CN103310179A - 一种基于人脸识别技术的最优姿态检测方法及系统 - Google Patents
一种基于人脸识别技术的最优姿态检测方法及系统 Download PDFInfo
- Publication number
- CN103310179A CN103310179A CN2012100576892A CN201210057689A CN103310179A CN 103310179 A CN103310179 A CN 103310179A CN 2012100576892 A CN2012100576892 A CN 2012100576892A CN 201210057689 A CN201210057689 A CN 201210057689A CN 103310179 A CN103310179 A CN 103310179A
- Authority
- CN
- China
- Prior art keywords
- face
- people
- image
- eyes
- attitude detection
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于人脸识别技术的最优姿态检测方法及系统,所述方法包括如下步骤:获得所需要的人像视频信息;最优姿态检测步骤:自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;最优姿态检测步骤包括人脸定位步骤,器官定位步骤,归一化处理步骤;特征提取步骤;人脸信息存储步骤,对于采集到的最优姿态人像进行保存。本发明提出的基于人脸识别技术的最优姿态检测方法及系统,通过软件保证采集的人像符合相应的人像采集标准,保证人像采集可用于人像对比识别。本发明可自动检测最优人脸,大大减少了人工干预度,同时却提高了人像采集的效率。
Description
技术领域
本发明属于人脸识别技术领域,涉及一种人脸识别系统,尤其涉及一种基于人脸识别技术的最优姿态检测方法;同时,本发明还涉及一种基于人脸识别技术的最优姿态检测系统。
背景技术
在目前的人脸图像信息处理领域中,包含有人脸识别、人脸跟踪、姿态检测、表情识别等多个研究方向,然而,所有这些研究方向都涉及到一个人脸表示和定位的问题,即必须知道人脸在图像中的位置以及尺寸——人脸检测。因此,对于一个完整的、自动的人脸信息分析系统来说,人脸最优姿态检测算法是必不可少的。这个算法可以运用在照片获取的各种应用场景中。为人脸识别算法的准确度提供了一个非常好地先决条件。
在一些需要采集一些重点人群人脸的应用场景中非常需要能够自动检测最优姿态的分析设备,比如:视频跟踪、违法犯罪人员信息、入所人员、暂住人口和出入境人员的人像采集和存储以及体貌特征检索方面。有了最优姿态检测装置,能够为今后的人脸识别系统采集有效的人像信息,对人脸识别的准确度提高有很大的帮助。
发明内容
本发明所要解决的技术问题是:提供一种基于人脸识别技术的最优姿态检测方法,可提高人脸识别的精准度。
此外,本发明还提供一种基于人脸识别技术的最优姿态检测系统,可提高人脸识别的精准度。
为解决上述技术问题,本发明采用如下技术方案:
一种基于人脸识别技术的最优姿态检测方法,所述方法包括如下步骤:
步骤A、获得所需要的人像视频信息步骤:对所需要登记注册的用户进行人像视频采集;
步骤B、预处理步骤:对输入的原始图像进行包括灰度化、光照补偿预处理,提高图像的质量,得到灰度图像;
步骤C、最优姿态检测步骤:自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;自动判断人脸是否有表情,并给予提示;所述步骤C依次包括步骤D至步骤F;
步骤D、人脸定位步骤:对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
步骤E、器官定位步骤:器官定位是确定人脸在图像中的位置,包括双眼、双眉、鼻子、嘴巴、下颚的定位;根据人脸的五官形状特征和AdaBoost神经网络分类器对步骤D中检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位,对于潜在的伪器官,采用最大后验概率的判别原则进行滤除;
步骤F、归一化处理步骤:根据器官的位置信息,求得归一化的灰度图像,对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定;
步骤G、特征提取步骤:从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征;
步骤H、人脸信息存储步骤:对于采集到的最优姿态人像进行保存。
一种基于人脸识别技术的最优姿态检测方法,所述方法包括如下步骤:
步骤A、获得所需要的人像视频信息;
步骤C、最优姿态检测步骤:自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;所述步骤C包括步骤D至步骤F;
步骤D、人脸定位步骤:对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
步骤E、器官定位步骤:器官定位是确定人脸在图像中的位置,包括双眼、双眉、鼻子、嘴巴、下颚的定位;根据人脸的五官形状特征和AdaBoost神经网络分类器对步骤D中检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位;
步骤F、归一化处理步骤:对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定;
步骤G、特征提取步骤:从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征;
步骤H、人脸信息存储步骤:对于采集到的最优姿态人像进行保存。
作为本发明的一种优选方案,所述方法在步骤A与步骤C之间进一步包括:步骤B、预处理步骤:对输入的原始图像进行包括灰度化,光照补偿预处理,提高图像的质量,得到灰度图像。
作为本发明的一种优选方案,所述步骤C还包括:自动判断人脸是否有表情,并给予提示。
一种基于人脸识别技术的最优姿态检测系统,其特征在于,所述系统包括:
人像视频信息采集模块,用以对所需要登记注册的用户进行人像视频采集;
预处理模块,用以对输入的原始图像进行包括灰度化、光照补偿预处理,提高图像的质量,得到灰度图像;
最优姿态检测模块,用以自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;自动判断人脸是否有表情,并给予提示;
特征提取模块,用以从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征;
人脸信息存储模块,用以对于采集到的最优姿态人像进行保存;
其中,所述最优姿态检测模块包括:
人脸定位模块,用以对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
器官定位模块,用以根据人脸的五官形状特征和AdaBoost神经网络分类器对最优姿态检测模块检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位,对于潜在的伪器官,采用最大后验概率的判别原则进行滤除;
归一化处理模块,用以根据器官的位置信息,求得归一化的灰度图像,对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定。
本发明的有益效果在于:本发明提出的基于人脸识别技术的最优姿态检测方法及系统,通过软件保证采集的人像符合相应的人像采集标准,保证人像采集可用于人像对比识别。本发明可自动检测最优人脸,大大减少了人工干预度,同时却提高了人像采集的效率。本发明还有比较高的扩展性,可以方便的应用到银行,公安等安全领域(如辅助监控和追捕逃犯等),甚至可以应用于交通违章监控中,因此具有极强的可扩展能力。
附图说明
图1为本发明最优姿态检测方法的流程图。
图2为本发明最优姿态检测系统的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图1,本发明揭示了一种基于人脸识别技术的最优姿态检测方法,所述方法包括如下步骤:
【步骤A】获得所需要的人像视频信息步骤:对所需要登记注册的用户进行人像视频采集;
【步骤B】预处理步骤:对输入的原始图像进行包括灰度化,光照补偿预处理,提高图像的质量,得到灰度图像;
【步骤C】最优姿态检测步骤:自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;自动判断人脸是否有表情,并给予提示。本实施例中,步骤C包括步骤D至步骤F。
【步骤D】人脸定位步骤:对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
AdaBoost是Boosting算法的一种,其主要思想是给每一个训练样本分配一个权重,表明它被某弱分类器选入训练集的概率,初始时权重设为1/m,m为样本个数。用一个弱分类算法在训练集上进行训练,训练后对样本权重进行调整,训练失败的样本权重增大,训练成功的样本权重减少,使分类算法能在下一轮训练中集中力量对训练失败的样本进行学习。然后,在权重更新后的训练集上继续训练,不断调整样本权重,循环往复,从而得到一系列的弱分类器。这些弱分类器就构成组合分类器,组合分类器最终预测结果的产生采用了有权重的投票方式,而权重就是各个弱分类器的准确率。这种方法不要求单个分类器有高的识别率,但经过多分类器融合的组合分类器则具有了高的识别率。
【步骤E】器官定位步骤:器官定位是确定人脸在图像中的位置,包括双眼、双眉、鼻子、嘴巴、下颚的定位;根据人脸的五官形状特征和AdaBoost神经网络分类器对步骤D中检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位,对于潜在的伪器官,采用最大后验概率的判别原则进行滤除。
【步骤F】归一化处理步骤:根据器官的位置信息,求得归一化的灰度图像,对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定。转至步骤G。
【步骤G】特征提取步骤:从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征。
【步骤H】人脸信息存储步骤:对于采集到的最优姿态人像进行保存。
以上介绍了本发明最优姿态检测方法的流程,本发明在揭示上述最优姿态检测方法的同时,还揭示一种基于人脸识别技术的最优姿态检测系统;请参阅图2,所述最优姿态检测系统包括:人像视频信息采集模块、预处理模块、最优姿态检测模块、特征提取模块、人脸信息存储模块。
人像视频信息采集模块用以对所需要登记注册的用户进行人像视频采集。
预处理模块用以对输入的原始图像进行包括灰度化,光照补偿预处理,提高图像的质量,得到灰度图像。
最优姿态检测模块用以自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;自动判断人脸是否有表情,并给予提示。最优姿态检测模块包括人脸定位模块、器官定位模块、归一化处理模块。
人脸定位模块用以对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决。
器官定位模块用以根据人脸的五官形状特征和AdaBoost神经网络分类器对最优姿态检测模块检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位,对于潜在的伪器官,采用最大后验概率的判别原则进行滤除。
归一化处理模块用以根据器官的位置信息,求得归一化的灰度图像,对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定。
特征提取模块用以从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征。
人脸信息存储模块用以对于采集到的最优姿态人像进行保存。
综上所述,本发明提出的基于人脸识别技术的最优姿态检测方法及系统,通过软件保证采集的人像符合相应的人像采集标准,保证人像采集可用于人像对比识别。本发明可自动检测最优人脸,大大减少了人工干预度,同时却提高了人像采集的效率。本发明还有比较高的扩展性,可以方便的应用到银行,公安等安全领域(如辅助监控和追捕逃犯等),甚至可以应用于交通违章监控中,因此具有极强的可扩展能力。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (5)
1.一种基于人脸识别技术的最优姿态检测方法,其特征在于,所述方法包括如下步骤:
步骤A、获得所需要的人像视频信息步骤:对所需要登记注册的用户进行人像视频采集;
步骤B、预处理步骤:对输入的原始图像进行包括灰度化、光照补偿预处理,提高图像的质量,得到灰度图像;
步骤C、最优姿态检测步骤:自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;自动判断人脸是否有表情,并给予提示;所述步骤C依次包括步骤D至步骤F;
步骤D、人脸定位步骤:对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
步骤E、器官定位步骤:器官定位是确定人脸在图像中的位置,包括双眼、双眉、鼻子、嘴巴、下颚的定位;根据人脸的五官形状特征和AdaBoost神经网络分类器对步骤D中检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位,对于潜在的伪器官,采用最大后验概率的判别原则进行滤除;
步骤F、归一化处理步骤:根据器官的位置信息,求得归一化的灰度图像,对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定;
步骤G、特征提取步骤:从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征;
步骤H、人脸信息存储步骤:对于采集到的最优姿态人像进行保存。
2.一种基于人脸识别技术的最优姿态检测方法,其特征在于,所述方法包括如下步骤:
步骤A、获得所需要的人像视频信息;
步骤C、最优姿态检测步骤:自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;所述步骤C包括步骤D至步骤F;
步骤D、人脸定位步骤:对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
步骤E、器官定位步骤:器官定位是确定人脸在图像中的位置,包括双眼、双眉、鼻子、嘴巴、下颚的定位;根据人脸的五官形状特征和AdaBoost神经网络分类器对步骤D中检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位;
步骤F、归一化处理步骤:对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定;
步骤G、特征提取步骤:从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征;
步骤H、人脸信息存储步骤:对于采集到的最优姿态人像进行保存。
3.根据权利要求2所述的基于人脸识别技术的最优姿态检测方法,其特征在于:
所述方法在步骤A与步骤C之间进一步包括:步骤B、预处理步骤:对输入的原始图像进行包括灰度化,光照补偿预处理,提高图像的质量,得到灰度图像。
4.根据权利要求2所述的基于人脸识别技术的最优姿态检测方法,其特征在于:
所述步骤C还包括:自动判断人脸是否有表情,并给予提示。
5.一种基于人脸识别技术的最优姿态检测系统,其特征在于,所述系统包括:
人像视频信息采集模块,用以对所需要登记注册的用户进行人像视频采集;
预处理模块,用以对输入的原始图像进行包括灰度化、光照补偿预处理,提高图像的质量,得到灰度图像;
最优姿态检测模块,用以自动检测人脸,自动对焦人脸,检测人脸在俯仰、深度、平面三个维度的旋转角度,并给予提示;自动判断人脸是否有表情,并给予提示;
特征提取模块,用以从整个人脸中提取出人脸部件特征,包括裸睑、眉毛、眼睛、鼻尖、嘴人脸部件,利用主分量分析方法提取人脸部件的特征;
人脸信息存储模块,用以对于采集到的最优姿态人像进行保存;
其中,所述最优姿态检测模块包括:
人脸定位模块,用以对正面人脸实时检测,确定人脸在图像中的位置;通过微特征计算单元对待检测的灰度图像进行缩放,穷举搜索候选人脸窗口,计算出各个窗口的微结构特征,并将其传给AdaBoost神经网络分类器进行判决;
器官定位模块,用以根据人脸的五官形状特征和AdaBoost神经网络分类器对最优姿态检测模块检测到的人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚的定位,对于潜在的伪器官,采用最大后验概率的判别原则进行滤除;
归一化处理模块,用以根据器官的位置信息,求得归一化的灰度图像,对图像进行包括旋转、缩放、剪切操作,使双眼水平,下颚的高度一定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100576892A CN103310179A (zh) | 2012-03-06 | 2012-03-06 | 一种基于人脸识别技术的最优姿态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100576892A CN103310179A (zh) | 2012-03-06 | 2012-03-06 | 一种基于人脸识别技术的最优姿态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103310179A true CN103310179A (zh) | 2013-09-18 |
Family
ID=49135381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100576892A Pending CN103310179A (zh) | 2012-03-06 | 2012-03-06 | 一种基于人脸识别技术的最优姿态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310179A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605964A (zh) * | 2013-11-25 | 2014-02-26 | 上海骏聿数码科技有限公司 | 基于图像在线学习的人脸检测方法及系统 |
CN104992148A (zh) * | 2015-06-18 | 2015-10-21 | 江南大学 | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 |
CN105095715A (zh) * | 2015-06-30 | 2015-11-25 | 国网山东莒县供电公司 | 一种电力系统网络的身份认证方法 |
CN105701486A (zh) * | 2014-11-26 | 2016-06-22 | 上海骏聿数码科技有限公司 | 一种在摄像机内实现人脸信息分析及提取的方法 |
CN105934940A (zh) * | 2014-01-17 | 2016-09-07 | 索尼公司 | 图像处理装置、方法与程序 |
CN106156688A (zh) * | 2015-03-10 | 2016-11-23 | 上海骏聿数码科技有限公司 | 一种动态人脸识别方法及系统 |
CN106725341A (zh) * | 2017-01-09 | 2017-05-31 | 燕山大学 | 一种增强型舌诊系统 |
CN106845460A (zh) * | 2017-03-15 | 2017-06-13 | 深圳汇通智能化科技有限公司 | 一种基于人脸识别的智能家居系统 |
CN107301406A (zh) * | 2017-07-13 | 2017-10-27 | 珠海多智科技有限公司 | 基于深度学习的快速人脸角度识别方法 |
WO2018068261A1 (zh) * | 2016-10-13 | 2018-04-19 | 厦门中控智慧信息技术有限公司 | 一种人脸登记方法及人脸登记设备 |
CN108629260A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 活体验证方法和装置及存储介质 |
CN108734084A (zh) * | 2018-03-21 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 人脸注册方法和装置 |
CN109117716A (zh) * | 2018-06-28 | 2019-01-01 | 众安信息技术服务有限公司 | 一种气质相似度获取方法及装置 |
CN109558839A (zh) * | 2018-11-29 | 2019-04-02 | 徐州立讯信息科技有限公司 | 自适应人脸识别方法和实现该方法的设备及系统 |
CN112906608A (zh) * | 2021-03-05 | 2021-06-04 | 上海红阵信息科技有限公司 | 一种人脸模型的图层定位和图层固定方法及其应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059838A (zh) * | 2007-06-11 | 2007-10-24 | 湖北东润科技有限公司 | 一种人脸识别系统与识别方法 |
CN102081733A (zh) * | 2011-01-13 | 2011-06-01 | 西北工业大学 | 多模态信息结合的多姿态三维人脸面部五官标志点定位方法 |
US20110199499A1 (en) * | 2008-10-14 | 2011-08-18 | Hiroto Tomita | Face recognition apparatus and face recognition method |
-
2012
- 2012-03-06 CN CN2012100576892A patent/CN103310179A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059838A (zh) * | 2007-06-11 | 2007-10-24 | 湖北东润科技有限公司 | 一种人脸识别系统与识别方法 |
US20110199499A1 (en) * | 2008-10-14 | 2011-08-18 | Hiroto Tomita | Face recognition apparatus and face recognition method |
CN102081733A (zh) * | 2011-01-13 | 2011-06-01 | 西北工业大学 | 多模态信息结合的多姿态三维人脸面部五官标志点定位方法 |
Non-Patent Citations (1)
Title |
---|
王映辉: "《人脸识别——原理、方法与技术》", 28 February 2010 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605964A (zh) * | 2013-11-25 | 2014-02-26 | 上海骏聿数码科技有限公司 | 基于图像在线学习的人脸检测方法及系统 |
CN105934940A (zh) * | 2014-01-17 | 2016-09-07 | 索尼公司 | 图像处理装置、方法与程序 |
CN105934940B (zh) * | 2014-01-17 | 2019-12-24 | 索尼公司 | 图像处理装置、方法与程序 |
CN105701486A (zh) * | 2014-11-26 | 2016-06-22 | 上海骏聿数码科技有限公司 | 一种在摄像机内实现人脸信息分析及提取的方法 |
CN105701486B (zh) * | 2014-11-26 | 2019-11-19 | 上海骏聿数码科技有限公司 | 一种在摄像机内实现人脸信息分析及提取的方法 |
CN106156688A (zh) * | 2015-03-10 | 2016-11-23 | 上海骏聿数码科技有限公司 | 一种动态人脸识别方法及系统 |
CN104992148A (zh) * | 2015-06-18 | 2015-10-21 | 江南大学 | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 |
CN105095715A (zh) * | 2015-06-30 | 2015-11-25 | 国网山东莒县供电公司 | 一种电力系统网络的身份认证方法 |
WO2018068261A1 (zh) * | 2016-10-13 | 2018-04-19 | 厦门中控智慧信息技术有限公司 | 一种人脸登记方法及人脸登记设备 |
CN106725341A (zh) * | 2017-01-09 | 2017-05-31 | 燕山大学 | 一种增强型舌诊系统 |
CN106845460A (zh) * | 2017-03-15 | 2017-06-13 | 深圳汇通智能化科技有限公司 | 一种基于人脸识别的智能家居系统 |
CN106845460B (zh) * | 2017-03-15 | 2020-09-25 | 江苏安威士智能安防有限公司 | 一种基于人脸识别的智能家居系统 |
CN108629260A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 活体验证方法和装置及存储介质 |
CN107301406A (zh) * | 2017-07-13 | 2017-10-27 | 珠海多智科技有限公司 | 基于深度学习的快速人脸角度识别方法 |
CN108734084A (zh) * | 2018-03-21 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 人脸注册方法和装置 |
CN109117716A (zh) * | 2018-06-28 | 2019-01-01 | 众安信息技术服务有限公司 | 一种气质相似度获取方法及装置 |
CN109558839A (zh) * | 2018-11-29 | 2019-04-02 | 徐州立讯信息科技有限公司 | 自适应人脸识别方法和实现该方法的设备及系统 |
CN112906608A (zh) * | 2021-03-05 | 2021-06-04 | 上海红阵信息科技有限公司 | 一种人脸模型的图层定位和图层固定方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310179A (zh) | 一种基于人脸识别技术的最优姿态检测方法及系统 | |
CN107423701B (zh) | 基于生成式对抗网络的人脸非监督特征学习方法及装置 | |
US8055018B2 (en) | Object image detection method | |
Sun et al. | Improving iris recognition accuracy via cascaded classifiers | |
CN101216884B (zh) | 一种人脸认证的方法及系统 | |
Salimi et al. | Visual-based trash detection and classification system for smart trash bin robot | |
Shi et al. | Real-time traffic light detection with adaptive background suppression filter | |
CN102346847B (zh) | 一种支持向量机的车牌字符识别方法 | |
WO2019127273A1 (zh) | 一种多人脸检测方法、装置、服务器、系统及存储介质 | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN104751136A (zh) | 一种基于人脸识别的多相机视频事件回溯追踪方法 | |
CN101937445B (zh) | 一种文件自动分类系统 | |
CN102629319B (zh) | 基于特定边界检测子的鲁棒虹膜区域分割方法 | |
CN102156887A (zh) | 一种基于局部特征学习的人脸识别方法 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN104376250A (zh) | 基于音型像特征的真人活体身份验证方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及系统 | |
CN102110225B (zh) | 户外人脸识别方法及系统 | |
CN110598535A (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
CN111639616A (zh) | 一种基于深度学习的重身份识别方法 | |
CN102682309A (zh) | 一种基于模板学习的人脸注册方法及装置 | |
CN103049736A (zh) | 一种基于最大稳定极值区域的人脸识别方法 | |
CN103530648A (zh) | 一种基于多帧图像的人脸识别方法 | |
CN103886305A (zh) | 面向基层治安、维稳及反恐的特异人脸搜索方法 | |
CN104751143A (zh) | 一种基于深度学习的人证核验系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130918 |
|
RJ01 | Rejection of invention patent application after publication |