CN114445753A - 人脸跟踪识别方法及装置、电子设备和存储介质 - Google Patents
人脸跟踪识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114445753A CN114445753A CN202210112707.6A CN202210112707A CN114445753A CN 114445753 A CN114445753 A CN 114445753A CN 202210112707 A CN202210112707 A CN 202210112707A CN 114445753 A CN114445753 A CN 114445753A
- Authority
- CN
- China
- Prior art keywords
- frame
- detection
- face
- ith
- feature information
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 294
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 26
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种人脸跟踪识别方法及装置、电子设备和存储介质，确定视频帧序列中的第i帧作为初始的关键帧。对第i帧进行全局人脸检测得到其中至少一个表征人脸位置的第一检测框以及每个第一检测框中人脸区域的人脸特征信息。调整第i帧的至少一个第一检测框得到第i+1帧的第二检测框。获取第i+1帧每个第二检测框中的检测区域进行局部人脸检测得到其中至少一个表征人脸位置的第一检测框以及每个第一检测框中人脸区域的人脸特征信息。对比第i帧的人脸特征信息和第i+1帧的人脸特征信息得到相同的人脸。本公开通过调整连续视频帧中前一帧的检测框确定当前帧中人脸检测范围，减小了人脸检测过程所需的算力，提高人脸跟踪识别效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种人脸跟踪识别方法及装置、电子设备和存储介质。
背景技术
人脸跟踪是利用算法将视频帧或者连续图片中的人脸检测出来，并处理视频帧或者图片中人脸相关性的算法。在实际场景中有诸多应用，如金融领域的刷脸支付等。相关技术的人脸跟踪算法计算量大，推理速度慢。
发明内容
本公开提出了一种人脸跟踪识别方法及装置、电子设备和存储介质，旨在节约算力，提高人脸跟踪识别的效率。
根据本公开的第一方面，提供了一种人脸跟踪识别方法，包括：
确定视频帧序列中的第i帧作为初始的关键帧，i为任一大于等于1的正整数；
对所述第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框，并确定所述第i帧每个所述第一检测框中人脸区域的人脸特征信息；
调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框；
获取所述第i+1帧每个所述第二检测框中的检测区域；
对所述检测区域进行局部人脸检测，得到所述第i+1帧中至少一个表征人脸位置的第一检测框，并确定所述第i+1帧每个所述第一检测框中人脸区域的人脸特征信息；
对比所述第i帧的人脸特征信息和所述第i+1帧的人脸特征信息，得到相同的人脸。
本公开实施例能够通过调整连续视频帧中前一帧的检测框确定当前帧中人脸检测范围，减小了人脸检测过程所需的算力，提高人脸跟踪识别效率。
在一种可能的实现方式中，所述方法还包括：
根据所述第i帧和第i+n帧的位置关系，判断所述第i+n帧是否为关键帧，n为大于等于2的正整数；
响应于所述第i+n帧为关键帧，对所述第i+n帧进行全局人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测。
本公开实施例能够根据视频帧位置确定关键帧，并对视频帧序列中的关键帧进行全局人脸检测，避免对新增人脸的漏检。
在一种可能的实现方式中，所述方法还包括：
响应于所述第i+n帧为非关键帧，调整第i+n-1帧的至少一个第一检测框得到所述第i+n帧的第二检测框；
获取所述第i+n帧每个所述第二检测框中的检测区域；
对所述检测区域进行局部人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测或全局人脸检测。
本公开实施例能够根据视频帧位置确定关键帧，并对视频帧序列中的非关键帧进行局部人脸检测，减少对整个视频帧序列进行人脸跟踪识别过程的算力。
在一种可能的实现方式中，所述根据所述第i帧和第i+n帧的位置关系，判断所述第i+n帧是否为关键帧包括：
响应于所述第i帧和第i+n帧的位置距离n为间隔周期的整数倍，确定所述第i+n帧为关键帧。
本公开实施例能够根据间隔周期确定关键帧位置，根据视频帧在视频帧序列中的位置自动判断每个视频帧是否为关键帧，提高关键帧判断过程的效率。
在一种可能的实现方式中，所述方法还包括：
获取所述视频帧序列中人脸的运动速度；
根据所述运动速度，确定所述间隔周期。
本公开实施例能够根据视频帧序列中人脸的运动速度确定间隔周期，避免在间隔周期设置不合理导致人脸检测过程中遗漏人脸。
在一种可能的实现方式中，所述调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框包括：
根据预设的缩放尺寸对所述第i帧中的所述至少一个第一检测框进行缩放，得到所述第i+1帧的至少一个第二检测框。
本公开实施例通过预设的缩放尺寸缩放第一检测框得到第二检测框，快速准确的对第一帧中可能存在人脸的位置进行定位。
在一种可能的实现方式中，所述方法还包括：
根据所述视频帧序列中相邻视频帧中的相同人脸确定所述视频帧序列中相同的人脸。本公开实施例通过相邻视频帧中相同的人脸准确确定视频帧序列中每一个人脸在不同视频帧中的位置，实现了对视频帧序列中的人脸跟踪识别。
根据本公开的第二方面，提供了一种人脸跟踪识别装置，包括：
关键帧确定模块，用于确定视频帧序列中的第i帧作为初始的关键帧，i为任一大于等于1的正整数；
第一检测模块，用于对所述第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框，并确定所述第i帧每个所述第一检测框中人脸区域的人脸特征信息；
第一检测框确定模块，用于调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框；
第一区域提取模块，用于获取所述第i+1帧每个所述第二检测框中的检测区域；
第二检测模块，用于对所述检测区域进行局部人脸检测，得到第i+1帧中至少一个表征人脸位置的第一检测框，并确定所述第i+1帧每个所述第一检测框中人脸区域的人脸特征信息；
第一匹配模块，用于对比所述第i帧的人脸特征信息和所述第i+1帧的人脸特征信息，得到相同的人脸。
在一种可能的实现方式中，所述装置还包括：
关键帧确定模块，用于根据所述第i帧和第i+n帧的位置关系，判断所述第i+n帧是否为关键帧，n为大于等于2的正整数；
第三检测模块，用于响应于所述第i+n帧为关键帧，对所述第i+n帧进行全局人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
第二匹配模块，用于对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测。
在一种可能的实现方式中，所述装置还包括：
第二检测框确定模块，用于响应于所述第i+n帧为非关键帧，调整第i+n-1帧的至少一个第一检测框得到所述第i+n帧的第二检测框；
第二区域提取模块，用于获取所述第i+n帧每个所述第二检测框中的检测区域；
第四检测模块，用于对所述检测区域进行局部人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
第三匹配模块，用于对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测或全局人脸检测。
在一种可能的实现方式中，所述关键帧确定模块包括：
关键帧确定子模块，用于响应于所述第i帧和第i+n帧的位置距离n为间隔周期的整数倍，确定所述第i+n帧为关键帧。
在一种可能的实现方式中，所述装置还包括：
速度确定模块，用于获取所述视频帧序列中人脸的运动速度；
周期确定模块，用于根据所述运动速度，确定所述间隔周期。
在一种可能的实现方式中，所述第一检测框确定模块包括：
尺寸缩放子模块，用于根据预设的缩放尺寸对所述第i帧中的所述至少一个第一检测框进行缩放，得到所述第i+1帧的至少一个第二检测框。
在一种可能的实现方式中，所述装置还包括：
跟踪识别模块，用于根据所述视频帧序列中相邻视频帧中的相同人脸确定所述视频帧序列中相同的人脸。
根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种人脸跟踪识别方法的流程图；
图2示出根据本公开实施例的一种第一检测框的示意图；
图3示出根据本公开实施例的一种第二检测框的示意图；
图4示出根据本公开实施例的一种人脸特征信息提取过程的示意图；
图5示出根据本公开实施例的一种人脸跟踪识别装置的示意图；
图6示出根据本公开实施例的一种电子设备的示意图；
图7示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在一种可能的实现方式中，本公开实施例的人脸跟踪识别方法可以由终端设备或服务器等电子设备执行。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等任意固定或移动终端。服务器可以为单独的服务器或多个服务器组成的服务器集群。任意电子设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现本公开实施例的人脸跟踪识别方法。
可选地，本公开实施例能够应用于任意需要进行人脸跟踪识别的应用场景，例如刷脸支付以及多图像中特定人物的识别等。
图1示出根据本公开实施例的一种人脸跟踪识别方法的流程图，如图1所示，本公开实施例的人脸跟踪识别方法可以包括以下步骤S10-S60。
步骤S10、确定视频帧序列中的第i帧作为初始的关键帧。
在一种可能的实现方式中，视频帧序列可以根据连续采集多个图像得到的连续视频帧确定，或者在连续采集多个图像中抽取多个图像确定视频帧序列。可选地，视频帧序列中的多个图像可以通过电子设备内置或连接的图像采集装置直接采集得到，或者由其他设备通过图像采集装置采集并确定视频帧序列后发送至执行本公开实施例人脸跟踪识别方法的电子设备。电子设备在确定视频帧序列后，从视频帧序列中提取第i帧作为初始的关键帧。其中，i可以为任一大于等于1的正整数。进一步地，视频帧序列中每个视频帧中可以包括至少一个人物的人脸。电子设备可以在确定第i帧为初始的关键帧后，由第i帧开始，依次向后逐帧判断当前帧是否为关键帧，以根据判断结果进行人脸检测。
步骤S20、对所述第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框，并确定所述第i帧每个所述第一检测框中人脸区域的人脸特征信息。
在确一种可能的实现方式中，电子设备在获取视频帧序列中抽取第i帧作为初始的关键帧后，对第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框。其中，全局人脸检测过程可以通过结构复杂且计算量大的深度学习模型实现。例如，对第i帧视频帧的检测过程可以为将第i帧输入训练得到的第一人脸识别模型，得到第i帧的至少一个第一检测框。该第一人脸识别模型用于对输入的图像进行全局人脸检测，得到输入图像的第一检测框。
图2示出根据本公开实施例的一种第一检测框的示意图。如图2所示，对于关键帧20，进行全局人脸检测可以得到其中包括的人脸对应的第一检测框21，该第一检测框21中包括人脸，用于表征人脸在关键帧中的位置。
进一步地，在得到第i帧的至少一个第一检测框后，电子设备确定第i帧的每个第一检测框中人脸区域的人脸特征信息。可选地，该特征提取过程可以为提取第i帧中每个第一检测框中的人脸区域，并分别将每个人脸区域输入训练得到的特征提取模型，通过特征提取模型进行特征提取得到对应的人脸特征信息，人脸特征信息表征对应第一检测框中包括人脸的特征。
步骤S30、调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框。
在一种可能的实现方式中，由于视频帧序列通过短时间内连续对至少一个人物进行多次图像采集得到，同一个人物会因人物运动在相邻视频帧中存在一定的位置偏移。由于相邻视频帧的间隔采集时间很短，该位置偏移通常为一个较小的偏移量。因此，可以通过前一帧的人脸位置对下一帧该人脸位置所在区域进行大致定位，再对定位区域进行第二人脸识别得到下一帧中人脸所在位置。也就是说，可以调整前一帧视频帧中每个所述第一检测框尺寸得到第二检测框，并对每个所述第二检测框中的检测区域进行局部人脸检测，得到至少一个第一检测框。因此，对于视频帧序列中位于第i帧相邻的下一位置的第i+1帧，可以通过调整第i帧的至少一个第一检测框得到第i+1帧的第二检测框。
可选地，调整第i帧的至少一个第一检测框得到第i+1帧的第二检测框的过程可以为根据预设的缩放尺寸对第i帧中的至少一个第一检测框进行缩放，得到第i+1帧的至少一个第二检测框。可选地，由于相邻位置视频帧中的人物可以向任意方向运动，该缩放过程可以以第一检测框的中心位置为基准，向外扩大第一检测框得到第二检测框。例如，可以以第一检测框的中心位置为基准，将第一检测框向外扩大0.6倍得到第二检测框。
图3示出根据本公开实施例的一种第二检测框的示意图。如图3所示，在通过全局人脸检测后可以得到关键帧20中包括的人脸对应的第一检测框21后，以第一检测框21的中心位置作为基准缩放第一检测框21得到第二检测框22。进一步地，还可以通过提取关键帧20相邻下一帧中第二检测框22位置中的检测区域进行局部人脸检测，得到关键帧20下一帧视频帧的一个第一检测框。
步骤S40、获取所述第i+1帧每个所述第二检测框中的检测区域。
在一种可能的实现方式中，电子设备在确定第i+1帧的至少一个第二检测框后，提取第i+1帧中每个第二检测框中的检测区域。第二检测框用于表征第i+1帧中可能存在人脸的检测区域，检测区域用于进一步进行局部人脸检测以确定第i+1帧中人脸所在位置。
步骤S50、对所述检测区域进行局部人脸检测，得到第i+1帧中至少一个表征人脸位置的第一检测框，并确定所述第i+1帧每个所述第一检测框中人脸区域的人脸特征信息。
在一种可能的实现方式中，电子设备在确定第i+1帧的多个检测区域后，对每个检测区域进行局部人脸检测，得到第i+1帧中至少一个表征人脸位置的第一检测框，以确定第i+1帧中人脸所在的位置。可选地，局部人脸检测过程可以通过第二人脸识别模型实现，该第二人脸识别模型复杂度和计算量均小于执行全局人脸检测过程的第一人脸识别模型。也就是说，对于第i+1帧，提取每个第二检测框中的检测区域，并将每个检测区域输入训练得到的第二人脸识别模型，输出第i+1帧的至少一个第一检测框。
进一步地，在得到第i+1帧的至少一个第一检测框后，电子设备确定第i+1帧的每个第一检测框中人脸区域的人脸特征信息。可选地，该特征提取过程与第i帧的特征提取过程相似，在此不再赘述。
步骤S60、对比所述第i帧的人脸特征信息和所述第i+1帧的人脸特征信息，得到相同的人脸。
在一种可能的实现方式中，电子设备在得到第i帧和第i+1帧的人脸特征信息后，对比第i帧的人脸特征信息和第i+1帧的人脸特征信息，得到相同的人脸。本公开实施例可以通过计算第i帧的每个人脸特征信息与第i+1帧中每个人脸特征信息的相似度，得到对比结果。其中，人脸特征信息可以通过向量形式表征，相似度的计算方式可以通过直接计算人脸特征信息的欧式距离得到。欧式距离与相似度成反比，距离越小表征相似度越大，可以直接确定距离的倒数为相似度。即对于第i帧中的每个人脸特征信息，依次计算其与第i+1帧中每个人脸特征信息的相似度，并确定相似度最大的两个人脸特征信息匹配。电子设备确定匹配的两个人脸特征信息对应的人脸为相同的人脸。
可选地，由于第i+1帧中每一个人脸区域对应的第一检测框基于第i帧的第一检测框确定，为提高特征信息对比过程的效率，可以直接计算第i帧中每个第一检测框中人脸的人脸特征信息与第i+1帧中对应至少一个第一检测框中人脸的人脸特征信息相似度，并确定相似度最大的两个人脸特征信息匹配。或者，还可以确定相似度最大且大于相似度阈值的两个人脸特征信息匹配，以进一步确定匹配的两个人脸特征信息对应的人脸为相同的人脸。
进一步地，为避免人脸的漏检以及重复检测，电子设备可以预先将视频帧序列中的预设位置处的视频帧，确定为关键帧。可选地，电子设备可以对视频帧序列中的每个关键帧进行全局人脸检测确定其中人脸位置，并对视频帧序列中每个非关键帧进行局部人脸检测确定其中的人脸位置。也就是说，对于视频帧序列中其他视频帧，可以先判断视频帧是否为关键帧，再根据判断结果进行对应的人脸检测，得到每个视频帧中表征至少一个人脸位置的第一检测框。进一步再提取每一个视频帧第一检测框中人脸区域的人脸特征信息，并与相邻的视频帧进行匹配。
在一种可能的实现方式中，电子设备可以根据第i帧和第i+n帧的位置关系，判断第i+n帧是否为关键帧，n为大于等于2的正整数。可以响应于第i+n帧为关键帧，对第i+n帧进行全局人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定第i+n帧每个第一检测框中人脸区域的人脸特征信息。进一步对比第i+n-1帧的人脸特征信息和第i+n帧的人脸特征信息，得到相同的人脸。其中，由于第i+n帧为关键帧，第i+n-1帧为非关键帧，即第i+n-1帧进行的是局部人脸检测。可选地，对第i+n帧进行全局人脸检测的过程与第i帧的全局人脸检测过程相似，第i+n-1帧的人脸特征信息与第i+n帧人脸特征信息的对比过程与第i帧和第i+1帧的人脸特征信息对比过程相似，在此不再赘述。
进一步地，电子设备还可以响应于第i+n帧为非关键帧，调整第i+n-1帧的至少一个第一检测框得到第i+n帧的第二检测框。获取第i+n帧每个第二检测框中的检测区域。对检测区域进行局部人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定第i+n帧每个第一检测框中人脸区域的人脸特征信息。对比第i+n-1帧的人脸特征信息和第i+n帧的人脸特征信息，得到相同的人脸，其中，由于第i+n帧为关键帧，第i+n-1帧可以为非关键帧或者关键帧，第i+n-1帧进行的是局部人脸检测或全局人脸检测。可选地，调整第i+n-1帧的至少一个第一检测框得到第i+n帧的第二检测框的过程与调整第i帧的至少一个第一检测框得到第i+1帧的第二检测框的过程相似，再次不再赘述。同时，对第i+n帧进行局部人脸检测的过程与第i+1帧的局部人脸检测过程相似，第i+n-1帧的人脸特征信息与第i+n帧人脸特征信息的对比过程与第i帧和第i+1帧的人脸特征信息对比过程相似，在此不再赘述。
可选地，电子设备可以根据间隔周期确定关键帧，使得视频帧序列中每两个相邻的关键帧距离为固定的间隔周期。也就是说，电子设备根据位置关系判断第i+n帧是否为关键帧时，可以响应于第i帧和第i+n帧的位置距离n为间隔周期的整数倍，确定第i+n帧为关键帧。以视频帧序列长度为20为例进行说明。当间隔周期为5，且i为1时，关键帧的位置为第1帧、第6帧、第11帧和第16帧。其他帧为非关键帧。其中，间隔周期可以为预先设定的时间周期，或者根据当前视频帧序列中人脸的运动速度确定。
在间隔期间根据视频帧序列中人脸的运动速度确定时，本公开实施例的人脸跟踪识别方法还可以在确定视频帧序列后，获取视频帧序列中人脸的运动速度，再根据运动速度，确定间隔周期。可选地，运动速度可以与间隔周期负相关，运动速度越快的情况下确定的间隔周期越短。在一种可能的实现方式中，电子设备在通过上述方式确定视频帧序列中每一帧与相邻视频帧中相同的人脸后，可以根据视频帧序列中相邻视频帧中的相同人脸确定视频帧序列中相同的人脸，实现了对视频帧序列中出现过人脸的跟踪识别。
图4示出根据本公开实施例的一种人脸特征信息提取过程的示意图。如图4所示，对于视频帧序列中的提取得到的视频帧，电子设备按顺序依次获取视频帧40。在获取视频帧后确定当前获取的视频帧是否为关键帧41，在当前视频帧为关键帧时直接对当前视频帧进行全局人脸检测42，得到当前视频帧对应的至少一个第一检测框43。同时，在当前视频帧不是关键帧时，根据视频帧序列中位于当前帧前一帧的视频帧对应的每个第一检测框确定一个对应的第二检测框45。提取当前视频帧中每个第二检测框45中的区域得到检测区域46，对检测区域46进行局部人脸检测47，得到当前帧对应的第一检测框43。进一步地，在确定每一个视频帧的第一检测框后，提取每一个第一检测框43中的区域得到人脸区域44，并将每个人脸区域44输入特征提取模型48得到对应的人脸特征信息49。
基于上述人脸跟踪识别方法，本公开实施例在对视频帧序列进行人脸跟踪识别时，可以对其中部分关键帧进行全局的人脸检测，并通过调整连续视频帧中前一帧的检测框确定当前帧中人脸检测范围对其他非关键帧进行局部检测。该人脸检测的方式减小了人脸检测过程所需的算力，提高人脸跟踪识别效率。同时，通过周期性的全局检测提高人脸跟踪识别过程的性能，避免人脸的漏检以及重复检测。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了人脸跟踪识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种人脸跟踪识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的一种人脸跟踪识别装置的示意图，如图5所示，本公开实施例的人脸跟踪识别装置50可以包括关键帧确定模块51、第一检测模块52、第一检测框确定模块53、第一区域提取模块54、第二检测模块55和第一匹配模块56。
关键帧确定模块51，用于确定视频帧序列中的第i帧作为初始的关键帧，i为任一大于等于1的正整数；
第一检测模块52，用于对所述第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框，并确定所述第i帧每个所述第一检测框中人脸区域的人脸特征信息；
第一检测框确定模块53，用于调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框；
第一区域提取模块54，用于获取所述第i+1帧每个所述第二检测框中的检测区域；
第二检测模块55，用于对所述检测区域进行局部人脸检测，得到第i+1帧中至少一个表征人脸位置的第一检测框，并确定所述第i+1帧每个所述第一检测框中人脸区域的人脸特征信息；
第一匹配模块56，用于对比所述第i帧的人脸特征信息和所述第i+1帧的人脸特征信息，得到相同的人脸。
在一种可能的实现方式中，所述装置还包括：
关键帧确定模块，用于根据所述第i帧和第i+n帧的位置关系，判断所述第i+n帧是否为关键帧，n为大于等于2的正整数；
第三检测模块，用于响应于所述第i+n帧为关键帧，对所述第i+n帧进行全局人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
第二匹配模块，用于对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测。
在一种可能的实现方式中，所述装置还包括：
第二检测框确定模块，用于响应于所述第i+n帧为非关键帧，调整第i+n-1帧的至少一个第一检测框得到所述第i+n帧的第二检测框；
第二区域提取模块，用于获取所述第i+n帧每个所述第二检测框中的检测区域；
第四检测模块，用于对所述检测区域进行局部人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
第三匹配模块，用于对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测或全局人脸检测。
在一种可能的实现方式中，所述关键帧确定模块包括：
关键帧确定子模块，用于响应于所述第i帧和第i+n帧的位置距离n为间隔周期的整数倍，确定所述第i+n帧为关键帧。
在一种可能的实现方式中，所述装置还包括：
速度确定模块，用于获取所述视频帧序列中人脸的运动速度；
周期确定模块，用于根据所述运动速度，确定所述间隔周期。
在一种可能的实现方式中，所述第一检测框确定模块包括：
尺寸缩放子模块，用于根据预设的缩放尺寸对所述第i帧中的所述至少一个第一检测框进行缩放，得到所述第i+1帧的至少一个第二检测框。
在一种可能的实现方式中，所述装置还包括：
跟踪识别模块，用于根据所述视频帧序列中相邻视频帧中的相同人脸确定所述视频帧序列中相同的人脸。
该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等)，从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的示意图。例如，电子设备800可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开涉及增强现实领域，通过获取现实环境中的目标对象的图像信息，进而借助各类视觉相关算法实现对目标对象的相关特征、状态及属性进行检测或识别处理，从而得到与具体应用匹配的虚拟与现实相结合的AR效果。示例性的，目标对象可涉及与人体相关的脸部、肢体、手势、动作等，或者与物体相关的标识物、标志物，或者与场馆或场所相关的沙盘、展示区域或展示物品等。视觉相关算法可涉及视觉定位、SLAM、三维重建、图像注册、背景分割、对象的关键点提取及跟踪、对象的位姿或深度检测等。具体应用不仅可以涉及跟真实场景或物品相关的导览、导航、讲解、重建、虚拟效果叠加展示等交互场景，还可以涉及与人相关的特效处理，比如妆容美化、肢体美化、特效展示、虚拟模型展示等交互场景。可通过卷积神经网络，实现对目标对象的相关特征、状态及属性进行检测或识别处理。上述卷积神经网络是基于深度学习框架进行模型训练而得到的网络模型。
图7示出根据本公开实施例的另一种电子设备1900的示意图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种人脸跟踪识别方法，其特征在于，所述方法包括：
确定视频帧序列中的第i帧作为初始的关键帧，i为任一大于等于1的正整数；
对所述第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框，并确定所述第i帧每个所述第一检测框中人脸区域的人脸特征信息；
调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框；
获取所述第i+1帧每个所述第二检测框中的检测区域；
对所述检测区域进行局部人脸检测，得到所述第i+1帧中至少一个表征人脸位置的第一检测框，并确定所述第i+1帧每个所述第一检测框中人脸区域的人脸特征信息；
对比所述第i帧的人脸特征信息和所述第i+1帧的人脸特征信息，得到相同的人脸。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述第i帧和第i+n帧的位置关系，判断所述第i+n帧是否为关键帧，n为大于等于2的正整数；
响应于所述第i+n帧为关键帧，对所述第i+n帧进行全局人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
响应于所述第i+n帧为非关键帧，调整第i+n-1帧的至少一个第一检测框得到所述第i+n帧的第二检测框；
获取所述第i+n帧每个所述第二检测框中的检测区域；
对所述检测区域进行局部人脸检测，得到第i+n帧中至少一个表征人脸位置的第一检测框，并确定所述第i+n帧每个所述第一检测框中人脸区域的人脸特征信息；
对比第i+n-1帧的人脸特征信息和所述第i+n帧的人脸特征信息，得到相同的人脸，其中，所述第i+n-1帧进行的是局部人脸检测或全局人脸检测。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述第i帧和第i+n帧的位置关系，判断所述第i+n帧是否为关键帧包括：
响应于所述第i帧和第i+n帧的位置距离n为间隔周期的整数倍，确定所述第i+n帧为关键帧。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述视频帧序列中人脸的运动速度；
根据所述运动速度，确定所述间隔周期。
6.根据权利要求1-5中任意一项所述的方法，其特征在于，所述调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框包括：
根据预设的缩放尺寸对所述第i帧中的所述至少一个第一检测框进行缩放，得到所述第i+1帧的至少一个第二检测框。
7.根据权利要求2-6中任意一项所述的方法，其特征在于，所述方法还包括：
根据所述视频帧序列中相邻视频帧中的相同人脸确定所述视频帧序列中相同的人脸。
8.一种人脸跟踪识别装置，其特征在于，所述装置包括：
关键帧确定模块，用于确定视频帧序列中的第i帧作为初始的关键帧，i为任一大于等于1的正整数；
第一检测模块，用于对所述第i帧进行全局人脸检测，得到第i帧中至少一个表征人脸位置的第一检测框，并确定所述第i帧每个所述第一检测框中人脸区域的人脸特征信息；
第一检测框确定模块，用于调整所述第i帧的至少一个第一检测框得到第i+1帧的第二检测框；
第一区域提取模块，用于获取所述第i+1帧每个所述第二检测框中的检测区域；
第二检测模块，用于对所述检测区域进行局部人脸检测，得到第i+1帧中至少一个表征人脸位置的第一检测框，并确定所述第i+1帧每个所述第一检测框中人脸区域的人脸特征信息；
第一匹配模块，用于对比所述第i帧的人脸特征信息和所述第i+1帧的人脸特征信息，得到相同的人脸。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210112707.6A CN114445753A (zh) | 2022-01-29 | 2022-01-29 | 人脸跟踪识别方法及装置、电子设备和存储介质 |
| PCT/CN2022/110287 WO2023142419A1 (zh) | 2022-01-29 | 2022-08-04 | 人脸跟踪识别方法、装置、电子设备、介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210112707.6A CN114445753A (zh) | 2022-01-29 | 2022-01-29 | 人脸跟踪识别方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445753A true CN114445753A (zh) | 2022-05-06 |
Family
ID=81371238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210112707.6A Withdrawn CN114445753A (zh) | 2022-01-29 | 2022-01-29 | 人脸跟踪识别方法及装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114445753A (zh) |
| WO (1) | WO2023142419A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023142419A1 (zh) * | 2022-01-29 | 2023-08-03 | 上海商汤智能科技有限公司 | 人脸跟踪识别方法、装置、电子设备、介质及程序产品 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778482A (zh) * | 2016-11-15 | 2017-05-31 | 东软集团股份有限公司 | 人脸追踪方法及装置 |
| CN106650682B (zh) * | 2016-12-29 | 2020-05-01 | Tcl集团股份有限公司 | 一种人脸追踪的方法及装置 |
| CN106934381B (zh) * | 2017-03-20 | 2021-09-14 | 成都通甲优博科技有限责任公司 | 一种人脸识别跟踪方法 |
| CN109344789B (zh) * | 2018-10-16 | 2020-10-27 | 北京旷视科技有限公司 | 人脸跟踪方法及装置 |
| CN113177526B (zh) * | 2021-05-27 | 2023-10-03 | 中国平安人寿保险股份有限公司 | 基于人脸识别的图像处理方法、装置、设备及存储介质 |
| CN113284167B (zh) * | 2021-05-28 | 2023-03-07 | 深圳数联天下智能科技有限公司 | 人脸跟踪检测方法、装置、设备和介质 |
| CN114445753A (zh) * | 2022-01-29 | 2022-05-06 | 成都商汤科技有限公司 | 人脸跟踪识别方法及装置、电子设备和存储介质 |
-
2022
- 2022-01-29 CN CN202210112707.6A patent/CN114445753A/zh not_active Withdrawn
- 2022-08-04 WO PCT/CN2022/110287 patent/WO2023142419A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023142419A1 (zh) * | 2022-01-29 | 2023-08-03 | 上海商汤智能科技有限公司 | 人脸跟踪识别方法、装置、电子设备、介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023142419A1 (zh) | 2023-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740516B (zh) | 一种用户识别方法、装置、电子设备及存储介质 | |
| CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111401230B (zh) | 姿态估计方法及装置、电子设备和存储介质 | |
| CN112991381B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
| CN112085097A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
| CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
| CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
| CN114581542A (zh) | 图像预览方法及装置、电子设备和存储介质 | |
| CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
| CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
| CN114445753A (zh) | 人脸跟踪识别方法及装置、电子设备和存储介质 | |
| CN111783752A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
| CN114565962A (zh) | 人脸图像处理方法及装置、电子设备和存储介质 | |
| CN114550261A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
| CN113506325B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN114648649A (zh) | 人脸匹配方法及装置、电子设备和存储介质 | |
| CN114973359A (zh) | 表情识别方法及装置、电子设备和存储介质 | |
| CN115035440A (zh) | 时序动作提名的生成方法及装置、电子设备和存储介质 | |
| CN114842404A (zh) | 时序动作提名的生成方法及装置、电子设备和存储介质 | |
| CN114266305A (zh) | 对象识别方法及装置、电子设备和存储介质 | |
| CN113837933A (zh) | 网络训练及图像生成方法、装置、电子设备和存储介质 | |
| CN112949568A (zh) | 人脸和人体匹配的方法及装置、电子设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220506 |
|
| WW01 | Invention patent application withdrawn after publication |