CN106407958A - 基于双层级联的面部特征检测方法 - Google Patents
基于双层级联的面部特征检测方法 Download PDFInfo
- Publication number
- CN106407958A CN106407958A CN201610971498.5A CN201610971498A CN106407958A CN 106407958 A CN106407958 A CN 106407958A CN 201610971498 A CN201610971498 A CN 201610971498A CN 106407958 A CN106407958 A CN 106407958A
- Authority
- CN
- China
- Prior art keywords
- training
- face
- sample
- feature
- svm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
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
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双层级联的面部特征检测方法。该方法在第一层级中对于含有人脸的图像设计了一种稀疏特征,通过支持向量机(SVM)学习特征,获得目标候选框;第二层级中使用人脸对齐方法进行局部特征点的定位,特征提取方法采用尺度不变特征(SIFT),直接使用人脸特征点替换,最后利用线性SVM学习特征,剔除误检窗口,实现面部特征检测,每次的结果再作为样本反馈给SVM进行学习。本发明通过第一层候选窗口的确定,以及每次的结果再作为样本反馈给SVM进行学习,提高检测速度;使用人脸对齐方法,无需对面部的多种姿态建立相应的模型;结合高精度的SIFT特征提取方法,有效地降低了误检率。
Description
技术领域
本发明涉及人脸检测技术领域,特别是一种基于双层级联的面部特征检测方法。
背景技术
人脸面部特征是指人脸检测中定位的面部关键点,是人脸图像分析的前提与关键。尽管目前有诸多人类自动面部分析技术(比如人脸识别与验证、人脸追踪、面部表情分析、人脸重建和人脸检索等技术),但由于存在面部的多姿态、光照、遮挡等因素,快速、精确地对自然状态的面部特征检测仍然是一大难题。
当前面部特征检测方法主要分为三类:基于boosting方法;基于深度卷积神经网络的方法;基于可变型模型(DPM)的方法。DPM是一种整体与局部特征结合,并对局部形状结构进行限制的高精度方法,其将人的头部特征用眼睛、鼻子、耳朵和嘴巴等局部区域的纹理特征和相对位置进行表示,然后匹配,但由于现实数据基本没有提供人头部局部区域的位置,方法难以提取精确特征进行训练,因此精度不够理想。之后虽然对其进行了改进,但改进后的DPM需要对目标的不同姿态角度建立相应的模型,再提取这些模板的方向梯度直方图(HOG)特征,采用半监督方法,隐藏变量SVM学习得到分类器,影响检测速度,尤其是在多尺度检测过程中,提取每个检测窗口根模版和部件模版的HoG特征并进行匹配,方法虽提高了检测精度,但相应的也导致了检测速度的下降。
在面部特征检测方面,结合DPM思想,出现将人脸检测、人脸特征点定位和人脸姿态估计整合一起人脸检测方法,方法舍弃DPM根模板,对不同人脸姿态建立模型,通过人脸对齐限制人脸形状,将特征点周围矩形区域作为部件模板,提取HoG特征,采用全监督方式,线性SVM学习,在少量数据集取得良好效果。Chen等实验证明人脸对齐确实能提高人脸检测的精度,采用人脸检测与人脸对齐联合训练的方式,将boosting方法和DPM思想结合一起训练得到高性能分类器,但由于训练需要充分自然状态下具有面部特征点正样本数据,需要筛选样本工作(Chen D,Ren S,Wei Y,et al.Joint Cascade Face Detection andAlignment[M]//Computer Vision–ECCV 2014.2014:109-122.)。总的来说,采用SVM训练得到的人脸检测器检测速度不够理想,需要建立多模型提高检测精度,而Boosting与DPM思想结合需要充足的有特征点的人脸样本。
发明内容
本发明的目的在于提供一种基于双层级联的面部特征检测方法,无需对面部的多种姿态建立相应的模型,从而提高检测速率。
实现本发明目的的技术解决方案为:
一种基于双层级联的面部特征检测方法,包括如下步骤:
第一步,设计一种稀疏特征,计算输入图像的稀疏特征,采用线性SVM学习特征,进行粗略分类,检测含有面部特征的候选区域;
第二步,在第一步检测出的候选区域中,使用已有的人脸数据集学习人脸对齐算法,形成人脸特征点回归器,进行特征点定位,回归不同人脸形状,提供面部眼睛、鼻子和嘴巴的位置,得到每个候选区域内相应的面部特征点;
第三步,采用尺度不变特征进行局部特征提取,直接使用第二步得到的人脸特征点替换SIFT特征点,提取每个特征点周围区域128维描述子向量,利用线性SVM学习特征,对候选区域进行筛选;
第四步,采用线性SVM不断学习特征,逐层训练分类器的方式,首先独立训练第一层级分类器,每次的结果再作为样本反馈给SVM进行学习,然后训练人脸特征点回归器,在此基础上最后训练第二层级分类器,添加难例训练实现人脸定位与收敛,最终确定面部特征区域。
进一步地,第一步所述计算输入图像的稀疏特征,方法如下:
(1.1)输入一张样本图像,归一化图像大小为16×16;
(1.2)计算图像每个像素的梯度幅值,梯度角度,角度通道位置:
其中M为梯度幅值,Ix,Iy分别为像素在x、y方向上的梯度;
θ=arctanIx/Iy∈[0,180)
其中θ为梯度角度;
bin≈θ/20
其中bin为角度通道位置;
(1.3)将0~180角度平均分成9个通道,每个通道的初始权重为0,计算每个像素角度通道位置,通道权重为幅值,剩余8个通道权重置为0,使得梯度空间每个像素投影成长度为9的单维向量;
(1.4)按照像素位置,从左到右,从上到下将256个像素的投影向量串联成一个向量,最后进行范式归一化,得到样本特征向量。
进一步地,第四步所述的采用线性SVM不断学习特征方法如下:
假设样本集合
{(X,Y)|(xi,yi),i=1,...,l}
其中xi∈Rn,y∈{-1,+1},l是样本总数,设置样本yiwTxi>0为分类正确,结果大于1,使用L2范式正则化防止过拟合,结果样本评分分数表达式:
si=wTxi
优化目标函数:
ξ(w;xi,yi)=max(1-yiwTxi)2
其中,si是第i个样本分数,C是惩罚因子,w是需要求解的权重向量,ξ是损失函数,采用对偶坐标下降法求解损失函数的最小值,每次的结果再作为样本反馈给SVM进行学习。
进一步地,第四步所述添加难例训练实现人脸定位与收敛,具体方法如下:
第一层训练中,第k次训练,k>1,k∈N,将所有正样本于k-1次的训练结果权重求内积,得分小于0的正样本不参与训练;负样本从不包含面部特征的图中随机截取窗口,计算得分大于0即可;第二层训练中,第k次训练,k>1,k∈N,将k-1次训练用的正样本与k-1训练的结果权重求内积,将得分小于0的正样本直接剔除,不再参与之后训练,然后余下正样本保存给下一次训练使用;负样本是得分大于0的非人脸窗口图片。
本发明与现有技术相比,其显著优点为:(1)第一层级候选窗口的确定,每次的结果再作为样本反馈给SVM进行学习,提高检测速度;(2)使用人脸对齐方法,从而无需对面部的多种姿态建立相应的模型;(3)结合高精度的SIFT特征提取方法,有效地降低了误检率。
附图说明
图1是本发明基于双层级联SVM的面部特征检测方法的流程图。
图2是图像梯度空间图像和稀疏特征的提取示意图,其中(a)是输入图,(b)是输入图像的多尺度梯度幅度图,(c)是输入图像中一个像素提取的向量结果图。
图3是人脸特征点分布图。
具体实施方式
本发明基于双层级联的面部特征检测方法,包括如下步骤:
第一步,设计一种稀疏特征,计算输入图像的稀疏特征,采用线性SVM学习特征,进行粗略分类,检测含有面部特征的候选区域;
所述计算输入图像的稀疏特征,方法如下:
(1.1)输入一张样本图像,归一化图像大小为16×16;
(1.2)计算图像每个像素的梯度幅值,梯度角度,角度通道位置:
其中M为梯度幅值,Ix,Iy分别为像素在x、y方向上的梯度;
θ=arctanIx/Iy∈[0,180)
其中θ为梯度角度;
bin≈θ/20
其中bin为角度通道位置;
(1.3)将0~180角度平均分成9个通道,每个通道的初始权重为0,计算每个像素角度通道位置,通道权重为幅值,剩余8个通道权重置为0,使得梯度空间每个像素投影成长度为9的单维向量;
(1.4)按照像素位置,从左到右,从上到下将256个像素的投影向量串联成一个向量,最后进行范式归一化,得到样本特征向量。
第二步,在第一步检测出的候选区域中,使用已有的人脸数据集学习人脸对齐算法,形成人脸特征点回归器,进行特征点定位,回归不同人脸形状,提供面部眼睛、鼻子和嘴巴的位置,得到每个候选区域内相应的面部特征点;
第三步,采用尺度不变特征进行局部特征提取,直接使用第二步得到的人脸特征点替换SIFT特征点,提取每个特征点周围区域128维描述子向量,利用线性SVM学习特征,对候选区域进行筛选;
第四步,采用线性SVM不断学习特征,逐层训练分类器的方式,首先独立训练第一层级分类器,每次的结果再作为样本反馈给SVM进行学习,然后训练人脸特征点回归器,在此基础上最后训练第二层级分类器,添加难例训练实现人脸定位与收敛,最终确定面部特征区域;
所述的采用线性SVM不断学习特征方法如下:
假设样本集合
{(X,Y)|(xi,yi),i=1,...,l}
其中xi∈Rn,y∈{-1,+1},l是样本总数,设置样本yiwTxi>0为分类正确,结果大于1,使用L2范式正则化防止过拟合,结果样本评分分数表达式:
si=wTxi
优化目标函数:
ξ(w;xi,yi)=max(1-yiwTxi)2
其中,si是第i个样本分数,C是惩罚因子,w是需要求解的权重向量,ξ是损失函数,采用对偶坐标下降法求解损失函数的最小值,每次的结果再作为样本反馈给SVM进行学习。
所述添加难例训练实现人脸定位与收敛,具体方法如下:
第一层训练中,第k次训练,k>1,k∈N,将所有正样本于k-1次的训练结果权重求内积,得分小于0的正样本不参与训练;负样本从不包含面部特征的图中随机截取窗口,计算得分大于0即可;第二层训练中,第k次训练,k>1,k∈N,将k-1次训练用的正样本与k-1训练的结果权重求内积,将得分小于0的正样本直接剔除,不再参与之后训练,然后余下正样本保存给下一次训练使用;负样本是得分大于0的非人脸窗口图片。
下面结合附图及具体实施例对本发明作进一步详细描述。
实施例1
结合图1,本发明基于双层级联的面部特征检测方法,步骤如下:
第一层级,对输入图像,提取其稀疏特征,快速的获得人脸候选区域:
假设归一化图像X中某个像素x,y方向梯度为Ix,Iy。像素的梯度幅值,梯度角度,角度通道位置计算公式为:
θ=arctanIx/Iy∈[0,180)
bin≈θ/20
其中表示M梯度幅值;θ表示梯度角度,值范围在[0,180);bin是角度通道位置。特征计算步骤如下:
(1)读入图像,结合图2(a)归一化图像大小为16×16;
(2)计算图像每个像素的Ix,Iy,按上述公式计算像素的梯度幅值与角度;
(3)结合图2(b)梯度空间每个像素投影成长度为9的单维向量,0—180角度均分成9个通道,每个通道初始权重为0,按照上述公式计算每个像素通道,通道权重为幅值,剩余8个通道权重直接置为0;
(4)结合图2(c)按照像素位置从左到右、从上到下将256个像素的投影向量串联成一个向量。
第二层级,本层级中,方法学习人脸局部鲁棒性特征剔除误检窗口。人脸对齐方法回归不同人脸形状,提供人脸眼睛、鼻子和嘴巴的位置,使方法无需对不同姿态建立模型。同时,方法可独立使用已有的人脸对齐数据集学习人脸对齐回归器,提高框架的灵活性。特征提取方法采用SIFT特征,图像归一化大小后,以特征点为中心计算直径为6范围内的特征。
方法不再检测尺度不变形特征点和提取特征点主方向,直接使用人脸特征点替换,然后提取每个特征点周围区域128维描述算子向量,串联成单维向量。结合图3,将人脸的12特征点作为SIFT特征点。
采用线性SVM学习特征,假设样本集合
{(X,Y)|(xi,yi),i=1,...,l}
其中xi∈Rn,y∈{-1,+1},l是样本总数,设置样本yiwTxi>0为分类正确,并尽可能的大于1,使用L2范式防止过拟合,结果样本评分分数表达式为:
si=wTxi
优化目标函数:
ξ(w;xi,yi)=max(1-yiwTxi)2
其中,si是第i个样本分数,C是惩罚因子,w是需要求解的权重向量,ξ是损失函数,采用对偶坐标下降法求解损失函数的最小值,每次的结果再作为样本反馈给SVM进行学习。
利用难例训练有效促进人脸精确定位,快速收敛。本专利设计了有效的难例处理方式。第一层训练中,第k(k>1,k∈N)次训练,将所有正样本于k-1次的训练结果权重求内积,得分小于0的正样本不参与训练。负样本从不包含面部特征的图中随机截取窗口,计算得分大于0即可;第二层训练中,第k(k>1,k∈N)次训练,将将k-1次训练用的正样本与k-1训练的结果权重求内积,将得分小于0的正样本直接剔除,不再参与之后训练,然后余下正样本保存给下一次训练使用。负样本是得分大于0的非人脸窗口图片。
Claims (4)
1.一种基于双层级联的面部特征检测方法,其特征在于,包括如下步骤:
第一步,设计一种稀疏特征,计算输入图像的稀疏特征,采用线性SVM学习特征,进行粗略分类,检测含有面部特征的候选区域;
第二步,在第一步检测出的候选区域中,使用已有的人脸数据集学习人脸对齐算法,形成人脸特征点回归器,进行特征点定位,回归不同人脸形状,提供面部眼睛、鼻子和嘴巴的位置,得到每个候选区域内相应的面部特征点;
第三步,采用尺度不变特征进行局部特征提取,直接使用第二步得到的人脸特征点替换SIFT特征点,提取每个特征点周围区域128维描述子向量,利用线性SVM学习特征,对候选区域进行筛选;
第四步,采用线性SVM不断学习特征,逐层训练分类器的方式,首先独立训练第一层级分类器,每次的结果再作为样本反馈给SVM进行学习,然后训练人脸特征点回归器,在此基础上最后训练第二层级分类器,添加难例训练实现人脸定位与收敛,最终确定面部特征区域。
2.根据权利要求1所述的基于双层级联的面部特征检测方法,其特征在于,第一步所述计算输入图像的稀疏特征,方法如下:
(1.1)输入一张样本图像,归一化图像大小为16×16;
(1.2)计算图像每个像素的梯度幅值,梯度角度,角度通道位置:
其中M为梯度幅值,Ix,Iy分别为像素在x、y方向上的梯度;
θ=arctanIx/Iy∈[0,180)
其中θ为梯度角度;
bin≈θ/20
其中bin为角度通道位置;
(1.3)将0~180角度平均分成9个通道,每个通道的初始权重为0,计算每个像素角度通道位置,通道权重为幅值,剩余8个通道权重置为0,使得梯度空间每个像素投影成长度为9的单维向量;
(1.4)按照像素位置,从左到右,从上到下将256个像素的投影向量串联成一个向量,最后进行范式归一化,得到样本特征向量。
3.根据权利要求1所述的基于双层级联的面部特征检测方法,其特征在于,第四步所述的采用线性SVM不断学习特征方法如下:
假设样本集合
{(X,Y)|(xi,yi),i=1,...,l}
其中xi∈Rn,y∈{-1,+1},l是样本总数,设置样本yiwTxi>0为分类正确,结果大于1,使用L2范式正则化防止过拟合,结果样本评分分数表达式:
si=wTxi
优化目标函数:
ξ(w;xi,yi)=max(1-yiwTxi)2
其中,si是第i个样本分数,C是惩罚因子,w是需要求解的权重向量,ξ是损失函数,采用对偶坐标下降法求解损失函数的最小值,每次的结果再作为样本反馈给SVM进行学习。
4.根据权利要求1所述的基于双层级联的面部特征检测方法,其特征在于,第四步所述添加难例训练实现人脸定位与收敛,具体方法如下:
第一层训练中,第k次训练,k>1,k∈N,将所有正样本于k-1次的训练结果权重求内积,得分小于0的正样本不参与训练;负样本从不包含面部特征的图中随机截取窗口,计算得分大于0即可;第二层训练中,第k次训练,k>1,k∈N,将k-1次训练用的正样本与k-1训练的结果权重求内积,将得分小于0的正样本直接剔除,不再参与之后训练,然后余下正样本保存给下一次训练使用;负样本是得分大于0的非人脸窗口图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610971498.5A CN106407958B (zh) | 2016-10-28 | 2016-10-28 | 基于双层级联的面部特征检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610971498.5A CN106407958B (zh) | 2016-10-28 | 2016-10-28 | 基于双层级联的面部特征检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106407958A true CN106407958A (zh) | 2017-02-15 |
CN106407958B CN106407958B (zh) | 2019-12-27 |
Family
ID=58015031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610971498.5A Active CN106407958B (zh) | 2016-10-28 | 2016-10-28 | 基于双层级联的面部特征检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106407958B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657279A (zh) * | 2017-09-26 | 2018-02-02 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN107784289A (zh) * | 2017-11-02 | 2018-03-09 | 深圳市共进电子股份有限公司 | 一种安防监控方法、装置及*** |
CN108241869A (zh) * | 2017-06-23 | 2018-07-03 | 上海远洲核信软件科技股份有限公司 | 一种基于快速可变形模型和机器学习的图像目标识别方法 |
CN108268838A (zh) * | 2018-01-02 | 2018-07-10 | 中国科学院福建物质结构研究所 | 人脸表情识别方法及人脸表情识别*** |
CN108875492A (zh) * | 2017-10-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测及关键点定位方法、装置、***和存储介质 |
CN108875520A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 人脸形状点定位的方法、装置、***及计算机存储介质 |
CN109299669A (zh) * | 2018-08-30 | 2019-02-01 | 清华大学 | 基于双智能体的视频人脸关键点检测方法及装置 |
CN109359599A (zh) * | 2018-10-19 | 2019-02-19 | 昆山杜克大学 | 基于联合学习身份和情感信息的面部表情识别方法 |
CN110046595A (zh) * | 2019-04-23 | 2019-07-23 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
CN110246169A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于梯度的窗口自适应立体匹配方法及*** |
WO2020063744A1 (zh) * | 2018-09-30 | 2020-04-02 | 腾讯科技(深圳)有限公司 | 人脸检测方法及装置、业务处理方法、终端设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350063A (zh) * | 2008-09-03 | 2009-01-21 | 北京中星微电子有限公司 | 人脸特征点定位方法及装置 |
CN103413119A (zh) * | 2013-07-24 | 2013-11-27 | 中山大学 | 基于人脸稀疏描述子的单样本人脸识别方法 |
CN104715227A (zh) * | 2013-12-13 | 2015-06-17 | 北京三星通信技术研究有限公司 | 人脸关键点的定位方法和装置 |
CN105320957A (zh) * | 2014-07-10 | 2016-02-10 | 腾讯科技(深圳)有限公司 | 分类器训练方法和装置 |
CN105989368A (zh) * | 2015-02-13 | 2016-10-05 | 展讯通信(天津)有限公司 | 一种目标检测方法及装置以及移动终端 |
-
2016
- 2016-10-28 CN CN201610971498.5A patent/CN106407958B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350063A (zh) * | 2008-09-03 | 2009-01-21 | 北京中星微电子有限公司 | 人脸特征点定位方法及装置 |
CN103413119A (zh) * | 2013-07-24 | 2013-11-27 | 中山大学 | 基于人脸稀疏描述子的单样本人脸识别方法 |
CN104715227A (zh) * | 2013-12-13 | 2015-06-17 | 北京三星通信技术研究有限公司 | 人脸关键点的定位方法和装置 |
CN105320957A (zh) * | 2014-07-10 | 2016-02-10 | 腾讯科技(深圳)有限公司 | 分类器训练方法和装置 |
CN105989368A (zh) * | 2015-02-13 | 2016-10-05 | 展讯通信(天津)有限公司 | 一种目标检测方法及装置以及移动终端 |
Non-Patent Citations (3)
Title |
---|
SHAOQING REN等: ""Face Alignment at 3000 FPS via Regressing Local Binary Features"", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
傅红普等: ""方向梯度直方图及其扩展"", 《计算机工程》 * |
陈栋: ""基于形状索引特征的人脸检测和识别"", 《中国博士学位论文全文数据库(电子期刊)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241869A (zh) * | 2017-06-23 | 2018-07-03 | 上海远洲核信软件科技股份有限公司 | 一种基于快速可变形模型和机器学习的图像目标识别方法 |
CN107657279B (zh) * | 2017-09-26 | 2020-10-09 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN107657279A (zh) * | 2017-09-26 | 2018-02-02 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN108875492A (zh) * | 2017-10-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测及关键点定位方法、装置、***和存储介质 |
CN108875492B (zh) * | 2017-10-11 | 2020-12-22 | 北京旷视科技有限公司 | 人脸检测及关键点定位方法、装置、***和存储介质 |
CN107784289A (zh) * | 2017-11-02 | 2018-03-09 | 深圳市共进电子股份有限公司 | 一种安防监控方法、装置及*** |
CN108875520A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 人脸形状点定位的方法、装置、***及计算机存储介质 |
CN108268838A (zh) * | 2018-01-02 | 2018-07-10 | 中国科学院福建物质结构研究所 | 人脸表情识别方法及人脸表情识别*** |
CN109299669B (zh) * | 2018-08-30 | 2020-11-13 | 清华大学 | 基于双智能体的视频人脸关键点检测方法及装置 |
CN109299669A (zh) * | 2018-08-30 | 2019-02-01 | 清华大学 | 基于双智能体的视频人脸关键点检测方法及装置 |
WO2020063744A1 (zh) * | 2018-09-30 | 2020-04-02 | 腾讯科技(深圳)有限公司 | 人脸检测方法及装置、业务处理方法、终端设备及存储介质 |
US11256905B2 (en) | 2018-09-30 | 2022-02-22 | Tencent Technology (Shenzhen) Company Limited | Face detection method and apparatus, service processing method, terminal device, and storage medium |
CN109359599A (zh) * | 2018-10-19 | 2019-02-19 | 昆山杜克大学 | 基于联合学习身份和情感信息的面部表情识别方法 |
CN110046595A (zh) * | 2019-04-23 | 2019-07-23 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
CN110046595B (zh) * | 2019-04-23 | 2022-08-09 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
CN110246169A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于梯度的窗口自适应立体匹配方法及*** |
CN110246169B (zh) * | 2019-05-30 | 2021-03-26 | 华中科技大学 | 一种基于梯度的窗口自适应立体匹配方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106407958B (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407958A (zh) | 基于双层级联的面部特征检测方法 | |
US11195051B2 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
CN105718868B (zh) | 一种针对多姿态人脸的人脸检测***及方法 | |
CN110263774A (zh) | 一种人脸检测方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN102609680B (zh) | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN107832672A (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN107871106A (zh) | 人脸检测方法和装置 | |
CN100440246C (zh) | 一种人脸特征点定位方法 | |
CN101667245B (zh) | 基于支持向量新颖检测分类器级联的人脸检测方法 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
CN110532920A (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN108154159B (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
CN106355138A (zh) | 基于深度学习和关键点特征提取的人脸识别方法 | |
CN106096560A (zh) | 一种人脸对齐方法 | |
CN109341703A (zh) | 一种全周期采用CNNs特征检测的视觉SLAM算法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
CN106203284B (zh) | 基于卷积神经网络和条件随机场的人脸检测方法 | |
CN104268514A (zh) | 一种基于多特征融合的手势检测方法 | |
CN101996310A (zh) | 基于嵌入式***的人脸检测与跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Qianmu Inventor after: Wu Dandan Inventor after: Qi Yong Inventor after: Wang Yinhai Inventor before: Wu Dandan Inventor before: Li Qianmu Inventor before: Qi Yong Inventor before: Wang Yinhai |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |