CN109190561B - 一种视频播放中的人脸识别方法及系统 - Google Patents
一种视频播放中的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN109190561B CN109190561B CN201811026538.4A CN201811026538A CN109190561B CN 109190561 B CN109190561 B CN 109190561B CN 201811026538 A CN201811026538 A CN 201811026538A CN 109190561 B CN109190561 B CN 109190561B
- Authority
- CN
- China
- Prior art keywords
- face
- library
- video
- feature extraction
- classification
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频播放中的人脸识别方法,包括步骤:A.构建基于时域连续变换的多样性人脸库;B.改进深度学习人脸特征提取网络,训练基于时域多变的深度学习模型;C.结合特征提取与模型分类进行人脸确认。本发明的视频播放中的人脸识别方法通过构建时序连续变化多样性样本库,加入GDConv深度神经网络学习单元降低了人脸角度偏转、表情、光照等对提取人脸图像特征的影响,最后通过联合特征匹配以及模型分类方式进一步确认身份信息,可有效提升视频人脸识别准确率。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种视频播放中的人脸识别方法及系统。
背景技术
基于视频的人脸识别已成为人脸识别领域最为活跃的研究方向之一,如何充分利用视频中人脸的时间和空间信息克服视频中人脸分辨率低,尺度变化范围大,光照,角度,姿态,表情变化剧烈以及时常发生遮挡等困难是研究的重点。当前主流的算法都结合了视频序列的空域信息以及时域信息,在相邻帧中采用投票的方式进行身份确认,可显著提升识别率,但这种方式不适用于在线视频识别。
在视频序列中,人脸目标的变换具有帧间连续性,比如角度,表情,光照,尺寸等的改变具有连续性。当这些改变造成类内人脸样本的差异增大时,且这些样本没有出现在我们的训练样本中,模型就学习不到这些变化的信息,进而导致识别失败。
现有的大多数人脸识别方法都专注于如何提高人脸识别算法的性能,缺乏一种对数据源本身的分析机制。
发明内容
本发明的目的是克服上述背景技术中不足,提供一种视频播放中的人脸识别方法及系统,通过构建基于时域连续变化的多样性人脸特征库,并在深度人脸模型中采用可对不同人脸区域学习权重的GDConv全局池化层,可有效解决GAP层提取人脸特征效果差,全连接层参数量巨大的问题,同时用一个深度学习模型进行特征提取进而采用特征比对进行分类联合模型分类的方式进行视频中人脸身份确认,可进一步提升识别率。
为了达到上述的技术效果,本发明采取以下技术方案:
一种视频播放中的人脸识别方法,其特征在于,包括以下步骤:
A.构建基于时域连续变换的多样性人脸库;
B.改进深度学习人脸特征提取网络,根据时域连续变换的多样性人脸库训练基于时域多变的深度学习人脸特征提取网络形成时域多变的人脸模型;
C.结合特征提取与模型分类进行人脸确认。
在本发明的视频播放中的人脸识别方法中,通过采用深度学习模型进行帧间连续的人脸相似性判断,摒弃类内样本相似度高的样本,保留具有时域连续变换且有一定差异的样本作为训练样本,具体为,给定一个基础的深度人脸识别模型用于特征提取并分析连续视频帧的人脸的特征变换,通过迭代更新的方式,判断当前帧人脸是否剔除,得到具有连续时域信息且样本差距足够大的类内视频样本库,并在在深度人脸识别模型中对不同人脸区域进行不同权重加持的人脸模型特征提取,进一步提升了识别率,同时降低了模型复杂度,可应用于嵌入式设备中。
进一步地,所述步骤A具体包括:
A1.首先准备N类的视频样本,每个视频中包含有不同角度,不同表情的人脸,每类视频样本的数量不少于1个,并提前训练好一个人脸基础模型;
A2.对每个视频每帧图像,首先进行人脸检测与关键点定位,当检测到第一帧人脸图像,确认为当前目标的人脸,对齐人脸图像,并利用人脸基础模型进行特征提取;
A3.保存当前人脸对齐图像与特征到当前目标人脸库中;
A4.进行下一帧人脸图像检测与关键点定位,与目标人脸库中的特征进行相似度比较,得出相似度值;
A5.若得到的相似度值超出预设的相似度阈值范围,则丢弃,否则,则将检测到的当前帧人脸存入人脸库中;
A6.重复步骤A3至A5,不断更新当前人的人脸库,直到当前目标人的视频播放完毕;
A7.将人脸库中存放的当前人的人脸样本组合起来,成为当前人的按时域连续变换的多角度多表情特征库即所述基于时域连续变换的多样性人脸库。
进一步地,所述步骤B具体包括:
B1.将步骤A得到的基于时域连续变换的多样性人脸库中的人脸图像加入深度学习人脸特征提取网络中进行finetune微调训练;
B2.改进深度学习人脸特征提取网络,将提取特征的全连接层修改为全局池化层,从而对人脸不同区域进行权重学习。
进一步地,所述步骤C具体包括:
C1.采用大样本数据库训练好一个深度学习人脸特征提取网络,保持特征提取层以及前面的层参数不变,在同一个深度学习人脸特征提取网络完成人脸特征提取及分类并训练最后的分类层得到N类别的时域多变的人脸模型;
C2.将提取待确认视频中的当前帧人脸特征与时域连续变换的多样性人脸库中人脸特征进行相似性比对,进行人脸特征识别;
C3.根据N类别的时域多变的人脸模型将当前帧人脸进行分类确认,并得出预测身份和预测值;
C4.结合特征比对结果与分类结果,确认当前人脸身份。
进一步地,所述步骤C3中进行分类时具体采用softmax分类。
同时,本发明还公开了一种视频播放中的人脸识别系统,包括人脸检测模块、样本库构建模块、CNN训练模块、人脸识别联合分类模块;
其中,所述人脸检测模块用于对输入的视频进行基于深度学习的人脸检测并提取人脸特征,且人脸检测模块与样本库构建模块相连,所述样本库构建模块用于根据人脸检测模块提取的人脸特征构建基于时域连续变换的多样性人脸库,样本库构建模块分别与CNN训练模块、人脸识别联合分类模块相连;CNN训练模块用于利用基于时域连续变换的多样性人脸库对人脸基础模型进行网络训练,且CNN训练模块与人脸识别联合分类模块相连;人脸识别联合分类模块用于提取视频中的人脸特征并将提取的特征与人脸库的特征进行比对及进行模型分类从而进行人脸确认。
本发明与现有技术相比,具有以下的有益效果:
本发明的视频播放中的人脸识别方法使用深度学习算法进行视频人脸识别,探究了深度学习算法中最重要的两大因素:数据和模型,挖掘出视频人脸中具有时序连续变化的多样性,包括不同角度,多表情等因素,提出了一种构建时序连续变化的多样性人脸样本库方法,这样的多样性使得类内样本距离拉开,提升特征的泛化能力;
同时,将GDConv深度学习单元应用到视频人脸识别模型中,可在降低参数量的同时,保证特征的鲁棒性;
本发明的视频播放中的人脸识别方法通过构建时序连续变化多样性样本库,加入GDConv深度神经网络学习单元降低了人脸角度偏转、表情、光照等对提取人脸图像特征的影响,最后通过联合特征匹配以及模型分类方式进一步确认身份信息,可有效提升视频人脸识别准确率。
附图说明
图1是本发明的视频播放中的人脸识别系统及其工作流程示意图。
图2是本发明的方法中构建基于时域连续变换的多样性人脸库的流程示意图。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例:
实施例一:
一种视频播放中的人脸识别方法,具体包括以下步骤:
S001:构建时序连续多样性的人脸库与特征库,如图2所示,具体包括以下步骤:
S001_1:首先准备N类的视频样本,例如N=1000,且每类样本视频数量不少于1个,每个视频中包含有不同角度,不同表情的人脸,并提前训练好一个人脸基础模型;
S001_2:对每个视频每帧图像,首先进行人脸检测与关键点定位,当检测到第一帧人脸图像,确认为当前目标的人脸,对齐人脸图像,并利用人脸基础模型进行特征提取;
S001_3:保存当前人脸对齐图像与特征到当前目标人脸库中;
S001_4:进行下一帧人脸图像检测与关键点定位,与目标人脸库中特征进行相似度比较,得出相似度值;
S001_5:阈值判断,如果相似度值在阈值范围内,则保存当前人脸对齐图像与特征到人脸库中,否则,丢弃当前人脸;其中,阈值判断标准可参考:0.3-0.9范围,如果相似度值小于0.3则认为识别到的人脸不是当前目标人脸,如果相似度值大于0.9,则识别到的人脸与人脸库中人脸太相近,这种两种情况都不利于训练深度学习模型故都应该丢弃识别到的人脸图像;
S001_6:循环S001_4至S001_5,直到当前目标人视频播放完成;
S002:改进深度学习人脸特征提取网络,训练深度学习人脸特征提取网络形成时域多变的人脸模型,包括以下步骤;
S002_1:改进深度学习人脸特征提取网络,将特征提取层修改为GDConv层,将GDConv层学习率调高,以加速训练;
本实施例中采取将提取特征的全连接层修改为GDConv(global depthwiseconvolution)全局池化层层,可有效学习不同区域的人脸特征,并降低模型复杂度,具体理由如下:
在全连接层中,假设特征提取层的输入为F:大小为W×H×M,其中W为特征图宽度,H为特征图的高度,M为特征图通道数,假设全连接层有F个节点,则参数量为:W×H×M×F;
若将全连接层转化为GAP(global average pooling)层,GAP层相比全连接层减少了大量参数的数量,它对输入特征图的每个通道求平均值,得到维的向量。在GAP层中是认为输入的特征图所有区域都同等重要,但事实上,输入特征图对于眼睛,鼻子,嘴巴等关键区域提取到的信息远远比背景等区域具有更重要的信息,他们是使得特征更具可分性的关键信息,然而GAP层并没有对这些信息进行权重的加持,因此,GAP得到的特征不够鲁棒,区分性不够好;
而本实施例中的GDConv层是指能自动学习不同区域权重的通道可分离的全局池化层,其参数量为:W×H×M,若GDConv层的输入为F,则输入大小为W×H×M,卷积核表示为K,其大小为W×H×M,输出设为G,其大小为1×1×M,则第m通道的元素为
故GDConv层对于眼睛等局部区域,能加强学习,得到的权重相较其他背景等边缘区域更大,因此,特征更加鲁棒,且相较全连接层,GDConv层的参数更少,因此GDConv层兼具了GAP层以及全连接层的优点,故在本实施例中将提取特征的全连接层修改为GDConv全局池化层层。
S002_2:将S001得到的时序连续变化多样性样本库加入深度学习人脸特征提取网络中,进行finetune微调训练;
S003:结合特征提取与模型分类进行人脸确认,具体步骤如下:
S003_1:特征提取与分类属同一个网络,即用一个网络完成特征提取于分类,采用大样本数据库训练好一个深度学习人脸特征提取网络,保持特征提取层以及前面的层参数不变,加入softmax分类器,训练N类别的时域多变的人脸模型;
S003_2:将当前帧人脸特征与特征库中人脸进行相似性比对,并进行人脸特征识别;
S003_3:根据N类别的时域多变的人脸模型将当前帧人脸进行分类确认,根据网络进行端到端的分类,采用softmax得到预测身份和预测值;
S003_4:结合特征比对结果与分类结果,确认当前人脸身份,如分类的top1与特征比对的结果一致,且预测值与特征相似度最高比值大于一定阈值,则确认当前帧人脸身份。
实施例二
如图1所示,一种视频播放中的人脸识别系统,在该系统中具体包括:人脸检测模块、样本库构建模块、CNN训练模块、人脸识别联合分类模块,人脸检测模块与样本库构建模块相连,样本库构建模块分别与CNN训练模块、人脸识别联合分类模块相连,CNN训练模块与人脸识别联合分类模块相连。
人脸检测模块用于对输入的视频进行基于深度学习的人脸检测并提取人脸特征,样本库构建模块主要用于构建基于时域连续变换的多样性人脸库,构建时其具体构建过程如下:
步骤一:构建N个人的短视频库,每人至少包含一个短视频,且短视频中包含有不同角度,不同表情的人脸,在每个短视频中,人脸检测模块检测人脸;
步骤二:确认当前人的第一帧人脸,在视频中检测到当前人的第一帧人脸,保存于样本库中;
步骤三:人脸检测模块继续检测下一帧人脸,并将检测到的第二帧人脸与库中的人脸进行特征比对,如果超出阈值范围,则丢弃,反之,则将当前帧人脸存入库中,形成新的人脸库;
步骤四:重复步骤三,不断更新当前人的人脸库,直到视频播放完;
步骤五:将库中存放的当前人的特征库组合起来即成为当前人的按时域连续变换的多角度多表情特征库。
CNN训练模块主要用于改进深度学习人脸特征提取网络,训练基于时域多变的深度学习模型,其具体步骤如下:
步骤一:输入为时域连续变换的连续帧人脸对齐图像;
步骤二:改进深度学习模型,将提取特征的全连接层修改为GDConv层,可有效学习不同区域的人脸特征,并降低模型复杂度。
人脸识别联合分类模块主要用于结合特征提取与分类进行人脸确认,具体包括以下步骤:
步骤一:用一个网络完成特征提取于分类,特征提取用于特征比对,并给出特征比对的结果,分类层采用softmax分类;
步骤二:根据构建时序连续变化多样性的人脸库,构建时序连续变化多样性人脸特征库;
步骤三:将当前帧人脸特征与特征库中人脸进行相似性比对,进行人脸特征识别;
步骤四:将当前帧人脸进行分类确认,根据网络进行端到端的分类,采用softmax得到预测身份和预测值;
步骤五:结合特征比对结果与分类结果,确认当前人脸身份。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种视频播放中的人脸识别方法,其特征在于,包括以下步骤:
A.构建基于时域连续变换的多样性人脸库;
B.改进深度学习人脸特征提取网络,根据时域连续变换的多样性人脸库训练基于时域多变的深度学习人脸特征提取网络形成时域多变的人脸模型;
C、结合特征提取与模型分类进行人脸确认;
所述步骤A具体包括:
A1.首先准备N类的视频样本,每个视频中包含有不同角度,不同表情的人脸,每类视频样本的数量不少于1个,并提前训练好一个人脸基础模型;
A2.对每个视频每帧图像,首先进行人脸检测与关键点定位,当检测到第一帧人脸图像,确认为当前目标的人脸,对齐人脸图像,并利用人脸基础模型进行特征提取;
A3.保存当前人脸对齐图像与特征到当前目标人脸库中;
A4.进行下一帧人脸图像检测与关键点定位,与目标人脸库中的特征进行相似度比较,得出相似度值;
A5.若得到的相似度值超出预设的相似度阈值范围,则丢弃,否则,则将检测到的当前帧人脸存入人脸库中;
A6.重复步骤A3至A5,不断更新当前人的人脸库,直到当前目标人的视频播放完毕;
A7.将人脸库中存放的当前人的人脸样本组合起来,成为当前人的按时域连续变换的多角度多表情特征库即所述基于时域连续变换的多样性人脸库;
所述步骤B具体包括:
B1.将步骤A得到的基于时域连续变换的多样性人脸库中的人脸图像加入深度学习人脸特征提取网络中进行finetune微调训练;
B2.改进深度学习人脸特征提取网络,将提取特征的全连接层修改为全局池化层,从而对人脸不同区域进行权重学习;
所述步骤C具体包括:
C1.采用大样本数据库训练好一个深度学习人脸特征提取网络,保持特征提取层以及前面的层参数不变,在同一个深度学习人脸特征提取网络完成人脸特征提取及分类并训练最后的分类层得到N类别的时域多变的人脸模型;
C2.将提取待确认视频中的当前帧人脸特征与时域连续变换的多样性人脸库中人脸特征进行相似性比对,进行人脸特征识别;
C3.根据N类别的时域多变的人脸模型将当前帧人脸进行分类确认,并得出预测身份和预测值;
C4.结合特征比对结果与分类结果,确认当前人脸身份。
2.根据权利要求1所述的一种视频播放中的人脸识别方法,其特征在于,所述步骤C3中进行分类时具体采用softmax分类。
3.一种视频播放中的人脸识别系统,其特征在于,包括人脸检测模块、样本库构建模块、CNN训练模块、人脸识别联合分类模块;
其中,所述人脸检测模块用于对输入的视频进行基于深度学习的人脸检测并提取人脸特征,且人脸检测模块与样本库构建模块相连,所述样本库构建模块用于根据人脸检测模块提取的人脸特征构建基于时域连续变换的多样性人脸库,样本库构建模块分别与CNN训练模块、人脸识别联合分类模块相连;CNN训练模块用于利用基于时域连续变换的多样性人脸库对人脸基础模型进行网络训练,且CNN训练模块与人脸识别联合分类模块相连;人脸识别联合分类模块用于提取视频中的人脸特征并将提取的特征与人脸库的特征进行比对及进行模型分类从而进行人脸确认;
所述构建基于时域连续变换的多样性人脸库的方法包括:
A1.首先准备N类的视频样本,每个视频中包含有不同角度,不同表情的人脸,每类视频样本的数量不少于1个,并提前训练好一个人脸基础模型;
A2.对每个视频每帧图像,首先进行人脸检测与关键点定位,当检测到第一帧人脸图像,确认为当前目标的人脸,对齐人脸图像,并利用人脸基础模型进行特征提取;
A3.保存当前人脸对齐图像与特征到当前目标人脸库中;
A4.进行下一帧人脸图像检测与关键点定位,与目标人脸库中的特征进行相似度比较,得出相似度值;
A5.若得到的相似度值超出预设的相似度阈值范围,则丢弃,否则,则将检测到的当前帧人脸存入人脸库中;
A6.重复步骤A3至A5,不断更新当前人的人脸库,直到当前目标人的视频播放完毕;
A7.将人脸库中存放的当前人的人脸样本组合起来,成为当前人的按时域连续变换的多角度多表情特征库即所述基于时域连续变换的多样性人脸库;
所述基于时域连续变换的多样性人脸库对人脸基础模型进行网络训练的方法包括:
B1.将步骤A得到的基于时域连续变换的多样性人脸库中的人脸图像加入深度学习人脸特征提取网络中进行finetune微调训练;
B2.改进深度学习人脸特征提取网络,将提取特征的全连接层修改为全局池化层,从而对人脸不同区域进行权重学习;
所述提取视频中的人脸特征并将提取的特征与人脸库的特征进行比对及进行模型分类从而进行人脸确认的方法包括:
C1.采用大样本数据库训练好一个深度学习人脸特征提取网络,保持特征提取层以及前面的层参数不变,在同一个深度学习人脸特征提取网络完成人脸特征提取及分类并训练最后的分类层得到N类别的时域多变的人脸模型;
C2.将提取待确认视频中的当前帧人脸特征与时域连续变换的多样性人脸库中人脸特征进行相似性比对,进行人脸特征识别;
C3.根据N类别的时域多变的人脸模型将当前帧人脸进行分类确认,并得出预测身份和预测值;
C4.结合特征比对结果与分类结果,确认当前人脸身份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026538.4A CN109190561B (zh) | 2018-09-04 | 2018-09-04 | 一种视频播放中的人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026538.4A CN109190561B (zh) | 2018-09-04 | 2018-09-04 | 一种视频播放中的人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190561A CN109190561A (zh) | 2019-01-11 |
CN109190561B true CN109190561B (zh) | 2022-03-22 |
Family
ID=64914297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811026538.4A Active CN109190561B (zh) | 2018-09-04 | 2018-09-04 | 一种视频播放中的人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190561B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948447B (zh) * | 2019-02-21 | 2023-08-25 | 山东科技大学 | 基于视频图像识别的人物网络关系发现及演化呈现方法 |
CN110245622A (zh) * | 2019-06-18 | 2019-09-17 | 青岛中科福田科技有限公司 | 一种人脸识别方法、装置及设备 |
CN110633627A (zh) * | 2019-08-01 | 2019-12-31 | 平安科技(深圳)有限公司 | 在视频中定位对象的方法、装置、计算机设备及存储介质 |
CN111126346A (zh) * | 2020-01-06 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 脸部识别方法、分类模型的训练方法、装置和存储介质 |
CN111325139B (zh) * | 2020-02-18 | 2023-08-04 | 浙江大华技术股份有限公司 | 一种唇语识别方法及装置 |
CN111582224A (zh) * | 2020-05-19 | 2020-08-25 | 湖南视觉伟业智能科技有限公司 | 人脸识别系统及方法 |
CN111860165B (zh) * | 2020-06-18 | 2023-11-03 | 盛视科技股份有限公司 | 一种基于视频流的动态人脸识别方法和装置 |
CN114387553B (zh) * | 2022-01-18 | 2024-03-22 | 桂林电子科技大学 | 一种基于帧结构感知聚合的视频人脸识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360421A (zh) * | 2011-10-19 | 2012-02-22 | 苏州大学 | 一种基于视频流的人脸识别方法及系统 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
CN106845357A (zh) * | 2016-12-26 | 2017-06-13 | 银江股份有限公司 | 一种基于多通道网络的视频人脸检测和识别方法 |
CN107958244A (zh) * | 2018-01-12 | 2018-04-24 | 成都视观天下科技有限公司 | 一种基于视频多帧人脸特征融合的人脸识别方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605969B (zh) * | 2013-11-28 | 2018-10-09 | Tcl集团股份有限公司 | 一种人脸录入的方法及装置 |
CN103778409A (zh) * | 2014-01-02 | 2014-05-07 | 深圳市元轩科技发展有限公司 | 基于人脸特征数据挖掘的人脸识别方法与装置 |
CN104008370B (zh) * | 2014-05-19 | 2017-06-13 | 清华大学 | 一种视频人脸识别方法 |
CN104765768B (zh) * | 2015-03-09 | 2018-11-02 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
US9805252B2 (en) * | 2015-05-15 | 2017-10-31 | Toshiba Tec Kabushiki Kaisha | Video based facial recognition for customer verification at touchless checkout |
CN106295482B (zh) * | 2015-06-11 | 2019-10-29 | 中移信息技术有限公司 | 一种人脸数据库的更新方法及装置 |
CN105631408B (zh) * | 2015-12-21 | 2019-12-27 | 小米科技有限责任公司 | 基于视频的面孔相册处理方法和装置 |
CN106022220B (zh) * | 2016-05-09 | 2020-02-28 | 北京河马能量体育科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
CN107766774A (zh) * | 2016-08-17 | 2018-03-06 | 鸿富锦精密电子(天津)有限公司 | 人脸识别系统及方法 |
US10089521B2 (en) * | 2016-09-02 | 2018-10-02 | VeriHelp, Inc. | Identity verification via validated facial recognition and graph database |
CN106815566B (zh) * | 2016-12-29 | 2021-04-16 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
CN107122751B (zh) * | 2017-05-03 | 2020-12-29 | 电子科技大学 | 一种基于人脸对齐的人脸跟踪和人脸图像捕获方法 |
-
2018
- 2018-09-04 CN CN201811026538.4A patent/CN109190561B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360421A (zh) * | 2011-10-19 | 2012-02-22 | 苏州大学 | 一种基于视频流的人脸识别方法及系统 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
CN106845357A (zh) * | 2016-12-26 | 2017-06-13 | 银江股份有限公司 | 一种基于多通道网络的视频人脸检测和识别方法 |
CN107958244A (zh) * | 2018-01-12 | 2018-04-24 | 成都视观天下科技有限公司 | 一种基于视频多帧人脸特征融合的人脸识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于视频流的人体目标检测与行为识别研究;付朝霞;《中国博士学位论文全文数据库 信息科技辑》;20141215(第12期);第I138-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109190561A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190561B (zh) | 一种视频播放中的人脸识别方法及系统 | |
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN108932500B (zh) | 一种基于深度神经网络的动态手势识别方法及系统 | |
CN108830252B (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
WO2020108362A1 (zh) | 人体姿态检测方法、装置、设备及存储介质 | |
CN110889672B (zh) | 一种基于深度学习的学生打卡及上课状态的检测系统 | |
CN112784763B (zh) | 基于局部与整体特征自适应融合的表情识别方法及系统 | |
CN108038420B (zh) | 一种基于深度视频的人体行为识别方法 | |
CN100573548C (zh) | 跟踪双手运动的方法和设备 | |
CN110717411A (zh) | 一种基于深层特征融合的行人重识别方法 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN110298343A (zh) | 一种手写黑板板书识别方法 | |
CN108399435B (zh) | 一种基于动静特征的视频分类方法 | |
CN113673510B (zh) | 一种结合特征点和锚框共同预测和回归的目标检测方法 | |
CN109086659B (zh) | 一种基于多模道特征融合的人体行为识别方法和装置 | |
CN113657414B (zh) | 一种物体识别方法 | |
CN113705349A (zh) | 一种基于视线估计神经网络的注意力量化分析方法及系统 | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN107609509A (zh) | 一种基于运动显著性区域检测的动作识别方法 | |
CN113298018A (zh) | 基于光流场和脸部肌肉运动的假脸视频检测方法及装置 | |
Wang et al. | Yolov5 enhanced learning behavior recognition and analysis in smart classroom with multiple students | |
Al-Obodi et al. | A Saudi Sign Language recognition system based on convolutional neural networks | |
CN111144469B (zh) | 基于多维关联时序分类神经网络的端到端多序列文本识别方法 | |
CN111881732A (zh) | 一种基于svm的人脸质量评价方法 |
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 |