CN112580475A - 一种人脸检测方法及系统 - Google Patents
一种人脸检测方法及系统 Download PDFInfo
- Publication number
- CN112580475A CN112580475A CN202011464255.5A CN202011464255A CN112580475A CN 112580475 A CN112580475 A CN 112580475A CN 202011464255 A CN202011464255 A CN 202011464255A CN 112580475 A CN112580475 A CN 112580475A
- Authority
- CN
- China
- Prior art keywords
- face
- detection
- segmentation
- image
- face detection
- 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
- 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
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)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸检测方法及系统。人脸检测方法包括:分割步骤:对检测图进行分割,获取所述检测图的分割图;检测步骤:对所述分割图中的人脸进行检测,获取所述分割图中的人脸框;映射步骤:将所述人脸框映射到所述检测图上;去重步骤:对所述检测图的所述人脸框进行去重处理。本发明提出一种人脸检测方法及系统,为了降低基于深度学习技术的人脸检测模型对GPU显存占用的需求,同时保证人脸检测任务的性能不受影响,本发明通过使用本专利提出的图像分割方法,将图片分割技术应用到深度学习人脸检测模型中,可以在降低人脸检测模型占用GPU显存的同时,保证模型的精度性能不会有下降。
Description
技术领域
本申请涉及人脸检测技术领域,尤其涉及一种人脸检测方法及系统。
背景技术
目前人脸检测任务中基本上使用的都是深度学习技术,与传统的 人脸检测技术相比深度学习人脸检测技术具有更强的鲁棒性。但深度 学习的模型比较费资源,一般都需要运行在GPU上,对普通用户来说 一块大容量显存的GPU是十分昂贵的。为了降低深度学习人脸检测对 GPU显存占用需求,最简单的方法是直接对待检测的图片进行尺度缩 放,将缩放后的图片输入到模型中进行人脸检测,如图1所示。上述方 法能够降低人脸检测模型对GPU显存的使用,但会影响人脸检测模型 的性能,直接缩小图片尺寸会影响检测图片中的小人脸。在基于深度 学习的人脸检测任务中,为了保证对小人脸的检测效果,输入模型的图片尺寸一般都比较大,比如1280x1280或640x640。但大尺度图片 往往会占用较大的GPU显存,对拥有小显存GPU用户来说不是很友 好。
因此,针对以上现状,本发明提出一种人脸检测方法及系统,为 了降低基于深度学习技术的人脸检测模型对GPU显存占用的需求, 同时保证人脸检测任务的性能不受影响,本发明通过使用本专利提出 的图像分割方法,将图片分割技术应用到深度学习人脸检测模型中, 可以在降低人脸检测模型占用GPU显存的同时,保证模型的精度性 能不会有下降。
发明内容
本申请实施例提供了一种人脸检测方法及系统,以至少解决相关 技术中主观因素影响的问题。
本发明提供了一种人脸检测方法,包括:
分割步骤:对检测图进行分割,获取所述检测图的分割图;
检测步骤:对所述分割图中的人脸进行检测,获取所述分割图中的人脸框;
映射步骤:将所述人脸框映射到所述检测图上;
去重步骤:对所述检测图的所述人脸框进行去重处理。
上述的一种人脸检测方法,所述分割步骤包括,在一设定方向上以 一设定步长对所述检测图进行分割,分割后获得多张所述分割图。
上述的人脸检测方法,所述检测步骤包括,使用人脸检测模型检测 每一所述分割图中的人脸,获取所述分割图中的多个所述人脸框。
上述的人脸检测方法,映射步骤包括,对所述人脸框进行坐标调整, 并将调整后的所述人脸框映射到所述检测图片上。
上述的人脸检测方法,所述去重步骤包括,采用非极大值抑制的方法对 多个所述人脸框进行去重处理。
本发明还提供一种人脸检测系统,其特征在于,适用于上述所述 的一种一种人脸检测方法,包括:
分割单元:对检测图进行分割,获取所述检测图的分割图;
检测单元:对所述分割图中的人脸进行检测,获取所述分割图中的人脸框;
映射单元:将所述人脸框映射到所述检测图上;
去重单元:对所述检测图的所述人脸框进行去重处理。
上述的人脸检测系统,所述分割单元包括,在一设定方向上以一设 定步长对所述检测图进行分割,分割后获得多张所述分割图。
上述的人脸检测系统,所述检测单元包括,使用人脸检测模型检测 每一所述分割图中的人脸,获取所述分割图中的多个所述人脸框。
上述的人脸检测系统,所述映射单元包括,对所述人脸框进行坐标 调整,并将调整后的所述人脸框映射到所述检测图片上。
上述的人脸检测系统,所述去重单元包括,采用非极大值抑制的方法 对多个所述人脸框进行去重处理。
相比于相关技术,本发明提出一种人脸检测方法及系统,为了降 低基于深度学习技术的人脸检测模型对GPU显存占用的需求,同时 保证人脸检测任务的性能不受影响,本发明通过使用本专利提出的图 像分割方法,将图片分割技术应用到深度学习人脸检测模型中,可以 在降低人脸检测模型占用GPU显存的同时,保证模型的精度性能不 会有下降。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以 使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请 的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构 成对本申请的不当限定。在附图中:
图1是根据本申请实施例的现有技术框架图;
图2是根据本申请实施例的分割步骤框架图;
图3是根据本申请实施例的一种人脸检测方法流程图;
图4为本发明的一种人脸检测系统的结构示意图;
图5是根据本申请实施例的电子设备的框架图。
其中,附图标记为:
分割单元:51;
检测单元:52;
映射单元:53;
去重单元:54;
81:处理器;
82:存储器;
83:通信接口;
80:总线。
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,对本申请进行描述和说明。应当理解,此处所描述的 具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请 提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下 所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施 例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下, 还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理 解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的, 然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在 本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变 更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、 结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各 个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施 例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式 地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它 实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本 申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请 所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示 数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例 如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设 备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤 或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它 步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似 的词语并非限定于物理的或者机械的连接,而是可以包括电气的连 接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或 两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种 关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B, 单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或” 的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅 是区别类似的对象,不代表针对对象的特定排序。
本发明基于图片分割,下面进行简要的介绍。
图像处理技术是用计算机对图像信息进行处理的技术。主要包 括图像数字化、图像增强和复原、图像数据编码、图像分割和图 像识别等。图像的处理技术包括点处理、组处理、几何处理和帧处理 四种方法。处理图像最基本的方法是点处理方法,由于该方法处理的对象是像素,故此得名。点处理方法简单而有效,主要用于图像的 亮度调整、图像对比度的调整,以及图像亮度的反置处理等。图像的 组处理方法处理的范围比点处理大,处理的对象是一组像素,因此又 叫“区处理或块处理”。组处理方法在图像上的应用主要表现在:检 测图像边缘并增强边缘、图像柔化和锐化、增加和减少图像随机噪声 等。图像的几何处理方法是指经过运算,改变图像的像素位置和排列 顺序,从而实现图像的放大与缩小、图像旋转、图像镜像、以及图像 平移等效果的处理过程。图像的帧处理方法是指将一幅以上的图像以 某种特定的形式合成在一起,形成新的图像。其中,特定的形式是指: 经过“逻辑与”运算进行图像的合成、按照“逻辑或”运算关系合成、 以“异或”逻辑运算关系进行合成、图像按照相加或者相减以及有条 件的复合算法进行合成、图像覆盖或取平均值进行合成。图像处理软 件通常具有图像的帧处理功能,并且以多种特定的形式合成图像。图 像是人类获取和交换信息的主要来源,因此,图像处理的应用领域必 然涉及人类生活和工作的方方面面。包括航天和航空技术、生物医 学工程、通信工程、工业和工程、军事和公安、文化与艺术等方面。 随着人类活动范围的不断扩大,图像处理的应用领域也将随之。图片 分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴 趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有 的图片分割方法主要分以下几类:基于阈值的分割方法、基于区域的 分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图片分割是将数字图像划分成互不相交的区域的过 程。图片分割的过程也是一个标记过程,即把属于同一区域的像素赋 予相同的编号。
随着计算机科学技术的不断发展,图像处理和分析逐渐形成了自 己的科学体系,新的处理方法层出不穷,尽管其发展历史不长,但却 引起各方面人士的广泛关注。首先,视觉是人类最重要的感知手段, 图像又是视觉的基础,因此,数字图像成为心理学、生理学、计算机 科学等诸多领域内的学者们研究视觉感知的有效工具。其次,图像处 理在军事、遥感、气象等大型应用中有不断增长的需求。1998年以来, 人工神经网络识别技术已经引起了广泛的关注,并且应用于图像分 割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得 到线性决策函数,然后用决策函数对像素进行分类来达到分割的目 的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易 引入空间信息,能较好地解决图像中的噪声和不均匀问题。选择何种 网络结构是这种方法要解决的主要问题。图像分割是图像识别和计算 机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是,进行分割仅有的依据是图像中像素的亮度及颜色,由计算机自 动处理分割时,将会遇到各种困难。例如,光照不均匀、噪声的影响、 图像中存在不清晰的部分,以及阴影等,常常发生分割错误。因此图 像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向 和人工智能的方法,用于纠正某些分割中的错误,是很有前途的方法, 但是这又增加了解决问题的复杂性。在通信领域中,图像分割技术对 可视电话等活动图像的传输很重要,需要把图像中活动部分与静止的 背景分开,还要把活动部分中位移量不同的区域分开,对不同运动量 的区域用不同的编码传输,以降低传输所需的码率。对图像分割算法 的研究已有几十年的历史,借助各种理论至今已提出了上千种各种类 型的分割算法。尽管人们在图像分割方面做了许多研究工作。但由于 尚无通用分割理论,因此现已提出的分割算法大都是针对具体问题 的,并没有一种适合于所有图像的通用的分割算法。但是可以看出, 图像分割方法正朝着更快速、更精确的方向发展,通过各种新理论和 新技术结合将不断取得突破和进展。
人脸检测是指对于任意一副给定的图像,采用一定的策略对其进 行搜索以确定其中是否含有人脸,如果是则返回一脸的位置、大小和 姿态。人脸检测能力现已广泛应用与互联网领域,为人类高科技生活 带来便利。人脸检测问题最初来源于人脸识别(FaceRecognition)。 人脸识别的研究可以追溯到上个世纪六、七十年代,经过几十年的曲折发展已日趋成熟。人脸检测是自动人脸识别系统中的一个关键环 节,是早期的人脸识别研究主要针对具有较强约束条件的人脸图象 (如无背景的图象),往往假设人脸位置一直或者容易获得,因此人 脸检测问题并未收到重视。随着电子商务等应用的发展,人脸识别成 为最有潜力的生物身份验证手段,这种应用背景要求自动人脸识别系 统能够对一般图象具有一定的识别能力,由此所面临的一系列问题使 得人脸检测开始作为一个独立的课题受到研究者的重视。今天,人脸 检测的应用背景已经远远超出了人脸识别系统的范畴,在基于内容的 检索、数字视频处理、视频检测等方面有着重要的应用价值。
目前,国外对人脸检测问题的研究很多,比较著名的有MIT,CMU 等;国内的清华大学、北京工业大学、中科院计算所和自动化所等都 有人员从事人脸检测相关的研究。而且,MPEG7标准组织已经简历了 人脸识别草案小组,人脸检测算法也是一项征集的内容。随着人脸检 测研究的深入,国际上发表的有关论文数量也大幅度增长,如IEEE 的FG、ICIP\CVPR等重要国际会议上每年都有大量关于人脸检测的论 文,占有关人脸研究论文的1/3之多。由此可以看到世界对人脸检测 技术的重视。每个人都有一张脸,而且是一个人最重要的外貌特征。 这种技术目前最热门的应用领域有三个方面:第一,身份认证与安全 防护。在这个世界上,只要有门的地方几乎都带有一把锁。当然,在 许多安全级别要求较高的区域,例如金融机构、机关办公大楼、运动 场馆、甚至重要设施的工地,都需要对大量的人员进行基于身份认证 的门禁管理。手机、笔记本电脑等个人电子用品,在开机和使用中经 常要用到身份验证功能。第二,媒体与娱乐。人们的许多娱乐活动都 是跟脸部有关的。最著名的娱乐节目之一就是川剧的变脸。在网络虚 拟世界里,通过人脸的变化,可以产生大量的娱乐节目和效果。手机、 数码相机等消费电子产品中,基于人脸的娱乐项目越来越丰富。QQ、 MSN等即时通信工具以及虚拟化身网络游戏也是人脸合成技术的广阔 市场。第三,图像搜索。目前,Google的图像搜索其实还是文字搜索。 基于人脸图像识别技术的搜索引擎将会具有广泛的应用前景。第四, 协助调查。可以通过人脸检测的设备来提取并记录罪犯的人脸,提供 给公安机关以帮助破案。人脸检测能力已逐渐应用于互联网领域,开 发者通过Face++(cn.faceplusplus.com)提供的平台接口,即可 检测给定图片中的所有人脸的位置和相应的面部属性(包括性别,年 龄和人种),满足开发应用需求。
本发明提出一种人脸检测方法及系统,为了降低基于深度学习技 术的人脸检测模型对GPU显存占用的需求,同时保证人脸检测任务 的性能不受影响,本发明通过使用本专利提出的图像分割方法,将图 片分割技术应用到深度学习人脸检测模型中,可以在降低人脸检测模 型占用GPU显存的同时,保证模型的精度性能不会有下降。
下面将人脸检测几首为例对本申请实施例进行说明。
实施例一
本实施例提供了一种人脸检测方法。请参照图1-图3,图1是根 据本申请实施例的现有技术框架图;图2是根据本申请实施例的分割 步骤框架图;图3是根据本申请实施例的一种人脸检测方法流程图, 如图所示,一种人脸检测方法,包括如下步骤:
分割步骤S1:对检测图进行分割,获取所述检测图的分割图;
检测步骤S2:对所述分割图中的人脸进行检测,获取所述分割图中的人脸 框;
映射步骤S3:将所述人脸框映射到所述检测图上;
去重步骤S4:对所述检测图的所述人脸框进行去重处理。
实施例中,所述分割步骤S1包括,在一设定方向上以一设定步长对 所述检测图进行分割,分割后获得多张所述分割图。
具体的说,分割步骤S1中,用户可以根据自身需求选择检测图片大 小,假设现在输入模型的待检测图大小为1280x1280,待检测进行分 割,如图2所示。对1280x1280的检测图,分别在水平方向和竖直方 向以步长320进行采样,采样后可以得到9张640x640大小的分割 图。
实施例中,所述检测步骤S2包括,使用人脸检测模型检测每一所 述分割图中的人脸,获取所述分割图中的多个所述人脸框。
具体的说,检测步骤S2中,使用人脸检测模型分别检测分割步骤S1中 得到的9张分割图中的人脸,每张图片可以获取到0~n个人脸框。
实施例中,所述映射步骤S3包括,对所述人脸框进行坐标调整, 并将调整后的所述人脸框映射到所述检测图片上。
具体的说,映射步骤S3中,对检测步骤S2所获得的脸框进行坐标调整,将 每个人脸框映射到原始图片1280x1280上。
实施例中,所述去重步骤S4包括,采用非极大值抑制的方法对多个所 述人脸框进行去重处理。
具体的说,去重步骤S4中,由于第一步中我们是以步长320进行 采样,这样采样到图片之间会有重叠部分,相应的检测到的人脸框也 会有重复。此时可以采用非极大值抑制的方法进行人脸框的去重。
由此,本发明提出一种人脸检测方法及系统,为了降低基于深度 学习技术的人脸检测模型对GPU显存占用的需求,同时保证人脸检 测任务的性能不受影响,本发明通过使用本专利提出的图像分割方 法,将图片分割技术应用到深度学习人脸检测模型中,可以在降低人 脸检测模型占用GPU显存的同时,保证模型的精度性能不会有下降。
实施例二
请参照图4,图4为本发明的一种人脸检测系统的结构示意图。 如图4所示,发明的一种人脸检测系统,适用于上述的人脸检测方法, 人脸检测系统包括:
分割单元61:对检测图进行分割,获取所述检测图的分割图;
检测单元62:对所述分割图中的人脸进行检测,获取所述分割图中的人脸 框;
映射单元63:将所述人脸框映射到所述检测图上;
去重单元64:对所述检测图的所述人脸框进行去重处理。
在本实施例中,所述分割单元61包括,在一设定方向上以一设定步 长对所述检测图进行分割,分割后获得多张所述分割图。
在本实施例中,所述检测单元62包括,使用人脸检测模型检测每 一所述分割图中的人脸,获取所述分割图中的多个所述人脸框。
在本实施例中,所述映射单元63包括,对所述人脸框进行坐标调 整,并将调整后的所述人脸框映射到所述检测图片上。
在本实施例中,所述去重单元64包括,采用非极大值抑制的方法对多 个所述人脸框进行去重处理。
实施例三
结合图5所示,本实施例揭示了一种电子设备的一种具体实施方式。电子 设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被 配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而 非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软 盘驱动器、固态驱动器(Solid State Drive,简称为SSD)、闪存、光盘、磁 光盘、磁带或通用串行总线(UniversalSerial Bus,简称为USB)驱动器或 者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或 不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的 内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。 在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM) 和随机存取存储器(Random Access Memory,简称为RAM)。在合适的情况下, 该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory, 简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory,简 称为FPROM)、电可擦除PROM(ElectricallyErasable Programmable Read-Only Memory,简称为EFPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。 在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-AccessMemory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory, 简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory,简称为FPMDRAM)、扩展数据输出动态 随机存取存储器(ExtendedDate Out Dynamic Random Access Memory,简称 为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文 件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上 述实施例中的任意一种人脸检测方法。
在其中一些实施例中,电子设备还可包括通信接口83和总线80。其中, 如图5所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互 间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间 的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集 设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。 总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus, 简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构 (Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand) 互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架 构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、 串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA) 总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的 组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描 述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
电子设备可连接人脸检测系统,从而实现结合图1-图3描述的方法。
以上所述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 (10)
1.一种人脸检测方法,其特征在于,所述人脸检测方法包括:
分割步骤:对检测图进行分割,获取所述检测图的分割图;
检测步骤:对所述分割图中的人脸进行检测,获取所述分割图中的人脸框;
映射步骤:将所述人脸框映射到所述检测图上;
去重步骤:对所述检测图的所述人脸框进行去重处理。
2.根据权利要求1所述的人脸检测方法,其特征在于,所述分割步骤包括,在一设定方向上以一设定步长对所述检测图进行分割,分割后获得多张所述分割图。
3.根据权利要求1所述的人脸检测方法,其特征在于,所述检测步骤包括,使用人脸检测模型检测每一所述分割图中的人脸,获取所述分割图中的多个所述人脸框。
4.根据权利要求1所述的人脸检测方法,其特征在于,所述映射步骤包括,对所述人脸框进行坐标调整,并将调整后的所述人脸框映射到所述检测图片上。
5.根据权利要求1所述的人脸检测方法,其特征在于,所述去重步骤包括,采用非极大值抑制的方法对多个所述人脸框进行去重处理。
6.一种人脸检测系统,其特征在于,适用于上述权利要求1-5所述的一种人脸检测方法,包括:
分割单元:对检测图进行分割,获取所述检测图的分割图;
检测单元:对所述分割图中的人脸进行检测,获取所述分割图中的人脸框;
映射单元:将所述人脸框映射到所述检测图上;
去重单元:对所述检测图的所述人脸框进行去重处理。
7.根据权利要求6所述的人脸检测系统,其特征在于,所述分割单元包括,在一设定方向上以一设定步长对所述检测图进行分割,分割后获得多张所述分割图。
8.根据权利要求7所述的人脸检测系统,其特征在于,所述检测单元包括,使用人脸检测模型检测每一所述分割图中的人脸,获取所述分割图中的多个所述人脸框。
9.根据权利要求8所述的人脸检测系统,其特征在于,所述映射单元包括,对所述人脸框进行坐标调整,并将调整后的所述人脸框映射到所述检测图片上。
10.根据权利要求9所述的异常事件发现系统,其特征在于,所述去重单元包括,采用非极大值抑制的方法对多个所述人脸框进行去重处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464255.5A CN112580475A (zh) | 2020-12-14 | 2020-12-14 | 一种人脸检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464255.5A CN112580475A (zh) | 2020-12-14 | 2020-12-14 | 一种人脸检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580475A true CN112580475A (zh) | 2021-03-30 |
Family
ID=75131799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011464255.5A Pending CN112580475A (zh) | 2020-12-14 | 2020-12-14 | 一种人脸检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580475A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989082A (zh) * | 2021-05-20 | 2021-06-18 | 南京甄视智能科技有限公司 | Cpu和gpu混合的自适应人脸搜索方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850818A (zh) * | 2014-02-17 | 2015-08-19 | 华为技术有限公司 | 人脸检测器训练方法、人脸检测方法及装置 |
CN107506707A (zh) * | 2016-11-30 | 2017-12-22 | 奥瞳系统科技有限公司 | 采用嵌入式系统中的小规模卷积神经网络模块的人脸检测 |
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN111199230A (zh) * | 2020-01-03 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 目标检测的方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-12-14 CN CN202011464255.5A patent/CN112580475A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850818A (zh) * | 2014-02-17 | 2015-08-19 | 华为技术有限公司 | 人脸检测器训练方法、人脸检测方法及装置 |
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN107506707A (zh) * | 2016-11-30 | 2017-12-22 | 奥瞳系统科技有限公司 | 采用嵌入式系统中的小规模卷积神经网络模块的人脸检测 |
CN111199230A (zh) * | 2020-01-03 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 目标检测的方法、装置、电子设备及计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989082A (zh) * | 2021-05-20 | 2021-06-18 | 南京甄视智能科技有限公司 | Cpu和gpu混合的自适应人脸搜索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080628B (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
Li et al. | Weighted low-rank decomposition for robust grayscale-thermal foreground detection | |
JP6774137B2 (ja) | Id写真の真正性を検証するためのシステムおよび方法 | |
CN108875540B (zh) | 图像处理方法、装置和系统及存储介质 | |
WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
US9196021B2 (en) | Video enhancement using related content | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
CN109377499B (zh) | 一种像素级物体分割方法及装置 | |
JP2014164656A (ja) | 画像処理方法およびプログラム | |
Hu | Illumination invariant face recognition based on dual‐tree complex wavelet transform | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN109903272A (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
Li et al. | Superpixel segmentation based on spatially constrained subspace clustering | |
Zhou et al. | Deep learning-based instance segmentation for indoor fire load recognition | |
Zhang et al. | Noise and edge based dual branch image manipulation detection | |
CN112580475A (zh) | 一种人脸检测方法及系统 | |
CN113688839A (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
Lu et al. | Context-constrained accurate contour extraction for occlusion edge detection | |
CN112348008A (zh) | 证件信息的识别方法、装置、终端设备及存储介质 | |
Sun et al. | High-Level Multi-difference Cues for Image Saliency Detection | |
Zhu et al. | An innovative saliency detection framework with an example of image montage | |
CN116052175A (zh) | 文字检测方法、电子设备、存储介质及计算机程序产品 | |
Zhu et al. | A random-valued impulse noise removal algorithm via just noticeable difference threshold detector and weighted variation method | |
CN111448586B (zh) | 表面颜色分割 | |
You et al. | Db-net: dual attention network with bilinear pooling for fire-smoke image classification |
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 |