CN109360183B - 一种基于卷积神经网络的人脸图像质量评估方法和系统 - Google Patents
一种基于卷积神经网络的人脸图像质量评估方法和系统 Download PDFInfo
- Publication number
- CN109360183B CN109360183B CN201810946637.8A CN201810946637A CN109360183B CN 109360183 B CN109360183 B CN 109360183B CN 201810946637 A CN201810946637 A CN 201810946637A CN 109360183 B CN109360183 B CN 109360183B
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- small
- quality evaluation
- input
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于卷积神经网络的人脸图像质量评估方法和系统。本方法步骤包括:1)构建一深度卷积网络作为大网络,以及一浅卷积层的小网络;2)利用已标注的训练样本分别训练该大网络和该小网络,直至该小网络输出的特征向量与该大网络输出的特征向量基本一致;其中,每次迭代训练时,将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;3)将目标人脸图像输入步骤2)训练好的小网络,得到该目标人脸图像的特征向量并将其输入质量评估网络,利用质量评估网络计算得到该目标人脸图像图像质量。本发明极大优化了图像质量评估的准确度及实时性。
Description
技术领域
本发明属于图像处理技术领域,尤其应用于实时视频监控场景中的人脸识别领域中,涉及一种人脸图像处理方法和系统。
背景技术
人脸识别技术是当前研究的热点课题,具有广泛的应用前景,应用场景多种多样,包含金融领域的开户身份认证、门禁系统中的VIP识别、安防领域的重点人物识别等。虽然人脸识别技术的识别性能已经有了很大提升,但是对于复杂环境下的监控视频中的人脸识别,由于受人脸角度、尺度、光照、遮挡、噪声、运动模糊等干扰因素的影响,导致获取到的人脸图像质量普遍较差,从而导致大量误识及漏识。
因此,在实际应用场景中,准确的人脸图像质量评估系统在人脸识别系统中具有关键作用,基于视频帧数据中挑选同一人的质量足够好的图像进行人脸识别对人脸识别系统具有重大意义。虽然有很多相关技术围绕着图像质量评估做研究,但是有两个重要的不足之处:1)评估方法过于复杂,绝大多数方法围绕图像处理计算图像对比度、分辨率、人脸姿态等特征,然后基于经验性准则做限定,而且难以得出一个总体评估分数;2)难以满足实时性需求,现有的深度神经网络方法虽然可以取得不错的评估效果,但是由于涉及到大量多层卷积操作在实际场景中,尤其是对非GPU支持的应用场景下,仍然难以取得令人满意的效果。
发明内容
针对以上现有技术中存在的主要问题,本发明的目的在于提供一种新的人脸图像质量评估方法和系统。利用深度卷积网络训练得到图像质量评估特征向量,然后训练小网络逼近大网络的特征向量(误差通常不超过1%),最终得到可靠的可表征人脸图像质量的特征向量。该方法解决了1)传统方法中不同类型特征融合归一化标准不一致的问题,且能得到统一的表征人脸图像质量的有效特征向量,2)深度卷积网络特征抽取速度慢的问题,通过权衡速度与精度的要求,首先构建一个合适大小的神经网络,然后利用大网络得到的特征表达指导小网络的学习(如逻辑回归代价函数),这样小网络能取得与大网络基本一致的特征向量且特征提取速度与常规方法计算时间相当,3)直接构建训练的浅层神经网络精度低的问题,通过实验发现:1、通常来说模型越大特征表达能力越好,2、多模型融合的特征比单模型特征的表达能力更强,而为提升精度利用多个大模型得出较好的特征,但是在实际场景中模型太大没法实用,因此,通过多个大模型学习到的特征指导小网络学习,最终得到可用的小模型,可以取得速度与精度的最佳结果。
监控视频中人脸图像质量评估,影响因素主要包含分辨率/图像模糊度/姿态/遮挡/光线/是否人脸等几方面的判断,判断该区域图像是否合格并可用于做人脸识别,另一方面要求质量评估速度足够快以满足实时性需求,首先分别按照某一个或某几个影响因素准备训练数据,并标记为合格样本与不合格样本,将表征不同属性的模型特征最终融合在一起作为指导特征,利用指导特征训练一个浅卷积层的小网络(如附图2所示,大网络与小网络基本结构类似,大网络包含M个卷积池化单元,小网络包含N个卷积池化单元,通常关系约为M=3N),然后利用标记样本训练分类的方法最终得到质量评估分数(0~1),通过设定阈值判断图像是否合格,且质量分数越高则表示图像质量越好。
本发明的技术方案为:
一种基于卷积神经网络的人脸图像质量评估方法,其步骤包括:
1)构建一深度卷积网络作为大网络,以及一浅卷积层的小网络;
2)利用已标注的训练样本分别训练该大网络和该小网络,直至该小网络输出的特征向量与该大网络输出的特征向量基本一致;其中,每次迭代训练时,将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;
3)将目标人脸图像输入步骤2)训练好的小网络,得到该目标人脸图像的特征向量并将其输入质量评估网络,利用质量评估网络计算得到该目标人脸图像图像质量。
进一步的,该大网络与该小网络的结构基本一致,其中大网络包含M个卷积池化单元,小网络包含N个卷积池化单元,M大于N。
进一步的,该大网络包括依次连接的输入层、M个卷积池化单元、均值池化层、全连接层和损失函数层;该小网络包括依次连接的输入层、N个卷积池化单元、均值池化层、全连接层、回归损失函数层;其中,该大网络中输出的特征向量的全连接层与该小网络中输出的特征向量的全连接层分别与该小网络的回归损失函数层连接,用于将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入。
进一步的,所述卷积池化单元依次连接的卷积层、激活层和池化层。
进一步的,所述输入层输入数据为经过关键点对齐后的标准人脸图像。
进一步的,利用梯度下降优化算法用该大网络和该小网络。
进一步的,所述质量评估网络包括依次连接的特征输入层、全连接层和分类损失函数层。
进一步的,利用训练好的小网络生成测试样本的特征向量并将其输入所述质量评估网络,训练所述质量评估网络的全连接层权重参数。
一种基于卷积神经网络的人脸图像质量评估系统,其特征在于,包括一深度卷积网络作为大网络、一浅卷积层的小网络,以及一质量评估网络;其中,
利用已标注的训练样本分别训练该大网络和该小网络,利用大网络得到的特征表达指导小网络的学习,直至该小网络输出的特征向量与该大网络输出的特征向量基本一致;其中,每次迭代训练时,将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;
训练好的小网络,用于对输入的图像进行处理得到该图像的特征向量并将其输入质量评估网络;
质量评估网络,用于根据输入的特征向量计算得到对应图像的图像质量。
本发明实施例中,所评估的图像主要针对人脸检测框区域内所对应的人脸图像,或者人脸跟踪框区域内所对应的图像。
所包含的图像质量参数包含图像尺度、图像模糊度、人脸姿态(偏转、旋转等)、遮挡、光线对比度、是否人脸等几方面的一种或多种组合。
所述的质量评估网络包含两个部分,特征抽取部分和质量评估部分;特征抽取的网络结构由输入层、一个或多个卷积池化层及对应激活函数层、全连接层组成,质量评估部分由全连接层+分类损失函数组成。
特征抽取部分的训练网络由两个网络完成,包含一个由输入层、多个卷积池化层及对应激活函数层、全连接层、损失函数层所组成的深度卷积大网络和一个由输入层、一个或少数几个卷积池化层及对应激活层、全连接层、回归损失函数组成的浅层卷积小网络组成,数据流传输如附图2所示,其中输入层输入为经过关键点对齐后的标准人脸图像,其余层接收底层学到的特征图并一层层往后传输,最终得到表征图像质量的特征向量。其中大卷积网络学习到更好的特征表达向量,同时利用小网络学习特征表达去逼近深度卷积网络的特征表达,从而达到利用小网络也能取得与深度卷积网络特征效果相当的表达(预测阶段仅包含小网络),从而在加快了特征提取速度的基础上也提升了质量评估准确度。
质量评估网络主要包含特征输入层,全连接层及分类损失函数层。利用附图2的小网络输出得到特征向量,将其作为质量评估网络的输入层,利用全连接层连接输入层与分类损失函数层,将特征原始维度降维至分类损失函数输入维度,训练阶段利用已标记样本数据集训练全连接层权重参数,预测阶段通过常规Softmax分类损失函数的输出即得到未知质量图像样本的质量得分及相应质量得分的置信度,从而作为评判该人脸图像是否合格及质量好坏的标准。
与现有技术相比,本发明的积极效果为:
1)提升模型质量判别准确度,利用基础大网络模型分别学习质量评估各属性的特征向量(如利用基础大网络的3个输出分别学习基于光照、模糊度、姿态属性的相关特征向量,每个属性的对应特征向量输出为128维),然后将该模型的各属性特征向量合并得到包含图像多属性的特征向量,最终作为质量评估网络的输入特征,通过质量评估网络得到图像质量评估得分及其相应置信度,而现有技术通常仅单个模型且单模型输出特征表达能力不足导致容易产生误判。
2)在保证准确度的同时提升计算速度,在实际应用中往往需要权衡精度与准确度,并以牺牲某一方来保证另一方,而本发明中相同大小模型精度比常规方法好很多,相同精度的条件下又比常规方法运算速度快,本发明方法可广泛应用于特征提取方面的其他领域。
3)基于自适应学习归一化得到质量评估结果,传统方法基于光照、姿态、模糊度等不同属性分别逐级判断是否符合要求,首先对各级阈值设定要求较高且方法较复杂,最终仅能得出合格与否,难以准确得出一个相对参考得分,而本发明直接基于多属性输入特征向量作为质量评估网络输入,最终得到归一化得分及其置信度,可直接基于得分判断质量高低,且对所有图像都有统一标准,本发明的方法尤其适用于视频检测跟踪之中的目标图像质量评价。
综上所述,本发明提出的基于神经网络的人脸图像质量评估方法和装置,引入包含图像尺度、图像模糊度、人脸姿态(偏转、旋转等)、遮挡、光线对比度、是否人脸等图像质量影响因子的人脸图像作为训练样本(训练样本已基于以上各属性因子做好标记处理),通过端到端地训练一大一小两个卷积网络学习特征,并利用小网络学习到的特征作为质量评估网络的输入特征,最终由质量评估网络得到该图像的质量分数。本发明通过学习良好的特征表达及快速的特征提取组合,得到归一化的图像质量分数,极大优化了图像质量评估的准确度及实时性,评估图像不仅适用于单张人脸图像,也适用于实时视频中的可能人脸区域质量评估。
附图说明
图1为本发明实施例中人脸质量评估方法的整体流程示意图。
图2为特征训练模块的网络结构设计流程示意图。
图3为质量评估模块的网络结构流程示意图。
具体实施方式
以下通过具体实例说明本发明的实施方式,本发明中所述网络结构为方便说明使用流程示意图的方式来说明。
本发明主要应用于人脸识别技术领域,尤其应用于实时视频中的人脸跟踪图像中的人脸图像质量评估,以提高人脸识别准确度,核心思想在于1)提高人脸图像质量评估准确度,2)保证实时性;在人脸识别技术领域,尤其是监控视频应用场景下,由于环境复杂且一帧画面中可能包含有多个人脸图像,对每帧图像都进行人脸检测显然无法满足实时性要求,对于监控等非限制性场景下应用人脸跟踪技术又不可避免地会引入大姿态变化、强烈的光线变化、运动模糊、人脸遮挡、以及基本上跟踪框内无人脸的情况,因此稳健高效的人脸图像质量评估算法对提高人脸识别准确度具有非常重要的意义。
本发明提供的基于卷积神经网络的人脸图像质量评估方法及装置,包括以下几部分:
1)训练图像采集及评估:训练图像来自于标注的实际监控场景图像及人脸检测训练的开源数据,标注信息包含人脸检测框、人脸姿态(左右偏转、上下偏转、平面内旋转)、人脸检测置信度等;预设的影响人脸图像质量的因子主要包含人脸图像分辨率、人脸姿态、遮挡、运动模糊、光照变化、有无人脸等;依据人类对人脸图像的信息感知敏感程度将分辨率太小或人脸姿态太大或运动模糊严重或由于光照影响引起人脸对比度小或无人脸的图像创建为负样本,否则为正样本或合格样本;训练过程中会将负样本进行随机裁剪以增大负样本的难度或个数,且增强训练模型泛化能力。
2)特征训练模块:提供了端到端训练的大小两个网络结构模型,利用相同人脸图像作为输入,同时训练大小两个网络,并利用回归损失函数指导小网络学习大网络特征,如图2中所示(包含深度卷积网络结构和浅卷积网络结构,以及两个网络的特征融合结构),网络中包含图像输入层、多个卷积池化单元、均值池化层、全连接层、代价函数层等,网络输入图像的正样本为人脸标注框内的人脸区域,负样本为1)所描述的除正样本之外的样本,卷积池化单元由卷积层、激活层、最大值池化层构成,通常网络越深得到的特征表达能力越强,即大网络包含M个卷积池化单元,小网络包含N个卷积池化单元(M远大于N),最后连接全连接层得到特征表达,并将大网络特征和小网络特征一起作为回归损失函数的输入,采用梯度下降优化算法,大网络特征指导训练小网络特征,1、利用人脸分类数据初始化训练小网络,训练过程与常规分类方法一致,2、利用已标记图像质量的训练样本作为小网络输入,初始化学习率=0.001,利用L2Loss微调网络,固定迭代周期次数,最终使小网络输出特征达到与大网络输出基本一致(通常识别误差不超过1%为佳);
3)质量评估模块:利用2)中小网络输出特征作为质量评估模块的输入,并添加全连接层,利用分类损失函数,预测输入样本为合格或不合格样本;通常来说合格样本值大于不合格样本值则表示输出为合格样本,且对应的输出值越大表示其图像质量越好。
综上所述,本发明提出的基于深度卷积神经网络的双通道训练单通道预测的人脸图像质量评估方法和系统,在有足够的有效的标注样本训练的基础上得到了更加优良的特征,且在保证特征足够有效的的基础上极大的减少了特征抽取时间,取得了与常规方法计算时间相当但是更加准确的质量评估结果,可广泛应用于单图像质量评估或实时监控视频中的人脸图像质量评估。
Claims (6)
1.一种基于卷积神经网络的人脸图像质量评估方法,其步骤包括:
1)构建一深度卷积网络作为大网络,以及一浅卷积层的小网络;该大网络包括依次连接的输入层、M个卷积池化单元、均值池化层、全连接层和损失函数层;该小网络包括依次连接的输入层、N个卷积池化单元、均值池化层、全连接层、回归损失函数层;其中,该大网络中输出的特征向量的全连接层与该小网络中输出的特征向量的全连接层分别与该小网络的回归损失函数层连接,用于将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;其中M大于N;
2)利用已标注的训练样本分别训练该大网络和该小网络,直至该小网络输出的特征向量与该大网络输出的特征向量一致;其中,每次迭代训练时,将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;
3)将目标人脸图像输入步骤2)训练好的小网络,得到该目标人脸图像的特征向量并将其输入质量评估网络,利用质量评估网络计算得到该目标人脸图像图像质量;其中所述质量评估网络包含两个部分:特征抽取部分和质量评估部分,特征抽取部分的网络结构由输入层、一个或多个卷积池化层及对应激活函数层、全连接层组成,质量评估部分由全连接层+分类损失函数组成。
2.如权利要求1所述的方法,其特征在于,所述卷积池化单元依次连接的卷积层、激活层和池化层。
3.如权利要求1所述的方法,其特征在于,所述输入层输入数据为经过关键点对齐后的标准人脸图像。
4.如权利要求1所述的方法,其特征在于,利用梯度下降优化算法训练该大网络和该小网络。
5.如权利要求1所述的方法,其特征在于,利用训练好的小网络生成测试样本的特征向量并将其输入所述质量评估网络,训练所述质量评估网络的全连接层权重参数。
6.一种基于卷积神经网络的人脸图像质量评估系统,其特征在于,包括一深度卷积网络作为大网络、一浅卷积层的小网络,以及一质量评估网络;其中,
该大网络包括依次连接的输入层、M个卷积池化单元、均值池化层、全连接层和损失函数层;该小网络包括依次连接的输入层、N个卷积池化单元、均值池化层、全连接层、回归损失函数层;其中,该大网络中输出的特征向量的全连接层与该小网络中输出的特征向量的全连接层分别与该小网络的回归损失函数层连接,用于将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;其中M大于N;
利用已标注的训练样本分别训练该大网络和该小网络,利用大网络得到的特征表达指导小网络的学习,直至该小网络输出的特征向量与该大网络输出的特征向量一致;其中,每次迭代训练时,将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入;
训练好的小网络,用于对输入的图像进行处理得到该图像的特征向量并将其输入质量评估网络;
质量评估网络,用于根据输入的特征向量计算得到对应图像的图像质量;其中所述质量评估网络包含两个部分:特征抽取部分和质量评估部分,特征抽取部分的网络结构由输入层、一个或多个卷积池化层及对应激活函数层、全连接层组成,质量评估部分由全连接层+分类损失函数组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946637.8A CN109360183B (zh) | 2018-08-20 | 2018-08-20 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946637.8A CN109360183B (zh) | 2018-08-20 | 2018-08-20 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109360183A CN109360183A (zh) | 2019-02-19 |
CN109360183B true CN109360183B (zh) | 2021-05-11 |
Family
ID=65350111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810946637.8A Active CN109360183B (zh) | 2018-08-20 | 2018-08-20 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109360183B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858467B (zh) * | 2019-03-01 | 2021-05-07 | 北京视甄智能科技有限公司 | 一种基于关键点区域特征融合的人脸识别方法及装置 |
CN109948564B (zh) * | 2019-03-25 | 2021-02-02 | 四川川大智胜软件股份有限公司 | 一种基于有监督深度学习的人脸图像质量分类和评估方法 |
CN110210290A (zh) * | 2019-04-22 | 2019-09-06 | 平安科技(深圳)有限公司 | 人脸图片采集方法、装置和计算机设备 |
CN114127801A (zh) * | 2019-08-14 | 2022-03-01 | 谷歌有限责任公司 | 跨设备网络使用人物可识别性的系统和方法 |
CN112446255A (zh) * | 2019-08-31 | 2021-03-05 | 华为技术有限公司 | 一种视频图像处理方法及装置 |
CN110796106A (zh) * | 2019-11-04 | 2020-02-14 | 北京迈格威科技有限公司 | 人像质量评估模型建立和从视频中进行人像识别的方法 |
CN111027551B (zh) * | 2019-12-17 | 2023-07-07 | 腾讯科技(深圳)有限公司 | 图像处理方法、设备和介质 |
CN110942072B (zh) * | 2019-12-31 | 2024-02-02 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
CN111242081B (zh) * | 2020-01-19 | 2023-05-12 | 深圳云天励飞技术有限公司 | 视频检测方法、目标检测网络训练方法、装置及终端设备 |
CN111696090B (zh) * | 2020-06-08 | 2022-07-29 | 电子科技大学 | 一种无约束环境下人脸图像质量评估方法 |
CN112270269B (zh) * | 2020-10-30 | 2023-04-18 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种人脸图像质量的评估方法及装置 |
CN112434738A (zh) * | 2020-11-24 | 2021-03-02 | 英业达(重庆)有限公司 | 基于决策树算法的锡膏检测方法、系统、电子设备及介质 |
CN112465792A (zh) * | 2020-12-04 | 2021-03-09 | 北京华捷艾米科技有限公司 | 一种人脸质量的评估方法及相关装置 |
CN112200176B (zh) * | 2020-12-10 | 2021-03-02 | 长沙小钴科技有限公司 | 人脸图像的质量检测方法、系统和计算机设备 |
CN112597909A (zh) * | 2020-12-25 | 2021-04-02 | 北京芯翌智能信息技术有限公司 | 一种用于人脸图片质量评价的方法与设备 |
CN112668699B (zh) * | 2020-12-30 | 2022-06-17 | 燕山大学 | 一种轧制力的预测方法及装置 |
CN112801161A (zh) * | 2021-01-22 | 2021-05-14 | 桂林市国创朝阳信息科技有限公司 | 小样本图像分类方法、装置、电子设备及计算机存储介质 |
CN113158777A (zh) * | 2021-03-08 | 2021-07-23 | 佳都新太科技股份有限公司 | 质量评分方法、质量评分模型的训练方法及相关装置 |
CN112686234B (zh) * | 2021-03-22 | 2021-06-22 | 杭州魔点科技有限公司 | 人脸图像质量评估方法、电子设备和存储介质 |
CN116843985B (zh) * | 2023-09-01 | 2023-11-17 | 中国地质调查局武汉地质调查中心 | 一种基于多重一致性约束的矿区图像半监督分类方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9741107B2 (en) * | 2015-06-05 | 2017-08-22 | Sony Corporation | Full reference image quality assessment based on convolutional neural network |
CN105138993B (zh) * | 2015-08-31 | 2018-07-27 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
CN105512624B (zh) * | 2015-12-01 | 2019-06-21 | 天津中科智能识别产业技术研究院有限公司 | 一种人脸图像的笑脸识别方法及其装置 |
CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
RU2016138608A (ru) * | 2016-09-29 | 2018-03-30 | Мэджик Лип, Инк. | Нейронная сеть для сегментации изображения глаза и оценки качества изображения |
CN106326886B (zh) * | 2016-11-07 | 2019-05-10 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法 |
CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和系统 |
CN107292333B (zh) * | 2017-06-05 | 2019-11-29 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
CN107292914A (zh) * | 2017-06-15 | 2017-10-24 | 国家新闻出版广电总局广播科学研究院 | 基于小型单支卷积神经网络的视觉目标跟踪方法 |
-
2018
- 2018-08-20 CN CN201810946637.8A patent/CN109360183B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109360183A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360183B (zh) | 一种基于卷积神经网络的人脸图像质量评估方法和系统 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN109961034B (zh) | 基于卷积门控循环神经单元的视频目标检测方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
Bendale et al. | Towards open set deep networks | |
CN110580460A (zh) | 基于行人身份和属性特征联合识别验证的行人再识别方法 | |
CN109214378A (zh) | 一种基于神经网络整体识别计量表读数的方法和系统 | |
CN110796199B (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
CN110781829A (zh) | 一种轻量级深度学习的智慧营业厅人脸识别方法 | |
CN110633604B (zh) | 信息处理方法和信息处理装置 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
CN112149538A (zh) | 一种基于多任务学习的行人重识别方法 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN115082855A (zh) | 基于改进yolox算法的行人遮挡检测方法 | |
CN113378649A (zh) | 身份、位置和动作识别方法、系统、电子设备及存储介质 | |
Baddar et al. | On-the-fly facial expression prediction using lstm encoded appearance-suppressed dynamics | |
CN112115838A (zh) | 一种热红外图像光谱融合的人脸分类方法 | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
Zhu et al. | Unsupervised voice-face representation learning by cross-modal prototype contrast | |
CN110751005B (zh) | 融合深度感知特征和核极限学习机的行人检测方法 | |
CN112347965A (zh) | 一种基于时空图的视频关系检测方法和系统 | |
CN116824641A (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
CN112069997B (zh) | 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置 | |
Pryor et al. | Deepfake Detection Analyzing Hybrid Dataset Utilizing CNN and SVM |
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 |