CN108647621A - 一种基于人脸识别的视频分析处理系统及方法 - Google Patents
一种基于人脸识别的视频分析处理系统及方法 Download PDFInfo
- Publication number
- CN108647621A CN108647621A CN201810413823.5A CN201810413823A CN108647621A CN 108647621 A CN108647621 A CN 108647621A CN 201810413823 A CN201810413823 A CN 201810413823A CN 108647621 A CN108647621 A CN 108647621A
- Authority
- CN
- China
- Prior art keywords
- face
- processing module
- video information
- recognition
- unit
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于人脸识别的视频分析处理系统及方法,包括采集传输单元、数据存储单元、人脸识别单元、以及展示单元;所述人脸识别单元包括依次相连的用以对数据库中的人脸视频信息进行预处理得到人脸图像的第一处理模块、用以检测人脸图像中人脸部分的第二处理模块、用以采用据神经网络提取人脸特征的第三处理模块、用以采用神经网络提取的人脸特征构建AdaBoost级联分类器的第四处理模块、以及用以对人脸视频信息中人脸进行识别的第五处理模块。本发明通过建立数据库并采用AdaBoost级联分类器对人脸进行识别,使得人脸识别结果更加精确。
Description
技术领域
本发明涉及人脸识别领域,特别是一种基于人脸识别的视频分析处理系统及方法。
背景技术
当前很多国家展开了有关人脸识别的研究,而国内关于人脸自动识别的研究始于二十世纪80年代,主要的研究单位有清华大学,哈尔滨工业大学,中科院计算所,中科院自动化所,复旦大学,北京科技大学等,并都取得了一定的成果。国内的研究工作主要是集中在三大类方法的研究:基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。研究人员实现了具有反馈机制的人脸正面识别系统,运用积分投影法提取面部特征的关键点并用于识别,同时也尝试了“稳定视点”特征提取方法,即为使识别系统中包含3D信息,对人脸侧面剪影识别做了一定的研究,并实现了正,侧面互相参照的识别系统。研究人员还对“特征脸”的方法做了进一步的发展,提出采用类间散布矩阵作为产生矩阵,进一步降低了产生矩阵的维数,在保持识别率的情况下,大大降低了运算量。另外,还有对同类图像的平均灰度图进行SVD分解得到特征脸空间,每一幅图像在特征脸空间上的投影作为其代数特征,然后利用层次判别进行分类。若采用对称主元分析神经网络,用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。该方法所用特征数据量小,特征提取运算量也较小,比较好地实现了大量人脸样本的存储和人脸的快速识别。尽管现有的人脸识别系统在特定条件下已经具有较高的识别成功率,但是由于外界环境的改变,识别成功率还是会有所下降。
发明内容
有鉴于此,本发明的目的是提出一种基于人脸识别的视频分析处理方法,建立数据库并采用AdaBoost级联分类器对人脸进行识别,能够克服背景技术中的缺点,使得人脸识别结果更加精确。
本发明采用以下方案实现:一种基于人脸识别的视频分析处理系统,包括采集传输单元、数据存储单元、人脸识别单元、以及展示单元;
所述采集传输单元包括用以采集人脸视频信息的摄像头,所述采集传输单元与数据存储单元相连,用以将采集到的人脸视频信息传输至数据存储单元中建立数据库;所述采集传输单元还与所述人脸识别单元相连,用以将采集到的人脸视频信息传输至人脸识别单元中进行人脸识别;
所述人脸识别单元与所述数据存储单元、展示单元相连,用以将从采集传输单元接收到的人脸视频信息与所述数据存储单元中数据库里存储的人脸视频信息进行对比,若识别成功,则将识别成功的人脸通过展示单元进行显示,若识别失败,则将不可识别的人脸视频信息添加进入数据库中;
所述人脸识别单元包括依次相连的用以对数据库中的人脸视频信息进行预处理得到人脸图像的第一处理模块、用以检测人脸图像中人脸部分的第二处理模块、用以采用神经网络提取人脸特征的第三处理模块、用以采用神经网络提取的人脸特征构建AdaBoost级联分类器的第四处理模块、以及用以对人脸视频信息中人脸进行识别的第五处理模块。
进一步地,所述第二处理模块采用MTCNN人工神经网络检测出人脸图像中的人脸部分。
进一步地,所述第三处理模块采用FaceNet人工神经网络提取出第二处理模块检测出的人脸部分的特征。
本发明还采用以下方法实现:一种基于人脸识别的视频分析处理方法,包括以下步骤:
步骤S1:采集传输单元采用摄像头采集人脸视频信息,并传输至数据存储单元中建立数据库,人脸识别单元中的第一处理模块提取数据库中的人脸视频信息并进行预处理,得到预处理后的人脸图像;
步骤S2:所述人脸识别单元中的第二处理模块在预处理后的人脸图像中检测出人脸部分;
步骤S3:所述人脸识别单元中的第三处理模块在人脸图像的人脸部分中提取人脸特征;
步骤S4:所述人脸识别单元中的第四处理模块构建并训练AdaBoost级联分类器,通过训练多个弱神经网络分类器,组成级联分类器;
步骤S5:采集传输单元采用摄像头采集需要识别的人脸视频信息,所述人脸识别单元中的第五处理模块采用AdaBoost级联分类器将需要识别的人脸视频信息与所述数据存储单元中数据库里存储的人脸视频信息进行对比,若识别成功,则将识别成功的人脸通过展示单元进行显示,若识别失败,则将不可识别的人脸视频信息添加进入数据库中。
其中,对图像进行预处理能够增加图像质量,提高识别结果;通过消除图像中无关的信息恢复有用的真实信息增强有关信息的可检测性,最大限度地简化数据从而改进特征抽取、图像分割、匹配和识别的可靠性。
进一步地,所述步骤S2中,第二处理模块采用MTCNN人工神经网络检测出人脸图像中的人脸部分。MTCNN人工神经网络能够高效,精准的检测出图像中人脸部分。
进一步地,所述步骤S3中,第三处理模块采用FaceNet人工神经网络提取出第二处理模块检测出的人脸部分的特征。
进一步地,所述步骤S4中,输入训练数据集:
T={(x1,y1),(x2,y2)...(xi,yi)...(xn,yn)},y∈{1,2,...,n},
其中,x为向量,是步骤S3由神经网络训练得到的训练数据集,y是个人身份映射得到的向量,是标签的集合;
输出最终的级联分类器G(x),具体包括以下步骤:
步骤S41:初始化训练数据的权重分布:D1=(W11...W1i...W1n),W为权重值;
步骤S42:使用权值分布Dm训练数据集,使用交叉熵损失函数,得到一个弱分类器Gm(x),
其中,损失函数为J(W,b,a,y)=-y*lna-(1-y)*ln(1-a),
弱分类器为Gm(x):X->(1,2,3,4,...n);
步骤S43:计算弱分类器的误差率:
步骤S44:计算Gm(x)系数:
步骤S45:更新训练数据集的权值;
步骤S46:构建级联分类器:
其中,采用弱分类器构建AdaBoost级联分类器时,在后一轮训练中提高前一轮分类中弱分类器错误分类样本的权值,降低被正确分类样本的权值,从而改变弱分类器的权值;同时采取加权表决的方法,加大分类误差率小的分类器的权值,减小分类误差率较大的分类器的权重。
与现有技术相比,本发明有以下有益效果:本发明通过建立数据库并采用AdaBoost级联分类器对人脸进行识别,能够克服背景技术中的缺点,使得人脸识别结果更加精确。
附图说明
图1为本发明的系统原理示意图。
图2为本发明的方法流程示意图。
图3为本发明实施例中FaceNet人工神经网络的示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本实施例提供了一种基于人脸识别的视频分析处理系统,包括采集传输单元、数据存储单元、人脸识别单元、以及展示单元;
所述采集传输单元包括用以采集人脸视频信息的摄像头,所述采集传输单元与数据存储单元相连,用以将采集到的人脸视频信息传输至数据存储单元中建立数据库;所述采集传输单元还与所述人脸识别单元相连,用以将采集到的人脸视频信息传输至人脸识别单元中进行人脸识别;
所述人脸识别单元与所述数据存储单元、展示单元相连,用以将从采集传输单元接收到的人脸视频信息与所述数据存储单元中数据库里存储的人脸视频信息进行对比,若识别成功,则将识别成功的人脸通过展示单元进行显示,若识别失败,则将不可识别的人脸视频信息添加进入数据库中;
所述人脸识别单元包括依次相连的用以对数据库中的人脸视频信息进行预处理得到人脸图像的第一处理模块、用以检测人脸图像中人脸部分的第二处理模块、用以采用神经网络提取人脸特征的第三处理模块、用以采用神经网络提取的人脸特征构建AdaBoost级联分类器的第四处理模块、以及用以对人脸视频信息中人脸进行识别的第五处理模块。
在本实施例中,所述第二处理模块采用MTCNN人工神经网络检测出人脸图像中的人脸部分。
在本实施例中,所述第三处理模块采用FaceNet人工神经网络提取出第二处理模块检测出的人脸部分的特征。
如图2所示,在本实施例还提供了一种基于人脸识别的视频分析处理方法,包括以下步骤:
步骤S1:采集传输单元采用摄像头采集人脸视频信息,并传输至数据存储单元中建立数据库,人脸识别单元中的第一处理模块提取数据库中的人脸视频信息并进行预处理,得到预处理后的人脸图像;
步骤S2:所述人脸识别单元中的第二处理模块在预处理后的人脸图像中检测出人脸部分;
步骤S3:所述人脸识别单元中的第三处理模块在人脸图像的人脸部分中提取人脸特征;
步骤S4:所述人脸识别单元中的第四处理模块构建并训练AdaBoost级联分类器,通过训练多个弱神经网络分类器,组成级联分类器;
步骤S5:采集传输单元采用摄像头采集需要识别的人脸视频信息,所述人脸识别单元中的第五处理模块采用级联分类器将需要识别的人脸视频信息与所述数据存储单元中数据库里存储的人脸视频信息进行对比,若识别成功,则将识别成功的人脸通过展示单元进行显示,若识别失败,则将不可识别的人脸视频信息添加进入数据库中。
其中,对图像进行预处理能够增加图像质量,提高识别结果;通过消除图像中无关的信息恢复有用的真实信息增强有关信息的可检测性,最大限度地简化数据从而改进特征抽取、图像分割、匹配和识别的可靠性。
在本实施例中,所述步骤S2中,第二处理模块采用MTCNN人工神经网络检测出人脸图像中的人脸部分。MTCNN人工神经网络能够高效,精准的检测出图像中人脸部分。
具体的,MTCNN主要由P-NET,R-NET,O-NET三种网络结构组成:
P-NET:用于获得人脸区域的候选窗口、边界框回归向量,并用改边界框做回归,对候选框校准,由非极大值抑制合并重叠度高的侯选框;
R-NET:该网络结构也是通过边界框回归以及非极大值抑制,去掉非人脸框区域;
O-NET:进行关键点检测。
因此,MTCNN特征描述主要包含3个部分:人脸/非人脸检测,边界框回归,关键点定位。
人脸分类主要采用交叉熵损失函数:
边界框回归采用欧氏距离损失函数,其中代表预测值,y代表真实值:
在本实施例中,所述步骤S3中,第三处理模块采用FaceNet人工神经网络提取出第二处理模块检测出的人脸部分的特征。
FaceNet人工神经网络的示意图如图3所示,其中,ancho和positve是同一类,ancho和Negtive是不同类,那么学习的过程就是学到一种表示,对于尽可能多的三元组,使得anchor和positive距离,小于anchor和negative的距离。
所以,
变换一下,得到目标函数:
在本实施例中,所述步骤S4中,输入训练数据集:
T={(x1,y1),(x2,y2)...(xi,yi)...(xn,yn)},y∈{1,2,...,n},其中,x为向量,是步骤S3由神经网络训练得到的训练数据集,即由FaceNet神经网络训练得到的脸相似性在欧式距离上的映射,也就是人脸之间的距离代表了人脸之间的相似性,y是个人身份映射得到的向量,是标签的集合;
输出最终的级联分类器G(x),具体包括以下步骤:
步骤S41:初始化训练数据的权重分布:D1=(W11...W1i...W1n),W为权重值;
步骤S42:使用权值分布Dm训练数据集,使用交叉熵损失函数,得到一个弱分类器Gm(x),
其中,损失函数为J(W,b,a,y)=-y*lna-(1-y)*ln(1-a),
弱分类器为Gm(x):X->(1,2,3,4,...n);
步骤S43:计算弱分类器的误差率:
步骤S44:计算Gm(x)系数:
步骤S45:更新训练数据集的权值;
步骤S46:构建级联分类器:
其中,采用弱分类器构建AdaBoost级联分类器时,在后一轮训练中提高前一轮分类中弱分类器错误分类样本的权值,降低被正确分类样本的权值,从而改变弱分类器的权值;同时采取加权表决的方法,加大分类误差率小的分类器的权值,减小分类误差率较大的分类器的权重。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于人脸识别的视频分析处理系统,其特征在于:包括采集传输单元、数据存储单元、人脸识别单元、以及展示单元;
所述采集传输单元包括用以采集人脸视频信息的摄像头,所述采集传输单元与数据存储单元相连,用以将采集到的人脸视频信息传输至数据存储单元中建立数据库;所述采集传输单元还与所述人脸识别单元相连,用以将采集到的人脸视频信息传输至人脸识别单元中进行人脸识别;
所述人脸识别单元与所述数据存储单元、展示单元相连,用以将从采集传输单元接收到的人脸视频信息与所述数据存储单元中数据库里存储的人脸视频信息进行对比,若识别成功,则将识别成功的人脸通过展示单元进行显示,若识别失败,则将不可识别的人脸视频信息添加进入数据库中;
所述人脸识别单元包括依次相连的用以对数据库中的人脸视频信息进行预处理得到人脸图像的第一处理模块、用以检测人脸图像中人脸部分的第二处理模块、用以采用神经网络提取人脸特征的第三处理模块、用以采用神经网络提取的人脸特征构建AdaBoost级联分类器的第四处理模块、以及用以对人脸视频信息中人脸进行识别的第五处理模块。
2.根据权利要求1所述的一种基于人脸识别的视频分析处理系统,其特征在于:所述第二处理模块采用MTCNN人工神经网络检测出人脸图像中的人脸部分。
3.根据权利要求1所述的一种基于人脸识别的视频分析处理系统,其特征在于:所述第三处理模块采用FaceNet人工神经网络提取出第二处理模块检测出的人脸部分的特征。
4.一种基于人脸识别的视频分析处理方法,其特征在于:包括以下步骤:
步骤S1:采集传输单元采用摄像头采集人脸视频信息,并传输至数据存储单元中建立数据库,人脸识别单元中的第一处理模块提取数据库中的人脸视频信息并进行预处理,得到预处理后的人脸图像;
步骤S2:所述人脸识别单元中的第二处理模块在预处理后的人脸图像中检测出人脸部分;
步骤S3:所述人脸识别单元中的第三处理模块在人脸图像的人脸部分中提取人脸特征;
步骤S4:所述人脸识别单元中的第四处理模块构建并训练AdaBoost级联分类器,通过训练多个弱神经网络分类器,组成级联分类器;
步骤S5:采集传输单元采用摄像头采集需要识别的人脸视频信息,所述人脸识别单元中的第五处理模块采用AdaBoost级联分类器将需要识别的人脸视频信息与所述数据存储单元中数据库里存储的人脸视频信息进行对比,若识别成功,则将识别成功的人脸通过展示单元进行显示,若识别失败,则将不可识别的人脸视频信息添加进入数据库中。
5.根据权利要求1所述的一种基于人脸识别的视频分析处理方法,其特征在于:所述步骤S2中,第二处理模块采用MTCNN人工神经网络检测出人脸图像中的人脸部分。
6.根据权利要求1所述的一种基于人脸识别的视频分析处理方法,其特征在于:所述步骤S3中,第三处理模块采用FaceNet人工神经网络提取出第二处理模块检测出的人脸部分的特征。
7.根据权利要求1所述的一种基于人脸识别的视频分析处理方法,其特征在于:所述步骤S4中,输入训练数据集:
T={(x1,y1),(x2,y2)...(xi,yi)...(xn,yn)},y∈{1,2,...,n},
其中,x为向量,是步骤S3由神经网络训练得到的训练数据集,y是个人身份映射得到的向量,是标签的集合;
输出最终的级联分类器G(x),具体包括以下步骤:
步骤S41:初始化训练数据的权重分布:D1=(W11...W1i...W1n),W为权重值;
步骤S42:使用权值分布Dm训练数据集,使用交叉熵损失函数,得到一个弱分类器Gm(x),
其中,损失函数为J(W,b,a,y)=-y*lna-(1-y)*ln(1-a),
弱分类器为Gm(x):X->(1,2,3,4,...n);
步骤S43:计算弱分类器的误差率:
步骤S44:计算Gm(x)系数:
步骤S45:更新训练数据集的权值;
步骤S46:构建级联分类器:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711139110 | 2017-11-16 | ||
CN2017111391106 | 2017-11-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647621A true CN108647621A (zh) | 2018-10-12 |
Family
ID=63749189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413823.5A Pending CN108647621A (zh) | 2017-11-16 | 2018-05-03 | 一种基于人脸识别的视频分析处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647621A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008909A (zh) * | 2019-04-09 | 2019-07-12 | 浩鲸云计算科技股份有限公司 | 一种基于ai的实名制业务实时稽核系统 |
CN110378279A (zh) * | 2019-07-17 | 2019-10-25 | 江苏南工科技集团有限公司 | 一种基于ai技术的视频数据分析方法 |
CN110705756A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(重庆)科技有限公司 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
CN111241868A (zh) * | 2018-11-28 | 2020-06-05 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别系统、方法及装置 |
CN112183380A (zh) * | 2020-09-29 | 2021-01-05 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的客流量分析方法和系统、电子设备 |
WO2021196409A1 (zh) * | 2020-04-01 | 2021-10-07 | 山东云缦智能科技有限公司 | 一种基于深度学习的视频人物检索方法及检索系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN104820825A (zh) * | 2015-04-27 | 2015-08-05 | 北京工业大学 | 基于Adaboost算法的人脸识别优化方法 |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及系统 |
CN107315993A (zh) * | 2017-05-10 | 2017-11-03 | 苏州天平先进数字科技有限公司 | 一种基于人脸识别的门镜系统及其人脸识别方法 |
-
2018
- 2018-05-03 CN CN201810413823.5A patent/CN108647621A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及系统 |
CN104820825A (zh) * | 2015-04-27 | 2015-08-05 | 北京工业大学 | 基于Adaboost算法的人脸识别优化方法 |
CN107315993A (zh) * | 2017-05-10 | 2017-11-03 | 苏州天平先进数字科技有限公司 | 一种基于人脸识别的门镜系统及其人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
FLORIAN SCHROFF ET AL: "FaceNet: A Unified Embedding for Face Recognition and Clustering", 《ARXIV:1503.03832V3》 * |
KAIPENG ZHANG ET AL: "Joint Face Detection and Alignment Using Multitask", 《IEEE SIGNAL PROCESSING LETTERS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241868A (zh) * | 2018-11-28 | 2020-06-05 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别系统、方法及装置 |
CN111241868B (zh) * | 2018-11-28 | 2024-03-08 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别系统、方法及装置 |
CN110008909A (zh) * | 2019-04-09 | 2019-07-12 | 浩鲸云计算科技股份有限公司 | 一种基于ai的实名制业务实时稽核系统 |
CN110378279A (zh) * | 2019-07-17 | 2019-10-25 | 江苏南工科技集团有限公司 | 一种基于ai技术的视频数据分析方法 |
CN110705756A (zh) * | 2019-09-07 | 2020-01-17 | 创新奇智(重庆)科技有限公司 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
WO2021196409A1 (zh) * | 2020-04-01 | 2021-10-07 | 山东云缦智能科技有限公司 | 一种基于深度学习的视频人物检索方法及检索系统 |
CN112183380A (zh) * | 2020-09-29 | 2021-01-05 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的客流量分析方法和系统、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruiz et al. | Fine-grained head pose estimation without keypoints | |
CN107194341B (zh) | Maxout多卷积神经网络融合人脸识别方法和系统 | |
CN108647621A (zh) | 一种基于人脸识别的视频分析处理系统及方法 | |
Zheng et al. | Partial person re-identification | |
Perez et al. | Methodological improvement on local Gabor face recognition based on feature selection and enhanced Borda count | |
CN108537743A (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
Ahamed et al. | HOG-CNN based real time face recognition | |
CN107038400A (zh) | 人脸识别装置及方法和利用其的目标人跟踪装置及方法 | |
Xia et al. | Face occlusion detection using deep convolutional neural networks | |
KR101727833B1 (ko) | 얼굴인식을 위한 판별분석 기반의 복합 특징 벡터 생성 장치 및 방법 | |
Strueva et al. | Student attendance control system with face recognition based on neural network | |
CN106980823A (zh) | 一种基于帧间自相似的动作识别方法 | |
Huang et al. | Whole-body detection, recognition and identification at altitude and range | |
Yogalakshmi et al. | Review on digital image processing techniques for face recognition | |
Yun et al. | Head pose classification by multi-class AdaBoost with fusion of RGB and depth images | |
CN113553947B (zh) | 生成描述多模态行人重识别方法、装置及电子设备 | |
CN116229511A (zh) | 基于金丝猴躯干特征提取的身份重识别方法 | |
Galiyawala et al. | Dsa-pr: discrete soft biometric attribute-based person retrieval in surveillance videos | |
Mohammed et al. | Face Recognition Based on Viola-Jones Face Detection Method and Principle Component Analysis (PCA) | |
Wibowo et al. | Feature extraction using histogram of oriented gradient and hu invariant moment for face recognition | |
CN112069908B (zh) | 基于共现属性的行人重识别方法 | |
CN103914693A (zh) | 远红外人脸识别方法 | |
CN111191519B (zh) | 一种用于移动供电装置用户接入的活体检测方法 |
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 |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |