CN111723755A - 人脸识别底库的优化方法与*** - Google Patents

人脸识别底库的优化方法与*** Download PDF

Info

Publication number
CN111723755A
CN111723755A CN202010586533.8A CN202010586533A CN111723755A CN 111723755 A CN111723755 A CN 111723755A CN 202010586533 A CN202010586533 A CN 202010586533A CN 111723755 A CN111723755 A CN 111723755A
Authority
CN
China
Prior art keywords
face
glasses
base
face image
image
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
CN202010586533.8A
Other languages
English (en)
Other versions
CN111723755B (zh
Inventor
杨帆
朱莹
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.)
Xiaoshi Technology Jiangsu Co ltd
Original Assignee
Nanjing Zhenshi Intelligent 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 Nanjing Zhenshi Intelligent Technology Co Ltd filed Critical Nanjing Zhenshi Intelligent Technology Co Ltd
Priority to CN202010586533.8A priority Critical patent/CN111723755B/zh
Publication of CN111723755A publication Critical patent/CN111723755A/zh
Application granted granted Critical
Publication of CN111723755B publication Critical patent/CN111723755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供一种人脸识别底库的优化方法与***，包括：从人脸识别底库中获取一人脸图像；检测所述人脸图像中的人脸是否佩戴眼镜；响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。本发明旨在通过合成配戴眼镜的图像优化人脸识别底库，根据原始底库合成多张佩戴不同眼镜的图片，形成多维底库，通过PCA对多维底库特征降维，减少配戴眼镜以及不同类型眼镜对戴口罩人脸识别的影响。

Description

人脸识别底库的优化方法与***
技术领域
本发明涉及人脸识别技术领域，具体而言涉及一种人脸识别底库的优化方法与***。
背景技术
人脸识别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，输入人脸图像的特征与底库人脸图像的特征进行逐一对比，找出与输入图像特征相似度最高的底库图像，如果相似度大于预先设置的相似度阈值，则该底库图像与输入图像为同一个人，否则无法确定输入图像的身份。
底库人脸图像的质量会直接影响人脸识别的效果，在不戴口罩的人脸识别场景下，需要采用一张高质量的人脸照片作为底库。在戴口罩的人脸识别场景下，口罩遮住了人脸嘴巴、鼻子等重要信息，识别的重点在于眼部区域，利于基于局部关注度增强的识别算法(尤其是眼部特征)，但眼镜的佩戴情况会对人脸识别产生较大的干扰。由于通常人脸底库是通过采集较高质量的人脸照片进行特征提取得到的，尤其是在不带眼镜的和口罩的情况下，因此在戴口罩的人脸识别场景下，实际获取的人脸图像与底库人脸图像的眼镜信息不匹配时，易出现误识别或者识别不通过的现象。
发明内容
为实现上述目的，本发明的第一方面提出一种人脸识别底库的优化方法，包括以下步骤：
从人脸识别底库中获取一人脸图像；
检测所述人脸图像中的人脸是否佩戴眼镜；
响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；
分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及
采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。
优选地，所述人脸图像与眼镜图像的合成，首先提取人脸的眼部关键点，根据眼部关键点，将眼镜与眼部对齐，再根据眼镜的mask图进行眼镜与人脸的合成，形成佩戴眼镜的人脸图像，从而生成多维度的人脸底库图像。
优选地，所述降维处理的过程包括：
对于从人脸识别底库中提取出的一个人脸特征对应的多维度底库特征，其中包含(m-1)个戴眼镜的人脸图像特征，1个原始的人脸图像特征，多维度的底库特征为X∈Rm×n，每个底库特征
Figure BDA0002554031060000021
计算X的协方差矩阵，如下式所示：
Figure BDA0002554031060000022
其中，
Figure BDA0002554031060000023
对协方差矩阵C进行特征分解，得到m个特征值λ1,λ2...λm和m个对应的特征向量u1,u2...um，以最大的特征值λmax对应特征向量u∈R1×m为第一主成分，Y＝uX即为降维后的单维度特征Y∈R1×n。
根据本发明的第二方面还提出一种人脸识别底库的优化***，包括：
用于从人脸识别底库中获取人脸图像的图像获取模块；
用于检测所述人脸图像中的人脸是否佩戴眼镜的检测模块；
用于响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像的合成模块；
用于分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征的特征提取模块；以及
用于采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征的降维模块。
根据本发明的第三方面还提出一种人脸识别底库的优化***，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
从人脸识别底库中获取一人脸图像；
检测所述人脸图像中的人脸是否佩戴眼镜；
响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；
分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及
采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的示例性的实施例的人脸识别底库的优化方法的示例性流程；
图2是本发明的示例性的实施例的人脸识别底库的优化***的框图；
图3是本发明的示例性的实施例的人脸识别底库的优化方法的实施基础的计算机***的框图。
图4a是眼部-鼻子关键点的位置示意图，图4b是选取的鼻梁框架区域示意图。
图5a是鼻梁框架区域示意图，图5b是边缘二值化示意图，图5c是边缘检测示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
根据本发明示例性实施例的人脸识别底库的优化方法，旨在通过合成配戴眼镜的图像优化人脸识别底库，根据原始底库合成多张佩戴不同眼镜的图片，形成多维底库，通过PCA对多维底库特征降维，减少配戴眼镜以及不同类型眼镜对戴口罩人脸识别的影响。
结合图1-图3所示，人脸识别底库的优化方法包括以下步骤：从人脸识别底库中获取一人脸图像；检测人脸图像中的人脸是否佩戴眼镜；响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。
如此，本发明的实施例的优化过程通过合成多张戴眼镜的人脸底库图片和PCA降维获取主要人脸底库特征，可以极大程度降低眼镜对戴口罩人脸识别的影响。
结合图1所示，根据人脸图像中的人脸是否佩戴眼镜的检测结果，分别进行对应的处理，其中，响应于所取出的人脸图像中的人脸佩戴眼镜，则直接针对底库取出的人脸图像提取人脸特征，作为最终的底库特征。如果检测出的结果没有佩戴眼镜，则将人脸与眼镜进行合成进行多维护图像生成和特征提取。
为确保人脸底库的优化的准确性，由于镜片大小不一，难以确定区域，在本发明的实施例中避免采用传统的二分法进行佩戴眼镜的检测(例如传统的MobileNetV3二分类网络的眼镜识别器)，而是通过判断鼻梁上是否有眼镜框架进行眼镜识别。在优选的实施例中通过眼镜框的边缘信息对佩戴眼镜的状态进行检测，具体的检测与识别过程如下：
鼻梁框架区域(x，y，w，h)由左眼关键点坐标(x1，y1)，右眼关键点坐标(x2，y2)和鼻子关键点坐标(x3，y3)确定，假设左右眼关键点的中心点坐标为(xc，yc)，计算方式如下式所示：
xc＝(x2+x1)/2
yc＝(y2+y1)/2
根据两眼关键点的水平距离确定宽度w，根据左右眼关键点的中心点与鼻子的垂直距离确定高度h，最后再计算鼻梁框架区域的起始点坐标(x，y)：
w＝(x2-xc)/2
h＝y3-yc
x＝xc-w/2
y＝yc-h/3
结合图4a的眼部-鼻子关键点的位置以及图4b所示的选取的鼻梁框架区域，用canny边缘检测的方法检测鼻梁框架区域边缘信息，得到该区域的边缘二值化图。如图5a-5c所示，其中5a为鼻梁框架区域示意，图5b为边缘二值化示意，图5c为边缘检测示意图。
结合图示，有眼镜框的区域为白色，其余地方为黑色。在本发明的实施例中，为了增强眼镜框架边缘的信息，对边缘二值化图采用形态学膨胀处理，得到最终的边缘检测图。
然后，采用宽为w,高为h/10的滑动窗口从上到下扫描鼻梁框架区域，计算滑动窗口内白色像素点的占比，如果占比超过一半，则判定配戴眼镜，否则判断未佩戴眼镜，需要对该图片进行人脸与眼镜合成处理。
优选地，人脸图像与眼镜图像的合成，首先提取人脸的眼部关键点，根据眼部关键点，将眼镜与眼部对齐，再根据眼镜的mask图进行眼镜与人脸的合成，形成佩戴眼镜的人脸图像，从而生成多维度的人脸底库图像。
其中，人脸图像的眼部关键点的提取采用多任务学习的多尺度人脸检测模型实现，检测和提取眼部关键点。然后，通过匹配眼部与眼镜关键点的特征来确定对齐矩阵，并基于眼镜的mask图进行二者的合成。
优选地，对齐矩阵可基于仿射变换/透视变换来确定。
优选地，降维处理的过程包括：
对于从人脸识别底库中提取出的一个人脸特征对应的多维度底库特征，其中包含(m-1)个戴眼镜的人脸图像特征，1个原始的人脸图像特征，多维度的底库特征为X∈Rm×n，每个底库特征
Figure BDA0002554031060000051
计算X的协方差矩阵，如下式所示：
Figure BDA0002554031060000052
其中，
Figure BDA0002554031060000053
对协方差矩阵C进行特征分解，得到m个特征值λ1,λ2...λm和m个对应的特征向量u1,u2...um，以最大的特征值λmax对应特征向量u∈R1×m为第一主成分，Y＝uX即为降维后的单维度特征Y∈R1×n。
结合图2，根据本发明的改进提出一种人脸识别底库的优化***，包括：
用于从人脸识别底库中获取人脸图像的图像获取模块；
用于检测人脸图像中的人脸是否佩戴眼镜的检测模块；
用于响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像的合成模块；
用于分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征的特征提取模块；以及
用于采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征的降维模块。
优选地，合成模块包括：
用于提取人脸的眼部关键点的模块；
用于根据眼部关键点，将眼镜与眼部对齐的模块；
用于根据眼镜的mask图进行眼镜与人脸的合成，形成佩戴眼镜的人脸图像，从而生成多维度的人脸底库图像的模块。
优选地，降维模块被设置成以下述方式进行降维处理：
对于从人脸识别底库中提取出的一个人脸特征对应的多维度底库特征，其中包含(m-1)个戴眼镜的人脸图像特征，1个原始的人脸图像特征，多维度的底库特征为X∈Rm×n，每个底库特征
Figure BDA0002554031060000061
计算X的协方差矩阵，如下式所示：
Figure BDA0002554031060000062
其中，
Figure BDA0002554031060000063
对协方差矩阵C进行特征分解，得到m个特征值λ1,λ2...λm和m个对应的特征向量u1,u2...um，以最大的特征值λmax对应特征向量u∈R1×m为第一主成分，Y＝uX即为降维后的单维度特征Y∈R1×n。
图3示例性是表示了人脸识别底库的优化方案的实施的计算机***。结合图1、2、3所示，根据本发明公开的实施例，还提出一种人脸识别底库的优化***，包括：
一个或多个处理器；
存储器，存储可***作的指令，指令在通过一个或多个处理器执行时使得一个或多个处理器执行操作，操作包括：
从人脸识别底库中获取一人脸图像；
检测人脸图像中的人脸是否佩戴眼镜；
响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；
分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及
采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种人脸识别底库的优化方法，其特征在于，包括以下步骤：
从人脸识别底库中获取一人脸图像；
检测所述人脸图像中的人脸是否佩戴眼镜；
响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；
分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及
