CN107358223A - 一种基于yolo的人脸检测与人脸对齐方法 - Google Patents
一种基于yolo的人脸检测与人脸对齐方法 Download PDFInfo
- Publication number
- CN107358223A CN107358223A CN201710703277.4A CN201710703277A CN107358223A CN 107358223 A CN107358223 A CN 107358223A CN 201710703277 A CN201710703277 A CN 201710703277A CN 107358223 A CN107358223 A CN 107358223A
- Authority
- CN
- China
- Prior art keywords
- face
- model
- training
- yolo
- datection
- 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
本发明公开了一种基于yolo的人脸检测与人脸对齐方法,属于人脸识别领域,包括网络的训练及网络的验证步骤,所述网络的训练包括创建人脸数据集,对人脸数据集中的图像进行标注、重构人脸检测与对齐数据库,本发明解决了MTCNN人脸识别采用分阶段的方式进行人脸检测与对齐存在的效率慢、不能进行联合任务的问题,提高了人脸识别的鲁棒性和网络的泛化能力,且防止了样本过少导致的过拟合问题。
Description
技术领域
本发明属于人脸识别领域,具体设计一种基于yolo的人脸检测与人脸对齐方法。
背景技术
人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流进行判断。首先判断是否存在人脸,如果存在,则进一步给出人脸所在的位置、大小。并根据这些信息进一步提取出人脸的特征信息,最后将其与已知的人脸对比,从而识别每个人脸的身份,总体来说,人脸的识别分为两大步骤,一是人脸的检测,二是人脸的对齐,人脸检测方面,目前人脸检测采用边框检测的方式,即利用网络学习将图像划分为若干边框,从若干边框中捕捉人脸,并提取出人脸的关键点信心,人脸的对齐则是将图像中的人脸与已知的人脸进行比对从而达到识别的目的。
如MTCNN(Multi-task Cascaded Convolutional Neural Networks),MTCNN人脸识别的主要方法是:
当给定一张照片的时候,将其缩放到不同尺度形成图像金字塔,以达到尺度不变。
步骤1:使用P-Net生成候选窗和边框回归向量(bounding box regressionvectors)。使用Bounding box regression的方法来校正这些候选窗,使用非极大值抑制(NMS)合并重叠的候选框。全卷积网络和FasterR-CNN中的RPN一脉相承;
步骤2:使用N-Net改善候选窗,将通过P-Net的候选窗输入R-Net中,拒绝掉大部分false的窗口,继续使用Bounding box regression和NMS合并;
步骤3:最后使用O-Net输出最终的人脸框和特征点位置。和第二步类似,但是不同的是生成5个特征点位置。
可以看出,MTCNN是使用分阶段的方式实现人脸检测及人脸对齐任务,即每一个阶段由一个网络组成,使用中需要对这些网络进行分阶段的训练,这样的识别方式显然不是一种端对端的学习方式,人脸识别效率慢。且网络泛化能力弱、鲁棒性差。
发明内容
本发明为了解决上述技术问题,提供了一种基于yolo的人脸检测与人脸对齐方法,以解决MTCNN人脸识别采用分阶段的方式进行人脸检测与对齐效率慢、不能进行联合任务的问题。
为达到上述技术目的,本发明采用的技术方案为:一种基于yolo的人脸检测与人脸对齐方法,包括以下步骤:
S1、进行网络的训练,具体包括如下步骤:
S1-1、创建人脸数据集,在LFW数据库上随机挑选具有光照变化、尺度变化和场景变化的人脸图像,并将这些人脸图像划分为训练集、测试集及验证集;所述训练集用来建立预训练模型,所述测试集用来测试所述预训练模型的泛化能力,所述验证集网用于控制所述预训练模型的参数;
S1-2、对训练集、测试集和验证集中的图像进行标注,即收集图像上人脸在图像上的坐标信息(x,y,w,h)以及人脸关键点的坐标信息(xi,yi);
S1-3、重构人脸检测与对齐数据库,构建ImageNet及yolo检测框架的联合数据库以对训练集进行分类学习进而创建预训练模型,所述ImageNe创建预训练模型中的人脸检测模型,所述yolo检测框架创建预训练模型中的人脸对齐模型,并通过损失函数提高所述人脸对齐模型的鲁棒性;
S2、进行网络验证,使用验证集控制预训练模型的参数;
S3、进行性能测试,所述测试集用来测试所述预训练模型的泛化能力。
进一步地,所述损失函数为:
Loss=αojbect*(β1*confidenceloss+β2*locationloss+β3*alignedloss)+αnooject
*confidenceloss
更进一步地,所述损失函数中
αojbect=2,αnoobject=1,β1=1,β2=0.5,β3=0.5。
进一步地,所述S2-2步的效果验证是指,对于人脸检测模型,使用mAp进行衡量,对于人脸对齐模型,使用欧拉损失衡量。
进一步地,选取的人脸图像中,80%作为为训练集、10%作为测试集、10%作为验证集。
与现有技术相比,本发明的有益效果是:
