CN110879972B - 一种人脸检测方法及装置 - Google Patents
一种人脸检测方法及装置 Download PDFInfo
- Publication number
- CN110879972B CN110879972B CN201911017610.1A CN201911017610A CN110879972B CN 110879972 B CN110879972 B CN 110879972B CN 201911017610 A CN201911017610 A CN 201911017610A CN 110879972 B CN110879972 B CN 110879972B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- detected
- frame
- determining
- 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
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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
Abstract
本发明实施例提供一种人脸检测方法及装置,该方法包括:获取待检测图像;确定待检测图像对应的人脸灰度图像;确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形;在待检测图像中对应区域标注该外接矩形,得到包括人脸框的待检测图像。本发明实施例,可以提高人脸检测效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种人脸检测方法及装置。
背景技术
随着计算机技术的不断发展,需要进行人脸检测的场合越来越多。目前,在人脸检测的过程中,检测到图像中的人脸之后,需要从多个固定大小的人脸框中选取与人脸大小差距最小的人脸框作为该人脸的人脸框。上述方法中,由于固定大小的人脸框数量较多,从多个固定大小的人脸框中选取与人脸框大小差距最小的人脸框所需时间较长,以致降低了人脸检测效率。
发明内容
本发明实施例提供一种人脸检测方法及装置,用于提高人脸检测效率。
第一方面提供一种人脸检测方法,包括:
获取待检测图像;
确定所述待检测图像对应的人脸灰度图像;
确定所述人脸灰度图像中第一颜色对应区域的外接矩形;
在所述待检测图像中对应区域标注所述外接矩形,得到包括人脸框的待检测图像。
由于不需要从多个固定大小的人脸框中进行选取,只需要确定人脸所在区域的外接矩形即可,所需时间较少,因此,可以提高人脸检测效率。此外,由于不需要设置人脸框,可以有效避免检测难以设置合理的人脸框的问题,从而可以提高对多尺度人脸检测的精度。进一步地,由于每个特定颜色区域对应一个人脸,因此,不需要设置置信度阈值,从而可以避免人工设置参数的操作,可以进一步提升检测精度。
作为一种可能的实现方式,所述确定所述待检测图像对应的人脸灰度图像包括:
将所述待检测图像输入卷积神经网络,得到所述待检测图像对应的人脸灰度图像;
所述卷积神经网络包括下采样层和上采样层,所述下采样层用于采样所述待检测图像中局部区域的最大特征值以及记录所述最大特征值的位置,所述上采样层用于将采样的最大特征值写入记录的位置。
可以根据卷积神经网络快速地确定待检测图像的人脸灰度图像,可以进一步提高人脸检测效率。此外,由于卷积神经网络记录了下采样的位置,能够一定程度保留原图的位置,因此,可以提高人脸位置定位的准确度。
作为一种可能的实现方式,所述方法还包括:
获取训练数据,所述训练数据包括至少两张图像,所述至少两张图像包括人脸标注框;
对所述至少两张图像中的人脸标注框所在区域进行高斯处理,得到至少两张高斯图像;
根据所述至少两张高斯图像训练初始卷积神经网络,得到所述卷积神经网络。
相比整个人脸标注框都是相同的值,使用高斯图作为训练,中心点的权重比周围大,能够更加关注中心点,可以提高定位准确度。此外,训练数据不需要进行额外的数据标注,直接根据现有标注就可以,可以避免重复标注数据的工作。
作为一种可能的实现方式,所述对所述至少两张图像中的人脸标注框所在区域进行高斯处理,得到至少两张高斯图像包括:
将第一人脸标注框的中心点确定为人脸关键点,以所述第一人脸标注框的长为长轴以及以所述第一人脸标注框的宽为短轴生成高斯图,得到至少两张高斯图像,所述第一人脸标注框为所述至少两张图像包括的人脸标注框中的任一人脸标注框。
作为一种可能的实现方式,所述确定所述人脸灰度图像中第一颜色对应区域的外接矩形包括:
对所述人脸灰度图像中第一颜色对应区域进行定位;
确定定位的区域的外接矩形。
每个第一颜色区域对应一个人脸,只需要对输出灰度图的第一颜色区域进行定位即可得到人脸的位置,不需要进行非极大值抑制,加快人脸检测的速度,从而可以进一步提高人脸检测效率。
作为一种可能的实现方式,所述在所述待检测图像中对应区域标注所述外接矩形,得到包括人脸框的待检测图像包括:
确定所述外接矩形在所述人脸灰度图像中的位置;
在所述待检测图像中确定的位置标注所述外接矩形,得到包括人脸框的待检测图像。
第二方面提供一种人脸检测装置,包括用于执行第一方面或第一方面的任一实施例提供的人脸检测方法的单元。
第三方面提供一种人脸检测装置,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于调用所述程序指令执行第一方面或第一方面的任一实施例提供的人脸检测方法。
第四方面提供一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行第一方面或第一方面的任一实施例提供的人脸检测方法。
第五方面提供一种应用程序,该应用程序用于在运行时执行第一方面或第一方面的任一实施例提供的人脸检测方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的一种人脸检测方法的流程示意图;
图2是本发明实施例提供的另一种人脸检测方法的流程示意图;
图3是本发明实施例提供的一种人脸检测装置的结构示意图;
图4是本发明实施例提供的另一种人脸检测装置的结构示意图;
图5是本发明实施例提供的一种将待检测图像输入卷积神经网络得到待检测图像对应的人脸灰度图像的示意图;
图6是本发明实施例提供的一种使用卷积神经网络进行下采样和上采样的示意图。
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。
本发明实施例提供一种人脸检测方法及装置,可以提高人脸检测效率。以下分别进行详细说明。
请参阅图1,图1是本发明实施例提供的一种人脸检测方法的流程示意图。根据不同的需求,图1所示的流程图中的某些步骤可以拆分为几个步骤。如图1所示,该人脸检测方法可以包括以下步骤。
101、获取待检测图像。
当需要对图像进行人脸检测时,获取待检测图像。待检测图像可以是本地存储的图像,也可以是从网络或服务器获取的图像,还可以是通过图像采集装置采集的图像。其中,待检测图像可以是需要检测的所有图像,也可以是需要检测的图像中的部分图像。
102、确定待检测图像对应的人脸灰度图像。
获取待检测图像之后,可以确定待检测图像对应的人脸灰度图像。可以对待检测图像进行灰度处理,得到待检测图像对应的人脸灰度图像。具体地,可以将待检测图像输入卷积神经网络,得到待检测图像对应的人脸灰度图像。该卷积神经网络为训练好的任意一种可以进行灰度处理的卷积神经网络。请参阅图5,图5是本发明实施例提供的一种将待检测图像输入卷积神经网络得到待检测图像对应的人脸灰度图像的示意图。如图5所示,待检测图像与待检测图像对应的人脸灰度图像的大小相同。待检测图像中有四个人脸,待检测图像对应的人脸灰度图像包括四个白色区域,白色区域的值为255,其余区域的值为0。人脸灰度图像中人脸所在区域为一个颜色,其它区域为另一个颜色。
具体地,将待检测图像输入卷积神经网络之后,卷积神经网络可以先识别出待检测图像中的人脸区域和非人脸区域,之后采用不同的颜色分别替换待检测图像中的人脸区域和非人脸区域得到人脸灰度图像。其中,采用哪种颜色替换待检测图像中的人脸区域和非人脸区域可以是预先设置好的。例如:可以使用黑色替换人脸区域,以及使用白色替换非人脸区域。再例如:可以使用白色替换人脸区域,使用黑色替换非人脸区域。
103、确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形。
确定出待检测图像对应的人脸灰度图像之后,可以确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形。第一颜色为对待检测图像进行灰度处理之后人脸所在区域的颜色。第一颜色是预先确定的颜色,可以为黑色,也可以为白色,还可以为其它颜色。具体地,可以先对待检测图像对应的人脸灰度图像中第一颜色对应区域进行定位,之后确定定位的区域的外接矩形。其中,该外接矩形可以是最小外接矩形,可以精确地用于标注出人脸。具体地,可以将能够包括第一颜色对应区域的矩形确定为第一颜色对应区域的外接矩形,可以将能够包括第一颜色对应区域的最小矩形确定为第一颜色对应区域的最小外接矩形。在第一颜色对应区域的数量为多个的情况下,是分别为每个第一颜色对应区域确定对应的第一颜色外接矩形的。
104、在待检测图像中对应区域标注确定的外接矩形,得到包括人脸框的待检测图像。
确定出待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形之后,可以在待检测图像中对应区域标注确定的外接矩形得到包括人脸框的待检测图像,即可以在待检测图像中第一区域标注第一外接矩形得到包括人脸框的待检测图像,第一区域为待检测图像对应的人脸灰度图像中第一颜色对应区域的任一区域,第一外接矩形为第一区域的外接矩形。具体地,可以先确定外接矩形在待检测图像对应的人脸灰度图像中的位置,在待检测图像中确定的位置标注对应的外接矩形得到包括人脸框的待检测图像。由于人脸灰度图像与待检测图像的大小相同,因此,人脸灰度图像中人脸区域所在位置即为待检测图像中的人脸区域,确定出待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形即确定出第一颜色对应区域对应人脸的人脸框大小和位置。之后可以将确定的外接矩形标注在待检测图像中同样的位置即可以实现对待检测图像中人脸框的标注,即在待检测图像中同样的位置标注同样的矩形。此处的人脸框即确定的外接矩形,可见,最后标注的人脸框是随着人脸大小而变化的,且可以确定出最合适的人脸框,而不是只能选择固定尺寸的人脸框。
在图1所描述的人脸检测方法中,由于不需要从多个固定大小的人脸框中进行选取,相对于传统的目标检测算法,不需要非极大值抑制抑制处理,只需要确定人脸所在区域的外接矩形即可,所需时间较少,因此,可以提高人脸检测效率。
请参阅图2,图2是本发明实施例提供的另一种人脸检测方法的流程示意图。根据不同的需求,图2所示的流程图中的某些步骤可以拆分为几个步骤。如图2所示,该人脸检测方法可以包括以下步骤。
201、获取训练数据。
可以获取用于训练的训练数据,训练数据包括至少两张图像,这至少两张图像中每张图像均包括人脸标注框。人脸标注框是用户为图像打的标签,用于标注出图像中属于人脸区域的位置,可以以方框、圆圈等进行标注。其中,本申请中人脸标注框与人脸框都是用于标注出图像中属于人脸区域的位置,但人脸标注框为用户标注的,人脸框不是用户标注的。
202、对至少两张图像中的人脸标注框所在区域进行高斯处理,得到至少两张高斯图像。
获取到训练数据之后,可以对至少两张图像中的人脸标注框所在区域进行高斯处理得到至少两张高斯图像,即对至少两张图像中的人脸标注框所在区域进行高斯概率分布处理得到至少两张高斯图像。具体地,可以先将第一人脸标注框的中心点确定为人脸关键点,之后以第一人脸标注框的长为长轴以及以第一人脸标注框的宽为短轴生成高斯图,可以得到至少两张高斯图像。高斯图像中人脸标注框的中心点对应的值最大,随着距离中心点越远值越小,人脸标注框之外的值为0。人脸关键点即高斯分布的值最大的点。其中,第一人脸标注框为至少两张图像包括的人脸标注框中的任一人脸标注框。
203、根据至少两张高斯图像训练初始卷积神经网络,得到卷积神经网络。
对至少两张图像中的人脸标注框所在区域进行高斯处理得到至少两张高斯图像之后,可以根据至少两张高斯图像训练初始卷积神经网络得到卷积神经网络。将一张高斯图像输入初始卷积神经网络可以得到一个损失,之后可以根据损失优化初始卷积神经网络的参数,直到计算的损失不再继续降低时可以停止训练得到训练好的卷积神经网络。
204、获取待检测图像。
当需要对图像进行人脸检测时,获取待检测图像。待检测图像可以是本地存储的图像,也可以是从网络或服务器获取的图像,还可以是通过图像采集装置采集的图像。其中,待检测图像可以是需要检测的所有图像,也可以是需要检测的图像中的部分图像。
205、将待检测图像输入卷积神经网络,得到待检测图像对应的人脸灰度图像。
获取待检测图像之后,可以将待检测图像输入卷积神经网络,得到待检测图像对应的人脸灰度图像。该卷积神经网络为训练好的任意一种可以进行灰度处理的卷积神经网络。请参阅图5,图5是本发明实施例提供的一种将待检测图像输入卷积神经网络得到待检测图像对应的人脸灰度图像的示意图。如图5所示,待检测图像与待检测图像对应的人脸灰度图像的大小相同。待检测图像中有四个人脸,待检测图像对应的人脸灰度图像包括四个白色区域,白色区域的值为255,其余区域的值为0。
该卷积神经网络可以为U-net网络,也可以为其它具有同等功能的卷积神经网络。在该卷积神经网络为U-net网络的情况下,由于U-net网络较小,因此,速度较快,可以进一步提高人脸检测效率。
卷积神经网络包括下采样层和上采样层,下采样层用于采样待检测图像中局部区域的最大特征值以及记录最大特征值的位置,上采样层用于将采样的最大特征值写入记录的位置。在卷积神经网络的结构中存在下采样的操作的情况下,无论是采用最大池化(maxpool)层,还是采用卷积层代替最大池化层的方式都会造成位置信息的丢失,而上面训练好的卷积神经网络在下采样的过程中可以保存局部区域最大值的位置信息,在上采样的过程将其最大值放回原来所在的位置中,对其余位置进行补零。基于记录下采样的位置信息能够一定程度保留原图的位置信息,因此,可以提高人脸位置定位的准确度。请参阅图6,图6是本发明实施例提供的一种使用卷积神经网络进行下采样和上采样的示意图。如图6所示,在提取特征的过程,假设使用核为2*2的最大池化层对特征图进行下采样,2*2中左坐上角标号为0,顺时针方向递增。第一个2*2区域,最大值是7,位置是0,第二个区域最大值是8,位置是3,所以下采样后的特征图为7和8,相应的位置为0和3。上述卷积神经网络在进行下采样的时候会记录最大值所在的位置,在相应大小的特征图进行上采样的时候,将特征图与最大值位置相对应,如本申请上采样所示,将采样的最大值放置到记录的位置,其它位置补0。而常规下采样由于没有记录位置,上采样过程只能将值固定到某一位置,如左上角。
206、确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形。
确定出待检测图像对应的人脸灰度图像之后,可以确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形。第一颜色为对待检测图像进行灰度处理之后人脸所在区域的颜色。第一颜色是预先确定的颜色,可以为黑色,也可以为白色,还可以为其它颜色。具体地,可以先对待检测图像对应的人脸灰度图像中第一颜色对应区域进行定位,之后确定定位的区域的外接矩形。其中,该外接矩形可以是最小外接矩形,可以精确地用于标注出人脸。
207、在待检测图像中对应区域标注确定的外接矩形,得到包括人脸框的待检测图像。
确定出待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形之后,可以在待检测图像中对应区域标注确定的外接矩形得到包括人脸框的待检测图像,即可以在待检测图像中第一区域标注第一外接矩形得到包括人脸框的待检测图像,第一区域为待检测图像对应的人脸灰度图像中第一颜色对应区域的任一区域,第一外接矩形为第一区域的外接矩形。具体地,可以先确定外接矩形在待检测图像对应的人脸灰度图像中的位置,在待检测图像中确定的位置标注对应的外接矩形得到包括人脸框的待检测图像。
在图2所描述的人脸检测方法中,由于不需要从多个固定大小的人脸框中进行选取,只需要确定人脸所在区域的外接矩形即可,所需时间较少,因此,可以提高人脸检测效率。此外,由于不需要设置人脸框,可以有效避免检测难以设置合理的人脸框的问题,从而可以提高对多尺度人脸检测的精度。进一步地,由于每个特定颜色区域对应一个人脸,因此,不需要设置置信度阈值,从而可以避免人工设置参数的操作,可以进一步提升检测精度。
请参阅图3,图3是本发明实施例提供的一种人脸检测装置的结构示意图。如图3所示,该人脸检测装置可以包括:
获取单元301,用于获取待检测图像;
第一确定单元302,用于确定待检测图像对应的人脸灰度图像;
第二确定单元303,用于确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形;
标注单元304,用于在待检测图像中对应区域标注确定的外接矩形,得到包括人脸框的待检测图像。
在一个实施例中,第一确定单元302,具体用于将待检测图像输入卷积神经网络,得到待检测图像对应的人脸灰度图像;
卷积神经网络包括下采样层和上采样层,下采样层用于采样待检测图像中局部区域的最大特征值以及记录最大特征值的位置,上采样层用于将采样的最大特征值写入记录的位置。
在一个实施例中,获取单元301,还用于获取训练数据,训练数据包括至少两张图像,至少两张图像包括人脸标注框;
该人脸检测装置还可以包括:
处理单元305,用于对至少两张图像中的人脸标注框所在区域进行高斯处理,得到至少两张高斯图像;
训练单元306,用于根据至少两张高斯图像训练初始卷积神经网络,得到该卷积神经网络。
在一个实施例中,处理单元305具体用于:
将第一人脸标注框的中心点确定为人脸关键点,以第一人脸标注框的长为长轴以及以第一人脸标注框的宽为短轴生成高斯图,得到至少两张高斯图像,第一人脸标注框为至少两张图像包括的人脸标注框中的任一人脸标注框。
在一个实施例中,第二确定单元303具体用于:
对待检测图像对应的人脸灰度图像中第一颜色对应区域进行定位;
确定定位的区域的外接矩形。
在一个实施例中,标注单元304具体用于:
确定外接矩形在待检测图像对应的人脸灰度图像中的位置;
在待检测图像中确定的位置标注外接矩形,得到包括人脸框的待检测图像。
有关上述获取单元301、第一确定单元302、第二确定单元303、标注单元304、处理单元305和训练单元306更详细的描述可以直接参考上述图1-图2所示的方法实施例中的相关描述直接得到,这里不加赘述。
请参阅图4,图4是本发明实施例提供的另一种人脸检测装置的结构示意图。如图4所示,该人脸检测装置可以包括处理器401、存储器402和总线403。存储器402可以是独立存在,也可以和处理器401集成在一起。总线403在上述组件之间传送信息。其中:
存储器402中存储有一组程序代码,处理器401用于调用存储器402中存储的程序代码执行以下操作:
获取待检测图像;
确定待检测图像对应的人脸灰度图像;
确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形;
在待检测图像中对应区域标注外接矩形,得到包括人脸框的待检测图像。
在一个实施例中,处理器401确定检测图像对应的人脸灰度图像包括:
将待检测图像输入卷积神经网络,得到待检测图像对应的人脸灰度图像;
卷积神经网络包括下采样层和上采样层,下采样层用于采样待检测图像中局部区域的最大特征值以及记录最大特征值的位置,上采样层用于将采样的最大特征值写入记录的位置。
在一个实施例中,处理器401还用于调用存储器402中存储的程序代码执行以下操作:
获取训练数据,训练数据包括至少两张图像,至少两张图像包括人脸标注框;
对至少两张图像中的人脸标注框所在区域进行高斯处理,得到至少两张高斯图像;
根据至少两张高斯图像训练初始卷积神经网络,得到该卷积神经网络。
在一个实施例中,处理器401对至少两张图像中的人脸标注框所在区域进行高斯处理,得到至少两张高斯图像包括:
将第一人脸标注框的中心点确定为人脸关键点,以第一人脸标注框的长为长轴以及以第一人脸标注框的宽为短轴生成高斯图,得到至少两张高斯图像,第一人脸标注框为至少两张图像包括的人脸标注框中的任一人脸标注框。
在一个实施例中,处理器401确定待检测图像对应的人脸灰度图像中第一颜色对应区域的外接矩形包括:
对待检测图像对应的人脸灰度图像中第一颜色对应区域进行定位;
确定定位的区域的外接矩形。
在一个实施例中,处理器401在待检测图像中对应区域标注外接矩形,得到包括人脸框的待检测图像包括:
确定外接矩形在待检测图像对应的人脸灰度图像中的位置;
在待检测图像中确定的位置标注外接矩形,得到包括人脸框的待检测图像。
其中,步骤101-步骤104以及步骤201-步骤207可以由人脸检测装置中的处理器401和存储器402来执行。
其中,获取单元301、第一确定单元302、第二确定单元303、标注单元304、处理单元305和训练单元306可以由人脸检测装置中的处理器401和存储器402来实现。
上述人脸检测装置还可以用于执行前述方法实施例中执行的各种方法,不再赘述。
在一个实施例中提供了一种可读存储介质,该可读存储介质用于存储应用程序,应用程序用于在运行时执行图1或图2的人脸检测方法。
在一个实施例中提供了一种应用程序,该应用程序用于在运行时执行图1或图2的人脸检测方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种人脸检测方法,其特征在于,包括:
获取待检测图像;
确定所述待检测图像对应的人脸灰度图像;
确定所述人脸灰度图像中第一颜色对应区域的外接矩形;
在所述待检测图像中对应区域标注所述外接矩形,得到包括人脸框的待检测图像;
获取训练数据,所述训练数据包括至少两张图像,所述至少两张图像包括人脸标注框;
将第一人脸标注框的中心点确定为人脸关键点,以所述第一人脸标注框的长为长轴以及以所述第一人脸标注框的宽为短轴生成高斯图,得到至少两张高斯图像,所述第一人脸标注框为所述至少两张图像包括的人脸标注框中的任一人脸标注框;
根据所述至少两张高斯图像训练初始卷积神经网络,得到所述卷积神经网络。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待检测图像对应的人脸灰度图像包括:
将所述待检测图像输入卷积神经网络,得到所述待检测图像对应的人脸灰度图像;
所述卷积神经网络包括下采样层和上采样层,所述下采样层用于采样所述待检测图像中局部区域的最大特征值以及记录所述最大特征值的位置,所述上采样层用于将采样的最大特征值写入记录的位置。
3.根据权利要求2所述的方法,其特征在于,所述确定所述人脸灰度图像中第一颜色对应区域的外接矩形包括:
对所述人脸灰度图像中第一颜色对应区域进行定位;
确定定位的区域的外接矩形。
4.根据权利要求3所述的方法,其特征在于,所述在所述待检测图像中对应区域标注所述外接矩形,得到包括人脸框的待检测图像包括:
确定所述外接矩形在所述人脸灰度图像中的位置;
在所述待检测图像中确定的位置标注所述外接矩形,得到包括人脸框的待检测图像。
5.一种人脸检测装置,其特征在于,包括:
获取单元,用于获取待检测图像;
第一确定单元,用于确定所述待检测图像对应的人脸灰度图像;
第二确定单元,用于所述人脸灰度图像中第一颜色对应区域的外接矩形;
标注单元,用于在所述待检测图像中对应区域标注所述外接矩形,得到包括人脸框的待检测图像;
所述获取单元,还用于获取训练数据,所述训练数据包括至少两张图像,所述至少两张图像包括人脸标注框;
处理单元,用于将第一人脸标注框的中心点确定为人脸关键点,以所述第一人脸标注框的长为长轴以及以所述第一人脸标注框的宽为短轴生成高斯图,得到至少两张高斯图像,所述第一人脸标注框为所述至少两张图像包括的人脸标注框中的任一人脸标注框;
训练单元,用于根据所述至少两张高斯图像训练初始卷积神经网络,得到所述卷积神经网络。
6.根据权利要求5所述的装置,其特征在于,所述第一确定单元,具体用于将所述待检测图像输入卷积神经网络,得到所述待检测图像对应的人脸灰度图像;
所述卷积神经网络包括下采样层和上采样层,所述下采样层用于采样所述待检测图像中局部区域的最大特征值以及记录所述最大特征值的位置,所述上采样层用于将采样的最大特征值写入记录的位置。
7.一种人脸检测装置,其特征在于,包括处理器和存储器,所述处理器和所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于调用所述程序指令执行如权利要求1-4任一项所述的人脸检测方法。
8.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的人脸检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911017610.1A CN110879972B (zh) | 2019-10-24 | 2019-10-24 | 一种人脸检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911017610.1A CN110879972B (zh) | 2019-10-24 | 2019-10-24 | 一种人脸检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879972A CN110879972A (zh) | 2020-03-13 |
CN110879972B true CN110879972B (zh) | 2022-07-26 |
Family
ID=69728222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911017610.1A Active CN110879972B (zh) | 2019-10-24 | 2019-10-24 | 一种人脸检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879972B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287798A (zh) * | 2020-10-23 | 2021-01-29 | 深圳市商汤科技有限公司 | 测温方法及装置、电子设备及存储介质 |
CN113076790B (zh) * | 2020-12-06 | 2021-09-28 | 上海臻客信息技术服务有限公司 | 服务信息大数据监管平台及方法 |
CN117235831B (zh) * | 2023-11-13 | 2024-02-23 | 北京天圣华信息技术有限责任公司 | 一种零件自动标注方法、装置、设备及存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5049356B2 (ja) * | 2007-02-28 | 2012-10-17 | デジタルオプティックス・コーポレイション・ヨーロッパ・リミテッド | テクスチャ空間分解に基づく統計的顔モデリングにおける指向性照明変動性の分離 |
CN104680120B (zh) * | 2013-12-02 | 2018-10-19 | 华为技术有限公司 | 一种人脸检测的强分类器的生成方法及装置 |
CN105518709B (zh) * | 2015-03-26 | 2019-08-09 | 北京旷视科技有限公司 | 用于识别人脸的方法、系统和计算机程序产品 |
US10872230B2 (en) * | 2015-03-27 | 2020-12-22 | Intel Corporation | Low-cost face recognition using Gaussian receptive field features |
CN105160297B (zh) * | 2015-07-27 | 2018-09-14 | 华南理工大学 | 基于肤色特征的蒙面人事件自动检测方法 |
CN105760815A (zh) * | 2016-01-26 | 2016-07-13 | 南京大学 | 基于第二代身份证人像和视频人像的异构人脸核实方法 |
CN105893946B (zh) * | 2016-03-29 | 2019-10-11 | 中国科学院上海高等研究院 | 一种正面人脸图像的检测方法 |
CN106096503A (zh) * | 2016-05-30 | 2016-11-09 | 东南大学 | 一种基于关键点和局部特征的三维人脸识别方法 |
CN107368778A (zh) * | 2017-06-02 | 2017-11-21 | 深圳奥比中光科技有限公司 | 人脸表情的捕捉方法、装置及存储装置 |
CN108038474B (zh) * | 2017-12-28 | 2020-04-14 | 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 |
CN108830151A (zh) * | 2018-05-07 | 2018-11-16 | 国网浙江省电力有限公司 | 基于高斯混合模型的面具检测方法 |
CN109886073A (zh) * | 2018-12-26 | 2019-06-14 | 深圳云天励飞技术有限公司 | 一种图像检测方法及装置 |
CN109784207B (zh) * | 2018-12-26 | 2020-11-24 | 深圳云天励飞技术有限公司 | 一种人脸识别方法、装置及介质 |
CN109829371B (zh) * | 2018-12-26 | 2022-04-26 | 深圳云天励飞技术有限公司 | 一种人脸检测方法及装置 |
CN110097586B (zh) * | 2019-04-30 | 2023-05-30 | 青岛海信网络科技股份有限公司 | 一种人脸检测追踪方法及装置 |
-
2019
- 2019-10-24 CN CN201911017610.1A patent/CN110879972B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110879972A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814794B (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN110879972B (zh) | 一种人脸检测方法及装置 | |
CN105868758B (zh) | 图像中文本区域检测方法、装置及电子设备 | |
CN111784673B (zh) | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 | |
AU2019227478B2 (en) | An improved content aware fill that leverages the boundaries of underlying objects | |
CN111091123A (zh) | 文本区域检测方法及设备 | |
CN112085022B (zh) | 一种用于识别文字的方法、系统及设备 | |
CN112016614A (zh) | 光学图像目标检测模型的构建方法、目标检测方法及装置 | |
CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
CN113936195B (zh) | 敏感图像识别模型的训练方法、训练装置和电子设备 | |
CN111626295A (zh) | 车牌检测模型的训练方法和装置 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
WO2024041032A1 (zh) | 基于不可编辑的图文类图像生成可编辑文档的方法及装置 | |
CN110399760A (zh) | 一种批量二维码定位方法、装置、电子设备及存储介质 | |
CN114612732A (zh) | 样本数据增强方法及系统及装置及介质及目标分类方法 | |
CN112364863B (zh) | 证照文档的文字定位方法及系统 | |
CN113591746A (zh) | 一种文档表格结构检测方法及装置 | |
CN113537187A (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN115100402A (zh) | 小样本分割模型、小目标检测方法、系统、介质及设备 | |
KR20190093752A (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
CN102938156B (zh) | 一种基于积分图像的面状注记配置方法 | |
CN112084364A (zh) | 对象分析方法、局部图像搜索方法、设备及存储介质 | |
CN110688511A (zh) | 细粒度图像检索方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |