CN108364000B - 一种基于神经网络人脸特征提取的相似度获得方法 - Google Patents
一种基于神经网络人脸特征提取的相似度获得方法 Download PDFInfo
- Publication number
- CN108364000B CN108364000B CN201810249877.2A CN201810249877A CN108364000B CN 108364000 B CN108364000 B CN 108364000B CN 201810249877 A CN201810249877 A CN 201810249877A CN 108364000 B CN108364000 B CN 108364000B
- Authority
- CN
- China
- Prior art keywords
- layer
- facial image
- layers
- training
- width
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于神经网络人脸特征提取的相似度获得方法,基于对神经网络架构的改进,引入align架构,在人脸识别前,加入针对人脸图片的矫正过程,能够有效避免引入新的特征点检测算法和人脸矫正方法,如此采用改进型神经网络架构实现了端到端的人脸识别过程,能够有效提高人脸相似度检测的效率与准确率。
Description
技术领域
本发明涉及一种基于神经网络人脸特征提取的相似度获得方法,属于面部识别验证技术领域。
背景技术
自然场景,无约束条件下、基于数字图像特征的人脸识别技术的关键是对人脸特征的提取。通过对不同人脸图像进行特征提取,以及比较可以得出不同人脸之间的相似程度,从而判断出是否为同一人。更进一步通过预留人脸图片,可以实现对目标人物身份的识别;针对实际场景中人脸识别时,非约束条件下人脸在图片中角度、姿态的不同,为提高后续识别任务的准确度,传统方法主要使用人脸特征点检测算法,确定人脸图片中相应特征点的位置,然后根据特征点位置信息对人脸图片进行姿态的矫正,此种方式精度低,实际检测结果中存在移动的错误率。
发明内容
本发明所要解决的技术问题是提供一种基于神经网络人脸特征提取的相似度获得方法,避免了对人脸进行特征点检测与矫正的手工过程,实现了端到端的人脸识别过程,能够有效提高人脸相似度检测的效率与准确率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于神经网络人脸特征提取的相似度获得方法,用于获得人脸间的相似度,其中,神经网络包括Date层、align层、extract层和softmax层;所述相似度获得方法包括如下步骤:
步骤A.针对已知特征向量的各幅训练人脸图像,分别进行预处理,并构建人脸图像训练集合,且平均划分为多个训练子集合,然后导入Data层,并初始化n=1,进入步骤B;
步骤B.初始化i=1,并进入步骤C;
步骤C.Data层针对第i个训练子集合向align层进行输送,由align层针对第i个训练子集合进行处理,然后进入步骤D;其中,一方面Data层针对第i个训练子集合中各幅训练人脸图像,依次经过align层中至少一组依次包括卷积层、激活层、池化层的结构进行人脸特征提取;接着针对所提取的人脸特征,经align层中的一维降维层转化为一维特征向量;然后针对一维特征向量,通过align层中的全连接层获得对应预设数量的图像矫正参数,即获得第i个训练子集合中各幅训练人脸图像分别所对应预设数量的图像矫正参数,并输送至align层中的空间转换层;
同时,另一方面Data层将第i个训练子集合中各幅训练人脸图像依次输送至align层中的空间转换层;
由align层中的空间转换层根据第i个训练子集合中、各幅训练人脸图像分别所对应预设数量的图像矫正参数,针对第i个训练子集合中对应训练人脸图像分别进行图像矫正,然后进入步骤D;
步骤D.由align层中的空间转换层将第i个训练子集合中矫正后的各幅训练人脸图像,依次向extract层进行输送,依次经过extract层中至少一组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构进行人脸特征提取,然后进入步骤E;
步骤E.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的人脸特征,进一步依次经过extract层中的卷积层、分割层、最大化层、池化层、一维降维层,获得分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量,然后进入步骤F;
步骤F.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量,经过extract层中的全连接层进行归一化操作,接着再依次经过extract层中的分割层、最大化层、抑制操作层,获得分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量,然后进入步骤G;
步骤G.由extract层中的抑制操作层,将分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量,依次向softmax层进行输送,并由softmax层计算得出对训练图片的分类结果,根据已知第i个训练子集合中各幅训练人脸图像的图片分类标签,以及各幅训练人脸图像的已知特征向量,获得当前参数下网络在第i个训练子集合的错误率,然后进入步骤H;
步骤H.根据当前参数下网络在第i个训练子集合的错误率,针对神经网络进行相应参数调整,然后进入步骤I;
步骤I.判断i是否等于I,I表示训练子集合的数量,是则进入步骤J;否则针对i的值进行加1更新,并返回步骤C;
步骤J.判断n是否等于N,N表示预设迭代次数,是则进入步骤K;否则针对n的值进行加1更新,并返回步骤B;
步骤K.针对各幅待对比人脸图像,分别进行预处理;然后采用上述经过训练神经网络中的Date层、align层、extract层,分别针对各幅待对比人脸图像进行处理,获得分别对应各幅待对比人脸图像的特征向量,并进入步骤L;
步骤L.根据各幅待对比人脸图像的特征向量,计算获得各幅待对比人脸图像之间的相似度。
作为本发明的一种优选技术方案:所述步骤A中的预处理,以及所述步骤K中的预处理,均为针对预处理的对象,依次执行裁剪处理、放缩处理、灰度化处理。
作为本发明的一种优选技术方案:所述align层中包含两组依次包括卷积层、激活层、池化层的结构。
作为本发明的一种优选技术方案:所述extract层中包含四组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构。
作为本发明的一种优选技术方案:所述步骤G中,由softmax层根据已知第i个训练子集合中各幅训练人脸图像的图片分类标签,以及各幅训练人脸图像的已知特征向量,采用概率回归方法得出当前参数下网络在第i个训练子集合的错误率。
作为本发明的一种优选技术方案:所述步骤H中,根据当前参数下网络在第i个训练子集合的错误率,采用梯度下降算法,针对神经网络进行相应参数调整。
作为本发明的一种优选技术方案:所述步骤L中,根据各幅待对比人脸图像的特征向量,计算各幅待对比人脸图像特征向量之间的余弦距离,作为各幅待对比人脸图像之间的相似度。
作为本发明的一种优选技术方案:所述步骤L中,根据各幅待对比人脸图像的特征向量,按如下公式:
计算各幅待对比人脸图像特征向量之间的余弦距离α,作为各幅待对比人脸图像之间的相似度;其中,θ1、θ2分别为待对比人脸图像的特征向量,|θ1|2表示待对比人脸图像特征向量θ1的L2-norm距离,|θ2|2表示待对比人脸图像特征向量θ2的L2-norm距离。
本发明所述一种基于神经网络人脸特征提取的相似度获得方法采用以上技术方案与现有技术相比,具有以下技术效果:本发明设计的基于神经网络人脸特征提取的相似度获得方法,基于对神经网络架构的改进,引入align架构,在人脸识别前,加入针对人脸图片的矫正过程,能够有效避免引入新的特征点检测算法和人脸矫正方法,如此采用改进型神经网络架构实现了端到端的人脸识别过程,能够有效提高人脸相似度检测的效率与准确率。
附图说明
图1是本发明所设计神经网络架构的示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示,本发明设计了一种基于神经网络人脸特征提取的相似度获得方法,用于获得人脸间的相似度,其中,神经网络包括Date层、align层、extract层和softmax层;所述相似度获得方法,实际应用中,具体包括如下步骤:
步骤A.针对已知特征向量的各幅训练人脸图像,分别进行预处理,包括针对各幅训练人脸图像,依次进行裁剪处理、放缩处理、灰度化处理,并构建人脸图像训练集合,且平均划分为多个训练子集合,然后导入Data层,并初始化n=1,进入步骤B。
步骤B.初始化i=1,并进入步骤C。
步骤C.Data层针对第i个训练子集合向align层进行输送,由align层针对第i个训练子集合进行处理,然后进入步骤D;其中,一方面Data层针对第i个训练子集合中各幅训练人脸图像,依次经过align层中至少一组依次包括卷积层、激活层、池化层的结构进行人脸特征提取。
实际应用中,针对align层中,具体设计包含两组依次为包括卷积层、激活层、池化层的结构;即Data层针对第i个训练子集合中各幅训练人脸图像,依次经过align层中两组依次包括卷积层、激活层、池化层的结构进行人脸特征提取。
接着针对所提取的人脸特征,经align层中的一维降维层转化为一维特征向量;然后针对一维特征向量,通过align层中的全连接层获得对应预设数量的图像矫正参数,即获得第i个训练子集合中各幅训练人脸图像分别所对应预设数量的图像矫正参数,并输送至align层中的空间转换层;实际应用中,这里的图像矫正参数的数量可以定义为6个,即后续采用此处所获6图像矫正参数针对图像进行矫正。
同时,另一方面Data层将第i个训练子集合中各幅训练人脸图像依次输送至align层中的空间转换层。
由align层中的空间转换层根据第i个训练子集合中、各幅训练人脸图像分别所对应预设数量的图像矫正参数,针对第i个训练子集合中对应训练人脸图像分别进行图像矫正,然后进入步骤D。
步骤D.由align层中的空间转换层将第i个训练子集合中矫正后的各幅训练人脸图像,依次向extract层进行输送,依次经过extract层中至少一组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构进行人脸特征提取,然后进入步骤E。
实际应用中,针对extract层中,具体设计包含四组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构;即由align层中的空间转换层将第i个训练子集合中矫正后的各幅训练人脸图像,依次向extract层进行输送,依次经过extract层中四组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构进行人脸特征提取。
步骤E.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的人脸特征,进一步依次经过extract层中的卷积层、分割层、最大化层、池化层、一维降维层,获得分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量,然后进入步骤F。
步骤F.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量,经过extract层中的全连接层进行归一化操作,接着再依次经过extract层中的分割层、最大化层、抑制操作层,获得分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量,然后进入步骤G。
步骤G.由extract层中的抑制操作层,将分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量,依次向softmax层进行输送,并由softmax层计算得出对训练图片的分类结果,根据已知第i个训练子集合中各幅训练人脸图像的图片分类标签,以及各幅训练人脸图像的已知特征向量,采用概率回归方法,获得当前参数下网络在第i个训练子集合的错误率,然后进入步骤H。
步骤H.根据当前参数下网络在第i个训练子集合的错误率,采用梯度下降算法,针对神经网络进行相应参数调整,然后进入步骤I。
步骤I.判断i是否等于I,I表示训练子集合的数量,是则进入步骤J;否则针对i的值进行加1更新,并返回步骤C。
步骤J.判断n是否等于N,N表示预设迭代次数,是则进入步骤K;否则针对n的值进行加1更新,并返回步骤B。
步骤K.针对各幅待对比人脸图像,分别进行预处理,包括针对各幅待对比人脸图像,依次进行裁剪处理、放缩处理、灰度化处理;然后采用上述经过训练神经网络中的Date层、align层、extract层,分别针对各幅待对比人脸图像进行处理,获得分别对应各幅待对比人脸图像的特征向量,并进入步骤L。
步骤L.根据各幅待对比人脸图像的特征向量,按如下公式:
计算各幅待对比人脸图像特征向量之间的余弦距离α,作为各幅待对比人脸图像之间的相似度;其中,θ1、θ2分别为待对比人脸图像的特征向量,|θ1|2表示待对比人脸图像特征向量θ1的L2-norm距离,|θ2|2表示待对比人脸图像特征向量θ2的L2-norm距离。
上述技术方案所设计基于神经网络人脸特征提取的相似度获得方法,基于对神经网络架构的改进,引入align架构,在人脸识别前,加入针对人脸图片的矫正过程,能够有效避免引入新的特征点检测算法和人脸矫正方法,如此采用改进型神经网络架构实现了端到端的人脸识别过程,能够有效提高人脸相似度检测的效率与准确率。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种基于神经网络人脸特征提取的相似度获得方法,用于获得人脸间的相似度,其特征在于,神经网络包括Date层、align层、extract层和softmax层;所述相似度获得方法包括如下步骤:
步骤A.针对已知特征向量的各幅训练人脸图像,分别进行预处理,并构建人脸图像训练集合,且平均划分为多个训练子集合,然后导入Data层,并初始化n=1,进入步骤B;
步骤B.初始化i=1,并进入步骤C;
步骤C.Data层针对第i个训练子集合向align层进行输送,由align层针对第i个训练子集合进行处理,然后进入步骤D;其中,一方面Data层针对第i个训练子集合中各幅训练人脸图像,依次经过align层中至少一组依次包括卷积层、激活层、池化层的结构进行人脸特征提取;接着针对所提取的人脸特征,经align层中的一维降维层转化为一维特征向量;然后针对一维特征向量,通过align层中的全连接层获得对应预设数量的图像矫正参数,即获得第i个训练子集合中各幅训练人脸图像分别所对应预设数量的图像矫正参数,并输送至align层中的空间转换层;
同时,另一方面Data层将第i个训练子集合中各幅训练人脸图像依次输送至align层中的空间转换层;
由align层中的空间转换层根据第i个训练子集合中、各幅训练人脸图像分别所对应预设数量的图像矫正参数,针对第i个训练子集合中对应训练人脸图像分别进行图像矫正,然后进入步骤D;
步骤D.由align层中的空间转换层将第i个训练子集合中矫正后的各幅训练人脸图像,依次向extract层进行输送,依次经过extract层中至少一组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构进行人脸特征提取,然后进入步骤E;
步骤E.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的人脸特征,进一步依次经过extract层中的卷积层、分割层、最大化层、池化层、一维降维层,获得分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量,然后进入步骤F;
步骤F.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量,经过extract层中的全连接层进行归一化操作,接着再依次经过extract层中的分割层、最大化层、抑制操作层,获得分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量,然后进入步骤G;
步骤G.由extract层中的抑制操作层,将分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量,依次向softmax层进行输送,并由softmax层计算得出对训练图片的分类结果,根据已知第i个训练子集合中各幅训练人脸图像的图片分类标签,以及各幅训练人脸图像的已知特征向量,获得当前参数下网络在第i个训练子集合的错误率,然后进入步骤H;
步骤H.根据当前参数下网络在第i个训练子集合的错误率,针对神经网络进行相应参数调整,然后进入步骤I;
步骤I.判断i是否等于I,I表示训练子集合的数量,是则进入步骤J;否则针对i的值进行加1更新,并返回步骤C;
步骤J.判断n是否等于N,N表示预设迭代次数,是则进入步骤K;否则针对n的值进行加1更新,并返回步骤B;
步骤K.针对各幅待对比人脸图像,分别进行预处理;然后采用上述经过训练神经网络中的Date层、align层、extract层,分别针对各幅待对比人脸图像进行处理,获得分别对应各幅待对比人脸图像的特征向量,并进入步骤L;
步骤L.根据各幅待对比人脸图像的特征向量,计算获得各幅待对比人脸图像之间的相似度。
2.根据权利要求1所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述步骤A中的预处理,以及所述步骤K中的预处理,均为针对预处理的对象,依次执行裁剪处理、放缩处理、灰度化处理。
3.根据权利要求1所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述align层中包含两组依次包括卷积层、激活层、池化层的结构。
4.根据权利要求1所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述extract层中包含四组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构。
5.根据权利要求1所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述步骤G中,由softmax层根据已知第i个训练子集合中各幅训练人脸图像的图片分类标签,以及各幅训练人脸图像的已知特征向量,采用概率回归方法得出当前参数下网络在第i个训练子集合的错误率。
6.根据权利要求1所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述步骤H中,根据当前参数下网络在第i个训练子集合的错误率,采用梯度下降算法,针对神经网络进行相应参数调整。
7.根据权利要求1所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述步骤L中,根据各幅待对比人脸图像的特征向量,计算各幅待对比人脸图像特征向量之间的余弦距离,作为各幅待对比人脸图像之间的相似度。
8.根据权利要求7所述一种基于神经网络人脸特征提取的相似度获得方法,其特征在于:所述步骤L中,根据各幅待对比人脸图像的特征向量,按如下公式:
计算各幅待对比人脸图像特征向量之间的余弦距离α,作为各幅待对比人脸图像之间的相似度;其中,θ1、θ2分别为待对比人脸图像的特征向量,|θ1|2表示待对比人脸图像特征向量θ1的L2-norm距离,|θ2|2表示待对比人脸图像特征向量θ2的L2-norm距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810249877.2A CN108364000B (zh) | 2018-03-26 | 2018-03-26 | 一种基于神经网络人脸特征提取的相似度获得方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810249877.2A CN108364000B (zh) | 2018-03-26 | 2018-03-26 | 一种基于神经网络人脸特征提取的相似度获得方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364000A CN108364000A (zh) | 2018-08-03 |
CN108364000B true CN108364000B (zh) | 2019-08-23 |
Family
ID=63001486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810249877.2A Active CN108364000B (zh) | 2018-03-26 | 2018-03-26 | 一种基于神经网络人脸特征提取的相似度获得方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364000B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382831B (zh) * | 2018-12-28 | 2024-04-16 | Tcl科技集团股份有限公司 | 加速卷积神经网络模型前向推理的方法及装置 |
CN112051953B (zh) * | 2020-09-29 | 2021-09-14 | 中国银行股份有限公司 | 一种页面栏位的输出控制方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996245A (zh) * | 2010-11-09 | 2011-03-30 | 南京大学 | 一种图形对象的形状特征描述与检索方法 |
CN106407986A (zh) * | 2016-08-29 | 2017-02-15 | 电子科技大学 | 一种基于深度模型的合成孔径雷达图像目标识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9710707B1 (en) * | 2014-12-31 | 2017-07-18 | Morphotrust Usa, Llc | Detecting iris orientation |
JP6700791B2 (ja) * | 2016-01-05 | 2020-05-27 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN107066941A (zh) * | 2017-03-01 | 2017-08-18 | 桂林电子科技大学 | 一种人脸识别方法和系统 |
-
2018
- 2018-03-26 CN CN201810249877.2A patent/CN108364000B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996245A (zh) * | 2010-11-09 | 2011-03-30 | 南京大学 | 一种图形对象的形状特征描述与检索方法 |
CN106407986A (zh) * | 2016-08-29 | 2017-02-15 | 电子科技大学 | 一种基于深度模型的合成孔径雷达图像目标识别方法 |
Non-Patent Citations (3)
Title |
---|
Re-Sign:Re-Aligned End-to-End Sequence Modelling with Deep Recurrent CNN-HMMs;Oscar Koller 等;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;全文 |
一种使用log函数的新型修正激活单元LogReLU;王多民 等;《吉利大学学报(理学版)》;20170531;第55卷(第3期);全文 |
基于多分类器融合的多视角目标检测算法;尹维冲 等;《计算机科学》;20130731;第40卷(第7期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN108364000A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529468B (zh) | 一种基于卷积神经网络的手指静脉识别方法及系统 | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN109409297B (zh) | 一种基于双通道卷积神经网络的身份识别方法 | |
CN108710829A (zh) | 一种基于深度学习的表情分类及微表情检测的方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
Zhao et al. | Aircraft recognition based on landmark detection in remote sensing images | |
CN103971112B (zh) | 图像特征提取方法及装置 | |
Yao et al. | Robust CNN-based gait verification and identification using skeleton gait energy image | |
CN106384087A (zh) | 一种基于多层网络人体特征的身份识别方法 | |
CN108364000B (zh) | 一种基于神经网络人脸特征提取的相似度获得方法 | |
CN104143079A (zh) | 人脸属性识别的方法和系统 | |
US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
CN109598234A (zh) | 关键点检测方法和装置 | |
CN106980809B (zh) | 一种基于asm的人脸特征点检测方法 | |
CN108520213A (zh) | 一种基于多尺度深度的人脸美丽预测方法 | |
CN112818850B (zh) | 基于渐进式神经网络和注意力机制的跨姿态人脸识别方法和系统 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN112115838B (zh) | 一种热红外图像光谱融合的人脸分类方法 | |
CN110210293A (zh) | 一种基于三维数据和面部图像的性别识别方法 | |
CN110119695A (zh) | 一种基于特征融合和机器学习的虹膜活性检测方法 | |
CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
CN106709870A (zh) | 一种近景影像直线段匹配方法 | |
CN110490133A (zh) | 一种基于生成对抗网络由父母照片生成子女照片的方法 | |
CN106022293A (zh) | 一种基于自适应共享小生境进化算法的行人再识别方法 | |
CN113435225B (zh) | 一种基于分块水平金字塔时空特征融合模型和步态重排序的跨视角步态识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |