CN110705498A - 一种低分辨率人脸识别方法 - Google Patents
一种低分辨率人脸识别方法 Download PDFInfo
- Publication number
- CN110705498A CN110705498A CN201910965684.1A CN201910965684A CN110705498A CN 110705498 A CN110705498 A CN 110705498A CN 201910965684 A CN201910965684 A CN 201910965684A CN 110705498 A CN110705498 A CN 110705498A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- resolution
- low
- face recognition
- 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 44
- 238000000605 extraction Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 description 6
- 210000000887 face Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人脸识别技术领域，具体公开了一种低分辨率人脸识别方法，其中，所述低分辨率人脸识别方法包括：获取低分辨率的人脸图像；对低分辨率的人脸图像进行检测与切割，得到切割图片；对所述切割图片进行人脸图像重构，得到重构图像；根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像。本发明提供的低分辨率人脸识别方法不需要改变摄像头，即通过现有摄像头拍摄即可识别得到，因此在不增加成本的前提下实现了对人脸的识别，特别适用于工业应用。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种低分辨率人脸识别方法。
背景技术
近年来，随着计算机视觉技术的发展，尤其以人脸识别技术发展最为突出，由于人脸识别的准确性，人脸识别广泛应用于工业安全中的众多领域。
人脸识别是计算机视觉领域具有挑战性的问题,在多领域的广泛应用引起了大众的极大关注。人脸识别指在给定输入人脸图像数据库的前提下，确定人脸图像中个人的姓名。人脸识别主要分为以下几个步骤：1)人脸检测；2)人脸特征点提取；3)人脸识别。而在人脸识别中，步骤2)人脸特征点提取是至关重要的一步，这一步如果是低分辨的图片将极大影响特征的提取。
然而在工业领域存在大量的低分辨率镜头，并且在摄像头中人脸较小且比较模糊，这些因素严重影响着人脸识别的效果。
由上述分析可知，人脸识别的准确度很大程度上取决于图像的清晰度与图中人脸的大小，这就使得人脸识别对于摄像头以及上传的图像的分辨率有很高的要求。如果全部换成超高分辨率的摄像头成本高且效果一般。事实上，由于各种工况的不同，很难全部架设高分辨率摄像头，这就使得工业人脸识别变得愈加困难。
发明内容
本发明提供了一种低分辨率人脸识别方法，解决相关技术中存在的低分辨率摄像头拍摄的人脸不易识别的问题。
作为本发明的第一个方面，提供一种低分辨率人脸识别方法，其中，所述低分辨率人脸识别方法包括：
获取低分辨率的人脸图像；
对低分辨率的人脸图像进行检测与切割，得到切割图片；
对所述切割图片进行人脸图像重构，得到重构图像；
根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像。
进一步地，所述对所述切割图片进行人脸图像重构，得到重构图像，包括：
将所述切割图片放入重构网络中进行重构，得到重构图像，其中所述重构网络根据超分辨率深度学习算法训练获得。
进一步地，所述超分辨率深度学习算法包括SRGAN算法。
进一步地，所述低分辨率人脸识别方法还包括在所述对低分辨率的人脸图像进行检测与切割，得到切割图片的步骤前进行的：
人脸库构建以及人脸库特征提取。
进一步地，所述人脸库构建以及人脸库特征提取包括：
根据低分辨率的人脸图像构建人脸照片库，所述人脸照片库中包括多张姓名与照片一一对应的人脸照片；
对所述人脸照片库中的每张人脸照片进行向量提取，其中每张人脸照片均对应128维的向量；
根据向量提取结果得到索引号，并建立人脸姓名与索引号一一对应的映射关系表。
进一步地，所述对低分辨率的人脸图像进行检测与切割，得到切割图片，包括：
对特征提取后的人脸图像进行人脸检测与定位，得到多张人脸，并形成人脸的坐标集合；
根据人脸的坐标集合对特征提取后的人脸图像进行切割，得到多张人脸图片集合。
进一步地，所述低分辨率人脸识别方法还包括在所述根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像的步骤前进行的：
对所述重构图像进行归一化处理以及图像矫正。
进一步地，所述对所述重构图像进行归一化处理以及图像矫正，包括：
将所述重构图像根据定位结果进行归一化处理，得到重构图像集合；
对所述重构图像结合进行姿态矫正，得到正面人脸集合。
进一步地，所述根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像，包括：
对所述正面人脸集合进行人脸特征提取，得到人脸特征集合；
根据正面人脸集合与人脸特征集合建立一一对应的映射关系表；
根据所述正面人脸集合与人脸特征集合建立一一对应的映射关系表进行人脸识别，得到目标图像。
进一步地，所述低分辨率人脸识别方法还包括在所述得到目标图像的步骤后进行的：
存储所述目标图像。
通过上述低分辨率人脸识别的方法，将低分辨率的人脸图像经过人脸图像检测分割以及重构后，可以识别得到清晰的人脸，这种低分辨率脸识别的方法不需要改变摄像头，即通过现有摄像头拍摄即可识别得到，因此在不增加成本的前提下实现了对人脸的识别，特别适用于工业应用。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的低分辨率人脸识别方法的流程图。
图2为本发明提供的低分辨率人脸识别方法的具体实施方式流程图。
图3为本发明提供的煤矿工人人脸照片对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
还需要说明的是，通常认为峰值信噪比低于20dB的图像属于低分辨率图像。其中，峰值信噪比，单位是dB，数值越大表示失真越小。PSNR(Peak Signal toNoise Ratio，峰值信噪比)是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即基于误差敏感的图像质量评价。由于并未考虑到人眼的视觉特性(人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响等)，因而经常出现评价结果与人的主观感觉不一致的情况。
在本实施例中提供了一种低分辨率人脸识别方法，图1是根据本发明实施例提供的低分辨率人脸识别方法的流程图，如图1所示，包括：
S110、获取低分辨率的人脸图像；
S120、对低分辨率的人脸图像进行检测与切割，得到切割图片；
S130、对所述切割图片进行人脸图像重构，得到重构图像；
S140、根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像。
通过上述低分辨率人脸识别的方法，将低分辨率的人脸图像经过人脸图像检测分割以及重构后，可以识别得到清晰的人脸，这种低分辨率脸识别的方法不需要改变摄像头，即通过现有摄像头拍摄即可识别得到，因此在不增加成本的前提下实现了对人脸的识别，特别适用于工业应用。
下面结合图2对本发明提供的低分辨率人脸识别方法的具体实现过程进行详细描述。
具体地，所述对所述切割图片进行人脸图像重构，得到重构图像，包括：
将所述切割图片放入重构网络中进行重构，得到重构图像，其中所述重构网络根据超分辨率深度学习算法训练获得。
优选地，所述超分辨率深度学习算法包括SRGAN算法。
其中，SRGAN：Super-Resolution Using a Generative Adversarial Network，超分辨率对抗网络。
具体地，可以通过收集大量高清人脸图片集合，并将收集到的高清图片进行采样与高斯滤波处理，得到与之对应的低分辨率人脸图像集合；
将所有的图片放入SRGAN中，进行迭代训练，得到处理后的图片。
具体地，所述低分辨率人脸识别方法还包括在所述对低分辨率的人脸图像进行检测与切割，得到切割图片的步骤前进行的：
人脸库构建以及人脸库特征提取。
进一步具体地，所述人脸库构建以及人脸库特征提取包括：
根据低分辨率的人脸图像构建人脸照片库，所述人脸照片库中包括多张姓名与照片一一对应的人脸照片；
对所述人脸照片库中的每张人脸照片进行向量提取，其中每张人脸照片均对应128维的向量；
根据向量提取结果得到索引号，并建立人脸姓名与索引号一一对应的映射关系表。
具体地，首先，准备好我们需要识别的s张人脸照片，并对其姓名与对应的人脸照片建立映射关系：
face_dict＝{name1:image_name1,name2:image_name2,...,nameS:image_nameS}其中，namej表示姓名，image_namej表示姓名所对应的照片矩阵，j€[1,s]。
其次，人脸库特征提取，对人脸库face_dict的每个人的照片image_namej用CNN提取人脸向量(每张人脸对应一个128维的向量)并与其相对应的姓名(namej,i€[1,s])整合为一个字典：
face_encoding＝{name1:f1,name2:f2,name3:f3,..,nameS:fS}，字典中每个fi可以表示为fi＝[e1,e2,...,e128],i€[1,n]。
最后建立一个人脸姓名(namej,j€[1,s])与索引号(indexj,j€[1,s])的字典face_data＝{index1：name1,index2:name2,...,indexS:nameS}。
具体地，所述对低分辨率的人脸图像进行检测与切割，得到切割图片，包括：
对特征提取后的人脸图像进行人脸检测与定位，得到多张人脸，并形成人脸的坐标集合；
根据人脸的坐标集合对特征提取后的人脸图像进行切割，得到多张人脸图片集合。
具体地，在计算机读入图像矩阵P后，进行人脸检测与定位，定位出图像中的n张人脸，并得到人脸的坐标集合K＝{k1,k2,...,kn}，其中每一个可以表示成ki＝(xi1,yi1,xi2,yi2),i€[1,n]。
将计算机读入的人脸图片P根据上一步的坐标集合K＝(k1,k2,...,kn)进行切割，切割出n张人脸图片集合F＝{f1,f2,..,fn}，为下一步重构做准备。
将已切割的n张人脸图片集合F＝{f1,f2,..,fn}放入新训练的网络中进行重构，获得n张高分辨率的人脸图片集合SR＝{SR1,SR2,...,SRn}。
具体地，所述低分辨率人脸识别方法还包括在所述根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像的步骤前进行的：
对所述重构图像进行归一化处理以及图像矫正。
进一步具体地，所述对所述重构图像进行归一化处理以及图像矫正，包括：
将所述重构图像根据定位结果进行归一化处理，得到重构图像集合；
对所述重构图像结合进行姿态矫正，得到正面人脸集合。
在归一化处理过程中，将重构后的图片SR根据定位结果进行归一化处理，即将图像放大或缩小成(416*416)的大小，得到重构图像集合R＝{R1,R2,...,Rn}。
对归一化图像集合R进行姿态矫正,即采用特定模型(dlib)将不同旋转方向的人脸变换到正面,并对此正面人脸进行掩模,即保留眼、鼻、嘴、面颊等固有信息，隐去头发等不稳定的信息，获得正面人脸集合D＝{d1,d2,...,dn}。
具体地，所述根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像，包括：
对所述正面人脸集合进行人脸特征提取，得到人脸特征集合；
根据正面人脸集合与人脸特征集合建立一一对应的映射关系表；
根据所述正面人脸集合与人脸特征集合建立一一对应的映射关系表进行人脸识别，得到目标图像。
所述低分辨率人脸识别方法还包括在所述得到目标图像的步骤后进行的：
存储所述目标图像。
具体地，用CNN提取人脸图像集合D的特征E＝{f1,f2,...,fn}，其中每一个fi＝{a1,a2,...,a128}，i€[1,n]。根据公式(1)计算人脸集合D与人脸特征字典face_encoding＝{name1:f1,name2:f2,name3:f3,..,nameS:fS}每一个姓名所对应值fi之间的距离值distanceij＝[ds1,ds2,..dsn]，其中dsi＝[ai1,ai2,...,ais]，i€[1,n]。并且提取每个dsi向量的最小值dsmini与对应的人脸姓名Si(由上文提到的face_data字典根据dsmini的索引获得)，最后得字典：
DSMIN＝{dsmin1:S1,dsmin2:S2,..,dsminn:Sn}。
其中，公式(1)为：
根据距离字典DSMIN，如果dsmini,i€(1,n)小于预先确定的域值γ＝0.5,则根据字典resulti＝DSMIN[dsmini]＝Si,i€[1,n]找出对应的人名,否则判定人脸库无此人员并输出resulti＝unknown,最后输出对应的人脸识别字典face_recognition＝{face1:result1,face2:result2,...,facen:resultn}。
作为工业领域的具体应用场景，本实施例以在煤矿作业线程采集的煤矿工人的人脸照片为例进行说明。
在煤矿作业现场，布置了20多路摄像头来验证算法效果，识别流程如下：
首先是数据采集，在煤矿下面部署了20多路摄像头，分布在工作面，运输上山，井底车场等关键区域。摄像头的配置如下：
表1：摄像头的配置参数表
对于每一路摄像头，均截取了500分钟的视频素材，全部用于测试数据。
其次，图像人脸检测与切割：对于采集上来的图像数据，首先要检测出人脸所在的区域并将其切割出来。
再次，人脸图像重构：将切割后的人脸图片放入已经训练好的SRAGN中，得到高分辨率图片。
再次，人脸识别：将重构后的图片放入建立好的人脸识别算法中，并且返回结果的结构化数据中。
最后，图像数据存储。将返回的结构化数据进行筛选，放入服务器中进行存储。
煤矿工人处理图片对比图如图3所示，其中图3中的a表示原图片，b表示原SRGAN处理的图片，c表示重新训练的SRGAN网络处理得到的图片。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种低分辨率人脸识别方法，其特征在于，所述低分辨率人脸识别方法包括：
获取低分辨率的人脸图像；
对低分辨率的人脸图像进行检测与切割，得到切割图片；
对所述切割图片进行人脸图像重构，得到重构图像；
根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像。
2.根据权利要求1所述的低分辨率人脸识别方法，其特征在于，所述对所述切割图片进行人脸图像重构，得到重构图像，包括：
将所述切割图片放入重构网络中进行重构，得到重构图像，其中所述重构网络根据超分辨率深度学习算法训练获得。
3.根据权利要求2所述的低分辨率人脸识别方法，其特征在于，所述超分辨率深度学习算法包括SRGAN算法。
4.根据权利要求1至3中任意一项所述的低分辨率人脸识别方法，其特征在于，所述低分辨率人脸识别方法还包括在所述对低分辨率的人脸图像进行检测与切割，得到切割图片的步骤前进行的：
人脸库构建以及人脸库特征提取。
5.根据权利要求4所述的低分辨率人脸识别方法，其特征在于，所述人脸库构建以及人脸库特征提取包括：
根据低分辨率的人脸图像构建人脸照片库，所述人脸照片库中包括多张姓名与照片一一对应的人脸照片；
对所述人脸照片库中的每张人脸照片进行向量提取，其中每张人脸照片均对应128维的向量；
根据向量提取结果得到索引号，并建立人脸姓名与索引号一一对应的映射关系表。
6.根据权利要求4所述的低分辨率人脸识别方法，其特征在于，所述对低分辨率的人脸图像进行检测与切割，得到切割图片，包括：
对特征提取后的人脸图像进行人脸检测与定位，得到多张人脸，并形成人脸的坐标集合；
根据人脸的坐标集合对特征提取后的人脸图像进行切割，得到多张人脸图片集合。
7.根据权利要求6所述的低分辨率人脸识别方法，其特征在于，所述低分辨率人脸识别方法还包括在所述根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像的步骤前进行的：
对所述重构图像进行归一化处理以及图像矫正。
8.根据权利要求7所述的低分辨率人脸识别方法，其特征在于，所述对所述重构图像进行归一化处理以及图像矫正，包括：
将所述重构图像根据定位结果进行归一化处理，得到重构图像集合；
对所述重构图像结合进行姿态矫正，得到正面人脸集合。
9.根据权利要求8所述的低分辨率人脸识别方法，其特征在于，所述根据人脸识别算法对所述重构图像进行人脸识别，得到目标图像，包括：
对所述正面人脸集合进行人脸特征提取，得到人脸特征集合；
根据正面人脸集合与人脸特征集合建立一一对应的映射关系表；
根据所述正面人脸集合与人脸特征集合建立一一对应的映射关系表进行人脸识别，得到目标图像。
10.根据权利要求1至3中任意一项所述的低分辨率人脸识别方法，其特征在于，所述低分辨率人脸识别方法还包括在所述得到目标图像的步骤后进行的：
存储所述目标图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910965684.1A CN110705498A (zh) | 2019-10-12 | 2019-10-12 | 一种低分辨率人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910965684.1A CN110705498A (zh) | 2019-10-12 | 2019-10-12 | 一种低分辨率人脸识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705498A true CN110705498A (zh) | 2020-01-17 |
Family
ID=69199541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910965684.1A Pending CN110705498A (zh) | 2019-10-12 | 2019-10-12 | 一种低分辨率人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705498A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612990A (zh) * | 2022-03-22 | 2022-06-10 | 河海大学 | 一种基于超分辨率的无人机人脸识别方法 |
| CN114998567A (zh) * | 2022-07-18 | 2022-09-02 | 中国科学院长春光学精密机械与物理研究所 | 一种基于多模态特征判别的红外点群目标识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101697197A (zh) * | 2009-10-20 | 2010-04-21 | 西安交通大学 | 一种基于典型相关分析空间超分辨率的人脸识别方法 |
| CN108875602A (zh) * | 2018-05-31 | 2018-11-23 | 珠海亿智电子科技有限公司 | 监控环境下基于深度学习的人脸识别方法 |
| CN109284738A (zh) * | 2018-10-25 | 2019-01-29 | 上海交通大学 | 不规则人脸矫正方法和系统 |
| CN109886135A (zh) * | 2019-01-25 | 2019-06-14 | 桂林远望智能通信科技有限公司 | 一种低分辨率人脸识别方法、装置及存储介质 |
| CN110084119A (zh) * | 2019-03-26 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于深度学习的低分辨率人脸图像识别方法 |
| CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
| CN110211045A (zh) * | 2019-05-29 | 2019-09-06 | 电子科技大学 | 基于srgan网络的超分辨率人脸图像重建方法 |
-
2019
- 2019-10-12 CN CN201910965684.1A patent/CN110705498A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101697197A (zh) * | 2009-10-20 | 2010-04-21 | 西安交通大学 | 一种基于典型相关分析空间超分辨率的人脸识别方法 |
| CN108875602A (zh) * | 2018-05-31 | 2018-11-23 | 珠海亿智电子科技有限公司 | 监控环境下基于深度学习的人脸识别方法 |
| CN109284738A (zh) * | 2018-10-25 | 2019-01-29 | 上海交通大学 | 不规则人脸矫正方法和系统 |
| CN109886135A (zh) * | 2019-01-25 | 2019-06-14 | 桂林远望智能通信科技有限公司 | 一种低分辨率人脸识别方法、装置及存储介质 |
| CN110084119A (zh) * | 2019-03-26 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于深度学习的低分辨率人脸图像识别方法 |
| CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
| CN110211045A (zh) * | 2019-05-29 | 2019-09-06 | 电子科技大学 | 基于srgan网络的超分辨率人脸图像重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘操钢: "基于深度学习的低分辨率人脸识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 王荣生: "基于深度学习的人脸检测和识别关键技术研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 赵明华 等: "一种新的基于单视图的多姿态人脸识别方法", 《西安理工大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612990A (zh) * | 2022-03-22 | 2022-06-10 | 河海大学 | 一种基于超分辨率的无人机人脸识别方法 |
| CN114998567A (zh) * | 2022-07-18 | 2022-09-02 | 中国科学院长春光学精密机械与物理研究所 | 一种基于多模态特征判别的红外点群目标识别方法 |
| CN114998567B (zh) * | 2022-07-18 | 2022-11-01 | 中国科学院长春光学精密机械与物理研究所 | 一种基于多模态特征判别的红外点群目标识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636754B (zh) | 基于生成对抗网络的极低照度图像增强方法 | |
| US8238605B2 (en) | Digital video target moving object segmentation method and system | |
| EP3719694A1 (en) | Neural network model-based human face living body detection | |
| US7415165B2 (en) | Red-eye detection device, red-eye detection method, and red-eye detection program | |
| CN107146200B (zh) | 一种基于图像拼接质量评价的无人机遥感图像拼接方法 | |
| JP4772839B2 (ja) | 画像識別方法および撮像装置 | |
| CN106548169B (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
| CN110516517B (zh) | 一种基于多帧图像的目标识别方法、装置及设备 | |
| US8774551B2 (en) | Image processing apparatus and image processing method for reducing noise | |
| CN110458789B (zh) | 一种图像清晰度评测方法、装置及电子设备 | |
| CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
| CN110705498A (zh) | 一种低分辨率人脸识别方法 | |
| KR100843513B1 (ko) | 영상보정을 통한 얼굴 인식 방법 | |
| CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
| CN109377494A (zh) | 一种用于图像的语义分割方法和装置 | |
| CN112396053A (zh) | 一种基于级联神经网络的环视鱼眼图像目标检测方法 | |
| CN108961209B (zh) | 行人图像质量评价方法、电子设备及计算机可读介质 | |
| CN113066030A (zh) | 一种基于空谱融合网络的多光谱图像全色锐化方法及系统 | |
| CN104966283A (zh) | 图像分层配准方法 | |
| CN112907206B (zh) | 一种基于视频对象识别的业务审核方法、装置及设备 | |
| CN115995078A (zh) | 一种浮游生物原位观测的图像预处理方法及系统 | |
| JP2021096581A (ja) | 状態判定装置および状態判定方法 | |
| CN111027573A (zh) | 基于盲取证技术的图像真伪鉴别方法 | |
| Anderson | Digital Image analysis: analytical framework for authenticating digital images | |
| Ganesh et al. | Development of image fusion algorithm for impulse noise removal in digital images using the quality assessment in spatial domain |
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: 20200117 |