CN111368579A - 图像识别方法、装置和系统，以及计算机可存储介质 - Google Patents

图像识别方法、装置和系统，以及计算机可存储介质 Download PDF

Info

Publication number
CN111368579A
CN111368579A CN201811586237.7A CN201811586237A CN111368579A CN 111368579 A CN111368579 A CN 111368579A CN 201811586237 A CN201811586237 A CN 201811586237A CN 111368579 A CN111368579 A CN 111368579A
Authority
CN
China
Prior art keywords
image
face
background
training
recognition
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
CN201811586237.7A
Other languages
English (en)
Other versions
CN111368579B (zh
Inventor
王峰
刘圆
蔡志平
赵继壮
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN201811586237.7A priority Critical patent/CN111368579B/zh
Publication of CN111368579A publication Critical patent/CN111368579A/zh
Application granted granted Critical
Publication of CN111368579B publication Critical patent/CN111368579B/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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • 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

Landscapes

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

Abstract

本公开涉及图像识别方法、装置和系统，以及计算机可存储介质，涉及人工智能领域。图像识别方法包括：对包括人脸图像和背景图像的待识别图像进行分离，得到所述人脸图像和所述背景图像；识别所述背景图像的光照条件；利用与所述光照条件对应的人脸识别模型，识别所述人脸图像。根据本公开，通过获取背景图像的光照条件，针对不同的光照条件的人脸图像，采用与光照条件对应的人脸识别模型进行人脸识别，有效地消除了不同光照条件对人脸识别的影响，提升了人脸图像识别的准确度。

Description

图像识别方法、装置和系统，以及计算机可存储介质
技术领域
本公开涉及人工智能领域，特别涉及图像识别方法、装置和系统，以及计算机可存储介质。
背景技术
图像识别是当前人工智能领域的研究和应用热点。人脸识别通常用于识别得到每个人脸对应的身份。人脸识别的准确度会受到光照、视角、遮挡、年龄等多方面因素的影响，光照更是其中关键的影响因素。这主要是因为人脸具有三维立体结构，在不同光照条件下光线产生的阴影的影响下，人脸上的特征会加强或减弱，从而影响识别效果。
相关图像识别技术对图片或视频做光照预处理操作，例如采用对光照变化建模、采集人脸的光照不变特征、实施光照条件标准化等技术手段进行光照预处理，以减轻不同光照条件对人脸识别的影响。
发明内容
发明人认为：相关图像识别技术对人脸图像所在区域进行光照预处理，这仅仅在一定程度上减轻了不同光照条件对人脸识别的影响，但是无法消除不同光照条件对人脸识别的影响。
针对上述技术问题，本公开实施例提出了一种图像识别技术，通过获取背景图像的光照条件，针对不同的光照条件的人脸图像，采用与光照条件对应的人脸识别模型进行人脸识别，有效地消除了不同光照条件对人脸识别的影响，提升了人脸图像识别的准确度。
根据本公开的第一方面，提供了一种图像识别方法，包括：对包括人脸图像和背景图像的待识别图像进行分离，得到所述人脸图像和所述背景图像；识别所述背景图像的光照条件；利用与所述光照条件对应的人脸识别模型，识别所述人脸图像。
在一些实施例中，利用背景识别模型识别所述背景图像的光照条件。
在一些实施例中，利用不同光照条件下的背景训练图像，训练第一神经网络，得到所述背景识别模型。
在一些实施例中，通过对不同光照条件下的训练图像进行分离，得到所述背景训练图像，所述训练图像包括人脸训练图像和所述背景训练图像。
在一些实施例中，所述第一神经网络包括双向循环神经网络RNN。
在一些实施例中，利用不同光照条件下的人脸训练图像，训练对应光照条件下的第二神经网络，得到不同光照条件对应的人脸识别模型。
在一些实施例中，通过对不同光照条件下的训练图像进行分离，得到所述人脸训练图像，所述训练图像包括所述人脸训练图像和背景训练图像。
在一些实施例中，所述第二神经网络包括卷积神经网络CNN。
在一些实施例中，所述训练为有监督的训练。
在一些实施例中，所述光照条件包括光照强度或者光线方向。
在一些实施例中，所述分离包括对所述待识别图像与预存的背景图像进行差分操作，得到所述人脸图像和所述背景图像。
根据本公开的第二方面，提供了一种图像识别装置，包括：分离模块，被配置为分离包括人脸图像和背景图像的待识别图像，得到所述人脸图像和所述背景图像；背景识别模块，被配置为识别所述背景图像的光照条件；至少一个人脸识别模块，被配置为识别所述光照条件下的所述人脸图像。
根据本公开的第三方面，提供了一种图像识别装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的图像识别方法。
根据本公开的第四方面，提供了一种图像识别系统，包括：图像传感器，被配置为获取待识别图像，所述待识别图像包括人脸图像和背景图像；以及上述任一实施例所述的图像识别装置。
根据本公开的第五方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的图像识别方法。
在上述实施例中，通过获取背景图像的光照条件，针对不同的光照条件的人脸图像，采用与光照条件对应的人脸识别模型进行人脸识别，有效地消除了不同光照条件对人脸识别的影响，提升了人脸图像识别的准确度。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1示出根据本公开一些实施例的图像识别方法的流程图；
图2A示出根据本公开一些实施例的背景识别模型训练的流程图；
图2B示出根据本公开一些实施例的人脸识别模型训练的流程图；
图3示出根据本公开一些实施例的图像识别装置的框图；
图4示出根据本公开另一些实施例的图像识别装置的框图；
图5示出根据本公开一些实施例的图像识别系统的框图；
图6示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出根据本公开一些实施例的图像识别方法的流程图。
如图1所示，图像识别方法包括：步骤S11-步骤S13。
在步骤S11中，对包括人脸图像和背景图像的待识别图像进行分离，得到人脸图像和背景图像。在一些实施例中，对待识别图像的分离包括对待识别图像与预存的背景图像进行差分操作，得到人脸图像和背景图像。
在步骤S12中，识别背景图像的光照条件。光照条件例如可以包括光照强度或者光线方向，其中，光照强度也称为照度，单位为勒克斯(lux)。
在一些实施例中，通过记录获取背景图像时刻的光照条件，得到背景图像的光照条件。
在另一些实施例中，利用背景识别模型识别背景图像的光照条件。例如，将背景图像输入到背景识别模型中，经过背景识别模型对背景图像的特征提取以及特征对比等操作，即可得到背景图像的光照条件。
背景识别模型可以通过如下方式训练得到。例如，利用不同光照条件下的背景训练图像训练第一神经网络，得到背景识别模型。第一神经网络可以为双向RNN(RecurrentNeural Network，循环神经网络)。上述训练例如可以是有监督的训练，即训练图像带有标签。
图2A示出根据本公开一些实施例的背景识别模型训练的流程图。
如图2A所示，背景识别模型训练包括步骤S201-S204。
在步骤S201，获取不同光照条件下的背景训练图像。
在步骤S202中，利用不同光照条件下的背景训练图像，训练第一神经网络，得到训练准确率。在一些实施例中，将带有标签(即标记光照条件)的背景训练图像输入到双向RNN中，得到背景训练图像的光照条件，并与背景训练图像的标签进行对比，进而得到训练准确率。
在步骤S203中，判断训练准确率是否大于或等于预设准确率。在训练准确率大于或等于预设准确率的情况下，执行步骤S204，即结束训练，得到训练完成的背景识别模型。在训练准确率小于预设准确率的情况下，返回步骤S202继续进行训练。这种训练，包括调整第一神经网络中的相关参数，使得到的训练准确率大于或等于预设准确率。
返回图1，在步骤S13中，利用与背景图像的光照条件对应的人脸识别模型，识别人脸图像。例如，在得到背景图像的光照条件后，首先，通过查找数据库中的光照条件与人脸识别模型的对应关系，找到这种光照条件对应的人脸识别模型。然后，将与背景图像对应的人脸图像输入到与光照条件对应的人脸识别模型中，经过人脸识别模型对人脸图像的特征提取以及与人脸图像的特征数据库的特征对比等操作，即可得到人脸图像的识别结果。识别结果例如可以是人脸对应的身份。
人脸识别模型可以通过如下方式训练得到。例如，利用不同光照条件下的人脸训练图像，训练对应光照条件下的第二神经网络，得到不同光照条件对应的人脸识别模型。第二神经网络可以为CNN(Convolutional Neural Networks，卷积神经网络)。上述训练例如可以是有监督的训练，即训练图像带有标签。
图2B示出根据本公开一些实施例的人脸识别模型训练的流程图。
如图2B所示，某一光照条件下的人脸识别模型训练包括步骤S211-步骤S214。
在步骤S211中，获取某一光照条件下的人脸训练图像。
在步骤S212中，利用该光照条件下的人脸训练图像，训练对应光照条件下的第二神经网络，得到训练准确率。在一些实施例中，将带有标签(例如标记人脸对应的身份)的人脸训练图像输入到该光照条件对应的CNN中，得到人脸训练结果，并与相应人脸训练图像的标签进行对比，进而得到训练准确率。人脸训练结果例如可以是人脸对应的身份。
应当理解，在实际训练中，可以对每一种背景训练图像的光照条件对应的人脸识别模型分别进行上述训练，以得到不同光照条件对应的人脸识别模型。
在步骤S213中，判断训练准确率是否大于或等于预设准确率。在训练准确率大于或等于预设准确率的情况下，执行步骤S214，即结束训练，得到训练完成的对应光照条件的人脸识别模型。在训练准确率小于预设准确率的情况下，返回步骤S212继续进行训练。这种训练，包括调整第二神经网络中的相关参数，使得到的训练准确率大于或等于预设准确率。
返回图2A的步骤S201和图2B的步骤S211，在训练之前需要获取不同光照条件下的背景训练图像和人脸训练图像。
在一些实施例中，可以获取不同光照条件下的包括人脸训练图像和背景训练图像的训练图像，然后对该训练图像进行分离，得到背景训练图像和人脸训练图像。这种分离例如可以是对训练图像和预存的背景图像的差分操作。
在另一些实施例中，还可以分别直接获取至少一组不同光照条件下的背景训练图像和人脸训练图像，而无需对包括背景训练图像和人脸训练图像的训练图像进行分离。
应当理解，在待识别图像的背景图像的光照条件不属于已有的背景识别模型中的光照条件类别的情况下，可以输出近似的光照条件类别，或者重新进行训练，得到新的背景识别模型和对应这种光照条件的新的人脸识别模型。
在上述实施例中，可以利用摄像头等图像传感器获取待识别图像、训练图像、背景训练图像或人脸训练图像。图像传感器可以固定设置在指定位置，用于获取背景区域和内容相对固定的背景图像，进一步降低训练复杂度，提高人脸识别的准确度。
根据本公开的一些实施例，通过利用不同光照条件下的人脸训练图像分别对相应的人脸识别模型进行训练，可以得到不同光照条件下的人脸识别模型。这种训练方式，使得在训练每一种光照条件对应的人脸识别模型时，无需考虑光照条件的影响，降低了人脸识别模型训练的复杂度。另外，背景训练图像的内容相对固定且简单，降低了背景识别模型训练的复杂度，同时提高了训练得到的背景识别模型识别背景图像的光照条件的准确度。
图3示出根据本公开一些实施例的图像识别装置的框图。
如图3所示，图像识别装置3包括：分离模块31，被配置为分离包括人脸图像和背景图像的待识别图像，得到人脸图像和背景图像，例如执行如图1所示的步骤S11；背景识别模块32，被配置为识别背景图像的光照条件，例如执行如图1所示的步骤S12；以及至少一个人脸识别模块33，被配置为识别与背景图像相对应的光照条件下的人脸图像，例如执行如图1所示的步骤S13。
图4示出根据本公开另一些实施例的图像识别装置的框图。
如图4所示，图像识别装置4包括：存储器41；以及耦接至存储器41的处理器42。存储器41用于存储执行图像识别方法对应实施例的指令。处理器42被配置为基于存储在存储器41中的指令，执行本公开中任意一些实施例中的图像识别方法。
图5示出根据本公开一些实施例的图像识别系统的框图。
如图5所示，图像识别系统5包括：图像传感器51，被配置为获取包括人脸图像和背景图像的待识别图像；以及前述任意实施例的图像识别装置，被配置为执行任意实施例中的图像识别方法。图像识别装置52例如还可以是处理器，被配置为执行前述任意实施例中的图像识别方法。
图6示出用于实现本公开一些实施例的计算机系统的框图。
如图6所示，计算机系统60可以通用计算设备的形式表现。计算机系统60包括存储器610、处理器620和连接不同系统组件的总线600。
存储器610例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行信息发送方法和信息接收方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器620可以用通用处理器、数字信号处理器(DSP)、图像处理器(GPU)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
总线600可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
计算机系统60还可以包括输入输出接口630、网络接口640、存储接口660等。这些接口630、640、660以及存储器610和处理器620之间可以通过总线600连接。输入输出接口630可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口640为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
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。
上述实施例中的图像识别方法、装置和系统，以及计算机可存储介质，通过识别背景图像的光照条件，对不同光照条件对应的人脸图像进行识别，有效地消除了不同光照条件对人脸识别的影响，提高了人脸识别的准确性。
至此，已经详细描述了根据本公开的图像识别方法、装置和系统，以及计算机可存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

Claims (15)

1.一种图像识别方法，包括：
对包括人脸图像和背景图像的待识别图像进行分离，得到所述人脸图像和所述背景图像；
识别所述背景图像的光照条件；
利用与所述光照条件对应的人脸识别模型，识别所述人脸图像。
2.根据权利要求1所述的图像识别方法，其中，利用背景识别模型识别所述背景图像的光照条件。
3.根据权利要求2所述的图像识别方法，其中，利用不同光照条件下的背景训练图像，训练第一神经网络，得到所述背景识别模型。
4.根据权利要求3所述的图像识别方法，其中，通过对不同光照条件下的训练图像进行分离，得到所述背景训练图像，所述训练图像包括所述背景训练图像和人脸训练图像。
5.根据权利要求3所述的图像识别方法，其中，所述第一神经网络包括双向循环神经网络RNN。
6.根据权利要求1所述的图像识别方法，其中，利用不同光照条件下的人脸训练图像，训练对应光照条件下的第二神经网络，得到不同光照条件对应的人脸识别模型。
7.根据权利要求6所述的图像识别方法，其中，通过对不同光照条件下的训练图像进行分离，得到所述人脸训练图像，所述训练图像包括所述人脸训练图像和背景训练图像。
8.根据权利要求6所述的图像识别方法，其中，所述第二神经网络包括卷积神经网络CNN。
9.根据权利要求4或8所述的图像识别方法，其中，所述训练为有监督的训练。
10.根据权利要求1所述的图像识别方法，其中，所述光照条件包括光照强度或者光线方向。
11.根据权利要求1所述的图像识别方法，其中，所述分离包括对所述待识别图像与预存的背景图像进行差分操作，得到所述人脸图像和所述背景图像。
12.一种图像识别装置，包括：
分离模块，被配置为分离包括人脸图像和背景图像的待识别图像，得到所述人脸图像和所述背景图像；
背景识别模块，被配置为识别所述背景图像的光照条件；
至少一个人脸识别模块，被配置为识别所述光照条件下的所述人脸图像。
13.一种图像识别装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行如权利要求1至11任一项所述的图像识别方法。
14.一种图像识别系统，包括：
图像传感器，被配置为获取待识别图像，所述待识别图像包括人脸图像和背景图像；以及
权利要求13所述的图像识别装置。
15.一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至11任一项所述的图像识别方法。
CN201811586237.7A 2018-12-25 2018-12-25 图像识别方法、装置和系统，以及计算机可存储介质 Active CN111368579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811586237.7A CN111368579B (zh) 2018-12-25 2018-12-25 图像识别方法、装置和系统，以及计算机可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811586237.7A CN111368579B (zh) 2018-12-25 2018-12-25 图像识别方法、装置和系统，以及计算机可存储介质

Publications (2)

Publication Number Publication Date
CN111368579A true CN111368579A (zh) 2020-07-03
CN111368579B CN111368579B (zh) 2023-07-07

Family

ID=71207880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811586237.7A Active CN111368579B (zh) 2018-12-25 2018-12-25 图像识别方法、装置和系统，以及计算机可存储介质

Country Status (1)

Country Link
CN (1) CN111368579B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978550A (zh) * 2014-04-08 2015-10-14 上海骏聿数码科技有限公司 基于大规模人脸数据库的人脸识别方法及系统
CN105100544A (zh) * 2014-05-21 2015-11-25 中国电信股份有限公司 一种视频信息显示方法和系统
CN106408510A (zh) * 2016-09-08 2017-02-15 厦门美图之家科技有限公司 一种获取人脸图像的美颜蒙版的方法及系统
CN107423707A (zh) * 2017-07-25 2017-12-01 深圳帕罗人工智能科技有限公司 一种基于复杂环境下的人脸情绪识别方法
CN108921100A (zh) * 2018-07-04 2018-11-30 武汉高德智感科技有限公司 一种基于可见光图像与红外图像融合的人脸识别方法及系统
CN108960146A (zh) * 2018-07-05 2018-12-07 郑永春 人脸识别监控视频的图像预处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978550A (zh) * 2014-04-08 2015-10-14 上海骏聿数码科技有限公司 基于大规模人脸数据库的人脸识别方法及系统
CN105100544A (zh) * 2014-05-21 2015-11-25 中国电信股份有限公司 一种视频信息显示方法和系统
CN106408510A (zh) * 2016-09-08 2017-02-15 厦门美图之家科技有限公司 一种获取人脸图像的美颜蒙版的方法及系统
CN107423707A (zh) * 2017-07-25 2017-12-01 深圳帕罗人工智能科技有限公司 一种基于复杂环境下的人脸情绪识别方法
CN108921100A (zh) * 2018-07-04 2018-11-30 武汉高德智感科技有限公司 一种基于可见光图像与红外图像融合的人脸识别方法及系统
CN108960146A (zh) * 2018-07-05 2018-12-07 郑永春 人脸识别监控视频的图像预处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于威威等: "复杂背景下人眼定位及人脸检测", 《计算机仿真》 *

Also Published As

Publication number Publication date
CN111368579B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
US11151363B2 (en) Expression recognition method, apparatus, electronic device, and storage medium
US20200334830A1 (en) Method, apparatus, and storage medium for processing video image
US20190392587A1 (en) System for predicting articulated object feature location
JP6608465B2 (ja) ジェスチャーの検知識別の方法及びシステム
CN106648078B (zh) 应用于智能机器人的多模态交互方法及系统
CN109344864B (zh) 用于密集物体的图像处理方法及装置
CN109840883B (zh) 一种训练物体识别神经网络的方法、装置及计算设备
Durga et al. A ResNet deep learning based facial recognition design for future multimedia applications
US10922531B2 (en) Face recognition method
CN108960412B (zh) 图像识别方法、装置及计算机可读存储介质
US11417129B2 (en) Object identification image device, method, and computer program product
CN111226226A (zh) 基于运动的对象检测方法及其对象检测装置和电子设备
AG Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi
CN111291749B (zh) 手势识别方法、装置及机器人
Lahiani et al. Hand pose estimation system based on Viola-Jones algorithm for android devices
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
WO2021259336A1 (zh) 一种模态信息补全方法、装置及设备
CN111680670B (zh) 一种跨模态人头检测方法及装置
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
CN112686122B (zh) 人体及影子的检测方法、装置、电子设备、存储介质
JP7396076B2 (ja) 番号認識装置、方法及び電子機器
US11393181B2 (en) Image recognition system and updating method thereof
CN111368579B (zh) 图像识别方法、装置和系统，以及计算机可存储介质
CN113591862A (zh) 文本识别的方法及装置
CN110782439B (zh) 一种辅助检测图像标注质量的方法及装置

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