CN113688698A - 基于人工智能的人脸转正识别方法和*** - Google Patents
基于人工智能的人脸转正识别方法和*** Download PDFInfo
- Publication number
- CN113688698A CN113688698A CN202110908979.2A CN202110908979A CN113688698A CN 113688698 A CN113688698 A CN 113688698A CN 202110908979 A CN202110908979 A CN 202110908979A CN 113688698 A CN113688698 A CN 113688698A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- sequence
- obtaining
- database
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出了一种基于人工智能的人脸转正识别方法和***。方法包括：获得人脸数据库中各人物的角度信息量序列；将待识别人脸视频中不同水平偏转角度的人脸图像转正；筛选出相似度大于阈值的人脸数据库中的人脸图像组成第一图像集合；待识别视频中其他水平偏转角度的人脸图像组成第二图像集合；第一图像集合中的每个图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。本发明根据视频中不同水平偏转角度人脸信息量序列与人脸数据库信息量序列的差异确定人脸识别的结果，充分利用了视频中不同水平偏转角度的侧脸图像信息，能更精确的得到人脸识别的结果。
Description
技术领域
本申请涉及人脸识别及人工智能领域，具体涉及一种基于人工智能的人脸转正识别方法和***。
背景技术
人脸识别技术应用的十分广泛，国家安全、军事安全和公共安全领域，智能视频监控，公安布防以及社区管理等是经典应用；在民事和经济领域，各类银行卡持卡人身份验证等有着关键的应用价值，随着人脸识别技术的不断发展，在内容检索、数字视频处理、视觉检测等方面都有着关键的应用价值，而实时视频中的人脸识别技术，在内容检索、数字视频处理、视觉检测和视频监控***方面都是一种十分重要的人脸识别技术。
实时视频中的人脸识别，通常会选择其中对识别影响最小的一幅图像进行识别，但是此时该张图像的识别仍然可能出现错误甚至识别不出。
现有技术提出了根据关键点位置计算人脸的侧脸分数，根据侧脸分数判断侧脸的程度，利用侧脸和正脸关键点位置的差异，筛选得到最接近正脸的图像，进行识别，但其他侧脸的图像仍包含许多可以利用的信息，直接将这些侧脸图像舍弃，会丢失许多重要的信息，而且筛选出的单帧图像有一定的特异性，与人脸库中的标准图像可能存在偏差，造成错误的识别结果。
发明内容
针对上述问题，本发明提出一种基于人工智能的人脸转正识别方法和***，所采用的技术方案如下：
第一方面，本发明一个实施例提供了一种基于人工智能的人脸转正识别方法。
获得人脸数据库中不同人物脸部各水平偏转角度的侧脸图像；对侧脸图像进行转正，根据转正后图像与人脸数据库中对应人物正脸图像的相似度获得侧脸图像的信息量；各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列；
获取待识别人脸视频中不同水平偏转角度的人脸图像，并进行转正；将水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合；获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合；针对第一图像集合中的每个图像，根据该图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。
优选地，样本人物的人脸图像作为样本集，样本人物的角度信息量序列作为标签数据，训练信息量分析网络，获得人脸数据库中各人物的角度信息量序列。
优选地，信息量分析网络结构包括：将人脸数据库人脸图像输入第一网络模块，得到第一生成特征图；将人脸图像输入第二网络模块，得到人脸特征参数；利用人脸特征参数获得三维人脸模型，对三维人脸模型渲染生成重渲染图像；利用第三网络模块对三维人脸模型进行特征提取得到第二生成特征图；利用第二网络模块的收敛值生成第一嵌入特征图，利用人脸数据库中人脸图像与重渲染图像的差异生成第二嵌入特征图，将第一、第二生成特征图、以及第一、第二嵌入特征图联合并输入第四网络模块得到角度信息量序列。
优选地，转正后图像与人脸数据库中对应人物正脸图像的相似度获取包括：分别获得转正后图像与对应人物正脸各区域的特征描述向量；根据两张图像特征描述向量的距离获得两者相似度。
优选地，所述侧脸图像的信息量获取包具体为：转正后图像与人脸数据库中对应人物正脸图像的相似度乘以扩张系数得到侧脸图像的信息量。
第二方面，本发明另一个实施例提供了一种基于人工智能的人脸转正识别方***。
一种基于人工智能的人脸转正识别***，***包括：角度信息量序列获取模块，用于获得人脸数据库中不同人物脸部各水平偏转角度的侧脸图像；对侧脸图像进行转正，根据转正后图像与人脸数据库中对应人物正脸图像的相似度获得侧脸图像的信息量；各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列；
人脸识别模块，用于获取待识别人脸视频中不同水平偏转角度的人脸图像，并进行转正；将水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合；获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合；针对第一图像集合中的每个图像，根据该图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。
本发明技术方案有如下有益效果：
本发明根据不同水平偏转角度下的侧脸转正图像与人脸数据库中对应人物的相似度，提取各水平偏转角度下侧脸图像的信息量，组成角度信息量序列，利用视频中除最接近正脸的所有水平偏转角度的人脸图像的信息量序列与人脸数据库信息量序列差异进行人脸识别，不仅提升了人脸识别的效率，而且保证了人脸识别时信息的完备性，提高了人脸识别的准确率。
附图说明
图1为本发明的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明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，对依据本发明提出的一种基于人工智能人脸转正识别方法和***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
实施例1：
本发明主要应用的场景为：视频中进行人脸识别。对视频中的人脸进行识别时，视频中人脸图像可能为侧脸图像，获取侧脸图像的信息量，利用信息量的差异进行人脸识别。
下面结合附图和具体实施例对本发明进一步详细说明。方法流程图如图1所示。
首先，获得人脸数据库中不同人物脸部各水平偏转角度的侧脸图像；对侧脸图像进行转正，根据转正后图像与人脸数据库中对应人物正脸图像的相似度获得侧脸图像的信息量；各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列。
人脸数据库获取具体为：架设摄像机拍摄包含人脸的视频流，所述摄像机视角固定，摄像机成像面中心点与人脸中心点高度设置相同，人脸的正脸定义为人脸与摄像机成像面平行，水平偏转角度为0°，侧脸定义为在正脸基础上，左右发生旋转。获取视频流中大量不同人的正脸RGB图像，组成人脸数据库。
在模拟器中获得人脸数据库中各正脸图像的各水平偏转角度的侧脸图像，其水平偏转角度范围为(-90°,90°)，偏转步长为1°。并将不同水平偏转角度的侧脸图像转正为正脸图像，目前针对侧脸转正的网络有很多，优选地，本发明使用对抗网络(GAN)完成侧脸转正，该方法周知，在此不再赘述。
将人脸划分为不同区域，如左右眉眼区域(包含眼睛和眉毛)、鼻子左右区以及嘴巴左右区域等，获得每个区域的特征描述向量α。目前，对人脸区域进行特征描述的方法有很多，本发明采用LBP算法获得人脸区域的特征描述向量，该方法为公知技术，本发明不再赘述其过程。获得转正后人脸图像与人脸数据库中对应人物正脸各区域的特征描述向量。
转正后人脸图像各区域特征描述向量与人脸数据库中对应人物正脸各区域特征描述向量一一对应，计算各对应区域特征描述向量的距离，获得两者相似度γ。对于同一人物，人脸水平偏转每一个角度θ，与人脸数据库中该人物的正脸图像都可计算得到一个相似度γ。相似度越大时，该水平偏转角度下侧脸图像的转正正脸图像对人脸数据库中正脸图像还原度越高，该水平偏转角度下的侧脸图像的信息量就越大。给出信息量的计算公式：
INF＝k·γ+b
式中，INF为侧脸图像所具备的信息量，k为扩张系数，作用是扩大γ的影响，本发明设置k＝5，b为基础值，本发明设置b＝0。不同人物各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列。根据上述方法即可获得人脸数据库所有人物的角度信息量序列。
然后，获取待识别人脸视频中不同水平偏转角度的人脸图像，并进行转正；将水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合；获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合；针对第一图像集合中的每个图像，根据该图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。
由上述摄像机拍摄待识别人脸视频。本发明方法需要分析待识别人脸视频的不同视频帧的偏转角度。首先，需要获取视频帧中的人脸信息，具体地，送入训练好的语义分割网络中，得到人脸区域的Mask，将该Mask图像与原RGB图像逐像素相乘，得到只包含人脸区域的待识别图像I1。语义分割网络为端到端的Encoder-Decoder结构，通过编码器进行卷积操作提取特征，编码器输出结果为特征图，特征图通过解码器操作，得到语义分割图。语义分割网络的训练过程为：
a)将人脸区域的图像作为训练数据集，其中随机选择数据集的80％作为训练集，剩余的20％作为验证集。
b)人为地给训练集打上标签，将人脸区域的像素点标签为1，其他区域的像素点为0，获得标注数据。损失函数采用交叉熵损失函数进行训练。
然后根据视频帧中的人脸信息分析偏转角度。具体地，训练人脸角度计算神经网络，获得不同角度人脸的侧脸角度。
将获得的人脸区域图像I1送入人脸角度计算神经网络，得到人脸区域图像I1对应的水平偏转角度θ。网络的具体训练过程为：
a)在模拟器中生成各个角度的侧脸图像作为数据集，其中随机选择数据集的80％作为训练集，剩余的20％作为验证集。
b)通过模拟器获得训练集的标签。在模拟器中构建人脸3D模型，同时添加相机，相机位置变化规则设置为：相机在穿过人脸头部中心点且垂直人脸的平面上沿头部中心点进行旋转，将光轴与过头部中心点的人脸左右方向线的夹角定义为水平偏转角度θ。本发明所述人脸的侧脸角度范围为(-90°，90°)，右脸朝向摄像机时相对正脸角度0°此时水平偏转角度为负，左脸朝向摄像机时相对于正脸角度0°此时水平偏转角度为正，将夹角θ作为标签数据进行标注。损失函数采用均方差损失函数进行训练。
将待识别视频中的多张人脸图像输入到人脸角度计算网络中，可以获得待识别视频中多张人脸图像的侧脸角度[θ1，θ2...θN]，其中N为视频帧中包含人脸图像的个数。根据视频帧中多张人脸图像的侧脸角度[θ1，θ2...θN]，获取水平偏转角度最小的人脸图像，即水平偏转角度集合中，最接近0°的人脸图像。
获取待识别人脸的视频，获取视频中不同水平偏转角度的人脸图像，依次将不同水平偏转角度的人脸图像转正得到转正图像。由上述获得的水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合。
获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合。对于第一图像集合中的每个图像，获取该图像与第二图像集合每张图像的相似度，根据信息量计算公式获得该图像对应第二图像集合水平偏转角度下的信息量角度子序列。获取第一图像集合中每个图像对应的信息量子序列，根据每个角度信息量子序列与其对应的信息量序列的对应元素差异确定人脸识别结果。实施中，选取对应元素差异最小的作为人脸识别结果。
在获取角度信息量序列中，需要获得人脸数据库中每个人物的约180张侧脸图像并进行转正，然后进行相似度计算，即对于每个人物需要进行1次三维建模、180次基于GAN的人脸转正，以及180次相似度计算。为了进一步提高角度信息量序列的获取效率，本实施例设计了信息量分析网络。人脸数据库中一部分人物作为样本人物，获取模拟器生成的样本人物各水平偏转角度下的人脸图像作为样本集，样本人物的角度信息量序列作为标签数据，训练信息量分析网络，获得人脸数据库中各人物的角度信息量序列。
利用信息量分析网络对人脸数据库中的人脸进行分析，获得人脸数据库中每张人脸的角度信息量序列。具体地，对训练样本集中的人脸进行分析，得到训练样本集对应的人脸形状参数，以人脸形状参数为输入，得到每个人脸的角度信息量序列。
信息量分析网络结构：将人脸图像输入第一网络模块，得到第一生成特征图；将待人脸图像输入第二网络模块，得到人脸特征参数；利用人脸特征参数获得三维人脸模型，对三维人脸模型渲染生成重渲染图像，利用第三网络模块对三维人脸模型进行特征提取得到第二生成特征图；利用第二网络模块的收敛值生成第一嵌入特征图，利用人脸图像与重渲染图像的差异生成第二嵌入特征图，将第一、第二生成特征图、以及第一、第二嵌入特征图联合并输入第四网络模块得到角度信息量序列。第二网络模块的收敛值为损失函数的收敛值。信息分析网络利用人脸模型的特征、人脸图像的特征以及网络模块的收敛值，提高了信息分析网络的收敛速度以及输出精度。
信息量分析网络训练方法如下。首先，训练第二网络模块。将训练样本输入第二网络模块，得到人脸特征参数，根据人脸特征参数以及特征基向量重构三维人脸模型。根据重构三维人脸模型与真值三维人脸模型的差异、重渲染图像与训练样本图像的差异对第二网络模块进行权重参数调整使第二网络模块收敛。当网络收敛时获取第二网络模块的收敛值，根据该收敛值生成第一嵌入特征图，第一嵌入特征图的尺寸与第一生成特征图的至少一个维度的尺寸相同。然后，训练第一、第三、第四网络模块。将训练样本输入第一网络模块，根据三个网络模块之间的数据流动关系进行监督训练，得到角度信息量序列。
信息量分析网络的损失函数。为提高角度信息曲线的精度，设计损失函数如下：
优选地，w0取1，ε取1。其中INFi为网络输出的人脸数据库中人物第i个水平偏转角度侧脸图像的信息量，INF′i为由信息量计算公式得到的人脸数据库中人物第i个水平偏转角度侧脸图像的信息量，w0为初始权重值，ε为权重调整系数。
实施例2：
本实施例提供了一种***实施例。一种基于人工智能的人脸转正识别***，包括：
角度信息量序列获取模块，用于获得人脸数据库中不同人物脸部各水平偏转角度的侧脸图像；对侧脸图像进行转正，根据转正后图像与人脸数据库中对应人物正脸图像的相似度获得侧脸图像的信息量；各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列；
人脸识别模块，用于获取待识别人脸视频中不同水平偏转角度的人脸图像，并进行转正；将水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合；获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合；针对第一图像集合中的每个图像，根据该图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。
Claims (10)
1.一种基于人工智能的人脸转正识别方法，其特征在于，该方法包括：
获得人脸数据库中不同人物脸部各水平偏转角度的侧脸图像；对侧脸图像进行转正，根据转正后图像与人脸数据库中对应人物正脸图像的相似度获得侧脸图像的信息量；各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列；
获取待识别人脸视频中不同水平偏转角度的人脸图像，并进行转正；将水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合；获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合；针对第一图像集合中的每个图像，根据该图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：样本人物的人脸图像作为样本集，样本人物的角度信息量序列作为标签数据，训练信息量分析网络，获得人脸数据库中各人物的角度信息量序列。
3.根据权利要求1所述的方法，其特征在于，信息分析网络结构包括：将人脸数据库人脸图像输入第一网络模块，得到第一生成特征图；将人脸图像输入第二网络模块，得到人脸特征参数；利用人脸特征参数获得三维人脸模型，对三维人脸模型渲染生成重渲染图像；利用第三网络模块对三维人脸模型进行特征提取得到第二生成特征图；利用第二网络模块的收敛值生成第一嵌入特征图，利用人脸数据库中人脸图像与重渲染图像的差异生成第二嵌入特征图，将第一、第二生成特征图、以及第一、第二嵌入特征图联合并输入第四网络模块得到角度信息量序列。
4.根据权利要求1所述的方法，其特征在于，转正后图像与人脸数据库中对应人物正脸图像的相似度获取包括：分别获得转正后图像与对应人物正脸各区域的特征描述向量；根据两张图像特征描述向量的距离获得两者相似度。
5.根据权利要求1所述的方法，其特征在于，所述侧脸图像的信息量获取具体为：转正后图像与人脸数据库中对应人物正脸图像的相似度乘以扩张系数得到侧脸图像的信息量。
6.一种基于人工智能的人脸转正识别***，其特征在于，***包括：角度信息量序列获取模块，用于获得人脸数据库中不同人物脸部各水平偏转角度的侧脸图像；对侧脸图像进行转正，根据转正后图像与人脸数据库中对应人物正脸图像的相似度获得侧脸图像的信息量；各水平偏转角度的侧脸图像的信息量组成人物的角度信息量序列；
人脸识别模块，用于获取待识别人脸视频中不同水平偏转角度的人脸图像，并进行转正；将水平偏转角度最小的人脸图像对应的转正图像与人脸数据库中人脸图像进行相似度比较，获取相似度大于阈值的人脸数据库中的人脸图像，组成第一图像集合；获得待识别视频中其他水平偏转角度的人脸图像，组成第二图像集合；针对第一图像集合中的每个图像，根据该图像与第二图像集合每张图像的相似度得到角度信息量子序列；根据每个角度信息量子序列与其对应角度信息量序列的对应元素差异确定人脸识别结果。
7.根据权利要求6所述的***，其特征在于，所述角度信息量序列获取模块还用于将样本人物的人脸图像作为样本集，样本人物的角度信息量序列作为标签数据，训练信息量分析网络，获得人脸数据库中各人物的角度信息量序列。
8.根据权利要求6所述的***，其特征在于，所述角度信息量序列获取模块还用于将人脸数据库人脸图像输入第一网络模块，得到第一生成特征图；将人脸图像输入第二网络模块，得到人脸特征参数；利用人脸特征参数获得三维人脸模型，对三维人脸模型渲染生成重渲染图像；利用第三网络模块对三维人脸模型进行特征提取得到第二生成特征图；利用第二网络模块的收敛值生成第一嵌入特征图，利用人脸数据库中人脸图像与重渲染图像的差异生成第二嵌入特征图，将第一、第二生成特征图、以及第一、第二嵌入特征图联合并输入第四网络模块得到角度信息量序列。
9.根据权利要求6所述的***，其特征在于，所述角度信息量序列获取模块还用于分别获得转正后图像与对应人物正脸各区域的特征描述向量；根据两张图像特征描述向量的距离获得两者相似度。
10.根据权利要求6所述的***，其特征在于，所述角度信息量序列获取模块还用于转正后图像与人脸数据库中对应人物正脸图像的相似度乘以扩张系数得到侧脸图像的信息量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110908979.2A CN113688698B (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能的人脸转正识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110908979.2A CN113688698B (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能的人脸转正识别方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688698A true CN113688698A (zh) | 2021-11-23 |
| CN113688698B CN113688698B (zh) | 2022-09-16 |
Family
ID=78579245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110908979.2A Active CN113688698B (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能的人脸转正识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688698B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842544A (zh) * | 2022-07-04 | 2022-08-02 | 江苏布罗信息技术有限公司 | 一种适用于面瘫患者的智能化人脸识别方法和*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种人脸识别方法、装置和*** |
| US20190130167A1 (en) * | 2017-10-28 | 2019-05-02 | Altumview Systems Inc. | Enhanced face-detection and face-tracking for resource-limited embedded vision systems |
| WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技（深圳）有限公司 | 身份识别方法、计算机设备及存储介质 |
| CN112507889A (zh) * | 2019-04-29 | 2021-03-16 | 众安信息技术服务有限公司 | 一种校验证件与持证人的方法及*** |
-
2021
- 2021-08-09 CN CN202110908979.2A patent/CN113688698B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种人脸识别方法、装置和*** |
| WO2017181769A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技（深圳）有限公司 | 一种人脸识别方法、装置和***、设备、存储介质 |
| US20190130167A1 (en) * | 2017-10-28 | 2019-05-02 | Altumview Systems Inc. | Enhanced face-detection and face-tracking for resource-limited embedded vision systems |
| WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技（深圳）有限公司 | 身份识别方法、计算机设备及存储介质 |
| CN112507889A (zh) * | 2019-04-29 | 2021-03-16 | 众安信息技术服务有限公司 | 一种校验证件与持证人的方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| CHRISTOS SAGONAS等: "Face Frontalization for Alignment and Recognition", 《HTTP://ARXIV.ORG/ABS/1502.00852》 * |
| 谢鹏程: "多姿态人脸识别的研究与实现", 《 CNKI优秀硕士学位论文全文库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842544A (zh) * | 2022-07-04 | 2022-08-02 | 江苏布罗信息技术有限公司 | 一种适用于面瘫患者的智能化人脸识别方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688698B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
| CN108596024B (zh) | 一种基于人脸结构信息的肖像生成方法 | |
| CN109657595B (zh) | 基于堆叠沙漏网络的关键特征区域匹配人脸识别方法 | |
| CN112766160A (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
| CN109033938A (zh) | 一种基于可区分性特征融合的人脸识别方法 | |
| CN107358195B (zh) | 基于重建误差的非特定异常事件检测及定位方法、计算机 | |
| CN112418041B (zh) | 一种基于人脸正面化的多姿态人脸识别方法 | |
| CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN112818850B (zh) | 基于渐进式神经网络和注意力机制的跨姿态人脸识别方法和*** | |
| CN108108760A (zh) | 一种快速人脸识别方法 | |
| CN111639580B (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
| CN112084895B (zh) | 一种基于深度学习的行人重识别方法 | |
| CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
| CN113947794B (zh) | 基于头部姿态偏差校正的伪造换脸增强检测方法 | |
| CN114783024A (zh) | 基于YOLOv5的公共场所戴口罩的人脸识别*** | |
| CN107038400A (zh) | 人脸识别装置及方法和利用其的目标人跟踪装置及方法 | |
| CN111126307A (zh) | 联合稀疏表示神经网络的小样本人脸识别方法 | |
| CN111476727B (zh) | 一种面向换脸视频检测的视频运动增强方法 | |
| CN113688698B (zh) | 基于人工智能的人脸转正识别方法和*** | |
| CN110826534B (zh) | 一种基于局部主成分分析的人脸关键点检测方法及*** | |
| CN115497139A (zh) | 一种融合注意力机制的口罩遮挡人脸检测与识别方法 | |
| CN114550268A (zh) | 一种利用时空特征的深度伪造视频检测方法 | |
| CN114283265B (zh) | 一种基于3d旋转建模的无监督人脸转正方法 | |
| CN113139915A (zh) | 人像修复模型的训练方法和装置、电子设备 | |
| CN115035562A (zh) | 一种基于FaceNet改进的口罩遮挡下的人脸识别方法 |
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 |