CN112541436B - 专注度分析方法、装置、电子设备及计算机存储介质 - Google Patents
专注度分析方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112541436B CN112541436B CN202011473906.7A CN202011473906A CN112541436B CN 112541436 B CN112541436 B CN 112541436B CN 202011473906 A CN202011473906 A CN 202011473906A CN 112541436 B CN112541436 B CN 112541436B
- Authority
- CN
- China
- Prior art keywords
- head
- detection
- map
- image
- face
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 254
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000003321 amplification Effects 0.000 description 6
- 238000003199 nucleic acid amplification method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 240000004282 Grewia occidentalis Species 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种专注度分析方法,包括:获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图;根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图;利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角;根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。本发明还提出了专注度分析装置、设备及计算机可读存储介质。此外,本发明还涉及区块链技术,待检测图像可存储于区块链节点中。本发明可以提高专注度分析的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种专注度分析方法、装置、电子设备及计算机可读存储介质。
背景技术
会议是一种商讨并处理事务的重要方式,需要所有参会人员高度专注才能取得效果,参会人员众多,需要对参会人员的专注度进行识别和分析。
目前,对人员专注度识别的方式主要有两种:一种是基于2D图像人脸关键点计算来人脸姿态角(俯仰角)从而确定人员专注度;另一种是基于3D人脸重建计算人脸姿态角从而确定人员专注度。但第一种方法中过度依赖于人脸检测,在人脸姿态角较大和人脸遮挡的情况,容易检测不到人脸,同时在大姿态角下,人脸关键点定位不准确,导致计算的人脸姿态角不准确,无法正确分析人员的专注度;第二种方法在大姿态角下,重建3D人脸过程中会引入误差,导致检测准确度较低。
发明内容
本发明提供一种专注度分析方法、装置、电子设备及计算机可读存储介质,其主要目的在于实现提高专注度分析的准确性。
为实现上述目的,本发明提供的一种专注度分析方法,包括:
获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;
使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图;
根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图;
利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角;
根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。
可选地,所述利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像,包括:
利用人脸检测网络对所述待检测图像进行人脸检测,得到人脸热度图、人脸尺度图和人脸中心偏移量图;
根据所述人脸热度图、所述人脸尺度图和所述人脸中心偏移量图计算得到多个人脸检测框;
将所述多个人脸检测框向四周进行外扩,并根据外扩后的人脸检测框对所述待检测图像中的人脸区域进行涂黑,得到初始检测图像。
可选地,所述使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图,包括:
利用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到头部热度图、头部尺度图和头部中心偏移量图;
获取所述头部热度图中热度值大于预设头部阈值的热度像素点以及对应的坐标;
在所述头部中心偏移量图上获取与所述热度像素点对应的头部坐标偏移量,并与所述热度像素点的坐标相加,得到中心点;
根据所述头部尺度图计算所述中心点对应的宽和高,并根据所述宽和高得到与所述中心点对应的头部框,采用非极大值抑制算法删除所述头部框中的重复框;
将所述头部框进行外扩,得到最终检测框,并根据所述最终检测框得到检测结果图。
可选地,所述使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测之前,该方法还包括:
步骤a:获取训练图像集,并对所述训练图像集进行预处理;
步骤b:利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图;
步骤c:利用所述头部检测模型对预处理后的所述训练图像集进行分析计算,生成预测头部热度图、预测头部尺度图和预测头部中心偏移量图;
步骤d:根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,并将所述损失值合并,得到最终损失值;
步骤e:根据所述最终损失值进行反向传播,对所述头部检测模型的参数进行调整,并返回步骤c,直到所述头部检测模型收敛,得到训练完成的头部检测模型。
可选地,所述利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图,包括:
根据所述头部中心点,利用预设的热度函数计算所述训练图像集中每个像素点的热度值,并根据所述热度值生成的头部热度图;
根据所述头部中心点,利用预设的尺度函数计算所述头部中心点对应的头部尺度,并根据所述头部尺度生成头部尺度图;
根据所述头部中心点,利用预设的偏移函数计算所述头部中心点的偏移量,并根据所述偏移量生成头部中心偏移量图。
可选地,所述利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角,包括:
利用预先训练完成的头部姿态估计网络提取所述多个头部区域图像的头部姿态信息,得到多个头部姿态特征;
利用预设的激活函数对所述多个头部姿态特征进行分类识别得到角度类别和对应的概率值,并根据所述角度类别和对应的概率值进行期望计算得到对应的多个头部姿态角。
可选地,所述利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角之前,该方法还包括:
获取头部训练集,并对所述头部训练集进行预处理;
利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别,得到姿态角度概率值;
根据所述姿态角度概率值计算交叉熵损失;
将所述姿态角度概率值转化为头部姿态角,并根据所述头部姿态角计算姿态角均方误差;
合并所述交叉熵损失和所述姿态角均方误差,得到最终损失值;
根据所述最终损失值,利用反向传播算法对所述头部姿态估计网络进行调整,并返回上述利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别的步骤,直到所述头部姿态估计网络收敛,得到训练完成的头部姿态估计网络。
为了解决上述问题,本发明还提供一种专注度分析装置,所述装置包括:
人脸检测模块,用于获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;
头部检测模块,用于使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图;
图像裁剪模块,用于根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图;
姿态分析模块,用于利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角;
得分计算模块,用于根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述中任意一项所述的专注度分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述中任意一项所述的专注度分析方法。
本发明实施例在对待检测图像进行人脸检测的基础上再进行头部检测,使用双重检测可以有效提高所述待检测图像中人员头部的识别率,且利用的人脸检测网络和头部检测模型采用了基于无锚点的人脸和头部检测方法,避免了繁琐的锚点的后处理时间,可以快速高效的实现检测任务;同时,利用头部姿态估计网络对头部区域图进行分析,通过直接利用头部区域来预测头部姿态角,避免了使用人脸关键点计算姿态角引入的误差,可以有效提高参会人员的专注度识别和评估的准确率。因此本发明提出的专注度分析方法、装置及计算机可读存储介质,可以提高专注度分析的准确性。
附图说明
图1为本发明一实施例提供的专注度分析方法的流程示意图;
图2为本发明一实施例提供的专注度分析装置的模块示意图;
图3为本发明一实施例提供的实现专注度分析方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种专注度分析方法。所述专注度分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述专注度分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的专注度分析方法的流程示意图。
在本实施例中,所述专注度分析方法包括:
S1、获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像。
本发明实施例中所述待检测图像是包含多个会议人员的在会议场景下的图片,可以从会议的监控视频中获取所述待检测图像。所述人脸检测网络是一种基于无锚点的轻量级的神经网络,用于人脸识别。
可选地,为了进一步保证所述待检测图像的安全性和私密性,所述待检测图像还可以从一区块链的节点中获取。
本发明实施例中所述人脸检测网络可以采用目前已公开的CenterFace(无锚人脸检测与对齐算法模型)。
详细地,所述利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像,包括:
利用人脸检测网络对所述待检测图像进行人脸检测,得到人脸热度图、人脸尺度图和人脸中心偏移量图;
根据所述人脸热度图、所述人脸尺度图和所述人脸中心偏移量图进行计算,得到多个人脸检测框;
将所述多个人脸检测框向四周进行外扩,并根据外扩后的人脸检测框对所述待检测图像中的人脸区域进行涂黑,得到初始检测图像。
其中,所述对所述待检测图像中的人脸区域进行涂黑是将人脸区域的像素值置0。
例如,将所述人脸热度图中大于预设阈值0.35的点认为是人脸,在人脸中心偏移量图上对应位置取出人脸坐标偏移量,与人脸热度图的坐标相加,得到多个中心位置,根据人脸尺度图,将多个中心位置经过指数换算,计算出人脸的宽高,得到对应的多个人脸检测框,再经过非极大值抑制(NMS)去除重复的人脸检测框,获取人脸检测框的左上和右下两个点的坐标,并按照检测框的宽度和高度的四分之一进行外扩,如[x1,y1,x2,y2]为一个人脸检测框的坐标,检测框的x1,x2按检测框宽w的四分之一进行外扩,即 检测框的y1,y2按检测框高h的四分之一进行外扩,即/>
S2、使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图。
本发明实施例中所述头部检测模型是一种基于神经网络的深度学习模型,可以用于目标分类和识别检测。
详细地,所述S2,包括:
利用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到头部热度图、头部尺度图和头部中心偏移量图;
获取所述头部热度图中热度值大于预设头部阈值的热度像素点以及对应的坐标;
在所述头部中心偏移量图上获取与所述热度像素点对应的头部坐标偏移量,并与所述热度像素点的坐标相加,得到中心点;
根据所述头部尺度图计算所述中心点对应的宽和高,并根据所述宽和高得到与所述中心点对应的头部框,采用非极大值抑制算法删除所述头部框中的重复框;
将所述头部框进行外扩,得到最终检测框,并根据所述最终检测框得到检测结果图。
其中,本发明实施例中所述头部阈值可以为0.3。所述将所述头部框进行外扩包括:获取所述头部框的四角坐标[x1,y1,x2,y2]、框宽w和框高h;将所述头部框的x1,x2按所述框宽w的四分之一进行外扩,即 将所述头部框的y1,y2按所述框高h的四分之一进行外扩,即/>
本发明实施例根据所述最终检测框对所述初始检测图像进行标注,得到检测结果图。所述结果检测图中包含人脸检测和头部检测的双重检测结果。
可选地,在使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测之前,还包括对所述头部检测模型进行训练,具体包括:
步骤a:获取训练图像集,并对所述训练图像集进行预处理,其中,所述预处理是指数据扩增,包括随机裁剪、随机颜色抖动、随机亮度抖动、随机饱和度抖动和随机对比度抖动;
步骤b:利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图;
步骤c:利用所述头部检测模型对预处理后的所述训练图像集进行分析计算,生成预测头部热度图、预测头部尺度图和预测头部中心偏移量图;
步骤d:根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,并将所述损失值合并,得到最终损失值;
步骤e:根据所述最终损失值进行反向传播,对所述头部检测模型的参数进行调整,
并返回步骤c,直到所述头部检测模型收敛,得到训练完成的头部检测模型。
本发明实施例中所述头部规则是生成头部热度图、头部尺度图和头部中心偏移量图的标准规则,生成的头部热度图、头部尺度图和头部中心偏移量图可以作为标准结果与所述头部检测模型的生成结果进行损失计算。
详细地,利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图,包括:
获取所述训练图像集中预先标注的头部框,并根据所述头部框确定头部中心点;
根据所述头部中心点,利用预设的热度函数计算所述训练图像集中每个像素点的热度值,并根据所述热度值生成头部热度图;
根据所述头部中心点,利用预设的尺度函数计算所述头部中心点对应的头部尺度,并根据所述头部尺度生成头部尺度图;
根据所述头部中心点,利用预设的偏移函数计算所述头部中心点的偏移量,并根据所述偏移量生成头部中心偏移量图。
本发明实施例中所述热度函数,包括:
其中,(x,y)是所述训练图像集中任一像素点的坐标,(cx,cy)是所述头部中心点的坐标,Gx,y是(x,y)对应像素点的热度值,σ是标准差,为常数。
本发明实施例中所述头部尺度是整个头部的大小,包括宽和高。进一步地,所述尺度函数,包括:
其中,w是头部尺度的宽,h是头部尺度的高,[x1,y1,x2,y2]为头部框的左上和右下两个点,R为输出步长,为预设阈值。
本发明实施例中所述偏移函数,包括:
其中,ok为偏移量,xk、yk分别为头部中心k的x、y坐标,n为输出步长,为预设阈值。
进一步地,所述根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,包括:
采用下述函数计算所述头部热度图的损失值:
其中,Lc是损失值,Yx,y是所述头部热度图中坐标为(x,y)的像素点的真实热度值,是所述预测头部热度图中坐标为(x,y)的像素点的热度值,α和β为超参数,分别取值为2和4。
采用下述损失函数计算所述头部尺度和所述中心偏移量的损失:
其中,Loff是所述中心偏移量的损失,是所述预测头部中心偏移量图中头部框k的中心偏移量,ok是所述头部中心偏移量图中头部框k的中心偏移量;Lw是所述头部尺度中宽的损失,/>是所述预测头部尺度图中头部框k的宽,wk是所述头部尺度图中头部框k的宽,Lh是所述头部尺度中高的损失,/>是所述预测头部尺度图中头部框k的高,hk是所述头部尺度图中头部框k的高,N是头部框的总量。
本发明实施例中使用下述公式将所述损失值合并,得到最终损失值:
L=Lc+λoffLoff+λwLw+λhLh
其中,L是最终损失值,λoff,2w,λh为常数系数,分别取值为1,0.5,0.5。
S3、根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图。
详细地,本发明实施例根据所述检测结果图中的人脸检测框和头部框对所述待检测图像进行裁剪,截取所述人脸检测框和所述头部框对应的内容图像,得到多个头部区域图。
S4、利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角。
本发明实施例中所述头部姿态估计网络是基于ResNet50的迁移学习网络结构,可以实现姿态角分类和姿态角回归。
详细地,所述S4,包括:
利用预先训练完成的头部姿态估计网络提取所述多个头部区域图像的头部姿态信息,得到多个头部姿态特征;
利用预设的激活函数对所述多个头部姿态特征进行分类识别得到角度类别和对应的概率值,并根据所述角度类别和对应的概率值进行期望计算得到对应的多个头部姿态角。
本发明实施例中所述激活函数为softmax函数。所述姿态角包括俯仰角(pitch)、航向角(yaw)和滚转角(roll)。
可选地,在利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角之前,还包括对所述头部姿态估计网络进行训练,具体包括:
获取头部训练集,并对所述头部训练集进行预处理,其中,所述预处理包括数据扩增和数据归一化处理,数据扩增包括随机裁剪和补边、随机颜色抖动;
利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别,得到姿态角度概率值;
根据所述姿态角度概率值计算交叉熵损失;
将所述姿态角度概率值转化为头部姿态角,并根据所述头部姿态角计算姿态角均方误差;
合并所述交叉熵损失和所述姿态角均方误差,得到最终损失值;
根据所述最终损失值,利用反向传播算法对所述头部姿态估计网络进行调整,并
返回上述利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别的步骤,直到所述头部姿态估计网络收敛,得到训练完成的头部姿态估计网络。
其中,所述合并所述交叉熵损失和所述姿态角均方误差,得到最终损失值,包括:
其中L是最终损失值,是交叉熵损失,/>是姿态角均方误差,α是常数系数,可以为1。
本发明实施例中所述头部姿态估计网络收敛是指所述最终损失值下降至最小。
S5、根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。
本发明实施例中所述根据预设的得分公式计算所述多个头部姿态角的专注度得分,包括:
使用下述得分公式计算每个头部姿态角的专注度得分:
其中,score是专注度得分,pitch是所述头部姿态角中的俯仰角。
本发明实施例可以对会议中参会人员的专注度进行分析,根据人脸和头部进行双重检测,可以在有大姿态角、遮挡等不利因素的情况下确保准确地计算出参会人员的专注度。
本发明实施例在对待检测图像进行人脸检测的基础上再进行头部检测,使用双重检测可以有效提高所述待检测图像中人员头部的识别率,且利用的人脸检测网络和头部检测模型采用了基于无锚点的人脸和头部检测方法,避免了繁琐的锚点的后处理时间,可以快速高效的实现检测任务;同时,利用头部姿态估计网络对头部区域图进行分析,通过直接利用头部区域来预测头部姿态角,避免了使用人脸关键点计算姿态角引入的误差,可以有效提高参会人员的专注度识别和评估的准确率。因此本发明提出的专注度分析方法、装置及计算机可读存储介质,可以提高专注度分析的准确性。
如图2所示,是本发明专注度分析装置的模块示意图。
本发明所述专注度分析装置100可以安装于电子设备中。根据实现的功能,所述专注度分析装置可以包括人脸检测模块101、头部检测模块102、图像裁剪模块103、姿态分析模块104和得分计算模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述人脸检测模块101,用于获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像。
本发明实施例中所述待检测图像是包含多个会议人员的在会议场景下的图片,可以从会议的监控视频中获取所述待检测图像。所述人脸检测网络是一种基于无锚点的轻量级的神经网络,用于人脸识别。
可选地,为了进一步保证所述待检测图像的安全性和私密性,所述待检测图像还可以从一区块链的节点中获取。
本发明实施例中所述人脸检测网络可以采用目前已公开的CenterFace(无锚人脸检测与对齐算法模型)。
详细地,所述所述人脸检测模块101具体用于:
利用人脸检测网络对所述待检测图像进行人脸检测,得到人脸热度图、人脸尺度图和人脸中心偏移量图;
根据所述人脸热度图、所述人脸尺度图和所述人脸中心偏移量图进行计算,得到多个人脸检测框;
将所述多个人脸检测框向四周进行外扩,并根据外扩后的人脸检测框对所述待检测图像中的人脸区域进行涂黑,得到初始检测图像。
其中,所述对所述待检测图像中的人脸区域进行涂黑是将人脸区域的像素值置0。
例如,将所述人脸热度图中大于预设阈值0.35的点认为是人脸,在人脸中心偏移量图上对应位置取出人脸坐标偏移量,与人脸热度图的坐标相加,得到多个中心位置,根据人脸尺度图,将多个中心位置经过指数换算,计算出人脸的宽高,得到对应的多个人脸检测框,再经过非极大值抑制(NMS)去除重复的人脸检测框,获取人脸检测框的左上和右下两个点的坐标,并按照检测框的宽度和高度的四分之一进行外扩,如[x1,y1,x2,y2]为一个人脸检测框的坐标,检测框的x1,x2按检测框宽w的四分之一进行外扩,即 检测框的y1,y2按检测框高h的四分之一进行外扩,即/>
所述头部检测模块102,用于使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图。
本发明实施例中所述头部检测模型是一种基于神经网络的深度学习模型,可以用于目标分类和识别检测。
详细地,所述头部检测模块102具体用于:
利用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到头部热度图、头部尺度图和头部中心偏移量图;
获取所述头部热度图中热度值大于预设头部阈值的热度像素点以及对应的坐标;
在所述头部中心偏移量图上获取与所述热度像素点对应的头部坐标偏移量,并与所述热度像素点的坐标相加,得到中心点;
根据所述头部尺度图计算所述中心点对应的宽和高,并根据所述宽和高得到与所述中心点对应的头部框,采用非极大值抑制算法删除所述头部框中的重复框;
将所述头部框进行外扩,得到最终检测框,并根据所述最终检测框得到检测结果图。
其中,本发明实施例中所述头部阈值可以为0.3。所述将所述头部框进行外扩包括:获取所述头部框的四角坐标[x1,y1,x2,y2]、框宽w和框高h;将所述头部框的x1,x2按所述框宽w的四分之一进行外扩,即 将所述头部框的y1,y2按所述框高h的四分之一进行外扩,即/>
本发明实施例根据所述最终检测框对所述初始检测图像进行标注,得到检测结果图。所述结果检测图中包含人脸检测和头部检测的双重检测结果。
可选地,在使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测之前,还包括对所述头部检测模型进行训练,具体步骤如下:
步骤a:获取训练图像集,并对所述训练图像集进行预处理,其中,所述预处理是指数据扩增,包括随机裁剪、随机颜色抖动、随机亮度抖动、随机饱和度抖动和随机对比度抖动;
步骤b:利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图;
步骤c:利用所述头部检测模型对预处理后的所述训练图像集进行分析计算,生成预测头部热度图、预测头部尺度图和预测头部中心偏移量图;
步骤d:根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,并将所述损失值合并,得到最终损失值;
步骤e:根据所述最终损失值进行反向传播,对所述头部检测模型的参数进行调整,
并返回步骤c,直到所述头部检测模型收敛,得到训练完成的头部检测模型。
本发明实施例中所述头部规则是生成头部热度图、头部尺度图和头部中心偏移量图的标准规则,生成的头部热度图、头部尺度图和头部中心偏移量图可以作为标准结果与所述头部检测模型的生成结果进行损失计算。
详细地,利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图,包括:
获取所述训练图像集中预先标注的头部框,并根据所述头部框确定头部中心点;
根据所述头部中心点,利用预设的热度函数计算所述训练图像集中每个像素点的热度值,并根据所述热度值生成头部热度图;
根据所述头部中心点,利用预设的尺度函数计算所述头部中心点对应的头部尺度,并根据所述头部尺度生成头部尺度图;
根据所述头部中心点,利用预设的偏移函数计算所述头部中心点的偏移量,并根据所述偏移量生成头部中心偏移量图。
本发明实施例中所述热度函数,包括:
其中,(x,y)是所述训练图像集中任一像素点的坐标,(cx,cy)是所述头部中心点的坐标,Gx,y是(x,y)对应像素点的热度值,σ是标准差,为常数。
本发明实施例中所述头部尺度是整个头部的大小,包括宽和高。进一步地,所述尺度函数,包括:
其中,w是头部尺度的宽,h是头部尺度的高,[x1,y1,x2,y2]为头部框的左上和右下两个点,R为输出步长,为预设阈值。
本发明实施例中所述偏移函数,包括:
其中,ok为偏移量,xk、yk分别为头部中心k的x、y坐标,n为输出步长,为预设阈值。
进一步地,所述根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,包括:
采用下述函数计算所述头部热度图的损失值:
其中,Lc是损失值,Yx,y是所述头部热度图中坐标为(x,y)的像素点的真实热度值,是所述预测头部热度图中坐标为(x,y)的像素点的热度值,α和β为超参数,分别取值为2和4。
采用下述损失函数计算所述头部尺度和所述中心偏移量的损失:
/>
其中,Loff是所述中心偏移量的损失,是所述预测头部中心偏移量图中头部框k的中心偏移量,ok是所述头部中心偏移量图中头部框k的中心偏移量;Lw是所述头部尺度中宽的损失,/>是所述预测头部尺度图中头部框k的宽,wk是所述头部尺度图中头部框k的宽,Lh是所述头部尺度中高的损失,/>是所述预测头部尺度图中头部框k的高,hk是所述头部尺度图中头部框k的高,N是头部框的总量。
本发明实施例中使用下述公式将所述损失值合并,得到最终损失值:
L=Lc+λoffLoff+λwLw+λhLh
其中,L是最终损失值,λoff,λw,λh为常数系数,分别取值为1,0.5,0.5。
所述图像裁剪模块103,用于根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图。
详细地,本发明实施例根据所述检测结果图中的人脸检测框和头部框对所述待检测图像进行裁剪,截取所述人脸检测框和所述头部框对应的内容图像,得到多个头部区域图。
所述姿态分析模块104,用于利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角。
本发明实施例中所述头部姿态估计网络是基于ResNet50的迁移学习网络结构,可以实现姿态角分类和姿态角回归。
详细地,所述姿态分析模块104具体用于:
利用预先训练完成的头部姿态估计网络提取所述多个头部区域图像的头部姿态信息,得到多个头部姿态特征;
利用预设的激活函数对所述多个头部姿态特征进行分类识别得到角度类别和对应的概率值,并根据所述角度类别和对应的概率值进行期望计算得到对应的多个头部姿态角。
本发明实施例中所述激活函数为softmax函数。所述姿态角包括俯仰角(pitch)、航向角(yaw)和滚转角(roll)。
可选地,在利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角之前,还包括对所述头部姿态估计网络进行训练,具体包括:
获取头部训练集,并对所述头部训练集进行预处理,其中,所述预处理包括数据扩增和数据归一化处理,数据扩增包括随机裁剪和补边、随机颜色抖动;
利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别,得到姿态角度概率值;
根据所述姿态角度概率值计算交叉熵损失;
将所述姿态角度概率值转化为头部姿态角,并根据所述头部姿态角计算姿态角均方误差;
合并所述交叉熵损失和所述姿态角均方误差,得到最终损失值;
根据所述最终损失值,利用反向传播算法对所述头部姿态估计网络进行调整,并
返回上述利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别的步骤,直到所述头部姿态估计网络收敛,得到训练完成的头部姿态估计网络。
其中,所述合并所述交叉熵损失和所述姿态角均方误差,得到最终损失值,包括:
其中L是最终损失值,是交叉熵损失,/>是姿态角均方误差,α是常数系数,可以为1。
本发明实施例中所述头部姿态估计网络收敛是指所述最终损失值下降至最小。
所述得分计算模块105,用于根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。
本发明实施例中所述得分计算模块105具体用于:
使用下述得分公式计算每个头部姿态角的专注度得分:
其中,score是专注度得分,pitch是所述头部姿态角中的俯仰角。
本发明实施例可以对会议中参会人员的专注度进行分析,根据人脸和头部进行双重检测,可以在有大姿态角、遮挡等不利因素的情况下确保准确地计算出参会人员的专注度。
如图3所示,是本发明实现专注度分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如专注度分析程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如专注度分析程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行专注度分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的专注度分析程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;
使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图;
根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图;
利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角;
根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;
使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到检测结果图;
根据所述检测结果图对所述待检测图像进行裁剪,得到多个头部区域图;
利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角;
根据预设的得分公式计算并输出所述多个头部姿态角的专注度得分。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种专注度分析方法,其特征在于,所述方法包括:
获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;
对头部检测模型进行训练,包括:获取训练图像集,并对所述训练图像集进行预处理;利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图;利用所述头部检测模型对预处理后的所述训练图像集进行分析计算,生成预测头部热度图、预测头部尺度图和预测头部中心偏移量图;根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,并将所述损失值合并,得到最终损失值;根据所述最终损失值进行反向传播,对所述头部检测模型的参数进行调整,直到所述头部检测模型收敛,得到训练完成的头部检测模型;
使用所述训练完成的头部检测模型对所述初始检测图像进行头部检测,得到包含人脸检测结果和头部检测结果的检测结果图;
根据所述检测结果图中的人脸检测框和头部框对所述待检测图像进行裁剪,截取所述人脸检测框和所述头部框对应的内容图像,得到多个头部区域图;
利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角,包括:利用预先训练完成的头部姿态估计网络提取所述多个头部区域图像的头部姿态信息,得到多个头部姿态特征;利用预设的激活函数对所述多个头部姿态特征进行分类识别得到角度类别和对应的概率值,并根据所述角度类别和对应的概率值进行期望计算得到对应的多个头部姿态角;使用下述得分公式计算每个头部姿态角的专注度得分:
其中,是专注度得分,/>是所述头部姿态角中的俯仰角。
2.如权利要求1所述的专注度分析方法,其特征在于,所述利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像,包括:
利用人脸检测网络对所述待检测图像进行人脸检测,得到人脸热度图、人脸尺度图和人脸中心偏移量图;
根据所述人脸热度图、所述人脸尺度图和所述人脸中心偏移量图计算得到多个人脸检测框;
将所述多个人脸检测框向四周进行外扩,并根据外扩后的人脸检测框对所述待检测图像中的人脸区域进行涂黑,得到初始检测图像。
3.如权利要求1所述的专注度分析方法,其特征在于,使用所述训练完成的头部检测模型对所述初始检测图像进行头部检测,包括:
利用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到头部热度图、头部尺度图和头部中心偏移量图;
获取所述头部热度图中热度值大于预设头部阈值的热度像素点以及对应的坐标;
在所述头部中心偏移量图上获取与所述热度像素点对应的头部坐标偏移量,并与所述热度像素点的坐标相加,得到中心点;
根据所述头部尺度图计算所述中心点对应的宽和高,并根据所述宽和高得到与所述中心点对应的头部框,采用非极大值抑制算法删除所述头部框中的重复框;
将所述头部框进行外扩,得到最终检测框,并根据所述最终检测框得到所述头部框。
4.如权利要求3所述的专注度分析方法,其特征在于,所述利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图,包括:
根据所述头部中心点,利用预设的热度函数计算所述训练图像集中每个像素点的热度值,并根据所述热度值生成的头部热度图;
根据所述头部中心点,利用预设的尺度函数计算所述头部中心点对应的头部尺度,并根据所述头部尺度生成头部尺度图;
根据所述头部中心点,利用预设的偏移函数计算所述头部中心点的偏移量,并根据所述偏移量生成头部中心偏移量图。
5.如权利要求1所述的专注度分析方法,其特征在于,所述利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角之前,该方法还包括:
获取头部训练集,并对所述头部训练集进行预处理;
利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别,得到姿态角度概率值;
根据所述姿态角度概率值计算交叉熵损失;
将所述姿态角度概率值转化为头部姿态角,并根据所述头部姿态角计算姿态角均方误差;
合并所述交叉熵损失和所述姿态角均方误差,得到最终损失值;
根据所述最终损失值,利用反向传播算法对所述头部姿态估计网络进行调整,并返回上述利用头部姿态估计网络对预处理过的所述头部训练集进行姿态识别的步骤,直到所述头部姿态估计网络收敛,得到训练完成的头部姿态估计网络。
6.一种专注度分析装置,其特征在于,所述装置包括:
人脸检测模块,用于获取待检测图像,利用人脸检测网络对所述待检测图像进行人脸检测,得到初始检测图像;
头部检测模型训练模块,用于获取训练图像集,并对所述训练图像集进行预处理;利用预设的头部规则对预处理后的所述训练图像集进行计算,生成头部热度图、头部尺度图和头部中心偏移量图;利用所述头部检测模型对预处理后的所述训练图像集进行分析计算,生成预测头部热度图、预测头部尺度图和预测头部中心偏移量图;根据所述头部热度图、所述头部尺度图和所述头部中心偏移量图,使用预设的损失函数分别计算所述预测头部热度图、所述预测头部尺度图和所述预测头部中心偏移量图的损失值,并将所述损失值合并,得到最终损失值;根据所述最终损失值进行反向传播,对所述头部检测模型的参数进行调整,直到所述头部检测模型收敛,得到训练完成的头部检测模型;
头部检测模块,用于使用预先训练完成的头部检测模型对所述初始检测图像进行头部检测,得到包含人脸检测结果和头部检测结果的检测结果图;
图像裁剪模块,用于根据所述检测结果图中的人脸检测框和头部框对所述待检测图像进行裁剪,截取所述人脸检测框和所述头部框对应的内容图像,得到多个头部区域图;
姿态分析模块,用于利用预先训练完成的头部姿态估计网络对所述多个头部区域图进行分析,得到多个头部姿态角,包括:利用预先训练完成的头部姿态估计网络提取所述多个头部区域图像的头部姿态信息,得到多个头部姿态特征;利用预设的激活函数对所述多个头部姿态特征进行分类识别得到角度类别和对应的概率值,并根据所述角度类别和对应的概率值进行期望计算得到对应的多个头部姿态角;使用下述得分公式计算每个头部姿态角的专注度得分:
其中,是专注度得分,/>是所述头部姿态角中的俯仰角。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一所述的专注度分析方法。
8.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的专注度分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473906.7A CN112541436B (zh) | 2020-12-15 | 2020-12-15 | 专注度分析方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473906.7A CN112541436B (zh) | 2020-12-15 | 2020-12-15 | 专注度分析方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541436A CN112541436A (zh) | 2021-03-23 |
CN112541436B true CN112541436B (zh) | 2024-05-07 |
Family
ID=75020137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473906.7A Active CN112541436B (zh) | 2020-12-15 | 2020-12-15 | 专注度分析方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541436B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034602B (zh) * | 2021-04-16 | 2023-04-07 | 电子科技大学中山学院 | 一种朝向角度分析方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160108A (zh) * | 2019-12-06 | 2020-05-15 | 华侨大学 | 一种无锚点的人脸检测方法及系统 |
WO2020186883A1 (zh) * | 2019-03-18 | 2020-09-24 | 北京市商汤科技开发有限公司 | 注视区域检测及神经网络训练的方法、装置和设备 |
CN111814733A (zh) * | 2020-07-23 | 2020-10-23 | 深圳壹账通智能科技有限公司 | 基于头部姿态的专注度检测方法及装置 |
-
2020
- 2020-12-15 CN CN202011473906.7A patent/CN112541436B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020186883A1 (zh) * | 2019-03-18 | 2020-09-24 | 北京市商汤科技开发有限公司 | 注视区域检测及神经网络训练的方法、装置和设备 |
CN111160108A (zh) * | 2019-12-06 | 2020-05-15 | 华侨大学 | 一种无锚点的人脸检测方法及系统 |
CN111814733A (zh) * | 2020-07-23 | 2020-10-23 | 深圳壹账通智能科技有限公司 | 基于头部姿态的专注度检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112541436A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
US20210158023A1 (en) | System and Method for Generating Image Landmarks | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112381782B (zh) | 人脸图像质量评估方法、装置、计算机设备及存储介质 | |
WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
WO2019109793A1 (zh) | 人头区域识别方法、装置及设备 | |
WO2022022154A1 (zh) | 脸部图像处理方法、装置、设备及存储介质 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN110807409A (zh) | 人群密度检测模型训练方法和人群密度检测方法 | |
CN113887408B (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
JP2022133378A (ja) | 顔生体検出方法、装置、電子機器、及び記憶媒体 | |
CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
US20220222967A1 (en) | Retrieval device, control method, and non-transitory storage medium | |
CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 | |
JP7136329B2 (ja) | 異常検知装置、制御方法、及びプログラム |
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 |