Nothing Special   »   [go: up one dir, main page]

CN108073910A - 用于生成人脸特征的方法和装置 - Google Patents

用于生成人脸特征的方法和装置 Download PDF

Info

Publication number
CN108073910A
CN108073910A CN201711482448.1A CN201711482448A CN108073910A CN 108073910 A CN108073910 A CN 108073910A CN 201711482448 A CN201711482448 A CN 201711482448A CN 108073910 A CN108073910 A CN 108073910A
Authority
CN
China
Prior art keywords
facial image
identified
convolutional neural
neural networks
image
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.)
Granted
Application number
CN201711482448.1A
Other languages
English (en)
Other versions
CN108073910B (zh
Inventor
姜志超
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.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201711482448.1A priority Critical patent/CN108073910B/zh
Publication of CN108073910A publication Critical patent/CN108073910A/zh
Priority to US16/130,384 priority patent/US11270099B2/en
Application granted granted Critical
Publication of CN108073910B publication Critical patent/CN108073910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了用于生成人脸特征的方法和装置。该方法的一具体实施方式包括：获取待识别人脸图像；将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，其中，第一卷积神经网络用于从人脸图像中提取特征区域图像；将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；根据特征区域图像集合中的各特征区域图像的区域人脸特征，生成待识别人脸图像的人脸特征集合。该实施方式可以减少内存资源的占用，有助于提高生成效率。

Description

用于生成人脸特征的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及人脸识别技术领域，尤其涉及用于生成人脸特征的方法和装置。
背景技术
人脸识别，通常是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。
发明内容
本申请实施例提出了用于生成人脸特征的方法和装置。
第一方面，本申请实施例提供了一种用于生成人脸特征的方法，包括：获取待识别人脸图像；将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，其中，第一卷积神经网络用于从人脸图像中提取特征区域图像；将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；根据特征区域图像集合中的各特征区域图像的区域人脸特征，生成待识别人脸图像的人脸特征集合。
在一些实施例中，将待识别人脸图像输入第一卷积神经网络之前，该方法包括：对待识别人脸图像进行关键点标注，其中，关键点所在的人脸区域用于表征人脸特征。
在一些实施例中，将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，包括：将标注后的待识别人脸图像输入第一卷积神经网络，提取关键点所在的人脸区域作为特征区域，生成待识别人脸图像的特征区域图像集合。
在一些实施例中，第一卷积神经网络中还设置有空间变换网络，用于确定人脸图像的特征区域；以及将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，包括：将待识别人脸图像输入空间变换网络，确定待识别人脸图像的特征区域；将待识别人脸图像输入第一卷积神经网络，根据确定的特征区域，生成待识别人脸图像的特征区域图像集合。
在一些实施例中，第一卷积神经网络通过以下步骤训练得到：获取包含关键点标注的样本人脸图像；将样本人脸图像作为输入，训练得到第一卷积神经网络。
在一些实施例中，第二卷积神经网络通过以下步骤训练得到：获取样本特征区域图像；根据样本特征区域图像所显示的特征区域，对样本特征区域图像进行分类；将属于同一特征区域的样本特征区域图像作为输入，训练得到与该特征区域对应的第二卷积神经网络。
在一些实施例中，该方法还包括：根据人脸特征集合对待识别人脸图像进行识别。
第二方面，本申请实施例提供了一种用于生成人脸特征的装置，包括：获取单元，配置用于获取待识别人脸图像；第一生成单元，配置用于将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，其中，第一卷积神经网络用于从人脸图像中提取特征区域图像；第二生成单元，配置用于将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；第三生成单元，配置用于根据特征区域图像集合中的各特征区域图像的区域人脸特征，生成待识别人脸图像的人脸特征集合。
在一些实施例中，该装置包括：标注单元，配置用于对待识别人脸图像进行关键点标注，其中，关键点所在的人脸区域用于表征人脸特征。
在一些实施例中，第一生成单元进一步配置用于：将标注后的待识别人脸图像输入第一卷积神经网络，提取关键点所在的人脸区域作为特征区域，生成待识别人脸图像的特征区域图像集合。
在一些实施例中，第一卷积神经网络中还设置有空间变换网络，用于确定人脸图像的特征区域；以及第一生成单元包括：确定子单元，配置用于将待识别人脸图像输入空间变换网络，确定待识别人脸图像的特征区域；生成子单元，配置用于将待识别人脸图像输入第一卷积神经网络，根据确定的特征区域，生成待识别人脸图像的特征区域图像集合。
在一些实施例中，第一卷积神经网络通过以下步骤训练得到：获取包含关键点标注的样本人脸图像；将样本人脸图像作为输入，训练得到第一卷积神经网络。
在一些实施例中，第二卷积神经网络通过以下步骤训练得到：获取样本特征区域图像；根据样本特征区域图像所显示的特征区域，对样本特征区域图像进行分类；将属于同一特征区域的样本特征区域图像作为输入，训练得到与该特征区域对应的第二卷积神经网络。
在一些实施例中，该装置还包括：识别单元，配置用于根据人脸特征集合对待识别人脸图像进行识别。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面中任一实施例所描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如上述第一方面中任一实施例所描述的方法。
本申请实施例提供的用于生成人脸特征的方法和装置，首先通过将获取的待识别人脸图像输入第一卷积神经网络，可以生成待识别人脸图像的特征区域图像集合。其中，第一卷积神经网络可以用于从人脸图像中提取特征区域图像。然后，可以将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，从而生成该特征区域图像的区域人脸特征。其中，第二卷积神经网络可以用于提取对应的特征区域图像的区域人脸特征。之后，根据特征区域图像集合中的各特征区域图像的区域人脸特征，可以生成待识别人脸图像的人脸特征集合。也就是说，第一卷积神经网络所生成的特征区域图像集合，对于各第二卷积神经网络可以实现信息共享。这样可以减少数据量，从而降低内存资源的占用，同时有助于提高生成效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成人脸特征的方法的一个实施例的流程图；
图3是根据本申请的用于生成人脸特征的方法的应用场景的示意图；
图4是根据本申请的用于生成人脸特征的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成人脸特征的方法或用于生成人脸特征的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102、103，网络104、106，服务器105和数据库服务器107、108。网络104用以在终端101、102、103与服务器105之间提供通信链路的介质。网络106用以在服务器105与数据库服务器107、108之间提供通信链路的介质。网络104、106可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端101、102、103可以是具有图像采集装置(如摄像头)的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机和传感器等等。
此外，终端101、102、103还可以是具有显示屏的各种电子设备。这样，用户可以使用终端101、102、103通过网络104与服务器105进行交互，以接收或发送消息等。终端101、102、103上可以安装有各种客户端应用，例如图像浏览类应用(如照片浏览器、视频播放器等)、网页浏览器、搜索类应用和即时通讯工具等。
数据库服务器107、108可以是提供各种服务的服务器，例如数据库服务器107、108上可以存储有预先训练的第二卷积神经网络。其中，第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征。数据库服务器107、108可以将接收的特征区域图像输入第二卷积神经网络，从而生成特征区域图像的区域人脸特征。
服务器105也可以是提供各种服务的服务器，例如对终端101、102、103上显示的各种应用提供支持的后台服务器。后台服务器可以对终端101、102、103发送的待识别人脸图像进行分析处理，例如将其输入预选训练并存储的第一卷积神经网络，并可以将处理结果(生成的特征区域图像集合)发送给终端101、102、103。同时，后台服务器还可以根据数据库服务器107、108所生成的区域人脸特征，生成人脸特征集合，并可以将其发送给终端101、102、103。
需要说明的是，本申请实施例所提供的用于生成人脸特征的方法一般由服务器105执行，相应地，用于生成人脸特征的装置一般设置于服务器105中。
需要指出的是，当服务器105具有数据库服务器107、108的功能时，系统架构100可以不设置数据库服务器107、108。
应该理解，图1中的终端、网络、服务器和数据库服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、服务器和数据库服务器。
继续参考图2，其示出了根据本申请的用于生成人脸特征的方法的一个实施例的流程200。该用于生成人脸特征的方法可以包括以下步骤：
步骤201，获取待识别人脸图像。
在本实施例中，用于生成人脸特征的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或无线连接方式，从与其通信连接的终端(例如图1所示的终端101、102、103)来获取待识别人脸图像。其中，待识别人脸图像可以是包含人脸图像的图像。
在这里，待识别人脸图像中所显示的人脸图像可以是局部人脸(即人脸信息不完整，如侧脸或部分被衣物、饰品遮挡的人脸)图像；也可以是全人脸(即人脸信息完整，如正面无遮挡人脸)图像。此外，待识别人脸图像可以是彩色图像，也可以是灰度图像。待识别人脸图像的具体格式在本申请中并不限制，如jpg(Joint Photo graphic Experts Group，一种图片格式)、BMP(Bitmap，图像文件格式)或RAW(RAW Image Format，无损压缩格式)等格式，可以被电子设备识别即可。
步骤202，将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合。
在本实施例中，对于步骤201中获取的待识别人脸图像，电子设备可以将其输入第一卷积神经网络，从而生成待识别人脸图像的特征区域图像。其中，第一卷积神经网络可以用于从人脸图像中提取特征区域图像。特征区域图像可以是用于表征人脸的任意区域的特征的图像，如左眼区域图像、额头区域图像等。
在本实施例的一些可选地实现方式中，在将待识别人脸图像输入第一卷积神经网络之前，电子设备可以先对待识别人脸图像进行关键点标注。其中，关键点所在的人脸区域用于表征人脸特征。然后，电子设备可以将标注后的待识别人脸图像输入第一卷积神经网络，提取关键点所在的人脸区域作为特征区域，生成待识别人脸图像的特征区域图像集合。
例如，电子设备可以接收用户利用终端发送的标注操作指令。其中，标注操作指令可以包括关键点的位置信息。此时，电子设备可以根据上述标注操作指令中的位置信息，对待识别人脸图像进行关键点标注，并可以将标注后的待识别人脸图像输入第一卷积神经网络。
再例如，电子设备可以首先可以对待识别人脸图像进行人脸的特征(如五官、脸部轮廓等)检测。然后，根据检测结果，对于不同的特征可以进行关键点标注。作为示例，对于嘴部特征，可以标注四个关键点，分别位于两个嘴角、上嘴唇和下嘴唇的中部边缘。这样可以减少人工参与过程，有助于提高处理效率。可以理解的是，电子设备可以利用现有技术中常用的人脸特征点定位方法来实现关键点标注，如基于局部的方法(局部约束模型CLM，Constrained Local Model)或基于全局的方法等。
需要说明的是，关键点的尺寸、形状和颜色等其他信息在本申请中并不限制。这些信息可以是预先设置的，或者也可以包括在上述标注操作指令中。
接着，首先可以通过第一卷积神经网络进行人脸检测和关键点检测；然后，根据关键点在待识别人脸图像中的位置信息，可以确定切割(crop)位置和尺寸，从而可以将待切割的包含关键点的人脸区域作为特征区域。例如可以将嘴部的四个关键点分别作为四边形的顶点或四条边上的点，从而得到待切割的特征区域。最后，根据确定出的各特征区域，可以对待识别人脸图像经过卷积等处理映射得到的特征层上的图像进行切割，从而可以生成待识别人脸图像的特征区域图像集合。需要说明的是，特征区域的形状在本申请中并不限制。
可选地，为了简化处理过程，首先可以通过第一卷积神经网络对待识别人脸图像进行人脸的特征(如五官、脸部轮廓等)检测；然后，根据检测结果，确定不同特征的切割位置和尺寸，从而可以将待切割的包含人脸的特征的人脸区域作为特征区域。进而可以生成待识别人脸图像的特征区域图像集合。这样也有助于提高第一卷积神经网络的适用范围。
进一步地，为了提高生成结果的准确度，第一卷积神经网络中还可以设置有空间变换网络(Spatial Transformer Networks，STN)，用于确定人脸图像的特征区域。此时，电子设备可以将待识别人脸图像输入空间变换网络，以确定待识别人脸图像的特征区域。这样，第一卷积神经网络对输入的待识别人脸图像，可以根据空间变换网络确定出的特征区域，提取特征层上与特征区域匹配的图像，以生成待识别人脸图像的特征区域图像集合。
需要说明的是，空间变换网络在第一卷积神经网络中的具体设置位置在本申请中并不限制。且空间变换网络可以通过不断地学习，来确定不同人脸图像的不同特征的特征区域。同时，在第一卷积神经网络对输入的人脸图像进行卷积等处理的过程中，空间变换网络可以学习到哪些特征数据相对比较重要，以作为参考指导。这样对于输入的一张人脸图像，空间变换网络可以先确定初始特征区域，待(已经训练过的)第一卷积神经网络生成初始特征区域图像集合后，可以通过损失函数进行反馈调整，直至损失函数的值趋于稳定或达到预设阈值(如0.5，可以根据实际情况设置)。此时，可以认为空间变换网络学习结束。也就是说，可以先对第一卷积神经网络(不包含空间变换网络)进行训练，然后将训练得到的参数初始化包含空间变换网络的网络。
另外，可以理解的是，空间变换网络不仅可以指导第一卷积神经网络进行特征区域切割。同时，可以对输入数据进行简单的空间变换，如平移、旋转、缩放等。这样既有助于提高第一卷积神经网络的处理效果，又可以降低对待识别人脸图像的要求，提高适用范围。
在本实施例的一些可选地实现方式中，第一卷积神经网络可以通过以下步骤训练得到：首先，可以获取包含关键点标注的样本人脸图像；之后，可以将样本人脸图像作为输入，训练得到第一卷积神经网络。
作为示例，可以获取包含关键点标注的样本人脸图像和对应的样本特征区域图像，并将样本人脸图像作为输入，将样本特征区域图像作为输出。此时，第一卷积神经网络可以对输入的样本人脸图像进行人脸检测和关键点检测，并获取人脸和关键点的位置信息；之后，对应关键点的位置，可以生成不同位置和尺寸的特征区域图像；接着，可以将生成的特征区域图像与对应的样本特征区域图像进行匹配。这样，根据匹配结果进行反馈，可以不断地调整第一卷积神经网络的参数。
可选地，为了提高第一卷积神经网络的功能，扩大其适用范围，第一卷积神经网络还可以通过以下步骤训练得到：首先，可以获取样本人脸图像(没有标注关键点)；之后，可以将该样本人脸图像作为输入，训练得到第一卷积神经网络。
作为示例，可以获取没有关键点标注的样本人脸图像和对应的样本特征区域图像，并将样本人脸图像作为输入，将样本特征区域图像作为输出，训练得到第一卷积神经网络。
步骤203，将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征。
在本实施例中，对于步骤202中生成的特征区域图像集合，电子设备可以将该集合中的各特征区域图像输入对应的第二卷积神经网络中，以生成各特征区域图像的区域人脸特征。其中，第二卷积神经网络可以用于提取对应的特征区域图像的区域人脸特征。例如，将鼻子的特征区域图像输入用于处理鼻子图像的第二卷积神经网络。在这里，区域人脸特征可以是用于描述特征区域图像中的区域人脸图像的人脸特征，例如鼻子区域的人脸特征。
在本实施例的一些可选地实现方式中，第二卷积神经网络可以通过以下步骤训练得到：首先，可以获取样本特征区域图像；之后，可以根据样本特征区域图像所显示的特征区域(如鼻子、嘴部等)，对样本特征区域图像进行分类；接着，可以将属于同一特征区域的样本特征区域图像作为输入，训练得到与该特征区域对应的第二卷积神经网络。需要说明的是，获取的样本特征区域图像可以(但不限于)是第一卷积神经网络生成的。
作为示例，可以获取样本特征区域图像以及与样本特征区域图像对应的样本人脸特征(用于描述对应的样本特征区域图像中的区域人脸图像的人脸特征)。然后，可以将属于同一特征区域的样本特征区域图像作为输入，将对应的样本人脸特征作为输出，训练得到与该特征区域对应的第二卷积神经网络。
可选地，第二卷积神经网络还可以通过以下步骤训练得到：首先，可以获取样本人脸图像以及用于描述样本人脸图像的不同区域人脸的样本人脸区域特征；之后，可以将样本人脸图像作为输入，将不同的样本人脸区域特征分别作为输出，训练得到与不同区域人脸图像对应的第二卷积神经网络。这样有利于减少样本人脸图像的数量。
步骤204，根据特征区域图像集合中的各特征区域图像的区域人脸特征，生成待识别人脸图像的人脸特征集合。
在本实施例中，根据步骤203中生成的特征区域图像集合中的各特征区域图像的区域人脸特征，电子设备可以生成待识别人脸图像的人脸特征集合。其中，人脸特征集合中的人脸特征可以用于描述待识别人脸图像的人脸特征。
作为示例，电子设备可以对各特征区域图像的区域人脸特征进行去重处理。并可以对去重处理后的各区域人脸特征进行存储，从而生成待识别人脸图像的人脸特征集合。
例如，电子设备还可以对各特征区域图像的区域人脸特征进行筛选，从而去除与大部分人脸图像存在共性的人脸特征，以筛选出待识别人脸图像的特有的人脸特征(例如用于描述脸部伤疤的人脸特征)。对这些筛选出的人脸特征进行存储，生成待识别人脸图像的人脸特征集合。
在本实施例的一些可选地实现方式中，电子设备还可以根据生成的待识别人脸图像的人脸特征集合，对待识别人脸图像进行人脸检测和/或人脸识别。
可选地，电子设备还可以输出待识别人脸图像的人脸特征集合。这里的输出形式在本申请中并不限制，如可以是文本、音频、图像等形式。另外，这里的输出还可以是输出存储，如存储在本地，或存储在外部介质或设备上等。
可以理解的是，本实施例中的第一卷积神经网络与第二卷积神经网络可以是相互独立的卷积神经网络，也可以是同一卷积神经网络中的不同部分，在本申请中并不限制。
此外，第一卷积神经网络和第二卷积神经网络可以是相互独立训练完成的，如上述的训练过程；也可以是经过一系列的关联训练而一起完成的。例如将包含关键点标注的样本人脸图像输入第一卷积神经网络，得到样本特征区域图像；再将得到的样本特征区域图像分别输入对应的第二卷积神经网络，得到各样本特征区域图像的样本人脸特征；之后利用这些样本人脸特征对样本人脸进行身份识别或检测。这样根据识别或检测结果，可以对第一卷积神经网络和第二卷积神经网络的参数进行调整再训练。这样有利于简化训练过程，可以减少样本数量。同时有助于提升第一卷积神经网络与第二卷积神经网络间的关联性，提高生成结果的准确度。
本实施例提供的用于生成人脸特征的方法，首先通过将获取的待识别人脸图像输入第一卷积神经网络，可以生成待识别人脸图像的特征区域图像集合。其中，第一卷积神经网络可以用于从人脸图像中提取特征区域图像。然后，可以将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，从而生成该特征区域图像的区域人脸特征。其中，第二卷积神经网络可以用于提取对应的特征区域图像的区域人脸特征。之后，根据特征区域图像集合中的各特征区域图像的区域人脸特征，可以生成待识别人脸图像的人脸特征集合。也就是说，第一卷积神经网络所生成的特征区域图像集合，对于各第二卷积神经网络可以实现信息共享。这样可以减少数据量，从而降低内存资源的占用，同时有助于提高生成效率。
请参见图3，图3是根据本实施例的用于生成人脸特征的方法的应用场景的示意图。在图3的应用场景中，用户可以利用终端31上安装的摄像头，来采集待识别人脸图像311。并通过终端31可以将该待识别人脸图像311发送给服务器32。服务器32在接收到待识别人脸图像311之后，首先可以将其输入预存的第一卷积神经网络321，生成特征区域图像集合；之后可以将特征区域图像集合中的各特征区域图像分别输入对应、预存的第二卷积神经网络322，从而生成各特征区域图像的区域人脸特征；接着服务器32可以根据这些区域人脸特征，生成待识别人脸图像311的人脸特征集合323，并将其发送给终端31。
进一步地，服务器32还可以通过生成的人脸特征集合323，对待识别人脸图像311进行人脸识别，并且可以将识别结果发送给终端31(图3中未示出)。
继续参见图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成人脸特征的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于生成人脸特征的装置400可以包括：获取单元401，配置用于获取待识别人脸图像；第一生成单元402，配置用于将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，其中，第一卷积神经网络用于从人脸图像中提取特征区域图像；第二生成单元403，配置用于将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；第三生成单元404，配置用于根据特征区域图像集合中的各特征区域图像的区域人脸特征，生成待识别人脸图像的人脸特征集合。
在本实施例中，获取单元401、第一生成单元402、第二生成单元403和第三生成单元404的具体实现方式及产生的有益效果，可以分别参见图2所示实施例中的步骤201、步骤202、步骤203和步骤204的相关描述，此处不再赘述。
在本实施例的一些可选的实现方式中，该装置400可以包括：标注单元(图中未示出)，配置用于对待识别人脸图像进行关键点标注，其中，关键点所在的人脸区域用于表征人脸特征。
可选地，第一生成单元402可以进一步配置用于：将标注后的待识别人脸图像输入第一卷积神经网络，提取关键点所在的人脸区域作为特征区域，生成待识别人脸图像的特征区域图像集合。
作为示例，第一卷积神经网络中还可以设置有空间变换网络，用于确定人脸图像的特征区域；以及第一生成单元402可以包括：确定子单元(图中未示出)，配置用于将待识别人脸图像输入空间变换网络，确定待识别人脸图像的特征区域；生成子单元(图中未示出)，配置用于将待识别人脸图像输入第一卷积神经网络，根据确定的特征区域，生成待识别人脸图像的特征区域图像集合。
在一些实施例中，第一卷积神经网络可以通过以下步骤训练得到：获取包含关键点标注的样本人脸图像；将样本人脸图像作为输入，训练得到第一卷积神经网络。
进一步地，第二卷积神经网络可以通过以下步骤训练得到：获取样本特征区域图像；根据样本特征区域图像所显示的特征区域，对样本特征区域图像进行分类；将属于同一特征区域的样本特征区域图像作为输入，训练得到与该特征区域对应的第二卷积神经网络。
在一些实施例中，该装置400还可以包括：识别单元(图中未示出)，配置用于根据人脸特征集合对待识别人脸图像进行识别。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500可以包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括触摸屏、键盘、图像采集设备等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、第二生成单元和第三生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别人脸图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待识别人脸图像；将待识别人脸图像输入第一卷积神经网络，生成待识别人脸图像的特征区域图像集合，其中，第一卷积神经网络用于从人脸图像中提取特征区域图像；将特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；根据特征区域图像集合中的各特征区域图像的区域人脸特征，生成待识别人脸图像的人脸特征集合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于生成人脸特征的方法，包括：
获取待识别人脸图像；
将所述待识别人脸图像输入第一卷积神经网络，生成所述待识别人脸图像的特征区域图像集合，其中，所述第一卷积神经网络用于从人脸图像中提取特征区域图像；
将所述特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，所述第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；
根据所述特征区域图像集合中的各特征区域图像的区域人脸特征，生成所述待识别人脸图像的人脸特征集合。
2.根据权利要求1所述的方法，其中，所述将所述待识别人脸图像输入第一卷积神经网络之前，所述方法包括：
对所述待识别人脸图像进行关键点标注，其中，所述关键点所在的人脸区域用于表征人脸特征。
3.根据权利要求2所述的方法，其中，所述将所述待识别人脸图像输入第一卷积神经网络，生成所述待识别人脸图像的特征区域图像集合，包括：
将标注后的待识别人脸图像输入第一卷积神经网络，提取所述关键点所在的人脸区域作为特征区域，生成所述待识别人脸图像的特征区域图像集合。
4.根据权利要求1所述的方法，其中，所述第一卷积神经网络中还设置有空间变换网络，用于确定人脸图像的特征区域；以及
所述将所述待识别人脸图像输入第一卷积神经网络，生成所述待识别人脸图像的特征区域图像集合，包括：
将所述待识别人脸图像输入所述空间变换网络，确定所述待识别人脸图像的特征区域；
将所述待识别人脸图像输入所述第一卷积神经网络，根据确定的特征区域，生成所述待识别人脸图像的特征区域图像集合。
5.根据权利要求1所述的方法，其中，所述第一卷积神经网络通过以下步骤训练得到：
获取包含关键点标注的样本人脸图像；
将所述样本人脸图像作为输入，训练得到第一卷积神经网络。
6.根据权利要求1所述的方法，其中，所述第二卷积神经网络通过以下步骤训练得到：
获取样本特征区域图像；
根据样本特征区域图像所显示的特征区域，对样本特征区域图像进行分类；
将属于同一特征区域的样本特征区域图像作为输入，训练得到与该特征区域对应的第二卷积神经网络。
7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：
根据所述人脸特征集合对所述待识别人脸图像进行识别。
8.一种用于生成人脸特征的装置，包括：
获取单元，配置用于获取待识别人脸图像；
第一生成单元，配置用于将所述待识别人脸图像输入第一卷积神经网络，生成所述待识别人脸图像的特征区域图像集合，其中，所述第一卷积神经网络用于从人脸图像中提取特征区域图像；
第二生成单元，配置用于将所述特征区域图像集合中的每个特征区域图像输入对应的第二卷积神经网络，生成该特征区域图像的区域人脸特征，其中，所述第二卷积神经网络用于提取对应的特征区域图像的区域人脸特征；
第三生成单元，配置用于根据所述特征区域图像集合中的各特征区域图像的区域人脸特征，生成所述待识别人脸图像的人脸特征集合。
9.根据权利要求8所述的装置，其中，所述装置包括：
标注单元，配置用于对所述待识别人脸图像进行关键点标注，其中，所述关键点所在的人脸区域用于表征人脸特征。
10.根据权利要求9所述的装置，其中，所述第一生成单元进一步配置用于：
将标注后的待识别人脸图像输入第一卷积神经网络，提取所述关键点所在的人脸区域作为特征区域，生成所述待识别人脸图像的特征区域图像集合。
11.根据权利要求8所述的装置，其中，所述第一卷积神经网络中还设置有空间变换网络，用于确定人脸图像的特征区域；以及
所述第一生成单元包括：
确定子单元，配置用于将所述待识别人脸图像输入所述空间变换网络，确定所述待识别人脸图像的特征区域；
生成子单元，配置用于将所述待识别人脸图像输入所述第一卷积神经网络，根据确定的特征区域，生成所述待识别人脸图像的特征区域图像集合。
12.根据权利要求8所述的装置，其中，所述第一卷积神经网络通过以下步骤训练得到：
获取包含关键点标注的样本人脸图像；
将所述样本人脸图像作为输入，训练得到第一卷积神经网络。
13.根据权利要求8所述的装置，其中，所述第二卷积神经网络通过以下步骤训练得到：
获取样本特征区域图像；
根据样本特征区域图像所显示的特征区域，对样本特征区域图像进行分类；
将属于同一特征区域的样本特征区域图像作为输入，训练得到与该特征区域对应的第二卷积神经网络。
14.根据权利要求8-13之一所述的装置，其中，所述装置还包括：
识别单元，配置用于根据所述人脸特征集合对所述待识别人脸图像进行识别。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201711482448.1A 2017-12-29 2017-12-29 用于生成人脸特征的方法和装置 Active CN108073910B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711482448.1A CN108073910B (zh) 2017-12-29 2017-12-29 用于生成人脸特征的方法和装置
US16/130,384 US11270099B2 (en) 2017-12-29 2018-09-13 Method and apparatus for generating facial feature

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711482448.1A CN108073910B (zh) 2017-12-29 2017-12-29 用于生成人脸特征的方法和装置

Publications (2)

Publication Number Publication Date
CN108073910A true CN108073910A (zh) 2018-05-25
CN108073910B CN108073910B (zh) 2021-05-07

Family

ID=62156177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711482448.1A Active CN108073910B (zh) 2017-12-29 2017-12-29 用于生成人脸特征的方法和装置

Country Status (2)

Country Link
US (1) US11270099B2 (zh)
CN (1) CN108073910B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559799A (zh) * 2018-10-12 2019-04-02 华南理工大学 医学图像语义描述方法、描述模型的构建方法及该模型
CN110189354A (zh) * 2019-04-18 2019-08-30 北京迈格威科技有限公司 图像处理方法与图像处理器、图像处理设备及介质
CN110555342A (zh) * 2018-05-31 2019-12-10 杭州海康威视数字技术股份有限公司 一种图像识别方法、装置和图像设备
CN110569742A (zh) * 2019-08-19 2019-12-13 昆山琪奥智能科技有限公司 一种微表情分析研判系统
CN111488592A (zh) * 2019-01-29 2020-08-04 武汉海康存储技术有限公司 数据加解密方法、装置及网络设备
CN111639582A (zh) * 2020-05-26 2020-09-08 清华大学 活体检测方法及设备
CN111898413A (zh) * 2020-06-16 2020-11-06 深圳市雄帝科技股份有限公司 人脸识别方法、装置、电子设备和介质
CN112825118A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 旋转不变性人脸检测方法、装置、可读存储介质及设备

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776834B (zh) * 2018-05-07 2021-08-06 上海商汤智能科技有限公司 系统增强学习方法和装置、电子设备、计算机存储介质
US10922833B2 (en) * 2018-05-15 2021-02-16 Apical Ltd. Image processing
CN110263774B (zh) * 2019-08-19 2019-11-22 珠海亿智电子科技有限公司 一种人脸检测方法
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
CN111428606B (zh) * 2020-03-19 2023-03-31 华南师范大学 一种面向边缘计算的轻量级人脸对比验证方法
CN111709428B (zh) * 2020-05-29 2023-09-15 北京百度网讯科技有限公司 图像中关键点位置的识别方法、装置、电子设备及介质
CN113486905A (zh) * 2021-07-01 2021-10-08 深圳星坊科技有限公司 珠宝特征信息获取方法、装置、计算机设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8027521B1 (en) * 2008-03-25 2011-09-27 Videomining Corporation Method and system for robust human gender recognition using facial feature localization
CN103824049A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联神经网络的人脸关键点检测方法
US20150363634A1 (en) * 2014-06-17 2015-12-17 Beijing Kuangshi Technology Co.,Ltd. Face Hallucination Using Convolutional Neural Networks
WO2016026063A1 (en) * 2014-08-21 2016-02-25 Xiaoou Tang A method and a system for facial landmark detection based on multi-task
US20160275341A1 (en) * 2015-03-18 2016-09-22 Adobe Systems Incorporated Facial Expression Capture for Character Animation
CN106295566A (zh) * 2016-08-10 2017-01-04 北京小米移动软件有限公司 人脸表情识别方法及装置
CN106295521A (zh) * 2016-07-29 2017-01-04 厦门美图之家科技有限公司 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备
CN106485235A (zh) * 2016-10-24 2017-03-08 厦门美图之家科技有限公司 一种卷积神经网络生成方法、年龄识别方法及相关装置
CN106779055A (zh) * 2017-01-10 2017-05-31 北京邮电大学 图像特征提取方法和装置
CN107169455A (zh) * 2017-05-16 2017-09-15 中山大学 基于深度局部特征的人脸属性识别方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080270332A1 (en) * 2003-08-26 2008-10-30 Paul Rudolf Associative Memory Device and Method Based on Wave Propagation
US20190034706A1 (en) * 2010-06-07 2019-01-31 Affectiva, Inc. Facial tracking with classifiers for query evaluation
US10027883B1 (en) * 2014-06-18 2018-07-17 Amazon Technologies, Inc. Primary user selection for head tracking
KR20170000748A (ko) * 2015-06-24 2017-01-03 삼성전자주식회사 얼굴 인식 방법 및 장치
JP6754619B2 (ja) * 2015-06-24 2020-09-16 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 顔認識方法及び装置
WO2017223560A1 (en) * 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
US10755145B2 (en) * 2017-07-07 2020-08-25 Carnegie Mellon University 3D spatial transformer network
CN107292287B (zh) * 2017-07-14 2018-09-21 深圳云天励飞技术有限公司 人脸识别方法、装置、电子设备及存储介质
US10777020B2 (en) * 2018-02-27 2020-09-15 Soul Vision Creations Private Limited Virtual representation creation of user for fit and style of apparel and accessories

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8027521B1 (en) * 2008-03-25 2011-09-27 Videomining Corporation Method and system for robust human gender recognition using facial feature localization
CN103824049A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联神经网络的人脸关键点检测方法
US20150363634A1 (en) * 2014-06-17 2015-12-17 Beijing Kuangshi Technology Co.,Ltd. Face Hallucination Using Convolutional Neural Networks
WO2016026063A1 (en) * 2014-08-21 2016-02-25 Xiaoou Tang A method and a system for facial landmark detection based on multi-task
US20160275341A1 (en) * 2015-03-18 2016-09-22 Adobe Systems Incorporated Facial Expression Capture for Character Animation
CN106295521A (zh) * 2016-07-29 2017-01-04 厦门美图之家科技有限公司 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备
CN106295566A (zh) * 2016-08-10 2017-01-04 北京小米移动软件有限公司 人脸表情识别方法及装置
CN106485235A (zh) * 2016-10-24 2017-03-08 厦门美图之家科技有限公司 一种卷积神经网络生成方法、年龄识别方法及相关装置
CN106779055A (zh) * 2017-01-10 2017-05-31 北京邮电大学 图像特征提取方法和装置
CN107169455A (zh) * 2017-05-16 2017-09-15 中山大学 基于深度局部特征的人脸属性识别方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555342A (zh) * 2018-05-31 2019-12-10 杭州海康威视数字技术股份有限公司 一种图像识别方法、装置和图像设备
CN110555342B (zh) * 2018-05-31 2022-08-26 杭州海康威视数字技术股份有限公司 一种图像识别方法、装置和图像设备
CN109559799A (zh) * 2018-10-12 2019-04-02 华南理工大学 医学图像语义描述方法、描述模型的构建方法及该模型
CN111488592A (zh) * 2019-01-29 2020-08-04 武汉海康存储技术有限公司 数据加解密方法、装置及网络设备
CN111488592B (zh) * 2019-01-29 2023-08-25 武汉海康存储技术有限公司 数据加解密方法、装置及网络设备
CN110189354B (zh) * 2019-04-18 2021-12-28 北京迈格威科技有限公司 图像处理方法与图像处理器、图像处理设备及介质
CN110189354A (zh) * 2019-04-18 2019-08-30 北京迈格威科技有限公司 图像处理方法与图像处理器、图像处理设备及介质
CN110569742A (zh) * 2019-08-19 2019-12-13 昆山琪奥智能科技有限公司 一种微表情分析研判系统
CN112825118A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 旋转不变性人脸检测方法、装置、可读存储介质及设备
CN112825118B (zh) * 2019-11-20 2024-05-03 北京眼神智能科技有限公司 旋转不变性人脸检测方法、装置、可读存储介质及设备
CN111639582A (zh) * 2020-05-26 2020-09-08 清华大学 活体检测方法及设备
CN111639582B (zh) * 2020-05-26 2023-10-10 清华大学 活体检测方法及设备
CN111898413A (zh) * 2020-06-16 2020-11-06 深圳市雄帝科技股份有限公司 人脸识别方法、装置、电子设备和介质

Also Published As

Publication number Publication date
CN108073910B (zh) 2021-05-07
US11270099B2 (en) 2022-03-08
US20190205618A1 (en) 2019-07-04

Similar Documents

Publication Publication Date Title
CN108073910A (zh) 用于生成人脸特征的方法和装置
CN109902659B (zh) 用于处理人体图像的方法和装置
CN107563123A (zh) 用于标注医学图像的方法和装置
CN108009521B (zh) 人脸图像匹配方法、装置、终端及存储介质
CN108038469B (zh) 用于检测人体的方法和装置
CN107644209A (zh) 人脸检测方法和装置
CN108509915A (zh) 人脸识别模型的生成方法和装置
CN106886774A (zh) 识别身份证信息的方法和装置
CN107729319A (zh) 用于输出信息的方法和装置
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN108229376A (zh) 用于检测眨眼的方法及装置
CN107333071A (zh) 视频处理方法、装置、电子设备及存储介质
CN108229485A (zh) 用于测试用户界面的方法和装置
CN107590807A (zh) 用于检测图像质量的方法和装置
CN107393541A (zh) 信息验证方法和装置
CN108494778A (zh) 身份认证方法和装置
CN109034069A (zh) 用于生成信息的方法和装置
CN108491823A (zh) 用于生成人眼识别模型的方法和装置
CN109903392A (zh) 增强现实方法和装置
CN108509916A (zh) 用于生成图像的方法和装置
CN108388889A (zh) 用于分析人脸图像的方法和装置
CN107958247A (zh) 用于人脸图像识别的方法和装置
CN108154111A (zh) 活体检测方法、系统、电子设备及计算机可读介质
CN108334498A (zh) 用于处理语音请求的方法和装置
CN108509921A (zh) 用于生成信息的方法和装置

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