CN112364801A - 一种动态阈值人脸识别方法 - Google Patents
一种动态阈值人脸识别方法 Download PDFInfo
- Publication number
- CN112364801A CN112364801A CN202011299778.9A CN202011299778A CN112364801A CN 112364801 A CN112364801 A CN 112364801A CN 202011299778 A CN202011299778 A CN 202011299778A CN 112364801 A CN112364801 A CN 112364801A
- Authority
- CN
- China
- Prior art keywords
- image
- score
- dynamic threshold
- face
- base
- 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种动态阈值人脸识别方法,包括:将待比对图像依次与注册底库图像进行比对,如果大于第一阈值,则计算图像差异度和特征稳定度,从而得到第二动态阈值,利用第二动态阈值对获取的人脸图像进行识别,如果识别结果为通过,则依次与底库图像计算第三动态阈值,据此更新对应人员底库注册信息,并利用更新后的人脸底库进行下次人脸识别。利用本发明实施例提供的动态阈值入脸识别方法进行人脸识别和注册底库自适应更新,可以逐渐提高注册底库质量,提高人脸识别算法的环境适应性,从而降低识别误识率和拒识率,提高用户体验。
Description
技术领域
本发明实施例涉及计算机技术和人脸识别技术领域,尤其是涉及一种动态阈值人脸识别方法。
背景技术
人脸识别技术现在已经广泛应用在了人们生活中的各个方面。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。人脸识别通常包括人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。其中,人脸图像匹配与识别就是将提取的人脸图像特征与注册特征进行逐一比对,当特征相似度超过设定的阈值时,则判定人脸识别成功。
然而,在人脸识别的实际应用中存在一下两个问题:
1.大多数人脸数据库注册底图是单一固定的,比如身份证照片或护照照片,而非实际场景的注册照片,存在年龄跨度大,姿态受限等问题;
2.进行人脸图像匹配与识别时,特征比对阈值是固定不变的,在外部环境变化较大或图像质量较差时容易发生拒识。
以上两个问题导致人脸识别在实际使用时,因待比对图像在姿态,环境光,遮挡等存在较大差异,导致人脸识别精度较低,误识率和拒识率高,用户体验差。
发明内容
因此,本发明实施例提供了一种动态阈值人脸识别方法,可以克服上述问题或至少部分解决上述问题,从而提高人脸识别精度和用户体验,具体包括以下步骤:
S102,获取人脸待识别图像,将所述图像与底库注册图像逐一比对,计算比对分数,得到第一比对分数和对应第一图像,所有比对分数中最高分数称为第一比对分数。
S104,如果所述第一比对分数大于第一阈值,则利用所述待比对图像和所述第一图像计算图像差异度和特征稳定度,从而得到第二动态阈值,利用所述第二动态阈值得到所述待比对图像的人脸识别结果。
S106,如果所述人脸图像识别结果为通过,则利用所述识别通过的人脸图像与注册底库图像逐一进行比对,通过计算相对特征稳定度和图像差异度,得到逐次比对所需的第三动态阈值,从而确定比对结果,根据所述比对结果判断是否将所述图像更新到注册底库中。
本发明提出一种动态阈值人脸识别方法,本发明所述方法,其主要优点如下:
1.本发明会根据待识别图像和注册底库图像的图像质量差异,和待识别图像的特征稳定性计算第二动态阈值,相比固定阈值的情况,可以更好的适应不同的环境和不同质量的待比对图像,从而提高识别精度和用户体验。
2.本发明会利用识别通过的图像对注册底库进行自动更新,可以逐渐增大注册底图间的差异性,提高注册底库的质量和鲁棒性,通过动态更新注册底图,可以让人脸识别更好的适应实际环境,降低识别误识率和拒识率。
3.本发明充分考虑了算法对环境的适应性和稳定性,通过计算图像差异度可以准确度量比对图像间的质量差异和环境差异,使用图像差异度调整比对阈值,可以使比对阈值更合理,降低拒识率。
4.本发明利用特征稳定度来度量提取人脸特征的稳定性和鲁棒性。通过特征描述子,神经网络等方法提取的人脸特征数值与脸部不同感受野有关,随着年龄、光照、姿态、遮挡等变化导致提取的人脸特征也各不相同,人脸识别分数也随之变化。本发明通过计算特征稳定度衡量人脸特征差异,因此该值越接近1,表明该人脸特征抗外部干扰的能力越强,特征越稳定。因此通过特征稳定度来动态调整比对阈值,可以提高算法的抗外部干扰能力,提高算法的稳定性,降低算法拒识率。
5.本发明利用相对特征稳定度来度量两个特征的比对分数稳定性。相对特征稳定度可以有效反映因为外部环境因素导致比对特征的改变对识别分数的影响。通过相对特征稳定度来调整第三动态阈值,可以更准确的度量类间特征的比对分数,通过迭代更新注册底库,可以逐渐提升注册底库图像特征间的差异性,提高注册底库的质量。
由以上本发明提供的技术方案可见,与现有技术相比较,本发明提供了一种动态阈值人脸识别方法,可以更好的适应不同的环境和不同质量的待比对图像,利用识别通过的图像对注册底库进行自动更新,通过逐渐增大注册底图间的差异性,提高注册底库的质量和鲁棒性,采用动态更新注册底图的方式,让人脸识别更好的适应实际环境,降低识别误识率和拒识率,同时,提高算法的抗外部干扰能力,提高算法的稳定性,从而提高识别精度和用户体验。
附图说明
图1为本发明实施例提供了一种动态阈值人脸识别方法的流程图;
图2为本发明实施例提供了一种动态阈值人脸识别方法的图像差异度计算框图;
图3为本发明实施例提供了一种动态阈值人脸识别方法的特征稳定度计算框图;
图4为本发明实施例提供了一种动态阈值人脸识别方法的相对特征稳定度计算框图;
图5为本发明实施例提供了一种动态阈值人脸识别方法的注册底库更新流程框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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,都属于本发明的保护范围。
图1为本发明实施例提供的一种动态阈值人脸识别方法的流程图,如图1所示,包括:
步骤S102,获取待识别人脸图像,将所述图像与注册底库图像逐一进行比对,计算比对分数。
其中,所述注册底库图是指已注册人员存储在图像数据库底库中的预留原始注册图像。
其中,所有比对分数中最高分数称为第一比对分数,对应的注册底图称为第一图像,如果所述第一比对分数对应多张注册图像,则依次对每张图像进行后续步骤处理。
其中,获取的所述待识别人脸图像需要通过算法内部的质量评价算法,即保证图像达到最低图像质量要求。
步骤S104,若所述第一比对分数大于第一阈值,则利用所述第一图像和待比对图像的质量差异度和特征稳定度计算第二动态阈值。
其中,第一阈值是预先分配的,用于限定最低比对分数,如果第一比对分数低于第一阈值,则说明待识别图像对应人员可能未在底库注册。使用第一阈值可以避免后续步骤中使用动态阈值而增加误识率。
其中,图像质量差异度的计算框图由图2所示。
步骤S202,获取用于计算图像质量差异度的两张图像,即待比对图像和第一图像。
步骤S204,计算两张图像的质量评价指标。
其中,图像质量评价包括图像亮度,面部光均匀度,图像清晰度,头部姿态等种类,但并不限于上述列举类型。
步骤S206,计算两张图像的质量差异程度,得到质量差异度。
其中,计算两张图像的图像差异度,可以使用加权平均法,分数回归法,深度学习法等方法计算,但并不限于上述列举方法,下面具体举例说明。
具体地,对所述图像差异度的质量评价方法,以加权平均方法为实施例如下
其中,以加权平均方法为例计算图像差异度。对于图像I1和I2,按照如下公式计算图像差异度:
具体地,公式中,N为参与计算图像差异度的质量评价指标数量,表示图像j的第i个图像质量评价指标对应的分数,所有评价指标的分数均已归一化至0-1范围。pi表示第i个图像质量评价指标对应的权重值。该权重是预先分配的,比如根据各质量评价指标对最终特征比对分数的影响程度给予权重。
进一步地,针对所述图像差异度的质量评价方法,以深度学习方法为实施例如下:
以深度学习方法计算图像差异度,首先搭建一个孪生网络,输入两张图像,输出两张图像是否是同一个人的概率值p,该孪生网络可以通过常见的人脸识别数据库进行训练。对于图像I1和I2,将其送入预训练好的孪生网络中,图像差异度Scoreq计算方式如下:
Scoreq=1-p
其中,需要说明的是,特征稳定度用来度量人脸特征提取模型输出的人脸特征对姿态、遮挡、环境变化等因素的鲁棒性,特征稳定度越高,表明特征的抗干扰能力越强,特征越稳定,更有利于人脸识别。
特征稳定度主要受特征提取模型和输入图像的影响,是一个整体度量标准。模型训练的越好,提取的特征具有更强的泛化性,可以更好的抵御外部干扰,提高算法的环境适应性。具体地,在实际应用人脸识别算法时,模型一般是固定不变的,所以特征稳定度主要受外部干扰因素影响。特征稳定度的计算框图由图3所示。
步骤S302,获取计算特征稳定度的图像,即待比对图像。
步骤S304,计算图像的特征稳定度,可以使用模型方法,特征方法等方法计算,下面详细举例说明。
方法1、利用模型方法
获取待识别人脸图像,对待识别人脸图像进行数据增强,以模拟常见的外部干扰因素,包括但并不限于以下类型:遮挡,光照,随机噪声,模糊。每种类型数据增强数量根据实际需求确定。
比如,可以根据人脸关键点结果,确定五官位置,用纯黑色图像块覆盖眼睛,嘴巴,脸颊,额头等区域来模拟不同位置的遮挡,得到遮挡后人脸图像。
再比如,通过随机生成高斯噪声和椒盐噪声,模拟不同光辐照度下相机的底噪;通过利用如下公式调整图像亮度和对比度模拟不同时间段的图像环境光:
imgout=(img-127.5*(1-l))*c+127.5*(1+l)
其中,img是输入图像,l和c是分别用于调整图像亮度和对比度的参数。
进一步地,将数据增强生成的人脸图像送入特征提取网络中,输出对应特征。因为深度学习网络可以处理批数据(mini-batch),所以该步骤耗时与提取一张图像特征接近。
进一步地,将上述网络输出特征依次与待识别图像对应特征比对,得到一组比对分数。计算加权平均分数作为待识别图像的特征稳定度。其中,特征对应权重与数据增强方式有关,根据实际情况预先分配。
方法2、利用特征方法
传统的人脸特征提取方法一般是通过滑窗的方式依次遍历整个图像,提取原始特征,然后降维得到最终比对特征;深度学习人脸特征提取方法是将卷积核通过滑窗方式依次遍历整个图像,得到卷积后特征,卷积核的大小称为感受野,随着网络层数加深,感受野也逐渐变大,最后利用网络模型的全连接层得到最终比对特征。
所以传统方法在降维前,深度学习方法在全连接层之前,得到的人脸特征与人脸区域是存在对应关系的,即传统方法中的滑窗大小,深度学习方法中的感受野,因此可以通过修改特征来模拟不同的外部环境干扰。
其中,原始特征中,需要改变特征值的特征位置可以事先固定,也可以随机选择,根据实际情况确定,令需要改变特征值的特征位置数量为N。
其中,需要说明的是,修改特征方法有很多,但是需要保证修改后的特征f′和原始特征f的分布一致,即均值和方差需要一致。
比如,N个需要改变特征值的位置可以互相交换特征值。
再比如,随机生成N个随机数,替换N个需要修改的特征值,然后通过如下公式将修改后特征分布变换为原始特征分布:
利用特征提取网络最后的全连接层保存的权重来计算最终识别特征,与原始特征比对。重复该步骤多次,计算平均比对分数,作为特征稳定度。
进一步地,第二动态阈值Td2由上述图像差异度Scoreq和特征稳定度Scoref计算得到,具体公式如下:
Td2=Tb2*Scoref*(1-Scoreq)
其中第二基础阈值Tb2是预先分配的,由场景复杂度和算法部署精度综合决定。
其中,需要说明的是,如果第一比对分数大于第二动态阈值,则人脸识别成功,否则识别失败;
步骤S106,如果步骤S104的识别结果为通过,则利用识别通过图像与注册底库图像逐一进行比对,通过计算相对特征稳定度和图像差异度,得到逐次比对所需的第三动态阈值,从而确定比对结果,根据比对结果判断是否用待识别图像更新到对应人员身份的注册底库中。
其中,人脸注册底库更新流程框图如图5所示。
步骤S502,获取识别成功图像。
步骤S504,逐一计算识别成功图像与所有底库图像间的图像差异度和相对特征稳定度,得到逐次比对所需的第三动态阈值,用于与对应图像间的比对分数进行比较。
其中,图像质量差异度的计算框图由图2所示。
步骤S202,获取用于计算图像质量差异度的两张图像,即待比对图像和第一图像。
步骤S204,计算两张图像的质量评价指标。
其中,图像质量评价包括图像亮度,面部光均匀度,图像清晰度,头部姿态等种类,但并不限于上述列举类型。
步骤S206,计算两张图像的质量差异程度,得到质量差异度。
其中,需要说明的是,对所述质量差异度具体操作可参考上述加权平均方法与深度学习方法,在这里不做另行赘述。
相对特征稳定度用来度量人脸特征提取模型输出的两个人脸特征对姿态、遮挡、环境变化等因素的鲁棒性,相对特征稳定度越高,表明比对分数越稳定,更有利于人脸识别。其中,需要说明的是,相对特征稳定度主要受特征提取模型和输入图像的影响,是一个整体度量标准。模型训练的越好,提取的特征具有更强的泛化性,可以更好的抵御外部干扰,提高算法的环境适应性。
进一步地,在实际应用人脸识别算法时,模型一般是固定不变的,所以相对特征稳定度主要受外部干扰因素影响。相对特征稳定度的计算框图由图4所示。
步骤S402,获取计算相对特征稳定度的两张图像,即识别成功图像和一张注册底库图像。
步骤S404,计算图像的相对特征稳定度。
其中,相对特征稳定度计算方式有多种,下面举例进行说明。
具体地,针对所述相对特征稳定度计算方法,具体实施例如下:
分别对识别成功图像和一张注册底库图像进行数据增强,以模拟常见的外部干扰因素,包括但并不限于以下类型:遮挡,光照,随机噪声,模糊。每种类型数据增强数量根据实际需求确定,两张图像的数据增强方法完全一致,利用相同数据增强方法生成的图像构成一个图像对。
比如,可以根据人脸关键点结果,确定五官位置,用纯黑色图像块覆盖眼睛,嘴巴,脸颊,额头等区域来模拟不同位置的遮挡,得到遮挡后人脸图像。
再比如,通过随机生成高斯噪声和椒盐噪声,模拟不同光辐照度下相机的底噪;通过利用如下公式调整图像亮度和对比度模拟不同时间段的图像环境光:
imgout=(img-127.5*(1-l))*c+127.5*(1+l)
其中,img是输入图像,l和c是分别用于调整图像亮度和对比度的参数。
将两张图像通过数据增强生成的人脸图像依次送入特征提取网络中,输出对应特征。因为深度学习网络可以处理批数据(mini-batch),所以该步骤耗时与提取两张图像特征接近。
依次将所有通过数据增强得到的图像对特征进行比对,得到一组比对分数。计算方差作为相对特征稳定度。
进一步地,针对所述相对特征稳定度计算方法,具体实施例如下:
传统的人脸特征提取方法一般是通过滑窗的方式依次遍历整个图像,提取原始特征,然后降维得到最终比对特征;深度学习人脸特征提取方法是将卷积核通过滑窗方式依次遍历整个图像,得到卷积后特征,卷积核的大小称为感受野,随着网络层数加深,感受野也逐渐变大,直至最后全连接层得到最终比对特征。
所以传统方法在降维前,深度学习方法在全连接层之前,得到的人脸特征与人脸区域是存在对应关系的,即传统方法中的滑窗大小,深度学习方法中的感受野。
因此可以通过修改特征来模拟不同的外部环境干扰,然后利用通过外部实现的全连接层或降维方法得到最终特征。
其中,在原始特征中,需要改变特征值的特征位置可以事先固定,也可以随机选择,根据实际情况确定,令需要改变特征值的特征位置数量为N。
其中,需要说明的是,修改特征方法有很多,但是需要保证修改后的特征f′和原始特征f的分布一致,即均值和方差需要一致。
比如,N个需要改变特征值的位置可以互相交换特征值。
再比如,随机生成N个随机数,替换N个需要修改的特征值,然后通过如下公式将修改后特征分布变换为原始特征分布:
进一步地,利用特征提取网络最后的全连接层保存的权重来计算最终识别特征,进行比对。重复该步骤多次,计算方差作为相对特征稳定度。
逐次比对所需的第三动态阈值Td3由上述逐次比对图像的图像差异度Scoreq和相对特征稳定度Scorerf计算得到,计算方式为:
Td3=Tb3*(1-Scoreq)-Scorerf
其中,第三基础阈值Tb3是预先分配的,由场景复杂度和算法部署精度综合决定。
步骤S506,如果识别通过图像和注册底库其中一张图像的比对分数大于对应计算得到的第三动态阈值,则停止更新底库,如果识别通过图像与所有注册底库图像的比对分数均小于等于各自计算得到的第三动态阈值,则将识别通过图像更新到底库中,替换原有注册底图,最终完成底图更新。
综上所述,与现有技术相比较,本发明提供了本发明提供了一种动态阈值人脸识别方法,可以更好的适应不同的环境和不同质量的待比对图像,利用识别通过的图像对注册底库进行自动更新,通过逐渐增大注册底图间的差异性,提高注册底库的质量和鲁棒性,采用动态更新注册底图的方式,让人脸识别更好的适应实际环境,降低识别误识率和拒识率,同时,提高算法的抗外部干扰能力,提高算法的稳定性,从而极大地提高识别精度和用户体验性,具有重大的生产实践意义。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已,本发明能够以很多不同于在此描述的其它方式来实施,因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (9)
1.一种动态阈值人脸识别方法,其特征在于,包括以下步骤:
S102,获取人脸待识别图像,将所述图像与底库注册图像逐一比对,计算比对分数,得到第一比对分数和对应第一图像,所有比对分数中最高分数称为第一比对分数;
S104,如果所述第一比对分数大于第一阈值,则利用所述待比对图像和所述第一图像计算图像差异度和特征稳定度,从而得到第二动态阈值,利用所述第二动态阈值得到所述待比对图像的人脸识别结果;
S106,如果所述人脸图像识别结果为通过,则利用所述识别通过的人脸图像与注册底库图像逐一进行比对,通过计算相对特征稳定度和图像差异度,得到逐次比对所需的第三动态阈值,从而确定比对结果,根据所述比对结果判断是否将所述图像更新到注册底库中。
2.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述注册底库图是指已注册人员存储在图像数据库底库中的预留原始注册图像。
3.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述待比对图像和所述第一图像计算图像差异度的计算方法包括但不限于加权平均法、分数回归法、深度学习法等方法计算。
4.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述待比对图像和所述第一图像计算特征稳定度的计算方法包括但不限于模型方法,特征方法等方法计算。
5.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,当所述识别通过的人脸图像和注册底库其中一张图像的比对分数大于对应计算得到的第三动态阈值时,则停止更新底库,当所述识别通过的人脸图像与所有注册底库图像的比对分数均小于等于各自计算得到的第三动态阈值时,则将所述识别通过的人脸图像更新到底库中,替换所述原有注册底图。
6.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述第一阈值是预先分配的,用于限定最低比对分数,若第一比对分数低于第一阈值,则说明待识别图像对应人员未在底库注册。
7.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述第二动态阈值Td2由所述图像差异度Scoreq和特征稳定度Scoref计算得到,计算方式为:
Td2=Tb2*Scoref*(1-Scoreq)
其中,公式所述第二基础阈值Tb2是预先分配的,由场景复杂度和算法部署精度综合决定。
8.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述第三动态阈值Td3由比对图像的图像差异度Scoreq和相对特征稳定度Scorerf计算得到,计算方式为:
Td3=Tb3*(1-Scoreq)-Scorerf
其中,公式所述第三基础阈值Tb3是预先分配的,由场景复杂度和算法部署精度综合决定。
9.根据权利要求1所述的一种动态阈值人脸识别方法,其特征在于,所述待识别人脸图像需要通过算法内部的质量评价算法,即保证所述待识别人脸图像需达到最低图像质量要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299778.9A CN112364801A (zh) | 2020-11-19 | 2020-11-19 | 一种动态阈值人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299778.9A CN112364801A (zh) | 2020-11-19 | 2020-11-19 | 一种动态阈值人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112364801A true CN112364801A (zh) | 2021-02-12 |
Family
ID=74532937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299778.9A Pending CN112364801A (zh) | 2020-11-19 | 2020-11-19 | 一种动态阈值人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364801A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818909A (zh) * | 2021-02-22 | 2021-05-18 | Oppo广东移动通信有限公司 | 图像更新方法、装置、电子设备及计算机可读介质 |
CN113420688A (zh) * | 2021-06-30 | 2021-09-21 | 平安科技(深圳)有限公司 | 自适应人脸识别处理方法、装置、电子设备及存储介质 |
CN113807319A (zh) * | 2021-10-15 | 2021-12-17 | 云从科技集团股份有限公司 | 人脸识别优化方法、装置、设备和介质 |
CN115019365A (zh) * | 2022-05-23 | 2022-09-06 | 北京计算机技术及应用研究所 | 一种基于模型适用性度量的分级人脸识别方法 |
-
2020
- 2020-11-19 CN CN202011299778.9A patent/CN112364801A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818909A (zh) * | 2021-02-22 | 2021-05-18 | Oppo广东移动通信有限公司 | 图像更新方法、装置、电子设备及计算机可读介质 |
CN113420688A (zh) * | 2021-06-30 | 2021-09-21 | 平安科技(深圳)有限公司 | 自适应人脸识别处理方法、装置、电子设备及存储介质 |
CN113420688B (zh) * | 2021-06-30 | 2024-07-23 | 平安科技(深圳)有限公司 | 自适应人脸识别处理方法、装置、电子设备及存储介质 |
CN113807319A (zh) * | 2021-10-15 | 2021-12-17 | 云从科技集团股份有限公司 | 人脸识别优化方法、装置、设备和介质 |
CN115019365A (zh) * | 2022-05-23 | 2022-09-06 | 北京计算机技术及应用研究所 | 一种基于模型适用性度量的分级人脸识别方法 |
CN115019365B (zh) * | 2022-05-23 | 2024-04-09 | 北京计算机技术及应用研究所 | 一种基于模型适用性度量的分级人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN112364801A (zh) | 一种动态阈值人脸识别方法 | |
US11417148B2 (en) | Human face image classification method and apparatus, and server | |
Dagnes et al. | Occlusion detection and restoration techniques for 3D face recognition: a literature review | |
CN112418095A (zh) | 一种结合注意力机制的面部表情识别方法及*** | |
CN110569756A (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
CN110991389B (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
CN111414858B (zh) | 人脸识别方法、目标图像的确定方法、装置和电子*** | |
CN111008971B (zh) | 一种合影图像的美学质量评价方法及实时拍摄指导*** | |
CN109858375A (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN110543848B (zh) | 一种基于三维卷积神经网络的驾驶员动作识别方法及装置 | |
CN107292272B (zh) | 一种在实时传输的视频中人脸识别的方法及*** | |
CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
EP1496465A1 (en) | Process and device for detecting faces in a colour image | |
CN114387641A (zh) | 基于多尺度卷积网络和ViT的虚假视频检测方法及*** | |
CN111783698A (zh) | 一种基于提高人脸识别模型训练稳定性的方法 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
Rahouma et al. | Design and implementation of a face recognition system based on API mobile vision and normalized features of still images | |
CN113095156A (zh) | 一种基于逆灰度方式的双流网络签名鉴定方法及装置 | |
CN115984930A (zh) | 微表情识别方法、装置、微表情识别模型的训练方法 | |
CN113361431B (zh) | 一种基于图推理的人脸遮挡检测的网络模型及方法 | |
CN109190582B (zh) | 一种微表情识别的新方法 | |
Peng et al. | Presentation attack detection based on two-stream vision transformers with self-attention fusion |
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 |