CN108537165A - 用于确定信息的方法和装置 - Google Patents
用于确定信息的方法和装置 Download PDFInfo
- Publication number
- CN108537165A CN108537165A CN201810306343.9A CN201810306343A CN108537165A CN 108537165 A CN108537165 A CN 108537165A CN 201810306343 A CN201810306343 A CN 201810306343A CN 108537165 A CN108537165 A CN 108537165A
- Authority
- CN
- China
- Prior art keywords
- sample
- human body
- image
- information
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于确定信息的方法和装置。该方法的一具体实施方式包括:从获取的样本集中选取样本,其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息;执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。该实施方式能够根据图像中脸部的位置信息,预测得到图像中人体的位置信息,从而可以确定图像中人体特征信息的选取范围。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于确定信息的方法和装置。
背景技术
人脸检测(Face Detection)是自动人脸识别系统中的一个关键环节。其通常是指对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸。如果含有人脸,则可以返回人脸的位置、大小和姿态等。
目前,这种技术被广泛应用于各种领域,如身份认证与安全防护。人脸作为一个人最重要的外貌特征,很多时候都需要通过人脸来实现身份验证。再如图像搜索,改变传统的通过文字搜索实现图像搜索的方式。
随着人工智能的快速发展,现有的人脸检测技术往往是将图像输入训练好的神经网络中,从而得到图像的人脸检测结果。
发明内容
本申请实施例提出了用于确定信息的方法和装置。
第一方面,本申请实施例提供了一种用于确定信息的方法,包括:从获取的样本集中选取样本,其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息,样本图像中包括脸部图像和至少部分躯干图像;执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
在一些实施例中,根据样本脸部位置信息生成至少两个候选人体位置信息,包括:根据样本脸部位置信息确定样本图像中脸部区域的中心点;以脸部区域的中心点为中心,逐渐扩大样本脸部位置信息所指示的图像区域,形成至少两个尺寸不同的扩大区域;将至少两个扩大区域向靠近躯干图像的方向移动预设距离,将移动后的至少两个扩大区域所在的位置作为至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域为包含关系。
在一些实施例中,确定步骤还包括:根据样本图像的样本人体位置信息所指示的图像区域,生成样本图像的样本人体特征信息。
在一些实施例中,样本集中的样本还包括与样本图像对应的样本脸部特征信息;以及该方法还包括执行以下训练步骤:将选取的样本的样本图像输入第二初始模型,得到样本的脸部特征信息和人体特征信息;将得到的脸部特征信息与对应的样本脸部特征信息进行分析,确定脸部特征损失值;将得到的人体特征信息与对应的样本人体特征信息进行分析,确定人体特征损失值;根据预设的脸部权重和人体权重,将样本的脸部特征损失值与样本的人体特征损失值的加权结果作为样本的总损失值,以及将样本的总损失值与目标值进行比较;根据比较结果确定第二初始模型是否训练完成;响应于确定第二初始模型训练完成,将第二初始模型作为人脸检测模型。
在一些实施例中,预设的脸部权重和人体权重通过以下步骤获得:根据样本脸部位置信息,计算样本图像中脸部区域的像素数;基于计算的像素数和预设脸部像素数,确定样本图像的脸部权重和人体权重。
在一些实施例中,该方法还包括:响应于确定第二初始模型未训练完成,调整第二初始模型中的相关参数,以及从样本集中重新选取样本,继续执行确定步骤和训练步骤。
第二方面,本申请实施例提供了一种用于确定信息的装置,包括:选取单元,配置用于从获取的样本集中选取样本,其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息,样本图像中包括脸部图像和至少部分躯干图像;确定单元,配置用于执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
在一些实施例中,确定单元进一步配置用于:根据样本脸部位置信息确定样本图像中脸部区域的中心点;以脸部区域的中心点为中心,逐渐扩大样本脸部位置信息所指示的图像区域,形成至少两个尺寸不同的扩大区域;将至少两个扩大区域向靠近躯干图像的方向移动预设距离,将移动后的至少两个扩大区域所在的位置作为至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域为包含关系。
在一些实施例中,确定单元还配置用于:根据样本图像的样本人体位置信息所指示的图像区域,生成样本图像的样本人体特征信息。
在一些实施例中,样本集中的样本还包括与样本图像对应的样本脸部特征信息;以及该装置还包括训练单元,配置用于:将选取的样本的样本图像输入第二初始模型,得到样本的脸部特征信息和人体特征信息;将得到的脸部特征信息与对应的样本脸部特征信息进行分析,确定脸部特征损失值;将得到的人体特征信息与对应的样本人体特征信息进行分析,确定人体特征损失值;根据预设的脸部权重和人体权重,将样本的脸部特征损失值与样本的人体特征损失值的加权结果作为样本的总损失值,以及将样本的总损失值与目标值进行比较;根据比较结果确定第二初始模型是否训练完成;响应于确定第二初始模型训练完成,将第二初始模型作为人脸检测模型。
在一些实施例中,预设的脸部权重和人体权重通过以下步骤获得:根据样本脸部位置信息,计算样本图像中脸部区域的像素数;基于计算的像素数和预设脸部像素数,确定样本图像的脸部权重和人体权重。
在一些实施例中,该装置还包括:调整单元,配置用于响应于确定第二初始模型未训练完成,调整第二初始模型中的相关参数,以及从样本集中重新选取样本,继续执行确定步骤和训练步骤。
第三方面,本申请实施例提供了一种电子设备,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;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述第一方面中任一实施例所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如上述第一方面中任一实施例所描述的方法。
本申请实施例提供的用于确定信息的方法和装置,通过将从获取的样本集中选取的样本输入第一初始模型,便可以根据样本脸部位置信息生成至少两个候选人体位置信息。其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息。这里的样本图像中包括脸部图像和至少部分躯干图像。这里的至少两个候选人体位置信息所指示的图像区域包括脸部图像。之后,可以分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值。最后,可以从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。也就是说,该方法和装置能够根据样本图像中脸部的位置信息,预测得到样本图像中人体的位置信息,从而可以确定样本图像中人体特征信息的选取范围。
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是根据本申请用于确定信息的方法的一个实施例的流程图;
图3是根据本申请用于确定信息的方法的又一个实施例的流程图;
图4A-图4B是候选人体位置信息的生成过程的一个实施例的示意图;
图4C是候选人体位置信息的生成过程的又一个实施例的示意图;
图4D是根据本申请用于确定信息的方法的一个应用场景的示意图;
图5是根据本申请用于确定信息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电子设备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实施例的用于确定信息的方法或用于确定信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、人脸检测识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时,其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备,如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备,来采集自身或他人的包含人脸的图像。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中,样本可以包括样本图像以及与样本图像对应的样本脸部位置信息。并且样本图像中不仅可以包括脸部图像,还可以包括至少部分躯干图像。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以从终端101、102发送的样本集中选取样本;并可以将选取的样本输入第一初始模型进行分析;以及可以将分析结果(如确定的样本人体位置信息)发送给终端101、102。这样,用户便可以知道不同样本图像中人体图像的选取位置和范围。这里的人体通常包含头部和躯干。而躯干一般是指除头部以外的身体。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当它们为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于确定信息的方法一般由服务器105执行。相应地,用于确定信息的装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本申请的用于确定信息的方法的一个实施例的流程200。该用于确定信息的方法可以包括以下步骤:
步骤201,从获取的样本集中选取样本。
在本实施例中,用于确定信息的方法的执行主体(例如图1所示的服务器105)可以从获取的样本集中选取样本。这里的选取方式和选取数目在本申请中并不限制。例如可以随机选取任意数目个样本,也可以按照某一顺序来选取一定数目的样本。如按照样本图像的像素由高到低的顺序,从像素高的一端选取至少两个样本。
在本实施例中,样本集中可以包括至少一个样本。样本集中的样本可以包括样本图像以及与样本图像对应的样本脸部位置信息。其中,样本脸部位置信息可以用于表示脸部在样本图像中的位置。例如人脸框(x,y,w,h):x表示框的中心点横坐标;y表示框的中心点纵坐标;w表示框的宽度;h表示框的长度。再例如人脸框(x1,y1,x2,y2):x1和x2分别表示框的一组对角的横坐标;y1和y2分别表示框的该组对角的纵坐标。另外,样本图像中可以包括脸部图像和至少部分躯干图像。也就是说,样本中的样本图像不仅包括头部(脸部)图像,通常还包括至少部分躯干图像,如半身图像或全身图像。
在这里,样本图像可以是平面图像,也可以是立体图像(即包含深度信息的图像)。而且样本图像可以是彩色图像(如RGB(Red、Green、Blue,红绿蓝)照片)和/或灰度图像等等。该图像的格式在本申请中并不限制,如jpg(Joint Photo graphic Experts Group,一种图片格式)、BMP(Bitmap,图像文件格式)或RAW(RAW Image Format,无损压缩格式)等格式,只要可以被执行主体读取识别即可。
此外,执行主体可以采用多种方式来获取样本集。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样,执行主体可以接收终端所收集的样本,并将这些样本存储在本地,从而生成样本集。
步骤202,将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息。
在本实施例中,根据步骤201中选取的样本,执行主体可以执行步骤202至步骤204的确定步骤。首先,执行主体可以将选取的样本输入第一初始模型。之后,可以根据样本中的样本脸部位置信息,生成至少两个候选人体位置信息。其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像。这里的人体通常指头部和躯干。头部往往会包括脸部。而躯干一般是指除头部以外的身体。也就是说,至少两个候选人体位置信息所指示的图像区域通常比脸部图像大,且包含脸部图像。
在这里,第一初始模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。第一初始模型的存储位置在本申请中同样不限制。
在本实施例的一些可选地实现方式中,首先,执行主体可以根据样本脸部位置信息确定样本图像中脸部区域的中心点。之后,以脸部区域的中心点为中心,逐渐扩大样本脸部位置信息所指示的图像区域,从而可以形成至少两个尺寸不同的扩大区域。最后,将至少两个扩大区域向靠近躯干图像的方向移动预设距离,就可以将移动后的至少两个扩大区域所在的位置作为至少两个候选人体位置信息。其中,至少两个候选人体位置信息所指示的图像区域为包含关系。这里的包含关系主要指尺寸小的图像区域位于尺寸大的图像区域内。预设距离可以根据实际情况设置。
作为示例,如图4A至图4B所示,其示出了候选人体位置信息的生成过程的一个实施例的示意图。在图4A中,L1为样本图像的人脸框(即样本脸部位置信息)。首先,根据人脸框L1可以计算出中心点O。之后,以中心点O为中心,可以将人脸框L1分别放大不同的倍数,从而得到放大框L2和L3。由于躯干位于头部的下方,头部上方和两侧均为背景,所以为了获得更为准确的人体信息,可以将放大框L2和L3分别向下移动一定距离。如图4B所示,移动后的放大框L2和L3即为候选人体框(即候选人体位置信息)。此时,人脸框L1、候选人体框L2和L3为嵌套关系。
需要说明的是,人脸框L1中相邻两边的放大倍数可以相同或不同。不同放大框向下移动的距离也可以相同或不同。例如放大框的放大倍数越大,则其向下移动的距离可以更长。这样有利于减少头部上方的背景图像。
可选地,图2实施例中的执行主体也可以根据样本脸部位置信息确定样本图像中脸部区域的上边界。之后,以脸部区域的上边界为基准,逐渐将样本脸部位置信息所指示的图像区域向位于上边界以下的区域扩大,从而可以形成至少两个尺寸不同的扩大区域。此时,这些扩大区域所在的位置即为至少两个候选人体位置信息。
作为示例,如图4C所示,其示出了候选人体位置信息的生成过程的又一个实施例的示意图。由图4C可知,人脸框L1中靠近头顶区域的侧边(图4C中的粗实线)即为脸部区域的上边界。此时,可以以上边界为基准,将人脸框L1向人体两侧和躯干方向放大一定倍数,从而得到放大框L2和L3。这种方法得到的放大框L2和L3即为候选人体框。这样有利于简化过程,提高生成效率。同时,可以有效地减少头部上方的背景图像信息。此时的候选人体框L2和L3可以是部分重叠关系,即位于两个框内的图像区域之间存在部分重叠区域);也可以是嵌套关系。
继续参见图2实施例中的步骤203,分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值。
在本实施例中,对于至少两个候选人体位置信息中的每个候选人体位置信息,执行主体可以通过第一初始模型对该候选人体位置信息所指示的图像区域进行检测。进而可以生成与该候选人体位置信息对应的预测值。其中,预测值可以用于表征候选人体位置信息所指示的图像区域为人体的概率。
步骤204,从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
在本实施例中,执行主体可以从步骤203中生成的至少两个预测值中选取预测值。并且执行主体可以将选取的预测值对应的候选人体位置信息,确定为对应的样本图像的样本人体位置信息。其中,样本人体位置信息可以用于表征人体在样本图像中的位置。
在本实施例中,选取方式在本申请中并不限制。例如可以从这些预测值中选取值最大(即概率最高)的预测值。再例如,可以先确定这些预测值中哪些位于预设范围(如0.7-0.9)内。再从位于预设范围内的预测值中选取值最大的预测值。需要说明的是,当存在至少两个最大预测值时,执行主体可以选取其中的任一预测值。或者执行主体可以选取其中一预测值。该预测值对应的候选人体位置信息所指示的图像区域最小。
可以理解的是,若候选人体位置信息所指示的图像区域过小,可能会没有完全包含人体,则得到的预测值往往会比较小。若候选人体位置信息所指示的图像区域过大,可能会包含很多除人体外的其他干扰信息,则得到的预测值往往也不会大。只有当候选人体位置信息所指示的图像区域适当时,得到的预测值会比较大。所以对于不同的样本图像,确定出的样本人体位置信息一般也会不同。
在本实施例的一些可选地实现方式中,在确定样本图像的样本人体位置信息之后,执行主体还可以根据该样本人体位置信息所指示的图像区域,生成样本图像的样本人体特征信息。其中,样本人体特征信息可以是用于表征样本图像中人体特征的信息。例如样本人体特征信息可以包括样本人体位置信息,或样本人体位置信息和预测值。
在一些应用场景中,执行主体可以将样本人体位置信息和\或样本人体特征信息发送给终端。或者执行主体还可以根据样本人体位置信息或样本人体特征信息,对样本图像进行标注。之后,执行主体可以将标注后的样本图像发送给终端。这里的标注方式可以根据实际情况设置。例如可以采用线条框图、阴影或色彩图层等方式。
基于上述描述可知,用于确定信息的方法还可以利用本实施例中确定出的样本人体位置信息,进行信息的进一步分析处理。例如在人脸检测或人脸识别的过程中,可以结合人体位置信息来辅助完成。
本实施例提供的用于确定信息的方法,通过将从获取的样本集中选取的样本输入第一初始模型,便可以根据样本脸部位置信息生成至少两个候选人体位置信息。其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息。这里的样本图像中包括脸部图像和至少部分躯干图像。这里的至少两个候选人体位置信息所指示的图像区域包括脸部图像。之后,可以分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值。最后,可以从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。也就是说,该方法能够根据样本图像中脸部的位置信息,预测得到样本图像中人体的位置信息,从而可以确定样本图像中人体特征信息的选取范围。
进一步参见图3,其示出了本申请提供的用于确定信息的方法的又一个实施例的流程300。本实施例中用于确定信息的方法不仅可以包括图2实施例所描述的步骤。在上述样本集中的样本还包括与样本图像对应的样本脸部特征信息的情况下,该方法还可以包括执行以下训练步骤:
步骤301,将选取的样本的样本图像输入第二初始模型,得到样本的脸部特征信息和人体特征信息。
在本实施例中,用于确定信息的方法的执行主体(例如图1所示的服务器105)可以将图2实施例的步骤201中选取的样本的样本图像输入第二初始模型,从而可以得到样本的脸部特征信息和人体特征信息。其中,脸部特征信息可以是用于表征样本图像中脸部特征的信息,如人脸框(x1,y1,x2,y2)。人体特征信息可以是用于表征样本图像中人体特征的信息,如人体框(x1,y1,x2,y2)。
这里的第二初始模型同样可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。第二初始模型的存储位置在本申请中同样不限制。
步骤302,将得到的脸部特征信息与对应的样本脸部特征信息进行分析,确定脸部特征损失值。
在本实施例中,执行主体可以将样本图像的脸部特征信息与和该样本图像对应的样本脸部特征信息进行分析,从而可以确定脸部特征损失值。例如可以将得到的脸部特征信息和对应的样本脸部特征信息作为参数,输入指定的损失函数(loss function)中,从而可以计算得到两者之间损失值。其中,样本脸部特征信息可以(但不限于)包括上述样本脸部位置信息。
在本实施例中,损失函数通常是用来估量模型的预测值(如脸部特征信息)与真实值(如样本脸部特征信息)的不一致程度。它是一个非负实值函数。一般情况下,损失函数越小,模型的鲁棒性就越好。损失函数可以根据实际需求来设置。
步骤303,将得到的人体特征信息与对应的样本人体特征信息进行分析,确定人体特征损失值。
在本实施例中,执行主体还可以将样本图像的人体特征信息与和该样本图像对应的样本人体特征信息进行分析,从而可以确定人体特征损失值。例如可以采用步骤302中描述的相关方法,此处不再赘述。
步骤304,根据预设的脸部权重和人体权重,将样本的脸部特征损失值与样本的人体特征损失值的加权结果作为样本的总损失值,以及将样本的总损失值与目标值进行比较。
在本实施例中,执行主体可以根据预设的脸部权重和人体权重,对同一样本的脸部特征损失值与人体特征损失值进行加权处理。即预设的脸部权重为脸部特征损失值的权重。预设的人体权重为人体特征损失值的权重。之后,执行主体可以将同一样本的上述加权结果,作为该样本的总损失值。而且执行主体可以将选取的样本的总损失值与目标值进行比较。
在本实施例中,预设的脸部权重和人体权重可以根据实际情况来设置。而目标值一般可以用于表示预测值(即脸部特征信息、人体特征信息)与真值(样本脸部特征信息、样本人体特征信息)之间的不一致程度的理想情况。也就是说,当总损失值小于目标值时,可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。
需要说明的是,若图2实施例的步骤201中选取有多个(至少两个)样本,则执行主体可以将每个样本的总损失值分别与目标值进行比较。这样便可以确定每个样本的总损失值是否小于目标值。
在本实施例的一些可选地实现方式中,预设的脸部权重和预设的人体权重可以分别为一固定权重值。由于样本人体特征信息是根据第一初始模型估计的样本人体位置信息而预测得到的,其往往会与实际真实值存在一定的偏差。而且主要是为了检测人脸,所以脸部权重可以预设的相对大些,如80%。同时,人体权重可以预设的相对小些,如20%。
可选地,为了进一步提高检测结果的准确定,执行主体也可以根据不同的样本图像,来动态调整上述脸部权重和/或上述人体权重。也就是说,预设的脸部权重和/或预设的人体权重可以为非固定权重值。作为示例,预设的脸部权重和人体权重可以通过以下步骤获得:
首先,执行主体可以根据样本脸部位置信息,计算样本图像中脸部区域的像素数。之后,可以基于计算的像素数和预设脸部像素数,确定样本图像的脸部权重和人体权重。这里的预设脸部像素数可以根据实际需求设置。例如可以为通常情况下普通图像所能达到的分别率。
例如,执行主体可以计算脸部区域的像素数(如200)与预设脸部像素数(如500)的比值(即0.4)。然后,可以根据比值以及预设脸部像素数对应的初始脸部权重(如0.9)和初始人体权重(如0.2),分别计算得到脸部权重(如0.36)和初始人体权重(0.5)。也就是说,比值越小(即样本图像中脸部区域的像素数越小),得到的脸部权重也小,而人体权重会变大。
