[发明专利]人脸动作单元检测方法、装置、计算机设备及存储介质有效
申请号: | 201811011033.0 | 申请日: | 2018-08-31 |
公开(公告)号: | CN109271897B | 公开(公告)日: | 2023-10-24 |
发明(设计)人: | 周浩 | 申请(专利权)人: | 平安科技(深圳)有限公司 |
主分类号: | G06V40/16 | 分类号: | G06V40/16;G06V10/764;G06V10/82;G06N3/0464;G06N3/096 |
代理公司: | 深圳众鼎专利商标代理事务所(普通合伙) 44325 | 代理人: | 黄章辉 |
地址: | 518000 广东省深圳市福田区福*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 动作 单元 检测 方法 装置 计算机 设备 存储 介质 | ||
1.一种人脸动作单元检测方法,其特征在于,所述人脸动作单元检测方法包括:
获取图像检测请求,所述图像检测请求包括N个待检测图像,其中,N为正整数;
根据所述图像检测请求获取每个检测进程的状态数据;
根据每个所述检测进程的状态数据将所述待检测图像输入到对应的检测进程中,得到所述对应的检测进程的数据队列;
通过分级服务的方式对所述数据队列中的待检测图像进行人脸动作单元检测,得到人脸动作单元检测结果。
2.如权利要求1所述的人脸动作单元检测方法,其特征在于,所述每个检测进程的状态数据包括:
所述检测进程接收每个所述待检测图像的时间t、所述检测进程处理每个所述待检测图像所需要的最长时间tcal、所述检测进程完成当前检测任务所需时间telapse和所述检测进程完成当前检测任务的预设的延迟时间tdelay。
3.如权利要求2所述的人脸动作单元检测方法,其特征在于,所述根据每个所述检测进程的状态数据将所述待检测图像输入到对应的检测进程中,得到每个检测进程的数据队列,包括:
针对每一所述待检测图像,若存在任一检测进程,满足不等式t<tdelay和tcal+telapse<tdelay,则将所述待检测图像放入该检测进程中;
若每一所述检测进程均满足不等式t≥tdelay,则将所述待检测图像随机放入任一所述检测进程中;
将N个所述待检测图像都输入到对应的检测进程之后,获取每一检测进程的数据队列。
4.如权利要求1所述的人脸动作单元检测方法,其特征在于,所述通过分级服务的方式对所述数据队列中的待检测图像进行人脸动作单元检测,包括:
获取每个所述检测进程中当前存储的待检测图像的数量和每个所述检测进程对应的图片数量阈值;
若所述检测进程当前存储的待检测图像数量小于或者等于图片数量阈值,则获取所述检测进程的待检测图像作为数据队列进行人脸动作单元检测。
5.如权利要求1所述的人脸动作单元检测方法,其特征在于,所述通过分级服务的方式对所述数据队列中的待检测图像进行人脸动作单元检测,包括:
获取所述检测进程的等待时间阈值和所述检测进程中的第一张待检测图像的等待时间;
若所述检测进程中的第一张待检测图像的等待时间小于或者等于所述检测进程的等待时间阈值,则获取检测进程的待检测图像作为数据队列进行人脸动作单元检测。
6.如权利要求1所述的人脸动作单元检测方法,其特征在于,所述对所述数据队列中的待检测图像进行人脸动作单元检测,得到人脸动作单元检测结果,包括:
获取人脸图像样本数据;
对所述人脸图像样本数据进行数据增广,得到训练样本;
将所述训练样本输入到深度残差网络中进行训练,得到人脸动作单元神经网络;
获取预设的人脸分类网络,其中,所述人脸分类网络是通过预训练VGGNet模型得到的;
基于所述人脸分类网络,采用迁移学习的方式训练所述人脸动作单元神经网络,得到人脸动作单元检测模型;
将所述数据队列中的待检测图像输入到所述人脸动作单元检测模型以双层结构模式进行检测,得到人脸动作单元检测结果。
7.一种人脸动作单元检测装置,其特征在于,所述人脸动作单元检测装置包括:
检测请求获取模块,用于获取图像检测请求,所述图像检测请求包括N个待检测图像,其中,N为正整数;
状态数据获取模块,用于根据所述图像检测请求获取每个检测进程的状态数据;
数据队列获取模块,用于根据每个所述检测进程的状态数据将所述待检测图像输入到对应的检测进程中,得到每个检测进程的数据队列;
检测结果获取模块,用于通过分级服务的方式对所述数据队列中的待检测图像进行人脸动作单元检测,得到人脸动作单元检测结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安科技(深圳)有限公司,未经平安科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811011033.0/1.html,转载请声明来源钻瓜专利网。