CN104978550A - 基于大规模人脸数据库的人脸识别方法及系统 - Google Patents

基于大规模人脸数据库的人脸识别方法及系统 Download PDF

Info

Publication number
CN104978550A
CN104978550A CN201410137055.7A CN201410137055A CN104978550A CN 104978550 A CN104978550 A CN 104978550A CN 201410137055 A CN201410137055 A CN 201410137055A CN 104978550 A CN104978550 A CN 104978550A
Authority
CN
China
Prior art keywords
face
image
feature
sorter
nose
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
Application number
CN201410137055.7A
Other languages
English (en)
Other versions
CN104978550B (zh
Inventor
白雪松
夏嫣
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.)
SHANGHAI JUNYU DIGITAL TECHNOLOGY Co Ltd
Original Assignee
SHANGHAI JUNYU DIGITAL TECHNOLOGY 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 SHANGHAI JUNYU DIGITAL TECHNOLOGY Co Ltd filed Critical SHANGHAI JUNYU DIGITAL TECHNOLOGY Co Ltd
Priority to CN201410137055.7A priority Critical patent/CN104978550B/zh
Publication of CN104978550A publication Critical patent/CN104978550A/zh
Application granted granted Critical
Publication of CN104978550B publication Critical patent/CN104978550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明揭示了一种基于大规模人脸数据库的人脸识别方法及系统，所述识别方法包括：获取识别图像；图像预处理步骤；对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；人脸检测步骤；从场景图像中检测、定位人脸，将人脸从背景中分离出来；特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸；人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；输出结果。本发明提出的基于大规模人脸数据库的人脸识别方法及系统，不仅仅提高了大规模数据库下人脸识别的速度及性能。同时，还可以方便应用到表情识别、人脸跟踪等其他模式识别领域。

Description

基于大规模人脸数据库的人脸识别方法及系统
技术领域
本发明属于人脸识别技术领域，涉及一种人脸识别方法，尤其涉及一种基于大规模人脸数据库的人脸识别方法；同时，本发明还涉及一种基于大规模人脸数据库的人脸识别系统。
背景技术
目前人脸识别技术领域内，用到的人脸数据库数量级不过1000万，然后在实际应用中，比如建立省级或者区域人脸数据库，数量级往往是在千万乃至上亿，目前人脸识别技术在这种大规模的人脸数据库上，识别时间和识别率都存在严重问题。
有鉴于此，如今迫切需要设计一种新的人脸识别方法，以便克服现有识别方法的上述缺陷。
发明内容
本发明所要解决的技术问题是：提供一种基于大规模人脸数据库的人脸识别方法，可缩短识别时间并提高识别准确率。
此外，本发明还提供一种基于大规模人脸数据库的人脸识别方法，可缩短识别时间并提高识别准确率。
为解决上述技术问题，本发明采用如下技术方案：
一种基于大规模人脸数据库的人脸识别方法，所述识别方法包括：
步骤S1、获取识别图像；
步骤S2、图像预处理步骤：对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；
步骤S3、人脸检测步骤：从场景图像中检测、定位人脸，将人脸从背景中分离出来；计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器；
多层级联AdaBoost分类器离线训练过程包括：
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止；
步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸；
采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖；
特征提取的主要步骤如下：
(S41)根据人脸的测量关系抽取眉毛和眼睛窗；
(S42)向眉毛和眼睛窗内投影粗定位眼睛位置；得到的眉毛和眼睛窗为矩形框，设矩形框左上顶点坐标和右下顶点的坐标，根据投影函数关系，计算框内任意一点在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠较于其他位置比较黑，灰度值在水平方向上在眉毛和眼珠处出现2个灰度谷点，同时眼珠又在眉毛的下方，由此利用灰度的水平坐标确定眼睛中心在垂直方向上的坐标；根据得到的眉毛及眼睛中心的坐标重新抽取只含有眼睛的窗口，由于瞳孔较黑且眼眶的水平边缘比较明显，眼睛窗内灰度的垂直投影及水平边缘的垂直投影确定眼睛中心的水平坐标；
(S43)眼部归一化校准；
(S44)PCA模板匹配精确定位眼睛；
(S45)根据人脸的测量关系抽取鼻子窗；
(S46)窗内投影确定鼻子位置；
通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征；
用特征向量来表述人脸的步骤如下：
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de；
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：
Xh=Reshape(F(I),nh)
Xe=Reshape(F(Ie),ne)
Xn=Reshape(F(In),nn)
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T；
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ；
式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量；
步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；
步骤S6、输出结果。
一种基于大规模人脸数据库的人脸识别方法，所述识别方法包括：
步骤S1、获取识别图像；
步骤S2、图像预处理步骤；对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；
步骤S3、人脸检测步骤；从场景图像中检测、定位人脸，将人脸从背景中分离出来；
步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸；
步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息；
步骤S6、输出结果。
作为本发明的一种优选方案，所述步骤S3还包括：计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器；
所述多层级联AdaBoost分类器离线训练过程包括：
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。
作为本发明的一种优选方案，所述步骤S4中，采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。
作为本发明的一种优选方案，所述步骤S4中特征提取的主要步骤如下：
(S41)根据人脸的测量关系抽取眉毛和眼睛窗；
(S42)窗内投影粗定位眼睛位置；
(S43)眼部归一化校准；
(S44)PCA模板匹配精确定位眼睛；
(S45)根据人脸的测量关系抽取鼻子窗；
(S46)窗内投影确定鼻子位置。
作为本发明的一种优选方案，通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征；
用特征向量来表述人脸的步骤如下：
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de；
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用离散余弦变换DCT提取各个图像信息：
Xh=Reshape(F(I),nh)
Xe=Reshape(F(Ie),ne)
Xn=Reshape(F(In),nn)
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T；
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ；
式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量；
一种基于大规模人脸数据库的人脸识别系统，所述识别系统包括：
图像获取模块，用以获取识别图像；
图像预处理模块，用以对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像；
人脸检测模块，用以从场景图像中检测、定位人脸，将人脸从背景中分离出来；
特征提取及表述模块，用以对人脸模式进行描述、建模，用特征向量来表述人脸；
人脸匹配模块，用以利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息。
作为本发明的一种优选方案，所述特征提取及表述模块采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖；
所述特征提取及表述模块根据人脸的测量关系抽取眉毛和眼睛窗；向眉毛和眼睛窗内投影，粗定位眼睛位置；而后进行眼部归一化校准；利用PCA模板匹配方法精确定位眼睛；根据人脸的测量关系抽取鼻子窗；向鼻子窗内投影，确定鼻子位置。
作为本发明的一种优选方案，所述特征提取及表述模块通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征；
用特征向量来表述人脸的步骤如下：
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de；
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：
Xh=Reshape(F(I),nh)
Xe=Reshape(F(Ie),ne)
Xn=Reshape(F(In),nn)
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T；
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ；
式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量。
作为本发明的一种优选方案，所述人脸检测模块用以计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器；
所述多层级联AdaBoost分类器离线训练过程包括：
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。
本发明的有益效果在于：本发明提出的基于大规模人脸数据库的人脸识别方法及系统，不仅仅提高了大规模数据库下人脸识别的速度及性能。同时，还可以方便应用到表情识别、人脸跟踪等其他模式识别领域。
附图说明
图1为本发明人脸识别方法的流程图。
图2为本发明方法用特征向量来表述人脸的示意图。
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大规模人脸数据库人脸识别方法，所述检测方法包括如下步骤：
【步骤S1】获取识别图像；
【步骤S2】图像预处理步骤：对待检测图像光照补偿，灰度化，滤波去噪及归一化等处理，得到高质量的灰度图像；
【步骤S3】人脸检测步骤：从场景图像中检测、定位人脸，将人脸从背景中分离出来。计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器。
多层级联AdaBoost分类器离线训练过程：
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除那些可以被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止；
【步骤S4】特征提取及表述：即对人脸模式进行描述、建模，用特征向量来表述人脸。
采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法，该方法综合了投影法和模板匹配法的优点，既有较高的定位精度和计算速度，同时比较大的样本量很好的鲁棒性。首先运用投影法粗定位眼睛位置;然后在此结果上采用PCA模板匹配法精确定位;最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。
特征提取算法的主要步骤如下：
(1)根据人脸的测量关系抽取眉毛和眼睛窗;
(2)窗内投影粗定位眼睛位置;通过一得到的是眉毛和眼睛框在一起的矩形框，设矩形左上顶点坐标和右下顶点的坐标，根据投影函数关系，计算框内任意一点在水平方向上和垂直方向上的平均灰度值，眉毛和眼珠较于其他位置比较黑，灰度值在水平方向上在眉毛和眼珠处出现2个灰度谷点，同时眼珠又在眉毛的下方，由此可利用灰度的水平坐标确定眼睛中心在垂直方向上的坐标。根据得到的眉毛及眼睛中心的坐标重新抽取只含有眼睛的窗口，由于瞳孔较黑且眼眶的水平边缘比较明显，眼睛窗内灰度的垂直投影及水平边缘的垂直投影可以确定眼睛中心的水平坐标。
(3)眼部归一化校准;
(4)PCA模板匹配精确定位眼睛;
(5)根据人脸的测量关系抽取鼻子窗:
(6)窗内投影确定鼻子位置。
本文通过利用离散余弦变换DCT及PCA方法提取表达人脸信息能力强的局部特征（眼睛、鼻子及嘴巴），同时利用Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征。该方法优于传统的PCA和DCT方法，组合特征方法在样本量比较大时具有更好的计算性能。
用特征向量来表述人脸算法步骤如下：利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域。其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de（de为归化后两眼中心间距离）；鼻子区域的高度为大小为0.6de×0.5de，如图2所示。
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息:
Xh=Reshape(F(I),nh)；
Xe=Reshape(F(Ie),ne)；
Xn=Reshape(F(In),nn)；
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量。采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ；
其中,μ=E(Y0)训练样本融合特征的均值向量。E()为数学期望函数，σ为相应的方差向量。
【步骤S5】人脸匹配：利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息。
【步骤S6】输出结果。
以上介绍了本发明基于大规模人脸数据库的人脸识别方法的流程，本发明在揭示上述方法的同时，还揭示一种基于大规模人脸数据库的人脸识别系统。
所述识别系统包括：图像获取模块、图像预处理模块、人脸检测模块、特征提取及表述模块、人脸匹配模块。
图像获取模块用以获取识别图像。图像预处理模块用以对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像。人脸检测模块用以从场景图像中检测、定位人脸，将人脸从背景中分离出来。特征提取及表述模块用以对人脸模式进行描述、建模，用特征向量来表述人脸。人脸匹配模块用以利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息。
具体地，所述特征提取及表述模块采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。所述特征提取及表述模块根据人脸的测量关系抽取眉毛和眼睛窗；向眉毛和眼睛窗内投影，粗定位眼睛位置；而后进行眼部归一化校准；利用PCA模板匹配方法精确定位眼睛；根据人脸的测量关系抽取鼻子窗；向鼻子窗内投影，确定鼻子位置。
所述特征提取及表述模块通过利用DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征。
用特征向量来表述人脸的步骤如下：
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de。
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息：
Xh=Reshape(F(I),nh)；
Xe=Reshape(F(Ie),ne)；
Xn=Reshape(F(In),nn)；
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T。
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ；式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量。
所述人脸检测模块用以计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器。
所述多层级联AdaBoost分类器离线训练过程包括：
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构；
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。
综上所述，本发明提出的基于大规模人脸数据库的人脸识别方法及系统，不仅仅提高了大规模数据库下人脸识别的速度及性能。同时，还可以方便应用到表情识别、人脸跟踪等其他模式识别领域。
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 (10)

1.一种基于大规模人脸数据库的人脸识别方法，其特征在于，所述识别方法包括： 
步骤S1、获取识别图像； 
步骤S2、图像预处理步骤：对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像； 
步骤S3、人脸检测步骤：从场景图像中检测、定位人脸，将人脸从背景中分离出来；计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器； 
多层级联AdaBoost分类器离线训练过程包括： 
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构； 
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止； 
步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸； 
采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖； 
特征提取的主要步骤如下： 
(S41)根据人脸的测量关系抽取眉毛和眼睛窗； 
(S42)眉毛和眼睛窗内投影粗定位眼睛位置； 
(S43)眼部归一化校准； 
(S44)PCA模板匹配精确定位眼睛； 
(S45)根据人脸的测量关系抽取鼻子窗； 
(S46)窗内投影确定鼻子位置； 
通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征； 
用特征向量来表述人脸的步骤如下： 
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de； 
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息： 
Xh=Reshape(F(I),nh)； 
Xe=Reshape(F(Ie),ne)； 
Xn=Reshape(F(In),nn)； 
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T； 
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ； 
式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量； 
步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息； 
步骤S6、输出结果。 
2.一种基于大规模人脸数据库的人脸识别方法，其特征在于，所述识别方法包 括： 
步骤S1、获取识别图像； 
步骤S2、图像预处理步骤；对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像； 
步骤S3、人脸检测步骤；从场景图像中检测、定位人脸，将人脸从背景中分离出来； 
步骤S4、特征提取及表述步骤；对人脸模式进行描述、建模，用特征向量来表述人脸； 
步骤S5、人脸匹配步骤；利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息； 
步骤S6、输出结果。 
3.根据权利要求2所述的基于大规模人脸数据库的人脸识别方法，其特征在于： 
所述步骤S3还包括：计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器； 
所述多层级联AdaBoost分类器离线训练过程包括： 
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构； 
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。 
4.根据权利要求2所述的基于大规模人脸数据库的人脸识别方法，其特征在于： 
所述步骤S4中，采用一种基于几何投影和模板匹配相结合的人脸特征点 定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖。 
5.根据权利要求2至4之一所述的基于大规模人脸数据库的人脸识别方法，其特征在于： 
所述步骤S4中特征提取的主要步骤如下： 
(S41)根据人脸的测量关系抽取眉毛和眼睛窗； 
(S42)眉毛和眼睛窗内投影粗定位眼睛位置； 
(S43)眼部归一化校准； 
(S44)PCA模板匹配精确定位眼睛； 
(S45)根据人脸的测量关系抽取鼻子窗； 
(S46)窗内投影确定鼻子位置。 
6.根据权利要求5所述的基于大规模人脸数据库的人脸识别方法，其特征在于： 
通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征； 
用特征向量来表述人脸的步骤如下： 
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de； 
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息： 
Xh=Reshape(F(I),nh)； 
Xe=Reshape(F(Ie),ne)； 
Xn=Reshape(F(In),nn)； 
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T； 
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ； 
式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量。 
7.一种基于大规模人脸数据库的人脸识别系统，其特征在于，所述识别系统包括： 
图像获取模块，用以获取识别图像； 
图像预处理模块，用以对待检测图像光照补偿、灰度化、滤波去噪及归一化处理，得到高质量的灰度图像； 
人脸检测模块，用以从场景图像中检测、定位人脸，将人脸从背景中分离出来； 
特征提取及表述模块，用以对人脸模式进行描述、建模，用特征向量来表述人脸； 
人脸匹配模块，用以利用计算待检测人脸图像的特征向量与训练样本之间相似度，进而得到判别信息。 
8.根据权利要求7所述的基于大规模人脸数据库的人脸识别系统，其特征在于： 
所述特征提取及表述模块采用一种基于几何投影和模板匹配相结合的人脸特征点定位算法；首先运用投影法粗定位眼睛位置；然后在此结果上采用PCA模板匹配法精确定位；最后根据眼睛的定位位置，采用投影法定位鼻子的2个角点及鼻尖； 
所述特征提取及表述模块根据人脸的测量关系抽取眉毛和眼睛窗；向眉毛和眼睛窗内投影，粗定位眼睛位置；而后进行眼部归一化校准；利用PCA 模板匹配方法精确定位眼睛；根据人脸的测量关系抽取鼻子窗；向鼻子窗内投影，确定鼻子位置。 
9.根据权利要求7所述的基于大规模人脸数据库的人脸识别系统，其特征在于： 
所述特征提取及表述模块通过利用离散余弦变换DCT及PCA模板匹配法提取表达人脸信息能力强的局部特征，该局部特征包括眼睛、鼻子及嘴巴，同时利用人脸识别Fisherface方法和简单频谱脸方法提取人脸的整体特征，融合局部特征和整体特征； 
用特征向量来表述人脸的步骤如下： 
利用特征点定位算法得到人脸器官的位置信息，根据人脸的结构特点分割各器官区域；其中，眼睛区域的中心位于两眼中心连线的中点处，大小为1.6de×0.5de，de为归化后两眼中心间距离；鼻子区域的高度为大小为0.6de×0.5de； 
设I(x,y)、Ic(x,y)和In(x,y)分别为人脸图像、眼睛区域图像和鼻子区域图像，分别用DCT提取各个图像信息： 
Xh=Reshape(F(I),nh)； 
Xe=Reshape(F(Ie),ne)； 
Xn=Reshape(F(In),nn)； 
其中，Xh,Xe和Xn分别为人脸图像、眼睛区域和鼻子区域的DCT特征，函数Reshape(A,n)的功能是抽取二维矩阵A的左上n×n子矩阵并将此子矩阵转换为一个n2维列向量；采用串联方法，将向量Xh,Xe和Xn串联形成融合特征向量Y0：Y0=（Xh T,Xe T,Xn T）T； 
去均值归一化后得到人脸组合特征向量Y：Y=(Y0-μ)／σ； 
式中,μ=E(Y0)训练样本融合特征的均值向量；E()为数学期望函数，σ为相应的方差向量。 
10.根据权利要求7所述的基于大规模人脸数据库的人脸识别系统，其特征在于： 
所述人脸检测模块用以计算图像Haar-Like小波特征特征，将其传给离线训练好的多层级联AdaBoost分类器进行判决；若存在未通过检测的人脸图像，则待检测人脸图像作为样本训练分类器，在线自动更新分类器； 
所述多层级联AdaBoost分类器离线训练过程包括： 
训练样本分为人脸图像集和非人脸图像集，在预处理阶段，样本灰度化处理，以便计算样本Haar-Like小波特征；每一个Haar-Like小波特征构成一弱分类器，通过AdaBoost迭代训练，选择一个最优的弱分类器，更新权重，将弱分类器组合成一个强的分类器，然后采用一个由简单到复杂，由粗到精的多分类器级联结构； 
应用当前离线训练好了的分类器对非人脸图像集进行过滤，去除能被正确分类的样本，如果非人脸图像集不为空，继续应用连续的AdaBoost训练新的强分类器；如此循环，直到所有的非人脸图像集用完为止。 
CN201410137055.7A 2014-04-08 2014-04-08 基于大规模人脸数据库的人脸识别方法及系统 Active CN104978550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410137055.7A CN104978550B (zh) 2014-04-08 2014-04-08 基于大规模人脸数据库的人脸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410137055.7A CN104978550B (zh) 2014-04-08 2014-04-08 基于大规模人脸数据库的人脸识别方法及系统

Publications (2)

Publication Number Publication Date
CN104978550A true CN104978550A (zh) 2015-10-14
CN104978550B CN104978550B (zh) 2018-09-18

Family

ID=54275039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410137055.7A Active CN104978550B (zh) 2014-04-08 2014-04-08 基于大规模人脸数据库的人脸识别方法及系统

Country Status (1)

Country Link
CN (1) CN104978550B (zh)

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809107A (zh) * 2016-02-23 2016-07-27 深圳大学 基于面部特征点的单样本人脸识别方法及系统
CN105956552A (zh) * 2016-04-29 2016-09-21 中国人民解放军国防科学技术大学 一种人脸黑名单监测方法
CN106022225A (zh) * 2016-05-10 2016-10-12 广东万峯信息科技有限公司 一种基于AdaBoost的人脸检测分类器构造方法
CN106022254A (zh) * 2016-05-17 2016-10-12 上海民实文化传媒有限公司 图像识别技术
CN106657069A (zh) * 2016-12-24 2017-05-10 深圳云天励飞技术有限公司 一种图像数据处理系统
CN106682589A (zh) * 2016-12-06 2017-05-17 深圳市纽贝尔电子有限公司 人脸识别及监狱点名系统
CN107292278A (zh) * 2017-06-30 2017-10-24 哈尔滨理工大学 一种基于Adaboost算法的人脸识别装置及其识别方法
CN107609459A (zh) * 2016-12-15 2018-01-19 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN107657706A (zh) * 2017-10-27 2018-02-02 佛山科学技术学院 一种基于rfid与人脸识别的门禁系统及联合识别方法
CN107911608A (zh) * 2017-11-30 2018-04-13 西安科锐盛创新科技有限公司 防闭眼拍摄的方法
CN107909104A (zh) * 2017-11-13 2018-04-13 腾讯数码（天津）有限公司 一种图片的人脸聚类方法、装置及存储介质
CN108256459A (zh) * 2018-01-10 2018-07-06 北京博睿视科技有限责任公司 基于多摄像机融合的安检门人脸识别和人脸自动建库算法
CN108268850A (zh) * 2018-01-24 2018-07-10 成都鼎智汇科技有限公司 一种基于图像的大数据处理方法
CN108319933A (zh) * 2018-03-19 2018-07-24 广东电网有限责任公司中山供电局 一种基于dsp技术的变电站人脸识别方法
CN108416879A (zh) * 2018-03-19 2018-08-17 西安冠铭科技股份有限公司 基于人脸识别的门禁系统及方法
CN108647621A (zh) * 2017-11-16 2018-10-12 福建师范大学福清分校 一种基于人脸识别的视频分析处理系统及方法
CN108664840A (zh) * 2017-03-27 2018-10-16 北京三星通信技术研究有限公司 图像识别方法及装置
CN109086675A (zh) * 2018-07-06 2018-12-25 四川奇迹云科技有限公司 一种基于光场成像技术的人脸识别及攻击检测方法及其装置
CN109241890A (zh) * 2018-08-24 2019-01-18 北京字节跳动网络技术有限公司 面部图像校正方法、装置及存储介质
CN109753904A (zh) * 2018-12-25 2019-05-14 仁福宜康(天津)科技有限公司 一种人脸识别方法和系统
CN109766866A (zh) * 2019-01-22 2019-05-17 杭州美戴科技有限公司 一种基于三维重建的人脸特征点实时检测方法和检测系统
WO2019119505A1 (zh) * 2017-12-18 2019-06-27 深圳云天励飞技术有限公司 人脸识别的方法和装置、计算机装置及存储介质
CN109977835A (zh) * 2019-03-19 2019-07-05 中国联合网络通信集团有限公司 面部图像识别方法、装置和设备
CN110046652A (zh) * 2019-03-18 2019-07-23 深圳神目信息技术有限公司 人脸质量评估方法、装置、终端及可读介质
CN110263680A (zh) * 2019-06-03 2019-09-20 北京旷视科技有限公司 图像处理方法、装置和系统及存储介质
CN110309709A (zh) * 2019-05-20 2019-10-08 平安科技（深圳）有限公司 人脸识别方法、装置及计算机可读存储介质
CN110348325A (zh) * 2019-06-20 2019-10-18 镇江畅行交通科技有限公司 一种基于人脸识别技术的公交充值与乘车方法
CN110443136A (zh) * 2019-07-04 2019-11-12 北京九天翱翔科技有限公司 一种全智能电脑显示屏防手机偷拍系统
CN110929557A (zh) * 2019-09-25 2020-03-27 四川大学锦城学院 一种基于活体检测的智能安防方法、系统及处理装置
CN111368579A (zh) * 2018-12-25 2020-07-03 中国电信股份有限公司 图像识别方法、装置和系统，以及计算机可存储介质
CN111523407A (zh) * 2020-04-08 2020-08-11 上海涛润医疗科技有限公司 人脸识别系统及方法以及基于人脸识别的医护记录系统
CN111626181A (zh) * 2020-05-25 2020-09-04 苏州市公安局 人脸识别大数据分析方法
CN111753697A (zh) * 2020-06-17 2020-10-09 新疆爱华盈通信息技术有限公司 智能宠物管理系统及其管理方法
CN112307453A (zh) * 2020-11-09 2021-02-02 西安建筑科技大学 基于人脸识别的人员管理方法及系统
CN112329597A (zh) * 2020-11-02 2021-02-05 广州杰赛科技股份有限公司 一种人脸识别的方法和装置
CN112464778A (zh) * 2020-11-23 2021-03-09 温州升源科技有限公司 一种非接触式智能消毒舱的人脸识别方法及系统
CN112733738A (zh) * 2021-01-12 2021-04-30 深圳市飞瑞斯科技有限公司 一种用于人脸识别数据比对的方法
CN113656113A (zh) * 2020-08-10 2021-11-16 广东电网有限责任公司 电力现场作业中基于人脸识别的人员资质算法
CN113673381A (zh) * 2021-08-05 2021-11-19 合肥永信科翔智能技术有限公司 一种用于智慧校园的门禁管理系统
CN116012924A (zh) * 2023-01-30 2023-04-25 人民网股份有限公司 人脸图库构建方法、装置及计算设备
US11908117B2 (en) 2017-03-27 2024-02-20 Samsung Electronics Co., Ltd. Image processing method and apparatus for object detection

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111299078A (zh) * 2020-03-17 2020-06-19 欣辰卓锐（苏州）智能装备有限公司 一种基于流水线的自动跟踪点胶方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006057475A1 (en) * 2004-11-23 2006-06-01 Kicheon Hong Face detection and authentication apparatus and method
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN102214291A (zh) * 2010-04-12 2011-10-12 云南清眸科技有限公司 一种快速准确的基于视频序列的人脸检测跟踪方法
CN102819733A (zh) * 2012-08-09 2012-12-12 中国科学院自动化研究所 一种快速的街景图像中人脸的检测模糊方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006057475A1 (en) * 2004-11-23 2006-06-01 Kicheon Hong Face detection and authentication apparatus and method
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN102214291A (zh) * 2010-04-12 2011-10-12 云南清眸科技有限公司 一种快速准确的基于视频序列的人脸检测跟踪方法
CN102819733A (zh) * 2012-08-09 2012-12-12 中国科学院自动化研究所 一种快速的街景图像中人脸的检测模糊方法

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809107B (zh) * 2016-02-23 2019-12-03 深圳大学 基于面部特征点的单样本人脸识别方法及系统
CN105809107A (zh) * 2016-02-23 2016-07-27 深圳大学 基于面部特征点的单样本人脸识别方法及系统
CN105956552A (zh) * 2016-04-29 2016-09-21 中国人民解放军国防科学技术大学 一种人脸黑名单监测方法
CN105956552B (zh) * 2016-04-29 2019-08-02 中国人民解放军国防科学技术大学 一种人脸黑名单监测方法
CN106022225A (zh) * 2016-05-10 2016-10-12 广东万峯信息科技有限公司 一种基于AdaBoost的人脸检测分类器构造方法
CN106022225B (zh) * 2016-05-10 2019-03-05 中科天网（广东）科技有限公司 一种基于AdaBoost的人脸检测分类器构造方法
CN106022254A (zh) * 2016-05-17 2016-10-12 上海民实文化传媒有限公司 图像识别技术
CN106682589A (zh) * 2016-12-06 2017-05-17 深圳市纽贝尔电子有限公司 人脸识别及监狱点名系统
CN107609459A (zh) * 2016-12-15 2018-01-19 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN107609459B (zh) * 2016-12-15 2018-09-11 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN106657069A (zh) * 2016-12-24 2017-05-10 深圳云天励飞技术有限公司 一种图像数据处理系统
US11908117B2 (en) 2017-03-27 2024-02-20 Samsung Electronics Co., Ltd. Image processing method and apparatus for object detection
CN108664840A (zh) * 2017-03-27 2018-10-16 北京三星通信技术研究有限公司 图像识别方法及装置
CN107292278A (zh) * 2017-06-30 2017-10-24 哈尔滨理工大学 一种基于Adaboost算法的人脸识别装置及其识别方法
CN107657706A (zh) * 2017-10-27 2018-02-02 佛山科学技术学院 一种基于rfid与人脸识别的门禁系统及联合识别方法
CN107909104A (zh) * 2017-11-13 2018-04-13 腾讯数码（天津）有限公司 一种图片的人脸聚类方法、装置及存储介质
CN107909104B (zh) * 2017-11-13 2023-07-18 腾讯数码（天津）有限公司 一种图片的人脸聚类方法、装置及存储介质
CN108647621A (zh) * 2017-11-16 2018-10-12 福建师范大学福清分校 一种基于人脸识别的视频分析处理系统及方法
CN107911608A (zh) * 2017-11-30 2018-04-13 西安科锐盛创新科技有限公司 防闭眼拍摄的方法
WO2019119505A1 (zh) * 2017-12-18 2019-06-27 深圳云天励飞技术有限公司 人脸识别的方法和装置、计算机装置及存储介质
CN108256459A (zh) * 2018-01-10 2018-07-06 北京博睿视科技有限责任公司 基于多摄像机融合的安检门人脸识别和人脸自动建库算法
CN108256459B (zh) * 2018-01-10 2021-08-24 北京博睿视科技有限责任公司 基于多摄像机融合的安检门人脸识别和人脸自动建库算法
CN108268850B (zh) * 2018-01-24 2022-04-12 贵州华泰智远大数据服务有限公司 一种基于图像的大数据处理方法
CN108268850A (zh) * 2018-01-24 2018-07-10 成都鼎智汇科技有限公司 一种基于图像的大数据处理方法
CN108416879A (zh) * 2018-03-19 2018-08-17 西安冠铭科技股份有限公司 基于人脸识别的门禁系统及方法
CN108319933A (zh) * 2018-03-19 2018-07-24 广东电网有限责任公司中山供电局 一种基于dsp技术的变电站人脸识别方法
CN109086675A (zh) * 2018-07-06 2018-12-25 四川奇迹云科技有限公司 一种基于光场成像技术的人脸识别及攻击检测方法及其装置
CN109241890A (zh) * 2018-08-24 2019-01-18 北京字节跳动网络技术有限公司 面部图像校正方法、装置及存储介质
CN111368579B (zh) * 2018-12-25 2023-07-07 中国电信股份有限公司 图像识别方法、装置和系统，以及计算机可存储介质
CN109753904A (zh) * 2018-12-25 2019-05-14 仁福宜康(天津)科技有限公司 一种人脸识别方法和系统
CN111368579A (zh) * 2018-12-25 2020-07-03 中国电信股份有限公司 图像识别方法、装置和系统，以及计算机可存储介质
CN109766866A (zh) * 2019-01-22 2019-05-17 杭州美戴科技有限公司 一种基于三维重建的人脸特征点实时检测方法和检测系统
CN109766866B (zh) * 2019-01-22 2020-09-18 杭州美戴科技有限公司 一种基于三维重建的人脸特征点实时检测方法和检测系统
CN110046652A (zh) * 2019-03-18 2019-07-23 深圳神目信息技术有限公司 人脸质量评估方法、装置、终端及可读介质
CN109977835B (zh) * 2019-03-19 2022-01-25 中国联合网络通信集团有限公司 面部图像识别方法、装置和设备
CN109977835A (zh) * 2019-03-19 2019-07-05 中国联合网络通信集团有限公司 面部图像识别方法、装置和设备
CN110309709A (zh) * 2019-05-20 2019-10-08 平安科技（深圳）有限公司 人脸识别方法、装置及计算机可读存储介质
CN110263680A (zh) * 2019-06-03 2019-09-20 北京旷视科技有限公司 图像处理方法、装置和系统及存储介质
CN110348325A (zh) * 2019-06-20 2019-10-18 镇江畅行交通科技有限公司 一种基于人脸识别技术的公交充值与乘车方法
CN110443136A (zh) * 2019-07-04 2019-11-12 北京九天翱翔科技有限公司 一种全智能电脑显示屏防手机偷拍系统
CN110929557A (zh) * 2019-09-25 2020-03-27 四川大学锦城学院 一种基于活体检测的智能安防方法、系统及处理装置
CN111523407A (zh) * 2020-04-08 2020-08-11 上海涛润医疗科技有限公司 人脸识别系统及方法以及基于人脸识别的医护记录系统
CN111626181A (zh) * 2020-05-25 2020-09-04 苏州市公安局 人脸识别大数据分析方法
CN111753697A (zh) * 2020-06-17 2020-10-09 新疆爱华盈通信息技术有限公司 智能宠物管理系统及其管理方法
CN113656113B (zh) * 2020-08-10 2022-11-25 广东电网有限责任公司 电力现场作业中基于人脸识别的人员资质算法
CN113656113A (zh) * 2020-08-10 2021-11-16 广东电网有限责任公司 电力现场作业中基于人脸识别的人员资质算法
CN112329597A (zh) * 2020-11-02 2021-02-05 广州杰赛科技股份有限公司 一种人脸识别的方法和装置
CN112307453A (zh) * 2020-11-09 2021-02-02 西安建筑科技大学 基于人脸识别的人员管理方法及系统
CN112464778A (zh) * 2020-11-23 2021-03-09 温州升源科技有限公司 一种非接触式智能消毒舱的人脸识别方法及系统
CN112733738A (zh) * 2021-01-12 2021-04-30 深圳市飞瑞斯科技有限公司 一种用于人脸识别数据比对的方法
CN113673381A (zh) * 2021-08-05 2021-11-19 合肥永信科翔智能技术有限公司 一种用于智慧校园的门禁管理系统
CN116012924A (zh) * 2023-01-30 2023-04-25 人民网股份有限公司 人脸图库构建方法、装置及计算设备
CN116012924B (zh) * 2023-01-30 2023-06-27 人民网股份有限公司 人脸图库构建方法、装置及计算设备

Also Published As

Publication number Publication date
CN104978550B (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN104978550A (zh) 基于大规模人脸数据库的人脸识别方法及系统
Youssif et al. Arabic sign language (arsl) recognition system using hmm
CN104463100B (zh) 基于面部表情识别模式的智能轮椅人机交互系统及方法
WO2016110005A1 (zh) 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
Lu et al. A novel approach for video text detection and recognition based on a corner response feature map and transferred deep convolutional neural network
CN105956552B (zh) 一种人脸黑名单监测方法
CN103942577A (zh) 视频监控中基于自建立样本库及混合特征的身份识别方法
CN103413119A (zh) 基于人脸稀疏描述子的单样本人脸识别方法
Cai et al. Traffic sign recognition algorithm based on shape signature and dual-tree complex wavelet transform
CN103824052A (zh) 一种基于多层次语义特征的人脸特征提取方法及识别方法
CN103605993B (zh) 一种基于面向场景判别性分析的图像到视频人脸识别方法
WO2011074014A2 (en) A system for lip corner detection using vision based approach
CN104134061A (zh) 一种基于特征融合的支持向量机的数字手势识别方法
Smereka et al. Selecting discriminative regions for periocular verification
CN105760815A (zh) 基于第二代身份证人像和视频人像的异构人脸核实方法
JP2008009728A (ja) 表情認識方法及び表情認識装置
CN104573722A (zh) 基于三维点云的三维人脸种族分类装置和方法
Vo et al. Deep learning for Vietnamese Sign Language recognition in video sequence
CN105701486B (zh) 一种在摄像机内实现人脸信息分析及提取的方法
Ye et al. Facial expression features extraction based on gabor wavelet transformation
CN104573628A (zh) 一种三维人脸识别方法
Hu et al. Joint global–local information pedestrian detection algorithm for outdoor video surveillance
Fan et al. Lane detection based on machine learning algorithm
CN110390268B (zh) 一种基于几何特性和方向特征的三维掌纹识别方法
Wang et al. Expression robust three-dimensional face recognition based on Gaussian filter and dual-tree complex wavelet transform

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant