CN110705509A - 人脸方向识别方法、装置、计算机设备和存储介质 - Google Patents
人脸方向识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110705509A CN110705509A CN201910981768.4A CN201910981768A CN110705509A CN 110705509 A CN110705509 A CN 110705509A CN 201910981768 A CN201910981768 A CN 201910981768A CN 110705509 A CN110705509 A CN 110705509A
- Authority
- CN
- China
- Prior art keywords
- face
- detection
- face direction
- target
- region
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 319
- 238000004590 computer program Methods 0.000 claims description 29
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
-
- 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
- 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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种人脸方向识别方法、装置、计算机设备和存储介质。包括:获取目标图像;对目标图像进行人脸区域检测,得到至少一个目标区域;对至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域。从而使得至少一个目标区域为人脸方向检测提供待检测区域,减少人脸方向检测的工作量,使人脸方向检测的速度明显提升,并通过人脸方向检测进一步提高人脸方向检测的准确率。
Description
技术领域
本申请涉及人脸识别技术领域,特别涉及一种人脸方向识别方法、装置、计算机设备和存储介质。
背景技术
随着人脸识别技术的不断发展,人们对面部的识别要求也越来越高,在人脸识别的应用中,不仅要识别出一幅图像或视频中的人脸,还要识别人脸方向,以根据人脸方向,进行数据分析。传统技术中,一般是人工提取图像特征后,用机器学习的方式进行人脸方向识别。
然而,人工提取图像特征后进行机器学习的识别方式是基于整幅图像的,识别速度慢且准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种人脸方向识别方法、装置、计算机设备和存储介质。
一种人脸方向识别方法,所述方法包括:
获取目标图像;
对所述目标图像进行人脸区域检测,得到至少一个目标区域;
对所述至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,所述人脸方向信息包括人脸方向和与所述人脸方向对应的人脸区域。
在其中一个实施例中,所述对所述目标图像进行人脸区域检测,得到至少一个目标区域,包括:
将所述目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果;其中,每一所述第一检测结果包括一个第一人脸概率得分和一个第一人脸区域,每一所述第一检测结果中的第一人脸概率得分与第一人脸区域对应;
将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为所述至少一个目标区域。
在其中一个实施例中,所述将所述目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果,包括:
将所述目标图像输入所述人脸区域检测模型中,得到至少N组特征图;
从所述至少N组特征图中抽取M组特征图进行人脸区域检测,得到所述至少一个第一检测结果;其中N大于或等于M。
在其中一个实施例中,所述从所述至少N组特征图中抽取M组特征图进行人脸区域检测,得到所述至少一个第一检测结果,包括:
获取第一预设数量的目标检测框;其中,每一所述目标检测框的尺寸是预先设置的;
按照所述第一预设数量的目标检测框,在所述M组特征图的每一像素点上进行人脸区域检测,得到所述至少一个第一检测结果。
在其中一个实施例中,所述获取第一预设数量的目标检测框,包括:
获取第二预设数量的样本图像;
对所述第二预设数量的样本图像进行聚类,得到所述第一预设数量的样本类别和每一样本类别的图像尺寸的加权平均尺寸;
将所述第一预设数量的样本类别对应的加权平均尺寸确定为所述第一预设数量的目标检测框的尺寸。
在其中一个实施例中,所述人脸区域检测模型为包括5个卷积层和5个池化层的CNN网络。
在其中一个实施例中,所述对所述至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,所述人脸方向信息包括人脸方向和与所述人脸方向对应的人脸区域,包括:
将所述至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果;其中,每一所述第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个初始人脸方向,每一所述第二检测结果中的第二人脸概率得分、第二人脸区域和初始人脸方向相互对应;
将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向,确定为所述人脸方向;
将大于所述第二预设阈值的第二人脸概率得分对应的第二人脸区域,确定为所述与所述人脸方向对应的人脸区域。
在其中一个实施例中,所述将所述至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果,还包括:
将所述至少一个目标区域输入所述人脸方向检测模型中,按照所述第二人脸概率得分由大到小的顺序对所述至少一个第二检测结果进行排序,得到第二检测结果序列;
依次计算所述第二检测结果序列中的第一个第二检测结果中的第二人脸区域与后续第二检测结果中的第二人脸区域的面积的交并比;
若所述面积的交并比大于第三预设阈值,则删除与所述面积的交并比对应的第二检测结果;
按照所述第二人脸概率得分由大到小的顺序对保留下来的第二检测结果进行排序,得到更新后的第二检测结果序列,并进行迭代运算,直到每一面积的交并比小于或等于所述第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
在其中一个实施例中,所述人脸方向检测模型为包括4个卷积层和4个池化层的CNN网络。
一种人脸方向识别装置,所述装置包括:
目标图像获取模块,用于获取目标图像;
目标区域获取模块,用于对所述目标图像进行人脸区域检测,得到至少一个目标区域;
人脸方向确定模块,用于对所述至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,所述人脸方向信息包括人脸方向和与所述人脸方向对应的人脸区域。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
上述人脸方向识别方法、装置、计算机设备和存储介质,通过对目标图像进行人脸区域检测,得到至少一个目标区域,对至少一个目标区域进行人脸方向检测,得到人脸方向信息,其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域,上述至少一个目标区域的获取可以使后续人脸方向检测能够在筛选出来的至少一个目标区域上进行,减少后续人脸方向检测的工作量,提高人脸方向检测的速度,并通过人脸方向检测进一步提高人脸方向检测的准确率。
附图说明
图1为一个实施例中人脸方向识别方法的流程示意图;
图2为一个实施例中步骤S200的一种可实施方式的流程示意图;
图3为一个实施例中步骤S210的一种可实施方式的流程示意图;
图4为一个实施例中人脸区域检测模型示意图;
图5为一个实施例中步骤S212的一种可实施方式的流程示意图;
图6为一个实施例中步骤S300的一种可实施方式的流程示意图;
图7为一个实施例中人脸方向检测模型示意图;
图8为一个实施例中步骤S310的一种可实施方式的流程示意图;
图9为一个实施例中人脸方向识别装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解本申请中所使用的术语“第一”、“第二”等可在本文中用于描述各种条件关系,但这些条件关系不受这些术语限制。这些术语仅用于将一个条件关系与另一个条件关系区分开来。
在一个实施例中,如图1所示,提供了一种人脸方向识别方法,包括以下步骤:
步骤S100,获取目标图像。
其中,目标图像为待检测图像,为后续人脸区域检测和人脸方向检测的源图像。一般需要对图像进行压缩、归一化等操作,以得到图像大小、尺寸等符合要求的目标图像。
步骤S200,对目标图像进行人脸区域检测,得到至少一个目标区域。
具体地,对目标图像进行区域划分,得到至少一个划分后的区域,对划分后的区域进行人脸区域检测,将包含人脸图像的区域筛选出来作为目标区域,得到至少一个目标区域,以使后续人脸方向检测能够在筛选出来的至少一个目标区域上进行,减少后续人脸方向检测的工作量和工作压力。
步骤S300,对至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域。
其中,人脸方向为根据用户的需求定义的图像中的人脸的朝向,包括左、左前、前方、右前、右等方向,具体人脸方向可以根据实际需求进行定义,例如,人脸方向还可以包括向下、向上等。与人脸方向对应的人脸区域包括该区域的大小和该区域的位置坐标信息。
具体地,对至少一个目标区域进行人脸方向检测,得到每一目标区域的人脸概率得分和人脸方向,将符合预设条件的人脸方向确定人脸方向,将符合预设条件的目标区域确定为与人脸方向对应的人脸区域。
上述人脸方向识别方法,通过对目标图像进行人脸区域检测,得到至少一个目标区域,对至少一个目标区域进行人脸方向检测,得到人脸方向信息,其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域,上述至少一个目标区域的获取可以使后续人脸方向检测能够在筛选出来的至少一个目标区域上进行,减少后续人脸方向检测的工作量,提高人脸方向检测的速度,并通过人脸方向检测进一步提高人脸方向检测的准确率。
在其中一个实施例中,如图2所示,为步骤S200的一种可实施方式的流程示意图,其中,对目标图像进行人脸区域检测,得到至少一个目标区域,包括:
步骤S210,将目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果;其中,每一第一检测结果包括第一人脸概率得分和第一人脸区域,每一第一检测结果中的第一人脸概率得分与第一人脸区域对应。
其中,人脸区域检测模型为一个训练好的卷积神经网络(Convolutional NeuralNetworks,CNN),该人脸区域检测模型能够识别图像中的人脸区域,并输出相应人脸区域是人脸的概率得分。
具体地,将目标图像输入预设的人脸区域检测模型中,人脸区域检测模型对目标图像进行人脸区域检测,得到至少一个第一检测结果。
步骤S220,将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为至少一个目标区域。
具体地,将第一人脸概率得分大于第一预设阈值的第一人脸概率得分筛选出来,并将筛选后的第一人脸概率得分对应的第一人脸区域确定为至少一个目标区域。例如,第一人脸概率得分区间为[0,1],第一预设阈值为0.9,当第一人脸概率得分大于0.9时,认为该第一人脸概率得分对应的第一人脸区域中包含人脸图像,则将对应的第一人脸区域筛选出来确定为一个目标区域,逐一比较每一第一人脸概率得分与第一预设阈值的关系,将第一人脸概率得分大于第一预设阈值的第一人脸概率得分筛选出来,并将筛选后的第一人脸概率得分对应的第一人脸区域确定为至少一个目标区域。本实施例中以第一预设阈值为0.9进行举例说明,并不对具体预设阈值进行限定,根据具体用户需求,可以为第一预设阈值设定不同的数值,当用户对检测区域是人脸的要求比较高时,可将第一预设阈值设定为0.95,当用户对检测区域是人脸的要求比较低时,可将第一预设阈值设定为0.8。当然,一般第一预设阈值设定的较高时,最终得到的目标区域的数量会较少,而当第一预设阈值设定的较低时,最终得到的目标区域的数量会较多,不同数量的目标区域也会影响后续人脸方向检测的工作量和工作压力,实际处理中可以根据具体精度要求和工作效率机动地调整预设阈值的大小。
上述实施例中,通过将目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果,其中,每一第一检测结果包括第一人脸概率得分和第一人脸区域,并将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为至少一个目标区域,可以使后续人脸方向检测能够在筛选出来的至少一个目标区域上进行,减少后续人脸方向检测的工作量和工作压力。
在其中一个实施例中,如图3所示,为步骤S210的一种可实施方式的流程示意图,其中,将目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果,包括:
步骤S211,将目标图像输入人脸区域检测模型中,得到至少N组特征图。
步骤S212,从至少N组特征图中抽取M组特征图进行人脸区域检测,得到至少一个第一检测结果;其中N大于或等于M。
具体地,当人脸区域检测模型为N级CNN网络时,可以得到至少N组特征图,根据历史统计数据中的人脸图像的尺寸大小,在N组特征图中抽取M组特征图(一般为后M组特征图),在不同尺寸的特征图上进行人脸区域检测,得到至少一个第一检测结果。其中,由于比较大的特征图经过的下采样次数少,位置预测更准确,主要用来检测相对较小的目标,而比较小的特征图主要负责检测大目标,如此,可以在不同尺寸的特征图上进行人脸区域检测可以避免图像中存在人脸图像而未被检测到的现象发生,提高人脸区域检测的准确性。
可选地,人脸区域检测模型为包括5个卷积层和5个池化层的CNN网络。
具体地,根据实际处理中的图像特征和人脸区域大小,优选人脸区域检测模型为包括5个卷积层和5个池化层的CNN网络。如图4所示,为人脸区域检测模型示意图。此时,N为5,M可以为1至5中的任一数值,当M取3时,可以得到3个检测分支,其中,检测分支1对应的特征图尺寸最大,检测分支3对应的特征图尺寸最小,检测分支2对应的特征图尺寸介于检测分支1和检测分支3之间。由于检测分支1的特征图经过的下采样次数少,位置预测更准确,可以主要用来检测相对较小的目标。相应地,检测分支2可以检测相对较大的目标,检测分支3可以检测大的目标。上述通过检测分支1、检测分支2和检测分支3联合检测的方式,可以从各个尺度上对人脸进行检测,避免图像中存在人脸图像而未被检测到的现象发生,提高人脸区域检测的准确性。
上述实施例中,通过将目标图像输入人脸区域检测模型中,得到至少N组特征图,并从至少N组特征图中抽取M组特征图进行人脸区域检测,得到至少一个第一检测结果,可以为后续得到至少一个目标区域提供数据基础,并使后续人脸方向检测能够在筛选出来的至少一个目标区域上进行,减少后续人脸方向检测的工作量和工作压力。
在其中一个实施例中,如图5所示,为步骤S212的一种可实施方式的流程示意图,其中,从至少N组特征图中抽取M组特征图进行人脸区域检测,得到至少一个第一检测结果,包括:
步骤S2121,获取第一预设数量的目标检测框;其中,每一目标检测框的尺寸是预先设置的。
具体地,第一预设数量的目标检测框的数量和尺寸可以由工程技术人员根据实际情况自行设定,此处不对具体数量和尺寸进行限定。
可选地,获取第二预设数量的样本图像;对第二预设数量的样本图像进行聚类,得到第一预设数量的样本类别和每一样本类别的图像尺寸的加权平均尺寸;将第一预设数量的样本类别对应的加权平均尺寸确定为第一预设数量的目标检测框的尺寸。
其中,样本图像为包含人脸信息的图像,样本图像中的人脸信息与目标图像中的人脸信息具有相似的特征,例如尺寸大小在一定的邻域内或者图像深度在一定的邻域内,基于样本图像中的人脸信息与目标图像中的人脸信息具有相似的特征,可以将样本图像进行聚类,得到第一预设数量的样本类别,并对每一样本类别中的图像的尺寸进行加权平均,得到每一样本类别的图像尺寸的加权平均尺寸,将每一类别的图像的尺寸分别确定为第一预设数量的目标检测框的尺寸。例如,样本图像有100张,将这100张样本图像聚为5类(第一预设数量为5),假设其中一个类别中包含5张样本图像,图像尺寸分别为3*3、4*4、5*5、4*6、3*5,每一图像对应的加权对为(a1,a2)、(b1,b2)、(c1,c2)、(d1,d2)、(e1,e2),则图像的加权平均尺寸为(3*a1+4*b1+5*c1+4*d1+3*e1)*(3*a2+4*b2+5*c2+6*d2+5*e2)。采用同样的计算方式可以得到另外4个类别的图像的加权平均尺寸。可选地,在实际处理中,样本图像的数量一般会非常大,可能是数以千计或数以万计,甚至更多的数量,此处仅以100张样本图像为例进行说明,并不对第二预设数量进行具体限定,同样的,也不对图像尺寸进行限定。
步骤S2122,按照第一预设数量的目标检测框,在M组特征图的每一像素点上进行人脸区域检测,得到至少一个第一检测结果。
具体地,分别在M组特征图的每一像素点上按照第一预设数量的目标检测框进行人脸区域检测,得到每一目标检测框对应的得分,并将每一目标检测框和对应的得分作为一组第一检测结果。假设,某一特征图尺寸为X*Y,该特征图上每个像素点设置有3个大小不同的目标检测框,则该特征图上总共会检测出3X*Y个第一检测结果。
上述实施例中,通过获取第一预设数量的目标检测框,其中,每一目标检测框的尺寸是预先设置的,并按照第一预设数量的目标检测框,在M组特征图的每一像素点上进行人脸区域检测,得到至少一个第一检测结果,可以为后续得到至少一个目标区域提供数据基础,并使后续人脸方向检测能够在筛选出来的至少一个目标区域上进行,减少后续人脸方向检测的工作量和工作压力。
在其中一个实施例中,如图6所示,为步骤S300的一种可实施方式的流程示意图,其中,对至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域,包括:
步骤S310,将至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果;其中,每一第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个第二人脸方向,每一第二检测结果中的第二人脸概率得分、第二人脸区域和初始人脸方向相互对应。
其中,人脸方向检测模型为另外一个训练好的卷积神经网络(ConvolutionalNeural Networks,CNN),该人脸方向检测模型能够识别图像中某一区域的位置和该区域中的人脸方向,并输出相应区域是人脸的概率得分。第二人脸概率得分可以进一步判断检测区域为人脸的概率,第二人脸区域可以用于区别该区域中的人脸是某一特定的人。
具体地,将至少一个目标区域输入预设的人脸方向检测模型中,人脸方向检测模型对至少一个目标区域进行人脸方向检测,得到至少一个第二检测结果。
可选地,人脸方向检测模型为包括4个卷积层和4个池化层的CNN网络。
具体地,如图7所示,为人脸方向检测模型示意图。其中,至少一个目标区域连续经过4个卷积和4个池化层后得到256维的特征向量,在该256维特征向量上进行人脸方向检测,得到至少一个第二检测结果。
步骤S320,将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向,确定为人脸方向。
步骤S330,将大于第二预设阈值的第二人脸概率得分对应的第二人脸区域,确定为与人脸方向对应的人脸区域。
具体地,将第二人脸概率得分大于第二预设阈值的第二人脸概率得分筛选出来,并将筛选后的第二人脸概率得分对应的初始人脸方向确定为人脸方向,将筛选后的第二人脸概率得分对应的第二人脸区域确定为与人脸方向对应的人脸区域。例如,第二人脸概率得分区间为[0,1],第二预设阈值为0.9,当第二人脸概率得分大于0.9时,认为该第二人脸概率得分对应的初始人脸方向为人脸方向,认为该第二人脸概率得分对应的第二人脸区域中包含人脸图像,将对应的第二人脸区域筛选出来确定为与人脸方向对应的人脸区域,逐一比较每一第二人脸概率得分与第二预设阈值的关系,将第二人脸概率得分大于第二预设阈值的第二人脸概率得分筛选出来,并将筛选后的第二人脸概率得分对应的第二人脸区域确定为与人脸方向对应的人脸区域。本实施例中以第二预设阈值为0.9进行举例说明,并不对具体预设阈值进行限定,根据具体用户需求,可以为第二预设阈值设定不同的数值,当用户对检测区域是人脸的要求比较高时,可将第二预设阈值设定为0.95,当用户对检测区域是人脸的要求比较低时,可将第二预设阈值设定为0.8,实际处理中可以根据具体精度要求机动地调整预设阈值的大小。
上述实施例中,通过将至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果,其中,每一第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个初始人脸方向,并将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向确定为人脸方向,将大于第二预设阈值的第二人脸概率得分对应的第二人脸区域确定为与人脸方向对应的人脸区域。上述对人脸方向检测在筛选出来的至少一个目标区域上进行,减少了人脸方向检测的工作量,提高人脸方向检测的速度,并通过人脸方向检测进一步提高人脸方向检测的准确率。
在其中一个实施例中,如图8所示,为步骤S310的一种可实施方式的流程示意图,其中,将至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果,包括:
步骤S311,将至少一个目标区域输入预设的人脸方向检测模型中,按照第二人脸概率得分由大到小的顺序对至少一个第二检测结果进行排序,得到第二检测结果序列。
步骤S312,依次计算第二检测结果序列中的第一个第二检测结果中的第二人脸区域与后续第二检测结果中的第二人脸区域的面积的交并比。
步骤S313,若面积的交并比大于第三预设阈值,则删除与面积的交并比对应的第二检测结果。
步骤S314,按照第二人脸概率得分由大到小的顺序对保留下来的第二检测结果进行排序,得到更新后的第二检测结果序列,并进行迭代运算,直到每一面积的交并比小于或等于第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
具体地,对第二检测结果按照第二人脸概率得分从大到小排序,选择最大的第二人脸概率得分对应的第二人脸区域,依次计算其他第二人脸区域和第二人脸概率得分对应的第二人脸区域的面积的交并比(两个区域相交的面积除以两个区域相并的面积)。当面积的交并比大于第三预设阈值(如0.5)时,则删除相应的第二人脸区域,直至没有面积的交并比大于第三预设阈值的第二人脸区域存在为止。将剩下的第二人脸区域重复上述操作直到每一面积的交并比小于或等于第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
上述实施例中,通过第二人脸区域的面积的交并比与第三预设阈值的大小关系,可以排除重复的区域,使最终得到的第二检测结果是针对一个区域的非重复结果,以避免重复区域出现在最终结果中。
上述实施例中,在人脸区域检测模型对人脸区域进行检测并得到至少一个目标区域的基础上,进一步用人脸方向检测模型检测人脸的方向和该人脸对应的区域,这种由两个级联网络对人脸方向进行检测,可以实现一个由粗到细的过程,使第一级网络模型(人脸区域检测模型)对可能是人脸的区域进行一个粗筛选,用一个简单的网络把明显不可能是人脸的区域都过滤掉,减少第二级网络(人脸方向检测模型)的检测压力,提高人脸方向检测的速度,同时第二级网络还可以对第一级网络得到的目标区域进行再次检测,进一步提高人脸方向检测的准确率。
在一个实施例中,如图9所示,提供了一种人脸方向识别装置,包括:目标图像获取模块901、目标区域获取模块902和人脸方向确定模块903,其中:
目标图像获取模块901,用于获取目标图像;
目标区域获取模块902,用于对目标图像进行人脸区域检测,得到至少一个目标区域;
人脸方向确定模块903,用于对至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域。
在其中一个实施例中,目标区域获取模块902还用于将目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果;其中,每一第一检测结果包括一个第一人脸概率得分和一个第一人脸区域,每一第一检测结果中的第一人脸概率得分与第一人脸区域对应;将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为至少一个目标区域。
在其中一个实施例中,目标区域获取模块902还用于将目标图像输入人脸区域检测模型中,得到至少N组特征图;从至少N组特征图中抽取M组特征图进行人脸区域检测,得到至少一个第一检测结果;其中N大于或等于M。
在其中一个实施例中,目标区域获取模块902还用于获取第一预设数量的目标检测框;其中,每一目标检测框的尺寸是预先设置的;按照第一预设数量的目标检测框,在M组特征图的每一像素点上进行人脸区域检测,得到至少一个第一检测结果。
在其中一个实施例中,目标区域获取模块902还用于获取第二预设数量的样本图像;对第二预设数量的样本图像进行聚类,得到第一预设数量的样本类别和每一样本类别的图像尺寸的加权平均尺寸;将第一预设数量的样本类别对应的加权平均尺寸确定为第一预设数量的目标检测框的尺寸。
在其中一个实施例中,目标区域获取模块902还用于将人脸区域检测模型设置为包括5个卷积层和5个池化层的CNN网络
在其中一个实施例中,人脸方向确定模块903还用于将至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果;其中,每一第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个初始人脸方向,每一第二检测结果中的第二人脸概率得分、第二人脸区域和初始人脸方向相互对应;将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向,确定为人脸方向;将大于第二预设阈值的第二人脸概率得分对应的第二人脸区域,确定为与人脸方向对应的人脸区域。
在其中一个实施例中,人脸方向确定模块903还用于将至少一个目标区域输入人脸方向检测模型中,按照第二人脸概率得分由大到小的顺序对至少一个第二检测结果进行排序,得到第二检测结果序列;依次计算第二检测结果序列中的第一个第二检测结果中的第二人脸区域与后续第二检测结果中的第二人脸区域的面积的交并比;若面积的交并比大于第三预设阈值,则删除与面积的交并比对应的第二检测结果;按照第二人脸概率得分由大到小的顺序对保留下来的第二检测结果进行排序,得到更新后的第二检测结果序列,并进行迭代运算,直到每一面积的交并比小于或等于第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
在其中一个实施例中,人脸方向确定模块903还用于将人脸方向检测模型设置为包括4个卷积层和4个池化层的CNN网络。
关于人脸方向识别装置的具体限定可以参见上文中对于人脸方向识别方法的限定,在此不再赘述。上述人脸方向识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸方向识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标图像;
对目标图像进行人脸区域检测,得到至少一个目标区域;
对至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果;其中,每一第一检测结果包括一个第一人脸概率得分和一个第一人脸区域,每一第一检测结果中的第一人脸概率得分与第一人脸区域对应;将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为至少一个目标区域。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将目标图像输入人脸区域检测模型中,得到至少N组特征图;从至少N组特征图中抽取M组特征图进行人脸区域检测,得到至少一个第一检测结果;其中N大于或等于M。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第一预设数量的目标检测框;其中,每一目标检测框的尺寸是预先设置的;按照第一预设数量的目标检测框,在M组特征图的每一像素点上进行人脸区域检测,得到至少一个第一检测结果。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第二预设数量的样本图像;对第二预设数量的样本图像进行聚类,得到第一预设数量的样本类别和每一样本类别的图像尺寸的加权平均尺寸;将第一预设数量的样本类别对应的加权平均尺寸确定为第一预设数量的目标检测框的尺寸。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:人脸区域检测模型为包括5个卷积层和5个池化层的CNN网络。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果;其中,每一第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个初始人脸方向,每一第二检测结果中的第二人脸概率得分、第二人脸区域和初始人脸方向相互对应;将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向,确定为人脸方向;将大于第二预设阈值的第二人脸概率得分对应的第二人脸区域,确定为与人脸方向对应的人脸区域。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将至少一个目标区域输入人脸方向检测模型中,按照第二人脸概率得分由大到小的顺序对至少一个第二检测结果进行排序,得到第二检测结果序列;依次计算第二检测结果序列中的第一个第二检测结果中的第二人脸区域与后续第二检测结果中的第二人脸区域的面积的交并比;若面积的交并比大于第三预设阈值,则删除与面积的交并比对应的第二检测结果;按照第二人脸概率得分由大到小的顺序对保留下来的第二检测结果进行排序,得到更新后的第二检测结果序列,并进行迭代运算,直到每一面积的交并比小于或等于第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:人脸方向检测模型为包括4个卷积层和4个池化层的CNN网络。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标图像;
对目标图像进行人脸区域检测,得到至少一个目标区域;
对至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,人脸方向信息包括人脸方向和与人脸方向对应的人脸区域。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果;其中,每一第一检测结果包括一个第一人脸概率得分和一个第一人脸区域,每一第一检测结果中的第一人脸概率得分与第一人脸区域对应;将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为至少一个目标区域。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将目标图像输入人脸区域检测模型中,得到至少N组特征图;从至少N组特征图中抽取M组特征图进行人脸区域检测,得到至少一个第一检测结果;其中N大于或等于M。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取第一预设数量的目标检测框;其中,每一目标检测框的尺寸是预先设置的;按照第一预设数量的目标检测框,在M组特征图的每一像素点上进行人脸区域检测,得到至少一个第一检测结果。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取第二预设数量的样本图像;对第二预设数量的样本图像进行聚类,得到第一预设数量的样本类别和每一样本类别的图像尺寸的加权平均尺寸;将第一预设数量的样本类别对应的加权平均尺寸确定为第一预设数量的目标检测框的尺寸。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:人脸区域检测模型为包括5个卷积层和5个池化层的CNN网络。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果;其中,每一第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个初始人脸方向,每一第二检测结果中的第二人脸概率得分、第二人脸区域和初始人脸方向相互对应;将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向,确定为人脸方向;将大于第二预设阈值的第二人脸概率得分对应的第二人脸区域,确定为与人脸方向对应的人脸区域。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将至少一个目标区域输入人脸方向检测模型中,按照第二人脸概率得分由大到小的顺序对至少一个第二检测结果进行排序,得到第二检测结果序列;依次计算第二检测结果序列中的第一个第二检测结果中的第二人脸区域与后续第二检测结果中的第二人脸区域的面积的交并比;若面积的交并比大于第三预设阈值,则删除与面积的交并比对应的第二检测结果;按照第二人脸概率得分由大到小的顺序对保留下来的第二检测结果进行排序,得到更新后的第二检测结果序列,并进行迭代运算,直到每一面积的交并比小于或等于第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:人脸方向检测模型为包括4个卷积层和4个池化层的CNN网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人脸方向识别方法,其特征在于,所述方法包括:
获取目标图像;
对所述目标图像进行人脸区域检测,得到至少一个目标区域;
对所述至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,所述人脸方向信息包括人脸方向和与所述人脸方向对应的人脸区域。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标图像进行人脸区域检测,得到至少一个目标区域,包括:
将所述目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果;其中,每一所述第一检测结果包括一个第一人脸概率得分和一个第一人脸区域,每一所述第一检测结果中的第一人脸概率得分与第一人脸区域对应;
将大于第一预设阈值的第一人脸概率得分对应的第一人脸区域,确定为所述至少一个目标区域。
3.根据权利要求2所述的方法,其特征在于,所述将所述目标图像输入预设的人脸区域检测模型中,输出至少一个第一检测结果,包括:
将所述目标图像输入所述人脸区域检测模型中,得到至少N组特征图;
从所述至少N组特征图中抽取M组特征图进行人脸区域检测,得到所述至少一个第一检测结果;其中N大于或等于M。
4.根据权利要求3所述的方法,其特征在于,所述从所述至少N组特征图中抽取M组特征图进行人脸区域检测,得到所述至少一个第一检测结果,包括:
获取第一预设数量的目标检测框;其中,每一所述目标检测框的尺寸是预先设置的;
按照所述第一预设数量的目标检测框,在所述M组特征图的每一像素点上进行人脸区域检测,得到所述至少一个第一检测结果。
5.根据权利要求4所述的方法,其特征在于,所述获取第一预设数量的目标检测框,包括:
获取第二预设数量的样本图像;
对所述第二预设数量的样本图像进行聚类,得到所述第一预设数量的样本类别和每一样本类别的图像尺寸的加权平均尺寸;
将所述第一预设数量的样本类别对应的加权平均尺寸确定为所述第一预设数量的目标检测框的尺寸。
6.根据权利要求1所述的方法,其特征在于,所述对所述至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,所述人脸方向信息包括人脸方向和与所述人脸方向对应的人脸区域,包括:
将所述至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果;其中,每一所述第二检测结果包括一个第二人脸概率得分、一个第二人脸区域和一个初始人脸方向,每一所述第二检测结果中的第二人脸概率得分、第二人脸区域和初始人脸方向相互对应;
将大于第二预设阈值的第二人脸概率得分对应的初始人脸方向,确定为所述人脸方向;
将大于所述第二预设阈值的第二人脸概率得分对应的第二人脸区域,确定为所述与所述人脸方向对应的人脸区域。
7.根据权利要求6所述的方法,其特征在于,所述将所述至少一个目标区域输入预设的人脸方向检测模型中,输出至少一个第二检测结果,还包括:
将所述至少一个目标区域输入所述人脸方向检测模型中,按照所述第二人脸概率得分由大到小的顺序对所述至少一个第二检测结果进行排序,得到第二检测结果序列;
依次计算所述第二检测结果序列中的第一个第二检测结果中的第二人脸区域与后续第二检测结果中的第二人脸区域的面积的交并比;
若所述面积的交并比大于第三预设阈值,则删除与所述面积的交并比对应的第二检测结果;
按照所述第二人脸概率得分由大到小的顺序对保留下来的第二检测结果进行排序,得到更新后的第二检测结果序列,并进行迭代运算,直到每一面积的交并比小于或等于所述第三预设阈值,则将保留下来的第二检测结果确定为最终的至少一个第二检测结果。
8.一种人脸方向识别装置,其特征在于,所述装置包括:
目标图像获取模块,用于获取目标图像;
目标区域获取模块,用于对所述目标图像进行人脸区域检测,得到至少一个目标区域;
人脸方向确定模块,用于对所述至少一个目标区域进行人脸方向检测,得到人脸方向信息;其中,所述人脸方向信息包括人脸方向和与所述人脸方向对应的人脸区域。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981768.4A CN110705509A (zh) | 2019-10-16 | 2019-10-16 | 人脸方向识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981768.4A CN110705509A (zh) | 2019-10-16 | 2019-10-16 | 人脸方向识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705509A true CN110705509A (zh) | 2020-01-17 |
Family
ID=69199840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981768.4A Pending CN110705509A (zh) | 2019-10-16 | 2019-10-16 | 人脸方向识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705509A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507267A (zh) * | 2020-04-17 | 2020-08-07 | 北京百度网讯科技有限公司 | 文档朝向检测方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110263678A (zh) * | 2019-06-03 | 2019-09-20 | 上海眼控科技股份有限公司 | 一种人脸方向判断方法及系统 |
CN110276276A (zh) * | 2019-06-03 | 2019-09-24 | 上海眼控科技股份有限公司 | 一种驾考中考生人脸视线方向的判定方法及系统 |
-
2019
- 2019-10-16 CN CN201910981768.4A patent/CN110705509A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110263678A (zh) * | 2019-06-03 | 2019-09-20 | 上海眼控科技股份有限公司 | 一种人脸方向判断方法及系统 |
CN110276276A (zh) * | 2019-06-03 | 2019-09-24 | 上海眼控科技股份有限公司 | 一种驾考中考生人脸视线方向的判定方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘宏哲等: "基于单一神经网络的多尺度人脸检测", 《电子与信息学报》 * |
叶锋等: ""基于深度学习的实时场景小脸检测方法"", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507267A (zh) * | 2020-04-17 | 2020-08-07 | 北京百度网讯科技有限公司 | 文档朝向检测方法、装置、设备以及存储介质 |
CN111507267B (zh) * | 2020-04-17 | 2023-05-26 | 北京百度网讯科技有限公司 | 文档朝向检测方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253629A1 (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN108470172B (zh) | 一种文本信息识别方法及装置 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN110738125A (zh) | 利用Mask R-CNN选择检测框的方法、装置及存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN114037637B (zh) | 一种图像数据增强方法、装置、计算机设备和存储介质 | |
CN111368638A (zh) | 电子表格的创建方法、装置、计算机设备和存储介质 | |
CN109598298B (zh) | 图像物体识别方法和系统 | |
CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111666931A (zh) | 基于混合卷积文字图像识别方法、装置、设备及存储介质 | |
CN112364974A (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN115761834A (zh) | 人脸识别的多任务混合模型和人脸识别方法 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN115496976A (zh) | 多源异构数据融合的视觉处理方法、装置、设备及介质 | |
CN111178310A (zh) | 手掌特征识别方法、装置、计算机设备和存储介质 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN110705509A (zh) | 人脸方向识别方法、装置、计算机设备和存储介质 | |
CN116110058A (zh) | 一种基于手写数字识别的虚拟人交互方法及系统 |
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: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |