CN110427888A - 一种基于特征聚类的人脸质量评估方法 - Google Patents
一种基于特征聚类的人脸质量评估方法 Download PDFInfo
- Publication number
- CN110427888A CN110427888A CN201910715538.3A CN201910715538A CN110427888A CN 110427888 A CN110427888 A CN 110427888A CN 201910715538 A CN201910715538 A CN 201910715538A CN 110427888 A CN110427888 A CN 110427888A
- Authority
- CN
- China
- Prior art keywords
- face
- data
- feature
- training
- quality
- 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
- 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
- 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
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,且公开了一种基于特征聚类的人脸质量评估方法,包括以下几个步骤:A、数据准备:本发明训练数据采用CMU Multi‑PIE face database,也可使用其他包含不同人脸id的不同角度,光照,清晰度的人脸照片;Multi‑PIE数据包含超过337id的750000+人脸不同季节,不同角度,不同光照的人脸照片;B、数据预处理:在将数据送入训练之前,需要对数据进行预处理,预处理的目的一是为了丰富样本数量和类型。本发明人脸的质量评估应用于人脸比对前的筛选,用人脸特征进行聚类,更加符合人脸比对需要的数据形态;同时,该方法无需人工进行标注,采用人脸特征计算序列人脸特征的相似度转化为训练标签,进行神经网络训练,流程简单,速度快,能够满足实时性要求。
Description
技术领域
本发明涉及计算机视觉技术领域,具体为一种基于特征聚类的人脸质量评估方法。
背景技术
随着计算机技术的发展,机器视觉、神经网络等领域取得了很大进展。这其中人脸识别技术取得了很大成功,已经广泛的应用于银行、手机、购物、校园、地铁、小区、公共场所等各个生活场景中。监控场景中一套人脸***包括人脸抓拍模块,人脸质量评估模块,人脸比对模块和结果输出模块,在视频监控场景中,往往由于场景复杂,导致抓拍的人脸图像质量参差不齐,由于人脸模糊、遮挡、姿态等原因导致人脸识别的准确率受到考验,所以为了提高识别的精度,通常采用一种方法对人脸图像的质量进行判断,将质量满足要求的人脸送给***进比对识别,这样可以有效降低人脸识别的误识别率。
现有的人脸质量评估方法大致分为两类:一类是基于传统方法,一类是基于深度学习的方法;基于传统的方法通常通过人脸的尺寸,梯度、遮挡等条件判断人脸的质量:另外一类是近几年来随着深度学习的发展,有人开始将深度学习应用在人脸质量的评估中;基于传统的方法需要手工设计特征,并针对大量的数据进行反复验证,通过各种判断组合达到人脸质量判定的目的,人脸质量的判定的准确率受到局部模块判定的影响;基于深度学习的人脸质量判定方法需要大量的数据标注,人脸质量标注的指标众多,诸多指标之间界限模糊,人工标注呈现出极大的难度。
因此,我们提出一种基于特征聚类的人脸质量评估方法。
发明内容
本发明提供了一种基于特征聚类的人脸质量评估方法,解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于特征聚类的人脸质量评估方法,包括以下几个步骤:
A、数据准备:本发明训练数据采用CMU Multi-PIE face database,也可使用其他包含不同人脸id的不同角度,光照,清晰度的人脸照片;Multi-PIE数据包含超过337id的750000+人脸不同季节,不同角度,不同光照的人脸照片;
B、数据预处理:在将数据送入训练之前,需要对数据进行预处理,预处理的目的一是为了丰富样本数量和类型,二是为了避免过拟合;
C、特征提取:人脸特征提取算法采用开源的face recognition,也可使用其他人脸识别的方法,将数据集Multi-PIE中337id人的证件照(每人包含不同季节的3-5张),使用face recognition算法提取人脸特征组成gallery,gallery数据提取特征不经过图像预处理模块,对于其他数据经过图像预处理,将预处理之后的图像提取人脸特征;
D、训练标签生成:将当前提取了人脸特征的与该id证件照特征计算相似度,相似度=1-两特征之间的距离,获得两张人脸之间的相似度,将该值划分为10类,作为该人脸图像的标签1,相似度值为该图片的标签2;
E、人脸质量模型训练:将预处理之后的数据与生成的两个标签一同送入图3所示的深度网络,图3中最后一个卷积模块1之后,网络分为两个分支,一个分支用来回归人脸的分值,该分支经过一个卷积模块2,然后经过一个全局的平均池化后,经过一个sigmoid激活层输出,将输出与标签2送入欧式距离Loss;另外一个分支用来对特征进行聚类,同样经过一个卷积模块2,经过一个全连接层,之后再经过一个softmax激活层输出,该输出与标签1送入交叉熵Loss;
F、人脸质量评估:在人脸质量评估过程中,我们得到深度神经网络给出的两个值,一是网络判断的质量分数,另外一个是质量类别概率;最终人脸质量通过两者的组合来确定,人脸的得分=a*b*类别的对应分值+(1-a*b)*人脸质量分数,其中a为系数,取值范围在[0,1],b为该人脸图片的质量类别概率最大类别对应的概率,类别对应分值为10类对应[0,1]。
优选的,所述B步骤中采用的数据预处理方法主要有亮度变化、噪声、高斯模糊、运动模糊、色调、偏移、遮挡、旋转等。
优选的,所述D步骤中相似度的计算方式采用余弦距离。
本发明具备以下有益效果:
本发明人脸的质量评估应用于人脸比对前的筛选,用人脸特征进行聚类,更加符合人脸比对需要的数据形态;同时,该方法无需人工进行标注,采用人脸特征计算序列人脸特征的相似度转化为训练标签,进行神经网络训练,流程简单,速度快,能够满足实时性要求。
附图说明
图1为现有技术中人脸识别流程图;
图2为本发明人脸质量评估模型训练流程图;
图3为本发明网络结构图;
图4为本发明卷积模块1的流程图;
图5为本发明卷积模块2的流程图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
请参阅图1-5,本发明提供一种技术方案:一种基于特征聚类的人脸质量评估方法,包括以下几个步骤:
A、数据准备:本发明训练数据采用CMU Multi-PIE face database,也可使用其他包含不同人脸id的不同角度,光照,清晰度的人脸照片;Multi-PIE数据包含超过337id的750000+人脸不同季节,不同角度,不同光照的人脸照片;
B、数据预处理:在将数据送入训练之前,需要对数据进行预处理,预处理的目的一是为了丰富样本数量和类型,二是为了避免过拟合;
C、特征提取:人脸特征提取算法采用开源的face recognition,也可使用其他人脸识别的方法,将数据集Multi-PIE中337id人的证件照(每人包含不同季节的3-5张),使用face recognition算法提取人脸特征组成gallery,gallery数据提取特征不经过图像预处理模块,对于其他数据经过图像预处理,将预处理之后的图像提取人脸特征;
D、训练标签生成:将当前提取了人脸特征的与该id证件照特征计算相似度,相似度=1-两特征之间的距离,获得两张人脸之间的相似度,将该值划分为10类,作为该人脸图像的标签1,相似度值为该图片的标签2;
E、人脸质量模型训练:将预处理之后的数据与生成的两个标签一同送入图3所示的深度网络,图3中最后一个卷积模块1之后,网络分为两个分支,一个分支用来回归人脸的分值,该分支经过一个卷积模块2,然后经过一个全局的平均池化后,经过一个sigmoid激活层输出,将输出与标签2送入欧式距离Loss;另外一个分支用来对特征进行聚类,同样经过一个卷积模块2,经过一个全连接层,之后再经过一个softmax激活层输出,该输出与标签1送入交叉熵Loss;
F、人脸质量评估:在人脸质量评估过程中,我们得到深度神经网络给出的两个值,一是网络判断的质量分数,另外一个是质量类别概率;最终人脸质量通过两者的组合来确定,人脸的得分=a*b*类别的对应分值+(1-a*b)*人脸质量分数,其中a为系数,取值范围在[0,1],b为该人脸图片的质量类别概率最大类别对应的概率,类别对应分值为10类对应[0,1]。
进一步地,所述B步骤中采用的数据预处理方法主要有亮度变化、噪声、高斯模糊、运动模糊、色调、偏移、遮挡、旋转等。
进一步地,所述D步骤中相似度的计算方式采用余弦距离。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于特征聚类的人脸质量评估方法,其特征在于,包括以下几个步骤:
A、数据准备:本发明训练数据采用CMU Multi-PIE face database,也可使用其他包含不同人脸id的不同角度,光照,清晰度的人脸照片;Multi-PIE数据包含超过337id的750000+人脸不同季节,不同角度,不同光照的人脸照片;
B、数据预处理:在将数据送入训练之前,需要对数据进行预处理,预处理的目的一是为了丰富样本数量和类型,二是为了避免过拟合;
C、特征提取:人脸特征提取算法采用开源的face recognition,也可使用其他人脸识别的方法,将数据集Multi-PIE中337id人的证件照(每人包含不同季节的3-5张),使用facerecognition算法提取人脸特征组成gallery,gallery数据提取特征不经过图像预处理模块,对于其他数据经过图像预处理,将预处理之后的图像提取人脸特征;
D、训练标签生成:将当前提取了人脸特征的与该id证件照特征计算相似度,相似度=1-两特征之间的距离,获得两张人脸之间的相似度,将该值划分为10类,作为该人脸图像的标签1,相似度值为该图片的标签2;
E、人脸质量模型训练:将预处理之后的数据与生成的两个标签一同送入图3所示的深度网络,图3中最后一个卷积模块1之后,网络分为两个分支,一个分支用来回归人脸的分值,该分支经过一个卷积模块2,然后经过一个全局的平均池化后,经过一个sigmoid激活层输出,将输出与标签2送入欧式距离Loss;另外一个分支用来对特征进行聚类,同样经过一个卷积模块2,经过一个全连接层,之后再经过一个softmax激活层输出,该输出与标签1送入交叉熵Loss;
F、人脸质量评估:在人脸质量评估过程中,我们得到深度神经网络给出的两个值,一是网络判断的质量分数,另外一个是质量类别概率;最终人脸质量通过两者的组合来确定,人脸的得分=a*b*类别的对应分值+(1-a*b)*人脸质量分数,其中a为系数,取值范围在[0,1],b为该人脸图片的质量类别概率最大类别对应的概率,类别对应分值为10类对应[0,1]。
2.根据权利要求1所述的一种基于特征聚类的人脸质量评估方法,其特征在于:所述B步骤中采用的数据预处理方法主要有亮度变化、噪声、高斯模糊、运动模糊、色调、偏移、遮挡、旋转等。
3.根据权利要求1所述的一种基于特征聚类的人脸质量评估方法,其特征在于:所述D步骤中相似度的计算方式采用余弦距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715538.3A CN110427888A (zh) | 2019-08-05 | 2019-08-05 | 一种基于特征聚类的人脸质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715538.3A CN110427888A (zh) | 2019-08-05 | 2019-08-05 | 一种基于特征聚类的人脸质量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427888A true CN110427888A (zh) | 2019-11-08 |
Family
ID=68412520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715538.3A Pending CN110427888A (zh) | 2019-08-05 | 2019-08-05 | 一种基于特征聚类的人脸质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427888A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别***的训练方法和装置 |
CN111696090A (zh) * | 2020-06-08 | 2020-09-22 | 电子科技大学 | 一种无约束环境下人脸图像质量评估方法 |
CN112215822A (zh) * | 2020-10-13 | 2021-01-12 | 北京中电兴发科技有限公司 | 一种基于轻量级回归网络的人脸图像质量评估方法 |
CN112948612A (zh) * | 2021-03-16 | 2021-06-11 | 杭州海康威视数字技术股份有限公司 | 人体封面生成方法、装置、电子设备及存储介质 |
CN114155589A (zh) * | 2021-11-30 | 2022-03-08 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN115512427A (zh) * | 2022-11-04 | 2022-12-23 | 北京城建设计发展集团股份有限公司 | 一种结合配合式活检的用户人脸注册方法与*** |
CN118197609A (zh) * | 2024-05-17 | 2024-06-14 | 大连百首企家科技有限公司 | 一种基于人脸表情分析的麻醉镇痛效果评估方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140044348A1 (en) * | 2011-02-18 | 2014-02-13 | National Ict Australia Limited | Image quality assessment |
CN104408736A (zh) * | 2014-12-12 | 2015-03-11 | 西安电子科技大学 | 基于特征相似性的合成人脸画像质量评价方法 |
US20160086015A1 (en) * | 2007-01-09 | 2016-03-24 | Si Corporation | Method and system for automated face detection and recognition |
CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和*** |
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107273510A (zh) * | 2017-06-20 | 2017-10-20 | 广东欧珀移动通信有限公司 | 照片推荐方法及相关产品 |
CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
CN107609493A (zh) * | 2017-08-25 | 2018-01-19 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
CN107832802A (zh) * | 2017-11-23 | 2018-03-23 | 北京智芯原动科技有限公司 | 基于人脸比对的人脸图像质量评价方法及装置 |
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109117797A (zh) * | 2018-08-17 | 2019-01-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于人脸质量评价的人脸抓拍识别方法 |
CN109544523A (zh) * | 2018-11-14 | 2019-03-29 | 北京智芯原动科技有限公司 | 基于多属性人脸比对的人脸图像质量评价方法及装置 |
-
2019
- 2019-08-05 CN CN201910715538.3A patent/CN110427888A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160086015A1 (en) * | 2007-01-09 | 2016-03-24 | Si Corporation | Method and system for automated face detection and recognition |
US20140044348A1 (en) * | 2011-02-18 | 2014-02-13 | National Ict Australia Limited | Image quality assessment |
CN104408736A (zh) * | 2014-12-12 | 2015-03-11 | 西安电子科技大学 | 基于特征相似性的合成人脸画像质量评价方法 |
CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和*** |
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
CN107273510A (zh) * | 2017-06-20 | 2017-10-20 | 广东欧珀移动通信有限公司 | 照片推荐方法及相关产品 |
CN107609493A (zh) * | 2017-08-25 | 2018-01-19 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
CN107832802A (zh) * | 2017-11-23 | 2018-03-23 | 北京智芯原动科技有限公司 | 基于人脸比对的人脸图像质量评价方法及装置 |
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109117797A (zh) * | 2018-08-17 | 2019-01-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于人脸质量评价的人脸抓拍识别方法 |
CN109544523A (zh) * | 2018-11-14 | 2019-03-29 | 北京智芯原动科技有限公司 | 基于多属性人脸比对的人脸图像质量评价方法及装置 |
Non-Patent Citations (7)
Title |
---|
JAVIER HERNANDEZ-ORTEGA 等: "FaceQnet: Quality Assessment for Face Recognition based on Deep Learning", 《ARXIV》 * |
LACEY BEST-ROWDEN 等: "Automatic Face Image Quality Prediction", 《ARXIV》 * |
RALPH GROSS 等: "Multi-PIE", 《PREPRINT SUBMITTED TO IMAGE AND VISION COMPUTING》 * |
VISHAL AGARWAL: "Deep Face Quality Assessment", 《ARXIV》 * |
YEZHOU LI 等: "Image quality assessment using deep convolutional networks", 《AIP ADVANCES》 * |
李秋珍 等: "基于卷积神经网络的人脸图像质量评价", 《计算机应用》 * |
程换新 等: "基于迁移学习的人脸图像质量评估", 《电子测量技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别***的训练方法和装置 |
CN111401344B (zh) * | 2020-06-04 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别***的训练方法和装置 |
CN111696090A (zh) * | 2020-06-08 | 2020-09-22 | 电子科技大学 | 一种无约束环境下人脸图像质量评估方法 |
CN112215822A (zh) * | 2020-10-13 | 2021-01-12 | 北京中电兴发科技有限公司 | 一种基于轻量级回归网络的人脸图像质量评估方法 |
CN112948612A (zh) * | 2021-03-16 | 2021-06-11 | 杭州海康威视数字技术股份有限公司 | 人体封面生成方法、装置、电子设备及存储介质 |
CN112948612B (zh) * | 2021-03-16 | 2024-02-06 | 杭州海康威视数字技术股份有限公司 | 人体封面生成方法、装置、电子设备及存储介质 |
CN114155589A (zh) * | 2021-11-30 | 2022-03-08 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN114155589B (zh) * | 2021-11-30 | 2023-08-08 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN115512427A (zh) * | 2022-11-04 | 2022-12-23 | 北京城建设计发展集团股份有限公司 | 一种结合配合式活检的用户人脸注册方法与*** |
CN115512427B (zh) * | 2022-11-04 | 2023-04-25 | 北京城建设计发展集团股份有限公司 | 一种结合配合式活检的用户人脸注册方法与*** |
CN118197609A (zh) * | 2024-05-17 | 2024-06-14 | 大连百首企家科技有限公司 | 一种基于人脸表情分析的麻醉镇痛效果评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427888A (zh) | 一种基于特征聚类的人脸质量评估方法 | |
CN109961051B (zh) | 一种基于聚类和分块特征提取的行人重识别方法 | |
CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
CN106875381A (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN108537136A (zh) | 基于姿态归一化图像生成的行人重识别方法 | |
CN107506702A (zh) | 基于多角度的人脸识别模型训练及测试***及方法 | |
CN107967695A (zh) | 一种基于深度光流和形态学方法的运动目标检测方法 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN103295009B (zh) | 基于笔画分解的车牌字符识别方法 | |
CN110472652A (zh) | 基于语义引导的少量样本分类方法 | |
CN111242027A (zh) | 一种融合语义信息的无监督学习场景特征快速提取方法 | |
CN108960201A (zh) | 一种基于人脸关键点提取和稀疏表达分类的表情识别方法 | |
CN106295532A (zh) | 一种视频图像中的人体动作识别方法 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN110503078A (zh) | 一种基于深度学习的远距离人脸识别方法和*** | |
CN111639580A (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
CN111738178A (zh) | 一种基于深度学习的戴口罩人脸表情识别方法 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN113298018A (zh) | 基于光流场和脸部肌肉运动的假脸视频检测方法及装置 | |
CN114332942A (zh) | 基于改进YOLOv3的夜间红外行人检测方法及*** | |
CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN114842524A (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
CN109165542A (zh) | 基于精简卷积神经网络的行人检测方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及*** | |
CN111950452A (zh) | 一种人脸识别方法 |
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: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |