CN109165592B - 一种基于pico算法的实时可旋转的人脸检测方法 - Google Patents
一种基于pico算法的实时可旋转的人脸检测方法 Download PDFInfo
- Publication number
- CN109165592B CN109165592B CN201810936179.XA CN201810936179A CN109165592B CN 109165592 B CN109165592 B CN 109165592B CN 201810936179 A CN201810936179 A CN 201810936179A CN 109165592 B CN109165592 B CN 109165592B
- Authority
- CN
- China
- Prior art keywords
- face
- detection
- algorithm
- classifier
- pico
- 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.)
- Active
Links
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于PICO算法的实时可旋转的人脸检测方法及装置,所述方法利用对肤色的检测,使用肤色检测结果缩小人脸检测区域,进而选取图像的皮肤像素;基于皮肤像素进行肤色检测,确定人脸区域。本发明的方法加快了人脸检测算法的运算速度,有效提高了对人脸检测的精确度和效率。
Description
技术领域
本发明涉及信息处理技术领域,更具体地,涉及一种实时可旋转的人脸检测方法。
背景技术
人脸检测是人脸身份识别、性别识别、以及年龄分类等信息识别的一个关键技术。目前,国内外有很多学者和研究机构对人脸检测问题进行了深入的研究,其中国外比较著名的机构有MIT、CMU、USC等,国内有清华大学、亚洲微软研究院、中科院计算机技术研究所等。人脸检测技术不管在理论研究还是实际应用都具备重要研究意义。
近几年,随着深度学习的发生,人脸检测技术在检测率和检测精确度上有了迅猛的发展。PICO(Pixel Intensity Comparison-based Object detection)是一种基于像素强度比较的目标检测算法,其本质是对Viola-Jones检测器的优化处理,该算法最大的优点是检测速度极快,能够保证其在视频端进行实时的人脸检测,并且其检测的准确率也相对较高。但是由于人脸检测问题的复杂性,深度学习的应用虽然提高了人脸检测的检测率和检测精确度,但是同时也增加了算法的复杂程度,对人脸检测的计算效率下降,如何有效提高对人脸检测的精确度和效率是面临的难题。更进一步,以目前的情况来看,在普通的PC平台下还很难达到实时检测的要求,更不用说是在配置相对更低的嵌入式平台上。因此,如何实现高效的人脸检测算法,是亟需解决的问题。
发明内容
有鉴于此,本发明实施例期望提供一种基于PICO算法的实时可旋转的人脸检测方法及装置,以加快算法的运算速度,提高对人脸检测的精确度和效率。
为达到上述目的,本发明的技术方案实现如下:
本发明提供一种基于PICO算法的实时可旋转的人脸检测方法,其特征在于:
利用对肤色的检测,使用肤色检测结果缩小人脸检测区域,具体包括:
选取图像的皮肤像素;
基于皮肤像素进行肤色检测;具体地,所述肤色检测包括将待检测图像转换到YUV色彩空间下,对每个像素的U、V值进行判定,以确定所述像素是否属于皮肤区域;
确定人脸区域。
优选地,在所述对每个像素的U,V值进行判定后还包括对人脸检测进行滑框检测的步骤,具体为:判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若满足阈值则进入分类器检测判断是否为人脸,否则,该目标框为非人脸。
优选地,所述检测方法应用于嵌入式系统,且将PICO算法中的浮点数据全部转化成定点数。
优选地,将人脸分类器转化为极坐标体系,具体包括在分类训练时采用极坐标体系,当需要加入旋转时,传入旋转的角度参数,对分类器的数据进行旋转。
优选地,所述分类训练的步骤包括:
步骤1:取不同光照场景下、不同年龄、不同性别等人脸作为正样本,负样本不包含人脸的图像。
步骤2:将上述样本大小统一缩到20*20像素,并进行高斯滤波处理;
步骤3:按照PICO算法原理,采用极坐标体系的提取图像特征,并训练分类器。
步骤4:得到人脸分类器模型。
同时,本发明还提供一种基于PICO算法的实时可旋转的人脸检测装置,其特征在于:
所述装置利用对肤色的检测,使用肤色检测结果缩小人脸检测区域,具体包括:
选取装置,用于选取图像的皮肤像素;
肤色检测装置,用于基于皮肤像素进行肤色检测;具体地,所述肤色检测包括将待检测图像转换到YUV色彩空间下,对每个像素的U、V值进行判定,以确定所述像素是否属于皮肤区域;
确定装置,用于确定人脸区域。
优选地,还包括滑框检测装置,用于对人脸检测进行滑框检测,判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若满足阈值则进入分类器检测判断是否为人脸,否则,该目标框为非人脸。
优选地,所述检测装置法应用于嵌入式系统,还包数据括转化装置,用于将PICO算法中的浮点数据全部转化成定点数。
优选地,还包括坐标转化装置,用于将人脸分类器转化为极坐标体系,在分类训练时采用极坐标体系,当需要加入旋转时,传入旋转的角度参数,对分类器的数据进行旋转。
优选地,所述分类训练的过程具体包括:
步骤1:取不同光照场景下、不同年龄、不同性别等人脸作为正样本,负样本不包含人脸的图像。
步骤2:将上述样本大小统一缩到20*20像素,并进行高斯滤波处理;
步骤3:按照PICO算法原理,采用极坐标体系的提取图像特征,并训练分类器。
步骤4:得到人脸分类器模型。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述人脸检测方法。
本发明还提供了一种人脸识别嵌入式系统,包括上述人脸检测装置。
本发明提出的一种基于PICO算法的实时可旋转的人脸检测方法,通过加入肤色检测,并使用肤色检测结果缩小人脸检测区域,有效提高了对人脸检测的精确度和效率。进一步算法通过数据定点化处理,加快了算法的运算速度,同时针对人脸发生较大旋转时检测困难的问题,训练分类器时,采用极坐标体系,当算法需要检测旋转角度人脸时,只需要传入一个旋转角度参数即可支持较大旋转的人脸检测,无需对图像进行旋转等处理,特别适合应用于嵌入式平台下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的一种基于PICO算法的实时可旋转的人脸检测方法流程图。
图2为本发明实施例所述的另一种人脸检测方法流程图。
图3为本发明实施例所述的一种基于PICO算法的实时可旋转的人脸检测装置。
具体实施方式
以下结合说明书附图及具体实施例对本发明的技术方案进行清楚、完整地描述。
实施例一:
PICO(Pixel Intensity Comparison-based Object detection)是一种基于像素强度比较的目标检测算法,其本质是对Viola-Jones检测器的优化处理,该算法最大的优点是检测速度极快,能够保证其在视频端进行实时的人脸检测,并且其检测的准确率也相对较高。PICO检测人脸的整体思想是:
(1)首先在图像内选取一定大小区域的窗口(例如24*24像素块大小),作为图像检测的原始大小,通过将窗口不断的进行放大和移动操作(从左向右从上往下),实现对整个输入图像的遍历。
(2)对于遍历的每一个窗口进行分类判别,判断窗口所在区域是否为人脸区域。其判断的准则,就是基于决策树的分类算法。
(3)将所有判断为人脸的窗口进行聚类。例如,当两个窗口的交集面积与并集面积的比值大于0.3时,则认为这两个窗口检测的是同一个人脸,其输出的最终人脸坐标和大小取两个窗口位置和大小的均值,并且将其置信度进行累加。
由于PICO算法是公知的算法,因此在此不再赘述。
本发明基于PICO算法,提出了一种基于PICO算法的实时可旋转的人脸检测方法,加入肤色检测,并使用肤色检测结果缩小人脸检测区域,有效提高了对人脸检测的精确度和效率。
参照附图1,本发明的基于PICO算法的实时可旋转的人脸检测方法的技术方案实现流程如下:
基于PICO算法,加入肤色检测方法,利用对肤色的检测,使用肤色检测结果缩小人脸检测区域,具体包括:
步骤S1,选取图像的皮肤像素;
步骤S2,基于皮肤像素进行肤色检测;
步骤S3,确定人脸区域。
具体地,肤色检测是指在图像中选取对应于人体皮肤像素的过程。有学者研究发现,将图像转换到YUV色彩空间后,人的皮肤的色彩值U和V的分布在某一个特定的区间内,与Y值无关,因此利用这个特性,本发明将待检测图像转换到YUV色彩空间下,对每个像素的U,V值进行判定,若满足肤色区域标记为1,否则标记为0,进而确定人脸区域。其中,“Y”表示明亮度(Luminance、Luma),“U”和“V”则是色度、浓度(Chrominance、Chroma)。
进一步,采用滑框检测方法,当人脸检测进行滑框检测时,首先判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若不满足,则直接可以判定为非人脸,无需经过人脸检测器,若满足,则再使用人脸检测器判定。
根据实施例一所述的基于PICO算法的实时可旋转的人脸检测方法,加入肤色检测,并使用肤色检测结果缩小人脸检测区域,将待检测图像转换到YUV色彩空间下,对每个像素的U,V值进行判定,进一步采用滑框检测方法,有效提高了对人脸检测的精确度和效率。
参考附图2,其示出了另一种更详细的基于PICO算法的实时可旋转的人脸检测方法,所述方法包括:
步骤1:读取图像信息
步骤2:将图像转换成YUV色彩空间
步骤3:采用滑框的方法,进行扫描图像
步骤4:判断目标框中的肤色区域是否满足阈值,若满足阈值则进入分类器检测判断是否为人脸,否则,该目标框为非人脸。
步骤5:对所有人脸框进行合并处理。
步骤6:判断图像是否有人脸图像,若有,则输出人脸的位置信息。
为了使本发明的技术方案更加清楚完整,以下通过实施例二和实施例三分别对本发明的基于PICO算法的实时可旋转的人脸检测方法在嵌入式系统环境下的进一步应用和如何精确实时可旋转的人脸检测进行说明。
实施例二:
本实施例提供一种基于PICO算法的实时可旋转的人脸检测方法,在实施例一的基础上,将所述检测方法应用于嵌入式系统,其中,为了提高嵌入式系统的计算效率,将PICO算法中的浮点数据全部转化成定点数。
实施例一如上描述,在此不再赘述。
其中具体的,采用数据定点化处理方法,包括:定点化是指将浮点数据使用定点数来表示,定点数的小数位是固定的。使用数据定点化处理的原因是在嵌入式平台自身的硬件条件的限制,在数据处理上,浮点运算的复杂度要远远大于定点运算。所以将算法中的浮点数据全部转化成定点数之后,算法的运算速度可以有很大的提升,当然数据的精度也会存在一定程度的损失。
实施例三:
本实施例提供一种基于PICO算法的实时可旋转的人脸检测方法,在实施例一、二的基础上,为了精确地进行实时可旋转的人脸检测,将人脸分类器转化为极坐标体系。
具体地,由于大部分人脸检测器对人脸平面旋转角度都有一定的要求,例如有的算法只能检测平面旋转角度左右小于15度的人脸,就算当前最好的算法在旋转角度很大时也很难检测到,而如果必须需要检查这些目标时,通常做法是将图像进行旋转,但是在嵌入式平台上做图像的旋转式十分耗时的,而且旋转图像的同时图像的数据也发生了变换,容易对后面的处理产生影响。因此为了解决这一问题,本发明训练分类器时采用极坐标体系,当需要加入旋转时,只需要传入一个旋转的角度参数,对分类器的数据进行旋转即可,节省了大量的时间,同时图像的数据也没有改变。
具体的操作流程如下:
训练过程:
步骤1:取不同光照场景下、不同年龄、不同性别等人脸作为正样本,负样本不包含人脸的图像。
步骤2:将上述样本大小归一化到20*20像素,并进行高斯滤波处理;
步骤3:按照PICO算法原理,采用极坐标体系提取图像特征,并训练分类器。
步骤4:得到人脸分类器模型。
通过实施例一、二、三可知,本发明提出的一种基于PICO算法的实时可旋转的人脸检测方法,算法通过加入肤色过滤方法,有效提高了对人脸检测的精确度和效率。进一步,算法通过数据定点化处理,加快了算法的运算速度,同时针对人脸发生较大旋转时检测困难的问题,训练分类器时,采用极坐标体系,当算法需要检测旋转角度人脸时,只需要传入一个旋转角度参数即可支持较大旋转的人脸检测,无需对图像进行旋转等处理。该方法特别适合应用于嵌入式平台下。
实施例四:
根据本发明的又一实施例,提出了一种基于PICO算法的实时可旋转的人脸检测装置,所述装置在人脸检测过程中加入肤色检测,并使用肤色检测结果缩小人脸检测区域,有效提高了对人脸检测的精确度和效率。
参照附图3,本发明的基于PICO算法的实时可旋转的人脸检测装置利用对肤色的检测,使用肤色检测结果缩小人脸检测区域,所述装置包括:
选取装置,用于选取图像的皮肤像素;
肤色检测装置,用于基于皮肤像素进行肤色检测;
确定装置,用于确定人脸区域。
具体地,肤色检测是指在图像中选取对应于人体皮肤像素的过程。所述肤色检测装置将图像转换到YUV色彩空间后,人的皮肤的色彩值U和V的分布在某一个特定的区间内,与Y值无关,因此利用这个特性,本发明将待检测图像转换到YUV色彩空间下,对每个像素的U,V值进行判定,若满足肤色区域标记为1,否则标记为0,进而确定人脸区域。
进一步,所述装置还包括滑框检测装置,其采用滑框检测方法,当人脸检测进行滑框检测时,首先判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若不满足,则直接可以判定为非人脸,无需经过人脸检测器,若满足,则再使用人脸检测器判定。
根据上述实施例所述的基于PICO算法的实时可旋转的人脸检测装置,其通过加入肤色检测,使用肤色检测结果缩小人脸检测区域,将待检测图像转换到YUV色彩空间下,对每个像素的U,V值进行判定,进一步采用滑框检测方法,有效提高了对人脸检测的精确度和效率。
更具体地,本发明提出了另一种基于PICO算法的实时可旋转的人脸检测装置,所述装置包括:
选取装置,用于读取图像信息;
肤色检测装置,将图像转换成YUV色彩空间,对每个像素的U,V值进行判定;
滑框检测装置,用于对人脸检测进行滑框检测,判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若满足阈值则进入分类器检测判断是否为人脸,否则,该目标框为非人脸。
为了使本发明的人脸检测装置更加清楚完整,以下对本发明的基于PICO算法的实时可旋转的人脸检测装置在嵌入式系统环境下的进一步应用和如何精确实时可旋转的人脸检测进行说明。
根据本发明的一实施方式,提供一种基于PICO算法的实时可旋转的人脸检测装置,在实施例四的基础上,将所述检测装置应用于嵌入式系统,且将PICO算法中的浮点数据全部转化成定点数。
实施例四如上描述,在此不再赘述。
具体的,且采用数据定点化处理方法,将算法中的浮点数据全部转化成定点数之后,算法的运算速度可以有很大的提升,当然数据的精度也会存在一定程度的损失。
根据本发明的又一实施方式,本发明更具体地提供一种基于PICO算法的实时可旋转的人脸检测装置,在上述人脸检测装置的基础上,为了进行精确实时可旋转的人脸检测,所述装置进一步包括坐标转化装置,用于将人脸分类器转化为极坐标体系,在分类训练时采用极坐标体系。
具体地,由于大部分人脸检测器对人脸平面旋转角度都有一定的要求,但是在嵌入式平台上做图像的旋转式十分耗时的,而且旋转图像的同时图像的数据也发生了变换,容易对后面的处理产生影响。因此为了解决这一问题,本发明训练分类器时采用极坐标体系,当需要加入旋转时,只需要传入一个旋转的角度参数,对分类器的数据进行旋转即可,节省了大量的时间,同时图像的数据也没有改变。
具体的所述的分类器训练采用如下流程:
步骤1:取不同光照场景下、不同年龄、不同性别等人脸作为正样本,负样本不包含人脸的图像。
步骤2:将上述样本大小统一缩到20*20像素,并进行高斯滤波处理;
步骤3:按照PICO算法原理,采用极坐标体系提取图像特征,并训练分类器。
步骤4:得到人脸分类器模型。
通过上述实施例,本发明提出的一种基于PICO算法的实时可旋转的人脸检测装置,通过加入肤色过滤方法,有效提高了对人脸检测的精确度和效率。进一步,所述装置通过数据定点化处理,加快了算法的运算速度,同时针对人脸发生较大旋转时检测困难的问题,训练分类器时,采用极坐标体系,当算法需要检测旋转角度人脸时,只需要传入一个旋转角度参数即可支持较大旋转的人脸检测,无需对图像进行旋转等处理。所述装置能够适用于嵌入式平台下。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
以上仅是对本发明方法的具体步骤和装置的具体功能模块的举例说明,对本发明的保护范围不构成任何限制,其可扩展应用于任何智能设备中,凡采用等同变换或者等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (6)
1.一种基于PICO算法的实时可旋转的人脸检测方法,其特征在于:
选取图像的皮肤像素;
基于皮肤像素进行肤色检测;其中,所述肤色检测包括将待检测图像转换到YUV色彩空间下,对每个像素的U、V值进行判定,以确定该像素是否属于皮肤像素;
基于肤色检测结果确定人脸区域;
在所述对每个像素的U、V值进行判定后还包括对人脸进行滑框检测的步骤,具体为:
判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若满足阈值则进入分类器检测判断是否为人脸,否则,该目标框为非人脸;其中,训练分类器时采用极坐标体系,当需要加入旋转时,传入旋转的角度参数,对分类器的数据进行旋转;
所述分类器训练的步骤包括:
步骤1:取不同光照场景下、不同年龄、不同性别的人脸作为正样本,选取不包含人脸的图像作为负样本;
步骤2:将上述样本大小进行归一化,并进行高斯滤波处理;
步骤3:按照PICO算法原理,采用极坐标体系提取图像特征,并训练分类器;
步骤4:得到人脸分类器模型。
2.如权利要求1所述的人脸检测方法,其特征在于:
所述检测方法应用于嵌入式系统,且将PICO算法中的浮点数据全部转化成定点数。
3.一种基于PICO算法的实时可旋转的人脸检测装置,其特征在于,所述装置包括:
选取装置,用于选取图像的皮肤像素;
肤色检测装置,用于基于皮肤像素进行肤色检测;其中,所述肤色检测装置将待检测图像转换到YUV色彩空间下,对每个像素的U、V值进行判定,以确定该像素是否属于皮肤像素;
确定装置,用于基于肤色检测结果确定人脸区域;
还包括滑框检测装置,用于对人脸检测进行滑框检测,判定在目标框区域内的肤色区域的比例是否满足设定的阈值,若满足阈值则进入分类器检测判断是否为人脸,否则,该目标框为非人脸;
还包括坐标转化装置,用于将人脸分类器转化为极坐标体系,在分类训练时采用极坐标体系,当需要加入旋转时,传入旋转的角度参数,对分类器的数据进行旋转;
所述分类器训练的步骤包括:
步骤1:取不同光照场景下、不同年龄、不同性别的人脸作为正样本,选取不包含人脸的图像作为负样本;
步骤2:将上述样本大小进行归一化,并进行高斯滤波处理;
步骤3:按照PICO算法原理,采用极坐标体系提取图像特征,并训练分类器;
步骤4:得到人脸分类器模型。
4.如权利要求3所述的人脸检测装置,其特征在于:
还包括数据转化装置,用于将PICO算法中的浮点数据转化成定点数。
5.一种计算机可读存储介质,其特征在于:
所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-2任一所述的方法步骤。
6.一种用于人脸识别的嵌入式系统,其特征在于:
包括权利要求3-4任一所述的人脸检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810936179.XA CN109165592B (zh) | 2018-08-16 | 2018-08-16 | 一种基于pico算法的实时可旋转的人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810936179.XA CN109165592B (zh) | 2018-08-16 | 2018-08-16 | 一种基于pico算法的实时可旋转的人脸检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165592A CN109165592A (zh) | 2019-01-08 |
CN109165592B true CN109165592B (zh) | 2021-07-27 |
Family
ID=64896026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810936179.XA Active CN109165592B (zh) | 2018-08-16 | 2018-08-16 | 一种基于pico算法的实时可旋转的人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165592B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188640B (zh) * | 2019-05-20 | 2022-02-25 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、服务器和计算机可读介质 |
CN112101063A (zh) * | 2019-06-17 | 2020-12-18 | 福建天晴数码有限公司 | 歪斜人脸检测方法及计算机可读存储介质 |
CN111160169B (zh) * | 2019-12-18 | 2024-03-15 | 中国平安人寿保险股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1502303A (zh) * | 2002-11-26 | 2004-06-09 | 中国科学院计算技术研究所 | 基于辐射模板的旋转人脸检测方法 |
CN101344922A (zh) * | 2008-08-27 | 2009-01-14 | 华为技术有限公司 | 一种人脸检测方法及其装置 |
CN108319908A (zh) * | 2018-01-26 | 2018-07-24 | 华中科技大学 | 一种基于像素级差分特征的非受限环境人脸检测方法 |
-
2018
- 2018-08-16 CN CN201810936179.XA patent/CN109165592B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1502303A (zh) * | 2002-11-26 | 2004-06-09 | 中国科学院计算技术研究所 | 基于辐射模板的旋转人脸检测方法 |
CN101344922A (zh) * | 2008-08-27 | 2009-01-14 | 华为技术有限公司 | 一种人脸检测方法及其装置 |
CN108319908A (zh) * | 2018-01-26 | 2018-07-24 | 华中科技大学 | 一种基于像素级差分特征的非受限环境人脸检测方法 |
Non-Patent Citations (1)
Title |
---|
基于OpenCV的人脸识别系统研究;宋西来;《中国优秀硕士学位论文全文数据库》;20180315;第2-3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN109165592A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Multi-class weather classification on single images | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
WO2019114036A1 (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN109165592B (zh) | 一种基于pico算法的实时可旋转的人脸检测方法 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
CN111582182B (zh) | 船舶名称识别方法、系统、计算机设备及存储介质 | |
Huang et al. | Text detection and recognition in natural scene images | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN112347805A (zh) | 一种多目标二维码检测识别方法、系统、装置及存储介质 | |
CN111401308A (zh) | 一种基于光流效应的鱼类行为视频识别方法 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN108563997B (zh) | 一种建立人脸检测模型、人脸识别的方法和装置 | |
Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN114758139B (zh) | 基坑积水检测方法 | |
Li et al. | Real-time traffic sign detection algorithm based on dynamic threshold segmentation and SVM | |
CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 | |
Chen et al. | Improved yolov3 algorithm for ship target detection | |
Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
CN111583341B (zh) | 云台像机移位检测方法 |
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 |