CN107368810A - 人脸检测方法及装置 - Google Patents

人脸检测方法及装置 Download PDF

Info

Publication number
CN107368810A
CN107368810A CN201710598050.8A CN201710598050A CN107368810A CN 107368810 A CN107368810 A CN 107368810A CN 201710598050 A CN201710598050 A CN 201710598050A CN 107368810 A CN107368810 A CN 107368810A
Authority
CN
China
Prior art keywords
image
candidate region
feature
region
face
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
CN201710598050.8A
Other languages
English (en)
Inventor
杨松
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.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201710598050.8A priority Critical patent/CN107368810A/zh
Publication of CN107368810A publication Critical patent/CN107368810A/zh
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • 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

Abstract

本公开是关于人脸检测方法及装置。该方法包括：对彩色图像进行显著性检测，获取人脸的候选区域；确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图；其中，深度图像用于反映彩色图像中各像素的深度；根据第一特征图和第二特征图，确定候选区域属于人脸的概率；根据候选区域属于人脸的概率，确定人脸的位置区域。本公开通过将彩色图像和深度图像联合进行分析，能够提高人脸检测的准确性，提高用户体验。

Description

人脸检测方法及装置
技术领域
本公开涉及图像处理领域，尤其涉及人脸检测方法及装置。
背景技术
人脸检测是指对于任意一幅给定的图像，采用一定的策略对图像进行搜索以确定图像中是否含有人脸，以及人脸的位置、大小和姿态等。通过人脸检测技术确定图片中人脸位置的难点主要有两方面：一方面是由于人脸内在的变化所引起：(1)人脸具有相当复杂的细节变化，不同的外貌如脸形、肤色等，不同的表情如眼、嘴的开与闭等；(2)人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等；另外一方面由于外在条件变化所引起：(1)由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；(2)光照的影响，如图像中的亮度、对比度的变化和阴影等；(3)图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等。
相关技术中，实现人脸检测的算法主要包括：模板匹配模型、肤色模型、支持向量机(SVM，Support Vector Machine)模型、自适应增强算法(Adaboost)模型、及卷积神经网络(CNN，Convolutional neural network)模型等。
发明内容
为克服相关技术中存在的问题，本公开实施例提供一种人脸检测方法及装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种人脸检测方法，包括：
对彩色图像进行显著性检测，获取人脸的候选区域；
确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图；其中，所述深度图像用于反映所述彩色图像中各像素的深度；
根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率；
根据所述候选区域属于人脸的概率，确定所述人脸的位置区域。
在一个实施例中，所述确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图，包括：
对所述彩色图像和所述深度图像分别进行特征提取，获取所述彩色图像的特征图及所述深度图像的特征图；
确定所述候选区域在所述彩色图像的特征图中对应的第一特征区域，将所述第一特征区域确定为所述候选区域在所述彩色图像中对应的图像区域的第一特征图；
确定所述候选区域在所述深度图像的特征图中对应的第二特征区域，将所述第二特征区域确定为所述候选区域在所述深度图像中对应的图像区域的第二特征图。
在一个实施例中，所述对所述彩色图像和所述深度图像分别进行特征提取，获取所述彩色图像的特征图及所述深度图像的特征图，包括：
对所述彩色图像进行CNN卷积神经网络运算，得到所述彩色图像的特征图；
对所述深度图像进行CNN运算，得到所述深度图像的特征图。
在一个实施例中，所述根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率，包括：
将所述第一特征图映射为预设长度的第一特征向量，及将所述第二特征图映射为所述预设长度的第二特征向量；
将所述第一特征向量和所述第二特征向量进行向量拼接，得到目标特征向量；
根据所述目标特征向量确定所述候选区域属于人脸的概率。
在一个实施例中，所述根据所述目标特征向量确定所述候选区域属于人脸的概率，包括：
根据支持向量机SVM分类器对所述目标特征向量进行分类，确定所述候选区域属于人脸的概率。
在一个实施例中，所述根据所述候选区域属于人脸的概率，确定所述人脸的位置区域，包括：
根据各所述候选区域属于人脸的概率，将概率大于预设阈值的候选区域确定为目标区域；
对所述目标区域进行非最大值抑制，确定所述人脸的位置区域。
根据本公开实施例的第二方面，提供一种人脸检测装置，包括：
检测模块，用于对彩色图像进行显著性检测，获取人脸的候选区域；
第一确定模块，用于确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图；其中，所述深度图像用于反映所述彩色图像中各像素的深度；
第二确定模块，用于根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率；
第三确定模块，用于根据所述候选区域属于人脸的概率，确定所述人脸的位置区域。
在一个实施例中，所述第一确定模块，包括：
特征提取子模块，用于对所述彩色图像和所述深度图像分别进行特征提取，获取所述彩色图像的特征图及所述深度图像的特征图；
第一确定子模块，用于确定所述候选区域在所述彩色图像的特征图中对应的第一特征区域，将所述第一特征区域确定为所述候选区域在所述彩色图像中对应的图像区域的第一特征图；
第二确定子模块，用于确定所述候选区域在所述深度图像的特征图中对应的第二特征区域，将所述第二特征区域确定为所述候选区域在所述深度图像中对应的图像区域的第二特征图。
在一个实施例中，所述特征提取子模块，对所述彩色图像进行CNN卷积神经网络运算得到所述彩色图像的特征图，对所述深度图像进行CNN运算得到所述深度图像的特征图。
在一个实施例中，所述第二确定模块，包括：
映射子模块，用于将所述第一特征图映射为预设长度的第一特征向量，及将所述第二特征图映射为所述预设长度的第二特征向量；
向量拼接子模块，用于将所述第一特征向量和所述第二特征向量进行向量拼接，得到目标特征向量；
概率确定子模块，用于根据所述目标特征向量确定所述候选区域属于人脸的概率。
在一个实施例中，所述概率确定子模块根据支持向量机SVM分类器对所述目标特征向量进行分类，确定所述候选区域属于人脸的概率。
在一个实施例中，所述第三确定模块，包括：
目标区域确定子模块，用于根据各所述候选区域属于人脸的概率，将概率大于预设阈值的候选区域确定为目标区域；
位置区域确定子模块，用于对所述目标区域进行非最大值抑制，确定所述人脸的位置区域。
根据本公开实施例的第三方面，提供一种人脸检测装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
对彩色图像进行显著性检测，获取人脸的候选区域；
确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图；其中，所述深度图像用于反映所述彩色图像中各像素的深度；
根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率；
根据所述候选区域属于人脸的概率，确定所述人脸的位置区域。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：该技术方案根据候选区域在彩色图像中对应的图像区域的第一特征图及候选区域在深度图像中对应的图像区域的第二特征图，综合确定候选区域属于人脸的概率，通过将彩色图像和深度图像联合进行分析，提高人脸检测的准确性，能够提高用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的人脸检测方法的流程图。
图2是根据一示例性实施例示出的人脸检测方法的流程图。
图3是根据一示例性实施例示出的人脸检测装置的框图。
图4是根据一示例性实施例示出的人脸检测装置的框图。
图5是根据一示例性实施例示出的人脸检测装置的框图。
图6是根据一示例性实施例示出的人脸检测装置的框图。
图7是根据一示例性实施例示出的人脸检测装置的框图。
图8是根据一示例性实施例示出的人脸检测装置的框图。
图9是根据一示例性实施例示出的人脸检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中，实现人脸检测的算法主要包括：模板匹配模型、肤色模型、支持向量机(SVM，Support Vector Machine)模型、自适应增强算法(Adaboost)模型、及卷积神经网络(CNN，Convolutional neural network)模型等。然而，上述实现人脸检测的算法普遍存在准确率较低的问题，影响用户体验。
为了解决上述问题，本公开实施例提供了一种人脸检测方法，该方法包括：对彩色图像进行显著性检测，获取人脸的候选区域；确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图；其中，深度图像用于反映彩色图像中各像素的深度；根据第一特征图和第二特征图，确定候选区域属于人脸的概率；根据候选区域属于人脸的概率，确定人脸的位置区域。
本公开实施例提供的人脸检测方法中，根据候选区域在彩色图像中对应的图像区域的第一特征图及候选区域在深度图像中对应的图像区域的第二特征图，综合确定候选区域属于人脸的概率，从而通过将彩色图像和深度图像联合进行分析，能够提高人脸检测的准确性，提高用户体验。
基于上述分析，提出以下各具体实施例。
图1是根据一示例性实施例示出的一种人脸检测方法的流程图，该方法的执行主体可以为终端，终端例如是手机、平板电脑、台式机、笔记本电脑等；如图1所示，该方法包括以下步骤101-104：
在步骤101中，对彩色图像进行显著性检测，获取人脸的候选区域；
示例的，终端以手机为例，对于配备双摄像头的手机，基于双摄像头可以计算得到彩色图像对应的深度图像，深度图像用于反映彩色图像中各像素的深度，即反映彩色图像的每个像素上的物体与手机的距离。终端也可配置深度摄像头，例如红外摄像头，可以直接获取彩色图像对应的深度图像。示例的，对彩色图像进行显著性检测的实现方法可以包括选择性搜索(Selective Search)、或区域建议网络(RPN，Region Proposal Networks)等。
示例的，候选区域可以为多个；步骤101中获取的是人脸的候选区域的位置坐标，例如，人脸的候选区域为R＝{r1,r2,...,rn}，其中，ri＝(x,y,w,h)，i的取值范围为1-n；n为候选区域的数量，n可以为几百到几千个。
在步骤102中，确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图；其中，深度图像用于反映彩色图像中各像素的深度；
示例的，第一特征图可以为候选区域的颜色特征，第二特征图可以为候选区域的深度特征。
示例的，确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图的实现方式可以包括：
方式1、对候选区域在彩色图像中对应的图像区域进行特征提取，确定候选区域在彩色图像中对应的图像区域的第一特征图；对候选区域在深度图像中对应的图像区域进行特征提取，确定候选区域在深度图像中对应的图像区域的第二特征图。
例如，对图像区域进行特征提取的方法可以包括CNN运算，其中，CNN网络的层数、每一层的卷积核大小和数量根据实际需要进行确定。方式1需要针对不同的候选区域在彩色图像中对应的不同图像区域分别进行特征提取，例如CNN运算，及针对不同的候选区域在深度图像中对应的不同图像区域分别进行特征提取，运算量较大。
方式2、对彩色图像和深度图像分别进行特征提取，获取彩色图像的特征图及深度图像的特征图；确定候选区域在彩色图像的特征图中对应的第一特征区域，将第一特征区域确定为候选区域在彩色图像中对应的图像区域的第一特征图；确定候选区域在深度图像的特征图中对应的第二特征区域，将第二特征区域确定为候选区域在深度图像中对应的图像区域的第二特征图。
例如，对彩色图像和深度图像分别进行特征提取的实现方式可以包括：对彩色图像进行CNN运算，得到彩色图像的特征图；对深度图像进行CNN运算，得到深度图像的特征图。相比于方式1，方式2仅需要对彩色图像和深度图像分别进行特征提取，例如方式2仅需要对彩色图像和深度图像分别进行CNN运算，极大地降低了运算量。
方式2中确定候选区域在彩色图像的特征图中对应的第一特征区域的方式例如：将人脸的候选区域r映射到彩色图像的特征图Fc中，得到每一个候选区域r在Fc中对应的特征区域rc＝(xc,yc,wc,hc)＝(sc*x,sc*y,sc*w,sc*h)，sc为从彩色图像尺寸到彩色图像的特征图尺寸的缩放系数。
方式2中确定候选区域在深度图像的特征图中对应的第二特征区域的方式例如：将人脸的候选区域r映射到深度图像的特征图Fd中，得到每一个候选区域r在Fd中对应的特征区域rd＝(xd,yd,wd,hd)＝(sd*x,sd*y,sd*w,sd*h)，sd为从深度图像尺寸到深度图像的特征图尺寸的缩放系数。
在步骤103中，根据第一特征图和第二特征图，确定候选区域属于人脸的概率；
示例的，将第一特征图映射为预设长度的第一特征向量，及将第二特征图映射为预设长度的第二特征向量；将第一特征向量和第二特征向量进行向量拼接，得到目标特征向量；根据目标特征向量确定候选区域属于人脸的概率。例如，对第一特征图进行交除并(ROI，intersection over union)池(Pooling)，将第一特征图映射为预设长度的第一特征向量，及对第二特征图进行ROI Pooling，将第二特征图映射为预设长度的第二特征向量；其中，ROI Pooling能将不同尺寸的特征图映射为相同尺寸，尺寸例如为长度。目标特征向量的长度为两倍的预设长度。
例如，根据目标特征向量确定候选区域属于人脸的概率的实现方式可以包括：根据SVM分类器对目标特征向量进行分类，确定候选区域属于人脸的概率。
在步骤104中，根据候选区域属于人脸的概率，确定人脸的位置区域。
示例的，根据各候选区域属于人脸的概率，将各候选区域中概率小于预设阈值的候选区域进行过滤，将概率大于预设阈值的候选区域确定为目标区域；对所有的目标区域进行去重，例如对所有的目标区域进行非最大值抑制，将未被抑制或过滤的目标区域确定人脸的位置区域。例如，预设阈值为0.8。
本公开的实施例提供的技术方案，根据候选区域在彩色图像中对应的图像区域的第一特征图及候选区域在深度图像中对应的图像区域的第二特征图，综合确定候选区域属于人脸的概率，通过将彩色图像和深度图像联合进行分析，提高人脸检测的准确性，如此，能够提高用户体验。
作为一种可能的实施例，这里提供一种人脸检测的方法，通过将设备采集到的彩色图像和深度图像相结合，以提高人脸检测的准确率。参见图2，该方法包括如下步骤：
步骤201、对彩色图像进行显著性检测，找出人脸的候选区域R，其中，R＝{r1,r2,...,rn}，其中r＝(x,y,w,h)，r为候选区域的位置坐标，n为候选区域的数量，n为几百到几千个；常见的显著性检测方法包括Selective Search、及RPN等。
步骤202、对彩色图像进行多层的CNN卷积运算，得到彩色图像的特征图Fc；CNN网络的层数、每一层的卷积核大小和数量可以根据实际的需要来调整，在算法速度和精度上做出权衡。例如如果想提高算法的速度，可以减少卷积的层数和每一层卷积核的数量，相应的，算法会损失一定的精度。
步骤203、对深度图像进行多层的CNN卷积运算，得到深度图像的特征图Fd。
步骤204、将每一个人脸的候选区域r映射到彩色图像的特征图Fc中，得到每一个候选区域r在Fc中对应的区域
rc＝(xc,yc,wc,hc)＝(sc*x,sc*y,sc*w,sc*h)，sc为从彩色图像尺寸到其特征图尺寸的缩放系数。
步骤205、将每一个人脸的候选区域r映射到深度图像的特征图Fd中，得到每一个候选区域r在Fd中对应的区域
rd＝(xd,yd,wd,hd)＝(sd*x,sd*y,sd*w,sd*h)，sd为从深度图像尺寸到其特征图尺寸的缩放系数。
步骤206、对每一个候选区域所对应的彩色图像的特征区域rc进行ROI Pooling，将rc映射为固定长度的特征向量fc，即候选区域的颜色特征；这里特征向量的长度为256。注：ROI Pooling能将不同尺寸的特征区域映射到相同尺寸(长度)，因为后续的特征分类要求固定长度的输入。
步骤207、对每一个候选区域所对应的深度图像的特征区域rd进行ROI Pooling，将rd映射为固定长度的特征向量fd，即候选区域的深度特征；这里特征向量的长度为256。
步骤208、将特征向量fc和特征向量fd进行拼接，组合为一个特征向量f，即候选区域的综合特征；其中，f的长度为512，。
步骤209、用SVM分类器对特征向量f进行分类，得到该特征向量所对应的人脸的候选区域是人脸的概率。
步骤210、将概率小于0.8的候选区域进行过滤；对所有未被过滤的候选区域进行IOU＝0.5的非最大值抑制，余下的候选区域就是最终人脸检测的结果。
本公开的实施例提供的技术方案，通过将彩色图像和深度图像相结合进行处理，并利用了卷积神经网络特征的强大的判别能力，有效的提高人脸检测的准确率。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图3是根据一示例性实施例示出的一种人脸检测装置的框图，该装置可以采用各种方式来实施，例如在终端中实施装置的全部组件，或者，在终端侧以耦合的方式实施装置中的组件；该装置可以通过软件、硬件或者两者的结合实现上述本公开涉及的方法，如图3所示，该人脸检测装置包括：检测模块301、第一确定模块302、第二确定模块303及第三确定模块304，其中：
检测模块301被配置为对彩色图像进行显著性检测，获取人脸的候选区域；
第一确定模块302被配置为确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图；其中，深度图像用于反映彩色图像中各像素的深度；
第二确定模块303被配置为根据第一特征图和第二特征图，确定候选区域属于人脸的概率；
第三确定模块304被配置为根据候选区域属于人脸的概率，确定人脸的位置区域。
本公开实施例提供的装置能够用于执行图1所示实施例的技术方案，其执行方式和有益效果类似，此处不再赘述。
在一种可能的实施方式中，如图4所示，图3示出的人脸检测装置还可以包括把第一确定模块302配置成包括：特征提取子模块401、第一确定子模块402及第二确定子模块403，其中：
特征提取子模块401被配置为对彩色图像和深度图像分别进行特征提取，获取彩色图像的特征图及深度图像的特征图；
第一确定子模块402被配置为确定候选区域在彩色图像的特征图中对应的第一特征区域，将第一特征区域确定为候选区域在彩色图像中对应的图像区域的第一特征图；
第二确定子模块403被配置为确定候选区域在深度图像的特征图中对应的第二特征区域，将第二特征区域确定为候选区域在深度图像中对应的图像区域的第二特征图。
示例的，特征提取子模块401对彩色图像进行CNN卷积神经网络运算得到彩色图像的特征图，特征提取子模块401对深度图像进行CNN运算得到深度图像的特征图。
在一种可能的实施方式中，如图5所示，图3示出的人脸检测装置还可以包括把第二确定模块303配置成包括：映射子模块501、向量拼接子模块502及概率确定子模块503，其中：
映射子模块501被配置为将第一特征图映射为预设长度的第一特征向量，及将第二特征图映射为预设长度的第二特征向量；
向量拼接子模块502被配置为将第一特征向量和第二特征向量进行向量拼接，得到目标特征向量；
概率确定子模块503被配置为根据目标特征向量确定候选区域属于人脸的概率。
示例的，概率确定子模块503根据支持向量机SVM分类器对目标特征向量进行分类，确定候选区域属于人脸的概率。
在一种可能的实施方式中，如图6所示，图3示出的人脸检测装置还可以包括把第三确定模块304配置成包括：目标区域确定子模块601及位置区域确定子模块602，其中：
目标区域确定子模块601被配置为根据各候选区域属于人脸的概率，将概率大于预设阈值的候选区域确定为目标区域；
位置区域确定子模块602被配置为对目标区域进行非最大值抑制，确定人脸的位置区域。
图7是根据一示例性实施例示出的一种人脸检测装置700的框图，人脸检测装置700适用于终端，人脸检测装置700包括：
处理器701；
用于存储处理器可执行指令的存储器702；
其中，处理器701被配置为：
对彩色图像进行显著性检测，获取人脸的候选区域；
确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图；其中，深度图像用于反映彩色图像中各像素的深度；
根据第一特征图和第二特征图，确定候选区域属于人脸的概率；
根据候选区域属于人脸的概率，确定人脸的位置区域。
在一个实施例中，上述处理器701还可被配置为：
对彩色图像和深度图像分别进行特征提取，获取彩色图像的特征图及深度图像的特征图；
确定候选区域在彩色图像的特征图中对应的第一特征区域，将第一特征区域确定为候选区域在彩色图像中对应的图像区域的第一特征图；
确定候选区域在深度图像的特征图中对应的第二特征区域，将第二特征区域确定为候选区域在深度图像中对应的图像区域的第二特征图。
在一个实施例中，上述处理器701还可被配置为：
对彩色图像进行CNN卷积神经网络运算，得到彩色图像的特征图；
对深度图像进行CNN运算，得到深度图像的特征图。
在一个实施例中，上述处理器701还可被配置为：
将第一特征图映射为预设长度的第一特征向量，及将第二特征图映射为预设长度的第二特征向量；
将第一特征向量和第二特征向量进行向量拼接，得到目标特征向量；
根据目标特征向量确定候选区域属于人脸的概率。
在一个实施例中，上述处理器701还可被配置为：根据支持向量机SVM分类器对目标特征向量进行分类，确定候选区域属于人脸的概率。
在一个实施例中，上述处理器701还可被配置为：
根据各候选区域属于人脸的概率，将概率大于预设阈值的候选区域确定为目标区域；
对目标区域进行非最大值抑制，确定人脸的位置区域。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种人脸检测装置的框图；人脸检测装置800适用于终端；人脸检测装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制人脸检测装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在人脸检测装置800的操作。这些数据的示例包括用于在人脸检测装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为人脸检测装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为人脸检测装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在人脸检测装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当人脸检测装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当人脸检测装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为人脸检测装置800提供各个方面的状态评估。例如，传感器组件814可以检测到人脸检测装置800的打开/关闭状态，组件的相对定位，例如组件为人脸检测装置800的显示器和小键盘，传感器组件814还可以检测人脸检测装置800或人脸检测装置800一个组件的位置改变，用户与人脸检测装置800接触的存在或不存在，人脸检测装置800方位或加速/减速和人脸检测装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于人脸检测装置800和其他设备之间有线或无线方式的通信。人脸检测装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，人脸检测装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由人脸检测装置800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当存储介质中的指令由人脸检测装置800的处理器执行时，使得人脸检测装置800能够执行如下人脸检测方法，方法包括：
对彩色图像进行显著性检测，获取人脸的候选区域；
确定候选区域在彩色图像中对应的图像区域的第一特征图，及候选区域在深度图像中对应的图像区域的第二特征图；其中，深度图像用于反映彩色图像中各像素的深度；
根据第一特征图和第二特征图，确定候选区域属于人脸的概率；
根据候选区域属于人脸的概率，确定人脸的位置区域。
图9是根据一示例性实施例示出的一种人脸检测装置的框图。例如，人脸检测装置900可以被提供为一服务器。人脸检测装置900包括处理组件902，其进一步包括一个或多个处理器，以及由存储器903所代表的存储器资源，用于存储可由处理组件902的执行的指令，例如应用程序。存储器903中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件902被配置为执行指令，以执行上述方法。
人脸检测装置900还可以包括一个电源组件906被配置为执行人脸检测装置900的电源管理，一个有线或无线网络接口905被配置为将人脸检测装置900连接到网络，和一个输入输出(I/O)接口908。人脸检测装置900可以操作基于存储在存储器903的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种人脸检测方法，其特征在于，包括：
对彩色图像进行显著性检测，获取人脸的候选区域；
确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图；其中，所述深度图像用于反映所述彩色图像中各像素的深度；
根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率；
根据所述候选区域属于人脸的概率，确定所述人脸的位置区域。
2.根据权利要求1所述的方法，其特征在于，所述确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图，包括：
对所述彩色图像和所述深度图像分别进行特征提取，获取所述彩色图像的特征图及所述深度图像的特征图；
确定所述候选区域在所述彩色图像的特征图中对应的第一特征区域，将所述第一特征区域确定为所述候选区域在所述彩色图像中对应的图像区域的第一特征图；
确定所述候选区域在所述深度图像的特征图中对应的第二特征区域，将所述第二特征区域确定为所述候选区域在所述深度图像中对应的图像区域的第二特征图。
3.根据权利要求2所述的方法，其特征在于，所述对所述彩色图像和所述深度图像分别进行特征提取，获取所述彩色图像的特征图及所述深度图像的特征图，包括：
对所述彩色图像进行CNN卷积神经网络运算，得到所述彩色图像的特征图；
对所述深度图像进行CNN运算，得到所述深度图像的特征图。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率，包括：
将所述第一特征图映射为预设长度的第一特征向量，及将所述第二特征图映射为所述预设长度的第二特征向量；
将所述第一特征向量和所述第二特征向量进行向量拼接，得到目标特征向量；
根据所述目标特征向量确定所述候选区域属于人脸的概率。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标特征向量确定所述候选区域属于人脸的概率，包括：
根据支持向量机SVM分类器对所述目标特征向量进行分类，确定所述候选区域属于人脸的概率。
6.根据权利要求1所述的方法，其特征在于，所述根据所述候选区域属于人脸的概率，确定所述人脸的位置区域，包括：
根据各所述候选区域属于人脸的概率，将概率大于预设阈值的候选区域确定为目标区域；
对所述目标区域进行非最大值抑制，确定所述人脸的位置区域。
7.一种人脸检测装置，其特征在于，包括：
检测模块，用于对彩色图像进行显著性检测，获取人脸的候选区域；
第一确定模块，用于确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图；其中，所述深度图像用于反映所述彩色图像中各像素的深度；
第二确定模块，用于根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率；
第三确定模块，用于根据所述候选区域属于人脸的概率，确定所述人脸的位置区域。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，包括：
特征提取子模块，用于对所述彩色图像和所述深度图像分别进行特征提取，获取所述彩色图像的特征图及所述深度图像的特征图；
第一确定子模块，用于确定所述候选区域在所述彩色图像的特征图中对应的第一特征区域，将所述第一特征区域确定为所述候选区域在所述彩色图像中对应的图像区域的第一特征图；
第二确定子模块，用于确定所述候选区域在所述深度图像的特征图中对应的第二特征区域，将所述第二特征区域确定为所述候选区域在所述深度图像中对应的图像区域的第二特征图。
9.根据权利要求8所述的装置，其特征在于，所述特征提取子模块，对所述彩色图像进行CNN卷积神经网络运算得到所述彩色图像的特征图，对所述深度图像进行CNN运算得到所述深度图像的特征图。
10.根据权利要求7所述的装置，其特征在于，所述第二确定模块，包括：
映射子模块，用于将所述第一特征图映射为预设长度的第一特征向量，及将所述第二特征图映射为所述预设长度的第二特征向量；
向量拼接子模块，用于将所述第一特征向量和所述第二特征向量进行向量拼接，得到目标特征向量；
概率确定子模块，用于根据所述目标特征向量确定所述候选区域属于人脸的概率。
11.根据权利要求10所述的装置，其特征在于，所述概率确定子模块根据支持向量机SVM分类器对所述目标特征向量进行分类，确定所述候选区域属于人脸的概率。
12.根据权利要求7所述的装置，其特征在于，所述第三确定模块，包括：
目标区域确定子模块，用于根据各所述候选区域属于人脸的概率，将概率大于预设阈值的候选区域确定为目标区域；
位置区域确定子模块，用于对所述目标区域进行非最大值抑制，确定所述人脸的位置区域。
13.一种人脸检测装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
对彩色图像进行显著性检测，获取人脸的候选区域；
确定所述候选区域在所述彩色图像中对应的图像区域的第一特征图，及所述候选区域在深度图像中对应的图像区域的第二特征图；其中，所述深度图像用于反映所述彩色图像中各像素的深度；
根据所述第一特征图和第二特征图，确定所述候选区域属于人脸的概率；
根据所述候选区域属于人脸的概率，确定所述人脸的位置区域。
14.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
CN201710598050.8A 2017-07-20 2017-07-20 人脸检测方法及装置 Pending CN107368810A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710598050.8A CN107368810A (zh) 2017-07-20 2017-07-20 人脸检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710598050.8A CN107368810A (zh) 2017-07-20 2017-07-20 人脸检测方法及装置

Publications (1)

Publication Number Publication Date
CN107368810A true CN107368810A (zh) 2017-11-21

Family

ID=60306852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710598050.8A Pending CN107368810A (zh) 2017-07-20 2017-07-20 人脸检测方法及装置

Country Status (1)

Country Link
CN (1) CN107368810A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977628A (zh) * 2017-12-01 2018-05-01 北京旷视科技有限公司 神经网络训练方法、人脸检测方法及人脸检测装置
CN108171212A (zh) * 2018-01-19 2018-06-15 百度在线网络技术（北京）有限公司 用于检测目标的方法和装置
CN108280418A (zh) * 2017-12-12 2018-07-13 北京深醒科技有限公司 脸部图像的欺骗识别方法及装置
CN108596957A (zh) * 2018-04-26 2018-09-28 北京小米移动软件有限公司 物体跟踪方法及装置
CN108629319A (zh) * 2018-05-09 2018-10-09 北京嘀嘀无限科技发展有限公司 图像检测方法及系统
CN108846795A (zh) * 2018-05-30 2018-11-20 北京小米移动软件有限公司 图像处理方法及装置
CN109584297A (zh) * 2018-10-24 2019-04-05 北京升哲科技有限公司 目标检测方法和装置
CN109636779A (zh) * 2018-11-22 2019-04-16 华南农业大学 识别家禽体积体尺的方法、装置及存储介质
CN109934047A (zh) * 2017-12-15 2019-06-25 浙江舜宇智能光学技术有限公司 基于深度学习的人脸识别系统及其人脸识别方法
CN109993086A (zh) * 2019-03-21 2019-07-09 北京华捷艾米科技有限公司 人脸检测方法、装置、系统及终端设备
CN111428729A (zh) * 2019-01-09 2020-07-17 北京京东尚科信息技术有限公司 一种目标检测方法和装置
CN111460419A (zh) * 2020-03-31 2020-07-28 周亚琴 物联网人工智能人脸验证方法及物联网云服务器
CN112395922A (zh) * 2019-08-16 2021-02-23 杭州海康威视数字技术股份有限公司 面部动作检测方法、装置及系统
WO2022037602A1 (zh) * 2020-08-19 2022-02-24 北京字节跳动网络技术有限公司 表情变换方法、装置、电子设备和计算机可读介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971116A (zh) * 2014-04-24 2014-08-06 西北工业大学 基于Kinect的感兴趣区域检测方法
CN104966286A (zh) * 2015-06-04 2015-10-07 电子科技大学 一种3d视频显著性检测方法
CN105678288A (zh) * 2016-03-04 2016-06-15 北京邮电大学 目标跟踪方法和装置
CN106384098A (zh) * 2016-09-23 2017-02-08 北京小米移动软件有限公司 基于图像的头部姿态检测方法、装置以及终端
CN106408037A (zh) * 2015-07-30 2017-02-15 阿里巴巴集团控股有限公司 图像识别方法及装置
CN106447677A (zh) * 2016-10-12 2017-02-22 广州视源电子科技股份有限公司 图像处理方法和装置
CN106650575A (zh) * 2016-09-19 2017-05-10 北京小米移动软件有限公司 人脸检测方法及装置
CN106778810A (zh) * 2016-11-23 2017-05-31 北京联合大学 基于rgb特征与深度特征的原始图像层融合方法及系统
CN106778506A (zh) * 2016-11-24 2017-05-31 重庆邮电大学 一种融合深度图像和多通道特征的表情识别方法
CN106919251A (zh) * 2017-01-09 2017-07-04 重庆邮电大学 一种基于多模态情感识别的虚拟学习环境自然交互方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971116A (zh) * 2014-04-24 2014-08-06 西北工业大学 基于Kinect的感兴趣区域检测方法
CN104966286A (zh) * 2015-06-04 2015-10-07 电子科技大学 一种3d视频显著性检测方法
CN106408037A (zh) * 2015-07-30 2017-02-15 阿里巴巴集团控股有限公司 图像识别方法及装置
CN105678288A (zh) * 2016-03-04 2016-06-15 北京邮电大学 目标跟踪方法和装置
CN106650575A (zh) * 2016-09-19 2017-05-10 北京小米移动软件有限公司 人脸检测方法及装置
CN106384098A (zh) * 2016-09-23 2017-02-08 北京小米移动软件有限公司 基于图像的头部姿态检测方法、装置以及终端
CN106447677A (zh) * 2016-10-12 2017-02-22 广州视源电子科技股份有限公司 图像处理方法和装置
CN106778810A (zh) * 2016-11-23 2017-05-31 北京联合大学 基于rgb特征与深度特征的原始图像层融合方法及系统
CN106778506A (zh) * 2016-11-24 2017-05-31 重庆邮电大学 一种融合深度图像和多通道特征的表情识别方法
CN106919251A (zh) * 2017-01-09 2017-07-04 重庆邮电大学 一种基于多模态情感识别的虚拟学习环境自然交互方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977628A (zh) * 2017-12-01 2018-05-01 北京旷视科技有限公司 神经网络训练方法、人脸检测方法及人脸检测装置
CN107977628B (zh) * 2017-12-01 2020-01-14 北京旷视科技有限公司 神经网络训练方法、人脸检测方法及人脸检测装置
CN108280418A (zh) * 2017-12-12 2018-07-13 北京深醒科技有限公司 脸部图像的欺骗识别方法及装置
CN109934047A (zh) * 2017-12-15 2019-06-25 浙江舜宇智能光学技术有限公司 基于深度学习的人脸识别系统及其人脸识别方法
CN108171212A (zh) * 2018-01-19 2018-06-15 百度在线网络技术（北京）有限公司 用于检测目标的方法和装置
CN108596957A (zh) * 2018-04-26 2018-09-28 北京小米移动软件有限公司 物体跟踪方法及装置
CN108629319A (zh) * 2018-05-09 2018-10-09 北京嘀嘀无限科技发展有限公司 图像检测方法及系统
CN108629319B (zh) * 2018-05-09 2020-01-07 北京嘀嘀无限科技发展有限公司 图像检测方法及系统
CN108846795A (zh) * 2018-05-30 2018-11-20 北京小米移动软件有限公司 图像处理方法及装置
CN109584297A (zh) * 2018-10-24 2019-04-05 北京升哲科技有限公司 目标检测方法和装置
CN109636779A (zh) * 2018-11-22 2019-04-16 华南农业大学 识别家禽体积体尺的方法、装置及存储介质
CN109636779B (zh) * 2018-11-22 2021-02-19 华南农业大学 识别家禽体积体尺的方法、装置及存储介质
CN111428729A (zh) * 2019-01-09 2020-07-17 北京京东尚科信息技术有限公司 一种目标检测方法和装置
CN109993086A (zh) * 2019-03-21 2019-07-09 北京华捷艾米科技有限公司 人脸检测方法、装置、系统及终端设备
CN109993086B (zh) * 2019-03-21 2021-07-27 北京华捷艾米科技有限公司 人脸检测方法、装置、系统及终端设备
CN112395922A (zh) * 2019-08-16 2021-02-23 杭州海康威视数字技术股份有限公司 面部动作检测方法、装置及系统
CN111460419A (zh) * 2020-03-31 2020-07-28 周亚琴 物联网人工智能人脸验证方法及物联网云服务器
CN111460419B (zh) * 2020-03-31 2020-11-27 深圳市微网力合信息技术有限公司 物联网人工智能人脸验证方法及物联网云服务器
WO2022037602A1 (zh) * 2020-08-19 2022-02-24 北京字节跳动网络技术有限公司 表情变换方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN107368810A (zh) 人脸检测方法及装置
US11678734B2 (en) Method for processing images and electronic device
US10007841B2 (en) Human face recognition method, apparatus and terminal
WO2021135601A1 (zh) 辅助拍照方法、装置、终端设备及存储介质
CN104408402B (zh) 人脸识别方法及装置
CN105550637B (zh) 轮廓点定位方法及装置
CN105469356B (zh) 人脸图像处理方法及装置
CN107527053A (zh) 目标检测方法及装置
US20210256672A1 (en) Method, electronic device and storage medium for processing image
CN107330868A (zh) 图片处理方法及装置
CN107688781A (zh) 人脸识别方法及装置
WO2018120662A1 (zh) 一种拍照方法，拍照装置和终端
CN107680033A (zh) 图片处理方法及装置
WO2020114236A1 (zh) 关键点检测方法、装置、电子设备及存储介质
CN106980840A (zh) 脸型匹配方法、装置及存储介质
CN107392166A (zh) 肤色检测方法、装置及计算机可读存储介质
US11961278B2 (en) Method and apparatus for detecting occluded image and medium
CN107464253A (zh) 眉毛定位方法及装置
CN105335714B (zh) 照片处理方法、装置和设备
CN107341777A (zh) 图片处理方法及装置
CN107463903A (zh) 人脸关键点定位方法及装置
CN107657590A (zh) 图片处理方法及装置
CN107729880A (zh) 人脸检测方法及装置
CN107958223A (zh) 人脸识别方法及装置、移动设备、计算机可读存储介质
EP4047549A1 (en) Method and device for image detection, and electronic device

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

Application publication date: 20171121

RJ01 Rejection of invention patent application after publication