CN107545249A - 一种人群年龄识别方法及装置 - Google Patents
一种人群年龄识别方法及装置 Download PDFInfo
- Publication number
- CN107545249A CN107545249A CN201710764526.0A CN201710764526A CN107545249A CN 107545249 A CN107545249 A CN 107545249A CN 201710764526 A CN201710764526 A CN 201710764526A CN 107545249 A CN107545249 A CN 107545249A
- Authority
- CN
- China
- Prior art keywords
- face
- sectional drawing
- age
- candidate frame
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人群年龄识别方法及装置，其中，该方法包括：首先，获取待识别的目标人群图像；然后，采用构建的神经网络模型对获取到的目标人群图像进行人脸检测；最后，利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。本发明实施例通过实时采集目标场所内的目标人群图像，通过构建的神经网络模型对该目标人群图像进行人脸检测，以便从目标人群图像中提取出多个人脸图像，再基于人脸年龄识别模型分别预估各人脸的年龄，从而达到自动完成人群年龄识别的目的，便于快速地确定目标人群中各个目标个体的年龄，提高了年龄获取效率和识别实时性，无需人工统计，降低了人工统计成本。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种人群年龄识别方法及装置。
背景技术
目前，在某些人群聚集的公共场所，如车站、购物商场、小区、图书馆、大型超市等，需要获取目标场所内的各个目标个体的年龄信息，这些目标个体的年龄信息可以作为重要的参考信息之一，基于这些目标个体的年龄信息，能够有效地指导管理人员采取相应的市场决策，进而实现有针对性的满足不同年龄段人群的实际需求。
通常，在获取目标场所内的各个目标个体的年龄信息过程中，需要各个目标个体对各自的年龄进行登记，以便工作人员对登记的年龄信息进行统计，由此可知，相关技术中采用人工统计的方式获取目标场所的人群中各个目标个体的年龄信息，这样存在统计效率低、信息量大、实时性差、人工成本高的问题。
发明内容
有鉴于此，本发明实施例的目的在于提供一种人群年龄识别方法及装置，以解决相关技术中采用人工统计的方式获取目标场所的人群中各个目标个体的年龄信息，这样存在统计效率低、信息量大、实时性差、人工成本高的问题。
第一方面，本发明实施例提供了一种人群年龄识别方法，该方法包括：
获取待识别的目标人群图像；
采用构建的神经网络模型对所述目标人群图像进行人脸检测；
利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述神经网络模型包括第一深度神经网络、第一支持向量机分类器、第一矫正器、以及第一筛选器；
在采用构建的神经网络模型对所述目标人群图像进行人脸检测之前，还包括：
生成所述目标人群图像的多个候选框截图；
采用构建的神经网络模型对所述目标人群图像进行人脸检测，包括：
将生成的候选框截图输入所述神经网络模型，利用所述第一深度神经网络对各候选框截图进行特征向量提取，得到每个所述候选框截图对应的第一图像特征向量；并
将所述第一图像特征向量输入所述第一支持向量机分类器，对所述第一图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图；
将确定的包含人脸的候选框截图输入所述第一矫正器，对各包含人脸的候选框截图的位置坐标进行矫正；并
将输出的经过坐标矫正的候选框截图输入所述第一筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对所述目标人群图像进行人脸检测的检测结果。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述神经网络模型还包括第二深度神经网络、第二支持向量机分类器、第二矫正器、以及第二筛选器；且所述第二深度神经网络用于提取的特征向量数量多于所述第一深度神经网络用于提取的特征向量数量；
在根据候选框截图的覆盖面积对输入的候选框截图进行筛选之后，还包括：
将经过所述第一筛选器筛选得到的候选框截图输入所述第二深度神经网络，对输入的候选框截图进行特征向量提取，得到输入的每个所述候选框截图对应的第二图像特征向量；并
将所述第二图像特征向量输入所述第二支持向量机分类器，对所述第二图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图；
将确定的包含人脸的候选框截图输入所述第二矫正器，对各包含人脸的候选框截图的位置坐标进行矫正；并
将输出的经过坐标矫正的候选框截图输入所述第二筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对所述目标人群图像进行人脸检测的最终检测结果。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述第一深度神经网络包括：依次连接的第一卷积层、第一池化层、第二卷积层、第三卷积层、以及第四卷积层；
所述第一卷积层的卷积核大小为3*3且卷积核个数为10；
所述第一池化层采用最大值池化且池化区间为2*2；
所述第二卷积层的卷积核大小为3*3且卷积核个数为18；
所述第三卷积层的卷积核大小为3*3且卷积核个数为36；
所述第四卷积层的卷积核大小为1*1且卷积核个数为8。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述第二深度神经网络包括：依次连接的第五卷积层、第二池化层、第六卷积层、第三池化层、以及全连接层；
所述第五卷积层的卷积核大小为3*3且卷积核个数为18；
所述第二池化层采用最大值池化且池化区间为2*2；
所述第六卷积层的卷积核大小为3*3且卷积核个数为36；
所述第三池化层采用均值池化且池化区间为5*5；
所述全连接层包含128个神经元。
结合第一方面至第一方面的第四种可能的实施方式中任一项，本发明实施例提供了第一方面的第五种可能的实施方式，其中，利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄，包括：
针对每个检测出的人脸，将对应的人脸截图输入至预先训练的人脸年龄识别模型，确定该人脸截图中包含的人脸在各个目标年龄下的概率值；
基于确定出的所述概率值，生成该人脸的年龄概率向量，所述年龄概率向量所包含的元素表征该人脸在各目标年龄下的概率；
将所述年龄概率向量中最大概率值对应的目标年龄确定为预估得到的该人脸的年龄。
第二方面，本发明实施例还提供了一种人群年龄识别装置，该装置包括：
目标图像获取模块，用于获取待识别的目标人群图像；
人脸检测模块，用于采用构建的神经网络模型对所述目标人群图像进行人脸检测；
年龄预估模块，用于利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述年龄预估模块，具体用于：
针对每个检测出的人脸，将对应的人脸截图输入至预先训练的人脸年龄识别模型，确定该人脸截图中包含的人脸在各个目标年龄下的概率值；
基于确定出的所述概率值，生成该人脸的年龄概率向量，所述年龄概率向量所包含的元素表征该人脸在各目标年龄下的概率；
将所述年龄概率向量中最大概率值对应的目标年龄确定为预估得到的该人脸的年龄。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上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第一方面至第一方面的第五种可能的实施方式中任一项所述的方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面至第一方面的第五种可能的实施方式中任一项所述的方法的步骤。
在本发明实施例提供的人群年龄识别方法及装置中，首先，获取待识别的目标人群图像；然后，采用构建的神经网络模型对获取到的目标人群图像进行人脸检测；最后，利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。本发明实施例通过实时采集目标场所内的目标人群图像，通过构建的神经网络模型对该目标人群图像进行人脸检测，以便从目标人群图像中提取出多个人脸图像，再基于人脸年龄识别模型分别预估各人脸的年龄，从而达到自动完成人群年龄识别的目的，便于快速地确定目标人群中各个目标个体的年龄，提高了年龄获取效率和识别实时性，无需人工统计，降低了人工统计成本。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明一实施例所提供的人群年龄识别方法的流程示意图；
图2示出了本发明另一实施例所提供的人群年龄识别方法之一的流程示意图；
图3示出了本发明另一实施例所提供的人群年龄识别方法之二的流程示意图；
图4示出了本发明又一实施例所提供的人群年龄识别方法的流程示意图；
图5示出了本发明实施例所提供的一种人群年龄识别装置的结构示意图；
图6示出了本发明实施例所提供一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做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。
考虑到相关技术中采用人工统计的方式获取目标场所的人群中各个目标个体的年龄信息，这样存在统计效率低、信息量大、实时性差、人工成本高的问题。基于此，本发明实施例提供了一种人群年龄识别方法及装置，下面通过实施例进行描述。
本发明一实施例提供了一种人群年龄识别方法，如图1所示，该方法包括如下步骤：
S101、获取待识别的目标人群图像，其中，该目标人群图像中包含多个人脸，该目标人群图像可以是通过摄像装置实时采集目标场所的预设范围内的现场图像；
S102、采用构建的神经网络模型对上述目标人群图像进行人脸检测，其中，经过人脸检测后，提取出目标人群图像中包含的多个人脸截图；
S103、利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄，从而可以基于预估出的各目标个体的年龄，对目标场所内涉及的目标个体进行年龄划分。
在本发明提供的实施例中，通过实时采集目标场所内的目标人群图像，通过构建的神经网络模型对该目标人群图像进行人脸检测，以便从目标人群图像中提取出多个人脸图像，再基于人脸年龄识别模型分别预估各人脸的年龄，从而达到自动完成人群年龄识别的目的，便于快速地确定目标人群中各个目标个体的年龄，提高了年龄获取效率和识别实时性，无需人工统计，降低了人工统计成本。
本发明另一实施例提供一种人群年龄识别方法，在该识别方法中，针对神经网络模型包括第一深度神经网络、第一支持向量机分类器、第一矫正器、以及第一筛选器的情况；如图2所示，该方法包括如下步骤：
S201、获取待识别的目标人群图像；其中，考虑到存在采集到的目标人群图像不符合预设图像处理要求的情况，为了提高后续的人脸检测准确度，在获取待识别的目标人群图像之后，还包括：对获取到的目标人群图像进行图像预处理，该图像预处理包括光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波、以及锐化中的至少一种。
S202、生成上述目标人群图像的多个候选框截图，具体的，可以按照预设的候选框划分方式，针对目标人群图像生成多个大小不一的候选框截图。
S203、将生成的候选框截图输入神经网络模型，利用第一深度神经网络对各候选框截图进行特征向量提取，得到每个候选框截图对应的第一图像特征向量。
在本步骤中，上述第一深度神经网络包括：依次连接的第一卷积层、第一池化层、第二卷积层、第三卷积层、以及第四卷积层；利用这些网络层逐层对初步生成的候选框截图进行图像特征提取。
上述第一卷积层的卷积核大小为3*3且卷积核个数为10；其中，在第一卷积层中，针对12*12的候选框截图，经过10个3*3卷积后，输出10*10*10的卷积结果，将该10*10*10的卷积结果输入第一池化层。
上述第一池化层采用最大值池化且池化区间为2*2；其中，在第一池化层中，10*10*10的卷积结果经过2*2最大池化后，输出5*5*10的卷积结果，将该5*5*10的卷积结果输入第二卷积层。
上述第二卷积层的卷积核大小为3*3且卷积核个数为18；其中，在第二卷积层中，5*5*10的卷积结果经过18个3*3卷积后，输出3*3*18的卷积结果，将该3*3*18的卷积结果输入第三卷积层。
上述第三卷积层的卷积核大小为3*3且卷积核个数为36；其中，在第三卷积层中，3*3*18的卷积结果经过36个3*3卷积后，输出1*1*36的卷积结果，将该1*1*36的卷积结果输入第四卷积层。
上述第四卷积层的卷积核大小为1*1且卷积核个数为8；其中，1*1*36的卷积结果经过8个1*1卷积后，输出1*1*8的卷积结果，即输出该候选框截图的第一图像特征向量，实现对第三卷积层输出的卷积结果进行降维处理，同时达到减少参数冗余的效果。
S204、将上述第一图像特征向量输入第一支持向量机分类器，对该第一图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图。
在本步骤中，上述第一支持向量机(SVM，Support Vector Machine)分类器为二分类分类器，能够基于输入的第一图像特征向量，判断待处理的第一图像特征向量所对应的候选框截图中是否包含人脸，过滤掉不包含人脸的候选框截图，只输出包含人脸的候选框截图，此时，可能存在两个以上的候选框截图中包含同一人脸的情况，因此，需要进行后续的真实位置矫正和覆盖面积筛选。
S205、将确定的包含人脸的候选框截图输入第一矫正器，对各包含人脸的候选框截图的位置坐标进行矫正。
在本步骤中，具体实施时，可以采用bounding box regression(边框回归)算法对各包含人脸的候选框截图的位置坐标进行矫正，即对各包含人脸的候选框截图进行平移和/或缩放，以便将该包含人脸的候选框截图调整到其在目标人群图像中的真实位置处。
具体的，在网络训练过程中选取人脸图像训练集，该人脸图像训练集中的多个人脸图像样本的真实位置能够用来确定深度神经网络中各网络层的参数、SVM分类器中的参数、以及矫正器中的参数，以第一矫正器的训练过程为例，上述第一矫正器的训练过程可以包括：
基于选取的各人脸图像样本的真实位置，以该第一矫正器的最后一网络层为起始层，利用反向传播算法和随机梯度下降算法，逐层向前求得各网络层的矫正参数，直到确定出首个网络层的矫正参数，得到相应的矫正参数集；基于该矫正参数集，生成用于对人脸位置坐标进行矫正的第一矫正器。
其中，每个网络层的矫正参数可以通过如下方式求得，具体为：
根据选取的各人脸图像样本的真实位置和目标函数求得使目标函数最小化的解集，即使得输入的候选框截图与该候选框截图对应的人脸真实位置之间的距离最小，根据求得的解集确定各网络层的矫正参数，其中，n表示训练样本的个数，J(w)为损失函数，w为参数矩阵，该参数矩阵是一个包含候选框截图的起始位置横坐标、起始位置纵坐标、实际宽度、实际高度4个元素的四维向量，λ表示用来控制正则项对输出结果的影响程度因子，R(w)表示正则项，Ji(w)＝||hi-yi||2，hi表示输入的候选框截图的位置坐标，yi是人脸真实位置坐标，即根据公式Ji(w)＝||hi-yi||2，得到的是人脸真实位置与输入的候选框截图之间的距离。
上述第一矫正器的应用过程可以包括：
接收第一支持向量机分类器输出的包含人脸的候选框截图；基于上述矫正参数集，利用边界框回归方法对接收到的包含人脸的候选框截图进行平移和/或缩放处理，以便将该包含人脸的候选框截图调整到其在目标人群图像中的真实位置处；输出坐标矫正后的候选框截图。
S206、将输出的经过坐标矫正的候选框截图输入第一筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对上述目标人群图像进行人脸检测的检测结果。
在本步骤中，可以预先在第一筛选器中设置一个第一预设阈值，确定输入的候选框截图与真实人脸位置的覆盖面积是否大于第一预设阈值，保留大于第一预设阈值的候选框截图，剔除不大于第一预设阈值的候选框截图。具体实施时，可以采用NMS(Non-maxsuppression，非极大值抑制)算法对输入的候选框截图进行筛选。
S207、利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。
进一步的，考虑到由于第一深度神经网络提取的特征图像特征比较少，可能导致经第一筛选器筛选出的候选框截图中存在误判的情况，即筛选出的候选框截图中可能存在不包含人脸的候选框截图。基于此，在本发明提供的实施例中，对经第一筛选器筛选出的候选框截图进行再次特征提取、分类、矫正、筛选处理。因此，上述神经网络模型还包括第二深度神经网络、第二支持向量机分类器、第二矫正器、以及第二筛选器；且上述第二深度神经网络用于提取的特征向量数量多于上述第一深度神经网络用于提取的特征向量数量；如图3所示，在步骤S206根据候选框截图的覆盖面积对输入的候选框截图进行筛选之后，还包括：
S208、将经过第一筛选器筛选得到的候选框截图输入第二深度神经网络，对输入的候选框截图进行特征向量提取，得到输入的每个候选框截图对应的第二图像特征向量。
在本步骤中，上述第二深度神经网络包括：依次连接的第五卷积层、第二池化层、第六卷积层、第三池化层、以及全连接层；利用这些网络层逐层对第一筛选器筛选得到的候选框截图进行图像特征提取。
上述第五卷积层的卷积核大小为3*3且卷积核个数为18；其中，在第五卷积层中，针对24*24的候选框截图，经过18个3*3卷积后，输出22*22*18的卷积结果，将该22*22*18的卷积结果输入第二池化层。
上述第二池化层采用最大值池化且池化区间为2*2；其中，在第二池化层中，22*22*18的卷积结果经过2*2最大池化后，输出11*11*18的卷积结果，将该11*11*18的卷积结果输入第六卷积层。
上述第六卷积层的卷积核大小为3*3且卷积核个数为36；其中，在第六卷积层中，11*11*18的卷积结果经过36个3*3卷积后，输出9*9*36的卷积结果，将该9*9*36的卷积结果输入第三卷积层。
上述第三池化层采用均值池化且池化区间为5*5；其中，在第三池化层中，9*9*36的卷积结果经过5*5均值池化后，输出2*2*36的卷积结果，将该2*2*36的卷积结果输入全连接层。
上述全连接层包含128个神经元；其中，在全连接层中，2*2*36的卷积结果经128个神经元处理后，输出第二图像特征向量。
其中，由于第二深度神经网络包含的卷积数多于第一深度神经网络包含的卷积数，因此，第二深度神经网络提取出的第二图像特征向量包含的图像特征多于第一深度神经网络提取出的第一图像特征向量包含的图像特征；同时，还增加了全连接层，该全连接层能够最大程度地保留第一深度神经网络过滤掉的部分不合格的候选框截图中包含的图像特征。
