CN107862270A - 人脸分类器训练方法、人脸检测方法及装置、电子设备 - Google Patents
人脸分类器训练方法、人脸检测方法及装置、电子设备 Download PDFInfo
- Publication number
- CN107862270A CN107862270A CN201711048015.5A CN201711048015A CN107862270A CN 107862270 A CN107862270 A CN 107862270A CN 201711048015 A CN201711048015 A CN 201711048015A CN 107862270 A CN107862270 A CN 107862270A
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- classification device
- trained
- glass
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/174—Facial expression recognition
- G06V40/175—Static expression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人脸分类器训练方法，包括：获取玻璃遮挡人脸的第一人脸样本图片；利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；获取玻璃样本图片；将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；从所述第二样本图片中获取第二正样本图片；将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。本发明还提供一种人脸分类器训练装置。本发明能提高分类器的鲁棒性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人脸分类器训练方法、人脸检测方法及装置、电子设备。
背景技术
人脸识别是一种生物识别技术，在视频监控、人机交互、金融、娱乐、教育等行业有广泛的应用，而人脸检测技术是人脸识别算法的第一步，它首先将人脸区域从图像或者视频中找出来，然后才能够对该人脸区域进行后续的识别任务；
通常情况下，人脸检测都会用到滑动窗口法，即对图像中各个位置、各个尺度对应的窗口区域进行分类，判断该区域是否是人脸，完成这个任务的模型叫做分类器，分类器一般是用机器学习的方法训练而成的，训练时需要用到大量的正样本(人脸)、负样本(非人脸)，因此分类器的性能除了取决训练算法本身外，还很大程度上依赖于正负样本的分布和比例。
在某些应用场景下，人脸分类器的性能容易受人脸姿态、表情、光照、角度、遮挡、尺寸、图片质量等因素的影响；在交通监控中，很多人脸都出现在车的驾驶座位上，并且隔着车窗玻璃，这样隔着玻璃的遮挡对人脸检测的性能影响极大。
从分类器的设计的角度来看，要缓解上面这些因素对分类器性能的影响，需要添加在该应用场景下一定规模的样本去训练分类器。但专门收集那些场景下自然分布的样本需要耗费大量的人力、物力。如果收集到少量的训练样本，则训练出来的检测器，在应用场景下依旧难检测到人脸，甚至会出现很多误检。
发明内容
鉴于以上内容，有必要提供一种人脸分类器训练方法、人脸检测方法及装置、电子设备，减少采集样本的工作量，提高人脸检测精度。
一种人脸分类器训练方法，所述方法包括：
获取玻璃遮挡人脸的第一人脸样本图片；
利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；
获取玻璃样本图片；
将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；
将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；
从所述第二样本图片中获取第二正样本图片，所述第二正样本图片包括通过所述训练好的生成模型生成的玻璃遮挡人脸的样本图片；
将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。
在本发明的可选实施例中，所述第一人脸样本图片包括以下一种或者多种的组合：多种光照条件下的人脸的图片、多个人的人脸图片、多种人脸姿态的人脸图片、多种表情的人脸图片、多种材质的玻璃遮挡人脸的图片、多种颜色的玻璃遮挡人脸的图片、多种形状的玻璃遮挡人脸的图片。
在本发明的可选实施例中，所述玻璃样本图片包括以下一种或者多种的组合：多种材质的玻璃图片、多种颜色的玻璃图片、多种形状的玻璃图片。
在本发明的可选实施例中，所述方法还包括：
利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器能检测到人脸的第三正样本图片；
将所述第三正样本图片作为所述人脸分类器的正样本的一部分。
在本发明的可选实施例中，所述方法还包括：
从所述第二样本图片中获取第二负样本图片；
将所述第二负样本图片作为所述人脸分类器的负样本的一部分，及/或
将所述玻璃样本图片作为所述人脸分类器的负样本的一部分。
一种人脸检测方法，所述方法包括：
获取待检测的图片；
获取训练好的人脸分类器，所述训练好的人脸分类器根据权利要求1至5中任一项所述人脸分类器训练方法进行训练；
将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。
一种人脸分类器训练装置，所述装置包括：
获取模块，用于获取玻璃遮挡人脸的第一人脸样本图片；
检测模块，用于利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；
所述获取模块还用于获取玻璃样本图片；
训练模块，用于将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；
生成模块，用于将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；
所述获取模块还用于从所述第二样本图片中获取第二正样本图片；
所述训练模块还用于将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。
一种人脸检测装置，所述装置包括：
图片获取模块，用于获取待检测的图片；
分类器获取模块，用于获取训练好的人脸分类器，所述训练好的人脸分类器上述任意实施例中所述人脸分类器训练方法进行训练；
图片检测模块，用于将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现上述任意实施例中任一项所述人脸分类器训练方法，及/或所述人脸检测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述任意实施例中所述人脸分类器训练方法，及/或所述人脸检测方法。
由以上技术方案可以看出，本发明通过获取玻璃遮挡人脸的第一人脸样本图片；利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；获取玻璃样本图片；将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；从所述第二样本图片中获取第二正样本图片；将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。在本发明中，通过训练好的生成模型来生成多种玻璃遮挡人脸的样本，然后将这些生成的样本加入到原先的人脸分类器中作为训练的正样本，重新训练原先的人脸分类器，最终来提高人脸被玻璃介质遮挡情况下的检测率。因此，本发明以低成本的方式生成了大量被玻璃介质遮挡的逼真人脸图片，将这些生成的图片加入人脸分类器的训练样本中，大大提高了玻璃遮挡人脸场景下的人脸检测的性能，提高了整个分类器的鲁棒性。从而减少采集样本的工作量，提高人脸检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明人脸分类器训练方法的较佳实施例的流程图。
图2是本发明人脸检测方法的较佳实施例的流程图。
图3是本发明人脸分类器训练装置的较佳实施例的功能模块图。
图4是本发明人脸分类器训练方法的较佳实施例的流程图。
图5是本发明至少一个实例中电子设备的较佳实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，是本发明人脸分类器训练方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，电子设备获取玻璃遮挡人脸的第一人脸样本图片。
在优选实施例中，所述第一人脸样本图片包括多张图片，每张图片的大小相同。所述第一人脸样本图片包括以下一种或者多种的组合：多种光照条件下的人脸的图片、多个人的人脸图片、多种人脸姿态的人脸图片、多种表情的人脸图片、多种材质的玻璃遮挡人脸的图片、多种颜色的玻璃遮挡人脸的图片、多种形状的玻璃遮挡人脸的图片。
所述多种光照条件包括，但不限于：室内正常光照、室内暗光、室内逆光、室内曝光、室外正常光照、室外暗光、室外逆光、室外曝光等等。
所述多种人脸姿态包括，但不限于：正脸姿态、侧脸姿态、仰面姿态、低头姿态等等。
所述多种表情包括，但不限于：正常表情，笑表情、哭表情等等。
在可选实施例中，所述第一人脸样本图片的获取方式可以有多种：所述电子设备可以利用网络爬虫技术从网络爬取样本图片，对样本图片处理后作为所述第一人脸样本图片；所述电子设备接收与其通信的终端设备传送的图片，对接收的图片处理后作为所述第一人脸样本图片。对所述样本图片的处理包括，但不限于，对样本图片的滤波、从样本图片中剪裁出人脸图片等等。
S11，所述电子设备利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片。
在可选实施例中，所述人脸分类器是通过现有技术中的方法训练的。所述人脸分类器对这种有玻璃遮挡的人脸鲁棒性较差，只有一些比较容易区分的人脸才能够被检测出来，那些干扰因素(如玻璃遮挡、玻璃遮挡且光线很弱等等)比较多的人脸很难被检测到。因此，可以收集所述人脸分类器检测不到人脸的样本图片，将收集到的样本图片作为所述第一正样本图片。例如，所述第一正样本图的片数据规模约5k张。所述第一正样本图片后续用作训练的正样本。
在可选实施例中，所述电子设备利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器能检测到人脸的第三正样本图片，后续在重新训练所述人脸分类器时，将所述第三正样本图片作为所述人脸分类器的正样本的一部分。
S12，所述电子设备获取玻璃样本图片。
在优选实施例中，所述玻璃样本图片包括多张图片。每张图片的大小相同。所述玻璃样本图片包括以下一种或者多种的组合：多种材质的玻璃图片、多种颜色的玻璃图片、多种形状的玻璃图片。所述玻璃图片后续用作训练的负样本。
S13，所述电子设备将所述第一正样本图片及所述玻璃样本图片作为半监督的生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型。
在本发明中，生成对抗网络(Generative Adversarial Net，GAN)是一种基于对抗训练(Adversarial training)过程来训练生成模型(Generative Model)的一种新的深度学习框架。GAN是由两个模型组成：一个生成模型G，用于获得输入样本的分布，一个判别模型(Discriminative Model)D，用于估计一个样本是真实的样本而不是由G生成的样本的概率。
GAN的训练的目的就是要使得生成的生成样本和真实样本的分布尽量接近，从而能够解释真实的数据。在训练过程中，训练一个生成模型G，从随机噪声或者潜在变量(Latent Variable)中生成逼真的生成样本，同时训练一个判别模型D来鉴别真实样本(即输入样本)和生成样本。在GAN的训练中，生成模型G和判别模型D同时训练，多次训练后，直到达到一个纳什均衡，生成模型G生成的生成样本与真实样本无差别。判别模型D也无法正确的区分生成样本和真实样本。
在半监督生成式对抗网络(Semi-Supervised Generative AdversarialNetworks，SGAN)中，生成模型G的训练是无监督的，但判别模型D的训练是有监督的，因此整个GAN的训练是半监督的，这样做的好处是，通过不断地训练，使得生成模型G能够生成比纯无监督更逼真的图片。SGAN能较好的利用真实样本的标签，并在训练过程中提供有效的反馈信息，从而提高生成器生成样本的质量。
在优选实施例中，将所述第一正样本图片及所述玻璃样本图片作为真实样本，在对SGAN训练的过程中，生成模型G会去发现所述第一正样本图片及所述玻璃样本图片的数据背后更为简单的统计规律，生成模型G可以自动学习到所述第一正样本图片及所述玻璃样本图片中的内部分布，能够解释给定的训练图片(即所述真实样本)，并同时通过生成模型G从随机噪声中生成新的生成样本。这样以少量的真实样本为基础，训练出生成模型，通过训练好的生成模型可以生成大量逼真的玻璃遮挡的人脸样本，避免了采集大量的进行样本训练，因此，可以以低成本的方式生成了大量被玻璃介质遮挡的逼真人脸图片。由于生成模型G可以自动学习到所述第一正样本图片及所述玻璃样本图片中的内部分布，使生成的玻璃遮挡的人脸样本与所述真实样本中的玻璃遮挡人脸的第一人脸样本图片很接近，从而获取大量逼真的玻璃遮挡的人脸样本，将这些大量逼真的玻璃遮挡的人脸样本加入人脸分类器的训练样本中，对分类器进行训练，大大提高了玻璃遮挡人脸的场景下的人脸检测的性能，提高了整个分类器的鲁棒性。从而减少采集样本的工作量，提高检测精度。
S14，所述电子设备将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片。
在本发明中，所述第二样本图片包括，但不限于：通过所述训练好的生成模型生成的玻璃遮挡人脸的样本图片、其他不包含人脸的图片。所述其他不包含人脸的图片包括，但不限于：玻璃图片等等其他形式的图片。
S15，所述电子设备从所述第二样本图片中获取第二正样本图片。
在可选实施例中，将所述第二样本图片显示在所述电子设备中，由用户删除不像人脸的样本，将被玻璃遮挡的人脸样本作为第二正样本图片，将所述第二正样本图片用于后续重新训练所述人脸分类器。
S16，所述电子设备将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。
在可选实施例中，将所述第三正样本图片作为所述人脸分类器的正样本的一部分。
在可选实施例中，从所述第二样本图片中获取第二负样本图片(即不包含人脸的图片)；将所述第二负样本图片作为所述人脸分类器的负样本的一部分，及/或
将所述玻璃样本图片作为所述人脸分类器的负样本的一部分。
本发明通过获取玻璃遮挡人脸的第一人脸样本图片；利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；获取玻璃样本图片；将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；从所述第二样本图片中获取第二正样本图片；将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。在本发明中，通过训练好的生成模型来生成多种玻璃遮挡人脸的样本，然后将这些生成的样本加入到原先的人脸分类器中作为训练的正样本，重新训练原先的人脸分类器，最终来提高人脸被玻璃介质遮挡情况下的检测率。因此，本发明以低成本的方式生成了大量被玻璃介质遮挡的逼真人脸图片，将这些生成的图片加入人脸分类器的训练样本中，大大提高了玻璃遮挡人脸场景下的人脸检测的性能，提高了整个分类器的鲁棒性。从而减少采集样本的工作量，提高检测精度。
如图2所示，是本发明人脸分类器训练方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S20，电子设备获取待检测的图片。
在可选实施例中，所述待检测的图片包括，但不限于，存储在所述电子设备中的图片、所述电子设备实时接收的图片等等。
S21，所述电子设备获取训练好的人脸分类器。
在优选实施例中，所述训练好的人脸分类器通过上述任意实施中所述人脸分类器训练方法进行训练得到的。
S22，所述电子设备将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。
在本发明中，利用所述人脸分类器对所述待检测的图片进行检测是现有技术，在此不再详述。
本发明通过获取训练好的人脸分类器，所述训练好的人脸分类器通过所述人脸分类器训练方法进行训练得到的，将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。本发明大大提高了玻璃遮挡人脸场景下的人脸检测的准确度。
如图3所示，本发明人脸分类器训练装置的较佳实施例的功能模块图。所述人脸分类器训练装置11包括获取模块100、检测模块101、训练模块102及生成模块103。本发明所称的单元是指一种能够被人脸分类器训练装置11的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
获取模块100，用于获取玻璃遮挡人脸的第一人脸样本图片。
在优选实施例中，所述第一人脸样本图片包括多张图片，每张图片的大小相同。所述第一人脸样本图片包括以下一种或者多种的组合：多种光照条件下的人脸的图片、多个人的人脸图片、多种人脸姿态的人脸图片、多种表情的人脸图片、多种材质的玻璃遮挡人脸的图片、多种颜色的玻璃遮挡人脸的图片、多种形状的玻璃遮挡人脸的图片。对所述样本图片的处理包括，但不限于，对样本图片的滤波、从样本图片中剪裁出人脸图片等等。
所述多种光照条件包括，但不限于：室内正常光照、室内暗光、室内逆光、室内曝光、室外正常光照、室外暗光、室外逆光、室外曝光等等。
所述多种人脸姿态包括，但不限于：正脸姿态、侧脸姿态、仰面姿态、低头姿态等等。
所述多种表情包括，但不限于：正常表情，笑表情、哭表情等等。
在可选实施例中，所述第一人脸样本图片的获取方式可以有多种：所述获取模块100可以利用网络爬虫技术从网络爬取样本图片，对样本图片处理后作为所述第一人脸样本图片；所述获取模块100接收与其通信的终端设备传送的图片，对接收的图片处理后作为所述第一人脸样本图片。
所述检测模块101利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片。
在可选实施例中，所述人脸分类器是通过现有技术中的方法训练的。所述人脸分类器对这种有玻璃遮挡的人脸鲁棒性较差，只有一些比较容易区分的人脸才能够被检测出来，那些干扰因素(如玻璃遮挡、玻璃遮挡且光线很弱等等)比较多的人脸很难被检测到。因此，可以收集所述人脸分类器检测不到人脸的样本图片，将收集到的样本图片作为所述第一正样本图片。例如，所述第一正样本图的片数据规模约5k张。所述第一正样本图片后续用作训练的正样本。
在可选实施例中，所述检测模块101利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器能检测到人脸的第三正样本图片，后续在重新训练所述人脸分类器时，将所述第三正样本图片作为所述人脸分类器的正样本的一部分。
所述获取模块100获取玻璃样本图片。
在优选实施例中，所述玻璃样本图片包括多张图片。每张图片的大小相同。所述玻璃样本图片包括以下一种或者多种的组合：多种材质的玻璃图片、多种颜色的玻璃图片、多种形状的玻璃图片。所述玻璃图片后续用作训练的负样本。
所述训练模块102将所述第一正样本图片及所述玻璃样本图片作为半监督的生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型。
在本发明中，生成对抗网络(Generative Adversarial Net，GAN)是一种基于对抗训练(Adversarial training)过程来训练生成模型(Generative Model)的一种新的深度学习框架。GAN是由两个模型组成：一个生成模型G，用于获得输入样本的分布，一个判别模型(Discriminative Model)D，用于估计一个样本是真实的样本而不是由G生成的样本的概率。
GAN的训练的目的就是要使得生成的生成样本和真实样本的分布尽量接近，从而能够解释真实的数据。在训练过程中，训练一个生成模型G，从随机噪声或者潜在变量(Latent Variable)中生成逼真的生成样本，同时训练一个判别模型D来鉴别真实样本(即输入样本)和生成样本。在GAN的训练中，生成模型G和判别模型D同时训练，多次训练后，直到达到一个纳什均衡，生成模型G生成的生成样本与真实样本无差别。判别模型D也无法正确的区分生成样本和真实样本。
在半监督生成式对抗网络(Semi-Supervised Generative AdversarialNetworks，SGAN)中，生成模型G的训练是无监督的，但判别模型D的训练是有监督的，因此整个GAN的训练是半监督的，这样做的好处是，通过不断地训练，使得生成模型G能够生成比纯无监督更逼真的图片。SGAN能较好的利用真实样本的标签，并在训练过程中提供有效的反馈信息，从而提高生成器生成样本的质量。
在优选实施例中，将所述第一正样本图片及所述玻璃样本图片作为真实样本，在对SGAN训练的过程中，生成模型G会去发现所述第一正样本图片及所述玻璃样本图片的数据背后更为简单的统计规律，生成模型G可以自动学习到所述第一正样本图片及所述玻璃样本图片中的内部分布，能够解释给定的训练图片(即所述真实样本)，并同时通过生成模型G从随机噪声中生成新的生成样本。这样以少量的真实样本为基础，训练出生成模型，通过训练好的生成模型生成大量逼真的玻璃遮挡的人脸样本，避免采集大量的训样本，因此，可以以低成本的方式生成了大量被玻璃介质遮挡的逼真人脸图片。由于生成模型G可以自动学习到所述第一正样本图片及所述玻璃样本图片中的内部分布，使生成的玻璃遮挡的人脸样本与所述真实样本中的玻璃遮挡人脸的第一人脸样本图片很接近，从而获取大量逼真的玻璃遮挡的人脸样本，将这些大量逼真的玻璃遮挡的人脸样本加入人脸分类器的训练样本中，对分类器进行训练，大大提高了玻璃遮挡人脸的场景下的人脸检测的性能，提高了整个分类器的鲁棒性。从而减少采集样本的工作量，提高检测精度。
所述生成模块103将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片。
在本发明中，所述第二样本图片包括，但不限于：通过所述训练好的生成模型生成的玻璃遮挡人脸的样本图片、其他不包含人脸的图片。所述其他不包含人脸的图片包括，但不限于：玻璃图片等等其他形式的图片。
所述获取模块100从所述第二样本图片中获取第二正样本图片。
在可选实施例中，所述获取模块100将所述第二样本图片显示在所述电子设备中，由用户删除不像人脸的样本，将被玻璃遮挡的人脸样本作为第二正样本图片，将所述第二正样本图片用于后续重新训练所述人脸分类器。
所述训练模块102将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。
在可选实施例中，所述训练模块102将所述第三正样本图片作为所述人脸分类器的正样本的一部分。
在可选实施例中，所述训练模块102从所述第二样本图片中获取第二负样本图片(即不包含人脸的图片)；将所述第二负样本图片作为所述人脸分类器的负样本的一部分，及/或
所述训练模块102将所述玻璃样本图片作为所述人脸分类器的负样本的一部分。
本发明通过获取玻璃遮挡人脸的第一人脸样本图片；利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；获取玻璃样本图片；将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；从所述第二样本图片中获取第二正样本图片；将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。在本发明中，通过训练好的生成模型来生成多种玻璃遮挡人脸的样本，然后将这些生成的样本加入到原先的人脸分类器中作为训练的正样本，重新训练原先的人脸分类器，最终来提高人脸被玻璃介质遮挡情况下的检测率。因此，本发明以低成本的方式生成了大量被玻璃介质遮挡的逼真人脸图片，将这些生成的图片加入人脸分类器的训练样本中，大大提高了玻璃遮挡人脸场景下的人脸检测的性能，提高了整个分类器的鲁棒性。从而减少采集样本的工作量，提高检测精度。
如图4所示，本发明人脸分类器训练装置的较佳实施例的功能模块图。所述人脸分类器训练装置21包括图片获取模块200、分类器获取模块201及图像检测模块202。本发明所称的单元是指一种能够被人脸分类器训练装置16的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
图片获取模块200获取待检测的图片。
在可选实施例中，所述待检测的图片包括，但不限于，存储在所述电子设备中的图片，所述电子设备实时接收的图片等等。
分类器获取模块201获取训练好的人脸分类器。
在优选实施例中，所述训练好的人脸分类器通过上述任意实施中所述人脸分类器训练方法进行训练得到的。
图像检测模块202将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。
在本发明中，利用所述人脸分类器对所述待检测的图片进行检测是现有技术，在此不再详述。
本发明通过获取训练好的人脸分类器，所述训练好的人脸分类器通过所述人脸分类器训练方法进行训练得到的，将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。本发明大大提高了玻璃遮挡人脸场景下的人脸检测的准确度。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图5所示，所述电子设备5包括至少一个发送装置51、至少一个存储器52、至少一个处理器53、至少一个接收装置54以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子设备5是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述电子设备5还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备5可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备5所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述接收装置54和所述发送装置51可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器52用于存储程序代码。所述存储器52可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First InFirst Out，)等。或者，所述存储器52也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digitalcard)、快闪存储器卡(flash card)等储存设备等等。
所述处理器53可以包括一个或者多个微处理器、数字处理器。所述处理器53可调用存储器52中存储的程序代码以执行相关的功能。例如，图3中所述的各个单元是存储在所述存储器52中的程序代码，并由所述处理器53所执行，以实现一种人脸分类器训练方法；及/或图4中所述的各个单元是存储在所述存储器52中的程序代码，并由所述处理器53所执行，以实现一种人脸检测方法。所述处理器53又称中央处理器(CPU，Central ProcessingUnit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器的电子设备执行时，使电子设备执行如上文方法实施例所述的人脸分类器训练方法，及/或人脸检测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明每个实施例中的各功能模块可以集成在一个处理单元中，也可以是每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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种人脸分类器训练方法，其特征在于，所述方法包括：
获取玻璃遮挡人脸的第一人脸样本图片；
利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；
获取玻璃样本图片；
将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；
将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；
从所述第二样本图片中获取第二正样本图片，所述第二正样本图片包括通过所述训练好的生成模型生成的玻璃遮挡人脸的样本图片；
将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。
2.如权利要求1所述的人脸分类器训练方法，其特征在于，所述第一人脸样本图片包括以下一种或者多种的组合：多种光照条件下的人脸的图片、多个人的人脸图片、多种人脸姿态的人脸图片、多种表情的人脸图片、多种材质的玻璃遮挡人脸的图片、多种颜色的玻璃遮挡人脸的图片、多种形状的玻璃遮挡人脸的图片。
3.如权利要求1所述的人脸分类器训练方法，其特征在于，所述玻璃样本图片包括以下一种或者多种的组合：多种材质的玻璃图片、多种颜色的玻璃图片、多种形状的玻璃图片。
4.如权利要求1所述的人脸分类器训练方法，其特征在于，所述方法还包括：
利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器能检测到人脸的第三正样本图片；
将所述第三正样本图片作为所述人脸分类器的正样本的一部分。
5.如权利要求1所述的人脸分类器训练方法，其特征在于，所述方法还包括：
从所述第二样本图片中获取第二负样本图片；
将所述第二负样本图片作为所述人脸分类器的负样本的一部分，及/或
将所述玻璃样本图片作为所述人脸分类器的负样本的一部分。
6.一种人脸检测方法，其特征在于，所述方法包括：
获取待检测的图片；
获取训练好的人脸分类器，所述训练好的人脸分类器根据权利要求1至5中任一项所述人脸分类器训练方法进行训练；
将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。
7.一种人脸分类器训练装置，其特征在于，所述装置包括：
获取模块，用于获取玻璃遮挡人脸的第一人脸样本图片；
检测模块，用于利用人脸分类器对所述第一人脸样本图片进行检测，得到所述人脸分类器未检测到人脸的第一正样本图片；
所述获取模块还用于获取玻璃样本图片；
训练模块，用于将所述第一正样本图片及所述玻璃样本图片作为半监督生成对抗网络模型的输入样本，对半监督的生成对抗网络模型中的生成模型进行训练，得到训练好的生成模型；
生成模块，用于将随机噪声信号输入至所述训练好的生成模型中，生成第二样本图片；
所述获取模块还用于从所述第二样本图片中获取第二正样本图片；
所述训练模块还用于将所述第二正样本图片作为所述人脸分类器的正样本，对所述人脸分类器进行训练，得到训练后的人脸分类器。
8.一种人脸检测装置，其特征在于，所述装置包括：
图片获取模块，用于获取待检测的图片；
分类器获取模块，用于获取训练好的人脸分类器，所述训练好的人脸分类器根据权利要求1至5中任一项所述人脸分类器训练方法进行训练；
图片检测模块，用于将所述待检测的图片作为所述训练好的人脸分类器的输入，对所述待检测的图片进行检测，输出检测结果。
9.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现如权利要求1至5中任一项所述人脸分类器训练方法，及/或权利要求6中所述人脸检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至5中任一项所述人脸分类器训练方法，及/或权利要求6中所述人脸检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711048015.5A CN107862270B (zh) | 2017-10-31 | 2017-10-31 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711048015.5A CN107862270B (zh) | 2017-10-31 | 2017-10-31 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107862270A true CN107862270A (zh) | 2018-03-30 |
| CN107862270B CN107862270B (zh) | 2020-07-21 |
Family
ID=61698118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711048015.5A Active CN107862270B (zh) | 2017-10-31 | 2017-10-31 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862270B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063756A (zh) * | 2018-07-20 | 2018-12-21 | 天津师范大学 | 一种基于多模态生成式对抗网络的云图分类方法 |
| CN109272455A (zh) * | 2018-05-17 | 2019-01-25 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
| CN109685097A (zh) * | 2018-11-08 | 2019-04-26 | 银河水滴科技（北京）有限公司 | 一种基于gan的图像检测方法及装置 |
| CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
| CN109800785A (zh) * | 2018-12-12 | 2019-05-24 | 中国科学院信息工程研究所 | 一种基于自表达相关的数据分类方法和装置 |
| CN110008987A (zh) * | 2019-02-20 | 2019-07-12 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
| CN110135305A (zh) * | 2019-04-30 | 2019-08-16 | 百度在线网络技术（北京）有限公司 | 用于疲劳度检测的方法、装置、设备和介质 |
| CN110458133A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于生成式对抗网络的轻量级人脸检测方法 |
| CN111093029A (zh) * | 2019-12-31 | 2020-05-01 | 深圳云天励飞技术有限公司 | 图像处理方法及相关装置 |
| CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
| CN112087556A (zh) * | 2019-06-12 | 2020-12-15 | 武汉Tcl集团工业研究院有限公司 | 一种暗光成像方法、装置、可读存储介质及终端设备 |
| CN112529114A (zh) * | 2021-01-13 | 2021-03-19 | 北京云真信科技有限公司 | 基于gan的目标信息识别方法、电子设备和介质 |
| US11275819B2 (en) | 2018-12-05 | 2022-03-15 | Bank Of America Corporation | Generative adversarial network training and feature extraction for biometric authentication |
| CN114282684A (zh) * | 2021-12-24 | 2022-04-05 | 支付宝(杭州)信息技术有限公司 | 训练用户相关的分类模型、进行用户分类的方法及装置 |
| CN116311568A (zh) * | 2023-05-16 | 2023-06-23 | 广州铭创通讯科技有限公司 | 一种基于etc的停车场人脸识别快速扣费方法及装置 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6118119A (en) * | 1995-12-27 | 2000-09-12 | Ruschin; Shlomo | Spectral analyzer with wavelength and direction indicator |
| US20070177793A1 (en) * | 2006-01-31 | 2007-08-02 | Fuji Photo Film Co., Ltd. | Method and apparatus for automatic eyeglasses detection and removal |
| US7542591B2 (en) * | 2004-02-26 | 2009-06-02 | Fujifilm Corporation | Target object detecting method, apparatus, and program |
| CN102034079A (zh) * | 2009-09-24 | 2011-04-27 | 汉王科技股份有限公司 | 眼镜遮挡下的人脸识别方法和系统 |
| CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| CN103413119A (zh) * | 2013-07-24 | 2013-11-27 | 中山大学 | 基于人脸稀疏描述子的单样本人脸识别方法 |
| CN105095829A (zh) * | 2014-04-29 | 2015-11-25 | 华为技术有限公司 | 一种人脸识别方法及系统 |
| CN106372603A (zh) * | 2016-08-31 | 2017-02-01 | 重庆大学 | 遮挡人脸识别方法及装置 |
| CN106372595A (zh) * | 2016-08-31 | 2017-02-01 | 重庆大学 | 遮挡人脸识别方法及装置 |
| CN106372658A (zh) * | 2016-08-30 | 2017-02-01 | 广东工业大学 | 车辆分类器的训练方法 |
| CN106407912A (zh) * | 2016-08-31 | 2017-02-15 | 腾讯科技（深圳）有限公司 | 一种人脸验证的方法及装置 |
| CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
| CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
| CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
| CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
| CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
| CN107153816A (zh) * | 2017-04-16 | 2017-09-12 | 五邑大学 | 一种用于鲁棒人脸识别的数据增强方法 |
| CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
| CN107239741A (zh) * | 2017-05-10 | 2017-10-10 | 杭州电子科技大学 | 一种基于稀疏重构的单样本人脸识别方法 |
| CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
-
2017
- 2017-10-31 CN CN201711048015.5A patent/CN107862270B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6118119A (en) * | 1995-12-27 | 2000-09-12 | Ruschin; Shlomo | Spectral analyzer with wavelength and direction indicator |
| US7542591B2 (en) * | 2004-02-26 | 2009-06-02 | Fujifilm Corporation | Target object detecting method, apparatus, and program |
| US20070177793A1 (en) * | 2006-01-31 | 2007-08-02 | Fuji Photo Film Co., Ltd. | Method and apparatus for automatic eyeglasses detection and removal |
| CN102034079A (zh) * | 2009-09-24 | 2011-04-27 | 汉王科技股份有限公司 | 眼镜遮挡下的人脸识别方法和系统 |
| CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| CN103413119A (zh) * | 2013-07-24 | 2013-11-27 | 中山大学 | 基于人脸稀疏描述子的单样本人脸识别方法 |
| CN105095829A (zh) * | 2014-04-29 | 2015-11-25 | 华为技术有限公司 | 一种人脸识别方法及系统 |
| CN106372658A (zh) * | 2016-08-30 | 2017-02-01 | 广东工业大学 | 车辆分类器的训练方法 |
| CN106372595A (zh) * | 2016-08-31 | 2017-02-01 | 重庆大学 | 遮挡人脸识别方法及装置 |
| CN106372603A (zh) * | 2016-08-31 | 2017-02-01 | 重庆大学 | 遮挡人脸识别方法及装置 |
| CN106407912A (zh) * | 2016-08-31 | 2017-02-15 | 腾讯科技（深圳）有限公司 | 一种人脸验证的方法及装置 |
| CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
| CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
| CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
| CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
| CN107153816A (zh) * | 2017-04-16 | 2017-09-12 | 五邑大学 | 一种用于鲁棒人脸识别的数据增强方法 |
| CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
| CN107239741A (zh) * | 2017-05-10 | 2017-10-10 | 杭州电子科技大学 | 一种基于稀疏重构的单样本人脸识别方法 |
| CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
| CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
Non-Patent Citations (4)
| Title |
|---|
| JUN-YING ZENG 等: "A novel expanding sample method for single traning sample face recognition", 《2017 INTERNATIONAL CONFERENCE ON WAVELET ANALYSIS AND PATTERN RECOGNITION (ICWAPR)》 * |
| 师黎 等: "基于小训练样本的AdaBoost人脸检测", 《计算机工程》 * |
| 徐一峰: "生成对抗网络理论模型和应用综述", 《金华职业技术学院学报》 * |
| 甘俊英 等: "样本扩充的稀疏表示单样本人脸识别", 《信号处理》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272455A (zh) * | 2018-05-17 | 2019-01-25 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
| CN109272455B (zh) * | 2018-05-17 | 2021-05-04 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
| CN109063756A (zh) * | 2018-07-20 | 2018-12-21 | 天津师范大学 | 一种基于多模态生成式对抗网络的云图分类方法 |
| CN109685097B (zh) * | 2018-11-08 | 2020-12-25 | 银河水滴科技（北京）有限公司 | 一种基于gan的图像检测方法及装置 |
| CN109685097A (zh) * | 2018-11-08 | 2019-04-26 | 银河水滴科技（北京）有限公司 | 一种基于gan的图像检测方法及装置 |
| US11275819B2 (en) | 2018-12-05 | 2022-03-15 | Bank Of America Corporation | Generative adversarial network training and feature extraction for biometric authentication |
| CN109800785A (zh) * | 2018-12-12 | 2019-05-24 | 中国科学院信息工程研究所 | 一种基于自表达相关的数据分类方法和装置 |
| CN109800785B (zh) * | 2018-12-12 | 2021-12-28 | 中国科学院信息工程研究所 | 一种基于自表达相关的数据分类方法和装置 |
| CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
| CN109741328B (zh) * | 2019-02-02 | 2023-04-14 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
| CN110008987A (zh) * | 2019-02-20 | 2019-07-12 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
| CN110008987B (zh) * | 2019-02-20 | 2022-02-22 | 深圳大学 | 分类器鲁棒性的测试方法、装置、终端及存储介质 |
| CN110135305B (zh) * | 2019-04-30 | 2022-03-01 | 百度在线网络技术（北京）有限公司 | 用于疲劳度检测的方法、装置、设备和介质 |
| CN110135305A (zh) * | 2019-04-30 | 2019-08-16 | 百度在线网络技术（北京）有限公司 | 用于疲劳度检测的方法、装置、设备和介质 |
| CN112087556A (zh) * | 2019-06-12 | 2020-12-15 | 武汉Tcl集团工业研究院有限公司 | 一种暗光成像方法、装置、可读存储介质及终端设备 |
| CN112087556B (zh) * | 2019-06-12 | 2023-04-07 | 武汉Tcl集团工业研究院有限公司 | 一种暗光成像方法、装置、可读存储介质及终端设备 |
| CN110458133A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于生成式对抗网络的轻量级人脸检测方法 |
| CN111093029B (zh) * | 2019-12-31 | 2021-07-06 | 深圳云天励飞技术有限公司 | 图像处理方法及相关装置 |
| CN111093029A (zh) * | 2019-12-31 | 2020-05-01 | 深圳云天励飞技术有限公司 | 图像处理方法及相关装置 |
| CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
| CN112529114A (zh) * | 2021-01-13 | 2021-03-19 | 北京云真信科技有限公司 | 基于gan的目标信息识别方法、电子设备和介质 |
| CN114282684A (zh) * | 2021-12-24 | 2022-04-05 | 支付宝(杭州)信息技术有限公司 | 训练用户相关的分类模型、进行用户分类的方法及装置 |
| CN116311568A (zh) * | 2023-05-16 | 2023-06-23 | 广州铭创通讯科技有限公司 | 一种基于etc的停车场人脸识别快速扣费方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107862270B (zh) | 2020-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862270A (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
| CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
| CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
| CN105976400B (zh) | 基于神经网络模型的目标跟踪方法及装置 | |
| EP3779774B1 (en) | Training method for image semantic segmentation model and server | |
| CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
| Singh et al. | Image classification: a survey | |
| 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 | |
| CN104318562B (zh) | 一种用于确定互联网图像的质量的方法和装置 | |
| CN108780519A (zh) | 卷积神经网络中的结构学习 | |
| JP2018526711A5 (zh) | ||
| CN105608446A (zh) | 一种视频流异常事件的检测方法及装置 | |
| CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
| CN108062562A (zh) | 一种物体重识别方法及装置 | |
| CN110084151A (zh) | 基于非局部网络深度学习的视频异常行为判别方法 | |
| CN102902981B (zh) | 基于慢特征分析的暴力视频检测方法 | |
| CN110598633B (zh) | 一种摔倒行为识别方法、装置及系统 | |
| CN108229262A (zh) | 一种色情视频检测方法及装置 | |
| CN107092883A (zh) | 物体识别追踪方法 | |
| CN109657077A (zh) | 模型训练方法、车道线生成方法、设备及存储介质 | |
| CN109800682A (zh) | 驾驶员属性识别方法及相关产品 | |
| CN111401339A (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
| CN111738044A (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
| CN106973039A (zh) | 一种基于信息融合技术的网络安全态势感知模型训练方法和装置 | |
| WO2022142903A1 (zh) | 身份识别方法、装置、电子设备及相关产品 |
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 |