CN109977751A - 一种基于卷积神经网络的人脸关键点检测方法 - Google Patents

一种基于卷积神经网络的人脸关键点检测方法 Download PDF

Info

Publication number
CN109977751A
CN109977751A CN201910041316.8A CN201910041316A CN109977751A CN 109977751 A CN109977751 A CN 109977751A CN 201910041316 A CN201910041316 A CN 201910041316A CN 109977751 A CN109977751 A CN 109977751A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
stage
data set
detection method
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
CN201910041316.8A
Other languages
English (en)
Inventor
石高辉
陈晓荣
刘亚茹
张彩霞
李镇锋
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910041316.8A priority Critical patent/CN109977751A/zh
Publication of CN109977751A publication Critical patent/CN109977751A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Abstract

本发明提出了一种基于卷积神经网络的人脸关键点检测方法，建立第一数据集和第二数据集，并对第一数据集和第二数据集进行预处理；之后将第一数据集输入至第一阶段卷积神经网络模型以实现第一阶段卷积神经网络模型收敛；将第二数据集输入至第一阶段卷积神经网络模型以获取多个第一关键点的位置及第一阶段关键点拟合曲线；最后扩充第一关键点所在的区域，并将扩充后得到的区域集输入至第二阶段卷积神经网络模型，获取多个第二关键点的位置和第二阶段关键点拟合曲线。本发明以人工神经网络为基础使用了级联卷积神经网络，不需要人为制作特征，鲁棒性高、适合多种不同场合、训练时间短、检测精度高。

Description

一种基于卷积神经网络的人脸关键点检测方法
技术领域
本发明属于人脸关键点检测技术领域，尤其涉及一种基于卷积神经网络的人脸关键点检测方法。
背景技术
随着神经网络在图像领域运用地越来越广泛，涌现了许多与以往图像处理方式完全不一样的算法，而人脸关键点检测就是方向之一。目前已经提出了很多传统人脸检测算法中，在传统的人脸关键点检测算法中，有通过关键点位置与特征的联合模型与当前的参数估计生成模型函数的Constrained Local Model算法，也有基于点分布模型的ASM特征点提取算法并且经过许多人完善之后，ASM算法已经发展的足够成熟。
然而以上这些算法对初始化的模型要求都比较高,且存在以下缺陷：1)训练时间过长检测、精度不够高及出现过拟合的状况；2)大多只能适应特定场合。因此研究一种快速、高效、鲁棒性好的检测方法具有重要意义。
发明内容
本发明的目的在于提供一种基于卷积神经网络的人脸关键点检测方法，以解决现有技术中人脸关键点检测算法存在的问题，其以人工神经网络为基础使用了级联卷积神经网络，不需要人为制作特征，训练时间短、检测精度高。为实现上述目的，本发明所采用的技术方案为:
一种基于卷积神经网络的人脸关键点检测方法，包括以下步骤：
步骤S1:建立第一数据集和第二数据集，并对所述第一数据集和第二数据集进行预处理；
步骤S2:将所述第一数据集输入至第一阶段卷积神经网络模型以实现第一阶段卷积神经网络模型收敛；
步骤S3:将所述第二数据集输入至第一阶段卷积神经网络模型以获取多个第一关键点的位置及第一阶段关键点拟合曲线；
步骤S4:扩充所述第一关键点所在的区域，并将扩充后得到的区域集输入至所述第二阶段卷积神经网络模型，获取多个第二关键点的位置和第二阶段关键点拟合曲线。
优选地，在步骤S1中，所述预处理具体灰度化处理、数据集扩充处理和归一化处理；
其中，所述灰度化处理为运用加权平均法对将所述第一数据集和第二数据集的彩色图像进行处理；
所述数据集扩充处理包括对所述第一数据集和第二数据集中的图像进行水平翻转和角度旋转；
所述归一化处理为将所述第一数据集和第二数据集中的图像进行数据标准化处理。
优选地，在步骤S2中，所述第一阶段卷积神经网络模型包括八层；所述第一阶段卷积神经网络模型的第二层和第三层均为特征提取层。
优选地，在步骤S2中，所述第一阶段卷积神经网络模型的超参数包括样本测试数量、测试间隔、基础学习率和迭代次数；所述基础学习率设置为0.01。
优选地，在步骤S2中，所述第一阶段卷积神经网络模型通过第一阶段收敛函数对第一卷积神经网络模型的超参数进行调整以实现第一卷积神经网络模型的收敛。
优选地，在步骤S2中，进一步包括对第一阶段关键点拟合曲线的Dropout优化处理。
优选地，在步骤S3中，所述第二阶段卷积神经网络模型包括五层；所述第二阶段卷积神经网络模型的第二层和第三层均为特征提取层；所述第一层的卷积核的大小为 4*4；所述第二层的卷积核的大小为3*3。
优选地，在步骤S3中，所述第二阶段卷积神经网络模型的超参数中的基础学习率包括多个分别与所述关键点匹配的基础学习率；所述第二阶段卷积神经网络模型的基础学习率小于所述第一阶段卷积神经网络模型的基础学习率。
优选地，在步骤S3中，进一步包括对第二阶段关键点拟合曲线的Dropout优化处理。
优选地，在步骤S2之后，将所述第一数据集输入至第二阶段卷积神经网络模型以实现第二阶段卷积神经网络模型收敛。
与现有技术相比，本发明的优点为：本发明使用了级联卷积神经网络，首先对人脸进行整体检测，得到大致的关键点坐标后，再对细节进行不断的调整从而得到关键点的精准坐标。因此，本发明不需要人为制作特征，且训练时间短、检测精度高，对初始模型的要求低、并且鲁棒性高，适合多种不同场合的优点。
附图说明
图1(a)为本发明一实施例的基于卷积神经网络的人脸关键点检测方法的流程图；
图1(b)为图1(a)中结合检测点的具体操作流程；
图2(a)为图1中所使用的第一数据集；
图2(b)为1中所使用的第二数据集；
图3为1中第一阶段的第一阶段卷积神经网络模型；
图4为本发明中所涉及的第一网络收敛函数；
图5为本发明中所涉及的第二网络收敛函数；
图6为图1中第一阶段预测结果图；
图7(a)、图7(b)为中第一阶段预测结果效果图；
图8为图1中第二阶段的第二阶段卷积神经网络模型；
图9为图1中第二阶段的鼻尖预测结果图；
图10为本发明第二阶段的左眼预测结果；
图11为本发明第二阶段的右眼预测结果；
图12为本发明第二阶段的左嘴角预测结果；
图13为本发明第二阶段的右嘴角预测结果。
具体实施方式
下面将结合示意图对本发明的基于卷积神经网络的人脸关键点检测方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
如图1(b)所示，本发明选取人的左眼、右眼、鼻尖、左嘴角和右嘴角5个人脸关键点作为检测点，首先构建好卷积神经网络的网络模型，通过第一数据集和损失函数不断地训练调整网络参数，从而得到能够精确检测处5个关键点的方法。主要分为2 个部分，是两个级联的卷积神经网络。首先，第一阶段网络将整个人脸图像输入到网络中从而在网络最后得到5个第一关键点在图片中的位置坐标。再在第二阶段的CNN 网络中分别对5个第一关键点坐标在一定的范围内进行细微调整，从而保证预测点能够尽量接近图片中标注的真实位置，即得到5个新的第二关键点的位置。部分检测图如图1所示。如图1(a)所示，一种基于卷积神经网络的人脸关键点检测方法，包括以下步骤S1～S3。
步骤S1:建立第一数据集和第二数据集，并对第一数据集和第二数据集进行预处理；第二数据集为人脸关键点数据集。
本发明使用两个不同的数据集，分别为第一数据集Dataset1和第二数据集Dataset2。 Dataset1是由数据集300-W、BioID、LFPW等多个组合而成，该数据集内图片的尺寸和人脸位移都存在较大的变化；Dataset2是LFW人脸关键点数据集。两个数据集如图 2(a)、图2(b)所示。
预处理具体灰度化处理、数据集扩充处理和归一化处理；其中，1)灰度化处理为运用加权平均法对将第一数据集和第二数据集的彩色图像进行处理；原数据由于是彩色图像，直接对彩色图像处理运算量会非常大，处理时间过长，因此可以对原始图像进行灰度化处理。灰度化方式采用加权平均法，公式如下：
f(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (2)
其中，i，j为图像的行列坐标；R(),G(),B()分别代表红、绿、蓝三个分量的函数。
2)数据集扩充处理包括对第一数据集和第二数据集中的图像进行水平翻转和角度旋转；为了保证训练数据集包含尽量多的可能性，需要对样本集进行扩充。并且考虑到实际生活中人脸情况，避免无用数据占用，保证产生合理有用的高效数据集，所以仅对原本数据集中的人脸图片进行水平翻转和角度旋转。
水平翻转的函数为：
角度旋转的函数为：
其中，w为图片的宽，h为图片的高，x0,y0是原图的横纵坐标，x1,y1是变换之后的横纵坐标，
3)归一化处理为将第一数据集和第二数据集中的图像进行数据标准化处理。为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性，所以需要对图片的大小进行归一化处理。将图片的宽和高都映射为(0,1)之间的小数。归一化函数为：
步骤S2:将所述第一数据集输入至第一阶段卷积神经网络模型以实现第一阶段卷积神经网络模型收敛。之后将第一数据集输入至第二阶段卷积神经网络模型以实现第二阶段卷积神经网络模型收敛。
如图3所示，第一阶段卷积神经网络模型的超参数包括样本测试数量、测试间隔、基础学习率和迭代次数；基础学习率设置为0.01。具体的，1)第一阶段卷积神经网络模型的结构设置如下：包括八层；第一阶段卷积神经网络模型的第二层和第三层均为特征提取层。第一层为数据输入层，输入的数据统一为64*64的灰度图像；第二层为第一次特征提取层，conv1的卷积核大小为4*4，输出20个卷积核，激活函数为ReLU 函数，采用2*2的最大池化；第三层第二次特征提取层，在第一次池化完成的基础上再进行一次特征提取，结构与第一次提取基本相同；第六层为一个全连接层和ReLU 函数。第八层为输出层，最后将五个关键点的横纵坐标一共10个参数输出。为了防止结果出现过拟合的情况，对第一阶段关键点拟合曲线的Dropout优化处理，以随机舍弃一些节点。2)第一阶段卷积神经网络模型的超参数设计如下：(1)对于样本的测试数量batch_size选择1600张，即一次测试1600张数据；(2)对于测试间隔test_interval选择1000，即每训练1000次则进行一次测试；(3)最大迭代次数max_iter为100000；(4) 基础学习率base_lr设置为0.01，采用自适应算法，表达式如下：
learning_rate＝base_lr×gamma(iter/stepsize) (6)
公式中，gamma为0.0001，stepsize为5000，iter为迭代次数。这样就能根据迭代次数的增加使得实际学习率变得越来越小，从而能够更好更快地找到最优解。在本实施例中，所述第一阶段卷积神经网络模型分别通过第一阶段收敛函数、第二阶段收敛函数对第一卷积神经网络模型、第二卷积神经网络模型的超参数进行调整以实现收敛。在本实施例中收敛函数指的是损失函数，第一阶段收敛函数和第二阶段收敛函数，分别如图4、图5所示。损失函数的设计至关重要，它能最直观的反映出该网络的精度，我们需要根据损失函数的情况来调整网络中的其他参数，达到网络最终收敛的目的。本文采用两点之间的欧式距离作为该网络的损失函数，当预测点与实际标注点越接近时，欧式距离越小，符合损失函数的要求，表达式如下：
公式中，x，y为实际标注点的横纵坐标，x’,y’为预测的横纵坐标。根据图4、图5可知，两个损失函数都收敛了，表明对该神经模型实现了收敛。在经过第一数据集的训练之后第一阶段的正确率能够达到83％。
步骤S3:将所述第二数据集输入至第一阶段卷积神经网络模型以获取多个第一关键点的位置及第一阶段关键点拟合曲线；由于第一阶段卷积神经网络模型可以预测出5 个第一关键点的大概位置，如图6、图7(a)、图7(b)所示。但是可以发现预测的点仅仅是比较接近真实值，并没有完全正确。所以第二阶段的调整显得尤为必要。其中，图6中，C1代训练值即loss值函数，loss值随着迭代次数的增加而减少；C2为准确率曲线，准确率随着迭代次数的增加而增加。
步骤S4:扩充所述第一关键点所在的区域，并将扩充后得到的区域集输入至所述第二阶段卷积神经网络模型，获取多个第二关键点的位置和第二阶段关键点拟合曲线。第二阶段卷积神经网络模型的超参数中的基础学习率包括多个分别与关键点匹配的基础学习率；第二阶段卷积神经网络模型的基础学习率小于第一阶段卷积神经网络模型的基础学习率。第二阶段卷积神经网络模型主要用于给第一阶段得到的5个第一关键点进行重新调整。网络结构基本不变，不同关键点的调整仅需要重新设置参数。如图8 所示，第二阶段卷积神经网络模型包括五层；第二阶段卷积神经网络模型的第二层和第三层均为特征提取层；第一层的卷积核的大小为4*4；第二层的卷积核的大小为3*3。第二阶段的调整方法主要是先在第一阶段预测出来的5个第一关键点的基础上分别向周围扩充shift/2大小，形成5个shift*shift的正方形区域。然后分别将5个正方形区域进行送到第二阶段卷积神经网络模型中进行训练，得到新的第二关键点。在第一次特征提取中的卷积运算中，卷积核的大小为4*4。第二次特征提取中的卷积运算中，卷积核的大小为3*3。该阶段同样采用Dropout优化方式，来解决网络模型的过拟合问题。第二阶段卷积神经网络模型的超参数设置情况如下：不同关键点的超参数，其中区别最大的就是基础学习率的设置，其他基本不变：
(1)左眼基础学习率base_lr设置为0.005；
(2)右眼基础学习率base_lr设置为0.005；
(3)鼻尖基础学习率base_lr设置为0.007；
(4)左嘴角基础学习率base_lr设置为0.001；
(5)右嘴角基础学习率base_lr设置为0.001；
为解决网络模型的过拟合问题，进一步对第二阶段关键点拟合曲线的Dropout优化处理。在训练完成之后对本文所使用的测试集即第二数据集进行测试，该网络能够准确地预测出图片中人脸的5个关键点，并且精度能够达到94％以上，如图9、10、11、 12、13所示。在图9中，D1代表训练值即loss值函数，loss值随着迭代次数的增加而减少；D2为准确率曲线，准确率随着迭代次数的增加而增加。类似的，在图10中，E1 代表训练值即loss值函数，loss值随着迭代次数的增加而减少；E2为准确率曲线，准确率随着迭代次数的增加而增加；在图11中，F1代表训练值即loss值函数，loss值随着迭代次数的增加而减少；F2为准确率曲线，准确率随着迭代次数的增加而增加；在图12中，G1代训练值即loss值函数，loss值随着迭代次数的增加而减少；G2为准确率曲线，准确率随着迭代次数的增加而增加；在图13中，H1代训练值即loss值函数， loss值随着迭代次数的增加而减少；H2为准确率曲线，准确率随着迭代次数的增加而增加。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的人脸关键点检测方法，其特征在于，包括以下步骤：
步骤S1:建立第一数据集和第二数据集，并对所述第一数据集和第二数据集进行预处理；
步骤S2:将所述第一数据集输入至第一阶段卷积神经网络模型以实现第一阶段卷积神经网络模型收敛；
步骤S3:将所述第二数据集输入至第一阶段卷积神经网络模型以获取多个第一关键点的位置及第一阶段关键点拟合曲线；
步骤S4:扩充所述第一关键点所在的区域，并将扩充后得到的区域集输入至所述第二阶段卷积神经网络模型，获取多个第二关键点的位置和第二阶段关键点拟合曲线。
2.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S1中，所述预处理具体灰度化处理、数据集扩充处理和归一化处理；
其中，所述灰度化处理为运用加权平均法对将所述第一数据集和第二数据集的彩色图像进行处理；
所述数据集扩充处理包括对所述第一数据集和第二数据集中的图像进行水平翻转和角度旋转；
所述归一化处理为将所述第一数据集和第二数据集中的图像进行数据标准化处理。
3.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S2中，所述第一阶段卷积神经网络模型包括八层；所述第一阶段卷积神经网络模型的第二层和第三层均为特征提取层。
4.根据权利要求3所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S2中，所述第一阶段卷积神经网络模型的超参数包括样本测试数量、测试间隔、基础学习率和迭代次数；所述基础学习率设置为0.01。
5.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S2中，所述第一阶段卷积神经网络模型通过第一阶段收敛函数对第一卷积神经网络模型的超参数进行调整以实现第一卷积神经网络模型的收敛。
6.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S2中，进一步包括对第一阶段关键点拟合曲线的Dropout优化处理。
7.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S3中，所述第二阶段卷积神经网络模型包括五层；所述第二阶段卷积神经网络模型的第二层和第三层均为特征提取层；所述第一层的卷积核的大小为4*4；所述第二层的卷积核的大小为3*3。
8.根据权利要求7所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S3中，所述第二阶段卷积神经网络模型的超参数中的基础学习率包括多个分别与所述关键点匹配的基础学习率；所述第二阶段卷积神经网络模型的基础学习率小于所述第一阶段卷积神经网络模型的基础学习率。
9.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S3中，进一步包括对第二阶段关键点拟合曲线的Dropout优化处理。
10.根据权利要求1所述的基于卷积神经网络的人脸关键点检测方法，其特征在于，在步骤S2之后，将所述第一数据集输入至第二阶段卷积神经网络模型以实现第二阶段卷积神经网络模型收敛。
CN201910041316.8A 2019-01-16 2019-01-16 一种基于卷积神经网络的人脸关键点检测方法 Pending CN109977751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910041316.8A CN109977751A (zh) 2019-01-16 2019-01-16 一种基于卷积神经网络的人脸关键点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910041316.8A CN109977751A (zh) 2019-01-16 2019-01-16 一种基于卷积神经网络的人脸关键点检测方法

Publications (1)

Publication Number Publication Date
CN109977751A true CN109977751A (zh) 2019-07-05

Family

ID=67076681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910041316.8A Pending CN109977751A (zh) 2019-01-16 2019-01-16 一种基于卷积神经网络的人脸关键点检测方法

Country Status (1)

Country Link
CN (1) CN109977751A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560555A (zh) * 2019-09-25 2021-03-26 北京中关村科金技术有限公司 扩充关键点的方法、装置以及存储介质
CN113158981A (zh) * 2021-05-17 2021-07-23 广东中卡云计算有限公司 一种基于级联卷积神经网络的骑行姿态分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824049A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联神经网络的人脸关键点检测方法
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法
CN108932536A (zh) * 2018-07-18 2018-12-04 电子科技大学 基于深度神经网络的人脸姿态重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824049A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联神经网络的人脸关键点检测方法
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法
CN108932536A (zh) * 2018-07-18 2018-12-04 电子科技大学 基于深度神经网络的人脸姿态重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙康 等: "基于级联卷积神经网络的人脸检测算法", 《南京理工大学学报》 *
陈锐 等: "基于级联卷积神经网络的人脸关键点定位", 《四川理工学院学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560555A (zh) * 2019-09-25 2021-03-26 北京中关村科金技术有限公司 扩充关键点的方法、装置以及存储介质
CN113158981A (zh) * 2021-05-17 2021-07-23 广东中卡云计算有限公司 一种基于级联卷积神经网络的骑行姿态分析方法

Similar Documents

Publication Publication Date Title
WO2021244079A1 (zh) 智能家居环境中图像目标检测方法
CN110020682B (zh) 一种基于小样本学习的注意力机制关系对比网络模型方法
CN110991299A (zh) 一种物理域上针对人脸识别系统的对抗样本生成方法
CN108304826A (zh) 基于卷积神经网络的人脸表情识别方法
CN103226708B (zh) 一种基于Kinect的多模型融合视频人手分割方法
CN109325454A (zh) 一种基于YOLOv3的静态手势实时识别方法
CN108491835A (zh) 面向面部表情识别的双通道卷积神经网络
CN109829541A (zh) 基于学习自动机的深度神经网络增量式训练方法及系统
CN107862668A (zh) 一种基于gnn的文物图像复原方法
CN107403200A (zh) 改进图像分割算法结合深度学习的多重不良图片分类方法
CN108537147A (zh) 一种基于深度学习的手势识别方法
CN109784293A (zh) 多类目标对象检测方法、装置、电子设备、存储介质
CN110287760A (zh) 一种基于深度学习的人脸五官点遮挡检测方法
CN110378366A (zh) 一种基于耦合知识迁移的跨域图像分类方法
CN108776835A (zh) 一种深度神经网络训练方法
CN109766822A (zh) 基于神经网络的手势识别方法及系统
CN110378208A (zh) 一种基于深度残差网络的行为识别方法
Wang et al. Automatic illumination planning for robot vision inspection system
CN109977751A (zh) 一种基于卷积神经网络的人脸关键点检测方法
CN109657612A (zh) 一种基于人脸图像特征的质量排序系统及其使用方法
CN109086663A (zh) 基于卷积神经网络的尺度自适应的自然场景文本检测方法
CN112183435A (zh) 一种两阶段的手部目标检测方法
CN110084136A (zh) 基于超像素crf模型的上下文优化室内场景语义标注方法
CN111709443A (zh) 一种基于旋转不变卷积神经网络的书法字风格分类方法
CN106096615A (zh) 一种基于随机游走的图像显著区域提取方法

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