S209、将上述第二图像特征向量输入第二支持向量机分类器，对该第二图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图。
在本步骤中，上述第二支持向量机(SVM，Support Vector Machine)分类器也为二分类分类器，能够基于输入的第二图像特征向量，判断待处理的第二图像特征向量所对应的候选框截图中是否包含人脸，过滤掉不包含人脸的候选框截图，只输出包含人脸的候选框截图，此时，仍可能存在两个以上的候选框截图中包含同一人脸的情况，因此，需要再次进行后续的真实位置矫正和覆盖面积筛选。
S210、将确定的包含人脸的候选框截图输入第二矫正器，对各包含人脸的候选框截图的位置坐标进行矫正。
在本步骤中，上述第二矫正器的训练过程与上述第一矫正器的训练过程类似，在此不再赘述；同样的，上述第二矫正器的应用过程与上述第一矫正器的应用过程也类似，在此也不再赘述。
S211、将输出的经过坐标矫正的候选框截图输入第二筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对上述目标人群图像进行人脸检测的最终检测结果。
在本步骤中，可以预先在第二筛选器中设置一个第二预设阈值，确定输入的候选框截图与真实人脸位置的覆盖面积是否大于第二预设阈值，保留大于第二预设阈值的候选框截图，剔除不大于第二预设阈值的候选框截图。具体实施时，可以采用NMS(Non-maxsuppression，非极大值抑制)算法对输入的候选框截图进行筛选。
其中，在第二筛选器中选用的第二预设阈值大于第一筛选器中选用的第一预设阈值，这样能够保证在利用第一筛选器进行候选框截图筛选过程中不会出现误筛的情况，同时，保证在利用第二筛选器进行候选框截图筛选过程中针对每个人脸至确定出一个对应的候选框截图。
在本发明提供的实施例中，采用第一深度神经网络和第二深度神经网络这两级神经网络对人脸图像特征进行提取，并且每级神经网络之后均进行真实位置矫正和覆盖面积筛选，这样不仅减少了人脸检测过程中的数据处理量，同时还提高了最终得到的人脸检测结果的精度。
本发明又一实施例提供了一种人群年龄识别方法，在该识别方法中，如图4所示，该方法包括如下步骤：
S401、获取待识别的目标人群图像。
S402、采用构建的神经网络模型对上述目标人群图像进行人脸检测。
S403、针对每个检测出的人脸，将对应的人脸截图输入至预先训练的人脸年龄识别模型，确定该人脸截图中包含的人脸在各个目标年龄下的概率值；
S404、基于确定出的上述概率值，生成该人脸的年龄概率向量，该年龄概率向量所包含的元素表征该人脸在各目标年龄下的概率；
S405、将上述年龄概率向量中最大概率值对应的目标年龄确定为预估得到的该人脸的年龄。
其中，上述人脸年龄识别模型中的数据处理层可以采用VGG-16网络结构，输出层采用softmax网络结构，具体实施时，年龄为0至99岁中每一岁分别作为目标年龄，此时人脸的年龄概率向量是一个包含待预估人脸在0至99岁下的概率值的100维向量。
最后，还可以基于预估出的人脸年龄，确定目标场所内各年龄段下的人数，从而实现对目标场所内的目标个体进行年龄分类，具体如表1所示：
表1
| 年龄段 | 年龄划分 | 人数 |
| 12周岁以下 | 儿童 | 5 |
| 12-18岁 | 少年 | 18 |
| 18-40 | 青年 | 40 |
| 40-65 | 中年 | 4 |
| 65岁以上 | 老年 | 2 |
需要说明的是，步骤S402可以具体实施为步骤S202～步骤S206和步骤S208～步骤S211，这里不再赘述。
基于同一发明构思，本发明实施例还提供了一种人群年龄识别装置，由于该识别装置所解决问题的原理与前述识别方法相似，因此该识别装置的实施可以参见前述方法的实施，重复之处不再赘述。
本发明实施例提供一种人群年龄识别装置，如图5所示，该装置包括：
目标图像获取模块501，用于获取待识别的目标人群图像；
人脸检测模块502，用于采用构建的神经网络模型对上述目标人群图像进行人脸检测；
年龄预估模块503，用于利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。
在本发明提供的实施例中，通过实时采集目标场所内的目标人群图像，通过构建的神经网络模型对该目标人群图像进行人脸检测，以便从目标人群图像中提取出多个人脸图像，再基于人脸年龄识别模型分别预估各人脸的年龄，从而达到自动完成人群年龄识别的目的，便于快速地确定目标人群中各个目标个体的年龄，提高了年龄获取效率和识别实时性，无需人工统计，降低了人工统计成本。
其中，针对上述神经网络模型包括第一深度神经网络、第一支持向量机分类器、第一矫正器、以及第一筛选器的情况；上述识别装置还包括：
候选框生成模块504，用于在采用构建的神经网络模型对上述目标人群图像进行人脸检测之前，生成上述目标人群图像的多个候选框截图。
对应的，上述人脸检测模块502，具体用于：
将生成的候选框截图输入上述神经网络模型，利用上述第一深度神经网络对各候选框截图进行特征向量提取，得到每个上述候选框截图对应的第一图像特征向量；并
将上述第一图像特征向量输入上述第一支持向量机分类器，对上述第一图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图；
将确定的包含人脸的候选框截图输入上述第一矫正器，对各包含人脸的候选框截图的位置坐标进行矫正；并
将输出的经过坐标矫正的候选框截图输入上述第一筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对上述目标人群图像进行人脸检测的检测结果。
进一步的，针对上述神经网络模型还包括第二深度神经网络、第二支持向量机分类器、第二矫正器、以及第二筛选器；且上述第二深度神经网络用于提取的特征向量数量多于上述第一深度神经网络用于提取的特征向量数量的情况；上述人脸检测模块502，还具体用于：
在根据候选框截图的覆盖面积对输入的候选框截图进行筛选之后，将经过上述第一筛选器筛选得到的候选框截图输入上述第二深度神经网络，对输入的候选框截图进行特征向量提取，得到输入的每个上述候选框截图对应的第二图像特征向量；并
将上述第二图像特征向量输入上述第二支持向量机分类器，对上述第二图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图；
将确定的包含人脸的候选框截图输入上述第二矫正器，对各包含人脸的候选框截图的位置坐标进行矫正；并
将输出的经过坐标矫正的候选框截图输入上述第二筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对上述目标人群图像进行人脸检测的最终检测结果。
其中，上述第一深度神经网络包括：依次连接的第一卷积层、第一池化层、第二卷积层、第三卷积层、以及第四卷积层；
上述第一卷积层的卷积核大小为3*3且卷积核个数为10；
上述第一池化层采用最大值池化且池化区间为2*2；
上述第二卷积层的卷积核大小为3*3且卷积核个数为18；
上述第三卷积层的卷积核大小为3*3且卷积核个数为36；
上述第四卷积层的卷积核大小为1*1且卷积核个数为8。
其中，上述第二深度神经网络包括：依次连接的第五卷积层、第二池化层、第六卷积层、第三池化层、以及全连接层；
上述第五卷积层的卷积核大小为3*3且卷积核个数为18；
上述第二池化层采用最大值池化且池化区间为2*2；
上述第六卷积层的卷积核大小为3*3且卷积核个数为36；
上述第三池化层采用均值池化且池化区间为5*5；
上述全连接层包含128个神经元。
其中，上述年龄预估模块503，具体用于：
针对每个检测出的人脸，将对应的人脸截图输入至预先训练的人脸年龄识别模型，确定该人脸截图中包含的人脸在各个目标年龄下的概率值；
基于确定出的上述概率值，生成该人脸的年龄概率向量，上述年龄概率向量所包含的元素表征该人脸在各目标年龄下的概率；
将上述年龄概率向量中最大概率值对应的目标年龄确定为预估得到的该人脸的年龄。
上述各单元的功能可对应于图1至图4所示流程中的相应处理步骤，在此不再赘述。
对应于图1中的人群年龄识别方法，本发明实施例还提供了一种计算机设备，如图6所示，该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序，其中，上述处理器2000执行上述计算机程序时实现上述人群年龄识别方法的步骤。
具体地，上述存储器1000和处理器2000能够为通用的存储器和处理器，这里不做具体限定，当处理器2000运行存储器1000存储的计算机程序时，能够执行上述人群年龄识别方法，从而解决采用人工统计的方式获取目标场所的人群中各个目标个体的年龄信息，这样存在统计效率低、信息量大、实时性差、人工成本高的问题，进而达到自动完成人群年龄识别的目的，便于快速地确定目标人群中各个目标个体的年龄，提高了年龄获取效率和识别实时性，无需人工统计，降低了人工统计成本。
对应于图1中的人群年龄识别方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述人群年龄识别方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述人群年龄识别方法，从而解决采用人工统计的方式获取目标场所的人群中各个目标个体的年龄信息，这样存在统计效率低、信息量大、实时性差、人工成本高的问题，进而达到自动完成人群年龄识别的目的，便于快速地确定目标人群中各个目标个体的年龄，提高了年龄获取效率和识别实时性，无需人工统计，降低了人工统计成本。
本发明实施例所提供的人群年龄识别装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，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，在本发明提供的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。
所述功能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)执行本发明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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人群年龄识别方法，其特征在于，所述方法包括：
获取待识别的目标人群图像；
采用构建的神经网络模型对所述目标人群图像进行人脸检测；
利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括第一深度神经网络、第一支持向量机分类器、第一矫正器、以及第一筛选器；
在采用构建的神经网络模型对所述目标人群图像进行人脸检测之前，还包括：
生成所述目标人群图像的多个候选框截图；
采用构建的神经网络模型对所述目标人群图像进行人脸检测，包括：
将生成的候选框截图输入所述神经网络模型，利用所述第一深度神经网络对各候选框截图进行特征向量提取，得到每个所述候选框截图对应的第一图像特征向量；并
将所述第一图像特征向量输入所述第一支持向量机分类器，对所述第一图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图；
将确定的包含人脸的候选框截图输入所述第一矫正器，对各包含人脸的候选框截图的位置坐标进行矫正；并
将输出的经过坐标矫正的候选框截图输入所述第一筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对所述目标人群图像进行人脸检测的检测结果。
3.根据权利要求2所述的方法，其特征在于，所述神经网络模型还包括第二深度神经网络、第二支持向量机分类器、第二矫正器、以及第二筛选器；且所述第二深度神经网络用于提取的特征向量数量多于所述第一深度神经网络用于提取的特征向量数量；
在根据候选框截图的覆盖面积对输入的候选框截图进行筛选之后，还包括：
将经过所述第一筛选器筛选得到的候选框截图输入所述第二深度神经网络，对输入的候选框截图进行特征向量提取，得到输入的每个所述候选框截图对应的第二图像特征向量；并
将所述第二图像特征向量输入所述第二支持向量机分类器，对所述第二图像特征向量所表征的候选框截图是否包含人脸进行检测，确定出包含人脸的候选框截图；
将确定的包含人脸的候选框截图输入所述第二矫正器，对各包含人脸的候选框截图的位置坐标进行矫正；并
将输出的经过坐标矫正的候选框截图输入所述第二筛选器，根据候选框截图的覆盖面积对输入的候选框截图进行筛选，得到对所述目标人群图像进行人脸检测的最终检测结果。
4.根据权利要求2所述的方法，其特征在于，所述第一深度神经网络包括：依次连接的第一卷积层、第一池化层、第二卷积层、第三卷积层、以及第四卷积层；
所述第一卷积层的卷积核大小为3*3且卷积核个数为10；
所述第一池化层采用最大值池化且池化区间为2*2；
所述第二卷积层的卷积核大小为3*3且卷积核个数为18；
所述第三卷积层的卷积核大小为3*3且卷积核个数为36；
所述第四卷积层的卷积核大小为1*1且卷积核个数为8。
5.根据权利要求3所述的方法，其特征在于，所述第二深度神经网络包括：依次连接的第五卷积层、第二池化层、第六卷积层、第三池化层、以及全连接层；
所述第五卷积层的卷积核大小为3*3且卷积核个数为18；
所述第二池化层采用最大值池化且池化区间为2*2；
所述第六卷积层的卷积核大小为3*3且卷积核个数为36；
所述第三池化层采用均值池化且池化区间为5*5；
所述全连接层包含128个神经元。
6.根据权利要求1至5任一项所述的方法，其特征在于，利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄，包括：
针对每个检测出的人脸，将对应的人脸截图输入至预先训练的人脸年龄识别模型，确定该人脸截图中包含的人脸在各个目标年龄下的概率值；
基于确定出的所述概率值，生成该人脸的年龄概率向量，所述年龄概率向量所包含的元素表征该人脸在各目标年龄下的概率；
将所述年龄概率向量中最大概率值对应的目标年龄确定为预估得到的该人脸的年龄。
7.一种人群年龄识别装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取待识别的目标人群图像；
人脸检测模块，用于采用构建的神经网络模型对所述目标人群图像进行人脸检测；
年龄预估模块，用于利用预先训练的人脸年龄识别模型，分别为检测出的人脸预估年龄。
8.根据权利要求7所述的装置，其特征在于，所述年龄预估模块，具体用于：
针对每个检测出的人脸，将对应的人脸截图输入至预先训练的人脸年龄识别模型，确定该人脸截图中包含的人脸在各个目标年龄下的概率值；
基于确定出的所述概率值，生成该人脸的年龄概率向量，所述年龄概率向量所包含的元素表征该人脸在各目标年龄下的概率；
将所述年龄概率向量中最大概率值对应的目标年龄确定为预估得到的该人脸的年龄。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上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上述权利要求1至6任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710764526.0A CN107545249A (zh) | 2017-08-30 | 2017-08-30 | 一种人群年龄识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710764526.0A CN107545249A (zh) | 2017-08-30 | 2017-08-30 | 一种人群年龄识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107545249A true CN107545249A (zh) | 2018-01-05 |
Family
ID=60959006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710764526.0A Pending CN107545249A (zh) | 2017-08-30 | 2017-08-30 | 一种人群年龄识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107545249A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108833713A (zh) * | 2018-06-28 | 2018-11-16 | Oppo广东移动通信有限公司 | 睡眠时天线控制方法及相关产品 |
| CN108932497A (zh) * | 2018-07-03 | 2018-12-04 | 张廷敏 | 乘客人群大数据识别机构 |
| CN109034078A (zh) * | 2018-08-01 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 年龄识别模型的训练方法、年龄识别方法及相关设备 |
| CN109241339A (zh) * | 2018-08-28 | 2019-01-18 | 三星电子（中国）研发中心 | 一种音乐推荐方法和装置 |
| WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技（深圳）有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
| CN110008907A (zh) * | 2019-04-09 | 2019-07-12 | 成都旷视金智科技有限公司 | 一种年龄的估计方法、装置、电子设备和计算机可读介质 |
| CN110532421A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种基于人的性别、心情和年龄的音乐推荐方法及系统 |
| CN110826469A (zh) * | 2019-11-01 | 2020-02-21 | Oppo广东移动通信有限公司 | 一种人物检测方法、装置及计算机可读存储介质 |
| CN110909618A (zh) * | 2019-10-29 | 2020-03-24 | 泰康保险集团股份有限公司 | 一种宠物身份的识别方法及装置 |
| CN111158563A (zh) * | 2019-12-11 | 2020-05-15 | 青岛海信移动通信技术股份有限公司 | 电子终端及图片矫正方法 |
| CN111310532A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种年龄识别方法、装置、电子设备和存储介质 |
| CN111753598A (zh) * | 2019-03-29 | 2020-10-09 | 中国联合网络通信集团有限公司 | 人脸检测方法及设备 |
| CN111832354A (zh) * | 2019-04-19 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 目标对象年龄识别方法、装置及电子设备 |
| US11244144B2 (en) | 2019-09-24 | 2022-02-08 | Boe Technology Group Co., Ltd. | Age recognition method, computer storage medium and electronic device |
| WO2022052785A1 (zh) * | 2020-09-08 | 2022-03-17 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
| US11361587B2 (en) | 2019-08-30 | 2022-06-14 | Boe Technology Group Co., Ltd. | Age recognition method, storage medium and electronic device |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419671A (zh) * | 2008-11-10 | 2009-04-29 | 北方工业大学 | 基于模糊支持向量机的人脸性别识别方法 |
| CN103377293A (zh) * | 2013-07-05 | 2013-10-30 | 河海大学常州校区 | 多源输入、信息智能优化处理的全息触摸交互展示系统 |
| 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 |
| CN104504376A (zh) * | 2014-12-22 | 2015-04-08 | 厦门美图之家科技有限公司 | 一种人脸图像的年龄分类方法和系统 |
| CN105095833A (zh) * | 2014-05-08 | 2015-11-25 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
| CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
| CN106529377A (zh) * | 2015-09-15 | 2017-03-22 | 北京文安智能技术股份有限公司 | 一种基于图像的年龄估计方法、装置及系统 |
| CN107016321A (zh) * | 2016-01-28 | 2017-08-04 | 青岛海尔智能技术研发有限公司 | 商用柜人员流量检测统计方法 |
-
2017
- 2017-08-30 CN CN201710764526.0A patent/CN107545249A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419671A (zh) * | 2008-11-10 | 2009-04-29 | 北方工业大学 | 基于模糊支持向量机的人脸性别识别方法 |
| CN103377293A (zh) * | 2013-07-05 | 2013-10-30 | 河海大学常州校区 | 多源输入、信息智能优化处理的全息触摸交互展示系统 |
| 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 |
| CN105095833A (zh) * | 2014-05-08 | 2015-11-25 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
| CN104504376A (zh) * | 2014-12-22 | 2015-04-08 | 厦门美图之家科技有限公司 | 一种人脸图像的年龄分类方法和系统 |
| CN106529377A (zh) * | 2015-09-15 | 2017-03-22 | 北京文安智能技术股份有限公司 | 一种基于图像的年龄估计方法、装置及系统 |
| CN107016321A (zh) * | 2016-01-28 | 2017-08-04 | 青岛海尔智能技术研发有限公司 | 商用柜人员流量检测统计方法 |
| CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| JIANYILIU 等: "Hybrid constraintSVRforfacialageestimation", 《SIGNAL PROCESSING》 * |
| KAIMING HE 等: "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition", 《ARXIV:1406.4729V4 [CS.CV]》 * |
| 南通大学教务处: "《学海图南 南通大学优秀毕业设计(论文)集》", 30 June 2016 * |
| 王宏生 等: "《人工智能及其应用》", 31 January 2009, 国防工业出版社 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技（深圳）有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
| CN108833713A (zh) * | 2018-06-28 | 2018-11-16 | Oppo广东移动通信有限公司 | 睡眠时天线控制方法及相关产品 |
| CN108932497A (zh) * | 2018-07-03 | 2018-12-04 | 张廷敏 | 乘客人群大数据识别机构 |
| CN109034078A (zh) * | 2018-08-01 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 年龄识别模型的训练方法、年龄识别方法及相关设备 |
| CN109241339A (zh) * | 2018-08-28 | 2019-01-18 | 三星电子（中国）研发中心 | 一种音乐推荐方法和装置 |
| CN111310532A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种年龄识别方法、装置、电子设备和存储介质 |
| CN111753598A (zh) * | 2019-03-29 | 2020-10-09 | 中国联合网络通信集团有限公司 | 人脸检测方法及设备 |
| CN110008907A (zh) * | 2019-04-09 | 2019-07-12 | 成都旷视金智科技有限公司 | 一种年龄的估计方法、装置、电子设备和计算机可读介质 |
| CN110008907B (zh) * | 2019-04-09 | 2021-10-01 | 成都旷视金智科技有限公司 | 一种年龄的估计方法、装置、电子设备和计算机可读介质 |
| CN111832354A (zh) * | 2019-04-19 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 目标对象年龄识别方法、装置及电子设备 |
| CN110532421A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种基于人的性别、心情和年龄的音乐推荐方法及系统 |
| US11361587B2 (en) | 2019-08-30 | 2022-06-14 | Boe Technology Group Co., Ltd. | Age recognition method, storage medium and electronic device |
| US11244144B2 (en) | 2019-09-24 | 2022-02-08 | Boe Technology Group Co., Ltd. | Age recognition method, computer storage medium and electronic device |
| CN110909618A (zh) * | 2019-10-29 | 2020-03-24 | 泰康保险集团股份有限公司 | 一种宠物身份的识别方法及装置 |
| CN110909618B (zh) * | 2019-10-29 | 2023-04-21 | 泰康保险集团股份有限公司 | 一种宠物身份的识别方法及装置 |
| CN110826469A (zh) * | 2019-11-01 | 2020-02-21 | Oppo广东移动通信有限公司 | 一种人物检测方法、装置及计算机可读存储介质 |
| CN111158563A (zh) * | 2019-12-11 | 2020-05-15 | 青岛海信移动通信技术股份有限公司 | 电子终端及图片矫正方法 |
| WO2022052785A1 (zh) * | 2020-09-08 | 2022-03-17 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545249A (zh) | 一种人群年龄识别方法及装置 | |
| CN108090433B (zh) | 人脸识别方法及装置、存储介质、处理器 | |
| CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
| CN103093212B (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
| CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
| CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
| CN108595585B (zh) | 样本数据分类方法、模型训练方法、电子设备及存储介质 | |
| CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
| CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
| CN104616316B (zh) | 基于阈值矩阵和特征融合视觉单词的人物行为识别方法 | |
| CN107844753A (zh) | 视频图像中的行人重识别方法、装置、存储介质及处理器 | |
| CN109961049A (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| CN108062543A (zh) | 一种面部识别方法及装置 | |
| CN107153817A (zh) | 行人重识别数据标注方法和装置 | |
| CN106372666B (zh) | 一种目标识别方法及装置 | |
| CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
| CN109446889A (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
| CN108921083A (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
| CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
| CN108446694A (zh) | 一种目标检测方法及装置 | |
| CN110232404A (zh) | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 | |
| CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
| CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
| CN109635811A (zh) | 空间植物的图像分析方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 101-8, 1st floor, building 31, area 1, 188 South Fourth Ring Road West, Fengtai District, Beijing Applicant after: Guoxin Youyi Data Co., Ltd Address before: 100071 B, block B, ABP building, district ABP building, No. 188 headquarters base of South Fourth Ring West Road Applicant before: SIC YOUE DATA Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |