CN104268536B - 一种图像人脸检测方法 - Google Patents
一种图像人脸检测方法 Download PDFInfo
- Publication number
- CN104268536B CN104268536B CN201410536729.0A CN201410536729A CN104268536B CN 104268536 B CN104268536 B CN 104268536B CN 201410536729 A CN201410536729 A CN 201410536729A CN 104268536 B CN104268536 B CN 104268536B
- Authority
- CN
- China
- Prior art keywords
- face
- pixel
- image
- subgraph
- width
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像人脸检测方法，基于大量不同角度人脸二进制编码样本特征和Random Fern模式识别分类器，采用更加方便的训练方法，能够有效适用于各种环境下的人脸检测，克服了现有技术中检测条件的局限性，并且大大提高了人脸检测的精确度。
Description
技术领域
本发明涉及一种图像人脸检测方法。
背景技术
在互联网社会，网络上存在大量的多媒体数据，图像数据在网络社会中铺天盖地，图像存在大量的视觉信息，可以将信息反映给观看人，而目前的数字图像照片编码形式全部是以红绿蓝像素组成，无法像计算机文本数据一样，轻易地像直接读取字符串匹配的形式来读取照片上的物体(如人脸，车辆)，当照片中有人脸的时候，必须要使用人眼和大脑去辨识，因此，市面上有专门针对图片人脸检测的产品。
虽然市面上已经推出了一些人脸检测产品，但是这些产品存在一定的不足，比如在人侧脸的时候或者光照变化的时候，这些产品就无法得到很好的检测效果。
发明内容
针对上述技术问题，本发明所要解决的技术问题是提供一种基于大量不同角度人脸二进制编码样本特征和Random Fern模式识别分类器，能够有效适用于各种环境下人脸检测的图像人脸检测方法。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种图像人脸检测方法，包括如下步骤：
步骤01.收集预设样本数量的训练样本图像，包括非人脸样本图像和人脸样本图像，其中，人脸样本图像包括以人脸正面为中心左右旋转±90°范围内的各幅人脸样本图像；
步骤02.按预设模板尺寸设定人脸模板，并在该人脸模板上随机生成预设数量的像素点对，包括水平像素点对和垂直像素点对，并将所有像素点对平均划分成预设数量N个的像素点对组，N≥1，每组有M个像素点对，并对所有像素点对组设定序列；同时分别对每一个像素点对组中的像素点对设定序列，并针对每一个像素点对中的两个像素点按照第一像素点、第二像素点设定先后顺序序列；
步骤03.针对所有训练样本图像进行灰度处理，并进行尺寸缩放，保持与人脸模板尺寸相同；然后遍历各幅训练样本图像，针对各幅训练样本图像上与人脸模板中像素点对位置相对应的像素点对进行如下处理：
若第一像素点亮度值≥第二像素点亮度值，则定义该像素点对特征值为1；
若第一像素点亮度值＜第二像素点亮度值，则定义该像素点对特征值为0；
由此，按照人脸模板中像素点对组中像素点对的序列，获得各幅训练样本图像所分别对应的N个二进制数值特征串，每个二进制数值特征串长度为M；
步骤04.针对人脸模板中的各个像素点对组，根据一个像素点对对应一个二进制数值和像素点对组中像素点对的序列，分别获得各个像素点对组所对应的所有二进制数值组合，并针对各个像素点对组中所对应的各个二进制数值组合分别初始化一个Positive/Negative计数器，作为Random Fern模式识别分类器的计数器，初始化各个Positive/Negative计数器的初始值为0；
步骤05.遍历各幅训练样本图像，若判断该幅训练样本图像为人脸样本图像，则将Random Fern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Positive计数器+1；若判断该幅训练样本图像为非人脸样本图像，则将Random Fern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Negative计数器+1；
由以上过程，实现针对Random Fern模式识别分类器的训练；
步骤06.针对被检测图像进行灰度处理，获得被检测灰度图像；然后将被检测灰度图像按预设各级缩放比例进行缩放，获得各幅缩放检测灰度图像；
步骤07.分别针对各幅缩放检测灰度图像做如下操作：采用与人脸模板尺寸相一致的窗口在整幅缩放检测灰度图像上获得各个子图像，针对各个子图像采用训练好的RandomFern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合；
步骤08.分别针对获得的各幅缩放检测灰度图像中的人脸集合，按照缩放检测灰度图像的缩放比例，将人脸集合还原到步骤06中的检测灰度图像上，获得初级人脸检测图像。
作为本发明的一种优选技术方案：所述步骤01中，所述人脸样本图像包括以人脸正面为中心左右旋转±90°范围内、上下预设倾角范围内的各幅人脸样本图像；
作为本发明的一种优选技术方案：所述步骤07中，分别针对各幅缩放检测灰度图像做如下操作：采用与人脸模板尺寸相一致的滑动窗口，针对整幅缩放检测灰度图像，沿水平方向逐行滑动或者沿垂直方向逐列滑动，针对缩放检测灰度图像获得各个子图像，针对各个子图像采用训练好的Random Fern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合。
作为本发明的一种优选技术方案：所述步骤07中，分别针对各幅缩放检测灰度图像做如下操作：针对由缩放检测灰度图像获得的各个子图像，采用训练好的RandomFern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合的过程具体包括如下步骤：
步骤0701.根据步骤03的方法，获得各个子图像所分别对应的N个二进制数值特征串；
步骤0702.遍历各个子图像，通过RandomFern模式识别分类器，分别计算出各个子图像所分别对应的N个二进制数值特征串的后验概率，其中，计算子图像所对应的第i个二进制数值特征串的后验概率，1≤i≤N，具体包括如下步骤：
步骤070201.获得该子图像所对应的第i个二进制数值特征串在Random Fern模式识别分类器第i组统计表里Positive/Negative计数器的数值；
步骤070202.根据步骤070201中获得的Positive/Negative计数器的数值，根据Prob＝A/(A+B)计算获得该子图像所对应的第i个二进制数值特征串的后验概率Prob，其中，A为Positive计数器的数值，B为Negative计数器的数值；
步骤0703.针对各个子图像作如下操作：分别获得子图像所对应N个二进制数值特征串的后验概率的平均值，作为该子图像的最终概率，并判断该最终概率是否大于预设人脸阈值，是则认为该子图像为人脸，否则为非人脸。
作为本发明的一种优选技术方案：所述步骤08之后还包括步骤09如下：
步骤09.针对所述初级人脸检测图像，通过层次聚类算法，对检测出的人脸依据空间位置和相互重叠程度进行聚类，删除重复的人脸图像，获得最终人脸检测结果。
本发明所述一种图像人脸检测方法采用以上技术方案与现有技术相比，具有以下技术效果：本发明设计的图像人脸检测方法，基于大量不同角度人脸二进制编码样本特征和RandomFern模式识别分类器，采用更加方便的训练方法，能够有效适用于各种环境下的人脸检测，克服了现有技术中检测条件的局限性，并且大大提高了人脸检测的精确度。
附图说明
图1是本发明设计图像人脸检测方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明设计一种图像人脸检测方法，具体包括如下步骤：
步骤01.收集预设样本数量的训练样本图像，包括非人脸样本图像和人脸样本图像，其中，人脸样本图像包括以人脸正面为中心左右旋转±90°范围内、上下预设倾角范围内的各幅人脸样本图像；
步骤02.按预设模板尺寸设定人脸模板，并在该人脸模板上随机生成预设数量的像素点对，包括水平像素点对和垂直像素点对，并将所有像素点对平均划分成预设数量N个的像素点对组，N≥1，每组有M个像素点对，并对所有像素点对组设定序列；同时分别对每一个像素点对组中的像素点对设定序列，并针对每一个像素点对中的两个像素点按照第一像素点、第二像素点设定先后顺序序列；
步骤03.针对所有训练样本图像进行灰度处理，并进行尺寸缩放，保持与人脸模板尺寸相同；然后遍历各幅训练样本图像，针对各幅训练样本图像上与人脸模板中像素点对位置相对应的像素点对进行如下处理：
若第一像素点亮度值≥第二像素点亮度值，则定义该像素点对特征值为1；
若第一像素点亮度值＜第二像素点亮度值，则定义该像素点对特征值为0；
由此，按照人脸模板中像素点对组中像素点对的序列，获得各幅训练样本图像所分别对应的N个二进制数值特征串，每个二进制数值特征串长度为M；
这里针对各幅训练样本图像上与人脸模板中像素点对位置相对应的像素点对进行特征值的处理过程中，在实际应用中，不仅可以按以上方式采用像素点的亮度值进行处理，同样，还可以采用像素点的haar特征进行处理。
步骤04.针对人脸模板中的各个像素点对组，根据一个像素点对对应一个二进制数值和像素点对组中像素点对的序列，分别获得各个像素点对组所对应的所有二进制数值组合，每个像素点对组所对应的二进制数值组合总共有2M种组合，并针对各个像素点对组中所对应的各个二进制数值组合分别初始化一个Positive/Negative计数器，作为RandomFern模式识别分类器的计数器，初始化各个Positive/Negative计数器的初始值为0；
步骤05.遍历各幅训练样本图像，若判断该幅训练样本图像为人脸样本图像，则将Random Fern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Positive计数器+1；若判断该幅训练样本图像为非人脸样本图像，则将Random Fern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Negative计数器+1；
由以上过程，实现针对RandomFern模式识别分类器的训练；
步骤06.针对被检测图像进行灰度处理，获得被检测灰度图像；然后将被检测灰度图像按预设各级缩放比例进行缩放，获得各幅缩放检测灰度图像；
步骤07.分别针对各幅缩放检测灰度图像做如下操作：采用与人脸模板尺寸相一致的滑动窗口，针对整幅缩放检测灰度图像，沿水平方向逐行滑动或者沿垂直方向逐列滑动，针对缩放检测灰度图像获得各个子图像，针对各个子图像采用训练好的RandomFern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合，具体包括如下步骤：
步骤0701.根据步骤03的方法，获得各个子图像所分别对应的N个二进制数值特征串；
步骤0702.遍历各个子图像，通过RandomFern模式识别分类器，分别计算出各个子图像所分别对应的N个二进制数值特征串的后验概率，其中，计算子图像所对应的第i个二进制数值特征串的后验概率，1≤i≤N，具体包括如下步骤：
步骤070201.获得该子图像所对应的第i个二进制数值特征串在Random Fern模式识别分类器第i组统计表里Positive/Negative计数器的数值；
步骤070202.根据步骤070201中获得的Positive/Negative计数器的数值，根据Prob＝A/(A+B)计算获得该子图像所对应的第i个二进制数值特征串的后验概率Prob，其中，A为Positive计数器的数值，B为Negative计数器的数值；
步骤0703.针对各个子图像作如下操作：分别获得子图像所对应N个二进制数值特征串的后验概率的平均值，作为该子图像的最终概率，并判断该最终概率是否大于预设人脸阈值，是则认为该子图像为人脸，否则为非人脸。
步骤08.分别针对获得的各幅缩放检测灰度图像中的人脸集合，按照缩放检测灰度图像的缩放比例，将人脸集合还原到步骤06中的检测灰度图像上，获得初级人脸检测图像。
步骤09.针对所述初级人脸检测图像，通过层次聚类算法，对检测出的人脸依据空间位置和相互重叠程度进行聚类，删除重复的人脸图像，获得最终人脸检测结果。
本发明设计的图像人脸检测方法采用以上设计的技术方案，基于大量不同角度人脸二进制编码样本特征和RandomFern模式识别分类器，采用更加方便的训练方法，能够有效适用于各种环境下的人脸检测，克服了现有技术中检测条件的局限性，并且大大提高了人脸检测的精确度。
本发明设计的图像人脸检测方法在实际应用过程中，如图1所示，具体按如下步骤进行：
步骤01.收集预设样本数量的训练样本图像，包括非人脸样本图像和人脸样本图像，其中，人脸样本图像包括以人脸正面为中心左右旋转±90°范围内、上下预设倾角范围内的各幅人脸样本图像；
步骤02.按预设模板尺寸25像素×25像素设定人脸模板，并在该人脸模板上随机生成预设数量10万个的像素点对，包括水平像素点对和垂直像素点对，并将所有像素点对平均划分成预设数量1000个的像素点对组，则每一个像素点对组包括100个像素点对，并对所有像素点对组设定序列；同时分别对每一个像素点对组中的像素点对设定序列，并针对每一个像素点对中的两个像素点按照第一像素点、第二像素点设定先后顺序序列；
步骤03.针对所有训练样本图像进行灰度处理，并进行尺寸缩放，保持与人脸模板尺寸相同；然后遍历各幅训练样本图像，针对各幅训练样本图像上与人脸模板中像素点对位置相对应的像素点对进行如下处理：
若第一像素点亮度值≥第二像素点亮度值，则定义该像素点对特征值为1；
若第一像素点亮度值＜第二像素点亮度值，则定义该像素点对特征值为0；
由此，按照人脸模板中像素点对组中像素点对的序列，获得各幅训练样本图像所分别对应的1000个二进制数值特征串，每个二进制数值特征串长度为100；
这里针对各幅训练样本图像上与人脸模板中像素点对位置相对应的像素点对进行特征值的处理过程中，在实际应用中，不仅可以按以上方式采用像素点的亮度值进行处理，同样，还可以采用像素点的haar特征进行处理。
步骤04.针对人脸模板中的各个像素点对组，根据一个像素点对对应一个二进制数值和像素点对组中像素点对的序列，分别获得各个像素点对组所对应的所有二进制数值组合(例，若各个像素点对组所对应的所有二进制数值为7位，则所有二进制数值组合为：0000000～1111111)，并针对各个像素点对组中所对应的各个二进制数值组合分别初始化一个Positive/Negative计数器，作为Random Fern模式识别分类器的计数器，初始化各个Positive/Negative计数器的初始值为0；
步骤05.遍历各幅训练样本图像，若判断该幅训练样本图像为人脸样本图像，则将RandomFern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Positive计数器+1；若判断该幅训练样本图像为非人脸样本图像，则将RandomFern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Negative计数器+1；
由以上过程，实现针对RandomFern模式识别分类器的训练；
步骤06.针对被检测图像进行灰度处理，获得被检测灰度图像；然后将被检测灰度图像按预设各级缩放比例0.4倍、0.6倍、0.8倍、1倍、1.2倍、1.4倍、1.6倍进行缩放，获得7幅缩放检测灰度图像；
步骤07.分别针对各幅缩放检测灰度图像做如下操作：采用与人脸模板尺寸相一致的滑动窗口针对整幅缩放检测灰度图像沿水平方向和垂直方向滑动，针对缩放检测灰度图像获得各个子图像，针对各个子图像采用训练好的RandomFern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合，具体包括如下步骤：
步骤0701.根据步骤03的方法，获得各个子图像所分别对应的N个二进制数值特征串；
步骤0702.遍历各个子图像，通过RandomFern模式识别分类器，分别计算出各个子图像所分别对应的N个二进制数值特征串的后验概率，其中，计算子图像所对应的第i个二进制数值特征串的后验概率，1≤i≤N，具体包括如下步骤：
步骤070201.获得该子图像所对应的第i个二进制数值特征串在Random Fern模式识别分类器第i组统计表里Positive/Negative计数器的数值；
步骤070202.根据步骤070201中获得的Positive/Negative计数器的数值，根据Prob＝A/(A+B)计算获得该子图像所对应的第i个二进制数值特征串的后验概率Prob，其中，A为Positive计数器的数值，B为Negative计数器的数值；
步骤0703.针对各个子图像作如下操作：分别获得子图像所对应N个二进制数值特征串的后验概率的平均值，作为该子图像的最终概率，并判断该最终概率是否大于预设人脸阈值0.65，是则认为该子图像为人脸，否则为非人脸。
步骤08.由于在缩放检测灰度图像中上检测到的人脸的坐标系不同于步骤06中检测灰度图像尺寸的坐标系，因此分别针对获得的各幅缩放检测灰度图像中的人脸集合，按照缩放检测灰度图像的缩放比例，将人脸集合还原到步骤06中的检测灰度图像上，获得初级人脸检测图像。
步骤09.由于Random Fern模式识别分类器在步骤06中检测灰度图像上人脸的周边检出很多人脸(例如：人脸位置的±10像素内，都会被判断为人脸)，因此针对所述初级人脸检测图像，通过层次聚类算法，对检测出的人脸依据空间位置和相互重叠程度进行聚类，删除重复的人脸图像，获得最终人脸检测结果。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种图像人脸检测方法，其特征在于，包括如下步骤：
步骤01.收集预设样本数量的训练样本图像，包括非人脸样本图像和人脸样本图像，其中，人脸样本图像包括以人脸正面为中心左右旋转±90°范围内的各幅人脸样本图像；
步骤02.按预设模板尺寸设定人脸模板，并在该人脸模板上随机生成预设数量的像素点对，包括水平像素点对和垂直像素点对，并将所有像素点对平均划分成预设数量N个的像素点对组，N≥1，每组有M个像素点对，并对所有像素点对组设定序列；同时分别对每一个像素点对组中的像素点对设定序列，并针对每一个像素点对中的两个像素点按照第一像素点、第二像素点设定先后顺序序列；
步骤03.针对所有训练样本图像进行灰度处理，并进行尺寸缩放，保持与人脸模板尺寸相同；然后遍历各幅训练样本图像，针对各幅训练样本图像上与人脸模板中像素点对位置相对应的像素点对进行如下处理：
若第一像素点亮度值≥第二像素点亮度值，则定义该像素点对特征值为1；
若第一像素点亮度值＜第二像素点亮度值，则定义该像素点对特征值为0；
由此，按照人脸模板中像素点对组中像素点对的序列，获得各幅训练样本图像所分别对应的N个二进制数值特征串，每个二进制数值特征串长度为M；
步骤04.针对人脸模板中的各个像素点对组，根据一个像素点对对应一个二进制数值和像素点对组中像素点对的序列，分别获得各个像素点对组所对应的所有二进制数值组合，并针对各个像素点对组中所对应的各个二进制数值组合分别初始化一个Positive/Negative计数器，作为Random Fern模式识别分类器的计数器，初始化各个Positive/Negative计数器的初始值为0；
步骤05.遍历各幅训练样本图像，若判断该幅训练样本图像为人脸样本图像，则将Random Fern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Positive计数器+1；若判断该幅训练样本图像为非人脸样本图像，则将Random Fern模式识别分类器上与该幅训练样本图像的N个二进制数值特征串相对应的各个像素点对组中相应二进制数值组合的Positive/Negative计数器中的Negative计数器+1；
由以上过程，实现针对Random Fern模式识别分类器的训练；
步骤06.针对被检测图像进行灰度处理，获得被检测灰度图像；然后将被检测灰度图像按预设各级缩放比例进行缩放，获得各幅缩放检测灰度图像；
步骤07.分别针对各幅缩放检测灰度图像做如下操作：采用与人脸模板尺寸相一致的窗口在整幅缩放检测灰度图像上获得各个子图像，针对各个子图像采用训练好的RandomFern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合；
步骤08.分别针对获得的各幅缩放检测灰度图像中的人脸集合，按照缩放检测灰度图像的缩放比例，将人脸集合还原到步骤06中的检测灰度图像上，获得初级人脸检测图像。
2.根据权利要求1所述一种图像人脸检测方法，其特征在于：所述步骤01中，所述人脸样本图像包括以人脸正面为中心左右旋转±90°范围内、上下预设倾角范围内的各幅人脸样本图像。
3.根据权利要求1所述一种图像人脸检测方法，其特征在于：所述步骤07中，分别针对各幅缩放检测灰度图像做如下操作：采用与人脸模板尺寸相一致的滑动窗口，针对整幅缩放检测灰度图像，沿水平方向逐行滑动或者沿垂直方向逐列滑动，针对缩放检测灰度图像获得各个子图像，针对各个子图像采用训练好的Random Fern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合。
4.根据权利要求1至3中任意一项所述一种图像人脸检测方法，其特征在于：所述步骤07中，分别针对各幅缩放检测灰度图像做如下操作：针对由缩放检测灰度图像获得的各个子图像，采用训练好的Random Fern模式识别分类器进行分类，获得该幅缩放检测灰度图像中的人脸集合的过程具体包括如下步骤：
步骤0701.根据步骤03的方法，获得各个子图像所分别对应的N个二进制数值特征串；
步骤0702.遍历各个子图像，通过Random Fern模式识别分类器，分别计算出各个子图像所分别对应的N个二进制数值特征串的后验概率，其中，计算子图像所对应的第i个二进制数值特征串的后验概率，1≤i≤N，具体包括如下步骤：
步骤070201.获得该子图像所对应的第i个二进制数值特征串在Random Fern模式识别分类器第i组统计表里Positive/Negative计数器的数值；
步骤070202.根据步骤070201中获得的Positive/Negative计数器的数值，根据Prob＝A/(A+B)计算获得该子图像所对应的第i个二进制数值特征串的后验概率Prob，其中，A为Positive计数器的数值，B为Negative计数器的数值；
步骤0703.针对各个子图像作如下操作：分别获得子图像所对应N个二进制数值特征串的后验概率的平均值，作为该子图像的最终概率，并判断该最终概率是否大于预设人脸阈值，是则认为该子图像为人脸，否则为非人脸。
5.根据权利要求4所述一种图像人脸检测方法，其特征在于：所述步骤08之后还包括步骤09如下：
步骤09.针对所述初级人脸检测图像，通过层次聚类算法，对检测出的人脸依据空间位置和相互重叠程度进行聚类，删除重复的人脸图像，获得最终人脸检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410536729.0A CN104268536B (zh) | 2014-10-11 | 2014-10-11 | 一种图像人脸检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410536729.0A CN104268536B (zh) | 2014-10-11 | 2014-10-11 | 一种图像人脸检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104268536A CN104268536A (zh) | 2015-01-07 |
| CN104268536B true CN104268536B (zh) | 2017-07-18 |
Family
ID=52160056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410536729.0A Active CN104268536B (zh) | 2014-10-11 | 2014-10-11 | 一种图像人脸检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104268536B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502962B (zh) * | 2018-05-18 | 2022-04-12 | 苏州翔飞航空科技有限公司 | 视频流中目标的检测方法、装置、设备和介质 |
| CN109558812B (zh) * | 2018-11-13 | 2021-07-23 | 广州铁路职业技术学院（广州铁路机械学校） | 人脸图像的提取方法和装置、实训系统和存储介质 |
| CN113963300B (zh) * | 2021-10-26 | 2023-10-03 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699908A (zh) * | 2014-01-14 | 2014-04-02 | 上海交通大学 | 基于联合推理的视频多目标跟踪方法 |
| CN103942550A (zh) * | 2014-05-04 | 2014-07-23 | 厦门大学 | 一种基于稀疏编码特征的场景文本识别方法 |
| CN103971106A (zh) * | 2014-05-27 | 2014-08-06 | 深圳市赛为智能股份有限公司 | 多视角人脸图像性别识别方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147851B (zh) * | 2010-02-08 | 2014-06-04 | 株式会社理光 | 多角度特定物体判断设备及多角度特定物体判断方法 |
| KR101332630B1 (ko) * | 2012-06-18 | 2013-11-25 | 한국과학기술원 | 경량화된 랜덤펀스 및 이를 이용한 이미지 표현방법 |
-
2014
- 2014-10-11 CN CN201410536729.0A patent/CN104268536B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699908A (zh) * | 2014-01-14 | 2014-04-02 | 上海交通大学 | 基于联合推理的视频多目标跟踪方法 |
| CN103942550A (zh) * | 2014-05-04 | 2014-07-23 | 厦门大学 | 一种基于稀疏编码特征的场景文本识别方法 |
| CN103971106A (zh) * | 2014-05-27 | 2014-08-06 | 深圳市赛为智能股份有限公司 | 多视角人脸图像性别识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104268536A (zh) | 2015-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506798B (zh) | 一种基于图像识别的水位监测方法 | |
| CN111709909B (zh) | 基于深度学习的通用印刷缺陷检测方法及其模型 | |
| CN106295653B (zh) | 一种水质图像分类方法 | |
| CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
| CN106251333B (zh) | 元件反件检测方法和系统 | |
| CN103345631B (zh) | 图像特征提取、训练、检测方法及模块、装置、系统 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN104850858A (zh) | 一种注塑制品缺陷检测识别方法 | |
| CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN104616275A (zh) | 一种缺陷检测方法和装置 | |
| CN103425984B (zh) | 一种检测票据中正多边形印章的方法和装置 | |
| CN106709952B (zh) | 一种显示屏幕的自动标定方法 | |
| CN105930798A (zh) | 基于学习的面向手机应用的舌像快速检测分割方法 | |
| CN106934829A (zh) | 一种表面裂缝的检测方法及系统 | |
| CN111260645B (zh) | 基于分块分类深度学习的篡改图像检测方法及系统 | |
| CN107665327A (zh) | 一种车道线检测方法及装置 | |
| CN104268536B (zh) | 一种图像人脸检测方法 | |
| US8396297B2 (en) | Supervised edge detection using fractal signatures | |
| CN110334760A (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
| CN104573743B (zh) | 一种人脸图像检测过滤方法 | |
| CN110232660B (zh) | 一种新型红外图像识别预处理灰度拉伸方法 | |
| CN103927523A (zh) | 一种基于纵向灰度特征的雾天等级检测方法 | |
| CN103136536A (zh) | 对象检测系统和方法、图像的特征提取方法 | |
| CN103942792A (zh) | 医药检测机器人中基于序列图像时域特征的杂质检测方法 | |
| CN116664817A (zh) | 基于图像差分的电力装置状态变化检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170614 Address after: Room 1801, building A, 88 Yunlong mountain road, Jianye District, Jiangsu, Nanjing, 210000 Applicant after: NANJING FIBERHOME SOFTWARE TECHNOLOGY CO., LTD. Address before: 210019, A building 26F, beacon technology building, 88 Yunlong Road, Jianye District, Jiangsu, Nanjing Applicant before: Fenghuo Communication Science &. Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191106 Address after: 211161, No. 739, Ann Sheng Road, Binjiang Economic Development Zone, Jiangning District, Jiangsu, Nanjing Patentee after: Nanjing beacon World Communication Technology Co., Ltd. Address before: Room 1801, building A, 88 Yunlong mountain road, Jianye District, Jiangsu, Nanjing, 210000 Patentee before: NANJING FIBERHOME SOFTWARE TECHNOLOGY CO., LTD. |
|
| TR01 | Transfer of patent right |