CN107832700A - 一种人脸识别方法与系统 - Google Patents

一种人脸识别方法与系统 Download PDF

Info

Publication number
CN107832700A
CN107832700A CN201711068992.1A CN201711068992A CN107832700A CN 107832700 A CN107832700 A CN 107832700A CN 201711068992 A CN201711068992 A CN 201711068992A CN 107832700 A CN107832700 A CN 107832700A
Authority
CN
China
Prior art keywords
face
convolutional
neural network
features
convolutional neural
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
CN201711068992.1A
Other languages
English (en)
Inventor
闫凯锋
其他发明人请求不公开姓名
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.)
All Know Technology (beijing) Co Ltd
Original Assignee
All Know Technology (beijing) 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 All Know Technology (beijing) Co Ltd filed Critical All Know Technology (beijing) Co Ltd
Priority to CN201711068992.1A priority Critical patent/CN107832700A/zh
Publication of CN107832700A publication Critical patent/CN107832700A/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种人脸识别方法与系统，所述方法包括如下步骤：S1：获取并预处理图像；S2：提取人脸特征；S3:比较所述人脸特征与预设的标准脸的标准脸特征之间的距离，并得出比较结果；及S4:当所述比较结果高于预设的阈值时，判断为同一人脸；当所述第二比较结果低于所述阈值时，判断为不同人脸；其中步骤S2中，使用深度卷积神经网络提取人脸特征，全卷积网络设有16个卷积层，每个所述卷积层的卷积核大小为1×1和3×3，除最后一个卷积层外，每个卷积层均使用批归一化层进行归一化；归一化后使用RELU激活函数进行激活；使用softmax损失函数和中心损失函数的组合进行训练。由于深度卷积神经网络模型中不包含全连接层，由1×1和3×3的卷积层组成。因此，能够显著减少网络参数和计算量，最终模型小于2M。

Description

一种人脸识别方法与系统
技术领域
本发明涉及图像识别技术领域，具体来说是一种人脸识别方法及系统。
背景技术
近年来，主流人脸识别方法是使用深度卷积神经网络。这类人脸识别方法 缺点是，卷积神经网络模型比较大，在几十MB到上百MB，并且由于计算量 大，只能运行在GPU上。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种人脸识别方法，包括如下步骤：S1： 获取并预处理图像；S2：提取人脸特征；S3:比较所述人脸特征之间的距离，并 得出第一比较结果；及S4:根据所述第一比较结果得出结论；其中步骤S2中， 使用深度卷积神经网络提取人脸特征，全卷积网络设有16个卷积层，每个所述 卷积层的卷积核大小为1×1和3×3，除最后一个卷积层外，每个卷积层均使用 批归一化层进行归一化；归一化后使用RELU激活函数进行激活；使用softmax 损失函数和中心损失函数的组合进行训练。
可选地，步骤S1进一步包括：S11：从视频数据流中解码并获得单帧图像； S12：检测所述单帧图像中的人脸所在的区域；S13：定位人脸关键点，并获取 人脸关键点信息；S14：将所述人脸关键点信息与预存的标准脸的标准脸关键点 信息对比，使得所述人脸与所述标准脸对齐。
可选地，步骤S3进一步包括：S31：使用余弦距离比较所述人脸特征与所述 标准脸的标准脸特征的距离，并产生第二比较结果；S32：当所述第二比较结果 高于预设的阈值时，判断为同一人脸；当所述第二比较结果低于所述阈值时， 判断为不同人脸。
可选地，步骤S14进一步包括：根据5个所述人脸关键点信息和5个所述标准 脸关键点信息构建变换矩阵，使用仿射变换进行人脸对齐。
可选地，步骤S12中，检测所述单帧图像中的人脸所在的正方形区域。
根据本申请的另一个方面，提供了一种人脸识别系统，包括：图像获取和 预处理模块，其配置成获取和处理图像；深度卷积神经网络训练模块，其配置 成根据预设的损失函数进行深度卷积神经网络模型的训练；人脸特征提取模块， 其配置成根据所述深度卷积神经网络模型提取人脸特征；距离比较模块，其配 置成比较人脸特征与预存的标准脸特征的距离，并产生比较结果；及结果输出 模块，根据所述比较结果得出结论。
可选地，所述图像获取和预处理模块进一步包括：视频解码模块，其配置 成将摄像头获取的视频码流解码为单帧图片；人脸检测模块，其配置成通过级 联卷积神经网络检测图片中的人脸位置；关键点定位模块，其配置成通过级联 卷积神经网络定位人脸的关键点；人脸对齐模块，其配置成根据关键点进行仿 射变换，实现人脸对齐。
本申请由于深度卷积神经网络模型中不包含全连接层，由1×1和3×3的卷 积层组成。因此，能够显著减少网络参数和计算量，最终模型小于2M。
进一步地，本申请的深度卷积神经网络模型结合了中心损失函数，能够实 现快速高效人脸识别。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将 会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实 施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人 员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本发明一实施例中人脸识别方法流程示意图；
图2为本发明一实施例中人脸识别方法流程示意图；
图3为本发明一实施例中人脸识别方法流程示意图；
图4为本发明一实施例中人脸识别系统结构示意图；
图5为本发明一实施例中人脸识别系统结构示意图；
图6为本发明一实施例中深度卷积神经网络结构；
图7为本发明一实施例中一种计算机设备的示意图；
图8为本发明一实施例中一种计算机可读存储介质的示意图。
具体实施方式
请参照图1，在本申请一实施例中人脸识别方法，包括如下步骤：S1：获取 并预处理图像；S2：提取人脸特征；S3:比较人脸特征之间的距离，并得出第 一比较结果；及S4:根据第一比较结果得出结论；其中步骤S2中，使用深度卷积 神经网络提取人脸特征，全卷积网络设有16个卷积层，每个卷积层的卷积核大 小为1×1和3×3，除最后一个卷积层外，每个卷积层均使用批归一化层进行归 一化；归一化后使用RELU激活函数进行激活；使用softmax损失函数和中心损失 函数的组合进行训练。
其中，关于RELU激活函数、softmax损失函数以及中心损失函数的解释如下：
RELU函数的定义:
线性整流函数(Rectified Linear Unit,ReLU),又称修正线性单元,是 一种人工神经网络中常用的激活函数(activation function)。
比较常用的线性整流函数有斜坡函数f(x)＝max(0,x)以及带泄露整流函数(Leaky ReLU)，其中x为神经元(Neuron)的输入。线性整流被认为有一定的生物 学原理[1]，并且由于在实践中通常有着比其他常用激活函数(譬如逻辑函数) 更好的效果，而被如今的深度神经网络广泛使用于诸如图像识别等计算机视觉 人工智能领域。
需要注意的是，本专利中使用的是带泄露整流函数(Leaky ReLU)。函数定 义是f(x)＝1(x<0)(αx)+1(x>＝0)(x)，其中α是一个很小的常数。
Softmax的定义：
Softmax函数，或称归一化指数函数，是逻辑函数的一种推广。它能将一个 含任意实数的K维的向量的“压缩”到另一个K维实向量中，使得每一个元素 的范围都在(0,1)之间，并且所有元素的和为1。该函数的形式通常按下面 的式子给出：
中心损失函数(Centerloss)的定义：
Center loss实现方式：有监督的方式，对每一个分类学习到一个中心点， 并根据特征与其中心点的距离来设定惩罚函数。进而缩少类内的距离，使学习 到的特征具有更好的泛化性和辨别能力。
数据集中，每个人为一个分类class；每个人有多张人脸，每张人脸标记所 属分类class。(表示该张人脸属于哪个人)模型学习每张人脸特征，结合其label 找到每个每个分类对应的center。
每个batch中，计算出多个center，并一直更新center。计算center的同时 计算惩罚函数(惩罚函数根据该特征值与其对应的center的距离计算得来)。
中心损失函数xi：第i张图片的特征值；该图 片所属分类的中心(该分类的特征值的中心)。
例如使用深度卷积神经网络提取人脸对应的特征，使用的卷积神经网络特 征为：全卷积网络，16个卷积层，卷积层的卷积核大小为1×1和3×3；除最后 一个卷积层外，每个卷积层均使用批归一化层进行归一化；归一化后使用RELU 激活函数进行激活；使用softmax损失函数和中心损失函数的组合进行训练。卷 积层与池化层的设计见表1，其中conv表示卷积层，max表示最大池化层，avg 表示平均池化层。
表1
请参照图2，在本申请一实施例中，步骤S1进一步包括：S11：从视频数据 流中解码并获得单帧图像；S12：检测单帧图像中的人脸所在的正方形区域；S13： 定位人脸关键点，并获取人脸关键点信息；S14：将5个人脸关键点信息与预存 的5个标准脸的标准脸关键点信息对比并构建变换矩阵，然后通过仿射变换技术 使得人脸与标准脸对齐。在本实施例中，步骤S12检测的是正方形区域，然而并 不以此为限，本领域技术人员可以根据实际需求改变检测区域的形状，均属于 本发明所要求保护的范围。同时在本实施例中，人脸关键点信息和标准脸关键 点信息的数量为5个，且通过变换矩阵和仿射变换技术进行人脸对齐。然而并不 以此为限，本领域技术人员可以根据实际需求改变人脸关键点信息和标准脸关键点信息的数量以及将人脸与标准脸对其的方法，均属于本发明所要求保护的 范围。
请参照图3，在本申请一实施例中，步骤S3进一步包括：S31：使用余弦距 离比较人脸特征与标准脸的标准脸特征的距离，并产生第二比较结果；S32：当 第二比较结果高于预设的阈值时，判断为同一人脸；当第二比较结果低于阈值 时，判断为不同人脸。
请参照图4，本发明一实施例还提供了一种人脸识别系统100，包括：图像 获取和预处理模块101、深度卷积神经网络训练模块102、人脸特征提取模块103、 距离比较模块104及结果输出模块105。其中图像获取和预处理模块配置成获取 和处理图像；深度卷积神经网络训练模块根据预设的损失函数进行深度卷积神 经网络模型的训练；人脸特征提取模块根据深度卷积神经网络模型提取人脸特 征；距离比较模块比较人脸特征与预存的标准脸特征的距离，并产生比较结果； 结果输出模块根据比较结果得出结论。其中深度卷积神经网络训练模块，根据 预设的损失函数进行深度卷积神经网络模型的训练，损失函数为softmax损失函 数和中心损失函数的组合。在本实施例中，人脸特征提取模块为深度卷积神经 网络提取特征模块，根据神经网络模型提取人脸特征，即使用人脸图片作为输 入，对所述神经网络模型进行前向传播，提取最后一个层的特征作为人脸特征。 但并不以此为限。
请参照图5，在本申请一实施例中，图像获取和预处理模块101进一步包括： 视频解码模块1011、人脸检测模块1012、关键点定位模块1013及人脸对齐模块 1014。其中视频解码模块1011将摄像头获取的视频码流解码为单帧图片；人脸 检测模块101通过级联卷积神经网络检测图片中的人脸位置；关键点定位模块 1013通过级联卷积神经网络定位人脸的关键点；人脸对齐模块1014根据关键点 进行仿射变换，实现人脸对齐。
当使用该人脸识别系统时，视频解码模块1011对拍摄到的视频进行解码， 解码后为三通道的单帧图片。人脸检测模块1012和关键点定位模块1013使用级 联卷积神经网络进行人脸检测和关键点定位。网络包括三个阶段：
第一阶段，使用浅层CNN快速产生候选窗，获得候选人脸区域和边界回归向 量，使用非最大值抑制方法去除重叠区域；
第二阶段，通过更复杂的CNN精炼候选窗，使用全连接方式训练上一阶段确 定的图片，利用边界向量微调候选人脸区域；
第三阶段，与上一阶段功能相似，区别是在去除重叠的候选人脸区域时， 计算5个人脸关键点位置。
标准脸为数据库中的一张正面人脸。人脸对齐模块1014根据检测到的人脸 上5个关键点和标准脸上的5个关键点构建变换矩阵，使用仿射变换进行人脸对 齐。
深度卷积神经网络训练模块102:
本发明设计的深度卷积网络模型具有以下优点：层数深，包括16个卷积层， 合计53个层，足够深的网络保证了更好的识别精度；参数少，由于只采用了1x1 和3x3的卷积层，使得网络的参数非常少，最终模型只有2MB以下，非常适于移 动应用；精度高，在LFW数据集上达到99％的精度。
使用的卷积神经网络特征为：全卷积网络，16个卷积层，卷积层的卷积核 大小为1×1和3×3；除最后一个卷积层外，每个卷积层均使用批归一化层进行 归一化；归一化后使用RELU激活函数进行激活；使用softmax损失函数和中心损 失函数的组合进行训练。卷积层与池化层的设计见表2，其中conv表示卷积层，max表示最大池化层，avg表示平均池化层。输入图片为三通道，160×160大小。 表2中同时给出了网络每一层的输入尺寸和输出尺寸。图6表示所述的卷积神经 网络模型结构。其中data表示输入，conv表示卷积层，bn表示批归一化层，relu 表示RELU激活函数，pool表示池化层，prob表示输出概率。
所述卷积神经网络训练时使用的损失函数为softmax函数和中心损失 函数的组合。在这两个损失函数的监督下，所设计的深度卷积网络能够获得 更好的类内紧密度和类间分散度。中心损失函数在训练的过程中，每类学习一 个中心并不断更新，缩小特征和类中心的距离。
表2
人脸特征的提取过程是通过深度卷积神经网络提取特征模块使用人脸图片 作为输入数据，在深度卷积神经网络进行一次前向传播，将最后一层的输出作 为人脸特征。
通过距离比较模块104使用余弦距离进行特征间距离比较。所述深度卷积神 经网络生成1792维特征，将待识别特征记为X，数据库中待比较的特征记为Y， 当二者余弦距离大于阈值T时认为两个特征表示的人脸为同一人，低于阈值T时 认为是不同人。经过实验，T取值为0.33，此时人脸识别方法在公开数据集LFW 上的精度超过99％。
余弦距离计算公式如下，其中x1,x2…x1792代表特征X的1792个元 素,y1,y2…y1792代表特征Y的1792个元素。
通过输出模块105输出结果。
本发明与现有技术相比有以下优点：
生成的深度卷积神经网络模型小，小于2MB，可以部署在移动端，经典的 AlexNet为70MB，VGG模型大于200MB，相比之下有很大的优势；
计算量小于AlexNet，经过计算所述模型的卷积乘加操作是AlexNet的二分 之一；
精度高于AlexNet，在人脸识别数据集LFW上，精度高于99％，达到世界领先 水平。
请参考图8，本申请中的计算机可读存储介质上存储有计算机程序，该程 序被图7中处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序 产品在计算机上运行时，使得计算机执行上述图1的方法。
本申请中的训练网络模型中，可以离线提取数据库人脸特征，也可以在线 提取待识别人脸特征。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实 现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所 述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。 所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装 置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可 读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从 一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、 数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站 站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是 计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、 数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬 盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各 示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现， 为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地 描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决 于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用 来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范 围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是 可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质 中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存 储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)， 软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易 想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护 范围应该以权利要求的保护范围为准。

Claims (10)

1.一种人脸识别方法，包括如下步骤：
S1：获取并预处理图像；
S2：提取人脸特征；
S3:比较所述人脸特征与预设的标准脸的标准脸特征之间的距离，并得出比较结果；及
S4:当所述比较结果高于预设的阈值时，判断为同一人脸；当所述第二比较结果低于所述阈值时，判断为不同人脸；
其中步骤S2中，使用深度卷积神经网络提取人脸特征，全卷积网络设有16个卷积层，每个所述卷积层的卷积核大小为1×1和3×3，除最后一个卷积层外，每个卷积层均使用批归一化层进行归一化；归一化后使用RELU激活函数进行激活；使用softmax损失函数和中心损失函数的组合进行训练。
2.根据权利要求1所述的人脸识别方法，其特征在于，步骤S1进一步包括：
S11：从视频数据流中解码并获得单帧图像；
S12：检测所述单帧图像中的人脸所在的区域；
S13：定位人脸关键点，并获取人脸关键点信息；
S14：将所述人脸关键点信息与预存的标准脸的标准脸关键点信息对比，使得所述人脸与所述标准脸对齐。
3.根据权利要求1或2中任一项所述的人脸识别方法，其特征在于，步骤S3进一步包括：
通过余弦距离公式
<mrow> <mi>s</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>,</mo> <mi>Y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mn>1</mn> </msub> <msub> <mi>y</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <msub> <mi>y</mi> <mn>2</mn> </msub> <mo>+</mo> <mn>...</mn> <mo>+</mo> <msub> <mi>x</mi> <mn>1792</mn> </msub> <msub> <mi>y</mi> <mn>1792</mn> </msub> </mrow> <mrow> <msqrt> <mrow> <msubsup> <mi>x</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>x</mi> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mn>...</mn> <mo>+</mo> <msubsup> <mi>x</mi> <mn>1792</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>+</mo> <msqrt> <mrow> <msubsup> <mi>y</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>y</mi> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mn>...</mn> <mo>+</mo> <msubsup> <mi>y</mi> <mn>1792</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> </mrow> </mfrac> </mrow>
比较所述人脸特征与所述标准脸特征的距离，并产生比较结果，其中x1,x2…x1792代表特征X的1792个元素,y1,y2…y1792代表特征Y的1792个元素。
4.根据权利要求2所述的人脸识别方法，其特征在于，步骤S14进一步包括：
根据5个所述人脸关键点信息和5个所述标准脸关键点信息构建变换矩阵，使用仿射变换进行人脸对齐。
5.根据权利要求2所述的人脸识别方法，其特征在于，步骤S12中，检测所述单帧图像中的人脸所在的正方形区域。
6.一种人脸识别系统，包括：
图像获取和预处理模块，其配置成获取和处理图像；
深度卷积神经网络训练模块，其配置成根据预设的损失函数进行深度卷积神经网络模型的训练；
人脸特征提取模块，其配置成根据所述深度卷积神经网络模型提取人脸特征；
距离比较模块，其配置成比较人脸特征与预存的标准脸特征的距离，并产生比较结果；及
结果输出模块，其配置成根据所述比较结果得出结论。
7.根据权利要求6所述的人脸识别系统，其特征在于，所述图像获取和预处理模块进一步包括：
视频解码模块，其配置成将摄像头获取的视频码流解码为单帧图片；
人脸检测模块，其配置成通过级联卷积神经网络检测图片中的人脸位置；
关键点定位模块，其配置成通过级联卷积神经网络定位人脸的关键点；
人脸对齐模块，其配置成根据关键点进行仿射变换，实现人脸对齐。
8.一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
9.一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如权利要求1-5中任一项所述的方法。
10.一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行权利要求1-5中任一项所述的方法。
CN201711068992.1A 2017-11-03 2017-11-03 一种人脸识别方法与系统 Pending CN107832700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711068992.1A CN107832700A (zh) 2017-11-03 2017-11-03 一种人脸识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711068992.1A CN107832700A (zh) 2017-11-03 2017-11-03 一种人脸识别方法与系统

Publications (1)

Publication Number Publication Date
CN107832700A true CN107832700A (zh) 2018-03-23

Family

ID=61650579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711068992.1A Pending CN107832700A (zh) 2017-11-03 2017-11-03 一种人脸识别方法与系统

Country Status (1)

Country Link
CN (1) CN107832700A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446674A (zh) * 2018-04-28 2018-08-24 平安科技（深圳）有限公司 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质
CN108573232A (zh) * 2018-04-17 2018-09-25 中国民航大学 基于卷积神经网络的人体动作识别方法
CN108985457A (zh) * 2018-08-22 2018-12-11 北京大学 一种受优化算法启发的深度神经网络结构设计方法
CN108986094A (zh) * 2018-07-20 2018-12-11 南京开为网络科技有限公司 用于人脸识别用训练图像库的数据自动更新方法
CN109002769A (zh) * 2018-06-22 2018-12-14 深源恒际科技有限公司 一种基于深度神经网络的牛脸对齐方法及系统
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN109165566A (zh) * 2018-08-01 2019-01-08 中国计量大学 一种基于新型损失函数的人脸识别卷积神经网络训练方法
CN109299643A (zh) * 2018-07-17 2019-02-01 深圳职业技术学院 一种基于大姿态对准的人脸识别方法及系统
CN109359650A (zh) * 2018-09-12 2019-02-19 北京陌上花科技有限公司 目标检测方法及装置、嵌入式设备
CN109543524A (zh) * 2018-10-18 2019-03-29 同盾控股有限公司 一种图像识别方法、装置
CN109784293A (zh) * 2019-01-24 2019-05-21 苏州科达科技股份有限公司 多类目标对象检测方法、装置、电子设备、存储介质
CN109816001A (zh) * 2019-01-10 2019-05-28 高新兴科技集团股份有限公司 一种基于深度学习的车辆多属性识别方法、装置和设备
CN109816092A (zh) * 2018-12-13 2019-05-28 北京三快在线科技有限公司 深度神经网络训练方法、装置、电子设备及存储介质
CN110222607A (zh) * 2019-05-24 2019-09-10 北京航空航天大学 人脸关键点检测的方法、装置及系统
CN110555125A (zh) * 2018-05-14 2019-12-10 桂林远望智能通信科技有限公司 一种基于局部特征的车辆检索方法
CN110738071A (zh) * 2018-07-18 2020-01-31 浙江中正智能科技有限公司 一种基于深度学习和迁移学习的人脸算法模型训练方法
CN111177469A (zh) * 2019-12-20 2020-05-19 国久大数据有限公司 人脸检索方法及人脸检索装置
CN111695392A (zh) * 2019-03-15 2020-09-22 北京嘉楠捷思信息技术有限公司 基于级联的深层卷积神经网络的人脸识别方法及系统
CN111832488A (zh) * 2020-07-14 2020-10-27 星宏集群有限公司 基于mobilefacenet的人脸特征值提取方法、系统、终端及存储介质
CN113254903A (zh) * 2021-06-30 2021-08-13 徐州众星显示科技有限公司 一种图像数据处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957911A (zh) * 2010-09-29 2011-01-26 汉王科技股份有限公司 一种人脸识别方法及系统
CN106326868A (zh) * 2016-08-26 2017-01-11 江苏华通晟云科技有限公司 基于余弦相似度度量学习的人脸识别方法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106503669A (zh) * 2016-11-02 2017-03-15 重庆中科云丛科技有限公司 一种基于多任务深度学习网络的训练、识别方法及系统
CN106682637A (zh) * 2016-12-30 2017-05-17 深圳先进技术研究院 一种展品吸引度的分析方法及系统
CN106874898A (zh) * 2017-04-08 2017-06-20 复旦大学 基于深度卷积神经网络模型的大规模人脸识别方法
CN106951867A (zh) * 2017-03-22 2017-07-14 成都擎天树科技有限公司 基于卷积神经网络的人脸识别方法、装置、系统及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957911A (zh) * 2010-09-29 2011-01-26 汉王科技股份有限公司 一种人脸识别方法及系统
CN106326868A (zh) * 2016-08-26 2017-01-11 江苏华通晟云科技有限公司 基于余弦相似度度量学习的人脸识别方法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106503669A (zh) * 2016-11-02 2017-03-15 重庆中科云丛科技有限公司 一种基于多任务深度学习网络的训练、识别方法及系统
CN106682637A (zh) * 2016-12-30 2017-05-17 深圳先进技术研究院 一种展品吸引度的分析方法及系统
CN106951867A (zh) * 2017-03-22 2017-07-14 成都擎天树科技有限公司 基于卷积神经网络的人脸识别方法、装置、系统及设备
CN106874898A (zh) * 2017-04-08 2017-06-20 复旦大学 基于深度卷积神经网络模型的大规模人脸识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHAOSIMPLE: "余弦距离、欧氏距离和杰卡德相似性度量的对比分析", 《HTTPS://WWW.CNBLOGS.COM/CHAOSIMPLE/ARCHIVE/2013/06/28/3160839.HTML》 *
ENRICO VEZZETTI 等: "Cosine-Based Distances, Correlations, and Angles for Face Recognition", 《SIMILARITY MEASURES FOR FACE RECOGNITION》 *
KAIPENG ZHANG 等: "Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks", 《ARXIV》 *
于谦 等: "视频人脸识别中判别性联合多流行分析", 《软件学报》 *
赵捷 编著: "《图像特征提取与语义分析》", 30 June 2015, 重庆大学出版社 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573232A (zh) * 2018-04-17 2018-09-25 中国民航大学 基于卷积神经网络的人体动作识别方法
CN108573232B (zh) * 2018-04-17 2021-07-23 中国民航大学 基于卷积神经网络的人体动作识别方法
CN108446674A (zh) * 2018-04-28 2018-08-24 平安科技（深圳）有限公司 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质
CN110555125A (zh) * 2018-05-14 2019-12-10 桂林远望智能通信科技有限公司 一种基于局部特征的车辆检索方法
CN109033938A (zh) * 2018-06-01 2018-12-18 上海阅面网络科技有限公司 一种基于可区分性特征融合的人脸识别方法
CN109002769A (zh) * 2018-06-22 2018-12-14 深源恒际科技有限公司 一种基于深度神经网络的牛脸对齐方法及系统
CN109299643A (zh) * 2018-07-17 2019-02-01 深圳职业技术学院 一种基于大姿态对准的人脸识别方法及系统
CN109299643B (zh) * 2018-07-17 2020-04-14 深圳职业技术学院 一种基于大姿态对准的人脸识别方法及系统
CN110738071A (zh) * 2018-07-18 2020-01-31 浙江中正智能科技有限公司 一种基于深度学习和迁移学习的人脸算法模型训练方法
CN108986094B (zh) * 2018-07-20 2021-08-17 南京开为网络科技有限公司 用于人脸识别用训练图像库的数据自动更新方法
CN108986094A (zh) * 2018-07-20 2018-12-11 南京开为网络科技有限公司 用于人脸识别用训练图像库的数据自动更新方法
CN109165566A (zh) * 2018-08-01 2019-01-08 中国计量大学 一种基于新型损失函数的人脸识别卷积神经网络训练方法
CN109165566B (zh) * 2018-08-01 2021-04-27 中国计量大学 一种基于新型损失函数的人脸识别卷积神经网络训练方法
CN108985457A (zh) * 2018-08-22 2018-12-11 北京大学 一种受优化算法启发的深度神经网络结构设计方法
CN108985457B (zh) * 2018-08-22 2021-11-19 北京大学 一种受优化算法启发的深度神经网络结构设计方法
CN109359650A (zh) * 2018-09-12 2019-02-19 北京陌上花科技有限公司 目标检测方法及装置、嵌入式设备
CN109543524A (zh) * 2018-10-18 2019-03-29 同盾控股有限公司 一种图像识别方法、装置
CN109816092A (zh) * 2018-12-13 2019-05-28 北京三快在线科技有限公司 深度神经网络训练方法、装置、电子设备及存储介质
CN109816092B (zh) * 2018-12-13 2020-06-05 北京三快在线科技有限公司 深度神经网络训练方法、装置、电子设备及存储介质
CN109816001A (zh) * 2019-01-10 2019-05-28 高新兴科技集团股份有限公司 一种基于深度学习的车辆多属性识别方法、装置和设备
CN109784293A (zh) * 2019-01-24 2019-05-21 苏州科达科技股份有限公司 多类目标对象检测方法、装置、电子设备、存储介质
CN111695392A (zh) * 2019-03-15 2020-09-22 北京嘉楠捷思信息技术有限公司 基于级联的深层卷积神经网络的人脸识别方法及系统
CN111695392B (zh) * 2019-03-15 2023-09-15 嘉楠明芯(北京)科技有限公司 基于级联的深层卷积神经网络的人脸识别方法及系统
CN110222607B (zh) * 2019-05-24 2021-06-04 北京航空航天大学 人脸关键点检测的方法、装置及系统
CN110222607A (zh) * 2019-05-24 2019-09-10 北京航空航天大学 人脸关键点检测的方法、装置及系统
CN111177469A (zh) * 2019-12-20 2020-05-19 国久大数据有限公司 人脸检索方法及人脸检索装置
CN111832488A (zh) * 2020-07-14 2020-10-27 星宏集群有限公司 基于mobilefacenet的人脸特征值提取方法、系统、终端及存储介质
CN113254903A (zh) * 2021-06-30 2021-08-13 徐州众星显示科技有限公司 一种图像数据处理方法

Similar Documents

Publication Publication Date Title
CN107832700A (zh) 一种人脸识别方法与系统
CN113033465B (zh) 活体检测模型训练方法、装置、设备以及存储介质
CN110532884B (zh) 行人重识别方法、装置及计算机可读存储介质
US20210334604A1 (en) Facial recognition method and apparatus
Singh et al. Currency recognition on mobile phones
Seal et al. Human face recognition using random forest based fusion of à-trous wavelet transform coefficients from thermal and visible images
CN110033040B (zh) 一种火焰识别方法、系统、介质和设备
CN108875487B (zh) 行人重识别网络的训练及基于其的行人重识别
CN111582126B (zh) 基于多尺度行人轮廓分割融合的行人重识别方法
JP2010262601A (ja) パターン認識システム及びパターン認識方法
Yang et al. Binary descriptor based nonparametric background modeling for foreground extraction by using detection theory
US11055572B2 (en) System and method of training an appearance signature extractor
CN114782997B (zh) 基于多损失注意力自适应网络的行人重识别方法及系统
CN111401196A (zh) 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质
CN113869282A (zh) 人脸识别方法、超分模型训练方法及相关设备
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN113255557A (zh) 一种基于深度学习的视频人群情绪分析方法及系统
US20240087352A1 (en) System for identifying companion animal and method therefor
CN111444817A (zh) 一种人物图像识别方法、装置、电子设备和存储介质
CN114519863A (zh) 人体重识别方法、人体重识别装置、计算机设备及介质
CN111881803B (zh) 一种基于改进YOLOv3的畜脸识别方法
CN111079585B (zh) 图像增强结合伪孪生卷积神经网络的行人再识别方法
Ren et al. Face and facial expressions recognition and analysis
CN110866458A (zh) 基于三维卷积神经网络的多人动作检测与识别方法与装置
CN114445916A (zh) 一种活体检测方法、终端设备及存储介质

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: 20180323