《一种基于年龄估计的闪光灯控制方法和装置.pdf》由会员分享，可在线阅读，更多相关《一种基于年龄估计的闪光灯控制方法和装置.pdf（14页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410804921.3(22)申请日 2014.12.22H04N 5/235(2006.01)G06K 9/62(2006.01)(71)申请人 厦门美图之家科技有限公司地址 361008 福建省厦门市火炬高新区创业园创业大厦 112 室(72)发明人 张伟 傅松林 王喆 曾志勇(54) 发明名称一种基于年龄估计的闪光灯控制方法和装置(57) 摘要本发明公开了一种基于年龄估计的闪光灯控制方法和装置，其通过对捕获的当前预览的摄像头数据进行人脸识别，并获取识别到的人脸图像，然后对所述的人脸图像进行年龄估计，根据年龄估计结果判断所述的人。
2、脸图像是否为婴幼儿，若是则自动关闭闪光灯，父母无需担心拍照时忘记关闭闪光灯，从而避免闪光灯所发出的强光对婴幼儿的眼睛视网膜造成的伤害。(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页 说明书8页 附图3页(10)申请公布号 CN 104506778 A(43)申请公布日 2015.04.08CN 104506778 A1/2 页21.一种基于年龄估计的闪光灯控制方法，其特征在于，包括以下步骤 ：10. 捕获当前预览的摄像头数据 ；20. 对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像 ；30. 对所述的人脸图像进行年龄估计 ；40. 根据年龄。
3、估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯。2.根据权利要求 1 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的步骤 30 中对所述的人脸图像进行年龄估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计。3.根据权利要求 2 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的步骤 30 中对所述的人脸图像进行年龄估计，进一步包括以下步骤 ：31. 收集样本图像并进行人工标注各个样本图像的年龄类型，并预设标准人脸图 ；32. 比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提。
4、取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练 ；33. 获取从摄像头数据中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。4.根据权利要求 3 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图像收集起来并依次执行步骤 31 及步骤 32，直到超过预期结果。
5、时定为所述步骤 32 所训练出来的分类模型为最佳分类模型，并在所述的步骤 33 中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型。5.根据权利要求 3 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的年龄类型包括 ：婴幼儿、儿童、少年、青年、中年、老年。6.根据权利要求 3 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的年龄类型包括 ：两岁以下类型和两岁以上类型。7.根据权利要求 3 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的步骤 32 中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关。
6、键点对齐和调整，或者，所述的步骤 33 中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸图像进行关键点对齐和调整，主要是通过预设标准人脸图及其对应的人脸特征关键点，并根据获取的样本图像或人脸图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或人脸图像的人脸特征关键点进行对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或人脸图像的人脸轮廓图。8.根据权利要求 3 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频。
7、分量的频域图像，即所述的人脸轮廓图。权 利 要 求 书CN 104506778 A2/2 页39.根据权利要求 3 所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的步骤 33 中将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类得到所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络系统中进行计算所述人脸图像每一种年龄类型的概率，并选择概率最大的年龄类型作为所述人脸图像的年龄类型。10.根据权利要求3至9中任一项所述的一种基于年龄估计的闪光灯控制方法，其特征在于 ：所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头。11.一种基于年龄。
