CN106295501A - 基于唇部运动的深度学习身份识别方法 - Google Patents
基于唇部运动的深度学习身份识别方法 Download PDFInfo
- Publication number
- CN106295501A CN106295501A CN201610586012.6A CN201610586012A CN106295501A CN 106295501 A CN106295501 A CN 106295501A CN 201610586012 A CN201610586012 A CN 201610586012A CN 106295501 A CN106295501 A CN 106295501A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- network model
- lip
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 238000005473 Guinier-Preston zone Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于唇部运动的深度学习身份识别方法,所述方法主要包括视频数据采集、视频数据的预处理、深度神经网络模型的训练、特征的提取和比对等步骤。首先将采集到的视频数据生成为图像帧的形式,然后进行数据的初步筛选,再对筛选数据进行唇部区域的图像提取和视频图像帧数量的统一化操作,之后进行深度神经网络模型的训练,根据训练数据和测试数据的特征相似度比对得到身份识别结果及其正确率。本发明最大的特点是结合具有学习能力的卷积神经网络和长短时记忆神经网络,利用不同人说话的独特方式和唇部特征唯一性对不同身份的人进行识别确认,并且模型训练操作方便,简单易用。
Description
技术领域
本发明涉及计算机视觉、模式识别、机器学习、信息安全等技术领域,特别是一种基于唇部运动的深度学习身份识别方法。
背景技术
互联网技术创造了一个相互关联的世界,需要保证安全性的商业信息的数量是惊人的。但随着技术的发展,欺诈手段的不断变化,身份安全已经成为每个人必须重视的问题。传统的身份认证由于极易伪造和丢失,越来越难以满足社会的需求,目前最为便捷与安全的解决方案无疑就是生物识别技术。
众所周知,由于生长环境和教育方式的不同,每个人的说话方式也不尽相同,即使在说同样的话语时,细节上也一定存在着差异。这是因为每个人说同样的语句时会有不同的嘴唇运动过程。同时,研究也表明,嘴唇特征和指纹、人脸、掌纹、虹膜,步态等特征一样,具有一定的身份鉴别能力,可以视为身份识别领域的生物特征。所以在嘴唇特征的基础上结合讲话方式的独特性,可以更高效地识别身份。在传统生物特征识别方法不能更进一步提升的情况下,本发明提出了基于深度学习算法利用嘴唇运动视频识别身份的方法。
发明内容
本发明的目的是提出一种基于唇部运动的深度学习身份识别方法,以弥补传统生物识别方法准确率难再提升的现状。
为实现对不同身份的高识别率,本发明将深度神经网络模型和唇部运动视频相结合,利用卷积神经网络提取高质量的图像特征信息,利用长短时记忆网络对时序数据的记忆功能防止传统递归神经网络可能发生的梯度消失和爆发,同时结合具有更多独特特征的唇部运动视频数据完成对不同人员身份的识别。
所述基于唇部运动的深度学习身份识别方法包括以下几个步骤:
步骤S1:采集视频数据样本;
步骤S2:对所述视频数据样本进行预处理,得到样本数据库;
步骤S3:将所述样本数据库分为多个对应的训练数据集和测试数据集,并基于多个训练数据集训练得到相应的深度神经网络模型;
步骤S4:将多个测试数据集输入至所述深度神经网络模型中,提取得到对应的特征,并将提取得到的特征与对应训练数据集的特征进行比对,计算特征之间的相似度,根据所述相似度的大小得到身份识别结果。
可选地,所述步骤S1包括以下步骤:
步骤S11:随机选取多名实验对象;
步骤S12:对实验对象进行实验前的实践操作教育;
步骤S13:完成视频数据样本的采集。
可选地,所述步骤S2包括以下步骤:
步骤S21:对所述步骤S1采集得到的视频数据样本进行筛选,去除无效图像得到有效图像;
步骤S22:在所述有效图像中截取得到唇部图像;
步骤S23:将单个视频所包含的唇部图像数量进行统一化处理,组成样本数据库。
可选地,所述无效图像包括:显示不清晰图像、非读取过程图像、未含有完整唇部区域的图像中的一种或多种。
可选地,所述步骤S21包括以下步骤:
步骤S211,将单个视频数据样本处理得到多帧图像;
步骤S212,在多帧图像中筛选得到有效图像。
可选地,所述步骤S22还包括通过缩放操作对所述唇部图像进行归一化的步骤。
可选地,所述步骤S3包括以下步骤:
步骤S31:将所述样本数据库进行训练数据集和测试数据集的分组;
步骤S32:将所述训练数据集中的训练数据输入深度神经网络模型的特征提取功能模块,提取出每个训练数据对应的特征;
步骤S33:将所述步骤S32到的特征序列送入深度神经网络模型的感知机功能模块输出识别结果;
步骤S34:计算识别结果与真实结果之间的误差,根据得到的误差训练得到所述深度神经网络模型。
可选地,所述深度神经网络模型由卷积神经网络和长短时记忆网络构成。
可选地,所述深度神经网络模型包含特征提取功能模块和感知机功能模块。
可选地,所述步骤S4还包括输出相应数据的识别准确率的步骤。
本发明构建了基于深度卷积神经网络和长短时记忆网络的深度神经网络模型,按照上述步骤逐步进行,利用人物唇部的运动行为完成身份识别,具有较好的效果。
附图说明
图1为根据本发明一实施例的基于唇部运动的深度学习身份识别方法的流程图;
图2为根据本发明一实施例的深度神经网络模型的结构示意图;
图3为本发明的测试结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明提供一种基于唇部运动的深度学习身份识别方法,面对传统身份验证易伪造和诈骗案件频繁发生的情况下,利用人固有的生物特征的识别技术来有效地防止此类事件的发生是非常必要的。本发明结合当下广泛使用的卷积神经网络和长短时记忆网络组成的网络模型来对唇部运动行为进行识别,模型一经训练便可以方便地使用,对人员身份具有很好的识别效果。
本发明主要包括视频数据采集、视频数据预处理、深度神经网络模型训练和图像特征提取及比对等步骤:
步骤S1:视频数据采集,采集视频数据样本;
所述步骤S1进一步包括以下步骤:
步骤S11:随机选取有意愿参加实验的多名实验对象,例如,选取57名志愿参加实验的志愿者;
步骤S12:对视频采集系统的使用进行人员教育,即对实验对象进行实验前的实践操作教育,保证相应人员均可熟练掌握操作步骤;
步骤S13:完成视频数据样本的采集工作。例如,通过采集得到每人单个数字读取过程的25个视频,在本发明一实施例中,所述数字包括0~9这10个数字。
步骤S2:视频数据预处理,对所述视频数据样本进行预处理,得到样本数据库;
所述步骤S2进一步包括以下步骤:
步骤S21:对步骤S1采集得到的视频数据样本进行筛选,去除图像显示不清晰、非读取过程图像和未含有完整唇部区域的图像等无效图像,得到有效图像;
在本发明一实施例中,所述步骤S21包括以下步骤:
步骤S211,将单个视频数据样本处理得到多帧图像,比如40帧图像;
步骤S212,在多帧图像中筛选得到有效图像。
步骤S22:在所述有效图像中截取得到实验所需区域图像,即唇部图像;
在本发明一实施例中,所述步骤S22还包括通过缩放操作对所述唇部图像进行归一化的步骤,由此,即可得到具有统一尺寸的唇部图像。
步骤S23:将单个视频所包含的唇部图像数量进行统一化处理,组成样本数据库。
例如,最终得到每个视频含20帧唇部图像的数据库。
步骤S3:深度神经网络模型训练,将所述样本数据库分为多个对应的训练数据集和测试数据集,并基于多个训练数据集训练得到相应的深度神经网络模型;
所述步骤S3进一步包括以下步骤:
步骤S31:将所述步骤S23处理后得到的样本数据库进行训练数据集和测试数据集的分组;
比如,可按单个数字对所述样本数据库进行训练数据集和测试数据集的分配。
步骤S32:将所述训练数据集中的训练数据输入深度神经网络模型的特征提取功能模块,提取出每个训练数据对应的特征;
在本发明一实施例中,共需训练10个数字对应的10个深度神经网络模型,所述深度神经网络模型为基于卷积神经网络和长短时记忆网络的模型,即由卷积神经网络和长短时记忆网络所构成,所述深度神经网络模型的匹配模型包含特征提取功能模块和感知机功能模块,所述深度神经网络模型通过卷积神经网络提取高质量的图像特征信息,利用长短时记忆网络对时序数据的记忆功能防止传统递归神经网络可能发生的梯度消失和爆发。
该步骤中,采用前向传播算法提取每个训练数据对应的特征,在本发明一实施例中,所述卷积神经网络的参数配置为:第一层有96个7×7的卷积子,步长为2,并带有3×3且步长为2的空间聚集层;第二层有384个5×5的卷积子,步长为2,并带有3×3且步长为2的空间聚集层;第三层有512个3×3的卷积子,步长为1;第四层有512个3×3的卷积子,步长为1;第五层有384个3×3的卷积子,步长为1,并带有3×3且步长为2的空间聚集层。
步骤S33:将所述步骤S32到的特征序列送入深度神经网络模型的感知机功能模块输出识别结果;
步骤S34:计算识别结果与真实结果之间的误差,根据得到的误差训练得到所述深度神经网络模型。
在本发明一实施例中,所述步骤S34采用误差反向传播算法来训练所述神经网络模型,待训练迭代次数足够多以至结果收敛时,即可完成深度神经网络模型的训练,图2为根据本发明一实施例的深度神经网络模型的结构示意图。
上述误差反向传播算法主要用于多层模型的训练,其主体是激励传播以及权重更新两个环节的反复迭代,直至达到收敛条件时停止。在激励传播阶段,先将特征序列送入基于卷积神经网络和长短时记忆网络的模型的感知机功能模块输出识别结果,然后将识别结果与真实结果求差,从而获得输出层与监督层的误差。在权重更新阶段,先将已知误差与本层响应对前一层响应的函数的导数相乘,从而获得两层之间权重矩阵的梯度,然后沿着这个梯度的反方向以某个比例调整权重矩阵。随后,将该梯度当作前一层的误差从而计算前一层的权重矩阵。以此类推完成对整个模型的更新。
步骤S4:特征提取和比对,将多个测试数据集输入至所述深度神经网络模型中,提取得到对应的特征,并将提取得到的特征与对应训练数据集的特征进行比对,计算特征之间的相似度,根据所述相似度的大小得到身份识别结果。
在本发明一实施例中,所述步骤S4还包括输出相应数据的识别准确率的步骤。
与目前已有的生物特征识别技术相比,本发明方法是一种新的基于深度学习的生物识别方法。实验结果表明,数字“0”具有最好的识别效果,可达99.20%;数字“8”效果最差,仍达91.01%;10个数字的平均准确率是96.01%,如图3所示。上述结果表明利用深度学习方法对唇部运动行为进行身份识别是一个可行有效的方法。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于唇部运动的深度学习身份识别方法,其特征在于,所述方法包括以下步骤:
步骤S1:采集视频数据样本;
步骤S2:对所述视频数据样本进行预处理,得到样本数据库;
步骤S3:将所述样本数据库分为多个对应的训练数据集和测试数据集,并基于多个训练数据集训练得到相应的深度神经网络模型;
步骤S4:将多个测试数据集输入至所述深度神经网络模型中,提取得到对应的特征,并提取得到的特征与对应训练数据集的特征进行比对,计算特征之间的相似度,根据所述相似度的大小得到身份识别结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括以下步骤:
步骤S11:随机选取多名实验对象;
步骤S12:对实验对象进行实验前的实践操作教育;
步骤S13:完成视频数据样本的采集。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2包括以下步骤:
步骤S21:对所述步骤S1采集得到的视频数据样本进行筛选,去除无效图像得到有效图像;
步骤S22:在所述有效图像中截取得到唇部图像;
步骤S23:将单个视频所包含的唇部图像数量进行统一化处理,组成样本数据库。
4.根据权利要求3所述的方法,其特征在于,所述无效图像包括:显示不清晰图像、非读取过程图像、未含有完整唇部区域的图像中的一种或多种。
5.根据权利要求3所述的方法,其特征在于,所述步骤S21包括以下步骤:
步骤S211,将单个视频数据样本处理得到多帧图像;
步骤S212,在多帧图像中筛选得到有效图像。
6.根据权利要求4所述的方法,其特征在于,所述步骤S22还包括通过缩放操作对所述唇部图像进行归一化的步骤。
7.根据权利要求1所述的方法,其特征在于,所述步骤S3包括以下步骤:
步骤S31:将所述样本数据库进行训练数据集和测试数据集的分组;
步骤S32:将所述训练数据集中的训练数据输入深度神经网络模型的特征提取功能模块,提取出每个训练数据对应的特征;
步骤S33:将所述步骤S32到的特征序列送入深度神经网络模型的感知机功能模块输出识别结果;
步骤S34:计算识别结果与真实结果之间的误差,根据得到的误差训练得到所述深度神经网络模型。
8.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型由卷积神经网络和长短时记忆网络构成。
9.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型包含特征提取功能模块和感知机功能模块。
10.根据权利要求1所述的方法,其特征在于,所述步骤S4还包括输出相应数据的识别准确率的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610586012.6A CN106295501A (zh) | 2016-07-22 | 2016-07-22 | 基于唇部运动的深度学习身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610586012.6A CN106295501A (zh) | 2016-07-22 | 2016-07-22 | 基于唇部运动的深度学习身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295501A true CN106295501A (zh) | 2017-01-04 |
Family
ID=57652314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610586012.6A Pending CN106295501A (zh) | 2016-07-22 | 2016-07-22 | 基于唇部运动的深度学习身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295501A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106790260A (zh) * | 2017-02-03 | 2017-05-31 | 国政通科技股份有限公司 | 一种多因子身份认证方法 |
CN107392182A (zh) * | 2017-08-17 | 2017-11-24 | 宁波甬慧智能科技有限公司 | 一种基于深度学习的人脸采集识别方法及装置 |
CN108197572A (zh) * | 2018-01-02 | 2018-06-22 | 京东方科技集团股份有限公司 | 一种唇语识别方法和移动终端 |
CN109685671A (zh) * | 2018-12-13 | 2019-04-26 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
CN110443124A (zh) * | 2019-06-26 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 识别方法、装置及存储介质 |
CN110688872A (zh) * | 2018-07-04 | 2020-01-14 | 北京得意音通技术有限责任公司 | 基于唇部的人物识别方法、装置、程序、介质及电子设备 |
CN111339806A (zh) * | 2018-12-19 | 2020-06-26 | 马上消费金融股份有限公司 | 唇语识别模型的训练方法、活体识别方法及装置 |
CN111783717A (zh) * | 2020-07-10 | 2020-10-16 | 邵勇 | 一种生物特征运动模态智能识别方法及其应用 |
CN113051535A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术有限公司 | 设备解锁方法和装置 |
CN116405635A (zh) * | 2023-06-02 | 2023-07-07 | 山东正中信息技术股份有限公司 | 一种基于边缘计算的多模态会议记录方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046959A (zh) * | 2007-04-26 | 2007-10-03 | 上海交通大学 | 基于唇语特征的身份认证方法 |
CN103324918A (zh) * | 2013-06-25 | 2013-09-25 | 浙江中烟工业有限责任公司 | 一种人脸识别与唇形识别相配合的身份认证方法 |
CN103902963A (zh) * | 2012-12-28 | 2014-07-02 | 联想(北京)有限公司 | 一种识别方位及身份的方法和电子设备 |
CN104484041A (zh) * | 2014-12-26 | 2015-04-01 | 安徽寰智信息科技股份有限公司 | 一种基于深度学习的唇形图像识别文字输入方法 |
CN104657650A (zh) * | 2015-01-06 | 2015-05-27 | 三星电子(中国)研发中心 | 用于数据输入或验证身份的方法及装置 |
CN105787428A (zh) * | 2016-01-08 | 2016-07-20 | 上海交通大学 | 基于稀疏编码的唇语特征身份认证方法 |
-
2016
- 2016-07-22 CN CN201610586012.6A patent/CN106295501A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046959A (zh) * | 2007-04-26 | 2007-10-03 | 上海交通大学 | 基于唇语特征的身份认证方法 |
CN103902963A (zh) * | 2012-12-28 | 2014-07-02 | 联想(北京)有限公司 | 一种识别方位及身份的方法和电子设备 |
CN103324918A (zh) * | 2013-06-25 | 2013-09-25 | 浙江中烟工业有限责任公司 | 一种人脸识别与唇形识别相配合的身份认证方法 |
CN104484041A (zh) * | 2014-12-26 | 2015-04-01 | 安徽寰智信息科技股份有限公司 | 一种基于深度学习的唇形图像识别文字输入方法 |
CN104657650A (zh) * | 2015-01-06 | 2015-05-27 | 三星电子(中国)研发中心 | 用于数据输入或验证身份的方法及装置 |
CN105787428A (zh) * | 2016-01-08 | 2016-07-20 | 上海交通大学 | 基于稀疏编码的唇语特征身份认证方法 |
Non-Patent Citations (5)
Title |
---|
任玉强等: "高安全性人脸识别系统中的唇语识别算法研究", 《计算机应用研究》 * |
张蕾等: "大数据分析的无限深度神经网络方法", 《计算机研究与发展》 * |
李朝霞: "基于唇部运动特征的讲话人身份识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵东杰等: "基于深度信息的快速身份识别方法", 《计算机系统应用》 * |
赵凯旋等: "基于卷积神经网络的奶牛个体身份识别方法", 《农业工程学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106790260A (zh) * | 2017-02-03 | 2017-05-31 | 国政通科技股份有限公司 | 一种多因子身份认证方法 |
CN107392182A (zh) * | 2017-08-17 | 2017-11-24 | 宁波甬慧智能科技有限公司 | 一种基于深度学习的人脸采集识别方法及装置 |
CN108197572A (zh) * | 2018-01-02 | 2018-06-22 | 京东方科技集团股份有限公司 | 一种唇语识别方法和移动终端 |
CN108197572B (zh) * | 2018-01-02 | 2020-06-12 | 京东方科技集团股份有限公司 | 一种唇语识别方法和移动终端 |
CN110688872A (zh) * | 2018-07-04 | 2020-01-14 | 北京得意音通技术有限责任公司 | 基于唇部的人物识别方法、装置、程序、介质及电子设备 |
CN109685671A (zh) * | 2018-12-13 | 2019-04-26 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
CN111339806A (zh) * | 2018-12-19 | 2020-06-26 | 马上消费金融股份有限公司 | 唇语识别模型的训练方法、活体识别方法及装置 |
CN111339806B (zh) * | 2018-12-19 | 2021-04-13 | 马上消费金融股份有限公司 | 唇语识别模型的训练方法、活体识别方法及装置 |
CN110443124A (zh) * | 2019-06-26 | 2019-11-12 | 卓尔智联(武汉)研究院有限公司 | 识别方法、装置及存储介质 |
CN110443124B (zh) * | 2019-06-26 | 2021-11-16 | 卓尔智联(武汉)研究院有限公司 | 识别方法、装置及存储介质 |
CN113051535A (zh) * | 2019-12-26 | 2021-06-29 | 华为技术有限公司 | 设备解锁方法和装置 |
CN113051535B (zh) * | 2019-12-26 | 2023-03-03 | 华为技术有限公司 | 设备解锁方法和装置 |
CN111783717A (zh) * | 2020-07-10 | 2020-10-16 | 邵勇 | 一种生物特征运动模态智能识别方法及其应用 |
CN111783717B (zh) * | 2020-07-10 | 2024-02-20 | 邵勇 | 一种生物特征运动模态智能识别方法及其应用 |
CN116405635A (zh) * | 2023-06-02 | 2023-07-07 | 山东正中信息技术股份有限公司 | 一种基于边缘计算的多模态会议记录方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
Qian et al. | Thinking in frequency: Face forgery detection by mining frequency-aware clues | |
CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
CN110287805B (zh) | 基于三流卷积神经网络的微表情识别方法及系统 | |
CN108596041B (zh) | 一种基于视频的人脸活体检测方法 | |
CN106503687A (zh) | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 | |
CN113095156B (zh) | 一种基于逆灰度方式的双流网络签名鉴定方法及装置 | |
Zhao et al. | Trustworthy authorization method for security in Industrial Internet of Things | |
CN110633655A (zh) | 一种attention-attack人脸识别攻击算法 | |
Gong et al. | Deepfake forensics, an ai-synthesized detection with deep convolutional generative adversarial networks | |
CN114093013B (zh) | 一种深度伪造人脸逆向溯源方法及系统 | |
CN112163493A (zh) | 一种视频虚假人脸检测方法及电子装置 | |
CN100365645C (zh) | 基于眉毛识别的身份鉴别方法 | |
Agrawal et al. | A survey on video-based fake news detection techniques | |
Singh et al. | A sparse coded composite descriptor for human activity recognition | |
CN114937298A (zh) | 一种基于特征解耦的微表情识别方法 | |
Brockschmidt et al. | On the generality of facial forgery detection | |
Wan et al. | A facial recognition system for matching computerized composite sketches to facial photos using human visual system algorithms | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
Hussein | Robust iris recognition framework using computer vision algorithms | |
Christy et al. | Deep learning with chaotic encryption based secured ethnicity recognition | |
CN113591797B (zh) | 一种深度视频行为识别方法 | |
CN111898533B (zh) | 一种基于时空特征融合的步态分类方法 |
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: 20170104 |