CN110309709A - 人脸识别方法、装置及计算机可读存储介质 - Google Patents
人脸识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110309709A CN110309709A CN201910417997.3A CN201910417997A CN110309709A CN 110309709 A CN110309709 A CN 110309709A CN 201910417997 A CN201910417997 A CN 201910417997A CN 110309709 A CN110309709 A CN 110309709A
- Authority
- CN
- China
- Prior art keywords
- face
- collection
- image
- data
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 102
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 36
- 230000001815 facial effect Effects 0.000 claims description 30
- 238000011946 reduction process Methods 0.000 claims description 25
- 238000003708 edge detection Methods 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000000654 additive Substances 0.000 claims description 9
- 230000000996 additive effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种人脸识别方法,包括:采集原始数据集和人脸对照集,并进行预处理后输入至模型训练层,所述模型训练层根据方向梯度直方法计算得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时退出训练,接收捕捉到的图像,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像中包含人脸时,寻找与人脸对照集相似度最高的人脸,完成人脸识别。本发明还提出一种人脸识别装置以及一种计算机可读存储介质。本发明可以实现精准的人脸识别功能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种可用于智能安防的人脸识别方法、装置及计算机可读存储介质。
背景技术
随着科技的进步和人民生活水平的不断提高,人们对生活工作环境的要求越来越严格,特别是对安全性和智能性等方面提出了更高的要求,视频监控***是安防的代表***,随着物联网技术的不断发展,视频监控***在国家安防领域和城市化管理中的重要性越来越突显,其功能和性能的要求也因此不断提高。目前国内外基于人脸识别的安防监控主要采用红外传感器的人脸报警***,但红外报警***易受各种热源、光源、射频辐射、热气流的干扰,难以达到高效的人脸识别效果。
发明内容
本发明提供一种人脸识别方法、装置及计算机可读存储介质,其主要目的在于提供一种能够从视频或图片数据中高效地识别出人脸的技术方案。
为实现上述目的,本发明提供的一种人脸识别方法,包括:
步骤A:数据采集层采集人脸图像集、非人脸图像集和人脸对照集,将所述人脸图像集和所述非人脸图像集保存为原始数据集,并将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中;
步骤B:所述数据处理层对所述原始数据集进行灰度化和降噪处理,得到预处理数据集,其中,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层;
步骤C:所述数据切割层接收所述人脸预处理数据集,对所述人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层,;
步骤D:所述模型训练层接收由所述人脸训练集和所述非人脸预处理数据集组成的训练集,并从所述数据库中提取所述人脸对照集,根据方向梯度直方法对所述训练集进行计算得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时,所述模型训练层退出训练;
步骤E:数据采集层接收捕捉到的图像,对所述输入图像进行灰度化和降噪处理后输入至所述模型训练层,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像不包含人脸,输出未识别出人脸的结果;
步骤F:当所述捕捉到的图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
可选地,采集人脸图像集、非人脸图像集和人脸对照集,包括:
从预设场景内部署的若干处视频监控区域内所捕捉的图像集中选择包括人脸的图像,组成人脸图像集;
从所捕捉的图像集中选取不包括人脸的图像,并从预设数据库中选择非人类的目标数据集,组成非人脸图像集;
基于所述人脸图像集内不相同的人脸,采集与所述各不相同的人脸对应的证件照图片,组成人脸对照集。
可选地,所述降噪处理采用如下自适应图像降噪滤波法:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始数据集内图像像素点坐标,f(x,y)为基于所述自适应图像降噪滤波法对所述原始数据集进行降噪处理后的输出数据,η(x,y) 为噪声,g(x,y)为所述原始数据集,为所述原始数据集的噪声总方差,为所述(x,y)的像素灰度均值,为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
可选地,所述根据方向梯度直方法计算所述训练集得到梯度特征集,包括:
计算所述训练集内的数据各像素点(x,y)的梯度幅值和梯度方向值,并将所述梯度幅值作为第一分量,所述梯度方向值作为第二分量形成梯度矩阵;
将所述梯度矩阵内数据划分为多个小块,并相加各小块的梯度幅值与梯度方向值得到相加值,并将所述相加值串联形成所述梯度特征集。可选地,所述提升算法包括AdaBoost算法,所述AdaBoost算法包括若干个弱分类器和强分类器;
其中,所述弱分类器h(x,t,p,θ)为:
其中,t为包括所述梯度特征集的分类函数,x表示检测子窗口,p为权衡不等号方向系数,θ为所述弱分类器阈值,所述弱分类器根据所述梯度特征集训练所述弱分类器h(x,t,p,θ),直至确定最优阈值θ,得到所述强分类器C(x):
其中,αk为所述强分类器C(x)的系数,T为所述弱分类器的总数,βk=εk/(1-εk),所述εk为:
εk=mint,p,θ∑i(wi/∑wi)|h(x,t,p,θ)-yi|
其中,wi所述梯度特征集的权重,yi为所述人脸对照集。
此外,为实现上述目的,本发明还提供一种人脸识别装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的人脸识别程序,所述人脸识别程序被所述处理器执行时实现如下步骤:
步骤A:数据采集层采集人脸图像集、非人脸图像集和人脸对照集,将所述人脸图像集和所述非人脸图像集保存为原始数据集,并将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中;
步骤B:所述数据处理层对所述原始数据集进行灰度化和降噪处理,得到预处理数据集,其中,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层;
步骤C:所述数据切割层接收所述人脸预处理数据集,对所述人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层,;
步骤D:所述模型训练层接收由所述人脸训练集和所述非人脸预处理数据集组成的训练集,并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时,所述模型训练层退出训练;
步骤E:数据采集层接收捕捉到的图像,对所述捕捉到的图像进行灰度化和降噪处理后输入至所述模型训练层,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像不包含人脸,输出未识别出人脸的结果;
步骤F:当所述捕捉到的图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
可选地,采集人脸图像集、非人脸图像集和人脸对照集,包括:
从预设场景内部署的若干处视频监控区域内所捕捉的图像集中选择包括人脸的图像,组成人脸图像集;
从所捕捉的图像集中选取不包括人脸的图像,并从预设数据库中选择非人类的目标数据集,组成非人脸图像集;
基于所述人脸图像集内不相同的人脸,采集与所述各不相同的人脸对应的证件照图片,组成人脸对照集。
可选地,所述降噪处理采用如下自适应图像降噪滤波法:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始数据集内图像像素点坐标,f(x,y)为基于所述自适应图像降噪滤波法对所述原始数据集进行降噪处理后的输出数据,η(x,y) 为噪声,g(x,y)为所述原始数据集,为所述原始数据集的噪声总方差,为所述(x,y)的像素灰度均值,为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
可选地,所述根据方向梯度直方法计算所述训练集得到梯度特征集,包括:
计算所述训练集内的数据各像素点(x,y)的梯度幅值和梯度方向值,并将所述梯度幅值作为第一分量,所述梯度方向值作为第二分量形成梯度矩阵;
将所述梯度矩阵内数据划分为多个小块,并相加各小块的梯度幅值与梯度方向值得到相加值,并将所述相加值串联形成所述梯度特征集。可选地,所述提升算法包括AdaBoost算法,所述AdaBoost算法包括若干个弱分类器和强分类器;
其中,所述弱分类器h(x,t,p,θ)为:
其中,t为包括所述梯度特征集的分类函数,x表示检测子窗口,p为权衡不等号方向系数,θ为所述弱分类器阈值,所述弱分类器根据所述梯度特征集训练所述弱分类器h(x,t,p,θ),直至确定最优阈值θ,得到所述强分类器C(x):
其中,αk为所述强分类器C(x)的系数,T为所述弱分类器的总数,βk=εk/(1-εk),所述εk为:
εk=mint,p,θ∑i(wi/∑wi)|h(x,t,p,θ)-yi|
其中,wi所述梯度特征集的权重,yi为所述人脸对照集。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有人脸识别程序,所述人脸识别程序可被一个或者多个处理器执行,以实现如上所述的人脸识别方法的步骤。
自适应图像降噪滤波器可以减少噪声对图像的影响,提升算法很好的利用弱分类器进行级联,最终组合形式强分类器,具有很高的分类精度,因此本发明提出的人脸识别方法、装置及计算机可读存储介质可以实现精准的人脸识别功能。
附图说明
图1为本发明一实施例提供的人脸识别方法的流程示意图;
图2为本发明一实施例提供的人脸识别装置的内部结构示意图;
图3为本发明一实施例提供的人脸识别装置中人脸识别程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种人脸识别方法。参照图1所示,为本发明一实施例提供的人脸识别方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,人脸识别方法包括:
S1、数据采集层采集人脸图像集、非人脸图像集和人脸对照集,将所述人脸图像集和所述非人脸图像集保存为原始数据集,并将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中。
本发明较佳实施例在一预设场景,如实验科研大楼、写字楼、居民小区等部署若干处视频监控区域,从所述若干处视频监控区域内所捕捉的图像集中选取包括人脸的图像,组成人脸图像集;基于所述人脸图像集内不相同的人脸,采集与所述各不相同的人脸对应的证件照图片,同时从相关监控部门获取证件照片,如从公安部门获取犯罪在逃人员的证件照、失信老赖证件照等,组成所述人脸对照集。
进一步地,本发明较佳实施例从所述若干处视频监控区域内所捕捉的图像集中选取不包括人脸的图像,并从预设数据集,如COCO数据集中,获取非人类的目标数据集,组成非人脸图像集。所述COCO数据集是大型图像数据集,专为对象检测、分割、人体关键点检测、语义分割和字幕生成而设计。
S2、所述数据处理层对所述原始数据集进行灰度化和降噪处理,得到预处理数据集,其中,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层。
本发明较佳实施例中,所述灰度化是采用比例法将所述原始数据集内的数据从RGB格式转为黑白灰格式。所述比例法如下:获取所述原始数据集内的每个像素点的R、G、B像素值,根据如下函数将所述像素点转为黑白灰格式:
0.30*R+0.59*G+0.11*B
本发明较佳实施例中,所述降噪处理采用如下自适应图像降噪滤波法:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始数据集内图像像素点坐标,f(x,y)为基于所述自适应图像降噪滤波法对所述原始数据集进行降噪处理后的输出数据,η(x,y) 为噪声,g(x,y)为所述原始数据集,为所述原始数据集的噪声总方差,为所述(x,y)的像素灰度均值,为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
S3、所述数据切割层接收所述人脸预处理数据集,对所述人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层。
本发明较佳实施例所述边缘检测和所述分割处理是根据所述边缘检测寻找所述人脸预处理数据集中像素灰度阶跃变化较大的像素集合,并基于所述分割处理将所述像素集合重新连接,分割出人脸与所述人脸背景。其中,所述阶跃变化较大即是灰度导数为极大值或极小值。
本发明较佳实施例采用Canny边缘检测法。所述Canny边缘检测法基于高斯滤波器对所述人脸预处理数据集进行平滑滤波处理,基于一阶偏导有限差分计算所述平滑滤波处理后的数据集,得到非局部极大值点和极小值点,完成边缘检测。
S4、所述模型训练层接收由所述人脸训练集和所述非人脸预处理数据集组成的训练集,并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时,所述模型训练层退出训练。
本发明较佳实施例计算所述训练集内的数据各像素点(x,y)的梯度幅值和梯度方向值,并将所述梯度幅值作为第一分量,所述梯度方向值作为第二分量形成梯度矩阵;将所述梯度矩阵内数据划分为多个小块,并相加各小块的梯度幅值与梯度方向值,得到相加值,并将所述相加值串联形成所述梯度特征集。
本发明较佳实施例中,所述提升算法包括AdaBoost算法,所述AdaBoost 算法包括若干个弱分类器和强分类器;
其中,所述弱分类器h(x,t,p,θ)为:
其中,t为包括所述梯度特征集的分类函数,x表示检测子窗口,p为权衡不等号方向系数,θ为所述弱分类器阈值,本发明较佳实施例根据所述梯度特征集训练所述弱分类器h(x,t,p,θ),直至确定最优阈值θ,得到所述强分类器 C(x):
其中,αk为所述强分类器C(x)的系数,T为所述弱分类器的总数,βk=εk/(1-εk),所述εk为:
εk=mint,p,θ∑i(wi/∑wi)|h(x,t,p,θ)-yi|
其中,wi所述梯度特征集的权重,yi为所述人脸对照集。
本发明较佳实施例,当所述强分类器C(x)对所述训练集的人脸识别判断准确率大于所述预设阈值时,所述提升算法退出训练,所述预设阈值一般设置为0.97。
S5、接收捕捉图像,对所述捕捉图像进行灰度化和降噪处理后输入至模型训练层,以判断所述捕捉图像中是否包含人脸。
较佳地,所述捕捉图像使用室外摄像头、手机等装备所捕捉到的图像。
S6、当所述捕捉图像不包含人脸,输出未识别出人脸的结果。
S7、当所述捕捉图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
本发明较佳实施例,所述欧式距离法为:
其中,a为所述捕捉图像,yi为所述人脸对照集,n为所述人脸对照集的数据总量。
发明还提供一种人脸识别装置。参照图2所示,为本发明一实施例提供的人脸识别装置的内部结构示意图。
在本实施例中,所述人脸识别装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该人脸识别装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是人脸识别装置1 的内部存储单元,例如该人脸识别装置1的硬盘。存储器11在另一些实施例中也可以是人脸识别装置1的外部存储设备,例如人脸识别装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括人脸识别装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于人脸识别装置1的应用软件及各类数据,例如人脸识别程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器 11中存储的程序代码或处理数据,例如执行人脸识别程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器 (Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在人脸识别装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及人脸识别程序01的人脸识别装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对人脸识别装置1 的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有人脸识别程序01;处理器12执行存储器11中存储的人脸识别程序01时实现如下步骤:
步骤一、采集人脸图像集、非人脸图像集和人脸对照集,所述人脸图像集和所述非人脸图像集统称为原始数据集,将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中。
本发明较佳实施例部署若干处视频监控区域,将所述若干处视频监控区域内所捕捉的图像集传送至数据库中;选取所述数据库中存储的图像集中包括人脸的图像,组成人脸图像集;基于所述人脸图像集内不相同的人脸,采集与所述各不相同的人脸对应的证件照图片,同时从相关监控部门获取证件照片,如从公安部门获取犯罪在逃人员的证件照、失信老赖证件照等,组成所述人脸对照集。
本发明较佳实施例选取所述数据库中存储的图像集中不包括人脸的图像,并从预设数据集,如COCO数据集中,选择非人类的目标数据集,组成非人脸图像集,所述COCO数据集是大型图像数据集,专为对象检测、分割、人体关键点检测、语义分割和字幕生成而设计。
步骤二、所述数据处理层对所述原始数据集进行灰度化和降噪处理得到预处理数据集,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层。
本发明较佳实施例中,所述灰度化是采用比例法将所述原始数据集内的数据从RGB格式转为黑白灰格式。所述比例法如下:获取所述原始数据集内的每个像素点的R、G、B像素值,根据如下函数将所述像素点转为黑白灰格式:
0.30*R+0.59*G+0.11*B
本发明较佳实施例所述降噪处理采用自适应图像降噪滤波法:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始数据集内图像像素点坐标,f(x,y)为基于所述自适应图像降噪滤波法对所述原始数据集进行降噪处理后的输出数据,η(x,y) 为噪声,g(x,y)为所述原始数据集,为所述原始数据集的噪声总方差,为所述(x,y)的像素灰度均值,为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
步骤三、所述数据切割层接收所述人脸预处理数据集,对人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层,所述人脸训练集和所述非人脸预处理数据集统称训练集。
本发明较佳实施例所述边缘检测和所述分割处理是根据所述边缘检测寻找所述人脸预处理数据集中像素灰度阶跃变化较大的像素集合,并基于所述分割处理将所述像素集合重新连接,分割出人脸与所述人脸背景。进一步地,所述阶跃变化较大即灰度导数为极大值或极小值。
本发明较佳实施例采用Canny边缘检测法,所述Canny边缘检测法基于高斯滤波器对所述人脸预处理数据集进行平滑滤波处理,基于一阶偏导有限差分计算所述平滑滤波处理后的数据集,得到非局部极大值点和极小值点,完成边缘检测。
步骤四、所述模型训练层接收所述训练集并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时退出训练。
本发明较佳实施例,计算所述训练集内的数据各像素点(x,y)的梯度幅值和梯度方向值,并将所述梯度幅值作为第一分量,所述梯度方向值作为第二分量形成梯度矩阵;将所述梯度矩阵内数据划分为多个小块,并相加各小块的梯度幅值与梯度方向值得到相加值,并将所述相加值串联形成梯度特征集输入至所述提升算法。
本发明较佳实施例所述提升算法包括AdaBoost算法,所述AdaBoost算法包括若干个弱分类器和强分类器;
所述弱分类器h(x,t,p,θ)为:
其中,t为包括所述梯度特征集的分类函数,x表示检测子窗口,p为权衡不等号方向系数,θ为所述弱分类器阈值,所述弱分类器根据所述梯度特征集训练所述弱分类器h(x,t,p,θ),直至确定最优阈值θ;
所述强分类器C(x)为:
其中,αk为所述强分类器C(x)的系数,T为所述弱分类器的总数,βk=εk/(1-εk),所述εk为:
εk=mint,p,θ∑i(wi/∑wi)|h(x,t,p,θ)-yi|
其中,wi所述梯度特征集的权重,yi为所述人脸对照集。
本发明较佳实施例,当所述强分类器C(x)对所述训练集的人脸识别判断准确率大于所述预设阈值时,所述提升算法退出训练,所述预设阈值一般设置为0.97。
步骤五、接收捕捉图像,对所述捕捉图像进行灰度化和降噪处理后输入至模型训练层,以判断所述捕捉图像中是否包含人脸。
较佳地,所述捕捉图像使用室外摄像头、手机等装备所捕捉到的图像。
步骤六、当所述捕捉图像不包含人脸,输出未识别出人脸的结果。
步骤七、当所述捕捉图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
本发明较佳实施例,所述欧式距离法为:
其中,a为所述捕捉图像,yi为所述人脸对照集,n为所述人脸对照集的数据总量。
可选地,在其他实施例中,人脸识别程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述人脸识别程序在人脸识别装置中的执行过程。
例如,参照图3所示,为本发明人脸识别装置一实施例中的人脸识别程序的程序模块示意图,该实施例中,所述人脸识别程序可以被分割为数据接收模块10、数据处理模块20、模型训练模块30、人脸识别输出模块40示例性地:
所述数据接收模块10用于:采集人脸图像集、非人脸图像集和人脸对照集,所述人脸图像集和所述非人脸图像集统称为原始数据集,将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中。
所述数据处理模块20用于:所述数据处理层对所述原始数据集进行灰度化和降噪处理得到预处理数据集,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层。所述数据切割层接收所述人脸预处理数据集,对人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层,所述人脸训练集和所述非人脸预处理数据集统称训练集。
所述模型训练模块30用于:所述模型训练层接收所述训练集并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时退出训练。
所述人脸识别输出模块40用于:接收捕捉到的图像,对所述用户捕捉到的图像进行灰度化和降噪处理后输入至模型训练层,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像不包含人脸,输出未识别出人脸的结果。当所述捕捉到的图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
上述数据接收模块10、数据处理模块20、模型训练模块30、人脸识别输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有人脸识别程序,所述人脸识别程序可被一个或多个处理器执行,以实现如下操作:
采集人脸图像集、非人脸图像集和人脸对照集,所述人脸图像集和所述非人脸图像集统称为原始数据集,将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中。
所述数据处理层对所述原始数据集进行灰度化和降噪处理得到预处理数据集,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层。所述数据切割层接收所述人脸预处理数据集,对人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层,所述人脸训练集和所述非人脸预处理数据集统称训练集。
所述模型训练层接收所述训练集并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时退出训练。
接收捕捉到的图像,对所述捕捉到的图像进行灰度化和降噪处理后输入至模型训练层,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像不包含人脸,输出未识别出人脸的结果。当所述捕捉到的图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种人脸识别方法,其特征在于,所述方法包括:
步骤A:数据采集层采集人脸图像集、非人脸图像集和人脸对照集,将所述人脸图像集和所述非人脸图像集保存为原始数据集,并将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中;
步骤B:所述数据处理层对所述原始数据集进行灰度化和降噪处理,得到预处理数据集,其中,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层;
步骤C:所述数据切割层接收所述人脸预处理数据集,对所述人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层;
步骤D:所述模型训练层接收由所述人脸训练集和所述非人脸预处理数据集组成的训练集,并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时,所述模型训练层退出训练;
步骤E:数据采集层接收捕捉到的图像,对所述捕捉到的图像进行灰度化和降噪处理后输入至所述模型训练层,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像不包含人脸,输出未识别出人脸的结果;
步骤F:当所述捕捉到的图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
2.如权利要求1所述的人脸识别方法,其特征在于,采集人脸图像集、非人脸图像集和人脸对照集,包括:
从预设场景内部署的若干处视频监控区域内所捕捉的图像集中选择包括人脸的图像,组成人脸图像集;
从所捕捉的图像集中选取不包括人脸的图像,并从预设数据库中选择非人类的目标数据集,组成非人脸图像集;
基于所述人脸图像集内不相同的人脸,采集与所述各不相同的人脸对应的证件照图片,组成人脸对照集。
3.如权利要求1或2所述的人脸识别方法,其特征在于,所述降噪处理采用如下自适应图像降噪滤波法:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始数据集内图像像素点坐标,f(x,y)为基于所述自适应图像降噪滤波法对所述原始数据集进行降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始数据集,为所述原始数据集的噪声总方差,为所述(x,y)的像素灰度均值,为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
4.如权利要求3所述的人脸识别方法,其特征在于,所述根据方向梯度直方法计算所述训练集得到梯度特征集,包括:
计算所述训练集内的数据各像素点(x,y)的梯度幅值和梯度方向值,并将所述梯度幅值作为第一分量,所述梯度方向值作为第二分量形成梯度矩阵;
将所述梯度矩阵内数据划分为多个小块,并相加各小块的梯度幅值与梯度方向值得到相加值,并将所述相加值串联形成所述梯度特征集。
5.如权利要求4所述的人脸识别方法,其特征在于,所述提升算法包括AdaBoost算法,所述AdaBoost算法包括若干个弱分类器和强分类器;
其中,所述弱分类器h(x,t,p,θ)为:
其中,t为包括所述梯度特征集的分类函数,x表示检测子窗口,p为权衡不等号方向系数,θ为所述弱分类器阈值,所述弱分类器根据所述梯度特征集训练所述弱分类器h(x,t,p,θ),直至确定最优阈值θ,得到所述强分类器C(x):
其中,αk为所述强分类器C(x)的系数,T为所述弱分类器的总数,βk=εk/(1-εk),所述εk为:
εk=mint,p,θ∑i(wi/∑wi)|h(x,t,p,θ)-yil
其中,wi所述梯度特征集的权重,yi为所述人脸对照集。
6.一种人脸识别装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的人脸识别程序,所述人脸识别程序被所述处理器执行时实现如下步骤:
步骤A:数据采集层采集人脸图像集、非人脸图像集和人脸对照集,将所述人脸图像集和所述非人脸图像集保存为原始数据集,并将所述原始数据集输入至数据处理层,将所述人脸对照集输入至数据库中;
步骤B:所述数据处理层对所述原始数据集进行灰度化和降噪处理,得到预处理数据集,其中,所述预处理数据集包括人脸预处理数据集和非人脸预处理数据集,将所述人脸预处理数据集输入至数据切割层,将所述非人脸预处理数据集输入至模型训练层;
步骤C:所述数据切割层接收所述人脸预处理数据集,对所述人脸预处理数据集进行边缘检测和分割处理后得到人脸训练集并输入至模型训练层,;
步骤D:所述模型训练层接收由所述人脸训练集和所述非人脸预处理数据集组成的训练集,并从所述数据库中提取所述人脸对照集,根据方向梯度直方法计算所述训练集得到梯度特征集,将所述梯度特征集和所述人脸对照集输入至提升算法进行训练,直至所述提升算法的训练准确率大于预设阈值时,所述模型训练层退出训练;
步骤E:数据采集层接收捕捉到的图像,对所述捕捉到的图像进行灰度化和降噪处理后输入至所述模型训练层,所述模型训练层判断所述捕捉到的图像中是否包含人脸,当所述捕捉到的图像不包含人脸,输出未识别出人脸的结果;
步骤F:当所述捕捉到的图像包含人脸时,所述模型训练层基于欧式距离法依次判断所述捕捉到的图像与所述数据库的人脸对照集的相似度,输出相似度最高的人脸对照集图片,完成人脸识别。
7.如权利要求6所述的人脸识别装置,其特征在于,采集人脸图像集、非人脸图像集和人脸对照集,包括:
从预设场景内部署的若干处视频监控区域内所捕捉的图像集中选择包括人脸的图像,组成人脸图像集;
从所捕捉的图像集中选取不包括人脸的图像,并从预设数据库中选择非人类的目标数据集,组成非人脸图像集;
基于所述人脸图像集内不相同的人脸,采集与所述各不相同的人脸对应的证件照图片,组成人脸对照集。
8.如权利要求7所述的人脸识别装置,其特征在于,所述降噪处理采用如下自适应图像降噪滤波法:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始数据集内图像像素点坐标,f(x,y)为基于所述自适应图像降噪滤波法对所述原始数据集进行降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始数据集,为所述原始数据集的噪声总方差,为所述(x,y)的像素灰度均值,为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
9.如权利要求8所述的人脸识别装置,其特征在于,所述提升算法包括AdaBoost算法,所述AdaBoost算法包括若干个弱分类器和强分类器;
其中,所述弱分类器h(x,t,p,θ)为:
其中,t为包括所述梯度特征集的分类函数,x表示检测子窗口,p为权衡不等号方向系数,θ为所述弱分类器阈值,所述弱分类器根据所述梯度特征集训练所述弱分类器h(x,t,p,θ),直至确定最优阈值θ,得到所述强分类器C(x):
其中,αk为所述强分类器C(x)的系数,T为所述弱分类器的总数,βk=εk/(1-εk),所述εk为:
εk=mint,p,θ∑i(wi/∑wi)|h(x,t,p,θ)-yi|
其中,wi所述梯度特征集的权重,yi为所述人脸对照集。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有人脸识别程序,所述人脸识别程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的人脸识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417997.3A CN110309709A (zh) | 2019-05-20 | 2019-05-20 | 人脸识别方法、装置及计算机可读存储介质 |
PCT/CN2019/117342 WO2020233000A1 (zh) | 2019-05-20 | 2019-11-12 | 人脸识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417997.3A CN110309709A (zh) | 2019-05-20 | 2019-05-20 | 人脸识别方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309709A true CN110309709A (zh) | 2019-10-08 |
Family
ID=68074686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910417997.3A Pending CN110309709A (zh) | 2019-05-20 | 2019-05-20 | 人脸识别方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110309709A (zh) |
WO (1) | WO2020233000A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技(深圳)有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
CN111652064A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
WO2020233000A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
CN112712004A (zh) * | 2020-12-25 | 2021-04-27 | 英特灵达信息技术(深圳)有限公司 | 人脸检测***及人脸检测方法、装置、电子设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633192B (zh) * | 2020-12-28 | 2023-08-25 | 杭州魔点科技有限公司 | 一种手势交互的人脸识别测温的方法、***、设备及介质 |
CN113420739B (zh) * | 2021-08-24 | 2022-10-18 | 北京通建泰利特智能***工程技术有限公司 | 基于神经网络的智能应急监控方法、***和可读存储介质 |
CN114445093A (zh) * | 2022-01-27 | 2022-05-06 | 黑龙江邮政易通信息网络有限责任公司 | 一种产品管控与防伪溯源*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
CN103605964A (zh) * | 2013-11-25 | 2014-02-26 | 上海骏聿数码科技有限公司 | 基于图像在线学习的人脸检测方法及*** |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及*** |
CN106127114A (zh) * | 2016-06-16 | 2016-11-16 | 北京数智源科技股份有限公司 | 智能视频分析方法 |
CN106355138A (zh) * | 2016-08-18 | 2017-01-25 | 电子科技大学 | 基于深度学习和关键点特征提取的人脸识别方法 |
CN106485273A (zh) * | 2016-10-09 | 2017-03-08 | 湖南穗富眼电子科技有限公司 | 一种基于hog特征与dnn分类器的人脸检测方法 |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101901591B1 (ko) * | 2011-11-01 | 2018-09-28 | 삼성전자주식회사 | 얼굴 인식 장치 및 그 제어방법 |
CN102521622A (zh) * | 2011-11-18 | 2012-06-27 | 常州蓝城信息科技有限公司 | 基于广告投放的人脸检测*** |
CN102831411B (zh) * | 2012-09-07 | 2016-05-04 | 云南晟邺科技有限公司 | 一种快速人脸检测方法 |
CN106022254A (zh) * | 2016-05-17 | 2016-10-12 | 上海民实文化传媒有限公司 | 图像识别技术 |
CN106503615B (zh) * | 2016-09-20 | 2019-10-08 | 北京工业大学 | 基于多传感器的室内人体检测跟踪和身份识别*** |
CN110309709A (zh) * | 2019-05-20 | 2019-10-08 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
-
2019
- 2019-05-20 CN CN201910417997.3A patent/CN110309709A/zh active Pending
- 2019-11-12 WO PCT/CN2019/117342 patent/WO2020233000A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
CN103605964A (zh) * | 2013-11-25 | 2014-02-26 | 上海骏聿数码科技有限公司 | 基于图像在线学习的人脸检测方法及*** |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及*** |
CN106127114A (zh) * | 2016-06-16 | 2016-11-16 | 北京数智源科技股份有限公司 | 智能视频分析方法 |
CN106355138A (zh) * | 2016-08-18 | 2017-01-25 | 电子科技大学 | 基于深度学习和关键点特征提取的人脸识别方法 |
CN106485273A (zh) * | 2016-10-09 | 2017-03-08 | 湖南穗富眼电子科技有限公司 | 一种基于hog特征与dnn分类器的人脸检测方法 |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233000A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
CN110853047A (zh) * | 2019-10-12 | 2020-02-28 | 平安科技(深圳)有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
CN110853047B (zh) * | 2019-10-12 | 2023-09-15 | 平安科技(深圳)有限公司 | 智能图像分割及分类方法、装置及计算机可读存储介质 |
CN111652064A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN111652064B (zh) * | 2020-04-30 | 2024-06-07 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN112712004A (zh) * | 2020-12-25 | 2021-04-27 | 英特灵达信息技术(深圳)有限公司 | 人脸检测***及人脸检测方法、装置、电子设备 |
CN112712004B (zh) * | 2020-12-25 | 2023-09-12 | 英特灵达信息技术(深圳)有限公司 | 人脸检测***及人脸检测方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020233000A1 (zh) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309709A (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
US10534957B2 (en) | Eyeball movement analysis method and device, and storage medium | |
CN107680294B (zh) | 房产信息查询方法、***、终端设备及存储介质 | |
WO2019134246A1 (zh) | 基于人脸识别的安全监控方法、装置及存储介质 | |
JP5010905B2 (ja) | 顔認証装置 | |
CN105893920B (zh) | 一种人脸活体检测方法和装置 | |
CN105825176B (zh) | 基于多模态非接触身份特征的识别方法 | |
CN107633204A (zh) | 人脸遮挡检测方法、装置及存储介质 | |
WO2019033525A1 (zh) | Au特征识别方法、装置及存储介质 | |
CN106682578B (zh) | 基于眨眼检测的弱光人脸识别方法 | |
CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及*** | |
Hussain et al. | [Retracted] Internet of Things with Deep Learning‐Based Face Recognition Approach for Authentication in Control Medical Systems | |
CN109145742A (zh) | 一种行人识别方法及*** | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN109190475A (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN110363747A (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
US10939120B1 (en) | Video upload in limited bandwidth | |
CN109871751A (zh) | 基于人脸表情识别的服务态度评估方法、装置及存储介质 | |
Moallem et al. | Fuzzy inference system optimized by genetic algorithm for robust face and pose detection | |
CN111178195A (zh) | 人脸表情识别方法、装置及计算机可读存储介质 | |
Babaei et al. | Face Recognition Application for Automatic Teller Machines (ATM) | |
Khowaja et al. | Facial expression recognition using two-tier classification and its application to smart home automation system | |
CN107220623A (zh) | 一种人脸识别方法及*** | |
CN111414886A (zh) | 一种人体动态特征的智能识别*** | |
Jayakanth | Comparative analysis of texture features and deep learning method for real-time indoor object recognition |
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 |
Application publication date: 20191008 |