CN106909909A - 一种基于共享卷积特征的人脸检测与对齐方法 - Google Patents
一种基于共享卷积特征的人脸检测与对齐方法 Download PDFInfo
- Publication number
- CN106909909A CN106909909A CN201710135007.8A CN201710135007A CN106909909A CN 106909909 A CN106909909 A CN 106909909A CN 201710135007 A CN201710135007 A CN 201710135007A CN 106909909 A CN106909909 A CN 106909909A
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- convolution
- output
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001815 facial effect Effects 0.000 claims abstract description 43
- 210000004709 eyebrow Anatomy 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000012795 verification Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 14
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于共享卷积特征的人脸检测与对齐方法，包含四个步骤：首先对输入图像进行多层卷积和池化操作，提取卷积特征；然后根据提取到的卷积特征进行人脸检测，输出图像中的人脸位置信息；接着根据上一步骤输出的人脸位置信息，提取对应人脸位置的卷积特征，对人脸进行面部特征点定位，即输出人脸图像中的人脸特征点位置如眉毛、眼角、鼻子、嘴角等；最后根据人脸特征点检测步骤输出的人脸图像及其对应的人脸特征点位置，对人脸进行旋转和缩放处理，输出对齐后的人脸图像。本发明可实现对图像中人脸的自动检测与自动对齐，具有速度快、准确率高的特点，有助于提高人脸验证与人脸识别技术的准确率。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种基于共享卷积特征的人脸检测与对齐方法。
背景技术
随着计算机科学的不断发展，人机交互已成为越来越受重视的技术。作为计算机视觉领域的人脸识别和人脸验证技术已经在工业界开始得到应用，在过去几十年中人脸识别与验证技术一直是计算机视觉领域的热点研究课题。而人脸检测与对齐是人脸识别中至关重要的一个步骤。
首先，当前使用比较常见的人脸检测方法是基于Haar-like特征和AdaBoost技术的人脸检测方法，它通过提取人工设计的特征训练了基于AdaBoost技术的人脸检测器。但是由于Haar-like特征是一种人工设计的低层次抽象特征，并不具备完备的人脸信息，所以导致训练出来的检测器准确率不高。
其次，当前使用比较常见的人脸特征点定位方法是自适应形状模型方法(ASM，adaptive shape model)。这种方法对于异常特征点和姿态变化都不具备很强的鲁棒性，因此很难得到准确的人脸特征点，这将直接影响人脸对齐效果，进一步导致人脸识别性能的严重下降。
再次，基于卷积神经网络的方法虽然在准确率方面比传统方法较高，但是卷积神经网络计算量大，处理单张图片耗时长，很难达到实时检测人脸并对齐的要求。所以需要发明一种新的人脸检测与对齐方法，可以采用基于共享卷积特征的人脸检测与面部特征点定位方法。
为了解决上述问题，本发明提供一种基于共享卷积特征的人脸检测与对齐方法，该方法以任意包含人脸的图像为输入，可以快速准确地检测并对齐人脸。
发明内容
本发明要解决的技术问题是：克服了现有的基于传统特征和基于卷积神经网络的人脸检测与对齐方法的不足，提供了一种基于共享卷积特征的人脸检测与对齐方法。
本发明采用的技术方案为：一种基于共享卷积特征的人脸检测与对齐方法，本发明流程示意图如图7所示，包括以下四个步骤：
步骤(1)、首先使用一个深层卷积网络结构对输入图像进行卷积特征提取，卷积层激活函数采用RELU激活函数，池化层采用最大值池化。给定任意尺寸大小的输入图片，经过多层卷积池化操作，输出的卷积特征在深度轴上为固定大小512，在空间上的尺寸与输入图片的尺寸成比例关系。卷积特征提取部分共有16层，其中包括12层卷积层和4层池化层，卷积层的卷积核尺寸大小均为3x3，卷积步幅均为1，零填充数目为2，池化层的池化核尺寸大小均为2x2，池化层步幅均为2；
步骤(2)、输入图片经过多层卷积池化操作之后，提取卷积特征，训练人脸检测器，包括区域建议网络和感兴趣区域池化层；区域建议网络以卷积特征为输入，输出可能是目标对象的候选区域，然后引入感兴趣区域池化层提取出候选区域对应的卷积特征，对每个候选区域进行二分类与边界框回归。分类部分的输出值代表候选区域是否是人脸，如果是人脸则输出1，否则输出0；边界框回归部分输出人脸区域在输入图像中的位置，若分类部分输出0，则忽略边界框回归部分的输出。
步骤(3)、输入图片经过多层卷积池化操作之后提取到卷积特征，再经过感兴趣区域池化层提取人脸区域特征，训练面部特征点回归器，即将特征一维化连接全连接层，对面部特征点位置进行回归，输出该人脸图像中的人脸特征点位置，包括眉毛、眼角、鼻子、嘴角。
步骤(4)、最后根据步骤(3)输出的人脸图像及其对应的人脸特征点位置，选取两个固定人脸特征点(如左右眼角)作为定点，对人脸图像进行旋转和缩放处理，输出对齐后的人脸图像，对齐后的人脸图像中所选取固定特征点的位置将不变。
进一步地，步骤(1)中所述的深层卷积网络模型，以原图像为输入，不对输入图像进行尺寸变换，避免图像变形，损失信息。
进一步地，步骤(2)中所述的人脸检测器是通过提取图像的特征为输入训练得到的，图像的特征由共享的卷积神经网络提取得到。
进一步地，步骤(3)中所述的面部特征点回归器是通过提取图像的特征为输入训练得到的，图像的特征由共享的卷积神经网络提取得到。
进一步地，步骤(4)中所述的对人脸图像进行旋转和缩放，是基于保证人脸左右外眼角两点不变来进行处理。
本发明的原理在于：
本发明提供一种基于共享卷积特征的人脸检测与对齐方法，该方法以任意包含人脸的图像为输入，可以快速准确地检测图像中的人脸，并对检测到的人脸进行对齐。本方法包含四个步骤：首先将输入图像传递给深层卷积网络模型，提取卷积特征；然后将提取到的共享卷积特征传递给人脸检测器，人脸检测器输出人脸窗口；接着以上一步骤输出的人脸图像和对应位置的共享卷积特征为输入传递给面部特征点回归器，面部特征点回归器输出该人脸图像中的人脸特征点位置(眉毛、眼角、鼻子、嘴角等)；最后根据人脸特征点检测步骤输出的人脸图像及其对应的人脸特征点位置，对人脸进行旋转和缩放处理，输出对齐后的人脸图像。本发明可实现对图像中人脸的自动检测与自动对齐，具有速度快、准确率高的特点，有助于提高人脸验证与人脸识别技术的准确率。
本发明的内容主要包括了以下四个步骤：
(1)卷积特征提取步骤：首先使用一个深层卷积网络结构对输入图像进行卷积特征提取，卷积层激活函数采用RELU激活函数，池化层采用最大值池化。给定任意尺寸大小的输入图片，经过多层卷积池化操作，输出的卷积特征在深度轴上为固定大小512，在空间上的尺寸与输入图片的尺寸成比例关系。卷积特征提取部分共有16层，其中包括12层卷积层和4层池化层，卷积层的卷积核尺寸大小均为3x3，卷积步幅均为1，零填充数目为2，池化层的池化核尺寸大小均为2x2，池化层步幅均为2。
(2)人脸检测步骤：本步骤需要预先训练好一个人脸检测器，输入图片经过多层卷积池化操作之后，提取卷积特征，传递给人脸检测器，包括区域建议网络和感兴趣区域池化层；区域建议网络以卷积特征为输入，输出可能是目标对象的候选区域，然后引入感兴趣区域池化层提取出候选区域对应的卷积特征，对每个候选区域进行二分类与边界框回归。分类部分的输出值代表候选区域是否是人脸，如果是人脸则输出1，否则输出0；边界框回归部分输出人脸区域在输入图像中的位置，若分类部分输出0，则忽略边界框回归部分的输出。
(3)面部特征点定位步骤：本步骤同样需要预先训练一个面部特征点回归器，输入图片经过多层卷积池化操作之后提取到卷积特征，再经过感兴趣区域池化层提取人脸区域特征，传递给面部特征点回归器，即将特征一维化连接全连接层，对面部特征点位置进行回归，输出该人脸图像中的人脸特征点位置，包括眉毛、眼角、鼻子、嘴角。
(4)人脸对齐步骤：本步骤的输入是面部特征点定位步骤输出的人脸图像及其对应的人脸特征点位置，输出对齐后的人脸图像。人脸对齐步骤按照两个固定人脸特征点(如左右眼角)进行对齐，对人脸图像进行旋转和缩放处理，输出对齐后的人脸图像，对齐后的人脸图像中前一步骤所选取固定特征点的位置将不变。
本发明与现有技术相比的优点在于：
1、针对开放场景下图像中人脸检测效果精度低的问题，本发明采用了基于卷积神经网络的人脸检测算法，该算法可对不同尺寸的输入图像进行自适应，可有效避免输入图像归一化导致的信息损失。
2、本发明提出了一种新的基于共享卷积特征的人脸对齐算法，该算法采用与人脸检测模型共享卷积特征的策略，并使用一种三阶段式的训练方法对模型进行训练，能够快速有效地定位面部特征点(眼睛、眉毛、鼻子、嘴巴等)，使人脸形状信息得以较好的呈现。
3、本发明提出的人脸检测与对齐方法对光照、姿态、遮挡有更强的鲁棒性，对后续人脸识别和人脸验证的性能有较高提升。
附图说明
图1为基于本发明流程图；
图2为人脸检测部分训练模型图；
图3为面部特征点定位部分训练模型图；
图4为整体微调模型图；
图5为人脸特征点回归器结果示意图；
图6为人脸对齐结果示意图；
图7为本发明流程示意图。
具体实施方式
图1给出了基于共享卷积特征的人脸检测与对齐方法的总体处理流程，下面结合其他附图及具体实施方式进一步说明本发明。
本发明提供基于共享卷积特征的人脸检测与对齐方法，主要步骤介绍如下：
1、离线训练步骤
1)人脸检测
第一步先对人脸检测部分进行训练，采用随机梯度下降法对图2所示模型进行训练，设置初始学习率α为0.01，总迭代次数为80000次，迭代50000次以后每迭代10000次调整学习率α为原来的0.1倍，这种逐步调整学习率的方法有利于模型收敛到更优解。
2)面部特征定位
第二步对面部特征点定位部分进行训练，如图3所示，在开始训练之前，保留第一步人脸检测训练模型的提取卷积特征部分参数，卷积特征尾部继续连接面部特征点定位部分。同样地，输入图片经过多层卷积池化操作之后提取到卷积特征，再经过感兴趣区域池化层提取人脸区域特征，然后将特征一维化连接全连接层，最后对面部特征点位置进行回归。对于面部特征点的回归模型，本课题同样采用梯度下降法进行训练，初始学习率α为0.001(第一步人脸检测中的0.1倍)，总迭代次数为80000次，迭代50000次以后每迭代10000次调整学习率α为原来的0.1倍，最后对面部的68个特征点进行回归。
3)整体微调
第三步对整体模型进行微调，如图4所示，在开始训练之前，提取卷积特征部分保留第二步面部特征点回归训练后的参数，人脸检测部分保留第一步人脸检测训练后的参数，面部特征点回归部分保留第二步面部特征点回归训练后的参数。在此基础上，继续对模型进行训练，初始学习率α为0.001，总迭代次数为80000次，迭代50000次以后每迭代10000次调整学习率α为原来的0.1倍。
2、特征提取步骤
首先使用一个深层卷积网络结构对输入图像进行卷积特征提取，卷积层激活函数采用RELU激活函数，池化层采用最大值池化。给定任意尺寸大小的输入图片，经过多层卷积池化操作，输出的卷积特征在深度轴上为固定大小512，在空间上的尺寸与输入图片的尺寸成比例关系。卷积特征提取部分共有16层，其中包括12层卷积层和4层池化层，卷积层的卷积核尺寸大小均为3x3，卷积步幅均为1，零填充数目为2，池化层的池化核尺寸大小均为2x2，池化层步幅均为2。
3、人脸检测步骤
本步骤需要预先训练好一个人脸检测器，输入图片经过多层卷积池化操作之后，提取卷积特征，传递给人脸检测器，包括区域建议网络和感兴趣区域池化层；区域建议网络以卷积特征为输入，输出可能是目标对象的候选区域，然后引入感兴趣区域池化层提取出候选区域对应的卷积特征，对每个候选区域进行二分类与边界框回归。分类部分的输出值代表候选区域是否是人脸，如果是人脸则输出1，否则输出0；边界框回归部分输出人脸区域在输入图像中的位置，若分类部分输出0，则忽略边界框回归部分的输出。
4、面部特征点定位步骤
人脸特征点检测步骤首先提取人脸图像的传统特征(local binary pattern特征和Haar-like特征)和卷积神经网络特征，然后训练一个人脸特征点回归器；该回归器接收固定大小人脸图像，输出该人脸图像中的人脸特征点位置(眉毛、眼角、鼻子、嘴角等，如图5所示)。
5、人脸对齐步骤
本步骤的输入是人脸特征点检测步骤输出的人脸图像及其对应的人脸特征点位置，输出对齐后的人脸图像。人脸对齐步骤按照两个固定人脸特征点(如左右眼角)进行对齐，对人脸图像进行旋转和缩放处理，输出对齐后的人脸图像，对齐后的人脸图像中前一步骤所选取固定特征点的位置将不变(如图6所示)。
本发明未详细阐述的技术内容属于本领域技术人员的公知技术。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于共享卷积特征的人脸检测与对齐方法，其特征在于包括以下四个步骤：
步骤(1)、首先使用一个深层卷积网络结构对输入图像进行卷积特征提取，卷积层激活函数采用RELU激活函数，池化层采用最大值池化；给定任意尺寸大小的输入图片，经过多层卷积池化操作，输出的卷积特征在深度轴上为固定大小512，在空间上的尺寸与输入图片的尺寸成比例关系；
步骤(2)、输入图片经过多层卷积池化操作之后，提取卷积特征，训练人脸检测器，包括区域建议网络和感兴趣区域池化层；区域建议网络以卷积特征为输入，输出可能是目标对象的候选区域，然后引入感兴趣区域池化层提取出候选区域对应的卷积特征，对每个候选区域进行二分类与边界框回归；分类部分的输出值代表候选区域是否是人脸，如果是人脸则输出1，否则输出0；边界框回归部分输出人脸区域在输入图像中的位置，若分类部分输出0，则忽略边界框回归部分的输出；
步骤(3)、输入图片经过多层卷积池化操作之后提取到卷积特征，再经过感兴趣区域池化层提取人脸区域特征，训练面部特征点回归器，即将特征一维化连接全连接层，对面部特征点位置进行回归，输出该人脸图像中的人脸特征点位置，包括眉毛、眼角、鼻子、嘴角；
步骤(4)、最后根据步骤(3)输出的人脸图像及其对应的人脸特征点位置，选取两个固定人脸特征点作为定点，对人脸图像进行旋转和缩放处理，输出对齐后的人脸图像，对齐后的人脸图像中所选取固定特征点的位置将不变。
2.根据权利要求1所述的基于共享卷积特征的人脸检测与对齐方法，其特征在于：步骤(1)所述的卷积特征供步骤(2)和步骤(3)同时使用，既解决了面部特征点定位算法过度依赖人脸检测效果的问题，又减少了重复计算，提高了人脸检测与对齐算法的时间效率。
3.根据权利要求1所述的基于共享卷积特征的人脸检测与对齐方法，其特征在于：步骤(2)中所述的人脸检测器是通过提取图像的特征为输入训练得到的，图像的特征由共享的卷积神经网络提取得到。
4.根据权利要求1所述的基于共享卷积特征的人脸检测与对齐方法，其特征在于：步骤(3)中所述的面部特征点回归器是通过提取图像的特征为输入训练得到的，图像的特征由共享的卷积神经网络提取得到。
5.根据权利要求1所述的基于共享卷积特征的人脸检测与对齐方法，其特征在于：步骤(4)中所述的对人脸图像进行旋转和缩放，是基于保证人脸左右外眼角两点不变来进行处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710135007.8A CN106909909B (zh) | 2017-03-08 | 2017-03-08 | 一种基于共享卷积特征的人脸检测与对齐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710135007.8A CN106909909B (zh) | 2017-03-08 | 2017-03-08 | 一种基于共享卷积特征的人脸检测与对齐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106909909A true CN106909909A (zh) | 2017-06-30 |
| CN106909909B CN106909909B (zh) | 2021-02-02 |
Family
ID=59186826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710135007.8A Active CN106909909B (zh) | 2017-03-08 | 2017-03-08 | 一种基于共享卷积特征的人脸检测与对齐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106909909B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808129A (zh) * | 2017-10-17 | 2018-03-16 | 南京理工大学 | 一种基于单个卷积神经网络的面部多特征点定位方法 |
| CN108182384A (zh) * | 2017-12-07 | 2018-06-19 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
| CN108460787A (zh) * | 2018-03-06 | 2018-08-28 | 北京市商汤科技开发有限公司 | 目标跟踪方法和装置、电子设备、程序、存储介质 |
| CN108564022A (zh) * | 2018-04-10 | 2018-09-21 | 深圳市唯特视科技有限公司 | 一种基于定位分类回归网络的多人物姿势检测方法 |
| CN109145783A (zh) * | 2018-08-03 | 2019-01-04 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN109271974A (zh) * | 2018-11-16 | 2019-01-25 | 中山大学 | 一种轻量化人脸联合检测与识别方法及其*** |
| CN109635674A (zh) * | 2018-11-22 | 2019-04-16 | 深圳市唯特视科技有限公司 | 一种基于姿态适应的树突状卷积神经网络的人脸对齐方法 |
| CN110837785A (zh) * | 2019-10-28 | 2020-02-25 | 北京影谱科技股份有限公司 | 一种人脸图像检测方法及装置、计算设备、及存储介质 |
| US11699240B2 (en) | 2018-03-06 | 2023-07-11 | Beijing Sensetime Technology Development Co., Ltd. | Target tracking method and apparatus, and storage medium |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504362A (zh) * | 2014-11-19 | 2015-04-08 | 南京艾柯勒斯网络科技有限公司 | 基于卷积神经网络的人脸检测方法 |
| CN104992167A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸检测方法及装置 |
| CN105512638A (zh) * | 2015-12-24 | 2016-04-20 | 黄江 | 一种基于融合特征的人脸检测与对齐方法 |
| CN105550658A (zh) * | 2015-12-24 | 2016-05-04 | 蔡叶荷 | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 |
| CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、***及拍摄终端 |
| CN106372630A (zh) * | 2016-11-23 | 2017-02-01 | 华南理工大学 | 一种基于深度学习的人脸方向检测方法 |
-
2017
- 2017-03-08 CN CN201710135007.8A patent/CN106909909B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504362A (zh) * | 2014-11-19 | 2015-04-08 | 南京艾柯勒斯网络科技有限公司 | 基于卷积神经网络的人脸检测方法 |
| CN104992167A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸检测方法及装置 |
| CN105512638A (zh) * | 2015-12-24 | 2016-04-20 | 黄江 | 一种基于融合特征的人脸检测与对齐方法 |
| CN105550658A (zh) * | 2015-12-24 | 2016-05-04 | 蔡叶荷 | 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法 |
| CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、***及拍摄终端 |
| CN106372630A (zh) * | 2016-11-23 | 2017-02-01 | 华南理工大学 | 一种基于深度学习的人脸方向检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| HUAIZU JIANG 等: "Face Detection with the Faster R-CNN", 《ARXIV》 * |
| SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV》 * |
| SHARTOO: "RCNN,Fast RCNN,Faster RCNN总结", 《HTTP_SHARTOO.GITHUB.IO_RCNN-SERIES》 * |
| YI SUN 等: "Deep Convolutional Network Cascade for Facial Point Detection", 《CVPR 2013》 * |
| 王华锋 等: "视频中适应光照可变情况下的人脸识别方法", 《模式识别与人工智能》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808129A (zh) * | 2017-10-17 | 2018-03-16 | 南京理工大学 | 一种基于单个卷积神经网络的面部多特征点定位方法 |
| CN108182384A (zh) * | 2017-12-07 | 2018-06-19 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
| CN108182384B (zh) * | 2017-12-07 | 2020-09-29 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
| WO2019170023A1 (zh) * | 2018-03-06 | 2019-09-12 | 北京市商汤科技开发有限公司 | 目标跟踪方法和装置、电子设备、存储介质 |
| CN108460787A (zh) * | 2018-03-06 | 2018-08-28 | 北京市商汤科技开发有限公司 | 目标跟踪方法和装置、电子设备、程序、存储介质 |
| US11699240B2 (en) | 2018-03-06 | 2023-07-11 | Beijing Sensetime Technology Development Co., Ltd. | Target tracking method and apparatus, and storage medium |
| US11216955B2 (en) | 2018-03-06 | 2022-01-04 | Beijing Sensetime Technology Development Co., Ltd. | Target tracking methods and apparatuses, electronic devices, and storage media |
| CN108564022A (zh) * | 2018-04-10 | 2018-09-21 | 深圳市唯特视科技有限公司 | 一种基于定位分类回归网络的多人物姿势检测方法 |
| CN109145783B (zh) * | 2018-08-03 | 2022-03-25 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN109145783A (zh) * | 2018-08-03 | 2019-01-04 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN109271974A (zh) * | 2018-11-16 | 2019-01-25 | 中山大学 | 一种轻量化人脸联合检测与识别方法及其*** |
| CN109635674A (zh) * | 2018-11-22 | 2019-04-16 | 深圳市唯特视科技有限公司 | 一种基于姿态适应的树突状卷积神经网络的人脸对齐方法 |
| CN110837785A (zh) * | 2019-10-28 | 2020-02-25 | 北京影谱科技股份有限公司 | 一种人脸图像检测方法及装置、计算设备、及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106909909B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106909909A (zh) | 一种基于共享卷积特征的人脸检测与对齐方法 | |
| CN105512638B (zh) | 一种基于融合特征的人脸检测与对齐方法 | |
| CN104992167B (zh) | 一种基于卷积神经网络的人脸检测方法及装置 | |
| CN104573731B (zh) | 基于卷积神经网络的快速目标检测方法 | |
| CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
| CN105512624B (zh) | 一种人脸图像的笑脸识别方法及其装置 | |
| CN107977609A (zh) | 一种基于cnn的指静脉身份验证方法 | |
| CN109359526B (zh) | 一种人脸姿态估计方法、装置和设备 | |
| CN106778506A (zh) | 一种融合深度图像和多通道特征的表情识别方法 | |
| CN104123545B (zh) | 一种实时表情特征提取及表情识别方法 | |
| CN106599883A (zh) | 一种基于cnn的多层次图像语义的人脸识别方法 | |
| CN109145939A (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
| CN105868785A (zh) | 基于卷积神经网络的图片鉴别方法及*** | |
| CN107886064A (zh) | 一种基于卷积神经网络的人脸识别场景适应的方法 | |
| CN107103281A (zh) | 基于聚集损失深度度量学习的人脸识别方法 | |
| CN107679491A (zh) | 一种融合多模态数据的3d卷积神经网络手语识别方法 | |
| CN108615002A (zh) | 一种基于卷积神经网络的手掌静脉认证方法 | |
| CN108921019A (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
| CN104036255A (zh) | 一种人脸表情识别方法 | |
| CN108182397A (zh) | 一种多姿态多尺度的人脸验证方法 | |
| CN103984922B (zh) | 一种基于稀疏表示和形状约束的人脸识别方法 | |
| CN107844760A (zh) | 基于曲面法向分量图神经网络表示的三维人脸识别方法 | |
| CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
| CN106446773A (zh) | 一种全自动、鲁棒的三维人脸检测方法 | |
| CN107169954A (zh) | 一种基于并行卷积神经网络的图像显著性检测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210728 Address after: 310052 room 1202, block a, No. 66, Yueming Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: Ruishi netcloud (Hangzhou) Technology Co.,Ltd. Address before: 100083 room 1010, Xueyuan international building, No.1 Zhichun Road, Haidian District, Beijing Patentee before: Wang Huafeng |