CN105117692A - 一种基于深度学习的实时人脸识别方法及系统 - Google Patents
一种基于深度学习的实时人脸识别方法及系统 Download PDFInfo
- Publication number
- CN105117692A CN105117692A CN201510471210.3A CN201510471210A CN105117692A CN 105117692 A CN105117692 A CN 105117692A CN 201510471210 A CN201510471210 A CN 201510471210A CN 105117692 A CN105117692 A CN 105117692A
- Authority
- CN
- China
- Prior art keywords
- face
- personage
- real
- characteristic information
- degree
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的实时人脸识别方法,从整张图像中获取人脸图像;定位出人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;从得到的处理图片获取人脸特征信息;将人脸特征信息进行比对,从人脸库中得到相似的人脸结果,本发明还提供一种基于深度学习的实时人脸识别系统,可以快速的进行人脸识别,并且识别人脸结果更加精准。
Description
技术领域
本发明涉及一种基于深度学习的实时人脸识别方法及系统。
背景技术
人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流进行判断。首先判断是否存在人脸,如果存在,则进一步给出人脸所在的位置,大小。并根据这些信息进一步提取出人脸的特征信息,最后将其与已知的人脸对比,从而识别每个人脸的身份。
人脸识别技术的研究始于20世纪60年代,80年代后随着计算机技术和光学成像技术的进步得到快速发展,90年代后期一些商业性的人脸识别系统逐渐进入市场。近年来,社会安全信息备受关注,信息检索,视频监控,移动支付以及各种娱乐应用等的飞速发展进一步推动了人脸识别技术的需求。现有的人脸识别系统大多在用户配合,采集条件比较理想的情况下可以取得令人满意的结果。但是,如果用户不配合,采集条件不理想(如光照不均匀,阴阳脸,分辨率低等),有各种遮挡的情况下,识别率将大大降低。在技术上主要有以下不足。
缺陷和不足:
1:光照变化问题
识别率容易受到光照的影响,如强光下,昏暗的环境下,阴阳脸等
2:遮挡问题
一般意义的人脸上,可能存在眼镜,胡须,配饰等,这些对识别有很大的影响。
3:特征提取方法
特征提取准确与否直接决定着识别精度,传统的特征提取方法需要人为选择,并且不断尝试适合的特征提取算法。采用深度学习算法进行特征提取,可以避免人为干涉,通过机器的自身学习寻找最优特征。但其也存在海量样本库,训练周期长,对设备配置要求高等缺点。
4:计算量大,速度慢
通常情况下,最后的识别步骤都是提取当前测试样本的特征,与已知样本的特征作比对,得到一个相似度,取相似度最高的样本作为测试结果。但通常情况下,这些特征的维度都非常高,计算量非常大,影响了实时性。
发明内容
本发明针对上述问题,提供一种基于深度学习的实时人脸识别方法及系统。
本发明之一是这样实现的:一种基于深度学习的实时人脸识别方法,包括如下步骤:
步骤1、从整张图像中获取人脸图像;
步骤2、定位出人脸图像中的人脸特征点;
步骤3、通过人脸特征点进行人脸对齐处理,得到处理图片;
步骤4、从得到的处理图片获取人脸特征信息;
步骤5、将人脸特征信息进行比对,从人脸库中得到相似的人脸结果。
进一步地,所述步骤1进一步具体为:将整张图像进行人脸检测,若存在人脸,则裁剪人脸,对裁剪后的人脸进行直方图规定化操作,获取人脸图像;否则结束。
进一步地,所述步骤2进一步具体为:通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点。
进一步地,所述步骤3进一步具体为:利用人脸特征点,将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束,将人脸校正到同一标准姿态,得到对齐后的处理图片。
进一步地,所述步骤4进一步具体为:将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,得到降维后紧凑的人脸特征信息。
进一步地,所述步骤5进一步具体为:
将人脸库划分成N个子库,对每个子库中的人脸图像进行训练,得到人脸训练特征信息;输入待识别的人脸特征信息,并将其与每个子库中的每个人物的人脸平均特征信息一一比较,取每个子库中前M个匹配的人物出来,最后从取出结果中再取出前K个匹配人物,该K个人物为识别人脸结果的前K个候选人。
进一步地,所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物,每个人物有F张训练样本图像,首先对每个子库中的每个人物的每张训练样本图像进行定位,得到人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,并对每个人物的F张降维后的信息求平均,得到人脸平均特征信息。
本发明之二是这样实现的:一种基于深度学习的实时人脸识别系统,包括如下模块:
获取图像模块,从整张图像中获取人脸图像;
定位特征点模块,定位出人脸图像中的人脸特征点;
人脸对齐模块,通过人脸特征点进行人脸对齐处理,得到处理图片;
特征信息提取模块,从得到的处理图片获取人脸特征信息;
比较识别模块,将人脸特征信息进行比对,从人脸库中得到相似的人脸结果。
进一步地,所述获取图像模块进一步具体为:将整张图像进行人脸检测,若存在人脸,则裁剪人脸,对裁剪后的人脸进行直方图规定化操作,获取人脸图像;否则结束。
进一步地,所述定位特征点模块进一步具体为:通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点。
进一步地,所述人脸对齐模块块进一步具体为:利用人脸特征点,将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束,将人脸校正到同一标准姿态,得到对齐后的处理图片。
进一步地,所述特征信息提取模块进一步具体为:将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,得到降维后紧凑的人脸特征信息。
进一步地,所述比较识别模块进一步具体为:
将人脸库划分成N个子库,对每个子库中的人脸图像进行训练,得到人脸训练特征信息;输入待识别的人脸特征信息,并将其与每个子库中的每个人物的人脸平均特征信息一一比较,取每个子库中前M个匹配的人物出来,最后从取出结果中再取出前K个匹配人物,该K个人物为识别人脸结果的前K个候选人。
进一步地,所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物,每个人物有F张训练样本图像,首先对每个子库中的每个人物的每张训练样本图像进行定位,得到人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,并对每个人物的F张降维后的信息求平均,得到人脸平均特征信息。
本发明具有如下优点:一种基于深度学习的实时人脸识别方法及系统,可以对大规模的人脸库进行搜索(目前大概为3000个类别),采用并行化处理,速度快,精度高;可以对视频或者图像进行实时人脸检测,关键特征点定位,人脸识别,对视频中检测出的人脸进行触摸点击可进行人脸识别,筛选出与库中登记的人匹配度最高的前k个候选人。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
具体实施方式
如图1所示,本发明基于深度学习的实时人脸识别方法,包括如下步骤:
步骤1、将整张图像进行人脸检测,若存在人脸,则裁剪人脸,对裁剪后的人脸进行直方图规定化操作,获取人脸图像;否则结束;
步骤2、通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点;
步骤3、利用人脸特征点,将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束,将人脸校正到同一标准姿态,得到对齐后的处理图片;
步骤4、将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,得到降维后紧凑的人脸特征信息;
步骤5、将人脸库划分成N个子库,对每个子库中的人脸图像进行训练,得到人脸训练特征信息;输入待识别的人脸特征信息,并将其与每个子库中的每个人物的人脸平均特征信息一一比较,取每个子库中前M个匹配的人物出来,最后从取出结果中再取出前K个匹配人物,该K个人物为识别人脸结果的前K个候选人;所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物,每个人物有F张训练样本图像,首先对每个子库中的每个人物的每张训练样本图像进行定位,得到人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,并对每个人物的F张降维后的信息求平均,得到人脸平均特征信息。
本发明基于深度学习的实时人脸识别系统,包括如下模块:
获取图像模块,将整张图像进行人脸检测,若存在人脸,则裁剪人脸,对裁剪后的人脸进行直方图规定化操作,获取人脸图像;否则结束;
定位特征点模块,通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点;
人脸对齐模块,利用人脸特征点,将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束,将人脸校正到同一标准姿态,得到对齐后的处理图片;
特征信息提取模块,将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,得到降维后紧凑的人脸特征信息;
比较识别模块,将人脸库划分成N个子库,对每个子库中的人脸图像进行训练,得到人脸训练特征信息;输入待识别的人脸特征信息,并将其与每个子库中的每个人物的人脸平均特征信息一一比较,取每个子库中前M个匹配的人物出来,最后从取出结果中再取出前K个匹配人物,该K个人物为识别人脸结果的前K个候选人;所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物,每个人物有F张训练样本图像,首先对每个子库中的每个人物的每张训练样本图像进行定位,得到人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,并对每个人物的F张降维后的信息求平均,得到人脸平均特征信息。
对于光照变化问题这样解决:局部区域的光照问题要比一整张输入图像的光照问题容易解决,基本这个原理,本发明的做法是先对整张图像进行人脸检测,并按一定的结构裁剪人脸,只对裁剪后的人脸进行直方图规定化操作,从而使得各个人脸图像光照相对均匀。
对于遮挡问题这样解决:传统的模式识别方法在遮挡问题上很容易发生错误,因为遮挡问题掩盖了特征信息,从而使得特征提取无法得到正确的特征。而在局部遮挡的情况下,人眼却可以根据脸部其它区域的信息估计被遮挡处的信息。这意味着全局和上下文的信息对于遮挡的判断非常重要。而深度学习模型具有强大的学习能力,高效的特征表达能力,能从像素级原始数据抽象出高级语义概念,使得它在提取图像的全局特征和上下文理解能力有巨大的优势。
特征提取方法:传统的特征提取方法是一个相当漫长的过程,回顾计算机视觉发展的历史,往往需要五到十年才能出现一个受到广泛认可的好的特征。而深度学习可以针对新的应用从训练数据中很快学习得到新的有效的特征表示。本发明采用深度学习中的卷积神经网络定位人脸的关键特征点(包括眼睛,鼻子,嘴巴共11个点)。
对于计算量大,速度慢问题是这样解决:本发明方法中计算大的环节主要有:特征提取,识别阶段的训练,识别比对。本发明提出了一种高效实时的人脸特征点定位方法,其网络结构(即卷积神经网络框架)大大简化,同时又保持定位精度(即卷积神经网络)。在识别的训练阶段,采用了子模型训练策略,降低了单个模型的计算量和内存需求,同时也使得识别任务可以并行化。并对训练生成的特征进行白化主成分分析降维处理,大大减少了数据量,提高了效率。同时,对每个子模型提取k近邻,对于一个测试样本来说,必须与所有子模型的k近邻比对,将综合的结果作为最终结果(即匹配过程中和每个子空间的人脸进行匹配,选出每个子空间中的前n个最相近的结果,然后再从前面这步结果中取出前k个最相近的结果)。进一步提高了鲁棒性。
总的来说,本发明主要从以下三个方面降低计算量:
优化卷积神经网络结构:简化结构,降低层数,调整初始化参数,保证精度的同时大大降低了计算量。
子模型策略:降低了单个模型的计算量和内存需求,同时也为并行化提供了条件,大大提高了效率。
降低特征表达的维度:在训练阶段生成的特征维度相对还是比较高,本发明利用了白化主成分分析降维,进一步降低了特征表达的维度,提高计算速度。
由于人脸库规模较大,通常都在几千人以上,为了提高处理的速度,将人脸库按200个类别随机组合,组成一个子库。图1是是对这个子库进行的训练和测试过程的流程图,子模型概念就是前面的将大数量的人脸训练样本均分成200个人数的库,将其进行训练。所有的训练过程都可以离线进行,然后保存模型的信息供测试时使用。采用分布式训练方法,将人脸库划分成N个子库,对每个子库进行单独训练和测试。这种训练方法,减少训练难度,提高训练速度。
最后匹配时候,输入测试图像和每个子库中的每个人物一一比较过去。取每个子库中前3个最相似的人物出来,最后从这些结果中再取出前K个最相似的匹配作为最终结果。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (14)
1.一种基于深度学习的实时人脸识别方法,其特征在于:包括如下步骤:
步骤1、从整张图像中获取人脸图像;
步骤2、定位出人脸图像中的人脸特征点;
步骤3、通过人脸特征点进行人脸对齐处理,得到处理图片;
步骤4、从得到的处理图片获取人脸特征信息;
步骤5、将人脸特征信息进行比对,从人脸库中得到相似的人脸结果。
2.根据权利要求1所述的一种基于深度学习的实时人脸识别方法,其特征在于:所述步骤1进一步具体为:将整张图像进行人脸检测,若存在人脸,则裁剪人脸,对裁剪后的人脸进行直方图规定化操作,获取人脸图像;否则结束。
3.根据权利要求1所述的一种基于深度学习的实时人脸识别方法,其特征在于:所述步骤2进一步具体为:通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点。
4.根据权利要求1所述的一种基于深度学习的实时人脸识别方法,其特征在于:所述步骤3进一步具体为:利用人脸特征点,将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束,将人脸校正到同一标准姿态,得到对齐后的处理图片。
5.根据权利要求1所述的一种基于深度学习的实时人脸识别方法,其特征在于:所述步骤4进一步具体为:将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,得到降维后紧凑的人脸特征信息。
6.根据权利要求1所述的一种基于深度学习的实时人脸识别方法,其特征在于:所述步骤5进一步具体为:
将人脸库划分成N个子库,对每个子库中的人脸图像进行训练,得到人脸训练特征信息;输入待识别的人脸特征信息,并将其与每个子库中的每个人物的人脸平均特征信息一一比较,取每个子库中前M个匹配的人物出来,最后从取出结果中再取出前K个匹配人物,该K个人物为识别人脸结果的前K个候选人。
7.根据权利要求6所述的一种基于深度学习的实时人脸识别方法,其特征在于:所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物,每个人物有F张训练样本图像,首先对每个子库中的每个人物的每张训练样本图像进行定位,得到人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,并对每个人物的F张降维后的信息求平均,得到人脸平均特征信息。
8.一种基于深度学习的实时人脸识别系统,其特征在于:包括如下模块:
获取图像模块,从整张图像中获取人脸图像;
定位特征点模块,定位出人脸图像中的人脸特征点;
人脸对齐模块,通过人脸特征点进行人脸对齐处理,得到处理图片;
特征信息提取模块,从得到的处理图片获取人脸特征信息;
比较识别模块,将人脸特征信息进行比对,从人脸库中得到相似的人脸结果。
9.根据权利要求8所述的一种基于深度学习的实时人脸识别系统,其特征在于:所述获取图像模块进一步具体为:将整张图像进行人脸检测,若存在人脸,则裁剪人脸,对裁剪后的人脸进行直方图规定化操作,获取人脸图像;否则结束。
10.根据权利要求8所述的一种基于深度学习的实时人脸识别系统,其特征在于:所述定位特征点模块进一步具体为:通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点。
11.根据权利要求8所述的一种基于深度学习的实时人脸识别系统,其特征在于:所述人脸对齐模块块进一步具体为:利用人脸特征点,将不同姿态的人脸按照两眼位置对齐在同一水平线上的约束,将人脸校正到同一标准姿态,得到对齐后的处理图片。
12.根据权利要求8所述的一种基于深度学习的实时人脸识别系统,其特征在于:所述特征信息提取模块进一步具体为:将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,得到降维后紧凑的人脸特征信息。
13.根据权利要求8所述的一种基于深度学习的实时人脸识别系统,其特征在于:所述比较识别模块进一步具体为:
将人脸库划分成N个子库,对每个子库中的人脸图像进行训练,得到人脸训练特征信息;输入待识别的人脸特征信息,并将其与每个子库中的每个人物的人脸平均特征信息一一比较,取每个子库中前M个匹配的人物出来,最后从取出结果中再取出前K个匹配人物,该K个人物为识别人脸结果的前K个候选人。
14.根据权利要求13所述的一种基于深度学习的实时人脸识别系统,其特征在于:所述对每个子库中的人脸图像进行训练进一步具体为:若每个子库中有M个人物,每个人物有F张训练样本图像,首先对每个子库中的每个人物的每张训练样本图像进行定位,得到人脸图像中的人脸特征点;通过人脸特征点进行人脸对齐处理,得到处理图片;将得到的处理图片通过级联PCA方法来提取特征信息,之后将该特征信息进行白化主成分分析降维处理,并对每个人物的F张降维后的信息求平均,得到人脸平均特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471210.3A CN105117692A (zh) | 2015-08-05 | 2015-08-05 | 一种基于深度学习的实时人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471210.3A CN105117692A (zh) | 2015-08-05 | 2015-08-05 | 一种基于深度学习的实时人脸识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105117692A true CN105117692A (zh) | 2015-12-02 |
Family
ID=54665675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510471210.3A Pending CN105117692A (zh) | 2015-08-05 | 2015-08-05 | 一种基于深度学习的实时人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105117692A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678248A (zh) * | 2015-12-31 | 2016-06-15 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
CN105760834A (zh) * | 2016-02-14 | 2016-07-13 | 北京飞搜科技有限公司 | 一种人脸特征点定位方法 |
CN106095903A (zh) * | 2016-06-08 | 2016-11-09 | 成都三零凯天通信实业有限公司 | 一种基于深度学习技术的广播电视舆情分析方法及系统 |
CN106355066A (zh) * | 2016-08-28 | 2017-01-25 | 乐视控股(北京)有限公司 | 人脸验证方法及人脸验证装置 |
CN106407912A (zh) * | 2016-08-31 | 2017-02-15 | 腾讯科技(深圳)有限公司 | 一种人脸验证的方法及装置 |
CN106407369A (zh) * | 2016-09-09 | 2017-02-15 | 华南理工大学 | 一种基于深度学习人脸识别的照片管理方法和系统 |
CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN106599878A (zh) * | 2016-12-28 | 2017-04-26 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度学习的人脸重建矫正方法及装置 |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
CN106803930A (zh) * | 2017-02-10 | 2017-06-06 | 上海斐讯数据通信技术有限公司 | 一种基于路由器的智能视频监控方法及智能路由器 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN107066969A (zh) * | 2017-04-12 | 2017-08-18 | 南京维睛视空信息科技有限公司 | 一种人脸识别方法 |
CN107066941A (zh) * | 2017-03-01 | 2017-08-18 | 桂林电子科技大学 | 一种人脸识别方法和系统 |
CN107066966A (zh) * | 2017-04-17 | 2017-08-18 | 宜宾学院 | 一种基于关键点区域图像的人脸识别方法 |
WO2017181923A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法、装置及计算机存储介质 |
CN107516105A (zh) * | 2017-07-20 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN107516076A (zh) * | 2017-08-10 | 2017-12-26 | 苏州妙文信息科技有限公司 | 人像识别方法及装置 |
CN107578029A (zh) * | 2017-09-21 | 2018-01-12 | 北京邮电大学 | 计算机辅助图片认证的方法、装置、电子设备及存储介质 |
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 |
CN107622256A (zh) * | 2017-10-13 | 2018-01-23 | 四川长虹电器股份有限公司 | 基于面部识别技术的智能相册系统 |
CN107766774A (zh) * | 2016-08-17 | 2018-03-06 | 鸿富锦精密电子(天津)有限公司 | 人脸识别系统及方法 |
CN107832667A (zh) * | 2017-10-11 | 2018-03-23 | 哈尔滨理工大学 | 一种基于深度学习的人脸识别方法 |
CN107992844A (zh) * | 2017-12-14 | 2018-05-04 | 合肥寰景信息技术有限公司 | 基于深度学习的人脸识别系统及方法 |
CN108182384A (zh) * | 2017-12-07 | 2018-06-19 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
CN108364374A (zh) * | 2017-12-28 | 2018-08-03 | 武汉烽火众智数字技术有限责任公司 | 基于深度学习的人脸门禁控制装置及方法 |
CN108399653A (zh) * | 2018-01-24 | 2018-08-14 | 网宿科技股份有限公司 | 增强现实方法、终端设备及计算机可读存储介质 |
CN108898125A (zh) * | 2018-07-10 | 2018-11-27 | 深圳市巨龙创视科技有限公司 | 一种基于嵌入式人脸识别管理系统 |
CN109753848A (zh) * | 2017-11-03 | 2019-05-14 | 杭州海康威视数字技术股份有限公司 | 执行人脸识别处理的方法、装置和系统 |
CN110321776A (zh) * | 2019-04-17 | 2019-10-11 | 郑州轻工业学院 | 基于深度学习的计算机人脸识别方法 |
CN111860047A (zh) * | 2019-04-26 | 2020-10-30 | 美澳视界(厦门)智能科技有限公司 | 一种基于深度学习的人脸快速识别方法 |
US11068707B2 (en) | 2018-10-30 | 2021-07-20 | Fujitsu Limited | Person searching method and apparatus and image processing device |
CN114638018A (zh) * | 2022-03-29 | 2022-06-17 | 润芯微科技(江苏)有限公司 | 一种基于面部识别保护车主行车记录仪隐私的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160309B1 (en) * | 2007-12-21 | 2012-04-17 | Csr Technology Inc. | Method, apparatus, and system for object recognition and classification |
CN103207995A (zh) * | 2013-05-13 | 2013-07-17 | 苏州福丰科技有限公司 | 基于pca的3d人脸识别方法 |
CN103793693A (zh) * | 2014-02-08 | 2014-05-14 | 厦门美图网科技有限公司 | 一种人脸转向的检测方法及其应用该方法的脸型优化方法 |
CN103914676A (zh) * | 2012-12-30 | 2014-07-09 | 杭州朗和科技有限公司 | 一种在人脸识别中使用的方法和装置 |
CN104598936A (zh) * | 2015-02-28 | 2015-05-06 | 北京畅景立达软件技术有限公司 | 人脸图像面部关键点的定位方法 |
-
2015
- 2015-08-05 CN CN201510471210.3A patent/CN105117692A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8160309B1 (en) * | 2007-12-21 | 2012-04-17 | Csr Technology Inc. | Method, apparatus, and system for object recognition and classification |
CN103914676A (zh) * | 2012-12-30 | 2014-07-09 | 杭州朗和科技有限公司 | 一种在人脸识别中使用的方法和装置 |
CN103207995A (zh) * | 2013-05-13 | 2013-07-17 | 苏州福丰科技有限公司 | 基于pca的3d人脸识别方法 |
CN103793693A (zh) * | 2014-02-08 | 2014-05-14 | 厦门美图网科技有限公司 | 一种人脸转向的检测方法及其应用该方法的脸型优化方法 |
CN104598936A (zh) * | 2015-02-28 | 2015-05-06 | 北京畅景立达软件技术有限公司 | 人脸图像面部关键点的定位方法 |
Non-Patent Citations (2)
Title |
---|
彭力: "《嵌入式物联网技术应用》", 31 January 2015 * |
边后琴等: "基于LTP的单样本人脸识别方法", 《PROCEEDINGS OF THE 32ND CHINESE CONTROL CONFERENCE》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678248B (zh) * | 2015-12-31 | 2018-11-27 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
CN105678248A (zh) * | 2015-12-31 | 2016-06-15 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
CN105760834A (zh) * | 2016-02-14 | 2016-07-13 | 北京飞搜科技有限公司 | 一种人脸特征点定位方法 |
WO2017181923A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法、装置及计算机存储介质 |
CN106095903A (zh) * | 2016-06-08 | 2016-11-09 | 成都三零凯天通信实业有限公司 | 一种基于深度学习技术的广播电视舆情分析方法及系统 |
CN107766774A (zh) * | 2016-08-17 | 2018-03-06 | 鸿富锦精密电子(天津)有限公司 | 人脸识别系统及方法 |
CN106355066A (zh) * | 2016-08-28 | 2017-01-25 | 乐视控股(北京)有限公司 | 人脸验证方法及人脸验证装置 |
CN106407912A (zh) * | 2016-08-31 | 2017-02-15 | 腾讯科技(深圳)有限公司 | 一种人脸验证的方法及装置 |
CN106407369A (zh) * | 2016-09-09 | 2017-02-15 | 华南理工大学 | 一种基于深度学习人脸识别的照片管理方法和系统 |
CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN106599797B (zh) * | 2016-11-24 | 2019-06-07 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
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 |
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 |
CN106599878A (zh) * | 2016-12-28 | 2017-04-26 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度学习的人脸重建矫正方法及装置 |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
CN106803930A (zh) * | 2017-02-10 | 2017-06-06 | 上海斐讯数据通信技术有限公司 | 一种基于路由器的智能视频监控方法及智能路由器 |
CN107066941A (zh) * | 2017-03-01 | 2017-08-18 | 桂林电子科技大学 | 一种人脸识别方法和系统 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN107066969A (zh) * | 2017-04-12 | 2017-08-18 | 南京维睛视空信息科技有限公司 | 一种人脸识别方法 |
CN107066966A (zh) * | 2017-04-17 | 2017-08-18 | 宜宾学院 | 一种基于关键点区域图像的人脸识别方法 |
CN107516105A (zh) * | 2017-07-20 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
KR102316230B1 (ko) * | 2017-07-20 | 2021-10-26 | 어드밴스드 뉴 테크놀로지스 씨오., 엘티디. | 이미지 처리 방법 및 장치 |
US11093792B2 (en) | 2017-07-20 | 2021-08-17 | Advanced New Technologies Co., Ltd. | Image processing methods and devices |
US10769490B2 (en) | 2017-07-20 | 2020-09-08 | Alibaba Group Holding Limited | Image processing methods and devices |
CN107516105B (zh) * | 2017-07-20 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
KR20200008993A (ko) * | 2017-07-20 | 2020-01-29 | 알리바바 그룹 홀딩 리미티드 | 이미지 처리 방법 및 장치 |
WO2019015645A1 (zh) * | 2017-07-20 | 2019-01-24 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN107516076A (zh) * | 2017-08-10 | 2017-12-26 | 苏州妙文信息科技有限公司 | 人像识别方法及装置 |
CN107578029B (zh) * | 2017-09-21 | 2020-03-27 | 北京邮电大学 | 计算机辅助图片认证的方法、装置、电子设备及存储介质 |
CN107578029A (zh) * | 2017-09-21 | 2018-01-12 | 北京邮电大学 | 计算机辅助图片认证的方法、装置、电子设备及存储介质 |
CN107832667A (zh) * | 2017-10-11 | 2018-03-23 | 哈尔滨理工大学 | 一种基于深度学习的人脸识别方法 |
CN107622256A (zh) * | 2017-10-13 | 2018-01-23 | 四川长虹电器股份有限公司 | 基于面部识别技术的智能相册系统 |
CN109753848B (zh) * | 2017-11-03 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 执行人脸识别处理的方法、装置和系统 |
CN109753848A (zh) * | 2017-11-03 | 2019-05-14 | 杭州海康威视数字技术股份有限公司 | 执行人脸识别处理的方法、装置和系统 |
CN108182384A (zh) * | 2017-12-07 | 2018-06-19 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
CN108182384B (zh) * | 2017-12-07 | 2020-09-29 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
CN107992844B (zh) * | 2017-12-14 | 2022-01-18 | 离娄科技(北京)有限公司 | 基于深度学习的人脸识别系统及方法 |
CN107992844A (zh) * | 2017-12-14 | 2018-05-04 | 合肥寰景信息技术有限公司 | 基于深度学习的人脸识别系统及方法 |
CN108364374A (zh) * | 2017-12-28 | 2018-08-03 | 武汉烽火众智数字技术有限责任公司 | 基于深度学习的人脸门禁控制装置及方法 |
CN108399653A (zh) * | 2018-01-24 | 2018-08-14 | 网宿科技股份有限公司 | 增强现实方法、终端设备及计算机可读存储介质 |
CN108898125A (zh) * | 2018-07-10 | 2018-11-27 | 深圳市巨龙创视科技有限公司 | 一种基于嵌入式人脸识别管理系统 |
US11068707B2 (en) | 2018-10-30 | 2021-07-20 | Fujitsu Limited | Person searching method and apparatus and image processing device |
CN110321776A (zh) * | 2019-04-17 | 2019-10-11 | 郑州轻工业学院 | 基于深度学习的计算机人脸识别方法 |
CN111860047A (zh) * | 2019-04-26 | 2020-10-30 | 美澳视界(厦门)智能科技有限公司 | 一种基于深度学习的人脸快速识别方法 |
CN114638018A (zh) * | 2022-03-29 | 2022-06-17 | 润芯微科技(江苏)有限公司 | 一种基于面部识别保护车主行车记录仪隐私的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117692A (zh) | 一种基于深度学习的实时人脸识别方法及系统 | |
US11195051B2 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
CN106778664B (zh) | 一种虹膜图像中虹膜区域的分割方法及其装置 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
CN105608450A (zh) | 基于深度卷积神经网络的异质人脸识别方法 | |
US11893831B2 (en) | Identity information processing method and device based on fundus image | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN104268539A (zh) | 一种高性能的人脸识别方法及系统 | |
CN104517104A (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
CN104025117A (zh) | 时间面部序列 | |
CN108537143B (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
CN106650574A (zh) | 基于PCANet的人脸识别方法 | |
CN112434599B (zh) | 一种基于噪声通道的随机遮挡恢复的行人重识别方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN110287813A (zh) | 身份识别方法及系统 | |
CN109033955A (zh) | 一种人脸跟踪方法和系统 | |
KR20210033940A (ko) | 인간 안면 인식을 위하여 신경 네트워크를 트레이닝시키는 방법 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
CN104820711A (zh) | 复杂场景下对人形目标的视频检索方法 | |
CN104765739B (zh) | 基于形状空间的大规模人脸数据库检索方法 | |
Kansizoglou et al. | Haseparator: Hyperplane-assisted softmax | |
CN111104897A (zh) | 儿童人脸识别模型的训练方法、装置以及存储介质 | |
Hirzi et al. | Literature study of face recognition using the viola-jones algorithm | |
CN113468925B (zh) | 一种遮挡人脸识别方法、智能终端及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151202 |