
在第一方面的一种可能的实现方式中,所述将所述第一人脸区域映射到所述第一深度图像中,得到所述第一深度图像中的与所述第一人脸区域对应的图像区域,包括:
获取所述第一深度图像和所述第一RGB图像之间的映射系数;
根据所述映射系数将所述第一人脸区域内的每个像素点映射到所述第一深度图像中,得到所述第一人脸区域内的每个像素点在所述第一深度图像中的映射点;
将获得的所述映射点组成的区域确定为所述第一深度图像中与所述第一人脸区域对应的图像区域。
在第一方面的一种可能的实现方式中,所述根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果,包括:
根据所述第二人脸区域对应的深度值将所述第二人脸区域划分为多个器官区域;
若存在满足预设条件的任意两个所述器官区域,则所述初始检测结果表示所述第一RGB图像为平面图像,其中,所述预设条件为两个所述器官区域之间深度值的差值在预设范围内;
若不存在满足所述预设条件的两个所述器官区域,则所述初始检测结果表示所述第一RGB图像不是平面图像。
在第一方面的一种可能的实现方式中,所述根据所述图像集合进行第二次人脸检测,得到最终检测结果,包括:
将所述图像集合中的所述第二RGB图像划分为多个子区域;
统计所述第二RGB图像中每个所述子区域的梯度直方图;
根据所述第二RGB图像中每个所述子区域的梯度直方图判断所述第二RGB图像和预设的参考图像是否相匹配;
若所述第二RGB图像和所述参考图像相匹配,则将所述第二RGB图像确定为目标图像;
根据所述图像集合中所述目标图像的数量确定最终检测结果。
在第一方面的一种可能的实现方式中,所述根据所述第二RGB图像中每个所述子区域的梯度直方图判断所述第二RGB图像和预设的参考图像是否相匹配,包括:
若第一子区域和第二子区域的梯度直方图一致,则将所述第一子区域确定为目标子区域,其中,所述第一子区域为所述第二RGB图像中的任意一个子区域,所述第二子区域为所述参考图像中与所述第一子区域对应的子区域;
统计所述第二RGB图像中所述目标子区域的个数;
若所述第二RGB图像中所述目标子区域的个数与所述第二RGB图像中子区域的总个数之比大于预设比值,则判定所述第二RGB图像和所述参考图像相匹配。
在第一方面的一种可能的实现方式中,所述根据所述图像集合中所述目标图像的数量确定最终检测结果,包括:
若所述图像集合中所述目标图像的数量与所述图像集合中第二RGB图像的总数的比值大于预设比值,则所述最终检测结果表示检测通过;
若所述图像集合中所述目标图像的数量与所述图像集合中第二RGB图像的总数的比值小于或等于预设比值,则所述最终检测结果表示检测未通过。
在第一方面的一种可能的实现方式中,在获取所述第一深度图像中的第二人脸区域对应的深度值之前,所述方法还包括:
获取目标对象的第二深度图像和第三RGB图像;
分别统计所述第二深度图像和所述第三RGB图像的梯度图;
搜索与第三子区域匹配的第四子区域,其中,所述第三子区域为所述第二深度图像的梯度图中的任意一个子区域,所述第四区域为所述第三RGB图像的梯度图中的子区域;
根据所述第三子区域的中心点和所述第四子区域的中心点计算所述映射系数。
第二方面,本申请实施例提供了一种基于人工智能的人脸检测装置,包括:
第一获取单元,用于获取待检测人脸的第一深度图像和第一RGB图像;
区域检测单元,用于检测所述第一RGB图像中的第一人脸区域;
深度获取单元,用于获取所述第一深度图像中的第二人脸区域对应的深度值,所述第二人脸区域为与所述第一人脸区域对应的图像区域;
初始检测单元,用于根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果;
第二获取单元,用于若所述初始检测结果表示所述第一RGB图像不是平面照片,则获取图像集合,所述图像集合中包括在预设时间内拍摄的所述待检测人脸的多张第二RGB图像;
最终检测单元,用于根据所述图像集合进行第二次人脸检测,得到最终检测结果。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的基于人工智能的人脸检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,本申请实施例提供了一种计算机可读存储介质,所述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上述第一方面中任一项所述的基于人工智能的人脸检测方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的基于人工智能的人脸检测方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于人工智能的人脸检测方法的流程示意图;
图2是本申请实施例提供的图像校准方法的流程示意图;
图3是本申请实施例提供的基于人工智能的人脸检测装置的结构框图;
图4是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样,术语“若”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
参见图1,是本申请实施例提供的基于人工智能的人脸检测方法的流程示意图,作为示例而非限定,所述方法可以包括以下步骤:
S101,获取待检测人脸的第一深度图像和第一RGB图像。
实际应用中,可以采用3D摄像头获取深度图像和RGB图像。3D摄像头包括深度摄像头和RGB摄像头。需要预先对深度摄像头和RGB摄像头进行校准,具体的校准步骤可参见图2实施例中的描述,在此不再赘述。
S102,检测第一RGB图像中的第一人脸区域。
本申请实施例可以基于人工智能技术对相关数据进行获取、检测和处理。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。
可选的,可以人工智能技术中的机器学习/深度学习方法检测人脸区域。例如:可以利用神经网络模型检测(如RetinaFace卷积网络),还可以利用基于关键点的人脸检测方法检测等等,本申请实施例中不对人脸检测方法做具体限定。
S103,获取第一深度图像中的第二人脸区域对应的深度值。
第二人脸区域为与第一人脸区域对应的图像区域。
本申请实施例中,可以由第一深度图像映射到第一RGB图像,也可以由第一RGB图像映射到第一深度图像。具体如下实施例所述。
在一个实施例中,S103可以包括以下步骤:
将第一深度图像划分为多个图像区域;将各个图像区域映射到第一RGB图像中,得到第一RGB图像中的多个映射区域;确定第一人脸区域所属的映射区域,并将该映射区域对应的第一深度图像中的图像区域确定为第二人脸区域;获取第二人脸区域对应的深度值。
在另一个实施例中,S103还可以包括以下步骤:
将第一人脸区域映射到第一深度图像中,得到第一深度图像中与第一人脸区域对应的图像区域;将第一深度图像中与第一人脸区域对应的图像区域确定为第二人脸区域;获取第二人脸区域对应的深度值。
可选的,将第一人脸区域映射到第一深度图像中的一种实现方式可以包括:
获取第一深度图像和第一RGB图像之间的映射系数;根据映射系数将第一人脸区域内的每个像素点映射到第一深度图像中,得到第一人脸区域内的每个像素点在第一深度图像中的映射点;将获得的映射点组成的区域确定为第一深度图像中与第一人脸区域对应的图像区域。
映射系数可以包括尺度系数和平移系数。示例性的,假设第一RGB图像中人脸区域内的像素点A的坐标为(xA,yA),尺度系数为scale,平移系数为trans,则第一深度图像中与A相匹配的映射点A’的坐标为
利用图2实施例中的校准方法,可以获得深度图像和RGB图像之间的映射系数,即根据深度图像中的像素点A的位置可以获得RGB图像中与A对应的像素点的位置。
S104,根据第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果。
在一个实施例中,S104可以包括以下步骤:
判断第一深度图像的第二人脸区域内每两个相邻的像素之间的深度值差值是否在预设范围内;若在预设范围内,则初始检测结果表示第一RGB图像为平面图像;若不在预设范围内,则初始检测结果表示第一RGB图像不是平面图像。
由于人脸包括多个器官,不同器官的深度值可能存在一定差异。因此,为了进一步提高检测的准确度。在另一个实施例中,S104可以包括以下步骤:
根据第二人脸区域对应的深度值将第二人脸区域划分为多个器官区域;若存在满足预设条件的任意两个所述器官区域,则初始检测结果表示第一RGB图像为平面图像;若不存在满足预设条件的两个器官区域,则初始检测结果表示第一RGB图像不是平面图像。
其中,预设条件为两个所述器官区域之间深度值的差值在预设范围内。
示例性的,相对于深度摄像头,鼻子的深度值比脸颊的深度值小,眼睛的凹陷处的深度值比脸颊的深度值大。可以根据深度值对第一深度图像中的第二人脸区域进行区域分割处理,得到鼻子对应的器官区域,眼睛对应的器官区域和脸颊对应的器官区域。
可以采用现有的图像分割方法实现区域分割处理,如聚类算法、神经网络算法、边缘检测算法等,在此不做具体限定。
如果深度摄像头拍摄的是一张平面图像,那么人脸区域内各器官处于相同平面内,因此,深度摄像头采集到的人脸区域内深度值的变化不明显;如果深度摄像头拍摄的是真实人脸,那么人脸区域内各器官处于不同平面内,因此,深度摄像头采集到的人脸区域内深度值的变化较为明显。通过上述方法,可以判断出人脸区域内深度值的变化是否平缓,进而根据人脸区域内深度值的变化情况判断镜头拍摄的是真实人脸还是平面照片。
S105,若初始检测结果表示第一RGB图像不是平面照片,则获取图像集合。
若初始检测结果表示第一RGB图像是平面照片,则最终检测结果表示检测未通过。若初始检测结果表示第一RGB图像不是平面照片,则为了检测的准确性,可以进一步地进行第二次人脸检测。
本申请实施例中,图像集合中包括待检测人脸面对镜头做出一系列的面部动作的过程中、摄像头以一定的拍摄频率拍摄出的多张RGB图像。
示例性的,在一个应用场景中,若初始检测结果表示第一RGB图像不是平面图像,则由终端设备发出预设指令,预设指令用于指示用户做出相应的面部动作。例如,终端设备通过显示装置提示用户点点头、张嘴、眨眨眼等,或者,终端设备通过语音提示用户说一句话,等等。在用户执行上述面部动作的过程中,RGB摄像头每隔1s拍摄一张用户的人脸图像。假设共拍摄出10张人脸图像,则将这10张人脸图像作为图像集合。
S106,根据图像集合进行第二次人脸检测,得到最终检测结果。
在一个实施例中,S106可以包括以下步骤:
分别统计参考图像和图像集合中每张第二RGB图像的梯度直方图;对于任意一张第二RGB图像,若参考图像的梯度直方图和当前的第二RGB图像的梯度直方图不一致,则将当前的第二RGB图像确定为目标图像;统计图像集合中目标图像的数量;根据目标图像的数量确定最终检测结果。
其中,参考图像可以是图像集合中的任意一张图像,也可以是S101中获取到的第一RGB图像。
由于人脸不同区域的梯度直方图可能存在差异,为了进一步提高检测的准确度,在另一个实施例中,S106可以包括以下步骤:
将图像集合中的第二RGB图像划分为多个子区域;统计第二RGB图像中每个子区域的梯度直方图;根据第二RGB图像中每个子区域的梯度直方图判断第二RGB图像和预设的参考图像是否相匹配;若第二RGB图像和参考图像相匹配,则将第二RGB图像确定为目标图像;根据图像集合中目标图像的数量确定最终检测结果。
参考图像的子区域划分规则和第二RGB图像的子区域划分规则相同。例如,可以将参考图像划分为九宫格,相应的,第二RGB图像也根据相同的划分规则划分为九宫格。
可选的,判断第二RGB图像和参考图像是否相匹配的一种实现方式可以为:
若第一子区域和第二子区域的梯度直方图一致,则将第一子区域确定为目标子区域;统计第二RGB图像中目标子区域的个数;若第二RGB图像中目标子区域的个数与第二RGB图像中子区域的总个数之比大于预设比值,则判定第二RGB图像和参考图像相匹配。
其中,第一子区域为第二RGB图像中的任意一个子区域,第二子区域为参考图像中与第一子区域对应的子区域。
可选的,根据目标图像的数量确定最终检测结果的一种实现方式可以为:
若图像集合中目标图像的数量与图像集合中第二RGB图像的总数的比值大于预设比值,则最终检测结果表示检测通过;若图像集合中目标图像的数量与图像集合中第二RGB图像的总数的比值小于或等于预设比值,则最终检测结果表示检测未通过。
可选的,根据目标图像的数量确定最终检测结果的另一种实现方式可以为:
若图像集合中目标图像的数量大于图像集合中非目标图像的数量,则最终检测结果表示检测通过;若图像集合中目标图像的数量小于或等于图像集合中非目标图像的数量,则最终检测结果表示检测未通过。
参见图2,是本申请实施例提供的图像校准方法的流程示意图。本申请实施例中,需要预先校准深度图像和RGB图像,即确定深度图像和RGB图像之间的映射系数。如图2所示,校准方法可以包括以下步骤:
S201,获取目标对象的第二深度图像和第三RGB图像。
目标对象可以是任意的拍摄对象。为了提高校准的准确度,本申请实施例中进行的是人脸检测,则目标对象可以选用人脸。
在一个应用场景中,可以预先进行校准,将校准后得到的校准系数存储在终端设备中。当需要执行S103时,终端设备获取预先存储的校准系数。
在另一个应用场景中,在S101之后,可以根据第一深度图像和第一RGB图像进行校准。即将第一深度图像作为第二深度图像,将第一RGB图像作为第三RGB图像。
S202,分别统计第二深度图像和第三RGB图像的梯度图。
本申请实施例中的梯度图可以是梯度直方图。
S203,搜索与第三子区域匹配的第四子区域。
其中,第三子区域为第二深度图像的梯度图中的任意一个子区域,第四区域为第三RGB图像的梯度图中的子区域。
本申请实施例中,可以预先将第二深度图像和第三RGB图像分别划分为多个区域。例如:可以将第二深度图像划分为4个第三区域ROIA1,ROIA2,ROIA3,ROIA4,依次搜索与ROIA1匹配的第四区域ROIB1、与ROIA2匹配的第四区域ROIB2、与ROIA3匹配的第四区域ROIB3、以及与ROIA4匹配的第四区域ROIB4。
可选的,可以采用相关系数归一化的模板匹配方法进行区域匹配。
模板匹配和相关系数法是目标跟踪的经典方法,它的优点有很多:简单准确,适用面广,抗噪性好,而且计算速度快。所谓模板匹配法,就是指在一帧图像内寻找目标模板的位置,和模板最像的地方就是目标了。只要把全图的所有子区域和目标模板比较一下,找到最像目标模板的子区域,它就是目标的位置。度量子区域和目标模板的相似程度的办法就是计算这二者的相关系数。
本申请实施例中,如果在第二深度图像中搜索与第四区域相匹配的第三区域,那么第四区域可以看作是目标模板;如果在第三RGB图像中搜索与第三区域相匹配的第四区域,那么第三区域可以看作是目标模板。
相关系数(r)是一种数学距离,可以用来衡量两个向量的相似程度。它起源于余弦定理:cos(A)=(a2+c2-b2)/2bc。如果两个向量的夹角为0度(r=1),说明它们完全相似,如果夹角为90度(r=0),则它们完全不相似,如果夹角为180度(r=-1),则它们完全相反。把余弦定理写成向量的形式:cos(A)=<b,c>/(|b|*|c|),其中分子表示两个向量的内积,分母表示两个向量的模相乘。即:cos(A)=(b1c1+b2c2+…bncn)/sqrt[(b1 2+b2 2+…+bn 2)(c1 2+c2 2+…+cn 2)]。
在实际应用中,更常用的是去均值相关系数,它在上式的基础上还要在分子分母减去各个向量的均值:
这样,两个向量相似的部分被减掉,它们的相关性就被放大了。
假设目标模板是一个10×10的图像,它就可以被看作是一个100维的向量,每一维是一个像素点的灰度值。然后把这个向量和图像中的每一个子区域作比较,找出相关系数最大的子区域,目标的位置就找到了。
按照上文的方法在一帧600×800的图像中寻找一个30×30的目标大概需要几秒的时间,还远远达不到实时性的要求。上式可以化简加速的地方有很多,将原式变形:
其中xi的求和,分母的左半部分都是一个常数,不必每次都算。分子的左边,yi求和,分母的右边可以通过积分图像的方法来加速。通过上述变形,能够实现算法加速,有效提高校准效率。
在搜索时,可以采用逐行遍历搜索,把图像中的每一个子区域都计算一遍。实际上目标往往只在一个非常小的区域出现,很多地方根本没必要计算。所以在搜索时,如果当前位置的相关系数小于一定阈值或者该位置离上一帧的目标中心很远的时候,搜索的步长可以加大,反之则减小搜索步长。另一种搜索方法是以上一帧的目标中心为起点,以梯度下降的方法来搜索目标。该方法有一点需要注意,如果目标运动幅度较大,需要利用图像金字塔的方法搜索。上述两种方法都能够进一步加速算法,实现校准效率的进一步提高。
模板大小的确定往往是一个经验值,紧帖目标轮廓的模板或者包含太多背景的模板都不好,前者的模板太小,它对目标的变化太敏感,会很容易丢失目标。后者正相反,目标变化的时候算法却没有反应。一般而言,目标所占模板的比例在30%~50%为佳。
S204,根据第三子区域的中心点和第四子区域的中心点计算映射系数。
可选的,S204的一种实现方式为:
获取两组对应区域,每组对应区域中包括一个第三子区域和与该第三子区域对应的第四区域;根据每组对应区域中第三子区域的中心点和第四子区域的中心点计算映射系数。
具体的,第一组对应区域中第三子区域的中心点坐标为P11、第四子区域的中心点坐标为P01;第二组对应区域中第三子区域的中心点坐标为P12、第四子区域的中心点坐标为P02。尺度系数为:scale=(P02–P01)/(P12–P11),平移系数为:trans=P01-P11×scale。
在一个实施例中,为了提高校准结果的准确率,可以进行交叉验证。具体的,在S203之后,校准方法还可以包括:
搜索与第四子区域相匹配的第五子区域,其中,第五子区域为第二深度图像的梯度图中的区域。计算第三子区域的中心位置与第五子区域的中心位置的位置差。若满足预设要求的位置差的数量与第三子区域的总数量的比值大于预设比值,则根据第三子区域和第四子区域计算第二深度图像和第三RGB图像之间的映射系数。若满足预设要求的位置差的数量与第三子区域的总数量的比值小于或等于预设比值,则扩大第三子区域的范围,并重新执行S203,搜索与扩大后的第三子区域相匹配的第四子区域,直至计算出的位置差满足预设要求,则根据当前的第三子区域和第四子区域计算第二深度图像和第三RGB图像之间的映射系数。
预设要求可以为,相隔像素的数量小于预设值。示例性的,第二深度图像划分为4个区域ROIA1,ROIA2,ROIA3,ROIA4,先根据S203依次搜索与ROIA1匹配的第四子区域ROIB1、与ROIA2匹配的第四子区域ROIB2、与ROIA3匹配的第四子区域ROIB3、以及与ROIA4匹配的第四子区域ROIB4。然后依次搜索出与第四子区域ROIB1匹配的第五子区域为ROIA1、与第四子区域ROIB2匹配的第五子区域为ROIA2、与第四子区域ROIB3匹配的第五子区域为ROIA3、与第四子区域ROIB4匹配的第五子区域为ROIA3。其中,与第四子区域ROIB1匹配的第三子区域和第五子区域均为ROIA1,计算出的中心位置的位置差为0(预设值为5),满足预设要求;与第四子区域ROIB4匹配的第三子区域为ROIA4、第五子区域为ROIA3,计算出的中心位置之间相隔像素的数量为10(预设值为5),即不满足预设要求。由上可知,有3个位置差满足预设要求,1个位置差不满足预设要求,即满足预设要求的位置差的数量3与第三子区域的总数量4的比值为0.75。假设预设比值为0.5,则0.75>0.5,那么根据第三子区域和第四子区域计算第二深度图像和第二RGB图像之间的映射系数。假设预设比值为0.8,则0.75<0.8,那么扩大第三子区域的范围(即重新对第二深度图像进行区域划分,划分后的第三子区域的范围大于原来的第三子区域的范围),再重新计算位置差。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的基于人工智能的人脸检测方法,图3是本申请实施例提供的基于人工智能的人脸检测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图3,该装置包括:
第一获取单元31,用于获取待检测人脸的第一深度图像和第一RGB图像。
区域检测单元32,用于检测所述第一RGB图像中的第一人脸区域。
深度获取单元33,用于获取所述第一深度图像中的第二人脸区域对应的深度值,所述第二人脸区域为与所述第一人脸区域对应的图像区域。
初始检测单元34,用于根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果。
第二获取单元35,用于若所述初始检测结果表示所述第一RGB图像不是平面照片,则获取图像集合,所述图像集合中包括在预设时间内拍摄的所述待检测人脸的多张第二RGB图像。
最终检测单元36,用于根据所述图像集合进行第二次人脸检测,得到最终检测结果。
可选的,深度获取单元33还用于:
将所述第一人脸区域映射到所述第一深度图像中,得到所述第一深度图像中与所述第一人脸区域对应的图像区域;将所述第一深度图像中与所述第一人脸区域对应的图像区域确定为所述第二人脸区域;获取所述第二人脸区域对应的深度值。
可选的,深度获取单元33还用于:
获取所述第一深度图像和所述第一RGB图像之间的映射系数;根据所述映射系数将所述第一人脸区域内的每个像素点映射到所述第一深度图像中,得到所述第一人脸区域内的每个像素点在所述第一深度图像中的映射点;将获得的所述映射点组成的区域确定为所述第一深度图像中与所述第一人脸区域对应的图像区域。
可选的,初始检测单元34还用于:
根据所述第二人脸区域对应的深度值将所述第二人脸区域划分为多个器官区域;若存在满足预设条件的任意两个所述器官区域,则所述初始检测结果表示所述第一RGB图像为平面图像,其中,所述预设条件为两个所述器官区域之间深度值的差值在预设范围内;若不存在满足所述预设条件的两个所述器官区域,则所述初始检测结果表示所述第一RGB图像不是平面图像。
可选的,最终检测单元36还用于:
将所述图像集合中的所述第二RGB图像划分为多个子区域;统计所述第二RGB图像中每个所述子区域的梯度直方图;根据所述第二RGB图像中每个所述子区域的梯度直方图判断所述第二RGB图像和预设的参考图像是否相匹配;若所述第二RGB图像和所述参考图像相匹配,则将所述第二RGB图像确定为目标图像;根据所述图像集合中所述目标图像的数量确定最终检测结果。
可选的,最终检测单元36还用于:
若第一子区域和第二子区域的梯度直方图一致,则将所述第一子区域确定为目标子区域,其中,所述第一子区域为所述第二RGB图像中的任意一个子区域,所述第二子区域为所述参考图像中与所述第一子区域对应的子区域;统计所述第二RGB图像中所述目标子区域的个数;若所述第二RGB图像中所述目标子区域的个数与所述第二RGB图像中子区域的总个数之比大于预设比值,则判定所述第二RGB图像和所述参考图像相匹配。
可选的,最终检测单元36还用于:
若所述图像集合中所述目标图像的数量与所述图像集合中第二RGB图像的总数的比值大于预设比值,则所述最终检测结果表示检测通过;若所述图像集合中所述目标图像的数量与所述图像集合中第二RGB图像的总数的比值小于或等于预设比值,则所述最终检测结果表示检测未通过。
可选的,所述装置还包括:
校准单元37,用于获取目标对象的第二深度图像和第三RGB图像;分别统计所述第二深度图像和所述第三RGB图像的梯度图;搜索与第三子区域匹配的第四子区域,其中,所述第三子区域为所述第二深度图像的梯度图中的任意一个子区域,所述第四区域为所述第三RGB图像的梯度图中的子区域;根据所述第三子区域的中心点和所述第四子区域的中心点计算所述映射系数。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
另外,图3所示的装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中,还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图4是本申请实施例提供的终端设备的结构示意图。如图4所示,该实施例的终端设备4包括:至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42,所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是终端设备4的举例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (11)
1.一种基于人工智能的人脸检测方法,其特征在于,包括:
获取待检测人脸的第一深度图像和第一RGB图像;
检测所述第一RGB图像中的第一人脸区域;
获取所述第一深度图像中的第二人脸区域对应的深度值,所述第二人脸区域为与所述第一人脸区域对应的图像区域;
根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果;
若所述初始检测结果表示所述第一RGB图像不是平面照片,则获取图像集合,所述图像集合中包括在预设时间内拍摄的所述待检测人脸的多张第二RGB图像;
根据所述图像集合进行第二次人脸检测,得到最终检测结果。
2.如权利要求1所述的方法,其特征在于,所述获取所述第一深度图像中的第二人脸区域对应的深度值,包括:
将所述第一人脸区域映射到所述第一深度图像中,得到所述第一深度图像中与所述第一人脸区域对应的图像区域;
将所述第一深度图像中与所述第一人脸区域对应的图像区域确定为所述第二人脸区域;
获取所述第二人脸区域对应的深度值。
3.如权利要求2所述的方法,其特征在于,所述将所述第一人脸区域映射到所述第一深度图像中,得到所述第一深度图像中的与所述第一人脸区域对应的图像区域,包括:
获取所述第一深度图像和所述第一RGB图像之间的映射系数;
根据所述映射系数将所述第一人脸区域内的每个像素点映射到所述第一深度图像中,得到所述第一人脸区域内的每个像素点在所述第一深度图像中的映射点;
将获得的所述映射点组成的区域确定为所述第一深度图像中与所述第一人脸区域对应的图像区域。
4.如权利要求1所述的方法,其特征在于,所述根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果,包括:
根据所述第二人脸区域对应的深度值将所述第二人脸区域划分为多个器官区域;
若存在满足预设条件的任意两个所述器官区域,则所述初始检测结果表示所述第一RGB图像为平面图像,其中,所述预设条件为两个所述器官区域之间深度值的差值在预设范围内;
若不存在满足所述预设条件的两个所述器官区域,则所述初始检测结果表示所述第一RGB图像不是平面图像。
5.如权利要求1所述的方法,其特征在于,所述根据所述图像集合进行第二次人脸检测,得到最终检测结果,包括:
将所述图像集合中的所述第二RGB图像划分为多个子区域;
统计所述第二RGB图像中每个所述子区域的梯度直方图;
根据所述第二RGB图像中每个所述子区域的梯度直方图判断所述第二RGB图像和预设的参考图像是否相匹配;
若所述第二RGB图像和所述参考图像相匹配,则将所述第二RGB图像确定为目标图像;
根据所述图像集合中所述目标图像的数量确定最终检测结果。
6.如权利要求5所述的方法,其特征在于,所述根据所述第二RGB图像中每个所述子区域的梯度直方图判断所述第二RGB图像和预设的参考图像是否相匹配,包括:
若第一子区域和第二子区域的梯度直方图一致,则将所述第一子区域确定为目标子区域,其中,所述第一子区域为所述第二RGB图像中的任意一个子区域,所述第二子区域为所述参考图像中与所述第一子区域对应的子区域;
统计所述第二RGB图像中所述目标子区域的个数;
若所述第二RGB图像中所述目标子区域的个数与所述第二RGB图像中子区域的总个数之比大于预设比值,则判定所述第二RGB图像和所述参考图像相匹配。
7.如权利要求5所述的方法,其特征在于,所述根据所述图像集合中所述目标图像的数量确定最终检测结果,包括:
若所述图像集合中所述目标图像的数量与所述图像集合中第二RGB图像的总数的比值大于预设比值,则所述最终检测结果表示检测通过;
若所述图像集合中所述目标图像的数量与所述图像集合中第二RGB图像的总数的比值小于或等于预设比值,则所述最终检测结果表示检测未通过。
8.如权利要求3所述的方法,其特征在于,在获取所述第一深度图像中的第二人脸区域对应的深度值之前,所述方法还包括:
获取目标对象的第二深度图像和第三RGB图像;
分别统计所述第二深度图像和所述第三RGB图像的梯度图;
搜索与第三子区域匹配的第四子区域,其中,所述第三子区域为所述第二深度图像的梯度图中的任意一个子区域,所述第四区域为所述第三RGB图像的梯度图中的子区域;
根据所述第三子区域的中心点和所述第四子区域的中心点计算所述映射系数。
9.一种基于人工智能的人脸检测装置,其特征在于,所述装置包括:
第一获取单元,用于获取待检测人脸的第一深度图像和第一RGB图像;
区域检测单元,用于检测所述第一RGB图像中的第一人脸区域;
深度获取单元,用于获取所述第一深度图像中的第二人脸区域对应的深度值,所述第二人脸区域为与所述第一人脸区域对应的图像区域;
初始检测单元,用于根据所述第二人脸区域对应的深度值进行第一次人脸检测,得到初始检测结果;
第二获取单元,用于若所述初始检测结果表示所述第一RGB图像不是平面照片,则获取图像集合,所述图像集合中包括在预设时间内拍摄的所述待检测人脸的多张第二RGB图像;
最终检测单元,用于根据所述图像集合进行第二次人脸检测,得到最终检测结果。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质,所述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8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017172.6A CN113688768A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的人脸检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017172.6A CN113688768A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的人脸检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688768A true CN113688768A (zh) | 2021-11-23 |
Family
ID=78585062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017172.6A Pending CN113688768A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的人脸检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688768A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832677A (zh) * | 2017-10-19 | 2018-03-23 | 深圳奥比中光科技有限公司 | 基于活体检测的人脸识别方法及系统 |
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN110298230A (zh) * | 2019-05-06 | 2019-10-01 | 深圳市华付信息技术有限公司 | 静默活体检测方法、装置、计算机设备及存储介质 |
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 |
CN111046703A (zh) * | 2018-10-12 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 人脸防伪检测方法、装置及多目相机 |
CN112150692A (zh) * | 2020-10-14 | 2020-12-29 | 吴喜庆 | 一种基于人工智能的门禁控制方法及系统 |
CN112580434A (zh) * | 2020-11-25 | 2021-03-30 | 奥比中光科技集团股份有限公司 | 一种基于深度相机的人脸误检优化方法、系统及人脸检测设备 |
-
2021
- 2021-08-31 CN CN202111017172.6A patent/CN113688768A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832677A (zh) * | 2017-10-19 | 2018-03-23 | 深圳奥比中光科技有限公司 | 基于活体检测的人脸识别方法及系统 |
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN111046703A (zh) * | 2018-10-12 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 人脸防伪检测方法、装置及多目相机 |
CN110298230A (zh) * | 2019-05-06 | 2019-10-01 | 深圳市华付信息技术有限公司 | 静默活体检测方法、装置、计算机设备及存储介质 |
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 |
CN112150692A (zh) * | 2020-10-14 | 2020-12-29 | 吴喜庆 | 一种基于人工智能的门禁控制方法及系统 |
CN112580434A (zh) * | 2020-11-25 | 2021-03-30 | 奥比中光科技集团股份有限公司 | 一种基于深度相机的人脸误检优化方法、系统及人脸检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020228389A1 (zh) | 一种创建脸部模型的方法、装置、电子设备及计算机可读存储介质 | |
CN110675487B (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
CN110473232B (zh) | 图像识别方法、装置、存储介质及电子设备 | |
CN108875524B (zh) | 视线估计方法、装置、系统和存储介质 | |
Ruan et al. | Multi-correlation filters with triangle-structure constraints for object tracking | |
WO2022156640A1 (zh) | 一种图像的视线矫正方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
RU2617557C1 (ru) | Способ воздействия на виртуальные объекты дополненной реальности | |
CN109934065B (zh) | 一种用于手势识别的方法和装置 | |
CN107463865B (zh) | 人脸检测模型训练方法、人脸检测方法及装置 | |
CN110705478A (zh) | 人脸跟踪方法、装置、设备及存储介质 | |
CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
CN112036339B (zh) | 人脸检测的方法、装置和电子设备 | |
CN111277759B (zh) | 构图提示方法、装置、存储介质及电子设备 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
Kerdvibulvech | A methodology for hand and finger motion analysis using adaptive probabilistic models | |
CN112418153B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN111460910A (zh) | 人脸脸型的分类方法、装置、终端设备及存储介质 | |
CN113902932A (zh) | 特征提取方法、视觉定位方法及装置、介质和电子设备 | |
CN110929583A (zh) | 一种高检测精度人脸识别方法 | |
CN113688768A (zh) | 基于人工智能的人脸检测方法、装置、设备及介质 | |
CN115861515A (zh) | 一种三维人脸重建方法、计算机程序产品及电子设备 | |
CN114998743A (zh) | 一种视觉地图点的构建方法、装置、设备及介质 | |
CN115994944A (zh) | 三维关键点预测方法、训练方法及相关设备 | |
CN113724176A (zh) | 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质 |
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 |