CN112069992A - 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 - Google Patents
一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112069992A CN112069992A CN202010923012.7A CN202010923012A CN112069992A CN 112069992 A CN112069992 A CN 112069992A CN 202010923012 A CN202010923012 A CN 202010923012A CN 112069992 A CN112069992 A CN 112069992A
- Authority
- CN
- China
- Prior art keywords
- face
- supervision
- detection model
- training
- network
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 210000003128 head Anatomy 0.000 description 28
- 210000001508 eye Anatomy 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009982 effect on human Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于多监督稠密对齐的人脸检测方法、系统及存储介质,收集若干68点人脸稠密对齐数据集并进行预处理,得到训练数据;根据训练目标构建多监督检测模型,多监督检测模型的损失函数为多任务损失函数;通过训练数据对多监督检测模型进行训练,得到最优检测模型;用训练完成的最优检测模型检测自然人脸图像。本发明采用基于多监督稠密对齐的人脸检测方法,在基于深度学习的人脸检测算法中,引入了68点稠密对齐的关键点监督信息,通过多监督检测模型,有效利用了稠密标注的人脸关键点信息,改善了人脸检测的效果,对于68个面部关键点实现了准确定位。
Description
技术领域
本发明数据人脸检测技术领域,具体涉及一种基于多监督稠密对齐的人脸检测方法、系统及存储介质。
背景技术
目前,人脸识别算法已经得到了广泛的应用,但对于基于稠密对齐(68点)的人脸关键点的人脸识别依然没有得到很好的解决。与传统的人脸定位或稀疏对齐的人脸检测方法相比,稠密对齐的关键点特征可以在人脸检测的基础上,根据输入的人脸图像,自动定位出面部关键特征点,如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等。
在2D人脸对齐的传统领域,AAM(Active Appearance Model)的方法作为该领域的先驱工作,同时利用了对象的形状和纹理信息。随后基于级联回归的方法如CPR(CascadedPose Regression)、ERT(Ensemble of Regression Trees)等人脸对齐算法进一步提升了对齐的精度。但是这些传统方法的精度普遍较低,实际应用中人脸的不同尺度、姿态、遮挡、光照、复杂表情等对人脸对齐具有较大的挑战性。
随着卷积神经网络和深度学习的发展,出现了3DDFA和DAN等人脸对齐方法,这些方法利用卷积神经网络对于高层特征的提取和挖掘能力来提高面部关键点特征对齐的精度,但是这些方法使用的特征点依旧不够充分。
2019年的Retinaface模型使用人脸五个关键点标注数据,并且提出了一个自监督的人脸编码器用于人脸的检测,达到了同类算法中的优势精度。但是五点的人脸关键点标注对于人脸识别技术的众多应用领域,比如自动人脸识别,表情识别以及人脸动画自动合成等,具有明显劣势。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于多监督稠密对齐的人脸检测方法、系统及存储介质。
为实现上述目的,本发明采用的技术方案如下:
一种基于多监督稠密对齐的人脸检测方法,包括以下步骤:
步骤1:收集若干68点人脸稠密对齐数据集并进行预处理,得到训练数据;
步骤2:根据训练目标构建多监督检测模型,多监督检测模型的损失函数为多任务损失函数;
步骤3:通过训练数据对多监督检测模型进行训练,得到最优检测模型;
步骤4:用训练完成的最优检测模型检测自然人脸图像。
本发明进一步的改进在于,步骤1中,收集网络开源的若干68点人脸稠密对齐数据集,将若干数据集进行整合后统一处理。
本发明进一步的改进在于,步骤1的具体过程如下:
步骤1.1:采用人脸检测器对每个数据集中的每一张图像中的人脸数据进行筛选过滤,使图像中的实际人脸与68点标注信息统一;
步骤1.2:对筛选过滤后的图像标注进行解析,根据7个人脸部件区域生成对应的语义信息标注;其中,7个人脸部件区域为下半部轮廓、上半部轮廓、右眼、鼻子、嘴巴外轮廓与嘴巴内轮廓;
步骤1.3:对经过步骤1.2处理后的数据进行增强,得到训练数据。
本发明进一步的改进在于,步骤2中,多监督检测网络包括轻量化特征提取网络和多任务网络头。
本发明进一步的改进在于,步骤2的具体过程为:
步骤2.1:在轻量化网络MobileNet,构建轻量化特征提取网络;
根据轻量化特征提取网络得到特征,根据特征构建一个特征金字塔,然后在特征金字塔的输出端构建多任务网络头;其中,多任务网络头包括分类网络头、回归网络头、68点关键点回归网络头和面部7个特定区域的语义分割网络头。
本发明进一步的改进在于,分类网络头和回归网络头均通过目标检测算法得到。
本发明进一步的改进在于,步骤2中,多任务损失函数Loss如下:
Loss=Lcls+Lloc+Llam+Lpol
其中,Lcls为人脸类型判别损失函数,Lloc为人脸位置回归损失函数,Llam为稠密关键点回归损失函数,Lpol为面部语义分割损失函数。
本发明进一步的改进在于,步骤3的具体过程为:将训练超参数设置为500轮,batch size为16,学习率设置为0.001,计算多任务损失函数,再利用随机梯度下降算法训练多监督检测模型,得到最优检测模型。
一种基于多监督稠密对齐的人脸检测系统,包括
预处理模块,用于收集训练数据集并进行预处理,得到训练数据;
构建模块,用于根据训练目标构建多监督检测模型;
训练模块,用于通过训练数据对多监督检测模型进行训练,得到最优检测模型;
检测模块,用于用训练完成的最优检测模型检测自然人脸图像。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于多监督稠密对齐的人脸检测方法。
与现有技术相比,本发明具有的有益效果:
本发明采用基于多监督稠密对齐的人脸检测方法,在基于深度学习的人脸检测算法中,引入了68点稠密对齐的关键点监督信息,通过多监督检测模型,有效利用了稠密标注的人脸关键点信息,改善了人脸检测的效果,对于68个面部关键点实现了准确定位。由68个关键点生成的人脸五官轮廓语义区域,通过多任务损失函数,共同作用于最优的人脸检测模型,不仅提高了人脸检测的精度,还在人脸检测的输出结果上对于68点稠密关键点实现了定位。对于人脸识别技术的众多应用领域,比如自动人脸识别,表情识别以及人脸自动合成等,都有指导和促进作用。
进一步的,在轻量化网络MobileNet,采用不使用group的卷积层,构建轻量化特征提取网络,用来提升轻量化特征提取网络的运行速度的同时,给传统MobileNet增加更多参数来保证精测精度。
进一步的,通过分类回归、关键点定位,以及由68个关键点生成的人脸五官轮廓语义区域,通过多任务损失函数,共同作用于最优的人脸检测模型,不仅提高了人脸检测的精度,还在人脸检测的输出结果上对于68点稠密关键点实现了定位。
附图说明
图1为本发明实施例所述68点人脸稠密标注的位置示意图。
图2为本发明实施例所述人脸检测方法的流程图。
图3为步骤2.1中分类网络头和回归网络头的人脸类别和位置预测输出图像。
图4为步骤2.1中68点关键点回归网络头的人脸稠密关键点预测输出图像。
图5为步骤2.1中语义分割网络头的人脸区域分割预测输出图像。
图6为本发明实施例所述对于自然条件下的人脸检测结果图。其中,(a)为姿态左右偏转,(b)为头发遮挡和背景人脸干扰。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例
参照图2,其示出了本申请实施例所述基于多监督稠密对齐的人脸检测方法的具体流程,包括:
步骤1:收集训练数据集并进行预处理,得到训练数据。
本发明收集网络开源的若干68点人脸稠密对齐数据集,将若干数据集进行整合后统一处理。68点人脸稠密对齐数据集为现有数据集,数据统一处理主要包含以下内容:
步骤1.1:使用主流先进人脸检测器对每个数据集中的每一张图像中的人脸数据进行筛选过滤,以保证图像中的实际人脸与68点标注信息的统一,排除由于标注不完整造成的负样本噪声干扰。参照图1,其示出了本申请实施例所述人脸68点稠密对齐的关键点位置示意图,可以按照人脸面部部件将68点分为以下五组:
轮廓:0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
眉毛:17 18 19 20 21 22 23 24 25 26
眼睛:36 37 38 39 40 41 42 43 44 45 46 47
鼻子:27 28 29 30 31 32 33 34 35
嘴巴:48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67
步骤1.2:对筛选过滤后的图像标注进行解析,根据下面列出的7个人脸部件区域生成对应的语义信息标注。为了提供更多的监督信息,改善68点的回归效果,本发明在原有的模型基础上,增加一个分割预测网络头,并且将人脸68点特征信息分成7个区域作为输入,面部语义掩膜与关键点信息互相提供监督信息共同训练。其对应关系如下:
下半部轮廓:0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
上半部轮廓:17 18 19 20 21 22 23 24 25 26
右眼:36 37 38 39 40 41
左眼:42 43 44 45 46 47
鼻子:27 28 29 30 31 32 33 34 35
嘴巴外轮廓:48 49 50 51 52 53 54 55 56 57 58 59
嘴巴内轮廓:60 61 62 63 64 65 66 67
步骤1.3:对经过步骤1.2处理后的数据进行增强,实现对图像、关键点位置、语义信息标注的数据增强实现一一对应,满足训练要求,从而得到训练数据。
步骤2:根据训练目标构建多监督检测模型。
本发明提出了图2示出的多监督人脸检测网络,根据基于深度学习的目标检测算法基本架构,本发明提出的检测网络主要由轻量化特征提取网络、多任务网络头组成:
步骤2.1:轻量化特征提取网络的构建在轻量化网络MobileNet,采用不使用group的卷积层(即取消卷积核中的group操作),用来提升轻量化特征提取网络的运行速度的同时,给传统MobileNet增加更多参数来保证精测精度。根据轻量化特征提取网络得到一些特征,根据特征构建一个特征金字塔。
步骤2.2:多任务网络头的构建。在特征金字塔的输出端构建多任务网络头,多任务网络头包括分类网络头、回归网络头、68点关键点回归网络头和面部7个特定区域的语义分割网络头。分类网络头和回归网络头通过目标检测算法得到,实现对人类的分类回归,完成定位任务。其中,分类网络头和回归网络头的人脸类别和位置预测输出图像参见图3,68点关键点回归网络头的人脸稠密关键点预测输出图像参见图4,语义分割网络头的人脸区域分割预测输出图像参见图5。
除了经典目标检测算法的分类网络头和回归网络头以外来实现类别和位置的预测,本发明还针对数据特征,添加了68点关键点回归网络头和面部7个特定区域的语义分割网络头,分别预测68点稠密标注的关键点位置和面部7个特定区域的语义分割信息。
步骤3:根据训练目标构建多任务损失函数。
参照图2,本发明提出的多监督检测模型对应设计了多任务的损失函数来满足训练要求,使用的多任务损失函数主要由以下四个部分构成:人脸类型判别损失函数Lcls,人脸位置回归损失函数Lloc,稠密关键点回归损失函数Llam,面部语义分割损失函数Lpol。四种损失函数按照下式加权求和,训练检测网络:
Loss=Lcls+Lloc+Llam+Lpol
步骤4:通过训练数据对多监督检测模型进行训练。
将训练超参数设置为500轮,batch size为16,学习率设置为0.001,对输入的数据集进行训练,在该网络下,计算多任务损失函数,再利用随机梯度下降算法训练整个多监督检测模型,最终得到最优模型。
步骤5:用训练完成的最优模型测试对自然人脸图像的检测效果。
利用训练好的模型先在标准证件照人脸图像上进行测试,结果发现检测准确,68个人脸关键点都能较好定位。对在自然条件下采集的人脸照片进行测试,如图6中的(a)和(b)所示,结果表明本发明提出的检测方法在针对复杂情况下(头发遮挡、不同光照、大角度大姿态)的人脸图像也能起到较好的检测效果,68个人脸关键点的正确定位也可以为后续任务提供有效帮助。
本实施例能够利用稠密对齐的68点人脸关键点标注,采用多监督的训练方式大大提升人脸检测的精度,并且通过稠密定位特征点为后续的识别校正等任务打下基础。
一种基于多监督稠密对齐的人脸检测系统,包括
预处理模块,用于收集训练数据集并进行预处理,得到训练数据;
构建模块,用于根据训练目标构建多监督检测模型;
训练模块,用于通过训练数据对多监督检测模型进行训练,得到最优检测模型。
检测模块,用于用训练完成的最优检测模型检测自然人脸图像。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于多监督稠密对齐的人脸检测方法。
本发明提出了一种基于多监督稠密对齐的人脸检测方法,包括:68点稠密标注人脸数据集的收集和整理,并根据训练目标对训练数据集进行预处理;根据训练目标,构造多监督检测网络模型来融合分类、定位、关键点、区域语义特征;在训练数据集上对多监督检测网络模型进行训练;使用训练完成的检测网络模型在实际拍摄的人脸图像上验证人脸校正效果。本发明提供的方法通过多监督检测模型,有效利用了稠密标注的人脸关键点信息,改善了人脸检测的效果,对于68个面部关键点实现了准确定位。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于多监督稠密对齐的人脸检测方法,其特征在于,包括以下步骤:
步骤1:收集若干68点人脸稠密对齐数据集并进行预处理,得到训练数据;
步骤2:根据训练目标构建多监督检测模型,多监督检测模型的损失函数为多任务损失函数;
步骤3:通过训练数据对多监督检测模型进行训练,得到最优检测模型;
步骤4:用训练完成的最优检测模型检测自然人脸图像。
2.根据权利要求1所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,步骤1中,收集网络开源的若干68点人脸稠密对齐数据集,将若干数据集进行整合后统一处理。
3.根据权利要求1或2所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,步骤1的具体过程如下:
步骤1.1:采用人脸检测器对每个数据集中的每一张图像中的人脸数据进行筛选过滤,使图像中的实际人脸与68点标注信息统一;
步骤1.2:对筛选过滤后的图像标注进行解析,根据7个人脸部件区域生成对应的语义信息标注;其中,7个人脸部件区域为下半部轮廓、上半部轮廓、右眼、鼻子、嘴巴外轮廓与嘴巴内轮廓;
步骤1.3:对经过步骤1.2处理后的数据进行增强,得到训练数据。
4.根据权利要求1所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,步骤2中,多监督检测网络包括轻量化特征提取网络和多任务网络头。
5.根据权利要求1或4所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,步骤2的具体过程为:
在轻量化网络MobileNet,构建轻量化特征提取网络;
根据轻量化特征提取网络得到特征,根据特征构建特征金字塔,然后在特征金字塔的输出端构建多任务网络头;其中,多任务网络头包括分类网络头、回归网络头、68点关键点回归网络头和面部7个特定区域的语义分割网络头。
6.根据权利要求5所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,分类网络头和回归网络头均通过目标检测算法得到。
7.根据权利要求5所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,步骤2中,多任务损失函数Loss如下:
Loss=Lcls+Lloc+Llam+Lpol
其中,Lcls为人脸类型判别损失函数,Lloc为人脸位置回归损失函数,Llam为稠密关键点回归损失函数,Lpol为面部语义分割损失函数。
8.根据权利要求1所述的一种基于多监督稠密对齐的人脸检测方法,其特征在于,步骤3的具体过程为:将训练超参数设置为500轮,batch size为16,学习率设置为0.001,计算多任务损失函数,再利用随机梯度下降算法训练多监督检测模型,得到最优检测模型。
9.一种基于多监督稠密对齐的人脸检测系统,其特征在于,包括
预处理模块,用于收集训练数据集并进行预处理,得到训练数据;
构建模块,用于根据训练目标构建多监督检测模型;
训练模块,用于通过训练数据对多监督检测模型进行训练,得到最优检测模型;
检测模块,用于用训练完成的最优检测模型检测自然人脸图像。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至8任一项所述的基于多监督稠密对齐的人脸检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923012.7A CN112069992A (zh) | 2020-09-04 | 2020-09-04 | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923012.7A CN112069992A (zh) | 2020-09-04 | 2020-09-04 | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069992A true CN112069992A (zh) | 2020-12-11 |
Family
ID=73665473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010923012.7A Pending CN112069992A (zh) | 2020-09-04 | 2020-09-04 | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069992A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362313A (zh) * | 2021-06-18 | 2021-09-07 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113963424A (zh) * | 2021-12-21 | 2022-01-21 | 西南石油大学 | 一种基于单阶人脸定位算法的婴儿窒息或猝死预警方法 |
CN114881893A (zh) * | 2022-07-05 | 2022-08-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN117079337A (zh) * | 2023-10-17 | 2023-11-17 | 成都信息工程大学 | 一种高精度人脸属性特征识别装置及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180005016A1 (en) * | 2016-06-30 | 2018-01-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium for detecting object from image |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN108399649A (zh) * | 2018-03-05 | 2018-08-14 | 中科视拓(北京)科技有限公司 | 一种基于级联回归网络的单张图片三维人脸重建方法 |
CN108647668A (zh) * | 2018-05-21 | 2018-10-12 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
CN109492608A (zh) * | 2018-11-27 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN109711258A (zh) * | 2018-11-27 | 2019-05-03 | 哈尔滨工业大学(深圳) | 基于卷积网络的轻量级人脸关键点检测方法、系统及存储介质 |
CN110647817A (zh) * | 2019-08-27 | 2020-01-03 | 江南大学 | 基于MobileNet V3的实时人脸检测方法 |
CN111160269A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种人脸关键点检测方法及装置 |
CN111553387A (zh) * | 2020-04-03 | 2020-08-18 | 上海物联网有限公司 | 一种基于Yolov3的人员目标检测方法 |
CN111597872A (zh) * | 2020-03-27 | 2020-08-28 | 北京梦天门科技股份有限公司 | 一种基于深度学习的卫生监督执法非法行医人脸识别方法 |
-
2020
- 2020-09-04 CN CN202010923012.7A patent/CN112069992A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180005016A1 (en) * | 2016-06-30 | 2018-01-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium for detecting object from image |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN108399649A (zh) * | 2018-03-05 | 2018-08-14 | 中科视拓(北京)科技有限公司 | 一种基于级联回归网络的单张图片三维人脸重建方法 |
CN108647668A (zh) * | 2018-05-21 | 2018-10-12 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
CN109492608A (zh) * | 2018-11-27 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN109711258A (zh) * | 2018-11-27 | 2019-05-03 | 哈尔滨工业大学(深圳) | 基于卷积网络的轻量级人脸关键点检测方法、系统及存储介质 |
CN110647817A (zh) * | 2019-08-27 | 2020-01-03 | 江南大学 | 基于MobileNet V3的实时人脸检测方法 |
CN111160269A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种人脸关键点检测方法及装置 |
CN111597872A (zh) * | 2020-03-27 | 2020-08-28 | 北京梦天门科技股份有限公司 | 一种基于深度学习的卫生监督执法非法行医人脸识别方法 |
CN111553387A (zh) * | 2020-04-03 | 2020-08-18 | 上海物联网有限公司 | 一种基于Yolov3的人员目标检测方法 |
Non-Patent Citations (4)
Title |
---|
尹茜;: "基于轻量级神经网络的人脸检测算法", 常州信息职业技术学院学报, no. 06, pages 28 - 32 * |
杨露菁 等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社, pages: 132 * |
王成济 等: "一种多层特征融合的人脸检测方法", 《智能系统学报》, vol. 13, no. 1, 28 February 2018 (2018-02-28), pages 138 - 146 * |
谢金衡;张炎生;: "基于深度残差和特征金字塔网络的实时多人脸关键点定位算法", 计算机应用, no. 12, pages 251 - 256 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362313A (zh) * | 2021-06-18 | 2021-09-07 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113362313B (zh) * | 2021-06-18 | 2024-03-15 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113963424A (zh) * | 2021-12-21 | 2022-01-21 | 西南石油大学 | 一种基于单阶人脸定位算法的婴儿窒息或猝死预警方法 |
CN114881893A (zh) * | 2022-07-05 | 2022-08-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN117079337A (zh) * | 2023-10-17 | 2023-11-17 | 成都信息工程大学 | 一种高精度人脸属性特征识别装置及方法 |
CN117079337B (zh) * | 2023-10-17 | 2024-02-06 | 成都信息工程大学 | 一种高精度人脸属性特征识别装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069992A (zh) | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 | |
CN113221639B (zh) | 一种基于多任务学习的代表性au区域提取的微表情识别方法 | |
Zhang et al. | Tiny YOLO optimization oriented bus passenger object detection | |
Lin et al. | Cir-net: Automatic classification of human chromosome based on inception-resnet architecture | |
CN110443231A (zh) | 一种基于人工智能的单手手指点读文字识别方法和系统 | |
CN110796186A (zh) | 基于改进的YOLOv3网络的干湿垃圾识别分类方法 | |
Huang et al. | Development and validation of a deep learning algorithm for the recognition of plant disease | |
Wu et al. | Simultaneous face detection and pose estimation using convolutional neural network cascade | |
CN110781829A (zh) | 一种轻量级深度学习的智慧营业厅人脸识别方法 | |
Qi et al. | Face detection method based on cascaded convolutional networks | |
CN112069993B (zh) | 基于五官掩膜约束的密集人脸检测方法及系统和存储介质 | |
Luo et al. | SFA: small faces attention face detector | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN113469273A (zh) | 基于双向生成及中间域对齐的无监督域适应图像分类方法 | |
CN109344779A (zh) | 一种基于卷积神经网络的匝道场景下的人脸检测方法 | |
CN117541994A (zh) | 一种密集多人场景下的异常行为检测模型及检测方法 | |
CN117593794A (zh) | 改进的YOLOv7-tiny模型及基于该模型的人手脸检测方法及系统 | |
Peng et al. | A face detection framework based on deep cascaded full convolutional neural networks | |
CN112307894A (zh) | 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法 | |
Shishkin et al. | Implementation of yolov5 for detection and classification of microplastics and microorganisms in marine environment | |
CN113887509B (zh) | 一种基于图像集合的快速多模态视频人脸识别方法 | |
Li | Global face pose detection based on an improved PSO-SVM method | |
CN111832475A (zh) | 一种基于语义特征的人脸误检筛除方法 | |
Zheng et al. | A real-time face detector based on an end-to-end CNN |
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 |