CN109902603A - 基于红外图像的驾驶员身份识别认证方法和系统 - Google Patents
基于红外图像的驾驶员身份识别认证方法和系统 Download PDFInfo
- Publication number
- CN109902603A CN109902603A CN201910119181.2A CN201910119181A CN109902603A CN 109902603 A CN109902603 A CN 109902603A CN 201910119181 A CN201910119181 A CN 201910119181A CN 109902603 A CN109902603 A CN 109902603A
- Authority
- CN
- China
- Prior art keywords
- face
- network
- training
- angle
- infrared image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 58
- 239000013598 vector Substances 0.000 claims description 51
- 238000013480 data collection Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000001815 facial effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外图像的驾驶员身份识别认证方法，包括：采用卷积神经网络对采集的红外图像进行人脸检测，得到预测的人脸位置和头部姿态；根据头部姿态对检测到的人脸进行矫正；采用人脸识别网络对矫正后的人脸进行识别，根据识别结果与驾驶员人脸库进行比对，确定驾驶员身份。检测图像中的驾驶员面部位置，并预测人脸的姿态，利用预测的姿态中的旋转角对人脸进行矫正，可以快速、准确地识别驾驶员的身份。
Description
技术领域
本发明涉及驾驶员身份识别认证技术领域，具体地涉及一种基于红外图像的驾驶员身份识别认证方法和系统。
背景技术
驾驶员身份识别认证是智能汽车驾驶中安全驾驶系统的重要技术之一，对于车辆行驶安全和驾驶员是否有权限驾驶车辆都有着重要的作用。相对于目前传统的图像身份识别认证方法，基于车载红外图像的驾驶员身份识别认证方法有着更多的场景使用优势。
当前，基于图像身份识别认证方法主要有以下几种：
1、几何特征的人脸识别方法，几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。
2、基于特征脸(PCA)的人脸识别方法，特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换，这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。
3、支持向量机(SVM) 的人脸识别方法，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的驾驶员图片作为训练样本，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂。
因此，以上的计算方法都有一定的缺陷：1、对驾驶员识别率较低。2、需要大量的驾驶员图片样本、对人脸采样过程不友好。
发明内容
为了解决上述技术问题，本发明提出了一种基于红外图像的驾驶员身份识别认证系统和方法，检测图像中的驾驶员面部位置，并预测人脸的姿态，利用预测的姿态中的旋转角对人脸进行矫正，可以快速、准确地识别驾驶员的身份。
本发明所采用的技术方案是：
一种基于红外图像的驾驶员身份识别认证方法，包括以下步骤：
S01：采用卷积神经网络对采集的红外图像进行人脸检测，得到预测的人脸位置和头部姿态；
S02：根据头部姿态对检测到的人脸进行矫正；
S03：采用人脸识别网络对矫正后的人脸进行识别，根据识别结果与驾驶员人脸库进行比对，确定驾驶员身份。
优选的技术方案中，所述步骤S01中的卷积神经网络包括级联的预选网络、优化调整网络和输出网络，所述预选网络用于检测人脸，所述优化调整网络用于预测人脸的相对位置，所述输出网络预测检测到的人脸的头部姿态。
优选的技术方案中，所述头部姿态至少包括头部的旋转角。
优选的技术方案中，在公开数据集上对卷积神经网络进行训练得到训练模型，然后在红外图像数据集上对该训练模型进行调优得到最终模型，所述卷积神经网络的训练具体包括：
根据训练集中的标注数据随机在训练集的原图上产生负样本、正样本和部分人脸样本，所述正样本和负样本用于人脸分类任务训练，部分人脸样本和正样本用于人脸框回归训练，将得到的样本对预选网络进行训练，所述预选网络采用全卷积网络；
所述优化调整网络的训练方式与预选网络相同，所述优化调整网络采用全连接层，统一图片尺寸；
在制作输出网络的训练集时加入头部姿态信息，并用L2 loss作为其损失函数，输出网络的输入来源于优化调整网络的输出，调整图片的尺寸。
优选的技术方案中，所述步骤S02中的矫正包括，通过人脸框位置信息找到人脸框左上角点的坐标，将此点作为原点对图片进行旋转，旋转角度为输出网络预测的旋转角，得到矫正后的人脸。
优选的技术方案中，所述步骤S03中的人脸识别网络的最后两层都为全连接层，最后一层的全连接层用于分类，倒数第二层的全连接层用于生成一个128维的特征向量，所述128维向量用于表征人脸信息，并且利用向量间的夹角表征人脸的相似度，所述倒数第二层的权重值被正则化，使其L2范数为1，损失函数中的向量计算转换成128维向量的长度与该向量与权重间的夹角的计算，转换成使用角度作为距离标准，使同一个人的人脸生成的128维向量间的最大角度都小于不同人脸生成的128维向量间的最小的角度。
本发明还公开了一种基于红外图像的驾驶员身份识别认证系统，包括：
预测模块，采用卷积神经网络对采集的红外图像进行人脸检测，得到预测的人脸位置和头部姿态；
矫正模块，根据头部姿态对检测到的人脸进行矫正；
识别模块，采用人脸识别网络对矫正后的人脸进行识别，根据识别结果与驾驶员人脸库进行比对，确定驾驶员身份。
优选的技术方案中，所述预测模块中的卷积神经网络包括级联的预选网络、优化调整网络和输出网络，所述预选网络用于检测人脸，所述优化调整网络用于预测人脸的相对位置，所述输出网络预测检测到的人脸的头部姿态，所述头部姿态至少包括头部的旋转角。
优选的技术方案中，在公开数据集上对卷积神经网络进行训练得到训练模型，然后在红外图像数据集上对该训练模型进行调优得到最终模型，所述卷积神经网络的训练具体包括：
根据训练集中的标注数据随机在训练集的原图上产生负样本、正样本和部分人脸样本，所述正样本和负样本用于人脸分类任务训练，部分人脸样本和正样本用于人脸框回归训练，将得到的样本对预选网络进行训练，所述预选网络采用全卷积网络；
所述优化调整网络的训练方式与预选网络相同，所述优化调整网络采用全连接层，统一图片尺寸；
在制作输出网络的训练集时加入头部姿态信息，并用L2 loss作为其损失函数，输出网络的输入来源于优化调整网络的输出，调整图片的尺寸。
优选的技术方案中，所述识别模块中的人脸识别网络的最后两层都为全连接层，最后一层的全连接层用于分类，倒数第二层的全连接层用于生成一个128维的特征向量，所述128维向量用于表征人脸信息，并且利用向量间的夹角表征人脸的相似度，所述倒数第二层的权重值被正则化，使其L2范数为1，损失函数中的向量计算转换成128维向量的长度与该向量与权重间的夹角的计算，转换成使用角度作为距离标准，使同一个人的人脸生成的128维向量间的最大角度都小于不同人脸生成的128维向量间的最小的角度。
与现有技术相比，本发明的有益效果是：
1、本发明可以实现基于车载红外摄像头的驾驶员身份识别认证，通过检测图像中的驾驶员面部位置，并预测人脸的姿态，利用预测的姿态中的旋转角对人脸进行矫正，可以快速、准确地识别驾驶员的身份。
2、本发明的方法避免了由于驾驶员面部角度偏移无法检测的问题。采集少量的驾驶员人脸样本，即可快速建立人脸库。通过搭建轻量高效的深度学习神经网络，在保证识别准确率的前提下，能够达到实时识别的目的。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为基于红外图像的驾驶员身份识别认证方法的流程图；
图2为本发明人脸检测与头部姿态预测的示意图；
图3为本发明识别认证的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例
本发明使用红外摄像头采集驾驶员照片得到红外图像，然后利用人脸识别的方法对驾驶员的面部进行身份认证，主要分为三个阶段，首先是对采集到的红外图像进行人脸检测，接着对检测到的人脸进行矫正，最后对矫正后的人脸进行识别，根据识别结果与驾驶员人脸库进行比对，确定驾驶员身份。
人脸检测是驾驶员身份认证的第一个环节，检测结果的好坏直接影响到后续的每一个步骤，本发明采用卷积神经网络对图片中的人脸进行检测。该检测方式的实现方式主要包括如下几个步骤：
1、收集并制作数据集。由于本文采用的卷积神经网络的输入是红外摄像头采集到的红外灰色图像，与三通道的彩色图像相比，灰色图像只有一个通道，其包含的信息相对较少，为提高检测网络性能，首先收集一些公开的彩色图片数据集，数据集标注内容包括人脸框位置和头部姿态，其中姿态包括水平方向的偏航角、垂直转动俯仰角以及左右转动的旋转角，接着制作基于红外摄像头采集的红外图像数据集，首先通过红外摄像头采集大量数据，并对其进行人工标注，标注方法同样是标注人脸框位置和描述头部姿态的三个角度。
2、深度学习卷积神经网络设计。为减少深度学习网络的测试时间和提高检测的准确率，本发明参考目前最为流行的MTCNN人脸检测方法，并在其基础上进行修改，较原版的MTCNN，本文替换其使用的五个特征点，直接使用描述头部姿态的三个角度作为输出，避免后续需使用五个特征点计算头部姿态的过程，并且直接输出角度信息能提高姿态估计的准确性，减少了对五个特征点定位准确性的依赖。新网络命名为FaceCNN，该网络同样包含三个部分：PNet、RNet和ONet分别代表预选网络，优化调整网络和输出网络，三个网络级联，后两级网络的输入都来源于前一个网络的输入。最终输出人脸框位置和描述头部姿态的三个角度。
3、深度学习网络训练。训练分为两个部分：首先在公开数据集上对网络进行训练得到训练模型，接着在红外图像数据集上对该训练模型进行调优，使模型能够更适应红外图像数据。每个部分的训练步骤基本相同如下：
3.1训练PNet：根据训练集中的标注数据随机在训练集的原图上产生负样本、正样本，和部分人脸样本，样本与Ground truth 的IOU 小于0.3设为负样本，与Ground truth的IOU介于0.4和0.65之间的设为部分人脸样本，与Ground truth的IOU大于0.65的样本设为正样本，其他的样本都摒弃。正样本和负样本用于人脸分类任务训练，部分人脸样本和正样本用于人脸框回归训练，将得到的样本对PNet进行训练，PNet采用的全卷积网络，后续在测试时可以适应不同尺寸的输入图片。
3.2训练RNet：RNet的训练方式与PNet几乎一样，只是网络输入的图片尺寸变成了24x24大小，RNet中利用了全连接层，输入图片尺寸只能是24x24，测试时RNet的输入来源于PNet的输出，并将其输出大小统一调整到24x24。
3.3训练ONet：ONet网络的输入图片尺寸为48x48，相对于PNet和RNet多了一个头部姿态输出的分支，在制作ONet训练集时加入三个描述头部姿态的角度信息，并用L2 loss作为其损失函数。测试时ONet的输入来源于RNet的输出，并将其尺寸调整为48x48。
4、深度学习网络模型推断。经过三个阶段的训练最终得到级联网络的三个模型，PNet和RNet负责检测人脸及其相对位置，ONet负责对检测到的人脸及其相对位置进行精修并同时输出头部的偏航角，俯仰角和旋转角。对于任意大小的图片，首先将其调整到类似于金字塔式的不同大小的图片，并分别将这些图片送入PNet得到一系列的人脸候选框，然后利用非极大值抑制方法对这些候选框进行过滤，接着将过滤后的候选框统一调整到24x24大小输入到RNet中，RNet将对这些候选框进一步的筛选和位置调整，同样利用非极大值抑制的方法对RNet输出的人脸框进行过滤，得到更精准的人脸框，最后将这些较为精准的人脸框统一调整到48x48大小作为ONet的输入，最终得到预测的人脸位置并同时预测每个人脸对应的头部姿态。
5、到此，利用FaceCNN的三个级联网络就可以针对红外图像中的人脸进行检测并且可以得到相应的头部姿态的角度信息，在进行人脸识别之前，为提高识别的准确度，首先需要对检测到的人脸进行矫正，由于图片中的人脸是二维的，对偏航角和俯仰角难以矫正，因此只对旋转角进行矫正，矫正的方法是通过人脸框位置信息找到人脸框左上角点的坐标，将此点作为原点对图片进行旋转，旋转角度为ONet预测的旋转角，这样就可以得到矫正后的人脸。
6、最后，利用矫正后的人脸进行人脸识别，本文中使用的人脸识别也是基于深度学习的，但与用作人脸识别的分类方法不同，分类的方法首先限制了整个人脸库中的人物信息，无法删除和添加更多的人脸，本文的方法是基于分类的方法进行训练，在训练网络中最后两层都为全连接层，最后一层的全连接层作为分类用，倒数第二个全连接层用作生成一个128维的特征向量，本文最终的目的就是让这个128维向量来表征人脸信息，并且利用向量间的夹角来表征人脸的相似度。训练网络的目的就是使同一个人脸生成的128维向量尽可能聚集在一起。但与传统的分类网络不同的是倒数第二层的权重值都会被正则化使其L2范数为1，因此损失函数中的向量计算可以转换成128维向量的长度与该向量与权重间的夹角的计算，由此可以转换成使用角度作为距离标准，使同一个人的人脸生成的128维向量间的最大角度永远都小于不同人脸生成的128维向量间的最小的角度，并且差距越大越好。
在保证准确度的前提下，为减小网络在推断测试时所花的时间，人脸识别所使用的深度学习网络中用到了Depthwise卷积，Pointwise卷积，分组卷积以及对特征图的通道进行Shuffle操作，使用以上技术可以极大地减少卷积神经网络的参数数量和计算量，并且能够保证网络的性能。
人脸识别样本主要来源于公开数据集VGGFace2，为使整个人脸识别系统具有连贯性和耦合性，首先使用上述训练好的FaceCNN模型进行人脸检测并且利用其输出的旋转角度信息对人脸进行矫正,将矫正后的人脸作为人脸识别网络的训练样本，通过这种办法人脸识别网络能更好的适应FaceCNN检测到人脸，整个系统的一致性也有所提高。
推断测试网络在训练网络的基础上丢弃最后用作分类的全连接层，采用倒数第二层的全连接层的输出作为人脸的特征向量，即每张人脸图片经过推断测试网络都得到一个128维的特征向量，人脸的相似度可以用向量间的夹角来衡量。
最后，利用已搭建好的人脸识别系统对车载红外图像中的驾驶员的身份进行识别和认证，如图1所示，步骤如下：
采集驾驶员信息，建立驾驶员人脸库。人脸库是对人脸进行认证的重要依据，采集驾驶员信息是保证驾驶员身份认证的首要环节。以往的人脸采集主要是采集一张正脸的人脸信息作为认证的依据，但是在实际应用中，很多情况下采集到的是不同角度的侧脸，会导致认证识别或者误识别。为避免使用单一的正脸信息作为认证依据，本发明采用使用红外摄像头录制视频的方式采集人脸信息，在录制视频时要求驾驶员呈现不同角度的人脸，然后利用FaceCNN对视频中的人脸进行检测，将检测到的人脸矫正后输入到识别网络得到128维向量,对所有得到的128维向量求平均得到最终该驾驶员的识别依据并记录到驾驶员人脸库，平均后的特征向量能适应不同角度的侧脸。
驾驶员面部采集与矫正。利用红外摄像头对驾驶员面部进行采集，利用FaceCNN对采集回来的红外图像进行人脸检测，预测出驾驶员脸部位置信息和相应的头部姿态信息，如图2所示，根据旋转角度对驾驶员脸部进行矫正。
驾驶员身份识别与认证。将矫正后的驾驶员脸部输入到人脸识别网络并得到一个128维的向量，将该向量与人脸库中的向量进行逐一对比，求出与人脸库中每一个向量的夹角，得到夹角最小的那个候选识别对象，如果夹角小于阈值，则认为该驾驶员与人脸库中的候选识别对象匹配，驾驶员身份认证成功，如图3所示。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于红外图像的驾驶员身份识别认证方法，其特征在于，包括以下步骤：
S01：采用卷积神经网络对采集的红外图像进行人脸检测，得到预测的人脸位置和头部姿态；
S02：根据头部姿态对检测到的人脸进行矫正；
S03：采用人脸识别网络对矫正后的人脸进行识别，根据识别结果与驾驶员人脸库进行比对，确定驾驶员身份。
2.根据权利要求1所述的基于红外图像的驾驶员身份识别认证方法，其特征在于，所述步骤S01中的卷积神经网络包括级联的预选网络、优化调整网络和输出网络，所述预选网络用于检测人脸，所述优化调整网络用于预测人脸的相对位置，所述输出网络预测检测到的人脸的头部姿态。
3.根据权利要求2所述的基于红外图像的驾驶员身份识别认证方法，其特征在于，所述头部姿态至少包括头部的旋转角。
4.根据权利要求2所述的基于红外图像的驾驶员身份识别认证方法，其特征在于，在公开数据集上对卷积神经网络进行训练得到训练模型，然后在红外图像数据集上对该训练模型进行调优得到最终模型，所述卷积神经网络的训练具体包括：
根据训练集中的标注数据随机在训练集的原图上产生负样本、正样本和部分人脸样本，所述正样本和负样本用于人脸分类任务训练，部分人脸样本和正样本用于人脸框回归训练，将得到的样本对预选网络进行训练，所述预选网络采用全卷积网络；
所述优化调整网络的训练方式与预选网络相同，所述优化调整网络采用全连接层，统一图片尺寸；
在制作输出网络的训练集时加入头部姿态信息，并用L2 loss作为其损失函数，输出网络的输入来源于优化调整网络的输出，调整图片的尺寸。
5.根据权利要求2所述的基于红外图像的驾驶员身份识别认证方法，其特征在于，所述步骤S02中的矫正包括，通过人脸框位置信息找到人脸框左上角点的坐标，将此点作为原点对图片进行旋转，旋转角度为输出网络预测的旋转角，得到矫正后的人脸。
6.根据权利要求2所述的基于红外图像的驾驶员身份识别认证方法，其特征在于，所述步骤S03中的人脸识别网络的最后两层都为全连接层，最后一层的全连接层用于分类，倒数第二层的全连接层用于生成一个128维的特征向量，所述128维向量用于表征人脸信息，并且利用向量间的夹角表征人脸的相似度，所述倒数第二层的权重值被正则化，使其L2范数为1，损失函数中的向量计算转换成128维向量的长度与该向量与权重间的夹角的计算，转换成使用角度作为距离标准，使同一个人的人脸生成的128维向量间的最大角度都小于不同人脸生成的128维向量间的最小的角度。
7.一种基于红外图像的驾驶员身份识别认证系统，其特征在于，包括：
预测模块，采用卷积神经网络对采集的红外图像进行人脸检测，得到预测的人脸位置和头部姿态；
矫正模块，根据头部姿态对检测到的人脸进行矫正；
识别模块，采用人脸识别网络对矫正后的人脸进行识别，根据识别结果与驾驶员人脸库进行比对，确定驾驶员身份。
8.根据权利要求7所述的基于红外图像的驾驶员身份识别认证系统，其特征在于，所述预测模块中的卷积神经网络包括级联的预选网络、优化调整网络和输出网络，所述预选网络用于检测人脸，所述优化调整网络用于预测人脸的相对位置，所述输出网络预测检测到的人脸的头部姿态，所述头部姿态至少包括头部的旋转角。
9.根据权利要求8所述的基于红外图像的驾驶员身份识别认证系统，其特征在于，在公开数据集上对卷积神经网络进行训练得到训练模型，然后在红外图像数据集上对该训练模型进行调优得到最终模型，所述卷积神经网络的训练具体包括：
根据训练集中的标注数据随机在训练集的原图上产生负样本、正样本和部分人脸样本，所述正样本和负样本用于人脸分类任务训练，部分人脸样本和正样本用于人脸框回归训练，将得到的样本对预选网络进行训练，所述预选网络采用全卷积网络；
所述优化调整网络的训练方式与预选网络相同，所述优化调整网络采用全连接层，统一图片尺寸；
在制作输出网络的训练集时加入头部姿态信息，并用L2 loss作为其损失函数，输出网络的输入来源于优化调整网络的输出，调整图片的尺寸。
10.根据权利要求7所述的基于红外图像的驾驶员身份识别认证系统，其特征在于，所述识别模块中的人脸识别网络的最后两层都为全连接层，最后一层的全连接层用于分类，倒数第二层的全连接层用于生成一个128维的特征向量，所述128维向量用于表征人脸信息，并且利用向量间的夹角表征人脸的相似度，所述倒数第二层的权重值被正则化，使其L2范数为1，损失函数中的向量计算转换成128维向量的长度与该向量与权重间的夹角的计算，转换成使用角度作为距离标准，使同一个人的人脸生成的128维向量间的最大角度都小于不同人脸生成的128维向量间的最小的角度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910119181.2A CN109902603A (zh) | 2019-02-18 | 2019-02-18 | 基于红外图像的驾驶员身份识别认证方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910119181.2A CN109902603A (zh) | 2019-02-18 | 2019-02-18 | 基于红外图像的驾驶员身份识别认证方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109902603A true CN109902603A (zh) | 2019-06-18 |
Family
ID=66944967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910119181.2A Pending CN109902603A (zh) | 2019-02-18 | 2019-02-18 | 基于红外图像的驾驶员身份识别认证方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902603A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348348A (zh) * | 2019-06-30 | 2019-10-18 | 华中科技大学 | 一种参建人员进场身份快速识别方法及预警系统 |
| CN110598734A (zh) * | 2019-08-05 | 2019-12-20 | 西北工业大学 | 基于卷积神经网络和支持向量域描述的驾驶员身份认证方法 |
| CN110826521A (zh) * | 2019-11-15 | 2020-02-21 | 爱驰汽车有限公司 | 驾驶员疲劳状态识别方法、系统、电子设备和存储介质 |
| CN111222424A (zh) * | 2019-12-26 | 2020-06-02 | 的卢技术有限公司 | 一种多角度的车主身份识别方法及系统 |
| CN111539357A (zh) * | 2020-04-28 | 2020-08-14 | 睿魔智能科技（深圳）有限公司 | 人体识别模型及其训练方法、系统、存储介质及设备 |
| CN112560705A (zh) * | 2020-12-17 | 2021-03-26 | 北京捷通华声科技股份有限公司 | 人脸检测方法和装置，电子设备 |
| CN113723277A (zh) * | 2021-08-27 | 2021-11-30 | 华中师范大学 | 一种融入多模态视觉信息的学习意图监测方法及系统 |
| CN113989886A (zh) * | 2021-10-22 | 2022-01-28 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
| CN106909882A (zh) * | 2017-01-16 | 2017-06-30 | 广东工业大学 | 一种应用于保安机器人的人脸识别系统及方法 |
| CN107609383A (zh) * | 2017-10-26 | 2018-01-19 | 深圳奥比中光科技有限公司 | 3d人脸身份认证方法与装置 |
| CN108038474A (zh) * | 2017-12-28 | 2018-05-15 | 深圳云天励飞技术有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
| CN108596089A (zh) * | 2018-04-24 | 2018-09-28 | 北京达佳互联信息技术有限公司 | 人脸姿态检测方法、装置、计算机设备及存储介质 |
| CN108804581A (zh) * | 2018-05-24 | 2018-11-13 | 广州中大百迅信息技术有限公司 | 一种基于深度学习的同类物体检索方法及系统 |
| JP2018195309A (ja) * | 2017-05-17 | 2018-12-06 | 富士通株式会社 | 顔認識のための画像処理装置の訓練方法及び訓練装置 |
| CN109063666A (zh) * | 2018-08-14 | 2018-12-21 | 电子科技大学 | 基于深度可分离卷积的轻量化人脸识别方法及系统 |
-
2019
- 2019-02-18 CN CN201910119181.2A patent/CN109902603A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
| CN106909882A (zh) * | 2017-01-16 | 2017-06-30 | 广东工业大学 | 一种应用于保安机器人的人脸识别系统及方法 |
| JP2018195309A (ja) * | 2017-05-17 | 2018-12-06 | 富士通株式会社 | 顔認識のための画像処理装置の訓練方法及び訓練装置 |
| CN107609383A (zh) * | 2017-10-26 | 2018-01-19 | 深圳奥比中光科技有限公司 | 3d人脸身份认证方法与装置 |
| CN108038474A (zh) * | 2017-12-28 | 2018-05-15 | 深圳云天励飞技术有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
| CN108596089A (zh) * | 2018-04-24 | 2018-09-28 | 北京达佳互联信息技术有限公司 | 人脸姿态检测方法、装置、计算机设备及存储介质 |
| CN108804581A (zh) * | 2018-05-24 | 2018-11-13 | 广州中大百迅信息技术有限公司 | 一种基于深度学习的同类物体检索方法及系统 |
| CN109063666A (zh) * | 2018-08-14 | 2018-12-21 | 电子科技大学 | 基于深度可分离卷积的轻量化人脸识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 马燕，李顺宝: "《二维及三维人脸识别技术》", 百家出版社, pages: 23 - 24 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348348B (zh) * | 2019-06-30 | 2021-08-31 | 华中科技大学 | 一种参建人员进场身份快速识别方法及预警系统 |
| CN110348348A (zh) * | 2019-06-30 | 2019-10-18 | 华中科技大学 | 一种参建人员进场身份快速识别方法及预警系统 |
| CN110598734B (zh) * | 2019-08-05 | 2022-04-26 | 西北工业大学 | 基于卷积神经网络和支持向量域描述的驾驶员身份认证方法 |
| CN110598734A (zh) * | 2019-08-05 | 2019-12-20 | 西北工业大学 | 基于卷积神经网络和支持向量域描述的驾驶员身份认证方法 |
| CN110826521A (zh) * | 2019-11-15 | 2020-02-21 | 爱驰汽车有限公司 | 驾驶员疲劳状态识别方法、系统、电子设备和存储介质 |
| CN111222424A (zh) * | 2019-12-26 | 2020-06-02 | 的卢技术有限公司 | 一种多角度的车主身份识别方法及系统 |
| CN111222424B (zh) * | 2019-12-26 | 2024-04-09 | 的卢技术有限公司 | 一种多角度的车主身份识别方法及系统 |
| CN111539357A (zh) * | 2020-04-28 | 2020-08-14 | 睿魔智能科技（深圳）有限公司 | 人体识别模型及其训练方法、系统、存储介质及设备 |
| CN111539357B (zh) * | 2020-04-28 | 2024-01-23 | 睿魔智能科技（深圳）有限公司 | 人体识别模型及其训练方法、系统、存储介质及设备 |
| CN112560705A (zh) * | 2020-12-17 | 2021-03-26 | 北京捷通华声科技股份有限公司 | 人脸检测方法和装置，电子设备 |
| CN113723277A (zh) * | 2021-08-27 | 2021-11-30 | 华中师范大学 | 一种融入多模态视觉信息的学习意图监测方法及系统 |
| CN113723277B (zh) * | 2021-08-27 | 2024-02-27 | 华中师范大学 | 一种融入多模态视觉信息的学习意图监测方法及系统 |
| CN113989886A (zh) * | 2021-10-22 | 2022-01-28 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
| CN113989886B (zh) * | 2021-10-22 | 2024-04-30 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902603A (zh) | 基于红外图像的驾驶员身份识别认证方法和系统 | |
| KR102596897B1 (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
| US20200175260A1 (en) | Depth image based face anti-spoofing | |
| JP5010905B2 (ja) | 顔認証装置 | |
| Arca et al. | A face recognition system based on automatically determined facial fiducial points | |
| US8326000B2 (en) | Apparatus and method for detecting facial image | |
| KR101184097B1 (ko) | 얼굴 정면포즈 판단 방법 | |
| CN106529414A (zh) | 一种通过图像比对实现结果认证的方法 | |
| CN109858375A (zh) | 活体人脸检测方法、终端及计算机可读存储介质 | |
| US10915739B2 (en) | Face recognition device, face recognition method, and computer readable storage medium | |
| US20220318369A1 (en) | Face recognition system and method capable of updating registered face templates | |
| Tsalakanidou et al. | Integration of 2D and 3D images for enhanced face authentication | |
| CN105160331A (zh) | 一种基于隐马尔可夫模型的人脸几何特征识别方法 | |
| JP4507679B2 (ja) | 画像認識装置、画像抽出装置、画像抽出方法及びプログラム | |
| Escalera et al. | Fast greyscale road sign model matching and recognition | |
| CN106156739B (zh) | 一种基于脸部轮廓分析的证件照耳朵检测与提取方法 | |
| CN111582027A (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
| CN114612980A (zh) | 基于多方位交融注意力的变形人脸检测 | |
| Storer et al. | Occlusion detection for ICAO compliant facial photographs | |
| Vij et al. | A survey on various face detecting and tracking techniques in video sequences | |
| CN113095119B (zh) | 一种修正人脸裁剪框的人脸识别系统 | |
| JP4816874B2 (ja) | パラメータ学習装置、パラメータ学習方法、およびプログラム | |
| CN104156689B (zh) | 一种对目标对象的特征信息进行定位的方法和设备 | |
| Li et al. | A robust framework for multiview age estimation | |
| US20150023558A1 (en) | System and method for face detection and recognition using locally evaluated zernike and similar moments |
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: 20190618 |