[发明专利]用于识别眼睛设定特征的方法、装置、电子设备、及介质在审
| 申请号: | 201910630374.4 | 申请日: | 2019-07-12 |
| 公开(公告)号: | CN110363136A | 公开(公告)日: | 2019-10-22 |
| 发明(设计)人: | 何茜 | 申请(专利权)人: | 北京字节跳动网络技术有限公司 |
| 主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/34;G06K9/62;G06T3/00 |
| 代理公司: | 北京品源专利代理有限公司 11332 | 代理人: | 孟金喆 |
| 地址: | 100041 北京市石景山区*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 眼部图像 特征识别 输出结果 概率 电子设备 镜面图像 眼部 双眼皮 存储介质 获取目标 镜面反射 目标对象 训练特征 复杂度 | ||
1.一种用于识别眼睛设定特征的方法,其特征在于,包括:
获取目标对象的第一眼部图像和第二眼部图像;
将所述第一眼部图像输入至预先训练的特征识别模型,获取所述特征识别模型的第一输出结果信息,其中,所述第一输出结果信息用于表示所述第一眼部图像显示的内容具有所述设定特征的概率;
将所述第二眼部图像进行镜面反射处理得到第二眼部镜面图像,将所述第二眼部镜面图像输入至所述特征识别模型,获取所述特征识别模型的第二输出结果信息,其中,所述第二输出结果信息用于表示所述第二眼部图像显示的内容具有所述设定特征的概率。
2.根据权利要求1所述的方法,其特征在于,所述设定特征为双眼皮和/或卧蚕。
3.根据权利要求1所述的方法,其特征在于,获取目标对象的第一眼部图像和第二眼部图像包括:
获取包括人脸的原始图像,获取所述原始图像中待识别的人脸图像;
将所述人脸图像进行眼睛轮廓分析得到眼睛轮廓信息,根据所述眼睛轮廓信息对所述人脸图像进行裁剪,得到左眼图像和右眼图像分别作为所述第一眼部图像和所述第二眼部图像。
4.根据权利要求3所述的方法,其特征在于,所述特征识别模型用于识别左眼,所述第一眼部图像为所述目标对象的左眼图像,所述第二眼部图像为所述目标对象的右眼图像;或
所述特征识别模型用于识别右眼,所述第一眼部图像为所述目标对象的右眼图像,所述第二眼部图像为所述目标对象的左眼图像。
5.根据权利要求4所述的方法,其特征在于,在获取所述第一输出结果信息和所述第二输出结果信息之后还包括,根据所述第一输出结果信息和所述第二输出结果信息,确定所述目标对象的左眼是否具有所述设定特征,以及确定所述目标对象的右眼是否具有所述设定特征。
6.根据权利要求5所述的方法,其特征在于,获取包括人脸的原始图像包括:
获取摄像头采集到的照片,将所述照片缓存到缓冲区中作为所述原始图像。
7.根据权利要求6所述的方法,其特征在于,在确定所述目标对象的左眼是否具有所述设定特征,以及确定所述目标对象的右眼是否具有所述设定特征之后还包括:
根据所确定的结果对所述原始图像进行处理,以输出美颜照片或虚拟形象照片;或者
根据所确定的结果对所述原始图像中待识别的人脸图像进行颜值打分。
8.根据权利要求1-7之一所述的方法,其特征在于,所述特征识别模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括属于同一侧的眼部图像和用于表示眼部图像显示的内容是否具有所述设定特征的标注信息;
确定初始化的特征识别模型,其中所述初始化的特征识别模型包括用于输出眼部图像显示的内容具有所述设定特征的概率的目标层;
利用机器学习的方法,将所述训练样本集合中的训练样本中的眼部图像作为初始化的特征识别模型的输入,将与输入的眼部图像对应的标注信息作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
9.一种用于识别眼睛设定特征装置,其特征在于,包括:
眼部图像获取单元,用于获取目标对象的第一眼部图像和第二眼部图像;
第一眼部设定特征识别单元,用于将所述第一眼部图像输入至预先训练的特征识别模型,获取所述特征识别模型的第一输出结果信息,其中,所述第一输出结果信息用于表示所述第一眼部图像显示的内容具有所述设定特征的概率;
第二眼部设定特征识别单元,用于将所述第二眼部图像进行镜面反射处理得到第二眼部镜面图像,将所述第二眼部镜面图像输入至所述特征识别模型,获取所述特征识别模型的第二输出结果信息,其中,所述第二输出结果信息用于表示所述第二眼部图像显示的内容具有所述设定特征的概率。
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北京字节跳动网络技术有限公司,未经北京字节跳动网络技术有限公司许可,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/201910630374.4/1.html,转载请声明来源钻瓜专利网。





