CN108090464A - 一种人脸检测方法及装置 - Google Patents
一种人脸检测方法及装置 Download PDFInfo
- Publication number
- CN108090464A CN108090464A CN201711484406.1A CN201711484406A CN108090464A CN 108090464 A CN108090464 A CN 108090464A CN 201711484406 A CN201711484406 A CN 201711484406A CN 108090464 A CN108090464 A CN 108090464A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- region
- bounding box
- pixel
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种人脸检测方法及装置,通过获取待进行人脸检测的图像,并对该待进行人脸检测的图像进行卷积编码得到分辨率较低的第一特征图像,对第一特征图像进行卷积解码,得到与待进行人脸检测的图像分辨率相同的第二特征图像,并基于该第二特征图像进行人脸检测,从而提高了对相互靠近、较小的人脸检测的检测效果,提高了定位人脸的精度。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种人脸检测方法及装置。
背景技术
随着经济的发展,城镇建设速度加快,以及互联网的突飞猛进,导致城市中人口密集,流动人口增加,引发了城市建设中的交通、社会治安、重点区域防范、网络犯罪日益突出等城市管理问题,因此视频监控系统得到越来越广泛的应用,如何在采集的图像中提取出高质量的人脸图像成为了研究重点。
目前,常用的人脸检测方法是采用卷积-池化交替的方式,对待进行人脸检测的图像进行卷积编码,得到分辨率较小的特征图,并基于该分辨率较小的特征图对较少数目的可能区域进行人脸检测,对相互靠近、较小的人脸检测效果具有局限性,定位的精度不高。
发明内容
本发明的目的是提供一种人脸检测方法及装置,以提高人脸检测过程中的定位精度,提高检测效果。
本发明的目的是通过以下技术方案实现的:
本发明一方面提供一种人脸检测方法,包括:
获取待进行人脸检测的图像;
对所述待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像;
对所述第一特征图像进行卷积解码,得到第二特征图像,所述第二特征图像的分辨率与所述待进行人脸检测的图像分辨率相同,且包括人脸包围盒类别通道以及所述人脸包围盒位置坐标通道;
其中,所述人脸包围盒类别通道用于指示所述待进行人脸检测的图像中位于人脸包围盒区域内且位于非重叠位置处的像素点,所述待进行人脸检测的图像中位于人脸包围盒区域外的像素点,以及所述待进行人脸检测的图像中位于人脸包围盒区域内重叠位置处的像素点;
所述人脸包围盒位置坐标通道用于指示位于人脸包围盒区域内且位于非重叠位置处的像素点对应所述人脸包围盒形成的矩形区域的顶点,与所述待进行人脸检测的图像的相对位置。
可选的,所述对所述待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像,包括:
持续对所述待进行人脸检测的图像进行卷积池化的交替编码,直至得到分辨率低于设定值的第一特征图像;
对所述第一特征图像进行卷积解码,得到与所述待进行人脸检测的图像分辨率相同的第二特征图像,包括:
对所述第一特征图像进行上采样,得到上采样图像;
在对所述待进行人脸检测的图像进行卷积编码后得到的各特征图像中确定与所述上采样图像尺寸相同的特征图像,并将确定的特征图像与所述上采样图像进行串接,得到串接图像;
对所述串接图像进行卷积编码,得到卷积图像;
对得到的卷积图像进行上采样,得到上采样图像,并重复执行上述得到串接图像以及卷积图像的过程,直至得到的卷积图像的分辨率与所述待进行人脸检测的图像分辨率相同;
将与所述待进行人脸检测的图像分辨率相同的卷积图像,作为第二特征图像。
可选的,所述人脸包围盒类别通道数值以及人脸包围盒位置坐标通道数值,利用预先训练得到的卷积编码-解码网络得到;
其中,所述卷积编码-解码网络采用如下方式训练得到:
获取样本图像,并确定所述样本图像中包括的有效人脸区域以及有效非人脸区域;
依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道;
利用所述样本图像中包括的人脸包围盒类别通道以及人脸包围盒位置坐标通道,训练得到输出参数包括人脸包围盒类别通道以及人脸包围盒位置坐标通道的卷积编码-解码网络。
可选的,所述依据所述样本图像以及所述有效人脸区域,确定所述样本图像中的人脸包围盒的类别通道,包括:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
可选的,所述依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒的位置坐标通道,包括:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应所述有效人脸区域形成的矩形区域的顶点与所述样本图像的相对位置;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的位置坐标通道数值为指示像素点位于人脸包围盒区域外的数值;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
可选的,获取样本图像,并确定所述样本图像中包括的有效人脸区域以及有效非人脸区域,包括:
确定所述样本图像中的人脸区域是否大于非人脸区域与设定样本比例的乘积;
若所述样本图像的人脸区域大于非人脸区域与设定样本比例的乘积,则在所述人脸区域中选择区域大小为所述非人脸区域与所述设定样本比例乘积大小的区域作为有效人脸区域,并将所述非人脸区域作为有效非人脸区域;
若所述样本图像的人脸区域小于非人脸区域与设定样本比例的乘积,则将所述人脸区域作为有效人脸区域,并在所述非人脸区域中选择区域大小为所述人脸区域与所述设定样本比例之间的比值大小的区域作为有效非人脸区域。
本发明另一方面提供了一种人脸检测装置,包括:
获取单元,用于获取待进行人脸检测的图像;
处理单元,用于对所述获取单元获取到的待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像,并对所述第一特征图像进行卷积解码,得到第二特征图像,所述第二特征图像的分辨率与所述待进行人脸检测的图像分辨率相同,且包括人脸包围盒类别通道以及所述人脸包围盒位置坐标通道;
其中,所述人脸包围盒类别通道用于指示所述待进行人脸检测的图像中位于人脸包围盒区域内且位于非重叠位置处的像素点,所述待进行人脸检测的图像中位于人脸包围盒区域外的像素点,以及所述待进行人脸检测的图像中位于人脸包围盒区域内重叠位置处的像素点;
所述人脸包围盒位置坐标通道用于指示位于人脸包围盒区域内且位于非重叠位置处的像素点对应所述人脸包围盒形成的矩形区域的顶点,与所述待进行人脸检测的图像的相对位置。
可选的,所述处理单元具体用于按如下方式对所述待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像:
持续对所述待进行人脸检测的图像进行卷积池化的交替编码,直至得到分辨率低于设定值的第一特征图像;
对所述第一特征图像进行卷积解码,得到与所述待进行人脸检测的图像分辨率相同的第二特征图像,包括:
对所述第一特征图像进行上采样,得到上采样图像;
在对所述待进行人脸检测的图像进行卷积编码后得到的各特征图像中确定与所述上采样图像尺寸相同的特征图像,并将确定的特征图像与所述上采样图像进行串接,得到串接图像;
对所述串接图像进行卷积编码,得到卷积图像;
对得到的卷积图像进行上采样,得到上采样图像,并重复执行上述得到串接图像以及卷积图像的过程,直至得到的卷积图像的分辨率与所述待进行人脸检测的图像分辨率相同;
将与所述待进行人脸检测的图像分辨率相同的卷积图像,作为第二特征图像。
可选的,所述人脸包围盒类别通道以及人脸包围盒位置坐标通道,利用预先训练得到的卷积编码-解码网络得到;
其中,所述卷积编码-解码网络采用如下方式训练得到:
所述获取单元还用于:获取样本图像;
所述处理单元还用于:确定所述获取单元获取到的样本图像中包括的有效人脸区域以及有效非人脸区域;
依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道;
利用所述样本图像中包括的人脸包围盒类别通道以及人脸包围盒位置坐标通道,训练得到输出参数包括人脸包围盒类别通道以及人脸包围盒位置坐标通道的卷积编码-解码网络。
可选的,所述处理单元用于按如下方式依据所述样本图像以及所述有效人脸区域,确定所述样本图像中的人脸包围盒的类别通道:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
可选的,所述处理单元用于按如下方式依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒的位置坐标通道:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应所述有效人脸区域形成的矩形区域的顶点与所述样本图像的相对位置;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
可选的,所述处理单元具体用于按如下方式获取样本图像,并确定所述样本图像中包括的有效人脸区域以及有效非人脸区域:
确定所述样本图像中的人脸区域是否大于非人脸区域与设定样本比例的乘积;
若所述样本图像的人脸区域大于非人脸区域与设定样本比例的乘积,则在所述人脸区域中选择区域大小为所述非人脸区域与所述设定样本比例乘积大小的区域作为有效人脸区域,并将所述非人脸区域作为有效非人脸区域;
若所述样本图像的人脸区域小于非人脸区域与设定样本比例的乘积,则将所述人脸区域作为有效人脸区域,并在所述非人脸区域中选择区域大小为所述人脸区域与所述设定样本比例之间的比值大小的区域作为有效非人脸区域。
本发明实施例提供一种人脸检测方法及装置,通过获取待进行人脸检测的图像,并对该待进行人脸检测的图像进行卷积编码得到分辨率较低的第一特征图像,对第一特征图像进行解码,得到与待进行人脸检测的图像分辨率相同的图像,基于卷积编码-解码后得到的图像进行人脸检测,从而提高了对相互靠近、较小的人脸检测的检测效果,提高了定位人脸的精度。
附图说明
图1为本发明实施例提供的一种人脸检测方法流程图;
图2为本发明实施例提供的一种对第一特征图像进行解码的方法流程图;
图3为本发明实施例提供的一种卷积编码-解码网络的结构示意图;
图4为本发明实施例提供的一种卷积编码-解码网络的训练方法流程图;
图5为本发明实施例提供的依据样本图像以及有效人脸区域,确定样本图像中的人脸包围盒的类别通道的方法流程图;
图6为本发明实施例提供的一种样本图像的示意图;
图7为本发明实施例提供的依据样本图像、有效人脸区域以及有效非人脸区域,确定样本图像中的人脸包围盒的位置坐标通道的方法流程图;
图8为本发明实施例提供的人脸区域相对图像的位置关系图;
图9为本发明实施例提供的确定样本图像中的有效人脸区域以及有效非人脸区域的方法流程图;
图10为本发明实施例提供的一种人脸检测装置的结构框图。
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,并不是全部的实施例。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。
本发明实施例提供一种人脸检测的方法及装置,通过获取待进行人脸检测的图像,并对该待进行人脸检测的图像进行卷积编码-解码得到与待进行人脸检测的图像分辨率相同的图像,基于卷积编码-解码后得到的特征图像进行人脸检测,从而提高了对相互靠近、较小的人脸检测的检测效果,提高了定位人脸的精度。
需要理解的是,在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
需要说明的是,本发明实施例中为了描述方便,将待进行人脸检测的图像进行卷积编码后得到的低分辨率的特征图称为第一特征图像,将第一特征图像进行卷积解码后得到的图像称为第二特征图像。
图1所示为本发明实施例提供的一种人脸检测方法流程图,图1所示方法的执行主体可以是一种人脸检测装置,参阅图1所示,该方法包括:
S101:获取待进行人脸检测的图像。
S102:对待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像。
本发明实施例中,对待进行人脸检测的图像进行卷积编码,采用的是现有技术中常用的卷积神经网络的结构提取图像特征的方法,得到分辨率较低的特征图。
S103:对第一特征图像进行卷积解码,得到第二特征图像。
本发明实施例中,对卷积编码后得到的分辨率较低的特征图进行卷积解码,得到与待进行人脸检测的图像分辨率相同的第二特征图像,该第二特征图像中包括人脸包围盒的类别通道以及人脸包围盒位置坐标通道。
在人脸检测中,人脸包围盒类别可以包括:图像的背景区域以及图像中的人脸区域,而图像中的人脸区域一般可包括单个人脸区域以及任意两个人的人脸重叠区域。其中,单个人脸区域可认为是位于人脸区域中但不在任意两个人的人脸重叠区域。
本发明实施例中,人脸包围盒类别通道可以用于指示待进行人脸检测的图像中位于人脸包围盒区域内且位于非重叠位置处的像素点,待进行人脸检测的图像中位于人脸包围盒区域外(即图像的背景区域)的像素点,以及待进行人脸检测的图像中位于人脸包围盒区域内重叠位置处的像素点。
人脸包围盒位置坐标通道可以用于指示位于人脸包围盒区域内且位于非重叠位置处(即单个人脸区域)的像素点对应人脸包围盒形成的矩形区域的顶点,与待进行人脸检测的图像的相对位置。
具体的,对待进行人脸检测的图像采用卷积-池化交替的方式,从输入层经过卷积层再经过池化层进行卷积编码,提取图像的特征,得到分辨率较低的特征图。该卷积编码方法采用的卷积-池化方法在现有技术中有所涉及,在此不再赘述。
一种可能的实施方式中,可采用如下方式对卷积编码后得到的低分辨率的第一特征图进行卷积解码,得到与待进行人脸检测的图像分辨率相同的第二特征图像,具体实现流程可参阅图2所示方法。
图2所示为本发明实施例提供的一种对第一特征图像进行解码的方法流程图,参阅图2所示,该方法包括:
S1031:对第一特征图像进行上采样,得到上采样图像。
本发明实施例中,可对第一特征图像进行上采样,具体上采样过程在现有技术中有所涉及,故,在此不再赘述。
S1032:在对待进行人脸检测的图像进行卷积编码后得到的各特征图像中确定与上采样图像尺寸相同的特征图像,并将确定的特征图像与所述上采样图像进行串接,得到串接图像。
本发明实施例中,在对待进行人脸检测的图像进行卷积编码的过程中可得到多个特征图像,然后将在解码的过程中得到的上采样图像中与卷积编码过程得到的特征图像中尺寸相同的图像进行串接,得到串接图像。
一种可能的实施方式中,可参阅图3所示。如图3所示为本发明实施例提供的一种卷积编码-解码网络的结构示意图。
图3中,编码过程为:输入图像(即待进行人脸检测的图像)—Conv1—Pool1—Conv2—Pool2—Conv3—Pool3—Conv4—Pool4—Conv5;对Conv5进行上采样得到Upsampl5,并将Upsampl5和Conv4层进行串接,其中,Upsampl5和Conv4的图像尺寸相同。
本发明实施例中,可通过将网络不同层的特征图进行串接融合,使得网络能够对不同尺度的人脸进行检测,并有较好的检测效果。
S1033:对串接图像进行卷积编码,得到卷积图像。
本发明实施例中,将Upsampl5和Conv4串接后的结果进行卷积得到Conv6。
S1034:对得到的卷积图像进行上采样,得到上采样图像,并重复执行得到串接图像以及卷积图像的过程,直至得到的卷积图像的分辨率与待进行人脸检测的图像分辨率相同。
本发明实施例中,对Conv6进行上采样得到Upsampl6,并将Upsampl6和Conv3层进行串接,将串接后的结果进行卷积得到Conv7;对Conv7进行上采样得到Upsampl7,并将Upsampl7和Conv2层进行串接,将串接后的结果进行卷积得到Conv8。对Conv8进行上采样得到Upsampl8,并对Upsample8进行卷积得到Conv9。其中,Conv9为输出层,Conv9的图像分辨率与输入图像(即待进行人脸检测的图像)相同。
S1035:将与待进行人脸检测的图像分辨率相同的卷积图像,作为第二特征图像。
通常,对图像进行卷积-池化前都会网络层进行激活,得到激活函数,一般的,输出层Conv9的输出函数为sigmoid函数,其他卷积层的激活函数均为非限制性线性单元激活函数(Rectified Linear Units,ReLU)函数。
本发明实施例中,可将解码得到的Conv9作为第二特征图像,该第二特征图像中包括有人脸包围盒类别通道以及人脸包围盒位置坐标通道。
一种可能的实施方式中,可预先训练得到卷积编码-解码网络的模型。以下将详细说明如何利用预先训练得到的卷积编码-解码网络得到人脸包围盒类别通道以及人脸包围盒位置坐标通道。
图4所示为本发明实施例提供的一种卷积编码-解码网络的训练方法流程图,参阅图4所示,该方法包括:
S201:获取样本图像,并确定样本图像中包括的有效人脸区域以及有效非人脸区域。
本发明实施例中,可预先选择样本图像,并在样本图像中确定有效人脸区域以及有效非人脸区域。
S202:依据样本图像、有效人脸区域以及有效非人脸区域,确定样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道。
本发明实施例中,可依据样本图像、确定的有效人脸区域以及有效非人脸区域,确定样本图像中的人脸包围盒类别通道数值以及人脸包围盒位置坐标通道数值。一般的,样本图像的通道有5个,其中有1个是类别通道,4个是位置坐标通道,该样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道可认为是标注值。
S203:利用样本图像中包括的人脸包围盒类别通道以及人脸包围盒位置坐标通道,训练得到输出参数包括人脸包围盒类别通道以及人脸包围盒位置坐标通道的卷积编码-解码网络。
本发明实施例中,可通过大量的像素点的人脸包围盒类别通道以及人脸包围盒位置坐标通道的标注值、人脸包围盒类别通道以及人脸包围盒位置坐标通道的预测值进行训练得到卷积编码-解码网络的模型,在训练过程中,对于不同人脸重叠区域忽略,不进行处理,在进行人脸检测时,可直接调用训练得到的模型。
一种可能的实施方式中,假设单个人脸区域中的像素点(x,y)的类别通道处类别标注值为预测值为cxy;位置通道处位置坐标标注值为预测值为Δw1xy,Δw2xy,Δh1xy,Δh2xy,则可得到网络的目标函数为:
其中,μ为权重,w、h分别为输入图像的宽和高。
具体的,依据样本图像以及有效人脸区域,确定样本图像中的人脸包围盒的类别通道的方法流程图,可参阅图5所示的方法流程图,该方法包括:
S301:若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处。
本发明实施例中,若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域非重叠位置处,如图6所示,若像素点在图中的白色区域,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处。
一种可能的实施方式中,可对人脸包围盒的类别通道进行标记,例如,该指示像素点位于人脸包围盒区域外的像素点的类别通道可标记为1。
S302:若样本图像的像素点位于有效非人脸区域内,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外。
本发明实施例中,若样本图像的像素点位于有效非人脸区域内,对应于图6中的黑色区域,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外,例如,该指示像素点位于人脸包围盒区域外的像素点的类别通道可标记为0。
S303:若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
本发明实施例中,若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处,对应于图6中的灰色重叠区域,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处。例如,该指示像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处的像素点的类别通道可标记为-1。
图7所示为本发明实施例提供的依据样本图像、有效人脸区域以及有效非人脸区域,确定样本图像中的人脸包围盒的位置坐标通道的方法流程图,参阅图7所示,该方法包括:
S401:若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应所述有效人脸区域形成的矩形区域的顶点与样本图像的相对位置。
本发明实施例中,若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域非重叠位置处,对应于图6中的白色区域,则可对人脸包围盒所包括的位置坐标通道进行预测。
如图8所示,图8所示为本发明实施例提供的人脸区域相对图像的位置关系图。假设图像的宽、高分别为w、h,人脸区域的左顶点坐标为(x1,y1),宽度为w1,高度为h1,点(x,y)仅在该人脸区域中,则位置坐标通道(x,y)处的Δw1,Δw2,Δh1,Δh2分别为:
S402:若样本图像的像素点位于有效非人脸区域内,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于人脸包围盒区域外。
本发明实施例中,若样本图像的像素点位于有效非人脸区域内,对应于图6中的黑色区域,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于人脸包围盒区域外。一种可能的实施方式中,可对位置坐标通道进行标记,例如,该指示像素点位于人脸包围盒区域外的像素点的位置坐标通道的标注值可设置为0。
S403:若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处。
本发明实施例中,若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处,对应于图6中的灰色重叠区域,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处。
通常,样本图像中的背景区域会多于人脸区域,一种可能的实施方式中,可在样本图像中确定有效人脸区域以及有效非人脸区域。本发明实施例中,可采用图9所示的方法流程图确定样本图像中的有效人脸区域以及有效非人脸区域,参阅图9所示,该方法包括:
S501:确定样本图像中的人脸区域是否大于非人脸区域与设定样本比例的乘积。
本发明实施例中,可预先设定一个样本比例,例如,可设置为ρ,有效人脸区域为图6中的白色区域,有效非人脸区域为图6中的黑色区域。假设白色区域为a,黑色区域为b,可判断a与ρb之间的大小关系。
S502:若样本图像的人脸区域大于非人脸区域与设定样本比例的乘积,则在人脸区域中选择区域大小为非人脸区域与设定样本比例乘积大小的区域作为有效人脸区域,并将非人脸区域作为有效非人脸区域。
本发明实施例中,若ρb>a,则在人脸区域中选择区域大小为ρb大小的区域作为有效人脸区域,并将非人脸区域作为有效非人脸区域。
S503:若样本图像的人脸区域小于非人脸区域与设定样本比例的乘积,则将人脸区域作为有效人脸区域,并在非人脸区域中选择区域大小为人脸区域与设定样本比例之间的比值大小的区域作为有效非人脸区域。
本发明实施例中,若ρb<a,则在非人脸区域中选择区域大小为a/ρ大小的区域作为有效非人脸区域,并将人脸区域作为有效人脸区域。
本发明实施例中,可通过固定样本比例的方法对卷积编码-解码网络结构进行训练,确定有效人脸区域以及有效非人脸区域,从而提高人脸检测效果。
基于与上述人脸检测方法实施例相同的构思,本发明实施例还提供了一种人脸检测装置,图10所示为本发明实施例提供的一种人脸检测装置的结构框图,参阅图10所示,该装置包括:获取单元101、处理单元102,其中:
获取单元101,用于获取待进行人脸检测的图像。
处理单元102,用于对获取单元101获取到的待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像,并对第一特征图像进行卷积解码,得到第二特征图像,第二特征图像的分辨率与待进行人脸检测的图像分辨率相同,且包括人脸包围盒类别通道以及所述人脸包围盒位置坐标通道;
其中,人脸包围盒类别通道用于指示待进行人脸检测的图像中位于人脸包围盒区域内且位于非重叠位置处的像素点,待进行人脸检测的图像中位于人脸包围盒区域外的像素点,以及待进行人脸检测的图像中位于人脸包围盒区域内重叠位置处的像素点;人脸包围盒位置坐标通道用于指示位于人脸包围盒区域内且位于非重叠位置处的像素点对应人脸包围盒形成的矩形区域的顶点,与待进行人脸检测的图像的相对位置。
可选的,处理单元102具体用于按如下方式对待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像:
持续对待进行人脸检测的图像进行卷积池化的交替卷积编码,直至得到分辨率低于设定值的第一特征图像。
对第一特征图像进行卷积解码,得到与待进行人脸检测的图像分辨率相同的第二特征图像,包括:
对第一特征图像进行上采样,得到上采样图像;在对待进行人脸检测的图像进行卷积编码后得到的各特征图像中确定与所述上采样图像尺寸相同的特征图像,并将确定的特征图像与所述上采样图像进行串接,得到串接图像;对串接图像进行卷积编码,得到卷积图像;对得到的卷积图像进行上采样,得到上采样图像,并重复执行上述得到串接图像以及卷积图像的过程,直至得到的卷积图像的分辨率与待进行人脸检测的图像分辨率相同;将与待进行人脸检测的图像分辨率相同的卷积图像,作为第二特征图像。
可选的,人脸包围盒类别通道以及人脸包围盒位置坐标通道,利用预先训练得到的卷积编码-解码网络得到;
其中,卷积编码-解码网络采用如下方式训练得到:
获取单元101还用于:获取样本图像;
处理单元102还用于:确定获取单元101获取到的样本图像中包括的有效人脸区域以及有效非人脸区域;依据样本图像、有效人脸区域以及有效非人脸区域,确定样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道;利用样本图像中包括的人脸包围盒类别通道以及人脸包围盒位置坐标通道,训练得到输出参数包括人脸包围盒类别通道以及人脸包围盒位置坐标通道的卷积编码-解码网络。
进一步的,处理单元102用于按如下方式依据样本图像以及有效人脸区域,确定样本图像中的人脸包围盒的类别通道:
若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处;若样本图像的像素点位于有效非人脸区域内,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外;若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
可选的,处理单元102用于按如下方式依据所述样本图像、有效人脸区域以及有效非人脸区域,确定样本图像中的人脸包围盒的位置坐标通道:
若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应有效人脸区域形成的矩形区域的顶点与样本图像的相对位置;若样本图像的像素点位于有效非人脸区域内,则确定该像素点对应的人脸包围盒的位置坐标通道数值为指示像素点位于人脸包围盒区域外的数值;若样本图像的像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于有效人脸区域内且位于不同有效人脸区域的重叠位置处。
更进一步的,处理单元102具体用于按如下方式获取样本图像,并确定样本图像中包括的有效人脸区域以及有效非人脸区域:
确定样本图像中的人脸区域是否大于非人脸区域与设定样本比例的乘积;若样本图像的人脸区域大于非人脸区域与设定样本比例的乘积,则在人脸区域中选择区域大小为非人脸区域与设定样本比例乘积大小的区域作为有效人脸区域,并将非人脸区域作为有效非人脸区域;
若样本图像的人脸区域小于非人脸区域与设定样本比例的乘积,则将人脸区域作为有效人脸区域,并在非人脸区域中选择区域大小为所述人脸区域与设定样本比例之间的比值大小的区域作为有效非人脸区域。
需要说明的是,本发明实施例中上述涉及的人脸检测装置中各个单元的功能实现可以进一步参照相关方法实施例的描述,在此不再赘述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种人脸检测方法,其特征在于,包括:
获取待进行人脸检测的图像;
对所述待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像;
对所述第一特征图像进行卷积解码,得到第二特征图像,所述第二特征图像的分辨率与所述待进行人脸检测的图像分辨率相同,且包括人脸包围盒类别通道以及所述人脸包围盒位置坐标通道;
其中,所述人脸包围盒类别通道用于指示所述待进行人脸检测的图像中位于人脸包围盒区域内且位于非重叠位置处的像素点,所述待进行人脸检测的图像中位于人脸包围盒区域外的像素点,以及所述待进行人脸检测的图像中位于人脸包围盒区域内重叠位置处的像素点;
所述人脸包围盒位置坐标通道用于指示位于人脸包围盒区域内且位于非重叠位置处的像素点对应所述人脸包围盒形成的矩形区域的顶点,与所述待进行人脸检测的图像的相对位置。
2.如权利要求1所述的方法,其特征在于,所述对所述待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像,包括:
持续对所述待进行人脸检测的图像进行卷积池化的交替编码,直至得到分辨率低于设定值的第一特征图像;
对所述第一特征图像进行卷积解码,得到与所述待进行人脸检测的图像分辨率相同的第二特征图像,包括:
对所述第一特征图像进行上采样,得到上采样图像;
在对所述待进行人脸检测的图像进行卷积编码后得到的各特征图像中确定与所述上采样图像尺寸相同的特征图像,并将确定的特征图像与所述上采样图像进行串接,得到串接图像;
对所述串接图像进行卷积编码,得到卷积图像;
对得到的卷积图像进行上采样,得到上采样图像,并重复执行上述得到串接图像以及卷积图像的过程,直至得到的卷积图像的分辨率与所述待进行人脸检测的图像分辨率相同;
将与所述待进行人脸检测的图像分辨率相同的卷积图像,作为第二特征图像。
3.如权利要求1或2所述的方法,其特征在于,所述人脸包围盒类别通道以及人脸包围盒位置坐标通道,利用预先训练得到的卷积编码-解码网络得到;
其中,所述卷积编码-解码网络采用如下方式训练得到:
获取样本图像,并确定所述样本图像中包括的有效人脸区域以及有效非人脸区域;
依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道;
利用所述样本图像中包括的人脸包围盒类别通道以及人脸包围盒位置坐标通道,训练得到输出参数包括人脸包围盒类别通道数值以及人脸包围盒位置坐标通道数值的卷积编码-解码网络。
4.如权利要求3所述的方法,其特征在于,所述依据所述样本图像以及所述有效人脸区域,确定所述样本图像中的人脸包围盒的类别通道,包括:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
5.如权利要求4所述的方法,其特征在于,所述依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒的位置坐标通道,包括:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应所述有效人脸区域形成的矩形区域的顶点与所述样本图像的相对位置;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
6.如权利要求5所述的方法,其特征在于,获取样本图像,并确定所述样本图像中包括的有效人脸区域以及有效非人脸区域,包括:
确定所述样本图像中的人脸区域是否大于非人脸区域与设定样本比例的乘积;
若所述样本图像的人脸区域大于非人脸区域与设定样本比例的乘积,则在所述人脸区域中选择区域大小为所述非人脸区域与所述设定样本比例乘积大小的区域作为有效人脸区域,并将所述非人脸区域作为有效非人脸区域;
若所述样本图像的人脸区域小于非人脸区域与设定样本比例的乘积,则将所述人脸区域作为有效人脸区域,并在所述非人脸区域中选择区域大小为所述人脸区域与所述设定样本比例之间的比值大小的区域作为有效非人脸区域。
7.一种人脸检测装置,其特征在于,包括:
获取单元,用于获取待进行人脸检测的图像;
处理单元,用于对所述获取单元获取到的待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像,并对所述第一特征图像进行解码,得到第二特征图像,所述第二特征图像的分辨率与所述待进行人脸检测的图像分辨率相同,且包括人脸包围盒类别通道以及所述人脸包围盒位置坐标通道;
其中,所述人脸包围盒类别通道用于指示所述待进行人脸检测的图像中位于人脸包围盒区域内且位于非重叠位置处的像素点,所述待进行人脸检测的图像中位于人脸包围盒区域外的像素点,以及所述待进行人脸检测的图像中位于人脸包围盒区域内重叠位置处的像素点;
所述人脸包围盒位置坐标通道用于指示位于人脸包围盒区域内且位于非重叠位置处的像素点对应所述人脸包围盒形成的矩形区域的顶点,与所述待进行人脸检测的图像的相对位置。
8.如权利要求7所述的装置,其特征在于,所述处理单元具体用于按如下方式对所述待进行人脸检测的图像进行卷积编码,得到分辨率低于设定值的第一特征图像:
持续对所述待进行人脸检测的图像进行卷积池化的交替编码,直至得到分辨率低于设定值的第一特征图像;
对所述第一特征图像进行卷积解码,得到与所述待进行人脸检测的图像分辨率相同的第二特征图像,包括:
对所述第一特征图像进行上采样,得到上采样图像;
在对所述待进行人脸检测的图像进行卷积编码后得到的各特征图像中确定与所述上采样图像尺寸相同的特征图像,并将确定的特征图像与所述上采样图像进行串接,得到串接图像;
对所述串接图像进行卷积编码,得到卷积图像;
对得到的卷积图像进行上采样,得到上采样图像,并重复执行上述得到串接图像以及卷积图像的过程,直至得到的卷积图像的分辨率与所述待进行人脸检测的图像分辨率相同;
将与所述待进行人脸检测的图像分辨率相同的卷积图像,作为第二特征图像。
9.如权利要求7或8所述的装置,其特征在于,所述人脸包围盒类别通道以及人脸包围盒位置坐标通道,利用预先训练得到的卷积编码-解码网络得到;
其中,所述卷积编码-解码网络采用如下方式训练得到:
所述获取单元还用于:获取样本图像;
所述处理单元还用于:确定所述获取单元获取到的样本图像中包括的有效人脸区域以及有效非人脸区域;
依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒类别通道以及人脸包围盒位置坐标通道;
利用所述样本图像中包括的人脸包围盒类别通道以及人脸包围盒位置坐标通道,训练得到输出参数包括人脸包围盒类别通道以及人脸包围盒位置坐标通道的卷积编码-解码网络。
10.如权利要求9所述的装置,其特征在于,所述处理单元用于按如下方式依据所述样本图像以及所述有效人脸区域,确定所述样本图像中的人脸包围盒的类别通道:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域内且位于非重叠位置处;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的类别通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
11.如权利要求10所述的装置,其特征在于,所述处理单元用于按如下方式依据所述样本图像、所述有效人脸区域以及所述有效非人脸区域,确定所述样本图像中的人脸包围盒的位置坐标通道:
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域非重叠位置处,则确定该像素点对应所述有效人脸区域形成的矩形区域的顶点与所述样本图像的相对位置;
若所述样本图像的像素点位于所述有效非人脸区域内,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于人脸包围盒区域外;
若所述样本图像的像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处,则确定该像素点对应的人脸包围盒的位置坐标通道指示像素点位于所述有效人脸区域内且位于不同有效人脸区域的重叠位置处。
12.如权利要求11所述的装置,其特征在于,所述处理单元具体用于按如下方式获取样本图像,并确定所述样本图像中包括的有效人脸区域以及有效非人脸区域:
确定所述样本图像中的人脸区域是否大于非人脸区域与设定样本比例的乘积;
若所述样本图像的人脸区域大于非人脸区域与设定样本比例的乘积,则在所述人脸区域中选择区域大小为所述非人脸区域与所述设定样本比例乘积大小的区域作为有效人脸区域,并将所述非人脸区域作为有效非人脸区域;
若所述样本图像的人脸区域小于非人脸区域与设定样本比例的乘积,则将所述人脸区域作为有效人脸区域,并在所述非人脸区域中选择区域大小为所述人脸区域与所述设定样本比例之间的比值大小的区域作为有效非人脸区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711484406.1A CN108090464A (zh) | 2017-12-29 | 2017-12-29 | 一种人脸检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711484406.1A CN108090464A (zh) | 2017-12-29 | 2017-12-29 | 一种人脸检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108090464A true CN108090464A (zh) | 2018-05-29 |
Family
ID=62181308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711484406.1A Pending CN108090464A (zh) | 2017-12-29 | 2017-12-29 | 一种人脸检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090464A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583584A (zh) * | 2018-11-14 | 2019-04-05 | 中山大学 | 可使具有全连接层的cnn接受不定形状输入的方法及系统 |
CN109948584A (zh) * | 2019-03-28 | 2019-06-28 | 北京深醒科技有限公司 | 一种基于对抗神经网络的微小人脸检测方法和装置 |
CN110147703A (zh) * | 2018-08-20 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN110738164A (zh) * | 2019-10-12 | 2020-01-31 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
CN112307978A (zh) * | 2020-10-30 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504725A (zh) * | 2015-01-16 | 2015-04-08 | 河南师范大学 | 一种快速自动语义图像分割模型方法 |
CN106372577A (zh) * | 2016-08-23 | 2017-02-01 | 北京航空航天大学 | 一种基于深度学习的交通标志自动识别与标注方法 |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
-
2017
- 2017-12-29 CN CN201711484406.1A patent/CN108090464A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504725A (zh) * | 2015-01-16 | 2015-04-08 | 河南师范大学 | 一种快速自动语义图像分割模型方法 |
CN106372577A (zh) * | 2016-08-23 | 2017-02-01 | 北京航空航天大学 | 一种基于深度学习的交通标志自动识别与标注方法 |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
Non-Patent Citations (1)
Title |
---|
VIJAY BADRINARAYANAN ETAL.: "SegNet: A Deep Convolutional Encode-Decode Architecture for Image Segmentation", 《IEEE》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147703A (zh) * | 2018-08-20 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN110147703B (zh) * | 2018-08-20 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN109583584A (zh) * | 2018-11-14 | 2019-04-05 | 中山大学 | 可使具有全连接层的cnn接受不定形状输入的方法及系统 |
CN109583584B (zh) * | 2018-11-14 | 2020-07-10 | 中山大学 | 可使具有全连接层的cnn接受不定形状输入的方法及系统 |
CN109948584A (zh) * | 2019-03-28 | 2019-06-28 | 北京深醒科技有限公司 | 一种基于对抗神经网络的微小人脸检测方法和装置 |
CN110738164A (zh) * | 2019-10-12 | 2020-01-31 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
CN110738164B (zh) * | 2019-10-12 | 2022-08-12 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
CN112307978A (zh) * | 2020-10-30 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
CN112307978B (zh) * | 2020-10-30 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090464A (zh) | 一种人脸检测方法及装置 | |
CN106096668B (zh) | 带水印图像的识别方法及识别系统 | |
CN109447994A (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
CN110992238B (zh) | 一种基于双通道网络的数字图像篡改盲检测方法 | |
CN110287960A (zh) | 自然场景图像中曲线文字的检测识别方法 | |
CN110084161A (zh) | 一种人体骨骼关键点的快速检测方法及系统 | |
CN107862340A (zh) | 一种车型识别方法及装置 | |
CN108764063A (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN106650615B (zh) | 一种图像处理方法及终端 | |
CN108960261A (zh) | 一种基于注意力机制的显著物体检测方法 | |
CN112949633B (zh) | 一种基于改进YOLOv3的红外目标检测方法 | |
CN110378243A (zh) | 一种行人检测方法及装置 | |
CN103946865B (zh) | 用于有助于检测图像内的文本的方法和装置 | |
CN109086716A (zh) | 一种安全带佩戴检测的方法及装置 | |
CN109117717A (zh) | 一种城市行人检测方法 | |
CN106372597A (zh) | 基于自适应上下文信息的cnn交通检测方法 | |
CN117541571A (zh) | 一种基于多尺度监督对比学习的图像篡改检测与定位方法 | |
CN117522801A (zh) | 道路图像的坑洞检测方法、装置、设备以及存储介质 | |
CN116704324A (zh) | 基于水下图像的目标检测方法、系统、设备以及存储介质 | |
CN116403286A (zh) | 一种面向大场景视频的社交分组方法 | |
Qi et al. | JAED-Net: joint attention encoder–decoder network for road extraction from remote sensing images | |
CN115223181A (zh) | 基于文本检测的报告材料印章文字识别方法和装置 | |
CN112712015B (zh) | 一种人体关键点识别方法、装置、智能终端及存储介质 | |
CN114758440B (zh) | 基于图像和文字混合识别的门禁系统 |
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 |
Application publication date: 20180529 |
|
RJ01 | Rejection of invention patent application after publication |