CN109815789A - 在cpu上实时多尺度人脸检测方法与***及相关设备 - Google Patents
在cpu上实时多尺度人脸检测方法与***及相关设备 Download PDFInfo
- Publication number
- CN109815789A CN109815789A CN201811514183.3A CN201811514183A CN109815789A CN 109815789 A CN109815789 A CN 109815789A CN 201811514183 A CN201811514183 A CN 201811514183A CN 109815789 A CN109815789 A CN 109815789A
- Authority
- CN
- China
- Prior art keywords
- detected
- characteristic pattern
- scale
- face
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000001629 suppression Effects 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000003475 lamination Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及人脸检测技术领域,具体涉及一种在CPU上实时多尺度人脸检测方法与***及相关设备,目的在于降低人脸检测的硬件成本,提高人脸检测的速度与准确度。本发明的人脸检测***包括:特征提取模块、多尺度检测模块和非极大值抑制模块。其中,特征提取模块配置为:从待检测图像中提取关键特征,得到多尺度的待检测特征图;多尺度检测模块配置为:根据多尺度的待检测特征图预测人脸得分和相应的位置;非极大值抑制模块配置为:根据人脸得分进行非极大值抑制,从而得到检测结果。本发明降低了人脸检测的硬件成本,提高了多尺度人脸检测的速度与准确度,能在CPU上实现准确率较高的多尺度人脸检测功能,继而可以应用在手机等平台上。
Description
技术领域
本发明涉及人脸检测技术领域,具体涉及一种在CPU上实时多尺度人脸检测方法与***及相关设备。
背景技术
随着计算机视觉的发展,人脸检测技术取得了很大的进步,而且在现实中得到了很广泛的应用。但是人脸检测技术仍会遇到很大的困难,在非约束环境下,因为图像背景复杂、人脸尺度和姿态多样等,为了在保证检测速度的同时也保证检测精度,需要使用GPU等高速并行的计算设备,使得硬件成本较高。如果仅使用CPU,会遇到检测速度和检测精度不能兼得的情况,
因此,希望提出一种新的网络结构,该网络具有参数少,计算量小的优点,能够实现在CPU上在保证精度的同时,实时进行多尺度人脸检测。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种在CPU上实时多尺度人脸检测方法与***及相关设备,降低了人脸检测的硬件成本,提高了多尺度人脸检测的速度与准确度。
本发明的一方面,提出一种在CPU上实时多尺度人脸检测***,包括:特征提取模块、多尺度检测模块和非极大值抑制模块;
所述特征提取模块配置为:从待检测图像中提取关键特征,得到多尺度的待检测特征图;
所述多尺度检测模块配置为:根据所述多尺度的待检测特征图预测人脸得分和相应的位置;
所述非极大值抑制模块配置为:根据所述人脸得分进行非极大值抑制,从而得到检测结果。
优选地,所述多尺度的待检测特征图包括:第一尺度的待检测特征图、第二尺度的待检测特征图和第三尺度的待检测特征图。
优选地,所述多尺度检测模块具体配置为:根据所述第一尺度的待检测特征图、所述第二尺度的待检测特征图、所述第三尺度的待检测特征图,分别计算每个待检测特征图中的人脸得分与相应位置。
优选地,所述特征提取模块包括:卷积层Conv1、第一CReLU激活函数、池化层Pool1、卷积层Conv2、第二CReLU激活函数、池化层Pool2、Inception1、Inception2、Inception3、卷积层Conv3-1、卷积层Conv3-2、卷积层Conv4-1、卷积层Conv4-2、第一融合子模块和第二融合子模块;
其中,
所述卷积层Conv1用于对所述待检测图像的局部信息进行初步提取,卷积核大小选择为7×7,生成特征图通道为24;
所述第一CReLU激活函数用于对所述卷积层Conv1的输出进行非线性映射;
所述池化层Pool1为3×3的最大池化层,用3×3范围内的最优值代替当前位置信息,使当前点信息更具代表性;
所述卷积层Conv2用于对前一层特征信息的进一步加工提取,卷积核大小选择3×3,生成特征图通道为24;
所述第二CReLU激活函数用于对所述卷积层Conv2的输出进行非线性映射;
所述池化层Pool2为3×3的最大池化层,用于规范当前特征信息;
所述Inception1、所述Inception2和所述Inception3均用于多通道共同提取特征信息并进行concat融合,由所述Inception3输出第三基本特征图;
所述卷积层Conv3-1用于对输入特征进行逐个像素信息总结,卷积核大小选择1×1,生成特征图通道为128;
所述卷积层Conv3-2用于输出第二基本特征图,卷积核大小选择3×3,生成特征图通道为256;
所述卷积层Conv4-1用于对输入特征进行逐个像素信息总结,卷积核大小选择1×1,生成特征图通道为128;
所述卷积层Conv4-2用于对输入图像的深层语义信息进行提取,输出所述第一尺度的待检测特征图,卷积核大小选择3×3,生成特征图通道为256;
所述第一融合子模块用于将所述第二基本特征图与所述第一尺度的待检测特征图的反卷积特征进行融合生成所述第二尺度的待检测特征图;
所述第二融合子模块用于将所述第三基本特征图与所述第二尺度的待检测特征图的反卷积特征进行融合生成所述第三尺度的待检测特征图。
优选地,所述待检测图像的分辨率为1024*1024;
相应地,
所述第一尺度的待检测特征图用于检测大于140像素的人脸;
所述第二尺度的待检测特征图用于检测大于等于40像素且小于等于140像素的人脸;
所述第三尺度的待检测特征图用于检测小于40像素的人脸。
本发明的第二方面,提出一种在CPU上实时多尺度人脸检测方法,基于上面所述的在CPU上实时多尺度人脸检测***,包括以下步骤:
从待检测图像中提取关键特征,得到多尺度的待检测特征图;
根据所述多尺度的待检测特征图预测人脸得分和相应的位置;
根据所述人脸得分进行非极大值抑制,从而得到检测结果。
优选地,所述多尺度的待检测特征图包括:第一尺度的待检测特征图、第二尺度的待检测特征图和第三尺度的待检测特征图。
优选地,“根据所述多尺度的待检测特征图预测人脸得分和相应的位置”的步骤包括:
根据所述第一尺度的待检测特征图、所述第二尺度的待检测特征图、所述第三尺度的待检测特征图,分别计算每个待检测特征图中的人脸得分与相应位置。
本发明的第三方面,提出一种存储设备,其中存储有程序,所述程序适于由处理器加载并执行,以实现上面所述的在CPU上实时多尺度人脸检测方法。
本发明的第四方面,提出一种处理设备,包括:
处理器,适于执行程序;
存储器,适于存储该程序;
其特征在于,所述程序适于由所述处理器加载并执行,以实现上面所述的在CPU上实时多尺度人脸检测方法。
与最接近的现有技术相比,本发明具有如下有益效果:
本发明的人脸检测***与方法,降低了人脸检测的硬件成本,提高了多尺度人脸检测的速度与准确度,能在CPU上实现准确率较高的多尺度人脸检测功能,继而可以应用在手机等平台上。
附图说明
图1是本发明实施例中在CPU上实时多尺度人脸检测***的主要构成示意图;
图2是本发明实施例中在CPU上实时多尺度人脸检测***的具体构成示意图;
图3是本发明实施例中第一融合子模块的构成示意图;
图4是本发明实施例中在CPU上实时多尺度人脸检测方法的主要步骤示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
人脸检测是检测并定位输入图像中的所有人脸,是计算机视觉的重要的方向。本方法采用单一全卷积神经网络,在保证精度的同时,可以在CPU上实现实时多尺度人脸检测。本实施例的人脸检测***中的网络前几层称为本网络结构的基础网络(包括:卷积层Conv1、第一CReLU激活函数、池化层Pool1、卷积层Conv2、第二CReLU激活函数、池化层Pool2),是用于图像分类的基本结构。网络的后几层(包括:Inception1、Inception2、Inception3、卷积层Conv3-1、卷积层Conv3-2、卷积层Conv4-1、卷积层Conv4-2)构成类似图像金字塔的结构,实现多尺度人脸检测。本网络还在两个融合子模块中使用反卷积层增加了大量的上下文信息,最终提升人脸检测的精度,尤其是小尺寸人脸的检测精度。
图1是本发明的在CPU上实时多尺度人脸检测***实施例的主要构成示意图。如图1所示,本实施例的人脸检测***1包括:特征提取模块10、多尺度检测模块20和非极大值抑制模块30。
其中,特征提取模块10配置为:从待检测图像中提取关键特征,得到多尺度的待检测特征图;多尺度检测模块20配置为:根据多尺度的待检测特征图预测人脸得分和相应的位置;非极大值抑制模块30配置为:根据人脸得分进行非极大值抑制,从而得到检测结果。
本实施例中,多尺度的待检测特征图包括:第一尺度的待检测特征图、第二尺度的待检测特征图和第三尺度的待检测特征图。
具体地,本实施例中多尺度检测模块20配置为:根据第一尺度的待检测特征图、第二尺度的待检测特征图、第三尺度的待检测特征图,分别计算每个待检测特征图中的人脸得分与相应位置。
图2是本实施例中人脸检测***的具体构成示意图。如图2所示,本实施例中特征提取模块10包括:卷积层Conv1、第一CReLU激活函数、池化层Pool1、卷积层Conv2、第二CReLU激活函数、池化层Pool2、Inception1、Inception2、Inception3、卷积层Conv3-1、卷积层Conv3-2、卷积层Conv4-1、卷积层Conv4-2、第一融合子模块和第二融合子模块。
其中,卷积层Conv1用于对待检测图像的局部信息进行初步提取,卷积核大小选择为7×7,生成特征图通道为24;第一CReLU激活函数用于对卷积层Conv1的输出进行非线性映射;池化层Pool1为3×3的最大池化层,用3×3范围内的最优值代替当前位置信息,使当前点信息更具代表性;卷积层Conv2用于对前一层特征信息的进一步加工提取,卷积核大小选择3×3,生成特征图通道为24;第二CReLU激活函数用于对卷积层Conv2的输出进行非线性映射;池化层Pool2为3×3的最大池化层,用于规范当前特征信息;Inception1、Inception2和Inception3均用于多通道共同提取特征信息并进行concat融合,由Inception3输出第三基本特征图;卷积层Conv3-1用于对输入特征进行逐个像素信息总结,卷积核大小选择1×1,生成特征图通道为128;卷积层Conv3-2用于输出第二基本特征图,卷积核大小选择3×3,生成特征图通道为256;卷积层Conv4-1用于对输入特征进行逐个像素信息总结,卷积核大小选择1×1,生成特征图通道为128;卷积层Conv4-2用于对输入图像的深层语义信息进行提取,输出第一尺度的待检测特征图,卷积核大小选择3×3,生成特征图通道为256;第一融合子模块用于将第二基本特征图与第一尺度的待检测特征图的反卷积特征进行融合生成第二尺度的待检测特征图;第二融合子模块用于将第三基本特征图与第二尺度的待检测特征图的反卷积特征进行融合生成第三尺度的待检测特征图。
下面以第一融合子模块为例来说明第一融合子模块和第二融合子模块的构成,该融合子模块可以整合浅层特征图和反卷积层的信息,融合子模块的输入是当前的特征图和经过反卷积得到的相同维度的特征图,然后经过加和融合构成新的待检测特征图。图3是本实施例中第一融合子模块的构成示意图。如图3所示,本实施例的第一融合子模块将第一尺度的待检测特征图依次经过反卷积、卷积、BN(Batch Normalization,批量归一化)处理后输入Eltw Product(也叫broadcast mul,将浅层和深层的特征图在对应的信道上做乘法运算)层中,将第二基本特征图经过卷积、BN、卷积、BN处理后也输入Eltw Product层中,最后由Eltw Product层输出融合后的第二尺度的待检测特征图。本实施例中利用反卷积层扩充上下文信息。
本实施例中,待检测图像的分辨率为1024*1024;相应地,第一尺度的待检测特征图用于检测大于140像素的人脸;第二尺度的待检测特征图用于检测大于等于40像素且小于等于140像素的人脸;第三尺度的待检测特征图用于检测小于40像素的人脸。
本申请中在CPU上实时多尺度人脸检测***进行模块划分,仅仅是为了更好地理解本发明的技术方案所涉及的功能,不应理解为对保护范围的限制。
与上述人脸检测***基于相同的技术构思,本发明还提出一种人脸检测方法的实施例。图4是本发明的在CPU上实时多尺度人脸检测方法实施例的主要步骤示意图。如图4所示,本实施例的人脸检测***包括以下步骤S1-S3:
步骤S1,从待检测图像中提取关键特征,得到多尺度的待检测特征图。这里的多尺度的待检测特征图包括:第一尺度的待检测特征图、第二尺度的待检测特征图和第三尺度的待检测特征图。
步骤S2,根据多尺度的待检测特征图预测人脸得分和相应的位置。具体为:
根据第一尺度的待检测特征图、第二尺度的待检测特征图、第三尺度的待检测特征图,分别计算每个待检测特征图中的人脸得分与相应位置。
步骤S3,根据人脸得分进行非极大值抑制,从而得到检测结果。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
基于上述人脸检测方法,本发明还提出一种存储设备的实施例,其中存储有程序,所述程序适于由处理器加载并执行,以实现上面所述的在CPU上实时多尺度人脸检测方法。
进一步地,本发明还提出一种处理设备的实施例,包括:处理器和存储器。其中,处理器适于执行程序,存储器适于存储该程序,所述程序适于由所述处理器加载并执行,以实现上面所述的在CPU上实时多尺度人脸检测方法。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种在CPU上实时多尺度人脸检测***,其特征在于,包括:特征提取模块、多尺度检测模块和非极大值抑制模块;
所述特征提取模块配置为:从待检测图像中提取关键特征,得到多尺度的待检测特征图;
所述多尺度检测模块配置为:根据所述多尺度的待检测特征图预测人脸得分和相应的位置;
所述非极大值抑制模块配置为:根据所述人脸得分进行非极大值抑制,从而得到检测结果。
2.根据权利要求1所述的人脸检测***,其特征在于,所述多尺度的待检测特征图包括:第一尺度的待检测特征图、第二尺度的待检测特征图和第三尺度的待检测特征图。
3.根据权利要求2所述的人脸检测***,其特征在于,所述多尺度检测模块具体配置为:根据所述第一尺度的待检测特征图、所述第二尺度的待检测特征图、所述第三尺度的待检测特征图,分别计算每个待检测特征图中的人脸得分与相应位置。
4.根据权利要求3所述的人脸检测***,其特征在于,所述特征提取模块包括:卷积层Conv1、第一CReLU激活函数、池化层Pool1、卷积层Conv2、第二CReLU激活函数、池化层Pool2、Inception1、Inception2、Inception3、卷积层Conv3-1、卷积层Conv3-2、卷积层Conv4-1、卷积层Conv4-2、第一融合子模块和第二融合子模块;
其中,
所述卷积层Conv1用于对所述待检测图像的局部信息进行初步提取,卷积核大小选择为7×7,生成特征图通道为24;
所述第一CReLU激活函数用于对所述卷积层Conv1的输出进行非线性映射;
所述池化层Pool1为3×3的最大池化层,用3×3范围内的最优值代替当前位置信息,使当前点信息更具代表性;
所述卷积层Conv2用于对前一层特征信息的进一步加工提取,卷积核大小选择3×3,生成特征图通道为24;
所述第二CReLU激活函数用于对所述卷积层Conv2的输出进行非线性映射;
所述池化层Pool2为3×3的最大池化层,用于规范当前特征信息;
所述Inception1、所述Inception2和所述Inception3均用于多通道共同提取特征信息并进行concat融合,由所述Inception3输出第三基本特征图;
所述卷积层Conv3-1用于对输入特征进行逐个像素信息总结,卷积核大小选择1×1,生成特征图通道为128;
所述卷积层Conv3-2用于输出第二基本特征图,卷积核大小选择3×3,生成特征图通道为256;
所述卷积层Conv4-1用于对输入特征进行逐个像素信息总结,卷积核大小选择1×1,生成特征图通道为128;
所述卷积层Conv4-2用于对输入图像的深层语义信息进行提取,输出所述第一尺度的待检测特征图,卷积核大小选择3×3,生成特征图通道为256;
所述第一融合子模块用于将所述第二基本特征图与所述第一尺度的待检测特征图的反卷积特征进行融合生成所述第二尺度的待检测特征图;
所述第二融合子模块用于将所述第三基本特征图与所述第二尺度的待检测特征图的反卷积特征进行融合生成所述第三尺度的待检测特征图。
5.根据权利要求2-4中任一项所述的人脸检测***,其特征值在于,所述待检测图像的分辨率为1024*1024;
相应地,
所述第一尺度的待检测特征图用于检测大于140像素的人脸;
所述第二尺度的待检测特征图用于检测大于等于40像素且小于等于140像素的人脸;
所述第三尺度的待检测特征图用于检测小于40像素的人脸。
6.一种在CPU上实时多尺度人脸检测方法,其特征在于,基于权利要求1-5中任一项所述的在CPU上实时多尺度人脸检测***,包括以下步骤:
从待检测图像中提取关键特征,得到多尺度的待检测特征图;
根据所述多尺度的待检测特征图预测人脸得分和相应的位置;
根据所述人脸得分进行非极大值抑制,从而得到检测结果。
7.根据权利要求6所述的人脸检测方法,其特征在于,所述多尺度的待检测特征图包括:第一尺度的待检测特征图、第二尺度的待检测特征图和第三尺度的待检测特征图。
8.根据权利要求7所述的人脸检测方法,其特征在于,“根据所述多尺度的待检测特征图预测人脸得分和相应的位置”的步骤包括:
根据所述第一尺度的待检测特征图、所述第二尺度的待检测特征图、所述第三尺度的待检测特征图,分别计算每个待检测特征图中的人脸得分与相应位置。
9.一种存储设备,其中存储有程序,其特征在于,所述程序适于由处理器加载并执行,以实现权利要求6-8中任一项所述的在CPU上实时多尺度人脸检测方法。
10.一种处理设备,包括:
处理器,适于执行程序;
存储器,适于存储该程序;
其特征在于,所述程序适于由所述处理器加载并执行,以实现权利要求6-8中任一项所述的在CPU上实时多尺度人脸检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514183.3A CN109815789A (zh) | 2018-12-11 | 2018-12-11 | 在cpu上实时多尺度人脸检测方法与***及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514183.3A CN109815789A (zh) | 2018-12-11 | 2018-12-11 | 在cpu上实时多尺度人脸检测方法与***及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815789A true CN109815789A (zh) | 2019-05-28 |
Family
ID=66602838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811514183.3A Pending CN109815789A (zh) | 2018-12-11 | 2018-12-11 | 在cpu上实时多尺度人脸检测方法与***及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815789A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334602A (zh) * | 2019-06-06 | 2019-10-15 | 武汉市公安局视频侦查支队 | 一种基于卷积神经网络的人流量统计方法 |
CN111062324A (zh) * | 2019-12-17 | 2020-04-24 | 上海眼控科技股份有限公司 | 人脸检测方法、装置、计算机设备和存储介质 |
CN111563466A (zh) * | 2020-05-12 | 2020-08-21 | Oppo广东移动通信有限公司 | 人脸检测方法及相关产品 |
CN112446247A (zh) * | 2019-08-30 | 2021-03-05 | 北京大学 | 一种基于多特征融合的低光照人脸检测方法及低光照人脸检测网络 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527029A (zh) * | 2017-08-18 | 2017-12-29 | 卫晨 | 一种改进的Faster R‑CNN人脸检测方法 |
US20180068198A1 (en) * | 2016-09-06 | 2018-03-08 | Carnegie Mellon University | Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network |
US20180096457A1 (en) * | 2016-09-08 | 2018-04-05 | Carnegie Mellon University | Methods and Software For Detecting Objects in Images Using a Multiscale Fast Region-Based Convolutional Neural Network |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
-
2018
- 2018-12-11 CN CN201811514183.3A patent/CN109815789A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068198A1 (en) * | 2016-09-06 | 2018-03-08 | Carnegie Mellon University | Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network |
US20180096457A1 (en) * | 2016-09-08 | 2018-04-05 | Carnegie Mellon University | Methods and Software For Detecting Objects in Images Using a Multiscale Fast Region-Based Convolutional Neural Network |
CN107527029A (zh) * | 2017-08-18 | 2017-12-29 | 卫晨 | 一种改进的Faster R‑CNN人脸检测方法 |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
Non-Patent Citations (6)
Title |
---|
QIAOSONG CHEN ET.AL: "A multi-scale fusion convolutional neural network for face detection", 《2017 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC)》 * |
XUDONG SUN ET.AL: "Face detection using deep learning An improved faster RCNN approach", 《NEUROCOMPUTING》 * |
ZHENHENG YANG ET.AL: "A multi-scale cascade fully convolutional network face detector", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
刘宏哲: "基于单一神经网络的多尺度人脸检测", 《电子与信息学报》 * |
朱倩: "目标快速检测算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王哲峰: "移动端目标检测***的设计与实现", 《万方学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334602A (zh) * | 2019-06-06 | 2019-10-15 | 武汉市公安局视频侦查支队 | 一种基于卷积神经网络的人流量统计方法 |
CN110334602B (zh) * | 2019-06-06 | 2021-10-26 | 武汉市公安局视频侦查支队 | 一种基于卷积神经网络的人流量统计方法 |
CN112446247A (zh) * | 2019-08-30 | 2021-03-05 | 北京大学 | 一种基于多特征融合的低光照人脸检测方法及低光照人脸检测网络 |
CN112446247B (zh) * | 2019-08-30 | 2022-11-15 | 北京大学 | 一种基于多特征融合的低光照人脸检测方法及低光照人脸检测网络 |
CN111062324A (zh) * | 2019-12-17 | 2020-04-24 | 上海眼控科技股份有限公司 | 人脸检测方法、装置、计算机设备和存储介质 |
CN111563466A (zh) * | 2020-05-12 | 2020-08-21 | Oppo广东移动通信有限公司 | 人脸检测方法及相关产品 |
CN111563466B (zh) * | 2020-05-12 | 2023-10-10 | Oppo广东移动通信有限公司 | 人脸检测方法及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815789A (zh) | 在cpu上实时多尺度人脸检测方法与***及相关设备 | |
CN108229343B (zh) | 目标对象关键点检测方法、深度学习神经网络及装置 | |
CN108460362B (zh) | 一种检测人体部位的***及方法 | |
CN110866509B (zh) | 动作识别方法、装置、计算机存储介质和计算机设备 | |
CN108416327A (zh) | 一种目标检测方法、装置、计算机设备及可读存储介质 | |
CN111881804B (zh) | 基于联合训练的姿态估计模型训练方法、***、介质及终端 | |
CN110852383A (zh) | 基于注意力机制深度学习网络的目标检测方法及装置 | |
CN111209811B (zh) | 一种实时检测眼球注意力位置的方法及*** | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别*** | |
CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
CN113159200B (zh) | 对象分析方法、装置及存储介质 | |
CN108376234B (zh) | 用于视频图像的情感识别***及方法 | |
CN109523558A (zh) | 一种人像分割方法及*** | |
CN114120361A (zh) | 一种基于编解码结构的人群计数定位方法 | |
CN110503083A (zh) | 一种关键点检测方法、装置及电子设备 | |
CN113807361A (zh) | 神经网络、目标检测方法、神经网络训练方法及相关产品 | |
CN111623797B (zh) | 一种基于深度学习的步数测量方法 | |
CN116740616A (zh) | 一种输煤皮带目标检测方法和相关设备 | |
CN114038067B (zh) | 煤矿人员行为检测方法、设备及存储介质 | |
CN116310757A (zh) | 一种多任务实时烟雾检测方法 | |
CN112712015B (zh) | 一种人体关键点识别方法、装置、智能终端及存储介质 | |
Devyatkin et al. | Neural network traffic signs detection system development | |
Gao et al. | Safety helmet detection based on YOLOV4-M | |
CN114399628A (zh) | 复杂空间环境下的绝缘子高效检测*** | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 |
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: 20190528 |