CN109492572A - 一种基于流形学习子空间算法的人脸识别系统 - Google Patents
一种基于流形学习子空间算法的人脸识别系统 Download PDFInfo
- Publication number
- CN109492572A CN109492572A CN201811305620.0A CN201811305620A CN109492572A CN 109492572 A CN109492572 A CN 109492572A CN 201811305620 A CN201811305620 A CN 201811305620A CN 109492572 A CN109492572 A CN 109492572A
- Authority
- CN
- China
- Prior art keywords
- module
- filter
- data
- data analysis
- 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.)
- Pending
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于流形学习子空间算法的人脸识别系统,包括数据分析处理中心,所述数据分析处理中心包括数据处理模块、图像对比模块和数据接收模块,所述数据处理模块包括不相关线性判别嵌入模块和正交非监督判别映射模块,所述数据分析处理中心输出端设有服务器。本发明通过设有滤波器,滤波器设置为Log‑Gabor滤波器,是能够在对数频率尺度上传递函数为高函数的滤波器,能更真实的反应原始图像的频率响应,滤波器能够无直通分量,带宽不受限制,可以构造出任意带宽和零DC分量的滤波器,更好的表示自然图像,滤波器工作将视频图像的特征维数进行扩大,便于数据处理中心对视频图像进行降维计算,得到更准确的结果。
Description
技术领域
本发明涉及人脸识别领域,特别涉及一种基于流形学习子空间算法的人脸识别系统。
背景技术
传统的人脸识别算法一般都是基于图像灰度矩阵操作的,而图像灰度矩阵不足以充分描述人脸特征信息,也存在较多的高阶信息冗余,针对传统人脸识别算法不利于处理人脸等非线性结构的问题,以邻域判别嵌入算法为研究对象,将算法推广至非线性领域,研究了核化的非线性流形学习子空间算法在人脸识别中的应用,由于传统的流形学习子空间算法一般都是通过求解一个不对称特征方程的特征值对应的特征向量进行低维投影,导致特征向量间存在较多的信息冗余,因此,发明一种基于流形学习子空间算法的人脸识别系统来解决上述问题很有必要。
发明内容
本发明的目的在于提供一种基于流形学习子空间算法的人脸识别系统,通过设有滤波器,滤波器设置为Log-Gabor滤波器,是能够在对数频率尺度上传递函数为高函数的滤波器,能更真实的反应原始图像的频率响应,滤波器能够无直通分量,带宽不受限制,可以构造出任意带宽和零DC分量的滤波器,同时能够弥补对高频分量表达不足的缺点,更好的表示自然图像,滤波器工作将视频图像的特征维数进行扩大,便于数据处理中心对视频图像进行降维计算,得到更准确的结果,以解决通过求解一个不对称特征方程的特征值对应的特征向量进行低维投影,导致特征向量间存在较多的信息冗余的问题。
为实现上述目的,本发明提供如下技术方案:一种基于流形学习子空间算法的人脸识别系统,包括数据分析处理中心,所述数据分析处理中心包括数据处理模块、图像对比模块和数据接收模块,所述数据处理模块包括不相关线性判别嵌入模块和正交非监督判别映射模块,所述数据分析处理中心输出端设有服务器,所述服务器输出端分别设有数据库、管理操控端和警报装置,所述数据库通过以太网光缆与数据分析处理中心连通,所述管理操控端通过传输线缆与警报装置连通,所述数据分析处理中心连接端设有滤波器,所述滤波器连接端设有视频图像传输模块,所述视频图像传输模块连接端设有多个摄像头。
优选的,所述数据分析处理中心用于接收由滤波器处理后的视频图像并通过图像对比模块从数据库内提取和搜寻相符合的视频图像进行对比,对比过程中通过数据处理模块对视频图像进行计算和处理。
优选的,所述不相关线性判别嵌入模块包括线性判别嵌入模块和不相关判别嵌入模块,所述正交非监督判别映射模块包括非监督判别映射模块和正交无监督判别映射模块。
优选的,所述服务器用于接收数据分析处理中心处理后的数据和信息并根据数据分析处理中心传输的信号分类传输信号至数据库、管理操控端和警报装置。
优选的,所述管理操控端包括系统输入模块和查看模块,所述查看模块用于查看摄像头拍摄画面和数据分析处理中心处理后的结果,所述系统输入模块用于输入系统内可通行人员的数据和图像以及系统内不可通行人员的数据和图像,输入数据可通过外接摄像头拍摄或证件照上传。
优选的,所述警报装置包括预警装置和警报装置,所述预警装置和警报装置用于传输信息至管理操控端的工作人员进行查看紧急情况。
优选的,所述滤波器设置为Log-Gabor滤波器,所述滤波器用于将视频图像传输模块传输的视频图像的特征维数进行扩大。
本发明的技术效果和优点:
1、通过设有滤波器,滤波器设置为Log-Gabor滤波器,是能够在对数频率尺度上传递函数为高函数的滤波器,能更真实的反应原始图像的频率响应,滤波器能够无直通分量,带宽不受限制,可以构造出任意带宽和零DC分量的滤波器,同时能够弥补对高频分量表达不足的缺点,更好的表示自然图像,滤波器工作将视频图像的特征维数进行扩大,便于数据处理中心对视频图像进行降维计算,得到更准确的结果;
2、通过在数据处理模块内设有不相关线性判别嵌入模块和正交非监督判别映射模块,非监督判别映射模块是一种非线性流行学习的一线性化算法,是最小化局部散度的同时最大化非局部散度,使算法更加直观并具有更强的分类能力;正交无监督判别映射模块能够解决数据分析处理中心工作过程中经常遭遇小样本的问题,基向量不是正交不利于保留人脸流形空间与距离有关的度量信息和重构样本的问题;线性判别嵌入模块能够增加类内及类间散度信息,得到流形算法的监督模式,使得算法在保持本流形结构的同时,使不同类样本尽量远离,而使同类样本尽量靠近;不相关判别嵌入模块能够选择一组具有统计不相关性的鉴别矢量进行低维空间投影,提取的特征消除了投影变换后低维投影的分量之间的统计相关性,即减少了特征提取后特征分量之间的信息冗余;
3、通过设有管理操控端和警报装置,当数据分析处理中心提取到摄像头多次拍摄同一不符合通行人员数据时传输信号至警报装置给工作人员进行预警查看,当数据分析处理中心提取到摄像头拍摄画面符合由管理操控端传输不可通行人员的数据时,警报装置给工作人员发出警报进行进行紧急处理。
附图说明
图1为本发明的整体结构原理图;
图2为本发明的数据分析处理中心原理图;
图中:1数据分析处理中心、11数据处理模块、12图像对比模块、13数据接收模块、14不相关线性判别嵌入模块、15正交非监督判别映射模块、16线性判别嵌入模块、17不相关判别嵌入模块、18非监督判别映射模块、19正交无监督判别映射模块、2服务器、3数据库、4管理操控端、5警报装置、6滤波器、7视频图像传输模块、8摄像头。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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,都属于本发明保护的范围。
实施例一:
本发明提供了如图1-2所示的一种基于流形学习子空间算法的人脸识别系统,包括数据分析处理中心1,所述数据分析处理中心1包括数据处理模块11、图像对比模块12和数据接收模块13,所述数据处理模块11包括不相关线性判别嵌入模块14和正交非监督判别映射模块15,所述数据分析处理中心1输出端设有服务器2,所述服务器2输出端分别设有数据库3、管理操控端4和警报装置5,所述数据库3通过以太网光缆与数据分析处理中心1连通,所述管理操控端4通过传输线缆与警报装置5连通,所述数据分析处理中心1连接端设有滤波器6,所述滤波器6连接端设有视频图像传输模块7,所述视频图像传输模块7连接端设有多个摄像头8。
所述数据分析处理中心1用于接收由滤波器6处理后的视频图像并通过图像对比模块12从数据库3内提取和搜寻相符合的视频图像进行对比,对比过程中通过数据处理模块11对视频图像进行计算和处理。
所述不相关线性判别嵌入模块14包括线性判别嵌入模块16和不相关判别嵌入模块17,所述正交非监督判别映射模块15包括非监督判别映射模块18和正交无监督判别映射模块19。
本实施例有益效果:通过在数据处理模块11内设有不相关线性判别嵌入模块14和正交非监督判别映射模块15,非监督判别映射模块18是一种非线性流行学习的一线性化算法,是最小化局部散度的同时最大化非局部散度,使算法更加直观并具有更强的分类能力;正交无监督判别映射模块19能够解决数据分析处理中心1工作过程中经常遭遇小样本的问题,基向量不是正交不利于保留人脸流形空间与距离有关的度量信息和重构样本的问题;线性判别嵌入模块16能够增加类内及类间散度信息,得到流形算法的监督模式,使得算法在保持本流形结构的同时,使不同类样本尽量远离,而使同类样本尽量靠近;不相关判别嵌入模块17能够选择一组具有统计不相关性的鉴别矢量进行低维空间投影,提取的特征消除了投影变换后低维投影的分量之间的统计相关性,即减少了特征提取后特征分量之间的信息冗余。
实施例二:
所述服务器2用于接收数据分析处理中心1处理后的数据和信息并根据数据分析处理中心1传输的信号分类传输信号至数据库3、管理操控端4和警报装置5。
所述管理操控端4包括系统输入模块和查看模块,所述查看模块用于查看摄像头8拍摄画面和数据分析处理中心1处理后的结果,所述系统输入模块用于输入系统内可通行人员的数据和图像以及系统内不可通行人员的数据和图像,输入数据可通过外接摄像头拍摄或证件照上传。
所述警报装置5包括预警装置和警报装置,所述预警装置和警报装置用于传输信息至管理操控端4的工作人员进行查看紧急情况。
本实施例有益效果:当数据分析处理中心1提取到摄像头8多次拍摄同一不符合通行人员数据时传输信号至警报装置5给工作人员进行预警查看,当数据分析处理中心1提取到摄像头8拍摄画面符合由管理操控端4传输不可通行人员的数据时,警报装置5给工作人员发出警报进行进行紧急处理。
实施例三:
所述滤波器6设置为Log-Gabor滤波器,所述滤波器6用于将视频图像传输模块7传输的视频图像的特征维数进行扩大。
本实施例有益效果:滤波器6设置为Log-Gabor滤波器,是能够在对数频率尺度上传递函数为高函数的滤波器,能更真实的反应原始图像的频率响应,滤波器6能够无直通分量,带宽不受限制,可以构造出任意带宽和零DC分量的滤波器,同时能够弥补对高频分量表达不足的缺点,更好的表示自然图像,滤波器6工作将视频图像的特征维数进行扩大,便于数据处理中心1对视频图像进行降维计算,得到更准确的结果。
本发明工作原理:
参照说明书附图1:摄像头8工作拍摄行人视频图像并由视频图像传输模块7传输至滤波器6,滤波器6能够在对数频率尺度上传递函数为高函数的滤波器,能更真实的反应原始图像的频率响应,滤波器6能够无直通分量,带宽不受限制,可以构造出任意带宽和零DC分量的滤波器,同时能够弥补对高频分量表达不足的缺点,更好的表示自然图像,滤波器6工作将视频图像的特征维数进行扩大,便于数据处理中心1对视频图像进行降维计算,得到更准确的结果;
参照说明书附图2:由滤波器6处理后的数据数据至数据分析处理中心1,在数据处理模块11内设有不相关线性判别嵌入模块14和正交非监督判别映射模块15,非监督判别映射模块18是一种非线性流行学习的一线性化算法,是最小化局部散度的同时最大化非局部散度,使算法更加直观并具有更强的分类能力;正交无监督判别映射模块19能够解决数据分析处理中心1工作过程中经常遭遇小样本的问题,基向量不是正交不利于保留人脸流形空间与距离有关的度量信息和重构样本的问题;线性判别嵌入模块16能够增加类内及类间散度信息,得到流形算法的监督模式,使得算法在保持本流形结构的同时,使不同类样本尽量远离,而使同类样本尽量靠近;不相关判别嵌入模块17能够选择一组具有统计不相关性的鉴别矢量进行低维空间投影,提取的特征消除了投影变换后低维投影的分量之间的统计相关性,即减少了特征提取后特征分量之间的信息冗余;
参照说明书附图1和图2:数据分析处理中心1处理后得到所需结果并可传输信号至服务器2、管理操控端4和警报装置5,当数据分析处理中心1提取到摄像头8多次拍摄同一不符合通行人员数据时传输信号至警报装置5给工作人员进行预警查看,当数据分析处理中心1提取到摄像头8拍摄画面符合由管理操控端4传输不可通行人员的数据时,警报装置5给工作人员发出警报进行进行紧急处理。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于流形学习子空间算法的人脸识别系统,包括数据分析处理中心(1),其特征在于:所述数据分析处理中心(1)包括数据处理模块(11)、图像对比模块(12)和数据接收模块(13),所述数据处理模块(11)包括不相关线性判别嵌入模块(14)和正交非监督判别映射模块(15),所述数据分析处理中心(1)输出端设有服务器(2),所述服务器(2)输出端分别设有数据库(3)、管理操控端(4)和警报装置(5),所述数据库(3)通过以太网光缆与数据分析处理中心(1)连通,所述管理操控端(4)通过传输线缆与警报装置(5)连通,所述数据分析处理中心(1)连接端设有滤波器(6),所述滤波器(6)连接端设有视频图像传输模块(7),所述视频图像传输模块(7)连接端设有多个摄像头(8)。
2.根据权利要求1所述的一种基于流形学习子空间算法的人脸识别系统,其特征在于:所述数据分析处理中心(1)用于接收由滤波器(6)处理后的视频图像并通过图像对比模块(12)从数据库(3)内提取和搜寻相符合的视频图像进行对比,对比过程中通过数据处理模块(11)对视频图像进行计算和处理。
3.根据权利要求1所述的一种基于流形学习子空间算法的人脸识别系统,其特征在于:所述不相关线性判别嵌入模块(14)包括线性判别嵌入模块(16)和不相关判别嵌入模块(17),所述正交非监督判别映射模块(15)包括非监督判别映射模块(18)和正交无监督判别映射模块(19)。
4.根据权利要求1所述的一种基于流形学习子空间算法的人脸识别系统,其特征在于:所述服务器(2)用于接收数据分析处理中心(1)处理后的数据和信息并根据数据分析处理中心(1)传输的信号分类传输信号至数据库(3)、管理操控端(4)和警报装置(5)。
5.根据权利要求1所述的一种基于流形学习子空间算法的人脸识别系统,其特征在于:所述管理操控端(4)包括系统输入模块和查看模块,所述查看模块用于查看摄像头(8)拍摄画面和数据分析处理中心(1)处理后的结果,所述系统输入模块用于输入系统内可通行人员的数据和图像以及系统内不可通行人员的数据和图像,输入数据可通过外接摄像头拍摄或证件照上传。
6.根据权利要求1所述的一种基于流形学习子空间算法的人脸识别系统,其特征在于:所述警报装置(5)包括预警装置和警报装置,所述预警装置和警报装置用于传输信息至管理操控端(4)的工作人员进行查看紧急情况。
7.根据权利要求1所述的一种基于流形学习子空间算法的人脸识别系统,其特征在于:所述滤波器(6)设置为Log-Gabor滤波器,所述滤波器(6)用于将视频图像传输模块(7)传输的视频图像的特征维数进行扩大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811305620.0A CN109492572A (zh) | 2018-11-05 | 2018-11-05 | 一种基于流形学习子空间算法的人脸识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811305620.0A CN109492572A (zh) | 2018-11-05 | 2018-11-05 | 一种基于流形学习子空间算法的人脸识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492572A true CN109492572A (zh) | 2019-03-19 |
Family
ID=65693764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811305620.0A Pending CN109492572A (zh) | 2018-11-05 | 2018-11-05 | 一种基于流形学习子空间算法的人脸识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492572A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090141950A1 (en) * | 2007-11-05 | 2009-06-04 | Olaworks, Inc. | Method, system, and computer-readable recording medium for recognizing face of person included in digital data by using feature data |
CN106097501A (zh) * | 2016-06-12 | 2016-11-09 | 南宁思飞电子科技有限公司 | 应用于小区的智能门禁系统 |
CN106339679A (zh) * | 2016-08-24 | 2017-01-18 | 奥奈斯特(宁波)软件技术有限公司 | 一种人脸识别系统 |
CN106780875A (zh) * | 2016-12-07 | 2017-05-31 | 深圳市万睿智能科技有限公司 | 一种人脸识别门禁一体化装置及其识别方法 |
CN107067504A (zh) * | 2016-12-25 | 2017-08-18 | 北京中海投资管理有限公司 | 一种人脸识别安防系统及可疑人员检测与预警方法 |
CN107358707A (zh) * | 2017-09-01 | 2017-11-17 | 江苏阅衡智能科技有限公司 | 一种基于人脸识别的门禁系统 |
CN107680230A (zh) * | 2017-10-31 | 2018-02-09 | 华慧视科技(天津)有限公司 | 基于人脸识别的人证核验并黑名单复核的通关系统 |
CN108134920A (zh) * | 2017-11-28 | 2018-06-08 | 特斯联(北京)科技有限公司 | 一种实现楼宇访客识别与通行管理的智能系统和方法 |
CN108416881A (zh) * | 2018-03-27 | 2018-08-17 | 芜湖乐锐思信息咨询有限公司 | 一种移动互联网的身份识别系统 |
-
2018
- 2018-11-05 CN CN201811305620.0A patent/CN109492572A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090141950A1 (en) * | 2007-11-05 | 2009-06-04 | Olaworks, Inc. | Method, system, and computer-readable recording medium for recognizing face of person included in digital data by using feature data |
CN106097501A (zh) * | 2016-06-12 | 2016-11-09 | 南宁思飞电子科技有限公司 | 应用于小区的智能门禁系统 |
CN106339679A (zh) * | 2016-08-24 | 2017-01-18 | 奥奈斯特(宁波)软件技术有限公司 | 一种人脸识别系统 |
CN106780875A (zh) * | 2016-12-07 | 2017-05-31 | 深圳市万睿智能科技有限公司 | 一种人脸识别门禁一体化装置及其识别方法 |
CN107067504A (zh) * | 2016-12-25 | 2017-08-18 | 北京中海投资管理有限公司 | 一种人脸识别安防系统及可疑人员检测与预警方法 |
CN107358707A (zh) * | 2017-09-01 | 2017-11-17 | 江苏阅衡智能科技有限公司 | 一种基于人脸识别的门禁系统 |
CN107680230A (zh) * | 2017-10-31 | 2018-02-09 | 华慧视科技(天津)有限公司 | 基于人脸识别的人证核验并黑名单复核的通关系统 |
CN108134920A (zh) * | 2017-11-28 | 2018-06-08 | 特斯联(北京)科技有限公司 | 一种实现楼宇访客识别与通行管理的智能系统和方法 |
CN108416881A (zh) * | 2018-03-27 | 2018-08-17 | 芜湖乐锐思信息咨询有限公司 | 一种移动互联网的身份识别系统 |
Non-Patent Citations (1)
Title |
---|
王庆军: "基于流形学习子空间的人脸识别方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564052A (zh) | 基于mtcnn的多摄像头动态人脸识别系统与方法 | |
WO2019127273A1 (zh) | 一种多人脸检测方法、装置、服务器、系统及存储介质 | |
WO2021082118A1 (zh) | 行人重识别的方法、装置、终端及存储介质 | |
US20210357624A1 (en) | Information processing method and device, and storage medium | |
US11455831B2 (en) | Method and apparatus for face classification | |
WO2020006964A1 (zh) | 图像检测方法和装置 | |
CN108376246A (zh) | 一种多人脸识别及跟踪系统及方法 | |
CN205354056U (zh) | 一种带有人脸识别的执法记录仪 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
US10558886B2 (en) | Template fusion system and method | |
CN113947742A (zh) | 一种基于人脸识别的人员轨迹追踪方法与装置 | |
CN110443221A (zh) | 一种车牌识别方法及系统 | |
CN114333005A (zh) | 对象识别方法、系统及存储介质 | |
CN112434049A (zh) | 表格数据存储方法、装置、存储介质及电子装置 | |
CN109492572A (zh) | 一种基于流形学习子空间算法的人脸识别系统 | |
CN106846527B (zh) | 一种基于人脸识别的考勤系统 | |
CN113486734B (zh) | 一种步态识别方法、系统、设备及存储介质 | |
CN115346169A (zh) | 一种睡岗行为检测方法及系统 | |
CN108734144A (zh) | 一种基于人脸识别的主讲人身份认证方法 | |
EP3800578A1 (en) | Hierarchical sampling for object identification | |
US20150120693A1 (en) | Image search system and image search method | |
CN108564053A (zh) | 基于FaceNet的多摄像头动态人脸识别系统与方法 | |
CN110491003A (zh) | 一种基于人脸识别人证核查访客终端 | |
Hadwiger | Robust Forensic Analysis of Strongly Compressed Images | |
CN117255193B (zh) | 一种5g网络监控器的远程终端状态检测方法及系统 |
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: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |