CN108898125A - 一种基于嵌入式人脸识别管理系统 - Google Patents
一种基于嵌入式人脸识别管理系统 Download PDFInfo
- Publication number
- CN108898125A CN108898125A CN201810748826.4A CN201810748826A CN108898125A CN 108898125 A CN108898125 A CN 108898125A CN 201810748826 A CN201810748826 A CN 201810748826A CN 108898125 A CN108898125 A CN 108898125A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- identification
- management system
- characteristic point
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Abstract
本发明公开了一种基于嵌入式人脸识别管理系统,包含以下步骤：A、人脸的检测；B、人脸图像的获取；C、人脸属性的提取；D、人脸特征值提取；E、人脸的识别，本发明的有益效果是1、优化度高，降低复杂度。采集设备简单，价格低廉，一般的比对机即可在几秒内完成对人脸图像的采集，无需采购复杂的专用设备，既能完成身份识别的工作，还能节省成本；2、人脸识别准确度高。经算法处理后，图像清晰度高、色彩还原度高、画面流畅细腻，提取到的人脸图像识别更加准确；3、适应性强。适应多种监控环境和范围，能采集静态图片、视频中的人脸和真实的人脸，在高光照和低光照的环境下，能自动补光获取人脸图像以满足后续的人脸识别。
Description
技术领域
本发明涉及人脸识别技术，尤其涉及一种基于嵌入式人脸识别管理系统的方法。
背景技术
人脸识别技术指的是通过比较人脸的视觉特征信息从而进行身份鉴别的技术，该技术是一项研究较为热门的计算机技术领域。人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，人脸识别技术主要是基于人的面部特征，针对图像或者视频检测其是否存在人脸，若存在人脸区域，就进一步地检测出其位置、大小以及面部各个器官的位置等信息，根据上述信息可以得到每个人脸中的代表身份的特征，并将其与人脸库里已知的人脸进行对比，从而识别每个人脸的身份。人脸识别技术在20世纪就开始逐渐进入人们的视野。人脸识别作为生物识别技术的一种形式,它涉及模式识别,计算机视觉,心理学及生理学及认知科学等方面的诸多方式,在计算机的辅助下实现身份识别,是基于人独有的特征进行身份验证的有效手段。人脸识别并不是一个单独的研究领域。起初,人脸识别只是被作为一般性的模式识别问题进行研究,方法也是仅仅是针对人脸几何特征实现的算法。到20世纪90年代后,人脸研究开始突飞猛进,不仅建立了数个大型人脸库,而且出现了一些商业化的人脸识别系统。尽管人脸识别技术早在20世纪就开始研究,已经发展多年,但还是未能达到人们的预期目标,因此,人们对人脸识别技术的研究仍然在探索之中。
利用计算机进行完全自动的人脸识别却存在着许多困难，这主要表现在以下凡个方面:首先，采集的面部表情只是某一时刻的，在进行人脸识别的时候，用户的姿态表情等会随意出现，对识别造成干扰；其次，人的面貌会随着时间的变化而变化，人的面部特征很容易产生变化，比如年龄的增长造成骨架的变化，脸部由于皱纹、美貌的舒展、刘海和化妆等，再者整容技术也给人脸识别带来了很大的难题，对结果都会造成致命的影响，所以需要对采集的人脸数据库不时更新；再次，在采集图像时，用户的发型、眼镜等装饰物会对人脸特征的提取造成遮挡；最后，采集过程中，光线强度、距离角度以及采集所用的硬件的参数不同，现实中不可预知的外界因素，对获取的人脸特征都会造成影响。当然还有学科发展、认知能力的限制等等。
发明内容
本发明的目的在于提供一种基于嵌入式人脸识别管理系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于嵌入式人脸识别管理系统，其特征在于，包含以下步骤：
A、从图像或视频中检测人脸信息，判断是否存在人脸；
B、获取图像或者视频流中的人脸特征坐标以及其外观信息并对其做预处理；
C、对定位出的人脸特征进行人脸归一化处理，得到处理后的图像；
D、获取处理后的图像中的人脸属性，得到每个人脸属性的分数；
E、提取人脸128维特征信息；
F、提取的人脸特征信息与人脸库中进行比对，通过查看相似度得到人脸相应的输出结果。
作为本发明的进一步方案：所述步骤A具体包括：
A-1、将图像灰度化，去噪处理；
A-2、从这张处理后的图像中对人脸进行定位，每个人脸位置用一个框，检测是否存在人脸；
A-3、人脸跟踪检测模块中可对图像进行去噪、图像增强、锐化、缩放、裁剪、镜头校正、视频遮挡与叠加等处理，定位每个人脸位置，每个人脸用一个框去标记，检测是否存在人脸，需注意从视频中裁剪出来的人脸图长宽至少是原图的1.5倍；
A-4、人脸定位需要对人脸样本和非人脸样本进行大量的训练，得到图像间的轻微差异，同时对人脸图像的特征点进行标记；
A-5、若存在人脸，裁剪出来对其进行直方图规定划操作，获得人脸图像，同时采用跟踪+检测的策略，来加速视频中人脸检测的速度，可以标示出当前帧的框和上一帧的框的关联关系，用于持续跟踪视频中的某个人脸，用人脸跟踪ID标识依次出现的人脸；
作为本发明的进一步方案：所述步骤B具体包括：
B-1、对检测到的人脸进行人脸扶正处理，同时同一个人脸跟踪ID对应的人脸只保存质量最高的那一桢；
B-2、检测确定人脸的位置和外观，尽量详细地描述出人脸的整体特征和细节特征，主要包括眼睛和鼻子这两个最为重要的器官特征；
B-3、根据这两个主要特征区域信息，考虑嘴巴、耳朵、毛发等观测区域的特征信息，同时还要考虑到特征的提取要对光线、表情、视角等干扰因素有比较好的健壮性；
B-4、最后通过卷积神经网络定位人脸的特征点。
作为本发明的进一步方案：所述步骤B-4卷积神经网络定位具体包括：
B-41、裁剪输入的人脸图片，保证人脸特征点包含在其中；
B-42、采用本层次网络CNN模型，预测定位出来的特征点；
B-43、以预测的点为中心裁剪更小的矩形区域，进一步缩小搜索范围；
B-44、每个特征点有两个CNN训练预测，进行平均，得到人脸特征点精定位位置。
作为本发明的进一步方案：所述步骤C具体包括：
C-1、利用检测出来的特征点，对不同的人脸进行几何归一化处理，即解决人脸尺度变化和人脸旋转问题；
C-2、将人脸校正到同一水平标准，进行灰度归一化处理，用来对不同光强、光源方向下得到的人脸图像进行补偿，以减弱单纯由于光照变化造成的图像信号的变化。
作为本发明的进一步方案：所述步骤D具体包括：
D-1、调用人脸属性接口分析连续多帧人脸特征点；
D-2、人脸属性支持性别，年龄，微笑，人种(白、黑、黄)，太阳镜，眼镜，口罩，魅力值，睁眼，张嘴，胡子，10种表情(生气，平静，厌恶，高兴，悲伤，害怕，吃惊,困惑,眯眼,尖叫)；
D-3、输出10种表情中分数最高的那种表情，其它的属性则是与对应标签比较，通过属性分数判断性别、眼镜的戴与否、嘴巴的张开与闭合和有无胡子等；
D-4、得到人脸属性。
作为本发明的进一步方案：所述步骤E具体包括：
E-1、用协方差矩阵通过线性变换的方式将高维数据投影到低维空间，将得到处理的
图片通过PCA进行降维处理；
E-2、PCA提取特征信息；
E-3、将特征信息进行主成分分析，得到降维后的128维人脸特征信息。
作为本发明的进一步方案：所述步骤F具体包括：
F-1、将一些图像存入人脸数据库中，对库里的每个人脸图像进行训练，通过构建协方差矩阵，先对库中的每个人物的每张训练样本图像进行定位，得到每一个人脸图像中的人脸特征点；
F-2、通过人脸图像中的人脸特征点进行人脸归一化处理，以双眼为标准校正，得到处理后的图片；
F-3、用协方差矩阵通过线性变换的方式将高维数据投影到低维空间，将得到处理的的图片通过PCA进行降维处理，然后PCA提取特征信息，将特征信息进行主成分分析，得到降维后的人脸特征信息；
F-4、输入我们待识别的人脸图像中的人脸特征信息，将其与人脸库里降维后的人脸特征信息作比较，得出两个人是否是同一个人的置信度；
F-5、重复E1-E4获得人脸库中所有人的人脸与输入人脸图片的置信度，取出其中分数最高的那张人脸；
F-6、判断是否已找到匹配的人脸，计算的人脸置信度大于相似度阀值，则判断输入人脸与人脸库对应的人脸相匹配；
F-7、完成人脸的识别，得到相应的人脸比对结果，输出人脸库里对应的图片。作为本发明的进一步技术方案：所述比对机采用高清摄像机。
与现有技术相比，本发明的有益效果是1、优化度高，降低复杂度。采集设备简单，价格低廉，一般的比对机即可在几秒内完成对人脸图像的采集，无需采购复杂的专用设备，既能完成身份识别的工作，还能节省成本；2、人脸识别准确度高。经算法处理后，图像清晰度高、色彩还原度高、画面流畅细腻，提取到的人脸图像识别更加准确；3、适应性强。适应多种监控环境和范围，能采集静态图片、视频中的人脸和真实的人脸，在高光照和低光照的环境下，能自动补光获取人脸图像以满足后续的人脸识别。
附图说明
图1为本发明的流程图。
图2为本发明获取视频流或图像流的流程图。
图3为本发明人脸图像识别流程图。
图4为本发明视频图像识别流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更清楚地表述本发明，下面结合附图对本发明作进一步地描述。
请参阅图1，本发明的一种基于嵌入式人脸识别管理系统方法，包括以下步骤：
1、从图像或视频中检测人脸信息，判断是否存在人脸；
2、获取图像或者视频流中的人脸特征坐标以及其外观信息并对其做预处理；
3、对定位出的人脸特征进行人脸归一化处理，得到处理后的图像；
4、获取处理后的图像中的人脸属性，得到每个人脸属性的分数；
5、提取人脸128维特征信息；
6、提取的人脸特征信息与人脸库中进行比对，通过查看相似度得到人脸相应的输出结果。
请进一步参阅图2：所述步骤1具体包括：
1-1、VI模块捕获视频图像，可对其做剪切、缩放等处理，并输出多路不同分辨率的图像数据；
1-2、VPSS模块接收VI模块发送过来的图像进行处理，并实现同源输出多路不同分辨率的图像数据用于编码、预览或抓拍；
1-21、VPSS模块能对输入的人脸图像和视频做不同的处理；
1-22、人脸图像转换成JPG图像直接调用人脸检测函数接口；
请进一步参阅图3：所述步骤A-22具体包括：
1-221、输入人脸图像调用检测接口，得到检测框；
1-222、输入人脸图像调用人脸属性接口，得到人脸属性；
1-223、输入人脸图像和检测框调用人脸识别接口，得到人脸特征值；
1-224、输入两个人脸的特征值调用人脸对比接口，得到相似程度，或者调用查找接口，查找相似度最高的人脸；
1-225、判断是否大于我们设置的相似度阀值(一般为0.8～0.9)，大于则为同一个人脸；
1-23、视频图像经VPSS模块处理后转化成视频流传给人脸跟踪检测模块；
请进一步参阅图4：所述步骤A-23具体包括：
1-3、人脸跟踪检测模块中可对图像进行去噪、图像增强、锐化、缩放、裁剪、镜头校正、视频遮挡与叠加等处理，定位每个人脸位置，每个人脸用一个框去标记，检测是否存在人脸，需注意从视频中裁剪出来的人脸图长宽至少是原图的1.5倍；
1-4、人脸定位需要对人脸样本和非人脸样本进行大量的训练，得到图像间的轻微差异，同时对人脸图像的特征点进行标记；
1-5、若存在人脸，裁剪出来对其进行直方图规定划操作，获得人脸图像，同时采用跟踪+检测的策略，来加速视频中人脸检测的速度，可以标示出当前帧的框和上一帧的框的关联关系，用于持续跟踪视频中的某个人脸，用人脸跟踪ID标识依次出现的人脸；
作为本发明的进一步方案：所述步骤2具体包括：
2-1、对检测到的人脸进行人脸扶正处理，同时同一个人脸跟踪ID对应的人脸只保存质量最高的那一桢；
2-2、检测确定人脸的位置和外观，尽量详细地描述出人脸的整体特征和细节特征，主要包括眼睛和鼻子这两个最为重要的器官特征；
2-3、根据这两个主要特征区域信息，考虑嘴巴、耳朵、毛发等观测区域的特征信息，同时还要考虑到特征的提取要对光线、表情、视角等干扰因素有比较好的健壮性；
2-4、最后通过卷积神经网络定位人脸的特征点。
作为本发明的进一步方案：所述步骤B-4卷积神经网络定位具体包括：
2-41、裁剪输入的人脸图片，保证人脸特征点包含在其中；
2-42、采用本层次网络CNN模型，预测定位出来的特征点；
2-43、以预测的点为中心裁剪更小的矩形区域，进一步缩小搜索范围；
2-44、每个特征点有两个CNN训练预测，进行平均运算，得到人脸特征点精定位位置。
作为本发明的进一步方案：所述步骤3具体包括：
3-1、利用检测出来的特征点，对不同的人脸进行几何归一化处理，即解决人脸尺度变化和人脸旋转问题；
3-2、将人脸校正到同一水平标准，进行灰度归一化处理，用来对不同光强、光源方向下得到的人脸图像进行补偿，以减弱单纯由于光照变化造成的图像信号的变化。
作为本发明的进一步方案：所述步骤4具体包括：
4-1、调用人脸属性接口分析连续多帧人脸特征点；
4-2、人脸属性支持性别，年龄，微笑，人种(白、黑、黄)，太阳镜，眼镜，口罩，魅力值，睁眼，张嘴，胡子，10种表情(生气，平静，厌恶，高兴，悲伤，害怕，吃惊,困惑,眯眼,尖叫)；
4-3、输出10种表情中分数最高的那种表情，其它的属性则是与对应标签比较，通过属性分数判断性别、眼镜的戴与否、嘴巴的张开与闭合和有无胡子等；
4-4、得到人脸属性。
作为本发明的进一步方案：所述步骤5具体包括：
5-1、用协方差矩阵通过线性变换的方式将高维数据投影到低维空间，将得到处理的
图片通过PCA进行降维处理；
5-2、PCA提取特征信息；
5-3、将特征信息进行主成分分析，得到降维后的128维人脸特征信息，可多次识别
提取人脸特征值，对128维人脸特征进行平均，可进一步提升识别精度。
作为本发明的进一步方案：所述步骤6具体包括：
6-1、将一些图像存入人脸数据库中，对库里的每个人脸图像进行训练，通过构建协方差矩阵，先对库中的每个人物的每张训练样本图像进行定位，得到每一个人脸图像中的人脸特征点；
6-2、通过人脸图像中的人脸特征点进行人脸归一化处理，以双眼为标准校正，得到处理后的图片；
6-3、用协方差矩阵通过线性变换的方式将高维数据投影到低维空间，将得到处理的的图片通过PCA进行降维处理，然后PCA提取特征信息，将特征信息进行主成分分析，得到降维后的人脸特征信息；
6-4、输入我们待识别的人脸图像中的人脸特征信息，将其与人脸库里降维后的人脸特征信息作比较，得出两个人是否是同一个人的置信度；
6-5、重复E1-E4获得人脸库中所有人的人脸与输入人脸图片的置信度，取出其中分数最高的那张人脸；
6-6、判断是否已找到匹配的人脸，计算的人脸置信度大于相似度阀值，则判断输入人脸与人脸库对应的人脸相匹配；
6-7、完成人脸的识别，得到相应的人脸比对结果，输出人脸库里对应的图片。
本发明所说明的实施例的上文描述，包含说明书摘要中所描述的内容，但是本发明并不局限于此。本技术领域的技术人员应认识到，在不脱离本发明的前提下，所做出的变化、改型、添加或替换，也应当属于本发明的保护范围。
Claims (8)
1.一种基于嵌入式人脸识别管理系统，其特征在于，包含以下步骤：
A、从图像或视频中检测人脸信息，判断是否存在人脸；
B、获取图像或者视频流中的人脸特征坐标以及其外观信息并对其做预处理；
C、对定位出的人脸特征进行人脸归一化处理，得到处理后的图像；
D、获取处理后的图像中的人脸属性，得到每个人脸属性的分数；
E、提取人脸128维特征信息；
F、提取的人脸特征信息与人脸库中进行比对，通过查看相似度得到人脸相应的输出结果。
2.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤A具体包括：
A-1、将图像灰度化，去噪处理；
A-2、从这张处理后的图像中对人脸进行定位，每个人脸位置用一个框，检测是否存在人脸；
A-3、人脸跟踪检测模块中可对图像进行去噪、图像增强、锐化、缩放、裁剪、镜头校正、视频遮挡与叠加等处理，定位每个人脸位置，每个人脸用一个框去标记，检测是否存在人脸，需注意从视频中裁剪出来的人脸图长宽至少是原图的1.5倍；
A-4、人脸定位需要对人脸样本和非人脸样本进行大量的训练，得到图像间的轻微差异，同时对人脸图像的特征点进行标记；
A-5、若存在人脸，裁剪出来对其进行直方图规定划操作，获得人脸图像，同时采用跟踪+检测的策略，来加速视频中人脸检测的速度，可以标示出当前帧的框和上一帧的框的关联关系，用于持续跟踪视频中的某个人脸，用人脸跟踪ID标识依次出现的人脸。
3.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤B具体包括：
B-1、对检测到的人脸进行人脸扶正处理，同时同一个人脸跟踪ID对应的人脸只保存质量最高的那一桢；
B-2、检测确定人脸的位置和外观，尽量详细地描述出人脸的整体特征和细节特征，主要包括眼睛和鼻子这两个最为重要的器官特征；
B-3、根据这两个主要特征区域信息，考虑嘴巴、耳朵、毛发等观测区域的特征信息，同时还要考虑到特征的提取要对光线、表情、视角等干扰因素有比较好的健壮性；
B-4、最后通过卷积神经网络定位人脸的特征点。
4.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤B-4中卷积神经网络定位具体包括：
B-41、裁剪输入的人脸图片，保证人脸特征点包含在其中；
B-42、采用本层次网络CNN模型，预测定位出来的特征点；
B-43、以预测的点为中心裁剪更小的矩形区域，进一步缩小搜索范围；
B-44、每个特征点有两个CNN训练预测，进行平均，得到人脸特征点精定位位置。
5.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤C具体包括：
C-1、利用检测出来的特征点，对不同的人脸进行几何归一化处理，即解决人脸尺度变化和人脸旋转问题；
C-2、将人脸校正到同一水平标准，进行灰度归一化处理，用来对不同光强、光源方向下得到的人脸图像进行补偿，以减弱单纯由于光照变化造成的图像信号的变化。
6.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤D具体包括：
D-1、调用人脸属性接口分析连续多帧人脸特征点；
D-2、人脸属性支持性别，年龄，微笑，人种(白、黑、黄)，太阳镜，眼镜，口罩，魅力值，睁眼，张嘴，胡子，10种表情(生气，平静，厌恶，高兴，悲伤，害怕，吃惊,困惑,眯眼,尖叫)；
D-3、输出10种表情中分数最高的那种表情，其它的属性则是与对应标签比较，通过属性分数判断性别、眼镜的戴与否、嘴巴的张开与闭合和有无胡子等；
D-4、得到人脸属性。
7.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤E具体包括：
E-1、用协方差矩阵通过线性变换的方式将高维数据投影到低维空间，将得到处理的图片通过PCA进行降维处理；
E-2、PCA提取特征信息；
E-3、将特征信息进行主成分分析，得到降维后的128维人脸特征信息。
8.根据权利要求1所述的一种基于嵌入式人脸识别管理系统，其特征在于，所述步骤F具体包括：
F-1、将一些图像存入人脸数据库中，对库里的每个人脸图像进行训练，通过构建协方差矩阵，先对库中的每个人物的每张训练样本图像进行定位，得到每一个人脸图像中的人脸特征点；
F-2、通过人脸图像中的人脸特征点进行人脸归一化处理，以双眼为标准校正，得到处理后的图片；
F-3、用协方差矩阵通过线性变换的方式将高维数据投影到低维空间，将得到处理的的图片通过PCA进行降维处理，然后PCA提取特征信息，将特征信息进行主成分分析，得到降维后的人脸特征信息；
F-4、输入我们待识别的人脸图像中的人脸特征信息，将其与人脸库里降维后的人脸特征信息作比较，得出两个人是否是同一个人的置信度；
F-5、重复E1-E4获得人脸库中所有人的人脸与输入人脸图片的置信度，取出其中分数最高的那张人脸；
F-6、判断是否已找到匹配的人脸，计算的人脸置信度大于相似度阀值，则判断输入人脸与人脸库对应的人脸相匹配；
F-7、完成人脸的识别，得到相应的人脸比对结果，输出人脸库里对应的图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810748826.4A CN108898125A (zh) | 2018-07-10 | 2018-07-10 | 一种基于嵌入式人脸识别管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810748826.4A CN108898125A (zh) | 2018-07-10 | 2018-07-10 | 一种基于嵌入式人脸识别管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898125A true CN108898125A (zh) | 2018-11-27 |
Family
ID=64348823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810748826.4A Pending CN108898125A (zh) | 2018-07-10 | 2018-07-10 | 一种基于嵌入式人脸识别管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898125A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109348190A (zh) * | 2018-12-05 | 2019-02-15 | 吉林大学 | 基于视频监控的摔倒监控系统及方法 |
| CN109784187A (zh) * | 2018-12-19 | 2019-05-21 | 新大陆数字技术股份有限公司 | 人脸识别的优化方法及装置 |
| CN109800704A (zh) * | 2019-01-17 | 2019-05-24 | 深圳英飞拓智能技术有限公司 | 抓拍视频人脸检测的方法及装置 |
| CN109977781A (zh) * | 2019-02-26 | 2019-07-05 | 上海上湖信息技术有限公司 | 人脸检测方法及装置、可读存储介质 |
| CN110009770A (zh) * | 2018-12-10 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种标识用户的方法、设备及门禁装置 |
| CN110188684A (zh) * | 2019-05-30 | 2019-08-30 | 湖南城市学院 | 一种人脸识别装置及方法 |
| CN110188722A (zh) * | 2019-06-05 | 2019-08-30 | 福建深视智能科技有限公司 | 一种本地人脸识别图像去重的方法及终端 |
| CN110334577A (zh) * | 2019-05-05 | 2019-10-15 | 四川盛通智联网络科技有限公司 | 一种基于海思安防芯片的人脸识别方法 |
| CN110427907A (zh) * | 2019-08-09 | 2019-11-08 | 上海天诚比集科技有限公司 | 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法 |
| CN113095119A (zh) * | 2020-01-09 | 2021-07-09 | 北京君正集成电路股份有限公司 | 一种修正人脸裁剪框的人脸识别系统 |
| WO2021142975A1 (zh) * | 2020-01-19 | 2021-07-22 | 深圳壹账通智能科技有限公司 | 人工智能检测方法及装置、终端和计算机可读存储介质 |
| CN113361456A (zh) * | 2021-06-28 | 2021-09-07 | 北京影谱科技股份有限公司 | 一种人脸识别方法和系统 |
| CN116524569A (zh) * | 2023-05-10 | 2023-08-01 | 深圳大器时代科技有限公司 | 一种基于归类算法的多并发人脸识别系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009128784A1 (en) * | 2008-04-14 | 2009-10-22 | Xid Technologies Pte Ltd | Face expressions identification |
| CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
| CN105354543A (zh) * | 2015-10-29 | 2016-02-24 | 小米科技有限责任公司 | 视频处理方法及装置 |
| CN107609497A (zh) * | 2017-08-31 | 2018-01-19 | 武汉世纪金桥安全技术有限公司 | 基于视觉跟踪技术的实时视频人脸识别方法及系统 |
| CN107766850A (zh) * | 2017-11-30 | 2018-03-06 | 电子科技大学 | 基于结合人脸属性信息的人脸识别方法 |
-
2018
- 2018-07-10 CN CN201810748826.4A patent/CN108898125A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009128784A1 (en) * | 2008-04-14 | 2009-10-22 | Xid Technologies Pte Ltd | Face expressions identification |
| CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
| CN105354543A (zh) * | 2015-10-29 | 2016-02-24 | 小米科技有限责任公司 | 视频处理方法及装置 |
| CN107609497A (zh) * | 2017-08-31 | 2018-01-19 | 武汉世纪金桥安全技术有限公司 | 基于视觉跟踪技术的实时视频人脸识别方法及系统 |
| CN107766850A (zh) * | 2017-11-30 | 2018-03-06 | 电子科技大学 | 基于结合人脸属性信息的人脸识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 裔隽等: "《Python机器学习实战》", 31 January 2018 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109348190A (zh) * | 2018-12-05 | 2019-02-15 | 吉林大学 | 基于视频监控的摔倒监控系统及方法 |
| CN110009770A (zh) * | 2018-12-10 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种标识用户的方法、设备及门禁装置 |
| CN109784187A (zh) * | 2018-12-19 | 2019-05-21 | 新大陆数字技术股份有限公司 | 人脸识别的优化方法及装置 |
| CN109784187B (zh) * | 2018-12-19 | 2022-12-13 | 新大陆数字技术股份有限公司 | 人脸识别的优化方法及装置 |
| CN109800704B (zh) * | 2019-01-17 | 2021-05-14 | 深圳英飞拓智能技术有限公司 | 抓拍视频人脸检测的方法及装置 |
| CN109800704A (zh) * | 2019-01-17 | 2019-05-24 | 深圳英飞拓智能技术有限公司 | 抓拍视频人脸检测的方法及装置 |
| CN109977781A (zh) * | 2019-02-26 | 2019-07-05 | 上海上湖信息技术有限公司 | 人脸检测方法及装置、可读存储介质 |
| CN110334577B (zh) * | 2019-05-05 | 2022-09-16 | 四川盛通智联网络科技有限公司 | 一种基于海思安防芯片的人脸识别方法 |
| CN110334577A (zh) * | 2019-05-05 | 2019-10-15 | 四川盛通智联网络科技有限公司 | 一种基于海思安防芯片的人脸识别方法 |
| CN110188684A (zh) * | 2019-05-30 | 2019-08-30 | 湖南城市学院 | 一种人脸识别装置及方法 |
| CN110188684B (zh) * | 2019-05-30 | 2021-04-06 | 湖南城市学院 | 一种人脸识别装置及方法 |
| CN110188722A (zh) * | 2019-06-05 | 2019-08-30 | 福建深视智能科技有限公司 | 一种本地人脸识别图像去重的方法及终端 |
| CN110427907A (zh) * | 2019-08-09 | 2019-11-08 | 上海天诚比集科技有限公司 | 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法 |
| CN110427907B (zh) * | 2019-08-09 | 2023-04-07 | 上海天诚比集科技有限公司 | 一种灰度图边界检测和噪声帧填充的人脸识别预处理方法 |
| CN113095119A (zh) * | 2020-01-09 | 2021-07-09 | 北京君正集成电路股份有限公司 | 一种修正人脸裁剪框的人脸识别系统 |
| CN113095119B (zh) * | 2020-01-09 | 2023-11-21 | 北京君正集成电路股份有限公司 | 一种修正人脸裁剪框的人脸识别系统 |
| WO2021142975A1 (zh) * | 2020-01-19 | 2021-07-22 | 深圳壹账通智能科技有限公司 | 人工智能检测方法及装置、终端和计算机可读存储介质 |
| CN113361456A (zh) * | 2021-06-28 | 2021-09-07 | 北京影谱科技股份有限公司 | 一种人脸识别方法和系统 |
| CN113361456B (zh) * | 2021-06-28 | 2024-05-07 | 北京影谱科技股份有限公司 | 一种人脸识别方法和系统 |
| CN116524569A (zh) * | 2023-05-10 | 2023-08-01 | 深圳大器时代科技有限公司 | 一种基于归类算法的多并发人脸识别系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898125A (zh) | 一种基于嵌入式人脸识别管理系统 | |
| CN105205480B (zh) | 一种复杂场景中人眼定位方法及系统 | |
| Lin | Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space and neural network | |
| Kumar et al. | Face detection in still images under occlusion and non-uniform illumination | |
| CN109472198B (zh) | 一种姿态鲁棒的视频笑脸识别方法 | |
| CN107767335A (zh) | 一种基于人脸识别特征点定位的图像融合方法及系统 | |
| CN102096823A (zh) | 基于高斯模型和最小均方差的人脸检测方法 | |
| CN101739546A (zh) | 基于图像交叉重建的单样本注册图像人脸识别方法 | |
| CN109325408A (zh) | 一种手势判断方法及存储介质 | |
| CN111126240A (zh) | 一种三通道特征融合人脸识别方法 | |
| CN106599785A (zh) | 人体3d特征身份信息库的建立方法及设备 | |
| CN104794693A (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
| Monwar et al. | Pain recognition using artificial neural network | |
| CN111666845A (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
| Fernando et al. | Novel approach to use HU moments with image processing techniques for real time sign language communication | |
| Diyasa et al. | Multi-face Recognition for the Detection of Prisoners in Jail using a Modified Cascade Classifier and CNN | |
| Chinapas et al. | Personal verification system using ID card and face photo | |
| Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
| Srinivasan et al. | Occlusion detection and image restoration in 3D face image | |
| Monwar et al. | Eigenimage based pain expression recognition | |
| Ahdid et al. | A survey on facial feature points detection techniques and approaches | |
| CN110135362A (zh) | 一种基于红外摄像头下的人脸快速识别方法 | |
| Curran et al. | The use of neural networks in real-time face detection | |
| CN106503611B (zh) | 基于边缘信息投影定位镜架横梁的人脸图像眼镜检测方法 | |
| CN106127160A (zh) | 一种用于虹膜识别的人眼快速定位方法 |
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: 20181127 |
|
| RJ01 | Rejection of invention patent application after publication |