CN111222436A - 一种图像混合识别方法及*** - Google Patents

一种图像混合识别方法及*** Download PDF

Info

Publication number
CN111222436A
CN111222436A CN201911399524.1A CN201911399524A CN111222436A CN 111222436 A CN111222436 A CN 111222436A CN 201911399524 A CN201911399524 A CN 201911399524A CN 111222436 A CN111222436 A CN 111222436A
Authority
CN
China
Prior art keywords
image
recognition
feature
file
feature point
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
Application number
CN201911399524.1A
Other languages
English (en)
Inventor
陈鋆哲
欧玉华
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.)
Guangzhou Zhaoyun Internet Technology Co ltd
Original Assignee
Guangzhou Zhaoyun Internet Technology Co ltd
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 Guangzhou Zhaoyun Internet Technology Co ltd filed Critical Guangzhou Zhaoyun Internet Technology Co ltd
Priority to CN201911399524.1A priority Critical patent/CN111222436A/zh
Publication of CN111222436A publication Critical patent/CN111222436A/zh
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

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 Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图像混合识别方法及***，包括如下步骤：获取待判断图像；通过图像识别技术识别所述待判断图像的特征，所述图像识别技术为基于深度神经网络的人脸特征点识别技术及图像特征点识别技术；基于所述特征建立判断图片特征文件；将所述判断图片特征文件与服务器特征文件库进行比对，判断是否有满足阈值的文件；判断为有则输出满足阈值的文件，判断为无则输出判断结果。本发明所述的方法结合人脸识别及图像特征点识别，识别准确率更高。

Description

一种图像混合识别方法及***
技术领域
本发明涉及计算机领域，尤其涉及一种关于图像混合识别方法及***。
背景技术
目前现有基于增强现实的图像识别技术，首先在云端远程主机上，上传目标图片，并通过图像特征点标记技术，转化为二进制文件，实现该图片的特征点标记和存储；用户在使用云端的现实增强技术时，将需要识别的场景截取为照片进行上传，并通过图像特征点标记技术，转化为二进制文件，与云端所存二进制文件进行比对，从而确认是否存在阈值内符合的图像特征二进制文件，确认后再将结果进行回传。该技术目前存在缺点主要在于图像特征点处理和分析上，由于只通过图像特征点进行提取和记录，因而在一些单人照片上，由于人物的特征点基本近似，在背景虚化且个人照为主的识别集合场景下，容易导致识别的重复比对或者错误，从而影响云端图像识别的效率及成功率。
发明内容
基于以上问题，本发明设计一种图像混合识别方法及***，其包括如下步骤：
一种图像混合识别方法，其特征在于，包括如下步骤：
获取图像步骤：获取待判断图像；
识别步骤：通过图像识别技术识别所述待判断图像的特征，所述图像识别技术为基于深度神经网络的人脸特征点识别技术及图像特征点识别技术；
建立特征文件步骤：基于所述特征建立判断图片特征文件；
比对步骤：将所述判断图片特征文件与服务器特征文件库进行比对，判断是否有满足阈值的文件；
输出结果步骤：判断为有则输出满足阈值的文件，判断为无则输出判断结果。
进一步的，所述特征文件库的建立方法为，获取待识别图像，根据图像识别技术识别图像特征，对多张待识别图像进行识别后，形成特征文件库。
进一步的，所述图像识别技术为基于深度神经网络的人脸特征点识别技术及图像特征点识别技术相结合。
进一步的，另一识别图像特征的方法为，判断所述图像是否存在人脸，判断为是则结合基于深度神经网络的人脸特征点识别技术及图像特征点识别技术进行图像特征识别，判断为否，则执行图像特征点识别技术进行图像特征识别。
进一步的，所述识别步骤中，识别所述待判断图像特征的方法为，判断所述待判断图像是否存在人脸，判断为是则结合基于深度神经网络的人脸特征点识别技术及图像特征点识别技术进行图像特征识别，判断为否，则执行图像特征点识别技术进行图像特征识别。
进一步的，判断所述待判断图像是否存在人脸的方法为通过卷积网络算法对图像进行卷积切割，再在每一个切割单元中寻找是否存在人脸。
进一步的，所述图像特征点识别技术具体为：对图像信息进行预处理，通过灰度算法对获得的图像进行第一阶处理；通过全局二极值算法那对灰度处理后的图像进行第二阶处理，获得特征点标记后形成特征点位置；通过边缘检测的方法进一步过滤图像进行第三阶段处理；通过图像增强方式强化留存线条进行第四阶段处理；在完成四阶段图像处理后，最后对图像进行特征点提取，通过判断线条交汇处的点来确认该图像的特征点群，并形成点群的相对坐标及位置。
进一步的，所述建立特征文件步骤中，建立特征文件的方法为：将人脸及图像识别形成的特征相对位置，以混合架构模式进行排列，排列后形成的二进制数据以xml文件格式进行存储，形成特征文件。
进一步的，所述图像识别步骤中，所述基于深度神经网络的人脸特征点识别及图像特征点识别同步进行或者分步进行。
本发明还包括一种图像混合识别***，其包括：
图像获取模块：用于获取需要识别的图像，图像识别模块包括但不限于PC电脑端浏览器、移动设备的浏览器、微信小程序、APP；
图像分析模块：用于识别图像特征点、建立图像特征文件、比对图像特征；
输出模块：用于输出图像特征比对结果；
服务器：用于存储图像及图像特征文件，该服务器为云服务器。
本发明的有益效果在于：
对比传统的云端增强现实的图像识别而言，本发明的方法具有更高的识别效率及准确率，尤其对于各种复杂环境的图片，尤其包含人脸元素，及识别目标图像集达到一定量级的情况下，本方法的识别准确率可以达到95％，而传统图像识别的方法，准确率仅为80％左右，由于加入了人脸环节，从而在某些情况下有效分流了图像主要元素为人脸的情况，避免传统识别方法在处理具有人脸元素的情况下的高消耗计算，因此本方面的平均识别速度较传统方法而言提升20％-30％。
附图说明
图1为本发明一种图像混合识别方法实施示意图；
图2为本发明另一种图像混合识别方法实施示意图；
图3为本发明另一种图像混合识别方法实施示意图；
图4为本发明图像特征点识别方法示意图；
图5为本发明一种图像混合识别***示意图。
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。
实施例1
本实施例为本发明一种图像混合识别方法，如图1所示。
一种图像混合识别方法，其包括以下步骤：
获取待判断图片，获取方法通常为通过客户端的增强现实目标生成程序(如PC电脑端浏览器、移动设备的浏览器、微信小程序、APP等)传入经过处理及压缩的目标摄像头产生的流媒体中其中数帧图片进入云端服务器。
通过基于深度神经网络的人脸特征识别技术及图像特征点识别技术进行图像特征点识别。基于深度神经网络的人脸特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行基于深度神经网络算法的人脸特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。图像特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行加工处理后的特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。
形成待判断图片的特征文件，即，将混合识别技术过程中保存的特征文件进行混合处理及合并，建立特有的混合识别特征文件。
与云端服务器存储的特征文件进行比对，是否有满足阈值的图像特征文件。将近似度高于在服务器设定的阈值的文件进行记录，存在高于服务器设定之阈值的文件，则进行比对，并向客户端及其他服务器端输出该对应图像或对应图像的名字。如果没有高于在服务器设定的阈值的文件，则输出满足条件的文件的结果。
本发明通过深度神经网络算法及图像特征点识别技术相结合，大大提高了识别的准确性。尤其在于存在人脸的图像中，若图像仅存在人脸的差别，不容易被图像特征点识别技术精确识别，因而需要结合人脸识别技术。
实施例2
本实施例为本发明另一种图像混合识别方法，如图2所示。
获取待识别图片，取方法通常为通过客户端的增强现实目标生成程序(如PC电脑端浏览器、移动设备的浏览器、微信小程序、APP等)传入经过处理及压缩的目标摄像头产生的流媒体中其中数帧图片进入云端服务器。
通过基于深度神经网络的人脸特征识别技术及图像特征点识别技术进行图像特征点识别。基于深度神经网络的人脸特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行基于深度神经网络算法的人脸特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。图像特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行加工处理后的特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。
形成识别图片特征文件：将混合识别技术过程中保存的特征文件进行混合处理及合并，形成特有的混合识别特征文件，并缓存于云端。
获取待判断图片，获取方法通常为通过客户端的增强现实目标生成程序(如PC电脑端浏览器、移动设备的浏览器、微信小程序、APP等)传入经过处理及压缩的目标摄像头产生的流媒体中，其中数帧图片进入云端服务器。
通过基于深度神经网络的人脸特征识别技术及图像特征点识别技术进行图像特征点识别。基于深度神经网络的人脸特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行基于深度神经网络算法的人脸特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。图像特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行加工处理后的特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。
形成待判断图片的特征文件，即，将混合识别技术过程中保存的特征文件进行混合处理及合并，建立特有的混合识别特征文件。
与云端服务器存储的特征文件库中的特征文件进行比对，是否有满足阈值的图像特征文件。将近似度高于在服务器设定的阈值的文件进行记录，存在高于服务器设定之阈值的文件，则进行比对，并向客户端及其他服务器端输出该对应图像或对应图像的名字。如果没有高于在服务器设定的阈值的文件，则输出满足条件的文件的结果。
本发明提前建立云端图像特征文件库，在识别图像时，直接比对特征文件库中的特征文件，同时，又可将新图像存储在云端服务器，调用方便。
实施例3
本实施例为本发明一种图像混合识别方法，如图3所示，本实施例与实施例2的不同之处在于，本实施例在获取图片步骤之后及执行图像识别步骤以前，增加判断是否有人脸步骤。
获取待识别图片，取方法通常为通过客户端的增强现实目标生成程序(如PC电脑端浏览器、移动设备的浏览器、微信小程序、APP等)传入经过处理及压缩的目标摄像头产生的流媒体中，其中数帧图片进入云端服务器。
通过深度网络神经形成的人脸判断模型，快速实现图片中对于人脸的抓取和判断，从而确认选择运用混合识别的哪一类方法进行特征文件生成。
若判断为有则通过基于深度神经网络的人脸特征识别及图像特征点识别进行图像特征点识别。
若判断为否，则只执行图像特征点识别对图像进行特征识别。
形成判断图片特征文件：将混合识别技术过程中保存的特征文件进行混合处理及合并，形成特有的混合识别特征文件，并缓存于云端。
获取待判断图片，获取方法通常为通过客户端的增强现实目标生成程序(如PC电脑端浏览器、移动设备的浏览器、微信小程序、APP等)传入经过处理及压缩的目标摄像头产生的流媒体中，其中数帧图片进入云端服务器。
通过深度网络神经形成的人脸判断模型，快速实现图片中对于人脸的抓取和判断，从而确认选择运用混合识别的哪一类方法进行特征文件生成。
若判断为有则通过基于深度神经网络的人脸特征识别及图像特征点识别进行图像特征点识别。
若判断为否，则只执行图像特征点识别对图像进行特征识别。
通过基于深度神经网络的人脸特征识别技术及图像特征点识别技术进行图像特征点识别。基于深度神经网络的人脸特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行基于深度神经网络算法的人脸特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。图像特征点识别技术：对图片实行混合识别技术，其中本进程为对图片进行加工处理后的特征点识别及提取，标记特征点相对位置，最后保存为二进制特征文件。
形成待判断图片的特征文件，即，将混合识别技术过程中保存的特征文件进行混合处理及合并，建立特有的混合识别特征文件。
与云端服务器存储的特征文件库中的特征文件进行比对，是否有满足阈值的图像特征文件。将近似度高于在服务器设定的阈值的文件进行记录，存在高于服务器设定之阈值的文件，则进行比对，并向客户端及其他服务器端输出该对应图像或对应图像的名字。如果没有高于在服务器设定的阈值的文件，则输出满足条件的文件的结果。
通过深度网络神经形成的人脸判断模型，快速实现图片中对于人脸的抓取和判断，并按人脸存在与否来决定单项运用人脸识别算法或者图像识别算法，还是并行运用两种算法，并生成特征文件。经判断是否存在人脸后再做下一步计算，可以减少不必要的数据运算。
在本发明中，如图4所示，图像特征点识别方法为：
S10对图像信息进行预处理，通过灰度算法对获得图像进行第一阶处理。
S12通过全局二极值算法对灰度处理后的图像进行第二阶处理，.获得特征点标记后形成相对特征点位置。
S14通过边缘检测的方法进一步过滤图像，进行第三阶段处理。
S16通过图像增强方式强化留存线条，进行第四阶段处理。
S18在完成四阶段图像处理后，最后对图像进行特征点提取，通过判断线条交汇处的点来确认该图像的特征点群，并形成点群的相对坐标及位置。
本发明中，判断是否存在人脸的方法为：
通过卷积网络算法那对图像进行一定大小的卷积切割及寻找人脸在图像的具***置并进行标注。
寻到被标注的人脸后，对人脸进行72个关键点位定点及标记其相对位置。
对人脸是否存在进行判断，并按人脸存在与否来决定单项运用人脸识别算法或者图像识别算法还是并行运用两种算法。
实施例4
本实施例为本发明一种图像混合识别***，如图5所示。
该***包括：
图像获取模块，用于获取图像，其形式包括如PC电脑端浏览器、移动设备的浏览器、微信小程序、APP等。
图像识别模块。用于识别图像特征点、建立图像特征文件、比对图像特征。
图像输出模块，用于输出特征点比对结果，如图像、图像名称、无匹配结果提示等。
服务器，在本实施例中，该服务器为云服务器，用于储存图像及图像特征文件。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

Claims (10)

1.一种图像混合识别方法，其特征在于，包括如下步骤：
获取图像步骤：获取待判断图像；
识别步骤：通过图像识别技术识别所述待判断图像的特征，具体识别方法为基于深度神经网络的人脸特征点识别技术及图像特征点识别技术相结合；
建立特征文件步骤：基于所述特征建立判断图片特征文件；
比对步骤：将所述判断图片特征文件与服务器特征文件库进行比对，判断是否有满足阈值的文件；
输出结果步骤：判断为有则输出满足阈值的文件，判断为无则输出判断结果。
2.如权利要求1所述的图像混合识别方法，其特征在于，所述特征文件库的建立方法为，获取待识别图像，根据图像识别技术识别图像特征，对多张待识别图像进行识别后，形成特征文件库。
3.如权利要求2所述的图像混合识别方法，其特征在于，所述图像识别技术为基于深度神经网络的人脸特征点识别技术及图像特征点识别技术相结合。
4.如权利要求2所述的图像混合识别方法，其特征在于，识别图像特征的方法为，判断所述图像是否存在人脸，判断为是则结合基于深度神经网络的人脸特征点识别技术及图像特征点识别技术进行图像特征识别，判断为否，则执行图像特征点识别技术进行图像特征识别。
5.如权利要求1所述的图像混合识别方法，其特征在于，所述识别步骤中，另一识别所述待判断图像特征的方法为，判断所述待判断图像是否存在人脸，判断为是则结合基于深度神经网络的人脸特征点识别技术及图像特征点识别技术进行图像特征识别，判断为否，则执行图像特征点识别技术进行图像特征识别。
6.如权利要求5所述的图像混合识别方法，其特征在于，判断所述待判断图像是否存在人脸的方法为通过卷积网络算法对图像进行卷积切割，再在每一个切割单元中寻找是否存在人脸。
7.如权利要求1所述的图像混合识别方法，其特征在于，所述图像特征点识别技术具体为：对图像信息进行预处理，通过灰度算法对获得的图像进行第一阶处理；通过全局二极值算法那对灰度处理后的图像进行第二阶处理，获得特征点标记后形成特征点位置；通过边缘检测的方法进一步过滤图像进行第三阶段处理；通过图像增强方式强化留存线条进行第四阶段处理；在完成四阶段图像处理后，最后对图像进行特征点提取，通过判断线条交汇处的点来确认该图像的特征点群，并形成点群的相对坐标及位置。
8.如权利要求1所述的图像混合识别方法，其特征在于，所述建立特征文件步骤中，建立特征文件的方法为：将人脸及图像识别形成的特征相对位置，以混合架构模式进行排列，排列后形成的二进制数据以xml文件格式进行存储，形成特征文件。
9.如权利要求1所述的图像混合识别方法，其特征在于，所述图像识别步骤中，所述基于深度神经网络的人脸特征点识别及图像特征点识别同步进行或者分步进行。
10.一种图像混合识别***，其特征在于，其包括：
图像获取模块：用于获取需要识别的图像，图像识别模块包括但不限于PC电脑端浏览器、移动设备的浏览器、微信小程序、APP；
图像分析模块：用于识别图像特征点、建立图像特征文件、比对图像特征；
输出模块：用于输出图像特征比对结果；
服务器：用于存储图像及图像特征文件，服务器为云服务器。
CN201911399524.1A 2019-12-30 2019-12-30 一种图像混合识别方法及*** Pending CN111222436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911399524.1A CN111222436A (zh) 2019-12-30 2019-12-30 一种图像混合识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911399524.1A CN111222436A (zh) 2019-12-30 2019-12-30 一种图像混合识别方法及***

Publications (1)

Publication Number Publication Date
CN111222436A true CN111222436A (zh) 2020-06-02

Family

ID=70828002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911399524.1A Pending CN111222436A (zh) 2019-12-30 2019-12-30 一种图像混合识别方法及***

Country Status (1)

Country Link
CN (1) CN111222436A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012243285A (ja) * 2011-05-24 2012-12-10 Canon Inc 特徴点位置決定装置、特徴点位置決定方法及びプログラム
CN103824075A (zh) * 2014-02-18 2014-05-28 深圳天源迪科信息技术股份有限公司 图像识别***及方法
CN103942577A (zh) * 2014-04-29 2014-07-23 上海复控华龙微***技术有限公司 视频监控中基于自建立样本库及混合特征的身份识别方法
CN105512638A (zh) * 2015-12-24 2016-04-20 黄江 一种基于融合特征的人脸检测与对齐方法
CN110070005A (zh) * 2019-04-02 2019-07-30 腾讯科技（深圳）有限公司 图像目标识别方法、装置、存储介质及电子设备
CN110084100A (zh) * 2019-03-14 2019-08-02 中科恒运股份有限公司 人脸识别方法及装置
CN110457991A (zh) * 2019-06-24 2019-11-15 平安科技（深圳）有限公司 图片特征值文件优化方法、装置、终端与存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012243285A (ja) * 2011-05-24 2012-12-10 Canon Inc 特徴点位置決定装置、特徴点位置決定方法及びプログラム
CN103824075A (zh) * 2014-02-18 2014-05-28 深圳天源迪科信息技术股份有限公司 图像识别***及方法
CN103942577A (zh) * 2014-04-29 2014-07-23 上海复控华龙微***技术有限公司 视频监控中基于自建立样本库及混合特征的身份识别方法
CN105512638A (zh) * 2015-12-24 2016-04-20 黄江 一种基于融合特征的人脸检测与对齐方法
CN110084100A (zh) * 2019-03-14 2019-08-02 中科恒运股份有限公司 人脸识别方法及装置
CN110070005A (zh) * 2019-04-02 2019-07-30 腾讯科技（深圳）有限公司 图像目标识别方法、装置、存储介质及电子设备
CN110457991A (zh) * 2019-06-24 2019-11-15 平安科技（深圳）有限公司 图片特征值文件优化方法、装置、终端与存储介质

Similar Documents

Publication Publication Date Title
WO2021036059A1 (zh) 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN109101602B (zh) 图像检索模型训练方法、图像检索方法、设备及存储介质
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和***
CN105740775B (zh) 一种三维人脸活体识别方法及其装置
TWI395145B (zh) 手勢辨識系統及其方法
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN110569341B (zh) 配置聊天机器人的方法、装置、计算机设备和存储介质
US20050232490A1 (en) Red-eye detection device, red-eye detection method, and red-eye detection program
JP2014232533A (ja) Ｏｃｒ出力検証システム及び方法
CN114155546B (zh) 一种图像矫正方法、装置、电子设备和存储介质
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN112070649A (zh) 一种去除特定字符串水印的方法及***
CN111898520A (zh) 证件真伪识别方法、装置、计算机可读介质及电子设备
CN111104813A (zh) 二维码图像关键点检测方法、装置、电子设备及存储介质
CN111681215A (zh) 卷积神经网络模型训练方法、加工件缺陷检测方法及装置
Nawaz et al. Single and multiple regions duplication detections in digital images with applications in image forensic
WO2014188446A2 (en) Method and apparatus for image matching
Flor et al. PRNU-based source camera identification for multimedia forensics
CN114494751A (zh) 证照信息识别方法、装置、设备及介质
US10991085B2 (en) Classifying panoramic images
CN110443306B (zh) 葡萄酒木塞的鉴伪方法
CN111222436A (zh) 一种图像混合识别方法及***
CN112184843B (zh) 图像数据压缩的冗余数据去除***及方法
Qu An approach based on object detection for image forensics
CN111062388B (zh) 基于深度学习的广告文字的识别方法、***、介质及设备

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