CN107704847A - 一种人脸关键点的检测方法 - Google Patents
一种人脸关键点的检测方法 Download PDFInfo
- Publication number
- CN107704847A CN107704847A CN201711021689.6A CN201711021689A CN107704847A CN 107704847 A CN107704847 A CN 107704847A CN 201711021689 A CN201711021689 A CN 201711021689A CN 107704847 A CN107704847 A CN 107704847A
- Authority
- CN
- China
- Prior art keywords
- msub
- image
- face
- mrow
- coordinate
- 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
- 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
- G06N3/045—Combinations of networks
Abstract
本发明公开一种人脸关键点的检测方法,包括:获取人脸在RGB图像中的矩形框;将RGB图像转换为灰度图像;将矩形框转换为第一正方形框;根据第一正方形框对灰度图像进行剪裁和缩放,得到第一人脸图像;将第一人脸图像输入预设的第一网络,得到人脸预定部位的mask图;根据人脸预定部位的mask图确定第二正方形框;根据第二正方形框对所述灰度图像进行剪裁和缩放,得到第二人脸图像;将第二人脸图像输入预设的第二网络,得到人脸关键点的第一坐标值;计算第一坐标值在所述灰度图像中的坐标,得到最终的人脸关键点坐标。本发明提供的技术方案能够有效地减少对于人脸框的依赖,并且检测精度高。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种人脸关键点的检测方法。
背景技术
深度学习技术近年来发展迅猛,以神经网络为代表,解决了诸多领域以前难以解决的问题。在对于人脸关键点检测方面,无论是传统的方法,还是基于深度学习的方法,都存在一个共同的缺点——过度依赖人脸框。在现有的方法中,一种检测算法往往只对训练时所用的人脸框表现较好,而换一种人脸框时,人脸关键点的检测精度就会下降。
发明内容
本发明旨在提供一种人脸关键点的检测方法,能够有效地减少对于人脸框的依赖,并且检测精度高。
为达到上述目的,本发明采用的技术方案如下:
一种人脸关键点的检测方法,包括:获取包含人脸的RGB图像,并获取人脸在所述RGB图像中的矩形框;将所述RGB图像转换为灰度图像;将所述矩形框转换为第一正方形框;根据所述第一正方形框对所述灰度图像进行剪裁,得到第一剪裁图像;将所述第一剪裁图像按照预定的第一比例进行缩放,得到第一人脸图像;将所述第一人脸图像输入预设的第一网络,得到人脸预定部位的mask图;根据所述人脸预定部位的mask图确定第二正方形框;根据所述第二正方形框对所述灰度图像进行剪裁,得到第二剪裁图像;将所述第二剪裁图像按照预定的第二比例进行缩放,得到第二人脸图像;将所述第二人脸图像输入预设的第二网络,得到人脸关键点的第一坐标值;计算所述第一坐标值在所述灰度图像中的坐标,得到最终的人脸关键点坐标。
优选地,所述根据所述人脸预定部位的mask图确定第二正方形框的方法包括:将所述人脸预定部位的mask图二值化,得到二值化图像;计算所述二值化图像中所述人脸预定部位的中心坐标,得到第一中心坐标;计算所述第一中心坐标在所述灰度图像中的坐标,得到第二中心坐标;在所述灰度图像中根据所述第二中心坐标确定第二正方形框。
优选地,所述第一网络为全卷积网络。
优选地,所述人脸预定部位有三个,分别为左眼,右眼和嘴唇。
优选地,所述将所述矩形框转换为第一正方形框的方法为:
其中,FR2为第一正方形框的四元组,x1为所述矩形框左上角的横坐标,y1为所述矩形框左上角的纵坐标,w1为所述矩形框的长度,h1为所述矩形框的宽度。
优选地,所述计算所述二值化图像中所述人脸预定部位的中心坐标,得到第一中心坐标的方法包括:
获取所述二值化图像的有效区域中所有像素点的坐标;计算所述像素点的坐标的平均值,得到第一平均值;计算每个像素点到所述第一平均值的距离,并将所述像素点按所述距离大小的升序排列;计算所述升序排列中前50%的像素点坐标的平均值,得到所述第一中心坐标。
优选地,所述计算所述第一中心坐标在所述灰度图像中的坐标,得到第二中心坐标的方法为:
P0=qm2*Ratio1+FR2(0,1)
其中,P0为第二中心坐标,qm2为所述第一中心坐标,Ratio1为所述第一比例,FR2(0,1)为所述第一正方形框的四元组中的第一、第二个元素。
本发明实施例提供的人脸关键点的检测方法,通过预设的第一网络来得到人脸预定部位的mask图,并根据该mask图重新确定第二正方形框,从而重新确定人脸区域,这种方法能够有效地降低人脸关键点检测对原始人脸框的依赖,实验证明,无论实际的人脸位于原始人脸框的哪个角落,本发明实施例提供的技术方案均能准确地检测到人脸关键点的坐标。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。
步骤101,获取包含人脸的RGB图像,并获取人脸在所述RGB图像中的矩形框;
其中,包含人脸的RGB图像用Irgb表示,人脸在所述RGB图像中的矩形框用FR1表示。FR1的边与图像Irgb的边平行,FR1的获取可以通过现有的人脸检测算法得到。FR1可以进一步表示为(x1,y1,w1,h1)四元组,其中,x1,y1分别代表矩形框左上角的横坐标和纵坐标,w1,h1分别代表矩形框的长度和宽度。本实施例中以FR1(0)表示访问四元组的第一个元素,即x1,FR1(0,1)分别表示x1,y1,其它以此类推。
步骤102,将所述RGB图像Irgb转换为灰度图像Igray;
步骤103,将所述矩形框FR1转换为第一正方形框FR2,本实施例中,采用公式(1)来进行转换:
其中,FR2为第一正方形框的四元组,x1为所述矩形框左上角的横坐标,y1为所述矩形框左上角的纵坐标,w1为所述矩形框的长度,h1为所述矩形框的宽度。
步骤104,根据所述第一正方形框FR2对所述灰度图像Igray进行剪裁,得到第一剪裁图像;将所述第一剪裁图像按照预定的第一比例Ratio1进行缩放,得到第一人脸图像Iroi1;
本实施例中,所述第一人脸图像Iroi1的大小为64×64像素。
步骤105,将所述第一人脸图像Iroi1输入预设的第一网络Net1,得到人脸预定部位的mask图;
本实施例中,人脸预定部位有三个,分别为左眼,右眼和嘴唇,本步骤中得到的左眼、右眼和嘴唇的mask图分别用M0,M1,M2表示。
本实施例中的第一网络Net1主要完成semantic segment任务,输入为单通道灰度图,输出为4通道分类结果,4个通道分别代表图像背景、左眼区域、右眼区域、嘴唇区域(后三个结果分别对应M0,M1,M2),第一网络Net1采用全卷积网络,配合softmax cross entropy分类器。当然,也可采用其它类型的全卷积网络。表1示出了一个全卷积网络的例子:
表1
步骤106,根据所述人脸预定部位的mask图确定第二正方形框;
本实施例中,本步骤的具体方法为:
(1)将所述人脸预定部位的mask图二值化,即将M0,M1,M2二值化,得到二值化图像MBIN0,MBIN1,MBIN2,MBIN3,二值化图像中白色区域表示有效区域,黑色区域表示无效区域。
(2)计算所述二值化图像中所述人脸预定部位的中心坐标,得到第一中心坐标;计算所述第一中心坐标在所述灰度图像中的坐标,得到第二中心坐标。
本实施例中,左眼、右眼和嘴唇三个部位的第二中心坐标分别用P0=(x0,y0),P1=(x1,y1),P2=(x2,y2)表示。下面以P0为例,简要说明计算方法:
设二值化图像MBIN0的白色区域中每个像素点的坐标为qj,j=0,1,2,…,n-1,其中,n为白色像素点的个数。(a)获取所述二值化图像的有效区域中所有像素点的坐标,并计算所述像素点的坐标qj的平均值,得到第一平均值qm1;(b)计算每个像素点到所述第一平均值qm1的距离Dj,并将所述像素点按所述距离Dj大小的升序排列,j=0,1,2,…,n-1;(c)计算所述升序排列中前50%的像素点坐标的平均值,得到所述第一中心坐标qm2,并按照以下公式(2)计算出第二中心坐标P0:
P0=qm2*Ratio1+FR2(0,1)公式 (2)
其中,P0为第二中心坐标,qm2为所述第一中心坐标,Ratio1为所述第一比例,FR2(0,1)为所述第一正方形框的四元组中的第一、第二个元素。
(3)在所述灰度图像中根据所述第二中心坐标确定第二正方形框,具体方法为:
(a)计算坐标P2到直线P0P1的距离d2;
(b)计算中点坐标其中|P0P1|代表P0到P1的距离;
(c)令r1=1.4max(|P0P1|,d2),r2=1.8max(|P0P1|,d2),r3=2.2max(|P0P1|,d2)
则b0b1b2b3所确定的正方形框即为第二正方形框。
步骤107,根据所述第二正方形框对所述灰度图像进行剪裁,得到第二剪裁图像;将所述第二剪裁图像按照预定的第二比例Ratio2进行缩放,得到第二人脸图像Iroi2,该人脸图像为较精确的人脸图像,同时,计算第二正方形框b0b1b2b3相对于灰度图像Igray的旋转角度θ,即与x正方向的夹角(逆时针方向)。本实施例中所涉及到的坐标均是以图像左上角为原点,图像右边为x轴的正方向,图像下边为y轴的正方向。
步骤108,将所述第二人脸图像Iroi2输入预设的第二网络Net2,得到人脸关键点的第一坐标值Landmark1;其中Landmark1为3xN的矩阵,该矩阵的每一列代表一个点的坐标以及一个常数1,N为正整数,本实施例中取68。
本实施例中,第二网络Net2输入为单通道灰度图,输出为人脸关键点坐标,该网络为典型的CNN+FC的结构;同第一网络Net1一样,表2所展示的网络结构仅是为了说明流程,只要符合CNN+FC的结构的网络均可作为Net2的具体实现。
表2
BLK(1,20,5x5,1) |
MaxPooling(2x2,2) |
BLK(20,48,5x5,1) |
MaxPooling(2x2,2) |
BLK(48,64,3x3,1) |
MaxPooling(2x2,2) |
BLK(64,64,3x5,1) |
FC(1024,256) |
RELU |
FC(256,136) |
各模块说明:
BLK(in,out,kxk,s):输入为in通道,输出为out通道,kxk的kernel,stride为s的卷积层+relu激活函数;
MaxPooling(kxk,s):kxk的kernel,stride为s的最大池化;
FC(in,out):输入为in个节点,输出为out个节点的全连接层;
UnPooling(kxk,s):kxk的kernel,stride为s的反池化,本文中的UnPooling(2x2,2)相当于将feature map逐个放大2倍;
RELU:relu激活函数;
Softmax:softmax激活函数;
Element-Wise Add:逐元素加法。
步骤109,计算所述第一坐标值Landmark1在所述灰度图像中的坐标,得到最终的人脸关键点坐标,具体地,采用以下公式来计算最终的人脸关键点坐标:
其中,Landmark1为人脸关键点的第一坐标值,Ratio2为预定的第二比例,θ为第二正方形框b0b1b2b3相对于灰度图像Igray的旋转角度,b0为步骤106中所定义的参数。
本发明实施例提供的人脸关键点的检测方法,通过预设的第一网络来得到人脸预定部位的mask图,并根据该mask图重新确定第二正方形框,从而重新确定人脸区域,这种方法能够有效地降低人脸关键点检测对原始人脸框的依赖,实验证明,无论实际的人脸位于原始人脸框的哪个角落,本发明实施例提供的技术方案均能准确地检测到人脸关键点的坐标。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种人脸关键点的检测方法,其特征在于,包括:
获取包含人脸的RGB图像,并获取人脸在所述RGB图像中的矩形框;
将所述RGB图像转换为灰度图像;
将所述矩形框转换为第一正方形框;
根据所述第一正方形框对所述灰度图像进行剪裁,得到第一剪裁图像;将所述第一剪裁图像按照预定的第一比例进行缩放,得到第一人脸图像;
将所述第一人脸图像输入预设的第一网络,得到人脸预定部位的mask图;
根据所述人脸预定部位的mask图确定第二正方形框;
根据所述第二正方形框对所述灰度图像进行剪裁,得到第二剪裁图像;将所述第二剪裁图像按照预定的第二比例进行缩放,得到第二人脸图像;
将所述第二人脸图像输入预设的第二网络,得到人脸关键点的第一坐标值;
计算所述第一坐标值在所述灰度图像中的坐标,得到最终的人脸关键点坐标。
2.根据权利要求1所述的人脸关键点的检测方法,其特征在于,所述根据所述人脸预定部位的mask图确定第二正方形框的方法包括:
将所述人脸预定部位的mask图二值化,得到二值化图像;
计算所述二值化图像中所述人脸预定部位的中心坐标,得到第一中心坐标;
计算所述第一中心坐标在所述灰度图像中的坐标,得到第二中心坐标;
在所述灰度图像中根据所述第二中心坐标确定第二正方形框。
3.根据权利要求2所述的人脸关键点的检测方法,其特征在于,所述第一网络为全卷积网络。
4.根据权利要求2所述的人脸关键点的检测方法,其特征在于,所述人脸预定部位有三个,分别为左眼,右眼和嘴唇。
5.根据权利要求4所述的人脸关键点的检测方法,其特征在于,所述将所述矩形框转换为第一正方形框的方法为:
<mrow>
<msub>
<mi>FR</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,FR2为第一正方形框的四元组,x1为所述矩形框左上角的横坐标,y1为所述矩形框左上角的纵坐标,w1为所述矩形框的长度,h1为所述矩形框的宽度。
6.根据权利要求5所述的人脸关键点的检测方法,其特征在于,所述计算所述二值化图像中所述人脸预定部位的中心坐标,得到第一中心坐标的方法包括:
获取所述二值化图像的有效区域中所有像素点的坐标;
计算所述像素点的坐标的平均值,得到第一平均值;
计算每个像素点到所述第一平均值的距离,并将所述像素点按所述距离大小的升序排列;
计算所述升序排列中前50%的像素点坐标的平均值,得到所述第一中心坐标。
7.根据权利要求6所述的人脸关键点的检测方法,其特征在于,所述计算所述第一中心坐标在所述灰度图像中的坐标,得到第二中心坐标的方法为:
P0=qm2*Ratio1+FR2(0,1)
其中,P0为第二中心坐标,qm2为所述第一中心坐标,Ratio1为所述第一比例,FR2(0,1)为所述第一正方形框的四元组中的第一、第二个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711021689.6A CN107704847B (zh) | 2017-10-26 | 2017-10-26 | 一种人脸关键点的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711021689.6A CN107704847B (zh) | 2017-10-26 | 2017-10-26 | 一种人脸关键点的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107704847A true CN107704847A (zh) | 2018-02-16 |
CN107704847B CN107704847B (zh) | 2021-03-19 |
Family
ID=61182467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711021689.6A Active CN107704847B (zh) | 2017-10-26 | 2017-10-26 | 一种人脸关键点的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704847B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492548A (zh) * | 2018-10-24 | 2019-03-19 | 广东佳鸿达科技股份有限公司 | 基于视频分析的区域mask图片的获得方法 |
CN109684911A (zh) * | 2018-10-30 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 表情识别方法、装置、电子设备及存储介质 |
CN109726633A (zh) * | 2018-11-23 | 2019-05-07 | 成都品果科技有限公司 | 一种基于查找表激活函数的人脸关键点检测方法 |
CN110929695A (zh) * | 2019-12-12 | 2020-03-27 | 易诚高科(大连)科技有限公司 | 一种人脸识别和行人重识别关联方法 |
CN115601793A (zh) * | 2022-12-14 | 2023-01-13 | 北京健康有益科技有限公司(Cn) | 一种人体骨骼点检测方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456010A (zh) * | 2013-09-02 | 2013-12-18 | 电子科技大学 | 一种基于特征点定位的人脸卡通画生成方法 |
CN105469081A (zh) * | 2016-01-15 | 2016-04-06 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及系统 |
CN105868769A (zh) * | 2015-01-23 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 图像中的人脸关键点定位方法及装置 |
US9530048B2 (en) * | 2008-08-26 | 2016-12-27 | The Regents Of The University Of California | Automated facial action coding system |
CN106897662A (zh) * | 2017-01-06 | 2017-06-27 | 北京交通大学 | 基于多任务学习的人脸关键特征点的定位方法 |
CN106951826A (zh) * | 2017-02-14 | 2017-07-14 | 清华大学 | 人脸检测方法及装置 |
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
-
2017
- 2017-10-26 CN CN201711021689.6A patent/CN107704847B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9530048B2 (en) * | 2008-08-26 | 2016-12-27 | The Regents Of The University Of California | Automated facial action coding system |
CN103456010A (zh) * | 2013-09-02 | 2013-12-18 | 电子科技大学 | 一种基于特征点定位的人脸卡通画生成方法 |
CN105868769A (zh) * | 2015-01-23 | 2016-08-17 | 阿里巴巴集团控股有限公司 | 图像中的人脸关键点定位方法及装置 |
CN105469081A (zh) * | 2016-01-15 | 2016-04-06 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及系统 |
CN106897662A (zh) * | 2017-01-06 | 2017-06-27 | 北京交通大学 | 基于多任务学习的人脸关键特征点的定位方法 |
CN106951826A (zh) * | 2017-02-14 | 2017-07-14 | 清华大学 | 人脸检测方法及装置 |
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
Non-Patent Citations (2)
Title |
---|
ERJIN ZHOU,HAOQIANG FAN,ZHIMIN CAO,YUNING JIANG,QI YIN: ""Extensive Facial Landmark Localization with Coarse-to-fine Convolutional Network Cascade"", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS》 * |
MARCIN KOPACZKA,CARLO HENSEL AND DORIT MERHOF: ""An Automated Method for Realistic Face Simulation and Facial Landmark Annotation and its Application to Active Appearance Models"", 《2016 SIXTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY,TOOLS AND APPLICATIONS 》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492548A (zh) * | 2018-10-24 | 2019-03-19 | 广东佳鸿达科技股份有限公司 | 基于视频分析的区域mask图片的获得方法 |
CN109492548B (zh) * | 2018-10-24 | 2021-10-01 | 广东佳鸿达科技股份有限公司 | 基于视频分析的区域mask图片的获得方法 |
CN109684911A (zh) * | 2018-10-30 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 表情识别方法、装置、电子设备及存储介质 |
CN109684911B (zh) * | 2018-10-30 | 2021-05-11 | 百度在线网络技术(北京)有限公司 | 表情识别方法、装置、电子设备及存储介质 |
US11151363B2 (en) | 2018-10-30 | 2021-10-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Expression recognition method, apparatus, electronic device, and storage medium |
CN109726633A (zh) * | 2018-11-23 | 2019-05-07 | 成都品果科技有限公司 | 一种基于查找表激活函数的人脸关键点检测方法 |
CN110929695A (zh) * | 2019-12-12 | 2020-03-27 | 易诚高科(大连)科技有限公司 | 一种人脸识别和行人重识别关联方法 |
CN110929695B (zh) * | 2019-12-12 | 2024-02-27 | 易诚高科(大连)科技有限公司 | 一种人脸识别和行人重识别关联方法 |
CN115601793A (zh) * | 2022-12-14 | 2023-01-13 | 北京健康有益科技有限公司(Cn) | 一种人体骨骼点检测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107704847B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704847A (zh) | 一种人脸关键点的检测方法 | |
CN104574339A (zh) | 一种用于视频监控的多尺度柱面投影全景图像生成方法 | |
CN101465002B (zh) | 椭圆目标的亚像素边缘定位方法 | |
CN104036468B (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
CN108074237B (zh) | 图像清晰度检测方法、装置、存储介质及电子设备 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN104881843A (zh) | 图像插值方法和图像插值装置 | |
CN106971376A (zh) | 一种基于显著性模型的图像缩放方法 | |
CN109902631A (zh) | 一种基于图像金字塔的快速人脸检测方法 | |
CN111986212B (zh) | 一种人像发丝流动特效实现方法 | |
CN109726633B (zh) | 一种基于查找表激活函数的人脸关键点检测方法 | |
Lacroix et al. | Feature extraction using the constrained gradient | |
CN109583341B (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 | |
CN112215308B (zh) | 一种吊装物体单阶检测方法、装置、电子设备及存储介质 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
CN104751441A (zh) | 图像噪声估测的方法与装置 | |
CN108734666B (zh) | 一种鱼眼图像校正方法及装置 | |
US10482611B2 (en) | Determining optical flow | |
Borkar et al. | Detection of edges using fuzzy inference system | |
CN110070490A (zh) | 图像拼接方法和装置 | |
CN110533647B (zh) | 一种基于线特征匹配的液晶屏Mark点定位方法 | |
CN112149463B (zh) | 图像处理方法和装置 | |
CN103337075B (zh) | 一种基于等照度线的图像显著度计算方法 | |
CN102194203B (zh) | 一种降低人脸检测存储量的方法及设备 | |
CN109993690A (zh) | 一种基于结构相似性的彩色图像高精度灰度化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |