CN110263678A - 一种人脸方向判断方法及系统 - Google Patents

一种人脸方向判断方法及系统 Download PDF

Info

Publication number
CN110263678A
CN110263678A CN201910475339.XA CN201910475339A CN110263678A CN 110263678 A CN110263678 A CN 110263678A CN 201910475339 A CN201910475339 A CN 201910475339A CN 110263678 A CN110263678 A CN 110263678A
Authority
CN
China
Prior art keywords
face direction
face
angle
prediction model
facial
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
CN201910475339.XA
Other languages
English (en)
Inventor
周康明
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201910475339.XA priority Critical patent/CN110263678A/zh
Publication of CN110263678A publication Critical patent/CN110263678A/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种人脸方向判断方法，包括预建立人脸角度预测模型和人脸方向预测模型；获取人脸图像；将人脸图像输入人脸角度预测模型，以确定出标识所述人脸图像的三个欧拉角的角度标识；将角度标识输入人脸方向预测模型中，以得到人脸方向预测结果；根据预测结果确定出人脸方向。一种人脸方向判断系统，包括存储器，被配置为存储数据及计算机程序指令；与存储器建立通信的处理器，所述处理器执行计算机程序指令以执行判断方法中的任一个步骤。本发明通过预测人脸的三维角度来判断人脸的具体观察方向，识别速度更快，精准度更高，从而实现了智能驾考过程中的人脸角度方向的全程自动识别。

Description

一种人脸方向判断方法及系统
技术领域
本发明涉及智能驾考技术领域，特别涉及一种人脸方向判断方法及系统。
背景技术
随着社会经济的不断发展和人民私家车的保有量持续提高，驾驶考试部门和驾驶培训机构面临越来越多的考生。传统的科目三驾驶考试方式主要通过人工监督、教育、纠正，该方法人工成本较高，效率低下，且长时间的重复性工作和监考员的主观状态的不好等不良影响，会影响到科目三考试的效率和公平性、公正性。
然而，随着人脸检测和人脸识别技术的快速发展，使得智能驾考的实现找到了技术基础。现有的人脸方向检测方法特征提取较为繁琐，检测速度慢，且检测精准性差，从而无法应用于实时监控的驾考场景中。
发明内容
针对现有技术的不足，本发明的目的是：提出一种人脸方向判断方法及系统，其根据输入的人脸图片能够预测出人脸图片中人脸的方向。
本发明解决其技术问题所采用的技术方案是：
一种人脸方向判断方法，包括如下步骤：
S1、基于神经网络，预建立人脸角度预测模型和人脸方向预测模型；
S2、获取驾考考生的人脸图像；
S3、将所述人脸图像输入所述人脸角度预测模型，以确定出标识所述人脸图像的三个欧拉角的角度标识；
S4、将标识出三个欧拉角的所述角度标识输入所述人脸方向预测模型，以得到人脸方向预测结果；
S5、根据所述人脸方向预测结果确定出所述驾考考生的人脸方向。
进一步优化方案，在所述人脸图像输入所述人脸角度预测模型之前，还包括对所述人脸图像进行图像归一化处理，消除奇异样本数据。
其中，所述图像归一化处理的具体步骤如下：
采集大量人脸图片制成人脸图片训练集；
计算出所述人脸图片训练集中每张人脸图片在每一个维度上数据的均值；
将步骤S1中待处理的人脸图片数据减去每一个维度上数据的均值，并在每一个维度上除以标准差。
进一步优化方案，在基于神经网络，预建立人脸角度预测模型和人脸方向预测模型之前，所述方法还包括：
获取不同角度和不同噪声的人脸图像样本；
采用欧拉角定义人脸三维角度坐标系，并通过角度标签在所述人脸三维角度坐标系中标识出每个人脸图像样本的三个欧拉角yaw、pitch和roll。
进一步优化方案，所述采用欧拉角定义人脸三维角度坐标系包括：定义沿x轴旋转的角为pitch角，并对应上下摆头；定义沿y轴旋转的角为yaw角，并对应左右转头；定义沿z轴旋转的角为roll角，并对应左右摆头。
进一步优化方案，所述人脸角度预测模型的搭建方法包括：
S111、搭建人脸角度预测基础网络结构；
S112、以每个所述人脸图像样本和标识该人脸图像样本的三个欧拉角的角度标签作为一组训练数据,生成第一神经网络训练数据集；
S113、采用所述第一神经网络训练数据集训练所述人脸三维角度预测基础网络结构，迭代更新神经网络参数后，获得人脸角度预测模型；
其中，所述人脸角度预测模型响应于人脸图像的输入，输出标识该人脸图像的三个欧拉角的角度标签。
所述人脸角度预测基础网络结构包括：深度残差网络结构和三个全连接层；所述深度残差网络结构用于提取人脸特征，所述人脸特征经过所述三个全连接层返回三个方向上的角度值。
进一步优化方案，所述人脸方向预测模型的搭建方法包括：
S121、搭建人脸方向预测基础网络结构；
S122、预设置N个方向标签，每个方向标签标识一种预设人脸方向；
S123、分别为每个人脸图像样本标识上对应的方向标签；
S124、以每个所述人脸图像样本的方向标签和角度标签作为一组训练数据,生成第二神经网络训练数据集；
S125、采用所述第二神经网络训练数据集训练所述人脸方向预测基础网络结构，迭代更新神经网络参数后，获得人脸方向预测模型；
其中，所述人脸方向预测模型响应于标识三个欧拉角的角度标签的输入，输出相应的人脸方向预测结果；
所述人脸方向预测结果包括：角度标签所标识的三个欧拉角所对应在各方向标签所标识的预设人脸方向上的概率。
所述人脸方向预测基础网络结构包括：一个全连接层。
进一步优化方案，所述N个方向标签标识的人脸方向至少包括：
观察正前方的人脸方向、观察仪表盘的人脸方向、观察内视镜的人脸方向、观察档位的人脸方向、观察左后视镜的人脸方向、观察左b柱的人脸方向、观察右后视镜的人脸方向和观察右b柱的人脸方向。
进一步优化方案，所述根据人脸方向预测结果确定出所述驾考考生的人脸方向的方法包括：将概率最大的方向标签所标识的预设人脸方向作为驾考考生的人脸方向。
作为进一步优化技术方案，所述获取驾考考生的人脸图像的方法包括：
S21、通过设置在车辆内预定位置的至少一个摄像头，抓取驾考考生照片；
S22、基于SSD目标检测技术，从驾考考生照片中定位检测出驾考考生的人脸图像；
S23、获取检测出的驾考考生的人脸图像。
一种人脸方向判断系统，包括：
存储器，被配置为存储数据及计算机程序指令；
与所述存储器建立通信的处理器，所述处理器执行所述计算机程序指令以执行所述人脸方向判断方法中的任一项步骤。
所述人脸方向判定方法还包括：
获取预设的驾考人脸方向规则；
对驾考考生的人脸方向是否符合预设的驾考人脸方向规则进行判定；
输出判定结果。
本发明的有益效果是：本发明主要应用于科目三智能驾考中的人脸角度方向识别，其通过预测人脸的三维角度来判断人脸的具体观察方向，从而实现了智能驾考过程中的人脸角度方向的全程自动识别。本方案识别速度更快，精准度更高，应用于驾考中不仅节省了人力成本，又提升了科目三驾驶考试监督评判的效率、准确性，同时保证了科目三驾驶考试过程的公平性、公正性。
附图说明
图1是人脸方向判断方法所涉及的处理模块。
图2是人脸方向判断方法的流程示意图。
图3是图像归一化处理的流程示意图。
图4是人脸三维角度预测模型的获取流程图。
图5是人脸方向预测模型的获取流程图。
图6是人脸三维角度坐标系定义示意图。
具体实施方式
以下结合附图。对本发明做进一步说明。
如图1所示，本发明的人脸方向判断方法主要基于以下几个技术处理模块，包括：人脸图像采集模块、人脸图像预处理模块、人脸角度识别模块和人脸方向识别模块。
其处理步骤是：通过固定在驾驶员前方的摄像头采集人脸图像；然后使用数据归一化的图像预处理手段对原始图像进行白化处理；将预处理后的人脸图像输入人脸三维角度预测模型，识别出每张人脸图片在人脸三维角度坐标系上的三个欧拉角度，并记录。最后将识别出的三个欧拉角度传入人脸方向预测模型，识别出每张人脸的人脸方向。
其中，输入人脸图像后，经过深度残差网络结构提取特征后，后续接识别三个角度的全连接层，并计算三个角度的期望值yaw、pitch、roll。yaw、pitch、roll角的组合可以决定人脸的方向类别，经过深度神经网络训练后，模型可根据三个欧拉角度的组合判断出最终的人脸方向，然后，驾考评分模块便可根据识别出人脸角度方向值进行考试是否违规判断。
本发明中人脸方向的判断方法是：先识别角度，再识别方向的方法。其中，人脸方向是由人脸的三个欧拉角度推导出来的。采用该方法进一步的提高了人脸方向判断的准确性。
目前根据科目三驾驶考试规范设定识别人脸的八个方向为：观察正前方的人脸方向、观察仪表盘的人脸方向、观察内视镜的人脸方向、观察档位的人脸方向、观察左后视镜的人脸方向、观察左b柱的人脸方向、观察右后视镜的人脸方向和观察右b柱的人脸方向。
其中，人脸方向判断方法的具体流程如图2所示，包括如下步骤：
S1、基于神经网络，预建立人脸角度预测模型和人脸方向预测模型；
S2、获取驾考考生的人脸图像，并对人脸图像进行图像归一化处理，消除奇异样本数据；
S3、将人脸图像输入人脸角度预测模型，以确定出标识人脸图像的三个欧拉角的角度标识；
S4、将标识出三个欧拉角的角度标识输入人脸方向预测模型，以得到人脸方向预测结果；
S5、根据人脸方向预测结果确定出驾考考生的人脸方向。
其中，获取驾考考生的人脸图像的具体方法包括：
S21、通过设置在车辆内预定位置的至少一个摄像头，抓取驾考考生照片；
S22、基于SSD目标检测技术，从驾考考生照片中定位检测出驾考考生的人脸图像；
S23、获取检测出的驾考考生的人脸图像。
其中，图像归一化处理步骤如图3所示，具体步骤如下：采集大量人脸图片制成人脸图片训练集；计算出所述人脸图片训练集中每张人脸图片在每一个维度上数据的均值；将步骤S1中待处理的人脸图片数据减去每一个维度上数据的均值，并在每一个维度上除以标准差。
本发明中对人脸图片的数据归一化预处理可以增加数据间的可比性，同时又保持数据之间的相互关系。
在基于神经网络，预建立人脸角度预测模型和人脸方向预测模型之前，所述方法还包括：
获取不同角度和不同噪声的人脸图像样本；
采用欧拉角定义人脸三维角度坐标系，并通过角度标签在人脸三维角度坐标系中标识出每个人脸图像样本的三个欧拉角yaw、pitch和roll。
其中，人脸三维角度坐标系的具体定义(如图6所示，)如下：定义沿x轴旋转的角为pitch角，并对应上下摆头；定义沿y轴旋转的角为yaw角，并对应左右转头；定义沿z轴旋转的角为roll角，并对应左右摆头。
其中，人脸角度预测模型的搭建方法如图4所示，包括如下步骤：
S111、搭建人脸角度预测基础网络结构；该人脸角度预测基础网络结构包括深度残差网络结构和三个全连接层；所述深度残差网络结构用于提取人脸特征，所述人脸特征经过所述三个全连接层返回三个方向上的角度值；
S112、以每个所述人脸图像样本和标识该人脸图像样本的三个欧拉角的角度标签作为一组训练数据,生成第一神经网络训练数据集；
S113、采用所述第一神经网络训练数据集训练所述人脸三维角度预测基础网络结构，迭代更新神经网络参数后，获得人脸角度预测模型；其中，人脸角度预测模型响应于人脸图像的输入，输出标识该人脸图像的三个欧拉角的角度标签。
其中，人脸方向预测模型的搭建方法如图5所示，包括如下步骤：
S121、搭建人脸方向预测基础网络结构；其中，人脸方向预测基础网络结构包括一个全连接层；
S122、预设置N个方向标签，每个方向标签标识一种预设人脸方向；
N个方向标签标识的人脸方向至少包括：
观察正前方的人脸方向、观察仪表盘的人脸方向、观察内视镜的人脸方向、观察档位的人脸方向、观察左后视镜的人脸方向、观察左b柱的人脸方向、观察右后视镜的人脸方向和观察右b柱的人脸方向；
S123、分别为每个人脸图像样本标识上对应的方向标签；
S124、以每个所述人脸图像样本的方向标签和角度标签作为一组训练数据,生成第二神经网络训练数据集；
S125、采用所述第二神经网络训练数据集训练所述人脸方向预测基础网络结构，迭代更新神经网络参数后，获得人脸方向预测模型；
其中，人脸方向预测模型响应于标识三个欧拉角的角度标签的输入，输出相应的人脸方向预测结果；
其中，人脸方向预测结果包括：角度标签所标识的三个欧拉角所对应在各方向标签所标识的预设人脸方向上的概率。
确定驾考考生的人脸方向的方法是：将概率最大的方向标签所标识的预设人脸方向作为驾考考生的人脸方向。
最终获得的人脸方向判定结果上传至上层评分系统中，供考官人员作为评分参考。
在执行人脸方向判断方法时，还涉及一种人脸方向判断系统，该系统包括：
存储器，被配置为存储数据及计算机程序指令；
与存储器建立通信的处理器，处理器执行所述计算机程序指令以执行所述人脸方向判断方法中的任一项步骤。
以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种人脸方向判断方法，其特征在于，包括如下步骤：
S1、基于神经网络，预建立人脸角度预测模型和人脸方向预测模型；
S2、获取驾考考生的人脸图像；
S3、将所述人脸图像输入预建立的所述人脸角度预测模型中，以确定出标识所述人脸图像的三个欧拉角的角度标识；
S4、将标识三个欧拉角的角度标识输入预建立的所述人脸方向预测模型中，以得到人脸方向预测结果；
S5、根据所述人脸方向预测结果确定出所述驾考考生的人脸方向。
2.如权利要求1所述的一种人脸方向判断方法，其特征在于，在将所述人脸图像输入预设的人脸角度预测模型之前，还包括：对所述人脸图像进行图像归一化处理，消除奇异样本数据。
3.如权利要求1所述的一种人脸方向判断方法，其特征在于，在基于神经网络，预建立人脸角度预测模型和人脸方向预测模型之前，所述方法还包括：
获取不同角度和不同噪声的人脸图像样本；
采用欧拉角定义人脸三维角度坐标系，并通过角度标签在人脸三维角度坐标系中标识出每个人脸图像样本的三个欧拉角yaw、pitch和roll。
4.如权利要求3所述的一种人脸方向判断方法，其特征在于，所述人脸角度预测模型的搭建方法包括：
S111、搭建人脸角度预测基础网络结构；
S112、以每个所述人脸图像样本和标识该人脸图像样本的三个欧拉角的角度标签作为一组训练数据,生成第一神经网络训练数据集；
S113、采用所述第一神经网络训练数据集训练所述人脸三维角度预测基础网络结构，迭代更新神经网络参数后，获得人脸角度预测模型；其中，所述人脸角度预测模型响应于人脸图像的输入，输出标识该人脸图像的三个欧拉角的角度标签。
5.如权利要求3所述的一种人脸方向判断方法，其特征在于，所述人脸方向预测模型的搭建方法包括：
S121、搭建人脸方向预测基础网络结构；
S122、预设置N个方向标签，每个方向标签用标识一种预设人脸方向；
S123、分别为每个人脸图像样本标识上对应的方向标签；
S124、以每个所述人脸图像样本的方向标签和角度标签作为一组训练数据,生成第二神经网络训练数据集；
S125、采用所述第二神经网络训练数据集训练所述人脸方向预测基础网络结构，迭代更新神经网络参数后，获得人脸方向预测模型；其中，所述人脸方向预测模型响应于标识三个欧拉角的角度标签的输入，输出相应的人脸方向预测结果；
所述人脸方向预测结果包括：角度标签所标识的三个欧拉角所对应在各方向标签所标识的预设人脸方向上的概率。
6.如权利要求5所述的一种人脸方向判断方法，其特征在于，所述N个方向标签标识的人脸方向至少包括：
观察正前方的人脸方向、观察仪表盘的人脸方向、观察内视镜的人脸方向、观察档位的人脸方向、观察左后视镜的人脸方向、观察左b柱的人脸方向、观察右后视镜的人脸方向和观察右b柱的人脸方向。
7.根据权利要求5所述的一种人脸方向判断方法，其特征在于，所述根据人脸方向预测结果确定出所述驾考考生的人脸方向的方法包括：将概率最大的方向标签所标识的预设人脸方向作为驾考考生的人脸方向。
8.如权利要求3所述的一种人脸方向判断方法，其特征在于，所述采用欧拉角定义人脸三维角度坐标系包括：
定义沿x轴旋转的角为pitch角，并对应上下摆头；定义沿y轴旋转的角为yaw角，并对应左右转头；定义沿z轴旋转的角为roll角，并对应左右摆头。
9.如权利要求1所述的一种人脸方向判断方法，其特征在于，所述获取驾考考生的人脸图像的方法包括：
S21、通过设置在车辆内预定位置的至少一个摄像头，抓取驾考考生照片；
S22、基于SSD目标检测技术，从驾考考生照片中定位检测出驾考考生的人脸图像；
S23、获取检测出的驾考考生的人脸图像。
10.一种人脸方向判断系统，其特征在于，包括：
存储器，被配置为存储数据及计算机程序指令；
与存储器建立通信的处理器，所述处理器执行所述计算机程序指令以执行权利要求1至9任一项所述一种人脸方向判断方法的步骤。
CN201910475339.XA 2019-06-03 2019-06-03 一种人脸方向判断方法及系统 Pending CN110263678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910475339.XA CN110263678A (zh) 2019-06-03 2019-06-03 一种人脸方向判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910475339.XA CN110263678A (zh) 2019-06-03 2019-06-03 一种人脸方向判断方法及系统

Publications (1)

Publication Number Publication Date
CN110263678A true CN110263678A (zh) 2019-09-20

Family

ID=67916413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910475339.XA Pending CN110263678A (zh) 2019-06-03 2019-06-03 一种人脸方向判断方法及系统

Country Status (1)

Country Link
CN (1) CN110263678A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705509A (zh) * 2019-10-16 2020-01-17 上海眼控科技股份有限公司 人脸方向识别方法、装置、计算机设备和存储介质
CN111967306A (zh) * 2020-07-02 2020-11-20 广东技术师范大学 目标远程监控方法、装置、计算机设备及存储介质
CN113034602A (zh) * 2021-04-16 2021-06-25 电子科技大学中山学院 一种朝向角度分析方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705509A (zh) * 2019-10-16 2020-01-17 上海眼控科技股份有限公司 人脸方向识别方法、装置、计算机设备和存储介质
CN111967306A (zh) * 2020-07-02 2020-11-20 广东技术师范大学 目标远程监控方法、装置、计算机设备及存储介质
CN111967306B (zh) * 2020-07-02 2021-09-14 广东技术师范大学 目标远程监控方法、装置、计算机设备及存储介质
CN113034602A (zh) * 2021-04-16 2021-06-25 电子科技大学中山学院 一种朝向角度分析方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN105976400B (zh) 基于神经网络模型的目标跟踪方法及装置
CN101706445B (zh) 用于牛肉大理石花纹等级评分的图像处理方法
CN109800689A (zh) 一种基于时空特征融合学习的目标跟踪方法
CN108038474A (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN104966070B (zh) 基于人脸识别的活体检测方法和装置
CN108345869A (zh) 基于深度图像和虚拟数据的驾驶人姿态识别方法
CN110263678A (zh) 一种人脸方向判断方法及系统
CN106529442A (zh) 一种行人识别方法和装置
CN108734086A (zh) 基于眼部区域生成网络的眨眼频率和视线估计方法
CN110414546A (zh) 使用中间损失函数训练图像信号处理器
CN102567734B (zh) 基于比值的视网膜细小血管分割方法
CN111611851B (zh) 模型生成方法、虹膜检测方法及装置
CN110490936A (zh) 车辆摄像头的标定方法、装置、设备及可读存储介质
CN109271984A (zh) 一种基于深度学习的多方位车牌定位方法
CN110458005A (zh) 一种基于多任务渐进配准网络的旋转不变人脸检测方法
CN109978870A (zh) 用于输出信息的方法和装置
CN110245544A (zh) 一种确定停车状态的方法及装置
CN109773807B (zh) 运动控制方法、机器人
CN108875469A (zh) 活体检测与身份认证的方法、装置及计算机存储介质
US20200065564A1 (en) Method for determining pose and for identifying a three-dimensional view of a face
CN116051631A (zh) 光斑标注方法及系统
CN105404866B (zh) 一种多模式自动实施人体状态感知的实现方法
CN112307984A (zh) 基于神经网络的安全帽检测方法和装置
CN116310799A (zh) 语义信息与几何约束相结合的动态特征点剔除方法
CN110263867A (zh) 一种钢轨伤损分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190920

WD01 Invention patent application deemed withdrawn after publication