CN108171191A - 用于检测人脸的方法和装置 - Google Patents

用于检测人脸的方法和装置 Download PDF

Info

Publication number
CN108171191A
CN108171191A CN201810011483.3A CN201810011483A CN108171191A CN 108171191 A CN108171191 A CN 108171191A CN 201810011483 A CN201810011483 A CN 201810011483A CN 108171191 A CN108171191 A CN 108171191A
Authority
CN
China
Prior art keywords
value
detected
face
image
characteristic information
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
CN201810011483.3A
Other languages
English (en)
Other versions
CN108171191B (zh
Inventor
汤旭
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.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810011483.3A priority Critical patent/CN108171191B/zh
Publication of CN108171191A publication Critical patent/CN108171191A/zh
Application granted granted Critical
Publication of CN108171191B publication Critical patent/CN108171191B/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
    • 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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了用于检测人脸的方法和装置。该方法的一具体实施方式包括：获取待检测图像；通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值；基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。该实施方式丰富了人脸检测的检测方式，有助于提高人脸检测的准确性。

Description

用于检测人脸的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体人脸检测领域，尤其涉及用于检测人脸的方法和装置。
背景技术
人脸检测(Face Detection)是人脸识别系统中的一个关键环节。当前，人脸检测受到越来越多的研究者的关注与重视。人脸检测技术在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。
发明内容
本申请实施例提出了用于检测人脸的方法和装置。
第一方面，本申请实施例提供了一种用于检测人脸的方法，该方法包括：获取待检测图像；通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值；基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。
在一些实施例中，基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果，包括：基于类内距离的值以及类间距离的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括类内距离以及类间距离；基于函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。
在一些实施例中，在通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息之后，上述方法还包括：利用卷积神经网络的全连接层确定待检测图像包括人脸或不包括人脸的概率的值；基于概率的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括待检测图像包括人脸或不包括人脸的概率；基于函数值与预设数值的大小关系以及所得到的特征信息，生成检测结果。
在一些实施例中，卷积神经网络是通过如下步骤训练得到的：获取多个待检测图像以及与多个待检测图像中的每个待检测图像对应的特征信息；利用机器学习算法，将多个待检测图像中的每个待检测图像作为输入，将与多个待检测图像中的每个待检测图像对应的特征信息作为输出，训练得到卷积层。
在一些实施例中，上述方法还包括：确定检测结果的准确率；响应于确定出准确率小于预设准确率，调整卷积神经网络的参数。
第二方面，本申请实施例提供了一种用于检测人脸的装置，该装置包括：获取单元，配置用于获取待检测图像；提取单元，配置用于通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；聚类单元，配置用于对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；第一确定单元，配置用于确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值；第一生成单元，配置用于基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。
在一些实施例中，第一生成单元包括：确定模块，配置用于基于类内距离的值以及类间距离的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括类内距离以及类间距离；生成模块，配置用于基于函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。
在一些实施例中，上述装置还包括：第二确定单元，配置用于利用卷积神经网络的全连接层确定待检测图像包括人脸或不包括人脸的概率的值；第三确定单元，配置用于基于概率的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括待检测图像包括人脸或不包括人脸的概率；第二生成单元，配置用于基于函数值与预设数值的大小关系以及所得到的特征信息，生成检测结果。
在一些实施例中，卷积层是通过如下步骤训练得到的：获取多个待检测图像以及与多个待检测图像中的每个待检测图像对应的特征信息；利用机器学习算法，将多个待检测图像中的每个待检测图像作为输入，将与多个待检测图像中的每个待检测图像对应的特征信息作为输出，训练得到卷积层。
在一些实施例中，上述装置还包括：第四确定单元，配置用于确定检测结果的准确率；调整单元，配置用于响应于确定出准确率小于预设准确率，调整卷积神经网络的参数。
第三方面，本申请实施例提供了一种用于检测人脸的设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于检测人脸的方法中任一实施例的方法。
第四方面，本申请实施例提供了一种用于检测人脸的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于检测人脸的方法中任一实施例的方法。
本申请实施例提供的用于检测人脸的方法和装置，通过获取待检测图像，然后通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息，之后确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值，再基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果，丰富了人脸检测的检测方式，有助于提高人脸检测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是基于本申请的用于检测人脸的方法的一个实施例的流程图；
图3是基于本申请的用于检测人脸的方法的一个应用场景的示意图；
图4是基于本申请的用于检测人脸的方法的又一个实施例的流程图；
图5是基于本申请的用于检测人脸的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测人脸的方法或用于检测人脸的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送待检测图像等。终端设备101、102、103上可以安装有各种具有图像处理功能的客户端应用，例如美颜软件、图像处理软件、网页浏览器应用、购物类应用、搜索类应用、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持图像处理的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的图像进行处理的后台图像处理服务器。后台图像处理服务器可以对接收到的图像等数据进行人脸检测等处理，并将处理结果(例如检测结果)反馈给终端设备。
需要说明的是，在实践中，本申请实施例所提供的用于检测人脸的方法和装置需要通过卷积神经网络等模型，实现对待检测图像的处理，而通常情况下，上述模型的使用需要占用大量的GPU(Graphics Processing Unit，图形处理器)等资源。相对终端设备而言，服务器往往具有更丰富的GPU资源。因而，通常情况下，本申请实施例所提供的用于检测人脸的方法一般由服务器105执行，相应地，用于检测人脸的装置一般设置于服务器105中。然而，当终端设备所提供的GPU等资源可以满足该方法的执行条件或该设备的设置条件时，本申请实施例所提供的用于检测人脸的方法也可以由终端设备101、102、103执行，用于检测人脸的装置也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。基于实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于检测人脸的方法的一个实施例的流程200。该用于检测人脸的方法，包括以下步骤：
步骤201，获取待检测图像。
在本实施例中，用于检测人脸的方法运行于其上的电子设备(例如图1所示的服务器105)可以获取待检测图像。其中，上述待检测图像可以是与上述电子设备通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述电子设备中的，也可以是上述电子设备本地所存储的。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。上述待检测图像可以是提取自视频帧的图像，还可以是图像经过框选(例如使用矩形框进行框选)的图像区域所构成的图像。
步骤202，通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息。
在本实施例中，基于步骤201中所获取的待检测图像，上述电子设备可以通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息。其中，上述卷积神经网络可以包括至少一个卷积层(Convolution Layer)。实践中，卷积神经网络(ConvolutionalNeural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络的卷积层进行图像特征信息的提取。上述特征信息可以是用于表征图像中的某些区域(例如人脸图像区域、图像背景区域或其他区域)的特征的信息。上述特征信息可以通过向量、矩阵等形式加以表征。
在本实施例的一些可选的实现方式中，上述卷积层可以按照以下步骤训练得到：获取多个待检测图像以及与多个待检测图像中的每个待检测图像对应的特征信息；利用机器学习算法，将多个待检测图像中的每个待检测图像作为输入，将与多个待检测图像中的每个待检测图像对应的特征信息作为输出，训练得到卷积层。具体步骤如下：
首先，上述电子设备可以获取多个待检测图像以及与获取的多个待检测图像中的每个待检测图像对应的特征信息。其中，待检测图像与特征信息的数量可以根据需求确定。在实践中，待检测图像与特征信息的数量过少可能导致训练得到的卷积层的参数不够准确，因而使得卷积层所提取的特征信息不准确；待检测图像与特征信息的数量过多将需要花费较多的时间去训练卷积层。然而通常情况下，待检测图像与特征信息的数量越多，所得到的卷积层提取的特征信息的准确率越高。
