CN114627535B - 基于双目摄像头的坐标匹配方法、装置、设备及介质 - Google Patents
基于双目摄像头的坐标匹配方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114627535B CN114627535B CN202210253782.4A CN202210253782A CN114627535B CN 114627535 B CN114627535 B CN 114627535B CN 202210253782 A CN202210253782 A CN 202210253782A CN 114627535 B CN114627535 B CN 114627535B
- Authority
- CN
- China
- Prior art keywords
- face
- camera
- coordinate
- coordinate set
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013507 mapping Methods 0.000 claims abstract description 168
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 35
- 238000006073 displacement reaction Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 description 16
- 230000004913 activation Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 210000000887 face Anatomy 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 210000001061 forehead Anatomy 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
- 238000003672 processing method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术，揭露一种基于双目摄像头的坐标匹配方法，包括：获取目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；利用两种摄像头人脸坐标集对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值满足预设条件时，退出所述训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；利用所述目标坐标映射模型，根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。本发明还提出一种基于双目摄像头的坐标匹配装置、设备以及介质。本发明可以提升双目摄像头人脸坐标匹配效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于双目摄像头的坐标匹配方法、装置、电子设备及计算机可读存储介质。
背景技术
在人脸识别及活体检测中，普遍使用双目摄像头采集的数据作为人脸识别算法或活体检测算法的前置输入。由于双目摄像头的镜头本身存在一定的距离，使得两种摄像头的成像之间存在一个位移差，且不同的景深对应的位移差的程度不同，物体在一种摄像头上的坐标难以线性的映射到另一种摄像头上。在实际的人脸识别及活体检测之前，需要解决两种摄像头成像对应的坐标不匹配的问题，即把一种摄像头对应的人脸框与另一种摄像头对应的人脸框关联到同一个对象上。
目前业内解决双目摄像头坐标不匹配的问题，主要有两种方法：
一种方法是分别对两种摄像头的成像做人脸检测，得到每种摄像头成像对应的人脸框，再根据人脸框对应的矩形框重叠程度判断两个人脸框是否属于同一对象。
另一种方法是通过预先标定好双目摄像头，进行3D重建，再根据3D重建将一种摄像头成像对应的人脸坐标转换到另一种摄像头对应的成像中。
其中，方法一比较简单，但需要对两种摄像头的成像做人脸检测，计算工作量大，且当检测人数较多、人脸遮挡较多时，通过矩形框重叠难以将两种摄像头对应的人脸框正确的关联到同一个对象，准确性有待提升。
方法二利用3D重建，可以提升两种摄像头同一对象之间关联的准确性，但是3D重建过程较为繁琐，并且由于双目摄像头的制造工艺的不同，需要对单个个体摄像头进行标定、重建，工作量巨大，部署困难，产品难以推广使用。
发明内容
本发明提供一种基于双目摄像头的坐标匹配方法、装置及计算机可读存储介质，其主要目的在于提升双目摄像头人脸坐标匹配效率。
为实现上述目的，本发明提供的一种基于双目摄像头的坐标匹配方法，包括：
获取利用第一摄像头及第二摄像头对预目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；
当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数并返回上述的用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练的步骤；
当所述误差值满足所述预设条件时，退出所述坐标映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
可选的，所述分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集，包括：
依次提取所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征；
根据所述人脸特征，计算所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中每个像素点是人脸像素点的概率值，选择概率值大于预设阈值的像素点作为人脸像素点；
识别每张所述人脸图像中上、下、左、右四个顶点的人脸像素点的坐标，将所述四个顶点的人脸像素点坐标汇集为所述人脸图像对应的人脸坐标集；
汇集所述第一摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第一摄像头人脸坐标集；
汇集所述第二摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第二摄像头人脸坐标集。
可选的，所述依次提取所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征，包括：
依次以所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中的一个像素点为中心点，利用n×n的图像窗口对每张所述人脸图像进行区域选择，得到多个图像区域，其中，所述n为正奇数；
根据每个所述图像区域的中心像素点的像素值以及所述中心像素点的邻域像素点的像素值，利用预设的人脸特征提取算法计算每个所述图像区域的纹理特征值；
将每个所述图像区域的纹理特征值进行向量转换及组合操作，得到每张所述人脸图像的人脸特征。
可选的，所述利用预构建的坐标映射模型，所述利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，包括：
利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率；
利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸在所述第二摄像头中的映射坐标集。
可选的，所述利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率，包括：
根据预设的人脸特征标签，分别对所述第一摄像头人脸坐标集及所述第二摄像头人脸坐标集打标签；
利用所述预构建的坐标映射模型，提取所述第一摄像头人脸坐标集中不同标签对应的坐标数据的第一坐标特征和所述第二摄像头人脸坐标集中不同标签对应的坐标数据的第二坐标特征；
利用预设的损失函数计算相同标签对应的第一坐标特征和第二坐标特征之间的损失值；
利用预设的均值函数计算所有损失值之间的均值；
根据所述第一摄像头人脸坐标集计算所述第一摄像头的人脸宽度；
以所述第一摄像头的人脸宽度为参考宽度，计算所述均值与所述参考宽度之间的比值，将所述比值作为坐标位移率。
可选的，其特征在于，所述利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸在所述第二摄像头中的映射坐标集，包括：
利用如下公式计算所述目标人脸的第二摄像头的人脸坐标集：
rectir.X＝rectrgb.X-w*ratio
rectir.Y＝rectrgb.Y
rectir.Width＝rectrgb.Width
rectir.Height＝rectrgb.Height
其中，rectir.X表示所述第二摄像头的人脸坐标集中的起点对应的横坐标，rectrgb.X表示所述第一摄像头的人脸坐标集中的起点对应的横坐标，w表示所述第一摄像头的人脸宽度，ratio表示所述坐标位移率，rectir.Y表示所述第二摄像头的人脸坐标集中起点对应的纵坐标，rectrgb.Y表示所述第一摄像头人脸坐标集中起点对应的纵坐标，rectir.Width＝rectrgb.Width及rectir.Height＝rectrgb.Height表示所述第一摄像头及所述第二摄像头之间的像素相同。
可选的，所述利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，包括：
获取所述目标坐标映射模型对应的最新的坐标位移率；
根据所述最新的坐标位移率及所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
为了解决上述问题，本发明还提供一种基于双目摄像头的坐标匹配装置，所述装置包括：
训练样本获取模块，用于获取利用第一摄像头及第二摄像头对的目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
训练样本坐标获取模块，用于分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
坐标映射模型训练模块，用于利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数，当所述误差值满足所述预设条件时，退出所述坐标映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
坐标映射模型应用模块，用于获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
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程序以实现上述所述的基于双目摄像头的坐标匹配方法。
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基于双目摄像头的坐标匹配方法。
本发明实施例利用预构建的坐标映射模型，对目标人脸进行根据所述目标人脸的第一摄像头人脸坐标集测算所述目标人脸的第二摄像头人脸坐标集的训练，获取所述第一摄像头坐标集与所述第二摄像头坐标集之间的映射关系，进而利用训练好的坐标映射模型，根据根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，本发明实施例仅在对所述预构建的坐标映射模型进行训练时需要对两种摄像头对应的人脸图像做人脸检测以得到相应的人脸坐标集，在利用训练好的坐标映射模型实际检测中，仅需要对一种摄像头对应的人脸图像进行人脸检测，减少了计算工作量，从而提升了双目摄像头的坐标匹配效率。
附图说明
图1为本发明一实施例提供的基于双目摄像头的坐标匹配方法的流程示意图；
图2为本发明一实施例提供的基于双目摄像头的坐标匹配装置的功能模块图；
图3为本发明一实施例提供的实现所述基于双目摄像头的坐标匹配方法的电子设备的结构示意图。
本发明目的的实现、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。
本申请实施例提供一种基于双目摄像头的坐标匹配方法。所述基于双目摄像头的坐标匹配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，所述基于双目摄像头的坐标匹配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。所述服务端可以是独立的服务器，也可以是提供云服务、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(ContentDeliveryNetwork，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，为本发明一实施例提供的基于双目摄像头的坐标匹配方法的流程示意图。在本实施例中，所述基于双目摄像头的坐标匹配方法包括：
S1、获取利用第一摄像头及第二摄像头对目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
本发明实施例中，通常一个双目摄像头包括一个RGB摄像头(彩色成像)和一个红外摄像头(黑白成像)。所述第一摄像头可以是所述RGB摄像头或所述红外摄像头，相应的，所述第二摄像头是指与所述第一摄像头相对的另一种摄像头。
本发明实施例中，为提升所述基于双目摄像头的坐标匹配方法的准确性，可以对多个不同的目标人脸进行拍照，也可以指定多个预设的拍照角度或拍摄指定的多个脸部局部特征。
S2、分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
本发明实施例中，可以利用人脸识别模型对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集中人脸图像进行人脸检测，得到人脸所在的区域框，进而根据所述区域框计算每张人脸图像对应的人脸坐标集。
详细地，所述分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集，包括：依次提取所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征；根据所述人脸特征，计算所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中每个像素点是人脸像素点的概率值，选择概率值大于预设阈值的像素点作为人脸像素点；识别每张所述人脸图像中上、下、左、右四个顶点的人脸像素点的坐标，将所述四个顶点的人脸像素点坐标汇集为所述人脸图像对应的人脸坐标集；汇集所述第一摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第一摄像头人脸坐标集；汇集所述第二摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第二摄像头人脸坐标集。
本发明实施例中，每张所述人脸图像中，会包含许多指纹边缘区域和空白区域，因此本发明实施例中，需要识别出每张所述人脸图像中的人脸特征。
进一步地，在所述提取每张所述人脸图像的人脸特征之前，所述方法还包括：利用预构建的图像去噪模型对所述每张人脸图像进行去噪处理；利用预设的图像灰度化处理方法对去噪后的每张人脸图像进行灰度化处理。
详细地，所述依次提取每个所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征，包括：依次以所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中的一个像素点为中心点，利用n×n的图像窗口对每张所述人脸图像进行区域选择，得到多个图像区域，其中，所述n为正奇数；根据每个所述图像区域的中心像素点的像素值以及所述中心像素点的邻域像素点的像素值，利用预设的人脸特征提取算法计算每个所述图像区域的纹理特征值；将每个所述图像区域的纹理特征值进行向量转换及组合操作，得到每张所述人脸图像的人脸特征。
本发明实施例中，进一步地，在利用n×n的图像窗口在每张所述人脸图像中依次进行区域选择之前，所述方法还包括：根据所述n×n的图像窗口的大小，对所述每张人脸图像的边缘进行填充，使所述每张人脸图像中任一像素点均可以作为所述n×n的图像窗口中心点。
本发明实施例中，所述预设人脸特征提取算法包括：
其中，为每个所述图像区域的中心像素点的纹理特征值，P0为每个图像区域的中心像素点的像素值，Pe为所述中心像素点的邻域像素点的像素值的均值，n为为所述邻域像素的个数，s(P0-Pe)为量化运算。
本发明实施例中，可以利用支持向量机(support vector machines,SVM)算法对每个所述图像区域的纹理特征值进行向量转换和组合。
本发明实施例中，可以利用预先训练的激活函数计算每个像素点是人脸像素点的概率值，其中，所述激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
本发明其中一个实施例中，可利用如下激活函数计算人脸像素点的概率值：
其中，p(a|xi)表示第i个像素点的纹理特征x存在的情况下，所述像素点是人脸像素点的概率值，xa为纹理特征x的权重向量，T为求转置运算符号，exp为求期望运算符号，a为预设的人脸特征的个数。
S3、利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；
本发明实施例中，所述预构建的坐标映射模型是基于深度学习的卷积神经网络模型。所述预构建的坐标映射模型包括按顺序连接的第一卷积层+第一池化层、第二卷积层+第二池化层、第三卷积层+第三池化层。
所述第一卷积层的卷积核大小为10×10、步长为1、通道数为32，所述第一池化层大小为2×2、步长为1，所述第二卷积层的卷积核大小为9×9、步长为1、通道数为16，所述第二池化层大小为2×2、步长为1，所述第三卷积层的卷积核大小为7×7、步长为1、通道数为16，所述第三池化层大小为2×2、步长为1。
在实际应用中可以根据样本数量设置所述预构建的坐标映射模型的卷积层和池化层的数目、卷积核大小、通道数、步长和池化层大小。
详细地，所述利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，包括：利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率；利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸在所述第二摄像头中的映射坐标集。
详细地，所述利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率，包括：根据预设的人脸特征标签，分别对所述第一摄像头人脸坐标集及所述第二摄像头人脸坐标集打标签；利用所述预构建的坐标映射模型，提取所述第一摄像头人脸坐标集中不同标签对应的坐标数据的第一坐标特征和所述第二摄像头人脸坐标集中不同标签对应的坐标数据的第二坐标特征；利用预设的损失函数计算相同标签对应的第一坐标特征和第二坐标特征之间的损失值；利用预设的均值函数计算所有损失值之间的均值；根据所述第一摄像头人脸坐标集计算所述第一摄像头的人脸宽度；以所述第一摄像头的人脸宽度为参考宽度，计算所述均值与所述参考宽度之间的比值，将所述比值作为坐标位移率。
本发明实施例中，所述预设的人脸特征标签是指区分不同人脸局部特征的标签，包括但不限于额头标签、眉骨标签、眼睛标签、鼻梁标签、嘴巴标签等标签。通过对所述第一摄像头人脸坐标集打标签，可以实现将不同的坐标数据与对应的人脸特征关联在一起，以便进一步低对相同人脸特征对应的坐标数据进行比对。
本发明实施例中，所述预设的损失函数可以采用交叉熵损失函数，所述预设的均值函数可以采用方差均值函数。
详细地，所述利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸的第二摄像头的人脸坐标集，包括：
rectir.X＝rectrgb.X-w*ratio
rectir.Y＝rectrgb.Y
rectir.Width＝rectrgb.Width
rectir.Height＝rectrgb.Height
其中，rectir.X表示所述第二摄像头的人脸坐标集中的起点对应的横坐标，rectrgb.X表示所述第一摄像头的人脸坐标集中的起点对应的横坐标，w表示所述第一摄像头的人脸宽度，ratio表示所述坐标位移率，rectir.Y表示所述第二摄像头的人脸坐标集中起点对应的纵坐标，rectrgb.Y表示所述第一摄像头人脸坐标集中起点对应的纵坐标，rectir.Width＝rectrgb.Width及rectir.Height＝rectrgb.Height表示所述第一摄像头及所述第二摄像头之间的像素相同。
当测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，执行S4、调整所述预构建的坐标映射模型的参数并返回所述S3；
本发明实施例中，所述预设条件可以是一个误差阈值，当测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值大于所述误差阈值时，表明测算得到的所述映射坐标集准确性有待提升，需要进一步地优化所述预构建的坐标映射模型，直至经所述预构建的坐标映射模型测算得到所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值越来越小。
当所述误差值满足所述预设条件时，执行S5、退出所述映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型，获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
本发明实施例中，当测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值小于或等于所述误差阈值时，表明测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集比较接近，此时，相应的所述预构建的坐标映射模型训练已完成。
本发明实施例中，通过对待预测人脸的任一种摄像头对应的人脸图像进行人脸识别，进而识别相应的人脸坐标集，利用所述目标坐标映射模型对应的最近的及识别得到的人脸坐标集。
详细地，所述获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，包括：获取所述目标坐标映射模型对应的最新的坐标位移率；根据所述最新的坐标位移率及所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
本发明实施例利用预构建的坐标映射模型，对目标人脸进行根据所述目标人脸的第一摄像头人脸坐标集测算所述目标人脸的第二摄像头人脸坐标集的训练，获取所述第一摄像头坐标集与所述第二摄像头坐标集之间的映射关系，进而利用训练好的坐标映射模型，根据根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，本发明实施例仅在对所述预构建的坐标映射模型进行训练时需要对两种摄像头对应的人脸图像做人脸检测以得到相应的人脸坐标集，在利用训练好的坐标映射模型实际检测中，仅需要对一种摄像头对应的人脸图像进行人脸检测，减少了计算工作量，从而提升了双目摄像头的坐标匹配效率。
如图2所示，是本发明一实施例提供的基于双目摄像头的坐标匹配装置的功能模块图。
本发明所述基于双目摄像头的坐标匹配装置100可以安装于电子设备中。根据实现的功能，所述基于双目摄像头的坐标匹配装置100可以包括训练样本获取模块101、训练样本坐标获取模块102、坐标映射模型训练模块103及坐标映射模型应用模块104。本发明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：
所述训练样本获取模块101，用于获取利用第一摄像头及第二摄像头对目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
所述训练样本坐标获取模块102，用于分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
所述坐标映射模型训练模块103，用于用于利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数，当所述误差值满足所述预设条件时，退出所述坐标映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
所述坐标映射模型应用模块104，用于获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
详细地，所述基于双目摄像头的坐标匹配装置100各模块的具体实施方式如下：
步骤一、获取利用第一摄像头及第二摄像头对目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
本发明实施例中，通常一个双目摄像头包括一个RGB摄像头(彩色成像)和一个红外摄像头(黑白成像)。所述第一摄像头可以是所述RGB摄像头或所述红外摄像头，相应的，所述第二摄像头是指与所述第一摄像头相对的另一种摄像头。
本发明实施例中，为提升所述基于双目摄像头的坐标匹配方法的准确性，可以对多个不同的目标人脸进行拍照，也可以指定多个预设的拍照角度或拍摄指定的多个脸部局部特征。
步骤二、分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
本发明实施例中，可以利用人脸识别模型对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集中人脸图像进行人脸检测，得到人脸所在的区域框，进而根据所述区域框计算每张人脸图像对应的人脸坐标集。
详细地，所述分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集，包括：依次提取所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征；根据所述人脸特征，计算所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中每个像素点是人脸像素点的概率值，选择概率值大于预设阈值的像素点作为人脸像素点；识别每张所述人脸图像中上、下、左、右四个顶点的人脸像素点的坐标，将所述四个顶点的人脸像素点坐标汇集为所述人脸图像对应的人脸坐标集；汇集所述第一摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第一摄像头人脸坐标集；汇集所述第二摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第二摄像头人脸坐标集。
本发明实施例中，每张所述人脸图像中，会包含许多指纹边缘区域和空白区域，因此本发明实施例中，需要识别出每张所述人脸图像中的人脸特征。
进一步地，在所述提取每张所述人脸图像的人脸特征之前，所述方法还包括：利用预构建的图像去噪模型对所述每张人脸图像进行去噪处理；利用预设的图像灰度化处理方法对去噪后的每张人脸图像进行灰度化处理。
详细地，所述依次提取每个所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征，包括：依次以所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中的一个像素点为中心点，利用n×n的图像窗口对每张所述人脸图像进行区域选择，得到多个图像区域，其中，所述n为正奇数；根据每个所述图像区域的中心像素点的像素值以及所述中心像素点的邻域像素点的像素值，利用预设的人脸特征提取算法计算每个所述图像区域的纹理特征值；将每个所述图像区域的纹理特征值进行向量转换及组合操作，得到每张所述人脸图像的人脸特征。
本发明实施例中，进一步地，在利用n×n的图像窗口在每张所述人脸图像中依次进行区域选择之前，所述方法还包括：根据所述n×n的图像窗口的大小，对所述每张人脸图像的边缘进行填充，使所述每张人脸图像中任一像素点均可以作为所述n×n的图像窗口中心点。
本发明实施例中，所述预设人脸特征提取算法包括：
其中，为每个所述图像区域的中心像素点的纹理特征值，P0为每个图像区域的中心像素点的像素值，Pe为所述中心像素点的邻域像素点的像素值的均值，n为为所述邻域像素的个数，s(P0-Pe)为量化运算。
本发明实施例中，可以利用支持向量机(support vector machines,SVM)算法对每个所述图像区域的纹理特征值进行向量转换和组合。
本发明实施例中，可以利用预先训练的激活函数计算每个像素点是人脸像素点的概率值，其中，所述激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
本发明其中一个实施例中，可利用如下激活函数计算人脸像素点的概率值：
其中，p(a|xi)表示第i个像素点的纹理特征x存在的情况下，所述像素点是人脸像素点的概率值，xa为纹理特征x的权重向量，T为求转置运算符号，exp为求期望运算符号，a为预设的人脸特征的个数。
步骤三、利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；
本发明实施例中，所述预构建的坐标映射模型是基于深度学习的卷积神经网络模型。所述预构建的坐标映射模型包括按顺序连接的第一卷积层+第一池化层、第二卷积层+第二池化层、第三卷积层+第三池化层。
所述第一卷积层的卷积核大小为10×10、步长为1、通道数为32，所述第一池化层大小为2×2、步长为1，所述第二卷积层的卷积核大小为9×9、步长为1、通道数为16，所述第二池化层大小为2×2、步长为1，所述第三卷积层的卷积核大小为7×7、步长为1、通道数为16，所述第三池化层大小为2×2、步长为1。
在实际应用中可以根据样本数量设置所述预构建的坐标映射模型的卷积层和池化层的数目、卷积核大小、通道数、步长和池化层大小。
详细地，所述利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，包括：利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率；利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸在所述第二摄像头中的映射坐标集。
详细地，所述利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率，包括：根据预设的人脸特征标签，分别对所述第一摄像头人脸坐标集及所述第二摄像头人脸坐标集打标签；利用所述预构建的坐标映射模型，提取所述第一摄像头人脸坐标集中不同标签对应的坐标数据的第一坐标特征和所述第二摄像头人脸坐标集中不同标签对应的坐标数据的第二坐标特征；利用预设的损失函数计算相同标签对应的第一坐标特征和第二坐标特征之间的损失值；利用预设的均值函数计算所有损失值之间的均值；根据所述第一摄像头人脸坐标集计算所述第一摄像头的人脸宽度；以所述第一摄像头的人脸宽度为参考宽度，计算所述均值与所述参考宽度之间的比值，将所述比值作为坐标位移率。
本发明实施例中，所述预设的人脸特征标签是指区分不同人脸局部特征的标签，包括但不限于额头标签、眉骨标签、眼睛标签、鼻梁标签、嘴巴标签等标签。通过对所述第一摄像头人脸坐标集打标签，可以实现将不同的坐标数据与对应的人脸特征关联在一起，以便进一步低对相同人脸特征对应的坐标数据进行比对。
本发明实施例中，所述预设的损失函数可以采用交叉熵损失函数，所述预设的均值函数可以采用方差均值函数。详细地，所述利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸的第二摄像头的人脸坐标集，包括：
rectir.X＝rectrgb.X-w*ratio
rectir.Y＝rectrgb.Y
rectir.Width＝rectrgb.Width
rectir.Height＝rectrgb.Height
其中，rectir.X表示所述第二摄像头的人脸坐标集中的起点对应的横坐标，rectrgb.X表示所述第一摄像头的人脸坐标集中的起点对应的横坐标，w表示所述第一摄像头的人脸宽度，ratio表示所述坐标位移率，rectir.Y表示所述第二摄像头的人脸坐标集中起点对应的纵坐标，rectrgb.Y表示所述第一摄像头人脸坐标集中起点对应的纵坐标，rectir.Width＝rectrgb.Width及rectir.Height＝rectrgb.Height表示所述第一摄像头及所述第二摄像头之间的像素相同。
当测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，执行步骤四、调整所述预构建的坐标映射模型的参数并返回所述步骤三；
本发明实施例中，所述预设条件可以是一个误差阈值，当测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值大于所述误差阈值时，表明测算得到的所述映射坐标集准确性有待提升，需要进一步地优化所述预构建的坐标映射模型，直至经所述预构建的坐标映射模型测算得到所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值越来越小。
当所述误差值满足所述预设条件时，执行步骤四、退出所述映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型，获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
本发明实施例中，当测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值小于或等于所述误差阈值时，表明测算得到的所述映射坐标集与真实的第二摄像头人脸坐标集比较接近，此时，相应的所述预构建的坐标映射模型训练已完成。
本发明实施例中，通过对待预测人脸的任一种摄像头对应的人脸图像进行人脸识别，进而识别相应的人脸坐标集，利用所述目标坐标映射模型对应的最近的及识别得到的人脸坐标集。
详细地，所述获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，包括：利用所述目标坐标映射模型，根据所述待侧人脸的任一种摄像头对应的人脸坐标集，生成所述待预测人脸对应的坐标位移率；根据所述待预测人脸对应坐标位移率及所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
所述基于双目摄像头的坐标匹配装置100利用预构建的坐标映射模型，对目标人脸进行根据所述目标人脸的第一摄像头人脸坐标集测算所述目标人脸的第二摄像头人脸坐标集的训练，获取所述第一摄像头坐标集与所述第二摄像头坐标集之间的映射关系，进而利用训练好的坐标映射模型，根据根据待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，本发明实施例仅在对所述预构建的坐标映射模型进行训练时需要对两种摄像头对应的人脸图像做人脸检测以得到相应的人脸坐标集，在利用训练好的坐标映射模型实际检测中，仅需要对一种摄像头对应的人脸图像进行人脸检测，减少了计算工作量，从而提升了双目摄像头的坐标匹配效率。
如图3所示，是本发明一实施例提供的实现基于双目摄像头的坐标匹配方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，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，如基于双目摄像头的坐标匹配程序。
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1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1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1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1的应用软件及各类数据，例如基于双目摄像头的坐标匹配程序的代码等，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(例如基于双目摄像头的坐标匹配程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，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。
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1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1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1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。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口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1与其他电子设备之间建立通信连接。
可选地，该电子设备1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1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1中的所述存储器11存储的基于双目摄像头的坐标匹配程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取利用第一摄像头及第二摄像头对预设数量的目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；
当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数并返回上述的利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练的步骤；
当所述误差值满足所述预设条件时，退出所述映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还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：
获取利用第一摄像头及第二摄像头对目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；
当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数并返回上述的利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练的步骤；
当所述误差值满足所述预设条件时，退出所述训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
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 (7)
1.一种基于双目摄像头的坐标匹配方法，其特征在于，所述方法包括：
获取利用第一摄像头及第二摄像头对目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集；
当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数并返回上述的利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练的步骤；
当所述误差值满足所述预设条件时，退出所述坐标映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集；
其中，所述利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，包括：利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率；利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸在所述第二摄像头中的映射坐标集；
所述利用所述预构建的坐标映射模型，根据每个所述目标人脸摄像头对应的第一摄像头人脸坐标集及第二摄像头人脸坐标集计算两种摄像头之间的坐标位移率，包括：根据预设的人脸特征标签，分别对所述第一摄像头人脸坐标集及所述第二摄像头人脸坐标集打标签；利用所述预构建的坐标映射模型，提取所述第一摄像头人脸坐标集中不同标签对应的坐标数据的第一坐标特征和所述第二摄像头人脸坐标集中不同标签对应的坐标数据的第二坐标特征；利用预设的损失函数计算相同标签对应的第一坐标特征和第二坐标特征之间的损失值；利用预设的均值函数计算所有损失值之间的均值；根据所述第一摄像头人脸坐标集计算所述第一摄像头的人脸宽度；以所述第一摄像头的人脸宽度为参考宽度，计算所述均值与所述参考宽度之间的比值，将所述比值作为坐标位移率；
所述利用所述坐标位移率及所述目标人脸对应的第一摄像头人脸坐标集测算所述目标人脸在所述第二摄像头中的映射坐标集，包括：利用如下公式计算所述目标人脸在所述第二摄像头中的映射坐标集：
其中，表示所述第二摄像头的人脸坐标集中的起点对应的横坐标，/>表示所述第一摄像头的人脸坐标集中的起点对应的横坐标，/>表示所述第一摄像头的人脸宽度，表示所述坐标位移率，/>表示所述第二摄像头的人脸坐标集中起点对应的纵坐标，/>表示所述第一摄像头人脸坐标集中起点对应的纵坐标，/>及/>表示所述第一摄像头及所述第二摄像头之间的像素相同。
2.如权利要求1所述的基于双目摄像头的坐标匹配方法，其特征在于，所述分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集，包括：
依次提取所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征；
根据所述人脸特征，计算所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中每个像素点是人脸像素点的概率值，选择概率值大于预设阈值的像素点作为人脸像素点；
识别每张所述人脸图像中上、下、左、右四个顶点的人脸像素点的坐标，将所述四个顶点的人脸像素点坐标汇集为所述人脸图像对应的人脸坐标集；
汇集所述第一摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第一摄像头人脸坐标集；
汇集所述第二摄像头人脸图像集对应的人脸坐标集作为所述目标人脸的第二摄像头人脸坐标集。
3.如权利要求2所述的基于双目摄像头的坐标匹配方法，其特征在于，所述依次提取所述目标人脸对应的所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中的人脸特征，包括：
依次以所述第一摄像头人脸图像集及所述第二摄像头人脸图像集中每张人脸图像中的一个像素点为中心点，利用n×n的图像窗口对每张所述人脸图像进行区域选择，得到多个图像区域，其中，所述n为正奇数；
根据每个所述图像区域的中心像素点的像素值以及所述中心像素点的邻域像素点的像素值，利用预设的人脸特征提取算法计算每个所述图像区域的纹理特征值；
将每个所述图像区域的纹理特征值进行向量转换及组合操作，得到每张所述人脸图像的人脸特征。
4.如权利要求1所述的基于双目摄像头的坐标匹配方法，其特征在于，所述利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集，包括：
获取所述目标坐标映射模型对应的最新的坐标位移率；
根据所述最新的坐标位移率及所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
5.一种基于双目摄像头的坐标匹配装置，用于实现如权利要求1至4中任意一项所述的基于双目摄像头的坐标匹配方法，其特征在于，所述装置包括：
训练样本获取模块，用于获取利用第一摄像头及第二摄像头对目标人脸进行拍照，得到的所述目标人脸的第一摄像头人脸图像集和第二摄像头人脸图像集；
训练样本坐标获取模块，用于分别对所述第一摄像头人脸图像集和所述第二摄像头人脸图像集做人脸检测，得到所述目标人脸的第一摄像头人脸坐标集及第二摄像头人脸坐标集；
坐标映射模型训练模块，用于利用所述第一摄像头人脸坐标集和所述第二摄像头人脸坐标集，对预构建的坐标映射模型进行坐标映射训练，得到所述第一摄像头人脸坐标集在所述第二摄像头中的映射坐标集，当所述映射坐标集与真实的第二摄像头人脸坐标集之间的误差值不满足预设条件时，调整所述预构建的坐标映射模型的参数，当所述误差值满足所述预设条件时，退出所述坐标映射训练并将所述预构建的坐标映射模型确定为目标坐标映射模型；
坐标映射模型应用模块，用于获取待预测人脸的任一种摄像头对应的人脸坐标集，利用所述目标坐标映射模型，根据所述待预测人脸的任一种摄像头对应的人脸坐标集计算另一种摄像头对应的人脸坐标集。
6.一种电子设备，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，所述计算机程序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4中任意一项所述的基于双目摄像头的坐标匹配方法。
7.一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4中任意一项所述的基于双目摄像头的坐标匹配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210253782.4A CN114627535B (zh) | 2022-03-15 | 2022-03-15 | 基于双目摄像头的坐标匹配方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210253782.4A CN114627535B (zh) | 2022-03-15 | 2022-03-15 | 基于双目摄像头的坐标匹配方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627535A CN114627535A (zh) | 2022-06-14 |
| CN114627535B true CN114627535B (zh) | 2024-05-10 |
Family
ID=81901241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210253782.4A Active CN114627535B (zh) | 2022-03-15 | 2022-03-15 | 基于双目摄像头的坐标匹配方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627535B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106840148A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 室外作业环境下基于双目摄像机的可穿戴式定位与路径引导方法 |
| CN109887019A (zh) * | 2019-02-19 | 2019-06-14 | 北京市商汤科技开发有限公司 | 一种双目匹配方法及装置、设备和存储介质 |
| CN112258567A (zh) * | 2020-10-10 | 2021-01-22 | 达闼机器人有限公司 | 物体抓取点的视觉定位方法、装置、存储介质及电子设备 |
| CN112884841A (zh) * | 2021-04-14 | 2021-06-01 | 哈尔滨工业大学 | 一种基于语义目标的双目视觉定位方法 |
| CN113963072A (zh) * | 2021-12-22 | 2022-01-21 | 深圳思谋信息科技有限公司 | 双目摄像头标定方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108335322B (zh) * | 2018-02-01 | 2021-02-12 | 深圳市商汤科技有限公司 | 深度估计方法和装置、电子设备、程序和介质 |
-
2022
- 2022-03-15 CN CN202210253782.4A patent/CN114627535B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106840148A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 室外作业环境下基于双目摄像机的可穿戴式定位与路径引导方法 |
| CN109887019A (zh) * | 2019-02-19 | 2019-06-14 | 北京市商汤科技开发有限公司 | 一种双目匹配方法及装置、设备和存储介质 |
| CN112258567A (zh) * | 2020-10-10 | 2021-01-22 | 达闼机器人有限公司 | 物体抓取点的视觉定位方法、装置、存储介质及电子设备 |
| CN112884841A (zh) * | 2021-04-14 | 2021-06-01 | 哈尔滨工业大学 | 一种基于语义目标的双目视觉定位方法 |
| CN113963072A (zh) * | 2021-12-22 | 2022-01-21 | 深圳思谋信息科技有限公司 | 双目摄像头标定方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627535A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110662484B (zh) | 用于全身测量结果提取的系统和方法 | |
| CN112446919B (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
| WO2022247005A1 (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| JP2018055470A (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
| CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111835984A (zh) | 智能补光方法、装置、电子设备及存储介质 | |
| CN113887408B (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
| CN112132812B (zh) | 证件校验方法、装置、电子设备及介质 | |
| CN113705460A (zh) | 图像中人脸睁眼闭眼检测方法、装置、设备及存储介质 | |
| JP2022133378A (ja) | 顔生体検出方法、装置、電子機器、及び記憶媒体 | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN113240585B (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
| CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN116797864B (zh) | 基于智能镜子的辅助化妆方法、装置、设备及存储介质 | |
| CN112991217A (zh) | 一种医学图像采集方法、装置及设备 | |
| CN112329666A (zh) | 人脸识别方法、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 | |
| CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| CN114627535B (zh) | 基于双目摄像头的坐标匹配方法、装置、设备及介质 | |
| CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
| CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
| CN113792672B (zh) | 公共场所健康码获取方法、装置、设备及介质 | |
| CN113869218B (zh) | 人脸活体检测方法、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 | |
| CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |