CN108573219A - 一种基于深度卷积神经网络的眼睑关键点精确定位方法 - Google Patents

一种基于深度卷积神经网络的眼睑关键点精确定位方法 Download PDF

Info

Publication number
CN108573219A
CN108573219A CN201810259356.5A CN201810259356A CN108573219A CN 108573219 A CN108573219 A CN 108573219A CN 201810259356 A CN201810259356 A CN 201810259356A CN 108573219 A CN108573219 A CN 108573219A
Authority
CN
China
Prior art keywords
eyelid
convolutional neural
neural networks
iris
depth convolutional
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.)
Granted
Application number
CN201810259356.5A
Other languages
English (en)
Other versions
CN108573219B (zh
Inventor
沈文忠
晁静静
宋天舒
滕童
毛云丰
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.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201810259356.5A priority Critical patent/CN108573219B/zh
Publication of CN108573219A publication Critical patent/CN108573219A/zh
Application granted granted Critical
Publication of CN108573219B publication Critical patent/CN108573219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度卷积神经网络的眼睑关键点精确定位方法，该方法采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线，所述的深度卷积神经网络通过如下方法得到：(1)图像预处理，获取虹膜区域作为感兴趣区域图像；(2)在感兴趣区域图像上人工标记眼睑与虹膜的分界点作为标记点；(3)基于感兴趣区域图像获取图像训练集；(4)建立深度卷积神经网络，将图像训练集作为输入送入到深度卷积神经网络完成训练。与现有技术相比，本发明定位速度快、准确度高、鲁棒性好。

Description

一种基于深度卷积神经网络的眼睑关键点精确定位方法
技术领域
本发明涉及生物特征识别技术领域，尤其是涉及一种基于深度卷积神经网络的眼睑关键点精确定位方法。
背景技术
生物特征识别技术直接使用个人的生理特征和行为特征作为身份识别的依据，具有传统识别方法所无法比拟的稳定性、可靠性、唯一性等优点，在应用上也更加方便。因此受到了人们的关注和重视，成为身份识别技术的研究热点。
虹膜识别技术是生物特征识别技术的一种，并被认为是最可靠的一种生物特征识别技术。与其他的特征识别方法相比，虹膜具有高度的唯一性、稳定性、非接触性、防伪性等很多先天的优势。虹膜识别具有十分广泛的应用前景，在安全控制、国防、进出国境检查、电子商务、交通以及日常生活的各个方面中都有极大的应用优势，并且具有很大的发展空间。
虹膜识别技术由虹膜图像采集、定位、特征提取及匹配等环节组成。其中，虹膜定位是虹膜识别的关键性环节，定位准确与否将直接影响最终的识别结果。虹膜和瞳孔的形状接近圆形，许多方法可以很好地定位瞳孔轮廓和虹膜外边界。而对于眼睑，特别是上眼睑，由于不同类型的双眼皮和睫毛分布的复杂性，很难准确定位。目前的眼睑定位算法有的计算量大、定位速度较慢，有的容易受光斑的影响等等。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度卷积神经网络的眼睑关键点精确定位方法。
本发明的目的可以通过以下技术方案来实现：
一种基于深度卷积神经网络的眼睑关键点精确定位方法，该方法采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线，所述的深度卷积神经网络通过如下方法得到：
(1)图像预处理，获取虹膜区域作为感兴趣区域图像；
(2)在感兴趣区域图像上人工标记眼睑与虹膜的分界点作为标记点；
(3)基于感兴趣区域图像获取图像训练集；
(4)建立深度卷积神经网络，将图像训练集作为输入送入到深度卷积神经网络完成训练。
所述的步骤(1)具体为：
首先，在原图上用矩形框人工标记虹膜区域，得到虹膜图像训练集；然后把虹膜图像训练集作为输入，并送入到深度卷积神经网络中进行虹膜区域定位；最后通过深度卷积神经网络得到图像的虹膜区域作为感兴趣区域。
步骤(2)中人工标记的眼睑与虹膜的分界点包括5个，具体的：虹膜外圆以内虹膜与眼睑的交线上标记三个分界点，虹膜外圆与眼睑的两个交点作为另外两个分界点。
步骤(3)具体为：
基于感兴趣区域图像获取正负样本：在感兴趣区域上，用48*48的滑动窗口遍历感兴趣区域图像，窗口滑动的过程中，以标记点或标记点连线上的点为中心的窗口记为正样本，标签为1；若窗口中心远离标记点以及标记点间的连线时，记为负样本，标签为0；
图像训练集扩充：调整正负样本的gamma值，进行灰度拉伸、翻转图像、旋转图像以及调整图像亮度操作，控制最终正负样本的比例为1:3。
所述的深度卷积神经网络包括依次级联的5个模块，模块1依次为输入层、第一卷积层和第一最大池化层；模块2依次为第二卷积层和第二最大池化层；模块3依次为第三卷积层和第三最大池化层；模块4依次为第四卷积层、第五卷积层和第四最大池化层；模块5为两个全连接层，其中最后一层全连接层为2个神经元，对应标签中的0和1。
采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线具体为：
用48*48滑动窗口遍历图像，对窗口图像采用预先训练的深度卷积神经网络进行分类，若深度卷积神经网络输出窗口是眼睑的概率大于95％，则记为候选点；
对候选点的纵向位置取平均值，得到眼睑与虹膜的分界点；
对上述分界点采用二次曲线拟合得到眼睑分界线。
与现有技术相比，本发明具有如下优点：
(1)本发明采用深度卷积神经网络对眼睑进行定位，定位速度快、准确度高、鲁棒性好；
(2)本发明训练深度卷积神经网络时对图像训练集进行有效扩充，使得训练的深度卷积神经网络更加准确，适应性强；
(3)本发明确定眼睑与虹膜的分界点时对候选点的纵向位置取平均值，消除了候选点在图像纵向上的冗余和干扰，使得定位更加准确可靠。
附图说明
图1为本发明基于深度卷积神经网络的眼睑关键点精确定位方法的流程框图；
图2为人工标记虹膜与眼睑的边界点后的图像；
图3为深度卷积神经网络的结构示意图；
图4为实施例中眼睑分界线定位过程中的图像处理结果；
图3中，A1为第一卷积层，A2为第一最大池化层，A3为第二卷积层，A4为第二最大池化层，A5为第三卷积层，A6为第三最大池化层，A7为第四卷积层，A8为第五卷积层，A9为第四最大池化层，A10为第一全连接层，A11为第二全连接层。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种基于深度卷积神经网络的眼睑关键点精确定位方法，该方法采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线，深度卷积神经网络通过如下方法得到：
(1)图像预处理，获取虹膜区域作为感兴趣区域图像；
(2)在感兴趣区域图像上人工标记眼睑与虹膜的分界点作为标记点；
(3)基于感兴趣区域图像获取图像训练集；
(4)建立深度卷积神经网络，将图像训练集作为输入送入到深度卷积神经网络完成训练。
步骤(1)具体为：
首先，在原图上用矩形框人工标记虹膜区域，得到虹膜图像训练集；然后把虹膜图像训练集作为输入，并送入到深度卷积神经网络中进行虹膜区域定位；最后通过深度卷积神经网络得到图像的虹膜区域作为感兴趣区域。
步骤(2)中人工标记的眼睑与虹膜的分界点包括5个，具体的：虹膜外圆以内虹膜与眼睑的交线上标记三个分界点，虹膜外圆与眼睑的两个交点作为另外两个分界点。如图2所示为人工标记虹膜与眼睑的边界点后的图像，图中，*标记处为分界点。
步骤(3)具体为：
基于感兴趣区域图像获取正负样本：在感兴趣区域上，用48*48的滑动窗口遍历感兴趣区域图像，窗口滑动的过程中，以标记点或标记点连线上的点为中心的窗口记为正样本，标签为1；若窗口中心远离标记点以及标记点间的连线时，记为负样本，标签为0；
图像训练集扩充：调整正负样本的gamma值，进行灰度拉伸、翻转图像、旋转图像以及调整图像亮度操作，使用hard-mining策略控制最终正负样本的比例为1:3。
如图3所示为深度卷积神经网络的结构示意图，深度卷积神经网络包括依次级联的5个模块，模块1依次为输入层、第一卷积层A1和第一最大池化层A2。输入的图像为48*48*1，经过第一卷积层A1和第一最大池化层A2得到的结果为12*12*64，其中第一卷积层A1的卷积核为5*5，填充为2，卷积步长为2，第一最大池化层A2的大小为3*3，卷积步长为2；模块2依次为第二卷积层A3和第二最大池化层A4。第一最大池化层A2的输出结果经过第二卷积层A3得到的结果为12*12*128，然后经过第二最大池化层A4的结果为6*6*128，其中第二卷积层A3的卷积核为3*3，填充为1，卷积步长为1，第二最大池化层A4的大小为3*3，步长为2；模块3依次为第三卷积层A5和第三最大池化层A6。第二最大池化层A4的输出结果经过第三卷积层A5得到的结果为6*6*256，然后经过第三最大池化层A6的结果为6*6*256，其中第三卷积层A5的卷积核为3*3，填充为1，卷积步长为1，第三最大池化层A6的大小为2*2，步长为1；模块4依次为第四卷积层A7、第五卷积层A8和第四最大池化层A9。第三最大池化层A6的输出结果经过第四卷积层A7得到的结果为6*6*256，然后经过第五卷积层A8得到的结果为6*6*64，最后经过第四最大池化层A9得到的结果为3*3*64，其中第四卷积层A7和第五卷积层A8的卷积核为3*3，填充为1，卷积步长为1，第四最大池化层A9的大小为2*2，步长为1；模块5首先是两个全连接层，分别为第一全连接层A10和第二全连接层A11，第一全连接层A10和第二全连接层A11分别有1024和64个神经元，最后一层是有2个神经元的全连接层，对应标签中的两类。模块1至模块4中卷积层选择公式(1)所示的Relu函数作为神经元的激活函数，模块5最后一个全连接层的激活函数采用公式(2)所示的softmax进行二分类，返回属于每一类的概率。训练时采用随机梯度下降，并用Adam优化器进行优化。
f(x)＝max(0,x) (1)
其中，f(x)表示激活函数的输出，x表示激活函数的输入，Pi表示softmax输出的属于每一类的概率，xi表示softmax的输入，i的取值为1或2。
采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线具体为：
用48*48滑动窗口遍历图像，对窗口图像采用预先训练的深度卷积神经网络进行分类，若深度卷积神经网络输出窗口是眼睑的概率大于95％，则记为候选点，结果如图4(a)所示，图中黑色竖线即为候选点；
对候选点的纵向位置取平均值，得到眼睑与虹膜的分界点，结果如图4(b)所示，图中黑色圆点为眼睑与虹膜的分界点；
对上述分界点采用二次曲线拟合得到眼睑分界线，结果如图4(c)所示，图中光亮曲线即为眼睑分界线。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (6)

1.一种基于深度卷积神经网络的眼睑关键点精确定位方法，其特征在于，该方法采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线，所述的深度卷积神经网络通过如下方法得到：
(1)图像预处理，获取虹膜区域作为感兴趣区域图像；
(2)在感兴趣区域图像上人工标记眼睑与虹膜的分界点作为标记点；
(3)基于感兴趣区域图像获取图像训练集；
(4)建立深度卷积神经网络，将图像训练集作为输入送入到深度卷积神经网络完成训练。
2.根据权利要求1所述的一种基于深度卷积神经网络的眼睑关键点精确定位方法，其特征在于，所述的步骤(1)具体为：
首先，在原图上用矩形框人工标记虹膜区域，得到虹膜图像训练集；然后把虹膜图像训练集作为输入，并送入到深度卷积神经网络中进行虹膜区域定位；最后通过深度卷积神经网络得到图像的虹膜区域作为感兴趣区域。
3.根据权利要求1所述的一种基于深度卷积神经网络的眼睑关键点精确定位方法，其特征在于，步骤(2)中人工标记的眼睑与虹膜的分界点包括5个，具体的：虹膜外圆以内虹膜与眼睑的交线上标记三个分界点，虹膜外圆与眼睑的两个交点作为另外两个分界点。
4.根据权利要求1所述的一种基于深度卷积神经网络的眼睑关键点精确定位方法，其特征在于，步骤(3)具体为：
基于感兴趣区域图像获取正负样本：在感兴趣区域上，用48*48的滑动窗口遍历感兴趣区域图像，窗口滑动的过程中，以标记点或标记点连线上的点为中心的窗口记为正样本，标签为1；若窗口中心远离标记点以及标记点间的连线时，记为负样本，标签为0；
图像训练集扩充：调整正负样本的gamma值，进行灰度拉伸、翻转图像、旋转图像以及调整图像亮度操作，控制最终正负样本的比例为1:3。
5.根据权利要求4所述的一种基于深度卷积神经网络的眼睑关键点精确定位方法，其特征在于，所述的深度卷积神经网络包括依次级联的5个模块，模块1依次为输入层、第一卷积层和第一最大池化层；模块2依次为第二卷积层和第二最大池化层；模块3依次为第三卷积层和第三最大池化层；模块4依次为第四卷积层、第五卷积层和第四最大池化层；模块5为两个全连接层，其中最后一层全连接层为2个神经元，对应标签中的0和1。
6.根据权利要求1所述的一种基于深度卷积神经网络的眼睑关键点精确定位方法，其特征在于，采用预先训练的深度卷积神经网络确定眼睑与虹膜的分界点，进而对上述分界点进行拟合得到眼睑分界线具体为：
用48*48滑动窗口遍历图像，对窗口图像采用预先训练的深度卷积神经网络进行分类，若深度卷积神经网络输出窗口是眼睑的概率大于95％，则记为候选点；
对候选点的纵向位置取平均值，得到眼睑与虹膜的分界点；
对上述分界点采用二次曲线拟合得到眼睑分界线。
CN201810259356.5A 2018-03-27 2018-03-27 一种基于深度卷积神经网络的眼睑关键点精确定位方法 Active CN108573219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810259356.5A CN108573219B (zh) 2018-03-27 2018-03-27 一种基于深度卷积神经网络的眼睑关键点精确定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810259356.5A CN108573219B (zh) 2018-03-27 2018-03-27 一种基于深度卷积神经网络的眼睑关键点精确定位方法

Publications (2)

Publication Number Publication Date
CN108573219A true CN108573219A (zh) 2018-09-25
CN108573219B CN108573219B (zh) 2022-03-29

Family

ID=63574548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810259356.5A Active CN108573219B (zh) 2018-03-27 2018-03-27 一种基于深度卷积神经网络的眼睑关键点精确定位方法

Country Status (1)

Country Link
CN (1) CN108573219B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287993A (zh) * 2019-05-22 2019-09-27 广东精点数据科技股份有限公司 一种基于图像特征细化的数据预处理方法及系统
CN112837805A (zh) * 2021-01-12 2021-05-25 浙江大学 基于深度学习的眼睑拓扑形态特征的提取方法
CN113043292A (zh) * 2021-03-22 2021-06-29 哈尔滨理工大学 具有眼神模仿功能的极地馆迎宾机器人眼部装置及控制
CN113688874A (zh) * 2021-07-29 2021-11-23 天津中科智能识别产业技术研究院有限公司 一种人眼虹膜图像中虹膜区域自动分割方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6070098A (en) * 1997-01-11 2000-05-30 Circadian Technologies, Inc. Method of and apparatus for evaluation and mitigation of microsleep events
CN1458006A (zh) * 2003-07-02 2003-11-26 北京交通大学 基于多特征融合的困倦驾驶检测方法
CN101593425A (zh) * 2009-05-06 2009-12-02 深圳市汉华安道科技有限责任公司 一种基于机器视觉的疲劳驾驶监控方法及系统
CN102324166A (zh) * 2011-09-19 2012-01-18 深圳市汉华安道科技有限责任公司 一种疲劳驾驶检测方法及装置
CN103164704A (zh) * 2013-04-12 2013-06-19 山东师范大学 一种基于混合高斯模型的虹膜图像分割算法
US20140210625A1 (en) * 2013-01-31 2014-07-31 Lytx, Inc. Direct observation event triggering of drowsiness
CN104063700A (zh) * 2014-07-04 2014-09-24 武汉工程大学 自然光照正面人脸图像中的眼睛中心点定位的方法
CN104346621A (zh) * 2013-07-30 2015-02-11 展讯通信(天津)有限公司 创建眼睛模板及检测眼睛状态的方法与装置
CN105260698A (zh) * 2015-09-08 2016-01-20 北京天诚盛业科技有限公司 对虹膜图像进行定位的方法和装置
CN106407911A (zh) * 2016-08-31 2017-02-15 乐视控股（北京）有限公司 基于图像的眼镜识别方法及装置
US20170053166A1 (en) * 2015-08-21 2017-02-23 Magic Leap, Inc. Eyelid shape estimation

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6070098A (en) * 1997-01-11 2000-05-30 Circadian Technologies, Inc. Method of and apparatus for evaluation and mitigation of microsleep events
US6511424B1 (en) * 1997-01-11 2003-01-28 Circadian Technologies, Inc. Method of and apparatus for evaluation and mitigation of microsleep events
CN1458006A (zh) * 2003-07-02 2003-11-26 北京交通大学 基于多特征融合的困倦驾驶检测方法
CN101593425A (zh) * 2009-05-06 2009-12-02 深圳市汉华安道科技有限责任公司 一种基于机器视觉的疲劳驾驶监控方法及系统
CN102324166A (zh) * 2011-09-19 2012-01-18 深圳市汉华安道科技有限责任公司 一种疲劳驾驶检测方法及装置
US20140210625A1 (en) * 2013-01-31 2014-07-31 Lytx, Inc. Direct observation event triggering of drowsiness
CN103164704A (zh) * 2013-04-12 2013-06-19 山东师范大学 一种基于混合高斯模型的虹膜图像分割算法
CN104346621A (zh) * 2013-07-30 2015-02-11 展讯通信(天津)有限公司 创建眼睛模板及检测眼睛状态的方法与装置
CN104063700A (zh) * 2014-07-04 2014-09-24 武汉工程大学 自然光照正面人脸图像中的眼睛中心点定位的方法
US20170053166A1 (en) * 2015-08-21 2017-02-23 Magic Leap, Inc. Eyelid shape estimation
CN105260698A (zh) * 2015-09-08 2016-01-20 北京天诚盛业科技有限公司 对虹膜图像进行定位的方法和装置
CN106407911A (zh) * 2016-08-31 2017-02-15 乐视控股（北京）有限公司 基于图像的眼镜识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YI SUN等: "Deep Convolutional Network Cascade for Facial Point Detection", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
徐霄等: "基于深度反卷积网络的虹膜定位方法研究", 《集成技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287993A (zh) * 2019-05-22 2019-09-27 广东精点数据科技股份有限公司 一种基于图像特征细化的数据预处理方法及系统
CN112837805A (zh) * 2021-01-12 2021-05-25 浙江大学 基于深度学习的眼睑拓扑形态特征的提取方法
CN112837805B (zh) * 2021-01-12 2024-03-29 浙江大学 基于深度学习的眼睑拓扑形态特征的提取方法
CN113043292A (zh) * 2021-03-22 2021-06-29 哈尔滨理工大学 具有眼神模仿功能的极地馆迎宾机器人眼部装置及控制
CN113688874A (zh) * 2021-07-29 2021-11-23 天津中科智能识别产业技术研究院有限公司 一种人眼虹膜图像中虹膜区域自动分割方法和系统
CN113688874B (zh) * 2021-07-29 2024-05-31 天津中科智能识别产业技术研究院有限公司 一种人眼虹膜图像中虹膜区域自动分割方法和系统

Also Published As

Publication number Publication date
CN108573219B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN106096538B (zh) 基于定序神经网络模型的人脸识别方法及装置
CN107368831B (zh) 一种自然场景图像中的英文文字和数字识别方法
Shivashankara et al. American sign language recognition system: an optimal approach
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
CN108573219A (zh) 一种基于深度卷积神经网络的眼睑关键点精确定位方法
CN104504383B (zh) 一种基于肤色和Adaboost算法的人脸检测方法
CN103902961B (zh) 一种人脸识别方法及装置
CN106980852B (zh) 基于角点检测与匹配的药品识别系统及其识别方法
CN109409297B (zh) 一种基于双通道卷积神经网络的身份识别方法
CN104537393B (zh) 一种基于多分辨率卷积神经网络的交通标志识别方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN109815801A (zh) 基于深度学习的人脸识别方法及装置
US20230119593A1 (en) Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium
CN106815566A (zh) 一种基于多任务卷积神经网络的人脸检索方法
CN106096602A (zh) 一种基于卷积神经网络的中文车牌识别方法
CN104598885B (zh) 街景图像中的文字标牌检测与定位方法
CN107423727B (zh) 基于神经网络的人脸复杂表情识别方法
CN111414862A (zh) 基于神经网络融合关键点角度变化的表情识别方法
CN106650574A (zh) 基于PCANet的人脸识别方法
CN106778512A (zh) 一种基于lbp和深度学校的非限制条件下人脸识别方法
CN111401145A (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN109886086A (zh) 基于hog特征和线性svm级联分类器的行人检测方法
CN107220655A (zh) 一种基于深度学习的手写、印刷文本的分类方法
CN109360179A (zh) 一种图像融合方法、装置及可读存储介质
CN105631477A (zh) 基于极限学习机和自适应提升的交通标志识别方法

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