CN110705357A - 人脸识别方法和人脸识别装置 - Google Patents
人脸识别方法和人脸识别装置 Download PDFInfo
- Publication number
- CN110705357A CN110705357A CN201910823883.9A CN201910823883A CN110705357A CN 110705357 A CN110705357 A CN 110705357A CN 201910823883 A CN201910823883 A CN 201910823883A CN 110705357 A CN110705357 A CN 110705357A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- recognition
- sample
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V40/168—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
Abstract
本发明提出了一种人脸识别方法和人脸识别装置，其中，人脸识别方法包括：采集人脸图像；采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；根据特征间距与识别阈值的比较结果，输出识别结果。通过本发明的人脸识别方法，实现了实时人脸检测，利用特征向量的差异对比人脸图像与人脸样本图像，无需进行图片与图片之间的对比，有效提高人脸识别准确率和识别速度。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种人脸识别方法、一种人脸识别装置。
背景技术
人脸识别任务是在一个包含K个用户的数据库，输入一张图片，然后判断图片中的人是不是在数据库中，若在则输出用户ID，若不在则输出未识别。传统的人脸识别技术常用One-shot learning(一次性学习)，即将人的图片输入神经网络，使用softmax单元(归一化单元)进行分类识别，适用于小样本学习，但在深度学习任务中只有一个学习样本，只能训练一次，仅通过单单一张图片，去识别一个人，准确度较低，在公司人脸识别考勤应用场景中，若有新员工加入公司，则需要重新训练神经网络，过程较为繁琐，而且人脸识别技术受限于机器资源和实时性部署的需求，在进行人脸检测时，通常采用opencv(计算机视觉库)自带的人脸Haar(哈尔)特征分类器和dlib(人脸识别库)检测系统进行实时人脸检测，其中，Haar特征分类器存在无法检测侧面、歪斜、光线不好的图像的问题，dlib检测系统的检测精度又较低。在进行特征识别时，通常将解决移动设备的视觉识别任务的CNN(卷积神经网络)架构，如MobilenetV1(轻量级网络模型一代)，ShuffleNet(混洗网络模型)，MobileNetV2(轻量级网络模型二代)延用到人脸识别上，或者采用FaceNet(人脸识别网络模型)直接进行识别，但是这些网络模型中都有一个GAP(global average pooling layer，全局平均池化层)，赋予最后一层feature_map(特征图)同等的权重，使网络获取的信息有偏差，例如，在最后一个特征图中，虽然中心点的感知域(RF2)和边角点的感知域(RF1)尺寸是一样的，可它们处在图片的不同位置，中心点的感知域包括了完整的图片，边角点的感知域却只含部分的图片，因此在最后一个特征图中RF2单元和RF1单元的权重不同，但是全局平均池化层却把他们当作一样的权重去考虑了，因此网络表现会下降，导致人脸识别精度降低，进而降低人脸验证和识别任务准确率。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明第一方面在于提出了一种人脸识别方法。
本发明的第二方面在于提出了一种人脸识别装置。
有鉴于此，根据本发明的第一方面，提出了一种人脸识别方法，包括：采集人脸图像；采集人脸图像；采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；根据特征间距与识别阈值的比较结果，输出识别结果。
本发明提供的人脸识别方法，采集待识别的人脸图像，对人脸图像进行人脸检测，得到人脸特征和人脸区域，并根据人脸特征和人脸区域提取人脸图像的人脸特征向量，将其与预存的每个人脸样本图像的样本特征向量进行对比，确定特征间距，即人脸特征向量与样本特征向量的差异最小值，若特征间距小于等于识别阈值，说明存在与人脸图像匹配的人脸样本图像，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败。
其中，识别阈值可根据经验合理设置，多任务级联卷积网络模型即MTCNN(Multi-task Cascaded Congvolutional Neural Networks)，MTCNN包括三个网络子结构：P型网(Proposal Net)，R型网(Refine Net)和O型网(Output Net)，P型网用于对数据集中的每一张照片进行随机剪裁，获得人脸区域的候选窗口和边界框的回归向量，根据边界回归运算对候选窗口进行矫正，R型网通过边界框回归和非极大值抑制(NMS)去掉预测为正的负样本(false-positive)区域，以优化高度重叠的窗口，O型网比R型网多一层卷积层，用于对候选窗口进行精细化处理，同时识别出人脸的关键点。轻量级人脸识别网络模型即MobileFaceNet，采用全局逐深度卷积(GDConv，Global Depthwise Convolution)结构，具体地，残差瓶颈路径(bottlenecks)是MobileFaceNet的主要构建块，MobileFaceNet中的bottleneck的拓展因子比传统的MobileNetV2中更小，且MobileFaceNet使用参数化修正线性单元(PReLU，Parametric Rectified Linear Unit)作为激活函数，在GDConv层后添加1*1的线性变换层，使得一个线性1*1的卷积层衔接上个线性GDConv层作为特征输出层，从而让最后一层特征图(FMap-end)中不同的单元有不同的重要性。
通过上述人脸识别方法，一方面，实现了实时人脸检测，利用特征向量的差异对比人脸图像与人脸样本图像，无需进行图片与图片之间的对比，有效提高人脸识别准确率和识别速度，且采用预训练策略，只需将样本图片加入数据库即可更新人脸样本，不需要重新训练模型，方便快捷，从而使产品具有较强的实用性和推广性；再一方面，采用基于深度学习方法的MTCNN进行人脸检测，利用分层级多阶段特征提取自然环境中光线，角度和人脸表情变化，鲁棒性更好，保证深度神经网络模型训练准确率和训练速度，而且MTCNN所需内存消耗小，降低装置配置要求；又一方面，采用MobileFaceNet进行特征提取，利用MobileFaceNet的全局逐深度卷积代替传统全局平均池化层进行人脸识别，让模型自动学习特征图上不同的单元在提取特征向量时对应不同的权重，大大提高人脸识别准确率。
另外，根据本发明提供的上述技术方案中的人脸识别方法，还可以具有如下附加技术特征：
在上述技术方案中，优选地，采集人脸图像的步骤之前，还包括：获取人脸样本图像；采用多任务级联卷积网络模型对人脸样本图像进行人脸检测，得到人脸样本正面区域；根据人脸样本正面区域，提取样本特征向量；根据样本特征向量构建特征数据库。
在该技术方案中，通过预训练策略，预存人脸样本图像，采用MTCNN对人脸样本图像进行人脸检测，并采用MobileFaceNet提取样本特征向量，根据样本特征向量构建特征数据库，以便于后续根据特征向量的差异匹配人脸图像与人脸样本图像，从而进行人脸识别，通过上述技术方案，即使新建一个样本只需将人脸样本图像加入数据库即可更新人脸样本，不需要反复训练模型，方便快捷，实用性高。
在上述任一技术方案中，优选地，对人脸图像进行人脸检测的步骤，具体包括：检测人脸图像的人脸区域和人脸特征点；根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域。
在该技术方案中，通过检测人脸图像的人脸区域和人脸特征点，消除采集到的图像背景，保留有效的人脸区域，根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域，实现实时人脸检测，在保持人脸特征信息的同时尽量去除姿态、化妆、表情等因素的影响，降低人脸识别应用场景的要求，进而提升人脸识别准确率和识别速度。
具体地，人脸特征点包括：左眼、右眼、鼻子、左嘴角和右嘴角。
在上述任一技术方案中，优选地，根据人脸特征点对人脸区域进行对齐处理的步骤，具体包括：获取人脸特征点的坐标；根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率；根据偏移角度和尺寸比率旋转、缩放和平移人脸区域。
在该技术方案中，考虑到人脸识别实际应用场景比较复杂，易导致采集到的人脸图像质量不稳定，因此，通过获取人脸特征点的坐标，根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率，其中，预设标准图像的参数可根据用户需求合理设置，例如白底证件照，根据偏移角度和尺寸比率旋转、缩放和平移人脸区域，即使检测出的人脸区域是侧面、歪斜的，也能及时进行调整，消除人脸图像与预设标准图像的差异性，得到大小一致，对齐的人脸正面区域，有效减少低质量人脸图像对人脸识别的影响，从而降低后续人脸识别的难度，提高识别准确率。
在上述任一技术方案中，优选地，采集人脸图像的步骤之前，还包括：检测识别位置的光照强度；若光照强度小于强度阈值，开启光源对识别位置进行照射。
在该技术方案中，当光照强度小于强度阈值，说明识别位置的光线较暗，无法保证采集到的人脸图像质量，此时开启光源对识别位置进行照射，即使在夜晚也能实现人脸识别，克服环境光对人脸图像稳定性的影响，进一步降低识别应用场景的要求，提高人脸识别准确率。
在上述任一技术方案中，优选地，若特征间距大于识别阈值，发送人脸图像至终端；接收终端发出的安全识别信息；根据安全识别信息更新识别结果。
在该技术方案中，在门禁系统场景中，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败，此时需要向管理者使用的终端发送人脸图像，以询问管理者是否开放识别权限，管理者可选择发出安全识别信息和维持识别失败结果，在接收到终端发出的安全识别信息后，确认人脸图像属于安全识别对象，则根据安全识别信息将识别失败信息更新为识别成功信息，从而避免未预存样本的临时用户无法识别成功的情况，在保证识别准确性的同时增加识别范围，满足用户的多种需求。
根据本发明的第二方面，提出了一种人脸识别装置，包括存储器，用于存储计算机程序；处理器，用于执行计算机程序以实现：采集人脸图像；采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；根据特征间距与识别阈值的比较结果，输出识别结果。
本发明提供的人脸识别装置，能够采集待识别的人脸图像，对人脸图像进行人脸检测，得到人脸特征和人脸区域，并根据人脸特征和人脸区域提取人脸图像的人脸特征向量，将其与预存的每个人脸样本图像的样本特征向量进行对比，确定特征间距，即人脸特征向量与样本特征向量的差异最小值，若特征间距小于等于识别阈值，说明存在与人脸图像匹配的人脸样本图像，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败。
其中，识别阈值可根据经验合理设置，其中，识别阈值可根据经验合理设置，多任务级联卷积网络模型即MTCNN(Multi-task Cascaded Congvolutional NeuralNetworks)，MTCNN包括三个网络子结构：P型网(Proposal Net)，R型网(Refine Net)和O型网(Output Net)，P型网用于对数据集中的每一张照片进行随机剪裁，获得人脸区域的候选窗口和边界框的回归向量，根据边界回归运算对候选窗口进行矫正，R型网通过边界框回归和非极大值抑制(NMS)去掉预测为正的负样本(false-positive)区域，以优化高度重叠的窗口，O型网比R型网多一层卷积层，用于对候选窗口进行精细化处理，同时识别出人脸的关键点。轻量级人脸识别网络模型即MobileFaceNet，采用全局逐深度卷积(GDConv，GlobalDepthwise Convolution)结构，具体地，残差瓶颈路径(bottlenecks)是MobileFaceNet的主要构建块，MobileFaceNet中的bottleneck的拓展因子比传统的MobileNetV2中更小，且MobileFaceNet使用参数化修正线性单元(PReLU，Parametric Rectified Linear Unit)作为激活函数，在GDConv层后添加1*1的线性变换层，使得一个线性1*1的卷积层衔接上个线性GDConv层作为特征输出层，从而让最后一层特征图(FMap-end)中不同的单元有不同的重要性。
通过上述人脸识别装置，一方面，实现了实时人脸检测，利用特征向量的差异对比人脸图像与人脸样本图像，无需进行图片与图片之间的对比，有效提高人脸识别准确率和识别速度，且采用预训练策略，只需将样本图片加入数据库即可更新人脸样本，不需要重新训练模型，方便快捷，从而使产品具有较强的实用性和推广性；再一方面，采用基于深度学习方法的MTCNN进行人脸检测，利用分层级多阶段特征提取自然环境中光线，角度和人脸表情变化，鲁棒性更好，保证深度神经网络模型训练准确率和训练速度，而且MTCNN所需内存消耗小，降低装置配置要求；又一方面，采用MobileFaceNet进行特征提取，利用MobileFaceNet的全局逐深度卷积代替传统的全局平均池化层进行人脸识别，让模型自动学习特征图上不同的单元在提取特征向量时对应不同的权重，大大提高人脸识别准确率。
另外，根据本发明提供的上述技术方案中的人脸识别装置，还可以具有如下附加技术特征：
在上述技术方案中，优选地，处理器用于执行计算机程序还实现：获取人脸样本图像；采用多任务级联卷积网络模型对人脸样本图像进行人脸检测，得到人脸样本正面区域；根据人脸样本正面区域，采用轻量级人脸识别网络模型提取样本特征向量；根据样本特征向量构建特征数据库。
在该技术方案中，通过预训练策略，预存人脸样本图像，采用MTCNN对人脸样本图像进行人脸检测，并采用MobileFaceNet提取样本特征向量，根据样本特征向量构建特征数据库，以便于后续根据特征向量的差异匹配人脸图像与人脸样本图像，从而进行人脸识别，通过上述技术方案，即使新建一个样本只需将人脸样本图像加入数据库即可，不需要反复训练模型，方便快捷，实用性高。
在上述任一技术方案中，优选地，处理器用于执行计算机程序以实现对人脸图像进行人脸检测的步骤具体包括：检测人脸图像的人脸区域和人脸特征点；根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域。
在该技术方案中，通过检测人脸图像的人脸区域和人脸特征点，消除采集到的图像背景，保留有效的人脸区域，根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域，实现实时人脸检测，在保持人脸特征信息的同时尽量去除姿态、化妆、表情等因素的影响，降低人脸识别应用场景的要求，进而提升人脸识别准确率和识别速度。
具体地，人脸特征点包括：左眼、右眼、鼻子、左嘴角和右嘴角。
在上述任一技术方案中，优选地，处理器用于执行计算机程序以实现根据人脸特征点对人脸区域进行对齐处理的步骤具体包括：获取人脸特征点的坐标；根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率；根据偏移角度和尺寸比率旋转、缩放和平移人脸区域。
在该技术方案中，考虑到人脸识别实际应用场景比较复杂，易导致采集到的人脸图像质量不稳定，因此，通过获取人脸特征点的坐标，根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率，其中，预设标准图像的参数可根据用户需求合理设置，例如白底证件照，根据偏移角度和尺寸比率旋转、缩放和平移人脸区域，即使检测出的人脸区域是侧面、歪斜的，也能及时进行调整，消除人脸图像与预设标准图像的差异性，得到大小一致，对齐的人脸正面区域，有效减少低质量人脸图像对人脸识别的影响，从而降低后续人脸识别的难度，提高识别准确率。
在上述任一技术方案中，优选地，处理器用于执行计算机程序还实现：检测识别位置的光照强度；若光照强度小于强度阈值，开启光源对识别位置进行照射。
在该技术方案中，当光照强度小于强度阈值，说明识别位置的光线较暗，无法保证采集到的人脸图像质量，此时开启光源对识别位置进行照射，即使在夜晚也能实现人脸识别，克服环境光对人脸图像稳定性的影响，进一步降低识别应用场景的要求，提高人脸识别准确率。
在上述任一技术方案中，优选地，处理器用于执行计算机程序还实现：若特征间距大于识别阈值，发送人脸图像至终端；接收终端发出的安全识别信息；根据安全识别信息更新识别结果。
在该技术方案中，在门禁系统场景中，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败，此时需要向管理者使用的终端发送人脸图像，以询问管理者是否开放识别权限，管理者可选择发出安全识别信息和维持识别失败结果，在接收到终端发出的安全识别信息后，确认人脸图像属于安全识别对象，则根据安全识别信息将识别失败信息更新为识别成功信息，从而避免未预存样本的临时用户无法识别成功的情况，在保证识别准确性的同时增加识别范围，满足用户的多种需求。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明一个实施例的人脸识别方法流程示意图；
图2示出了本发明又一个实施例的人脸识别方法流程示意图；
图3示出了本发明又一个实施例的人脸识别方法流程示意图；
图4示出了本发明又一个实施例的人脸识别方法流程示意图；
图5示出了本发明一个具体实施例的人脸识别方法流程示意框图；
图6示出了本发明一个实施例的人脸识别装置示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
本发明第一方面的实施例，提出一种人脸识别方法，图1示出了本发明一个实施例的人脸识别方法流程示意图。其中，该方法包括：
步骤102，采集人脸图像；
步骤104，采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；
步骤106，根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；
步骤108，根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；
步骤110，根据特征间距与识别阈值的比较结果，输出识别结果。
其中，识别阈值可根据经验合理设置，多任务级联卷积网络模型即MTCNN(Multi-task Cascaded Congvolutional Neural Networks)，MTCNN包括三个网络子结构：P型网(Proposal Net)，R型网(Refine Net)和O型网(Output Net)，P型网用于对数据集中的每一张照片进行随机剪裁，获得人脸区域的候选窗口和边界框的回归向量，根据边界回归运算对候选窗口进行矫正，R型网通过边界框回归和非极大值抑制(NMS)去掉预测为正的负样本(false-positive)区域，以优化高度重叠的窗口，O型网比R型网多一层卷积层，用于对候选窗口进行精细化处理，同时识别出人脸的关键点。轻量级人脸识别网络模型即MobileFaceNet，采用全局逐深度卷积(GDConv，Global Depthwise Convolution)结构，具体地，残差瓶颈路径(bottlenecks)是MobileFaceNet的主要构建块，MobileFaceNet中的bottleneck的拓展因子比传统的MobileNetV2中更小，且MobileFaceNet使用参数化修正线性单元(PReLU，Parametric Rectified Linear Unit)作为激活函数，在GDConv层后添加1*1的线性变换层，使得一个线性1*1的卷积层衔接上个线性GDConv层作为特征输出层，从而让最后一层特征图(FMap-end)中不同的单元有不同的重要性。
本实施例提供的人脸识别方法，采集待识别的人脸图像，对人脸图像进行人脸检测，得到人脸特征和人脸区域，并根据人脸特征和人脸区域提取人脸图像的人脸特征向量，将其与预存的每个人脸样本图像的样本特征向量进行对比，确定特征间距，即人脸特征向量与样本特征向量的差异最小值，若特征间距小于等于识别阈值，说明存在与人脸图像匹配的人脸样本图像，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败，其中，识别阈值可根据经验合理设置。通过上述人脸识别方法，一方面，实现了实时人脸检测，利用特征向量的差异对比人脸图像与人脸样本图像，无需进行图片与图片之间的对比，有效提高人脸识别准确率和识别速度，且采用预训练策略，只需将样本图片加入数据库即可更新人脸样本，不需要重新训练模型，方便快捷，从而使产品具有较强的实用性和推广性，再一方面，采用基于深度学习方法的MTCNN进行人脸检测，利用分层级多阶段特征提取自然环境中光线，角度和人脸表情变化，鲁棒性更好，保证深度神经网络模型训练准确率和训练速度，而且MTCNN所需内存消耗小，降低装置配置要求；又一方面，采用MobileFaceNet进行特征提取，利用MobileFaceNet的全局逐深度卷积代替传统的全局平均池化层进行人脸识别，让模型自动学习特征图上不同的单元在提取特征向量时对应不同的权重，大大提高人脸识别准确率。
图2示出了本发明又一个实施例的人脸识别方法流程示意图。其中，该方法包括：
步骤202，获取人脸样本图像；
步骤204，采用多任务级联卷积网络模型对人脸样本图像进行人脸检测，得到人脸样本正面区域；
步骤206，根据人脸样本正面区域，采用轻量级人脸识别网络模型提取样本特征向量；
步骤208，根据样本特征向量构建特征数据库；
步骤210，采集人脸图像；
步骤212，采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；
步骤214，根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；
步骤216，根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；
步骤218，根据特征间距与识别阈值的比较结果，输出识别结果。
在该实施例中，通过预训练策略，预存人脸样本图像，采用MTCNN对人脸样本图像进行人脸检测，并采用MobileFaceNet提取样本特征向量，根据样本特征向量构建特征数据库，以便于后续根据特征向量的差异匹配人脸图像与人脸样本图像，从而进行人脸识别，通过上述技术方案，即使新建一个样本只需将其图片加入数据库即可更新人脸样本，不需要反复训练模型，方便快捷，实用性高。
图3示出了本发明又一个实施例的人脸识别方法流程示意图。其中，该方法包括：
步骤302，采集人脸图像；
步骤304，采用多任务级联卷积网络模型检测人脸图像的人脸区域和人脸特征点，并根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域；
步骤306，根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸特征向量；
步骤308，根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；
步骤310，根据特征间距与识别阈值的比较结果，输出识别结果。
在该实施例中，通过检测人脸图像的人脸区域和人脸特征点，消除采集到的图像背景，保留有效的人脸区域，根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域。一方面，通过MTCNN实现实时人脸检测，在保持人脸特征信息的同时尽量去除姿态、化妆、表情等因素的影响，降低人脸识别应用场景的要求；另一方面，采用MobileFaceNet提取特征向量，让模型自动学习特征图上不同的单元在提取特征向量时对应不同的权重，进而提升人脸识别准确率和识别速度。
具体实施例中，人脸特征点包括：左眼、右眼、鼻子、左嘴角和右嘴角。
在本发明的一个实施例中，优选地，根据人脸特征点对人脸区域进行对齐处理的步骤，具体包括：获取人脸特征点的坐标；根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率；根据偏移角度和尺寸比率旋转、缩放和平移人脸区域。
在该实施例中，考虑到人脸识别实际应用场景比较复杂，易导致采集到的人脸图像质量不稳定，因此，通过获取人脸特征点的坐标，根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率，其中，预设标准图像的参数可根据用户需求合理设置，例如白底证件照，根据偏移角度和尺寸比率旋转、缩放和平移人脸区域，即使检测出的人脸区域是侧面、歪斜的，也能及时进行调整，消除人脸图像与预设标准图像的差异性，得到大小一致，对齐的人脸正面区域，有效减少低质量人脸图像对人脸识别的影响，从而降低后续人脸识别的难度，提高识别准确率。
图4示出了本发明又一个实施例的人脸识别方法流程示意图。其中，该方法包括：
步骤402，检测识别位置的光照强度；
步骤404，光照强度是否小于强度阈值，若是，进入步骤406，若否，进入步骤408；
步骤406，开启光源对识别位置进行照射，进入步骤408；
步骤408，采集人脸图像；
步骤410，采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；
步骤412，根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；
步骤414，根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；
步骤416，根据特征间距与识别阈值的比较结果，输出识别结果。
在该实施例中，当光照强度小于强度阈值，说明识别位置的光线较暗，无法保证采集到的人脸图像质量，此时开启光源对识别位置进行照射，即使在夜晚也能实现人脸识别，克服环境光对人脸图像稳定性的影响，进一步降低识别应用场景的要求，提高人脸识别准确率。
在本发明的一个实施例中，优选地，若特征间距大于识别阈值，发送人脸图像至终端；接收终端发出的安全识别信息；根据安全识别信息更新识别结果。
在该实施例中，在门禁系统场景中，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败，此时需要向管理者使用的终端发送人脸图像，以询问管理者是否开放识别权限，管理者可选择发出安全识别信息和维持识别失败结果，在接收到终端发出的安全识别信息后，确认人脸图像属于安全识别对象，则根据安全识别信息将识别失败信息更新为识别成功信息，从而避免未预存样本的临时用户无法识别成功的情况，在保证识别准确性的同时增加识别范围，满足用户的多种需求。
在本发明的一个具体实施例中，提出一种人脸识别方法，如图5所示，包括人脸注册和人脸识别两个过程，人脸注册流程如下：
1、采集待注册人脸图片(人脸样本图像)；
2、基于MTCNN将待注册人脸图片进行人脸检测和人脸特征点对齐；
3、基于MobileFaceNet对检测对齐后的人脸区域进行人脸样本特征向量提取；
4、将人脸样本特征向量存盘，组成特征数据库。
人脸识别流程如下：
1、采集待识别人脸图片(人脸图像)；
2、基于MTCNN将待识别人脸图片进行人脸检测和人脸特征点对齐；
3、基于MobileFaceNet对检测对齐后的人脸区域进行人脸特征向量提取；
4、将提取到的人脸特征向量和特征数据库中每个人脸样本特征向量进行距离一一比对，选择间距最小值；
5、设定合适的识别阈值，根据识别阈值和间距最小值的相对大小给出识别结果。
在该具体实施例中，针对人脸识别one-shot learning问题，提出预训练策略，将人脸特征向量存盘，组成人脸特征数据库，只需将其图片加入数据库即可更新注册人脸数据，不需要反复训练模型，方便快捷，实用性高。而且采用MTCNN进行人脸检测、人脸特征点对齐，克服基于Haar特征和采用dlib检测获取的人脸特征精度有限，导致最终人脸识别效果变差的问题，以及利用MobileFaceNet将人脸区域通过神经网络提取成特征向量，即用全局逐深度卷积代替全局平均池化层进行人脸识别，让模型自动学习特征图上不同的单元在提取特征向量时对应不同的权重，大大提高人脸识别准确率。
本发明的第二方面的实施例，提出了一种人脸识别装置600，如图6所示，包括存储器602，用于存储计算机程序；处理器604，用于执行计算机程序以实现：采集人脸图像；采用多任务级联卷积网络模型对人脸图像进行人脸检测，得到人脸正面区域；根据人脸正面区域，采用轻量级人脸识别网络模型提取人脸图像的人脸特征向量；根据人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；根据特征间距与识别阈值的比较结果，输出识别结果。
本实施例提供的人脸识别装置600，能够采集待识别的人脸图像，对人脸图像进行人脸检测，得到人脸特征和人脸区域，并根据人脸特征和人脸区域提取人脸图像的人脸特征向量，将其与预存的每个人脸样本图像的样本特征向量进行对比，确定特征间距，即人脸特征向量与样本特征向量的差异最小值，若特征间距小于等于识别阈值，说明存在与人脸图像匹配的人脸样本图像，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败，其中，识别阈值可根据经验合理设置。通过上述人脸识别装置600，一方面，实现了实时人脸检测，利用特征向量的差异对比人脸图像与人脸样本图像，无需进行图片与图片之间的对比，有效提高人脸识别准确率和识别速度，且采用预训练策略，只需将样本图片加入数据库即可更新人脸样本，不需要重新训练模型，方便快捷，从而使产品具有较强的实用性和推广性；再一方面，采用基于深度学习方法的MTCNN进行人脸检测，利用分层级多阶段特征提取自然环境中光线，角度和人脸表情变化，鲁棒性更好，保证深度神经网络模型训练准确率和训练速度，而且MTCNN所需内存消耗小，降低装置配置要求；又一方面，采用MobileFaceNet进行特征提取，利用MobileFaceNet的全局逐深度卷积代替全局平均池化层进行人脸识别，让模型自动学习特征图上不同的单元在提取特征向量时对应不同的权重，大大提高人脸识别准确率。
在本发明的一个实施例中，优选地，处理器604用于执行计算机程序还实现：获取人脸样本图像；采用多任务级联卷积网络模型对人脸样本图像进行人脸检测，得到人脸样本正面区域；根据人脸样本正面区域，采用轻量级人脸识别网络模型提取样本特征向量；根据样本特征向量构建特征数据库。
在该实施例中，通过预训练策略，预存人脸样本图像，采用MTCNN对人脸样本图像进行人脸检测，并采用MobileFaceNet提取样本特征向量，根据样本特征向量构建特征数据库，以便于后续根据特征向量的差异匹配人脸图像与人脸样本图像，从而进行人脸识别，通过上述技术方案，即使新建一个样本只需将人脸样本图像加入数据库即可，不需要反复训练模型，方便快捷，实用性高。
在本发明的一个实施例中，优选地，处理器604用于执行计算机程序以实现对人脸图像进行人脸检测的步骤具体包括：检测人脸图像的人脸区域和人脸特征点；根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域。
在该实施例中，通过检测人脸图像的人脸区域和人脸特征点，消除采集到的图像背景，保留有效的人脸区域，根据人脸特征点对人脸区域进行对齐处理，得到人脸正面区域，实现实时人脸检测，在保持人脸特征信息的同时尽量去除姿态、化妆、表情等因素的影响，降低人脸识别应用场景的要求，进而提升人脸识别准确率和识别速度。
在本发明的一个实施例中，优选地，处理器604用于执行计算机程序以实现根据人脸特征点对人脸区域进行对齐处理的步骤具体包括：获取人脸特征点的坐标；根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率；根据偏移角度和尺寸比率旋转、缩放和平移人脸区域。
在该实施例中，考虑到人脸识别实际应用场景比较复杂，易导致采集到的人脸图像质量不稳定，因此，通过获取人脸特征点的坐标，根据人脸特征点的坐标确定人脸图像与预设标准图像的偏移角度和尺寸比率，其中，预设标准图像的参数可根据用户需求合理设置，例如白底证件照，根据偏移角度和尺寸比率旋转、缩放和平移人脸区域，即使检测出的人脸区域是侧面、歪斜的，也能及时进行调整，消除人脸图像与预设标准图像的差异性，得到大小一致，对齐的人脸正面区域，有效减少低质量人脸图像对人脸识别的影响，从而降低后续人脸识别的难度，提高识别准确率。
在本发明的一个实施例中，优选地，处理器604用于执行计算机程序还实现：检测识别位置的光照强度；若光照强度小于强度阈值，开启光源对识别位置进行照射。
在该实施例中，当光照强度小于强度阈值，说明识别位置的光线较暗，无法保证采集到的人脸图像质量，此时开启光源对识别位置进行照射，即使在夜晚也能实现人脸识别，克服环境光对人脸图像稳定性的影响，进一步降低识别应用场景的要求，提高人脸识别准确率。
在本发明的一个实施例中，优选地，处理器604用于执行计算机程序还实现：若特征间距大于识别阈值，发送人脸图像至终端；接收终端发出的安全识别信息；根据安全识别信息更新识别结果。
在该实施例中，在门禁系统场景中，若特征间距大于识别阈值，说明人脸图像与预存的人脸样本图像不匹配，识别失败，此时需要向管理者使用的终端发送人脸图像，以询问管理者是否开放识别权限，管理者可选择发出安全识别信息和维持识别失败结果，在接收到终端发出的安全识别信息后，确认人脸图像属于安全识别对象，则根据安全识别信息将识别失败信息更新为识别成功信息，从而避免未预存样本的临时用户无法识别成功的情况，在保证识别准确性的同时增加识别范围，满足用户的多种需求。
在本说明书的描述中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性，除非另有明确的规定和限定；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、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：
采集人脸图像；
采用多任务级联卷积网络模型对所述人脸图像进行人脸检测，得到人脸正面区域；
根据所述人脸正面区域，采用轻量级人脸识别网络模型提取所述人脸图像的人脸特征向量；
根据所述人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；
根据特征间距与识别阈值的比较结果，输出识别结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述采集人脸图像的步骤之前，还包括：
获取所述人脸样本图像；
采用多任务级联卷积网络模型对所述人脸样本图像进行人脸检测，得到人脸样本正面区域；
根据所述人脸样本正面区域，采用所述轻量级人脸识别网络模型提取所述样本特征向量；
根据所述样本特征向量构建所述特征数据库。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述对所述人脸图像进行人脸检测的步骤，具体包括：
检测所述人脸图像的人脸区域和人脸特征点；
根据所述人脸特征点对所述人脸区域进行对齐处理，得到所述人脸正面区域。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述采集人脸图像的步骤之前，还包括：
检测识别位置的光照强度；
若所述光照强度小于强度阈值，开启光源对所述识别位置进行照射。
5.根据权利要求1所述的人脸识别方法，其特征在于，还包括：
若所述特征间距大于所述识别阈值，发送所述人脸图像至终端；
接收所述终端发出的安全识别信息；
根据所述安全识别信息更新所述识别结果。
6.一种人脸识别装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现：
采集人脸图像；
采用多任务级联卷积网络模型对所述人脸图像进行人脸检测，得到人脸正面区域；
根据所述人脸正面区域，采用轻量级人脸识别网络模型提取所述人脸图像的人脸特征向量；
根据所述人脸特征向量与特征数据库中每个人脸样本图像的样本特征向量，确定特征间距；
根据特征间距与识别阈值的比较结果，输出识别结果。
7.根据权利要求6所述的人脸识别装置，其特征在于，所述处理器用于执行所述计算机程序还实现：
获取所述人脸样本图像；
采用多任务级联卷积网络模型对所述人脸样本图像进行人脸检测，得到人脸样本正面区域；
根据所述人脸样本正面区域，采用所述轻量级人脸识别网络模型提取所述样本特征向量；
根据所述样本特征向量构建所述特征数据库。
8.根据权利要求6所述的人脸识别装置，其特征在于，所述处理器用于执行所述计算机程序以实现所述采用多任务级联卷积网络模型对所述人脸图像进行人脸检测的步骤具体包括：
检测所述人脸图像的人脸区域和人脸特征点；
根据所述人脸特征点对所述人脸区域进行对齐处理，得到所述人脸正面区域。
9.根据权利要求6所述的人脸识别装置，其特征在于，所述处理器用于执行所述计算机程序还实现：
检测识别位置的光照强度；
若所述光照强度小于强度阈值，开启光源对所述识别位置进行照射。
10.根据权利要求6所述的人脸识别装置，其特征在于，所述处理器用于执行所述计算机程序还实现：
若所述特征间距大于所述识别阈值，发送所述人脸图像至终端；
接收所述终端发出的安全识别信息；
根据所述安全识别信息更新所述识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823883.9A CN110705357A (zh) | 2019-09-02 | 2019-09-02 | 人脸识别方法和人脸识别装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823883.9A CN110705357A (zh) | 2019-09-02 | 2019-09-02 | 人脸识别方法和人脸识别装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705357A true CN110705357A (zh) | 2020-01-17 |
Family
ID=69193568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910823883.9A Pending CN110705357A (zh) | 2019-09-02 | 2019-09-02 | 人脸识别方法和人脸识别装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705357A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275005A (zh) * | 2020-02-21 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 绘制人脸图像识别方法、计算机可读存储介质和相关设备 |
| CN111582224A (zh) * | 2020-05-19 | 2020-08-25 | 湖南视觉伟业智能科技有限公司 | 人脸识别系统及方法 |
| CN112073684A (zh) * | 2020-08-20 | 2020-12-11 | 浪潮软件科技有限公司 | 一种通用图像视频资源采集的方法 |
| CN112070013A (zh) * | 2020-09-08 | 2020-12-11 | 安徽兰臣信息科技有限公司 | 一种儿童人脸特征点的检测方法、装置及储存介质 |
| CN112115854A (zh) * | 2020-09-17 | 2020-12-22 | 广东光速智能设备有限公司 | 一种应用在工地闸机的离线轻量级人脸识别系统 |
| CN112364832A (zh) * | 2020-12-02 | 2021-02-12 | 华戎信息产业有限公司 | 一种基于欧拉影像放大的人脸识别方法和系统 |
| CN112766167A (zh) * | 2021-01-20 | 2021-05-07 | 宁夏计算机软件与技术服务有限公司 | 一种基于人脸特征向量的人脸识方法 |
| CN112949499A (zh) * | 2021-03-04 | 2021-06-11 | 北京联合大学 | 一种基于ShuffleNet改进的MTCNN人脸检测方法 |
| CN113239885A (zh) * | 2021-06-04 | 2021-08-10 | 新大陆数字技术股份有限公司 | 一种人脸检测与识别方法及系统 |
| CN113516002A (zh) * | 2021-03-05 | 2021-10-19 | 武汉特斯联智能工程有限公司 | 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 |
| CN113591615A (zh) * | 2021-07-14 | 2021-11-02 | 广州敏视数码科技有限公司 | 一种基于多模型的驾驶员抽烟检测方法 |
| CN114882550A (zh) * | 2022-04-14 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种人脸注册留底方法、装置以及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
| CN109903433A (zh) * | 2019-01-31 | 2019-06-18 | 武汉天喻聚联网络有限公司 | 一种基于人脸识别的门禁系统及门禁控制方法 |
| WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
| CN110110650A (zh) * | 2019-05-02 | 2019-08-09 | 西安电子科技大学 | 行人中的人脸识别方法 |
-
2019
- 2019-09-02 CN CN201910823883.9A patent/CN110705357A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
| WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
| CN109903433A (zh) * | 2019-01-31 | 2019-06-18 | 武汉天喻聚联网络有限公司 | 一种基于人脸识别的门禁系统及门禁控制方法 |
| CN110110650A (zh) * | 2019-05-02 | 2019-08-09 | 西安电子科技大学 | 行人中的人脸识别方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275005A (zh) * | 2020-02-21 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 绘制人脸图像识别方法、计算机可读存储介质和相关设备 |
| CN111582224A (zh) * | 2020-05-19 | 2020-08-25 | 湖南视觉伟业智能科技有限公司 | 人脸识别系统及方法 |
| CN112073684A (zh) * | 2020-08-20 | 2020-12-11 | 浪潮软件科技有限公司 | 一种通用图像视频资源采集的方法 |
| CN112070013A (zh) * | 2020-09-08 | 2020-12-11 | 安徽兰臣信息科技有限公司 | 一种儿童人脸特征点的检测方法、装置及储存介质 |
| CN112115854A (zh) * | 2020-09-17 | 2020-12-22 | 广东光速智能设备有限公司 | 一种应用在工地闸机的离线轻量级人脸识别系统 |
| CN112364832A (zh) * | 2020-12-02 | 2021-02-12 | 华戎信息产业有限公司 | 一种基于欧拉影像放大的人脸识别方法和系统 |
| CN112766167A (zh) * | 2021-01-20 | 2021-05-07 | 宁夏计算机软件与技术服务有限公司 | 一种基于人脸特征向量的人脸识方法 |
| CN112949499A (zh) * | 2021-03-04 | 2021-06-11 | 北京联合大学 | 一种基于ShuffleNet改进的MTCNN人脸检测方法 |
| CN113516002A (zh) * | 2021-03-05 | 2021-10-19 | 武汉特斯联智能工程有限公司 | 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 |
| CN113239885A (zh) * | 2021-06-04 | 2021-08-10 | 新大陆数字技术股份有限公司 | 一种人脸检测与识别方法及系统 |
| CN113591615A (zh) * | 2021-07-14 | 2021-11-02 | 广州敏视数码科技有限公司 | 一种基于多模型的驾驶员抽烟检测方法 |
| CN114882550A (zh) * | 2022-04-14 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种人脸注册留底方法、装置以及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705357A (zh) | 人脸识别方法和人脸识别装置 | |
| US10275672B2 (en) | Method and apparatus for authenticating liveness face, and computer program product thereof | |
| WO2018188453A1 (zh) | 人脸区域的确定方法、存储介质、计算机设备 | |
| CN110135249B (zh) | 基于时间注意力机制和lstm的人体行为识别方法 | |
| US8787629B2 (en) | Image processing based on line-of-sight of a person | |
| JP2008146539A (ja) | 顔認証装置 | |
| JP2012155391A (ja) | 姿勢状態推定装置および姿勢状態推定方法 | |
| WO2023011013A1 (zh) | 视频图像的拼缝搜索方法、视频图像的拼接方法和装置 | |
| CN111222433B (zh) | 自动人脸稽核方法、系统、设备及可读存储介质 | |
| CN110718227A (zh) | 一种基于多模态交互的分布式物联网设备协同方法及其系统 | |
| CN111881740B (zh) | 人脸识别方法、装置、电子设备及介质 | |
| WO2023279799A1 (zh) | 对象识别方法、装置和电子系统 | |
| CN109919128B (zh) | 控制指令的获取方法、装置及电子设备 | |
| KR100390569B1 (ko) | 크기와 회전에 무관한 지능형 얼굴검출 방법 | |
| CN115410240A (zh) | 智能人脸的痘痘和色斑分析方法、装置及存储介质 | |
| CN112700568A (zh) | 一种身份认证的方法、设备及计算机可读存储介质 | |
| JPH11306348A (ja) | 対象物検出装置及び対象物検出方法 | |
| CN113449694B (zh) | 基于Android的证件照合规性检测方法及系统 | |
| CN114038045A (zh) | 一种跨模态人脸识别模型构建方法、装置及电子设备 | |
| Sithara et al. | A survey on face recognition technique | |
| KR100621883B1 (ko) | 학습에 기반을 둔 적응형 실시간 얼굴검출방법 | |
| CN105760881A (zh) | 基于Haar分类器方法的人脸建模检测方法 | |
| CN114140839A (zh) | 用于人脸识别的图像发送方法、装置、设备及存储介质 | |
| Sharma et al. | Study and implementation of face detection algorithm using Matlab | |
| Patange et al. | Comprehensive Analysis of Indian Currency Recognition System and Location Tracking for Visually Impaired |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200117 |
|
| WD01 | Invention patent application deemed withdrawn after publication |