CN110414358A - 基于人脸智能识别的信息输出方法、装置及存储介质 - Google Patents

基于人脸智能识别的信息输出方法、装置及存储介质 Download PDF

Info

Publication number
CN110414358A
CN110414358A CN201910583655.9A CN201910583655A CN110414358A CN 110414358 A CN110414358 A CN 110414358A CN 201910583655 A CN201910583655 A CN 201910583655A CN 110414358 A CN110414358 A CN 110414358A
Authority
CN
China
Prior art keywords
collection
face
convolutional neural
user
gradient
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
CN201910583655.9A
Other languages
English (en)
Other versions
CN110414358B (zh
Inventor
翟彬彬
赵玉玲
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910583655.9A priority Critical patent/CN110414358B/zh
Publication of CN110414358A publication Critical patent/CN110414358A/zh
Application granted granted Critical
Publication of CN110414358B publication Critical patent/CN110414358B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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

Landscapes

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

Abstract

本发明涉及一种人工智能技术，揭露了一种基于人脸智能识别的信息输出方法，包括：获取信息集、照片集及标准人脸集；利用所述照片集得到梯度特征集，从所述梯度特征集中提取出人脸并输出人脸集；将所述人脸集和所述标准人脸集组成训练集，所述信息集作为标签集，将所述训练集及所述标签集输入至卷积神经网络中训练，直至训练阈值小于预设阈值后退出训练；接收用户图片或视频，从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出对应信息。本发明还提出一种基于人脸智能识别的信息输出装置以及一种计算机可读存储介质。本发明可以实现精准的人脸智能识别及信息输出功能。

Description

基于人脸智能识别的信息输出方法、装置及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人脸智能识别的信息输出方法、装置及计算机可读存储介质。
背景技术
人脸识别在近几年迎来井喷式落地应用，相较于指纹识别、虹膜识别等传统的生物识别方式，人脸识别优点主要集中在四点：非接触性、非侵扰性、采集快捷便利、可拓展性好。但目前人脸识别多使用传统的数字图像处理技术加机器学习算法实现，较为常用的机器学习算法如支持向量机等，虽然可以完成所述人脸识别，但识别精度不高，同时，目前结合人脸识别的进一步应用较少。
发明内容
本发明提供一种基于人脸智能识别的信息输出方法、装置及计算机可读存储介质，其主要目的在于当接收到图片或视频时，精确地识别所述图片或视频中的人脸，并根据识别出的人脸输出对应的信息、祝福语等。
为实现上述目的，本发明提供的一种基于人脸智能识别的信息输出方法，包括：
步骤A：获取信息集、照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作；
步骤B：基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述信息集作为标签集以及将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集；
步骤C：将所述训练集及所述标签集输入至卷积神经网络中训练，使所述卷积神经网络不断更新内部的权重及偏置系数，直至所述卷积神经网络输出的训练值小于预设阈值后退出训练；
步骤D：将所述测试集和所述标签集输入至所述卷积神经网络中，并判断所述卷积神经网络对所述测试集的人脸识别率与预设准确率阈值的大小，若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值，则返回步骤C，若所述卷积神经网络的识别准确率大于预设准确率阈值，则所述卷积神经网络完成训练；
步骤E：接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
可选地，所述信息集包括用户信息集和团体信息集，所述信息集包括用户信息集，所述用户信息集包括用户生日、爱好、生活习惯；
所述照片集包括个人照片集，所述个人照片集包括用户生活照、用户团体活动的个人照。
可选地，所述降噪处理采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述照片集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述照片集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述照片集，为所述照片集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
可选地，基于方向梯度直方运算计算所述照片集得到梯度特征集，包括：
计算所述照片集内的数据各像素点(x，y)的梯度幅值和梯度方向值，并将所述梯度幅值作为第一分量，所述梯度方向值作为第二分量形成梯度矩阵；
将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与梯度方向值得到相加值，并将所述相加值串联形成所述梯度特征集。
可选地，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息包括：
获取当前日期；
利用预设的匹配规则将当前日期与所述标签集中的日期信息进行匹配，若匹配相同，则所述卷积神经网络输出与所述当前日期匹配的标签集中的日期对应的照片集和标签集。
此外，为实现上述目的，本发明还提供一种基于人脸智能识别的信息输出装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的基于人脸智能识别的信息输出程序，所述基于人脸智能识别的信息输出程序被所述处理器执行时实现如下步骤：
步骤A：获取信息集、照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作；
步骤B：基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述信息集作为标签集以及将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集；
步骤C：将所述训练集及所述标签集输入至卷积神经网络中训练，使所述卷积神经网络不断更新内部的权重及偏置系数，直至所述卷积神经网络输出的训练值小于预设阈值后退出训练；
步骤D：将所述测试集和所述标签集输入至所述卷积神经网络中，并判断所述卷积神经网络对所述测试集的人脸识别率与预设准确率阈值的大小，若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值，则返回步骤C，若所述卷积神经网络的识别准确率大于预设准确率阈值，则所述卷积神经网络完成训练；
步骤E：接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
可选地，所述信息集包括用户信息集和团体信息集，所述信息集包括用户信息集，所述用户信息集包括用户生日、爱好、生活习惯；
所述照片集包括个人照片集，所述个人照片集包括用户生活照、用户团体活动的个人照。
可选地，所述降噪处理采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述照片集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述照片集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述照片集，为所述照片集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
可选地，基于方向梯度直方运算计算所述照片集得到梯度特征集，包括：
计算所述照片集内的数据各像素点(x，y)的梯度幅值和梯度方向值，并将所述梯度幅值作为第一分量，所述梯度方向值作为第二分量形成梯度矩阵；
将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与梯度方向值得到相加值，并将所述相加值串联形成所述梯度特征集。
可选地，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息包括：
获取当前日期；
利用预设的匹配规则将当前日期与所述标签集中的日期信息进行匹配，若匹配相同，则所述卷积神经网络输出与所述当前日期匹配的标签集中的日期对应的照片集和标签集。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于人脸智能识别的信息输出程序，所述基于人脸智能识别的信息输出程序可被一个或者多个处理器执行，以实现如上所述的基于人脸智能识别的信息输出方法的步骤。
自适应图像降噪滤波器可以减少噪声对图像的影响，提升算法很好的利用弱分类器进行级联，最终组合形式强分类器，具有很高的分类精度，因此本发明提出的基于人脸智能识别的信息输出方法、装置及计算机可读存储介质可以实现精准的基于人脸智能识别的信息输出功能，精确地识别所述图片或视频中的人脸，并根据识别出的人脸输出对应的信息、祝福语等。
附图说明
图1为本发明一实施例提供的基于人脸智能识别的信息输出方法的流程示意图；
图2为本发明一实施例提供的基于人脸智能识别的信息输出装置的内部结构示意图；
图3为本发明一实施例提供的基于人脸智能识别的信息输出装置中基于人脸智能识别的信息输出程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于人脸智能识别的信息输出方法。参照图1所示，为本发明一实施例提供的基于人脸智能识别的信息输出方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于人脸智能识别的信息输出方法包括：
S1、获取信息集、照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作。
优选地，本发明较佳实施例所述信息集包括用户信息集，其中，所述用户信息集包括用户生日、爱好、生活习惯。例如，用户名称为王伟的信息集包括，王伟生日为1992年3月7号；喜欢打篮球，特别喜欢球星科比，并希望得到科比的一副签名篮球鞋；平时的王伟上班矜矜业业，从未迟到早退，下班后热爱烹饪，拿手菜有剁椒鱼头、宫保鸡丁等；王伟所在的团体可为王伟就职的公司A，进一步地，本发明较佳实施例还收集公司A其他职员的用户信息集，完成整个信息集的收集获取过程。
优选地，本发明较佳实施例所述照片集包括个人照片集，所述个人照片集包括用户生活照、用户在团体活动中的个人照。例如用户信息集中有王伟，则对应的个人照片集中有王伟的生活照、王伟参加公司A团建的用户独照、王伟烹饪时的照片等。
较佳地，所述标准人脸集可为用户证件照，如用户姓名为王伟的身份证照片。
进一步地，本发明较佳实施例中所述个人照片集与所述用户信息集是一一对应关系，如所述用户信息集中的王伟信息与所述个人照片集中的王伟照片呈对应关系，所述对应关系可按照数字排序进行对应，如用户信息集中的王伟信息为数字008，则所述个人照片集中的王伟照片对应的数字也为008。
本发明较佳实施例所述降噪处理采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述照片集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述照片集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述照片集，为所述照片集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
进一步地，所述预处理操作还包括对所述照片集进行灰度化操作，所述灰度化操作是将所述照片集原来的RGB三个颜色通道统一为一个颜色通道，所述灰度化操作计算方法如下：
S＝0.30*R+0.59*G+0.11*B
其中，S为所述灰度化操作后，所述照片集的灰度值，R、G、B分别为所述三个颜色通道的像素值。
S2、基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述信息集作为标签集以及将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集。
优选地，本发明较佳实施例计算所述照片集内各像素点(x，y)的梯度幅值和梯度方向值，并将所述梯度幅值作为第一分量，所述梯度方向值作为第二分量形成梯度矩阵；将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与梯度方向值，得到相加值，并将所述相加值串联形成所述梯度特征集。
较佳地，所述提升算法包括AdaBoost算法，所述AdaBoost算法包括若干个弱分类器和强分类器；
其中，所述弱分类器h(x，t，p，θ)为：
其中，t为包括所述梯度特征集的分类函数，x表示检测子窗口，p为权衡不等号方向系数，θ为所述弱分类器阈值，本发明较佳实施例根据所述梯度特征集训练所述弱分类器h(x，t，p，θ)，直至确定最优阈值θ，得到所述强分类器C(x)：
其中，αk为所述强分类器C(x)的系数，T为所述弱分类器的总数，βk＝εk/(1-εk)，所述εk为：
其中，wi所述梯度特征集的权重，yi为所述标准人脸集。
本发明较佳实施例，当所述强分类器C(x)对所述照片集的人脸识别判断准确率大于所述预设阈值时，所述提升算法退出训练并输出人脸集，所述预设阈值一般设置为0.97。
进一步地，将所述人脸集和所述标准人脸集组成训练数据之前，需要将所述标准人脸集与所述用户信息集建立一一对应关系。如所述标准人脸集中有王伟的标准人脸图片，则将所述王伟的标准人脸图片与王伟的用户信息集建立对应关系，所述对应关系同样可按照上述数字排序进行对应。
S3、将所述训练集及所述标签集输入至卷积神经网络中训练，使所述卷积神经网络不断更新内部的权重及偏置系数，直至所述卷积神经网络输出的训练值小于预设阈值后退出训练。
较佳地，将所述信息集中的用户生日日期做为标签集，如王伟生日为1992年3月7号，则将0307做为标签，以此类推，将其他用户的生日按照所述方法提取出来，并最终得到标签集。
本发明较佳实施例所述卷积神经网络包括一层卷积层和一层全连接层，所述卷积层包括十六次卷积操作和十六次池化操作。所述卷积神经网络接收所述训练集后，将所述训练集输入至所述卷积层，所述卷积层对所述训练集依次进行所述十六次卷积操作和所述十六次池化操作后输入至所述全连接层。
进一步地，所述全连接层结合激活函数计算得到训练值，将所述训练值输入至所述模型训练层的损失函数中，所述损失函数计算出损失值，判断所述损失值与预设阈值的大小关系，若所述损失值大于所述预设阈值时，所述卷积神经网络不断更新内部的权重及偏置系数，当所述损失值小于所述预设阈值时，所述卷积神经网络退出训练。
本发明较佳实施例所述卷积操作为：
其中ω'为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵，所述池化操作可选择最大池化操作，所述最大池化操作是在矩阵内选择矩阵数据中数值最大的值代替整个矩阵；
所述激活函数为：
其中y为所述训练值，e为无限不循环小数。
本发明较佳实施例所述损失值T为：
其中，n为所述训练集大小，yt为所述训练值，μt为所述标签集，所述预设阈值一般设置在0.01。
S4、将所述测试集和所述标签集输入至所述卷积神经网络中，判断所述卷积神经网络对所述测试集的人脸识别准确率与预设准确率阈值的大小。
S5、若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值时，返回S3。
S6、若所述卷积神经网络的识别准确率大于预设准确率阈值时，所述卷积神经网络完成训练。
较佳地，所述卷积神经网络对所述测试集内的图片进行人脸识别，如识别出图片人脸A为王伟，并从所述标签集中判断所述人脸A是否为王伟，以此类推计算最终的人脸识别准确率，优选地，预设准确率阈值为95％，当所述人脸识别准确率高于95％时，所述卷积神经网络完成训练。
S7、接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
较佳地，用户图片或视频可采用监控设备进行捕捉。如公司A的入口处、洗手间等各通道处安装有监控设备，当王伟从各通道出入时，被所述监控设备捕捉。基于S2所述的方向梯度直方运算和提升算法从捕捉图片或视频中提取出王伟人脸并输入至卷积神经网络中进行识别，所述卷积神经网络识别出所述捕捉图片或视频为王伟。
进一步地，获取当前日期，并利用预设的匹配规则将当前日期与所述标签集中的日期信息进行匹配，若所述当前日期与所述标签集中的日期信息匹配相同，则所述卷积神经网络输出与所述当前日期匹配的标签集中的日期对应的照片集和标签集。
较佳地，所述匹配规则只比较月和日的日期，如结合当天日期，判断当天是否为王伟生日，若当天日期为2019年3月7号，恰好与标签集中王伟生日日期1992年3月7号在月和日上的日期相同，则输出所有关于王伟的照片集和标签集，给予生日祝福。输出方式可通过大屏幕展示并播放应景的音乐，也可通过邮件贺卡的方式等。
优选地，所述祝福信息包括生日祝福、节日祝福等，如五一劳动节放假前，会根据所述当天日期输出劳动可强身健体，一劳永逸等祝福语、除夕放假前会显示辞旧迎新，新的一年愿你能继续蒸蒸日上，勇攀高峰等。
发明还提供一种基于人脸智能识别的信息输出装置。参照图2所示，为本发明一实施例提供的基于人脸智能识别的信息输出装置的内部结构示意图。
在本实施例中，所述基于人脸智能识别的信息输出装置1可以是PC(PersonalComputer，用户电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该基于人脸智能识别的信息输出装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是基于人脸智能识别的信息输出装置1的内部存储单元，例如该基于人脸智能识别的信息输出装置1的硬盘。存储器11在另一些实施例中也可以是基于人脸智能识别的信息输出装置1的外部存储设备，例如基于人脸智能识别的信息输出装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括基于人脸智能识别的信息输出装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于基于人脸智能识别的信息输出装置1的应用软件及各类数据，例如基于人脸智能识别的信息输出程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于人脸智能识别的信息输出程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于人脸智能识别的信息输出装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及基于人脸智能识别的信息输出程序01的基于人脸智能识别的信息输出装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对基于人脸智能识别的信息输出装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有基于人脸智能识别的信息输出程序01；处理器12执行存储器11中存储的基于人脸智能识别的信息输出程序01时实现如下步骤：
步骤一、获取信息集、照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作。
优选地，本发明较佳实施例所述信息集包括用户信息集，其中，所述用户信息集包括用户生日、爱好、生活习惯。例如，用户名称为王伟的信息集包括，王伟生日为1992年3月7号；喜欢打篮球，特别喜欢球星科比，并希望得到科比的一副签名篮球鞋；平时的王伟上班矜矜业业，从未迟到早退，下班后热爱烹饪，拿手菜有剁椒鱼头、宫保鸡丁等；王伟所在的团体可为王伟就职的公司A，进一步地，本发明较佳实施例还收集公司A其他职员的用户信息集，完成整个信息集的收集获取过程。
优选地，本发明较佳实施例所述照片集包括个人照片集，所述个人照片集包括用户生活照、用户在团体活动中的个人照。例如用户信息集中有王伟，则对应的个人照片集中有王伟的生活照、王伟参加公司A团建的用户独照、王伟烹饪时的照片等。
较佳地，所述标准人脸集可为用户证件照，如用户姓名为王伟的身份证照片。
进一步地，本发明较佳实施例中所述个人照片集与所述用户信息集是一一对应关系，如所述用户信息集中的王伟信息与所述个人照片集中的王伟照片呈对应关系，所述对应关系可按照数字排序进行对应，如用户信息集中的王伟信息为数字008，则所述个人照片集中的王伟照片对应的数字也为008。
本发明较佳实施例所述降噪处理采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述照片集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述照片集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述照片集，为所述照片集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
进一步地，所述预处理操作还包括对所述照片集进行灰度化操作，所述灰度化操作是将所述照片集原来的RGB三个颜色通道统一为一个颜色通道，所述灰度化操作计算方法如下：
S＝0.30*R+0.59*G+0.11*B
其中，S为所述灰度化操作后，所述照片集的灰度值，R、G、B分别为所述三个颜色通道的像素值。
步骤二、基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述信息集作为标签集以及将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集。
优选地，本发明较佳实施例计算所述照片集内各像素点(x，y)的梯度幅值和梯度方向值，并将所述梯度幅值作为第一分量，所述梯度方向值作为第二分量形成梯度矩阵；将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与梯度方向值，得到相加值，并将所述相加值串联形成所述梯度特征集。
较佳地，所述提升算法包括AdaBoost算法，所述AdaBoost算法包括若干个弱分类器和强分类器；
其中，所述弱分类器h(x，t，p，θ)为：
其中，t为包括所述梯度特征集的分类函数，x表示检测子窗口，p为权衡不等号方向系数，θ为所述弱分类器阈值，本发明较佳实施例根据所述梯度特征集训练所述弱分类器h(x，t，p，θ)，直至确定最优阈值θ，得到所述强分类器C(x)：
其中，αk为所述强分类器C(x)的系数，T为所述弱分类器的总数，βk＝εk/(1-εk)，所述εk为：
其中，wi所述梯度特征集的权重，yi为所述标准人脸集。
本发明较佳实施例，当所述强分类器C(x)对所述照片集的人脸识别判断准确率大于所述预设阈值时，所述提升算法退出训练并输出人脸集，所述预设阈值一般设置为0.97。
进一步地，将所述人脸集和所述标准人脸集组成训练数据之前，需要将所述标准人脸集与所述用户信息集建立一一对应关系。如所述标准人脸集中有王伟的标准人脸图片，则将所述王伟的标准人脸图片与王伟的用户信息集建立对应关系，所述对应关系同样可按照上述数字排序进行对应。
步骤三、将所述训练集及所述标签集输入至卷积神经网络中训练，使所述卷积神经网络不断更新内部的权重及偏置系数，直至所述卷积神经网络输出的训练值小于预设阈值后退出训练。
较佳地，将所述信息集中的用户生日日期做为标签集，如王伟生日为1992年3月7号，则将0307做为标签，以此类推，将其他用户的生日按照所述方法提取出来，并最终得到标签集。
本发明较佳实施例所述卷积神经网络包括一层卷积层和一层全连接层，所述卷积层包括十六次卷积操作和十六次池化操作。所述卷积神经网络接收所述训练集后，将所述训练集输入至所述卷积层，所述卷积层对所述训练集依次进行所述十六次卷积操作和所述十六次池化操作后输入至所述全连接层。
进一步地，所述全连接层结合激活函数计算得到训练值，将所述训练值输入至所述模型训练层的损失函数中，所述损失函数计算出损失值，判断所述损失值与预设阈值的大小关系，若所述损失值大于所述预设阈值时，所述卷积神经网络不断更新内部的权重及偏置系数，当所述损失值小于所述预设阈值时，所述卷积神经网络退出训练。
本发明较佳实施例所述卷积操作为：
其中ω'为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵，所述池化操作可选择最大池化操作，所述最大池化操作是在矩阵内选择矩阵数据中数值最大的值代替整个矩阵；
所述激活函数为：
其中y为所述训练值，e为无限不循环小数。
本发明较佳实施例所述损失值T为：
其中，n为所述训练集大小，yt为所述训练值，μt为所述标签集，所述预设阈值一般设置在0.01。
步骤四、将所述测试集和所述标签集输入至所述卷积神经网络中，判断所述卷积神经网络对所述测试集的人脸识别准确率与预设准确率阈值的大小。
步骤五、若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值时，返回步骤三。
步骤六、若所述卷积神经网络的识别准确率大于预设准确率阈值时，所述卷积神经网络完成训练。
较佳地，所述卷积神经网络对所述测试集内的图片进行人脸识别，如识别出图片人脸A为王伟，并从所述标签集中判断所述人脸A是否为王伟，以此类推计算最终的人脸识别准确率，优选地，预设准确率阈值为95％，当所述人脸识别准确率高于95％时，所述卷积神经网络完成训练。
步骤七、接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
较佳地，用户图片或视频可采用监控设备进行捕捉。如公司A的入口处、洗手间等各通道处安装有监控设备，当王伟从各通道出入时，被所述监控设备捕捉。基于步骤二所述的方向梯度直方运算和提升算法从捕捉图片或视频中提取出王伟人脸并输入至卷积神经网络中进行识别，所述卷积神经网络识别出所述捕捉图片或视频为王伟。
进一步地，获取当前日期，并利用预设的匹配规则将当前日期与所述标签集中的日期信息进行匹配，若所述当前日期与所述标签集中的日期信息匹配相同，则所述卷积神经网络输出与所述当前日期匹配的标签集中的日期对应的照片集和标签集。
较佳地，所述匹配规则只比较月和日的日期，如结合当天日期，判断当天是否为王伟生日，若当天日期为2019年3月7号，恰好与标签集中王伟生日日期1992年3月7号在月和日上的日期相同，则输出所有关于王伟的照片集和标签集，给予生日祝福。输出方式可通过大屏幕展示并播放应景的音乐，也可通过邮件贺卡的方式等。
优选地，所述祝福信息包括生日祝福、节日祝福等，如五一劳动节放假前，会根据所述当天日期输出劳动可强身健体，一劳永逸等祝福语、除夕放假前会显示辞旧迎新，新的一年愿你能继续蒸蒸日上，勇攀高峰等。
可选地，在其他实施例中，基于人脸智能识别的信息输出程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述基于人脸智能识别的信息输出程序在基于人脸智能识别的信息输出装置中的执行过程。
例如，参照图3所示，为本发明基于人脸智能识别的信息输出装置一实施例中的基于人脸智能识别的信息输出程序的程序模块示意图，该实施例中，所述基于人脸智能识别的信息输出程序可以被分割为数据接收模块10、数据处理模块20、模型训练模块30、基于人脸智能识别的信息输出模块40示例性地：
所述数据接收模块10用于：获取信息集、个人照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作。
所述数据处理模块20用于：基于方向梯度直方运算计算所述照片集得到梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集。
所述模型训练模块30用于：所述信息集作为标签集，将所述训练集及所述标签集输入至卷积神经网络中训练，所述卷积神经网络不断更新内部的权重及偏置系数，直至训练阈值小于预设阈值后退出训练。将所述测试集和所述标签集输入至所述卷积神经网络中，若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值时，继续训练，若所述卷积神经网络的识别准确率大于预设准确率阈值时，所述卷积神经网络完成训练
所述基于人脸智能识别的信息输出模块40用于：接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
上述数据接收模块10、数据处理模块20、模型训练模块30、基于人脸智能识别的信息输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于人脸智能识别的信息输出程序，所述基于人脸智能识别的信息输出程序可被一个或多个处理器执行，以实现如下操作：
获取信息集、个人照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作。
基于方向梯度直方运算计算所述照片集得到梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集。
所述信息集作为标签集，将所述训练集及所述标签集输入至卷积神经网络中训练，所述卷积神经网络不断更新内部的权重及偏置系数，直至训练阈值小于预设阈值后退出训练。将所述测试集和所述标签集输入至所述卷积神经网络中，若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值时，继续训练，若所述卷积神经网络的识别准确率大于预设准确率阈值时，所述卷积神经网络完成训练
接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人脸智能识别的信息输出方法，其特征在于，所述方法包括：
步骤A：获取信息集、照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作；
步骤B：基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述信息集作为标签集以及将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集；
步骤C：将所述训练集及所述标签集输入至卷积神经网络中训练，使所述卷积神经网络不断更新内部的权重及偏置系数，直至所述卷积神经网络输出的训练值小于预设阈值后退出训练；
步骤D：将所述测试集和所述标签集输入至所述卷积神经网络中，并判断所述卷积神经网络对所述测试集的人脸识别率与预设准确率阈值的大小，若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值，则返回步骤C，若所述卷积神经网络的识别准确率大于预设准确率阈值，则所述卷积神经网络完成训练；
步骤E：接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
2.如权利要求1所述的基于人脸智能识别的信息输出方法，其特征在于，所述信息集包括用户信息集，所述用户信息集包括用户生日、爱好、生活习惯；
所述照片集包括个人照片集，所述个人照片集包括用户生活照、用户团体活动的个人照。
3.如权利要求1或2所述的基于人脸智能识别的信息输出方法，其特征在于，所述降噪处理采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述照片集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述照片集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述照片集，为所述照片集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
4.如权利要求3中的基于人脸智能识别的信息输出方法，其特征在于，基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，包括：
计算所述照片集内的数据各像素点(x，y)的梯度幅值和梯度方向值，并将所述梯度幅值作为第一分量，所述梯度方向值作为第二分量形成梯度矩阵；
将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与梯度方向值得到相加值，并将所述相加值串联形成所述梯度特征集。
5.如权利要求2所述的基于人脸智能识别的信息输出方法，其特征在于，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息包括：
获取当前日期；
利用预设的匹配规则将当前日期与所述标签集中的日期信息进行匹配，若匹配相同，则所述卷积神经网络输出与所述当前日期匹配的标签集中的日期对应的照片集和标签集。
6.一种基于人脸智能识别的信息输出装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的基于人脸智能识别的信息输出程序，所述基于人脸智能识别的信息输出程序被所述处理器执行时实现如下步骤：
步骤A：获取信息集、照片集及标准人脸集，并对所述照片集进行包括降噪的预处理操作；
步骤B：基于方向梯度直方运算对所述照片集进行计算，得到所述照片集的梯度特征集，基于提升算法和所述标准人脸集从所述梯度特征集中提取出人脸并输出人脸集，将所述信息集作为标签集以及将所述人脸集和所述标准人脸集组成训练数据，并将所述训练数据划分为训练集和测试集；
步骤C：将所述训练集及所述标签集输入至卷积神经网络中训练，使所述卷积神经网络不断更新内部的权重及偏置系数，直至所述卷积神经网络输出的训练值小于预设阈值后退出训练；
步骤D：将所述测试集和所述标签集输入至所述卷积神经网络中，并判断所述卷积神经网络对所述测试集的人脸识别率与预设准确率阈值的大小，若所述卷积神经网络对所述测试集的人脸识别准确率小于预设准确率阈值，则返回步骤C，若所述卷积神经网络的识别准确率大于预设准确率阈值，则所述卷积神经网络完成训练；
步骤E：接收用户图片或视频，基于所述方向梯度直方运算和所述提升算法从所述图片或视频中提取出用户人脸，将所述用户人脸输入至所述卷积神经网络中，所述卷积神经网络识别出所述用户人脸并输出所识别的用户人脸对应的祝福信息。
7.如权利要求6所述的基于人脸智能识别的信息输出装置，其特征在于，所述信息集包括用户信息集，所述用户信息集包括用户生日、爱好、生活习惯；
所述照片集包括个人照片集，所述个人照片集包括用户生活照、用户团体活动的个人照。
8.如权利要求6或7所述的基于人脸智能识别的信息输出装置，其特征在于，所述降噪处理采用如下自适应图像降噪滤波法：
g(x，y)＝η(x，y)+f(x，y)
其中，(x，y)表示所述照片集内图像像素点坐标，f(x，y)为基于所述自适应图像降噪滤波法对所述照片集进行降噪处理后的输出数据，η(x，y)为噪声，g(x，y)为所述照片集，为所述照片集的噪声总方差，为所述(x，y)的像素灰度均值，为所述(x，y)的像素灰度方差，L表示当前像素点坐标。
9.如权利要求8所述的基于人脸智能识别的信息输出装置，其特征在于，基于方向梯度直方运算计算所述照片集得到梯度特征集，包括：
计算所述照片集内的数据各像素点(x，y)的梯度幅值和梯度方向值，并将所述梯度幅值作为第一分量，所述梯度方向值作为第二分量形成梯度矩阵；
将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与梯度方向值得到相加值，并将所述相加值串联形成所述梯度特征集。
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上存储有基于人脸智能识别的信息输出程序，所述基于人脸智能识别的信息输出程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的基于人脸智能识别的信息输出方法的步骤。
CN201910583655.9A 2019-06-28 2019-06-28 基于人脸智能识别的信息输出方法、装置及存储介质 Active CN110414358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910583655.9A CN110414358B (zh) 2019-06-28 2019-06-28 基于人脸智能识别的信息输出方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910583655.9A CN110414358B (zh) 2019-06-28 2019-06-28 基于人脸智能识别的信息输出方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110414358A true CN110414358A (zh) 2019-11-05
CN110414358B CN110414358B (zh) 2022-11-25

Family

ID=68358644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910583655.9A Active CN110414358B (zh) 2019-06-28 2019-06-28 基于人脸智能识别的信息输出方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110414358B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796180A (zh) * 2020-06-23 2020-10-20 广西电网有限责任公司电力科学研究院 一种高压开关机械故障的自动识别方法及装置
CN111814735A (zh) * 2020-07-24 2020-10-23 深圳市爱深盈通信息技术有限公司 基于人脸识别的取票方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117587A1 (en) * 2014-10-27 2016-04-28 Zhicheng Yan Hierarchical deep convolutional neural network for image classification
CN108229427A (zh) * 2018-01-29 2018-06-29 南京华科和鼎信息科技有限公司 一种基于身份证件和人脸识别的身份安全验证方法及系统
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
CN109508694A (zh) * 2018-12-10 2019-03-22 上海众源网络有限公司 一种人脸识别方法及识别装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117587A1 (en) * 2014-10-27 2016-04-28 Zhicheng Yan Hierarchical deep convolutional neural network for image classification
CN108229427A (zh) * 2018-01-29 2018-06-29 南京华科和鼎信息科技有限公司 一种基于身份证件和人脸识别的身份安全验证方法及系统
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
CN109508694A (zh) * 2018-12-10 2019-03-22 上海众源网络有限公司 一种人脸识别方法及识别装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796180A (zh) * 2020-06-23 2020-10-20 广西电网有限责任公司电力科学研究院 一种高压开关机械故障的自动识别方法及装置
CN111814735A (zh) * 2020-07-24 2020-10-23 深圳市爱深盈通信息技术有限公司 基于人脸识别的取票方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110414358B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
CN109766872A (zh) 图像识别方法和装置
CN107633207B (zh) Au特征识别方法、装置及存储介质
CN109492612A (zh) 基于骨骼点的跌倒检测方法及其跌倒检测装置
CN111597870B (zh) 一种基于注意力机制与多任务学习的人体属性识别方法
CN110246512A (zh) 声音分离方法、装置及计算机可读存储介质
CN109325443A (zh) 一种基于多实例多标签深度迁移学习的人脸属性识别方法
CN108898579A (zh) 一种图像清晰度识别方法、装置和存储介质
CN108961279A (zh) 图像处理方法、装置及移动终端
CN106504064A (zh) 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN106447625A (zh) 基于人脸图像序列的属性识别方法及装置
CN110363747A (zh) 智能化异常细胞判断方法、装置及计算机可读存储介质
CN110309709A (zh) 人脸识别方法、装置及计算机可读存储介质
CN109346159A (zh) 病例图像分类方法、装置、计算机设备及存储介质
CN109871780A (zh) 一种人脸质量判决方法、系统及人脸识别方法、系统
CN110415212A (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN108921204A (zh) 电子装置、图片样本集生成方法和计算机可读存储介质
CN109886739A (zh) 基于珠宝门店导购管理方法、系统及其存储介质
CN108416314A (zh) 图片重要人脸检测方法
CN108108711A (zh) 人脸布控方法、电子设备及存储介质
CN109117817A (zh) 人脸识别的方法及装置
CN110414358A (zh) 基于人脸智能识别的信息输出方法、装置及存储介质
CN108073851A (zh) 一种抓取手势识别的方法、装置及电子设备
CN116313164B (zh) 抗干扰的睡眠监控方法、装置、设备及存储介质
CN110427912A (zh) 一种基于深度学习的人脸检测方法及其相关装置

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