CN105912990A - 人脸检测的方法及装置 - Google Patents
人脸检测的方法及装置 Download PDFInfo
- Publication number
- CN105912990A CN105912990A CN201610206093.2A CN201610206093A CN105912990A CN 105912990 A CN105912990 A CN 105912990A CN 201610206093 A CN201610206093 A CN 201610206093A CN 105912990 A CN105912990 A CN 105912990A
- Authority
- CN
- China
- Prior art keywords
- face
- convolutional neural
- image
- neural networks
- cascade
- 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.)
- Granted
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
-
- 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
- G06V40/172—Classification, e.g. identification
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)
- Image Processing (AREA)
Abstract
本发明适用于人脸识别技术领域,提供了人脸检测的方法及装置,包括:构建并训练级联的多层卷积神经网络;将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络;若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像;若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。在本发明中,由于使用了多种类型的监督信息,因此能够学习并使用到鲁棒性更强的特征,相比于传统的检测器,人脸检测的效果更好,且能够利用级联的多层卷积神经网络来同时保证人脸检测的效果和速度。
Description
技术领域
本发明属于人脸识别技术领域,尤其涉及人脸检测的方法及装置。
背景技术
在人脸识别应用领域,人脸检测和人脸关键点定位作为后续工作的基础,需要具有很强的鲁棒性,才能保证后续工作正常、高效地执行。在实际应用场景中,人脸数据存在着各种影响因素,例如光照、遮挡、姿态变化等,这些不可控制的因素会对人脸识别的效果造成很大影响。
目前,人脸检测技术主要采用基于手工设计的特征实现,例如Haar特征,HOG特征等,这类方法在复杂环境以及人脸姿态、表情变化大的时候鲁棒性较差,对上述影响因素的抗干扰能力差,导致有些时候只能通过牺牲计算速度来保证检测效果。
发明内容
有鉴于此,本发明实施例提供了人脸检测的方法及装置,以解决现有技术对人脸数据中的影响因素抗干扰能力差,鲁棒性不高的问题。
第一方面,提供了一种人脸检测的方法,包括:
构建并训练级联的多层卷积神经网络;
将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络;
若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像;
若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。
第二方面,提供了一种人脸检测的装置,包括:
构建单元,用于构建并训练级联的多层卷积神经网络;
检测单元,用于将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络;
第一判定单元,用于若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像;
第二判定单元,用于若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。
在本发明实施例中,由于整个网络框架基于的都是卷积神经网络,因此能够学习并使用到鲁棒性更强的特征,相比于传统的检测器,人脸检测的效果更好,且能够利用级联的多层卷积神经网络来同时保证人脸检测的效果和速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的人脸检测的方法的实现流程图;
图2是本发明实施例提供的多级联的卷积神经网络结构示意图;
图3是本发明实施例提供的人脸检测的方法S101的具体实现流程图;
图4是本发明实施例提供的人脸检测的方法S102的具体实现流程图;
图5至图7是本发明实施例提供的方案与现有技术其他方案的对比效果图;
图8是本发明实施例提供的人脸检测的装置的结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例基于级联的多层卷积神经网络实现,待测图像依次通过各级多层卷积神经网络,每级多层卷积神经网络均进行非人脸图像的淘汰,被淘汰的图像无需进入下一级多层卷积神经网络,最终,将通过各级多层卷积神经网络的图像判断为人脸图像。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的人脸检测的方法的实现流程,详述如下:
在S101中,构建并训练级联的多层卷积神经网络。
在S102中,将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络。
在S103中,若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像。
在S104中,若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。
在本发明实施例中,由于整个网络框架基于的都是卷积神经网络,因此能够学习并使用到鲁棒性更强的特征,相比于传统的检测器,检测效果更好,且能够利用级联的多层卷积神经网络来同时保证人脸检测的效果和速度。在该级联的多层卷积神经网络中,多个卷积神经网络级联在一起,且每个卷积神经网络均包含多个层,不同层的作用有差异。在此,以图2所示的三级网络为例,对级联的多层卷积神经网络的网络结构进行阐述,可以理解的是,在实际应用的网络结构中,网络级联的级数不局限于三级。
在图2所示的网络结构中,左上、右上的虚线框内分别为第一级网络、第二级网络,下方虚线框为第三级网络。由于人脸检测属于一个二分类问题,即,判断输入图像为人脸图像或者非人脸图像,因此,在本发明实施例中,输入图像依次经过三级网络,在经过每级网络之后,淘汰掉该级网络所判定的非人脸图像,被淘汰的图像无需进入下一级网络,最终,通过三级网络的图像即被判断为人脸图像。在网络参数的设置上,通过发明人的实验发现,使用较少数量的卷积核并采用较深的网络结构,会达到比较好的人脸检测效果。具体地:
第一级网络的输入为12x12x3,第二级网络的输入为24x24x3,第三级网络的输入为48x48x3,,其中,3代表输入图像的色彩通道数目为3,即该图像为RGB图像。除了第一级网络的最后一层外,其余卷积层均使用参数化的ReLU函数(Parametric Rectified Linear Units,PReLU)作为激活函数,除了第二级网络与第三级网络的最后一个全连接层外,其余全连接层也均使用PReLU作为激活函数。第一级网络和第二级网络使用人脸与非人脸的二分类信息、人脸候选框的位移信息、人脸关键点的位置信息作为监督信息,第三级网络在前两级网络所采用的监督信息的基础上加入人脸属性(人脸属性包括但不限于人脸表情和人脸性别中的至少一项)作为监督信息。测试阶段,第一级网络和第二级网络只输出人脸与非人脸的判断结果以及人脸候选框的位移,第三级网络除了上述两个输出外,还输出人脸属性和人脸关键点位置。
如图2所示,第一级网络的网络结构从左至右依次为:第一层,卷积层,卷积核(conv)大小为3x3,卷积核个数为10;第二层,最大池化层,池化区间(MP)为3x3;第三层,卷积层,卷积核大小为3x3,卷积核个数为16;第四层,卷积层,卷积核大小为3x3,卷积核个数为32;第五层分三个子层,分别与第四层串联,这三个子层均为卷积层,卷积核为1x1,使用的监督信息分别为:人脸与非人脸的二分类信息、人脸候选框的位移信息、人脸关键点的位置信息。
第二级网络的网络结构从左至右依次为:第一层,卷积层,卷积核大小为3x3,卷积核个数为28;第二层,最大池化层,池化区间为3x3;第三层,卷积层,卷积核大小为3x3,卷积核个数为48;第四层,最大池化层,池化区间为3x3;第五层,卷积层,卷积核大小为2x2,卷积核个数为64;第六层,全连接层,神经元个数为128;第七层分三个子层,分别与第六层串联,这三个子层均为全连接层,使用的监督信息分别为:人脸与非人脸的二分类信息、人脸候选框的位移信息、人脸关键点的位置信息。
第三级网络的网络结构从左至右依次为:第一层,卷积层,卷积核大小为3x3,卷积核个数为32;第二层,最大池化层,池化区间为3x3;第三层,卷积层,卷积核大小为3x3,卷积核个数为64;第四层,最大池化层,池化区间为3x3;第五层,卷积层,卷积核大小为3x3,卷积核个数为64;第六层,最大池化层,池化区间为2x2;第七层,卷积层,卷积核大小为2x2,卷积核个数为128;第八层,全连接层,神经元个数为256;第九层分3+n个子层,n的数量根据人脸属性的数量确定),这多个子层分别与第八层串联,均为全连接层,使用的监督信息分别为:人脸与非人脸的二分类信息、人脸候选框的位移信息、人脸关键点的位置信息、人脸属性信息1、……人脸属性信息n。
对于该卷积神经网络结构的训练可以使用随机梯度下降的优化方法,动量为0.9,权重衰减为0.0005,其中,分类任务使用softmax损失函数,人脸候选框的位移任务和关键点的定位任务使用欧式距离损失函数。
在本发明实施例中,使用人脸数据和非人脸数据对级联的多层卷积神经网络进行训练,训练样本的人脸数据部分包含姿态,光照,遮挡、人等较多的影响因素,而训练样本的非人脸数据部分来自不包含人脸的背景区域。由于目前公开的人脸关键点数据集里人脸变化较小,数据量也不大,因此,在本发明实施例中,使用了多个训练数据集融合的方法。训练图片使用公开的人脸数据集WIDER FACE及CelebA上的图片,训练样本分为人脸A,人脸B,人脸C,人脸D,背景,不参与指定任务的数据不在该任务计算损失函数,各类数据来源及数据所参与的任务如表1所示:
表1
训练数据的准备过程为:1)在WIDER FACE数据集上随机抽取大小不定的区域构成人脸A,B,C以及背景。在CelebA数据集上抽取人脸区域并使用旋转,平移,缩放来进行数据增强,作为人脸D,以上数据作为第一级网络的训练数据;2)在WIDER FACE数据集上使用第一级网络收集误检的图像,并将其分为人脸C与背景,同样地,在CelebA上收集检测到的人脸作为人脸D,使用新收集的人脸C,D,背景以及原有的人脸A,B作为第二级网络的训练数据;3)与第二级网络类似,使用第一级与第二级级联网络收集新的人脸C,D与背景,加上原有的人脸A,B作为第三级网络的训练数据。
作为本发明的一个实施例,在对级联的多层卷积神经网络的训练过程中,利用多种类型的监督信息(包括人脸关键点的位置、人脸的属性等)对所述级联的多层卷积神经网络进行训练,这些监督信息一方面有助于增强人脸检测任务的学习,另一方面也使得所训练的网络具备关键点检测和属性检测的能力。与此同时,在训练过程中还使用反向传播算法学习卷积神经网络的参数,并在反向传播过程中,选择困难样本训练参数,针对人脸与非人脸的二分类任务使用Softmax损失函数,在每一次正向传播过程中,计算样本的损失函数值之后,把计算出的损失函数的值进行排序,将其中较小的损失函数值设置为0,以使这部分样本不参与反向传播,也就是损失函数值较小的样本不参与反向传播。采取上述做法的原因有两个:第一,损失函数值较小的样本比较容易区分,不利于提高网络鲁棒性和对复杂情况的处理能力;第二,因为检测任务过程中要设置检测框得分通过的阈值,这个阈值往往设置得比较低,例如,0.9与0.95的得分一样都能通过检测,同理,损失函数值较小的样本也都能通过检测,因此,通过上述做法能够得到更好的训练效果。
具体地,如图3所示:
在S301中,在正向传播过程中,分别计算本次迭代的样本的损失函数值。
在S302中,将计算出的损失函数值由小到大进行排序。
在S303中,计算该次迭代中单样本的标注值N为该次迭代的样本总数,t为预设阈值,n为所述单样本在所述排序中的序号。
在S304中,令所述标注值f为1的样本参与反向传播。
此外,在本发明实施例中,采用了多任务学习机制,在第一级网络、第二级网络以及第三级网络中加入了人脸关键点定位的任务,并以人脸关键点定位为辅助任务来提升人脸检测的效果,在第三级网络加入了人脸属性识别的功能。因此,如图2所示,每个网络至少存在三个任务,分别为人脸检测任务(即人脸与非人脸的二分类任务)、人脸候选框的位移任务及人脸关键点的定位任务,但是,在实际的网络使用过程中,在第一级网络和第二级网络并不输出人脸关键点,只在第三级网络输出人脸关键点的位置。
在本发明实施例中,若网络级数超过三级,则在其中的每一级均加入人脸关键点定位任务,在最后一级加入人脸属性识别任务。
作为本发明的一个实施例,还可以实现多尺度的人脸检测。为了从输入图像中检测出人脸的位置,可以利用滑动窗口的方法,将级联的多层卷积神经网络分别应用于各滑动窗口。为提高检测效率,可以将第一级网络转变为全卷积神经网络,这样只需要通过该全卷积神经网络对输入图像进行一次操作,而不需要对各滑动窗口分别处理。由于图像中包含的人脸尺度大小不同,所以在本发明实施例中,将第一级网络的输入由原图缩放到不同尺度构成的图像金字塔,具体做法如图4所示:
在S401中,定义最小能检测到的人脸大小为m,缩放因子为c,构成多个缩放尺度[a1,…,an],其中,an=12/m·cn-1,且min(w,h)·an>12,min(w,h)·an+1<12,w和h分别为所述图像的宽和高。
在S402中,将所述图像分别缩放到各所述缩放尺度。
在S403中,当前级别的网络在经过候选检测框位移以及非极大值抑止后,将所有所述候选检测框内的图像缩放并输入到其下一级网络,直至最后一级网络输出最终的所述候选检测框。
例如,在经过S402的操作之后,第一级网络就得到了多尺度下的候选检测框。在经过候选检测框位移以及非极大值抑止后,将所有候选检测框内的图像缩放到24x24并输入到第二级网络,输出筛选过后的候选检测框。同理,在第二级网络候选检测框经过位移校准和非极大值抑止后,将所有候选检测框内的图像缩放到48x48并输入到第三级网络,经过第三级网络筛选,并经过位移校准和非极大值抑止后产生最终检测框,这样就实现了多尺度下的人脸检测。其中,所述非极大值抑止,即对重叠率高的候选检测框进行合并。
为了验证本发明实施例提供的方案的可行性与准确性,在国际公开的数据集FDDB和WIDER FACE上进行了人脸检测实验测试,在AFLW的一个测试子集中进行了人脸关键点定位实验测试,并与其它方法进行了比较。
关于FDDB,其是国际公开的应用比较广泛的人脸检测测试集,包含2845张图片,共5171个标定的人脸;关于WIDER FACE,其是国际公开的最大的人脸检测训练集与测试集,包含32203张图片和393703个标定的人脸,其中40%用作训练集,10%用作校验集,50%用作测试集;关于AFLW,其是国际公开的较大的人脸检测和关键点定位的数据集,在此,使用其中一个被广泛用来测试的子集,该子集包含2995张图片,每张图片包含一个标定的人脸以及5个人脸的关键点位置(左眼,右眼,鼻子,左嘴角,右嘴角)。在测试过程中,测试指标meanerror是计算预测点与真实点的欧氏距离,然后除以双眼真实点的欧氏距离。
在上述测试集的实验结果表明,不论是在人脸检测还是在人脸关键点定位中,本发明实施例提供的方案均优于现有技术中的其它方法,实验具体结果以及与其它方法的比较如图5,图6,图7,其中,图5为本发明与现有技术在FDDB人脸检测测试集上的ROC曲线对比;图6为本发明与现有技术在WIDER FACE人脸检测测试集上的对比,图(a)、图(b)、图(c)分别代表由易到难的测试子集;图7为本发明与现有技术在AFLW人脸关键点定位测试集上的对比,其中的平均误差通过双眼距离进行归一化。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的人脸检测的方法,图8示出了本发明实施例提供的人脸检测的装置的结构框图,所述人脸检测的装置可以是软件单元、硬件单元或者是软硬结合的单元。为了便于说明,仅示出了与本实施例相关的部分。
参照图8,该装置包括:
构建单元81,构建并训练级联的多层卷积神经网络。
检测单元82,将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络。
第一判定单元83,若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像。
第二判定单元84,若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。
可选地,所述构建单元81具体用于:
利用多种类型的监督信息对所述级联的多层卷积神经网络进行训练;
使用反向传播算法学习卷积神经网络的参数,并在反向传播过程中,选择困难样本训练参数,包括:
第一计算子单元,在正向传播过程中,分别计算本次迭代的样本的损失函数值;
排序子单元,将计算出的损失函数值由小到大进行排序;
第二计算子单元,计算该次迭代中单样本的标注值N为该次迭代的样本总数,t为预设阈值,n为所述单样本在所述排序中的序号;
反向传播单元,用于令所述标注值f为1的样本参与反向传播。
可选地,在所述级联的多层卷积神经网络的每一级加入人脸关键点定位任务;
在所述级联的多层卷积神经网络的最后一级加入人脸属性识别任务,所述人脸属性包括以下至少一项:人脸的性别和人脸的表情。
可选地,所述级联的多层卷积神经网络的第一级为全卷积神经网络。
可选地,所述检测单元82包括:
构成单元,定义最小能检测到的人脸大小为m,缩放因子为c,构成多个缩放尺度[a1,…,an],其中,an=12/m·cn-1,且min(w,h)·an>12,min(w,h)·an+1<12,w和h分别为所述图像的宽和高;
第一缩放单元,将所述图像分别缩放到各所述缩放尺度;
第二缩放单元,当前级别的网络在经过候选检测框位移以及非极大值抑止后,将所有所述候选检测框内的图像缩放并输入到其下一级网络,直至最后一级网络输出最终的所述候选检测框。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸检测的方法,其特征在于,包括:
构建并训练级联的多层卷积神经网络;
将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络;
若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像;
若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。
2.如权利要求1所述的方法,其特征在于,所述训练级联的多层卷积神经网络包括:
利用多种类型的监督信息对所述级联的多层卷积神经网络进行训练;
使用反向传播算法学习卷积神经网络的参数,并在反向传播过程中,选择困难样本训练参数,包括:
在正向传播过程中,分别计算本次迭代的样本的损失函数值;
将计算出的损失函数值由小到大进行排序;
计算该次迭代中单样本的标注值N为该次迭代的样本总数,t为预设阈值,n为所述单样本在所述排序中的序号;
令所述标注值f为1的样本参与反向传播。
3.如权利要求1所述的方法,其特征在于,在所述级联的多层卷积神经网络的每一级加入人脸关键点定位任务;
在所述级联的多层卷积神经网络的最后一级加入人脸属性识别任务,所述人脸属性可包括以下至少一项:人脸的性别和人脸的表情。
4.如权利要求1所述的方法,其特征在于,所述级联的多层卷积神经网络的第一级为全卷积神经网络。
5.如权利要求1所述的方法,其特征在于,所述将图像输入所述卷积神经网络包括:
定义最小能检测到的人脸大小为m,缩放因子为c,构成多个缩放尺度[a1,…,n],其中,an=12/m·cn-1,且min(w,h)·an>12,min(w,h)·an+1<12,w和h分别为所述图像的宽和高;
将所述图像分别缩放到各所述缩放尺度;
当前级别的网络在经过候选检测框位移以及非极大值抑止后,将所有所述候选检测框内的图像缩放并输入到其下一级网络,直至最后一级网络输出最终的所述候选检测框。
6.一种人脸检测的装置,其特征在于,包括:
构建单元,用于构建并训练级联的多层卷积神经网络;
检测单元,用于将图像输入所述级联的多层卷积神经网络,并依次经过其中每一级的多层卷积神经网络;
第一判定单元,用于若所述级联的多层卷积神经网络的其中一级淘汰掉所述图像,则判定所述图像为非人脸图像;
第二判定单元,用于若所述图像从所述级联的多层卷积神经网络的最后一级输出,则判定所述图像为人脸图像。
7.如权利要求6所述的装置,其特征在于,所述构建单元具体用于:
利用多种类型的监督信息对所述级联的多层卷积神经网络进行训练;
使用反向传播算法学习卷积神经网络的参数,并在反向传播过程中,选择困难样本训练参数,包括:
第一计算子单元,用于在正向传播过程中,分别计算本次迭代的样本的损失函数值;
排序子单元,用于将计算出的损失函数值由小到大进行排序;
第二计算子单元,用于计算该次迭代中单样本的标注值N为该次迭代的样本总数,t为预设阈值,n为所述单样本在所述排序中的序号;
反向传播单元,用于令所述标注值f为1的样本参与反向传播。
8.如权利要求6所述的装置,其特征在于,在所述级联的多层卷积神经网络的每一级加入人脸关键点定位任务;
在所述级联的多层卷积神经网络的最后一级加入人脸属性识别任务,所述人脸属性包括以下至少一项:人脸的性别和人脸的表情。
9.如权利要求1所述的装置,其特征在于,所述级联的多层卷积神经网络的第一级为全卷积神经网络。
10.如权利要求1所述的装置,其特征在于,所述检测单元包括:
构成单元,用于定义最小能检测到的人脸大小为m,缩放因子为c,构成多个缩放尺度[a1,…,n],其中,an=12/m·cn-1,且min(w,h)·an>12,min(w,h)·an+1<12,w和h分别为所述图像的宽和高;
第一缩放单元,用于将所述图像分别缩放到各所述缩放尺度;
第二缩放单元,用于当前级别的网络在经过候选检测框位移以及非极大值抑止后,将所有所述候选检测框内的图像缩放并输入到其下一级网络,直至最后一级网络输出最终的所述候选检测框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610206093.2A CN105912990B (zh) | 2016-04-05 | 2016-04-05 | 人脸检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610206093.2A CN105912990B (zh) | 2016-04-05 | 2016-04-05 | 人脸检测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105912990A true CN105912990A (zh) | 2016-08-31 |
CN105912990B CN105912990B (zh) | 2019-10-08 |
Family
ID=56745565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610206093.2A Active CN105912990B (zh) | 2016-04-05 | 2016-04-05 | 人脸检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105912990B (zh) |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503669A (zh) * | 2016-11-02 | 2017-03-15 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN106709431A (zh) * | 2016-12-02 | 2017-05-24 | 厦门中控生物识别信息技术有限公司 | 虹膜识别方法及装置 |
CN106874890A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的识别输电线路中绝缘子缺失的方法 |
CN106886801A (zh) * | 2017-04-14 | 2017-06-23 | 北京图森未来科技有限公司 | 一种图像语义分割方法及装置 |
CN106886763A (zh) * | 2017-01-20 | 2017-06-23 | 东北电力大学 | 实时检测人脸的系统及其方法 |
CN107122796A (zh) * | 2017-04-01 | 2017-09-01 | 中国科学院空间应用工程与技术中心 | 一种基于多分支网络融合模型的光学遥感图像分类方法 |
CN107145833A (zh) * | 2017-04-11 | 2017-09-08 | 腾讯科技(上海)有限公司 | 人脸区域的确定方法和装置 |
CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
CN107220633A (zh) * | 2017-06-15 | 2017-09-29 | 苏州科达科技股份有限公司 | 一种智能移动执法系统及方法 |
CN107278369A (zh) * | 2016-12-26 | 2017-10-20 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
CN107403141A (zh) * | 2017-07-05 | 2017-11-28 | 中国科学院自动化研究所 | 人脸检测方法及装置、计算机可读存储介质、设备 |
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN107563350A (zh) * | 2017-09-21 | 2018-01-09 | 深圳市唯特视科技有限公司 | 一种基于尺度建议网络的人脸检测方法 |
CN107818314A (zh) * | 2017-11-22 | 2018-03-20 | 北京达佳互联信息技术有限公司 | 脸部图像处理方法、装置及服务器 |
CN107844785A (zh) * | 2017-12-08 | 2018-03-27 | 浙江捷尚视觉科技股份有限公司 | 一种基于尺度估计的人脸检测方法 |
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN107871098A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸特征点的获取方法和装置 |
CN107909053A (zh) * | 2017-11-30 | 2018-04-13 | 济南浪潮高新科技投资发展有限公司 | 一种基于等级学习级联卷积神经网络的人脸检测方法 |
CN108108723A (zh) * | 2018-01-19 | 2018-06-01 | 深圳市恩钛控股有限公司 | 一种基于深度学习的人脸特征提取方法 |
CN108154093A (zh) * | 2017-12-13 | 2018-06-12 | 北京小米移动软件有限公司 | 人脸信息识别方法及装置、电子设备、机器可读存储介质 |
CN108268822A (zh) * | 2016-12-30 | 2018-07-10 | 深圳光启合众科技有限公司 | 人脸识别方法、装置及机器人 |
CN108416314A (zh) * | 2018-03-16 | 2018-08-17 | 中山大学 | 图片重要人脸检测方法 |
CN108446617A (zh) * | 2018-03-09 | 2018-08-24 | 华南理工大学 | 抗侧脸干扰的人脸快速检测方法 |
CN108564029A (zh) * | 2018-04-12 | 2018-09-21 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN109034385A (zh) * | 2017-06-12 | 2018-12-18 | 辉达公司 | 用稀疏数据训练神经网络的系统和方法 |
CN109344747A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 一种篡改图的识别方法、存储介质和服务器 |
CN109359608A (zh) * | 2018-10-25 | 2019-02-19 | 电子科技大学 | 一种基于深度学习模型的人脸识别方法 |
CN109359575A (zh) * | 2018-09-30 | 2019-02-19 | 腾讯科技(深圳)有限公司 | 人脸检测方法、业务处理方法、装置、终端及介质 |
CN109409414A (zh) * | 2018-09-28 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 样本图像确定方法和装置、电子设备及存储介质 |
CN109446949A (zh) * | 2018-10-15 | 2019-03-08 | 厦门美图之家科技有限公司 | 人脸点定位方法及装置 |
CN109447021A (zh) * | 2018-11-08 | 2019-03-08 | 北京灵汐科技有限公司 | 一种属性检测方法及属性检测装置 |
WO2019091271A1 (zh) * | 2017-11-13 | 2019-05-16 | 苏州科达科技股份有限公司 | 一种人脸检测方法以及人脸检测系统 |
CN109784296A (zh) * | 2019-01-27 | 2019-05-21 | 武汉星巡智能科技有限公司 | 客车乘客数量统计方法、装置及计算机可读存储介质 |
CN109791625A (zh) * | 2016-07-29 | 2019-05-21 | Ntech实验室有限责任公司 | 使用人工神经网络进行面部识别 |
CN109800648A (zh) * | 2018-12-18 | 2019-05-24 | 北京英索科技发展有限公司 | 基于人脸关键点校正的人脸检测识别方法及装置 |
CN109829371A (zh) * | 2018-12-26 | 2019-05-31 | 深圳云天励飞技术有限公司 | 一种人脸检测方法及装置 |
CN109948568A (zh) * | 2019-03-26 | 2019-06-28 | 东华大学 | 基于arm微处理器和深度学习的嵌入式人脸识别系统 |
CN109977781A (zh) * | 2019-02-26 | 2019-07-05 | 上海上湖信息技术有限公司 | 人脸检测方法及装置、可读存储介质 |
CN110069959A (zh) * | 2018-01-22 | 2019-07-30 | 中国移动通信有限公司研究院 | 一种人脸检测方法、装置及用户设备 |
CN110210457A (zh) * | 2019-06-18 | 2019-09-06 | 广州杰赛科技股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
CN110321778A (zh) * | 2019-04-26 | 2019-10-11 | 北京市商汤科技开发有限公司 | 一种人脸图像处理方法、装置和存储介质 |
WO2019223254A1 (zh) * | 2018-05-21 | 2019-11-28 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
CN110543813A (zh) * | 2019-07-22 | 2019-12-06 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于场景的人脸画像、目光计数方法及系统 |
CN110580445A (zh) * | 2019-07-12 | 2019-12-17 | 西北工业大学 | 一种基于GIoU和加权NMS改进的人脸关键点检测方法 |
CN110874587A (zh) * | 2019-12-26 | 2020-03-10 | 浙江大学 | 一种人脸特征参数提取系统 |
CN111209819A (zh) * | 2019-12-30 | 2020-05-29 | 新大陆数字技术股份有限公司 | 旋转不变的人脸检测方法、系统设备及可读存储介质 |
CN111652266A (zh) * | 2020-04-17 | 2020-09-11 | 北京三快在线科技有限公司 | 用户界面组件的识别方法、装置、电子设备和存储介质 |
CN111914598A (zh) * | 2019-05-09 | 2020-11-10 | 北京四维图新科技股份有限公司 | 连续帧人脸关键点检测方法、装置、设备及存储介质 |
CN112395993A (zh) * | 2020-11-18 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
CN112488003A (zh) * | 2020-12-03 | 2021-03-12 | 深圳市捷顺科技实业股份有限公司 | 一种人脸检测方法、模型创建方法、装置、设备及介质 |
CN112668358A (zh) * | 2019-09-30 | 2021-04-16 | 广州慧睿思通科技股份有限公司 | 一种人脸识别方法、装置、系统及存储介质 |
CN113591755A (zh) * | 2018-11-16 | 2021-11-02 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
US11244226B2 (en) | 2017-06-12 | 2022-02-08 | Nvidia Corporation | Systems and methods for training neural networks with sparse data |
US11423634B2 (en) | 2018-08-03 | 2022-08-23 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method, apparatus, and device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200842733A (en) * | 2007-04-17 | 2008-11-01 | Univ Nat Chiao Tung | Object image detection method |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104463011A (zh) * | 2014-11-20 | 2015-03-25 | 网易(杭州)网络有限公司 | 图片查看方法和设备 |
WO2015180100A1 (en) * | 2014-05-29 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Facial landmark localization using coarse-to-fine cascaded neural networks |
-
2016
- 2016-04-05 CN CN201610206093.2A patent/CN105912990B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200842733A (en) * | 2007-04-17 | 2008-11-01 | Univ Nat Chiao Tung | Object image detection method |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
WO2015180100A1 (en) * | 2014-05-29 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Facial landmark localization using coarse-to-fine cascaded neural networks |
CN104463011A (zh) * | 2014-11-20 | 2015-03-25 | 网易(杭州)网络有限公司 | 图片查看方法和设备 |
Cited By (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109791625A (zh) * | 2016-07-29 | 2019-05-21 | Ntech实验室有限责任公司 | 使用人工神经网络进行面部识别 |
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN107871098A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸特征点的获取方法和装置 |
CN106503669A (zh) * | 2016-11-02 | 2017-03-15 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN106503669B (zh) * | 2016-11-02 | 2019-12-10 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN106709431A (zh) * | 2016-12-02 | 2017-05-24 | 厦门中控生物识别信息技术有限公司 | 虹膜识别方法及装置 |
CN107278369A (zh) * | 2016-12-26 | 2017-10-20 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
CN107278369B (zh) * | 2016-12-26 | 2020-10-27 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
CN108268822A (zh) * | 2016-12-30 | 2018-07-10 | 深圳光启合众科技有限公司 | 人脸识别方法、装置及机器人 |
CN106886763B (zh) * | 2017-01-20 | 2020-02-18 | 东北电力大学 | 实时检测人脸的系统及其方法 |
CN106886763A (zh) * | 2017-01-20 | 2017-06-23 | 东北电力大学 | 实时检测人脸的系统及其方法 |
CN106874890A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的识别输电线路中绝缘子缺失的方法 |
CN107122796A (zh) * | 2017-04-01 | 2017-09-01 | 中国科学院空间应用工程与技术中心 | 一种基于多分支网络融合模型的光学遥感图像分类方法 |
CN107122796B (zh) * | 2017-04-01 | 2019-07-12 | 中国科学院空间应用工程与技术中心 | 一种基于多分支网络融合模型的光学遥感图像分类方法 |
CN107145833A (zh) * | 2017-04-11 | 2017-09-08 | 腾讯科技(上海)有限公司 | 人脸区域的确定方法和装置 |
WO2018188453A1 (zh) * | 2017-04-11 | 2018-10-18 | 腾讯科技(深圳)有限公司 | 人脸区域的确定方法、存储介质、计算机设备 |
US11875511B2 (en) | 2017-04-14 | 2024-01-16 | Beijing Tusen Zhitu Technology Co., Ltd. | Method and device for semantic segmentation of image |
CN106886801A (zh) * | 2017-04-14 | 2017-06-23 | 北京图森未来科技有限公司 | 一种图像语义分割方法及装置 |
CN106886801B (zh) * | 2017-04-14 | 2021-12-17 | 北京图森智途科技有限公司 | 一种图像语义分割方法及装置 |
CN107145908B (zh) * | 2017-05-08 | 2019-09-03 | 江南大学 | 一种基于r-fcn的小目标检测方法 |
CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
US11244226B2 (en) | 2017-06-12 | 2022-02-08 | Nvidia Corporation | Systems and methods for training neural networks with sparse data |
CN109034385A (zh) * | 2017-06-12 | 2018-12-18 | 辉达公司 | 用稀疏数据训练神经网络的系统和方法 |
CN107220633A (zh) * | 2017-06-15 | 2017-09-29 | 苏州科达科技股份有限公司 | 一种智能移动执法系统及方法 |
CN107403141A (zh) * | 2017-07-05 | 2017-11-28 | 中国科学院自动化研究所 | 人脸检测方法及装置、计算机可读存储介质、设备 |
CN107527352B (zh) * | 2017-08-09 | 2020-07-07 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN107563350A (zh) * | 2017-09-21 | 2018-01-09 | 深圳市唯特视科技有限公司 | 一种基于尺度建议网络的人脸检测方法 |
CN107510452B (zh) * | 2017-09-30 | 2019-10-08 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
WO2019091271A1 (zh) * | 2017-11-13 | 2019-05-16 | 苏州科达科技股份有限公司 | 一种人脸检测方法以及人脸检测系统 |
CN107818314A (zh) * | 2017-11-22 | 2018-03-20 | 北京达佳互联信息技术有限公司 | 脸部图像处理方法、装置及服务器 |
CN107909053A (zh) * | 2017-11-30 | 2018-04-13 | 济南浪潮高新科技投资发展有限公司 | 一种基于等级学习级联卷积神经网络的人脸检测方法 |
CN107909053B (zh) * | 2017-11-30 | 2020-06-26 | 浪潮集团有限公司 | 一种基于等级学习级联卷积神经网络的人脸检测方法 |
CN107844785B (zh) * | 2017-12-08 | 2019-09-24 | 浙江捷尚视觉科技股份有限公司 | 一种基于尺度估计的人脸检测方法 |
CN107844785A (zh) * | 2017-12-08 | 2018-03-27 | 浙江捷尚视觉科技股份有限公司 | 一种基于尺度估计的人脸检测方法 |
CN108154093A (zh) * | 2017-12-13 | 2018-06-12 | 北京小米移动软件有限公司 | 人脸信息识别方法及装置、电子设备、机器可读存储介质 |
CN108108723A (zh) * | 2018-01-19 | 2018-06-01 | 深圳市恩钛控股有限公司 | 一种基于深度学习的人脸特征提取方法 |
CN110069959A (zh) * | 2018-01-22 | 2019-07-30 | 中国移动通信有限公司研究院 | 一种人脸检测方法、装置及用户设备 |
CN108446617B (zh) * | 2018-03-09 | 2022-04-22 | 华南理工大学 | 抗侧脸干扰的人脸快速检测方法 |
CN108446617A (zh) * | 2018-03-09 | 2018-08-24 | 华南理工大学 | 抗侧脸干扰的人脸快速检测方法 |
CN108416314B (zh) * | 2018-03-16 | 2022-03-08 | 中山大学 | 图片重要人脸检测方法 |
CN108416314A (zh) * | 2018-03-16 | 2018-08-17 | 中山大学 | 图片重要人脸检测方法 |
CN108564029A (zh) * | 2018-04-12 | 2018-09-21 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN108564029B (zh) * | 2018-04-12 | 2020-12-01 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
WO2019223254A1 (zh) * | 2018-05-21 | 2019-11-28 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
US11605211B2 (en) | 2018-08-03 | 2023-03-14 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method and apparatus, and device |
US11423634B2 (en) | 2018-08-03 | 2022-08-23 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method, apparatus, and device |
CN109344747A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 一种篡改图的识别方法、存储介质和服务器 |
CN109344747B (zh) * | 2018-09-17 | 2024-01-05 | 平安科技(深圳)有限公司 | 一种篡改图的识别方法、存储介质和服务器 |
CN109409414A (zh) * | 2018-09-28 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 样本图像确定方法和装置、电子设备及存储介质 |
CN109359575B (zh) * | 2018-09-30 | 2022-05-10 | 腾讯科技(深圳)有限公司 | 人脸检测方法、业务处理方法、装置、终端及介质 |
CN109359575A (zh) * | 2018-09-30 | 2019-02-19 | 腾讯科技(深圳)有限公司 | 人脸检测方法、业务处理方法、装置、终端及介质 |
US11256905B2 (en) | 2018-09-30 | 2022-02-22 | Tencent Technology (Shenzhen) Company Limited | Face detection method and apparatus, service processing method, terminal device, and storage medium |
CN109446949A (zh) * | 2018-10-15 | 2019-03-08 | 厦门美图之家科技有限公司 | 人脸点定位方法及装置 |
CN109359608B (zh) * | 2018-10-25 | 2021-10-19 | 电子科技大学 | 一种基于深度学习模型的人脸识别方法 |
CN109359608A (zh) * | 2018-10-25 | 2019-02-19 | 电子科技大学 | 一种基于深度学习模型的人脸识别方法 |
CN109447021A (zh) * | 2018-11-08 | 2019-03-08 | 北京灵汐科技有限公司 | 一种属性检测方法及属性检测装置 |
CN113591755B (zh) * | 2018-11-16 | 2024-04-16 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN113591755A (zh) * | 2018-11-16 | 2021-11-02 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN109800648A (zh) * | 2018-12-18 | 2019-05-24 | 北京英索科技发展有限公司 | 基于人脸关键点校正的人脸检测识别方法及装置 |
CN109829371A (zh) * | 2018-12-26 | 2019-05-31 | 深圳云天励飞技术有限公司 | 一种人脸检测方法及装置 |
CN109784296A (zh) * | 2019-01-27 | 2019-05-21 | 武汉星巡智能科技有限公司 | 客车乘客数量统计方法、装置及计算机可读存储介质 |
CN109977781A (zh) * | 2019-02-26 | 2019-07-05 | 上海上湖信息技术有限公司 | 人脸检测方法及装置、可读存储介质 |
CN109948568A (zh) * | 2019-03-26 | 2019-06-28 | 东华大学 | 基于arm微处理器和深度学习的嵌入式人脸识别系统 |
CN110321778B (zh) * | 2019-04-26 | 2022-04-05 | 北京市商汤科技开发有限公司 | 一种人脸图像处理方法、装置和存储介质 |
CN110321778A (zh) * | 2019-04-26 | 2019-10-11 | 北京市商汤科技开发有限公司 | 一种人脸图像处理方法、装置和存储介质 |
CN111914598A (zh) * | 2019-05-09 | 2020-11-10 | 北京四维图新科技股份有限公司 | 连续帧人脸关键点检测方法、装置、设备及存储介质 |
CN110210457A (zh) * | 2019-06-18 | 2019-09-06 | 广州杰赛科技股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
CN110580445A (zh) * | 2019-07-12 | 2019-12-17 | 西北工业大学 | 一种基于GIoU和加权NMS改进的人脸关键点检测方法 |
CN110580445B (zh) * | 2019-07-12 | 2023-02-07 | 西北工业大学 | 一种基于GIoU和加权NMS改进的人脸关键点检测方法 |
CN110543813B (zh) * | 2019-07-22 | 2022-03-15 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于场景的人脸画像、目光计数方法及系统 |
CN110543813A (zh) * | 2019-07-22 | 2019-12-06 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于场景的人脸画像、目光计数方法及系统 |
CN112668358A (zh) * | 2019-09-30 | 2021-04-16 | 广州慧睿思通科技股份有限公司 | 一种人脸识别方法、装置、系统及存储介质 |
CN110874587A (zh) * | 2019-12-26 | 2020-03-10 | 浙江大学 | 一种人脸特征参数提取系统 |
CN111209819A (zh) * | 2019-12-30 | 2020-05-29 | 新大陆数字技术股份有限公司 | 旋转不变的人脸检测方法、系统设备及可读存储介质 |
CN111652266A (zh) * | 2020-04-17 | 2020-09-11 | 北京三快在线科技有限公司 | 用户界面组件的识别方法、装置、电子设备和存储介质 |
CN112395993A (zh) * | 2020-11-18 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
CN112488003A (zh) * | 2020-12-03 | 2021-03-12 | 深圳市捷顺科技实业股份有限公司 | 一种人脸检测方法、模型创建方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105912990B (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105912990A (zh) | 人脸检测的方法及装置 | |
Kannojia et al. | Effects of varying resolution on performance of CNN based image classification: An experimental study | |
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
US20170177972A1 (en) | Method for analysing media content | |
CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
JP2018200685A (ja) | 完全教師あり学習用のデータセットの形成 | |
CN111723786A (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
CN107168992A (zh) | 基于人工智能的文章分类方法及装置、设备与可读介质 | |
CN109034206A (zh) | 图像分类识别方法、装置、电子设备及计算机可读介质 | |
CN105917354A (zh) | 用于图像处理的空间金字塔池化网络 | |
KR20160083127A (ko) | 얼굴 이미지 인식 방법 및 시스템 | |
CN110008956A (zh) | 发票关键信息定位方法、装置、计算机设备及存储介质 | |
CN109345553A (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN110222780A (zh) | 物体检测方法、装置、设备和存储介质 | |
CN107784276A (zh) | 微震事件识别方法和装置 | |
CN111008631B (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
CN110349167A (zh) | 一种图像实例分割方法及装置 | |
CN113239914B (zh) | 课堂学生表情识别及课堂状态评估方法、装置 | |
CN114341880A (zh) | 用于使神经网络的操作可视化的技术 | |
CN109409504A (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
CN105308618A (zh) | 借助于并行检测和跟踪和/或分组特征运动移位跟踪的人脸识别 | |
CN110069959A (zh) | 一种人脸检测方法、装置及用户设备 | |
CN115661505A (zh) | 一种语义感知的图像阴影检测方法 | |
CN112667071A (zh) | 基于随机变分信息的手势识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |