CN107103271A - 一种人脸检测方法 - Google Patents

一种人脸检测方法 Download PDF

Info

Publication number
CN107103271A
CN107103271A CN201610099902.4A CN201610099902A CN107103271A CN 107103271 A CN107103271 A CN 107103271A CN 201610099902 A CN201610099902 A CN 201610099902A CN 107103271 A CN107103271 A CN 107103271A
Authority
CN
China
Prior art keywords
face
information
forecast model
image
training sample
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.)
Pending
Application number
CN201610099902.4A
Other languages
English (en)
Inventor
陈明修
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yutou Technology Hangzhou Co Ltd
Original Assignee
Yutou Technology Hangzhou Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yutou Technology Hangzhou Co Ltd filed Critical Yutou Technology Hangzhou Co Ltd
Priority to CN201610099902.4A priority Critical patent/CN107103271A/zh
Priority to PCT/CN2017/074061 priority patent/WO2017143952A1/zh
Priority to US15/999,651 priority patent/US11062126B1/en
Priority to TW106105874A priority patent/TWI621999B/zh
Publication of CN107103271A publication Critical patent/CN107103271A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种人脸检测方法，属于图像检测技术领域；方法包括：于预先输入的复数个人脸训练样本中分别确定多个人脸特征信息，并根据每个人脸训练样本中的所有人脸特征信息训练形成特征预测模型，还包括：步骤S1，采用图像采集装置获取图像；步骤S2，采用预先训练形成的人脸检测器判断图像中是否包括人脸：若否，则返回步骤S1；步骤S3，采用特征预测模型，在图像中的人脸上预测得到多个人脸特征信息；步骤S4，根据预测得到的多个人脸特征信息构成关联于人脸的面部结构，随后退出。上述技术方案的有益效果是：能够检测出人脸上包括五官以及外轮廓等部位的信息，提升人脸检测的准确度。

Description

一种人脸检测方法
技术领域
本发明涉及图像检测技术领域，尤其涉及一种人脸检测方法。
背景技术
随着智能设备的技术发展，在智能设备上发展出各种各样的信息交互方式，以将使用者从传统的键鼠信息输入的方式中解放出来。这些新型的信息交互方式例如语音交互方式、手势交互方式、人脸识别交互方式以及指纹识别交互方式等均开始应用在智能设备例如智能机器人中。
现有技术中的人脸识别交互方式中，最重要的一个环节就是保证人脸识别的准确度。换言之，为了保证人脸识别交互方式的有效性，必须要首先保证人脸识别的准确度。
例如将人脸识别交互方式利用在智能设备的自动唤醒功能上，即若人脸识别为特定的使用者，则自动唤醒智能设备，反之智能设备无法被唤醒。在这种交互功能的情形下，若人脸识别的准确度不够，则可能会产生：1)无法识别特定的使用者而无法达到自动唤醒的功能，反而提升使用者的操作复杂度；2)可能会出现误识别而将原本不是特定使用者的人脸识别为关联于特定使用者的人脸而启动自动唤醒的功能，从而提高智能设备内隐私资料被泄漏的潜在可能。
现有技术中的人脸识别技术，通常只能对正对摄像头的人脸进行识别，若使用者与摄像头之间具有一定的角度，则识别精度会大大下降。
发明内容
根据现有技术中存在的上述问题，现提供一种人脸检测方法的技术方案，旨在检测出人脸上包括五官以及外轮廓等部位的信息，提升人脸检测的准确度。
上述技术方案具体包括：
一种人脸检测方法，其中，包括，于预先输入的复数个人脸训练样本中分别确定多个人脸特征信息，并根据每个所述人脸训练样本中的所有所述人脸特征信息训练形成特征预测模型，还包括：
步骤S1，采用图像采集装置获取图像；
步骤S2，采用预先训练形成的人脸检测器判断所述图像中是否包括人脸：
若否，则返回所述步骤S1；
步骤S3，采用所述特征预测模型，在所述图像中的所述人脸上预测得到多个所述人脸特征信息；
步骤S4，根据预测得到的多个所述人脸特征信息构成关联于所述人脸的面部结构，随后退出。
优选的，该人脸检测方法，其中，训练形成所述特征预测模型的步骤具体包括：
步骤A1，获取多个包括不同角度的人脸的图像，以作为所述人脸训练样本；
步骤A2，在一个预设的所述人脸训练样本上标注多个所述人脸特征信息作为输入信息，以及将关联于预设的所述人脸训练样本的角度信息作为输出信息，对所述特征预测模型进行训练；
步骤A3，判断是否存在尚未作为训练依据的所述人脸训练样本：
若是，则形成并输出最终的所述特征预测模型，随后退出；
若否，则返回所述步骤A2，以根据下一个所述人脸训练样本对所述特征预测模型进行训练。
优选的，该人脸检测方法，其中，所述步骤A2中，采用逻辑回归算法，以多个所述人脸特征信息作为所述输入信息，以所述角度信息作为所述输出信息，对所述特征预测模型进行训练。
优选的，该人脸检测方法，其中，所述步骤A2中，采用神经网络回归算法，以多个所述人脸特征信息作为所述输入信息，以所述角度信息作为所述输出信息，对所述特征预测模型进行训练。
优选的，该人脸检测方法，其中，所述步骤A2中，得到关联于所述人脸训练样本的所述角度信息的方法包括：
预先根据获取的所述人脸图像与所述图像采集装置的不同角度得到相应的所述角度信息。
优选的，该人脸检测方法，其中，所述步骤A2中，得到关联于所述人脸训练样本的所述角度信息的方法包括：
根据所述人脸训练样本上得到关联于所述人脸的五官轮廓上的任意两点，并根据所述任意两点之间的连线与图像坐标系中的X坐标轴之间的角度确定关联于所述人连续连样本的所述角度信息；或者
根据所述人脸训练样本上得到关联于所述人脸的五官轮廓上的任意两点，并根据所述任意两点之间的连线与图像坐标系中的Y坐标轴之间的角度确定关联于所述人连续连样本的所述角度信息。
优选的，该人脸检测方法，其中，每个所述人脸特征信息用于表示所述人脸上的一个特征点。
优选的，该人脸检测方法，其中，所述特征点包括：
用于表示所述人脸上的眉毛部分的所述特征点；和/或
用于表示所述人脸上的眼睛部分的所述特征点；和/或
用于表示所述人脸上的鼻子部分的所述特征点；和/或
用于表示所述人脸上的嘴巴部分的所述特征点；和/或
用于表示所述人脸的整体外轮廓的所述特征点。
优选的，该人脸检测方法，其中，所述步骤S2中，若所述图像中包括人脸，则获取所述人脸在所述图像中的位置信息和大小信息后，转向所述步骤S3；
则所述步骤S3中，根据所述人脸的所述位置信息和所述大小信息，采用所述特征预测模型，在所述图像中的所述人脸上预测得到多个所述人脸特征信息。
上述技术方案的有益效果是：提供一种人脸检测方法，能够检测出人脸上包括五官以及外轮廓等部位的信息，提升人脸检测的准确度。
附图说明
图1是本发明的较佳的实施例中，一种人脸检测方法的总体流程示意图；
图2是本发明的较佳的实施例中，预先训练形成特征预测模型的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种人脸检测方法，该方法应用于智能设备中，进一步地可以应用在能够与使用者之间进行信息交互的智能设备中，例如应用在智能机器人中。具体地，在智能机器人中应用人脸检测方法，可以通过检测使用者的人脸来执行相应的操作，例如检测出特定的使用者的人脸，则唤醒智能机器人并准备接收使用者的下一步指令等。
则本发明的较佳的实施例中，上述人脸检测方法的步骤具体如图1所示，包括：
步骤S1，采用图像采集装置获取图像；
步骤S2，采用预先训练形成的人脸检测器判断图像中是否包括人脸：
若否，则返回步骤S1；
步骤S3，采用特征预测模型，在图像中的人脸上预测得到多个人脸特征信息；
步骤S4，根据预测得到的多个人脸特征信息构成关联于人脸的面部结构，随后退出。
在一个具体的实施例中，首先采用图像采集装置获取该图像采集装置正前方的图像。该图像采集装置可以为摄像头，例如设置在智能机器人头部的摄像头。
在该实施例中，利用上述图像采集装置采集得到图像后，依照一预先训练形成的人脸检测器检测其中是否包括有人脸：若是，则转向后续步骤S3；若否，则返回上述步骤S1。具体地，人脸检测器是一种可以预先训练形成并用来对人脸进行判断的检测模型，该检测模型的训练过程在现有技术中有较多实现方式，在此不再赘述。
在该实施例中，检测到图像中包括人脸后，再采用预先训练形成的特征预测模型，在图像中的人脸上预测得到多个人脸特征信息。具体地，所谓特征预测模型，是采用下述方法形成的：预先输入的复数个人脸训练样本中分别确定多个人脸特征信息，并根据每个所述人脸训练样本中的所有所述人脸特征信息训练形成特征预测模型。该特征预测模型的具体形成步骤在下文中会详述。
该实施例中，所谓人脸特征信息，其可以用来表示人脸上的不同部位的特征信息，例如包括下文中所述的至少一种：
用于表示人脸上的眉毛部分的特征点；
用于表示人脸上的眼睛部分的特征点；
用于表示人脸上的鼻子部分的特征点；
用于表示人脸上的嘴巴部分的特征点；
用于表示人脸的整体外轮廓的特征点。
换言之，上述人脸特征信息是用来描述人脸上各部位的轮廓的信息。则在该实施例中，通过上述预先训练形成的特征预测模型预测得到人脸特征信息后，根据得到的人脸特征信息得到人脸的面部特征信息，即得到人脸的整个面部结构，从而能够提升人脸检测的准确度。
本发明的较佳的实施例中，上述步骤S2中，若图像中包括人脸，则获取人脸在图像中的位置信息和大小信息后，转向步骤S3；
具体地，所谓位置信息，是指人脸在整个图像中的位置。所谓大小信息，是指人脸在整个图像中的大小，其单位可以为像素。
则上述步骤S3中，根据人脸的位置信息和大小信息，采用特征预测模型，在图像中的人脸上预测得到多个人脸特征信息。
本发明的较佳的实施例中，如图2所示，上文中所述的训练形成特征预测模型的步骤具体包括：
步骤A1，获取多个包括不同角度的人脸的图像，以作为人脸训练样本；
步骤A2，在一个预设的人脸训练样本上标注多个人脸特征信息作为输入信息，以及将关联于预设的人脸训练样本的角度信息作为输出信息，对特征预测模型进行训练；
步骤A3，判断是否存在尚未作为训练依据的人脸训练样本：
若是，则形成并输出最终的特征预测模型，随后退出；
若否，则返回步骤A2，以根据下一个人脸训练样本对特征预测模型进行训练。
本发明的较佳的实施例中，上述复数个人脸训练样本可以为100个人脸训练样本，即安排100个普通人站在图像采集装置面前，以录入相应的人脸作为人脸训练样本。
具体地，现有技术中的人脸检测方案，通常要求使用者站在正对摄像头的地方，并且将人脸正对摄像头，以保证人脸检测的准确度。若人脸与摄像头之间存在一定的角度，则会直接影响到人脸检测的准确度。则在本发明的较佳的实施例中，根据这一问题，预先训练得到上述特征预测模型，即：
首先获取多个包括不同角度的人脸的图像，以作为人脸训练样本，则对于每个人脸训练样本，应当获取到该人脸训练样本对应于摄像头的角度信息。该角度信息的获取方式可以为：
①根据人脸与摄像头之间的角度预先获得，例如预先安排测试者站在与摄像头呈已知角度的位置，以供摄像头获取人脸图像，随后记录该已知角度，作为该人脸训练样本对应的角度信息；或者
②根据人脸训练样本上得到关联于人脸的五官轮廓上的任意两点，并根据任意两点之间的连线与图像坐标系中的X坐标轴之间的角度确定关联于人连续连样本的角度信息；或者
③根据人脸训练样本上得到关联于人脸的五官轮廓上的任意两点，并根据任意两点之间的连线与图像坐标系中的Y坐标轴之间的角度确定关联于人连续连样本的角度信息。
换言之，上述获取角度信息的方法，可以包括直接获取预先设定好的角度信息，或者根据人脸上面部轮廓的任意两点之间的连线与X轴/Y轴之间的夹角来获得。
本发明的较佳的实施例中，上述步骤A2中，在一个预设的人脸训练样本上标注多个人脸特征信息作为输入信息。具体地，在一个预设的人脸训练样本上可以根据预先设定的标准标注68个特征点，以作为所述人脸特征信息。如上文中所述，上述68个人脸特征信息可以分别用来表示人脸上的嘴巴、眼睛、眉毛、鼻子以及整体外轮廓等区域的特征，即采用该68个人脸特征信息可以大致上描述出人脸的整个面部轮廓，包括其中包括的各个部位的轮廓。本发明的其他实施例中，可以根据实际需要的识别精度，增加或减少上述人脸特征信息的标注。
本发明的较佳的实施例中，对于一个预设的人脸训练样本而言，以关联于该人脸训练样本的多个人脸特征信息(例如68个人脸特征信息)作为输入信息，并将该人脸训练样本中的人脸与摄像头之间的角度信息作为输出信息，以训练形成上述特征预测模型。
具体地，本发明的较佳的实施例中，上述训练形成特征预测模型的过程可以通过逻辑回归算法实现，即将上述人脸特征信息作为输入信息输入到逻辑回归模型训练器中，并将相应的角度信息作为输出信息，从而利用逻辑回归算法处理得到相应的特征预测模型。
本发明的另一个较佳的实施例中，上述训练形成特征预测模型的过程也可以通过神经网络回归算法来实现，即利用神经网络回归算法，将上述人脸特征信息作为输入信息，以及将上述角度信息作为输出信息，从而训练得到上述特征预测模型。
本发明的其他实施例中，上述训练形成特征预测模型的过程还可以通过其他参数回归算法实现，在此不再赘述。
本发明的较佳的实施例中，最终训练形成的特征预测模型可以为一个SVM(Support Vector Machine，支持向量机)模型。则在实际应用中，在上述步骤S3中，首先采用特征预测模型预测得到上述人脸中的多个人脸特征信息，例如预测得到68个人脸特征信息。随后将这68个人脸特征信息所组成的特征位置星系(相互位置关系图)输入到上述特征预测模型(SVM模型)中，以得到该人脸的角度信息，从而最终获得该人脸的面部结构的相关信息。
综上所述，本发明技术方案中，提供一种人脸检测方法，其中应用了一个预先训练形成的特征预测模型，能够根据人脸与图像采集装置之间的不同角度预测得到人脸上的多个人脸特征信息，从而形成人脸的大致的面部结构，以提升人脸检测的准确度。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种人脸检测方法，其特征在于，包括，于预先输入的复数个人脸训练样本中分别确定多个人脸特征信息，并根据每个所述人脸训练样本中的所有所述人脸特征信息训练形成特征预测模型，还包括：
步骤S1，采用图像采集装置获取图像；
步骤S2，采用预先训练形成的人脸检测器判断所述图像中是否包括人脸：
若否，则返回所述步骤S1；
步骤S3，采用所述特征预测模型，在所述图像中的所述人脸上预测得到多个所述人脸特征信息；
步骤S4，根据预测得到的多个所述人脸特征信息构成关联于所述人脸的面部结构，随后退出。
2.如权利要求1所述的人脸检测方法，其特征在于，训练形成所述特征预测模型的步骤具体包括：
步骤A1，获取多个包括不同角度的人脸的图像，以作为所述人脸训练样本；
步骤A2，在一个预设的所述人脸训练样本上标注多个所述人脸特征信息作为输入信息，以及将关联于预设的所述人脸训练样本的角度信息作为输出信息，对所述特征预测模型进行训练；
步骤A3，判断是否存在尚未作为训练依据的所述人脸训练样本：
若是，则形成并输出最终的所述特征预测模型，随后退出；
若否，则返回所述步骤A2，以根据下一个所述人脸训练样本对所述特征预测模型进行训练。
3.如权利要求2所述的人脸检测方法，其特征在于，所述步骤A2中，采用逻辑回归算法，以多个所述人脸特征信息作为所述输入信息，以所述角度信息作为所述输出信息，对所述特征预测模型进行训练。
4.如权利要求2所述的人脸检测方法，其特征在于，所述步骤A2中，采用神经网络回归算法，以多个所述人脸特征信息作为所述输入信息，以所述角度信息作为所述输出信息，对所述特征预测模型进行训练。
5.如权利要求2所述的人脸检测方法，其特征在于，所述步骤A2中，得到关联于所述人脸训练样本的所述角度信息的方法包括：
预先根据获取的所述人脸图像与所述图像采集装置的不同角度得到相应的所述角度信息。
6.如权利要求2所述的人脸检测方法，其特征在于，所述步骤A2中，得到关联于所述人脸训练样本的所述角度信息的方法包括：
根据所述人脸训练样本上得到关联于所述人脸的五官轮廓上的任意两点，并根据所述任意两点之间的连线与图像坐标系中的X坐标轴之间的角度确定关联于所述人连续连样本的所述角度信息；或者
根据所述人脸训练样本上得到关联于所述人脸的五官轮廓上的任意两点，并根据所述任意两点之间的连线与图像坐标系中的Y坐标轴之间的角度确定关联于所述人连续连样本的所述角度信息。
7.如权利要求1所述的人脸检测方法，其特征在于，每个所述人脸特征信息用于表示所述人脸上的一个特征点。
8.如权利要求7所述的人脸检测方法，其特征在于，所述特征点包括：
用于表示所述人脸上的眉毛部分的所述特征点；和/或
用于表示所述人脸上的眼睛部分的所述特征点；和/或
用于表示所述人脸上的鼻子部分的所述特征点；和/或
用于表示所述人脸上的嘴巴部分的所述特征点；和/或
用于表示所述人脸的整体外轮廓的所述特征点。
9.如权利要求1所述的人脸检测方法，其特征在于，所述步骤S2中，若所述图像中包括人脸，则获取所述人脸在所述图像中的位置信息和大小信息后，转向所述步骤S3；
则所述步骤S3中，根据所述人脸的所述位置信息和所述大小信息，采用所述特征预测模型，在所述图像中的所述人脸上预测得到多个所述人脸特征信息。
CN201610099902.4A 2016-02-23 2016-02-23 一种人脸检测方法 Pending CN107103271A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201610099902.4A CN107103271A (zh) 2016-02-23 2016-02-23 一种人脸检测方法
PCT/CN2017/074061 WO2017143952A1 (zh) 2016-02-23 2017-02-20 一种人脸检测方法
US15/999,651 US11062126B1 (en) 2016-02-23 2017-02-20 Human face detection method
TW106105874A TWI621999B (zh) 2016-02-23 2017-02-22 一種人臉檢測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610099902.4A CN107103271A (zh) 2016-02-23 2016-02-23 一种人脸检测方法

Publications (1)

Publication Number Publication Date
CN107103271A true CN107103271A (zh) 2017-08-29

Family

ID=59658791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610099902.4A Pending CN107103271A (zh) 2016-02-23 2016-02-23 一种人脸检测方法

Country Status (4)

Country Link
US (1) US11062126B1 (zh)
CN (1) CN107103271A (zh)
TW (1) TWI621999B (zh)
WO (1) WO2017143952A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679506A (zh) * 2017-10-12 2018-02-09 Tcl通力电子（惠州）有限公司 智能产品的唤醒方法、智能产品及计算机可读存储介质
CN108470167A (zh) * 2018-04-12 2018-08-31 苏州万店掌网络科技有限公司 人脸识别芯片、方法和相机
CN109948559A (zh) * 2019-03-25 2019-06-28 厦门美图之家科技有限公司 人脸检测方法及装置
CN110134233A (zh) * 2019-04-24 2019-08-16 福建联迪商用设备有限公司 一种基于人脸识别的智能音箱唤醒方法及终端

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949237A (zh) * 2019-03-06 2019-06-28 北京市商汤科技开发有限公司 图像处理方法及装置、图像设备及存储介质
CN109934766B (zh) 2019-03-06 2021-11-30 北京市商汤科技开发有限公司 一种图像处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1423228A (zh) * 2002-10-17 2003-06-11 南开大学 识别人眼注视方向的装置和方法及其应用
CN101515324A (zh) * 2009-01-21 2009-08-26 上海银晨智能识别科技有限公司 适用于多种姿态的人脸识别布控系统及方法
CN102722698A (zh) * 2012-05-17 2012-10-10 上海中原电子技术工程有限公司 多姿态人脸检测与跟踪方法及系统
CN104657974A (zh) * 2013-11-25 2015-05-27 腾讯科技（上海）有限公司 一种图像处理方法及装置

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4526639B2 (ja) * 2000-03-02 2010-08-18 本田技研工業株式会社 顔認識装置およびその方法
WO2005114576A1 (ja) * 2004-05-21 2005-12-01 Asahi Kasei Kabushiki Kaisha 動作内容判定装置
US7742641B2 (en) * 2004-12-06 2010-06-22 Honda Motor Co., Ltd. Confidence weighted classifier combination for multi-modal identification
CN101339607B (zh) 2008-08-15 2012-08-01 北京中星微电子有限公司 人脸识别方法及系统、人脸识别模型训练方法及系统
TWI401963B (zh) * 2009-06-25 2013-07-11 Pixart Imaging Inc Dynamic image compression method for face detection
TWI424359B (zh) * 2009-12-03 2014-01-21 Chunghwa Telecom Co Ltd Two - stage Face Recognition System and Method
US9177202B2 (en) * 2011-07-11 2015-11-03 Toyota Jidosha Kabushiki Kaisha Red-eye detection device
CN102663413B (zh) * 2012-03-09 2013-11-27 中盾信安科技(江苏)有限公司 一种面向多姿态和跨年龄的人脸图像认证方法
CN103093237B (zh) * 2013-01-15 2015-12-23 中国科学院自动化研究所 一种基于结构化模型的人脸检测方法
TWI520077B (zh) * 2013-07-25 2016-02-01 Chunghwa Telecom Co Ltd The use of face recognition to detect news anchor screen
WO2015050929A1 (en) * 2013-10-01 2015-04-09 The Children's Hospital Of Philadelphia Image analysis for predicting body weight in humans
JP6304999B2 (ja) * 2013-10-09 2018-04-04 アイシン精機株式会社 顔検出装置、方法およびプログラム
CN105096377B (zh) * 2014-05-14 2019-03-19 华为技术有限公司 一种图像处理方法和装置
CN104091149B (zh) * 2014-06-20 2018-01-26 中国船舶重工集团公司第七二六研究所 人脸的采集建模训练系统及其采集建模训练方法
EP3183689A4 (en) * 2014-08-22 2017-08-23 Microsoft Technology Licensing, LLC Face alignment with shape regression
US9448704B1 (en) * 2015-04-29 2016-09-20 Dropbox, Inc. Navigating digital content using visual characteristics of the digital content
US9633250B2 (en) * 2015-09-21 2017-04-25 Mitsubishi Electric Research Laboratories, Inc. Method for estimating locations of facial landmarks in an image of a face using globally aligned regression
WO2017149315A1 (en) * 2016-03-02 2017-09-08 Holition Limited Locating and augmenting object features in images
US10552251B2 (en) * 2017-09-06 2020-02-04 Western Digital Technologies, Inc. Storage of neural networks
CN107516090B (zh) * 2017-09-11 2021-09-17 北京百度网讯科技有限公司 一体化人脸识别方法和系统
WO2019071370A1 (en) * 2017-10-09 2019-04-18 Intel Corporation FUSION OF MULTIMODAL AUTOMATIC LEARNING ANALYSIS CHARACTERISTICS
US10510157B2 (en) * 2017-10-28 2019-12-17 Altumview Systems Inc. Method and apparatus for real-time face-tracking and face-pose-selection on embedded vision systems
US10691925B2 (en) * 2017-10-28 2020-06-23 Altumview Systems Inc. Enhanced face-detection and face-tracking for resource-limited embedded vision systems
CN107948711A (zh) * 2017-11-21 2018-04-20 深圳创维－Rgb电子有限公司 电视时移控制方法、系统及计算机可读存储介质
US10990877B2 (en) * 2018-01-09 2021-04-27 Adobe Inc. Frame selection based on a trained neural network
US10867195B2 (en) * 2018-03-12 2020-12-15 Microsoft Technology Licensing, Llc Systems and methods for monitoring driver state
CN108734673B (zh) * 2018-04-20 2019-11-15 平安科技（深圳）有限公司 去网纹系统训练方法、去网纹方法、装置、设备及介质
US10679041B2 (en) * 2018-04-25 2020-06-09 Shutterfly, Llc Hybrid deep learning method for recognizing facial expressions
US11074430B2 (en) * 2018-05-29 2021-07-27 Adobe Inc. Directional assistance for centering a face in a camera field of view

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1423228A (zh) * 2002-10-17 2003-06-11 南开大学 识别人眼注视方向的装置和方法及其应用
CN101515324A (zh) * 2009-01-21 2009-08-26 上海银晨智能识别科技有限公司 适用于多种姿态的人脸识别布控系统及方法
CN102722698A (zh) * 2012-05-17 2012-10-10 上海中原电子技术工程有限公司 多姿态人脸检测与跟踪方法及系统
CN104657974A (zh) * 2013-11-25 2015-05-27 腾讯科技（上海）有限公司 一种图像处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龙敏等: "基于Adaboost算法的多角度人脸检测", 《计算机仿真》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679506A (zh) * 2017-10-12 2018-02-09 Tcl通力电子（惠州）有限公司 智能产品的唤醒方法、智能产品及计算机可读存储介质
CN108470167A (zh) * 2018-04-12 2018-08-31 苏州万店掌网络科技有限公司 人脸识别芯片、方法和相机
CN109948559A (zh) * 2019-03-25 2019-06-28 厦门美图之家科技有限公司 人脸检测方法及装置
CN110134233A (zh) * 2019-04-24 2019-08-16 福建联迪商用设备有限公司 一种基于人脸识别的智能音箱唤醒方法及终端
CN110134233B (zh) * 2019-04-24 2022-07-12 福建联迪商用设备有限公司 一种基于人脸识别的智能音箱唤醒方法及终端

Also Published As

Publication number Publication date
US11062126B1 (en) 2021-07-13
TWI621999B (zh) 2018-04-21
TW201730808A (zh) 2017-09-01
US20210209342A1 (en) 2021-07-08
WO2017143952A1 (zh) 2017-08-31

Similar Documents

Publication Publication Date Title
CN107103271A (zh) 一种人脸检测方法
CN110858295B (zh) 一种交警手势识别方法、装置、整车控制器及存储介质
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
US11062124B2 (en) Face pose detection method, device and storage medium
WO2019232866A1 (zh) 人眼模型训练方法、人眼识别方法、装置、设备及介质
WO2019232862A1 (zh) 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质
CN105574518A (zh) 人脸活体检测的方法和装置
CN107102540A (zh) 一种唤醒智能机器人的方法及智能机器人
WO2021051611A1 (zh) 基于人脸可见性的人脸识别方法、系统、装置及存储介质
CN110751022A (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN103886283A (zh) 用于移动用户的多生物特征图像信息融合方法及其应用
CN102945366A (zh) 一种人脸识别的方法及装置
CN107958234A (zh) 基于客户端的人脸识别方法、装置、客户端及存储介质
CN101231703A (zh) 基于相关向量机和提升学习的多人脸跟踪方法
CN107844742B (zh) 人脸图像眼镜去除方法、装置及存储介质
KR102530516B1 (ko) 자동 수어 인식 방법 및 시스템
WO2018161893A1 (zh) 用户身份识别方法及装置
CN106650574A (zh) 基于PCANet的人脸识别方法
CN107679450A (zh) 基于深度学习的遮挡条件下人脸识别方法
CN102831408A (zh) 人脸识别方法
US11893773B2 (en) Finger vein comparison method, computer equipment, and storage medium
CN109753901A (zh) 基于行人识别的室内行人寻迹方法、装置、计算机设备及存储介质
CN107526994A (zh) 一种信息处理方法、装置及移动终端
CN111178129B (zh) 一种基于人脸和姿态的多模态人员识别方法
TW201635197A (zh) 人臉辨識方法及系統

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1237947

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20170829

RJ01 Rejection of invention patent application after publication