CN107368797A - 多角度并行的人脸检测方法、装置及终端设备 - Google Patents
多角度并行的人脸检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN107368797A CN107368797A CN201710547594.1A CN201710547594A CN107368797A CN 107368797 A CN107368797 A CN 107368797A CN 201710547594 A CN201710547594 A CN 201710547594A CN 107368797 A CN107368797 A CN 107368797A
- Authority
- CN
- China
- Prior art keywords
- face
- subwindow
- scan image
- classifier
- image
- 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
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)
Abstract
本发明提供了一种多角度并行的人脸检测方法、装置及终端设备,其中,所述方法包括:获取图像数据,并计算出所述图像数据的积分图像;对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。本发明所提供的多角度并行的人脸检测方法、装置及终端设备能够对垂直于图像平面±90度和图像平面内360度范围的所有人脸姿态进行快速准确高效地检测分类,硬件实现代价小,检测准确率高,检测速度快。
Description
技术领域
本发明涉及人脸检测领域,特别涉及一种多角度并行的人脸检测方法、装置及终端设备。
背景技术
人脸识别(Face Recognition)特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术,是目前人工智能和模式识别的重点,被广泛地应用在国家安全、军事安全、身份识别、银行及海关的监控、门禁系统、视频会议等领域。人脸检测(Face Detection)是人脸识别中的关键环节,人脸检测是指对于任意一副给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸,如果是则返回人脸的位置、大小和姿态。根据利用的人脸知识的不同,人脸检测方法可以分为:基于特征的人脸检测方法和基于学习的人脸检测方法。基于特征的人脸检测方法包括:底层特征分析方法、组群特征方法和变形模板方法,底层特征分析方法又包括基于肤色的人脸检测方法。基于学习的人脸检测方法根据学习方法的不同可以分为:基于贝叶斯准则的方法、基于人工神经网络的方法(ANN,artificialneural network)、支持向量机的方法(SVM,support vector machine)、基于Adaboost的方法等。
发明内容
本发明提供了一种多角度并行的人脸检测方法、装置及终端设备,其目的是为了解决多角度并行的人脸检测的问题。
为了达到上述目的,本发明的实施例提供了一种多角度并行的人脸检测方法,包括:
获取图像数据,并计算出所述图像数据的积分图像;
对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
其中,所述对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测的步骤包括:
根据多个预设滑动窗口尺寸依次设定所述滑动窗口的大小,在将所述滑动窗口尺寸设定为每一预设滑动窗口尺寸时,使用设定后的滑动窗口对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
其中,所述将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测的步骤包括:
当所述子窗口扫描图像到达树形分类器结构中负责人脸/非人脸分类检测的根节点时,进行特征计算;
根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别。
其中,所述根节点由多个级别的强分类器通过级联组成。
其中,所述根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别的步骤包括:
根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止。
其中,根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止的步骤之后,所述方法还包括:
若所述根节点的最后一级的强分类器判别所述子窗口扫描图像为人脸,则将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别。
其中,所述将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别的步骤包括:
将所有的子窗口扫描图像依次送入第一层子分类器节点的第一个子分类器处理;
将能够输出有效结果的子窗口扫描图像送入下一层子分类器节点,并缓存不能够输出有效结果的子窗口扫描图像;
待所述第一层子分类器节点的第一个子分类器处理完所有的子窗口扫描图像时,更新所述第一层子分类器节点,使所述第一层子分类器节点还原为初始状态。
其中,所述将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别的步骤还包括:
将缓存的不能够输出有效结果的子窗口扫描图像送入更新后的第一层子分类器节点的第二个子分类器处理。
本发明的实施例还提供了一种多角度并行的人脸检测装置,包括:
获取模块,用于获取图像数据,并计算出所述图像数据的积分图像;
检测模块,用于对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
本发明的实施例还提供了终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例所述方法的步骤。
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的多角度并行的人脸检测方法、装置及终端设备通过树形分类器框架结构和高效的分类器检测机制实现了±90度摇摆角度和360度倾斜角度范围内的多角度人脸检测,充分挖掘算法的并行性,使用硬件加速技术大大降低了检测过程的执行时间,通过对硬件体系结构模板进行动态配置,硬件实现代价小,检测准确率高,检测速度快。
附图说明
图1为本发明的多角度并行的人脸检测方法的流程示意图之一;
图2为本发明的多角度并行的人脸检测方法的流程示意图之二;
图3为本发明的多角度并行的人脸检测方法的具体实施例的流程示意图;
图4为本发明的多角度并行的人脸检测装置的结构示意图;
图5为本发明的树形分类器框架结构示意图;
图6为本发明的包括多角度并行的人脸检测装置的终端设备的结构示意图;
图7为本发明的树形分类器框架的检测节点间的组织与通信示意图;
图8为本发明的强分类器的并行结构示意图;
图9为本发明的使用16地址LUT部件实现改进强分类器的并行结构示意图;
图10为本发明的弱分类器的工作流程示意图;
图11为本发明的两段式弱分类器第一阶段的硬件结构示意图;
图12为本发明的两段式弱分类器第二阶段的硬件结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的多角度并行的人脸检测的问题,提供了一种多角度并行的人脸检测方法、装置及终端设备。
如图1所示,本发明的实施例提供了一种多角度并行的人脸检测方法,包括:
步骤1,获取图像数据,并计算出所述图像数据的积分图像;
步骤2,对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
其中,所述对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测的步骤包括:
根据多个预设滑动窗口尺寸依次设定所述滑动窗口的大小,在将所述滑动窗口尺寸设定为每一预设滑动窗口尺寸时,使用设定后的滑动窗口对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
本发明的上述实施例所述的多角度并行的人脸检测方法首先从图像采集设备或图像数据库获取图像数据,计算图像的积分图,对一张W*H的图像直接求取积分图时,像素(i,j)的积分值Integral(i,j)由它左边像素的积分值Integral(i,j-1)加上当前列的和来得到,对积分图像进行滑动窗口式扫描,将每个子窗口送入树形人脸检测分类器进行人脸检测;在人脸分类阶段,树形分类器结构中的不同层次以流水线的形式对不同的子窗口进行处理,即当某个层次的检测节点对第j个子窗口进行处理时,上一个层次的检测节点就对第j+1个子窗口进行处理。而同一层次中不同的检测节点并行执行,对垂直于图像平面±90度和图像平面内360度范围的人脸姿态进行快速准确地检测分类。
如图2所示,所述将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测的步骤包括:
步骤3,当所述子窗口扫描图像到达树形分类器结构中负责人脸/非人脸分类检测的根节点时,进行特征计算;
步骤4,根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别。
其中,所述根节点由多个级别的强分类器通过级联组成。
其中,所述根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别的步骤包括:
根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止。
本发明的上述实施例所述的方法包括当一个子窗口到达树形分类器结构中负责进行人脸/非人脸分类的的根节点时,首先进行特征计算。采用Haar-like特征,特征模板分为三类:边缘特征、线性特征、中心/对角线特征,特征模板内有白色和黑色两种矩形。子窗口的特征值为特征模板覆盖在子窗口上时白色矩形区域内像素值的和减去黑色矩形区域内像素值的和;然后基于计算出的特征,使用根分类节点的分类器对子窗口进行人脸/非人脸判别。其中,所述根节点由多个强分类器通过级联组成;第一级(Stage 1)的强分类器基于特征值对子窗口进行人脸/非人脸判别;如果Stage 1判别为非人脸,该子窗口的处理将终止;否则,Stage 1判别子窗口包含人脸,并激活Stage 2;以此类推,直到子窗口的处理在任意一级强分类器中被判别为非人脸,或者子窗口在根节点的最后一级强分类器中仍被判别为人脸。不同Stage的强分类器以流水线的方式进行处理。
其中,根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止的步骤之后,所述方法还包括:
步骤5,若所述根节点的最后一级的强分类器判别所述子窗口扫描图像为人脸,则将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别。
本发明的上述实施例所述的方案还包括如果该子窗口在根节点的最后一级强分类器中仍被判别为人脸,则该子窗口扫描图像被送入树形分类器结构的下一层分类器节点进行分类,每一层分类器节点用来对人脸的摇摆角度或倾斜角度进行判别。每个分类器节点的结构和处理过程与根节点类似,区别只在于分类器的部分配置参数。子窗口扫描图像在树形分类器中逐层处理,直到该子窗口扫描图像的分类结果从该分类器树的某个或某些叶节点输出。
如图3和图5所示,所述将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别的步骤包括:
步骤51,将所有的子窗口扫描图像依次送入第一层子分类器节点的第一个子分类器处理;
步骤52,将能够输出有效结果的子窗口扫描图像送入下一层子分类器节点,并缓存不能够输出有效结果的子窗口扫描图像;
步骤53,待所述第一层子分类器节点的第一个子分类器处理完所有的子窗口扫描图像时,更新所述第一层子分类器节点,使所述第一层子分类器节点还原为初始状态。
其中,所述将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别的步骤还包括:
步骤54,将缓存的不能够输出有效结果的子窗口扫描图像送入更新后的第一层子分类器节点的第二个子分类器处理。
本发明的上述实施例所述的方法包括如果该子窗口扫描图像已经通过了根节点的处理和[-45°,45°]倾斜角度区间的分类器子树处理,且处理过程能够从该分类器子树的某个或某些叶节点输出有效结果,则认为该子窗口扫描图像已经被分类在[-45°,45°]倾斜角度区间内的某个子区间,以及某个摇摆角度的子区间;那些被[-45°,45°]倾斜角度的分类器子树否决的待检测子窗口的坐标信息将缓存起来,只有那些被前一个90度的倾斜角度分类器子树否决的子窗口才会送入下一个90度的倾斜角度的分类器子树进行进一步处理;当图像中所有子窗口扫描图像被[-45°,45°]倾斜角度分类器子树处理完毕后,对[-45°,45°]倾斜角度分类器子树的特征计算部件进行更新,从而使得相应的特征可以旋转90度、180度和270度,以同一套硬件来顺序实现[45°,135°]、[135°,-135°]和[-135°,-45°]另外三个倾斜角度区间的分类器子树;硬件实现代价小,检测准确率高,检测速度快。
如图4所示,本发明的实施例还提供了一种多角度并行的人脸检测装置,包括:
获取模块,用于获取图像数据,并计算出所述图像数据的积分图像;
检测模块,用于对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
其中,所述检测模块具体用于根据多个预设滑动窗口尺寸依次设定所述滑动窗口的大小,在将所述滑动窗口尺寸设定为每一预设滑动窗口尺寸时,使用设定后的滑动窗口对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
其中,所述检测模块包括:
计算模块,用于当所述子窗口扫描图像到达树形分类器结构中负责人脸/非人脸分类检测的根节点时,进行特征计算;
根节点判别模块,用于根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别。
其中,所述根节点判别模块具体用于根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止。
其中,所述装置还包括:
子分类器节点判别模块,用于若所述根节点的最后一级的强分类器判别所述子窗口扫描图像为人脸,则将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别。
其中,所述子分类器节点判别模块包括:
第一判别子模块,用于将所有的子窗口扫描图像依次送入第一层子分类器节点的第一个子分类器处理;
传输模块,用于将能够输出有效结果的子窗口扫描图像送入下一层子分类器节点,并缓存不能够输出有效结果的子窗口扫描图像;
更新模块,用于待所述第一层子分类器节点的第一个子分类器处理完所有的子窗口扫描图像时,更新所述第一层子分类器节点,使所述第一层子分类器节点还原为初始状态。
其中,所述子分类器节点判别模块还包括:
第二判别子模块,用于将缓存的不能够输出有效结果的子窗口扫描图像送入更新后的第一层子分类器节点的第二个子分类器处理。
本发明的上述实施例所述的多角度并行的人脸检测装置通过树形分类器框架结构和高效的分类器检测机制实现了±90度摇摆角度和360度倾斜角度范围内的多角度人脸检测,充分挖掘算法的并行性,使用硬件加速技术大大降低了检测过程的执行时间,通过对硬件体系结构模板进行动态配置,硬件实现代价小,检测准确率高,检测速度快。
本发明的实施例还提供了终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例所述方法的步骤。
如图6所示,本发明的上述实施例所述的终端设备包括负责生成输入图像的积分图数据的积分图计算部件,负责生成不同尺寸和不同滑动坐标的子窗口的滑动窗口扫描控制部件,以及树形人脸分类器组件,负责对子窗口进行人脸分类,由多个分类器按照图5的方式组织成树形结构,每个分类器节点负责在摇摆或者倾斜角度内的某个子区间的姿态的分类判别,每个分类器节点包括一个特征计算部件和一个分类函数实现模块;其中,积分图计算部件的结果送入树形人脸分类器组件和滑动窗口扫描控制部件,另外人脸分类器需要用到滑动窗口扫描控制模块生成的子窗口扫描图像,所有模块生成的中间结果通过一个多端口的存储控制器保存在主存储器中;其中,所述树形人脸分类器组件中不同的分类器节点具有相似的结构,每个节点的输入数据是待检测子窗口的特征数值和用来指示当前分类器节点是否需要被激活的使能信号,输出数据是用来指示待检测子窗口是否属于当前人脸姿态区间的一个布尔值信号。一个分类器节点的所有直接子节点使用由同一个特征计算部件生成的特征数值集合。对于非叶节点,输出结果被送入它的所有子节点作为这些子节点的使能信号;否则,叶节点的输出结果即为当前子窗口的检测结果。前一个强分类器的输出作为后一个强分类器的使能信号。
如图7所示,每一层有一个特征计算部件负责将所生成的特征数值送入所有具有相同父节点的分类器节点。当一个特征子窗口到达某个节点时,如果该节点的输入使能信号为无效,那么该节点及所有的子节点将不需要对该特征子窗口进行处理;否则,该节点位于Stage 1的强分类器开始对子窗口进行处理。如果Stage 1的输出为无效,该子窗口在该分类器分支的处理将停止;否则,Stage 1的输出为有效,并激活Stage 2。每个节点的最后输出只有当该节点最后一个Stage的输出为有效时才有效。该节点的输出将连接到它的所有子节点的使能信号。这些子节点的处理方式与它们的父节点相同。在每个检测节点中,不同Stage的强分类器也以流水线的方式对特征子窗口进行处理。
其中,每个强分类器的输出为若干乘积的累加和的符号,其中每个乘积由一个常数αt和由的输出决定的一个-1或+1的数值组成,因此这些乘积的累加和实际上是若干αt的加法或减法操作;不同的强分类器具有相似的结构,只是分类函数的参数以及弱分类器的数量有所不同。每个检测节点中位于不同Stage的强分类器中所包含的弱分类器的数量不同,另外,αt与弱分类器所使用的特征集合也有所不同。
如图8所示,特征计算模块计算出的T个特征数值被同时送入T个弱分类器ht;由于ht的输出具有二值化特性,因此使用ht的输出作为一个多路选择器的选择信号来决定αt的符号;T个多路选择器的输出通过若干加法器累加起来得到最后的结果。
如图9所示,通过减少加法器的数量降低并行结构的处理延迟,使用查找表(Look-Up-Table,LUT)结构替换多路选择器结构,将αt的加减法操作分组,并将中间结果事先编码到LUT部件中。
其中,弱分类器的处理过程分为两个阶段。
如图10所示,对于每个强分类器中的第t个弱分类器,待检测子窗口的特征数值首先被送入所有k个h′t,其中每个h′t对应一个姿态区间,所有k个输出将以全互联的映射关系送入所有k个h″t。
如图11所示,不同的h′t具有相似的结构。基于特征分片的分类函数采用图11所示的LUT部件并行实现,LUT中的每个元素对应一个特征划分区间(用bin表示)的置信常数。输入数据为归一化的特征数值,它们作为LUT的访问地址。如果特征数值位于所有p个特征区间的第j个,它对应的cj即为输出的结果。
如图12所示,不同的h″t也具有相似的结构。分类函数采用图12所示的硬件结构实现并行处理,该部件只包括一些比较部件和逻辑运算部件。
本发明的上述实施例所述的多角度并行的人脸检测方法、装置及终端设备通过树形分类器框架结构和高效的分类器检测机制实现了±90度摇摆角度和360度倾斜角度范围内的多角度人脸检测,充分挖掘算法的并行性,使用硬件加速技术大大降低了检测过程的执行时间,通过对硬件体系结构模板进行动态配置,硬件实现代价小,检测准确率高,检测速度快。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多角度并行的人脸检测方法,其特征在于,包括:
获取图像数据,并计算出所述图像数据的积分图像;
对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
2.根据权利要求1所述的多角度并行的人脸检测方法,其特征在于,所述对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测的步骤包括:
根据多个预设滑动窗口尺寸依次设定所述滑动窗口的大小,在将所述滑动窗口尺寸设定为每一预设滑动窗口尺寸时,使用设定后的滑动窗口对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
3.根据权利要求1所述的多角度并行的人脸检测方法,其特征在于,所述将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测的步骤包括:
当所述子窗口扫描图像到达树形分类器结构中负责人脸/非人脸分类检测的根节点时,进行特征计算;
根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别。
4.根据权利要求3所述的多角度并行的人脸检测方法,其特征在于,所述根节点由多个级别的强分类器通过级联组成。
5.根据权利要求4所述的多角度并行的人脸检测方法,其特征在于,所述根据所述特征计算的结果,使用根节点的分类器对所述子窗口扫描图像进行人脸/非人脸分类判别的步骤包括:
根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止。
6.根据权利要求5所述的多角度并行的人脸检测方法,其特征在于,根据所述特征计算的结果依次使用每个级别的强分类器对所述子窗口扫描图像进行人脸/非人脸分类判别,直到判别所述子窗口扫描图像为非人脸或最后一级的强分类器判别所述子窗口扫描图像为人脸为止的步骤之后,所述方法还包括:
若所述根节点的最后一级的强分类器判别所述子窗口扫描图像为人脸,则将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别。
7.根据权利要求6所述的多角度并行的人脸检测方法,其特征在于,所述将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别的步骤包括:
将所有的子窗口扫描图像依次送入第一层子分类器节点的第一个子分类器处理;
将能够输出有效结果的子窗口扫描图像送入下一层子分类器节点,并缓存不能够输出有效结果的子窗口扫描图像;
待所述第一层子分类器节点的第一个子分类器处理完所有的子窗口扫描图像时,更新所述第一层子分类器节点,使所述第一层子分类器节点还原为初始状态。
8.根据权利要求7所述的多角度并行的人脸检测方法,其特征在于,所述将所述子窗口扫描图像送入树形分类器结构所包括的多层子分类器节点进行多种摇摆角度或倾斜角度的人脸判别的步骤还包括:
将缓存的不能够输出有效结果的子窗口扫描图像送入更新后的第一层子分类器节点的第二个子分类器处理。
9.一种多角度并行的人脸检测装置,其特征在于,包括:
获取模块,用于获取图像数据,并计算出所述图像数据的积分图像;
检测模块,用于对所述积分图像进行滑动窗口扫描,得到与所述积分图像相对应的多个子窗口扫描图像,并将得到的每个子窗口扫描图像送入树形人脸检测分类器进行人脸检测。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547594.1A CN107368797A (zh) | 2017-07-06 | 2017-07-06 | 多角度并行的人脸检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710547594.1A CN107368797A (zh) | 2017-07-06 | 2017-07-06 | 多角度并行的人脸检测方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107368797A true CN107368797A (zh) | 2017-11-21 |
Family
ID=60306656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710547594.1A Pending CN107368797A (zh) | 2017-07-06 | 2017-07-06 | 多角度并行的人脸检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368797A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388857A (zh) * | 2018-02-11 | 2018-08-10 | 广东欧珀移动通信有限公司 | 人脸检测方法及相关设备 |
CN108446602A (zh) * | 2018-02-28 | 2018-08-24 | 中科视拓(北京)科技有限公司 | 一种用于人脸检测的装置和方法 |
CN110647907A (zh) * | 2019-08-05 | 2020-01-03 | 广东工业大学 | 利用多层分类和字典学习的多标签图像分类算法 |
CN110796029A (zh) * | 2019-10-11 | 2020-02-14 | 北京达佳互联信息技术有限公司 | 人脸校正及模型训练方法、装置、电子设备及存储介质 |
CN113516171A (zh) * | 2021-05-19 | 2021-10-19 | 电子科技大学 | 基于贝叶斯神经网络随机加法分解结构的图像分类方法 |
CN114089433A (zh) * | 2020-08-05 | 2022-02-25 | 恒景科技股份有限公司 | 存在检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129572A (zh) * | 2011-02-25 | 2011-07-20 | 杭州海康威视软件有限公司 | 采用级联分类器的人脸检测方法及其装置 |
CN102136075A (zh) * | 2011-03-04 | 2011-07-27 | 杭州海康威视软件有限公司 | 复杂场景下的多视角人脸检测方法及其装置 |
CN102467655A (zh) * | 2010-11-05 | 2012-05-23 | 株式会社理光 | 多角度人脸检测方法和系统 |
CN106503700A (zh) * | 2016-12-30 | 2017-03-15 | 哈尔滨理工大学 | 基于FPGA的Haar特征多处理架构人脸检测系统及检测方法 |
-
2017
- 2017-07-06 CN CN201710547594.1A patent/CN107368797A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467655A (zh) * | 2010-11-05 | 2012-05-23 | 株式会社理光 | 多角度人脸检测方法和系统 |
CN102129572A (zh) * | 2011-02-25 | 2011-07-20 | 杭州海康威视软件有限公司 | 采用级联分类器的人脸检测方法及其装置 |
CN102136075A (zh) * | 2011-03-04 | 2011-07-27 | 杭州海康威视软件有限公司 | 复杂场景下的多视角人脸检测方法及其装置 |
CN106503700A (zh) * | 2016-12-30 | 2017-03-15 | 哈尔滨理工大学 | 基于FPGA的Haar特征多处理架构人脸检测系统及检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388857A (zh) * | 2018-02-11 | 2018-08-10 | 广东欧珀移动通信有限公司 | 人脸检测方法及相关设备 |
CN108446602A (zh) * | 2018-02-28 | 2018-08-24 | 中科视拓(北京)科技有限公司 | 一种用于人脸检测的装置和方法 |
CN108446602B (zh) * | 2018-02-28 | 2021-08-20 | 中科视拓(北京)科技有限公司 | 一种用于人脸检测的装置和方法 |
CN110647907A (zh) * | 2019-08-05 | 2020-01-03 | 广东工业大学 | 利用多层分类和字典学习的多标签图像分类算法 |
CN110796029A (zh) * | 2019-10-11 | 2020-02-14 | 北京达佳互联信息技术有限公司 | 人脸校正及模型训练方法、装置、电子设备及存储介质 |
CN114089433A (zh) * | 2020-08-05 | 2022-02-25 | 恒景科技股份有限公司 | 存在检测系统 |
CN114089433B (zh) * | 2020-08-05 | 2024-02-09 | 恒景科技股份有限公司 | 存在检测系统 |
CN113516171A (zh) * | 2021-05-19 | 2021-10-19 | 电子科技大学 | 基于贝叶斯神经网络随机加法分解结构的图像分类方法 |
CN113516171B (zh) * | 2021-05-19 | 2023-04-07 | 电子科技大学 | 基于贝叶斯神经网络随机加法分解结构的图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368797A (zh) | 多角度并行的人脸检测方法、装置及终端设备 | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
US7430315B2 (en) | Face recognition system | |
Srisuk et al. | A new robust face detection in color images | |
Li et al. | A near-infrared image based face recognition system | |
WO2020187160A1 (zh) | 基于级联的深层卷积神经网络的人脸识别方法及系统 | |
Jun et al. | Robust real-time face detection using face certainty map | |
CN109145742A (zh) | 一种行人识别方法及系统 | |
Guo et al. | Real-time hand detection based on multi-stage HOG-SVM classifier | |
Ballotta et al. | Fully convolutional network for head detection with depth images | |
Lu et al. | Eye detection based on rectangle features and pixel-pattern-based texture features | |
Mitsui et al. | Object detection by joint features based on two-stage boosting | |
Curran et al. | The use of neural networks in real-time face detection | |
Navabifar et al. | A Fusion Approach Based on HOG and Adaboost Algorithm for Face Detection under Low-Resolution Images. | |
Fu et al. | Rotation invariant multi-view color face detection based on skin color and Adaboost algorithm | |
Zhang et al. | Embedded face recognition system based on multi-task convolutional neural network and LBP features | |
Brimblecombe | Face detection using neural networks | |
Soni et al. | A Review of Recent Advances Methodologies for Face Detection | |
Zhang et al. | Face detection based on multi task learning and multi layer feature fusion | |
Srithar et al. | Improved Haar cascade feature extraction and access control framework for rich internet applications | |
Wang et al. | Pedestrian detection using coarse-to-fine method with haar-like and shapelet features | |
Chen et al. | A novel facial feature localization method using probabilistic-like output | |
CN108846442A (zh) | 一种基于决策树的打电话手势视觉检测算法 | |
Kim et al. | Face detection for low power event detection in intelligent surveillance system | |
Srisuk et al. | A novel approach for robust, fast and accurate face detection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171121 |