CN111652016A - 一种人脸识别训练数据的增广方法 - Google Patents
一种人脸识别训练数据的增广方法 Download PDFInfo
- Publication number
- CN111652016A CN111652016A CN201910240043.XA CN201910240043A CN111652016A CN 111652016 A CN111652016 A CN 111652016A CN 201910240043 A CN201910240043 A CN 201910240043A CN 111652016 A CN111652016 A CN 111652016A
- Authority
- CN
- China
- Prior art keywords
- face
- color
- frame
- training data
- hue
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 title claims abstract description 20
- 230000001815 facial effect Effects 0.000 claims abstract description 19
- 230000003190 augmentative effect Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000003416 augmentation Effects 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 8
- 238000013434 data augmentation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000003351 Melanosis Diseases 0.000 description 2
- 206010048245 Yellow skin Diseases 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010004950 Birth mark Diseases 0.000 description 1
- 206010008570 Chloasma Diseases 0.000 description 1
- 206010014970 Ephelides Diseases 0.000 description 1
- 206010042496 Sunburn Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002087 whitening 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/77—
-
- G06T5/80—
-
- 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
Abstract
本发明涉及深度学习领域，提出了一种人脸识别训练数据的增广方法，包括：对目标图片中的人脸进行识别并标示出人脸框及面部特征点位置；对所述人脸框中的人脸进行至少一项颜色维度调整；保存调整后的图片，成为增广人脸数据集。通过对人脸增加色斑、修改人脸的肤色、调整人脸的明亮度等方式，引入和颜色维度相关的新参数，从而可以提高数据的变化维度，增加数据量并提高神经网络的鲁棒性。
Description
技术领域
本发明涉及深度学习领域，尤其涉及一种人脸识别训练数据的增广方法。
背景技术
在深度学习领域中，数据增广是一个常见的任务，对于普通的图片，进行旋转拉伸，截取可以起到对神经网络增强鲁棒性的作用。但是在人脸识别领域，如果对图像进行旋转或拉伸，会使得图像中的人脸扭曲变形，从而引入错误的人脸特征。因此对于人脸识别任务，普通的数据增广手段有效性会大打折扣。
在中国专利申请CN201810698470中揭露了一种对人脸识别图像处理的方法，包括：获取第一深度人脸图像数据、第二深度人脸图像数据；对第一、第二深度人脸图像数据进行坐标转换以获得第一人脸的第一向量和第二人脸的第二向量；根据第一向量以及第一变换参数确定第一变换矩阵，根据第二向量以及第二变换参数确定第二变换矩阵；根据第一变换矩阵对第一向量进行向量变换以获得第一差异向量，根据第二变换矩阵对第二向量进行向量变换以获得第二差异向量；根据第一差异向量和第二差异向量确定目标差异向量；将目标差异向量作为新的深度人脸图像数据。该方法用来解决三维拉伸时的人脸变形问题。
然而，现有技术依然主要依赖对图像进行几何变化来获取人脸识别训练用的数据增广，但是一方面这种几何变化对人脸图像的处理效率较低，对人脸识别的数据量需求较难满足，另一方面，在人脸识别领域，神经网络鲁棒性对于图像的维度要求较高，单纯的几何变化所能引入的参数变化较少，无法来满足高维度的要求。
因此，寻找一种新的数据增广方法，是人脸识别研究领域中一项的重要课题。
发明内容
有鉴于此，本发明的目的在于提供一种人脸识别训练数据的增广方法，通过对人脸增加色斑、修改人脸的肤色、调整人脸的明亮度等方式，引入和颜色维度相关的新参数，从而提高数据的变化维度，增加数据量并提高神经网络的鲁棒性。
为实现上述目的，本发明提出了一种人脸识别训练数据的增广方法，包括：
对目标图片中的人脸进行识别并标示出人脸框及面部特征点位置；
对所述人脸框中的人脸进行至少一项颜色维度调整；
保存调整后的图片，成为增广人脸数据集。
优选的，所述颜色维度调整包括修改人脸色斑、修改人脸肤色或修改人脸整体亮度中的一种或几种组合。
优选的，所述面部特征点包括两个眼睛、鼻尖和两个嘴角，所述修改人脸色斑包括：
分别在两个眼睛和嘴角之间、两个眼睛和鼻子之间做直线段；
以一侧眼睛和鼻子线段的中点处做垂线段，所述垂线段相交于同侧眼睛和嘴角之间的线段，得到相应的交点；
以所述交点为圆心，以所述垂线段长度位半径形成一个圆形区域；
在所述圆形区域添加色斑。
优选的，所述在圆形区域添加色斑包括：
在所述圆形区域内生成若干随机种子，所述随机种子分布位置随机；
以每个所述随机种子为圆心生成对应数量的斑点；
对每个斑点填充颜色，形成色斑；
其中所述斑点的半径不超过所述圆形区域半径的一半。
优选的，所述色斑的颜色包括褐色、红色、白色或紫色。
优选的，所述修改人脸肤色包括：
将所述人脸框中的人脸图像的通道表示格式转为色相、饱和度和明亮度格式，
统计其中的色相分布，将色相占比最高的区域设为人脸皮肤区域；
修改所述人脸皮肤区域的色相，得到与原图不同的人脸肤色。
优选的，所述统计色相分布使用色相直方图表示。
优选的，所述修改人脸整体亮度包括：
将所述人脸框中的人脸图像的通道表示格式转为色相、饱和度和明亮度格式，
调整所述明亮度，得到与原图不同的人脸亮度。
优选的，所述人脸框标示采用一多任务卷积神经网络识别得到。
优选的，所述多任务卷积神经网络识别得到人脸框包括步骤：
对所述目标图片缩放，形成多个不同尺度下的图像金字塔；
使用P-Net生成每张图片中人脸区域的候选窗和边框回归向量，对所述候选窗使用边框回归方法进行校正，使用非极大值抑制法合并重叠的候选框；
使用R-Net改善所述候选窗，将通过P-Net的所述候选窗输入R-Net中，拒绝掉错误的窗口，并继续使用边框回归和非极大值抑制法处理所述候选框；
使用O-Net输出最终的人脸框和面部特征点位置。
本发明通过多任务卷积神经网络，先将人脸图像中的人脸框和面部特征点标记出来，利用面部特征点生成色斑区域并对人脸增加色斑，利用HSV格式对人脸的肤色和明亮度进行统计，识别出人脸的皮肤区域并修改人脸肤色和明亮度。从而实现人脸数据在颜色维度中的多维度增广，避免因几何变形引入的非人脸特征点，提高了人脸识别训练数据的数量，提升神经网络的鲁棒性。
附图说明
图1是本发明提出的一种人脸识别训练数据的增广方法的流程示意图。
图2是MTCNN的网络结构图。
图3是是本发明第一实施方式下人脸的面部特征实物图。
图4本发明第一实施方式下人脸的面部特征简化图。
图5是以黄色皮肤为例的人脸色相直方图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
在人脸识别领域，训练神经网络需要使用大量的人脸图像数据，然而当前人脸图像的数量无法支持该需求，因此对于图像数据进行增量是一个较普遍的任务。
对于图片，在几何维度上进行处理，如拉伸和旋转是相对比较简易的实现方式。但是人脸图像数据的增广，简单的几何处理会引入错误变量，且单一的几何维度变量，无法真正满足人脸识别高维数据的需求。
本发明针对当前人脸识别领域中数据增广手段不多，数据变化维度少等问题，提出了一种从颜色维度对人脸图片进行修改的数据增广方法。请参见图1，图1是本发明提出的一种人脸识别训练数据的增广方法的流程示意图，该方法包括：
S1、对目标图片中的人脸进行识别并标示出人脸框及面部特征点位置；
S2、对所述人脸框中的人脸进行至少一项颜色维度调整；
S3、保存调整后的图片，成为增广人脸数据集。
由于颜色维度的调整，需要考虑更加复杂的图像处理方式，比如对图像中的人脸区域需要更加精确的识别和定位，否则颜色维度的修改将导致人脸数据的崩坏。当前已有不少进行人脸识别尤其是脸部特征点的算法，能够精确的将图像中的人脸标定出来。在本发明的步骤S1中，一种优选的实施方式是使用多任务卷积神经网络(Multi-taskconvolutional neural network；MTCNN)算法来识别和标示人脸框及面部特征点位置。该算法将人脸检测与对齐放在一个网络里，通过CNN模型级联实现了多任务学习网络，实现了人脸检测与五点标定的模型，提升了人脸识别的速度和精度。整个模型分为三个阶段，第一阶段通过一个浅层的CNN网络快速产生一系列的候选窗口；第二阶段通过一个能力更强的CNN网络过滤掉绝大部分非人脸候选窗口；第三阶段通过一个能力更加强的网络找到人脸上面的五个标记点。
请参见图2，图2是MTCNN的网络结构图，如图所示，MTCNN网络1由3个网络结构组成：P-Net11、R-Net12、O-Net13。
P-Net11(Proposal Network)：该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制(Non-Maximum Suppression,NMS)来合并高度重叠的候选框。
R-Net12(Refine Network)：该网络结构还是通过边界框回归和NMS来去掉那些误报(false-positive)区域。只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制false-positive的作用。
O-Net13(Output Network)：该网络结构比R-Net网络结构又多了一层卷基层，所以处理的结果会更加精细。作用和R-Net12作用一样。但是该网络结构对人脸区域进行了更多的监督，同时还会输出5个地标(landmark)。
完整的MTCNN处理步骤如下：
对所述目标图片缩放，形成多个不同尺度下的图像金字塔；
使用P-Net生成每张图片中人脸区域的多个候选窗和边框回归向量，对所述多个候选窗使用边框回归方法进行校正，使用非极大值抑制法合并重叠的候选框；
使用R-Net改善所述候选窗，将通过P-Net的所述候选窗输入R-Net中，拒绝掉错误的窗口，并继续使用边框回归和非极大值抑制法处理所述候选框；
使用O-Net输出最终的人脸框和面部特征点位置
下面，将通过三个实施方式，对本发明的技术方案做详细描述。
实施方式一、给人脸增加色斑
本实施方式中，通过使用MTCNN网络识别出图像的人脸框及面部特征点之后，在人脸上添加色斑。根据人脸色斑的通常分布，色斑主要集中在眼睛至鼻尖之间的区域，利用MTCNN网络标记出的面部特征点，可以大致标记出该区域，再利用随机种子再该区域模拟色斑分布，实现色斑的添加。
请参见图3和图4，图3和图4是本发明第一实施方式下人脸的面部特征实物图和简化图，如图所示，面部特征点包括眼睛1和眼睛2、鼻尖3和嘴角4、嘴角5，共5个特征点。基于该5个特征点，该实施方式下的人脸色斑修改方法如下：
分别在眼睛1和鼻子3、眼睛2和鼻子3、眼睛1和嘴角4、眼睛2和嘴角5之间做直线段，得到4条线段21、22、23、24，如图4所示。
分别以一侧眼睛和鼻子线段21、22的中点处做垂线段，该垂线段相交于同侧眼睛和嘴角之间的线段23、24，得到相应的交点，以该交点为圆心，以所述垂线段长度位半径形成圆形区域6和7。这两个圆形区域6和7就可以简单视为人脸色斑的分布区域。
最后就是在这两个圆形区域6和7添加色斑的步骤了，该添加色斑的步骤包括：
在圆形区域6和7内生成若干随机种子，让这些随机种子分布位置随机，这些随机种子用来模拟人脸色斑的分布；以每个所述随机种子为圆心生成对应数量的斑点，对每个斑点填充颜色，形成色斑。
由于现实生活中，人脸的色斑有点状的雀斑，有块状的晒斑，有片状的黄褐斑，还有不规则的胎记斑等等。因此根据色斑的种类，可以设定不同大小的斑点，但通常这些斑点的半径最大不超过所述圆形区域半径的一半，以避免在生成色斑时，因斑点过大导致斑点重合，影响上色效果。
同样，根据色斑的不同种类，对这些斑点填充的颜色也会有不同，一般的，色斑的颜色主要包括褐色、红色、白色或紫色等。
实施方式二、修改人脸肤色
在第二实施方式中，我们通过修改人脸肤色，来获取额外的人脸图像数据。根据人种，我们通常分为黄种人、白人和黑人，不同人种的肤色是不一样的，如果能识别出人脸的皮肤区域(作为对比，眼睛就不算皮肤区域)，然后将皮肤区域的色相从一种颜色替换成另一种颜色，就能起到更换人脸数据的效果。
该修改人脸肤色的具体方法包括：
在经过MTCNN算法识别出图像中的人脸框之后，将人脸框中的人脸图像的通道表示格式转为色相、饱和度和明亮度格式(HSV格式)。
采用色相直方图统计该人脸图像中的色相分布，以图将色相占比最高的区域设为人脸皮肤区域，之所以选择色相分布占比最高的区域，是因为在人脸框中的人脸皮肤区域，占比是最大的，几乎占整个区域的80％以上。请参见图5，图5给出的是以黄色皮肤为例的人脸色相直方图，其中X轴为不同颜色的色相角，Y轴位直方分布。从该图中可以看出，虚线框31示意出来的区域，其占总体的比例是最高的，这块区域的色相代表黄色，说明原图中的人脸肤色对应的是黄种人的皮肤。
修改该人脸皮肤区域的色相，进行加黑或加白，得到与原图不同的人脸肤色。当然，如果统计结果显示在白色色相区的分布最多，此时就需要调整肤色为黑色或黄色。
实施方式三、修改人脸亮度
在该实施方式中，所要修改的是人脸图片中的亮度。该实施方式与第二实施方式的处理思路一致，不同的是，当人脸框识别出来后，不需要再利用直方图统计获得人脸皮肤区域，只需要对整个图片的亮度进行调整，即可得到不同亮度下的人脸图像数据。因此，该方法包括：
在经过MTCNN算法识别出图像中的人脸框之后，将人脸框中的人脸图像的通道表示格式转为色相、饱和度和明亮度格式(HSV格式)。
调整该人脸框图像的整体明亮度，得到与原图不同的人脸亮度。
以上三个实施方式，例举了三种不同颜色维度的图像处理方式，需要注意的是，这三种实施方式可以组合实施，也可以单独实施，并且彼此之间的没有必然的先后顺序。当组合实施时，本发明的图像修改维度进一步得到增强，因此可以通过本发明的方法获取大量的图像数据，提高数据增广的效率。
综上所述，本发明提供了一种人脸识别训练数据的增广方法，通过多任务卷积神经网络，先将人脸图像中的人脸框和面部特征点标记出来，利用面部特征点生成色斑区域并对人脸增加色斑，利用HSV格式对人脸的肤色和明亮度进行统计，识别出人脸的皮肤区域并修改人脸肤色和明亮度。从而实现人脸数据在颜色维度中的多维度增广，避免因几何变形引入的非人脸特征点，提高了人脸识别训练数据的数量，提升神经网络的鲁棒性。
尽管为示例目的，已经公开了本发明的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下，各种改进、增加以及取代是可能的。
Claims (10)
1.一种人脸识别训练数据的增广方法，其特征在于，包括：
对目标图片中的人脸进行识别并标示出人脸框及面部特征点位置；
对所述人脸框中的人脸进行至少一项颜色维度调整；
保存调整后的图片，成为增广人脸数据集。
2.如权利要求1所述的人脸识别训练数据的增广方法，其特征在于，
所述颜色维度调整包括：修改人脸色斑、修改人脸肤色或修改人脸整体亮度中的一种或几种组合。
3.如权利要求2所述的人脸识别训练数据的增广方法，其特征在于，所述面部特征点包括两个眼睛、鼻尖和两个嘴角，所述修改人脸色斑包括：
分别在两个眼睛和嘴角之间、两个眼睛和鼻子之间做直线段；
以一侧眼睛和鼻子线段的中点处做垂线段，所述垂线段相交于同侧眼睛和嘴角之间的线段，得到相应的交点；
以所述交点为圆心，以所述垂线段长度位半径形成一个圆形区域；
在所述圆形区域添加色斑。
4.如权利要求3所述的人脸识别训练数据的增广方法，其特征在于，所述在圆形区域添加色斑包括：
在所述圆形区域内生成若干随机种子，所述随机种子分布位置随机；
以每个所述随机种子为圆心生成对应数量的斑点；
对每个斑点填充颜色，形成色斑；
其中，所述斑点的半径不超过所述圆形区域半径的一半。
5.如权利要求4所述的人脸识别训练数据的增广方法，其特征在于，所述色斑的颜色包括褐色、红色、白色或紫色。
6.如权利要求2所述的人脸识别训练数据的增广方法，其特征在于，所述修改人脸肤色包括：
将所述人脸框中的人脸图像的通道表示格式转为色相、饱和度和明亮度格式；统计其中的色相分布，将色相占比最高的区域设为人脸皮肤区域；
修改所述人脸皮肤区域的色相，得到与原图不同的人脸肤色。
7.如权利要求6所述的人脸识别训练数据的增广方法，其特征在于，所述统计色相分布使用色相直方图表示。
8.如权利要求2所述的人脸识别训练数据的增广方法，其特征在于，所述修改人脸整体亮度包括：
将所述人脸框中的人脸图像的通道表示格式转为色相、饱和度和明亮度格式，调整所述明亮度，得到与原图不同的人脸亮度。
9.如权利要求1或2所述的人脸识别训练数据的增广方法，其特征在于，所述人脸框标示采用一多任务卷积神经网络识别得到。
10.如权利要求9所述的人脸识别训练数据的增广方法，其特征在于，所述多任务卷积神经网络识别得到人脸框包括步骤：
对所述目标图片缩放，形成多个不同尺度下的图像金字塔；
使用P-Net生成每张图片中人脸区域的候选窗和边框回归向量，对所述候选窗使用边框回归方法进行校正，使用非极大值抑制法合并重叠的候选框；
使用R-Net改善所述候选窗，将通过P-Net的所述候选窗输入R-Net中，拒绝掉错误的窗口，并继续使用边框回归和非极大值抑制法处理所述候选框；使用O-Net输出最终的人脸框和面部特征点位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910240043.XA CN111652016B (zh) | 2019-03-27 | 2019-03-27 | 一种人脸识别训练数据的增广方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910240043.XA CN111652016B (zh) | 2019-03-27 | 2019-03-27 | 一种人脸识别训练数据的增广方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652016A true CN111652016A (zh) | 2020-09-11 |
| CN111652016B CN111652016B (zh) | 2023-06-30 |
Family
ID=72350767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910240043.XA Active CN111652016B (zh) | 2019-03-27 | 2019-03-27 | 一种人脸识别训练数据的增广方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652016B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785490A (zh) * | 2020-12-30 | 2021-05-11 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189006A1 (en) * | 2014-12-31 | 2016-06-30 | TCL Research America Inc. | Robust error correction with multi-model representation for face recognition |
| US20170236000A1 (en) * | 2016-02-16 | 2017-08-17 | Samsung Electronics Co., Ltd. | Method of extracting feature of image to recognize object |
| CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
| CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
| CN109409198A (zh) * | 2018-08-31 | 2019-03-01 | 平安科技（深圳）有限公司 | Au检测模型训练方法、au检测方法、装置、设备及介质 |
-
2019
- 2019-03-27 CN CN201910240043.XA patent/CN111652016B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189006A1 (en) * | 2014-12-31 | 2016-06-30 | TCL Research America Inc. | Robust error correction with multi-model representation for face recognition |
| US20170236000A1 (en) * | 2016-02-16 | 2017-08-17 | Samsung Electronics Co., Ltd. | Method of extracting feature of image to recognize object |
| CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
| CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
| CN109409198A (zh) * | 2018-08-31 | 2019-03-01 | 平安科技（深圳）有限公司 | Au检测模型训练方法、au检测方法、装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 张延安;王宏玉;徐方;: "基于深度卷积神经网络与中心损失的人脸识别" * |
| 李腾;张宝华;: "基于局部二值特征与深度学习的人脸识别" * |
| 王大伟;陈章玲;: "基于LBP与卷积神经网络的人脸识别" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785490A (zh) * | 2020-12-30 | 2021-05-11 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
| CN112785490B (zh) * | 2020-12-30 | 2024-03-05 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652016B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
| CN104915972B (zh) | 图像处理装置、图像处理方法以及程序 | |
| CN103456010B (zh) | 一种基于特征点定位的人脸卡通画生成方法 | |
| WO2021174819A1 (zh) | 人脸遮挡检测方法及系统 | |
| CN107145867A (zh) | 基于多任务深度学习的人脸及人脸遮挡物检测方法 | |
| CN109034017A (zh) | 头部姿态估计方法及机器可读存储介质 | |
| CN103902958A (zh) | 人脸识别的方法 | |
| CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
| CN106485222A (zh) | 一种基于肤色分层的人脸检测方法 | |
| CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
| JP2007213377A (ja) | 顔特徴点検出方法および装置並びにプログラム | |
| CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
| CN110321753A (zh) | 一种基于人脸几何特征的人脸图像质量评价方法 | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN102867295A (zh) | 一种彩色图像颜色校正方法 | |
| CN111814564A (zh) | 基于多光谱图像的活体检测方法、装置、设备和存储介质 | |
| CN111652016B (zh) | 一种人脸识别训练数据的增广方法 | |
| CN113052783A (zh) | 一种基于人脸关键点的人脸图像融合方法 | |
| CN113139557B (zh) | 一种基于二维多元经验模态分解的特征提取方法 | |
| CN108416304A (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
| Youlian et al. | Face detection method using template feature and skin color feature in rgb color space | |
| CN109993090B (zh) | 基于级联回归森林和图像灰度特征的虹膜中心定位方法 | |
| CN106250843B (zh) | 一种基于额头区域的人脸检测方法及系统 | |
| Jida et al. | Face segmentation and detection using Voronoi diagram and 2D histogram | |
| CN114596213A (zh) | 一种图像处理方法及装置 |
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 |