CN110458134A - 一种人脸识别方法及装置 - Google Patents

一种人脸识别方法及装置 Download PDF

Info

Publication number
CN110458134A
CN110458134A CN201910763589.3A CN201910763589A CN110458134A CN 110458134 A CN110458134 A CN 110458134A CN 201910763589 A CN201910763589 A CN 201910763589A CN 110458134 A CN110458134 A CN 110458134A
Authority
CN
China
Prior art keywords
image
training image
image set
training
pixel
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.)
Granted
Application number
CN201910763589.3A
Other languages
English (en)
Other versions
CN110458134B (zh
Inventor
裴露露
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Yunqu Interactive Game Co Ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910763589.3A priority Critical patent/CN110458134B/zh
Publication of CN110458134A publication Critical patent/CN110458134A/zh
Application granted granted Critical
Publication of CN110458134B publication Critical patent/CN110458134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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

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)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (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

本发明提供一种人脸识别方法及装置，该方法包括获取人脸图像，组成训练图像集；对训练图像集进行处理形成训练图像集合a和训练图像集合b；用训练图像集合a和训练图像集合b进行训练，获得人脸识别模型；用人脸识别模型对待识别图像进行识别，得到识别结果；本发明提供的方法和装置获得的人脸识别模型具有非常高的稳定性和鲁棒性，进而提高了人脸识别的准确率。

Description

一种人脸识别方法及装置
技术领域
本发明属于人脸识别领域，特别涉及一种人脸识别方法及装置。
背景技术
近年来随着人脸识别技术的发展，“刷脸”已经应用到多种场合，例如刷脸支付、刷脸进站、刷脸门禁等。这将大大提高了人们日常生活的便利性，并能一定程度上提高人们日常生活中的安全指数。
传统的人脸识别方法是利用卷积神经网络对训练图像集进行训练，获得识别模型，然后再对待识别图像进行识别获得识别结果；但有时候，由于提供组成训练图像集的人脸图像较少，获得的人脸识别模型鲁棒性差、稳定性差，导致识别准确率低。
发明内容
为了解决现有技术中存在的问题，本发明提供一种人脸识别方法及装置。
本发明其中一个实施例提供一种人脸识别方法，该方法包括如下步骤：
获取人脸图像，组成训练图像集；
对训练图像集进行处理形成训练图像集合a和训练图像集合b；
用训练图像集合a和训练图像集合b进行训练，获得人脸识别模型；
用人脸识别模型对待识别图像进行识别，得到识别结果。
在一些实施例中，所述对训练图像集进行处理形成训练图像集合a和训练图像集合b包括如下步骤：
获取训练图像集内的标准图像；
将训练图像集内的每一非标准图像分别与标准图像做差处理，获得残差；
计算残差内所有像素的平均值，形成平均残差图像；
利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集；
训练图像集和重构图像集的并集形成训练图像集合a。
在一些实施例中，所述对训练图像集进行处理形成训练图像集合a和训练图像集合b包括如下步骤：
获取训练图像集内每一训练图像的轮廓，形成轮廓图像；
将所有轮廓图像与对应的残差进行融合，获得训练图像集合b。
在一些实施例中，所述用训练图像集合a和训练图像集合b进行训练，获得人脸识别模型包括如下步骤：
利用训练图像集合b对卷积神经网络进行训练，获得第一识别模型；
利用训练图像集合a对第一识别模型进行训练获得人脸识别模型。
在一些实施例中，所述利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集包括如下步骤：
计算每一非标准图像内第i个像素点xi与平均残差图像内对应位置的第i个像素点yi的像素差Δx，并与像素差阈值Δx1进行比较；
当Δx＜Δx1时，保留像素点xi；
当Δx≥Δx1，找到平均残差图像内像素点yi的k个邻域像素点，k的取值为20-40；计算像素点xi与k个邻域像素点的欧式距离Ψ，并与阈值Ψ1进行比较；
当Ψ≥Ψ1时，用像素点x2代替像素点xi；
当Ψ＜Ψ1时，用像素点yi代替像素点；
将非标准图像钟未替换像素点和替换后的像素点进行图像重构，获得重构图像集。
本发明另一实施例提供一种人脸识别装置，该人脸识别装置包括：
用于获取人脸图像，组成训练图像集的人脸图像获取模块；
用于对训练图像集进行处理形成训练图像集合a和训练图像集合b的图像集合获取模块；
用于训练图像集合a和训练图像集合b进行训练，获得人脸识别模型的人脸识别模型获取模块；
用于人脸识别模型对待识别图像进行识别，得到识别结果的输出模块。
在一些实施例中，所述图像集合获取模块包括：
用于获取训练图像集内标准图像的标准图像获取子模块；
用于将训练图像集内的每一非标准图像分别与标准图像做差处理，获得残差的残差获取子模块；
用于计算残差内所有像素的平均值，形成平均残差图像的平均残差图像获取子模块；
用于利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集的重构图像集获取子模块；
用于训练图像集和重构图像集的并集形成训练图像集合a的第一图像集获取子模块；
用于获取训练图像集内每一训练图像的轮廓，形成轮廓图像的轮廓图像获取子模块；
用于将所有轮廓图像与对应的残差进行融合，获得训练图像集合b的第二图像集获取子模块。
在一些实施例中，所述人脸识别模型获取模块包括：
用于利用训练图像集合b对卷积神经网络进行训练，获得第一识别模型的第一识别模型获取子模块；
用于利用训练图像集合a对第一识别模型进行训练获得人脸识别模型的人脸识别模型获取子模块。
本发明提供的一种人脸识别方法及装置，获得的人脸识别模型具有非常高的稳定性和鲁棒性，进而提高了人脸识别的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明其中一个实施例的人脸识别方法的流程图；
图2是利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集的流程图；
图3是获取训练图像集内每一训练图像的轮廓，形成轮廓图像的流程图；
图4是将所有轮廓图像与对应的残差进行融合，获得训练图像集合b的流程图；
图5是本发明其中一个实施例的人脸图像识别装置的结构框图。
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，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它实施例，都属于本发明保护的范围。
本发明其中一个实施例提供一种人脸识别方法，如图1所示，该人脸识别方法包括如下步骤：
S1：获取人脸图像，组成训练图像集；
其中，训练图像集内所有人脸图像的尺寸均相同；
S2：对训练图像集进行处理形成训练图像集合a和训练图像集合b；
在一些优选的实施例中，步骤S2具体包括如下：
S21：获取训练图像集内的标准图像；
其中，标准图像即为训练图像集内正脸且遮挡最少的图像；
S22：将训练图像集内的每一非标准图像分别与标准图像做差处理，获得残差；根据残差获得残差图像；
在步骤S22中，还包括为非标准图像和与其对应的残差建立对应的编号；
S23：计算残差内所有像素的平均值，形成平均残差图像；
平均残差图像的尺寸与训练图像集内每一训练图像的尺寸均相同；
S24：利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集；
S25：训练图像集和重构图像集的并集形成训练图像集合a；
S26：获取训练图像集内每一训练图像的轮廓，形成轮廓图像；
S27：将所有轮廓图像与对应的残差进行融合，获得训练图像集合b；其中，标准图像由于不存在对应的残差，所以不需要与残差融合；轮廓图像与残差图像按照对应的编号进行融合；
S3：用训练图像集合a和训练图像集合b进行训练，获得人脸识别模型；
在一些优选的实施例中，步骤S3包括：
S31：利用训练图像集合b对卷积神经网络进行训练，获得第一识别模型；
S32：利用训练图像集合a对第一识别模型进行训练获得人脸识别模型；
S4：用人脸识别模型对待识别图像进行识别，得到识别结果。
首先，获取非标准图像与标准图像的残差，然后根据残差和非标准图像进行图像重构，获得重构图像集，再与训练图像集组成训练图像集合a；其次，获得轮廓图像，与对应的残差融合后获得训练图像集合b；然后利用训练图像集合b对卷积神经网络进行训练获得第一识别模型，再利用训练图像集合a对第一识别模型进行训练获得人脸识别模型，利用以上方法获得的人脸识别模型具有非常高的稳定性和鲁棒性，提高了人脸识别的准确率。
如图2所示，在一些优选的实施例中，所述利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集包括：
S241：计算每一非标准图像内第i个像素点xi与平均残差图像内对应位置的第i个像素点yi的像素差Δx，并与像素差阈值Δx1进行比较，当Δx＜Δx1时，进行步骤S242；当Δx≥Δx1，进行步骤S243；
S242：保留像素点xi；
其中所指的代替是像素的替换；
S243：找到平均残差图像内像素点yi的k个邻域像素点，k的取值为20-40；计算像素点xi与k个邻域像素点的欧式距离Ψ，并与阈值Ψ1进行比较，当Ψ≥Ψ1，进行步骤S244；当Ψ＜Ψ1时，进行步骤S245；
S244：用像素点x2代替像素点xi，其中Qxi和Qyi分别表示xi和yi的像素；
S245：用像素点yi代替像素点xi；
S246：将非标准图像钟未替换像素点和替换后的像素点进行图像重构，获得重构图像集。
计算非标准图像和标准图像之间的残差，然后计算各残差的平均值，其中涉及计算的部分均是像素值；根据各像素平均值形成平均残差图像，然后利用平均残差图像与非标准图像进行图像重构，增加了训练图像的数目，提高人脸识别模型的稳定性和鲁棒性，提高识别的准确率。
如图3所示，在一些优选的实施例中，所述获取训练图像集内每一训练图像的轮廓，形成轮廓图像包括如下步骤：
S261：将每一训练图像分割成n个子块，计算每一子块内像素点的个数N和每一像素点的密度值，将像素点的个数N与个数阈值N1进行比较，当N＞N1时，进行步骤S262；当N≤N1时，进行步骤S263；n的取值为10,20等；
S262：找到密度最大的像素点xe，计算子块内其余像素点的法向量与像素点xe法向量之间的夹角β，并与夹角阈值β1进行比较，当β≥β1时，不做处理，当β＜β1，删除密度小的像素点；
S263：计算对应子块内像素的相对标准偏差RSD，并与RSD1进行比较，当RSD＞RSD1时，不做处理，当RSD≤RSD，从密度小的像素点开始删除，直至RSD＞RSD1。
如图4所示，在一些优选的实施例中，所述将所有轮廓图像与对应的残差进行融合，获得训练图像集合b包括如下步骤：
S271：将轮廓图像和残差图像均分割成m个子块；m的取值为20-50；
S272：从第一个子块开始遍历，计算残差图像内每一子块各像素点的密度值，从密度值最高的像素点开始，依次将像素点***到轮廓图像对应子块内，直至轮廓图像内该子块对应的所有像素点的像素的相对标准偏差达到阈值，将所有的像素点形成新的子块，将所有子块拼接形成融合图像，获得训练图像集合b。
其中，***到轮廓图像对应子块内时，将像素点***到轮廓图像对应子块内与该像素点欧式距离最近的两个像素点之间。
将轮廓图像与残差图像融合，然后对卷积神经网络进行训练可以降低遮挡部分对识别的干扰，提高识别准确率。
在一些优选的实施例中，每一像素点的密度值ρ按照下式计算：
Td表示子块内其中一个像素点距离t个近邻像素点的欧式距离。t的取值为7-10。
本发明另一实施例还提供一种人脸识别装置，如图5所示，该装置包括：
用于获取人脸图像，组成训练图像集的人脸图像获取模块1；
其中，训练图像集内所有人脸图像的尺寸均相同；
用于对训练图像集进行处理形成训练图像集合a和训练图像集合b的图像集合获取模块2；
在一些优选的实施例中，图像集合获取模块包括：
用于获取训练图像集内标准图像的标准图像获取子模块21；
其中，标准图像即为训练图像集内正脸且遮挡最少的图像；
用于将训练图像集内的每一非标准图像分别与标准图像做差处理，获得残差的残差获取子模块22；
用于计算残差内所有像素的平均值，形成平均残差图像的平均残差图像获取子模块23；平均残差图像的尺寸与训练图像集内每一训练图像的尺寸均相同；
用于利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集的重构图像集获取子模块24；
用于训练图像集和重构图像集的并集形成训练图像集合a的第一图像集获取子模块25；
用于获取训练图像集内每一训练图像的轮廓，形成轮廓图像的轮廓图像获取子模块26；
用于将所有轮廓图像与对应的残差进行融合，获得训练图像集合b的第二图像集获取子模块27；
标准图像由于不存在对应的残差，所以不需要与残差融合；轮廓图像与残差图像按照对应的编号进行融合；
用于训练图像集合a和训练图像集合b进行训练，获得人脸识别模型的人脸识别模型获取模块3；
在一些优选的实施例中，人脸识别模块获取模块包括：
用于利用训练图像集合b对卷积神经网络进行训练，获得第一识别模型的第一识别模型获取子模块31；
用于利用训练图像集合a对第一识别模型进行训练获得人脸识别模型的人脸识别模型获取子模块32；
用于人脸识别模型对待识别图像进行识别，得到识别结果的输出模块4。
本发明提供的人脸识别装置可显著提高人脸识别的准确率。
本发明另一个实施例还提供另一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序被一个或者一个以上的处理器用来执行实施例所提供的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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一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、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种人脸识别方法，其特征在于，所述人脸识别方法包括如下步骤：
获取人脸图像，组成训练图像集；
对训练图像集进行处理形成训练图像集合a和训练图像集合b；
用训练图像集合a和训练图像集合b进行训练，获得人脸识别模型；
用人脸识别模型对待识别图像进行识别，得到识别结果。
2.如权利要求1所述的人脸识别方法，其特征在于，所述对训练图像集进行处理形成训练图像集合a和训练图像集合b包括如下步骤：
获取训练图像集内的标准图像；
将训练图像集内的每一非标准图像分别与标准图像做差处理，获得残差；
计算残差内所有像素的平均值，形成平均残差图像；
利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集；
训练图像集和重构图像集的并集形成训练图像集合a。
3.如权利要求2所述的人脸识别方法，其特征在于，所述对训练图像集进行处理形成训练图像集合a和训练图像集合b包括如下步骤：
获取训练图像集内每一训练图像的轮廓，形成轮廓图像；
将所有轮廓图像与对应的残差进行融合，获得训练图像集合b。
4.如权利要求2所述的人脸识别方法，其特征在于，所述用训练图像集合a和训练图像集合b进行训练，获得人脸识别模型包括如下步骤：
利用训练图像集合b对卷积神经网络进行训练，获得第一识别模型；
利用训练图像集合a对第一识别模型进行训练获得人脸识别模型。
5.如权利要求1所述的人脸识别方法，其特征在于，所述利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集包括如下步骤：
计算每一非标准图像内第i个像素点xi与平均残差图像内对应位置的第i个像素点yi的像素差Δx，并与像素差阈值Δx1进行比较；
当Δx＜Δx1时，保留像素点xi；
当Δx≥Δx1，找到平均残差图像内像素点yi的k个邻域像素点，k的取值为20-40；计算像素点xi与k个邻域像素点的欧式距离Ψ，并与阈值Ψ1进行比较；
当Ψ≥Ψ1时，用像素点x2代替像素点xi；
当Ψ＜Ψ1时，用像素点yi代替像素点；
将非标准图像钟未替换像素点和替换后的像素点进行图像重构，获得重构图像集。
6.一种人脸识别装置，其特征在于，所述人脸识别装置包括：
用于获取人脸图像，组成训练图像集的人脸图像获取模块；
用于对训练图像集进行处理形成训练图像集合a和训练图像集合b的图像集合获取模块；
用于训练图像集合a和训练图像集合b进行训练，获得人脸识别模型的人脸识别模型获取模块；
用于人脸识别模型对待识别图像进行识别，得到识别结果的输出模块。
7.如权利要求6所述的人脸识别装置，其特征在于，所述图像集合获取模块包括：
用于获取训练图像集内标准图像的标准图像获取子模块；
用于将训练图像集内的每一非标准图像分别与标准图像做差处理，获得残差的残差获取子模块；
用于计算残差内所有像素的平均值，形成平均残差图像的平均残差图像获取子模块；
用于利用每一非标准图像与平均残差图像进行图像重构，获得重构图像集的重构图像集获取子模块；
用于训练图像集和重构图像集的并集形成训练图像集合a的第一图像集获取子模块；
用于获取训练图像集内每一训练图像的轮廓，形成轮廓图像的轮廓图像获取子模块；
用于将所有轮廓图像与对应的残差进行融合，获得训练图像集合b的第二图像集获取子模块。
8.如权利要求6所述的人脸识别装置，其特征在于，所述人脸识别模型获取模块包括：
用于利用训练图像集合b对卷积神经网络进行训练，获得第一识别模型的第一识别模型获取子模块；
用于利用训练图像集合a对第一识别模型进行训练获得人脸识别模型的人脸识别模型获取子模块。
CN201910763589.3A 2019-08-17 2019-08-17 一种人脸识别方法及装置 Active CN110458134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910763589.3A CN110458134B (zh) 2019-08-17 2019-08-17 一种人脸识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910763589.3A CN110458134B (zh) 2019-08-17 2019-08-17 一种人脸识别方法及装置

Publications (2)

Publication Number Publication Date
CN110458134A true CN110458134A (zh) 2019-11-15
CN110458134B CN110458134B (zh) 2020-06-16

Family

ID=68487502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910763589.3A Active CN110458134B (zh) 2019-08-17 2019-08-17 一种人脸识别方法及装置

Country Status (1)

Country Link
CN (1) CN110458134B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553298A (zh) * 2020-05-07 2020-08-18 北京天仪百康科贸有限公司 一种基于区块链的火灾识别方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587543A (zh) * 2009-06-19 2009-11-25 电子科技大学 一种人脸识别方法
CN106709442A (zh) * 2016-12-19 2017-05-24 深圳乐行天下科技有限公司 一种人脸识别方法
CN106934364A (zh) * 2017-03-09 2017-07-07 腾讯科技（上海）有限公司 人脸图片的识别方法及装置
CN107133590A (zh) * 2017-05-04 2017-09-05 上海博历机械科技有限公司 一种基于人脸图像的身份识别***
CN107545243A (zh) * 2017-08-07 2018-01-05 南京信息工程大学 基于深度卷积模型的黄种人脸识别方法
CN107609459A (zh) * 2016-12-15 2018-01-19 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN107679451A (zh) * 2017-08-25 2018-02-09 百度在线网络技术（北京）有限公司 建立人脸识别模型的方法、装置、设备和计算机存储介质
CN107832735A (zh) * 2017-11-24 2018-03-23 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN107992807A (zh) * 2017-11-22 2018-05-04 浙江大华技术股份有限公司 一种基于cnn模型的人脸识别方法及装置
CN110084216A (zh) * 2019-05-06 2019-08-02 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、***、设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587543A (zh) * 2009-06-19 2009-11-25 电子科技大学 一种人脸识别方法
CN107609459A (zh) * 2016-12-15 2018-01-19 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN106709442A (zh) * 2016-12-19 2017-05-24 深圳乐行天下科技有限公司 一种人脸识别方法
CN106934364A (zh) * 2017-03-09 2017-07-07 腾讯科技（上海）有限公司 人脸图片的识别方法及装置
CN107133590A (zh) * 2017-05-04 2017-09-05 上海博历机械科技有限公司 一种基于人脸图像的身份识别***
CN107545243A (zh) * 2017-08-07 2018-01-05 南京信息工程大学 基于深度卷积模型的黄种人脸识别方法
CN107679451A (zh) * 2017-08-25 2018-02-09 百度在线网络技术（北京）有限公司 建立人脸识别模型的方法、装置、设备和计算机存储介质
CN107992807A (zh) * 2017-11-22 2018-05-04 浙江大华技术股份有限公司 一种基于cnn模型的人脸识别方法及装置
CN107832735A (zh) * 2017-11-24 2018-03-23 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN110084216A (zh) * 2019-05-06 2019-08-02 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、***、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553298A (zh) * 2020-05-07 2020-08-18 北京天仪百康科贸有限公司 一种基于区块链的火灾识别方法及***

Also Published As

Publication number Publication date
CN110458134B (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN101887589B (zh) 一种基于立体视觉的实拍低纹理图像重建方法
CN102360421B (zh) 一种基于视频流的人脸识别方法及***
CN107369148B (zh) 基于改进sml与导向滤波的多聚焦图像融合方法
US20120087590A1 (en) Feature point location determination method and apparatus
CN107480772A (zh) 一种基于深度学习的车牌超分辨率处理方法及***
CN101661162B (zh) 基于广角镜头的畸变补偿方法
CN105354558B (zh) 人脸图像匹配方法
CN105761308A (zh) 一种地面LiDAR和影像数据融合的遮挡区域建筑物立面重建方法
US8818056B2 (en) Method and device for acquiring latent fingerprint orientation
CN105738896B (zh) 一种地基sar多级边坡干涉相位解缠方法及装置
CN103929685A (zh) 一种视频摘要生成及索引方法
CN101320485A (zh) 一种基于立体匹配的人脸三维模型获取方法
CN101329728B (zh) 一种基于汉明距离约束的局部二值模式lbp人脸光照预处理方法
CN104574331A (zh) 一种数据处理方法、装置、计算机存储介质及用户终端
Sun et al. Vessel AIS trajectory online compression based on scan-pick-move algorithm added sliding window
CN110490796B (zh) 一种高低频成分融合的人脸超分辨率处理方法及***
TW201824859A (zh) 運用變焦影像資訊以改善原視差影像匹配錯誤之方法
CN110458134A (zh) 一种人脸识别方法及装置
CN109064505A (zh) 一种基于滑动窗口张量提取的深度估计方法
CN103577813A (zh) 用于异质虹膜识别的信息融合方法
CN102567964B (zh) 一种用于立体视觉视差图的滤波方法
CN106534833A (zh) 一种联合空间时间轴的双视点立体视频稳定方法
CN112287906B (zh) 一种基于深度特征融合的模板匹配跟踪方法及***
CN105825520A (zh) 一种可创建大规模地图的单眼slam方法
CN109993089A (zh) 一种基于深度学习的视频目标去除及背景恢复方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200511

Address after: 210000 3rd floor, building 1, No. 116, Shiyang Road, Qinhuai District, Nanjing City, Jiangsu Province

Applicant after: Nanjing yunqu interactive game Co., Ltd

Address before: No. 48, Wuzhuang team, Fengbei village, Fucheng Town, Fengyang County, Chuzhou City, Anhui Province

Applicant before: Pei Lulu

GR01 Patent grant
GR01 Patent grant