CN110427912A - 一种基于深度学习的人脸检测方法及其相关装置 - Google Patents

一种基于深度学习的人脸检测方法及其相关装置 Download PDF

Info

Publication number
CN110427912A
CN110427912A CN201910741344.0A CN201910741344A CN110427912A CN 110427912 A CN110427912 A CN 110427912A CN 201910741344 A CN201910741344 A CN 201910741344A CN 110427912 A CN110427912 A CN 110427912A
Authority
CN
China
Prior art keywords
face datection
pictorial information
picture
model
detected
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
CN201910741344.0A
Other languages
English (en)
Inventor
唐健
祝严刚
黄海波
陶昆
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.)
Shenzhen Jieshun Science and Technology Industry Co Ltd
Original Assignee
Shenzhen Jieshun Science and Technology Industry 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 Shenzhen Jieshun Science and Technology Industry Co Ltd filed Critical Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority to CN201910741344.0A priority Critical patent/CN110427912A/zh
Publication of CN110427912A publication Critical patent/CN110427912A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

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

Abstract

本申请实施例公开了一种基于深度学习的人脸检测的方法及其相关装置，用于实现快速高质量的人脸检测过程。本申请实施例方法包括：获取经过预处理的待检测图片信息；将所述图片信息发送至训练好的人脸检测模型；输出所述人脸检测模型的检测结果。本申请通过将待检测图片进行预处理以及优化训练好的检测模型对图片进行人脸检测，可以快速高质量的完成人脸检测。

Description

一种基于深度学习的人脸检测方法及其相关装置
技术领域
本申请涉及人脸识别领域，具体涉及一种基于深度学习的人脸检测方法及其相关装置。
背景技术
人脸检测，即在图片中定位人脸位置和尺寸大小，是当前计算机视觉研究中极具挑战性的热点问题之一。人脸检测作为基础的前置操作，对后续的人脸识别、表情识别、年龄估计、性别分类等技术的性能具有重要影响。
在通用检测领域，基于深度学习的目标检测方法得到了快速发展，大致可分为两类。第一类是基于区域卷积神经网络的双阶段方法，在第一阶段生成候选区域，在第二阶段对候选区域进行分类和回归。双阶段的方法准确率较高，但速度较慢，无法达到实时性。第二类方法是单阶段方法，不需要生成候选区域阶段，可直接通过回归对目标定位和分类，构建了端到端模型。单阶段的方法速度较快，但性能略逊于双阶段方法。但基于上述两类算法的人脸检测算法普遍存在不同场景下的鲁棒性较低、误检率和漏检率高的问题且速度较慢，不满足实时性的要求，如何解决上述问题则是当前亟待解决的。
申请内容
本申请实施例公开了一种基于深度学习的人脸检测的方法及其相关装置，用于实现快速高质量的人脸检测过程。
为达到上述目的，本申请第一方面提供了一种基于深度学习的人脸检测的方法，该方法可以包括：
获取经过预处理的待检测图片信息；
将所述图片信息发送至训练好的人脸检测模型；
输出所述人脸检测模型的检测结果。
可选地，在获取经过预处理的待检测图片信息包括：
接收待检测图片；
将所述待检测图片调整至预设大小。
可选地，获取经过预处理的待检测图片信息之前，所述方法还包括：
处理训练所述人脸检测模型所需数据；
设计所述人脸检测模型网络。
可选地，所述处理训练所述人脸检
测模型所需数据包括：
获取预设数量的图片信息，所述图片信息用于形成训练数据集；
对所述训练数据集进行清洗，所述清洗用于筛除不符合训练要求的图片信息。
可选地，设计所述人脸检测模型网络包括：
设计骨干网络，所述骨干网络用于对数据进行卷积、最大池化以及批归一化操作，以获取特征；
设计检测网络，所述检测网络用于进行对特征进行处理以进行人脸判定以及位置回归。
可选地，获取经过预处理的待检测图片信息之前，所述方法还包括：
训练所述人脸检测模型，所述人脸检测模型用于确定出图片中人脸的位置。
可选地，训练所述人脸检测模型，具体包括：
从已进行数据清洗的训练数据集内输出预设数量的图片；
对所述图片进行数据增强并将所述进行数据增强后的图片送入所述网络；
得到所述网络计算后的结果，并将所述结果与训练数据集内的图片标签进行比对；
根据所述比对结果进行损失计算，并使用随机梯度下降算法对所述模型进行更新。
本申请第二方面提供一种基于深度学习的人脸检测的系统，包括：
获取单元，用于获取经过预处理的待检测图片信息；
发送单元，用于将所述图片信息发送至训练好的人脸检测模型；
输出单元，用于输出所述人脸检测模型的检测结果。
本申请实施例第三方面提供了一种计算机装置，包括：
处理器、存储器、输入输出设备以及总线；
所述处理器、存储器、输入输出设备分别与所述总线相连；
所述处理器用于执行如前述实施例任一项所述的方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如前述实施例所述方法的步骤。
以上技术方案可以看出，本申请实施例具有以下优点：获取经过预处理的待检测图片信息；将所述图片信息发送至训练好的人脸检测模型；输出所述人脸检测模型的检测结果。本申请通过将待检测图片进行预处理以及优化训练好的检测模型对图片进行人脸检测，可以快速高质量的完成人脸检测。
附图说明
图1为本申请实施例中基于深度学习的人脸检测的一个方法实施例；
图2为本申请实施例中基于深度学习的人脸检测的另一个方法实施例；
图3为本申请实施例中基于深度学习的人脸检测的另一个方法实施例；
图4为本申请实施例中基于深度学习的人脸检测的另一个方法实施例；
图5为本申请实施例中基于深度学习的人脸检测的另一个方法实施例；
图6为本申请实施例中基于深度学习的人脸检测的一个系统实施例；
图7为本申请实施例中一种计算机装置的一个实施例。
具体实施方式
本申请实施例公开了一种基于深度学习的人脸检测的方法及其相关装置，用于实现快速高质量的人脸检测过程。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于理解，下面对本申请实施例中的具体流程进行描述，请参阅图1，本申请实施例中基于深度学习的人脸检测的一个方法实施例包括：
101、获取经过预处理的待检测图片信息；
具体地，将接收到的图片信息进行人脸检测之前，会将该图片进行预处理，具体的处理过程主要将图片调整至方便进行识别的大小，具体的大小由检测模型所决定。
102、将所述图片信息发送至训练好的人脸检测模型；
具体地，经过预处理的图片信息会发送至训练好的人脸检测模型，该人脸检测模型会根据图片的特征，并对特征进行处理，最后输出该图片信息的检测结果。
103、输出所述人脸检测模型的检测结果。
具体地，人脸检测模型可以根据图片内的特征，并进行人脸检测以及位置回归，对检测出的人脸位置进行标注，从而将结果输出。
本实施例中，获取经过预处理的待检测图片信息；将所述图片信息发送至训练好的人脸检测模型；输出所述人脸检测模型的检测结果。本申请通过将待检测图片进行预处理以及优化训练好的检测模型对图片进行人脸检测，可以快速高质量的完成人脸检测。
下面对预处理的过程进行进一步介绍，请参阅图2，本申请实施例中基于深度学习的人脸检测的另一个方法实施例包括：
20、接收待检测图片并将所述待检测图片调整至预设大小。
具体地，对接收到的图片的预处理过程主要为调整其尺寸至适合人脸检测模型进行检测的尺寸。
下面对处理模型所需数据的过程进行进一步介绍，请参阅图3，本申请实施例中基于深度学习的人脸检测的另一个方法实施例包括：
301、获取预设数量的图片信息，所述图片信息用于形成训练数据集；
具体地，为了保证有着足够的实验次数，那么就需要保证足够的实验基础数据，即大量的人脸图片，包含着广泛分布的场景，且人脸尺度和姿态各异，同时存在不同程度的遮挡和光照差异，这样通过大量实验保证了人脸检测模型在后续使用的过程中的准确性。
302、对所述训练数据集进行清洗，所述清洗用于筛除不符合训练要求的图片信息。
具体地，对训练数据进行清洗是为了筛除一些无效数据，比如某些图片可能经过亮度增强之后还是特别暗，拍照效果特别模糊，这些对于模型的训练没有帮助的图片，一般会将其从数据集中筛除，用以保证数据的实用性。
下面对模型网络进行进一步介绍，请参阅图4，本申请实施例中基于深度学习的人脸检测的另一个方法实施例包括：
401、设计骨干网络，所述骨干网络用于对数据进行卷积、最大池化以及批归一化操作，以获取特征；
具体地，特征提取的骨干网络通过减少骨干网络的卷积核数目，来减少模型计算量，提升模型的速度。同时在每个卷积层后面接上BatchNormalization层，加快模型的收敛以及提升模型的性能。同时在conv4_3_norm_mbox_conf后面接上slice、eltwise和concat等网络层，用于对数据进行切分以及组合，通过增大分类难度，进一步提升模型精度。
402、设计检测网络，所述检测网络用于进行对特征进行处理以进行人脸判定以及位置回归。
检测网络延续原有的SSD网络，但是分别提取conv4_3，fc7，conv6_2，conv7_2，conv8_2，conv9_2这6个卷积层的特征图进行人脸判定和位置回归，实现多尺度检测人脸。同时因为经过统计分析，人脸宽高比普遍小于1.5，将priorbox层中的aspect_ratio(宽高比)设置为小于等于1.5，同时在6个特征图中，conv4_3的特征图的priorbox(先验框)数目有5776个，占了所有priorbox总数的66.15％。总误检测框数目的绝大部分也相应集中在该层。conv4_3_norm_mbox_conf卷积层中，通过卷积核对类别进行预测，一个卷积核对应一类。因此增加该层的卷积核个数，由原来的8增加为16。即相当于将每个框预测1次背景，1次人脸，修改为每个框预测3次背景，预测1次人脸。然后将获得的conv4_3_norm_mbox_conf特征切分成16个子特征，将16个子特征每3个取一个得分最高的特征作为背景特征。
下面对人脸检测模型的训练过程进行进一步的解释，具体请参见图5，本申请实施例中基于深度学习的人脸检测的另一个方法实施例包括：
501、从已进行数据清洗的训练数据集内输出预设数量的图片；
具体地，训练人脸检测模型时，所挑选的数据来源是已经进行清洗过的训练数据集，并从其中随机选出一定数量的图片送入该人脸检测模型。
502、对所述图片进行数据增强并将所述进行数据增强后的图片送入所述网络；
具体地，为使得训练所用数据特征更为丰富，会对其进行数据增强，即训练时进行数据增强。对图片进行颜色方面的增强，分别对图片的亮度、对比度、色调和饱和度的调整，并将图片的大小调整为合适人脸检测模型进行运算的大小。
503、得到所述网络计算后的结果，并将所述结果与训练数据集内的图片标签进行比对；
具体地，在经过人脸检测模型的骨干网络对特征的卷积、最大池化、批归一化以及检测网络的人脸判定以及位置回归之后，会输出一个结果，该结果由检测网络的人脸判定过程判定为人脸区域还是为背景区域并由位置回归过程将人脸区域框出，最后将该结果与训练数据集内的图片标签，即该图片信息真实的人脸区域进行对比。
504、根据所述比对结果进行损失计算，并使用随机梯度下降算法对所述模型进行更新。
具体地，根据对比结果进行损失计算计算多任务损失函数(由分类损失函数Lconf(x,c)和定位损失函数Lloc(x,l,g)组合而成)Multibox_loss(x,c,l,g)的loss。
式(1)中，N是真实框g与默认框d匹配的数目，如果N＝0，则设置Multibox_loss(x,c,l,g)＝0；λ为两类loss的权重，本发明中为了提升模型分类性能，将λ设为0.5。Lloc(x,l,g)的计算方式如式(2)和式(3)所示，通过回归默认框中心坐标(cx,cy)和宽w以及高h的偏移量，计算预测框和真实框之间的loss。分类损失函数Lconf(x,c)为softmax损失函数，如式(4)和式(5)所示，输入为每一类(人脸和背景两类)的置信度c。
计算出损失过后，利用随机梯度下降算法进行更新，它通过不停的判断和选择当前目标下最优的路径，从而能够在最短路径下达到最优的结果。即其可以根据损失计算结果对网络的参数进行更新从而保证输出的结果与训练数据集内的图片标注更为接近，直至所述模型在实际测试时性能达到了所需的指标后停止更新。
本实施例中，提出一种基于深度学习的人脸检测方法，通过获取经过预处理的待检测图片信息；将所述图片信息发送至训练好的人脸检测模型；输出所述人脸检测模型的检测结果。本申请通过将待检测图片进行预处理以及优化训练好的检测模型对图片进行人脸检测，可以快速高质量的完成人脸检测。
从虚拟装置角度对本申请进行进一步的介绍，请参见图6，本申请实施例中基于深度学习的人脸检测的一个系统实施例包括：
获取单元601，用于获取经过预处理的待检测图片信息；
发送单元602，用于将所述图片信息发送至训练好的人脸检测模型；
输出单元603，用于输出所述人脸检测模型的检测结果。
下面从实体装置的角度对本申请实施例中的计算机装置进行描述，请参阅图7，本申请实施例中计算机装置的一个实施例包括：
该计算机装置700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)701(例如，一个或一个以上处理器)和存储器705，该存储器705中存储有一个或一个以上的应用程序或数据。
其中，存储器705可以是易失性存储或持久存储。存储在存储器705的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器701可以设置为与存储器705通信，在智能终端700上执行存储器705中的一系列指令操作。
该计算机装置700还可以包括一个或一个以上电源702，一个或一个以上有线或无线网络接口703，一个或一个以上输入输出接口704，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
可以理解的是，在本申请的各种实施例中，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以记录在一个计算机可读取记录介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品记录在一个记录介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的记录介质包括：U盘、移动硬盘、只读记录器(ROM，Read-OnlyMemory)、随机存取记录器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以记录程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度学习的人脸检测的方法，其特征在于，包括：
获取经过预处理的待检测图片信息；
将所述图片信息发送至训练好的人脸检测模型；
输出所述人脸检测模型的检测结果。
2.根据权利要求1所述的方法，其特征在于，在获取经过预处理的待检测图片信息包括：
接收待检测图片；
将所述待检测图片调整至预设大小。
3.根据权利要求1所述的方法，其特征在于，获取经过预处理的待检测图片信息之前，所述方法还包括：
处理训练所述人脸检测模型所需数据；
设计所述人脸检测模型网络。
4.根据权利要求4所述的方法，其特征在于，所述处理训练所述人脸检测模型所需数据包括：
获取预设数量的图片信息，所述图片信息用于形成训练数据集；
对所述训练数据集进行清洗，所述清洗用于筛除不符合训练要求的图片信息。
5.根据权利要求4所述的方法，其特征在于，设计所述人脸检测模型网络包括：
设计骨干网络，所述骨干网络用于对数据进行卷积、最大池化以及批归一化操作，以获取特征；
设计检测网络，所述检测网络用于进行对特征进行处理以进行人脸判定以及位置回归。
6.根据权利要求5所述的方法，其特征在于，获取经过预处理的待检测图片信息之前，所述方法还包括：
训练所述人脸检测模型，所述人脸检测模型用于确定出图片中人脸的位置。
7.根据权利要求6所述的方法，其特征在于，训练所述人脸检测模型，具体包括：
从已进行数据清洗的训练数据集内输出预设数量的图片；
对所述图片进行数据增强并将所述进行数据增强后的图片送入所述网络；
得到所述网络计算后的结果，并将所述结果与训练数据集内的图片标签进行比对；
根据所述比对结果进行损失计算，并使用随机梯度下降算法对所述模型进行更新。
8.一种基于深度学习的人脸检测的系统，其特征在于，包括：
获取单元，用于获取经过预处理的待检测图片信息；
发送单元，用于将所述图片信息发送至训练好的人脸检测模型；
输出单元，用于输出所述人脸检测模型的检测结果。
9.一种计算机装置，其特征在于，所述计算机装置包括：输入/输出接口、处理器和存储器，所述存储器中存储有程序指令；
所述处理器用于执行存储器中存储的程序指令，执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1-7中任一项所述的方法。
CN201910741344.0A 2019-08-12 2019-08-12 一种基于深度学习的人脸检测方法及其相关装置 Pending CN110427912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910741344.0A CN110427912A (zh) 2019-08-12 2019-08-12 一种基于深度学习的人脸检测方法及其相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910741344.0A CN110427912A (zh) 2019-08-12 2019-08-12 一种基于深度学习的人脸检测方法及其相关装置

Publications (1)

Publication Number Publication Date
CN110427912A true CN110427912A (zh) 2019-11-08

Family

ID=68415595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910741344.0A Pending CN110427912A (zh) 2019-08-12 2019-08-12 一种基于深度学习的人脸检测方法及其相关装置

Country Status (1)

Country Link
CN (1) CN110427912A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597936A (zh) * 2020-05-06 2020-08-28 深圳市英威诺科技有限公司 基于深度学习的人脸数据集标注方法、系统、终端及介质
CN112464822A (zh) * 2020-11-30 2021-03-09 深圳市捷顺科技实业股份有限公司 一种基于特征增强的头盔佩戴检测方法及装置
CN112825122A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 基于二维人脸图像的种族判断方法、装置、介质及设备
CN112989869A (zh) * 2019-12-02 2021-06-18 深圳云天励飞技术有限公司 人脸质量检测模型的优化方法、装置、设备及存储介质
CN113780202A (zh) * 2021-09-15 2021-12-10 北京紫光展锐通信技术有限公司 人脸检测方法及装置、计算机可读存储介质、终端设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886064A (zh) * 2017-11-06 2018-04-06 安徽大学 一种基于卷积神经网络的人脸识别场景适应的方法
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN108875654A (zh) * 2018-06-25 2018-11-23 深圳云天励飞技术有限公司 一种人脸特征采集方法及装置
CN108960340A (zh) * 2018-07-23 2018-12-07 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN109002767A (zh) * 2018-06-22 2018-12-14 恒安嘉新（北京）科技股份公司 一种基于深度学习的人脸验证方法及系统
CN109359608A (zh) * 2018-10-25 2019-02-19 电子科技大学 一种基于深度学习模型的人脸识别方法
CN109583322A (zh) * 2018-11-09 2019-04-05 长沙小钴科技有限公司 一种人脸识别深度网络训练方法和系统
CN109886153A (zh) * 2019-01-30 2019-06-14 四川电科维云信息技术有限公司 一种基于深度卷积神经网络的实时人脸检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886064A (zh) * 2017-11-06 2018-04-06 安徽大学 一种基于卷积神经网络的人脸识别场景适应的方法
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN109002767A (zh) * 2018-06-22 2018-12-14 恒安嘉新（北京）科技股份公司 一种基于深度学习的人脸验证方法及系统
CN108875654A (zh) * 2018-06-25 2018-11-23 深圳云天励飞技术有限公司 一种人脸特征采集方法及装置
CN108960340A (zh) * 2018-07-23 2018-12-07 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN109359608A (zh) * 2018-10-25 2019-02-19 电子科技大学 一种基于深度学习模型的人脸识别方法
CN109583322A (zh) * 2018-11-09 2019-04-05 长沙小钴科技有限公司 一种人脸识别深度网络训练方法和系统
CN109886153A (zh) * 2019-01-30 2019-06-14 四川电科维云信息技术有限公司 一种基于深度卷积神经网络的实时人脸检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112825122A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 基于二维人脸图像的种族判断方法、装置、介质及设备
CN112989869A (zh) * 2019-12-02 2021-06-18 深圳云天励飞技术有限公司 人脸质量检测模型的优化方法、装置、设备及存储介质
CN112989869B (zh) * 2019-12-02 2024-05-07 深圳云天励飞技术有限公司 人脸质量检测模型的优化方法、装置、设备及存储介质
CN111597936A (zh) * 2020-05-06 2020-08-28 深圳市英威诺科技有限公司 基于深度学习的人脸数据集标注方法、系统、终端及介质
CN112464822A (zh) * 2020-11-30 2021-03-09 深圳市捷顺科技实业股份有限公司 一种基于特征增强的头盔佩戴检测方法及装置
CN113780202A (zh) * 2021-09-15 2021-12-10 北京紫光展锐通信技术有限公司 人脸检测方法及装置、计算机可读存储介质、终端设备

Similar Documents

Publication Publication Date Title
US11794110B2 (en) System and method for toy recognition
CN110084173B (zh) 人头检测方法及装置
CN110427912A (zh) 一种基于深度学习的人脸检测方法及其相关装置
CN107578060B (zh) 一种基于可判别区域的深度神经网络用于菜品图像分类的方法
CN108595585B (zh) 样本数据分类方法、模型训练方法、电子设备及存储介质
CN111008640B (zh) 图像识别模型训练及图像识别方法、装置、终端及介质
EP3540636A1 (en) Method for distinguishing a real three-dimensional object from a two-dimensional spoof of the real object
CN109977943A (zh) 一种基于yolo的图像目标识别方法、系统和存储介质
Steppe et al. Integrated feature architecture selection
CN110580445A (zh) 一种基于GIoU和加权NMS改进的人脸关键点检测方法
CN109472209A (zh) 一种图像识别方法、装置和存储介质
CN109815967A (zh) 基于特征融合的cnn舰船目标识别系统及方法
CN108319928A (zh) 一种基于多目标微粒群算法优化的深度学习模型及应用
CN113989890A (zh) 基于多通道融合和轻量级神经网络的人脸表情识别方法
CN115049952B (zh) 一种基于多尺度级联感知深度学习网络的幼鱼肢体识别方法
CN112364747B (zh) 一种有限样本下的目标检测方法
CN109919246A (zh) 基于自适应特征聚类和多重损失融合的行人重识别方法
CN109255382A (zh) 用于图片匹配定位的神经网络系统，方法及装置
CN110096991A (zh) 一种基于卷积神经网络的手语识别方法
CN114445268A (zh) 一种基于深度学习的服装风格迁移方法及系统
CN109726756A (zh) 图像处理方法、装置、电子设备及存储介质
CN114118303B (zh) 基于先验约束的人脸关键点检测方法及装置
Barbhuiya et al. Gesture recognition from RGB images using convolutional neural network‐attention based system
CN110956157A (zh) 基于候选框选择的深度学习遥感影像目标检测方法及装置
Wang et al. Fusion network for face-based age estimation

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191108

RJ01 Rejection of invention patent application after publication