CN107729880A - 人脸检测方法及装置 - Google Patents
人脸检测方法及装置 Download PDFInfo
- Publication number
- CN107729880A CN107729880A CN201711130791.XA CN201711130791A CN107729880A CN 107729880 A CN107729880 A CN 107729880A CN 201711130791 A CN201711130791 A CN 201711130791A CN 107729880 A CN107729880 A CN 107729880A
- Authority
- CN
- China
- Prior art keywords
- face
- candidate region
- face candidate
- probability
- characteristic
- 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
- G06V40/168—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
- G06V40/172—Classification, e.g. identification
Abstract
本公开是关于一种人脸检测方法及装置。该方法包括:获取图像中的人脸候选区域;确定所述人脸候选区域对应的特征向量;根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率;根据所述人脸候选区域具有人脸的概率进行人脸检测。本公开的人脸检测方法及装置,能够基于人脸候选区域对应的特征向量进行人脸检测,提高人脸检测的准确率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及人脸检测方法及装置。
背景技术
相关技术中,通过人脸检测可以确定人脸在图像中的位置。人脸检测是对人脸进行分析和处理的第一步,由此人脸检测成为图像处理领域的热点问题,配备人脸检测功能的智能终端将极大地改善用户的交互体验和使用体验。但是,人脸检测的准确率受到光照、脸型或遮挡等各种因素的影响,提高人脸检测的准确率具有重要意义。
发明内容
为克服相关技术中存在的问题,本公开提供一种人脸检测方法及装置。
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:
获取图像中的人脸候选区域;
确定所述人脸候选区域对应的特征向量;
根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率;
根据所述人脸候选区域具有人脸的概率进行人脸检测。
在一种可能的实现方式中,确定所述人脸候选区域对应的特征向量,包括:
对所述图像进行卷积运算,得到所述图像对应的特征图;
将所述人脸候选区域映射到所述特征图,得到所述人脸候选区域对应的特征区域;
对所述人脸候选区域对应的特征区域进行池化运算,得到所述人脸候选区域对应的特征向量。
在一种可能的实现方式中,根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率,包括:
将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域具有人脸的概率。
在一种可能的实现方式中,根据所述人脸候选区域具有人脸的概率进行人脸检测,包括:
对所述图像中的各个人脸候选区域进行非极大抑制处理,并保留具有人脸的概率大于或等于阈值的各个人脸候选区域,得到所述图像对应的人脸检测结果。
在一种可能的实现方式中,所述方法还包括:
将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域对应的调整向量;
根据所述人脸候选区域对应的调整向量,调整所述人脸候选区域。
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:
获取模块,用于获取图像中的人脸候选区域;
确定模块,用于确定所述人脸候选区域对应的特征向量;
第一处理模块,用于根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率;
检测模块,用于根据所述人脸候选区域具有人脸的概率进行人脸检测。
在一种可能的实现方式中,所述确定模块包括:
第一运算模块,用于对所述图像进行卷积运算,得到所述图像对应的特征图;
映射模块,用于将所述人脸候选区域映射到所述特征图,得到所述人脸候选区域对应的特征区域;
第二运算模块,用于对所述人脸候选区域对应的特征区域进行池化运算,得到所述人脸候选区域对应的特征向量。
在一种可能的实现方式中,所述第一处理模块还用于:
将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域具有人脸的概率。
在一种可能的实现方式中,所述检测模块还用于:
对所述图像中的各个人脸候选区域进行非极大抑制处理,并保留具有人脸的概率大于或等于阈值的各个人脸候选区域,得到所述图像对应的人脸检测结果。
在一种可能的实现方式中,所述装置还包括:
第二处理模块,用于将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域对应的调整向量;
调整模块,用于根据所述人脸候选区域对应的调整向量,调整所述人脸候选区域。
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执行时实现上述的方法。
根据本公开实施例的第四方面,提供一种非易失性计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开的人脸检测方法及装置,通过获取图像中的人脸候选区域,确定该人脸候选区域对应的特征向量,根据该人脸候选区域对应的特征向量,得到该人脸候选区域具有人脸的概率,根据该人脸候选区域具有人脸的概率进行人脸检测,由此能够基于人脸候选区域对应的特征向量进行人脸检测,提高人脸检测的准确率。
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一种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一种人脸检测装置的框图。
图3是根据一示例性实施例示出的一种人脸检测装置的一示意性的框图。
图4是根据一示例性实施例示出的一种用于人脸检测装置的装置800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。
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。该人脸检测方法可以应用于例如智能手机、平板电脑、PC(Personal Computer,计算机)或可穿戴设备等智能终端,本公开对此不作限制。如图1所示,该人脸检测方法可以包括步骤S11至步骤S14。
在步骤S11中,获取图像中的人脸候选区域。
其中,人脸候选区域可以指检测图像中的人脸而得到的一个或多个区域。在每次检测到图像中的一个人脸时,可以采用矩形框选中人脸,并将该矩形框选中的区域作为一个人脸候选区域。
作为一个示例,对图像进行显著性检测,获取图像中的人脸候选区域R={r1,r2,...,rn}。其中,r1表示第1个人脸候选区域,r2表示第2个人脸候选区域,以此类推,rn表示第n个人脸候选区域,n表示人脸候选区域的数量。
其中,第i个人脸候选区域ri=(xi,yi,wi,hi),i为取值1~n的整数,xi表示第i个人脸候选区域的横坐标,yi表示第i个人脸候选区域的纵坐标,wi表示第i个人脸候选区域的宽度,hi表示第i个人脸候选区域的高度。
需要说明的是,本领域技术人员能够理解,相关技术中常用的显著性检测方法可以包括选择性搜索(Selective Search)或RPN(Region Proposal Network,区域建议网络)等,本公开对此不作限制。
在步骤S12中,确定该人脸候选区域对应的特征向量。
在一种实现方式中,确定该人脸候选区域对应的特征向量(步骤S12)可以包括:对该图像进行卷积运算,得到该图像对应的特征图;将该人脸候选区域映射到该特征图,得到该人脸候选区域对应的特征区域;对该人脸候选区域对应的特征区域进行池化运算,得到该人脸候选区域对应的特征向量。
在一种实现方式中,可以通过多层卷积神经网络(Convolution,CNN)对图像进行卷积运算,得到该图像对应的特征图Fc。其中,卷积神经网络的层数、每一层卷积核的大小和数量可以根据实际的需要来进行调整,以实现算法速度和算法精度的权衡。例如,如果想要提高算法速度,可以减少卷积神经网络的层数和每一层卷积核的数量,相应地算法会损失精度。如果想要提高算法精度,可以增加卷积神经网络的层数和每一层卷积核的数量,相应地算法会损失速度。
在一种实现方式中,在进行卷积神经网络运算的过程中,还将会对得到的特征图Fc进行下采样操作。下采样操作将会降低特征图Fc的维度,由此最后得到的特征图Fc将会比原始图像缩小很多倍。例如,通过VGG网络(一个卷积神经网络)得到的特征图Fc的尺寸可以是原始图像尺寸的1/16。
在一种实现方式中,将该人脸候选区域映射到该特征图,得到该人脸候选区域对应的特征区域,可以包括:将第i个人脸候选区域ri映射到特征图Fc中,得到第i个人脸候选区域ri在特征图Fc中对应的特征区域,即可以得到第i个人脸候选区域对应的特征区域ric=(xic,yic,wic,hic)=(sc*xi,sc*yi,sc*wi,sc*hi)。其中,xic表示第i个人脸候选区域对应的特征区域的横坐标,yic表示第i个人脸候选区域对应的特征区域的纵坐标,wic表示第i个人脸候选区域对应的特征区域的宽度,hic表示第i个人脸候选区域对应的特征区域的高度,sc表示图像尺寸到对应的特征图尺寸的缩放系数。例如,VGG网络对应的缩放系数sc=1/16。
在一种实现方式中,对该人脸候选区域对应的特征区域进行池化运算,得到该人脸候选区域对应的特征向量,可以包括:对第i个人脸候选区域对应的特征区域ric进行n×n的最大值池化运算,将ric映射为固定长度的特征向量,即可以得到第i个人脸候选区域ri对应的特征向量fic。其中,池化运算能将不同尺寸的特征区域映射到相同尺寸(长度),由此满足后续的特征分类要求固定长度的输入。
作为一个示例,对第i个人脸候选区域对应的特征区域ric进行7×7的最大值池化运算,过程如下:将第i个人脸候选区域对应的特征区域ric均分为7×7的小格子,即可以得到49个小格子。记第i个人脸候选区域对应的特征区域ric中的第d个小格子区域为rid=(xid,yid,wid,hid)。其中,d为取值1~49的整数,在第i个人脸候选区域对应的特征区域ric中,xid表示第d个小格子区域的横坐标,yid表示第d个小格子区域的纵坐标,wid表示第d个小格子区域的宽度,hid表示第d个小格子区域的高度。在每个小格子内设置4个采样点,由于采样点的坐标有可能不是整数,所以采样点处的特征值可以通过双线性插值由该采样点位置周围的特征值插值确定。在得到4个采样点的特征值之后,取其中的最大值,即可以得到49个最大值。将这49个最大值组成的特征向量作为第i个人脸候选区域对应的特征向量fic。通过设立采样点和双线性插值得到采样点的坐标,避免了对坐标进行量化(例如四舍五入),有效的提高了识别的准确率。
在步骤S13中,根据该人脸候选区域对应的特征向量,得到该人脸候选区域具有人脸的概率。
在一种实现方式中,根据该人脸候选区域对应的特征向量,得到该人脸候选区域具有人脸的概率(步骤S13)可以包括:将该人脸候选区域对应的特征向量输入多层神经网络MLP(Multi-layer Perceptron),得到该人脸候选区域具有人脸的概率。
在一种实现方式中,该方法还包括:将该人脸候选区域对应的特征向量输入多层神经网络MLP,得到该人脸候选区域对应的调整向量;根据该人脸候选区域对应的调整向量,调整该人脸候选区域。
作为一个示例,将第i个人脸候选区域对应的特征向量fic输入多层神经网络MLP,计算得到第i个人脸候选区域对应的调整向量Δri=(Δxi,Δyi,Δwi,Δhi)。其中,Δxi表示第i个人脸候选区域的横坐标对应的调整向量,Δyi表示第i个人脸候选区域的纵坐标对应的调整向量,Δwi表示第i个人脸候选区域的宽度对应的调整向量,Δhi表示第i个人脸候选区域的高度。根据第i个人脸候选区域对应的调整向量Δri,调整第i个人脸候选区域,即可以得到rifinal=ri+Δri=(xi+Δxi,yi+Δyi,wi+Δwi,hi+Δhi)。
在一种实现方式中,在获取人脸候选区域对应的特征向量之后,将该人脸候选区域对应的特征向量输入多层神经网络MLP,得到该人脸候选区域对应的调整向量;根据该人脸候选区域对应的调整向量,调整该人脸候选区域,得到调整后的人脸候选区域;根据该调整后的人脸候选区域进行人脸检测。
在步骤S14中,根据该人脸候选区域具有人脸的概率进行人脸检测。
在一种实现方式中,根据该人脸候选区域具有人脸的概率进行人脸检测(步骤S14)可以包括:对该图像中的各个人脸候选区域进行非极大抑制处理,并保留具有人脸的概率大于或等于阈值的各个人脸候选区域,得到该图像对应的人脸检测结果。
其中,非极大值抑制的本质是搜索局部极大值,抑制非极大值元素。局部代表的是一个邻域,邻域有两个可变参数,一是邻域的维数,二是邻域的大小。例如,在人脸检测中,滑动窗口提取特征,特征经过分类识别后,每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要通过非极大值抑制来选取那些邻域里分数最高(具有人脸的概率最大),并抑制那些分数低的窗口。窗口即可以指用来表示人脸候选区域的区域边框。
作为一个示例,根据图像中的各个人脸候选区域具有人脸的概率,对该图像中的各个人脸候选区域进行IOU=0.5的非极大值抑制处理,并保留具有人脸的概率大于或等于0.8的各个人脸候选区域,得到该图像对应的人脸检测结果。
本公开的人脸检测方法,通过获取图像中的人脸候选区域,确定该人脸候选区域对应的特征向量,根据该人脸候选区域对应的特征向量,得到该人脸候选区域具有人脸的概率,根据该人脸候选区域具有人脸的概率进行人脸检测,由此能够基于人脸候选区域对应的特征向量进行人脸检测,提高人脸检测的准确率。
图2是根据一示例性实施例示出的一种人脸检测装置的框图。参照图2,该装置包括:
获取模块21,用于获取图像中的人脸候选区域;确定模块22,用于确定所述人脸候选区域对应的特征向量;第一处理模块23,用于根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率;检测模块24,用于根据所述人脸候选区域具有人脸的概率进行人脸检测。
图3是根据一示例性实施例示出的一种人脸检测装置的一示意性的框图。参照图3:
在一种实现方式中,所述确定模块22包括:第一运算模块221,用于对所述图像进行卷积运算,得到所述图像对应的特征图;映射模块222,用于将所述人脸候选区域映射到所述特征图,得到所述人脸候选区域对应的特征区域;第二运算模块223,用于对所述人脸候选区域对应的特征区域进行池化运算,得到所述人脸候选区域对应的特征向量。
在一种实现方式中,所述第一处理模块23还用于:将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域具有人脸的概率。
在一种实现方式中,所述检测模块24还用于:对所述图像中的各个人脸候选区域进行非极大抑制处理,并保留具有人脸的概率大于或等于阈值的各个人脸候选区域,得到所述图像对应的人脸检测结果。
在一种实现方式中,所述装置还包括:第二处理模块25,用于将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域对应的调整向量;调整模块26,用于根据所述人脸候选区域对应的调整向量,调整所述人脸候选区域。
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。
本公开的人脸检测装置,通过获取图像中的人脸候选区域,确定该人脸候选区域对应的特征向量,根据该人脸候选区域对应的特征向量,得到该人脸候选区域具有人脸的概率,根据该人脸候选区域具有人脸的概率进行人脸检测,由此能够基于人脸候选区域对应的特征向量进行人脸检测,提高人脸检测的准确率。
图4是根据一示例性实施例示出的一种用于人脸检测装置的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,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装置800的操作。这些数据的示例包括用于在装置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包括在所述装置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。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述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可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置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被配置为便于装置800和其他设备之间有线或无线方式的通信。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,所述通信组件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,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元件实现,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,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述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。
本领域技术人员在考虑说明书及实践这里公开的发明后,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 (12)
1.一种人脸检测方法,其特征在于,包括:
获取图像中的人脸候选区域;
确定所述人脸候选区域对应的特征向量;
根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率;
根据所述人脸候选区域具有人脸的概率进行人脸检测。
2.根据权利要求1所述的方法,其特征在于,确定所述人脸候选区域对应的特征向量,包括:
对所述图像进行卷积运算,得到所述图像对应的特征图;
将所述人脸候选区域映射到所述特征图,得到所述人脸候选区域对应的特征区域;
对所述人脸候选区域对应的特征区域进行池化运算,得到所述人脸候选区域对应的特征向量。
3.根据权利要求1所述的方法,其特征在于,根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率,包括:
将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域具有人脸的概率。
4.根据权利要求1所述的方法,其特征在于,根据所述人脸候选区域具有人脸的概率进行人脸检测,包括:
对所述图像中的各个人脸候选区域进行非极大抑制处理,并保留具有人脸的概率大于或等于阈值的各个人脸候选区域,得到所述图像对应的人脸检测结果。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域对应的调整向量;
根据所述人脸候选区域对应的调整向量,调整所述人脸候选区域。
6.一种人脸检测装置,其特征在于,包括:
获取模块,用于获取图像中的人脸候选区域;
确定模块,用于确定所述人脸候选区域对应的特征向量;
第一处理模块,用于根据所述人脸候选区域对应的特征向量,得到所述人脸候选区域具有人脸的概率;
检测模块,用于根据所述人脸候选区域具有人脸的概率进行人脸检测。
7.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
第一运算模块,用于对所述图像进行卷积运算,得到所述图像对应的特征图;
映射模块,用于将所述人脸候选区域映射到所述特征图,得到所述人脸候选区域对应的特征区域;
第二运算模块,用于对所述人脸候选区域对应的特征区域进行池化运算,得到所述人脸候选区域对应的特征向量。
8.根据权利要求6所述的装置,其特征在于,所述第一处理模块还用于:
将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域具有人脸的概率。
9.根据权利要求6所述的装置,其特征在于,所述检测模块还用于:
对所述图像中的各个人脸候选区域进行非极大抑制处理,并保留具有人脸的概率大于或等于阈值的各个人脸候选区域,得到所述图像对应的人脸检测结果。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二处理模块,用于将所述人脸候选区域对应的特征向量输入多层神经网络MLP,得到所述人脸候选区域对应的调整向量;
调整模块,用于根据所述人脸候选区域对应的调整向量,调整所述人脸候选区域。
11.一种人脸检测装置,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执行权利要求1至5中任意一项所述的方法。
12.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130791.XA CN107729880A (zh) | 2017-11-15 | 2017-11-15 | 人脸检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130791.XA CN107729880A (zh) | 2017-11-15 | 2017-11-15 | 人脸检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107729880A true CN107729880A (zh) | 2018-02-23 |
Family
ID=61216064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711130791.XA Pending CN107729880A (zh) | 2017-11-15 | 2017-11-15 | 人脸检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729880A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537224A (zh) * | 2018-04-23 | 2018-09-14 | 北京小米移动软件有限公司 | 图像检测方法及装置 |
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 |
CN109522910A (zh) * | 2018-12-25 | 2019-03-26 | 浙江商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN109886128A (zh) * | 2019-01-24 | 2019-06-14 | 南京航空航天大学 | 一种低分辨率下的人脸检测方法 |
CN112686126A (zh) * | 2020-12-25 | 2021-04-20 | 杭州海康威视数字技术股份有限公司 | 一种人脸建模方法及装置 |
CN112785595A (zh) * | 2019-11-07 | 2021-05-11 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295515A (zh) * | 2016-07-28 | 2017-01-04 | 北京小米移动软件有限公司 | 确定图像中的人脸区域的方法及装置 |
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 |
-
2017
- 2017-11-15 CN CN201711130791.XA patent/CN107729880A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295515A (zh) * | 2016-07-28 | 2017-01-04 | 北京小米移动软件有限公司 | 确定图像中的人脸区域的方法及装置 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537224A (zh) * | 2018-04-23 | 2018-09-14 | 北京小米移动软件有限公司 | 图像检测方法及装置 |
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 |
CN108596957B (zh) * | 2018-04-26 | 2022-07-22 | 北京小米移动软件有限公司 | 物体跟踪方法及装置 |
CN109522910A (zh) * | 2018-12-25 | 2019-03-26 | 浙江商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN109522910B (zh) * | 2018-12-25 | 2020-12-11 | 浙江商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN109886128A (zh) * | 2019-01-24 | 2019-06-14 | 南京航空航天大学 | 一种低分辨率下的人脸检测方法 |
CN112785595A (zh) * | 2019-11-07 | 2021-05-11 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
WO2021088505A1 (zh) * | 2019-11-07 | 2021-05-14 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
CN112785595B (zh) * | 2019-11-07 | 2023-02-28 | 北京市商汤科技开发有限公司 | 目标属性检测、神经网络训练及智能行驶方法、装置 |
CN112686126A (zh) * | 2020-12-25 | 2021-04-20 | 杭州海康威视数字技术股份有限公司 | 一种人脸建模方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729880A (zh) | 人脸检测方法及装置 | |
CN105657173B (zh) | 音量调节方法、装置及移动终端 | |
CN106295515B (zh) | 确定图像中的人脸区域的方法及装置 | |
CN107527053A (zh) | 目标检测方法及装置 | |
CN106778773A (zh) | 图片中目标物的定位方法及装置 | |
CN107909113A (zh) | 交通事故图像处理方法、装置及存储介质 | |
CN107368810A (zh) | 人脸检测方法及装置 | |
CN107492115A (zh) | 目标对象的检测方法及装置 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN108062547A (zh) | 文字检测方法及装置 | |
CN107742120A (zh) | 银行卡卡号的识别方法及装置 | |
CN106778531A (zh) | 人脸定位方法及装置 | |
CN106682736A (zh) | 图像识别方法及装置 | |
CN104517271B (zh) | 图像处理方法及装置 | |
CN107798654A (zh) | 图像磨皮方法及装置、存储介质 | |
CN107392166A (zh) | 肤色检测方法、装置及计算机可读存储介质 | |
CN107480665A (zh) | 文字检测方法、装置及计算机可读存储介质 | |
CN104182967B (zh) | 图像处理方法、装置及终端 | |
CN107563994A (zh) | 图像的显著性检测方法及装置 | |
CN106845398A (zh) | 人脸关键点定位方法及装置 | |
CN107463903A (zh) | 人脸关键点定位方法及装置 | |
CN106228556A (zh) | 图像质量分析方法和装置 | |
CN107967459A (zh) | 卷积处理方法、装置及存储介质 | |
CN106802808A (zh) | 悬浮按钮控制方法及装置 | |
CN106598429A (zh) | 移动终端的窗口调整方法及装置 |
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: 20180223 |