CN109684899A - 一种基于在线学习的人脸辨识方法与系统 - Google Patents
一种基于在线学习的人脸辨识方法与系统 Download PDFInfo
- Publication number
- CN109684899A CN109684899A CN201710972202.6A CN201710972202A CN109684899A CN 109684899 A CN109684899 A CN 109684899A CN 201710972202 A CN201710972202 A CN 201710972202A CN 109684899 A CN109684899 A CN 109684899A
- Authority
- CN
- China
- Prior art keywords
- similarity
- image
- face
- face image
- critical value
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- 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
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 & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于在线学习的人脸辨识方法,该方法包含以下步骤:撷取一特定情境下的多个第一人脸影像;分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度以分别形成该多个第一人脸影像相对于该目标影像的相似度分布;根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下相对于一目标影像的相似度大于该目标影像的相似度临界值的人。
Description
技术领域
本发明涉及一种人脸辨识方法,特别是一种在线学习的人脸辨识方法。
背景技术
近年来人脸辨识的技术蓬勃发展,尤其是导入深度学习的方法后,相较于过去使用的方法,使用深度学习的人脸辨识技术,将人脸辨识应用推展到一个新的高度,例如门禁监控、照片分类等。人脸辨识技术虽然近年来已有长足进步,但实际应用上仍是容易受到情境光源、人脸角度、表情等因素影响,在不同的情境所能取得的辨识率及误判率差异很大。例如目前使用深度学习方法的人脸辨识技术,一般都是采用网络上公开的人脸数据库,其中大部分为西方人,由此而来的人脸辨识技术,在一些未曾学习过的人脸影像类型,例如东方人人脸,其辨识率就会大幅下降。
人脸辨识在实际使用中,亦很难用一通用临界值,适用于所有情境。针对不同的情境,也很难事先计算得到理想的临界值。例如一般用于考勤的人脸辨识系统,为方便使用,其所要求的辨识通过率较高,并容许稍高的误判率,以减少使用者的不便。然而若用作门禁管制用的人脸辨识系统,则因安全等级较高,仅容许非常低的误判率,以达到安全监控的目的。
另外,在使用旧照片找寻特定人士如逃犯时,很难用逃犯旧照片来比对过往行人或一环境中的人。因此需要一个新的方法来解决这些问题。
发明内容
本发明的一目的是提供一种基于在线学习的人脸辨识方法与系统,在实际应用中,人脸辨识系统安装至客户端后,可利用客户端现有大量的人脸影像数据进行在线学习。通过在线学习的方式,针对特定情境及影像类型,学习及强化特定类型特征。
本发明的一目的是提供一种基于在线学习的人脸辨识方法与系统,在使用旧照片找寻特定人士如逃犯时,不同情境下撷取人脸影像会产生不同的影像质量,本方法与系统可以用于不同情境,本发明提供的基于在线学习的人脸辨识方法与系统可自动学习以决定在该情境下理想的一相似度临界值,以供后续过滤出在不同情境中相对于该旧照片的相似度大于该相似度临界值的人。
本发明的一实施例中提出一种基于在线学习的人脸辨识方法,该方法包含以下步骤:撷取人脸影像;人脸特征撷取;人脸特征分类器在线学习;以及在线临界值学习。
本发明的一实施例中提出一种基于在线学习以辨识人脸的方法,该方法包含以下步骤:撷取一特定情境下的多个第一人脸影像;分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度以分别形成该多个第一人脸影像相对于该目标影像的相似度分布;根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下被撷取的人脸影像,所述被撷取的人脸影像相对于一目标影像的相似度大于该目标影像的相似度临界值。
在一实施例中,该预先设定的规则为一预先设定的比例值,其中该多个第一人脸影像总数目乘以该预先设定的比例值的人脸影像总数在该相似度分布中对应的相似度被决定为该相似度临界值。在一实施例中,该预先设定的规则为根据该相似度分布的平均值(mean)及标准偏差(standard deviation)与一期望误判率,计算得到该相似度临界值。
在一实施例中,每一个所述第一人脸影像的相似度介于一范围内以使该相似度分布不包含离群的样本。
在一实施例中,可同时处理多个目标人脸影像,其中每一目标人脸影像在该特定情境下能够得到一相对应的相似度临界值。
本发明的一实施例中提出一种基于在线学习的人脸辨识系统,该系统包含:一影像接收模块,用以接收一特定情境下被撷取的多个第一人脸影像;影像辨识模块,分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度;统计模块,分别形成该多个第一人脸影像相对于该目标影像的相似度分布,且根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下被撷取的人脸影像,所述被撷取的人脸影像相对于一目标影像的相似度大于该目标影像的相似度临界值。
附图说明
图1为本发明的一实施例中的基于在线学习的人脸辨识方法的流程图;
图2为本发明的一实施例中的人脸特征分类器在线学习的流程图;
图3为本发明的一实施例中的在线临界值学习的流程图;
图4为本发明的另一实施例中的基于在线学习的人脸辨识方法的流程图;
图5为本发明的另一实施例中的基于在线学习的人脸辨识系统的示意图;
图6为本发明的另一实施例中的相似度分布与相似度临界值的示意图。
附图标记说明:201-人脸正样本;202-人脸负样本;203-撷取人脸特征;204-撷取人脸特征;205-分类器学习;206-人脸特征分类器;301-在线随机挑选人脸;302-人脸特征分类器;303-非本人人脸相似度分布;304-计算临界值;500-人脸辨识系统;501-摄影装置;502-特定情境;503-影像接收模块;504-影像辨识模块;505-统计模块;601-相似度分布;602-相似度分布。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效,在以下配合参考图式的较佳实施例的详细说明中,将可清楚的呈现。然而,要说明的是,以下实施例并非用以限定本发明。
有别于脱机的使用海量的数据进行深度学习,在线学习机制,指除了通过脱机学习得到具鉴别力的人脸特征外,在上线使用时,通过在线学习机制,学得每个特定人的人脸分类器。在本发明中,人脸特征可先通过深度学习的方法,脱机使用海量的人脸影像进行学习,以学习得人脸特征的表述方式;但是,实际应用中,人脸特征并不限于使用深度学习方式所习得,亦可采用其他传统方法所习得的人脸特征,应用在本发明中。在实际使用中,很难用一通用临界值,适用于所有情境。因此,本发明也提出一种在线临界值的学习机制,让系统用户可根据不同情境,设定预期的误判率后,由系统自动学习在该情境下理想的临界值。相较于现有技术,本发明可减少人工标记影像的时间,系统经由统计的方式,即可自动计算出临界值。
本发明主要提出一种基于在线学习的人脸辨识方法,请参考图1所示的一种基于在线学习的人脸辨识方法,此实施例流程主要包含有以下步骤:步骤101:撷取人脸影像,从影像来源接收影像,经由一些影像前处理及必要分析,取得人脸在影像上的位置、人脸角度及五官位置,分析结果再传送至下一步骤进行人脸特征撷取;步骤102:人脸特征撷取,从前一步骤101分析所取得的信息,经由必要的一些前处理,例如人脸转正后,再将人脸影像转换为人脸特征向量。在本实施例中,人脸特征可事先透过深度学习的方法,脱机使用海量的人脸影像进行学习,以学习得人脸特征的表述方式;但是,实际应用中,人脸特征并不限于使用深度学习方式所习得,亦可采用其他传统方法所习得的人脸特征,应用在本发明中;步骤103:人脸特征分类器在线学习,经由前一个步骤102,将每张人脸影像转换为人脸特征后,在本步骤103中针对每个人,使用机器学习的方式单独训练一个分类器。请参考图2,进一步了解本步骤103的实施方式;步骤104:在线临界值学习,是针对前一步骤103所得的人脸分类器,将由大量人脸影像比对,取得相似度分布后,由系统自动计算取得个人化临界值。请参考图3,进一步了解本步骤的实施方式。
请参考图2所示关于本发明关于人脸特征分类器在线学习步骤的实施例。有别于脱机的使用海量的数据进行深度学习,在线学习机制,是指除了通过脱机学习得到具鉴别力的人脸特征外,在上线使用时,通过在线学习机制,学得每个特定人的人脸分类器。学习方法为,首先取得每个人脸影像的特征,再来针对每个人,以其所有人脸影像所转换的特征做为正样本201,其他所有人脸影像所转换的特征做为负样本202,正样本201通过撷取人脸特征203,负样本202通过人撷取人脸特征204,以进行分类器学习205,再进行人脸特征分类器206学习。为增加负样本202多样性,可事先加入从数据库随机挑选的大量不同人影像,将转换后的特征加入分类器学习中的负样本202。同时,为避免正负样本的样本数比例过于悬殊,除于学习中增加正样本的权重外,亦可以通过预处理的方式,增加正样本201的多样性,例如通过镜像、旋转、位移、改变对比度等方法,增加正样本的数量时亦维持多样性。
请参考图3所示关于本发明关于在线临界值学习步骤的实施例。如图3所示,步骤301先在线随机挑选人脸,步骤302进行人脸特征分类器学习,步骤303形成非本人人脸相似度分布,步骤304根据人脸相似度分布计算临界值。在实务使用中,很难用一通用临界值,适用于所有情境。个人化临界值的计算,可以克服其他人容易被误认为该人的情况。同时,可根据应用情境,由管理者设定预期的误判率,经由系统自动计算后,取得适当的临界值。计算方法为,首先针对需要做个人化临界值计算的本体,取得人脸特征值并经由学习得到分类器。所有其他人的影像与该分类器做相似度比对,得到非本人影像的相似度分布(distribution of impostor scores),计算所有相似度分数的统计值,包含平均(mean)、标准偏差(standard deviation),若其他人的人脸影像为随机选取且数量足够,则形成的相似度分布将呈现高斯分布(Gaussian distribution,or Normal distribution),经由统计方式,可得到相似度分布平均值(mean)及标准偏差(standard deviation),根据相似度分布平均值(mean)及标准偏差(standard deviation)以及期望的误判率,即可计算得到适合的临界值。每个人的人脸影像特征或分类器都各自经过计算,得到各自的临界值,通过此种个人化临界值的设定,可解决其他人容易被误认为此人的问题,同时又维持一定的准确度。
在实际使用时,为了能达到最大的自动化,减少人工操作,因此本发明所提出的在线临界值学习,是采用非监督式方式自动挑选非本人影像作为计算相似度分布的基础,而为避免少量本人影像被加入,在计算统计分布平均值(mean)及标准偏差(standarddeviation)前,会先针对相似度分布计算出一相似度样本范围以排除离群样本,以达到不需人工介入即可计算更为精准的统计数值。本方法不限于采用非监督式自动挑选,实际应用中,亦可采用监督式方式以增加准确性,亦即由人工事先标记影像,再由本发明提出的方法自动计算临界值。
图4说明本发明的另一实施例中的基于在线学习的人脸辨识方法的流程图,请参阅图4。该基于在线学习的人脸辨识方法包含下列步骤:在步骤S411中,撷取一特定情境下的多个第一人脸影像;在步骤S412中,分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度以分别形成该多个第一人脸影像相对于该目标影像的相似度分布;在步骤S413中,根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下被撷取的人脸影像,所述被撷取的人脸影像相对于一目标影像的相似度大于该目标影像的相似度临界值。
在一实施例中,该预先设定的规则为一预先设定的比例值,其中该多个第一人脸影像总数目乘以该预先设定的比例值的人脸影像总数在该相似度分布中对应的相似度被决定为该相似度临界值。在一实施例中,该预先设定的规则为根据该相似度分布的平均值(mean)及标准偏差(standard deviation)与一期望误判率,计算得到该相似度临界值。
在一实施例中,每一个所述第一人脸影像的相似度介于一范围内以使该相似度分布不包含离群的样本。
在一实施例中,可同时处理多个目标人脸影像,其中每一目标人脸影像在该特定情境下能够得到一相对应的相似度临界值。
图5说明本发明的另一实施例中的基于在线学习的人脸辨识系统500的示意图。请参阅图5。基于在线学习的人脸辨识系统500包含:一影像接收模块503,用以接收一特定情境502下被摄影装置501撷取的多个第一人脸影像;影像辨识模块504,分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度;统计模块505,分别形成该多个第一人脸影像相对于该目标影像的相似度分布,且根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下相对于一目标影像的相似度大于该目标影像的相似度临界值的人。在一实施例中,该预先设定的规则为一预先设定的比例值,其中该多个第一人脸影像总数目乘以该预先设定的比例值的人脸影像总数在该相似度分布中对应的相似度被决定为该相似度临界值。在一实施例中,该预先设定的规则为根据该相似度分布的平均值(mean)及标准偏差(standarddeviation)与一期望误判率,计算得到该相似度临界值。上述的影像接收模块503、影像辨识模块504与统计模块505的每一模块可以包含软件或硬件或软件或及硬件的组合来实现其功能。
在一实施例中,每一个所述第一人脸影像的相似度介于一范围内以使该相似度分布不包含离群的样本。
在一实施例中,可同时处理多个目标人脸影像,其中每一目标人脸影像在该特定情境下能够得到一相对应的相似度临界值。
本发明提供的基于在线学习的人脸辨识方法与系统,在使用旧照片为目标人脸影像以找寻特定人士如逃犯时,不同情境下撷取人脸影像会产生不同的影像质量,本方法与系统可以用于不同情境,本发明提供的基于在线学习的人脸辨识方法与系统可自动学习在该情境下理想的相似度临界值,以供后续过滤出在不同情境中相对于该目标人脸影像(该旧照片)的相似度大于该相似度临界值的人。请参阅图6。不同情境所撷取的人脸影像相似度分布会有所不同,图6的相似度分布601与相似度分布602因不同情境而不相同。根据一预先设定的规则,相似度分布601的相似度临界值为43,而相似度分布602的相似度临界值为58。
如上所述,本发明的优点是提供一种基于在线学习的人脸辨识方法与系统,在实际应用中,人脸辨识系统安装至客户端后,可利用客户端现有大量的人脸影像数据进行在线学习。通过在线学习的方式,针对特定情境及影像类型,学习及强化特定类型特征。同时本发明的在线临界值的学习机制,让系统用户可根据不同情境,设定一预定的规则后,由系统自动学习在该情境下理想的临界值,以供后续选取在该特定情境下相对于一目标影像的相似度大于该目标影像的相似度临界值的人。
Claims (10)
1.一种基于在线学习以辨识人脸的方法,其特征在于,包含以下步骤:
撷取一特定情境下的多个第一人脸影像;
分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度以分别形成该多个第一人脸影像相对于该目标影像的相似度分布;以及
根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下被撷取的人脸影像,所述被撷取的人脸影像相对于一目标影像的相似度大于该目标影像的相似度临界值。
2.如权利要求1所述的方法,其特征在于,该预先设定的规则为一预先设定的比例值,其中该多个第一人脸影像总数目乘以该预先设定的比例值的人脸影像总数在该相似度分布中对应的相似度被决定为该相似度临界值。
3.如权利要求1所述的方法,其特征在于,该预先设定的规则为根据该相似度分布的平均值及标准偏差与一期望误判率,计算得到该相似度临界值。
4.如权利要求1所述的方法,其特征在于,每一个所述第一人脸影像的相似度介于一范围内以使该相似度分布不包含离群的样本。
5.如权利要求1所述的方法,其特征在于,能够同时处理多个目标人脸影像,其中每一目标人脸影像在该特定情境下能够得到一相对应的相似度临界值。
6.一种基于在线学习的人脸辨识系统,其特征在于,包含:
一影像接收模块,用以接收一特定情境下被撷取的多个第一人脸影像;
一影像辨识模块,分别计算出每一所述第一人脸影像与至少一目标影像中每一目标影像的相似度;以及
一统计模块,分别形成该多个第一人脸影像相对于该目标影像的相似度分布,且根据一预先设定的规则以及所述每一相似度分布,分别决定相对于每一目标影像的相似度临界值,以供后续选取在该特定情境下被撷取的人脸影像,所述被撷取的人脸影像相对于一目标影像的相似度大于该目标影像的相似度临界值。
7.如权利要求6所述的系统,其特征在于,能够同时处理多个目标人脸影像,其中每一目标人脸影像在该特定情境下能够得到一相对应的相似度临界值。
8.如权利要求6所述的系统,其特征在于,该预先设定的规则为一预先设定的比例值,其中该多个第一人脸影像总数目乘以该预先设定的比例值的人脸影像总数在该相似度分布中对应的相似度被决定为该相似度临界值。
9.如权利要求6所述的系统,其特征在于,该预先设定的规则为根据该相似度分布的平均值及标准偏差与一期望误判率,计算得到该相似度临界值。
10.如权利要求6所述的系统,其特征在于,每一个所述第一人脸影像的相似度介于一范围内以使该相似度分布不包含离群的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710972202.6A CN109684899A (zh) | 2017-10-18 | 2017-10-18 | 一种基于在线学习的人脸辨识方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710972202.6A CN109684899A (zh) | 2017-10-18 | 2017-10-18 | 一种基于在线学习的人脸辨识方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684899A true CN109684899A (zh) | 2019-04-26 |
Family
ID=66182955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710972202.6A Pending CN109684899A (zh) | 2017-10-18 | 2017-10-18 | 一种基于在线学习的人脸辨识方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684899A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334688A (zh) * | 2019-07-16 | 2019-10-15 | 重庆紫光华山智安科技有限公司 | 基于人脸照片库的图像识别方法、装置和计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200739432A (en) * | 2006-04-12 | 2007-10-16 | Univ Nat Cheng Kung | A method for face verification |
CN101142586A (zh) * | 2005-03-18 | 2008-03-12 | 皇家飞利浦电子股份有限公司 | 执行人脸识别的方法 |
TW200813858A (en) * | 2006-03-31 | 2008-03-16 | Toshiba Kk | Face image read apparatus and method, and entrance/exit management system |
US20080152231A1 (en) * | 2005-05-09 | 2008-06-26 | Salih Burak Gokturk | System and method for enabling image recognition and searching of images |
KR20100042515A (ko) * | 2008-10-16 | 2010-04-26 | 삼성전자주식회사 | 화상처리방법 및 이를 이용한 화상형성장치 |
US20120170855A1 (en) * | 2010-07-21 | 2012-07-05 | Panasonic Corporation | Image management device, image management method, program, recording medium, and image management integrated circuit |
WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
US20150131445A1 (en) * | 2013-07-19 | 2015-05-14 | Huawei Technologies Co., Ltd. | Similarity matching method and related device and communication system |
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
-
2017
- 2017-10-18 CN CN201710972202.6A patent/CN109684899A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101142586A (zh) * | 2005-03-18 | 2008-03-12 | 皇家飞利浦电子股份有限公司 | 执行人脸识别的方法 |
US20080152231A1 (en) * | 2005-05-09 | 2008-06-26 | Salih Burak Gokturk | System and method for enabling image recognition and searching of images |
TW200813858A (en) * | 2006-03-31 | 2008-03-16 | Toshiba Kk | Face image read apparatus and method, and entrance/exit management system |
TW200739432A (en) * | 2006-04-12 | 2007-10-16 | Univ Nat Cheng Kung | A method for face verification |
KR20100042515A (ko) * | 2008-10-16 | 2010-04-26 | 삼성전자주식회사 | 화상처리방법 및 이를 이용한 화상형성장치 |
US20120170855A1 (en) * | 2010-07-21 | 2012-07-05 | Panasonic Corporation | Image management device, image management method, program, recording medium, and image management integrated circuit |
WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
US20150131445A1 (en) * | 2013-07-19 | 2015-05-14 | Huawei Technologies Co., Ltd. | Similarity matching method and related device and communication system |
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334688A (zh) * | 2019-07-16 | 2019-10-15 | 重庆紫光华山智安科技有限公司 | 基于人脸照片库的图像识别方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI670653B (zh) | 一種基於線上學習的人臉辨識方法與系統 | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
Balcoh et al. | Algorithm for efficient attendance management: Face recognition based approach | |
CN110889672B (zh) | 一种基于深度学习的学生打卡及上课状态的检测系统 | |
CN103503029B (zh) | 检测面部特性的方法 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
KR20080033486A (ko) | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
Reese et al. | A comparison of face detection algorithms in visible and thermal spectrums | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
Kumar et al. | Face Recognition Attendance System Using Local Binary Pattern Algorithm | |
Kumar et al. | Smart attendance marking system using facial recognition | |
Akay et al. | Automated student attendance system using face recognition | |
Chowdhury et al. | Development of an automatic class attendance system using cnn-based face recognition | |
Rajput et al. | Attendance Management System using Facial Recognition | |
CN109697417A (zh) | 一种用于变桨系统柜的生产管理系统 | |
CN109684899A (zh) | 一种基于在线学习的人脸辨识方法与系统 | |
Kumar et al. | Convolutional Neural Network based Automated Attendance System by using Facial Recognition Domain | |
Kadam et al. | Review paper on contactless attendance system based on face recognition | |
Abusham | Face verification using local graph stucture (LGS) | |
Sharma et al. | Face recognition using haar cascade and local binary pattern histogram in opencv | |
Abirami et al. | AI-based Attendance Tracking System using Real-Time Facial Recognition | |
Charishma et al. | Smart Attendance System with and Without Mask using Face Recognition | |
Tavakolian et al. | Face recognition under occlusion for user authentication and invigilation in remotely distributed online assessments | |
Uma et al. | Biometric Attendance Prediction using Face Recognition Method |
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: 20190426 |
|
WD01 | Invention patent application deemed withdrawn after publication |