然后，上述电子设备可以利用机器学习算法，将多个待检测图像中的每个待检测图像作为输入，将与多个待检测图像中的每个待检测图像对应的特征信息作为输出，对初始卷积层进行训练，针对每个输入输出对(即每个待检测图像以及与该待检测图像对应的特征信息)，调整卷积层的参数(即卷积核)，并将每次调整后得到的卷积层作为下次训练(即通过下一对输入输出对对初始卷积层进行训练)的卷积层。重复执行上述调整参数的步骤，直到所获取的待检测图像以及特征信息都作为输入或者输出，参与了卷积层的训练时，停止训练。并将停止训练后的卷积层作为上述预先训练的卷积神经网络的卷积层。其中，上述初始卷积层可以是现有的深度卷积神经网络(例如DenseBox、VGGNet、ResNet、SegNet等)的卷积层。
可选的，上述卷积层还可以按照如下步骤构建(训练)：
首先，技术人员可以对大量的图像和特征信息的进行统计。
然后，技术人员可以将统计结果(图像、特征信息以及图像和特征信息的对应关系信息)存储至数据库，将存储有图像、特征信息以及图像和特征信息的对应关系信息的数据库作为卷积层。
可以理解，上述卷积层可以用于表征图像和特征信息的对应关系。基于上述两种方式得到的卷积层，均可实现特征信息的提取。
步骤203，对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息。
在本实施例中，基于步骤202所提取的特征信息，上述电子设备可以对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息。其中，上述聚类处理用于对上述特征信息进行分类。上述聚类处理可以是现有的、基于聚类算法的聚类处理。示例性的，上述聚类算法可以是皮尔逊相关系数算法、欧几里德距离算法、余弦相似度算法等。上述聚类处理还可以是基于损失函数(loss function)的聚类处理。示例性的，上述损失函数可以是线性回归损失函数，也可以是逻辑回归损失函数。
可选的，上述特征信息可以包括待检测图像的颜色的特征信息、纹理的特征信息等等。容易理解，上述电子设备可以根据待检测图像的颜色的特征信息和/或纹理的特征信息，得到人脸类信息以及非人脸类信息。示例性的，上述电子设备可以根据待检测图像的纹理的特征信息确定出人脸的轮廓信息以及人脸轮廓的位置信息，然后，将待检测图像中人脸轮廓内的区域对应的特征信息确定为人脸类信息，将待检测图像中人脸轮廓外的区域对应的特征信息确定为非人脸类信息
步骤204，确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值。
在本实施例中，上述电子设备可以确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值。其中，类内距离可以用于表征同类信息之间的相似程度。类间距离可以用于表征不同类信息之间的相似程度。通常情况下，类间距离、类内距离可以与相似程度呈负相关关系。
可选的，上述类内距离以及类间距离可以是但不限于：组间平均连接距离(Between-group linkage)、组内平均连接距离(Within-group linkage)、最近邻距离(Nearest neighbor)、最远邻距离(Furthest neighbor)、重心距离(Centroid cluster)、中位数距离(Median cluster)、闵可夫斯基距离、欧氏距离等等。
示例性的，当人脸类信息用向量表征，并且仅包括向量(0.1,0.2，0.1)以及向量(1,0.8，0.8)时，人脸类信息的类内距离的值可以如下确定(以欧氏距离测度法为例)：通过上式可以确定类内距离的值约为1.288。
步骤205，基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。
在本实施例中，上述电子设备可以基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。其中，检测结果可以用于表征但不限于以下至少一项信息：待检测图像是否包括人脸、人脸在待检测图像中的位置。
可选的，如果类内距离的值表征不存在人脸类信息(例如类内距离的值为空值等)。上述电子设备可以确定出检测结果为待检测图像不包括人脸。可以理解，该步骤还可以由上述卷积神经网络的最后一层(例如全连接层)执行。需要说明的是，将卷积神经网络应用于人脸检测领域的技术，为本领域人员广泛研究和公知的技术，在此不再赘述。
在本实施例的一些可选的实现方式中，在通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息之后，上述方法还包括：利用卷积神经网络的全连接层确定待检测图像包括人脸或不包括人脸的概率的值；基于概率的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括待检测图像包括人脸或不包括人脸的概率；基于函数值与预设数值的大小关系以及所得到的特征信息，生成检测结果。其中，预设数值可以是预先设定的、用于将函数值进行分类或衡量待生成的检测结果的准确程度(准确率是否高于或低于预设的准确率)的数值。示例性的，如果上述函数值的取值范围为0至0.9(包括0和0.9)，则技术人员可以将预设数值设置为0.5。由此，可以将函数值分类为0至0.5(包括0和0.5)以及0.5至0.9(不包括0.5，包括0.9)两类。进而实现对样本(例如待检测图像)的分类。在本申请实施例中，函数值与预设数值的大小关系可以表征出待生成的检测结果是否具有较高的准确率。
其中，上述卷积神经网络还可以包括全连接层。在实践中，全连接层(fullyconnected layers，FC)可以在卷积神经网络中起到分类的作用。全连接层可由卷积操作实现。全连接层的输出结果可以是一个一维的向量，该向量的元素可以包括最终得到的各个类别(例如人脸类信息对应的人脸类、非人脸类信息对应的非人脸类)的概率的值。可以理解，上述向量的元素可以包括待检测图像包括人脸或不包括人脸的概率的值。该概率的值可以用于表征待检测图像的复杂程度或待检测图像的检测难易程度等等。上述损失函数的值可以用于表征预测信息(例如上述电子设备待生成的检测结果所包括的待检测图像包括人脸的信息)与真实信息(即实际情况中待检测图像包括或不包括人脸的信息)之间的差异程度。
可以理解，损失函数值的绝对值越小，上述待生成的检测结果(即上述步骤205所生成的检测结果)越准确。在卷积神经网络的训练过程中，损失函数可以用于调整上述卷积神经网络的参数，训练的目标为使损失函数的值的绝对值最小。
在本实施例的一些可选的实现方式中，上述损失函数可以是Focal loss函数。其中，上述Focal loss函数的函数关系式如下：
y＝-(1-p)xlogn(p)
其中，y为因变量，即损失函数的值，p为待检测图像包括人脸或不包括人脸的概率的值。p的取值范围为[0,1]。x可以是大于0的有理数(例如1,0.5,2等等)。n可以是大于0的实数(例如1,e,10等等)。上述x和n为损失函数的可调参数。
需要说明的是，当待检测图像包括人脸或不包括人脸的概率的值较大时，说明待检测图像较容易检测(即待检测图像较简单、复杂程度较低或较清晰)，此时，(1-p)x的值较小；当待检测图像包括人脸或不包括人脸的概率的值较小时，(1-p)x的值较大。由此，使得上述损失函数的值更趋于收敛。提高了上述电子设备检测类别不平衡(例如容易识别的待检测图像的类别与难以识别的待检测图像的类别不均衡)的图片的能力。
在实践中，上述x和n的值可以是人为设定的，也可以采用如下步骤确定：
首先，上述电子设备可以获取大量的样本数据。其中，样本数据包括大量的上述p的值以及和p对应的y的值。
然后，上述电子设备可以采用曲线拟合的方式，基于上述大量的样本数据以及上述函数关系式，以所拟合的曲线与样本数据间的误差最小为目标，确定出x和n的值。
可选的，上述损失函数还可以是其他函数。例如交叉熵(softmax)损失函数等等。
在本实施例的一些可选的实现方式中，上述方法还包括：确定检测结果的准确率；响应于确定出准确率小于预设准确率，调整卷积神经网络的参数。其中，上述预设准确率可以是预先设置的数值。
可选的，技术人员可以首先设置测试样本集合。其中，测试样本包括待检测图像以及该待检测图像对应的、正确的检测结果(例如包括或不包括人脸的检测结果)。然后，针对测试样本集合中的每个测试样本，按照上述步骤201至步骤205的方式，上述电子设备可以生成该测试样本的检测结果。再将所生成的检测结果与测试样本集合所包括的检测结果进行比对，以确定检测结果的准确率。示例性的，如果所生成的检测结果中存在50％的检测结果与测试样本集合所包括的检测结果相同，其他50％检测结果与测试样本集合所包括的检测结果不同，则可以将检测结果的准确率确定为50％。
可选的，上述电子设备还可以将所生成的检测结果发送至终端设备，然后由终端设备的使用者判断每个检测结果是否准确，并将检测结果发送到上述电子设备，以此确定检测结果的准确率。
可以理解，当准确率不大于预设准确率(例如70％)时，上述电子设备可以调整卷积神经网络的参数(例如卷积神经网络所包括的卷积层、池化层、全连接层或者损失函数的参数)。可以理解，通过调整上述参数，将有助于提高检测结果的准确率。
继续参见图3，图3是基于本实施例的用于检测人脸的方法的应用场景的一个示意图。在图3的应用场景中，终端设备首先上传了待检测图像301至图像处理服务器；之后，图像处理服务器通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息，并对特征信息进行聚类处理，得到人脸类特征信息以及非人脸类特征信息，以及确定人脸类特征信息的类内距离的值、人脸类特征信息与非人脸类特征信息的类间距离的值，接着基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果，然后以框图显示待检测图像301中的人脸整体区域(如标号302所示)。
本申请的上述实施例提供的方法，通过获取待检测图像，然后通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息，之后确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值，再基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果，从而实现利用类内距离以及类间距离生成人脸检测的检测结果，丰富了人脸检测的检测方式，有助于提高人脸检测的准确性。
进一步参考图4，其示出了用于检测人脸的方法的又一个实施例的流程400。该用于检测人脸的方法的流程400，包括以下步骤：
步骤401，获取待检测图像。
在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。
步骤402，通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息。
在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。
步骤403，对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息。
在本实施例中，步骤403与图2对应实施例中的步骤203基本一致，这里不再赘述。
步骤404，确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值。
在本实施例中，步骤404与图2对应实施例中的步骤204基本一致，这里不再赘述。
步骤405，基于类内距离的值以及类间距离的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括类内距离以及类间距离。
在本实施例中，上述电子设备还可以基于类内距离的值以及类间距离的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括类内距离以及类间距离。
在本实施例的一些可选的实现方式中，上述损失函数可以是Center loss函数。该函数的函数关系式为：L＝LS+λLC。其中，L为该损失函数的因变量(或称为函数值)，LS为类间距离，LC为类内距离。λ可以是预先训练得到的数(例如1,0.5,2等等)。
在实践中，上述λ的值可以是人为设定的，也可以采用如下步骤确定：
首先，上述电子设备可以获取大量的样本数据。其中，样本数据包括大量的LS、LC的值以及和LS、LC对应的L的值。
然后，上述电子设备可以采用曲线拟合的方式，基于上述大量的样本数据以及上述函数关系式，以所拟合的曲线与样本数据间的误差最小为目标，确定出λ的值。
在实践中，通常以类内距离最小、类间距离最大为目标，构建上述损失函数。需要说明的是，Center loss函数的类内距离、类间距离的确定方式为公知的技术，在此不再赘述。
可选的，上述损失函数还可以是其他函数。例如上述损失函数的关系式还为：L＝-LS-λLC等等。其中，L为该损失函数的因变量(或称为函数值)，-LS为类间距离，-LC为类内距离。λ可以是预先训练得到的数(例如1,0.5,2等等)。
应该理解，损失函数还可以包括其他基于上述函数的变换(例如线性变换非线性变换等)得到的函数。
步骤406，基于函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。
在本实施例中，上述电子设备还可以基于函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。其中，预设数值可以是预先设定的、用于将函数值进行分类或衡量待生成的检测结果的准确程度(准确率是否高于或低于预设的准确率)的数值。示例性的，如果上述函数值的取值范围为0至0.9(包括0和0.9)，则技术人员可以将预设数值设置为0.5。由此，可以将函数值分类为0至0.5(包括0和0.5)以及0.5至0.9(不包括0.5，包括0.9)两类。进而实现对样本(例如待检测图像)的分类。在本申请实施例中，函数值与预设数值的大小关系可以表征出待生成的检测结果是否具有较高的准确率。
示例性的，上述电子设备可以将大于预设数值函数值所对应的待检测图像的检测结果确定为包括人脸；将不大于预设数值函数值所对应的待检测图像的检测结果确定为不包括人脸。可选的，上述特征信息还可以包括待检测图像的位置信息，由此，上述电子设备可以生成包括待检测图像的位置信息的检测结果。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于检测人脸的方法的流程400突出了基于损失函数生成检测结果的步骤。由此，本实施例描述的方案可以引入更多的损失函数，从而生成更准确的人脸检测结果。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于检测人脸的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于检测人脸的装置500包括：获取单元501、提取单元502、聚类单元503、第一确定单元504和第一生成单元505。其中，获取单元501配置用于获取待检测图像；提取单元502配置用于通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；聚类单元503配置用于对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；第一确定单元504配置用于确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值；第一生成单元505配置用于基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。
在本实施例中，用于检测人脸的装置500的获取单元501可以获取待检测图像。其中，上述待检测图像可以是与上述电子设备通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述电子设备中的，也可以是上述电子设备本地所存储的。
在本实施例中，基于获取单元501所获取的待检测图像，上述提取单元502可以通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息。其中，上述卷积神经网络可以包括至少一个卷积层。实践中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络的卷积层进行图像特征信息的提取。上述特征信息可以是用于表征图像中的某些区域(例如人脸图像区域、图像背景区域或其他区域)的特征的信息。上述特征信息可以通过向量、矩阵等形式加以表征。
在本实施例中，上述聚类单元503可以对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息。其中，上述聚类处理用于对上述特征信息进行分类。上述聚类处理可以是现有的、基于聚类算法的聚类处理。示例性的，上述聚类算法可以是皮尔逊相关系数算法、欧几里德距离算法、余弦相似度算法等。上述聚类处理还可以是基于损失函数的聚类处理。示例性的，上述损失函数可以是线性回归损失函数，也可以是逻辑回归损失函数。
在本实施例中，上述第一确定单元504可以确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值。其中，类内距离可以用于表征同类信息之间的相似程度。类间距离可以用于表征不同类信息之间的相似程度。通常情况下，类间距离、类内距离可以分别与相似程度呈负相关关系。
在本实施例中，上述第一生成单元505可以基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。其中，检测结果可以用于表征但不限于以下至少一项：待检测图像是否包括人脸、待检测图像所包括的人脸的位置。
在本实施例的一些可选的实现方式中，第一生成单元包括：确定模块(图中未示出)配置用于基于类内距离的值以及类间距离的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括类内距离以及类间距离；生成模块(图中未示出)配置用于基于函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。
其中，预设数值可以是预先设定的、用于将函数值进行分类或衡量待生成的检测结果的准确程度(准确率是否高于或低于预设的准确率)的数值。示例性的，如果上述函数值的取值范围为0至0.9(包括0和0.9)，则技术人员可以将预设数值设置为0.5。由此，可以将函数值分类为0至0.5(包括0和0.5)以及0.5至0.9(不包括0.5，包括0.9)两类。进而实现对样本(例如待检测图像)的分类。在本申请实施例中，函数值与预设数值的大小关系可以表征出待生成的检测结果是否具有较高的准确率。
可选的，上述损失函数还可以是其他函数。例如上述损失函数的关系式还为：L＝-LS-λLC等等。其中，L为该损失函数的因变量(或称为函数值)，-LS为类间距离，-LC为类内距离。λ可以是预先训练得到的数(例如1,0.5,2等等)。
应该理解，损失函数还可以包括其他基于上述函数的变换(例如线性变换非线性变换等)得到的函数。
示例性的，上述电子设备可以将大于预设数值函数值所对应的待检测图像的检测结果确定为包括人脸；将不大于预设数值函数值所对应的待检测图像的检测结果确定为不包括人脸。可选的，上述特征信息还可以包括待检测图像的位置信息，由此，上述电子设备可以生成包括待检测图像的位置信息的检测结果。
在本实施例的一些可选的实现方式中，损失函数可以是Center loss函数。其中，该函数的函数关系式为：L＝LS+λLC。其中，L为该损失函数的因变量(或称为函数值)，LS为类间距离，LC为类内距离。λ可以是预先训练得到的数(例如1,0.5,2等等)。
在本实施例的一些可选的实现方式中，上述装置还包括：第二确定单元(图中未示出)配置用于利用卷积神经网络的全连接层确定待检测图像包括人脸或不包括人脸的概率的值；第三确定单元，配置用于基于概率的值，确定预先构建的损失函数的函数值，其中，损失函数的变量包括待检测图像包括人脸或不包括人脸的概率；第二生成单元(图中未示出)配置用于基于函数值与预设数值的大小关系以及所得到的特征信息，生成检测结果。
其中，预设数值可以是预先设定的、用于将函数值进行分类或衡量待生成的检测结果的准确程度(准确率是否高于或低于预设的准确率)的数值。
在本实施例的一些可选的实现方式中，损失函数是Focal loss函数。
在本实施例的一些可选的实现方式中，上述卷积层可以按照以下步骤训练得到：获取多个待检测图像以及与多个待检测图像中的每个待检测图像对应的特征信息；利用机器学习算法，将多个待检测图像中的每个待检测图像作为输入，将与多个待检测图像中的每个待检测图像对应的特征信息作为输出，训练得到卷积层。具体步骤如下：
首先，上述装置可以获取多个待检测图像以及与多个待检测图像中的每个待检测图像对应的特征信息。其中，待检测图像与特征信息的数量可以根据需求确定。在实践中，待检测图像与特征信息的数量过少可能导致训练得到的卷积层的参数不够准确，因而使得卷积层所提取的特征信息不准确；待检测图像与特征信息的数量过多将需要花费较多的时间去训练卷积层。然而通常情况下，待检测图像与特征信息的数量越多，所得到的卷积层提取的特征信息的准确率越高。
然后，上述装置可以利用机器学习算法，将多个待检测图像中的每个待检测图像作为输入，将与多个待检测图像中的每个待检测图像对应的特征信息作为输出，对初始卷积层进行训练，针对每个输入输出对(即每个待检测图像以及与该待检测图像对应的特征信息)，调整初始卷积层的参数(即卷积核)，并将每次调整后得到的卷积层作为下次训练(即通过下一对输入输出对对初始卷积层进行训练)的卷积层。重复执行上述调整参数的步骤，直到所获取的待检测图像以及特征信息都作为输入或者输出，参与了卷积层的训练时，停止训练。并将停止训练后的卷积层作为上述预先训练的卷积神经网络的卷积层。其中，上述初始卷积层可以是现有的深度卷积神经网络(例如DenseBox、VGGNet、ResNet、SegNet等)的卷积层。
在本实施例的一些可选的实现方式中，上述装置还包括：第四确定单元(图中未示出)配置用于确定检测结果的准确率；调整单元(图中未示出)配置用于响应于确定出准确率小于预设准确率，调整卷积神经网络的参数(例如卷积神经网络所包括的卷积层、池化层、全连接层或者损失函数的参数)。其中，上述预设准确率可以是预先设置的数值。
本申请的上述实施例提供的装置，通过获取单元501获取待检测图像，然后提取单元502通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息，之后聚类单元503对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息，随后第一确定单元504确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值，最后第一生成单元505基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果，丰富了人脸检测的检测方式，有助于提高人脸检测的准确性。
下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以基于存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也基于需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，基于需要安装在驱动器610上，以便于从其上读出的计算机程序基于需要被安装入存储部分608。
特别地，基于本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、聚类单元、第一确定单元和第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取待检测图像；通过预先训练的卷积神经网络的卷积层，提取待检测图像的特征信息；对特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；确定人脸类信息的类内距离的值、人脸类信息与非人脸类信息的类间距离的值；基于所提取的特征信息、类内距离的值以及类间距离的值，生成检测结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于检测人脸的方法，包括：
获取待检测图像；
通过预先训练的卷积神经网络的卷积层，提取所述待检测图像的特征信息；
对所述特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；
确定所述人脸类信息的类内距离的值、所述人脸类信息与所述非人脸类信息的类间距离的值；
基于所提取的特征信息、所述类内距离的值以及所述类间距离的值，生成检测结果。
2.根据权利要求1所述的方法，其中，所述基于所提取的特征信息、所述类内距离的值以及所述类间距离的值，生成检测结果，包括：
基于所述类内距离的值以及所述类间距离的值，确定预先构建的损失函数的函数值，其中，所述损失函数的变量包括类内距离以及类间距离；
基于所述函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。
3.根据权利要求1所述的方法，其中，在所述利用预先训练的卷积神经网络的卷积层提取所述待检测图像的特征信息之后，所述方法还包括：
利用所述卷积神经网络的全连接层确定所述待检测图像包括人脸或不包括人脸的概率的值；
基于所述概率的值，确定预先构建的损失函数的函数值，其中，所述损失函数的变量包括待检测图像包括人脸或不包括人脸的概率；
基于所述函数值与预设数值的大小关系以及所得到的特征信息，生成检测结果。
4.根据权利要求1所述的方法，其中，所述卷积层是通过如下步骤训练得到的：
获取多个待检测图像以及与所述多个待检测图像中的每个待检测图像对应的特征信息；
利用机器学习算法，将所述多个待检测图像中的每个待检测图像作为输入，将与所述多个待检测图像中的每个待检测图像对应的特征信息作为输出，训练得到卷积层。
5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：
确定检测结果的准确率；
响应于确定出所述准确率小于预设准确率，调整所述卷积神经网络的参数。
6.一种用于检测人脸的装置，包括：
获取单元，配置用于获取待检测图像；
提取单元，配置用于利用预先训练的卷积神经网络的卷积层提取所述待检测图像的特征信息；
聚类单元，配置用于对所述特征信息进行聚类处理，得到人脸类信息以及非人脸类信息；
第一确定单元，配置用于确定所述人脸类信息的类内距离的值、所述人脸类信息与所述非人脸类信息的类间距离的值；
第一生成单元，配置用于基于所提取的特征信息、所述类内距离的值以及所述类间距离的值，生成检测结果。
7.根据权利要求6所述的装置，其中，所述第一生成单元包括：
确定模块，配置用于基于所述类内距离的值以及所述类间距离的值，确定预先构建的损失函数的函数值，其中，所述损失函数的变量包括类内距离以及类间距离；
生成模块，配置用于基于所述函数值与预设数值的大小关系以及所提取的特征信息，生成检测结果。
8.根据权利要求6所述的装置，其中，所述装置还包括：
第二确定单元，配置用于利用所述卷积神经网络的全连接层确定所述待检测图像包括人脸或不包括人脸的概率的值；
第三确定单元，配置用于基于所述概率的值，确定预先构建的损失函数的函数值，其中，所述损失函数的变量包括待检测图像包括人脸或不包括人脸的概率；
第二生成单元，配置用于基于所述函数值与预设数值的大小关系以及所得到的特征信息，生成检测结果。
9.根据权利要求6所述的装置，其中，所述卷积层是通过如下步骤训练得到的：
获取多个待检测图像以及与所述多个待检测图像中的每个待检测图像对应的特征信息；
利用机器学习算法，将所述多个待检测图像中的每个待检测图像作为输入，将与所述多个待检测图像中的每个待检测图像对应的特征信息作为输出，训练得到卷积层。
10.根据权利要求6-9之一所述的装置，其中，所述装置还包括：
第四确定单元，配置用于确定检测结果的准确率；
调整单元，配置用于响应于确定出所述准确率小于预设准确率，调整所述卷积神经网络的参数。
11.一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201810011483.3A 2018-01-05 2018-01-05 用于检测人脸的方法和装置 Active CN108171191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810011483.3A CN108171191B (zh) 2018-01-05 2018-01-05 用于检测人脸的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810011483.3A CN108171191B (zh) 2018-01-05 2018-01-05 用于检测人脸的方法和装置

Publications (2)

Publication Number Publication Date
CN108171191A true CN108171191A (zh) 2018-06-15
CN108171191B CN108171191B (zh) 2019-06-28

Family

ID=62517697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810011483.3A Active CN108171191B (zh) 2018-01-05 2018-01-05 用于检测人脸的方法和装置

Country Status (1)

Country Link
CN (1) CN108171191B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508715A (zh) * 2018-10-30 2019-03-22 南昌大学 一种基于深度学习的车牌定位和识别方法
CN109711262A (zh) * 2018-11-28 2019-05-03 大连理工大学 一种基于深度卷积神经网络的智能挖掘机行人检测方法
CN110705475A (zh) * 2019-09-30 2020-01-17 北京地平线机器人技术研发有限公司 用于目标对象识别的方法、装置、介质以及设备
CN111209820A (zh) * 2019-12-30 2020-05-29 新大陆数字技术股份有限公司 人脸活体检测方法、系统、设备及可读存储介质
CN111639535A (zh) * 2020-04-29 2020-09-08 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
CN111931749A (zh) * 2020-10-12 2020-11-13 北京神州泰岳智能数据技术有限公司 一种基于神经网络的人脸聚类方法以及装置
TWI710964B (zh) * 2019-03-18 2020-11-21 大陸商深圳市商湯科技有限公司 圖像聚類方法及裝置、電子設備和儲存介質
CN114037925A (zh) * 2021-09-27 2022-02-11 北京百度网讯科技有限公司 目标检测模型的训练、检测方法、装置及电子设备
US11615644B2 (en) 2020-07-08 2023-03-28 Ebay Inc. Face detection to address privacy in publishing image datasets

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923712A (zh) * 2010-08-03 2010-12-22 苏州大学 基于粒子群优化的K-means聚类算法的基因芯片图像分割法
CN102938069A (zh) * 2012-06-13 2013-02-20 北京师范大学 一种基于信息熵的纯净和混合像元自动划分方法
CN104978740A (zh) * 2015-05-10 2015-10-14 刘畅 基于图像颜色特征的成份自动测量方法
CN105205501A (zh) * 2015-10-04 2015-12-30 北京航空航天大学 一种多分类器联合的弱标注图像对象检测方法
CN105469080A (zh) * 2016-01-07 2016-04-06 东华大学 一种人脸表情识别方法
CN106096623A (zh) * 2016-05-25 2016-11-09 中山大学 一种犯罪识别与预测方法
CN106250821A (zh) * 2016-07-20 2016-12-21 南京邮电大学 一种聚类再分类的人脸识别方法
CN106845357A (zh) * 2016-12-26 2017-06-13 银江股份有限公司 一种基于多通道网络的视频人脸检测和识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923712A (zh) * 2010-08-03 2010-12-22 苏州大学 基于粒子群优化的K-means聚类算法的基因芯片图像分割法
CN102938069A (zh) * 2012-06-13 2013-02-20 北京师范大学 一种基于信息熵的纯净和混合像元自动划分方法
CN104978740A (zh) * 2015-05-10 2015-10-14 刘畅 基于图像颜色特征的成份自动测量方法
CN105205501A (zh) * 2015-10-04 2015-12-30 北京航空航天大学 一种多分类器联合的弱标注图像对象检测方法
CN105469080A (zh) * 2016-01-07 2016-04-06 东华大学 一种人脸表情识别方法
CN106096623A (zh) * 2016-05-25 2016-11-09 中山大学 一种犯罪识别与预测方法
CN106250821A (zh) * 2016-07-20 2016-12-21 南京邮电大学 一种聚类再分类的人脸识别方法
CN106845357A (zh) * 2016-12-26 2017-06-13 银江股份有限公司 一种基于多通道网络的视频人脸检测和识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
武拴虎等: "《一种基于聚类和统计分析DNA基因芯片图像处理算法》", 《计算机工程与应用》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508715A (zh) * 2018-10-30 2019-03-22 南昌大学 一种基于深度学习的车牌定位和识别方法
CN109508715B (zh) * 2018-10-30 2022-11-08 南昌大学 一种基于深度学习的车牌定位和识别方法
CN109711262B (zh) * 2018-11-28 2021-12-03 大连理工大学 一种基于深度卷积神经网络的智能挖掘机行人检测方法
CN109711262A (zh) * 2018-11-28 2019-05-03 大连理工大学 一种基于深度卷积神经网络的智能挖掘机行人检测方法
US11232288B2 (en) 2019-03-18 2022-01-25 Shenzhen Sensetime Technology Co., Ltd. Image clustering method and apparatus, electronic device, and storage medium
TWI710964B (zh) * 2019-03-18 2020-11-21 大陸商深圳市商湯科技有限公司 圖像聚類方法及裝置、電子設備和儲存介質
CN110705475A (zh) * 2019-09-30 2020-01-17 北京地平线机器人技术研发有限公司 用于目标对象识别的方法、装置、介质以及设备
CN111209820A (zh) * 2019-12-30 2020-05-29 新大陆数字技术股份有限公司 人脸活体检测方法、系统、设备及可读存储介质
CN111209820B (zh) * 2019-12-30 2024-04-23 新大陆数字技术股份有限公司 人脸活体检测方法、系统、设备及可读存储介质
CN111639535A (zh) * 2020-04-29 2020-09-08 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
CN111639535B (zh) * 2020-04-29 2023-08-22 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
US11615644B2 (en) 2020-07-08 2023-03-28 Ebay Inc. Face detection to address privacy in publishing image datasets
CN111931749A (zh) * 2020-10-12 2020-11-13 北京神州泰岳智能数据技术有限公司 一种基于神经网络的人脸聚类方法以及装置
CN114037925A (zh) * 2021-09-27 2022-02-11 北京百度网讯科技有限公司 目标检测模型的训练、检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN108171191B (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
CN108171191B (zh) 用于检测人脸的方法和装置
CN111860573B (zh) 模型训练方法、图像类别检测方法、装置和电子设备
CN108038880A (zh) 用于处理图像的方法和装置
CN108446387A (zh) 用于更新人脸注册库的方法和装置
CN109191453A (zh) 用于生成图像类别检测模型的方法和装置
CN108090162A (zh) 基于人工智能的信息推送方法和装置
CN107133202A (zh) 基于人工智能的文本校验方法和装置
CN109460514A (zh) 用于推送信息的方法和装置
CN108280477A (zh) 用于聚类图像的方法和装置
CN107590255A (zh) 信息推送方法和装置
CN109308490A (zh) 用于生成信息的方法和装置
CN108197592A (zh) 信息获取方法和装置
CN108564102A (zh) 图像聚类结果评价方法和装置
CN109145828A (zh) 用于生成视频类别检测模型的方法和装置
CN107958247A (zh) 用于人脸图像识别的方法和装置
CN112101437A (zh) 基于图像检测的细粒度分类模型处理方法、及其相关设备
CN109447246A (zh) 用于生成模型的方法和装置
CN108062416B (zh) 用于在地图上生成标签的方法和装置
EP4113376A1 (en) Image classification model training method and apparatus, computer device, and storage medium
CN108388563A (zh) 信息输出方法和装置
CN109711508A (zh) 图像处理方法和装置
CN108121699A (zh) 用于输出信息的方法和装置
CN108776692A (zh) 用于处理信息的方法和装置
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN110457677A (zh) 实体关系识别方法及装置、存储介质、计算机设备

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