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 PDF

Info

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
Application number
CN201711021689.6A
Other languages
English (en)
Other versions
CN107704847B (zh
Inventor
黄亮
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.)
Chengdu Pinguo Technology Co Ltd
Original Assignee
Chengdu Pinguo Technology 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 Chengdu Pinguo Technology Co Ltd filed Critical Chengdu Pinguo Technology Co Ltd
Priority to CN201711021689.6A priority Critical patent/CN107704847B/zh
Publication of CN107704847A publication Critical patent/CN107704847A/zh
Application granted granted Critical
Publication of CN107704847B publication Critical patent/CN107704847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种人脸关键点的检测方法
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。
CN201711021689.6A 2017-10-26 2017-10-26 一种人脸关键点的检测方法 Active CN107704847B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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