CN106548165B - 一种基于图像分块加权的卷积神经网络的人脸识别方法 - Google Patents

一种基于图像分块加权的卷积神经网络的人脸识别方法 Download PDF

Info

Publication number
CN106548165B
CN106548165B CN201611061787.8A CN201611061787A CN106548165B CN 106548165 B CN106548165 B CN 106548165B CN 201611061787 A CN201611061787 A CN 201611061787A CN 106548165 B CN106548165 B CN 106548165B
Authority
CN
China
Prior art keywords
face
picture
neural networks
convolutional neural
pictures
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
CN201611061787.8A
Other languages
English (en)
Other versions
CN106548165A (zh
Inventor
舒泓新
蔡晓东
梁晓曦
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 CN201611061787.8A priority Critical patent/CN106548165B/zh
Publication of CN106548165A publication Critical patent/CN106548165A/zh
Application granted granted Critical
Publication of CN106548165B publication Critical patent/CN106548165B/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像分块加权的卷积神经网络的人脸识别方法，方法包括：构建样本数据库，对样本图片进行边缘检测，并截取出人脸轮廓图片；对人脸轮廓图片的五个部位进行定位，并根据定位进行分割得到局部图片，计算所有局部图片的灰度方差均值；将属于同一样本图片的人脸轮廓图片和六个局部图片一起并行投入到卷积神经网络中训练；将待识别人脸图片分割后一并投入到训练好的卷积神经网络中即可得到识别结果。本发明的有益效果是：本发明的人脸识别方法既考虑局部的特征，又考虑全局的特征，可以使系统有更好的识别效果，与传统的人脸识别方法相比，本发明采用图像分块加权的卷积神经网络的方法，能够提高人脸识别的识别率。

Description

一种基于图像分块加权的卷积神经网络的人脸识别方法
技术领域
本发明涉及人脸识别技术领域，特别涉及一种基于图像分块加权的卷积神经网络的人脸识别方法。
背景技术
随着计算机技术和互联网技术的发展，人脸识别也成为了近几年来计算机视觉领域的热门研究对象，作为一种既方便快捷又安全可靠的身份认证手段，在监控、寻人、安防方面都有广阔的应用前景。卷积神经网络是在传统神经网络的基础上发展起来，是一种高效的识别方法，近几年来获得极大发展并逐步应用到各个领域，卷积神经网络能够从输入图像中提取细节结构信息，同时又能使得这些结构信息具有深度旋转等空间不变性，非常适合用于图像中的检测识别问题。
现在主流的方法就是利用卷积神经网络对样本图片进行训练，然后用生成的模型对人脸图片进行分类识别。但是绝大多数时候训练是基于整幅图像的，而且通常很多人会使用均匀分块，但是均匀分块会因为角度、姿态的关系无法分割成人脸的相同区域，这样并不能有效的提取图像的局部信息，所以识别率也会受到限制。本发明提供了一种并行卷积神经网络，通过将人脸图像分块分别输入相同卷积神经网络进行训练，最后将输出加权融合进行分类识别。
发明内容
本发明的目的在于提供一种泛化能力强、识别准确率高的基于图像分块加权的卷积神经网络的人脸识别方法。
为了实现上述发明目的，本发明提供了一种基于图像分块加权的卷积神经网络的人脸识别方法，所述人脸识别方法具体包括以下步骤：
步骤S1：构建样本数据库，对样本数据库中的样本图片进行灰度化；
步骤S2：利用Canny算子做边缘检测，并截取出人脸轮廓图片；
步骤S3：采用ASM方法对人脸轮廓图片的五个部位进行定位，五个部位包括左眼中心、右眼中心、鼻尖、左嘴角和右嘴角；
步骤S4：根据步骤S3的定位，对人脸轮廓图片进行分块，连接左眼中心和右眼中心做一条分割线a，过鼻尖做平行于分割线a的分割线b，过鼻尖做垂直于分割线b的分割线c，分割线a、分割线b和分割线c三条分割线将人脸轮廓图片分为六个局部图片，分别为左上人脸图片、左中人脸图片、左下人脸图片、右上人脸图片、右中人脸图片和右下人脸图片；
步骤S5：计算出样本数据库中所有局部图片的灰度，再计算出位于同一位置的所有局部图片的灰度方差并求均值，即为灰度方差均值；具体的，以左上人脸图片为例，先计算出所有左上人脸图片的灰度，再计算出每一左上人脸图片的灰度方差并求均值，即得到左上人脸平均灰度方差D1，同理分别计算出左中人脸平均灰度方差D2、左下人脸平均灰度方差D3、右上人脸平均灰度方差D4、右中人脸平均灰度方差D5和右下人脸平均灰度方差D6；
步骤S6：将属于同一样本图片的人脸轮廓图片和六个局部图片一起并行投入到卷积神经网络中训练，并将提取的特征向量结合步骤S5得到的平均灰度方差进行加权融合，然后通过softmax层进行分类，得到训练好的卷积神经网络；
步骤S7：获取待识别图片，并对待识别图片进行灰度化，依次采用步骤S2、步骤S3和步骤S4的方法进行处理得到待识别人脸轮廓图片和六个局部图片；
步骤S8：将待识别人脸轮廓图片和六个局部图片一并投入到训练好的卷积神经网络中即可得到识别结果。
其中，所述步骤S1中，样本图片灰度化的过程参见图2，具体为：读取图片每个像素点的红绿蓝色彩信息(亮度值)，通过下面公式(1)计算得到灰度值，并重新赋值给每个像素点得到灰度图片；
gray＝0.39*R+0.50*G+0.11*B (1)
其中gray为灰度值，R、G、B分别代表在红色、绿色、蓝色三个通道上的亮度值，亮度值通常划分为0～255共256个等级，0最暗、255最亮。
样本数据库中所有样本图片位于同一位置的小块图片的灰度方差，对应的每一小块图片的灰度方差，并计算出样本数据库中所有的左上人脸图片的灰度；
所述步骤S3中采用ASM方法对人脸轮廓图片的五个部位进行定位，具体步骤如下：
步骤301、构建形状模型：在样本数据库中随机搜集300-500个(优选为400个)样本图片组成训练集，手动标记训练集中所有样本图片的五个脸部特征点(包括左眼中心、右眼中心、鼻尖、左嘴角和右嘴角)，将训练集中所有脸部特征点的坐标串成特征向量，对形状进行归一化和对齐(对齐采用Procrustes方法)，对对齐后的形状特征做PCA处理；
步骤302、为每个脸部特征点构建局部特征；目的是在每次迭代搜索过程中每个特征点可以寻找新的位置；局部特征一般采用沿着边缘的法线方向提取的梯度特征，对光照变化有一定的鲁棒性；
步骤303、计算左眼中心和右眼中心的位置坐标，依据上述位置坐标对训练集中的样本图片做适应性的尺度和旋转变化，对齐人脸；
步骤304、匹配每个局部特征点(优选地采用马氏距离)，计算ASM模型中的局部特征与当前特征点的局部特征之间的马氏距离，选取马氏距离最小的那个局部特征的中心作为当前特征点的新位置；得到仿射变换的参数，迭代直到收敛，得到五个脸部特征点的最终位置。
所述步骤S6中，所述的卷积神经网络框架具体为：
从输入到输出按顺序依次为：卷积层conv1，最大池化层pool1，卷积层conv2，最大池化层pool2，卷积层conv3，最大池化层pool3，卷积层conv4，全连接层fc作为输出；
其中所述加权融合的加权方式为：
左上人脸分配权值为w1＝D1/(D1+D2+D3+D4+D5+D6)；
左中人脸分配权值为w2＝D2/(D1+D2+D3+D4+D5+D6)；
左下人脸分配权值为w3＝D3/(D1+D2+D3+D4+D5+D6)；
右上人脸分配权值为w4＝D4/(D1+D2+D3+D4+D5+D6)；
右中人脸分配权值为w5＝D5/(D1+D2+D3+D4+D5+D6)；
右下人脸分配权值为w6＝D6/(D1+D2+D3+D4+D5+D6)；
假设左上人脸的输出为x1，左中人脸的输出为x2，左下人脸的输出为x3，右上人脸的输出为x4，右中人脸的输出为x5，右下人脸的输出为x6，整张人脸的输出为x，则最终加权融合输出为：
y＝(w1*x1+w2*x2+w3*x3+w4*x4+w5*x5+w6*x6)/2+x/2，
将y输入到softmax层进行分类。
本发明的有益效果是：本发明的人脸识别方法既考虑局部的特征，又考虑全局的特征，可以使系统有更好的识别效果，与传统的人脸识别方法相比，本发明采用图像分块加权的卷积神经网络的方法，能够提高人脸识别的识别率；其中，本发明以人脸为标准进行非均匀分块，通过计算每一块的方差来分配权值，方差越大，分配权值越大，因为方差越大意味着像素值差异大，所以特征就比较明显，而且构建的卷积神经网络具有一定深度，同时采用分块加权输出进行softmax分类，将大大提高识别准确度。
附图说明
图1为本发明实施例人脸识别方法的流程图。
图2为本发明实施例中样本图片灰度化的流程图。
图3为本发明实施例中步骤S3中人脸图片分块的示意图。
图4为本发明实施例中步骤S6中构建的卷积神经网络框架示意图。
具体实施方式
以下采用实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
实施例1
本发明实施例提供了一种基于图像分块加权的卷积神经网络的人脸识别方法，所述人脸识别方法具体包括以下步骤：
步骤S1：构建样本数据库，对样本数据库中的样本图片进行灰度化；其中，数据库可以基于已公开的人脸数据库如FERET人脸库、cifar-10人脸库或CMUPIE人脸库建立，对人脸库中的图片进行灰度化处理；或，样本数据库也可以由基于人脸识别的门禁系统或其他人脸识别系统的高清摄像头采集的图片，并对采集的所有图片灰度化处理即为样本图片；
步骤S2：利用Canny算子做边缘检测，并截取出人脸轮廓图片；
步骤S3：采用ASM方法对人脸轮廓图片的五个部位进行定位，五个部位包括左眼中心、右眼中心、鼻尖、左嘴角和右嘴角；
步骤S4：根据步骤S3的定位，对人脸轮廓图片进行分块，连接左眼中心和右眼中心做一条分割线a，过鼻尖做平行于分割线a的分割线b，过鼻尖做垂直于分割线b的分割线c，分割线a、分割线b和分割线c三条分割线将人脸轮廓图片分为六个局部图片，分别为左上人脸图片、左中人脸图片、左下人脸图片、右上人脸图片、右中人脸图片和右下人脸图片；
步骤S5：计算出样本数据库中所有局部图片的灰度，再计算出位于同一位置的所有局部图片的灰度方差并求均值，即为灰度方差均值；具体的，以左上人脸图片为例，先计算出所有左上人脸图片的灰度，再计算出每一左上人脸图片的灰度方差并求均值，即得到左上人脸平均灰度方差D1，同理分别计算出左中人脸平均灰度方差D2、左下人脸平均灰度方差D3、右上人脸平均灰度方差D4、右中人脸平均灰度方差D5和右下人脸平均灰度方差D6；
步骤S6：将属于同一样本图片的人脸轮廓图片和六个局部图片一起并行投入到卷积神经网络中训练，并将提取的特征向量结合步骤S5得到的平均灰度方差进行加权融合，然后通过softmax层进行分类，得到训练好的卷积神经网络；
步骤S7：获取待识别图片，并对待识别图片进行灰度化，依次采用步骤S2、步骤S3和步骤S4的方法进行处理得到待识别人脸轮廓图片和六个局部图片；其中，待识别图片由样本数据库随机筛选得出；或，待识别图片由基于人脸识别的门禁系统或其他人脸识别系统的高清摄像头实时采集的图片经过灰度化处理后得到的；
步骤S8：将待识别人脸轮廓图片和六个局部图片一并投入到训练好的卷积神经网络中即可得到识别结果。
其中，所述步骤S1中，样本图片灰度化的过程参见图2，具体为：读取图片每个像素点的红绿蓝色彩信息(亮度值)，通过下面公式(1)计算得到灰度值，并重新赋值给每个像素点得到灰度图片；
gray＝0.39*R+0.50*G+0.11*B (1)
其中gray为灰度值，R、G、B分别代表在红色、绿色、蓝色三个通道上的亮度值，亮度值通常划分为0～255共256个等级，0最暗、255最亮。
样本数据库中所有样本图片位于同一位置的小块图片的灰度方差，对应的每一小块图片的灰度方差，并计算出样本数据库中所有的左上人脸图片的灰度；
所述步骤S3中采用ASM方法对人脸轮廓图片的五个部位进行定位，具体步骤如下：
步骤301、构建形状模型：在样本数据库中随机搜集300-500个(优选为400个)样本图片组成训练集，手动标记训练集中所有样本图片的五个脸部特征点(包括左眼中心、右眼中心、鼻尖、左嘴角和右嘴角)，将训练集中所有脸部特征点的坐标串成特征向量，对形状进行归一化和对齐(对齐采用Procrustes方法)，对对齐后的形状特征做PCA处理；
步骤302、为每个脸部特征点构建局部特征；目的是在每次迭代搜索过程中每个特征点可以寻找新的位置；局部特征一般采用沿着边缘的法线方向提取的梯度特征，对光照变化有一定的鲁棒性；
步骤303、计算左眼中心和右眼中心的位置坐标，依据上述位置坐标对训练集中的样本图片做适应性的尺度和旋转变化，对齐人脸；
步骤304、匹配每个局部特征点(优选地采用马氏距离)，计算ASM模型中的局部特征与当前特征点的局部特征之间的马氏距离，选取马氏距离最小的那个局部特征的中心作为当前特征点的新位置；得到仿射变换的参数，迭代直到收敛，得到五个脸部特征点的最终位置。
所述步骤S6中，所述的卷积神经网络框架具体为：
从输入到输出按顺序依次为：卷积层conv1，最大池化层pool1，卷积层conv2，最大池化层pool2，卷积层conv3，最大池化层pool3，卷积层conv4，全连接层fc作为输出；
其中所述加权融合的加权方式为：
左上人脸分配权值为w1＝D1/(D1+D2+D3+D4+D5+D6)；
左中人脸分配权值为w2＝D2/(D1+D2+D3+D4+D5+D6)；
左下人脸分配权值为w3＝D3/(D1+D2+D3+D4+D5+D6)；
右上人脸分配权值为w4＝D4/(D1+D2+D3+D4+D5+D6)；
右中人脸分配权值为w5＝D5/(D1+D2+D3+D4+D5+D6)；
右下人脸分配权值为w6＝D6/(D1+D2+D3+D4+D5+D6)；
假设左上人脸的输出为x1，左中人脸的输出为x2，左下人脸的输出为x3，右上人脸的输出为x4，右中人脸的输出为x5，右下人脸的输出为x6，整张人脸的输出为x，则最终加权融合输出为：
y＝(w1*x1+w2*x2+w3*x3+w4*x4+w5*x5+w6*x6)/2+x/2，
将y输入到softmax层进行分类。
使用cifar-10样本库进行实验，其中50000张图片作为样本进行训练，另外10000张图片进行测试。不使用分块的卷积神经网络的识别准确率为83.1％，使用均匀分块卷积神经网络的识别准确率为87.6％，使用本发明的非均匀分块并行卷积神经网络的识别准确率为91.8％，可见本发明的人脸识别方法能够明显提高识别的准确率。
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 (2)

1.一种基于图像分块加权的卷积神经网络的人脸识别方法，其特征在于，所述人脸识别方法具体包括以下步骤：
步骤S1：构建样本数据库，对样本数据库中的样本图片进行灰度化；
步骤S2：利用Canny算子做边缘检测，并截取出人脸轮廓图片；
步骤S3：采用ASM方法对人脸轮廓图片的五个部位进行定位，五个部位包括左眼中心、右眼中心、鼻尖、左嘴角和右嘴角；
步骤S4：根据步骤S3的定位，对人脸轮廓图片进行分块，连接左眼中心和右眼中心做一条分割线a，过鼻尖做平行于分割线a的分割线b，过鼻尖做垂直于分割线b的分割线c，分割线a、分割线b和分割线c三条分割线将人脸轮廓图片分为六个局部图片，分别为左上人脸图片、左中人脸图片、左下人脸图片、右上人脸图片、右中人脸图片和右下人脸图片；
步骤S5：计算出样本数据库中所有局部图片的灰度，再计算出位于同一位置的所有局部图片的灰度方差并求均值，即为灰度方差均值；
步骤S6：将属于同一样本图片的人脸轮廓图片和六个局部图片一起并行投入到卷积神经网络中训练，并将提取的特征向量结合步骤S5得到的平均灰度方差进行加权融合，然后通过softmax层进行分类，得到训练好的卷积神经网络；
步骤S7：获取待识别图片，并对待识别图片进行灰度化，依次采用步骤S2、步骤S3和步骤S4的方法进行处理得到待识别人脸轮廓图片和六个局部图片；
步骤S8：将待识别人脸轮廓图片和六个局部图片一并投入到训练好的卷积神经网络中即可得到识别结果；
其中，所述步骤S3中采用ASM方法对人脸轮廓图片的五个部位进行定位，具体步骤如下：
步骤301、构建形状模型：在样本数据库中随机搜集300-500个样本图片组成训练集，手动标记训练集中所有样本图片的五个脸部特征点，将训练集中所有脸部特征点的坐标串成特征向量，对形状进行归一化和对齐，对对齐后的形状特征做PCA处理；
步骤302、为每个脸部特征点构建局部特征；
步骤303、计算左眼中心和右眼中心的位置坐标，依据上述位置坐标对训练集中的样本图片做适应性的尺度和旋转变化，对齐人脸；
步骤304、采用马氏距离方法匹配每个局部特征点，计算ASM模型中的局部特征与当前特征点的局部特征之间的马氏距离，选取马氏距离最小的那个局部特征的中心作为当前特征点的新位置，得到仿射变换的参数，迭代直到收敛，得到五个脸部特征点的最终位置。
2.根据权利要求1所述的基于图像分块加权的卷积神经网络的人脸识别方法，其特征在于，所述步骤S6中，所述的卷积神经网络框架具体为：
从输入到输出按顺序依次为：卷积层conv1，最大池化层pool1，卷积层conv2，最大池化层pool2，卷积层conv3，最大池化层pool3，卷积层conv4，全连接层fc作为输出；
其中所述加权融合的加权方式为：
左上人脸分配权值为w1=D1/(D1+D2+D3+D4+D5+D6)；
左中人脸分配权值为w2=D2/(D1+D2+D3+D4+D5+D6)；
左下人脸分配权值为w3=D3/(D1+D2+D3+D4+D5+D6)；
右上人脸分配权值为w4=D4/(D1+D2+D3+D4+D5+D6)；
右中人脸分配权值为w5=D5/(D1+D2+D3+D4+D5+D6)；
右下人脸分配权值为w6=D6/(D1+D2+D3+D4+D5+D6)；
其中，D1为左上人脸平均灰度方差，D2为左中人脸平均灰度方差、D3为左下人脸平均灰度方差、D4为右上人脸平均灰度方差、D5为右中人脸平均灰度方差，D6为右下人脸平均灰度方差；
定义左上人脸的输出为x1，左中人脸的输出为x2，左下人脸的输出为x3，右上人脸的输出为x4，右中人脸的输出为x5，右下人脸的输出为x6，整张人脸的输出为x，则最终加权融合输出为：
y=(w1*x1+w2*x2+w3*x3+w4*x4+w5*x5+w6*x6)/2+x/2，
将y输入到softmax层进行分类。
CN201611061787.8A 2016-11-28 2016-11-28 一种基于图像分块加权的卷积神经网络的人脸识别方法 Active CN106548165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611061787.8A CN106548165B (zh) 2016-11-28 2016-11-28 一种基于图像分块加权的卷积神经网络的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611061787.8A CN106548165B (zh) 2016-11-28 2016-11-28 一种基于图像分块加权的卷积神经网络的人脸识别方法

Publications (2)

Publication Number Publication Date
CN106548165A CN106548165A (zh) 2017-03-29
CN106548165B true CN106548165B (zh) 2019-07-16

Family

ID=58395906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611061787.8A Active CN106548165B (zh) 2016-11-28 2016-11-28 一种基于图像分块加权的卷积神经网络的人脸识别方法

Country Status (1)

Country Link
CN (1) CN106548165B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230291B (zh) * 2017-03-30 2020-09-29 北京市商汤科技开发有限公司 物体识别系统训练方法、物体识别方法、装置和电子设备
CN107423685A (zh) * 2017-06-13 2017-12-01 重庆大学 表情情绪识别方法
CN107403145B (zh) * 2017-07-14 2021-03-09 北京小米移动软件有限公司 图像特征点定位方法及装置
CN107679450A (zh) * 2017-08-25 2018-02-09 珠海多智科技有限公司 基于深度学习的遮挡条件下人脸识别方法
CN107545279B (zh) * 2017-08-30 2020-07-31 电子科技大学 基于卷积神经网络与加权核特征分析的图像识别方法
CN107622240B (zh) * 2017-09-21 2023-10-13 百度在线网络技术（北京）有限公司 人脸检测方法和装置
CN107886064B (zh) * 2017-11-06 2021-10-22 安徽大学 一种基于卷积神经网络的人脸识别场景适应的方法
CN107832735A (zh) * 2017-11-24 2018-03-23 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN108509920B (zh) * 2018-04-04 2022-04-26 南京信息工程大学 基于CNN的多patch多通道联合特征选择学习的人脸识别方法
CN108734835B (zh) * 2018-05-15 2020-09-11 温州伊诺韦特科技有限公司 一种门禁验证方法及其系统
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN110727462B (zh) * 2018-07-16 2021-10-19 上海寒武纪信息科技有限公司 数据处理器和数据处理方法
CN108985208A (zh) * 2018-07-06 2018-12-11 北京字节跳动网络技术有限公司 生成图像检测模型的方法和装置
CN108932536B (zh) * 2018-07-18 2021-11-09 电子科技大学 基于深度神经网络的人脸姿态重建方法
CN109389045B (zh) * 2018-09-10 2021-03-02 广州杰赛科技股份有限公司 基于混合时空卷积模型的微表情识别方法与装置
CN109508731A (zh) * 2018-10-09 2019-03-22 中山大学 一种基于融合特征的车辆重识别方法、系统及装置
CN109583357B (zh) * 2018-11-23 2022-07-08 厦门大学 一种改进lbp和轻量卷积神经网络级联的人脸识别方法
CN109766810B (zh) * 2018-12-31 2023-02-28 陕西师范大学 基于协同表示和池化及融合的人脸识别分类方法
CN111582008B (zh) 2019-02-19 2023-09-08 富士通株式会社 训练分类模型的装置和方法及利用分类模型分类的装置
CN110210321B (zh) * 2019-05-08 2020-11-24 华南理工大学 基于多维尺度变换网络与分块加权法的欠样本人脸识别方法
CN110796594B (zh) * 2019-10-28 2021-11-09 腾讯科技（深圳）有限公司 一种图像生成方法、装置及设备
CN111881813B (zh) * 2020-07-24 2021-02-19 深圳市卡联科技股份有限公司 人脸识别终端的数据存储方法及系统
CN113496393A (zh) * 2021-01-09 2021-10-12 武汉谦屹达管理咨询有限公司 一种基于区块链的离线支付金融系统及方法
CN112767387B (zh) * 2021-01-29 2024-04-30 中华人民共和国张家港海关 一种基于分块梯度加权的木材图像自动识别方法
CN114220142B (zh) * 2021-11-24 2022-08-23 慧之安信息技术股份有限公司 一种深度学习算法的人脸特征识别方法

Citations (2)

* 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

Patent Citations (2)

* 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于特征融合的人脸识别";张陈方;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;摘要，正文第2-6,15，25-27，31-42页

Also Published As

Publication number Publication date
CN106548165A (zh) 2017-03-29

Similar Documents

Publication Publication Date Title
CN106548165B (zh) 一种基于图像分块加权的卷积神经网络的人脸识别方法
CN103914699B (zh) 一种基于色彩空间的自动唇彩的图像增强的方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
Li et al. Multi-angle head pose classification when wearing the mask for face recognition under the COVID-19 coronavirus epidemic
CN107563396B (zh) 一种电力巡检中保护屏智能识别系统的构建方法
CN108921119B (zh) 一种障碍物实时检测和分类方法
CN104951773A (zh) 一种实时人脸识别监视系统
CN109859171A (zh) 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法
CN110287805A (zh) 基于三流卷积神经网络的微表情识别方法及系统
CN105046219A (zh) 一种人脸识别系统
CN109284738A (zh) 不规则人脸矫正方法和系统
CN110348322A (zh) 基于多特征融合的人脸活体检测方法及设备
CN109558825A (zh) 一种基于数字视频图像处理的瞳孔中心定位方法
CN108537239A (zh) 一种图像显著性目标检测的方法
CN110263768A (zh) 一种基于深度残差网络的人脸识别方法
CN109740572A (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN111222433A (zh) 自动人脸稽核方法、系统、设备及可读存储介质
Dargham et al. Lips detection in the normalised RGB colour scheme
CN105631456B (zh) 一种基于粒子群优化itti模型的白细胞区域提取方法
CN114511567A (zh) 舌体与舌苔图像识别分离方法
CN106960188B (zh) 天气图像分类方法及装置
CN111881841B (zh) 一种基于双目视觉的人脸检测识别方法
Manaf et al. Color recognition system with augmented reality concept and finger interaction: Case study for color blind aid system
CN109766860B (zh) 基于改进的Adaboost算法的人脸检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant