CN108171223A - 一种基于多模型多通道的人脸识别方法及*** - Google Patents
一种基于多模型多通道的人脸识别方法及*** Download PDFInfo
- Publication number
- CN108171223A CN108171223A CN201810162040.4A CN201810162040A CN108171223A CN 108171223 A CN108171223 A CN 108171223A CN 201810162040 A CN201810162040 A CN 201810162040A CN 108171223 A CN108171223 A CN 108171223A
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- personnel
- image
- identified
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明是一种基于多模型多通道的人脸识别方法及***,具体是指利用不同的人脸识别模型生成不同的人脸特征,不同的特征携带不同的信息,融合这些特征来进行人脸识别能很大程度上提高识别率,涉及人脸识别技术领域。本发明通过普通摄像头获取人脸图像,利用人脸检测算法检测是否出现人脸,在有人脸的基础上分割人脸区域,对分割出来的图像做预处理。对预处理后的图像提取不同模型所对应的特征,然后对这些特征进行特征处理,最后使用余弦距离来度量待识别人员与数据库中已注册人员的特征的相似度。该发明克服了现有技术存在的方法精确度不高,对于人脸环境变化(光照、表情、姿态、遮挡)鲁棒性低的缺点,能有效的提高人脸识别的准确率。
Description
技术领域
本发明涉及人脸识别技术领域,具体是一种基于多模型多通道的人脸识别方法及***。
背景技术
随着计算机技术与人工智能的快速发展,以及人们需求的日益增长,传统的身份认证技术如指纹识别、虹膜识别和语音识别已经不能满足人们的需求。与传统身份认证技术相比,人脸识别具备高可靠性和便利性的优势。
一个可靠的人脸识别***主要是由人脸采集、人脸检测、预处理、特征提取、分类识别这五个模块组成。其中,特征提取在该***中是最关键、最重要的一步。然而,使用单一的现有特征提取算法提取出来的人脸特征鲁棒性低,对于人脸环境的变化(光照、表情、姿态、遮挡)非常敏感。由此可见,为解决单一人脸特征提取算法在人脸识别的精度受到限制的问题,目前需要融合多种特征提取算法来提高人脸识别的精确度。
发明内容
本发明主要是克服上述现有技术的缺点,提出了一种融合了多种人脸特征的人脸识别方法及***。不同的模型能够提取出人脸的不同的特征,融合多种人脸特征进行识别认证,能够提高人脸识别的精度。
本发明为克服传统方法的缺点所采用的技术方案是:提供一种基于多模型多通道的人脸识别方法,包括以下步骤:
步骤1:采集人脸图像,利用摄像头获取人脸图像数据,利用Viola-Jones人脸检测算法检测图像中是否出现人脸,在图像中存在人脸的基础上,对人脸进行分割,在分割后的人脸图像上进行预处理;
步骤2:在预处理后的人脸图像I基础上,使用预训练好的自动编解码器产生AE特征;
步骤:3:在预处理后的人脸图像I基础上,根据人脸的特征点分割出左眼、右眼、鼻子和嘴巴图像,对每一个图像块提取HOG(Histogram of Oriented Gradient,方向梯度直方图)特征。
步骤4:在预处理后的人脸图像I基础上,将人脸图像分割成若干N×N的图像块,对每个图像块提取DCP(Dual-Cross Patterns,双十字模式)特征。
步骤:5:对AE特征、HOG特征和DCP特征向量进行融合并利用WPCA(加权主分量分析)减少冗余得到最终特征;
步骤6:分别计算待识别人员的特征与数据库中已注册的人员的特征之间的余弦距离,根据余弦距离的大小确定待识别人员的身份。
在步骤1中,预处理阶段包括基于回归树的人脸对齐算法(ERT算法)和中值滤波图像去噪操作。
在步骤2中,预训练好的自动编码器提取AE特征,我们可以将训练集中的某张图片表示为向量x∈Rmx1,其中m为人脸图片总的像素点数。稀疏自动编解码器的编码矩阵为We=Rk×m,
自动编解码器的非线性编码函数为稀疏编码向量为h=f(x;We)∈Rk×1,自动编解码器的解码矩阵为Wd∈Rm×k,可以建立如下无约束优化问题:
其中xi表示训练集中第i副图片,hi表示第i副图片的稀疏编码向量,λ为正则化系数,N为训练集中图片的总数。
对于该优化问题我们采用梯度下降法来优化该问题,如此,即可得到训练好的自编码器。
在步骤5中,对AE特征、HOG特征和DCP特征向量首尾拼接(例如:向量(1,2,3)与向量(4,5,6)首尾拼接后的结果为(1,2,3,4,5,6))融合为新的特征向量后,利用WPCA减少数据冗余。
在步骤6中,分别计算待识别人员的特征与数据库中已注册的人员的特征之间的余弦距离,选择距离最小的特征矢量为识别结果。
本发明提供一种基于多模型多通道的人脸识别***,包括:
图像获取模块,用于采集待识别的人脸图像;
人脸检测模块,用于从采集的图像中检测出人脸并提取出来;
预处理模块,用于对提取出来的人脸部分进行预处理;
特征提取模块,使用三种模型(自动编码器、HOG算法、DCP算法)提取不同的特征;
特征处理模块,对得到的特征进行拼接、归一化和WPCA去冗余;
识别模块,用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息。
首先,通过图像获取模块采集待识别的人脸图像人脸检测模块,接着,从采集的图像中通过人脸检测模块检测出人脸并提取出来,并对提取出来的人脸部分通过预处理模块进行预处理;利用特征提取模块,使三种模型提取不同的特征;接着,在特征处理模块对得到的特征进行拼接、归一化和WPCA去冗余;之后,识别模块用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息。
所述预处理模块涉及到的操作包括图像去噪和人脸对齐。
所述特征提取模块使用三种模型提取人脸特征。
所述识别模块采用余弦距离计算待识别人员与数据库中已注册人员的特征之间的距离,选择距离最小的特征所对应的已注册人员身份作为待识别人员的身份。
本发明的优点和功效在于:提供的基于多模型多通道的人脸识别方法及***融合了多个模型的优点,将不同模型产生的特征融合起来,结合各个模型的优势达到更精确的人脸识别的目的。经过很多人脸数据库的测试,都取得了不错的效果,可以实现高速度、高准确的人脸识别,在监控、安防等方面有重要的意义。
附图说明
图1是本发明的流程图。
图2是本发明的结构方框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,这些实施例仅用于说明本发明而不用于限制本发明的范围。基于本发明中的实施例,本领域其他技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提出了一种基于多模型多通道的人脸识别方法,如图1所示,该方法包括:
(1)利用普通的摄像头采集清晰的人脸数据。
(2)对采集到的人脸图像使用Viola-Jones人脸检测算法检测图像中是否存在人脸,并在有人脸的基础上,将算法检测出的人脸区域分割提取出来作为后续实验的图像。
(3)对分割提取后的人脸图像进行预处理操作,具体是先使用ERT人脸对齐算法将人脸图像对齐,然后使用中值滤波图像去噪算法去除图像噪声。
(4)对预处理后的图像使用预训练好的自动编解码器学习出AE特征,即直接将图像作为输入,编码器的编码输出即为人脸图像AE特征。预训练自动编解码器模型的过程如下:
(5)我们可以将训练集中的某张图片表示为向量x∈Rmx1,其中m为人脸图片总的像素点数。稀疏自动编解码器的编码矩阵为We=Rk×m,自动编解码器的非线性编码函数为稀疏编码向量为h=f(x;We)∈Rk×1,自动编解码器的解码矩阵为Wd∈Rm×k,可以建立如下无约束优化问题:
其中xi表示训练集中第i副图片,hi表示第i副图片的稀疏编码向量,λ为正则化系数,N为训练集中图片的总数。对于该优化问题我们采用梯度下降法来进行迭代优化,如此即可得到训练好的自编码器。
(6)对预处理后的图像,根据68个人脸特征点的地理信息将人脸图像中的右眼、左眼、鼻子和嘴巴部分分割出来,对每一部分分别提取HOG特征,最后将得到的4项HOG特征首尾拼接起来(例如:向量(1,2,3)与向量(4,5,6)首尾拼接后的结果为(1,2,3,4,5,6))即作为该人脸的HOG特征。
(7)对预处理后的图像,将图像恰当划分为若干N×N的图像块,对每一图像块提取DCP(Dual-Cross Patterns)特征,最终将得到的若干DCP特征拼接起来作为该人脸的DCP特征。
(8)将得到的AE特征、HOG特征和DCP特征首尾拼接起来(例如:向量(1,2,3)与向量(4,5,6)首尾拼接后的结果为(1,2,3,4,5,6)),并作归一化。
(9)将归一化后的特征值使用WPCA(Whitened Principal Compoent Analysis)算法去除特征的信息冗余,其公式为:y=(UΛ-1/2)Tx其中U是通过WPCA从训练数据中学习到的正交投影矩阵,Λ=diag{λ1,λ2...}为对角矩阵,λi为矩阵U的第i个特征值。将经过WPCA算法处理后的结果作为最终的人脸特征向量。
(10)分别计算待识别人员的人脸特征向量与数据库中已注册人员人脸特征向量之间的余弦距离,选择距离最小的特征向量对应的已注册人员的身份作为待识别人员的身份。
本发明的第二实施方式涉及一种基于多模型多通道的人脸识别***,如图2所示,包括图像获取模块,用于采集待识别的人脸图像;人脸检测模块,用于从采集的图像中检测出人脸并提取出来;预处理模块,用于对提取出来的人脸部分进行预处理;特征提取模块,使用三种模型提取不同的特征;特征处理模块,对得到的特征进行拼接、归一化和WPCA去冗余;识别模块,用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息。
所述预处理模块包括图像去噪和人脸对齐。
所述特征提取模块使用多个模型提取人脸特征,所述特征处理模块对得到的特征做拼接、归一化和WPCA去冗余。
所述识别模块采用余弦距离计算待识别人员与数据库中已注册人员的特征之间的距离,选择距离最小的特征所对应的已注册人员身份作为待识别人员的身份。
以上对本发明所提供的一种基于多模型多通道的人脸识别方法及***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。
Claims (9)
1.一种基于多模型多通道的人脸识别方法,其特征在于,包括以下步骤:
步骤1:采集人脸图像,利用摄像头获取人脸图像数据,利用Viola-Jones人脸检测算法检测图像中是否出现人脸,在图像中存在人脸的基础上,对人脸进行分割,在分割后的人脸图像上进行预处理;
步骤2:在预处理后的人脸图像I基础上,使用预训练好的自动编解码器产生AE特征;
步骤:3:在预处理后的人脸图像I基础上,根据人脸的特征点分割出左眼、右眼、鼻子和嘴巴图像,对每一个图像块提取HOG特征;HOG为方向梯度直方图;
步骤4:在预处理后的人脸图像I基础上,将人脸图像分割成若干N×N的图像块,对每个图像块提取DCP特征;DCP为双十字模式;
步骤:5:对AE特征、HOG特征和DCP特征向量进行融合并利用加权主分量分析WPCA减少冗余得到最终特征;
步骤6:分别计算待识别人员的特征与数据库中已注册的人员的特征之间的余弦距离,根据余弦距离的大小确定待识别人员的身份。
2.根据权利要求1所述的一种基于多模型多通道的人脸识别方法,其特征在于:在步骤1中,预处理阶段包括基于回归树的人脸对齐算法和中值滤波图像去噪操作。
3.根据权利要求1所述的一种基于多模型多通道的人脸识别方法,其特征在于:在步骤2中,预训练好的自动编码器提取AE特征,将训练集中的某张图片表示为向量x∈Rmx1;其中,m为人脸图片总的像素点数;稀疏自动编解码器的编码矩阵为We=Rk×m,自动编解码器的非线性编码函数为稀疏编码向量为h=f(x;We)∈Rk×1,自动编解码器的解码矩阵为Wd∈Rm×k,建立如下无约束优化问题:
其中,xi表示训练集中第i副图片,hi表示第i副图片的稀疏编码向量,λ为正则化系数,N为训练集中图片的总数;
对于该优化问题采用梯度下降法来优化该问题,如此,得到训练好的自编码器。
4.根据权利要求1所述的一种基于多模型多通道的人脸识别方法,其特征在于:在步骤5中,对AE特征、HOG特征和DCP特征向量首尾拼接,融合为新的特征向量后,利用WPCA减少数据冗余。
5.根据权利要求1所述的一种基于多模型多通道的人脸识别方法,其特征在于:在步骤6中,分别计算待识别人员的特征与数据库中已注册的人员的特征之间的余弦距离,选择距离最小的特征矢量为识别结果。
6.一种基于多模型多通道的人脸识别***,其特征在于,包括:
图像获取模块,用于采集待识别的人脸图像;
人脸检测模块,用于从采集的图像中检测出人脸并提取出来;
预处理模块,用于对提取出来的人脸部分进行预处理;
特征提取模块,使用自动编码器、HOG算法、DCP算法提取不同的特征;
特征处理模块,对得到的特征进行拼接、归一化和WPCA去冗余;
识别模块,用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息;
首先,通过图像获取模块采集待识别的人脸图像人脸检测模块,接着,从采集的图像中通过人脸检测模块检测出人脸并提取出来,并对提取出来的人脸部分通过预处理模块进行预处理;利用特征提取模块,使三种模型提取不同的特征;接着,在特征处理模块对得到的特征进行拼接、归一化和WPCA去冗余;之后,识别模块用于计算待识别人员的特征与所有已注册人员的特征之间的余弦距离并确定待识别人员的身份信息。
7.根据权利要求6所述的一种基于多模型多通道的人脸识别***,其特征在于:所述预处理模块涉及到的操作包括图像去噪和人脸对齐。
8.根据权利要求6所述的一种基于多模型多通道的人脸识别***,其特征在于:所述识别模块采用余弦距离计算待识别人员与数据库中已注册人员的特征之间的距离,选择距离最小的特征所对应的已注册人员身份作为待识别人员的身份。
9.根据权利要求6所述的一种基于多模型多通道的人脸识别***,其特征在于:归一化后的特征值使用WPCA算法去除特征的信息冗余,其公式为:y=(UΛ-1/2)Tx;其中,U是通过WPCA从训练数据中学习到的正交投影矩阵,Λ=diag{λ1,λ2...}为对角矩阵,λi为矩阵U的第i个特征值;将经过WPCA算法处理后的结果作为最终的人脸特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810162040.4A CN108171223A (zh) | 2018-02-27 | 2018-02-27 | 一种基于多模型多通道的人脸识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810162040.4A CN108171223A (zh) | 2018-02-27 | 2018-02-27 | 一种基于多模型多通道的人脸识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171223A true CN108171223A (zh) | 2018-06-15 |
Family
ID=62511653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810162040.4A Pending CN108171223A (zh) | 2018-02-27 | 2018-02-27 | 一种基于多模型多通道的人脸识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171223A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190535A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 一种基于深度学习的人脸面部肤色分析方法和*** |
CN109376602A (zh) * | 2018-09-21 | 2019-02-22 | 厦门中控智慧信息技术有限公司 | 一种指静脉识别方法、装置及终端设备 |
CN109398310A (zh) * | 2018-09-26 | 2019-03-01 | 深圳万智联合科技有限公司 | 一种无人驾驶汽车 |
CN109472240A (zh) * | 2018-11-12 | 2019-03-15 | 北京影谱科技股份有限公司 | 人脸识别多模型自适应特征融合增强方法和装置 |
CN110427265A (zh) * | 2019-07-03 | 2019-11-08 | 平安科技(深圳)有限公司 | 人脸识别的方法、装置、计算机设备和存储介质 |
CN110941991A (zh) * | 2019-10-28 | 2020-03-31 | 成都华迈通信技术有限公司 | 一种多通道结构化数据采集***及数据采集方法 |
CN111724522A (zh) * | 2020-05-25 | 2020-09-29 | 浙江大华技术股份有限公司 | 一种门禁控制***、方法、装置、控制设备及存储介质 |
WO2021057426A1 (zh) * | 2019-09-29 | 2021-04-01 | 腾讯科技(深圳)有限公司 | 融合图像处理模型的训练方法、装置、设备及存储介质 |
CN115019373A (zh) * | 2022-06-30 | 2022-09-06 | 北京瑞莱智慧科技有限公司 | 对特定人物进行跟踪检测的方法、装置及存储介质 |
CN117911949A (zh) * | 2024-01-19 | 2024-04-19 | 北京易融信达科技有限公司 | 社会稳定风险智能评估方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718868A (zh) * | 2016-01-18 | 2016-06-29 | 中国科学院计算技术研究所 | 一种针对多姿态人脸的人脸检测***及方法 |
CN105844132A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院上海微***与信息技术研究所 | 基于移动终端的人脸识别方法及*** |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN106169072A (zh) * | 2016-07-07 | 2016-11-30 | 中国科学院上海微***与信息技术研究所 | 一种基于泰勒展开的人脸识别方法及*** |
CN106203354A (zh) * | 2016-07-14 | 2016-12-07 | 南京信息工程大学 | 基于混合深度结构的场景识别方法 |
CN106874879A (zh) * | 2017-02-21 | 2017-06-20 | 华南师范大学 | 基于多特征融合和深度学习网络提取的手写数字识别方法 |
CN107528832A (zh) * | 2017-08-04 | 2017-12-29 | 北京中晟信达科技有限公司 | 一种面向***日志的基线构建与未知异常行为检测方法 |
CN107622225A (zh) * | 2017-07-27 | 2018-01-23 | 成都信息工程大学 | 基于独立分量分析网络的人脸识别方法 |
-
2018
- 2018-02-27 CN CN201810162040.4A patent/CN108171223A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718868A (zh) * | 2016-01-18 | 2016-06-29 | 中国科学院计算技术研究所 | 一种针对多姿态人脸的人脸检测***及方法 |
CN105844132A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院上海微***与信息技术研究所 | 基于移动终端的人脸识别方法及*** |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN106169072A (zh) * | 2016-07-07 | 2016-11-30 | 中国科学院上海微***与信息技术研究所 | 一种基于泰勒展开的人脸识别方法及*** |
CN106203354A (zh) * | 2016-07-14 | 2016-12-07 | 南京信息工程大学 | 基于混合深度结构的场景识别方法 |
CN106874879A (zh) * | 2017-02-21 | 2017-06-20 | 华南师范大学 | 基于多特征融合和深度学习网络提取的手写数字识别方法 |
CN107622225A (zh) * | 2017-07-27 | 2018-01-23 | 成都信息工程大学 | 基于独立分量分析网络的人脸识别方法 |
CN107528832A (zh) * | 2017-08-04 | 2017-12-29 | 北京中晟信达科技有限公司 | 一种面向***日志的基线构建与未知异常行为检测方法 |
Non-Patent Citations (5)
Title |
---|
乔宇等: "基于加权主元分析(WPCA)的人脸识别", 《重庆大学学报(自然科学版)》 * |
刘海媚等: "基于方向边缘幅值的尺度块 LBP 人脸识别", 《计算机工程与应用》 * |
段龙云等: "多任务姿态不变的人脸识别", 《电脑知识与技术》 * |
肖冬杰等: "基于稀疏表示的自适应图像融合方法研究", 《计算机应用与软件》 * |
陈明亮等: "彩色自然场景下的多特征融合车辆检测算法", 《***仿真技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190535A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 一种基于深度学习的人脸面部肤色分析方法和*** |
CN109190535B (zh) * | 2018-08-23 | 2022-04-01 | 南京邮电大学 | 一种基于深度学习的人脸面部肤色分析方法和*** |
CN109376602A (zh) * | 2018-09-21 | 2019-02-22 | 厦门中控智慧信息技术有限公司 | 一种指静脉识别方法、装置及终端设备 |
CN109398310A (zh) * | 2018-09-26 | 2019-03-01 | 深圳万智联合科技有限公司 | 一种无人驾驶汽车 |
CN109472240A (zh) * | 2018-11-12 | 2019-03-15 | 北京影谱科技股份有限公司 | 人脸识别多模型自适应特征融合增强方法和装置 |
CN110427265A (zh) * | 2019-07-03 | 2019-11-08 | 平安科技(深圳)有限公司 | 人脸识别的方法、装置、计算机设备和存储介质 |
US11526712B2 (en) | 2019-09-29 | 2022-12-13 | Tencent Technology (Shenzhen) Company Limited | Training method and apparatus for image fusion processing model, device, and storage medium |
WO2021057426A1 (zh) * | 2019-09-29 | 2021-04-01 | 腾讯科技(深圳)有限公司 | 融合图像处理模型的训练方法、装置、设备及存储介质 |
CN110941991A (zh) * | 2019-10-28 | 2020-03-31 | 成都华迈通信技术有限公司 | 一种多通道结构化数据采集***及数据采集方法 |
CN110941991B (zh) * | 2019-10-28 | 2023-05-23 | 成都华迈通信技术有限公司 | 一种多通道结构化数据采集***及数据采集方法 |
CN111724522A (zh) * | 2020-05-25 | 2020-09-29 | 浙江大华技术股份有限公司 | 一种门禁控制***、方法、装置、控制设备及存储介质 |
CN115019373A (zh) * | 2022-06-30 | 2022-09-06 | 北京瑞莱智慧科技有限公司 | 对特定人物进行跟踪检测的方法、装置及存储介质 |
CN117911949A (zh) * | 2024-01-19 | 2024-04-19 | 北京易融信达科技有限公司 | 社会稳定风险智能评估方法及*** |
CN117911949B (zh) * | 2024-01-19 | 2024-06-11 | 北京易融信达科技有限公司 | 一种风险智能评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171223A (zh) | 一种基于多模型多通道的人脸识别方法及*** | |
William et al. | Face recognition using facenet (survey, performance test, and comparison) | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
Sobottka et al. | Extraction of facial regions and features using color and shape information | |
US6661907B2 (en) | Face detection in digital images | |
CN108563999A (zh) | 一种面向低质量视频图像的人物身份识别方法与装置 | |
CN102629320B (zh) | 基于特征层定序测量统计描述的人脸识别方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
Anand et al. | An improved local binary patterns histograms techniques for face recognition for real time application | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN106650574A (zh) | 基于PCANet的人脸识别方法 | |
CN107038400A (zh) | 人脸识别装置及方法和利用其的目标人跟踪装置及方法 | |
Meng et al. | Finger vein recognition based on convolutional neural network | |
Shrivastava et al. | Conceptual model for proficient automated attendance system based on face recognition and gender classification using Haar-Cascade, LBPH algorithm along with LDA model | |
Diyasa et al. | Multi-face Recognition for the Detection of Prisoners in Jail using a Modified Cascade Classifier and CNN | |
Galiyawala et al. | Person retrieval in surveillance videos using deep soft biometrics | |
KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
Mohamed et al. | Automated face recogntion system: Multi-input databases | |
Das et al. | Human face detection in color images using HSV color histogram and WLD | |
Curran et al. | The use of neural networks in real-time face detection | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
Agarwal | Deep face quality assessment | |
Praseeda Lekshmi et al. | Analysis of facial expressions from video images using PCA | |
Hussein et al. | Face Recognition Using The Basic Components Analysis Algorithm | |
Intan | Combining of feature extraction for real-time facial authentication system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20180615 |