CN110717481B - 一种利用级联卷积神经网络实现人脸检测的方法 - Google Patents

一种利用级联卷积神经网络实现人脸检测的方法 Download PDF

Info

Publication number
CN110717481B
CN110717481B CN201911271105.XA CN201911271105A CN110717481B CN 110717481 B CN110717481 B CN 110717481B CN 201911271105 A CN201911271105 A CN 201911271105A CN 110717481 B CN110717481 B CN 110717481B
Authority
CN
China
Prior art keywords
convolutional
network
convolution
layer
net
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.)
Active
Application number
CN201911271105.XA
Other languages
English (en)
Other versions
CN110717481A (zh
Inventor
陈晓莉
丁一帆
杨世宏
徐菁
林建洪
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.)
Zhejiang Ponshine Information Technology Co ltd
Original Assignee
Zhejiang Ponshine Information 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 Zhejiang Ponshine Information Technology Co ltd filed Critical Zhejiang Ponshine Information Technology Co ltd
Priority to CN201911271105.XA priority Critical patent/CN110717481B/zh
Publication of CN110717481A publication Critical patent/CN110717481A/zh
Application granted granted Critical
Publication of CN110717481B publication Critical patent/CN110717481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种利用级联卷积神经网络实现人脸检测的方法，包括以下步骤：样本采集，采集不同条件下的已标注的人脸图像作为正样本，采集非人脸图像作为负样本；样本预处理，对正样本和负样本进行等比放大缩小，得到预处理后的图像集；网络训练，将预处理后的图像集中的各图像数据输入级联卷积神经网络，依次经过三个模型的分类和回归进行人脸候选框的过滤，得到最终的人脸检测框，完成级联卷积神经网络的训练，构建训练后的模型；人脸检测，将测试数据集中的测试图像进行等比放大缩小以得到测试图像集，然后输入训练后的模型中以对测试图像进行人脸候选框的标定。本发明减少了干扰因素对人脸检测的影响，提高人脸检测的精度。

Description

一种利用级联卷积神经网络实现人脸检测的方法
技术领域
本发明属于生物特征识别以及深度学习领域，具体涉及一种利用级联卷积神经网络实现人脸检测的方法。
背景技术
随着工业互联网的发展，人员管理安全开始面临巨大的挑战，工业互联网企业内部人员“有意识”或“无意识”的行为，很可能引发工业系统的破坏、敏感信息的泄露等问题，需要进行身份验证的场景越来越多，迫切需要在关键位置对敏感人员进行布控及安全防范。传统的身份识别方法存在信息容易伪造、丢失的缺点，从而引发一系列安全问题。人的生物特征（如声音、指纹、人脸等）作为人的内在属性，不仅具有长久的稳定性，同时又具有突出的个体差异性。人工智能、深度学习和大数据技术能够通过利用人的生物特征有效地进行身份的识别与验证，降低人员管理的安全风险系数。
因此，本领域亟需一种对人脸能准确检测的方法，以提高安全性。
发明内容
基于现有技术中存在的上述不足，本发明提供一种利用级联卷积神经网络实现人脸检测的方法。
为了达到上述发明目的，本发明采用以下技术方案：
一种利用级联卷积神经网络实现人脸检测的方法，包括以下步骤：
S1、样本采集，采集不同条件下的已标注的人脸图像作为正样本，采集非人脸图像作为负样本；
S2、样本预处理，对正样本和负样本进行等比放大缩小，得到预处理后的图像集；
S3、网络训练，将预处理后的图像集中的各图像数据输入级联卷积神经网络，依次经过第一级全卷积网络12-net、第二级卷积网络24-net和第三级卷积网络48-net三个模型的分类和回归进行人脸候选框的过滤，得到最终的人脸检测框，完成级联卷积神经网络的训练，构建训练后的模型；
S4、人脸检测，将测试数据集中的测试图像进行等比放大缩小以得到测试图像集，然后输入训练后的模型中以对测试图像进行人脸候选框的标定。
作为优选方案，所述步骤S1中的不同条件包括姿态、表情、肤色、年龄和性别。
作为优选方案，所述非人脸图像包括花草、树木、水果、建筑物、汽车、山川、河流、海洋中的多种。
作为优选方案，对图像进行等比放大缩小，包括：
设度量尺寸为[
Figure 172695DEST_PATH_IMAGE001
S 1,S 2,…,S i ]，其中，S 0=500，S i =S i-1×0.7，
Figure 11207DEST_PATH_IMAGE002
>12，S i 为正方形检 测框的尺寸，单位为像素；i为整数；
计算图像最短边在度量尺寸中的比例，对图像进行等比放大缩小。
作为优选方案，所述第一级全卷积网络12-net利用12×12的滑动窗口遍历Ｗ×Ｈ的输入图像，使用包含四个卷积层和一个最大池化层的全卷积网络FCNN，前三个卷积层的卷积核大小为3×3，第四个卷积层的卷积核大小为1×1，卷积核步长为1，输出为分类矩阵和回归矩阵；其中，最大池化层的大小2×2，步长为2。
作为优选方案，所述第二级卷积网络24-net利用24×24的滑动窗口遍历Ｗ×Ｈ的输入图像，使用包含三个卷积层，二个最大池化层和三个全连接层的卷积神经网络，前二个卷积层的卷积核大小为3×3，第三个卷积层的卷积核大小为2×2，卷积核步长为1，输出为分类矩阵和回归矩阵；其中，最大池化层的大小2×2，步长为2。
作为优选方案，所述第三级卷积网络48-net利用48×48的滑动窗口遍历Ｗ×Ｈ的输入图像，使用包含四个卷积层，三个最大池化层和三个全连接层的卷积神经网络，前三个卷积层的卷积核大小为3×3，第四个卷积层的卷积核大小为2×2，卷积核步长为1，输出为分类矩阵和回归矩阵；其中，最大池化层的大小2×2，步长为2。
作为优选方案，所述步骤S3的网络训练，具体包括：
S31、第一级全卷积网络12-net利用12×12的滑动窗口遍历Ｗ×Ｈ的输入图像，进行第一个卷积层之后得到10×10×10的特征图，接下来经过最大池化层，将图片减少到10×5×5，经过第二个卷积层之后得到16×3×3的特征图，经过第三个卷积层之后得到32×1×1的特征图，最后使用卷积核大小为1×1，卷积核步长为1的卷积神经网络，分别得到2×1×1的分类矩阵和4×1×1回归矩阵；本级网络的交并比IoU设为0.5，将大于IoU的候选框输入到第二级卷积网络24-net；
S32、第二级卷积网络24-net将第一级全卷积网络12-net得到的所有检测框调整到3×24×24的大小，然后进行第一个卷积层之后得到28×22×22的特征图，接下来经过第一个最大池化层，将图片减少到28×11×11，经过第二个卷积层之后得到48×9×9的特征图，经过第二个最大池化层将图片减少到48×4×4，经过第三个卷积层之后得到64×3×3的特征图，最后经过第一个全连接层得到128×1的特征图，分别输入至第二个全连接层和第三个全连接层，分别得到2×1的分类矩阵和4×1的回归矩阵；本级网络的IoU设为0.7，将大于IoU的候选框输入到第三级卷积网络48-net；
S33、第三级卷积网络48-net将第二级卷积网络24-net得到的所有检测框调整到3×48×48的大小，然后进行第一个卷积层之后得到32×46×46的特征图，接下来经过第一个最大池化层，将图片减少到32×23×23，经过第二个卷积层之后得到64×21×21的特征图，经过第二个最大池化层将图片减少到64×10×10，经过第三个卷积层之后得到64×8×8的特征图，经过第三个最大池化层将图片减少到64×4×4，经过第四个卷积层之后得到128×3×3的特征图，最后经过第一个全连接层得到256×1的特征图，分别输入至第二个全连接层和第三个全连接层，分别得到2×1的分类矩阵和4×1的回归矩阵；本级网络的IoU设为0.7，将大于IoU的候选框作为最终候选框输出；
其中，IoU为预测人脸边框和人工标记的边框的重叠面积的比例，公式表示为：
Figure 463048DEST_PATH_IMAGE003
其中，DR表示检测框，GT表示人工标定框；
S34、得到最终的人脸检测框，以对图像中的人脸进行检测。
作为优选方案，各卷积层的输出后均有一个PReLu激活函数。
作为优选方案，所述第一级全卷积网络12-net、第二级卷积网络24-net和第三级卷积网络48-net的目标函数均为softmax函数。
本发明与现有技术相比，有益效果是：
本发明的利用级联卷积神经网络实现人脸检测的方法，通过利用级联卷积神经网络对人脸和非人脸图像的学习，减少人脸的遮挡、尺度、位置、姿态、表情的变化以及光照、背景等因素对图片进行人脸检测和对准的影响，进而提高人脸检测的准确度，减少人脸辨别的时间。
附图说明
图1是本发明实施例的利用级联卷积神经网络实现人脸检测的方法的训练流程图；
图2是本发明实施例的利用级联卷积神经网络实现人脸检测的方法的测试流程图；
图3是本发明实施例的利用级联卷积神经网络实现人脸检测的方法的流程图；
图4是本发明实施例的利用级联卷积神经网络实现人脸检测的方法的网络训练过程图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。
本发明实施例的利用级联卷积神经网络实现人脸检测的方法，具体通过两个功能模块实现，即训练模块和测试模块；训练模块即通过三个模型逐级实现对人脸的检测，得到最终的人脸检测框。
其中，如图1所示，训练模块首先对训练数据集中的图像进行预处理，即等比放大缩小，得到一个图像的训练数据集，然后进行级联卷积网络训练：第一个模型使用全卷积神经网络对图像进行卷积运算分别得到分类矩阵和回归矩阵，将可能包含人脸的正方形候选框从图片中筛选出来，通过回归调整候选框的大小来获得候选框，并利用非极大值抑制（Non-maximum Suppression，NMS）和重叠度（Intersection over Union，IoU）剔除冗余的候选框；第二个模型使用卷积神经网络对第一个网络筛选出的候选框进行分类和回归，筛选出更精准的候选框；第三个模型使用卷积神经网络对第二个模型筛选出的候选框进行分类和回归，得到最终的候选框，使用交叉熵计算损失，当损失趋于稳定时，网络中的权重，学习率等参数趋于收敛，人脸检测模型训练完成；
如图2所示，测试模块将测试数据集中的图像进行等比放大缩小处理，得到一个图像集，然后输入训练好的模型中，由模型完成对图像进行人脸候选框的标定。
具体地，如图3所示，本发明实施例的利用多任务级联卷积神经网络实现人脸检测的方法，包括以下步骤：
步骤A1：数据集准备。
使用已标注的人脸图像，涵盖了不同条件下（包括姿态、表情、肤色、年龄和性别等）丰富的人脸作为正例，使用非人脸图像作为负例，该数据集包含了花草、树木、水果、建筑物、汽车、山川、河流、海洋等多类丰富的非人脸图像。
步骤A2：样本预处理。
设度量尺寸为[
Figure 310787DEST_PATH_IMAGE001
S 1,S 2,…,S i ]，其中，S 0=500，S i =S i-1×0.7，
Figure 797264DEST_PATH_IMAGE002
>12，S i 为正方形检 测框的尺寸，单位为像素；i为整数；
计算图像最短边跟度量尺寸中的比例，对图像进行等比放大缩小，得到一个图像集，每个图像输入模型选取候选框。
步骤A3：训练网络：将预处理后的图像数据输入给级联卷积神经网络，12-net可以在保持较高召回率的同时排除掉大量的非人脸窗口，24-net只需要处理12-net剩下的窗口，因此可以保证足够的效率, 48-net进一步过滤上一个网络输出的窗口，得到最后的人脸检测框；依次经过12-net，24-net 和48-net三个模型的分类和回归进行人脸候选框的过滤，得到最终的人脸检测框，完成级联卷积神经网络的训练。
步骤A4：模型预测：对测试数据集中的图片进行上述的A2 -A3步骤的处理，通过模型标识出图片中人脸的检测框。
其中，如图4所示，上述步骤A3模型的构建可以拆分为以下流程：
步骤A31：第一级全卷积网络12-net，12-net利用12×12的滑动窗口遍历Ｗ×Ｈ的输入图像，进行第1个卷积层之后得到10×10×10的特征图，接下来经过最大池化层，将图片减少到10×5×5，经过第2个卷积层之后得到16×3×3的特征图，经过第3个卷积层之后得到32×1×1的特征图，最后使用卷积核大小为1×1，卷积核步长为1的卷积神经网络，分别得到2×1×1的分类矩阵和4×1×1回归矩阵。本级网络的交并比（Intersection overUnion，IoU）设为0.5，将大于IoU的候选框输入到下一级网络24-net；
其中，IoU描述的是预测人脸边框和人工标记的边框的重叠面积的比例，公式表示为：
Figure 541098DEST_PATH_IMAGE004
其中，DR表示检测框，GT表示人工标定框。
步骤A32: 第二级卷积网络24-net。24-net将12-net得到的所有检测框调整到3×24×24的大小，然后进行第1个卷积层之后得到28×22×22的特征图，接下来经过第1个最大池化层，将图片减少到28×11×11，经过第2个卷积层之后得到48×9×9的特征图，经过第2个最大池化层将图片减少到48×4×4，经过第3个卷积层之后得到64×3×3的特征图，最后经过第一个全连接层得到128×1的特征图，分别输入给第2个全连接层和第3个全连接层，分别得到2×1的分类矩阵和4×1的回归矩阵。本级网络的IoU设为0.7，将大于IoU的候选框输入到下一级网络48-net。
步骤A33: 第三级卷积网络48-net。48-net将24-net得到的所有检测框调整到3×48×48的大小，然后进行第1个卷积层之后得到32×46×46的特征图，接下来经过第1个最大池化层，将图片减少到32×23×23，经过第2个卷积层之后得到64×21×21的特征图，经过第2个最大池化层将图片减少到64×10×10，经过第3个卷积层之后得到64×8×8的特征图，经过第3个最大池化层将图片减少到64×4×4，经过第4个卷积层之后得到128×3×3的特征图，最后经过第一个全连接层得到256×1的特征图，分别输入给第2个全连接层和第3个全连接层，分别得到2×1的分类矩阵和4×1的回归矩阵。本级网络的IoU设为0.7，将大于IoU的候选框作为最终候选框输出。
12-net，24-net，48-net三级网络的目标函数均为softmax函数， softmax将特征 经过线性组合转化成概率，给出是否是人脸的概率，表示如下，其中
Figure 729502DEST_PATH_IMAGE005
为预测结果，
Figure 131665DEST_PATH_IMAGE006
为图 像对应的真实分类：
Figure 721915DEST_PATH_IMAGE007
利用交叉熵函数作为损失函数求出预测值与实际值之间的偏差，交叉熵的值越 小，两个概率分布就越接近。利用损失偏差值
Figure 387383DEST_PATH_IMAGE008
反向求导得到各层权重的偏微分来更新 权重。
步骤A34：得到最终的人脸框，对图片中的人脸进行检测。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (6)

1.一种利用级联卷积神经网络实现人脸检测的方法，其特征在于，包括以下步骤：
S1、样本采集，采集不同条件下的已标注的人脸图像作为正样本，采集非人脸图像作为负样本；
S2、样本预处理，对正样本和负样本进行等比放大缩小，得到预处理后的图像集；
S3、网络训练，将预处理后的图像集中的各图像数据输入级联卷积神经网络，依次经过第一级全卷积网络12-net、第二级卷积网络24-net和第三级卷积网络48-net三个模型的分类和回归进行人脸候选框的过滤，得到最终的人脸检测框，完成级联卷积神经网络的训练，构建训练后的模型；
其中，所述第一级全卷积网络12-net利用12×12的滑动窗口遍历W×H的输入图像，使用包含四个卷积层和一个最大池化层的全卷积网络FCNN，前三个卷积层的卷积核大小为3×3，第四个卷积层的卷积核大小为1×1，卷积核步长为1，输出为分类矩阵和回归矩阵；其中，最大池化层的大小2×2，步长为2；
所述第二级卷积网络24-net利用24×24的滑动窗口遍历W×H的输入图像，使用包含三个卷积层，二个最大池化层和三个全连接层的卷积神经网络，前二个卷积层的卷积核大小为3×3，第三个卷积层的卷积核大小为2×2，卷积核步长为1，输出为分类矩阵和回归矩阵；其中，最大池化层的大小2×2，步长为2；
所述第三级卷积网络48-net利用48×48的滑动窗口遍历W×H的输入图像，使用包含四个卷积层，三个最大池化层和三个全连接层的卷积神经网络，前三个卷积层的卷积核大小为3×3，第四个卷积层的卷积核大小为2×2，卷积核步长为1，输出为分类矩阵和回归矩阵；其中，最大池化层的大小2×2，步长为2；
所述步骤S3的网络训练，具体包括：
S31、第一级全卷积网络12-net利用12×12的滑动窗口遍历W×H的输入图像，进行第一个卷积层之后得到10×10×10的特征图，接下来经过最大池化层，将图片减少到10×5×5，经过第二个卷积层之后得到16×3×3的特征图，经过第三个卷积层之后得到32×1×1的特征图，最后使用卷积核大小为1×1，卷积核步长为1的卷积神经网络，分别得到2×1×1的分类矩阵和4×1×1回归矩阵；本级网络的交并比IoU设为0.5，将大于IoU的候选框输入到第二级卷积网络24-net；
S32、第二级卷积网络24-net将第一级全卷积网络12-net得到的所有检测框调整到3×24×24的大小，然后进行第一个卷积层之后得到28×22×22的特征图，接下来经过第一个最大池化层，将图片减少到28×11×11，经过第二个卷积层之后得到48×9×9的特征图，经过第二个最大池化层将图片减少到48×4×4，经过第三个卷积层之后得到64×3×3的特征图，最后经过第一个全连接层得到128×1的特征图，分别输入至第二个全连接层和第三个全连接层，分别得到2×1的分类矩阵和4×1的回归矩阵；本级网络的IoU设为0.7，将大于IoU的候选框输入到第三级卷积网络48-net；
S33、第三级卷积网络48-net将第二级卷积网络24-net得到的所有检测框调整到3×48×48的大小，然后进行第一个卷积层之后得到32×46×46的特征图，接下来经过第一个最大池化层，将图片减少到32×23×23，经过第二个卷积层之后得到64×21×21的特征图，经过第二个最大池化层将图片减少到64×10×10，经过第三个卷积层之后得到64×8×8的特征图，经过第三个最大池化层将图片减少到64×4×4，经过第四个卷积层之后得到128×3×3的特征图，最后经过第一个全连接层得到256×1的特征图，分别输入至第二个全连接层和第三个全连接层，分别得到2×1的分类矩阵和4×1的回归矩阵；本级网络的IoU设为0.7，将大于IoU的候选框作为最终候选框输出；
其中，IoU为预测人脸边框和人工标记的边框的重叠面积的比例，公式表示为：
Figure FDA0002381355560000021
其中，DR表示检测框，GT表示人工标定框；
S34、得到最终的人脸检测框，以对图像中的人脸进行检测；
S4、人脸检测，将测试数据集中的测试图像进行等比放大缩小以得到测试图像集，然后输入训练后的模型中以对测试图像进行人脸候选框的标定。
2.根据权利要求1所述的一种利用级联卷积神经网络实现人脸检测的方法，其特征在于，所述步骤S1中的不同条件包括姿态、表情、肤色、年龄和性别。
3.根据权利要求1所述的一种利用级联卷积神经网络实现人脸检测的方法，其特征在于，所述非人脸图像包括花草、树木、水果、建筑物、汽车、山川、河流、海洋中的多种。
4.根据权利要求1所述的一种利用级联卷积神经网络实现人脸检测的方法，其特征在于，对图像进行等比放大缩小，包括：
设度量尺寸为[S0,S1,S2,…,Si]，其中，S0＝500，Si＝Si-1×0.7，Si>12，Si为正方形检测框的尺寸，单位为像素；i为整数；
计算图像最短边在度量尺寸中的比例，对图像进行等比放大缩小。
5.根据权利要求1所述的一种利用级联卷积神经网络实现人脸检测的方法，其特征在于，各卷积层的输出后均有一个PReLu激活函数。
6.根据权利要求1所述的一种利用级联卷积神经网络实现人脸检测的方法，其特征在于，所述第一级全卷积网络12-net、第二级卷积网络24-net和第三级卷积网络48-net的目标函数均为softmax函数。
CN201911271105.XA 2019-12-12 2019-12-12 一种利用级联卷积神经网络实现人脸检测的方法 Active CN110717481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911271105.XA CN110717481B (zh) 2019-12-12 2019-12-12 一种利用级联卷积神经网络实现人脸检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911271105.XA CN110717481B (zh) 2019-12-12 2019-12-12 一种利用级联卷积神经网络实现人脸检测的方法

Publications (2)

Publication Number Publication Date
CN110717481A CN110717481A (zh) 2020-01-21
CN110717481B true CN110717481B (zh) 2020-04-07

Family

ID=69216691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911271105.XA Active CN110717481B (zh) 2019-12-12 2019-12-12 一种利用级联卷积神经网络实现人脸检测的方法

Country Status (1)

Country Link
CN (1) CN110717481B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401452B (zh) * 2020-03-17 2022-04-26 北京大学 一种基于偏微分算子的等变卷积网络模型的图像分类方法
CN113496173B (zh) * 2020-04-07 2023-09-26 北京君正集成电路股份有限公司 一种级联的人脸检测最后一级的检测方法
CN111738099B (zh) * 2020-05-30 2023-11-07 华南理工大学 基于视频图像场景理解的人脸自动检测方法
CN111950342A (zh) * 2020-06-22 2020-11-17 广州杰赛科技股份有限公司 一种人脸检测方法、装置及存储介质
CN114005150B (zh) * 2020-07-28 2024-05-03 北京君正集成电路股份有限公司 一种可量化的前端人脸检测的设计方法
CN111626382A (zh) * 2020-07-28 2020-09-04 杭州品茗安控信息技术股份有限公司 一种建筑工地车辆清洁度的快速智能识别方法和系统
CN112052883B (zh) * 2020-08-14 2023-10-17 五邑大学 一种衣物检测方法、装置及存储介质
CN111738242B (zh) * 2020-08-21 2020-12-25 浙江鹏信信息科技股份有限公司 一种基于自适应和色彩归一的人脸识别方法及系统
CN112132215B (zh) * 2020-09-22 2024-04-16 平安国际智慧城市科技股份有限公司 一种识别物体类型的方法、装置及计算机可读存储介质
CN112613480A (zh) * 2021-01-04 2021-04-06 上海明略人工智能(集团)有限公司 一种人脸识别方法、系统、电子设备及存储介质
CN113205122A (zh) * 2021-04-23 2021-08-03 微马科技有限公司 基于低成本运算平台的人脸检测方法、装置及介质
CN114092998A (zh) * 2021-11-09 2022-02-25 杭州电子科技大学信息工程学院 一种基于卷积神经网络的佩戴口罩人脸识别检测方法
CN115273183A (zh) * 2022-07-13 2022-11-01 天翼云科技有限公司 一种基于神经网络的人脸检测方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874868A (zh) * 2017-02-14 2017-06-20 北京飞搜科技有限公司 一种基于三级卷积神经网络的人脸检测方法及系统
CN107871102A (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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871102A (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
CN106874868A (zh) * 2017-02-14 2017-06-20 北京飞搜科技有限公司 一种基于三级卷积神经网络的人脸检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Convolutional Neural Network Cascade for Face Detection;Haoxiang Li等;《CVPR2015》;20151231;第5325-5334页 *
Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Network;Kaipeng Zhang等;《IEEE Signal Processing Letters》;20161031;第23卷(第10期);第1499-1503页 *

Also Published As

Publication number Publication date
CN110717481A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN110717481B (zh) 一种利用级联卷积神经网络实现人脸检测的方法
US11574152B2 (en) Recognition system for security check and control method thereof
CN108537215B (zh) 一种基于图像目标检测的火焰检测方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN109063366B (zh) 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN111563557B (zh) 一种电力电缆隧道内目标检测的方法
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN107133943A (zh) 一种防震锤缺陷检测的视觉检测方法
CN106803069A (zh) 基于深度学习的人群高兴程度识别方法
CN114842208B (zh) 一种基于深度学习的电网危害鸟种目标检测方法
CN113869162A (zh) 一种基于人工智能的违章识别方法及系统
CN113361326B (zh) 一种基于计算机视觉目标检测的智慧电厂管控系统
CN111507227B (zh) 基于深度学习的多学生个体分割及状态自主识别方法
CN112926522B (zh) 一种基于骨骼姿态与时空图卷积网络的行为识别方法
CN111738054A (zh) 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN112258490A (zh) 基于光学和红外图像融合的低发射率涂层智能探损方法
CN116229052B (zh) 一种基于孪生网络的变电站设备状态变化检测方法
CN115797694A (zh) 基于多尺度孪生神经网络的显示面板微缺陷分类方法
CN114202643A (zh) 基于多传感融合的苹果叶部病害识别终端及方法
CN115240259A (zh) 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统
Monigari et al. Plant leaf disease prediction
CN114821742A (zh) 一种实时识别儿童或青少年面部表情的方法和装置
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
CN109558803A (zh) 基于卷积神经网络与np准则的sar目标鉴别方法

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
GR01 Patent grant
GR01 Patent grant