[go: up one dir, main page]

CN111832370A - 人脸姿态的识别方法、装置和电子设备 - Google Patents

人脸姿态的识别方法、装置和电子设备 Download PDF

Info

Publication number
CN111832370A
CN111832370A CN201910329632.5A CN201910329632A CN111832370A CN 111832370 A CN111832370 A CN 111832370A CN 201910329632 A CN201910329632 A CN 201910329632A CN 111832370 A CN111832370 A CN 111832370A
Authority
CN
China
Prior art keywords
face
pose
face image
type
image sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201910329632.5A
Other languages
English (en)
Inventor
王楠
杨茜
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.)
Potevio Information Technology Co Ltd
Original Assignee
Potevio Information 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 Potevio Information Technology Co Ltd filed Critical Potevio Information Technology Co Ltd
Priority to CN201910329632.5A priority Critical patent/CN111832370A/zh
Publication of CN111832370A publication Critical patent/CN111832370A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

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

Abstract

本申请公开了一种人脸姿态的识别方法、装置和电子设备，涉及图像识别技术。其中，该方法包括：获取人脸图像；将获取的人脸图像输入人脸姿态分类模型；人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照预先设置的错误类型将对比结果进行分类，并为各错误类型设置权值；从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型；将确定的人脸姿态类型作为人脸姿态识别的结果输出。本申请针对不同的错误类型，分别采用不同的策略对人脸姿态分类模型进行训练，降低了人脸姿态分类模型训练过程中的过拟合风险的同时，提升了人脸姿态的分类精度。

Description

人脸姿态的识别方法、装置和电子设备
技术领域
本申请涉及图像识别技术，特别是涉及一种人脸姿态的识别方法、装置和电子设备。
背景技术
随着人工智能的不断发展，机器学习和深度学习算法被应用于人脸识别等更多复杂的任务和场景中。在理想的实验环境下，人脸图像样本具有较高的质量，例如，人脸图像样本中的人脸图像均为正脸、无遮挡时，基于深度学习的人脸识别算法可以达到相当高的识别准确率。但是，在实际应用中，图像采集设备获取到的人脸图像，尤其是动态图像采集设备获取的视频流中的人脸图像，存在大量的人脸姿态偏转角度较大的情况，这就给人脸识别技术带来比较大的困难。因此，需要提前对同一个人可能会抓拍到的不同质量的人脸图像进行判断和筛选，提出人脸姿态偏转角度较大的低质量人脸图像。而提前筛选人脸图像，需要对人脸姿态类型进行准确的判别。
现有技术中，由于人脸姿态的偏转角度是位于[-90,90]区间内连续变化的数据，并依据人脸姿态的角度值，将人脸姿态的偏转角度划分不同的人脸姿态类型。在实际应用中，由于目前的人脸姿态分类模型在训练时没有对不同的错误类型进行区分，造成人脸姿态分类模型在训练中的过拟合风险较大，且人脸姿态的分类精度较低。
发明内容
有鉴于此，本申请的主要目的在于提供一种人脸姿态的识别方法、装置与电子设备，该方法通过在人脸姿态分类模型的训练过程中，对错误类型进行区分，从而降低人脸姿态分类模型训练过程中的过拟合风险，提升人脸姿态的分类精度。
为了达到上述目的，本申请提出的技术方案为：
第一方面，本申请实施例提供了一种人脸姿态的识别方法，包括：
获取人脸图像；
将获取的人脸图像输入人脸姿态分类模型；所述人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照预先设置的错误类型将对比结果进行分类，并为各错误类型设置权值；所述权值用于在人脸姿态分类模型的训练过程中调整各错误类型的损失函数值；
从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型；所述人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围；
将确定的人脸姿态类型作为人脸姿态识别的结果输出。
一种可能的实施方式中，对所述人脸姿态分类模型进行训练的步骤包括：
获取人脸图像样本集，针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本做出所述姿态分类标记；所述姿态分类标记包括：标记人脸姿态类型和标记样本属性；
将该人脸图像样本输入当前人脸姿态分类模型中，获得该人脸图像样本的所述姿态分类计算结果；所述姿态分类计算结果包括：通过人脸姿态分类模型进行计算得到的该人脸图像样本的人脸姿态类型，作为计算人脸姿态类型，以及该人脸图像样本属于每个人脸姿态类型的概率；
根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的损失函数值和每个人脸图像样本的所述错误类型；
针对每个人脸图像样本，根据该人脸图像样本的损失函数值，和基于所述错误类型确定的该人脸图像样本的损失函数的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第一总损失；
根据所述第一总损失，更新所述人脸姿态分类模型。
一种可能的实施方式中，所述对所述人脸图像样本集中的每个人脸姿态做出所述姿态分类标记的步骤，包括：
针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本的人脸姿态类型做出标记，作为标记人脸姿态类型；
根据该人脸图像样本中人脸姿态的角度值，对该人脸图像样本的样本属性做出标记，作为标记样本属性；其中，所述标记样本属性包括边界样本和非边界样本；所述边界样本的角度范围以第一角度范围的上边界或下边界的角度值为中心，以预设的第二角度范围为大小。
一种可能的实施方式中，所述根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的损失函数值和每个人脸图像样本的所述错误类型的步骤，包括：
针对每个人脸图像样本，判断该人脸图像样本所述计算人脸姿态类型和所述标记人脸姿态类型是否相同；
在所述计算人脸姿态类型和所述标记人脸姿态类型不相同的情况下，判断所述计算人脸姿态类型的角度范围和所述标记人脸姿态类型的角度范围是否相邻；
如果所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围不相邻，则将该人脸图像样本的所述错误类型记为跨类别错误；
在所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围相邻的情况下，判断该人脸图像样本的标记样本属性；
如果所述标记样本属性为边界样本，则将该人脸图像样本的所述错误类型记为边界错误。
一种可能的实施方式中，所述基于所述错误类型确定的该人脸图像样本的损失函数的权值的步骤还包括：
如果该人脸图像样本的所述错误类型为跨类别错误，则该人脸图像样本的损失函数的权值大于1；
如果该人脸图像样本的所述错误类型为边界错误，则该人脸图像样本的损失函数的权值小于1。
一种可能的实施方式中，如果该人脸图像样本的所述错误类型为边界错误，所述基于所述错误类型确定的该人脸图像样本的损失函数的权值的步骤还包括：
根据姿态分类计算结果，确定该人脸图像样本属于计算人脸姿态类型的概率和属于标记人脸姿态类型的概率之间的差值；
如果所述差值小于预设的差值阈值，则该人脸图像样本的损失函数的权值为0。
一种可能的实施方式中，所述人脸姿态分类模型根据输入的人脸图像还得到：
人脸图像的存在情况、人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标；所述人脸特征点为人的面部器官对应的特征点；所述人脸姿态分类模型，预先基于标记了存在标记、姿态分类标记、边框位置标记和特征位置标记的人脸图像样本集进行联合训练得到。
一种可能的实施方式中，对所述人脸姿态分类模型进行训练的步骤包括：
获取人脸图像样本集，针对人脸图像样本集中每个人脸图像样本的人脸图像，根据该人脸图像的存在情况做出存在标记，根据该人脸图像中人脸边框的位置做出边框位置标记，根据该人脸图像中人脸特征点与人脸边框的相对位置做出特征位置标记，根据该人脸图像样本的人脸姿态类型做出姿态分类标记；
使用带有标记的人脸图像样本集对当前人脸姿态分类模型进行训练，得到人脸图像样本集的人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值；
根据人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值，以及人脸存在情况的损失函数、人脸姿态类型的损失函数、人脸边框位置的损失函数和特征位置坐标的损失函数分别的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第二总损失；
根据所述第二总损失，更新所述人脸姿态分类模型。
第二方面，本申请实施例还提供了一种人脸姿态的识别装置，包括：
获取模块，用于获取人脸图像；
人脸姿态分类模型，用于输入获取的人脸图像，从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型，并将确定的人脸姿态类型作为人脸姿态识别的结果输出；所述人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照错误类型将对比结果进行分类，并为各错误类型设置权值；所述权值用于在人脸姿态分类模型的训练过程中调整各错误类型的损失函数值；所述人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围。
第三方面，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面及第一方面中任一种可能的实施方式的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面及第一方面中任一种可能的实施方式的步骤。
综上所述，本申请提出的一种人脸姿态的识别方法、装置与电子设备，将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照预先设置的错误类型将对比结果进行分类，从而在训练过程中，应用为各错误类型设置的权值，调整人脸姿态分类模型的训练过程中各错误类型的损失函数值。从而针对不同的错误类型，分别采用不同的策略对人脸姿态分类模型进行训练，降低了人脸姿态分类模型训练过程中的过拟合风险的同时，提升了人脸姿态的分类精度。
附图说明
图1为本申请实施例一的流程示意图；
图2为本申请实施例二的流程示意图；
图3为本申请实施例三的流程示意图；
图4为本申请实施例四的结构示意图；
图5为本申请实施例五提供的电子设备的结构示意图。
具体实施方式
在实际应用中，图像采集设备获取到的人脸图像，尤其是动态图像采集设备获取的视频流中的人脸图像，存在大量的人脸姿态偏转角度较大的情况，给人脸识别技术带来比较大的困难。尤其是使用机器学习和深度学习算法对动态图像采集设备获取的视频流中的人脸图像进行分析时，视频流中存在大量的图像，当从视频流中获取到连续多帧人脸图像时，只需要获取一张质量较好的图像就能进行人脸识别。因此，对人脸姿态类型进行准确的判别，既能提高后续人脸识别模块的准确率，又能节省存储人脸图像的存储空间。
目前，现有技术中的人脸姿态的识别方法，无论是按人脸姿态的角度值将人脸姿态划分为小姿态类、中姿态类和大姿态类三种人脸姿态类型，还是其他的区分方式，均没有对不同的错误类型进行区分，造成人脸姿态分类模型在训练中的过拟合风险较大，且人脸姿态的分类精度较低。
具体的，不对不同的错误类型进行区分的人脸姿态的识别方法，没有考虑到人脸姿态的角度值是在[-90,90]的区间内连续变化的，人脸姿态的分类与其他的分类不同，并不是一种严格的分类，实际上，人脸姿态类型是一种程度描述数据。因此无论如何设定人脸姿态类型的角度值边界，在分类边界附近都会存在大量的边界样本。如果不考虑边界样本的情况，直接进行人脸姿态分类模型的训练，要么会造成人脸姿态分类模型训练过程中的过拟合现象，要么会造成人脸姿态分类模型具有较低的分类精度。
针对这一问题，为了提升人脸姿态分类模型的分类准确率，部分学者将边界样本重新加入人脸图像样本集，构造主动学习算法。然而，在实际应用过程中，尤其是在对人脸识别应用到的人脸图像进行预先筛选的应用场景下，位于每个人脸姿态类型边界处的边界样本，即使产生分类错误，被分类到角度范围相邻的人脸姿态类型中，通常情况下也不会影响之后的人脸识别精度。因此，在实际应用中，并不需要过分强调人脸姿态分类模型中边界样本的分类问题。另一方面，构造主动学习算法虽然可以提升边界样本的分类准确度，但人脸姿态分类模型训练过程中仍然可能出现过拟合现象。因此，无需过度注意此种情况下的边界错误，可以弱化边界错误对人脸姿态分类模型训练过程的影响。
另外，在使用人脸姿态分类模型进行人脸姿态类型的判别时，尤其是当人脸姿态类型的判别结果后续用于人脸识别时，一般情况下小姿态类的人脸图像倾向于保留，大姿态类的人脸图像倾向于删除，中姿态类的人脸图像的使用优先级低于小姿态类，而高于大姿态类。因此，进行人脸姿态类型的判别时，得到的最糟糕的判别错误是，误将小姿态类的人脸图像删除，而将大姿态类的人脸图像保留。因此，在对人脸姿态分类模型进行训练时，产生的最严重的错误为，误将小姿态类的人脸图像识别为大姿态类的人脸图像，或将大姿态类的人脸图像识别为小姿态类的人脸图像。也就是说，在对人脸姿态分类模型进行训练时，得到的计算人脸姿态类型和标记人脸姿态类型的角度范围不相邻。因此，需要尽量避免此种跨类别错误，需要加大跨类别错误对人脸姿态分类模型训练过程的影响。
综上，本申请的核心发明点在于，将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照预先设置的错误类型将对比结果进行分类，从而在训练过程中，应用为各错误类型设置的权值，调整人脸姿态分类模型的训练过程中各错误类型的损失函数值。从而针对不同的错误类型，分别采用不同的策略对人脸姿态分类模型进行训练，降低了人脸姿态分类模型训练过程中的过拟合风险的同时，提升了人脸姿态的分类精度。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本申请作进一步地详细描述。
实施例一
图1为本申请实施例一的流程示意图，如图1所示，该实施例主要包括：
S101：获取人脸图像。
这里的人脸图像，可以是静态图像采集设备采集的人脸图像，例如人脸照片等。也可以是动态图像采集设备采集的人脸图像，例如动态图像采集设备获取的视频流中，每一帧的人脸图像。
S102：将获取的人脸图像输入人脸姿态分类模型。所述人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照预先设置的错误类型将对比结果进行分类，并为各错误类型设置权值；所述权值用于在人脸姿态分类模型的训练过程中调整各错误类型的损失函数值。
这里，根据预先设置的错误类型将对比结果进行分类，例如，由于在人脸姿态分类模型的训练过程中，需要弱化边界错误对人脸姿态分类模型训练过程的影响，并且加大跨类别错误对人脸姿态分类模型训练过程的影响，因此，可以将错误类型分为：边界错误、跨类别错误和其他错误。
S103：从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型；所述人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围。
具体的，人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围。例如，可以将人脸姿态类型分为其分成三大类，包括：小姿态类、中姿态类和大姿态类。其中，小姿态类的角度范围为(-30,30)，中姿态类的角度范围为[-60,-30]和[30,60]，大姿态类的角度范围为[-90,-60)和(60,90]。当然的，此处给出的人脸姿态类型的个数和角度范围均为示例性的，也可以根据实际应用情况，对人脸姿态类型进行其他分类。
S104：将确定的人脸姿态类型作为人脸姿态识别的结果输出。
例如，将人脸姿态类型分为其分成三大类的情况下，人脸姿态识别的结果为，上述人脸图像的人脸姿态类型为小姿态类、中姿态类或大姿态类。
实施例二
如图2所示，为本申请实施例提供的人脸姿态的识别方法应用时的流程示意图，包括：
S201：获取人脸图像样本集，针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本做出所述姿态分类标记。
这里，姿态分类标记包括：标记人脸姿态类型和标记样本属性。因此，对所述人脸图像样本集中的每个人脸姿态做出所述姿态分类标记的步骤，具体包括下述步骤1和步骤2：
步骤1、针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本的人脸姿态类型做出标记，作为标记人脸姿态类型。
例如，将人脸姿态类型分为其分成三大类的情况下，人脸姿态类型包括：小姿态类、中姿态类和大姿态类。其中，小姿态类的角度范围为(-30,30)，中姿态类的角度范围为[-60,-30]和[30,60]，大姿态类的角度范围为[-90,-60)和(60,90]。此时标记人脸姿态类型为该人脸图像样本的人脸姿态类型，例如小姿态类、中姿态类或大姿态类。
步骤2、根据该人脸图像样本中人脸姿态的角度值，对该人脸图像样本的样本属性做出标记，作为标记样本属性；其中，所述标记样本属性包括边界样本和非边界样本；所述边界样本的角度范围以第一角度范围的上边界或下边界的角度值为中心，以预设的第二角度范围为大小。
根据第一角度范围的上边界或下边界的角度值确定边界样本，边界样本为，人脸姿态的角度值落入以第一角度范围的上边界或下边界为中心的预设的第二角度范围的人脸图像样本。边界样本的角度范围以第一角度范围的上边界或下边界的角度值为中心，以预设的第二角度范围为大小。具体的，例如，位于小姿态类和中姿态类边界处的边界样本，以小姿态类和中姿态类的边界角度值为中心，以小姿态的角度范围的上边界30°为中心为例，边界样本为落入以30°为中心的第二角度范围内的人脸图像样本，也就是说，位于小姿态类和中姿态类的边界上的，小姿态的角度范围的上边界附近的边界样本，是落入以30°为中心的第二角度范围内的人脸图像样本。假设第二角度范围为10°，则位于小姿态类和中姿态类的边界上的，小姿态的角度范围的上边界附近的边界样本的角度范围为[25°，35°]。位于小姿态类和中姿态类的边界上的边界样本，包括小姿态的角度范围的上边界附近的边界样本和小姿态的角度范围的下边界附近的边界样本，因此，位于小姿态类和中姿态类的边界上的边界样本的角度范围为
Figure BDA0002037284860000111
位于小姿态类和中姿态类的边界上的边界样本为落入
Figure BDA0002037284860000112
角度范围的人脸图像样本。同理，位于中姿态类和大姿态类的边界上的边界样本的角度范围为[-65°，-55°]∪[55°，65°]，中姿态类和大姿态类的边界上的边界样本为落入
Figure BDA0002037284860000113
角度范围的人脸图像样本。
为人脸图像样本集中的每个人脸图像样本赋予标记样本属性的过程，相当于对人脸图像样本集中的每个人脸图像样本进行分类的过程。假设第一角度范围的上边界或下边界包括：±30°和±60°，第二角度范围为10°，则边界样本可以包括：小姿态类与中姿态类的边界上的边界样本D1，以及中姿态类与大姿态类的边界上的边界样本D2。边界样本D1的角度范围为[-35°，-25°]∪[25°，35°]，边界样本D2的角度范围为[-65°，-55°]∪[55°，65°]。因此，针对每个人脸图像样本，对角度值落入边界样本D1的角度范围或边界样本D2的角度范围的人脸图像样本，赋予边界样本的标记样本属性；对未落入边界样本D1的角度范围或边界样本D2的角度范围的人脸图像样本，赋予非边界样本的标记样本属性。
S202：将该人脸图像样本输入当前人脸姿态分类模型中，获得该人脸图像样本的所述姿态分类计算结果。
具体的，姿态分类计算结果包括：通过人脸姿态分类模型进行计算得到的该人脸图像样本的人脸姿态类型，作为计算人脸姿态类型，以及该人脸图像样本属于每个人脸姿态类型的概率。
S203：根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的损失函数值和每个人脸图像样本的所述错误类型。
可以采用任一种常用的损失函数作为人脸姿态分类模型的损失函数，优选的，为了提高人脸姿态分类模型的分类精度，可以采用交叉熵损失函数，根据所述计算人脸姿态类型和所述标记人脸姿态类型，确定每个人脸图像样本的损失。
接下来，可以采用下述步骤1-步骤5根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的所述错误类型：
步骤1、针对每个人脸图像样本，判断该人脸图像样本所述计算人脸姿态类型和所述标记人脸姿态类型是否相同。
如果计算人脸姿态类型和标记人脸姿态类型相同，人脸姿态分类模型没有发生错误，可以将此时的错误类型设置为其他错误。
步骤2、在所述计算人脸姿态类型和所述标记人脸姿态类型不相同的情况下，判断所述计算人脸姿态类型的角度范围和所述标记人脸姿态类型的角度范围是否相邻。
步骤3、如果所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围不相邻，则将该人脸图像样本的所述错误类型记为跨类别错误。
步骤4、在所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围相邻的情况下，判断该人脸图像样本的标记样本属性。
步骤5、如果所述标记样本属性为边界样本，则将该人脸图像样本的所述错误类型记为边界错误。
如果计算人脸姿态类型和标记人脸姿态类型的角度范围相邻，且标记样本属性为非边界样本，可以将此时的错误类型设置为其他错误。
S204：针对每个人脸图像样本，根据该人脸图像样本的损失函数值，和基于所述错误类型确定的该人脸图像样本的损失函数的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第一总损失。
为降低跨类别错误发生的概率，增加了发生跨类别错误的错误类型时，人脸图像样本的损失函数的权值。也就是说，如果该人脸图像样本的所述错误类型为跨类别错误，则该人脸图像样本的损失函数的权值大于1，增加对跨类别错误的惩罚，提升人脸姿态的识别的准确度。
为了达到弱化边界样本对人脸姿态分类模型参数的影响，降低人脸姿态分类模型训练过程中过拟合的风险的效果，如果该人脸图像样本的所述错误类型为边界错误，则该人脸图像样本的损失函数的权值小于1。
进一步的，在该人脸图像样本的所述错误类型为边界错误情况下，可以根据姿态分类计算结果中该人脸图像样本属于每个人脸姿态类型的概率，确定该人脸图像样本属于计算人脸姿态类型的概率和属于标记人脸姿态类型的概率之间的差值。如果差值小于预设的差值阈值，则该人脸图像样本的损失函数的权值为0，完全不修正此时将边界样本误分类到角度范围相邻的人脸姿态类型的情况，从而加快人脸姿态分类模型的训练过程，提升非边界样本的人脸姿态的分类精度。
对于其他错误，无需干涉此时人脸图像样本的损失，因此，人脸图像样本的损失函数的权值为1。
具体的，例如，将本申请实施例提供的方法应用于对人脸识别使用的人脸图像进行提前筛选的场景下，可以采用下述公式(1)作为人脸姿态分类模型的损失函数：
Figure BDA0002037284860000131
其中，N为人脸图像样本集中包含的人脸图像样本的个数，i为人脸图像样本集中的第i个人脸图像样本，λi为人脸图像样本的损失函数的权值，
Figure BDA0002037284860000132
为标记人脸姿态类型，
Figure BDA0002037284860000133
为计算人脸姿态类型。在具体实施时，可以对标记人脸姿态类型和计算人脸姿态类型进行独热(one-hot)编码，由于此实施例中，将人脸姿态类型分为其分成三大类，因此，标记人脸姿态类型
Figure BDA0002037284860000141
计算人脸姿态类型
Figure BDA0002037284860000142
进一步的，人脸图像样本的损失函数的权值λi可以用下述公式(2)表示：
Figure BDA0002037284860000143
Figure BDA0002037284860000144
其中，
Figure BDA0002037284860000145
表示了边界样本落入角度范围相邻的人脸姿态类型的情况，也就是错误类型为边界错误的情况，此时人脸图像样本的损失函数的权值λi为A，A小于1。优选的，错误类型为边界错误时，根据该人脸图像样本属于每个人脸姿态类型的概率，计算人脸图像样本属于计算人脸姿态类型的概率和属于标记人脸姿态类型的概率之间的差值，在上述差值小于预设的差值阈值的情况下，A可以设为0，此时，
Figure BDA0002037284860000146
Figure BDA0002037284860000147
表示了计算人脸姿态类型和标记人脸姿态类型的角度范围不相邻的情况，也就是错误类型为跨类别错误的情况，此时人脸图像样本的损失函数的权值λi为B，B大于1。
在错误类型为其他错误时，例如计算人脸姿态类型和标记人脸姿态类型相同，或计算人脸姿态类型和标记人脸姿态类型的角度范围相邻且标记样本属性为非边界样本的情况下，人脸图像样本的损失函数的权值λi为1。
将人脸图像样本集中的每个人脸图像样本输入当前人脸姿态分类模型中，获得每个人脸图像样本的计算人脸姿态类型，并根据计算人脸姿态类型和标记人脸姿态类型，确定每个人脸图像样本的损失函数值；并根据每个人脸图像样本的计算人脸姿态类型、标记人脸姿态类型和标记样本属性，确定每个人脸图像样本的损失函数的权值。最后根据每个人脸图像样本的损失函数值和每个人脸图像样本的损失函数的权值，基于上述公式(1)与公式(2)，确定所述当前人脸姿态分类模型的第一总损失。
S205：根据所述第一总损失，更新所述人脸姿态分类模型。
根据所述第一总损失，调整当前人脸姿态分类模型中的参数，根据新的参数，更新人脸姿态分类模型。
S206：将获取的人脸图像输入人脸姿态分类模型，得到人脸姿态类型。
使用上述步骤S201-步骤S205训练得到的人脸姿态分类模型，针对不同的错误类型，分别采用不同的策略对人脸姿态分类模型进行训练，降低了人脸姿态分类模型训练过程中的过拟合风险，并利用训练后的人脸姿态分类模型，确定人脸图像中的人脸姿态类型，提升了人脸姿态的分类精度。
实施例三
当本申请实施例提供人脸姿态的识别方法，应用于对动态图像采集设备获取的视频流中的每帧视频流图像进行人脸姿态的识别的场景时，需要首先对获取的视频流中的每帧视频流图像进行检测，判断上述每帧视频流图像中，是否包含人脸图像，当检测到包含人脸图像的视频流图像时，对视频流图像中包含的人脸图像进行人脸姿态的识别。只需要从每帧视频流图像中筛选出一张质量较好、姿态角度较小的人脸图像就能进行准确的人脸识别，这样既能提高后续人脸识别的准确率，又能节省视频流图像的存储空间。
因此，本申请实施例三提供的人脸姿态的识别方法，在人脸姿态分类模型，除了人脸姿态类型的分类任务，还结合了人脸图像的存在情况的确定任务、人脸边框的目标位置的定位任务和人脸特征点相对于人脸边框的目标特征位置坐标的定位任务。从而，更好的判断上述每帧视频流图像中是否包含人脸图像，更好的提取人脸图像中的人脸特征点，进而利用更准确的特征点进行人脸姿态的识别，得到更准确的人脸姿态识别的结果。人脸姿态分类模型中的上述人脸姿态类型的分类任务、人脸图像的存在情况的确定任务、人脸边框的目标位置的定位任务和人脸特征点相对于人脸边框的目标特征位置坐标的定位任务进行联合训练，共享特征和参数，使得人脸图像的存在情况的确定更加准确、人脸图像中的人脸特征点的提取更加准确，同时得到的人脸姿态识别的结果更加准确。如图3所示，为本申请实施例三的方法应用时的流程示意图，包括：
S301：获取人脸图像样本集，针对人脸图像样本集中每个人脸图像样本的人脸图像做出标记。
具体的，根据该人脸图像的存在情况做出存在标记，根据该人脸图像中人脸边框的位置做出边框位置标记，根据该人脸图像中人脸特征点与人脸边框的相对位置做出特征位置标记，根据该人脸图像样本的人脸姿态类型做出姿态分类标记。
具体的，该人脸图像的存在情况为，每个人脸图像样本中是否存在人脸图像。人脸特征点为人的面部器官对应的特征点，一般的，人脸特征点包括代表了人的两个眼睛、鼻子和嘴巴的特征点。
S302：使用带有标记的人脸图像样本集对当前人脸姿态分类模型进行训练，得到人脸图像样本集的人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值。
由于人脸姿态类型的判别，是利用人脸特征点的特征位置坐标进行的，人脸姿态类型的分类任务、人脸图像的存在情况的确定任务、人脸边框的目标位置的定位任务和人脸特征点相对于人脸边框的目标特征位置坐标的定位任务，这四个任务之间有着密切的关系，使用带有标记的人脸图像样本集对当前人脸姿态分类模型进行联合训练，可以使得四个任务均具有良好的性能。
可以采用任一种常用的损失函数作为人脸姿态分类模型中四个任务的损失函数，进一步的，可以采用实施例二中的方法人脸姿态类型的分类任务中，每个人脸图像样本的损失函数值和每个人脸图像样本的损失函数的权值，从得到整个人脸图像样本集的人脸姿态类型的第一总损失。
在一种可能的实施方式中，也可以不建立具有上述四个任务的神经网络模型，仅建立具有人脸图像的存在情况的确定任务、人脸边框的目标位置的定位任务和人脸特征点相对于人脸边框的目标特征位置坐标的定位任务，这三个任务的神经网络模型，例如多任务卷积神经网络(Multi-task Convolutional Neural Network，MTCNN)模型。由于上述包含三个任务的神经网络模型，可以分别输出人脸图像的存在情况、人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标，因此，可以利用上述包含三个任务的神经网络模型输出的人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标，作为人脸姿态分类模型的特征输入。相比于使用图片的所有特征作为人脸姿态分类模型的特征输入，对人脸姿态分类模型进行训练，使用上述包含三个任务的神经网络模型的输出作为人脸姿态分类模型的特征输入，筛选掉了冗余的特征和不具有判别性的特征，降低了人脸姿态分类模型训练时过拟合的风险，使人脸姿态分类模型的训练过程更加容易收敛。并且，相比于使用图片的所有特征作为人脸姿态分类模型的特征输入，对人脸图像进行人脸姿态类别的判别，使用上述包含三个任务的神经网络模型的输出作为人脸姿态分类模型的特征输入，增加了人脸姿态类别的判别的准确率。
S303：根据人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值，以及人脸存在情况的损失函数、人脸姿态类型的损失函数、人脸边框位置的损失函数和特征位置坐标的损失函数分别的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第二总损失。
由于在本申请实施例中，人脸姿态类型的分类任务是四个任务中最重要的任务，因此，将人脸图像的存在情况的确定任务、人脸边框的目标位置的定位任务和人脸特征点相对于人脸边框的目标特征位置坐标的定位任务作为辅助任务。此时，人脸姿态类型的损失函数的权值最大，同时，人脸存在情况的损失函数的权值、人脸边框位置的损失函数的权值和人特征位置坐标的损失函数的权值与人脸姿态类型的损失函数的权值相比较小。
S304：根据所述第二总损失，更新所述人脸姿态分类模型。
根据所述第二总损失，调整当前人脸姿态分类模型的参数，并利用新的参数更新人脸姿态分类模型。
这里，上述四个人物共享特征与参数，因此根据第二总损失对包括上述四个人物的当前人脸姿态分类模型进行联合训练，可以使得四个任务均具有良好的性能。
S305：将获取的人脸图像输入人脸姿态分类模型中，得到人脸姿态类型。
将获取的人脸图像输入人脸姿态分类模型中，还将得到人脸图像的存在情况、人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标。上述人脸图像的存在情况、人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标，一方面作为人脸姿态类型的分类任务的输入特征，另一方面也可以作为人脸姿态分类模型的输出，供用户随时调用。
基于相同的设计构思，本申请实施例还提供了一种人脸姿态的识别装置、电子设备与可读存储介质。
实施例四
如图4所示，本申请实施例提供的一种人脸姿态的识别装置400，包括：
获取模块401，用于获取人脸图像；
人脸姿态分类模型402，用于输入获取的人脸图像，从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型，并将确定的人脸姿态类型作为人脸姿态识别的结果输出；所述人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照错误类型将对比结果进行分类，并为各错误类型设置权值；所述权值用于在人脸姿态分类模型的训练过程中调整各错误类型的损失函数值；所述人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围。
一种可能的实施方式中，人脸姿态的识别装置400，还包括：
模型训练模块403，用于：
获取人脸图像样本集，针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本做出所述姿态分类标记；所述姿态分类标记包括：标记人脸姿态类型和标记样本属性；
将该人脸图像样本输入当前人脸姿态分类模型中，获得该人脸图像样本的所述姿态分类计算结果；所述姿态分类计算结果包括：通过人脸姿态分类模型进行计算得到的该人脸图像样本的人脸姿态类型，作为计算人脸姿态类型，以及该人脸图像样本属于每个人脸姿态类型的概率；
根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的损失函数值和每个人脸图像样本的所述错误类型；
针对每个人脸图像样本，根据该人脸图像样本的损失函数值，和基于所述错误类型确定的该人脸图像样本的损失函数的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第一总损失；
根据所述第一总损失，更新所述人脸姿态分类模型。
一种可能的实施方式中，模型训练模块403，还用于：
针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本的人脸姿态类型做出标记，作为标记人脸姿态类型；
根据该人脸图像样本中人脸姿态的角度值，对该人脸图像样本的样本属性做出标记，作为标记样本属性；其中，所述标记样本属性包括边界样本和非边界样本；所述边界样本的角度范围以第一角度范围的上边界或下边界的角度值为中心，以预设的第二角度范围为大小。
一种可能的实施方式中，模型训练模块403，还用于：
针对每个人脸图像样本，判断该人脸图像样本所述计算人脸姿态类型和所述标记人脸姿态类型是否相同；
在所述计算人脸姿态类型和所述标记人脸姿态类型不相同的情况下，判断所述计算人脸姿态类型的角度范围和所述标记人脸姿态类型的角度范围是否相邻；
如果所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围不相邻，则将该人脸图像样本的所述错误类型记为跨类别错误；
在所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围相邻的情况下，判断该人脸图像样本的标记样本属性；
如果所述标记样本属性为边界样本，则将该人脸图像样本的所述错误类型记为边界错误。
一种可能的实施方式中，模型训练模块403，还用于：
如果该人脸图像样本的所述错误类型为跨类别错误，则该人脸图像样本的损失函数的权值大于1；
如果该人脸图像样本的所述错误类型为边界错误，则该人脸图像样本的损失函数的权值小于1。
一种可能的实施方式中，模型训练模块403，还用于：
根据姿态分类计算结果，确定该人脸图像样本属于计算人脸姿态类型的概率和属于标记人脸姿态类型的概率之间的差值；
如果所述差值小于预设的差值阈值，则该人脸图像样本的损失函数的权值为0。
一种可能的实施方式中，人脸姿态分类模型402，还用于：
基于输入的人脸图像，得到人脸图像的存在情况、人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标；所述人脸特征点为人的面部器官对应的特征点；所述人脸姿态分类模型，预先基于标记了存在标记、姿态分类标记、边框位置标记和特征位置标记的人脸图像样本集进行联合训练得到。
一种可能的实施方式中，模型训练模块403，还用于：
获取人脸图像样本集，针对人脸图像样本集中每个人脸图像样本的人脸图像，根据该人脸图像的存在情况做出存在标记，根据该人脸图像中人脸边框的位置做出边框位置标记，根据该人脸图像中人脸特征点与人脸边框的相对位置做出特征位置标记，根据该人脸图像样本的人脸姿态类型做出姿态分类标记；
使用带有标记的人脸图像样本集对当前人脸姿态分类模型进行训练，得到人脸图像样本集的人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值；
根据人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值，以及人脸存在情况的损失函数、人脸姿态类型的损失函数、人脸边框位置的损失函数和特征位置坐标的损失函数分别的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第二总损失；
根据所述第二总损失，更新所述人脸姿态分类模型。
实施例五
如图5所示，本申请实施例五还提供一种电子设备，包括：
包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现实施例一到实施例三中任一种人脸姿态的识别方法的步骤。存储器501和处理器502之间可以通过总线进行连接。
实施例六
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一到实施例三中任一种人脸姿态的识别方法的步骤。
综上所述，以上仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人脸姿态的识别方法，其特征在于，包括：
获取人脸图像；
将获取的人脸图像输入人脸姿态分类模型；所述人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照预先设置的错误类型将对比结果进行分类，并为各错误类型设置权值；所述权值用于在人脸姿态分类模型的训练过程中调整各错误类型的损失函数值；
从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型；所述人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围；
将确定的人脸姿态类型作为人脸姿态识别的结果输出。
2.根据权利要求1所述的方法，其特征在于，对所述人脸姿态分类模型进行训练的步骤包括：
获取人脸图像样本集，针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本做出所述姿态分类标记；所述姿态分类标记包括：标记人脸姿态类型和标记样本属性；
将该人脸图像样本输入当前人脸姿态分类模型中，获得该人脸图像样本的所述姿态分类计算结果；所述姿态分类计算结果包括：通过人脸姿态分类模型进行计算得到的该人脸图像样本的人脸姿态类型，作为计算人脸姿态类型，以及该人脸图像样本属于每个人脸姿态类型的概率；
根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的损失函数值和每个人脸图像样本的所述错误类型；
针对每个人脸图像样本，根据该人脸图像样本的损失函数值，和基于所述错误类型确定的该人脸图像样本的损失函数的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第一总损失；
根据所述第一总损失，更新所述人脸姿态分类模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述人脸图像样本集中的每个人脸姿态做出所述姿态分类标记的步骤，包括：
针对所述人脸图像样本集中的每个人脸图像样本，对该人脸图像样本的人脸姿态类型做出标记，作为标记人脸姿态类型；
根据该人脸图像样本中人脸姿态的角度值，对该人脸图像样本的样本属性做出标记，作为标记样本属性；其中，所述标记样本属性包括边界样本和非边界样本；所述边界样本的角度范围以第一角度范围的上边界或下边界的角度值为中心，以预设的第二角度范围为大小。
4.根据权利要求3所述的方法，其特征在于，根据所述姿态分类标记和所述姿态分类计算结果，确定每个人脸图像样本的所述错误类型的步骤，包括：
针对每个人脸图像样本，判断该人脸图像样本所述计算人脸姿态类型和所述标记人脸姿态类型是否相同；
在所述计算人脸姿态类型和所述标记人脸姿态类型不相同的情况下，判断所述计算人脸姿态类型的角度范围和所述标记人脸姿态类型的角度范围是否相邻；
如果所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围不相邻，则将该人脸图像样本的所述错误类型记为跨类别错误；
在所述计算人脸姿态类型和所述标记人脸姿态类型的角度范围相邻的情况下，判断该人脸图像样本的标记样本属性；
如果所述标记样本属性为边界样本，则将该人脸图像样本的所述错误类型记为边界错误。
5.根据权利要求4所述的方法，其特征在于，所述基于所述错误类型确定的该人脸图像样本的损失函数的权值的步骤还包括：
如果该人脸图像样本的所述错误类型为跨类别错误，则该人脸图像样本的损失函数的权值大于1；
如果该人脸图像样本的所述错误类型为边界错误，则该人脸图像样本的损失函数的权值小于1。
6.根据权利要求5所述的方法，其特征在于，如果该人脸图像样本的所述错误类型为边界错误，所述基于所述错误类型确定的该人脸图像样本的损失函数的权值的步骤还包括：
根据姿态分类计算结果，确定该人脸图像样本属于计算人脸姿态类型的概率和属于标记人脸姿态类型的概率之间的差值；
如果所述差值小于预设的差值阈值，则该人脸图像样本的损失函数的权值为0。
7.根据权利要求1所述的方法，其特征在于，所述人脸姿态分类模型根据输入的人脸图像还得到：
人脸图像的存在情况、人脸边框的目标位置和人脸特征点相对于人脸边框的目标特征位置坐标；所述人脸特征点为人的面部器官对应的特征点；所述人脸姿态分类模型，预先基于标记了存在标记、姿态分类标记、边框位置标记和特征位置标记的人脸图像样本集进行联合训练得到。
8.根据权利要求7所述的方法，其特征在于，对所述人脸姿态分类模型进行训练的步骤包括：
获取人脸图像样本集，针对人脸图像样本集中每个人脸图像样本的人脸图像，根据该人脸图像的存在情况做出存在标记，根据该人脸图像中人脸边框的位置做出边框位置标记，根据该人脸图像中人脸特征点与人脸边框的相对位置做出特征位置标记，根据该人脸图像样本的人脸姿态类型做出姿态分类标记；
使用带有标记的人脸图像样本集对当前人脸姿态分类模型进行训练，得到人脸图像样本集的人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值；
根据人脸存在情况的损失函数值、人脸姿态类型的损失函数值、人脸边框位置的损失函数值和特征位置坐标的损失函数值，以及人脸存在情况的损失函数、人脸姿态类型的损失函数、人脸边框位置的损失函数和特征位置坐标的损失函数分别的权值，确定所述当前人脸姿态分类模型的总体损失函数值，作为第二总损失；
根据所述第二总损失，更新所述人脸姿态分类模型。
9.一种人脸姿态的识别装置，其特征在于，包括：
获取模块，用于获取人脸图像；
人脸姿态分类模型，用于输入获取的人脸图像，从人脸姿态分类模型确定输入的人脸图像的人脸姿态类型，并将确定的人脸姿态类型作为人脸姿态识别的结果输出；所述人脸姿态分类模型，在训练过程中将人脸图像样本的姿态分类计算结果和已有的姿态分类标记进行对比，按照错误类型将对比结果进行分类，并为各错误类型设置权值；所述权值用于在人脸姿态分类模型的训练过程中调整各错误类型的损失函数值；所述人脸姿态类型依据人脸姿态的角度值划分，每个所述人脸姿态类型包含预设的第一角度范围。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1-8任一项所述的方法步骤。
CN201910329632.5A 2019-04-23 2019-04-23 人脸姿态的识别方法、装置和电子设备 Withdrawn CN111832370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910329632.5A CN111832370A (zh) 2019-04-23 2019-04-23 人脸姿态的识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910329632.5A CN111832370A (zh) 2019-04-23 2019-04-23 人脸姿态的识别方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN111832370A true CN111832370A (zh) 2020-10-27

Family

ID=72911865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910329632.5A Withdrawn CN111832370A (zh) 2019-04-23 2019-04-23 人脸姿态的识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111832370A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159193A (zh) * 2021-04-26 2021-07-23 京东数科海益信息科技有限公司 模型训练方法、图像识别方法、存储介质及程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159193A (zh) * 2021-04-26 2021-07-23 京东数科海益信息科技有限公司 模型训练方法、图像识别方法、存储介质及程序产品
CN113159193B (zh) * 2021-04-26 2024-05-21 京东科技信息技术有限公司 模型训练方法、图像识别方法、存储介质及程序产品

Similar Documents

Publication Publication Date Title
US11062123B2 (en) Method, terminal, and storage medium for tracking facial critical area
CN111339990B (zh) 一种基于人脸特征动态更新的人脸识别系统和方法
CN111563452B (zh) 一种基于实例分割的多人体姿态检测及状态判别方法
CN111460962A (zh) 一种口罩人脸识别方法及系统
CN110532965B (zh) 年龄识别方法、存储介质及电子设备
CN109840565A (zh) 一种基于眼部轮廓特征点纵横比的眨眼检测方法
CN110163114A (zh) 一种人脸角度及人脸模糊度分析方法、系统和计算机设备
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN104318558A (zh) 复杂场景下基于多信息融合的手势分割方法
CN111401374A (zh) 基于多任务的模型训练方法、字符识别方法及装置
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN111881732B (zh) 一种基于svm的人脸质量评价方法
CN112183356A (zh) 驾驶行为检测方法、设备及可读存储介质
CN109993021A (zh) 人脸正脸检测方法、装置及电子设备
CN108898623A (zh) 目标跟踪方法及设备
CN116895090B (zh) 一种基于机器视觉的人脸五官状态检测方法及系统
CN113469070A (zh) 车载人员数量检测方法、装置和服务器
CN115601807A (zh) 一种适用在线考试系统的人脸识别方法及其工作方法
CN111832370A (zh) 人脸姿态的识别方法、装置和电子设备
CN114821731A (zh) 一种基于国产cpu和os的动态人脸识别优化方法
JP5283267B2 (ja) コンテンツ識別方法及び装置
CN117115854A (zh) 人脸动作识别方法、装置、电子设备及存储介质
JP4749884B2 (ja) 顔判別装置の学習方法、顔判別方法および装置並びにプログラム
CN117058736A (zh) 基于关键点检测的人脸误检识别方法、装置、介质和设备
CN116453194A (zh) 一种人脸属性判别方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201027

WW01 Invention patent application withdrawn after publication