CN110717447A - 图像识别方法以及装置、设备、存储介质 - Google Patents

图像识别方法以及装置、设备、存储介质 Download PDF

Info

Publication number
CN110717447A
CN110717447A CN201910953564.XA CN201910953564A CN110717447A CN 110717447 A CN110717447 A CN 110717447A CN 201910953564 A CN201910953564 A CN 201910953564A CN 110717447 A CN110717447 A CN 110717447A
Authority
CN
China
Prior art keywords
neural network
training
network model
image recognition
ornament
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
CN201910953564.XA
Other languages
English (en)
Inventor
不公告发明人
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.)
Shanghai Shuhe Information Technology Co Ltd
Original Assignee
Shanghai Shuhe Information Technology 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 Shanghai Shuhe Information Technology Co Ltd filed Critical Shanghai Shuhe Information Technology Co Ltd
Priority to CN201910953564.XA priority Critical patent/CN110717447A/zh
Publication of CN110717447A publication Critical patent/CN110717447A/zh
Pending legal-status Critical Current

Links

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
    • 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

Abstract

本申请公开了一种图像识别方法以及装置、设备、存储介质。该方法包括建立可在移动端使用的神经网络模型；通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；所述建立可在移动端使用的神经网络模型时还包括：采用带有待识别饰品类别的可视化数据库进行训练；根据模型训练时的拟合情况，使用不同池化层进行替换。本申请解决了用于识别佩戴有饰品的人员的图像识别方式效果不佳的技术问题。本申请提高识别准确率，可用于识别佩戴有饰品的人员的身份。此外，本申请可用于线上审核业务。

Description

图像识别方法以及装置、设备、存储介质
技术领域
本申请涉及通信领域，具体而言，涉及一种图像识别方法以及装置、设备、存储介质。
背景技术
图像识别可以用在特定的人员身上，并进行潜在身份信息的判断。
发明人发现，对于涉黑人员的相关图像识别方式较少，且缺乏针对性，造成线上身份审核时识别效果不佳。
针对相关技术中用于识别佩戴有饰品的人员的图像识别方式效果不佳的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种图像识别方法以及装置、设备、存储介质，以解决用于识别佩戴有饰品的人员的图像识别方式效果不佳的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种图像识别方法，用于识别佩戴有饰品的人员。
根据本申请的图像识别方法包括：建立可在移动端使用的神经网络模型；通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；所述建立可在移动端使用的神经网络模型时还包括：采用带有待识别饰品类别的可视化数据库进行训练；根据模型训练时的拟合情况，使用不同池化层进行替换。
进一步地，采用带有待识别饰品类别的可视化数据库进行训练包括：采用带有待识别的项链及配饰类别的可视化数据库，并在可视化数据库的数据集训练参数的基础上，继续训练至所述神经网络模型收敛。
进一步地，根据模型训练时的拟合情况，使用不同池化层进行替换包括：
根据模型训练时的欠拟合情况，使用最大池化层替换平均池化层。
进一步地，建立可在移动端使用的神经网络模型包括：
建立可在移动端使用的MobileNet作为主干网络的神经网络模型。
为了实现上述目的，根据本申请的另一方面，提供了一种图像识别装置，用于识别佩戴有饰品的人员。
根据本申请的图像识别装置包括：建模模块，用于建立可在移动端使用的神经网络模型；识别模块，用于通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；所述建模模块，还用于在建立可在移动端使用的神经网络模型时还包括：采用带有待识别饰品类别的可视化数据库进行训练；根据模型训练时的拟合情况，使用不同池化层进行替换。
进一步地，所述建模模块，用于采用带有待识别的项链及配饰类别的可视化数据库，并在可视化数据库的数据集训练参数的基础上，继续训练至所述神经网络模型收敛。
进一步地，所述建模模块，用于
根据模型训练时的欠拟合情况，使用最大池化层替换平均池化层。
进一步地，所述建模模块，用于
建立可在移动端使用的MobileNet作为主干网络的神经网络模型。
为了实现上述目的，根据本申请的又一方面，提供了一种电子设备。
根据本申请的电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述的图像识别方法的步骤。
为了实现上述目的，根据本申请的再一方面，提供了一种计算机可读存储介质。
根据本申请的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的图像识别方法的步骤。
在本申请实施例中图像识别方法以及装置、设备、存储介质，采用建立可在移动端使用的神经网络模型的方式，通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员，达到了识别佩戴有饰品的人员的目的，从而实现了提高识别准确率的技术效果，进而解决了用于识别佩戴有饰品的人员的图像识别方式效果不佳的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的图像识别方法流程示意图；
图2是根据本申请实施例的图像识别装置结构示意图；
图3是根据本申请实施例的电子设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请的实施例。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含，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。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，该方法包括如下的步骤S101至步骤S104：
步骤S101，建立可在移动端使用的神经网络模型；
通过建立可在移动端使用的神经网络模型用于识别佩戴有饰品的人员。
具体地，涉黑人员往往会佩戴大金项链，所以需要使用深度学习的技术来识别目标照片。优选地，深度学习选用神经网络模型。
步骤S102，通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；
通过所述神经网络模型可以识别出佩戴有饰品的人员是否为涉黑人员的结果。
步骤S103，采用带有待识别饰品类别的可视化数据库进行训练；
具体地，所述建立可在移动端使用的神经网络模型时包括了上述的优化流程。
优化流程采用了带有待识别饰品类别的可视化数据库进行训练，通过在可视化数据库的数据集训练参数的基础上进行继续训练，达到了更快的收敛速度。
步骤S104，根据模型训练时的拟合情况，使用不同池化层进行替换。
具体地，所述建立可在移动端使用的神经网络模型时包括了上述的优化流程。
优化流程采用了根据模型训练时的拟合情况，使用不同池化层进行替换，从而达到了能够充分学习训练数据的效果。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中图像识别方法以及装置、设备、存储介质，采用建立可在移动端使用的神经网络模型的方式，通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员，达到了识别佩戴有饰品的人员的目的，从而实现了提高识别准确率的技术效果，进而解决了用于识别佩戴有饰品的人员的图像识别方式效果不佳的技术问题。
根据本申请实施例，作为本实施例中的优选，采用带有待识别饰品类别的可视化数据库进行训练包括：
采用带有待识别的项链及配饰类别的可视化数据库，并在可视化数据库的数据集训练参数的基础上，继续训练至所述神经网络模型收敛。
具体地，采用在ImageNet数据库中含有项链及配饰的类别，从MobileNet在ImageNet数据集训练参数的基础上，继续训练，达到了更快的收敛速度。
根据本申请实施例，作为本实施例中的优选，根据模型训练时的拟合情况，使用不同池化层进行替换包括：
根据模型训练时的欠拟合情况，使用最大池化层替换平均池化层。
具体地，使用了MobileNet作为基础网络结构,在训练时发现了欠拟合的情况，所以我们将MobileNet顶层的AvgPooling，换成了MaxPooling，达到了能够充分学习训练数据的效果。
根据本申请实施例，作为本实施例中的优选，建立可在移动端使用的神经网络模型包括：建立可在移动端使用的MobileNet作为主干网络的神经网络模型。
使用MobileNet为基础，将顶层的AvgPooling替换为MaxPooling。使用改造的MobileNet模型，从ImageNet的参数基础上进行训练，在少量标注样本的情况下，能够快速收敛，并且有较好的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述方法的装置，如图2所示，该装置，用于识别佩戴有饰品的人员包括：建模模块10，用于建立可在移动端使用的神经网络模型；识别模块12，用于通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；所述建模模块10，还用于在建立可在移动端使用的神经网络模型时还包括：采用带有待识别饰品类别的可视化数据库进行训练；根据模型训练时的拟合情况，使用不同池化层进行替换。
本申请实施例的建模模块10中通过建立可在移动端使用的神经网络模型用于识别佩戴有饰品的人员。
具体地，涉黑人员往往会佩戴大金项链，所以需要使用深度学习的技术来识别目标照片。优选地，深度学习选用神经网络模型。
本申请实施例的识别模块12中通过所述神经网络模型可以识别出佩戴有饰品的人员是否为涉黑人员的结果。
本申请实施例的建模模块10中具体地，所述建立可在移动端使用的神经网络模型时包括了上述的优化流程。
优化流程采用了带有待识别饰品类别的可视化数据库进行训练，通过在可视化数据库的数据集训练参数的基础上进行继续训练，达到了更快的收敛速度。
本申请实施例的建模模块10中具体地，所述建立可在移动端使用的神经网络模型时包括了上述的优化流程。
优化流程采用了根据模型训练时的拟合情况，使用不同池化层进行替换，从而达到了能够充分学习训练数据的效果。
根据本申请实施例，作为本实施例中的优选，所述建模模块10，用于采用带有待识别的项链及配饰类别的可视化数据库，并在可视化数据库的数据集训练参数的基础上，继续训练至所述神经网络模型收敛。
所述建模模块10具体地，采用在ImageNet数据库中含有项链及配饰的类别，从MobileNet在ImageNet数据集训练参数的基础上，继续训练，达到了更快的收敛速度。
根据本申请实施例，作为本实施例中的优选，所述建模模块10，用于根据模型训练时的欠拟合情况，使用最大池化层替换平均池化层。
所述建模模块10具体地，使用了MobileNet作为基础网络结构,在训练时发现了欠拟合的情况，所以我们将MobileNet顶层的AvgPooling，换成了MaxPooling，达到了能够充分学习训练数据的效果。
根据本申请实施例，作为本实施例中的优选，所述建模模块10，用建立可在移动端使用的MobileNet作为主干网络的神经网络模型。
所述建模模块10使用MobileNet为基础，将顶层的AvgPooling替换为MaxPooling。使用改造的MobileNet模型，从ImageNet的参数基础上进行训练，在少量标注样本的情况下，能够快速收敛，并且有较好的效果。
本申请实施例还提供了一种计算机设备。如图3所示，计算机设备30可以包括：至少一个处理器301，例如CPU，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302，可选地，还可以包括显示屏306。其中，通信总线302用于实现这些组件之间的连接通信。其中，用户接口303可以包括触摸屏、键盘或鼠标等等。网络接口304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通过网络接口304可以与服务器建立通信连接。存储器305可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器，存储器305包括本发明实施例中的flash。存储器305可选的还可以是至少一个位于远离前述处理器301的存储系统。如图3所示，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
需要说明的是，网络接口304可以连接接收器、发射器或其他通信模块，其他通信模块可以包括但不限于WiFi模块、蓝牙模块等，可以理解，本发明实施例中计算机设备也可以包括接收器、发射器和其他通信模块等。
处理器301可以用于调用存储器305中存储的程序指令，并使计算机设备30执行以下操作：
建立可在移动端使用的神经网络模型；
通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；
所述建立可在移动端使用的神经网络模型时还包括：
采用带有待识别饰品类别的可视化数据库进行训练；
根据模型训练时的拟合情况，使用不同池化层进行替换。
具体地，使用了MobileNet作为基础网络结构,在训练时发现了欠拟合的情况，所以我们将MobileNet顶层的AvgPooling，换成了MaxPooling，达到了能够充分学习训练数据的效果。在相同实验设定下，可以将识别准确度从94％提高到98％。
并且，使用ImageNet数据库中含有项链及配饰的类别，从MobileNet在ImageNet数据集训练参数的基础上，继续训练，达到了更快的收敛速度。在使用随机初始参数时，需要大约50个epoch才能最后收敛，而使用ImageNet初始参数，仅需要3～4个epoch。
通过使用改造的MobileNet模型，从ImageNet的参数基础上进行训练，在少量标注样本的情况下，能够快速收敛，并且有较好的效果。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图像识别方法，其特征在于，用于识别佩戴有饰品的人员，包括：
建立可在移动端使用的神经网络模型；
通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；
所述建立可在移动端使用的神经网络模型时还包括：
采用带有待识别饰品类别的可视化数据库进行训练；
根据模型训练时的拟合情况，使用不同池化层进行替换。
2.根据权利要求1所述的图像识别方法，其特征在于，采用带有待识别饰品类别的可视化数据库进行训练包括：
采用带有待识别的项链及配饰类别的可视化数据库，并在可视化数据库的数据集训练参数的基础上，继续训练至所述神经网络模型收敛。
3.根据权利要求1所述的图像识别方法，其特征在于，根据模型训练时的拟合情况，使用不同池化层进行替换包括：
根据模型训练时的欠拟合情况，使用最大池化层替换平均池化层。
4.根据权利要求1所述的图像识别方法，其特征在于，建立可在移动端使用的神经网络模型包括：
建立可在移动端使用的MobileNet作为主干网络的神经网络模型。
5.一种图像识别装置，其特征在于，用于识别佩戴有饰品的人员，包括：
建模模块，用于建立可在移动端使用的神经网络模型；
识别模块，用于通过所述神经网络模型识别出佩戴有饰品的人员是否为涉黑人员；
所述建模模块，还用于在建立可在移动端使用的神经网络模型时还包括：
采用带有待识别饰品类别的可视化数据库进行训练；
根据模型训练时的拟合情况，使用不同池化层进行替换。
6.根据权利要求5所述的图像识别装置，其特征在于，所述建模模块，用于采用带有待识别的项链及配饰类别的可视化数据库，并在可视化数据库的数据集训练参数的基础上，继续训练至所述神经网络模型收敛。
7.根据权利要求5所述的图像识别装置，其特征在于，所述建模模块，用于
根据模型训练时的欠拟合情况，使用最大池化层替换平均池化层。
8.根据权利要求5所述的图像识别装置，其特征在于，所述建模模块，用于
建立可在移动端使用的MobileNet作为主干网络的神经网络模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述的图像识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述的图像识别方法的步骤。
CN201910953564.XA 2019-09-30 2019-09-30 图像识别方法以及装置、设备、存储介质 Pending CN110717447A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910953564.XA CN110717447A (zh) 2019-09-30 2019-09-30 图像识别方法以及装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910953564.XA CN110717447A (zh) 2019-09-30 2019-09-30 图像识别方法以及装置、设备、存储介质

Publications (1)

Publication Number Publication Date
CN110717447A true CN110717447A (zh) 2020-01-21

Family

ID=69212295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910953564.XA Pending CN110717447A (zh) 2019-09-30 2019-09-30 图像识别方法以及装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN110717447A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740786A (zh) * 2016-01-25 2016-07-06 中国科学院深圳先进技术研究院 书写人的身份识别方法及装置
CN107451607A (zh) * 2017-07-13 2017-12-08 山东中磁视讯股份有限公司 一种基于深度学习的典型人物的身份识别方法
US20180039867A1 (en) * 2016-08-02 2018-02-08 International Business Machines Corporation Finding Missing Persons by Learning Features for Person Attribute Classification Based on Deep Learning
CN108122009A (zh) * 2017-12-25 2018-06-05 合肥阿巴赛信息科技有限公司 基于深度学习的珠宝图片分类系统及方法
CN109635790A (zh) * 2019-01-28 2019-04-16 杭州电子科技大学 一种基于3d卷积的行人异常行为识别方法
CN110110613A (zh) * 2019-04-19 2019-08-09 北京航空航天大学 一种基于动作识别的轨道交通异常人员检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740786A (zh) * 2016-01-25 2016-07-06 中国科学院深圳先进技术研究院 书写人的身份识别方法及装置
US20180039867A1 (en) * 2016-08-02 2018-02-08 International Business Machines Corporation Finding Missing Persons by Learning Features for Person Attribute Classification Based on Deep Learning
CN107451607A (zh) * 2017-07-13 2017-12-08 山东中磁视讯股份有限公司 一种基于深度学习的典型人物的身份识别方法
CN108122009A (zh) * 2017-12-25 2018-06-05 合肥阿巴赛信息科技有限公司 基于深度学习的珠宝图片分类系统及方法
CN109635790A (zh) * 2019-01-28 2019-04-16 杭州电子科技大学 一种基于3d卷积的行人异常行为识别方法
CN110110613A (zh) * 2019-04-19 2019-08-09 北京航空航天大学 一种基于动作识别的轨道交通异常人员检测方法

Similar Documents

Publication Publication Date Title
KR20190018483A (ko) 인터넷에 기반하는 얼굴 미화 시스템
CN104636501B (zh) 一种多媒体网络人工即时翻译系统及方法
CN104063150A (zh) 通过人脸识别进入对应场景模式的移动终端及其实现方法
CN108665890A (zh) 操作语音识别服务的方法、电子设备和支持该设备的系统
KR20190056538A (ko) 서버 및 그것의 동작 방법
CN108931924A (zh) 智能家居系统的控制方法及装置、处理器、存储介质
JP2017211970A (ja) ケア情報取得方法、ケア情報共有方法及びこれらの方法のための電子装置
CN107909629A (zh) 贴纸的推荐方法、装置、存储介质及终端设备
CN105431813A (zh) 基于生物计量身份归属用户动作
CN104898941A (zh) 基于用户生理状态调节学习或娱乐项目的方法、装置及系统
US11380131B2 (en) Method and device for face recognition, storage medium, and electronic device
CN110688973B (zh) 设备控制方法及相关产品
CN108876751A (zh) 图像处理方法、装置、存储介质及终端
CN108897614A (zh) 一种基于卷积神经网络的内存预警方法及服务端
CN110414376A (zh) 更新人脸识别模型的方法、人脸识别相机及服务器
CN106037560A (zh) 一种智能淋浴系统及其控制方法
CN107968890A (zh) 主题设置方法、装置、终端设备及存储介质
CN110287767A (zh) 可防攻击的活体检测方法、装置、计算机设备及存储介质
CN107844765A (zh) 拍照方法、装置、终端及存储介质
CN112052759A (zh) 一种活体检测方法和装置
CN110008926A (zh) 用于识别年龄的方法和装置
DE112018007850B4 (de) Spracherkennungssystem und betriebsverfahren eines spracherkennungssystems
CN110446996A (zh) 一种控制方法、终端及系统
CN110717447A (zh) 图像识别方法以及装置、设备、存储介质
CN110264544B (zh) 图片处理方法和装置、存储介质及电子装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200121