CN109359608B - 一种基于深度学习模型的人脸识别方法 - Google Patents
一种基于深度学习模型的人脸识别方法 Download PDFInfo
- Publication number
- CN109359608B CN109359608B CN201811250425.2A CN201811250425A CN109359608B CN 109359608 B CN109359608 B CN 109359608B CN 201811250425 A CN201811250425 A CN 201811250425A CN 109359608 B CN109359608 B CN 109359608B
- Authority
- CN
- China
- Prior art keywords
- neural network
- face
- image
- training
- network
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013136 deep learning model Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011423 initialization method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习模型的人脸识别方法,包括:构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定;构建卷积神经网络,用于利用大规模人脸数据集进行改进的卷积深度神经网络构建;对网络参数进行训练,用于利用误差反向传播算法对神经网络参数进行训练;图片预处理,用于基于MTCNN算法的人脸检测和人脸归一化处理,将图片转化成统一的特征向量表示;输入模型进行类别判定,用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。本发明改进了传统的卷积神经网络中的正则化项,提出了一种新的神经网络权重初始化的方法,能够显著提升人脸识别分类的效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于深度学习模型的人脸识别方法。
背景技术
如何准确、有效的识别用户身份,提升信息安全已成为一项重要的研究课题。传统的身份签订技术主要依靠外物(身份证,钥匙等),或者自身记忆(密码,用户名等),然而不管是借助于外物还是自身记忆,都存在着严重的安全隐患。
人脸,与指纹、虹膜等一样,作为生物识别的一个重要特征,在档案管理***、安全验证***、公安***的罪犯追踪、视频监控等方面有着很广阔的应用前景。人脸特征采集手段十分简单、方便、隐蔽,使用者也不会因为隐私等问题而产生抗拒心理,越来越发挥着重要的作用。人脸识别,目前的方法集中在以下几个方面:
(1)基于几何特征的方法
首先检测出嘴巴、鼻子、眼睛、眉毛等有突出结构特征的人脸部位的位置和大小信息,以及这些区域之间的总体几何分布、彼此之间的相对距离和比例等相关参数,以此来构成一个可用于人脸表征的特征向量。
(2)基于模板匹配的方法
主要有两种方式:静态匹配和弹性匹配。
静态模板匹配中,主要是利用整幅灰度级图像、人脸特征区域的灰度图像以及变化后的人脸图像。首先对待识别和已知人脸图像都进行标准化,并经过同样的变换、尺度归一化以及灰度化处理后进行匹配,以此来确定待识别图像的类别。
弹性匹配的方法通过设计一个能量函数,包括了图像的一些统计信息以及人脸特征形状的先验知识信息。这种方法比静态模板更加灵活,更加有鲁棒性,但是对于参数的初始化要求高,模型的计算时间长,并且容易陷入局部最小。
(3)基于统计的方法
基于统计的方法是有完善的统计学理论基础,所以发展的比较迅速,也取得了很多不错的结果。这类方法认为图像中的人脸可以看作是随机的向量,能够通过一些统计学上的方法来分析其中模式。
(4)基于传统神经网络的方法
它不需要人工进行特征提取算法的设计与研究工作,能够通过对数据集进行自动学习,并且能提取到更优秀的人脸特征表达和图像模式的隐性规律。虽然神经网络的方法有其独特的优势、较强的鲁棒性,但是神经网络没有那么严格的理论验证解释,并且要求通过较多的人脸图片来学习,训练速度要慢很多,并且可能会陷入局部最优。
(5)基于深度学习的方法
深度学习是一种提取特征的、端到端学习的方法,其学习流程简单,不用像传统的人脸识别方法那样手工设计特征,常见的深度学习方法主要有:自编码器(Auto Encode)、玻尔兹曼机(RBM)、深度置信网络(DBN)、卷积神经网络(CNN)。其中在图片识别领域中,最常见的、取得效果最明显的就是卷积神经网络(CNN)。
发明内容
为了解决上述问题,本发明提出一种基于深度学习模型的人脸识别方法。
具体的,一种基于深度学习模型的人脸识别方法,包括:构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定;
所述构建卷积神经网络,用于利用大规模人脸数据集进行改进的卷积深度神经网络构建;
所述对网络参数进行训练,用于利用误差反向传播算法对神经网络参数进行训练;
所述图片预处理,用于基于MTCNN算法的人脸检测和人脸归一化处理,将图片转化成统一的特征向量表示;
所述输入模型进行类别判定,用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。
优选的,所述构建卷积神经网络采用以下步骤:
A1:获得公开的人脸数据构建大规模人脸数据集;
A2:将所述数据集处理为固定大小的360*360RGB图像,作为卷积神经网络的输入;
A3:输入图像通过一堆卷积层,卷积核大小为3*3;步长为1个像素;填充为1个像素;
A4:空间池化由五个最大池化层进行,步长为2;网络最后是三个全连接层;最后一层是soft-max层;
A5:所有隐藏层都使用了一种改进的ReLU作为激活函数。
优选的,步骤A5改进的ReLU方法包括以下两方面改进:
(1)改进参数正则化方法:首先用因子重新参数化权重,然后对因子而不是权重本身应用L2惩罚;应用于w的重新参数化方法如下:
其中w是W的任何标量,a=[a1,a2,...,ai,...,ah],b=[b1,b2,...,bi,...,bh]代表在训练网络时要学习的两个k-dim向量而不是w;
(2)在测试阶段,使用等于aTb的w进行预测;所述重新参数化仅在训练阶段增加成本;在重新参数化之后,a,b成为在训练阶段学习的参数;分解后的L2惩罚如下:
a、b的相应升级规则如下:
优选的,对卷积神经网络的训练包括以下子步骤:
B1:采用基于BP反向传播中的具有动量的小批量梯度下降法,使用优化多项式逻辑回归目标函数来进行训练;
B2:初始化网络权重;
B3:训练通过前面所述改进的ReLU中的权重衰减进行正则化。
优选的,所述步骤B2中初始化网络权重包括以下子步骤:
B21:在神经网络中的前向传播期间,采用改进后的参数正则化方法:上述所述改进的ReLU中参数正则化方法,a,b需要满足:
B22:假设a中的ai是相互独立的并且共享相同的分布,b中的bi是相互独立的并且共享相同的分布,ai和bi也相互独立,得到:
B23:仍然无法对a′i和b′i进行明确的初始化,所以假设a′i和b′i共享相同的零均值高斯分布,这导致:
优选的,所述图片预处理,包括以下子步骤:
C1:基于MTCNN算法进行人脸检测,得到人脸图像;
C2:利用几何归一化将C1得到的人脸图像处理为规范化的人脸图像;所述几何归一化,包括参数估计和仿射变换;
C3:将C2中处理后的人脸图像按像素转化成神经网络所需的360*360维的特征向量。
优选的,所述输入模型进行类别判定,包括以下步骤:将步骤C3中得到的特征向量输入训练后的神经网络中,经过卷积层、池化层和全连接层和所述的改进ReLU方法,最终通过Softmax分类器判定图片类别。
优选的,所述输入模型进行类别判定,还包括图片模型分类准确率提升步骤:通过水平翻转图像来增强测试集,将原始图像和其翻转图像的Softmax类后验进行平均,以获得图像的最终分数。
本发明的有益效果在于:改进了传统的卷积神经网络中的正则化项,提出了一种新的参数化权重方法,进而提出了一种新的神经网络权重初始化的方法,能够显著有效的提升人脸识别分类的效果。
附图说明
图1是本发明的***结构框图;
图2为改进的VGG16神经网络模型结构示意图。
图3为改进的参数正则化结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
如图1、图2所示,一种基于深度学习模型的人脸识别方法,包括改进的VGG16神经网络的构建、对网络参数进行训练、图片预处理、输入模型进行类别判定;
所述改进的VGG16神经网络的构建,用于利用大规模人脸数据集进行改进的VGG16深度神经网络构建;
所述对网络参数进行训练,用于利用误差反向传播算法(BP算法)对神经网络参数进行训练;
所述图片预处理,用于基于MTCNN算法的人脸检测和人脸归一化处理,将图片转化成统一的特征向量表示;
所述输入模型进行判定,用于将特征向量输入训练好的VGG16神经网络中进行类别标签判定。
所述改进的VGG16神经网络的构建,其特征在于,包括以下步骤:
S1.获得公开的人脸数据构建大规模人脸数据集;
S2.将所述数据集处理为固定大小的360*360RGB图像,作为卷积神经网络的输入;
S3.输入图像通过一堆卷积层,卷积核大小为3*3;步长为1个像素;填充为1个像素;
S4.空间池化由五个最大池化层进行,步长为2;网络最后是三个全连接层;最后一层是soft-max层。
S5.所有隐藏层都使用了一种改进的ReLU作为激活函数。
根据所述的改进的VGG16网络的构建,所述步骤S5包括以下子步骤:
S51.我们提出了一种新的参数正则化方法,如图3所示,首先用因子重新参数化权重,然后对因子而不是权重本身应用l2惩罚。应用于w的重新参数化方法如下:
其中w是W的任何标量,a=[a1,a2,...,ah],b=[b1,b2,...,bh]代表在训练网络时要学习的两个k-dim向量而不是w。
S52.在重新参数化之后,a,b成为在训练阶段学习的参数。但是在测试阶段,我们仍然使用等于aTb的w进行预测,因此重新参数化仅在训练阶段增加成本。分解后的l2惩罚如下:
a、b的相应升级规则如下:
所述对网络参数进行训练,其特征在于,包括以下步骤:
S1.通过使用具有动量的小批量梯度下降(基于BP反向传播)优化多项式逻辑回归目标函数来进行训练。批量大小设为256,动量为0.9。
S2.我们使用一种新的方式进行网络权重的初始化。
S3.训练通过前面所述改进的ReLU权重衰减进行正则化。
根据权利要求4所述的对网络参数进行训练,其特征在于:所述步骤S2包括以下子步骤:
S21.在神经网络中的前向传播期间,适当的初始化方法应避免以指数方式减小或放大输入信号的幅度。上述所述改进的ReLU正则化方法,a,b需要满足:
S22.假设a中的ai是相互独立的并且共享相同的分布,b中的bi是相互独立的并且共享相同的分布,ai和bi也相互独立,得到:
S23.仍然无法对a′i和b′i进行明确的初始化,所以假设a′i和b′i共享相同的零均值高斯分布,这导致:
所述图片预处理,其特征在于,包括以下子步骤:
S1.基于MTCNN算法进行人脸检测。MTCNN是由3个卷积神经网络级联而成(P-Net,R-Net,0-Net)。
S2.利用几何归一化将不同尺寸或旋转的人脸统一处理为规范化的人脸图像进行人脸归一化,主要进行参数估计和仿射变换。
S3.将处理后的照片按像素转化成神经网络所需要的360*360维的特征向量。
所述输入模型进行判定,其特征在于,包括以下步骤:
S1.将上述图片预处理后的特征向量输入训练好的神经网络中,经过卷积层、池化层和全连接层和相应的改进ReLU方法,最终通过Softmax分类器判定图片类别。
S2.通过水平翻转图像来增强测试集,将原始图像和其翻转图像的Softmax类后验进行平均,以获得图像的最终分数,提高图片模型分类的准确率。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于深度学习模型的人脸识别方法,其特征在于,包括:构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定;
所述构建卷积神经网络,用于利用大规模人脸数据集进行改进的卷积深度神经网络构建;
所述构建卷积神经网络采用以下步骤:
A1:获得公开的人脸数据构建大规模人脸数据集;
A2:将所述数据集处理为固定大小为360*360的RGB图像,作为卷积神经网络的输入;
A3:输入图像通过一堆卷积层,卷积核大小为3*3;步长为1个像素;填充为1个像素;A4:空间池化由五个最大池化层进行,步长为2;网络最后是三个全连接层:最后一层是soft-max层;
A5:所有隐藏层都使用了一种改进的ReLU作为激活函数;
步骤A5对ReLU激活函数的改进,包括以下两方面:
改进参数正则化:首先用因子a、b重新参数化权重w,然后对因子而不是权重本身应用L2惩罚应用于w的重新参数化如下:
其中w是W的任何标量,a=[a1,a2,...,ai,...,ah],b=[b1,b2,...,bi,...,bh]代表在训练网络时要学习的两个k-dim向量而不是w;
在测试阶段,使用等于aTb的w进行预测;所述重新参数化仅在训练阶段增加成本;在重新参数化之后,a,b成为在训练阶段学习的参数;分解后的L2惩罚如下:
a和b的相应升级规则如下:
所述对网络参数进行训练,用于利用误差反向传播算法对神经网络参数进行训练;
所述图片预处理,用于基于MTCNN算法的人脸检测和人脸归一化处理,将图片转化成统一的特征向量表示;
所述输入模型进行类别判定,用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。
2.根据权利要求1所述的一种基于深度学习模型的人脸识别方法,其特征在于,对卷积神经网络的训练包括以下子步骤:
B1:采用基于BP反向传播中的具有动量的小批量梯度下降法,使用优化多项式逻辑回归目标函数来进行训练;
B2:初始化网络权重;
B3:训练通过前面所述改进的ReLU中的权重衰减进行正则化。
4.根据权利要求1所述的一种基于深度学习模型的人脸识别方法,其特征在于:所述图片预处理,包括以下子步骤:
C1:基于MTCNN算法进行人脸检测,得到人脸图像;
C2:利用几何归一化将C1得到的人脸图像处理为规范化的人脸图像;所述几何归一化,包括参数估计和仿射变换;
C3:将C2中处理后的人脸图像按像素转化成神经网络所需的360*360维的特征向量。
5.根据权利要求4所述的一种基于深度学习模型的人脸识别方法,其特征在于,所述输入模型进行类别判定,包括以下步骤:将步骤C3中得到的特征向量输入训练后的神经网络中,经过卷积层、池化层和全连接层和所述的改进的ReLU激活函数,最终通过Softmax分类器判定图片类别。
6.根据权利要求5所述的一种基于深度学***翻转图像来增强测试集,将原始图像和其翻转图像的Softmax类后验进行平均,以获得图像的最终分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811250425.2A CN109359608B (zh) | 2018-10-25 | 2018-10-25 | 一种基于深度学习模型的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811250425.2A CN109359608B (zh) | 2018-10-25 | 2018-10-25 | 一种基于深度学习模型的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359608A CN109359608A (zh) | 2019-02-19 |
CN109359608B true CN109359608B (zh) | 2021-10-19 |
Family
ID=65346623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811250425.2A Expired - Fee Related CN109359608B (zh) | 2018-10-25 | 2018-10-25 | 一种基于深度学习模型的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359608B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059625B (zh) * | 2019-04-18 | 2023-04-07 | 重庆大学 | 一种基于mixup的人脸训练与识别方法 |
CN110188827B (zh) * | 2019-05-29 | 2020-11-03 | 创意信息技术股份有限公司 | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 |
CN110188819A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 一种基于信息增益的cnn和lstm图像高层语义理解方法 |
CN110427912A (zh) * | 2019-08-12 | 2019-11-08 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度学习的人脸检测方法及其相关装置 |
CN110619319A (zh) * | 2019-09-27 | 2019-12-27 | 北京紫睛科技有限公司 | 一种基于改进的mtcnn模型人脸检测方法和*** |
CN110738648A (zh) * | 2019-10-12 | 2020-01-31 | 山东浪潮人工智能研究院有限公司 | 一种基于多层卷积神经网络的相机外壳喷漆检测***和方法 |
CN111091102B (zh) * | 2019-12-20 | 2022-05-24 | 华中科技大学 | 一种视频分析装置、服务器、***及保护身份隐私的方法 |
CN111582440A (zh) * | 2020-04-15 | 2020-08-25 | 马鞍山师范高等专科学校 | 一种基于深度学习的数据处理方法 |
CN111563476A (zh) * | 2020-05-18 | 2020-08-21 | 哈尔滨理工大学 | 一种基于深度学习的人脸识别方法 |
CN111582223A (zh) * | 2020-05-19 | 2020-08-25 | 华普通用技术研究(广州)有限公司 | 一种三维人脸识别方法 |
CN112232184B (zh) * | 2020-10-14 | 2022-08-26 | 南京邮电大学 | 一种基于深度学习和空间转换网络的多角度人脸识别方法 |
CN115713533B (zh) * | 2023-01-10 | 2023-06-06 | 佰聆数据股份有限公司 | 基于机器视觉的电力设备表面缺陷检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778414A (zh) * | 2014-01-17 | 2014-05-07 | 杭州电子科技大学 | 基于深度神经网络的实时人脸识别方法 |
CN104795063A (zh) * | 2015-03-20 | 2015-07-22 | 中国人民解放军信息工程大学 | 一种基于声学空间非线性流形结构的声学模型构建方法 |
CN105912990A (zh) * | 2016-04-05 | 2016-08-31 | 深圳先进技术研究院 | 人脸检测的方法及装置 |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN107480777A (zh) * | 2017-08-28 | 2017-12-15 | 北京师范大学 | 基于伪逆学习的稀疏自编码器快速训练方法 |
CN107967456A (zh) * | 2017-11-27 | 2018-04-27 | 电子科技大学 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
CN108122003A (zh) * | 2017-12-19 | 2018-06-05 | 西北工业大学 | 一种基于深度神经网络的弱小目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2018
- 2018-10-25 CN CN201811250425.2A patent/CN109359608B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778414A (zh) * | 2014-01-17 | 2014-05-07 | 杭州电子科技大学 | 基于深度神经网络的实时人脸识别方法 |
CN104795063A (zh) * | 2015-03-20 | 2015-07-22 | 中国人民解放军信息工程大学 | 一种基于声学空间非线性流形结构的声学模型构建方法 |
CN105912990A (zh) * | 2016-04-05 | 2016-08-31 | 深圳先进技术研究院 | 人脸检测的方法及装置 |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN107480777A (zh) * | 2017-08-28 | 2017-12-15 | 北京师范大学 | 基于伪逆学习的稀疏自编码器快速训练方法 |
CN107967456A (zh) * | 2017-11-27 | 2018-04-27 | 电子科技大学 | 一种基于人脸关键点的多神经网络级联识别人脸方法 |
CN108122003A (zh) * | 2017-12-19 | 2018-06-05 | 西北工业大学 | 一种基于深度神经网络的弱小目标识别方法 |
Non-Patent Citations (2)
Title |
---|
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION;Karen Simonyan等;《arXiv:1409.1556v6》;20151231;第1页摘要、第2页2.1节、第4页3.1节以及第5页3.2节和4节 * |
基于深度学习的人脸识别技术研究;钱程;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第7期);第I138-826页正文第12、16、26-32、39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109359608A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359608B (zh) | 一种基于深度学习模型的人脸识别方法 | |
Lin et al. | Transfer learning based traffic sign recognition using inception-v3 model | |
CN110728209B (zh) | 一种姿态识别方法、装置、电子设备及存储介质 | |
CN105138973B (zh) | 人脸认证的方法和装置 | |
CN105913025B (zh) | 一种基于多特征融合的深度学习人脸识别方法 | |
CN103605972B (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 | |
CN106372581B (zh) | 构建及训练人脸识别特征提取网络的方法 | |
CN111444881A (zh) | 伪造人脸视频检测方法和装置 | |
CN106295694B (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
Mallouh et al. | Utilizing CNNs and transfer learning of pre-trained models for age range classification from unconstrained face images | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、***及介质 | |
Zhang et al. | High-quality face image generation based on generative adversarial networks | |
CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
CN111079514A (zh) | 一种基于clbp和卷积神经网络的人脸识别方法 | |
CN113095333A (zh) | 无监督特征点检测方法及装置 | |
Lakshmi et al. | Off-line signature verification using Neural Networks | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN110135435B (zh) | 一种基于广度学习***的显著性检测方法及装置 | |
CN109508670B (zh) | 一种基于红外摄像头的静态手势识别方法 | |
WO2019232844A1 (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
Bao et al. | Bidirectional multiscale refinement network for crisp edge detection | |
Dong et al. | A supervised dictionary learning and discriminative weighting model for action recognition | |
Vani et al. | Soft computing approaches for character credential and word prophecy analysis with stone encryptions | |
Zhang et al. | A Face Detection Method Based on Image Processing and Improved Adaptive Boosting Algorithm. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211019 |