CN111931551A - 一种基于轻量级级联网络的人脸检测方法 - Google Patents

一种基于轻量级级联网络的人脸检测方法 Download PDF

Info

Publication number
CN111931551A
CN111931551A CN202010459767.6A CN202010459767A CN111931551A CN 111931551 A CN111931551 A CN 111931551A CN 202010459767 A CN202010459767 A CN 202010459767A CN 111931551 A CN111931551 A CN 111931551A
Authority
CN
China
Prior art keywords
face
network
net
candidate
picture
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
Application number
CN202010459767.6A
Other languages
English (en)
Other versions
CN111931551B (zh
Inventor
黄杰
赵翔宇
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010459767.6A priority Critical patent/CN111931551B/zh
Publication of CN111931551A publication Critical patent/CN111931551A/zh
Application granted granted Critical
Publication of CN111931551B publication Critical patent/CN111931551B/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
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于轻量化级联神经网络的人脸检测方法。该级联网络具有三个级联子网络，分别是P‑Net、R‑Net、O‑Net。每一个子网络都会有三个输出，分别是面部/非面部分类、人脸的候选框位置以及人脸特征点定位。该方法为：首先，构建图像金字塔，使得图片中的人脸缩放到P‑Net能够检测的适宜尺寸，并利用P‑Net进行检测，快速生成人脸候选窗口。然后，R‑Net网络对P‑Net网络生成的人脸候选窗口进一步过滤，拒绝大部分非面部窗口。最后，O‑Net网络对R‑Net网络生成的人脸候选窗口再次过滤，输出最终的人脸候选框和5个人脸特征点。本发明能够在资源受限的设备中部署。相比于MTCNN框架，速度提升25％，资源占用减少40％以上。

Description

一种基于轻量级级联网络的人脸检测方法
技术领域
本发明涉及一种基于轻量级级联网络的人脸检测方法，属于人脸检测技术领域。
背景技术
近些年来，由于深度学习算法的高效与高精确度，使得其愈来愈多地被用在人脸检测中。 Pang等人设计了一个两级级联的残差网络进行人脸检测，并在2015双目立体匹配数据集中 获得了最高的准确率。Qin等人提出了级联网络的联合训练法，以提高模型准确率。Jiang等 人通过在WIDER face数据集上利用Faster-RCNN方式进行人脸检测，取得了较好的成果， 同时加快了运算速率。Zhang等人通过设计三层级联网络，使得模型在FDDB数据集中，准 确率超过了92％。
现有的人脸检测算法，通常基于大型神经网络，它们的参数量(Params)通常超过20M， 运行所需的浮点计算力(FLOPs)大于1000M，虽然这些网络能够取得较高的精度，但由于 它们消耗的算力资源较大，部署在资源受限的设备中时，进行一次人脸检测与识别所需时间 大于1s，会造成设备的卡顿，甚至影响设备正常使用。
发明内容
发明目的：本发明提供一种基于轻量级级联网络的人脸检测方法，该方法在保证人脸检 测精度的同时，减少了网络参数，以提高人脸检测的速度。
技术方案：本发明所述的一种基于轻量级级联网络的人脸检测方法，包括以下步骤：
(1)构建图像金字塔，使得图片中的人脸缩放到第一级网络P-Net能够检测的适宜尺寸， 并利用第一级网络P-Net进行检测，快速生成人脸候选窗口；
(2)第二级网络R-Net网络对第一级网络P-Net网络生成的人脸候选窗口进一步过滤， 拒绝大部分非面部窗口；
(3)第三级网络O-Net网络对第二级网络R-Net网络生成的人脸候选窗口再次过滤，输 出最终的人脸候选框和5个人脸特征点；
三级所述网络均包括：面部/非面部分类、人脸的候选框位置以及人脸特征点定位三个训 练任务；
对于面部/非面部分类任务，使用交叉熵损失函数进行计算其交叉熵损失值
Figure BDA0002509363260000011
Figure BDA0002509363260000012
其中，对于每一个样本xi,pi为该候选框被认定为是面部分类的概率，
Figure BDA0002509363260000013
代表 该候选框的真实标记；
对于人脸的候选框位置任务，需要预测每个候选窗口与图片中人脸真实区域之间的偏移， 该任务包含了4个坐标，即边界框的左边、顶部、高度和宽度，学习目标被制定为回归问题， 对于每个样本xi，计算其人脸候选框的欧几里得距离
Figure BDA0002509363260000021
如下式所示：
Figure BDA0002509363260000022
其中，
Figure BDA0002509363260000023
是通过网络输出的回归坐标，
Figure BDA0002509363260000024
是真实的人脸区域位置，
人脸区域位置包含了四个数字，分别是左上角坐标、区域高度和区域宽度，因此
Figure BDA0002509363260000025
对于人脸特征点定位任务，该任务包含了面部五个点的位置，每个点包含两个坐标，共 有10个坐标数据，对于每个样本xi，计算其人脸特征点定位的欧几里得距离
Figure BDA0002509363260000026
如下 式所示：
Figure BDA0002509363260000027
其中，
Figure BDA0002509363260000028
是通过网络预测得到的回归坐标，
Figure BDA0002509363260000029
是真实的人脸关键点坐标。
所述5个人脸特征点包括左眼、右眼、鼻子、左嘴角和右嘴角5个，共有10个特征数据， 即
Figure BDA00025093632600000210
进一步地，步骤(1)所述的构建图像金字塔，并并利用第一级网络P-Net进行检测的具 体方法是：
假设图片大小为W×H像素，设置的最小可识别人脸大小为A×A像素，首先进入循环： 将图片送入P-Net网络中进行推导，然后将图片按照缩放因子α进行缩放，使得图片大小为 α·W×α·H，再将图片送入P-Net网络中进行推导，直至α·W＜A或α·H＜A时退出循环。
进一步地，步骤(2)所述的第二级网络R-Net网络对第一级网络P-Net网络生成的人脸 候选窗口进一步过滤的具体方法是：
根据P-Net输出的人脸框图，将框图统一缩放至24×24像素，利用R-Net检测框图中是 否包含人脸，并输出人脸框图的坐标；
所述第二级网络R-Net网络的结构设计，加入了两个SE结构与一个残差结构的网络层。
进一步地，步骤(3)所述第三级网络O-Net网络对第二级网络R-Net网络生成的人脸候 选窗口再次过滤，输出最终的人脸候选框和5个人脸特征点的具体方法是：
根据R-Net输出的人脸框图，将框图统一缩放至48×48像素，利用O-Net检测框图中是 否包含人脸，并输出人脸的框图坐标；
所述第三级网络O-Net网络的结构设计，加入了两个SE结构与两个残差网络结构。
本发明所要解决的关键技术问题：传统的基于神经网络的人脸识别算法MTCNN算法所 需要消耗的资源较大，其子网络参数较多，无法在资源受限的设备中部署，或者部署后，网 络进行一次人脸检测的时间过长。
本发明的优点和有益效果：针对MTCNN网络计算量过大、网络参数众多的问题，通过 使用GAP层(Global Average Pooling，全局平均池化层)代替R-Net与O-Net的全连接层、 适当降低卷积核数量以及重新设计P-Net结构的方式，降低MTCNN网络中的计算量和网络 参数，利用残差结构和SE结构增强网络的特征提取能力和网络的鲁棒性，发明了能够在资 源受限的设备中使用的Mobile MTCNN人脸检测框架。Mobile MTCNN框架相比于MTCNN框架，能够大幅减少网络的参数和所需计算量，在保证检测精度的前提下，节省20％以上的检测时间。在进行人脸检测时，不会消耗过多的算力，对于内存的消耗小于250M，适合部署在资源受限的系统中。
附图说明
图1为本发明流程图。
图2为P-Net网络结构。
图3为R-Net网络结构。
图4为O-Net网络结构。
图5为本发明与MTCNN框架子网络的Params与FLOPs对比。
图6为本发明与MTCNN框架的准确率对比。
具体实施方式
下面将结合具体实施方式对本发明作进一步描述。
首先，结合图1介绍Mobile-MTCNN方案的人脸检测过程。Mobile-MTCNN有三个子网络，P-Net、R-Net和O-Net，每个网络都需要判断输入的图片中是否包含人脸，并输出图片中包含人脸的概率，即人脸置信度，记为P-Net_p,R-Net_p,O-Net_p。在IMTCNN框架中， 包含三个人脸置信度阈值，记为P-Net_Threshold、R-Net_Threshold、O-Net_Threshold。
使用Mobile-MTCNN方案进行人脸检测包含以下三个步骤：
(1)构建图像金字塔，使得图片中的人脸缩放到P-Net能够检测的适宜尺寸(12*12像 素)，并利用P-Net进行检测，如果P-Net_p>P-Net_Threshold，则输出P-Net预测的人脸回归 框坐标；
(2)R-Net网络对P-Net网络生成的人脸候选窗口，缩放到24*24大小进行检测，如果 R-Net_p>R-Net_Threshold，根据R-Net输出的人脸回归框坐标；
(3)O-Net网络对R-Net网络生成的人脸候选窗口缩放到48*48大小进行检测，如果O-Net_p>O-Net_Threshold，则输出O-Net网络检测出的人脸置信度、人脸回归框坐标和人脸 关键点坐标。
Mobile-MTCNN有三个子网络，P-Net、R-Net和O-Net，他们的结构如图2至图4所示。他们都采用了轻量化的神经网络结构。
在图2所示的P-Net网络结构中，在输入部分，设计了两个分支进行特征提取。通过这 种方式，可以融合两种不同的特征提取方法的优点，增强网络的特征提取能力。
在图3所示的R-Net网络结构中，加入了两个SE结构与一个残差结构的网络层。SE结 构关注于卷积层中各个通道之间的关系，利用SE结构可以使模型自动学习到不同通道所提 取特征的重要程度。残差结构的应用，可以使得网络在拥有同等层数的条件下，收敛地更快， 并且增加网络的鲁棒性。
在图4所示的O-Net网络结构中，加入了两个SE结构与两个残差网络结构。在使用了 残差结构后，再使用SE结构，能够更加精确地学习出每个通道的重要性，从而为网络输出 带来更好的效果。
R-Net与O-Net网络结构中均使用了GAP层，它的作用是替代全连接层。GAP层不仅具 有和全连接层类似的作用，并且可以大幅减少网络参数，以达到网络轻量化的效果。
在网络训练时，每个子网络均有三类任务，分别是面部/非面部分类、人脸的候选框位置 以及人脸特征点定位。
对于面部/非面部分类任务，使用交叉熵损失函数进行计算其交叉熵损失值
Figure BDA0002509363260000041
Figure BDA0002509363260000042
其中，对于每一个样本xi,pi为该候选框被认定为是面部分类的概率，
Figure BDA0002509363260000043
表明 该候选框的真实标记。
对于脸的候选框位置任务，需要预测每个候选窗口与图片中人脸真实区域之间的偏移。 该任务包含了4个坐标，即边界框的左边、顶部、高度和宽度。学习目标被制定为回归问题， 对于每个样本xi，计算其人脸候选框的欧几里得距离
Figure BDA0002509363260000044
如下式所示。
Figure BDA0002509363260000045
其中，
Figure BDA0002509363260000046
是通过网络输出的回归坐标，
Figure BDA0002509363260000047
是真实的人脸区域位置。
人脸区域位置包含了四个数字，分别是左上角坐标、区域高度和区域宽度，因此
Figure BDA0002509363260000048
对于人脸特征点定位任务，它也被定义为回归问题，与边界框回归任务类似，该任务包 含了面部五个点的位置，每个点包含两个坐标，共有10个坐标数据。对于每个样本xi，计算 其人脸特征点定位的欧几里得距离
Figure BDA0002509363260000049
如下式所示。
Figure BDA00025093632600000410
其中，
Figure BDA0002509363260000051
是通过网络预测得到的回归坐标，
Figure BDA0002509363260000052
是真实的人脸关键点坐标。
特征点包含了左眼、右眼、鼻子、左嘴角和右嘴角5个，共有10个特征数据，即
Figure BDA0002509363260000053
本发明所使用的三个级联网络可以布置在资源受限的开发板中，三个子网络P-Net、R-Net 与O-Net的参数量分别为6.8k、21.7k和39.7k。部署在RK3399开发板(CPU主频1.5GHz， 板载2GB内存)上，当输入图像大小为320*240时，图片的平均检测时间为81.8ms。无论是 人物头部扭动还是对脸部进行部分遮挡，Mobile-MTCNN框架均能正确检测人脸。
为了评估本发明的性能，图5对比了本发明与MTCNN方案(Zhang K,Zhang Z,Li Z,Qiao Y.Joint Face Detection and Alignment using Multi-task CascadedConvolutional Networks.2016) 当输入为320*240像素的图片时的网络参数量(Params)与浮点运算量(FLOPs)。图6对比 了这两种方案在错误数为13时，在FDDB数据集上的表现。总的来看，Mobile MTCNN网 络与MTCNN网络相比，P-Net在Params基本不变的情况下，FLOPs降低了13.7％，R-Net 的Params与FLOPs的使用均下降超过45％，O-Net的Params与Flops的使用均下降了超过 75％，整体检测速度下降了25％以上。在FDDB数据集上进行测试，在错误数数量相同的情 况下，准确率仅下降1.1％。这说明本发明中提出的利用残差网络与SE模块对MTCNN框架 的子网络进行重构的方案具有很强的鲁棒性。
本发明所公开的技术手段不仅限于上述技术手段所公开的技术手段，还包括由以上技术 特征等同替换所组成的技术方案。本发明的未尽事宜，属于本领域技术人员的公知常识。

Claims (4)

1.一种基于轻量级级联网络的人脸检测方法，其特征在于：该方法包括以下步骤：
(1)构建图像金字塔，使得图片中的人脸缩放到第一级网络P-Net能够检测的适宜尺寸，并利用第一级网络P-Net进行检测，快速生成人脸候选窗口；
(2)第二级网络R-Net网络对第一级网络P-Net网络生成的人脸候选窗口进一步过滤，拒绝大部分非面部窗口；
(3)第三级网络O-Net网络对第二级网络R-Net网络生成的人脸候选窗口再次过滤，输出最终的人脸候选框和5个人脸特征点；
三级所述网络均包括：面部/非面部分类、人脸的候选框位置以及人脸特征点定位三个训练任务；
对于面部/非面部分类任务，使用交叉熵损失函数进行计算其交叉熵损失值
Figure FDA0002509363250000011
Figure FDA0002509363250000012
其中，对于每一个样本xi,pi为该候选框被认定为是面部分类的概率，
Figure FDA0002509363250000013
代表该候选框的真实标记；
对于人脸的候选框位置任务，需要预测每个候选窗口与图片中人脸真实区域之间的偏移，该任务包含了4个坐标，即边界框的左边、顶部、高度和宽度，学习目标被制定为回归问题，对于每个样本xi，计算其人脸候选框的欧几里得距离
Figure FDA0002509363250000014
如下式所示：
Figure FDA0002509363250000015
其中，
Figure FDA0002509363250000016
是通过网络输出的回归坐标，
Figure FDA0002509363250000017
是真实的人脸区域位置，
人脸区域位置包含了四个数字，分别是左上角坐标、区域高度和区域宽度，因此
Figure FDA0002509363250000018
对于人脸特征点定位任务，该任务包含了面部五个点的位置，每个点包含两个坐标，共有10个坐标数据，对于每个样本xi，计算其人脸特征点定位的欧几里得距离
Figure FDA0002509363250000019
如下式所示：
Figure FDA00025093632500000110
其中，
Figure FDA00025093632500000111
是通过网络预测得到的回归坐标，
Figure FDA00025093632500000112
是真实的人脸关键点坐标。
所述5个人脸特征点包括左眼、右眼、鼻子、左嘴角和右嘴角5个，共有10个特征数据，即
Figure FDA00025093632500000113
2.根据权利要求1所述的基于轻量级级联网络的人脸检测方法，其特征在于：步骤(1)所述的构建图像金字塔，并并利用第一级网络P-Net进行检测的具体方法是：
假设图片大小为W×H像素，设置的最小可识别人脸大小为A×A像素，首先进入循环：将图片送入P-Net网络中进行推导，然后将图片按照缩放因子α进行缩放，使得图片大小为α·W×α·H，再将图片送入P-Net网络中进行推导，直至α·W＜A或α·H＜A时退出循环。
3.根据权利要求1所述的基于轻量级级联网络的人脸检测方法，其特征在于：步骤(2)所述的第二级网络R-Net网络对第一级网络P-Net网络生成的人脸候选窗口进一步过滤的具体方法是：
根据P-Net输出的人脸框图，将框图统一缩放至24×24像素，利用R-Net检测框图中是否包含人脸，并输出人脸框图的坐标；
所述第二级网络R-Net网络的结构设计，加入了两个SE结构与一个残差结构的网络层。
4.根据权利要求1所述的基于轻量级级联网络的人脸检测方法，其特征在于：步骤(3)所述第三级网络O-Net网络对第二级网络R-Net网络生成的人脸候选窗口再次过滤，输出最终的人脸候选框和5个人脸特征点的具体方法是：
根据R-Net输出的人脸框图，将框图统一缩放至48×48像素，利用O-Net检测框图中是否包含人脸，并输出人脸的框图坐标；
所述第三级网络O-Net网络的结构设计，加入了两个SE结构与两个残差网络结构。
CN202010459767.6A 2020-05-26 2020-05-26 一种基于轻量级级联网络的人脸检测方法 Active CN111931551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010459767.6A CN111931551B (zh) 2020-05-26 2020-05-26 一种基于轻量级级联网络的人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010459767.6A CN111931551B (zh) 2020-05-26 2020-05-26 一种基于轻量级级联网络的人脸检测方法

Publications (2)

Publication Number Publication Date
CN111931551A true CN111931551A (zh) 2020-11-13
CN111931551B CN111931551B (zh) 2022-04-12

Family

ID=73316488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010459767.6A Active CN111931551B (zh) 2020-05-26 2020-05-26 一种基于轻量级级联网络的人脸检测方法

Country Status (1)

Country Link
CN (1) CN111931551B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381075A (zh) * 2021-01-18 2021-02-19 北京蒙帕信创科技有限公司 一种机房特定场景下进行人脸识别的方法及系统
CN114821747A (zh) * 2022-05-26 2022-07-29 深圳市科荣软件股份有限公司 一种工地人员异常状态识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
WO2019035544A1 (ko) * 2017-08-18 2019-02-21 연세대학교 산학협력단 학습을 이용한 얼굴 인식 장치 및 방법
CN110163114A (zh) * 2019-04-25 2019-08-23 厦门瑞为信息技术有限公司 一种人脸角度及人脸模糊度分析方法、系统和计算机设备
CN110197146A (zh) * 2019-05-23 2019-09-03 招商局金融科技有限公司 基于深度学习的人脸图像分析方法、电子装置及存储介质
CN110718227A (zh) * 2019-10-17 2020-01-21 深圳市华创技术有限公司 一种基于多模态交互的分布式物联网设备协同方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019035544A1 (ko) * 2017-08-18 2019-02-21 연세대학교 산학협력단 학습을 이용한 얼굴 인식 장치 및 방법
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN110163114A (zh) * 2019-04-25 2019-08-23 厦门瑞为信息技术有限公司 一种人脸角度及人脸模糊度分析方法、系统和计算机设备
CN110197146A (zh) * 2019-05-23 2019-09-03 招商局金融科技有限公司 基于深度学习的人脸图像分析方法、电子装置及存储介质
CN110718227A (zh) * 2019-10-17 2020-01-21 深圳市华创技术有限公司 一种基于多模态交互的分布式物联网设备协同方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAKKRITTERMRITTHIKUN等: "On-device facial verification using NUF-Net model of deep learning", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 *
刘长伟: "基于MTCNN和Facenet的人脸识别", 《邮电设计技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381075A (zh) * 2021-01-18 2021-02-19 北京蒙帕信创科技有限公司 一种机房特定场景下进行人脸识别的方法及系统
CN114821747A (zh) * 2022-05-26 2022-07-29 深圳市科荣软件股份有限公司 一种工地人员异常状态识别方法及装置

Also Published As

Publication number Publication date
CN111931551B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
US11263434B2 (en) Fast side-face interference resistant face detection method
CN109063565B (zh) 一种低分辨率人脸识别方法及装置
CN110781838A (zh) 一种复杂场景下行人的多模态轨迹预测方法
Yu et al. Auto-fas: Searching lightweight networks for face anti-spoofing
CN111898504A (zh) 一种基于孪生循环神经网络的目标跟踪方法及系统
CN111931551B (zh) 一种基于轻量级级联网络的人脸检测方法
CN113536972B (zh) 一种基于目标域伪标签的自监督跨域人群计数方法
CN110163239A (zh) 一种基于超像素和条件随机场的弱监督图像语义分割方法
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN108734145B (zh) 一种基于密度自适应人脸表征模型的人脸识别方法
CN112287906B (zh) 一种基于深度特征融合的模板匹配跟踪方法及系统
CN114972312A (zh) 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法
CN111199238A (zh) 一种基于双流卷积神经网络的行为识别方法及设备
CN110503049B (zh) 基于生成对抗网络的卫星视频车辆数目估计方法
CN111767826A (zh) 一种定时定点场景异常检测方法
Niu et al. Boundary-aware RGBD salient object detection with cross-modal feature sampling
WO2022222036A1 (zh) 车位确定方法及装置
CN114398350A (zh) 训练数据集的清洗方法、装置及服务器
Zhu et al. Multi-scale region-based saliency detection using W 2 distance on N-dimensional normal distributions
CN111127355A (zh) 一种对缺损光流图进行精细补全的方法及其应用
CN104680118A (zh) 一种人脸属性检测模型生成方法及系统
CN110135224B (zh) 一种监控视频的前景目标提取方法及系统、存储介质及终端
CN115618099A (zh) 神经网络架构搜索的方法、装置及电子设备
CN114937153A (zh) 弱纹理环境下基于神经网络的视觉特征处理系统及方法
CN114170662A (zh) 人脸识别方法及装置、存储介质、电子设备

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