CN110826519A - 人脸遮挡检测方法、装置、计算机设备及存储介质 - Google Patents
人脸遮挡检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110826519A CN110826519A CN201911113821.5A CN201911113821A CN110826519A CN 110826519 A CN110826519 A CN 110826519A CN 201911113821 A CN201911113821 A CN 201911113821A CN 110826519 A CN110826519 A CN 110826519A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- detection
- detection result
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 71
- 238000013527 convolutional neural network Methods 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 18
- 208000006440 Open Bite Diseases 0.000 claims description 16
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 210000001747 pupil Anatomy 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人脸遮挡检测方法、装置、计算机设备及存储介质,该方法包括获取待检测图像;对待检测图像进行人脸检测,以得到第一检测结果;判断第一检测结果是否符合条件;若第一检测结果符合条件,则对待检测图像进行预处理,以得到中间人脸图像;将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;判断第二检测结果是否为人脸遮挡图像;若第二检测结果是人脸遮挡图像,则执行对待检测图像进行人脸检测,以得到第一检测结果;若第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。本发明实现提高人脸遮挡检测的准确率,可配合人脸识别技术,提高人脸识别的准确率。
Description
技术领域
本发明涉及人脸检测方法,更具体地说是指人脸遮挡检测方法、装置、计算机设备及存储介质。
背景技术
由于深度学习的发展,大规模人脸识别成为可能。目前人脸识别技术已经广泛应用于安防,闸机以及金融支付等场景。在实际自然场景中的人脸识别,由于人会做各种动作以及复杂的自然场景会导致捕获的人脸存在遮挡的情况,遮挡的人脸不仅会浪费人脸抽特征的资源,同时因为信息缺失给比对带来较大的难度,因此对捕获的人脸进行遮挡检测可以解决以上问题带来的困扰。
由于直接将检测到的人脸拿来抽特征比对,一旦检测到的人脸存在遮挡,造成人脸信息缺失,识别容易出错,因此需要先做遮挡检测,筛选掉不合格的图片,现有的遮挡检测技术要么检测不够准确,容易漏掉遮挡人脸,要么就是小面积遮挡,对特征提取无影响的人脸被剔除,导致检测失败或者准确率不高。
因此,有必要设计一种新的方法,实现提高人脸遮挡检测的准确率,可配合人脸识别技术,提高人脸识别的准确率。
发明内容
本发明的目的在于克服现有技术的缺陷,提供人脸遮挡检测方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:人脸遮挡检测方法,包括:
获取待检测图像;
对待检测图像进行人脸检测,以得到第一检测结果;
判断所述第一检测结果是否符合条件;
若所述第一检测结果符合条件,则对待检测图像进行预处理,以得到中间人脸图像;
将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;
判断所述第二检测结果是否为人脸遮挡图像;
若所述第二检测结果是人脸遮挡图像,则执行所述对待检测图像进行人脸检测,以得到第一检测结果;
若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别;
其中,所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的。
其进一步技术方案为:所述对待检测图像进行人脸检测,以得到第一检测结果,包括:
采用MTCNN算法对待检测图像进行人脸检测,以得到第一检测结果。
其进一步技术方案为:所述第一检测结果包括是否检测到人脸的结果,当检测到人脸时,第一检测结果还包括人脸关键点以及人脸框。
其进一步技术方案为:所述对待检测图像进行预处理,以得到中间人脸图像,包括:
对待检测图像进行获取双眼瞳孔坐标以及嘴巴中心点坐标,以得到待处理坐标;
获取一空图片;
采用仿射变换将待处理坐标放到空图片的指定位置,以得到中间人脸图像。
其进一步技术方案为:所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的,包括:
获取若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像,以得到样本集,并将样本集划分为训练集以及测试集;
构建卷积神经网络以及损失函数;
将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;
采用损失函数以及训练结果计算损失值;
判断所述损失值是否超过预设的阈值;
若所述损失值超过预设的阈值,则调整卷积神经网络的参数,并执行所述将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;
若所述损失值不超过预设的阈值,则将测试集输入卷积神经网络内进行遮挡测试,以得到测试结果;
判断所述测试结果是否符合要求;
若所述测试结果不符合要求,则执行所述调整卷积神经网络的参数;
若所述损失值符合要求,则将所述卷积神经网络作为遮挡检测模型。
其进一步技术方案为:所述卷积神经网络包括四个卷积层以及一个全连接层。
其进一步技术方案为:所述损失函数为Center Loss函数。
本发明还提供了人脸遮挡检测装置,包括:
图像获取单元,用于获取待检测图像;
人脸检测单元,用于对待检测图像进行人脸检测,以得到第一检测结果;
第一判断单元,用于判断所述第一检测结果是否符合条件;
预处理单元,用于若是,则对待检测图像进行预处理,以得到中间人脸图像;
遮挡检测单元,用于将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;
第二判断单元,用于判断所述第二检测结果是否为人脸遮挡图像;
输出单元,用于若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过对待检测图像进行人脸检测,当检测到人脸时,先对该待检测图像进行处理后,得到中间人脸图像,利用卷积神经网络构成的遮挡检测模型对中间人脸图像是否还是人脸遮挡图像,若是,则再一次进行人脸检测,并再一次进行仿射变换,得到完整的人脸非遮挡图像,当得到完整的人脸非遮挡图像,则可进行后续的人脸识别,实现提高人脸遮挡检测的准确率,可配合人脸识别技术,提高人脸识别的准确率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的人脸遮挡检测方法的应用场景示意图;
图2为本发明实施例提供的人脸遮挡检测方法的流程示意图;
图3为本发明实施例提供的人脸遮挡检测方法的子流程示意图;
图4为本发明实施例提供的人脸遮挡检测方法的子流程示意图;
图5为本发明实施例提供的人脸遮挡图像的示意图;
图6为本发明实施例提供的人脸未遮挡图像的示意图;
图7为本发明实施例提供的人脸遮挡检测装置的示意性框图;
图8为本发明实施例提供的人脸遮挡检测装置的预处理单元的示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的人脸遮挡检测方法的应用场景示意图。图2为本发明实施例提供的人脸遮挡检测方法的示意性流程图。该人脸遮挡检测方法应用于服务器中,该服务器与终端进行数据交互,从终端获取待检测图像后,先对待检测图像进行人脸检测,在待检测图像携带有人脸信息的情况下,对齐待检测图像,并采用遮挡检测模型进行遮挡检测,根据检测结果配合人脸识别,进行高准确率的人脸识别。
图2是本发明实施例提供的人脸遮挡检测方法的流程示意图。如图2所示,该方法包括以下步骤S110至S170。
S110、获取待检测图像。
在本实施例中,待检测图像是指由终端拍摄或者通过终端输入的需要进行遮挡检测或者人脸识别的图像,比如小区门口的摄像头或者终端拍摄所得的人脸图像,可以是遮挡的人脸图像,也可以是非遮挡的人脸图像,又如在超市和食堂进行刷脸支付时,终端拍摄的人脸图像,或者银行自助系统的人脸验证过程中终端拍摄的人脸图像,当然,还可以是公司或者教育机构人脸签到过程中终端拍摄的人脸图像。
S120、对待检测图像进行人脸检测,以得到第一检测结果。
在本实施例中,所述第一检测结果包括是否检测到人脸的结果,当检测到人脸时,第一检测结果还包括人脸关键点以及人脸框。
具体地,采用MTCNN算法对待检测图像进行人脸检测,以得到检测结果,获取到待检测图像后,先进行初步的人脸检测,以确认该待检测图像是否有完整的人脸,不管是遮挡的人脸还是非遮挡的人脸,只要是有完整的人脸即可,而非只有背景的图像,或者是只有半张脸的图像。
在本实施例中,MTCNN算法是由三个网络级联的人脸检测算法,用来定位人脸框和5个人脸关键点,一般是首先将待检测图像进行不同尺度的变换,构建图像金字塔,以适应不同大小的人脸的进行检测,再依次经过P-Net(全连接网络,Proposal Network)层、R-Net层以及O-Net层进行对应处理,便可以得到检测结果,其中,P-Net层对构建完成的图像金字塔,通过一个FCN(全卷积神经网络,Fully Convolutional Networks for SemanticSegmentation)进行初步特征提取与标定边框,并进行边框回归调整窗口与NMS(非极大值抑制算法,Non-maximum suppression)进行大部分窗口的过滤。使用一个相对于P-Net更复杂的网络结构来对P-Net生成的可能是人脸区域区域窗口进行进一步选择和调整,从而达到高精度过滤和人脸区域优化的效果。
R-Net(卷积神经网络,Refine Network)相对于第一层的P-Net来说,增加了一个全连接层,因此对于输入数据的筛选会更加严格。在图片经过P-Net后,会留下许多预测窗口,将所有的预测窗口送入R-Net,这个网络会滤除大量效果比较差的候选框,最后对选定的候选框进行边框回归和NMS进一步优化预测结果。因为P-Net的输出只是具有一定可信度的可能的人脸区域,在这个网络中,将对输入进行细化选择,并且舍去大部分的错误输入,并再次使用边框回归和面部关键点定位器进行人脸区域的边框回归和关键点定位,最后将输出较为可信的人脸区域,供O-Net使用。对比与P-Net使用全卷积输出的1x1x32的特征,R-Net使用在最后一个卷积层之后使用了一个128的全连接层,保留了更多的图像特征,准确度性能也优于P-Net。
O-Net(输出网络,Output Network)是一个较为复杂的卷积神经网络,相对于R-Net来说多了一个卷积层。O-Net的效果与R-Net的区别在于这一层结构会通过更多的监督来识别面部的区域,而且会对人的面部特征点进行回归,最终输出五个人脸面部特征点。O-Net是一个更复杂的卷积网络,该网络的输入特征更多,在网络结构的最后同样是一个更大的256的全连接层,保留了更多的图像特征,同时再进行人脸判别、人脸区域边框回归和人脸特征定位,最终输出人脸区域的左上角坐标和右下角坐标与人脸区域的五个特征点。O-Net拥有特征更多的输入和更复杂的网络结构,也具有更好的性能,这一层的输出作为最终的网络模型输出。
S130、判断所述第一检测结果是否符合条件。
在本实施例中,当第一检测结果是人脸框和5个人脸关键点,则表明该检测结果是符合条件的,当第一检测结果并不是人脸框和5个人脸关键点,则表明该检测结果是不符合条件的。
若所述第一检测结果不符合条件,则执行所述步骤S120,再次进行人脸检测,当进行若干次人脸检测,依旧没有检测到人脸,则表明该待检测图像并非人脸图像,可进入结束步骤。
S140、若第一检测结果符合条件,则对待检测图像进行预处理,以得到中间人脸图像。
在本实施例中,中间人脸图像是指将检测到的人脸的关键点坐标加载到某一尺寸为112x112的图片上所形成的人脸图像,以防止多姿态的人脸,给遮挡检测造成影响,从而提高整个遮挡检测的准确率。
在一实施例中,请参阅图3,上述的步骤S140可包括步骤S141~S143。
S141、对待检测图像进行获取双眼瞳孔坐标以及嘴巴中心点坐标,以得到待处理坐标。
在本实施例中,待处理坐标包括双眼瞳孔坐标以及嘴巴中心点坐标,上述的检测结果中包括5个人脸关键点,根据人脸定位技术,便可得知坐标。
S142、获取一空图片。
在本实施例中,空图片是指尺寸为112x112的图片,这个尺寸的图片是更加适合于人脸遮挡检测。
S143、采用仿射变换将待处理坐标放到空图片的指定位置,以得到中间人脸图像。
在本实施例中,仿射变换是变换模型的方式之一,变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。仿射变换是一种二维坐标到二维坐标之间的线性变换,保持二维图形的平直性和平行性,其中平直性只是变换后直线还是直线不会打弯,圆弧还是圆弧,而平行性是指保二维图形间的相对位置关系不变,平行线还是平行线,相交直线的交角不变。仿射变换可以保持原来的线共点、点共线的关系不变,保持原来相互平行的线仍然平行,保持原来的中点仍然是中点,保持原来在一直线上极端线段之间的比例关系不变。
当得到待处理坐标后,通过一系列的原子变换的复合来实现仿射变换,以得到中间人脸头像,这一系列的原子变换包括:平移、缩放、翻转、旋转和剪切,通过变换便可得到同一姿态的人脸图像,以防止多姿态的人脸,给遮挡检测造成影响,进而提高遮挡检测的准确率,并配合人脸识别技术可达到较高的人脸识别准确率。
S150、将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果。
在本实施例中,第二检测结果是指是否为遮挡人脸,也就是中间人脸图像的种类是遮挡人脸还是人脸非遮挡。
其中,所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的。
在一实施例中,请参阅图4,上述的步骤S150可包括步骤S151~S159。
S151、获取若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像,以得到样本集,并将样本集划分为训练集以及测试集。
在本实施例中,样本集包括负样本集以及正样本集,其中,负样本集是指若干人脸遮挡图像,而正样本集是若干人脸非遮挡图像,负样本集以及正样本集的尺寸为112x112。
请参阅图5与图6,负样本集是包括手、密集人群人体遮挡以及其他物体如手机、墨镜遮挡的人脸图像。人脸遮挡的标准是眼睛,嘴巴,鼻子有遮挡即算作遮挡。而对于下巴或者脸部边缘,对识别无影响的,较小面积的遮挡则不算做遮挡。另外,正样本集是指毫无遮挡的人脸图像。采集了不同人脸遮挡图像21000张作为负样本集,类别标签设置为0,为了保持样本均衡,人脸未遮挡图像21000张作为正样本,类别标签设置为1。当得到若干个人脸图像后,需要进行数据集的清洗及划分,也就是对人脸图像划分为人脸遮挡图像以及人脸非遮挡图像,并对应进行类别标签的标注,严格界定遮挡,筛选合适的数据集,从而训练出更有利于人脸遮挡检测和人脸识别的模型,进而提高整个人脸遮挡检测和人脸识别的准确率。
S152、构建卷积神经网络以及损失函数。
在本实施例中,卷积神经网络包括四个卷积层以及一个全连接层。考虑到遮挡检测模型需要部署在移动端,使用了组卷积作为模型计算的基础。卷积神经网络分为4个卷积层,每一个卷积层包含若干个Conv、BatchNorm、Scale及ReLU模块堆叠而成,最后连接一个全连接层输出为2;其中,Conv是向量卷积运算,也就是两个向量卷积;BatchNorm是先计算均值和方差,再归一化,最后进行缩放和平移;Scale用于修改元素的大小,可以通过向量形式定义的缩放值来放大或缩小元素,同时可以在不同的方向设置不同的缩放值。ReLU(线性整流函数,Rectified Linear Unit),又称修正线性单元,是一种人工神经网络中常用的激活函数,通常指代以斜坡函数及其变种为代表的非线性函数。
所述损失函数为Center Loss函数,Center Loss函数更为紧密,可增大累计距离,同时缩小类内距离。损失函数L公式如下: L=Ls+λLc;其中,xi是第i个样本的深度特征,是yi类的深度特征中心,是遮挡检测模型的参数,是偏置算是L由类间lossLs和类内lossLc相加得到。
S153、将训练集输入至卷积神经网络进行卷积训练,以得到训练结果。
在本实施例中,训练结果是指训练集依次输入卷积神经网络后输出该训练集对应的类别标签。
S154、采用损失函数以及训练结果计算损失值。
在本实施例,损失值是指利用上述的损失函数计算训练结果以及对应的类别标签的差距。
S155、判断所述损失值是否超过预设的阈值。
当损失值在预设的阈值内,则表明该损失值未超过预设的阈值,也表明当前的卷积神经网络是可以被用作遮挡检测模型的,倘若该损失值超过预设的阈值后,表明当前的卷积神经网络不可以用作遮挡检测模型,也就是检测出来的类别并不准确,会导致后期的人脸识别也不准确。
S156、若所述损失值超过预设的阈值,则调整卷积神经网络的参数,并执行所述步骤S153。
在本实施例中,调整卷积神经网络的参数是指调整卷积神经网络中各个层的权重值。通过不断地训练,便可以得到满足要求的卷积神经网络。
S157、若所述损失值不超过预设的阈值,则将测试集输入遮挡检测模型内进行遮挡检测,以得到测试结果。
在本实施例中,测试结果是指测试集进行遮挡检测后,便可得到测试集对应的类别。
S158、判断所述测试结果是否符合要求。
当测试结果的类别与测试集对应的类别标签的对应程度满足一定的条件,也就是一致性超过预设的一致性阈值,便可认为测试结果是符合要求的;否则,则认为该测试结果不符合要求。
若所述测试结果不符合要求,则执行所述步骤S156;
S159、若所述损失值符合要求,则将所述卷积神经网络作为遮挡检测模型。
在整个训练过程中,先制作好训练集、测试集,同时选好卷积神经网络及损失函数,接下来是遮挡检测模型的训练。模型训练框架选择的是Mxnet,先将训练集、测试集转化为RecordIO和lst格式,训练的BatchSize即批大小设置为128,初始学习率是0.001,每10个epoch学习率衰减为当前值的0.1,一共训练60个epoch,每个epoch保存模型一次,此时训练集及验证集准确率都在0.99以上。挑选性能最优的模型即可。其中,在深度学习中,一般采用SGD训练,即每次训练在训练集中取BatchSize个样本训练;1个epoch等于使用训练集中的全部样本训练一次,通俗的讲epoch的值就是整个数据集被轮几次。
S160、判断所述第二检测结果是否为人脸遮挡图像;
若所述第二检测结果是人脸遮挡图像,则进入结束步骤;
S170、若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。
在本实施例中,当检测到人脸图像是人脸遮挡图像,配合人脸识别技术,便可避免人脸遮挡图像被剔除,导致人脸识别的准确率降低。
摄像头获取待检测图像后先进行人脸检测;若没有检测到人脸,则再次进行人脸检测;若检测到人脸,基于5点关键点进行对齐,并将坐标变换到某一空图片,该空图片变换到112x112的尺寸,将图片输入到遮挡检测模型,第二检测结果若显示是人脸遮挡类别,则重新进行人脸检测,以确保不会漏掉需要比对的人脸遮挡图像,当第二检测结果显示是人脸非遮挡类别,则进行人脸识别和比对流程。
上述的人脸遮挡检测方法,通过对待检测图像进行人脸检测,当检测到人脸时,先对该待检测图像进行处理后,得到中间人脸图像,利用卷积神经网络构成的遮挡检测模型对中间人脸图像是否还是人脸遮挡图像,若是,则再一次进行人脸检测,并再一次进行仿射变换,得到完整的人脸非遮挡图像,当得到完整的人脸非遮挡图像,则可进行后续的人脸识别,实现提高人脸遮挡检测的准确率,可配合人脸识别技术,提高人脸识别的准确率。
图7是本发明实施例提供的一种人脸遮挡检测装置300的示意性框图。如图7所示,对应于以上人脸遮挡检测方法,本发明还提供一种人脸遮挡检测装置300。该人脸遮挡检测装置300包括用于执行上述人脸遮挡检测方法的单元,该装置可以被配置于服务器中。
具体地,请参阅图7,该人脸遮挡检测装置300包括图像获取单元301、人脸检测单元302、第一判断单元303、预处理单元304、遮挡检测单元305、第二判断单元306以及输出单元307。
图像获取单元301,用于获取待检测图像;人脸检测单元302,用于对待检测图像进行人脸检测,以得到第一检测结果;第一判断单元303,用于判断所述第一检测结果是否符合条件;预处理单元304,用于若是,则对待检测图像进行预处理,以得到中间人脸图像;遮挡检测单元305,用于将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;第二判断单元306,用于判断所述第二检测结果是否为人脸遮挡图像,若所述第二检测结果是人脸遮挡图像,则执行所述对待检测图像进行人脸检测,以得到第一检测结果;输出单元307,用于若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。
在一实施例中,如图8所示,所述预处理单元304包括坐标获取子单元3041、图片获取子单元3042以及变换子单元3043。
坐标获取子单元3041,用于对待检测图像进行获取双眼瞳孔坐标以及嘴巴中心点坐标,以得到待处理坐标;图片获取子单元3042,用于获取一空图片;变换子单元3043,用于采用仿射变换将待处理坐标放到空图片的指定位置,以得到中间人脸图像。
在一实施例中,该装置还包括模型构建单元,所述模型构建单元,用于通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络,以得到遮挡检测模型。
在一实施例中,上述的模型构建单元包括样本集处理子单元、构建子单元、训练子单元、损失值计算子单元、损失值判断子单元、参数调整子单元、模型获取子单元、测试子单元以及测试结果判断子单元。
样本集处理子单元,用于获取若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像,以得到样本集,并将样本集划分为训练集以及测试集;构建子单元,用于构建卷积神经网络以及损失函数;训练子单元,用于将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;损失值计算子单元,用于采用损失函数以及训练结果计算损失值;损失值判断子单元,用于判断所述损失值是否超过预设的阈值;参数调整子单元,用于若所述损失值超过预设的阈值,则调整卷积神经网络的参数,并执行所述将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;测试子单元,用于若所述损失值不超过预设的阈值,则将测试集输入遮挡检测模型内进行遮挡检测,以得到测试结果;测试结果判断子单元,用于判断所述测试结果是否符合要求;若所述测试结果不符合要求,则执行所述调整卷积神经网络的参数;模型获取子单元,用于若所述损失值符合要求,则将所述卷积神经网络作为遮挡检测模型。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述人脸遮挡检测装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述人脸遮挡检测装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种人脸遮挡检测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种人脸遮挡检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图9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500的限定,具体的计算机设备500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。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取待检测图像;对待检测图像进行人脸检测,以得到第一检测结果;判断所述第一检测结果是否符合条件;若所述第一检测结果符合条件,则对待检测图像进行预处理,以得到中间人脸图像;将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;判断所述第二检测结果是否为人脸遮挡图像;若所述第二检测结果是人脸遮挡图像,则执行所述对待检测图像进行人脸检测,以得到第一检测结果;若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。
其中,所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的。
在一实施例中,处理器502在实现所述对待检测图像进行人脸检测,以得到第一检测结果步骤时,具体实现如下步骤:
采用MTCNN算法对待检测图像进行人脸检测,以得到第一检测结果。
其中,所述第一检测结果包括是否检测到人脸的结果,当检测到人脸时,第一检测结果还包括人脸关键点以及人脸框。
在一实施例中,处理器502在实现所述对待检测图像进行预处理,以得到中间人脸图像步骤时,具体实现如下步骤:
对待检测图像进行获取双眼瞳孔坐标以及嘴巴中心点坐标,以得到待处理坐标;获取一空图片;采用仿射变换将待处理坐标放到空图片的指定位置,以得到中间人脸图像。
在一实施例中,处理器502在实现所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的步骤时,具体实现如下步骤:
获取若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像,以得到样本集,并将样本集划分为训练集以及测试集;构建卷积神经网络以及损失函数;将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;采用损失函数以及训练结果计算损失值;判断所述损失值是否超过预设的阈值;若所述损失值超过预设的阈值,则调整卷积神经网络的参数,并执行所述将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;若所述损失值不超过预设的阈值,则将测试集输入卷积神经网络内进行遮挡测试,以得到测试结果;判断所述测试结果是否符合要求;若所述测试结果不符合要求,则执行所述调整卷积神经网络的参数;若所述损失值符合要求,则将所述卷积神经网络作为遮挡检测模型。
其中,所述卷积神经网络包括四个卷积层以及一个全连接层。所述损失函数为Center Loss函数。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取待检测图像;对待检测图像进行人脸检测,以得到第一检测结果;判断所述第一检测结果是否符合条件;若所述第一检测结果符合条件,则对待检测图像进行预处理,以得到中间人脸图像;将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;判断所述第二检测结果是否为人脸遮挡图像;若所述第二检测结果是人脸遮挡图像,则执行所述对待检测图像进行人脸检测,以得到第一检测结果;若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。
其中,所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对待检测图像进行人脸检测,以得到第一检测结果步骤时,具体实现如下步骤:
采用MTCNN算法对待检测图像进行人脸检测,以得到第一检测结果。
其中,所述第一检测结果包括是否检测到人脸的结果,当检测到人脸时,第一检测结果还包括人脸关键点以及人脸框。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对待检测图像进行预处理,以得到中间人脸图像步骤时,具体实现如下步骤:
对待检测图像进行获取双眼瞳孔坐标以及嘴巴中心点坐标,以得到待处理坐标;获取一空图片;采用仿射变换将待处理坐标放到空图片的指定位置,以得到中间人脸图像。
在一实施例中,所述处理器在执行所述计算机程序而实现所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的步骤时,具体实现如下步骤:
获取若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像,以得到样本集,并将样本集划分为训练集以及测试集;构建卷积神经网络以及损失函数;将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;采用损失函数以及训练结果计算损失值;判断所述损失值是否超过预设的阈值;若所述损失值超过预设的阈值,则调整卷积神经网络的参数,并执行所述将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;若所述损失值不超过预设的阈值,则将测试集输入卷积神经网络内进行遮挡测试,以得到测试结果;判断所述测试结果是否符合要求;若所述测试结果不符合要求,则执行所述调整卷积神经网络的参数;若所述损失值符合要求,则将所述卷积神经网络作为遮挡检测模型。
其中,所述卷积神经网络包括四个卷积层以及一个全连接层。所述损失函数为Center Loss函数。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明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,也可以是两个或两个以上单元集成在一个单元中。
该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,可以存储在一个存储介质中。基于这样的理解,本发明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,该计算机软件产品存储在一个存储介质中,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,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.人脸遮挡检测方法,其特征在于,包括:
获取待检测图像;
对待检测图像进行人脸检测,以得到第一检测结果;
判断所述第一检测结果是否符合条件;
若所述第一检测结果符合条件,则对待检测图像进行预处理,以得到中间人脸图像;
将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;
判断所述第二检测结果是否为人脸遮挡图像;
若所述第二检测结果是人脸遮挡图像,则执行所述对待检测图像进行人脸检测,以得到第一检测结果;
若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别;
其中,所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的。
2.根据权利要求1所述的人脸遮挡检测方法,其特征在于,所述对待检测图像进行人脸检测,以得到第一检测结果,包括:
采用MTCNN算法对待检测图像进行人脸检测,以得到第一检测结果。
3.根据权利要求2所述的人脸遮挡检测方法,其特征在于,所述第一检测结果包括是否检测到人脸的结果,当检测到人脸时,第一检测结果还包括人脸关键点以及人脸框。
4.根据权利要求1所述的人脸遮挡检测方法,其特征在于,所述对待检测图像进行预处理,以得到中间人脸图像,包括:
对待检测图像进行获取双眼瞳孔坐标以及嘴巴中心点坐标,以得到待处理坐标;
获取一空图片;
采用仿射变换将待处理坐标放到空图片的指定位置,以得到中间人脸图像。
5.根据权利要求1所述的人脸遮挡检测方法,其特征在于,所述遮挡检测模型是通过若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像作为样本集训练卷积神经网络所得的,包括:
获取若干带有类别标签的人脸遮挡图像以及若干带有类别标签的人脸未遮挡图像,以得到样本集,并将样本集划分为训练集以及测试集;
构建卷积神经网络以及损失函数;
将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;
采用损失函数以及训练结果计算损失值;
判断所述损失值是否超过预设的阈值;
若所述损失值超过预设的阈值,则调整卷积神经网络的参数,并执行所述将训练集输入至卷积神经网络进行卷积训练,以得到训练结果;
若所述损失值不超过预设的阈值,则将测试集输入卷积神经网络内进行遮挡测试,以得到测试结果;
判断所述测试结果是否符合要求;
若所述测试结果不符合要求,则执行所述调整卷积神经网络的参数;
若所述损失值符合要求,则将所述卷积神经网络作为遮挡检测模型。
6.根据权利要求5所述的人脸遮挡检测方法,其特征在于,所述卷积神经网络包括四个卷积层以及一个全连接层。
7.根据权利要求5所述的人脸遮挡检测方法,其特征在于,所述损失函数为CenterLoss函数。
8.人脸遮挡检测装置,其特征在于,包括:
图像获取单元,用于获取待检测图像;
人脸检测单元,用于对待检测图像进行人脸检测,以得到第一检测结果;
第一判断单元,用于判断所述第一检测结果是否符合条件;
预处理单元,用于若是,则对待检测图像进行预处理,以得到中间人脸图像;
遮挡检测单元,用于将中间人脸图像输入至遮挡检测模型内进行遮挡检测,以得到第二检测结果;
第二判断单元,用于判断所述第二检测结果是否为人脸遮挡图像;
输出单元,用于若所述第二检测结果不是人脸遮挡图像,则将检测结果输出至终端,以配合人脸识别技术进行人脸识别。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113821.5A CN110826519B (zh) | 2019-11-14 | 2019-11-14 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113821.5A CN110826519B (zh) | 2019-11-14 | 2019-11-14 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826519A true CN110826519A (zh) | 2020-02-21 |
CN110826519B CN110826519B (zh) | 2023-08-18 |
Family
ID=69555259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113821.5A Active CN110826519B (zh) | 2019-11-14 | 2019-11-14 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826519B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339930A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合口罩属性损失函数的人脸识别方法 |
CN111428628A (zh) * | 2020-03-23 | 2020-07-17 | 北京每日优鲜电子商务有限公司 | 人脸检测方法、装置、设备及存储介质 |
CN111523431A (zh) * | 2020-04-16 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种面部识别的方法、装置及设备 |
CN111652051A (zh) * | 2020-04-21 | 2020-09-11 | 高新兴科技集团股份有限公司 | 人脸检测模型生成方法、装置、设备和存储介质 |
CN111815790A (zh) * | 2020-07-10 | 2020-10-23 | 成都智元汇信息技术股份有限公司 | 一种基于人脸识别的地铁乘车检票方法 |
CN111860199A (zh) * | 2020-06-28 | 2020-10-30 | 上海芯翌智能科技有限公司 | 图像中关键点的检测方法及设备 |
CN111860566A (zh) * | 2020-04-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 遮挡物识别模型训练方法、识别方法、装置及存储介质 |
CN111881770A (zh) * | 2020-07-06 | 2020-11-03 | 上海序言泽网络科技有限公司 | 一种人脸识别方法及系统 |
CN112001280A (zh) * | 2020-08-13 | 2020-11-27 | 浩鲸云计算科技股份有限公司 | 一种实时、可在线优化的人脸识别系统和方法 |
CN112016464A (zh) * | 2020-08-28 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
CN112052780A (zh) * | 2020-09-01 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 人脸验证方法、装置、系统及存储介质 |
CN112115886A (zh) * | 2020-09-22 | 2020-12-22 | 北京市商汤科技开发有限公司 | 图像检测方法和相关装置、设备、存储介质 |
CN112132074A (zh) * | 2020-09-28 | 2020-12-25 | 平安养老保险股份有限公司 | 人脸图像验证方法、装置、计算机设备及存储介质 |
CN112651322A (zh) * | 2020-12-22 | 2021-04-13 | 北京眼神智能科技有限公司 | 脸颊遮挡检测方法、装置及电子设备 |
CN112883918A (zh) * | 2021-03-22 | 2021-06-01 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN112990032A (zh) * | 2021-03-23 | 2021-06-18 | 中国人民解放军海军航空大学航空作战勤务学院 | 人脸图像处理方法及装置 |
WO2021174819A1 (zh) * | 2020-03-05 | 2021-09-10 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法及系统 |
CN113392699A (zh) * | 2021-04-30 | 2021-09-14 | 深圳市安思疆科技有限公司 | 用于人脸遮挡检测的多标签深度卷积神经网络方法、装置和电子设备 |
CN113449696A (zh) * | 2021-08-27 | 2021-09-28 | 北京市商汤科技开发有限公司 | 一种姿态估计方法、装置、计算机设备以及存储介质 |
CN113494964A (zh) * | 2020-03-20 | 2021-10-12 | 深圳云天励飞技术有限公司 | 一种人员测温方法、装置、电子设备及存储介质 |
CN114067370A (zh) * | 2022-01-17 | 2022-02-18 | 北京新氧科技有限公司 | 一种脖子遮挡检测方法、装置、电子设备及存储介质 |
CN114093012A (zh) * | 2022-01-18 | 2022-02-25 | 荣耀终端有限公司 | 人脸遮挡的检测方法和检测装置 |
WO2022042135A1 (zh) * | 2020-08-25 | 2022-03-03 | 腾讯科技(深圳)有限公司 | 人脸图像的选择方法、装置、设备及存储介质 |
WO2022078041A1 (zh) * | 2020-10-16 | 2022-04-21 | 上海哔哩哔哩科技有限公司 | 遮挡检测模型的训练方法及人脸图像的美化处理方法 |
CN111881770B (zh) * | 2020-07-06 | 2024-05-31 | 上海序言泽网络科技有限公司 | 一种人脸识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN110298230A (zh) * | 2019-05-06 | 2019-10-01 | 深圳市华付信息技术有限公司 | 静默活体检测方法、装置、计算机设备及存储介质 |
CN110321873A (zh) * | 2019-07-12 | 2019-10-11 | 苏州惠邦医疗科技有限公司 | 基于深度学习卷积神经网络的敏感图片识别方法及系统 |
-
2019
- 2019-11-14 CN CN201911113821.5A patent/CN110826519B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN110298230A (zh) * | 2019-05-06 | 2019-10-01 | 深圳市华付信息技术有限公司 | 静默活体检测方法、装置、计算机设备及存储介质 |
CN110321873A (zh) * | 2019-07-12 | 2019-10-11 | 苏州惠邦医疗科技有限公司 | 基于深度学习卷积神经网络的敏感图片识别方法及系统 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339930A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合口罩属性损失函数的人脸识别方法 |
WO2021174819A1 (zh) * | 2020-03-05 | 2021-09-10 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法及系统 |
CN113494964A (zh) * | 2020-03-20 | 2021-10-12 | 深圳云天励飞技术有限公司 | 一种人员测温方法、装置、电子设备及存储介质 |
CN111428628A (zh) * | 2020-03-23 | 2020-07-17 | 北京每日优鲜电子商务有限公司 | 人脸检测方法、装置、设备及存储介质 |
CN111523431A (zh) * | 2020-04-16 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种面部识别的方法、装置及设备 |
CN111652051A (zh) * | 2020-04-21 | 2020-09-11 | 高新兴科技集团股份有限公司 | 人脸检测模型生成方法、装置、设备和存储介质 |
CN111860566A (zh) * | 2020-04-24 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 遮挡物识别模型训练方法、识别方法、装置及存储介质 |
CN111860199A (zh) * | 2020-06-28 | 2020-10-30 | 上海芯翌智能科技有限公司 | 图像中关键点的检测方法及设备 |
CN111860199B (zh) * | 2020-06-28 | 2022-09-27 | 上海芯翌智能科技有限公司 | 图像中关键点的检测方法及设备 |
CN111881770A (zh) * | 2020-07-06 | 2020-11-03 | 上海序言泽网络科技有限公司 | 一种人脸识别方法及系统 |
CN111881770B (zh) * | 2020-07-06 | 2024-05-31 | 上海序言泽网络科技有限公司 | 一种人脸识别方法及系统 |
CN111815790A (zh) * | 2020-07-10 | 2020-10-23 | 成都智元汇信息技术股份有限公司 | 一种基于人脸识别的地铁乘车检票方法 |
CN112001280A (zh) * | 2020-08-13 | 2020-11-27 | 浩鲸云计算科技股份有限公司 | 一种实时、可在线优化的人脸识别系统和方法 |
WO2022042135A1 (zh) * | 2020-08-25 | 2022-03-03 | 腾讯科技(深圳)有限公司 | 人脸图像的选择方法、装置、设备及存储介质 |
CN112016464A (zh) * | 2020-08-28 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
CN112016464B (zh) * | 2020-08-28 | 2024-04-12 | 中移(杭州)信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
CN112052780A (zh) * | 2020-09-01 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 人脸验证方法、装置、系统及存储介质 |
CN112115886A (zh) * | 2020-09-22 | 2020-12-22 | 北京市商汤科技开发有限公司 | 图像检测方法和相关装置、设备、存储介质 |
CN112132074A (zh) * | 2020-09-28 | 2020-12-25 | 平安养老保险股份有限公司 | 人脸图像验证方法、装置、计算机设备及存储介质 |
WO2022078041A1 (zh) * | 2020-10-16 | 2022-04-21 | 上海哔哩哔哩科技有限公司 | 遮挡检测模型的训练方法及人脸图像的美化处理方法 |
CN112651322B (zh) * | 2020-12-22 | 2024-05-24 | 北京眼神智能科技有限公司 | 脸颊遮挡检测方法、装置及电子设备 |
CN112651322A (zh) * | 2020-12-22 | 2021-04-13 | 北京眼神智能科技有限公司 | 脸颊遮挡检测方法、装置及电子设备 |
CN112883918A (zh) * | 2021-03-22 | 2021-06-01 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
WO2022199419A1 (zh) * | 2021-03-22 | 2022-09-29 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN112883918B (zh) * | 2021-03-22 | 2024-03-19 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
CN112990032A (zh) * | 2021-03-23 | 2021-06-18 | 中国人民解放军海军航空大学航空作战勤务学院 | 人脸图像处理方法及装置 |
CN113392699A (zh) * | 2021-04-30 | 2021-09-14 | 深圳市安思疆科技有限公司 | 用于人脸遮挡检测的多标签深度卷积神经网络方法、装置和电子设备 |
CN113449696B (zh) * | 2021-08-27 | 2021-12-07 | 北京市商汤科技开发有限公司 | 一种姿态估计方法、装置、计算机设备以及存储介质 |
CN113449696A (zh) * | 2021-08-27 | 2021-09-28 | 北京市商汤科技开发有限公司 | 一种姿态估计方法、装置、计算机设备以及存储介质 |
CN114067370A (zh) * | 2022-01-17 | 2022-02-18 | 北京新氧科技有限公司 | 一种脖子遮挡检测方法、装置、电子设备及存储介质 |
CN114067370B (zh) * | 2022-01-17 | 2022-06-21 | 北京新氧科技有限公司 | 一种脖子遮挡检测方法、装置、电子设备及存储介质 |
CN114093012A (zh) * | 2022-01-18 | 2022-02-25 | 荣耀终端有限公司 | 人脸遮挡的检测方法和检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110826519B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826519B (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
WO2021077984A1 (zh) | 对象识别方法、装置、电子设备及可读存储介质 | |
CN108875732B (zh) | 模型训练与实例分割方法、装置和系统及存储介质 | |
CN111598038B (zh) | 脸部特征点检测方法、装置、设备及存储介质 | |
WO2019080203A1 (zh) | 一种机器人的手势识别方法、系统及机器人 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN110889446A (zh) | 人脸图像识别模型训练及人脸图像识别方法和装置 | |
CN110147708B (zh) | 一种图像数据处理方法和相关装置 | |
WO2021189848A1 (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN109840485B (zh) | 一种微表情特征提取方法、装置、设备及可读存储介质 | |
CN107240078A (zh) | 镜头清晰度验算方法、装置及电子设备 | |
CN111680544B (zh) | 人脸识别方法、装置、系统、设备及介质 | |
CN112149615A (zh) | 人脸活体检测方法、装置、介质及电子设备 | |
CN111401219B (zh) | 一种手掌关键点检测方法和装置 | |
CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN113780201B (zh) | 手部图像的处理方法及装置、设备和介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN109242868A (zh) | 图像处理方法、装置、电子设备及储存介质 | |
CN110929731B (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 | |
CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 | |
WO2020244076A1 (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN114529962A (zh) | 图像特征处理方法、装置、电子设备及存储介质 | |
CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
CN112149517A (zh) | 一种人脸考勤方法、系统、计算机设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen Huafu Technology Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: SHENZHEN HUAFU INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |