CN107066969A - 一种人脸识别方法 - Google Patents
一种人脸识别方法 Download PDFInfo
- Publication number
- CN107066969A CN107066969A CN201710237000.7A CN201710237000A CN107066969A CN 107066969 A CN107066969 A CN 107066969A CN 201710237000 A CN201710237000 A CN 201710237000A CN 107066969 A CN107066969 A CN 107066969A
- Authority
- CN
- China
- Prior art keywords
- face
- human face
- output
- point
- convolutional layer
- 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
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
- 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)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人脸识别方法，步骤包括：图像预处理、确定人脸区域、人脸对齐以及人脸识别。本发明的人脸识别方法采用人脸对齐技术能够有效增强人脸识别的精度，确保人脸识别的可靠性。
Description
技术领域
本发明涉及一种识别技术，尤其是一种人脸识别方法。
背景技术
随着现代信息技术的快速发展，进行身份认证的技术转到了生物特征层面。现代生物识别技术主要是通过计算机与高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。其中人脸识别是指人的面部五官以及轮廓的分布，这些分布特征因人而异，与生俱来。
人脸是一个包含着丰富信息的模式的集合，是人类互相辩证和识别的主要标志之一，也是图像和视频中视觉感兴趣的对象之一。与指纹、虹膜、语音等其他人体生物特征相比，人脸识别更加直接、友好，无需干扰人们的正常行为就能较好地达到识别效果。在身份识别、访问控制、视频会议、档案管理、电子相册、基于对象的图像和视频检索等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点。由于采用人脸识别技术的设备可以随意安放，设备的安放隐蔽性非常好，能远距离非接触快速锁定目标识别对象，因此人脸识别技术被国外广泛应用到公众安防系统中，应用规模庞大。20世纪90年代后期以来，一些商业性的人脸识别系统逐渐进入市场，广泛应用于身份鉴定、电子商务、视频监控、人机交互、企业安全与管理、信息安全、刑事侦破、出入口控制等领域。
发明内容
本发明的目的在于：提供一种识别精度高且识别速度快的人脸识别方法。
为了实现上述发明目的，本发明提供了一种人脸识别方法，包括如下步骤：
步骤1，图像预处理，对实时采集的人脸图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理；
步骤2，确定人脸区域，对预处理后的人脸图像进行粗检测获得图像中人脸候选区域，再对人脸候选区域进行精检测提取面部特征，并将提取的面部特征与存储的面部特征进行分别比较，通过阈值判断确定人脸区域；
步骤3，人脸对齐，在人脸区域上选择人脸特征点，对各个人脸特征点周围的纹理信息进行采样，对比采样的纹理信息和模型训练集中的纹理信息，找到模型训练集中纹理信息最接近的点作为匹配特征点，利用匹配特征点与对应的人脸特征点的位置关系对人脸区域进行旋转、缩放或平移，得到对齐后的人脸区域；
步骤4，人脸识别，将对齐后的人脸区域缩放为规定大小，然后将其送入到训练好的卷积神经网络中提取人脸特征，将提取出的人脸特征与人脸特征库进行比较，将人脸特征与人脸特征库的人脸特征定位为两个向量，求出两个向量夹角的余弦值，识别结果为余弦值最大的人脸图像。
采用人脸对齐技术能够有效增强人脸识别的精度，确保人脸识别的可靠性；采用对各个人脸特征点周围的纹理信息进行采样，利用纹理信息进行匹配，能够进一步确保匹配精度；采用将人脸特征与人脸特征库的人脸特征定位为两个向量，通过求出两个向量夹角的余弦值，将识别结果为余弦值最大的作为人脸图像，通过向量计算能够有效增强识别效率，提高识别速度。
作为本发明的进一步限定方案，步骤4中卷积神经网络的训练过程为：
将只包含人脸区域的训练图像缩放为256*256像素矩阵，再将缩放后的训练图像送入卷积神经网络，卷积神经网络包含7个卷积层和两个全连接层，输出为一个2048维的人脸向量特征，每一层的信息如下：
卷积层1阶段：输入训练图像的256*256像素矩阵，神经元数量为48，卷积核大小为9，步长为4，得到48个62*62的像素矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为48个30*30的像素矩阵；
卷积层2阶段DFD：将卷积层1阶段的输出作为卷积层2的输入，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，输出为128个30*30的像素矩阵；
卷积层3阶段：输入为卷积层2的输出，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，得到128个30*30的像素矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为128个14*14的像素矩阵；
卷积层4阶段：输入为卷积层3的输出，神经元数量为256，扩充边缘为1，卷积核大小为3，步长为1，输出为256个14*14的矩阵；
卷积层5阶段：输入为卷积层4的输出，神经元数量为192，扩充边缘为1，卷积核大小为3，步长为1，输出为192个14*14的像素矩阵；
卷积层6阶段：输入为卷积层5的输出，神经元数量为192，扩充边缘为1，卷积核大小为3，步长为1，得到192个14*14的像素矩阵；
卷积层7阶段：输入为卷积层6的输出，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，得到128个14*14的矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为128个6*6的像素矩阵；
全连接层8阶段：输入为卷积层7的输出，输出为4096维的向量；
全连接层9阶段：输入为全连接层8的输出，输出为2048维的向量，该2048维的向量作为人脸向量特征。
作为本发明的进一步限定方案，步骤2中，对预处理后的人脸图像进行粗检测获得图像中人脸候选区域的具体步骤为：设置一个滑动窗口在人脸图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，根据设定的候选阈值判断是否是人脸候选区域，若harr-like特征值大于阈值，则该区域便是人脸候选区域。
作为本发明的进一步限定方案，步骤2中，面部特征包括两只眼睛、鼻尖以及两侧嘴角这五个特征点，在进行阈值判断确定人脸区域时，判断五个特征点的相似度均大于0.7的人脸候选区域为最终的人脸区域。
作为本发明的进一步限定方案，步骤3中，在人脸区域上选择人脸特征点时，选择的人脸特征点包括边缘点、大曲率点、T型连接点以及这些点连线上的等分点，并按顺序排列人脸特征点为特征点集X{(x1,y1),(x2,y2),...,(xn,yn)}，转换为二维向量X＝(x1,...,xn,y1,...,yn)；再对二维向量X进行pca降维提取主成分，于是特征点集X中的人脸特征点即为主成分向量空间的一个坐标点，坐标原点为特征点集X的平均，这样任一人脸特征点就是坐标原点加上一个向量，即其中P为包含了前t个主成分的协方差矩阵，也就是t个协方差的特征向量；对各个人脸特征点周围的纹理信息进行采样，对比采样的纹理信息和模型训练集中的纹理信息，找到模型训练集中纹理信息最接近的点作为匹配特征点，从而得到特征点集Y，利用匹配特征点与对应的人脸特征点的位置关系对人脸区域进行旋转、缩放或平移，即 其中T为旋转缩放平移矩阵，再利用各点欧氏距离和最小求得旋转缩放平移矩阵T，再利用旋转缩放平移矩阵T对人脸区域进行旋转、平移和缩放，即可得到对齐后的人脸区域。
本发明的有益效果在于：采用人脸对齐技术能够有效增强人脸识别的精度，确保人脸识别的可靠性；采用对各个人脸特征点周围的纹理信息进行采样，利用纹理信息进行匹配，能够进一步确保匹配精度；采用将人脸特征与人脸特征库的人脸特征定位为两个向量，通过求出两个向量夹角的余弦值，将识别结果为余弦值最大的作为人脸图像，通过向量计算能够有效增强识别效率，提高识别速度。
附图说明
图1为本发明方法流程图。
具体实施方式
如图1所示，本发明公开了一种人脸识别方法，包括如下步骤：
步骤1，图像预处理，对实时采集的人脸图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理；图像灰度化：人脸检测只适用于灰度图像，所以要将彩色图转化为灰度图；图像缩放：人脸检测的速度取决于图像的大小，图像太大的话，检测的速度会太慢，而且即使图像的分辨率很低，检测结果也比较精准，所以要缩放图像，使其有一个合理的尺寸；直方图均衡化：再光线不足或者光线过亮的情况下，人脸检测结果会比较差，因此，要进行直方图均衡化，已改善对比度和亮度；
步骤2，确定人脸区域，对预处理后的人脸图像进行粗检测获得图像中人脸候选区域，再对人脸候选区域进行精检测提取面部特征，并将提取的面部特征与存储的面部特征进行分别比较，通过阈值判断确定人脸区域；
步骤3，人脸对齐，在人脸区域上选择人脸特征点，对各个人脸特征点周围的纹理信息进行采样，对比采样的纹理信息和模型训练集中的纹理信息，找到模型训练集中纹理信息最接近的点作为匹配特征点，利用匹配特征点与对应的人脸特征点的位置关系对人脸区域进行旋转、缩放或平移，得到对齐后的人脸区域；
步骤4，人脸识别，将对齐后的人脸区域缩放为规定大小，然后将其送入到训练好的卷积神经网络中提取人脸特征，将提取出的人脸特征与人脸特征库进行比较，将人脸特征与人脸特征库的人脸特征定位为两个向量，求出两个向量夹角的余弦值，识别结果为余弦值最大的人脸图像。
其中，步骤4中卷积神经网络的训练过程为：
将只包含人脸区域的训练图像缩放为256*256像素矩阵，再将缩放后的训练图像送入卷积神经网络，卷积神经网络包含7个卷积层和两个全连接层，输出为一个2048维的人脸向量特征，每一层的信息如下：
卷积层1阶段：输入训练图像的256*256像素矩阵，神经元数量为48，卷积核大小为9，步长为4，得到48个62*62的像素矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为48个30*30的像素矩阵；
卷积层2阶段DFD：将卷积层1阶段的输出作为卷积层2的输入，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，输出为128个30*30的像素矩阵；
卷积层3阶段：输入为卷积层2的输出，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，得到128个30*30的像素矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为128个14*14的像素矩阵；
卷积层4阶段：输入为卷积层3的输出，神经元数量为256，扩充边缘为1，卷积核大小为3，步长为1，输出为256个14*14的矩阵；
卷积层5阶段：输入为卷积层4的输出，神经元数量为192，扩充边缘为1，卷积核大小为3，步长为1，输出为192个14*14的像素矩阵；
卷积层6阶段：输入为卷积层5的输出，神经元数量为192，扩充边缘为1，卷积核大小为3，步长为1，得到192个14*14的像素矩阵；
卷积层7阶段：输入为卷积层6的输出，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，得到128个14*14的矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为128个6*6的像素矩阵；
全连接层8阶段：输入为卷积层7的输出，输出为4096维的向量；
全连接层9阶段：输入为全连接层8的输出，输出为2048维的向量，该2048维的向量作为人脸向量特征。
步骤2中，对预处理后的人脸图像进行粗检测获得图像中人脸候选区域的具体步骤为：设置一个滑动窗口在人脸图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，根据设定的候选阈值判断是否是人脸候选区域，若harr-like特征值大于阈值，则该区域便是人脸候选区域；所谓harr-like特征就是将黑白分半的图框放到滑动窗口中，将白色区域的像素减去黑色区域的像素和，然后设定一个阈值，大于阈值的区域就是这一步得到的人脸候选区域。
步骤2中，面部特征包括两只眼睛、鼻尖以及两侧嘴角这五个特征点，在进行阈值判断确定人脸区域时，判断五个特征点的相似度均大于0.7的人脸候选区域为最终的人脸区域；计算两个图像的相似度可采用现有技术方法计算，例如通过本申请提到的两个特征向量的余弦值计算或采用欧氏距离计算。
步骤3中，在人脸区域上选择人脸特征点时，选择的人脸特征点包括边缘点、大曲率点、T型连接点以及这些点连线上的等分点，并按顺序排列人脸特征点为特征点集X{(x1,y1),(x2,y2),...,(xn,yn)}，转换为二维向量X＝(x1,...,xn,y1,...,yn)；由于二维向量X为2n维向量，维数很高(因为图像中选择的特征点往往很多)，但这2n维彼此有很强的相关性，彼此的位置距离是大致不变的，因此可以对二维向量X进行pca降维提取主成分，于是特征点集X中的人脸特征点即为主成分向量空间的一个坐标点，坐标原点为特征点集X的平均，这样任一人脸特征点就是坐标原点加上一个向量，即其中P为包含了前t个主成分的协方差矩阵，也就是t个协方差的特征向量；对各个人脸特征点周围的纹理信息进行采样，对比采样的纹理信息和模型训练集中的纹理信息，找到模型训练集中纹理信息最接近的点作为匹配特征点，从而得到特征点集Y，利用匹配特征点与对应的人脸特征点的位置关系对人脸区域进行旋转、缩放或平移，即其中T为旋转缩放平移矩阵， 再利用各点欧氏距离和最小求得旋转缩放平移矩阵T，具体过程就是，先初始化b向量为0，得到模型X，用kalman滤波等方法找到变换矩阵T，求得Y，再利用Y反求b，并且更新b，直到收敛，再利用旋转缩放平移矩阵T对人脸区域进行旋转、平移和缩放，即可得到对齐后的人脸区域。
Claims (5)
1.一种人脸识别方法，其特征在于，包括如下步骤：
步骤1，图像预处理，对实时采集的人脸图像依次进行图像灰度化处理、图像缩放处理以及直方图光线均衡化处理；
步骤2，确定人脸区域，对预处理后的人脸图像进行粗检测获得图像中人脸候选区域，再对人脸候选区域进行精检测提取面部特征，并将提取的面部特征与存储的面部特征进行分别比较，通过阈值判断确定人脸区域；
步骤3，人脸对齐，在人脸区域上选择人脸特征点，对各个人脸特征点周围的纹理信息进行采样，对比采样的纹理信息和模型训练集中的纹理信息，找到模型训练集中纹理信息最接近的点作为匹配特征点，利用匹配特征点与对应的人脸特征点的位置关系对人脸区域进行旋转、缩放或平移，得到对齐后的人脸区域；
步骤4，人脸识别，将对齐后的人脸区域缩放为规定大小，然后将其送入到训练好的卷积神经网络中提取人脸特征，将提取出的人脸特征与人脸特征库进行比较，将人脸特征与人脸特征库的人脸特征定位为两个向量，求出两个向量夹角的余弦值，识别结果为余弦值最大的人脸图像。
2.根据权利要求1所述的一种人脸识别方法，其特征在于，步骤4中卷积神经网络的训练过程为：
将只包含人脸区域的训练图像缩放为256*256像素矩阵，再将缩放后的训练图像送入卷积神经网络，卷积神经网络包含7个卷积层和两个全连接层，输出为一个2048维的人脸向量特征，每一层的信息如下：
卷积层1阶段：输入训练图像的256*256像素矩阵，神经元数量为48，卷积核大小为9，步长为4，得到48个62*62的像素矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为48个30*30的像素矩阵；
卷积层2阶段DFD：将卷积层1阶段的输出作为卷积层2的输入，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，输出为128个30*30的像素矩阵；
卷积层3阶段：输入为卷积层2的输出，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，得到128个30*30的像素矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为128个14*14的像素矩阵；
卷积层4阶段：输入为卷积层3的输出，神经元数量为256，扩充边缘为1，卷积核大小为3，步长为1，输出为256个14*14的矩阵；
卷积层5阶段：输入为卷积层4的输出，神经元数量为192，扩充边缘为1，卷积核大小为3，步长为1，输出为192个14*14的像素矩阵；
卷积层6阶段：输入为卷积层5的输出，神经元数量为192，扩充边缘为1，卷积核大小为3，步长为1，得到192个14*14的像素矩阵；
卷积层7阶段：输入为卷积层6的输出，神经元数量为128，扩充边缘为1，卷积核大小为3，步长为1，得到128个14*14的矩阵，再经过一个卷积核大小为3、步长为2的池化层，输出为128个6*6的像素矩阵；
全连接层8阶段：输入为卷积层7的输出，输出为4096维的向量；
全连接层9阶段：输入为全连接层8的输出，输出为2048维的向量，该2048维的向量作为人脸向量特征。
3.根据权利要求1所述的一种人脸识别方法，其特征在于，步骤2中，对预处理后的人脸图像进行粗检测获得图像中人脸候选区域的具体步骤为：设置一个滑动窗口在人脸图像中不断的滑动，滑动窗口每到一个位置便计算该位置处的harr-like特征，根据设定的候选阈值判断是否是人脸候选区域，若harr-like特征值大于阈值，则该区域便是人脸候选区域。
4.根据权利要求1所述的一种人脸识别方法，其特征在于，步骤2中，面部特征包括两只眼睛、鼻尖以及两侧嘴角这五个特征点，在进行阈值判断确定人脸区域时，判断五个特征点的相似度均大于0.7的人脸候选区域为最终的人脸区域。
5.根据权利要求1所述的一种人脸识别方法，其特征在于，步骤3中，在人脸区域上选择人脸特征点时，选择的人脸特征点包括边缘点、大曲率点、T型连接点以及这些点连线上的等分点，并按顺序排列人脸特征点为特征点集X{(x1,y1),(x2,y2),...,(xn,yn)}，转换为二维向量X＝(x1,...,xn,y1,...,yn)；再对二维向量X进行pca降维提取主成分，于是特征点集X中的人脸特征点即为主成分向量空间的一个坐标点，坐标原点为特征点集X的平均，这样任一人脸特征点就是坐标原点加上一个向量，即其中P为包含了前t个主成分的协方差矩阵，也就是t个协方差的特征向量；对各个人脸特征点周围的纹理信息进行采样，对比采样的纹理信息和模型训练集中的纹理信息，找到模型训练集中纹理信息最接近的点作为匹配特征点，从而得到特征点集Y，利用匹配特征点与对应的人脸特征点的位置关系对人脸区域进行旋转、缩放或平移，即其中T为旋转缩放平移矩阵，再利用各点欧氏距离和最小求得旋转缩放平移矩阵T，再利用旋转缩放平移矩阵T对人脸区域进行旋转、平移和缩放，即可得到对齐后的人脸区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710237000.7A CN107066969A (zh) | 2017-04-12 | 2017-04-12 | 一种人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710237000.7A CN107066969A (zh) | 2017-04-12 | 2017-04-12 | 一种人脸识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107066969A true CN107066969A (zh) | 2017-08-18 |
Family
ID=59601956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710237000.7A Pending CN107066969A (zh) | 2017-04-12 | 2017-04-12 | 一种人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107066969A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563328A (zh) * | 2017-09-01 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于复杂环境下的人脸识别方法及系统 |
| CN107808129A (zh) * | 2017-10-17 | 2018-03-16 | 南京理工大学 | 一种基于单个卷积神经网络的面部多特征点定位方法 |
| CN108491772A (zh) * | 2018-03-09 | 2018-09-04 | 天津港(集团)有限公司 | 一种人脸识别算法及人脸识别装置 |
| CN108596024A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
| CN110069964A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种机器人识别用户身份的方法 |
| CN110188630A (zh) * | 2019-05-13 | 2019-08-30 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和相机 |
| CN110348353A (zh) * | 2019-06-28 | 2019-10-18 | 广东奥园奥买家电子商务有限公司 | 一种图像处理方法及装置 |
| CN110619295A (zh) * | 2019-09-09 | 2019-12-27 | 深圳市三宝创新智能有限公司 | 一种人脸识别方法及系统 |
| CN113537139A (zh) * | 2021-08-03 | 2021-10-22 | 山西长河科技股份有限公司 | 一种人脸检测定位方法及装置 |
| US11200451B2 (en) | 2018-11-14 | 2021-12-14 | Canon Kabushiki Kaisha | Object recognition method and apparatus |
| WO2023173785A1 (zh) * | 2022-03-18 | 2023-09-21 | 珠海优特电力科技股份有限公司 | 准入权限的验证方法、装置、系统和身份认证终端 |
| GB2620664A (en) * | 2022-03-18 | 2024-01-17 | Zhuhai Unitech Power Tech Co | Access permission verification method, device, and system and identity authentication terminal |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070019863A1 (en) * | 2005-04-19 | 2007-01-25 | Fuji Photo Film Co., Ltd. | Method, apparatus, and program for detecting faces |
| CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
| CN105354565A (zh) * | 2015-12-23 | 2016-02-24 | 北京市商汤科技开发有限公司 | 基于全卷积网络人脸五官定位与判别的方法及系统 |
| CN105469076A (zh) * | 2015-12-29 | 2016-04-06 | 东莞市微模式软件有限公司 | 基于多示例学习的人脸比对验证方法 |
| CN105631403A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 人脸识别方法及装置 |
| CN105701468A (zh) * | 2016-01-12 | 2016-06-22 | 华南理工大学 | 一种基于深度学习的人脸吸引力评价方法 |
| CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
-
2017
- 2017-04-12 CN CN201710237000.7A patent/CN107066969A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070019863A1 (en) * | 2005-04-19 | 2007-01-25 | Fuji Photo Film Co., Ltd. | Method, apparatus, and program for detecting faces |
| CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
| CN105631403A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 人脸识别方法及装置 |
| CN105354565A (zh) * | 2015-12-23 | 2016-02-24 | 北京市商汤科技开发有限公司 | 基于全卷积网络人脸五官定位与判别的方法及系统 |
| CN105469076A (zh) * | 2015-12-29 | 2016-04-06 | 东莞市微模式软件有限公司 | 基于多示例学习的人脸比对验证方法 |
| CN105701468A (zh) * | 2016-01-12 | 2016-06-22 | 华南理工大学 | 一种基于深度学习的人脸吸引力评价方法 |
| CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| SHARMA S: "FAREC-CNN based efficient face recognition technique using Dlib", 《2016 INTERNATIONAL CONFERENCE ON ADVANCED COMMUNICATION CONTROL AND COMPUTING TECHNOLOGIES》 * |
| TIM COOTES: "An Introduction to Active Shape Models", 《IMAGE PROCESSING AND ANALYSIS》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563328A (zh) * | 2017-09-01 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于复杂环境下的人脸识别方法及系统 |
| CN107808129B (zh) * | 2017-10-17 | 2021-04-16 | 南京理工大学 | 一种基于单个卷积神经网络的面部多特征点定位方法 |
| CN107808129A (zh) * | 2017-10-17 | 2018-03-16 | 南京理工大学 | 一种基于单个卷积神经网络的面部多特征点定位方法 |
| CN110069964A (zh) * | 2018-01-24 | 2019-07-30 | 南京机器人研究院有限公司 | 一种机器人识别用户身份的方法 |
| CN108491772A (zh) * | 2018-03-09 | 2018-09-04 | 天津港(集团)有限公司 | 一种人脸识别算法及人脸识别装置 |
| CN108596024B (zh) * | 2018-03-13 | 2021-05-04 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
| CN108596024A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 一种基于人脸结构信息的肖像生成方法 |
| US11200451B2 (en) | 2018-11-14 | 2021-12-14 | Canon Kabushiki Kaisha | Object recognition method and apparatus |
| CN110188630A (zh) * | 2019-05-13 | 2019-08-30 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和相机 |
| CN110348353A (zh) * | 2019-06-28 | 2019-10-18 | 广东奥园奥买家电子商务有限公司 | 一种图像处理方法及装置 |
| CN110619295A (zh) * | 2019-09-09 | 2019-12-27 | 深圳市三宝创新智能有限公司 | 一种人脸识别方法及系统 |
| CN113537139A (zh) * | 2021-08-03 | 2021-10-22 | 山西长河科技股份有限公司 | 一种人脸检测定位方法及装置 |
| WO2023173785A1 (zh) * | 2022-03-18 | 2023-09-21 | 珠海优特电力科技股份有限公司 | 准入权限的验证方法、装置、系统和身份认证终端 |
| GB2620664A (en) * | 2022-03-18 | 2024-01-17 | Zhuhai Unitech Power Tech Co | Access permission verification method, device, and system and identity authentication terminal |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066969A (zh) | 一种人脸识别方法 | |
| CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
| Gu et al. | Feature points extraction from faces | |
| Yu et al. | A novel algorithm for view and illumination invariant image matching | |
| CN105869178B (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
| CN103514441B (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
| CN110490158B (zh) | 一种基于多级模型的鲁棒人脸对齐方法 | |
| WO2019007004A1 (zh) | 用于行人重识别的图像特征提取方法 | |
| CN101246544B (zh) | 一种基于边界点搜索和最小核值相似区边缘检测的虹膜定位方法 | |
| Wu et al. | Face alignment via boosted ranking model | |
| Wang et al. | An improved active shape model for face alignment | |
| CN105160331A (zh) | 一种基于隐马尔可夫模型的人脸几何特征识别方法 | |
| CN108537143B (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
| CN110991398A (zh) | 一种基于改进步态能量图的步态识别方法及系统 | |
| CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
| CN108446642A (zh) | 一种快速人脸识别系统 | |
| Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
| CN108520208A (zh) | 局部化面部识别方法 | |
| CN108491798A (zh) | 基于个性化特征的人脸识别方法 | |
| Smiatacz | Normalization of face illumination using basic knowledge and information extracted from a single image | |
| CN107220612B (zh) | 以关键点局部邻域的高频分析为核心的模糊人脸判别方法 | |
| Muddamsetty et al. | Spatio-temporal saliency detection in dynamic scenes using local binary patterns | |
| Yi et al. | Face detection method based on skin color segmentation and facial component localization | |
| Yang | Face feature tracking algorithm of aerobics athletes based on Kalman filter and mean shift | |
| CN111311657B (zh) | 一种基于改进角点主方向分配的红外图像同源配准方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |