CN105825191A - 基于人脸多属性信息的性别识别方法、系统及拍摄终端 - Google Patents
基于人脸多属性信息的性别识别方法、系统及拍摄终端 Download PDFInfo
- Publication number
- CN105825191A CN105825191A CN201610171491.5A CN201610171491A CN105825191A CN 105825191 A CN105825191 A CN 105825191A CN 201610171491 A CN201610171491 A CN 201610171491A CN 105825191 A CN105825191 A CN 105825191A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- identified
- many
- network model
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其通过构建人脸多属性CNN网络模型和性别识别CNN网络模型，然后将待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果，其采用多级网络的训练方法，并利用人脸多属性参数对待识别图像进行优化，极大的提高了性别识别的准确率。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种基于人脸多属性信息的性别识别方法及其应用该方法的系统、拍摄终端。
背景技术
性别作为一个重要的属性，在人机交互，监测，生物识别等领域都有重要意义。然而在日常条件下，拍摄环境玲琅复杂，都给识别带来巨大的挑战，环境的光线，物体的遮挡，摄影的角度，这些因素最终导致在日常应用中，识别的准确程度，不能达到理想水平。
在现有技术的识别方法中，卷积神经网络(ConvolutionalNeuralNetwork，CNN)自2012年起，在众多图像识别竞赛中，都取得了突出的表现。在性别识别上，相对于如PCA，LBP等传统人工提取特征的方法，CNN作为深度学习的重要代表，也取得了优异的成绩。具体使用的方式来说，将图像作为输入，经过事先用大量数据训练的模型，进行特征提取，输出结果，这种端到端的方式(END-TO-END)，在实际应用中显得简单易用。为了解决各种因素对识别带来的挑战，需要大量的数据作为支撑，才能在实际应用中获取理想的识别准确度。随着数据量和数据多样性的增长，人种间的巨大差异，年龄跨越幅度大的，给CNN网络的训练带来诸多困难。
发明内容
本发明为解决上述问题，提供了一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其基于多级的卷积神经网络，先对人脸的多种属性进行一级网络的综合训练，再根据训练得到的多属性参数进行二级网络的性别识别的训练，极大的提高了性别识别的准确率。
为实现上述目的，本发明采用的技术方案为：
首先，本发明提供一种基于人脸多属性信息的性别识别方法，包括以下步骤：
10.将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；
20.将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；
30.将待识别图像输入所述的人脸多属性CNN网络模型进行预测，得到所述待识别图像的人脸多属性参数；
40.根据所述的人脸多属性参数对所述待识别图像进行优化处理，得到优化图像；
50.将所述优化图像输入所述的性别识别CNN网络模型进行预测，得到所述待识别图像的性别识别结果。
优选的，所述的步骤10中，是通过对所述训练图像进行人脸关键点、年龄、人种的标记，并将所述训练图像集合及所述标记输入卷积神经网络进行所述训练图像的人脸关键点、年龄、人种的参数的训练，输出所述的人脸多属性CNN网络模型。
优选的，所述的步骤20中，是通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型进行性别识别的训练，得到所述的性别识别CNN网络模型。
优选的，所述的步骤30中，将待识别图像输入所述的人脸多属性CNN网络模型进行预测之前，先对所述待识别图像进行人脸检测，得到人脸区域，并对该人脸区域进行裁剪及缩放处理，得到处理后的待识别人脸图像。
优选的，所述的步骤40中，根据所述的人脸多属性参数对所述待识别图像进行优化处理，进一步包括：
41.将所述待识别图像或所述待识别人脸图像输入所述的人脸多属性CNN网络模型进行预测，获取所述待识别图像或所述待识别人脸图像的人脸特征点的参数；
42.根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，对所述待识别图像或所述待识别人脸图像进行旋转处理，得到旋转后的水平正面图像，并将该水平正面图像作为所述优化图像。
优选的，所述的步骤42中，对所述待识别图像或所述待识别人脸图像进行旋转处理，是根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，计算所述待识别图像或所述待识别人脸图像进行平面旋转的变换矩阵，并根据该变换矩阵将所述待识别图像或所述待识别人脸图像旋转为水平正面图像。
其次，本发明提供一种基于人脸多属性信息的性别识别系统，其包括：
人脸多属性CNN网络模型构建模块，其通过将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；
性别识别CNN网络模型构建模块，其通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；
图像优化处理模块，用于对待识别图像进行优化处理，得到优化图像；
将所述待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数利用所述的图像优化处理模块对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果。
另外，本发明还提供一种拍摄终端，该拍摄终端包括如上所述的基于人脸多属性信息的性别识别系统。
优选的，所述拍摄终端包括：手机、数码相机或平板电脑。
本发明的有益效果是：
本发明的一种基于人脸多属性信息的性别识别方法、系统及拍摄终端，其通过构建人脸多属性CNN网络模型和性别识别CNN网络模型，然后将待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果，其采用多级网络的训练方法，并利用人脸多属性参数对待识别图像进行优化，极大的提高了性别识别的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于人脸多属性信息的性别识别方法的流程简图；
图2为本发明的人脸多属性CNN网络模型的网络结构示意图；
图3为本发明的性别识别CNN网络模型的网络结构示意图；
图4为本发明基于人脸多属性信息的性别识别系统的结构示意图；
图5为本发明待识别图像的性别识别流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的一种基于人脸多属性信息的性别识别方法，其包括以下步骤：
10.将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；
20.将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；
30.将待识别图像输入所述的人脸多属性CNN网络模型进行预测，得到所述待识别图像的人脸多属性参数；
40.根据所述的人脸多属性参数对所述待识别图像进行优化处理，得到优化图像；
50.将所述优化图像输入所述的性别识别CNN网络模型进行预测，得到所述待识别图像的性别识别结果。
所述的步骤10中，是通过对所述训练图像进行人脸关键点、年龄、人种的标记，并将所述训练图像集合及所述标记输入卷积神经网络进行所述训练图像的人脸关键点、年龄、人种的参数的训练，输出所述的人脸多属性CNN网络模型。如图2所示，本实施例中，所述的人脸多属性CNN网络模型的网络结构为：输入→卷积层C→下采样层P→卷积层C→下采样层P→全连接层F→全连接层F→输出，图中，S表示输入的所述训练图像集合或者所述待识别图像的尺寸，输出为所述训练图像或者所述待识别图像的人脸关键点、年龄、人种的初始结果。
所述的步骤20中，是通过将所述训练图像集合输入所述人脸多属性CNN网络模型为初始模型进行性别识别的训练，得到所述的性别识别CNN网络模型。如图3所示，本实施例中，所述的性别识别CNN网络模型的网络结构为：输入→卷积层C→下采样层P→卷积层C→下采样层P→全连接层F→全连接层F→输出，图中，S表示输入的所述训练图像集合或者所述待识别图像的尺寸，输出为所述训练图像或者所述待识别图像的性别识别的最终结果。
所述的步骤30中，将待识别图像输入所述的人脸多属性CNN网络模型进行预测之前，先对所述待识别图像进行人脸检测，得到人脸区域，并对该人脸区域进行裁剪及缩放处理，得到处理后的待识别人脸图像。
所述的步骤40中，根据所述的人脸多属性参数对所述待识别图像进行优化处理，进一步包括：
41.将所述待识别图像或所述待识别人脸图像输入所述的人脸多属性CNN网络模型进行预测，获取所述待识别图像或所述待识别人脸图像的人脸特征点的参数；
42.根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，对所述待识别图像或所述待识别人脸图像进行旋转处理，得到旋转后的水平正面图像，并将该水平正面图像作为所述优化图像。
本实施例中，所述的步骤42中，对所述待识别图像或所述待识别人脸图像进行旋转处理，是根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，计算所述待识别图像或所述待识别人脸图像进行平面旋转的变换矩阵，并根据该变换矩阵将所述待识别图像或所述待识别人脸图像旋转为水平正面图像。或者，本发明的步骤40的优化处理还可以采用其他处理方法，主要是根据所述的人脸多属性参数对所述待识别图像进行增强，以进一步提高性别识别的准确率。
如图4所示，本发明提供一种基于人脸多属性信息的性别识别系统，其包括：
人脸多属性CNN网络模型构建模块A，其通过将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；
性别识别CNN网络模型构建模块B，其通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；
图像优化处理模块C，用于对待识别图像进行优化处理，得到优化图像；
如图5所示，将所述待识别图像输入所述的人脸多属性CNN网络模型A进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数利用所述的图像优化处理模块C对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型B进行预测得到所述待识别图像的性别识别结果。本发明利用人脸关键点、年龄、人种等多属性信息对网络进行预训练，在此基础上再进行性别识别网络的训练，此方法得到的网络对性别在繁杂的情况下的识别准确度有巨大的提升。
另外，本发明还提供一种拍摄终端，该拍摄终端包括如上所述的基于人脸多属性信息的性别识别系统，其中，基于人脸多属性信息的性别识别系统可以采用图2实施例的结构，其对应地，可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，详细可以参见上述实施例中的相关记载，此处不再赘述。
所述拍摄终端包括：手机、数码相机或平板电脑等配置有摄像头的设备。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例和终端实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。并且，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于人脸多属性信息的性别识别方法，其特征在于，包括以下步骤：
10.将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；
20.将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；
30.将待识别图像输入所述的人脸多属性CNN网络模型进行预测，得到所述待识别图像的人脸多属性参数；
40.根据所述的人脸多属性参数对所述待识别图像进行优化处理，得到优化图像；
50.将所述优化图像输入所述的性别识别CNN网络模型进行预测，得到所述待识别图像的性别识别结果。
2.根据权利要求1所述的一种基于人脸多属性信息的性别识别方法，其特征在于：所述的步骤10中，是通过对所述训练图像进行人脸关键点、年龄、人种的标记，并将所述训练图像集合及所述标记输入卷积神经网络进行所述训练图像的人脸关键点、年龄、人种的参数的训练，输出所述的人脸多属性CNN网络模型。
3.根据权利要求2所述的一种基于人脸多属性信息的性别识别方法，其特征在于：所述的步骤20中，是通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型进行性别识别的训练，得到所述的性别识别CNN网络模型。
4.根据权利要求1所述的一种基于人脸多属性信息的性别识别方法，其特征在于：所述的步骤30中，将待识别图像输入所述的人脸多属性CNN网络模型进行预测之前，先对所述待识别图像进行人脸检测，得到人脸区域，并对该人脸区域进行裁剪及缩放处理，得到处理后的待识别人脸图像。
5.根据权利要求1或4所述的一种基于人脸多属性信息的性别识别方法，其特征在于：所述的步骤40中，根据所述的人脸多属性参数对所述待识别图像进行优化处理，进一步包括：
41.将所述待识别图像或所述待识别人脸图像输入所述的人脸多属性CNN网络模型进行预测，获取所述待识别图像或所述待识别人脸图像的人脸特征点的参数；
42.根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，对所述待识别图像或所述待识别人脸图像进行旋转处理，得到旋转后的水平正面图像，并将该水平正面图像作为所述优化图像。
6.根据权利要求5所述的一种基于人脸多属性信息的性别识别方法，其特征在于：所述的步骤42中，对所述待识别图像或所述待识别人脸图像进行旋转处理，是根据所述待识别图像或所述待识别人脸图像的人脸特征点的参数，计算所述待识别图像或所述待识别人脸图像进行平面旋转的变换矩阵，并根据该变换矩阵将所述待识别图像或所述待识别人脸图像旋转为水平正面图像。
7.一种基于人脸多属性信息的性别识别系统，其特征在于，包括：
人脸多属性CNN网络模型构建模块，其通过将训练图像集合输入卷积神经网络进行人脸多属性参数的训练，得到人脸多属性CNN网络模型；
性别识别CNN网络模型构建模块，其通过将所述训练图像集合以所述人脸多属性CNN网络模型为初始模型，进行性别识别的训练，得到性别识别CNN网络模型；
图像优化处理模块，用于对待识别图像进行优化处理，得到优化图像；
将所述待识别图像输入所述的人脸多属性CNN网络模型进行预测得到所述待识别图像的人脸多属性参数，并根据所述的人脸多属性参数利用所述的图像优化处理模块对所述待识别图像进行优化处理得到优化图像，最后将所述优化图像输入所述的性别识别CNN网络模型进行预测得到所述待识别图像的性别识别结果。
8.一种拍摄终端，其特征在于，包括权利要求7所述的基于人脸多属性信息的性别识别系统。
9.根据权利要求8所述的拍摄终端，其特征在于，所述拍摄终端包括：手机、数码相机或平板电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610171491.5A CN105825191B (zh) | 2016-03-23 | 2016-03-23 | 基于人脸多属性信息的性别识别方法、系统及拍摄终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610171491.5A CN105825191B (zh) | 2016-03-23 | 2016-03-23 | 基于人脸多属性信息的性别识别方法、系统及拍摄终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105825191A true CN105825191A (zh) | 2016-08-03 |
| CN105825191B CN105825191B (zh) | 2020-05-15 |
Family
ID=56524999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610171491.5A Active CN105825191B (zh) | 2016-03-23 | 2016-03-23 | 基于人脸多属性信息的性别识别方法、系统及拍摄终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825191B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339680A (zh) * | 2016-08-25 | 2017-01-18 | 北京小米移动软件有限公司 | 人脸关键点定位方法及装置 |
| CN106446946A (zh) * | 2016-09-22 | 2017-02-22 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
| CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN107506737A (zh) * | 2017-08-29 | 2017-12-22 | 四川长虹电器股份有限公司 | 人脸性别识别方法 |
| CN107545243A (zh) * | 2017-08-07 | 2018-01-05 | 南京信息工程大学 | 基于深度卷积模型的黄种人脸识别方法 |
| CN107871306A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种图片去噪的方法和装置 |
| CN108537193A (zh) * | 2018-04-17 | 2018-09-14 | 厦门美图之家科技有限公司 | 一种人脸属性中的种族属性识别方法及移动终端 |
| CN108875932A (zh) * | 2018-02-27 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别方法、装置和系统及存储介质 |
| CN109359499A (zh) * | 2017-07-26 | 2019-02-19 | 虹软科技股份有限公司 | 一种用于脸部分类的方法和装置 |
| CN109919166A (zh) * | 2017-12-12 | 2019-06-21 | 杭州海康威视数字技术股份有限公司 | 获取属性的分类信息的方法和装置 |
| WO2020001082A1 (zh) * | 2018-06-30 | 2020-01-02 | 东南大学 | 一种基于迁移学习的人脸属性分析方法 |
| CN110728255A (zh) * | 2019-10-22 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110781866A (zh) * | 2019-11-08 | 2020-02-11 | 成都大熊猫繁育研究基地 | 基于深度学习的大熊猫脸部图像性别识别方法及装置 |
| WO2020114118A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120114198A1 (en) * | 2010-11-08 | 2012-05-10 | Yang Ting-Ting | Facial image gender identification system and method thereof |
| CN104143079A (zh) * | 2013-05-10 | 2014-11-12 | 腾讯科技（深圳）有限公司 | 人脸属性识别的方法和系统 |
| CN104408470A (zh) * | 2014-12-01 | 2015-03-11 | 中科创达软件股份有限公司 | 基于平均脸预学习的性别检测方法 |
| CN104463243A (zh) * | 2014-12-01 | 2015-03-25 | 中科创达软件股份有限公司 | 基于平均脸特征的性别检测方法 |
| CN105069400A (zh) * | 2015-07-16 | 2015-11-18 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别系统 |
-
2016
- 2016-03-23 CN CN201610171491.5A patent/CN105825191B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120114198A1 (en) * | 2010-11-08 | 2012-05-10 | Yang Ting-Ting | Facial image gender identification system and method thereof |
| CN104143079A (zh) * | 2013-05-10 | 2014-11-12 | 腾讯科技（深圳）有限公司 | 人脸属性识别的方法和系统 |
| CN104408470A (zh) * | 2014-12-01 | 2015-03-11 | 中科创达软件股份有限公司 | 基于平均脸预学习的性别检测方法 |
| CN104463243A (zh) * | 2014-12-01 | 2015-03-25 | 中科创达软件股份有限公司 | 基于平均脸特征的性别检测方法 |
| CN105069400A (zh) * | 2015-07-16 | 2015-11-18 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别系统 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339680A (zh) * | 2016-08-25 | 2017-01-18 | 北京小米移动软件有限公司 | 人脸关键点定位方法及装置 |
| CN106339680B (zh) * | 2016-08-25 | 2019-07-23 | 北京小米移动软件有限公司 | 人脸关键点定位方法及装置 |
| CN106446946A (zh) * | 2016-09-22 | 2017-02-22 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
| CN106446946B (zh) * | 2016-09-22 | 2020-07-21 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
| CN107871306B (zh) * | 2016-09-26 | 2021-07-06 | 北京眼神科技有限公司 | 一种图片去噪的方法和装置 |
| CN107871306A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种图片去噪的方法和装置 |
| CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106485235B (zh) * | 2016-10-24 | 2019-05-03 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106503661B (zh) * | 2016-10-25 | 2019-06-28 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
| CN109359499A (zh) * | 2017-07-26 | 2019-02-19 | 虹软科技股份有限公司 | 一种用于脸部分类的方法和装置 |
| CN107545243A (zh) * | 2017-08-07 | 2018-01-05 | 南京信息工程大学 | 基于深度卷积模型的黄种人脸识别方法 |
| CN107506737A (zh) * | 2017-08-29 | 2017-12-22 | 四川长虹电器股份有限公司 | 人脸性别识别方法 |
| CN109919166A (zh) * | 2017-12-12 | 2019-06-21 | 杭州海康威视数字技术股份有限公司 | 获取属性的分类信息的方法和装置 |
| CN109919166B (zh) * | 2017-12-12 | 2021-04-09 | 杭州海康威视数字技术股份有限公司 | 获取属性的分类信息的方法和装置 |
| CN108875932A (zh) * | 2018-02-27 | 2018-11-23 | 北京旷视科技有限公司 | 图像识别方法、装置和系统及存储介质 |
| CN108537193A (zh) * | 2018-04-17 | 2018-09-14 | 厦门美图之家科技有限公司 | 一种人脸属性中的种族属性识别方法及移动终端 |
| WO2020001082A1 (zh) * | 2018-06-30 | 2020-01-02 | 东南大学 | 一种基于迁移学习的人脸属性分析方法 |
| WO2020114118A1 (zh) * | 2018-12-07 | 2020-06-11 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
| CN110728255A (zh) * | 2019-10-22 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110781866A (zh) * | 2019-11-08 | 2020-02-11 | 成都大熊猫繁育研究基地 | 基于深度学习的大熊猫脸部图像性别识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105825191B (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105825191A (zh) | 基于人脸多属性信息的性别识别方法、系统及拍摄终端 | |
| Wiley et al. | Computer vision and image processing: a paper review | |
| Wang et al. | Adaptive fusion for RGB-D salient object detection | |
| CN108108499B (zh) | 人脸检索方法、装置、存储介质及设备 | |
| JP7331171B2 (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| CN107273502B (zh) | 一种基于空间认知学习的图像地理标注方法 | |
| CN108170755B (zh) | 基于三元组深度网络的跨模态哈希检索方法 | |
| CN107423376B (zh) | 一种有监督深度哈希快速图片检索方法及系统 | |
| JP6402408B2 (ja) | タグ処理方法及びタグ処理装置 | |
| CN105354248A (zh) | 基于灰度的分布式图像底层特征识别方法及系统 | |
| CN110956126A (zh) | 一种联合超分辨率重建的小目标检测方法 | |
| US9665773B2 (en) | Searching for events by attendants | |
| WO2023035531A1 (zh) | 文本图像超分辨率重建方法及其相关设备 | |
| CN104778238B (zh) | 一种视频显著性的分析方法及装置 | |
| CN109299305A (zh) | 一种基于多特征融合的空间图像检索系统及检索方法 | |
| CN112418235B (zh) | 一种基于膨胀最近邻特征增强的点云语义分割方法 | |
| CN109978261A (zh) | 确定负荷预测模型的方法、装置、可读介质及电子设备 | |
| CN114529574A (zh) | 基于图像分割的图像抠图方法、装置、计算机设备及介质 | |
| Liang et al. | Violence behavior recognition of two-cascade temporal shift module with attention mechanism | |
| CN112634158A (zh) | 人脸图像恢复方法、装置、计算机设备及存储介质 | |
| Kumar et al. | Learning compact spatio-temporal features for fast content based video retrieval | |
| KR20200062761A (ko) | 메타데이터 크라우드 소싱 시스템 및 방법 | |
| CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
| CN105468741A (zh) | 一种警务大数据处理系统 | |
| CN110852376B (zh) | 用于识别生物种类的方法及系统 |
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 |