CN110287776A - 一种人脸识别的方法、装置以及计算机可读存储介质 - Google Patents

一种人脸识别的方法、装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN110287776A
CN110287776A CN201910403470.5A CN201910403470A CN110287776A CN 110287776 A CN110287776 A CN 110287776A CN 201910403470 A CN201910403470 A CN 201910403470A CN 110287776 A CN110287776 A CN 110287776A
Authority
CN
China
Prior art keywords
face
model
dimensional
image
models
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
CN201910403470.5A
Other languages
English (en)
Other versions
CN110287776B (zh
Inventor
傅慧源
马华东
李令飞
曹宁
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910403470.5A priority Critical patent/CN110287776B/zh
Publication of CN110287776A publication Critical patent/CN110287776A/zh
Application granted granted Critical
Publication of CN110287776B publication Critical patent/CN110287776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种人脸识别方法、装置以及计算机可读存储介质，根据采集到的多个摄像机拍摄的图像；对采集的多个图像分别进行人脸检测及人脸对齐；对经过人脸检测及人脸对齐后的多个图像分别进行三维人脸重建，得到多个三维人脸模型；将多个三维人脸模型进行融合；根据融合后的三维人脸模型生成二维人脸深度图；根据二维人脸深度图进行人脸识别。因此本发明方案可以根据多个摄像机的图像，重建三维人脸模型，并对多个三维人脸模型进行融合，根据融合后的三维人脸模型生成二维人脸深度图进行人脸识别，人脸特征信息互补，融合后的人脸三维模型较为完整，用于人脸识别效果更好。

Description

一种人脸识别的方法、装置以及计算机可读存储介质
技术领域
本发明涉及图像识别技术领域，特别是指一种人脸识别方法、装置以及计算机可读存储介质。
背景技术
近年来，随着基于物联网技术的视频监控设备的发展和人工智能的兴起，人们对智能生活，尤其是安全生活的需求日益增加。另外，随着经济的快速发展，越来越多的人口涌入城市，使得城市内的人口数量剧增。在这样的情况下，如何保证城市内的治安稳定成为了亟需解决的问题。
为确保安全，防止不良事件的发生，智能安全已成为当前的发展趋势。其中，视频监控是智能安防的重要一步，身份认证是智能安防的重要组成部分，而人脸识别更是身份认证的关键。因此，如何提高人脸识别的识别率，特别是在人脸遮挡、光照条件不好、拍摄角度不佳等场景下提高人脸识别的识别率是当前亟需解决的关键问题之一。
发明内容
有鉴于此，本发明的目的在于提出一种人脸识别方法，以提高人脸识别的识别率，特别是在人脸遮挡、光照条件不好、角度不佳等场景下仍然可以实现较高的识别率。
本发明提供的人脸识别方法包括：
采集多个摄像机拍摄的图像；
对采集的多图像分别进行人脸检测及人脸对齐；
根据人脸检测及人脸对齐后的多个图像分别进行三维人脸重建，得到多个三维人脸模型；
将多个三维人脸模型进行融合；
根据融合后的三维人脸模型生成二维人脸深度图；
根据二维人脸深度图进行人脸识别。
可选的，所述采集多个摄像机拍摄的图像包括：
获取多摄像机的访问权限；
判定多个摄像机是否同时处于运行状态；
若是，获取多摄像机监控视频流；
否则，退出并发送错误信息；
根据多摄像机监控视频流循环读取视屏帧并采集图像；
按时间信息和摄像机编号存储并传输采集的图像。
可选的，所述获取多摄像机监控视频流包括对获取到的视频流保留其原始分辨率；
所述根据多摄像机监控视频流循环读取视频帧并采集图像包括：设置循环读取视频帧的时间间隔，并在每个时间间隔同步采集多个摄像机中监控视频流的图像。
可选的，所述对采集的多个图像进分别行人脸检测及人脸对齐包括：
针对采集的每一个图像，判定采集的图像中是否检测到人脸；
若是，标记检测到的人脸区域；
否则，重新采集多摄像机监控场景图像；
根据标记的人脸区域对人脸进行对齐，将检测到的人脸中各个关键点提取出来，生成对齐后的二维人脸图像。
可选的，所述根据人脸检测及人脸对齐后的多个图像分别进行三维人脸重建包括：
针对每一个人脸检测及人脸对齐后的图像，通过深度卷积神经网络模型，对所述图像进行处理，计算生成三维人脸模型的纹理参数和形状参数，获得198维特征向量。
可选的，将所述多个三维人脸模型进行融合包括：
将所述多个三维人脸模型进行三维配准，将多个三维人脸模型之间相互匹配的部分去除，其他部分相加到完整的模型中，补充互相之间的特征，实现三维人脸模型的融合。
可选的，所述将多个三维人脸模型进行三维配准包括：
确定所述多个三维人脸模型的误差函数；
根据所述误差函数匹配所述多个三维人脸模型。
可选的，假设三维人脸模型为三个，分别为P、Q、S，则所述误差函数公式为：
其中：n为最邻近点对的个数，pi为参考系三维模型P中的一点，qi为模型Q中与pi对应的最近点，si为模型Q中与pi对应的最近点，Rq为模型Q融合到模型P的旋转矩阵，tq为模型Q融合到模型P的平移向量，Rs为模型S融合到模型P的旋转矩阵，ts为模型S融合到模型P的平移向量。误差函数为旋转、平移后的模型Q、S和原始参考模型P，三个模型之间对应点的距离平方和的和值。
可选的，所述根据所述误差函数匹配所述多个三维人脸模型包括：
三个三维人脸模型P、Q、S中每个对应的点分别记为a1、a2及a3，a1、a2及a3之间的差值和，即计算a1，a2，a3的距离差值，保证最小；
取P模型作为参考模型，其他两个模型通过旋转、平移转到与参考模型P匹配部分最大(即误差函数最小，每个对应点距离和最小)的时候。
可选的，所述根据二维人脸深度图进行人脸识别，包括：
接收二维深度图；
将接收的二维深度图结果归一化；
对归一化后的结果进行主成分分析；
将分析的结果与数据库中已知人员的模型进行相似度计算，生成识别结果；
输出识别结果。
一种三维人脸识别装置，包括：
图像采集模块：用于采集多摄像机监控场景图像；
图像预处理模块：用于对采集的图像进行人脸检测及人脸对齐；
人脸三维重建模块：用于根据人脸检测及人脸对齐后的图像进行三维人脸重建；
三维人脸模型融合模块：用于将三维人脸重建后的多三维人脸模型进行融合，将生成的三维人脸模型进行三维配准，补充互相之间的特征，实现三维人脸模型的融合；
三维人脸模型识别模块：用于根据融合后的三维人脸模型生成二维人脸深度图，根据二维人脸深度图进行人脸识别；
输出模块：输出识别结果。
一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前面所述的人脸识别方法。
从上面所述可以看出，本发明提供的人脸识别方法及装置，通过采集多个摄像机拍摄的图像；对采集的多个图像分别进行人脸检测及人脸对齐；对经过人脸检测及人脸对齐后的多个图像分别进行三维人脸重建，得到多个三维人脸模型；将多个三维人脸模型进行融合；根据融合后的三维人脸模型生成二维人脸深度图；根据二维人脸深度图进行人脸识别。因此本发明方案可以根据多个摄像机的图像，重建三维人脸模型，并对多个三维人脸模型进行融合，得到融合后的三维人脸模型，融合后的三维人脸模型的信息特征相比于二维人脸图像包含更多的信息，还有深度信息、人脸各部分的空间位置等，根据融合后的三维人脸模型生成二维人脸深度图进行人脸识别，人脸特征信息互补，融合后的人脸三维模型较为完整，用于人脸识别效果更好。
更进一步，在本发明的方案中，在获取人脸图像时，需要获取多摄像机的访问权限；判定多个摄像机是否同时处于运行状态；若是，获取多摄像机监控视频流；否则，退出并发送错误信息，有效保证了在进行三维人脸模型重建及融合时，具有足够多的二维图像，进一步保证了融合后的三维人脸模型的完整性，提高了人脸识别的效果。
附图说明
图1为本发明实施例一种人脸识别方法的示意性流程图；
图2为本发明实施例一种人脸识别方法步骤101的一示意性流程图；
图3为本发明实施例一种人脸识别方法步骤102的一示意性流程图；
图4为本发明实施例一种人脸识别方法步骤106的一示意性流程图示意图；
图5为本发明实施例一种人脸识别方法应用例的流程框图；
图6为本发明实施例一种人脸识别方法应用例的流程框图；
图7为本发明实施例一种人脸识别方法应用例的流程框图；
图8为本发明实施例一种人脸识别装置的示意性框图。
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白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例所涉及的人脸识别方法应用于多摄像机场景中。在多摄像机场景中，各个摄像机可平行放置或呈一定角度放置，多摄像机之间能拍摄到同一片区域。
作为本发明的其中一种具体实施例，一种人脸识别方法，参照图1，该方法包括：
步骤101，采集多个摄像机拍摄的图像；
步骤102，对采集的多个图像分别进行人脸检测及人脸对齐；
步骤103，根据人脸检测及人脸对齐后的多个图像分别进行三维人脸重建，得到多个三维人脸模型；
该步骤可包括：通过深度卷积神经网络模型，对对齐后的二维人脸图像进行处理，计算生成三维人脸模型的纹理参数和形状参数，获得198维特征向量；
步骤104，将多个三维人脸模型进行融合；
该步骤还可包括：将生成的三维人脸模型进行三维配准，将多个三维人脸模型之间相互匹配的部分去除，其他部分相加到完整的模型中。补充互相之间的特征，实现三维人脸模型的融合；
其中，可将所述生成的三维人脸模型设为三个，分别为P、Q、S，三个三维人脸模型中每个对应的点分别记为a1、a2及a3，a1、a2及a3之间的差值和，即计算a1，a2，a3的距离差值，保证最小。将生成的三个三维模型按照误差函数匹配，误差函数公式为:
其中：n为最邻近点对的个数，pi为参考系三维模型P中的一点，qi为模型Q中与pi对应的最近点，si为模型Q中与pi对应的最近点，Rq为模型Q融合到模型P的旋转矩阵，tq为模型Q融合到模型P的平移向量，Rs为模型S融合到模型P的旋转矩阵，ts为模型S融合到模型P的平移向量。P模型作为参考模型，其他两个模型通过旋转、平移转到与参考模型匹配部分最大(即误差函数最小，每个对应点距离和最小)的时候，误差函数为旋转、平移后的模型Q、S和原始参考模型P，三个模型之间对应点的距离平方和的和值。
多个模型匹配后，实现模型融合。具体的，三个三维人脸模型中存在可以匹配的部分，其他不匹配的部分互相融合，即叠加到一起实现融合；将融合后的模型通过卷积神经网络生成4096维的特征向量与数据库中的已知身份的特征向量进行比较，实现人脸识别。
步骤105，根据融合后的三维人脸模型生成二维人脸深度图；
步骤106，根据二维人脸深度图进行人脸识别。
图2是本发明一种具体实施方式一种人脸识别方法步骤101的一示意性流程图。
图2包括：
步骤201，获取多摄像机的访问权限；
步骤202，判定多个摄像机是否同时处于运行状态；
步骤203，若是，获取多摄像机监控视频流；
该步骤还可包括：对获取到的视频流保留其原始分辨率；
步骤204，否则，退出并发送错误信息；
步骤205，根据多摄像机监控视频流循环读取视屏帧，采集图像；
该步骤还可包括：设置循环读取视频帧的时间间隔为10ms，并在每个时间间隔同步采集多个摄像机中监控视频流的图像；
步骤206，按时间信息和摄像机编号存储并传输采集的图像。
图3是本发明一种具体实施方式一种人脸识别方法步骤102的一示意性流程图。
图3中包括：
步骤301，判定采集的图像中是否检测到人脸；
步骤302，若是，标记检测到的人脸区域；
步骤303，否则，返回步骤101；
步骤304，根据标记的人脸区域对人脸进行对齐，将检测到的人脸中各个关键点提取出来，生成对齐后的二维人脸图像。
图4是本发明一种具体实施方式一种人脸识别方法步骤106的一示意性流程图；
图4中包括：
步骤401，接收二维深度图；
步骤402，将接收的二维深度图结果归一化；
步骤403，对归一化后的结果进行主成分分析；
步骤404，将分析的结果与数据库中已知人员的模型进行相似度计算，生成识别结果；
步骤405，输出识别结果。
图5、图6与图7是根据本发明的实施例的一种人脸识别方法的应用例的流程框图。
参照图5，对三个摄像机同步截取视频图像，将同一时间的多个图像输入方法流程中。首先取得监控摄像机的访问权限，如果没有则需向系统申请摄像机权限。然后获取摄像机拍摄到的监控视频流。对获取到的视频流保留其原始分辨率以满足采集到的图像质量需求。图像采集需保证三个摄像机同时处于运行状态，如果其中一个摄像机未工作，则退出图像采集模块并返回错误信息。循环读取视频帧，设置时间间隔为10毫秒，每个时间间隔同步采集三个摄像机中监控视频流的图像，按照时间信息和摄像机编号存储并传输到图像预处理模块。
参照图6，图像预处理模块判断图像中是否检测到人脸，如果没有则退出该模块，反之则进行人脸关键点检测，将人脸对齐后传输给三维人脸模型重建模块。
三维人脸模型重建模块是生成三维人脸模型的基础。该模块对对齐后的二维人脸图像通过深度卷积神经网络模型，生成三维人脸模型。
参照图7，将生成的多个三维人脸模型进行三维配准，补充相互之间的特征，实现三维人脸模型的融合。
其中，可将所述生成的三维人脸模型设为三个，分别为P、Q、S；将生成的三个三维模型按照误差函数匹配，误差函数公式为:
其中：n为最邻近点对的个数，pi为参考系三维模型P中的一点，qi为模型Q中与pi对应的最近点，si为模型Q中与pi对应的最近点，Rq为模型Q融合到模型P的旋转矩阵，tq为模型Q融合到模型P的平移向量，Rs为模型S融合到模型P的旋转矩阵，ts为模型S融合到模型P的平移向量。误差函数为旋转、平移后的模型Q、S和原始参考模型P，三个模型之间对应点的距离平方和的和值。
人脸识别的实现主要分为三维模型转二维图像的预处理和基于二维图像的识别。利用融合后的三维人脸模型与数据库中已知身份的模型比对，输出识别结果。
上述详细介绍了一种人脸识别方法，以下介绍本发明对应的一种人脸识别装置。
参照图8，一种人脸识别装置，包括：
图像采集模块801：用于采集多摄像机监控场景图像；
图像预处理模块802：用于对采集的图像进行人脸检测及人脸对齐；
人脸三维重建模块803：用于根据人脸检测及人脸对齐后的图像进行三维人脸重建；
三维人脸模型融合模块804：用于将三维人脸重建后的多三维人脸模型进行融合，将生成的三维人脸模型进行三维配准，补充互相之间的特征，实现三维人脸模型的融合；
三维人脸模型识别模块805：用于根据融合后的三维人脸模型生成二维人脸深度图，根据二维人脸深度图进行人脸识别；
输出模块806：输出识别结果。
一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前面所述的人脸识别方法。
综上所述，本发明提供的一种人脸识别方法、装置以及计算机可读存储介质，三维人脸识别信息特征更多，三维人脸模型的信息特征相比于二维人脸图像包含更多的信息，还有深度信息、人脸各部分的空间位置等；对人脸遮挡、光照等条件具有鲁棒性，本发明利用多个摄像机拍摄到的人脸，采用三维人脸模型融合的方式进行人脸识别，由于人脸遮挡、光照条件不佳等因素造成三维模型不完整，但是每个摄像机生成的三维模型之间人脸特征信息互补，融合后的三维人脸模型较为完整，用于人脸识别效果更好。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
采集多个摄像机拍摄的图像；
对采集的多图像分别进行人脸检测及人脸对齐；
根据人脸检测及人脸对齐后的多个图像分别进行三维人脸重建，得到多个三维人脸模型；
将多个三维人脸模型进行融合；
根据融合后的三维人脸模型生成二维人脸深度图；
根据二维人脸深度图进行人脸识别。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述采集多个摄像机拍摄的图像包括：
获取多摄像机的访问权限；
判定多个摄像机是否同时处于运行状态；
若是，获取多摄像机监控视频流；
否则，退出并发送错误信息；
根据多摄像机监控视频流循环读取视屏帧并采集图像；
按时间信息和摄像机编号存储并传输采集的图像。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述获取多摄像机监控视频流包括对获取到的视频流保留其原始分辨率；
所述根据多摄像机监控视频流循环读取视频帧并采集图像包括：设置循环读取视频帧的时间间隔，并在每个时间间隔同步采集多个摄像机中监控视频流的图像。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述对采集的多个图像进分别行人脸检测及人脸对齐包括：
针对采集的每一个图像，判定采集的图像中是否检测到人脸；
若是，标记检测到的人脸区域；
否则，重新采集多摄像机监控场景图像；
根据标记的人脸区域对人脸进行对齐，将检测到的人脸中各个关键点提取出来，生成对齐后的二维人脸图像。
5.根据权利要求1所述的一种人脸识别方法，其特征在于，所述根据人脸检测及人脸对齐后的多个图像分别进行三维人脸重建包括：
针对每一个人脸检测及人脸对齐后的图像，通过深度卷积神经网络模型，对所述图像进行处理，计算生成三维人脸模型的纹理参数和形状参数，获得198维特征向量。
6.根据权利要求1所述的人脸识别方法，其特征在于，将所述多个三维人脸模型进行融合包括：
将所述多个三维人脸模型进行三维配准，将多个三维人脸模型之间相互匹配的部分去除，其他部分相加到完整的模型中，补充互相之间的特征，实现三维人脸模型的融合。
7.根据权利要求6所述的人脸识别方法，其特征在于，所述将多个三维人脸模型进行三维配准包括：
确定所述多个三维人脸模型的误差函数；
根据所述误差函数匹配所述多个三维人脸模型。
8.根据权利要求7所述的人脸识别方法，其特征在于，假设三维人脸模型为三个，分别为P、Q、S，则所述误差函数公式为：
其中：n为最邻近点对的个数，pi为参考系三维模型P中的一点，qi为模型Q中与pi对应的最近点，si为模型Q中与pi对应的最近点，Rq为模型Q融合到模型P的旋转矩阵，tq为模型Q融合到模型P的平移向量，Rs为模型S融合到模型P的旋转矩阵，ts为模型S融合到模型P的平移向量。误差函数为旋转、平移后的模型Q、S和原始参考模型P，三个模型之间对应点的距离平方和的和值；
所述根据所述误差函数匹配所述多个三维人脸模型包括：
三个三维人脸模型P、Q、S中每个对应的点分别记为a1、a2及a3，a1、a2及a3之间的差值和，即计算a1，a2，a3的距离差值，保证最小；
取P模型作为参考模型，其他两个模型通过旋转、平移转到与参考模型P匹配部分最大的时候。
9.一种三维人脸识别装置，其特征在于，包括：
图像采集模块：用于采集多摄像机监控场景图像；
图像预处理模块：用于对采集的图像进行人脸检测及人脸对齐；
人脸三维重建模块：用于根据人脸检测及人脸对齐后的图像进行三维人脸重建；
三维人脸模型融合模块：用于将三维人脸重建后的多三维人脸模型进行融合，将生成的三维人脸模型进行三维配准，补充互相之间的特征，实现三维人脸模型的融合；
三维人脸模型识别模块：用于根据融合后的三维人脸模型生成二维人脸深度图，根据二维人脸深度图进行人脸识别；
输出模块：输出识别结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至10任一项所述的人脸识别方法。
CN201910403470.5A 2019-05-15 2019-05-15 一种人脸识别的方法、装置以及计算机可读存储介质 Active CN110287776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910403470.5A CN110287776B (zh) 2019-05-15 2019-05-15 一种人脸识别的方法、装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910403470.5A CN110287776B (zh) 2019-05-15 2019-05-15 一种人脸识别的方法、装置以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110287776A true CN110287776A (zh) 2019-09-27
CN110287776B CN110287776B (zh) 2020-06-26

Family

ID=68002374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910403470.5A Active CN110287776B (zh) 2019-05-15 2019-05-15 一种人脸识别的方法、装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110287776B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882656A (zh) * 2020-06-19 2020-11-03 深圳宏芯宇电子股份有限公司 基于人工智能的图形处理方法、设备及存储介质
CN111898488A (zh) * 2020-07-15 2020-11-06 广州酷狗计算机科技有限公司 视频图像的识别方法、装置、终端及存储介质
CN111967311A (zh) * 2020-07-06 2020-11-20 广东技术师范大学 情绪识别方法、装置、计算机设备及存储介质
CN112258619A (zh) * 2020-12-22 2021-01-22 北京沃东天骏信息技术有限公司 一种图像处理方法和装置
CN112528902A (zh) * 2020-12-17 2021-03-19 四川大学 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN112929635A (zh) * 2019-12-05 2021-06-08 北京芯海视界三维科技有限公司 裸眼3d显示屏的显示控制方法、多视点裸眼3d显示器
CN113313097A (zh) * 2021-07-30 2021-08-27 浙江大华技术股份有限公司 人脸识别方法、终端及计算机可读存储介质
CN113393436A (zh) * 2021-06-15 2021-09-14 北京美医医学技术研究院有限公司 一种基于多角度图像采集的皮肤检测系统
CN113836980A (zh) * 2020-06-24 2021-12-24 中兴通讯股份有限公司 人脸识别方法、电子设备以及存储介质
WO2022161107A1 (zh) * 2021-01-28 2022-08-04 北京字节跳动网络技术有限公司 三维视频的处理方法、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6492986B1 (en) * 1997-06-02 2002-12-10 The Trustees Of The University Of Pennsylvania Method for human face shape and motion estimation based on integrating optical flow and deformable models
US20070127810A1 (en) * 2003-08-08 2007-06-07 Microsoft Corporation System and method for modeling three dimensional objects from a single image
CN103237192A (zh) * 2012-08-20 2013-08-07 苏州大学 一种基于多摄像头数据融合的智能视频监控系统
CN103248867A (zh) * 2012-08-20 2013-08-14 苏州大学 基于多摄像头数据融合的智能视频监控系统的监控方法
CN104598878A (zh) * 2015-01-07 2015-05-06 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN104680135A (zh) * 2015-02-09 2015-06-03 浙江大学 一种抗表情、姿态和遮挡变化的三维人脸标记点检测方法
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
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
CN108564018A (zh) * 2018-04-04 2018-09-21 北京天目智联科技有限公司 一种基于红外拍照的生物特征3d四维数据识别方法及系统
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6492986B1 (en) * 1997-06-02 2002-12-10 The Trustees Of The University Of Pennsylvania Method for human face shape and motion estimation based on integrating optical flow and deformable models
US20070127810A1 (en) * 2003-08-08 2007-06-07 Microsoft Corporation System and method for modeling three dimensional objects from a single image
CN103237192A (zh) * 2012-08-20 2013-08-07 苏州大学 一种基于多摄像头数据融合的智能视频监控系统
CN103248867A (zh) * 2012-08-20 2013-08-14 苏州大学 基于多摄像头数据融合的智能视频监控系统的监控方法
CN104598878A (zh) * 2015-01-07 2015-05-06 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN104680135A (zh) * 2015-02-09 2015-06-03 浙江大学 一种抗表情、姿态和遮挡变化的三维人脸标记点检测方法
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
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
CN108564018A (zh) * 2018-04-04 2018-09-21 北京天目智联科技有限公司 一种基于红外拍照的生物特征3d四维数据识别方法及系统
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929635A (zh) * 2019-12-05 2021-06-08 北京芯海视界三维科技有限公司 裸眼3d显示屏的显示控制方法、多视点裸眼3d显示器
CN111882656A (zh) * 2020-06-19 2020-11-03 深圳宏芯宇电子股份有限公司 基于人工智能的图形处理方法、设备及存储介质
CN113836980A (zh) * 2020-06-24 2021-12-24 中兴通讯股份有限公司 人脸识别方法、电子设备以及存储介质
CN111967311A (zh) * 2020-07-06 2020-11-20 广东技术师范大学 情绪识别方法、装置、计算机设备及存储介质
CN111967311B (zh) * 2020-07-06 2021-09-10 广东技术师范大学 情绪识别方法、装置、计算机设备及存储介质
CN111898488A (zh) * 2020-07-15 2020-11-06 广州酷狗计算机科技有限公司 视频图像的识别方法、装置、终端及存储介质
CN112528902A (zh) * 2020-12-17 2021-03-19 四川大学 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN112258619A (zh) * 2020-12-22 2021-01-22 北京沃东天骏信息技术有限公司 一种图像处理方法和装置
WO2022161107A1 (zh) * 2021-01-28 2022-08-04 北京字节跳动网络技术有限公司 三维视频的处理方法、设备及存储介质
CN113393436A (zh) * 2021-06-15 2021-09-14 北京美医医学技术研究院有限公司 一种基于多角度图像采集的皮肤检测系统
CN113393436B (zh) * 2021-06-15 2024-08-16 北京美医医学技术研究院有限公司 一种基于多角度图像采集的皮肤检测系统
CN113313097A (zh) * 2021-07-30 2021-08-27 浙江大华技术股份有限公司 人脸识别方法、终端及计算机可读存储介质

Also Published As

Publication number Publication date
CN110287776B (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN110287776A (zh) 一种人脸识别的方法、装置以及计算机可读存储介质
Sabir et al. Recurrent convolutional strategies for face manipulation detection in videos
George et al. Deep pixel-wise binary supervision for face presentation attack detection
Verdoliva Extracting camera-based fingerprints for video forensics
Peng et al. FD-GAN: Face de-morphing generative adversarial network for restoring accomplice’s facial image
Pinto et al. Using visual rhythms for detecting video-based facial spoof attacks
CN110222573B (zh) 人脸识别方法、装置、计算机设备及存储介质
Wang et al. Multi-modal face presentation attack detection via spatial and channel attentions
Guo et al. Improving face anti-spoofing by 3D virtual synthesis
CN111242097A (zh) 一种人脸识别方法、装置、计算机可读介质及电子设备
CN112528902B (zh) 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN110956114A (zh) 人脸活体检测方法、装置、检测系统及存储介质
Galteri et al. Deep 3d morphable model refinement via progressive growing of conditional generative adversarial networks
Cao et al. Metric learning for anti-compression facial forgery detection
Chen et al. A dataset and benchmark towards multi-modal face anti-spoofing under surveillance scenarios
Wang et al. Spatial-temporal frequency forgery clue for video forgery detection in VIS and NIR scenario
WO2014085438A2 (en) Methods, systems, and media for detecting gaze locking
Jin et al. Parallax tolerant light field stitching for hand-held plenoptic cameras
Chu et al. Semi-supervised 3d human pose estimation by jointly considering temporal and multiview information
Parkin et al. Creating artificial modalities to solve RGB liveness
JP2010072910A (ja) 顔の３次元モデル生成装置、顔の３次元モデル生成方法および顔の３次元モデル生成プログラム
CN115909129A (zh) 一种基于频域特征的双流网络的人脸伪造检测方法
Lekshmi et al. Source camera identification of image for forensic analysis using sensor fingerprints
CN115966030A (zh) 图像处理方法、装置及智能终端
Huang et al. Dual fusion paired environmental background and face region for face anti-spoofing

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