CN109376713A - 一种嵌入式人脸检测设备 - Google Patents

一种嵌入式人脸检测设备 Download PDF

Info

Publication number
CN109376713A
CN109376713A CN201811513550.8A CN201811513550A CN109376713A CN 109376713 A CN109376713 A CN 109376713A CN 201811513550 A CN201811513550 A CN 201811513550A CN 109376713 A CN109376713 A CN 109376713A
Authority
CN
China
Prior art keywords
face
frame
human
rpn
human 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
Application number
CN201811513550.8A
Other languages
English (en)
Inventor
吴立新
瞿关明
路大为
朱健立
孙晓
于宏志
王楷华
王琳琛
徐瑞伟
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.)
Headquarters Of Image Investigation And Technical Prevention Supervision Of Tianjin Public Security Bureau
Tiandi Weiye Technology Co Ltd
Original Assignee
Headquarters Of Image Investigation And Technical Prevention Supervision Of Tianjin Public Security Bureau
Tiandi Weiye 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 Headquarters Of Image Investigation And Technical Prevention Supervision Of Tianjin Public Security Bureau, Tiandi Weiye Technology Co Ltd filed Critical Headquarters Of Image Investigation And Technical Prevention Supervision Of Tianjin Public Security Bureau
Priority to CN201811513550.8A priority Critical patent/CN109376713A/zh
Publication of CN109376713A publication Critical patent/CN109376713A/zh
Pending legal-status Critical Current

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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

人脸识别已步入实用阶段，成为安防监控行业不可或缺的组成部分，在多个领域和世界各个角落发挥着巨大作用。人脸检测则是人脸识别前的必要工序，为人脸识别提供准确、全面的人脸信息和数据。本发明提出一种嵌入式人脸检测设备，所述人脸检测设备采用轻量级CNN框架，所述CNN框架包括人脸检测单元和人脸对比单元，所述人脸检测单元采用RPN、RNet和FNet三者级联的方式进行人脸检测，检测帧图像依次经过RPN、RNet和FNet后，得到人脸特征点和人脸质量，对人脸检测单元训练时，RPN接受的输入包括检测帧图像和经Data层增强的图像数据，RPN的输出包括经Targe层中损失函数处理得到后的候选框位置。

Description

一种嵌入式人脸检测设备
技术领域
本发明属于人脸检测领域，尤其是一种嵌入式人脸检测设备。
背景技术
人脸识别已步入实用阶段，成为安防监控行业不可或缺的组成部分，在多个领域和世界各个角落发挥着巨大作用。人脸检测则是人脸识别前的必要工序，为人脸识别提供准确、全面的人脸信息和数据，是保证人脸识别正确性、高效性、实时性的前提。然而，在当今的安防行业，绝大多数人脸识别系统的前序检测体系或多或少的存在以下问题：无法检测侧脸或遮挡人脸并给出详细的人脸质量，当应用在公安系统中时，犯罪分子在监控画面中的侧脸或伪装后的面部可能成为破案的重要依据；在低性能ARM芯片上性能差，这使得抓拍系统必须配备高性能芯片从而大幅抬高整体成本，并且低端产品无法很好地走入市场和千家万户；单帧检出率较低、重复抓拍率较高、实时性差，由于研究进展与技术能力的限制，很多抓拍系统的指标无法满足复杂状况的需求，尤其在人流量较大的公共场所可能不具备实时性。
发明内容
基于此，本发明提出一种嵌入式人脸检测方法，采用的技术方案如下：
一种嵌入式人脸检测方法，所述一种嵌入式人脸检测方法基于轻量级CNN框架，所述轻量级CNN框架包括人脸检测单元和人脸对比单元，所述人脸检测单元采用RPN、RNet和FNet三者级联的方式进行人脸检测，检测帧图像依次经过RPN、RNet和FNet后，得到人脸特征点和人脸质量，对人脸检测单元训练时，RPN接受的输入包括检测帧图像和经Data层增强的图像数据，RPN的输出包括经Targe层中损失函数处理得到后的候选框位置。
进一步的，采用非极大值抑制算法过滤重叠候选框。
进一步的，FNet采用IOU匹配算法最大程度保证效率。
进一步的，RPN为RegionBasedProposalNet，用于从相机所截取的帧图中获得初步的疑似人脸候选框，RNet为RefineNet，以最小的时间代价过滤误检，分类提纯候选框，FNet为FeatureNet，进一步精确筛选候选框，并最终生成特征点和人脸属性。
进一步的，RPN的输入为240×432或200×360的YUV彩色图片，基于全ShuffleNetUnit架构设计，参数规模为x0.25。
进一步的，所述损失函数经过ArcFaceLoss、CosineFaceLoss和EuclideanLoss三者加权得到，采用的公式为：
损失函数＝ArcFaceLoss*0.45+CosineFaceLoss*0.3+EuclideanLoss*0.25。
进一步的，人脸对比单元包括人脸对比网络，人脸对比网络基于小深度和维度的CNN构建，人脸对比网络用于输出人脸对比置信值。
进一步的，所述轻量级CNN框架包括模型转换工具，所述模型转换工具用于将深度学习框架产生的模型转换为所述轻量级CNN框架可读取的模型结构。
进一步的，所述轻量级CNN框架还包括测试工具，使用所述测试工具进行效率测试时，测试工具向指定的网络或模型输入一个数值随机的矩阵，在网络或者模型前向计算的过程中，记录网络或模型中每个层完成计算的耗时和featuremap的大小。
进一步的，Data层进行的图像增强包括洗牌、翻转、裁剪、增加随机亮度、随机噪声和PCA微扰。
进一步的，训练人脸检测单元时包括困难样本挖掘：在若干次训练迭代后，选出被错误分类的样本进行再训练。
进一步的，所述轻量级CNN框架无训练模型的功能，只用于部署。
进一步的，所述轻量级CNN中的卷积层、激活层、池化层、Shuffle层等在人脸检测中会反复使用的层进行了汇编优化。
与现有技术相比，本发明的有益效果在于：
1.模型在训练时使用较传统方法更丰富的复杂场景采集的数据集，并且由于其自身为级联方法，故对困难人脸的筛选能力更强，对每个候选人脸都有更多次机会进行快速甄别，侧脸检出率高，中度遮挡、戴帽子、口罩、眼镜人脸检出率高，在人脸质量环节会给出相应分数，使得检测不遗漏而又不会浪费后端识别资源。
2.人脸检测中的CNN框架使用C++和内嵌汇编语言进行实现，在低性能ARM芯片上高效工作，可应对高人流量场景和各种复杂情况，保证了实时性。
3.CNN框架包括模型转换工具，所述模型转换工具用于将Caffe、Tensorflow、MXNet等主流深度学习框架产生的模型转换为所述CNN框架可识别的模型结构，有很好的兼容性。
本发明的另一目的在于提出一种嵌入式人脸检测设备，采用的技术方案如下：
一种嵌入式人脸检测设备，人脸检测设备外壳的截面为圆角矩形，外壳的周向设有滑轨，与滑轨配合的滑轮组件包括两个滑轮，滑轮通过转轴连接在连杆上，连杆主体为圆柱体，安装滑轮的一端为立方体，连杆主体上设有套环，用于固定滑轮组件，连杆上还设有两个夹持部，连杆与夹持部相连的一端设有矩形凹槽。
进一步的，人脸检测设备上设有两个滑轮组件。
进一步的，夹持部为空心圆柱体，夹持部的外部设有柔性保护套。
进一步的，夹持部内为正六边形通孔。
进一步的，人脸检测设备上还设有手柄，手柄与镜头的位置相对，手柄旋接在外壳上。
进一步的，镜头的两侧设有VCSEL补光灯。
进一步的，人脸检测设备还包括安装支架，安装支架的安装板上设有两个弧形孔。
进一步的，镜头中采用芯片的型号为IMX327,人脸检测设备中的控制芯片采用的型号为Hi3519，两个芯片上与视频信号处理相关的引脚通过连接器相连。
进一步的，控制器芯片中含有上述轻量级CNN框架，用于人脸检测和人脸对比。
与现有技术相比，本发明的有益效果在于：
1.人脸检测设备外壳的周向设有滑轨，人脸检测设备还包括与滑轨配合的滑轮组件，滑轮组件包括两个滑轮，滑轮通过转轴连接在连杆上，连杆为圆柱体，连杆上设有套环，用于固定滑轮组件，连杆上还设有两个夹持部，连杆与夹持部相连的一端设有矩形凹槽。滑轮组件可以在滑轨上滑动，当滑轮组件位于镜头下方时，人脸检测设备上可放置在液晶显示屏上；当滑轮组件位于镜头上方时，可以通过夹持部上的通孔将检测设备安装在安装支架上，通过安装支架上的弧形孔可以调整检测设备的位置。
2.镜头的两侧设有VCSEL补光灯，光源光强分布均匀，并能提高能效，可以大幅度的节约能源；可提高人脸检测设备的稳定性。
附图说明
图1是人脸检测系统结构示意图；
图2是实施例中轻型CNN框架结构示意图；
图3是RCascadedFace体系结构示意图；
图4是实施例中RPN结构示意图；
图5是实施例中RNet结构示意图；
图6是实施例中FNet结构示意图；
图7是实施例中LightIDNet结构示意图；
图8是人脸检测流程图；
图9是人脸检测设备整体结构正视图；
图10是人脸检测设备整体结构后视图；
图11是滑轮组件结构示意图；
图12是安装支架侧视图；
图13是ARM芯片视频信号相关引脚；
图14是sensor芯片引脚图；
图15是sensor芯片引脚图放大图第一部分；
图16是sensor芯片引脚图放大图第二部分；
图17是sensor芯片引脚图放大图第三部分；
图18是sensor芯片引脚图放大图第四部分；
图19是连接器示意图。
附图标记说明：
外壳-1，镜头-2，VCSEL补光灯-3，滑轨-4，滑轮-5，转轴-6，连杆-7，套环-8，夹持部-9，通孔-91，支架-10，手柄-11，矩形凹槽-12，安装支架-13，弧形孔-14。
具体实施方式
本实施例中提出的人脸检测方法，如图2所示，人脸检测设备中的检测单元基于轻量级CNN实现，包括专用于嵌入式平台部署的卷积神经网络前向计算模块LightIDNet；包括轻量级网络单元、快速卷积算法与并行计算单元的RCascadedFace体系；Caffe、Tensorflow、MXNet等框架输出模型向重构的CNN转换的工具。其中嵌入式平台为arm neon，基于arm neon设计的轻量级CNN框架专注于检测时的前向运算，所述CNN框架本身不具有模型训练的功能，检测时需要的模型借由现有的主流CNN框架训练，训练好后经转换工具导入到所述CNN框架中。
如图3所示，人脸检测单元采用RPN+RNet+FNet的级联RCascadedFace体系，向外输出检测矩形框坐标、22个人脸特征点以及人脸质量，RCascadedFace体系还包括RCascadedData/Target层，Data/Target层用于对每个级联网络的输入和输出目标进行操作，其中，Data层的功能包括数据增强，Target层中包含多种损失函数的加权组合计算。人脸比对单元采用LightIDNet用于对所有人脸进行再编号与特征向量更新，LightIDNet运用极小深度和维度的CNN，在前向计算中输出比对置信值，结合精调的阈值给出同一认定。在训练人脸检测单元和人脸对比单元时使用的损失函数为ArcFaceLoss、CosineFaceLoss和EucilidianLoss的线性加权组合，采用的公式为：损失函数＝ArcFaceLoss*0.45+CosineFaceLoss*0.3+EuclideanLoss*0.25。
图4至图7是RPN、RNet、FNet和LightIDNet的结构示意图，如图8所示，本实施例中，人脸检测方法包括步骤：
步骤1：循环进行视频采集，将摄像机采集的1920x1080分辨率的图像数据送入芯片，做光照补偿、对比度增强、降噪等图像预处理；
步骤2：每隔指定的帧数进行一次人脸检测，将指定帧图像缩放为240×432或者200×360的图像，将缩放后的图像送入RPN，经过RPN后依据所得的候选框位置从原图进行抠图，再缩放为24×24的灰度图像，送入RNet，经过RNet后，依据所得的候选框位置从原图进行抠图，再处理为48×48的灰度图像，送入FNet，经过FNet后可得到检测框位置、22个人脸特征点、人脸角度、清晰度等信息，由此计算出人脸质量；
在非检测帧，使用人脸跟踪算法对之前检测获得的检测框位置进行跟踪，并同时计算人脸质量。跟踪时使用IOU匹配算法，把上一帧中各个人脸候选框回归至这一帧的对应位置，跟踪过程使用了级联网络中的子网络FNet进行回归，上一帧所包含的所有候选框经过FNet时不需要额外计算；
步骤3：在又一次检测帧到来时，从检测框对应的人脸中提取特征向量，同时从人脸轨迹中人脸质量最高的轨迹框或上一检测框对应的人脸中也提取特征向量，将两组特征向量输入人脸比对算法进行同一认定，若特征向量认定为成对向量，则用二者中较高质量人脸的特征向量进行更新；若有特征向量被认定为新出现人脸，则新建ID并保存特征向量，然后等待新的采集输入。
步骤4：当采集终止时，将保存的ID，和ID对应的人脸图像、人脸特征向量和人脸质量等信息传回至后端以供人脸识别使用。
如图9至图12所示，本实施例中，人脸检测设备包括外壳1，外壳1的截面为圆角矩形，外壳1的周向设有滑轨4，人脸检测设备还包括与滑轨4配合的滑轮组件，滑轮组件包括两个滑轮5，滑轮5通过转轴6连接在连杆7上，连杆7为圆柱体，连杆7上设有套环8，连杆上还设有两个夹持部9，连杆7与夹持部9相连的一端设有矩形凹槽12。人脸检测设备上还设有手柄11，手柄11与镜头2的位置相对，手柄11旋接在外壳1上。镜头2的两侧设有VCSEL补光灯3。
夹持部9为空心圆柱体，夹持部9的外部设有柔性保护套，其中夹持部9内为正六边形的通孔91。
使用时，首先确定人脸检测设备的使用场景，当需将人脸检测设备放置在液晶显示屏上时，取下手柄11，将滑轮组件滑至镜头2下方，并通过套环8固定，然后可放置在显示屏上；当滑轮组件滑至镜头2下方时，也可以将人脸检测设备放置在支架10上，此时将手柄11安装在检测设备上，便于拿起检测设备进行人脸识别。
当需将人脸检测设备安装在屋顶等高处或用于户外场景时，将滑轮组件滑至镜头2上方，并通过套环8固定，通过夹持部9上的通孔91将检测设备安装在安装支架13上，通过安装支架13上的弧形孔14调整好检测设备的位置后，通过螺母进行固定。
如图13至图19所示，本实施例中，镜头中采用芯片的型号为IMX327,人脸检测设备中的控制芯片采用的型号为Hi3519，两个芯片上与视频信号处理相关的引脚通过连接器相连。
以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

Claims (10)

1.一种嵌入式人脸检测设备，其特征在于，人脸检测设备外壳的截面为圆角矩形，外壳的周向设有滑轨，与滑轨配合的滑轮组件包括两个滑轮，滑轮通过转轴连接在连杆上，连杆主体为圆柱体，安装滑轮的一端为立方体，连杆主体上设有套环，用于固定滑轮组件，连杆上还设有两个夹持部，连杆与夹持部相连的一端设有矩形凹槽，人脸检测设备上还设有手柄，手柄与镜头的位置相对，手柄旋接在外壳上，人脸检测设备镜头的两侧设有VCSEL补光灯，人脸检测设备镜头中采用芯片的型号为IMX327，人脸检测设备中的控制芯片采用的型号为Hi3519，两个芯片上与视频信号处理相关的引脚通过连接器相连，控制器芯片中含有CNN框架，用于人脸检测和人脸对比。
2.如权利要求1所述一种嵌入式人脸检测设备，其特征在于，夹持部为空心圆柱体，夹持部内为正六边形通孔，夹持部的外部设有柔性保护套。
3.一种嵌入式人脸检测方法，其特征在于，所述人脸检测方法基于CNN框架，所述CNN框架为经汇编优化的轻量级CNN框架，所述轻量级CNN框架包括人脸检测单元和人脸对比单元，所述人脸检测单元采用RPN、RNet和FNet三者级联的方式进行人脸检测，检测帧图像依次经过RPN、RNet和FNet后，得到人脸特征点和人脸质量，对人脸检测单元训练时，RPN接受的输入包括检测帧图像和经Data层增强的图像数据，RPN的输出包括经Targe层中损失函数处理得到后的候选框位置。
4.如权利要求3所述一种嵌入式人脸检测方法，其特征在于，RPN的输入为240×432或200×360的YUV彩色图片，基于全ShuffleNet Unit架构设计，参数规模为x0.25。
5.如权利要求3所述一种嵌入式人脸检测方法，其特征在于，所述损失函数经过ArcFaceLoss、CosineFaceLoss和EuclideanLoss三者加权得到，采用的公式为：
损失函数＝ArcFaceLoss*0.45+CosineFaceLoss*0.3+EuclideanLoss*0.25。
6.如权利要求3所述一种嵌入式人脸检测方法，其特征在于，人脸对比单元包括人脸对比网络，人脸对比网络包括依次相连的输入层、类残差单元、扩张卷积层、第一激活层、可分离卷积层、压缩卷积层和第二激活层，其中可分离卷积层的输出经局部响应归一化和缩放后作为压缩卷积层的输入，人脸对比网络用于输出人脸对比置信值。
7.如权利要求3所述一种嵌入式人脸检测方法，其特征在于，所述轻量级CNN框架包括模型转换工具，所述模型转换工具用于将深度学习框架产生的模型转换为所述轻量级CNN框架可识别的模型结构。
8.如权利要求7所述一种嵌入式人脸检测方法，其特征在于，所述轻量级CNN框架还包括测试工具，使用所述测试工具进行效率测试时，测试工具向指定的网络或模型输入一个数值随机的矩阵，在网络或者模型前向计算的过程中，记录网络或模型中每个层完成计算的耗时和featuremap的大小。
9.如权利要求3所述一种嵌入式人脸检测方法，其特征在于，Data层进行的图像增强包括洗牌、翻转、裁剪、增加随机亮度、随机噪声和PCA微饶。
10.如权利要求3所述一种嵌入式人脸检测方法，其特征在于，训练人脸检测单元时包括困难样本挖掘：在若干次训练迭代后，选出被错误分类的样本进行再训练。
CN201811513550.8A 2018-12-11 2018-12-11 一种嵌入式人脸检测设备 Pending CN109376713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811513550.8A CN109376713A (zh) 2018-12-11 2018-12-11 一种嵌入式人脸检测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811513550.8A CN109376713A (zh) 2018-12-11 2018-12-11 一种嵌入式人脸检测设备

Publications (1)

Publication Number Publication Date
CN109376713A true CN109376713A (zh) 2019-02-22

Family

ID=65373277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811513550.8A Pending CN109376713A (zh) 2018-12-11 2018-12-11 一种嵌入式人脸检测设备

Country Status (1)

Country Link
CN (1) CN109376713A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977781A (zh) * 2019-02-26 2019-07-05 上海上湖信息技术有限公司 人脸检测方法及装置、可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008031256A1 (fr) * 2006-08-21 2008-03-20 Shenzhen Hongmen Science & Technology Co., Ltd Structure à rail de glissement en suspension pour porte à translation
CN204833298U (zh) * 2015-06-27 2015-12-02 赵厚理 一种用于信息采集的人脸识别装置
CN106842772A (zh) * 2016-12-05 2017-06-13 李娟� 一种可移动式摄影补光led灯
CN107358223A (zh) * 2017-08-16 2017-11-17 上海荷福人工智能科技（集团）有限公司 一种基于yolo的人脸检测与人脸对齐方法
CN108334857A (zh) * 2018-02-25 2018-07-27 南京甄视智能科技有限公司 智能型人脸识别装置
CN108364387A (zh) * 2018-03-22 2018-08-03 广州云从信息科技有限公司 一种视频人脸识别门禁一体机及其工作方法
CN108376256A (zh) * 2018-05-08 2018-08-07 兰州大学 一种基于arm处理平台动态处理人脸识别系统及其设备
CN108446617A (zh) * 2018-03-09 2018-08-24 华南理工大学 抗侧脸干扰的人脸快速检测方法
CN108491772A (zh) * 2018-03-09 2018-09-04 天津港(集团)有限公司 一种人脸识别算法及人脸识别装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008031256A1 (fr) * 2006-08-21 2008-03-20 Shenzhen Hongmen Science & Technology Co., Ltd Structure à rail de glissement en suspension pour porte à translation
CN204833298U (zh) * 2015-06-27 2015-12-02 赵厚理 一种用于信息采集的人脸识别装置
CN106842772A (zh) * 2016-12-05 2017-06-13 李娟� 一种可移动式摄影补光led灯
CN107358223A (zh) * 2017-08-16 2017-11-17 上海荷福人工智能科技（集团）有限公司 一种基于yolo的人脸检测与人脸对齐方法
CN108334857A (zh) * 2018-02-25 2018-07-27 南京甄视智能科技有限公司 智能型人脸识别装置
CN108446617A (zh) * 2018-03-09 2018-08-24 华南理工大学 抗侧脸干扰的人脸快速检测方法
CN108491772A (zh) * 2018-03-09 2018-09-04 天津港(集团)有限公司 一种人脸识别算法及人脸识别装置
CN108364387A (zh) * 2018-03-22 2018-08-03 广州云从信息科技有限公司 一种视频人脸识别门禁一体机及其工作方法
CN108376256A (zh) * 2018-05-08 2018-08-07 兰州大学 一种基于arm处理平台动态处理人脸识别系统及其设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
企鹅号 - AI前线: "如何应用MTCNN和FaceNet模型实现人脸检测及识别", Retrieved from the Internet <URL:https://cloud.tencent.com/developer/news/213743> *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977781A (zh) * 2019-02-26 2019-07-05 上海上湖信息技术有限公司 人脸检测方法及装置、可读存储介质

Similar Documents

Publication Publication Date Title
CN111259892B (zh) 一种指示灯状态的巡检方法、装置、设备和介质
CN104749184B (zh) 自动光学检测方法和系统
CN102706274B (zh) 工业结构化场景中机器视觉精确定位机械零件的系统
CN108918532A (zh) 一种快速道路交通标志破损检测系统及其检测方法
CN106155299B (zh) 一种对智能设备进行手势控制的方法及装置
CN111462128A (zh) 一种基于多模态光谱图像的像素级图像分割系统及方法
CN109410144A (zh) 一种基于深度学习的端到端图像去雾处理方法
CN109886242A (zh) 一种行人重识别的方法及系统
CN106203302B (zh) 基于视觉和无线感知相结合的行人检测和统计方法
CN112308087B (zh) 基于动态视觉传感器的一体化成像识别方法
CN111723656B (zh) 一种基于YOLO v3与自优化的烟雾检测方法及装置
CN112288682A (zh) 基于图像配准的电力设备缺陷定位方法
CN109376713A (zh) 一种嵌入式人脸检测设备
CN106447636A (zh) 噪声消除方法及虚拟现实设备
CN108090490A (zh) 一种基于多光谱偏振成像的隐身目标检测系统及方法
CN113506275A (zh) 一种基于全景城市图像处理方法及应用
CN109508771A (zh) 一种公安检查站人员综合信息核查装置
CN110827375B (zh) 一种基于微光图像的红外图像真彩着色方法及系统
CN109064444A (zh) 基于显著性分析的轨道板病害检测方法
CN116109826A (zh) 一种道路裂缝检测方法
CN116563306A (zh) 自适应火灾痕迹光谱图像分割方法及系统
CN110602411A (zh) 一种逆光环境下的人脸图像质量提升方法
CN110163081A (zh) 基于ssd的实时区域入侵检测方法、系统及存储介质
CN104794445A (zh) 一种基于arm平台的动态人脸虹膜采集方法
CN116206297A (zh) 基于级联神经网络的视频流实时车牌识别系统及方法

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