CN110414483A - 一种基于深度神经网络和随机森林的人脸识别方法及系统 - Google Patents

一种基于深度神经网络和随机森林的人脸识别方法及系统 Download PDF

Info

Publication number
CN110414483A
CN110414483A CN201910744557.9A CN201910744557A CN110414483A CN 110414483 A CN110414483 A CN 110414483A CN 201910744557 A CN201910744557 A CN 201910744557A CN 110414483 A CN110414483 A CN 110414483A
Authority
CN
China
Prior art keywords
random forest
face
training
image
convolutional neural
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
CN201910744557.9A
Other languages
English (en)
Inventor
蔡文睿
李锐
于治楼
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.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute 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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201910744557.9A priority Critical patent/CN110414483A/zh
Publication of CN110414483A publication Critical patent/CN110414483A/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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度神经网络和随机森林的人脸识别方法及系统，属于模式识别技术领域。本发明的基于深度神经网络和随机森林的人脸识别方法包括以下步骤：S1、卷积神经网络的训练，包括图像预处理、训练卷积神经网络和获取图像高层特征；S2、随机森林的训练，训练随机森林分类器，构建分类树；S3、人脸识别，根据分类树的结果产生识别结果。该发明的基于深度神经网络和随机森林的人脸识别方法能够进一步提高人脸识别精度，进而有保障的扩大人脸识别适用范围，具有很好的推广应用价值。

Description

一种基于深度神经网络和随机森林的人脸识别方法及系统
技术领域
本发明涉及模式识别技术领域，具体提供一种基于深度神经网络和随机森林的人脸识别方法及系统。
背景技术
随着人脸识别技术的普及，越来越多地方使用到了人脸识别，人脸识别的应用范围越来越广，人脸识别是机器学习和模式识别领域的一个活跃的研究方向。并且在工业界已经有了很广泛的应用，在视频监控、档案管理、身份认证等方面作用显著。正是由于人脸识别的广泛应用，人们对于人脸识别精度的要求更是越来越高。尤其是在身份认证领域，不管是人脸识别通道，还是人脸支付，都与人们的生命财产安全息息相关，一旦识别错误，就会对个人甚至公共安全构成威胁。在早期阶段，人脸识别主要利用人脸的几何结构，通过对人脸器官的特征点及它们之间的关系进行分析，进而实现人脸的分类，这种方法简单、直观，但是容错率低，人脸的表情、形态以及环境发生变化都会影响识别的精度。在这之后，又出现了基于人工提取的特征进行人脸识别的方法，但是人工提取特征速度慢而且对噪音敏感，判别力不够强，满足不了现在对人脸识别精度的要求。近年来，随着深度学习的发展，神经网络在图像分类、语音识别等领域大放异彩的同时，也应用在了人脸识别上。基于神经网络其强大的特征提取能力，其在人脸识别领域也取得了很高的成就。特别是经过研究者们不断改进神经网络的网络结构，并扩大了数据规模，最终使得机器识别的精度超越了人类。
在深度学习飞速发展的同时，集成学习也开始崭露头角，在很多比赛中甚至超越了深度学习的方法，随机森林就是集成学习的一种。它使用随机的方式建立一个由很多决策树组成的随机森林，这个分类器最终的输出视所有决策树输出类别的众数而定。随机森林的抗噪声能力强、易并行，能够提高训练速度、能够处理高维数据并且不用做特征选择。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种能够进一步提高人脸识别精度，进而有保障的扩大人脸识别适用范围的基于深度神经网络和随机森林的人脸识别方法。
本发明进一步的技术任务是提供一种基于深度神经网络和随机森林的人脸识别方法。
为实现上述目的，本发明提供了如下技术方案：
一种基于深度神经网络和随机森林的人脸识别方法，该方法包括以下步骤：
S1、卷积神经网络的训练，包括图像预处理、训练卷积神经网络和获取图像高层特征；
S2、随机森林的训练，训练随机森林分类器，构建分类树；
S3、人脸识别，根据分类树的结果产生识别结果。
作为优选，图像预处理为使用多任务卷积神经网络检测输入原始图像中的人脸的五个关键点并将人脸裁剪出来，根据五个关键点对裁剪出的人脸做仿射变换，对齐人脸。
所述五个关键点为双眼、鼻子和两个嘴角。
作为优选，训练卷积神经网络为使用图像预处理得到到的对齐的人脸图像进行训练，卷积神经网络架构使用Resnet，并使用softmaxloss作为损失函数。
作为优选，将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，其中，每输入新的对齐的人脸图像均得到一个图像高层特征。
作为优选，随机森林的训练过程训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从原始图像集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。
具体过程为使用基尼指数作为准则构建k个分类树，每个分类树构建时都要从原始样本集中有放回的抽取n个样本作为训练集，使用基尼指数最小的特征分裂二叉树。假设输入样本是M维的特征向量，则在树的每个节点处，从这M个特征中随机抽取m<<M个特征作为候选特征，在候选属性中计算基尼指数，选择基尼指数最小的属性对决策树进行分裂,重复这个过程，直到基尼指数小于某一阈值。以此方式建立k棵分类树，构成随机森林。
所述基尼指数最小即为分类树的结点中只有一个样本的情况。
作为优选，人脸识别为将获取的图像高层特征输入训练好的随机森林中，随机森林中的每一个分类树根据图像高层特征产生一个分类结果，根据分类结果得到人脸识别结果。
一种基于深度神经网络和随机森林的人脸识别系统，包括以下模块：
卷积神经网络训练模块：通过图像预处理、训练卷积神经网络和获取图像高层特征来训练卷积神经网络；
随机森林训练模块：通过训练随机森林分类器，构建分类树；
人脸识别模块：用于根据分类树的结果产生识别结果。
作为优选，卷积神经网络训练模块中，图像预处理为使用多任务卷积神经网络检测输入原始图像中的人脸的五个关键点并将人脸裁剪出来，根据五个关键点对裁剪出的人脸做仿射变换，对齐人脸；训练卷积神经网络为使用图像预处理得到到的对齐的人脸图像进行训练，其中卷积神经网络架构使用Resnet；将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，其中，每输入新的对齐的人脸图像均得到一个图像高层特征。
作为优选，随机森林训练模块通过训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从原始图像集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。
作为优选，人脸识别模块用于将获取的图像高层特征输入训练好的随机森林中，随机森林中的每一个分类树根据图像高层特征产生一个分类结果，根据分类结果得到人脸识别结果。
与现有技术相比，本发明的基于深度神经网络和随机森林的人脸识别方法具有以下突出的有益效果：
(一)该基于深度神经网络和随机森林的人脸识别方法，深度神经网络能够提取更有判别力的高层特征，简单、高效、鲁棒性强，即使人脸表情发生变化，也能正确分类；
(二)使用随机森林作为分类器，能够在高维特征情况下快速分类，并解决了使用单一softmax分类器泛化能力不强的问题，充分发挥了集成学习的优点，提高了准确率和泛化能力。同时，随机森林的每个树选取使用的特征时，都是从全部M个特征中随机产生的，降低了过拟合的风险。
附图说明
图1是本发明所述基于深度神经网络和随机森林的人脸识别方法的流程图。
具体实施方式
下面将结合附图和实施例，对本发明的基于深度神经网络和随机森林的人脸识别方法及系统作进一步详细说明。
实施例
如图1所示，本发明的基于深度神经网络和随机森林的人脸识别方法，包括以下步骤：
S1、卷积神经网络的训练，包括图像预处理、训练卷积神经网络和获取图像高层特征。
图像预处理为使用多任务卷积神经网络检测输入原始图像中的人脸的五个关键点并将人脸裁剪出来，根据五个关键点对裁剪出的人脸做仿射变换，对齐人脸，将对齐后的人脸图片设置成112*112个像素大小。
训练卷积神经网络为使用图像预处理得到到的对齐的人脸图像进行训练，卷积神经网络架构使用Resnet，最后一个全连接层记为fc1，设置该层隐藏单元数为512，在fc1层后面再加一个全连接层fc2，其隐藏单元数为人脸类别数，使用softmaxloss作为损失函数、Adam优化器，并将学习率调至0.01，迭代训练50轮，直到准确率高于98％。
将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，其中，每输入新的对齐的人脸图像均得到一个图像高层特征。将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，得到fc1层输出的512维特征向量，将其作为作为新输入人脸图片的高层特征。
S2、随机森林的训练，训练随机森林分类器，构建分类树。
随机森林的训练过程训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从原始图像集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。
本实施例中具体过程为：训练随机森林分类器，在YouTubeface训练集中，样本共有1595类，将样本属于第k类的概率设为pk，则概率分布的基尼指数为如果样本集合D根据某个特征A被分割成D1，D2两个部分，那么在特征A的条件下，集合D的基尼指数为： 其中|D1|、|D2|分别表示集合的个数。通过这种方式计算基尼指数，并将基尼指数作为准则构建128个分类树，每个分类树构建时都要从原始训练样本集中有放回的抽取1000个样本作为训练集，在树的每个节点处，从这512个特征中随机抽取10个特征作为候选特征,然后从这10个特征中选取基尼指数最小的特征来分裂该节点,重复这个过程，直到基尼指数小于某一阈值，最终建立128棵分类树，构成随机森林。
S3、人脸识别，根据分类树的结果产生识别结果。将获取的图像高层特征输入训练好的随机森林中，随机森林中的每一个分类树根据图像高层特征产生一个分类结果，根据分类结果得到人脸识别结果。
本发明的基于深度神经网络和随机森林的人脸识别系统，包括以下模块：
卷积神经网络训练模块：通过图像预处理、训练卷积神经网络和获取图像高层特征来训练卷积神经网络。
卷积神经网络训练模块中，图像预处理为使用多任务卷积神经网络检测输入原始图像中的人脸的五个关键点并将人脸裁剪出来，根据五个关键点对裁剪出的人脸做仿射变换，对齐人脸；训练卷积神经网络为使用图像预处理得到到的对齐的人脸图像进行训练，其中卷积神经网络架构使用Resnet；将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，其中，每输入新的对齐的人脸图像均得到一个图像高层特征。
随机森林训练模块：通过训练随机森林分类器，构建分类树。
随机森林训练模块通过训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从原始图像集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。
人脸识别模块：用于根据分类树的结果产生识别结果。
人脸识别模块用于将获取的图像高层特征输入训练好的随机森林中，随机森林中的每一个分类树根据图像高层特征产生一个分类结果，根据分类结果得到人脸识别结果。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (10)

1.一种基于深度神经网络和随机森林的人脸识别方法，其特征在于：该方法包括以下步骤：
S1、卷积神经网络的训练，包括图像预处理、训练卷积神经网络和获取图像高层特征；
S2、随机森林的训练，训练随机森林分类器，构建分类树；
S3、人脸识别，根据分类树的结果产生识别结果。
2.根据权利要求1所述的基于深度神经网络和随机森林的人脸识别方法，其特征在于：图像预处理为使用多任务卷积神经网络检测输入原始图像中的人脸的五个关键点并将人脸裁剪出来，根据五个关键点对裁剪出的人脸做仿射变换，对齐人脸。
3.根据权利要求2所述的基于深度神经网络和随机森林的人脸识别方法，其特征在于：训练卷积神经网络为使用图像预处理得到到的对齐的人脸图像进行训练，卷积神经网络架构使用Resnet。
4.根据权利要求3所述的基于深度神经网络和随机森林的人脸识别方法，其特征在于：将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，其中，每输入新的对齐的人脸图像均得到一个图像高层特征。
5.根据权利要求4所述的基于深度神经网络和随机森林的人脸识别方法，其特征在于：随机森林的训练过程训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从原始图像集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。
6.根据权利要求5所述的基于深度神经网络和随机森林的人脸识别方法，其特征在于：人脸识别为将获取的图像高层特征输入训练好的随机森林中，随机森林中的每一个分类树根据图像高层特征产生一个分类结果，根据分类结果得到人脸识别结果。
7.一种基于深度神经网络和随机森林的人脸识别系统，其特征在于：包括以下模块：
卷积神经网络训练模块：通过图像预处理、训练卷积神经网络和获取图像高层特征来训练卷积神经网络；
随机森林训练模块：通过训练随机森林分类器，构建分类树；
人脸识别模块：用于根据分类树的结果产生识别结果。
8.根据权利要求7所述的基于深度神经网络和随机森林的人脸识别系统，其特征在于：卷积神经网络训练模块中，图像预处理为使用多任务卷积神经网络检测输入原始图像中的人脸的五个关键点并将人脸裁剪出来，根据五个关键点对裁剪出的人脸做仿射变换，对齐人脸；训练卷积神经网络为使用图像预处理得到到的对齐的人脸图像进行训练，其中卷积神经网络架构使用Resnet；将训练的卷积神经网络的最后一个全连接层的输出作为图像高层特征，其中，每输入新的对齐的人脸图像均得到一个图像高层特征。
9.根据权利要求7或8所述的基于深度神经网络和随机森林的人脸识别系统，其特征在于：随机森林训练模块通过训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从原始图像集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。
10.根据权利要求9所述的基于深度神经网络和随机森林的人脸识别系统，其特征在于：人脸识别模块用于将获取的图像高层特征输入训练好的随机森林中，随机森林中的每一个分类树根据图像高层特征产生一个分类结果，根据分类结果得到人脸识别结果。
CN201910744557.9A 2019-08-13 2019-08-13 一种基于深度神经网络和随机森林的人脸识别方法及系统 Pending CN110414483A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910744557.9A CN110414483A (zh) 2019-08-13 2019-08-13 一种基于深度神经网络和随机森林的人脸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910744557.9A CN110414483A (zh) 2019-08-13 2019-08-13 一种基于深度神经网络和随机森林的人脸识别方法及系统

Publications (1)

Publication Number Publication Date
CN110414483A true CN110414483A (zh) 2019-11-05

Family

ID=68367168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910744557.9A Pending CN110414483A (zh) 2019-08-13 2019-08-13 一种基于深度神经网络和随机森林的人脸识别方法及系统

Country Status (1)

Country Link
CN (1) CN110414483A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209955A (zh) * 2020-01-03 2020-05-29 山东超越数控电子股份有限公司 基于深度神经网络和随机森林的飞机电源系统故障识别方法
CN111444787A (zh) * 2020-03-12 2020-07-24 江西赣鄱云新型智慧城市技术研究有限公司 一种性别约束的全智能化人脸表情识别方法及系统
CN111723749A (zh) * 2020-06-23 2020-09-29 广东电网有限责任公司 一种安全帽佩戴识别方法、系统及设备
CN112215064A (zh) * 2020-09-03 2021-01-12 广州市标准化研究院 一种用于公共安全防范的人脸识别方法及系统
CN112949522A (zh) * 2021-03-11 2021-06-11 重庆邮电大学 一种基于支持向量机的人像数据的分类方法
CN113221880A (zh) * 2021-04-29 2021-08-06 上海勃池信息技术有限公司 基于基尼不纯度的ocr版面分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446754A (zh) * 2015-08-11 2017-02-22 阿里巴巴集团控股有限公司 图像识别方法、度量学习方法、图像来源识别方法及装置
CN106991374A (zh) * 2017-03-07 2017-07-28 中国矿业大学 基于卷积神经网络和随机森林的手写数字识别方法
CN108122562A (zh) * 2018-01-16 2018-06-05 四川大学 一种基于卷积神经网络和随机森林的音频分类方法
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446754A (zh) * 2015-08-11 2017-02-22 阿里巴巴集团控股有限公司 图像识别方法、度量学习方法、图像来源识别方法及装置
CN106991374A (zh) * 2017-03-07 2017-07-28 中国矿业大学 基于卷积神经网络和随机森林的手写数字识别方法
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN108122562A (zh) * 2018-01-16 2018-06-05 四川大学 一种基于卷积神经网络和随机森林的音频分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张杰: "基于GPU的大规模人脸识别系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科辑》 *
杨宇: "基于深度学习算法的人脸识别研究", 《中国优秀硕士学位论文全文数据库信息科辑》 *
董兰芳等: "基于深度学习与随机森林的人脸年龄与性别分类研究", 《计算机工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209955A (zh) * 2020-01-03 2020-05-29 山东超越数控电子股份有限公司 基于深度神经网络和随机森林的飞机电源系统故障识别方法
CN111444787A (zh) * 2020-03-12 2020-07-24 江西赣鄱云新型智慧城市技术研究有限公司 一种性别约束的全智能化人脸表情识别方法及系统
CN111444787B (zh) * 2020-03-12 2023-04-07 江西赣鄱云新型智慧城市技术研究有限公司 一种性别约束的全智能化人脸表情识别方法及系统
CN111723749A (zh) * 2020-06-23 2020-09-29 广东电网有限责任公司 一种安全帽佩戴识别方法、系统及设备
CN112215064A (zh) * 2020-09-03 2021-01-12 广州市标准化研究院 一种用于公共安全防范的人脸识别方法及系统
CN112949522A (zh) * 2021-03-11 2021-06-11 重庆邮电大学 一种基于支持向量机的人像数据的分类方法
CN112949522B (zh) * 2021-03-11 2022-06-21 重庆邮电大学 一种基于支持向量机的人像数据的分类方法
CN113221880A (zh) * 2021-04-29 2021-08-06 上海勃池信息技术有限公司 基于基尼不纯度的ocr版面分析方法

Similar Documents

Publication Publication Date Title
CN110414483A (zh) 一种基于深度神经网络和随机森林的人脸识别方法及系统
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN107194341B (zh) Maxout多卷积神经网络融合人脸识别方法和系统
LU503919B1 (en) Facial expression recognition method based on attention-modulated contextual spatial information
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
CN110349136A (zh) 一种基于深度学习的篡改图像检测方法
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN101447020B (zh) 基于直觉模糊的色情图像识别方法
CN109033938A (zh) 一种基于可区分性特征融合的人脸识别方法
CN107103281A (zh) 基于聚集损失深度度量学习的人脸识别方法
Ming et al. Simple triplet loss based on intra/inter-class metric learning for face verification
CN109145854A (zh) 一种基于级联卷积神经网络结构的人脸检测方法
CN106599800A (zh) 一种基于深度学习的人脸微表情识别方法
CN104504362A (zh) 基于卷积神经网络的人脸检测方法
CN109359559A (zh) 一种基于动态遮挡样本的行人再识别方法
CN106096517A (zh) 一种基于低秩矩阵与特征脸的人脸识别方法
CN107545243A (zh) 基于深度卷积模型的黄种人脸识别方法
CN113537027B (zh) 基于面部划分的人脸深度伪造检测方法及系统
CN106897667A (zh) 一种人脸检索方法和系统
CN109272440A (zh) 一种联合文本和图像内容的缩略图生成方法及系统
CN114662497A (zh) 一种基于协同神经网络的虚假新闻检测方法
CN106951819A (zh) 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法
CN109165698A (zh) 一种面向智慧交通的图像分类识别方法及其存储介质
CN110222636A (zh) 基于背景抑制的行人属性识别方法
CN110263731B (zh) 一种单步人脸检测系统

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