[go: up one dir, main page]

CN107871134A - 一种人脸检测方法及装置 - Google Patents

一种人脸检测方法及装置 Download PDF

Info

Publication number
CN107871134A
CN107871134A CN201610848895.3A CN201610848895A CN107871134A CN 107871134 A CN107871134 A CN 107871134A CN 201610848895 A CN201610848895 A CN 201610848895A CN 107871134 A CN107871134 A CN 107871134A
Authority
CN
China
Prior art keywords
image
training
face
confidence level
network model
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
Application number
CN201610848895.3A
Other languages
English (en)
Inventor
段旭
宋丽
张祥德
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.)
Beijing Eyecool Technology Co Ltd
Original Assignee
Beijing Eyecool 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 Beijing Eyecool Technology Co Ltd filed Critical Beijing Eyecool Technology Co Ltd
Priority to CN201610848895.3A priority Critical patent/CN107871134A/zh
Publication of CN107871134A publication Critical patent/CN107871134A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种人脸检测方法和装置，其中人脸检测方法包括采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，从待测图像输入区域中筛选出至少一个候选区域，并采用预先训练的第二卷积神经网络模型分别对候选区域进行分类处理，从中筛选出至少一个选中区域，再根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。由于第一卷积神经网络的输入区域可以非常小，从而提升了人脸检测的计算速度。另外，由于利用不同深度的两个卷积神经网络模型，对得到的候选区域执行二次分类，使得分类预测更加准确，同时过滤掉大量误检样本，检测性能得到提升。

Description

一种人脸检测方法及装置
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种人脸检测方法及装置。
背景技术
人脸检测是指从输入区域中确定所有人脸的位置和大小的过程。作为人脸信息处理中的一项关键技术，人脸检测是许多自动人脸图像分析应用的前提和基础，如人脸识别、人脸配准、人脸追踪、人脸属性识别等，也是现代人机交互系统的第一步。不仅如此，目前大多数的数码相机都嵌入了人脸检测技术来自动对焦，许多社交网络如FaceBook等利用人脸检测技术来实现图像标注。
随着人工智能的发展，人脸检测方法也得到了一定的发展，但仍存在一些不足。如基于提升级联的方法，虽然采用单一的积分图特征的级联检测器计算速度较快，但仅能够处理正面人脸图像，对于姿态变化、部分遮挡和光照等复杂条件下的人脸检测性能较差；基于可变部件模型技术的方法，虽然检测性能较好，能够在人脸部分被遮挡的情况下检测到人脸，但由于需要训练一个隐支持向量机分类器来找到这些部件以及部件之间的几何关系，计算成本较高，导致计算比较耗时。
因此，如何在保证计算速度的同时提升人脸检测的检测性能，是目前亟待解决的技术问题。
发明内容
本发明实施例提供一种人脸检测方法，以解决现有技术中人脸检测的检测性能和计算速度无法同时满足用户需求的问题。
为了解决上述问题，本发明公开了一种人脸检测方法，包括：
采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，确定所述待测图像中各输入区域的第一人脸置信度，根据所述第一人脸置信度从所述输入区域中筛选出至少一个候选区域，所述第一卷积神经网络包括m层卷积层；
采用预先训练的第二卷积神经网络模型分别对所述候选区域进行分类处理，确定所述候选区域的第二人脸置信度，根据所述第二人脸置信度筛选出至少一个选中区域，所述第二卷积神经网络包括k层卷积层，其中，k和m均为正整数且k大于m；
根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。
其中，采用预先训练的第一卷积神经网络模型对待测图像进行分类处理之前，还包括：当采用图像金字塔方法从所述待测图像中获取输入区域时，将预先训练的第一卷积神经网络模型和第二卷积神经网络模型中网络结构的全连接层转换为全卷积层。
根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果之前，还包括：采用所述第二卷积神经网络模型，对各选中区域分别进行边界框回归处理。
优选的，根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果，包括：对所述选中区域进行置信度排序，获得置信度最高的检测框；以所述置信度最高的检测框为中心，将周围大于第一重叠程度的检测框进行消除；以所述置信度最高的检测框为中心，将周围大于第二重叠程度的检测框聚合为一个人脸检测框，并将最高置信度作为该聚合结果的置信度，以得到所述人脸检测结果。
优选的，所述方法还包括训练卷积神经网络的图像分类任务的步骤，其中所述卷积神经网络包括所述第一卷积神经网络和/或所述第二卷积神经网络：选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁；根据剪裁得到的图像与真实人脸标注的重叠程度，选取正样本和负样本；通过所述卷积层对所述正样本和负样本图像进行过滤处理，获得所述训练图像的特征图，并通过所述池化层对经过所述卷积层过滤处理的图像进行池化，降低所述卷积层输出的特征向量；将所述特征图全连接成一个向量，通过激活函数将所述向量的特征映射出来，获得图像分类结果，所述图像分类结果包括人脸图像类别和非人脸图像类别；将所述图像分类结果通过图像分类任务的损失函数进行迭代。
优选的，所述方法还包括训练第二卷积神经网络的边界框回归任务的步骤：通过将剪裁得到的所述正样本的坐标与真实标注的坐标进行比较，获得训练边界框回归任务的正样本输出标签；将所述正样本输出标签和预先设定的负样本输出标签，通过边界框回归任务损失函数和分类任务损失函数的加权运算进行迭代。
本发明还提供了一种人脸检测装置，包括：
预分类模块，用于采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，确定所述待测图像中各输入区域的第一人脸置信度，根据所述第一人脸置信度从所述输入区域中筛选出至少一个候选区域，所述第一卷积神经网络包括m层卷积层；
二次分类模块，用于采用预先训练的第二卷积神经网络模型分别对所述候选区域进行分类处理，确定所述候选区域的第二人脸置信度，根据所述第二人脸置信度筛选出至少一个选中区域，所述第二卷积神经网络包括k层卷积层，其中，k和m均为正整数且k大于m；
非极大抑制模块，用于根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。
优选的，所述装置还包括：重定义模块，用于当采用图像金字塔方法从所述待测图像中获取输入区域时，将预先训练的第一卷积神经网络模型和第二卷积神经网络模型中网络结构的全连接层转换为全卷积层。
优选的，所述装置还包括：边界框回归模块，用于采用所述第二卷积神经网络模型，对各选中区域分别进行边界框回归处理。
其中，所述非极大抑制模块，具体用于对所述选中区域进行置信度排序，获得置信度最高的检测框；以所述置信度最高的检测框为中心，将周围大于第一重叠程度的检测框进行消除；以所述置信度最高的检测框为中心，将周围大于第二重叠程度的检测框聚合为一个人脸检测框，以得到所述人脸检测结果。
优选的，所述装置还包括用于训练卷积神经网络的图像分类任务的第一训练模块。
其中，所述第一训练模块，具体用于选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁；根据剪裁得到的图像与真实人脸标注的重叠程度，选取正样本和负样本；通过所述卷积层对所述正样本和负样本图像进行过滤处理，获得所述训练图像的特征图，并通过所述池化层对经过所述卷积层过滤处理的图像进行池化，降低所述卷积层输出的特征向量；将所述特征图全连接成一个向量，通过激活函数将所述向量的特征映射出来，获得图像分类结果，所述图像分类结果包括人脸图像类别和非人脸图像类别；将所述图像分类结果通过图像分类任务的损失函数进行迭代。
所述第二训练模块，具体用于通过将剪裁得到的所述正样本的坐标与真实标注的坐标进行比较，获得训练边界框回归任务的正样本输出标签；将所述正样本输出标签和预先设定的负样本输出标签，通过边界框回归任务的损失函数和分类任务损失函数的加权运算进行迭代。
综上，本发明实施例通过预先训练的第一卷积神经网络模型，根据待测图像中各区域的人脸置信度，对所述待测图像中各区域进行分类处理，获得至少一个候选区域，再通过预先训练的第二卷积神经网络模型，根据所述候选区域的人脸置信度，对所述候选区域进行二次分类处理，获得至少一个选中区域，根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。由于第一卷积神经网络的输入区域可以非常小，从而提升了人脸检测的计算速度。另外，由于利用不同深度的两个卷积神经网络模型，对得到的候选区域执行二次分类，使得分类预测更加准确，同时过滤掉大量误检样本，检测性能得到提升。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人脸检测方法的流程图；
图2为本发明实施例提供的一种人脸检测方法中训练第一卷积神经网络模型的流程图；
图3为本发明实施例提供的一种人脸检测方法中训练第二卷积神经网络模型图像分类任务的流程图；
图4为本发明实施例提供的一种人脸检测方法中训练第二卷积神经网络模型边界框回归任务的流程图；
图5为本发明实施例提供的一种人脸检测方法中人脸检测阶段的流程图；
图6为本发明实施例提供的一种第一卷积神经网络的网络结构示意图；
图7为本发明实施例提供的一种第二卷积神经网络的网络结构示意图；
图8为本发明实施例提供的一种人脸检测阶段经过非极大抑制操作后的检测结果中的检测图像示意图；
图9为本发明实施例提供的一种人脸检测阶段经过非极大抑制操作后的检测结果中NMS-max操作后的图像示意图；
图10为本发明实施例提供的一种人脸检测阶段经过非极大抑制操作后的检测结果中NMS-Average操作后的检测结果示意图；
图11为本发明实施例提供的一种人脸检测性能中召回率与误检数的关系示意图；
图12为本发明实施例提供的一种人脸检测测试结果示意图；
图13为本发明实施例提供的一种人脸检测装置的结构框图；
图14为本发明实施例提供的另一种人脸检测装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，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。
实施例一
参照图1，给出了本发明实施例提供的一种人脸检测方法的流程图。
步骤101，采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，确定所述待测图像中各输入区域的第一人脸置信度，根据所述第一人脸置信度从所述输入区域中筛选出至少一个候选区域。
其中，第一卷积神经网络包括m层卷积层。
具体地，第一卷积神经网络是具有深度学习能力的深度卷积神经网络，包括一个或多个卷积层和池化层，能够实现深度学习，与其他深度学习结构相比，深度卷积神经网络在图像识别方面展示出更加突出的性能。
在对人脸进行检测之前，可以通过预先使用包含丰富人脸标注信息的数据集作为训练样本，对第一卷积神经网络的图像分类任务进行训练，获得具有图像分类作用的第一卷积神经网络模型。
利用该经过训练的第一卷积神经网络模型对待测图像进行测试，可以获得该待测图像中各区域的人脸置信度。其中，人脸置信度为该区域的图像为人脸的概率。将该人脸置信度与预设第一人脸置信度的阈值比较，可以将各区域图像进行分类，区分出人脸区域和非人脸区域，并选取人脸区域作为候选区域。
步骤102，采用预先训练的第二卷积神经网络模型分别对候选区域进行分类处理，确定候选区域的第二人脸置信度，根据第二人脸置信度筛选出至少一个选中区域。
其中，第二卷积神经网络，包括k层卷积层，k和m均为正整数，且k大于m。第二卷积神经网络也是具有深度学习能力的深度卷积神经网络，而且具有比第一卷积神经网络更多的卷积层，即该第二卷积神经网络具有更深的深度，可以获得更加准确的分类预测。
在利用第二卷积神经网络模型对候选区域进行分类处理之前，可以预先使用包含丰富人脸标注信息的数据集作为训练样本，对第二卷积神经网络进行训练，获得具有图像分类和边界框回归作用的第二卷积神经网络模型。
利用该经过训练的第二卷积神经网络模型对候选区域进行分类，可以获得各候选区域的第二人脸置信度。将第二人脸置信度高于预设置信度阈值的区域作为选中区域，从而将各区域图像进一步分类，实现对候选区域的过滤，从中过滤掉误检区域。
步骤103，根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。
具体地，通过预先训练获得的第二卷积神经网络模型，对所述选中区域进行边界框回归，获得人脸检测结果。对边界框回归处理后的各选中区域进行置信度排序，获得置信度最高的检测框，以所述置信度最高的检测框为中心，将周围大于第一重叠程度的检测框进行消除，并更新置信度排序，再以所述置信度最高的检测框为中心，将周围大于第二重叠程度的检测框聚合为一个人脸检测框，以得到所述人脸检测结果。
利用该第二卷积神经网络模型在预先训练阶段，对边界框回归任务的训练过程中获得的边界框回归参数，可以对选中区域的人脸检测框进行调整，得到一个高质量的人脸检测框。
综上，本发明实施例通过预先训练的第一卷积神经网络模型，根据待测图像中各区域的人脸置信度，对所述待测图像中各区域进行分类处理，获得至少一个候选区域，再通过预先训练的第二卷积神经网络模型，根据所述候选区域的人脸置信度，对所述候选区域进行二次分类处理，获得至少一个选中区域，根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。由于第一卷积神经网络的输入区域可以非常小，从而提升了人脸检测的计算速度。另外，由于利用不同深度的两个卷积神经网络模型，对得到的候选区域执行二次分类，使得分类预测更加准确，同时过滤掉大量误检样本，检测性能得到提升。
实施例二
参照图2，在上述实施例的基础上，本实施例进一步论述人脸检测方法。
在一个可选实施例中，在对图像进行人脸检测之前，还包括对第一卷积神经网络模型和第二卷积神经网络模型进行训练。
下面分别以图2至图4的实施例论述，第一卷积神经网络模型和第二卷积神经网络模型训练的流程。
参照图2，给出了本发明实施例提供的一种人脸检测方法中训练第一卷积神经网络模型的流程图：
步骤201，选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁。
可选的，使用WIDER FACE数据集作为训练样本，其中WIDER FACE数据集包含丰富的具有标注的人脸数据，包括遮挡、姿势变化和各种活动场景等多种情况下的图像。
可选的，以滑动窗口的方式对人脸数据集中的样本进行裁剪。例如，将一张图像中最小人脸区域的高度值与宽度值中的最大值作为基窗口的边长，选用基窗口边长的1倍、0.7倍和1.4倍尺寸的窗口去随机剪裁图像。
步骤202，将剪裁得到的图像中满足与真实人脸标注的重叠区域大于第一阈值的图像作为正样本。
在与样本图像真实标注中心距离窗口预设距离处确定一个外边界区域，例如，在与样本图像真实标注中心距离窗口1.5倍距离处确定一个外边界区域。在该区域内采用滑动窗口的方法剪裁，将满足与真实人脸标注的重叠区域大于第一阈值的图像作为正样本。其中，重叠区域的评价标准可以使用IOU(Intersection Over Union)来表示，IOU被定义为两个检测框的相交区域与两个检测框的合并区域之比。例如，当第一阈值取值为0.6时，即取IOU>0.6的区域作为正样本。
步骤203，将剪裁得到的图像中满足与真实人脸标注的重叠区域小于第二阈值的图像作为负样本。
在整个图像上利用不同的窗口去随机剪裁，将满足与真实人脸标注的重叠区域小于第二阈值的图像作为负样本。例如，当第二阈值取值为0.3时，即取IOU<0.3的区域作为负样本。
步骤204，通过所述m层卷积层对所述正、负样本图像进行m层过滤处理，获得所述训练图像的特征图。
将所述正、负样本以预设比例输入至第一卷积神经网络中进行模型训练。其中，第一卷积神经网络是一个包括m层卷积层和n层池化层用于图像分类的卷积神经网络。例如，可选用含有5层卷积层的卷积神经网络对图像进行过滤。
可选的，在将预设尺寸的正、负样本彩色图像输入至第一卷积神经网络进行训练之前，需要对图像进行预处理操作，该预处理操作包括用正、负样本图像的红、绿、蓝像素值分别减去预设的固定均值，例如，红、绿、蓝像素值可分别减去中间灰度值127.5。并进行归一化处理。
将预处理后的图像输入至第一卷积神经网络进行训练。每层卷积层采用一系列较小的卷积核对图像进行滤波。例如，采用3×3的卷积核对图像进行密集过滤处理，将每一个3×3卷积核的步长固定为1，图像边界填充设为1。在卷积网络的过程中，把图像输入后，对输入图像进行填充，从而计算图像边界像素点的卷积响应，从而得到完整的信息，以实现更好的效果。
步骤205，通过所述n层池化层对经过所述卷积层过滤处理的图像进行n次池化，降低所述卷积层输出的特征向量。
通过池化层的池化操纵，对经过卷积层过滤处理的图像进行n次池化，以降低卷积层输出的特征向量，增加特征图的通道数，并使得特征具有平移不变性，从而得到更加鲁棒的特征。例如，可选n＝2，即利用含有2层池化层的卷积神经网络对卷积后的结果进行池化，若第一特征图的通道数为96，经过2层池化层后，特征图的通道数增加至256。
可选的，池化操作采用金字塔池化。其中，金字塔池化可以把任何尺度的图像的卷积特征转化成相同维度，这不仅可以让卷积神经网络处理任意尺度的图像，由于为降低计算量，本发明实施例中的第一卷积神经网络输入尺寸较小，采用金字塔池化方法可以检测到较小尺寸的图像，因此具有非常重要的意义。
步骤206，将所述特征图全连接成一个向量。
通过第一卷积神经网络的全连接层，将经过m层卷积层和n层池化层的特征向量全连接成一个向量。
可选的，全连接层之后采用Dropout的正则化方法，以防止过拟合。
步骤207，通过激活函数将所述向量的特征映射出来，获得图像分类结果，所述图像分类结果包括人脸图像类别和非人脸图像类别。
在第一卷积神经网络的网络结构中，每个卷积操作后采用Batch Normalization操作。其中，Batch Normalization是指在每次做随机梯度下降调整参数时，通过最小批次对网络的激活值做规范化操作。在训练阶段，参数的变化导致网络激活值分布发生变化，利用Batch Normalization操作去缓解这个变换，使网络能够更快的收敛到一个好的结果，并且Batch Normalization操作可以使用较大的学习率去训练网络，做更一般的初始化操作。之后在卷积层后面的隐藏层采用修正线性单元(Rectified linear unit，ReLU)作为激活函数，解决了由于网络较深造成的饱和问题和梯度弥散问题，将向量的特征映射出来，获得图像分类结果，即将图像分类为人脸图像和非人脸图像。
步骤208，将所述图像分类结果通过图像分类任务的损失函数进行迭代，获得所述第一卷积神经网络模型。
在训练第一卷积神经网络模型阶段，每批次处理设定数量的图像用于更新网络参数，例如，每批次处理128张图像，初始学习率设为0.01，动量设为0.9。通过图像分类任务的损失函数进行迭代，以获得第一卷积神经网络模型。例如，采用softmax损失函数作为图像分类任务的损失函数，迭代500万次后终止得到第一卷积神经网络模型，其中，softmax为起到分类作用的函数。
参照图3，给出了本发明实施例提供的一种人脸检测方法中训练第二卷积神经网络模型图像分类任务的流程图：
步骤301，选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁。
可选的，使用WIDER FACE数据集作为训练样本，其中WIDER FACE数据集包含丰富的具有标注的人脸数据，包括遮挡、姿势变化和各种活动场景等多种情况下的图像。
可选的，以滑动窗口的方式对人脸数据集中的样本进行裁剪。例如，将一张图像中最小人脸区域的高度值与宽度值中的最大值作为基窗口的边长，选用基窗口边长的1倍、0.7倍和1.4倍尺寸的窗口去随机剪裁图像。
步骤302，将剪裁得到的图像中满足与真实人脸标注的重叠区域大于第三阈值的图像作为正样本，其中第三阈值大于第一阈值。
在与样本图像真实标注中心距离窗口预设距离处确定一个外边界区域，例如，在与样本图像真实标注中心距离窗口1.5倍距离处确定一个外边界区域。在该区域内采用滑动窗口的方法剪裁，将满足与真实人脸标注的重叠区域大于第三阈值的图像作为正样本。其中，第三阈值大于第一阈值。例如，当第三阈值取值为0.8时，即取IOU>0.8的区域作为正样本。
步骤303，将剪裁得到的图像中满足与真实人脸标注的重叠区域小于第四阈值的图像作为负样本。
在整个图像上利用不同的窗口去随机剪裁，将满足与真实人脸标注的重叠区域小于第四阈值的图像作为负样本。例如，当第四阈值取值为0.3时，即取IOU<0.3的区域作为负样本。
步骤304，通过所述k层卷积层对所述正、负样本图像进行k层过滤处理，获得所述训练图像的特征图。
将所述正、负样本以预设比例输入至第二卷积神经网络中进行模型训练。其中，第二卷积神经网络是一个包括k层卷积层和i层池化层用于图像分类的卷积神经网络，其中第二卷积神经网络的卷积层层数k大于第一卷积神经网络的卷积层层数m。例如，可选用含有7层卷积层的卷积神经网络对图像进行过滤。采用3×3的卷积核这一结构间接增加了整个网络的深度，提高了检测性能。
可选的，在将预设尺寸的正、负样本彩色图像输入至第二卷积神经网络进行训练之前，需要对图像进行预处理操作，该预处理操作包括用正、负样本图像的红、绿、蓝像素值分别减去预设的固定均值，例如，红、绿、蓝像素值可分别减去中间灰度值127.5。并进行归一化处理。
将预处理后的图像输入至第二卷积神经网络进行训练。每层卷积层采用一系列较小的卷积核对图像进行滤波。例如，采用3×3的卷积核对图像进行密集过滤处理，将每一个3×3卷积核的步长固定为1，图像边界填充设为1。
步骤305，通过所述i层池化层对经过所述卷积层过滤处理的图像进行i次池化，降低所述卷积层输出的特征向量。
通过池化层的池化操纵，对经过卷积层过滤处理的图像进行i次池化，以降低卷积层输出的特征向量，增加特征图的通道数，并使得特征具有平移不变性，从而得到更加鲁棒的特征。由于第二卷积神经网络的卷积层层数k大于第一卷积神经网络的卷积层层数m，为使卷积层输出的特征向量控制在一定范围内，可以使第二卷积神经网络的池化层层数i大于第一卷积神经网络的池化层层数n。例如，可选用含有3层池化层的卷积神经网络对卷积后的结果进行池化，若第二卷积层之后特征图的通道数为96，经过3层池化层后，特征图的通道数增加至512。
步骤306，将所述特征图全连接成一个向量。
通过第二卷积神经网络的全连接层，将经过k层卷积层和i层池化层的特征向量全连接成一个向量。
可选的，全连接层之后采用Dropout的正则化方法，以防止过拟合。
步骤307，通过图像分类任务的激活函数将所述向量的特征映射出来，获得图像任务分类结果。
在第二卷积神经网络的网络结构中，每个卷积操作后采用Batch Normalization操作。在训练阶段，参数的变化导致网络激活值分布发生变化，利用Batch Normalization操作去缓解这个变换，使网络能够更快的收敛到一个好的结果，并且Batch Normalization操作可以使用较大的学习率去训练网络，做更一般的初始化操作。之后在卷积层后面的隐藏层采用修正线性单元作为激活函数，解决了由于网络较深造成的饱和问题和梯度弥散问题，将向量的特征映射出来，获得图像分类结果，即将图像分类为人脸图像和非人脸图像。
步骤308，将所述图像分类结果通过图像分类任务的损失函数进行迭代。
在训练第二卷积神经网络模型阶段，每批次处理设定数量的图像用于更新网络参数，例如，每批次处理128张图像，初始学习率设为0.01，动量设为0.9。通过图像分类任务的损失函数进行迭代，以获得第一卷积神经网络模型。例如，采用softmax损失函数作为图像分类任务的损失函数，迭代500W次后终止，完成对第二卷积神经网络模型图像分类任务的训练，其中，softmax为起到分类作用的函数。
参照图4，给出了本发明实施例提供的一种人脸检测方法中训练第二卷积神经网络模型边界框回归任务的流程图：
步骤401，通过将剪裁得到的所述正样本的坐标与真实标注的坐标进行比较，获得训练边界框回归任务的正样本输出标签。
在训练第二卷积神经网络过程中，将剪裁得到的所述正样本的坐标与真实标注的坐标的差值作为训练回归任务的标签。例如，剪裁得到的正样本边界框坐标为[x'0,y'0,x1',y1']，其中，(x'0,y'0)和(x1',y1')为正样本左上角和右下角的坐标值。与其中心位置距离最近的人脸真实标注为[x0,y0,x1,y1]，其中，(x0,y0)和(x1,y1)为真实人脸区域的左上角和右下角坐标值，若将正样本的输出标签设为则其中：
步骤402，将所述正样本输出标签和预先设定的负样本输出标签，通过边界框回归任务的损失函数进行迭代。
将正样本输出标签和预先设定的负样本输出标签，以预设比例输入至第二卷积神经网络中进行网络训练。例如，可以将负样本输出标签设为[0,-1,-1,-1,-1]，将正负样本以1:3的比例进行网络训练。通过边界框回归任务的损失函数进行迭代。例如，采用欧几里得损失函数作为边界框回归任务的损失函数，迭代500万次后终止，完成对第二卷积神经网络模型边界框回归任务的训练。
在上述实施例的基础上，下面分别以图5的实施例论述，通过经过训练的第一卷积神经网络模型和第二卷积神经网络模型对人脸检测的流程。
参照图5，给出了本发明实施例提供的一种人脸检测方法中人脸检测阶段的流程图：
步骤501，将预先训练获得的第一卷积神经网络模型和第二卷积神经网络模型中网络结构的全连接层转换为全卷积层，以采用图像金字塔方法获取输入区域。
由于原始的滑动窗口方法，从待测图像中获取输入区域的方式计算量较大，为了减小计算量，改为采用全卷积网络以获得任意大小的输入区域。
步骤502，根据预先训练获得的第一卷积神经网络模型对待测图像进行分类处理所获得的待测图像中各输入区域的第一人脸置信度，从输入区域中筛选获得候选区域。
选取预设缩放尺度和缩放系数构造图像金字塔，以检测图像中不同尺寸的人脸。例如，选取缩放尺度为2，缩放系数为0.7937构造图像金字塔，检测每一张图像中不同尺寸的人脸。将图像金字塔中的每一幅图像作为第一卷积神经网络的输入，经过m层卷积层、n层池化层，以及全卷积层，得到响应图。其中，采用图像金字塔进行尺度缩放得到的图像经过卷积、池化和全卷积的操作，前向测试网络得到原图的响应图。响应图中的每一个点，对应原图像中的一个检测窗口。响应图中的每个点会对应在原图中相应位置的人脸位置，这个点的概率就代表对应人脸的置信度，根据响应图的置信度值与置信度阈值的比较来判断原图中对应的位置是否为人脸，即判断原图这个检测框的置信度。设定较低置信度阈值，例如将置信度阈值设置为0.5，用于保证可以检测到严重遮挡、模糊和姿态变化等各种复杂情况下的人脸区域。将高于该阈值的点按照输入区域的缩放尺度对应到原图中，得到该尺度下的检测结果即为候选区域。参照图6，给出了本发明实施例提供的一种第一卷积神经网络的网络结构示意图。
步骤503，采用预先训练的第二卷积神经网络模型分别对所述候选区域进行分类处理，确定所述候选区域的第二人脸置信度，根据所述第二人脸置信度筛选出至少一个选中区域。
将通过第一卷积神经网络模型得到的候选区域作为第二卷积神经网络模型的输入，对此候选区域进行二次分类。具体的，将候选区域作为输入，经过k层卷积层、i层池化层，以及全卷积层，得到响应图。对响应图中各点的置信度进行计算，将置信度值高于预设置信度阈值的候选区作为选中区域。参照图7，给出了本发明实施例提供的一种第二卷积神经网络的网络结构示意图。
步骤504，通过预先训练获得的第二卷积神经网络模型，对选中区域进行边界框回归，得到人脸检测框。
利用预先训练获得的第二卷积神经网络模型中的边界框回归任务，对选中区域进行边界框回归，边界框回归处理后的选中区域的边界框即为人脸检测框。例如，若得到的候选区域的坐标为[x0”,y0”,x1”,y1”]，通过训练获得的回归目标值为据此进行边界框调整得到最后的检测结果为其中和为回归后检测框左上角和右下角的坐标值。此阶段利用训练阶段得到的回归参数对人脸检测框进行调整，得到一个高质量的人脸检测框。
步骤505，对边界框回归处理后的选中区域进行检测框非极大抑制操作，以将不同尺度的人脸检测框显示在同一张图像上。
利用一种高效的后处理方法NMS(Non-maximal suppression，非极大值抑制)获得最终的检测结果，将不同尺度下的检测结果显示在同一张图像上，以保证高召回率。其中，NMS是一种人脸检测框的后处理方法，其目的是保证每个人脸对象只对应一个检测框，消除多余的重叠检测框后得到最佳的检测区域，其中包含NMS_max方法和NMS_average方法。首先利用NMS_max方法找到具有最大置信度的检测窗口，然后移除所有满足IOU大于一定重叠阈值的检测框。然后利用NMS_average方法对检测框聚合，找到具有最高置信度的检测窗口，将所有与该窗口IOU大于某一阈值的检测框聚合为一个检测框，同时保证每个检测框的外边界不超过最高置信度检测窗口大小的10％，将最高置信度作为最后检测结果的置信度。在无法确定图像中的人脸数量的情况下，在完成第一个人脸检测框的聚合后，对置信度排序结果进行更新，并以该更新后的排序结果中置信度第二高的检测框为中心，进行消除和聚合。直至置信度排序结果中所有高于预设置信度阈值的检测框全部完成上述消除和聚合操作。
参照图8至图10给出了本发明实施例提供的一种人脸检测阶段经过非极大抑制操作后的检测结果示意图。
本发明实施例采用FDDB数据集作为测试该人脸检测方法的样本，其中FDDB数据集是目前用于衡量人脸检测的标准数据库，其中包含2846张图像，共5171个标注人脸。此数据集包含不同姿态、光照、低分辨率和失焦等复杂情况的图像。本发明在误检数为1000时，FDDB数据集上达到87.46％的召回率。参照图11给出了本发明实施例提供的一种人脸检测性能中召回率与误检数的关系示意图。参照图12给出了本发明实施例提供的一种人脸检测测试结果示意图。
综上，本发明实施例通过预先训练获得的第一卷积神经网络模型，根据待测图像中各区域的人脸置信度，对所述待测图像中各区域进行分类处理，获得候选区域，再通过预先训练获得的第二卷积神经网络模型，根据所述候选区域的人脸置信度，对所述候选区域进行分类处理，获得选中区域，所述选中区域为候选区域中过滤掉误检区域后的区域，同时通过所述预先训练获得的第二卷积神经网络模型，对所述选中区域进行边界框回归，获得人脸检测结果。由于采用二次分类的方法，使得第一卷积神经网络的输入区域可以非常小，并且通过采用图像金字塔的方法使得较小尺寸的图像能够被检测到，从而保证了人脸检测的计算速度的提升。另外，通过在人脸检测阶段，将网络结构中的全连接层转化为全卷积层提取图像的候选区域，使得不同尺寸不同位置的人脸区域做二次分类处理，避免了人脸区域受限而影响检测性能等问题。并且，由于利用一个相对第一卷积神经网络模型深度更深的第二卷积神经网络模型，对得到的候选区域执行二次分类和边界框回归的双任务，使得分类预测更加准确，检测框位置接近于真实标注，同时过滤掉大量误检样本，检测性能得到提升。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
实施例三
在上述实施例的基础上，本实施例还提供了一种人脸检测装置，应用于人工智能终端。
参照图13给出了本发明实施例提供的一种人脸检测装置的结构框图，具体可以包括如下模块：
预分类模块1301，用于采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，确定所述待测图像中各输入区域的第一人脸置信度，根据所述第一人脸置信度从所述输入区域中筛选出至少一个候选区域，所述第一卷积神经网络包括m层卷积层。
二次分类模块1302，用于采用预先训练的第二卷积神经网络模型分别对所述候选区域进行分类处理，确定所述候选区域的第二人脸置信度，根据所述第二人脸置信度筛选出至少一个选中区域，所述第二卷积神经网络包括k层卷积层，其中，k和m均为正整数且k大于m。
非极大抑制模块1303，用于根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。
参照图14，在本发明的一个可选实现方式中，在图13的基础上，人脸检测装置还包括如下模块：重定义模块1304和边界框回归模块1305。
预先训练时第一卷积神经网络模型和第二卷积神经网络模型的网络结构包括全连接层，重定义模块1304，用于当采用图像金字塔方法从所述待测图像中获取输入区域时，采用预先训练的第一卷积神经网络模型对待测图像进行分类处理之前，将预先训练的第一卷积神经网络模型和第二卷积神经网络模型中网络结构的全连接层转换为全卷积层。
边界框回归模块1305，用于采用所述第二卷积神经网络模型，对各选中区域分别进行边界框回归处理。
基于此，非极大抑制模块1303，具体用于对所述选中区域进行置信度排序，获得置信度最高的检测框；以所述置信度最高的检测框为中心，将周围大于第一重叠程度的检测框进行消除；以所述置信度最高的检测框为中心，将周围大于第二重叠程度的检测框聚合为一个人脸检测框，以得到所述人脸检测结果。
进一步地，人脸检测装置还包括如下模块：用于训练卷积神经网络的图像分类任务的第一训练模块1306，以及用于训练第二卷积神经网络的边界框回归任务的第二训练模块1307。
其中，卷积神经网络包括所述第一卷积神经网络和/或所述第二卷积神经网络。
具体地，第一训练模块1306，具体用于选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁；根据剪裁得到的图像与真实人脸标注的重叠程度，选取正样本和负样本；通过所述卷积层对所述正样本和负样本图像进行过滤处理，获得所述训练图像的特征图，并通过所述池化层对经过所述卷积层过滤处理的图像进行池化，降低所述卷积层输出的特征向量；将所述特征图全连接成一个向量，通过激活函数将所述向量的特征映射出来，获得图像分类结果，所述图像分类结果包括人脸图像类别和非人脸图像类别；将所述图像分类结果通过图像分类任务的损失函数进行迭代。
第二训练模块1307，具体用于通过将剪裁得到的所述正样本的坐标与真实标注的坐标进行比较，获得训练边界框回归任务的正样本输出标签；将所述正样本输出标签和预先设定的负样本输出标签，通过边界框回归任务的损失函数进行迭代。
综上，本发明实施例通过预分类模块1301，根据待测图像中各区域的人脸置信度，对所述待测图像中各区域进行分类处理，获得至少一个候选区域，再通过二次分类模块1302，根据所述候选区域的人脸置信度，对所述候选区域进行二次分类处理，获得至少一个选中区域，根据所选出的至少一个选中区域，利用非极大抑制模块1303进行检测框消除和聚合，以得到人脸检测结果。由于第一卷积神经网络的输入区域可以非常小，从而提升了人脸检测的计算速度。另外，由于利用不同深度的两个卷积神经网络模型，对得到的候选区域执行二次分类，使得分类预测更加准确，同时过滤掉大量误检样本，检测性能得到提升。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种人脸检测方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种人脸检测方法，其特征在于，所述方法包括：
采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，确定所述待测图像中各输入区域的第一人脸置信度，根据所述第一人脸置信度从所述输入区域中筛选出至少一个候选区域，所述第一卷积神经网络包括m层卷积层；
采用预先训练的第二卷积神经网络模型分别对所述候选区域进行分类处理，确定所述候选区域的第二人脸置信度，根据所述第二人脸置信度筛选出至少一个选中区域，所述第二卷积神经网络包括k层卷积层，其中，k和m均为正整数且k大于m；
根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。
2.根据权利要求1所述的方法，其特征在于，预先训练时所述第一卷积神经网络模型和第二卷积神经网络模型的网络结构包括全连接层，所述采用预先训练的第一卷积神经网络模型对待测图像进行分类处理之前，还包括：
当采用图像金字塔方法从所述待测图像中获取输入区域时，将预先训练的第一卷积神经网络模型和第二卷积神经网络模型中网络结构的全连接层转换为全卷积层。
3.根据权利要求1所述的方法，其特征在于，所述根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果之前，还包括：
采用所述第二卷积神经网络模型，对各选中区域分别进行边界框回归处理。
4.根据权利要求3所述的方法，其特征在于，所述根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果，包括：
对所述选中区域进行置信度排序，获得置信度最高的检测框；
以所述置信度最高的检测框为中心，将周围大于第一重叠程度的检测框进行消除；
以所述置信度最高的检测框为中心，将周围大于第二重叠程度的检测框聚合为一个人脸检测框，并将最高置信度作为该聚合结果的置信度，以得到所述人脸检测结果。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括训练卷积神经网络的图像分类任务的步骤，其中所述卷积神经网络包括所述第一卷积神经网络和/或所述第二卷积神经网络：
选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁；
根据剪裁得到的图像与真实人脸标注的重叠程度，选取正样本和负样本；
通过所述卷积层对所述正样本和负样本图像进行过滤处理，获得所述训练图像的特征图，并通过所述池化层对经过所述卷积层过滤处理的图像进行池化，降低所述卷积层输出的特征向量；
将所述特征图全连接成一个向量，通过激活函数将所述向量的特征映射出来，获得图像分类结果，所述图像分类结果包括人脸图像类别和非人脸图像类别；
将所述图像分类结果通过图像分类任务的损失函数进行迭代。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括训练第二卷积神经网络的边界框回归任务的步骤：
通过将剪裁得到的所述正样本的坐标与真实标注的坐标进行比较，获得训练边界框回归任务的正样本输出标签；
将所述正样本输出标签和预先设定的负样本输出标签，通过边界框回归任务损失函数和分类任务损失函数的加权运算进行迭代。
7.一种人脸检测装置，其特征在于，所述装置包括：
预分类模块，用于采用预先训练的第一卷积神经网络模型对待测图像进行分类处理，确定所述待测图像中各输入区域的第一人脸置信度，根据所述第一人脸置信度从所述输入区域中筛选出至少一个候选区域，所述第一卷积神经网络包括m层卷积层；
二次分类模块，用于采用预先训练的第二卷积神经网络模型分别对所述候选区域进行分类处理，确定所述候选区域的第二人脸置信度，根据所述第二人脸置信度筛选出至少一个选中区域，所述第二卷积神经网络包括k层卷积层，其中，k和m均为正整数且k大于m；
非极大抑制模块，用于根据所选出的至少一个选中区域，进行检测框消除和聚合，以得到人脸检测结果。
8.根据权利要求7所述的装置，其特征在于，预先训练时所述第一卷积神经网络模型和第二卷积神经网络模型的网络结构包括全连接层，所述装置还包括：
重定义模块，用于当采用图像金字塔方法从所述待测图像中获取输入区域时，将预先训练的第一卷积神经网络模型和第二卷积神经网络模型中网络结构的全连接层转换为全卷积层。
9.根据权利要求7所述的装置，其特征在于，所述人脸检测装置，还包括：
边界框回归模块，用于采用所述第二卷积神经网络模型，对各选中区域分别进行边界框回归处理。
10.根据权利要求9所述的装置，其特征在于，
所述非极大抑制模块，具体用于对所述选中区域进行置信度排序，获得置信度最高的检测框；以所述置信度最高的检测框为中心，将周围大于第一重叠程度的检测框进行消除；以所述置信度最高的检测框为中心，将周围大于第二重叠程度的检测框聚合为一个人脸检测框，以得到所述人脸检测结果。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括用于训练卷积神经网络的图像分类任务的第一训练模块，其中所述卷积神经网络包括所述第一卷积神经网络和/或所述第二卷积神经网络；
所述第一训练模块，具体用于选用包含人脸标注的人脸数据集作为训练样本，对所述训练样本中的训练图像进行剪裁；
根据剪裁得到的图像与真实人脸标注的重叠程度，选取正样本和负样本；
通过所述卷积层对所述正样本和负样本图像进行过滤处理，获得所述训练图像的特征图，并通过所述池化层对经过所述卷积层过滤处理的图像进行池化，降低所述卷积层输出的特征向量；
将所述特征图全连接成一个向量，通过激活函数将所述向量的特征映射出来，获得图像分类结果，所述图像分类结果包括人脸图像类别和非人脸图像类别；
将所述图像分类结果通过图像分类任务的损失函数进行迭代。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括用于训练第二卷积神经网络的边界框回归任务的第二训练模块；
所述第二训练模块，具体用于通过将剪裁得到的所述正样本的坐标与真实标注的坐标进行比较，获得训练边界框回归任务的正样本输出标签；
将所述正样本输出标签和预先设定的负样本输出标签，通过边界框回归任务的损失函数和分类任务损失函数的加权运算进行迭代。
CN201610848895.3A 2016-09-23 2016-09-23 一种人脸检测方法及装置 Pending CN107871134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610848895.3A CN107871134A (zh) 2016-09-23 2016-09-23 一种人脸检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610848895.3A CN107871134A (zh) 2016-09-23 2016-09-23 一种人脸检测方法及装置

Publications (1)

Publication Number Publication Date
CN107871134A true CN107871134A (zh) 2018-04-03

Family

ID=61751747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610848895.3A Pending CN107871134A (zh) 2016-09-23 2016-09-23 一种人脸检测方法及装置

Country Status (1)

Country Link
CN (1) CN107871134A (zh)

Cited By (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764164A (zh) * 2018-05-30 2018-11-06 华中科技大学 一种基于可变形卷积网络的人脸检测方法及系统
CN108846440A (zh) * 2018-06-20 2018-11-20 腾讯科技（深圳）有限公司 图像处理方法及装置、计算机可读介质和电子设备
CN108875833A (zh) * 2018-06-22 2018-11-23 北京智能管家科技有限公司 神经网络的训练方法、人脸识别方法及装置
CN108960064A (zh) * 2018-06-01 2018-12-07 重庆锐纳达自动化技术有限公司 一种基于卷积神经网络的人脸检测及识别方法
CN108960069A (zh) * 2018-06-05 2018-12-07 天津大学 一种用于单阶段物体检测器的增强上下文的方法
CN108985147A (zh) * 2018-05-31 2018-12-11 成都通甲优博科技有限责任公司 目标检测方法及装置
CN109145854A (zh) * 2018-08-31 2019-01-04 东南大学 一种基于级联卷积神经网络结构的人脸检测方法
CN109190512A (zh) * 2018-08-13 2019-01-11 成都盯盯科技有限公司 人脸检测方法、装置、设备及存储介质
CN109214389A (zh) * 2018-09-21 2019-01-15 上海小萌科技有限公司 一种目标识别方法、计算机装置及可读存储介质
CN109255767A (zh) * 2018-09-26 2019-01-22 北京字节跳动网络技术有限公司 图像处理方法和装置
CN109255382A (zh) * 2018-09-07 2019-01-22 阿里巴巴集团控股有限公司 用于图片匹配定位的神经网络系统，方法及装置
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和系统
CN109447943A (zh) * 2018-09-21 2019-03-08 中国科学院深圳先进技术研究院 一种目标检测方法、系统及终端设备
CN109543648A (zh) * 2018-11-30 2019-03-29 公安部交通管理科学研究所 一种过车图片中人脸提取方法
CN109558779A (zh) * 2018-07-06 2019-04-02 北京字节跳动网络技术有限公司 图像检测方法和装置
CN109613002A (zh) * 2018-11-21 2019-04-12 腾讯科技（深圳）有限公司 一种玻璃缺陷检测方法、装置和存储介质
CN109635770A (zh) * 2018-12-20 2019-04-16 上海瑾盛通信科技有限公司 活体检测方法、装置、存储介质及电子设备
CN109670429A (zh) * 2018-12-10 2019-04-23 广东技术师范学院 一种基于实例分割的监控视频多目标人脸检测方法及系统
CN109784148A (zh) * 2018-12-06 2019-05-21 北京飞搜科技有限公司 活体检测方法及装置
CN109799905A (zh) * 2018-12-28 2019-05-24 深圳云天励飞技术有限公司 一种手部跟踪方法和广告机
CN109815814A (zh) * 2018-12-21 2019-05-28 天津大学 一种基于卷积神经网络的人脸检测方法
CN109829434A (zh) * 2019-01-31 2019-05-31 杭州创匠信息科技有限公司 基于活体纹理的防伪方法和装置
CN109919214A (zh) * 2019-02-27 2019-06-21 南京地平线机器人技术有限公司 一种神经网络模型的训练方法及训练装置
CN109934115A (zh) * 2019-02-18 2019-06-25 苏州市科远软件技术开发有限公司 人脸识别模型的构建方法、人脸识别方法及电子设备
CN110084191A (zh) * 2019-04-26 2019-08-02 广东工业大学 一种眼部遮挡检测方法及系统
CN110188627A (zh) * 2019-05-13 2019-08-30 睿视智觉（厦门）科技有限公司 一种人脸图像过滤方法及装置
CN110188730A (zh) * 2019-06-06 2019-08-30 山东大学 基于mtcnn的人脸检测与对齐方法
CN110210314A (zh) * 2019-05-06 2019-09-06 深圳市华付信息技术有限公司 人脸检测方法、装置、计算机设备及存储介质
CN110263774A (zh) * 2019-08-19 2019-09-20 珠海亿智电子科技有限公司 一种人脸检测方法
CN110472640A (zh) * 2019-08-15 2019-11-19 山东浪潮人工智能研究院有限公司 一种目标检测模型预测框处理方法及装置
CN110490170A (zh) * 2019-08-27 2019-11-22 浙江中正智能科技有限公司 一种人脸候选框提取方法
CN110490115A (zh) * 2019-08-13 2019-11-22 北京达佳互联信息技术有限公司 人脸检测模型的训练方法、装置、电子设备及存储介质
CN110569700A (zh) * 2018-09-26 2019-12-13 阿里巴巴集团控股有限公司 优化损伤识别结果的方法及装置
CN110659550A (zh) * 2018-06-29 2020-01-07 比亚迪股份有限公司 交通标志牌识别方法、装置、计算机设备和存储介质
CN110796154A (zh) * 2018-08-03 2020-02-14 华为技术有限公司 一种训练物体检测模型的方法、装置以及设备
CN110889421A (zh) * 2018-09-07 2020-03-17 杭州海康威视数字技术股份有限公司 目标物检测方法及装置
CN110909688A (zh) * 2019-11-26 2020-03-24 南京甄视智能科技有限公司 人脸检测小模型优化训练方法、人脸检测方法及计算机系统
CN111144392A (zh) * 2019-11-21 2020-05-12 贵州财经大学 一种基于神经网络的极低功耗光学目标检测方法及装置
CN111368707A (zh) * 2020-03-02 2020-07-03 佛山科学技术学院 基于特征金字塔与密集块的人脸检测方法、系统、设备及介质
CN111382643A (zh) * 2018-12-30 2020-07-07 广州市百果园信息技术有限公司 一种手势检测方法、装置、设备及存储介质
CN111382638A (zh) * 2018-12-29 2020-07-07 广州市百果园信息技术有限公司 一种图像检测方法、装置、设备和存储介质
CN111507135A (zh) * 2019-01-31 2020-08-07 北京奇虎科技有限公司 人脸检测方法、装置、计算机设备及存储介质
CN111582207A (zh) * 2020-05-13 2020-08-25 北京市商汤科技开发有限公司 图像处理方法、装置、电子设备及存储介质
CN111860077A (zh) * 2019-04-30 2020-10-30 北京眼神智能科技有限公司 人脸检测方法、装置、计算机可读存储介质及设备
CN111861966A (zh) * 2019-04-18 2020-10-30 杭州海康威视数字技术股份有限公司 模型训练方法、装置及缺陷检测方法、装置
CN112001205A (zh) * 2019-05-27 2020-11-27 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型样本采集的方法
CN112001204A (zh) * 2019-05-27 2020-11-27 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型的训练方法
CN112016464A (zh) * 2020-08-28 2020-12-01 中移（杭州）信息技术有限公司 检测人脸遮挡的方法、装置、电子设备及存储介质
CN112232292A (zh) * 2020-11-09 2021-01-15 泰康保险集团股份有限公司 应用于移动端的人脸检测方法及装置
CN112232270A (zh) * 2020-10-29 2021-01-15 广西科技大学 一种基于模型量化的mdssd人脸检测方法
CN112287741A (zh) * 2020-06-19 2021-01-29 北京京东尚科信息技术有限公司 基于图像处理的农事操作管理方法及装置
CN112349150A (zh) * 2020-11-19 2021-02-09 飞友科技有限公司 一种机场航班保障时间节点的视频采集方法和系统
CN112347843A (zh) * 2020-09-18 2021-02-09 深圳数联天下智能科技有限公司 一种训练皱纹检测模型的方法及相关装置
CN112580395A (zh) * 2019-09-29 2021-03-30 深圳市光鉴科技有限公司 基于深度信息的3d人脸活体识别方法、系统、设备及介质
CN112651322A (zh) * 2020-12-22 2021-04-13 北京眼神智能科技有限公司 脸颊遮挡检测方法、装置及电子设备
CN112989913A (zh) * 2019-12-16 2021-06-18 辉达公司 利用面部标志和相关联的置信度值的基于神经网络的面部分析
CN113051960A (zh) * 2019-12-26 2021-06-29 深圳市光鉴科技有限公司 深度图人脸检测方法、系统、设备及存储介质
CN113505731A (zh) * 2021-07-26 2021-10-15 中国工商银行股份有限公司 一种人脸检测方法及装置
CN113642353A (zh) * 2020-04-27 2021-11-12 Tcl科技集团股份有限公司 一种人脸检测模型的训练方法、存储介质及终端设备
CN113887541A (zh) * 2021-12-06 2022-01-04 北京惠朗时代科技有限公司 一种应用于公司管理的多区域员工数量检测方法
CN114980106A (zh) * 2021-12-28 2022-08-30 国网冀北电力有限公司信息通信分公司 一种基于边缘计算的数据双重安全筛选系统
WO2024011859A1 (zh) * 2022-07-13 2024-01-18 天翼云科技有限公司 一种基于神经网络的人脸检测方法和装置
WO2024179060A1 (zh) * 2023-02-27 2024-09-06 荣耀终端有限公司 目标追踪方法和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160148079A1 (en) * 2014-11-21 2016-05-26 Adobe Systems Incorporated Object detection using cascaded convolutional neural networks
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法
CN105912990A (zh) * 2016-04-05 2016-08-31 深圳先进技术研究院 人脸检测的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160148079A1 (en) * 2014-11-21 2016-05-26 Adobe Systems Incorporated Object detection using cascaded convolutional neural networks
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法
CN105912990A (zh) * 2016-04-05 2016-08-31 深圳先进技术研究院 人脸检测的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAOXIANG LI ET.AL: "A Convolutional Neural Network Cascade for Face Detection", 《CVPR2015》 *
JUNAM SONG ET.AL: "Fast and Robust Face Detection based on CNN in Wild Environment", 《JOURNAL OF KOREA MULTIMEDIA SOCIETY》 *
KAIPENG ZHANG ET.AL: "Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 *

Cited By (94)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764164A (zh) * 2018-05-30 2018-11-06 华中科技大学 一种基于可变形卷积网络的人脸检测方法及系统
CN108985147A (zh) * 2018-05-31 2018-12-11 成都通甲优博科技有限责任公司 目标检测方法及装置
CN108960064A (zh) * 2018-06-01 2018-12-07 重庆锐纳达自动化技术有限公司 一种基于卷积神经网络的人脸检测及识别方法
CN108960069A (zh) * 2018-06-05 2018-12-07 天津大学 一种用于单阶段物体检测器的增强上下文的方法
CN108846440A (zh) * 2018-06-20 2018-11-20 腾讯科技（深圳）有限公司 图像处理方法及装置、计算机可读介质和电子设备
CN108846440B (zh) * 2018-06-20 2023-06-02 腾讯科技（深圳）有限公司 图像处理方法及装置、计算机可读介质和电子设备
CN108875833A (zh) * 2018-06-22 2018-11-23 北京智能管家科技有限公司 神经网络的训练方法、人脸识别方法及装置
CN110659550A (zh) * 2018-06-29 2020-01-07 比亚迪股份有限公司 交通标志牌识别方法、装置、计算机设备和存储介质
CN109558779A (zh) * 2018-07-06 2019-04-02 北京字节跳动网络技术有限公司 图像检测方法和装置
CN110796154A (zh) * 2018-08-03 2020-02-14 华为技术有限公司 一种训练物体检测模型的方法、装置以及设备
CN110796154B (zh) * 2018-08-03 2023-03-24 华为云计算技术有限公司 一种训练物体检测模型的方法、装置以及设备
US11605211B2 (en) 2018-08-03 2023-03-14 Huawei Cloud Computing Technologies Co., Ltd. Object detection model training method and apparatus, and device
CN109190512A (zh) * 2018-08-13 2019-01-11 成都盯盯科技有限公司 人脸检测方法、装置、设备及存储介质
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和系统
CN109145854A (zh) * 2018-08-31 2019-01-04 东南大学 一种基于级联卷积神经网络结构的人脸检测方法
CN110889421A (zh) * 2018-09-07 2020-03-17 杭州海康威视数字技术股份有限公司 目标物检测方法及装置
CN109255382A (zh) * 2018-09-07 2019-01-22 阿里巴巴集团控股有限公司 用于图片匹配定位的神经网络系统，方法及装置
CN109255382B (zh) * 2018-09-07 2020-07-17 阿里巴巴集团控股有限公司 用于图片匹配定位的神经网络系统，方法及装置
CN109447943A (zh) * 2018-09-21 2019-03-08 中国科学院深圳先进技术研究院 一种目标检测方法、系统及终端设备
CN109447943B (zh) * 2018-09-21 2020-08-14 中国科学院深圳先进技术研究院 一种目标检测方法、系统及终端设备
CN109214389B (zh) * 2018-09-21 2021-09-28 上海小萌科技有限公司 一种目标识别方法、计算机装置及可读存储介质
CN109214389A (zh) * 2018-09-21 2019-01-15 上海小萌科技有限公司 一种目标识别方法、计算机装置及可读存储介质
CN110569700A (zh) * 2018-09-26 2019-12-13 阿里巴巴集团控股有限公司 优化损伤识别结果的方法及装置
CN109255767A (zh) * 2018-09-26 2019-01-22 北京字节跳动网络技术有限公司 图像处理方法和装置
CN109613002A (zh) * 2018-11-21 2019-04-12 腾讯科技（深圳）有限公司 一种玻璃缺陷检测方法、装置和存储介质
CN109543648A (zh) * 2018-11-30 2019-03-29 公安部交通管理科学研究所 一种过车图片中人脸提取方法
CN109543648B (zh) * 2018-11-30 2022-06-17 公安部交通管理科学研究所 一种过车图片中人脸提取方法
CN109784148A (zh) * 2018-12-06 2019-05-21 北京飞搜科技有限公司 活体检测方法及装置
CN109670429A (zh) * 2018-12-10 2019-04-23 广东技术师范学院 一种基于实例分割的监控视频多目标人脸检测方法及系统
CN109635770A (zh) * 2018-12-20 2019-04-16 上海瑾盛通信科技有限公司 活体检测方法、装置、存储介质及电子设备
CN109815814B (zh) * 2018-12-21 2023-01-24 天津大学 一种基于卷积神经网络的人脸检测方法
CN109815814A (zh) * 2018-12-21 2019-05-28 天津大学 一种基于卷积神经网络的人脸检测方法
CN109799905A (zh) * 2018-12-28 2019-05-24 深圳云天励飞技术有限公司 一种手部跟踪方法和广告机
CN111382638B (zh) * 2018-12-29 2023-08-29 广州市百果园信息技术有限公司 一种图像检测方法、装置、设备和存储介质
CN111382638A (zh) * 2018-12-29 2020-07-07 广州市百果园信息技术有限公司 一种图像检测方法、装置、设备和存储介质
CN111382643B (zh) * 2018-12-30 2023-04-14 广州市百果园信息技术有限公司 一种手势检测方法、装置、设备及存储介质
CN111382643A (zh) * 2018-12-30 2020-07-07 广州市百果园信息技术有限公司 一种手势检测方法、装置、设备及存储介质
CN111507135A (zh) * 2019-01-31 2020-08-07 北京奇虎科技有限公司 人脸检测方法、装置、计算机设备及存储介质
CN109829434A (zh) * 2019-01-31 2019-05-31 杭州创匠信息科技有限公司 基于活体纹理的防伪方法和装置
CN109934115A (zh) * 2019-02-18 2019-06-25 苏州市科远软件技术开发有限公司 人脸识别模型的构建方法、人脸识别方法及电子设备
CN109919214B (zh) * 2019-02-27 2023-07-21 南京地平线机器人技术有限公司 一种神经网络模型的训练方法及训练装置
CN109919214A (zh) * 2019-02-27 2019-06-21 南京地平线机器人技术有限公司 一种神经网络模型的训练方法及训练装置
CN111861966B (zh) * 2019-04-18 2023-10-27 杭州海康威视数字技术股份有限公司 模型训练方法、装置及缺陷检测方法、装置
CN111861966A (zh) * 2019-04-18 2020-10-30 杭州海康威视数字技术股份有限公司 模型训练方法、装置及缺陷检测方法、装置
CN110084191B (zh) * 2019-04-26 2024-02-23 广东工业大学 一种眼部遮挡检测方法及系统
CN110084191A (zh) * 2019-04-26 2019-08-02 广东工业大学 一种眼部遮挡检测方法及系统
CN111860077A (zh) * 2019-04-30 2020-10-30 北京眼神智能科技有限公司 人脸检测方法、装置、计算机可读存储介质及设备
CN110210314A (zh) * 2019-05-06 2019-09-06 深圳市华付信息技术有限公司 人脸检测方法、装置、计算机设备及存储介质
CN110188627A (zh) * 2019-05-13 2019-08-30 睿视智觉（厦门）科技有限公司 一种人脸图像过滤方法及装置
CN110188627B (zh) * 2019-05-13 2021-11-23 睿视智觉（厦门）科技有限公司 一种人脸图像过滤方法及装置
CN112001205A (zh) * 2019-05-27 2020-11-27 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型样本采集的方法
CN112001204A (zh) * 2019-05-27 2020-11-27 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型的训练方法
CN112001204B (zh) * 2019-05-27 2024-04-02 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型的训练方法
CN112001205B (zh) * 2019-05-27 2023-10-31 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型样本采集的方法
CN110188730A (zh) * 2019-06-06 2019-08-30 山东大学 基于mtcnn的人脸检测与对齐方法
CN110188730B (zh) * 2019-06-06 2022-12-23 山东大学 基于mtcnn的人脸检测与对齐方法
CN110490115A (zh) * 2019-08-13 2019-11-22 北京达佳互联信息技术有限公司 人脸检测模型的训练方法、装置、电子设备及存储介质
CN110490115B (zh) * 2019-08-13 2021-08-13 北京达佳互联信息技术有限公司 人脸检测模型的训练方法、装置、电子设备及存储介质
CN110472640A (zh) * 2019-08-15 2019-11-19 山东浪潮人工智能研究院有限公司 一种目标检测模型预测框处理方法及装置
CN110472640B (zh) * 2019-08-15 2022-03-15 山东浪潮科学研究院有限公司 一种目标检测模型预测框处理方法及装置
CN110263774A (zh) * 2019-08-19 2019-09-20 珠海亿智电子科技有限公司 一种人脸检测方法
CN110490170A (zh) * 2019-08-27 2019-11-22 浙江中正智能科技有限公司 一种人脸候选框提取方法
CN110490170B (zh) * 2019-08-27 2023-01-06 浙江中正智能科技有限公司 一种人脸候选框提取方法
CN112580395A (zh) * 2019-09-29 2021-03-30 深圳市光鉴科技有限公司 基于深度信息的3d人脸活体识别方法、系统、设备及介质
CN111144392A (zh) * 2019-11-21 2020-05-12 贵州财经大学 一种基于神经网络的极低功耗光学目标检测方法及装置
CN110909688B (zh) * 2019-11-26 2020-07-28 南京甄视智能科技有限公司 人脸检测小模型优化训练方法、人脸检测方法及计算机系统
CN110909688A (zh) * 2019-11-26 2020-03-24 南京甄视智能科技有限公司 人脸检测小模型优化训练方法、人脸检测方法及计算机系统
CN112989913A (zh) * 2019-12-16 2021-06-18 辉达公司 利用面部标志和相关联的置信度值的基于神经网络的面部分析
US11934955B2 (en) 2019-12-16 2024-03-19 Nvidia Corporation Neural network based facial analysis using facial landmarks and associated confidence values
US12314854B2 (en) 2019-12-16 2025-05-27 Nvidia Corporation Neural network based determination of gaze direction using spatial models
CN113051960A (zh) * 2019-12-26 2021-06-29 深圳市光鉴科技有限公司 深度图人脸检测方法、系统、设备及存储介质
CN111368707A (zh) * 2020-03-02 2020-07-03 佛山科学技术学院 基于特征金字塔与密集块的人脸检测方法、系统、设备及介质
CN111368707B (zh) * 2020-03-02 2023-04-07 佛山科学技术学院 基于特征金字塔与密集块的人脸检测方法、系统、设备及介质
CN113642353A (zh) * 2020-04-27 2021-11-12 Tcl科技集团股份有限公司 一种人脸检测模型的训练方法、存储介质及终端设备
CN113642353B (zh) * 2020-04-27 2024-07-05 Tcl科技集团股份有限公司 一种人脸检测模型的训练方法、存储介质及终端设备
CN111582207B (zh) * 2020-05-13 2023-08-15 北京市商汤科技开发有限公司 图像处理方法、装置、电子设备及存储介质
CN111582207A (zh) * 2020-05-13 2020-08-25 北京市商汤科技开发有限公司 图像处理方法、装置、电子设备及存储介质
WO2021227694A1 (zh) * 2020-05-13 2021-11-18 北京市商汤科技开发有限公司 图像处理方法、装置、电子设备及存储介质
CN112287741A (zh) * 2020-06-19 2021-01-29 北京京东尚科信息技术有限公司 基于图像处理的农事操作管理方法及装置
CN112016464B (zh) * 2020-08-28 2024-04-12 中移（杭州）信息技术有限公司 检测人脸遮挡的方法、装置、电子设备及存储介质
CN112016464A (zh) * 2020-08-28 2020-12-01 中移（杭州）信息技术有限公司 检测人脸遮挡的方法、装置、电子设备及存储介质
CN112347843A (zh) * 2020-09-18 2021-02-09 深圳数联天下智能科技有限公司 一种训练皱纹检测模型的方法及相关装置
CN112347843B (zh) * 2020-09-18 2024-10-18 深圳数联天下智能科技有限公司 一种训练皱纹检测模型的方法及相关装置
CN112232270A (zh) * 2020-10-29 2021-01-15 广西科技大学 一种基于模型量化的mdssd人脸检测方法
CN112232292A (zh) * 2020-11-09 2021-01-15 泰康保险集团股份有限公司 应用于移动端的人脸检测方法及装置
CN112232292B (zh) * 2020-11-09 2023-12-26 泰康保险集团股份有限公司 应用于移动端的人脸检测方法及装置
CN112349150A (zh) * 2020-11-19 2021-02-09 飞友科技有限公司 一种机场航班保障时间节点的视频采集方法和系统
CN112651322B (zh) * 2020-12-22 2024-05-24 北京眼神智能科技有限公司 脸颊遮挡检测方法、装置及电子设备
CN112651322A (zh) * 2020-12-22 2021-04-13 北京眼神智能科技有限公司 脸颊遮挡检测方法、装置及电子设备
CN113505731A (zh) * 2021-07-26 2021-10-15 中国工商银行股份有限公司 一种人脸检测方法及装置
CN113887541A (zh) * 2021-12-06 2022-01-04 北京惠朗时代科技有限公司 一种应用于公司管理的多区域员工数量检测方法
CN114980106A (zh) * 2021-12-28 2022-08-30 国网冀北电力有限公司信息通信分公司 一种基于边缘计算的数据双重安全筛选系统
WO2024011859A1 (zh) * 2022-07-13 2024-01-18 天翼云科技有限公司 一种基于神经网络的人脸检测方法和装置
WO2024179060A1 (zh) * 2023-02-27 2024-09-06 荣耀终端有限公司 目标追踪方法和电子设备

Similar Documents

Publication Publication Date Title
CN107871134A (zh) 一种人脸检测方法及装置
CN109902677B (zh) 一种基于深度学习的车辆检测方法
CN113627257B (zh) 检测方法、检测系统、设备和存储介质
CN110188720A (zh) 一种基于卷积神经网络的目标检测方法及系统
CN109636772A (zh) 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN109447169A (zh) 图像处理方法及其模型的训练方法、装置和电子系统
CN104881662B (zh) 一种单幅图像行人检测方法
CN104346802B (zh) 一种人员离岗监控方法及设备
CN108470172A (zh) 一种文本信息识别方法及装置
CN110348376A (zh) 一种基于神经网络的行人实时检测方法
CN107133616A (zh) 一种基于深度学习的无分割字符定位与识别方法
CN108537117A (zh) 一种基于深度学习的乘客检测方法和系统
CN107688784A (zh) 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN105654067A (zh) 一种车辆检测方法及装置
CN108986075A (zh) 一种优选图像的判断方法及装置
CN109635694A (zh) 一种行人检测方法、装置、设备及计算机可读存储介质
CN107871101A (zh) 一种人脸检测方法及装置
CN109389599A (zh) 一种基于深度学习的缺陷检测方法及装置
CN105654066A (zh) 一种车辆识别方法及装置
CN109740676A (zh) 基于相似目标的物体检测迁移方法
CN107239785A (zh) 一种在智能设备中对图片进行分类的方法和系统
CN113887649A (zh) 一种基于深层特征和浅层特征融合的目标检测方法
CN109903339A (zh) 一种基于多维融合特征的视频群体人物定位检测方法
CN109711268A (zh) 一种人脸图像筛选方法及设备
CN106874913A (zh) 一种菜品检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180403