CN109359603A - 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 - Google Patents
一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 Download PDFInfo
- Publication number
- CN109359603A CN109359603A CN201811231851.1A CN201811231851A CN109359603A CN 109359603 A CN109359603 A CN 109359603A CN 201811231851 A CN201811231851 A CN 201811231851A CN 109359603 A CN109359603 A CN 109359603A
- Authority
- CN
- China
- Prior art keywords
- face
- sample
- training
- network
- neural network
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于级联卷积神经网络的车辆驾驶员人脸检测方法,利用自建数据库生成三个真实训练样本库,然后构造三个训练网络,依次对三个真实训练样本库进行训练,同时根据训练结果不断调整训练参数使得loss快速收敛,生成对应的三个模型,最后将三个模型进行级联并添加SVM分类器滤除级联模型的误检特征,获得行驶车辆中驾驶员的人脸特征。本发明在最大限度保证人脸特征检测的准确性和实时性的前提下,有效的精简了训练网络,减少了训练时间,提高了检测效率,可以广泛的适用于各种公路上行驶车辆驾驶员的人脸特征检测。
Description
技术领域
本发明属于深度学习以及人脸检测领域,涉及一种基于级联卷积神经网络的车辆驾驶员人脸检测方法。
背景技术
随着科技的不断发展,人脸检测实现了技术飞速的提升和广泛的普及。这极大地满足了人们日常生活的需要,也给人们的生产生活提供了安全的保障。与此同时,在公路上对驾驶员的人脸特征的检测的需求日益增长。因此,实现准确的人脸检测技术是科技发展的必然。这将会有利于日常生活的安全和高效,也会大大地降低来自硬件设备和人工劳动等所带来的成本问题。
传统的卷积神经网络在进行人脸检测时效率低下,由于传统的卷积神经网络在进行人脸预测前都需要通过一个庞大的网络进行模型的训练,由于输入的数据量巨大,模型的训练不仅要消耗很长的时间,还要建立在高配置的训练平台的基础上,对环境要求高。而传统的困难样本的处理方法是通过训练的网络自检一次后,人工手动筛选出哪些困难样本无法被分类,这种传统的方法速度慢,效率低。此外,传统的人脸检测方法有时会将图像中的非人脸也检测出来,误差率高。
发明内容
为解决上述问题,本发明公开了一种基于级联卷积神经网络的车辆驾驶员人脸检测方法,选择了速度快、体系较为精炼的MTCNN的级联的网络结构作为主体,将三个相互独立的p-net、r-net、o-net网络进行级联,从而筛选出人脸特征,并在最后加上SVM分类器进行误检特征的滤除,检测出驾驶员的人脸特征。本发明采用的训练模型速度快、模型体积小、人脸检测准确率高、检测速度快,在快速训练出模型的同时,保证驾驶员人脸特征检测速度快,准确率高,可以很好地应用于公路的各个交通关卡,完成人脸检测。
为了达到上述目的,本发明提供如下技术方案:
一种基于级联卷积神经网络的车辆驾驶员人脸检测方法,包括如下步骤:
步骤1:筛选可用的公路行驶车辆驾驶员人脸的照片,对照片进行标定,建立本地人脸数据库;
步骤2:依次生成12*12、24*24、48*48的真实训练样本库,包括如下子步骤:
步骤2.1:根据已知的标定得到的人脸特征数据,通过IOU的方法对图像进行放缩、晃动等变换,获得足够正样本、负样本、部分样本;
步骤2.2:根据训练网络对输入图片大小的要求,依次生成12*12、24*24、48*48的真实训练样本库;其中,正样本和负样本用于人脸分类,正样本和部分样本用于人脸框回归,正样本和部分样本中标定的人脸特征数据用于关键点标定;
步骤3:构造三个训练网络,分别对2*12、24*24、48*48的真实训练样本库进行训练,并在训练过程中调整参数,使得loss快速收敛,具体流程如下:
步骤3.1:构造12*12的p-net训练网络,输入12*12的训练样本进行训练,loss收敛后获得模型,p-net网络用于粗筛得到候选框;
步骤3.2:构造24*24的r-net训练网络,输入24*24的训练样本进行训练,loss收敛后获得模型,r-net网络用于筛选p-net的粗筛结果,并过滤重复的人脸框进行微调使得更加准确;
步骤3.3:构造48*48的o-net训练网络,输入48*48的训练样本进行训练,loss收敛后获得模型,o-net网络用于最后的筛选判定,并微调人脸框,回归得到人脸特征关键点的位置,具有人脸分类;
步骤4,将步骤3训练得到的三层模型进行级联,并在模型的最后加上SVM分类器滤除误检图像,筛选出驾驶员的人脸特征。
具体的,所述步骤1包括如下子步骤:
步骤1.1:手动挑选出人眼可以清晰的识别出人脸的照片;
步骤1.2:对步骤1.1挑选的照片进行标定,标定内容为人脸框左上角坐标、人脸框右下角坐标、人脸左眼坐标、人脸右眼坐标、人脸鼻尖坐标、人脸左侧嘴角坐标、人脸右侧嘴角坐标;
步骤1.3:建立原始的训练样本,其中照片名称与手工标定得到的人脸特征数据一一对应。
优选的,步骤1中建立人脸数据库时将驾驶员人脸打上标签1,非人脸图像打上标签0。
具体的,所述步骤2中,IOU的方法具体包括如下步骤:
通过晃动、放缩等变换获取更多的样本数目,定义IOU如下:
当IOU<0.3时,该随机生成的目标框即为负样本;
当IOU>0.4且<0.65时,该随机生成的目标框即为部分样本;
当IOU>0.65时,该随机生成的目标框即为正样本。
具体的,所述步骤2中,每个样本库对应的正样本、负样本、部分样本比例为1:1:3。
优选的,步骤3中在对样本训练时,采用在线困难样本反向传播的方法,在每个mini-batch中,从所有样本的前向传播中将计算得到的loss进行排序,然后只取其中loss最高的部分作为困难样本,然后在反向传播中只计算这些困难样本,忽略那些简单的样本。
具体的,所述步骤3.1中,采用交叉熵损失函数的方法来进行人脸分类的任务,处理的公式为:
其中,pi为人脸的概率,为背景的真实标签;
p-net网络采用了全卷积神经网络,去获得候选窗体和边界回归向量,同时,候选窗体根据边界框进行校准,然后利用NMS方法去除重叠窗体。
具体的,所述步骤3.2中,采用欧氏距离计算的回归损失函数解决边界框回归问题,计算网络预测的边界框位置和标定边界框的欧式距离,并最小化该距离,处理的公式为:
其中,为通过网络预测得到的边界框,为标定的边界框;
r-net网络选用全连接的方式进行训练,利用边界框向量微调候选窗体,再利用NMS去除重叠窗体。
具体的,所述步骤3.3中,采用欧氏距离计算的回归损失函数解决边界框回归问题,计算网络预测的关键点位置和标定关键点的欧式距离,并最小化该距离,处理的公式为:
其中,为通过网络预测得到的关键点位置,为标定关键点的位置;
在进行多个输入源的训练时,对如下函数进行最小化:
其中,p-net和r-net要求αdet=1,αbox=0.5;o-net要求αdet=1,αbox=0.5,alandmark=0.5,N为训练样本数量,αj表示任务的重要性,为样本标签,为所述步骤3.1、3.2、3.3中的损失函数。
具体的,所述步骤4中SVM处理公式如下:
其中,(w,b)为超平面,(x(i),y(i))为样本点,αi为拉格朗日乘子。
与现有技术相比,本发明具有如下优点和有益效果:
1)减少模型训练成本:本发明将网络分离独立化,分别训练三个网络并进行级联,在最后加上SVM分类器,极大地减少了训练模型的时间,仅用CPU即可完成模型的训练,大大降低了训练平台的成本。
2)减少人工劳动力:本发明采用了在线困难样本反向传播的方法。在每个mini-batch中,从所有样本的前向传播中将计算得到的loss进行排序,然后只取其中loss最高的前70%作为困难样本。然后在反向传播中只计算这些困难样本,忽略那些简单的样本。在线困难样本反向传播极大地减少了人工劳动力,提升了训练效率。
3)误检率低:本发明通过SVM分类器,可以滤除级联网络预测产生的误检特征,从而只将驾驶员的人脸特征显示出来。
4)适用性广:本发明可以应用于白天、晚上、正面、侧面的驾驶员人脸检测,可以快速高效的提取驾驶员的人脸特征,进而有效提升识别精度。
附图说明
图1为本发明方法流程图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供了一种基于级联卷积神经网络的车辆驾驶员人脸检测方法,其流程如图1所示,具体包括以下步骤:
步骤1:筛选可用的公路行驶车辆驾驶员人脸的照片,建立本地人脸数据库,具体流程如下:
步骤1.1:由于反光、遮挡等不利因素,手动挑选出人眼可以清晰的识别出人脸的照片;
步骤1.2:对这些图片进行标定,标定内容为人脸框左上角坐标、人脸框右下角坐标、人脸左眼坐标、人脸右眼坐标、人脸鼻尖坐标、人脸左侧嘴角坐标、人脸右侧嘴角坐标;
步骤1.3:建立原始的训练样本,其中照片名称与手工标定得到的人脸特征数据一一对应。
步骤2:为了训练三个相互独立的级联模型,需要依次生成12*12、24*24、48*48的真实训练样本库,每个样本库对应的正样本、负样本、部分样本比例约为1:1:3,具体流程如下:
步骤2.1:根据已知的标定得到的人脸特征数据,通过IOU的方法对图像进行放缩、晃动等变换,可以获得足够多的正样本、负样本、部分样本;
其中,IOU的方法具体步骤如下:
在原始训练样本库中,每张照片与人脸特征数据一一对应,每张照片中的正样本和部分样本数目较少,为了增加正样本和部分样本的数目,可以通过晃动、放缩等变换获取更多的样本数目,定义IOU如下:
当IOU<0.3时,该随机生成的目标框即为负样本;
当IOU>0.4且<0.65时,该随机生成的目标框即为部分样本;
当IOU>0.65时,该随机生成的目标框即为正样本;
通过IOU的方法不仅可以控制正样本、负样本和部分样本的比例以及数量,还可以控制正样本、负样本和部分样本图片的大小,以提供给不同大小的真实训练样本库进行训练。
经过以上步骤,实现了对原始训练样本的处理,生成了真实训练样本库,实现了人脸特征数据的分类及丰富。
步骤2.2:根据训练网络对输入图片大小的要求,依次生成12*12、24*24、48*48的真实训练样本库,每个样本库对应的正样本、负样本、部分样本比例为1:1:3。其中,正样本和负样本用于人脸分类,正样本和部分样本用于人脸框回归,正样本和部分样本中标定的人脸特征数据用于关键点标定。
步骤3:构造训练网络,分别对真实训练样本库进行训练,并在训练过程中调整参数,使得loss(损失函数)快速收敛,具体流程如下:
步骤3.1:构造12*12的训练网络,输入12*12的训练样本进行训练,loss收敛后获得模型,该网络(p-net)负责粗筛得到候选框,具有人脸分类、人脸框回归的功能;
本步骤中,采用交叉熵损失函数的方法来进行人脸分类的任务。处理的公式为:
其中,pi为人脸的概率,为背景的真实标签。
该层网络(p-net)采用了全卷积神经网络,去获得候选窗体和边界回归向量。同时,候选窗体根据边界框进行校准,然后利用NMS方法去除重叠窗体。
步骤3.2:构造24*24的训练网络,输入24*24的训练样本进行训练,loss收敛后获得模型,该网络(r-net)负责筛选p-net的粗筛结果,并过滤重复的人脸框进行微调使得更加准确,具有人脸分类、人脸框回归的功能;
本步骤中,采用欧氏距离计算的回归损失函数解决边界框回归问题,计算网络预测的边界框位置和标定边界框的欧式距离,并最小化该距离,处理的公式为:
其中,为通过网络预测得到的边界框,为标定的边界框,y为一个(左上角x,左上角y,长,宽)组成的四元组。
该层网络(r-net)选用全连接的方式进行训练,利用边界框向量微调候选窗体,再利用NMS去除重叠窗体。
步骤3.3:构造48*48的训练网络,输入48*48的训练样本进行训练,loss收敛后获得模型,该网络(o-net)负责最后的筛选判定,并微调人脸框,回归得到人脸特征关键点的位置,具有人脸分类、人脸框回归、关键点标定的功能。
本步骤中,采用欧氏距离计算的回归损失函数解决边界框回归问题,计算网络预测的关键点位置和标定关键点的欧式距离,并最小化该距离,处理的公式为:
其中,为通过网络预测得到的关键点位置,为标定关键点的位置。由于一共有5个关键点,每个点2个坐标,所以,y属于十元组。
该层网络(o-net)比r-net网络结构多了一层卷积,功能与r-net网络作用一样,只是在去除重叠候选窗口的同时,显示人脸的五个关键点位置。
在进行多个输入源的训练时,有如下的函数:
其中,p-net和r-net要求αdet=1,αbox=0.5;o-net要求αdet=1,αbox=0.5,αlandmark=0.5。
整个的训练学习过程就是最小化上面的这个函数,其中,N为训练样本数量,αj表示任务的重要性,为样本标签,为所述步骤3.1、3.2、3.3中的损失函数。
上述步骤3.1、3.2、3.3中在对样本训练时,均采用了在线困难样本反向传播的方法。
传统的困难样本的处理方法是通过训练的网络自检一次后,手动筛选出哪些困难样本无法被分类,这种传统的方法速度慢,效率低,因此选择了在线困难样本反向传播的方法。在每个mini-batch(小批量样本)中,从所有样本的前向传播中将计算得到的loss进行排序,然后只取其中loss最高的前70%作为困难样本。然后在反向传播中只计算这些困难样本,忽略那些简单的样本。通过这种方法,可以在保证准确率的前提下提升网络的训练效率,减少训练时间。
步骤4:训练得到的三层模型进行级联,并在模型的最后加上SVM分类器滤除误检图像,筛选出驾驶员的人脸特征。
本步骤中,采用SVM分类器滤除级联网络预测得到的非驾驶员的人脸特征。通过精简的三层级联网络预测的人脸特征有时会包含非人脸特征即误检,此时,还需要一个分类器,对这些误检的特征进行过滤。因此,采用SVM分类器对误检特征进行过滤,从而只检测出驾驶员的人脸特征。由于SVM分类器需要对输入的数据进行全面的标注,因此在建立人脸数据库时将驾驶员人脸打上标签1,非人脸图像打上标签0。
SVM为获得最佳分类超平面,处理公式如下:
其中,(w,b)为超平面,(x(i),y(i))为样本点,αi为拉格朗日乘子。
本发明在最大限度保证人脸特征检测的准确性和实时性的前提下,有效的精简了训练网络,减少了训练时间,提高了检测效率,可以广泛的适用于各种公路上行驶车辆驾驶员的人脸特征检测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,包括如下步骤:
步骤1:筛选可用的公路行驶车辆驾驶员人脸的照片,对照片进行标定,建立本地人脸数据库;
步骤2:依次生成12*12、24*24、48*48的真实训练样本库,包括如下子步骤:
步骤2.1:根据已知的标定得到的人脸特征数据,通过IOU的方法对图像进行放缩、晃动等变换,获得足够正样本、负样本、部分样本;
步骤2.2:根据训练网络对输入图片大小的要求,依次生成12*12、24*24、48*48的真实训练样本库;其中,正样本和负样本用于人脸分类,正样本和部分样本用于人脸框回归,正样本和部分样本中标定的人脸特征数据用于关键点标定;
步骤3:构造三个训练网络,分别对2*12、24*24、48*48的真实训练样本库进行训练,并在训练过程中调整参数,使得loss快速收敛,具体流程如下:
步骤3.1:构造12*12的p-net训练网络,输入12*12的训练样本进行训练,loss收敛后获得模型,p-net网络用于粗筛得到候选框;
步骤3.2:构造24*24的r-net训练网络,输入24*24的训练样本进行训练,loss收敛后获得模型,r-net网络用于筛选p-net的粗筛结果,并过滤重复的人脸框进行微调使得更加准确;
步骤3.3:构造48*48的o-net训练网络,输入48*48的训练样本进行训练,loss收敛后获得模型,o-net网络用于最后的筛选判定,并微调人脸框,回归得到人脸特征关键点的位置,具有人脸分类;
步骤4,将步骤3训练得到的三层模型进行级联,并在模型的最后加上SVM分类器滤除误检图像,筛选出驾驶员的人脸特征。
2.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,所述步骤1包括如下子步骤:
步骤1.1:手动挑选出人眼可以清晰的识别出人脸的照片;
步骤1.2:对步骤1.1挑选的照片进行标定,标定内容为人脸框左上角坐标、人脸框右下角坐标、人脸左眼坐标、人脸右眼坐标、人脸鼻尖坐标、人脸左侧嘴角坐标、人脸右侧嘴角坐标;
步骤1.3:建立原始的训练样本,其中照片名称与手工标定得到的人脸特征数据一一对应。
3.根据权利要求1或2所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,步骤1中建立人脸数据库时将驾驶员人脸打上标签1,非人脸图像打上标签0。
4.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,
所述步骤2中,IOU的方法具体包括如下步骤:
通过晃动、放缩等变换获取更多的样本数目,定义IOU如下:
当IOU<0.3时,该随机生成的目标框即为负样本;
当IOU>0.4且<0.65时,该随机生成的目标框即为部分样本;
当IOU>0.65时,该随机生成的目标框即为正样本。
5.根据权利要求1或4所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,所述步骤2中,每个样本库对应的正样本、负样本、部分样本比例为1:1:3。
6.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,步骤3中在对样本训练时,采用在线困难样本反向传播的方法,在每个mini-batch中,从所有样本的前向传播中将计算得到的loss进行排序,然后只取其中loss最高的部分作为困难样本,然后在反向传播中只计算这些困难样本,忽略那些简单的样本。
7.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,所述步骤3.1中,采用交叉熵损失函数的方法来进行人脸分类的任务,处理的公式为:
其中,pi为人脸的概率,为背景的真实标签;
p-net网络采用了全卷积神经网络,去获得候选窗体和边界回归向量,同时,候选窗体根据边界框进行校准,然后利用NMS方法去除重叠窗体。
8.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,所述步骤3.2中,采用欧氏距离计算的回归损失函数解决边界框回归问题,计算网络预测的边界框位置和标定边界框的欧式距离,并最小化该距离,处理的公式为:
其中,为通过网络预测得到的边界框,为标定的边界框;
r-net网络选用全连接的方式进行训练,利用边界框向量微调候选窗体,再利用NMS去除重叠窗体。
9.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,所述步骤3.3中,采用欧氏距离计算的回归损失函数解决边界框回归问题,计算网络预测的关键点位置和标定关键点的欧式距离,并最小化该距离,处理的公式为:
其中,为通过网络预测得到的关键点位置,为标定关键点的位置;
在进行多个输入源的训练时,对如下函数进行最小化:
其中,p-net和r-net要求αdet=1,αbox=0.5;o-net要求αdet=1,αbox=0.5,αlandmark=0.5,N为训练样本数量,αj表示任务的重要性,为样本标签,为所述步骤3.1、3.2、3.3中的损失函数。
10.根据权利要求1所述的基于级联卷积神经网络的车辆驾驶员人脸检测方法,其特征在于,所述步骤4中SVM处理公式如下:
其中,(w,b)为超平面,(x(i),y(i))为样本点,αi为拉格朗日乘子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811231851.1A CN109359603A (zh) | 2018-10-22 | 2018-10-22 | 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811231851.1A CN109359603A (zh) | 2018-10-22 | 2018-10-22 | 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359603A true CN109359603A (zh) | 2019-02-19 |
Family
ID=65346130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811231851.1A Pending CN109359603A (zh) | 2018-10-22 | 2018-10-22 | 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359603A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949438A (zh) * | 2019-03-20 | 2019-06-28 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶监测模型建立方法、装置及存储介质 |
CN109948550A (zh) * | 2019-03-20 | 2019-06-28 | 北京百分点信息科技有限公司 | 一种智慧火车站人流量监控***及方法 |
CN109978017A (zh) * | 2019-03-06 | 2019-07-05 | 开易(北京)科技有限公司 | 难样本采样方法和*** |
CN110163114A (zh) * | 2019-04-25 | 2019-08-23 | 厦门瑞为信息技术有限公司 | 一种人脸角度及人脸模糊度分析方法、***和计算机设备 |
CN110175504A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于多任务级联卷积网络的目标检测和对齐方法 |
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 |
CN110322445A (zh) * | 2019-06-12 | 2019-10-11 | 浙江大学 | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 |
CN110458005A (zh) * | 2019-07-02 | 2019-11-15 | 重庆邮电大学 | 一种基于多任务渐进配准网络的旋转不变人脸检测方法 |
CN110751174A (zh) * | 2019-09-10 | 2020-02-04 | 华中科技大学 | 一种基于多任务级联卷积网络的表盘检测方法和*** |
CN111222463A (zh) * | 2020-01-07 | 2020-06-02 | 南京邮电大学 | 一种基于级联式卷积网络的机动车人脸检测方法 |
CN111695435A (zh) * | 2020-05-19 | 2020-09-22 | 东南大学 | 基于深度混合编解码神经网络的驾驶员行为识别方法 |
CN111753598A (zh) * | 2019-03-29 | 2020-10-09 | 中国联合网络通信集团有限公司 | 人脸检测方法及设备 |
CN111931920A (zh) * | 2020-09-25 | 2020-11-13 | 北京智芯微电子科技有限公司 | 基于级联神经网络的目标检测方法、装置及存储介质 |
CN112036253A (zh) * | 2020-08-06 | 2020-12-04 | 海纳致远数字科技(上海)有限公司 | 一种基于深度学习的人脸关键点定位方法 |
CN112862096A (zh) * | 2021-02-04 | 2021-05-28 | 百果园技术(新加坡)有限公司 | 一种模型训练和数据处理方法、装置、设备及介质 |
CN114596637A (zh) * | 2022-03-23 | 2022-06-07 | 北京百度网讯科技有限公司 | 图像样本数据增强训练方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778563A (zh) * | 2016-12-02 | 2017-05-31 | 江苏大学 | 一种基于空间连贯特征的快速任意姿态人脸表情识别方法 |
CN107784294A (zh) * | 2017-11-15 | 2018-03-09 | 武汉烽火众智数字技术有限责任公司 | 一种基于深度学习的人脸检测与跟踪方法 |
CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
CN108564052A (zh) * | 2018-04-24 | 2018-09-21 | 南京邮电大学 | 基于mtcnn的多摄像头动态人脸识别***与方法 |
-
2018
- 2018-10-22 CN CN201811231851.1A patent/CN109359603A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778563A (zh) * | 2016-12-02 | 2017-05-31 | 江苏大学 | 一种基于空间连贯特征的快速任意姿态人脸表情识别方法 |
CN107784294A (zh) * | 2017-11-15 | 2018-03-09 | 武汉烽火众智数字技术有限责任公司 | 一种基于深度学习的人脸检测与跟踪方法 |
CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
CN108564052A (zh) * | 2018-04-24 | 2018-09-21 | 南京邮电大学 | 基于mtcnn的多摄像头动态人脸识别***与方法 |
Non-Patent Citations (3)
Title |
---|
KAIPENG ZHANG等: "Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 * |
YANG ZHANG等: "A Deep Learning Approach for Face Detection and Location on Highway", 《AIAAT 2018》 * |
丁世飞: "《高级人工智能》", 31 January 2015, 中国矿业大学出版社 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978017A (zh) * | 2019-03-06 | 2019-07-05 | 开易(北京)科技有限公司 | 难样本采样方法和*** |
CN109948550A (zh) * | 2019-03-20 | 2019-06-28 | 北京百分点信息科技有限公司 | 一种智慧火车站人流量监控***及方法 |
CN109949438A (zh) * | 2019-03-20 | 2019-06-28 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶监测模型建立方法、装置及存储介质 |
CN109949438B (zh) * | 2019-03-20 | 2021-07-13 | 锦图计算技术(深圳)有限公司 | 异常驾驶监测模型建立方法、装置及存储介质 |
CN111753598A (zh) * | 2019-03-29 | 2020-10-09 | 中国联合网络通信集团有限公司 | 人脸检测方法及设备 |
CN110175504A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于多任务级联卷积网络的目标检测和对齐方法 |
CN110163114A (zh) * | 2019-04-25 | 2019-08-23 | 厦门瑞为信息技术有限公司 | 一种人脸角度及人脸模糊度分析方法、***和计算机设备 |
CN110163114B (zh) * | 2019-04-25 | 2022-02-15 | 厦门瑞为信息技术有限公司 | 一种人脸角度及人脸模糊度分析方法、***和计算机设备 |
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 |
CN110322445A (zh) * | 2019-06-12 | 2019-10-11 | 浙江大学 | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 |
CN110458005A (zh) * | 2019-07-02 | 2019-11-15 | 重庆邮电大学 | 一种基于多任务渐进配准网络的旋转不变人脸检测方法 |
CN110458005B (zh) * | 2019-07-02 | 2022-12-27 | 重庆邮电大学 | 一种基于多任务渐进配准网络的旋转不变人脸检测方法 |
CN110751174A (zh) * | 2019-09-10 | 2020-02-04 | 华中科技大学 | 一种基于多任务级联卷积网络的表盘检测方法和*** |
CN111222463A (zh) * | 2020-01-07 | 2020-06-02 | 南京邮电大学 | 一种基于级联式卷积网络的机动车人脸检测方法 |
CN111695435A (zh) * | 2020-05-19 | 2020-09-22 | 东南大学 | 基于深度混合编解码神经网络的驾驶员行为识别方法 |
CN111695435B (zh) * | 2020-05-19 | 2022-04-29 | 东南大学 | 基于深度混合编解码神经网络的驾驶员行为识别方法 |
CN112036253A (zh) * | 2020-08-06 | 2020-12-04 | 海纳致远数字科技(上海)有限公司 | 一种基于深度学习的人脸关键点定位方法 |
CN112036253B (zh) * | 2020-08-06 | 2024-05-10 | 海纳致远数字科技(上海)有限公司 | 一种基于深度学习的人脸关键点定位方法 |
CN111931920A (zh) * | 2020-09-25 | 2020-11-13 | 北京智芯微电子科技有限公司 | 基于级联神经网络的目标检测方法、装置及存储介质 |
CN112862096A (zh) * | 2021-02-04 | 2021-05-28 | 百果园技术(新加坡)有限公司 | 一种模型训练和数据处理方法、装置、设备及介质 |
CN114596637A (zh) * | 2022-03-23 | 2022-06-07 | 北京百度网讯科技有限公司 | 图像样本数据增强训练方法、装置及电子设备 |
CN114596637B (zh) * | 2022-03-23 | 2024-02-06 | 北京百度网讯科技有限公司 | 图像样本数据增强训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359603A (zh) | 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法 | |
CN106407981B (zh) | 一种车牌识别方法、装置及*** | |
CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警***及方法 | |
CN110097109A (zh) | 一种基于深度学习的道路环境障碍物检测***及方法 | |
CN111079674B (zh) | 一种基于全局和局部信息融合的目标检测方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN102043945B (zh) | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 | |
CN105260705B (zh) | 一种适用于多姿态下的驾驶人员接打电话行为检测方法 | |
CN109711262B (zh) | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 | |
CN110232316A (zh) | 一种基于改进的dsod模型的车辆检测与识别方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN107451607A (zh) | 一种基于深度学习的典型人物的身份识别方法 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
JP2016062610A (ja) | 特徴モデル生成方法及び特徴モデル生成装置 | |
CN105975968A (zh) | 一种基于Caffe框架的深度学习车牌字符识别方法 | |
CN108388871B (zh) | 一种基于车身回归的车辆检测方法 | |
CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及*** | |
CN106897677A (zh) | 一种车辆特征分类检索***和方法 | |
CN110516633A (zh) | 一种基于深度学习的车道线检测方法及*** | |
CN110956158A (zh) | 一种基于教师学生学习框架的遮挡行人再标识方法 | |
CN108549901A (zh) | 一种基于深度学习的快速迭代目标检测方法 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测***及方法 | |
CN110348396A (zh) | 一种基于深度学习的道路上方文字交通标志识别方法及装置 | |
CN110210382A (zh) | 一种基于时空特征识别的人脸疲劳驾驶检测方法及装置 |
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: 20190219 |