CN104615985B - 一种人脸相似度的识别方法 - Google Patents

一种人脸相似度的识别方法 Download PDF

Info

Publication number
CN104615985B
CN104615985B CN201510045421.0A CN201510045421A CN104615985B CN 104615985 B CN104615985 B CN 104615985B CN 201510045421 A CN201510045421 A CN 201510045421A CN 104615985 B CN104615985 B CN 104615985B
Authority
CN
China
Prior art keywords
mrow
msub
facial image
class
face
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
Application number
CN201510045421.0A
Other languages
English (en)
Other versions
CN104615985A (zh
Inventor
凌远强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGZHOU UZISE BIOTECHNOLOGY CO., LTD.
Original Assignee
Guangzhou Uzise Biotechnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Uzise Biotechnology Co Ltd filed Critical Guangzhou Uzise Biotechnology Co Ltd
Priority to CN201510045421.0A priority Critical patent/CN104615985B/zh
Publication of CN104615985A publication Critical patent/CN104615985A/zh
Application granted granted Critical
Publication of CN104615985B publication Critical patent/CN104615985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人脸识别技术领域，特别涉及一种人脸相似度的识别方法，其依次包括以下步骤：获取人脸图像；检测该人脸图像是否包含人脸；将该人脸图像转换成关于像素点的灰度直方图；定位人脸特征；计算类内散布矩阵、类间散布矩阵以及平均散布指数；计算类分离矩阵和分离性量度；得到分离度指数，从而得到匹配度指数。本发明的识别方法准确度、安全度以及可靠度更高，可有效实现人员管理的自动化。

Description

一种人脸相似度的识别方法
技术领域
本发明涉及人脸识别技术领域，特别涉及一种匹配相似度的识别方法。
背景技术
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的人脸识别技术主要被应用到了以下几个方面：(1)刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率；(2)证件验证在许多场合(如海口，机场，机密部门等)证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理；(3)视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术；(4)入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。
中国专利申请CN 101344916公开了一种人脸识别系统，其包括视频输入接口，与人脸图像数据采集单元连接在一起，用于接收人脸图像数据；人脸识别运算处理器，用于对接收到的人脸图像数据进行处理，完成识别工作；微处理器单元，与所述人脸识别运算处理器连接在一起，用于负责与各种应用设备进行通信。
中国专利申请CN 102831408A公开了一种人脸识别方法，其包括以下步骤：S1判断检测视频序列中是否存在用户设定的特定手势；若是，进行S2；否则，重复步骤S1；S2检测视频区间内是否有用户人脸，若是，进行步骤S3，否则重复步骤S2；S3对检测到的用户人脸进行实时跟踪；S4对用户人脸图像提取光照不敏感特征；S5模拟用户姿势变化规律；S6人脸识别过程，判断待识别人脸图像与人脸库中的样本是否同属一个人，若是，识别过程结束，系统执行用户操作；若否，进行步骤S7；S7询问用户是否是第一次使用系统；若是，新建样本库，若否，询问用户是否更替样本库，若是，将该用户人脸图像代替人脸库中的原有样本，否则结束操作。
从现有技术中，还可以了解到：中国专利申请CN 103729625A公开了一种人脸识别的方法，以及中国专利申请CN 103761504A公开了一种人脸识别系统。
然而，上述现有技术仅能够提供一种人脸识别的系统或方法，并不能进一步利用人脸图像数据，提供更详细的分析处理，例如对用户的性别、皮肤、人脸特征相似度、以及年龄等的分析功能，以迎合用户的特定需求。
发明内容
为克服现有技术的不足，本发明提供一种人脸相似度的识别方法，其特别之处在于依次包括以下步骤：
S1使用摄像装置获取人脸图像，并且将该人脸图像发送至处理器；
S2检测该人脸图像是否包含人脸，并且当确定该人脸图像包含人脸时，跳转步骤S3；
S3对该人脸图像执行光照处理，将该人脸图像转换成关于像素点的灰度直方图，其中该转换的计算公式为：
其中，f(x,y)为输入人脸图像的像素点元素数据，g(x,y)为输出人脸图像的像素点元素数据，a、b、c是调整曲线的位置和形状而引入的参数；
S4使用该灰度直方图，定位人脸特征；
S5利用储存有经过该步骤S1-S4处理的人脸图像的库执行集群分离分析，其中该库包括该人脸图像的训练集，然后利用该训练集计算类内散布矩阵、类间散布矩阵以及平均散布指数；
S6利用该类内散布矩阵、该类间散布矩阵以及该平均散布指数，计算类分离矩阵和分离性量度；
S7对该分离性量度执行数据变换，得到进行比较的任意人脸图像之间的分离度指数；
S8对该分离度指数执行反向运算，得到进行比较的任意人脸图像之间的相似度指数。
根据本发明的一个实施例，该步骤S2利用网络神经法、特征基准法或色度基准法来检测该人脸图像是否包含人脸。
根据本发明的一个实施例，该步骤S5中计算该类内散布矩阵、该类间散布矩阵以及该平均散布指数的方法为：
Σi＝E[(V-μi)×(V-μi)T|C＝Ci].
其中，Sw为类内散布矩阵，Sb是类间散布矩阵。
根据本发明的一个实施例，该步骤S6中计算该类分离矩阵和该分离性量度的方法为：
JV＝sep(V)＝trace(S(V))。
根据本发明的一个实施例，该识别方法进一步包括以下步骤：执行该步骤S4之后，从该输出人脸图像中提取该像素点的二维参数数组(m×n)以及图像强度值I(x,y)，然后建立矢量膨胀指数
通过上述技术方案，根据本发明的人脸相似度识别方法能够实现以下技术效果：
(1)提供准确度更高的人脸识别技术；
(2)实现自动化智能管理；
(3)可有效地监控人员的进出，能够提供安全度更高的保安系统。
附图说明
图1示出了根据本发明实施例的人脸相似度的方法流程图。
具体实施方式
下面将结合附图以及具体实施方法来详细说明本发明，在本发明的示意性实施及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，本实施例包括以下步骤：
S1、使用摄像装置获取人脸图像。
S2、检测所述人脸图像是否包含人脸。
在通过摄像装置获得人脸图像之后，需要判断人脸图像是否包含人脸，如果不包含，继续使用摄像装置获取人脸图像。获取人脸图像后，首先对所获得的图像进行预处理，包括确认人脸、面部预处理、以及定位并提取人脸特征。
在本实施例中，确认人脸的方法可包括：网络神经法(Neural Network)、特征基准法(Feature-based)及色度基准法(Color-based)的方法。其中，网络神经法是使用许多的训练集数据(Training Data)去训练网络神经，这些数据一部份是脸部的、一部份是非脸部的，使系统能够辨识出包含人脸的影像。特征基准法是利用人脸部的一些特征来侦测人脸，例如：人脸上的眼睛、鼻子、嘴巴，而这些器官都有固定的相对位置；并且就整张脸而言，大概是呈椭圆形，而脸和背景之间会有大致的边缘线，等等，这些特征均可供系统侦测出人脸。而色度基准法则是利用人脸部的颜色来判断某影像是否包含人脸：众所周知，人脸的颜色通常包括例如橘黄、黄、白、褐、深褐色等颜色；若影像是灰阶的，人脸的灰阶颜色的变化并不会太大，而眼睛、嘴巴、头发是较黑的部份；由此，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系，可以检测到人脸。
S3、检测所述人脸图像包含人脸时，对所述人脸图像执行光照处理，将所述人脸图像转换成关于像素点的灰度直方图。
检测到该影像中包含人脸之后，通常需要对该图像进行预处理，这是因为待处理的人脸图像经常存在光照不均匀的问题，而这会直接影响到人脸的特征提取精度，因此对输入的图像必须进行光照处理以改善图像质量。一般地，灰度直方图可用于表示数字图像中每一个灰度级与其出现的频率之间的统计关系。对于偏暗、偏亮、亮度范围不足或对比度不足的图像进行直方图规定化,可以使得输入图像的直方图分布变换成近似特定的直方图。变换函数可以选用例如高斯、瑞利、对数、指数等形式的函数。在本实施例中采用对数变换形式：
式中，f(x,y)为输入图像，g(x,y)为输出图像，a、b、c是调整曲线的位置和形状而引入的参数。通过这种变换可以使图像低灰度范围得以扩展，高灰度范围能够被压缩，图像的灰度分布趋于均匀。对灰度变换后的图像再进行例如3×3的中值滤波，去除图像中引入的噪声信息，以改善图像质量。
S4、使用所述输出人脸图像，定位人脸特征。
然后，利用方差投影进行人眼区域初步定位：对正面人脸图像进行水平积分投影和垂直积分投影，通过对投影曲线的分析可知，人脸的主要器官例如眼睛、鼻子和嘴巴的位置分别对应于曲线的某个谷值区域或峰值区域，由此可以粗略地检测出人眼、鼻子和嘴巴的位置。假设I(x,y)表示像素点(x,y)处的灰度值/图像强度值，在图像的[y1,y2]区域的水平积分投影V(x)和[x1,x2]区域的垂直积分投影H(y)表示为：
然而，在另一实施例中，积分投影具有一定的局限性。例如，如果对具有3种灰度值的图像仅应用垂直积分投影，垂直积分投影V(x)将会是一条直线，这无法体现图像内在的灰度值间的变化。因此，定义水平方差投影和垂直方差投影为：
计算垂直方差投影曲线可以弥补应用积分投影的局限性。
在本实施例中，在提取人脸特征之后，可以先执行以下步骤：从该输出人脸图像中提取该像素点的二维参数数组(m×n)以及图像强度值I(x,y)，然后建立适量膨胀指数用于表示人脸图像中所采样的各个特征像素点的二维参数数组离散型。
S5、利用储存有经过所述步骤S1-S4处理的人脸图像的库执行集群分离分析。
在本实施例中，利用储存有该人脸图像的库执行集群分离分析，即，将相似的样本归纳为例如一个集合，以样本之间的距离作为分类的根据，对所述归类样本进行统计，其中该库包括该人脸图像的训练集，然后利用该训练集计算获得费雪线性判别中的类内散布矩阵、类间散布矩阵以及平均散布指数。计算该类内散布矩阵、该类间散布矩阵以及该平均散布指数的方法为：
Σi＝E[(V-μi)×(V-μi)T|C＝Ci]
其中，Sw为类内散布矩阵，Sb是类间散布矩阵，∑i为平均散布指数，Pr为先验概率，u是Ci类的均值，L为类别数，E(x)为模式总体分布的均值矢量，T为可逆线性变换。
S6、利用所述类内散布矩阵、所述类间散布矩阵以及所述平均散布指数，计算获得类分离矩阵和分离性量度。
在本实施例中，利用该类内散布矩阵、该类间散布矩阵以及该平均散布指数，计算类分离矩阵和分离性量度，其中类分离矩阵有各个类之间的离散系数组成，分离性量度是指具有分离性的度量空间(集合)必须在这个集合的元素之间(或元素和子集合、子集合和子集合之间)的距离。计算该类分离矩阵和该分离性量度的方法为：
JV＝sep(V)＝trace(S(V))。
S7、对该分离性量度执行数据变换，得到进行比较的任意人脸图像之间的分离度指数。
S8、对该分离度指数执行反向运算，得到进行比较的任意人脸图像之间的相似度指数。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种人脸相似度的识别方法，其特征在于，依次包括以下步骤：
S1使用摄像装置获取人脸图像，并且将所述人脸图像发送至处理器；
S2检测所述人脸图像是否包含人脸，并且当确定所述人脸图像包含人脸时，跳转步骤S3；
S3对所述人脸图像执行光照处理，将所述人脸图像转换成关于像素点的灰度直方图，其中所述转换的计算公式为：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>a</mi> <mo>+</mo> <mfrac> <mrow> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>f</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>b</mi> <mi>l</mi> <mi>n</mi> <mi>c</mi> </mrow> </mfrac> </mrow>
其中，f(x,y)为输入人脸图像的像素点元素数据，g(x,y)为输出人脸图像的像素点元素数据，a、b、c是调整曲线的位置和形状而引入的参数；
S4使用所述输出人脸图像，定位人脸特征；假设I(x,y)表示像素点(x,y)处的灰度值/图像强度值，在图像的[y1,y2]区域的水平积分投影V(x)和[x1,x2]区域的垂直积分投影H(y)表示为：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>V</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>y</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>y</mi> <mn>1</mn> </msub> </mrow> </mfrac> <msubsup> <mo>&amp;Sigma;</mo> <msub> <mi>y</mi> <mn>1</mn> </msub> <msub> <mi>y</mi> <mn>2</mn> </msub> </msubsup> <mi>l</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> </mrow> </mfrac> <msubsup> <mo>&amp;Sigma;</mo> <mi>x</mi> <msub> <mi>x</mi> <mn>2</mn> </msub> </msubsup> <mi>l</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
S5利用储存有经过所述步骤S1-S4处理的人脸图像的库执行集群分离分析，其中所述库包括所述人脸图像的训练集，然后利用所述训练集计算获得类内散布矩阵、类间散布矩阵以及平均散布指数；所述步骤S5中计算所述类内散布矩阵、所述类间散布矩阵以及所述平均散布指数的方法为：
<mrow> <msubsup> <mi>S</mi> <mi>w</mi> <mrow> <mo>(</mo> <mi>V</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <mi>Pr</mi> <mrow> <mo>(</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mo>&amp;Sigma;</mo> <mi>i</mi> </msub> <mo>,</mo> </mrow>
<mrow> <msubsup> <mi>S</mi> <mi>b</mi> <mrow> <mo>(</mo> <mi>V</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <mi>Pr</mi> <mrow> <mo>(</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mi>&amp;mu;</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <mi>&amp;mu;</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>.</mo> </mrow>
Σi＝E[(V-μi)×(V-μi)T|C＝Ci].
其中，Sw为类内散布矩阵，Sb是类间散布矩阵，∑i为平均散布指数；Pr为先验概率，u是Ci类的均值，L为类别数，E(x)为模式总体分布的均值矢量，T为可逆线性变换；
S6利用所述类内散布矩阵、所述类间散布矩阵以及所述平均散布指数，计算获得类分离矩阵和分离性量度；
S7对所述分离性量度执行数据变换，得到进行比较的任意人脸图像之间的分离度指数；
S8对所述分离度指数执行反向运算，得到进行比较的任意人脸图像之间的相似度指数。
2.根据权利要求1所述的识别方法，其特征在于，所述步骤S2利用网络神经法、特征基准法或色度基准法来检测所述人脸图像是否包含人脸。
3.根据权利要求1所述的识别方法，其特征在于，所述识别方法进一步包括以下步骤：执行所述步骤S4之后，从所述输出人脸图像中提取所述像素点的二维参数数组(m×n)以及图像强度值I(x,y)，然后建立矢量膨胀指数
CN201510045421.0A 2015-01-28 2015-01-28 一种人脸相似度的识别方法 Active CN104615985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510045421.0A CN104615985B (zh) 2015-01-28 2015-01-28 一种人脸相似度的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510045421.0A CN104615985B (zh) 2015-01-28 2015-01-28 一种人脸相似度的识别方法

Publications (2)

Publication Number Publication Date
CN104615985A CN104615985A (zh) 2015-05-13
CN104615985B true CN104615985B (zh) 2018-01-16

Family

ID=53150422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510045421.0A Active CN104615985B (zh) 2015-01-28 2015-01-28 一种人脸相似度的识别方法

Country Status (1)

Country Link
CN (1) CN104615985B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110349310B (zh) * 2019-07-03 2021-08-27 源创客控股集团有限公司 一种用于园区企业的定制提醒云平台服务系统
CN111080874B (zh) * 2019-12-31 2022-06-03 中国银行股份有限公司 基于面部图像的金库安全门的控制方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159015A (zh) * 2007-11-08 2008-04-09 清华大学 一种二维人脸图像的识别方法
CN102982322A (zh) * 2012-12-07 2013-03-20 大连大学 基于pca图像重构和lda的人脸识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9036001B2 (en) * 2010-12-16 2015-05-19 Massachusetts Institute Of Technology Imaging system for immersive surveillance

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159015A (zh) * 2007-11-08 2008-04-09 清华大学 一种二维人脸图像的识别方法
CN102982322A (zh) * 2012-12-07 2013-03-20 大连大学 基于pca图像重构和lda的人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《人脸检测和识别系统的设计和应用》;曹健;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215;第6,15,28,44页 *

Also Published As

Publication number Publication date
CN104615985A (zh) 2015-05-13

Similar Documents

Publication Publication Date Title
CN104766063B (zh) 一种活体人脸识别方法
CN104732200B (zh) 一种皮肤类型和皮肤问题的识别方法
RU2431190C2 (ru) Способ и устройство распознавания рельефности лица
CN110838119B (zh) 人脸图像质量评估方法、计算机装置及计算机可读存储介质
KR20080033486A (ko) 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별
CN105354554A (zh) 基于颜色和奇异值特征的人脸活体检测方法
CN111144366A (zh) 一种基于联合人脸质量评估的陌生人脸聚类方法
CN103473564B (zh) 一种基于敏感区域的正面人脸检测方法
CN104933414A (zh) 一种基于wld-top的活体人脸检测方法
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
Reese et al. A comparison of face detection algorithms in visible and thermal spectrums
Anand et al. An improved local binary patterns histograms techniques for face recognition for real time application
CN104598888A (zh) 一种人脸性别的识别方法
Wati et al. Security of facial biometric authentication for attendance system
CN104615985B (zh) 一种人脸相似度的识别方法
Shrivastava et al. Conceptual model for proficient automated attendance system based on face recognition and gender classification using Haar-Cascade, LBPH algorithm along with LDA model
Thepade et al. Novel face liveness detection using fusion of features and machine learning classifiers
Sakthimohan et al. Detection and Recognition of Face Using Deep Learning
CN108446639A (zh) 低功耗增强现实设备
CN111368803A (zh) 一种人脸识别方法及系统
CN107798282B (zh) 一种活体人脸的检测方法和装置
Mandal et al. Human visual system inspired object detection and recognition
US7660443B2 (en) Artificial eye distinguishing method and device, artificial eye distinguishing program, iris recognition method, false printed matter distinguishing method, and image distinguishing method
CN111191519B (zh) 一种用于移动供电装置用户接入的活体检测方法
Monwar et al. A real-time face recognition approach from video sequence using skin color model and eigenface method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20151201

Address after: 510627 Guangdong city of Guangzhou province Tianhe District Ping Yun Road No. 153 building 6 floor West communication

Applicant after: GUANGZHOU UZISE BIOTECHNOLOGY CO., LTD.

Address before: 510627 Guangdong city of Guangzhou province Tianhe District Ping Yun Road No. 163 building 6 floor West communication

Applicant before: Guangzhou communication network development in science and technology far away company limited

GR01 Patent grant
GR01 Patent grant