CN111274946A - 一种人脸识别方法和系统及设备 - Google Patents

一种人脸识别方法和系统及设备 Download PDF

Info

Publication number
CN111274946A
CN111274946A CN202010060889.8A CN202010060889A CN111274946A CN 111274946 A CN111274946 A CN 111274946A CN 202010060889 A CN202010060889 A CN 202010060889A CN 111274946 A CN111274946 A CN 111274946A
Authority
CN
China
Prior art keywords
face
features
facial
loss
feature
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.)
Granted
Application number
CN202010060889.8A
Other languages
English (en)
Other versions
CN111274946B (zh
Inventor
谷家德
俞伟平
周瑞鑫
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.)
Hangzhou Tuya Information Technology Co Ltd
Original Assignee
Hangzhou Tuya Information 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 Hangzhou Tuya Information Technology Co Ltd filed Critical Hangzhou Tuya Information Technology Co Ltd
Priority to CN202010060889.8A priority Critical patent/CN111274946B/zh
Publication of CN111274946A publication Critical patent/CN111274946A/zh
Application granted granted Critical
Publication of CN111274946B publication Critical patent/CN111274946B/zh
Active 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

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

Abstract

本发明涉及一种人脸识别方法，包括以下步骤：获取目标人物的面部图像；根据面部图像提取对应目标人物的多个面部特征；对面部特征进行上采样操作，得到面部放大特征；对面部放大特征进行第一loss回归计算，得到人脸伪深度特征；对多个面部特征进行拼接与叠加，得到对应目标人物的语义特征；对人脸伪深度特征和语义特征进行叠加，得到面部融合特征；根据人脸图像标签对面部融合特征进行第二loss回归计算，得到面部分类特征；根据面部分类特征对面部图像进行分类，并输出分类结果。在本发明的技术方案中，可有效防御图片、视频、屏幕、模具等攻击，在检测精度以及用户体验性上都能满足实际应用场景的需求，如人脸实名认证、人脸考勤、智能门禁等场景。

Description

一种人脸识别方法和系统及设备
技术领域
本发明涉及技术领域，尤其涉及一种人脸识别方法及系统、计算机可读存储介质、计算机设备。
背景技术
人脸活体检测技术从检测流程上可以分为配合式活体检测和非配合式(静默)活体检测。配合式活体检测，其安全性能较高，主要应用于安全等级较高的场景(如支付场景)，但因需要人机交互配合，对于时效性较高的场景，其用户体验效果不是很好。非配合式即静默活体，用户体验好，广泛的应用于安全等级不是很高的场景(如门禁、打卡签到等场景)。
从传感器种类及其组合方面可以将人脸活体检测分为可见光(RGB)、红外单目活体及其组合的双目活体，基于结构光的活体检测是双目活体的一种。基于单目的活体检测方案(如单目RGB，单目红外)由于其输入源比较单一，对于诸如光线变化、距离远近、人脸角度变化等复杂场景抗干扰性能以及精度较差；基于结构光的活体检测，其性能较好，但是受限其价格较贵、识别距离较短等因素，很难覆盖较多的实际应用场景。基于双目的活体检测算法，目前主要是通过双目图像估计深度信息，进行人脸活体识别，但是对于3D人脸面具识别效果不好。最近，基于深度学习的方法被应用到活体检测中，目前主要是基于单目的活体检测，但是在光线变化较大、大角度人脸、远距离、高质量的照片打印、高清晰度的视频回放等复杂应用场景以及攻击手段，其效果不是很理想，很难应用到实际场景中。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的目的在于提供一种人脸识别方法及系统、计算机可读存储介质、计算机设备，其能够实现端到端的活体检测，不需要用户的配合，可有效防御图片、视频、屏幕、模具等攻击。
为实现上述目的，本发明第一方面的技术方案提供了一种人脸识别方法，包括以下步骤：获取目标人物的面部图像；根据面部图像提取对应目标人物的多个面部特征；对面部特征进行上采样操作，得到对应每个面部特征的面部放大特征；对面部放大特征进行第一loss回归计算，得到人脸伪深度特征；对多个面部特征进行拼接与叠加，得到对应目标人物的语义特征；对人脸伪深度特征和语义特征进行叠加，得到面部融合特征；根据人脸图像标签对面部融合特征进行第二loss回归计算，得到面部分类特征；根据面部分类特征对面部图像进行分类，并输出分类结果。
在该技术方案中，在综合考虑硬件成本、活体检测精度以及用户体验性能等因素，本发明采用深度学习神经网络的方法，实现端到端的活体检测，不需要用户的配合，可有效防御图片、视频、屏幕、模具等攻击，在检测精度以及用户体验性上都能满足实际应用场景的需求，如人脸实名认证、人脸考勤、智能门禁等场景。
在上述技术方案中，优选地，利用双目摄像头获取目标任务的面部图像，面部图像包括可见光面部图像和/或红外面部图像。
在该技术方案中，采用双目摄像头获取目标人物的面部图像，实现可见光、红外双目图像融合特征的提取以及伪深度图的生成技术，为分类网络提供多层次的融合特征，同时采用辅助加权loss，使网络更容易收敛。
在上述任一技术方案中，优选地，根据人脸图像标签对面部融合特征进行第二loss回归计算，包括以下步骤：根据人脸图像标签对面部融合特征进行主loss计算，得到面部初步分类特征；对面部初步分类特征进行加权loss计算，得到面部初步分类特征。
在上述任一技术方案中，优选地，主loss计算的表达式为：
Figure BDA0002374428470000031
其中，yi是类别i的人脸图像标签，k是类别数，N是样本总数，Pi是类别i的概率值，
Figure BDA0002374428470000032
是计算类别i的网络输出指数；
加权loss计算的表达式为：λ1loss1+λ2loss2，λ1、λ2分别代表主loss和第一loss回归计算的权重系数。
在上述任一技术方案中，优选地，第一loss回归计算的表达式为：
Figure BDA0002374428470000033
其中，y表示人脸深度基准图，
Figure BDA0002374428470000034
表示人脸深度图算法生成的人脸深度图，w,b分别表示权重和偏置参数，N是样本总数。
在上述任一技术方案中，优选地，人脸深度基准图为灰度图，人脸深度基准图包括关键点区域、眼鼻口区域以及除关键点区域和眼鼻口区域之外的其他区域，关键点区域、眼鼻口区域和其他区域的权重w比为16：4：3。
本发明第二方面的技术方案提供了一种，包括：摄像头，被设置为用于获取目标人物的面部图像；特征提取模块，被设置为用于根据面部图像提取对应目标人物的多个面部特征；反卷积模块，被设置为用于对面部特征进行上采样操作，得到对应每个面部特征的面部放大特征；人脸伪深度生成模块，被设置为用于对面部放大特征进行第一loss回归计算，得到人脸伪深度特征；语义特征定义模块，被设置为用于对多个面部特征进行拼接与叠加，得到对应目标人物的语义特征；融合模块，被设置为用于对人脸伪深度特征和语义特征进行叠加，得到面部融合特征；计算模块，被设置为用于根据人脸图像标签对面部融合特征进行第二loss回归计算，得到面部分类特征；分类模块，被设置为用于根据面部分类特征对面部图像进行分类，并输出分类结果。
在该技术方案中，采用深度学习神经网络的方法，端到端训练，实现可见光、红外双目图像融合特征的提取以及伪深度图的生成技术。相比较传统的信息融合算法以及3D深度图重建算法，本发明计算量小，精度高，可在嵌入式硬件平台上实时运行。非配合式(静默)活体检测技术，无需用户动作配合，大大提高了用户体验效果。
在上述技术方案中，优选地，计算模块包括：主loss计算单元，被设置为用于根据人脸图像标签对面部融合特征进行主loss计算，得到面部初步分类特征；加权loss计算单元，被设置为用于对面部初步分类特征进行加权loss计算，得到面部初步分类特征。
本发明第三方面的技术方案提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面的技术方案提供的人脸识别方法的步骤。
本发明第四方面的技术方案提供了一种计算机设备，包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述第一方面的技术方案提供的人脸识别方法的步骤。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明一个实施例所涉及的人脸识别方法的流程框图；
图2示出了本发明实施例所涉及的步骤S7的流程框图；
图3示出了本发明另一个实施例所涉及的人脸识别系统的结构框图；
图4示出了本发明实施例所涉及的计算模块的结构框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图4描述根据本发明一些实施例的人脸识别方法及系统、计算机可读存储介质、计算机设备。
如图1所示，按照本发明一个实施例的人脸识别方法，包括以下步骤：
S1，获取目标人物的面部图像；
S2，根据面部图像提取对应目标人物的多个面部特征；
在该步骤中，面部特征包括但不限于丰富的浅层特征，如颜色、纹理、线条、轮廓、亮度等特征和区分度更大的深层特征，深层特征即描述目标人物的高级语义特征，活体和伪活体的抽象特征，如年龄、性别等。
S3，对面部特征进行上采样操作，得到对应每个面部特征的面部放大特征；
在该步骤中，采用3x3卷积层，反卷积即上采样操作，实现原特征图原尺度的两倍的放大图，为后续操作提供多尺度特征。
S4，对面部放大特征进行第一loss回归计算，得到人脸伪深度特征；
在该步骤中，通过第一loss回归计算，输出与人脸深度图算法生成的人脸深度图基准相同的尺寸，即人脸伪深度图与人脸深度图基准进行均方差损失函数计算。
S5，对多个面部特征进行拼接与叠加，得到对应目标人物的语义特征；
S6，对人脸伪深度特征和语义特征进行叠加，得到面部融合特征；
S7，根据人脸图像标签对面部融合特征进行第二loss回归计算，得到面部分类特征；
S8，根据面部分类特征对面部图像进行分类，并输出分类结果。
在该实施例中，在综合考虑硬件成本、活体检测精度以及用户体验性能等因素，本发明采用深度学习神经网络的方法，实现端到端的活体检测，不需要用户的配合，可有效防御图片、视频、屏幕、模具等攻击，在检测精度以及用户体验性上都能满足实际应用场景的需求，如人脸实名认证、人脸考勤、智能门禁等场景。
具体地，利用双目摄像头获取目标任务的面部图像，面部图像包括可见光面部图像和/或红外面部图像。
在该实施例中，采用双目摄像头获取目标人物的面部图像，实现可见光、红外双目图像融合特征的提取以及伪深度图的生成技术，为分类网络提供多层次的融合特征，同时采用辅助加权loss，使网络更容易收敛。
如图2所示，在人脸识别方法的一些可能的实施例中，S7，根据人脸图像标签对面部融合特征进行第二loss回归计算，包括以下步骤：
S71，根据人脸图像标签对面部融合特征进行主loss计算，得到面部初步分类特征；
S72，对面部初步分类特征进行加权loss计算，得到面部初步分类特征。
如图3所示，按照本发明另一个实施例的人脸识别系统100，包括：
摄像头10，被设置为用于获取目标人物的面部图像；
本发明提供的人脸识别系统中，摄像头10采用双目摄像头，采集的面部图像为可见光面部图像和红外面部图像中的至少一种，因此，本发明是基于双目的活体检测算法，主要是通过双目图像估计深度信息，进行人脸活体识别。
特征提取模块20，被设置为用于根据面部图像提取对应目标人物的多个面部特征；
反卷积模块30，被设置为用于对面部特征进行上采样操作，得到对应每个面部特征的面部放大特征；
人脸伪深度生成模块40，被设置为用于对面部放大特征进行第一loss回归计算，得到人脸伪深度特征；
语义特征定义模块50，被设置为用于对多个面部特征进行拼接与叠加，得到对应目标人物的语义特征；
融合模块60，被设置为用于对人脸伪深度特征和语义特征进行叠加，得到面部融合特征；
计算模块70，被设置为用于根据人脸图像标签对面部融合特征进行第二loss回归计算，得到面部分类特征；
分类模块80，被设置为用于根据面部分类特征对面部图像进行分类，并输出分类结果。
如图4所示，在人脸识别系统的一些可能的实施例中，计算模块70包括：
主loss计算单元71，被设置为用于根据人脸图像标签对面部融合特征进行主loss计算，得到面部初步分类特征；
加权loss计算单元72，被设置为用于对面部初步分类特征进行加权loss计算，得到面部初步分类特征。
在上述任一实施例中，优选地，主loss计算的表达式为：
Figure BDA0002374428470000081
其中，yi是类别i的人脸图像标签，k是类别数，N是样本总数，Pi是类别i的概率值，
Figure BDA0002374428470000082
是计算类别i的网络输出指数；
加权loss计算的表达式为：λ1loss1+λ2loss2，λ1、λ2分别代表主loss和第一loss回归计算的权重系数。
在上述任一实施例中，优选地，第一loss回归计算的表达式为：
Figure BDA0002374428470000083
其中，y表示人脸深度基准图，
Figure BDA0002374428470000084
表示人脸深度图算法生成的人脸深度图，w,b分别表示权重和偏置参数，N是样本总数。
基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例的人脸识别方法的步骤。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1和图2所示的方法，以及图3和图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，其特征在于，包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述任一实施例的人脸识别方法的步骤。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸识别方法，其特征在于，包括以下步骤：
获取目标人物的面部图像；
根据所述面部图像提取对应所述目标人物的多个面部特征；
对所述面部特征进行上采样操作，得到对应每个所述面部特征的面部放大特征；
对所述面部放大特征进行第一loss回归计算，得到人脸伪深度特征；
对多个所述面部特征进行拼接与叠加，得到对应所述目标人物的语义特征；
对所述人脸伪深度特征和所述语义特征进行叠加，得到面部融合特征；
根据人脸图像标签对所述面部融合特征进行第二loss回归计算，得到面部分类特征；
根据所述面部分类特征对所述面部图像进行分类，并输出分类结果。
2.根据权利要求1所述的人脸识别方法，其特征在于：利用双目摄像头获取所述目标任务的面部图像，所述面部图像包括可见光面部图像和/或红外面部图像。
3.根据权利要求1或2所述的人脸识别方法，其特征在于，根据人脸图像标签对所述面部融合特征进行第二loss回归计算，包括以下步骤：
根据人脸图像标签对所述面部融合特征进行主loss计算，得到面部初步分类特征；
对所述面部初步分类特征进行加权loss计算，得到所述面部初步分类特征。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述主loss计算的表达式为：
Figure FDA0002374428460000021
其中，yi是类别i的所述人脸图像标签，k是类别数，N是样本总数，Pi是类别i的概率值，
Figure FDA0002374428460000022
是计算类别i的网络输出指数；
所述加权loss计算的表达式为：λ1loss1+λ2loss2，λ1、λ2分别代表所述主loss和所述第一loss回归计算的权重系数。
5.根据权利要求1或2所述的人脸识别方法，其特征在于，所述第一loss回归计算的表达式为：
Figure FDA0002374428460000023
其中，y表示人脸深度基准图，
Figure FDA0002374428460000024
表示人脸深度图算法生成的人脸深度图，w,b分别表示权重和偏置参数，N是样本总数。
6.根据权利要求5所述的人脸识别方法，其特征在于，所述人脸深度基准图为灰度图，所述人脸深度基准图包括关键点区域、眼鼻口区域以及除所述关键点区域和所述眼鼻口区域之外的其他区域，所述关键点区域、所述眼鼻口区域和所述其他区域的权重w比为16：4：3。
7.一种人脸识别系统，其特征在于，包括：
摄像头，被设置为用于获取目标人物的面部图像；
特征提取模块，被设置为用于根据所述面部图像提取对应所述目标人物的多个面部特征；
反卷积模块，被设置为用于对所述面部特征进行上采样操作，得到对应每个所述面部特征的面部放大特征；
人脸伪深度生成模块，被设置为用于对所述面部放大特征进行第一loss回归计算，得到人脸伪深度特征；
语义特征定义模块，被设置为用于对多个所述面部特征进行拼接与叠加，得到对应所述目标人物的语义特征；
融合模块，被设置为用于对所述人脸伪深度特征和所述语义特征进行叠加，得到面部融合特征；
计算模块，被设置为用于根据人脸图像标签对所述面部融合特征进行第二loss回归计算，得到面部分类特征；
分类模块，被设置为用于根据所述面部分类特征对所述面部图像进行分类，并输出分类结果。
8.根据权利要求7所述的人脸识别系统，其特征在于，所述计算模块包括：
主loss计算单元，被设置为用于根据人脸图像标签对所述面部融合特征进行主loss计算，得到面部初步分类特征；
加权loss计算单元，被设置为用于对所述面部初步分类特征进行加权loss计算，得到所述面部初步分类特征。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1至6中任一项所述的人脸识别方法的步骤。
10.一种计算机设备，其特征在于，包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现如权利要求1至6中任一项所述的人脸识别方法的步骤。
CN202010060889.8A 2020-01-19 2020-01-19 一种人脸识别方法和系统及设备 Active CN111274946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010060889.8A CN111274946B (zh) 2020-01-19 2020-01-19 一种人脸识别方法和系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010060889.8A CN111274946B (zh) 2020-01-19 2020-01-19 一种人脸识别方法和系统及设备

Publications (2)

Publication Number Publication Date
CN111274946A true CN111274946A (zh) 2020-06-12
CN111274946B CN111274946B (zh) 2023-05-05

Family

ID=71001772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010060889.8A Active CN111274946B (zh) 2020-01-19 2020-01-19 一种人脸识别方法和系统及设备

Country Status (1)

Country Link
CN (1) CN111274946B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132077A (zh) * 2020-09-29 2020-12-25 杭州城市大数据运营有限公司 一种基于神经网络的人脸活体验证方法、系统及电子设备
CN114495290A (zh) * 2022-02-21 2022-05-13 平安科技（深圳）有限公司 活体检测方法、装置、设备及存储介质
CN114511082A (zh) * 2022-02-16 2022-05-17 腾讯科技（深圳）有限公司 特征提取模型的训练方法、图像处理方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830890A (zh) * 2018-04-24 2018-11-16 广州启辰电子科技有限公司 一种使用生成式对抗网络从单幅图像中估计场景几何信息的方法
WO2019056988A1 (zh) * 2017-09-25 2019-03-28 杭州海康威视数字技术股份有限公司 人脸识别方法及装置、计算机设备
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
CN110348319A (zh) * 2019-06-18 2019-10-18 武汉大学 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
US20190354746A1 (en) * 2018-05-18 2019-11-21 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for detecting living body, electronic device, and storage medium
CN110569780A (zh) * 2019-09-03 2019-12-13 北京清帆科技有限公司 一种基于深度迁移学习的高精度人脸识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019056988A1 (zh) * 2017-09-25 2019-03-28 杭州海康威视数字技术股份有限公司 人脸识别方法及装置、计算机设备
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
CN108830890A (zh) * 2018-04-24 2018-11-16 广州启辰电子科技有限公司 一种使用生成式对抗网络从单幅图像中估计场景几何信息的方法
US20190354746A1 (en) * 2018-05-18 2019-11-21 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for detecting living body, electronic device, and storage medium
CN110348319A (zh) * 2019-06-18 2019-10-18 武汉大学 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN110569780A (zh) * 2019-09-03 2019-12-13 北京清帆科技有限公司 一种基于深度迁移学习的高精度人脸识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132077A (zh) * 2020-09-29 2020-12-25 杭州城市大数据运营有限公司 一种基于神经网络的人脸活体验证方法、系统及电子设备
CN114511082A (zh) * 2022-02-16 2022-05-17 腾讯科技（深圳）有限公司 特征提取模型的训练方法、图像处理方法、装置及设备
CN114495290A (zh) * 2022-02-21 2022-05-13 平安科技（深圳）有限公司 活体检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111274946B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN109196526B (zh) 用于生成多模态数字图像的方法和系统
Goh et al. Micro-expression recognition: an updated review of current trends, challenges and solutions
CN107992842B (zh) 活体检测方法、计算机装置及计算机可读存储介质
CN110084216A (zh) 人脸识别模型训练和人脸识别方法、系统、设备及介质
CN111274946B (zh) 一种人脸识别方法和系统及设备
CN111461089A (zh) 一种人脸检测的方法、人脸检测模型的训练方法及装置
CN110827193B (zh) 基于多通道特征的全景视频显著性检测方法
CN107545241A (zh) 神经网络模型训练及活体检测方法、装置及存储介质
KR20200130440A (ko) 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을 실행하기 위한 모바일 디바이스(method for identifying an object within an image and mobile device for executing the method)
CN115205949A (zh) 图像生成方法以及相关设备
Xiao et al. Single image dehazing based on learning of haze layers
CN111950430B (zh) 基于颜色纹理的多尺度妆容风格差异度量及迁移方法、系统
JP7419080B2 (ja) コンピュータシステムおよびプログラム
EP4158595A1 (en) Fitting 3d models of composite objects
CN114092759A (zh) 图像识别模型的训练方法、装置、电子设备及存储介质
Yang et al. Face-mask-aware facial expression recognition based on face parsing and vision transformer
CN111553838A (zh) 模型参数的更新方法、装置、设备及存储介质
CN113392791A (zh) 一种皮肤预测处理方法、装置、设备及存储介质
JP2023543964A (ja) 画像処理方法、画像処理装置、電子機器、記憶媒体およびコンピュータプログラム
CN115294162B (zh) 目标识别方法、装置、设备及存储介质
CN116311518A (zh) 一种基于人体交互意图信息的层级人物交互检测方法
CN113591797B (zh) 一种深度视频行为识别方法
CN115880786A (zh) 基于通道注意力的人脸活体检测方法、装置及设备
Biswas et al. Smart city development: Theft handling of public vehicles using image analysis and cloud network
KR20150094108A (ko) 배경 영상의 위치를 이용한 관심맵 생성 방법 및 이를 기록한 기록 매체

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