CN108319944A - 一种远程人脸身份识别系统及方法 - Google Patents
一种远程人脸身份识别系统及方法 Download PDFInfo
- Publication number
- CN108319944A CN108319944A CN201810412946.7A CN201810412946A CN108319944A CN 108319944 A CN108319944 A CN 108319944A CN 201810412946 A CN201810412946 A CN 201810412946A CN 108319944 A CN108319944 A CN 108319944A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- video
- human face
- face
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明特别涉及一种远程人脸身份识别系统及方法。该远程人脸身份识别系统及方法，基于B/S架构，包括摄像模块，图像存储模块，图像处理模块和视频实时识别模块；摄像头通过摄像模块客户端分别连接到图像存储模块和摄像模块服务端，图像存储模块通过图像处理模块连接到视频实时识别模块，同时视频实时识别模块客户端还与监控摄像头相连接。该远程人脸身份识别系统及方法，不仅解决了传统人脸识别依赖本地的问题，而且对传统人脸识别进行了更智能的层次划分，使分层之间概念更清晰，职责更单一，通过多层合作使该远程人脸身份识别系统的移动性更强，具备很强的可扩展性，进而大大地降低了使用成本。
Description
技术领域
本发明涉及人脸识别技术领域，特别涉及一种远程人脸身份识别系统及方法。
背景技术
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，基于生物特征的身份鉴别技术在社会生活中具有越来越重要的地位和作用。人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术。使用摄像头或者摄像机采集含有人脸的图像或视频，自动检测图像信息和跟踪人脸，对检测到的人脸进行脸部的一系列相关分析技术。当前的人脸识别在远程人脸身份识别方面无法满足人们对于精度和速度等日益提高的需求。
为了解决在多地区复杂人员组织的安全监控问题，满足在多用户、多监控点负载情景下精度更高，实时性更强的要求。针对上述问题，本发明提出了一种远程人脸身份识别系统及方法。
发明内容
本发明为了弥补现有技术的缺陷，提供了一种简单高效的远程人脸身份识别系统及方法。
本发明是通过如下技术方案实现的：
一种远程人脸身份识别系统及方法，其特征在于：基于B/S架构，包括摄像模块，图像存储模块，图像处理模块和视频实时识别模块；所述摄像模块包括摄像头，摄像模块客户端和摄像模块服务端；所述图像处理模块包括图像预处理单元，人脸对齐单元，特征提取单元和深度神经网络模型训练单元；所述视频实时识别模块包括人脸识别模型，视频实时识别模块服务端，视频实时识别模块客户端和监控摄像头；
所述摄像头通过摄像模块客户端分别连接到图像存储模块和摄像模块服务端，所述图像存储模块通过图像处理模块连接到人脸识别模型，所述视频实时识别模块客户端通过视频实时识别模块服务端连接到人脸识别模型，同时视频实时识别模块客户端还与监控摄像头相连接。
所述摄像模块用于收集用户信息和摄取人脸图像，并将用户信息和摄像头摄取的图像信息发送至图像存储模块；所述图像存储模块用于存储摄像模块收集的图像信息和用户信息，以备图像处理模块使用；所述图像处理模块使用Openface深度学习框架，用图像存储模块中存储的图像训练人脸识别模型，训练生成的权重数据模型用于后续视频实时识别模块采集的新图像的人脸识别；所述视频实时识别模块负责识别出监控视频中的人脸身份。
所述摄像模块基于Django框架搭建web服务，负责收集用户信息和摄取人脸图像，并通过web将用户信息和摄像头摄取的图像信息发送至图像存储模块。
所述图像存储模块基于Tornado框架搭建服务器，提供图像文件上传功能，异步非阻塞的I/O支持多用户大批量图像同时上传；同时，图像存储模块基于Ceph框架搭建图像存储管理平台，以解决海量图像小文件的存储问题；图像存储模块用于存储摄像模块收集的图像信息和用户信息，其中用户信息存储于MySQL数据库，以备图像处理模块使用。
所述图像处理模块使用Openface深度学习框架，用图像存储模块中存储的图像训练人脸识别模型；Openface深度学习框架以深度神经网络为基础，以校准后的人脸图像为输入，输出为一个128维的向量，此向量作为从图像提取的特征，通过大量图像样本的迭代训练，不断更新各层权重，使损失函数趋于收敛；训练生成的权重数据模型用于后续视频实时识别模块采集的新图像的人脸识别。
所述视频实时识别模块通过监控摄像头采集视频图像，并通过视频实时识别模块客户端将采集的视频流发送到视频实时识别模块服务端，视频实时识别模块服务端调用人脸识别模型利用深度神经网络模型训练单元得到的深度神经网络模型即可识别出视频中的人脸身份；且视频实时识别模块服务端可以同时监控多滴的视频实时识别模块客户端发送来的视频图像。
基于该远程人脸身份识别系统的识别方法，包括以下步骤：
（1）用户通过摄像模块客户端填写用户名、密码和身份信息完成注册；并在完成注册后进行用户登录，调取摄像头进行拍照，采集多张照片作为后续训练样本；
（2）摄像模块使用Torando提供的上传服务，将用户信息和摄像头摄取的图像信息发送至图像存储模块；
（3）图像处理模块检索图像存储模块的数据库，根据用户信息从基于Ceph框架搭建我图像存储管理平台中查找到用户的图像信息，然后使用传统计算机视觉中的特征检查方法检测出原始图像中的人脸进行图像预处理；
（4）为了消除姿势不同带来的误差，通过检测人脸中的关键点对人脸做对齐校准，并将校准后的人脸图像储存起来，作为深度神经网络模型训练单元的输入；
（5）深度神经网络模型训练单元以校准后的人脸图像为输入，输出为一个128维的向量，此向量作为从图像提取的特征，通过大量图像样本的迭代训练，不断更新各层权重，使损失函数趋于收敛；训练生成的权重数据模型用于后续视频识别模块的新图像的人脸识别；
（6）监控摄像头采集视频图像，并通过视频实时识别模块客户端将采集的视频流发送到视频实时识别模块服务端；
（7）视频实时识别模块服务端调用人脸识别模型利用深度神经网络模型训练单元得到的深度神经网络模型即可识别出视频中的人脸身份。
所述步骤（1）中，摄像头拍照取得的样本数量越多越好，但是考虑到存储压力，采集十张照片作为后续训练样本。
所述步骤（4）中，人脸中的关键点可以是眼角的位置、鼻子的位置或脸的轮廓点。
本发明的有益效果是：该远程人脸身份识别系统及方法，不仅解决了传统人脸识别依赖本地的问题，而且对传统人脸识别进行了更智能的层次划分，使分层之间概念更清晰，职责更单一，通过多层合作使该远程人脸身份识别系统的移动性更强，具备很强的可扩展性，进而大大地降低了使用成本。
附图说明
附图1为本发明远程人脸身份识别系统示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
该远程人脸身份识别系统，基于B/S架构，包括摄像模块，图像存储模块，图像处理模块和视频实时识别模块；所述摄像模块包括摄像头，摄像模块客户端和摄像模块服务端；所述图像处理模块包括图像预处理单元，人脸对齐单元，特征提取单元和深度神经网络模型训练单元；所述视频实时识别模块包括人脸识别模型，视频实时识别模块服务端，视频实时识别模块客户端和监控摄像头；
所述摄像头通过摄像模块客户端分别连接到图像存储模块和摄像模块服务端，所述图像存储模块通过图像处理模块连接到人脸识别模型，所述视频实时识别模块客户端通过视频实时识别模块服务端连接到人脸识别模型，同时视频实时识别模块客户端还与监控摄像头相连接。
所述摄像模块用于收集用户信息和摄取人脸图像，并将用户信息和摄像头摄取的图像信息发送至图像存储模块；所述图像存储模块用于存储摄像模块收集的图像信息和用户信息，以备图像处理模块使用；所述图像处理模块使用Openface深度学习框架，用图像存储模块中存储的图像训练人脸识别模型，训练生成的权重数据模型用于后续视频实时识别模块采集的新图像的人脸识别；所述视频实时识别模块负责识别出监控视频中的人脸身份。
所述摄像模块基于Django框架搭建web服务，负责收集用户信息和摄取人脸图像，并通过web将用户信息和摄像头摄取的图像信息发送至图像存储模块。
所述图像存储模块基于Tornado框架搭建服务器，提供图像文件上传功能，异步非阻塞的I/O支持多用户大批量图像同时上传；同时，图像存储模块基于Ceph框架搭建图像存储管理平台，Ceph具备可扩展性、高可靠性，支持多种工作负载的高性能；由于摄像模块会采集大量用户的多张图像，使得图像的总数量非常大，使用Ceph框架可以比较好的解决海量图像小文件的存储问题；图像存储模块用于存储摄像模块收集的图像信息和用户信息，其中用户信息存储于MySQL数据库，以备图像处理模块使用。
所述图像处理模块使用Openface深度学习框架，用图像存储模块中存储的图像训练人脸识别模型；Openface深度学习框架以深度神经网络为基础，以校准后的人脸图像为输入，输出为一个128维的向量，此向量作为从图像提取的特征，通过大量图像样本的迭代训练，不断更新各层权重，使损失函数趋于收敛；训练生成的权重数据模型用于后续视频实时识别模块采集的新图像的人脸识别。
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。神经网络一般由输入层、隐含层、输出层组成，最初的神经网络通常只有几层的网络，而深度网络通常有更多的层数。将图像所有像素输入到网络的第一层之后，该层的加权和可以被解释为表示图像不同的低阶特征。随着层数的加深，这些特征被组合，从而代表更高阶的图像特征。训练DNN的首要目标就是确定如何设置权重，使得正确分类的得分最高，而使其他不正确分类的得分尽可能低。理想的正确分类得分与目前的权重所计算出的得分之间的差距被称为损失函数。因此训练DNN的目标即找到一组权重，使得对一个较大规模数据集的loss最小。权重的优化过程类似爬山的过程，这种方法被称为梯度下降。损失函数对每个权值的梯度，即损失函数对每个权值求偏导数，被用来更新权值。
所述视频实时识别模块通过监控摄像头采集视频图像，并通过视频实时识别模块客户端将采集的视频流发送到视频实时识别模块服务端，视频实时识别模块服务端调用人脸识别模型利用深度神经网络模型训练单元得到的深度神经网络模型即可识别出视频中的人脸身份；且视频实时识别模块服务端可以同时监控多滴的视频实时识别模块客户端发送来的视频图像。
基于该远程人脸身份识别系统的识别方法，包括以下步骤：
（1）用户通过摄像模块客户端填写用户名、密码和身份信息完成注册；并在完成注册后进行用户登录，调取摄像头进行拍照，采集多张照片作为后续训练样本；
（2）摄像模块使用Torando提供的上传服务，将用户信息和摄像头摄取的图像信息发送至图像存储模块；
（3）图像处理模块检索图像存储模块的数据库，根据用户信息从基于Ceph框架搭建我图像存储管理平台中查找到用户的图像信息，然后使用传统计算机视觉中的特征检查方法检测出原始图像中的人脸进行图像预处理；
（4）为了消除姿势不同带来的误差，通过检测人脸中的关键点对人脸做对齐校准，并将校准后的人脸图像储存起来，作为深度神经网络（Deep Neural Networks，简称DNN）模型训练单元的输入；
（5）深度神经网络模型训练单元以校准后的人脸图像为输入，输出为一个128维的向量，此向量作为从图像提取的特征，通过大量图像样本的迭代训练，不断更新各层权重，使损失函数趋于收敛；训练生成的权重数据模型用于后续视频识别模块的新图像的人脸识别；
（6）监控摄像头采集视频图像，并通过视频实时识别模块客户端将采集的视频流发送到视频实时识别模块服务端；
（7）视频实时识别模块服务端调用人脸识别模型利用深度神经网络模型训练单元得到的深度神经网络模型即可识别出视频中的人脸身份。
所述步骤（1）中，摄像头拍照取得的样本数量越多越好，但是考虑到存储压力，采集十张照片作为后续训练样本。
所述步骤（4）中，人脸中的关键点可以是眼角的位置、鼻子的位置或脸的轮廓点。
Claims (9)
1.一种远程人脸身份识别系统，其特征在于：基于B/S架构，包括摄像模块，图像存储模块，图像处理模块和视频实时识别模块；所述摄像模块包括摄像头，摄像模块客户端和摄像模块服务端；所述图像处理模块包括图像预处理单元，人脸对齐单元，特征提取单元和深度神经网络模型训练单元；所述视频实时识别模块包括人脸识别模型，视频实时识别模块服务端，视频实时识别模块客户端和监控摄像头；
所述摄像头通过摄像模块客户端分别连接到图像存储模块和摄像模块服务端，所述图像存储模块通过图像处理模块连接到人脸识别模型，所述视频实时识别模块客户端通过视频实时识别模块服务端连接到人脸识别模型，同时视频实时识别模块客户端还与监控摄像头相连接。
2.根据权利要求1所述的远程人脸身份识别系统，其特征在于：所述摄像模块用于收集用户信息和摄取人脸图像，并将用户信息和摄像头摄取的图像信息发送至图像存储模块；所述图像存储模块用于存储摄像模块收集的图像信息和用户信息，以备图像处理模块使用；所述图像处理模块使用Openface深度学习框架，用图像存储模块中存储的图像训练人脸识别模型，训练生成的权重数据模型用于后续视频实时识别模块采集的新图像的人脸识别；所述视频实时识别模块负责识别出监控视频中的人脸身份。
3.根据权利要求1或2所述的远程人脸身份识别系统，其特征在于：所述摄像模块基于Django框架搭建web服务，负责收集用户信息和摄取人脸图像，并通过web将用户信息和摄像头摄取的图像信息发送至图像存储模块。
4.根据权利要求1或2所述的远程人脸身份识别系统，其特征在于：所述图像存储模块基于Tornado框架搭建服务器，提供图像文件上传功能，异步非阻塞的I/O支持多用户大批量图像同时上传；同时，图像存储模块基于Ceph框架搭建图像存储管理平台，以解决海量图像小文件的存储问题；图像存储模块用于存储摄像模块收集的图像信息和用户信息，其中用户信息存储于MySQL数据库，以备图像处理模块使用。
5.根据权利要求1或2所述的远程人脸身份识别系统，其特征在于：所述图像处理模块使用Openface深度学习框架，用图像存储模块中存储的图像训练人脸识别模型；Openface深度学习框架以深度神经网络为基础，以校准后的人脸图像为输入，输出为一个128维的向量，此向量作为从图像提取的特征，通过大量图像样本的迭代训练，不断更新各层权重，使损失函数趋于收敛；训练生成的权重数据模型用于后续视频实时识别模块采集的新图像的人脸识别。
6.根据权利要求1或2所述的远程人脸身份识别系统及方法，其特征在于：所述视频实时识别模块通过监控摄像头采集视频图像，并通过视频实时识别模块客户端将采集的视频流发送到视频实时识别模块服务端，视频实时识别模块服务端调用人脸识别模型利用深度神经网络模型训练单元得到的深度神经网络模型即可识别出视频中的人脸身份；且视频实时识别模块服务端可以同时监控多滴的视频实时识别模块客户端发送来的视频图像。
7.一种基于权利要求1~6所述的远程人脸身份识别系统的识别方法，其特征在于，包括以下步骤：
（1）用户通过摄像模块客户端填写用户名、密码和身份信息完成注册；并在完成注册后进行用户登录，调取摄像头进行拍照，采集多张照片作为后续训练样本；
（2）摄像模块使用Torando提供的上传服务，将用户信息和摄像头摄取的图像信息发送至图像存储模块；
（3）图像处理模块检索图像存储模块的数据库，根据用户信息从基于Ceph框架搭建我图像存储管理平台中查找到用户的图像信息，然后使用传统计算机视觉中的特征检查方法检测出原始图像中的人脸进行图像预处理；
（4）为了消除姿势不同带来的误差，通过检测人脸中的关键点对人脸做对齐校准，并将校准后的人脸图像储存起来，作为深度神经网络模型训练单元的输入；
（5）深度神经网络模型训练单元以校准后的人脸图像为输入，输出为一个128维的向量，此向量作为从图像提取的特征，通过大量图像样本的迭代训练，不断更新各层权重，使损失函数趋于收敛；训练生成的权重数据模型用于后续视频识别模块的新图像的人脸识别；
（6）监控摄像头采集视频图像，并通过视频实时识别模块客户端将采集的视频流发送到视频实时识别模块服务端；
（7）视频实时识别模块服务端调用人脸识别模型利用深度神经网络模型训练单元得到的深度神经网络模型即可识别出视频中的人脸身份。
8.根据权利要求7所述的远程人脸身份识别系统的识别方法，其特征在于：所述步骤（1）中，摄像头拍照取得的样本数量越多越好，但是考虑到存储压力，采集十张照片作为后续训练样本。
9.根据权利要求7所述的远程人脸身份识别系统的识别方法，其特征在于：所述步骤（4）中，人脸中的关键点可以是眼角的位置、鼻子的位置或脸的轮廓点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810412946.7A CN108319944A (zh) | 2018-05-03 | 2018-05-03 | 一种远程人脸身份识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810412946.7A CN108319944A (zh) | 2018-05-03 | 2018-05-03 | 一种远程人脸身份识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108319944A true CN108319944A (zh) | 2018-07-24 |
Family
ID=62895624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810412946.7A Pending CN108319944A (zh) | 2018-05-03 | 2018-05-03 | 一种远程人脸身份识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108319944A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492388A (zh) * | 2018-10-24 | 2019-03-19 | 北京达佳互联信息技术有限公司 | 裂变传播方法、裂变传播装置和计算机可读存储介质 |
| CN109660509A (zh) * | 2018-10-29 | 2019-04-19 | 北京旷视科技有限公司 | 基于人脸识别的登录方法、装置、系统和存储介质 |
| CN110991431A (zh) * | 2020-03-03 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、设备及存储介质 |
| CN111104823A (zh) * | 2018-10-25 | 2020-05-05 | 北京奇虎科技有限公司 | 人脸识别方法、装置及存储介质、终端设备 |
| CN113129567A (zh) * | 2020-01-15 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 石油工程井场视频智能分析及预警管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226664A (zh) * | 2008-02-02 | 2008-07-23 | 北京海鑫科金高科技股份有限公司 | 一种用于自助银行与自动柜员机的智能监控系统和方法 |
| CN104036557A (zh) * | 2013-03-06 | 2014-09-10 | 中国科学技术大学苏州研究院 | 基于b/s架构的分布式人脸识别考勤系统及其考勤方法 |
| CN205507959U (zh) * | 2016-04-18 | 2016-08-24 | 无锡市安吉电子工程有限公司 | 一种三辊闸工程现场出入监控系统 |
-
2018
- 2018-05-03 CN CN201810412946.7A patent/CN108319944A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226664A (zh) * | 2008-02-02 | 2008-07-23 | 北京海鑫科金高科技股份有限公司 | 一种用于自助银行与自动柜员机的智能监控系统和方法 |
| CN104036557A (zh) * | 2013-03-06 | 2014-09-10 | 中国科学技术大学苏州研究院 | 基于b/s架构的分布式人脸识别考勤系统及其考勤方法 |
| CN205507959U (zh) * | 2016-04-18 | 2016-08-24 | 无锡市安吉电子工程有限公司 | 一种三辊闸工程现场出入监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| BRANDON AMOS ET AL.: "OpenFace: A general-purpose face recognition library with mobile applications", 《CMU-CS-16-118》 * |
| 刘坤: "基于人脸识别的身份认证系统的设计与开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492388A (zh) * | 2018-10-24 | 2019-03-19 | 北京达佳互联信息技术有限公司 | 裂变传播方法、裂变传播装置和计算机可读存储介质 |
| CN111104823A (zh) * | 2018-10-25 | 2020-05-05 | 北京奇虎科技有限公司 | 人脸识别方法、装置及存储介质、终端设备 |
| CN109660509A (zh) * | 2018-10-29 | 2019-04-19 | 北京旷视科技有限公司 | 基于人脸识别的登录方法、装置、系统和存储介质 |
| CN113129567A (zh) * | 2020-01-15 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 石油工程井场视频智能分析及预警管理系统 |
| CN110991431A (zh) * | 2020-03-03 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108319944A (zh) | 一种远程人脸身份识别系统及方法 | |
| CN107480178B (zh) | 一种基于图像与视频跨模态比对的行人重识别方法 | |
| IL258817A (en) | Methods and instrument for minimizing errors in face recognition applications | |
| AU2016291660A1 (en) | Apparatus and methods for facial recognition and video analytics to identify individuals in contextual video streams | |
| CN104036236B (zh) | 一种基于多参数指数加权的人脸性别识别方法 | |
| CN109657609A (zh) | 人脸识别方法及系统 | |
| CN101253535B (zh) | 图像检索装置以及图像检索方法 | |
| CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
| CN109284733A (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
| CN108363997A (zh) | 一种在视频中对特定人的实时跟踪方法 | |
| CN110163041A (zh) | 视频行人再识别方法、装置及存储介质 | |
| CN110008797A (zh) | 一种多摄像机多人脸视频接续采集装置及方法 | |
| CN110084130B (zh) | 基于多目标跟踪的人脸筛选方法、装置、设备及存储介质 | |
| CN111985348B (zh) | 人脸识别方法和系统 | |
| CN109214263A (zh) | 一种基于特征复用的人脸识别方法 | |
| CN107766811A (zh) | 一种基于复杂流型结构的人脸识别方法及系统 | |
| CN111639580B (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
| 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 | |
| CN110765134A (zh) | 档案建立方法、设备及存储介质 | |
| CN107862240A (zh) | 一种多摄像头协同的人脸追踪方法 | |
| CN109829997A (zh) | 人员考勤方法及系统 | |
| CN109711309A (zh) | 一种自动识别人像图片是否闭眼的方法 | |
| CN110070027A (zh) | 基于智能物联网系统的行人重识别方法 | |
| CN112150692A (zh) | 一种基于人工智能的门禁控制方法及系统 | |
| CN110348320B (zh) | 一种基于多损失深度融合的人脸防伪方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190708 Address after: 214029 No. 999 Gaolang East Road, Binhu District, Wuxi City, Jiangsu Province (Software Development Building) 707 Applicant after: Chaozhou Zhuoshu Big Data Industry Development Co., Ltd. Address before: 250100 S06 Floor, No. 1036 Tidal Road, Jinan High-tech Zone, Shandong Province Applicant before: Shandong Hui Trade Electronic Port Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |
|
| RJ01 | Rejection of invention patent application after publication |