再例如,预设脸部像素数可以为不同的预设像素数范围。且不同的预设像素数范围对应不同的预设脸部权重和预设人体权重。此时,执行主体可以判断样本图像中脸部区域的像素数所属的预设像素数范围。这样,可以将其所属的预设像素数范围对应的预设脸部权重和预设人体权重,分别作为该样本图像的脸部权重和人体权重。
进一步地,执行主体也可以根据图2实施例中确定的每个样本的样本人体位置信息对应的预测值,来调整每个样本的人体权重。如预测值越高,人体权重就越大。此时的脸部权重可以(但不限于)保持不变。
在这里,根据不同样本图像的情况,来动态调整脸部权重和人体权重。可以有助于提高训练方法的灵活性和适用范围。同时,这种方法训练得到的模型,能够获得更加准确的检测结果。
可以理解的是,利用权重化的方法,将脸部特征损失值与人体特征损失值相融合,从而调整优化模型。这种方法训练得到的人脸检测模型,能够有效地提高人脸检测的鲁棒性。而且在脸部遮挡较严重、光照较差、像素较低等情况下,通过结合人脸以外的外部信息(如躯干信息),可以有助于提高人脸检测的性能。
步骤305,根据比较结果确定第二初始模型是否训练完成。
在本实施例中,根据步骤304中的比较结果,执行主体可以确定第二初始模型是否训练完成。作为示例,如果选取有多个样本,那么在每个样本的总损失值均小于目标值的情况下,执行主体可以确定第二初始模型训练完成。再例如,执行主体可以统计总损失值小于目标值的样本占选取的样本的比例。且在该比例达到预设样本比例(如95%)时,可以确定第二初始模型训练完成。
在本实施例中,若执行主体确定第二初始模型已训练完成,则可以继续执行步骤306。若执行主体确定第二初始模型未训练完成,则可以调整第二初始模型中的相关参数。例如采用反向传播技术修改第二初始模型中各卷积层中的权重。而且可以返回图2实施例中的步骤201,从样本集中重新选取样本。进而可以继续执行上述确定步骤(即图2实施例中的步骤202-步骤204)和本实施例中的训练步骤。
需要说明的是,这里的选取方式在本申请中也不限制。例如在样本集中有大量样本的情况下,执行主体可以从中选取未被选取过的样本。
步骤306,响应于确定第二初始模型训练完成,将第二初始模型作为人脸检测模型。
在本实施例中,若执行主体确定第二初始模型训练完成,则可以将该第二初始模型(即训练完成的第二初始模型)作为人脸检测模型。
此外,对于上述脸部区域和人体区域的检测,可以是由第二初始模型中相互独立的两个子模型来分别完成的;也可以是由第二初始模型中相互关联的不同部分来完成的。也就是说,第二初始模型可以是由多个子模型构成的,也可以是一个包含多个子模型功能的完整模型。同时,第一初始模型与第二初始模型可以是两个独立的模型,也可以是同一模型中的不同组成部分。
可选地,执行主体可以将生成的人脸检测模型存储在本地,也可以将其发送给终端或数据库服务器。
本实施例中用于确定信息的方法,不仅可以确定样本中样本图像的样本人体位置信息。还可以利用确定出的样本人体位置信息,得到样本图像的样本人体特征信息。进而可以利用样本图像以及对应的样本人体特征信息和样本脸部特征信息进行模型训练,得到一种能够用于人脸检测的模型。这样也有助于丰富模型的生成方式。
请参见图4D,图4D是根据本申请实施例的用于确定信息的方法的一个应用场景的示意图。在图4D的应用场景中,用户所使用的终端41上可以安装有模型训练类应用。当用户打开该应用,并上传样本集或样本集的存储路径后,对该应用提供后台支持的服务器42可以运行用于确定信息的方法,包括:
首先,可以从获取的样本集中选取样本。其中,样本集中的样本可以包括样本图像421以及与样本图像对应的样本脸部位置信息422。之后,可以执行图2实施例中的确定步骤。即将选取的样本输入第一初始模型423中,从而确定样本中样本图像的样本人体位置信息。进而得到该样本图像的样本人体特征信息424。接着,可以执行图3实施例中的训练步骤。即将选取的样本的样本图像421输入第二初始模型420,得到样本的人体特征信息424'和脸部特征信息425';通过分别与样本人体特征信息424和样本脸部特征信息425进行分析,得到人体特征损失值426和脸部特征损失值427;根据预设的人体权重和脸部权重,采用加权方法得到样本的总损失值428,以及将样本的总损失值428与目标值进行比较;根据比较结果确定第二初始模型420是否训练完成;并在确定第二初始模型420训练完成时,将第二初始模型420作为人脸检测模型420'。
此时,服务器42还可以向终端41发送用于指示模型训练完成的提示信息。该提示信息可以是语音和/或文字信息。这样,用户可以在预设的存储位置获取到人脸检测模型。
继续参见图5,作为对上述各实施例所示方法的实现,本申请提供了一种用于确定信息的装置的一个实施例。该装置实施例与图2-图4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,本实施例的用于确定信息的装置500可以包括:选取单元501,配置用于从获取的样本集中选取样本,其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息,样本图像中包括脸部图像和至少部分躯干图像;确定单元502,配置用于执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
在本实施例的一些可选地实现方式中,确定单元502可以进一步配置用于:根据样本脸部位置信息确定样本图像中脸部区域的中心点;以脸部区域的中心点为中心,逐渐扩大样本脸部位置信息所指示的图像区域,形成至少两个尺寸不同的扩大区域;将至少两个扩大区域向靠近躯干图像的方向移动预设距离,将移动后的至少两个扩大区域所在的位置作为至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域为包含关系。
可选地,确定单元502还可以配置用于:根据样本图像的样本人体位置信息所指示的图像区域,生成样本图像的样本人体特征信息。
在一些实施例中,样本集中的样本还可以包括与样本图像对应的样本脸部特征信息;以及该装置500还可以包括训练单元503,配置用于:将选取的样本的样本图像输入第二初始模型,得到样本的脸部特征信息和人体特征信息;将得到的脸部特征信息与对应的样本脸部特征信息进行分析,确定脸部特征损失值;将得到的人体特征信息与对应的样本人体特征信息进行分析,确定人体特征损失值;根据预设的脸部权重和人体权重,将样本的脸部特征损失值与样本的人体特征损失值的加权结果作为样本的总损失值,以及将样本的总损失值与目标值进行比较;根据比较结果确定第二初始模型是否训练完成;响应于确定第二初始模型训练完成,将第二初始模型作为人脸检测模型。
可选地,预设的脸部权重和人体权重通过以下步骤获得:根据样本脸部位置信息,计算样本图像中脸部区域的像素数;基于计算的像素数和预设脸部像素数,确定样本图像的脸部权重和人体权重。
进一步地,该装置500还可以包括:调整单元504,配置用于响应于确定第二初始模型未训练完成,调整第二初始模型中的相关参数,以及从样本集中重新选取样本,继续执行确定步骤和训练步骤。
可以理解的是,该装置500中记载的诸单元与参考图2-图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参见图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,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,其可以根据存储在只读存储器(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:包括触摸屏、键盘、鼠标、摄像装置等的输入部分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也根据需要连接至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,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,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:一种处理器包括选取单元和确定单元。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,选取单元还可以被描述为“从获取的样本集中选取样本的单元”。
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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:从获取的样本集中选取样本,其中,样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息,样本图像中包括脸部图像和至少部分躯干图像;执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
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 (14)
1.一种用于确定信息的方法,包括:
从获取的样本集中选取样本,其中,所述样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息,样本图像中包括脸部图像和至少部分躯干图像;
执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
2.根据权利要求1所述的方法,其中,所述根据样本脸部位置信息生成至少两个候选人体位置信息,包括:
根据样本脸部位置信息确定样本图像中脸部区域的中心点;
以脸部区域的中心点为中心,逐渐扩大样本脸部位置信息所指示的图像区域,形成至少两个尺寸不同的扩大区域;
将至少两个扩大区域向靠近躯干图像的方向移动预设距离,将移动后的至少两个扩大区域所在的位置作为至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域为包含关系。
3.根据权利要求1或2所述的方法,其中,所述确定步骤还包括:
根据样本图像的样本人体位置信息所指示的图像区域,生成样本图像的样本人体特征信息。
4.根据权利要求3所述的方法,其中,所述样本集中的样本还包括与样本图像对应的样本脸部特征信息;以及
所述方法还包括执行以下训练步骤:
将选取的样本的样本图像输入第二初始模型,得到样本的脸部特征信息和人体特征信息;将得到的脸部特征信息与对应的样本脸部特征信息进行分析,确定脸部特征损失值;将得到的人体特征信息与对应的样本人体特征信息进行分析,确定人体特征损失值;根据预设的脸部权重和人体权重,将样本的脸部特征损失值与样本的人体特征损失值的加权结果作为样本的总损失值,以及将样本的总损失值与目标值进行比较;根据比较结果确定所述第二初始模型是否训练完成;响应于确定所述第二初始模型训练完成,将所述第二初始模型作为人脸检测模型。
5.根据权利要求4所述的方法,其中,所述预设的脸部权重和人体权重通过以下步骤获得:
根据样本脸部位置信息,计算样本图像中脸部区域的像素数;
基于计算的像素数和预设脸部像素数,确定样本图像的脸部权重和人体权重。
6.根据权利要求4或5所述的方法,其中,所述方法还包括:
响应于确定所述第二初始模型未训练完成,调整所述第二初始模型中的相关参数,以及从所述样本集中重新选取样本,继续执行所述确定步骤和所述训练步骤。
7.一种用于确定信息的装置,包括:
选取单元,配置用于从获取的样本集中选取样本,其中,所述样本集中的样本包括样本图像和与样本图像对应的样本脸部位置信息,样本图像中包括脸部图像和至少部分躯干图像;
确定单元,配置用于执行以下确定步骤:将选取的样本输入第一初始模型,根据样本脸部位置信息生成至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域包括脸部图像;分别对至少两个候选人体位置信息所指示的图像区域进行检测,生成对应的预测值;从生成的至少两个预测值中选取预测值,以及将选取的预测值对应的候选人体位置信息确定为样本图像的样本人体位置信息。
8.根据权利要求7所述的装置,其中,所述确定单元进一步配置用于:
根据样本脸部位置信息确定样本图像中脸部区域的中心点;
以脸部区域的中心点为中心,逐渐扩大样本脸部位置信息所指示的图像区域,形成至少两个尺寸不同的扩大区域;
将至少两个扩大区域向靠近躯干图像的方向移动预设距离,将移动后的至少两个扩大区域所在的位置作为至少两个候选人体位置信息,其中,至少两个候选人体位置信息所指示的图像区域为包含关系。
9.根据权利要求7或8所述的装置,其中,所述确定单元还配置用于:
根据样本图像的样本人体位置信息所指示的图像区域,生成样本图像的样本人体特征信息。
10.根据权利要求9所述的装置,其中,所述样本集中的样本还包括与样本图像对应的样本脸部特征信息;以及
所述装置还包括训练单元,配置用于:
将选取的样本的样本图像输入第二初始模型,得到样本的脸部特征信息和人体特征信息;将得到的脸部特征信息与对应的样本脸部特征信息进行分析,确定脸部特征损失值;将得到的人体特征信息与对应的样本人体特征信息进行分析,确定人体特征损失值;根据预设的脸部权重和人体权重,将样本的脸部特征损失值与样本的人体特征损失值的加权结果作为样本的总损失值,以及将样本的总损失值与目标值进行比较;根据比较结果确定所述第二初始模型是否训练完成;响应于确定所述第二初始模型训练完成,将所述第二初始模型作为人脸检测模型。
11.根据权利要求10所述的装置,其中,所述预设的脸部权重和人体权重通过以下步骤获得:
根据样本脸部位置信息,计算样本图像中脸部区域的像素数;
基于计算的像素数和预设脸部像素数,确定样本图像的脸部权重和人体权重。
12.根据权利要求10或11所述的装置,其中,所述装置还包括:
调整单元,配置用于响应于确定所述第二初始模型未训练完成,调整所述第二初始模型中的相关参数,以及从所述样本集中重新选取样本,继续执行所述确定步骤和所述训练步骤。
13.一种电子设备,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1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810306343.9A CN108537165A (zh) | 2018-04-08 | 2018-04-08 | 用于确定信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810306343.9A CN108537165A (zh) | 2018-04-08 | 2018-04-08 | 用于确定信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537165A true CN108537165A (zh) | 2018-09-14 |
Family
ID=63483026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810306343.9A Pending CN108537165A (zh) | 2018-04-08 | 2018-04-08 | 用于确定信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537165A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969045A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种行为检测方法、装置、电子设备和存储介质 |
CN111144215A (zh) * | 2019-11-27 | 2020-05-12 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113542616A (zh) * | 2021-07-09 | 2021-10-22 | 深圳英飞拓智能技术有限公司 | 人脸抓拍的亮度调整方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1508752A (zh) * | 2002-12-13 | 2004-06-30 | 佳能株式会社 | 图像处理方法和装置 |
CN105389801A (zh) * | 2015-10-20 | 2016-03-09 | 厦门美图之家科技有限公司 | 人物轮廓设置方法、人物图像虚化方法、系统及拍摄终端 |
CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
CN106446803A (zh) * | 2016-09-07 | 2017-02-22 | 北京小米移动软件有限公司 | 直播内容识别处理方法、装置及设备 |
CN106845432A (zh) * | 2017-02-07 | 2017-06-13 | 深圳市深网视界科技有限公司 | 一种人脸与人体共同检测的方法和设备 |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互系统及工作方法 |
CN106991688A (zh) * | 2017-03-09 | 2017-07-28 | 广东欧珀移动通信有限公司 | 人体跟踪方法、人体跟踪装置和电子装置 |
CN107145852A (zh) * | 2017-04-28 | 2017-09-08 | 深圳市唯特视科技有限公司 | 一种基于同源余弦损失函数的人物识别方法 |
CN107644208A (zh) * | 2017-09-21 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
-
2018
- 2018-04-08 CN CN201810306343.9A patent/CN108537165A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1508752A (zh) * | 2002-12-13 | 2004-06-30 | 佳能株式会社 | 图像处理方法和装置 |
CN105389801A (zh) * | 2015-10-20 | 2016-03-09 | 厦门美图之家科技有限公司 | 人物轮廓设置方法、人物图像虚化方法、系统及拍摄终端 |
CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
CN106446803A (zh) * | 2016-09-07 | 2017-02-22 | 北京小米移动软件有限公司 | 直播内容识别处理方法、装置及设备 |
CN106845432A (zh) * | 2017-02-07 | 2017-06-13 | 深圳市深网视界科技有限公司 | 一种人脸与人体共同检测的方法和设备 |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互系统及工作方法 |
CN106991688A (zh) * | 2017-03-09 | 2017-07-28 | 广东欧珀移动通信有限公司 | 人体跟踪方法、人体跟踪装置和电子装置 |
CN107145852A (zh) * | 2017-04-28 | 2017-09-08 | 深圳市唯特视科技有限公司 | 一种基于同源余弦损失函数的人物识别方法 |
CN107644208A (zh) * | 2017-09-21 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969045A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种行为检测方法、装置、电子设备和存储介质 |
CN111144215A (zh) * | 2019-11-27 | 2020-05-12 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111144215B (zh) * | 2019-11-27 | 2023-11-24 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113542616A (zh) * | 2021-07-09 | 2021-10-22 | 深圳英飞拓智能技术有限公司 | 人脸抓拍的亮度调整方法、装置、计算机设备及存储介质 |
CN113542616B (zh) * | 2021-07-09 | 2022-08-09 | 深圳英飞拓智能技术有限公司 | 人脸抓拍的亮度调整方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN107578017A (zh) | 用于生成图像的方法和装置 | |
WO2022161286A1 (zh) | 图像检测方法、模型训练方法、设备、介质及程序产品 | |
US20190102603A1 (en) | Method and apparatus for determining image quality | |
CN109859096A (zh) | 图像风格迁移方法、装置、电子设备及存储介质 | |
CN107633218A (zh) | 用于生成图像的方法和装置 | |
CN107590482A (zh) | 信息生成方法和装置 | |
CN107491771A (zh) | 人脸检测方法和装置 | |
CN110210393A (zh) | 人脸图像的检测方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108764091A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN107590807A (zh) | 用于检测图像质量的方法和装置 | |
CN107919129A (zh) | 用于控制页面的方法和装置 | |
CN107609506A (zh) | 用于生成图像的方法和装置 | |
CN109087238A (zh) | 图像处理方法和装置、电子设备以及计算机可读存储介质 | |
CN107578034A (zh) | 信息生成方法和装置 | |
CN108280413A (zh) | 人脸识别方法和装置 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN107220652A (zh) | 用于处理图片的方法和装置 | |
CN107392189A (zh) | 用于确定无人车的驾驶行为的方法和装置 | |
CN109472264A (zh) | 用于生成物体检测模型的方法和装置 | |
CN108509892A (zh) | 用于生成近红外图像的方法和装置 | |
CN108537165A (zh) | 用于确定信息的方法和装置 | |
CN109242043A (zh) | 用于生成信息预测模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
RJ01 | Rejection of invention patent application after publication |