CN109472223A - 一种人脸识别方法和装置 - Google Patents
一种人脸识别方法和装置 Download PDFInfo
- Publication number
- CN109472223A CN109472223A CN201811257772.8A CN201811257772A CN109472223A CN 109472223 A CN109472223 A CN 109472223A CN 201811257772 A CN201811257772 A CN 201811257772A CN 109472223 A CN109472223 A CN 109472223A
- Authority
- CN
- China
- Prior art keywords
- face
- target image
- image
- data
- colouring information
- 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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种人脸识别方法和装置,所述方法包括:将待识别图像划分为多个滑动窗口;分别获取每一个所述滑动窗口内目标图像的颜色信息;判断所述颜色信息是否在预设的肤色阈值范围内;当所述颜色信息在所述肤色阈值范围内时,对所述目标图像进行人脸识别。该方案首先对待识别图像中的颜色信息进行判别,只有目标图像的颜色信息满足肤色阈值范围的滑动窗口内才有可能存在人脸,该目标图像才可以进行人脸检测,与现有技术相比,采用肤色阈值范围对颜色进行判别,进而对识别区域进行筛选,缩小了识别范围,降低了数据运算量,提高了人脸识别的准确性。
Description
技术领域
本发明涉及识别技术领域,具体涉及一种人脸识别方法和装置。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。传统的人脸识别技术主要是基于可见光图像的人脸识别,这也是人们熟悉的识别方式,已有30多年的研发历史。但这种方式有着难以克服的缺陷,尤其在环境光照发生变化时,识别效果会急剧下降,无法满足实际系统的需要。早期的人脸识别研究主要针对具有较强约束条件的人脸图象(如无背景的图象),往往假设人脸位置一直或者容易获得,因此人脸检测问题并未受到重视。随着电子商务等应用的发展,人脸识别成为最有潜力的生物身份验证手段,这种应用背景要求自动人脸识别系统能够对一般图象具有一定的识别能力,由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。目前,国内外有很多学者和研究机构对人脸识别问题进行了深入的研究,其中国外比较著名的机构有MIT、CMU、USC等,国内有清华大学,亚洲微软研究院、中科院计算机技术研究所等。由此可见,人脸检识别术不管在理论研究还是实际应用都具备重要研究意义。
近几年,随着深度学习的发生,人脸识别技术在检测率和检测精确度上有了迅猛的发展,但是由于人脸识别问题的复杂性,实现通用的人脸识别算法还不实际,且深度学习的应用虽然提高了人脸识别的精确度,但是同时也增加了算法的复杂程度,以目前的情况来看,在普通的PC平台下还很难达到实时检测的要求,更不用说是在配置相对更低的嵌入式平台上。由于大部分人脸识别器对人脸平面旋转角度都有一定的要求,例如有的算法只能检测平面旋转角度左右小于15度的人脸,就算当前最好的算法在人脸旋转角度很大时也很难准确检测到,现有的解决方案通常是将图像进行旋转,而将图像旋转就会改变图像的相关数据,进而导致检测结果精确度不高,并且在嵌入式平台上做图像的旋转是十分耗时的。
因此,如何提高人脸识别的精确度,成为一个亟待解决的技术问题。
发明内容
因此,本发明要解决的技术问题在于现有技术中人脸识别的精确度低。
从而提供一种人脸识别方法和装置。
有鉴于此,本发明实施例的第一方面提供了一种人脸识别方法,包括:将待识别图像划分为多个滑动窗口;分别获取每一个所述滑动窗口内目标图像的颜色信息;判断所述颜色信息是否在预设的肤色阈值范围内;当所述颜色信息在所述肤色阈值范围内时,对所述目标图像进行人脸识别。
优选地,还包括:将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像;判断所述合并图像中是否存在人脸图像;在所述合并图像中存在人脸图像时,输出所述人脸图像的位置信息。
优选地,所述分别获取每一个所述滑动窗口内目标图像的颜色信息包括:将所述目标图像转换至YUV色彩空间,得到所述目标图像的YUV数据;从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。
优选地,所述对所述目标图像进行人脸识别包括:建立人脸检测模型;获取所述目标图像对应的预设的坐标旋转角度;将所述目标图像和所述坐标旋转角度输入所述人脸检测模型,将输出结果作为人脸识别结果。
优选地,所述建立人脸检测模型包括:采集人脸图像数据作为正样本,采集不包含人脸的图像数据作为负样本;将所述正样本和所述负样本转换为极坐标体系数据;基于PICO算法从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征;采用所述极坐标特征训练分类器,得到所述人脸检测模型。
本发明实施例的第二方面提供了一种人脸识别装置,包括:划分模块,用于将待识别图像划分为多个滑动窗口;获取模块,用于分别获取每一个所述滑动窗口内目标图像的颜色信息;第一判断模块,用于判断所述颜色信息是否在预设的肤色阈值范围内;识别模块,用于当所述颜色信息在所述肤色阈值范围内时,对所述目标图像进行人脸识别。
优选地,还包括:合并模块,用于将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像;第二判断模块,用于判断所述合并图像中是否存在人脸图像;输出模块,用于在所述合并图像中存在人脸图像时,输出所述人脸图像的位置信息。
优选地,所述获取模块包括:转换单元,用于将所述目标图像转换至YUV色彩空间,得到所述目标图像的YUV数据;提取单元,用于从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。
优选地,所述识别模块包括:建立单元,用于建立人脸检测模型;获取单元,用于获取所述目标图像对应的预设的坐标旋转角度;将检测单元,用于所述目标图像和所述坐标旋转角度输入所述人脸检测模型,将输出结果作为人脸识别结果。
优选地,所述建立单元包括:采集子单元,用于采集人脸图像数据作为正样本,采集不包含人脸的图像数据作为负样本;转换子单元,用于将所述正样本和所述负样本转换为极坐标体系数据;提取子单元,用于基于PICO算法从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征;训练子单元,用于采用所述极坐标特征训练分类器,得到所述人脸检测模型。
本发明的技术方案具有以下优点:
本发明实施例提供的人脸识别方法和装置,在进行人脸识别时,首先对待识别图像中的颜色信息进行判别,只有目标图像的颜色信息满足肤色阈值范围的滑动窗口内才有可能存在人脸,该目标图像才可以进行人脸检测,与现有技术相比,采用肤色阈值范围对颜色进行判别,进而对识别区域进行筛选,缩小了识别范围,降低了数据运算量,提高了人脸识别的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的人脸识别方法的一个流程图;
图2为本发明实施例2的人脸识别装置的一个框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种人脸识别方法,可用于各种场景中的人脸识别,如图1所示,包括如下步骤:
S11:将待识别图像划分为多个滑动窗口。此处通过将待识别图像划分为多个滑动窗口来分别进行颜色判别,不仅可以缩小识别范围,而且可以提高数据计算精度。
S12:分别获取每一个滑动窗口内目标图像的颜色信息。即将目标图像的颜色信息作为人脸识别的一个参考依据,进而缩小人脸检测的范围。作为一种优选方案,步骤S12可以包括:将目标图像转换至YUV色彩空间,得到目标图像的YUV数据;从YUV数据中提取U数据和V数据作为目标图像的颜色信息。即采用粉色检测原理进行肤色判别,肤色检测是指在目标图像中选取对应于人体皮肤像素的过程,具体地,将目标图像转换到YUV色彩空间下,对每个像素的U,V值作为目标图像的颜色信息进行提取,得到颜色信息。
S13:判断颜色信息是否在预设的肤色阈值范围内。有学者研究发现,将图像转换到YUV色彩空间后,人的皮肤的色彩值U和V的分布在某一个特定的区间(即肤色阈值范围)内,与Y(亮度)值无关,因此利用这个特性,可以将步骤S12中每个像素的U,V值作为目标图像的颜色信息进行肤色判定,具体地,可以对满足条件的目标图像进行标记,比如若判别颜色信息在肤色阈值范围内的目标图像标记为1,否则标记为0。如此,可以准确地确定目标图像中是否有肤色区域,只有存在肤色区域的目标图像才可能存在人脸,进而可以进入人脸检测过程,即进入步骤S14,而不存在肤色区域的目标图像也不可能存在人脸,因此无需进入人脸检测即可判定该目标图像中无人脸,不仅缩小了人脸检测范围,降低了数据量,而且提高了人脸识别的精确度。
S14:当颜色信息在肤色阈值范围内时,对目标图像进行人脸识别。在确定颜色信息在预设的肤色阈值范围内时,说明该目标图像中可能存在人脸,则对该目标图像进行人脸识别。
作为一种优选方案,步骤S14可以如下步骤:
步骤一:首先建立人脸检测模型,具体地,采集人脸图像数据作为正样本,采集不包含人脸的图像数据作为负样本;此处,正样本所用的人脸数据可以是一些历史图像中的人脸数据,该人脸数据包含但不限于人脸信息、光照场景信息、年龄信息和性别信息。精确的人脸数据可以获取更加精确的人脸检测模型。为了与正样本有明确的区分性,负样本要挑选不包含人脸的图像数据,以达到人脸与非人脸的准确区分,在具体实施过程中,可以将正、负样本的大小进行统一转化,比如统一为大小为20*20的样本,并进行滤波,比如采用高斯滤波进行处理,以获得统一平滑的样本,有利于之后的坐标转换和数据计算。然后将正样本和负样本转换为极坐标体系数据,通过极坐标体系数据来表达正、负样本,使得正、负样本具有旋转角度参数,正、负样本足够丰富的情况下,其对应的极坐标体系数据就可以包含全部的旋转角度,使得正、负样本的特征有可旋转特性。然后基于PICO算法从极坐标体系数据中分别提取正样本和负样本的极坐标特征,正、负样本的极坐标特征不仅可以准确表征正、负样本的特征参数,而且因角度参数的存在使其具有可旋转性,进而可以使最终训练得到的人脸检测模型具有随坐标旋转角度变化而发生相适应的旋转的特性;具体可以按照PICO算法的原理提取正、负样本的极坐标特征,PICO算法是提取点对特征,对两个像素点进行对比,提取到的特征更加有效,数据运算效率更高。最后采用极坐标特征训练分类器,得到人脸检测模型。由正、负样本的极坐标特征作为分类器的训练样本得到的人脸检测模型,可以随输入的坐标旋转角度变化而发生相适应的旋转,即如果需要该人脸检测模型发生一定的旋转,只需要向其输入一个对应的坐标旋转角度即可,如此通过简单操作即可获得丰富的人脸检测模型,增添了人脸检测模型的功能多样化,进而扩大了人脸检测的适用范围。
步骤二:获取目标图像对应的预设的坐标旋转角度。在确定颜色信息在预设的肤色阈值范围内时,说明该目标图像中可能存在人脸,则可以根据目标图像中的对象信息确定该目标对象对应的坐标旋转角度,比如,目标图像中的人脸向左旋转了15°,则此时坐标旋转角度即为15°。作为一种优选方案,为了更进一步的降低数据量,对于判定存在肤色区域的目标图像,还可以通过肤色区域在目标图像中所占比例进一步筛选,比如,可以为肤色区域在目标图像中所占比例设置一个比例阈值,只有肤色区域所占比例达到该比例阈值时,才会将该目标图像进入人脸检测模型进行检测,否则丢弃该目标图像,当然该方案虽然可以降低人脸检测的数据量,检测精度也会受到影响,因此在具体使用场景中可以根据实际需要进行取舍。
步骤三:将目标图像和坐标旋转角度输入人脸检测模型,将输出结果作为人脸识别结果。即对满足条件的目标图像进行人脸检测,检测结果即可作为识别结果,坐标旋转角度是目标图像的一个参数,对于存在人脸旋转的目标图像可以通过该坐标旋转角度使人脸检测模型发生相适应的旋转,进而无需旋转目标图像即可准确地检测出发生旋转的人脸,避免了因图像旋转带来的检测数据精度降低的问题,不仅操作简单,而且提高了人脸识别的准确性。
作为一种优选方案,为了得到待识别图像中的完整的人脸信息,还可以包括如下步骤:
S15:将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像。通过步骤S11-S14的筛选和识别,会得到多个存在人脸的目标滑动窗口,每个目标滑动窗口内的人脸图像一般只是局部的,不一定完整,因此通过将这些目标滑动窗口内目标图像进行合并,可以到合并后的比较完整的合并图像。
S16:判断合并图像中是否存在人脸图像。由于各种因素,合并图像中的人脸并不一定完整,有可能只是人脸的很小的一部分,比如待识别图像中原本的人脸区域不完整,就会导致合并图像中的人脸也只有很小一部分,通过再一次的判断合并图像中是否存在人脸图像可以降低识别结果误判率,如果判断结果为是,进入步骤S17,否则,说明步骤S11-S14的识别结果可能存在误判。
S17:在合并图像中存在人脸图像时,输出人脸图像的位置信息。如果合并图像中存在人脸图像,可以通过获取合并图像中的人脸信息来得到人脸图像的位置信息,当然也可以得到与该人脸图像相关的其他人脸信息,将这些信息输出,可以为与人脸识别相关的领域提供丰富的参考材料。
本实施例提供的人脸识别方法,在进行人脸识别时,首先对待识别图像中的颜色信息进行判别,只有目标图像的颜色信息满足肤色阈值范围的滑动窗口内才有可能存在人脸,该目标图像才可以进行人脸检测,与现有技术相比,采用肤色阈值范围对颜色进行判别,进而对识别区域进行筛选,缩小了识别范围,降低了数据运算量,提高了人脸识别的准确性。同时通过将识别出人脸的目标滑动窗口内目标图像进行合并,可以到合并后的比较完整的合并图像,对该合并图像再次进行人脸判别,进而准确输出相关的人脸信息,扩展了人脸识别的适用范围,增添了人脸识别的多样性。
实施例2
本实施例供了一种人脸识别装置,可用于各种场景中的人脸识别,如图2所示,包括:划分模块21、获取模块22、第一判断模块23和识别模块24,各模块功能如下:
划分模块21,用于将待识别图像划分为多个滑动窗口,具体参见实施例1中对步骤S11的详细描述。
获取模块22,用于分别获取每一个滑动窗口内目标图像的颜色信息,具体参见实施例1中对步骤S12的详细描述。
第一判断模块23,用于判断颜色信息是否在预设的肤色阈值范围内,具体参见实施例1中对步骤S13的详细描述。
识别模块24,用于当颜色信息在肤色阈值范围内时,对目标图像进行人脸识别。具体参见实施例1中对步骤S14的详细描述。
作为一种优选方案,还包括:合并模块25,用于将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像,具体参见实施例1中对步骤S15的详细描述。
第二判断模块26,用于判断合并图像中是否存在人脸图像,具体参见实施例1中对步骤S16的详细描述。
输出模块27,用于在合并图像中存在人脸图像时,输出人脸图像的位置信息。具体参见实施例1中对步骤S17的详细描述。
作为一种优选方案,获取模块22包括:转换单元,用于将目标图像转换至YUV色彩空间,得到目标图像的YUV数据;提取单元,用于从YUV数据中提取U数据和V数据作为目标图像的颜色信息。具体参见实施例1中对步骤S12的优选方案的详细描述。
作为一种优选方案,识别模块24包括:建立单元,用于建立人脸检测模型;获取单元,用于获取目标图像对应的预设的坐标旋转角度;将检测单元,用于目标图像和坐标旋转角度输入人脸检测模型,将输出结果作为人脸识别结果。具体参见实施例1中对步骤S14的优选方案的详细描述。
作为一种优选方案,建立单元包括:采集子单元,用于采集人脸图像数据作为正样本,采集不包含人脸的图像数据作为负样本;转换子单元,用于将正样本和负样本转换为极坐标体系数据;提取子单元,用于基于PICO算法从极坐标体系数据中分别提取正样本和负样本的极坐标特征;训练子单元,用于采用极坐标特征训练分类器,得到人脸检测模型。具体参见实施例1中的相关详细描述。
本实施例提供的人脸识别装置,在进行人脸识别时,首先对待识别图像中的颜色信息进行判别,只有目标图像的颜色信息满足肤色阈值范围的滑动窗口内才有可能存在人脸,该目标图像才可以进行人脸检测,与现有技术相比,采用肤色阈值范围对颜色进行判别,进而对识别区域进行筛选,缩小了识别范围,降低了数据运算量,提高了人脸识别的准确性。同时通过将识别出人脸的目标滑动窗口内目标图像进行合并,可以到合并后的比较完整的合并图像,对该合并图像再次进行人脸判别,进而准确输出相关的人脸信息,扩展了人脸识别的适用范围,增添了人脸识别的多样性。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
将待识别图像划分为多个滑动窗口;
分别获取每一个所述滑动窗口内目标图像的颜色信息;
判断所述颜色信息是否在预设的肤色阈值范围内;
当所述颜色信息在所述肤色阈值范围内时,对所述目标图像进行人脸识别。
2.根据权利要求1所述的人脸识别方法,其特征在于,还包括:
将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像;
判断所述合并图像中是否存在人脸图像;
在所述合并图像中存在人脸图像时,输出所述人脸图像的位置信息。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述分别获取每一个所述滑动窗口内目标图像的颜色信息包括:
将所述目标图像转换至YUV色彩空间,得到所述目标图像的YUV数据;
从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。
4.根据权利要求1所述的人脸识别方法,其特征在于,所述对所述目标图像进行人脸识别包括:
建立人脸检测模型;
获取所述目标图像对应的预设的坐标旋转角度;
将所述目标图像和所述坐标旋转角度输入所述人脸检测模型,将输出结果作为人脸识别结果。
5.根据权利要求4所述的人脸识别方法,其特征在于,所述建立人脸检测模型包括:
采集人脸图像数据作为正样本,采集不包含人脸的图像数据作为负样本;
将所述正样本和所述负样本转换为极坐标体系数据;
基于PICO算法从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征;
采用所述极坐标特征训练分类器,得到所述人脸检测模型。
6.一种人脸识别装置,其特征在于,包括:
划分模块,用于将待识别图像划分为多个滑动窗口;
获取模块,用于分别获取每一个所述滑动窗口内目标图像的颜色信息;
第一判断模块,用于判断所述颜色信息是否在预设的肤色阈值范围内;
识别模块,用于当所述颜色信息在所述肤色阈值范围内时,对所述目标图像进行人脸识别。
7.根据权利要求6所述的人脸识别装置,其特征在于,还包括:
合并模块,用于将识别为人脸的多个目标滑动窗口内目标图像进行合并得到合并图像;
第二判断模块,用于判断所述合并图像中是否存在人脸图像;
输出模块,用于在所述合并图像中存在人脸图像时,输出所述人脸图像的位置信息。
8.根据权利要求6所述的人脸识别装置,其特征在于,所述获取模块包括:
转换单元,用于将所述目标图像转换至YUV色彩空间,得到所述目标图像的YUV数据;
提取单元,用于从所述YUV数据中提取U数据和V数据作为所述目标图像的颜色信息。
9.根据权利要求6所述的人脸识别装置,其特征在于,所述识别模块包括:
建立单元,用于建立人脸检测模型;
获取单元,用于获取所述目标图像对应的预设的坐标旋转角度;
将检测单元,用于所述目标图像和所述坐标旋转角度输入所述人脸检测模型,将输出结果作为人脸识别结果。
10.根据权利要求9所述的人脸识别装置,其特征在于,所述建立单元包括:
采集子单元,用于采集人脸图像数据作为正样本,采集不包含人脸的图像数据作为负样本;
转换子单元,用于将所述正样本和所述负样本转换为极坐标体系数据;
提取子单元,用于基于PICO算法从所述极坐标体系数据中分别提取所述正样本和所述负样本的极坐标特征;
训练子单元,用于采用所述极坐标特征训练分类器,得到所述人脸检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257772.8A CN109472223A (zh) | 2018-10-26 | 2018-10-26 | 一种人脸识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257772.8A CN109472223A (zh) | 2018-10-26 | 2018-10-26 | 一种人脸识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472223A true CN109472223A (zh) | 2019-03-15 |
Family
ID=65666054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811257772.8A Pending CN109472223A (zh) | 2018-10-26 | 2018-10-26 | 一种人脸识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472223A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298294A (zh) * | 2019-06-25 | 2019-10-01 | 中国人民解放军火箭军工程大学 | 一种基于yuv颜色空间的简易目标识别方法 |
CN111814697A (zh) * | 2020-07-13 | 2020-10-23 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、系统及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040120399A1 (en) * | 1998-12-25 | 2004-06-24 | Canon Kabushiki Kaisha | Image processing apparatus and method |
CN106529398A (zh) * | 2016-09-23 | 2017-03-22 | 深圳云天励飞技术有限公司 | 基于级联结构的快速精准人脸检测方法 |
CN106934328A (zh) * | 2015-12-30 | 2017-07-07 | 厦门中控生物识别信息技术有限公司 | 一种人脸检测算法的评估方法及装置 |
CN108563997A (zh) * | 2018-03-16 | 2018-09-21 | 新智认知数据服务有限公司 | 一种建立人脸检测模型、人脸识别的方法和装置 |
-
2018
- 2018-10-26 CN CN201811257772.8A patent/CN109472223A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040120399A1 (en) * | 1998-12-25 | 2004-06-24 | Canon Kabushiki Kaisha | Image processing apparatus and method |
CN106934328A (zh) * | 2015-12-30 | 2017-07-07 | 厦门中控生物识别信息技术有限公司 | 一种人脸检测算法的评估方法及装置 |
CN106529398A (zh) * | 2016-09-23 | 2017-03-22 | 深圳云天励飞技术有限公司 | 基于级联结构的快速精准人脸检测方法 |
CN108563997A (zh) * | 2018-03-16 | 2018-09-21 | 新智认知数据服务有限公司 | 一种建立人脸检测模型、人脸识别的方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298294A (zh) * | 2019-06-25 | 2019-10-01 | 中国人民解放军火箭军工程大学 | 一种基于yuv颜色空间的简易目标识别方法 |
CN110298294B (zh) * | 2019-06-25 | 2022-02-11 | 中国人民解放军火箭军工程大学 | 一种基于yuv颜色空间的简易目标识别方法 |
CN111814697A (zh) * | 2020-07-13 | 2020-10-23 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、系统及电子设备 |
CN111814697B (zh) * | 2020-07-13 | 2024-02-13 | 伊沃人工智能技术(江苏)有限公司 | 一种实时人脸识别方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2016250791B2 (en) | Colony contrast gathering | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN104778474B (zh) | 一种用于目标检测的分类器构建方法及目标检测方法 | |
WO2019127273A1 (zh) | 一种多人脸检测方法、装置、服务器、系统及存储介质 | |
CN108596102B (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN109190475B (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN111047568A (zh) | 一种漏汽缺陷检测识别方法及系统 | |
Boucher et al. | Development of a semi-automatic system for pollen recognition | |
CN107016353B (zh) | 一种变分辨率目标探测与识别一体化的方法与系统 | |
CN105205437B (zh) | 基于头部轮廓验证的侧脸检测方法及装置 | |
CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
CN109409289A (zh) | 一种电力作业安全监督机器人安全作业识别方法及系统 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
WO2018010386A1 (zh) | 元件反件检测方法和系统 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN108563997A (zh) | 一种建立人脸检测模型、人脸识别的方法和装置 | |
CN109472223A (zh) | 一种人脸识别方法和装置 | |
CN109740486A (zh) | 一种对图像包含的人类数量进行识别的方法及系统 | |
Das et al. | Human face detection in color images using HSV color histogram and WLD | |
CN112329893A (zh) | 基于数据驱动的异源多目标智能检测方法及系统 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |