CN113554007A - 人脸框的计算方法及计算系统 - Google Patents

人脸框的计算方法及计算系统 Download PDF

Info

Publication number
CN113554007A
CN113554007A CN202111096004.0A CN202111096004A CN113554007A CN 113554007 A CN113554007 A CN 113554007A CN 202111096004 A CN202111096004 A CN 202111096004A CN 113554007 A CN113554007 A CN 113554007A
Authority
CN
China
Prior art keywords
face
frame
axis
coordinates
face 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.)
Granted
Application number
CN202111096004.0A
Other languages
English (en)
Other versions
CN113554007B (zh
Inventor
刘小东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Qigan Electronic Information Technology Co ltd
Original Assignee
Shanghai Qigan Electronic Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Qigan Electronic Information Technology Co ltd filed Critical Shanghai Qigan Electronic Information Technology Co ltd
Priority to CN202111096004.0A priority Critical patent/CN113554007B/zh
Publication of CN113554007A publication Critical patent/CN113554007A/zh
Application granted granted Critical
Publication of CN113554007B publication Critical patent/CN113554007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人脸框的计算方法，包括获取人脸特征图；获取所述人脸特征图内人脸的三个预定义关键点坐标，根据所述三个预定义关键点坐标得出所述人脸的中心坐标；根据所述中心坐标进行椭圆参数遍历过程、重复像素去除过程和排序过程，生成若干椭圆框以及人脸特征信息集合；对所述若干椭圆框进行筛选获得精准人脸特征框，通过获取人脸特征三个预定义关键点坐标构建的若干椭圆框并对所述若干椭圆框进行筛选获得精准人脸特征框来提升人脸框提取的精准度。本发明还提供了一种人脸框的计算系统。

Description

人脸框的计算方法及计算系统
技术领域
本发明涉及计算机领域，尤其涉及一种人脸框的计算方法及计算系统。
背景技术
人脸检测是人脸识别和人脸活体识别分析领域中的关键一步，它是自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口，人脸检测的精准度直接影响到后续的人脸相关操作。近几年，随着新一代人工智能的快速发展，在计算机视觉领域的深度学习技术广泛应用于物体检测、物体分类、物体跟踪、物体识别中。关于人脸的应用技术中，人脸检测、人脸识别、人脸活体识别已经应用到安防摄像头、自动驾驶、智能家居门锁、智能交通验证、智能考勤打开等领域。
新一代人工智能技术，常用的人脸检测方案中，MTCNN人脸检测技术通过图像金字塔，获取不同尺寸的人脸大小图像，采用深度多任务卷积神经网络，将人脸区域检测与人脸五个关键点检测有机结合，预检测出一定数量的人脸检测框，通NMS(非极大值抑制)算法提取最优的人脸框；68个人脸关键点人脸检测技术，通过细分人脸五官特征，用68个关键点将人脸区域检测出来；RetinaFace，它利用联合监督和自我监督的多任务深度学习技术，在各种人脸尺度上执行像素方面的人脸定位检测技术。这些技术为人脸检测、人脸识别、人脸跟踪提供了理论基础及研究方向。
然而，新一代现有的人工智能技术虽然在人脸检测方面取得了一些突破成绩，但如果需要精确的实现活体人脸检测框的提取，这就很难达到。因此，这就会导致即使检测到了人脸区域，在活体识别的过程中也会增加误识率、拒识率，使得系统的稳定性及准确率不高。当活体人脸框包含活体人脸特征信息较小的的时候会出现无法识别为真正的活体；当活体人脸框全部包含活体人脸的特征信息，同时又包含人脸区域之外的非人脸特征信息，例如，头发，脸部棱扩之外的干扰信息等，同样会导致人脸活体识别错误。因此活体人脸框的精准性将直接导致活体识别的成功与否，这就要求活体人脸识别对人脸区框的提取提出了更高的要求。此外，在人脸活体识别过程中，不仅外界环境的光照度、亮度、温差、色差、紫外线的辐射度、障碍物会影响IR Sensor Camera的人脸区域的成像，而且人脸检测的精准性直接导致活体识别的准确性。
因此，有必要提供一种人脸框的计算方法及系统以解决现有技术中存在的上述问题。
发明内容
本发明的目的在于提供一种人脸框的计算方法及计算系统，提高人脸框提取的准确性。
为实现上述目的，本发明所述人脸框的计算方法包括以下步骤：
S1：获取人脸特征图；
S2：获取所述人脸特征图内人脸的三个预定义关键点坐标，根据所述三个预定义关键点坐标得出所述人脸的中心坐标；
S3：根据所述中心坐标进行椭圆参数遍历过程、重复像素去除过程和排序过程，生成若干椭圆框以及人脸特征信息集合；
S4：对所述若干椭圆框进行筛选获得精准人脸特征框。
本发明的所述的人脸框的计算方法的有益效果在于：通过识别所述人脸特征图内人脸的三个预定义关键点坐标定位出人脸中心坐标所组成的三角形，以三角形的内心定位出椭圆的中心，以椭圆形中心构建所述若干椭圆框后根据所述人脸特征信息集合对所述若干椭圆框进行筛选获得所述精准人脸特征框，来提高人脸框提取的精准性。
进一步优选地，所述步骤S1中的人脸特征图具有人脸框，所述人脸框内限定的人脸特征图包含所述三个预定义关键点坐标。
进一步优选地，所述步骤S2中，根据所述三个预定义关键点坐标得出所述人脸的中心坐标的步骤包括：
根据所述三个预定义关键点坐标所组成的三角形的内心坐标作为所述中心坐标。
进一步优选地，所述三个预定义关键点坐标为左眼坐标、右眼坐标和鼻尖坐标。
进一步优选地，所述步骤S3中，根据所述中心坐标进行椭圆参数遍历过程的步骤包括：
S31：确定所述中心坐标为椭圆中心，横向轴为短半轴方向，纵向轴为长半轴方向；
S32：获取初始化长半轴值、初始化短半轴值以及增长因子；
S33：根据所述增长因子和所述初始化长半轴值进行长半轴遍历，得到长半轴长度集合；
S34：根据所述增长因子和所述初始化短半轴值进行短半轴遍历，得到短半轴长度集合。
S35：根据所述长半轴长度集合、所述短半轴长度集合，获取符合长度规则的椭圆形长短半轴长度集合后构建对应的所述若干椭圆框。
进一步优选地，所述短半轴遍历的短半轴值不小于1且小于所述人脸框宽度的一半，所述长半轴遍历的长半轴值不小于2且不大于所述人脸框高度的一半。
进一步优选地，所述长度规则为限定所述长半轴值大于所述短半轴值。
进一步优选地，所述重复像素去除过程包括获取所述若干椭圆框的所占像素集合并去除重复像素得到更新像素集合。
进一步优选地，所述排序过程包括根据所述更新像素集合的大小进行升序排序过程并得到排序像素集合。
进一步优选地，所述步骤S4中，对所述若干椭圆框进行筛选的步骤包括：
S41：获取所述若干椭圆框的所述排序像素集合的置信度分值，形成置信度分值集合；
S42：获取所述置信度分值集合中的置信度分值极大值，并通过索引查询所述置信度分值极大值在所述椭圆形长短半轴长度集合中对应的所述椭圆框作为精确人脸特征框。
本发明还提供了一种人脸框的计算系统，用于实现所述人脸框的计算方法。
所述人脸框的计算系统的有益效果在于：通过识别所述人脸特征图内人脸的三个预定义关键点坐标定位出人脸中心坐标所组成的三角形，以三角形的内心定位出椭圆的中心，以椭圆形中心构建所述若干椭圆框后根据所述人脸特征信息集合对所述若干椭圆框进行筛选获得所述精准人脸特征框，来提高人脸框提取的精准性。
附图说明
图1为本发明实施例的人脸框的计算方法的流程图；
图2为本发明实施例的根据人脸图像计算精准人脸特征框的示意图；
图3为本发明实施例的三角形内心M的计算过程示意图；
图4为本发明实施例的中心坐标进行椭圆参数遍历过程的流程图；
图5为本发明实施例的根据图3所示的三角形以及内心M确定椭圆框的过程示意图；
图6为在图5的椭圆框基础上遍历椭圆框的过程示意图；
图7为本发明实施例的对若干椭圆框进行筛选流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
针对现有技术存在的问题，本发明的实施例提供了一种人脸框的计算方法，图1为本发明实施例的人脸框的计算方法的流程图，参照图1，包括以下步骤：
S1：获取人脸特征图；
S2：获取所述人脸特征图内人脸的三个预定义关键点坐标，根据所述三个预定义关键点坐标得出所述人脸的中心坐标；
S3：根据所述中心坐标进行椭圆参数遍历过程、重复像素去除过程和排序过程，生成若干椭圆框以及人脸特征信息集合；
S4：对所述若干椭圆框进行筛选获得精准人脸特征框。
通过识别所述人脸特征图内人脸的三个预定义关键点坐标定位出人脸中心坐标，构建所述若干椭圆框后根据所述人脸特征信息集合对所述若干椭圆框进行筛选获得所述精准人脸特征框，来提高人脸检测及活体识别的精准性。
本发明的一些实施例中，图2为本发明实施例的根据人脸图像计算精准人脸特征框的示意图，参图2，所述步骤S1中的人脸特征图具有人脸框1，所述人脸框1内限定的人脸特征图包含三个预定义关键点坐标，所述三个预定义关键点坐标分别为左眼11的坐标、右眼12的坐标以及鼻尖13的坐标。
具体的，首先采集一张带人脸的图片，将该图片输入到深度学习人脸检测器，人脸检测器将输出检测到的所述人脸框1。
本发明的一些实施例中，所述步骤S2中，根据所述三个预定义关键点坐标得出所述人脸的中心坐标的步骤包括根据所述三个预定义关键点坐标所组成的三角形的内心坐标作为所述中心坐标。
本发明的一些实施例中，所述三个预定义关键点坐标为左眼坐标、右眼坐标和鼻尖坐标。
具体的，图3为三角形内心M的计算过程示意图，结合图2和图3所示，在所述人脸框1的基础上检测出人脸三关键点坐标，包括左眼11的坐标P1(x,y)，右眼12的坐标P2(x,y)，鼻尖13的坐标P3(x,y)，采用此三个关键点坐标进一步定位出人脸的中心位置。根据人脸三关键点左眼11、右眼12、鼻尖13相对应的坐标P1(x,y)，P2(x,y)，P3(x,y)三个点所组成的三角形，确定三角形的内心，定位三角形的内心点M（x,y)，所述内心M是三角形内角的平分线交点，可以保证M点到三边的距离相等，这就可以使的M点处于人脸五官位置图三庭五眼的中心，M的计算如公式所示：
三角形P1P2P3中，P1P2，P1P3，P2P3的距离分别为S12，S13，S23如公式(1)、(2)、(3)所示；
Figure 275448DEST_PATH_IMAGE001
M（x,y)为三角形的内心，则有：
Figure 254905DEST_PATH_IMAGE002
则M（x,y)到三个顶点的向量分别为：
Figure 769063DEST_PATH_IMAGE003
求解方程组(5)所得结果如公式(6)所示：
Figure 508480DEST_PATH_IMAGE004
即确定了内心M（x,y)的坐标。
本发明的一些实施例中，图4为本发明实施例的中心坐标进行椭圆参数遍历过程的流程图，参照图4，所述步骤S3中，根据所述中心坐标进行椭圆参数遍历过程的步骤包括：
S31：确定所述中心坐标为椭圆中心，横向轴为短半轴方向，纵向轴为长半轴方向；
S32：获取初始化长半轴值、初始化短半轴值以及增长因子；
S33：根据所述增长因子和所述初始化长半轴值进行长半轴遍历，得到长半轴长度集合；
S34：根据所述增长因子和所述初始化短半轴值进行短半轴遍历，得到短半轴长度集合。
S35：根据所述长半轴长度集合、所述短半轴长度集合，获取符合长度规则的椭圆框长短半轴长度集合后构建对应的所述若干椭圆框。
具体的，图5为根据图3所示的三角形以及内心M确定椭圆框的过程示意图，参图5，将计算出的三角心内心赋为椭圆形的中心，以横向轴为椭圆的短半轴方向，竖向轴为椭圆的长半轴方向，初始化长半轴及短半轴，设定长短半轴的增长因子为单位1，计算增长之后的长半轴及短半轴所对应的椭圆人脸区域框得到所述若干椭圆框。
本发明的一些实施例中，参图2，所述短半轴遍历的短半轴值不小于1且小于所述人脸框1宽度的一半，所述长半轴遍历的长半轴值不小于2且不大于所述人脸框1高度的一半。
本发明的一些实施例中，所述长度规则为限定所述长半轴值大于所述短半轴值。
本发明的一些实施例中，所述重复像素去除过程包括获取所述若干椭圆框的所占像素集合并去除重复像素得到更新像素集合。
本发明的一些实施例中，所述排序过程包括根据所述更新像素集合的大小进行升序排序过程并得到排序像素集合。
具体的，图6为在图5所示的椭圆框基础上遍历椭圆框的过程示意图，结合图2和图 6所示，令椭圆形短半轴长度为a，长半轴为b，且
Figure 791694DEST_PATH_IMAGE005
，且
Figure 394583DEST_PATH_IMAGE006
，且
Figure 130457DEST_PATH_IMAGE007
， 其中w为所述人脸框1的宽度，h为所述人脸框1的高度；定义椭圆框的集合为
Figure 968838DEST_PATH_IMAGE008
，其中i表示短半轴的长度，j为长半轴的长度；采用如下变遍历所得椭圆框 长短半轴长度集合为
Figure 965613DEST_PATH_IMAGE009
：
for j in range(2, h/2): # 遍历椭圆长半轴所在范围；
for i in range(1, w/2): # 遍历椭圆短半轴所在范围；
if i < j: # 限定长半轴大于端半轴；
Figure 772026DEST_PATH_IMAGE010
保存椭圆框所占像素集合并去除重复像素得到更新像素集合；
Figure 588672DEST_PATH_IMAGE011
将椭圆框的更新像素集合从小到大排序得到排序像素集合。
本发明的一些实施例中，图7为本发明实施例的对若干椭圆框进行筛选流程图，参照图7，所述步骤S4中，对所述若干椭圆框进行筛选的步骤包括：
S41：获取所述若干椭圆框的所述排序像素集合的置信度分值，形成置信度分值集合；
S42：获取所述置信度分值集合中的置信度分值极大值，并通过索引查询所述置信度分值极大值在所述椭圆形长短半轴长度集合中对应的所述椭圆框作为精确人脸特征框。
具体的，将升序排列得到的排序像素集合，依次输入到人脸活体检测器中，输出各个椭圆框对应的人脸活体检测的置信度分值，将所述置信度分值依次保存到置信度分值集合Score中。
参照图2，由于椭圆框在遍历的过程中，椭圆框所包含的人脸特征信息所占整个椭圆框信息的比例服从逐渐增多，再到逐渐减小的过程，因此在此过程中必然存在极值点。那么置信度分值集合Score中椭圆框所对应的分值集合为
Figure 794526DEST_PATH_IMAGE012
，其中N为置信度分值集合Score的总个数，Sc为 第c个椭圆框所对应的人脸活体置信度分值，则置信度分值最高的椭圆框作为精准人脸特 征框2，计算如公式(7)、(8)所示：
Figure 895075DEST_PATH_IMAGE013
其中
Figure 200285DEST_PATH_IMAGE014
表示置信度分值集合Score中人脸活体检测置信度分值最大的值，通过 索引查询在所述椭圆框长短半轴长度集合中对应的椭圆框作为所述精准人脸特征框2，即：
Figure 35386DEST_PATH_IMAGE015
，在人脸图像上输出所述精准人脸特征框2作为所述人脸框的计算结 果，需要说明的是，在一种具体的实施例中，所述人脸特征框2与人脸图像中人脸的轮廓重 叠。
本发明还提供了一种人脸框的计算系统，用于实现所述人脸框的计算方法。
虽然在上文中详细说明了本发明的实施方式，但是对于本领域的技术人员来说显而易见的是，能够对这些实施方式进行各种修改和变化。但是，应理解，这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且，在此说明的本发明可有其它的实施方式，并且可通过多种方式实施或实现。

Claims (11)

1.一种人脸框的计算方法，其特征在于，包括以下步骤：
S1：获取人脸特征图；
S2：获取所述人脸特征图内人脸的三个预定义关键点坐标，根据所述三个预定义关键点坐标得出所述人脸的中心坐标；
S3：根据所述中心坐标进行椭圆参数遍历过程、重复像素去除过程和排序过程，生成若干椭圆框以及人脸特征信息集合；
S4：对所述若干椭圆框进行筛选获得精准人脸特征框。
2.根据权利要求1所述的人脸框的计算方法，其特征在于，所述步骤S1中的人脸特征图具有人脸框，所述人脸框内限定的人脸特征图包含所述三个预定义关键点坐标。
3.根据权利要求2所述的人脸框的计算方法，其特征在于，所述步骤S2中，根据所述三个预定义关键点坐标得出所述人脸的中心坐标的步骤包括：
根据所述三个预定义关键点坐标所组成的三角形的内心坐标作为所述中心坐标。
4.根据权利要求3所述的人脸框的计算方法，其特征在于，所述三个预定义关键点坐标为左眼坐标、右眼坐标和鼻尖坐标。
5.根据权利要求4所述的人脸框的计算方法，其特征在于，所述步骤S3中，根据所述中心坐标进行椭圆参数遍历过程的步骤包括：
S31：确定所述中心坐标为椭圆中心，横向轴为短半轴方向，纵向轴为长半轴方向；
S32：获取初始化长半轴值、初始化短半轴值以及增长因子；
S33：根据所述增长因子和所述初始化长半轴值进行长半轴遍历，得到长半轴长度集合；
S34：根据所述增长因子和所述初始化短半轴值进行短半轴遍历，得到短半轴长度集合；
S35：根据所述长半轴长度集合、所述短半轴长度集合，获取符合长度规则的椭圆形长短半轴长度集合后构建对应的所述若干椭圆框。
6.根据权利要求5所述的人脸框的计算方法，其特征在于，所述短半轴遍历的短半轴值不小于1且小于所述人脸框宽度的一半，所述长半轴遍历的长半轴值不小于2且不大于所述人脸框高度的一半。
7.根据权利要求5所述的人脸框的计算方法，其特征在于，所述长度规则为限定所述长半轴值大于所述短半轴值。
8.根据权利要求5所述的人脸框的计算方法，其特征在于，所述重复像素去除过程包括获取所述若干椭圆框的所占像素集合并去除重复像素得到更新像素集合。
9.根据权利要求8所述的人脸框的计算方法，其特征在于，所述排序过程包括根据所述更新像素集合的大小进行升序排序过程并得到排序像素集合。
10.根据权利要求9所述的人脸框的计算方法，其特征在于，所述步骤S4中，对所述若干椭圆框进行筛选的步骤包括：
S41：获取所述若干椭圆框的所述排序像素集合的置信度分值，形成置信度分值集合；
S42：获取所述置信度分值集合中的置信度分值极大值，并通过索引查询所述置信度分值极大值在所述椭圆形长短半轴长度集合中对应的所述椭圆框作为精确人脸特征框。
11.一种人脸框的计算系统，其特征在于，用于实现如权利要求1-10中任一项所述的人脸框的计算方法。
CN202111096004.0A 2021-09-18 2021-09-18 人脸框的计算方法及计算系统 Active CN113554007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111096004.0A CN113554007B (zh) 2021-09-18 2021-09-18 人脸框的计算方法及计算系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111096004.0A CN113554007B (zh) 2021-09-18 2021-09-18 人脸框的计算方法及计算系统

Publications (2)

Publication Number Publication Date
CN113554007A true CN113554007A (zh) 2021-10-26
CN113554007B CN113554007B (zh) 2022-01-11

Family

ID=78134446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111096004.0A Active CN113554007B (zh) 2021-09-18 2021-09-18 人脸框的计算方法及计算系统

Country Status (1)

Country Link
CN (1) CN113554007B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986328A (zh) * 2010-12-06 2011-03-16 东南大学 一种基于局部描述符的三维人脸识别方法
CN103632136A (zh) * 2013-11-11 2014-03-12 北京天诚盛业科技有限公司 人眼定位方法和装置
CN104091162A (zh) * 2014-07-17 2014-10-08 东南大学 基于特征点的三维人脸识别方法
CN105260703A (zh) * 2015-09-15 2016-01-20 西安邦威电子科技有限公司 一种适用于多姿态下的驾驶人员抽烟行为检测方法
US20160217320A1 (en) * 2014-04-14 2016-07-28 International Business Machines Corporation Facial recognition with biometric pre-filters
CN109598196A (zh) * 2018-10-29 2019-04-09 华中科技大学 一种多形变多姿态人脸序列的特征点定位方法
CN110276290A (zh) * 2019-06-17 2019-09-24 深圳市繁维科技有限公司 基于tof模组的快速人脸脸模采集方法以及快速人脸脸模采集装置
CN112101275A (zh) * 2020-09-24 2020-12-18 广州云从洪荒智能科技有限公司 多目摄像头的人脸检测方法、装置、设备及介质
CN112183227A (zh) * 2020-09-08 2021-01-05 瑞芯微电子股份有限公司 一种智能泛人脸区域的编码方法和设备
CN112200174A (zh) * 2020-12-09 2021-01-08 上海齐感电子信息科技有限公司 人脸框检测方法及模块和活体人脸验证方法及系统
CN112580404A (zh) * 2019-09-30 2021-03-30 无锡祥生医疗科技股份有限公司 超声参数智能控制方法、存储介质及超声诊断设备
CN112712569A (zh) * 2020-12-25 2021-04-27 百果园技术(新加坡)有限公司 一种肤色检测方法、装置、移动终端和存储介质
CN112733650A (zh) * 2020-12-29 2021-04-30 深圳云天励飞技术股份有限公司 目标人脸检测方法、装置、终端设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986328A (zh) * 2010-12-06 2011-03-16 东南大学 一种基于局部描述符的三维人脸识别方法
CN103632136A (zh) * 2013-11-11 2014-03-12 北京天诚盛业科技有限公司 人眼定位方法和装置
US20160217320A1 (en) * 2014-04-14 2016-07-28 International Business Machines Corporation Facial recognition with biometric pre-filters
CN104091162A (zh) * 2014-07-17 2014-10-08 东南大学 基于特征点的三维人脸识别方法
CN105260703A (zh) * 2015-09-15 2016-01-20 西安邦威电子科技有限公司 一种适用于多姿态下的驾驶人员抽烟行为检测方法
CN109598196A (zh) * 2018-10-29 2019-04-09 华中科技大学 一种多形变多姿态人脸序列的特征点定位方法
CN110276290A (zh) * 2019-06-17 2019-09-24 深圳市繁维科技有限公司 基于tof模组的快速人脸脸模采集方法以及快速人脸脸模采集装置
CN112580404A (zh) * 2019-09-30 2021-03-30 无锡祥生医疗科技股份有限公司 超声参数智能控制方法、存储介质及超声诊断设备
CN112183227A (zh) * 2020-09-08 2021-01-05 瑞芯微电子股份有限公司 一种智能泛人脸区域的编码方法和设备
CN112101275A (zh) * 2020-09-24 2020-12-18 广州云从洪荒智能科技有限公司 多目摄像头的人脸检测方法、装置、设备及介质
CN112200174A (zh) * 2020-12-09 2021-01-08 上海齐感电子信息科技有限公司 人脸框检测方法及模块和活体人脸验证方法及系统
CN112712569A (zh) * 2020-12-25 2021-04-27 百果园技术(新加坡)有限公司 一种肤色检测方法、装置、移动终端和存储介质
CN112733650A (zh) * 2020-12-29 2021-04-30 深圳云天励飞技术股份有限公司 目标人脸检测方法、装置、终端设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范林龙等: "《关键人脸轮廓区域卡通风格生成算法》", 《图学学报》 *

Also Published As

Publication number Publication date
CN113554007B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN106815859B (zh) 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法
CN104463191A (zh) 一种基于注意机制的机器人视觉处理方法
WO2022121039A1 (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN112766160A (zh) 基于多级属性编码器和注意力机制的人脸替换方法
CN111310731A (zh) 基于人工智能的视频推荐方法、装置、设备及存储介质
CN111274916A (zh) 人脸识别方法和人脸识别装置
Ferone et al. Neural background subtraction for pan-tilt-zoom cameras
Rouhi et al. A review on feature extraction techniques in face recognition
US20230081982A1 (en) Image processing method and apparatus, computer device, storage medium, and computer program product
Yang et al. Face parts localization using structured-output regression forests
CN108537181A (zh) 一种基于大间距深度度量学习的步态识别方法
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN110956158A (zh) 一种基于教师学生学习框架的遮挡行人再标识方法
CN106557750A (zh) 一种基于肤色和深度二叉特征树的人脸检测方法
CN113963032A (zh) 一种融合目标重识别的孪生网络结构目标跟踪方法
CN107818299A (zh) 基于融合hog特征和深度信念网络的人脸识别算法
Efraty et al. Facial component-landmark detection
CN108898623A (zh) 目标跟踪方法及设备
CN113343927B (zh) 一种适用于面瘫患者的智能化人脸识别方法和系统
Ding et al. Machine learning model for feature recognition of sports competition based on improved TLD algorithm
CN113673505A (zh) 实例分割模型的训练方法、装置、系统及存储介质
CN113554007B (zh) 人脸框的计算方法及计算系统
CN112487926A (zh) 一种基于时空图卷积网络的景区投喂行为识别方法
CN110569711B (zh) 面向人体动作识别方法
CN115798008A (zh) 一种基于关键点矫正的快速人脸检测识别方法

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