CN107944435A - 一种三维人脸识别方法、装置及处理终端 - Google Patents

一种三维人脸识别方法、装置及处理终端 Download PDF

Info

Publication number
CN107944435A
CN107944435A CN201711450144.7A CN201711450144A CN107944435A CN 107944435 A CN107944435 A CN 107944435A CN 201711450144 A CN201711450144 A CN 201711450144A CN 107944435 A CN107944435 A CN 107944435A
Authority
CN
China
Prior art keywords
face
default
human face
critical point
dimensional
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
CN201711450144.7A
Other languages
English (en)
Inventor
孙双琛
黄晋
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.)
Guangzhou Map Language Mdt Infotech Ltd
Original Assignee
Guangzhou Map Language Mdt Infotech 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 Guangzhou Map Language Mdt Infotech Ltd filed Critical Guangzhou Map Language Mdt Infotech Ltd
Priority to CN201711450144.7A priority Critical patent/CN107944435A/zh
Publication of CN107944435A publication Critical patent/CN107944435A/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
    • G06V40/168—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
    • G06V40/161—Detection; Localisation; Normalisation

Abstract

本发明公开了一种三维人脸识别方法、装置及处理终端，方法包括：将三维人脸点云转换为二维深度图；通过预设人脸检测模块对二维深度图进行人脸检测，得到人脸区域数据；通过预设关键点检测模块对二维深度图进行关键点检测，得到人脸关键点数据；根据人脸区域数据从二维深度图中裁剪出人脸区域，以及根据人脸关键点数据从人脸区域中找到目标关键点；对人脸区域进行调整，以使人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；通过预设人脸识别模块将调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。本发明解决了二维人脸识别精度低、易攻击等缺点，以及三维人脸识别可用的方法较少、实现复杂的问题。

Description

一种三维人脸识别方法、装置及处理终端
技术领域
本发明涉及人脸识别技术领域，具体涉及一种基于三维人脸的识别技术领域。
背景技术
人脸识别具有重要应用价值，人脸识别的核心任务是比较两个人脸照片是否来自同一个人。人脸识别有两种主流方案，一种是通过二维灰度图或彩色图实现，这种二维图像一般通过普通相机镜头获得，不含有深度信息。另一种是通过三维点云实现，三维点云一般通过专用传感器获得，三维点云包含了人脸面部大量点的空间坐标。二维人脸识别方案的主要问题在于缺少深度信息，容易被攻击，准确率不够，而三维人脸识别可以很好的解决这些问题。但是三维人脸识别可用的方法较少、实现复杂、计算量大、且需要手工抽取特征。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种三维人脸识别方法，解决二维人脸识别精度低、易攻击等缺点，以及三维人脸识别可用的方法较少、实现复杂的问题。
本发明的目的之二在于提供一种三维人脸识别装置，解决二维人脸识别精度低、易攻击等缺点，以及三维人脸识别可用的方法较少、实现复杂的问题。
本发明的目的之三在于提供一种处理终端，解决二维人脸识别精度低、易攻击等缺点，以及三维人脸识别可用的方法较少、实现复杂的问题。
为实现上述目的之一，本发明所采用的技术方案如下：
一种三维人脸识别方法，包括以下步骤：
S1、将三维人脸点云转换为二维深度图；
S2、通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
S3、通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
S4、根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
S5、对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
S6、通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
优选的，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
优选的，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
优选的，在步骤S6中，所述人脸识别的过程为：抽取所述调整人脸区域与目标人脸区域的特征，通过余弦距离或欧式距离比较所述调整人脸区域与目标人脸区域的特征的相似度。
为实现上述目的之二，本发明所采用的技术方案如下：
一种三维人脸识别装置，包括以下模块：
转换模块，用于将三维人脸点云转换为二维深度图；
人脸检测模块，用于通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
关键点检测模块，用于通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
数据处理模块，用于根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
调整模块，用于对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
识别模块，用于通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
优选的，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
优选的，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
优选的，在识别模块中，所述人脸识别的过程为：抽取所述调整人脸区域与目标人脸区域的特征，通过余弦距离或欧式距离比较所述调整人脸区域与目标人脸区域的特征的相似度。
为实现上述目的之三，本发明所采用的技术方案如下：
一种处理终端，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、将三维人脸点云转换为二维深度图；
S2、通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
S3、通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
S4、根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
S5、对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
S6、通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
优选的，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
优选的，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
优选的，在步骤S6中，所述人脸识别的过程为：抽取所述调整人脸区域与目标人脸区域的特征，通过余弦距离或欧式距离比较所述调整人脸区域与目标人脸区域的特征的相似度。
相比现有技术，本发明的有益效果在于：
将三维点云转化为二维深度图，可以充分利用二维图像人脸识别的成熟方法实现，尤其是强大的卷积神经网络实现人脸识别。既解决了二维人脸识别精度低、易攻击等缺点，以及三维人脸识别可用的方法较少、实现复杂的问题。
附图说明
图1为本发明的三维人脸识别方法流程图；
图2为三维人脸点云转换到二维深度图的效果图；
图3为本发明的三维人脸识别装置结构图；
图4为本发明的处理终端结构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
实施例一：
参考图1，本发明公开了一种三维人脸识别方法，包括以下步骤：
S1、将三维人脸点云转换为二维深度图；
S2、通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
S3、通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
S4、根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
S5、对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
S6、通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。人脸识别的过程为：抽取所述调整人脸区域与目标人脸区域的特征，通过余弦距离或欧式距离比较所述调整人脸区域与目标人脸区域的特征的相似度。
其中，在本实施例中，人脸关键点数据为人脸五官数据，目标关键点为人脸的双眼位置。对人脸区域的调整为使人脸区域中的双眼位置之间的距离满足预设数值，使人脸识别更好执行。
三维人脸点云的表达为C＝{P1、P2…PN}，表示传感器一次传回的3D人脸的点云，Pi使用三个数值表示空间坐标(Xi，Yi,Zi)。将三维人脸点云C转化为二维深度图D(x,y)，(x,y,D(x,y))表示三维人脸点云C的坐标经过转换后获得的新坐标，D(x,y)可以理解为人脸在新坐标系下在(x,y)处的深度。图2显示了三维人脸点云变化到二维深度图的效果。
人脸检测模块的训练是基于二维深度图实现，训练样本同样为二维深度图，且每个二维深度图都配有标定位置。人脸检测模块可以使用二维灰度图中执行人脸检测的任何方法，比如基于简单特征的AdaBoost算法或卷积神经网络。关键点检测模块的训练也是基于二维深度图实现，训练样本依然是二维深度图，每个二维深度图会给出五官的坐标，关键点检测模块可使用二维灰度图执行关键点检测的任何方法，比如随机决策森林或卷积神经网络。人脸识别模块也是基于二维深度图实现，训练样本是二维深度图，训练样本包含多个人的二维深度图，同一个人包含多张二维深度图，体现不同的角度和位置。人脸识别模块可以使用二维灰度图的人脸识别模型，比如卷积神经网络。
通过本发明的方法，将三维点云转化为二维深度图，可以充分利用二维图像人脸识别的成熟方法实现，尤其是强大的卷积神经网络实现人脸识别。既解决了二维人脸识别精度低、易攻击等缺点，以及三维人脸识别可用的方法较少、实现复杂的问题。
实施例二：
参考图3，本发明公开了一种三维人脸识别装置，包括以下模块：
转换模块，用于将三维人脸点云转换为二维深度图；
人脸检测模块，用于通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
关键点检测模块，用于通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
数据处理模块，用于根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
调整模块，用于对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
识别模块，用于通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
优选的，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
优选的，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
优选的，在识别模块中，所述人脸识别的过程为：抽取所述调整人脸区域与目标人脸区域的特征，通过余弦距离或欧式距离比较所述调整人脸区域与目标人脸区域的特征的相似度。
实施例三：
参考图4，本发明公开了一种处理终端，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、将三维人脸点云转换为二维深度图；
S2、通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
S3、通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
S4、根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
S5、对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
S6、通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
优选的，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
优选的，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种三维人脸识别方法，其特征在于，包括以下步骤：
S1、将三维人脸点云转换为二维深度图；
S2、通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
S3、通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
S4、根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
S5、对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
S6、通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
2.根据权利要求1所述的三维人脸识别方法，其特征在于，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
3.根据权利要求1或2所述的三维人脸识别方法，其特征在于，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
4.根据权利要求1或2所述的三维人脸识别方法，其特征在于，在步骤S6中，所述人脸识别的过程为：抽取所述调整人脸区域与目标人脸区域的特征，通过余弦距离或欧式距离比较所述调整人脸区域与目标人脸区域的特征的相似度。
5.一种三维人脸识别装置，其特征在于，包括以下模块：
转换模块，用于将三维人脸点云转换为二维深度图；
人脸检测模块，用于通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
关键点检测模块，用于通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
数据处理模块，用于根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
调整模块，用于对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
识别模块，用于通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
6.根据权利要求5所述的三维人脸识别装置，其特征在于，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
7.根据权利要求5或6所述的三维人脸识别装置，其特征在于，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
8.一种处理终端，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于运行所述程序指令，以执行以下步骤：
S1、将三维人脸点云转换为二维深度图；
S2、通过预设人脸检测模块对所述二维深度图进行人脸检测，得到人脸区域数据；
S3、通过预设关键点检测模块对所述二维深度图进行关键点检测，得到人脸关键点数据；
S4、根据所述人脸区域数据从所述二维深度图中裁剪出人脸区域，以及根据所述人脸关键点数据从所述人脸区域中找到目标关键点；
S5、对所述人脸区域进行调整，以使所述人脸区域中的目标关键点之间的距离满足预设数值，得到调整人脸区域；
S6、通过预设人脸识别模块将所述调整人脸区域与目标人脸区域进行人脸识别，得到识别结果。
9.根据权利要求8所述的处理终端，其特征在于，所述预设人脸检测模块、预设关键点检测模块和预设人脸识别模块均通过二维深度图的训练样本进行训练；所述预设人脸检测模块通过AdaBoost算法或卷积神经网络进行人脸检测；所述预设关键点检测模块通过随机决策森林或卷积神经网络进行关键点检测；所述预设人脸识别模块通过卷积神经网络进行人脸识别。
10.根据权利要求8或9所述的处理终端，其特征在于，所述人脸关键点数据为人脸五官数据，所述目标关键点为人脸的双眼位置。
CN201711450144.7A 2017-12-27 2017-12-27 一种三维人脸识别方法、装置及处理终端 Pending CN107944435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711450144.7A CN107944435A (zh) 2017-12-27 2017-12-27 一种三维人脸识别方法、装置及处理终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711450144.7A CN107944435A (zh) 2017-12-27 2017-12-27 一种三维人脸识别方法、装置及处理终端

Publications (1)

Publication Number Publication Date
CN107944435A true CN107944435A (zh) 2018-04-20

Family

ID=61940476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711450144.7A Pending CN107944435A (zh) 2017-12-27 2017-12-27 一种三维人脸识别方法、装置及处理终端

Country Status (1)

Country Link
CN (1) CN107944435A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308455A (zh) * 2018-08-28 2019-02-05 广州图语信息科技有限公司 一种低分辨率人脸识别方法、装置及处理终端
CN109784315A (zh) * 2019-02-20 2019-05-21 苏州风图智能科技有限公司 3d障碍物的跟踪检测方法、装置、系统及计算机存储介质
CN109977794A (zh) * 2019-03-05 2019-07-05 北京超维度计算科技有限公司 一种用深度神经网络进行人脸识别的方法
CN110197109A (zh) * 2018-08-17 2019-09-03 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
WO2020034786A1 (zh) * 2018-08-16 2020-02-20 Oppo广东移动通信有限公司 三维模型处理方法、装置、电子设备和存储介质
CN111401331A (zh) * 2020-04-27 2020-07-10 支付宝(杭州)信息技术有限公司 人脸识别方法及装置
CN111523398A (zh) * 2020-03-30 2020-08-11 西安交通大学 一种融合2d人脸检测和3d人脸识别的方法及装置
CN112330824A (zh) * 2018-05-31 2021-02-05 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备和存储介质
CN112861764A (zh) * 2021-02-25 2021-05-28 广州图语信息科技有限公司 一种人脸识别活体判断方法
CN113643348A (zh) * 2020-04-23 2021-11-12 杭州海康威视数字技术股份有限公司 一种人脸属性分析方法及装置
CN115082993A (zh) * 2022-06-27 2022-09-20 平安银行股份有限公司 一种基于张嘴动作的人脸活检方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091162A (zh) * 2014-07-17 2014-10-08 东南大学 基于特征点的三维人脸识别方法
CN104850838A (zh) * 2015-05-19 2015-08-19 电子科技大学 基于表情不变区域的三维人脸识别方法
CN107103281A (zh) * 2017-03-10 2017-08-29 中山大学 基于聚集损失深度度量学习的人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091162A (zh) * 2014-07-17 2014-10-08 东南大学 基于特征点的三维人脸识别方法
CN104850838A (zh) * 2015-05-19 2015-08-19 电子科技大学 基于表情不变区域的三维人脸识别方法
CN107103281A (zh) * 2017-03-10 2017-08-29 中山大学 基于聚集损失深度度量学习的人脸识别方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330824A (zh) * 2018-05-31 2021-02-05 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备和存储介质
WO2020034786A1 (zh) * 2018-08-16 2020-02-20 Oppo广东移动通信有限公司 三维模型处理方法、装置、电子设备和存储介质
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
CN110197109B (zh) * 2018-08-17 2023-11-24 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
CN110197109A (zh) * 2018-08-17 2019-09-03 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
CN109308455A (zh) * 2018-08-28 2019-02-05 广州图语信息科技有限公司 一种低分辨率人脸识别方法、装置及处理终端
CN109784315A (zh) * 2019-02-20 2019-05-21 苏州风图智能科技有限公司 3d障碍物的跟踪检测方法、装置、系统及计算机存储介质
CN109977794A (zh) * 2019-03-05 2019-07-05 北京超维度计算科技有限公司 一种用深度神经网络进行人脸识别的方法
CN111523398A (zh) * 2020-03-30 2020-08-11 西安交通大学 一种融合2d人脸检测和3d人脸识别的方法及装置
CN113643348A (zh) * 2020-04-23 2021-11-12 杭州海康威视数字技术股份有限公司 一种人脸属性分析方法及装置
CN113643348B (zh) * 2020-04-23 2024-02-06 杭州海康威视数字技术股份有限公司 一种人脸属性分析方法及装置
CN111401331A (zh) * 2020-04-27 2020-07-10 支付宝(杭州)信息技术有限公司 人脸识别方法及装置
WO2021218659A1 (zh) * 2020-04-27 2021-11-04 支付宝(杭州)信息技术有限公司 人脸识别
CN112861764A (zh) * 2021-02-25 2021-05-28 广州图语信息科技有限公司 一种人脸识别活体判断方法
CN112861764B (zh) * 2021-02-25 2023-12-08 广州图语信息科技有限公司 一种人脸识别活体判断方法
CN115082993A (zh) * 2022-06-27 2022-09-20 平安银行股份有限公司 一种基于张嘴动作的人脸活检方法和装置

Similar Documents

Publication Publication Date Title
CN107944435A (zh) 一种三维人脸识别方法、装置及处理终端
WO2020228389A1 (zh) 一种创建脸部模型的方法、装置、电子设备及计算机可读存储介质
US10262190B2 (en) Method, system, and computer program product for recognizing face
CN110348330B (zh) 基于vae-acgan的人脸姿态虚拟视图生成方法
CN108875524B (zh) 视线估计方法、装置、系统和存储介质
CN104317391B (zh) 一种基于立体视觉的三维手掌姿态识别交互方法和系统
CN104834922B (zh) 基于混合神经网络的手势识别方法
JP2021507394A (ja) 多特徴検索と変形に基づく人体髪型の生成方法
CN105740780B (zh) 人脸活体检测的方法和装置
CN109753875A (zh) 基于人脸属性感知损失的人脸识别方法、装置与电子设备
CN108090450B (zh) 人脸识别方法和装置
CN107862282A (zh) 一种手指静脉识别与安全认证方法及其终端及系统
WO2016023264A1 (zh) 指纹识别方法及其指纹识别装置
CN109859305A (zh) 基于多角度二维人脸的三维人脸建模、识别方法及装置
CN107403168A (zh) 一种面部识别系统
CN111091075B (zh) 人脸识别方法、装置、电子设备及存储介质
CN110147744A (zh) 一种人脸图像质量评估方法、装置及终端
CN106485186B (zh) 图像特征提取方法、装置、终端设备及系统
CN104850825A (zh) 一种基于卷积神经网络的人脸图像颜值计算方法
WO2005020030A2 (en) Multi-modal face recognition
CN102567716B (zh) 一种人脸合成系统及实现方法
CN107909104A (zh) 一种图片的人脸聚类方法、装置及存储介质
CN111008935B (zh) 一种人脸图像增强方法、装置、系统及存储介质
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及系统
CN113570684A (zh) 图像处理方法、装置、计算机设备和存储介质

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: 20180420