CN110472566A - 一种高精度的模糊人脸识别方法与*** - Google Patents
一种高精度的模糊人脸识别方法与*** Download PDFInfo
- Publication number
- CN110472566A CN110472566A CN201910748141.4A CN201910748141A CN110472566A CN 110472566 A CN110472566 A CN 110472566A CN 201910748141 A CN201910748141 A CN 201910748141A CN 110472566 A CN110472566 A CN 110472566A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- facial image
- parametrization
- identification
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001815 facial effect Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013442 quality metrics Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种针对模糊人脸图像的神经网络人脸识别方法与***；通过解析视频流，得到N幅视频帧；利用人脸检测算法识别出低分辨率的人脸图像；针对低分辨率的人脸图像，通过相场方法等优化算法进行预处理，得到清晰的人脸图像；利用SVM分解算法进行人脸模型参数化；将参数化模型输入到卷积神经网络中进行训练；对结果进行反参数化，通过分类器得出识别结果，本发明将深度学习算法与传统的模糊优化算法相结合，可以在高精度下实现模糊人脸的识别，从而有效地提高识别率，减少计算量。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种高精度的模糊人脸识别方法与***。
背景技术
人脸识别是是基于人的脸部特征信息进行身份识别的一种生物识别技术，它由计算机分析人脸图像，从图像中提取有效信息并自动鉴别，人脸识别技术广泛应用于安全***及人机交互等方面，已成为计算机视觉和模式识别领域中重要的研究课题之一。
目前，人脸识别的采集设备大多是高清设备采集，在更多实时采集下，会产生更多模糊人像。过去实验中有许多模糊图像的处理算法，而采取相场方法与深度神经网络算法结合的方式进行人脸识别有计算过程简单、分类速度快的优势，并且可以通过预处理减少光照与图像旋转等因素的影响。
发明内容
本发明提供了一种高精度的模糊人脸识别方法与***，以解决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：一种高精度的模糊人脸识别方法，包括以下步骤：
S1、视频流解析：获取摄像机拍摄的视频流，将视频流解析成N幅视频帧，每一幅视频帧再解码成RGB图片；
S2、图像获取：检测视频流解析得到的图像中是否有人脸，若有人脸，则保留当前视频帧；若没有人脸，舍弃当前视频帧；
S3、模糊人脸处理：利用相场等优化方法对模糊人脸进行预处理，使人脸在理论范围内到达尽量清晰的标准，增强识别的效率与精度。
S4、清晰人脸参数化与识别：将图像以更简单的参数平面表示，可以使深度学习的输入特征更加明确，加快训练的效率。
优选的，在S3中所述模糊人脸预处理步骤包括：
S3.1：人脸图像预处理：对图像进行降噪，灰度值平衡预处理操作，降低人脸受环境因素影响。
S3.2：相场优化模型处理步骤：
S3.2.1：对图像灰度值进行检测与分割，建立人脸边界模型；
S3.2.2：根据下述的相场公式来表示人脸图像，计算目标函数值J：
S3.2.3：将目标函数值J最小化，得到清晰化的人脸图像灰度分布φ；
S3.2.4：将灰度值分布转换为清晰化的人脸图像分布。
优选的，在S4中清晰人脸参数化与识别步骤包括：
S4.1：人脸图像参数化：利用SVM等方法，利用已有的经验将图像，传统的SVM算法可以通过提取图像X的特征值λ来达到对图像的参数化，用α表示，实际操作类似于神经网络的单层结构。利用参数化能够集中特征，加快神经网络的训练：
S4.2：人脸图像识别：利用深度学习的框架对参数化的人脸图像进行训练，采用适用于此模型的卷积核，最后通过反参数化，达到模糊图像高精度高效识别的目的。
一种高精度的模糊人脸识别***，包括视频流解析模块、图像获取模块、模糊人脸处理模块和清晰人脸参数化与识别模块，所述视频流解析模块用于将摄像机拍摄的视频转换成RGB图片；所述图像获取模块用于检测带有人脸的所述RGB图片；所述模糊人脸处理模块用于优化所述RGB图片中的人脸清晰度；所述清晰人脸参数化与识别模块用于将所述RGB图片中清晰的人脸参数化。
优选的，所述模糊人脸处理模块包括人脸图像预处理单元和相场优化模型处理单元。
优选的，所述清晰人脸参数化与识别模块包括人脸图像参数化单元和人脸图像识别单元。
与现有技术相比，本发明的有益效果是：
通过相场方法去模糊以及图片特征值参数化的方法，借助深度学习网络训练的模式，能够有效提高识别率，减少计算量。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明用于高精度模糊图像的人脸识别方法的流程图；
图2是本发明整体神经网络结构的设计方式。
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。
请参考图1，本发明提供以下技术方案：一种高精度的模糊人脸识别方法，包括以下步骤：
S1、视频流解析：获取摄像机拍摄的视频流，将视频流解析成N幅视频帧，每一幅视频帧再解码成RGB图片；
S2、图像获取：检测视频流解析得到的图像中是否有人脸，若有人脸，则保留当前视频帧；若没有人脸，舍弃当前视频帧；
S3、模糊人脸处理：利用相场等优化方法对模糊人脸进行预处理，使人脸在理论范围内到达尽量清晰的标准，增强识别的效率与精度。
S4、清晰人脸参数化与识别：将图像以更简单的参数平面表示，可以使深度学习的输入特征更加明确，加快训练的效率。
具体的，在S3中所述模糊人脸预处理步骤包括：
S3.1：人脸图像预处理：对图像进行降噪，灰度值平衡预处理操作，降低人脸受环境因素影响。
S3.2：相场优化模型处理步骤：
S3.2.1：对图像灰度值进行检测与分割，建立人脸边界模型；
S3.2.2：根据下述的相场公式来表示人脸图像，计算目标函数值J：
S3.2.3：将目标函数值J最小化，得到清晰化的人脸图像灰度分布φ；
S3.2.4：将灰度值分布转换为清晰化的人脸图像分布。
具体的，在S4中清晰人脸参数化与识别步骤包括：
S4.1：人脸图像参数化：利用SVM等方法，利用已有的经验将图像，传统的SVM算法可以通过提取图像X的特征值λ来达到对图像的参数化，用α表示，实际操作类似于神经网络的单层结构。利用参数化能够集中特征，加快神经网络的训练：
S4.2：人脸图像识别：利用深度学习的框架对参数化的人脸图像进行训练，采用适用于此模型的卷积核，最后通过反参数化，达到模糊图像高精度高效识别的目的。
注意到此处的参数化可以将看作神经网络的参数值，看作阈值，因此在实际操作中，由已有的深度学习框架在首尾添加一层不参与反馈的神经网络所构成，其具体结构可参考图2。
人脸图像识别步骤：利用深度学习的框架对参数化的人脸图像进行训练，采用适用于此模型的卷积核，最后通过反参数化步骤进行反馈信息传递，达到训练模糊图像高精度高效识别的目的。
一种高精度的模糊人脸识别***，包括视频流解析模块、图像获取模块、模糊人脸处理模块和清晰人脸参数化与识别模块，视频流解析模块获取摄像机拍摄的视频流，将视频流解析成N幅视频帧，每一幅视频帧再解码成RGB图片；所述图像获取模块检测视频流解析得到的图像中是否有人脸，若有人脸，则保留当前视频帧；若没有人脸，舍弃当前视频帧；所述模糊人脸处理模块利用相场等优化方法对模糊人脸进行预处理，使人脸在理论范围内到达尽量清晰的标准，增强识别的效率与精度；所述清晰人脸参数化与识别模块将图像以更简单的参数平面表示，可以使深度学习的输入特征更加明确，加快训练的效率。
具体的，所述模糊人脸处理模块包括人脸图像预处理单元和相场优化模型处理单元，人脸图像预处理单元对图像进行降噪，灰度值平衡预处理操作，降低人脸受环境因素影响；相场优化模型处理单元先对图像灰度值进行检测与分割，建立人脸边界模型；然后根据下述的相场公式来表示人脸图像，计算目标函数值J：
再将目标函数值J最小化，得到清晰化的人脸图像灰度分布φ；
最后将灰度值分布转换为清晰化的人脸图像分布。
具体的，所述清晰人脸参数化与识别模块包括人脸图像参数化单元和人脸图像识别单元，人脸图像参数化单元利用SVM等方法，利用已有的经验将图像，传统的SVM算法可以通过提取图像X的特征值λ来达到对图像的参数化，用α表示，实际操作类似于神经网络的单层结构。利用参数化能够集中特征，加快神经网络的训练：
人脸图像识别单元利用深度学习的框架对参数化的人脸图像进行训练，采用适用于此模型的卷积核，最后通过反参数化，达到模糊图像高精度高效识别的目的。
以上本发明的技术方案，与现有相比，其显著的有益效果在于，通过相场方法去模糊以及图片特征值参数化的方法，借助深度学习网络训练的模式，能够有效提高识别率，减少计算量。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种高精度的模糊人脸识别方法，其特征在于：包括以下步骤：
S1、视频流解析：获取摄像机拍摄的视频流，将视频流解析成N幅视频帧，每一幅视频帧再解码成RGB图片；
S2、图像获取：检测视频流解析得到的图像中是否有人脸，若有人脸，则保留当前视频帧；若没有人脸，舍弃当前视频帧；
S3、模糊人脸处理：利用相场等优化方法对模糊人脸进行预处理，使人脸在理论范围内到达尽量清晰的标准，增强识别的效率与精度。
S4、清晰人脸参数化与识别：将图像以更简单的参数平面表示，可以使深度学习的输入特征更加明确，加快训练的效率。
2.根据权利要求1所述的一种高精度的模糊人脸识别方法，其特征在于：在S3中所述模糊人脸预处理步骤包括：
S3.1：人脸图像预处理：对图像进行降噪，灰度值平衡预处理操作，降低人脸受环境因素影响。
S3.2：相场优化模型处理步骤：
S3.2.1：对图像灰度值进行检测与分割，建立人脸边界模型；
S3.2.2：根据下述的相场公式来表示人脸图像，计算目标函数值J：
S3.2.3：将目标函数值J最小化，得到清晰化的人脸图像灰度分布φ；
S3.2.4：将灰度值分布转换为清晰化的人脸图像分布。
3.根据权利要求1所述的一种高精度的模糊人脸识别方法，其特征在于：在S4中清晰人脸参数化与识别步骤包括：
S4.1：人脸图像参数化：利用SVM等方法，利用已有的经验将图像，传统的SVM算法可以通过提取图像X的特征值λ来达到对图像的参数化，用α表示，实际操作类似于神经网络的单层结构。利用参数化能够集中特征，加快神经网络的训练：
S4.2：人脸图像识别：利用深度学习的框架对参数化的人脸图像进行训练，采用适用于此模型的卷积核，最后通过反参数化，达到模糊图像高精度高效识别的目的。
4.一种高精度的模糊人脸识别***，其特征在于：包括视频流解析模块、图像获取模块、模糊人脸处理模块和清晰人脸参数化与识别模块，所述视频流解析模块用于将摄像机拍摄的视频转换成RGB图片；所述图像获取模块用于检测带有人脸的所述RGB图片；所述模糊人脸处理模块用于优化所述RGB图片中的人脸清晰度；所述清晰人脸参数化与识别模块用于将所述RGB图片中清晰的人脸参数化。
5.根据权利要求4所述的一种高精度的模糊人脸识别***，其特征在于：所述模糊人脸处理模块包括人脸图像预处理单元和相场优化模型处理单元。
6.根据权利要求4所述的一种高精度的模糊人脸识别***，其特征在于：所述清晰人脸参数化与识别模块包括人脸图像参数化单元和人脸图像识别单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910748141.4A CN110472566B (zh) | 2019-08-14 | 2019-08-14 | 一种高精度的模糊人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910748141.4A CN110472566B (zh) | 2019-08-14 | 2019-08-14 | 一种高精度的模糊人脸识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472566A true CN110472566A (zh) | 2019-11-19 |
| CN110472566B CN110472566B (zh) | 2022-04-26 |
Family
ID=68510793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910748141.4A Active CN110472566B (zh) | 2019-08-14 | 2019-08-14 | 一种高精度的模糊人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472566B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214310A (zh) * | 2018-08-16 | 2019-01-15 | 安徽超清科技股份有限公司 | 提高人脸识别效率的方法和人脸识别*** |
| CN111460939A (zh) * | 2020-03-20 | 2020-07-28 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、***和一种巡检机器人 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN112614069A (zh) * | 2020-12-26 | 2021-04-06 | 数源科技股份有限公司 | 人脸图片降维模糊预处理方法 |
| CN113409207A (zh) * | 2021-06-15 | 2021-09-17 | 广州光锥元信息科技有限公司 | 一种人脸图像清晰度提升方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826092A (zh) * | 2009-08-24 | 2010-09-08 | 张艳红 | 基于序列仿真技术的图像搜索引擎 |
| CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、***及设备 |
| CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及*** |
| CN109657587A (zh) * | 2018-12-10 | 2019-04-19 | 南京甄视智能科技有限公司 | 用于人脸识别的侧脸质量评估方法和*** |
| CN109800657A (zh) * | 2018-12-25 | 2019-05-24 | 天津大学 | 一种针对模糊人脸图像的卷积神经网络人脸识别方法 |
| CN110084119A (zh) * | 2019-03-26 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于深度学习的低分辨率人脸图像识别方法 |
-
2019
- 2019-08-14 CN CN201910748141.4A patent/CN110472566B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826092A (zh) * | 2009-08-24 | 2010-09-08 | 张艳红 | 基于序列仿真技术的图像搜索引擎 |
| CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、***及设备 |
| CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及*** |
| CN109657587A (zh) * | 2018-12-10 | 2019-04-19 | 南京甄视智能科技有限公司 | 用于人脸识别的侧脸质量评估方法和*** |
| CN109800657A (zh) * | 2018-12-25 | 2019-05-24 | 天津大学 | 一种针对模糊人脸图像的卷积神经网络人脸识别方法 |
| CN110084119A (zh) * | 2019-03-26 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于深度学习的低分辨率人脸图像识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| DU XING等: "Fusing color and texture features for blurred face recognition", 《红外与激光工程》 * |
| 储久良等: "基于LPQ和Fisherfaces的模糊人脸识别", 《河南理工大学学报( 自然科学版)》 * |
| 刘学平: "低质量图像模糊人脸识别的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 彭俊石: "基于模糊规则的人脸识别方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214310A (zh) * | 2018-08-16 | 2019-01-15 | 安徽超清科技股份有限公司 | 提高人脸识别效率的方法和人脸识别*** |
| CN111460939A (zh) * | 2020-03-20 | 2020-07-28 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、***和一种巡检机器人 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN111488865B (zh) * | 2020-06-28 | 2020-10-27 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN112614069A (zh) * | 2020-12-26 | 2021-04-06 | 数源科技股份有限公司 | 人脸图片降维模糊预处理方法 |
| CN112614069B (zh) * | 2020-12-26 | 2022-08-30 | 数源科技股份有限公司 | 人脸图片降维模糊预处理方法 |
| CN113409207A (zh) * | 2021-06-15 | 2021-09-17 | 广州光锥元信息科技有限公司 | 一种人脸图像清晰度提升方法及装置 |
| CN113409207B (zh) * | 2021-06-15 | 2023-12-08 | 广州光锥元信息科技有限公司 | 一种人脸图像清晰度提升方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472566B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472566A (zh) | 一种高精度的模糊人脸识别方法与*** | |
| Chen et al. | A cascade face spoofing detector based on face anti-spoofing R-CNN and improved retinex LBP | |
| Kumar et al. | Learning-based approach to real time tracking and analysis of faces | |
| CN114241340B (zh) | 一种基于双路深度残差网络的图像目标检测方法及*** | |
| Daroya et al. | Alphabet sign language image classification using deep learning | |
| CN108053382A (zh) | 一种视觉特性去雾稳像探测*** | |
| CN107066963B (zh) | 一种自适应人群计数方法 | |
| CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
| CN111582092A (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
| CN105893941B (zh) | 一种基于区域图像的人脸表情识别方法 | |
| CN105426816A (zh) | 一种处理人脸图像的方法及装置 | |
| CN112883940A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
| CN111914601A (zh) | 一种基于深度学习的高效批量人脸识别和抠图*** | |
| CN113313684A (zh) | 一种暗光条件下基于视频的工业缺陷检测*** | |
| Yu et al. | The design of single moving object detection and recognition system based on OpenCV | |
| CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
| CN111369477A (zh) | 一种针对视频恢复任务的预分析和工具自适应的方法 | |
| Zhang et al. | Hand gesture detection and segmentation based on difference background image with complex background | |
| CN109191485A (zh) | 一种基于多层超图模型的多视频目标协同分割方法 | |
| Liu et al. | Implementation System of Human Eye Tracking Algorithm Based on FPGA. | |
| CN111627047A (zh) | 水下鱼类动态视觉序列运动目标检测方法 | |
| CN110532826A (zh) | 一种基于人工智能语义分割的条码识别装置与方法 | |
| Hao et al. | Information entropy augmented high density crowd counting network | |
| Farhani et al. | Object recognition approach based on generalized hough transform and color distribution serving in generating arabic sentences | |
| CN114429662A (zh) | 一种基于大数据的人脸识别与检索*** |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A High Precision Fuzzy Face Recognition Method Effective date of registration: 20231018 Granted publication date: 20220426 Pledgee: China Minsheng Banking Corp Wenzhou branch Pledgor: XUHUI EXCELLENCE HEALTH INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2023980061645 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |