CN107967456A - 一种基于人脸关键点的多神经网络级联识别人脸方法 - Google Patents
一种基于人脸关键点的多神经网络级联识别人脸方法 Download PDFInfo
- Publication number
- CN107967456A CN107967456A CN201711207308.3A CN201711207308A CN107967456A CN 107967456 A CN107967456 A CN 107967456A CN 201711207308 A CN201711207308 A CN 201711207308A CN 107967456 A CN107967456 A CN 107967456A
- Authority
- CN
- China
- Prior art keywords
- face
- network
- neural network
- image
- algorithm
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人脸关键点的多神经网络级联识别人脸方法,先通过MTCNN算法检测出人脸图像,然后利用仿射变换对人脸进行旋转、平移、缩放,以便后续处理。接下来利用卷积神经网络分别对人脸轮廓关键点和人脸内部关键点进行检测,然后用PCA算法进行特征降维。在进行降维的时候,可以根据不同的类别,采用基于类别模式的方法,可以克服传统PCA算法不能有效利用类别间类别信息,在有光照和表情变化的情况下鲁棒性差的问题。最后通过BP神经网络进行识别。因为在很多环节使用了较先进或改进后的方法,因此,在进行人脸识别时能够得到很好的效果。
Description
技术领域
本发明属于人脸识别技术领域,更为具体地讲,涉及一种基于人脸关键点的多神经网络级联识别人脸方法。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系类相关技术,通常也叫做人像识别、面部识别。
人脸识别的现代研究始于20世纪60年代末。在近20年,随着计算机性能的提高和算法的不断发展,人脸识别有了重大突破,真正进入了自动识别阶段。现今人脸识别已广泛应用于金融、司法、军队、教育等人类生活的各个领域,并且还在不断地开拓新领域。
传统人脸识别方法主要有以下几种:
(1)基于模板匹配的方法。该方法将待处理的人脸图像直接与数据库中所有的模板进行匹配,选取匹配最相似的模板图像作为待处理图像的分类。但由于数据库中每个人的模板图片数量有限,不可能涵盖到现实中所有的复杂情况。
(2)基于几何特征的方法。人的面部有很多形状、大小都不相同的部件,例如鼻子、嘴巴等。通过对这些部件形状的对比,部件之间的位置检测,从而实现人脸识别。
(3)基于代数特征的方法。该方法主要通过对待处理图片的灰度分布进行代数变换或矩阵分解来实现。常见方法有:主成分分析法、线性判别分析法及隐马尔科夫分析法。
(4)基于人工神经网络的方法。该方法直接使用图像像素点作为神经网络的输入,通过模拟人脑神经元工作机制,可以学习到其他方法难以实现的隐性人脸特征表示。但由于网络中训练参数过多导致训练时间过长等问题,因此不适合在实际应用中采用。
(5)基于稀疏表示的人脸识别方法。基于稀疏表示的人脸识别,其稀疏表示用的字典直接由训练所用的全部图像组成,而不需要经过字典学习。目前,很多基于稀疏表示的人脸识别算法得到了非常好的效果,例如MPR算法、SRC算法等。
上述传统方法尽管在人脸识别技术的研究中取得了大量成果,但是由于人脸识别自身的复杂性,在使用中往往存在很多问题:
(1)对光照及成像条件极其敏感。在光线太明或太暗、图片模糊等情况下,传统识别方法无法准确检测出人脸。
(2)对人脸的遮挡极其敏感。在很多场合不可避免地存在人脸被遮挡的情况,传统方法在这种情景下的应用非常有限。
(3)由于算法和计算机性能的限制,没有能力训练大规模的人脸数据集,且计算时间过长,难以实现实时处理。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于人脸关键点的多神经网络级联识别人脸方法,通过使用多个改进的神经网络来进行人脸关键点检测及特征提取,从而使得在光照条件或人脸不同姿态下,准确识别人脸。
为实现上述发明目的,本发明一种基于人脸关键点的多神经网络级联识别人脸方法,其特征在于,包括以下步骤:
(1)、通过MTCNN算法进行人脸检测
(1.1)、先利用MTCNN算法中的建议网络P-Net筛选出候选人脸区域及对应的候选人脸区域边框,再利用极大值抑制算法对高度重叠的候选人脸区域边框进行合并;
(1.2)、利用MTCNN算法中的完善网络R-Net对候选人脸区域进行细化,得到候选人脸图像,同时利用边界框回归算法和非极大值抑制算法删除错误的候选人脸区域边框;
(1.3)、利用MTCNN算法中的输出网络O-Net过滤余下的候选人脸区域边框,将人脸从候选人脸图像中裁剪出来;
(2)、通过仿射变换对人脸图像进行线性变换和平移,再对人脸图像中的人脸部分进行旋转、缩放、平移,使人脸位于人脸图像的中央;
(3)、对人脸图像中的人脸关键点进行检测和定位
(3.1)、利用第一级CNN网络检测出一个精确包含脸部轮廓点的矩形框CR,以及检测出一个精确包含人脸内部关键点的矩形框IR,再将框CR中的图像传入到第二级CNN网络中;
(3.2)、第二级CNN网络根据矩形框CR检测出脸部轮廓点,同时根据矩形框IR检测出脸部内部特征点,再将检测出的脸部轮廓点和脸部内部特征点进行合并输出,得到训练样本集;
(4)、采用基于类别模式的PCA算法将训练样本集中的训练样本从高维空间中投影到低维空间;
(5)、基于弹性动量的BP神经网络实现人脸识别
(5.1)、将步骤(4)处理后的训练样本输入到基于弹性动量的BP神经网络中;
(5.2)、调整BP神经网络的网络权值
调整t+1时刻的网络权值w(t+1):
其中,E(t)表示训练样本的误差,表示误差对权值的偏导数,Δt表示权值的改变量;
(5.3)、利用训练样本训练BP神经网络,通过调整BP神经网络的网络权值,使BP神经网络输出人脸识别结果,最终得到训练完成的BP神经网络;
(6)、将待检测的人脸图像按照步骤(1)-(4)所述方法处理后,输入至训练完成的BP神经网络,从而输出人脸识别结果。
本发明的发明目的是这样实现的:
本发明一种基于人脸关键点的多神经网络级联识别人脸方法,先通过MTCNN算法检测出人脸图像,然后利用仿射变换对人脸进行旋转、平移、缩放,以便后续处理。接下来利用卷积神经网络分别对人脸轮廓关键点和人脸内部关键点进行检测,然后用PCA算法进行特征降维。在进行降维的时候,可以根据不同的类别,采用基于类别模式的方法,可以克服传统PCA算法不能有效利用类别间类别信息,在有光照和表情变化的情况下鲁棒性差的问题。最后通过BP神经网络进行识别。因为在很多环节使用了较先进或改进后的方法,因此,在进行人脸识别时能够得到很好的效果。
同时,本发明基于人脸关键点的多神经网络级联识别人脸方法还具有以下有益效果:
(1)、在人脸关键点检测和定位时,采用了两个神经网络分别对脸轮廓关键点和内部关键点进行检测,取得更好的检测效果;
(2)、在BP神经网络中,对网络权值调整方法进行了改进,减少了训练时间并减少了陷入局部最优解的几率,使得人脸识别得到更高的精确度。
附图说明
图1是本发明基于人脸关键点的多神经网络级联识别人脸方法流程图;
图2是人脸关键点检测和定位流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
MTCNN(Multi-task Convolutional Neural Networks):多任务卷积神经网络;
P-Net(Proposal Network):建议网络;
R-Net(Refine Network):完善网络;
O-Net(Output Network):输出网络;
CNN(Convolutional Neural Networks):卷积神经网络;
PCA(Principal Component Analysis):主成分分析;
BP神经网络(Error Back Propagation Neural Network):反向传播神经网络。
图1是本发明基于人脸关键点的多神经网络级联识别人脸方法流程图。
在本实施例中,如图1所示,本发明一种基于人脸关键点的多神经网络级联识别人脸方法,包括以下步骤:
S1、通过MTCNN算法进行人脸检测
使用简单的分类器去掉大量的非人脸区域,再使用逐渐复杂的分类器过滤余下的检测框,将人脸从图像中裁剪出来,消除背景、噪声等无关因素。本发明通过MTCNN算法进行人脸检测,MTCNN由P-Net、R-Net、O-Net三个卷积神经网络级联而成,下面我们对检测的就过程进行描述:
S1.1、P-Net为建议网络,是级联网络的第一层,先利用建议网络P-Net筛选出候选人脸区域及对应的候选人脸区域边框,再利用极大值抑制算法对高度重叠的候选人脸区域边框进行合并;
S1.2、R-Net为完善网络,是级联网络的第二层,对第一层的人脸区域进行详细分析,细化候选区域,得到候选人脸图像,同时利用边界框回归算法和非极大值抑制算法删除错误的候选人脸区域边框;
S1.3、O-Net为输出网络,是级联网络的第三层,对候选人脸框添加了更多监督,对候选框的筛选更加严格,利用O-Net过滤余下的候选人脸区域边框,将人脸从候选人脸图像中裁剪出来。
S2、通过仿射变换对人脸图像进行线性变换和平移,再对人脸图像中的人脸部分进行旋转、缩放、平移,使人脸位于人脸图像的中央;
其中,仿射变换矩阵用一个3×3的变换矩阵表示,该变换矩阵将原坐标(x,y)变换为新坐标(x′,y′),公式如下:
其中,带角标的m表示变换矩阵的元素;
由于CNN网络能够检测的图像大小为64×64,因此中缩放时需要将人脸图像缩放至64×64大小。
S3、对人脸图像中的人脸关键点进行检测和定位
在本实施例中,如图2所示,使用两个卷积神经网络级联分别对人脸内部和人脸轮廓关键点进行检测和定位;
其中,两个卷积神经网络均采用相同结构的9层CNN网络,其具体结构为:
I0层为输入层,为64×64的RGB图像;
C1层为卷积层,卷积核大小为5×5,卷积核个数为96,步长为1,得到60×60×96的特征图;
S2层为下采样层,采样邻域为2×2,采样步长为2,采样函数为Max-Pooling,得到30×30×96的特征图;
C3层为卷积层,卷积核大小为5×5,卷积核个数为144,步长为1,得到26×26×144的特征图;
S4层为下采样层,采样邻域为3×3,采样步长为2,采样函数为Max-Pooling,得到13×13×144的特征图;
C5层为卷积层,卷积核大小为5×5,卷积核个数为192,步长为1,得到9×9×192的特征图;
S6层为下采样层,采样邻域为3×3,采样步长为2,采样函数为Max-Pooling,得到5×5×192的特征图;
L7为局部连接层,对输入特征图不同位置使用不同的卷积核,卷积核大小为3×3,步长为1,得到3×3×240的特征图;
FC8为全连接层,输入为3×3×240的特征图;对于人联轮廓框估计,输出为CR框左上角和右下角的坐标,对于人联内部点边界框估计,输出为IR框左上角和右下角的坐标,对于人脸轮廓和内部关键点估计,输出为关键点的坐标。
下面我们对级联的CNN网络的工作流程进行描述:
S3.1、利用第一级CNN网络检测出一个精确包含脸部轮廓点的矩形框CR,以及检测出一个精确包含人脸内部关键点的矩形框IR,再将框CR中的图像传入到第二级CNN网络中;
S3.2、第二级CNN网络根据矩形框CR检测出脸部轮廓点,同时根据矩形框IR检测出脸部内部特征点,再将检测出的脸部轮廓点和脸部内部特征点进行合并输出,得到训练样本图像集;
S4、采用基于类别模式的PCA算法将训练样本集中的训练样本图像从高维空间中投影到低维空间;
将训练样本图像灰度图按行或列向量向量组合成一维向量,第i幅训练样本图像记为Xi,训练样本总数为M,则训练样本集矩阵A=[X1-ψ,X2-ψ,...,XM-ψ],其中,ψ为所有训练样本均值:
将训练样本图像根据正脸、低亮度正脸、光照正脸、张嘴微笑、闭眼睛分为五类,训练样本矩阵分别为A1,A2,A3,A4,A5;
分别对训练样本矩阵构建相应的协方差矩阵:
根据SVD定理分别求出协方差矩阵对应的投影空间w1,w2,w3,w4,w5,分别计算出训练样本图像与各类均值的差值,将五个差值分别向对应的五个分类的特征子空间中投影,计算出相应的投影系数Ω1i,Ω2i,Ω3i,Ω4i,Ω5i,
Ωji=ωj T(Xi-ψj),j=1,2,...,5,i=1,2,...,M
然后将其依次排列得到Ωi=(Ω1i,Ω2i,Ω3i,Ω4i,Ω5i)T。
S5、基于弹性动量的BP神经网络实现人脸识别
S5.1、将步骤S4处理后的训练样本图像输入到基于弹性动量的BP神经网络中;
S5.2、调整BP神经网络的网络权值
调整t+1时刻的网络权值w(t+1):
其中,E(t)表示训练样本的误差,表示误差对权值的偏导数,Δt表示权值的改变量;
其中,Δt的调整方法为:
其中,α为增量因子,β为减量因子,且0<β<1<α;
即当连续两次迭代方向相同时,权值的改变量增加,当的连续两次迭代方向不相同时,权值的改变量减少,当为0时,权值的改变量不变;
S5.3、利用训练样本图像训练BP神经网络,通过调整BP神经网络的网络权值,使BP神经网络输出人脸识别结果,最终得到训练完成的BP神经网络;
S6、将待检测的人脸图像按照步骤S1-S4所述方法处理后,输入至训练完成的BP神经网络,从而输出人脸识别结果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于人脸关键点的多神经网络级联识别人脸方法,其特征在于,包括以下步骤:
(1)、通过MTCNN算法进行人脸检测
(1.1)、先利用MTCNN算法中的建议网络P-Net筛选出候选人脸区域及对应的候选人脸区域边框,再利用极大值抑制算法对高度重叠的候选人脸区域边框进行合并;
(1.2)、利用MTCNN算法中的完善网络R-Net对候选人脸区域进行细化,得到候选人脸图像,同时利用边界框回归算法和和非极大值抑制算法删除错误的候选人脸区域边框;
(1.3)、利用MTCNN算法中的输出网络O-Net过滤余下的候选人脸区域边框,将人脸从候选人脸图像中裁剪出来;
(2)、通过仿射变换对人脸图像进行线性变换和平移,再对人脸图像中的人脸部分进行旋转、缩放、平移,使人脸位于人脸图像的中央;
(3)、对人脸图像中的人脸关键点进行检测和定位
(3.1)、利用第一级CNN网络检测出一个精确包含脸部轮廓点的矩形框CR,以及检测出一个精确包含人脸内部关键点的矩形框IR,再将框CR中的图像传入到第二级CNN网络中;
(3.2)、第一级CNN网络根据矩形框CR检测出脸部轮廓点,同时根据矩形框IR检测出脸部内部特征点,再将检测出的脸部轮廓点和脸部内部特征点进行合并输出,得到训练样本集;
(4)、采用基于类别模式的PCA算法将训练样本集中的训练样本从高维空间中投影到低维空间;
(5)、基于弹性动量的BP神经网络实现人脸识别
(5.1)、将步骤(4)处理后的训练样本输入到基于弹性动量的BP神经网络中;
(5.2)、调整BP神经网络的网络权值
调整t+1时刻的网络权值w(t+1):
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,E(t)表示训练样本的误差,表示误差对权值的偏导数,Δt表示权值的改变量;
(5.3)、利用训练样本训练BP神经网络,通过调整BP神经网络的网络权值,使BP神经网络输出人脸识别结果,最终得到训练完成的BP神经网络;
(6)、将待检测的人脸图像按照步骤(1)-(4)所述方法处理后,输入至训练完成的BP神经网络,从而输出人脸识别结果。
2.根据权利要求1所述的基于人脸关键点的多神经网络级联识别人脸方法,其特征在于,所述的权值的改变量Δt的调整方法为:
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>&alpha;</mi>
<mo>&times;</mo>
<mi>&Delta;</mi>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&beta;</mi>
<mo>&times;</mo>
<mi>&Delta;</mi>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo><</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>w</mi>
</mrow>
</mfrac>
<mo><</mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,α为增量因子,β为减量因子,且0<β<1<α。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207308.3A CN107967456A (zh) | 2017-11-27 | 2017-11-27 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207308.3A CN107967456A (zh) | 2017-11-27 | 2017-11-27 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967456A true CN107967456A (zh) | 2018-04-27 |
Family
ID=61998009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711207308.3A Pending CN107967456A (zh) | 2017-11-27 | 2017-11-27 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967456A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710839A (zh) * | 2018-05-08 | 2018-10-26 | 中山大学 | 一种基于深度学习计算机视觉的哨兵瞌睡智能监控系统 |
CN109063625A (zh) * | 2018-07-27 | 2018-12-21 | 北京以萨技术股份有限公司 | 一种基于级联深度网络的人脸关键点检测方法 |
CN109214442A (zh) * | 2018-08-24 | 2019-01-15 | 昆明理工大学 | 一种基于列表和身份一致性约束的行人重识别算法 |
CN109271848A (zh) * | 2018-08-01 | 2019-01-25 | 深圳市天阿智能科技有限责任公司 | 一种人脸检测方法及人脸检测装置、存储介质 |
CN109359608A (zh) * | 2018-10-25 | 2019-02-19 | 电子科技大学 | 一种基于深度学习模型的人脸识别方法 |
CN109359537A (zh) * | 2018-09-14 | 2019-02-19 | 杭州宇泛智能科技有限公司 | 基于神经网络的人脸姿态角度检测方法及系统 |
CN109376596A (zh) * | 2018-09-14 | 2019-02-22 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
CN109544564A (zh) * | 2018-11-23 | 2019-03-29 | 清华大学深圳研究生院 | 一种医疗图像分割方法 |
CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN109614939A (zh) * | 2018-12-13 | 2019-04-12 | 四川长虹电器股份有限公司 | 基于人体姿态估计的“玩手机”行为检测识别方法 |
CN109635768A (zh) * | 2018-12-20 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像帧中停车位状态检测方法、系统及相关设备 |
CN109684972A (zh) * | 2018-12-18 | 2019-04-26 | 贵州大学 | 一种无人智能监护系统 |
CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
CN110188730A (zh) * | 2019-06-06 | 2019-08-30 | 山东大学 | 基于mtcnn的人脸检测与对齐方法 |
CN110222607A (zh) * | 2019-05-24 | 2019-09-10 | 北京航空航天大学 | 人脸关键点检测的方法、装置及系统 |
CN110222565A (zh) * | 2019-04-26 | 2019-09-10 | 合肥进毅智能技术有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN111340051A (zh) * | 2018-12-18 | 2020-06-26 | 北京京东尚科信息技术有限公司 | 图片处理方法、装置及存储介质 |
CN111402987A (zh) * | 2019-12-31 | 2020-07-10 | 武汉星巡智能科技有限公司 | 基于可见光视频的用药提醒方法、装置、设备及存储介质 |
CN111695392A (zh) * | 2019-03-15 | 2020-09-22 | 北京嘉楠捷思信息技术有限公司 | 基于级联的深层卷积神经网络的人脸识别方法及系统 |
CN112036209A (zh) * | 2019-06-03 | 2020-12-04 | Tcl集团股份有限公司 | 一种人像照片处理方法及终端 |
CN112597944A (zh) * | 2020-12-29 | 2021-04-02 | 北京市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 |
CN112633203A (zh) * | 2020-12-29 | 2021-04-09 | 上海商汤智能科技有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
WO2021068325A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 面部动作识别模型训练方法、面部动作识别方法、装置、计算机设备和存储介质 |
CN113449677A (zh) * | 2021-07-14 | 2021-09-28 | 上海骏聿数码科技有限公司 | 基于mtcnn人脸检测的改进方法和装置 |
CN116363738A (zh) * | 2023-06-01 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 一种基于多移动目标的人脸识别方法、系统及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
-
2017
- 2017-11-27 CN CN201711207308.3A patent/CN107967456A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
Non-Patent Citations (3)
Title |
---|
KAIPENG ZHANG等: "Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 * |
李昌: "基于PCA和BP神经网络的人脸识别方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
靳一凡: "基于级联卷积神经网络的人脸关键点检测算法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710839A (zh) * | 2018-05-08 | 2018-10-26 | 中山大学 | 一种基于深度学习计算机视觉的哨兵瞌睡智能监控系统 |
CN109063625A (zh) * | 2018-07-27 | 2018-12-21 | 北京以萨技术股份有限公司 | 一种基于级联深度网络的人脸关键点检测方法 |
CN109271848A (zh) * | 2018-08-01 | 2019-01-25 | 深圳市天阿智能科技有限责任公司 | 一种人脸检测方法及人脸检测装置、存储介质 |
CN109271848B (zh) * | 2018-08-01 | 2022-04-15 | 深圳市天阿智能科技有限责任公司 | 一种人脸检测方法及人脸检测装置、存储介质 |
CN109214442A (zh) * | 2018-08-24 | 2019-01-15 | 昆明理工大学 | 一种基于列表和身份一致性约束的行人重识别算法 |
CN109359537A (zh) * | 2018-09-14 | 2019-02-19 | 杭州宇泛智能科技有限公司 | 基于神经网络的人脸姿态角度检测方法及系统 |
CN109376596A (zh) * | 2018-09-14 | 2019-02-22 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
CN109359608A (zh) * | 2018-10-25 | 2019-02-19 | 电子科技大学 | 一种基于深度学习模型的人脸识别方法 |
CN109359608B (zh) * | 2018-10-25 | 2021-10-19 | 电子科技大学 | 一种基于深度学习模型的人脸识别方法 |
CN109544564A (zh) * | 2018-11-23 | 2019-03-29 | 清华大学深圳研究生院 | 一种医疗图像分割方法 |
CN109614939A (zh) * | 2018-12-13 | 2019-04-12 | 四川长虹电器股份有限公司 | 基于人体姿态估计的“玩手机”行为检测识别方法 |
CN109614939B (zh) * | 2018-12-13 | 2022-03-18 | 四川长虹电器股份有限公司 | 基于人体姿态估计的“玩手机”行为检测识别方法 |
CN109684972A (zh) * | 2018-12-18 | 2019-04-26 | 贵州大学 | 一种无人智能监护系统 |
CN111340051A (zh) * | 2018-12-18 | 2020-06-26 | 北京京东尚科信息技术有限公司 | 图片处理方法、装置及存储介质 |
CN109635768A (zh) * | 2018-12-20 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像帧中停车位状态检测方法、系统及相关设备 |
CN109635768B (zh) * | 2018-12-20 | 2023-02-28 | 深圳市捷顺科技实业股份有限公司 | 一种图像帧中停车位状态检测方法、系统及相关设备 |
CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
CN111695392A (zh) * | 2019-03-15 | 2020-09-22 | 北京嘉楠捷思信息技术有限公司 | 基于级联的深层卷积神经网络的人脸识别方法及系统 |
WO2020187160A1 (zh) * | 2019-03-15 | 2020-09-24 | 北京嘉楠捷思信息技术有限公司 | 基于级联的深层卷积神经网络的人脸识别方法及系统 |
CN111695392B (zh) * | 2019-03-15 | 2023-09-15 | 嘉楠明芯(北京)科技有限公司 | 基于级联的深层卷积神经网络的人脸识别方法及系统 |
CN110222565A (zh) * | 2019-04-26 | 2019-09-10 | 合肥进毅智能技术有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN110222607B (zh) * | 2019-05-24 | 2021-06-04 | 北京航空航天大学 | 人脸关键点检测的方法、装置及系统 |
CN110222607A (zh) * | 2019-05-24 | 2019-09-10 | 北京航空航天大学 | 人脸关键点检测的方法、装置及系统 |
CN112036209A (zh) * | 2019-06-03 | 2020-12-04 | Tcl集团股份有限公司 | 一种人像照片处理方法及终端 |
CN110188730A (zh) * | 2019-06-06 | 2019-08-30 | 山东大学 | 基于mtcnn的人脸检测与对齐方法 |
CN110188730B (zh) * | 2019-06-06 | 2022-12-23 | 山东大学 | 基于mtcnn的人脸检测与对齐方法 |
WO2021068325A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技(深圳)有限公司 | 面部动作识别模型训练方法、面部动作识别方法、装置、计算机设备和存储介质 |
CN111402987B (zh) * | 2019-12-31 | 2024-05-10 | 武汉星巡智能科技有限公司 | 基于可见光视频的用药提醒方法、装置、设备及存储介质 |
CN111402987A (zh) * | 2019-12-31 | 2020-07-10 | 武汉星巡智能科技有限公司 | 基于可见光视频的用药提醒方法、装置、设备及存储介质 |
CN112597944A (zh) * | 2020-12-29 | 2021-04-02 | 北京市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 |
CN112633203A (zh) * | 2020-12-29 | 2021-04-09 | 上海商汤智能科技有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN112597944B (zh) * | 2020-12-29 | 2024-06-11 | 北京市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 |
CN113449677A (zh) * | 2021-07-14 | 2021-09-28 | 上海骏聿数码科技有限公司 | 基于mtcnn人脸检测的改进方法和装置 |
CN116363738A (zh) * | 2023-06-01 | 2023-06-30 | 成都睿瞳科技有限责任公司 | 一种基于多移动目标的人脸识别方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967456A (zh) | 一种基于人脸关键点的多神经网络级联识别人脸方法 | |
Deng et al. | Image aesthetic assessment: An experimental survey | |
Kumar et al. | Face detection in still images under occlusion and non-uniform illumination | |
Christa et al. | CNN-based mask detection system using openCV and MobileNetV2 | |
US8401250B2 (en) | Detecting objects of interest in still images | |
CN109492529A (zh) | 一种多尺度特征提取及全局特征融合的人脸表情识别方法 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN1975759A (zh) | 一种基于结构主元分析的人脸识别方法 | |
CN112395442A (zh) | 移动互联网上的低俗图片自动识别与内容过滤方法 | |
Zakaria et al. | Hierarchical skin-adaboost-neural network (h-skann) for multi-face detection | |
Zhao et al. | Applying contrast-limited adaptive histogram equalization and integral projection for facial feature enhancement and detection | |
CN110543906A (zh) | 基于数据增强和Mask R-CNN模型的肤质自动识别方法 | |
Agbo-Ajala et al. | A lightweight convolutional neural network for real and apparent age estimation in unconstrained face images | |
Chen et al. | A multi-scale fusion convolutional neural network for face detection | |
CN111209873A (zh) | 一种基于深度学习的高精度人脸关键点定位方法及系统 | |
Nguyen et al. | Learning recurrent high-order statistics for skeleton-based hand gesture recognition | |
Jin et al. | Learning artistic lighting template from portrait photographs | |
Nandhini et al. | Sign language recognition using convolutional neural network | |
Moran | Classifying emotion using convolutional neural networks | |
Singla et al. | Age and gender detection using Deep Learning | |
Wang et al. | Research and implementation on face detection approach based on cascaded convolutional neural networks | |
Belle | Detection and recognition of human faces using random forests for a mobile robot | |
Ruan et al. | Multi-pose face detection using facial features and adaboost algorithm | |
Menezes | Analysis and evaluation of deep learning based super-resolution algorithms to improve performance in low-resolution face recognition | |
Kakati et al. | Human pose detection: A machine learning approach |
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: 20180427 |