CN115273196A - 基于人脸关键点的肤色识别方法及电子设备 - Google Patents

基于人脸关键点的肤色识别方法及电子设备 Download PDF

Info

Publication number
CN115273196A
CN115273196A CN202210906930.8A CN202210906930A CN115273196A CN 115273196 A CN115273196 A CN 115273196A CN 202210906930 A CN202210906930 A CN 202210906930A CN 115273196 A CN115273196 A CN 115273196A
Authority
CN
China
Prior art keywords
key point
face
skin color
target object
key
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
Application number
CN202210906930.8A
Other languages
English (en)
Inventor
李广琴
朱琳清
胡雁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Hisense Smart Life Technology Co Ltd
Original Assignee
Qingdao Hisense Smart Life Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Hisense Smart Life Technology Co Ltd filed Critical Qingdao Hisense Smart Life Technology Co Ltd
Priority to CN202210906930.8A priority Critical patent/CN115273196A/zh
Publication of CN115273196A publication Critical patent/CN115273196A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像处理技术领域，提供一种基于人脸关键点的肤色识别方法及电子设备，根据人脸图像中提取的稠密关键点集合，检测目标对象的头部是否正视摄像头，当未正视时指导目标对象正视摄像头，以保证摄像头可以采集到包含完整人脸数据的正面人脸图像，提高肤色识别的准确性；同时，考虑面部肤色是不均匀的，因此，根据多个预设语义信息，从正面人脸图像中选择出了部分目标关键点，用于裁剪出不同部位的人脸肤色关键区域，并对各人脸肤色关键区域进行颜色空间变换后，得到肤色特征明显的亮度信息，从而根据各人脸肤色关键区域的亮度均值，综合识别目标对象的肤色类型，以减小了面部肤色分布不均对识别结果的影响，进一步提高肤色识别的准确性。

Description

基于人脸关键点的肤色识别方法及电子设备
技术领域
本申请涉及图像处理技术领域，提供一种基于人脸关键点的肤色识别方法及电子设备。
背景技术
随着移动通信技术的快速发展，各种智能终端已广泛应用于人们的日常工作和生活，出于对高品质生成的追求，智能终端中具有美颜自拍、拍照测肤等功能的APP的应用场景越来越多，特别是在个人形象设计方面。例如，快速准确的识别脸部肤色，为用户推荐合适的粉底色号，妆容以及配饰等。
目前，肤色识别主要包括人为识别和自动识别，其中，人为识别依赖于主观评价，肤色的识别受个人喜好的干扰较大，而自动识别方法主要对人脸图像进行分析，人为干扰因素较小，但容易受环境光照、拍照设备、拍照角度等因素的影响，导致肤色的识别准确率较低。
因此，快速准确的识别出人脸肤色是个人形象设计领域亟待解决的问题。
发明内容
本申请提供一种基于人脸关键点的肤色识别方法及电子设备，用于提高肤色识别的准确性。
一方面，本申请提供一种基于人脸关键点的肤色识别方法，包括：
获取摄像头采集的人脸图像，并从所述人脸图像中提取稠密关键点集合；
根据所述稠密关键点集合，检测目标对象的头部是否正视所述摄像头，并在检测到未正视所述摄像头时，显示所述稠密关键点集合中的各关键点以指导所述目标对象正视所述摄像头；
根据所述目标对象正视所述摄像头的正面人脸图像，获取所述正面人脸图像中的各目标关键点；
根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域；
根据多个所述人脸肤色关键区域，识别所述目标对象的肤色。
另一方面，本申请提供一种电子设备，包括处理器、存储器、摄像头和显示屏，所述显示屏、所述摄像头、所述存储器和所述处理器通过总线连接；
所述显示屏用于显示人脸图像，所述存储器存储有计算机程序，所述处理器根据所述计算机程序执行以下操作：
获取所述摄像头采集的人脸图像，并从所述人脸图像中提取稠密关键点集合；
根据所述稠密关键点集合，检测目标对象的头部是否正视所述摄像头，并在检测到未正视所述摄像头时，通过所述显示屏显示所述稠密关键点集合中的各关键点以指导所述目标对象正视所述摄像头；
根据所述目标对象正视所述摄像头的正面人脸图像，获取所述正面人脸图像中的各目标关键点；
根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域；
根据多个所述人脸肤色关键区域，识别所述目标对象的肤色。
另一方面，本申请实施例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可执行指令，所述计算机可执行指令用于使计算机设备执行本申请实施例提供的一种基于关键点识别的人脸重建方法。
本申请提供的基于人脸关键点的肤色识别方法及电子设备中，根据摄像头采集的人脸图像中提取的稠密关键点集合，检测目标对象的头部是否正视摄像头，并在检测到未正视摄像头时，显示稠密关键点集合中的各关键点以指导目标对象正视摄像头，这样，保证摄像头可以采集到包含完整人脸数据的正面人脸图像，提高肤色识别的准确性；同时，考虑到面部肤色是不均匀的，因此，根据多个预设语义信息，从正面人脸图像选择出了部分目标关键点，基于选出的多个目标关键点，裁剪出脸部不同部位的人脸肤色关键区域，并根据多个人脸肤色关键区域，综合识别目标对象的肤色，减小了面部肤色分布不均对识别结果的影响，进一步提高了肤色识别的准确性。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图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为本申请提供的基于人脸关键点的肤色识别方法整体架构图；
图2为本申请提供的基于人脸关键点的肤色识别方法流程图；
图3为本申请提供的稠密的人脸关键点示意图；
图4为本申请实施例提供的检测目标对象的头部是否正视摄像头得方法流程图；
图5为本申请实施例提供的基于选取的多个检测关键点确定头部多段距离方法示意图；
图6本申请实施例提供的各检测关键点确定的多段距离示意图；
图7本申请实施例提供的检测目标对象的头部在三个方向上是否存在偏转的方法流程图；
图8本申请实施例提供的检测目标对象的头部在三个方向上存在偏转的调整示意图；
图9本申请实施例提供的正面人脸图像中提取的稠密的关键点示意图；
图10本申请实施例提供的从正面人脸图像中裁剪出多个人脸肤色关键区域的方法流程图；
图11本申请实施例提供的裁剪的多个人脸肤色关键区域的示意图；
图12本申请实施例提供的识别目标对象肤色的方法流程图；
图13本申请实施例提供的冷白色肤色示意图；
图14本申请实施例提供的粉白色肤色示意图；
图15本申请实施例提供的黄色肤色示意图；
图16本申请实施例提供的小麦色肤色示意图；
图17本申请实施例提供的识别目标对象肤色的智能设备示意图；
图18为本申请实施例提供的电子设备的硬件结构图；
图19为本申请实施例提供的电子设备的功能结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，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，都属于本申请技术方案保护的范围。
用户在购买美妆产品、护肤品及服饰时，如果不清楚自己的肤色情况，很难自主选择适合自己的个性化产品。因此，在美妆、护肤品、穿戴服饰等日常销售场景中，通常会采用智能设备中的一些普通软件进行拍照以识别自己的肤色，然后针对不同的肤色推荐不同的美妆、护肤产品或穿戴服饰等。例如，针对不同的肤色推荐不同色号的口红、粉底液等。
随着人们对个人形象设计的追求，基于用户肤色来进行个性化产品推荐的场景越来越多。然而，目前肤色识别受很多因素(如：导购的经验、外部光照、拍照设备等)的影响，难以精准的识别用户肤色，直接降低了个性化产品推荐的成功率。
鉴于此，本申请实施例提供一种基于人脸关键点的肤色识别方法及电子设备，能够更为精准定位面部五官及脸部关键点位置，实时显示脸部关键点以指导目标对象正视摄像头，保证获取到包含完整人脸数据的正面人脸图像，提高肤色识别的准确性；同时，考虑到脸部肤色分布不均匀的情况，根据正面人脸图像中的目标关键点，选取脸部不同部位的人脸肤色关键区域，并对正面人脸图像进行了颜色空间的变换，减小了环境光照对减小光照对肤色识别的影响，进一步地，获取不同部位的人脸肤色关键区域颜色空间变换后Y通道的亮度信息，根据各人脸肤色关键区域的亮度均值，实现脸部肤色的识别，从而减小了面部肤色分布不均对识别结果的影响，进一步提高了肤色识别的准确性。
参见图1，为本申请提供的基于人脸关键点的肤色识别方法整体架构图，主要包括人脸关键点检测、正面拍照指导、人脸肤色关键区域选取、颜色空间变换计算亮度均值和肤色识别多个过程。具体的，首先，基于开源的稠密人脸关键点检测算法，实时精准的检测稠密的人脸关键点；其次，基于稠密的人脸关键点实时判断目标对象是否正视摄像头，并通过显示的人脸关键点指导目标对象正视摄像头以拍取正面人脸图像；然后，根据正面人脸图像中的人脸关键点选取不同部位的人脸肤色关键区域，并进行颜色空间变换后，计算各人脸肤色关键区域的亮度均值；最后，根据亮度均值进行肤色识别。
下面结合具体实施例，详细描述本申请提供的基于人脸关键点的肤色识别方法流程，参见图2，该流程主要包括以下几步：
S201：获取摄像头采集的人脸图像，并从人脸图像中提取稠密关键点集合。
一种可选的实施方式为，在S201中，进入肤色识别应用程序后，开启摄像头以实时采集人脸图像，并基于开源的稠密人脸关键点检测算法MediaPipe，从人脸图像中实时提取出包含486个人脸关键点，得到稠密人脸关键点集合，如图3所示。
MediaPipe是一个基于图形的跨平台框架，用于构建多模式(如视频，音频和传感器等)应用的机器学习管道，可在移动设备、工作站和服务器上跨平台运行，并支持移动图形处理器(Graphics Processing Unit，GPU)加速。基于MediaPipe，可以将应用的机器学习管道构建为模块化组件的图形，该框架同时也支持多种常用的人工智能(ArtificialIntelligence，AI)算法，如人像分割、手势跟踪、人体姿态估计等算法。
在S201中，基于MediaPipe提取稠密关键点集合时主要包括两步：首先采用BlazeFace算法实现人脸检测，得到只包含人脸的人脸图像，然后将人脸图像送到稠密人脸关键点检测器，获得468个人脸关键点组成的稠密关键点集合，同时输出每个人脸关键点在人脸图像中的位置坐标。
其中，基于MediaPipe算法检测出稠密关键点集合中，每个人脸关键在点用0-467的数字编号唯一标识，这468个人脸关键点在人脸中的数字编号是固定不变的，且每个数字编号标识的人脸关键点具有特定的语义信息。
例如，数字编号为9的人脸关键点的语义信息为额头中间，数字编号为152的人脸关键点的语义信息为下巴尖。
需要说明的是，由于MediaPipe算法检测出468个人脸关键点数量较为稠密，因此，在图3中不再一一标注每个人脸关键点的数字编号，可将每个人脸关键点的位置坐标和数字编号作为已知参数。
S202：根据稠密关键点集合，检测目标对象的头部是否正视摄像头，并在检测到未正视摄像头时，显示稠密关键点集合中的各关键点以指导目标对象正视摄像头。
通常的，目标对象正视摄像头时采集的正面人脸图像包含的人脸信息最为完整，因此，使用正面人脸图像进行肤色识别，可以更准确的识别目标对象的肤色。而实际应用中，由于智能设备摆放角度和目标对象的头部姿态并不是完全固定的，可能发生倾斜，因此，可能无法一次性获取到目标对象的正面人脸图像，需要实时检测目标对象的头部与摄像头的位置关系。
一种可选的实施方式为，在S202中，可根据提取的稠密关键点集合，获得目标对象的头部状态，从而实时检测目标对象的头部是否正视摄像头。具体检测过程参见图4，主要包括以下几步：
S2021：根据稠密关键点集合中每个关键点的语义信息，选取多个检测关键点，并根据多个检测关键点的位置坐标，确定目标对象的头部在水平方向和竖直方向的多段距离。
基于MediaPipe算法检测出稠密关键点集合中，每个人脸关键点的位置坐标是已知的，且每个人脸关键点的数字编号是唯一的，每个数字编号标识的人脸关键点具有特定的语义信息。因此，在S2021中，可以根据稠密关键点集合中每个关键点的语义信息，选取多个检测关键点。
假设，根据稠密关键点集合中468个关键点的语义信息，选取的检测关键点包括：数字编号为168的鼻梁关键点，数字编号为127的左脸眼眶外轮廓关键点，数字编号为356的右脸眼眶外轮廓关键点，数字编号为13的嘴部中间关键点，数字编号为58的左脸腮部外轮廓关键点，数字编号为361的右脸腮部外轮廓关键点，数字编号为10的额头上轮廓关键点，数字编号为152的下巴尖关键点。
选取出多个检测关键点后，在S202中，可根据多个检测关键点的位置坐标，确定目标对象的头部在水平方向和竖直方向的多段距离。
以上述选取出的多个检测关键点为例，头部多段距离的确定方式如图5所示：
(1)根据鼻梁关键点和左脸眼眶外轮廓关键点的位置坐标，确定水平方向上鼻梁到左脸轮廓的第一距离。
第一距离S1的公式表示为：
S1＝|y168-y127| 公式1
其中，(x168，y168)表示数字编号为168的鼻梁关键点的位置坐标，(x127，y127)表示数字编号为127的左脸眼眶外轮廓关键点的位置坐标。
(2)根据鼻梁关键点和右脸眼眶外轮廓关键点的位置坐标，确定水平方向上鼻梁到右脸轮廓的第二距离。
第二距离S2的公式表示为：
S2＝|y168-y356| 公式2
其中，(x356，y356)表示数字编号为356的右脸眼眶外轮廓关键点的位置坐标。
(3)根据嘴部中间关键点和左脸腮部外轮廓关键点的位置坐标，确定水平方向上嘴部到左脸轮廓的第三距离。
第三距离S3的公式表示为：
S3＝|y13-y58| 公式3
其中，(x13，y13)表示数字编号为13的嘴部中间关键点的位置坐标，(x58，y58)表示数字编号为58的左脸腮部外轮廓关键点的位置坐标。
(4)根据嘴部中间关键点和右脸腮部外轮廓关键点的位置坐标，确定水平方向上嘴部到右脸轮廓的第四距离。
第四距离S4的公式表示为：
S4＝|y13-y361| 公式4
其中，(x361，y361)表示数字编号为361的右脸腮部外轮廓关键点的位置坐标。
(5)根据鼻梁关键点和额头上轮廓关键点的位置坐标，确定竖直方向上眼部到额头的第五距离。
第五距离S5的公式表示为：
S5＝|x168-x10| 公式5
其中，(x10，y10)表示数字编号为10的额头上轮廓关键点的位置坐标。
(6)根据鼻梁关键点和嘴部中间关键点的位置坐标，确定竖直方向上眼部到嘴部的第六距离。
第六距离S6的公式表示为：
S6＝|x168-x13| 公式6
(7)根据嘴部中间关键点和下巴尖关键点的位置坐标，确定竖直方向上嘴部到下巴尖的第七距离。
第七距离S7的公式表示为：
S7＝|x13-x152| 公式7
其中，(x152，y152)表示数字编号为152的下巴尖关键点的位置坐标。
参见图6，为选取的各检测关键点确定的7段距离示意图。
S2022：根据确定的多段距离，分别检测目标头像的头部在三维空间的三个方向上是否存在偏转。
在S2022中，以上7段距离为例，检测头部在三个方向上的偏转过程参见图7，主要包括以下几步：
S2022_1：分别确定第一距离和第二距离的第一比值、第三距离和第四距离的第二比值、第五距离和第一距离的第三比值、第三距离和第七距离的第四比值。
S2022_2：根据第一比值和第二比值是否在第一预设区间，检测目标对象的头部是否在Yaw方向上存在偏转。
在S2022_2中，根据第一距离、第二距离、第三距离、第四距离确定的第一比值和第二比值，可以检测目标对象的头部是否在Yaw方向上存在偏转。具体的，假设第一预设区间的下限为t1，第一预设区间的上限为t2，若t1＜S1/S2＜t2，且t1＜S3/S4＜t2，则确定目标对象的头部在Yaw方向上不存在偏转若t1≥S1/S2，或S1/S2≥t2，或t1≥S3/S4，或S3/S4≥t2，则确定目标对象的头部在Yaw方向上存在偏转，如图8所示，此时，可提示目标对象调整头部在左右方向上转动以矫正头部在Yaw方向的角度。
其中，t1和t2可根据实际经验设置。
S2022_3：根据第五距离、第六距离和第七距离分别与第二预设阈值的比较结果，检测目标对象的头部是否在Roll方向上存在偏转。
在S2022_3中，根据第五距离、第六距离和第七距离，可以检测目标对象的头部是否在Roll方向上存在偏转。具体的，假设第二阈值为t3，若S5＜t3，且S6＜t3，且S7＜t3，则确定目标对象的头部在Roll方向上不存在偏转；若S5≥t3，或S6≥t3，或S7≥t3，则确定目标对象的头部在Roll方向上存在偏转，如图8所示，此时，可提示目标对象调整头部在Roll方向的角度。
其中，t3为保证头部在Roll方向上保持不发生大幅旋转的经验阈值。
S2022_4：根据第三比值和第四比值是否分别在第三预设区间和第四预设区间，检测目标对象的头部是否在Pitch方向上存在偏转。
在S2022_4中，根据第一距离、第五距离、第三距离、第七距离确定的第三比值和第四比值，可以检测目标对象的头部是否在Pitch方向上存在偏转。具体的，假设第三预设区间的下限为t4，第三预设区间的上限为t5，第四预设区间的下限为t6，第四预设区间的上限为t7，若t4＜S5/S1＜t5，且t6＜S3/S7＜t7，则确定目标对象的头部在Pitch方向上不存在偏转；若t4≥S5/S1，或S5/S1≥t5，或t6≥S3/S7，或S3/S7≥t7，则确定目标对象的头部在Pitch方向上存在偏转，如图8所示，此时，可提示目标对象调整头部在Pitch方向的角度。
其中，t4至t7可根据实际经验设置。
S2023：根据偏转情况，检测目标对象的头部是否正视摄像头。
在S2023中，当目标对象的头部在Yaw方向、Poll方向和Pitch方向上均为发生偏转时，表明目标对象的头部正在正视摄像头，可以保证采集到目标对象的正面人脸图像。
在S202中，当得到头部检测结果后，当检测到目标对象的头部未正视摄像头时，可通过显示稠密关键点集合中的各关键点以指导目标对象正视摄像头，从而获得目标对象的正面人脸图像；当检测到目标对象的头部正视摄像头时，可将当前采集的人脸图像直接作为正面人脸图像。
S203：根据目标对象正视摄像头的正面人脸图像，获取正面人脸图像中的各目标关键点。
在S203中，得到目标对象正视摄像头的正面人脸图像后，将正面人脸图像中提取的稠密的关键点，作为后续进行肤色识别的目标关键点，如图9所示，为本申请实施例提供的目标对象的正面人脸图像中提取的各目标关键点示意图。
S204：根据多个预设语义信息对应的目标关键点，从正面人脸图像中裁剪出多个人脸肤色关键区域。
由前述实施例可知，每个目标关键点都有特定的语义信息，该语义信息可以表征目标关键点所属的人脸部位，考虑到不同脸部部位的肤色本身就存在不一致性，如有的部位肤色偏深，有的肤色偏浅。为均衡面部的整体肤色，因此，在S204中，根据多个预设语义信息对应的目标关键点，从正面人脸图像中裁剪出多个人脸肤色关键区域，具体过程参见图10，主要包括以下几步：
S2041：选取额头关键点、左脸颊中心关键点、右脸颊中心关键点和下巴中心关键点多个目标关键点。
在S2041中，根据各数字编号唯一标识的目标关键点的语义信息，从486个目标关键点中，选择出本申请实施例所考虑的多个预设部位区域内的语义信息对应的部分目标关键点。
本申请实施例为能够更加客观、准确的识别出目标对象的肤色，将额头、左脸颊、右脸颊、下巴等4个人脸肤色关键区域作为肤色识别考虑的范围。因此，在S2041中，选取的部分目标关键点包括：数字编号为9的额头中间关键点，其位置坐标为(x9，y9)，数字编号为50的左脸颊中心关键点，其位置坐标为(x50，y50)，数字编号为280的右脸颊中心关键点，其位置坐标为(x280，y280)，数字编号为199的下巴中心关键点，其位置坐标为(x199，y199)。
S2042：针对选取的每个目标关键点，根据目标关键点所在的人脸部位包含的关键点，确定以目标关键点为中心的正方形的边长。
在S2042中，各部位的人脸肤色关键区域的边长大小，可根据相应部位包含的关键点的位置坐标来确定，不同部位的人脸肤色关键区域的大小可不同，例如，额头、左脸颊、右脸颊部位的人脸肤色关键区域较大，下巴部位的人脸肤色关键区域较小。而不同部位的人脸肤色关键区域的大小，可根据正方形的边长确定。
以选取出的额头中间关键点、左脸颊中心关键点、右脸颊中心关键点、下巴中心关键点为例，将这些目标关键点，分别作为额头、左脸颊、右脸颊、下巴这4个人脸肤色关键区域的中心，此时，额头人脸肤色关键区域的边长为d1＝(y158-y8)，左脸颊人脸肤色关键区域的边长为d2＝(y118-y105)，右脸颊人脸肤色关键区域的边长为d3＝(y347-y425)，下巴人脸肤色关键区域的边长为d4＝(y200-y175)。其中，y158、y8为额头区域内数字编号为158和8的关键点的y轴坐标；y118、y105为左脸颊区域内数字编号为118和105的关键点的y轴坐标；y347、y425为右脸颊区域内数字编号为347和425的关键点的y轴坐标；y200、y175为下巴区域内数字编号为200和175的关键点的y轴坐标。
S2043：从正面人脸图像中裁剪出选取的各目标关键点对应的正方形区域，得到多个人脸肤色关键区域。
得到选取的各目标关键点对应的边长后，可以得到位置和大小唯一的正方形，每个正方形左上角的坐标为：(x9-d1/2，y9-d1/2)，(x50-d2/2，y50-d2/2)，(x280-d3/2，y280-d3/2)，(x199-d4/2，y199-d1/2)。其中，x，y的下角标分别表示目标关键点的数字编号。
在S2043中，可根据选取的各目标关键点对应的正方形区域，从正面人脸图像中裁剪出多个人脸肤色关键区域，如图11所示，为裁剪的4个人脸肤色关键区域的示意图。
S205：根据多个人脸肤色关键区域，识别目标对象的肤色。
在S205中，根据多个人脸肤色关键区域共同识别目标对象的肤色，可以减小各部位肤色不均对识别结果的影响，可以有效提高肤色识别的准确性。具体肤色识别过程参见图12，主要包括以下几步：
S2051：将多个人脸肤色关键区域从RGB颜色空间转换为YUV颜色空间。
肤色的主要特征信息为亮度信息，因此，需要找到体现亮度的通道来进行肤色的颜色判断。但一般摄像头采集的正面人脸图像以RGB颜色空间的，保存的是红R、绿G、蓝B三个通道的颜色信息，而RGB颜色空间将色调、亮度、饱和度三个分量放在一起表示，很难分开，因此，不能很好的体现肤色的特征信息。
为此，在S2051中，将裁剪出的多个人脸肤色关键区域从RGB颜色空间转换为YUV颜色空间，以更好的获取到表征肤色特征的亮度信息。转换关系的公式表示如下：
Figure BDA0003772818020000101
其中，Y通道表示亮度通道，U通道和V通道表示色度，作用是描述影像色彩及饱和度，用于指定像素的红色分量和蓝色分量。
在一些实施例中，也可先将在整幅正面人脸图像进行颜色空间的转换，再根据选取的各目标关键点对应的正方形区域，从正面人脸图像中裁剪出多个人脸肤色关键区域。
S2052：分别确定每个人脸肤色关键区域内各像素点的Y通道的亮度均值。
具体的，将额头人脸肤色关键区域内各像素点的Y通道的亮度值进行加和求平均，得到额头人脸肤色关键区域对应的亮度均值L1；将左脸颊人脸肤色关键区域内各像素点的Y通道的亮度值进行加和求平均，得到左脸颊人脸肤色关键区域对应的亮度均值L2；将右脸颊人脸肤色关键区域内各像素点的Y通道的亮度值进行加和求平均，得到右脸颊人脸肤色关键区域对应的亮度均值L3；将下巴人脸肤色关键区域内各像素点的Y通道的亮度值进行加和求平均，得到下巴人脸肤色关键区域对应的亮度均值L4。
S2053：根据多个人脸肤色关键区域的亮度均值，确定目标亮度均值。
在S2053中，将额头人脸肤色关键区域、左脸颊人脸肤色关键区域、右脸颊人脸肤色关键区域、下巴人脸肤色关键区域分别对应的亮度均值L1、L2、L3、L4，继续进行加和求平均，得到目标亮度值L＝(L1+L2+L3+L4)/4。
S2054：根据目标亮度均值，识别目标对象的肤色类型。
在S2054中，通过将目标亮度均值与预设肤色阈值进行比较，可以得到目标对象的肤色类型。具体的：
当目标亮度均值大于等于第一预设肤色阈值时，确定目标对象的肤色类型为冷白色皮肤，如图13所示。
当目标亮度均值小于第一预设肤色阈值且大于等于第二预设肤色阈值时，确定目标对象的肤色类型为粉白色皮肤，如图14所示。
当目标亮度均值小于第二预设肤色阈值且大于等于第三预设肤色阈值时，确定目标对象的肤色类型为黄色皮肤，如图15所示。
当目标亮度均值小于第三预设肤色阈值时，确定目标对象的肤色类型为小麦色皮肤，如图16所示。
需要说明的是，在S2054中，肤色类型的划分仅是一种示例，可选的，还可根据标准肤色卡划分肤色类型和每个肤色类型对应的肤色阈值。
本申请实施例提供的基于人脸关键点的肤色识别方法中，根据摄像头采集的人脸图像中提取的稠密关键点集合，检测目标对象的头部是否正视摄像头，并在检测到未正视摄像头时，显示稠密关键点集合中的各关键点以指导目标对象正视摄像头，这样，保证摄像头可以采集到包含完整人脸数据的正面人脸图像，提高肤色识别的准确性；同时，考虑到面部肤色是不均匀的，因此，根据多个预设语义信息，从正面人脸图像的稠密关键点中选择出了部分目标关键点，基于选出的多个目标关键点，裁剪出脸部不同部位的人脸肤色关键区域，并对各人脸肤色关键区域进行颜色空间的变换，得到肤色特征明显的亮度信息，从而根据各人脸肤色关键区域的亮度均值，综合识别目标对象的肤色类型，以减小了面部肤色分布不均对识别结果的影响，进一步提高了肤色识别的准确性。
为减小环境光照的影响，智能设备除配置有采集人脸图像的摄像头外，还可配置有光照传感器和补光灯，其中，摄像头可以是内嵌式摄像头，还可以是弹出式摄像头，补光灯可以是圆形光源，还可以是条状灯带。如图17所示，为本申请实施例提供的一种智能设备示意图，未示出的，光照传感器集成在智能设备内部电路上。
在一些实施例中，智能设备在获取摄像头采集的人脸图像时，还可通过光照传感器，获取目标对象当前所在环境的光照强度，将当前光照强度与预设光照阈值进行比较，当光照强度小于预设光照阈值时，自动开启补光灯以将光照强度调整到目标光照强度，从而减小环境光照对肤色识别的影响。
需要说明的是，本申请实施例中稠密人脸关键点的数量仅是一种示例，还可使用其他人脸关键点检测算法提取人脸关键点。
基于相同的技术构思，本申请实施例提供一种电子设备，该电子设备可以是具有图像处理能力的笔记本电脑、台式计算机、智能手机、平板、可穿戴设备、车载终端等智能设备。
上述电子设备可实现上述实施例中基于人脸关键点的肤色识别方法的步骤，且能达到相同的技术效果，在此不再赘述。
参见图18，该电子设备包括处理器1801、存储器1802、摄像头1803和显示屏1804，所述显示屏1804、所述摄像头1803、所述存储器1802和所述处理器1801通过总线1805连接；
所述显示屏1804用于显示人脸图像，所述存储器1802存储有计算机程序，所述处理器1801根据所述计算机程序，执行以下操作：
获取所述摄像头1803采集的人脸图像，并从所述人脸图像中提取稠密关键点集合；
根据所述稠密关键点集合，检测目标对象的头部是否正视所述摄像头，并在检测到未正视所述摄像头时，通过所述显示屏1804显示所述稠密关键点集合中的各关键点以指导所述目标对象正视所述摄像头；
根据所述目标对象正视所述摄像头的正面人脸图像，获取所述正面人脸图像中的各目标关键点；
根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域；
根据多个所述人脸肤色关键区域，识别所述目标对象的肤色。
可选的，所述处理器1801根据所述稠密关键点集合，检测目标对象是否正视所述摄像头，具体操作为：
根据所述稠密关键点集合中每个关键点的语义信息，选取多个检测关键点，并根据多个所述检测关键点的位置坐标，确定所述目标对象的头部在水平方向和竖直方向的多段距离；
根据确定的多段距离，分别检测所述目标头像的头部在三维空间的三个方向上是否存在偏转；
根据偏转情况，检测所述目标对象的头部是否正视所述摄像头。
可选的，选取的检测关键点包括：鼻梁关键点、左脸眼眶外轮廓关键点、右脸眼眶外轮廓关键点、嘴部中间关键点、左脸腮部外轮廓关键点、右脸腮部外轮廓关键点、额头上轮廓关键点、下巴尖关键点；
所述处理器1801根据多个所述检测关键点的位置坐标，确定所述目标对象的头部在水平方向和竖直方向的多段距离，具体操作为：
根据所述鼻梁关键点和所述左脸眼眶外轮廓关键点的位置坐标，确定水平方向上鼻梁到左脸轮廓的第一距离；
根据所述鼻梁关键点和所述右脸眼眶外轮廓关键点的位置坐标，确定水平方向上鼻梁到右脸轮廓的第二距离；
根据所述嘴部中间关键点和所述左脸腮部外轮廓关键点的位置坐标，确定水平方向上嘴部到左脸轮廓的第三距离；
根据所述嘴部中间关键点和所述右脸腮部外轮廓关键点的位置坐标，确定水平方向上嘴部到右脸轮廓的第四距离；
根据所述鼻梁关键点和所述额头上轮廓关键点的位置坐标，确定竖直方向上眼部到额头的第五距离；
根据所述鼻梁关键点和所述嘴部中间关键点的位置坐标，确定竖直方向上眼部到嘴部的第六距离；
根据所述嘴部中间关键点和所述下巴尖关键点的位置坐标，确定竖直方向上嘴部到下巴尖的第七距离。
可选的，所述处理器1801根据确定的多段距离，分别检测所述目标头像的头部在三维空间的三个方向上是否存在偏转，具体操作为：
分别确定所述第一距离和所述第二距离的第一比值、所述第三距离和所述第四距离的第二比值、所述第五距离和所述第一距离的第三比值、所述第三距离和所述第七距离的第四比值；
根据所述第一比值和所述第二比值是否在第一预设区间，检测所述目标对象的头部是否在Yaw方向上存在偏转；
根据所述第五距离、所述第六距离和所述第七距离分别与第二预设阈值的比较结果，检测所述目标对象的头部是否在Roll方向上存在偏转；
根据所述第三比值和所述第四比值是否在第三预设区间，检测所述目标对象的头部是否在Pitch方向上存在偏转。
可选的，所述处理器1801根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域，具体操作为：
选取额头中间关键点、左脸颊中心关键点、右脸颊中心关键点和下巴中心关键点多个目标关键点；
针对选取的每个目标关键点，根据所述目标关键点所在的人脸部位包含的关键点，确定以所述目标关键点为中心的正方形的边长；
从所述正面人脸图像中裁剪出选取的各目标关键点对应的正方形区域，得到多个人脸肤色关键区域。
可选的所述处理器1801根据多个所述人脸肤色关键区域，识别所述目标对象的肤色，包括：
将多个所述人脸肤色关键区域从RGB颜色空间转换为YUV颜色空间；
分别确定每个人脸肤色关键区域内各像素点的Y通道的亮度均值；
根据多个所述人脸肤色关键区域的亮度均值，确定目标亮度均值；
根据所述目标亮度均值，识别所述目标对象的肤色类型。
可选的，所述处理器根据所述目标亮度均值，识别所述目标对象的肤色类型，具体操作为：
当所述目标亮度均值大于等于第一预设肤色阈值时，确定所述目标对象的肤色类型为冷白色皮肤；
当所述目标亮度均值小于所述第一预设肤色阈值且大于等于第二预设肤色阈值时，确定所述目标对象的肤色类型为粉白色皮肤；
当所述目标亮度均值小于所述第二预设肤色阈值且大于等于第三预设肤色阈值时，确定所述目标对象的肤色类型为黄色皮肤；
当所述目标亮度均值小于所述第三预设肤色阈值时，确定所述目标对象的肤色类型为小麦色皮肤。
可选的，该电子设备还包括光照传感器1806和补光灯1807，获取摄像头采集的人脸图像之前，所述处理器1801还执行：
通过所述光照传感器1806，获取所述目标对象当前所在环境的光照强度；
当所述光照强度小于预设光照阈值时，自动开启所述补光灯1807以将所述光照强度调整到目标光照强度。
需要说明的是，图18仅是一种示例，给出电子设备实现本申请实施例提供的基于人脸关键点的肤色识别方法步骤所必要的硬件。未示出的，该电子设备该可以包括麦克风、扬声器、音视频处理器、电源等常规显示设备器件。
本申请实施例图18中涉及的处理器可以是中央处理器(Central ProcessingUnit，CPU)，通用处理器，图形处理器(Graphics Processing Unit，GPU)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、晶体管逻辑器件、硬件部件或者其任意组合。
参见图19，为本申请实施例提供的电子设备的功能结构图，该电子设备主要包括图像获取模块1901、关键点提取模块1902、检测模块1903、肤色区域裁剪模块1904和肤色识别模块1905，其中：
图像获取模块1901，用于获取摄像头采集的人脸图像；
关键点提取模块1902，用于从所述人脸图像中提取稠密关键点集合；以及，根据所述目标对象正视所述摄像头的正面人脸图像，获取所述正面人脸图像中的各目标关键点；
检测模块1903，用于根据所述稠密关键点集合，检测目标对象的头部是否正视所述摄像头，并在检测到未正视所述摄像头时，显示所述稠密关键点集合中的各关键点以指导所述目标对象正视所述摄像头；
肤色区域裁剪模块1904，用于根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域；
肤色识别模块1905，用于根据多个所述人脸肤色关键区域，识别所述目标对象的肤色。
上述各功能模块的具体实现参见前述实施例，在此不再重复描述。
本申请实施例还提供一种计算机可读存储介质，用于存储一些指令，这些指令被执行时，可以完成前述实施例中一种基于人脸关键点的肤色识别方法。
本申请实施例还提供一种计算机程序产品，用于存储计算机程序，该计算机程序用于执行前述实施例中一种基于人脸关键点的肤色识别方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于人脸关键点的肤色识别方法，其特征在于，包括：
获取摄像头采集的人脸图像，并从所述人脸图像中提取稠密关键点集合；
根据所述稠密关键点集合，检测目标对象的头部是否正视所述摄像头，并在检测到未正视所述摄像头时，显示所述稠密关键点集合中的各关键点以指导所述目标对象正视所述摄像头；
根据所述目标对象正视所述摄像头的正面人脸图像，获取所述正面人脸图像中的各目标关键点；
根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域；
根据多个所述人脸肤色关键区域，识别所述目标对象的肤色。
2.如权利要求1所述的方法，其特征在于，所述根据所述稠密关键点集合，检测目标对象是否正视所述摄像头，包括：
根据所述稠密关键点集合中每个关键点的语义信息，选取多个检测关键点，并根据多个所述检测关键点的位置坐标，确定所述目标对象的头部在水平方向和竖直方向的多段距离；
根据确定的多段距离，分别检测所述目标头像的头部在三维空间的三个方向上是否存在偏转；
根据偏转情况，检测所述目标对象的头部是否正视所述摄像头。
3.如权利要求2所述的方法，其特征在于，选取的检测关键点包括：鼻梁关键点、左脸眼眶外轮廓关键点、右脸眼眶外轮廓关键点、嘴部中间关键点、左脸腮部外轮廓关键点、右脸腮部外轮廓关键点、额头上轮廓关键点、下巴尖关键点；
所述根据多个所述检测关键点的位置坐标，确定所述目标对象的头部在水平方向和竖直方向的多段距离，包括：
根据所述鼻梁关键点和所述左脸眼眶外轮廓关键点的位置坐标，确定水平方向上鼻梁到左脸轮廓的第一距离；
根据所述鼻梁关键点和所述右脸眼眶外轮廓关键点的位置坐标，确定水平方向上鼻梁到右脸轮廓的第二距离；
根据所述嘴部中间关键点和所述左脸腮部外轮廓关键点的位置坐标，确定水平方向上嘴部到左脸轮廓的第三距离；
根据所述嘴部中间关键点和所述右脸腮部外轮廓关键点的位置坐标，确定水平方向上嘴部到右脸轮廓的第四距离；
根据所述鼻梁关键点和所述额头上轮廓关键点的位置坐标，确定竖直方向上眼部到额头的第五距离；
根据所述鼻梁关键点和所述嘴部中间关键点的位置坐标，确定竖直方向上眼部到嘴部的第六距离；
根据所述嘴部中间关键点和所述下巴尖关键点的位置坐标，确定竖直方向上嘴部到下巴尖的第七距离。
4.如权利要求3所述的方法，其特征在于，所述根据确定的多段距离，分别检测所述目标头像的头部在三维空间的三个方向上是否存在偏转，包括：
分别确定所述第一距离和所述第二距离的第一比值、所述第三距离和所述第四距离的第二比值、所述第五距离和所述第一距离的第三比值、所述第三距离和所述第七距离的第四比值；
根据所述第一比值和所述第二比值是否在第一预设区间，检测所述目标对象的头部是否在Yaw方向上存在偏转；
根据所述第五距离、所述第六距离和所述第七距离分别与第二预设阈值的比较结果，检测所述目标对象的头部是否在Roll方向上存在偏转；
根据所述第三比值和所述第四比值是否在第三预设区间，检测所述目标对象的头部是否在Pitch方向上存在偏转。
5.如权利要求1所述的方法，其特征在于，所述根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域，包括：
选取额头中间关键点、左脸颊中心关键点、右脸颊中心关键点和下巴中心关键点多个目标关键点；
针对选取的每个目标关键点，根据所述目标关键点所在的人脸部位包含的关键点，确定以所述目标关键点为中心的正方形的边长；
从所述正面人脸图像中裁剪出选取的各目标关键点对应的正方形区域，得到多个人脸肤色关键区域。
6.如权利要求1所述的方法，其特征在于，所述根据多个所述人脸肤色关键区域，识别所述目标对象的肤色，包括：
将多个所述人脸肤色关键区域从RGB颜色空间转换为YUV颜色空间；
分别确定每个人脸肤色关键区域内各像素点的Y通道的亮度均值；
根据多个所述人脸肤色关键区域的亮度均值，确定目标亮度均值；
根据所述目标亮度均值，识别所述目标对象的肤色类型。
7.如权利要求6所述的方法，其特征在于，所述根据所述目标亮度均值，识别所述目标对象的肤色类型，包括：
当所述目标亮度均值大于等于第一预设肤色阈值时，确定所述目标对象的肤色类型为冷白色皮肤；
当所述目标亮度均值小于所述第一预设肤色阈值且大于等于第二预设肤色阈值时，确定所述目标对象的肤色类型为粉白色皮肤；
当所述目标亮度均值小于所述第二预设肤色阈值且大于等于第三预设肤色阈值时，确定所述目标对象的肤色类型为黄色皮肤；
当所述目标亮度均值小于所述第三预设肤色阈值时，确定所述目标对象的肤色类型为小麦色皮肤。
8.如权利要求1-6中任一项所述的方法，其特征在于，获取摄像头采集的人脸图像之前，所述方法还包括：
获取所述目标对象当前所在环境的光照强度；
当所述光照强度小于预设光照阈值时，自动开启补光灯以将所述光照强度调整到目标光照强度。
9.一种电子设备，其特征在于，包括处理器、存储器、摄像头和显示屏，所述显示屏、所述摄像头、所述存储器和所述处理器通过总线连接；
所述显示屏用于显示人脸图像，所述存储器存储有计算机程序，所述处理器根据所述计算机程序执行以下操作：
获取所述摄像头采集的人脸图像，并从所述人脸图像中提取稠密关键点集合；
根据所述稠密关键点集合，检测目标对象的头部是否正视所述摄像头，并在检测到未正视所述摄像头时，通过所述显示屏显示所述稠密关键点集合中的各关键点以指导所述目标对象正视所述摄像头；
根据所述目标对象正视所述摄像头的正面人脸图像，获取所述正面人脸图像中的各目标关键点；
根据多个预设语义信息对应的目标关键点，从所述正面人脸图像中裁剪出多个人脸肤色关键区域；
根据多个所述人脸肤色关键区域，识别所述目标对象的肤色。
10.如权利要求9所述的电子设备，其特征在于，还包括光照传感器和补光灯：
所述处理器在获取摄像头采集的人脸图像时，还执行以下操作：
通过所述光照传感器，获取所述目标对象当前所在环境的光照强度；
当所述光照强度小于预设光照阈值时，自动开启所述补光灯以将所述光照强度调整到目标光照强度。
CN202210906930.8A 2022-07-29 2022-07-29 基于人脸关键点的肤色识别方法及电子设备 Pending CN115273196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210906930.8A CN115273196A (zh) 2022-07-29 2022-07-29 基于人脸关键点的肤色识别方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210906930.8A CN115273196A (zh) 2022-07-29 2022-07-29 基于人脸关键点的肤色识别方法及电子设备

Publications (1)

Publication Number Publication Date
CN115273196A true CN115273196A (zh) 2022-11-01

Family

ID=83770157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210906930.8A Pending CN115273196A (zh) 2022-07-29 2022-07-29 基于人脸关键点的肤色识别方法及电子设备

Country Status (1)

Country Link
CN (1) CN115273196A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580445A (zh) * 2023-07-14 2023-08-11 江西脑控科技有限公司 一种大语言模型人脸特征分析方法、系统及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580445A (zh) * 2023-07-14 2023-08-11 江西脑控科技有限公司 一种大语言模型人脸特征分析方法、系统及电子设备
CN116580445B (zh) * 2023-07-14 2024-01-09 江西脑控科技有限公司 一种大语言模型人脸特征分析方法、系统及电子设备

Similar Documents

Publication Publication Date Title
KR102661019B1 (ko) 얼굴에 대응하는 3차원 아바타를 이용하여 얼굴의 움직임이 반영된 3차원 아바타를 포함하는 이미지를 생성하는 전자 장치 및 그 동작 방법
US10783354B2 (en) Facial image processing method and apparatus, and storage medium
JP5463866B2 (ja) 画像処理装置および画像処理方法、並びにプログラム
US20150190716A1 (en) Generation of avatar reflecting player appearance
JP2019510297A (ja) ユーザの真実の人体モデルへの仮想的な試着
CN108830892B (zh) 人脸图像处理方法、装置、电子设备及计算机可读存储介质
KR101141643B1 (ko) 캐리커쳐 생성 기능을 갖는 이동통신 단말기 및 이를 이용한 생성 방법
WO2018082389A1 (zh) 一种肤色检测方法、装置及终端
US11409794B2 (en) Image deformation control method and device and hardware device
US20230154083A1 (en) Method for Assisting Makeup, Terminal Device, Storage Medium, and Program Product
CN111047511A (zh) 一种图像处理方法及电子设备
CN113569614A (zh) 虚拟形象生成方法、装置、设备及存储介质
US20200372723A1 (en) Method for influencing virtual objects of augmented reality
Lee et al. Emotional recognition from facial expression analysis using bezier curve fitting
JP2009048447A (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN110866139A (zh) 一种化妆处理方法、装置及设备
CN111311733A (zh) 三维模型处理方法及装置、处理器、电子设备及存储介质
CN108234770B (zh) 一种辅助化妆系统、辅助化妆方法、辅助化妆装置
CN114549718A (zh) 虚拟信息的渲染方法、装置、增强现实装置及存储介质
US11032529B2 (en) Selectively applying color to an image
CN115273196A (zh) 基于人脸关键点的肤色识别方法及电子设备
US9323981B2 (en) Face component extraction apparatus, face component extraction method and recording medium in which program for face component extraction method is stored
KR101507410B1 (ko) 모바일 단말의 라이브 메이크업 촬영 방법 및 장치
CN108154142B (zh) 一种基于语音识别的皮肤皱纹评估方法及系统
CN111652792A (zh) 图像的局部处理、直播方法、装置、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