CN112906668B - 基于卷积神经网络的人脸信息识别方法 - Google Patents
基于卷积神经网络的人脸信息识别方法 Download PDFInfo
- Publication number
- CN112906668B CN112906668B CN202110375280.4A CN202110375280A CN112906668B CN 112906668 B CN112906668 B CN 112906668B CN 202110375280 A CN202110375280 A CN 202110375280A CN 112906668 B CN112906668 B CN 112906668B
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- data
- neural network
- convolutional neural
- 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.)
- Active
Links
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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,公开了一种基于卷积神经网络的人脸信息识别方法,先对原始人脸图像进行分割、对齐等处理,避免了背景、角度对于分类效果的影响,通过设计好的网络模型将分割对齐后的人脸数据进行输入,特征提取部分使用八层卷积神经网络,然后使用两个完全连接的模块作为性别识别和年龄识别的分类器。本发明克服了传统方法没办法解决位置、旋转等对于分类效果的影响,可以更准确地通过面部来预测人的性别和年龄。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于卷积神经网络的人脸信息识别方法。
背景技术
当今时代,像深度学习、人工智能等前沿技术正不断融入人们的日常中,甚至小到生活中随处可见的自动售货机,也已经开始使用刷脸支付等方式。而人脸的检测与识别早已不是什么遥不可及的事情,但在对于根据人脸识别性别和年龄这一研究领域还处在相对空白的阶段。人脸拥有大量的有用信息,并且这些信息具有稳定性、自然性和唯一性,是鉴别一个人的有效途径。同时人脸识别技术也是人机信息交互的不可或缺的成分,并且由于该技术无需接触,很大程度上提高了对用户的友好程度,因此近几年以人脸识别的技术在市场上占有很大的比重,发展也比较迅速。
基于人脸的信息识别,通过获取人脸的图片或者视频,人脸信息特征的提取是人脸识别的前提工作,信息特征提取的准确性将会很大程度上影响人脸识别的效果,而反过来,在人脸识别准确率高的基础上,再对人脸图片进行人脸识别有着广泛的应用场景。
发明内容
本发明针对目前对人脸识别中人脸性别和年龄判断存在的空白,提出了一种基于卷积神经网络的人脸信息识别方法。
为了解决上述技术问题,本发明的技术方案为:
一种基于卷积神经网络的人脸信息识别方法,包括以下步骤:
S1,收集人脸图片,对人脸图片进行分类和标注,将标注的结果存入对应的CSV文件中,将人脸图片按照年龄和性别分类进行整理存放,获得Adience人脸数据集;
S2,对Adience人脸数据集中人脸图片进行预处理,然后根据预训练好的人脸检测模型MTCNN判断图片中是否具有人脸,如有则标记人脸位置;
S3,将检测到的人脸区域裁剪下来,再把模糊的图像利用彩色直方图均衡化进行增强;
S4,对每一张人脸图片,根据需要选定标签符合规定值区间的图片,比如规定的年龄范围,不符合的人脸图片则丢弃;
S5,对于筛选后的人脸图片进行一系列的随机的包括裁剪、旋转、翻转在内的操作,让有限的图片数据产生更多的等价图片数据;
S6,对上述人脸图片以及性别和年龄标签,设计一个人脸识别卷积神经网络模型,将其命名为Remon_Net;
S7,对于处理后的人脸图片数据和标定的人脸信息分类结果,输入给所设计好的的人脸识别卷积神经网络模型Remon_Net进行参数训练直至收敛;
S8,利用训练好的人脸识别卷积神经网络模型Remon_Net对视频输入流进行人脸信息预测,对属于预先规定的种类的目标进行框选,得到人脸区域以及类别信息。
较佳的,步骤S2中包括以下步骤:
S21,使用现有的Adience人脸数据集,并对该数据进行整合,去除无效文件并整合标签文件;
S22,搭建现有的人脸检测模型MTCNN,并将整合好的人脸数据集输入给该模型训练,直至参数收敛得到训练好的人脸检测模型MTCNN;
S23,将训练好的人脸检测模型应用到步骤S1中的Adience人脸数据集上。
较佳的,步骤S3包括以下步骤:
S31,对于检测到的人脸区域,将原始人脸图片包括头发部分进行截取;
S32,采用彩色图像直方图均衡化的方法对部分模糊的图像进行增强;
S33,对于步骤S32中的彩色图像直方图均衡化,当图像发生非线性延展时,像素值重新分配,最后输出的图像是顶端平滑的不连续直方图;
S34,对彩色图像的三通道都做均衡化处理,最后再合并输出。
较佳的,步骤S6包括以下步骤:
S61,人脸识别卷积神经网络模型Remon_Net设计八层卷积,前四层卷积提取基本特征,后四层卷积提取高级特征;
S62,对上述的八层卷积选用小尺寸的卷积核;
S63,对于上述每层卷积之间的激活函数采用Relu函数,并使用学习率调整功能来监视损失值的变化以调整学习率;
S64,将上述特征提取网络的输出共享给两个分类器,年龄分类器和性别分类器,年龄分类器最终输出年龄区间段,而性别分类器输出人脸图片的性别标签。
较佳的,步骤S8包括以下步骤:
S81,接收未知人脸图片或者利用摄像头采集的视频流数据并按时间帧截取,将一段时间序列的数据记录保存到计算机存储中进行输入;
S82,对于上述的图像数据,使用训练好的人脸检测模型MTCNN进行人脸的检测以及人脸区域的回归,如没有检测到人脸则丢弃该图像数据,否则保存该数据;
S83,对于检测到人脸的这一图像数据,将图片中所有人脸区域输入到训练好的人脸识别卷积神经网络模型Remon_Net进行预测,输出每个人脸区域的人脸信息数据;
S84,将所有的检测结果进行整合,对应每一个人脸区域的位置,包括人脸大小、年龄、性别在内的属性,并将其实时返回输出在视频流窗口中。
与现有技术相比,本发明的有益效果是:
本发明先对原始人脸图像进行分割、对齐等处理,避免了背景、角度对于分类效果的影响,通过设计好的网络模型将分割对齐后的人脸数据进行输入,特征提取部分使用八层卷积神经网络,然后使用两个完全连接的模块作为性别识别和年龄识别的分类器。本发明采用卷积神经网络模型进行特征提取,克服了传统方法没办法解决位置、旋转等对于分类效果的影响,因此本发明提供的方法可以更准确地通过面部来预测人的性别和年龄。同时本发明人脸识别卷积神经网络模型Remon_Net中将人脸特征提取网络的输出直接共享给两个并行的分类器模块,避免了使用两个单独的模型进行分类工作所造成的多余的计算量以及过长的预测时间,在一定程度上解决了传统图像分类在人脸信息识别上的低实时性的问题。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种基于卷积神经网络的人脸信息识别方法的流程图;
图2为本发明人脸识别卷积神经网络模型Remon_Net的原理图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参考图1,一种基于卷积神经网络的人脸信息识别方法,包括以下步骤:
S1,收集人脸图片,对人脸图片进行分类和标注,将标注的结果存入对应的CSV文件中,将人脸图片按照年龄和性别分类进行整理存放,获得Adience人脸数据集;
S2,对Adience人脸数据集中人脸图片进行预处理,然后根据预训练好的人脸检测模型MTCNN判断图片中是否具有人脸,如有则标记人脸位置;
S21,使用现有的Adience人脸数据集,并对该数据进行整合,去除无效文件并整合标签文件;
S22,搭建现有的人脸检测模型MTCNN,并将整合好的人脸数据集输入给该模型训练,直至参数收敛得到训练好的人脸检测模型MTCNN;
S23,将训练好的人脸检测模型应用到步骤S1中的Adience人脸数据集上。
训练好的人脸检测模型的准确率能达到94%以上。
S3,将检测到的人脸区域裁剪下来,再把模糊的图像利用彩色直方图均衡化进行增强;
对人脸区域的裁剪,可以去除复杂背景,保留了图片的有效的特征,减少了多余的特征。
S31,对于检测到的人脸区域,将原始人脸图片包括头发部分进行截取;
为了保留更多的图片信息,对检测结果进行一定的扩充,使得头发信息也能被留住。
S32,采用彩色图像直方图均衡化的方法对部分模糊的图像进行增强;
通过对部分模糊的图像进行增强依次来使主体特征更加明显和清晰。
S33,对于步骤S32中的彩色图像直方图均衡化,当图像发生非线性延展时,像素值重新分配,最后输出的图像是顶端平滑的不连续直方图;
在一定条件下,互不相同的像素灰度数量趋于均衡化,而没做处理的部分对比度更加明显,因此最后输出的图像是顶端平滑的不连续直方图。
S34,对彩色图像的三通道都做均衡化处理,最后再合并输出。
S4,对每一张人脸图片,根据需要选定标签符合规定值区间的图片,比如规定的年龄范围,不符合的人脸图片则丢弃;
S5,对于筛选后的人脸图片进行一系列的随机的包括裁剪、旋转、翻转在内的操作,让有限的图片数据产生更多的等价图片数据;
更多的等价图片数据可以防止模型训练过程中的过拟合问题,即只对选择训练的人脸图片有效,而对未知的人脸识别无效。
S6,对上述人脸图片以及性别和年龄标签,设计一个人脸识别卷积神经网络模型,将其命名为Remon_Net;
S61,人脸识别卷积神经网络模型Remon_Net设计八层卷积,前四层卷积提取基本特征,后四层卷积提取高级特征;
基本特征就是一些局部特征,比如一个器官这种,然后高级特征就是器官的一些纹理线条等特征。
S62,对上述的八层卷积选用小尺寸的卷积核;
对于上述的八层卷积不仅可以实现特征提取和分类的功能,并选用小尺寸的卷积核,比如3×3,从而可以减少训练过程中的计算量,加快人脸识别的速率。
S63,对于上述每层卷积之间的激活函数采用Relu函数,并使用学习率调整功能来监视损失值的变化以调整学习率;
采用Relu函数主要是为了给模型增加非线性的能力,线性的模型并不能很好的表达。Relu函数判断当前节点的输出是否达到阈值,达到则传递到下一层,没有则不会传递。
S64,将上述特征提取网络的输出共享给两个分类器,年龄分类器和性别分类器,年龄分类器最终输出年龄区间段,而性别分类器输出人脸图片的性别标签。
参考图2,人脸识别卷积神经网络模型Remon_Net包括左边的特征提取网络和右边的两个分类模块。特征提取网络包括八层,每层拥有一个卷积层、一个正则化层和一个激活函数层,然后下面的数据代表卷积层的通道数目。两个分类模块通过特征提取网络的输出,因为经过了一个最大池化层,不仅降采样还将输出展平至一维,所以两个分类器就使用全连接层进行连接,下面的数字代表全连接层的节点数。最后的一个是输出的分类书,性别是2分类,年龄是8分类,即输出性别的可能性和各个年龄段的可能性。
S7,对于处理后的人脸图片数据和标定的人脸信息分类结果,输入给所设计好的的人脸识别卷积神经网络模型Remon_Net进行参数训练直至收敛;
S8,利用训练好的人脸识别卷积神经网络模型Remon_Net对视频输入流进行人脸信息预测,对属于预先规定的种类的目标进行框选,得到人脸区域以及类别信息。
“对属于预先规定的种类的目标进行框选”是指只检测人脸,并将人脸的信息类别进行判别,符合人脸且类别在范围内才在检测效果中框选。
S81,接收利用摄像头采集的视频流数据并按时间帧截取,将一段时间序列的数据记录保存到计算机存储中进行输入,相当于每个输入数据即每一帧的图像数据;
S82,对于上述的图像数据,使用训练好的人脸检测模型MTCNN进行人脸的检测以及人脸区域的回归,如没有检测到人脸则丢弃该图像数据,否则保存该数据;
S83,对于检测到人脸的这一图像数据,将图片中所有人脸区域输入到训练好的人脸识别卷积神经网络模型Remon_Net进行预测,输出每个人脸区域的人脸信息数据;
S84,将所有的检测结果进行整合,对应每一个人脸区域的位置,包括人脸大小、年龄、性别在内的属性,并将其实时返回输出在视频流窗口中。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (1)
1.一种基于卷积神经网络的人脸信息识别方法,其特征在于,包括以下步骤:
S1,收集人脸图片,对人脸图片进行分类和标注,将标注的结果存入对应的CSV文件中,将人脸图片按照年龄和性别分类进行整理存放,获得Adience人脸数据集;
S2,对Adience人脸数据集中人脸图片进行预处理,然后根据预训练好的人脸检测模型MTCNN判断图片中是否具有人脸,如有则标记人脸位置;
S3,将检测到的人脸区域裁剪下来,再把模糊的图像利用彩色直方图均衡化进行增强;
S4,对每一张人脸图片,根据需要选定标签符合规定值区间的图片,不符合的人脸图片则丢弃;
S5,对于筛选后的人脸图片进行一系列的随机的包括裁剪、旋转、翻转在内的操作,让有限的图片数据产生更多的等价图片数据;
S6,对上述人脸图片以及性别和年龄标签,设计一个人脸识别卷积神经网络模型,将其命名为Remon_Net;
S7,对于处理后的人脸图片数据和标定的人脸信息分类结果,输入给所设计好的的人脸识别卷积神经网络模型Remon_Net进行参数训练直至收敛;
S8,利用训练好的人脸识别卷积神经网络模型Remon_Net对视频输入流进行人脸信息预测,对属于预先规定的种类的目标进行框选,得到人脸区域以及类别信息;
步骤S2中包括以下步骤:
S21,使用现有的Adience人脸数据集,并对该数据进行整合,去除无效文件并整合标签文件;
S22,搭建现有的人脸检测模型MTCNN,并将整合好的人脸数据集输入给该模型训练,直至参数收敛得到训练好的人脸检测模型MTCNN;
S23,将训练好的人脸检测模型应用到步骤S1中的Adience人脸数据集上;
步骤S3包括以下步骤:
S31,对于检测到的人脸区域,将原始人脸图片包括头发部分进行截取;
S32,采用彩色图像直方图均衡化的方法对部分模糊的图像进行增强;
S33,对于步骤S32中的彩色图像直方图均衡化,当图像发生非线性延展时,像素值重新分配,最后输出的图像是顶端平滑的不连续直方图;
S34,对彩色图像的三通道都做均衡化处理,最后再合并输出;
步骤S6包括以下步骤:
S61,人脸识别卷积神经网络模型Remon_Net设计八层卷积,前四层卷积提取基本特征,后四层卷积提取高级特征;
S62,对上述的八层卷积选用小尺寸的卷积核;
S63,对于上述每层卷积之间的激活函数采用Relu函数,并使用学习率调整功能来监视损失值的变化以调整学习率;
S64,将上述特征提取网络的输出共享给两个分类器,年龄分类器和性别分类器,年龄分类器最终输出年龄区间段,而性别分类器输出人脸图片的性别标签;
步骤S8包括以下步骤:
S81,接收未知人脸图片或者利用摄像头采集的视频流数据并按时间帧截取,将一段时间序列的数据记录保存到计算机存储中进行输入;
S82,对于上述的图像数据,使用训练好的人脸检测模型MTCNN进行人脸的检测以及人脸区域的回归,如没有检测到人脸则丢弃该图像数据,否则保存该数据;
S83,对于检测到人脸的这一图像数据,将图片中所有人脸区域输入到训练好的人脸识别卷积神经网络模型Remon_Net进行预测,输出每个人脸区域的人脸信息数据;
S84,将所有的检测结果进行整合,对应每一个人脸区域的位置,包括人脸大小、年龄、性别在内的属性,并将其实时返回输出在视频流窗口中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375280.4A CN112906668B (zh) | 2021-04-07 | 2021-04-07 | 基于卷积神经网络的人脸信息识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375280.4A CN112906668B (zh) | 2021-04-07 | 2021-04-07 | 基于卷积神经网络的人脸信息识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906668A CN112906668A (zh) | 2021-06-04 |
CN112906668B true CN112906668B (zh) | 2023-08-25 |
Family
ID=76110095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110375280.4A Active CN112906668B (zh) | 2021-04-07 | 2021-04-07 | 基于卷积神经网络的人脸信息识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906668B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
WO2020114118A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
CN111611849A (zh) * | 2020-04-08 | 2020-09-01 | 广东工业大学 | 一种用于门禁设备的人脸识别*** |
CN112200008A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下人脸属性识别方法 |
-
2021
- 2021-04-07 CN CN202110375280.4A patent/CN112906668B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
WO2020114118A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
CN111611849A (zh) * | 2020-04-08 | 2020-09-01 | 广东工业大学 | 一种用于门禁设备的人脸识别*** |
CN112200008A (zh) * | 2020-09-15 | 2021-01-08 | 青岛邃智信息科技有限公司 | 一种社区监控场景下人脸属性识别方法 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络的人脸年龄分类;李超琪;王绍宇;;智能计算机与应用(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906668A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304788B (zh) | 基于深度神经网络的人脸识别方法 | |
CN106919920B (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
Zhang et al. | Improving multiview face detection with multi-task deep convolutional neural networks | |
CN112215180B (zh) | 一种活体检测方法及装置 | |
CN105069472B (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
CN112784763A (zh) | 基于局部与整体特征自适应融合的表情识别方法及*** | |
CN111368764B (zh) | 一种基于计算机视觉与深度学习算法的虚假视频检测方法 | |
CN109858467B (zh) | 一种基于关键点区域特征融合的人脸识别方法及装置 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN110674730A (zh) | 一种基于单目的人脸静默活体检测方法 | |
Gragnaniello et al. | Biometric spoofing detection by a domain-aware convolutional neural network | |
CN109063626A (zh) | 动态人脸识别方法和装置 | |
CN111353447A (zh) | 一种基于图卷积网络的人体骨架行为识别方法 | |
CN106485226A (zh) | 一种基于神经网络的视频行人检测方法 | |
Alafif et al. | On detecting partially occluded faces with pose variations | |
Yifei et al. | Flower image classification based on improved convolutional neural network | |
Mirrashed et al. | Domain adaptive object detection | |
CN109159129A (zh) | 一种基于人脸表情识别的智能陪伴机器人 | |
Kumar et al. | Facial emotion recognition and detection using cnn | |
CN112906668B (zh) | 基于卷积神经网络的人脸信息识别方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及*** | |
KR20180092453A (ko) | Cnn과 스테레오 이미지를 이용한 얼굴 인식 방법 | |
CN107315985A (zh) | 一种虹膜识别方法及终端 | |
Elmansori et al. | An enhanced face detection method using skin color and back-propagation neural network | |
Depuru et al. | Hybrid CNNLBP using facial emotion recognition based on deep learning approach |
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 |