摘要： 在果園人臉檢測過程中,一般人臉檢測方法在光斑、樹木陰影等復(fù)雜背景的影響下難以進(jìn)行準(zhǔn)確的檢測,或擁有一定檢測精度時(shí)無法檢測較遠(yuǎn)距離的人臉。深度學(xué)習(xí)方法可以實(shí)現(xiàn)高精度、遠(yuǎn)距離檢測,但需要昂貴的設(shè)備或通過云平臺(tái)實(shí)時(shí)傳輸拍攝信息進(jìn)行檢測,成本過高。通過構(gòu)建MobileNet-YOLO輕量級(jí)深度學(xué)習(xí)人臉檢測算法,提高檢測精度與檢測距離的同時(shí)適用于嵌入式設(shè)備,使設(shè)備能直接進(jìn)行人臉檢測,降低成本,經(jīng)LBPH人臉識(shí)別處理,僅對(duì)檢測到人臉的圖片進(jìn)行保存與上傳,減輕存儲(chǔ)傳輸壓力。選用嵌入式設(shè)備為Jetson Nano 2G與一般嵌入式設(shè)備相比在相同成本基礎(chǔ)上搭載GPU提高了運(yùn)算能力,更具經(jīng)濟(jì)性。試驗(yàn)結(jié)果表明,人臉檢測算法檢測距離達(dá)8 m,相較于SSD算法,檢測速度提高1.92幀/s,檢測的正臉準(zhǔn)確率為99.91%,側(cè)臉檢測準(zhǔn)確率為96.66%,相較于YOLOv4-tiny算法,正臉檢測準(zhǔn)確率提高0.93%,側(cè)臉檢測準(zhǔn)確率提高0.12%。

摘要： 本文針對(duì)駕駛?cè)似隈{駛檢測模型實(shí)時(shí)性不足、以及在復(fù)雜光照?qǐng)鼍跋聶z測效果較差的問題,提出了一種改進(jìn)的輕量級(jí)SSD雙模態(tài)疲勞駕駛檢測算法。該算法用MobileNet替換SSD的主干特征提取網(wǎng)絡(luò)VGG16以使得模型輕量化。在模型的淺層特征上加入輕量級(jí)注意力機(jī)制網(wǎng)絡(luò)SENet提升模型對(duì)小目標(biāo)的檢測精度。利用軟注意力機(jī)制融合可見光圖像和紅外圖像兩種模態(tài)的特征提升模型在復(fù)雜光照環(huán)境下的表現(xiàn)。使用空洞-深度可分離卷積替換淺層的標(biāo)準(zhǔn)卷積,以彌補(bǔ)下采樣導(dǎo)致的精度的損失。最后在檢測出的人臉上根據(jù)PERCLOS準(zhǔn)則進(jìn)行疲勞駕駛判定。實(shí)驗(yàn)結(jié)果表明,該算法在復(fù)雜光照環(huán)境下具有良好的魯棒性,同時(shí)能夠在保證疲勞駕駛檢測精度不下降的前提下大量減少模型參數(shù)量,進(jìn)一步滿足疲勞檢測實(shí)時(shí)性的要求。

摘要： 系統(tǒng)利用Python OpenCV進(jìn)行圖像分析,確定人臉位置并實(shí)現(xiàn)人眼定位,利用Dlib庫確定人眼的坐標(biāo)位置。利用臉部局部狀態(tài)信息進(jìn)行非接觸式測量,計(jì)算眼睛縱橫比,即EAR值,根據(jù)設(shè)定的疲勞度閾值比較判斷值班人員是否瞌睡。當(dāng)檢測出值班人員瞌睡時(shí),系統(tǒng)會(huì)自動(dòng)報(bào)警。實(shí)驗(yàn)結(jié)果表明,該檢測方法使用非接觸式測量值班人員生理響應(yīng)特性,識(shí)別精度比較好且滿足實(shí)用性要求。

摘要： 學(xué)生的頭部姿態(tài)在一定程度上可以反映學(xué)生的學(xué)習(xí)狀態(tài),研究智慧課堂環(huán)境下的頭部姿態(tài)估計(jì)對(duì)教師提高課堂教學(xué)效果具有重要意義。為了無介入的量化估計(jì)學(xué)生上課的頭部姿態(tài),提出并設(shè)計(jì)了基于深度學(xué)習(xí)的頭部姿態(tài)估計(jì)方法。創(chuàng)新結(jié)合MTCNN(multi-task cascaded convolutional networks)和SDM(Supervised Descent Method),獲取人臉圖像中的68個(gè)特征點(diǎn),再根據(jù)特征點(diǎn)使用PnP(Perspective n Point)估計(jì)頭部姿態(tài)。實(shí)驗(yàn)結(jié)果表明,該算法的準(zhǔn)確率達(dá)到了預(yù)期效果,較好實(shí)現(xiàn)了預(yù)期目標(biāo)。

摘要： 就現(xiàn)今人臉活體檢測尚未充分利用多模態(tài)特性的問題展開研究,提出了一種多模態(tài)與多尺度融合檢測算法,充分利用可見光、近紅外、深度3種模態(tài)數(shù)據(jù)的互補(bǔ)特性逐級(jí)過濾偽造樣本.待測樣本首先經(jīng)近紅外人臉檢測過濾回放攻擊,然后經(jīng)過深度判別網(wǎng)絡(luò)過濾平面攻擊,最后將前2層難分類的樣本輸入多模態(tài)融合模塊綜合判別得到最終分類.構(gòu)建了1個(gè)近2萬組的高分辨率多模態(tài)數(shù)據(jù)集,設(shè)計(jì)了多尺度輸入的輕量級(jí)判別網(wǎng)絡(luò),進(jìn)一步提高算法的適應(yīng)性.對(duì)比實(shí)驗(yàn)證明,提出的算法檢測準(zhǔn)確率比單模態(tài)方案顯著提高,總參數(shù)量僅有48萬個(gè),推理時(shí)間為8.07ms,遠(yuǎn)低于其他常見融合方式.

摘要： 針對(duì)停車車輛缺乏遠(yuǎn)距離實(shí)時(shí)報(bào)警的問題,文中提出一種可以遠(yuǎn)程向手機(jī)發(fā)送車內(nèi)高溫、車輛移動(dòng)及人員進(jìn)入等報(bào)警信息的遠(yuǎn)程車輛報(bào)警系統(tǒng)。該系統(tǒng)由STM32F103ZET6芯片搭配最小系統(tǒng)作為主控模塊,接收來自ATK-MPU6050傳感器模塊和樹莓派人臉檢測模塊的數(shù)據(jù)以及高電平信號(hào)進(jìn)行報(bào)警判斷。通過在樹莓派中嵌入OpenCV計(jì)算機(jī)視覺庫調(diào)用配置Haar級(jí)聯(lián)檢測進(jìn)行人臉檢測;通過對(duì)ATK-MPU6050傳感器模塊中MEMS陀螺儀數(shù)據(jù)、加速度傳感器數(shù)據(jù)和溫度傳感器數(shù)據(jù)進(jìn)行數(shù)據(jù)解算、位移和溫度等檢測;通過GSM無線通信模塊實(shí)現(xiàn)對(duì)手機(jī)發(fā)送移動(dòng)、高溫、人臉檢測等警報(bào)信息的功能。最后,在實(shí)驗(yàn)平臺(tái)進(jìn)行多次測試。結(jié)果表明,文中系統(tǒng)能夠在穩(wěn)定手機(jī)信號(hào)覆蓋的情況下進(jìn)行車內(nèi)高溫、人臉檢測、車輛位移等報(bào)警信號(hào)的實(shí)時(shí)傳輸,可有效解決車輛停車時(shí)的遠(yuǎn)距離報(bào)警問題。

摘要： 為了高效準(zhǔn)確地對(duì)用電客戶進(jìn)行識(shí)別,進(jìn)而為用戶提供相應(yīng)的服務(wù),且使用戶同時(shí)也能夠全面獲取自己的用電信息,進(jìn)行繳費(fèi)等操作,此次研究構(gòu)建了基于人臉識(shí)別關(guān)鍵技術(shù)的電力營業(yè)廳供電服務(wù)系統(tǒng)。通過對(duì)人臉識(shí)別技術(shù)相關(guān)理論及系統(tǒng)設(shè)計(jì)方法等內(nèi)容的分析,采用FABE人臉檢測算法等方法進(jìn)行了相關(guān)實(shí)驗(yàn)。結(jié)果表明,基于FABE人臉檢測算法的人臉識(shí)別技術(shù)識(shí)別準(zhǔn)確率較高,將其應(yīng)用到供電服務(wù)系統(tǒng)中能夠有效地處理各項(xiàng)供電及用電信息。這對(duì)未來人臉識(shí)別技術(shù)的不斷優(yōu)化和廣泛使用均有一定的積極影響。

摘要： 當(dāng)前,校園安防主要借助于專門的保安人員來對(duì)非校內(nèi)人員進(jìn)行甄別,這種方式不僅甄別準(zhǔn)確性較低,并且效率也較低。為了對(duì)此問題進(jìn)行解決,研究出一種以機(jī)器視覺技術(shù)為基礎(chǔ)的校園安防智能識(shí)別系統(tǒng)。該系統(tǒng)可以對(duì)出入校門的人臉影像圖進(jìn)行動(dòng)態(tài)采集,并根據(jù)OpenCv等算法,對(duì)這些采集到的影像圖進(jìn)行動(dòng)態(tài)分析,然后對(duì)這些影像圖的人臉特征進(jìn)行檢測。借助于數(shù)學(xué)算法對(duì)其進(jìn)行處理,從而完成相應(yīng)的人臉特征信息提取,這樣就能將其與存儲(chǔ)的信息進(jìn)行對(duì)比,從而對(duì)出入人員進(jìn)行動(dòng)態(tài)甄別。這種方式不僅有著較高的甄別準(zhǔn)確性,同時(shí)還具有頗高的檢測效率,具有較高的推廣與研究價(jià)值。

摘要： 為加快深度學(xué)習(xí)人臉檢測算法MTCNN(multi-task convolu tion neural network)的推理速度,滿足許多應(yīng)用場合檢測的實(shí)時(shí)性的要求,基于Xilinx FPGA ZCU102開發(fā)板設(shè)計(jì)針對(duì)MTCNN專門優(yōu)化的卷積和全連接加速硬件。該加速硬件不僅適用于MTCNN網(wǎng)絡(luò),其它神經(jīng)網(wǎng)絡(luò)推理算法也可以使用。針對(duì)算法特點(diǎn),硬件采用小而多的計(jì)算核心,支持動(dòng)態(tài)分塊、圖像間混合計(jì)算、片上多核共享RAM等完全自主開發(fā)的軟硬件協(xié)同技術(shù)。在100 MHZ的頻率下對(duì)MTCNN應(yīng)用在加速器上的加速效果進(jìn)行測試并和ARM程序進(jìn)行對(duì)比,可以得到加速器相對(duì)于ARM O2速度加快了6倍多。

摘要： 為了解決人臉檢測中由于目標(biāo)遮擋、背景復(fù)雜導(dǎo)致性能下降以及神經(jīng)網(wǎng)絡(luò)模型過大導(dǎo)致難以在低性能設(shè)備部署問題,在YOLOv4-Tiny的基礎(chǔ)上引入SD(Self-DeConvolution)模塊,提出了YOLO-SD-Tiny網(wǎng)絡(luò)模型.在特征金字塔網(wǎng)絡(luò)引入擁有更大感受野和更輕量級(jí)的SD模塊,在部分網(wǎng)絡(luò)層中采用Mish激活函數(shù),損失函數(shù)采用CIOU邊界框回歸損失和GHM分類損失.實(shí)驗(yàn)結(jié)果表明:與原YOLOv4-Tiny相比,所提出的YOLO-SD-Tiny在遮擋場景下的人臉檢測在準(zhǔn)確率和實(shí)時(shí)性上有一定提升.

摘要： 本文將基于可變形部件模型(Deformable Part Models,DPM)的目標(biāo)檢測方法應(yīng)用于人臉檢測,首先提取圖像的方向梯度直方圖作為人臉特征,進(jìn)而構(gòu)建可變形部件模型并進(jìn)行訓(xùn)練,最后進(jìn)行人臉檢測.利用AFLW數(shù)據(jù)庫中的數(shù)據(jù)構(gòu)建正樣本,利用VOC2007數(shù)據(jù)庫的數(shù)據(jù)構(gòu)建負(fù)樣本,采用隱變量線性支持向量機(jī)的方法對(duì)模型進(jìn)行訓(xùn)練.本文共訓(xùn)練三個(gè)角度[0°,30°)、[30°,60°)、[60°,90°]的模型,每個(gè)模型還包括相應(yīng)對(duì)稱角度的模型.同時(shí)本文針對(duì)可變形部件模型的不同參數(shù)進(jìn)行了大量的仿真,通過平均精度來對(duì)支持向量機(jī)的懲罰因子、非極大值抑制參數(shù)、顏色空間進(jìn)行選擇.

摘要： 針對(duì)光照、姿勢及表情等因素降低人臉檢測準(zhǔn)確性的問題,提出一種基于B細(xì)胞算法的人臉檢測方法.首先從選取的人臉庫中提取人臉模板,再利用B細(xì)胞算法和模板匹配精準(zhǔn)定位人臉的位置.實(shí)驗(yàn)結(jié)果表明提出的算法能夠快速有效地檢測出不同大小和姿勢的人臉區(qū)域,具有較高的檢測率和魯棒性.

摘要： 提出了一種基于橢圓膚色模型與可控風(fēng)險(xiǎn)敏感型Adaboost(CCS-Adaboost)算法的多視角人臉檢測方法.在人臉檢測的離線訓(xùn)練部分,該方法使用Haar-like特征和CCS-Adaboost算法訓(xùn)練樣本.CCS-Adaboost在最小化分類錯(cuò)誤率的同時(shí)能夠最小化樣本的誤分類風(fēng)險(xiǎn),從而它能夠提高分類準(zhǔn)確性.在實(shí)時(shí)檢測部分,首先通過使用YCbCr顏色空間的橢圓模型快速檢測出可能的人臉區(qū)域,然后通過基于CCS-Adaboost的多視角人臉檢測器檢測人臉.多視角人臉檢測器中級(jí)聯(lián)分類器的前四層構(gòu)成姿態(tài)預(yù)估部分,如果樣本未通過級(jí)聯(lián)檢測器的前四層,那么該樣本被確定為一個(gè)非人臉樣本.實(shí)驗(yàn)證明該檢測器可以有效和準(zhǔn)確地檢測多視角人臉.

摘要： 目前大型商場、營業(yè)廳等公眾場合都會(huì)擺放廣告,廣告商及廠商也希望能夠統(tǒng)計(jì)和分析有多少顧客對(duì)廣告感興趣.通過為Android嵌入式設(shè)備安裝外置攝像頭,并采用人臉檢測技術(shù)完成對(duì)公共場合客流的統(tǒng)計(jì)恰恰滿足了商家的這一需求.為此,基于人臉LBP (local binary pattern,局部二值模式)特征進(jìn)行人臉檢測,并根據(jù)人臉檢測結(jié)果提取關(guān)鍵人臉特征,進(jìn)行人臉匹配,實(shí)現(xiàn)客流人數(shù)統(tǒng)計(jì),并將統(tǒng)計(jì)的數(shù)據(jù)定時(shí)上報(bào)到服務(wù)器.詳細(xì)介紹了系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)并方法,并進(jìn)行了測試評(píng)估,提供了優(yōu)化改進(jìn)的解決方案.

摘要： 本文研究了一種人臉檢測方法.采用局部梯度模式(Local Gradient Patterns(LGP))提取人臉特征,用AdaBoost學(xué)習(xí)算法進(jìn)行了層級(jí)分類器的訓(xùn)練.提出了應(yīng)用面積重疊合并的識(shí)別方法(Square Overlap Merge Method (SOMM)),可以降低檢測錯(cuò)誤的正檢測誤差,同時(shí)克服了訓(xùn)練樣本少的情況下分類器可靠性差的缺點(diǎn).實(shí)驗(yàn)中采用MIT的人臉數(shù)據(jù)庫進(jìn)行分類器的訓(xùn)練,并在訓(xùn)練好的分類器的基礎(chǔ)上,又進(jìn)一步采集了6000多張人臉圖片,進(jìn)行分類器的再訓(xùn)練,以求分類器準(zhǔn)確可靠.實(shí)驗(yàn)證明該方法能夠快速有效的檢測人臉,并且能很好的克服光照、姿態(tài)、背景、遮擋物等對(duì)人臉檢測的影響。

摘要： Viola-Jones人臉檢測算法的GPU實(shí)現(xiàn)版本,存在線程間負(fù)載不均衡的非規(guī)則特性.如果僅使用傳統(tǒng)優(yōu)化方法,人臉檢測算法難以在GPU計(jì)算平臺(tái)上達(dá)到較高性能.本文通過kernel合并、粗粒度并行、Persistent Thread、線程與任務(wù)動(dòng)態(tài)映射、本地隊(duì)列等優(yōu)化方法的應(yīng)用,突破了負(fù)載不均衡非規(guī)則特性導(dǎo)致的性能瓶頸,大幅提高了人臉檢測算法在GPU計(jì)算平臺(tái)上的性能.實(shí)驗(yàn)結(jié)果表明,與OpenCV2.4中高度優(yōu)化的CPU版本在Intel Xeon X5550 CPU上的性能相比,優(yōu)化后的算法在AMD HD7970和NVIDIA GTX680兩個(gè)GPU計(jì)算平臺(tái)上分別達(dá)到了11.24～20.27和9.24～17.62倍的加速比,實(shí)現(xiàn)了在不同GPU計(jì)算平臺(tái)間的性能移植.

摘要： 本文針對(duì)經(jīng)典的Viola-Jones人臉檢測方法在復(fù)雜環(huán)境中檢測精度不足以及可變形部件模型(DPM)方法檢測速度過慢的問題,提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測方法.近年來,基于深度卷積神經(jīng)網(wǎng)絡(luò)的Faster R-CNN方法在各種目標(biāo)檢測基準(zhǔn)上展示了令人印象深刻的結(jié)果,其檢測精度和速度都得到了大幅度提升.通過在AFLW人臉數(shù)據(jù)集上訓(xùn)練Faster R-CNN模型,在測試集上可以獲得98％以上的檢測精度(AP),檢測速率可以達(dá)到20fps.而監(jiān)控視頻的幀率通常在10～25fps,因此該方法在監(jiān)控系統(tǒng)中可以實(shí)現(xiàn)實(shí)時(shí)人臉檢測.

摘要： 如今汽車已成為人們出行的首選工具之一,疲勞駕駛便成了一項(xiàng)重大安全隱患.提出基于眼、嘴、頭等多種面部特征相結(jié)合的疲勞駕駛檢測方法.該方法使用CCD攝像頭采集圖像信息,進(jìn)行圖像預(yù)處理,通過基于adaboost算法的人臉檢測方法,采用灰度積分投影定位眼、嘴區(qū)域,來監(jiān)測局部狀態(tài).改進(jìn)的D-S信息融合算法形成綜合疲勞判斷指標(biāo),當(dāng)指標(biāo)達(dá)疲勞值時(shí)基于IPv6的預(yù)警平臺(tái)會(huì)及時(shí)發(fā)出預(yù)警.將多種信號(hào)特征相融合保證了系統(tǒng)的可靠性與高效性.

摘要： 提出了一種適用于基于視覺的手勢識(shí)別系統(tǒng)的膚色區(qū)域圖像后處理方法.針對(duì)手勢識(shí)別系統(tǒng)中人臉與人手經(jīng)常同時(shí)在圖像幀中出現(xiàn)的問題,對(duì)基于Haar-like模板的AdaBoost人臉檢測器的訓(xùn)練流程和組合方案進(jìn)行了研究,并提出了一種融合膚色信息的人臉區(qū)域快速剔除方法.針對(duì)膚色區(qū)域圖像中的噪聲干擾問題,提出了椒鹽噪聲抑制和類膚色區(qū)域剔除方法.測試結(jié)果表明,上述方法能夠在基本保持檢測率不變的前提下大幅度提升人臉檢測速度,且能夠使后續(xù)手姿識(shí)別步驟的識(shí)別正確率得到顯著的提升.

摘要： 發(fā)型輪廓提取在數(shù)字娛樂仿真中具有重要應(yīng)用.提出了一種復(fù)雜背景下發(fā)型輪廓的自動(dòng)提取方法框架.對(duì)圖像進(jìn)行前景圖像進(jìn)行分割,從而去除背景圖像對(duì)發(fā)型提取結(jié)果的干擾;通過人臉識(shí)別技術(shù)進(jìn)行發(fā)型定位,進(jìn)一步結(jié)合頭發(fā)檢測技術(shù)以實(shí)現(xiàn)發(fā)型的自動(dòng)識(shí)別;為提高輪廓抽取的準(zhǔn)確度,通過自適應(yīng)皮膚檢測以去除人臉對(duì)于發(fā)型輪廓提取的于擾.將本文方法應(yīng)用于大量實(shí)例,實(shí)驗(yàn)結(jié)果表明:該方法不僅可以有效的自動(dòng)提取發(fā)型輪廓,而且對(duì)于復(fù)雜背景下的發(fā)型輪廓提取也有具有良好效果.

摘要： 一種人臉檢測方法及人臉檢測裝置、存儲(chǔ)介質(zhì)。第一方面，人臉檢測方法中采用選擇機(jī)制，通過前一次的檢測結(jié)果從人臉識(shí)別處理和人臉跟蹤處理中選擇一種較優(yōu)的處理方法，利于增強(qiáng)該人臉檢測方法的實(shí)用效果；第二方面，由于在人臉識(shí)別處理過程中引入了人臉識(shí)別的輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)，可對(duì)人臉區(qū)域進(jìn)行有效的識(shí)別和定位，利于提高檢測準(zhǔn)確度；第三方面，引入了人臉置信度，利于解決人臉跟蹤階段所產(chǎn)生的漂移問題，修正跟蹤偏差，提高人臉區(qū)域的輸出精確度；第四方面，在輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)構(gòu)建的基礎(chǔ)之上加入了感興趣區(qū)域ROI的預(yù)測方法，可避免對(duì)整張圖像進(jìn)行人臉識(shí)別所引起的耗時(shí)較長的情形，利于提高人臉識(shí)別處理的執(zhí)行速度，減小系統(tǒng)的開銷。

摘要： 本發(fā)明公開了一種基于多特征融合的低光照人臉檢測方法及低光照人臉檢測網(wǎng)絡(luò)。本方法為：1)對(duì)于一待處理的低光照?qǐng)D片x，使用提亮分支的編碼器來對(duì)其進(jìn)行降采樣操作，提取不同尺度卷積層的輸出作為該圖片x的多尺度特征Fx'，再使用提亮分支的解碼器利用多尺度特征Fx'重建出一張?zhí)崃梁蟮膱D片2)使用特征提取網(wǎng)絡(luò)提取該圖片的多尺度特征3)使用空洞卷積層分別對(duì)所述多尺度特征Fx'和多尺度特征進(jìn)行增強(qiáng)，分別得到Fx和并將Fx和融合得到特征Fc，根據(jù)特征Fc預(yù)測得到圖片x中的人臉區(qū)域包圍框和對(duì)應(yīng)置信度。本發(fā)明大大優(yōu)化了低光照領(lǐng)域的人臉檢測結(jié)果。

摘要： 本公開提供了一種人臉檢測方法及人臉檢測系統(tǒng)，其中，該人臉檢測方法包括：獲取多個(gè)依次設(shè)置的圖像采集裝置在各自視場內(nèi)采集的初始圖像；獲取所述初始圖像中人臉圖像，確定所述人臉圖像中人臉特征點(diǎn)的第一坐標(biāo)，其中所述第一坐標(biāo)為采集到所述人臉圖像的所述圖像采集裝置的相機(jī)坐標(biāo)系下的坐標(biāo)；將所述第一坐標(biāo)轉(zhuǎn)換為第二坐標(biāo)，其中所述第二坐標(biāo)為所述人臉特征點(diǎn)在預(yù)定的所述圖像采集裝置的相機(jī)坐標(biāo)系下的坐標(biāo)。該人臉檢測方法基于多個(gè)依次設(shè)置的圖像采集裝置進(jìn)行人臉檢測，可檢測的視場范圍較大，多個(gè)依次設(shè)置的圖像采集裝置的布置方式更加靈活，且人臉檢測的準(zhǔn)確度較高。

摘要： 本申請(qǐng)涉及偽造人臉檢測的技術(shù)領(lǐng)域，尤其是涉及一種人臉檢測模型生成方法，該方法針對(duì)每層殘差卷積塊分別建立引導(dǎo)約束損失函數(shù)，從而將后一個(gè)殘差卷積塊的分類結(jié)果作為前一個(gè)殘差卷積塊的標(biāo)簽，將引導(dǎo)約束損失函數(shù)與主干網(wǎng)絡(luò)損失函數(shù)合并獲得框架損失函數(shù)，利用深層的卷積塊分類預(yù)測來作為淺層的卷積塊的標(biāo)簽，逐漸引導(dǎo)淺層網(wǎng)絡(luò)的訓(xùn)練以及參數(shù)更新。本申請(qǐng)還提出了一種偽造人臉檢測方法，偽造人臉檢測方法中使用的人臉檢測模型預(yù)先基于人臉檢測模型生成方法訓(xùn)練得到，使用該人臉檢測模型去檢測真假人臉的準(zhǔn)確率較高。

摘要： 本公開提供了人臉檢測、人臉檢測模型訓(xùn)練方法、裝置、設(shè)備和介質(zhì)，涉及圖像處理領(lǐng)域，具體為深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)領(lǐng)域。具體實(shí)現(xiàn)方案為：將圖像輸入到預(yù)先訓(xùn)練的敏感人臉檢測模型中；將圖像輸入到預(yù)先訓(xùn)練的敏感人臉檢測模型中；通過所述敏感人臉檢測模型提取至少一個(gè)特征尺寸的人臉特征；通過所述敏感人臉檢測模型根據(jù)各所述特征尺寸對(duì)應(yīng)的數(shù)量的先驗(yàn)框，在各所述特征尺寸的人臉特征中識(shí)別備選人臉區(qū)域；通過所述敏感人臉檢測模型對(duì)所述備選人臉區(qū)域進(jìn)行篩選，在所述圖像確定目標(biāo)人臉區(qū)域。本公開實(shí)施例可以加快人臉檢測的速度。

摘要： 本公開涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體公開了一種人臉檢測方法和人臉檢測模型的訓(xùn)練方法及裝置。該方法包括：獲取待檢測視頻的多個(gè)視頻幀，將每個(gè)視頻幀劃分為多個(gè)圖像塊，所述視頻幀為包含人臉信息的圖像；針對(duì)每個(gè)視頻幀，將多個(gè)圖像塊輸入至預(yù)訓(xùn)練的人臉檢測模型，預(yù)訓(xùn)練的人臉檢測模型包括第一自注意力模型和第二自注意力模型，通過第一自注意力模型對(duì)多個(gè)圖像塊進(jìn)行預(yù)測運(yùn)算，得到每個(gè)視頻幀的第一預(yù)測信息；將各視頻幀的第一預(yù)測信息輸入至第二自注意力模型進(jìn)行預(yù)測運(yùn)算，得到第二預(yù)測信息；融合各視頻幀的第一預(yù)測信息與第二預(yù)測信息，生成融合預(yù)測信息，以用于表征待檢測視頻是否存在人臉偽造圖像的情況。本公開能提高人臉檢測的準(zhǔn)確度。

摘要： 本發(fā)明的實(shí)施例提供了一種人臉檢測模型訓(xùn)練方法、人臉檢測方法及相關(guān)裝置，方法包括：在待訓(xùn)練樣本集中，基于人臉框的面積確定多個(gè)階段的訓(xùn)練樣本集；依次按照第一階段訓(xùn)練樣本集、第二階段訓(xùn)練樣本集以及第三階段訓(xùn)練樣本集對(duì)人臉檢測模型進(jìn)行訓(xùn)練，得到第一人臉檢測模型；基于待訓(xùn)練樣本集對(duì)第一人臉檢測模型進(jìn)行訓(xùn)練，得到目標(biāo)人臉檢測模型。將第一人臉檢測模型按照從簡單到復(fù)雜的方式進(jìn)行訓(xùn)練，并且將第一人臉模型檢測模型無法識(shí)別的較小的人臉進(jìn)行識(shí)別訓(xùn)練，使得輕量級(jí)的第一人臉檢測模型具備重量級(jí)模型的能力，使得忽略的小臉也能夠進(jìn)入訓(xùn)練過程中，有效提升了輕量級(jí)模型預(yù)測小臉的能力，從而提升輕量級(jí)模型的檢測精度。

摘要： 本發(fā)明公開了一種人臉檢測模型訓(xùn)練方法、設(shè)備、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)及人臉檢測方法，該人臉檢測模型訓(xùn)練方法包括：從待訓(xùn)練圖片中提取特征以獲取至少兩種分辨率的初始特征圖；融合所述初始特征圖以得到第一檢測特征圖和第二檢測特征圖；通過第一檢測器在所述第一檢測特征圖上進(jìn)行第一尺度臉型檢測，通過第二檢測器在所述第二檢測特征圖上進(jìn)行第二尺度臉型檢測；基于目標(biāo)損失函數(shù)訓(xùn)練人臉檢測模型。本申請(qǐng)的人臉檢測模型訓(xùn)練方法，具有提高各個(gè)尺寸人臉檢出率的優(yōu)點(diǎn)。

摘要： 本說明書提供一種人臉檢測神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)包括：編碼網(wǎng)絡(luò)、第一解碼網(wǎng)絡(luò)、第二解碼網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)；所述編碼網(wǎng)絡(luò)用于獲取人臉圖像的樣本，并將輸出結(jié)果分發(fā)給所述第一解碼網(wǎng)絡(luò)、所述第二解碼網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)；所述第一解碼網(wǎng)絡(luò)用于根據(jù)所述編碼網(wǎng)絡(luò)的輸出結(jié)果，提取出樣本關(guān)鍵點(diǎn)的預(yù)測坐標(biāo)；所述第二解碼網(wǎng)絡(luò)用于根據(jù)所述編碼網(wǎng)絡(luò)的輸出結(jié)果，獲取所述樣本關(guān)鍵點(diǎn)的預(yù)測坐標(biāo)的人臉姿態(tài)變化參數(shù)；預(yù)測網(wǎng)絡(luò)用于將所述編碼網(wǎng)絡(luò)的輸出結(jié)果以及所獲取的預(yù)測坐標(biāo)和人臉姿態(tài)變化參數(shù)作為輸入進(jìn)行訓(xùn)練，輸出包含所述樣本關(guān)鍵點(diǎn)的三維坐標(biāo)的人臉模型。

摘要： 本發(fā)明公開了一種基于多特征融合的低光照人臉檢測方法及低光照人臉檢測網(wǎng)絡(luò)。本方法為：1)對(duì)于一待處理的低光照?qǐng)D片x，使用提亮分支的編碼器來對(duì)其進(jìn)行降采樣操作，提取不同尺度卷積層的輸出作為該圖片x的多尺度特征Fx'，再使用提亮分支的解碼器利用多尺度特征Fx'重建出一張?zhí)崃梁蟮膱D片2)使用特征提取網(wǎng)絡(luò)提取該圖片的多尺度特征3)使用空洞卷積層分別對(duì)所述多尺度特征Fx'和多尺度特征進(jìn)行增強(qiáng)，分別得到Fx和并將Fx和融合得到特征Fc，根據(jù)特征Fc預(yù)測得到圖片x中的人臉區(qū)域包圍框和對(duì)應(yīng)置信度。本發(fā)明大大優(yōu)化了低光照領(lǐng)域的人臉檢測結(jié)果。