CN111260880A - 一种校园用人脸识别安全隐患报警装置 - Google Patents

一种校园用人脸识别安全隐患报警装置 Download PDF

Info

Publication number
CN111260880A
CN111260880A CN202010031464.4A CN202010031464A CN111260880A CN 111260880 A CN111260880 A CN 111260880A CN 202010031464 A CN202010031464 A CN 202010031464A CN 111260880 A CN111260880 A CN 111260880A
Authority
CN
China
Prior art keywords
face
verification
campus
algorithm
remote server
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
CN202010031464.4A
Other languages
English (en)
Inventor
李文倩
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.)
Chengdu Allianz Cloud Security Service Co Ltd
Original Assignee
Chengdu Allianz Cloud Security Service 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 Chengdu Allianz Cloud Security Service Co Ltd filed Critical Chengdu Allianz Cloud Security Service Co Ltd
Priority to CN202010031464.4A priority Critical patent/CN111260880A/zh
Publication of CN111260880A publication Critical patent/CN111260880A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • 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

本发明公开了一种校园用人脸识别安全隐患报警装置，包括(1)本地服务器通过图像采集装置采集人脸图像；(2)本地服务器将采集的人脸图像发送给远端服务器；(3)远端服务器对图像信息进行初步处理；(4)远端服务器对进行了初步处理后的图像信息进行人脸特征的提取；(5)远端服务器对提取的人脸特征进行人脸验证分析；(6)远端服务器对经过验证分析后的人脸图像信息进行数据库匹配计算等步骤。本发明提供一种校园用人脸识别安全隐患报警装置，能够有效的完成校园中图片信息的采集，并将采集后的图片信息发送到公安部门与数据库中的相关图像信息进行对比，最终根据图像信息对比的结果判断是否需要进行报警。

Description

一种校园用人脸识别安全隐患报警装置
技术领域
本发明属于校园安全领域，具体是指一种校园用人脸识别安全隐患报警装置。
背景技术
校园安全与每个师生、家长和社会都有着密切的关系。从广义上讲，校园事故是指学生在校期间，由于某种偶然突发的因素而导致的人为伤害事件。就其特点而言，一般是因为责任人疏忽大意过失失职而不是因为故意而导致事故的发生。
随着社会的发展与进步，尤其是近年来在国内外不时出现的各类校园安全事故，也使得广大院校愈发的重视校园的安全问题。全国许多校园为了提高校园的安全性，降低校园的安全隐患，也逐步与公安部门进行了联动，通过图像等数据传输比对的方式对进入校园的人员进行识别与辨认，以降低校园内安全事故的发生机率。
但是，如何更好的对图像信息进行对比，提高图像信息对比的准确度，以避免发生误会则需要更加细致的研究与设计。
发明内容
本发明的目的在于克服上述问题，提供一种校园用人脸识别安全隐患报警装置，能够有效的完成校园中图片信息的采集，并将采集后的图片信息发送到公安部门与数据库中的相关图像信息进行对比，最终根据图像信息对比的结果判断是否需要进行报警。
本发明的目的通过下述技术方案实现：
一种校园用人脸识别安全隐患报警装置，包括以下步骤：
(1)本地服务器通过图像采集装置采集人脸图像；
(2)本地服务器将采集的人脸图像发送给远端服务器；
(3)远端服务器对图像信息进行初步处理；
(4)远端服务器对进行了初步处理后的图像信息进行人脸特征的提取；
(5)远端服务器对提取的人脸特征进行人脸验证分析；
(6)远端服务器对经过验证分析后的人脸图像信息进行数据库匹配计算；
(7)远端服务器将匹配结果反馈给本地服务器；
(8)本地服务器在反馈结果为安全时显示安全，在反馈结果为危险时显示危险并通过外接的报警器报警提示。
步骤(3)的具体处理算法为：
Figure BDA0002364461460000021
其中，F(w)为“傅里叶变换-自变量”，f(t)为“时间信号”，WT函数为求积分，-iwt为“整数小波变换”，dt为“时间轴”。
步骤(4)的人脸特征提取网络基于简单的卷积网络其中layer3和layer4共同连接到DeepID2layer上，同时layer3和layer4采用了局部权值共享的卷积方式；
卷积神经网络在DeepID中的作用是学习特征，即将图片输入进去，学习到一个160维的向量，然后在这个160维向量上，套用现有的分类器，即可得到结果；DeepID之所以有效，首先在于卷积神经网络学习到的特征的区分能力比较强，为了得到比较强的结果，DeepID采取了增大数据集的手法，只有大的数据集才能使得卷积神经网络训练的更加的充分，增大数据集采用两种手法的组合：
第一种手法，就是采集好的数据，即CelebFaces数据集的引入；
第二种手法，就是将图片多尺度多通道多区域的切分，分别进行训练，再把得到的向量连接起来，得到最后的向量；
DeepID的算法流程如下：
首先，将人脸图片A和人脸图片B通过DeepID完成特征的提取，分别得到向量A和向量B；
其次，将向量A和向量B进行连接以得到Classifier；
最后，根据Classifier输出结果；
在上述的流程中，DeepID可以换为传统的Hog或LBP特征提取算法，Classifier可以是任意的machine learning分类算法，该machine learning分类算法包括SVM、JointBayes、LR或NN；
在引入外部数据集的情况下，训练流程为：
首先，外部数据集以4:1进行切分，其中4份外部数据集用来训练DeepID，1份外部数据集作为训练DeepID的验证集；
然后，用1份外部数据集来训练Classifier；
这样划分的原因在于两层模型不能使用同一种数据进行训练，以避免产生过拟合。
步骤(5)中人脸验证分析又包括验证和结果两步，具体为：
验证：人脸验证阶段即基于特征提取网络提取的DeepID2特征搭配训练的Joint贝叶斯实现，首先基于SDM算法跑出的21点人脸关键点提出不同的人脸patch，位于不同位置、不同scale、不同channel、水平翻转可以在单个人脸上提出400个patch，然后基于贪婪算法在400个patch中选出25个对于人脸验证作用最大的patch进行后续验证操作，将25个patch的示意图列出，并将基于这25个patch得到的得分也都标注在相应的patch下方；
结果：为了验证两个优化目标为什么在gamma为0.05时有更好的效果，使用了LDA来对inter和intra-person的variations进行分析，通过图表化不同gamma值的inter-person的variance变化，可知不同人的feature的variance跨度越大越利于分类，gamma为0.05时与0时相比并没有使inter-personal的variance降低，部分区域的值甚至会升高；当gamma趋于无穷大时会导致identification目标不被优化，这时不同人之间的feature的variance小，难以分开不同的id；将intra-person的变化图标化，可以得知gamma为0.05时每个id的各个图片的feature的invariance均得到降低。
步骤(6)中进行数据库匹配计算算法为：
采用基于Support Vector Machine的匹配方式并针对SVM空间，使用梯度下降对目标函数进行优化，LinearSVM实际上是不需要进行进入对偶空间求解的，使用梯度下降，Adam基于梯度的优化算法就可以在原问题空间进行优化，使用梯度下降对于SVM原问题优化过程如下：
Figure BDA0002364461460000041
如果不满足条件，那么将尽可能能往满足条件的方向优化，如果符条件，则参数保持不变，最终使用Hinge-Loss可以使用梯度下降法在SVM的原问题空间对问题进行优化。
步骤(6)中还将进行训练优化算法，具体为：
Figure BDA0002364461460000042
本发明与现有技术相比，具有以下优点及有益效果：
本发明能够有效的完成校园中图片信息的采集，并将采集后的图片信息发送到公安部门与数据库中的相关图像信息进行对比，最终根据图像信息对比的结果判断是否需要进行报警。
具体实施方式
下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。
实施例
一种校园用人脸识别安全隐患报警装置，包括以下步骤：
(1)本地服务器通过图像采集装置采集人脸图像；
(2)本地服务器将采集的人脸图像发送给远端服务器；
(3)远端服务器对图像信息进行初步处理；
具体处理算法为：
Figure BDA0002364461460000051
其中，F(w)为“傅里叶变换-自变量”，f(t)为“时间信号”，WT函数为求积分，-iwt为“整数小波变换”，dt为“时间轴”。
(4)远端服务器对进行了初步处理后的图像信息进行人脸特征的提取；
人脸特征提取网络基于简单的卷积网络其中layer3和layer4共同连接到DeepID2layer上，同时layer3和layer4采用了局部权值共享的卷积方式；
卷积神经网络在DeepID中的作用是学习特征，即将图片输入进去，学习到一个160维的向量，然后在这个160维向量上，套用现有的分类器，即可得到结果；DeepID之所以有效，首先在于卷积神经网络学习到的特征的区分能力比较强，为了得到比较强的结果，DeepID采取了增大数据集的手法，只有大的数据集才能使得卷积神经网络训练的更加的充分，增大数据集采用两种手法的组合：
第一种手法，就是采集好的数据，即CelebFaces数据集的引入；
第二种手法，就是将图片多尺度多通道多区域的切分，分别进行训练，再把得到的向量连接起来，得到最后的向量；
DeepID的算法流程如下：
首先，将人脸图片A和人脸图片B通过DeepID完成特征的提取，分别得到向量A和向量B；
其次，将向量A和向量B进行连接以得到Classifier；
最后，根据Classifier输出结果；
在上述的流程中，DeepID可以换为传统的Hog或LBP特征提取算法，Classifier可以是任意的machine learning分类算法，该machine learning分类算法包括SVM、JointBayes、LR或NN；
在引入外部数据集的情况下，训练流程为：
首先，外部数据集以4:1进行切分，其中4份外部数据集用来训练DeepID，1份外部数据集作为训练DeepID的验证集；
然后，用1份外部数据集来训练Classifier；
这样划分的原因在于两层模型不能使用同一种数据进行训练，以避免产生过拟合。
(5)远端服务器对提取的人脸特征进行人脸验证分析；
人脸验证分析又包括验证和结果两步，具体为：
验证：人脸验证阶段即基于特征提取网络提取的DeepID2特征搭配训练的Joint贝叶斯实现，首先基于SDM算法跑出的21点人脸关键点提出不同的人脸patch，位于不同位置、不同scale、不同channel、水平翻转可以在单个人脸上提出400个patch，然后基于贪婪算法在400个patch中选出25个对于人脸验证作用最大的patch进行后续验证操作，将25个patch的示意图列出，并将基于这25个patch得到的得分也都标注在相应的patch下方；
结果：为了验证两个优化目标为什么在gamma为0.05时有更好的效果，使用了LDA来对inter和intra-person的variations进行分析，通过图表化不同gamma值的inter-person的variance变化，可知不同人的feature的variance跨度越大越利于分类，gamma为0.05时与0时相比并没有使inter-personal的variance降低，部分区域的值甚至会升高；当gamma趋于无穷大时会导致identification目标不被优化，这时不同人之间的feature的variance小，难以分开不同的id；将intra-person的变化图标化，可以得知gamma为0.05时每个id的各个图片的feature的invariance均得到降低。
(6)远端服务器对经过验证分析后的人脸图像信息进行数据库匹配计算；
进行数据库匹配计算算法为：
采用基于Support Vector Machine的匹配方式并针对SVM空间，使用梯度下降对目标函数进行优化，LinearSVM实际上是不需要进行进入对偶空间求解的，使用梯度下降，Adam基于梯度的优化算法就可以在原问题空间进行优化，使用梯度下降对于SVM原问题优化过程如下：
Figure BDA0002364461460000071
如果不满足条件，那么将尽可能能往满足条件的方向优化，如果符条件，则参数保持不变，最终使用Hinge-Loss可以使用梯度下降法在SVM的原问题空间对问题进行优化。
其中，Support Vector Machine为支持向量机SVM，LinearSVM指的是一种基于SVM的线性模型，Adam指的是一种可以替代传统随机梯度下降(SGD)过程的一阶优化算法，Hinge Loss指的是折页损失函数。
该步骤的算法为本领域的通用算法，本领域技术人员根据上述内容并结合本领域的技术常识便可以完成该步骤的相关计算，故而在此不进行赘述。
在步骤(6)中还将进行训练优化算法，具体为：
Figure BDA0002364461460000081
在训练过程中基于identification和verification的梯度会通过gamma超参数调节他们之间的权重比，值得注意的是优化方式都是基于SGD反向传播进行训练，但是卷积层的verification的loss中的m其实也是需要被训练的超参数，但是这个超参数不能通过SGD进行训练，因为模型会学出的m都是趋向于0，这样能使得loss最大程度降低。
其中，SGD指的是Stochastic Gradient Descent，即随机梯度下降；verification指的是系统验证，该验证系统通常被描述为1-to-1匹配系统；identification指的是系统辨识，该系统辨识通常被描述为1-to-n匹配系统；loss指的是损失函数，gamma指的是伽玛分布。
该步骤的算法为本领域的通用算法，本领域技术人员根据上述内容并结合本领域的技术常识便可以完成该步骤的相关计算，故而在此不进行赘述。
(7)远端服务器将匹配结果反馈给本地服务器；
(8)本地服务器在反馈结果为安全时显示安全，在反馈结果为危险时显示危险并通过外接的报警器报警提示。
如上所述，便可很好的实现本发明。

Claims (6)

1.一种校园用人脸识别安全隐患报警装置，其特征在于：包括以下步骤：
(1)本地服务器通过图像采集装置采集人脸图像；
(2)本地服务器将采集的人脸图像发送给远端服务器；
(3)远端服务器对图像信息进行初步处理；
(4)远端服务器对进行了初步处理后的图像信息进行人脸特征的提取；
(5)远端服务器对提取的人脸特征进行人脸验证分析；
(6)远端服务器对经过验证分析后的人脸图像信息进行数据库匹配计算；
(7)远端服务器将匹配结果反馈给本地服务器；
(8)本地服务器在反馈结果为安全时显示安全，在反馈结果为危险时显示危险并通过外接的报警器报警提示。
2.根据权利要求1所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(3)的具体处理算法为：
Figure FDA0002364461450000011
其中，F(w)为“傅里叶变换-自变量”，f(t)为“时间信号”，WT函数为求积分，-iwt为“整数小波变换”，dt为“时间轴”。
3.根据权利要求2所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(4)的人脸特征提取网络基于简单的卷积网络其中layer3和layer4共同连接到DeepID2layer上，同时layer3和layer4采用了局部权值共享的卷积方式；
卷积神经网络在DeepID中的作用是学习特征，即将图片输入进去，学习到一个160维的向量，然后在这个160维向量上，套用现有的分类器，即可得到结果；DeepID之所以有效，首先在于卷积神经网络学习到的特征的区分能力比较强，为了得到比较强的结果，DeepID采取了增大数据集的手法，只有大的数据集才能使得卷积神经网络训练的更加的充分，增大数据集采用两种手法的组合：
第一种手法，就是采集好的数据，即CelebFaces数据集的引入；
第二种手法，就是将图片多尺度多通道多区域的切分，分别进行训练，再把得到的向量连接起来，得到最后的向量；
DeepID的算法流程如下：
首先，将人脸图片A和人脸图片B通过DeepID完成特征的提取，分别得到向量A和向量B；
其次，将向量A和向量B进行连接以得到Classifier；
最后，根据Classifier输出结果；
在上述的流程中，DeepID可以换为传统的Hog或LBP特征提取算法，Classifier可以是任意的machine learning分类算法，该machine learning分类算法包括SVM、Joint Bayes、LR或NN；
在引入外部数据集的情况下，训练流程为：
首先，外部数据集以4:1进行切分，其中4份外部数据集用来训练DeepID，1份外部数据集作为训练DeepID的验证集；
然后，用1份外部数据集来训练Classifier；
这样划分的原因在于两层模型不能使用同一种数据进行训练，以避免产生过拟合。
4.根据权利要求3所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(5)中人脸验证分析又包括验证和结果两步，具体为：
验证：人脸验证阶段即基于特征提取网络提取的DeepID2特征搭配训练的Joint贝叶斯实现，首先基于SDM算法跑出的21点人脸关键点提出不同的人脸patch，位于不同位置、不同scale、不同channel、水平翻转可以在单个人脸上提出400个patch，然后基于贪婪算法在400个patch中选出25个对于人脸验证作用最大的patch进行后续验证操作，将25个patch的示意图列出，并将基于这25个patch得到的得分也都标注在相应的patch下方；
结果：为了验证两个优化目标为什么在gamma为0.05时有更好的效果，使用了LDA来对inter和intra-person的variations进行分析，通过图表化不同gamma值的inter-person的variance变化，可知不同人的feature的variance跨度越大越利于分类，gamma为0.05时与0时相比并没有使inter-personal的variance降低，部分区域的值甚至会升高；当gamma趋于无穷大时会导致identification目标不被优化，这时不同人之间的feature的variance小，难以分开不同的id；将intra-person的变化图标化，可以得知gamma为0.05时每个id的各个图片的feature的invariance均得到降低。
5.根据权利要求4所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(6)中进行数据库匹配计算算法为：
采用基于Support Vector Machine的匹配方式并针对SVM空间，使用梯度下降对目标函数进行优化，LinearSVM实际上是不需要进行进入对偶空间求解的，使用梯度下降，Adam基于梯度的优化算法就可以在原问题空间进行优化，使用梯度下降对于SVM原问题优化过程如下：
Figure FDA0002364461450000031
如果不满足条件，那么将尽可能能往满足条件的方向优化，如果符条件，则参数保持不变，最终使用Hinge-Loss可以使用梯度下降法在SVM的原问题空间对问题进行优化。
6.根据权利要求5所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(6)中还将进行训练优化算法，具体为：
Figure FDA0002364461450000041
CN202010031464.4A 2020-01-13 2020-01-13 一种校园用人脸识别安全隐患报警装置 Pending CN111260880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010031464.4A CN111260880A (zh) 2020-01-13 2020-01-13 一种校园用人脸识别安全隐患报警装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010031464.4A CN111260880A (zh) 2020-01-13 2020-01-13 一种校园用人脸识别安全隐患报警装置

Publications (1)

Publication Number Publication Date
CN111260880A true CN111260880A (zh) 2020-06-09

Family

ID=70953985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010031464.4A Pending CN111260880A (zh) 2020-01-13 2020-01-13 一种校园用人脸识别安全隐患报警装置

Country Status (1)

Country Link
CN (1) CN111260880A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957911A (zh) * 2010-09-29 2011-01-26 汉王科技股份有限公司 一种人脸识别方法及系统
CN207232982U (zh) * 2017-07-20 2018-04-13 南京凌深信息科技有限公司 一种人脸识别安全管理系统
CN109118621A (zh) * 2018-07-24 2019-01-01 石数字技术成都有限公司 一种人脸识别门禁的人脸注册系统和在门禁控制的应用
CN110378092A (zh) * 2019-07-26 2019-10-25 北京积加科技有限公司 身份识别系统及客户端、服务器和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957911A (zh) * 2010-09-29 2011-01-26 汉王科技股份有限公司 一种人脸识别方法及系统
CN207232982U (zh) * 2017-07-20 2018-04-13 南京凌深信息科技有限公司 一种人脸识别安全管理系统
CN109118621A (zh) * 2018-07-24 2019-01-01 石数字技术成都有限公司 一种人脸识别门禁的人脸注册系统和在门禁控制的应用
CN110378092A (zh) * 2019-07-26 2019-10-25 北京积加科技有限公司 身份识别系统及客户端、服务器和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ID：张雨石: ""DeepID人脸识别算法之三代"", 《CSDN博客HTTPS://BLOG.CSDN.NET/XINZHANGYANXIANG/ARTICLE/DETAILS/42091205?UTM_SOURCE=APP&APP_VERSION=4.15.2》 *
ID：科密中的科蜜: "7.人脸特征提取与验证-DeepID2", 《知乎HTTPS://ZHUANLAN.ZHIHU.COM/P/91527629》 *
REGNAIQ: ""小波变换（wavelet transform）的通俗解释（一）"", 《CSDN博客HTTPS://BLOG.CSDN.NET/YQ_FOREVER/ARTICLE/DETAILS/55253022》 *
THACHAN SOPHANYOULY: "基于ShuffleNet的人脸识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
林祥云著: "基于提升小波变换的图像去噪", 《中国优秀硕士学问论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN100356388C (zh) 生物特征融合的身份识别和认证方法
CN110781298B (zh) 药品分类方法、装置、计算机设备及存储介质
CN104866829A (zh) 一种基于特征学习的跨年龄人脸验证方法
CN106650693A (zh) 一种用于人脸比对的多特征融合识别算法
CN103942575A (zh) 基于场景和马尔科夫逻辑网的智能行为分析系统及方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN111325319B (zh) 一种神经网络模型的检测方法、装置、设备及存储介质
CN104050361A (zh) 一种监狱服刑人员危险性倾向的智能分析预警方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN105468671A (zh) 实现人员关系建模的方法
CN110532298B (zh) 多属性铁路事故致因权重分析方法
CN109241814A (zh) 基于yolo神经网络的行人检测方法
CN115828112A (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
CN108875907A (zh) 一种基于深度学习的指纹识别方法和装置
US20200050838A1 (en) Suspiciousness degree estimation model generation device
CN103136540A (zh) 一种基于隐结构推理的行为识别方法
CN114596622A (zh) 基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法
CN110852441B (zh) 一种基于改进朴素贝叶斯算法的火灾预警方法
CN104899493A (zh) 一种新型的考试人脸认证系统
Ghahnavieh et al. Enhancing the license plates character recognition methods by means of SVM
CN114937298A (zh) 一种基于特征解耦的微表情识别方法
CN110781760A (zh) 一种基于空间注意的面部表情识别方法和装置
CN111260880A (zh) 一种校园用人脸识别安全隐患报警装置
CN106855564A (zh) 一种高效的微涡流混凝絮体检测系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609

RJ01 Rejection of invention patent application after publication