CN109960975B - 一种基于人眼的人脸生成及其人脸识别方法 - Google Patents

一种基于人眼的人脸生成及其人脸识别方法 Download PDF

Info

Publication number
CN109960975B
CN109960975B CN201711409895.4A CN201711409895A CN109960975B CN 109960975 B CN109960975 B CN 109960975B CN 201711409895 A CN201711409895 A CN 201711409895A CN 109960975 B CN109960975 B CN 109960975B
Authority
CN
China
Prior art keywords
face
network
eye
human
eyes
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
Application number
CN201711409895.4A
Other languages
English (en)
Other versions
CN109960975A (zh
Inventor
何小海
陈祥
卿粼波
苏婕
滕奇志
吴晓红
熊淑华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201711409895.4A priority Critical patent/CN109960975B/zh
Publication of CN109960975A publication Critical patent/CN109960975A/zh
Application granted granted Critical
Publication of CN109960975B publication Critical patent/CN109960975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/164—Detection; Localisation; Normalisation using holistic features
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • 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)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (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)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于人眼的人脸生成及其人脸识别方法，通过挖掘人眼和人脸的映射关系，仅利用人眼生成对应的相似度较高的人脸，并用于后续人脸识别。包括以下步骤：对原始图像进行人脸检测并裁剪出来，然后通过人脸规范化矫正人脸，之后检测人脸中的眼睛区域，将眼睛区域截取出来输入到eyes2face网络中得到对应的人脸，最后对生成的人脸进行人脸识别。其中eyes2face网络采用条件GAN网络结构，使用端到端网络来通过眼睛生成人脸，用feature损失来指导训练。本发明所述的基于人眼的人脸生成及其人脸识别方法能够较好地解决人脸识别中的遮挡问题，同时可以为重要场合的人脸识别提供参考，在公共安全领域、刑侦领域以及反恐等领域都有较广泛的应用前景。

Description

一种基于人眼的人脸生成及其人脸识别方法
技术领域
本发明设计了一种基于人眼的人脸生成及其人脸识别方法，涉及深度学习、计算机视觉技术领域。
背景技术
随着深度学习的快速发展，人脸识别技术取得了显著的进步。目前在公开的人脸库Labeled Faces in the Wild(LFW)上基于深度学习的方法已经取得了大于99％的识别率。但是在实际的应用中，由于光照、背景、遮挡等因素的干扰，识别结果还是不尽如人意。其中遮挡尤其是影响人脸识别率的关键因素。
而随着人们健康意识的日益提高，日常生活中戴口罩已经成为一个很流行的趋势。此外，在公共安全领域、刑侦领域和反恐等领域中，犯罪分子往往都会戴上口罩或者头套之类的东西来隐藏身份。这些因素都会对人脸识别造成很大的干扰，但是大多数情况下，不管怎么遮挡，眼睛总还是会暴露在外面。
现在的人脸识别方法主要有以下几种：
1、基于传统方法的人脸识别。传统方法是一个很广的范围，由于人脸识别这一计算机视觉领域由来已久，已经形成了众多的方法。但归根结底都可以归结为对人脸图像进行手动提取特征，然后进行匹配分类的过程。大致包括这些方法：(1)基于几何特征的人脸识别方法。(2)基于相关匹配的方法。包括模板匹配法和等强度线方法。(3)基于子空间方法。(4)基于统计的识别方法。主要方法包括：KL(Karhunen-Loeve)算法、奇异值分解(Singular Value Decomposition，SVD)、隐马尔可夫(Hidden Markov Model，HMM)法。(5)弹性图匹配方法。(6)混合方法。如K-L投影和奇异值分解相融合的分类判别方法、HMM和奇异值分解相融合的分类判别方法等。(7)基于三维模型的方法。
2、基于深度学习的人脸识别方法。由于深度学习的引入，人脸识别取得了显著的进展，目前基于深度学习的最好的方法在公开人脸库LFW上甚至已经超过了人类的识别率。通过梯度下降和反向传播机制，卷积神经网络(Convolutional Neural Network，CNN)能够自适应地学习卷积核的参数，这种特征提取的方式比起传统方法中人工设计的特征提取方式更为有效且更为科学。因而基于深度学习的人脸识别算法识别率比起传统方法有明显的提升。
虽然基于深度学习的方法比起传统方法已经有了较大提升，甚至在公开人脸数据集上取得了比人类更高的识别率，但是在公开数据集中的人脸往往都是质量比较好的，没有太大的倾斜(侧脸)或者遮挡情况。而在人脸识别的实际应用中，倾斜(侧脸)和遮挡是影响人脸识别的识别率的两大主要因素。最新的研究已经有人针对倾斜(侧脸)的问题进行研究，先通过侧脸生成正脸，再将正脸用于人脸识别，进一步提升了人脸识别的识别率。但是针对遮挡这一问题，目前还没有较好的解决方案。由于遮挡造成了人脸的部分特征缺失，使得常用的人脸识别算法在处理遮挡人脸时识别率都会有较明显的下降。
发明内容
本发明为解决上述问题提供了一种基于人眼的人脸生成及其人脸识别方法。由于对于大部分的遮挡情况，人的眼睛始终会露在外面。本发明由此设计了一种基于人眼的人脸生成及其人脸识别方法，通过挖掘人眼和人脸的映射关系，仅利用人眼生成对应的相似度较高的人脸，并用于后续人脸识别，能够在一定程度上解决人脸遮挡的情况，取得更好的人脸识别效果。
本发明通过以下技术方案来实现上述目的：
一种基于人眼的人脸生成及其人脸识别方法，包括以下步骤：
步骤一：人脸检测，即从原始图像中检测出人脸的位置并将其截取出来；
步骤二：人脸规范化，校正人脸在尺度、光照和角度等方面的变化，并判断人脸是否存在遮挡，如果没有遮挡则跳到步骤四，有的话继续执行步骤三；
步骤三：从眼睛生成人脸，从规范化后的人脸图像中检测出人眼的位置，截取出眼睛的图像，通过一个基于对抗生成网络的眼睛——人脸生成(eyes2face)网络生成眼睛对应的人脸。网络结构是一个条件对抗生成网络(Generative Adversarial Network，GAN)，生成器为一个端到端的网络，从眼睛图像生成人脸；
步骤四：人脸识别，将步骤三生成的人脸与数据库中的已知人脸进行比较，判断人脸的身份。
作为优选的技术方案，步骤三中的基于对抗生成网络的眼睛——人脸生成(eyes2face)网络的训练及应用步骤如下：
(1)数据集制作，将数据集中的人脸归一化到W×W的尺寸，检测出其中的眼睛区域，将其截取出来，眼睛图像和对应的人脸图像即构成了一个端到端的神经网络的输入图像和标签图像；
(2)训练端到端的条件对抗生成网络。网络结构为：生成器(generator)是一个端到端的编解码(encoder-decoder)卷积神经网络，编码网络每层在原先的基础上尺寸减半，解码网络与其刚好相反，每层的特征图谱尺寸是原先特征图谱尺寸的两倍；输入输出都是W×W尺寸的图像；判决器(discriminator)只是一个普通的卷积神经网络；生成器的损失函数为feature损失，TV(Total Variation)损失和GAN损失三者的加权和，用于指导生成器的训练；训练过程在生成器和判决器两者的博弈下进行；
(3)用生成器部分进行测试，通过将眼睛图片输入到生成器就能生成与之对应的人脸图像。
步骤四利用预训练的人脸识别网络，计算好生成人脸的特征值，与库中的人脸特征值进行对比即可得到人脸相似度。
步骤三中的步骤(2)W＝2n,(n>0)，W通常取值为256或者128。
生成器总的损失函数Lsyn如下：
Lsyn＝α1Lfeature+α2LG+α3LTV
其中Lfeature是feature loss，LG是条件GAN损失，LTV则是TV损失，α1、α2和α3分别为三个损失的权重。
Lfeature通过将图像输入到一个预训练的模型VGG19，求其在“Relu3-1”“Relu4-1”
“Relu5-1”三个特征图谱上平均损失的和，用公式定义如下：
Figure GDA0003549836020000021
其中Wi和Hi分别为各个特征图谱的宽和高，
Figure GDA0003549836020000022
和
Figure GDA0003549836020000023
分别为预测人脸图像和真实人脸图像的特征图谱(feature map)在坐标(x,y)的像素值。
LTV用于训练能够使得生成图像的清晰度更高，其定义如下：
Figure GDA0003549836020000024
其中的yi,j为图像y在坐标(x,y)的像素值，其他同理。
LG是GAN网络定义的损失，其定义为：
Figure GDA0003549836020000025
步骤四中的人脸识别通过一个预训练的深度卷积神经网络来提取特征，将提取的特征与库中的人脸特征进行比对，得到一个人脸相似度，进而判别出所识别人脸的身份。
需要注意的是，本发明不是对所有的人脸都进行用眼睛生成人脸的处理，只是在存在遮挡的情况下才对人脸进行一个从眼睛生成人脸的处理。因为在人脸无遮挡的情况下，已有的人脸识别算法识别率已经能够到达基本要求了。
本发明的主要内容在于提出了用眼睛生成人脸来解决人脸识别中的遮挡问题并且设计了一个有效的从眼睛生成人脸的网络。本发明提出的从眼睛生成人脸的网络能够生成与真实人脸较为相似的人脸，将其用于人脸识别能够比较有效地解决人脸识别中的遮挡问题，对公共安全领域、刑侦领域以及反恐等领域都有较大的意义。
附图说明
图1是本发明人脸识别的流程图
图2是本发明的眼睛生成对应人脸的示意图
图3是本发明设计的基于人眼的人脸生成算法网络结构图
图4是本发明所采用的feature损失的求解示意图
具体实施方式
下面结合附图对本发明作进一步说明：
图1中，一种基于人眼的人脸生成及其人脸识别方法，包括以下步骤：
步骤一：人脸检测，即从原始图像中检测出人脸的位置并将其截取出来；
步骤二：人脸规范化，校正人脸在尺度、光照和角度等方面的变化；
步骤三：从眼睛生成人脸，从规范化后的人脸图像中检测出人眼的位置，截取出眼睛的图像，通过一个基于对抗生成网络的眼睛——人脸生成(eyes2face)网络生成眼睛对应的人脸。网络结构是一个条件对抗生成网络(Generative Adversarial Network，GAN)，生成器为一个端到端的网络，从眼睛图像生成人脸；
步骤四：人脸识别，将步骤三生成的人脸与数据库中的已知人脸进行比较，判断人脸的身份。
图2是眼睛生成对应人脸的一类示意图(不仅限于此类图片)，图中每个人对应三张图片，从左到右依次是：输入的眼睛图片，根据眼睛生成的人脸图片，真实人脸所对应的人脸图片。左边三列为基于数据库的测试结果，右边三列为真实有遮挡人脸的测试结果。
图3是基于条件对抗生成网络(GAN)设计实现的一个端到端的从眼睛生成人脸的网络(取W＝256时)。具体设计如下：
(1)GAN的生成器采用一个8层编码8层解码的U型网络(U-Net)，整个U型网络不采用池化层，层与层之间的尺寸变化完全通过卷积(Convolution)层或者反卷积(Deconvolution)层来实现，卷积核尺寸为4×4，滑动步长为2；
(2)GAN的判决器通过一个三层的CNN来实现，通过训练尽可能地区分生成的人脸与真实的人脸，判决器的增强反过来又会促进生成器尽可能地生成更真实的人脸，这能够极大地提高生成器的生成效果，判决器的损失函数采用通用的GAN判决器损失函数；
(3)生成器的损失函数设计是训练从眼睛生成人脸网络的重点，我们采用feature损失，TV损失和通用的GAN生成器损失函数三者之间的加权和作为实际的生成器损失函数。之所以不用一般的L1/L2损失而选择feature损失，是因为在人脸生成中采用L1/L2损失反而会导致生成的人脸有重影(ghosting)和不正常的五官等现象，而feature损失能够比较好地减轻这种现象。
图4是本发明所采用的feature损失的求解示意图。采用一个预训练的VGG19的模型，将生成的人脸和真实的人脸分别输入到VGG19的网络中，得到生成人脸和真实人脸在VGG网络各层的特征图谱，本发明选取了“Relu3-1”“Relu4-1”“Relu5-1”三层的特征图谱，通过计算生成人脸和真实人脸在这三个特征图谱上差值分别求均值再求和的结果作为最终的feature损失。这一损失能够很好地指导生成器生成尽可能真实的人脸。

Claims (4)

1.一种基于人眼的人脸生成及其人脸识别方法，其特征在于：包括以下步骤：
步骤一：人脸检测，即从原始图像中检测出人脸的位置并将其截取出来；
步骤二：人脸规范化，校正人脸在尺度、光照和角度的变化，并判断人脸是否存在遮挡，如果没有遮挡则跳到步骤四，有的话继续执行步骤三；
步骤三：从眼睛生成人脸，从规范化后的人脸图像中检测出人眼的位置，截取出眼睛的图像，通过一个基于对抗生成网络的眼睛——人脸生成(eyes2face)网络生成眼睛对应的人脸，网络结构是一个条件对抗生成网络(Generative Adversarial Network，GAN)，生成器为一个端到端的网络，从眼睛图像生成人脸，基于对抗生成网络的眼睛——人脸生成网络的训练及应用步骤如下：
(1)数据集制作，将数据集中的人脸归一化到W×W的尺寸，检测出其中的眼睛区域，将其截取出来；眼睛图像和对应的人脸图像即构成了一个端到端的神经网络的输入图像和标签图像；
(2)训练端到端的条件对抗生成网络，网络结构为：生成器(generator)是一个端到端的编解码(encoder-decoder)卷积神经网络，编码网络每层在原先的基础上尺寸减半，解码网络与其刚好相反，每层的特征图谱尺寸是原先特征图谱尺寸的两倍；输入输出都是W×W尺寸的图像；判决器(discriminator)是一个卷积神经网络；生成器的损失函数为feature损失、TV(Total Variation)损失和GAN损失三者的加权和，用于指导生成器的训练；训练过程在生成器和判决器两者的博弈下进行；生成器总的损失函数Lsyn如下：
Lsyn＝α1Lfeature+α2LG+α3LTV
其中Lfeature是feature损失，LG是条件GAN损失，LTV则是TV损失，α1、α2和α3分别为三个损失的权重；
Lfeature通过将图像输入到一个预训练的模型VGG19，求其在Relu3-1、Relu4-1、Relu5-1三个特征图谱上平均损失的和，用公式定义如下：
Figure FDA0003583686230000011
其中Wi和Hi分别为各个特征图谱的宽和高，
Figure FDA0003583686230000012
和
Figure FDA0003583686230000013
分别为预测人脸图像和真实人脸图像的特征图谱(feature map)在坐标(x,y)的像素值；
LTV用于训练能够使得生成图像的清晰度更高，其定义如下：
Figure FDA0003583686230000014
其中的yi,j为图像y在坐标(x,y)的像素值，其他同理；
(3)用生成器部分进行测试，通过将眼睛图片输入到生成器就能生成与之对应的人脸图像；步骤四：人脸识别，将步骤三生成的人脸与数据库中的已知人脸进行比较，判断人脸的身份。
2.如权利要求1所述的一种基于人眼的人脸生成及其人脸识别方法，其特征在于：引入了从眼睛生成人脸的机制来解决人脸遮挡情况下的人脸识别问题，对于未遮挡的人脸则不需要进行眼睛——人脸生成这一步。
3.如权利要求1所述的一种基于人眼的人脸生成及其人脸识别方法，其特征在于：所述的W取值为256或128。
4.如权利要求1所述的一种基于人眼的人脸生成及其人脸识别方法，其特征在于：采用了feature损失对生成器的训练过程进行指导，能够使得生成器更好地学习到眼睛和人脸之间的映射关系，使得生成的人脸更加真实。
CN201711409895.4A 2017-12-23 2017-12-23 一种基于人眼的人脸生成及其人脸识别方法 Active CN109960975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711409895.4A CN109960975B (zh) 2017-12-23 2017-12-23 一种基于人眼的人脸生成及其人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711409895.4A CN109960975B (zh) 2017-12-23 2017-12-23 一种基于人眼的人脸生成及其人脸识别方法

Publications (2)

Publication Number Publication Date
CN109960975A CN109960975A (zh) 2019-07-02
CN109960975B true CN109960975B (zh) 2022-07-01

Family

ID=67019847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711409895.4A Active CN109960975B (zh) 2017-12-23 2017-12-23 一种基于人眼的人脸生成及其人脸识别方法

Country Status (1)

Country Link
CN (1) CN109960975B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688972B (zh) * 2019-09-30 2023-02-03 上海依图网络科技有限公司 用于提升人脸生成性能的系统以及方法
CN112861578B (zh) * 2019-11-27 2023-07-04 四川大学 一种基于自注意力机制的从人眼生成人脸的方法
CN111881740B (zh) * 2020-06-19 2024-03-22 杭州魔点科技有限公司 人脸识别方法、装置、电子设备及介质
CN111783605B (zh) * 2020-06-24 2024-05-24 北京百度网讯科技有限公司 一种人脸图像识别方法、装置、设备及存储介质
CN111931617B (zh) * 2020-07-29 2023-11-21 中国工商银行股份有限公司 基于图像处理的人眼图像识别方法、装置及自助终端
TWI786969B (zh) * 2021-11-30 2022-12-11 財團法人工業技術研究院 眼球定位方法及其影像處理裝置與影像處理系統

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544478A (zh) * 2013-10-09 2014-01-29 五邑大学 一种全方位人脸检测的方法及系统
CN103959329A (zh) * 2011-11-23 2014-07-30 皇家飞利浦有限公司 图像域去噪
CN104392216A (zh) * 2014-11-20 2015-03-04 苏州福丰科技有限公司 一种用于门锁的三维人脸识别方法
WO2017070923A1 (zh) * 2015-10-30 2017-05-04 厦门中控生物识别信息技术有限公司 一种人脸识别方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005755B (zh) * 2014-04-25 2019-03-29 北京邮电大学 三维人脸识别方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103959329A (zh) * 2011-11-23 2014-07-30 皇家飞利浦有限公司 图像域去噪
CN103544478A (zh) * 2013-10-09 2014-01-29 五邑大学 一种全方位人脸检测的方法及系统
CN104392216A (zh) * 2014-11-20 2015-03-04 苏州福丰科技有限公司 一种用于门锁的三维人脸识别方法
WO2017070923A1 (zh) * 2015-10-30 2017-05-04 厦门中控生物识别信息技术有限公司 一种人脸识别方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
From Eyes to Face Synthesis: a New Approach for Human-Centered Smart Surveillance;Xiang Chen等;《IEEE Access》;20180208;第6卷;14567-14575 *
一种应用于欠采样图像的自适应稀疏重建方法;管春等;《电讯技术》;20170928(第09期);5-9 *
大规模人脸图像检索系统的研究与实现;刘正华;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160215(第02期);I138-1686 *

Also Published As

Publication number Publication date
CN109960975A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
CN109960975B (zh) 一种基于人眼的人脸生成及其人脸识别方法
US11908244B2 (en) Human posture detection utilizing posture reference maps
CN110991281B (zh) 一种动态人脸识别方法
AU2014368997B2 (en) System and method for identifying faces in unconstrained media
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN112418095B (zh) 一种结合注意力机制的面部表情识别方法及系统
CN111598805A (zh) 一种基于vae-gan的对抗样本防御方法及系统
Hosseini et al. Age and gender classification using wide convolutional neural network and Gabor filter
Chung Naver at ActivityNet Challenge 2019--Task B Active Speaker Detection (AVA)
CN108764041B (zh) 用于下部遮挡人脸图像的人脸识别方法
CN110738153B (zh) 异质人脸图像转换方法、装置、电子设备及存储介质
CN113272816A (zh) 进行脸部筛选的全人关联
CN108108760A (zh) 一种快速人脸识别方法
CN114283080A (zh) 一种多模态特征融合的文本指导图像压缩噪声去除方法
CN112633234A (zh) 人脸去眼镜模型训练、应用方法及其装置、设备和介质
Mohamed et al. Avatar face recognition using wavelet transform and hierarchical multi-scale LBP
Liao et al. Attention selective network for face synthesis and pose-invariant face recognition
Varadarajan et al. Face recognition using block based feature extraction with CZT and Goertzel-algorithm as a preprocessing technique
CN111967331B (zh) 基于融合特征和字典学习的人脸表示攻击检测方法及系统
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
CN110163489B (zh) 一种戒毒运动锻炼成效评价方法
CN111860266A (zh) 基于深度特征的伪装人脸识别方法
Chen et al. Face recognition with masks based on spatial fine-grained frequency domain broadening
CN115205943A (zh) 图像处理方法、装置、电子设备及存储介质
Chen et al. Illumination processing in face recognition

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