CN111079717B - 一种基于强化学习的人脸识别方法 - Google Patents

一种基于强化学习的人脸识别方法 Download PDF

Info

Publication number
CN111079717B
CN111079717B CN202010022574.4A CN202010022574A CN111079717B CN 111079717 B CN111079717 B CN 111079717B CN 202010022574 A CN202010022574 A CN 202010022574A CN 111079717 B CN111079717 B CN 111079717B
Authority
CN
China
Prior art keywords
reinforcement learning
action
learning network
recognition
frame
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.)
Expired - Fee Related
Application number
CN202010022574.4A
Other languages
English (en)
Other versions
CN111079717A (zh
Inventor
刘龙
罗彬�
朱国华
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010022574.4A priority Critical patent/CN111079717B/zh
Publication of CN111079717A publication Critical patent/CN111079717A/zh
Application granted granted Critical
Publication of CN111079717B publication Critical patent/CN111079717B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于强化学习的人脸识别方法，具体步骤包括：步骤1，采集多个包含人脸视频序列做为数据集；步骤2，对数据集中的所有视频序列做预处理后分为两部分，一部分为训练集、一部分为测试集；步骤3，建立强化学习网络，包括依次连接的输入层、3个卷积层和2个全连接层和输出层，所述输出层对应无遮挡、倾斜角度小的人脸图像；步骤4，采用步骤3建立的强化学习网络对训练集进行训练；步骤5，从测试集中选择一个视频序列，采用训练好的强化学习网络进行识别，输出无遮挡、倾斜角度小的人脸图像。解决了现有人脸识别技术中存在的人脸面部图像处于运动模糊、有遮挡、倾斜角度大、光照条件差等不利于识别的问题。

Description

一种基于强化学习的人脸识别方法
技术领域
本发明属于人脸识别技术领域，涉及一种基于强化学习的人脸识别方法。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。目前的人脸识别算法流程包含图像采集、人脸检测、人脸特征提取、人脸识别等。目前DeepFace、DeepID、FaceNet、Face++、SphereFace、CosFace等方法是深度人脸识别领域的主要方法。DeepFace、DeepID将人脸识别过程看作一个分类过程，只能识别固定类别的人脸。FaceNet、SphereFace、CosFace等通过网络学习两个人脸面部图像的相似度度量。后期人脸识别技术的研究重心就转向了损失函数的改进。
上述人脸识别方法均是对视频序列的每一帧中的人脸面部图像进行识别，在人脸面部图像处于运动模糊、有遮挡、倾斜角度大、光照条件差等不利于识别的情况时，不能对其进行充分的避免。
发明内容
本发明的目的是提供一种基于强化学习的人脸识别方法，解决了现有人脸识别技术中存在的人脸面部图像处于运动模糊、有遮挡、倾斜角度大、光照条件差等不利于识别的问题。
本发明所采用的技术方案是，
一种基于强化学习的人脸识别方法，具体步骤包括：
步骤1，采集多个包含人脸视频序列做为数据集；
步骤2，对数据集中的所有视频序列做预处理后分为两部分，一部分为训练集、一部分为测试集；预处理后的视频序列为去除非人脸帧后统一帧数，每一帧进行人脸分割并统一图像大小的视频序列；
步骤3，建立强化学习网络，强化学习网络包括依次连接的输入层、3个卷积层和2个全连接层和输出层，输入层对应整个视频序列Svideo和Sselect中的每一帧图像；输出层对应无遮挡、倾斜角度小的人脸图像；
强化学习网络的损失函数为：
Figure GDA0003330849270000021
θ为网络参数，N为一个batch的训练样本数，m为一次训练过程执行网络的次数，sj为第j次迭代所处的状态，aj为第j次迭代所执行的动作，πθ(sj,aj)是参数为θ的网络，输入是观察到的状态，输出执行动作的概率，h为输出层节点的个数；
步骤4，采用步骤3建立的强化学习网络对训练集进行训练，得到训练好的强化学习网络；
步骤5，从测试集中选择一个视频序列，采用训练好的强化学习网络进行识别，输出无遮挡、倾斜角度小的人脸图像。
本发明的特点还在于，
强化学习网络采用随机梯度下降法进行迭代更新；
输出层中采用Softmax函数作为输出；
强化学习网络的迭代次数与输出层节点个数的设置方法为：
设预处理之后的图像序列的帧数为a0，输出层节点数记为h，设置迭代次数为m，则存在
Figure GDA0003330849270000031
强化学习网络的状态、动作、环境和奖励定义为：
状态：强化学习的状态由整个视频序列Svideo和当前被选中的人脸面部图像Sselect组成；
动作：动作是经过强化学习网络之后去选择哪一帧人脸面部图像，定义了选择上一帧、选择当前帧、选择下一帧三种动作，对应强化学习网络的输出；
环境：已知动作是选择上一帧、选择当前帧、选择下一帧三者中的一种，环境起更新状态Sselect的作用；
奖励：对于每一次动作，状态Sselect会发生对应的更新，对不同的状态Sselect，给予不同的奖励，奖励的分配方式为：由一个已训练完成的人脸识别模型，将当前选择h个人脸面部图像的第i个(即
Figure GDA0003330849270000032
)输入网络进行识别，奖励的分配有以下三种方式:
若执行动作之前
Figure GDA0003330849270000033
识别结果为错误，执行动作之后识别结果为正确，则给予奖励r0；
若执行动作之前
Figure GDA0003330849270000034
识别结果为正确，执行动作之后识别结果为错误，则给予奖励-r0；
若执行动作之前
Figure GDA0003330849270000035
识别结果为正确，执行动作之后识别结果仍为正确，由识别结果的置信度给予奖励
Figure GDA0003330849270000041
Pn为第n次识别的置信度，因此定义最终的奖励为：
Figure GDA0003330849270000042
本发明的有益效果是
本发明通过强化学习算法去除掉视频序列中不利于进行识别的人脸面部图像，保留人脸面部图像清晰度高、无遮挡、倾斜角度小、光照条件好等若干帧用于人脸识别，以提高人脸识别准确率。
附图说明
图1是本发明一种基于强化学习的人脸识别方法的系统流程图；
图2是本发明一种基于强化学习的人脸识别方法中强化学习模型框架图；
图3是本发明一种基于强化学习的人脸识别方法的实施例一的过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于强化学习的人脸识别方法，如图1和图2，其特征在于，具体步骤包括：
步骤1，采集多个包含人脸视频序列做为数据集；
步骤2，对数据集中的所有视频序列做预处理后分为两部分，一部分为训练集、一部分为测试集；预处理后的视频序列为去除非人脸帧后统一帧数，每一帧后进行人脸分割并统一图像大小的视频序列；
步骤3，建立强化学习网络，强化学习网络包括依次连接的输入层、3个卷积层和2个全连接层和输出层，输入层对应整个视频序列Svideo和Sselect中的每一帧图像；输出层对应无遮挡、倾斜角度小的人脸图像；
强化学习网络的损失函数为：
Figure GDA0003330849270000051
θ为网络参数，N为一个batch的训练样本数，m为一次训练过程执行网络的次数，sj为第j次迭代所处的状态，aj为第j次迭代所执行的动作，πθ(sj,aj)是参数为θ的网络，输入是观察到的状态，输出执行动作的概率，h为输出层节点的个数；
步骤4，采用步骤3建立的强化学习网络对训练集进行训练，得到训练好的强化学习网络；
步骤5，从测试集中选择一个视频序列，采用训练好的强化学习网络进行识别，输出无遮挡、倾斜角度小的人脸图像。
其中的强化学习网络中，采用随机梯度下降法进行迭代更新；输出层中采用Softmax函数作为输出；
强化学习网络的迭代次数与输出层节点个数的设置方法为：
设预处理之后的图像序列的帧数为a0，输出层节点数记为h，设置迭代次数为m，则存在
Figure GDA0003330849270000052
强化学习网络的状态、动作、环境和奖励定义为：
状态：强化学习的状态由整个视频序列Svideo和当前被选中的人脸面部图像Sselect组成；
动作：动作是经过强化学习网络之后去选择哪一帧人脸面部图像，定义了选择上一帧、选择当前帧、选择下一帧三种动作，对应强化学习网络的输出；
环境：已知动作是选择上一帧、选择当前帧、选择下一帧三者中的一种，环境起更新状态Sselect的作用；
奖励：对于每一次动作，状态Sselect会发生对应的更新，对不同的状态Sselect，给予不同的奖励，奖励的分配方式为：由一个已训练完成的人脸识别模型，将当前选择h个人脸面部图像的第i个(即
Figure GDA0003330849270000061
)输入网络进行识别，奖励的分配有以下三种方式:
若执行动作之前
Figure GDA0003330849270000062
识别结果为错误，执行动作之后识别结果为正确，则给予奖励r0；
若执行动作之前
Figure GDA0003330849270000063
识别结果为正确，执行动作之后识别结果为错误，则给予奖励-r0；
若执行动作之前
Figure GDA0003330849270000064
识别结果为正确，执行动作之后识别结果仍为正确，由识别结果的置信度给予奖励
Figure GDA0003330849270000065
r1是执行动作前后识别结果都正确所给的奖励；Pn为第n次识别的置信度，因此定义最终的奖励为：
Figure GDA0003330849270000066
实施例1，
步骤1，采集多个包含人脸视频序列做为数据集；本实施例1的中采集的人脸数据均是从YouTube下载的；每个主题平均提供2.15个视频。剪辑持续时间最短为48帧，最长剪辑为6,070帧，视频剪辑的平均长度为181.3帧。
步骤2，对数据集中的所有视频序列做预处理后分为两部分，一部分为训练集、一部分为测试集；预处理后的视频序列为去除非人脸帧后统一帧数，每一帧后进行人脸分割并统一图像大小的视频序列；
其中训练集与测试集的比例为7:3，
预处理的具体步骤为：
步骤2.1，采用现有的人脸检测算法对视频序列进行人脸检测，去除其中不含人脸图像的帧，得到的图像仅包含人脸图像；
步骤2.2，对步骤2.1得到的所有图像统一放缩为[160，160]大小，放缩过程为：设第i帧图像的宽高分别为[wi,hi]，对图像进行放缩，放缩倍数为
Figure GDA0003330849270000071
在minw(i,hi)方向(左右/上下)分别填充
Figure GDA0003330849270000072
(列/行)黑色背景，得到[wi,hi]＝[160,160]的图像；
步骤2.3，将步骤2.2放缩后的图像组合成一个视频序列，然后将其分割成
Figure GDA0003330849270000073
个视频序列，即将每个射频序列统一为40帧；将其命名为其对应的人名作为训练标签。
对数据集里的1595人，各选取一帧作为基准对比帧，选取条件为尽可能清晰度高、光照条件好、人脸倾斜角度小、处于正面。基准对比帧同样经过上述的检测、裁剪、放缩处理。
步骤3，建立强化学习网络，强化学习网络包括依次连接的输入层、3个卷积层和2个全连接层和输出层，输入层对应整个视频序列Svideo和Sselect中的每一帧图像，Svideo是一个40*160*160*3的张量；代表整个40帧的人脸视频序列，
输出层对应无遮挡、倾斜角度小的人脸图像，这里h取8，Sselect是一个8*160*160*3的张量，代表从40帧的人脸视频序列中选出的8帧人脸面部图像。
强化学习网络的损失函数为：
Figure GDA0003330849270000081
θ为网络参数，N为一个batch的训练样本数，m为一次训练过程执行网络的次数，sj为第j次迭代所处的状态，aj为第j次迭代所执行的动作，πθ(sj,aj)是参数为θ的网络，输入是观察到的状态，输出执行动作的概率，h为输出层节点的个数；
其中的强化学习网络中，采用随机梯度下降法进行迭代更新；输出层中采用Softmax函数作为输出；
强化学习网络的状态、动作、环境和奖励定义为：
状态：强化学习的状态由整个视频序列Svideo和当前被选中的人脸面部图像Sselect组成；
动作：动作是经过强化学习网络之后去选择哪一帧人脸面部图像，定义了选择上一帧、选择当前帧、选择下一帧三种动作，对应强化学习网络的输出；
环境：已知动作是选择上一帧、选择当前帧、选择下一帧三者中的一种，环境起更新状态Sselect的作用；
奖励：对于每一次动作，状态Sselect会发生对应的更新，对不同的状态Sselect，给予不同的奖励，奖励的分配方式为：由一个已训练完成的人脸识别模型，将当前选择h个人脸面部图像的第i个(即
Figure GDA0003330849270000091
)输入网络进行识别，奖励的分配有以下三种方式:
若执行动作之前
Figure GDA0003330849270000092
识别结果为错误，执行动作之后识别结果为正确，则给予奖励r0；
若执行动作之前
Figure GDA0003330849270000093
识别结果为正确，执行动作之后识别结果为错误，则给予奖励-r0；
若执行动作之前
Figure GDA0003330849270000094
识别结果为正确，执行动作之后识别结果仍为正确，由识别结果的置信度给予奖励
Figure GDA0003330849270000095
Pn为第n次识别的置信度，因此定义最终的奖励为：
Figure GDA0003330849270000096
步骤4，采用步骤3建立的强化学习网络对训练集进行训练，得到训练好的强化学习网络；
在训练过程中，网络的输入由状态Sselect和Svideo构成每次执行动作之后选出的8个人脸面部图像获得的奖励分别为ri(1≤i≤8)，每次训练经过m步选出最终的8个人脸面部图像，则每次训练总奖励为
Figure GDA0003330849270000101
为了选出最利于识别的人脸面部图像，即学习到的网络参数θ应使奖励的期望值
Figure GDA0003330849270000102
最大化。
本发明从40帧的视频序列中选取8帧，采用8个共享权值的智能体，对单个智能体，其获得奖励的期望值为：
Figure GDA0003330849270000103
Figure GDA0003330849270000104
为单个智能体活动的奖励
网络训练采用随机梯度下降法进行迭代更新，为了最大化期望值，计算期望的梯度如下：
Figure GDA0003330849270000105
期望的梯度可由上式进行估计，其中p为概率值。
已知当前状态，所执行的动作与之前的状态、动作无关，则此过程可看作一个马尔科夫链，则
Figure GDA0003330849270000106
Figure GDA0003330849270000111
上式中
Figure GDA0003330849270000112
与θ无关，则求解
Figure GDA0003330849270000113
的问题与求解问题
Figure GDA0003330849270000114
等价
定义损失函数为
Figure GDA0003330849270000115
这里θ为网络参数，N为一个batch的训练样本数，m为一次训练过程执行网络的次数，sj为第j次迭代所处的状态，aj为第j次迭代所执行的动作，πθ(sj,aj)是参数为θ的网络，输入是观察到的状态，输出执行动作的概率。
因此对8个智能体总的损失函数定义如下：
Figure GDA0003330849270000116
步骤5，从测试集中选择一个视频序列，采用训练好的强化学习网络对进行识别，输出无遮挡、倾斜角度小的人脸图像。如图3的最底层即为输出的人脸图像，如图可知输出图像清晰度高、无遮挡、倾斜角度小、光照条件好，能够很好的运用与人脸面部算法中，提高识别准确率。

Claims (4)

1.一种基于强化学习的人脸识别方法，其特征在于，具体步骤包括：
步骤1，采集多个包含人脸视频序列做为数据集；
步骤2，对数据集中的所有视频序列做预处理后分为两部分，一部分为训练集、一部分为测试集；所述预处理后的视频序列为去除非人脸帧后统一帧数，每一帧进行人脸分割并统一图像大小的视频序列；
步骤3，建立强化学习网络，所述强化学习网络包括依次连接的输入层、3个卷积层和2个全连接层和输出层，所述输入层对应整个视频序列Svideo和Sselect中的每一帧图像；所述输出层对应无遮挡、倾斜角度小的人脸图像；
所述强化学习网络的损失函数为：
Figure FDA0003330849260000011
θ为网络参数，N为一个batch的训练样本数，m为一次训练过程执行网络的次数，sj为第j次迭代所处的状态，aj为第j次迭代所执行的动作，πθ(sj,aj)是参数为θ的网络，h为输出层节点的个数；
所述强化学习网络的状态、动作、环境和奖励定义为：
状态：强化学习的状态由整个视频序列Svideo和当前被选中的人脸面部图像Sselect组成；
动作：动作是经过强化学习网络之后去选择哪一帧人脸面部图像，定义了选择上一帧、选择当前帧、选择下一帧三种动作，对应强化学习网络的输出；
环境：已知动作是选择上一帧、选择当前帧、选择下一帧三者中的一种，环境起更新状态Sselect的作用；
奖励：对于每一次动作，状态Sselect会发生对应的更新，对不同的状态Sselect，给予不同的奖励，奖励的分配方式为：由一个已训练完成的人脸识别模型，将当前选择h个人脸面部图像的第i个，即
Figure FDA0003330849260000021
输入网络进行识别，奖励的分配有以下三种方式:
若执行动作之前
Figure FDA0003330849260000022
识别结果为错误，执行动作之后识别结果为正确，则给予奖励r0；
若执行动作之前
Figure FDA0003330849260000026
识别结果为正确，执行动作之后识别结果为错误，则给予奖励-r0；
若执行动作之前
Figure FDA0003330849260000023
识别结果为正确，执行动作之后识别结果仍为正确，由识别结果的置信度给予奖励
Figure FDA0003330849260000024
其中r1是执行动作前后识别结果都正确所给的奖励；
Pn为第n次识别的置信度，因此定义最终的奖励为：
Figure FDA0003330849260000025
步骤4，采用步骤3建立的强化学习网络对训练集进行训练，得到训练好的强化学习网络；
步骤5，从测试集中选择一个视频序列，采用训练好的强化学习网络进行识别，输出无遮挡、倾斜角度小的人脸图像。
2.如权利要求1所述的一种基于强化学习的人脸识别方法，其特征在于，所述强化学习网络采用随机梯度下降法进行迭代更新。
3.如权利要求1所述的一种基于强化学习的人脸识别方法，其特征在于，所述输出层中采用Softmax函数作为输出。
4.如权利要求1所述的一种基于强化学习的人脸识别方法，其特征在于，所述强化学习网络的迭代次数与输出层节点个数的设置方法为：
设所述预处理之后的图像序列的帧数为a0，输出层节点数记为h，设置迭代次数为m，则存在
Figure FDA0003330849260000031
CN202010022574.4A 2020-01-09 2020-01-09 一种基于强化学习的人脸识别方法 Expired - Fee Related CN111079717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010022574.4A CN111079717B (zh) 2020-01-09 2020-01-09 一种基于强化学习的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010022574.4A CN111079717B (zh) 2020-01-09 2020-01-09 一种基于强化学习的人脸识别方法

Publications (2)

Publication Number Publication Date
CN111079717A CN111079717A (zh) 2020-04-28
CN111079717B true CN111079717B (zh) 2022-02-22

Family

ID=70322661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010022574.4A Expired - Fee Related CN111079717B (zh) 2020-01-09 2020-01-09 一种基于强化学习的人脸识别方法

Country Status (1)

Country Link
CN (1) CN111079717B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819144B (zh) * 2021-02-20 2024-02-13 厦门吉比特网络技术股份有限公司 一种具有多智能体的神经网络提升收敛和训练速度的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169544A (zh) * 2011-04-18 2011-08-31 苏州市慧视通讯科技有限公司 基于多特征融合的人脸遮挡检测方法
CN105023006A (zh) * 2015-08-05 2015-11-04 西安电子科技大学 基于增强型非参数最大边缘准则的人脸识别方法
CN106503687A (zh) * 2016-11-09 2017-03-15 合肥工业大学 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN108171256A (zh) * 2017-11-27 2018-06-15 深圳市深网视界科技有限公司 人脸图像质评模型构建、筛选、识别方法及设备和介质
CN108229308A (zh) * 2017-11-23 2018-06-29 北京市商汤科技开发有限公司 目标对象识别方法、装置、存储介质和电子设备
CN108491798A (zh) * 2018-03-23 2018-09-04 四川意高汇智科技有限公司 基于个性化特征的人脸识别方法
CN109076198A (zh) * 2016-07-08 2018-12-21 华为技术有限公司 基于视频的对象跟踪遮挡检测系统、过程和设备
CN109800717A (zh) * 2019-01-22 2019-05-24 中国科学院自动化研究所 基于强化学习的行为识别视频帧采样方法及系统
CN110335291A (zh) * 2019-07-01 2019-10-15 腾讯科技（深圳）有限公司 人物追踪方法及终端

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201445454A (zh) * 2013-05-22 2014-12-01 Asustek Comp Inc 提升人臉辨識率的影像處理系統及影像處理方法
CN108681704A (zh) * 2018-05-15 2018-10-19 北京理工大学 一种基于深度学习的人脸识别系统
JP2019206090A (ja) * 2018-05-28 2019-12-05 セイコーエプソン株式会社 画像処理装置、コックリング判定方法、機械学習装置
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169544A (zh) * 2011-04-18 2011-08-31 苏州市慧视通讯科技有限公司 基于多特征融合的人脸遮挡检测方法
CN105023006A (zh) * 2015-08-05 2015-11-04 西安电子科技大学 基于增强型非参数最大边缘准则的人脸识别方法
CN109076198A (zh) * 2016-07-08 2018-12-21 华为技术有限公司 基于视频的对象跟踪遮挡检测系统、过程和设备
CN106503687A (zh) * 2016-11-09 2017-03-15 合肥工业大学 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN108229308A (zh) * 2017-11-23 2018-06-29 北京市商汤科技开发有限公司 目标对象识别方法、装置、存储介质和电子设备
CN108171256A (zh) * 2017-11-27 2018-06-15 深圳市深网视界科技有限公司 人脸图像质评模型构建、筛选、识别方法及设备和介质
CN108491798A (zh) * 2018-03-23 2018-09-04 四川意高汇智科技有限公司 基于个性化特征的人脸识别方法
CN109800717A (zh) * 2019-01-22 2019-05-24 中国科学院自动化研究所 基于强化学习的行为识别视频帧采样方法及系统
CN110335291A (zh) * 2019-07-01 2019-10-15 腾讯科技（深圳）有限公司 人物追踪方法及终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Attention-aware Deep Reinforcement Learning for Video Face Recognition;Yongming Rao等;《ICCV》;20171231;第3931-3940页 *
基于视频流人脸识别的课堂考勤系统的设计与实现;方冠男;《中国硕士学位论文全文数据库社会科学Ⅱ辑》;20181215;第2018年卷(第12期);H127-215 *

Also Published As

Publication number Publication date
CN111079717A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN112215119B (zh) 一种基于超分辨率重建的小目标识别方法、装置及介质
CN111539480B (zh) 多类别医学图像识别方法及设备
CN112950561B (zh) 光纤端面缺陷检测方法、设备及存储介质
CN109800717B (zh) 基于强化学习的行为识别视频帧采样方法及系统
CN113128620B (zh) 一种基于层次关系的半监督领域自适应图片分类方法
CN111126470B (zh) 基于深度度量学习的图片数据迭代聚类分析方法
CN114863348B (zh) 基于自监督的视频目标分割方法
CN114038037A (zh) 基于可分离残差注意力网络的表情标签修正和识别方法
CN110992351A (zh) 基于多输入卷积神经网络的sMRI图像分类方法和装置
CN110287777A (zh) 一种自然场景下的金丝猴躯体分割算法
CN113139594B (zh) 一种机载图像无人机目标自适应检测方法
CN109558898B (zh) 一种基于深度神经网络的高置信度的多选择学习方法
CN113065520B (zh) 一种面向多模态数据的遥感图像分类方法
CN112633257A (zh) 基于改良卷积神经网络的马铃薯病害识别方法
CN118036555B (zh) 基于骨架式转移和结构对比学习的少样本字体生成方法
CN111079717B (zh) 一种基于强化学习的人脸识别方法
CN117152503A (zh) 一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法
CN117893786B (zh) 基于自监督主动学习的图像分类方法、装置、设备及存储介质
CN113450363B (zh) 一种基于标签校正的元学习细胞核分割系统及方法
CN112560668B (zh) 一种基于场景先验知识的人体行为识别方法
CN117934491A (zh) 一种基于半监督深度学习的腺体分割方法
CN111626197B (zh) 一种基于人体行为识别网络模型的识别方法
CN111612803B (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN112434614A (zh) 一种基于Caffe框架的滑窗动作检测方法
CN112766143A (zh) 一种基于多情绪的人脸老化处理方法和系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220222