CN110188627A - 一种人脸图像过滤方法及装置 - Google Patents

一种人脸图像过滤方法及装置 Download PDF

Info

Publication number
CN110188627A
CN110188627A CN201910393403.XA CN201910393403A CN110188627A CN 110188627 A CN110188627 A CN 110188627A CN 201910393403 A CN201910393403 A CN 201910393403A CN 110188627 A CN110188627 A CN 110188627A
Authority
CN
China
Prior art keywords
image
attribute
described image
detected
model
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
CN201910393403.XA
Other languages
English (en)
Other versions
CN110188627B (zh
Inventor
刘晨曦
洪少华
李超
阮铃通
吴琦
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.)
Xiamen Science And Technology Co Ltd
Original Assignee
Xiamen 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 Xiamen Science And Technology Co Ltd filed Critical Xiamen Science And Technology Co Ltd
Priority to CN201910393403.XA priority Critical patent/CN110188627B/zh
Publication of CN110188627A publication Critical patent/CN110188627A/zh
Application granted granted Critical
Publication of CN110188627B publication Critical patent/CN110188627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种人脸图像过滤方法及装置。其中，方法包括：将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性；根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。如此，可以提高人脸图像过滤的准确率和效率。

Description

一种人脸图像过滤方法及装置
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种人脸图像过滤方法及装置。
背景技术
随着科学技术水平的不断提高，视频监控技术越来越受到人们的关注。从视频码流中选择和获取高质量的人脸图像在人脸识别应用中越来越重要。但是海量的视频中，以及在人流较大的视频中，人脸检测设备获取的人脸数量将指数增长。与此同时，由于每个视频场景都不相同，检测到的人脸质量参差不齐，低质量是人脸的图像会显著增加后续需要分析的数据量。进而如何从海量的视频图像中查找出高质量的有效人脸数据，过滤掉低质量的数据，对视频监控系统的人脸识别、人脸属性分析至关重要，也是基于人脸的视频监控系统中亟待解决的问题。
现有技术中，人脸图像的过滤方法主要是通过传统的图像处理方法计算图像的模糊度，利用模糊度过滤掉因运动、天气、摄像头等原因导致的人脸模糊的图像；由于视频场景的多样性，该很难满足精度要求。
发明内容
有鉴于此，本申请提供一种家用电子设备，以提高数据存储和查询的便利性。
具体地，本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种人脸图像过滤方法，包括：
将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性；
根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
第二方面，本申请实施例提供了一种人脸图像过滤装置，包括：
确定模块，用于将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性；
判断模块，用于根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，至少包括存储器和处理器；所述存储器通过通信总线和所述处理器连接，用于存储所述处理器可执行的计算机指令；所述处理器用于从所述存储器读取计算机指令以实现如第一方面所述方法的步骤。
本申请实施例中提供的一种人脸图像过滤的方法及装置，通过使用预先训练的图像预测模型进行确定待检测图像中人脸图像的属性，根据该属性判断该图像是否满足人脸场景内应用的图像；该方法不需要进行人脸检测，提高海量，适用于各种视频监控的人脸应用场景，识别精度高，鲁棒性强。。
附图说明
图1是本申请一示例性实施例示出的一种人脸图像过滤方法的流程示意图；
图2是本申请一示例性实施例示出的一种训练卷积神经网络模型的流程示意图；
图3是本申请一示例性实施例示出的一种人脸图像过滤装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为从海量的视频图像中查找出高质量的有效人脸数据，过滤掉低质量的人脸图像数据，本申请实施例提供了一种人脸图像的过滤方法及装置。
参照图1所示的实施例，本申请实施例中所提供的一种人脸图像过滤方法，包括如下步骤S101-S102：
S101、将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性。
本申请实施例中，上述的预先训练完成的检测模型为卷积神经网络模型；在将待检测图像输入至预先训练完成的图像预测模型之前，需要要首先建立并训练该卷积神将网络模型。
参照图2所示的实施例，该卷积神经网络模型的训练过程包括以下步骤S201-S202：
S201、获取训练样本集，将所述训练样本集中的各样本图像的属性进行标注；所述属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
本实施例中首先获取训练样本集，该训练样本集中包括数量足够多的样本图像，标注每个图像样本的属性，比如人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡(比如是否戴口罩)等
S202、基于标注完成的训练样本，进行卷积神经网络模型的训练，确定所述卷积神经网络模型包含的各卷积层和各批归一化batchnormalization层的参数，得到训练完成的卷积神经网络模型。
本实施例中的卷积神经网络模型，包括：14个空洞卷积层、13个深度卷积层、13个批归一化层、5个最大池化层、1个平均池化层和1个sigmoid层。
上述进行卷积神经网络模型的训练以后，得14个空洞卷积层、13个深度卷积层和13个批归一化层中分别包含的参数。
S102、根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
其中，上述卷积神经网络的输入为224×224的三通道图像，通过设置该卷积神经网络包含14个空洞卷积层(dilated卷积层)增大感受野(reception field)，让每个卷积输出都包含较大范围的信息；通过设置13个深度卷积层(depthwise卷积层)学习每个通道特征，同时降低计算复杂度；通过设置13个batch normalization层，以保证在训练过程中每一层的神经网络输出保持相同的分布，加快收敛速度。并且通过设置5个最大池化层保留纹理特征，1个平均池化层保留背景信息，减少参数，1个sigmoid层将输出置信度(5个置信度)映射到0和1之间。
示例性的，上述的到的卷积神经网络模型中优化的目标函数L为：
其中，N为批处理的样本数，x、y为预测置信度和样本标签，为平均池化层的embedding特征输入，s和m为超参数，一般设s＝1,m＝0.785。
本实施例中，上述将待检测图像输入至训练完成的卷积神经网络模型后，该卷积神经网络模型计算输出待检测图像的属性的置信度。
进而，上述步骤S102中，根据预测的所述图像的属性判断所述图像是否满足预设的阈值条件，包括如下步骤A10：
步骤A10、将输出的所述图像的属性的置信度与预设的置信度阈值进行比较，当所述图像的属性的置信度大于预设的置信度阈值时，确定所述图像是否满足预设的阈值条件。
将海量的图像输入到训练好的卷积神经网络模型，通过卷积神经网络模型处理图像的每个像素点，然后通过sigmoid层输出图像的属性的置信度，以图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡为例，该多个属性分别对应的置信度为y1、y2、y3、y4和y5。
上述步骤A10中，将输出的所述图像的属性的置信度与预设的置信度阈值进行比较，当所述图像的属性的置信度大于预设的置信度阈值时，确定所述图像满足预设的阈值条件，具体包括：
当y1>人脸图像拍摄角度t1时，将图像归为角度合适的图像数据；
当y2>人脸图像的尺寸t2时，将图像归为人脸尺寸大小合适的图像数据；
当y3>图像模糊度t3时，将图像归为不模糊的图像数据；
当y4>光照强度t4时，将图像归为光照合适的图像数据；
当y5>被遮挡阈值t5时，将图像归为未被遮挡脸部的图像数据。
当上述所有条件都满足时，即该图像符合视频监控人脸应用场景。
本申请，所提供的一种人脸过滤的方法及装置，通过训练一个带有多个属性标签(角度，大小，模糊度，光照强度，是否被遮挡等)的卷积神经网络模型，不依赖人脸检测，不需要添加额外的算法，一次性算出图像标签，根据模型的预测结果和阈值判断出是否属于高质量人脸图像，具有复杂度低，减少系统计算开销，降低硬件的要求，稳定可靠的积极效果。本申请适用于各种视频监控的人脸应用场景，识别精度高，鲁棒性强。
与前述人脸图像过滤的方法的实施例相对应，本申请还提供了人脸图像过滤方法装置的实施例。参照图3所示的实施例，该装置，包括：
确定模块301，用于将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性；
判断模块302，用于根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
可选的，上述预先训练完成的检测模型为卷积神经网络模型；
所述装置还包括：
样本标注模块，用于获取训练样本集，将所述训练样本集中的各图像样本的属性进行标注；所述属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种；
模型训练模块，用于基于标注完成的训练样本，进行卷积神经网络模型的训练，确定所述卷积神经网络模型包含的各卷积层和各批归一化batch normalization层的参数，得到训练完成的卷积神经网络模型。
可选的，上述卷积神经网络模型，包括：14个空洞卷积层、13个深度卷积层、13个批归一化层、5个最大池化层、1个平均池化层和1个sigmoid层。
可选的，上述确定模块301，具体用于：
根据所述卷积神经网络模型计算输出所述图像的属性的置信度。
可选的，上述确定模块301，具体用于：
将输出的所述图像的属性的置信度与预设的置信度阈值进行比较，当所述图像的属性的置信度大于预设的置信度阈值时，确定所述图像是否满足预设的阈值条件
装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
本申请一实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例所述人脸图像过滤的方法的步骤。
本申请另一实施例中提供了一种计算机设备，至少包括存储器和处理器；所述存储器通过通信总线和所述处理器连接，用于存储所述处理器可执行的计算机指令；所述处理器用于从所述存储器读取计算机指令以实现如上述实施例所述人脸图像过滤的方法的步骤。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部磁盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种人脸图像过滤的方法，其特征在于，包括：
将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性；
根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
2.根据权利要求1所述的方法，其特征在于，所述预先训练完成的检测模型为卷积神经网络模型；
在所述将待检测人脸图像输入至预先训练完成的检测模型之前，所述方法还包括：
获取训练样本集，将所述训练样本集中的各图像样本的属性进行标注；所述属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
基于标注完成的训练样本，进行卷积神经网络模型的训练，确定所述卷积神经网络模型包含的各卷积层和各批归一化batch normalization层的参数，得到训练完成的卷积神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络模型，包括：14个空洞卷积层、13个深度卷积层、13个批归一化层、5个最大池化层、1个平均池化层和1个sigmoid层。
4.根据权利要求2所述的方法，其特征在于，所述通过所述图像预测模型确定所述待检测图像的属性，包括：
根据所述卷积神经网络模型计算输出所述图像的属性的置信度。
5.根据权利要求4所述的方法，其特征在于，所述根据预测的所述图像的属性判断所述图像是否满足预设的阈值条件，包括：
将输出的所述图像的属性的置信度与预设的置信度阈值进行比较，当所述图像的属性的置信度大于预设的置信度阈值时，确定所述图像满足预设的阈值条件。
6.一种人脸图像过滤装置，其特征在于，包括：
确定模块，用于将待检测图像输入至预先训练完成的图像预测模型，通过所述图像预测模型确定所述待检测图像的属性；
判断模块，用于根据确定的所述图像的属性判断所述图像是否满足预设的阈值条件，如果是，将所述待检测图像确定为满足人脸场景内应用的图像；其中，所述待检测图像的属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种。
7.根据权利要求6所述的装置，其特征在于，所述预先训练完成的检测模型为卷积神经网络模型；
所述装置还包括：
样本标注模块，用于获取训练样本集，将所述训练样本集中的各图像样本的属性进行标注；所述属性包括：人脸图像拍摄角度、人脸图像的尺寸、图像模糊度、光照强度和是否被遮挡中的任意一种或多种；
模型训练模块，用于基于标注完成的训练样本，进行卷积神经网络模型的训练，确定所述卷积神经网络模型包含的各卷积层和各批归一化batchnormalization层的参数，得到训练完成的卷积神经网络模型。
8.根据权利要求7所述的装置，其特征在于，所述卷积神经网络模型，包括：14个空洞卷积层、13个深度卷积层、13个批归一化层、5个最大池化层、1个平均池化层和1个sigmoid层。
9.根据权利要求7所述的装置，其特征在于，所述确定模块，具体用于：根据所述卷积神经网络模型计算输出所述图像的属性的置信度。
10.根据权利要求9所述的装置，其特征在于，所述确定模块，具体用于：
将输出的所述图像的属性的置信度与预设的置信度阈值进行比较，当所述图像的属性的置信度大于预设的置信度阈值时，确定所述图像是否满足预设的阈值条件。
CN201910393403.XA 2019-05-13 2019-05-13 一种人脸图像过滤方法及装置 Active CN110188627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910393403.XA CN110188627B (zh) 2019-05-13 2019-05-13 一种人脸图像过滤方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910393403.XA CN110188627B (zh) 2019-05-13 2019-05-13 一种人脸图像过滤方法及装置

Publications (2)

Publication Number Publication Date
CN110188627A true CN110188627A (zh) 2019-08-30
CN110188627B CN110188627B (zh) 2021-11-23

Family

ID=67714482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910393403.XA Active CN110188627B (zh) 2019-05-13 2019-05-13 一种人脸图像过滤方法及装置

Country Status (1)

Country Link
CN (1) CN110188627B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929806A (zh) * 2019-12-06 2020-03-27 腾讯科技（北京）有限公司 基于人工智能的图片处理方法、装置及电子设备
CN111488476A (zh) * 2020-04-03 2020-08-04 北京爱芯科技有限公司 图像推送方法、模型训练方法及对应装置
CN111866400A (zh) * 2020-07-02 2020-10-30 北京海益同展信息科技有限公司 一种图像处理方法及装置
CN112905812A (zh) * 2021-02-01 2021-06-04 上海德拓信息技术股份有限公司 媒体文件审核方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160028939A1 (en) * 2014-07-28 2016-01-28 Canon Kabushiki Kaisha Image capturing apparatus, control apparatus and control method thereof
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107871134A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 一种人脸检测方法及装置
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN108960087A (zh) * 2018-06-20 2018-12-07 中国科学院重庆绿色智能技术研究院 一种基于多维度评估标准的人脸图像质量评估方法及系统
CN109389030A (zh) * 2018-08-23 2019-02-26 平安科技（深圳）有限公司 人脸特征点检测方法、装置、计算机设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160028939A1 (en) * 2014-07-28 2016-01-28 Canon Kabushiki Kaisha Image capturing apparatus, control apparatus and control method thereof
CN107871134A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 一种人脸检测方法及装置
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN108960087A (zh) * 2018-06-20 2018-12-07 中国科学院重庆绿色智能技术研究院 一种基于多维度评估标准的人脸图像质量评估方法及系统
CN109389030A (zh) * 2018-08-23 2019-02-26 平安科技（深圳）有限公司 人脸特征点检测方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐友聚: ""基于卷积神经网络的行人检测算法研究"", 《道客巴巴》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929806A (zh) * 2019-12-06 2020-03-27 腾讯科技（北京）有限公司 基于人工智能的图片处理方法、装置及电子设备
CN110929806B (zh) * 2019-12-06 2023-07-21 深圳市雅阅科技有限公司 基于人工智能的图片处理方法、装置及电子设备
CN111488476A (zh) * 2020-04-03 2020-08-04 北京爱芯科技有限公司 图像推送方法、模型训练方法及对应装置
CN111866400A (zh) * 2020-07-02 2020-10-30 北京海益同展信息科技有限公司 一种图像处理方法及装置
CN112905812A (zh) * 2021-02-01 2021-06-04 上海德拓信息技术股份有限公司 媒体文件审核方法及系统
CN112905812B (zh) * 2021-02-01 2023-07-11 上海德拓信息技术股份有限公司 媒体文件审核方法及系统

Also Published As

Publication number Publication date
CN110188627B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN110188627A (zh) 一种人脸图像过滤方法及装置
US11158090B2 (en) Enhanced video shot matching using generative adversarial networks
CN108062562B (zh) 一种物体重识别方法及装置
CN109325954B (zh) 图像分割方法、装置及电子设备
CN111859023B (zh) 视频分类方法、装置、设备及计算机可读存储介质
US11270441B2 (en) Depth-aware object counting
CN107872644A (zh) 视频监控方法及装置
TW201706918A (zh) 作爲供神經網路的訓練準則的濾波器特異性
CN109558901B (zh) 一种语义分割训练方法及装置、电子设备、存储介质
CN108805016B (zh) 一种头肩区域检测方法及装置
CN110110843A (zh) 用于处理图像的方法和系统
CN113330450A (zh) 用于识别图像中的对象的方法
CN109978063A (zh) 一种生成目标对象的对齐模型的方法
CN107944398A (zh) 基于深度特征联合表示图像集人脸识别方法、装置和介质
CN109753884A (zh) 一种基于关键帧提取的视频行为识别方法
CN113841161A (zh) 用于自动生成内容分发图像的可扩展体系架构
CN107533758A (zh) 在时间上平滑视频增强
TWI512685B (zh) 移動物體偵測方法及其裝置
CN114898342A (zh) 行驶中非机动车驾驶员接打电话的检测方法
CN115082752A (zh) 基于弱监督的目标检测模型训练方法、装置、设备及介质
CN114495060B (zh) 一种道路交通标线识别方法及装置
CN112597995B (zh) 车牌检测模型训练方法、装置、设备及介质
CN110245696A (zh) 基于视频的违法事件监控方法、设备及可读存储介质
CN117765480A (zh) 一种道路沿线野生动物迁徙预警方法及系统
CN110956097B (zh) 遮挡人体提取方法及模块、场景转换方法及装置

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
GR01 Patent grant
GR01 Patent grant