CN106295585B - 一种兼顾实时性及人脸质量的过滤选择方法及系统 - Google Patents
一种兼顾实时性及人脸质量的过滤选择方法及系统 Download PDFInfo
- Publication number
- CN106295585B CN106295585B CN201610674387.8A CN201610674387A CN106295585B CN 106295585 B CN106295585 B CN 106295585B CN 201610674387 A CN201610674387 A CN 201610674387A CN 106295585 B CN106295585 B CN 106295585B
- Authority
- CN
- China
- Prior art keywords
- quality
- face
- picture
- scoring
- module
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种兼顾实时性及人脸质量的过滤选择方法,该过滤选择方法包括接收步骤、特征提取步骤、质量评分步骤、质量评级步骤、判断步骤、存储步骤以及返回步骤。本发明的有益效果是:本发明采用基于真实海量数据下有监督的机器学习获取方便机器进行有效检索的人脸图片质量的模糊评价标准,在一段时间内快速决策选择较高质量图片提供了一种方法,降低了海量数据下的无效存储和搜索量;为快速过滤选择提供了梯级配置方法,在实时性和图片质量选择上做到了兼顾,也提高了灵活性。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种兼顾实时性及人脸质量的过滤选择方法及系统。
背景技术
从视频码流中实时获取和选择高质量的人脸有重要的实用价值,实时码流的人脸识别应用在案情布控,抓捕,案情预警等方面有很大的应用价值。但在人流量较大的实时视频中,待分析的人脸数量将指数增长,形成海量的分析源。对于特定人脸,如何在一段视频时间内快速选择较高质量的一帧,形成一张较高质量的有效人脸数据,如何在海量的人脸库中以近实时的方式进行分析和存储,是基于人脸识别的视频监控系统中一个亟待解决的问题。
视频流中快速完成较高质量人脸图片的过滤选择问题可以简单表述为:给定一段有X秒播放时间的视频,视频一共有M帧,视频的每一帧有0-N张人脸,如何为每一张人脸在这X秒钟选择相对质量较高的一张人脸截图,并尽可能早的返回?在不考虑计算资源和算法复杂性的情况下,通过对每一帧中每一张人脸进行特征提取,得到每一张人脸的一个特征向量,从而建立对应的针对所有人脸的特征库表,再对应提取待查询人脸的特征向量,与人脸特征库中的特征向量进行逐一比对,计算脸部角度,大小,模拟度,光线等参数,从而在这X秒中为每一张人脸挑选一个较优图片截图保存图片及其特征值。但实际应用中,由于对大规模,成千上万路视频中每个人脸的每一帧逐一的进行计算和比较复杂度太高,计算资源是有限的,通常在视频中时间选择上进行间隔性人脸采集,这通常会造成采集的人脸图片较多,针对同一张人脸采集的图片会在一段时间内重复出现,且采集的图片可能因为角度,大小,光线,清晰度等原因不能为基于海量人脸数据搜索系统提供高质量的人脸特征值,重复的图片也会增加额外的存储开销。
现有技术基于实时视频流中为每个人脸的构建一个基于时间序列人脸截图链表,通常以回调的方式返回给主应用程序,但在如何过滤和快速决策方面灵活度不够。
发明内容
本发明提供了一种兼顾实时性及人脸质量的过滤选择方法,该过滤选择方法包括过滤步骤,所述过滤步骤包括如下步骤:
A.接收步骤:接收检测到的图像数据;
B.特征提取步骤:提取人脸图片的特征值;
C.质量评分步骤:对人脸图片进行评分;
D.质量评级步骤:提供多组参数梯级配置,若当前图片第一次达到任意梯级参数配置的质量标准时,将该当前图片视为目标图片;若发现目标图片,将目标图片作为有效人脸返回实时业务处理;若当前图片质量评分优于目标图片质量评分,那么将当前图片视为目标图片;
E.判断步骤:判断人员是否离开图像采集区域,若离开,那么执行存储步骤,否则执行接收步骤;
F.存储步骤:将目标图片存入人脸图像库;
G.返回步骤:返回执行接收步骤。
作为本发明的进一步改进,该过滤选择方法包括检索步骤,所述检索步骤包括如下步骤:
a.待查询人脸图像评分步骤:对待查询人脸图像提取局域二值模式特征,并给出质量评分;
b.查询步骤:对待查询人脸图像的质量评分进行多组值梯级配置,当人脸图像库中的某张人脸的图片质量第一次达到梯级配置中配置的数值,则返回结果;若该待查询人脸图像的质量不满足梯级配置中的质量,则继续执行步骤a。
作为本发明的进一步改进,在所述质量评分步骤中,人脸特征值结果的图形质量评分参数xi,yi,zi是基于真实人脸数据下进行有监督的机器学习得出,E是评分,
E=xilgX+yilgY+zilgZ+K(其中X,Y,Z,K分别代表角度、人脸大小、背光度、其他特征值;xilgX表示角度的评分,yilgY表示人脸大小的评分,zilgZ表示背光度的评分,K表示其他项的评分,所述其他项是指人脸是否有遮挡。
作为本发明的进一步改进,在所述质量评级步骤中,通过图片识别率确定梯级参数配置的质量标准。
本发明提供了一种兼顾实时性及人脸质量的过滤选择系统,该过滤选择系统包括过滤单元,所述过滤单元包括:
接收模块:用于接收检测到的图像数据;
特征提取模块:用于提取人脸图片的特征值;
质量评分模块:用于对人脸图片进行评分;
质量评级模块:用于提供多组参数梯级配置,若当前图片第一次达到任意梯级参数配置的质量标准时,将该当前图片视为目标图片;若发现目标图片,将目标图片作为有效人脸返回实时业务处理;若当前图片质量评分优于目标图片质量评分,那么将当前图片视为目标图片;
判断模块:用于判断人员是否离开图像采集区域,若离开,那么执行存储模块,否则执行接收模块;
存储模块:用于将目标图片存入人脸图像库;
返回模块:用于返回执行接收模块。
作为本发明的进一步改进,该过滤选择系统包括检索单元,所述检索单元包括:
待查询人脸图像评分模块:用于对待查询人脸图像提取局域二值模式特征,并给出质量评分;
查询模块:用于对待查询人脸图像的质量评分进行多组值梯级配置,当人脸图像库中的某张人脸的图片质量第一次达到梯级配置中配置的数值,则返回结果;若该待查询人脸图像的质量不满足梯级配置中的质量,则继续执行待查询人脸图像评分模块。
作为本发明的进一步改进,在所述质量评分模块中,人脸特征值结果的图形质量评分参数xi,yi,zi是基于真实人脸数据下进行有监督的机器学习得出,E是评分,
E=xilgX+yilgY+zilgZ+K(其中X,Y,Z,K分别代表角度、人脸大小、背光度、其他特征值;xilgX表示角度的评分,yilgY表示人脸大小的评分,zilgZ表示背光度的评分,K表示其他项的评分,所述其他项是指人脸是否有遮挡。
作为本发明的进一步改进,在所述质量评级模块中,通过图片识别率确定梯级参数配置的质量标准。
作为本发明的进一步改进,若当前图片达到梯级参数配置的质量最高级标准时,将当前图片作为有效人脸返回实时业务处理,并将当前图片存入人脸图像库后返回执行接收模块。
本发明的有益效果是:本发明采用基于真实海量数据下有监督的机器学习获取方便机器进行有效检索的人脸图片质量的模糊评价标准,在一段时间内快速决策选择较高质量图片提供了一种方法,降低了海量数据下的无效存储和搜索量;为快速过滤选择提供了梯级配置方法,在实时性和图片质量选择上做到了兼顾,也提高了灵活性。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示,本发明公开了一种兼顾实时性及人脸质量的过滤选择方法,该过滤选择方法包括过滤步骤,所述过滤步骤包括如下步骤:
步骤S1.接收步骤:接收检测到的图像数据;
步骤S2.特征提取步骤:提取人脸图片的特征值;
步骤S3.质量评分步骤:对人脸图片进行评分;
步骤S4.质量评级步骤:提供多组参数梯级配置,若当前图片第一次达到任意梯级参数配置的质量标准时,将该当前图片视为目标图片;若发现目标图片,将目标图片作为有效人脸返回实时业务处理;若当前图片质量评分优于目标图片质量评分,那么将当前图片视为目标图片;
步骤S5.判断步骤:判断人员是否离开图像采集区域,若离开,那么执行步骤S6,否则执行步骤S1;
步骤S6.存储步骤:将目标图片存入人脸图像库;
步骤S7.返回步骤:返回执行接收步骤。
该过滤选择方法包括检索步骤,所述检索步骤包括如下步骤:
a.待查询人脸图像评分步骤:对待查询人脸图像提取局域二值模式特征,并给出质量评分;
b.查询步骤:对待查询人脸图像的质量评分进行多组值梯级配置,当人脸图像库中的某张人脸的图片质量第一次达到梯级配置中配置的数值,则返回结果;若该待查询人脸图像的质量不满足梯级配置中的质量,则继续执行步骤a。
在所述质量评分步骤中,人脸特征值结果的图形质量评分参数xi,yi,zi是基于真实人脸数据下进行有监督的机器学习得出,E是评分,总分是100分。
E=xilgX+yilgY+zilgZ+K(其中X,Y,Z,K分别代表角度、人脸大小、背光度、其他特征值;xilgX表示角度的评分,yilgY表示人脸大小(体现了与前端设备最佳距离)的评分,zilgZ表示背光度的评分,K表示其他项的评分。例如,这4项分别占总分中的40分,25分,25分,10分。
所述其他项是指人脸是否有遮挡,比如头发、物体、眼镜等是否对人脸构成部分遮挡。
以角度X为例,在距离摄像头远近距离,光线条件相似的情况下,对40人进行统计,每人50幅,共2000幅。分别统计每个人在与摄像机正面呈-65度,-45度,-25度,-15度,0度,15度,25度,45度,65度的当前系统算法的识别率。识别率是评分的标准,识别率和角度的评分成线性正比例关系。(某角度的识别率是指本人近期清晰0度正面的清晰照与该角度的多张照片分别比较,如果这2张图片相似度在93%及以上则识别为同一个人的比率)。
人脸大小,背光度等其他图片参数的评分也是采用相同的方法进行,即在其他条件类似的情况下进行多组图片的比较,通过识别率来判断该项目的评分。
本发明利用这部分已有测试数据进行有监督的机器学习,结合真实在线系统获取的数据,进而训练出较优的模糊化的xi,yizi评价系数。
通过上述方法获得图片的模糊化有效人脸质量值后,对人脸图片质量进行梯度判级,一旦人脸图片第一次达到预定的梯度级,将立即返回给实时业务处理。
梯级配置分别代表识别率可以达到多少的一组参数,这里对应了4组配置,4组配置可以是第一级、第二级、第三级和第四级,代表识别率达到多少时可以开始提交当前图片给业务进行实时处理,而无须再等待。比如当人脸进入我们系统后,当该图片识别率可以达到第一级(40%)的质量标准时,系统采纳这一张图片进行实时业务处理;当图片的评分对应的图片识别率有第二级(65%)时,继续返回第2张图片进行实时业务处理;直到达到最高级标准时系统返回最后一张图片实时处理为止就不再返回,直到该人脸离开监控区域。
例如,质量评级分为4级,第一级的识别率是40%,第二级的识别率是65%,第三级的识别率是80%,第四级的识别率是90%,张某的第一张图片经评分后的质量评级是识别率的30%,那么第一张图片未达到质量标准,张某的第二张图片经评分后的质量评级是识别率的40%,那么第二张图片就视为目标图片,将第二张图片作为有效人脸返回实时业务处理,张某的第三张图片经评分后的质量评级是识别率的80%,那么第三图片就视为目标图片,将第三张图片作为有效人脸返回实时业务处理,张某的第四张图片经评分后的质量评级是识别率的75%,因为第四张图片的质量评级没有第三张图片的质量评级高,所以不会将第四张图片视为目标图片,也就不会将第四张图片作为有效人脸返回实时业务处理,当张某离开图像采集区域后,会将张某的第三张图片存入人脸图像库中。
本发明还公开了一种兼顾实时性及人脸质量的过滤选择系统,该过滤选择系统包括过滤单元,所述过滤单元包括:
接收模块:用于接收检测到的图像数据;
特征提取模块:用于提取人脸图片的特征值;
质量评分模块:用于对人脸图片进行评分;
质量评级模块:用于提供多组参数梯级配置,若当前图片第一次达到任意梯级参数配置的质量标准时,将该当前图片视为目标图片;若发现目标图片,将目标图片作为有效人脸返回实时业务处理;若当前图片质量评分优于目标图片质量评分,那么将当前图片视为目标图片;
判断模块:用于判断人员是否离开图像采集区域,若离开,那么执行存储模块,否则执行接收模块;
存储模块:用于将目标图片存入人脸图像库;
返回模块:用于返回执行接收模块。
该过滤选择系统包括检索单元,所述检索单元包括:
待查询人脸图像评分模块:用于对待查询人脸图像提取局域二值模式特征,并给出质量评分;
查询模块:用于对待查询人脸图像的质量评分进行多组值梯级配置,当人脸图像库中的某张人脸的图片质量第一次达到梯级配置中配置的数值,则返回结果;若该待查询人脸图像的质量不满足梯级配置中的质量,则继续执行待查询人脸图像评分模块。
在所述质量评分模块中,人脸特征值结果的图形质量评分参数xi,yi,zi是基于真实人脸数据下进行有监督的机器学习得出,E是评分,
E=xilgX+yilgY+zilgZ+K(其中X,Y,Z,K分别代表角度、人脸大小、背光度、其他特征值;xilgX表示角度的评分,yilgY表示人脸大小的评分,zilgZ表示背光度的评分,K表示其他项的评分。
在所述质量评级模块中,通过图片识别率确定梯级参数配置的质量标准。
若当前图片达到梯级参数配置的质量最高级标准时,将当前图片作为有效人脸返回实时业务处理,并将当前图片存入人脸图像库后返回执行接收模块。
由此建立的梯度质量评判标准,兼顾实时性和人脸质量tracking过滤的标准。针对一段时间内的同一张人脸,可以通过配置灵活选择策略,可以选择返回一张或多张较高质量的有效人脸。
本发明的关键点在于利用真实海量人脸数据下有监督的机器学习获取方便机器进行有效检索的人脸图片质量的模糊评价标准。为快速过滤选择人脸图片提供了梯级配置方法,在实时性和图片质量选择上做到了兼顾。
本发明采用基于真实海量数据下有监督的机器学习获取方便机器进行有效检索的人脸图片质量的模糊评价标准。在一段时间内快速决策选择较高质量图片提供了一种方法,降低了海量数据下的无效存储和搜索量;为快速过滤选择提供了梯级配置方法,在实时性和图片质量选择上做到了兼顾,也提高了灵活性。
本发明在过滤和快速决策方面提供了一种兼顾实时性和图片质量的方法,在图片处理效率和准确率方面做到了兼顾,降低了图片过滤的成本。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种兼顾实时性及人脸质量的过滤选择方法,其特征在于,该过滤选择方法包括过滤步骤,所述过滤步骤包括如下步骤:
A.接收步骤:接收检测到的图像数据;
B.特征提取步骤:提取人脸图片的特征值;
C.质量评分步骤:对人脸图片进行评分;
D.质量评级步骤:提供多组参数梯级配置,若当前图片第一次达到任意梯级参数配置的质量标准时,将该当前图片视为目标图片;若发现目标图片,将目标图片作为有效人脸返回实时业务处理;若当前图片质量评分优于目标图片质量评分,那么将当前图片视为目标图片;
E.判断步骤:判断人员是否离开图像采集区域,若离开,那么执行存储步骤,否则执行接收步骤;
F.存储步骤:将目标图片存入人脸图像库;
G.返回步骤:返回执行接收步骤;
其中,在所述质量评分步骤中,人脸特征值结果的图片质量评分参数xi,yi,zi是基于真实人脸数据下进行有监督的机器学习得出,E是评分,E=xilgX+yilgY+zilgZ+K;其中X,Y,Z,K分别代表角度、人脸大小、背光度、其他特征值;xilgX表示角度的评分,yilgY表示人脸大小的评分,zilgZ表示背光度的评分,K表示其他项的评分,所述其他项是指人脸是否有遮挡。
2.根据权利要求1所述的过滤选择方法,其特征在于,该过滤选择方法包括检索步骤,所述检索步骤包括如下步骤:
a.待查询人脸图像评分步骤:对待查询人脸图像提取局域二值模式特征,并给出质量评分;
b.查询步骤:对待查询人脸图像的质量评分进行多组值梯级配置,当人脸图像库中的某张人脸的图片质量第一次达到梯级配置中配置的数值,则返回结果;若该待查询人脸图像的质量不满足梯级配置中的质量,则继续执行步骤a。
3.根据权利要求1所述的过滤选择方法,其特征在于,在所述质量评级步骤中,通过图片识别率确定梯级参数配置的质量标准。
4.根据权利要求1所述的过滤选择方法,其特征在于,若当前图片达到梯级参数配置的质量最高级标准时,将当前图片作为有效人脸返回实时业务处理,并将当前图片存入人脸图像库后返回执行接收步骤。
5.一种兼顾实时性及人脸质量的过滤选择系统,其特征在于,该过滤选择系统包括过滤单元,所述过滤单元包括:
接收模块:用于接收检测到的图像数据;
特征提取模块:用于提取人脸图片的特征值;
质量评分模块:用于对人脸图片进行评分;
质量评级模块:用于提供多组参数梯级配置,若当前图片第一次达到任意梯级参数配置的质量标准时,将该当前图片视为目标图片;若发现目标图片,将目标图片作为有效人脸返回实时业务处理;若当前图片质量评分优于目标图片质量评分,那么将当前图片视为目标图片;
判断模块:用于判断人员是否离开图像采集区域,若离开,那么执行存储模块,否则执行接收模块;
存储模块:用于将目标图片存入人脸图像库;
返回模块:用于返回执行接收模块;
其中,在所述质量评分模块中,人脸特征值结果的图片质量评分参数xi,yi,zi是基于真实人脸数据下进行有监督的机器学习得出,E是评分,E=xilgX+yilgY+zilgZ+K;其中X,Y,Z,K分别代表角度、人脸大小、背光度、其他特征值;xilgX表示角度的评分,yilgY表示人脸大小的评分,zilgZ表示背光度的评分,K表示其他项的评分,所述其他项是指人脸是否有遮挡。
6.根据权利要求5所述的过滤选择系统,其特征在于,该过滤选择系统包括检索单元,所述检索单元包括:
待查询人脸图像评分模块:用于对待查询人脸图像提取局域二值模式特征,并给出质量评分;
查询模块:用于对待查询人脸图像的质量评分进行多组值梯级配置,当人脸图像库中的某张人脸的图片质量第一次达到梯级配置中配置的数值,则返回结果;若该待查询人脸图像的质量不满足梯级配置中的质量,则继续执行待查询人脸图像评分模块。
7.根据权利要求5所述的过滤选择系统,其特征在于,在所述质量评级模块中,通过图片识别率确定梯级参数配置的质量标准。
8.根据权利要求5所述的过滤选择系统,其特征在于,若当前图片达到梯级参数配置的质量最高级标准时,将当前图片作为有效人脸返回实时业务处理,并将当前图片存入人脸图像库后返回执行接收模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674387.8A CN106295585B (zh) | 2016-08-16 | 2016-08-16 | 一种兼顾实时性及人脸质量的过滤选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674387.8A CN106295585B (zh) | 2016-08-16 | 2016-08-16 | 一种兼顾实时性及人脸质量的过滤选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106295585A CN106295585A (zh) | 2017-01-04 |
CN106295585B true CN106295585B (zh) | 2019-01-11 |
Family
ID=57679078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610674387.8A Active CN106295585B (zh) | 2016-08-16 | 2016-08-16 | 一种兼顾实时性及人脸质量的过滤选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295585B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230293A (zh) * | 2017-05-31 | 2018-06-29 | 深圳市商汤科技有限公司 | 确定人脸图像质量的方法和装置、电子设备和计算机存储介质 |
CN108171256A (zh) * | 2017-11-27 | 2018-06-15 | 深圳市深网视界科技有限公司 | 人脸图像质评模型构建、筛选、识别方法及设备和介质 |
CN108875518A (zh) * | 2017-12-15 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理与图像分类方法、装置和系统及存储介质 |
CN108073909B (zh) * | 2017-12-29 | 2019-10-25 | 深圳云天励飞技术有限公司 | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 |
CN110223505A (zh) * | 2018-03-02 | 2019-09-10 | 杭州海康威视数字技术股份有限公司 | 一种行人闯红灯行为的确定方法及装置 |
CN110580808B (zh) * | 2018-06-08 | 2021-03-23 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置、电子设备及智能交通系统 |
CN109858426A (zh) * | 2019-01-27 | 2019-06-07 | 武汉星巡智能科技有限公司 | 人脸特征提取方法、装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262727A (zh) * | 2011-06-24 | 2011-11-30 | 常州锐驰电子科技有限公司 | 客户采集终端人脸图像质量实时监控方法 |
CN104765768A (zh) * | 2015-03-09 | 2015-07-08 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
CN104778446A (zh) * | 2015-03-19 | 2015-07-15 | 南京邮电大学 | 一种图像质量评价与人脸识别效率关系模型的构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及系统 |
US8873850B2 (en) * | 2012-11-30 | 2014-10-28 | Google Inc. | Detecting exposure quality in images |
CN103942525A (zh) * | 2013-12-27 | 2014-07-23 | 高新兴科技集团股份有限公司 | 一种基于视频序列的实时人脸优选方法 |
CN105046245B (zh) * | 2015-08-28 | 2018-08-03 | 深圳英飞拓科技股份有限公司 | 视频人脸检测评价方法 |
-
2016
- 2016-08-16 CN CN201610674387.8A patent/CN106295585B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262727A (zh) * | 2011-06-24 | 2011-11-30 | 常州锐驰电子科技有限公司 | 客户采集终端人脸图像质量实时监控方法 |
CN104765768A (zh) * | 2015-03-09 | 2015-07-08 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
CN104778446A (zh) * | 2015-03-19 | 2015-07-15 | 南京邮电大学 | 一种图像质量评价与人脸识别效率关系模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106295585A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295585B (zh) | 一种兼顾实时性及人脸质量的过滤选择方法及系统 | |
CN109829436B (zh) | 基于深度表观特征和自适应聚合网络的多人脸跟踪方法 | |
CN106778684A (zh) | 深度神经网络训练方法及人脸识别方法 | |
CN104361327B (zh) | 一种行人检测方法和系统 | |
CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
CN105913051B (zh) | 一种识别人脸图像的模版库的更新装置及方法 | |
CN108549940A (zh) | 基于多种对抗样例攻击的智能防御算法推荐方法及系统 | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
CN108805040A (zh) | 一种基于分块的有遮挡人脸识别算法 | |
CN109766872A (zh) | 图像识别方法和装置 | |
US20240021015A1 (en) | System and method for selecting images for facial recognition processing | |
CN108256459A (zh) | 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 | |
CN103473564B (zh) | 一种基于敏感区域的正面人脸检测方法 | |
CN108805078A (zh) | 基于行人平均状态的视频行人再识别方法及系统 | |
CN105447443A (zh) | 提高虹膜识别装置识别准确性的方法及装置 | |
DE112009000485T5 (de) | Objektvergleich für Verfolgung, Indizierung und Suche | |
CN110232404A (zh) | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 | |
CN107315795A (zh) | 联合特定人物和场景的视频实例检索方法及系统 | |
CN101447023B (zh) | 人头检测方法和系统 | |
CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN110580510B (zh) | 一种聚类结果评价方法和系统 | |
CN106778636A (zh) | 身份验证方法及装置 | |
CN111027534B (zh) | 一种紧凑双车牌检测方法及装置 | |
CN108108711A (zh) | 人脸布控方法、电子设备及存储介质 | |
CN108171135A (zh) | 人脸检测方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |