CN111009065A - 基于聚类算法的人脸识别门禁系统优化方法及系统 - Google Patents
基于聚类算法的人脸识别门禁系统优化方法及系统 Download PDFInfo
- Publication number
- CN111009065A CN111009065A CN201911251495.4A CN201911251495A CN111009065A CN 111009065 A CN111009065 A CN 111009065A CN 201911251495 A CN201911251495 A CN 201911251495A CN 111009065 A CN111009065 A CN 111009065A
- Authority
- CN
- China
- Prior art keywords
- face
- similarity
- access control
- control system
- clustering algorithm
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
本公开提供了一种基于聚类算法的人脸识别门禁系统优化方法及系统,获取待识别的人脸特征值,计算人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度,根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,输出匹配结果;未满足阈值条件的人脸类不需要进行比对。本公开能够保证大规模人脸识别门禁系统的高速运行。为人员规模庞大的公司以及人员密集的园区部署人脸识别门禁系统扫除了障碍。
Description
技术领域
本公开属于人工智能技术领域,涉及一种基于聚类算法的人脸识别门禁系统优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
在当今社会的智能门禁系统中,基于电子技术的门禁系统占领主要市场,例如光符识别,字符识别、IC卡识别和射频识别等。这些技术有着低成本、工艺成熟等优势,然而其需随身带、易仿冒和智能化水准较劣等缺陷,无法满足人们对安防逐步提高的要求。
人脸识别门禁系统是采集允许访问门禁系统的全部人员的人脸特征值信息并存储在人脸数据库中。当某一个人访问门禁系统时,人脸识别门禁系统会首先通过摄像头来获取人脸信息并提取特征值,然后将采集提取的人脸特征值信息与系统人脸数据库中的人脸特征值信息进行比对,根据比对结果完成人脸识别并确定是否开门。人脸识别门禁系统功能强大,安全系数高,满足面向政府机关单位、企事业单位、学校、旅馆、旅游景点等在出入口通道安全管理方面的需求。
但是,目前的人脸识别门禁系统中,在对采集提取到的人脸特征值进行比对时,需要遍历整个系统人脸数据库中,将待识别人脸与预置人脸库中的人脸信息进行逐一比对。这种方案在系统人脸数据库较小时较为适用。但是,当系统人脸数据库增加到一定规模后,存在人脸比对耗时过长的问题,影响系统的用户体验,不适合大规模人脸识别门禁系统。
发明内容
本公开为了解决上述问题,提出了一种基于聚类算法的人脸识别门禁系统优化方法及系统,本公开能够保证大规模人脸识别门禁系统的高速运行。为人员规模庞大的公司以及人员密集的园区部署人脸识别门禁系统扫除了障碍。
根据一些实施例,本公开采用如下技术方案:
一种基于聚类算法的人脸识别门禁系统优化方法,包括以下步骤:
获取待识别的人脸特征值,计算人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度,根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,输出匹配结果;
未满足阈值条件的人脸类不需要进行比对。
作为可选择的实施方式,所述聚类算法为kmeans聚类算法。
作为可选择的实施方式,在进行比对前,先进行样本集的聚类,具体过程包括:
(1)获取人脸特征值样本集;
(2)随机选择一个特征值作为初始化质心;
(3)对人脸数据聚类,得到各类以及相应的簇中心。
作为可选择的实施方式,所述步骤(2)的具体过程包括:
从样本中随机选择一个点作为第一个质心;
从剩下的样本中选择与已选质心相似度之和最小的点作为下一个质心;
重复上述过程,直到产生设定数量的质心。
作为可选择的实施方式,所述步骤(3)的具体过程包括:
对样本集中每一个点及每一个簇中心的方向进行编码;
计算点与簇中心的余弦相似度及点与簇中心方向的编码相似度,对相似度和编码相似度分别设置阈值,满足该簇阈值要求的点即被归入该簇;
更新簇中心:计算该簇中每一个点与其它点的相似度之和,选取与其它点相似度之和最大的点作为该簇的中心;
计算剩余点与每个簇中心的相似度,将该点归入与其相似度最高的簇;
更新簇中心,直到簇中心不再改变后完成聚类。
作为可选择的实施方式,编码的具体过程为,将多个点组成一个多维向量,如果该向量中某个元素大于等于零,则该元素对应的编码为1,否则为0。
作为可选择的实施方式,方向的编码相似度计算方法:若两个向量在同一维度上的编码相同,则这两个向量的编码相似度加1。
一种基于聚类算法的人脸识别门禁系统优化系统,包括:
特征值获取模块,被配置为获取待识别的人脸特征值;
计算模块,被配置为计算人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度;
比对模块模块,被配置为根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,输出比对结果;未满足阈值条件的人脸类不需要进行比对。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于聚类算法的人脸识别门禁系统优化方法的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于聚类算法的人脸识别门禁系统优化方法的步骤。
与现有技术相比,本公开的有益效果为:
本公开针对人脸识别门禁系统的人脸比对过程,提出一种基于kmeans聚类算法的人脸比对方法,可以在不损失比对精度的情况下,达到降低比对数量,提高系统识别速度的效果。同时保证大规模人脸识别门禁系统的高速运行。为人员规模庞大的公司以及人员密集的园区部署人脸识别门禁系统扫除了障碍。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是人脸识别流程原理图;
图2是人脸特征值聚类流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例针对目前人脸识别门禁系统在进行人脸比对时,需要遍历整个人脸数据库,随着人脸数据库规模增大,导致人脸识别系统运行速度下降的问题。提出一种基于kmeans聚类算法的大规模人脸识别门禁系统提速方法,从而保障大规模人脸识别门禁系统的高速运行。
采用kmeans聚类算法,计算每一类中各点与类中心的余弦相似度和方向编码相似度,将人脸识别门禁系统人脸数据库中存储的人脸特征值信息按照设定的聚类数量进行聚类。
当系统采集提取到访问人员的人脸特征值时,首先计算访问人员的人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度,根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,未满足阈值条件的人脸类不需要进行比对。
经过测试,该方法可以在不损失比对精度的情况下,达到降低比对数量,提高系统识别速度的效果。
如图1所示,整个识别过程包括由人脸识别设备获取待识别人脸的特征值,然后根据与聚类质心之间的相似度计算缩小比对数据范围,最后通过确定范围内人脸数据的比对完成人脸识别。
如图2所示,聚类过程包括:
s1:输入人脸数据库全部人脸特征值;
s2:在所有人脸特征值中,随机选择一个作为初始化质心;
s3:从剩下的人脸特征值中选择与已选质心相似度之和最小的点作为下一个质心;
s4:对质心和其余的人脸特征值进行方向编码;
s5:计算剩余人脸特征值与各质心之间的余弦相似度和方向相似度;
s6:根据设定的阈值将人脸特征值归入不同的类;
s7:根据新的归类更新质心;
s8:重复步骤s5-s7,直到质心不再改变,聚类完成。
更为具体的,输入数据包括:
样本集D={x1,x2,…,xm};
聚类簇数:k;
具体的对于聚类优化的过程包括:
step1:初始化质心;
step1.1:从样本中随机选择一个点作为第一个质心μ1。
step1.2:从剩下的样本中选择与已选质心相似度之和最小的点作为下一个质心;相似度计算公式如下:
其中,xi为第i个样本点,ui为第i个质心,n为当前质心数量,xi和ui均为高维向量。
step1.3:重复step1.2,直到产生k个质心{μ1,μ2,…,μk}。
step2:对人脸数据聚类
step2.1对样本集中每一个点及每一个簇中心的方向进行编码;
编码规则:设xi={xi1,xi2,…,xip}为一个p维向量,codej为xi第j位的编码。
如果xij≥0则codej=1;否则,codej=0。
step2.2计算点与簇中心的余弦相似度及点与簇中心方向的编码相似度,对相似度和编码相似度分别设置阈值,满足该簇阈值要求的点即被归入该簇。
方向的编码相似度计算方法:若两个向量在同一维度上的编码相同,则这两个向量的编码相似度加1。
step2.3更新簇中心:计算该簇中每一个点与其它点的相似度之和,选取与其它点相似度之和最大的点作为该簇的中心。
step2.4计算剩余点与每个簇中心的相似度,将该点归入与其相似度最高的簇。
step2.5更新簇中心;见step2.3。
step3:簇中心不再改变后完成聚类。
输出:簇划分C={C1,C2,…,Ck};
上述方案具有如下创新点:
(1)在kmeans算法的基础之上,结合密度聚类的思想,针对人脸数据比对的应用场景,分别在聚类过程的质心初始化方式、点集分类方式、簇中心更新方式以及聚类计算公式等方面进行优化。
(2)针对人脸特征值数据,将余弦相似度计算公式代作为距离公式,更加适合数据的分布规律,使数据更加易聚。
(3)结合密度聚类的思想,在点集分类的过程中分别对余弦相似度和方向的编码相似度设置阈值,增加了簇内相似度。
(4)在质心初始化和更新簇中心时,分别选择所有数据中相似度最低的点和簇中相似度最高的点,使簇间相似度最小化,簇内相似度最大化。
还提供以下产品实施例:
一种基于聚类算法的人脸识别门禁系统优化系统,包括:
特征值获取模块,被配置为获取待识别的人脸特征值;
计算模块,被配置为计算人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度;
比对模块模块,被配置为根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,输出比对结果;未满足阈值条件的人脸类不需要进行比对。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于聚类算法的人脸识别门禁系统优化方法的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于聚类算法的人脸识别门禁系统优化方法的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:包括以下步骤:
获取待识别的人脸特征值,计算人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度,根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,输出匹配结果;
未满足阈值条件的人脸类不需要进行比对。
2.如权利要求1所述的一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:在进行比对前,先进行样本集的聚类,具体过程包括:
(1)获取人脸特征值样本集;
(2)随机选择一个特征值作为初始化质心;
(3)对人脸数据聚类,得到各类以及相应的簇中心。
3.如权利要求1所述的一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:所述步骤(2)的具体过程包括:
从样本中随机选择一个点作为第一个质心;
从剩下的样本中选择与已选质心相似度之和最小的点作为下一个质心;
重复上述过程,直到产生设定数量的质心。
4.如权利要求1所述的一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:所述步骤(3)的具体过程包括:
对样本集中每一个点及每一个簇中心的方向进行编码;
计算点与簇中心的余弦相似度及点与簇中心方向的编码相似度,对相似度和编码相似度分别设置阈值,满足该簇阈值要求的点即被归入该簇;
更新簇中心:计算该簇中每一个点与其它点的相似度之和,选取与其它点相似度之和最大的点作为该簇的中心;
计算剩余点与每个簇中心的相似度,将该点归入与其相似度最高的簇;
更新簇中心,直到簇中心不再改变后完成聚类。
5.如权利要求4所述的一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:编码的具体过程为,将多个点组成一个多维向量,如果该向量中某个元素大于等于零,则该元素对应的编码为1,否则为0。
6.如权利要求4所述的一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:方向的编码相似度计算方法:若两个向量在同一维度上的编码相同,则这两个向量的编码相似度加1。
7.如权利要求1所述的一种基于聚类算法的人脸识别门禁系统优化方法,其特征是:所述聚类算法为kmeans聚类算法。
8.一种基于聚类算法的人脸识别门禁系统优化系统,其特征是:包括:
特征值获取模块,被配置为获取待识别的人脸特征值;
计算模块,被配置为计算人脸特征值与人脸数据库中已完成聚类的各类中心的余弦相似度和方向编码相似度;
比对模块模块,被配置为根据设置的阈值筛选出需要进行比对的人脸类,在待识别人脸与满足阈值条件的人脸类进行比对,输出比对结果;未满足阈值条件的人脸类不需要进行比对。
9.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行如权利要求1-7中任一项所述的一种基于聚类算法的人脸识别门禁系统优化方法的步骤。
10.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种基于聚类算法的人脸识别门禁系统优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251495.4A CN111009065A (zh) | 2019-12-09 | 2019-12-09 | 基于聚类算法的人脸识别门禁系统优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251495.4A CN111009065A (zh) | 2019-12-09 | 2019-12-09 | 基于聚类算法的人脸识别门禁系统优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111009065A true CN111009065A (zh) | 2020-04-14 |
Family
ID=70114172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251495.4A Pending CN111009065A (zh) | 2019-12-09 | 2019-12-09 | 基于聚类算法的人脸识别门禁系统优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111009065A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599072A (zh) * | 2020-05-08 | 2020-08-28 | 安徽三音电子科技有限公司 | 一种人脸识别门禁系统 |
CN112102551A (zh) * | 2020-09-27 | 2020-12-18 | 北京市商汤科技开发有限公司 | 设备控制方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
CN107766822A (zh) * | 2017-10-23 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
CN109919093A (zh) * | 2019-03-07 | 2019-06-21 | 苏州科达科技股份有限公司 | 一种人脸识别方法、装置、设备及可读存储介质 |
CN110147455A (zh) * | 2017-08-30 | 2019-08-20 | 中兴通讯股份有限公司 | 一种人脸匹配检索装置及方法 |
CN110276320A (zh) * | 2019-06-26 | 2019-09-24 | 杭州创匠信息科技有限公司 | 基于人脸识别的门禁方法、装置、设备和存储介质 |
-
2019
- 2019-12-09 CN CN201911251495.4A patent/CN111009065A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373597A (zh) * | 2015-10-27 | 2016-03-02 | 华侨大学 | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 |
CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
CN110147455A (zh) * | 2017-08-30 | 2019-08-20 | 中兴通讯股份有限公司 | 一种人脸匹配检索装置及方法 |
CN107766822A (zh) * | 2017-10-23 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN109919093A (zh) * | 2019-03-07 | 2019-06-21 | 苏州科达科技股份有限公司 | 一种人脸识别方法、装置、设备及可读存储介质 |
CN110276320A (zh) * | 2019-06-26 | 2019-09-24 | 杭州创匠信息科技有限公司 | 基于人脸识别的门禁方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
IOANNIS KATSAVOUNIDIS等: "A New Initialization Technique for Generalized Lloyd Iteration", 《IEEE SIGNAL PROCESSING LETTERS》 * |
刘家锋等: "《模式识别》", 31 August 2014 * |
郑伟等: "基于文本最小相似度的中心选取方法", 《广西师范大学学报: 自然科学版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599072A (zh) * | 2020-05-08 | 2020-08-28 | 安徽三音电子科技有限公司 | 一种人脸识别门禁系统 |
CN112102551A (zh) * | 2020-09-27 | 2020-12-18 | 北京市商汤科技开发有限公司 | 设备控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650693B (zh) | 一种用于人脸比对的多特征融合识别算法 | |
Qu et al. | Joint hierarchical category structure learning and large-scale image classification | |
CN111626336A (zh) | 一种基于不平衡数据集的地铁故障数据分类方法 | |
CN108875816A (zh) | 融合置信度准则和多样性准则的主动学习样本选择策略 | |
CN104239858A (zh) | 一种人脸特征验证的方法和装置 | |
CN109426781A (zh) | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 | |
GB2592076A (en) | Method of training an image classification model | |
WO2022062419A1 (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN110134803A (zh) | 基于哈希学习的图像数据快速检索方法 | |
CN111009065A (zh) | 基于聚类算法的人脸识别门禁系统优化方法及系统 | |
CN112818690A (zh) | 结合知识图谱实体信息的语义识别方法、装置及相关设备 | |
CN107392191B (zh) | 身份判定方法、装置及电子设备 | |
CN115497124A (zh) | 身份识别方法和装置及存储介质 | |
Geng et al. | Abnormal event detection in tourism video based on salient spatio-temporal features and sparse combination learning | |
CN113570391B (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
Du et al. | Cross-age identity difference analysis model based on image pairs for age invariant face verification | |
Yu et al. | Deep discriminative representation learning for face verification and person re-identification on unconstrained condition | |
Wang et al. | Action recognition using linear dynamic systems | |
Verma et al. | A hybrid K-mean clustering algorithm for prediction analysis | |
CN109993188A (zh) | 数据标签识别方法、行为识别方法及装置 | |
CN116204647A (zh) | 一种目标比对学习模型的建立、文本聚类方法及装置 | |
CN108491751B (zh) | 一种基于简单动作的探索特权信息的复杂动作识别方法 | |
CN108875445A (zh) | 一种行人再识别方法及装置 | |
CN111160077A (zh) | 一种大规模人脸动态聚类方法 | |
Jammoussi et al. | Adaboost face detector based on Joint Integral Histogram and Genetic Algorithms for feature extraction process |
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 |
Application publication date: 20200414 |
|
RJ01 | Rejection of invention patent application after publication |