TWI621999B - 一種人臉檢測方法 - Google Patents

一種人臉檢測方法 Download PDF

Info

Publication number
TWI621999B
TWI621999B TW106105874A TW106105874A TWI621999B TW I621999 B TWI621999 B TW I621999B TW 106105874 A TW106105874 A TW 106105874A TW 106105874 A TW106105874 A TW 106105874A TW I621999 B TWI621999 B TW I621999B
Authority
TW
Taiwan
Prior art keywords
face
information
feature
image
person
Prior art date
Application number
TW106105874A
Other languages
English (en)
Other versions
TW201730808A (zh
Inventor
陳明修
Original Assignee
芋頭科技(杭州)有限公司
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 芋頭科技(杭州)有限公司 filed Critical 芋頭科技(杭州)有限公司
Publication of TW201730808A publication Critical patent/TW201730808A/zh
Application granted granted Critical
Publication of TWI621999B publication Critical patent/TWI621999B/zh

Links

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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Abstract

一種人臉檢測方法，包括：於預先輸入的複數個人臉訓練樣本中分別確定多個人臉特徵資訊，並根據每個人臉訓練樣本中的所有人臉特徵資訊訓練形成特徵預測模型，還包括：步驟S1，採用圖像採集裝置獲取圖像；步驟S2，採用預先訓練形成的人臉檢測器判斷圖像中是否包括人臉：若否，則返回步驟S1；步驟S3，採用特徵預測模型，在圖像中的人臉上預測得到多個人臉特徵資訊；步驟S4，根據預測得到的多個人臉特徵資訊構成關聯於人臉的面部結構，隨後退出。上述技術方案能夠檢測出人臉上包括五官以及外輪廓等部位的資訊，提升人臉檢測準確度。

Description

一種人臉檢測方法
本發明涉及圖像檢測技術領域，尤其涉及一種人臉檢測方法。
隨著智慧設備的技術發展，在智慧設備上發展出各種各樣的資訊對話模式，以將使用者從傳統的鍵鼠資訊輸入的方式中解放出來。這些新型的資訊對話模式例如語音對話模式、手勢對話模式、人臉識別對話模式以及指紋識別對話模式等均開始應用在智慧設備例如智慧機器人中。
現有技術中的人臉識別對話模式中，最重要的一個環節就是保證人臉識別的準確度。換言之，爲了保證人臉識別對話模式的有效性，必須要首先保證人臉識別的準確度。
例如將人臉識別對話模式利用在智慧設備的自動喚醒功能上，即若人臉識別爲特定的使用者，則自動喚醒智慧設備，反之智慧設備無法被喚醒。在這種交互功能的情形下，若人臉識別的準確度不夠，則可能會産生：1）無法識別特定的使用者而無法達到自動喚醒的功能，反而提升使用者的操作複雜度；2）可能會出現誤識別而將原本不是特定使用者的人臉識別爲關聯於特定使用者的人臉而啓動自動喚醒的功能，從而提高智慧設備內隱私資料被洩漏的潛在可能。
現有技術中的人臉識別技術，通常只能對正對攝像頭的人臉進行識別，若使用者與攝像頭之間具有一定的角度，則識別精度會大大下降。
根據現有技術中存在的上述問題，現提供一種人臉檢測方法的技術方案，旨在檢測出人臉上包括五官以及外輪廓等部位的資訊，提升人臉檢測的準確度。
上述技術方案具體包括：
一種人臉檢測方法，其中，包括，於預先輸入的複數個人臉訓練樣本中分別確定多個人臉特徵資訊，並根據每個人臉訓練樣本中的所有人臉特徵資訊訓練形成特徵預測模型，還包括：
步驟S1，採用圖像採集裝置獲取圖像；
步驟S2，採用預先訓練形成的人臉檢測器判斷圖像中是否包括人臉：
若否，則返回步驟S1；
步驟S3，採用特徵預測模型，在圖像中的人臉上預測得到多個人臉特徵資訊；
步驟S4，根據預測得到的多個人臉特徵資訊構成關聯於人臉的面部結構，隨後退出。
優選的，該人臉檢測方法，其中，訓練形成特徵預測模型的步驟具體包括：
步驟A1，獲取多個包括不同角度的人臉的圖像，以作爲人臉訓練樣本；
步驟A2，在一個預設的人臉訓練樣本上標注多個人臉特徵資訊作爲輸入資訊，以及將關聯於預設的人臉訓練樣本的角度資訊作爲輸出資訊，對特徵預測模型進行訓練；
步驟A3，判斷是否存在尚未作爲訓練依據的人臉訓練樣本：
若是，則形成並輸出最終的特徵預測模型，隨後退出；
若否，則返回步驟A2，以根據下一個人臉訓練樣本對特徵預測模型進行訓練。
優選的，該人臉檢測方法，其中，步驟A2中，採用邏輯回歸演算法，以多個人臉特徵資訊作爲輸入資訊，以角度資訊作爲輸出資訊，對特徵預測模型進行訓練。
優選的，該人臉檢測方法，其中，步驟A2中，採用神經網絡回歸演算法，以多個人臉特徵資訊作爲輸入資訊，以角度資訊作爲輸出資訊，對特徵預測模型進行訓練。
優選的，該人臉檢測方法，其中，步驟A2中，得到關聯於人臉訓練樣本的角度資訊的方法包括：
預先根據獲取的人臉圖像與圖像採集裝置的不同角度得到相應的角度資訊。
優選的，該人臉檢測方法，其中，步驟A2中，得到關聯於人臉訓練樣本的角度資訊的方法包括：
根據人臉訓練樣本上得到關聯於人臉的五官輪廓上的任意兩點，並根據任意兩點之間的連線與圖像坐標系中的X坐標軸之間的角度確定關聯於人連續連樣本的角度資訊；或者
根據人臉訓練樣本上得到關聯於人臉的五官輪廓上的任意兩點，並根據任意兩點之間的連線與圖像坐標系中的Y坐標軸之間的角度確定關聯於人連續連樣本的角度資訊。
優選的，該人臉檢測方法，其中，每個人臉特徵資訊用於表示人臉上的一個特徵點。
優選的，該人臉檢測方法，其中，特徵點包括：
用於表示人臉上的眉毛部分的特徵點；和/或
用於表示人臉上的眼睛部分的特徵點；和/或
用於表示人臉上的鼻子部分的特徵點；和/或
用於表示人臉上的嘴巴部分的特徵點；和/或
用於表示人臉的整體外輪廓的特徵點。
優選的，該人臉檢測方法，其中，步驟S2中，若圖像中包括人臉，則獲取人臉在圖像中的位置資訊和大小資訊後，轉向步驟S3；
則步驟S3中，根據人臉的位置資訊和大小資訊，採用特徵預測模型，在圖像中的人臉上預測得到多個人臉特徵資訊。
上述技術方案的有益效果是：提供一種人臉檢測方法，能夠檢測出人臉上包括五官以及外輪廓等部位的資訊，提升人臉檢測的準確度。
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動的前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
需要說明的是，在不衝突的情況下，本發明中的實施例及實施例中的特徵可以相互組合。
下面結合附圖和具體實施例對本發明作進一步說明，但不作爲本發明的限定。
本發明的較佳的實施例中，基於現有技術中存在的上述問題，現提供一種人臉檢測方法，該方法應用於智慧設備中，進一步地可以應用在能夠與使用者之間進行資訊交互的智慧設備中，例如應用在智慧機器人中。具體地，在智慧機器人中應用人臉檢測方法，可以通過檢測使用者的人臉來執行相應的操作，例如檢測出特定的使用者的人臉，則喚醒智慧機器人並準備接收使用者的下一步指令等。
則本發明的較佳的實施例中，上述人臉檢測方法的步驟具體如圖1所示，包括：
步驟S1，採用圖像採集裝置獲取圖像；
步驟S2，採用預先訓練形成的人臉檢測器判斷圖像中是否包括人臉：
若否，則返回步驟S1；
步驟S3，採用特徵預測模型，在圖像中的人臉上預測得到多個人臉特徵資訊；
步驟S4，根據預測得到的多個人臉特徵資訊構成關聯於人臉的面部結構，隨後退出。
在一個具體的實施例中，首先採用圖像採集裝置獲取該圖像採集裝置正前方的圖像。該圖像採集裝置可以爲攝像頭，例如設置在智慧機器人頭部的攝像頭。
在該實施例中，利用上述圖像採集裝置採集得到圖像後，依照一預先訓練形成的人臉檢測器檢測其中是否包括有人臉：若是，則轉向後續步驟S3；若否，則返回上述步驟S1。具體地，人臉檢測器是一種可以預先訓練形成並用來對人臉進行判斷的檢測模型，該檢測模型的訓練過程在現有技術中有較多實現方式，在此不再贅述。
在該實施例中，檢測到圖像中包括人臉後，再採用預先訓練形成的特徵預測模型，在圖像中的人臉上預測得到多個人臉特徵資訊。具體地，所謂特徵預測模型，是採用下述方法形成的：預先輸入的複數個人臉訓練樣本中分別確定多個人臉特徵資訊，並根據每個人臉訓練樣本中的所有人臉特徵資訊訓練形成特徵預測模型。該特徵預測模型的具體形成步驟在下文中會詳述。
該實施例中，所謂人臉特徵資訊，其可以用來表示人臉上的不同部位的特徵資訊，例如包括下文中的至少一種：
用於表示人臉上的眉毛部分的特徵點；
用於表示人臉上的眼睛部分的特徵點；
用於表示人臉上的鼻子部分的特徵點；
用於表示人臉上的嘴巴部分的特徵點；
用於表示人臉的整體外輪廓的特徵點。
換言之，上述人臉特徵資訊是用來描述人臉上各部位的輪廓的資訊。則在該實施例中，通過上述預先訓練形成的特徵預測模型預測得到人臉特徵資訊後，根據得到的人臉特徵資訊得到人臉的面部特徵資訊，即得到人臉的整個面部結構，從而能夠提升人臉檢測的準確度。
本發明的較佳的實施例中，上述步驟S2中，若圖像中包括人臉，則獲取人臉在圖像中的位置資訊和大小資訊後，轉向步驟S3；
具體地，所謂位置資訊，是指人臉在整個圖像中的位置。所謂大小資訊，是指人臉在整個圖像中的大小，其單位元可以爲圖元。
則上述步驟S3中，根據人臉的位置資訊和大小資訊，採用特徵預測模型，在圖像中的人臉上預測得到多個人臉特徵資訊。
本發明的較佳的實施例中，如圖2所示，上文中的訓練形成特徵預測模型的步驟具體包括：
步驟A1，獲取多個包括不同角度的人臉的圖像，以作爲人臉訓練樣本；
步驟A2，在一個預設的人臉訓練樣本上標注多個人臉特徵資訊作爲輸入資訊，以及將關聯於預設的人臉訓練樣本的角度資訊作爲輸出資訊，對特徵預測模型進行訓練；
步驟A3，判斷是否存在尚未作爲訓練依據的人臉訓練樣本：
若是，則形成並輸出最終的特徵預測模型，隨後退出；
若否，則返回步驟A2，以根據下一個人臉訓練樣本對特徵預測模型進行訓練。
本發明的較佳的實施例中，上述複數個人臉訓練樣本可以爲100個人臉訓練樣本，即安排100個普通人站在圖像採集裝置面前，以錄入相應的人臉作爲人臉訓練樣本。
具體地，現有技術中的人臉檢測方案，通常要求使用者站在正對攝像頭的地方，並且將人臉正對攝像頭，以保證人臉檢測的準確度。若人臉與攝像頭之間存在一定的角度，則會直接影響到人臉檢測的準確度。則在本發明的較佳的實施例中，根據這一問題，預先訓練得到上述特徵預測模型，即：
首先獲取多個包括不同角度的人臉的圖像，以作爲人臉訓練樣本，則對於每個人臉訓練樣本，應當獲取到該人臉訓練樣本對應於攝像頭的角度資訊。該角度資訊的獲取方式可以爲：
①根據人臉與攝像頭之間的角度預先獲得，例如預先安排測試者站在與攝像頭呈已知角度的位置，以供攝像頭獲取人臉圖像，隨後記錄該已知角度，作爲該人臉訓練樣本對應的角度資訊；或者
②根據人臉訓練樣本上得到關聯於人臉的五官輪廓上的任意兩點，並根據任意兩點之間的連線與圖像坐標系中的X坐標軸之間的角度確定關聯於人連續連樣本的角度資訊；或者
③根據人臉訓練樣本上得到關聯於人臉的五官輪廓上的任意兩點，並根據任意兩點之間的連線與圖像坐標系中的Y坐標軸之間的角度確定關聯於人連續連樣本的角度資訊。
換言之，上述獲取角度資訊的方法，可以包括直接獲取預先設定好的角度資訊，或者根據人臉上面部輪廓的任意兩點之間的連線與X軸/Y軸之間的夾角來獲得。
本發明的較佳的實施例中，上述步驟A2中，在一個預設的人臉訓練樣本上標注多個人臉特徵資訊作爲輸入資訊。具體地，在一個預設的人臉訓練樣本上可以根據預先設定的標準標注68個特徵點，以作爲人臉特徵資訊。如上文中，上述68個人臉特徵資訊可以分別用來表示人臉上的嘴巴、眼睛、眉毛、鼻子以及整體外輪廓等區域的特徵，即採用該68個人臉特徵資訊可以大致上描述出人臉的整個面部輪廓，包括其中包括的各個部位的輪廓。本發明的其他實施例中，可以根據實際需要的識別精度，增加或減少上述人臉特徵資訊的標注。
本發明的較佳的實施例中，對於一個預設的人臉訓練樣本而言，以關聯於該人臉訓練樣本的多個人臉特徵資訊（例如68個人臉特徵資訊）作爲輸入資訊，並將該人臉訓練樣本中的人臉與攝像頭之間的角度資訊作爲輸出資訊，以訓練形成上述特徵預測模型。
具體地，本發明的較佳的實施例中，上述訓練形成特徵預測模型的過程可以通過邏輯回歸演算法實現，即將上述人臉特徵資訊作爲輸入資訊輸入到邏輯回歸模型訓練器中，並將相應的角度資訊作爲輸出資訊，從而利用邏輯回歸演算法處理得到相應的特徵預測模型。
本發明的另一個較佳的實施例中，上述訓練形成特徵預測模型的過程也可以通過神經網絡回歸演算法來實現，即利用神經網絡回歸演算法，將上述人臉特徵資訊作爲輸入資訊，以及將上述角度資訊作爲輸出資訊，從而訓練得到上述特徵預測模型。
本發明的其他實施例中，上述訓練形成特徵預測模型的過程還可以通過其他參數回歸演算法實現，在此不再贅述。
本發明的較佳的實施例中，最終訓練形成的特徵預測模型可以爲一個SVM（Support Vector Machine，支援向量機）模型。則在實際應用中，在上述步驟S3中，首先採用特徵預測模型預測得到上述人臉中的多個人臉特徵資訊，例如預測得到68個人臉特徵資訊。隨後將這68個人臉特徵資訊所組成的特徵位置星系（相互位置關係圖）輸入到上述特徵預測模型（SVM模型）中，以得到該人臉的角度資訊，從而最終獲得該人臉的面部結構的相關資訊。
綜上，本發明技術方案中，提供一種人臉檢測方法，其中應用了一個預先訓練形成的特徵預測模型，能夠根據人臉與圖像採集裝置之間的不同角度預測得到人臉上的多個人臉特徵資訊，從而形成人臉的大致的面部結構，以提升人臉檢測的準確度。
以上僅爲本發明較佳的實施例，並非因此限制本發明的實施方式及保護範圍，對於本領域技術人員而言，應當能夠意識到凡運用本發明說明書及圖式內容所作出的等同替換和顯而易見的變化所得到的方案，均應當包含在本發明的保護範圍內。
S1〜S4‧‧‧步驟
A1〜A3‧‧‧步驟
圖1是本發明的較佳的實施例中，一種人臉檢測方法的總體流程示意圖； 圖2是本發明的較佳的實施例中，預先訓練形成特徵預測模型的流程示意圖。

Claims (9)

  1. 一種人臉檢測方法，應用於一智慧機器人中，通過檢測出特定的使用者人臉，喚醒該智慧機器人並準備接收一使用者的下一步指令，包括，於預先輸入的複數個人臉訓練樣本中分別確定多個人臉特徵資訊，並根據每個該人臉訓練樣本中的所有該人臉特徵資訊訓練形成特徵預測模型，還包括：步驟S1，採用圖像採集裝置獲取圖像，該圖像採集裝置為設於該智慧機器人頭部的攝像頭；步驟S2，採用預先訓練形成的人臉檢測器判斷該圖像中是否包括人臉：若否，則返回該步驟S1；步驟S3，採用該特徵預測模型，在該圖像中的該人臉上預測得到多個該人臉特徵資訊，該人臉特徵資訊包含68個，分別用以表示人臉上的嘴巴、眼睛、眉毛、鼻子以及整體外輪廓的特徵；步驟S4，根據預測得到的多個該人臉特徵資訊構成關聯於該人臉的面部結構，隨後退出。
  2. 如請求項第1項所述之人臉檢測方法，其中，訓練形成該特徵預測模型的步驟具體包括：步驟A1，獲取多個包括不同角度的人臉的圖像，以作為該人臉訓練樣本；步驟A2，在一個預設的該人臉訓練樣本上標注多個該人臉特徵資訊作為輸入資訊，以及將關聯於預設的該人臉訓練樣本的角度資訊作為輸出資訊，對該特徵預測模型進行訓練；步驟A3，判斷是否存在尚未作為訓練依據的該人臉訓練樣本：若是，則形成並輸出最終的該特徵預測模型，隨後退出； 若否，則返回該步驟A2，以根據下一個該人臉訓練樣本對該特徵預測模型進行訓練。
  3. 如請求項第2項所述之人臉檢測方法，其中，該步驟A2中，採用邏輯回歸演算法，以多個該人臉特徵資訊作為該輸入資訊，以該角度資訊作為該輸出資訊，對該特徵預測模型進行訓練。
  4. 如請求項第2項所述之人臉檢測方法，其中，該步驟A2中，採用神經網絡回歸演算法，以多個該人臉特徵資訊作為該輸入資訊，以該角度資訊作為該輸出資訊，對該特徵預測模型進行訓練。
  5. 如請求項第2項所述之人臉檢測方法，其中，該步驟A2中，得到關聯於該人臉訓練樣本的該角度資訊的方法包括：預先根據獲取的該人臉圖像與該圖像採集裝置的不同角度得到相應的該角度資訊。
  6. 如請求項第2項所述之人臉檢測方法，其中，該步驟A2中，得到關聯於該人臉訓練樣本的該角度資訊的方法包括：根據該人臉訓練樣本上得到關聯於該人臉的五官輪廓上的任意兩點，並根據該任意兩點之間的連線與圖像坐標系中的X坐標軸之間的角度確定關聯於該人連續連樣本的該角度資訊；或者根據該人臉訓練樣本上得到關聯於該人臉的五官輪廓上的任意兩點，並根據該任意兩點之間的連線與圖像坐標系中的Y坐標軸之間的角度確定關聯於該人連續連樣本的該角度資訊。
  7. 如請求項第1項所述之人臉檢測方法，其中，每個該人臉特徵資訊用於表示該人臉上的一個特徵點。
  8. 如請求項第7項所述之人臉檢測方法，其中，該特徵點包括：用於表示該人臉上的眉毛部分的該特徵點；和/或用於表示該人臉上的眼睛部分的該特徵點；和/或用於表示該人臉上的鼻子部分的該特徵點；和/或用於表示該人臉上的嘴巴部分的該特徵點；和/或用於表示該人臉的整體外輪廓的該特徵點。
  9. 如請求項第1項所述之人臉檢測方法，其中，該步驟S2中，若該圖像中包括人臉，則獲取該人臉在該圖像中的位置資訊和大小資訊後，轉向該步驟S3；則該步驟S3中，根據該人臉的該位置資訊和該大小資訊，採用該特徵預測模型，在該圖像中的該人臉上預測得到多個該人臉特徵資訊。
TW106105874A 2016-02-23 2017-02-22 一種人臉檢測方法 TWI621999B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610099902.4A CN107103271A (zh) 2016-02-23 2016-02-23 一种人脸检测方法
??201610099902.4 2016-02-23

Publications (2)

Publication Number Publication Date
TW201730808A TW201730808A (zh) 2017-09-01
TWI621999B true TWI621999B (zh) 2018-04-21

Family

ID=59658791

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106105874A TWI621999B (zh) 2016-02-23 2017-02-22 一種人臉檢測方法

Country Status (4)

Country Link
US (1) US11062126B1 (zh)
CN (1) CN107103271A (zh)
TW (1) TWI621999B (zh)
WO (1) WO2017143952A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679506A (zh) * 2017-10-12 2018-02-09 Tcl通力电子（惠州）有限公司 智能产品的唤醒方法、智能产品及计算机可读存储介质
CN108470167A (zh) * 2018-04-12 2018-08-31 苏州万店掌网络科技有限公司 人脸识别芯片、方法和相机
CN109934766B (zh) 2019-03-06 2021-11-30 北京市商汤科技开发有限公司 一种图像处理方法及装置
CN109949237A (zh) * 2019-03-06 2019-06-28 北京市商汤科技开发有限公司 图像处理方法及装置、图像设备及存储介质
CN109948559A (zh) * 2019-03-25 2019-06-28 厦门美图之家科技有限公司 人脸检测方法及装置
CN110134233B (zh) * 2019-04-24 2022-07-12 福建联迪商用设备有限公司 一种基于人脸识别的智能音箱唤醒方法及终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201120765A (en) * 2009-12-03 2011-06-16 Chunghwa Telecom Co Ltd of the same.
CN101931749B (zh) * 2009-06-25 2014-01-08 原相科技股份有限公司 用于人脸检测的拍摄参数调整方法与影像撷取装置
TW201504955A (zh) * 2013-07-25 2015-02-01 Chunghwa Telecom Co Ltd 利用人臉辨識偵測新聞主播畫面的方法

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4526639B2 (ja) 2000-03-02 2010-08-18 本田技研工業株式会社 顔認識装置およびその方法
CN1174337C (zh) * 2002-10-17 2004-11-03 南开大学 识别人眼注视与否的方法和装置及其应用
WO2005114576A1 (ja) * 2004-05-21 2005-12-01 Asahi Kasei Kabushiki Kaisha 動作内容判定装置
US7742641B2 (en) * 2004-12-06 2010-06-22 Honda Motor Co., Ltd. Confidence weighted classifier combination for multi-modal identification
CN101339607B (zh) 2008-08-15 2012-08-01 北京中星微电子有限公司 人脸识别方法及系统、人脸识别模型训练方法及系统
CN101515324A (zh) * 2009-01-21 2009-08-26 上海银晨智能识别科技有限公司 适用于多种姿态的人脸识别布控系统及方法
DE112011105439B4 (de) * 2011-07-11 2021-06-17 Toyota Jidosha Kabushiki Kaisha Rote-Augen-Erfassungsvorrichtung
CN102663413B (zh) 2012-03-09 2013-11-27 中盾信安科技(江苏)有限公司 一种面向多姿态和跨年龄的人脸图像认证方法
CN102722698B (zh) * 2012-05-17 2014-03-12 上海中原电子技术工程有限公司 多姿态人脸检测与跟踪方法及系统
CN103093237B (zh) * 2013-01-15 2015-12-23 中国科学院自动化研究所 一种基于结构化模型的人脸检测方法
US10430942B2 (en) * 2013-10-01 2019-10-01 University Of Kentucky Research Foundation Image analysis for predicting body weight in humans
JP6304999B2 (ja) * 2013-10-09 2018-04-04 アイシン精機株式会社 顔検出装置、方法およびプログラム
CN104657974A (zh) * 2013-11-25 2015-05-27 腾讯科技（上海）有限公司 一种图像处理方法及装置
CN105096377B (zh) * 2014-05-14 2019-03-19 华为技术有限公司 一种图像处理方法和装置
CN104091149B (zh) * 2014-06-20 2018-01-26 中国船舶重工集团公司第七二六研究所 人脸的采集建模训练系统及其采集建模训练方法
EP3183689A4 (en) * 2014-08-22 2017-08-23 Microsoft Technology Licensing, LLC Face alignment with shape regression
US9448704B1 (en) * 2015-04-29 2016-09-20 Dropbox, Inc. Navigating digital content using visual characteristics of the digital content
US9633250B2 (en) * 2015-09-21 2017-04-25 Mitsubishi Electric Research Laboratories, Inc. Method for estimating locations of facial landmarks in an image of a face using globally aligned regression
US11741639B2 (en) * 2016-03-02 2023-08-29 Holition Limited Locating and augmenting object features in images
US10552251B2 (en) * 2017-09-06 2020-02-04 Western Digital Technologies, Inc. Storage of neural networks
CN107516090B (zh) * 2017-09-11 2021-09-17 北京百度网讯科技有限公司 一体化人脸识别方法和系统
US20200279156A1 (en) * 2017-10-09 2020-09-03 Intel Corporation Feature fusion for multi-modal machine learning analysis
US10691925B2 (en) * 2017-10-28 2020-06-23 Altumview Systems Inc. Enhanced face-detection and face-tracking for resource-limited embedded vision systems
US10510157B2 (en) * 2017-10-28 2019-12-17 Altumview Systems Inc. Method and apparatus for real-time face-tracking and face-pose-selection on embedded vision systems
CN107948711A (zh) * 2017-11-21 2018-04-20 深圳创维－Rgb电子有限公司 电视时移控制方法、系统及计算机可读存储介质
US10990877B2 (en) * 2018-01-09 2021-04-27 Adobe Inc. Frame selection based on a trained neural network
US10867195B2 (en) * 2018-03-12 2020-12-15 Microsoft Technology Licensing, Llc Systems and methods for monitoring driver state
CN108734673B (zh) * 2018-04-20 2019-11-15 平安科技（深圳）有限公司 去网纹系统训练方法、去网纹方法、装置、设备及介质
US10679041B2 (en) * 2018-04-25 2020-06-09 Shutterfly, Llc Hybrid deep learning method for recognizing facial expressions
US11074430B2 (en) * 2018-05-29 2021-07-27 Adobe Inc. Directional assistance for centering a face in a camera field of view

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101931749B (zh) * 2009-06-25 2014-01-08 原相科技股份有限公司 用于人脸检测的拍摄参数调整方法与影像撷取装置
TW201120765A (en) * 2009-12-03 2011-06-16 Chunghwa Telecom Co Ltd of the same.
TW201504955A (zh) * 2013-07-25 2015-02-01 Chunghwa Telecom Co Ltd 利用人臉辨識偵測新聞主播畫面的方法

Also Published As

Publication number Publication date
US11062126B1 (en) 2021-07-13
WO2017143952A1 (zh) 2017-08-31
US20210209342A1 (en) 2021-07-08
TW201730808A (zh) 2017-09-01
CN107103271A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
TWI621999B (zh) 一種人臉檢測方法
TWI646444B (zh) 一種喚醒智慧機器人的方法及智慧機器人
KR102092931B1 (ko) 시선 추적 방법 및 이를 수행하기 위한 사용자 단말
CN107289949B (zh) 一种基于人脸识别技术的室内导识装置及方法
WO2016127538A1 (zh) 信息推送方法和装置
TW201201115A (en) Facial expression recognition systems and methods and computer program products thereof
WO2019196205A1 (zh) 外语教学评价信息生成方法以及装置
WO2021135685A1 (zh) 身份认证的方法以及装置
JP2012518828A (ja) 装置をアクティブモードにするシステム、方法及び装置
CN109117952B (zh) 一种基于深度学习的机器人情感认知的方法
JP2011510420A5 (zh)
BR112014027343B1 (pt) Método para receber entrada em um dispositivo sensível ao toque, dispositivo de armazenamento não transitório legível por computador e sistema de detecção de entrada
US10806393B2 (en) System and method for detection of cognitive and speech impairment based on temporal visual facial feature
Ghanem et al. A survey on sign language recognition using smartphones
CN110705349A (zh) 基于微表情的客户满意度识别方法、装置、终端及介质
WO2017219450A1 (zh) 一种信息处理方法、装置及移动终端
TW201937344A (zh) 智慧型機器人及人機交互方法
CN112016367A (zh) 一种情绪识别系统、方法及电子设备
US20230068798A1 (en) Active speaker detection using image data
US11625754B2 (en) Method for providing text-reading based reward-type advertisement service and user terminal for executing same
CN109977811A (zh) 基于嘴部关键位置特征检测实现免语音唤醒的系统及方法
Ponce-López et al. Multi-modal social signal analysis for predicting agreement in conversation settings
KR20210051839A (ko) 모공정합을 통한 탈모상태 모니터링 장치 및 그 방법
WO2017143951A1 (zh) 一种表情反馈方法及智能机器人
Jazouli et al. A $ P recognizer for automatic facial emotion recognition using Kinect sensor

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees