CN112069898A - 基于迁移学习人脸族群属性的识别方法及装置 - Google Patents
基于迁移学习人脸族群属性的识别方法及装置 Download PDFInfo
- Publication number
- CN112069898A CN112069898A CN202010775628.4A CN202010775628A CN112069898A CN 112069898 A CN112069898 A CN 112069898A CN 202010775628 A CN202010775628 A CN 202010775628A CN 112069898 A CN112069898 A CN 112069898A
- Authority
- CN
- China
- Prior art keywords
- face
- ethnic
- attribute
- image
- transfer learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013526 transfer learning Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于迁移学习的人脸族群属性的识别方法及装置,识别方法,包括:获取待识别的图像;将所述图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得所述图像中的人脸族群属性。根据本发明的基于迁移学习的人脸族群属性的识别方法,采用基于迁移学习的方法训练族群属性识别模型,可以得到高鲁棒性的群组属性识别模型。在进行人脸族群属性的识别时,可以将获取的待识别图像直接输入到预先训练的族群属性别模型中进行计算,获得待识别图像中人物族群属性,识别方法高效、可靠。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于迁移学习人脸族群属性的识别方法及装置。
背景技术
近年来,随着高清视频监控***在公共场所普及,为意外防范和检测、失踪人口查找等提供了有效的技术辅助,但由于视频监控数据量成倍增长,人工方式对视频监控中的人员进行搜索和分析,效率低下且容易忽略重要信息。因此研究监控场景下的人脸属性自动识别,能够显著提高监控中目标行人搜索的效率,对于降低监控成本,提高安全等级意义重大。
人脸属性识别是指对行人的生理特征(如年龄、种族、族群、性别、肤色等)、衣着穿戴(如是否佩戴眼镜、口罩、帽子等)进行识别,通过对人脸属性的自动识别和分析,能够提供结构化的人脸属性信息,有效辅助工作人员进行人员搜索。此外,我国作为一个多民族国家,对于人脸民族属性识别,能够有效保留不同民族的人脸特征,为未来进行民族学研究提供数据。
发明内容
本发明要解决的技术问题是如何有效进行人脸族群属性的识别,本发明提出了一种基于迁移学习的人脸族群属性的识别方法及装置。
根据本发明实施例的基于迁移学习的人脸族群属性的识别方法,包括:
获取待识别的图像;
将所述图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得所述图像中的人脸族群属性。
根据本发明实施例的基于迁移学习的人脸族群属性的识别方法,采用基于迁移学习的方法训练族群属性识别模型,可以得到高鲁棒性的群组属性识别模型。在进行人脸族群属性的识别时,可以将获取的待识别图像直接输入到预先训练的族群属性别模型中进行计算,获得待识别图像中人物族群属性,识别方法高效、可靠。
根据本发明的一些实施例,基于迁移学习方法训练所述族群属性识别模型的方法包括:
建立训练网络模型,并采用具有种族属性标记的种族人脸数据集进行预训练获得初始模型;
采用具有民族属性标记的民族人脸数据集对所述初始模型进行再训练,获得所述族群属性识别模型。
在本发明的一些实施例中,在采用所述种族人脸数据集和所述民族人脸数据集进行模型训练之前,对所述种族人脸数据集和所述民族人脸数据集中的数据图像进行预处理。
根据本发明的一些实施例,所述识别方法还包括:
获取待识别的所述图像后,对所述图像进行预处理。
在本发明的一些实施例中,所述预处理包括:图像降噪、人脸识别以及人脸校正。
根据本发明实施例的基于迁移学习的人脸族群属性的识别装置,包括:
采集单元,用于获取待识别的图像;
识别单元,用于将所述图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得所述图像中的人脸族群属性。
根据本发明实施例的基于迁移学习的人脸族群属性的识别装置,采用基于迁移学习的方法训练族群属性识别模型,可以得到高鲁棒性的群组属性识别模型。在进行人脸族群属性的识别时,可以将采集模块获取的待识别图像直接输入到预先训练的族群属性别模型中进行计算,获得待识别图像中人物族群属性,识别方法高效、可靠。
根据本发明的一些实施例,所述识别装置还包括:用于训练所述族群属性模型的模型训练单元,所述模型训练单元具体用于:
建立训练网络模型,并采用具有种族属性标记的种族人脸数据集进行预训练获得初始模型;
采用具有民族属性标记的民族人脸数据集对所述初始模型进行再训练,获得所述族群属性识别模型。
在本发明的一些实施例中,所述识别装置还包括:
预处理单元,用于在采用所述种族人脸数据集和所述民族人脸数据集进行模型训练之前,对所述种族人脸数据集和所述民族人脸数据集中的数据图像进行预处理。
根据本发明的一些实施例,所述预处理单元还用于:在所述采集单元获取待识别的所述图像后,对所述图像进行预处理。
在本发明的一些实施例中,所述预处理包括:图像降噪、人脸识别以及人脸校正。
附图说明
图1为根据本发明实施例的基于迁移学习的人脸族群属性的识别方法流程图;
图2为根据本发明实施例的基于迁移学习的人脸族群属性的识别方法流程图;
图3为根据本发明实施例的族群属性模型训练方法流程图;
图4为根据本发明实施例的族群属性模型训练方法流程图;
图5为根据本发明实施例的基于迁移学习的人脸族群属性的识别装置组成示意图;
图6为根据本发明实施例的基于迁移学习的人脸族群属性的识别装置组成示意图。
附图标记:
识别装置100,
采集单元10,识别单元20,模型训练单元30,预处理单元40。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明进行详细说明如后。
种族属性识别通常是指对东亚人种(黄种人)、高加索人种(白种人)、尼格罗人种(黑种人)、澳洲人种(棕种人)进行识别。相关技术中,对种族属性识别的主要采用如下方法:
1、基于三维点云的解决方案对三维人脸种族进行分类。三维人脸属性识别虽然受人脸姿态影响较小,但是三维人脸数据通常难以获取,目前普遍采用的依然是使用二维图像对人脸进行种族识别。
2、对人脸五官中心区域进行PCA变换然后采用LDA分析方法提取特特征,使用svm方法进行人脸种族分类。
3、对人脸图像进行小波包分解,筛选分解系数并利用LDB方法选择人脸种族的特征子空间,然后使用svm进行人脸种族分类。
4、设计生成网络生成人脸种族样本,使用生成样本提升人脸种族分类的精确度。
尽管上述方法和模型也可以应用到族群识别中,但是由于隶属于相同种族的人又可以分为不同族群,因此族群之间人脸特征相较于种族人脸特征区分度低,这类方法在人脸族群属性识别上效果不佳。
针对人脸族群属性的识别,相关技术中采用基于区域稀疏与加权残差的人脸族群识别方法;或对正面人脸和侧面人脸进行归一化,采用卷积神经网络提取特征点,以此为基础计算特征进行人脸民族属性识别。以上方法通过对人脸提取人工特征,然后使用分类器进行人脸属性识别;或设计不同结构的卷积神经网作为分类器,并采用集成学习的方法,对人脸民族属性进行识别。
以上方法对人脸的角度、输入图像质量有较为严格的要求,当输入的人脸图像质量较差时,识别率较低。
针对现有技术存在的问题,本发明提供一种基于迁移学习的人脸族群属性的识别方法和装置。
如图1和图2所示,根据本发明实施例的基于迁移学习的人脸族群属性的识别方法,包括:
S100,获取待识别的图像;
S200,将图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得图像中的人脸族群属性。
根据本发明实施例的基于迁移学习的人脸族群属性的识别方法,采用基于迁移学习的方法训练族群属性识别模型,得到高鲁棒性的群组属性识别模型。在进行人脸族群属性的识别时,可以将获取的待识别图像直接输入到预先训练的族群属性别模型中进行计算,获得待识别图像中人物族群属性,识别方法高效、可靠。
根据本发明的一些实施例,如图3和图4所示,基于迁移学习方法训练族群属性识别模型的方法包括:
A100,建立训练网络模型,并采用具有种族属性标记的种族人脸数据集进行预训练获得初始模型;
需要说明的是,种族属性标记可以为“白种人”、“黄种人”、“黑种人”以及“棕种人”等,种族人脸数据集可以采用现有公开的数据集,以便于种族人脸数据集的获取。
A200,采用具有民族属性标记的民族人脸数据集对初始模型进行再训练,获得族群属性识别模型。这里所述的民族属性标记可以为“汉族”、“回族”、“白族”等中国各民族。
在本发明的一些实施例中,在采用种族人脸数据集和民族人脸数据集进行模型训练之前,对种族人脸数据集和民族人脸数据集中的数据图像进行预处理。预处理可以包括对数据图像进行降噪处理、人脸识别处理以及人脸校正处理等。通过对数据图像进行预处理,有利于提高模型的训练速度和模型分类识别的准确可靠性。
类似地,在识别过程中,在获取待识别的图像后,也可以按同样的预处理方式对图像进预处理。
如图5所示,根据本发明实施例的基于迁移学习的人脸族群属性的识别装置100,包括:采集单元10和识别单元20。
其中,采集单元10用于获取待识别的图像。识别单元20用于将图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得图像中的人脸族群属性。
根据本发明实施例的基于迁移学习的人脸族群属性的识别装置100,采用基于迁移学习的方法训练族群属性识别模型,得到高鲁棒性的群组属性识别模型。在进行人脸族群属性的识别时,可以将采集模块获取的待识别图像直接输入到预先训练的族群属性别模型中进行计算,获得待识别图像中人物族群属性,识别方法高效、可靠。
根据本发明的一些实施例,如图5所示,识别装置100还包括:用于训练族群属性模型的模型训练单元30,模型训练单元30具体用于:
建立训练网络模型,并采用具有种族属性标记的种族人脸数据集进行预训练获得初始模型;
采用具有民族属性标记的民族人脸数据集对初始模型进行再训练,获得族群属性识别模型。
在本发明的一些实施例中,如图5所示,识别装置100还包括:预处理单元40,用于在采用种族人脸数据集和民族人脸数据集进行模型训练之前,对种族人脸数据集和民族人脸数据集中的数据图像进行预处理。预处理可以包括对数据图像进行降噪处理、人脸识别处理以及人脸校正处理等。通过预处理模块对数据图像进行预处理,有利于提高模型的训练速度和模型分类识别的准确可靠性。
类似地,预处理单元40还用于:在采集单元10获取待识别的图像后,按同样的预处理方式对图像进行预处理。
下面参照附图以一个具体的实施例详细描述根据本发明的基于迁移学习的人脸族群属性识别方法及装置。值得理解的是,下述描述仅是示例性描述,而不是对本发明的具体限制。
为解决现有技术存在的鲁棒性差等问题,本发明提供一种基于迁移学习的人脸族群属性的识别方法及装置。本发明采用迁移学习的方法,首先使用公开数据集对深度网络模型进行与训练,构建中国民族人脸数据集,在该数据集上使用迁移学习对人脸族群进行分类,实现人脸族群属性识别。该方法对输入图像的质量、人脸的表情、姿态具有一定鲁棒性,通过提取具有族群语义信息的深度特征,提高人脸族群属性的分类效果。
如图6所示,本发明识别装置包括:图像数据采集单元、人脸检测及校正单元、人脸族群深度特征提取、属性识别单元组成。首先利用图像数据采集单元获取图像数据,然后对采集到的图像数据进行人脸的检测、校正,最后将人脸输入训练好的人脸族群深度特征提取、属性识别单元,输出人脸族群属性识别结果。
具体地,其流程图如图2所示,在图像数据采集单元,本发明利用图像采集装备采集图像数据,对图像进行预处理。在人脸检测、校正单元,对图像中包含的人脸进行人脸检测和人脸方向校正。在人脸族群深度特征提取、属性识别单元,输入校正后的人脸对其进行深度特征提取,利用深度特征进行族群属性分类,从而实现人脸族群属性识别。
对图像的预处理包含对人脸的图像进行去噪等预处理。在人脸检测、校正单元具体使用mtcnn网络模型检测人脸,该模型能够获取左、右眼关键点位置。进行校正时,计算人脸左、右眼关键点连线与水平线角度,旋转人脸角度,使人双目连线与水平线平行。在人脸族群深度特征提取、属性单元,设计了人脸族群分类的深度网络模型,该模型包括深度特征提取和族群属性分类两个部分,深度特征提取可以采用目前流行的人脸识别骨干网,进行深度特征提取,在族群属性分类中,使用2个全连接层和一个softmax层进行分类。
本发明设计了一种基于迁移学习的方法进行人脸族群分类,首先使用标注好种族属性的公开人脸数据集对人脸族群分类网络模型进行预训练,获得预训练网络模型参数,然后构建中国民族人脸数据集,使用该数据集对预训练后的网络模型进行微调,训练得到最终的人脸民族分类模型。其流程图如图4所示,具体训练过程为:
S1,对于包含种族属性的公开人脸数据集,对其中人脸进行校正,然后输入对人脸族群网络模型进行预训练,这一过程中,使用种族属性作为人脸属性标签,对人脸进行种族的分类识别,得到预训练的人脸族群深度网络模型。
S2,构建中国民族人脸数据集,该数据集的一个训练样本包括一幅人脸照片和其民族属性标签,使用大量不同民族的人脸训练样本构建中国民族人脸数据集。
S3,对人脸族群分类网络模型,首先使用步骤S1中预训练的网络权重对人脸族群分类网络模型进行初始化,然后固定特征提取部分的网络参数。
S4,对步骤S2构建的中国民族人脸数据集进行人脸检测、人脸校正,使用校正后的人脸照片对人脸族群分类网络进行训练,直到模型收敛。该步骤能够对用于分类的2个全连接层微调,获得人脸族群分类网络模型。
在人脸族群深度特征提取、属性识别单元,将人脸输入训练好的人脸族群分类网络中,获得人脸族群属性识别结果。
值得说明的是mtcnn、全连接层、softmax层是已有的技术,这里不再详细赘述。
综上所述,本发明提出的基于迁移学习的人脸族群属性的识别方法及装置具有下列优点:
相比现有的人脸族群属性识别技术,本发明使用公开数据集对人脸族群分类网络进行预训练,然后构建中国民族人脸数据库进行迁移学习,能够有效提高人脸族群属性分类精度;
本发明使用公开数据集对族群分类网络进行预训练,然后使用中国民族人脸数据库进行迁移学习,对输入人脸图像的质量和人脸表情、姿态具有一定鲁棒性。
通过具体实施方式的说明,应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解,然而所附图示仅是提供参考与说明之用,并非用来对本发明加以限制。
Claims (10)
1.一种基于迁移学习的人脸族群属性的识别方法,其特征在于,包括:
获取待识别的图像;
将所述图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得所述图像中的人脸族群属性。
2.根据权利要求1所述的基于迁移学习的人脸族群属性的识别方法,其特征在于,基于迁移学习方法训练所述族群属性识别模型的方法包括:
建立训练网络模型,并采用具有种族属性标记的种族人脸数据集进行预训练获得初始模型;
采用具有民族属性标记的民族人脸数据集对所述初始模型进行再训练,获得所述族群属性识别模型。
3.根据权利要求2所述的基于迁移学习的人脸族群属性的识别方法,其特征在于,在采用所述种族人脸数据集和所述民族人脸数据集进行模型训练之前,对所述种族人脸数据集和所述民族人脸数据集中的数据图像进行预处理。
4.根据权利要求1所述的基于迁移学习的人脸族群属性的识别方法,其特征在于,所述识别方法还包括:
获取待识别的所述图像后,对所述图像进行预处理。
5.根据权利要求3或4所述的基于迁移学习的人脸族群属性的识别方法,其特征在于,所述预处理包括:图像降噪、人脸识别以及人脸校正。
6.一种基于迁移学习的人脸族群属性的识别装置,其特征在于,包括:
采集单元,用于获取待识别的图像;
识别单元,用于将所述图像输入基于迁移学习方法预先训练的族群属性识别模型中,计算获得所述图像中的人脸族群属性。
7.根据权利要求6所述的基于迁移学习的人脸族群属性的识别装置,其特征在于,所述识别装置还包括:用于训练所述族群属性模型的模型训练单元,所述模型训练单元具体用于:
建立训练网络模型,并采用具有种族属性标记的种族人脸数据集进行预训练获得初始模型;
采用具有民族属性标记的民族人脸数据集对所述初始模型进行再训练,获得所述族群属性识别模型。
8.根据权利要求7所述的基于迁移学习的人脸族群属性的识别装置,其特征在于,所述识别装置还包括:
预处理单元,用于在采用所述种族人脸数据集和所述民族人脸数据集进行模型训练之前,对所述种族人脸数据集和所述民族人脸数据集中的数据图像进行预处理。
9.根据权利要求8所述的基于迁移学习的人脸族群属性的识别装置,其特征在于,所述预处理单元还用于:在所述采集单元获取待识别的所述图像后,对所述图像进行预处理。
10.根据权利要求9所述的基于迁移学习的人脸族群属性的识别装置,其特征在于,所述预处理包括:图像降噪、人脸识别以及人脸校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775628.4A CN112069898A (zh) | 2020-08-05 | 2020-08-05 | 基于迁移学习人脸族群属性的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775628.4A CN112069898A (zh) | 2020-08-05 | 2020-08-05 | 基于迁移学习人脸族群属性的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069898A true CN112069898A (zh) | 2020-12-11 |
Family
ID=73656447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010775628.4A Pending CN112069898A (zh) | 2020-08-05 | 2020-08-05 | 基于迁移学习人脸族群属性的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069898A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612023A (zh) * | 2020-12-14 | 2021-04-06 | 中国电子科技集团公司电子科学研究院 | 一种雷达目标识别方法及计算机可读存储介质 |
CN114360008A (zh) * | 2021-12-23 | 2022-04-15 | 上海清鹤科技股份有限公司 | 人脸认证模型的生成方法、认证方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295584A (zh) * | 2016-08-16 | 2017-01-04 | 深圳云天励飞技术有限公司 | 深度迁移学习在人群属性的识别方法 |
CN109325443A (zh) * | 2018-09-19 | 2019-02-12 | 南京航空航天大学 | 一种基于多实例多标签深度迁移学习的人脸属性识别方法 |
-
2020
- 2020-08-05 CN CN202010775628.4A patent/CN112069898A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295584A (zh) * | 2016-08-16 | 2017-01-04 | 深圳云天励飞技术有限公司 | 深度迁移学习在人群属性的识别方法 |
CN107766787A (zh) * | 2016-08-16 | 2018-03-06 | 深圳云天励飞技术有限公司 | 人脸属性识别方法、装置、终端及存储介质 |
CN109325443A (zh) * | 2018-09-19 | 2019-02-12 | 南京航空航天大学 | 一种基于多实例多标签深度迁移学习的人脸属性识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612023A (zh) * | 2020-12-14 | 2021-04-06 | 中国电子科技集团公司电子科学研究院 | 一种雷达目标识别方法及计算机可读存储介质 |
CN114360008A (zh) * | 2021-12-23 | 2022-04-15 | 上海清鹤科技股份有限公司 | 人脸认证模型的生成方法、认证方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921100B (zh) | 一种基于可见光图像与红外图像融合的人脸识别方法及*** | |
CN109409297B (zh) | 一种基于双通道卷积神经网络的身份识别方法 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN106570491A (zh) | 一种机器人智能互动的方法及智能机器人 | |
CN102902986A (zh) | 自动性别识别***及方法 | |
CN111401303B (zh) | 一种身份与视角特征分离的跨视角步态识别方法 | |
WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
Sharma et al. | Recognition of single handed sign language gestures using contour tracing descriptor | |
CN106874877A (zh) | 一种结合局部和全局特征的无约束人脸验证方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN109344909A (zh) | 一种基于多通道卷积神经网络的身份识别方法 | |
CN112069898A (zh) | 基于迁移学习人脸族群属性的识别方法及装置 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN111666845A (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
CN112613471A (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
US9135562B2 (en) | Method for gender verification of individuals based on multimodal data analysis utilizing an individual's expression prompted by a greeting | |
CN113158828B (zh) | 一种基于深度学习的面部情感校准方法及*** | |
CN108596057B (zh) | 一种基于人脸识别的信息安全管理*** | |
CN110110606A (zh) | 基于神经网络的可见光与红外人脸图像的融合方法 | |
CN111582195B (zh) | 一种汉语唇语单音节识别分类器构建方法 | |
CN113159002A (zh) | 一种基于自注意力权重辅助模块的人脸表情识别方法 | |
CN111950452A (zh) | 一种人脸识别方法 | |
Hsiao et al. | Iris location and recognition by deep-learning networks based design for biometric authorization |
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 |
Application publication date: 20201211 |
|
RJ01 | Rejection of invention patent application after publication |