CN113610115B - 一种基于灰度图像的高效人脸对齐方法 - Google Patents
一种基于灰度图像的高效人脸对齐方法 Download PDFInfo
- Publication number
- CN113610115B CN113610115B CN202110795562.XA CN202110795562A CN113610115B CN 113610115 B CN113610115 B CN 113610115B CN 202110795562 A CN202110795562 A CN 202110795562A CN 113610115 B CN113610115 B CN 113610115B
- Authority
- CN
- China
- Prior art keywords
- face
- thermodynamic diagram
- module
- characteristic point
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 210000004709 eyebrow Anatomy 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度图像的高效人脸对齐方法，包括获取包含人脸图片组成的图片集和当前需要对齐的人脸区域灰度图像，将包含人脸图片组成的图片集输入至深度神经网络学习框架，依据整张人脸的热力图和人脸边缘热力图、整张人脸的特征点热力图进行监督回归训练输出人脸对齐模型，将当前需要对齐的人脸区域灰度图像输入至人脸对齐模型计算出人脸各特征点的热力图，遍历当前人脸各特征点的热力图，并计算各特征点的坐标，根据各特征点的坐标以实现人脸对齐。本发明所述的基于灰度图像的高效人脸对齐方法通过局部到细节逐渐回归的策略，训练中除了特征点热力图监督，还有人脸边缘监督，能够提高模型的回归精度。
Description
技术领域
本发明涉及图像识别技术领域，具体为一种基于灰度图像的高效人脸对齐方法。
背景技术
人脸对齐又称人脸特征点检测，目标是预测人脸图像中一系列事先定义的点坐标，例如脸轮廓点、眉角、嘴角等；人脸对齐广泛应用于计算机视觉和机器视觉，其中包括人脸识别、表情识别，人脸矫正以及三维人脸建模等任务；随着深度学习技术的发展，主流人脸对齐的方法为热力图回归。
特征点热力图是一种表示特征点分布的概率图，热力图回归是通过生成和遍历特征点热力图预测特征点坐标，热力图能够更好的编码局部细节以及各部件的关联，同时有效地驱使模型集中于感兴趣的部分，所以热力图回归方法在人脸对齐任务取得更高的精度。但热力图回归模型结构较为复杂，其模型主骨架一般采用残差漏斗、HRNet或者UNet，对硬件的算力要求高。
随着疫情环境发展，戴口罩今后成为了主要一种场景。目前公开的数据库含有戴口罩样品含量较少，这会导致训练模型无法适用戴口罩情况。所以，戴口罩样品批量生成方法逐渐被关注。专利号为CN 112507963.A提出一种戴口罩样品生成方法，口罩图像通过旋转、缩放以及平移叠加在由人脸特征点确定的区域，这种方法操作简单，但生成戴口罩样品容易失真。专利号为CN 111914629.A中提出一种运用三维空间变换生成戴口罩样品方法，可以确保口罩图像的三维空间与人脸三维空间一致，生成样品具有真实性，但除了需要人脸图像、人脸特征点以及口罩图像，还需要标记口罩的特征点，制作流程较为复杂。
另外目前绝大多数人脸模型都是基于RGB图像，而灰度图像因失去色彩信息而导致基于RGB图像训练的人脸对齐模型精度下降；但在驾驶者状态检测系统或其他红外图像系统中使用灰度图像，能够减少环境光的影响，无论白天夜晚均可清晰成像，有利于活体检测以及普通墨镜因不过滤红外而清晰捕捉人眼图像，所以要求系统中人脸对齐模型输入为灰度图像。
发明内容
本发明的目的在于提供一种能够在保证高精度同时降低模型计算量以及数据传输量的基于灰度图像的高效人脸对齐方法。
本发明提供了一种基于灰度图像的高效人脸对齐方法，包括以下步骤：
S1:获取包含人脸图片组成的图片集和当前需要对齐的人脸区域灰度图像；
S2:将包含人脸图片组成的图片集输入至深度神经网络学习框架，依据整张人脸的热力图和人脸边缘热力图、整张人脸的特征点热力图进行监督回归训练输出人脸对齐模型；
S3:将当前需要对齐的人脸区域灰度图像输入至人脸对齐模型计算出人脸各特征点的热力图；
S4:遍历当前人脸各特征点的热力图，并计算各特征点的坐标，根据各特征点的坐标以实现人脸对齐。
本发明采用的基于灰度图像的高效人脸对齐方法，通过局部到细节逐渐回归的策略，训练中除了特征点热力图监督，还有人脸边缘监督；因为边缘可以消除个别特征点定义模糊的现象，例如轮廓特征点，所以边缘热力图可以加速模型训练收敛，进而提高了模型的回归精度。
在进一步的优选方案中还能获得更多的优点：例如：同时人脸对齐模型是采用三个 MobileNetV2漏斗模块堆叠而成，MobileNetV2模块采用了分离卷积操作，因此MobileNetV2漏斗模块计算量比传统的残差漏斗或是UNet要低得多；MobileNetV2漏斗模块之间传输数据块的通道数为24，而传统残差漏斗之间传输数据块一般为256，因而传输的数据量更小。
附图说明
图1为本发明实施例提供的基于灰度图像的高效人脸对齐方法的流程示意图；
图2为本发明实施例提供的人脸对齐模型结构示意图；
图3为本发明实施例提供的戴口罩样品合成流程示意图；
图4为本发明实施例提供的口罩图像水平变换示意图；
图5为本发明人脸对齐实例示意图；
图6为各种人脸对齐模型在WFLW数据库的测试精度示意图；
图7为人脸对齐模型Awing和Fan在各种平台运行时间对比示意图。
具体实施方式
图1为本发明实施例提供的一种基于灰度图像的高效人脸对齐方法的流程示意图，步骤S1包括获取包含人脸图片组成的图片集和当前需要对齐的人脸区域灰度图像；所述获取包含人脸图片组成的图片集还包括：将包含人脸图片组成图片集进行仿射变换翻转、旋转以及遮挡处理。获取当前需要对齐的人脸区域灰度图像之前还包括：通过摄像头获取灰度图像；灰度图像进行人脸检测，获取图像中人脸的区域；将图像中人脸的区域缩放为预设尺寸人脸区域灰度图像。
在步骤S2中将包含人脸图片组成的图片集输入至深度神经网络学习框架，依据整张人脸的热力图和人脸边缘热力图、整张人脸的特征点热力图进行监督回归训练输出人脸对齐模型。其中通过整张人脸的热力图和人脸边缘热力图、整张人脸的特征点热力图进行监督回归训练输出人脸对齐模型，人脸边缘热力图包括人脸边缘轮廓，鼻梁轮廓，眉毛轮廓，眼睛轮廓的热力图等。训练中评价函数式为 Loss＝a1*ls(bA，Hb)+a2*ls(bB，Hb)+a3*ls(blm，Hlm)，其中a1、a2、a3为预先确定的损失系数，ls为损失函数，bA、bB、blm分别为人脸对齐模型的被监督数据块。
在步骤S3中当前需要对齐的人脸区域灰度图像输入至人脸对齐模型计算出人脸各特征点的热力图。所述人脸对齐模型由卷积模块、MobileNetV2模块以及MobileNetV2漏斗模块组成。模型结构可分为三部分，第一人脸边缘热力图回归模块、第二人脸边缘热力图回归模块和人脸特征点热力图回归模块；第一人脸边缘热力图回归模块与第二人脸边缘热力图回归模块逐渐回归人脸边缘热力图以及整张人脸热力图，人脸特征点热力图回归模块在前两部分计算基础上回归人脸特征点热力图；。
如图2所示，将当前需要对齐的人脸区域灰度图像输入人脸对齐模型，输入图像尺寸为C×W×H，其中C为通道数，W为图像宽度，H为图像高度，经过一系列卷积模块和MobileNetV2模块得到通道数为C1的三维矩阵图像数据b1，其尺寸为C1×W/4×H/4。
通道数为C1的三维矩阵图像数据b1输入由MobileNetV2漏斗模块、卷积模块、MobileNetV2模块组成第一人脸边缘热力图回归模块A进行计算，其学习权值为WA，获取两个通道数为C1的三维矩阵数据b2，b3；b2，b3的图像尺寸与通道数为C1的三维矩阵数据b1的一致，计算公式为b2，b3＝A(b1；WA)，A为第一人脸边缘回归模块A。
将通道数为C1的三维矩阵数据b1和两个通道数为C1的三维矩阵数据b2，b3进行元素相加融合，然后输入由MobileNetV2漏斗模块、卷积模块、MobileNetV2模块组成第二人脸边缘热力图回归模块B进行计算，其学习权值为WB，获取两个通道数为C1的三维矩阵数据b4，b5；b4，b5的尺寸与通道数为C1的三维矩阵数据b1的一致，计算公式为 b4，b5＝B(b1+b2+b3；WB)，B为第二人脸边缘回归模块B。
将通道数为C1的三维矩阵数据b1和两个通道数为C1的三维矩阵数据b4，b5进行元素相加融合，然后输入由MobileNetV2漏斗模块、卷积模块、MobileNetV2模块组成人脸特征点回归模块C进行计算，其学习权值为WC，获取特征点个数与通道数相等的人脸各特征点的热力图，计算公式为blm＝C(b1+b4+b5；WC)，blm为人脸各特征点的热力图，该人脸各特征点的热力图尺寸为Clm×W/4×H/4，Clm为特征点个数等于通道数， C为第二人脸边缘热力图回归模块C。
在步骤S4中遍历当前人脸各特征点的热力图，并计算各特征点的坐标，根据各特征点的坐标以实现人脸对齐。每个特征点坐标的计算方式是依据其特征点热力图上的数值，进行排序；排序后，取前K个分数最大的坐标值以及分数，进行softmax操作，然后按照公式可以计算出各个特征点热力图的特征点坐标(x，y)，根据各特征点的坐标(x，y)以实现人脸对齐。
为了让人脸对齐模型适用于戴口罩情况，训练的图片集需要加入戴口罩人脸样品，戴口罩样品制作流程如图3所示。
首先输入人脸图像、特征点坐标以及一张正面口罩图像；然后根据特征点坐标计算人脸轮廓两侧到人脸中轴距离d1与d2；接着水平变换正面口罩图像，图像像素分布由原来等距分布{a2n}，变换成等比分布{á2n}，比例为k，间距为q1如图4所示。
其中，2n为图像宽度，则设等比分布前n像元素间距和为Sn，前2n像元素间距和为S2n，则满足由上述公式可得k和q1，则变换后再进行等距插值{c2n}的第J像素满足/>I＝四舍五入(i)。所以，水平变换后第J像素等于原来第I像素，对于二维图像也就是满足Image变换后(J，y)＝Image原(I，y)，将水平变换后的口罩图像经过缩放和旋转叠加在人脸下半部分图像上，最后对口罩边缘进行高斯滤波减弱边缘锯齿化现象，就可以生成一个戴口罩人脸样品。将生成的戴口罩人脸样品加进训练图片集，从而使得人脸对齐模型试适用戴口罩情况下，无需额外人工标志样品的时间成本。
图5为本发明人脸对齐实例，其中第1、2行为数据库WFLW测试集样例，第3、4 行为戴口罩样例；图6为各种人脸对齐模型在WFLW数据库的测试精度，其中NME为标准化平均误差，定义：其中P和/>分为真实特征点坐标值以及模型预测的特征点坐标值，M为每张人脸的特征点个数，d为两眼的外眼角的距离；Fan是表示本发明提出的人脸对齐模型；图7为人脸对齐模型 Awing和Fan在各种平台运行时间对比。
Claims (5)
1.一种基于灰度图像的高效人脸对齐方法，其特征在于，包括以下步骤：
S1、获取包含人脸图片组成的图片集和当前需要对齐的人脸区域灰度图像；
S2、将包含人脸图片组成的图片集输入至深度神经网络学习框架，依据整张人脸的热力图和人脸边缘热力图、整张人脸的特征点热力图进行监督回归训练输出人脸对齐模型；
S3、将当前需要对齐的人脸区域灰度图像输入至人脸对齐模型计算出人脸各特征点的热力图；
S4、遍历当前人脸各特征点的热力图，并计算各特征点的坐标，根据各特征点的坐标以实现人脸对齐;
所述人脸对齐模型由卷积模块、MobileNetV2模块以及MobileNetV2漏斗模块组成;
所述人脸对齐模型以粗略到精细的方式逐渐回归得到人脸特征点热力图；模型结构分为三部分，第一人脸边缘热力图回归模块、第二人脸边缘热力图回归模块和人脸特征点热力图回归模块；
第一人脸边缘热力图回归模块与第二人脸边缘热力图回归模块逐渐回归人脸边缘热力图以及整张人脸热力图，人脸特征点热力图回归模块在前两部分计算基础上回归人脸特征点热力图;
步骤S3包括以下步骤：
S3-1、将当前需要对齐的人脸区域灰度图像输入至卷积模块、MobileNetV2模块获取图像宽度和图像高度为原来1/4的三维矩阵数据；
S3-2、将三维矩阵数据输入由至MobileNetV2漏斗模块、卷积模块、MobileNetV2模块组成的第一人脸边缘热力图回归模块进行计算，获取两个的三维矩阵数据；
S3-3、将三维矩阵数据和两个的三维矩阵数据进行元素相加融合，然后输入由MobileNetV2漏斗模块、卷积模块、MobileNetV2模块组成的第二人脸边缘热力图回归模块进行计算，同样获取两个三维矩阵数据；
S3-4、再次将三维矩阵数据和三维矩阵数据进行元素相加融合，然后输入由MobileNetV2漏斗模块、卷积模块、MobileNetV2模块组成人脸特征点热力图回归模块进行计算，获取特征点个数与通道数相等的人脸各特征点的热力图。
2.根据权利要求1所述的基于灰度图像的高效人脸对齐方法，其特征在于，所述人脸边缘热力图包括：人脸边缘轮廓，鼻梁轮廓，眉毛轮廓，眼睛轮廓，嘴巴轮廓的热力图。
3.根据权利要求1所述的基于灰度图像的高效人脸对齐方法，其特征在于，在步骤S4中所述计算各特征点的坐标包括以下步骤：
S4-1、计算各个特征点坐标时，依据每个特征点热力图上的数值，进行排序;
S4-2、排序后，取前K个分数最大的坐标值以及分数，进行softmax操作，然后按照公式，可以计算出各个特征点热力图的特征点坐标(x,y)，根据各特征点的坐标(x,y)以实现人脸对齐。
4.根据权利要求1-3任一项所述的基于灰度图像的高效人脸对齐方法，其特征在于，所述获取包含人脸图片组成的图片集还包括：将包含人脸图片组成图片集进行仿射变换翻转、旋转以及遮挡处理。
5.根据权利要求1-3任一项所述的基于灰度图像的高效人脸对齐方法，其特征在于，获取当前需要对齐的人脸区域灰度图像之前还包括：通过摄像头获取灰度图像；
灰度图像进行人脸检测，获取图像中人脸的区域；
将图像中人脸的区域缩放为预设尺寸人脸区域灰度图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110795562.XA CN113610115B (zh) | 2021-07-14 | 2021-07-14 | 一种基于灰度图像的高效人脸对齐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110795562.XA CN113610115B (zh) | 2021-07-14 | 2021-07-14 | 一种基于灰度图像的高效人脸对齐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610115A CN113610115A (zh) | 2021-11-05 |
| CN113610115B true CN113610115B (zh) | 2024-04-12 |
Family
ID=78304606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110795562.XA Active CN113610115B (zh) | 2021-07-14 | 2021-07-14 | 一种基于灰度图像的高效人脸对齐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610115B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845327A (zh) * | 2015-12-07 | 2017-06-13 | 展讯通信(天津)有限公司 | 人脸对齐模型的训练方法、人脸对齐方法和装置 |
| CN107038429A (zh) * | 2017-05-03 | 2017-08-11 | 四川云图睿视科技有限公司 | 一种基于深度学习的多任务级联人脸对齐方法 |
| CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技（集团）有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
| CN109359575A (zh) * | 2018-09-30 | 2019-02-19 | 腾讯科技（深圳）有限公司 | 人脸检测方法、业务处理方法、装置、终端及介质 |
| CN109583322A (zh) * | 2018-11-09 | 2019-04-05 | 长沙小钴科技有限公司 | 一种人脸识别深度网络训练方法和系统 |
| CN110569724A (zh) * | 2019-08-05 | 2019-12-13 | 湖北工业大学 | 一种基于残差沙漏网络的人脸对齐方法 |
| CN110807448A (zh) * | 2020-01-07 | 2020-02-18 | 南京甄视智能科技有限公司 | 人脸关键点数据增强方法、装置、系统以及模型训练方法 |
| CN111626246A (zh) * | 2020-06-01 | 2020-09-04 | 浙江中正智能科技有限公司 | 口罩遮挡下的人脸对齐方法 |
| CN111860266A (zh) * | 2020-07-13 | 2020-10-30 | 南京理工大学 | 基于深度特征的伪装人脸识别方法 |
| CN111914629A (zh) * | 2020-06-19 | 2020-11-10 | 北京百度网讯科技有限公司 | 为人脸识别生成训练数据的方法、装置、设备和存储介质 |
| CN112507963A (zh) * | 2020-12-22 | 2021-03-16 | 华南理工大学 | 一种批量口罩人脸样本自动生成以及口罩人脸识别方法 |
-
2021
- 2021-07-14 CN CN202110795562.XA patent/CN113610115B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845327A (zh) * | 2015-12-07 | 2017-06-13 | 展讯通信(天津)有限公司 | 人脸对齐模型的训练方法、人脸对齐方法和装置 |
| CN107038429A (zh) * | 2017-05-03 | 2017-08-11 | 四川云图睿视科技有限公司 | 一种基于深度学习的多任务级联人脸对齐方法 |
| CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技（集团）有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
| CN109359575A (zh) * | 2018-09-30 | 2019-02-19 | 腾讯科技（深圳）有限公司 | 人脸检测方法、业务处理方法、装置、终端及介质 |
| CN109583322A (zh) * | 2018-11-09 | 2019-04-05 | 长沙小钴科技有限公司 | 一种人脸识别深度网络训练方法和系统 |
| CN110569724A (zh) * | 2019-08-05 | 2019-12-13 | 湖北工业大学 | 一种基于残差沙漏网络的人脸对齐方法 |
| CN110807448A (zh) * | 2020-01-07 | 2020-02-18 | 南京甄视智能科技有限公司 | 人脸关键点数据增强方法、装置、系统以及模型训练方法 |
| CN111626246A (zh) * | 2020-06-01 | 2020-09-04 | 浙江中正智能科技有限公司 | 口罩遮挡下的人脸对齐方法 |
| CN111914629A (zh) * | 2020-06-19 | 2020-11-10 | 北京百度网讯科技有限公司 | 为人脸识别生成训练数据的方法、装置、设备和存储介质 |
| CN111860266A (zh) * | 2020-07-13 | 2020-10-30 | 南京理工大学 | 基于深度特征的伪装人脸识别方法 |
| CN112507963A (zh) * | 2020-12-22 | 2021-03-16 | 华南理工大学 | 一种批量口罩人脸样本自动生成以及口罩人脸识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Facial Recognition System for People with and without Face Mask in Times of the COVID-19 Pandemic;Jonathan S. Talahua等;Sustainability;20210618(第13期);1-19 * |
| Structure-Coherent Deep Feature Learning for Robust Face Alignment;Chunze Lin;IEEE TRANSACTIONS ON IMAGE PROCESSING;20210526;第30卷;5313-5325 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610115A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766160B (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
| WO2022111236A1 (zh) | 一种结合注意力机制的面部表情识别方法及系统 | |
| JP6788264B2 (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
| CN109948475B (zh) | 一种基于骨架特征和深度学习的人体动作识别方法 | |
| CN109376720B (zh) | 基于关节点时空简单循环网络和注意力机制的动作分类方法 | |
| CN106067190B (zh) | 一种基于单幅图像的快速人脸三维模型生成和变换方法 | |
| CN111160164B (zh) | 基于人体骨架和图像融合的动作识别方法 | |
| CN107408211A (zh) | 用于物体的再识别的方法 | |
| CN113158862B (zh) | 一种基于多任务的轻量级实时人脸检测方法 | |
| CN107067429A (zh) | 基于深度学习的人脸三维重建和人脸替换的视频编辑系统及方法 | |
| CN110399809A (zh) | 多特征融合的人脸关键点检测方法及装置 | |
| CN106991408A (zh) | 一种候选框生成网络的生成方法及人脸检测方法 | |
| CN107239727A (zh) | 手势识别方法和系统 | |
| CN111062326B (zh) | 一种基于几何驱动的自监督人体3d姿态估计网络训练方法 | |
| CN112308918B (zh) | 一种基于位姿解耦估计的无监督单目视觉里程计方法 | |
| CN116012950B (zh) | 一种基于多重心时空注意图卷积网络的骨架动作识别方法 | |
| CN110135277B (zh) | 一种基于卷积神经网络的人体行为识别方法 | |
| CN111680550B (zh) | 情感信息识别方法、装置、存储介质及计算机设备 | |
| CN113610046B (zh) | 一种基于深度视频联动特征的行为识别方法 | |
| CN115661246A (zh) | 一种基于自监督学习的姿态估计方法 | |
| CN111368637B (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
| CN115147488B (zh) | 一种基于密集预测的工件位姿估计方法与抓取系统 | |
| CN114581486A (zh) | 基于全卷积孪生网络多层特征的模板更新目标跟踪算法 | |
| CN114170686A (zh) | 一种基于人体关键点的屈肘行为检测方法 | |
| CN108009512A (zh) | 一种基于卷积神经网络特征学习的人物再识别方法 |
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 |