(1)将ImageNet及YOLO检测框架相结合从而建立了人脸检测及人脸对齐的联合数据库,使用ImageNet建立人脸检测模型,使用YOLO检测框架建立人脸对齐模型,采用YOLO检测框架能通过损失函数提高人脸对齐模型的鲁棒性,从而提高网络的泛化能力。
(2)通过一个网络一个阶段就可以实现人脸的检测和对齐,提高了人脸识别的效率。
(3)随机选取图像并分为训练集、测试集、验证集,且一定程度上扩充了样本,防止图像样本过少导致的过拟合问题。
附图说明
本发明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,在附图中:
图1为本发明的工作流程框架示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下结合附图及具体实施例,对本申请作进一步地详细说明,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
如图1所示,一种基于yolo的人脸检测与人脸对齐方法,包括以下步骤:
S1、进行网络的训练,具体包括如下步骤:
S1-1、创建人脸数据集,在LFW数据库上随机挑选具有光照变化、尺度变化和场景变化的人脸图像,并将这些人脸图像的80%划分为训练集、10%划分为测试集,剩下的10%划为验证集;训练集用来建立预训练模型,测试集用来测试人脸识别的泛化能力,验证集网用于控制预训练模型的参数;本步骤扩充了训练样本,防止图像样本过少导致的过拟合问题;
S1-2、对训练集、测试集和验证集中的图像进行标注,即收集图像上人脸在图像上的坐标信息(x,y,w,h)以及人脸关键点的坐标信息(xi,yi),其中(x,y)代表人脸在图像上的坐标,(w,h)代表人脸在图像上的宽度和高度;在测试集和验证集中进行图像标注就是为了帮助衡量训练集在完成预训练后图像标注的正确率;
S1-3、重构人脸检测与对齐数据库,构建ImageNet及yolo检测框架的联合数据库以对训练集进行分类学习进而创建预训练模型,具体地,ImageNe创建预训练模型中的人脸检测模型,yolo检测框架创建预训练模型中的人脸对齐模型,并通过损失函数调节所述人脸对齐模型的损失;在传统中,使用ImageNet对训练集进行分类任务的训练,从而创建了预训练模型,这个预训练模型包括前半部分的人脸检测模型和后半部分的人脸对齐模型,而在本发明中,将后半部分的人脸对齐模型采用yolo检测框架创建并通过损失函数使人脸对齐模型有较好的鲁棒性;
损失函数为:
Loss=αojbect*(β1*confidenceloss+β2*locationloss+β3*alignedloss)+αnooject
*confidenceloss
yolo检测框架将整个图像分为k*k个网格,每个网格回归n个bounding boxes(图像边框),每个boundingbox(图像边框)对应置信度回归(对应损失函数中的confidenceloss)、位置回归(对应损失函数中的locationloss)、关键点回归(对应损失函数中的alignedloss),此处的关键点有5个,即鼻子、两个眼睛、嘴角两个点,因此总共回归k*k*n*15。因而本损失函数包含了训练集的位置回归、置信度回归以及关键点回归,通过调节置信度、位置及关键点损失的权重,使得模型收敛、提高模型的鲁棒性;
更优地,为了获得更好的鲁棒性,损失函数的权重设置为:
αojbect=2,αnoobject=1,β1=1,β2=0.5,β3=0.5。
S2、进行网络验证,使用验证集控制预训练模型的参数,对于人脸检测模型,使用mAp进行衡量,mAp是衡量人脸检测中人脸框位置准确度的一个指标,通过设定不同的IoU值计算出人脸检测的准确率和查全率,从而计算得到mAp,即是衡量人脸在图像上的坐标信息(x,y,w,h)的准确率;对于人脸对齐模型的验证使用欧拉损失衡量,即是衡量人脸关键点的坐标信息(xi,yi)的准确率;这样通过验证集的衡量,可以相应调整预训练模型的相关参数,提高人脸检测模型和人脸对齐模型的检测准确率和对齐准确率。
S3、进行性能测试,用测试集测试预训练模型的泛化能力。
本发明将ImageNet及yolo检测框架相结合从而建立了人脸检测及人脸对齐的联合数据库,使用ImageNet建立人脸检测模型,使用yolo检测框架建立人脸对齐模型,采用yolo检测框架能通过损失函数提高人脸对齐模型的鲁棒性,从而提高网络的泛化能力,这是一种端对端的学习,通过一个网络一个阶段就可以实现人脸的检测和对齐,提高了人脸识别的效率;同时随机选取图像并分为训练集、测试集、验证集,且一定程度上扩充了样本,防止图像样本过少导致的过拟合问题。
本实施例叙述的较为具体和详细,也给出了实施例的一些优选措施,但是,该实施例和优选措施并不能作为对本发明的限制,本领域的技术人员看到该方案时,做出的其他变形和等同手段的替换,均应在本发明的保护范围之内。
Claims (5)
1.一种基于yolo的人脸检测与人脸对齐方法,其特征在于:包括以下步骤:
S1、进行网络的训练,具体包括如下步骤:
S1-1、创建人脸数据集,在LFW数据库上随机挑选具有光照变化、尺度变化和场景变化的人脸图像,并将这些人脸图像划分为训练集、测试集及验证集;所述训练集用来建立预训练模型,所述测试集用来测试所述预训练模型的泛化能力,所述验证集用于控制所述预训练模型的参数;
S1-2、对训练集、测试集和验证集中的图像进行标注,即收集图像上人脸在图像上的坐标信息(x,y,w,h)以及人脸关键点的坐标信息(xi,yi);
S1-3、重构人脸检测与对齐数据库,构建ImageNet及yolo检测框架的联合数据库以对训练集进行分类学习进而创建预训练模型,所述ImageNe创建预训练模型中的人脸检测模型,所述yolo检测框架创建预训练模型中的人脸对齐模型,并通过损失函数提高所述人脸对齐模型的鲁棒性;
S2、进行网络验证,使用所述验证集控制所述预训练模型的参数;
S3、进行性能测试,使用所述测试集测试所述预训练模型的泛化能力。
2.根据权利要求1所述的一种基于yolo的人脸检测与人脸对齐方法,其特征在于:所述损失函数为:
Loss=αojbect*(β1*confidenceloss+β2*locationloss+β3*alignedloss)+αnooject
*confidenceloss。
3.根据权利要求2所述的一种基于yolo的人脸检测与人脸对齐方法,其特征在于:所述损失函数中
αojbect=2,αnoobject=1,β1=1,β2=0.5,β3=0.5。
4.根据权利要求1所述的一种基于yolo的人脸检测与人脸对齐方法,其特征在于:所述S2-2步的效果验证是指,对于人脸检测模型,使用mAp进行衡量,对于人脸对齐模型,使用欧拉损失衡量。
5.根据权利要求1所述的一种基于yolo的人脸检测与人脸对齐方法,其特征在于:选取的人脸图像中,80%作为为训练集、10%作为测试集、10%作为验证集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710703277.4A CN107358223B (zh) | 2017-08-16 | 2017-08-16 | 一种基于yolo的人脸检测与人脸对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710703277.4A CN107358223B (zh) | 2017-08-16 | 2017-08-16 | 一种基于yolo的人脸检测与人脸对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358223A true CN107358223A (zh) | 2017-11-17 |
CN107358223B CN107358223B (zh) | 2021-06-22 |
Family
ID=60287936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710703277.4A Active CN107358223B (zh) | 2017-08-16 | 2017-08-16 | 一种基于yolo的人脸检测与人脸对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358223B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073917A (zh) * | 2018-01-24 | 2018-05-25 | 燕山大学 | 一种基于卷积神经网络的人脸识别方法 |
CN108288280A (zh) * | 2017-12-28 | 2018-07-17 | 杭州宇泛智能科技有限公司 | 基于视频流的动态人脸识别方法及装置 |
CN108304859A (zh) * | 2017-12-29 | 2018-07-20 | 达闼科技(北京)有限公司 | 图像识别方法及云端系统 |
CN108537117A (zh) * | 2018-03-06 | 2018-09-14 | 哈尔滨思派科技有限公司 | 一种基于深度学习的乘客检测方法和系统 |
CN109034119A (zh) * | 2018-08-27 | 2018-12-18 | 苏州广目信息技术有限公司 | 一种基于优化的全卷积神经网络的人脸检测方法 |
CN109190488A (zh) * | 2018-08-03 | 2019-01-11 | 广州大学 | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 |
CN109376713A (zh) * | 2018-12-11 | 2019-02-22 | 天地伟业技术有限公司 | 一种嵌入式人脸检测设备 |
CN109409215A (zh) * | 2018-09-14 | 2019-03-01 | 广州大学 | 基于深度卷积神经网络的前方车辆半遮挡人体的检测方法 |
CN109492575A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种基于YOLOv3的扶梯安全监测方法 |
CN109815814A (zh) * | 2018-12-21 | 2019-05-28 | 天津大学 | 一种基于卷积神经网络的人脸检测方法 |
CN109886153A (zh) * | 2019-01-30 | 2019-06-14 | 四川电科维云信息技术有限公司 | 一种基于深度卷积神经网络的实时人脸检测方法 |
CN109934151A (zh) * | 2019-03-08 | 2019-06-25 | 山东领能电子科技有限公司 | 一种基于movidius计算芯片和Yolo face的人脸检测方法 |
CN109978063A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成目标对象的对齐模型的方法 |
CN109978035A (zh) * | 2019-03-18 | 2019-07-05 | 西安电子科技大学 | 基于改进的k-means和损失函数的行人检测方法 |
CN109993061A (zh) * | 2019-03-01 | 2019-07-09 | 珠海亿智电子科技有限公司 | 一种人脸检测与识别方法、系统以及终端设备 |
CN110263603A (zh) * | 2018-05-14 | 2019-09-20 | 桂林远望智能通信科技有限公司 | 基于中心损失和残差视觉仿真网络的人脸识别方法及装置 |
CN110296660A (zh) * | 2019-06-26 | 2019-10-01 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
CN110826537A (zh) * | 2019-12-05 | 2020-02-21 | 广州市久邦数码科技有限公司 | 一种基于yolo的人脸检测方法 |
CN111524145A (zh) * | 2020-04-13 | 2020-08-11 | 北京智慧章鱼科技有限公司 | 图片智能裁剪方法、系统、计算机设备及存储介质 |
CN112434678A (zh) * | 2021-01-27 | 2021-03-02 | 成都无糖信息技术有限公司 | 基于人工神经网络的人脸测量特征空间搜索系统及方法 |
CN117894059A (zh) * | 2024-03-15 | 2024-04-16 | 国网江西省电力有限公司信息通信分公司 | 一种3d人脸识别方法 |
CN111524145B (zh) * | 2020-04-13 | 2024-06-04 | 北京智慧章鱼科技有限公司 | 图片智能裁剪方法、系统、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598936A (zh) * | 2015-02-28 | 2015-05-06 | 北京畅景立达软件技术有限公司 | 人脸图像面部关键点的定位方法 |
CN106203533A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于混合训练的深度学习人脸验证方法 |
US20160374550A1 (en) * | 2015-06-27 | 2016-12-29 | Intel Corporation | Field-of-view ocular and facial alignment guides |
CN106485230A (zh) * | 2016-10-18 | 2017-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于神经网络的人脸检测模型的训练、人脸检测方法及系统 |
US20170193328A1 (en) * | 2015-12-31 | 2017-07-06 | Microsoft Technology Licensing, Llc | Structure and training for image classification |
CN106991370A (zh) * | 2017-02-28 | 2017-07-28 | 中科唯实科技(北京)有限公司 | 基于颜色和深度的行人检索方法 |
-
2017
- 2017-08-16 CN CN201710703277.4A patent/CN107358223B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598936A (zh) * | 2015-02-28 | 2015-05-06 | 北京畅景立达软件技术有限公司 | 人脸图像面部关键点的定位方法 |
US20160374550A1 (en) * | 2015-06-27 | 2016-12-29 | Intel Corporation | Field-of-view ocular and facial alignment guides |
US20170193328A1 (en) * | 2015-12-31 | 2017-07-06 | Microsoft Technology Licensing, Llc | Structure and training for image classification |
CN106203533A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于混合训练的深度学习人脸验证方法 |
CN106485230A (zh) * | 2016-10-18 | 2017-03-08 | 中国科学院重庆绿色智能技术研究院 | 基于神经网络的人脸检测模型的训练、人脸检测方法及系统 |
CN106991370A (zh) * | 2017-02-28 | 2017-07-28 | 中科唯实科技(北京)有限公司 | 基于颜色和深度的行人检索方法 |
Non-Patent Citations (6)
Title |
---|
BTBUJHJ: "YOLO——基于回归的目标检测算法", 《HTTPS://BLOG.CSDN.NET/BTBUJHJ/ARTICLE/DETAILS/75020217》 * |
JOSEPH REDMON 等: "YOLO9000: Better,Faster,Stronger", 《ARXIV.ORG》 * |
JOSEPH REDMON 等: "You Only Look Once:Unified, Real-Time Object Detection", 《ARXIV.ORG》 * |
KAIPENG ZHANG 等: "Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks", 《HTTPS://ARXIV.ORG/ABS/1604.02878》 * |
公安部第三研究所: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017, 东南大学出版社 * |
庞辽军 等: "《信息安全工程》", 30 September 2010, 西安电子科技大学出版社 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288280A (zh) * | 2017-12-28 | 2018-07-17 | 杭州宇泛智能科技有限公司 | 基于视频流的动态人脸识别方法及装置 |
CN108304859A (zh) * | 2017-12-29 | 2018-07-20 | 达闼科技(北京)有限公司 | 图像识别方法及云端系统 |
CN108073917A (zh) * | 2018-01-24 | 2018-05-25 | 燕山大学 | 一种基于卷积神经网络的人脸识别方法 |
CN108537117B (zh) * | 2018-03-06 | 2022-03-11 | 哈尔滨思派科技有限公司 | 一种基于深度学习的乘客检测方法和系统 |
CN108537117A (zh) * | 2018-03-06 | 2018-09-14 | 哈尔滨思派科技有限公司 | 一种基于深度学习的乘客检测方法和系统 |
CN110263603B (zh) * | 2018-05-14 | 2021-08-06 | 桂林远望智能通信科技有限公司 | 基于中心损失和残差视觉仿真网络的人脸识别方法及装置 |
CN110263603A (zh) * | 2018-05-14 | 2019-09-20 | 桂林远望智能通信科技有限公司 | 基于中心损失和残差视觉仿真网络的人脸识别方法及装置 |
CN109190488A (zh) * | 2018-08-03 | 2019-01-11 | 广州大学 | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 |
CN109190488B (zh) * | 2018-08-03 | 2022-02-18 | 广州大学 | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 |
CN109034119A (zh) * | 2018-08-27 | 2018-12-18 | 苏州广目信息技术有限公司 | 一种基于优化的全卷积神经网络的人脸检测方法 |
CN109409215A (zh) * | 2018-09-14 | 2019-03-01 | 广州大学 | 基于深度卷积神经网络的前方车辆半遮挡人体的检测方法 |
CN109492575A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种基于YOLOv3的扶梯安全监测方法 |
CN109376713A (zh) * | 2018-12-11 | 2019-02-22 | 天地伟业技术有限公司 | 一种嵌入式人脸检测设备 |
CN109815814B (zh) * | 2018-12-21 | 2023-01-24 | 天津大学 | 一种基于卷积神经网络的人脸检测方法 |
CN109815814A (zh) * | 2018-12-21 | 2019-05-28 | 天津大学 | 一种基于卷积神经网络的人脸检测方法 |
CN109886153A (zh) * | 2019-01-30 | 2019-06-14 | 四川电科维云信息技术有限公司 | 一种基于深度卷积神经网络的实时人脸检测方法 |
CN109886153B (zh) * | 2019-01-30 | 2021-11-02 | 四川电科维云信息技术有限公司 | 一种基于深度卷积神经网络的实时人脸检测方法 |
CN109993061A (zh) * | 2019-03-01 | 2019-07-09 | 珠海亿智电子科技有限公司 | 一种人脸检测与识别方法、系统以及终端设备 |
CN109993061B (zh) * | 2019-03-01 | 2021-12-07 | 珠海亿智电子科技有限公司 | 一种人脸检测与识别方法、系统以及终端设备 |
CN109934151A (zh) * | 2019-03-08 | 2019-06-25 | 山东领能电子科技有限公司 | 一种基于movidius计算芯片和Yolo face的人脸检测方法 |
CN109934151B (zh) * | 2019-03-08 | 2023-07-14 | 山东领能电子科技有限公司 | 一种基于movidius计算芯片和Yolo face的人脸检测方法 |
CN109978035B (zh) * | 2019-03-18 | 2021-04-02 | 西安电子科技大学 | 基于改进的k-means和损失函数的行人检测方法 |
CN109978035A (zh) * | 2019-03-18 | 2019-07-05 | 西安电子科技大学 | 基于改进的k-means和损失函数的行人检测方法 |
CN109978063A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成目标对象的对齐模型的方法 |
CN110296660A (zh) * | 2019-06-26 | 2019-10-01 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
CN110296660B (zh) * | 2019-06-26 | 2021-03-02 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
CN110826537A (zh) * | 2019-12-05 | 2020-02-21 | 广州市久邦数码科技有限公司 | 一种基于yolo的人脸检测方法 |
CN111524145A (zh) * | 2020-04-13 | 2020-08-11 | 北京智慧章鱼科技有限公司 | 图片智能裁剪方法、系统、计算机设备及存储介质 |
CN111524145B (zh) * | 2020-04-13 | 2024-06-04 | 北京智慧章鱼科技有限公司 | 图片智能裁剪方法、系统、计算机设备及存储介质 |
CN112434678A (zh) * | 2021-01-27 | 2021-03-02 | 成都无糖信息技术有限公司 | 基于人工神经网络的人脸测量特征空间搜索系统及方法 |
CN117894059A (zh) * | 2024-03-15 | 2024-04-16 | 国网江西省电力有限公司信息通信分公司 | 一种3d人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107358223B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358223A (zh) | 一种基于yolo的人脸检测与人脸对齐方法 | |
CN110263774B (zh) | 一种人脸检测方法 | |
CN107832672A (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN109033938A (zh) | 一种基于可区分性特征融合的人脸识别方法 | |
CN110532920A (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN107871100A (zh) | 人脸模型的训练方法和装置、人脸认证方法和装置 | |
CN109117876A (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN105975959A (zh) | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
CN109816012A (zh) | 一种融合上下文信息的多尺度目标检测方法 | |
CN108229330A (zh) | 人脸融合识别方法及装置、电子设备和存储介质 | |
CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
CN106022317A (zh) | 人脸识别方法及装置 | |
CN106295567A (zh) | 一种关键点的定位方法及终端 | |
CN104123560B (zh) | 基于相位编码特征和多度量学习的模糊人脸图像验证方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN107871101A (zh) | 一种人脸检测方法及装置 | |
CN110348441A (zh) | 增值税发票识别方法、装置、计算机设备及存储介质 | |
CN110490052A (zh) | 基于级联多任务学习的人脸检测及人脸属性分析方法及系统 | |
CN103324938A (zh) | 训练姿态分类器及物体分类器、物体检测的方法及装置 | |
CN106407958A (zh) | 基于双层级联的面部特征检测方法 | |
CN101398893A (zh) | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210528 Address after: 201600 Room 101, building 11, 1158 Zhongxin Road, Songjiang District, Shanghai Applicant after: SHANGHAI HEFU ARTIFICIAL INTELLIGENCE TECHNOLOGY (Group) Co.,Ltd. Address before: 201600 Room 101, building 11, 1158 Zhongxin Road, Songjiang District, Shanghai Applicant before: SHANGHAI HEFU ARTIFICIAL INTELLIGENCE TECHNOLOGY (Group) Co.,Ltd. Applicant before: CHENGDU JISHENG INTELLIGENTIZE ENGINEERING Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |