CN106845461B - 一种基于人脸识别和密码识别的电子商务交易系统 - Google Patents

一种基于人脸识别和密码识别的电子商务交易系统 Download PDF

Info

Publication number
CN106845461B
CN106845461B CN201710154960.7A CN201710154960A CN106845461B CN 106845461 B CN106845461 B CN 106845461B CN 201710154960 A CN201710154960 A CN 201710154960A CN 106845461 B CN106845461 B CN 106845461B
Authority
CN
China
Prior art keywords
face
training sample
recognition module
face image
class
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
CN201710154960.7A
Other languages
English (en)
Other versions
CN106845461A (zh
Inventor
不公告发明人
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.)
Xinjiang yishengxin Network Technology Co., Ltd
Original Assignee
Xinjiang Yishengxin Network Technology 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 Xinjiang Yishengxin Network Technology Co Ltd filed Critical Xinjiang Yishengxin Network Technology Co Ltd
Priority to CN201710154960.7A priority Critical patent/CN106845461B/zh
Publication of CN106845461A publication Critical patent/CN106845461A/zh
Application granted granted Critical
Publication of CN106845461B publication Critical patent/CN106845461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于人脸识别和密码识别的电子商务交易系统，包括人脸识别模块、密码识别模块、控制处理中心、交易模式切换模块和移动终端，所述人脸识别模块、密码识别模块分别与控制处理中心连接，所述控制处理中心与交易模式切换模块、移动终端连接。本发明的有益效果为：采用密码识别与人脸识别相结合的方式，使电子商务交易更加安全可靠。

Description

一种基于人脸识别和密码识别的电子商务交易系统
技术领域
本发明涉及电子商务技术领域，具体涉及一种基于人脸识别和密码识别的电子商务交易系统。
背景技术
相关技术中，电子商务中的交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现，如果密码被盗，就无法保证安全。如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一，从而大大增加电子商务和电子政务系统的可靠性。
发明内容
针对上述问题，本发明提供一种基于人脸识别和密码识别的电子商务交易系统。
本发明的目的采用以下技术方案来实现：
提供了一种基于人脸识别和密码识别的电子商务交易系统，包括人脸识别模块、密码识别模块、控制处理中心、交易模式切换模块和移动终端，所述人脸识别模块、密码识别模块分别与控制处理中心连接，所述控制处理中心与交易模式切换模块、移动终端连接。
本发明的有益效果为：采用密码识别与人脸识别相结合的方式，使电子商务交易更加安全可靠。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1本发明的结构连接框图；
图2是本发明人脸识别模块的结构连接框图。
附图标记：
人脸识别模块1、密码识别模块2、控制处理中心3、交易模式切换模块4、移动终端5、人脸图像采集单元10、人脸图像识别单元20。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例提供了一种基于人脸识别和密码识别的电子商务交易系统，该系统包括人脸识别模块1、密码识别模块2、控制处理中心3、交易模式切换模块4和移动终端5，所述人脸识别模块1、密码识别模块2分别与控制处理中心3连接，所述控制处理中心3与交易模式切换模块4、移动终端5连接。
优选地，所述交易模式切换模块4在人脸识别模块1、密码识别模块2识别皆成功时根据控制处理中心3的指令将电子商务交易切换为正常交易模式；交易模式切换模块4在人脸识别模块1、密码识别模块2识别皆失败时或者其中之一识别失败时，根据控制处理中心3的指令将电子商务交易切换为异常交易模式。
本发明上述实施例，采用密码识别与人脸识别相结合的方式，使电子商务交易更加安全可靠。
优选地，所述控制处理中心3在人脸识别模块1、密码识别模块2识别皆失败时或者其中之一识别失败时，将参与识别的人脸图像通过无线网络发送至移动终端5。
本发明优选实施例，通过将识别不成功的人脸图像发送到用户的移动终端5，使得用户有所警觉，进一步提高了电子商务交易的安全性。
优选地，如图2所示，所述人脸识别模块1包括相连接的人脸图像采集单元10和人脸图像识别单元20；所述人脸图像采集单元10用于采集多张待识别的人脸图像，并从采集的人脸图像中筛选出图像质量度最大的人脸图像作为用于人脸识别的最优人脸图像；所述人脸图像识别单元20用于对最优人脸图像进行识别，并向控制处理中心3输出人脸识别结果。
其中，在筛选出图像质量度最大的人脸图像时，采用下述自定义公式计算人脸图像的图像质量度：
Figure BDA0001246764320000021
式中，Ψi为多张图像中第i张人脸图像的图像质量度，λi为多张图像中第i张人脸图像的设定区域的平均灰度值，λ为根据实际情况设定的灰度值阈值，φi为多张图像中第i张人脸图像的边缘锐度，φ为根据实际情况设定的边缘锐度阈值，
Figure BDA0001246764320000022
为多张图像的平均灰度值，
Figure BDA0001246764320000023
为多张图像的平均边缘锐度，m为从摄像系统采集的多张图像的数量；
式中，
Figure BDA0001246764320000024
为第i张人脸图像中人脸所占该张人脸图像的比例，
Figure BDA0001246764320000025
为设定的比例阈值，当
Figure BDA0001246764320000026
时，
Figure BDA0001246764320000027
时，
Figure BDA0001246764320000028
本优选实施例中，采用上述方式选择最优人脸图像进行人脸识别检测，能够大大节约电子商务交易系统的存储空间，提高人脸识别检测的速度；
其中自定义的图像质量度计算公式，一方面便利了电子商务交易系统对于人脸图像的筛选，另一方面考虑了人脸图像所占比例、边缘锐度和灰度值因素，从而能够避免通过单一特征进行图像质量评价的局限性，更为准确地筛选出最优的人脸图像进行识别，简化了计算量，从而提高了电子商务交易系统的工作效率和识别的精确性。
优选地，所述人脸图像识别单元20对最优人脸图像进行识别，具体包括：
(1)在人脸识别模块1预先构建的人脸数据库中选取N张人脸图像构建训练样本集X＝[X1,X2,…,XN]，将筛选出的人脸图像作为测试样本Y，对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集；
(2)将最优训练样本集中的每副人脸图像平均分割成R个块，则该最优训练样本集被分割成R个子样本集Xδ,δ＝1,…,R，每个子样本集由每副人脸图像的第δ个块构成；
(3)对于最优训练样本集中的任意一副人脸图像，用该人脸图像以外的剩余图像对该样本进行稀疏表示，得到该人脸图像的各块的稀疏残差，然后计算出所有人脸图像的第δ个块的稀疏残差均值Aδ；
(4)将测试样本平均分成R个块，即Y＝[Yδ,δ＝1,…,R]，对最优训练样本集和测试样本按照下述公式进行块加权：
Figure BDA0001246764320000031
Figure BDA0001246764320000032
式中，A1、A2为设定的残差阈值，A1<A2，f(Aδ)为判定函数，当Aδ<A1时，f(Aδ)＝1，当Aδ>A2时，f(Aδ)＝0；Bδ为最优训练样本集中的类间距离方差和类内距离方差的比值，B1、B2为设定的判别度阈值，B1<B2，f(Bδ)为判定函数，当Bδ<B2时，f(Bδ)＝0，当Bδ>B1时，f(Bδ)＝1；
(5)用加权后的最优训练样本集对加权后的测试样本进行稀疏表示，计算其中每个类的重构残差，最终将测试样本分类为最小重构残差对应的类。
本优选实施例中，人脸识别模块1一方面将测试样本和最优训练样本集中的人脸图像分割成相同大小的块，可以更好地在识别检测过程中捕捉到更具判别性的信息；
另一方面，对最优训练样本集和测试样本按照上述公式进行块加权，能够更准确地选择出遮挡块和判别性块，降低遮挡部位对人脸识别性能的影响，从而能够提高人脸图像的识别率，进一步提高电子商务交易系统对人脸识别的精度。
优选地，所述对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集，具体包括：
(1)利用训练样本集X对测试样本Y进行线性表示，计算训练样本集X中各训练样本向量的表示系数W＝[W1,W2,…,WN]T；
其中，表示系数W的计算公式为：
W＝XTY(XTX+ρI)-1
式中，I为单位矩阵，ρ为设定的系数；
(2)设训练样本集X中共有M个类，第j个类中有nj个训练样本，j＝1,…,M，计算每个类的重构残差为：
Figure BDA0001246764320000041
式中，Ej为第j个类的重构残差，Xj表示第j个类的训练样本集，Wk表示第j个类中第k个训练样本对应的表示系数；
(3)选取前m个最小重构残差对应的类作为备选类，用该m个备选类构建近邻字典G＝[G1,G2,…,Gm]，Gj(j＝1,…,m)表示备选类中第j个类的训练样本集，用该备选类对测试样本Y进行线性表示，计算近邻字典G中各备选类对应的表示系数：
W′＝GTY(GTG+ξI)-1
式中，W′表示备选类对应的表示系数，W′＝[W1′,W2′,…,Wm′]，Wj(j＝1,…,m)表示备选类中第j个类对应的表示系数；
(4)设
Figure BDA0001246764320000042
表示第j个类的训练样本集中的第k个训练样本，则利用保留的训练样本构建最优训练样本集为：
Figure BDA0001246764320000043
本优选实施例，采用备选类对应的表示系数对该备选类的训练样本进行加权，权值越大则对应训练样本对测试样本的表示能力越强，因此构建的最优训练样本集能够更好地近似测试样本；
本优选实施例从整体上减少了训练样本量，从而降低了计算复杂度，进一步缩短了人脸识别的时间，提高了电子商务交易系统对身份识别验证的效率。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.一种基于人脸识别和密码识别的电子商务交易系统，其特征是，包括人脸识别模块、密码识别模块、控制处理中心、交易模式切换模块和移动终端，所述人脸识别模块、密码识别模块分别与控制处理中心连接，所述控制处理中心与交易模式切换模块、移动终端连接；所述人脸识别模块包括相连接的人脸图像采集单元和人脸图像识别单元；所述人脸图像采集单元用于采集多张待识别的人脸图像，并从采集的人脸图像中筛选出图像质量度最大的人脸图像作为用于人脸识别的最优人脸图像；所述人脸图像识别单元用于对最优人脸图像进行识别，并向控制处理中心输出人脸识别结果；在筛选出图像质量度最大的人脸图像时，采用下述自定义公式计算人脸图像的图像质量度：
Figure FDA0002553210690000011
式中，Ψi为多张图像中第i张人脸图像的图像质量度，λi为多张图像中第i张人脸图像的设定区域的平均灰度值，λ为根据实际情况设定的灰度值阈值，φi为多张图像中第i张人脸图像的边缘锐度，φ为根据实际情况设定的边缘锐度阈值，
Figure FDA0002553210690000012
为多张图像的平均灰度值，
Figure FDA0002553210690000013
为多张图像的平均边缘锐度，m为从摄像系统采集的多张图像的数量；
式中，
Figure FDA0002553210690000014
为第i张人脸图像中人脸所占该张人脸图像的比例，
Figure FDA0002553210690000015
为设定的比例阈值，当
Figure FDA0002553210690000016
时，
Figure FDA0002553210690000017
时，
Figure FDA0002553210690000018
2.根据权利要求1所述的一种基于人脸识别和密码识别的电子商务交易系统，其特征是，所述交易模式切换模块在人脸识别模块、密码识别模块识别皆成功时根据控制处理中心的指令将电子商务交易切换为正常交易模式；交易模式切换模块在人脸识别模块、密码识别模块识别皆失败时或者其中之一识别失败时，根据控制处理中心的指令将电子商务交易切换为异常交易模式。
3.根据权利要求1所述的一种基于人脸识别和密码识别的电子商务交易系统，其特征是，所述控制处理中心在人脸识别模块、密码识别模块识别皆失败时或者其中之一识别失败时，将参与识别的人脸图像通过无线网络发送至移动终端。
4.根据权利要求1所述的一种基于人脸识别和密码识别的电子商务交易系统，其特征是，所述人脸图像识别单元对最优人脸图像进行识别，具体包括：
(1)在人脸识别模块预先构建的人脸数据库中选取N张人脸图像构建训练样本集X＝[X1,X2,…,XN]，将筛选出的人脸图像作为测试样本Y，对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集；
(2)将最优训练样本集中的每副人脸图像平均分割成R个块，则该最优训练样本集被分割成R个子样本集Xδ,δ＝1,…,R，每个子样本集由每副人脸图像的第δ个块构成；
(3)对于最优训练样本集中的任意一副人脸图像，用该人脸图像以外的剩余图像对该样本进行稀疏表示，得到该人脸图像的各块的稀疏残差，然后计算出所有人脸图像的第δ个块的稀疏残差均值Aδ；
(4)将测试样本平均分成R个块，即Y＝[Yδ,δ＝1,…,R]，对最优训练样本集和测试样本按照下述公式进行块加权：
Figure FDA0002553210690000021
Figure FDA0002553210690000022
式中，A1、A2为设定的残差阈值，A1<A2，f(Aδ)为判定函数，当Aδ<A1时，f(Aδ)＝1，当Aδ>A2时，f(Aδ)＝0；Bδ为最优训练样本集中的类间距离方差和类内距离方差的比值，B1、B2为设定的判别度阈值，B1<B2，f(Bδ)为判定函数，当Bδ<B2时，f(Bδ)＝0，当Bδ>B1时，f(Bδ)＝1；
(5)用加权后的最优训练样本集对加权后的测试样本进行稀疏表示，计算其中每个类的重构残差，最终将测试样本分类为最小重构残差对应的类；
所述对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集，具体包括：
(1)利用训练样本集X对测试样本Y进行线性表示，计算训练样本集X中各训练样本向量的表示系数W＝[W1,W2,…,WN]T；
其中，表示系数W的计算公式为：
W＝XTY(XTX+ρI)-1
式中，I为单位矩阵，ρ为设定的系数；
(2)设训练样本集X中共有M个类，第j个类中有nj个训练样本，j＝1,…,M，计算每个类的重构残差为：
Figure FDA0002553210690000023
式中，Ej为第j个类的重构残差，Xj表示第j个类的训练样本集，Wk表示第j个类中第k个训练样本对应的表示系数；
(3)选取前m个最小重构残差对应的类作为备选类，用该m个备选类构建近邻字典G＝[G1,G2,…,Gm]，Gj(j＝1,…,m)表示备选类中第j个类的训练样本集，用该备选类对测试样本Y进行线性表示，计算近邻字典G中各备选类对应的表示系数：
W′＝GTY(GTG+ξI)-1
式中，W′表示备选类对应的表示系数，W′＝[W1′,W2′,…,Wm′]，Wj′(j＝1,…,m)表示备选类中第j个类对应的表示系数，ξ为设定的系数；
(4)设
Figure FDA0002553210690000031
表示第j个类的训练样本集中的第k个训练样本，则利用保留的训练样本构建最优训练样本集为：
Figure FDA0002553210690000032
CN201710154960.7A 2017-03-15 2017-03-15 一种基于人脸识别和密码识别的电子商务交易系统 Active CN106845461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710154960.7A CN106845461B (zh) 2017-03-15 2017-03-15 一种基于人脸识别和密码识别的电子商务交易系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710154960.7A CN106845461B (zh) 2017-03-15 2017-03-15 一种基于人脸识别和密码识别的电子商务交易系统

Publications (2)

Publication Number Publication Date
CN106845461A CN106845461A (zh) 2017-06-13
CN106845461B true CN106845461B (zh) 2020-09-01

Family

ID=59144944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710154960.7A Active CN106845461B (zh) 2017-03-15 2017-03-15 一种基于人脸识别和密码识别的电子商务交易系统

Country Status (1)

Country Link
CN (1) CN106845461B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268864A (zh) * 2018-02-24 2018-07-10 达闼科技（北京）有限公司 人脸识别方法、系统、电子设备和计算机程序产品
CN109903139B (zh) * 2019-03-04 2022-08-16 广东八灵科技发展有限公司 一种根据时间节点的电子商务平台商品信息获取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567044A (zh) * 2009-05-22 2009-10-28 北京大学 一种人脸图像质量检测方法
CN104574085A (zh) * 2014-12-23 2015-04-29 苏州福丰科技有限公司 一种基于三维人脸识别和密码识别的电子商务交易系统
CN204314941U (zh) * 2014-12-23 2015-05-06 苏州福丰科技有限公司 一种基于三维人脸识别和密码识别的电子商务交易系统
CN105427421A (zh) * 2015-11-16 2016-03-23 苏州市公安局虎丘分局 基于人脸识别的门禁控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567044A (zh) * 2009-05-22 2009-10-28 北京大学 一种人脸图像质量检测方法
CN104574085A (zh) * 2014-12-23 2015-04-29 苏州福丰科技有限公司 一种基于三维人脸识别和密码识别的电子商务交易系统
CN204314941U (zh) * 2014-12-23 2015-05-06 苏州福丰科技有限公司 一种基于三维人脸识别和密码识别的电子商务交易系统
CN105427421A (zh) * 2015-11-16 2016-03-23 苏州市公安局虎丘分局 基于人脸识别的门禁控制方法

Also Published As

Publication number Publication date
CN106845461A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
US10417532B2 (en) Offline identity authentication method and apparatus
CN106845460B (zh) 一种基于人脸识别的智能家居系统
CN110598535B (zh) 一种监控视频数据中使用的人脸识别分析方法
US9189686B2 (en) Apparatus and method for iris image analysis
Zois et al. A comprehensive study of sparse representation techniques for offline signature verification
CN111311809A (zh) 基于多生物特征融合的智能化门禁系统
CN110781766B (zh) 基于特征谱正则化的格拉斯曼流形判别分析图像识别方法
JP6071002B2 (ja) 信頼度取得装置、信頼度取得方法および信頼度取得プログラム
CN111914643A (zh) 一种基于骨骼关键点检测的人体动作识别方法
CN106845461B (zh) 一种基于人脸识别和密码识别的电子商务交易系统
CN109145704B (zh) 一种基于人脸属性的人脸画像识别方法
CN113158955A (zh) 基于聚类引导和成对度量三元组损失的行人重识别方法
JP5776694B2 (ja) 物体識別向けの学習装置、学習システム、学習方法、及び学習プログラム
Singh et al. A sparse coded composite descriptor for human activity recognition
CN114359787A (zh) 目标属性识别方法、装置、计算机设备及存储介质
JP4749884B2 (ja) 顔判別装置の学習方法、顔判別方法および装置並びにプログラム
Kekre et al. Performance comparison of DCT and VQ based techniques for iris recognition
CN111428643A (zh) 指静脉图像识别方法、装置、计算机设备及存储介质
CN111209850A (zh) 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法
Chouhan et al. Analysis of statistical feature extraction for Iris Recognition System using Laplacian of Gaussian filter
CN116359738A (zh) 电池的健康状态监测方法、装置、设备及存储介质
CN113486734B (zh) 一种步态识别方法、系统、设备及存储介质
CN116129484A (zh) 模型训练和活体检测的方法、装置、电子设备及存储介质
CN116030508A (zh) 一种人脸识别方法、终端及存储介质
KR20050091558A (ko) 조명환경 분석과 전처리를 통한 얼굴 인식 시스템 및 방법

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200807

Address after: Room 405, 4th floor, Sichuan Chongqing building, headquarters Economic Zone, shenka Avenue, Kashgar Economic Development Zone, Kashgar Prefecture, Xinjiang Uygur Autonomous Region

Applicant after: Xinjiang yishengxin Network Technology Co., Ltd

Address before: Elite Building No. 1024 Nanshan Nanshan District Guangdong street, 518000 Avenue in Shenzhen city in Guangdong province 206

Applicant before: SHENZHEN HUITONG INTELLIGENT TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant