CN108268864A - 人脸识别方法、系统、电子设备和计算机程序产品 - Google Patents
人脸识别方法、系统、电子设备和计算机程序产品 Download PDFInfo
- Publication number
- CN108268864A CN108268864A CN201810157652.4A CN201810157652A CN108268864A CN 108268864 A CN108268864 A CN 108268864A CN 201810157652 A CN201810157652 A CN 201810157652A CN 108268864 A CN108268864 A CN 108268864A
- Authority
- CN
- China
- Prior art keywords
- facial image
- face
- carried out
- same user
- shooting angle
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人脸识别方法、系统、电子设备和计算机程序产品,应用于人脸识别技术领域,该方法获取同一用户多个拍摄角度的人脸图像;对人脸图像进行模糊过滤;对模糊过滤后的人脸图像进行姿态过滤;对姿态过滤后的人脸图像进行人脸识别。本发明获取同一用户多个拍摄角度的人脸图像之后,对人脸图像进行模糊过滤以及姿态过滤,对过滤后的人脸图像进行人脸识别,有效的控制人脸识别图像的质量,实现自然动态场景下快速准确的人脸识别。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及一种人脸识别方法、系统、电子设备和计算机程序产品。
背景技术
人脸识别技术与其他生物特征识别技术相比,通过摄像头直接获取,可以非接触的方式完成识别过程,方便快捷。
目前人脸识别应用广泛,许多人脸识别应用场景通常是自然环境、非用户配合,而且要求识别系统实时高速准确。
基于CPU(Central Processing Unit,中央处理器)的人脸识别算法处理单帧图像在数百毫秒,很难满足实时识别的要求。
基于GPU(Graphics Processing Unit,图形处理器)的人脸识别算法虽然速度较快,但是也很难完全满足实时识别要求,而且GPU法对硬件资源要求高,价格昂贵,不利于大规模应用。
另外,好多场景下光照条件复杂、用户人脸姿态不佳,很难进行识别,如果很难识别的图片均送到人脸识别系统将会浪费大量的计算资源,更无法保证识别的准确和高速。
发明内容
为了满足人脸识别的准确和高速要求,本发明实施例提供一种人脸识别方法、系统、电子设备和计算机程序产品,主要用于人脸识别。
第一方面,本发明实施例提供了一种人脸识别方法,所述方法,包括:
获取同一用户多个拍摄角度的人脸图像;
对所述人脸图像进行模糊过滤;
对模糊过滤后的人脸图像进行姿态过滤;
对姿态过滤后的人脸图像进行人脸识别。
第二方面,本发明实施例提供了一种电子设备,所述电子设备包括:
存储器,一个或多个处理器;存储器与处理器通过通信总线相连;处理器被配置为执行存储器中的指令;所述存储介质中存储有用于执行上述第一方面所述方法中各个步骤的指令。
第三方面,本发明实施例提供了一种与包括显示器的电子设备结合使用的计算机程序产品,所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制,所述计算机程序机制包括用于执行上述第一方面所述方法中各个步骤的指令。
第四方面,本发明实施例提供了一种人脸识别系统,所述系统包括多路摄像单元和计算单元;
各路摄像单元的拍摄角度不同;
多路摄像单元,用于通过硬件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像;或者,通过软件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像;
所述计算单元,用于执行上述第一方面所述方法中各个步骤的指令。
有益效果如下:
本发明实施例中,获取同一用户多个拍摄角度的人脸图像之后,对人脸图像进行模糊过滤以及姿态过滤,对过滤后的人脸图像进行人脸识别,有效的控制人脸识别图像的质量,实现自然动态场景下快速准确的人脸识别。
附图说明
下面将参照附图描述本发明的具体实施例,其中:
图1为本发明实施例中的一种摄像单元结构示意图;
图2为本发明实施例中的一种人脸识别方法流程示意图;
图3为本发明实施例中的另一种人脸识别方法流程示意图;
图4为本发明实施例中的一种人脸关键检测的示意图;
图5为本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图对本发明的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以互相结合。
目前人脸识别应用广泛,许多人脸识别应用场景通常是自然环境、非用户配合,而且要求识别系统实时高速准确。基于CPU的人脸识别算法处理单帧图像在数百毫秒,很难满足实时识别的要求。基于GPU的人脸识别算法虽然速度较快,但是也很难完全满足实时识别要求,而且GPU法对硬件资源要求高,价格昂贵,不利于大规模应用。另外,好多场景下光照条件复杂、用户人脸姿态不佳,很难进行识别,如果很难识别的图片均送到人脸识别系统将会浪费大量的计算资源,更无法保证识别的准确和高速。
基于此,本发明实施例提供了一种人脸识别方法,获取同一用户多个拍摄角度的人脸图像之后,对人脸图像进行模糊过滤以及姿态过滤,对过滤后的人脸图像进行人脸识别,有效的控制人脸识别图像的质量,实现自然动态场景下快速准确的人脸识别。
本发明的人脸识别方法在实施时,可以通过人脸识别系统实现。该系统包括多路摄像单元和计算单元。
1、摄像单元
各路摄像单元的拍摄角度不同,如图1所示。
每一路摄像单元均包括高速摄像机和LED(Light Emitting Diode,发光二极管)自动补光装置。
每一个LED自动补光装置,包括:外界感光元件和发光LED。
外界感光元件,用于检测外界光线。
发光LED,用于在外界感光元件检测到外界光线低于第二阈值时,开启。
Led自动补光装置可以实现当外界感光元件检测到外界光线过低时,自动启动发光LED,以保证采集图像的质量。如一到夜晚则自动打开补光灯。
另外,高速摄像的采集帧率比可以为120fps(Frames Per Second,每秒帧数)。
多路摄像单元,用于通过硬件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像;或者,通过软件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像。
多路摄像可以保证无死角捕捉人脸图像。
2、计算单元
计算单元,用于执行图2所示的人脸识别方法,负责进行后续的图像处理和识别,包括模糊检测、人脸姿态过滤、以及后续的人脸比对和搜索。
上述该人脸识别系统可以通过图3所示的流程,实现自然动态场景下快速准确的人脸识别。
具体的,由于每一路摄像单元均包括高帧率相机,并配有LED自动补光装置,能够根据光照明暗变化进行自动补光,保证采集图像的质量。另外,由于多台这样配置的路摄像单元从多个角度同步拍摄同一用户的人脸图像,保证可以尽量清晰的拍摄角度比较好的人脸图像。此外,在人脸识别前进行模糊过滤,剔除不清晰的人脸图像,进而再将这多路摄像单元拍摄的人脸图像进行姿态过滤,挑选出姿态最佳的人脸进行人脸识别和搜索,可以有效保证人脸识别的实时性和准确性。
参见图2,本实施例提供的人脸识别方法实现流程如下。
201,获取同一用户多个拍摄角度的人脸图像。
本步骤的实现过程为:
1.1、各路摄像单元通过硬件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像;或者,各路摄像单元通过软件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像。
每一路摄像单元均包括高帧率相机,并配有LED自动补光装置,能够根据光照明暗变化进行自动补光,保证采集图像的质量。
1.2、计算单元从各路摄像单元获取其拍摄的同一用户多个拍摄角度的人脸图像。
202,对人脸图像进行模糊过滤。
具体的,计算单元确定人脸图像的模糊度,过滤模糊度超出第一阈值的人脸图像。即计算单元对步骤201采集的人脸图像进行分析,判断人脸图像的模糊度,如果超出一定的阈值,则不予后续处理。
其中,计算单元确定人脸图像的模糊度的过程可以通过频域分析的方法实现。例如:对人脸图像进行傅里叶变换,得到人脸图像的高频分量和低频分量,根据高频分量和低频分量确定人脸图像的模糊度(比如低频分量过大,高频分量较低的人脸图像,则认为比较模糊)。
另外,计算单元确定人脸图像的模糊度的过程还可以通过空间域分析的方法实现,例如:对人脸图像进行灰度化,采用拉普拉斯算子(比如3*3算子)对灰度化后的人脸图像进行滤波,计算滤波后的人脸图像的均值和方差,根据均值和方差确定人脸图像的模糊度(比如方差过小的人脸图像,则认为比较模糊)。
此外,计算单元确定人脸图像的模糊度的过程还可以通过深度学习的方法实现,例如:通过预先通过卷积神经网络(比如resnet网络)训练的图像模糊识别模型识别人脸图像,得到人脸图像的模糊概率,将模糊概率作为人脸图像的模糊度,此时,模糊概率大于一定的阈值的人脸图像,则认为比较模糊。
203,对模糊过滤后的人脸图像进行姿态过滤。
本步骤的实现方法包括但不限于如下方法:
第一种实现方法:
2.1、对模糊过滤后的人脸图像进行人脸检测,获得人脸区域。
2.2、对人脸区域进行人脸关键点检测和定位。
例如获得图4所示的68个关键点。
2.3、基于检测和定位结果获得人脸的三维姿态欧拉角。
例如,根据Solvepnp算法获得人脸的三维姿态欧拉角
2.4、根据三维姿态欧拉角进行姿态过滤。
例如,选取最佳姿态的人脸图像,比如最接近正脸的图片,也就是yaw尽可能接近0度,pitch尽可能接近0度的图片,roll姿态可以不做限制。
因为可以通过对图像进行二维平面旋转,补偿roll产生的旋转,比如选取两眼中心的组成的直线,计算直线相对水平线的旋转角度,进行逆向旋转即可对roll进行补偿。
第二种实现方法:
3.1、对模糊过滤后的人脸图像进行人脸检测,获得人脸区域。
3.2、将人脸区域输入人脸三维姿态识别模型,获得人脸的三维姿态欧拉角。
其中,人脸三维姿态识别模型基于深度卷积神经网络训练得到。
将人脸区域输入预先基于深度卷积神经网络训练得到的人脸三维姿态识别模型中,该模型的输出即为人脸的三维姿态欧拉角。
3.3、根据三维姿态欧拉角进行姿态过滤。
例如,选取最佳姿态的人脸图像,比如最接近正脸的图片,也就是yaw尽可能接近0度,pitch尽可能接近0度的图片,roll姿态可以不做限制。
因为可以通过对图像进行二维平面旋转,补偿roll产生的旋转,比如选取两眼中心的组成的直线,计算直线相对水平线的旋转角度,进行逆向旋转即可对roll进行补偿。
204,对姿态过滤后的人脸图像进行人脸识别。
例如,对步骤203中筛选出的最佳姿态的人脸图像进行人脸对齐、特征提取、人脸比对和搜索等等人脸识别操作。
有益效果:
本发明实施例获取同一用户多个拍摄角度的人脸图像之后,对人脸图像进行模糊过滤以及姿态过滤,对过滤后的人脸图像进行人脸识别,有效的控制人脸识别图像的质量,实现自然动态场景下快速准确的人脸识别。
基于同一发明构思,本发明实施例还提供了一种电子设备,参见图5,电子设备包括:
存储器501,一个或多个处理器502;以及收发组件503,存储器、处理器以及收发组件503通过通信总线(本发明实施例中是以通信总线为I/O总线进行的说明)相连;所述存储介质中存储有用于执行下述各个步骤的指令:
获取同一用户多个拍摄角度的人脸图像;
对人脸图像进行模糊过滤;
对模糊过滤后的人脸图像进行姿态过滤;
对姿态过滤后的人脸图像进行人脸识别。
可选地,同一用户多个拍摄角度的人脸图像是多个拍摄角度的摄像单元,通过硬件同步拍摄同一用户得到的;或者,同一用户多个拍摄角度的人脸图像是多个拍摄角度的摄像单元,通过软件同步拍摄同一用户得到的。
可选地,对人脸图像进行模糊过滤,包括;
确定人脸图像的模糊度;
过滤模糊度超出第一阈值的人脸图像。
可选地,确定人脸图像的模糊程度,包括:
对人脸图像进行傅里叶变换,得到人脸图像的高频分量和低频分量,根据高频分量和低频分量确定人脸图像的模糊度;或者,
对人脸图像进行灰度化,采用拉普拉斯算子对灰度化后的人脸图像进行滤波,计算滤波后的人脸图像的均值和方差,根据均值和方差确定人脸图像的模糊度;或者,
通过预先通过卷积神经网络训练的图像模糊识别模型识别人脸图像,得到人脸图像的模糊概率,将模糊概率作为人脸图像的模糊度。
可选地,对模糊过滤后的人脸图像进行姿态过滤,包括:
对模糊过滤后的人脸图像进行人脸检测,获得人脸区域;
对人脸区域进行人脸关键点检测和定位;
基于检测和定位结果获得人脸的三维姿态欧拉角;
根据三维姿态欧拉角进行姿态过滤;
或者;
对模糊过滤后的人脸图像进行姿态过滤,包括:
对模糊过滤后的人脸图像进行人脸检测,获得人脸区域;
将人脸区域输入人脸三维姿态识别模型,获得人脸的三维姿态欧拉角,人脸三维姿态识别模型基于深度卷积神经网络训练得到;
根据三维姿态欧拉角进行姿态过滤。
不难理解的是,在具体实施时,就为了实现本发明的基本目的而言,上述的并不必然的需要包含上述的收发组件503。
有益效果:
本发明实施例获取同一用户多个拍摄角度的人脸图像之后,对人脸图像进行模糊过滤以及姿态过滤,对过滤后的人脸图像进行人脸识别,有效的控制人脸识别图像的质量,实现自然动态场景下快速准确的人脸识别。
再一方面,本发明实施例还提供了一种与包括显示器的电子设备结合使用的计算机程序产品,所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制,所述计算机程序机制包括用于执行下述各个步骤的指令:
获取同一用户多个拍摄角度的人脸图像;
对人脸图像进行模糊过滤;
对模糊过滤后的人脸图像进行姿态过滤;
对姿态过滤后的人脸图像进行人脸识别。
可选地,同一用户多个拍摄角度的人脸图像是多个拍摄角度的摄像单元,通过硬件同步拍摄同一用户得到的;或者,同一用户多个拍摄角度的人脸图像是多个拍摄角度的摄像单元,通过软件同步拍摄同一用户得到的。
可选地,对人脸图像进行模糊过滤,包括;
确定人脸图像的模糊度;
过滤模糊度超出第一阈值的人脸图像。
可选地,确定人脸图像的模糊程度,包括:
对人脸图像进行傅里叶变换,得到人脸图像的高频分量和低频分量,根据高频分量和低频分量确定人脸图像的模糊度;或者,
对人脸图像进行灰度化,采用拉普拉斯算子对灰度化后的人脸图像进行滤波,计算滤波后的人脸图像的均值和方差,根据均值和方差确定人脸图像的模糊度;或者,
通过预先通过卷积神经网络训练的图像模糊识别模型识别人脸图像,得到人脸图像的模糊概率,将模糊概率作为人脸图像的模糊度。
可选地,对模糊过滤后的人脸图像进行姿态过滤,包括:
对模糊过滤后的人脸图像进行人脸检测,获得人脸区域;
对人脸区域进行人脸关键点检测和定位;
基于检测和定位结果获得人脸的三维姿态欧拉角;
根据三维姿态欧拉角进行姿态过滤;
或者;
对模糊过滤后的人脸图像进行姿态过滤,包括:
对模糊过滤后的人脸图像进行人脸检测,获得人脸区域;
将人脸区域输入人脸三维姿态识别模型,获得人脸的三维姿态欧拉角,人脸三维姿态识别模型基于深度卷积神经网络训练得到;
根据三维姿态欧拉角进行姿态过滤。
有益效果:
本发明实施例获取同一用户多个拍摄角度的人脸图像之后,对人脸图像进行模糊过滤以及姿态过滤,对过滤后的人脸图像进行人脸识别,有效的控制人脸识别图像的质量,实现自然动态场景下快速准确的人脸识别。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种人脸识别方法,其特征在于,所述方法,包括:
获取同一用户多个拍摄角度的人脸图像;
对所述人脸图像进行模糊过滤;
对模糊过滤后的人脸图像进行姿态过滤;
对姿态过滤后的人脸图像进行人脸识别。
2.根据权利要求1所述的方法,其特征在于,所述同一用户多个拍摄角度的人脸图像是多个拍摄角度的摄像单元,通过硬件同步拍摄同一用户得到的;或者,所述同一用户多个拍摄角度的人脸图像是多个拍摄角度的摄像单元,通过软件同步拍摄同一用户得到的。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述人脸图像进行模糊过滤,包括;
确定所述人脸图像的模糊度;
过滤模糊度超出第一阈值的人脸图像。
4.根据权利要求3所述的方法,其特征在于,所述确定所述人脸图像的模糊程度,包括:
对所述人脸图像进行傅里叶变换,得到所述人脸图像的高频分量和低频分量,根据高频分量和低频分量确定所述人脸图像的模糊度;或者,
对所述人脸图像进行灰度化,采用拉普拉斯算子对灰度化后的人脸图像进行滤波,计算滤波后的人脸图像的均值和方差,根据均值和方差确定所述人脸图像的模糊度;或者,
通过预先通过卷积神经网络训练的图像模糊识别模型识别所述人脸图像,得到所述人脸图像的模糊概率,将模糊概率作为所述人脸图像的模糊度。
5.根据权利要求2所述的方法,其特征在于,所述对模糊过滤后的人脸图像进行姿态过滤,包括:
对模糊过滤后的人脸图像进行人脸检测,获得人脸区域;
对所述人脸区域进行人脸关键点检测和定位;
基于检测和定位结果获得人脸的三维姿态欧拉角;
根据所述三维姿态欧拉角进行姿态过滤;
或者;
所述对模糊过滤后的人脸图像进行姿态过滤,包括:
对模糊过滤后的人脸图像进行人脸检测,获得人脸区域;
将所述人脸区域输入人脸三维姿态识别模型,获得人脸的三维姿态欧拉角,所述人脸三维姿态识别模型基于深度卷积神经网络训练得到;
根据所述三维姿态欧拉角进行姿态过滤。
6.一种电子设备,其特征在于,所述电子设备包括:
存储器,一个或多个处理器;存储器与处理器通过通信总线相连;处理器被配置为执行存储器中的指令;所述存储介质中存储有用于执行权利要求1至5任一项所述方法中各个步骤的指令。
7.一种与包括显示器的电子设备结合使用的计算机程序产品,所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制,所述计算机程序机制包括用于执行权利要求1至5任一所述方法中各个步骤的指令。
8.一种人脸识别系统,其特征在于,所述系统包括多路摄像单元和计算单元;
各路摄像单元的拍摄角度不同;
多路摄像单元,用于通过硬件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像;或者,通过软件同步拍摄同一用户得到同一用户多个拍摄角度的人脸图像;
所述计算单元,用于执行权利要求1至5任一项所述方法中各个步骤的指令。
9.根据权利要求8所述的方法,其特征在于,任一路摄像单元包括高速摄像机和发光二极管LED自动补光装置;
所述LED自动补光装置,包括:外界感光元件和发光LED;
所述外界感光元件,用于检测外界光线;
所述发光LED,用于在所述外界感光元件检测到外界光线低于第二阈值时,开启。
10.根据权利要求9所述的方法,其特征在于,所述高速摄像的采集帧率比为120每秒帧数fps。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810157652.4A CN108268864A (zh) | 2018-02-24 | 2018-02-24 | 人脸识别方法、系统、电子设备和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810157652.4A CN108268864A (zh) | 2018-02-24 | 2018-02-24 | 人脸识别方法、系统、电子设备和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268864A true CN108268864A (zh) | 2018-07-10 |
Family
ID=62774363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810157652.4A Pending CN108268864A (zh) | 2018-02-24 | 2018-02-24 | 人脸识别方法、系统、电子设备和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268864A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214328A (zh) * | 2018-08-29 | 2019-01-15 | 成都睿码科技有限责任公司 | 基于人脸识别引擎的人脸抓取系统 |
CN109376704A (zh) * | 2018-11-30 | 2019-02-22 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法 |
CN109447006A (zh) * | 2018-11-01 | 2019-03-08 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109875568A (zh) * | 2019-03-08 | 2019-06-14 | 北京联合大学 | 一种用于疲劳驾驶检测的头部姿态检测方法 |
CN110032970A (zh) * | 2019-04-11 | 2019-07-19 | 深圳市华付信息技术有限公司 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
CN110059642A (zh) * | 2019-04-23 | 2019-07-26 | 北京海益同展信息科技有限公司 | 人脸图像筛选方法与装置 |
CN110164007A (zh) * | 2019-05-21 | 2019-08-23 | 一石数字技术成都有限公司 | 一种基于身份证据和人脸图像关联关系的门禁系统 |
CN110826486A (zh) * | 2019-11-05 | 2020-02-21 | 拉卡拉支付股份有限公司 | 人脸识别辅助检测方法及装置 |
CN110852150A (zh) * | 2019-09-25 | 2020-02-28 | 珠海格力电器股份有限公司 | 一种人脸验证方法、系统、设备及计算机可读存储介质 |
CN110991356A (zh) * | 2019-12-06 | 2020-04-10 | 中科智云科技有限公司 | 一种基于屏幕边缘的手机回放活体攻击识别方法 |
CN110991211A (zh) * | 2019-01-30 | 2020-04-10 | 复钧智能科技(苏州)有限公司 | 基于改进残差神经网络的便携式单兵人脸识别装置 |
CN111144366A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于联合人脸质量评估的陌生人脸聚类方法 |
CN111814613A (zh) * | 2020-06-24 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种人脸识别方法、设备及计算机可读存储介质 |
CN113313078A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及系统 |
CN113536844A (zh) * | 2020-04-16 | 2021-10-22 | 中移(成都)信息通信科技有限公司 | 人脸对比方法、装置、设备及介质 |
WO2021238502A1 (zh) * | 2020-05-26 | 2021-12-02 | 华为技术有限公司 | 时间戳同步方法和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
US20100259647A1 (en) * | 2009-04-09 | 2010-10-14 | Robert Gregory Gann | Photographic effect for digital photographs |
CN103927520A (zh) * | 2014-04-14 | 2014-07-16 | 中国华戎控股有限公司 | 一种逆光环境下人脸检测方法 |
CN106845461A (zh) * | 2017-03-15 | 2017-06-13 | 深圳汇通智能化科技有限公司 | 一种基于人脸识别和密码识别的电子商务交易系统 |
-
2018
- 2018-02-24 CN CN201810157652.4A patent/CN108268864A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
US20100259647A1 (en) * | 2009-04-09 | 2010-10-14 | Robert Gregory Gann | Photographic effect for digital photographs |
CN103927520A (zh) * | 2014-04-14 | 2014-07-16 | 中国华戎控股有限公司 | 一种逆光环境下人脸检测方法 |
CN106845461A (zh) * | 2017-03-15 | 2017-06-13 | 深圳汇通智能化科技有限公司 | 一种基于人脸识别和密码识别的电子商务交易系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214328A (zh) * | 2018-08-29 | 2019-01-15 | 成都睿码科技有限责任公司 | 基于人脸识别引擎的人脸抓取系统 |
CN109447006A (zh) * | 2018-11-01 | 2019-03-08 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109376704A (zh) * | 2018-11-30 | 2019-02-22 | 高新兴科技集团股份有限公司 | 一种人脸活体检测方法 |
CN110991211A (zh) * | 2019-01-30 | 2020-04-10 | 复钧智能科技(苏州)有限公司 | 基于改进残差神经网络的便携式单兵人脸识别装置 |
CN110991211B (zh) * | 2019-01-30 | 2024-03-19 | 复钧智能科技(苏州)有限公司 | 基于改进残差神经网络的便携式单兵人脸识别装置 |
CN109875568A (zh) * | 2019-03-08 | 2019-06-14 | 北京联合大学 | 一种用于疲劳驾驶检测的头部姿态检测方法 |
CN110032970A (zh) * | 2019-04-11 | 2019-07-19 | 深圳市华付信息技术有限公司 | 高准确率的活体检测方法、装置、计算机设备及存储介质 |
CN110059642A (zh) * | 2019-04-23 | 2019-07-26 | 北京海益同展信息科技有限公司 | 人脸图像筛选方法与装置 |
CN110164007B (zh) * | 2019-05-21 | 2022-02-01 | 一石数字技术成都有限公司 | 一种基于身份证据和人脸图像关联关系的门禁系统 |
CN110164007A (zh) * | 2019-05-21 | 2019-08-23 | 一石数字技术成都有限公司 | 一种基于身份证据和人脸图像关联关系的门禁系统 |
CN110852150A (zh) * | 2019-09-25 | 2020-02-28 | 珠海格力电器股份有限公司 | 一种人脸验证方法、系统、设备及计算机可读存储介质 |
CN110826486A (zh) * | 2019-11-05 | 2020-02-21 | 拉卡拉支付股份有限公司 | 人脸识别辅助检测方法及装置 |
CN110991356A (zh) * | 2019-12-06 | 2020-04-10 | 中科智云科技有限公司 | 一种基于屏幕边缘的手机回放活体攻击识别方法 |
CN111144366A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 一种基于联合人脸质量评估的陌生人脸聚类方法 |
CN113536844A (zh) * | 2020-04-16 | 2021-10-22 | 中移(成都)信息通信科技有限公司 | 人脸对比方法、装置、设备及介质 |
CN113536844B (zh) * | 2020-04-16 | 2023-10-31 | 中移(成都)信息通信科技有限公司 | 人脸对比方法、装置、设备及介质 |
WO2021238502A1 (zh) * | 2020-05-26 | 2021-12-02 | 华为技术有限公司 | 时间戳同步方法和设备 |
CN111814613A (zh) * | 2020-06-24 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种人脸识别方法、设备及计算机可读存储介质 |
CN113313078A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及系统 |
CN113313078B (zh) * | 2021-07-02 | 2022-07-08 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268864A (zh) | 人脸识别方法、系统、电子设备和计算机程序产品 | |
US10521928B2 (en) | Real-time gesture recognition method and apparatus | |
US11954904B2 (en) | Real-time gesture recognition method and apparatus | |
CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
CN104463117B (zh) | 一种基于视频方式的人脸识别样本采集方法及系统 | |
WO2009113144A1 (ja) | 対象物追跡装置および対象物追跡方法 | |
US9224211B2 (en) | Method and system for motion detection in an image | |
US20180357819A1 (en) | Method for generating a set of annotated images | |
US20100079491A1 (en) | Image compositing apparatus and method of controlling same | |
WO2015000286A1 (zh) | 基于增强现实的三维互动学习系统及方法 | |
KR20150021526A (ko) | 데이터베이스 생성 및 업데이트를 위한 심도 기반 추적을 이용하는 자기 학습 얼굴 인식 기법 | |
WO2014187223A1 (en) | Method and apparatus for identifying facial features | |
CN108875485A (zh) | 一种底图录入方法、装置及系统 | |
CN108596041A (zh) | 一种基于视频的人脸活体检测方法 | |
CN108446690B (zh) | 一种基于多视角动态特征的人脸活体检测方法 | |
CN102567716A (zh) | 一种人脸合成系统及实现方法 | |
CN111008935A (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN114241379A (zh) | 一种乘客异常行为识别方法、装置、设备及乘客监控系统 | |
CN111382592A (zh) | 活体检测方法和设备 | |
CN108876672A (zh) | 一种远程教育教师自动识别图像优化跟踪方法及系统 | |
CN115008454A (zh) | 一种基于多帧伪标签数据增强的机器人在线手眼标定方法 | |
CN106778576A (zh) | 一种基于sehm特征图序列的动作识别方法 | |
CN113065506A (zh) | 一种人体姿态识别方法及系统 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
Benedek et al. | Lidar-based gait analysis in people tracking and 4D visualization |
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: 20180710 |