CN108205661A - 一种基于深度学习的atm机异常人脸检测方法 - Google Patents

一种基于深度学习的atm机异常人脸检测方法 Download PDF

Info

Publication number
CN108205661A
CN108205661A CN201711444185.5A CN201711444185A CN108205661A CN 108205661 A CN108205661 A CN 108205661A CN 201711444185 A CN201711444185 A CN 201711444185A CN 108205661 A CN108205661 A CN 108205661A
Authority
CN
China
Prior art keywords
face
abnormal
atm
deep learning
picture
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
CN201711444185.5A
Other languages
English (en)
Inventor
李代远
叶俊科
麦全深
茅庆江
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.)
POLYTRON TECHNOLOGIES Inc
Haoyun Technologies Co Ltd
Original Assignee
POLYTRON TECHNOLOGIES Inc
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 POLYTRON TECHNOLOGIES Inc filed Critical POLYTRON TECHNOLOGIES Inc
Priority to CN201711444185.5A priority Critical patent/CN108205661A/zh
Publication of CN108205661A publication Critical patent/CN108205661A/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
    • G06V40/172—Classification, e.g. identification
    • 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

Landscapes

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

Abstract

本发明适用于图像识别技术改进领域，提供了一种基于深度学习的ATM机异常人脸检测方法，包括：S1、异常人脸的训练样本采集和整理；S2、构建卷积神经网络并制作异常人脸分类器；S3、将样本输入构建好的模型训练获得各个异常人脸的类别；S4、将获取前景人脸图像输入多标签卷积神经网络，得到图像的各标签的置信度根据规则判断目标是否为异常人脸。本方法可以消除各个异常人脸的属性分类的互相干扰情况，增强了预测的准确性；不直接提供异常人脸预测结果，而是提供人脸图片各属性的可信度，配置人员可以参考各个人脸属性的置信度来灵活的调整异常人脸的预警策略。

Description

一种基于深度学习的ATM机异常人脸检测方法
技术领域
本发明属于计算机视觉技术改进领域，尤其涉及一种基于深度学习的ATM机异常人脸检测方法。
背景技术
人脸分类和检测是计算机视觉应用得运用比较广泛的一个方向，人的脸部虽然拥有共同特征，比如五官的存在，眼睛与口鼻的相对位置等。但是在细节上，每个人脸，在形态，大小，肤质方面都拥有一定的差异性，所以一般情况下可以通过人脸图像的这些面部特征来区分不同种类的人脸。但在现实应用场景当中，我们获取的人脸图像会受到周围环境或者采集设备带来的各种干扰，比如明暗，方向不同的各种光源照射至脸部会引发人脸图像灰度值剧变，对人脸的特征提取和分类带来巨大挑战，致使人脸分类算法在大部分实际情况可用性不佳。但是，现如今深度学习的出现，为人脸识别带来新的可能，相较于传统机器学习算法人为设计人脸特征各种局限，深度学习可以通过大量的样本学习到表达能力强的，鲁棒的人脸特征，可以适应大部分情况下的人脸分类任务，比如ATM的异常人脸识别，ATM机的拍摄的人脸图像，可能由于人的高矮，摄像头安装的位置问题，可能呈现各种不同角度，不同形态下的人脸，普通机器学习算法可能难以达到相对准确的预测，通过输入各种异常人脸图片对模型进行训练，可以对各种姿态下的ATM前景人脸进行准确的分类图像。
发明内容
本发明的目的在于提供一种基于深度学习的ATM机异常人脸检测方法，旨在解决上述的技术问题。
本发明是这样实现的，一种基于深度学习的ATM机异常人脸检测方法，所述方法包括以下步骤：
S1、异常人脸的训练样本采集和整理；
S2、构建卷积神经网络并制作异常人脸分类器；
S3、将样本输入构建好的模型训练获得各个异常人脸的类别；
S4、将获取前景人脸图像输入多标签卷积神经网络，得到图像的各标签的置信度根据规则判断目标是否为异常人脸。
本发明的进一步技术方案是：所述步骤S1中还包括以下步骤：
S11、通过关键字抓取网络上的异常人脸图片形成初步异常人脸训练样本；
S12、对所有初始训练样本通过框选形成样本集。
本发明的进一步技术方案是：所述步骤S11中还包括以下步骤：
S111、利用整理开放的人脸识别数据库图像作为补充形成初步异常人脸训练样本。
本发明的进一步技术方案是：所述步骤S2中还包括以下步骤：
S21、以MobileNet作为基础搭建卷积神经网络结构；
S22、通过搭建的卷积神经网络结构构建训练多标签分类器。
本发明的进一步技术方案是：所述步骤S3包括以下步骤：
S31、获取ATM机背景建模算法截取到的包含人脸的图块；
S32、通过图像清晰度标签的置信度判断该图像的特征是否明显；
S33、判断清洗置信度是否大于设定阈值，如是，则进入其余多标签规则判断，如否，则认为图像质量有问题放弃当前图像并继续获取下一张图像；
S34、判断目标带有头盔的置信度，如预测为头盔，则目标为异常人脸，如否，则进入组合判断，如通过，则执行下一步骤，如否，则放弃；
S35、判断口罩、墨镜、帽子的信度，如其中任意2个标签的置信值大于预设阈值，则判断物体标签相对应的面部器官标签的置信度数值是否大于预设的阈值，若面部器官标签的置信度小于阈值，则判断为存在面部遮挡，图片分类为异常人脸图片，否则判断为不存在面部遮挡，图片分类为正常人脸图片。
本发明的进一步技术方案是：所述步骤S1中将常见的异常人脸细划分为7种标签，并分别收集和组织样本。
本发明的进一步技术方案是：在收集图片时以1：1的比例划分为模糊图片和清晰图片2类。
本发明的进一步技术方案是：所述标签包括清晰度、口罩、戴墨镜、戴头盔、帽子、眼睛、鼻子中的一种或多种。
本发明的进一步技术方案是：在抓取异常人脸图片时的关键字为墨镜、口罩、头盔中的一种或多种组合。
本发明的进一步技术方案是：初步的异常人脸训练样本每个类别搜集1000～2000样本作为初始样本。
本发明的有益效果是：本方法可以大幅减少各个异常人脸标签分类过程中的互相干扰情况，增加了预测的准确性；不直接提供异常人脸的预测结果，而是提供人脸图片各标签的可信度，配置人员可以参考各个人脸标签的置信度来灵活的调整异常人脸的预警策略；在维持高准确率的同时，缩减了基于卷积网络的人脸分类算法的计算复杂度，使得该算法可以直接部署在前端设备上，可以减少成本。
附图说明
图1是本发明实施例提供的基于深度学习的ATM机异常人脸检测方法的流程图。
图2是本发明实施例提供的ATM异常人脸检测流程图.
图3是本发明实施例提供的异常人脸分类的模型结构图。
具体实施方式
如图1-3所示，本发明提供的基于深度学习的ATM机异常人脸检测方法，其详述如下：
步骤S1，异常人脸的训练样本采集和整理；以常见的异常人脸的种类为关键字(墨镜，口罩，头盔)爬取网络上的异常人脸图片，并且整理开放的人脸识别数据库图像作为补充，形成初步的异常人脸训练样本，大约每个类别搜集约为1000～2000样本作为初始样本，并搜集部分ATM针孔摄像头图像作为图像质量标签分类器的训练样本。
首先使用标记工具，框选所有初始样本的人脸部位，框边界与人脸边界预留大约至少40像素的距离，并且要求异常物体包括选框以内。将选框的坐标以及大小信息保存为xml描述文件，使用opencv读取xml文件切割目标图块，形成训练样本，并将所有图片按标签分类存储，将所有样本归一化到128*128的分辨率下。
将常见异常人脸划分为细分为7类标签，并分别收集和组织样本。
在采集异常人脸样本的同时，收集现场ATM机图片作为图片，并以约1：1的比例划分为模糊和清晰2类图片，作为图片质量分类模型的训练样本。
步骤S2，构建卷积神经网络并制作异常人脸分类器；网络预训练，本方法以MobileNet作为基础的卷积神经网络结构，搭建网络之后，首先使用包含1000类别的ImageNet图像分类数据库预训练MobileNet模型，得到初始化的基础深度卷积神经网络，提取所有的全卷积层作为图像特征提取结构。
训练多标签分类器，本发明总共涉及到6种标签包括：眼，嘴，口罩，墨镜，头盔，帽子，我们为每个标签分配一个分类器，分类器由一个2层的全连接神经网络构成，最终通过softmax函数输出成二元组，第一位表示属于该标签的置信度，第二位则表示不属于该标签的置信度。各标签的分类器之间互相独立训练。在训练各分类器时，先将样本划分为训练集与测试集，比值约为，正负样本以近似1:1均匀分配，而且保持各交叉样本尽量平衡，具体来说，口罩的正样本中不仅包含口罩，也许有部分既有口罩也戴帽子的图片，那么负样本中同样需要包含等同数量的戴帽子图片。初步分配好样本，使用基于Momentum的随机块梯度下降法训练分类器，训练过程中，通过调整样本的构成部分，达到较好的测试效果，最后做参数上的微调，在实验过程中我们发现，学习率保持0.1以下，训练块大小以16～32之间，训练迭代次数保持在5000～10000是一个比较可靠的选择，是一个比较理想的状态。在各标签分类器训练完成后，将全卷积网络与各分类组合在一起，得到一个多标签的异常人脸分类模型。
使用轻量级深度学习模型MobileNet对ATM异常人脸图像进行分类。
使用多标签形式的MobileNet对ATM异常人脸图像进行分类，可以移植于移动处理器芯片中运行。
构建多标签深度学习模型时采用模块化构建方式。
步骤S3，将样本输入构建好的模型训练获得各个异常人脸的类别；首先获取ATM机背景建模算法截取到的包含人脸的图块。输入异常人脸分类模型，得到各标签(清晰度，口罩，戴墨镜，戴头盔，帽子，眼睛，鼻子)的预测值。其次通过图像清晰度标签的置信度判断该图像的特征是否明显。倘若清晰置信度大于一个阈值，则进入其余多标签规则判断，若小于阈值，我们则认为图像质量，而放弃当前图像，继续获取下一张前景图像。通过清晰度分析后，首先判断目标带有头盔的置信度，如果预测为头盔，则目标为异常人脸，否则进入组合判断。组合判断通过，判断口罩，墨镜，帽子置信度确定，如果其中任意2个标签的置信值大于一个阈值，之后则判断标签对应物体是否对面部器官有遮挡，若有遮挡则预测为异常人脸图片，否则则为正常人脸图片，比如墨镜置信度大于某个阈值的同时判断眼睛的置信度低于一个阈值，或者口罩可以根据客观环境要求适当减少或增加阈值来调整模型的灵敏程度，通过大量实验证明，阈值处在0.7～0.9范围内是一个比较适合的方案。当然以上规则可以通过使用人的策略随时调整，甚至可以新增标签，以加强预测效果。
在训练异常人脸分类模型前采用ImageNet的数据集预训练卷积层。
在训练异常人脸分类时各标签的分类器独立训练。
将各人脸标签和图像质量分类器连同预训练的卷积结构组合为最终夺标签异常人脸分类模型。
步骤S4，将获取前景人脸图像输入多标签卷积神经网络，得到图像的各标签的置信度根据规则判断目标是否为异常人脸。
通过基于深度学习的模型，能够较为准确的完成ATM机摄像头的各种不同形态人脸分类任务，而且MobileNet作为一个轻量级的深度学习模型，可以移植到前端移动芯片中，无需使用中心服务器，整个异常人脸系统前端化，不需要加配中心服务器。并且通过多标签分类结构，能够给予一张人脸图片多个不互斥的预测预测结果，能够使使用通过设定一些复杂的判断规则来完成异常人脸分类任务。
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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的ATM机异常人脸检测方法，其特征在于，所述方法包括以下步骤：
S1、异常人脸的训练样本采集和整理；
S2、构建卷积神经网络并制作异常人脸分类器；
S3、将样本输入构建好的模型训练获得各个异常人脸的类别；
S4、将获取前景人脸图像输入多标签卷积神经网络，得到图像的各标签的置信度根据规则判断目标是否为异常人脸。
2.根据权利要求1所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S1中还包括以下步骤：
S11、通过关键字抓取网络上的异常人脸图片形成初步异常人脸训练样本；
S12、对所有初始训练样本通过框选形成样本集。
3.根据权利要求2所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S11中还包括以下步骤：
S111、利用整理开放的人脸识别数据库图像作为补充形成初步异常人脸训练样本。
4.根据权利要求3所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S2中还包括以下步骤：
S21、以MobileNet作为基础搭建卷积神经网络结构；
S22、通过搭建的卷积神经网络结构构建训练多标签分类器。
5.根据权利要求4所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S3包括以下步骤：
S31、获取ATM机背景建模算法截取到的包含人脸的图块；
S32、通过图像清晰度标签的置信度判断该图像的特征是否明显；
S33、判断清洗置信度是否大于设定阈值，如是，则进入其余多标签规则判断，如否，则认为图像质量有问题放弃当前图像并继续获取下一张图像；
S34、判断目标带有头盔的置信度，如预测为头盔，则目标为异常人脸，如否，则进入组合判断，如通过，则执行下一步骤，如否，则放弃；
S35、判断口罩、墨镜、帽子的信度，如其中任意2个标签的置信值大于预设阈值，则判断物体标签相对应的面部器官标签的置信度数值是否大于预设的阈值，若面部器官标签的置信度小于阈值，则判断为存在面部遮挡，图片分类为异常人脸图片，否则判断为不存在面部遮挡，图片分类为正常人脸图片。
6.根据权利要求5所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述步骤S1中将常见的异常人脸细划分为7类标签，并分别收集和组织样本。
7.根据权利要求6所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，在收集图片时以1：1的比例划分为模糊图片和清晰图片2类。
8.根据权利要求7所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，所述标签包括清晰度、口罩、戴墨镜、戴头盔、帽子、眼睛、鼻子中的一种或多种。
9.根据权利要求7所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，在抓取异常人脸图片时的关键字为墨镜、口罩、头盔中的一种或多种组合。
10.据权利要求7所述的基于深度学习的ATM机异常人脸检测方法，其特征在于，初步的异常人脸训练样本每个类别搜集
1000～2000样本作为初始样本。
CN201711444185.5A 2017-12-27 2017-12-27 一种基于深度学习的atm机异常人脸检测方法 Pending CN108205661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711444185.5A CN108205661A (zh) 2017-12-27 2017-12-27 一种基于深度学习的atm机异常人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711444185.5A CN108205661A (zh) 2017-12-27 2017-12-27 一种基于深度学习的atm机异常人脸检测方法

Publications (1)

Publication Number Publication Date
CN108205661A true CN108205661A (zh) 2018-06-26

Family

ID=62606060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711444185.5A Pending CN108205661A (zh) 2017-12-27 2017-12-27 一种基于深度学习的atm机异常人脸检测方法

Country Status (1)

Country Link
CN (1) CN108205661A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102018A (zh) * 2018-08-10 2018-12-28 深圳市瑞图生物技术有限公司 妇科分泌物图像的多标签分类方法
CN109165674A (zh) * 2018-07-19 2019-01-08 南京富士通南大软件技术有限公司 一种基于多标签深度卷积网络的证件照分类方法
CN109190654A (zh) * 2018-07-09 2019-01-11 上海斐讯数据通信技术有限公司 人脸识别模型的训练方法和装置
CN109657564A (zh) * 2018-11-28 2019-04-19 深圳市中电数通智慧安全科技股份有限公司 一种人员在岗检测方法、装置、存储介质及终端设备
CN110837818A (zh) * 2019-11-18 2020-02-25 汕头大学 一种基于卷积神经网路的中华白海豚背鳍识别方法
CN110929806A (zh) * 2019-12-06 2020-03-27 腾讯科技（北京）有限公司 基于人工智能的图片处理方法、装置及电子设备
WO2020093614A1 (zh) * 2018-11-09 2020-05-14 深圳壹账通智能科技有限公司 面试人员的性格预测方法、装置及计算机可读存储介质
CN111310624A (zh) * 2020-02-05 2020-06-19 腾讯科技（深圳）有限公司 遮挡识别方法、装置、计算机设备及存储介质
CN111311545A (zh) * 2020-01-19 2020-06-19 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111695432A (zh) * 2020-05-19 2020-09-22 中国电子科技网络信息安全有限公司 一种视频监控场景下的人工智能人脸异常检测系统及方法
CN112084902A (zh) * 2020-08-26 2020-12-15 武汉普利商用机器有限公司 人脸图像获取方法、装置、电子设备及存储介质
CN112633259A (zh) * 2021-03-08 2021-04-09 北京远鉴信息技术有限公司 人脸异常认证的识别方法、装置及电子设备
CN113963428A (zh) * 2021-12-23 2022-01-21 北京的卢深视科技有限公司 模型训练方法、遮挡检测方法、系统、电子设备及介质
CN114118114A (zh) * 2020-08-26 2022-03-01 顺丰科技有限公司 一种图像检测方法、装置及其存储介质
CN116503589A (zh) * 2023-02-07 2023-07-28 珠海安联锐视科技股份有限公司 一种基于深度学习的窃贼面罩检测方法
US11978280B2 (en) 2021-07-30 2024-05-07 Lemon Inc. Method and device for evaluating effect of classifying fuzzy attribute

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354563A (zh) * 2015-12-14 2016-02-24 南京理工大学 结合深度和彩色图像的遮挡人脸检测预警装置及实现方法
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法
CN106096538A (zh) * 2016-06-08 2016-11-09 中国科学院自动化研究所 基于定序神经网络模型的人脸识别方法及装置
CN107145867A (zh) * 2017-05-09 2017-09-08 电子科技大学 基于多任务深度学习的人脸及人脸遮挡物检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354563A (zh) * 2015-12-14 2016-02-24 南京理工大学 结合深度和彩色图像的遮挡人脸检测预警装置及实现方法
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法
CN106096538A (zh) * 2016-06-08 2016-11-09 中国科学院自动化研究所 基于定序神经网络模型的人脸识别方法及装置
CN107145867A (zh) * 2017-05-09 2017-09-08 电子科技大学 基于多任务深度学习的人脸及人脸遮挡物检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANDREW G. HOWARD ET AL.: "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications", 《ARXIV》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190654A (zh) * 2018-07-09 2019-01-11 上海斐讯数据通信技术有限公司 人脸识别模型的训练方法和装置
CN109165674A (zh) * 2018-07-19 2019-01-08 南京富士通南大软件技术有限公司 一种基于多标签深度卷积网络的证件照分类方法
CN109102018A (zh) * 2018-08-10 2018-12-28 深圳市瑞图生物技术有限公司 妇科分泌物图像的多标签分类方法
WO2020093614A1 (zh) * 2018-11-09 2020-05-14 深圳壹账通智能科技有限公司 面试人员的性格预测方法、装置及计算机可读存储介质
CN109657564A (zh) * 2018-11-28 2019-04-19 深圳市中电数通智慧安全科技股份有限公司 一种人员在岗检测方法、装置、存储介质及终端设备
CN110837818A (zh) * 2019-11-18 2020-02-25 汕头大学 一种基于卷积神经网路的中华白海豚背鳍识别方法
CN110929806B (zh) * 2019-12-06 2023-07-21 深圳市雅阅科技有限公司 基于人工智能的图片处理方法、装置及电子设备
CN110929806A (zh) * 2019-12-06 2020-03-27 腾讯科技（北京）有限公司 基于人工智能的图片处理方法、装置及电子设备
CN111311545A (zh) * 2020-01-19 2020-06-19 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111310624A (zh) * 2020-02-05 2020-06-19 腾讯科技（深圳）有限公司 遮挡识别方法、装置、计算机设备及存储介质
CN111310624B (zh) * 2020-02-05 2023-11-21 腾讯科技（深圳）有限公司 遮挡识别方法、装置、计算机设备及存储介质
CN111695432A (zh) * 2020-05-19 2020-09-22 中国电子科技网络信息安全有限公司 一种视频监控场景下的人工智能人脸异常检测系统及方法
CN112084902A (zh) * 2020-08-26 2020-12-15 武汉普利商用机器有限公司 人脸图像获取方法、装置、电子设备及存储介质
CN114118114A (zh) * 2020-08-26 2022-03-01 顺丰科技有限公司 一种图像检测方法、装置及其存储介质
CN112084902B (zh) * 2020-08-26 2024-05-14 武汉普利商用机器有限公司 人脸图像获取方法、装置、电子设备及存储介质
CN112633259A (zh) * 2021-03-08 2021-04-09 北京远鉴信息技术有限公司 人脸异常认证的识别方法、装置及电子设备
US11978280B2 (en) 2021-07-30 2024-05-07 Lemon Inc. Method and device for evaluating effect of classifying fuzzy attribute
CN113963428A (zh) * 2021-12-23 2022-01-21 北京的卢深视科技有限公司 模型训练方法、遮挡检测方法、系统、电子设备及介质
CN116503589A (zh) * 2023-02-07 2023-07-28 珠海安联锐视科技股份有限公司 一种基于深度学习的窃贼面罩检测方法
CN116503589B (zh) * 2023-02-07 2024-05-10 珠海安联锐视科技股份有限公司 一种基于深度学习的窃贼面罩检测方法

Similar Documents

Publication Publication Date Title
CN108205661A (zh) 一种基于深度学习的atm机异常人脸检测方法
CN109919031B (zh) 一种基于深度神经网络的人体行为识别方法
CN111460962B (zh) 一种口罩人脸识别方法及系统
CN109711370B (zh) 一种基于wifi探测和人脸聚类的数据融合方法
CN111444848A (zh) 一种基于联邦学习的特定场景模型升级方法和系统
CN109711281A (zh) 一种基于深度学习的行人重识别与特征识别融合方法
CN109948447B (zh) 基于视频图像识别的人物网络关系发现及演化呈现方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN107145845A (zh) 基于深度学习及多特征点融合的行人检测方法
CN111723654A (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN108961675A (zh) 基于卷积神经网络的跌倒检测方法
CN110348387A (zh) 一种图像数据处理方法、装置以及计算机可读存储介质
CN107133569A (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN102043953A (zh) 一种实时鲁棒的针对特定场景的行人检测方法
CN112966736B (zh) 一种基于多视角匹配与局部特征融合的车辆再识别方法
CN107392131A (zh) 一种基于人体骨骼节点距离的动作识别方法
CN112287827A (zh) 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN110414381A (zh) 追踪式人脸识别系统
CN109934047A (zh) 基于深度学习的人脸识别系统及其人脸识别方法
CN109886356A (zh) 一种基于三分支神经网络的目标追踪方法
CN103729620B (zh) 一种基于多视角贝叶斯网络的多视角行人检测方法
CN106960176A (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN108256462A (zh) 一种商场监控视频中的人数统计方法
CN107992854A (zh) 基于机器视觉的林业生态环境人机交互方法
CN101908153A (zh) 低分辨率图像处理中的头部姿态估计的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180626