CN112287802A - 人脸图像检测方法、系统、存储介质及设备 - Google Patents
人脸图像检测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN112287802A CN112287802A CN202011158010.XA CN202011158010A CN112287802A CN 112287802 A CN112287802 A CN 112287802A CN 202011158010 A CN202011158010 A CN 202011158010A CN 112287802 A CN112287802 A CN 112287802A
- Authority
- CN
- China
- Prior art keywords
- face image
- face
- image
- key point
- confidence
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种人脸图像检测方法、系统、存储介质及设备,包括:提取待处理图像中的人脸图像;获取所述人脸图像中各关键点所对应的热力图的置信度;根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。本发明的人脸图像检测方法、系统、存储介质及设备,能够对带遮挡的人脸数据进行关键点定位和检测,并且在光线、角度、姿态各异等情况下,均能够快速有效地识别并找到目标人脸。
Description
技术领域
本发明涉及人脸检测技术领域,特别是涉及一种人脸图像检测方法、系统、存储介质及设备。
背景技术
人脸关键点检测是根据给定的人脸预测出五官和脸型轮廓等预先定义好的一系列关键点的坐标,从而进行后续的人脸对齐,识别,表情分析等应用。
传统的人脸关键点检测方法主要有主动外观模型、主动形状模型和级联回归模型等经典算法。随着深度学习的提出和发展,近年来陆续出现了一些基于深度卷积神经网络的方法进行人脸关键点检测,目前最为主流的是利用坐标回归和热度图回归的方法,其中,坐标回归模型主要思想是直接让深度网络学习人脸关键点坐标和输入人脸图像的位置映射关系。其优点在于不需要过多的数据后处理,网络可以直接回归输出关键点的坐标,实现端到端的训练和前向推理,但其在精度上与热度图回归的方法相比较差。而且由于坐标回归的方法受限制于脸部关键点的几何位置关系,预测结果依赖于人脸检测器,存在如下两种问题:其一是当人脸检测器检测到人脸时,若此人脸为侧脸,坐标回归的方法得到的关键点会根据可见关键点的位置,再结合人脸的几何轮廓约束,预测被遮挡部分的关键点,这样强制输出规定个数的关键点不利于后续的人脸对齐和识别;其二是针对的确存在人脸的图像,受限于人脸检测器算法的精度影响,没有对图片中的可见人脸检测到,那么对应的坐标回归的关键点就无法得到,从而丢失了可见有用的人脸信息。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种人脸图像检测方法、系统、存储介质及设备,用于解决现有技术中侧脸或带遮挡情况下的人脸关键点检测的问题。
为实现上述目的及其他相关目的,本发明提供一种人脸图像检测方法,所述方法包括提取待处理图像中的人脸图像;获取所述人脸图像中各关键点及其所对应的热力图和关键点置信度;根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。
于本发明的一实施例中,所述方法还包括:当所述人脸图像中人脸被遮挡的比例小于预设阈值时,将所述人脸图像与若干预存的未被遮挡的人脸图像加以比对,从而识别出与所述人脸图像匹配的未被遮挡的人脸。
于本发明的一实施例中,所述待处理图像为抓拍机采集到的人脸图像数据集,所述抓拍机拍摄的时间、地点随机,所述人脸图像数据集包括训练集和测试集。
于本发明的一实施例中,所述人脸图像提取的方法包括:
对所述待处理图像进行质量筛选,剔除遮挡率、光照和分辨率不满足条件的所述人脸图像;
将通过质量筛选后的所述人脸图像缩放到对应输入尺寸;
将所述人脸图像进行像素归一化到[-1,1]区间,并对RGB通道分别进行像素减均值0.5。
于本发明的一实施例中,所述置信度由深度学习网络预测得到,并将所述置信度归一化到(0,1)区间。
于本发明的一实施例中,所述人脸关键点得分计算公式为:
式中,confi为第i个关键点的置信度得分,均归一化到[0,1]之间,N为总关键点个数;所述遮挡程度计算式为:
P(occlude)=1-score。
于本发明的一实施例中,所述方法还包括模型训练方法:
选取合适的深度学习框架供所述训练集和所述关键点的数据进行学习;
选取Dlib网络结构和HR-Net网络结构进行训练;
利用所述测试集评估模型,挑选最优测试结果的模型,以得到目标模型。
为实现上述目的及其他相关目的,本发明提供一种上述的人脸图像检测系统,包括:
预处理和人脸检测模块,用于提取待处理图像中的人脸图像;
人脸关键点检测模块,用于获取所述人脸图像中各关键点所对应的热力图的置信度;
热力图应用模块,用于根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。
为实现上述目的及其他相关目的,本发明提供一种上述的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述人脸图像检测方法。
为实现上述目的及其他相关目的,本发明提供一种上述的设备,所述设备包括:所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行所述人脸图像检测方法。
如上所述,本发明的人脸图像检测方法、系统、存储介质及设备,图像网络分辨性能更好,速度更快,且适配于不同摄像设备之间的差异,图像拍摄的时间、地点随机,在光线、角度、姿态各异等情况下,能够快速有效地找到特定的行人,进而有效帮助人脸系统后续的人脸对齐,进行人脸识别。
附图说明
图1显示为本发明的人脸图像检测方法于一实施例中的方法步骤图;
图2显示为本发明的人脸图像检测方法于一实施例中的关键点的热力图;
图3显示为本发明的人脸图像检测方法于一实施例中的HR-Net网络结构示意图;
图4显示为本发明的人脸图像检测方法于一实施例中的的模型训练方法的流程图;
图5显示为本发明的人脸图像检测系统于一实施例中的模块示意图;
图6显示为本发明的人脸图像检测方法于一实施例中的流程示意图。
元件标号说明
S11~S13 步骤
S41~S43 步骤
50 人脸图像检测系统
51 预处理和人脸检测模块
52 人脸关键点检测模块
53 热力图应用模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,于发明一实施例中,本发明的人脸图像检测方法包括如下步骤:
步骤S11、提取待处理图像中的人脸图像;
具体地,首先对所述待处理图像进行质量筛选,剔除遮挡率超过50%以上的,光照强度归一化到(0,1)后低于0.5的以及分辨率低于“112*112”的所述人脸图像;然后将通过质量筛选后的所述人脸图像缩放到对应输入尺寸,如大小(96,96);最后将所述人脸图像进行像素归一化到[-1,1]区间,并对RGB通道分别进行像素减均值0.5,以此提取人脸图像。
步骤S12、获取所述人脸图像中各关键点及其所对应的热力图和关键点置信度;
具体地,先用Dlib检测器对所述人脸图像进行人脸检测,输出每个人脸的坐标框,得到图像中的人脸区域,采用性能好且不占资源的高分辨率网络(High ResolutionNetwork,HR-Net)对所述人脸图像进行关键点的定位,得到人脸图像的关键点热力图,即对应N个关键点的热力图,以及相应的关键点坐标点(x,y)和每张关键点热力图的置信度confi,即响应强度,其中,所述置信度由深度学习网络预测得到,并将所述置信度归一化到(0,1)区间。
进一步地,人脸GroundTruth关键点的热力图如图2所示,可以看出,所述热力图呈中心衰减的模式,在中心响应值最高,距离中心越远,响应值越低。实际上,用于关键点检测的所述热力图均按照高斯分布的来呈现,给定具有N个关键点的人脸图像,第i个关键点的预测坐标与真值坐标分别为(xi,yi)和(xgt,ygt),则热力图的分布可用如下公式表示:
优选地,HR-Net的网络结构如图3所示,其中,HR-Net没有采用对称的编解码器结构以降低特征图的分辨率再恢复到原始分辨率,其在整个网络都保持着与原图像尺度相同的特征图,并且随着网络的加深,不断并行连接特征图尺度缩小的子网,在这些子网络之间,一些连接不同尺度的特征图被连接融合,以学习多尺度的特征信息。
对于人脸图像I,该网络可以获得L个热力图H(I),其中L是每个面部的关键点总数。按照采用所述热力图中最大值的位置,从相应的所述热力图中解码每个关键点的预测位置,如下所示:
c(l)=arg max H′(l);
其中“1”是与关键点相对应的所述热力图索引,c(l)给出第“l”个关键点的坐标。
步骤S13、根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。
具体地,通过响应强度即置信度confi这个值来确认各个关键点的遮挡级别,从而计算整个人脸关键点得分,得分低于一定的阈值(如0.5)则判断为人脸遮挡,大于即为可用的人脸数据,可用于后续的人脸识别和属性判断。进一步地,根据所述热力图中的响应强度值对每个所述关键点进行评估,具有较强本地信息的更可靠的所述关键点将得到更高的分数,遮挡下的所述关键点则相反。以N=68为例,在数学上可以将其关键点得分表示为:
其中,confi为第i个关键点的置信度得分,均归一化到[0,1]之间,N为总关键点个数,每一个所述关键点都有其置信度得分confi,将“68”个所述关键点的置信度得分汇总求和之后再除以所述关键点总数“68”,以此得到所述关键点得分score,进而计算遮挡比例,计算式如下:P(occlude)=1-score,以此判断所述人脸图像中人脸被遮挡的程度。
在一实施例中,进一步地,本发明的人脸图像检测方法还包括当所述人脸图像中人脸被遮挡的比例小于预设阈值时,将所述人脸图像与若干预存的未被遮挡的人脸图像加以比对,从而识别出与所述人脸图像匹配的未被遮挡的人脸。
具体地,针对所述待处理图像中的得分低于一定阈值的人脸图像可被判断为人脸遮挡,针对此类被遮挡的所述人脸图像,可以与所述人脸图像数据集中未被遮挡的人脸图像加以比对,进而可以在被判断为所述人脸遮挡的图像集中识别出特定人脸,此方法增加了所述人脸图像的识别数量,可在追踪特定人群时进行使用,获得所述特定人群的行动路径。
在一实施例中,进一步地,所述待处理图像为抓拍机采集到的人脸图像数据集,所述抓拍机拍摄的时间、地点随机,所述人脸图像数据集包括训练集和测试集。
具体地,在商场、地铁站、火车站等人流密集的地方用抓拍机采集人脸图像,并对采集到的人脸数据进行清洗与标注,剔除非人脸数据图像,将采集到的数据集划分为训练集和测试集,用于后续Dlib人脸检测器检测以及HR-Net关键点模型的训练和测试。优选地,所述抓拍机的拍摄时间、地点随机,可以很大程度模拟针对特定人群图像追踪的现实环境,能够覆盖更多的采集图像与实际情况。
请参阅图4,在本实施例中,进一步地,本发明的人脸图像检测方法还包括模型训练方法,步骤如下:
步骤S41、选取合适的深度学习框架供所述训练集和所述关键点的数据进行学习;
步骤S42、选取Dlib网络结构和HR-Net网络结构进行训练;
步骤S43、利用所述测试集评估模型,挑选最优测试结果的模型,以得到目标模型。
具体地,采集到的所述数据集被划分为所述训练集和所述测试集,所述训练集用来供所述Dlib网络结构和HR-Net网络结构进行训练,以检测所述人脸图像以及获得所述热力图及所述关键点和所述置信度,后用所述测试集对各个训练模型进行测试,挑选出最优测试结果的模型,以此作为目标模型。
请参阅图5,在一实施例中,为实现人脸关键点检测,本实施例提供的一种人脸图像检测系统50,所述系统包括:
预处理和人脸检测模块51,用于提取待处理图像中的人脸图像;
具体地,通过对抓拍机抓拍到的行人图像进行质量评估和筛选,剔除遮挡率超过百分之50以上,光照强度归一化到(0,1)后低于0.5的以及分辨率低于“112*112”的所述人脸图像,利用Dlib人脸检测器检测人脸位置,输出每个所述人脸的坐标框,得到所述人脸图像。优选地,所述Dlib人脸检测器可以替换为retinaface检测器或其他人脸检测器。
人脸关键点检测模块52,用于获取所述人脸图像中各关键点所对应的热力图的置信度;
具体地,将每个检测到的人脸图像,经过HR-Net网络进行测试,得到对应N个所述关键点的热力图以及相应所述关键点的坐标点(x,y)和所述置信度confi,其中,所述置信度由深度学习网络预测得到,并将所述置信度归一化到(0,1)区间。优选地,所述HR-Net用来提取图像特征的网络层可以替换为可变性卷积,进一步地,所述HR-Net用来提取基准特征的网络结构可替换为其他网络结构,如Mobile Net,Resnet-101,openpose网络等,以应对不同终端使用,采用HR-Net有监督学习的多级网络,还具有简单性、有效性的特点,在开发新的降级网络时,可以利用现有的模型基础进行改进,具有较高的迁移和适应能力的特点。
热力图应用模块53,用于根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。
具体地,根据对应所述关键点的所述热力图,得到每个所述关键点的遮挡级别,从而得到整个人脸的遮挡比例或定位遮挡区域,量化为所述人脸关键点得分,可以有效的帮助人脸属性的判断和人脸识别进行人脸数据筛选,提高后续人脸识别的精度。优选地,本发明网络结构中采用端到端的多任务学习网络,中间过程不需要人为干预,适用于不同摄像设备之间的差异,图像拍摄的时间、地点随机,且光线、角度、姿态各异等情况下,快速有效预测人脸面部关键点以及遮挡程度。
除此之外,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述人脸图像检测方法。
此外,本发明还提供一种设备,所述设备包括:所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行任一项所述人脸图像检测方法。
综上所述,如图6所示,本发明采用特征热力图的方法可对带遮挡的人脸数据进行关键点定位和检测,采用性能更好,速度更快的端到端的高分辨率的HR-Net网络结构,可保持与原图像尺寸相同的特征图,进而得以保留更多的特征信息,本发明适用于多种摄像设备,图像拍摄的时间、地点随机,且光线、角度、姿态各异等情况下,快速有效地找到特定的行人,大大提高了人脸识别率,并且针对新开发的降级网络,可利用本发明的模型作为基础进行改进,具有较高的迁移能力和适应能力,可塑性与使用率得到提高。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种人脸图像检测方法,其特征在于,包括:
提取待处理图像中的人脸图像;
获取所述人脸图像中各关键点所对应的热力图的置信度;
根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。
2.根据权利要求1所述的人脸图像检测方法,其特征在于,还包括:当所述人脸图像中人脸被遮挡的比例小于预设阈值时,将所述人脸图像与若干预存的未被遮挡的人脸图像加以比对,从而识别出与所述人脸图像匹配的未被遮挡的人脸。
3.根据权利要求1所述的人脸图像检测方法,其特征在于,所述待处理图像为抓拍机采集到的人脸图像数据集,所述抓拍机拍摄的时间、地点随机,所述人脸图像数据集包括训练集和测试集。
4.根据权利要求1所述的人脸图像检测方法,其特征在于,所述人脸图像提取的方法包括:
对所述待处理图像进行质量筛选,剔除遮挡率、光照和分辨率不满足条件的所述人脸图像;
将通过质量筛选后的所述人脸图像缩放到对应输入尺寸;
将所述人脸图像进行像素归一化到[-1,1]区间,并减小像素均值与RGB通道值。
5.根据权利要求1所述的人脸图像检测方法,其特征在于,所述置信度由深度学习网络预测得到,并将所述置信度归一化到(0,1)区间。
7.根据权利要求1所述的人脸图像检测方法,其特征在于,还包括模型训练方法:
选取合适的深度学习框架供所述训练集和所述关键点的数据进行学习;
选取Dlib网络结构和HR-Net网络结构进行训练;
利用所述测试集评估模型,挑选最优测试结果的模型,以得到目标模型。
8.一种人脸图像检测系统,其特征在于,包括:
预处理和人脸检测模块,用于提取待处理图像中的人脸图像;
人脸关键点检测模块,用于获取所述人脸图像中各关键点所对应的热力图的置信度;
热力图应用模块,用于根据各所述置信度计算每个所述人脸图像的人脸关键点得分,据以判断所述人脸图像中人脸被遮挡的程度。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任一项所述人脸图像检测方法。
10.一种设备,其特征在于,所述设备包括:所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行如权利要求1至7中任一项所述人脸图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158010.XA CN112287802A (zh) | 2020-10-26 | 2020-10-26 | 人脸图像检测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158010.XA CN112287802A (zh) | 2020-10-26 | 2020-10-26 | 人脸图像检测方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287802A true CN112287802A (zh) | 2021-01-29 |
Family
ID=74372351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011158010.XA Pending CN112287802A (zh) | 2020-10-26 | 2020-10-26 | 人脸图像检测方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287802A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177917A (zh) * | 2021-04-25 | 2021-07-27 | 重庆紫光华山智安科技有限公司 | 一种抓拍图像优选方法、系统、设备及介质 |
CN113409319A (zh) * | 2021-08-17 | 2021-09-17 | 点内(上海)生物科技有限公司 | 肋骨骨折检测模型训练系统、方法、检测系统和检测方法 |
CN113762136A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 人脸图像遮挡判断方法、装置、电子设备和存储介质 |
CN114495241A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 一种图像识别方法及装置、电子设备、存储介质 |
CN115205951A (zh) * | 2022-09-16 | 2022-10-18 | 深圳天海宸光科技有限公司 | 一种戴口罩人脸关键点数据生成方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190138791A1 (en) * | 2016-08-10 | 2019-05-09 | Tencent Technology (Shenzhen) Company Limited | Key point positioning method, terminal, and computer storage medium |
CN109886121A (zh) * | 2019-01-23 | 2019-06-14 | 浙江大学 | 一种遮挡鲁棒的人脸关键点定位方法 |
CN110287760A (zh) * | 2019-03-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的人脸五官点遮挡检测方法 |
CN110598587A (zh) * | 2019-08-27 | 2019-12-20 | 汇纳科技股份有限公司 | 结合弱监督的表情识别网络训练方法、系统、介质及终端 |
CN111027504A (zh) * | 2019-12-18 | 2020-04-17 | 上海眼控科技股份有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
CN111353475A (zh) * | 2020-03-31 | 2020-06-30 | 中国工商银行股份有限公司 | 自助交易设备异常识别方法及自助交易设备 |
CN111444862A (zh) * | 2020-03-30 | 2020-07-24 | 深圳信可通讯技术有限公司 | 一种人脸识别的方法及装置 |
CN111639602A (zh) * | 2020-05-29 | 2020-09-08 | 华中科技大学 | 一种行人遮挡及朝向检测方法 |
CN111695495A (zh) * | 2020-06-10 | 2020-09-22 | 杭州萤石软件有限公司 | 人脸识别方法、电子设备及存储介质 |
-
2020
- 2020-10-26 CN CN202011158010.XA patent/CN112287802A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190138791A1 (en) * | 2016-08-10 | 2019-05-09 | Tencent Technology (Shenzhen) Company Limited | Key point positioning method, terminal, and computer storage medium |
CN109886121A (zh) * | 2019-01-23 | 2019-06-14 | 浙江大学 | 一种遮挡鲁棒的人脸关键点定位方法 |
CN110287760A (zh) * | 2019-03-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的人脸五官点遮挡检测方法 |
CN110598587A (zh) * | 2019-08-27 | 2019-12-20 | 汇纳科技股份有限公司 | 结合弱监督的表情识别网络训练方法、系统、介质及终端 |
CN111027504A (zh) * | 2019-12-18 | 2020-04-17 | 上海眼控科技股份有限公司 | 人脸关键点检测方法、装置、设备及存储介质 |
CN111444862A (zh) * | 2020-03-30 | 2020-07-24 | 深圳信可通讯技术有限公司 | 一种人脸识别的方法及装置 |
CN111353475A (zh) * | 2020-03-31 | 2020-06-30 | 中国工商银行股份有限公司 | 自助交易设备异常识别方法及自助交易设备 |
CN111639602A (zh) * | 2020-05-29 | 2020-09-08 | 华中科技大学 | 一种行人遮挡及朝向检测方法 |
CN111695495A (zh) * | 2020-06-10 | 2020-09-22 | 杭州萤石软件有限公司 | 人脸识别方法、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张伟;钱沄涛;: "引入全局约束的精简人脸关键点检测网络", 信号处理, no. 03 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177917A (zh) * | 2021-04-25 | 2021-07-27 | 重庆紫光华山智安科技有限公司 | 一种抓拍图像优选方法、系统、设备及介质 |
CN113177917B (zh) * | 2021-04-25 | 2023-10-13 | 重庆紫光华山智安科技有限公司 | 一种抓拍图像优选方法、系统、设备及介质 |
CN113409319A (zh) * | 2021-08-17 | 2021-09-17 | 点内(上海)生物科技有限公司 | 肋骨骨折检测模型训练系统、方法、检测系统和检测方法 |
CN113762136A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 人脸图像遮挡判断方法、装置、电子设备和存储介质 |
CN114495241A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 一种图像识别方法及装置、电子设备、存储介质 |
CN115205951A (zh) * | 2022-09-16 | 2022-10-18 | 深圳天海宸光科技有限公司 | 一种戴口罩人脸关键点数据生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700099B (zh) | 识别交通标志的方法和装置 | |
CN112926410B (zh) | 目标跟踪方法、装置、存储介质及智能视频系统 | |
CN112287802A (zh) | 人脸图像检测方法、系统、存储介质及设备 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN109325418A (zh) | 基于改进YOLOv3的道路交通环境下行人识别方法 | |
CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
CN109190446A (zh) | 基于三元组聚焦损失函数的行人再识别方法 | |
CN114241548A (zh) | 一种基于改进YOLOv5的小目标检测算法 | |
CN110879982B (zh) | 一种人群计数系统及方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN108986075A (zh) | 一种优选图像的判断方法及装置 | |
CN107067413A (zh) | 一种时空域统计匹配局部特征的运动目标检测方法 | |
CN109903339B (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN112734747B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN108876776B (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN111291612A (zh) | 一种基于多人多摄像头跟踪的行人重识别方法及装置 | |
CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
Mu et al. | Salient object detection in low contrast images via global convolution and boundary refinement | |
CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
CN114332927A (zh) | 课堂举手行为检测方法、系统、计算机设备和存储介质 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
CN107886060A (zh) | 基于视频的行人自动检测与跟踪方法 | |
CN116052225A (zh) | 掌纹识别方法、电子设备、存储介质及计算机程序产品 |
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 | ||
CB02 | Change of applicant information |
Address after: 201203 No. 6, Lane 55, Chuanhe Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Winner Technology Co.,Ltd. Address before: 201505 Room 216, 333 Tingfeng Highway, Tinglin Town, Jinshan District, Shanghai Applicant before: Winner Technology Co.,Ltd. |
|
CB02 | Change of applicant information |