CN109657612B - 一种基于人脸图像特征的质量排序系统及其使用方法 - Google Patents
一种基于人脸图像特征的质量排序系统及其使用方法 Download PDFInfo
- Publication number
- CN109657612B CN109657612B CN201811556273.9A CN201811556273A CN109657612B CN 109657612 B CN109657612 B CN 109657612B CN 201811556273 A CN201811556273 A CN 201811556273A CN 109657612 B CN109657612 B CN 109657612B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- face
- feature
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001815 facial effect Effects 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000013441 quality evaluation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人脸图像特征的质量排序系统及其使用方法,本方法包括人脸图像特征提取和人脸质量排序两个阶段;第一阶段,提取人脸图像序列的关键点及遮挡信息、头部姿态、图像亮度、清晰度、对比度、光照等信息,第二阶段使用改进的RankNet神经网络方法对人脸图像序列进行排序,选择多帧连续人脸中的最优结果进行人脸特征比对,提高了特征比对的效率和准确率。本发明提出的特征抽取及改进的RankNet神经网络排序模型具有较大的性能改进和较高的一致性,大大提高了人脸特征比对的准确率和效率。
Description
技术领域
本发明属于数字图像处理和模式识别领域,尤其涉及一种基于人脸图像特征的质量排序系统及其使用方法。
背景技术
人脸图像质量评估排序指的是在一个人脸序列中通过对人脸序列排序从而找出质量最优的人脸图像,是降低特征提取操作复杂度,提升人脸比对速度的关键步骤。从上世纪八十年代开始,国内外已经有许多高校及科研机构致力于人脸质量评估的研究,根据使用到的技术方向可以将其分为两种研究路线,一是通过若干图像的固有特征属性,结合先验知识对图像进行质量评估的基于图像先验信息的人脸质量评估方法,该方法有着算法构造简单、运算速度快的特点,但是由于依赖先验知识,评估算法的误差相对较大;二是通过训练分类器获得质量评估模型,对人脸图像进行质量评估的基于机器学习的人脸质量评估方法,该方法鲁棒性好,准确性较高,难点在于训练需要标注数量巨大的训练集,标注时间成本较高,并且网络模型参数调整需要一定经验和技巧。
发明内容
本发明克服了现有技术的不足,提供一种基于人脸图像特征的质量排序系统及其使用方法,减轻了特征比对过程的计算压力,提升了特征比对的计算速度。
为达到上述目的,本发明采用的技术方案为:一种基于人脸图像特征的质量排序系统,包括:第一人脸检测模块,用于接受输入的图像,并从所述图像中检测出人脸区域;人脸特征提取模块,用于提取人脸的特征信息;人脸比对排序模块,使用改进的RankNet模型用于对人脸质量进行排序。
本发明一个较佳实施例中,所述人脸特征提取模块包括:关键点、关键点遮挡信息、图像亮度信息、图像清晰度信息、图像对比度信息以及图像光照信息。
本发明一个较佳实施例中,一种基于人脸图像特征的质量排序系统的使用方法,包括以下步骤:
S1、接收输入的图像帧序列,并从所述图像中提取出人脸区域;
S2、接收输入的人脸图像序列,并从所述图像序列中分别提取人脸特征;
S3、基于提取的特征信息,构造RankNet网络的训练数据,建立改进的RankNet神经网络排序模型,通过梯度下降法迭代训练更新模型,最终得到输入人脸图像序列的最终质量排名。
本发明一个较佳实施例中,步骤S1中,根据输入的视频帧序列,提取视频帧中的人脸图像序列,并保证该序列中的人脸图像为同一人物。
本发明一个较佳实施例中,步骤S2中,所述人脸特征包括关键点特征、关键点遮挡特征、头部姿态特征、图像亮度特征、清晰度特征、对比度特征以及光照特征。
本发明一个较佳实施例中,所述关键点特征及关键点遮挡特征包括五官轮廓在内的关键点位置信息及关键点遮挡信息。
本发明一个较佳实施例中,所述关键点位置信息及关键点遮挡信息包括偏航角,俯仰角,滚转角在内的头部姿态信息、基于RGB图像的亮度信息、基于拉普拉斯算子提取图像清晰度信息、基于图像强度均方根的对比度信息以及基于分块区域平均强度的加权光照信息。
本发明一个较佳实施例中,步骤S3中,对图像特征信息进行归一化处理,对于同一图片序列中的任一个图片对(Ii,Ij),需要保证Ii比Ij质量评分更好,即含有n张图片的图片序列,共有个图片对。oi表示样本xi的排名,oi,j=oi-oj,如果oi,j>0代表xi排名大于xj,RankNet的概率模型为:
所以,对于任一含有n个样本的样本图片特征序列,只需要知道相邻n-1个样本的概率Pi,i+1,就可以计算出任两个图片样本的排序概率,即可计算出该样本序列的排序结果,
假如已知Pi,k和Pk,j,那么Pi,j为:
改进的RankNet网络为五层的神经网络,输入为每一个图片对对应的两组特征信息xi,xj作为一条特征向量作为RankNet神经网络模型的训练数据,训练数据的标签为oi,oj,特别之处在于oi和oj会进行一次损失的计算并进行反向传播更新网络参数。损失函数使用交叉熵的形式,具体为:
即所述改进的RankNet神经网络排序模型能够得到输入人脸图像序列的最终质量排名。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
基于RankNet模型的图像质量排序,可以选出一组图像序列中最优图像,减轻了特征比对的计算压力,提升了特征比对的准确率和效率。
附图说明
下面结合附图和实施例对本发明进一步说明;
图1为本发明优选实施例的方法流程图;
图2为本发明优选实施例人脸特征提取的流程图;
图3为本发明优选实施例的神经网络排序模型;
图4为本发明优选实施例的人脸图像特征排序模型;
具体实施方式
现在结合附图和实施例对本发明作进一步详细的说明,这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,一种基于人脸图像特征的质量排序系统,包括:第一人脸检测模块,用于接受输入的图像,并从所述图像中检测出人脸区域;人脸特征提取模块,用于提取人脸的特征信息;人脸比对排序模块,使用改进的RankNet模型用于对人脸质量进行排序。
具体地,所述人脸特征提取模块包括:关键点、关键点遮挡信息、图像亮度信息、图像清晰度信息、图像对比度信息以及图像光照信息。
进一步地,一种基于人脸图像特征的质量排序系统的使用方法,包括以下步骤:
S1、接收输入的图像帧序列,并从所述图像中提取出人脸区域;
S2、接收输入的人脸图像序列,并从所述图像序列中分别提取人脸特征;
S3、基于提取的特征信息,构造RankNet网络的训练数据,建立改进的RankNet神经网络排序模型,通过梯度下降法迭代训练更新模型,最终得到输入人脸图像序列的最终质量排名。
具体地,步骤S1中,根据输入的视频帧序列,提取视频帧中的人脸图像序列,并保证该序列中的人脸图像为同一人物。
本发明一个较佳实施例中,步骤S2中,所述人脸特征包括关键点特征、关键点遮挡特征、头部姿态特征、图像亮度特征、清晰度特征、对比度特征以及光照特征。
进一步地,所述关键点特征及关键点遮挡特征包括五官轮廓在内的关键点位置信息及关键点遮挡信息。
具体而言,所述关键点位置信息及关键点遮挡信息包括偏航角,俯仰角,滚转角在内的头部姿态信息、基于RGB图像的亮度信息、基于拉普拉斯算子提取图像清晰度信息、基于图像强度均方根的对比度信息以及基于分块区域平均强度的加权光照信息。
如图2所示,本实施例提供的基于人脸图像特征的质量排序方法主要分为三个过程:一是,人脸序列提取过程,二是,人脸序列特征提取过程,三是人脸序列质量排序过程,人脸序列提取过程,当接收到输入的图像序列,为了保证该序列为同一人的连续图像,在首次接收到图像检测到该人后,第二帧图像将在上一帧该人脸区域周围进行检测,后续图像帧也将按照此规律对该人脸图像进行跟踪检测,最后将每一帧的结果拼接位完整的图像序列,人脸特征提取过程提取的特征包括68个人脸关键点及遮挡信息,俯仰角、偏航角、旋转角三个头部姿态信息,图像亮度信息,图像清晰度信息,图像对比度信息,图像光照信息,其中前三种特征使用多任务混合神经网络模型提取,后五种特征通过图片质量计算得出。
进一步地,步骤S3中,对图像特征信息进行归一化处理,对于同一图片序列中的任一个图片对(Ii,Ij),需要保证Ii比Ij质量评分更好,即含有n张图片的图片序列,共有个图片对。oi表示样本xi的排名,oi,j=oi-oj,如果oi,j>0代表xi排名大于xj,RankNet的概率模型为:
所以,对于任一含有n个样本的样本图片特征序列,只需要知道相邻n-1个样本的概率Pi,i+1,就可以计算出任两个图片样本的排序概率,即可计算出该样本序列的排序结果,
假如已知Pi,k和Pk,j,那么Pi,j为:
改进的RankNet网络为五层的神经网络,输入为每一个图片对对应的两组特征信息xi,xj作为一条特征向量作为RankNet神经网络模型的训练数据,训练数据的标签为oi,oj,特别之处在于oi和oj会进行一次损失的计算并进行反向传播更新网络参数。损失函数使用交叉熵的形式,具体为:
即所述改进的RankNet神经网络排序模型能够得到输入人脸图像序列的最终质量排名。
参考图3,神经网络排序模型,其中人脸特征点的训练数据为68个关键点坐标及其遮挡信息,头部姿态将每一个欧拉角分为9个互斥的子集:
{(70,90],(50,70],(30,50],(10,30],(-10,10],(-10,-30],(-30,-50],(-50,-70],(-70,-90]},多任务模型可分为136个关键点坐标值的回归任务,68个遮挡信息的回归任务,另外3组9个角度的分类任务。
其中回归任务的损失函数使用欧几里得损失函数,分类任务使用的损失函数为SoftMax损失函数,
欧几里得损失函数Ek为:
其中表示样本标签,/>表示神经网络的实际输出。
SoftMax损失函数为:
(共有m个类别)
人脸图像亮度表示是图像的明暗,图像在亮度合适的范围内,人物识别率会大大提升,图像在RGB通道下图像亮度的计算方式为:
L=R*0.3+G*0.59+B*0.11
图像清晰度的计算方式使用拉普拉斯变换进行图像清晰度检测,拉普拉斯变换以图像邻域内像素灰度查分计算为基础,通过计算二阶微分推到出的一种图像邻域增强算法。当邻域的中信像素灰度低于它所在邻域内的其他像素的平均灰度时,此中信像素的灰度应该被进一步降低,反之则进一步提高中心像素的灰度,从而达到对图像边缘实现锐化的效果。本发明中,通过对邻域中心像素的八方向求梯度,并将梯度和相加来判断中心像素灰度与邻域内其他像素灰度的关系,使用梯度运算的结果对像素灰度进行调整。
对于每一张人脸图像,拉普拉斯变换以卷积形式表示为:
其中k=1,l=1时H(r,s)取下式拉普拉斯八方向的锐化模板:
然后计算输出的方差,该方差大于一定阈值则图片视为清晰,该值则为清晰度特征。
图像对比度是指图像亮暗的对比程度,可以在一定程度上表现为图像画质的清晰程度,对比度的计算公式为:
其中δ(i,j)=|i-j|为相邻像素间的灰度差,Pδ(i,j)为相邻像素间的灰度差为δ的像素分布概率。
图像光照与图像亮度类似却有不同,恰当的光照条件对人脸识别的准确率会有提升,但是过度的光照对人脸识别反而有不好的影响。图像光照的计算公式为:
其中/>
其中图像I(x,y)的大小为M*N,ωi为第i个区域的高斯权重。
参考图4,为人脸图像质量排序模型。首先对图像特征信息进行归一化处理,对于同一图片序列中的任一个图片对(Ii,Ij),需要保证Ii比Ij质量评分更好,即含有n张图片的图片序列,共有个图片对。oi表示样本xi的排名,oi,j=oi-oj,如果oi,j>0代表xi排名大于xj,RankNet的概率模型为:
所以,对于任一含有n个样本的样本图片特征序列,只需要知道相邻n-1个样本的概率Pi,i+1,就可以计算出任两个图片样本的排序概率,即可计算出该样本序列的排序结果。
假如已知Pi,k和Pk,j,那么Pi,j为:
改进的RankNet网络为五层的神经网络,输入为每一个图片对对应的两组特征信息xi,xj作为一条特征向量作为RankNet神经网络模型的训练数据,训练数据的标签为oi,oj,特别之处在于oi和oj会进行一次损失的计算并进行反向传播更新网络参数。损失函数使用交叉熵的形式,具体为:
总而言之,本发明提供的一种基于人脸图像特征的的质量排序方法及系统,对人脸质量进行排序过程主要包括人脸特征的提取和人脸图像质量排序两个阶段,第一阶段,根据训练数据训练多任务混合神经网络模型,提取人脸图像序列的特征序列信息;第二阶段,根据人脸特征序列信息建立RankNet模型,利用交叉熵损失函数形式更新网络模型参数,能够将人脸序列以质量从高到低的方式进行排列输出。提升了后续特征比对阶段的比对准确率,在人群密集场景下,提升了人脸比对速度。
以上依据本发明的理想实施例为启示,通过上述的说明内容,相关人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定技术性范围。
Claims (6)
1.一种基于人脸图像特征的质量排序系统,其特征在于,包括:
第一人脸检测模块,用于接受输入的图像,并从所述图像中检测出人脸区域;
人脸特征提取模块,用于提取人脸的特征信息;
人脸比对排序模块,使用改进的RankNet模型用于对人脸质量进行排序;
还包括以下步骤:
S1、接收输入的图像帧序列,并从所述图像中提取出人脸区域;
S2、接收输入的人脸图像序列,并从所述图像序列中分别提取人脸特征;
S3、基于提取的特征信息,构造RankNet网络的训练数据,建立改进的RankNet神经网络排序模型,通过梯度下降法迭代训练更新模型,最终得到输入人脸图像序列的最终质量排名;
步骤S3中,对图像特征信息进行归一化处理,对于同一图片序列中的任一个图片对(Ii,Ij),需要保证Ii比Ij质量评分更好,即含有n张图片的图片序列,共有/2个图片对,oi表示样本xi的排名,oi,j=oi-oj,如果oi,j>0代表xi排名大于xj,RankNet的概率模型为:
所以,对于任一含有n个样本的样本图片特征序列,只需要知道相邻n-1个样本的概率Pi,i+1,就可以计算出任两个图片样本的排序概率,即可计算出该样本序列的排序结果,
假如已知Pi,k和Pk,j,那么Pi,j为:
改进的RankNet网络为五层的神经网络,输入为每一个图片对对应的两组特征信息xi,xj作为一条特征向量作为RankNet神经网络模型的训练数据,训练数据的标签为oi,oj,特别之处在于oi和oj会进行一次损失的计算并进行反向传播更新网络参数,损失函数使用交叉熵的形式,具体为:
即所述改进的RankNet神经网络排序模型能够得到输入人脸图像序列的最终质量排名。
2.根据权利要求1所述的一种基于人脸图像特征的质量排序系统,其特征在于,所述人脸特征提取模块包括:关键点、关键点遮挡信息、图像亮度信息、图像清晰度信息、图像对比度信息以及图像光照信息。
3.根据权利要求2所述的一种基于人脸图像特征的质量排序系统的使用方法,其特征在于,步骤S1中,根据输入的视频帧序列,提取视频帧中的人脸图像序列,并保证该序列中的人脸图像为同一人物。
4.根据权利要求2所述的一种基于人脸图像特征的质量排序系统的使用方法,其特征在于,步骤S2中,所述人脸特征包括关键点特征、关键点遮挡特征、头部姿态特征、图像亮度特征、清晰度特征、对比度特征以及光照特征。
5.根据权利要求4所述的一种基于人脸图像特征的质量排序系统的使用方法,其特征在于,所述关键点特征及关键点遮挡特征包括五官轮廓在内的关键点位置信息及关键点遮挡信息。
6.根据权利要求5所述的一种基于人脸图像特征的质量排序系统的使用方法,其特征在于,所述关键点位置信息及关键点遮挡信息包括偏航角,俯仰角,滚转角在内的头部姿态信息、基于RGB图像的亮度信息、基于拉普拉斯算子提取图像清晰度信息、基于图像强度均方根的对比度信息以及基于分块区域平均强度的加权光照信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556273.9A CN109657612B (zh) | 2018-12-19 | 2018-12-19 | 一种基于人脸图像特征的质量排序系统及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556273.9A CN109657612B (zh) | 2018-12-19 | 2018-12-19 | 一种基于人脸图像特征的质量排序系统及其使用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657612A CN109657612A (zh) | 2019-04-19 |
CN109657612B true CN109657612B (zh) | 2023-12-12 |
Family
ID=66115684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556273.9A Active CN109657612B (zh) | 2018-12-19 | 2018-12-19 | 一种基于人脸图像特征的质量排序系统及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657612B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161330B (zh) * | 2019-05-10 | 2021-06-11 | 广东石油化工学院 | 基于灰度理论的变压器运行状态的振声检测方法以及装置 |
CN110276277A (zh) * | 2019-06-03 | 2019-09-24 | 罗普特科技集团股份有限公司 | 用于检测人脸图像的方法和装置 |
CN110349152A (zh) * | 2019-07-16 | 2019-10-18 | 广州图普网络科技有限公司 | 人脸图像质量检测方法及装置 |
CN111161251B (zh) * | 2019-12-31 | 2023-11-24 | 普联技术有限公司 | 一种人脸图像清晰度的计算方法和装置 |
CN111340213B (zh) * | 2020-02-19 | 2023-01-17 | 浙江大华技术股份有限公司 | 神经网络的训练方法、电子设备、存储介质 |
CN112529888B (zh) * | 2020-12-18 | 2024-04-30 | 平安科技(深圳)有限公司 | 基于深度学习的人脸图像评估方法、装置、设备及介质 |
CN113435248A (zh) * | 2021-05-18 | 2021-09-24 | 武汉天喻信息产业股份有限公司 | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 |
CN113420747B (zh) * | 2021-08-25 | 2021-11-23 | 成方金融科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
WO2018120662A1 (zh) * | 2016-12-27 | 2018-07-05 | 华为技术有限公司 | 一种拍照方法,拍照装置和终端 |
-
2018
- 2018-12-19 CN CN201811556273.9A patent/CN109657612B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
WO2018120662A1 (zh) * | 2016-12-27 | 2018-07-05 | 华为技术有限公司 | 一种拍照方法,拍照装置和终端 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的人脸识别系统研究;陈翔等;《智能计算机与应用》;20180626(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109657612A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN105069400B (zh) | 基于栈式稀疏自编码的人脸图像性别识别系统 | |
CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN105869178B (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN109858466A (zh) | 一种基于卷积神经网络的人脸关键点检测方法及装置 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN110569756A (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN111241927A (zh) | 级联式人脸图像优选方法、系统、设备及可读存储介质 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN112541422A (zh) | 光照和头部姿态鲁棒的表情识别方法、设备及存储介质 | |
CN110543848B (zh) | 一种基于三维卷积神经网络的驾驶员动作识别方法及装置 | |
CN104794693A (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
CN112487981A (zh) | 基于双路分割的ma-yolo动态手势快速识别方法 | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
CN112487926A (zh) | 一种基于时空图卷积网络的景区投喂行为识别方法 | |
CN113076916B (zh) | 基于几何特征加权融合的动态人脸表情识别方法及系统 | |
CN110544200A (zh) | 一种实现视频中人与猫互换嘴部的方法 | |
CN116665295B (zh) | 一种基于数字孪生的生产培训系统 | |
CN109165565A (zh) | 一种基于耦合动态马尔科夫网络的视频目标发现与分割方法 | |
CN112819841B (zh) | 人脸区域分割方法、装置、计算机设备及存储介质 | |
CN111709889B (zh) | 一种基于人工智能的图像动态实时分析系统及方法 |
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 |