CN109344909A - 一种基于多通道卷积神经网络的身份识别方法 - Google Patents

一种基于多通道卷积神经网络的身份识别方法 Download PDF

Info

Publication number
CN109344909A
CN109344909A CN201811274782.2A CN201811274782A CN109344909A CN 109344909 A CN109344909 A CN 109344909A CN 201811274782 A CN201811274782 A CN 201811274782A CN 109344909 A CN109344909 A CN 109344909A
Authority
CN
China
Prior art keywords
target
neural networks
channel
neural network
convolutional neural
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
Application number
CN201811274782.2A
Other languages
English (en)
Inventor
代豪
黄紫丞
林立强
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.)
Mica (guangxi) Network Technology Co Ltd
Original Assignee
Mica (guangxi) Network Technology Co Ltd
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 Mica (guangxi) Network Technology Co Ltd filed Critical Mica (guangxi) Network Technology Co Ltd
Priority to CN201811274782.2A priority Critical patent/CN109344909A/zh
Publication of CN109344909A publication Critical patent/CN109344909A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities

Abstract

本发明公开了一种基于多通道卷积神经网络的身份识别方法，包括训练神经网络和身份识别步骤，采用正面图像、侧面剪影图像和垂直投影图像三个正交视角的时间同步图像进行综合训练和识别，很好地避免了单一视角欺骗，具有较高的识别精度和抗干扰能力；本发明方法通过一个全连接层将三个通道的特征数据加权连接，并通过多个卷积层、池化层获取图像特征数据，最后由分类器得出类别概率，提取最大概率与设定阈值进行对比确定识别结果。通过多个视角通道提取更全面的人体特征，配合多通道的神经网络模型，能更好的糅合人体多个角度的特征，泛化能力更好，从而实现较好的识别效果。

Description

一种基于多通道卷积神经网络的身份识别方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于多通道卷积神经网络的身份识别方法。
背景技术
随着人工智能技术的不断发展，人脸识别技术日趋成熟，人脸识别由于具有非强制性、非接触性、操作简单、结果直观、隐蔽性好等特点已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。但由于人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，因而目前人脸识别技术也存在不少局限性。此外，人脸识别还容易受各种外界环境及干扰条件的影响，比如人像的采集对周围的光线环境敏感，光线不同很大程度上会影响识别的准确性，而人体面部的头发、胡须、各种饰物等遮挡物以及人脸变老等因素也对识别率有较大影响。
卷积神经网络(Convolutional Neural Network，CNN)是近年发展起来，并引起广泛重视的一种高效识别方法。目前卷积神经网络是各种深度神经网络中应用最广泛的一种，并在机器视觉、计算机图形学、自然语言处理等诸多领域得到了成功的应用，特别是在机器视觉的很多问题上都取得了当前最好的效果。卷积神经网络以其局部权值共享的特殊结构，使其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
发明内容
针对现有人脸识别技术的缺陷与不足，本发明提出一种基于多通道卷积神经网络的身份识别方法，在识别过程中采用正面图像、侧面剪影图像和垂直投影图像三个视角的时间同步图像进行综合识别，提高了身份识别的准确性与识别效率。
为实现以上发明目的，采用的技术方案是：
一种基于多通道卷积神经网络的身份识别方法，包括以下步骤：
S1：神经网络训练：
S11：图像获取与标记：对摄像头采集的目标的正面图像、侧面剪影图像和垂直投影图像进行读取，采用逐步读取的方式，将图像数据缓存进内存中，并完成注册目标标记；
S12：训练神经网络：重复选取不同的时间同步图像组输入卷积神经网络进行训练，得到训练好的神经网络；所述时间同步图像组为同一时刻采集到的同一目标的正面图像、侧面剪影图像和垂直投影图像的图像集合；
S2：身份识别：
S21：采集待识别目标的正面图像、侧面剪影图像和垂直投影图像的时间同步图像组；
S22：将待识别目标的时间同步图像组输入训练好的神经网络，计算待识别目标与己注册目标特征的相似度，依据相似度的大小进行身份预测，并输出识别结果。
优选地，所述卷积神经网络拥有针对不同图像的多通道，每个通道包含一个特征提取模块和一个感知模块。
优选地，所述步骤S12具体如下：
S121：通过卷积神经网络通道1的特征提取模块提取注册目标正面图像的人体特征，包括人脸和耳朵特征序列，分别输入到卷积神经网络通道1的感知模块计算出预测结果；
S122：通过卷积神经网络通道2的特征提取模块提取注册目标侧面剪影图像的人体特征，包括耳朵和人体姿态特征序列，分别输入到卷积神经网络通道2的感知模块计算出预测结果；
S123：通过卷积神经网络通道3的特征提取模块提取注册目标垂直投影图像的人体特征，包括肩膀、人体前后厚度和人体姿态特征序列，分别输入到卷积神经网络通道3的感知模块计算出预测结果；
S124：分别计算卷积神经网络3个通道输出的预测结果跟真实结果的误差，并按照参数梯度计算误差的值，逐层调整输出的卷积神经网络，完成卷积神经网络的更新；
S125：将步骤S121、S122和S123的预测结果输入整体模型中，所述整体模型为：一个全连接层、两个卷积层（包含失活层处理）和两个池化层，将三个通道的预测特征数据经过全连接层加权连接汇合后，经过卷积、池化计算得出综合特征数据，再将综合特征数据输入分类器，得出每一个类别的概率，并根据所得最大概率得出目标预测结果，将目标预测结果跟实际结果比较，再根据差异结果按照梯度下降法反向修正神经网络的参数，直至目标预测结果跟实际结果的差异小于预期值；
S126：重复S121至S125步骤，直至目标预测结果跟实际结果的误差达到预期，即完成训练，记录卷积神经网络的参数写入配置文件，得到训练好的神经网络。
优选地，所述步骤S22具体如下：
S221：通过卷积神经网络通道1的特征提取模块提取待识别目标正面图像的人体特征，包括人脸和耳朵特征序列，分别输入到训练好的卷积神经网络通道1的感知模块，输出目标的身份特征数据1；
S222：通过卷积神经网络通道2的特征提取模块提取待识别目标侧面剪影图像的人体特征，包括耳朵和人体姿态特征序列，分别输入到训练好的卷积神经网络通道2的感知模块，输出目标的身份特征数据2；
S223：通过卷积神经网络通道3的特征提取模块提取待识别目标垂直投影图像的人体特征，包括肩膀、人体前后厚度和人体姿态特征序列，分别输入到训练好的卷积神经网络通道3的感知模块，输出目标的身份特征数据3；
S224：计算S221，S222和S223步骤输出的结果，将所述数据1、数据2和数据3进行加权融合及卷积、池化计算，得出综合特征数据，依据所述综合特征数据计算出类别概率，取出最大概率，所述最大概率大于设定的阈值即认为目标识别正确。
优选地，所述步骤S12还包括分类预处理步骤，采用聚类方法对训练的图像样本进行分类预处理，预处理输出的结果为通道1、通道2和通道3的初始化参数。
优选地，所述步骤S124采用反向修正的训练方式，将计算输出的预测结果跟真实结果比较，然后按照参数计算最大的调整方向，调整该层的参数，然后计算下一层的最大调整方向，再调整该层的参数，如此循环，直至计算的结果跟预期的真实结果的差值小于预期的值。
优选地，所述通道1、通道2和通道3的权重依次减小。
优选地，所述步骤S21之前还包括：判断摄像头视野内是否有多个目标重合，如有重合，将视野内的目标进行排序分离，把第一个目标分割出来，所述第一个目标为距离相机最近的目标；所述正面图像、侧面剪影图像和垂直投影图像数据通过时间同步和行人通道相同来同步定位到同一个目标。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明基于多通道卷积神经网络的身份识别方法，在识别过程中采用正面图像、侧面剪影图像和垂直投影图像三个正交视角的时间同步图像进行综合识别，多个视角的动态采集，能够较好地判断目标的整体动作及所有部位，很好地避免了单一视角欺骗，例如由于表情、遮挡和光线等因素造成的识别误判，因而具有较高的识别精度和抗干扰能力，有效降低了现有人脸识别的误判率。
（2）本发明提出的基于多通道卷积神经网络的身份识别方法，通过一个全连接层将三个通道的特征数据加权连接，三个通道的权重依次减小加快了训练过程和提高了识别效率，并通过多个卷积层、池化层获取图像特征数据，最后由分类器得出类别概率，提取最大概率与设定阈值进行对比确定识别结果。通过多个视角通道提取更全面的人体特征，配合多通道的神经网络模型，能更好的糅合人体多个角度的特征，泛化能力更好，从而实现较好的识别效果。
附图说明
图1是本发明基于多通道卷积神经网络的身份识别方法流程图。
图2是本发明多通道卷积神经网络的框架构建示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图1是本发明基于多通道卷积神经网络的身份识别方法流程图，图2是本发明多通道卷积神经网络的框架构建示意图。以下结合图1和图2对本发明基于多通道卷积神经网络的身份识别方法步骤详细说明如下：
S1：神经网络训练：
S11：对摄像头采集的目标的正面图像、侧面剪影图像和垂直投影图像进行读取，采用逐步读取的方式，将图像数据缓存进内存中，并完成注册目标标记；正面图像、侧面剪影图像和垂直投影图像为相互垂直的三个正交视角的图像，应确保三个正交视角的摄像头能够同步采集，每个摄像头的帧率、分辨率应设置一致。
S12：训练神经网络：重复选取不同的时间同步图像组输入卷积神经网络进行训练，时间同步图像组为同一时刻采集到的同一目标的正面图像、侧面剪影图像和垂直投影图像的图像集合，例如将正面图像、侧面剪影图像和垂直投影图像分别标记为Fr、Pr和Vr，在各个不同时刻T1、T2……Tn采集到的目标A的正面图像、侧面剪影图像和垂直投影图像的图像集合分别标记为A-T1（Fr1，Pr1，Vr1），A-T2（Fr2，Pr2，Vr2）……A-Tn（Frn，Prn，Vrn），重复选取这些同步图像集合输入卷积神经网络进行训练；其他注册目标例如目标B、C和D等，训练过程类似。
卷积神经网络拥有针对不同图像的多个通道，通道1、通道2和通道3分别对应处理正面图像、侧面剪影图像和垂直投影图像，每个通道包含一个特征提取模块和一个感知模块。为了加速训练的收敛，采用聚类方法对训练的图像样本进行分类预处理，预处理输出的结果为通道1、通道2和通道3的初始化参数。
更为具体地，包括以下步骤：
S121：通过卷积神经网络通道1的特征提取模块提取注册目标正面图像的人体特征，包括人脸和耳朵特征序列，分别输入到卷积神经网络通道1的感知模块计算出预测结果；具体的，图片在进入特征提取模块前，先对图片进行人的整体头部区域（包含人脸和耳朵区域）检测，将检测的头部区域归一化（缩放到180*180的分辨率），再将归一化后的图片输入卷积神经网络，神经网络结构为24层卷积网络，其中前面20层为卷积核3x3的卷积网络，最后的4层为全连接层，输出的是目标正面图像的人体特征数据，输出的预测结果为512维的数据，每个维度的数据两两正交；
S122：通过卷积神经网络通道2的特征提取模块提取注册目标侧面剪影图像的人体特征，包括耳朵和人体姿态特征序列，分别输入到卷积神经网络通道2的感知模块计算出预测结果；具体的，神经网络通道2的结构为24层卷积网络，6层池化层，2层失活层，总共32层；输出的预测结果为目标侧面剪影的人体特征，一共512维两两正交的数据；
S123：通过卷积神经网络通道3的特征提取模块提取注册目标垂直投影图像的人体特征，包括肩膀、人体前后厚度和人体姿态特征序列，分别输入到卷积神经网络通道3的感知模块计算出预测结果；具体的，神经网络通道3的结构为16层卷积网络，6层池化层，2层失活层，总共有24层；输出的预测结果为目标垂直投影的人体特征，一共512维两两正交的数据；
S124：分别计算卷积神经网络3个通道输出的预测结果跟真实结果的误差，并按照参数梯度计算误差的值，逐层调整输出的卷积神经网络，完成卷积神经网络的更新；具体地，采用反向修正的训练方式，将计算输出的预测结果跟真实结果比较，然后按照参数计算最大的调整方向，调整该层的参数，然后计算下一层的最大调整方向，再调整该层的参数，如此循环，直至计算的结果跟预期的真实结果的差值小于预期值；
S125：将步骤S121、S122和S123的预测结果输入整体模型中，整体模型为：一个全连接层、两个卷积层（包含失活层处理）和两个池化层，通道1、通道2和通道3的权重依次减小，3个通道的权重依次减小有利于加快训练过程，将三个通道的特征数据经过全连接层加权连接汇合后，再经过两个卷积层（包含失活层处理）和两个池化层，卷积层和池化层前后交叉分布，即卷积层的输出作为池化层的输入，经卷积、池化计算得出综合特征数据，再将综合特征数据输入分类器，得出每一个类别的概率，并根据所得最大概率得出目标预测结果，将目标预测结果跟实际结果比较，再根据差异结果按照梯度下降法反向修正神经网络的参数，直至目标预测结果跟实际结果的差异小于预期值；
S126：重复S121至S125步骤，直至目标预测结果跟实际结果的误差达到预期，即完成训练，记录卷积神经网络的参数写入配置文件，得到训练好的神经网络。
S2：身份识别：
S21：采集待识别目标的正面图像、侧面剪影图像和垂直投影图像的时间同步图像组，每个视角的摄像头采集的图像设置为640*480的分辨率；
S22：将待识别目标的时间同步图像组输入已训练好的神经网络，计算待识别目标与己注册目标特征的相似度，依据相似度的大小进行身份预测，并输出识别结果。更为具体地，包括以下步骤：
S221：通过卷积神经网络通道1的特征提取模块提取待识别目标正面图像的人体特征，包括人脸和耳朵特征序列，分别输入到训练好的卷积神经网络通道1的感知模块，输出目标的身份特征数据1，一共有512维，每两维数据两两正交；具体地，图片在进入特征提取模块前，先对图片进行人的整体头部区域（包含人脸和耳朵区域）检测，将检测的头部区域归一化（缩放到180*180的分辨率），再将归一化后的图片输入24层的卷积神经网络，输出目标的身份特征数据1；
S222：通过卷积神经网络通道2的特征提取模块提取待识别目标侧面剪影图像的人体特征，包括耳朵和人体姿态特征序列，分别输入到训练好的卷积神经网络通道2的感知模块，具体地，激活处理将图像输入到 32层的神经网络进行特征提取，输出目标的身份特征数据2，神经网络输出为512维数据，512维的数据每两维都是两两正交；
S223：通过卷积神经网络通道3的特征提取模块提取待识别目标垂直投影图像的人体特征，包括肩膀、人体前后厚度和人体姿态特征序列，分别输入到训练好的卷积神经网络通道3的感知模块，具体地，激活处理将图像输入到 24层的神经网络进行特征提取，输出目标的身份特征数据3；神经网络输出为512维数据，512维的数据每两维都是两两正交；
S224：计算S221，S222和S223步骤输出的结果，将身份特征数据1、身份特征数据2和身份特征数据3进行加权融合及卷积、池化，计算得出综合特征数据，再将综合特征数据输入分类器，得出每一个类别的概率，将所有概率中最大的概率取出来，并且最大概率大于设定的阈值即认为识别正确；具体的，阈值设置为0.95，可以根据具体的要求进行微调，阈值越大准确度越高。
考虑到摄像头视野内会有多个目标重合的情况，在步骤S21之前还包括：分割第一个人步骤，首先判断摄像头视野内是否有多个目标重合，如有重合，将视野内的目标进行排序分离，把距离相机最近的目标作为目标第一个人分割出来，更为具体地，通过获取正面图像，检测正面图像中的目标，采用目标检测模型分割出第一个人的轮廓图像，然后将轮廓图像跟原图像进行与运算，去掉背景得出第一个人的整体区域图像；找出第一个人后，即采集第一个人的时间同步图像组输入到训练好的神经网络进行身份识别；正面图像、侧面剪影图像和垂直投影图像数据通过时间同步和行人通道相同来同步定位到同一个人，即在同一个时刻，三个正交视角的摄像头采集到的同一行人通道的图像将其同步定位于同一个人的图像。
由以上技术方案可知，本发明基于多通道卷积神经网络的身份识别方法，在识别过程中采用目标的正面图像、侧面剪影图像和垂直投影图像三个正交视角的时间同步图像进行综合识别，多个视角的动态采集，能够较好地判断目标的整体动作及所有部位，很好地避免了单一视角欺骗，例如由于表情、遮挡和光线等因素造成的识别误判，因而具有较高的识别精度和抗干扰能力，有效地降低了现有人脸识别的误判率。
本发明提出的基于多通道卷积神经网络的身份识别方法，通过一个全连接层将三个通道的特征数据加权连接，三个通道的权重依次减小加快了训练过程和提高了识别效率，并通过多个卷积层、池化层获取图像特征数据，最后由分类器得出类别概率，提取最大概率与设定阈值进行对比确定识别结果。通过多个视角通道提取更全面的人体特征，配合多通道的神经网络模型，能更好的糅合人体多个角度的特征，泛化能力更好，从而实现较好的识别效果。
本发明方法可广泛应用于配备视频监控的场景，例如地铁、商场等需要安全监控、人员识别及嫌犯预测等场合。
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，然而并发明并不局限于此。凡在本发明的精神和原则之内，所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围内。

Claims (8)

1.一种基于多通道卷积神经网络的身份识别方法，其特征在于，包括以下步骤：
S1：神经网络训练：
S11：图像获取与标记：对摄像头采集的目标的正面图像、侧面剪影图像和垂直投影图像进行读取，采用逐步读取的方式，将图像数据缓存进内存中，并完成注册目标标记；
S12：训练神经网络：重复选取不同的时间同步图像组输入卷积神经网络进行训练，得到训练好的神经网络；所述时间同步图像组为同一时刻采集到的同一目标的正面图像、侧面剪影图像和垂直投影图像的图像集合；
S2：身份识别：
S21：采集待识别目标的正面图像、侧面剪影图像和垂直投影图像的时间同步图像组；
S22：将待识别目标的时间同步图像组输入训练好的神经网络，计算待识别目标与己注册目标特征的相似度，依据相似度的大小进行身份预测，并输出识别结果。
2.根据权利要求1所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述卷积神经网络拥有针对不同图像的多通道，每个通道包含一个特征提取模块和一个感知模块。
3.根据权利要求2所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述步骤S12具体如下：
S121：通过卷积神经网络通道1的特征提取模块提取注册目标正面图像的人体特征，包括人脸和耳朵特征序列，分别输入到卷积神经网络通道1的感知模块计算出预测结果；
S122：通过卷积神经网络通道2的特征提取模块提取注册目标侧面剪影图像的人体特征，包括耳朵和人体姿态特征序列，分别输入到卷积神经网络通道2的感知模块计算出预测结果；
S123：通过卷积神经网络通道3的特征提取模块提取注册目标垂直投影图像的人体特征，包括肩膀、人体前后厚度和人体姿态特征序列，分别输入到卷积神经网络通道3的感知模块计算出预测结果；
S124：分别计算卷积神经网络3个通道输出的预测结果跟真实结果的误差，并按照参数梯度计算误差的值，逐层调整输出的卷积神经网络，完成卷积神经网络的更新；
S125：将步骤S121、S122和S123的预测结果输入整体模型中，所述整体模型为：一个全连接层、两个卷积层（包含失活层处理）和两个池化层，将三个通道的预测特征数据经过全连接层加权连接汇合后，经过卷积、池化计算得出综合特征数据，再将综合特征数据输入分类器，得出每一个类别的概率，并根据所得最大概率得出目标预测结果，将目标预测结果跟实际结果比较，再根据差异结果按照梯度下降法反向修正神经网络的参数，直至目标预测结果跟实际结果的差异小于预期值；
S126：重复S121至S125步骤，直至目标预测结果跟实际结果的误差达到预期，即完成训练，记录卷积神经网络的参数写入配置文件，得到训练好的神经网络。
4.根据权利要求3所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述步骤S22具体如下：
S221：通过卷积神经网络通道1的特征提取模块提取待识别目标正面图像的人体特征，包括人脸和耳朵特征序列，分别输入到训练好的卷积神经网络通道1的感知模块，输出目标的身份特征数据1；
S222：通过卷积神经网络通道2的特征提取模块提取待识别目标侧面剪影图像的人体特征，包括耳朵和人体姿态特征序列，分别输入到训练好的卷积神经网络通道2的感知模块，输出目标的身份特征数据2；
S223：通过卷积神经网络通道3的特征提取模块提取待识别目标垂直投影图像的人体特征，包括肩膀、人体前后厚度和人体姿态特征序列，分别输入到训练好的卷积神经网络通道3的感知模块，输出目标的身份特征数据3；
S224：计算S221，S222和S223步骤输出的结果，将所述数据1、数据2和数据3进行加权融合及卷积、池化计算，得出综合特征数据，依据所述综合特征数据计算出类别概率，取出最大概率，所述最大概率大于设定的阈值即认为目标识别正确。
5.根据权利要求3所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述步骤S12还包括分类预处理步骤，采用聚类方法对训练的图像样本进行分类预处理，预处理输出的结果为通道1、通道2和通道3的初始化参数。
6.根据权利要求3所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述步骤S124采用反向修正的训练方式，将计算输出的预测结果跟真实结果比较，然后按照参数计算最大的调整方向，调整该层的参数，然后计算下一层的最大调整方向，再调整该层的参数，如此循环，直至计算的结果跟预期的真实结果的差值小于预期的值。
7.根据权利要求4所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述通道1、通道2和通道3的权重依次减小。
8.根据权利要求1所述的一种基于多通道卷积神经网络的身份识别方法，其特征在于，所述步骤S21之前还包括：判断摄像头视野内是否有多个目标重合，如有重合，将视野内的目标进行排序分离，把第一个目标分割出来，所述第一个目标为距离相机最近的目标；所述正面图像、侧面剪影图像和垂直投影图像数据通过时间同步和行人通道相同来同步定位到同一个目标。
CN201811274782.2A 2018-10-30 2018-10-30 一种基于多通道卷积神经网络的身份识别方法 Pending CN109344909A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811274782.2A CN109344909A (zh) 2018-10-30 2018-10-30 一种基于多通道卷积神经网络的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811274782.2A CN109344909A (zh) 2018-10-30 2018-10-30 一种基于多通道卷积神经网络的身份识别方法

Publications (1)

Publication Number Publication Date
CN109344909A true CN109344909A (zh) 2019-02-15

Family

ID=65311050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811274782.2A Pending CN109344909A (zh) 2018-10-30 2018-10-30 一种基于多通道卷积神经网络的身份识别方法

Country Status (1)

Country Link
CN (1) CN109344909A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119692A (zh) * 2019-04-19 2019-08-13 华南理工大学 一种基于双摄像头的平面人像检测方法
CN111079863A (zh) * 2019-12-31 2020-04-28 重庆青信科技有限公司 利用能谱曲线统计指纹识别病灶组织的系统
CN111488856A (zh) * 2020-04-28 2020-08-04 江西吉为科技有限公司 一种基于正交引导学习的多模态2d及3d人脸表情识别
CN112766759A (zh) * 2021-01-25 2021-05-07 深圳市广程杰瑞科技有限公司 物流企业的加油管理方法及系统
CN114463685A (zh) * 2022-02-15 2022-05-10 平安科技（深圳）有限公司 行为识别方法、装置、电子设备及存储介质
CN114916928A (zh) * 2022-05-12 2022-08-19 电子科技大学 一种人体姿态多通道卷积神经网络检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1304114A (zh) * 1999-12-13 2001-07-18 中国科学院自动化研究所 基于多生物特征的身份鉴定融合方法
CN104299012A (zh) * 2014-10-28 2015-01-21 中国科学院自动化研究所 一种基于深度学习的步态识别方法
CN105224911A (zh) * 2015-08-27 2016-01-06 湖北文理学院 一种多视角实时行人检测方法及系统
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
CN107799165A (zh) * 2017-09-18 2018-03-13 华南理工大学 一种基于虚拟现实技术的心理评估方法
CN108197587A (zh) * 2018-01-18 2018-06-22 中科视拓（北京）科技有限公司 一种通过人脸深度预测进行多模态人脸识别的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1304114A (zh) * 1999-12-13 2001-07-18 中国科学院自动化研究所 基于多生物特征的身份鉴定融合方法
CN104299012A (zh) * 2014-10-28 2015-01-21 中国科学院自动化研究所 一种基于深度学习的步态识别方法
CN105224911A (zh) * 2015-08-27 2016-01-06 湖北文理学院 一种多视角实时行人检测方法及系统
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
CN107799165A (zh) * 2017-09-18 2018-03-13 华南理工大学 一种基于虚拟现实技术的心理评估方法
CN108197587A (zh) * 2018-01-18 2018-06-22 中科视拓（北京）科技有限公司 一种通过人脸深度预测进行多模态人脸识别的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨天明等: ""基于视频深度学习的时空双流人物动作识别模型"", 《计算机应用》 *
王洋: ""基于卷积神经网络的身份识别技术研究与应用"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119692A (zh) * 2019-04-19 2019-08-13 华南理工大学 一种基于双摄像头的平面人像检测方法
CN111079863A (zh) * 2019-12-31 2020-04-28 重庆青信科技有限公司 利用能谱曲线统计指纹识别病灶组织的系统
CN111079863B (zh) * 2019-12-31 2023-05-19 重庆青信科技有限公司 利用能谱曲线统计指纹识别病灶组织的系统
CN111488856A (zh) * 2020-04-28 2020-08-04 江西吉为科技有限公司 一种基于正交引导学习的多模态2d及3d人脸表情识别
CN111488856B (zh) * 2020-04-28 2023-04-18 江西吉为科技有限公司 一种基于正交引导学习的多模态2d及3d人脸表情识别方法
CN112766759A (zh) * 2021-01-25 2021-05-07 深圳市广程杰瑞科技有限公司 物流企业的加油管理方法及系统
CN112766759B (zh) * 2021-01-25 2022-06-17 深圳市广程杰瑞科技有限公司 物流企业的加油管理方法及系统
CN114463685A (zh) * 2022-02-15 2022-05-10 平安科技（深圳）有限公司 行为识别方法、装置、电子设备及存储介质
CN114916928A (zh) * 2022-05-12 2022-08-19 电子科技大学 一种人体姿态多通道卷积神经网络检测方法
CN114916928B (zh) * 2022-05-12 2023-08-04 电子科技大学 一种人体姿态多通道卷积神经网络检测方法

Similar Documents

Publication Publication Date Title
CN109344909A (zh) 一种基于多通道卷积神经网络的身份识别方法
CN109409297A (zh) 一种基于双通道卷积神经网络的身份识别方法
Wang et al. Detecting faces using region-based fully convolutional networks
CN107609497B (zh) 基于视觉跟踪技术的实时视频人脸识别方法及系统
US11315345B2 (en) Method for dim and small object detection based on discriminant feature of video satellite data
US11594074B2 (en) Continuously evolving and interactive Disguised Face Identification (DFI) with facial key points using ScatterNet Hybrid Deep Learning (SHDL) network
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN112766159A (zh) 一种基于多特征融合的跨数据库微表情识别方法
CN102902986A (zh) 自动性别识别系统及方法
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN103136516A (zh) 可见光与近红外信息融合的人脸识别方法及系统
CN106650574A (zh) 基于PCANet的人脸识别方法
CN113537027B (zh) 基于面部划分的人脸深度伪造检测方法及系统
CN113963032A (zh) 一种融合目标重识别的孪生网络结构目标跟踪方法
CN108647621A (zh) 一种基于人脸识别的视频分析处理系统及方法
Xia et al. Face occlusion detection using deep convolutional neural networks
Saleem et al. Face recognition using facial features
Gürel et al. Design of a face recognition system
CN113221655B (zh) 基于特征空间约束的人脸欺骗检测方法
Hsiao et al. EfficientNet based iris biometric recognition methods with pupil positioning by U-net
Symeonidis et al. Neural attention-driven non-maximum suppression for person detection
El-Naggar et al. Ear detection in the wild using faster R-CNN deep learning
CN112069898A (zh) 基于迁移学习人脸族群属性的识别方法及装置
CN111694980A (zh) 一种鲁棒的家庭儿童学习状态视觉监督方法及装置
Karungaru et al. Face recognition in colour images using neural networks and genetic algorithms

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190215

WD01 Invention patent application deemed withdrawn after publication