CN108875564A - 一种宠物面部识别方法 - Google Patents
一种宠物面部识别方法 Download PDFInfo
- Publication number
- CN108875564A CN108875564A CN201810409229.9A CN201810409229A CN108875564A CN 108875564 A CN108875564 A CN 108875564A CN 201810409229 A CN201810409229 A CN 201810409229A CN 108875564 A CN108875564 A CN 108875564A
- Authority
- CN
- China
- Prior art keywords
- classifier
- pet
- image
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001815 facial effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 16
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 claims description 3
- 101150041570 TOP1 gene Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007115 recruitment Effects 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 210000000887 face Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
一种宠物面部识别方法,包括以下步骤:S1:初始化宠物面部分类器,包括分类器结构初始化和分类器权重初始化;S2:获取图像数据,通过网络爬虫和实地相机采集;S3:对数据进行分类和标记;S4:对图像数据进行面部对齐;S5:迭代更新分类器;S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。本发明适用于大批量宠物识别到个体,且具有较高的精度。
Description
技术领域
本发明设计深度神经卷及网络深度卷积神经网络(Convolutional NeuralNetworks,CNN)和人脸识别技术,其中人脸识别技术借鉴了FaceNet网络结构和损失函数计算思想,通过自己采集大量宠物图片数据集在原网络基础上进行了微调和测试,获得了较高精度。
背景技术
随着社会技术的不断进步以及各方面对于自动身份验证的迫切要求,生物特征识别技术在近几十年中得到了飞速的发展。作为生物的一种内在属性,生物特性具有很强的自身稳定性和个体差异性,故使其成为了自动身份验证的最理想依据。在众多生物识别技术中,面部识别具有相比于其他识别方法更为突出的直接、有效、方面的特点,从而得到了广泛的研究和应用。
近几年,深度学习技术异军突起,在人脸识别领域取得了突破性发展,其中有些模型,诸如FaceNet、Face++、DeepID2等等,识别率高达百分之九十九以上,这为人脸识别技术开始大规模的应用在实际项目中奠定了坚实基础。
但值得注意的是,现实生活中,需要生物面部识别技术的不仅仅是人类,猫、狗、猪、羊、牛等等动物均可以和生物面部识别技术结合起来,以达到优化生产生活的目的。然而在这些领域,相关研究和应用较少,亟待科研工作者去开发。
在专利201410006204.6中提出了一种将宠物脸部识别和门禁系统相结合的方法,即通过对自家宠物的脸部和体态数据的采集及识别来实现宠物门的打开、闭合,此方法主要是针对一只或两只宠物的识别,识别数量较少且识别方法相对简单,不适用于大批量宠物的识别。专利201611032333.8提出了一种宠物类型识别的方法和装置,此方法将从宠物图像数据中提取的身体特征存入到库中,在识别过程中将输入宠物的图片特征和库中特征相匹配,最终得到匹配的宠物类型,此方法虽然适用于大批量宠物的识别,但识别范围止于宠物类型,无法对同类型的宠物做出进一步识别。
发明内容
为了克服现有的宠物识别方法的识别精度较低的不足,为了实现对大批量宠物识别精确到个体的功能,本发明提出一种识别精度较高的宠物面部识别方法。
本发明为解决上述技术问题所采用的技术方案如下:
一种宠物面部识别方法,包括以下步骤:
S1:初始化宠物面部分类器,包括分类器结构初始化和分类器权重初始化;
S2:获取图像数据,通过网络爬虫和实地相机采集;
S3:对数据进行分类和标记;
S4:对图像数据进行面部对齐;
S5:迭代更新分类器;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
进一步,所述步骤S1包含以下步骤:
S1.1:初始化宠物面部分类器结构,所述分类器结构为FaceNet;
S1.2:用初始化函数初始化分类器权重,使用了FaceNet作者在其自己的数据集上训练所得的预训练模型。
再进一步,所述步骤S2包括以下步骤:
S2.1:采用人工实地相机采集的方法补充图像数据;
S2.2:采用网络爬虫的方法从互联网爬取对应需求的图像数据。
更进一步,所述步骤S3包括以下步骤:
S3.1:手动对采集到的图片数据进行标注和分类;
S3.2:将数据分为训练数据和测试数据。
所述步骤S4包含以下步骤:
S4.1:使用Viola-Jones方法探测面部区域,过程如下:
4.1.1,利用Haar特征描述人脸的共有属性;
4.1.2,建立一种称为积分图像的特征,并且基于积分图像获取几种不同的矩形特征,积分图像的原理,即对于图像中的任何一点,该点的积分图像值等于位于该点左上角的所有像素之和,表达式如下:
并且,积分图像满足如下关系:
I(x,y)=f(x,y)+I(x-1,y)+I(x,y-1)-I(x-1,y-1)
其中I表示积分图像,f表示原来的图像,x,y,x’,y’表示像素的位置,所以一张图像的积分图像记录了这张图像上每一个像素点其左上角所有像素的和,VJ人脸检测算法用到了三种不同的矩形特征,分别是二邻接,三邻接,四邻接矩形;
4.1.3,利用Adaboost算法进行训练,AdaBoost就是将一系列的”弱”分类器通过线性组合,构成一个”强”分类器,如下所示:
h(x)就是一个”强”分类器,而hj(x)就是”弱”分类器,hj(x)其实是一个简单的阈值函数:
θj就是阈值,sj∈{-1,1}以及系数αj都由训练的时候确定;
4.1.4,建立层级分类器,在一张正常的图像中,包含宠物面部的区域只占整张图像中很小的一部分,如果所有的局部区域都要遍历所有特征的话,这个运算量非常巨大,也非常耗时,所以为了节省运算时间,应该把更多的检测放在潜在的正样本区域上,即建立层级分类器;
S4.2:采用回归树方法从稀疏子集内获取面部特征点坐标,通过此方式获得64个面部不特征点;
S4.3:在特征点的基础上建立覆盖面部的三角网格,在上面64个面部特征点的基础上,在面部正方形边界上再放置64个特征点。将这些特征点相连接,会得到一个覆盖面部的三角形网格;
S4.4:通过矩阵函数扭曲网格,达到面部对齐效果,即两只眼睛处于同一水平线上且左眼位置固定。
所述步骤S5包含以下步骤:
S5.1:根据FaceNet独有的三元组损失函数对采集到的宠物图片中的训练集数据进行批次组合;三元组损失函数定义为:
其中,J表示损失函数值,m是样本数量,Dia,ip表示目标样本和正样本之间特征的距离,Dia,in表示目标样本和负样本之间特征的距离,ia表示第i个目标样本,ip表示第i个正样本,in表示第i个负样本,α表示补充量;
S5.2:将宠物图片中的训练集数据按批次输入到S1步骤中得到的预训练模型中进行参数微调。
所述步骤S6包含以下步骤:
S6.1:使用测试数据集对微调后的分类器进行精度测试,测试方法如下:
第一步,将图库所有图片提取提取成128维的特征向量后,存入对比数据库中。
第二步,将需测试的某张图片输入,提取出其特征向量。
第三步,将测试图片的特征向量分别与图库中的特征向量做差,得出欧氏距离。
第四步,对所求出的欧氏距离进行由小到大的排序,取top1的标签为最终识别结果。
第五步,若此标签和测试图片的标签相同则识别成功,否则,识别失败。
S6.2:若精度达到要求,则结束程序,所未到达精度要求,则重回S5。
本发明所述方法具有如下有益效果:
(1)本发明所述的方法具有针对大批量宠物识别到个体的优势,具有很好的应用前景。
(2)本发明所述的方法通过大量的数据采集和充分的训练,使分类器具有了一个较高的识别精度。
(3)本发明所述的方法采用了参数量较小的预训练模型,在识别速度上具有较好的性能体验。
附图说明
图1为一种宠物面部识别方法的具体流程图。
图2为FaceNet网络结构图。
图3为精度测试方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种宠物面部识别方法,包括以下步骤:
S1:初始化宠物面部分类器,即使用自己的数据集训练前的分类器的权重参数,本方法使用了FaceNet的分类器结构,且FaceNet作者公布的预训练模型作为初始权重参数;
S2:通过网络爬虫和实地相机采集两种方法获取图像数据;
S3:对采集到的图像数据进行分类和标注,且将图像数据按比例分为训练集和测试集;
S4:对采集到的图像数据进行面部对齐操作;
S5:更新迭代分类器,根据FaceNet损失函数的三元组原则选取训练集批次并送入网络中训练;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
本实例对自己采集的图片数据进行分类判别,所述方法包括以下步骤:
S1:初始化宠物面部分类器,包括分类器结构初始化和分类器权重初始化;
S2:获取图像数据,通过网络爬虫和实地相机采集;
S3:对数据进行分类和标记;
S4:对图像数据进行面部对齐;
S5:迭代更新分类器;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
进一步,所述步骤S1包含以下步骤:
S1.1:初始化分类器结构,所用分类器结构为FaceNet;
S1.2:用初始化函数初始化分类器权重,使用了FaceNet作者在其自己的数据集上训练所得的预训练模型。
再进一步,所述步骤S2包括以下步骤:
S2.1:采用人工实地相机采集的方法补充图像数据;
S2.2:采用网络爬虫的方法从互联网爬取对应需求的图像数据。
更进一步,所述步骤S3包括以下步骤:
S3.1:手动对采集到的图片数据进行标注和分类;
S3.2:将数据分为训练数据和测试数据。
所述步骤S4包含以下步骤:
S4.1:使用Viola-Jones方法探测面部区域,过程如下:
4.1.1,利用Haar特征描述人脸的共有属性;
4.1.2,建立一种称为积分图像的特征,并且基于积分图像,可以快速获取几种不同的矩形特征,积分图像的原理,即对于图像中的任何一点,该点的积分图像值等于位于该点左上角的所有像素之和,表达式如下:
并且,积分图像满足如下关系:
I(x,y)=f(x,y)+I(x-1,y)+I(x,y-1)-I(x-1,y-1)
其中I表示积分图像,f表示原来的图像,x,y,x’,y’表示像素的位置,所以一张图像的积分图像记录了这张图像上每一个像素点其左上角所有像素的和。VJ人脸检测算法用到了三种不同的矩形特征,分别是二邻接,三邻接,四邻接矩形。
4.1.3,利用Adaboost算法进行训练,AdaBoost就是将一系列的”弱”分类器通过线性组合,构成一个”强”分类器。如下所示:
h(x)就是一个”强”分类器,而hj(x)就是”弱”分类器,hj(x)其实是一个简单的阈值函数:
θj就是阈值,sj∈{-1,1}以及系数αj都由训练的时候确定。
4.1.4,建立层级分类器,在一张正常的图像中,包含人脸的区域只占整张图像中很小的一部分,如果所有的局部区域都要遍历所有特征的话,这个运算量非常巨大,也非常耗时,所以为了节省运算时间,应该把更多的检测放在潜在的正样本区域上,即建立层级分类器。
S4.2:采用回归树方法从稀疏子集内获取面部特征点坐标,通过此方式获得64个面部特征点;
S4.3:在特征点的基础上建立覆盖面部的三角网格,在上面64个面部特征点的基础上,在面部正方形边界上再放置64个特征点。将这些特征点相连接,会得到一个覆盖面部的三角形网格;
S4.4:通过矩阵函数扭曲网格,达到面部对齐效果,即两只眼睛处于同一水平线上且左眼位置固定。
所述步骤S5包含以下步骤:
S5.1:根据FaceNet独有的三元组损失函数对采集到的宠物图片中的训练集数据进行批次组合;三元组损失函数定义为:
其中,J表示损失函数值,m是样本数量,Dia,ip表示目标样本和正样本之间特征的距离,Dia,in表示目标样本和负样本之间特征的距离,ia表示第i个目标样本,ip表示第i个正样本,in表示第i个负样本,α表示补充量;
S5.2:将宠物图片中的训练集数据按批次输入到S1步骤中得到的预训练模型中进行参数微调。
所述步骤S6包含以下步骤:
S6.1:使用测试数据集对微调后的分类器进行精度测试,测试方法如下:
第一步,将图库所有图片提取提取成128维的特征向量后,存入对比数据库中。
第二步,将需测试的某张图片输入,提取出其特征向量。
第三步,将测试图片的特征向量分别与图库中的特征向量做差,得出欧氏距离。
第四步,对所求出的欧氏距离进行由小到大的排序,取top1的标签为最终识别结果。
第五步,若此标签和测试图片的标签相同则识别成功,否则,识别失败。
S6.2:若精度达到要求,则结束程序,所未到达精度要求,则重回S5。
Claims (7)
1.一种宠物面部识别方法,其特征在于:所述方法包括以下步骤:
S1:初始化宠物面部分类器,包括分类器结构初始化和分类器权重初始化;
S2:获取图像数据,通过网络爬虫和实地相机采集;
S3:对数据进行分类和标记;
S4:对图像数据进行面部对齐;
S5:迭代更新分类器;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
2.根据权利要求1所述的一种宠物面部识别方法,其特征在于:所述步骤S1包含以下步骤:
S1.1:初始化宠物面部分类器结构,所述分类器结构为FaceNet;
S1.2:用初始化函数初始化分类器权重,使用了FaceNet作者在其自己的数据集上训练所得的预训练模型。
3.根据权利要求1或2所述的一种宠物面部识别方法,其特征在于:所述步骤S2包括以下步骤:
S2.1:采用人工实地相机采集的方法补充图像数据;
S2.2:采用网络爬虫的方法从互联网爬取对应需求的图像数据。
4.根据权利要求1或2所述的一种宠物面部识别方法,其特征在于:所述步骤S3包括以下步骤:
S3.1:手动对采集到的图片数据进行标注和分类;
S3.2:将数据分为训练数据和测试数据。
5.根据权利要求1或2所述的一种宠物面部识别方法,其特征在于:所述步骤S4包括以下步骤:
S4.1:使用Viola-Jones方法探测面部区域,过程如下:
4.1.1,利用Haar特征描述人脸的共有属性;
4.1.2,建立一种称为积分图像的特征,并且基于积分图像获取几种不同的矩形特征,积分图像的原理,即对于图像中的任何一点,该点的积分图像值等于位于该点左上角的所有像素之和,表达式如下:
并且,积分图像满足如下关系:
I(x,y)=f(x,y)+I(x-1,y)+I(x,y-1)-I(x-1,y-1)
其中,I表示积分图像,f表示原来的图像,x,y,x’,y’表示像素的位置,所以一张图像的积分图像记录了这张图像上每一个像素点其左上角所有像素的和,VJ人脸检测算法用到了三种不同的矩形特征,分别是二邻接,三邻接,四邻接矩形;
4.1.3,利用Adaboost算法进行训练,AdaBoost就是将一系列的”弱”分类器通过线性组合,构成一个”强”分类器,如下所示:
h(x)就是一个”强”分类器,而hj(x)就是”弱”分类器,hj(x)其实是一个简单的阈值函数:
θj就是阈值,sj∈{-1,1}以及系数αj都由训练的时候确定;
4.1.4,建立层级分类器;
S4.2:采用回归树方法从稀疏子集内获取面部特征点坐标,通过此方式获得64个脸部特征点;
S4.3:在特征点的基础上建立覆盖面部的三角网格,在上面64个脸部特征点的基础上,在脸部正方形边界上再放置64个特征点,将这些特征点相连接,会得到一个覆盖面部的三角形网格;
S4.4:通过矩阵函数扭曲网格,达到面部对齐效果,即两只眼睛处于同一水平线上且左眼位置固定。
6.根据权利要求1或2所述的一种宠物面部识别方法,其特征在于:所述步骤S5包括以下步骤:
S5.1:根据FaceNet独有的三元组损失函数对采集到的宠物图片中的训练集数据进行批次组合;三元组损失函数定义为:
其中,J表示损失函数值,m是样本数量,Dia,ip表示目标样本和正样本之间特征的距离,Dia,in表示目标样本和负样本之间特征的距离,ia表示第i个目标样本,ip表示第i个正样本,in表示第i个负样本,α表示补充量;
S5.2:将宠物图片中的训练集数据按批次输入到S1步骤中得到的预训练模型中进行参数微调。
7.根据权利要求1或2所述的一种宠物面部识别方法,其特征在于:所述步骤S6包含以下步骤:
S6.1:使用测试数据集对微调后的分类器进行精度测试,测试方法如下:
第一步,将图库所有图片提取提取成128维的特征向量后,存入对比数据库中。
第二步,将需测试的某张图片输入,提取出其特征向量。
第三步,将测试图片的特征向量分别与图库中的特征向量做差,得出欧氏距离。
第四步,对所求出的欧氏距离进行由小到大的排序,取top1的标签为最终识别结果。
第五步,若此标签和测试图片的标签相同则识别成功,否则,识别失败。
S6.2:若精度达到要求,则结束程序,所未到达精度要求,则重回S5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810409229.9A CN108875564A (zh) | 2018-05-02 | 2018-05-02 | 一种宠物面部识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810409229.9A CN108875564A (zh) | 2018-05-02 | 2018-05-02 | 一种宠物面部识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875564A true CN108875564A (zh) | 2018-11-23 |
Family
ID=64326833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810409229.9A Pending CN108875564A (zh) | 2018-05-02 | 2018-05-02 | 一种宠物面部识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875564A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109548691A (zh) * | 2018-12-26 | 2019-04-02 | 北京量子保科技有限公司 | 一种宠物识别方法、装置、介质和电子设备 |
CN109886145A (zh) * | 2019-01-29 | 2019-06-14 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
CN110008859A (zh) * | 2019-03-20 | 2019-07-12 | 北京迈格威科技有限公司 | 基于视觉的犬只重识别方法和装置 |
CN110795987A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪脸识别方法和装置 |
WO2020119184A1 (zh) * | 2018-12-12 | 2020-06-18 | 京东数字科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106577350A (zh) * | 2016-11-22 | 2017-04-26 | 深圳市沃特沃德股份有限公司 | 宠物类型识别的方法及装置 |
CN107229947A (zh) * | 2017-05-15 | 2017-10-03 | 邓昌顺 | 一种基于动物识别的金融保险方法及系统 |
CN107563328A (zh) * | 2017-09-01 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于复杂环境下的人脸识别方法及系统 |
CN107958263A (zh) * | 2017-11-13 | 2018-04-24 | 浙江工业大学 | 一种半监督的图像分类器训练方法 |
-
2018
- 2018-05-02 CN CN201810409229.9A patent/CN108875564A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106577350A (zh) * | 2016-11-22 | 2017-04-26 | 深圳市沃特沃德股份有限公司 | 宠物类型识别的方法及装置 |
CN107229947A (zh) * | 2017-05-15 | 2017-10-03 | 邓昌顺 | 一种基于动物识别的金融保险方法及系统 |
CN107563328A (zh) * | 2017-09-01 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于复杂环境下的人脸识别方法及系统 |
CN107958263A (zh) * | 2017-11-13 | 2018-04-24 | 浙江工业大学 | 一种半监督的图像分类器训练方法 |
Non-Patent Citations (3)
Title |
---|
PAUL VIOLA,MICHAEL J. JONES: ""Robust Real-Time Face Detection"", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
公安部第三研究所: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017 * |
裔隽: "《Python机器学习实战》", 28 February 2018, 科学技术文献出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119184A1 (zh) * | 2018-12-12 | 2020-06-18 | 京东数字科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
CN109548691A (zh) * | 2018-12-26 | 2019-04-02 | 北京量子保科技有限公司 | 一种宠物识别方法、装置、介质和电子设备 |
CN109886145A (zh) * | 2019-01-29 | 2019-06-14 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
CN109886145B (zh) * | 2019-01-29 | 2021-09-03 | 浙江泽曦科技有限公司 | 宠物脸部识别方法及系统 |
CN110008859A (zh) * | 2019-03-20 | 2019-07-12 | 北京迈格威科技有限公司 | 基于视觉的犬只重识别方法和装置 |
CN110795987A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪脸识别方法和装置 |
CN110795987B (zh) * | 2019-07-30 | 2023-12-22 | 重庆渝通合数字科技有限公司 | 猪脸识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875564A (zh) | 一种宠物面部识别方法 | |
CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
CN104572804B (zh) | 一种视频物体检索的方法及其系统 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
Endres et al. | Learning collections of part models for object recognition | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN106991382A (zh) | 一种遥感场景分类方法 | |
CN105354565A (zh) | 基于全卷积网络人脸五官定位与判别的方法及系统 | |
CN109919106B (zh) | 渐进式目标精细识别与描述方法 | |
CN107808129A (zh) | 一种基于单个卷积神经网络的面部多特征点定位方法 | |
CN108734114A (zh) | 一种结合面部和声纹的宠物识别方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN104008395A (zh) | 一种基于人脸检索的不良视频智能检测方法 | |
CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
CN105938565A (zh) | 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法 | |
CN104268552B (zh) | 一种基于部件多边形的精细类别分类方法 | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
CN106203296B (zh) | 一种属性辅助的视频动作识别方法 | |
CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
CN106845358A (zh) | 一种手写体字符图像特征识别的方法及系统 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
CN104966052A (zh) | 基于属性特征表示的群体行为识别方法 | |
CN108898623A (zh) | 目标跟踪方法及设备 |
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: 20181123 |