CN114093007A - 双目摄像头人脸图像异常监测的方法及系统 - Google Patents
双目摄像头人脸图像异常监测的方法及系统 Download PDFInfo
- Publication number
- CN114093007A CN114093007A CN202111431702.1A CN202111431702A CN114093007A CN 114093007 A CN114093007 A CN 114093007A CN 202111431702 A CN202111431702 A CN 202111431702A CN 114093007 A CN114093007 A CN 114093007A
- Authority
- CN
- China
- Prior art keywords
- face
- score
- face image
- coordinate information
- preset
- 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
Images
Abstract
本发明涉及一种双目摄像头人脸图像异常监测的方法及系统，该方法包括如下步骤：利用双目摄像头获取人脸图像RGB数据；基于所获取的人脸图像RGB数据获得左眼坐标信息、右眼坐标信息以及鼻子坐标信息；利用公式计算人脸瞳距信息；对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若所述人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若所述人脸瞳距信息在预设瞳距范围内则判断结果为合格。本发明的监测方法在对人脸瞳距进行计算时，增加了针对偏航角的修正因子，减少了瞳距估计结果对角度的敏感度，从而提高了瞳距估计的稳定性，进而使得监测结果更加可信。
Description
技术领域
本发明涉及信息通信工程领域，特指一种双目摄像头人脸图像异常监测的方法及系统。
背景技术
人脸识别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。人脸识别利用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸图像进行一系列的相关应用操作。
人脸识别系统在对人脸图像进行检测之前，会先对人脸图像进行异常状态的监测，若获取的人脸图像存在异常则放弃对人脸图像的检测，提示用户做出交互行为，再次获得新的人脸图像。现有的异常监测有人脸瞳距监测，若人脸瞳距不在预设范围内则认为是发生图像异常。而现有人脸瞳距计算方法是根据关键点来进行计算的，其未考虑姿态角的影响，而当姿态角较大时，瞳距估计结果不可信，从而导致监测结果出现错误。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种双目摄像头人脸图像异常监测的方法及系统，解决现有的人脸瞳距计算方法存在的结果不可信进而导致监测结果出现错误的问题。
实现上述目的的技术方案是：
本发明提供了一种双目摄像头人脸图像异常监测的方法，包括如下步骤：
利用双目摄像头获取人脸图像RGB数据；
基于所获取的人脸图像RGB数据获得左眼坐标信息、右眼坐标信息以及鼻子坐标信息；
利用如下公式计算人脸瞳距信息：
Dist1＝sqrt((e_x1-e_x2)^2+(e_y1-e_y2)^2)，
Dist2＝2*Dist1/(1+α)，
α＝exp(-s*|n_x-(e_x1+e_x2)/2|/(e_x2-e_x1)),
其中，Dist1表示左眼中心与右眼中心之间的像素值，Dist2表示人脸瞳距信息，e_x1和e_y1表示左眼坐标信息，e_x2和e_y2表示右眼坐标信息，α表示瞳距修正因子，s>0，表示修正系数，n_x表示鼻子坐标信息中的x轴的坐标值；
对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若所述人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若所述人脸瞳距信息在预设瞳距范围内则判断结果为合格。
本发明的监测方法在对人脸瞳距进行计算时，增加了针对偏航角的修正因子，减少了瞳距估计结果对角度的敏感度，从而提高了瞳距估计的稳定性，进而使得监测结果更加可信。
本发明双目摄像头人脸图像异常监测的方法的进一步改进在于，还包括：
基于所获取的人脸图像RGB数据获得左嘴角坐标信息和右嘴角坐标信息；
利用如下公式计算人脸角度：
score_x＝abs(n_x-e_x1)/(e_x2-e_x1)；
score_y＝abs(n_y-e_y)/(m_y-e_y)；
e_y＝(e_y1+e_y2)/2；
m_y＝(m_y1+m_y2)/2；
其中，score_x表示人脸在水平方向上的旋转偏移度，score_y表示人脸在垂直方向上的旋转偏移度，n_x和n_y表示鼻子坐标信息，e_y表示左右眼睛纵坐标的中心，m_y表示左右嘴角纵坐标的中心，m_y1表示左嘴角坐标信息中的y轴的坐标值，m_y2表示右嘴角坐标信息中的y轴的坐标值；
对计算得到的人脸角度score_x和score_y与预设角度范围进行比较判断，若超出预设角度范围则判断结果为不合格，若在预设角度范围内则判断结果为合格。
本发明双目摄像头人脸图像异常监测的方法的进一步改进在于，在利用双目摄像头获取人脸图像RGB数据的同时，获取人脸图像红外数据；
将所述人脸图像RGB数据和所述人脸图像红外数据送入孪生网络模型中，得到相似度分数；
对所得到的相似度分数与预设分数值进行比较判断，若超出预设分数值则判断结果为不合格，若在预设分数值内则判断结果为合格。
本发明双目摄像头人脸图像异常监测的方法的进一步改进在于，在判断结果为不合格时，返回交互提示信息。
本发明双目摄像头人脸图像异常监测的方法的进一步改进在于，所述预设瞳距范围根据所述双目摄像头的分辨率设定。
本发明还提供了一种双目摄像头人脸图像异常监测的系统，包括：
图像采集单元，与双目摄像头连接，用于利用双目摄像头获取人脸图像RGB数据；
关键点检测单元，与所述图像采集单元连接，用于从所述人脸图像RGB图像中获取左眼坐标信息、右眼坐标信息以及鼻子坐标信息；
人脸瞳距计算单元，与所述关键点检测单元连接，用于利用如下公式计算人脸瞳距信息：
Dist1＝sqrt((e_x1-e_x2)^2+(e_y1-e_y2)^2)，
Dist2＝2*Dist1/(1+α)，
α＝exp(-s*|n_x-(e_x1+e_x2)/2|/(e_x2-e_x1)),
其中，Dist1表示左眼中心与右眼中心之间的像素值，Dist2表示人脸瞳距信息，e_x1和e_y1表示左眼坐标信息，e_x2和e_y2表示右眼坐标信息，α表示瞳距修正因子，s>0，表示修正系数，n_x表示鼻子坐标信息中的x轴的坐标值；
处理单元，与所述图像采集单元、所述关键点检测单元以及所述人脸瞳距计算单元连接，用于对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若所述人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若所述人脸瞳距信息在预设瞳距范围内则判断结果为合格。
本发明双目摄像头人脸图像异常监测的系统的进一步改进在于，还包括与所述关键点检测单元和所述处理单元连接的人脸角度计算单元；
所述关键点检测单元还用于基于所述人脸图像RGB数据获得左嘴角坐标信息和右嘴角坐标信息；
所述人脸角度计算单元用于利用如下公式计算人脸角度：
score_x＝abs(n_x-e_x1)/(e_x2-e_x1)；
score_y＝abs(n_y-e_y)/(m_y-e_y)；
e_y＝(e_y1+e_y2)/2；
m_y＝(m_y1+m_y2)/2；
其中，score_x表示人脸在水平方向上的旋转偏移度，score_y表示人脸在垂直方向上的旋转偏移度，n_x和n_y表示鼻子坐标信息，e_y表示左右眼睛纵坐标的中心，m_y表示左右嘴角纵坐标的中心，m_y1表示左嘴角坐标信息中的y轴的坐标值，m_y2表示右嘴角坐标信息中的y轴的坐标值；
所述处理单元还用于对计算得到的人脸角度score_x和score_y与预设角度范围进行比较判断，若超出预设角度范围则判断结果为不合格，若在预设角度范围内则判断结果为合格。
本发明双目摄像头人脸图像异常监测的系统的进一步改进在于，还包括孪生网络模型；
所述处理单元与所述孪生网络模型连接；
所述图像采集单元在获取人脸图像RGB数据的同时获取人脸图像红外数据；
所述处理单元还用于将所述人脸图像RGB数据和所述人脸图像红外数据送入所述孪生网络模型中得到相似度分数，进而对所得到的相似度分数与预设分数值进行比较判断，若大于等于预设分数值则判断结果为合格，否则为不合格。
本发明双目摄像头人脸图像异常监测的系统的进一步改进在于，所述处理单元在判断结果为不合格时，返回交互提示信息。
本发明双目摄像头人脸图像异常监测的系统的进一步改进在于，所述预设瞳距范围根据所述双目摄像头的分辨率设定。
附图说明
图1为本发明双目摄像头人脸图像异常监测的方法的流程图。
图2为本发明双目摄像头人脸图像异常监测的系统的系统图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
参阅图1，本发明提供了一种双目摄像头人脸图像异常监测的方法及系统，用于改进现有的人脸瞳距计算方法，解决现有人脸瞳距计算存在结果不可信导致监测结果出现错误的问题。本发的监测的方法及系统通过增加针对偏航角的修正因子，减少了瞳距估计结果对角度的敏感度，提高了瞳距估计的稳定性，进而使得监测结果更加可信。下面结合附图对本发明双目摄像头人脸图像异常监测的方法及系统进行说明。
参阅图2，显示了本发明双目摄像头人脸图像异常监测的系统的系统图。下面结合图2，对本发明双目摄像头人脸图像异常监测的系统进行说明。
如图2所示，本发明的双目摄像头人脸图像异常监测的系统包括图像采集单元21、关键点检测单元22、人脸瞳距计算单元23以及处理单元24，图像采集单元21与双目摄像头连接，关键点检测单元22与图像采集单元21连接，人脸瞳距计算单元23与关键点检测单元22连接，处理单元24与图像采集单元21、关键点检测单元22以及人脸瞳距计算单元23均连接。图像采集单元21用于利用双目摄像头获取人脸图像RGB数据；关键点检测单元用于从人脸图像RGB数据中获取左眼坐标信息、右眼坐标信息以及鼻子坐标信息，其中所获取的左眼坐标信息为左眼中心的坐标信息，右眼坐标信息为右眼中心的坐标信息，鼻子坐标信息为鼻子中心的坐标信息。人脸瞳距计算单元用于利用如下公式计算人脸瞳距信息：
Dist1＝sqrt((e_x1-e_x2)^2+(e_y1-e_y2)^2)，
Dist2＝2*Dist1/(1+α)，
α＝exp(-s*|n_x-(e_x1+e_x2)/2|/(e_x2-e_x1)),
其中，Dist1表示左眼中心与右眼中心之间的像素值(表示当前图片状态下的瞳距)，Dist2表示人脸瞳距信息，e_x1和e_y1表示左眼坐标信息，e_x2和e_y2表示右眼坐标信息，α表示瞳距修正因子，s>0，表示修正系数，n_x表示鼻子坐标信息中的x轴的坐标值；n_x和n_y表示鼻子坐标信息，sqrt是指开方运算，s的经验值为2，α的取值在0至1之间(包括端值)。
处理单元24，用于对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若人脸瞳距信息在预设瞳距范围内则判断结果为合格。
进一步地，处理单元24在判断结果为不合格时，返回交互提示信息。表示人脸瞳距不在预设瞳距范围内，人脸图像监测到异常，提醒用户执行相应的交互动作，以从新获取人脸图像。
再进一步地，预设瞳距范围根据双目摄像头的分辨率设定，具体地，在摄像头的分辨率为640*480时，预设瞳距范围在20至180之间。20为最小瞳距限值，180为最大瞳距限值，最大瞳距限值和最小瞳距限值的设定可根据图像的分辨率进行选择。在对人脸瞳距信息进行判断时，判断人脸瞳距信息是否大于等于20小于等于180，若是，则判断结果为合格，人脸图像可进入下一步，进行人脸识别，若否则判断结构为不合格。
在本发明的一种具体实施方式中，本发明的监测的系统还包括与关键点检测单元22和处理单元24连接的人脸角度计算单元；
关键点检测单元22还用于基于人脸图像RGB数据获得左嘴角坐标信息和右嘴角坐标信息；m_x1和m_y1表示左嘴角坐标信息，m_x2和m_y2表示右嘴角坐标信息；
人脸角度计算单元用于利用如下公式计算人脸角度：
score_x＝abs(n_x-e_x1)/(e_x2-e_x1)；
score_y＝abs(n_y-e_y)/(m_y-e_y)；
e_y＝(e_y1+e_y2)/2；
m_y＝(m_y1+m_y2)/2；
其中，score_x表示人脸在水平方向上的旋转偏移度，score_y表示人脸在垂直方向上的旋转偏移度，n_x和n_y表示鼻子坐标信息，e_y表示左右眼睛纵坐标的中心，m_y表示左右嘴角纵坐标的中心，m_y1表示左嘴角坐标信息中的y轴的坐标值，m_y2表示右嘴角坐标信息中的y轴的坐标值；abs表示取绝对值；
处理单元24还用于对计算得到的人脸角度score_x和score_y与预设角度范围进行比较判断，若超出预设角度范围则判断结果为不合格，若在预设角度范围内则判断结果为合格。
本发明在人脸瞳距信息计算和判断的基础上，增加了人脸角度的判断，通过人脸角度的判断来进一步的提高图像异常的监测准确率，将偏转角度大的人脸图像排除，在人脸角度判断为不合格时，返回交互提示信息。
进一步地，预设角度范围分为水平角度范围和垂直角度范围，其中水平角度范围为0.25至0.75，若score_x＝0.5，则表示水平标准正脸，若scorc_x在0.25至0.75之间，则判断结果为合格，否则为不合格。垂直角度范围为0.25至0.85，若score_y＝0.5，则表示垂直标准正脸，若score_y在0.25至0.85之间，则判断结果为合格，否则为不合格。
在本发明的一种具体实施方式中，还包括孪生网络模型；
处理单元24与孪生网络模型连接；
图像采集单元21在获取人脸图像RGB数据的同时获取人脸图像红外数据；该人脸图像RGB数据和人脸图像红外数据为在同一时刻获取的图像；
处理单元24还用于将人脸图像RGB数据和人脸图像红外数据送入孪生网络模型中得到相似度分数，进而对所得到的相似度分数与预设分数值进行比较判断，若大于等于预设分数值则判断结果为合格，否则为不合格。
较佳地，孪生网络模型又称孪生神经网络，是基于两个人工神经网格建立的耦合构架，以两个样本为输入，输出其嵌入高纬度空间的表征，以比较两个样本的相似程度。本发明的孪生网络模型采用现有技术中的模型。
进一步地，处理单元24将人脸图像RGB数据和人脸图像红外数据输入到人脸检测模块中，从而得到人脸框坐标；再将人脸图像RGB数据和人脸图像红外数据的人脸框进行对齐，具体地将人脸图像RGB数据和人脸图像红外数据的人脸框进行尺寸变换，之后再转换为灰度图，送入孪生网络模型中进行相似度判断，得到相似度分数。
又佳地，处理单元24还用于根据关键点将人脸图像RGB数据和人脸图像红外数据进行对齐，之后转换为灰度图，送入孪生网络模型中进行相似度判断，得到相似度分数。
再进一步地，预设分数值为0.4。当相似度得分大于等于0.4时，表示人脸图像红外数据的质量合格。
现有技术中人脸识别使用红外图像作为人脸活体检测，而红外图像的采集质量可能因摄像头的质量、曝光等的影响而导致质量较差，进而极易导致错误的预测结果。现有技术中对于红外图像的质量缺少质量评估，本发明通过RGB图像和红外图像具有相似性，从多模态的角度对质量进行评价，具有更好的泛化性。能够通过红外图像质量的判断及时的发现双目摄像头的设备质量问题，且对红外图像质量的判断能够提高人脸识别预测结果的准确性。
本发明还提供了一种双目摄像头人脸图像异常监测的方法，下面对该监测的方法进行说明。
如图1所示，本发明的监测的方法包括如下步骤：
执行步骤S11，利用双目摄像头获取人脸图像RGB数据；接着执行步骤S12；
执行步骤S12，基于所获取的人脸图像RGB数据获得左眼坐标信息、右眼坐标信息以及鼻子坐标信息；接着执行步骤S13；
执行步骤S13，利用如下公式计算人脸瞳距信息：
Dist1＝sqrt((e_x1-e_x2)^2+(e_y1-e_y2)^2)，
Dist2＝2*Dist1/(1+α)，
α＝exp(-s*|n_x-(e_x1+e_x2)/2|/(e_x2-e_x1)),
其中，Dist1表示左眼中心与右眼中心之间的像素值，Dist2表示人脸瞳距信息，e_x1和e_y1表示左眼坐标信息，e_x2和e_y2表示右眼坐标信息，α表示瞳距修正因子，s>0，表示修正系数，n_x表示鼻子坐标信息中的x轴的坐标值；接着执行步骤S14；
执行步骤S14，对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若人脸瞳距信息在预设瞳距范围内则判断结果为合格。
本发明的监测方法在对人脸瞳距进行计算时，增加了针对偏航角的修正因子，减少了瞳距估计结果对角度的敏感度，从而提高了瞳距估计的稳定性，进而使得监测结果更加可信。
在本发明的一种具体实施方式中，还包括：
基于所获取的人脸图像RGB数据获得左嘴角坐标信息和右嘴角坐标信息；
利用如下公式计算人脸角度：
score_x＝abs(n_x-e_x1)/(e_x2-e_x1)；
score_y＝abs(n_y-e_y)/(m_y-e_y)；
e_y＝(e_y1+e_y2)/2；
m_y＝(m_y1+m_y2)/2；
其中，score_x表示人脸在水平方向上的旋转偏移度，score_y表示人脸在垂直方向上的旋转偏移度，n_x和n_y表示鼻子坐标信息，e_y表示左右眼睛纵坐标的中心，m_y表示左右嘴角纵坐标的中心，m_y1表示左嘴角坐标信息中的y轴的坐标值，m_y2表示右嘴角坐标信息中的y轴的坐标值；
对计算得到的人脸角度score_x和score_y与预设角度范围进行比较判断，若超出预设角度范围则判断结果为不合格，若在预设角度范围内则判断结果为合格。
较佳地，预设角度范围分为水平角度范围和垂直角度范围，其中水平角度范围为0.25至0.75，若score_x＝0.5，则表示水平标准正脸，若scorc_x在0.25至0.75之间，则判断结果为合格，否则为不合格。垂直角度范围为0.25至0.85，若score_y＝0.5，则表示垂直标准正脸，若score_y在0.25至0.85之间，则判断结果为合格，否则为不合格。
在本发明的一种具体实施方式中，在利用双目摄像头获取人脸图像RGB数据的同时，获取人脸图像红外数据；
将人脸图像RGB数据和人脸图像红外数据送入孪生网络模型中，得到相似度分数；
对所得到的相似度分数与预设分数值进行比较判断，若大于等于预设分数值则判断结果为合格，否则为不合格。
较佳地，预设分数值为0.4。
在本发明的一种具体实施方式中，在判断结果为不合格时，返回交互提示信息。
在本发明的一种具体实施方式中，预设瞳距范围在20至180之间。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (10)
1.一种双目摄像头人脸图像异常监测的方法，其特征在于，包括如下步骤：
利用双目摄像头获取人脸图像RGB数据；
基于所获取的人脸图像RGB数据获得左眼坐标信息、右眼坐标信息以及鼻子坐标信息；
利用如下公式计算人脸瞳距信息：
Dist1＝sqrt((e_x1-e_x2)^2+(e_y1-e_y2)^2)，
Dist2＝2*Dist1/(1+α)，
α＝exp(-s*|n_x-(e_x1+e_x2)/2|/(e_x2-e_x1)),
其中，Dist1表示左眼中心与右眼中心之间的像素值，Dist2表示人脸瞳距信息，e_x1和e_y1表示左眼坐标信息，e_x2和e_y2表示右眼坐标信息，α表示瞳距修正因子，s>0，表示修正系数，n_x表示鼻子坐标信息中的x轴的坐标值；
对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若所述人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若所述人脸瞳距信息在预设瞳距范围内则判断结果为合格。
2.如权利要求1所述的双目摄像头人脸图像异常监测的方法，其特征在于，还包括：
基于所获取的人脸图像RGB数据获得左嘴角坐标信息和右嘴角坐标信息；
利用如下公式计算人脸角度：
score_x＝abs(n_x-e_x1)/(e_x2-e_x1)；
score_y＝abs(n_y-e_y)/(m_y-e_y)；
e_y＝(e_y1+e_y2)/2；
m_y＝(m_y1+m_y2)/2；
其中，score_x表示人脸在水平方向上的旋转偏移度，score_y表示人脸在垂直方向上的旋转偏移度，n_x和n_y表示鼻子坐标信息，e_y表示左右眼睛纵坐标的中心，m_y表示左右嘴角纵坐标的中心，m_y1表示左嘴角坐标信息中的y轴的坐标值，m_y2表示右嘴角坐标信息中的y轴的坐标值；
对计算得到的人脸角度score_x和score_y与预设角度范围进行比较判断，若超出预设角度范围则判断结果为不合格，若在预设角度范围内则判断结果为合格。
3.如权利要求1所述的双目摄像头人脸图像异常监测的方法，其特征在于，在利用双目摄像头获取人脸图像RGB数据的同时，获取人脸图像红外数据；
将所述人脸图像RGB数据和所述人脸图像红外数据送入孪生网络模型中，得到相似度分数；
对所得到的相似度分数与预设分数值进行比较判断，若大于等于预设分数值则判断结果为合格，否则为不合格。
4.如权利要求1所述的双目摄像头人脸图像异常监测的方法，其特征在于，在判断结果为不合格时，返回交互提示信息。
5.如权利要求1所述的双目摄像头人脸图像异常监测的方法，其特征在于，所述预设瞳距范围根据所述双目摄像头的分辨率设定。
6.一种双目摄像头人脸图像异常监测的系统，其特征在于，包括：
图像采集单元，与双目摄像头连接，用于利用双目摄像头获取人脸图像RGB数据；
关键点检测单元，与所述图像采集单元连接，用于从所述人脸图像RGB图像中获取左眼坐标信息、右眼坐标信息以及鼻子坐标信息；
人脸瞳距计算单元，与所述关键点检测单元连接，用于利用如下公式计算人脸瞳距信息：
Dist1＝sqrt((e_x1-e_x2)^2+(e_y1-e_y2)^2)，
Dist2＝2*Dist1/(1+α)，
α＝exp(-s*|n_x-(e_x1+e_x2)/2|/(e_x2-e_x1)),
其中，Dist1表示左眼中心与右眼中心之间的像素值，Dist2表示人脸瞳距信息，e_x1和e_y1表示左眼坐标信息，e_x2和e_y2表示右眼坐标信息，α表示瞳距修正因子，s>0，表示修正系数，n_x表示鼻子坐标信息中的x轴的坐标值；
处理单元，与所述图像采集单元、所述关键点检测单元以及所述人脸瞳距计算单元连接，用于对计算得到的人脸瞳距信息与预设瞳距范围进行比较判断，若所述人脸瞳距信息超出预设瞳距范围则判断结果为不合格，若所述人脸瞳距信息在预设瞳距范围内则判断结果为合格。
7.如权利要求6所述的双目摄像头人脸图像异常监测的系统，其特征在于，还包括与所述关键点检测单元和所述处理单元连接的人脸角度计算单元；
所述关键点检测单元还用于基于所述人脸图像RGB数据获得左嘴角坐标信息和右嘴角坐标信息；
所述人脸角度计算单元用于利用如下公式计算人脸角度：
score_x＝abs(n_x-e_x1)/(e_x2-e_x1)；
score_y＝abs(n_y-e_y)/(m_y-e_y)；
e_y＝(e_y1+e_y2)/2；
m_y＝(m_y1+m_y2)/2；
其中，score_x表示人脸在水平方向上的旋转偏移度，score_y表示人脸在垂直方向上的旋转偏移度，n_x和n_y表示鼻子坐标信息，e_y表示左右眼睛纵坐标的中心，m_y表示左右嘴角纵坐标的中心，m_y1表示左嘴角坐标信息中的y轴的坐标值，m_y2表示右嘴角坐标信息中的y轴的坐标值；
所述处理单元还用于对计算得到的人脸角度score_x和score_y与预设角度范围进行比较判断，若超出预设角度范围则判断结果为不合格，若在预设角度范围内则判断结果为合格。
8.如权利要求6所述的双目摄像头人脸图像异常监测的系统，其特征在于，还包括孪生网络模型；
所述处理单元与所述孪生网络模型连接；
所述图像采集单元在获取人脸图像RGB数据的同时获取人脸图像红外数据；
所述处理单元还用于将所述人脸图像RGB数据和所述人脸图像红外数据送入所述孪生网络模型中得到相似度分数，进而对所得到的相似度分数与预设分数值进行比较判断，若大于等于预设分数值则判断结果为合格，否则为不合格。
9.如权利要求6所述的双目摄像头人脸图像异常监测的系统，其特征在于，所述处理单元在判断结果为不合格时，返回交互提示信息。
10.如权利要求6所述的双目摄像头人脸图像异常监测的系统，其特征在于，所述预设瞳距范围根据所述双目摄像头的分辨率设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111431702.1A CN114093007A (zh) | 2021-11-29 | 2021-11-29 | 双目摄像头人脸图像异常监测的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111431702.1A CN114093007A (zh) | 2021-11-29 | 2021-11-29 | 双目摄像头人脸图像异常监测的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114093007A true CN114093007A (zh) | 2022-02-25 |
Family
ID=80305450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111431702.1A Pending CN114093007A (zh) | 2021-11-29 | 2021-11-29 | 双目摄像头人脸图像异常监测的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114093007A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115655576A (zh) * | 2022-12-13 | 2023-01-31 | 成都千嘉科技股份有限公司 | 一种指针式压力表位移异常的自动感知方法 |
-
2021
- 2021-11-29 CN CN202111431702.1A patent/CN114093007A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115655576A (zh) * | 2022-12-13 | 2023-01-31 | 成都千嘉科技股份有限公司 | 一种指针式压力表位移异常的自动感知方法 |
| CN115655576B (zh) * | 2022-12-13 | 2023-03-10 | 成都千嘉科技股份有限公司 | 一种指针式压力表位移异常的自动感知方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2016112630A1 (zh) | 一种影像识别系统及方法 | |
| TWI383325B (zh) | 臉部表情辨識 | |
| CN107784294B (zh) | 一种基于深度学习的人脸检测与跟踪方法 | |
| WO2018219180A1 (zh) | 确定人脸图像质量的方法和装置、电子设备和计算机存储介质 | |
| WO2010122721A1 (ja) | 照合装置、照合方法および照合プログラム | |
| CN106600640B (zh) | 一种基于rgb-d相机的人脸识别辅助眼镜 | |
| KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
| CN110717392B (zh) | 一种坐姿检测与纠正方法和装置 | |
| WO2018078857A1 (ja) | 視線推定装置、視線推定方法及びプログラム記録媒体 | |
| CN109711239B (zh) | 基于改进混合增量动态贝叶斯网络的视觉注意力检测方法 | |
| WO2023231663A1 (zh) | 一种眼睛类型检测方法、装置、计算机设备、存储介质和计算机程序产品 | |
| CN114894337B (zh) | 一种用于室外人脸识别测温方法及装置 | |
| CN114093007A (zh) | 双目摄像头人脸图像异常监测的方法及系统 | |
| CN113609963B (zh) | 一种实时多人体角度的抽烟行为检测方法 | |
| CN113052097A (zh) | 一种人体坐姿实时监测系统以及监测方法 | |
| CN113065532A (zh) | 一种基于rgbd图像的坐姿几何参数检测方法及系统 | |
| CN116453198B (zh) | 一种基于头部姿态差异的视线校准方法和装置 | |
| CN112257507A (zh) | 一种基于人脸瞳间距判断距离及人脸有效性的方法和装置 | |
| JP6773825B2 (ja) | 学習装置、学習方法、学習プログラム、及び対象物認識装置 | |
| CN112926364A (zh) | 头部姿态的识别方法及系统、行车记录仪和智能座舱 | |
| CN107798282B (zh) | 一种活体人脸的检测方法和装置 | |
| CN116086396A (zh) | 一种获取距离的方法、装置、系统及存储介质 | |
| WO2017114285A1 (zh) | 眼球识别方法及系统 | |
| CN113836991A (zh) | 动作识别系统、动作识别方法及存储介质 | |
| Saeed et al. | Using the active appearance model to detect driver fatigue |
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 |