CN111191563A - 基于数据样本与测试数据集训练的人脸识别方法及系统 - Google Patents

基于数据样本与测试数据集训练的人脸识别方法及系统 Download PDF

Info

Publication number
CN111191563A
CN111191563A CN201911364523.3A CN201911364523A CN111191563A CN 111191563 A CN111191563 A CN 111191563A CN 201911364523 A CN201911364523 A CN 201911364523A CN 111191563 A CN111191563 A CN 111191563A
Authority
CN
China
Prior art keywords
face
face image
training
test data
recognized
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
CN201911364523.3A
Other languages
English (en)
Inventor
刘天元
陈奇松
张玉冲
韩高强
罗龙
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.)
Sunmnet Technology Co ltd
Original Assignee
Sunmnet 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 Sunmnet Technology Co ltd filed Critical Sunmnet Technology Co ltd
Priority to CN201911364523.3A priority Critical patent/CN111191563A/zh
Publication of CN111191563A publication Critical patent/CN111191563A/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
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于数据样本与测试数据集训练的人脸识别方法及系统，其中，该方法包括：采集原始人脸图像；对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像；对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库；在所述人脸特征库中对所述待识别的人脸图像进行识别，获得人脸识别结果。在本发明实施例中，通过将开放性测试数据集与人脸识别过程中产生的带标注的个性化数据样本进行联合训练，将人脸识别技术与大数据技术进行结合，可提高人脸识别的速度、效率及准确率。

Description

基于数据样本与测试数据集训练的人脸识别方法及系统
技术领域
本发明涉及图像处理、人工智能、大数据等技术领域，尤其涉及一种基于数据样本与测试数据集训练的人脸识别方法及系统。
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，是采集含有人脸的图像或视频，并在图像中检测人脸，进行对人脸进行脸部识别的相关技术。
近几年，随着基于深度学习的算法不断优化和芯片技术的发展，人工智能特别是人脸识别的识别率、准确率已大幅提升，已在各行各业得到广泛地使用。人脸识别唯一不可复制、无接触、快速识别等特性，在学校的人员通行、考勤、门禁等场景也得到了成熟地应用。
随着人脸识别的应用逐步推广，在这过程中产生大量的结构化及非结构化数据，通过大数据分析可提供个性化的应用给用户，同时也可利用这些大数据提升自身的应用系统性能及系统的鲁棒性。
现有技术中，很多现有的人脸识别系统在实验室的测试效果非常优秀，但在实际用户应用场景使用过程中却不尽人意，这里边跟人脸识别特性有很大关系，不同视频采集场景的环境差异很大。另外，应用系统产生的大数据没有效地利用。人脸识别技术在学校应用场景使用时会产生大量数据，应用数据除常规的考勤数据、通行数据流水记录外，终端设备会自动抓拍并存储所有人员(包括学生)的人脸照片，需要对大量数据进行有效处理，存在计算复杂、识别效率低的问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于数据样本与测试数据集训练的人脸识别方法及系统，可提高人脸识别的速度、效率及准确率。
为了解决上述问题，本发明提出了一种基于数据样本与测试数据集训练的人脸识别方法，所述方法包括：
采集原始人脸图像；
对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像；
对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；
结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库；
在所述人脸特征库中对所述待识别的人脸图像进行识别，获得人脸识别结果。
优选地，所述对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像的步骤，包括：
对所述原始人脸图像进行预处理，获得预处理后的人脸图像；
对所述预处理后的人脸图像进行人脸检测，获得包括人脸信息的待识别的人脸图像。
优选地，所述对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据，包括：
对所述原始人脸图像的面部关键特征点进行检测，定位面部关键特征点；
获得包括所述面部特征点集合的人脸图像样本数据。
优选地，所述对所述原始人脸图像的面部关键特征点进行检测，定位面部关键特征点的步骤，包括：
利用卷积神经网络CNN对面部关键特征点进行定位；
通过特征提取器进行面部关键特征点进行提取。
优选地，所述结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库的步骤，包括：
结合测试数据集对所述人脸图像样本数据进行卷积神经网络的训练，获得人脸特征库。
相应地，本发明还提供一种基于数据样本与测试数据集训练的人脸识别系统，所述系统包括：
采集模块，用于采集原始人脸图像；
检测模块，用于对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像；
对齐模块，用于对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；
训练模块，用于结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库；
识别模块，用于在所述人脸特征库中对所述待识别的人脸图像进行识别，获得人脸识别结果。
优选地，所述检测模块包括：
预处理单元，用于对所述原始人脸图像进行预处理，获得预处理后的人脸图像；
人脸检测单元，用于对所述预处理后的人脸图像进行人脸检测，获得包括人脸信息的待识别的人脸图像。
优选地，所述对齐模块包括：
特征点检测单元，用于对所述原始人脸图像的面部关键特征点进行检测，定位面部关键特征点；
样本获取单元，用于获得包括所述面部特征点集合的人脸图像样本数据。
优选地，所述特征点检测单元包括：
定位子单元，用于利用卷积神经网络CNN对面部关键特征点进行定位；
提取子单元，用于通过特征提取器进行面部关键特征点进行提取。
优选地，所述训练模块还用于结合测试数据集对所述人脸图像样本数据进行卷积神经网络的训练，获得人脸特征库。
在本发明实施例中，通过将开放性测试数据集与人脸识别过程中产生的带标注的个性化数据样本进行联合训练，将人脸识别技术与大数据技术进行结合，可提高人脸识别的速度、效率及准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例的基于数据样本与测试数据集训练的人脸识别方法的流程示意图；
图2是本发明实施例中人脸检测处理的流程示意图；
图3是本发明实施例中人脸对齐处理的流程示意图；
图4是本发明实施例中人脸识别情景示意图；
图5是本发明实施例的基于数据样本与测试数据集训练的人脸识别系统的结构组成示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明中，为了有针对性地提升人脸识别系统在学校应用场景更好的体验效果，特别是非配合式的人脸识别系统提升检测及识别的准确率。一般来说，学校人脸识别应用场景会产生大量数据，应用数据除常规的考勤数据、通行数据流水记录外，终端设备会自动抓拍并存储所有学生的人脸照片，可追溯、显示。由于不同终端设备的安装位置环境、摄像头的角度、高度、摄像头的芯片处理方案等都不相同，这些在不同终端设备抓拍下来的人脸照片有如下这些特征：
(1)抓拍的人脸照片，随机性比较强，但都是带标注的。
(2)抓拍的人脸照片，包含不同光照强度(逆光、强光、低照)、多种偏离角度、不同年龄、不同性别、不同肤色、带口罩、戴眼镜等各种特性。
(3)抓拍的人脸照片包含校内师生、校外访客人员等。
本发明的人脸识别方法基于深度学习技术，可将系统部署在学校内部，充分利用各应用系统的特性及产生的大量的随机的带标注的人脸照片，结合LFW测试数据集(LFW，Labeled Faces in the Wild)对人脸进行识别，，提高了人脸识别准确率，提升了用户体验。
图1是本发明实施例的基于数据样本与测试数据集训练的人脸识别方法的流程示意图，如图1所示，该方法包括：
S1，采集原始人脸图像；
S2，对原始人脸图像进行人脸检测处理，获得待识别的人脸图像；
S3，对待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；
S4，结合测试数据集对人脸图像样本数据进行训练，获得人脸特征库；
S5，在人脸特征库中对待识别的人脸图像进行识别，获得人脸识别结果。
在S1中，可在应用区域的各检测点部署带人脸抓拍的摄像机或者普通摄像机，通过摄像机采集原始人脸图像。
如图2所示，S2进一步包括：
S21，对原始人脸图像进行预处理，获得预处理后的人脸图像；
S22，对预处理后的人脸图像进行人脸检测，获得包括人脸信息的待识别的人脸图像。
如图3所示，S3进一步包括：
S31，对原始人脸图像的面部关键特征点进行检测，定位面部关键特征点；
S32，获得包括面部特征点集合的人脸图像样本数据。
具体实施中，S31进一步包括：
利用卷积神经网络CNN对面部关键特征点进行定位；
通过特征提取器进行面部关键特征点进行提取。
在S5中，结合测试数据集对人脸图像样本数据进行卷积神经网络的训练，获得人脸特征库。
如图4所示，人脸识别主要分为1：1和1：N两大类。
1：1解决的问题是“证明你是你”，如人证访客登记，访客在人证核验机上登记身份证的同时，将身份证读取的照片与实时抓拍的照片进行比对。
1：N解决的问题是“你是谁？”，如人脸识别通道闸机场景，实时抓拍的人脸照片与人脸特征库进行比对，找出相似度最高的，证明你是人脸库里的某个人。
对比是基于深度学习的特征算法生成的特征向量进行的。每张人脸都会映射成一张512维的特征向量，将待比对的人脸特征向量与人脸库中的特征向量一一进行相似度计算，使用的是余弦相似度。相似度超过阈值(具体实施中可设置阈值为0.8，在不同应用场中，阈值可作其它设定)，且相似度值最高的那个人脸特征库中的照片就是搜索结果。
在本发明实施例中，人脸识别过程主要包括人脸检测、人脸对齐、人脸识别三个部分。人脸检测目的是从图片/视频中检测人脸，并确定人脸的位置；人脸对齐目的是找到人的面部特征点(鼻子，眼睛，嘴巴等)，解决人脸的角度变化问题；人脸识别目的是识别人脸，确定身份。
基于深度学习的特征算法，可以提高人脸识别的准确性，为学校各个应用场景提供技术支撑。
在特征点的检测过程中，根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等。
在人脸对齐过程中，一张人脸图像搜索人脸预先定义的点(也叫人脸形状)，通常从一个粗估计的形状开始，然后通过迭代来细化形状的估计。方法包括：1、AAM(ActiveAppearnce Model)；2、ASM(Active Shape Model)。
在特征点定位过程中，利用卷积神经网络CNN，由粗到细实现人脸关键点的精确定位。一般网络结构分为3层：level 1、level 2、level 3，每层都包含多个独立的CNN模型。
在特征点提取过程，需要一个特征提取器(predictor)，构建特征提取器可以训练模型，可以使用已经训练好的关键点提取模型。
相应地，本发明实施例还提供一种基于数据样本与测试数据集训练的人脸识别系统，如图5所示，该系统包括：
采集模块1，用于采集原始人脸图像；
检测模块2，用于对原始人脸图像进行人脸检测处理，获得待识别的人脸图像；
对齐模块3，用于对待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；
训练模块4，用于结合测试数据集对人脸图像样本数据进行训练，获得人脸特征库；
识别模块5，用于在人脸特征库中对待识别的人脸图像进行识别，获得人脸识别结果。
采集模块1可以是在应用区域的各检测点部署的带人脸抓拍的摄像机或者普通摄像机，通过摄像机采集原始人脸图像。
进一步地，检测模块2包括：
预处理单元，用于对原始人脸图像进行预处理，获得预处理后的人脸图像；
人脸检测单元，用于对预处理后的人脸图像进行人脸检测，获得包括人脸信息的待识别的人脸图像。
对齐模块3包括：
特征点检测单元，用于对原始人脸图像的面部关键特征点进行检测，定位面部关键特征点；
样本获取单元，用于获得包括面部特征点集合的人脸图像样本数据。
特征点检测单元进一步包括：
定位子单元，用于利用卷积神经网络CNN对面部关键特征点进行定位；
提取子单元，用于通过特征提取器进行面部关键特征点进行提取。
训练模块5还用于结合测试数据集对人脸图像样本数据进行卷积神经网络的训练，获得人脸特征库。
人脸识别主要分为1：1和1：N两大类。
1：1解决的问题是“证明你是你”，如人证访客登记，访客在人证核验机上登记身份证的同时，将身份证读取的照片与实时抓拍的照片进行比对。
1：N解决的问题是“你是谁？”，如人脸识别通道闸机场景，实时抓拍的人脸照片与人脸特征库进行比对，找出相似度最高的，证明你是人脸库里的某个人。
对比是基于深度学习的特征算法生成的特征向量进行的。每张人脸都会映射成一张512维的特征向量，将待比对的人脸特征向量与人脸库中的特征向量一一进行相似度计算，使用的是余弦相似度。相似度超过阈值(具体实施中可设置阈值为0.8，在不同应用场中，阈值可作其它设定)，且相似度值最高的那个人脸特征库中的照片就是搜索结果。
具体地，本发明系统相关功能模块的工作原理可参见方法实施例的实现过程的相关描述，这里不再赘述。
在本发明实施例中，通过将开放性测试数据集与人脸识别过程中产生的带标注的个性化数据样本进行联合训练，将人脸识别技术与大数据技术进行结合，可提高人脸识别的速度、效率及准确率。。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于数据样本与测试数据集训练的人脸识别方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于数据样本与测试数据集训练的人脸识别方法，其特征在于，所述方法包括：
采集原始人脸图像；
对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像；
对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；
结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库；
在所述人脸特征库中对所述待识别的人脸图像进行识别，获得人脸识别结果。
2.如权利要求1所述的基于数据样本与测试数据集训练的人脸识别方法，其特征在于，所述对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像的步骤，包括：
对所述原始人脸图像进行预处理，获得预处理后的人脸图像；
对所述预处理后的人脸图像进行人脸检测，获得包括人脸信息的待识别的人脸图像。
3.如权利要求1所述的基于数据样本与测试数据集训练的人脸识别方法，其特征在于，所述对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据，包括：
对所述原始人脸图像的面部关键特征点进行检测，定位面部关键特征点；
获得包括所述面部特征点集合的人脸图像样本数据。
4.如权利要求3所述的基于数据样本与测试数据集训练的人脸识别方法，其特征在于，所述对所述原始人脸图像的面部关键特征点进行检测，定位面部关键特征点的步骤，包括：
利用卷积神经网络CNN对面部关键特征点进行定位；
通过特征提取器进行面部关键特征点进行提取。
5.如权利要求1所述的基于数据样本与测试数据集训练的人脸识别方法，其特征在于，所述结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库的步骤，包括：
结合测试数据集对所述人脸图像样本数据进行卷积神经网络的训练，获得人脸特征库。
6.一种基于数据样本与测试数据集训练的人脸识别系统，其特征在于，所述系统包括：
采集模块，用于采集原始人脸图像；
检测模块，用于对所述原始人脸图像进行人脸检测处理，获得待识别的人脸图像；
对齐模块，用于对所述待识别的人脸图像进行人脸对齐处理，获得对齐处理后的人脸图像样本数据；
训练模块，用于结合测试数据集对所述人脸图像样本数据进行训练，获得人脸特征库；
识别模块，用于在所述人脸特征库中对所述待识别的人脸图像进行识别，获得人脸识别结果。
7.如权利要求6所述的基于数据样本与测试数据集训练的人脸识别系统，其特征在于，所述检测模块包括：
预处理单元，用于对所述原始人脸图像进行预处理，获得预处理后的人脸图像；
人脸检测单元，用于对所述预处理后的人脸图像进行人脸检测，获得包括人脸信息的待识别的人脸图像。
8.如权利要求6所述的基于数据样本与测试数据集训练的人脸识别系统，其特征在于，所述对齐模块包括：
特征点检测单元，用于对所述原始人脸图像的面部关键特征点进行检测，定位面部关键特征点；
样本获取单元，用于获得包括所述面部特征点集合的人脸图像样本数据。
9.如权利要求8所述的基于数据样本与测试数据集训练的人脸识别系统，其特征在于，所述特征点检测单元包括：
定位子单元，用于利用卷积神经网络CNN对面部关键特征点进行定位；
提取子单元，用于通过特征提取器进行面部关键特征点进行提取。
10.如权利要求6所述的基于数据样本与测试数据集训练的人脸识别系统，其特征在于，所述训练模块还用于结合测试数据集对所述人脸图像样本数据进行卷积神经网络的训练，获得人脸特征库。
CN201911364523.3A 2019-12-26 2019-12-26 基于数据样本与测试数据集训练的人脸识别方法及系统 Pending CN111191563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911364523.3A CN111191563A (zh) 2019-12-26 2019-12-26 基于数据样本与测试数据集训练的人脸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911364523.3A CN111191563A (zh) 2019-12-26 2019-12-26 基于数据样本与测试数据集训练的人脸识别方法及系统

Publications (1)

Publication Number Publication Date
CN111191563A true CN111191563A (zh) 2020-05-22

Family

ID=70707587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911364523.3A Pending CN111191563A (zh) 2019-12-26 2019-12-26 基于数据样本与测试数据集训练的人脸识别方法及系统

Country Status (1)

Country Link
CN (1) CN111191563A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011277A (zh) * 2021-02-25 2021-06-22 日立楼宇技术（广州）有限公司 基于人脸识别的数据处理方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203333A (zh) * 2016-07-08 2016-12-07 乐视控股（北京）有限公司 人脸识别方法及系统
CN106228113A (zh) * 2016-07-12 2016-12-14 电子科技大学 基于aam的人脸特征点快速对齐方法
CN106951867A (zh) * 2017-03-22 2017-07-14 成都擎天树科技有限公司 基于卷积神经网络的人脸识别方法、装置、系统及设备
CN106991390A (zh) * 2017-03-30 2017-07-28 电子科技大学 一种基于深度学习的手持人证比对系统及方法
CN107563328A (zh) * 2017-09-01 2018-01-09 广州智慧城市发展研究院 一种基于复杂环境下的人脸识别方法及系统
CN108052925A (zh) * 2017-12-28 2018-05-18 江西高创保安服务技术有限公司 一种小区人员档案智能管理方法
CN109784219A (zh) * 2018-12-28 2019-05-21 广州海昇计算机科技有限公司 一种基于集中协调学习的人脸识别方法、系统及装置
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN110163567A (zh) * 2019-05-08 2019-08-23 长春师范大学 基于多任务级联卷积神经网络的课堂点名系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203333A (zh) * 2016-07-08 2016-12-07 乐视控股（北京）有限公司 人脸识别方法及系统
CN106228113A (zh) * 2016-07-12 2016-12-14 电子科技大学 基于aam的人脸特征点快速对齐方法
CN106951867A (zh) * 2017-03-22 2017-07-14 成都擎天树科技有限公司 基于卷积神经网络的人脸识别方法、装置、系统及设备
CN106991390A (zh) * 2017-03-30 2017-07-28 电子科技大学 一种基于深度学习的手持人证比对系统及方法
CN107563328A (zh) * 2017-09-01 2018-01-09 广州智慧城市发展研究院 一种基于复杂环境下的人脸识别方法及系统
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108052925A (zh) * 2017-12-28 2018-05-18 江西高创保安服务技术有限公司 一种小区人员档案智能管理方法
CN109784219A (zh) * 2018-12-28 2019-05-21 广州海昇计算机科技有限公司 一种基于集中协调学习的人脸识别方法、系统及装置
CN110163567A (zh) * 2019-05-08 2019-08-23 长春师范大学 基于多任务级联卷积神经网络的课堂点名系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011277A (zh) * 2021-02-25 2021-06-22 日立楼宇技术（广州）有限公司 基于人脸识别的数据处理方法、装置、设备及介质
CN113011277B (zh) * 2021-02-25 2023-11-21 日立楼宇技术（广州）有限公司 基于人脸识别的数据处理方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Wang et al. Hierarchical attention network for action recognition in videos
CN106778450B (zh) 一种面部识别方法和装置
CN109919977B (zh) 一种基于时间特征的视频运动人物跟踪与身份识别方法
Kumar et al. Real time face recognition using adaboost improved fast PCA algorithm
CN107230267B (zh) 基于人脸识别算法的幼儿园智能签到方法
Yang et al. Tracking based multi-orientation scene text detection: A unified framework with dynamic programming
CN109389098B (zh) 一种基于唇语识别的验证方法以及系统
CN111968152B (zh) 一种动态身份识别方法及装置
CN107911643A (zh) 一种视频通信中展现场景特效的方法和装置
CN110991397B (zh) 一种行进方向确定方法及相关设备
Haji et al. Real time face recognition system (RTFRS)
Sapkota et al. Large scale unconstrained open set face database
Paul et al. Extraction of facial feature points using cumulative histogram
Ji et al. Face occlusion detection using skin color ratio and LBP features for intelligent video surveillance systems
Andiani et al. Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet
Sharmila et al. Automatic Attendance System based on FaceRecognition using Machine Learning
CN113837006A (zh) 一种人脸识别方法、装置、存储介质及电子设备
CN111191563A (zh) 基于数据样本与测试数据集训练的人脸识别方法及系统
CN112766065A (zh) 一种移动端考生身份认证方法、装置、终端及存储介质
CN108197593B (zh) 基于三点定位方法的多尺寸人脸表情识别方法及装置
CN116612542A (zh) 基于多模态生物特征一致性的音视频人物识别方法及系统
Wei et al. Omni-face detection for video/image content description
CN110751034B (zh) 行人行为识别方法及终端设备
CN113947781A (zh) 一种走失儿童识别方法、系统、终端设备及存储介质
CN114359646A (zh) 一种视频分析方法、装置、系统、电子设备和介质

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