CN110414305A - 人工智能卷积神经网络人脸识别系统 - Google Patents

人工智能卷积神经网络人脸识别系统 Download PDF

Info

Publication number
CN110414305A
CN110414305A CN201910336335.3A CN201910336335A CN110414305A CN 110414305 A CN110414305 A CN 110414305A CN 201910336335 A CN201910336335 A CN 201910336335A CN 110414305 A CN110414305 A CN 110414305A
Authority
CN
China
Prior art keywords
face
layer
neural networks
convolutional neural
information
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
Application number
CN201910336335.3A
Other languages
English (en)
Inventor
詹志超
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.)
Suzhou Flash Cnc System Integration Co Ltd
Original Assignee
Suzhou Flash Cnc System Integration Co 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 Suzhou Flash Cnc System Integration Co Ltd filed Critical Suzhou Flash Cnc System Integration Co Ltd
Priority to CN201910336335.3A priority Critical patent/CN110414305A/zh
Publication of CN110414305A publication Critical patent/CN110414305A/zh
Pending legal-status Critical Current

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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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 Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种人工智能卷积神经网络人脸识别系统，包括拍摄终端(100)、网络(200)、服务器(300)、卷积神经网络模块(400)、人工智能预警操作系统(500)、云计算(600)、与云数据库人脸黑名单对比分析(700)、确定目标人物身份(800)、本地数据库模块(900)。本发明通过人工智能卷积神经网络人脸识别系统用拍摄终端采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列与脸部相关的技术处理，包括人脸检测、人脸关键帧提取、人脸验证；实现对拍摄终端周边全天候24小时不间断监控，用户可实现信息共享，提高信息资源利用率，为维护社会治安稳定加大安全保障。

Description

人工智能卷积神经网络人脸识别系统
技术领域
本发明涉及智能安防预警领域，具体涉及一种用于安防维稳的人工智能卷积神经网络人脸识别系统。
背景技术
人工智能卷积神经网络人脸识别系统是将先进的拍摄终端技术、中央处理器CPU、图像处理器GPU、神经网络处理器NPU、异构/可重构处理器技术、卷积神经网络技术、AI计算机预警处理技术、AI人工智能预警操作技术、风险因素采集技术、风险因素识别技术、大数据分析技术、云计算技术、云存储技术、云数据库技术等有效的集成应用于整个人工智能卷积神经网络人脸识别系统，而建立的一种在大范围、全方位发挥作用的，实时、准确、高效的综合智能预警系统。
随着祖国西部边疆维稳的措施常态化，使边疆长期保持一个稳定的局面，保证经济能够实现快速发展，人工智能卷积神经网络人脸识别系统为从根本上解决影响长治久安的深层次问题打下良好基础。
发明内容
本发明是为了克服现有安防系统中存在人脸不自动识别、监控措施有漏洞、防范不及时等问题，提出一种人工智能卷积神经网络人脸识别系统，通过拍摄终端对风险因素源头进行布控，实时采集风险源因素的人脸信息，进行人脸检测、人脸目标跟踪、人脸图像预处理、人脸图像特征提取、人脸图像匹配与识别，把提取的人脸图像的特征数据与数据库中存储的人脸特征模板进行搜索对比，根据相似程度，对身份信息进行判断，设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。一类是确认，是一对一(1∶1)进行图像比较，另一类是辨认，是一对多(1∶N)进行图像匹配，也就是说在N个人中找到风险因素目标，一般的N可以是一个视频流，只要人走进识别范围就完成识别工作。
为实现上述使用人工智能卷积神经网络人脸识别系统对风险因素源头进行人脸识别信息的采集、人脸检测、人脸目标跟踪、人脸图像预处理、人脸图像特征提取、人脸图像匹配与识别，再进行分级预警的目的，本发明提供如下技术方案：一种人工智能卷积神经网络人脸识别系统，包括拍摄终端100、网络200、服务器300、卷积神经网络模块400、人工智能预警操作系统500、云计算600、与云数据库人脸黑名单对比分析700、确定目标人物800、本地数据库模块900，本发明通过人工智能卷积神经网络人脸识别系统对风险因素进行采集、对比分析、存储、分级报警、应对防控，实现对拍摄终端周边布控点进行全天候24小时监控，用户可实现信息共享，提高信息资源利用率，为维护边疆稳定加大安全保障。
本发明提供一种人工智能卷积神经网络人脸识别系统包括，拍摄终端(100)用于采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列与脸部相关的技术处理，包括人脸检测、人脸关键帧提取、人脸验证，并通过网络(200) 将图像序列发送至服务器(300)，所述网络(200)包括局域网、Interne或无线网络。所述网络(200)用于拍摄终端向服务器发送图像帧序列。
网络(200)：包括局域网、Interne或无线网络。所述网络(200)用于拍摄终端向服务器发送图像帧序列。
服务器(300)包括高性能中央处理器CPU、图像处理器GPU、可编程逻辑门阵列FPGA、神经网络处理器NPU、异构/可重构处理器、卷积神经网络模块(400)、人工智能预警操作系统(500)、云计算(600)模块、与云数据库人脸黑名单对比分析(700)模块、确定目标人物身份(800)模块、本地数据库模块(900)，所述服务器(300)用于为网络系统中客户端提供各种高性能计算的服务，服务器在人工智能预警操作系统的控制下，将与其相连的网络视频服务器、程控交换机、AI云计算服务器、AI数据库服务器、GPU云服务器、域名服务器、通讯服务器、显示器、混合矩阵、路由器、调制解调器相连接，为远程监控客户端提供集中计算、信息发布及数据管理的服务。
卷积神经网络模块(400)包括输入层、卷积层C1、激活函数、池化层S2、卷积层 C3、激活函数、池化层S4、全连接层C5、全连接层F6、输出层，首先将预处理后的人脸图像帧序列输入卷积神经网络进行训练，更新卷积神经网络各层权值，对卷积神经网络卷积层 C1进行初始化操作，首先对卷积层和输出层的卷积核和权重进行高斯分布随机初始化，均值设为0，方差设为1，对偏置进行全0初始化，再对卷积神经网络进行训练，步骤如下：
a)输入层：将所有像素进行减均值和归一化的预处理，将预处理后的图像作为输入层，输入32*32像素的图片输入的像素值被标准化为背景色值为-0.1、前景色值为1.175，使得输入的均值大致为0、方差大致为0.001，输入矩阵为[1，32，32]；
b)卷积层C1：由不同的特征图谱组成，所述卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，具体计算公式为：
式中的求和部分等价于求解一次交叉相关，b为偏差量，Zl和Zl+1表示第l+1层的卷积输入和输出，也称为特征图，Ll+1为Zl+1的尺寸，假设特征图长宽相同，Z(i，j)对应特征图的像素，K为特征图的通道数，f、S0和P是卷积层参数，对应卷积核大小、卷积步长和填充 P层数；
特殊地，当卷积核是大小f＝1，步长S0＝1且不包含填充的单位卷积核时，卷积层内的交叉相关计算等价于矩阵乘法，并由此在卷积层间构建了全连接网络，具体计算公式为：
完全由单位卷积核构建的卷积神经网络也是一个包含参数共享的多层感知器，单位卷积核可以在保持特征图尺寸的同时减少图的通道数从而降低卷积层的计算量；
所述卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂；
所述激活函数，卷积层中包含激励函数以协助表达复杂特征，其表示形式如下：
c)池化层S2：所述池化层是一类受视觉皮层内阶层结构启发而建立的池化模型，其一般表示形式为：
式中步长S0、像素(i，j)的含义与卷积层相同，P是预指定参数。当p＝1时，Lp池化在池化区域内取均值，称为均值池化，当p→∞时，Lp池化在区域内取最大值，称为最大池化，均值池化和最大池化是最常见的池化方法，二者以损失特征图尺寸为代价保留图像的背景和纹理信息；
d)卷积层C3：所述卷积层C3就是重复卷积层C1步骤；
e)池化层S4：所述池化层S4就是重复池化层S2步骤；
f)全连接层C5：所述全连接层C5就是重复卷积层C1步骤；
g)全连接层F6：在卷积神经网络中经多个卷积层和池化层后，生成1个或1个以上的全连接层，全连接层中每个神经元与其前一层的所有神经元进行全连接，整合出卷积层C5或池化层S4中具有类别分性的局部特征，被展开为向量，并通过激活函数ReLU传递至下一层；
h)输出层：得到全连接层F6输出的表征向量，使用逻辑函数或归一化指数函数(softmax function)输出分类标签向量，最大值元素所在标号表示该图像属于该类别标签的人脸；
i)将卷积神经网络进行权值初始化，输入数据，重复步骤(a)～(h)，前向传播得到输出值，求出卷积神经网络的输出值与目标值之间的误差，当误差大于期望值时，将误差传回卷积神经网络中，用BP反向传播算法进行监督训练，求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，进行权值更新，依次为全连接层F6、全连接层C5、池化层S4、卷积层C3、池化层S2、卷积层C1的误差，以求得卷积神经网络的总误差，再将误差传入卷积神经网络中，求得该各层对于总的误差应该承担多少比重，在训练卷积神经网络时，通过不断改变卷积神经网络中所有参数，使损失函数不断减小，当误差等于或小于期望值时，证明已训练出高精度的卷积神经网络模型，结束训练；
j)采集预处理后的人脸图像序列中任意一张人脸图像进行测试，通过步骤(a)～(h)得到分类结果标签向量，最大值元素所在标号表示该人脸图像为本次测试人脸图像的类别标签，实现人脸识别。
人工智能预警操作系统(500)基于Linux操作系统架构的基础上开发的AI算法程序，该系统包括类脑神经网络系统、多维人机物协同互操作系统、公共安全智能化监测预警与防控系统、自主无人伺服系统、天地一体化信息网络平台系统，用于管理和控制计算机硬件、软件及数据资源的计算机运行程序，用于各级人工智能预警系统与互联网+分布式预警警亭沟通的接口，用于云计算、云存储、云数据库和人工智能预警系统、互联网+分布式预警警亭及其他软件沟通的接口，用于多维人机物协同互操作系统与移动设备和智能电视的通讯接口，用于人机界面为其它应用软件提供支持，包括类脑神经网络系统、多维人机物协同互操作系统、公共安全智能化监测预警与防控系统、自主无人伺服系统、天地一体化网络信息平台系统、智能物联与风险因素数据采集系统、风险因素管理系统，人工智能预警操作系统(500) 子系统包括语音识别系统、机器视觉系统、执行器系统、认知行为系统，文件系统、进程管理、进程间通讯、内存管理、网络通讯、安全机制、驱动程序、用户界面。
云计算(600)基于开源Hadoop架构进行设计，利用集群优势进行高速运算和存储，云计算(600)包括基础设施即服务、平台即服务、软件即服务，用于计算分布式计算机上的风险因素识别模块、风险因素推理模块、风险因素评估模块、通过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多部服务器所组成的庞大系统经搜寻与海量的数据信息进行对比分析，分级推理、预警值评估，之后再将处理结果回传给用户并进行云存储。
与云数据库人脸黑名单对比分析(700)模块，所述云数据库包括原始语音信息数据库、原始图像特征信息数据库、实时风险因素采集图像信息数据库、实时风险因素采集语音信息数据库、风险因素识别数据库、风险因素推理数据库、风险因素评估数据库、风险因素应对数据库、风险因素管理评价数据库、实时判断依据数据库、判断规则数据库和事故实例数据库，所述云数据库用于云计算(600)系统的集群应用，将分布式系统文件通过应用软件集合起来协同工作，为用户提供数据存储和业务访问的工作，通过设置在线数据存储模块，存储模块内储存有人脸图像黑名单、动态特征信息黑名单、生物特征信息黑名单和语音信息黑名单，将采集的人脸图像、动态特征信息、生物特征信息和语音信息与存储模块内的人脸图像黑名单、动态特征信息黑名单、生物特征信息黑名单和语音信息黑名单进行对比，如果相似度达到预设的预警值，则预警系统及时将该信息生成预警提示信息进行风险因素的推理、评估、生成预警级别报警信息、反馈给上一级预警系统进行风险管理评价。
确定目标人物身份(800)模块用于处理与云数据库人脸黑名单对比分析(700)生成的预警提示信息、预警值评估、生成预警级别报警信息、生成预警信号反馈给上一级预警系统的信息，并根据云计算(600)通过与云数据库人脸黑名单对比分析(700)传送的数据进行实时信息更新，用于存储所述人工智能预警系统(500)对云数据库信息查阅所生成的信息数据。
本地数据库模块(900)用于存储本级人工智能预警操作系统所生成的预警信息，用于存储向上一级人工智能预警操作系统发送的信息及反馈信息，用于存储向云计算发送的信息及反馈信息。
优选方式，所述云数据库系统包括有人脸识别黑名单。
优选方式，所述网络包括局域网、Internet或无线网络。
优选方式，所述卷积神经网络激活函数为ReLU激活函数。
优选方式，所述卷积神经网络损失函数为交叉熵损失函数。
优选方式，所述拍摄终端为AI摄像探头。
优选方式，所述云计算是基于开源Hadoop架构进行设计。
优选方式，所述云数据库：通过在线数据存储模块，在线数据存储模块基于开源Hadoop 架构进行设计。
优选方式，所述云数据库分为原始语音信息数据库、原始图像特征信息数据库、实时风险因素采集图像信息数据库、实时风险因素采集语音信息数据库、风险因素识别数据库、风险因素推理数据库、风险因素评估数据库、风险因素应对数据库、风险因素管理评价数据库、实时判断依据数据库、判断规则数据库和事故实例数据库。
优选方式，所述人工智能预警操作系统基于Linux操作系统架构的基础上开发的AI 算法程序。
优选方式，所述图像特征信息包括采集的人脸图像、动态特征信息和生物特征信息。
优选方式，所述原始图像特征信息包括存储模块储存的人脸图像黑名单、动态特征信息黑名单和生物特征信息黑名单。
优选方式，所述服务器700包括高性能中央处理器CPU、图像处理器GPU、可编程逻辑门阵列FPGA、神经网络处理器NPU、异构/可重构处理器。
优选方式，所述卷积层、池化层为特征提取，所述全连接层为分类识别，激活函数ReLU 为正则损失。
附图说明
图1为人工智能卷积神经网络人脸识别系统结构框图：100、拍摄终端；200、网络；300、服务器；400、卷积神经网络模块；500、人工智能预警操作系统；600、云计算；700、与云数据库人脸黑名单对比分析；800、确定目标人物身份；900、本地数据库。
图2为卷积神经网络结构示意图：输入层；卷积层C1；激活函数；池化层S2；卷积层C3；激活函数；池化层S4；全连接层C5、全连接层F6、输出层。
具体实施方式
下面结合说明书附图对本发明的技术方案进行清楚、完整地描述具体实施方式。
本发明提供一种人工智能卷积神经网络人脸识别系统，如图1所示，拍摄终端(100) 用于采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列与脸部相关的技术处理，包括人脸检测、人脸关键帧提取、人脸验证，并通过网络 (200)将图像序列发送至服务器(300)，所述网络(200)包括局域网、Interne或无线网络。所述网络(200)用于拍摄终端向服务器发送图像帧序列，整体系统结构如图1所示。
服务器(300)包括高性能中央处理器CPU、图像处理器GPU、可编程逻辑门阵列FPGA、神经网络处理器NPU、异构/可重构处理器、卷积神经网络模块(400)、人工智能预警操作系统(500)、云计算(600)模块、与云数据库人脸黑名单对比分析(700)模块、确定目标人物身份(800)模块、本地数据库模块(900)，所述服务器(300)用于为网络系统中客户端提供各种高性能计算的服务，服务器在人工智能预警操作系统的控制下，将与其相连的网络视频服务器、程控交换机、AI云计算服务器、AI数据库服务器、GPU云服务器、域名服务器、通讯服务器、显示器、混合矩阵、路由器、调制解调器相连接，为远程监控客户端提供集中计算、信息发布及数据管理的服务；所述图像处理器GPU用于通过网络接收拍摄终端发送的图像序列，并根据人脸识别的方法对该序列进行处理，以判断该图像系列中人物的身份，处理内容包括人脸检测、人脸识别、人脸属性及人体属性，所述人脸检测用于在画面中出现人脸时，可以自动检测到人脸，然后对人脸进行抠图处理并以元数据的方式上传，在拍摄终端的web页面中，当同一个人脸在画面中持续出现时，拍摄终端会根据要求扣取一张质量最好的小图以元数据的方式上传，所谓质量最好一般认为正面可看到双瞳、图像清晰为准。所述人脸识别用于在画面中出现人脸时，可以自动检测到人脸，然后将检测到的人脸与黑名单中图像进行比对，当相似度大于设定的阀值时启动报警程序。所述人脸属性用于对人脸进行属性识别，当人脸在满足一定的像素要求时，识别内容包括年龄或年龄段、种族、性别、是否戴口罩、是否戴眼镜、通过元数据上传到平台，通过SDK对接方式在web上直观查看；所述神经网络处理器NPU用于完成卷积神经网络的运算过程；
所述异构/可重构处理器用于CPU、GPU、NPU之间协同计算，彼此加速，一起同步工作。
卷积神经网络模块(400)包括输入层、卷积层C1、激活函数、池化层S2、卷积层 C3、激活函数、池化层S4、全连接层C5、全连接层F6、输出层，首先将预处理后的人脸图像帧序列输入卷积神经网络进行训练，更新卷积神经网络各层权值，对卷积神经网络卷积层 C1进行初始化操作，首先对卷积层和输出层的卷积核和权重进行高斯分布随机初始化，均值设为0，方差设为1，对偏置进行全0初始化，再对卷积神经网络进行训练，步骤如下：
a)输入层：将所有像素进行减均值和归一化的预处理，将预处理后的图像作为输入层，输入32*32像素的图片输入的像素值被标准化为背景色值为-0.1、前景色值为1.175，使得输入的均值大致为0、方差大致为0.001，输入矩阵为[1，32，32]；
b)卷积层C1：由不同的特征图谱组成，所述卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，具体计算公式为：
式中的求和部分等价于求解一次交叉相关，b为偏差量，Zl和Zl+1表示第l+1层的卷积输入和输出，也称为特征图，Ll+1为Zl+1的尺寸，假设特征图长宽相同，Z(i，j)对应特征图的像素，K为特征图的通道数，f、S0和P是卷积层参数，对应卷积核大小、卷积步长和填充 P层数；
特殊地，当卷积核是大小f＝1，步长S0＝1且不包含填充的单位卷积核时，卷积层内的交叉相关计算等价于矩阵乘法，并由此在卷积层间构建了全连接网络，具体计算公式为：
完全由单位卷积核构建的卷积神经网络也是一个包含参数共享的多层感知器，单位卷积核可以在保持特征图尺寸的同时减少图的通道数从而降低卷积层的计算量；
所述卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂；
所述激活函数，卷积层中包含激励函数以协助表达复杂特征，其表示形式如下：
c)池化层S2：所述池化层是一类受视觉皮层内阶层结构启发而建立的池化模型，其一般表示形式为：
式中步长S0、像素(i，j)的含义与卷积层相同，P是预指定参数。当p＝1时，Lp池化在池化区域内取均值，称为均值池化，当p→∞时，Lp池化在区域内取最大值，称为最大池化，均值池化和最大池化是最常见的池化方法，二者以损失特征图尺寸为代价保留图像的背景和纹理信息；
d)卷积层C3：所述卷积层C3就是重复卷积层C1步骤；
e)池化层S4：所述池化层S4就是重复池化层S2步骤；
f)全连接层C5：所述全连接层C5就是重复卷积层C1步骤；
g)全连接层F6：在卷积神经网络中经多个卷积层和池化层后，生成1个或1个以上的全连接层，全连接层中每个神经元与其前一层的所有神经元进行全连接，整合出卷积层C5或池化层S4中具有类别分性的局部特征，被展开为向量，并通过激活函数ReLU传递至下一层；
h)输出层：得到全连接层F6输出的表征向量，使用逻辑函数或归一化指数函数(softmax function)输出分类标签向量，最大值元素所在标号表示该图像属于该类别标签的人脸；
i)将卷积神经网络进行权值初始化，输入数据，重复步骤(a)～(h)，前向传播得到输出值，求出卷积神经网络的输出值与目标值之间的误差，当误差大于期望值时，将误差传回卷积神经网络中，用BP反向传播算法进行监督训练，求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，进行权值更新，依次为全连接层F6、全连接层C5、池化层S4、卷积层C3、池化层S2、卷积层C1的误差，以求得卷积神经网络的总误差，再将误差传入卷积神经网络中，求得该各层对于总的误差应该承担多少比重，在训练卷积神经网络时，通过不断改变卷积神经网络中所有参数，使损失函数不断减小，当误差等于或小于期望值时，证明已训练出高精度的卷积神经网络模型，结束训练；
j)采集预处理后的人脸图像序列中任意一张人脸图像进行测试，通过步骤(a)～(h)得到分类结果标签向量，最大值元素所在标号表示该人脸图像为本次测试人脸图像的类别标签，实现人脸识别，整体卷积神经网络结构如图2所示。
人工智能预警操作系统(500)基于Linux操作系统架构的基础上开发的AI算法程序，该系统包括类脑神经网络系统、多维人机物协同互操作系统、公共安全智能化监测预警与防控系统、自主无人伺服系统、天地一体化信息网络平台系统，用于管理和控制计算机硬件、软件及数据资源的计算机运行程序，用于各级人工智能预警系统与互联网+分布式预警警亭沟通的接口，用于云计算、云存储、云数据库和人工智能预警系统、互联网+分布式预警警亭及其他软件沟通的接口，用于多维人机物协同互操作系统与移动设备和智能电视的通讯接口，用于人机界面为其它应用软件提供支持，包括类脑神经网络系统、多维人机物协同互操作系统、公共安全智能化监测预警与防控系统、自主无人伺服系统、天地一体化网络信息平台系统、智能物联与风险因素数据采集系统、风险因素管理系统，人工智能预警操作系统(500) 子系统包括语音识别系统、机器视觉系统、执行器系统、认知行为系统，文件系统、进程管理、进程间通讯、内存管理、网络通讯、安全机制、驱动程序、用户界面。
云计算(600)基于开源Hadoop架构进行设计，利用集群优势进行高速运算和存储，云计算(600)包括基础设施即服务、平台即服务、软件即服务，用于计算分布式计算机上的风险因素识别模块、风险因素推理模块、风险因素评估模块、通过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多部服务器所组成的庞大系统经搜寻与海量的数据信息进行对比分析，分级推理、预警值评估，之后再将处理结果回传给用户并进行云存储。
与云数据库人脸黑名单对比分析(700)模块，所述云数据库包括原始语音信息数据库、原始图像特征信息数据库、实时风险因素采集图像信息数据库、实时风险因素采集语音信息数据库、风险因素识别数据库、风险因素推理数据库、风险因素评估数据库、风险因素应对数据库、风险因素管理评价数据库、实时判断依据数据库、判断规则数据库和事故实例数据库，所述云数据库用于云计算(600)系统的集群应用，将分布式系统文件通过应用软件集合起来协同工作，为用户提供数据存储和业务访问的工作，通过设置在线数据存储模块，存储模块内储存有人脸图像黑名单、动态特征信息黑名单、生物特征信息黑名单和语音信息黑名单，将采集的人脸图像、动态特征信息、生物特征信息和语音信息与存储模块内的人脸图像黑名单、动态特征信息黑名单、生物特征信息黑名单和语音信息黑名单进行对比，如果相似度达到预设的预警值，则预警系统及时将该信息生成预警提示信息进行风险因素的推理、评估、生成预警级别报警信息、反馈给上一级预警系统进行风险管理评价。
确定目标人物身份(800)模块用于处理与云数据库人脸黑名单对比分析(700)生成的预警提示信息、预警值评估、生成预警级别报警信息、生成预警信号反馈给上一级预警系统的信息，并根据云计算(600)通过与云数据库人脸黑名单对比分析(700)传送的数据进行实时信息更新，用于存储所述人工智能预警系统(500)对云数据库信息查阅所生成的信息数据。
本地数据库模块(900)用于存储本级人工智能预警操作系统所生成的预警信息，用于存储向上一级人工智能预警操作系统发送的信息及反馈信息，用于存储向云计算发送的信息及反馈信息。

Claims (9)

1.人工智能卷积神经网络人脸识别系统，其特征在于：包括：拍摄终端(100)、网络(200)、服务器(300)、卷积神经网络模块(400)、人工智能预警操作系统(500)、云计算(600)、与云数据库人脸黑名单对比分析(700)、确定目标人物身份(800)、本地数据库模块(900)。
2.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述拍摄终端(100)用于采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列与脸部相关的技术处理，包括人脸检测、人脸关键帧提取、人脸验证，并通过网络(200)将图像序列发送至服务器(300)，所述网络(200)包括局域网、Interne或无线网络。所述网络(200)用于拍摄终端向服务器发送图像帧序列。
3.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述服务器(300)包括高性能中央处理器CPU、图像处理器GPU、可编程逻辑门阵列FPGA、神经网络处理器NPU、异构/可重构处理器、卷积神经网络模块(400)、人工智能预警操作系统(500)、云计算(600)模块、与云数据库人脸黑名单对比分析(700)模块、确定目标人物身份(800)模块、本地数据库模块(900)，所述服务器(300)用于为网络系统中客户端提供各种高性能计算的服务，服务器在人工智能预警操作系统的控制下，将与其相连的网络视频服务器、程控交换机、AI云计算服务器、AI数据库服务器、GPU云服务器、域名服务器、通讯服务器、显示器、混合矩阵、路由器、调制解调器相连接，为远程监控客户端提供集中计算、信息发布及数据管理的服务，所述图像处理器GPU用于通过网络接收拍摄终端发送的图像序列，并根据人脸识别的方法对该序列进行处理，以判断该图像系列中人物的身份，处理内容包括人脸检测、人脸识别、人脸属性及人体属性，所述人脸检测用于在画面中出现人脸时，可以自动检测到人脸，然后对人脸进行抠图处理并以元数据的方式上传，在拍摄终端的web页面中，当同一个人脸在画面中持续出现时，拍摄终端会根据要求扣取一张质量最好的小图以元数据的方式上传，所谓质量最好一般认为正面可看到双瞳、图像清晰为准。所述人脸识别用于在画面中出现人脸时，可以自动检测到人脸，然后将检测到的人脸与黑名单中图像进行比对，当相似度大于设定的阀值时启动报警程序。所述人脸属性用于对人脸进行属性识别，当人脸在满足一定的像素要求时，识别内容包括年龄或年龄段、种族、性别、是否戴口罩、是否戴眼镜、通过元数据上传到平台，通过SDK对接方式在web上直观查看，所述神经网络处理器NPU用于完成卷积神经网络的运算过程；
所述异构/可重构处理器用于CPU、GPU、NPU之间协同计算，彼此加速，一起同步工作。
4.根据权利要求1所述种人工智能卷积神经网络人脸识别系统，其特征在于：所述卷积神经网络模块(400)包括输入层、卷积层C1、激活函数、池化层S2、卷积层C3、激活函数、池化层S4、全连接层C5、全连接层F6、输出层，首先将预处理后的人脸图像帧序列输入卷积神经网络进行训练，更新卷积神经网络各层权值，对卷积神经网络卷积层C1进行初始化操作，首先对卷积层和输出层的卷积核和权重进行高斯分布随机初始化，均值设为0，方差设为1，对偏置进行全0初始化，再对卷积神经网络进行训练，步骤如下：
a)输入层：将所有像素进行减均值和归一化的预处理，将预处理后的图像作为输入层，输入32*32像素的图片输入的像素值被标准化为背景色值为-0.1、前景色值为1.175，使得输入的均值大致为0、方差大致为0.001，输入矩阵为[1，32，32]；
b)卷积层C1：由不同的特征图谱组成，所述卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，具体计算公式为：
式中的求和部分等价于求解一次交叉相关，b为偏差量，Zl和Zl+1表示第l+1层的卷积输入和输出，也称为特征图，Ll+1为Zl+1的尺寸，假设特征图长宽相同，Z(i，j)对应特征图的像素，K为特征图的通道数，f、S0和P是卷积层参数，对应卷积核大小、卷积步长和填充P层数；
特殊地，当卷积核是大小f＝1，步长S0＝1且不包含填充的单位卷积核时，卷积层内的交叉相关计算等价于矩阵乘法，并由此在卷积层间构建了全连接网络，具体计算公式为：
完全由单位卷积核构建的卷积神经网络也是一个包含参数共享的多层感知器，单位卷积核可以在保持特征图尺寸的同时减少图的通道数从而降低卷积层的计算量；
所述卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂；
所述激活函数，卷积层中包含激励函数以协助表达复杂特征，其表示形式如下：
c)池化层S2：所述池化层是一类受视觉皮层内阶层结构启发而建立的池化模型，其一般表示形式为：
式中步长S0、像素(i，j)的含义与卷积层相同，P是预指定参数。当p＝1时，Lp池化在池化区域内取均值，称为均值池化，当p→∞时，Lp池化在区域内取最大值，称为最大池化，均值池化和最大池化是最常见的池化方法，二者以损失特征图尺寸为代价保留图像的背景和纹理信息；
d)卷积层C3：所述卷积层C3就是重复卷积层C1步骤；
e)池化层S4：所述池化层S4就是重复池化层S2步骤；
f)全连接层C5：所述全连接层C5就是重复卷积层C1步骤；
g)全连接层F6：在卷积神经网络中经多个卷积层和池化层后，生成1个或1个以上的全连接层，全连接层中每个神经元与其前一层的所有神经元进行全连接，整合出卷积层C5或池化层S4中具有类别分性的局部特征，被展开为向量，并通过激活函数ReLU传递至下一层；
h)输出层：得到全连接层F6输出的表征向量，使用逻辑函数或归一化指数函数(softmax function)输出分类标签向量，最大值元素所在标号表示该图像属于该类别标签的人脸；
i)将卷积神经网络进行权值初始化，输入数据，重复步骤(a)～(h)，前向传播得到输出值，求出卷积神经网络的输出值与目标值之间的误差，当误差大于期望值时，将误差传回卷积神经网络中，用BP反向传播算法进行监督训练，求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，进行权值更新，依次为全连接层F6、全连接层C5、池化层S4、卷积层C3、池化层S2、卷积层C1的误差，以求得卷积神经网络的总误差，再将误差传入卷积神经网络中，求得该各层对于总的误差应该承担多少比重，在训练卷积神经网络时，通过不断改变卷积神经网络中所有参数，使损失函数不断减小，当误差等于或小于期望值时，证明已训练出高精度的卷积神经网络模型，结束训练；
j)采集预处理后的人脸图像序列中任意一张人脸图像进行测试，通过步骤(a)～(h)得到分类结果标签向量，最大值元素所在标号表示该人脸图像为本次测试人脸图像的类别标签，实现人脸识别。
5.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述人工智能预警操作系统(500)基于Linux操作系统架构的基础上开发的AI算法程序，该系统包括类脑神经网络系统、多维人机物协同互操作系统、公共安全智能化监测预警与防控系统、自主无人伺服系统、天地一体化信息网络平台系统，用于管理和控制计算机硬件、软件及数据资源的计算机运行程序，用于各级人工智能预警系统与互联网+分布式预警警亭沟通的接口，用于云计算、云存储、云数据库和人工智能预警系统、互联网+分布式预警警亭及其他软件沟通的接口，用于多维人机物协同互操作系统与移动设备和智能电视的通讯接口，用于人机界面为其它应用软件提供支持，包括类脑神经网络系统、多维人机物协同互操作系统、公共安全智能化监测预警与防控系统、自主无人伺服系统、天地一体化网络信息平台系统、智能物联与风险因素数据采集系统、风险因素管理系统，人工智能预警操作系统(500)子系统包括语音识别系统、机器视觉系统、执行器系统、认知行为系统，文件系统、进程管理、进程间通讯、内存管理、网络通讯、安全机制、驱动程序、用户界面。
6.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述云计算(600)基于开源Hadoop架构进行设计，利用集群优势进行高速运算和存储，云计算(600)包括基础设施即服务、平台即服务、软件即服务，用于计算分布式计算机上的风险因素识别模块、风险因素推理模块、风险因素评估模块、通过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多部服务器所组成的庞大系统经搜寻与海量的数据信息进行对比分析，分级推理、预警值评估，之后再将处理结果回传给用户并进行云存储。
7.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述与云数据库人脸黑名单对比分析(700)模块，所述云数据库包括原始语音信息数据库、原始图像特征信息数据库、实时风险因素采集图像信息数据库、实时风险因素采集语音信息数据库、风险因素识别数据库、风险因素推理数据库、风险因素评估数据库、风险因素应对数据库、风险因素管理评价数据库、实时判断依据数据库、判断规则数据库和事故实例数据库，所述云数据库用于云计算(600)系统的集群应用，将分布式系统文件通过应用软件集合起来协同工作，为用户提供数据存储和业务访问的工作，通过设置在线数据存储模块，存储模块内储存有人脸图像黑名单、动态特征信息黑名单、生物特征信息黑名单和语音信息黑名单，将采集的人脸图像、动态特征信息、生物特征信息和语音信息与存储模块内的人脸图像黑名单、动态特征信息黑名单、生物特征信息黑名单和语音信息黑名单进行对比，如果相似度达到预设的预警值，则预警系统及时将该信息生成预警提示信息进行风险因素的推理、评估、生成预警级别报警信息、反馈给上一级预警系统进行风险管理评价。
8.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述确定目标人物身份(800)模块用于处理与云数据库人脸黑名单对比分析(700)生成的预警提示信息、预警值评估、生成预警级别报警信息、生成预警信号反馈给上一级预警系统的信息，并根据云计算(600)通过与云数据库人脸黑名单对比分析(700)传送的数据进行实时信息更新，用于存储所述人工智能预警系统(500)对云数据库信息查阅所生成的信息数据。
9.根据权利要求1所述的人工智能卷积神经网络人脸识别系统，其特征在于：所述本地数据库模块(900)用于存储本级人工智能预警操作系统所生成的预警信息，用于存储向上一级人工智能预警操作系统发送的信息及反馈信息，用于存储向云计算发送的信息及反馈信息。
CN201910336335.3A 2019-04-23 2019-04-23 人工智能卷积神经网络人脸识别系统 Pending CN110414305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910336335.3A CN110414305A (zh) 2019-04-23 2019-04-23 人工智能卷积神经网络人脸识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910336335.3A CN110414305A (zh) 2019-04-23 2019-04-23 人工智能卷积神经网络人脸识别系统

Publications (1)

Publication Number Publication Date
CN110414305A true CN110414305A (zh) 2019-11-05

Family

ID=68358144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910336335.3A Pending CN110414305A (zh) 2019-04-23 2019-04-23 人工智能卷积神经网络人脸识别系统

Country Status (1)

Country Link
CN (1) CN110414305A (zh)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110402840A (zh) * 2019-07-25 2019-11-05 深圳市阿龙电子有限公司 一种基于图像识别的生猪监测终端及生猪监测系统
CN110866962A (zh) * 2019-11-20 2020-03-06 成都威爱新经济技术研究院有限公司 一种基于卷积神经网络的虚拟人像与表情同步方法
CN111091089A (zh) * 2019-12-12 2020-05-01 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111105389A (zh) * 2019-11-21 2020-05-05 天津大学 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法
CN111144313A (zh) * 2019-12-27 2020-05-12 创新奇智(青岛)科技有限公司 一种基于多感受野动态结合的人脸检测方法及系统
CN111144326A (zh) * 2019-12-28 2020-05-12 神思电子技术股份有限公司 一种用于人机交互的人脸防重识别方法
CN111160149A (zh) * 2019-12-16 2020-05-15 山东大学 基于运动场景及深度学习的车载人脸识别系统及方法
CN111222465A (zh) * 2019-11-07 2020-06-02 深圳云天励飞技术有限公司 基于卷积神经网络的图像分析方法及相关设备
CN111405365A (zh) * 2020-03-12 2020-07-10 北京文香信息技术有限公司 一种身份验证方法、装置、系统及存储介质
CN111615178A (zh) * 2020-05-09 2020-09-01 腾讯科技（深圳）有限公司 识别无线网络类型及模型训练的方法、装置及电子设备
CN111985483A (zh) * 2020-07-31 2020-11-24 厦门市美亚柏科信息股份有限公司 一种拍屏文件图片检测方法、装置及存储介质
CN111986353A (zh) * 2020-08-20 2020-11-24 福建省家联宝智能科技有限公司 一种带npu计算与红外测温的人脸智能门禁机
CN112073698A (zh) * 2020-10-13 2020-12-11 吉林省钜鸿智能技术有限公司 一种基于fpga带有图像识别ar眼镜模块
CN112084479A (zh) * 2020-09-15 2020-12-15 成都知道创宇信息技术有限公司 网站攻击拦截方法、装置、服务器及存储介质
CN112085010A (zh) * 2020-10-28 2020-12-15 成都信息工程大学 一种基于图像识别的口罩检测和部署系统及方法
CN112347034A (zh) * 2020-12-02 2021-02-09 北京理工大学 一种用于老年看护的多功能一体化片上系统
CN112381052A (zh) * 2020-12-01 2021-02-19 創啟社會科技有限公司 视障用户实时辨识系统及方法
CN112370240A (zh) * 2020-12-01 2021-02-19 創啟社會科技有限公司 视障辅助智能眼镜、系统及其控制方法
CN112396016A (zh) * 2020-11-26 2021-02-23 武汉宏数信息技术有限责任公司 一种基于大数据技术的人脸识别系统
CN112784712A (zh) * 2021-01-08 2021-05-11 重庆创通联智物联网有限公司 一种基于实时监控的失踪儿童预警实现方法、装置
CN112966634A (zh) * 2021-03-19 2021-06-15 佳都新太科技股份有限公司 数据共享布控系统、识别方法及装置
CN113159122A (zh) * 2021-03-16 2021-07-23 重庆市地理信息和遥感应用中心 基于社交媒体图像数据的城市风貌分析方法
CN113225539A (zh) * 2020-12-23 2021-08-06 全民认证科技（杭州）有限公司 一种基于云计算的流动人口人工智能预警系统
WO2021159842A1 (zh) * 2020-09-22 2021-08-19 平安科技（深圳）有限公司 人脸抓拍架构及其人脸抓拍方法、装置、设备及存储介质
CN113569242A (zh) * 2021-07-28 2021-10-29 中国南方电网有限责任公司 违规软件识别方法
CN113743358A (zh) * 2021-09-16 2021-12-03 华中农业大学 一种全方位采集和智能计算的景观视觉特征识别方法
US11335112B2 (en) 2020-04-27 2022-05-17 Adernco Inc. Systems and methods for identifying a unified entity from a plurality of discrete parts
US11403734B2 (en) 2020-01-07 2022-08-02 Ademco Inc. Systems and methods for converting low resolution images into high resolution images
CN114943511A (zh) * 2022-05-17 2022-08-26 黑龙江省芯网科技有限公司 一种政务办公自动化平台及其优化实现方法
CN115130082A (zh) * 2022-08-26 2022-09-30 中电长城圣非凡信息系统有限公司 一种用于加固计算机的智能感知与安全控制方法
CN116549529A (zh) * 2023-06-08 2023-08-08 吉林大学 具有抗疲劳功效的组合物及其制备方法
CN116580444A (zh) * 2023-07-14 2023-08-11 广州思林杰科技股份有限公司 基于多天线射频识别技术的长跑计时的测试方法和设备
CN117010971A (zh) * 2023-09-28 2023-11-07 国任财产保险股份有限公司 一种基于人像识别的智能健康险提供方法及系统
US11978328B2 (en) 2020-04-28 2024-05-07 Ademco Inc. Systems and methods for identifying user-customized relevant individuals in an ambient image at a doorbell device

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447048A (zh) * 2018-12-25 2019-03-08 苏州闪驰数控系统集成有限公司 一种人工智能预警系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447048A (zh) * 2018-12-25 2019-03-08 苏州闪驰数控系统集成有限公司 一种人工智能预警系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
卢伟 等: "基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测", 《农业工程学报》 *
文贵华 等: "基于社区安全的人群甄别视频预警研究", 《华南理工大学学报（社会科学版）》 *
李勇: "基于跨连接LeNet-5网络的面部表情识别", 《自动化学报》 *
翟俊海: "卷积神经网络及其研究进展", 《河北大学学报（自然科学版）》 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110402840A (zh) * 2019-07-25 2019-11-05 深圳市阿龙电子有限公司 一种基于图像识别的生猪监测终端及生猪监测系统
CN110402840B (zh) * 2019-07-25 2021-12-17 深圳市阿龙电子有限公司 一种基于图像识别的生猪监测终端及生猪监测系统
CN111222465B (zh) * 2019-11-07 2023-06-13 深圳云天励飞技术股份有限公司 基于卷积神经网络的图像分析方法及相关设备
CN111222465A (zh) * 2019-11-07 2020-06-02 深圳云天励飞技术有限公司 基于卷积神经网络的图像分析方法及相关设备
CN110866962A (zh) * 2019-11-20 2020-03-06 成都威爱新经济技术研究院有限公司 一种基于卷积神经网络的虚拟人像与表情同步方法
CN111105389A (zh) * 2019-11-21 2020-05-05 天津大学 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法
CN111105389B (zh) * 2019-11-21 2023-12-05 天津大学 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法
CN111091089A (zh) * 2019-12-12 2020-05-01 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111091089B (zh) * 2019-12-12 2022-07-29 新华三大数据技术有限公司 一种人脸图像处理方法、装置、电子设备及存储介质
CN111160149A (zh) * 2019-12-16 2020-05-15 山东大学 基于运动场景及深度学习的车载人脸识别系统及方法
CN111160149B (zh) * 2019-12-16 2023-05-23 山东大学 基于运动场景及深度学习的车载人脸识别系统及方法
CN111144313A (zh) * 2019-12-27 2020-05-12 创新奇智(青岛)科技有限公司 一种基于多感受野动态结合的人脸检测方法及系统
CN111144326B (zh) * 2019-12-28 2023-10-27 神思电子技术股份有限公司 一种用于人机交互的人脸防重识别方法
CN111144326A (zh) * 2019-12-28 2020-05-12 神思电子技术股份有限公司 一种用于人机交互的人脸防重识别方法
US11403734B2 (en) 2020-01-07 2022-08-02 Ademco Inc. Systems and methods for converting low resolution images into high resolution images
CN111405365A (zh) * 2020-03-12 2020-07-10 北京文香信息技术有限公司 一种身份验证方法、装置、系统及存储介质
US11335112B2 (en) 2020-04-27 2022-05-17 Adernco Inc. Systems and methods for identifying a unified entity from a plurality of discrete parts
US11869201B2 (en) 2020-04-27 2024-01-09 Ademco Inc. Systems and methods for identifying a unified entity from a plurality of discrete parts
US11978328B2 (en) 2020-04-28 2024-05-07 Ademco Inc. Systems and methods for identifying user-customized relevant individuals in an ambient image at a doorbell device
CN111615178A (zh) * 2020-05-09 2020-09-01 腾讯科技（深圳）有限公司 识别无线网络类型及模型训练的方法、装置及电子设备
CN111985483B (zh) * 2020-07-31 2022-08-26 厦门市美亚柏科信息股份有限公司 一种拍屏文件图片检测方法、装置及存储介质
CN111985483A (zh) * 2020-07-31 2020-11-24 厦门市美亚柏科信息股份有限公司 一种拍屏文件图片检测方法、装置及存储介质
CN111986353A (zh) * 2020-08-20 2020-11-24 福建省家联宝智能科技有限公司 一种带npu计算与红外测温的人脸智能门禁机
CN112084479A (zh) * 2020-09-15 2020-12-15 成都知道创宇信息技术有限公司 网站攻击拦截方法、装置、服务器及存储介质
WO2021159842A1 (zh) * 2020-09-22 2021-08-19 平安科技（深圳）有限公司 人脸抓拍架构及其人脸抓拍方法、装置、设备及存储介质
CN112073698A (zh) * 2020-10-13 2020-12-11 吉林省钜鸿智能技术有限公司 一种基于fpga带有图像识别ar眼镜模块
CN112085010A (zh) * 2020-10-28 2020-12-15 成都信息工程大学 一种基于图像识别的口罩检测和部署系统及方法
CN112396016B (zh) * 2020-11-26 2021-07-23 武汉宏数信息技术有限责任公司 一种基于大数据技术的人脸识别系统
CN112396016A (zh) * 2020-11-26 2021-02-23 武汉宏数信息技术有限责任公司 一种基于大数据技术的人脸识别系统
CN112370240A (zh) * 2020-12-01 2021-02-19 創啟社會科技有限公司 视障辅助智能眼镜、系统及其控制方法
CN112381052A (zh) * 2020-12-01 2021-02-19 創啟社會科技有限公司 视障用户实时辨识系统及方法
CN112347034A (zh) * 2020-12-02 2021-02-09 北京理工大学 一种用于老年看护的多功能一体化片上系统
CN113225539A (zh) * 2020-12-23 2021-08-06 全民认证科技（杭州）有限公司 一种基于云计算的流动人口人工智能预警系统
CN112784712A (zh) * 2021-01-08 2021-05-11 重庆创通联智物联网有限公司 一种基于实时监控的失踪儿童预警实现方法、装置
CN112784712B (zh) * 2021-01-08 2023-08-18 重庆创通联智物联网有限公司 一种基于实时监控的失踪儿童预警实现方法、装置
CN113159122A (zh) * 2021-03-16 2021-07-23 重庆市地理信息和遥感应用中心 基于社交媒体图像数据的城市风貌分析方法
CN112966634A (zh) * 2021-03-19 2021-06-15 佳都新太科技股份有限公司 数据共享布控系统、识别方法及装置
CN113569242A (zh) * 2021-07-28 2021-10-29 中国南方电网有限责任公司 违规软件识别方法
CN113743358B (zh) * 2021-09-16 2023-12-05 华中农业大学 一种全方位采集和智能计算的景观视觉特征识别方法
CN113743358A (zh) * 2021-09-16 2021-12-03 华中农业大学 一种全方位采集和智能计算的景观视觉特征识别方法
CN114943511A (zh) * 2022-05-17 2022-08-26 黑龙江省芯网科技有限公司 一种政务办公自动化平台及其优化实现方法
CN115130082B (zh) * 2022-08-26 2022-11-04 中电长城圣非凡信息系统有限公司 一种用于加固计算机的智能感知与安全控制方法
CN115130082A (zh) * 2022-08-26 2022-09-30 中电长城圣非凡信息系统有限公司 一种用于加固计算机的智能感知与安全控制方法
CN116549529A (zh) * 2023-06-08 2023-08-08 吉林大学 具有抗疲劳功效的组合物及其制备方法
CN116580444A (zh) * 2023-07-14 2023-08-11 广州思林杰科技股份有限公司 基于多天线射频识别技术的长跑计时的测试方法和设备
CN117010971A (zh) * 2023-09-28 2023-11-07 国任财产保险股份有限公司 一种基于人像识别的智能健康险提供方法及系统
CN117010971B (zh) * 2023-09-28 2023-12-05 国任财产保险股份有限公司 一种基于人像识别的智能健康险提供方法及系统

Similar Documents

Publication Publication Date Title
CN110414305A (zh) 人工智能卷积神经网络人脸识别系统
CN110110707A (zh) 人工智能cnn、lstm神经网络动态识别系统
CN112949837B (zh) 一种基于可信网络的目标识别联邦深度学习方法
US20200293887A1 (en) System and Method with Federated Learning Model for Medical Research Applications
CN107437092B (zh) 基于三维卷积神经网络的视网膜oct图像的分类方法
CN106529442B (zh) 一种行人识别方法和装置
CN103268495B (zh) 计算机系统中基于先验知识聚类的人体行为建模识别方法
CN104504394B (zh) 一种基于多特征融合的密集人数估计方法和系统
CN109543679A (zh) 一种基于深度卷积神经网络的死鱼识别方法及预警系统
Li et al. On improving the accuracy with auto-encoder on conjunctivitis
CN111368926B (zh) 图像筛选方法、装置和计算机可读存储介质
CN108537264A (zh) 基于深度学习的异源图像匹配方法
CN104866831B (zh) 特征加权的人脸识别算法
JP2022547595A (ja) 顔属性認識方法、装置、電子機器及び記憶媒体
CN110139067A (zh) 一种野生动物监测数据管理信息系统
CN110705428B (zh) 一种基于脉冲神经网络的脸部年龄识别系统及方法
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
US20230215006A1 (en) Method and system for generating a dynamic addictive neural circuits based on weakly supervised contrastive learning
CN110443105A (zh) 自体免疫抗体的免疫荧光影像型态识别方法
Ding et al. Multiple lesions detection of fundus images based on convolution neural network algorithm with improved SFLA
CN104537273A (zh) 一种溺水模式智能推理系统及方法
Yang et al. Retinal vessel segmentation based on an improved deep forest
Hu et al. An edge intelligence-based generative data augmentation system for iot image recognition tasks
Wei et al. (Retracted) Image analysis and pattern recognition method of three-dimensional process in physical education teaching based on big data
CN108280516A (zh) 一种多组卷积神经网络之间互博智能进化的优化方法

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: 20191105