CN107423678A - 一种提取特征的卷积神经网络的训练方法及人脸识别方法 - Google Patents
一种提取特征的卷积神经网络的训练方法及人脸识别方法 Download PDFInfo
- Publication number
- CN107423678A CN107423678A CN201710389240.9A CN201710389240A CN107423678A CN 107423678 A CN107423678 A CN 107423678A CN 201710389240 A CN201710389240 A CN 201710389240A CN 107423678 A CN107423678 A CN 107423678A
- Authority
- CN
- China
- Prior art keywords
- facial image
- face
- feature
- image
- matched
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- 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
Abstract
本发明公开了一种提取特征的卷积神经网络的训练方法及人脸识别方法,识别方法包括A、估计待匹配人脸图像的姿态,并利用特征提取网络提取待匹配人脸图像的特征;B、从图像库中取出人脸图像,进行三维人脸建模得到三维人脸图像;C、每张三维人脸图像以待匹配人脸图像的姿态为中心,以P个角度调整人脸朝向并投影到二维空间,生成与待匹配人脸图像姿态相近的P张人脸图像,其中P为大于1的自然数;D、对步骤D得到的人脸图像利用特征提取网络进行特征提取;E、计算步骤E提取的特征与步骤A得到的特征的匹配度以实现人脸识别。该方法可提高在多姿态场景下人脸识别的精度。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种提取特征的卷积神经网络的训练方法及人脸识别方法。
背景技术
人脸识别是一种基于人的脸部特征进行身份识别的生物识别技术。人脸识别技术的难点主要在于人脸的相似性和易变性。不同个体之间的区别不大,很多的人脸结构和外形很相似;而且,同一个人的人脸形状不固定,不同表情和观察角度会使脸型发生很大变化。在无约束的监控视频场景下,人脸可能会在任意角度下被拍摄,容易得到大姿态即侧脸15%以上的人脸图像,而在建人脸库时入库的往往是正面人脸图像,例如证件照,与大姿态的侧脸具有很大的视觉区别,造成人脸识别的困难。近几年,人脸识别开始采用深度学习的方法,引入卷积神经网络Convolutional Neural Network进行特征提取,在识别精度上得到了很大的提升。但是,在面对大姿态的人脸图像特别是侧脸时,人脸识别精度仍然会大幅度下降。目前,多姿态人脸的准确识别仍然是一个有待解决的难题。
发明内容
本发明为了解决上述技术问题提供一种提取特征的卷积神经网络的训练方法及人脸识别方法,提高在多姿态场景下人脸识别的精度。
本发明通过下述技术方案实现:
一种提取特征的卷积神经网络的训练方法,包括以下步骤:
a、收集用于训练的样本集,每张人脸图片都标有所属的人的对应ID;
b、从样本集中选取多张图像,进行三维人脸建模;
c、旋转每张三维人脸分别得到m个不同姿态,投影到二维空间,对应生成m张不同姿态的人脸图像;
d、将生成的人脸图像加到原样本集中,生成的人脸图像的ID为对应原图片的ID;
e、利用步骤d得到的样本集对卷积神经网络进行分类训练;
f、训练结束后去掉分类层,得到特征提取网络。
本方法在训练过程中加入了三维生成的数据做数据增强,提升后面匹配算法的精度。人脸特征提取的好坏极大地影响人脸识别的精度,好的特征提取方法能提取对光照、表情、年龄、姿态和遮挡等鲁棒的特征。本方法对人脸三维建模,从一定程度上给识别过程提供了人脸三维信息,从而对多姿态拥有一定的鲁棒性。三维建模方法与卷积神经网络相结合,卷积神经网络不仅能提供对图像强大的特征提取能力,对图像强大的特征提取能力,而且卷积神经网络能同时从真实人脸图片和三维建模生成的图片中自主学习,减少三维建模的误差带来的影响。
作为优选,步骤b中,随机选取(N*a)/m张图像进行三维人脸建模,其中,N为样本集中图片的张数,m为每张图片需要生成的姿态个数,a为需要生成的三维人脸的比率。
a代表了需要生成的三维数据占总数据的比重,其值不宜过大,因为人脸三维建模的时候会有精度丢失,导致生成的人脸图像与原图像具有一定差异,其比重过大,会产生过多的噪声,影响网络的正常学习,导致精度下降;比重适当的话,卷积神经网络会自动学习去适应噪声,提高识别精度。经实验发现,将a限制在0.1至0.3的范围,即占原始图像样本集的比例为0.1至0.3,其精度较高。
一种人脸识别方法,包括以下步骤:
A、估计待匹配人脸图像的姿态,并利用权利要求1至2得到的特征提取网络提取待匹配人脸图像的特征;
B、从图像库中取出人脸图像,进行三维人脸建模得到三维人脸图像;
C、每张三维人脸图像以待匹配人脸图像的姿态为中心,以P个角度调整人脸朝向并投影到二维空间,生成与待匹配人脸图像姿态相近的P张人脸图像,其中P为大于1的自然数;
D、对步骤C得到的人脸图像利用权利要求1至2得到的特征提取网络进行特征提取;
E、计算步骤D提取的特征与步骤A得到的特征的匹配度以实现人脸识别。
本方法基于上述训练方法得到的特征提取网络对图像特征进行提取,可有效的提高本方法的识别精度。在大姿态人脸图像识别中,姿态不同是识别的难点,本方法采用三维人脸建模方法把图像库里的人脸图像生成与待匹配的图像相似姿态的图片,减少视觉特征的差异,提升匹配的准确率。而采用上述方法得到的特征提取网络对待匹配图片和图像库中的图片进行特征提取,可解决三维建模的时候存在的误差,避免对生成的二维图像的影响。
作为优选,所述步骤B还包括对图像库中人脸图像的筛选步骤:在特征库中搜索与待匹配人脸图像的特征相近的n个特征,并得到相对应的n个ID,n为大于1的自然数,进行三维建模的人脸图像为图像库中该n个ID对应的人脸图像。
作为优选,所述步骤E具体为:
分别计算步骤D中P个提取的特征与待匹配人脸图像的特征的距离的加权和,得到该图像与待匹配人脸图像的特征加权距离;
取出与待匹配人脸图像的特征加权距离最近的k个ID作为最后匹配结果,k为大于1的自然数。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明的特征提取网络将三维建模方法与卷积神经网络相结合,并加入了三维生成的数据做数据增强,提升后面匹配算法的精度。
2、本发明基于卷积神经网络的人脸识别系统对图像进行检测过滤,得到少量与待匹配人脸图像特征相近的候选ID,再采用了3DMM模型对候选ID人脸图像进行3D数据增强,得到于待匹配人脸图像与姿态相近的人脸图像进行匹配,从而能在大规模人脸库的场景下提高多姿态人脸的识别准确度。
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,下面结合实施例,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
一种提取特征的卷积神经网络的训练方法,包括以下步骤:
a、收集用于训练的样本集,每张人脸图片都标有所属的人的对应ID;
b、从样本集中选取多张图像,进行三维人脸建模;
c、旋转每张三维人脸分别得到m个不同姿态,投影到二维空间,对应生成m张不同姿态的人脸图像;
d、将生成的人脸图像添加到原样本集中,生成的人脸图像的ID为对应原图片的ID;
e、利用步骤d得到的样本集对卷积神经网络进行分类训练;
f、训练结束后去掉分类层,得到特征提取网络。
步骤b中,选取(N*a)/m张图像进行三维人脸建模,其中,N为样本集中图片的张数,m为每张图片需要生成的姿态个数,a为需要生成的三维人脸的比率。实验发现,a的范围在0.1至0.3时其识别精度高。
采用上述方法步骤训练的得到的人脸识别系统中的特征提取网络。在卷积神经网络训练的过程中添加了生成的数据。这里主要是解决在第二阶段匹配中,三维建模的时候会有误差,从而影响生成的二维图像。在训练集中添加生成数据,会让卷积神经网络自动学习生成图像与真实图像之间误差,减少误差带来的影响。
基于上述方法步骤,步骤b具体可采用下述方法:先估计样本集中人脸图像的姿态,并选择正面人脸图像中的多张图像进行三维人脸建模。此处的正面人脸图像优选的为偏角不大于10度姿态。采用正面人脸图像进行建模并生成增强图像数据,因为正面人脸图像的建模效果比较好,引入噪声小,并且在匹配过程中做三维建模的人脸图像也是正面人脸图像,建模的场景相似,可有效的提高对图像特征的提取能力。多张正面人脸图像可采用随机方式进行选取。
实施例2
在数据库中对每个需要被匹配的人收录一张人脸图像,并赋予一个唯一ID,构成图像库;
使用上述实施例构建的人脸识别系统,对图像库中的人脸图像进行特征提取,放到另一个数据库中,用对应的ID作为标识,形成特征库。
一种人脸识别方法基于实施例1的方法训练得到的人脸识别系统,其包括以下步骤:
A、估计待匹配人脸图像的姿态,并利用实施例1得到方法得到的特征提取网络提取待匹配人脸图像的特征;
B、从图像库中取出人脸图像,进行三维人脸建模得到三维人脸图像;
C、每张三维人脸图像以待匹配人脸图像的姿态为中心,以P个角度调整人脸朝向并投影到二维空间,生成与待匹配人脸图像姿态相近的P张人脸图像,其中P为大于1的自然数;
D、对步骤C得到的人脸图像利用实施例1得到的特征提取网络进行特征提取;
E、计算步骤D提取的特征与步骤A得到的特征的匹配度以实现人脸识别。
实施例3
实施例2的方法应用在小规模人脸识别中不会存在较大问题,但是,在大规模人脸识别的场景中,图像库中的图像基数大,势必造成识别精度慢的问题。为了解决上述技术问题,本实施例在实施例2的基础上做了优化,其具体步骤如下:
A、根据待匹配人脸图像估计待匹配人脸图像的姿态,其中,姿态包括pitch、yaw、roll三个角度,分别是围绕x、y、z轴顺时针所旋转的角度;并利用实施例1得到的特征提取网络提取待匹配人脸图像的特征;
B、在特征库中搜索与待匹配人脸图像的特征欧式距离相近的n个特征,并得到相对应的n个ID,n为大于1的自然数;从图像库中取出每个ID对应的人脸图像,用3DMM模型建模得到n张三维人脸;该步骤对特征库进行过滤得到候选ID,可控制中3DMM模型所需要的生成的人脸图像,减小后续步骤的计算代价,使得本方法可应用于特征库和图像库较大的场景下;
C、以步骤A中得到的待匹配人脸图像的姿态为中心,以P个角度调整人脸朝向并投影到二维空间,生成与待匹配人脸图像姿态相近的P张人脸图像,得到n*P张人脸图像,其中P为大于1的自然数;该步骤生成与待匹配图像姿态相近的不同角度人脸图像,以减小待匹配图像与图像库中的图像的视觉差异,P大于1,优选为多张,可减小姿态估计和图像生成的误差,提高识别精度;譬如,当P等于5的时候,可以依据(+5,0,0)、(-5,0,0)、(0,0,0)、(0,0,+5)、(0,0,-5)这5个调整角度进行调整,生成对应的5张人脸图像;
D、对每个ID对应的P张人脸图像利用实施例1得到的特征提取网络进行特征提取;
E、求出这P个特征与待匹配人脸图像的特征的距离di,加权和得到该ID与待匹配图像的特征距离D,wi为di对应的权重,且满足在加权求和的步骤中,生成的人脸图像的姿态与待匹配人脸图像的姿态越接近,在所对应的wi就越大。权值的分配可由在具体场景数据上进行实验获得。当调整角度为C中的例子时,可将权值分为设为(1-x)/4、(1-x)/4、x、(1-x)/4、(1-x)/4五个值,然后通过对具体场景数据进行验证,取得最好的x。
本方法实施例2的基础上在识别时采用两阶段匹配方式,不仅可提升匹配速度,而且还可提升匹配的精度。第一阶段对图像库中的图像进行初步筛选过滤,快速过滤掉与待匹配图像视觉差异比较大的人脸图像。由于该步骤中过滤掉了大多数图像,可进一步的减小后续建模、二维人脸图像生成步骤的时间和计算量。第二阶段针对过滤后的人脸图像,采用三维人脸重建的技术即3DMM把库里的人脸图像生成与待匹配的图像相似姿态的图片,减少视觉特征的差异,提升匹配的准确率。在大规模人脸识别系统中,采用该实施例的分阶段匹配方法,匹配速度大大提高,精度也相应得到提高。
本实施例中的n与P可以根据不同的场景对精度的要求,通过具体的测试来选定合适的值。显然,n与P越大,则精度提升越高,但是,人脸匹配速度相对来说也越慢。当人脸图像库较小的情况下,比如只有几千人,除了调整n与P地大小,事先对整个人脸图像库进行3D数据增强,提升运行时系统的速度。由于事先不知道待匹配人脸图像的姿态,所以需要选定几个固定的标准姿态进行3D数据增强。这种方法每多生成一张人脸图像,存储的消费就会增多1倍。当人脸图像库很大的时候,比如几百万人,人脸库本身就需要巨大的存储消耗,这样翻倍增长的消耗在实际中时不可行的。而本方法通过选用合适的n和m,可以很好地应用大规模人脸库场景下的多姿态人脸识别。
以上所述的具体实施方式,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方式而已,并不用于限定本发明的保护范围,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 (7)
1.一种提取特征的卷积神经网络的训练方法,其特征在于,包括以下步骤:
a、收集用于训练的样本集,每张人脸图片都标有所属的人的对应ID;
b、从样本集中选取多张图像,进行三维人脸建模;
c、旋转每张三维人脸分别得到m个不同姿态,投影到二维空间,对应生成m张不同姿态的人脸图像;
d、将生成的人脸图像添加到原样本集中,生成的人脸图像的ID为对应原图片的ID;
e、利用步骤d得到的样本集对卷积神经网络进行分类训练;
f、训练结束后去掉分类层,得到特征提取网络。
2.根据权利要求1所述的一种提取特征的卷积神经网络的训练方法,其特征在于:步骤b中,选取(N*a)/m张图像进行三维人脸建模,其中,N为样本集中图片的张数,m为每张图片需要生成的姿态个数,a为需要生成的三维人脸的比率。
3.根据权利要求2所述的一种提取特征的卷积神经网络的训练方法,其特征在于:所述a的取值范围为0.1至0.3。
4.根据权利要求1所述的一种提取特征的卷积神经网络的训练方法,其特征在于:所述步骤b具体为,
估计样本集中人脸图像的姿态;
选择多张正面人脸图像进行三维人脸建模。
5.一种人脸识别方法,其特征在于,包括以下步骤:
A、估计待匹配人脸图像的姿态,并利用权利要求1至2得到的特征提取网络提取待匹配人脸图像的特征;
B、从图像库中取出人脸图像,进行三维人脸建模得到三维人脸图像;
C、每张三维人脸图像以待匹配人脸图像的姿态为中心,以P个角度调整人脸朝向并投影到二维空间,生成与待匹配人脸图像姿态相近的P张人脸图像,其中P为大于1的自然数;
D、对步骤C得到的人脸图像利用权利要求1至4得到的特征提取网络进行特征提取;
E、计算步骤D提取的特征与步骤A得到的特征的匹配度以实现人脸识别。
6.根据权利要求5所述的一种人脸识别方法,其特征在于,所述人脸识别系统的训练方法包括,所述步骤B还包括对图像库中人脸图像的筛选步骤:在特征库中搜索与待匹配人脸图像的特征相近的n个特征,并得到相对应的n个ID,n为大于1的自然数,进行三维建模的人脸图像为图像库中该n个ID对应的人脸图像。
7.根据权利要求5所述的一种人脸识别方法,其特征在于,所述步骤E具体为:
分别计算步骤D中P个提取的特征与待匹配人脸图像的特征的距离的加权和,得到该图像与待匹配人脸图像的特征加权距离;
取出与待匹配人脸图像的特征加权距离最近的k个ID作为最后匹配结果,k为大于1的自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710389240.9A CN107423678A (zh) | 2017-05-27 | 2017-05-27 | 一种提取特征的卷积神经网络的训练方法及人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710389240.9A CN107423678A (zh) | 2017-05-27 | 2017-05-27 | 一种提取特征的卷积神经网络的训练方法及人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423678A true CN107423678A (zh) | 2017-12-01 |
Family
ID=60429175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710389240.9A Pending CN107423678A (zh) | 2017-05-27 | 2017-05-27 | 一种提取特征的卷积神经网络的训练方法及人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423678A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171243A (zh) * | 2017-12-18 | 2018-06-15 | 广州七乐康药业连锁有限公司 | 一种基于深度神经网络的医疗图像信息识别方法及系统 |
CN108268765A (zh) * | 2018-01-31 | 2018-07-10 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN108345779A (zh) * | 2018-01-31 | 2018-07-31 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN108460398A (zh) * | 2017-12-27 | 2018-08-28 | 达闼科技(北京)有限公司 | 图像处理方法、装置、云处理设备和计算机程序产品 |
CN108537191A (zh) * | 2018-04-17 | 2018-09-14 | 广州云从信息科技有限公司 | 一种基于结构光摄像头的三维人脸识别方法 |
CN109934196A (zh) * | 2019-03-21 | 2019-06-25 | 厦门美图之家科技有限公司 | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 |
CN110020600A (zh) * | 2019-03-05 | 2019-07-16 | 厦门美图之家科技有限公司 | 生成用于训练人脸对齐模型的数据集的方法 |
CN110020620A (zh) * | 2019-03-29 | 2019-07-16 | 中国科学院深圳先进技术研究院 | 一种大姿态下的人脸识别方法、装置及设备 |
CN110136243A (zh) * | 2019-04-09 | 2019-08-16 | 五邑大学 | 一种三维人脸重建方法及其系统、装置、存储介质 |
CN110309733A (zh) * | 2019-06-14 | 2019-10-08 | 北京一维大成科技有限公司 | 一种防漏检方法、装置、计算机可读介质以及设备 |
CN110348362A (zh) * | 2019-07-05 | 2019-10-18 | 北京达佳互联信息技术有限公司 | 标签生成、视频处理方法、装置、电子设备及存储介质 |
CN110414423A (zh) * | 2019-07-25 | 2019-11-05 | 上海鹰瞳医疗科技有限公司 | 身份识别方法及设备 |
CN110516623A (zh) * | 2019-08-29 | 2019-11-29 | 中新智擎科技有限公司 | 一种人脸识别方法、装置及电子设备 |
WO2020034542A1 (zh) * | 2018-08-17 | 2020-02-20 | 平安科技(深圳)有限公司 | 神经网络模型训练、人脸识别方法、装置、设备及介质 |
WO2020037678A1 (zh) * | 2018-08-24 | 2020-02-27 | 太平洋未来科技(深圳)有限公司 | 基于遮挡图像生成三维人脸图像方法、装置及电子设备 |
CN111259698A (zh) * | 2018-11-30 | 2020-06-09 | 百度在线网络技术(北京)有限公司 | 用于获取图像的方法及装置 |
CN113688764A (zh) * | 2021-08-31 | 2021-11-23 | 瓴盛科技有限公司 | 人脸选优模型的训练方法、装置和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207995A (zh) * | 2013-05-13 | 2013-07-17 | 苏州福丰科技有限公司 | 基于pca的3d人脸识别方法 |
CN104484803A (zh) * | 2014-11-24 | 2015-04-01 | 苏州福丰科技有限公司 | 基于神经网络的三维人脸识别的手机支付方法 |
US20160275341A1 (en) * | 2015-03-18 | 2016-09-22 | Adobe Systems Incorporated | Facial Expression Capture for Character Animation |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
-
2017
- 2017-05-27 CN CN201710389240.9A patent/CN107423678A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207995A (zh) * | 2013-05-13 | 2013-07-17 | 苏州福丰科技有限公司 | 基于pca的3d人脸识别方法 |
CN104484803A (zh) * | 2014-11-24 | 2015-04-01 | 苏州福丰科技有限公司 | 基于神经网络的三维人脸识别的手机支付方法 |
US20160275341A1 (en) * | 2015-03-18 | 2016-09-22 | Adobe Systems Incorporated | Facial Expression Capture for Character Animation |
CN106650694A (zh) * | 2016-12-30 | 2017-05-10 | 江苏四点灵机器人有限公司 | 一种以卷积神经网络作为特征提取器的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
归喆: "基于深度学习的人脸特征提取与匹配", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨军 等: "基于三维模型的多姿态人脸识别", 《光电工程》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171243A (zh) * | 2017-12-18 | 2018-06-15 | 广州七乐康药业连锁有限公司 | 一种基于深度神经网络的医疗图像信息识别方法及系统 |
CN108460398A (zh) * | 2017-12-27 | 2018-08-28 | 达闼科技(北京)有限公司 | 图像处理方法、装置、云处理设备和计算机程序产品 |
CN108460398B (zh) * | 2017-12-27 | 2021-08-10 | 达闼科技(北京)有限公司 | 图像处理方法、装置、云处理设备 |
CN108268765A (zh) * | 2018-01-31 | 2018-07-10 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN108345779A (zh) * | 2018-01-31 | 2018-07-31 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
CN108537191A (zh) * | 2018-04-17 | 2018-09-14 | 广州云从信息科技有限公司 | 一种基于结构光摄像头的三维人脸识别方法 |
CN108537191B (zh) * | 2018-04-17 | 2020-11-20 | 云从科技集团股份有限公司 | 一种基于结构光摄像头的三维人脸识别方法 |
WO2020034542A1 (zh) * | 2018-08-17 | 2020-02-20 | 平安科技(深圳)有限公司 | 神经网络模型训练、人脸识别方法、装置、设备及介质 |
WO2020037678A1 (zh) * | 2018-08-24 | 2020-02-27 | 太平洋未来科技(深圳)有限公司 | 基于遮挡图像生成三维人脸图像方法、装置及电子设备 |
CN111259698A (zh) * | 2018-11-30 | 2020-06-09 | 百度在线网络技术(北京)有限公司 | 用于获取图像的方法及装置 |
CN111259698B (zh) * | 2018-11-30 | 2023-10-13 | 百度在线网络技术(北京)有限公司 | 用于获取图像的方法及装置 |
CN110020600A (zh) * | 2019-03-05 | 2019-07-16 | 厦门美图之家科技有限公司 | 生成用于训练人脸对齐模型的数据集的方法 |
CN110020600B (zh) * | 2019-03-05 | 2021-04-16 | 厦门美图之家科技有限公司 | 生成用于训练人脸对齐模型的数据集的方法 |
CN109934196A (zh) * | 2019-03-21 | 2019-06-25 | 厦门美图之家科技有限公司 | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 |
CN110020620A (zh) * | 2019-03-29 | 2019-07-16 | 中国科学院深圳先进技术研究院 | 一种大姿态下的人脸识别方法、装置及设备 |
CN110136243A (zh) * | 2019-04-09 | 2019-08-16 | 五邑大学 | 一种三维人脸重建方法及其系统、装置、存储介质 |
CN110136243B (zh) * | 2019-04-09 | 2023-03-17 | 五邑大学 | 一种三维人脸重建方法及其系统、装置、存储介质 |
CN110309733A (zh) * | 2019-06-14 | 2019-10-08 | 北京一维大成科技有限公司 | 一种防漏检方法、装置、计算机可读介质以及设备 |
CN110348362A (zh) * | 2019-07-05 | 2019-10-18 | 北京达佳互联信息技术有限公司 | 标签生成、视频处理方法、装置、电子设备及存储介质 |
CN110414423A (zh) * | 2019-07-25 | 2019-11-05 | 上海鹰瞳医疗科技有限公司 | 身份识别方法及设备 |
CN110516623A (zh) * | 2019-08-29 | 2019-11-29 | 中新智擎科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN110516623B (zh) * | 2019-08-29 | 2022-03-22 | 中新智擎科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN113688764A (zh) * | 2021-08-31 | 2021-11-23 | 瓴盛科技有限公司 | 人脸选优模型的训练方法、装置和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423678A (zh) | 一种提取特征的卷积神经网络的训练方法及人脸识别方法 | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN109815893B (zh) | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 | |
CN110543846B (zh) | 一种基于生成对抗网络的多姿态人脸图像正面化方法 | |
CN107292813B (zh) | 一种基于生成对抗网络的多姿态人脸生成方法 | |
CN110135375B (zh) | 基于全局信息整合的多人姿态估计方法 | |
CN108334816A (zh) | 基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法 | |
CN110348330A (zh) | 基于vae-acgan的人脸姿态虚拟视图生成方法 | |
Zhang et al. | Fast depth image denoising and enhancement using a deep convolutional network | |
CN108764065A (zh) | 一种行人重识别特征融合辅助学习的方法 | |
CN108830252A (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
CN107194371B (zh) | 基于层次化卷积神经网络的用户专注度识别方法及系统 | |
CN108805078A (zh) | 基于行人平均状态的视频行人再识别方法及系统 | |
CN112766160A (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
CN108573243A (zh) | 一种基于深度卷积神经网络的低质量人脸的比对方法 | |
CN111161178A (zh) | 基于生成式对抗网络的单幅低光图像增强方法 | |
CN106096568A (zh) | 一种基于cnn和卷积lstm网络的行人再识别方法 | |
CN108701359A (zh) | 跨越具有对应深度图的视频帧跟踪兴趣区域 | |
CN104850825A (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN108052884A (zh) | 一种基于改进残差神经网络的手势识别方法 | |
CN110738161A (zh) | 一种基于改进生成式对抗网络的人脸图像矫正方法 | |
CN104794449B (zh) | 基于人体hog特征的步态能量图获取及身份识别方法 | |
CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |