CN105678232B - 一种基于深度学习的人脸图片特征提取与对比方法 - Google Patents

一种基于深度学习的人脸图片特征提取与对比方法 Download PDF

Info

Publication number
CN105678232B
CN105678232B CN201511020847.7A CN201511020847A CN105678232B CN 105678232 B CN105678232 B CN 105678232B CN 201511020847 A CN201511020847 A CN 201511020847A CN 105678232 B CN105678232 B CN 105678232B
Authority
CN
China
Prior art keywords
image
module
face
feature vector
layer
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
CN201511020847.7A
Other languages
English (en)
Other versions
CN105678232A (zh
Inventor
舒泓新
蔡晓东
李隆泽
王爱华
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.)
CHINACCS INFORMATION INDUSTRY Co Ltd
Original Assignee
CHINACCS INFORMATION INDUSTRY 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 CHINACCS INFORMATION INDUSTRY Co Ltd filed Critical CHINACCS INFORMATION INDUSTRY Co Ltd
Priority to CN201511020847.7A priority Critical patent/CN105678232B/zh
Publication of CN105678232A publication Critical patent/CN105678232A/zh
Application granted granted Critical
Publication of CN105678232B publication Critical patent/CN105678232B/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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的人脸图片特征提取与对比方法，具体为：将人脸库中的图像经局部模块化；构建卷积神经网络，将图像模块输入到卷积神经网络进行训练；将人脸库的图像经局部模块化后得到图像模块，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到与每一图像对应的特征向量；将待对比的人脸图像，经局部模块化后使用训练好的卷积神经网络模型提取每一图像模块的特征，得到待对比人脸图像对应的特征向量；将待对比人脸图像对应的特征向量依次与得到的每一图像对应的特征向量，使用余弦相似度进行对比。本发明的有益效果是：本发明提取与对比方法在OFD东方人脸库中的人脸比对排名前5，准确率高达95%。

Description

一种基于深度学习的人脸图片特征提取与对比方法
技术领域
本发明涉及信息技术领域，特别涉及一种基于深度学习的人脸图片特征提取与对比方法。
背景技术
人脸比对致力于鉴定两张人脸是否属于同一个人，难点在于能否获取到稳定的特征。早期常用人脸特征提取算法诸如：LBP，Gabor，haar等等，但准确率受到环境因素影响存在瓶颈。近些年越来越多的深度模型，尤其是卷积神经网络(CNN)被用来提取深层视觉特征，通过模仿人大脑皮层的神经网络，采用卷积、池化、非线性变化等手段提出的卷积神经网络模型，可以获取更抽象更本质的视觉特征。但仍然存在人脸图像受到光照、表情、姿态、化妆等多种因素的影响，给人脸图像特征的提取带来了很大的干扰，从而大大降低了识别的效率。
发明内容
为了降低人脸姿态和光照变化等环境对人脸特征提取的影响和提高人脸对比准确率，本发明提供了一种基于深度学习的人脸图片特征提取与对比方法。
本发明的发明构思为：本发明不同于以往将整张人脸作为训练模型的输入，而是给出一种有效的人脸区域分割方法，将一张人脸扩容，截取人脸的十块不同区域，每个区域生成三种尺寸，并在RGB空间和灰度空间生成这些新模块图像，综上所述每张人脸可以扩容到60张，相较整张人脸可以提取到局部稳定的特征。之后为每个新模块都建立一个基于混合局部特征的卷积神经网络模型，相较传统特征如LBP和HOG，可以提取深层的人脸特征信息，综合所有模块的特征采用COS距离进行人脸比对。首先将一对人脸图像模块化，其次提取每组图像的关系特征，然后使用卷积神经网络提取关系特征的深层特征，最后使用COS距离进行人脸比对。近几年OFD东方人脸库被应用到了越来越多的人脸比对实验中，它包含了视点和光照两个子库，本发明的提取与对比方法在该人脸库中的人脸比对排名前5的准确率高达95％。
为了实现上述发明目的，本发明提供了一种基于深度学习的人脸图片特征提取与对比方法，其中，所述方法具体为：
步骤S101：将OFD东方人脸库中的每张图像经过局部模块化后，得到60个图像模块；
步骤S102：构建卷积神经网络，将步骤S101得到的图像模块输入到所述卷积神经网络进行训练，得到最终训练好的卷积神经网络模型；其中，所述卷积神经网络包括输入层、4层卷积池化层、2层全连接层和输出层，其中每层卷积池化层由卷积层、最大池化层和relu层组成；
步骤S103：将OFD东方人脸库的图像经局部模块化后得到图像模块，然后输入到卷积神经网络，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到与每一图像对应的特征向量；
步骤S104：将待对比的人脸图像，经局部模块化后输入到卷积神经网络，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到待对比人脸图像对应的特征向量；
步骤S105：将步骤S104输出的待对比人脸图像特征向量集依次与步骤S103得到的每一图像对应的特征向量集，使用余弦相似度进行对比，输出一组相似度值，将相似度值从大到小排序，输出OFD东方人脸库中最大相似度值对应的图像。
进一步地，所述步骤S101、所述步骤S103、所述步骤S104中，所述局部模块化依次包括按区域划分、尺寸划分和颜色空间划分，具体步骤为：
步骤S201：按区域划分，采用ASM人脸特征点定位的方法对完整人脸图像进行区域划分得到十个区域模块，划分结果如下：①整张人脸模块；②头发、额头和人眼模块；③头发、额头、人眼和鼻子模块；④额头、人眼、鼻子和嘴模块；⑤人眼、鼻子、嘴和下巴模块；⑥以左眼为中心的模块；⑦以右眼为中心的模块；⑧以鼻尖为中心的模块；⑨以左嘴角为中心的模块；⑩以右嘴角为中心的模块；其中①-⑤模块图像尺寸为39×31mm，⑥-⑩模块图像尺寸为31×31mm；
步骤S202：按尺寸划分，将每个上述区域模块以区域模块中心点为基准，在完整人脸图像的基础上分别按照1.1:1、1.3:1和0.8:1三种尺寸进行延展，每个区域模块获取到由3种具有不同区域的图像模块组成的区域模块集，然后按照与对应的区域模块尺寸将所有区域模块集中的每个图像模块进行尺寸归一化；
步骤S203：按色彩空间划分，将所有区域模块集中的每个模块分为RGB空间和灰度空间两张图像；
通过上述三种划分方式，每张图像共得到60个图像模块。
进一步地，所述步骤S102中，所述卷积层提取人脸的深层特征，卷积层输入为：input_data:WI*HI，输出为：output_data:WO*WO，卷积核大小为：w*h，步长为：stride，具体为：
WO＝(WI-w)/stride (1)
HO＝(HI-h)/stride (2)
其中，公式(3)中，待卷积图像的(i，j)点像素值表示为PI(i,j)，卷积核的权重表示为W(wn,hn)，卷积核大小为w*h，则对应(i，j)像素点卷积后的像素值为PO(i,j)。
进一步地，所述步骤S103和所述步骤S104中，每个图像模块通过一个160维向量表示，将每个图像对应的60个图像模块合成一个特征向量，用来表示一张人脸的全部特征信息。
进一步地，所述步骤S105中，做人脸比对时，用余弦相似度计算两个特征向量所成角度，具体计算公式如下：
公式(4)中，A、B表示两个人脸的特征向量，||A||表示A特征向量的2范数，||B||表示B特征向量的2范数，i表示特征向量的第i维数据，n表示特征向量共有n维数据，θ为两个特征向量的空间夹角，夹角越小表示两个特征向量越相似。
本发明的有益效果是：本发明提取与对比方法在OFD东方人脸库中的人脸比对排名前5，准确率高达95％。本发明有两个创新点，首先是给出一种有效的人脸区域分割方法，相较整张人脸可以提取到局部稳定的特征；其次是提出了一个新的基于混合局部特征的卷积神经网络模型，相较传统特征如LBP和HOG，可以提取深层的人脸特征信息。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例方法对应的框架图。
图3为本发明实施例中区域划分图。
图4为本发明实施例中尺寸划分图。
图5为本发明实施例中卷积神经网络模型的结构示意图。
图6为本发明OFD东方人脸库的图像示意图。
具体实施方式
本发明提出了一种基于深度学习的混合局部特征提取与对比方法，首先是给出一种有效的人脸区域分割方法，相较整张人脸可以提取到局部稳定的特征，其次提出了一个新的基于混合局部特征的卷积神经网络模型，相较传统特征如LBP和HOG，可以提取深层的人脸特征信息，通过特征点定位方法，对人脸的60个不同区域、尺寸、颜色空间进行特征提取，并比对两张人脸的COS距离。本发明采用OFD大型东方人脸库，包含视点和光照两个字库，共采集整理了1247人的33669张人脸图像，每人拍摄19张视点图像和8张光照图像，其中图6仅提供了19张视点图像中的8张和8张光照图像。由于OFD包含了影响人脸比对的两大环境因素，光照和角度变化，并且图像数量和质量均符合本发明的需求，因此选用OFD人脸库。
本发明实施例提供了一种基于深度学习的混合局部特征提取与对比方法，其流程如图1和图2所示，包括：
步骤S101：将OFD东方人脸库中的每张图像经过局部模块化后，得到60个图像模块；
步骤S102：构建卷积神经网络(参见图5)，将步骤S101得到的图像模块输入到所述卷积神经网络进行训练，得到最终训练好的卷积神经网络模型；其中，所述卷积神经网络包括输入层、4层卷积池化层、2层全连接层和输出层，其中每层卷积池化层由卷积层、最大池化层和relu层组成；
步骤S103：将OFD东方人脸库的图像经局部模块化后得到图像模块，然后输入到卷积神经网络，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到与每一图像对应的特征向量；
步骤S104：将待对比的人脸图像，经局部模块化后输入到卷积神经网络，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到待对比人脸图像对应的特征向量；
步骤S105：将步骤S104输出的待对比人脸图像特征向量集依次与步骤S103得到的每一图像对应的特征向量集，使用余弦相似度进行对比，输出一组相似度值，将相似度值从大到小排序，输出OFD东方人脸库中最大相似度值对应的图像。
其中，步骤S101、步骤S103和步骤S104中，局部模块化依次包括按区域划分、尺寸划分和颜色空间划分，具体步骤为：
步骤S201：按区域划分，采用ASM人脸特征点定位的方法对完整人脸图像进行区域划分得到十个区域模块(参见图3)，划分结果如下：①整张人脸模块；②头发、额头和人眼模块；③头发、额头、人眼和鼻子模块；④额头、人眼、鼻子和嘴模块；⑤人眼、鼻子、嘴和下巴模块；⑥以左眼为中心的模块；⑦以右眼为中心的模块；⑧以鼻尖为中心的模块；⑨以左嘴角为中心的模块；⑩以右嘴角为中心的模块；其中①-⑤模块图像尺寸为39×31mm，⑥-⑩模块图像尺寸为31×31mm；
步骤S202：按尺寸划分，将每个上述区域模块以区域模块中心点为基准，在完整人脸图像的基础上分别按照1.1:1、1.3:1和0.8:1三种尺寸进行延展(参见图4)，每个区域模块获取到由3种具有不同区域的图像模块组成的区域模块集，然后按照与对应的区域模块尺寸将所有区域模块集中的每个图像模块进行尺寸归一化；
步骤S203：按色彩空间划分，将所有区域模块集中的每个模块分为RGB空间和灰度空间两张图像；
通过上述三种划分方式，每张图像共得到60个图像模块。
其中，步骤S102中，卷积层提取人脸的深层特征，卷积层输入为：input_data:WI*HI，输出为：output_data:WO*WO，卷积核大小为：w*h，步长为：stride，具体为：
WO＝(WI-w)/stride (1)
HO＝(HI-h)/stride (2)
其中，公式(3)中，待卷积图像的(i，j)点像素值表示为PI(i,j)，卷积核的权重表示为W(wn,hn)，卷积核大小为w*h，则对应(i，j)像素点卷积后的像素值为PO(i,j)。
步骤S103和所述步骤S104中，每个图像模块通过一个160维向量表示，将每个图像对应的60个图像模块合成一个特征向量，用来表示一张人脸的全部特征信息。
步骤S105中，做人脸比对时，用余弦相似度计算两个特征向量所成角度，具体计算公式如下：
公式(4)中，A、B表示两个人脸的特征向量，||A||表示A特征向量的2范数，||B||表示B特征向量的2范数，i表示特征向量的第i维数据，n表示特征向量共有n维数据，θ为两个特征向量的空间夹角，夹角越小表示两个特征向量越相似。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (4)

1.一种基于深度学习的人脸图片特征提取与对比方法，其特征在于，所述方法具体为：
步骤S101：将OFD东方人脸库中的每张图像经局部模块化后，得到60个图像模块；
步骤S102：构建卷积神经网络，将步骤S101得到的图像模块输入到所述卷积神经网络进行训练，得到最终训练好的卷积神经网络模型；其中，所述卷积神经网络包括输入层、4层卷积池化层、2层全连接层和输出层，其中每层卷积池化层由卷积层、最大池化层和relu层组成；
步骤S103：将OFD东方人脸库的图像经局部模块化后得到图像模块，然后输入到卷积神经网络，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到与每一图像对应的特征向量；
步骤S104：将待对比的人脸图像，经局部模块化后输入到卷积神经网络，使用训练好的卷积神经网络模型提取每一图像模块的特征，得到待对比人脸图像对应的特征向量；
步骤S105：使用余弦相似度将步骤S104输出的待对比人脸图像对应的特征向量依次与步骤S103得到的每一图像对应的特征向量进行对比，输出一组相似度值，将相似度值从大到小排序，输出OFD东方人脸库中最大相似度值对应的图像；
其中，所述步骤S101、所述步骤S103和所述步骤S104中，所述局部模块化依次按区域划分、尺寸划分和颜色空间划分，具体步骤为：
步骤S201：按区域划分，采用ASM人脸特征点定位的方法对完整人脸图像进行区域划分得到十个区域模块，划分结果如下：①整张人脸模块；②头发、额头和人眼模块；③头发、额头、人眼和鼻子模块；④额头、人眼、鼻子和嘴模块；⑤人眼、鼻子、嘴和下巴模块；⑥以左眼为中心的模块；⑦以右眼为中心的模块；⑧以鼻尖为中心的模块；⑨以左嘴角为中心的模块；⑩以右嘴角为中心的模块；其中①-⑤模块图像尺寸为39×31mm，⑥-⑩模块图像尺寸为31×31mm；
步骤S202：按尺寸划分，将每个上述区域模块以区域模块中心点为基准，在完整人脸图像的基础上分别按照1.1:1、1.3:1和0.8:1三种尺寸进行延展，每个区域模块获取到由3种具有不同区域的图像模块组成的区域模块集，然后按照与对应的区域模块尺寸将所有区域模块集中的每个图像模块进行尺寸归一化；
步骤S203：按色彩空间划分，将所有区域模块集中的每个模块分为RGB空间和灰度空间两张图像；
通过上述三种划分方式，每张图像共得到60个图像模块。
2.根据权利要求1所述的基于深度学习的人脸图片特征提取与对比方法，其特征在于，所述步骤S102中，所述卷积层的输入为：input_data:WI*HI，输出为：output_data:WO*HO，卷积核大小为：w*h，步长为：stride，具体为：
WO＝(WI-w)/stride (1)
HO＝(HI-h)/stride (2)
其中，公式(3)中，待卷积图像的(i，j)点像素值表示为PI(i,j)，卷积核的权重表示为W(wn,hn)，卷积核大小为w*h，则对应(i，j)像素点卷积后的像素值为PO(i,j)。
3.根据权利要求1所述的基于深度学习的人脸图片特征提取与对比方法，其特征在于，所述步骤S103和所述步骤S104中，每个图像模块通过一个160维向量表示，将每个图像对应的60个图像模块合成一个特征向量，用来表示一张人脸的全部特征信息。
4.根据权利要求1所述的基于深度学习的人脸图片特征提取与对比方法，其特征在于，所述步骤S105中，做人脸比对时，用余弦相似度计算两个特征向量所成角度，具体计算公式如下：
公式(4)中，A、B表示两个人脸的特征向量，||A||表示A特征向量的2范数，||B||表示B特征向量的2范数，i表示特征向量的第i维数据，n表示特征向量共有n维数据，θ为两个特征向量的空间夹角，夹角越小表示两个特征向量越相似。
CN201511020847.7A 2015-12-30 2015-12-30 一种基于深度学习的人脸图片特征提取与对比方法 Active CN105678232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511020847.7A CN105678232B (zh) 2015-12-30 2015-12-30 一种基于深度学习的人脸图片特征提取与对比方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511020847.7A CN105678232B (zh) 2015-12-30 2015-12-30 一种基于深度学习的人脸图片特征提取与对比方法

Publications (2)

Publication Number Publication Date
CN105678232A CN105678232A (zh) 2016-06-15
CN105678232B true CN105678232B (zh) 2019-01-22

Family

ID=56298113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511020847.7A Active CN105678232B (zh) 2015-12-30 2015-12-30 一种基于深度学习的人脸图片特征提取与对比方法

Country Status (1)

Country Link
CN (1) CN105678232B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871098B (zh) * 2016-09-23 2021-04-13 北京眼神科技有限公司 人脸特征点的获取方法和装置
IE87469B1 (en) * 2016-10-06 2024-01-03 Google Llc Image processing neural networks with separable convolutional layers
CN108090406B (zh) * 2016-11-23 2022-03-11 浙江宇视科技有限公司 人脸识别方法及系统
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
CN106599926A (zh) * 2016-12-20 2017-04-26 上海寒武纪信息科技有限公司 一种表情图片推送方法及系统
CN106897366B (zh) * 2017-01-12 2019-11-15 华南理工大学 基于人脸卷积神经网络和随机kd-树森林的图像检索方法
CN106778684A (zh) * 2017-01-12 2017-05-31 易视腾科技股份有限公司 深度神经网络训练方法及人脸识别方法
CN108509961A (zh) * 2017-02-27 2018-09-07 北京旷视科技有限公司 图像处理方法和装置
WO2018176281A1 (zh) * 2017-03-29 2018-10-04 华为技术有限公司 一种素描图像的生成方法及装置
CN107657216A (zh) * 2017-09-11 2018-02-02 安徽慧视金瞳科技有限公司 基于干扰特征向量数据集的1比1人脸特征向量比对方法
CN107705245A (zh) * 2017-10-13 2018-02-16 北京小米移动软件有限公司 图像处理方法及装置
CN107742116A (zh) * 2017-11-13 2018-02-27 湖南超能机器人技术有限公司 一种婴儿情绪变化检测和识别的方法
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
CN107958474A (zh) * 2017-12-12 2018-04-24 时代数媒科技股份有限公司 一种基于深度学习对图形图像剪纸艺术化处理的方法
CN108280397B (zh) * 2017-12-25 2020-04-07 西安电子科技大学 基于深度卷积神经网络的人体图像头发检测方法
CN108446658A (zh) * 2018-03-28 2018-08-24 百度在线网络技术（北京）有限公司 用于识别人脸图像的方法和装置
CN108446660A (zh) * 2018-03-29 2018-08-24 百度在线网络技术（北京）有限公司 用于识别人脸图像的方法和装置
CN108509904A (zh) * 2018-03-30 2018-09-07 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN108921209A (zh) * 2018-06-21 2018-11-30 杭州骑轻尘信息技术有限公司 图片识别方法、装置及电子设备
CN110858286B (zh) 2018-08-23 2023-08-11 杭州海康威视数字技术股份有限公司 一种用于目标识别的图像处理方法及装置
CN109472211A (zh) * 2018-10-16 2019-03-15 深圳爱莫科技有限公司 人脸识别方法及装置
CN109344791B (zh) * 2018-10-16 2022-03-08 烟台职业学院 基于脸部智能扫描的识别鉴定方法
CN109543736B (zh) * 2018-11-15 2020-11-27 新华三技术有限公司 一种特征对比方法及装置
CN109839828A (zh) * 2019-01-03 2019-06-04 深圳壹账通智能科技有限公司 智能家居控制方法及装置、存储介质和电子设备
CN109829424A (zh) * 2019-01-30 2019-05-31 华南理工大学 一种基于人脸识别技术的智能立体车库存取车方法及系统
CN110472082B (zh) * 2019-08-02 2022-04-01 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN110992500B (zh) * 2019-10-12 2023-04-25 平安科技（深圳）有限公司 考勤方法、装置及存储介质、服务器
US11709954B2 (en) 2020-05-01 2023-07-25 Microsoft Technology Licensing, Llc Image content obfuscation using a neural network
CN111710424A (zh) * 2020-06-19 2020-09-25 浙江新芮信息科技有限公司 餐饮人员健康监测方法、设备和计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504362A (zh) * 2014-11-19 2015-04-08 南京艾柯勒斯网络科技有限公司 基于卷积神经网络的人脸检测方法
CN105005774A (zh) * 2015-07-28 2015-10-28 中国科学院自动化研究所 一种基于卷积神经网络的人脸亲属关系识别方法及装置
CN105138993A (zh) * 2015-08-31 2015-12-09 小米科技有限责任公司 建立人脸识别模型的方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8582807B2 (en) * 2010-03-15 2013-11-12 Nec Laboratories America, Inc. Systems and methods for determining personal characteristics
WO2015180042A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning deep face representation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504362A (zh) * 2014-11-19 2015-04-08 南京艾柯勒斯网络科技有限公司 基于卷积神经网络的人脸检测方法
CN105005774A (zh) * 2015-07-28 2015-10-28 中国科学院自动化研究所 一种基于卷积神经网络的人脸亲属关系识别方法及装置
CN105138993A (zh) * 2015-08-31 2015-12-09 小米科技有限责任公司 建立人脸识别模型的方法及装置

Also Published As

Publication number Publication date
CN105678232A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678232B (zh) 一种基于深度学习的人脸图片特征提取与对比方法
CN107730573A (zh) 一种基于特征提取的人物肖像漫画风格化生成方法
CN106652025B (zh) 一种基于视频流与人脸多属性匹配的三维人脸建模方法和打印装置
CN109376582A (zh) 一种基于生成对抗网络的交互式人脸卡通方法
CN103914699B (zh) 一种基于色彩空间的自动唇彩的图像增强的方法
CN107610209A (zh) 人脸表情合成方法、装置、存储介质和计算机设备
CN107169455B (zh) 基于深度局部特征的人脸属性识别方法
CN106919906B (zh) 一种图像互动方法及互动装置
CN105787974B (zh) 仿生人脸衰老模型建立方法
CN101777195B (zh) 一种三维人脸模型的调整方法
CN109671142A (zh) 一种智能美妆方法及智能美妆镜
CN104794722A (zh) 利用单个Kinect计算着装人体三维净体模型的方法
US20100189357A1 (en) Method and device for the virtual simulation of a sequence of video images
CN109712080A (zh) 图像处理方法、图像处理装置及存储介质
CN109410168A (zh) 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法
CN103208133A (zh) 一种图像中人脸胖瘦的调整方法
Liao et al. Enhancing the symmetry and proportion of 3D face geometry
CN105095857B (zh) 基于关键点扰动技术的人脸数据增强方法
CN103456010A (zh) 一种基于特征点定位的人脸卡通画生成方法
CN111950430B (zh) 基于颜色纹理的多尺度妆容风格差异度量及迁移方法、系统
CN101324961A (zh) 计算机虚拟世界中人脸部三维贴图方法
Shu et al. Kinship-guided age progression
CN108537126A (zh) 一种人脸图像处理系统及方法
CN107871098A (zh) 人脸特征点的获取方法和装置
CN109190535A (zh) 一种基于深度学习的人脸面部肤色分析方法和系统

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