CN110874577B - 一种基于深度学习的证件照的自动审核方法 - Google Patents
一种基于深度学习的证件照的自动审核方法 Download PDFInfo
- Publication number
- CN110874577B CN110874577B CN201911117272.9A CN201911117272A CN110874577B CN 110874577 B CN110874577 B CN 110874577B CN 201911117272 A CN201911117272 A CN 201911117272A CN 110874577 B CN110874577 B CN 110874577B
- Authority
- CN
- China
- Prior art keywords
- face
- portrait
- photo
- certificate photo
- model
- 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.)
- Active
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
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (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)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的证件照的自动审核方法,包括:采用人脸检测算法,从证件照中检测出人脸,并得到人脸坐标列表,人脸坐标列表中包含有人脸矩形框的两组坐标和左右眼睛、鼻子、嘴角左右两侧共五组坐标;判断人脸坐标列表是否为空,如果是,则表示证件照未包含有人脸,审核结果是:证件照不合格,原因:未能检测人脸,继续下一步;如果否,则根据人脸坐标列表中人脸矩形框的两组坐标,从证件照中提取人脸图像,然后审核证件照中的人脸图像是否模糊、人像是否免冠或人像占比是否合格,再继续下一步;汇总、并输出审核结果。本发明属于信息技术领域,能利用人脸检测技术来实现对用户证件照的自动审查,从而提高证件照的审核效率、降低人力物力成本。
Description
技术领域
本发明涉及一种基于深度学习的证件照的自动审核方法,属于信息技术领域。
背景技术
根据《工业和信息化部关于进一步防范和打击通讯信息诈骗工作的实施意见》(工信部452号文件)要求,从严做好新入网电话用户实名登记。为新用户办理入网手续时,要严格落实用户身份证件核查责任,采取二代身份证识别设备、联网核验等措施验证用户身份信息,并现场拍摄和留存办理用户照片。拍摄和留存的用户照片需清晰、免冠,头像高度比或半身面积比必须大于三分之一。如果依靠办理人员人工审查,会浪费大量的人力,效率低,同时,由于人像占比合理性不能用人眼直观判断,人工审查存在难度。
因此,基于上述需求和难点,如何利用人脸检测技术来实现对用户证件照的自动审查,从而提高证件照的审核效率、降低人力物力成本,已经成为技术人员普遍关注的技术问题。
发明内容
有鉴于此,本发明的目的是提供一种基于深度学习的证件照的自动审核方法,能利用人脸检测技术来实现对用户证件照的自动审查,从而提高证件照的审核效率、降低人力物力成本。
为了达到上述目的,本发明提供了一种基于深度学习的证件照的自动审核方法,包括有:
步骤一、采用人脸检测算法MTCNN(即多任务卷积神经网络),从证件照中检测出人脸,并得到人脸坐标列表,人脸坐标列表中包含有人脸矩形框的两组坐标和左右眼睛、鼻子、嘴角左右两侧共五组坐标;
步骤二、判断人脸坐标列表是否为空,如果是,则表示证件照未包含有人脸,审核结果是:证件照不合格,原因:未能检测人脸,继续下一步;如果否,则根据人脸坐标列表中人脸矩形框的两组坐标,从证件照中提取人脸图像,然后审核证件照中的人脸图像是否模糊、人像是否免冠或人像占比是否合格,再继续下一步;
步骤三、汇总、并输出审核结果,
步骤二中,审核证件照中的人像占比是否合格,进一步包括有:
步骤C1、将步骤一采用人脸检测算法MTCNN从证件照中检测得到的人脸矩形框的两组位置坐标记为(xf-left,yf-top)(xf-right,yf-bottom),其中,xf-left、yf-top、xf-right、yf-bottom分别是人脸矩形框左边框的横坐标、顶部框的纵坐标、右边框的横坐标、底部框的纵坐标;
步骤C2、采用目标检测算法SSD,从证件照中检测得到人像矩形框坐标:(xp-left,yp-top)(xp-right,yp-bottom),其中,xp-left、yp-top、xp-right、yp-bottom分别是人像矩形框左边框的横坐标、顶部框的纵坐标、右边框的横坐标、底部框的纵坐标;
步骤C3、计算人像头部与人像照片的高度比:其中,image_height是证件照的高度值,利用face_recognition包的load_image_file函数读入证件照,然后使用shape()函数得到证件照的高度值image_height;
步骤C4、计算人像半身照与人像照片的面积比:其中,image_width是证件照的宽度值,和image_height的取值方法一致,(yf-bottom-yp-top)×(xf-right-xf-left)是人像的头部面积,(xp-right-xp-left)×0.4×(yp-bottom-yp-top)是人像的人体半身面积,人像半身面积是头部面积与人体半身面积之和,image_height×image_width是证件照的面积;
步骤C5、判断人像头部与人像照片的高度比、人像半身照与人像照片的面积比是否均小于人像占比阈值,如果是,则表示证件照的人像占比不合格,审核结果是:证件照不合格,原因为:人像占比不合格;如果否,则表示证件照的人像占比合格,其中,人像占比阈值设置为1/3。
与现有技术相比,本发明的有益效果是:本发明利用人脸检测和目标检测技术,结合图像识别和分类技术,能够自动对用户证件照进行审查,并在此基础上还能进一步满足准确识别证件照是否模糊、是否免冠、人像占比是否合理等各种技术需求,从而充分提高证件照的审核效率、降低人力物力成本。
附图说明
图1是本发明一种基于深度学习的证件照的自动审核方法的流程图。
图2是步骤二中,审核证件照中的人脸图像是否模糊的具体流程图。
图3是人像免冠识别模型的具体工作流程图。
图4是对步骤B中的人像免冠识别模型进行训练时的具体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
如图1所示,本发明一种基于深度学习的证件照的自动审核方法,包括有:
步骤一、采用人脸检测算法MTCNN(即多任务卷积神经网络),从证件照中检测出人脸,并得到人脸坐标列表,人脸坐标列表中包含有人脸矩形框的两组坐标和左右眼睛、鼻子、嘴角左右两侧共五组坐标;
步骤二、判断人脸坐标列表是否为空,如果是,则表示证件照未包含有人脸,审核结果是:证件照不合格,原因:未能检测人脸,继续下一步;如果否,则根据人脸坐标列表中人脸矩形框的两组坐标,从证件照中提取人脸图像,然后审核证件照中的人脸图像是否模糊、人像是否免冠或人像占比是否合格,再继续下一步;
步骤三、汇总、并输出审核结果。
可以根据实际业务需要,从人脸图像是否模糊、人像是否免冠或人像占比是否合格中选取一个或多个技术方案进行实施。当所选取的技术方案对证件照的审核都通过时,则输出:证件照合格,否则输出:证件照不合格,原因是上述技术方案对证件照的审核结果的并集。下面,将对审核证件照中的人脸图像是否模糊、人像是否免冠、人像占比是否合格这3个技术方案的具体实现流程进行详细介绍。
如图2所示,步骤二中,审核证件照中的人脸图像是否模糊,可以进一步包括有:
步骤A1、使用高斯滤波消除人脸图像的噪声,并将人脸图像转化成灰度图;
步骤A2、利用CV2库中的Laplacian()函数,计算人脸图像的拉普拉斯算子值,然后判断所述拉普拉斯算子值是否小于判定人脸模糊的拉普拉斯算子阈值,如果是,则表示证件照模糊,审核结果是:证件照不合格,原因为:模糊;如果否,则表示证件照不模糊。
步骤A2可以采用训练集和测试集对判定人脸模糊的拉普拉斯算子阈值进行设置,利用模糊的精准度和召回率指标的综合标志F1作为评价指标,然后选取F1值最大时的拉普拉斯算子值作为判定人脸模糊的拉普拉斯算子阈值,根据实验验证,判定人脸模糊的拉普拉斯算子阈值的最优值为200。
步骤二中,审核证件照中的人像是否免冠,可以进一步包括有:
构建人像免冠识别模型,所述人像免冠识别模型由卷积层、GlobalAveragePooling2D()层、Attention层和激活函数为softmax的全连接层这4部分网络构成,如图3所示,人像免冠识别模型的具体工作流程如下:
步骤B1、从人脸坐标列表中获取眼睛、鼻子、嘴巴的特征点坐标,然后将人脸图像按照上述特征点坐标切分成眼睛以上、眼睛和鼻子之间、鼻子和嘴巴之间、嘴巴以下的4个人脸特征子图像;
步骤B2、将4个人脸特征子图像分别输入至深度卷积神经网络InceptionV3的卷积层,卷积层最后一层连接至GlobalAveragePooling2D()层,以从每个人脸特征子图像中分别提取出对应的人脸部分特征向量;
步骤B3、将4个人脸部分特征向量再输入至Attention层,以对4个人脸部分特征向量进行串联、加权和输入tanh,然后将输出结果继续输入至softmax的全连接层,从而最终获得人像免冠、不免冠的概率值,并根据概率最大值来判定人像是否免冠,当判定人像不免冠时,审核结果是:证件照不合格,原因为:人像未免冠。
本发明利用深度卷积神经网络InceptionV3的卷积层作为特征提取网络,卷积层最后一层连接GlobalAveragePooling2D()层,从而提取人脸各部分特征,同时,考虑到不同人脸部位对识别人脸是否免冠影响不同,所以,引入注意力机制,将人脸不同部位的特征向量进行串联、加权和输入tanh,最后将结果输入softmax,根据概率最大值来判定人像是否免冠,通过本发明所构造的人像免冠识别模型,可以有效减少参数量,提升模型效果。
如图4所示,当对步骤B中的人像免冠识别模型进行训练时,还可以进一步包括有:
步骤b1、固定卷积层,对GlobalAveragePooling2D()层、Attention层和激活函数为softmax的全连接层进行参数训练,采用的优化函数为rmsprop优化器,损失函数为categorical_crossentropy,从训练得到的模型中挑选准确率最高的模型保存,并记为model_base_1;
步骤b2、采用model_base_1的网络结构和参数,并将人像免冠识别模型中的前249层参数固定不变,对249层以后的参数进行训练,采用的优化函数为SGD优化器,损失函数为categorical_crossentropy,然后再从训练得到的模型中挑选准确率最高的模型保存,并记为model_base_2;
步骤b3、利用model_base_2的网络结构和参数,对人像免冠识别模型中的所有层参数进行训练,采用的优化函数为SGD优化器,损失函数为categorical_crossentropy,然后从训练得到的模型中挑选准确率最高的模型保存,即训练好的人像免冠识别模型。
通过上述训练方法,可以使得每次训练的准确率高、训练速度快,并有效防止过拟合。
步骤二中,审核证件照中的人像占比是否合格,可以进一步包括有:
步骤C1、将步骤一采用人脸检测算法MTCNN从证件照中检测得到的人脸矩形框的两组坐标记为(xf-left,yf-top)(xf-right,yf-bottom),其中,xf-left、yf-top、xf-right、yf-bottom分别是人脸矩形框左边框的横坐标、顶部框的纵坐标、右边框的横坐标、底部框的纵坐标;
步骤C2、采用目标检测算法SSD,从证件照中检测得到人像矩形框坐标:(xp-left,yp-top)(xp-right,yp-bottom),其中,xp-left、yp-top、xp-right、yp-bottom分别是人像矩形框左边框的横坐标、顶部框的纵坐标、右边框的横坐标、底部框的纵坐标;
步骤C3、计算人像头部与人像照片的高度比:其中,image_height是证件照的高度值,可以利用face_recognition包的load_image_file函数读入证件照,然后使用shape()函数得到证件照的高度值image_height;
步骤C4、计算人像半身照与人像照片的面积比:其中,image_width是证件照的宽度值,和image_height的取值方法一致,(yf-bottom-yp-top)×(xf-right-xf-left)是人像的头部面积,(xp-right-xp-left)×0.4×(yp-bottom-yp-top)是人像的人体半身面积,人像半身面积是头部面积与人体半身面积之和,image_height×image_width是证件照的面积;
步骤C5、判断人像头部与人像照片的高度比、人像半身照与人像照片的面积比是否均小于人像占比阈值?如果是,则表示证件照的人像占比不合格,审核结果是:证件照不合格,原因为:人像占比不合格;如果否,则表示证件照的人像占比合格,其中,人像占比阈值可以设置为1/3。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (5)
1.一种基于深度学习的证件照的自动审核方法,其特征在于,包括有:
步骤一、采用人脸检测算法MTCNN,从证件照中检测出人脸,并得到人脸坐标列表,人脸坐标列表中包含有人脸矩形框的两组坐标和左右眼睛、鼻子、嘴角左右两侧共五组坐标;
步骤二、判断人脸坐标列表是否为空,如果是,则表示证件照未包含有人脸,审核结果是:证件照不合格,原因:未能检测人脸,继续下一步;如果否,则根据人脸坐标列表中人脸矩形框的两组坐标,从证件照中提取人脸图像,然后审核证件照中的人脸图像是否模糊、人像是否免冠或人像占比是否合格,再继续下一步;
步骤三、汇总、并输出审核结果,
步骤二中,审核证件照中的人像占比是否合格,进一步包括有:
步骤C1、将步骤一采用人脸检测算法MTCNN从证件照中检测得到的人脸矩形框的两组位置坐标记为(xf-left,yf-top)(xf-right,yf-bottom),其中,xf-left、yf-top、xf-right、yf-bottom分别是人脸矩形框左边框的横坐标、顶部框的纵坐标、右边框的横坐标、底部框的纵坐标;
步骤C2、采用目标检测算法SSD,从证件照中检测得到人像矩形框坐标:(xp-left,yp-top)(xp-right,yp-bottom),其中,xp-left、yp-top、xp-right、yp-bottom分别是人像矩形框左边框的横坐标、顶部框的纵坐标、右边框的横坐标、底部框的纵坐标;
步骤C3、计算人像头部与人像照片的高度比:其中,image_height是证件照的高度值,利用face_recognition包的load_image_file函数读入证件照,然后使用shape()函数得到证件照的高度值image_height;
步骤C4、计算人像半身照与人像照片的面积比:其中,image_width是证件照的宽度值,和image_height的取值方法一致,(yf-bottom-yp-top)×(xf-right-xf-left)是人像的头部面积,(xp-right-xp-left)×0.4×(yp-bottom-yp-top)是人像的人体半身面积,人像半身面积是头部面积与人体半身面积之和,image_height×image_width是证件照的面积;
步骤C5、判断人像头部与人像照片的高度比、人像半身照与人像照片的面积比是否均小于人像占比阈值,如果是,则表示证件照的人像占比不合格,审核结果是:证件照不合格,原因为:人像占比不合格;如果否,则表示证件照的人像占比合格,其中,人像占比阈值设置为1/3。
2.根据权利要求1所述的方法,其特征在于,步骤二中,审核证件照中的人脸图像是否模糊,进一步包括有:
步骤A1、使用高斯滤波消除人脸图像的噪声,并将人脸图像转化成灰度图;
步骤A2、利用CV2库中的Laplacian()函数,计算人脸图像的拉普拉斯算子值,然后判断所述拉普拉斯算子值是否小于判定人脸模糊的拉普拉斯算子阈值,如果是,则表示证件照模糊,审核结果是:证件照不合格,原因为:模糊;如果否,则表示证件照不模糊。
3.根据权利要求2所述的方法,其特征在于,步骤A2采用训练集和测试集对判定人脸模糊的拉普拉斯算子阈值进行设置,利用模糊的精准度和召回率指标的综合标志F1作为评价指标,然后选取F1值最大时的拉普拉斯算子值作为判定人脸模糊的拉普拉斯算子阈值。
4.根据权利要求1所述的方法,其特征在于,步骤二中,审核证件照中的人像是否免冠,进一步包括有:
构建人像免冠识别模型,所述人像免冠识别模型由卷积层、GlobalAveragePooling2D()层、Attention层和激活函数为softmax的全连接层这4部分网络构成,人像免冠识别模型的具体工作流程如下:
步骤B1、从人脸坐标列表中获取眼睛、鼻子、嘴巴的特征点坐标,然后将人脸图像按照上述特征点坐标切分成眼睛以上、眼睛和鼻子之间、鼻子和嘴巴之间、嘴巴以下的4个人脸特征子图像;
步骤B2、将4个人脸特征子图像分别输入至深度卷积神经网络InceptionV3的卷积层,卷积层最后一层连接至GlobalAveragePooling2D()层,以从每个人脸特征子图像中分别提取出对应的人脸部分特征向量;
步骤B3、将4个人脸部分特征向量再输入至Attention层,以对4个人脸部分特征向量进行串联、加权和输入tanh,然后将输出结果继续输入至softmax的全连接层,从而最终获得人像免冠、不免冠的概率值,并根据概率最大值来判定人像是否免冠,当判定人像不免冠时,审核结果是:证件照不合格,原因为:人像未免冠。
5.根据权利要求4所述的方法,其特征在于,当对步骤B中的人像免冠识别模型进行训练时,进一步包括有:
步骤b1、固定卷积层,对GlobalAveragePooling2D()层、Attention层和激活函数为softmax的全连接层进行参数训练,采用的优化函数为rmsprop优化器,损失函数为categorical_crossentropy,从训练得到的模型中挑选准确率最高的模型保存,并记为model_base_1;
步骤b2、采用model_base_1的网络结构和参数,并将人像免冠识别模型中的前249层参数固定不变,对249层以后的参数进行训练,采用的优化函数为SGD优化器,损失函数为categorical_crossentropy,然后再从训练得到的模型中挑选准确率最高的模型保存,并记为model_base_2;
步骤b3、利用model_base_2的网络结构和参数,对人像免冠识别模型中的所有层参数进行训练,采用的优化函数为SGD优化器,损失函数为categorical_crossentropy,然后从训练得到的模型中挑选准确率最高的模型保存,即训练好的人像免冠识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911117272.9A CN110874577B (zh) | 2019-11-15 | 2019-11-15 | 一种基于深度学习的证件照的自动审核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911117272.9A CN110874577B (zh) | 2019-11-15 | 2019-11-15 | 一种基于深度学习的证件照的自动审核方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874577A CN110874577A (zh) | 2020-03-10 |
CN110874577B true CN110874577B (zh) | 2022-04-15 |
Family
ID=69718337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911117272.9A Active CN110874577B (zh) | 2019-11-15 | 2019-11-15 | 一种基于深度学习的证件照的自动审核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874577B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111347845B (zh) * | 2020-03-17 | 2021-09-21 | 北京百度网讯科技有限公司 | 电致变色玻璃调节方法、装置和电子设备 |
CN112115835A (zh) * | 2020-09-11 | 2020-12-22 | 昆明理工大学 | 一种基于人脸关键点的证件照局部异常检测方法 |
CN112215225B (zh) * | 2020-10-22 | 2024-03-15 | 北京通付盾人工智能技术有限公司 | 一种基于计算机视觉技术的kyc证件核验方法 |
CN113449694B (zh) * | 2021-07-24 | 2023-04-07 | 福州大学 | 基于Android的证件照合规性检测方法及系统 |
CN114565967B (zh) * | 2022-04-28 | 2022-08-30 | 广州丰石科技有限公司 | 工牌人脸检测方法、终端以及存储介质 |
CN114972303A (zh) * | 2022-06-16 | 2022-08-30 | 平安科技(深圳)有限公司 | 图像获取方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046246A (zh) * | 2015-08-31 | 2015-11-11 | 广州市幸福网络技术有限公司 | 可进行人像姿势拍摄提示的证照相机及人像姿势检测方法 |
CN106909892A (zh) * | 2017-01-24 | 2017-06-30 | 珠海市魅族科技有限公司 | 一种图像处理方法和系统 |
CN108229341A (zh) * | 2017-12-15 | 2018-06-29 | 北京市商汤科技开发有限公司 | 分类方法和装置、电子设备、计算机存储介质、程序 |
CN109359581A (zh) * | 2018-10-15 | 2019-02-19 | 成都快眼科技有限公司 | 一种基于智能眼镜的人脸注册方法 |
CN109359515A (zh) * | 2018-08-30 | 2019-02-19 | 东软集团股份有限公司 | 一种用于对目标对象的属性特征进行识别的方法及装置 |
CN109523464A (zh) * | 2018-11-21 | 2019-03-26 | 深圳市博纳思信息技术有限公司 | 一种证件照片人像边距智能控制方法 |
CN109886360A (zh) * | 2019-03-25 | 2019-06-14 | 山东浪潮云信息技术有限公司 | 一种基于深度学习的证件照分类识别及免冠检测方法及系统 |
WO2019127108A1 (en) * | 2017-12-27 | 2019-07-04 | Intel Corporation | Key-point guided human attribute recognition using statistic correlation models |
CN110163114A (zh) * | 2019-04-25 | 2019-08-23 | 厦门瑞为信息技术有限公司 | 一种人脸角度及人脸模糊度分析方法、系统和计算机设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100354747C (zh) * | 2003-07-31 | 2007-12-12 | 杨永坚 | 公民身份证等证件用黑白照片数码曝光装置 |
US8380711B2 (en) * | 2011-03-10 | 2013-02-19 | International Business Machines Corporation | Hierarchical ranking of facial attributes |
US9400925B2 (en) * | 2013-11-15 | 2016-07-26 | Facebook, Inc. | Pose-aligned networks for deep attribute modeling |
CN107423687B (zh) * | 2017-06-15 | 2020-12-29 | 易联众信息技术股份有限公司 | 一种基于人脸识别技术的身份认证方法及装置 |
-
2019
- 2019-11-15 CN CN201911117272.9A patent/CN110874577B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046246A (zh) * | 2015-08-31 | 2015-11-11 | 广州市幸福网络技术有限公司 | 可进行人像姿势拍摄提示的证照相机及人像姿势检测方法 |
CN106909892A (zh) * | 2017-01-24 | 2017-06-30 | 珠海市魅族科技有限公司 | 一种图像处理方法和系统 |
CN108229341A (zh) * | 2017-12-15 | 2018-06-29 | 北京市商汤科技开发有限公司 | 分类方法和装置、电子设备、计算机存储介质、程序 |
WO2019127108A1 (en) * | 2017-12-27 | 2019-07-04 | Intel Corporation | Key-point guided human attribute recognition using statistic correlation models |
CN109359515A (zh) * | 2018-08-30 | 2019-02-19 | 东软集团股份有限公司 | 一种用于对目标对象的属性特征进行识别的方法及装置 |
CN109359581A (zh) * | 2018-10-15 | 2019-02-19 | 成都快眼科技有限公司 | 一种基于智能眼镜的人脸注册方法 |
CN109523464A (zh) * | 2018-11-21 | 2019-03-26 | 深圳市博纳思信息技术有限公司 | 一种证件照片人像边距智能控制方法 |
CN109886360A (zh) * | 2019-03-25 | 2019-06-14 | 山东浪潮云信息技术有限公司 | 一种基于深度学习的证件照分类识别及免冠检测方法及系统 |
CN110163114A (zh) * | 2019-04-25 | 2019-08-23 | 厦门瑞为信息技术有限公司 | 一种人脸角度及人脸模糊度分析方法、系统和计算机设备 |
Non-Patent Citations (2)
Title |
---|
Attribute-based people search in surveillance environments;Daniel A. Vaquero等;《2009 Workshop on Applications of Computer Vision》;20100202;1-8 * |
基于语义分割的行人属性识别技术的研究与实现;冯鑫;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190815(第08期);I138-1329 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874577A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874577B (zh) | 一种基于深度学习的证件照的自动审核方法 | |
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN105631439B (zh) | 人脸图像处理方法和装置 | |
CN111179229B (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
CN104143079B (zh) | 人脸属性识别的方法和系统 | |
CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
WO2018112783A1 (zh) | 图像识别方法及装置 | |
CN108090830B (zh) | 一种基于面部画像的信贷风险评级方法和装置 | |
CN106096538A (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
CN107358182A (zh) | 行人检测方法及终端设备 | |
CN106407911A (zh) | 基于图像的眼镜识别方法及装置 | |
CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN110322438A (zh) | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 | |
CN103440471B (zh) | 基于低秩表示的人体行为识别方法 | |
CN106650667A (zh) | 一种基于支持向量机的行人检测方法及系统 | |
CN110415815A (zh) | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及系统 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN105956570A (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN112926429A (zh) | 机审模型训练、视频机审方法、装置、设备及存储介质 | |
CN108388904A (zh) | 一种基于卷积神经网络和协方差张量矩阵的降维方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Xinxun Digital Technology (Hangzhou) Co.,Ltd. Address before: 310013 4th floor, No.398 Wensan Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: EB Information Technology Ltd. |