CN107506747A - 基于视频数据特征点的人脸识别系统及方法 - Google Patents
基于视频数据特征点的人脸识别系统及方法 Download PDFInfo
- Publication number
- CN107506747A CN107506747A CN201710810680.7A CN201710810680A CN107506747A CN 107506747 A CN107506747 A CN 107506747A CN 201710810680 A CN201710810680 A CN 201710810680A CN 107506747 A CN107506747 A CN 107506747A
- Authority
- CN
- China
- Prior art keywords
- module
- characteristic point
- characteristic
- face
- identification
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频数据特征点的人脸识别系统及方法,所述人脸识别系统包括视频采集设备、数据库、人脸检测模块、特征点生成模块、特征点筛选模块、特征提取模块和人脸识别模块;本发明的有益技术效果是:SDM算法可有效保证特征点定位的准确性和快速性,识别点的选取能有效降低计算复杂度和提高识别精度,uLBP可以降低计算复杂度和有效克服光照的影响,本发明将它们有机地结合在一起,最终得到了一种识别精度和识别速度都较好的、能对视频数据进行在线识别的人脸识别方案。
Description
技术领域
本发明涉及一种人脸识别技术,尤其涉及一种基于视频数据特征点的人脸识别系统及方法。
背景技术
人脸识别技术是生物识别技术中的一种,以其直接性、唯一性、方便性等特点,在公安侦查、交通检测、门禁系统、目标追踪及其他民用安全控制系统等领域具有广阔的发展前景和很高的社会经济效益。近年来随着越来越多的研究工作者投入到人脸识别领域中,人脸识别技术得到了很大的发展,并逐渐成熟起来。
目前,可用于对视频数据进行在线人脸识别的方法,要么识别精度不高,要么训练时间很长,识别精度较高的深度学习方法又对硬件要求特别高。
发明内容
针对背景技术中的问题,本发明提出了一种基于视频数据特征点的人脸识别系统,其创新在于:所述人脸识别系统包括视频采集设备、数据库、人脸检测模块、特征点生成模块、特征点筛选模块、特征提取模块和人脸识别模块;
所述视频采集设备与人脸检测模块连接,人脸检测模块与特征点生成模块连接,特征点生成模块与特征点筛选模块连接,特征点筛选模块与特征提取模块连接,特征提取模块和数据库均与人脸识别模块连接;
所述视频采集设备能对检测区域的图像进行采集,并将采集到的视频数据发送至人脸检测模块;所述视频数据由多帧图像构成;
所述人脸检测模块能按时序对多帧图像进行连续处理;对单帧图像进行处理时,人脸检测模块能采用基于AdaBoost算法的强分类器从单帧图像中检测出人脸区域,得到人脸区域图,并将人脸区域图发送至特征点生成模块;
人脸区域图中,与人的眉毛、眼睛、鼻子、嘴巴对应的四个区域记为四个特征区;所述特征点生成模块能按时序对多个人脸区域图进行连续处理;对单个人脸区域图进行处理时,特征点生成模块能采用SDM算法为每个特征区都生成多个特征点,得到特征点分布图,并将特征点分布图发送至特征点筛选模块;
所述特征点筛选模块能按时序对多个特征点分布图进行连续处理;对单个特征点分布图进行处理时,特征点筛选模块能对每个特征区中的特征点进行筛选,得到识别点分布图,并将识别点分布图发送至特征提取模块;被选中的特征点记为识别点;单个特征区所辖的识别点数量小于该特征区所辖的特征点数量;
所述特征提取模块能按时序对多个识别点分布图进行处理;对单个识别点分布图进行处理时,特征提取模块为每个识别点生成相应的子图;所述子图的轮廓为正方形,各个子图的大小相等且各个子图之间互不干涉,单个识别点为相应子图的中心;然后,从每个子图中提取出uLBP特征,对多个uLBP特征进行归一化处理,归一化处理后的多个uLBP特征即构成一个面部特征,将面部特征传输至人脸识别模块;
所述人脸识别模块能按时序对多个面部特征进行处理;对单个面部特征进行处理时,人脸识别模块采用KNN算法,将面部特征与数据库中保存的多个样本进行匹配,得到匹配结果;所述样本包含人脸图像和与此人脸图像对应的面部特征。
基于前述人脸识别系统,本发明还提出了一种基于视频数据特征点的人脸识别方法,所涉及的硬件如前所述,具体的方法包括:
1)通过视频采集设备获取现场图像,并将采集到的视频数据实时发送至人脸检测模块;
2)人脸检测模块按时序为每帧图像实时生成相应的人脸区域图,并将人脸区域图实时发送至特征点生成模块;
3)特征点生成模块按时序为每个脸区域图实时生成相应的特征点分布图,并将特征点分布图实时发送至特征点筛选模块;
4)特征点筛选模块按时序为每个特征点分布图实时生成相应的识别点分布图,并将识别点分布图实时发送至特征提取模块;
5)特征提取模块按时序为每个识别点分布图实时生成相应的面部特征,并将面部特征实时发送至人脸识别模块;
6)人脸识别模块按时序将每个面部特征与数据库中保存的多个样本进行匹配,并实时输出相应的匹配结果。
本发明的原理是:
AdaBoost算法是一种现有技术,本发明利用基于AdaBoost算法的强分类器来从单帧图像中检测出人脸区域,从而为后续的处理提供基础素材;SDM算法是一种现有技术,与本发明结合后,可以有效保证特征点定位的准确性和快速性;在业内,由SDM算法生成的特征点数量一般有49个,这49个特征点分布在人脸区域图上与人的眉毛、眼睛、鼻子、嘴巴对应的四个区域中,若直接利用这49个特征点来生成相应的子图,由于特征点数量较多,会导致识别速度大幅下降,而且特征点数量较多时,有可能出现子图互相重叠的情况,这将会导致识别精度大幅下降,于是本发明设置了特征点筛选模块来对特征点进行筛选,其目的是减少特征点的数量,具体筛选时,保留相应部位(即眉毛、眼睛、鼻子、嘴巴)的边界点作为识别点,同时在相应部位(即眉毛、眼睛、鼻子、嘴巴)的中部选取一些具有代表性的特征点作为识别点,具体实施时,由于49个特征点在人脸区域图上的分布位置相对固定,可通过仿真试验来验证被选取的特征点是否对后期识别操作有所助益,若仿真试验得到的识别结果较差,可对被选取的特征点进行调节,然后重新进行仿真试验,经多次仿真试验后,就能得到较好的识别点,在实际应用时,直接将识别点设定为仿真试验中得到的识别点即可;关于子图,其尺寸与人脸区域图的尺寸存在比例关系,具体实施时,可通过仿真试验得到的识别结果来合理确定,子图与人脸区域图的比例关系确定后,实际应用时,直接生成相应尺寸的子图;uLBP即uniform Local Binary Pattern,相比于LBP(Local Binary Pattern,局部二值模式),uLBP既能有效地描述出图像中大部分的纹理特征,又能降低纹理特征的维数(采用LBP时纹理特征的维数为256,采用uLBP时纹理特征的维数仅有59),对于在线识别系统而言,可以有效提高处理速度;KNN算法是一种现有技术,本发明利用其在处理分类问题方面的应用,采用欧式距离计算方式,计算由视频数据得到的面部特征(记为面部特征1)与样本中的面部特征(记为面部特征2)的距离,然后取K=1,选取与面部特征1距离最小的面部特征2,则该面部特征2所对应的样本所包含的人脸图像即为识别结果。
本发明的有益技术效果是:SDM算法可有效保证特征点定位的准确性和快速性,识别点的选取能有效降低计算复杂度和提高识别精度,uLBP可以降低计算复杂度和有效克服光照的影响,本发明将它们有机地结合在一起,最终得到了一种识别精度和识别速度都较好的、能对视频数据进行在线识别的人脸识别方案。
附图说明
图1、本发明的原理示意图;
图中各个标记所对应的名称分别为:视频采集设备1、数据库2、人脸检测模块3、特征点生成模块4、特征点筛选模块5、特征提取模块6、人脸识别模块7。
具体实施方式
一种基于视频数据特征点的人脸识别系统,其创新在于:所述人脸识别系统包括视频采集设备1、数据库2、人脸检测模块3、特征点生成模块4、特征点筛选模块5、特征提取模块6和人脸识别模块7;
所述视频采集设备1与人脸检测模块3连接,人脸检测模块3与特征点生成模块4连接,特征点生成模块4与特征点筛选模块5连接,特征点筛选模块5与特征提取模块6连接,特征提取模块6和数据库2均与人脸识别模块7连接;
所述视频采集设备1能对检测区域的图像进行采集,并将采集到的视频数据发送至人脸检测模块3;所述视频数据由多帧图像构成;
所述人脸检测模块3能按时序对多帧图像进行连续处理;对单帧图像进行处理时,人脸检测模块3能采用基于AdaBoost算法的强分类器从单帧图像中检测出人脸区域,得到人脸区域图,并将人脸区域图发送至特征点生成模块4;
人脸区域图中,与人的眉毛、眼睛、鼻子、嘴巴对应的四个区域记为四个特征区;所述特征点生成模块4能按时序对多个人脸区域图进行连续处理;对单个人脸区域图进行处理时,特征点生成模块4能采用SDM算法为每个特征区都生成多个特征点,得到特征点分布图,并将特征点分布图发送至特征点筛选模块5;
所述特征点筛选模块5能按时序对多个特征点分布图进行连续处理;对单个特征点分布图进行处理时,特征点筛选模块5能对每个特征区中的特征点进行筛选,得到识别点分布图,并将识别点分布图发送至特征提取模块6;被选中的特征点记为识别点;单个特征区所辖的识别点数量小于该特征区所辖的特征点数量;
所述特征提取模块6能按时序对多个识别点分布图进行处理;对单个识别点分布图进行处理时,特征提取模块6为每个识别点生成相应的子图;所述子图的轮廓为正方形,各个子图的大小相等且各个子图之间互不干涉,单个识别点为相应子图的中心;然后,从每个子图中提取出uLBP特征,对多个uLBP特征进行归一化处理,归一化处理后的多个uLBP特征即构成一个面部特征,将面部特征传输至人脸识别模块7;
所述人脸识别模块7能按时序对多个面部特征进行处理;对单个面部特征进行处理时,人脸识别模块7采用KNN算法,将面部特征与数据库2中保存的多个样本进行匹配,得到匹配结果;所述样本包含人脸图像和与此人脸图像对应的面部特征。
一种基于视频数据特征点的人脸识别方法,所涉及的硬件包括人脸识别系统,所述人脸识别系统包括视频采集设备1、数据库2、人脸检测模块3、特征点生成模块4、特征点筛选模块5、特征提取模块6和人脸识别模块7;
所述视频采集设备1与人脸检测模块3连接,人脸检测模块3与特征点生成模块4连接,特征点生成模块4与特征点筛选模块5连接,特征点筛选模块5与特征提取模块6连接,特征提取模块6和数据库2均与人脸识别模块7连接;
所述视频采集设备1能对检测区域的图像进行采集,并将采集到的视频数据发送至人脸检测模块3;所述视频数据由多帧图像构成;
所述人脸检测模块3能按时序对多帧图像进行连续处理;对单帧图像进行处理时,人脸检测模块3能采用基于AdaBoost算法的强分类器从单帧图像中检测出人脸区域,得到人脸区域图,并将人脸区域图发送至特征点生成模块4;
人脸区域图中,与人的眉毛、眼睛、鼻子、嘴巴对应的四个区域记为四个特征区;所述特征点生成模块4能按时序对多个人脸区域图进行连续处理;对单个人脸区域图进行处理时,特征点生成模块4能采用SDM算法为每个特征区都生成多个特征点,得到特征点分布图,并将特征点分布图发送至特征点筛选模块5;
所述特征点筛选模块5能按时序对多个特征点分布图进行连续处理;对单个特征点分布图进行处理时,特征点筛选模块5能对每个特征区中的特征点进行筛选,得到识别点分布图,并将识别点分布图发送至特征提取模块6;被选中的特征点记为识别点;单个特征区所辖的识别点数量小于该特征区所辖的特征点数量;
所述特征提取模块6能按时序对多个识别点分布图进行处理;对单个识别点分布图进行处理时,特征提取模块6为每个识别点生成相应的子图;所述子图的轮廓为正方形,各个子图的大小相等且各个子图之间互不干涉,单个识别点为相应子图的中心;然后,从每个子图中提取出uLBP特征,对多个uLBP特征进行归一化处理,归一化处理后的多个uLBP特征即构成一个面部特征,将面部特征传输至人脸识别模块7;
所述人脸识别模块7能按时序对多个面部特征进行处理;对单个面部特征进行处理时,人脸识别模块7采用KNN算法,将面部特征与数据库2中保存的多个样本进行匹配,得到匹配结果;所述样本包含人脸图像和与此人脸图像对应的面部特征,
其创新在于:
所述人脸识别方法包括:
1)通过视频采集设备1获取现场图像,并将采集到的视频数据实时发送至人脸检测模块3;
2)人脸检测模块3按时序为每帧图像实时生成相应的人脸区域图,并将人脸区域图实时发送至特征点生成模块4;
3)特征点生成模块4按时序为每个人脸区域图实时生成相应的特征点分布图,并将特征点分布图实时发送至特征点筛选模块5;
4)特征点筛选模块5按时序为每个特征点分布图实时生成相应的识别点分布图,并将识别点分布图实时发送至特征提取模块6;
5)特征提取模块6按时序为每个识别点分布图实时生成相应的面部特征,并将面部特征实时发送至人脸识别模块7;
6)人脸识别模块7按时序将每个面部特征与数据库2中保存的多个样本进行匹配,并实时输出相应的匹配结果。
Claims (2)
1.一种基于视频数据特征点的人脸识别系统,其特征在于:所述人脸识别系统包括视频采集设备(1)、数据库(2)、人脸检测模块(3)、特征点生成模块(4)、特征点筛选模块(5)、特征提取模块(6)和人脸识别模块(7);
所述视频采集设备(1)与人脸检测模块(3)连接,人脸检测模块(3)与特征点生成模块(4)连接,特征点生成模块(4)与特征点筛选模块(5)连接,特征点筛选模块(5)与特征提取模块(6)连接,特征提取模块(6)和数据库(2)均与人脸识别模块(7)连接;
所述视频采集设备(1)能对检测区域的图像进行采集,并将采集到的视频数据发送至人脸检测模块(3);所述视频数据由多帧图像构成;
所述人脸检测模块(3)能按时序对多帧图像进行连续处理;对单帧图像进行处理时,人脸检测模块(3)能采用基于AdaBoost算法的强分类器从单帧图像中检测出人脸区域,得到人脸区域图,并将人脸区域图发送至特征点生成模块(4);
人脸区域图中,与人的眉毛、眼睛、鼻子、嘴巴对应的四个区域记为四个特征区;所述特征点生成模块(4)能按时序对多个人脸区域图进行连续处理;对单个人脸区域图进行处理时,特征点生成模块(4)能采用SDM算法为每个特征区都生成多个特征点,得到特征点分布图,并将特征点分布图发送至特征点筛选模块(5);
所述特征点筛选模块(5)能按时序对多个特征点分布图进行连续处理;对单个特征点分布图进行处理时,特征点筛选模块(5)能对每个特征区中的特征点进行筛选,得到识别点分布图,并将识别点分布图发送至特征提取模块(6);被选中的特征点记为识别点;单个特征区所辖的识别点数量小于该特征区所辖的特征点数量;
所述特征提取模块(6)能按时序对多个识别点分布图进行处理;对单个识别点分布图进行处理时,特征提取模块(6)为每个识别点生成相应的子图;所述子图的轮廓为正方形,各个子图的大小相等且各个子图之间互不干涉,单个识别点为相应子图的中心;然后,从每个子图中提取出uLBP特征,对多个uLBP特征进行归一化处理,归一化处理后的多个uLBP特征即构成一个面部特征,将面部特征传输至人脸识别模块(7);
所述人脸识别模块(7)能按时序对多个面部特征进行处理;对单个面部特征进行处理时,人脸识别模块(7)采用KNN算法,将面部特征与数据库(2)中保存的多个样本进行匹配,得到匹配结果;所述样本包含人脸图像和与此人脸图像对应的面部特征。
2.一种基于视频数据特征点的人脸识别方法,所涉及的硬件包括人脸识别系统,所述人脸识别系统包括视频采集设备(1)、数据库(2)、人脸检测模块(3)、特征点生成模块(4)、特征点筛选模块(5)、特征提取模块(6)和人脸识别模块(7);
所述视频采集设备(1)与人脸检测模块(3)连接,人脸检测模块(3)与特征点生成模块(4)连接,特征点生成模块(4)与特征点筛选模块(5)连接,特征点筛选模块(5)与特征提取模块(6)连接,特征提取模块(6)和数据库(2)均与人脸识别模块(7)连接;
所述视频采集设备(1)能对检测区域的图像进行采集,并将采集到的视频数据发送至人脸检测模块(3);所述视频数据由多帧图像构成;
所述人脸检测模块(3)能按时序对多帧图像进行连续处理;对单帧图像进行处理时,人脸检测模块(3)能采用基于AdaBoost算法的强分类器从单帧图像中检测出人脸区域,得到人脸区域图,并将人脸区域图发送至特征点生成模块(4);
人脸区域图中,与人的眉毛、眼睛、鼻子、嘴巴对应的四个区域记为四个特征区;所述特征点生成模块(4)能按时序对多个人脸区域图进行连续处理;对单个人脸区域图进行处理时,特征点生成模块(4)能采用SDM算法为每个特征区都生成多个特征点,得到特征点分布图,并将特征点分布图发送至特征点筛选模块(5);
所述特征点筛选模块(5)能按时序对多个特征点分布图进行连续处理;对单个特征点分布图进行处理时,特征点筛选模块(5)能对每个特征区中的特征点进行筛选,得到识别点分布图,并将识别点分布图发送至特征提取模块(6);被选中的特征点记为识别点;单个特征区所辖的识别点数量小于该特征区所辖的特征点数量;
所述特征提取模块(6)能按时序对多个识别点分布图进行处理;对单个识别点分布图进行处理时,特征提取模块(6)为每个识别点生成相应的子图;所述子图的轮廓为正方形,各个子图的大小相等且各个子图之间互不干涉,单个识别点为相应子图的中心;然后,从每个子图中提取出uLBP特征,对多个uLBP特征进行归一化处理,归一化处理后的多个uLBP特征即构成一个面部特征,将面部特征传输至人脸识别模块(7);
所述人脸识别模块(7)能按时序对多个面部特征进行处理;对单个面部特征进行处理时,人脸识别模块(7)采用KNN算法,将面部特征与数据库(2)中保存的多个样本进行匹配,得到匹配结果;所述样本包含人脸图像和与此人脸图像对应的面部特征,
其特征在于:
所述人脸识别方法包括:
1)通过视频采集设备(1)获取现场图像,并将采集到的视频数据实时发送至人脸检测模块(3);
2)人脸检测模块(3)按时序为每帧图像实时生成相应的人脸区域图,并将人脸区域图实时发送至特征点生成模块(4);
3)特征点生成模块(4)按时序为每个脸区域图实时生成相应的特征点分布图,并将特征点分布图实时发送至特征点筛选模块(5);
4)特征点筛选模块(5)按时序为每个特征点分布图实时生成相应的识别点分布图,并将识别点分布图实时发送至特征提取模块(6);
5)特征提取模块(6)按时序为每个识别点分布图实时生成相应的面部特征,并将面部特征实时发送至人脸识别模块(7);
6)人脸识别模块(7)按时序将每个面部特征与数据库(2)中保存的多个样本进行匹配,并实时输出相应的匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710810680.7A CN107506747A (zh) | 2017-09-11 | 2017-09-11 | 基于视频数据特征点的人脸识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710810680.7A CN107506747A (zh) | 2017-09-11 | 2017-09-11 | 基于视频数据特征点的人脸识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506747A true CN107506747A (zh) | 2017-12-22 |
Family
ID=60696237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710810680.7A Pending CN107506747A (zh) | 2017-09-11 | 2017-09-11 | 基于视频数据特征点的人脸识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506747A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898051A (zh) * | 2018-05-22 | 2018-11-27 | 广州洪森科技有限公司 | 一种基于视频流的人脸识别方法及系统 |
WO2019134346A1 (zh) * | 2018-01-08 | 2019-07-11 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN110826372A (zh) * | 2018-08-10 | 2020-02-21 | 浙江宇视科技有限公司 | 人脸特征点检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235110A1 (en) * | 2014-02-14 | 2015-08-20 | Social Sweepster, LLC. | Object recognition or detection based on verification tests |
CN106446772A (zh) * | 2016-08-11 | 2017-02-22 | 天津大学 | 一种人脸识别系统中的防欺骗方法 |
-
2017
- 2017-09-11 CN CN201710810680.7A patent/CN107506747A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235110A1 (en) * | 2014-02-14 | 2015-08-20 | Social Sweepster, LLC. | Object recognition or detection based on verification tests |
CN106446772A (zh) * | 2016-08-11 | 2017-02-22 | 天津大学 | 一种人脸识别系统中的防欺骗方法 |
Non-Patent Citations (2)
Title |
---|
李丹丹等: "基于Log-Gabor和ULBP改进算法的人脸识别", 《北京信息科技大学学报》 * |
郑睿姣,: "基于特征点分析的人脸疲劳状态及身份识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134346A1 (zh) * | 2018-01-08 | 2019-07-11 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108898051A (zh) * | 2018-05-22 | 2018-11-27 | 广州洪森科技有限公司 | 一种基于视频流的人脸识别方法及系统 |
CN110826372A (zh) * | 2018-08-10 | 2020-02-21 | 浙江宇视科技有限公司 | 人脸特征点检测方法及装置 |
US11475708B2 (en) | 2018-08-10 | 2022-10-18 | Zhejiang Uniview Technologies Co., Ltd. | Face feature point detection method and device, equipment and storage medium |
CN110826372B (zh) * | 2018-08-10 | 2024-04-09 | 浙江宇视科技有限公司 | 人脸特征点检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
WO2021212659A1 (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN108229335A (zh) | 关联人脸识别方法和装置、电子设备、存储介质、程序 | |
CN110517293A (zh) | 目标跟踪方法、装置、系统和计算机可读存储介质 | |
CN103020985B (zh) | 一种基于场量分析的视频图像显著性检测方法 | |
US20210104067A1 (en) | Multi-Person Pose Estimation Using Skeleton Prediction | |
CN105488468A (zh) | 一种目标区域的定位方法和装置 | |
CN106022223B (zh) | 一种高维局部二值模式人脸识别方法及系统 | |
CN106326851B (zh) | 一种人头检测的方法 | |
CN107545243A (zh) | 基于深度卷积模型的黄种人脸识别方法 | |
Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
CN108154133A (zh) | 基于非对称联合学习的人脸画像-照片识别方法 | |
CN107506747A (zh) | 基于视频数据特征点的人脸识别系统及方法 | |
US9697433B1 (en) | Pixel-structural reference image feature extraction | |
Vadlapati et al. | Facial recognition using the OpenCV Libraries of Python for the pictures of human faces wearing face masks during the COVID-19 pandemic | |
Niu et al. | Automatic localization of optic disc based on deep learning in fundus images | |
Ferreira et al. | Eyes in the skies: A data-driven fusion approach to identifying drug crops from remote sensing images | |
Samadzadegan et al. | A multiple classifier system for classification of LIDAR remote sensing data using multi-class SVM | |
El-Naggar et al. | Ear detection in the wild using faster R-CNN deep learning | |
Sakthimohan et al. | Detection and Recognition of Face Using Deep Learning | |
Putro et al. | Real-time multi-view face mask detector on edge device for supporting service robots in the COVID-19 pandemic | |
CN117911697A (zh) | 基于大模型分割的高光谱目标跟踪方法、系统、介质和设备 | |
Khel et al. | Realtime Crowd Monitoring—Estimating Count, Speed and Direction of People Using Hybridized YOLOv4 | |
Alam et al. | A review of automatic driving system by recognizing road signs using digital image processing |
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: 20171222 |