CN107766811A - 一种基于复杂流型结构的人脸识别方法及*** - Google Patents
一种基于复杂流型结构的人脸识别方法及*** Download PDFInfo
- Publication number
- CN107766811A CN107766811A CN201710935978.0A CN201710935978A CN107766811A CN 107766811 A CN107766811 A CN 107766811A CN 201710935978 A CN201710935978 A CN 201710935978A CN 107766811 A CN107766811 A CN 107766811A
- Authority
- CN
- China
- Prior art keywords
- face
- convolutional neural
- neural networks
- feat
- flow structure
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于复杂流型结构的人脸识别方法及***,该方法包括目标人脸检测、目标人脸特征提取及人脸特征数据库建立、人脸特征比对与判定等步骤。待检测图片是一张高维的具有冗余度的图片,检测目标人脸使用改进的MTCNN获得较准确的人脸位置与关键点,基于一种流型结构训练的卷积神经网络,将检测到的人脸映射成欧氏空间可分的低维的特征向量作为此人脸的比对基准特征,当有新的人脸信息进入,比对新人脸的特征与已有基准特征的欧式L2距离,判定人脸归属。本发明脱离服务器端的卷积神经网络架构,基于C++相关库、Armadillo矩阵库,在RK3288嵌入式平台上构造人脸识别***,经优化后***帧率最高可达15FPS,为现实推广卷积神经网络的使用做出了一定的贡献。
Description
技术领域
本发明涉及机器学习、深度神经网络科研领域,同时也关注工业界的应用,尤其涉及一种基于复杂流型结构的人脸识别方法及***。
背景技术
经典的人脸检测算法是基于Harr等人工特征设计的,主要存在漏检、错检等问题,多姿态人脸检测效果更差。近年来采用深度神经网络的方法在人脸检测的性能上取得了大幅度的提高。深度神经网络认为样本数据是通过层次性的特征组合而成的,只利用k个样本就可以对样本空间作O(2^k)个划分,模型复杂度更高。利用CNN强大的特征表达能力,构建多层卷积神经网络,逐层提取边缘等底层特征、局部图像块、具有明显语义特征的人脸部件等。为了提高速度,先对图像做降采样,利用低分辨率的图像迅速缩小候选人脸数目;接着不断提高分比率,进一步排除虚检,最后得到检测结果。
发明内容
本发明的目的在于针对有高冗余度的高维人脸数据和它所具有的流形的结构,提供了一种基于复杂流型结构的人脸识别方法,并且在小型化的硬件上实现了此方法。
为实现上述技术目的,具体采用的技术方案如下:一种基于复杂流型结构的人脸识别方法,该方法包括以下步骤:
(1)输入待识别图片,记为IMG送入人脸检测器;
(2)目标人脸检测:使用改进的MTCNN算法对IMG进行人脸检测,若IMG中没有检测到人脸,则返回步骤(1)输入下一幅待识别图像,若从IMG中检测到人脸A,则标记出其人脸框Rect(x,y,h,w),x,y,h,w分别是人脸框的定位点(可以为任何一个角点或者中心点)的横纵坐标和人脸框的长宽,以及关键点位置Point(p1,...,pm),其中m≥2(关键点可以选自右眼、左眼、鼻子、右嘴角、左嘴角位置等);然后将人脸框Rect截取出来,得到人脸Face1;所述改进的MTCNN算法脱离服务器端的卷积神经网络架构(例如Caffe、TensorFlow等),基于C++相关库和Armadillo矩阵加速库实现卷积神经网络的前馈网络,更加快速有效地实现人脸关键点检测;
(3)目标人脸特征及人脸特征数据库建立:将关键点Point和截取的人脸Face1一起送入基于流型结构的卷积神经网络,通过分类监督信号使得网络学习到在欧氏空间可分的低维(可以选择320维、1024维等)人脸特征向量Feat(1);将人脸特征向量Feat(1)标记为属于A的基准比对特征,存到人脸特征数据库中,最终建立存有若干人脸特征向量的人脸特征数据库Feat(1…n),并设置验证阈值Threshold;所述流型结构的卷积神经网络在ResNet基础上使用模型压缩技术,降低网络的参数,实现网络的加速;
(4)人脸特征比对与判定:读取待验证的图像,根据步骤(2)中的方法,若检测到人脸,则将该人脸对应的关键点Point和通过人脸框截取的人脸Face2送入同步骤(3)的卷积神经网络,得到与步骤(3)维度相同的人脸特征向量Feat(n+1);直接比对Feat(n+1)与人脸特征数据库Feat(1…n)中的所有人脸特征向量的欧式L2距离;取比对计算结果最小的一项,若该项小于验证阈值Threshold,则认为Face2在人脸特征数据库中已注册,通过验证,否则拒绝验证。
进一步地,所述步骤(1)中,图像的获取方式为:从视频流中读取,从现有的人脸数据库中读取,或者通过摄像头采集;所述步骤(4)中,在比对之前,还包括对人脸特征向量Feat(n+1)和人脸特征数据库Feat(1…n)进行降维的步骤,比如降到32维或64维,以进一步减少计算量。
一种基于复杂流型结构的人脸识别***,使用了复杂的高准确率的神经网络检测和识别方法,并且实现了加速后的前馈网络,在小型嵌入式平台上实现了之前不可能在小型化硬件板中实现的算法;该***在RK3288系列嵌入式平台上实现,使用QT实现GUI交互界面;RK3288系列嵌入式平台在1.61GHz的主频下,空闲时最高帧率为15FPS,需要进行人脸检测时最高帧率为10FPS,满足现实场景中人脸识别需求;该***包括图像获取模块、人脸检测模块、人脸特征获取模块,人脸比对模块和人脸特征数据库:
所述图像获取模块通过摄像头采集图像IMG,将采集的图像输入人脸特征获取模块;
所述人脸检测模块使用改进的MTCNN算法对IMG进行人脸检测,若IMG中没有检测到人脸,重新调用图像获取模块,若检测到人脸A,则标记出其人脸框Rect和关键点Point,将通过人脸框Rect截取的人脸Face1输入到人脸特征获取模块;所述改进的MTCNN算法脱离服务器端的卷积神经网络架构,摆脱使用深度学习框架的繁杂的软件依赖,基于C++相关库和Armadillo矩阵加速库实现卷积神经网络的前馈网络,并不需要反向传播的计算,可以摆脱Caffe等框架大量冗余的文件和占用的内存;其次,通过降低MTCNN判决阈值,可以降低运算量,更加快速有效地实现人脸关键点检测;
所述人脸特征获取模块将人脸A关键点Point和人脸Face1一起送入基于流型结构的卷积神经网络,通过分类监督信号使得网络学习到在欧氏空间可分的低维人脸特征向量Feat(1);若执行注册操作,则将人脸特征向量存到人脸特征数据库中,若执行验证操作,则调用人脸比对模块;
所述人脸比对模块计算待验证的图像对应的人脸特征向量与人脸特征数据库中所有的人脸特征向量的欧式L2距离,取距离计算结果最小的一项,若该项小于验证阈值Threshold,则认为该图像在人脸特征数据库中已注册,通过验证,否则拒绝验证;
所述人脸特征数据库中存储所有注册的人脸特征向量,并设置验证阈值Threshold。
本发明的有益效果是:本发明方法包括待识别图像输入、目标人脸检测、目标人脸特征提取及人脸特征数据库建立、人脸特征比对与判定等步骤。待检测图片是一张高维的具有冗余度的图片,检测目标人脸使用改进的MTCNN获得较准确的人脸位置与关键点,目标人脸特征提取基于一种流型结构训练的卷积神经网络,将检测到的人脸映射成欧氏空间可分的低维的特征向量,作为此人脸的比对基准特征,最后当有新的人脸信息进入,比对新人脸的特征与已有基准特征的欧式L2距离,判定人脸归属。本发明使用了大量数据训练的人脸检测和人脸识别的深度神经网络,并重新实现了加速的前馈网络;使用了复杂的神经网络方法进行人脸的检测和识别,同时使用模型压缩技术和相关的C++相关库使得算法的准确率得到大幅度提升。本发明脱离服务器端的卷积神经网络架构Caffe、TensorFlow等,基于C++相关库、Armadillo矩阵库,利用上述网络模型在RK3288嵌入式平台上构造了一个人脸识别***,在小型嵌入式平台上实现了之前不可能在小型化硬件板中实现的算法,经优化后***帧率最高可达15FPS,为现实推广卷积神经网络的使用做出了一定的贡献。
附图说明
图1是提取人脸特征流程图;
图2是同一个人的两个样例图像的相似度分数计算与比较;
图3是人脸识别***示意图;
图4是人脸识别***的实际软件界面;
图5是人脸识别***的数据库界面;
图6是人脸识别***的识别效果展示。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明一种基于复杂流型结构的人脸识别方法,主要包括以下步骤:
(1)输入待识别图片,记为IMG送入人脸检测器;
(2)目标人脸检测:使用改进的MTCNN算法对IMG进行人脸检测,若IMG中没有检测到人脸,则返回步骤(1)输入下一幅待识别图像,若从IMG中检测到人脸A,则标记出其人脸框Rect(x,y,h,w),x,y,h,w分别是人脸框的定位点(可以为任何一个角点或者中心点)的横纵坐标和人脸框的长宽,以及关键点位置Point(p1,...,pm),其中m≥2(关键点可以选自右眼、左眼、鼻子、右嘴角、左嘴角位置等);然后将人脸框Rect截取出来,得到人脸Face1;所述改进的MTCNN算法脱离服务器端的卷积神经网络架构(例如Caffe、TensorFlow等),基于C++相关库和Armadillo矩阵加速库实现卷积神经网络的前馈网络,更加快速有效地实现人脸关键点检测;
(3)目标人脸特征及人脸特征数据库建立:将关键点Point和截取的人脸Face1一起送入基于流型结构的卷积神经网络,通过分类监督信号使得网络学习到在欧氏空间可分的低维(可以选择320维、1024维等)人脸特征向量Feat(1);将人脸特征向量Feat(1)标记为属于A的基准比对特征,存到人脸特征数据库中,最终建立存有若干人脸特征向量的人脸特征数据库Feat(1…n),并设置验证阈值Threshold;所述流型结构的卷积神经网络在ResNet基础上使用模型压缩技术,降低网络的参数,实现网络的加速;
(4)人脸特征比对与判定:读取待验证的图像,根据步骤(2)中的方法,若检测到人脸,则将该人脸对应的关键点Point和通过人脸框截取的人脸Face2送入同步骤(3)的卷积神经网络,得到与步骤(3)维度相同的人脸特征向量Feat(n+1);直接比对Feat(n+1)与人脸特征数据库Feat(1…n)中的所有人脸特征向量的欧式L2距离:
其中,xi代表当前在内存中的帧提取到的特征向量,yi代表数据库中属于每一个人的人脸特征向量,n是特征向量长度。为了减少计算量,先进行PCA降维将特征降到32维,再计算距离,最后取比对计算结果最小的一项,与设定的验证阈值Threshold进行比较:
若该项小于验证阈值则认为Face2在数据库中已注册,并显示出其注册时对应的名字,完成登录,若高于验证阈值,则认为Face2在数据库中没有注册记录,拒绝认证。
如图4所示,人脸识别***的界面左侧为实时视频画面,当检测到人脸时,会表明人脸框的位置和5个人脸关键点。此时用户按下“注册”,则把矩形框中的人脸FaceX单独截出,并把关键点位置和截取人脸一并送入基于流形结构的卷积神经网络获得欧氏空间可分的320维特征FeatX,保存至数据库中(见图5)。重新加载程序时,会预加载数据库中已注册所有的人脸数据,然后当用户按下“登录”,同样通过截出操作得到人脸FaceY,送入卷积神经网络得到FeatY,最后经过PCA降维,计算FeatY与数据库中所有已注册人脸的距离,取计算结果最小的一项与验证阈值进行比较,若低于验证阈值,则通过验证并显示名字(见图6),若高于验证阈值,则拒绝验证。
Claims (3)
1.一种基于复杂流型结构的人脸识别方法,其特征在于,该方法包括以下步骤:
(1)输入待识别图片,记为IMG送入人脸检测器;
(2)目标人脸检测:使用改进的MTCNN算法对IMG进行人脸检测,若IMG中没有检测到人脸,则返回步骤(1)输入下一幅待识别图像,若从IMG中检测到人脸A,则标记出其人脸框Rect(x,y,h,w),x,y,h,w分别是人脸框的定位点的横纵坐标和人脸框的长宽,以及关键点位置Point(p1,...,pm),其中m≥2;然后将人脸框Rect截取出来,得到人脸Face1;所述改进的MTCNN算法脱离服务器端的卷积神经网络架构,基于C++相关库和Armadillo矩阵加速库实现卷积神经网络的前馈网络,更加快速有效地实现人脸关键点检测;
(3)目标人脸特征及人脸特征数据库建立:将关键点Point和截取的人脸Face1一起送入基于流型结构的卷积神经网络,通过分类监督信号使得网络学习到在欧氏空间可分的低维人脸特征向量Feat(1);将人脸特征向量Feat(1)标记为属于A的基准比对特征,存到人脸特征数据库中,最终建立存有若干人脸特征向量的人脸特征数据库Feat(1…n),并设置验证阈值Threshold;所述流型结构的卷积神经网络在ResNet基础上使用模型压缩技术,降低网络的参数,实现网络的加速;
(4)人脸特征比对与判定:读取待验证的图像,根据步骤(2)中的方法,若检测到人脸,则将该人脸对应的关键点Point和通过人脸框截取的人脸Face2送入同步骤(3)的卷积神经网络,得到与步骤(3)维度相同的人脸特征向量Feat(n+1);直接比对Feat(n+1)与人脸特征数据库Feat(1…n)中的所有人脸特征向量的欧式L2距离;取比对计算结果最小的一项,若该项小于验证阈值Threshold,则认为Face2在人脸特征数据库中已注册,通过验证,否则拒绝验证。
2.根据权利要求1所述的一种基于复杂流型结构的人脸识别方法,其特征在于,所述步骤(1)中,图像的获取方式为:从视频流中读取,从现有的人脸数据库中读取,或者通过摄像头采集;所述步骤(4)中,在比对之前,还包括对人脸特征向量Feat(n+1)和人脸特征数据库Feat(1…n)进行降维的步骤,以进一步减少计算量。
3.一种基于复杂流型结构的人脸识别***,其特征在于,该***在RK3288系列嵌入式平台上实现,使用QT实现GUI交互界面;RK3288系列嵌入式平台在1.61GHz的主频下,空闲时最高帧率为15FPS,需要进行人脸检测时最高帧率为10FPS,满足现实场景中人脸识别需求;该***包括图像获取模块、人脸检测模块、人脸特征获取模块,人脸比对模块和人脸特征数据库:
所述图像获取模块通过摄像头采集图像IMG,将采集的图像输入人脸特征获取模块;
所述人脸检测模块使用改进的MTCNN算法对IMG进行人脸检测,若IMG中没有检测到人脸,重新调用图像获取模块,若检测到人脸A,则标记出其人脸框Rect和关键点Point,将通过人脸框Rect截取的人脸Face1输入到人脸特征获取模块;所述改进的MTCNN算法脱离服务器端的卷积神经网络架构,摆脱使用深度学习框架的繁杂的软件依赖,基于C++相关库和Armadillo矩阵加速库实现卷积神经网络的前馈网络,不需要反向传播的计算;通过降低MTCNN判决阈值降低运算量,更加快速有效地实现人脸关键点检测;
所述人脸特征获取模块将人脸A关键点Point和人脸Face1一起送入基于流型结构的卷积神经网络,通过分类监督信号使得网络学习到在欧氏空间可分的低维人脸特征向量Feat(1);若执行注册操作,则将人脸特征向量存到人脸特征数据库中,若执行验证操作,则调用人脸比对模块;
所述人脸比对模块计算待验证的图像对应的人脸特征向量与人脸特征数据库中所有的人脸特征向量的欧式L2距离,取距离计算结果最小的一项,若该项小于验证阈值Threshold,则认为该图像在人脸特征数据库中已注册,通过验证,否则拒绝验证;
所述人脸特征数据库中存储所有注册的人脸特征向量,并设置验证阈值Threshold。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710935978.0A CN107766811A (zh) | 2017-10-10 | 2017-10-10 | 一种基于复杂流型结构的人脸识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710935978.0A CN107766811A (zh) | 2017-10-10 | 2017-10-10 | 一种基于复杂流型结构的人脸识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766811A true CN107766811A (zh) | 2018-03-06 |
Family
ID=61267530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710935978.0A Pending CN107766811A (zh) | 2017-10-10 | 2017-10-10 | 一种基于复杂流型结构的人脸识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766811A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241822A (zh) * | 2018-07-13 | 2019-01-18 | 上海斐讯数据通信技术有限公司 | 一种基于mtcnn的多方位人脸检测方法及*** |
CN109472193A (zh) * | 2018-09-21 | 2019-03-15 | 北京飞搜科技有限公司 | 人脸检测方法及装置 |
CN109472289A (zh) * | 2018-10-09 | 2019-03-15 | 北京陌上花科技有限公司 | 关键点检测方法和设备 |
CN109685044A (zh) * | 2019-02-18 | 2019-04-26 | 上海德拓信息技术股份有限公司 | 基于k均值聚类算法的人脸识别检索方法 |
CN110287955A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标区域确定模型训练方法、装置和计算机可读存储介质 |
CN110503059A (zh) * | 2019-08-27 | 2019-11-26 | 国网电子商务有限公司 | 一种人脸识别方法及*** |
CN110598627A (zh) * | 2019-09-11 | 2019-12-20 | 旭辉卓越健康信息科技有限公司 | 一种基于人脸识别的gui演示工具 |
CN110659570A (zh) * | 2019-08-21 | 2020-01-07 | 北京地平线信息技术有限公司 | 目标对象姿态跟踪方法、神经网络的训练方法及装置 |
TWI705377B (zh) * | 2019-02-01 | 2020-09-21 | 緯創資通股份有限公司 | 硬體加速方法及硬體加速系統 |
CN112236777A (zh) * | 2018-06-11 | 2021-01-15 | 思科技术公司 | 混合云中基于向量的对象识别 |
CN116723292A (zh) * | 2023-05-12 | 2023-09-08 | 北京宝通利达科技有限公司 | 一种基于物联网的监控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329722A (zh) * | 2007-06-21 | 2008-12-24 | 上海北控智能科技有限公司 | 基于神经网络进行识别的算法的人脸识别方法 |
CN101526997A (zh) * | 2009-04-22 | 2009-09-09 | 无锡名鹰科技发展有限公司 | 嵌入式红外人脸图像识别方法及识别装置 |
CN105809125A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于多核心arm平台的人脸识别*** |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、***及设备 |
-
2017
- 2017-10-10 CN CN201710935978.0A patent/CN107766811A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329722A (zh) * | 2007-06-21 | 2008-12-24 | 上海北控智能科技有限公司 | 基于神经网络进行识别的算法的人脸识别方法 |
CN101526997A (zh) * | 2009-04-22 | 2009-09-09 | 无锡名鹰科技发展有限公司 | 嵌入式红外人脸图像识别方法及识别装置 |
CN105809125A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于多核心arm平台的人脸识别*** |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、***及设备 |
Non-Patent Citations (7)
Title |
---|
GOODLUCKCWL: "学习Caffe(三)Caffe卷积实现解析并手写前馈网络Armadillo+Opencv", 《HTTP://BLOG.CSDN.NET/U014230646/ARTICLE/DETAILS/52664915》 * |
HIROKI: "C++矩阵运算库Armadillo配置笔记", 《HTTPS://WWW.BBSMAX.COM/A/VX5M0NPLJN/》 * |
KAIPENG ZHANG 等: "Joint Face Detection and Aligment using Multi-task Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 * |
WHRSUNNY: "C++下媲美MATLAB矩阵运算的Armadillo库", 《BLOG.SCIENCENET.CN/BLOG-579537-898250.HTML》 * |
姜媚: "干货|CNN 模型压缩与加速算法综述", 《HTTPS://WWW.SOHU.COM/A/167703589_642762》 * |
清水汪汪: "深度学习网络压缩模型方法总结(model compression)", 《HTTPS://WWW.CNBLOGS.COM/ZHONGHUASONG/P/7493475.HTML》 * |
百度NLP: "百度NLP | 神经网络模型压缩技术", 《HTTPS://WWW.SOHU.COM/A/152691907_465975》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112236777A (zh) * | 2018-06-11 | 2021-01-15 | 思科技术公司 | 混合云中基于向量的对象识别 |
CN109241822A (zh) * | 2018-07-13 | 2019-01-18 | 上海斐讯数据通信技术有限公司 | 一种基于mtcnn的多方位人脸检测方法及*** |
CN109472193A (zh) * | 2018-09-21 | 2019-03-15 | 北京飞搜科技有限公司 | 人脸检测方法及装置 |
CN109472289A (zh) * | 2018-10-09 | 2019-03-15 | 北京陌上花科技有限公司 | 关键点检测方法和设备 |
CN109472289B (zh) * | 2018-10-09 | 2022-03-29 | 北京陌上花科技有限公司 | 关键点检测方法和设备 |
TWI705377B (zh) * | 2019-02-01 | 2020-09-21 | 緯創資通股份有限公司 | 硬體加速方法及硬體加速系統 |
CN109685044A (zh) * | 2019-02-18 | 2019-04-26 | 上海德拓信息技术股份有限公司 | 基于k均值聚类算法的人脸识别检索方法 |
CN109685044B (zh) * | 2019-02-18 | 2023-06-06 | 上海德拓信息技术股份有限公司 | 基于k均值聚类算法的人脸识别检索方法 |
CN110287955A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标区域确定模型训练方法、装置和计算机可读存储介质 |
CN110659570A (zh) * | 2019-08-21 | 2020-01-07 | 北京地平线信息技术有限公司 | 目标对象姿态跟踪方法、神经网络的训练方法及装置 |
CN110503059A (zh) * | 2019-08-27 | 2019-11-26 | 国网电子商务有限公司 | 一种人脸识别方法及*** |
CN110598627A (zh) * | 2019-09-11 | 2019-12-20 | 旭辉卓越健康信息科技有限公司 | 一种基于人脸识别的gui演示工具 |
CN116723292A (zh) * | 2023-05-12 | 2023-09-08 | 北京宝通利达科技有限公司 | 一种基于物联网的监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766811A (zh) | 一种基于复杂流型结构的人脸识别方法及*** | |
US11195037B2 (en) | Living body detection method and system, computer-readable storage medium | |
KR102596897B1 (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
US10650261B2 (en) | System and method for identifying re-photographed images | |
CN106897675B (zh) | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 | |
US8600121B2 (en) | Face recognition system and method | |
CN104933414B (zh) | 一种基于wld-top的活体人脸检测方法 | |
CN108416250A (zh) | 人数统计方法及装置 | |
WO2021017610A1 (zh) | 证件真伪验证方法、装置、计算机设备及存储介质 | |
CN111241975B (zh) | 一种基于移动端边缘计算的人脸识别检测方法及*** | |
CN109871780B (zh) | 一种人脸质量判决方法、***及人脸识别方法、*** | |
CN103605972A (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN109858375A (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
CN108491794A (zh) | 面部识别的方法和装置 | |
WO2021082562A1 (zh) | 活体检测方法、装置、电子设备、存储介质及程序产品 | |
CN112541434B (zh) | 一种基于中心点跟踪模型的人脸识别方法 | |
CN107316029A (zh) | 一种活体验证方法及设备 | |
CN112966574A (zh) | 人体三维关键点预测方法、装置及电子设备 | |
CN108280421A (zh) | 基于多特征深度运动图的人体行为识别方法 | |
CN112488072A (zh) | 一种人脸样本集获取方法、***及设备 | |
Zuo et al. | Face liveness detection algorithm based on livenesslight network | |
CN113468954B (zh) | 基于多通道下局部区域特征的人脸伪造检测方法 | |
CN112001280B (zh) | 一种实时、可在线优化的人脸识别***和方法 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
CN115115981A (zh) | 数据处理方法、装置、设备、存储介质及计算机程序产品 |
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: 20180306 |