CN110008841A - 一种表情识别模型构建方法及系统 - Google Patents

一种表情识别模型构建方法及系统 Download PDF

Info

Publication number
CN110008841A
CN110008841A CN201910176954.0A CN201910176954A CN110008841A CN 110008841 A CN110008841 A CN 110008841A CN 201910176954 A CN201910176954 A CN 201910176954A CN 110008841 A CN110008841 A CN 110008841A
Authority
CN
China
Prior art keywords
image
model
training
face image
expression recognition
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.)
Granted
Application number
CN201910176954.0A
Other languages
English (en)
Other versions
CN110008841B (zh
Inventor
伊文超
史云飞
朱丽霞
王治国
赵国强
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.)
China Huarong Technology Group Ltd
Original Assignee
China Huarong Technology Group Ltd
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 China Huarong Technology Group Ltd filed Critical China Huarong Technology Group Ltd
Priority to CN201910176954.0A priority Critical patent/CN110008841B/zh
Publication of CN110008841A publication Critical patent/CN110008841A/zh
Application granted granted Critical
Publication of CN110008841B publication Critical patent/CN110008841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G06V40/174—Facial expression recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种表情识别模型构建方法及系统，涉及数据处理领域。该方法包括S1：获取源图像并进行预处理，得到预处理图像；S2：根据所述源图像和所述预处理图像构建深度学习模型，引入迁移学习对所述深度学习模型进行权重训练，得到图像预训练模型；S3：根据所述图像预训练模型得到微调模型；S4：利用所述微调模型对所述预处理图像进行微调模型训练，得到表情识别模型本方案解决了如何提高表情识别模型的准确率的技术问题，适用于表情识别。

Description

一种表情识别模型构建方法及系统
技术领域
本发明涉及数据处理领域，特别涉及一种表情识别模型构建方法及系统。
背景技术
目前，人脸表情识别模型构建方法主要分为两类：一类是基于面部动作编码系统，通过检测脸部肌肉运动，构建其与情绪之间的映射关系，达到表情识别的目的；另一类则是采用深度学习的方法，通过端对端的学习方式，自动抽取人的表情特征，进行表情识别。
目前人脸表情识别模型构建方法难以达到较高的准确率，主要存在以下问题：基于深度学习的表情识别，准确度往往依托庞大的训练数据集，而表情数据集难以大规模构建获取，无法满足训练需求，同时，光照因素、障碍物遮挡或者人脸的姿态都是影响面部表情识别的干扰因素。
发明内容
本发明所要解决的技术问题是如何提高表情识别模型的准确率的技术问题。
本发明解决上述技术问题的技术方案如下：一种表情识别模型构建方法，包括：
S1：获取源图像并进行预处理，得到预处理图像；
S2：根据所述源图像和所述预处理图像构建深度学习模型，引入迁移学习对所述深度学习模型进行权重训练，得到图像预训练模型；
S3：根据所述图像预训练模型得到微调模型；
S4：利用所述微调模型对所述预处理图像进行微调模型训练，得到表情识别模型。
本发明通过对源图像进行预处理，对图像的细节进行增强，方便后面对深度学习模型进行训练，通常为了保持较高的准确度，往往需要大量的图像数据，利用迁移学习的方式减少训练所需要的图像数据。
本发明的有益效果是：本方案通过迁移学习的方式，达到了在相同数量的样本集训练条件下得到准确率更高的表情识别模型，从而解决了如何提高表情识别模型的准确率的技术问题。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤S1具体为：
S11：获取源图像并提取多个兴趣区域；
S12：采用增强算法对所述源图像中的每个所述兴趣区域的频段进行放大，得到1个增强图像；
S13：利用裁剪算法在所述增强图像中选出裁剪区域；
S14：去除裁剪区域，得到人脸图像；
S15：将所述人脸图像划分为四个部分，得到上半脸图像、下半脸图像、左半脸图像和右半脸图像；
S16：对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行归一化，得到预处理图像。
采用上述进一步方案的有益效果是，通过将人脸图像划分成四个部分，达到了对面部区域进行细化的目的，统筹了面部的整体特征和局部特征，增强了后续表情识模型的局部表示能力。
进一步，步骤S2具体为：
S21：将所述源图像作为源域数据存储为图像数据集，将所述预处理图像作为目标数据存储为表情识别数据集；
S22：根据所述图像数据集和所述表情识别数据集构建初始预训练模型；
S23：将所述源域数据输入至初始预训练模型，通过反向传播算法，进行网络权重训练，最终得到图像预训练模型。
采用上述进一步方案的有益效果是，通过反向传播算法提高训练速度。
进一步，步骤S3具体为：
S31：将所述图像预训练模型的网络结构划分为参数共享网络和参数不共享网络；
S32：将所述参数不共享网络分为n个全连接层，n为表情分类数量；
S33：n个所述全连接层相连，并在尾端连接有特征融合层，所述特征融合层用于对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行特征融合；
S34：所述特征融合层还与softmax层连接，得到微调模型，所述softmax层用于输出每个所述表情分类的概率。
采用上述进一步方案的有益效果是，将图像预训练模型分成两个部分后，在预训练时同时对参数共享网络和参数不共享网络进行训练，在需要训练得出微调模型时，仅需要对参数不共享网络的部分进行训练，节约了时间成本。
进一步，所述兴趣区域包括眼部、嘴角、前额。
本发明解决上述技术问题的另一种技术方案如下：
一种表情识别模型构建系统，包括预处理模块、预训练模块、微调模块和训练模块，所述预处理模块用于获取源图像并进行预处理，得到预处理图像；所述预训练模块用于根据所述源图像和所述预处理图像构建图像预训练模型；所述微调模块用于引入迁移学习对所述图像预训练模型进行权重训练，得到微调模型；所述训练模块用于利用所述微调模型对所述预处理图像进行微调模型训练，得到表情识别模型。
采用上述进一步方案的有益效果是，通过对源图像进行预处理，对图像的细节进行增强，方便后面对深度学习模型进行训练，通常为了保持较高的准确度，往往需要大量的图像数据，利用迁移学习的方式减少训练所需要的图像数据。
进一步，所述预处理模块用于获取源图像并提取多个兴趣区域，然后采用增强算法对每个所述兴趣区域的频段进行放大，得到增强图像，再利用裁剪算法在所述增强图像中选出裁剪区域，去除裁剪区域，得到人脸图像，将所述人脸图像划分为四个部分，得到上半脸图像、下半脸图像、左半脸图像和右半脸图像，最后对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行归一化，得到预处理图像。
采用上述进一步方案的有益效果是，通过将人脸图像划分成四个部分，达到了对面部区域进行细化的目的，统筹了面部的整体特征和局部特征，增强了后续表情识模型的局部表示能力。
进一步，所述预训练模块用于将所述源图像作为源域数据存储为图像数据集，将所述预处理图像作为目标数据存储为表情识别数据集，然后根据所述图像数据集和所述表情识别数据集构建初始预训练模型，将所述源域数据输入至初始预训练模型，通过反向传播算法，进行网络权重训练，最终得到图像预训练模型。
采用上述进一步方案的有益效果是，通过反向传播算法提高训练速度。
进一步，所述微调模块用于将所述图像预训练模型的网络结构划分为参数共享网络和参数不共享网络，将所述参数不共享网络分为n个全连接层，n为表情分类数量，n个所述全连接层相连，并在尾端连接有特征融合层，所述特征融合层用于对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行特征融合，所述特征融合层还与softmax层连接，得到微调模型，所述softmax层用于输出每个所述表情分类的概率。
采用上述进一步方案的有益效果是，将图像预训练模型分成两个部分后，在预训练时同时对参数共享网络和参数不共享网络进行训练，在需要训练得出微调模型时，仅需要对参数不共享网络的部分进行训练，节约了时间成本。
进一步，所述兴趣区域包括眼部、嘴角、前额。
附图说明
图1为本发明表情识别模型构建方法的实施例的方法流程图；
图2为本发明表情识别模型构建系统的其它实施例的框架示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例基本如附图1所示：
本实施例中表情识别模型构建方法，包括：
S1：获取源图像并进行预处理，本实施例中的源图像可以为包括人脸的图像或者视频，当源图像为视频时，随机输入视频中的一帧作为图像进行预处理；得到预处理图像，本实施例中的预处理可以为通过欧拉视频放大算法对源图像的细节进行增强，然后在增强后的源图像中根据表情分区提取图像；
S2：根据源图像和预处理图像构建深度学习模型，引入迁移学习对深度学习模型进行权重训练，得到图像预训练模型，本实施例中的深度学习模型可以为VGG16卷积神经网络结构，其中权重训练使用VGG16自带的权重参数进行训练；
S3：根据图像预训练模型得到微调模型，本实施例中将预处理图像输入到图像预训练模型进行训练得到微调模型；
S4：利用微调模型对预处理图像进行微调模型训练，得到表情识别模型。
本发明通过对源图像进行预处理，对图像的细节进行增强，方便后面对深度学习模型进行训练，通常为了保持较高的准确度，往往需要大量的图像数据，利用迁移学习的方式减少训练所需要的图像数据。
本方案通过迁移学习的方式，达到了在相同数量的样本集训练条件下得到准确率更高的表情识别模型，从而解决了如何提高表情识别模型的准确率的技术问题。
在上述技术方案的基础上，本发明还可以做如下改进。
可选的，在一些其它实施例中，步骤S1具体为：
S11：获取源图像并提取多个兴趣区域，本实施例中提取的兴趣区域可以为眼部、嘴角和前额三个区域；
S12：采用增强算法对源图像中的每个兴趣区域的频段进行放大，得到1个增强图像；
S13：利用裁剪算法在增强图像中选出裁剪区域，本实施例中可以利用violajones算法对增强图像中的人脸进行识别定位，从而确定裁剪区域；
S14：去除裁剪区域，得到人脸图像；
S15：将人脸图像划分为四个部分，得到上半脸图像、下半脸图像、左半脸图像和右半脸图像，本实施例中的四个部分的划分具体为：上半脸，裁剪从图像顶部至图像纵向三分之二处；下半脸，裁剪从图像三分之一处至图像底部；左边脸，裁剪从图像左侧至图像横向三分之二处；右半脸，裁剪从图像纵向三分之一处至图像最右侧；这样对人脸图像进行划分后，对面部区域进行了细化，统筹了面部的整体特征和局部特征，增强了后续表情识模型的局部表示能力；
S16：对人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行归一化，得到预处理图像。
通过将人脸图像划分成四个部分，达到了对面部区域进行细化的目的，统筹了面部的整体特征和局部特征，增强了后续表情识模型的局部表示能力。
可选的，在一些其它实施例中，步骤S2具体为：
S21：将源图像作为源域数据存储为图像数据集，将预处理图像作为目标数据存储为表情识别数据集；
S22：根据图像数据集和表情识别数据集构建初始预训练模型；
S23：将源域数据输入至初始预训练模型，通过反向传播算法，进行网络权重训练，最终得到图像预训练模型。
通过反向传播算法提高了训练速度。
可选的，在一些其它实施例中，步骤S3具体为：
S31：将图像预训练模型的网络结构划分为参数共享网络和参数不共享网络，本实施例中使用VGG16卷积神经网络结构，具体划分方式如表1；
表1
S32：将参数不共享网络分为n个全连接层，n为表情分类数量，本实施例中的n可以为3或者5；
S33：n个全连接层相连，并在尾端连接有特征融合层，特征融合层用于对人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行特征融合；
S34：特征融合层还与softmax层连接，得到微调模型，softmax层用于输出每个表情分类的概率。
将图像预训练模型分成两个部分后，在预训练时同时对参数共享网络和参数不共享网络进行训练，在需要训练得出微调模型时，仅需要对参数不共享网络的部分进行训练，节约了时间成本。
可选的，在一些其它实施例中，兴趣区域包括眼部、嘴角、前额，本实施例中的兴趣区域还可以为AU(FACS)中的26个区域。
可选的，如附图2所示，为本发明其它实施例提供的一种表情识别模型构建系统，包括预处理模块1、预训练模块2、微调模块3和训练模块4，预处理模块1用于获取源图像并进行预处理，得到预处理图像；预训练模块2用于根据源图像和预处理图像构建图像预训练模型；微调模块3用于引入迁移学习对图像预训练模型进行权重训练，得到微调模型；训练模块4用于利用微调模型对预处理图像进行微调模型训练，得到表情识别模型。
通过对源图像进行预处理，对图像的细节进行增强，方便后面对深度学习模型进行训练，通常为了保持较高的准确度，往往需要大量的图像数据，利用迁移学习的方式减少训练所需要的图像数据。
可选的，在一些其它实施例中，预处理模块1用于获取源图像并提取多个兴趣区域，然后采用增强算法对每个兴趣区域的频段进行放大，得到增强图像，再利用裁剪算法在增强图像中选出裁剪区域，去除裁剪区域，得到人脸图像，将人脸图像划分为四个部分，得到上半脸图像、下半脸图像、左半脸图像和右半脸图像，最后对人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行归一化，得到预处理图像。
通过将人脸图像划分成四个部分，达到了对面部区域进行细化的目的，统筹了面部的整体特征和局部特征，增强了后续表情识模型的局部表示能力。
可选的，在一些其它实施例中，预训练模块2用于将源图像作为源域数据存储为图像数据集，将预处理图像作为目标数据存储为表情识别数据集，然后根据图像数据集和表情识别数据集构建初始预训练模型，将源域数据输入至初始预训练模型，通过反向传播算法，进行网络权重训练，最终得到图像预训练模型。
通过反向传播算法提高训练速度。
可选的，在一些其它实施例中，微调模块3用于将图像预训练模型的网络结构划分为参数共享网络和参数不共享网络，将参数不共享网络分为n个全连接层，n为表情分类数量，n个全连接层相连，并在尾端连接有特征融合层，特征融合层用于对人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行特征融合，特征融合层还与softmax层连接，得到微调模型，softmax层用于输出每个表情分类的概率。
将图像预训练模型分成两个部分后，在预训练时同时对参数共享网络和参数不共享网络进行训练，在需要训练得出微调模型时，仅需要对参数不共享网络的部分进行训练，节约了时间成本。
可选的，在一些其它实施例中，兴趣区域包括眼部、嘴角、前额。
需要说明的是，上述各实施例是与上述各方法实施例对应的产品实施例，对于本实施例中各结构装置及可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种表情识别模型构建方法，其特征在于，包括：
S1：获取源图像并进行预处理，得到预处理图像；
S2：根据所述源图像和所述预处理图像构建深度学习模型，引入迁移学习对所述深度学习模型进行权重训练，得到图像预训练模型；
S3：根据所述图像预训练模型得到微调模型；
S4：利用所述微调模型对所述预处理图像进行微调模型训练，得到表情识别模型。
2.根据权利要求1所述的表情识别模型构建方法，其特征在于：步骤S1具体为：
S11：获取源图像并提取多个兴趣区域；
S12：采用增强算法对所述源图像中的每个所述兴趣区域的频段进行放大，得到1个增强图像；
S13：利用裁剪算法在所述增强图像中选出裁剪区域；
S14：去除裁剪区域，得到人脸图像；
S15：将所述人脸图像划分为四个部分，得到上半脸图像、下半脸图像、左半脸图像和右半脸图像；
S16：对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行归一化，得到预处理图像。
3.根据权利要求1所述的表情识别模型构建方法，其特征在于：步骤S2具体为：
S21：将所述源图像作为源域数据存储为图像数据集，将所述预处理图像作为目标数据存储为表情识别数据集；
S22：根据所述图像数据集和所述表情识别数据集构建深度学习模型；
S23：将所述源域数据输入至深度学习模型，通过反向传播算法，进行网络权重训练，最终得到图像预训练模型。
4.根据权利要求2所述的表情识别模型构建方法，其特征在于：步骤S3具体为：
S31：将所述图像预训练模型的网络结构划分为参数共享网络和参数不共享网络；
S32：将所述参数不共享网络分为n个全连接层，n为表情分类数量；
S33：将n个所述全连接层相连，并在尾端设置特征融合层并连接，所述特征融合层用于对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行特征融合；
S34：设置softmax层，并与所述特征融合层连接，得到微调模型，所述softmax层用于输出每个所述表情分类的概率。
5.根据权利要求2所述的表情识别模型构建方法，其特征在于：所述兴趣区域包括眼部、嘴角、前额。
6.一种表情识别模型构建系统，其特征在于：包括预处理模块、预训练模块、微调模块和训练模块，所述预处理模块用于获取源图像并进行预处理，得到预处理图像；所述预训练模块用于根据所述源图像和所述预处理图像构建深度学习模型，所述预训练模块还用于引入迁移学习对所述深度学习模型进行权重训练，得到图像预训练模型；所述微调模块用于根据所述图像预训练模型得到微调模型，所述训练模块用于利用所述微调模型对所述预处理图像进行微调模型训练，得到表情识别模型。
7.根据权利要求6所述的表情识别模型构建系统，其特征在于：所述预处理模块用于获取源图像并提取多个兴趣区域，然后采用增强算法对每个所述兴趣区域的频段进行放大，得到增强图像，再利用裁剪算法在所述增强图像中选出裁剪区域，去除裁剪区域，得到人脸图像，将所述人脸图像划分为四个部分，得到上半脸图像、下半脸图像、左半脸图像和右半脸图像，最后对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行归一化，得到预处理图像。
8.根据权利要求6所述的表情识别模型构建系统，其特征在于：所述预训练模块用于将所述源图像作为源域数据存储为图像数据集，将所述预处理图像作为目标数据存储为表情识别数据集，然后根据所述图像数据集和所述表情识别数据集构建深度学习模型，将所述源域数据输入至深度学习模型，通过反向传播算法，进行网络权重训练，最终得到图像预训练模型。
9.根据权利要求7所述的表情识别模型构建系统，其特征在于：所述微调模块用于将所述图像预训练模型的网络结构划分为参数共享网络和参数不共享网络，将所述参数不共享网络分为n个全连接层，n为表情分类数量，n个所述全连接层相连，并在尾端设置特征融合层并连接，所述特征融合层用于对所述人脸图像、上半脸图像、下半脸图像、左半脸图像和右半脸图像进行特征融合，设置softmax层，并与所述特征融合层连接，得到微调模型，所述softmax层用于输出每个所述表情分类的概率。
10.根据权利要求7所述的表情识别模型构建系统，其特征在于：所述兴趣区域包括眼部、嘴角、前额。
CN201910176954.0A 2019-03-08 2019-03-08 一种表情识别模型构建方法及系统 Active CN110008841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910176954.0A CN110008841B (zh) 2019-03-08 2019-03-08 一种表情识别模型构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910176954.0A CN110008841B (zh) 2019-03-08 2019-03-08 一种表情识别模型构建方法及系统

Publications (2)

Publication Number Publication Date
CN110008841A true CN110008841A (zh) 2019-07-12
CN110008841B CN110008841B (zh) 2021-07-06

Family

ID=67166642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910176954.0A Active CN110008841B (zh) 2019-03-08 2019-03-08 一种表情识别模型构建方法及系统

Country Status (1)

Country Link
CN (1) CN110008841B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472400A (zh) * 2019-08-22 2019-11-19 山东浪潮人工智能研究院有限公司 一种基于人脸识别的可信计算机系统及实现方法
CN111178242A (zh) * 2019-12-27 2020-05-19 上海掌学教育科技有限公司 一种面向在线教育的学生人脸表情识别方法及系统
CN111523479A (zh) * 2020-04-24 2020-08-11 中国农业科学院农业信息研究所 动物的生物特征识别方法、装置、计算机设备及存储介质
WO2021115123A1 (zh) * 2019-12-12 2021-06-17 苏州科技大学 一种用于足迹图像检索的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180060652A1 (en) * 2016-08-31 2018-03-01 Siemens Healthcare Gmbh Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition
CN107766787A (zh) * 2016-08-16 2018-03-06 深圳云天励飞技术有限公司 人脸属性识别方法、装置、终端及存储介质
CN109033940A (zh) * 2018-06-04 2018-12-18 上海依图网络科技有限公司 一种图像识别方法、装置、计算设备及存储介质
CN109299639A (zh) * 2017-07-25 2019-02-01 虹软(杭州)多媒体信息技术有限公司 一种用于表情识别的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766787A (zh) * 2016-08-16 2018-03-06 深圳云天励飞技术有限公司 人脸属性识别方法、装置、终端及存储介质
US20180060652A1 (en) * 2016-08-31 2018-03-01 Siemens Healthcare Gmbh Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition
CN109299639A (zh) * 2017-07-25 2019-02-01 虹软(杭州)多媒体信息技术有限公司 一种用于表情识别的方法和装置
CN109033940A (zh) * 2018-06-04 2018-12-18 上海依图网络科技有限公司 一种图像识别方法、装置、计算设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472400A (zh) * 2019-08-22 2019-11-19 山东浪潮人工智能研究院有限公司 一种基于人脸识别的可信计算机系统及实现方法
CN110472400B (zh) * 2019-08-22 2021-06-01 浪潮集团有限公司 一种基于人脸识别的可信计算机系统及实现方法
WO2021115123A1 (zh) * 2019-12-12 2021-06-17 苏州科技大学 一种用于足迹图像检索的方法
US11809485B2 (en) 2019-12-12 2023-11-07 Suzhou University of Science and Technology Method for retrieving footprint images
CN111178242A (zh) * 2019-12-27 2020-05-19 上海掌学教育科技有限公司 一种面向在线教育的学生人脸表情识别方法及系统
CN111523479A (zh) * 2020-04-24 2020-08-11 中国农业科学院农业信息研究所 动物的生物特征识别方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN110008841B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN110008841A (zh) 一种表情识别模型构建方法及系统
WO2018107760A1 (zh) 一种用于行人检测的协同式深度网络模型方法
CN103793697B (zh) 一种人脸图像的身份标注方法及人脸身份识别方法
Fernandez et al. Automatic detection of field-grown cucumbers for robotic harvesting
CN103824053B (zh) 一种人脸图像的性别标注方法及人脸性别检测方法
CN105160317B (zh) 一种基于区域分块行人性别识别方法
CN102043945B (zh) 基于车辆实时跟踪和二进指数分类车牌字符识别的方法
CN106909870A (zh) 人脸图像的检索方法及装置
CN109978918A (zh) 一种轨迹追踪方法、装置和存储介质
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN107506722A (zh) 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN106295584A (zh) 深度迁移学习在人群属性的识别方法
CN108416266A (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN107145845A (zh) 基于深度学习及多特征点融合的行人检测方法
CN104866829A (zh) 一种基于特征学习的跨年龄人脸验证方法
CN108021889A (zh) 一种基于姿态外形和运动信息的双通道红外行为识别方法
CN105488468A (zh) 一种目标区域的定位方法和装置
CN101551852B (zh) 训练系统、训练方法和检测方法
CN106803257A (zh) 一种作物病害叶片图像中病斑的分割方法
Pandey et al. Improving facial emotion recognition systems using gradient and laplacian images
Revathi et al. Homogenous segmentation based edge detection techniques for proficient identification of the cotton leaf spot diseases
CN103955682A (zh) 基于surf兴趣点的行为识别方法及装置
CN111539320A (zh) 基于互相学习网络策略的多视角步态识别方法及系统
Mohmmad et al. A survey machine learning based object detections in an image
CN110176024A (zh) 在视频中对目标进行检测的方法、装置、设备和存储介质

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