CN110751071A - 人脸识别方法及装置、存储介质、计算设备 - Google Patents
人脸识别方法及装置、存储介质、计算设备 Download PDFInfo
- Publication number
- CN110751071A CN110751071A CN201910967124.XA CN201910967124A CN110751071A CN 110751071 A CN110751071 A CN 110751071A CN 201910967124 A CN201910967124 A CN 201910967124A CN 110751071 A CN110751071 A CN 110751071A
- Authority
- CN
- China
- Prior art keywords
- face picture
- face
- picture
- similarity
- feature vector
- 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
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
- 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
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
一种人脸识别方法及装置、存储介质、计算设备,所述人脸识别方法包括:获取第一人脸图片和第二人脸图片;基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。通过本发明提供的技术方案,可以得到更加精准地人脸比对结果。
Description
技术领域
本发明涉及人脸识别技术领域,具体地涉及一种人脸识别方法及装置、存储介质、计算设备。
背景技术
在用户的贷款申请环节中,对用户的身份认证是必不可少的环节。对于网络借贷而言,大多数金融机构都会要求用户上传手持身份证的照片。
通常情况下,当使用人脸比对的方法表示照片中用户的人脸和身份证中的人脸一致,即人脸比对结果通过,则进入贷款申请的下一个环节。但是,在人脸比对环节中,可能存在不法分子使用图片处理软件进行图片处理,以进行网络欺诈。
例如,不法分子可以对照片中手持身份证中的用户的人脸部分进行处理,将其盗取的身份证中的人脸提取出来,并且替代手持用户的真实人脸。如果不法分子采用该欺诈手法,那么由于两张脸是高度一样的,可以很轻松地通过当前技术采用的人脸比对算法,进而导致不法分子欺诈成功。
发明内容
本发明解决的技术问题是如何得到精准度更高的人脸比对结果。
为解决上述技术问题,本发明实施例提供一种人脸识别方法,包括:获取第一人脸图片和第二人脸图片;基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
可选的,所述获取第一人脸图片和第二人脸图片包括:基于多任务级联卷积网络人脸检测与对准算法,获取所述第一人脸图片和第二人脸图片。
可选的,所述第一人脸图片的特征向量包括多个第一关键点特征向量,所述第二人脸图片的特征向量包括多个第二关键点特征向量,所述根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度包括:对于全部所述第一关键点特征向量和全部所述第二关键点特征向量,遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离,以得到欧式距离集合;对于所述欧式距离集合中的每一欧式距离,确定其中小于预设欧式距离的欧式距离的数量,并将所述数量作为所述相似度。
可选的,所述遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离包括:采用暴风算法,遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离。
可选的,所述第一人脸图片和第二人脸图片位于同一图片中,所述比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸包括:当所述相似度大于或等于预设阈值时,确定所述图片为虚假图片,否则,确定所述图片为真实图片。
可选的,所述第一人脸图片选自于图像中,所述第二人脸图片选自于所述图像外,所述比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片包括:当所述相似度大于或等于预设阈值时,确定所述第一人脸图片和第二人脸图片属于同一人,否则,确定所述第一人脸图片和第二人脸图片不属于同一人。
为解决上述技术问题,本发明实施例还提供一种人脸识别装置,包括:获取模块,用于获取第一人脸图片和第二人脸图片;提取模块,基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;判断模块,用于根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;比较模块,用于比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
可选的,所述获取模块包括:获取子模块,基于多任务级联卷积网络进行人脸检测与对准算法,获取所述第一人脸图片和第二人脸图片。
为解决上述技术问题,本发明实施例还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述方法的步骤。
为解决上述技术问题,本发明实施例还提供一种计算设备,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计算机指令,所述处理器运行所述计算机指令时执行上述方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明实施例提供一种人脸确定方法,包括:确定第一人脸图片和第二人脸图片;基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。本发明实施例利用尺度不变特征变换算法,可以从所述第一人脸图片和第二人脸图片中提取出人脸的局部特征,由于尺度不变特征算法提取出的特征向量对于光线、噪声、些微视角改变等具有很高的容忍度,因而可以更加准确地确定第一人脸图片和第二人脸图片是否为同一人脸图片,得到精准度更高的人脸比对结果,更易于识别出所述第一人脸图片和第二人脸图片是否为经过图像处理的图片,有利于更加准确地甄别图像和/或图片的真实性。
进一步,所述获取第一人脸图片和第二人脸图片包括:基于多任务级联卷积网络人脸检测与对准算法,获取所述第一人脸图片和第二人脸图片。本发明实施例采用多任务级联卷积网络人脸检测与对准算法,可以利用该算法的优势,快速且准确地找出第一人脸图片和第二人脸图片。
附图说明
图1是本发明实施例的一种人脸识别方法的流程示意图;
图2是本发明实施例的一种人脸识别装置的结构示意图。
具体实施方式
本领域技术人员理解,如背景技术所言,现有机制存在缺陷,易于使得不法分子利用图像处理方法进行欺诈,获取不当利益。
本发明实施例提供一种人脸确定方法,包括:确定第一人脸图片和第二人脸图片;基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
本发明实施例利用尺度不变特征变换算法,可以从所述第一人脸图片和第二人脸图片中提取出人脸的局部特征,由于尺度不变特征算法提取出的特征向量对于光线、噪声、些微视角改变等具有很高的容忍度,因而可以更加准确地确定第一人脸图片和第二人脸图片是否为同一人脸图片,得到精准度更高的人脸比对结果,更易于识别出所述第一人脸图片和第二人脸图片是否为经过图像处理的图片,有利于更加准确地甄别图像和/或图片的真实性。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种人脸识别方法的流程示意图。所述人脸识别方法可以由计算设备,例如服务器、个人终端等执行。
具体而言,所述人脸识别方法可以包括以下步骤:
步骤S101,获取第一人脸图片和第二人脸图片;
步骤S102,基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;
步骤S103,根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;
步骤S104,比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
更具体而言,在步骤S101中,可以从图片或图像中获取第一人脸图片和第二人脸图片。
在一个实施例中,所述第一人脸图片和第二人脸图片可以位于同一图片中。在实际应用中,所述第一人脸图片和第二人脸图片可以位于通过手机或相机拍摄得到的照片中。
在另一个实施例中,所述第一人脸图片可以是从图像中抓取得到的,所述第二人脸图片可以位于图片中,也即,第一人脸图片和第二人脸图片来自于不同的来源。或者,所述第一人脸图片可以位于图片中,所述第二人脸图片可以是从图像中抓取得到的。
例如,所述第一人脸图片可以是从摄像头拍摄的图像中抓取到的,所述第二人脸图片可以位于照片中,例如所述第二人脸图片可以取自于身份证的照片。
在一个实施例中,可以基于多任务级联卷积网络人脸检测与对准算法(JointFace Detection and Alignment using Multi-task Cascaded ConvolutionalNetworks,简称JDA-MTCNN),获取所述第一人脸图片和第二人脸图片。
在步骤S102中,可以基于尺度不变特征变换算法(Scale-invariant featuretransform,简称SIFT),提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量,以下分别称为第一SIFT特征向量和第二SIFT特征向量。SIFT算法具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。
SIFT特征向量对应的SIFT特征可以表征图像局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持很高的容忍性。
假设图片中包括用户手持身份证,身份证中包括人脸图像,在对该图片进行处理时,即使该图片中,用户的头像(人脸部位)是处理除对头像进行放大粘贴、色彩调整,以及光照调节采用SIFT算法提取的SIFT特征向量也不会改变人脸的局部特征。
在步骤S103中,可以根据所述第一特征向量和第二特征向量判断所述第一人脸图片和第二人脸图片的相似度。
具体而言,在获得两张人脸图片的SIFT特征向量后,就可以采用关键点特征向量的欧式距离作为依据,判断两张人脸图片的相似性。在具体实施中,所述第一SIFT特征向量包括多个第一关键点特征向量,所述第二人脸图片的第二SIFT特征向量包括多个第二关键点特征向量。
对于全部所述第一关键点特征向量和全部所述第二关键点特征向量,可以计算任意第一关键点特征向量和第二关键点特征向量之间的欧式距离,各个欧式距离可以形成欧式距离集合。之后,可以确定所述欧式距离集合中的每一欧式距离小于预设欧式距离的欧式距离的数量,并将所述数量作为所述相似度。
在一个实施例中,可以采用暴风(Brute Force)算法,计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离。该暴风算法计算欧式距离的效果较好。
作为一个变化例,可以从所述第一SIFT特征向量中选取一个第一关键点特征向量,通过遍历的方法计算该第一关键点向量与任一第二关键点特征向量之间的欧式距离,并选取距离最近的两个第二关键点特征向量,如果最近距离除以次近距离之商小于预设阈值,则判定所述第二关键点特征向量对应的关键点与选取的第一关键点特征向量对应的关键点是一对匹配点,否则判定结果表明两个关键点不是匹配点。从所述第一SIFT特征向量的剩余关键点特征向量中选取一个关键点特征向量,重复上述过程,直至遍历所述第一SIFT特征向量的所有关键点特征向量。在确定匹配点数量后,将匹配点数量作为所述相似度的值。
在步骤S104中,所述第一人脸图片和第二人脸图片位于同一图片中,如果所述相似度大于或等于预先确定的预设阈值,那么可以确定所述图片为虚假图片。否则,如果所述相似度小于预先确定的预设阈值,那么可以确定所述图片为真实图片。
例如,用户上传的图片中包括第一人脸图片和第二人脸图片。其中,所述第一人脸图片为身份证中的人脸图片,所述第二人脸图片为手持身份证的用户的人脸图片。如果所述用户的人脸图片和所述身份证中的人脸图片的相似度高于所述预设阈值,那么可以判定用户上传的图片是经图像处理生成的图片,为虚假图片。本发明实施例可以用于网络借贷机构识别真实用户或欺诈用户。
在一个变化例中,所述第一人脸图片选自于图像中,所述第二人脸图片选自于所述图像外,如果两张人脸图片的相似度大于或等于预先确定的预设阈值,那么可以确定所述第一人脸图片和第二人脸图片属于同一人。否则,如果所述相似度小于所述预设阈值,那么可以确定所述第一人脸图片和第二人脸图片不属于同一人。
例如,可以在获取到的视频图像中抓取到某个人的人脸,并将其作为第一人脸图片。所述第二人脸图片是身份证中的人脸图片。如果两张人脸图片的相似度大于或等于预先确定的预设阈值,那么可以确定所述第一人脸图片和第二人脸图片属于同一人。否则,可以确定所述第一人脸图片和第二人脸图片不属于同一人。本发明实施例可以用于抓捕在逃罪犯。
由上,本发明实施例充分利用SIFT特征向量对于光线、噪声、些微视角改变的高容忍度,使用SIFT算法甄别图片和/或图像,可以得到精准度更高的人脸比对结果。当同一图片或图像中出现相似人脸时,可以快速、高效地识别图像、图片的真实性。例如,可以准确并且快速地发现欺诈团伙图片处理过的照片。
图2是本发明实施例的一种人脸识别装置的结构示意图。所述人脸识别装置2可以实施图1所示方法技术方案,由计算设备执行。
具体而言,所述人脸识别装置2可以包括:获取模块21,用于获取第一人脸图片和第二人脸图片;提取模块22,基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;判断模块23,用于根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;比较模块24,用于比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
在具体实施中,所述获取模块21可以包括获取子模块211,基于多任务级联卷积网络人脸检测与对准算法,获取所述第一人脸图片和第二人脸图片。
在具体实施中,所述第一人脸图片的特征向量包括多个第一关键点特征向量,所述第二人脸图片的特征向量包括多个第二关键点特征向量,所述判断模块23可以包括:遍历子模块231,对于全部所述第一关键点特征向量和全部所述第二关键点特征向量,遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离,以得到欧式距离集合;第一确定子模块232,对于所述欧式距离集合中的每一欧式距离,确定其中小于预设欧式距离的欧式距离的数量,并将所述数量作为所述相似度。
在具体实施中,所述遍历子模块231适于采用暴风算法,遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离。
在一个实施例中,所述第一人脸图片和第二人脸图片位于同一图片中,所述比较模块24可以包括:第二确定子模块241,用于当所述相似度大于或等于预设阈值时,确定所述图片为虚假图片,否则,确定所述图片为真实图片。
在另一个实施例,所述第一人脸图片选自于图像中,所述第二人脸图片选自于所述图像外,所述比较模块24可以包括:第三确定子模块242,用于当所述相似度大于或等于预设阈值时,确定所述第一人脸图片和第二人脸图片属于同一人,否则,确定所述第一人脸图片和第二人脸图片不属于同一人。
关于所述人脸识别装置2的工作原理、工作方式的更多内容,可以一并参照上述图1中的相关描述,这里不再赘述。
进一步地,本发明实施例还公开一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述图1所示实施例中所述方法技术方案。优选地,所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地,本发明实施例还公开一种计算设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述图1所示实施例中所述的方法技术方案。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取第一人脸图片和第二人脸图片;
基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;
根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;
比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述获取第一人脸图片和第二人脸图片包括:
基于多任务级联卷积网络人脸检测与对准算法,获取所述第一人脸图片和第二人脸图片。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述第一人脸图片的特征向量包括多个第一关键点特征向量,所述第二人脸图片的特征向量包括多个第二关键点特征向量,所述根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度包括:
对于全部所述第一关键点特征向量和全部所述第二关键点特征向量,遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离,以得到欧式距离集合;
对于所述欧式距离集合中的每一欧式距离,确定其中小于预设欧式距离的欧式距离的数量,并将所述数量作为所述相似度。
4.根据权利要求3所述的人脸识别方法,其特征在于,所述遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离包括:
采用暴风算法,遍历计算所述第一关键点特征向量与所述第二关键点特征向量之间的欧式距离。
5.根据权利要求1至4任一项所述的人脸识别方法,其特征在于,所述第一人脸图片和第二人脸图片位于同一图片中,所述比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸包括:
当所述相似度大于或等于预设阈值时,确定所述图片为虚假图片,否则,确定所述图片为真实图片。
6.根据权利要求1至4任一项所述的人脸识别方法,其特征在于,所述第一人脸图片选自于图像中,所述第二人脸图片选自于所述图像外,所述比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片包括:
当所述相似度大于或等于预设阈值时,确定所述第一人脸图片和第二人脸图片属于同一人,否则,确定所述第一人脸图片和第二人脸图片不属于同一人。
7.一种人脸识别装置,其特征在于,包括:
获取模块,用于获取第一人脸图片和第二人脸图片;
提取模块,基于尺度不变特征变换算法,提取所述第一人脸图片和第二人脸图片的特征,以得到所述第一人脸图片和第二人脸图片各自的特征向量;
判断模块,用于根据所述特征向量判断所述第一人脸图片和第二人脸图片的相似度;
比较模块,用于比较所述相似度和预设阈值,以确定所述第一人脸图片和第二人脸图片是否为同一人脸图片。
8.根据权利要求7所述的人脸识别装置,其特征在于,所述获取模块包括:获取子模块,基于多任务级联卷积网络进行人脸检测与对准算法,获取所述第一人脸图片和第二人脸图片。
9.一种存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至6任一项所述的方法的步骤。
10.一种计算设备,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计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967124.XA CN110751071A (zh) | 2019-10-12 | 2019-10-12 | 人脸识别方法及装置、存储介质、计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967124.XA CN110751071A (zh) | 2019-10-12 | 2019-10-12 | 人脸识别方法及装置、存储介质、计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751071A true CN110751071A (zh) | 2020-02-04 |
Family
ID=69278060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910967124.XA Pending CN110751071A (zh) | 2019-10-12 | 2019-10-12 | 人脸识别方法及装置、存储介质、计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751071A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652148A (zh) * | 2020-06-04 | 2020-09-11 | 航天科工智慧产业发展有限公司 | 人脸识别方法、装置与电子设备 |
CN111814697A (zh) * | 2020-07-13 | 2020-10-23 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、***及电子设备 |
CN112184702A (zh) * | 2020-10-27 | 2021-01-05 | 携程计算机技术(上海)有限公司 | 图片作弊检测方法、装置、电子设备、存储介质 |
CN113536844A (zh) * | 2020-04-16 | 2021-10-22 | 中移(成都)信息通信科技有限公司 | 人脸对比方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510257A (zh) * | 2009-03-31 | 2009-08-19 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
CN104036524A (zh) * | 2014-06-18 | 2014-09-10 | 哈尔滨工程大学 | 一种改进sift算法的快速目标跟踪方法 |
CN108268881A (zh) * | 2016-12-30 | 2018-07-10 | 中兴通讯股份有限公司 | 电子设备、目标图像识别方法及装置 |
CN109063581A (zh) * | 2017-10-20 | 2018-12-21 | 奥瞳***科技有限公司 | 用于有限资源嵌入式视觉***的增强型人脸检测和人脸跟踪方法和*** |
CN109934118A (zh) * | 2019-02-19 | 2019-06-25 | 河北大学 | 一种手背静脉身份识别方法 |
-
2019
- 2019-10-12 CN CN201910967124.XA patent/CN110751071A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510257A (zh) * | 2009-03-31 | 2009-08-19 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
CN104036524A (zh) * | 2014-06-18 | 2014-09-10 | 哈尔滨工程大学 | 一种改进sift算法的快速目标跟踪方法 |
CN108268881A (zh) * | 2016-12-30 | 2018-07-10 | 中兴通讯股份有限公司 | 电子设备、目标图像识别方法及装置 |
CN109063581A (zh) * | 2017-10-20 | 2018-12-21 | 奥瞳***科技有限公司 | 用于有限资源嵌入式视觉***的增强型人脸检测和人脸跟踪方法和*** |
CN109934118A (zh) * | 2019-02-19 | 2019-06-25 | 河北大学 | 一种手背静脉身份识别方法 |
Non-Patent Citations (3)
Title |
---|
HIRDESH KUMAR ET AL.: ""Face Recognition using SIFT by varying Distance Calculation Matching Method"", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS(0975-888)》 * |
KAIPENG ZHANG ET AL.: ""Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks"", 《IEEE》 * |
闫家梅: ""基于SIFT特征的人脸识别"", 《科学技术与工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536844A (zh) * | 2020-04-16 | 2021-10-22 | 中移(成都)信息通信科技有限公司 | 人脸对比方法、装置、设备及介质 |
CN113536844B (zh) * | 2020-04-16 | 2023-10-31 | 中移(成都)信息通信科技有限公司 | 人脸对比方法、装置、设备及介质 |
CN111652148A (zh) * | 2020-06-04 | 2020-09-11 | 航天科工智慧产业发展有限公司 | 人脸识别方法、装置与电子设备 |
CN111652148B (zh) * | 2020-06-04 | 2024-07-12 | 航天科工智慧产业发展有限公司 | 人脸识别方法、装置与电子设备 |
CN111814697A (zh) * | 2020-07-13 | 2020-10-23 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、***及电子设备 |
CN111814697B (zh) * | 2020-07-13 | 2024-02-13 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、***及电子设备 |
CN112184702A (zh) * | 2020-10-27 | 2021-01-05 | 携程计算机技术(上海)有限公司 | 图片作弊检测方法、装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Priesnitz et al. | An overview of touchless 2D fingerprint recognition | |
Bulatov et al. | Smart IDReader: Document recognition in video stream | |
Garcia et al. | Face-spoofing 2D-detection based on Moiré-pattern analysis | |
Kim et al. | Face liveness detection from a single image via diffusion speed model | |
CN110751071A (zh) | 人脸识别方法及装置、存储介质、计算设备 | |
US8064653B2 (en) | Method and system of person identification by facial image | |
Pang et al. | Classifying discriminative features for blur detection | |
US9489566B2 (en) | Image recognition apparatus and image recognition method for identifying object | |
Deepa et al. | Face recognition using spectrum-based feature extraction | |
WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
US11367310B2 (en) | Method and apparatus for identity verification, electronic device, computer program, and storage medium | |
Hammudoglu et al. | Portable trust: biometric-based authentication and blockchain storage for self-sovereign identity systems | |
CN106056083B (zh) | 一种信息处理方法及终端 | |
CN110866466A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN110838119A (zh) | 人脸图像质量评估方法、计算机装置及计算机可读存储介质 | |
CN111079816A (zh) | 图像的审核方法、装置和服务器 | |
CN112200136A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
Yeh et al. | Face liveness detection based on perceptual image quality assessment features with multi-scale analysis | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN111783770A (zh) | 图像的矫正方法、装置和计算机可读存储介质 | |
CN111222452A (zh) | 一种人脸匹配方法、装置、电子设备及可读存储介质 | |
KR100777922B1 (ko) | 영상인식을 이용한 개인인증 및 전자서명 시스템 및 그방법 | |
Yeh et al. | Face liveness detection with feature discrimination between sharpness and blurriness | |
Chen et al. | Face deduplication in video surveillance | |
Montibeller et al. | GPU-accelerated SIFT-aided source identification of stabilized videos |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |