CN113822927B - 一种适用弱质量图像的人脸检测方法、装置、介质及设备 - Google Patents
一种适用弱质量图像的人脸检测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN113822927B CN113822927B CN202111106439.9A CN202111106439A CN113822927B CN 113822927 B CN113822927 B CN 113822927B CN 202111106439 A CN202111106439 A CN 202111106439A CN 113822927 B CN113822927 B CN 113822927B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- face detection
- information
- calculating
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 17
- 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 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000029152 Small face Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别技术领域,特别涉及一种适用弱质量图像的人脸检测方法、装置、介质及设备,包括图像采集步骤,用户通过拍摄或上传本地照片将图像输入人脸检测模型;图像处理步骤,对图像进行增强处理;人脸确定步骤,对图像人脸进行检测,通过计算人脸面积中心信息的最大值来获取目标人脸以确定唯一人脸;人脸校正步骤,获取目标人脸的特征点坐标,再根据特征点对原图像进行仿射变化,获得人脸校正图像;人脸识别步骤,对人脸校正图像进行识别。本发明通过图像处理、人脸确定、人脸校正的处理过程,能够有效提高图像的质量,从而提高人脸检测能力,使得大概率上用户无需重新拍摄上传图像,极大提高了用户操作的成功率和效率。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种适用弱质量图像的人脸检测方法、装置、介质及设备。
背景技术
近年来,随着计算机技术的迅速发展,人脸自动识别技术得到广泛研究与开发,它是基于人的脸部特征信息进行身份识别的一种生物识别技术,通过采用摄像机或摄像头采集含有人脸的图像或视频流,自动对人脸图像进行处理识别的过程。然而在人脸检测/人脸识别的业务场景中,会出现受到周围环境的影响或者用户上传的照片质量问题导致无法检测出人脸的情况。对此,现有系统往往是要求用户换一个环境或者重新上传照片来解决此问题,但通过调查发现用户处在特定的环境下,即使调整位置和角度还是无法检测出人脸,除非进行大范围的位置移动与环境变换,而这极大降低了用户体验。例如在上传证件照时无法现场拍摄,只能从现有的图片上传,有可能拍摄一张纸质照片或者拍摄一张电子屏幕照片,这就导致上传的照片质量很差。
因此,现有技术在采用人脸检测/识别系统采集人脸照片,通过算法进行人脸检测,遇到因图片质量问题检测不到人脸时,多数处理方式为返回重新拍摄/上传的信息,或者是直接在采集人脸时通过硬件设备进行补光。这些方式在一定程度上改善了人脸检测的能力,但其操作繁琐,甚至出现重复多次操作的情况,为用户带来了极大的不便。
发明内容
为解决上述现有技术中弱质量或弱环境下图像无法有效识别人脸的不足,本发明提供一种适用于弱质量图像的人脸检测方法,包括:图像采集步骤,用户通过摄像头现场拍摄或上传本地照片将图像输入给人脸检测模型;图像处理步骤,人脸检测模型对图像进行增强处理;人脸确定步骤,人脸检测模型对图像中的人脸进行检测,通过计算人脸面积中心信息的最大值来获取目标人脸,以确定唯一的人脸;人脸校正步骤,人脸检测模型获取目标人脸的特征点坐标,并提取所需的特征点,再根据特征点对原图像进行仿射变化,通过人脸对齐裁剪,获得相应的人脸校正图像;人脸识别步骤,对获得的人脸校正图像进行系统识别。
在一实施例中,基于retinaface原理在mobilenet实现的深度模型人脸检测器。
在一实施例中,图像采集步骤中,还包括设置一个置信度较高的阈值;当图像超过该阈值时,可直接进入人脸识别步骤进行系统识别;当图像未超过该阈值时,需要进入图像处理步骤进行图像处理。
在一实施例中,图像处理步骤中,所述增强处理包括对图像进行缩放、高斯滤波处理、对比度改变以及锐化处理中至少一种或多种。
在一实施例中,所述对比度改变包括并行计算图像对比度提高为2倍以及降低为0.5倍时的对比置信度,提取置信度更高的图像作为对比度改变的最终结果。
在一实施例中,人脸确定步骤中,通过计算人脸面积中心信息的最大值来确定目标人脸的具体步骤如下:
(1)计算人脸中心偏移图像中心的偏移量信息
偏移量信息=人脸中心与图像中心的欧氏距离的平方;
(2)计算人脸面积信息
人脸面积信息=人脸矩形框的面积;
(3)计算人脸的面积中心信息
人脸的面积中心信息=人脸面积信息-偏移量信息;
(4)筛选出所需的目标人脸
通过人脸的面积中心信息排序,最大值为目标人脸。
在一实施例中,人脸校正步骤中,所需的特征点包括左眼、右眼、鼻尖、左嘴角、右嘴角。
本发明还一种适用于弱质量图像的人脸检测装置,包括:图像采集模块,用户通过摄像头现场拍摄或上传本地照片将图像输入给人脸检测模型;图像处理模块,用于人脸检测模型对图像进行增强处理;人脸确定模块,用于人脸检测模型对图像中的人脸进行检测,通过计算人脸面积中心信息的最大值来获取目标人脸,以确定唯一的人脸;人脸校正模块,用于对人脸检测模型获取目标人脸的特征点坐标,并提取所需的特征点,再根据特征点对原图像进行仿射变化,通过人脸对齐裁剪,获得相应的人脸校正图像;人脸识别模块,用于对获得的人脸校正图像进行系统识别。
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存储有计算机指令,所述计算机被处理器执行时实现如上所述的适用于弱质量图像的人脸检测方法。
本发明还提供一种电子设备,包括至少一个处理器、及与所述处理器通信连接的存储器,其中所述存储器存储可被至少一个处理器执行的指令,所述指令被至少一个处理器执行,以使所述处理器执行如上所述的适用于弱质量图像的人脸检测方法。
基于上述,与现有技术相比,本发明提供的一种适用于弱质量图像的人脸检测方法通过图像处理、人脸确定、人脸校正的处理过程,能够有效提高图像的质量,从而提高人脸检测能力,使得大概率上用户无需重新拍摄上传图像,极大提高了用户操作的成功率和效率。
本发明的其它特征和有益效果将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他有益效果可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;在下面描述中附图所述的位置关系,若无特别指明,皆是图示中组件绘示的方向为基准。
图1为本发明提供的适用于弱质量图像的人脸检测方法的步骤图;
图2为目标人脸识别出的特征点示意图;
图3为根据112*112图像尺寸统计获得的特征点坐标表格;
图4为本发明提供的适用于弱质量图像的人脸检测方法中一实施例的流程图;
图5为经普通处理以及经本发明提供的人脸检测方法处理的图像识别特征点的对比效果图
图6为经普通处理以及经本发明提供的人脸检测方法处理的图像识别特征点的另一对比效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例;下面所描述的本发明不同实施方式中所设计的技术特征只要彼此之间未构成冲突就可以相互结合;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
在本发明的描述中,需要说明的是,本发明所使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域的普通技术人员通常所理解的含义相同的含义,不能理解为对本发明的限制;应进一步理解,本发明所使用的术语应被理解为具有与这些术语在本说明书的上下文和相关领域中的含义一致的含义,并且不应以理想化或过于正式的意义来理解,除本发明中明确如此定义之外。
本发明针对弱质量或弱环境下的图像无法检测出人脸的情况提出了一种在人脸检测算法中提高图像质量从而提高人脸检测能力的方法。
请参阅图1,为本发明提供一种适用于弱质量图像的人脸检测方法的步骤图,包括图像采集步骤,用户通过摄像头现场拍摄或上传本地照片将图像输入给人脸检测模型。
具体实施时,用户通过摄像头现场拍摄或上传本地照片进行图像尺寸输入时,可按照高度尺寸的800倍数取整进行缩放后再传输给人脸检测模型,通过该缩放方式可加速网络的向前传播速度,从而提高人脸检测的效率。较佳地,人脸检测模型优选为CNN模型中由retinaface算法原理建立的mobilenet模型,将海量具有人脸的图像喂入搭建的mobilenet模型中进行训练和测试,从而获得最优识别模型。
作为一种优选方案,图像采集步骤中,还包括设置一个置信度高的阈值,较佳地,所述阈值设置为0.88;该阈值用于区分置信度高的人脸图像和置信度低的人脸图像,即区分高质量人脸图像和弱质量人脸图像;当图像超过该阈值(即高质量人脸图像)时,可直接传入人脸检测模型进入人脸识别步骤进行系统识别;当图像未超过该阈值(即弱质量人脸图像)时,需要进入图像处理步骤进行图像处理,图像处理后将再次传入人脸检测模型再次进行检测,若超过该阈值,则进入人脸识别步骤进行系统识别。
图像处理步骤,人脸检测模型对图像进行增强处理。
具体实施时,人脸检测模型对图像进行增强处理主要包括对图像进行缩放、高斯滤波处理、对比度改变以及锐化处理中至少一种或多种。较佳地,对图像进行缩放的倍数为0.5倍,通过缩放能够提高图像的分辨率,使得图像在同尺寸下包含的像素点更多,即像素更密集,图像更清晰,图像中的人脸信息更集中,从而提高后续图像处理中的图像处理精度和效率。
进一步地,由于拍摄或上传的图像常含有各种噪声,最常见的是高斯噪声,因此对图像进行高斯噪声处理是采用像素邻域的加权均值来代替改点的像素值,实质为各像素通过一高斯函数进行卷积运算,从而实现平滑滤波。而高斯函数的傅里叶变换的单瓣使得平滑图像不会被不需要的高频信号所污染,同时保留了大部分所需信号,即人脸信息。因此,进行高斯滤波处理后的图像能够有效去除噪声点,尤其对具有摩尔纹图像人脸检测失效有很好的效果。
作为一种优选方案,在进行对比度改变时,图像对比度并非越高越好,需要根据原图信息进行评估,因此,对图像进行对比度改变时需要并行计算图像对比度提高为2倍以及降低为0.5倍时的对比置信度,通过提取置信度更高的图像来作为对比度改变的最终结果,从而达到有效增强图像的目的。
进一步地,为了提高人脸轮廓特征,需要对图像进行锐化处理,较佳地,图像锐化值优选为2.0。
应当说明的是,对图像进行增强处理,并不局限于缩放、高斯滤波、对比度改变、锐化处理的方式,还可包括亮度调节、对比度调节、伽马变换、投影变换、仿射变换以及其他去除噪声点的方式,如中值滤波、均值滤波等方式。
人脸确定步骤,人脸检测模型对图像中的人脸进行识别,通过计算人脸面积中心信息的最大值来获取目标人脸,以确定唯一的人脸。
具体实施时,由于用户在采用摄像头拍摄过程中某些图像会存在多张人脸的情况,这就导致无法检测到唯一需要的一张人脸信息。如果仅从置信度取最大值来确定人脸,则会存在置信度都非常大、相差很小而导致误选的问题。因此为了避免误选的问题发生,需要对图像进行人脸确定步骤,其中通过计算人脸面积中心信息的最大值来确定目标人脸的具体步骤如下:
(1)计算人脸中心偏移图像中心的偏移量信息
偏移量信息=人脸中心与图像中心的欧氏距离的平方;
(2)计算人脸面积信息
人脸面积信息=人脸矩形框的面积;
(3)计算人脸面积中心信息
人脸面积中心信息=人脸面积信息-偏移量信息;
(4)筛选出所需的目标人脸
通过人脸面积中心信息排序,最大值为目标人脸。
通过上述方式的计算能够确定唯一的目标人脸信息,有效避免因图像中人脸多个而误选的问题,从而提高人脸检测的容错率。
人脸校正步骤,人脸检测模型获取目标人脸的特征点坐标,并提取所需的特征点,再根据特征点对原图像进行仿射变化,通过人脸对齐裁剪,获得相应的人脸校正图像;人脸识别步骤,对获得的人脸校正图像进行系统识别。
具体实施时,根据人脸确定步骤中获得的目标人脸,提取出所需的人脸特征点,所述人脸特征点包括左眼、右眼、鼻尖、左嘴角、右嘴角,如图2所示,白点为目标人脸的所需特征点;并且根据人脸识别网络的输入要求,输入图像尺寸要求为112*112。因此根据大量的112x112尺寸的人脸照片的特征点统计出如图3表格中所示的特征点坐标值。根据该特征点坐标值对原图进行仿射变化,通过人脸对齐裁剪,获得尺寸为112*112的人脸校正图像。
最后进行人脸识别步骤,对获得的人脸校正图像进行系统识别。将该人脸检测方法应用于人脸识别闸机、医疗系统身份认证、社保系统身份认证等人脸检测或识别的业务场景中,做进一步地系统识别。
综上,作为一种优选方案,为了能够节约算力,如图4所示为整个人脸检测方法的流程图,工作流程总结为:在对图像进行采集后,当模型能够检测出人脸(即图像置信度高于0.88)时,则直接进行人脸识别步骤并输出结果;当模型无法检测出人脸(即图像置信度低于0.88)时,将进入图像处理步骤;模型对图像进行缩放、高斯滤波处理后,若能够检测出人脸(置信度高于0.88),则进行人脸识别步骤并输出结果;若模型仍无法检测出人脸(图像置信度低于0.88),则需要对图像进行对比度改变处理,通过并行计算对比度降低0.5和对比度提高2的置信度并比较大小,取置信度较大者作为图像对比度改变结果,若该结果能够使模型检测到人脸,则进入人脸识别步骤并输出结果;若该结果无法使模型检测到人脸,则进入锐化处理,通过调节锐化度为2的方式来加强人脸轮廓,提高置信度,进而在模型检测到人脸后进入人脸识别步骤并输出结果。
如图5、6所示,左图为原来人脸检测识别的特征点,右图为采用本发明的人脸检测方法得到的特征点,其中白框为人脸框,白点为特征点。图像经过上述处理后,其结果相对于原图检测,其特征点已接近真实特征点附近,且人脸框包含了人脸大多数特征。可见,通过图像处理,提高了人脸特征点定位的准确性,进而提高了人脸对比的准确性。
经过实际检验,本发明提供的人脸检测方法对小脸与黑暗环境下检测能力表现很好。在基于mobilenet模型只有1.7M,采用GPU硬件支持与TensorRT/CV_DNN引擎推理加速,其单张480*640图像在Tesla V100(16G)上的检测速度只需50ms,对于图像处理过程的效率很高,为用户带来了极大的便利。而在对质量差的图片,如拍摄纸质图片、拍摄电子图片、泛黄图片、曝光度过大图片的人脸检测上,通过加入本发明的图像处理增强过程后,其检测能力大幅度提高。
本发明还提供一种适用于弱质量图像的人脸检测装置,包括:图像采集模块、图像处理模块、人脸确定模块、人脸校正模块、人脸识别模块,上述图像采集模块、图像处理模块、人脸确定模块、人脸校正模块、人脸识别模块可以实现上述实施例中所述的适用于弱质量图像的人脸检测方法。
具体实施时,图像采集模块,用于用户通过摄像头现场拍摄或上传本地照片将图像输入给人脸检测模型;图像处理模块,用于人脸检测模型对图像进行增强处理;人脸确定模块,用于人脸检测模型对图像中的人脸进行检测,通过计算人脸面积中心信息的最大值来获取目标人脸,以确定唯一的人脸;人脸校正模块,用于对人脸检测模型获取目标人脸的特征点坐标,并提取所需的特征点,再根据特征点对原图像进行仿射变化,通过人脸对齐裁剪,获得相应的人脸校正图像;人脸识别模块,用于对获得的人脸校正图像进行系统识别。
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存储有计算机指令,所述计算机被处理器执行时实现如上任一项所述的适用于弱质量图像的人脸检测方法。
具体实施时,计算机可读存储介质为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;计算机可读存储介质还可以包括上述种类的存储器的组合。
本发明还提供一种电子设备,该电子设备包括至少一个处理器、及与所述处理器通信连接的存储器,其中所述存储器存储可被至少一个处理器执行的指令,所述指令被至少一个处理器执行,以使所述处理器执行如上所述的适用于弱质量图像的人脸检测方法。
具体实施时,处理器的数量可以是一个或多个,处理器可以为中央处理器,(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(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、分立硬件组件等芯片,或者上述各类芯片的组合。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。
存储器与处理器可以通过总线或其他方式通信连接,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使处理器执行如上实施例中任一项所述的适用于弱质量图像的人脸检测方法。
综上所述,与现有技术相比,本发明提供的一种适用于弱质量图像的人脸检测方法、装置、介质及设备,通过图像采集步骤、图像处理步骤、人脸确定步骤、人脸校正步骤和人脸识别步骤来解决对于弱质量或弱环境下人脸检测失败的问题,能够有效提高图像的质量,从而提高人脸检测能力,使得大概率上用户无需重新拍摄上传图像,极大提高了用户操作的成功率和效率。
另外,本领域技术人员应当理解,尽管现有技术中存在许多问题,但是,本发明的每个实施例或技术方案可以仅在一个或几个方面进行改进,而不必同时解决现有技术中或者背景技术中列出的全部技术问题。本领域技术人员应当理解,对于一个权利要求中没有提到的内容不应当作为对于该权利要求的限制。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (9)
1.一种适用于弱质量图像的人脸检测方法,其特征在于,包括:
图像采集步骤,用户通过摄像头现场拍摄或上传本地照片将图像输入给人脸检测模型;
图像处理步骤,人脸检测模型对图像进行增强处理;
人脸确定步骤,人脸检测模型对图像中的人脸进行检测,通过计算人脸面积中心信息的最大值来获取目标人脸,以确定唯一的人脸;人脸确定步骤中,通过计算人脸面积中心信息的最大值来确定目标人脸的具体步骤如下:
(1)计算人脸中心偏移图像中心的偏移量信息
偏移量信息=人脸中心与图像中心的欧氏距离的平方;
(2)计算人脸面积信息
人脸面积信息=人脸矩形框的面积;
(3)计算人脸面积中心信息
人脸面积中心信息 = 人脸面积信息-偏移量信息;
(4)筛选出所需的目标人脸
通过人脸面积中心信息排序,最大值为目标人脸;
人脸校正步骤,人脸检测模型获取目标人脸的特征点坐标,并提取所需的特征点,再根据特征点对原图像进行仿射变化,通过人脸对齐裁剪,获得相应的人脸校正图像;
人脸识别步骤,对获得的人脸校正图像进行系统识别。
2.根据权利要求1所述的适用于弱质量图像的人脸检测方法,其特征在于:所述人脸检测模型为基于retinaface原理在mobilenet实现的深度模型人脸检测器。
3.根据权利要求1所述的适用于弱质量图像的人脸检测方法,其特征在于:图像采集步骤中,还包括设置一个置信度较高的阈值;当图像超过该阈值时,可直接进入人脸识别步骤进行系统识别;当图像未超过该阈值时,需要进入图像处理步骤进行图像处理。
4.根据权利要求1所述的适用于弱质量图像的人脸检测方法,其特征在于:图像处理步骤中,所述增强处理包括对图像进行缩放、高斯滤波处理、对比度改变以及锐化处理中至少一种或多种。
5.根据权利要求4所述的适用于弱质量图像的人脸检测方法,其特征在于:所述对比度改变包括并行计算图像对比度提高为2倍以及降低为0.5倍时的对比置信度,提取置信度更高的图像作为对比度改变的最终结果。
6.根据权利要求1所述的适用于弱质量图像的人脸检测方法,其特征在于:人脸校正步骤中,所需的特征点包括左眼、右眼、鼻尖、左嘴角、右嘴角。
7.一种适用于弱质量图像的人脸检测装置,其特征在于,包括:
图像采集模块,用户通过摄像头现场拍摄或上传本地照片将图像输入给人脸检测模型;
图像处理模块,用于人脸检测模型对图像进行增强处理;
人脸确定模块,用于人脸检测模型对图像中的人脸进行检测,通过计算人脸面积中心信息的最大值来获取目标人脸,以确定唯一的人脸;通过计算人脸面积中心信息的最大值来确定目标人脸的具体公式如下:
(1)计算人脸中心偏移图像中心的偏移量信息
偏移量信息=人脸中心与图像中心的欧氏距离的平方;
(2)计算人脸面积信息
人脸面积信息=人脸矩形框的面积;
(3)计算人脸面积中心信息
人脸面积中心信息 = 人脸面积信息-偏移量信息;
(4)筛选出所需的目标人脸
通过人脸面积中心信息排序,最大值为目标人脸;
人脸校正模块,用于对人脸检测模型获取目标人脸的特征点坐标,并提取所需的特征点,再根据特征点对原图像进行仿射变化,通过人脸对齐裁剪,获得相应的人脸校正图像;
人脸识别模块,用于对获得的人脸校正图像进行系统识别。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机指令,所述计算机被处理器执行时实 现如权利要求1-6任一项所述的适用于弱质量图像的人脸检测方法。
9.一种电子设备,其特征在于:包括至少一个处理器、及与所述处理器通信连接的存储器,其中所述存储器存储可被至少一个处理器执行的指令,所述指令被至少一个处理器执行,以使所述处理器执行如权利要求1-6任一项所述的适用于弱质量图像的人脸检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111106439.9A CN113822927B (zh) | 2021-09-22 | 2021-09-22 | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111106439.9A CN113822927B (zh) | 2021-09-22 | 2021-09-22 | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822927A CN113822927A (zh) | 2021-12-21 |
CN113822927B true CN113822927B (zh) | 2024-01-23 |
Family
ID=78915037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111106439.9A Active CN113822927B (zh) | 2021-09-22 | 2021-09-22 | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822927B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677255A (zh) * | 2022-03-17 | 2022-06-28 | 北京中交兴路信息科技有限公司 | 一种货车图片中车身识别方法、装置、存储介质及终端 |
CN114399622A (zh) * | 2022-03-23 | 2022-04-26 | 荣耀终端有限公司 | 图像处理方法和相关装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145734A (zh) * | 2018-07-17 | 2019-01-04 | 深圳市巨龙创视科技有限公司 | 基于4k平台的ipc智能人脸识别抓拍算法 |
CN109344740A (zh) * | 2018-09-12 | 2019-02-15 | 上海了物网络科技有限公司 | 人脸识别系统、方法及计算机可读存储介质 |
CN109614934A (zh) * | 2018-12-12 | 2019-04-12 | 易视腾科技股份有限公司 | 在线教学质量评估参数生成方法及装置 |
CN109740509A (zh) * | 2018-12-29 | 2019-05-10 | 广州二元科技有限公司 | 一种改良的视频人脸检测提升稳定性的方法 |
CN109948397A (zh) * | 2017-12-20 | 2019-06-28 | Tcl集团股份有限公司 | 一种人脸图像校正方法、系统及终端设备 |
CN111274965A (zh) * | 2020-01-20 | 2020-06-12 | 上海眼控科技股份有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN112508863A (zh) * | 2020-11-20 | 2021-03-16 | 华南理工大学 | 一种基于rgb图像和msr图像双通道的目标检测方法 |
CN112749626A (zh) * | 2020-12-10 | 2021-05-04 | 同济大学 | 一种面向dsp平台的快速人脸检测与识别方法 |
CN112800926A (zh) * | 2021-01-23 | 2021-05-14 | 行云智能(深圳)技术有限公司 | 一种人脸检测与识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010082942A1 (en) * | 2008-02-01 | 2010-07-22 | Canfield Scientific, Incorporated | Automatic mask design and registration and feature detection for computer-aided skin analysis |
CN107944427B (zh) * | 2017-12-14 | 2020-11-06 | 厦门市美亚柏科信息股份有限公司 | 动态人脸识别方法及计算机可读存储介质 |
-
2021
- 2021-09-22 CN CN202111106439.9A patent/CN113822927B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948397A (zh) * | 2017-12-20 | 2019-06-28 | Tcl集团股份有限公司 | 一种人脸图像校正方法、系统及终端设备 |
CN109145734A (zh) * | 2018-07-17 | 2019-01-04 | 深圳市巨龙创视科技有限公司 | 基于4k平台的ipc智能人脸识别抓拍算法 |
CN109344740A (zh) * | 2018-09-12 | 2019-02-15 | 上海了物网络科技有限公司 | 人脸识别系统、方法及计算机可读存储介质 |
CN109614934A (zh) * | 2018-12-12 | 2019-04-12 | 易视腾科技股份有限公司 | 在线教学质量评估参数生成方法及装置 |
CN109740509A (zh) * | 2018-12-29 | 2019-05-10 | 广州二元科技有限公司 | 一种改良的视频人脸检测提升稳定性的方法 |
CN111274965A (zh) * | 2020-01-20 | 2020-06-12 | 上海眼控科技股份有限公司 | 人脸识别方法、装置、计算机设备和存储介质 |
CN112508863A (zh) * | 2020-11-20 | 2021-03-16 | 华南理工大学 | 一种基于rgb图像和msr图像双通道的目标检测方法 |
CN112749626A (zh) * | 2020-12-10 | 2021-05-04 | 同济大学 | 一种面向dsp平台的快速人脸检测与识别方法 |
CN112800926A (zh) * | 2021-01-23 | 2021-05-14 | 行云智能(深圳)技术有限公司 | 一种人脸检测与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113822927A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875732B (zh) | 模型训练与实例分割方法、装置和系统及存储介质 | |
EP3757890A1 (en) | Method and device for image processing, method and device for training object detection model | |
CN110334635B (zh) | 主体追踪方法、装置、电子设备和计算机可读存储介质 | |
US8059870B2 (en) | Time-of-flight sensor-assisted iris capture system and method | |
CN113766125B (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
CN113822927B (zh) | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 | |
KR20180109665A (ko) | 객체 검출을 위한 영상 처리 방법 및 장치 | |
EP2252088A1 (en) | Image processing method and system | |
KR20180065889A (ko) | 타겟의 검측 방법 및 장치 | |
US20230056564A1 (en) | Image authenticity detection method and apparatus | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN109064504B (zh) | 图像处理方法、装置和计算机存储介质 | |
US8625922B2 (en) | Image processing method and program for determining whether sabotage has occurred to an image | |
WO2021008205A1 (zh) | 图像处理 | |
CN111079816A (zh) | 图像的审核方法、装置和服务器 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN109948439B (zh) | 一种活体检测方法、系统及终端设备 | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
CN110365897B (zh) | 图像修正方法和装置、电子设备、计算机可读存储介质 | |
CN106791353A (zh) | 自动对焦的方法、装置和系统 | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN114359641A (zh) | 目标对象的检测方法以及相关装置、设备 | |
CN111274851A (zh) | 一种活体检测方法及装置 | |
CN112861588B (zh) | 一种活体检测的方法、装置 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 |
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 |