CN107609481B - 为人脸识别生成训练数据的方法、装置和计算机存储介质 - Google Patents

为人脸识别生成训练数据的方法、装置和计算机存储介质 Download PDF

Info

Publication number
CN107609481B
CN107609481B CN201710691048.5A CN201710691048A CN107609481B CN 107609481 B CN107609481 B CN 107609481B CN 201710691048 A CN201710691048 A CN 201710691048A CN 107609481 B CN107609481 B CN 107609481B
Authority
CN
China
Prior art keywords
network
face image
training
training data
generating
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
CN201710691048.5A
Other languages
English (en)
Other versions
CN107609481A (zh
Inventor
翁仁亮
何涛
张刚
刘经拓
刘文献
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710691048.5A priority Critical patent/CN107609481B/zh
Publication of CN107609481A publication Critical patent/CN107609481A/zh
Priority to US16/103,122 priority patent/US10860839B2/en
Application granted granted Critical
Publication of CN107609481B publication Critical patent/CN107609481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种为人脸识别生成训练数据的方法、装置和计算机存储介质，其中方法包括：将未戴配件的人脸图像输入生成式网络，得到戴配件的人脸图像；将所述戴配件的人脸图像用于建立人脸识别模型的第二训练数据；其中所述生成式网络为利用第一训练数据预先训练得到的对抗生成式网络中的生成式网络，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像。本发明通过数据增广方式得到的戴配件的人脸图像大大扩充了建立人脸识别模型的训练数据数量，从而提高了戴配件的人脸图像的识别准确性。

Description

为人脸识别生成训练数据的方法、装置和计算机存储介质
【技术领域】
本发明涉及计算机应用技术领域，特别涉及一种为人脸识别生成训练数据的方法、装置和计算机存储介质。
【背景技术】
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
目前大多数的人脸识别对于人脸图像的要求较高，而对于戴配件的人脸图像的识别准确率较差，例如佩戴眼镜、帽子、口罩等对部分人脸进行遮挡。然而，对于一些特定领域，例如司法、军队、公安、边检等等，往往需要对于戴配件的人脸图像识别有较高准确性要求，例如摄像头拍摄到一个佩戴口罩的人正在作案，就需要对摄像头拍摄到的佩戴口罩的人脸图像进行识别，而目前对于此类识别准确性很差。归根接地，此类识别准确性很差的原因在于训练数据的不足，对于未戴配件的人脸能够获得大量的图像作为训练数据，但对于戴配件的人脸图像则数量较小，很难用以训练出准确的人脸识别模型。
【发明内容】
有鉴于此，本发明提供了一种为人脸识别生成训练数据的方法、装置和计算机存储介质，以便于提高戴配件的人脸图像的识别准确性。
具体技术方案如下：
本发明提供了一种为人脸识别生成训练数据的方法，该方法包括：
将未戴配件的人脸图像输入生成式网络，得到戴配件的人脸图像；
将所述戴配件的人脸图像用于建立人脸识别模型的第二训练数据；
其中所述生成式网络为利用第一训练数据预先训练得到的对抗生成式网络中的生成式网络，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像。
根据本发明一优选实施方式，所述配件包括眼镜、口罩或帽子。
根据本发明一优选实施方式，预先训练所述对抗生成式网络包括：
获取第一训练数据，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；
将同一用户标识对应的未戴配件人脸图像和戴配件人脸图像分别作为生成式对抗网络中的生成式网络和判别式网络的输入，训练所述生成式对抗网络。
根据本发明一优选实施方式，在训练所述生成式对抗网络的过程中，所述生成式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像之间的相似度；
所述判别式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像的区分度；
固定所述生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代，直至达到纳什平衡或达到预设的交替迭代次数。
根据本发明一优选实施方式，固定所述生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代包括：
固定所述生成式网络时，利用损失函数的值对所述判别式网络进行调参，以最大化所述损失函数；固定所述判别式网络时，利用损失函数的值对所述生成式网络进行调参，以最小化损失函数；以此交替迭代；
其中所述损失函数Loss包括：
Figure BDA0001377891510000021
所述di为第一训练数据中用户标识i对应的戴配件的人脸图像的置信度，gj为所述生成式网络生成的用户标识j对应的戴配件的人脸图像的置信度，所述di和gj由所述判别式网络的输出得到。
本发明还提供了一种为人脸识别生成训练数据的装置，该装置包括：
生成单元，用于将未戴配件的人脸图像输入生成式网络，得到戴配件的人脸图像；
提供单元，用于将所述戴配件的人脸图像用于建立人脸识别模型的第二训练数据；
其中所述生成式网络为利用第一训练数据预先训练得到的对抗生成式网络中的生成式网络，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像。
根据本发明一优选实施方式，所述配件包括眼镜、口罩或帽子。
根据本发明一优选实施方式，该装置还包括：
训练单元，用于采用如下方式预先训练所述对抗生成式网络：
获取第一训练数据，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；
将同一用户标识对应的未戴配件人脸图像和戴配件人脸图像分别作为生成式对抗网络中的生成式网络和判别式网络的输入，训练所述生成式对抗网络。
根据本发明一优选实施方式，所述训练单元在训练所述生成式对抗网络的过程中，所述生成式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像之间的相似度；
所述判别式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像的区分度；
固定所述生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代，直至达到纳什平衡或达到预设的交替迭代次数。
根据本发明一优选实施方式，所述训练单元，具体执行：
固定所述生成式网络时，利用损失函数的值对所述判别式网络进行调参，以最大化所述损失函数；固定所述判别式网络时，利用损失函数的值对所述生成式网络进行调参，以最小化损失函数；以此交替迭代，直至达到纳什平衡或达到预设的交替迭代次数；
其中所述损失函数Loss包括：
Figure BDA0001377891510000041
所述di为第一训练数据中用户标识i对应的戴配件的人脸图像的置信度，gj为所述生成式网络生成的用户标识j对应的戴配件的人脸图像的置信度，所述di和gj由所述判别式网络的输出得到。
本发明还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。
本发明还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时上述的方法。
由以上技术方案可以看出，本发明利用已有的大量未戴配件的人脸图像，生成戴配件的人脸图像，将其作为建立人脸识别模型的训练数据，这种通过数据增广方式得到的戴配件的人脸图像大大扩充了建立人脸识别模型的训练数据数量，解决了戴配件人脸图像稀缺的问题，提高了戴配件的人脸图像的识别准确性。
【附图说明】
图1为本发明实施例提供的训练对抗生成式网络的方法流程图；
图2为本发明实施例提供的对抗生成式网络的结构示意图；
图3为本发明实施例提供的为人脸识别生成训练数据的方法流程图；
图4为本发明实施例提供的为人脸识别生成训练数据的装置结构图；
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
由于在实际情况中，能够获得大量的未戴配件的人脸图像，因此本发明的核心思想在于，利用已有的大量未戴配件的人脸图像得到戴配件的人脸图像，并将其作为训练人脸识别模型的训练数据。但在利用未戴配件的人脸图像得到戴配件的人脸图像时，目标是尽量使得得到的戴配件的人脸图像与真实的戴配件的人脸图像尽量相似。下面结合实施例对本发明提供的方法进行详细描述。
在本发明中，建立人脸识别模型所使用的训练数据是通过生成网络产生的。该生成网络属于对抗生成网络(GAN，Generative Adversarial Networks)，因此本发明就涉及到两个过程：GAN的训练过程以及利用GAN中的生成网络产生训练数据的过程。在本发明实施例中，为了将训练GAN所采用的训练数据与利用GAN中的生成网络产生的训练数据相区别，将前者称为第一训练数据，将后者称为第二训练数据。
为了方便对本发明的理解，首先对训练GAN的过程进行详细描述。参见图1，该训练GAN的过程可以包括以下步骤：
在101中，获取第一训练数据，第一训练数据包括同一用户标识对应的未戴配件的人脸图像和戴配件的人脸图像。
首先需要获取已知用户标识的未戴配件的人脸图像，以及戴配件的人脸图像，作为训练GAN所使用的训练数据，这部分数据的数量相比较训练人脸识别模型所要使用的训练数据的数量通常要小得多。
另外需要说明的是，对于不同的配件需要训练不同的GAN，也就是说，在针对某种配件来训练该种配件的GAN时，需要获取的第一训练数据中，也是戴该种配件的人脸图像。例如，在针对眼镜训练GAN时，获取同一用户标识对应的戴眼镜的人脸图像和未戴眼镜的人脸图像。在针对口罩训练GAN时，获取同一用户标识对应的戴口罩的人脸图像和未戴口罩的人脸图像。在针对帽子训练GAN时，获取同一用户标识对应的戴帽子的人脸图像和未戴帽子的人脸图像。等等。
另外，在第一训练数据中，未戴配件的人脸图像优选未戴任何配件的人脸图像。
在102中，将同一用户标识对应的未戴配件的人脸图像和戴配件的人脸图像分别作为GAN中的生成式网络和判别式网络的输入，训练该生成式对抗网络。
首先对GAN的结构进行简单介绍，在GAN中主要包括两个网络：生成式网络(G网络)和判别式网络(D网络)。生成式网络中将输入的样本1生成样本1”，其目标是使得生成的样本1”尽量与样本1'接近。其中，样本1'是“真实的”样本。判别式网络的目标是尽量的对样本1'和样本1”进行区分，即区分出样本的“真假”，到底是生成式网络产生的样本还是“真实的”样本。在训练GAN过程中，固定生成式网络和判别式网络中的一个，然后利用另一个网络的训练目标对该另一个网络进行训练，交替迭代。在交替迭代的过程中，双方都极力优化自己的网络，从而形成竞争对抗，直到双方达到一个动态的平衡，即纳什均衡，至此GAN训练完毕。训练完毕后，生成式网络尽量造出与样本1'一样的样本，判别式网络判别不出来正确的结果，正确率为50％，约等于乱猜。
在本发明实施例中，上述样本1和样本1'分别对应第一训练数据中同一用户标识对应的未戴配件的人脸图像和戴配件的人脸图像，样本1”为生成式网络依据未戴配件的人脸图像生成的戴配件的人脸图像，其目标是使得生成的戴配件的人脸图像尽量与第一训练数据中同一用户标识对应的戴配件的人脸图像(真实的戴配件的人脸图像)相似，即最大化生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像之间的相似度。判别式网络的训练目标是尽量对生成式网络生成的戴配件的人脸图像与真实的戴配件的人脸图像进行区分，即最大化生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像的区分度。
在本发明实施例中，可以采用损失函数实现上述的交替迭代。固定生成式网络时，利用损失函数的值对判别式网络进行调参，以最大化该损失函数；固定判别式网络时，利用损失函数的值对生成式网络进行调参，以最小化损失函数，以此交替迭代。
其中，损失函数可以采用但不限于如下公式：
Figure BDA0001377891510000071
di为第一训练数据中用户标识i对应的戴配件的人脸图像的置信度，gj为所述生成式网络生成的用户标识j对应的戴配件的人脸图像的置信度，所述di和gj由所述判别式网络的输出得到。
上述生成式模型可以采用但不限于HMM(Hidden Markov Model，隐马尔科夫模型)、朴素贝叶斯模型、GMM(Gaussian Mixture Model，高斯混合模型)、LDA(LinearDiscriminant Analysis，线性判别分析)等等。判别式模型可以采用但不限于：线性回归模型、线性判别分析、SVM(Support Vector Machine，支持向量机)、神经网络等等。
结束对GAN的训练后，获取GAN中的生成式网络，利用该生成式网络生成人脸识别模型所采用的第二训练数据。
图3为本发明实施例提供的为人脸识别生成训练数据的方法流程图，如图3所示，该方法可以包括以下步骤：
在301中，将已标注用户标识的未戴配件的人脸图像输入生成式网络，得到该用户标识对应的戴配件的人脸图像。
本步骤实际上是利用大量已经存在的未戴配件的人脸图像，生成戴配件的人脸图像的过程。经过图1所示流程的GAN训练过程，GAN中的生成式网络已经很好地学习到戴配件的特征分布，以使得在未戴配件的人脸图像基础上产生戴配件的人脸图像。
例如，将某用户未戴配件的人脸图像输入眼镜对应的生成式网络，就可以在此未戴配件的人脸图像的基础上得到该用户戴眼镜的人脸图像。再例如，将某用户未戴配件的人脸图像输入口罩对应的生成式网络，就可以在此未戴配件的人脸图像的基础上得到戴口罩的人脸图像。再例如，将某用户未戴配件的人脸图像输入帽子对应的生成式网络，就可以在此未戴配件的人脸图像的基础上得到戴帽子的人脸图像。
在302中，将301得到的戴配件的人脸图像用于建立人脸识别模型的第二训练数据。
在本发明实施例中，在建立人脸识别模型时，可以将各标记了用户标识的戴配件的人脸图像作为人脸识别模型的训练数据，该训练数据中也可以包含未戴配件的人脸图像。
对于人脸识别模型的建立过程，本发明并不加以限制，在通过本发明提供的方式获得了第二训练数据后，基于该第二训练数据采用任意可实现的模型训练方式训练得到人脸识别模型即可。由于采用了数据增广的方式大大提高了戴配件的人脸图像的数量，因此将其作为训练数据训练得到的人脸识别模型对于戴配件的人脸能够进行更高准确率的识别。
以上是对本发明提供的方法进行的详细描述，下面结合实施例对本发明提供的装置进行详细描述。
图4为本发明实施例提供的为人脸识别生成训练数据的装置结构图，如图4所示，该装置可以包括：生成单元01和提供单元02，还可以包括训练单元03。其中各组成单元的主要功能如下：
首先介绍训练单元03，其负责预先训练GAN。具体地，可以首先获取第一训练数据，第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；然后，将同一用户标识对应的未戴配件人脸图像和戴配件人脸图像分别作为GAN中的生成式网络和判别式网络的输入，训练GAN。
其中，训练单元03在训练GAN的过程中，生成式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像之间的相似度；判别式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像的区分度。固定生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代，直至达到纳什平衡或达到预设的交替迭代次数。
其中，训练单元03固定生成式网络时，可以利用损失函数的值对判别式网络进行调参，以最大化损失函数；固定判别式网络时，利用损失函数的值对生成式网络进行调参，以最小化损失函数；以此交替迭代，直至达到纳什平衡或达到预设的交替迭代次数。
其中损失函数Loss可以采用但不限于以下公式：
Figure BDA0001377891510000091
di为第一训练数据中用户标识i对应的戴配件的人脸图像的置信度，gj为生成式网络生成的用户标识j对应的戴配件的人脸图像的置信度，di和gj由判别式网络的输出得到。
上述生成式模型可以采用但不限于HMM(隐马尔科夫模型)、朴素贝叶斯模型、GMM(高斯混合模型)、LDA等等。判别式模型可以采用但不限于：线性回归模型、线性判别分析、SVM(支持向量机)、神经网络等等。
生成单元01负责将未戴配件的人脸图像输入生成式网络，得到戴配件的人脸图像。生成单元01实际上是利用大量已经存在的未戴配件的人脸图像(已标记用户标识)，生成戴配件的人脸图像。经过训练单元03的GAN训练过程，GAN中的生成式网络已经很好地学习到戴配件的特征分布，以使得在未戴配件的人脸图像基础上产生戴配件的人脸图像。
提供单元02负责将戴配件的人脸图像用于建立人脸识别模型的第二训练数据。在建立人脸识别模型时，可以将各标记了用户标识的戴配件的人脸图像作为人脸识别模型的训练数据，该训练数据中也可以包含未戴配件的人脸图像。
本实施例中涉及的配件可以包括眼镜、口罩或帽子。针对不同类型的配件分别训练对应的GAN，并利用对应类型的配件的GAN生成戴该类配件的人脸图像。
下面列举几个应用场景：
场景1：当通过公共场所的摄像图捕捉到犯罪嫌疑人的人脸图像后，即便犯罪嫌疑人采用墨镜、口罩或者帽子等进行部分人脸的遮挡，也能够较准确地识别出犯罪嫌疑人的身份，从而为司法、公安等领域提供破案依据。
场景2：在机场、边检等场所，可以通过摄像头捕捉用户的人脸图像以对用户身份进行验证。用户在佩戴诸如墨镜、口罩或者帽子等情况下，无需脱卸也可以实现准确的身份验证，一方面提高了机场、边检等的效率，另一方面也为用户带来了便利，提高了用户体验。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图5显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现如图1或3所示的处理流程。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明保护的范围之内。

Claims (8)

1.一种为人脸识别生成训练数据的方法，其特征在于，该方法包括：
将未戴配件的人脸图像输入生成式网络，得到戴配件的人脸图像；
将所述戴配件的人脸图像用于建立人脸识别模型的第二训练数据；
其中所述生成式网络为利用第一训练数据预先训练得到的对抗生成式网络中的生成式网络，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；其中，
预先训练所述对抗生成式网络包括：
获取第一训练数据，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；
将同一用户标识对应的未戴配件人脸图像和戴配件人脸图像分别作为生成式对抗网络中的生成式网络和判别式网络的输入，训练所述生成式对抗网络；在训练所述生成式对抗网络的过程中，
所述生成式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像之间的相似度；
所述判别式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像的区分度；
固定所述生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代，直至达到纳什平衡或达到预设的交替迭代次数。
2.根据权利要求1所述的方法，其特征在于，所述配件包括眼镜、口罩或帽子。
3.根据权利要求1所述的方法，其特征在于，固定所述生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代包括：
固定所述生成式网络时，利用损失函数的值对所述判别式网络进行调参，以最大化所述损失函数；固定所述判别式网络时，利用损失函数的值对所述生成式网络进行调参，以最小化损失函数；以此交替迭代；
其中所述损失函数Loss包括：
Figure FDA0002629383280000021
所述di为第一训练数据中用户标识i对应的戴配件的人脸图像的置信度，gj为所述生成式网络生成的用户标识j对应的戴配件的人脸图像的置信度，所述di和gj由所述判别式网络的输出得到。
4.一种为人脸识别生成训练数据的装置，其特征在于，该装置包括：
生成单元，用于将未戴配件的人脸图像输入生成式网络，得到戴配件的人脸图像；
提供单元，用于将所述戴配件的人脸图像用于建立人脸识别模型的第二训练数据；
其中所述生成式网络为利用第一训练数据预先训练得到的对抗生成式网络中的生成式网络，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；其中，该装置还包括：
训练单元，用于采用如下方式预先训练所述对抗生成式网络：
获取第一训练数据，所述第一训练数据包括同一用户标识对应的未戴配件人脸图像和戴配件人脸图像；
将同一用户标识对应的未戴配件人脸图像和戴配件人脸图像分别作为生成式对抗网络中的生成式网络和判别式网络的输入，训练所述生成式对抗网络；所述训练单元在训练所述生成式对抗网络的过程中，
所述生成式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像之间的相似度；
所述判别式网络的训练目标为：最大化所述生成式网络生成的戴配件的人脸图像与第一训练数据中同一用户标识对应的戴配件的人脸图像的区分度；
固定所述生成式网络和判别式网络中的一个网络，利用另一个网络的训练目标对该另一个网络进行训练，交替迭代，直至达到纳什平衡或达到预设的交替迭代次数。
5.根据权利要求4所述的装置，其特征在于，所述配件包括眼镜、口罩或帽子。
6.根据权利要求4所述的装置，其特征在于，所述训练单元，具体执行：
固定所述生成式网络时，利用损失函数的值对所述判别式网络进行调参，以最大化所述损失函数；固定所述判别式网络时，利用损失函数的值对所述生成式网络进行调参，以最小化损失函数；以此交替迭代，直至达到纳什平衡或达到预设的交替迭代次数；
其中所述损失函数Loss包括：
Figure FDA0002629383280000031
所述di为第一训练数据中用户标识i对应的戴配件的人脸图像的置信度，gj为所述生成式网络生成的用户标识j对应的戴配件的人脸图像的置信度，所述di和gj由所述判别式网络的输出得到。
7.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-3中任一所述的方法。
CN201710691048.5A 2017-08-14 2017-08-14 为人脸识别生成训练数据的方法、装置和计算机存储介质 Active CN107609481B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710691048.5A CN107609481B (zh) 2017-08-14 2017-08-14 为人脸识别生成训练数据的方法、装置和计算机存储介质
US16/103,122 US10860839B2 (en) 2017-08-14 2018-08-14 Method and apparatus for generating training data for human face recognition, device and computer storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710691048.5A CN107609481B (zh) 2017-08-14 2017-08-14 为人脸识别生成训练数据的方法、装置和计算机存储介质

Publications (2)

Publication Number Publication Date
CN107609481A CN107609481A (zh) 2018-01-19
CN107609481B true CN107609481B (zh) 2020-11-20

Family

ID=61064715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710691048.5A Active CN107609481B (zh) 2017-08-14 2017-08-14 为人脸识别生成训练数据的方法、装置和计算机存储介质

Country Status (2)

Country Link
US (1) US10860839B2 (zh)
CN (1) CN107609481B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI817680B (zh) * 2021-12-21 2023-10-01 鴻海精密工業股份有限公司 影像擴增方法以及裝置

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407912B (zh) * 2016-08-31 2019-04-02 腾讯科技（深圳）有限公司 一种人脸验证的方法及装置
CN109753850B (zh) * 2017-11-03 2022-10-25 富士通株式会社 面部识别模型的训练方法和训练设备
CN108416326B (zh) * 2018-03-27 2021-07-16 百度在线网络技术（北京）有限公司 人脸识别方法和装置
CN108509892B (zh) * 2018-03-28 2022-05-13 百度在线网络技术（北京）有限公司 用于生成近红外图像的方法和装置
CN108596343B (zh) * 2018-03-29 2020-09-29 杭州电子科技大学 一种基于反馈调节提高生成对抗网络稳定性的方法
CN108875549B (zh) * 2018-04-20 2021-04-09 北京旷视科技有限公司 图像识别方法、装置、系统及计算机存储介质
CN108710831B (zh) * 2018-04-24 2021-09-21 华南理工大学 一种基于机器视觉的小数据集人脸识别算法
CN110399764A (zh) * 2018-04-24 2019-11-01 华为技术有限公司 人脸识别方法、装置及计算机可读介质
US10762337B2 (en) * 2018-04-27 2020-09-01 Apple Inc. Face synthesis using generative adversarial networks
CN108596265B (zh) * 2018-05-02 2022-04-08 中山大学 基于文本描述信息和生成对抗网络的视频生成模型
CN109190648B (zh) * 2018-06-26 2020-12-29 Oppo（重庆）智能科技有限公司 模拟环境生成方法、装置、移动终端及计算机可读取存储介质
CN108875989B (zh) * 2018-06-29 2022-12-27 北京金山安全软件有限公司 基于人脸识别的预定方法、装置、计算机设备及存储介质
CN109063506B (zh) * 2018-07-09 2021-07-06 江苏达实久信数字医疗科技有限公司 用于医疗手术示教系统的隐私处理方法
CN109190674B (zh) * 2018-08-03 2021-07-20 百度在线网络技术（北京）有限公司 训练数据的生成方法及装置
GB2580629B (en) * 2019-01-17 2023-02-15 Smiths Heimann Sas Classifier using data generation
CN111489290B (zh) * 2019-04-02 2023-05-16 长信智控网络科技有限公司 一种人脸图像超分辨重建方法、装置及终端设备
CN111861948B (zh) * 2019-04-26 2024-04-09 北京陌陌信息技术有限公司 图像处理方法、装置、设备及计算机存储介质
CN110135336B (zh) * 2019-05-14 2023-08-25 腾讯科技（深圳）有限公司 行人生成模型的训练方法、装置及存储介质
CN110349081B (zh) * 2019-06-17 2023-04-07 达闼科技（北京）有限公司 图像的生成方法、装置、存储介质和电子设备
CN112132912B (zh) * 2019-06-25 2024-02-13 北京百度网讯科技有限公司 建立人脸生成模型以及生成人脸图像的方法、装置
CN110633677B (zh) * 2019-09-18 2023-05-26 威盛电子股份有限公司 人脸识别的方法及装置
US11475608B2 (en) 2019-09-26 2022-10-18 Apple Inc. Face image generation with pose and expression control
WO2021060971A1 (en) * 2019-09-27 2021-04-01 Mimos Berhad A method for augmenting a plurality of face images
CN110838042B (zh) * 2019-10-29 2022-08-30 深圳市掌众信息技术有限公司 一种商品展示方法及系统
US11335128B2 (en) * 2019-11-19 2022-05-17 Visa International Service Association Methods and systems for evaluating a face recognition system using a face mountable device
US11361563B2 (en) * 2019-11-25 2022-06-14 Jacob Daniel Brumleve Audio-visual simulation-generating neural network system
US11170203B2 (en) * 2019-11-27 2021-11-09 National Central University Training data generation method for human facial recognition and data generation apparatus
CN110969139A (zh) * 2019-12-11 2020-04-07 深圳市捷顺科技实业股份有限公司 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置
CN111046975B (zh) * 2019-12-27 2023-05-12 深圳云天励飞技术有限公司 人像生成方法、装置、系统、电子设备及存储介质
CN111488804B (zh) * 2020-03-19 2022-11-11 山西大学 基于深度学习的劳保用品佩戴情况检测和身份识别的方法
CN113435226B (zh) * 2020-03-23 2022-09-16 北京百度网讯科技有限公司 信息处理方法和装置
CN111695431A (zh) * 2020-05-19 2020-09-22 深圳禾思众成科技有限公司 一种人脸识别方法、装置、终端设备及存储介质
CN111598040B (zh) * 2020-05-25 2024-05-14 中建三局第二建设工程有限责任公司 一种建筑工人身份识别及安全帽佩戴检测方法及系统
US11710346B2 (en) 2020-05-28 2023-07-25 Nec Corporation Facial recognition for masked individuals
CN111680597B (zh) * 2020-05-29 2023-09-01 北京百度网讯科技有限公司 人脸识别模型处理方法、装置、设备和存储介质
CN111914630A (zh) * 2020-06-19 2020-11-10 北京百度网讯科技有限公司 为人脸识别生成训练数据的方法、装置、设备和存储介质
CN111914628B (zh) * 2020-06-19 2023-06-20 北京百度网讯科技有限公司 人脸识别模型的训练方法和装置
CN111914629A (zh) * 2020-06-19 2020-11-10 北京百度网讯科技有限公司 为人脸识别生成训练数据的方法、装置、设备和存储介质
CN111767832A (zh) * 2020-06-28 2020-10-13 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN111932439A (zh) * 2020-06-28 2020-11-13 深圳市捷顺科技实业股份有限公司 一种戴口罩人脸图像生成方法及相关装置
CN111738217B (zh) * 2020-07-24 2020-11-13 支付宝(杭州)信息技术有限公司 生成人脸对抗补丁的方法和装置
CN112052781A (zh) * 2020-09-01 2020-12-08 平安科技（深圳）有限公司 特征提取模型训练方法、人脸识别方法、装置、设备及介质
US11416595B2 (en) * 2020-09-01 2022-08-16 Nortek Security & Control Llc Facial authentication system
CN112330533A (zh) * 2020-11-13 2021-02-05 北京字跳网络技术有限公司 混血人脸图像生成方法、模型训练方法、装置和设备
CN112329743B (zh) * 2021-01-04 2021-04-27 华东交通大学 一种疫情环境下的异常体温监控方法、装置及介质
CN112766208A (zh) * 2021-01-28 2021-05-07 北京三快在线科技有限公司 一种模型训练的方法及装置
US11763135B2 (en) * 2021-03-01 2023-09-19 Robert Bosch Gmbh Concept-based adversarial generation method with steerable and diverse semantics
CN113723243B (zh) * 2021-08-20 2024-05-17 南京华图信息技术有限公司 一种戴面罩的热红外图像人脸识别方法及应用
CN114528961A (zh) * 2022-02-21 2022-05-24 京北方信息技术股份有限公司 一种可识别二维码图像生成方法、装置、设备及存储介质
CN114283485B (zh) * 2022-03-04 2022-10-14 杭州格物智安科技有限公司 一种安全帽佩戴检测方法、装置、存储介质及安全帽

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034079A (zh) * 2009-09-24 2011-04-27 汉王科技股份有限公司 眼镜遮挡下的人脸识别方法和系统
CN104408405A (zh) * 2014-11-03 2015-03-11 北京畅景立达软件技术有限公司 人脸表示和相似度计算方法
CN105184253A (zh) * 2015-09-01 2015-12-23 北京旷视科技有限公司 一种人脸识别方法和人脸识别系统
CN107016406A (zh) * 2017-02-24 2017-08-04 中国科学院合肥物质科学研究院 基于生成式对抗网络的病虫害图像生成方法
CN104408426B (zh) * 2014-11-27 2018-07-24 小米科技有限责任公司 人脸图像眼镜去除方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8879804B1 (en) * 2010-12-18 2014-11-04 Alexey Konoplev System and method for automatic detection and recognition of facial features
US9971958B2 (en) * 2016-06-01 2018-05-15 Mitsubishi Electric Research Laboratories, Inc. Method and system for generating multimodal digital images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034079A (zh) * 2009-09-24 2011-04-27 汉王科技股份有限公司 眼镜遮挡下的人脸识别方法和系统
CN104408405A (zh) * 2014-11-03 2015-03-11 北京畅景立达软件技术有限公司 人脸表示和相似度计算方法
CN104408426B (zh) * 2014-11-27 2018-07-24 小米科技有限责任公司 人脸图像眼镜去除方法及装置
CN105184253A (zh) * 2015-09-01 2015-12-23 北京旷视科技有限公司 一种人脸识别方法和人脸识别系统
CN107016406A (zh) * 2017-02-24 2017-08-04 中国科学院合肥物质科学研究院 基于生成式对抗网络的病虫害图像生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks;Alec Radford et al;《https://arxiv.org/abs/1511.06434》;20160107;第1-16页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI817680B (zh) * 2021-12-21 2023-10-01 鴻海精密工業股份有限公司 影像擴增方法以及裝置

Also Published As

Publication number Publication date
US20190050632A1 (en) 2019-02-14
CN107609481A (zh) 2018-01-19
US10860839B2 (en) 2020-12-08

Similar Documents

Publication Publication Date Title
CN107609481B (zh) 为人脸识别生成训练数据的方法、装置和计算机存储介质
EP3477519B1 (en) Identity authentication method, terminal device, and computer-readable storage medium
CN108509915B (zh) 人脸识别模型的生成方法和装置
US11487995B2 (en) Method and apparatus for determining image quality
CN108875833B (zh) 神经网络的训练方法、人脸识别方法及装置
US10776470B2 (en) Verifying identity based on facial dynamics
CN107563283B (zh) 生成攻击样本的方法、装置、设备及存储介质
EP3373202B1 (en) Verification method and system
EP3885965B1 (en) Image recognition method based on micro facial expressions, apparatus and related device
US20220172518A1 (en) Image recognition method and apparatus, computer-readable storage medium, and electronic device
CN109034069B (zh) 用于生成信息的方法和装置
CN105518708A (zh) 用于验证活体人脸的方法、设备和计算机程序产品
CN107609463B (zh) 活体检测方法、装置、设备及存储介质
CN110059624B (zh) 用于检测活体的方法和装置
Alburaiki et al. Mobile based attendance system: face recognition and location detection using machine learning
CN113177892A (zh) 生成图像修复模型的方法、设备、介质及程序产品
CN110688878B (zh) 活体识别检测方法、装置、介质及电子设备
CN110909889A (zh) 一种基于特征分布的训练集生成、模型训练方法及装置
Boutros et al. Exfacegan: Exploring identity directions in gan’s learned latent space for synthetic identity generation
EP4058912A1 (en) Using an enrolled biometric dataset to detect adversarial examples in biometrics-based authentication system
CN113343898B (zh) 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备
CN114067394A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN115050085B (zh) 基于图谱的模拟机管理系统对象识别方法、系统及设备
Younus et al. A Comparative Analysis of Face Detection Algorithms and Real-Time Facial Recognition
US20230385336A1 (en) Video retrieval method and apparatus

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
GR01 Patent grant
GR01 Patent grant