8、估计的闪光灯控制装置，其特征在于 ：其包括相机模块，用于启动摄像头并捕获当前预览的摄像头数据 ；人脸识别模块，对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像 ；年龄分类模块，其对所述的人脸图像进行年龄估计 ；执行模块，其根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，并驱动摄像头进行拍照。12.根据权利要求 11 所述的一种基于年龄估计的闪光灯控制装置，其特征在于 ：所述的年龄分类模块进一步包括 ：采样单元，用于收集样本图像以供人工标注各个样本图像的年龄类型 ；编辑单元，其通过比对所述的样本图像或获取的所述人脸图像的人脸特征关键点和预设的标准人脸图的人脸特征关键点。
9、，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图 ；归一化单元，将所述的样本图像或人脸图像的人脸轮廓图进行归一化处理 ；学习单元，将归一化处理后的样本图像或人脸图像的人脸轮廓图输入卷积神经网络系统进行分类模型的训练 ；判断单元，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。权 利 要 求 书CN 104506778 A1/8 页4一种基于年龄估计的闪光灯控制方法和装置技术领域0001 本发明涉及一种拍照技术，特别是一种基于年龄估计的闪光灯控制方法和装置。背景技术0002 数字视频和。
10、数字相机的摄像与拍照功能带给人们极大的便利和许多美好的记忆，许多父母喜欢在小孩出生、一周、十天、满月、一百天、周岁等一些重要的日子给婴儿拍摄照片，然后将照片收集起来记录小孩的成长过程，但我们在对刚出生的婴儿进行拍照时，往往忘记关闭闪光灯，特别是在室内拍摄时，由于光线不足，而导致拍照时闪光灯检测到光线不足而自动打开，闪光灯所发出的强光对婴儿的眼睛视网膜造成一定的伤害，从而影响其视觉发育。发明内容0003 本发明为解决上述问题，提供了一种基于年龄估计的闪光灯控制方法和装置其通过年龄估计对婴幼儿进行判断，并自动闪光灯，无需担心在拍照时忘记关闭闪光灯。0004 为实现上述目的，本发明采用的技术方案为 。
11、：0005 一种基于年龄估计的闪光灯控制方法，其特征在于，包括以下步骤 ：0006 10. 捕获当前预览的摄像头数据 ；0007 20. 对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像 ；0008 30. 对所述的人脸图像进行年龄估计 ；0009 40. 根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯。0010 优选的，所述的步骤 30 中对所述的人脸图像进行年龄估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计。0011 优选的，所述的步骤 30 中对所述的人脸图像进行年龄估计，进一步包括以下步骤：0012 31. 收集样本图像并进行人工标注各个样本。
12、图像的年龄类型，并预设标准人脸图；0013 32. 比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练 ；0014 33. 获取从摄像头数据中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。0015 优选的，。
13、在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图说 明 书CN 104506778 A2/8 页5像收集起来并依次执行步骤 31 及步骤 32，直到超过预期结果时定为所述步骤 32 所训练出来的分类模型为最佳分类模型，并在所述的步骤 33 中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型。0016 优选的，所述的年龄类型包括 ：婴幼儿、儿童、少年、青年、中年、老年。0017 优选的，所述的年龄类型包括 ：两岁以下类型和两岁以上类型。0018 优选的，所述的步骤 32 中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关。
14、键点对齐和调整，或者，所述的步骤 33 中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸图像进行关键点对齐和调整，主要是通过预设标准人脸图及其对应的人脸特征关键点并根据获取的样本图像或人脸图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或人脸图像的人脸特征关键点进行对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或人脸图像的人脸轮廓图。0019 优选的，所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。0020 优选的，所述的。
15、步骤 33 中将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类得到所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络系统中进行计算所述人脸图像每一种年龄类型的概率，并选择概率最大的年龄类型作为所述人脸图像的年龄类型。0021 优选的，所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头。0022 另外，本发明基于上述方法还提供了一种基于年龄估计的闪光灯控制装置，其特征在于 ：其包括0023 相机模块，用于启动摄像头并捕获当前预览的摄像头数据 ；0024 人脸识别模块，对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像 ；0025 年龄分类模。
16、块，其对所述的人脸图像进行年龄估计 ；0026 执行模块，其根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，并驱动摄像头进行拍照。0027 优选的，所述的年龄分类模块进一步包括 ：0028 采样单元，用于收集样本图像以供人工标注各个样本图像的年龄类型 ；0029 编辑单元，其通过比对所述的样本图像或获取的所述人脸图像的人脸特征关键点和预设的标准人脸图的人脸特征关键点，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；0030 归一化单元，将所述的样本图像或人脸图像的人脸轮廓图进行归一化处理 ；0031 。
17、学习单元，将归一化处理后的样本图像或人脸图像的人脸轮廓图输入卷积神经网络系统进行分类模型的训练 ；0032 判断单元，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。说 明 书CN 104506778 A3/8 页60033 本发明的有益效果是 ：0034 本发明的一种基于年龄估计的闪光灯控制方法和装置，其通过对捕获的当前预览的摄像头数据进行人脸识别，并获取识别到的人脸图像，然后对所述的人脸图像进行年龄估计，根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，父母无需担心拍照时忘记关闭闪光灯，从而避免闪光灯所发出的强光对婴幼儿的眼睛视网。
18、膜造成的伤害。附图说明0035 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中 ：0036 图 1 为本发明第一实施例的一种基于年龄估计的闪光灯控制方法的流程简图 ；0037 图 2 为本发明第二实施例的一种基于年龄估计的闪光灯控制方法的流程简图 ；0038 图 3 为本发明第一实施例的一种基于年龄估计的闪光灯控制装置的示意框图 ；0039 图 4 为本发明第二实施例的一种基于年龄估计的闪光灯控制装置的示意框图。具体实施方式0040 为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明。
19、白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。0041 如图 1 所示，本发明的一种基于年龄估计的闪光灯控制方法，其包括以下步骤 ：0042 10. 捕获当前预览的摄像头数据 ；0043 20. 对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像 ；0044 30. 对所述的人脸图像进行年龄估计 ；0045 40. 根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯。0046 所述的步骤 30 中对所述的人脸图像进行年龄估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计 ；具体来说，如。
20、图 2 所示，进一步包括以下步骤 ：0047 31. 收集样本图像并进行人工标注各个样本图像的年龄类型，并预设标准人脸图；0048 32. 比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练 ；0049 33. 获取从摄像头数据中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的。
21、人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。0050 作为优选的实施例，在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图像收集起来并依次执行步骤 31 及步骤 32，直到超过预期结果时定为所述步骤说 明 书CN 104506778 A4/8 页732 所训练出来的分类模型为最佳分类模型，并在所述的步骤 33 中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型 ；所述的步骤 32中将样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练，主要是将人工分类好的样本图像的人脸轮廓图带入卷积神经网络系统进行。
22、学习 ；并且，将分类错误的样本图像收集起来重新进行标注，即，对于系统自动分类的年龄类型与人工分类的年龄类型不一致时，表示人工标注错误或者系统分类错误，需重新进行人工标注并调整网络结构，再将重新标注后的样本图像再次进行训练学习，如此重复“训练 - 调整网络结构 - 再训练”的过程直到分类正确为止。0051 本实施例中网格结构顺序为输入层 -K 个小组层 - 全连接层 -SoftMax 层，其中K 大于等于 1 ；小组层包括卷积层、激活层、下采样层、归一化层 ；卷积层、激活层、下采样层、归一化层中每个层的核大小以及输出大小都是可以进行任意调节的，并且每个层都有一个输入且产生一个输出，每一层的输出作。
23、为下一层的输入。0052 其中，输入层的输入大小为 Height x Weight x Channel，其中 Weight、Height 为输入层图像的宽和高，Channel 为输入层图像的颜色通道 ；由于本发明使用 GPU 硬件实现的原因，Weight Height ；输入图像的 channel 只能为 1 或者 3。0053 卷积层 ：0054 1) 核的大小必须是奇数，且不大于该层输入的宽或者高 ；0055 2) 中间表示通过卷积层时不改变宽和高，通道数可变可不变 ；理论上可以为任意正整数，由于本发明使用 GPU 硬件实现的原因，这里为 16 的倍数。0056 激活层 ：0057 1) 。
24、激活层不改变卷积层表示的宽、高或者通道数 ；0058 2) 激活层所使用的激活函数包括但不限于以下函数类型 ：0059 f(x) 1/(1+e-x)0060 f(x) a*tanh(b*x),a,b 为任意非零实数0061 f(x) max(0,x)0062 f(x) min(a,max(0,x)0063 f(x) log(1+ex)0064 f(x) |x|0065 f(x) x20066 0067 f(x) ax+b0068 3) 激活层跟在卷积层或者全连接之后。0069 下采样层 ：0070 1) 下采样层不改变中间表示的通道数 ；0071 2) 下采样层对图像的缩小比即为核的大小 ：即。
25、核为 m x n 的下采样层会造成中间表示缩小为上一层的 (1/m)x(1/n)，理论上 m 和 n 可为任意自然数，由于本发明使用 GPU 硬件实现的原因，m n。例如，15x 15x 32 通过 3x 3 的下采样后，变成 5x 5x 32 ；15x 15x 32 通过 5x 5 的下采样后，变成 3x 3x 32 ；但是 15x 15x 32 不能进行 2x 2 的下采样，因为说 明 书CN 104506778 A5/8 页815 不能被 2 整除 ；并不是说，输入尺寸必须是 的次幂，即 16、32、64 等，输入尺寸只要保证能被所有下采样层采样即可。0072 归一化层 ：0073 1)。
26、 归一化层不改变中间表示的任何尺寸 ；0074 2) 归一化层不是必须的，可要可不要，添加归一化层通常会提高精度并增加计算量 ；是否添加归一化层，要看添加后实际提升的精度和损失的速度。0075 一般的组合是 ：卷积 - 激活 - 下采样 - 归一化。0076 以下情况特殊 ：0077 1) 添加归一化层对精度提升较小却增大了很多运算量时，取消归一化层，即采用以下组合 ：卷积 - 激活 - 下采样 ；0078 2) 归一化层提前，效果基本相同，即采用以下组合 ：卷积 - 激活 - 归一化 - 下采样。0079 3) 取消下采样层 ：卷积 - 激活 ；或者卷积 - 激活 - 归一化 ；下采样本质是。
27、为了增加鲁棒性，同时顺便有减少后续层的运算量的作用 ；一个网络中通常会有几层下采样，但并不是所有的“卷积 - 激活”后面都要跟下采样。0080 全连接层 ：0081 1) 通过全连接层后的中间表示会变成 1 维的，不再是 3 维的 ；0082 2) 全连接的输出可以任意 ；0083 3) 一旦进过全连接，就无法进行卷积、下采样或归一化 ；0084 4) 全连接后面可以接激活层，或者继续接全连接。0085 SoftMax 层 ：0086 接在全连接层之后，作用是把全连接产生的实值变成 0,1 之间的概率。0087 本发明最后使用的网络结构如表 1 所示。0088 表 1 卷积神经网络结构0089。
28、 层数 类型 核大小 输出大小 注解1 输入层 32x32x3 2 卷积层 5x5 32x32x32 3 激活层 32x32x32 4 下采样层 2x2 16x16x32 f(x) x25 归一化层 16x16x32 使用局部归一化6 卷积层 5x5 16x16x16 7 激活层 16x16x16 说 明 书CN 104506778 A6/8 页98 下采样层 2x2 8x8x16 f(x) |x|9 归一化层 8x8x16 使用局部归一化0090 10 全连接层 6 个数据 11 SoftMax 层 6 个数据 0091 所述的步骤 33 中将所述人脸图像的人脸轮廓图采用所述的分类模型进行年。
29、龄分类得到所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络系统中进行计算所述人脸图像每一种年龄类型的概率，并选择概率最大的年龄类型作为所述人脸图像的年龄类型。具体主要是通过在所述人脸图像中的人脸区域进行关键点对齐和轮廓提取得到人脸轮廓图，放入神经网络的输入层，进行全连接后，在最后的SoftMax 层得到每一种标签的概率，即在区间 0,1 中的实值 ；本实施例中根据年龄类型分为 ：婴幼儿、儿童、少年、青年、中年、老年，共 6 种类型的年龄标签，即 6 个数据，这 6 个数据的和等于 1 ；选择概率最大的标签作为该人脸图像的年龄类型的标签。步骤 32 中该样本图像的人。
30、脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练，其年龄类型的判断方法与上述类似。0092 所述的年龄类型包括：婴幼儿(0到2岁)、儿童(3到6岁)、少年(7到14岁)、青年 (15 到 35 岁 )、中年 (36 到 60 岁 )、老年 (61 岁以上 )，若判断结果为婴幼儿，则自动关闭闪光灯 ；或者，所述的年龄类型包括 ：两岁以下类型和两岁以上类型，若判断结果的年龄类型为两岁以下类型，则认为是婴幼儿，并自动关闭闪光灯。0093 所述的步骤 32 中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，或者，所述的步骤 33 中比对所述人脸图。
31、像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸图像进行关键点对齐和调整，主要是通过预设标准人脸图及其对应的人脸特征关键点，并根据获取的样本图像或人脸图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或人脸图像的人脸特征关键点进行对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或人脸图像的人脸轮廓图。0094 所述的仿射变换仿射变换(Affine Transform)是空间直角坐标变换的一种，它是一种二维坐标到二维坐标之间的线性变换，保持二维图形的“平直性”(straightness，即变换后直线还是直。
32、线不会打弯，圆弧还是圆弧 ) 和“平行性”(parallelism，即保持二维图形间的相对位置关系不变，平行线还是平行线，相交直线的交角不变 ) ；利用仿射变换对标准人脸图的人脸特征关键点进行对齐和调整，主要是通过移动、缩放、翻转、旋转等一系列的变换，将样本图像或人脸图像与标准人脸图中眼睛、鼻子、嘴巴等人脸特征关键点调整到与标准人脸图相对应的位置。0095 本实施例中，所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头。所述的人脸特征关键点的检测主要是利用 ASM(Active Shape Model) 算法，其分为训练和搜索两步 ：训练时，建立各个特征点的位置约束，构建各个特。
33、定点的局部特征 ；搜索说 明 书CN 104506778 A7/8 页10时，迭代的匹配 ；该算法为现有技术在此不进行赘述。所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头等。0096 人脸网格生成的基本思想是先设计出符合基本人脸形状和器官分布的标准三角网格，通过定义每个三角形的顶点序号，来得到网格点的相对位置与三角网格面片之间的拓扑关系 ；然后用人脸特征点提取算法得到的控制点坐标对标准网格进行校准变形，从而实现不同人脸照片的个性化面部网格生成。0097 曲线间点的拟合点采用拉格朗日插值计算出来。0098 网格点的生成算法描述如下 ：0099 眼睛轮廓 ：88 个特征点中关于。
34、眼睛轮廓的有 16 个点，而在标准网格之中我们需要对 20 个点进行校准定位。我们根据左眼角点、右眼角点和上边中点生成眼睛上抛物线 ；通过左眼角点、右眼角点和下边中点生成眼睛下抛物线。在四条抛物线上等水平距离取点获得所有 20 个点。0100 嘴部 ：88 个特征点中嘴部轮廓有 22 个点，标准网格中需要对 34 个点进行校准定位。生成抛物线 9 12 进行拟合，获取所有 34 个点。0101 眉毛 ：88个特征点中眉毛有16个点，标准网格中需要对20个点进行校准定位。生成抛物线 1、2、3 和 4 进行拟合，获取所有 20 个点。0102 脸部轮廓线 ：88 个特征点中有 21 个点表示脸部。
35、轮廓线。而在网格图中共有 33 个点表示轮廓线。将轮廓线分为 4 段，分别用抛物线 13 16 拟合。0103 额头 ：通过实际脸和标准脸的额头发际中点，两边脸颊最高点计算仿射变换矩阵。额头部分在人脸表情动作中起到的作用较少，因此额头部分的网格采用了仿射变换的方法进行近似生成。0104 其他点 ：如额头、脸颊、嘴部外围等处的点，它们的坐标根据已经定好位置的网格点按比例算出。0105 所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。其中小波变换是空间 ( 时间 ) 和频率的局部变换，因而能有效地从信号中提取信息。小波变换是一种新的变换。
36、分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间 - 频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征。0106 另外，如图 3 所示，本发明基于上述方法还提供了一种基于年龄估计的闪光灯控制装置，其特征在于 ：其包括0107 相机模块 A，用于启动摄像头并捕获当前预览的摄像头数据 ；0108 人脸识别模块 B，对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像 ；0109 年龄分类模块 C，其对所述的人脸图像进行年龄估计 ；0110 执行模块 D，其根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，并驱动摄像头进行拍照。0111 如图 4 所示，所述的年龄分类模块进一步包括 ：0112 采样单元 C1，用于收集样本图像以供人工标注各个样本图像的年龄类型 ；0113 编辑单元 C2，其通过比对所述的样本图像或获取的所述人脸图像的人脸特征关说 明 书CN 104506778 A。