CN111814744A - 一种人脸检测方法、装置、电子设备和计算机存储介质 - Google Patents
一种人脸检测方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN111814744A CN111814744A CN202010754393.0A CN202010754393A CN111814744A CN 111814744 A CN111814744 A CN 111814744A CN 202010754393 A CN202010754393 A CN 202010754393A CN 111814744 A CN111814744 A CN 111814744A
- Authority
- CN
- China
- Prior art keywords
- module
- layer
- face
- detection
- face detection
- 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.)
- Withdrawn
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
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别技术领域,具体涉及一种人脸检测方法、装置、电子设备和计算机存储介质。该方法包括:输入任意大小的图像,利用人脸检测网络模型的特征提取模块提取图像特征,图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量;将目标点置信度大于预设阈值的点作为目标检测框的中心点;并行卷积模块预测目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点;去除冗余的检测框,得到最优的人脸和人脸特征点检测结果。本发明并行训练人脸和人脸特征点检测任务,直接在图像特征图上回归出人脸和特征点位置,达到网络端到端的目的,简化人脸和人脸特征点检测步骤,去除冗余计算量,减少模型参数量。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种人脸检测方法、装置、电子设备和计算机存储介质。
背景技术
近年来,随着深度学习技术和计算机硬件设备的快速发展,人们的生活逐渐进入智能化,各种智慧设备渗透到人们的周围,例如智能家居智慧规划人们的家,智能门禁系统保护小区安全。人脸检测和人脸特征点检测都是计算机视觉领域中重要的研究方向,人脸检测技术用于定位图像中人脸,而人脸特征点检测是定位人脸中具有语义特征的关键点,这两项研究都是较早有落地产品的技术,广泛应用于安保防护、刷脸支付、门禁系统等。
人脸检测算法在2003年之前大多数都是先提取手工特征,再使用分类器分类定位,早期常用的手工特征有LBP特征、SIFT特征等,但是因手工特征泛化性较差,使得这些传统算法不能应用于复杂背景中的人脸检测。之后,随着深度学习技术的兴起,很多基于深度学习的人脸检测算法如春笋般拔地而起,两阶段算法代表有Faster-Rcnn、MTCNN,该类算法需利用子网络计算找到目标候选区域,最后利用检测部分网络对候选区域集合进行类别分类和位置回归;一阶段算法代表有S3FD、SSH算法,这类算法去除了目标候选区域的计算,直接在预先设定的锚框上预测类别和回归位置。与传统算法相比,基于深度学习的人脸检测算法的应用范围更广,并且具有高精度、实时性好等特性。
人脸特征点检测的研究已经进行20多年了,大致可以分为两类算法:第一类算法主要思想是假设人脸特征点的位置信息满足某种概率分布,然后通过大量的数据学习到该分布的相关参数,这类算法归类成基于参数化模型的算法,而第二种算法也叫做基于回归模型的算法,这类算法主要思路是直接学习图像生成的特征图与人脸特征点之间的回归函数,与前者算法对比,更常应用于实际场景中,它展现了很高的准确性和鲁棒性。近几年出现的基于深度学习的人脸特征点检测算法是基于回归模型的算法,得到了令人满意的效果。完整的人脸识别系统是由三部分组成:人脸检测、人脸对齐以及人脸识别,人脸特征点检测是人脸对齐的重要前提。
发明人在实践中,发现上述现有技术存在以下缺陷:
目前大多数算法都是将人脸检测和人脸特征点检测分开进行的,出现了许多冗余的计算,步骤繁琐,大大增加时间消耗。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种人脸检测方法、装置、电子设备和计算机存储介质,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种人脸检测方法,该方法包括以下步骤:
向人脸检测网络模型输入任意大小的图像,利用所述人脸检测网络模型的特征提取模块提取图像特征,所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量;
将所述目标点的置信度大于预设阈值的点作为目标检测框的中心点;
并行卷积模块预测所述目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点;
去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。
第二方面,本发明另一个实施例提供了一种人脸检测装置,该检测装置包括:
特征提取模块,用于在向人脸检测网络模型输入任意大小的图像时,触发所述特征提取模块提取图像特征,所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量;
目标点判断模块,用于将所述目标点的置信度大于预设阈值的点作为目标检测框的中心点;
目标检测模块,用于通过并行卷积模块预测所述目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点;
最优结果筛选模块,用于去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。
第三方面,本发明另一个实施例提供了一种的电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述任意一项所述的方法。
第三方面,本发明另一个实施例提供了一种存储介质,该存储介质中存储有计算机可读的程序指令,所述程序指令被处理器执行时实现上述任意一项所述的方法。
本发明具有如下有益效果:
本发明实施例提供了一种人脸检测方法,利用多任务学习机制,联合学习人脸检测和人脸特征点检测任务,并且直接在图像特征图上回归出人脸的关键点位置,不需要预先计算出候选区域集合,去除了冗余的计算,减少模型计算量。
附图说明
图1为本发明一个实施例所提供的一种人脸检测方法的流程图;
图2为本发明一个实施例所提供的人脸检测模型的结构示意图;
图3为本发明一个实施例所提供的倒残差模块的结构示意图;
图4为本发明一个实施例所提供的混合深度可分离卷积模块的结构示意图;
图5为本发明一个实施例所提供的测试示例的示意图;
图6为本发明一个实施例所提供的一种人脸检测装置的结构框图;
图7为本发明一个实施例所提供的一种电子设备的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种人脸检测方法、装置、电子设备和计算机存储介质,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的属于只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
下面结合附图具体的说明本发明所提供的一种人脸检测方法、装置、电子设备和计算机存储介质的具体方案。
在基于深度学习的人脸检测和人脸特征点检测算法中,多数都是分开实行人脸检测和人脸特征点检测这两个任务,不能达到端到端的效果,而且集成到人脸识别系统里,出现了许多冗余的计算,步骤繁琐,大大增加时间消耗。
为了克服上述缺陷,本实施例利用多任务学习机制,联合学习人脸检测和人脸特征点检测任务,并且直接在图像特征图上回归出人脸的关键点位置,不需要预先计算出候选区域集合,去除了冗余的计算,减少模型计算量。
该人脸检测方法的方法包括以下步骤:
步骤S001,向人脸检测网络模型输入任意大小的图像,按照数据处理方向,所述人脸检测网络模型的主干网络提取图像特征,所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量。
步骤S002,将所述目标点的置信度大于预设阈值的点作为目标检测框的中心点;
步骤S003,并行卷积网络预测所述目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点。
需要说明的是,相对坐标偏移量是指面部五点相对目标检测框的中心点,以及中心点映射到原图像上的偏移量。
步骤S004,去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。
去除冗余的检测框的算法采用非极大值抑制算法。
综上所述,本发明实施例提供了一种人脸检测方法,利用多任务学习机制,联合学习人脸检测和人脸特征点检测任务,并且直接在图像特征图上回归出人脸的关键点位置,不需要预先计算出候选区域集合,去除了冗余的计算,减少模型计算量。
为了更加清楚的描述本发明实施例的实施方式,以下面的实施例为例,详细的描述本发明实施例的实施方法。
首先,构建人脸检测网络模型。
请参阅图2,本实施例所公开的人脸检测模型包括从前至后按照第一卷积层201、第一批归一化层202、第一激活函数层203、第一倒残差模块31、第二倒残差模块32、第三倒残差模块33、混合深度可分离卷积模块40、第四倒残差模块34、并行卷积模块50的规则依次堆叠,并通过分类损失函数60和回归损失函数70计算相应的损失值。
其中,以第一卷积层201、第一批归一化层202、第一激活函数层203、第一倒残差模块31、第二倒残差模块32、第三倒残差模块33、混合深度可分离卷积模块40和第四倒残差模块34作为该网络的主干网络进行特征提取,以下将该主干网络成为特征提取模块。
需要说明的是,第一倒残差模块31与第二倒残差模块32网络结构相同,所设置的参数不同。并且第二倒残差模块32、第三倒残差模块33和第四倒残差模块34的网络结构和所设置的参数均相同。
具体的,倒残差模块通过设定通道拓展率可以加宽网络,当设定的模块输出通道数等于输入通道数时,可以将输入特征与输出特征相加,增加特征的语义性。该模块主要由卷积层、批归一化层、激活函数层、深度可分离卷积层组成,整个网络结构使用了3个倒残差模块,卷积层的步长参数统一为1,其输出通道分别为64、128、256,卷积核大小为3×3,扩展率分别为6、3、2,激活函数统一使用抑制最大值为6的激活函数层。
请参阅图3,倒残差模块30按照数据处理方向依次包括第二卷积层301、第二批归一化层302、第二激活函数层303、深度可分离卷积层304、第三批归一化层305、第三激活函数层306、第三卷积层307、第四批归一化层308,以及将倒残差模块的输入特征和输出特征相加的特征相加层309。
需要说明的是,第二卷积层301与第一卷积层201相同。第二批归一化层302与第一批归一化层202相同。其中,第二激活函数层303为一直最大值为6的修正线性单元层。
混合深度可分离卷积模块是将至少两个不同大小的卷积核混合在一个卷积中,用大卷积核来获取高分辨率的特征信息,同时也用小卷积核提取低分辨率的特征信息,大大提高模型精度和性能。
请参阅图4,混合深度可分离卷积模块40按照数据处理方向依次包括两个不同卷积核的第一深度可分离卷积层401和第二深度可分离卷积层402、将所有所述深度可分离卷积层连接的特征连接层403、第五批归一化层404和第四激活函数层405。其中卷积核的大小分别设为3×3和5×5。
需要说明的是,第三批归一化层305和第五批归一化层404相同。第三激活函数层306和第四激活函数层405相同。
并行卷积模块包括多个并行的卷积层,具体到本实施例中,并行卷积模块包括8个并行的、卷积核为3*3的卷积层。
该并行卷积模块40根据类别选择输出通道,所述输出通道包括连接分类损失函数的第一通道和连接回归损失函数的第二通道。
第一通道用于判断预测的关键点是否是目标点,并计算分类损失值。分类损失值是利用分类损失函数计算预测判定目标与真实标签之间的差异值,指导网络模型计算出的参数更加接近真实值。
第二通道用于预测关键点、面部五点偏移量、检测框的长宽,并计算位置回归损失值。位置回归损失值是指利用位置回归损失函数计算预测坐标与真实坐标之间的差异值,指导网络模型计算出的位置信息接近真实位置。
例如,类别判定是二分类问题,设定输出通道为1,位置回归设定输出通道为2,并在后面不采用任何激活函数,是因为需保证回归的坐标值取值范围大。
具体的,类别分类损失函数采用改进后的焦点损失函数,公式如下:
当模型预测出时,说明这个样本是比较容易判断类别的,损失函数的可以适当减轻这类正样本的训练比重,让模型更偏向于那些难于检测的样本,而(1-Yxyc)β用于控制负样本的训练权重,所以这个损失函数能处理正负样本不平衡的情况。
计算分类损失时,当Yxyc=-1时,便不进行损失值的计算,避免引入噪声。
位置回归损失函数采用传统的L1损失函数,当预测的关键点(x,y)的类别是目标时,就计算预测偏移量与真实偏移量的差值:
在网络中原始图像经过多次下采样得到的特征图,映射到原始图像上时会出现偏差,这个偏差值就是真实的偏移量。
以下采样之后的检测框中心点为参照点,分别计算出面部五点相对中心点的偏移量和原始图像的检测框中心点的偏移量。检测框大小回归也采用L1损失函数,只是回归的目标不一样,这个L1损失函数用于回归的真实标签是真实检测框的真实长宽,该函数具有较好的鲁棒性,不易发生梯度爆炸的情况,并且对离群点不敏感,实现简单。
然后,通过上述的描述能够构建出完整的模型训练步骤,与此同时,在开始训练模型时,需要随机初始化模型中相关参数,设定学习率等参数,并使用自适应矩估计优化器作为优化策略,重复计算,直到损失值收敛。
最后,在测试过程中,该测试过程包括以下步骤:向人脸检测网络模型输入任意大小的图像,利用所述人脸检测网络模型的特征提取模块提取图像特征,所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量。设定阈值,将所述目标点的置信度大于预设阈值的点作为目标的中心点。利用并行卷积模块预测所述目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点。利用非极大值抑制算法去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。将相应的结构绘制在图像中,如图5所示。
根据本发明提出的实施步骤在公开数据集LFW-NET-train数据集上训练测试,该数据集包含各种姿态的人脸,如正脸、不同倾斜角度的人脸等等,由实验结果可得,利用本发明提出的方法可以实现端到端训练人脸及人脸特征点检测任务。调用训练出的模型时,只需向模型输入图像,将输出得到人脸的位置和人脸关键点,在集成到人脸识别系统里时,简化系统步骤,在保证精度的前提下大大减少识别时间。
请参阅图6,基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种人脸检测装置,该检测装置包括特征提取模块601、目标点判断模块602、目标检测模块603和最优结果筛选模块604。
其中,特征提取模块601用于在向人脸检测网络模型输入任意大小的图像时,触发特征提取模块提取图像特征,图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量。目标点判断模块602用于将目标点的置信度大于预设阈值的点作为目标的中心点。目标检测模块603用于通过并行卷积模块预测目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点。最优结果筛选模块604用于去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。
优选的,特征提取模块包括至少一个倒残差模块,倒残差模块按照数据处理方向依次包括第一卷积层、第一批归一化层、第一激活函数层、深度可分离卷积层、第二批归一化层、第二激活函数层、第二卷积层、第三批归一化层,以及将倒残差模块的输入特征和输出特征相加的特征相加层。
优选的,特征提取模块包括至少一个混合深度可分离卷积模块,混合深度可分离卷积模块按照数据处理方向依次包括至少两个不同卷积核的深度可分离卷积层、将所有深度可分离卷积层连接的特征连接层、第二批归一化层和第二激活函数层。
第三方面,请参阅图7,图7示出了上述实施例中所涉及的电子设备的一种可能的结构示意图。该电子设备可以包括处理单元701、存储单元702和通信单元703。处理单元701可以设置为与存储单元702通信。存储单元702用于保存处理单元701可执行程序代码和数据等,其中,处理单元执行程序时实现上述任意一个方法实施例所提供的一种人脸检测方法。该通信单元703用于支持该电子设备与其他网络实体的通信,以实现数据交互等功能,如该通信模块703支持电子设备与其他智能终端的通信,以实现数据交互功能。
其中,处理单元701可以是处理器或控制器。通信模块703可以是收发器、RF电路或通信接口等。存储模块702可以是存储器。
图7仅仅是本申请实施例的一种可能的实现方式,在实际应用中,该电子设备还可以包括更多或更少的部件,这里不作限制。
需要说明的是,该电子设备可以是服务器,也可以是智能终端,该智能终端可以是计算机、平板电脑或者智能手机等。
本发明实施例还提供了一种存储介质,该存储介质中存储有计算机可读的程序指令,所述程序指令被处理单元执行时实现上述任意一个实施例中所提供的一种人脸检测方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-OnlyMemory,CD-ROM)、磁带、软盘和光数据存储设备等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种人脸检测方法,其特征在于,该人脸检测方法包括以下步骤:
向人脸检测网络模型输入任意大小的图像,利用所述人脸检测网络模型的特征提取模块提取图像特征,所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量;
将所述目标点的置信度大于预设阈值的点作为目标检测框的中心点;
并行卷积模块预测所述目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点;
去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。
2.根据权利要求1所述的一种人脸检测方法,其特征在于,所述特征提取模块包括至少一个倒残差模块,所述倒残差模块按照数据处理方向依次包括第二卷积层、第二批归一化层、第二激活函数层、深度可分离卷积层、第三批归一化层、第三激活函数层、第三卷积层、第四批归一化层,以及将所述倒残差模块的输入特征和输出特征相加的特征相加层。
3.根据权利要求1或者2所述的一种人脸检测方法,其特征在于,所述特征提取模块包括至少一个混合深度可分离卷积模块,所述混合深度可分离卷积模块按照数据处理方向依次包括至少两个不同卷积核的深度可分离卷积层、将所有所述深度可分离卷积层连接的特征连接层、第五批归一化层和第四激活函数层。
4.根据权利要求3所述的一种人脸检测方法,其特征在于,所述并行卷积模块根据类别选择输出通道,所述输出通道包括连接分类损失函数的第一通道和连接回归损失函数的第二通道;所述分类损失函数计算预测判定目标与真实标签之间的差异值,指导网络模型计算出的参数更加接近真实值;所述位置回归损失函数计算预测坐标与真实坐标之间的差异值,指导网络模型计算出的位置信息接近真实位置。
5.根据权利要求4所述的一种人脸检测方法,其特征在于,所述人脸检测网络模型包括第一卷积层、第一批归一化层、第一激活函数层、第一倒残差模块、第二倒残差模块、第三倒残差模块、混合深度可分离卷积模块和第四倒残差模块组成的主干网络,八层并行卷积层,以及分别与并行卷积层连接的分类损失函数和回归损失函数。
6.一种人脸检测装置,其特征在于,该检测装置包括:
特征提取模块,用于在向人脸检测网络模型输入任意大小的图像时,触发所述特征提取模块提取图像特征,所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量;
目标点判断模块,用于将所述目标点的置信度大于预设阈值的点作为目标检测框的中心点;
目标检测模块,用于通过并行卷积模块预测所述目标点的置信度和相对坐标偏移量,经坐标变换计算得到检测框和面部关键点;
最优结果筛选模块,用于去除冗余的检测框,得到最优的人脸检测结果和人脸特征点检测结果。
7.根据权利要求6所述的一种人脸检测装置,其特征在于,所述特征提取模块包括至少一个倒残差模块,所述倒残差模块按照数据处理方向依次包括第二卷积层、第二批归一化层、第二激活函数层、深度可分离卷积层、第三批归一化层、第三激活函数层、第三卷积层、第四批归一化层,以及将所述倒残差模块的输入特征和输出特征相加的特征相加层。
8.根据权利要求6或者7所述的一种人脸检测装置,其特征在于,所述特征提取模块包括至少一个混合深度可分离卷积模块,所述混合深度可分离卷积模块按照数据处理方向依次包括至少两个不同卷积核的深度可分离卷积层、将所有所述深度可分离卷积层连接的特征连接层、第五批归一化层和第四激活函数层。
9.一种的电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1~5中任意一项所述的方法。
10.一种存储介质,该存储介质中存储有计算机可读的程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1~5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754393.0A CN111814744A (zh) | 2020-07-30 | 2020-07-30 | 一种人脸检测方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754393.0A CN111814744A (zh) | 2020-07-30 | 2020-07-30 | 一种人脸检测方法、装置、电子设备和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814744A true CN111814744A (zh) | 2020-10-23 |
Family
ID=72864410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010754393.0A Withdrawn CN111814744A (zh) | 2020-07-30 | 2020-07-30 | 一种人脸检测方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814744A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070019A (zh) * | 2020-09-08 | 2020-12-11 | 河南威虎智能科技有限公司 | 一种人脸识别方法、装置、电子设备和存储介质 |
CN112381773A (zh) * | 2020-11-05 | 2021-02-19 | 东风柳州汽车有限公司 | 关键截面数据分析方法、装置、设备及存储介质 |
CN112417985A (zh) * | 2020-10-30 | 2021-02-26 | 杭州魔点科技有限公司 | 一种人脸特征点追踪方法、系统、电子设备和存储介质 |
CN112560980A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市优必选科技股份有限公司 | 目标检测模型的训练方法、装置及终端设备 |
CN112967216A (zh) * | 2021-03-08 | 2021-06-15 | 平安科技(深圳)有限公司 | 人脸图像关键点的检测方法、装置、设备以及存储介质 |
CN113435368A (zh) * | 2021-06-30 | 2021-09-24 | 青岛海尔科技有限公司 | 监控数据的识别方法和装置、存储介质及电子装置 |
CN113505763A (zh) * | 2021-09-09 | 2021-10-15 | 北京爱笔科技有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
CN113657321A (zh) * | 2021-08-23 | 2021-11-16 | 平安科技(深圳)有限公司 | 基于人工智能的狗脸关键点检测方法、装置、设备及介质 |
-
2020
- 2020-07-30 CN CN202010754393.0A patent/CN111814744A/zh not_active Withdrawn
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070019A (zh) * | 2020-09-08 | 2020-12-11 | 河南威虎智能科技有限公司 | 一种人脸识别方法、装置、电子设备和存储介质 |
CN112070019B (zh) * | 2020-09-08 | 2024-05-28 | 河南威虎智能科技有限公司 | 一种人脸识别方法、装置、电子设备和存储介质 |
CN112417985A (zh) * | 2020-10-30 | 2021-02-26 | 杭州魔点科技有限公司 | 一种人脸特征点追踪方法、系统、电子设备和存储介质 |
CN112381773B (zh) * | 2020-11-05 | 2023-04-18 | 东风柳州汽车有限公司 | 关键截面数据分析方法、装置、设备及存储介质 |
CN112381773A (zh) * | 2020-11-05 | 2021-02-19 | 东风柳州汽车有限公司 | 关键截面数据分析方法、装置、设备及存储介质 |
CN112560980A (zh) * | 2020-12-24 | 2021-03-26 | 深圳市优必选科技股份有限公司 | 目标检测模型的训练方法、装置及终端设备 |
CN112560980B (zh) * | 2020-12-24 | 2023-12-15 | 深圳市优必选科技股份有限公司 | 目标检测模型的训练方法、装置及终端设备 |
CN112967216B (zh) * | 2021-03-08 | 2023-06-09 | 平安科技(深圳)有限公司 | 人脸图像关键点的检测方法、装置、设备以及存储介质 |
CN112967216A (zh) * | 2021-03-08 | 2021-06-15 | 平安科技(深圳)有限公司 | 人脸图像关键点的检测方法、装置、设备以及存储介质 |
CN113435368A (zh) * | 2021-06-30 | 2021-09-24 | 青岛海尔科技有限公司 | 监控数据的识别方法和装置、存储介质及电子装置 |
CN113435368B (zh) * | 2021-06-30 | 2024-03-22 | 青岛海尔科技有限公司 | 监控数据的识别方法和装置、存储介质及电子装置 |
CN113657321A (zh) * | 2021-08-23 | 2021-11-16 | 平安科技(深圳)有限公司 | 基于人工智能的狗脸关键点检测方法、装置、设备及介质 |
CN113657321B (zh) * | 2021-08-23 | 2024-04-26 | 平安科技(深圳)有限公司 | 基于人工智能的狗脸关键点检测方法、装置、设备及介质 |
CN113505763A (zh) * | 2021-09-09 | 2021-10-15 | 北京爱笔科技有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
CN113505763B (zh) * | 2021-09-09 | 2022-02-01 | 北京爱笔科技有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814744A (zh) | 一种人脸检测方法、装置、电子设备和计算机存储介质 | |
US11908244B2 (en) | Human posture detection utilizing posture reference maps | |
CN111354017B (zh) | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 | |
CN112597941B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN110633745A (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
CN107330439A (zh) | 一种图像中物体姿态的确定方法、客户端及服务器 | |
CN110069985B (zh) | 基于图像的目标点位置检测方法、装置、电子设备 | |
CN111914782A (zh) | 人脸及其特征点的检测方法、装置、电子设备和存储介质 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
EP3136293A1 (en) | Method and device for processing an image of pixels, corresponding computer program product and computer readable medium | |
CN109086697A (zh) | 一种人脸数据处理方法、装置及存储介质 | |
CN107944381B (zh) | 人脸跟踪方法、装置、终端及存储介质 | |
CN111723822A (zh) | 一种基于多层次融合的rgbd图像显著性检测方法及系统 | |
CN111401192A (zh) | 基于人工智能的模型训练方法和相关装置 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN111260655A (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
CN117115595B (zh) | 姿态估计模型的训练方法、装置、电子设备及存储介质 | |
CN116994319A (zh) | 训练模型的方法和人脸识别方法、设备、介质 | |
CN111339973A (zh) | 一种对象识别方法、装置、设备及存储介质 | |
CN111291611A (zh) | 一种基于贝叶斯查询扩展的行人重识别方法及装置 | |
CN115937596A (zh) | 目标检测方法及其模型的训练方法、设备以及存储介质 | |
CN114842506A (zh) | 一种人体姿态估计方法及系统 | |
CN112800941A (zh) | 基于非对称辅助信息嵌入网络的人脸反欺诈方法及系统 | |
CN109934870A (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |