CN107506737A - 人脸性别识别方法 - Google Patents

人脸性别识别方法 Download PDF

Info

Publication number
CN107506737A
CN107506737A CN201710756611.2A CN201710756611A CN107506737A CN 107506737 A CN107506737 A CN 107506737A CN 201710756611 A CN201710756611 A CN 201710756611A CN 107506737 A CN107506737 A CN 107506737A
Authority
CN
China
Prior art keywords
face
layers
image
layer
sex
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
Application number
CN201710756611.2A
Other languages
English (en)
Inventor
周琳岷
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201710756611.2A priority Critical patent/CN107506737A/zh
Publication of CN107506737A publication Critical patent/CN107506737A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • 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

本发明涉及人工智能领域。本发明解决了目前用普通的特征提取算法进行识别需要先找到人脸性别的特征，算法比较复杂的问题，提出了一种人脸性别识别方法，其技术方案可概括为，提取输入视频中的一帧图像，对该帧图像进行整帧人脸检测，检测到人脸信息后，记录该帧图像的人脸信息，从检测到具有人脸信息的图像开始，对检测到的人脸信息进行矫正，利用人脸深度性别识别模型对矫正后的该帧图像进行识别，并显示识别结果，然后通过重复上述步骤处理输入视频中的其它帧图像。本发明的有益效果是，使用了十六层的人脸深度性别识别模型，占用空间小，可以方便的加入各种嵌入式平台，并且算法的特征提取仅需160维，提高了训练和检测的效率。

Description

人脸性别识别方法
技术领域
本发明涉及计算机视觉技术，特别涉及人工智能中人脸性别识别的技术。
背景技术
随着互联网科技的发展，计算机视觉及人工智能在越来越多的领域得到了应用。智能识别的发展大大方便了人们的生活，同时提高了安全性。现在的网络技术大多通过普通的人脸特征提取算法，提取人脸特征后进行特征匹配，例如adaboost，检测结果不是很准确，耗时也比较多，并且需要指定提取的特征，算法比较复杂。
发明内容
本发明的目的是提供一种人脸性别识别方法，解决目前用普通的特征提取算法进行识别需要先找到人脸性别的特征，算法比较复杂的问题。
本发明解决其技术问题，采用的技术方案是：人脸性别识别方法，其特征在于，包括以下步骤：
步骤1、训练人脸深度性别识别模型；
步骤2、提取输入视频中的一帧图像，对该帧图像进行整帧人脸检测，若未检测到人脸信息，则对下一帧图像进行整帧人脸检测，直到检测到人脸信息，然后进入步骤3；
步骤3、记录该帧图像的人脸信息；
步骤4、从检测到具有人脸信息的图像开始，对检测到的人脸信息进行校正；
步骤5、利用人脸深度性别识别模型对校正后的该帧图像进行识别，并显示识别结果；
步骤6、通过重复步骤2-5处理输入视频中的其它帧图像。
具体的，步骤1中，人脸深度性别识别模型训练过程中，采用了至少二十万张不同性别的人脸进行训练，人脸包括各种角度和不同年龄段，训练采用crop部分人脸图像的方法增强训练的鲁棒性，训练过程中对每一种人脸性别通过网络爬虫得到了十万张不同角度的人脸图像，其中还包括不同光线下的同一人脸图像，以及不同年龄段的人脸图像。
进一步的，步骤1中，人脸深度性别识别模型的训练模板包括两种性别，每种性别样本至少为十万个，并且经过以下步骤处理：
A、按人口比例和使用年龄段调整了不同年龄段样本的密度，并且增加了光照比较暗的状况；
B、性别样本经过数据清洗得到比较干净的样本，数据清洗至少包括样本的校正、将有偏转的人脸对齐和将太暗的图片调亮；
C、采用NESTEROV算法对样本进行训练。
具体的，步骤1中，训练的人脸深度性别识别模型包括十六层，具体为：第一层为Data层，用于获取样本数据和标签；第二层为Convolution1层，其使用24个5x5的不同卷积核，输出24个卷积图像；第三层为Relu1层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第四层为Pool1层，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第五层为Covolution2，其使用48个3x3的不同卷积核，输出48个卷积图像；第六层为relu2层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第七层为Pool2，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第八层为Convolution3层，其使用3x3的不同卷积核，输出72个卷积图像；第九层为relu3层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第十层为Pool3层，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第十一层为Convolution4层，其使用96个3x3的不同卷积核，输出96个卷积图像；第十二层和第十三层均为INNER_PRODUCT层，即全连接层，根据全连接层和卷积层的特性得到输出为160个节点；第十四层为Eltwise层，用于将两个结果点阵相加，输出160个节点；第十五层为INNER_PRODUCT层，即全连接层，用于输出2个结果，即两个性别的概率；第十六层为softmax层，用于将标签与结果进行比较，计算loss的值，应用反向传播，调整模型的数据。
再进一步的，步骤2中，所述整帧人脸检测具体包括以下步骤：
步骤201、对图像进行肤色提取，得到人脸图像的灰度图像；
步骤202、对灰度图像进行光照调整；
步骤203、对输入视频中检测到人脸信息的前后两帧图像进行人脸信息对比，计算其重合比例，判断人脸的偏移情况，将偏移较大的人脸信息过滤掉；
步骤204、将偏移较大的人脸信息过滤掉后，对保留的人脸信息进行调整，根据标准人脸五官的位置，调整得到和训练的人脸识别模型校正比例相同的人脸图像；
步骤205、使用haar特征检测算法对调整后的人脸图像进行检测。
具体的，步骤201具体包括以下步骤：
步骤2011：创建一幅与输入图像等宽等高的单通道图像，所述单通道图像的所有像素值初始化为0；
步骤2012：对输入图像进行灰度变换，所述输入图像为格式为RGB的图像，根据彩色转灰度公式将转换后的输入图像储存在单通道图像中，所述彩色转灰度公式为Gray＝R*0.299+G*0.587+B*0.114，Gray为灰度，R为颜色为红色的像素，G为颜色为绿色的像素，B为颜色为蓝色的像素。
再进一步的，步骤202具体为：对灰度图像进行直方图均衡和局部光照归一化，对灰度图像进行人脸校正，根据检测的五官位置，与标准的五官位置进行配准，根据眼睛间的连线与中垂线的角度，进行校正。
具体的，步骤2-4中，所述人脸信息包括人脸位于该帧图像的位置信息及人脸矩形的大小。
再进一步的，步骤3具体为：利用OPENCV中的级联分类器检测出人脸信息，并框选。
具体的，步骤4中，所述识别具体包括以下步骤：
步骤401：根据训练得到的人脸深度性别识别模型，利用模型进行目标分类，输入的图像通过十六层处理后，得到两个不同的输出，代表两个不同性别的概率函数，概率大的那个就是测出的性别；
步骤402：采用多次检测结果求累加，根据不同性别结果的对比得到更准确的判断。
本发明的有益效果是，通过上述人脸性别识别方法，使用了十六层的人脸深度性别识别模型，占用空间小，可以方便的加入各种嵌入式平台，并且算法的特征提取仅需160维，提高了训练和检测的效率。
具体实施方式
下面结合实施例，详细描述本发明的技术方案。
本发明所述人脸性别识别方法，包括以下步骤：
步骤1、训练人脸深度性别识别模型；
步骤2、提取输入视频中的一帧图像，对该帧图像进行整帧人脸检测，若未检测到人脸信息，则对下一帧图像进行整帧人脸检测，直到检测到人脸信息，然后进入步骤3；
步骤3、记录该帧图像的人脸信息；
步骤4、从检测到具有人脸信息的图像开始，对检测到的人脸信息进行校正；
步骤5、利用人脸深度性别识别模型对校正后的该帧图像进行识别，并显示识别结果；
步骤6、通过重复步骤2-5处理输入视频中的其它帧图像。
实施例
本发明实施例人脸性别识别方法，包括以下步骤：
步骤1、训练人脸深度性别识别模型；
步骤2、提取输入视频中的一帧图像，对该帧图像进行整帧人脸检测，若未检测到人脸信息，则对下一帧图像进行整帧人脸检测，直到检测到人脸信息，然后进入步骤3，其中，人脸信息包括人脸位于该帧图像的位置信息及人脸矩形的大小；
步骤3、记录该帧图像的人脸信息，具体为：利用OPENCV中的级联分类器检测出人脸信息，并框选；
步骤4、从检测到具有人脸信息的图像开始，对检测到的人脸信息进行校正，其中校正具体为：对人脸区域内的人脸进行光照补偿，减少灯光的影响，进行人脸校正；
步骤5、利用人脸深度性别识别模型对校正后的该帧图像进行识别，并在对话框中显示识别结果；
步骤6、通过重复步骤2-5处理输入视频中的其它帧图像。
上述方法中，步骤1中，人脸深度性别识别模型训练过程中，采用了至少二十万张不同性别的人脸进行训练，人脸包括各种角度和不同年龄段，训练采用crop部分人脸图像的方法增强训练的鲁棒性，训练过程中对每一种人脸性别通过网络爬虫得到了十万张不同角度的人脸图像，其中还包括不同光线下的同一人脸图像，以及不同年龄段的人脸图像。
人脸深度性别识别模型的训练模板包括两种性别，每种性别样本至少为十万个，并且经过以下步骤处理：
A、按人口比例和使用年龄段调整了不同年龄段样本的密度，并且增加了光照比较暗的状况；
B、性别样本经过数据清洗得到比较干净的样本，数据清洗至少包括样本的校正、将有偏转的人脸对齐和将太暗的图片调亮；
C、采用NESTEROV算法对样本进行训练，加快了训练速度。
步骤1中，训练的人脸深度性别识别模型包括十六层，具体为：第一层为Data层，用于获取样本数据和标签；第二层为Convolution1层，其使用24个5x5的不同卷积核，输出24个卷积图像；第三层为Relu1层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第四层为Pool1层，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第五层为Covolution2，其使用48个3x3的不同卷积核，输出48个卷积图像；第六层为relu2层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第七层为Pool2，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第八层为Convolution3层，其使用3x3的不同卷积核，输出72个卷积图像；第九层为relu3层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第十层为Pool3层，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第十一层为Convolution4层，其使用96个3x3的不同卷积核，输出96个卷积图像；第十二层和第十三层均为INNER_PRODUCT层，即全连接层，根据全连接层和卷积层的特性得到输出为160个节点；第十四层为Eltwise层，用于将两个结果点阵相加，输出160个节点；第十五层为INNER_PRODUCT层，即全连接层，用于输出2个结果，即两个性别的概率；第十六层为softmax层，用于将标签与结果进行比较，计算loss的值，应用反向传播，调整模型的数据。
步骤2中，整帧人脸检测具体包括以下步骤：
步骤201、对图像进行肤色提取，得到人脸图像的灰度图像；
步骤202、对灰度图像进行光照调整，减少背景光照的影响；
步骤203、对输入视频中检测到人脸信息的前后两帧图像进行人脸信息对比，计算其重合比例，判断人脸的偏移情况，将偏移较大的人脸信息过滤掉；
步骤204、将偏移较大的人脸信息过滤掉后，对保留的人脸信息进行调整，根据标准人脸五官的位置，如眼睛和嘴巴，调整得到和训练的人脸识别模型校正比例相同的人脸图像；
步骤205、调用DLIB库，使用haar特征检测算法对调整后的人脸图像进行检测。
步骤201具体包括以下步骤：
步骤2011：创建一幅与输入图像等宽等高的单通道图像，其中单通道图像的所有像素值初始化为0；
步骤2012：对输入图像进行灰度变换，输入图像为格式为RGB的图像，根据彩色转灰度公式将转换后的输入图像储存在单通道图像中，彩色转灰度公式为Gray＝R*0.299+G*0.587+B*0.114，Gray为灰度，R为颜色为红色的像素，G为颜色为绿色的像素，B为颜色为蓝色的像素。
步骤202具体为：对灰度图像进行直方图均衡和局部光照归一化，对灰度图像进行人脸校正，根据检测的五官位置，与标准的五官位置进行配准，根据眼睛间的连线与中垂线的角度，进行校正。
步骤4中，识别具体包括以下步骤：
步骤401：根据训练得到的人脸深度性别识别模型，利用模型进行目标分类，通过调用图像处理器来加快深度识别分类的计算速度，输入的图像通过十六层处理后，得到两个不同的输出，代表两个不同性别的概率函数，概率大的那个就是测出的性别；
步骤402：采用多次检测结果求累加，根据不同性别结果的对比得到更准确的判断。
根据本例的描述可见，本发明中所说的利用OPENCV中的级联分类器检测出人脸信息可以为本领域常用的haar特征检测算法，由于该算法为检测人脸的经典算法，本例不再详述。

Claims (10)

1.人脸性别识别方法，其特征在于，包括以下步骤：
步骤1、训练人脸深度性别识别模型；
步骤2、提取输入视频中的一帧图像，对该帧图像进行整帧人脸检测，若未检测到人脸信息，则对下一帧图像进行整帧人脸检测，直到检测到人脸信息，然后进入步骤3；
步骤3、记录该帧图像的人脸信息；
步骤4、从检测到具有人脸信息的图像开始，对检测到的人脸信息进行矫正；
步骤5、利用人脸深度性别识别模型对矫正后的该帧图像进行识别，并显示识别结果；
步骤6、通过重复步骤2-5处理输入视频中的其它帧图像。
2.根据权利要求1所述的人脸性别识别方法，其特征在于，步骤1中，人脸深度性别识别模型训练过程中，采用了至少二十万张不同性别的人脸进行训练，人脸包括各种角度和不同年龄段，训练采用crop部分人脸图像的方法增强训练的鲁棒性，训练过程中对每一种人脸性别通过网络爬虫得到了十万张不同角度的人脸图像，其中还包括不同光线下的同一人脸图像，以及不同年龄段的人脸图像。
3.根据权利要求2所述的人脸性别识别方法，其特征在于，步骤1中，人脸深度性别识别模型的训练模板包括两种性别，每种性别样本至少为十万个，并且经过以下步骤处理：
A、按人口比例和使用年龄段调整了不同年龄段样本的密度，并且增加了光照比较暗的状况；
B、性别样本经过数据清洗得到比较干净的样本，数据清洗至少包括样本的校正、将有偏转的人脸对齐和将太暗的图片调亮；
C、采用NESTEROV算法对样本进行训练。
4.根据权利要求1-3任意一项所述的人脸性别识别方法，其特征在于，步骤1中，训练的人脸深度性别识别模型包括十六层，具体为：第一层为Data层，用于获取样本数据和标签；第二层为Convolution1层，其使用24个5x5的不同卷积核，输出24个卷积图像；第三层为Relu1层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第四层为Pool1层，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第五层为Covolution2，其使用48个3x3的不同卷积核，输出48个卷积图像；第六层为relu2层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第七层为Pool2，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第八层为Convolution3层，其使用3x3的不同卷积核，输出72个卷积图像；第九层为relu3层，用于通过非线性函数，调整神经云两侧增益，激活稀疏函数；第十层为Pool3层，用于对图像用邻近像素求均值的方法进行2x2的亚采样；第十一层为Convolution4层，其使用96个3x3的不同卷积核，输出96个卷积图像；第十二层和第十三层均为INNER_PRODUCT层，即全连接层，根据全连接层和卷积层的特性得到输出为160个节点；第十四层为Eltwise层，用于将两个结果点阵相加，输出160个节点；第十五层为INNER_PRODUCT层，即全连接层，用于输出2个结果，即两个性别的概率；第十六层为softmax层，用于将标签与结果进行比较，计算loss的值，应用反向传播，调整模型的数据。
5.根据权利要求1所述的人脸性别识别方法，其特征在于，步骤2中，所述整帧人脸检测具体包括以下步骤：
步骤201、对图像进行肤色提取，得到人脸图像的灰度图像；
步骤202、对灰度图像进行光照调整；
步骤203、对输入视频中检测到人脸信息的前后两帧图像进行人脸信息对比，计算其重合比例，判断人脸的偏移情况，将偏移较大的人脸信息过滤掉；
步骤204、将偏移较大的人脸信息过滤掉后，对保留的人脸信息进行调整，根据标准人脸五官的位置，调整得到和训练的人脸识别模型校正比例相同的人脸图像；
步骤205、使用haar特征检测算法对调整后的人脸图像进行检测。
6.根据权利要求5述的人脸性别识别方法，其特征在于，步骤201具体包括以下步骤：
步骤2011：创建一幅与输入图像等宽等高的单通道图像，所述单通道图像的所有像素值初始化为0；
步骤2012：对输入图像进行灰度变换，所述输入图像为格式为RGB的图像，根据彩色转灰度公式将转换后的输入图像储存在单通道图像中，所述彩色转灰度公式为Gray＝R*0.299+G*0.587+B*0.114，Gray为灰度，R为颜色为红色的像素，G为颜色为绿色的像素，B为颜色为蓝色的像素。
7.根据权利要求5所述的人脸性别识别方法，其特征在于，步骤202具体为：对灰度图像进行直方图均衡和局部光照归一化，对灰度图像进行人脸校正，根据检测的五官位置，与标准的五官位置进行配准，根据眼睛间的连线与中垂线的角度，进行矫正。
8.根据权利要求1所述的人脸性别识别方法，其特征在于，步骤2-4中，所述人脸信息包括人脸位于该帧图像的位置信息及人脸矩形的大小。
9.根据权利要求1所述的人脸性别识别方法，其特征在于，步骤3具体为：利用OPENCV中的级联分类器检测出人脸信息，并框选。
10.根据权利要求4所述的人脸性别识别方法，其特征在于，步骤4中，所述识别具体包括以下步骤：
步骤401：根据训练得到的人脸深度性别识别模型，利用模型进行目标分类，输入的图像通过十六层处理后，得到两个不同的输出，代表两个不同性别的概率函数，概率大的那个就是测出的性别；
步骤402：采用多次检测结果求累加，根据不同性别结果的对比得到更准确的判断。
CN201710756611.2A 2017-08-29 2017-08-29 人脸性别识别方法 Pending CN107506737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710756611.2A CN107506737A (zh) 2017-08-29 2017-08-29 人脸性别识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710756611.2A CN107506737A (zh) 2017-08-29 2017-08-29 人脸性别识别方法

Publications (1)

Publication Number Publication Date
CN107506737A true CN107506737A (zh) 2017-12-22

Family

ID=60694193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710756611.2A Pending CN107506737A (zh) 2017-08-29 2017-08-29 人脸性别识别方法

Country Status (1)

Country Link
CN (1) CN107506737A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874853A (zh) * 2018-04-02 2018-11-23 焦点科技股份有限公司 一种构造人脸图库的方法
CN110188703A (zh) * 2019-05-31 2019-08-30 广州软盈科技有限公司 一种基于人脸识别的信息推送及引流方法
CN110351268A (zh) * 2019-07-03 2019-10-18 福建睿思特科技股份有限公司 一种智慧城市的数字执法系统
CN111563396A (zh) * 2019-01-25 2020-08-21 北京嘀嘀无限科技发展有限公司 在线识别异常行为的方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095833A (zh) * 2014-05-08 2015-11-25 中国科学院声学研究所 用于人脸识别的网络构建方法、识别方法及系统
CN105760826A (zh) * 2016-02-03 2016-07-13 歌尔声学股份有限公司 一种人脸跟踪方法、装置和智能终端
CN105809090A (zh) * 2014-12-30 2016-07-27 中国科学院深圳先进技术研究院 一种人脸性别特征提取的方法及系统
CN105825191A (zh) * 2016-03-23 2016-08-03 厦门美图之家科技有限公司 基于人脸多属性信息的性别识别方法、系统及拍摄终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095833A (zh) * 2014-05-08 2015-11-25 中国科学院声学研究所 用于人脸识别的网络构建方法、识别方法及系统
CN105809090A (zh) * 2014-12-30 2016-07-27 中国科学院深圳先进技术研究院 一种人脸性别特征提取的方法及系统
CN105760826A (zh) * 2016-02-03 2016-07-13 歌尔声学股份有限公司 一种人脸跟踪方法、装置和智能终端
CN105825191A (zh) * 2016-03-23 2016-08-03 厦门美图之家科技有限公司 基于人脸多属性信息的性别识别方法、系统及拍摄终端

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874853A (zh) * 2018-04-02 2018-11-23 焦点科技股份有限公司 一种构造人脸图库的方法
CN108874853B (zh) * 2018-04-02 2019-08-02 焦点科技股份有限公司 一种构造人脸图库的方法
CN111563396A (zh) * 2019-01-25 2020-08-21 北京嘀嘀无限科技发展有限公司 在线识别异常行为的方法、装置、电子设备及可读存储介质
CN110188703A (zh) * 2019-05-31 2019-08-30 广州软盈科技有限公司 一种基于人脸识别的信息推送及引流方法
CN110351268A (zh) * 2019-07-03 2019-10-18 福建睿思特科技股份有限公司 一种智慧城市的数字执法系统

Similar Documents

Publication Publication Date Title
Limmer et al. Infrared colorization using deep convolutional neural networks
CN106204779B (zh) 基于多人脸数据采集策略和深度学习的课堂考勤方法
Dias et al. Apple flower detection using deep convolutional networks
CN107506737A (zh) 人脸性别识别方法
CN108038456B (zh) 一种人脸识别系统中的防欺骗方法
CN100393106C (zh) 检测和/或追踪图像或图像序列中颜色区域的方法和装置
CN106097335A (zh) 消化道病灶图像识别系统及识别方法
Suttapakti et al. Potato leaf disease classification based on distinct color and texture feature extraction
CN103093274B (zh) 基于视频的行人计数的方法
CN110852323B (zh) 一种基于角点的空中目标探测方法
WO2020238805A1 (zh) 人脸识别装置和门禁设备
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
Jose et al. A novel method for color face recognition using KNN classifier
CN108022207A (zh) 图像处理方法、装置、存储介质和电子设备
CN107767379A (zh) Pcb板标注印刷质量检测方法
CN107633229A (zh) 基于卷积神经网络的人脸检测方法及装置
Rani et al. K-means clustering and SVM for plant leaf disease detection and classification
CN109801233A (zh) 一种适用于真彩色遥感图像的增强方法
Suárez et al. Near infrared imagery colorization
CN107247934A (zh) 一种基于快速特征点定位的全天候哈欠检测方法及系统
CN109101925A (zh) 活体检测方法
CN110009708B (zh) 基于图像色彩分割的发色变换方法、系统及终端
Do et al. Skin color detection through estimation and conversion of illuminant color under various illuminations
CN101996317A (zh) 人体中标记物的识别方法及装置
CN112308887B (zh) 一种多源图像序列实时配准方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171222