【技术实现步骤摘要】
用于有限资源嵌入式视觉系统的增强型人脸检测和人脸跟踪方法和系统
本申请一般涉及机器学习和人工智能领域。具体而言，涉及在有限资源嵌入式视觉系统中捕捉的数字图像中实现实时人脸检测、人脸跟踪及重复人脸检测的系统、装置和技术。
技术介绍
深度学习(DL)是机器学习和人工神经网络的一个基于一组算法的分支，该算法通过使用具有很多个处理层的人工神经网络来试图建模数据中的高层次抽象。典型的DL结构可包括许多层的神经元和数百万个参数。可以在配备有GPU的高速计算机上用海量数据训练这些参数，并由在深层网络也能适用的新的训练算法来指导，诸如修正线性单元(ReLU)、漏失(或丢弃)、数据集增强，以及随机梯度下降(SGD)。在现有的DL结构之中，卷积神经网络(CNN)是最流行的结构之一。虽然CNN背后的思想在20多年前就被发现了，但是，CNN的真正的能力只是在深度学习理论的近期发展之后才被认识到。到目前为止，CNN已经在许多人工智能和机器学习领域，诸如人脸识别、图像分类、图像字幕生成、可视问答以及自动驾驶汽车中取得了巨大成功。人脸检测(检测和定位每张人脸在图像中的位置)通常是很多人脸识别应...
【技术保护点】
1.一种对使用摄像头捕捉的灰度输入图像进行实时人脸检测的计算机执行方法，其特征在于，所述方法包括：接收人脸图像训练数据集；将所述人脸图像训练数据集中的彩色图像转化成灰度训练图像；采用转化后的灰度图像训练卷积神经网络人脸检测模块；从摄像头中接收灰度输入图像；采用由转化后的灰度图像训练的卷积神经网络人脸检测模块对接收到的灰度输入图像执行人脸检测操作。
【技术特征摘要】
2017.10.20 US 15/789,957;2017.10.28 US 15/796,798;1.一种对使用摄像头捕捉的灰度输入图像进行实时人脸检测的计算机执行方法，其特征在于，所述方法包括：接收人脸图像训练数据集；将所述人脸图像训练数据集中的彩色图像转化成灰度训练图像；采用转化后的灰度图像训练卷积神经网络人脸检测模块；从摄像头中接收灰度输入图像；采用由转化后的灰度图像训练的卷积神经网络人脸检测模块对接收到的灰度输入图像执行人脸检测操作。2.根据权利要求1所述的计算机执行方法，其特征在于，人脸图像训练数据集是由彩色图像所组成的大规模公共训练数据集。3.根据权利要求1所述的计算机执行方法，其特征在于，灰度输入图像是在单色光或者灰度照明条件下捕捉的。4.根据权利要求3所述的计算机执行方法，其特征在于，所述灰度照明条件包括LED灯光照明。5.根据权利要求1所述的计算机执行方法，其特征在于，所述摄像头只捕捉灰度图像。6.根据权利要求1所述的计算机执行方法，其特征在于，卷积神经网络人脸检测模块包括多任务级联卷积神经网络。7.一种识别近似重复人脸图像以及有选择地传送最佳姿态人脸图像到服务器的计算机执行方法，其特征在于，所述方法包括：当确定被跟踪人脸已经消失时确定所述被跟踪人脸的最佳姿态人脸图像；从最佳姿态人脸图像中提取图像特征；计算提取图像特征与特征缓冲器内的一组存储图像特征中的每个存储图像特征之间的一组相似度值，其中所述组存储图像特征是从之前传送的一组最佳姿态人脸图像中提取出来的；确定这所述相似度值中是否有相似度值高于预先设定的阈值；假若没有相似度值高于所述预先设定的阈值，则将所述最佳人脸图像传送到服务器并将提取出的图像特征存储至所述特征缓冲器。8.根据权利要求7所述的计算机执行方法，其特征在于，当所述被跟踪人脸在预先确定的一定数量的图像帧中被物体遮挡，则判定所述被跟踪人脸已经消失。9.根据权利要求7所述的计算机执行方法，其特征在于，所述图像特征由以下的一项或几项组成：方向梯度直方图特征、Harr型特征、尺度不变特征转换、基于深度学习的人脸特征。10.根据权利要求7所述的计算机执行方法，其特征在于，所述组存储图像特征和提取出来的图像特征属于同一类型。11.根据权利要求7所述的计算机执行方法，其特征在于，计算提取图像特征与特征缓冲器内的一组存储图像特征中的一个存储图像特征之间的相...
【专利技术属性】
技术研发人员：吴谦伟，王星，高宇，马锐，卢晔，
申请(专利权)人：奥瞳系统科技有限公司，
类型：发明
国别省市：加拿大,CA
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。