采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。
2.根据权利要求1所述的人脸识别底库的优化方法，其特征在于，响应于所取出的人脸图像中的人脸佩戴眼镜，则直接针对底库取出的人脸图像提取人脸特征，作为最终的底库特征。
3.根据权利要求1所述的人脸识别底库的优化方法，其特征在于，所述人脸图像与眼镜图像的合成，首先提取人脸的眼部关键点，根据眼部关键点，将眼镜与眼部对齐，再根据眼镜的mask图进行眼镜与人脸的合成，形成佩戴眼镜的人脸图像，从而生成多维度的人脸底库图像。
4.根据权利要求1所述的人脸识别底库的优化方法，其特征在于，所述降维处理的过程包括：
对于从人脸识别底库中提取出的一个人脸特征对应的多维度底库特征，其中包含(m-1)个戴眼镜的人脸图像特征，1个原始的人脸图像特征，多维度的底库特征为X∈Rm×n，每个底库特征
Figure FDA0002554031050000011
n≤m-1，计算X的协方差矩阵，如下式所示：
Figure FDA0002554031050000012
其中，
Figure FDA0002554031050000013
对协方差矩阵C进行特征分解，得到m个特征值λ1,λ2...λm和m个对应的特征向量u1,u2...um，以最大的特征值λmax对应特征向量u∈R1×m为第一主成分，Y＝uX即为降维后的单维度特征Y∈R1×n。
5.一种人脸识别底库的优化***，其特征在于，包括：
用于从人脸识别底库中获取人脸图像的图像获取模块；
用于检测所述人脸图像中的人脸是否佩戴眼镜的检测模块；
用于响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像的合成模块；
用于分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征的特征提取模块；以及
用于采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征的降维模块。
6.根据权利要求5所述的人脸识别底库的优化***，其特征在于，所述合成模块包括：
用于提取人脸的眼部关键点的模块；
用于根据眼部关键点，将眼镜与眼部对齐的模块；
用于根据眼镜的mask图进行眼镜与人脸的合成，形成佩戴眼镜的人脸图像，从而生成多维度的人脸底库图像的模块。
7.根据权利要求6所述的人脸识别底库的优化***，其特征在于，所述降维模块被设置成以下述方式进行降维处理：
对于从人脸识别底库中提取出的一个人脸特征对应的多维度底库特征，其中包含(m-1)个戴眼镜的人脸图像特征，1个原始的人脸图像特征，多维度的底库特征为X∈Rm×n，每个底库特征
Figure FDA0002554031050000021
n≤m-1，计算X的协方差矩阵，如下式所示：
Figure FDA0002554031050000022
其中，
Figure FDA0002554031050000023
对协方差矩阵C进行特征分解，得到m个特征值λ1,λ2...λm和m个对应的特征向量u1,u2...um，以最大的特征值λmax对应特征向量u∈R1×m为第一主成分，Y＝uX即为降维后的单维度特征Y∈R1×n。
8.一种人脸识别底库的优化***，其特征在于，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：
从人脸识别底库中获取一人脸图像；
检测所述人脸图像中的人脸是否佩戴眼镜；
响应于所取出的人脸图像中的人脸未佩戴眼镜，则进行人脸图像与随机选择的若干个眼镜图像进行合成，生成对应的多维度底库人脸图像；
分别提取原始的人脸图像以及对应合成的佩戴眼镜的人脸图像的特征，生成多维度底库特征；以及
采用PCA算法对多维度底库特征进行降维处理，获得最终的底库特征。
9.根据权利要求8所述的人脸识别底库的优化***，其特征在于，所述人脸图像与眼镜图像的合成的操作包括以下过程：
首先提取人脸的眼部关键点，根据眼部关键点，将眼镜与眼部对齐，再根据眼镜的mask图进行眼镜与人脸的合成，形成佩戴眼镜的人脸图像，从而生成多维度的人脸底库图像。
10.根据权利要求8所述的人脸识别底库的优化***，其特征在于，所述降维处理的过程包括：
对于从人脸识别底库中提取出的一个人脸特征对应的多维度底库特征，其中包含(m-1)个戴眼镜的人脸图像特征，1个原始的人脸图像特征，多维度的底库特征为X∈Rm×n，每个底库特征
Figure FDA0002554031050000031
n≤m-1，计算X的协方差矩阵，如下式所示：
Figure FDA0002554031050000032
其中，
Figure FDA0002554031050000033
对协方差矩阵C进行特征分解，得到m个特征值λ1,λ2...λm和m个对应的特征向量u1,u2...um，以最大的特征值λmax对应特征向量u∈R1×m为第一主成分，Y＝uX即为降维后的单维度特征Y∈R1×n。
CN202010586533.8A 2020-07-19 2020-07-19 人脸识别底库的优化方法与*** Active CN111723755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010586533.8A CN111723755B (zh) 2020-07-19 2020-07-19 人脸识别底库的优化方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010586533.8A CN111723755B (zh) 2020-07-19 2020-07-19 人脸识别底库的优化方法与***

Publications (2)

Publication Number Publication Date
CN111723755A true CN111723755A (zh) 2020-09-29
CN111723755B CN111723755B (zh) 2022-09-06

Family

ID=72568618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586533.8A Active CN111723755B (zh) 2020-07-19 2020-07-19 人脸识别底库的优化方法与***

Country Status (1)

Country Link
CN (1) CN111723755B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435248A (zh) * 2021-05-18 2021-09-24 武汉天喻信息产业股份有限公司 口罩人脸识别底库增强方法、装置、设备及可读存储介质
CN114429663A (zh) * 2022-01-28 2022-05-03 北京百度网讯科技有限公司 人脸底库的更新方法、人脸识别方法、装置及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184253A (zh) * 2015-09-01 2015-12-23 北京旷视科技有限公司 一种人脸识别方法和人脸识别***
CN108319943A (zh) * 2018-04-25 2018-07-24 北京优创新港科技股份有限公司 一种提高戴眼镜条件下人脸识别模型性能的方法
CN111062328A (zh) * 2019-12-18 2020-04-24 中新智擎科技有限公司 一种图像处理方法、装置及智能机器人

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184253A (zh) * 2015-09-01 2015-12-23 北京旷视科技有限公司 一种人脸识别方法和人脸识别***
CN108319943A (zh) * 2018-04-25 2018-07-24 北京优创新港科技股份有限公司 一种提高戴眼镜条件下人脸识别模型性能的方法
CN111062328A (zh) * 2019-12-18 2020-04-24 中新智擎科技有限公司 一种图像处理方法、装置及智能机器人

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435248A (zh) * 2021-05-18 2021-09-24 武汉天喻信息产业股份有限公司 口罩人脸识别底库增强方法、装置、设备及可读存储介质
CN114429663A (zh) * 2022-01-28 2022-05-03 北京百度网讯科技有限公司 人脸底库的更新方法、人脸识别方法、装置及***
CN114429663B (zh) * 2022-01-28 2023-10-20 北京百度网讯科技有限公司 人脸底库的更新方法、人脸识别方法、装置及***

Also Published As

Publication number Publication date
CN111723755B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
US10198623B2 (en) Three-dimensional facial recognition method and system
US9098760B2 (en) Face recognizing apparatus and face recognizing method
US9626553B2 (en) Object identification apparatus and object identification method
Tsao et al. A data mining approach to face detection
CN109740572B (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN111144366A (zh) 一种基于联合人脸质量评估的陌生人脸聚类方法
CN105956578A (zh) 一种基于身份证件信息的人脸验证方法
Chan et al. Sparse representation of (multiscale) histograms for face recognition robust to registration and illumination problems
CN114359998B (zh) 一种人脸口罩佩戴状态下的识别方法
CN111723755B (zh) 人脸识别底库的优化方法与***
CN106326828B (zh) 人脸识别中的眼睛定位方法
Bąk et al. Person re-identification using deformable patch metric learning
CN110991258A (zh) 一种人脸融合特征提取方法及***
JP2012160001A (ja) 顔画像認証装置
Barbu An automatic face detection system for RGB images
Marčetić et al. Deformable part-based robust face detection under occlusion by using face decomposition into face components
Devadethan et al. Face detection and facial feature extraction based on a fusion of knowledge based method and morphological image processing
Mohamed et al. Automated face recogntion system: Multi-input databases
CN111950403A (zh) 一种虹膜分类方法及***、电子设备和存储介质
CN109145875B (zh) 一种人脸图像中的黑框眼镜去除方法及装置
Thomas et al. Real Time Face Mask Detection and Recognition using Python
CN111723612A (zh) 人脸识别和人脸识别网络的训练方法和装置、存储介质
US10438061B2 (en) Adaptive quantization method for iris image encoding
Abboud et al. Quality based approach for adaptive face recognition
Paul et al. Extraction of facial feature points using cumulative distribution function by varying single threshold group

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No.568 longmian Avenue, gaoxinyuan, Jiangning District, Nanjing City, Jiangsu Province, 211000

Patentee after: Xiaoshi Technology (Jiangsu) Co.,Ltd.

Address before: No.568 longmian Avenue, gaoxinyuan, Jiangning District, Nanjing City, Jiangsu Province, 211000

Patentee before: NANJING ZHENSHI INTELLIGENT TECHNOLOGY Co.,Ltd.