CN109376686A - 一种多维度人脸数据采集方案、采集系统及采集方法 - Google Patents
一种多维度人脸数据采集方案、采集系统及采集方法 Download PDFInfo
- Publication number
- CN109376686A CN109376686A CN201811356249.0A CN201811356249A CN109376686A CN 109376686 A CN109376686 A CN 109376686A CN 201811356249 A CN201811356249 A CN 201811356249A CN 109376686 A CN109376686 A CN 109376686A
- Authority
- CN
- China
- Prior art keywords
- face
- module
- data
- secondary current
- current signature
- 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.)
- Withdrawn
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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种多维度人脸数据采集方案,具体包含以下步骤:步骤一:在人脸录入采集阶段,要求采集对象进行头部旋转,分别对人脸多个不同部位拍照采集图像数据,并对图像数据进行录入特征提取,将提取的录入特征保存到人脸特征库内;步骤二:在人脸识别阶段,摄像头采集到的识别图像,发送到软件程序对该识别图像的该次当前特征进行提取,软件程序根据权重策略将该次当前特征与已保存的人脸特征库内的特征进行匹配计算;步骤三:步骤二的匹配计算后,若计算结构符合权重策略的同脸规则的要求,则视为与该人脸特征库为同一人;同时并根据权重策略判断是否需要记录该次当前特征,若是符合权重策略的记录规则的要求,则将该次当前特征保存到人脸特征库内。
Description
技术领域
本发明涉及人脸识别技术领域,尤其是指一种多维度人脸数据采集方案、采集系统及采集方法。
背景技术
目前的人脸识别在实际应用场景下,由于受到摄像头品质、光线变化、拍摄角度、人脸自然变化等因素,无法达到实验室中测试出的准确度,往往会偏低不少。因为这些因素影响导致人脸识别准确度下降将给实际用户造成不好的体验,同时也会有一定的安全隐患。
且,目前的人脸识别系统由于录入人脸时只采集了较少的数据,因此当拍摄角度变换或者摄像头品质差异时,就会导致人脸识别阶段获取到的人脸特征与之前录入的特征存在较大差异,从而影响判断准确度;另外,由于大多数人脸识别系统并没有采用动态更新,导致在不同光线下使用或人脸自然变化时,无法很好的适应,从而造成了人脸识别准确率的偏低。
发明内容
本发明的目的在于提供一种是提出了一个基于多角度、多时间采样的适用于提升人脸识别准确度的多维度人脸数据采集方案、采集系统和采集方法,有效的在实际应用场景下提高了人脸识别的准确率。
为了达成上述目的,本发明的解决方案为:一种多维度人脸数据采集方案,具体包含以下步骤:
步骤一:在人脸录入采集阶段,要求采集对象进行头部旋转,分别对人脸多个不同部位拍照采集图像数据,并对采集到的图像数据进行录入特征提取,将提取的录入特征保存到人脸特征库内;
步骤二:在人脸识别阶段,摄像头采集到的识别图像,发送到软件程序对该识别图像的该次当前特征进行提取,软件程序根据权重策略将该次当前特征与已保存的人脸特征库内的特征进行匹配计算;
步骤三:步骤二的匹配计算后,若计算结构符合权重策略的同脸规则的要求,则视为与该人脸特征库为同一人;同时并根据权重策略判断是否需要记录该次当前特征,若是符合权重策略的记录规则的要求,则将该次当前特征保存到人脸特征库内。
进一步的,以上所述的一种多维度人脸数据采集方案,其特征在于:步骤二和步骤三所述的权重策略为:
第一步:将所用的人脸识别模型进行ROC指标测试,得到TPR、FPR及它们与阈值的关系,选取以下几个阈值——同脸判断100%准确度对应的阈值Tmax、异脸判断100%准确度对应的阈值Tmin,同脸判断99.5%准确度对应的阈值Ts1,99.0%准确度对应的阈值Ts2,异脸判断99.5%准确度对应的阈值Td1,99.0%准确度对应的阈值Td2,进行以下策略:
第二步:做如下定义:当前识别图像的该次当前特征值与数据库中所存取的特征值相比,若大于Tmax,则权重策略计50分,若在Tmax~Ts1之间,计30分,若在Ts1~Ts2之间,计10分;类似地,若小于Tmin,则权重策略计-50分,若在Tmin~Td1之间,计-30分,若在Td1~Td2之间,计-10分;其他情况下计0分;
第三步:同脸规则:将当前识别图像的该次当前特征值与数据库中所有的存储特征值进行一一比较,累计得分后,如果得分为正数则判断为同脸,负数则判断为异脸;
第四步:记录规则:当判断为同脸时,若得分超过80分,则触发一次人脸特征库的更新,将该次当前特征存储至人脸特征库;若在80~50分之间,则系统随机选择触发或不触发人脸特征库更新,若小于50分,则不触发人脸特征库更新。
进一步的,所述的步骤一中,分别对左侧脸、右侧脸、正脸、上侧脸、下侧脸五个方向进行至少3张识别图像的拍照采集图像数据。
进一步的,所述的步骤一中,分别对人脸多个不同部位拍照采集图像数据之后,使用MTCNN网络对采集到的图像进行人脸区域检测,然后通过dlib对人脸区域进行裁剪及对齐,并利用ResNet残差网络进行人脸录入特征进行提取。
进一步的,在进行实际的人脸识别过程中,重复步骤二到步骤三的过程。
进一步的,所述的步骤四的记录规则中,若在50~80分之间,则系统进行随机选择,系统根据以下公式进行运算:
f(x)=(x-50)/100+random()
其中x为所得分数,random()为在[0,1)区间内产生一个基于统计学平均分布的随机数函数,根据此公式计算,当所得值f(x)大于0.5时触发人脸特征库更新,否则不触发。
进一步的,所述的random()是一个在[0,1)区间内产生以1为顶点的基于统计学正态分布的随机函数。
以上所述的一种多维度人脸数据采集方案的采集系统,其上设有人脸识别模块、数据录入模块、策略模块、动态更新模块、数据模块,其中策略模块与人脸识别模块、数据录入模块、动态更新模块、数据模块分别数据连接,策略模块内置有权重策略和控制模块;人脸识别模块上设有图像采集模块,人脸识别模块可将采集模块所采集的人脸识别图像数据进行分析提取该次当前特征数据,并将提取的该次当前特征数据向策略模块输出;数据录入模块受策略模块控制,可将策略模块发来的录入特征发送到数据模块;动态更新模块受策略模块控制,可将收到的可更新的该次当前特征数据则发送到数据模块;数据模块内置有人脸特征库,可将收到的录入特征和该次当前特征存入其上的人脸特征库内,并根据策略模块的控制将人脸特征库内的数据发送到策略模块。
以上所述的一种多维度人脸数据采集方案的采集系统的采集方法,具体如下:
步骤一:数据录入模块收到策略模块发出的录入特征,并且发送到数据模块,数据模块将收到的录入特征存入其上的人脸特征库内;
步骤二:人脸识别模块利用其上的图像采集模块采集人脸识别图像,然后将采集到的识别图像数据进行分析提取该次当前特征数据,将提取的该次当前特征数据向策略模块输出;
步骤三:策略模块调取数据模块内的人脸特征库的数据,根据内置的权重策略进行计算,判断收到的该次当前特征数据是否符合权重策略中的同脸规则,若符合则判断为同脸,则向人脸识别模块发送同脸信号;同时进一步判断该次当前特征数据是否符合权重策略当中的记录规则,若符合记录规则,则将此该次当前特征发送到动态更新模块;
步骤四:动态更新模块收到步骤三的该次当前特征数据则发送到数据模块,数据模块将收到的该次当前特征存入其上的人脸特征库内。
进一步的,在进行实际的人脸识别应用过程中,重复步骤二到步骤四的过程。
采用上述方案后:
①该发明提出在人脸录入时,采用多角度多张图像的录入方式,并保存每一张图像的人脸特征,用于后续加权计算;在日常人脸识别过程中,多人脸数据都将在匹配时被用到,有效的降低了拍摄角度变化或摄像头品质差异而引起的人脸特征变化导致的识别准确率下降问题;
②该发明提出在日常使用时,根据已保存的人脸特征进行加权运算,当匹配人脸时将动态更新当前人脸的特征数据,并将更新后的人脸特征用于下一次人脸识别;在日常人脸识别过程中,动态更新的方式可以很好的记录每一次人脸或光线的细微变化,积少成多,有效的降低了因光线不同或人脸自然变化而引起的人脸特征变化导致的识别准确率下降问题。
附图说明
图1是本发明实施例的结构示意图。
具体实施方式
以下结合附图及具体实施例对本发明做详细描述。
实施例:
一种多维度人脸数据采集方案,具体包含以下步骤:
步骤一:在人脸录入采集阶段,要求采集对象进行头部旋转,分别对左侧脸、右侧脸、正脸、上侧脸、下侧脸五个方向进行至少3张识别图像的采集,得到多个不同部位拍照采集图像数据后,使用MTCNN网络对采集到的图像进行人脸区域检测,然后通过dlib对人脸区域进行裁剪及对齐,并利用ResNet残差网络进行人脸录入特征进行提取,完成后将提取的录入特征保存到人脸特征库内;
步骤二:在人脸识别阶段,摄像头采集到的识别图像,发送到软件程序对该识别图像的该次当前特征进行提取,软件程序根据权重策略将该次当前特征与已保存的人脸特征库内的特征进行匹配计算;
步骤三:步骤二的匹配计算后,若计算结构符合权重策略的同脸规则的要求,则视为与该人脸特征库为同一人;同时并根据权重策略判断是否需要记录该次当前特征,若是符合权重策略的记录规则的要求,则将该次当前特征保存到人脸特征库内;
在进行实际的人脸识别过程中,重复步骤二到步骤三的过程。
以上所述步骤二和步骤三所述的权重策略为:
将所用的人脸识别模型进行ROC指标测试,得到TPR、FPR及它们与阈值的关系,选取以下几个阈值—一同脸判断100%准确度对应的阈值Tmax、异脸判断100%准确度对应的阈值Tmin,同脸判断99.5%准确度对应的阈值Ts1,99.0%准确度对应的阈值Ts2,异脸判断99.5%准确度对应的阈值Td1,99.0%准确度对应的阈值Td2,进行以下策略:
做如下定义:当前识别图像的该次当前特征值与数据库中所存取的特征值相比,若大于Tmax,则权重策略计50分,若在Tmax~Ts1之间,计30分,若在Ts1~Ts2之间,计10分;类似地,若小于Tmin,则权重策略计-50分,若在Tmin~Td1之间,计-30分,若在Td1~Td2之间,计-10分;其他情况下计0分;
同脸规则:将当前识别图像的该次当前特征值与数据库中所有的存储特征值进行一一比较,累计得分后,如果得分为正数则判断为同脸,负数则判断为异脸;
记录规则:当判断为同脸时,若得分超过80分,则触发一次人脸特征库的更新,将该次当前特征存储至人脸特征库;若在80~50分之间,则系统随机选择触发或不触发人脸特征库更新,若小于50分,则不触发人脸特征库更新。
在以上记录规则中,若在50~80分之间,则系统进行随机选择,系统根据以下公式进行运算:
f(x)=(x-50)/100+random()
其中x为所得分数,random()是一个在[0,1)区间内产生以1为顶点的基于统计学正态分布的随机函数,根据此公式计算,当所得值f(x)大于0.5时触发人脸特征库更新,否则不触发。
如以上所述的一种多维度人脸数据采集方案的采集系统,其上设有人脸识别模块1、数据录入模块2、策略模块3、动态更新模块4、数据模块5,其中策略模块3与人脸识别模块1、数据录入模块2、动态更新模块4、数据模块5分别数据连接,策略模块3内置有权重策略和控制模块;人脸识别模块1上设有图像采集模块11,人脸识别模块1可将采集模块11所采集的人脸识别图像数据进行分析提取该次当前特征数据,并将提取的该次当前特征数据向策略模块3输出;数据录入模块2受策略模块3控制,可将策略模块3发来的录入特征发送到数据模块5;动态更新模块4受策略模块3控制,可将收到的可更新的该次当前特征数据则发送到数据模块5;数据模块5内置有人脸特征库,可将收到的录入特征和该次当前特征存入其上的人脸特征库内,并根据策略模块3的控制将人脸特征库内的数据发送到策略模块3。
如上所述的一种多维度人脸数据采集方案的采集系统的采集方法,具体如下:
步骤一:数据录入模块2收到策略模块3发出的录入特征,并且发送到数据模块5,数据模块5将收到的录入特征存入其上的人脸特征库内;
步骤二:人脸识别模块1利用其上的图像采集模块11采集人脸识别图像数据,然后将采集到的识别图像数据进行分析提取该次当前特征数据,将提取的该次当前特征数据向策略模块3输出;
步骤三:策略模块3调取数据模块5内的人脸特征库的数据,根据策略模块3内置的权重策略进行计算,判断收到的该次当前特征数据是否符合权重策略中的同脸规则,若符合则判断为同脸,则向人脸识别模块1发送同脸信号;同时进一步判断该次当前特征数据是否符合权重策略当中的记录规则,若符合记录规则,则将此该次当前特征发送到动态更新模块4;
步骤四:动态更新模块4收到步骤三的该次当前特征数据则发送到数据模块5,数据模块5将收到的该次当前特征存入其上的人脸特征库内。
上述的一种多维度人脸数据采集方案的采集系统的采集方法,其特征在于:在进行实际的人脸识别应用过程中,重复步骤二到步骤四的过程。
以上所述仅为本实用发明的实施例,并非对本案设计的限制,凡依本案的设计关键所做的等同变化,均落入本案的保护范围。
Claims (10)
1.一种多维度人脸数据采集方案,具体包含以下步骤:
步骤一:在人脸录入采集阶段,要求采集对象进行头部旋转,分别对人脸多个不同部位拍照采集图像数据,并对采集到的图像数据进行录入特征提取,将提取的录入特征保存到人脸特征库内;
步骤二:在人脸识别阶段,摄像头采集到的识别图像,发送到软件程序对该识别图像的该次当前特征进行提取,软件程序根据权重策略将该次当前特征与已保存的人脸特征库内的特征进行匹配计算;
步骤三:步骤二的匹配计算后,若计算结构符合权重策略的同脸规则的要求,则视为与该人脸特征库为同一人;同时并根据权重策略判断是否需要记录该次当前特征,若是符合权重策略的记录规则的要求,则将该次当前特征保存到人脸特征库内。
2.如权利要求1所述的一种多维度人脸数据采集方案,其特征在于:步骤二和步骤三所述的权重策略为:
第一步:将所用的人脸识别模型进行ROC指标测试,得到TPR、FPR及它们与阈值的关系,选取以下几个阈值——同脸判断100%准确度对应的阈值Tmax、异脸判断100%准确度对应的阈值Tmin,同脸判断99.5%准确度对应的阈值Ts1,99.0%准确度对应的阈值Ts2,异脸判断99.5%准确度对应的阈值Td1,99.0%准确度对应的阈值Td2,进行以下策略:
第二步:做如下定义:当前识别图像的该次当前特征值与数据库中所存取的特征值相比,若大于Tmax,则权重策略计50分,若在Tmax~Ts1之间,计30分,若在Ts1~Ts2之间,计10分;类似地,若小于Tmin,则权重策略计-50分,若在Tmin~Td1之间,计-30分,若在Td1~Td2之间,计-10分;其他情况下计0分;
第三步:同脸规则:将当前识别图像的该次当前特征值与数据库中所有的存储特征值进行一一比较,累计得分后,如果得分为正数则判断为同脸,负数则判断为异脸;
第四步:记录规则:当判断为同脸时,若得分超过80分,则触发一次人脸特征库的更新,将该次当前特征存储至人脸特征库;若在80~50分之间,则系统随机选择触发或不触发人脸特征库更新,若小于50分,则不触发人脸特征库更新。
3.如权利要求1所述的一种多维度人脸数据采集方案,其特征在于:步骤一中,分别对左侧脸、右侧脸、正脸、上侧脸、下侧脸五个方向进行至少3张识别图像的拍照采集图像数据。
4.如权利要求1所述的一种多维度人脸数据采集方案,其特征在于:步骤一中,分别对人脸多个不同部位拍照采集图像数据之后,使用MTCNN网络对采集到的图像进行人脸区域检测,然后通过dlib对人脸区域进行裁剪及对齐,并利用ResNet残差网络进行人脸录入特征进行提取。
5.如权利要求1所述的一种多维度人脸数据采集方案,其特征在于:在进行实际的人脸识别过程中,重复步骤二到步骤三的过程。
6.如权利要求2所述的一种多维度人脸数据采集方案,其特征在于:步骤四的记录规则中,若在50~80分之间,则系统进行随机选择,系统根据以下公式进行运算:
f(x)=(x-50)/100+random()
其中x为所得分数,random()为在[0,1)区间内产生一个基于统计学平均分布的随机数函数根据此公式计算,当所得值f(x)大于0.5时触发人脸特征库更新,否则不触发。
7.如权利要求6所述的一种多维度人脸数据采集方案,其特征在于:random()是一个在[0,1)区间内产生以1为顶点的基于统计学正态分布的随机函数。
8.如权利要求1所述的一种多维度人脸数据采集方案的采集系统,其上设有人脸识别模块、数据录入模块、策略模块、动态更新模块、数据模块,其中策略模块与人脸识别模块、数据录入模块、动态更新模块、数据模块分别数据连接,策略模块内置有权重策略和控制模块;人脸识别模块上设有图像采集模块,人脸识别模块可将采集模块所采集的人脸识别图像数据进行分析提取该次当前特征数据,并将提取的该次当前特征数据向策略模块输出;数据录入模块受策略模块控制,可将策略模块发来的录入特征发送到数据模块;动态更新模块受策略模块控制,可将收到的可更新的该次当前特征数据则发送到数据模块;数据模块内置有人脸特征库,可将收到的录入特征和该次当前特征存入其上的人脸特征库内,并根据策略模块的控制将人脸特征库内的数据发送到策略模块。
9.如权利要求8所述的一种多维度人脸数据采集方案的采集系统的采集方法,具体如下:
步骤一:数据录入模块收到策略模块发出的录入特征,并且发送到数据模块,数据模块将收到的录入特征存入其上的人脸特征库内;
步骤二:人脸识别模块利用其上的图像采集模块采集人脸识别图像,然后将采集到的识别图像数据进行分析提取该次当前特征数据,将提取的该次当前特征数据向策略模块输出;
步骤三:策略模块调取数据模块内的人脸特征库的数据,根据内置的权重策略进行计算,判断收到的该次当前特征数据是否符合权重策略中的同脸规则,若符合则判断为同脸,则向人脸识别模块发送同脸信号;同时进一步判断该次当前特征数据是否符合权重策略当中的记录规则,若符合记录规则,则将此该次当前特征发送到动态更新模块;
步骤四:动态更新模块收到步骤三的该次当前特征数据则发送到数据模块,数据模块将收到的该次当前特征存入其上的人脸特征库内。
10.如权利要求9所述的一种多维度人脸数据采集方案的采集系统的采集方法,其特征在于:在进行实际的人脸识别应用过程中,重复步骤二到步骤四的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811356249.0A CN109376686A (zh) | 2018-11-14 | 2018-11-14 | 一种多维度人脸数据采集方案、采集系统及采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811356249.0A CN109376686A (zh) | 2018-11-14 | 2018-11-14 | 一种多维度人脸数据采集方案、采集系统及采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376686A true CN109376686A (zh) | 2019-02-22 |
Family
ID=65389208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811356249.0A Withdrawn CN109376686A (zh) | 2018-11-14 | 2018-11-14 | 一种多维度人脸数据采集方案、采集系统及采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376686A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609920A (zh) * | 2019-08-05 | 2019-12-24 | 华中科技大学 | 一种视频监控场景下的行人混合搜索方法及系统 |
CN111160307A (zh) * | 2019-12-31 | 2020-05-15 | 帷幄匠心科技(杭州)有限公司 | 一种人脸识别方法及人脸识别打卡系统 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111724509A (zh) * | 2020-06-02 | 2020-09-29 | 北京骑胜科技有限公司 | 交通工具控制方法、装置、交通工具、服务器和存储介质 |
WO2021104128A1 (zh) * | 2019-11-26 | 2021-06-03 | 中兴通讯股份有限公司 | 特征库更新方法和装置、推理服务器及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982321A (zh) * | 2012-12-05 | 2013-03-20 | 深圳Tcl新技术有限公司 | 人脸库采集方法及装置 |
CN104050449A (zh) * | 2014-06-13 | 2014-09-17 | 无锡天脉聚源传媒科技有限公司 | 一种人脸识别方法及装置 |
CN104463237A (zh) * | 2014-12-18 | 2015-03-25 | 中科创达软件股份有限公司 | 一种基于多姿态识别的人脸验证方法及装置 |
CN104537336A (zh) * | 2014-12-17 | 2015-04-22 | 厦门立林科技有限公司 | 一种具备自学习功能的人脸识别方法和系统 |
CN105989363A (zh) * | 2016-04-29 | 2016-10-05 | 广东万峯信息科技有限公司 | 多角度人脸图片库的建立方法 |
CN106156702A (zh) * | 2015-04-01 | 2016-11-23 | 北京市商汤科技开发有限公司 | 身份认证方法及设备 |
CN107480658A (zh) * | 2017-09-19 | 2017-12-15 | 苏州大学 | 基于多角度视频的人脸识别装置和方法 |
CN107886711A (zh) * | 2017-11-16 | 2018-04-06 | 深圳大学 | 一种行人闯红灯警示系统及实现方法 |
CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
-
2018
- 2018-11-14 CN CN201811356249.0A patent/CN109376686A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982321A (zh) * | 2012-12-05 | 2013-03-20 | 深圳Tcl新技术有限公司 | 人脸库采集方法及装置 |
CN104050449A (zh) * | 2014-06-13 | 2014-09-17 | 无锡天脉聚源传媒科技有限公司 | 一种人脸识别方法及装置 |
CN104537336A (zh) * | 2014-12-17 | 2015-04-22 | 厦门立林科技有限公司 | 一种具备自学习功能的人脸识别方法和系统 |
CN104463237A (zh) * | 2014-12-18 | 2015-03-25 | 中科创达软件股份有限公司 | 一种基于多姿态识别的人脸验证方法及装置 |
CN106156702A (zh) * | 2015-04-01 | 2016-11-23 | 北京市商汤科技开发有限公司 | 身份认证方法及设备 |
CN105989363A (zh) * | 2016-04-29 | 2016-10-05 | 广东万峯信息科技有限公司 | 多角度人脸图片库的建立方法 |
CN107480658A (zh) * | 2017-09-19 | 2017-12-15 | 苏州大学 | 基于多角度视频的人脸识别装置和方法 |
CN107886711A (zh) * | 2017-11-16 | 2018-04-06 | 深圳大学 | 一种行人闯红灯警示系统及实现方法 |
CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
Non-Patent Citations (1)
Title |
---|
GUSTAVO ALVES BEZERRA等: "Recognition of Occluded and Lateral Faces Using MTCNN, DLIB and Homographies", 《SIBGRAPI 2018"S WORKSHOP OF UNDERGRADUATE STUDENTS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609920A (zh) * | 2019-08-05 | 2019-12-24 | 华中科技大学 | 一种视频监控场景下的行人混合搜索方法及系统 |
WO2021104128A1 (zh) * | 2019-11-26 | 2021-06-03 | 中兴通讯股份有限公司 | 特征库更新方法和装置、推理服务器及存储介质 |
CN111160307A (zh) * | 2019-12-31 | 2020-05-15 | 帷幄匠心科技(杭州)有限公司 | 一种人脸识别方法及人脸识别打卡系统 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111339990B (zh) * | 2020-03-13 | 2023-03-24 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111724509A (zh) * | 2020-06-02 | 2020-09-29 | 北京骑胜科技有限公司 | 交通工具控制方法、装置、交通工具、服务器和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376686A (zh) | 一种多维度人脸数据采集方案、采集系统及采集方法 | |
CN109766872B (zh) | 图像识别方法和装置 | |
CN105872477B (zh) | 视频监控方法和视频监控系统 | |
CN108846365B (zh) | 视频中打架行为的检测方法、装置、存储介质及处理器 | |
US7324670B2 (en) | Face image processing apparatus and method | |
CN101853391B (zh) | 信息处理设备和方法 | |
CN102945366B (zh) | 一种人脸识别的方法及装置 | |
CN111353352B (zh) | 异常行为检测方法及装置 | |
US11183012B2 (en) | Systems and methods of automated linking of players and gaming tokens | |
CN104679818B (zh) | 一种视频关键帧提取方法及系统 | |
CN107886521A (zh) | 事件检测装置和方法以及非暂态计算机可读存储介质 | |
CN106156702A (zh) | 身份认证方法及设备 | |
CN102682302A (zh) | 一种基于关键帧的多特征融合的人体姿态识别方法 | |
TWI707243B (zh) | 基於眼球跟蹤之活體檢測的方法、裝置及系統 | |
CN107316029A (zh) | 一种活体验证方法及设备 | |
CN111598132B (zh) | 一种人像识别算法性能评测方法和装置 | |
CN106780551B (zh) | 一种三维运动目标检测方法和系统 | |
CN105740779A (zh) | 人脸活体检测的方法和装置 | |
CN113449570A (zh) | 图像处理方法和装置 | |
CN109886111A (zh) | 基于微表情的比赛监控方法、装置、计算机设备及存储介质 | |
CN105095853A (zh) | 图像处理装置及图像处理方法 | |
CN115798022A (zh) | 一种基于特征提取的人工智能识别方法 | |
CN111209847A (zh) | 一种暴力分拣的识别方法及装置 | |
CN105427480B (zh) | 一种基于图像分析的柜员机 | |
RU2005100267A (ru) | Способ и система автоматической проверки присутствия живого лица человека в биометрических системах безопасности |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190222 |