CN117197853A - 人脸角度预测方法、装置、设备及可读存储介质 - Google Patents
人脸角度预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117197853A CN117197853A CN202210607682.7A CN202210607682A CN117197853A CN 117197853 A CN117197853 A CN 117197853A CN 202210607682 A CN202210607682 A CN 202210607682A CN 117197853 A CN117197853 A CN 117197853A
- Authority
- CN
- China
- Prior art keywords
- angle
- face
- probabilities
- detection window
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 119
- 238000013507 mapping Methods 0.000 claims description 34
- 238000005096 rolling process Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 108010003272 Hyaluronate lyase Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请适用于图像识别技术领域,提供了一种人脸角度预测方法、装置、设备及可读存储介质,该方法包括:获取待测人脸图像的人脸区域;确定人脸区域对应的人脸特征;根据人脸特征,确定多种角度类型各自的多个角度概率,多种角度类型包括偏航角、俯仰角和翻滚角;根据每种角度类型的多个角度概率,确定待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。从而,本申请获取多个角度区间分别对应的角度概率,通过多个角度区间分别对应的角度概率计算预测角度,保证了预测角度的准确率,适用于多种需要确定精确的人脸角度的场景。
Description
技术领域
本申请属于图像识别技术领域,尤其涉及一种人脸角度检测方法、装置、设备及可读存储介质。
背景技术
随着人工智能的发展,人脸识别在各个行业的应用越来越多,而人脸的图像质量,对图像识别精度影响较大。其中,人脸的角度是影响图像识别精度的重要因素。
相关技术中,通过捕捉人脸在动作时的面部关键点特征,先将人脸图像重建成为三维图像,再将三维图像映射成二维图像,再根据二维图像中的人脸面部的动作特征进行人脸姿态预测。在确定人脸角度为大角度的人脸时,可以进行角度矫正后再进行识别或不进行识别,提升图像识别的精度。
然而,由于相关技术只能通过在人脸动作时的动作特征预测人脸在动作层面的姿态,难以对人脸角度准确预测,无法适用于需要预测准确度较高的人脸角度的场景。
发明内容
本申请提供了一种人脸角度预测方法、装置、设备及可读存储介质,可以避免仅能预测人脸的大致姿态,难以对人脸角度准确预测,可以适应人脸角度预测的准确度较高的场景。
第一方面,本申请提供一种人脸角度预测方法,包括:
获取待测人脸图像的人脸区域;
确定所述人脸区域对应的人脸特征;
根据所述人脸特征,确定多种角度类型各自的多个角度概率,每种角度类型的多个角度概率分别对应于每种角度类型的多个角度区间,所述多种角度类型包括偏航角、俯仰角和翻滚角;
根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。
本申请通过人脸区域对应的人脸特征,确定多种角度类型各自的多个角度概率,再根据每种角度类型的多个角度概率,确定待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。由于获取的多个角度概率为多个角度区间对应的角度概率,通过多个角度区间对应角度概率计算对应的预测角度,保证了预测角度的准确率,避免了难以对人脸角度准确预测的情况,可以适应人脸角度预测的准确度较高的场景。
第二方面,本申请提供了一种人脸角度预测装置,该装置用于执行上述第一方面或第一方面的任一可能的实现方式中的方法。具体地,该装置可以包括:
获取模块,用于获取待测人脸图像的人脸区域;
第一确定模块,用于确定所述人脸区域对应的人脸特征;
第二确定模块,用于根据所述人脸特征,确定多种角度类型各自的多个角度概率,每种角度类型的多个角度概率分别对应于每种角度类型的多个角度区间,所述多种角度类型包括偏航角、俯仰角和翻滚角;
第三确定模块,用于根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。
第三方面,本申请提供了一种电子设备,该设备包括存储器与处理器。该存储器用于存储指令;该处理器执行该存储器存储的指令,使得该设备执行第一方面或第一方面的任一可能的实现方式中人脸角度预测方法。
第四方面,提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行第一方面或第一方面的任一可能的实现方式中人脸角度预测方法。
第五方面,提供一种包含指令的计算机程序产品,当该指令在设备上运行时,使得设备执行第一方面或第一方面的任一可能的实现方式中人脸角度预测方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请中的技术方案,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,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的人脸角度预测方法的流程示意图;
图2是本申请一实施例提供的人脸角度预测方法的流程示意图;
图3是本申请一实施例提供的人脸角度预测方法的流程示意图;
图4是本申请一实施例提供的人脸角度预测方法的流程示意图;
图5是本申请一实施例提供的人脸角度预测装置的结构示意图;
图6是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请提供一种人脸角度预测方法、装置、设备及可读存储介质,该方法可以通过识别设备实现,且应用于门禁识别、失踪人口查找、案件侦查、智能安防等场景中。
其中,人脸角度包括人脸相对于拍摄位置的三种角度类型,该三种角度类型分别为俯仰角、偏航角和翻滚角。
其中,识别设备指的是用户进行人脸角度预测时的设备。识别设备可以为门禁设备、智能手机、台式电脑、笔记本电脑、平板电脑、可穿戴设备、手持设备、车载设备、服务器等。本申请实施例对识别设备的具体类型不作任何限制。
识别设备可以包括显示屏硬件,或者外接有显示屏。
关于上述场景,下面进行举例说明人脸角度预测方法的应用:
1、在门禁识别场景下使用人脸角度预测方法时,识别设备可根据图像中的人脸对人脸角度进行预测,通过预测得到的人脸角度确定是否可以进行下一步的动作,例如,当人脸角度过大时,在门禁设备的显示屏上显示“人脸角度过大,无法识别”等提示信息。
2、在失踪人口查找场景下使用人脸角度预测方法时,用于将人脸图像输入到识别设备中,对人脸图像中的人脸对应的人脸角度进行预测,通过预测得到的人脸角度确定是否可以进行下一步的动作,例如,确定识别设备是否能够对人脸进行识别,以确定人脸图像是否与失踪人口图像库中的图像匹配,进而确定是否为失踪人口。
或者,识别装置可与监控摄像头通信连接,识别设备可通过获取监控摄像头拍摄的图像,对图像中的人脸对应的人脸角度进行预测。
基于上述场景描述,下面,以识别设备为例,结合附图和应用场景,对本申请实施例提供的人脸角度预测方法进行详细说明。
请参阅图1,图1示出了本申请一实施例提供的人脸角度预测方法的流程示意图。
如图1所示,本申请提供的人脸角度预测方法可以包括:
S101、获取待测人脸图像的人脸区域。
待测人脸图像可以是用户直接给定的,也可以是从监控摄像头、摄像机等图像采集设备采集的视频数据中抽取的。
人脸区域指待测人脸图像中含有人脸的区域。
在一些实施例中,人脸区域是通过对待测人脸图像进行人脸检测,获得第一检测窗口,对第一检测窗口中的图像进行截取得到的。
可选的,识别设备可对第一检测窗口进行外扩处理,得到外扩后的第二检测窗口,截取第二检测窗口对应大小的区域作为人脸区域。
可以理解的是,检测窗口是指可提取待测人脸图像中人脸的线框。
其中,对待测人脸进行人脸检测可采用人脸检测算法。
人脸检测算法可存储在存储设备中。
其中,存储设备可与识别设备进行通信,使得识别设备能够从存储设备中调取人脸检测算法。本申请对存储设备的存储方式和具体类型不做限定。
在一些实施例中,采用YOLO(you only look once)算法进行人脸检测。YOLO算法是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快。
在一个具体的实施例中,假设识别设备为门禁设备,门禁设备包括摄像头。在人脸靠近门禁设备的摄像头时,摄像头拍摄到人脸图像,门禁设备通过人脸检测算法对人脸图像进行人脸检测,获取待测人脸图像的人脸区域。
在另一个具体的实施例中,假设识别设备为手机,手机上具有识别小程序,手机通过识别小程序与监控摄像头通信连接,获取监控摄像头拍摄的图像。识别小程序可通过人脸检测算法对监控摄像头拍摄的图像进行人脸检测,获取待测人脸图像的人脸区域。
S102、确定所述人脸区域对应的人脸特征。
基于S101,识别设备可获得人脸区域。从而,识别设备可对人脸区域进行特征提取,获得人脸区域对应的人脸特征。
在一些实施例中,识别设备通过将所述人脸区域输入到人脸角度识别模型的骨干网络中,输出所述人脸特征。
骨干网络用于提取人脸图像中的人脸特征。
其中,骨干网络预先存储在与识别设备通信的存储设备中。
在一个具体的实施例中,假设识别设备为门禁设备。在人脸靠近门禁设备的摄像头时,摄像头拍摄到人脸图像,门禁设备通过人脸检测算法对人脸图像进行人脸检测,获取人脸图像的人脸区域后,调取骨干网络对人脸区域进行特征提取,得到人脸特征。
在另一个具体的实施例中,假设识别设备为手机,手机上具有识别小程序。识别小程序通过人脸检测算法对该图像进行人脸检测,获取图像对应的人脸区域后,调取骨干网络对人脸区域进行特征提取,得到人脸特征。
S103、根据所述人脸特征,确定多种角度类型各自的多个角度概率。
其中,多种角度类型包括偏航角、俯仰角和翻滚角。
每种角度类型的多个角度概率分别对应于每种角度类型的多个角度区间。
多个角度区间指对偏航角、俯仰角和翻滚角的角度范围按照预设规则进行划分得到的各自的多个角度区间。
在一些实施例中,预测规则为对角度范围每5度划分一个区间。
例如,偏航角和俯仰角的角度范围为[-90,90],对偏航角和俯仰角的角度范围每5度划分一个区间,分别得到36个角度区间。
偏航角的36个角度区间分别为[-90,-85)、[-85,-80)……(80,85]、(85,90]。
俯仰角的36个角度区间分别为[-90,-85)、[-85,-80)……(80,85]、(85,90]。
例如,翻滚角的角度范围为[-180,180],对翻滚角的角度范围每5度划分一个区间,分别得到72个角度区间。
翻滚角的72个角度区间分别为[-180,-175)、[-175,-170)、[-170,-165)……(165,170]、(170,175]、(175,180]。
在一些实施例中,识别设备将所述人脸特征输入到所述人脸角度识别模型的全连接分类网络中,输出每种角度类型的多个角度概率。
其中,全连接分类网络用于预测人脸特征在每种角度类型的多个角度区间分别对应的角度概率。
骨干网络和全连接分类网络作为人脸角度识别模型,预先存储在与识别设备通信的存储设备中。
具体地,全连接分类网络连接在骨干网络的输出端,当识别设备骨干网络提取到待测人脸图像的人脸特征后,将人脸特征输入至全连接分类网络进行角度概率预测。
其中,全连接分类网络包括3个全连接层,分别为第一全连接层、第二全连接层和第三全连接层。第一全连接层和第二全连接层分别连接有36个节点,第三全连接层连接有72个支点。
可以理解的是,第一全连接层和第二全连接层的36个节点分别用于预测偏航角和俯仰角在其36个角度区间的角度概率,第三全连接层的72个节点用于预测翻滚角在其72个角度区间的角度概率。
因而,偏航角和俯仰角各自的多个角度概率具有36个,翻滚角的多个角度概率具有72个。
在一个具体的实施例中,假设识别设备为门禁设备。门禁设备在获取人脸特征后,根据人脸特征分别预测偏航角和俯仰角在其36个角度区间的角度概率,以及预测翻滚角在其72个角度区间的角度概率。
在另一个具体的实施例中,假设识别设备为手机,手机上具有识别小程序。识别小程序在获取人脸特征后,根据人脸特征分别预测偏航角和俯仰角在其36个角度区间的角度概率,以及预测翻滚角在其72个角度区间的角度概率。
S104、根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。
在一些实施例中,针对每种角度类型而言,根据多个角度概率、所述角度区间的数量和每个所述角度区间的中间角度,确定所述待测人脸图像中的人脸相对于拍摄位置的角度。
其中,每个角度区间的中间角度指每5个角度为一个角度区间中的中间的角度。例如,某个角度区间为[0,5),那么,对应的中间角度为2.5度。
上述确定待测人脸图像中的人脸相对于拍摄位置的角度的计算公式为:
其中,n表示角度区间的数量,ai表示第i个角度区间的中间角度,predi表示第i个角度区间的角度概率。
在一个具体的实施例中,假设识别设备为门禁设备,门禁设备包括显示屏和摄像头。门禁设备在根据人脸特征分别预测偏航角和俯仰角在其36个角度区间的角度概率,以及预测翻滚角在其72个角度区间的角度概率后,根据偏航角和俯仰角在其36个角度区间的角度概率计算对应的每个角度区间的值,根据翻滚角在其72个角度区间的角度概率计算对每个区间对应的值,并根据每个区间对应的值计算最终的人脸的预测角度。门禁设备可通过人脸的预测角度,确定是否可以进行下一步的动作,例如,当人脸角度过大时,在门禁设备的显示屏上显示“人脸角度过大,无法识别”等提示信息。
在另一个具体的实施例中,假设识别设备为手机,手机上具有识别小程序。识别小程序在根据人脸特征确定人脸特征对应的,根据人脸特征分别预测偏航角和俯仰角在其36个角度区间的角度概率,以及预测翻滚角在其72个角度区间的角度概率后,根据偏航角和俯仰角在其36个角度区间的角度概率计算对应的每个角度区间的值,根据翻滚角在其72个角度区间的角度概率计算对每个区间对应的值,并根据每个区间对应的值计算最终的人脸的预测角度。识别小程序可通过人脸的预测角度,确定是否可以进行下一步的动作,例如,当人脸角度过大时,对待测人脸图像进行校正。
本申请提供的人脸角度预测方法,通过根据待测人脸图像的人脸区域获取人脸特征,再根据人脸特征,确定多种角度类型各自的多个角度概率,最后根据每种角度类型的多个角度概率,确定待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。由此,对每种角度类型而言,由于获取的多个角度概率为多个角度区间对应的角度概率,通过多个角度区间对应角度概率计算预测角度,保证了预测角度的准确率。
基于上述图2所示S103实施例的描述,识别设备可获取翻滚角的多个角度概率的最大值,然而,当最大值对应预设的映射角度区间时,计算的翻滚角的预测角度不准确,可采用多种方式进行处理,保证获得更加准确的预测角度。
其中,翻滚角的多个角度区间的范围为[-180,180]。
映射角度区间包括[-180,-90)对应的多个角度区间或者(90,180]对应的多个角度区间。
下面,结合图2,详细介绍本申请的人脸角度预测方法的具体实现过程。
请参阅图2,图2示出了本申请一实施例提供的人脸角度预测方法的流程示意图。
如图2所示,本申请提供的人脸角度预测方法可以包括:
S201、针对所述翻滚角而言,确定最大概率角度区间。
最大概率角度区间为多个角度概率中的最大值对应的角度区间。
例如,翻滚角的多个角度概率中的最大值对应于角度区间[-175,-170)。
S202、当所述最大概率角度区间处于预设的映射角度区间内时,对所述翻滚角的多个角度概率进行线性映射,得到映射后的多个角度概率。
由于翻滚角的角度范围为[-180,180],即为一个圆周,基于翻滚角的这种周期性,在最大概率角度区间处于[-180,-90)对应的边缘的角度区间或者(90,180]对应的边缘的角度区间内时,认为人脸的翻滚角的角度较大。当人脸的翻滚角的角度较大时,识别设备按照图1中S103所示的方法计算翻滚角的预测角度不准确。
因此,识别设备在确定翻滚角对应的最大概率角度区间处于[-90,90]的角度区间时,可以按照图1中S103所示的方法计算翻滚角的预测角度。
而,识别设备在确定翻滚角对应的最大概率角度区间处于[-180,-90)对应的角度区间或者(90,180]对应的角度区间内时,识别设备需要对翻滚角的多个角度概率进行线性映射,得到映射后的多个角度概率。
识别设备通过对多个角度概率进行线性映射,以便于翻滚角对应的最大概率角度区间处于[-180,90)或(90,180]的角度区间时,也能得到精确的翻滚角的角度值。
在一些实施例中,线性映射指:
将大于等于0度且小于等于180度的角度区间对应的角度概率替换为大于等于-180度且小于0度的角度区间对应的映射后的角度概率;
以及,将小于等于0度且大于等于-180度的角度区间对应的角度概率替换为小于等于180度且大于0度的角度区间对应的映射后的角度概率。
举例说明,翻滚角的多个角度概率中的最大值对应于角度区间[-175,-170)时,如果直接按照图1中S103所示的方法计算翻滚角的预测角度,得到的预测角度值为可能为-103.5度,显然,-103.5度不处于角度区间[-175,-170)中,这是不合理的。
因此,识别设备需要先对翻滚角的多个角度概率进行映射处理,例如,将角度区间[-175,-170)对应的角度概率映射到角度区间(-10,-5],也就是说,将角度区间[-175,-170)对应的角度概率替换为角度区间(-10,-5]对应的角度概率。
S203、根据所述映射后的多个角度概率、所述翻滚角的角度区间的数量和每个角度区间的中间角度,确定映射角度。
举例说明,根据角度区间(-10,-5]对应的角度概率,计算得到的预测角度值(映射角度)可以为-5度,显然-5度处于角度区间(-10,-5]中,这是合理的。
S204、对所述映射角度进行反线性映射,得到所述翻滚角的预测角度。
反线性映射指将根据角度区间(-10,-5]对应的角度概率,计算得到的预测角度值(映射角度)反映射到角度区间[-175,-170)中。
举例说明,基于S203得到的角度值为-5度时,将-5度进行反映射,得到的角度值为-175度,处于角度区间[-175,170)中,这是合理的。
本申请中,针对翻滚角而言,识别设备在确定多个角度概率的最大值对应于预设的映射区间时,对多个角度概率进行线性映射,得到映射后的多个角度概率,再根据映射后的多个角度概率、翻滚角的角度区间的数量和每个角度区间的中间角度,确定映射角度,并对映射角度进行反线性映射,预测角度。在确定多个角度概率的最大值对应于预设的映射区间时,借助线性映射将对应于映射角度区间的角度概率进行映射,再计算映射角度,并根据映射角度计算预测角度,可以获得更加精确的预测角度。
基于上述图1所示实施例S101的描述,识别设备在确定人脸区域时,可对第一检测窗口进行外扩处理,得到第二检测窗口,截取第二检测窗口对应大小的区域,将第二检测窗口对应大小的区域确定为人脸区域。
下面,结合图3,详细介绍本申请的人脸角度预测方法的具体实现过程。
基于图1中S101的描述,可通过对第一检测窗口进行外扩处理,以获取待测人脸图像对应的更多的人脸信息,保证最终得到的人脸角度精确度更高。
请参阅图3,图3示出了本申请一实施例提供的人脸角度预测方法的流程示意图。
如图3所示,本申请提供的人脸角度预测方法可以包括:
S301、将以所述第一检测窗口的中心为中心,所述第一检测窗口的长边为边长的窗口作为第三检测窗口。
在一些实施例中,对待测人脸图像进行人脸检测,获取的第一检测窗口为长方形。
可以理解的是,当第一检测窗口为长方形,识别设备可根据第一检测窗口的长和宽中的长为边长,第一检测窗口的中心为中心,获取第三检测窗口。
在另一些实施例中,对待测人脸图像进行人脸检测,获取的第一检测窗口为正方形。
可以理解的是,当第一检测窗口为正方形时,可直接根据外扩系数对第一检测窗口进行步骤S302。
其中,对待测人脸图像进行人脸检测,获取的第一检测窗口为长方形或者正方形。第一检测窗口为长方形或者正方形通常由距离摄像头的远近、人脸表情或动作、人脸的角度等多个方面决定。
在一个具体的实施例中,假设第一检测窗口为长为60个像素点,宽为40个像素点的长方形。那么,以第一检测窗口的中心为中心,第一检测窗口的长为边长的窗口得到的第三检测窗口为边长为60个像素点的正方形。
S302、根据预设外扩系数,对所述第三检测窗口的每条边长均进行外扩处理,得到第四检测窗口。
在一些实施例中,预设外扩系数为0.1。当然,外扩系数也可以为其他数值,例如0.15,具体可根据实际情况进行设置,在此不多做赘述。
在一个具体的实施例中,假设第三检测窗口的边长为60个像素点,外扩系数为0.1。那么,对第三检测窗口进行外扩处理,得到的第四检测窗口为边长为66个像素点的正方形。
S303、去除所述第四检测窗口超过所述待测人脸图像对应的边长,得到第五检测窗口。
可以理解的是,识别设备在对第三检测窗口外扩处理后,得到的第四检测窗口可能超出原待测人脸图像,即第四检测窗口超过所述待测人脸图像对应的边长。
识别设备在确定第四检测窗口超过待测人脸图像对应的边长时,对超过的边长进行去除,去除后得到第五检测窗口。
在一个具体的实施例中,假设待测人脸图像的长为90个像素点,宽为60个像素点,第四检测窗口的边长为66个像素点。去除超过待测人脸图像对应的边长,得到的第五检测窗口的长为66个像素点,宽为60个像素点。
S304、将以所述第五检测窗口的中心为中心,所述第五检测窗口的短边为边长的窗口作为第二检测窗口。
在一个具体的实施例中,假设第五检测窗口的长为66个像素点,宽为60个像素点。那么,以第五检测窗口的中心为中心,第五检测窗口的宽为边长,得到的第二检测窗口为边长为60个像素点的正方形。
本申请中,识别设备将以第一检测窗口的中心为中心,第一检测窗口的长边为边长的窗口作为第三检测窗口,根据预设外扩系数,对第三检测窗口的每条边长均进行外扩处理,得到第四检测窗口,去除第四检测窗口超过待测人脸图像对应的边长,得到第五检测窗口,将以第五检测窗口的中心为中心,第五检测窗口的短边为边长的窗口作为第二检测窗口。识别设备通过对第一检测窗口外扩处理后得到的第二检测窗口,对待测人脸图像框选的人脸区域更大,包括的人脸信息更多,通过包括更多人脸信息的人脸区域提取人脸特征,得到的人脸特征更精确,通过更精确的人脸特征进行人脸的角度预测,可以获得准确度更高的预测角度。
基于上述图1所示实施例的描述,本申请还提供了包括骨干网络和全连接分类网络的人脸角度识别模型的生成过程。
下面,结合图4,详细介绍本申请的生成人脸角度识别模型的具体实现过程。
基于图1中S102的描述,识别设备在获取人脸区域对应的人脸特征时,通过人脸角度识别模型中的骨干网络获取。
基于图1中S103的描述,识别设备在获取人脸区域对应的人脸特征时,通过人脸角度识别模型中的全连接分类网络获取。
其中,人脸角度识别模型的生成过程可以通过模型生成装置完成,也可以通过其他可行的装置生成,在此不再赘述。
请参阅图4,图4示出了本申请一实施例提供的生成人脸角度识别模型的流程示意图。
如图4所示,生成所述人脸角度识别模型的过程,包括:
S401、获取样本人脸图像集。
样本人脸图像集包括多帧样本人脸图像以及每帧样本人脸图像中的人脸相对于拍摄位置的每种角度类型对应的真实角度。
可选地,样本人脸图像集至少包括一组样本人脸图像和样本人脸图像中的人脸相对于拍摄位置的每种角度类型对应的真实角度。
样本人脸图像集可以从现有的图像数据集中选取得到(例如,公开数据集300W-LP),也可以预先通过摄像头拍摄得到的人脸图像。
其中,通过摄像头拍摄人脸图像时,需要采用精度较高的摄像头对样本人脸从多个角度进行拍摄,以便于获得任意角度的样本人脸图像。
拍摄人脸图像的摄像头可以是相机、智能手机的摄像头、笔记本电脑的摄像头、平板电脑的摄像头。
其中,样本人脸图像对应的真实角度可采用相关传感器获取,也可以由人工标注获得。
S402、对每帧样本人脸图像进行数据增强处理,得到增强后的样本人脸图像。
数据增强处理可包括随机剪切、增加随机噪声、颜色扰动中的一种或者多种的组合。
例如,对每帧样本人脸图像依次进行随机剪切、增加随机噪声、颜色扰动处理,得到增强后的样本人脸图像。
S403、将所述增强后的样本人脸图像输入到原始角度识别模型中,输出每种角度类型的多个角度概率。
原始人脸角度识别模型包括原始骨干网络和原始全连接分类网络。
其中,所述原始骨干网络的输出端分别与原始全连接分类网络的三个全连接层连接,三个全连接层分别为第一原始全连接层、第二原始全连接层和第三原始全连接层。
第一原始全连接层和第二原始全连接层分别连接有36个节点,第三原始全连接层连接有72个支点。
第一原始全连接层和第二原始全连接层的36个节点分别用于预测偏航角和俯仰角在其36个角度区间的角度概率,第三原始全连接层的72个节点用于预测翻滚角在其72个角度区间的角度概率。
以偏航角为例说明,在模型生成装置将样本图像集输入原始骨干网络后,输出人脸特征,第一原始全连接层根据人脸特征获取偏航角的36个角度区间分别对应的角度概率。
S404、根据每种角度类型的多个角度概率以及每种角度类型对应的真实角度,调整所述原始角度识别模型的模型参数。
在一些实施例中,模型生成装置通过先根据每种角度类型的多个角度概率以及每种角度类型对应的真实角度计算损失函数,再通过损失函数调整原始角度识别模型的模型参数。
其中,上述的损失函数为交叉熵损失函数。当然,损失函数也可以为其他类型的损失函数,在此不多做赘述。
S405、将调整后的所述原始角度识别模型确定为所述人脸角度识别模型。
在一些实施例中,模型生成装置通过误差反向传播算法根据损失函数对原始角度识别模型进行训练,得到训练后的人脸角度识别模型,并将训练后的人脸角度识别模型确定为人脸角度识别模型。
本申请中,模型生成装置生成人脸角度识别模型的过程中,先获取样本人脸图像,对每帧样本人脸图像进行数据增强处理,得到增强后的样本人脸图像。再将增强后的样本人脸图像输入到原始角度识别模型中,输出每种角度类型的多个角度概率,根据每种角度类型的多个角度概率以及每种角度类型对应的真实角度,调整原始角度识别模型的模型参数,将调整后的原始角度识别模型确定为人脸角度识别模型。借助预设规则对三种角度类型的角度范围进行划分,通过三种角度类型分别对应的多个角度概率与三种角度类型对应的真实角度对原始角度识别模型进行调整,可以得到更加精确的预测人脸角度的人脸角度识别模型。
对应于上述图1所示实施例所述的一种人脸角度预测方法,本申请还提供了一种人脸角度预测装置。
下面,结合图5,对本申请一实施例提供的人脸角度预测装置进行详细说明。
请参阅图5,图5示出了本申请一实施例提供的人脸角度预测装置的示意性框图。
如图5所示,本申请一实施例提供的人脸角度预测装置,包括获取模块501、第一确定模块502、第二确定模块503和第三确定模块504。
获取模块501,用于获取待测人脸图像的人脸区域;
第一确定模块502,用于确定所述人脸区域对应的人脸特征;
第二确定模块503,用于根据所述人脸特征,确定多种角度类型各自的多个角度概率,每种角度类型的多个角度概率分别对应于每种角度类型的多个角度区间,所述多种角度类型包括偏航角、俯仰角和翻滚角;
第三确定模块504,用于根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。
在一些实施例中,504第三确定模块,具体用于:
针对每种角度类型而言,根据多个角度概率、所述角度区间的数量和每个所述角度区间的中间角度,确定所述待测人脸图像中的人脸相对于拍摄位置的角度。
在一些实施例中,第三确定模块504,具体用于:
针对所述翻滚角而言,确定最大概率角度区间,所述最大概率角度区间为多个角度概率中的最大值对应的角度区间;
当所述最大概率角度区间处于预设的映射角度区间内时,对所述翻滚角的多个角度概率进行线性映射,得到映射后的多个角度概率;
根据所述映射后的多个角度概率、所述翻滚角的角度区间的数量和每个角度区间的中间角度,确定映射角度;
对所述映射角度进行反线性映射,得到所述翻滚角的预测角度。
在一些实施例中,第三确定模块504,具体用于:
将大于等于0度且小于等于180度的角度区间对应的角度概率替换为大于等于-180度且小于0度的角度区间对应的映射后的角度概率;
将小于等于0度且大于等于-180度的角度区间对应的角度概率替换为小于等于180度且大于0度的角度区间对应的映射后的角度概率。
在一些实施例中,获取模块501,具体用于:
所述获取待测人脸图像的人脸区域,包括:
获取所述待测人脸图像;
对所述待测人脸图像进行人脸检测,得到第一检测窗口,所述第一检测窗口中包括所述待测人脸图像的至少部分人脸图像;
对所述第一检测窗口进行外扩处理,得到第二检测窗口;
在所述待测人脸图像中,截取所述第二检测窗口对应大小的区域;
将所在一些实施例中,获取模块501,具体用于:
将以所述第一检测窗口的中心为中心,所述第一检测窗口的长边为边长的窗口作为第三检测窗口;
根据预设外扩系数,对所述第三检测窗口的每条边长均进行外扩处理,得到第四检测窗口;
去除所述第四检测窗口超过所述待测人脸图像对应的边长,得到第五检测窗口;
将以所述第五检测窗口的中心为中心,所述第五检测窗口的短边为边长的窗口作为第二检测窗口。
在一些实施例中,第一确定模块502,具体用于:
将所述人脸区域输入到人脸角度识别模型的骨干网络中,输出所述人脸特征,所述骨干网络用于提取人脸图像中的人脸特征;
将所述人脸特征输入到所述人脸角度识别模型的全连接分类网络中,输出每种角度类型的多个角度概率,所述全连接分类网络用于预测人脸特征在每种角度类型的多个角度区间分别对应的角度概率。
在一些实施例中,模型生成装置,用于:
获取样本人脸图像集,所述样本人脸图像集包括多帧样本人脸图像以及每帧样本人脸图像中的人脸相对于拍摄位置的每种角度类型对应的真实角度;
对每帧样本人脸图像进行数据增强处理,得到增强后的样本人脸图像;
将所述增强后的样本人脸图像输入到原始角度识别模型中,输出每种角度类型的多个角度概率,所述原始人脸角度识别模型包括原始骨干网络和原始全连接分类网络;
根据每种角度类型的多个角度概率以及每种角度类型对应的真实角度,调整所述原始角度识别模型的模型参数;
将调整后的所述原始角度识别模型确定为所述人脸角度识别模型。
应理解的是,本申请的装置500可以通过专用集成电路(application-specificintegrated circuit,ASIC)实现,或可编程逻辑器件(programmable logic device,PLD)实现,上述PLD可以是复杂程序逻辑器件(complex programmable logical device,CPLD),现场可编程门阵列(field-programmable gate array,FPGA),通用阵列逻辑(genericarray logic,GAL)或其任意组合。也可以通过软件实现图1所示的人脸角度预测方法,当通过软件实现图1所示的人脸角度预测方法时,装置500及其各个模块也可以为软件模块。
图6为本申请提供的一种电子设备的结构示意图。如图6所示,其中设备600包括处理器601、存储器602、通信接口603和总线604。其中,处理器601、存储器602、通信接口603通过总线604进行通信,也可以通过无线传输等其他手段实现通信。该存储器602用于存储指令,该处理器601用于执行该存储器602存储的指令。该存储器602存储程序代码6021,且处理器601可以调用存储器602中存储的程序代码6021执行图2所示的人脸角度预测方法。
应理解,在本申请中,处理器601可以是CPU,处理器601还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器602可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器602还可以包括非易失性随机存取存储器。该存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double datadate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
该总线604除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图6中将各种总线都标为总线604。
应理解,根据本申请的电子设备600可对应于本申请中的装置500,并可以对应于本申请图1所示方法中的设备,当设备600对应于图2所示方法中的设备时,设备600中的各个模块的上述和其它操作和/或功能分别为了实现图2中的由设备执行的方法的操作步骤,为了简洁,在此不再赘述。
本申请还提供了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程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,上述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本申请方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (11)
1.一种人脸角度预测方法,其特征在于,包括:
获取待测人脸图像的人脸区域;
确定所述人脸区域对应的人脸特征;
根据所述人脸特征,确定多种角度类型各自的多个角度概率,每种角度类型的多个角度概率分别对应于每种角度类型的多个角度区间,所述多种角度类型包括偏航角、俯仰角和翻滚角;
根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。
2.如权利要求1所述的方法,其特征在于,所述根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度,包括:
针对每种角度类型而言,根据多个角度概率、所述角度区间的数量和每个所述角度区间的中间角度,确定所述待测人脸图像中的人脸相对于拍摄位置的角度。
3.如权利要求2所述的方法,其特征在于,针对所述翻滚角而言,所述根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度,包括:
确定最大概率角度区间,所述最大概率角度区间为多个角度概率中的最大值对应的角度区间;
当所述最大概率角度区间处于预设的映射角度区间内时,对所述翻滚角的多个角度概率进行线性映射,得到映射后的多个角度概率;
根据所述映射后的多个角度概率、所述翻滚角的角度区间的数量和每个角度区间的中间角度,确定映射角度;
对所述映射角度进行反线性映射,得到所述翻滚角的预测角度。
4.如权利要求3所述的方法,其特征在于,所述翻滚角的多个角度区间的范围为大于等于-180度且小于等于180度,所述映射角度区间为大于等于-180度且小于等于-90度或大于等于90度且小于等于180度的角度区间,所述对所述翻滚角的多个角度概率进行线性映射,得到映射后的角度概率,包括:
将大于等于0度且小于等于180度的角度区间对应的角度概率替换为大于等于-180度且小于0度的角度区间对应的映射后的角度概率;
将小于等于0度且大于等于-180度的角度区间对应的角度概率替换为小于等于180度且大于0度的角度区间对应的映射后的角度概率。
5.如权利要求1-4任一项所述的方法,其特征在于,所述获取待测人脸图像的人脸区域,包括:
获取所述待测人脸图像;
对所述待测人脸图像进行人脸检测,得到第一检测窗口,所述第一检测窗口中包括所述待测人脸图像的至少部分人脸图像;
对所述第一检测窗口进行外扩处理,得到第二检测窗口;
在所述待测人脸图像中,截取所述第二检测窗口对应大小的区域;
将所述第二检测窗口对应大小的区域确定为所述人脸区域。
6.如权利要求5所述的方法,其特征在于,所述对所述第一检测窗口进行外扩处理,得到第二检测窗口,包括:
将以所述第一检测窗口的中心为中心,所述第一检测窗口的长边为边长的窗口作为第三检测窗口;
根据预设外扩系数,对所述第三检测窗口的每条边长均进行外扩处理,得到第四检测窗口;
去除所述第四检测窗口超过所述待测人脸图像对应的边长,得到第五检测窗口;
将以所述第五检测窗口的中心为中心,所述第五检测窗口的短边为边长的窗口作为第二检测窗口。
7.如权利要求1-4任一项所述的方法,其特征在于,
所述确定所述人脸区域对应的人脸特征,包括:
将所述人脸区域输入到人脸角度识别模型的骨干网络中,输出所述人脸特征,所述骨干网络用于提取人脸图像中的人脸特征;
所述根据所述人脸特征,确定多种角度类型各自的多个角度概率,包括:
将所述人脸特征输入到所述人脸角度识别模型的全连接分类网络中,输出每种角度类型的多个角度概率,所述全连接分类网络用于预测人脸特征在每种角度类型的多个角度区间分别对应的角度概率。
8.如权利要求7所述的方法,其特征在于,生成所述人脸角度识别模型的过程,包括:
获取样本人脸图像集,所述样本人脸图像集包括多帧样本人脸图像以及每帧样本人脸图像中的人脸相对于拍摄位置的每种角度类型对应的真实角度;
对每帧样本人脸图像进行数据增强处理,得到增强后的样本人脸图像;
将所述增强后的样本人脸图像输入到原始角度识别模型中,输出每种角度类型的多个角度概率,所述原始人脸角度识别模型包括原始骨干网络和原始全连接分类网络;
根据每种角度类型的多个角度概率以及每种角度类型对应的真实角度,调整所述原始角度识别模型的模型参数;
将调整后的所述原始角度识别模型确定为所述人脸角度识别模型。
9.一种人脸角度预测装置,其特征在于,包括:
获取模块,用于获取待测人脸图像的人脸区域;
第一确定模块,用于确定所述人脸区域对应的人脸特征;
第二确定模块,用于根据所述人脸特征,确定多种角度类型各自的多个角度概率,每种角度类型的多个角度概率分别对应于每种角度类型的多个角度区间,所述多种角度类型包括偏航角、俯仰角和翻滚角;
第三确定模块,用于根据每种角度类型的多个角度概率,确定所述待测人脸图像中的人脸相对于拍摄位置的每种角度类型的预测角度。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
11.一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7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607682.7A CN117197853A (zh) | 2022-05-31 | 2022-05-31 | 人脸角度预测方法、装置、设备及可读存储介质 |
PCT/CN2022/142276 WO2023231400A1 (zh) | 2022-05-31 | 2022-12-27 | 人脸角度预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607682.7A CN117197853A (zh) | 2022-05-31 | 2022-05-31 | 人脸角度预测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197853A true CN117197853A (zh) | 2023-12-08 |
Family
ID=89003944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607682.7A Pending CN117197853A (zh) | 2022-05-31 | 2022-05-31 | 人脸角度预测方法、装置、设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117197853A (zh) |
WO (1) | WO2023231400A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647865B (zh) * | 2019-09-30 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
CN111814613A (zh) * | 2020-06-24 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种人脸识别方法、设备及计算机可读存储介质 |
CN112084856A (zh) * | 2020-08-05 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 一种人脸姿态检测方法、装置、终端设备及存储介质 |
CN112883918B (zh) * | 2021-03-22 | 2024-03-19 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN112818969B (zh) * | 2021-04-19 | 2021-07-06 | 南京烽火星空通信发展有限公司 | 一种基于知识蒸馏的人脸姿态估计方法及系统 |
CN113971833A (zh) * | 2021-11-29 | 2022-01-25 | 成都新潮传媒集团有限公司 | 多角度的人脸识别方法、装置、计算机主设备及存储介质 |
-
2022
- 2022-05-31 CN CN202210607682.7A patent/CN117197853A/zh active Pending
- 2022-12-27 WO PCT/CN2022/142276 patent/WO2023231400A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023231400A1 (zh) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN109886997B (zh) | 基于目标检测的识别框确定方法、装置及终端设备 | |
CN109255352B (zh) | 目标检测方法、装置及系统 | |
CN111738244B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN111950329B (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN110473137B (zh) | 图像处理方法和装置 | |
CN112288770A (zh) | 基于深度学习的视频实时多目标检测与跟踪方法和装置 | |
CN110634153A (zh) | 目标跟踪模板更新方法、装置、计算机设备和存储介质 | |
CN111104841B (zh) | 暴力行为检测方法及系统 | |
CN110852285A (zh) | 对象检测方法、装置、计算机设备和存储介质 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN113673530B (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
CN111242128B (zh) | 目标检测方法、装置、计算机可读存储介质和计算机设备 | |
CN111126208B (zh) | 行人归档方法、装置、计算机设备及存储介质 | |
CN112101195B (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
US20210365726A1 (en) | Method and apparatus for object detection in image, vehicle, and robot | |
CN110516559B (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
CN112749655B (zh) | 视线追踪方法、装置、计算机设备和存储介质 | |
CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
CN112634316B (zh) | 目标跟踪方法、装置、设备和存储介质 | |
CA3136990A1 (en) | PRINCIPAL POINT DETECTION METHOD OF A HUMAN BODY, APPARATUS, COMPUTER DEVICE AND STORAGE MEDIA | |
CN111753766B (zh) | 一种图像处理方法、装置、设备及介质 | |
CN114898416A (zh) | 一种人脸识别方法、装置、电子设备及可读存储介质 | |
CN111652245B (zh) | 车辆轮廓检测方法、装置、计算机设备及存储介质 | |
CN111080571A (zh) | 摄像头遮挡状态检测方法、装置、终端和存储介质 |
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 |