CN116309350B - 人脸检测方法及系统 - Google Patents
人脸检测方法及系统 Download PDFInfo
- Publication number
- CN116309350B CN116309350B CN202310119214.XA CN202310119214A CN116309350B CN 116309350 B CN116309350 B CN 116309350B CN 202310119214 A CN202310119214 A CN 202310119214A CN 116309350 B CN116309350 B CN 116309350B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- face detection
- data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 428
- 230000008859 change Effects 0.000 claims abstract description 140
- 238000011176 pooling Methods 0.000 claims abstract description 113
- 238000004364 calculation method Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 238000009432 framing Methods 0.000 claims description 42
- 230000009467 reduction Effects 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000003993 interaction Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种人脸检测方法及系统。该方法包括以下步骤:获取检测图像信息,并生成检测图像色彩变化数据;根据检测图像色彩变化数据生成人脸检测偏移量;根据人脸检测偏移量进行卷积计算,生成人脸图像特征集;构建人脸检测池化层数据,并根据人脸检测池化层数据进行池化计算,生成人脸检测池化数据;对人脸检测池化数据进行音频转化,生成人脸图像音频信息,并通过预设的人脸图像音频识别模型进行识别,从而将相应的人脸检测池化数据丢弃;进行全连接计算,从而生成人脸检测识别数据,以供人脸检测结果可视化作业。本发明通过对检测图像色彩变化率预分析,从而调节并降低计算复杂度,以提高实用性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种人脸检测方法及系统。
背景技术
人脸检测是自动人脸识别系统中的一个关键环节。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像(如无背景的图像),往往假设人脸位置一直或容易获得,因此人脸检测问题并未受到重视。
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像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。在现实应用的过程中,由于计算复杂度高,往往对于硬件要求过高,从而降低实用性。
发明内容
本发明为解决上述技术问题,提出了一种人脸检测方法及系统,以解决至少一个上述技术问题。
一种人脸检测方法,包括以下步骤:
步骤S1:获取检测图像信息,并对检测图像信息进行检测图像色彩变化计算,以生成检测图像色彩变化数据;
步骤S2:根据检测图像色彩变化数据生成人脸检测偏移量;
步骤S3:根据人脸检测偏移量对检测图像信息进行卷积计算,生成人脸图像特征集;
步骤S4:根据检测图像色彩变化数据构建人脸检测池化层数据,并根据人脸检测池化层数据对人脸图像特征集进行池化计算,生成人脸检测池化数据;
步骤S5:对人脸检测池化数据进行音频转化,生成人脸图像音频信息,并通过预设的人脸图像音频识别模型对人脸图像音频信息进行识别,生成人脸图像识别音频指数信息并进行判断,生成人脸图像识别报告,将确定为不包含人脸图像信息的人脸检测池化数据丢弃;
步骤S6:将人脸检测池化数据进行全连接计算,生成人脸检测特征集,通过预设的人脸检测识别模型对人脸检测特征集进行检测识别,生成人脸检测识别数据,以供人脸检测结果可视化作业。
本实施例通过检测图像色彩变化数据进行分析,生成人脸检测偏移量,从而进行相应的卷积计算,实现对于图像预分析的基础上,确定检测图像出现人脸的可能性较高时,则以较小的偏移量进行计算,从而减少失误的可能性,出现人脸的可能性较小时,则以较大的偏移量进行计算,从而降低对硬件的要求,提高实用性,同时进行计算为了避免偏差,提供进一步可靠准确的数据支撑。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取检测图像信息;
步骤S12:构建第一图像切割方式对检测图像信息进行图像切割,生成第一检测图像区域集;
步骤S13:构建第二图像切割方式对检测图像信息进行图像切割,生成第二检测图像区域集,其中第一图像切割方式与第二图像切割方式进行切割生成的图像区域不相同;
步骤S14:将第一检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第一检测图像色彩变化数据,并将第二检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第二检测图像色彩变化数据;
步骤S15:将第一检测图像色彩变化数据以及第二检测图像色彩变化数据进行加权计算,生成检测图像色彩变化数据。
本实施例通过对检测图像信息进行不同方式进行分割,以实现对图像相同区域的不同层面的分析,从而降低由于人脸占图像不同比例以及单一图像比例分析方式带来的数据结果欠拟合,以提供准确可靠的检测图像色彩变化数据。
在本说明书的一个实施例中,其中检测图像色彩变化数据计算公式具体为:
为第/>检测图像色彩变化数据,/>为第/>检测图像区域集的第/>个检测图像区域的第/>个像素值,/>为第/>检测图像区域集的第/>个检测图像区域的第/>个像素值的权重信息,/>为调整项,/>为检测图像区域集的像素总数的调整初始值,/>为检测图像区域集的像素总数,/>为误差指数,/>为误差指数的调整权重指数,/>的取值为1或2,/>为第/>检测图像色彩变化数据的修正项。
本实施例提供一种检测图像色彩变化数据计算公式,该公式充分考虑了第检测图像区域集的第/>个检测图像区域的第/>个像素值/>、第/>检测图像区域集的第/>个检测图像区域的第/>个像素值的权重信息/>、调整项/>、检测图像区域集的像素总数的调整初始值、检测图像区域集的像素总数/>、误差指数/>、误差指数的调整权重指数/>并通过相互之间的作用关系,以形成函数关系:
其中通过误差指数以及误差指数的调整权重指数进行调整,从而保证降低由于图像像素自身的色彩饱和度或者超分辨率图像带来的极大误差,从而出现的误判行为,通过第检测图像色彩变化数据的修正项/>进行修正,提供准确可靠的数据支撑。
在本说明书的一个实施例中,步骤S2包括以下步骤:
步骤S21:判断检测图像色彩变化数据是否为高人脸检测图像色彩变化数据的取值范围内;
步骤S22:确定检测图像色彩变化数据为高人脸检测图像色彩变化数据的取值范围内时,生成第一人脸检测偏移量;
步骤S23:确定检测图像色彩变化数据不为高人脸检测图像色彩变化数据的取值范围内时,判断检测图像色彩变化数据是否为中人脸检测图像色彩变化数据的取值范围内;
步骤S24:确定检测图像色彩变化数据为中人脸检测图像色彩变化数据的取值范围内时,生成第二人脸检测偏移量;
步骤S25:确定检测图像色彩变化数据不为中人脸检测图像色彩变化数据的取值范围内时,生成第三人脸检测偏移量,其中人脸检测偏移量为第一人脸检测偏移量、第二人脸检测偏移量或第三人脸检测偏移量的其中一种,第一人脸检测偏移量小于第二人脸检测偏移量,第二人脸检测偏移量小于第三人脸检测偏移量。
本实施例通过对检测图像色彩变化数据是否在预设的不同人脸检测图像色彩变化数据的取值范围内,从而根据判断结果生成相应的人脸检测偏移量,以实现针对具备高人脸出现可能性的检测图像进行高计算量的分析作业,针对不具备高人脸出现可能性的检测图像则进行相对较低的计算量的分析作业,在保证进行分析计算的基础上,降低对硬件的要求,提高实用性。
在本说明书的一个实施例中,步骤S4包括以下步骤:
步骤S41:根据检测图像色彩变化数据构建第一人脸检测池化层数据,并根据第一人脸检测池化层数据对人脸图像特征集进行池化计算,生成第一人脸检测池化数据;
步骤S42:将第一人脸检测池化数据进行聚类分析,生成第一人脸检测池化特征数据;
步骤S43:将第一人脸检测池化特征数据与历史人脸检测池化特征数据进行数据分布比对计算,生成人脸检测池化指数;
步骤S44:判断人脸检测池化指数是否小于预设的合格人脸检测池化指数;
步骤S45:确定人脸检测池化指数小于预设的合格人脸检测池化指数时,将第一人脸检测池化数据确定为人脸检测池化数据;
步骤S46:确定人脸检测池化指数大于或等于预设的合格人脸检测池化指数,则构建第二人脸检测池化层数据,并根据第二人脸检测池化层数据对人脸图像特征集进行池化计算,生成第二人脸检测池化数据,并确定为人脸检测池化数据。
本实施例通过检测图像色彩变化数据构建第一人脸检测池化层数据,并根据第一人脸检测池化层数据对人脸图像特征集进行池化计算,生成第一人脸检测池化数据,从而对第一人脸检测池化数据进行聚类分析并根据历史数据进行比对,在误差允许范围内,判断是否具备人脸信息,确定不存在时,则进行第二池化计算,从而避免池化层计算造成的数据欠拟合。
在本说明书的一个实施例中,步骤S5包括以下步骤:
步骤S501:通过预设的音频转化方式将人脸检测池化数据转化为人脸图像音频信息;
步骤S502:将人脸图像音频信息进行分帧处理,获得图像音频分帧信息;
步骤S503:对图像音频分帧信息进行降噪处理,生成降噪图像音频信息;
步骤S504:对降噪图像音频信息进行特征提取,生成图像音频特征信息;
步骤S505:将图像音频特征信息通过预设的人脸图像音频识别模型进行识别,生成人脸图像识别音频指数信息;
步骤S506:根据人脸图像识别音频指数信息进行判断,生成人脸图像识别报告,将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
本实施例通过预设的图像音频转化方式将人脸检测池化数据转化为人脸图像音频信息,并对其进行分帧、降噪、特征提取以及通过预设的模型进行识别,从而生成人脸图像识别音频指数信息,并进行判断,将其确定不包含人脸图像信息的人脸检测池化数据进行丢弃作业,降低计算复杂度,减少对硬件的要求。
在本说明书的一个实施例中,步骤S503包括以下步骤:
根据图像音频分帧信息通过图像音频降噪计算公式进行降噪处理,生成降噪图像音频信息;
其中图像音频降噪计算公式具体为:
为降噪图像音频信息,/>为图像音频分帧信息的平均变化率的调整权重系数,/>为图像音频分帧信息的平均变化率,/>为第/>个图像音频分帧信息,/>为根据历史数据生成的去噪指数,/>为根据历史数据生成的去噪调整项,/>为第/>个图像音频分帧信息的周期调整初始值,/>为误差系数,/>为误差系数的调整项,/>为降噪音频信息的修正项。
本实施例通过图像音频降噪计算公式对图像音频分帧信息进行降噪计算,充分考虑了图像音频分帧信息的平均变化率,以及对图像音频分帧信息的降噪,实现对存在人脸图像信息的显著性表达,为下一步做好前提准备工作。
本实施例提供一种图像音频降噪计算公式,该公式充分考虑了图像音频分帧信息的平均变化率的调整权重系数、图像音频分帧信息的平均变化率/>、第/>个图像音频分帧信息/>、根据历史数据生成的去噪指数/>、根据历史数据生成的去噪调整项/>、第/>个图像音频分帧信息的周期调整初始值/>、误差系数/>、误差系数的调整项/>,以及相互之间的作用关系,从而形成函数关系/>,并通过降噪音频信息的修正项/>进行修正,从而提供可靠的数据支持。
在本说明书的一个实施例中,步骤S506包括以下步骤:
步骤S5061:判断人脸图像识别音频指数信息是否大于或等于第一人脸图像识别音频指数;
步骤S5062:确定人脸图像识别音频指数信息大于或等于第一人脸图像识别音频指数时,生成存在人脸图像识别报告;
步骤S5063:确定人脸图像识别音频指数信息小于第一人脸图像识别音频指数时,判断人脸图像识别音频指数信息是否大于或等于第二人脸图像识别音频指数;
步骤S5064:确定人脸图像识别音频指数信息大于或等于第二人脸图像识别音频指数时,生成潜在人脸图像识别报告;
步骤S5065:确定人脸图像识别音频指数信息小于第二人脸图像识别音频指数时,生成不存在人脸图像识别报告,从而将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
本实施例通过对人脸图像识别音频指数信息同预设的不同人脸图像识别音频指数进行比对,从而根据判断结果进行相应的操作,其中根据人脸图像识别音频指数信息确定不存在检测图像信息不存在人脸图像识别时,则将相应的人脸检测池化数据进行丢弃作业,从而减少计算量,降低计算复杂度。
在本说明书的一个实施例中,步骤S6包括以下步骤:
步骤S61:将人脸检测池化数据进行第一全连接计算,生成第一人脸检测特征集,并将第一人脸检测特征集通过预设的人脸检测识别模型进行检测识别,生成第一人脸检测识别数据;
步骤S62:判断第一人脸检测识别数据是否大于或等于预设的人脸检测识别数据;
步骤S63:确定第一人脸检测识别数据大于或等于预设的人脸检测识别数据,将第一人脸检测识别数据确定为人脸检测识别数据,以执行人脸检测结果可视化作业;
步骤S64:确定第一人脸检测识别数据小于预设的人脸检测识别数据时,将人脸检测池化数据进行第二全连接计算,生成第二人脸检测特征集,通过预设的人脸检测识别模型对第二人脸检测特征集进行检测识别,生成第二人脸检测识别数据,以执行人脸检测结果可视化作业。
本实施例通过对图像进行第一全连接计算,从而生成第一人脸检测特征集,并将第一人脸检测特征集通过预设的人脸检测识别模型进行检测识别,通过预设的人脸检测识别模型进行检测识别,从而生成第一人脸检测识别数据,对第一人脸检测识别数据进行二次判断,若确定不存在人脸检测识别数据,进行第二全连接计算,从而实现对检测数据的二次分析,降低由于全连接层的参数计算单一带来的误差,提高识别精准度。
一种人脸检测系统,所述系统包括:
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上任一一项所述的人脸检测方法。
本发明通过检测图像色彩变化数据进行分析,生成人脸检测偏移量,从而进行相应的卷积计算,实现对于图像预分析的基础上,确定检测图像出现人脸的可能性较高时,则以较小的偏移量进行计算,从而减少失误的可能性,出现人脸的可能性较小时,则以较大的偏移量进行计算,从而降低对硬件的要求,提高实用性,同时进行计算为了避免偏差,提供进一步可靠准确的数据支撑,在池化层计算过程中,将池化数据通过预设的图像音频转化方式,转化为图像音频信息,进行二次判断,从而将图像处理计算进行降维,从而N*N问题变成M*N问题,降低计算复杂度的同时利用语音识别技术对图像潜在的人脸信息进行深度检测,从而提供可靠的深度数据信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的人脸检测方法的步骤流程图;
图2示出了一实施例的检测图像色彩变化数据生成方法的步骤流程图;
图3示出了一实施例的人脸检测偏移量生成方法的步骤流程图;
图4示出了一实施例的人脸检测池化计算方法的步骤流程图;
图5示出了一实施例的人脸图像音频信息识别方法的步骤流程图;
图6示出了一实施例的人脸检测池化数据全连接计算方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,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,本领域所属的技术人员在没有做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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
一种人脸检测方法,包括以下步骤:
步骤S1:获取检测图像信息,并对检测图像信息进行检测图像色彩变化计算,以生成检测图像色彩变化数据;
具体地,例如通过摄像头获取检测图像信息,并根据检测图像信息的像素总和除以像素点数,生成检测图像色彩变化数据。
具体地,例如根据检测图像信息的相对差值除以像素点数,生成检测图像色彩变化数据。
步骤S2:根据检测图像色彩变化数据生成人脸检测偏移量;
具体地,例如根据检测图像色彩变化数据以及预设的检测图像色彩变化数值集,生成人脸检测偏移量,其中检测图像色彩变化数值集根据历史经验生成,确定为高概率人脸信息的人脸图像色彩变化数值范围内时,生成相对较小的检测图像色彩变化数据,确定为中或者低概率人脸信息的人脸图像色彩变化数据范围内时。
步骤S3:根据人脸检测偏移量对检测图像信息进行卷积计算,生成人脸图像特征集;
具体地,例如根据人脸检测偏移量对检测图像信息进行卷积计算,生成人脸图像特征集。
步骤S4:根据检测图像色彩变化数据构建人脸检测池化层数据,并根据人脸检测池化层数据对人脸图像特征集进行池化计算,生成人脸检测池化数据;
具体地,例如根据检测图像色彩变化数据构建人脸检测池化层数据,并根据人脸检测池化层数据对人脸图像特征集进行池化计算,生成人脸检测池化数据
步骤S5:对人脸检测池化数据进行音频转化,生成人脸图像音频信息,并通过预设的人脸图像音频识别模型对人脸图像音频信息进行识别,生成人脸图像识别音频指数信息并进行判断,生成人脸图像识别报告,将确定为不包含人脸图像信息的人脸检测池化数据丢弃;
具体地,例如对人脸检测池化数据进行音频转化,如将相应的像素点值转化为频率信息,且以0.5至1ms的形式进行展示,从而生成人脸图像信息音频,并通过预设的人脸图像音频识别模型对人脸图像音频信息进行识别,生成人脸图像识别音频指数信息并进行判断,生成人脸图像识别报告,并根据人脸图像识别报告中确定不包含人脸图像信息的人脸检测池化数据进行丢弃作业。
步骤S6:将人脸检测池化数据进行全连接计算,生成人脸检测特征集,通过预设的人脸检测识别模型对人脸检测特征集进行检测识别,生成人脸检测识别数据,以供人脸检测结果可视化作业。
具体地,例如将人脸检测池化数据进行全连接计算,生成人脸检测特征集,通过预设的人脸检测识别模型对人脸检测特征集进行检测识别,生成人脸检测识别数据,以供人脸检测结果可视化作业,其中预设的人脸检测识别模型通过机器学习算法生成,如线性模型、生成决策树算法、神经网络算法以及集成学习算法。
本实施例通过检测图像色彩变化数据进行分析,生成人脸检测偏移量,从而进行相应的卷积计算,实现对于图像预分析的基础上,确定检测图像出现人脸的可能性较高时,则以较小的偏移量进行计算,从而减少失误的可能性,出现人脸的可能性较小时,则以较大的偏移量进行计算,从而降低对硬件的要求,提高实用性,同时进行计算为了避免偏差,提供进一步可靠准确的数据支撑。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取检测图像信息;
具体地,例如通过摄像头实时获取检测图像信息。
具体地,例如通过图像获取界面获取检测图像信息。
步骤S12:构建第一图像切割方式对检测图像信息进行图像切割,生成第一检测图像区域集;
具体地,例如构建第一图像切割方式如九等分对检测图像信息进行图像切割,生成第一检测图像区域集,如3*3。
步骤S13:构建第二图像切割方式对检测图像信息进行图像切割,生成第二检测图像区域集,其中第一图像切割方式与第二图像切割方式进行切割生成的图像区域不相同;
具体地,例如构建第二图像切割方式如四等分对检测图像信息进行图像切割,生成第二检测图像区域集,如2*2。
步骤S14:将第一检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第一检测图像色彩变化数据,并将第二检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第二检测图像色彩变化数据;
具体地,例如将第一检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第一检测图像色彩变化数据,如65.2。
步骤S15:将第一检测图像色彩变化数据以及第二检测图像色彩变化数据进行加权计算,生成检测图像色彩变化数据,如58.12。
具体地,例如将第一检测图像色彩变化数据以及第二检测图像色彩变化数据进行加权计算如前者取0.6的权重系数,后者取0.4的权重系数,并进行加权求和计算,生成检测图像色彩变化数据,如62.39。
本实施例通过对检测图像信息进行不同方式进行分割,以实现对图像相同区域的不同层面的分析,从而降低由于人脸占图像不同比例以及单一图像比例分析方式带来的数据结果欠拟合,以提供准确可靠的检测图像色彩变化数据。
在本说明书的一个实施例中,其中检测图像色彩变化数据计算公式具体为:
为第/>检测图像色彩变化数据,/>为第/>检测图像区域集的第/>个检测图像区域的第/>个像素值,/>为第/>检测图像区域集的第/>个检测图像区域的第/>个像素值的权重信息,/>为调整项,/>为检测图像区域集的像素总数的调整初始值,/>为检测图像区域集的像素总数,/>为误差指数,/>为误差指数的调整权重指数,/>的取值为1或2,/>为第/>检测图像色彩变化数据的修正项。
本实施例提供一种检测图像色彩变化数据计算公式,该公式充分考虑了第检测图像区域集的第/>个检测图像区域的第/>个像素值/>、第/>检测图像区域集的第/>个检测图像区域的第/>个像素值的权重信息/>、调整项/>、检测图像区域集的像素总数的调整初始值、检测图像区域集的像素总数/>、误差指数/>、误差指数的调整权重指数/>并通过相互之间的作用关系,以形成函数关系:
其中通过误差指数以及误差指数的调整权重指数进行调整,从而保证降低由于图像像素自身的色彩饱和度或者超分辨率图像带来的极大误差,从而出现的误判行为,通过第检测图像色彩变化数据的修正项/>进行修正,提供准确可靠的数据支撑。
在本说明书的一个实施例中,步骤S2包括以下步骤:
步骤S21:判断检测图像色彩变化数据是否为高人脸检测图像色彩变化数据的取值范围内;
具体地,例如判断检测图像色彩变化数据如62.39,是否为高人脸检测图像色彩变化数据的取值范围内,如60-80。
步骤S22:确定检测图像色彩变化数据为高人脸检测图像色彩变化数据的取值范围内时,生成第一人脸检测偏移量;
具体地,例如确定检测图像色彩变化数据如62.39为高人脸检测图像色彩变化数据如60-80的取值范围内时,生成第一人脸检测偏移量,如1。
步骤S23:确定检测图像色彩变化数据不为高人脸检测图像色彩变化数据的取值范围内时,判断检测图像色彩变化数据是否为中人脸检测图像色彩变化数据的取值范围内;
具体地,例如确定检测图像色彩变化数据不为高人脸检测图像色彩变化数据的取值范围内时,判断检测图像色彩变化数据是否为中人脸检测图像色彩变化数据的取值范围内。
步骤S24:确定检测图像色彩变化数据为中人脸检测图像色彩变化数据的取值范围内时,生成第二人脸检测偏移量;
具体地,例如确定检测图像色彩变化数据为中人脸检测图像色彩变化数据的取值范围内如20-40或者80-100时,生成第二人脸检测偏移量,如2。
步骤S25:确定检测图像色彩变化数据不为中人脸检测图像色彩变化数据的取值范围内时,生成第三人脸检测偏移量,其中人脸检测偏移量为第一人脸检测偏移量、第二人脸检测偏移量或第三人脸检测偏移量的其中一种,第一人脸检测偏移量小于第二人脸检测偏移量,第二人脸检测偏移量小于第三人脸检测偏移量。
具体地,例如确定检测图像色彩变化数据不为中人脸检测图像色彩变化数据如不在20-40或者80-100的取值范围内时,生成第三人脸检测偏移量,如3。
本实施例通过对检测图像色彩变化数据是否在预设的不同人脸检测图像色彩变化数据的取值范围内,从而根据判断结果生成相应的人脸检测偏移量,以实现针对具备高人脸出现可能性的检测图像进行高计算量的分析作业,针对不具备高人脸出现可能性的检测图像则进行相对较低的计算量的分析作业,在保证进行分析计算的基础上,降低对硬件的要求,提高实用性。
在本说明书的一个实施例中,步骤S4包括以下步骤:
步骤S41:根据检测图像色彩变化数据构建第一人脸检测池化层数据,并根据第一人脸检测池化层数据对人脸图像特征集进行池化计算,生成第一人脸检测池化数据;
具体地,例如如在60-80范围内,构建池化层数据如(1,1,0,1,0,0,0,0,0),在40-60以及80-100的范围内,构建池化层数据如(1,1,1/3,1,1/3,0,1/3,0,0),都不满足时,构建池化层数据如(0,0,0,0,1,0,0,0,0)。
步骤S42:将第一人脸检测池化数据进行聚类分析,生成第一人脸检测池化特征数据;
具体地,例如聚类分析算法包括K-MEANS聚类分析算法、高斯分布聚类分析算法以及层次聚类分析算法。
步骤S43:将第一人脸检测池化特征数据与历史人脸检测池化特征数据进行数据分布比对计算,生成人脸检测池化指数;
具体地,例如获取相同场景的历史场景图像信息,且分为包括人脸信息以及不包含人脸信息,进行分布计算并进行比对,在误差允许范围内,生成人脸检测池化指数。
步骤S44:判断人脸检测池化指数是否小于预设的合格人脸检测池化指数;
具体地,例如判断人脸检测池化指数,如6.3是否小于预设的合格人脸检测池化指数,如15.6。
步骤S45:确定人脸检测池化指数小于预设的合格人脸检测池化指数时,将第一人脸检测池化数据确定为人脸检测池化数据;
具体地,例如确定人脸检测池化指数,如6.6小于预设的合格人脸检测池化指数,如15.6时,将第一人脸检测池化数据确定为人脸检测池化数据。
步骤S46:确定人脸检测池化指数大于或等于预设的合格人脸检测池化指数,则构建第二人脸检测池化层数据,并根据第二人脸检测池化层数据对人脸图像特征集进行池化计算,生成第二人脸检测池化数据,并确定为人脸检测池化数据。
具体地,例如确定人脸检测池化指数,如16.6大于或等于预设的合格人脸检测池化指数,如15.6,则构建第二人脸检测池化层数据,如(0,0,0,0,1,0,0,0,0)或,并根据第二人脸检测池化层数据对人脸图像特征集进行池化计算,生成第二人脸检测池化数据,并确定为人脸检测池化数据。
本实施例通过检测图像色彩变化数据构建第一人脸检测池化层数据,并根据第一人脸检测池化层数据对人脸图像特征集进行池化计算,生成第一人脸检测池化数据,从而对第一人脸检测池化数据进行聚类分析并根据历史数据进行比对,在误差允许范围内,判断是否具备人脸信息,确定不存在时,则进行第二池化计算,从而避免池化层计算造成的数据欠拟合。
在本说明书的一个实施例中,步骤S5包括以下步骤:
步骤S501:通过预设的音频转化方式将人脸检测池化数据转化为人脸图像音频信息;
具体地,例如通过预设的音频转化方式将人脸检测池化数据转化为人脸图像音频信息,如像素点数值转化为相应的音频频率信息。
步骤S502:将人脸图像音频信息进行分帧处理,获得图像音频分帧信息;
具体地,例如将人脸图像音频信息进行分帧处理,如20ms-30ms一帧,获得图像音频分帧信息。
步骤S503:对图像音频分帧信息进行降噪处理,生成降噪图像音频信息;
具体地,例如对图像音频分帧信息通过其余实施例提供的进行降噪处理,生成降噪图像音频信息。
步骤S504:对降噪图像音频信息进行特征提取,生成图像音频特征信息;
具体地,例如对降噪图像音频信息进行特征提取如MFCC算法,生成图像音频特征信息。
步骤S505:将图像音频特征信息通过预设的人脸图像音频识别模型进行识别,生成人脸图像识别音频指数信息;
具体地,例如其中人脸图像音频识别模型通过深度学习算法生成,如HMM-MFCC算法生成。
步骤S506:根据人脸图像识别音频指数信息进行判断,生成人脸图像识别报告,将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
具体地,例如根据人脸图像识别音频指数信息进行判断,生成人脸图像识别报告,从而根据人脸图像识别报告中将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
本实施例通过预设的图像音频转化方式将人脸检测池化数据转化为人脸图像音频信息,并对其进行分帧、降噪、特征提取以及通过预设的模型进行识别,从而生成人脸图像识别音频指数信息,并进行判断,将其确定不包含人脸图像信息的人脸检测池化数据进行丢弃作业,降低计算复杂度,减少对硬件的要求。
在本说明书的一个实施例中,步骤S503包括以下步骤:
根据图像音频分帧信息通过图像音频降噪计算公式进行降噪处理,生成降噪图像音频信息;
具体地,例如根据图像音频分帧信息通过本实施例提供的图像音频降噪计算公式进行降噪处理,生成降噪图像音频信息。
其中图像音频降噪计算公式具体为:
为降噪图像音频信息,/>为图像音频分帧信息的平均变化率的调整权重系数,/>为图像音频分帧信息的平均变化率,/>为第/>个图像音频分帧信息,/>为根据历史数据生成的去噪指数,/>为根据历史数据生成的去噪调整项,/>为第/>个图像音频分帧信息的周期调整初始值,/>为误差系数,/>为误差系数的调整项,/>为降噪音频信息的修正项。
本实施例通过图像音频降噪计算公式对图像音频分帧信息进行降噪计算,充分考虑了图像音频分帧信息的平均变化率,以及对图像音频分帧信息的降噪,实现对存在人脸图像信息的显著性表达,为下一步做好前提准备工作。
本实施例提供一种图像音频降噪计算公式,该公式充分考虑了图像音频分帧信息的平均变化率的调整权重系数、图像音频分帧信息的平均变化率/>、第/>个图像音频分帧信息/>、根据历史数据生成的去噪指数/>、根据历史数据生成的去噪调整项/>、第/>个图像音频分帧信息的周期调整初始值/>、误差系数/>、误差系数的调整项/>,以及相互之间的作用关系,从而形成函数关系/>,并通过降噪音频信息的修正项/>进行修正,从而提供可靠的数据支持。
在本说明书的一个实施例中,步骤S506包括以下步骤:
步骤S5061:判断人脸图像识别音频指数信息是否大于或等于第一人脸图像识别音频指数;
具体地,例如判断人脸图像识别音频指数信息如95.3是否大于或等于第一人脸图像识别音频指数,如58。
步骤S5062:确定人脸图像识别音频指数信息大于或等于第一人脸图像识别音频指数时,生成存在人脸图像识别报告;
具体地,例如确定人脸图像识别音频指数信息,如95.3大于或等于第一人脸图像识别音频指数,如58时,生成存在人脸图像识别报告。
步骤S5063:确定人脸图像识别音频指数信息小于第一人脸图像识别音频指数时,判断人脸图像识别音频指数信息是否大于或等于第二人脸图像识别音频指数;
具体地,例如确定人脸图像识别音频指数信息,如53.3小于第一人脸图像识别音频指数,如58时,判断人脸图像识别音频指数信息,如53.3是否大于或等于第二人脸图像识别音频指数,如38。
步骤S5064:确定人脸图像识别音频指数信息大于或等于第二人脸图像识别音频指数时,生成潜在人脸图像识别报告;
具体地,例如确定人脸图像识别音频指数信息,如53.3大于或等于第二人脸图像识别音频指数,如38时,生成潜在人脸图像识别报告。
步骤S5065:确定人脸图像识别音频指数信息,如20.1小于第二人脸图像识别音频指数,如38时,生成不存在人脸图像识别报告,从而将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
具体地,例如确定人脸图像识别音频指数信息小于第二人脸图像识别音频指数时,生成不存在人脸图像识别报告,从而将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
本实施例通过对人脸图像识别音频指数信息同预设的不同人脸图像识别音频指数进行比对,从而根据判断结果进行相应的操作,其中根据人脸图像识别音频指数信息确定不存在检测图像信息不存在人脸图像识别时,则将相应的人脸检测池化数据进行丢弃作业,从而减少计算量,降低计算复杂度。
在本说明书的一个实施例中,步骤S6包括以下步骤:
步骤S61:将人脸检测池化数据进行第一全连接计算,生成第一人脸检测特征集,并将第一人脸检测特征集通过预设的人脸检测识别模型进行检测识别,生成第一人脸检测识别数据;
具体地,例如将人脸检测池化数据进行第一全连接计算,如根据预设的全连接参数,生成第一人脸检测特征集,如(0.3,0.6,57,2.36,8.3),并将第一人脸检测特征集通过预设的人脸检测识别模型进行检测识别,生成第一人脸检测识别数据,如85.36。
步骤S62:判断第一人脸检测识别数据是否大于或等于预设的人脸检测识别数据;
具体地,例如判断第一人脸检测识别数据,如85.36是否大于或等于预设的人脸检测识别数据,如60。
步骤S63:确定第一人脸检测识别数据大于或等于预设的人脸检测识别数据,将第一人脸检测识别数据确定为人脸检测识别数据,以执行人脸检测结果可视化作业;
具体地,例如确定第一人脸检测识别数据,如85.36大于或等于预设的人脸检测识别数据,如60,将第一人脸检测识别数据确定为人脸检测识别数据,以执行人脸检测结果可视化作业。
步骤S64:确定第一人脸检测识别数据小于预设的人脸检测识别数据时,将人脸检测池化数据进行第二全连接计算,生成第二人脸检测特征集,通过预设的人脸检测识别模型对第二人脸检测特征集进行检测识别,生成第二人脸检测识别数据,以执行人脸检测结果可视化作业。
具体地,例如确定第一人脸检测识别数据,如2.63小于预设的人脸检测识别数据,如60时,将人脸检测池化数据进行第二全连接计算,如根据预设的第二全连接参数,生成第二人脸检测特征集,如(0.3,0.6,14,2.36,8.3),通过预设的人脸检测识别模型对第二人脸检测特征集进行检测识别,生成第二人脸检测识别数据,如10.36,以执行人脸检测结果可视化作业。
本实施例通过对图像进行第一全连接计算,从而生成第一人脸检测特征集,并将第一人脸检测特征集通过预设的人脸检测识别模型进行检测识别,通过预设的人脸检测识别模型进行检测识别,从而生成第一人脸检测识别数据,对第一人脸检测识别数据进行二次判断,若确定不存在人脸检测识别数据,进行第二全连接计算,从而实现对检测数据的二次分析,降低由于全连接层的参数计算单一带来的误差,提高识别精准度。
一种人脸检测系统,所述系统包括:
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上任一一项所述的人脸检测方法。
本发明通过检测图像色彩变化数据进行分析,生成人脸检测偏移量,从而进行相应的卷积计算,实现对于图像预分析的基础上,确定检测图像出现人脸的可能性较高时,则以较小的偏移量进行计算,从而减少失误的可能性,出现人脸的可能性较小时,则以较大的偏移量进行计算,从而降低对硬件的要求,提高实用性,同时进行计算为了避免偏差,提供进一步可靠准确的数据支撑,在池化层计算过程中,将池化数据通过预设的图像音频转化方式,转化为图像音频信息,进行二次判断,从而将图像处理计算进行降维,从而N*N问题变成M*N问题,降低计算复杂度的同时利用语音识别技术对图像潜在的人脸信息进行深度检测,从而提供可靠的深度数据信息。
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标记视为限制所涉及的权利要求。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种人脸检测方法,其特征在于,包括以下步骤:
步骤S1:获取检测图像信息,并对检测图像信息进行检测图像色彩变化计算,以生成检测图像色彩变化数据;
步骤S2:根据检测图像色彩变化数据生成人脸检测偏移量;
步骤S3:根据人脸检测偏移量对检测图像信息进行卷积计算,生成人脸图像特征集;
步骤S4:根据检测图像色彩变化数据构建人脸检测池化层数据,并根据人脸检测池化层数据对人脸图像特征集进行池化计算,生成人脸检测池化数据;
步骤S5:对人脸检测池化数据进行音频转化,生成人脸图像音频信息,并通过预设的人脸图像音频识别模型对人脸图像音频信息进行识别,生成人脸图像识别音频指数信息并进行判断,生成人脸图像识别报告,将确定为不包含人脸图像信息的人脸检测池化数据丢弃;
步骤S6:将人脸检测池化数据进行全连接计算,生成人脸检测特征集,通过预设的人脸检测识别模型对人脸检测特征集进行检测识别,生成人脸检测识别数据,以供人脸检测结果可视化作业。
2.根据权利要求1所述的方法,其特征在于,步骤S1包括以下步骤:
获取检测图像信息;
构建第一图像切割方式对检测图像信息进行图像切割,生成第一检测图像区域集;
构建第二图像切割方式对检测图像信息进行图像切割,生成第二检测图像区域集,其中第一图像切割方式与第二图像切割方式进行切割生成的图像区域不相同;
将第一检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第一检测图像色彩变化数据,并将第二检测图像区域集通过检测图像色彩变化数据计算公式进行计算,生成第二检测图像色彩变化数据;
将第一检测图像色彩变化数据以及第二检测图像色彩变化数据进行加权计算,生成检测图像色彩变化数据。
3.根据权利要求2所述的方法,其特征在于,其中检测图像色彩变化数据计算公式具体为:
;
为第/>检测图像色彩变化数据,/>为第/>检测图像区域集的第/>个检测图像区域的第/>个像素值,/>为第/>检测图像区域集的第/>个检测图像区域的第/>个像素值的权重信息,/>为调整项,/>为检测图像区域集的像素总数的调整初始值,/>为检测图像区域集的像素总数,/>为误差指数,/>为误差指数的调整权重指数,/>的取值为1或2,/>为第/>检测图像色彩变化数据的修正项。
4.根据权利要求1所述的方法,其特征在于,步骤S2包括以下步骤:
判断检测图像色彩变化数据是否为高人脸检测图像色彩变化数据的取值范围内;
确定检测图像色彩变化数据为高人脸检测图像色彩变化数据的取值范围内时,生成第一人脸检测偏移量;
确定检测图像色彩变化数据不为高人脸检测图像色彩变化数据的取值范围内时,判断检测图像色彩变化数据是否为中人脸检测图像色彩变化数据的取值范围内;
确定检测图像色彩变化数据为中人脸检测图像色彩变化数据的取值范围内时,生成第二人脸检测偏移量;
确定检测图像色彩变化数据不为中人脸检测图像色彩变化数据的取值范围内时,生成第三人脸检测偏移量,其中人脸检测偏移量为第一人脸检测偏移量、第二人脸检测偏移量或第三人脸检测偏移量的其中一种,第一人脸检测偏移量小于第二人脸检测偏移量,第二人脸检测偏移量小于第三人脸检测偏移量。
5.根据权利要求1所述的方法,其特征在于,步骤S4包括以下步骤:
根据检测图像色彩变化数据构建第一人脸检测池化层数据,并根据第一人脸检测池化层数据对人脸图像特征集进行池化计算,生成第一人脸检测池化数据;
将第一人脸检测池化数据进行聚类分析,生成第一人脸检测池化特征数据;
将第一人脸检测池化特征数据与历史人脸检测池化特征数据进行数据分布比对计算,生成人脸检测池化指数;
判断人脸检测池化指数是否小于预设的合格人脸检测池化指数;
确定人脸检测池化指数小于预设的合格人脸检测池化指数时,将第一人脸检测池化数据确定为人脸检测池化数据;
确定人脸检测池化指数大于或等于预设的合格人脸检测池化指数,则构建第二人脸检测池化层数据,并根据第二人脸检测池化层数据对人脸图像特征集进行池化计算,生成第二人脸检测池化数据,并确定为人脸检测池化数据。
6.根据权利要求1所述的方法,其特征在于,步骤S5包括以下步骤:
步骤S501:通过预设的音频转化方式将人脸检测池化数据转化为人脸图像音频信息;
步骤S502:将人脸图像音频信息进行分帧处理,获得图像音频分帧信息;
步骤S503:对图像音频分帧信息进行降噪处理,生成降噪图像音频信息;
步骤S504:对降噪图像音频信息进行特征提取,生成图像音频特征信息;
步骤S505:将图像音频特征信息通过预设的人脸图像音频识别模型进行识别,生成人脸图像识别音频指数信息;
步骤S506:根据人脸图像识别音频指数信息进行判断,生成人脸图像识别报告,将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
7.根据权利要求6所述的方法,其特征在于,步骤S503包括以下步骤:
根据图像音频分帧信息通过图像音频降噪计算公式进行降噪处理,生成降噪图像音频信息;
其中图像音频降噪计算公式具体为:
为降噪图像音频信息,/>为图像音频分帧信息的平均变化率的调整权重系数,/>为图像音频分帧信息的平均变化率,/>为第/>个图像音频分帧信息,/>为根据历史数据生成的去噪指数,/>为根据历史数据生成的去噪调整项,/>为第/>个图像音频分帧信息的周期调整初始值,/>为误差系数,/>为误差系数的调整项,/>为降噪音频信息的修正项。
8.根据权利要求6所述的方法,其特征在于,步骤S506包括以下步骤:
判断人脸图像识别音频指数信息是否大于或等于第一人脸图像识别音频指数;
确定人脸图像识别音频指数信息大于或等于第一人脸图像识别音频指数时,生成存在人脸图像识别报告;
确定人脸图像识别音频指数信息小于第一人脸图像识别音频指数时,判断人脸图像识别音频指数信息是否大于或等于第二人脸图像识别音频指数;
确定人脸图像识别音频指数信息大于或等于第二人脸图像识别音频指数时,生成潜在人脸图像识别报告;
确定人脸图像识别音频指数信息小于第二人脸图像识别音频指数时,生成不存在人脸图像识别报告,从而将确定为不包含人脸图像信息的人脸检测池化数据丢弃。
9.根据权利要求1所述的方法,其特征在于,步骤S6包括以下步骤:
将人脸检测池化数据进行第一全连接计算,生成第一人脸检测特征集,并将第一人脸检测特征集通过预设的人脸检测识别模型进行检测识别,生成第一人脸检测识别数据;
判断第一人脸检测识别数据是否大于或等于预设的人脸检测识别数据;
确定第一人脸检测识别数据大于或等于预设的人脸检测识别数据,将第一人脸检测识别数据确定为人脸检测识别数据,以执行人脸检测结果可视化作业;
确定第一人脸检测识别数据小于预设的人脸检测识别数据时,将人脸检测池化数据进行第二全连接计算,生成第二人脸检测特征集,通过预设的人脸检测识别模型对第二人脸检测特征集进行检测识别,生成第二人脸检测识别数据,以执行人脸检测结果可视化作业。
10.一种人脸检测系统,其特征在于,所述系统包括:
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9中任意一项所述的人脸检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310119214.XA CN116309350B (zh) | 2023-02-15 | 2023-02-15 | 人脸检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310119214.XA CN116309350B (zh) | 2023-02-15 | 2023-02-15 | 人脸检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309350A CN116309350A (zh) | 2023-06-23 |
CN116309350B true CN116309350B (zh) | 2023-09-22 |
Family
ID=86814062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310119214.XA Active CN116309350B (zh) | 2023-02-15 | 2023-02-15 | 人脸检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309350B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170864A1 (zh) * | 2017-03-20 | 2018-09-27 | 成都通甲优博科技有限责任公司 | 一种人脸识别跟踪方法 |
CN109738137A (zh) * | 2019-01-02 | 2019-05-10 | 山东交通学院 | 基于图像对比的土石坝渗漏实时监测与快速诊断方法 |
CN113361495A (zh) * | 2021-07-27 | 2021-09-07 | 平安科技(深圳)有限公司 | 人脸图像相似度的计算方法、装置、设备及存储介质 |
CN114067277A (zh) * | 2021-11-30 | 2022-02-18 | 中国工商银行股份有限公司 | 行人图像识别方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-15 CN CN202310119214.XA patent/CN116309350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170864A1 (zh) * | 2017-03-20 | 2018-09-27 | 成都通甲优博科技有限责任公司 | 一种人脸识别跟踪方法 |
CN109738137A (zh) * | 2019-01-02 | 2019-05-10 | 山东交通学院 | 基于图像对比的土石坝渗漏实时监测与快速诊断方法 |
CN113361495A (zh) * | 2021-07-27 | 2021-09-07 | 平安科技(深圳)有限公司 | 人脸图像相似度的计算方法、装置、设备及存储介质 |
CN114067277A (zh) * | 2021-11-30 | 2022-02-18 | 中国工商银行股份有限公司 | 行人图像识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116309350A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022161286A1 (zh) | 图像检测方法、模型训练方法、设备、介质及程序产品 | |
CN110378324B (zh) | 一种基于质量维度的人脸识别算法评估方法 | |
KR101548928B1 (ko) | 불변적인 시각적 장면 및 객체 인식 | |
US9025889B2 (en) | Method, apparatus and computer program product for providing pattern detection with unknown noise levels | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN110827265A (zh) | 基于深度学习的图片异常检测方法 | |
CN114612743A (zh) | 深度学习模型的训练方法、目标对象识别方法和装置 | |
CN116912783B (zh) | 核酸检测平台的状态监控方法及系统 | |
Sharma et al. | Spliced Image Classification and Tampered Region Localization Using Local Directional Pattern. | |
CN110349070B (zh) | 一种短视频水印检测方法 | |
CN116910752A (zh) | 一种基于大数据的恶意代码检测方法 | |
CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
EP3579182A1 (en) | Image processing device, image recognition device, image processing program, and image recognition program | |
CN108710881B (zh) | 神经网络模型、候选目标区域生成方法、模型训练方法 | |
CN116309350B (zh) | 人脸检测方法及系统 | |
KR102230559B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
JP4012200B2 (ja) | オブジェクト検出方法、装置、及びプログラム | |
CN115830341A (zh) | 一种基于特征点匹配的摄像头偏移检测方法 | |
Liao et al. | A framework for parameters estimation of image operator chain | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN115188039A (zh) | 一种基于图像频域信息的深度伪造视频技术溯源方法 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN113763313A (zh) | 文本图像的质量检测方法、装置、介质及电子设备 | |
CN113158838B (zh) | 基于全尺寸深度图监督的人脸表示攻击检测方法 |
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 |