CN110378234A - 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 - Google Patents
基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 Download PDFInfo
- Publication number
- CN110378234A CN110378234A CN201910536668.0A CN201910536668A CN110378234A CN 110378234 A CN110378234 A CN 110378234A CN 201910536668 A CN201910536668 A CN 201910536668A CN 110378234 A CN110378234 A CN 110378234A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- module
- tensorflow
- neural networks
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000002156 mixing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 230000001815 facial effect Effects 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000004709 eyebrow Anatomy 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 238000001931 thermography Methods 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000001757 thermogravimetry curve Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统,涉及热成像人脸识别领域。本发明包括如下步骤:注册热像人脸图像以及对应的真实人脸图像并构建人脸数据库;基于TensorFlow构造卷积神经网络训练出人脸数据库分类模型;视频设备采集人脸可见光图像和人脸热红外图像;采集到的图像进行边缘检测算法预处理并进行通道叠加生成融合图像;融合图像进行CNN特征向量提取;通过人脸数据库分类模型对CNN特征向量进行检索。本发明通过将采集到的图像进行边框提取并进行通道叠加生成融合图像,对融合的图像进行CNN特征提取,输入人脸数据库分类模型进行识别,使红外人脸图像的特征提取稳定、增加人脸红外图像的识别率。
Description
技术领域
本发明属于热成像人脸识别领域,特别是涉及一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,及一种基于TensorFlow构建的卷积神经网络热像人脸识别系统。
背景技术
人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是模式识别、机器学习和计算机视觉领域最具挑战性的研究方向之一,是一个高维的模式识别问题。在可见光人脸识别领域,已有的研究要求待识别人是配合的,正面站在摄像头前,并且保持均匀的光照。然而,在实际的人脸识别里,人脸的姿态是非可控的,同时光照条件变化多端,人脸也会存在彼此遮挡,这些对人脸识别提出了很大的挑战。远红外人脸识别具有消除光照及阴影的影响、被动性、实现全天候识别等特点,成为弥补可见光人脸识别不足的重要研究方向之一。
随着近年来,以深度学习为代表的机器学习异军突起,称为当前人工智能研究领域的热点,由于深度神经网络模型复杂,训练数据多,计算量大等缺点出现,使深度学习所使用的深度神经网络DNN(DeepNeuralNetworks)需要的参数量极大,同时DNN需要大量数据才能训练出高准确率的模型。当远红外成像应用于深度识别人脸识别也有其缺陷:一方面,由于红外热像仪分辨率的限制,红外人脸图像的分辨率不高;另一方面,人脸温谱图会随着外界环境温度、心理状况以及生理状况的变化而变化,且导致温谱图的变化是非线性的。因此,提取低质量、不稳定红外人脸图像的不变特征,成为红外人脸识别系统的关键技术。
发明内容
本发明的目的在于提供一种基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统,通过视频设备分别采集人脸可见光图像和人脸热红外图像,对采集到的图像进行边框提取并进行通道叠加生成融合图像,对融合的图像进行CNN特征提取,输入人脸数据库分类模型进行识别,解决了现有的红外人脸图像的分辨率不高、特征提取不稳定、识别困难问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,包括如下步骤:
步骤S1:注册热像人脸图像以及对应的真实人脸图像并构建人脸数据库;
步骤S2:基于TensorFlow构造卷积神经网络训练出人脸数据库分类模型;
步骤S3:视频设备采集人脸可见光图像和人脸热红外图像;
步骤S4:采集到的图像进行边缘检测算法预处理;
步骤S5:将处理后的图像进行通道叠加生成融合图像;
步骤S6:对融合后的图像进行CNN特征向量提取;
步骤S7:通过人脸数据库分类模型对CNN特征向量进行检索。
优选地,所述步骤S3中,人脸可见光图像为三通道图像,人脸热红外图像为单通道图像。
优选地,所述步骤S4中,边缘检测算法预处理具体实现步骤如下:
步骤S41:输入采集到的人脸可见光图像和人脸热红外图像;
步骤S42:通过结构边缘检测算法得到边缘图像;
步骤S43:通过NMS算法找到边锋得到相对稀疏的边缘图像;
步骤S44:使用贪心策略对边缘点进行聚合,得到边缘线段组;
步骤S45:计算边缘线段之间的相似度和权重,确定候选框内的轮廓;
步骤S46:计算候选框的评分,并按照高低进行排序;
步骤S47:输出得分最高的候选框。
优选地,所述步骤S5中,通道叠加生成融合图像是将三通道可见光图像和单通道红外图像缩放到同一分辨率,将两幅图像分别进行归一化,归一化后的可见光图像作为融合图像的前三个通道,红外图像作为融合图像的第四个通道。
优选地,所述步骤S6中,对融合后的边框图像进行维度较小的局部CNN特征向量提取并转换成便于对比的二进制编码;局部特征CNN特征采集图片包括眼睛、眉毛、鼻子、嘴和耳朵,维数较小的CNN特征向量通过在ResNet后衔接一个卷积层。
本发明为一种基于TensorFlow构建的卷积神经网络热像人脸识别系统,包括依次连接的图像采集模块、控制模块、图像预处理模块、图像融合模块、候选区域提取模块、神经网络识别模块、人脸检索模块;
所述图像采集模块包括红外热相机和线阵可见光相机;所述控制模块用于控制图像采集模块对人脸图像进行采集;所述图像预处理模块用于对人脸可见光图像和人脸热红外图像进行边缘化处理;所述图像融合模块用于将得到的边缘图片进行融合;所述候选区域提取模块用于候选区域内的图像进行CNN特征向量提取;所述神经网络识别模块用于向神经网络建立的模型输入CNN特征向量进行识别;所述人脸检索模块用于从人脸数据库检索人脸对应的用户信息。
优选地,所述神经网络识别模块分为输入层、隐藏层和输出层;所述输入层包括卷积层、池化层和全连接层;图像输入后,第一个卷积层直接接受像素级别信息,每个一卷积操作只处理一块图像,提取出基础而有效的局部特征,映射出一个新的二维图像,卷积核的映射结果使用非线性的激活函数处理,在对激活结果进行池化操作来降低输出参数量,赋予模型对微形变的忍受能力,同时提高模型的泛化能力,进过多层交叉处理后,再将结果送入到全连接层进行训练,并输出最终结果;进一步提升了实时性,并提高了识别性能;所述全连接层对提取的特征进行重新拟合,以减少特征信息的丢失。
本发明具有以下有益效果:
本发明通过视频设备分别采集人脸可见光图像和人脸热红外图像,对采集到的图像进行边框提取并进行通道叠加生成融合图像,对融合的图像进行CNN特征提取,输入人脸数据库分类模型进行识别,使红外人脸图像的特征提取稳定、增加人脸红外图像的识别率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于TensorFlow构建的卷积神经网络热像人脸识别方法步骤图;
图2为边缘检测算法处理步骤图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,包括如下步骤:
步骤S1:注册热像人脸图像以及对应的真实人脸图像并构建人脸数据库;
步骤S2:基于TensorFlow构造卷积神经网络训练出人脸数据库分类模型;
步骤S3:视频设备采集人脸可见光图像和人脸热红外图像;
步骤S4:采集到的图像进行边缘检测算法预处理;
步骤S5:将处理后的图像进行通道叠加生成融合图像;
步骤S6:对融合后的图像进行CNN特征向量提取;
步骤S7:通过人脸数据库分类模型对CNN特征向量进行检索。
其中,步骤S3中,人脸可见光图像为三通道图像,人脸热红外图像为单通道图像。
请参阅图2所示,步骤S4中,边缘检测算法预处理具体实现步骤如下:
步骤S41:输入采集到的人脸可见光图像和人脸热红外图像;
步骤S42:通过结构边缘检测算法得到边缘图像;
步骤S43:通过NMS算法找到边锋得到相对稀疏的边缘图像;
步骤S44:使用贪心策略对边缘点进行聚合,得到边缘线段组;
步骤S45:计算边缘线段之间的相似度和权重,确定候选框内的轮廓;
步骤S46:计算候选框的评分,并按照高低进行排序;
步骤S47:输出得分最高的候选框。
其中,步骤S5中,通道叠加生成融合图像是将三通道可见光图像和单通道红外图像缩放到同一分辨率,将两幅图像分别进行归一化,归一化后的可见光图像作为融合图像的前三个通道,红外图像作为融合图像的第四个通道。
其中,步骤S6中,对融合后的边框图像进行维度较小的局部CNN特征向量提取并转换成便于对比的二进制编码;局部特征CNN特征采集图片包括眼睛、眉毛、鼻子、嘴和耳朵,维数较小的CNN特征向量通过在ResNet后衔接一个卷积层。
本发明为一种基于TensorFlow构建的卷积神经网络热像人脸识别系统,包括依次连接的图像采集模块、控制模块、图像预处理模块、图像融合模块、候选区域提取模块、神经网络识别模块、人脸检索模块;
图像采集模块包括红外热相机和线阵可见光相机;控制模块用于控制图像采集模块对人脸图像进行采集;图像预处理模块用于对人脸可见光图像和人脸热红外图像进行边缘化处理;图像融合模块用于将得到的边缘图片进行融合;候选区域提取模块用于候选区域内的图像进行CNN特征向量提取;神经网络识别模块用于向神经网络建立的模型输入CNN特征向量进行识别;人脸检索模块用于从人脸数据库检索人脸对应的用户信息。
其中,神经网络识别模块分为输入层、隐藏层和输出层;输入层包括卷积层、池化层和全连接层;图像输入后,第一个卷积层直接接受像素级别信息,每个一卷积操作只处理一块图像,提取出基础而有效的局部特征,映射出一个新的二维图像,卷积核的映射结果使用非线性的激活函数处理,在对激活结果进行池化操作来降低输出参数量,赋予模型对微形变的忍受能力,同时提高模型的泛化能力,进过多层交叉处理后,再将结果送入到全连接层进行训练,并输出最终结果;进一步提升了实时性,并提高了识别性能;全连接层对提取的特征进行重新拟合,以减少特征信息的丢失;输出层采用Softmax分类器。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,其特征在于,包括如下步骤:
步骤S1:注册热像人脸图像以及对应的真实人脸图像并构建人脸数据库;
步骤S2:基于TensorFlow构造卷积神经网络训练出人脸数据库分类模型;
步骤S3:视频设备采集人脸可见光图像和人脸热红外图像;
步骤S4:采集到的图像进行边缘检测算法预处理;
步骤S5:将处理后的图像进行通道叠加生成融合图像;
步骤S6:对融合后的图像进行CNN特征向量提取;
步骤S7:通过人脸数据库分类模型对CNN特征向量进行检索。
2.根据权利要求1所述的一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,其特征在于,所述步骤S3中,人脸可见光图像为三通道图像,人脸热红外图像为单通道图像。
3.根据权利要求1所述的一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,其特征在于,所述步骤S4中,边缘检测算法预处理具体实现步骤如下:
步骤S41:输入采集到的人脸可见光图像和人脸热红外图像;
步骤S42:通过结构边缘检测算法得到边缘图像;
步骤S43:通过NMS算法找到边锋得到相对稀疏的边缘图像;
步骤S44:使用贪心策略对边缘点进行聚合,得到边缘线段组;
步骤S45:计算边缘线段之间的相似度和权重,确定候选框内的轮廓;
步骤S46:计算候选框的评分,并按照高低进行排序;
步骤S47:输出得分最高的候选框。
4.根据权利要求1所述的一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,其特征在于,所述步骤S5中,通道叠加生成融合图像是将三通道可见光图像和单通道红外图像缩放到同一分辨率,将两幅图像分别进行归一化,归一化后的可见光图像作为融合图像的前三个通道,红外图像作为融合图像的第四个通道。
5.根据权利要求1所述的一种基于TensorFlow构建的卷积神经网络热像人脸识别方法,其特征在于,所述步骤S6中,对融合后的边框图像进行维度较小的局部CNN特征向量提取并转换成便于对比的二进制编码;局部特征CNN特征采集图片包括眼睛、眉毛、鼻子、嘴和耳朵,维数较小的CNN特征向量通过在ResNet后衔接一个卷积层。
6.如权利要求1-5任意一所述的一种基于TensorFlow构建的卷积神经网络热像人脸识别系统,其特征在于,包括依次连接的图像采集模块、控制模块、图像预处理模块、图像融合模块、候选区域提取模块、神经网络识别模块、人脸检索模块;
所述图像采集模块包括红外热相机和线阵可见光相机;所述控制模块用于控制图像采集模块对人脸图像进行采集;所述图像预处理模块用于对人脸可见光图像和人脸热红外图像进行边缘化处理;所述图像融合模块用于将得到的边缘图片进行融合;所述候选区域提取模块用于候选区域内的图像进行CNN特征向量提取;所述神经网络识别模块用于向神经网络建立的模型输入CNN特征向量进行识别;所述人脸检索模块用于从人脸数据库检索人脸对应的用户信息。
7.根据权利要求6所述的一种基于TensorFlow构建的卷积神经网络热像人脸识别系统,其特征在于,所述神经网络识别模块分为输入层、隐藏层和输出层;所述输入层包括卷积层、池化层和全连接层;图像输入后,第一个卷积层直接接受像素级别信息,每个一卷积操作只处理一块图像,提取出基础而有效的局部特征,映射出一个新的二维图像,卷积核的映射结果使用非线性的激活函数处理,在对激活结果进行池化操作降低输出参数量,进过多层交叉处理后,再将结果送入到全连接层进行训练,并输出最终结果;所述全连接层对提取的特征进行重新拟合,以减少特征信息的丢失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536668.0A CN110378234A (zh) | 2019-06-20 | 2019-06-20 | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536668.0A CN110378234A (zh) | 2019-06-20 | 2019-06-20 | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378234A true CN110378234A (zh) | 2019-10-25 |
Family
ID=68249045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536668.0A Pending CN110378234A (zh) | 2019-06-20 | 2019-06-20 | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378234A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274876A (zh) * | 2020-01-09 | 2020-06-12 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于视频分析的调度监控方法和系统 |
CN111461486A (zh) * | 2020-03-02 | 2020-07-28 | 广州高新工程顾问有限公司 | 一种基于项目化管理的工程招标代理信息管理系统 |
CN113486768A (zh) * | 2021-07-01 | 2021-10-08 | 成都九章丽欣科技有限公司 | 一种肤质的图像识别方法 |
CN113723243A (zh) * | 2021-08-20 | 2021-11-30 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
CN114821702A (zh) * | 2022-03-15 | 2022-07-29 | 电子科技大学 | 一种基于遮挡人脸的热红外人脸识别方法 |
CN114821703A (zh) * | 2022-03-15 | 2022-07-29 | 电子科技大学 | 一种距离自适应热红外人脸识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
CN106960202A (zh) * | 2017-04-11 | 2017-07-18 | 广西师范大学 | 一种基于可见光与红外图像融合的笑脸识别方法 |
CN108038466A (zh) * | 2017-12-26 | 2018-05-15 | 河海大学 | 基于卷积神经网络的多通道人眼闭合识别方法 |
CN108921100A (zh) * | 2018-07-04 | 2018-11-30 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 |
-
2019
- 2019-06-20 CN CN201910536668.0A patent/CN110378234A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
CN106960202A (zh) * | 2017-04-11 | 2017-07-18 | 广西师范大学 | 一种基于可见光与红外图像融合的笑脸识别方法 |
CN108038466A (zh) * | 2017-12-26 | 2018-05-15 | 河海大学 | 基于卷积神经网络的多通道人眼闭合识别方法 |
CN108921100A (zh) * | 2018-07-04 | 2018-11-30 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274876A (zh) * | 2020-01-09 | 2020-06-12 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于视频分析的调度监控方法和系统 |
CN111274876B (zh) * | 2020-01-09 | 2024-02-13 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于视频分析的调度监控方法和系统 |
CN111461486A (zh) * | 2020-03-02 | 2020-07-28 | 广州高新工程顾问有限公司 | 一种基于项目化管理的工程招标代理信息管理系统 |
CN113486768A (zh) * | 2021-07-01 | 2021-10-08 | 成都九章丽欣科技有限公司 | 一种肤质的图像识别方法 |
CN113723243A (zh) * | 2021-08-20 | 2021-11-30 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
CN113723243B (zh) * | 2021-08-20 | 2024-05-17 | 南京华图信息技术有限公司 | 一种戴面罩的热红外图像人脸识别方法及应用 |
CN114821702A (zh) * | 2022-03-15 | 2022-07-29 | 电子科技大学 | 一种基于遮挡人脸的热红外人脸识别方法 |
CN114821703A (zh) * | 2022-03-15 | 2022-07-29 | 电子科技大学 | 一种距离自适应热红外人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378234A (zh) | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 | |
CN108932500B (zh) | 一种基于深度神经网络的动态手势识别方法及系统 | |
JP6788264B2 (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
CN112800903B (zh) | 一种基于时空图卷积神经网络的动态表情识别方法及系统 | |
CN108510061A (zh) | 基于条件生成对抗网络的多监控视频人脸合成正脸的方法 | |
CN106529494A (zh) | 一种基于多摄像头机型的人脸识别方法 | |
CN107392131A (zh) | 一种基于人体骨骼节点距离的动作识别方法 | |
CN113449623B (zh) | 一种基于深度学习的轻型活体检测方法 | |
CN110008793A (zh) | 人脸识别方法、装置及设备 | |
CN112818722A (zh) | 模块化动态可配置的活体人脸识别系统 | |
CN111046734A (zh) | 基于膨胀卷积的多模态融合视线估计方法 | |
CN113963032A (zh) | 一种融合目标重识别的孪生网络结构目标跟踪方法 | |
Maruyama et al. | Word-level sign language recognition with multi-stream neural networks focusing on local regions | |
CN114170537A (zh) | 一种多模态三维视觉注意力预测方法及其应用 | |
Podder et al. | Time efficient real time facial expression recognition with CNN and transfer learning | |
CN113420703B (zh) | 基于多尺度特征提取和多注意力机制建模的动态面部表情识别方法 | |
CN106778576A (zh) | 一种基于sehm特征图序列的动作识别方法 | |
CN113920591A (zh) | 基于多模态生物特征识别的中远距离身份认证方法及装置 | |
CN114550270A (zh) | 一种基于双注意力机制的微表情识别方法 | |
Guo et al. | Facial expression recognition: a review | |
CN110110606A (zh) | 基于神经网络的可见光与红外人脸图像的融合方法 | |
CN113723277A (zh) | 一种融入多模态视觉信息的学习意图监测方法及系统 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN116030516A (zh) | 基于多任务学习与全局循环卷积的微表情识别方法及装置 | |
She et al. | Micro-expression recognition based on multiple aggregation networks |
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: 20191025 |