[go: up one dir, main page]

CN109086688A - 脸部皱纹检测方法、装置、计算机设备和存储介质 - Google Patents

脸部皱纹检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN109086688A
CN109086688A CN201810768838.3A CN201810768838A CN109086688A CN 109086688 A CN109086688 A CN 109086688A CN 201810768838 A CN201810768838 A CN 201810768838A CN 109086688 A CN109086688 A CN 109086688A
Authority
CN
China
Prior art keywords
wrinkle
image
region
facial
pixel
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
CN201810768838.3A
Other languages
English (en)
Inventor
赵越
张惠斌
王亚宁
何云志
曾庆婷
关蕾
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.)
GUANGZHOU LAIDE PU DETECTION TECHNOLOGY Co.,Ltd.
Original Assignee
Beijing Collip Cloud 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 Collip Cloud Technology Co Ltd filed Critical Beijing Collip Cloud Technology Co Ltd
Priority to CN201810768838.3A priority Critical patent/CN109086688A/zh
Publication of CN109086688A publication Critical patent/CN109086688A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

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

Abstract

本申请涉及一种脸部皱纹检测方法、装置、计算机设备和存储介质。所述方法包括：获取脸部图像，并标记所述脸部图像的脸部特征点；根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；获取所述区域图像的皱纹特征分量；根据所述区域图像的皱纹特征分量进行皱纹检测。根据本申请，即使人脸某个区域中存在有较为细微的皱纹，或者人脸某个区域存在不规则的脸部特征，也可以进行准确的检测，提升了皱纹检测的准确性。

Description

脸部皱纹检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种脸部皱纹检测方法、装置、计算机设备和存储介质。
背景技术
目前，脸部皱纹检测技术越来越多地应用在多个领域中。例如，在化妆品研发领域中，需要针对不同的脸部皱纹特征，设计化妆产品或者推荐用户相应的化妆品。又例如，在照片美化特效领域中，需要针对不同的脸部皱纹进行不同程度的美化特效。又例如，在人脸识别中，需要根据脸部皱纹作为用户特征以验证用户身份。
当前较为常见的脸部皱纹检测技术，是通过三维测量设备采集用户脸部的三维数据，根据三维数据进行建模，针对脸部模型进行皱纹检测。
然而，基于三维数据的脸部皱纹检测方法，由于设备精度的问题，难以捕捉人脸中较为细微的皱纹，而且对于人脸不规则的与皱纹相似的脸部特征，则会误判为皱纹。
因此，目前的脸部皱纹检测方法存在着皱纹检测不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升皱纹检测准确性的脸部皱纹检测方法、装置、计算机设备和存储介质。
一种脸部皱纹检测方法，包括：
获取脸部图像，并标记所述脸部图像的脸部特征点；
根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
获取所述区域图像的皱纹特征分量；
根据所述区域图像的皱纹特征分量进行皱纹检测。
在其中一个实施例中，所述根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像，包括：
获取所述皱纹区域的皱纹类型对应的滤波参数；
采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像；
采用所述滤波图像对所述皱纹区域中的图像进行锐化处理，得到所述区域图像。
在其中一个实施例中，所述获取所述区域图像的皱纹特征分量，包括：
获取所述区域图像的像素点；
计算所述像素点的图像特征矩阵；
计算所述图像特征矩阵的最大特征值，以及，计算所述图像特征矩阵的最小特征值；
根据所述最大特征值和所述最小特征值，预测所述像素点的皱纹相似度；
当所述像素点的皱纹相似度大于预设阈值，确定所述像素点为皱纹像素点；
根据所述皱纹像素点的连通域，连接所述皱纹像素点，将连接的皱纹像素点作为所述皱纹特征分量。
在其中一个实施例中，所述皱纹区域具有对应的多个滤波参数，所述滤波参数具有对应的皱纹特征分量，所述根据所述区域图像的皱纹特征分量进行皱纹检测，包括：
合并所述多个滤波参数对应的皱纹特征分量，得到初始皱纹分量集合；
对所述初始皱纹分量集合进行去噪，得到目标皱纹分量集合；
根据所述目标皱纹分量集合，检测皱纹数量、皱纹长度和皱纹分布特征。
在其中一个实施例中，还包括：
获取样本脸部图像和校验脸部图像；
采用所述样本脸部图像和所述校验脸部图像，对初始标记模型进行机器训练，得到目标标记模型；
所述标记所述脸部图像的脸部特征点，包括：
通过所述目标标记模型对所述脸部图像进行标记，得到所述脸部图像的脸部特征点。
在其中一个实施例中，在所述采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像之前，还包括：
对所述皱纹区域中的图像，按照水平方向和垂直方向进行缩放。
在其中一个实施例中，所述滤波参数包括滤波方向、滤波采样间隔和滤波采样大小。
一种脸部皱纹检测装置，包括：
标记模块，用于获取脸部图像，并标记所述脸部图像的脸部特征点；
划分模块，用于根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
图像提取模块，用于根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
分量获取模块，用于获取所述区域图像的皱纹特征分量；
检测模块，用于根据所述区域图像的皱纹特征分量进行皱纹检测。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取脸部图像，并标记所述脸部图像的脸部特征点；
根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
获取所述区域图像的皱纹特征分量；
根据所述区域图像的皱纹特征分量进行皱纹检测。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取脸部图像，并标记所述脸部图像的脸部特征点；
根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
获取所述区域图像的皱纹特征分量；
根据所述区域图像的皱纹特征分量进行皱纹检测。
上述脸部皱纹检测方法、装置、计算机设备和存储介质，通过标记脸部图像的脸部特征点，根据脸部图像的脸部特征点，划分脸部图像的皱纹区域，并确定皱纹区域的皱纹类型，从而，可以根据不同的皱纹类型，提取不同皱纹区域内的区域图像，并基于区域图像获取皱纹特征分量，根据各个区域图像的皱纹特征分量，进行皱纹检测。从而，即使人脸某个区域中存在有较为细微的皱纹，或者人脸某个区域存在不规则的脸部特征，也可以进行准确的检测，提升了皱纹检测的准确性。
附图说明
图1是本实施例的一种脸部皱纹检测方法的流程示意图；
图2是本实施例的一种在脸部图像标记脸部特征点的示意图；
图3是本实施例的一种皱纹区域划分的示意图；
图4是本实施例的一种脸部皱纹检测方法的应用环境图；
图5是本实施例的一种获取皱纹分量集合的流程图；
图6是本实施例的一种脸部皱纹检测装置的结构框图；
图7是本实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种脸部皱纹检测方法，该方法可以包括以下步骤：
步骤S101，获取脸部图像，并标记所述脸部图像的脸部特征点。
其中，脸部图像可以为针对人脸采集到的图像。
其中，脸部特征点可以为脸部图像中反映人脸五官轮廓特征的像素点。
具体实现中，可以针对人脸采集图像，得到脸部图像。然后，通过标记模型对脸部图像的脸部特征点进行识别，并对识别出的脸部特征点进行标记。
图2是本实施例的一种在脸部图像标记脸部特征点的示意图。从图中可见，针对脸部的如眉毛、眼睑、鼻子、嘴唇、脸型的外轮廓，可以标记出94个特征点，作为脸部特征点。
步骤S102，根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型。
其中，皱纹区域可以为脸部图像中包含有皱纹的局部区域。
其中，皱纹类型可以对脸部不同区域中的具有不同形状特征的皱纹的分类。
具体实现中，可以根据脸部特征点在脸部图像中的坐标信息，对脸部图像进行区域划分，得到若干个不同皱纹类型的皱纹区域。
例如，参考图2，在确定94个脸部特征点之后，将其中若干个脸部特征点所形成的区域，作为某个皱纹类型的皱纹区域。
具体地，根据脸部特征点62、66、60、64、58、65、61、67、63、7、1、0、6共13个脸部特征点，可以将该多个脸部特征点所形成的区域，作为脸部图像的额头纹区域。
根据脸部特征点0、1、2、3、64、58、65共7个脸部特征点，确定脸部图像的川字纹区域。
根据脸部特征点2、3、18、19、30、31共6个脸部特征点，确定脸部图像的眼间纹区域。
根据脸部特征点20、26、28、24、32、86共6个脸部特征点，确定脸部图像的眼下纹右区域。
根据脸部特征点21、27、29、25、33、87共6个脸部特征点，确定脸部图像的眼下纹左区域。
根据脸部特征点34、36、44、78、84、86共6个脸部特征点，确定脸部图像的法令纹右区域。
根据脸部特征点35、37、45、79、85、87共6个脸部特征点，确定脸部图像的法令纹左区域。
根据脸部特征点44、48、46、41、47、49、45、38、40、39共10个脸部特征点，确定脸部图像的唇上纹区域。
图3是本实施例的一种皱纹区域划分的示意图。从图中可见，针对脸部图像的多个脸部特征点，通过94个脸部特征点，将脸部图像划分为额头纹区域、川字纹区域、眼间纹区域、眼下纹右区域、眼下纹左区域、法令纹右区域、法令纹左区域、和唇上纹区域等8个皱纹区域。
当然，上述的划分方式仅用于示例说明，本领域技术人员可以根据实际需要标记任意数量的脸部特征点，并根据脸部特征点划分任意数量的皱纹区域，本实施例对脸部特征点和皱纹区域的数量不作限制。
步骤S103，根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像。
其中，区域图像可以为脸部图像中处于皱纹区域内的局部图像。
具体实现中，可以针对皱纹区域对应的皱纹类型，在皱纹区域内提取图像，作为区域图像。具体的提取方式，可以首先获取皱纹类型所对应的滤波参数，根据皱纹类型对应的滤波参数，对皱纹区域中的初始区域图像进行滤波处理，得到滤波图像，然后采用滤波图像对初始区域图像进行锐化处理，得到经过特效处理的区域图像。
由于不同皱纹类型的皱纹在形状、尺寸、数量等特征存在区别，因此，为了准确地提取到皱纹特征，可以针对不同皱纹类型采用不同的滤波参数，对图像进行滤波、锐化等特效处理，从而，在后续处理中，可以基于可以准确反映皱纹特征的图像进行皱纹检测。
步骤S104，获取所述区域图像的皱纹特征分量。
其中，皱纹特征分量可以为图像中反映皱纹特征的、相互连接的多个像素点。
具体实现中，可以根据区域图像获取到皱纹特征分量。例如，可以首先提取区域图像中的多个像素点，然后计算像素点的图像特征矩阵，并计算该图像特征矩阵的最大特征值和最小特征值，根据最大特征值和最小特征值，可以预测各个像素点的皱纹相似度，将皱纹相似度大于预设阈值的像素点，确定为皱纹像素点，从而得到多个皱纹像素点，计算多个皱纹像素点的连通域，将连通的皱纹像素点，作为皱纹特征分量。
当然，本领域技术人员可以采用其他方式获取各个区域图像的皱纹特征分量，本实施例对具体的皱纹特征分量获取方式不作限制。
步骤S105，根据所述区域图像的皱纹特征分量进行皱纹检测。
具体实现中，可以将各个皱纹区域的区域图像的皱纹特征分量进行合并，得到皱纹分量集合，根据该皱纹分量集合，可以统计皱纹的数量、皱纹的长度、皱纹的分布情况等。
需要说明的是，本申请提供的脸部皱纹检测方法，可以应用于如图4所示的应用环境中。其中，图像采集终端402通过网络与检测服务器404通过网络进行通信。其中，图像采集终端402可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，检测服务器404可以用独立的服务器或者是多个服务器组成的服务器集群来实现。图像采集终端402可以针对人脸采集脸部图像，并将脸部图像发送至检测服务器404，由检测服务器404执行上述的脸部皱纹检测方法。当然，在实际应用中，也可以由图像采集终端402执行上述的脸部皱纹检测方法。
根据本实施例提供的脸部皱纹检测方法，通过标记脸部图像的脸部特征点，根据脸部图像的脸部特征点，划分脸部图像的皱纹区域，并确定皱纹区域的皱纹类型，从而，可以根据不同的皱纹类型，提取不同皱纹区域内的区域图像，并基于区域图像获取皱纹特征分量，根据各个区域图像的皱纹特征分量，进行皱纹检测。从而，即使人脸某个区域中存在有较为细微的皱纹，或者人脸某个区域存在不规则的脸部特征，也可以进行准确的检测，提升了皱纹检测的准确性。
在其中一个实施例，所述步骤S103，包括：
获取所述皱纹区域的皱纹类型对应的滤波参数；采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像；采用所述滤波图像对所述皱纹区域中的图像进行锐化处理，得到所述区域图像。
其中，滤波参数可以包括滤波方向、滤波采样间隔和滤波采样大小等用于确定滤波方式的参数。皱纹区域具有不同的皱纹类型，则对应不同的滤波参数，例如，对于眼间纹区域、眼下纹区域及鱼尾纹区域，滤波方向为水平方向，滤波采样大小为50*50像素，滤波采样间隔为10像素。
具体实现中，可以首先根据皱纹区域的皱纹类型，确定对应的滤波方向、滤波采样间隔、滤波采样大小等滤波参数，然后，提取该皱纹区域中的图像，作为初始区域图像，采用滤波参数对该初始区域图像进行滤波处理，得到滤波图像。然后，可以采用滤波图像对初始区域图像进行锐化处理，得到具有特征锐化效果的图像，作为区域图像。其中，可以设计滤波器为矩形框滤波器，滤波方式为均值滤波。
例如，额头纹类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为水平方向，因此，设计滤波器的滤波采样大小为8*40像素，滤波方向为垂直方向，通过该滤波器进行滤波处理。
又例如，川字纹类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为垂直方向，因此，设计滤波器的滤波采样大小为15*3像素，滤波方向为水平方向，通过该滤波器进行滤波处理。
又例如，眼间纹类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为水平方向，因此，设计滤波器的滤波采样大小为6*30像素，滤波方向为垂直方向，通过该滤波器进行滤波处理。
又例如，眼下纹右类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为120°方向和150°方向，因此，设计滤波器的滤波采样大小为3*30像素，滤波方向为30°和60°方向，通过该滤波器进行滤波处理。
又例如，眼下纹左类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为30°方向和60°方向，因此，设计滤波器的滤波采样大小为3*30像素，滤波方向为120°和150°方向，通过该滤波器进行滤波处理。
又例如，法令纹左类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为120°方向，因此，设计滤波器的滤波采样大小为30*3像素，滤波方向为60°，通过该滤波器进行滤波处理。
又例如，法令纹右类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为60°方向，因此，设计滤波器的滤波采样大小为30*3像素，滤波方向为120°，通过该滤波器进行滤波处理。
又例如，唇上纹右类型的皱纹区域，由于该皱纹类型的皱纹方向，主要为70°方向和110°方向，因此，设计滤波器的滤波采样大小为20*3像素，滤波方向为110°方向和70°方向，通过该滤波器进行滤波处理。
在其中一个实施例，所述步骤S104，包括：
获取所述区域图像的像素点；计算所述像素点的图像特征矩阵；计算所述图像特征矩阵的最大特征值，以及，计算所述图像特征矩阵的最小特征值；根据所述最大特征值和所述最小特征值，预测所述像素点的皱纹相似度；当所述像素点的皱纹相似度大于预设阈值，确定所述像素点为皱纹像素点；根据所述皱纹像素点的连通域，连接所述皱纹像素点，将连接的皱纹像素点作为所述皱纹特征分量。
具体实现中，在得到区域图像之后，可以分别对各个区域图像进行图像特征矩阵计算。具体地，可以首先在区域图像中提取多个像素点，针对每个像素点，计算其图像特征矩阵，例如Hessian矩阵(Hessian Matrix，黑塞矩阵)。
其中，Hessian矩阵可以包括三个子矩阵，分别为对水平方向求二阶导得到的子矩阵Hxx，对垂直方向求二阶导得到的子矩阵Hyy，以及，先对水平方向求导、再对垂直方向求导得到的子矩阵Hxy，以及，先对垂直方向求导、再对水平方向求导得到的子矩阵Hyx＝Hxy。由此，得到Hessian矩阵如下：
然后，计算矩阵H的最大特征值和最小特征值，分别为λ1、λ2,根据λ1、λ2计算像素点的皱纹相似度值，其计算公式如下：
其中，常数C用于控制皱纹相似度的大小，常数β用来控制皱纹的形状。
将像素点的皱纹相似度f与预设阈值f0进行比较，当f值大于或等于阈值f0时，则认为该像素点为皱纹像素点；小于阈值f0时，则认为该像素点为非皱纹像素点。实际应用中，可以将皱纹像素点的像素值设置为1，非皱纹像素点的像素值设置为0。根据像素点的像素值，即可区分皱纹像素点和非皱纹像素点。
最后，检测皱纹像素点的连通域，确定具有邻接关系的多个皱纹像素点，连接该多个皱纹像素点，连接的多个皱纹像素点，则形成多个皱纹像素点的连通域，即为皱纹特征分量。
在其中一个实施例，所述皱纹区域具有对应的多个滤波参数，所述滤波参数具有对应的皱纹特征分量，所述步骤S105，包括：
合并所述多个滤波参数对应的皱纹特征分量，得到初始皱纹分量集合；对所述初始皱纹分量集合进行去噪，得到目标皱纹分量集合；根据所述目标皱纹分量集合，检测皱纹数量、皱纹长度和皱纹分布特征。
具体实现中，由于针对一个皱纹区域可以进行多个方向的滤波，由此产生不同滤波方向的区域图像，针对每个区域图像，可以获取到对应的皱纹特征分量。因此，可以将同一个区域图像的多个皱纹特征分量进行合并，得到初始皱纹分量集合W0。
由于初始皱纹分量集合W0可能存在很多噪声，因此，还可以对初始皱纹分量集合W0进行去噪处理，得到目标皱纹分量集合W，并基于目标皱纹分量集合W，进行皱纹数量、皱纹长度、皱纹分布特征的检测处理。
图5是本实施例的一种获取皱纹分量集合的流程图。图中可见，对脸部图像划分皱纹区域之后，针对一个皱纹区域中的初始区域图像，分别进行多个方向的滤波、锐化处理，得到对应不同方向的区域图像Dn，针对每个区域图像的像素点计算图像特征矩阵Hn，并根据图像特征矩阵确定皱纹特征分量，最后合成各个方向的区域图像的皱纹特征分量Wn，并进行去噪处理，得到如图中所示的目标皱纹分量集合。
在其中一个实施例，还包括：
获取样本脸部图像和校验脸部图像；采用所述样本脸部图像和所述校验脸部图像，对初始标记模型进行机器训练，得到目标标记模型；
所述标记所述脸部图像的脸部特征点，包括：
通过所述目标标记模型对所述脸部图像进行标记，得到所述脸部图像的脸部特征点。
具体实现中，在进行脸部皱纹检测之前，可以首先获取若干正面脸部图像，其中部分用于对模型的机器训练，部分用于模型的校验。将脸部图像通过标记软件标记脸部特征点，将结果保存在.xml文件中。可以采用dlib算法库中face landmark detection算法(脸部检测标记算法)，dlib是一个包含许多机器学习算法的开源c++库，其中face landmarkdetection算法是一种基于人脸标注点的机器学习训练算法。
标记模型训练完成后，得到脸部特征点的标记模型。采用该标记模型对脸部图像进行标记，可以提升标记的准确率，以便在后续处理中，基于准确的脸部特征点划分皱纹区域，从而进一步提升皱纹检测的准确性。
在其中一个实施例，在所述采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像之前，还包括：
对所述皱纹区域中的图像，按照水平方向和垂直方向进行缩放。
具体实现中，可以对皱纹区域中的初始区域图像进行多个方向的缩放。例如，按照水平方向和垂直方向进行缩放，得到初始区域图像一半尺寸的图像，以进一步提升皱纹检测的准确性。
在实际应用中，对于川字纹区域的和额头区域，皱纹中间容易断开，而且部分皱纹宽度较大，容易造成皱纹漏检的情况。因此，可以对该类型的皱纹区域中的初始区域图像，进行一定比例的放缩，以避免皱纹漏检。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种脸部皱纹检测装置，包括：标记模块601、划分模块602、图像提取模块603、分量获取模块604和检测模块605，其中：
标记模块601，用于获取脸部图像，并标记所述脸部图像的脸部特征点；
划分模块602，用于根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
图像提取模块603，用于根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
分量获取模块604，用于获取所述区域图像的皱纹特征分量；
检测模块605，用于根据所述区域图像的皱纹特征分量进行皱纹检测。
在其中一个实施例，所述图像提取模块603，包括：
滤波参数获取子模块，用于获取所述皱纹区域的皱纹类型对应的滤波参数；
滤波子模块，用于采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像；
锐化子模块，用于采用所述滤波图像对所述皱纹区域中的图像进行锐化处理，得到所述区域图像。
在其中一个实施例，所述分量获取模块604，包括：
像素点获取子模块，用于获取所述区域图像的像素点；
矩阵计算子模块，用于计算所述像素点的图像特征矩阵；
特征值计算子模块，用于计算所述图像特征矩阵的最大特征值，以及，计算所述图像特征矩阵的最小特征值；
相似度预测模块，用于根据所述最大特征值和所述最小特征值，预测所述像素点的皱纹相似度；
皱纹像素点确定子模块，用于当所述像素点的皱纹相似度大于预设阈值，确定所述像素点为皱纹像素点；
分量确定子模块，用于根据所述皱纹像素点的连通域，连接所述皱纹像素点，将连接的皱纹像素点作为所述皱纹特征分量。
在其中一个实施例，所述皱纹区域具有对应的多个滤波参数，所述滤波参数具有对应的皱纹特征分量，所述检测模块605，包括：
合并子模块，用于合并所述多个滤波参数对应的皱纹特征分量，得到初始皱纹分量集合；
去噪子模块，用于对所述初始皱纹分量集合进行去噪，得到目标皱纹分量集合；
皱纹检测子模块，用于根据所述目标皱纹分量集合，检测皱纹数量、皱纹长度和皱纹分布特征。
在其中一个实施例，还包括：
样本获取模块，用于获取样本脸部图像和校验脸部图像；
训练模块，用于采用所述样本脸部图像和所述校验脸部图像，对初始标记模型进行机器训练，得到目标标记模型；
所述标记模块601，包括：
特征标记子模块，用于通过所述目标标记模型对所述脸部图像进行标记，得到所述脸部图像的脸部特征点。
在其中一个实施例，还包括：
缩放模块，用于对所述皱纹区域中的图像，按照水平方向和垂直方向进行缩放。
在其中一个实施例，所述滤波参数包括滤波方向、滤波采样间隔和滤波采样大小。
关于脸部皱纹检测装置的具体限定可以参见上文中对于脸部皱纹检测方法的限定，在此不再赘述。上述脸部皱纹检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储皱纹检测的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脸部皱纹检测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取脸部图像，并标记所述脸部图像的脸部特征点；
根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
获取所述区域图像的皱纹特征分量；
根据所述区域图像的皱纹特征分量进行皱纹检测。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述皱纹区域的皱纹类型对应的滤波参数；
采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像；
采用所述滤波图像对所述皱纹区域中的图像进行锐化处理，得到所述区域图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述区域图像的像素点；
计算所述像素点的图像特征矩阵；
计算所述图像特征矩阵的最大特征值，以及，计算所述图像特征矩阵的最小特征值；
根据所述最大特征值和所述最小特征值，预测所述像素点的皱纹相似度；
当所述像素点的皱纹相似度大于预设阈值，确定所述像素点为皱纹像素点；
根据所述皱纹像素点的连通域，连接所述皱纹像素点，将连接的皱纹像素点作为所述皱纹特征分量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
合并所述多个滤波参数对应的皱纹特征分量，得到初始皱纹分量集合；
对所述初始皱纹分量集合进行去噪，得到目标皱纹分量集合；
根据所述目标皱纹分量集合，检测皱纹数量、皱纹长度和皱纹分布特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本脸部图像和校验脸部图像；
采用所述样本脸部图像和所述校验脸部图像，对初始标记模型进行机器训练，得到目标标记模型；
所述标记所述脸部图像的脸部特征点，包括：
通过所述目标标记模型对所述脸部图像进行标记，得到所述脸部图像的脸部特征点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述皱纹区域中的图像，按照水平方向和垂直方向进行缩放。
在一个实施例中，所述滤波参数包括滤波方向、滤波采样间隔和滤波采样大小。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取脸部图像，并标记所述脸部图像的脸部特征点；
根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
获取所述区域图像的皱纹特征分量；
根据所述区域图像的皱纹特征分量进行皱纹检测。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述皱纹区域的皱纹类型对应的滤波参数；
采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像；
采用所述滤波图像对所述皱纹区域中的图像进行锐化处理，得到所述区域图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述区域图像的像素点；
计算所述像素点的图像特征矩阵；
计算所述图像特征矩阵的最大特征值，以及，计算所述图像特征矩阵的最小特征值；
根据所述最大特征值和所述最小特征值，预测所述像素点的皱纹相似度；
当所述像素点的皱纹相似度大于预设阈值，确定所述像素点为皱纹像素点；
根据所述皱纹像素点的连通域，连接所述皱纹像素点，将连接的皱纹像素点作为所述皱纹特征分量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
合并所述多个滤波参数对应的皱纹特征分量，得到初始皱纹分量集合；
对所述初始皱纹分量集合进行去噪，得到目标皱纹分量集合；
根据所述目标皱纹分量集合，检测皱纹数量、皱纹长度和皱纹分布特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本脸部图像和校验脸部图像；
采用所述样本脸部图像和所述校验脸部图像，对初始标记模型进行机器训练，得到目标标记模型；
所述标记所述脸部图像的脸部特征点，包括：
通过所述目标标记模型对所述脸部图像进行标记，得到所述脸部图像的脸部特征点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述皱纹区域中的图像，按照水平方向和垂直方向进行缩放。
在一个实施例中，所述滤波参数包括滤波方向、滤波采样间隔和滤波采样大小。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种脸部皱纹检测方法，其特征在于，包括：
获取脸部图像，并标记所述脸部图像的脸部特征点；
根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
获取所述区域图像的皱纹特征分量；
根据所述区域图像的皱纹特征分量进行皱纹检测。
2.根据权利要求1所述的方法，其特征在于，所述根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像，包括：
获取所述皱纹区域的皱纹类型对应的滤波参数；
采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像；
采用所述滤波图像对所述皱纹区域中的图像进行锐化处理，得到所述区域图像。
3.根据权利要求1所述的方法，其特征在于，所述获取所述区域图像的皱纹特征分量，包括：
获取所述区域图像的像素点；
计算所述像素点的图像特征矩阵；
计算所述图像特征矩阵的最大特征值，以及，计算所述图像特征矩阵的最小特征值；
根据所述最大特征值和所述最小特征值，预测所述像素点的皱纹相似度；
当所述像素点的皱纹相似度大于预设阈值，确定所述像素点为皱纹像素点；
根据所述皱纹像素点的连通域，连接所述皱纹像素点，将连接的皱纹像素点作为所述皱纹特征分量。
4.根据权利要求1所述的方法，其特征在于，所述皱纹区域具有对应的多个滤波参数，所述滤波参数具有对应的皱纹特征分量，所述根据所述区域图像的皱纹特征分量进行皱纹检测，包括：
合并所述多个滤波参数对应的皱纹特征分量，得到初始皱纹分量集合；
对所述初始皱纹分量集合进行去噪，得到目标皱纹分量集合；
根据所述目标皱纹分量集合，检测皱纹数量、皱纹长度和皱纹分布特征。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取样本脸部图像和校验脸部图像；
采用所述样本脸部图像和所述校验脸部图像，对初始标记模型进行机器训练，得到目标标记模型；
所述标记所述脸部图像的脸部特征点，包括：
通过所述目标标记模型对所述脸部图像进行标记，得到所述脸部图像的脸部特征点。
6.根据权利要求2所述的方法，其特征在于，在所述采用所述滤波参数，对所述皱纹区域中的图像进行滤波处理，得到滤波图像之前，还包括：
对所述皱纹区域中的图像，按照水平方向和垂直方向进行缩放。
7.根据权利要求2所述的方法，其特征在于，所述滤波参数包括滤波方向、滤波采样间隔和滤波采样大小。
8.一种脸部皱纹检测装置，其特征在于，包括：
标记模块，用于获取脸部图像，并标记所述脸部图像的脸部特征点；
划分模块，用于根据所述脸部图像的脸部特征点，划分所述脸部图像的皱纹区域，并确定所述皱纹区域的皱纹类型；
图像提取模块，用于根据所述皱纹区域的皱纹类型，提取所述皱纹区域内的区域图像；
分量获取模块，用于获取所述区域图像的皱纹特征分量；
检测模块，用于根据所述区域图像的皱纹特征分量进行皱纹检测。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201810768838.3A 2018-07-13 2018-07-13 脸部皱纹检测方法、装置、计算机设备和存储介质 Pending CN109086688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810768838.3A CN109086688A (zh) 2018-07-13 2018-07-13 脸部皱纹检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810768838.3A CN109086688A (zh) 2018-07-13 2018-07-13 脸部皱纹检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN109086688A true CN109086688A (zh) 2018-12-25

Family

ID=64837812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810768838.3A Pending CN109086688A (zh) 2018-07-13 2018-07-13 脸部皱纹检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN109086688A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN110443765A (zh) * 2019-08-02 2019-11-12 厦门美图之家科技有限公司 图像处理方法、装置及电子设备
CN111814520A (zh) * 2019-04-12 2020-10-23 虹软科技股份有限公司 肤质检测方法、肤质等级分类方法及肤质检测装置
CN115410239A (zh) * 2021-05-11 2022-11-29 深圳市聚悦科技文化有限公司 人脸肤质分析方法、装置、计算机设备及存储介质
CN116778558A (zh) * 2023-07-03 2023-09-19 云南贝泰妮生物科技集团股份有限公司 基于自适应混合海森滤波器的面部皱纹检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103827916A (zh) * 2011-09-22 2014-05-28 富士胶片株式会社 皱纹检测方法、皱纹检测装置和皱纹检测程序以及皱纹评估方法、皱纹评估装置和皱纹评估程序
CN104021380A (zh) * 2014-05-02 2014-09-03 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN105310652A (zh) * 2014-06-09 2016-02-10 松下知识产权经营株式会社 皱纹检测装置和皱纹检测方法
CN105310690A (zh) * 2014-06-09 2016-02-10 松下知识产权经营株式会社 皱纹检测装置和皱纹检测方法
CN106469302A (zh) * 2016-09-07 2017-03-01 成都知识视觉科技有限公司 一种基于人工神经网络的人脸肤质检测方法
US20170079599A1 (en) * 2014-07-18 2017-03-23 Fujifilm Corporation Moisture feeling evaluation device, moisture feeling evaluation method, and moisture feeling evaluation program

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103827916A (zh) * 2011-09-22 2014-05-28 富士胶片株式会社 皱纹检测方法、皱纹检测装置和皱纹检测程序以及皱纹评估方法、皱纹评估装置和皱纹评估程序
CN104021380A (zh) * 2014-05-02 2014-09-03 香港应用科技研究院有限公司 通过计算装置进行面部识别的方法和装置
CN105310652A (zh) * 2014-06-09 2016-02-10 松下知识产权经营株式会社 皱纹检测装置和皱纹检测方法
CN105310690A (zh) * 2014-06-09 2016-02-10 松下知识产权经营株式会社 皱纹检测装置和皱纹检测方法
US20170079599A1 (en) * 2014-07-18 2017-03-23 Fujifilm Corporation Moisture feeling evaluation device, moisture feeling evaluation method, and moisture feeling evaluation program
CN106469302A (zh) * 2016-09-07 2017-03-01 成都知识视觉科技有限公司 一种基于人工神经网络的人脸肤质检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHOON-CHING NG ET.AL: ""Automatic Wrinkle Detection using Hybrid Hessian Filter"", 《COMPUTER VISION--ACCV 2014》 *
CHOON-CHING NG ET.AL: ""Will Wrinkle Estimate the Face Age?"", 《2015 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS,MAN,AND CYBERNETICS》 *
CHOON-CHING NG ET.AL: ""Wrinkle Detection Using Hessian Line Tracking"", 《IEEE ACCESS》 *
ERJIN ZHOU ET.AL: ""Extensive Facial Landmark Localization with Coarse-to-fine Convolutional Network Cascade"", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814520A (zh) * 2019-04-12 2020-10-23 虹软科技股份有限公司 肤质检测方法、肤质等级分类方法及肤质检测装置
US12056883B2 (en) 2019-04-12 2024-08-06 Arcsoft Corporation Limited Method for testing skin texture, method for classifying skin texture and device for testing skin texture
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法
CN110443765A (zh) * 2019-08-02 2019-11-12 厦门美图之家科技有限公司 图像处理方法、装置及电子设备
CN115410239A (zh) * 2021-05-11 2022-11-29 深圳市聚悦科技文化有限公司 人脸肤质分析方法、装置、计算机设备及存储介质
CN116778558A (zh) * 2023-07-03 2023-09-19 云南贝泰妮生物科技集团股份有限公司 基于自适应混合海森滤波器的面部皱纹检测方法及系统

Similar Documents

Publication Publication Date Title
CN109086688A (zh) 脸部皱纹检测方法、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
KR20210060554A (ko) 얼굴 랜드마크 검출 방법과 장치, 컴퓨터 장치, 및 저장 매체
US9443325B2 (en) Image processing apparatus, image processing method, and computer program
US20140270374A1 (en) Systems, Methods, and Software for Detecting an Object in an Image
US20130148860A1 (en) Motion aligned distance calculations for image comparisons
CN112101195B (zh) 人群密度预估方法、装置、计算机设备和存储介质
CN110781859A (zh) 图像标注方法、装置、计算机设备和存储介质
KR20170008638A (ko) 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법
CN109299658B (zh) 脸部检测方法、脸部图像渲染方法、装置及存储介质
CN107346414A (zh) 行人属性识别方法和装置
CN109063598A (zh) 人脸毛孔检测方法、装置、计算机设备和存储介质
CN111291716B (zh) 精子细胞识别方法、装置、计算机设备和存储介质
CN114495266B (zh) 非站立姿态检测方法、装置、计算机设备及存储介质
CN115205889A (zh) 人体朝向识别方法、视频剪辑方法、装置和计算机设备
CN109063601B (zh) 唇纹检测方法、装置、计算机设备和存储介质
CN109685029B (zh) 复杂空间结构的柔性物体识别方法、装置、设备和介质
CN112699826B (zh) 人脸检测方法、装置、计算机设备和存储介质
WO2015068417A1 (ja) 画像照合システム、画像照合方法およびプログラム
CN110781739B (zh) 提取行人特征的方法、装置、计算机设备和存储介质
EP4053729B1 (en) Chip product comparison method and apparatus, chip product modeling method and apparatus, and storage medium
CN110084744B (zh) 图像处理方法、装置、计算机设备和存储介质
CN114757822A (zh) 一种基于双目的人体三维关键点检测方法及系统
CN111626288B (zh) 数据处理方法、装置、计算机设备和存储介质
JP6586852B2 (ja) 画像処理装置

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
TA01 Transfer of patent application right

Effective date of registration: 20201119

Address after: Room 201, No. 9, Tengfei 2nd Street, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU LAIDE PU DETECTION TECHNOLOGY Co.,Ltd.

Address before: 102200 room 1, Building 29, life park, Changping District science and Technology Park, Beijing, B316-82

Applicant before: BEIJING KELAI PUYUN TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20181225

RJ01 Rejection of invention patent application after publication