CN112329686A - 人脸检测加速方法、系统、计算机设备和存储介质 - Google Patents
人脸检测加速方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112329686A CN112329686A CN202011277889.XA CN202011277889A CN112329686A CN 112329686 A CN112329686 A CN 112329686A CN 202011277889 A CN202011277889 A CN 202011277889A CN 112329686 A CN112329686 A CN 112329686A
- Authority
- CN
- China
- Prior art keywords
- detection
- face
- image
- images
- frame
- 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 141
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001133 acceleration Effects 0.000 title claims abstract description 24
- 208000033383 Neuroendocrine tumor of pancreas Diseases 0.000 claims abstract description 24
- 208000029340 primitive neuroectodermal tumor Diseases 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 2
- 101100532856 Arabidopsis thaliana SDRA gene Proteins 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (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
本申请涉及一种人脸检测加速方法、装置、计算机设备和存储介质。方法包括以下步骤:获取人脸图像;设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。将第一次缩放的图像和剩余缩放的图像拼接在在一起的图像轮流输入到MTCNN模型当中只进行两次检测,而远远比原来的7‑11次检测要少,从而达到了加速的效果。
Description
技术领域
本申请涉及人脸识别技术领域,特别是涉及一种人脸检测加速方法、系统、计算机设备和存储介质。
背景技术
人脸检测是指对于任意一副给定图像采用一定策略进行搜索以确认图像中是否存在人脸,如果有则返回人脸在图像中的大小、位置信息。目前的广泛运用于人们日常生活的人脸识别系统:日常交易当中的人脸支付、车站安检所使用的人脸识别等技术都是基于在检测到人脸的情况下才能进行后续的活体检测和人脸识别检测。所以人脸检测技术即是人脸识别的基础,也是人脸识别的关键环节之一。
现有的人脸检测技术通常是使用深度学习技术训练模型来自动识别图像中的人脸所在的位置,而这些模型大多数由于模型参数过多、或者是虽然模型参数较少但是检测环节过于复杂如:为了检测不同大小的人脸将图像进行缩放、循环地输入模型当中导致模型进行重复的检测。使模型在边缘设备上(如门锁、智能相机、手机)的耗时较长、用户体验较差、无法在实时检测的环境下运行。
发明内容
基于此,有必要针对上述技术问题,提供一种人脸检测加速方法、系统、计算机设备和存储介质。
一种人脸检测加速方法,包括以下步骤:
获取人脸图像;
设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;
将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
作为一种实施方式,还包括以下步骤:
在得到PNET网络输出后,将输出图像中大于人脸检测阈值的结果根据位置对应其在拼接图像中所属的图像,获得相应的缩放因子;
将输出图像中大于人脸检测阈值的结果和其对应的缩放因子还原到原人脸图像中,将还原后的人脸图像送入RNET网络和ONET网络。
作为一种实施方式,还包括以下步骤:
获取ONET网络输出人脸框;
对人脸框的左上角坐标进行调整;
将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍;
将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
作为一种实施方式,所述人脸框的左上角坐标为(x1,y1),右下角坐标为(x2,y2),距离n=[(x2-x1)+1]/2,距离m=[(y2-y1)+1]/2。
作为一种实施方式,所述人脸图像为320*240,所述最小检测人脸像素为50*50。
一种人脸检测加速系统,包括:
获取单元,用于获取人脸图像;
设置单元,用于设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
缩放单元,用于将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;
拼接单元,用于将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
送检单元,用于将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
作为一种实施方式,还包括:
调整单元,用于获取ONET网络输出人脸框,对人脸框的左上角坐标进行调整,将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍;
裁剪单元,用于将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现人脸检测加速方法中任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利人脸检测方法中任一项所述的方法的步骤。
上述人脸检测加速方法、系统、计算机设备和存储介质将第一次缩放的图像和剩余缩放的图像拼接在在一起的图像轮流输入到MTCNN模型(PNET网络属于MTCNN中的一种,除PNET网络外,还包括RNET网络和ONET网络)当中只进行两次检测,而远远比原来的7-11次检测要少,从而达到了加速的效果。
实时检测时通过将当前帧的人脸框进行扩大一定范围,对下一帧图像进行对应的裁剪,从而减小原始输入图像的尺寸,让对应产生不同的图像金字塔的图片也变小,导致推理时间大幅度减小。
附图说明
图1为一个实施例中人脸检测加速方法的应用环境图;
图2为一个实施例中人脸检测加速方法的流程示意图;
图3为一个实施例中拼接图像的结构示意图;
图4为一个实施例中人脸检测加速系统的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的人脸检测加速方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种人脸检测加速方法,用于输入PNET网络之前的图像处理,减少PNET推理时间,包括以下步骤:
S100:获取人脸图像;
S200:设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
S300:将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;其中,获得的检测图像至少为三张;
S400:将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
S500:将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
将第一次缩放的图像和剩余缩放的图像拼接在在一起的图像轮流输入到MTCNN模型(PNET网络属于MTCNN中的一种,除PNET网络外,还包括RNET网络和ONET网络)当中只进行两次检测,而远远比原来的7-11次检测要少,从而达到了加速的效果。
相应的,当PNET网络输出后,对应图像也需进行相应的变换。具体步骤S600如下:
在得到PNET网络输出后,将输出图像中大于人脸检测阈值的结果0根据位置对应其在拼接图像中所属的图像,获得相应的缩放因子;
将输出图像中大于人脸检测阈值的结果和其对应的缩放因子还原到原人脸图像中,将还原后的人脸图像送入RNET网络和ONET网络。
在本实施例中,若干检测图像拼接时,采用垂直拼接的方式,但最后一张检测图像则拼接在倒数第二张的右侧。并且,在检测图像拼接时,行数不为偶数的位置添加0元素作为填充,列数不为偶数的位置也同样采用0元素进行填充。采用填充0元素的方式是为了拼接后的检测图像在经过网络的池化层时结果与未拼接图像时一致。
在实时检测环境下,根据人的先验知识,在当前帧检测到人脸的时候,下一帧的人脸检测将基于当前帧的人脸在图像中的位置进行小范围的检测,提升了人脸检测的速度,使得模型在边缘设备上的耗时短,能够稳定、快速地运行在实时检测的环境中。具体操作步骤S700如下:
获取ONET网络输出人脸框;
对人脸框的左上角坐标进行调整;
将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍,其中,人脸框的左上角坐标为(x1,y1),右下角坐标为(x2,y2),距离n=[(x2-x1)+1]/2,距离m=[(y2-y1)+1]/2;
将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。生成的人脸框小于人脸图像,因此经过下一帧人脸图像经过裁剪后的必然小于上一帧人脸图像,从而减小原始输入图像的尺寸,且又因为PNET网络最小输入12*12像素图像的要求,新一轮经缩放生成的检测图像减少,检测图像拼接生成的拼接图像也变小,可大幅度的减小推理时间。
在本实施例中,以人脸图像为320*240,最小检测人脸像素为50*50为例,PNET网络的最小输入为12*12,缩放因子为12/50=0.24,缩放的第一张检测图像为77*58,之后的每一张检测图像均为前一张检测图像面积的一般,因此,产生的剩余检测图像(不得小于12*12)分别为55*41、39*29、28*21、20*15。将第一张77*58的检测图片作为第一张输入。如图3所示,后四张检测图像垂直拼接,55*41的检测图像在放在最上方、39*29的检测图像在55*41的检测图像下方、28*21的检测图像在39*29的检测图像下方,20*15的检测图像在28*21的检测图像右方,由于55*41的检测图像的行数是奇数,所以55*41检测图像和39*29检测图像之间插入一行0元素,同理,39*29检测图像和28*21检测图像之间也插入一行0元素,最终生成的拼接图像为55*93(93=41+1+29+1+21)的图像。
具体的实施方式为:
(1)、输入人脸图像,设置最小检测人脸像素为50*50,人脸图像经过缩放获得5张分别为77*58、55*41、39*29、28*21、20*15的检测图像,将第一张77*58的检测图像作为第一张输入,后四张检测图像垂直拼接,生成55*93的拼接图像作为第二张输入;
(2)、将两张图像轮流输入PNET网络进行检测,输出时,第一张图像根据之前的缩放因子直接将结果还原到320*240的人脸图像上,第二张拼接图像根据检测图像各自的位置得到原来的缩放因子,将结果还原到320*240的人脸图像上;
(3)、将还原后的人脸图像送入后续的RNET网络和ONET网络;
(4)、将ONET网络得到的人脸框保存下来;
(5)、下一帧人脸图像输入时将刚刚保存的人脸框进行宽高扩大1.5倍的处理,同时,根据扩大后的人脸框将下一帧人脸图像的区域裁剪出来;
(6)、将裁剪出来的人脸图像进行步骤(1)、(2)、(3)、(4)依次运行。
在一个实施例中,提供了一种人脸检测加速系统,如图4所示,包括获取单元1、设置单元2、缩放单元3、拼接单元4及送检单元5,其中,获取单元1用于获取人脸图像;设置单元2用于设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;缩放单元3用于将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;拼接单元4用于将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;送检单元5用于将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
出上述单元外,本人脸检测加速系统还包括调整单元6和裁剪单元7,调整单元6用于获取ONET网络输出人脸框,对人脸框的左上角坐标进行调整,将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍;裁剪单元7用于将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
关于上述人脸检测加速系统的具体限定可以参见上文中对于人脸检测加速方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述基于红外图像的人脸活体检测方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于红外图像的人脸活体检测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
S100:获取人脸图像;
S200:设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
S300:将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;其中,获得的检测图像至少为三张;
S400:将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
S500:将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
S600:在得到PNET网络输出后,将输出图像中大于人脸检测阈值的结果根据位置对应其在拼接图像中所属的图像,获得相应的缩放因子;
将输出图像中大于人脸检测阈值的结果和其对应的缩放因子还原到原人脸图像中,将还原后的人脸图像送入RNET网络和ONET网络;
S700:获取ONET网络输出人脸框;
对人脸框的左上角坐标进行调整;
将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍,其中,人脸框的左上角坐标为(x1,y1),右下角坐标为(x2,y2),距离n=[(x2-x1)+1]/2,距离m=[(y2-y1)+1]/2;
将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S100:获取人脸图像;
S200:设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
S300:将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;其中,获得的检测图像至少为三张;
S400:将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
S500:将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测;
S600:在得到PNET网络输出后,将输出图像中大于人脸检测阈值的结果根据位置对应其在拼接图像中所属的图像,获得相应的缩放因子;
将输出图像中大于人脸检测阈值的结果和其对应的缩放因子还原到原人脸图像中,将还原后的人脸图像送入RNET网络和ONET网络;
S700:获取ONET网络输出人脸框;
对人脸框的左上角坐标进行调整;
将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍,其中,人脸框的左上角坐标为(x1,y1),右下角坐标为(x2,y2),距离n=[(x2-x1)+1]/2,距离m=[(y2-y1)+1]/2;
将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRA M)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Syn chlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种人脸检测加速方法,其特征在于,包括以下步骤:
获取人脸图像;
设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;
将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
2.根据权利要求1所述的人脸检测加速方法,其特征在于,还包括以下步骤:
在得到PNET网络输出后,将输出图像中大于人脸检测阈值的结果根据位置对应其在拼接图像中所属的图像,获得相应的缩放因子;
将输出图像中大于人脸检测阈值的结果和其对应的缩放因子还原到原人脸图像中,将还原后的人脸图像送入RNET网络和ONET网络。
3.根据权利要求1所述的人脸检测加速方法,其特征在于,还包括以下步骤:
获取ONET网络输出人脸框;
对人脸框的左上角坐标进行调整;
将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍;
将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
4.根据权利要求3所述的人脸检测加速方法,其特征在于,所述人脸框的左上角坐标为(x1,y1),右下角坐标为(x2,y2),距离n=[(x2-x1)+1]/2,距离m=[(y2-y1)+1]/2。
5.根据权利要求1所述的人脸检测加速方法,其特征在于,所述人脸图像为320*240,所述最小检测人脸像素为50*50。
6.一种人脸检测加速系统,其特征在于:包括:
获取单元,用于获取人脸图像;
设置单元,用于设置最小检测人脸像素,同时,根据最小检测人脸像素确定缩放因子;
缩放单元,用于将人脸图像根据缩放因子进行多次缩放,获得若干呈图片金字塔的检测图像;
拼接单元,用于将检测图像中除面积最大的检测图像外的剩余检测图像进行拼接生成一张拼接图像;
送检单元,用于将检测图像中面积最大的检测图像和由若干检测图像拼接生成的拼接图像作为两张输入图像送入PNET网络进行检测。
7.根据权利要求6所述的人脸检测加速系统,其特征在于,还包括:
调整单元,用于获取ONET网络输出人脸框,对人脸框的左上角坐标进行调整,将左上角坐标的横坐标向左偏移距离n,向上偏移距离m,使人脸框的宽高扩大1.5倍;
裁剪单元,用于将扩大后人脸框对下一帧输入的人脸图像进行裁剪,将裁剪后的人脸图像送入MTCNN模型进行新一轮的推理。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利。
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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277889.XA CN112329686A (zh) | 2020-11-13 | 2020-11-13 | 人脸检测加速方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277889.XA CN112329686A (zh) | 2020-11-13 | 2020-11-13 | 人脸检测加速方法、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329686A true CN112329686A (zh) | 2021-02-05 |
Family
ID=74317410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011277889.XA Pending CN112329686A (zh) | 2020-11-13 | 2020-11-13 | 人脸检测加速方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329686A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503002A (zh) * | 2019-07-26 | 2019-11-26 | 福州瑞芯微电子股份有限公司 | 一种人脸检测方法和存储介质 |
CN111127458A (zh) * | 2019-12-27 | 2020-05-08 | 深圳力维智联技术有限公司 | 基于图像金字塔的目标检测方法、装置及存储介质 |
CN111723776A (zh) * | 2020-07-03 | 2020-09-29 | 厦门美图之家科技有限公司 | 人体外轮廓点检测方法、装置、电子设备和可读存储介质 |
-
2020
- 2020-11-13 CN CN202011277889.XA patent/CN112329686A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503002A (zh) * | 2019-07-26 | 2019-11-26 | 福州瑞芯微电子股份有限公司 | 一种人脸检测方法和存储介质 |
CN111127458A (zh) * | 2019-12-27 | 2020-05-08 | 深圳力维智联技术有限公司 | 基于图像金字塔的目标检测方法、装置及存储介质 |
CN111723776A (zh) * | 2020-07-03 | 2020-09-29 | 厦门美图之家科技有限公司 | 人体外轮廓点检测方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (1)
Title |
---|
吴纪芸 等: "《一种改进的MTCNN 人脸检测算法》", 《软件导刊》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11030471B2 (en) | Text detection method, storage medium, and computer device | |
CN110517278B (zh) | 图像分割和图像分割网络的训练方法、装置和计算机设备 | |
US11710293B2 (en) | Target detection method and apparatus, computer-readable storage medium, and computer device | |
CN111444881B (zh) | 伪造人脸视频检测方法和装置 | |
CN110135406B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
US20210182537A1 (en) | Method and apparatus for detecting facial key points, computer device, and storage medium | |
CN109886077B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
US11928893B2 (en) | Action recognition method and apparatus, computer storage medium, and computer device | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
WO2020199611A1 (zh) | 活体检测方法和装置、电子设备及存储介质 | |
CN111079632A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
CN110674804A (zh) | 文本图像的检测方法、装置、计算机设备和存储介质 | |
CN111797650A (zh) | 障碍物的识别方法、装置、计算机设备和存储介质 | |
WO2021068325A1 (zh) | 面部动作识别模型训练方法、面部动作识别方法、装置、计算机设备和存储介质 | |
WO2020252911A1 (zh) | 失踪人脸识别方法、装置、计算机设备和存储介质 | |
CN110287764B (zh) | 姿势预测方法、装置、计算机设备和存储介质 | |
CN111325144A (zh) | 行为检测方法、装置、计算机设备和计算机可读存储介质 | |
CN112287730A (zh) | 姿态识别方法、装置、系统、存储介质及设备 | |
CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
CN112001285B (zh) | 一种美颜图像的处理方法、装置、终端和介质 | |
CN111753782A (zh) | 一种基于双流网络的假脸检测方法、装置及电子设备 | |
CN111881740B (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN112241646A (zh) | 车道线识别方法、装置、计算机设备和存储介质 | |
CN110688950B (zh) | 基于深度信息的人脸活体检测方法、装置 | |
CN113469092A (zh) | 字符识别模型生成方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |