CN111582066B - 异质人脸识别模型训练方法、人脸识别方法及相关装置 - Google Patents
异质人脸识别模型训练方法、人脸识别方法及相关装置 Download PDFInfo
- Publication number
- CN111582066B CN111582066B CN202010319293.5A CN202010319293A CN111582066B CN 111582066 B CN111582066 B CN 111582066B CN 202010319293 A CN202010319293 A CN 202010319293A CN 111582066 B CN111582066 B CN 111582066B
- Authority
- CN
- China
- Prior art keywords
- heterogeneous
- visible light
- face
- information
- image
- 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.)
- Active
Links
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供异质人脸识别模型训练方法、人脸识别方法及相关装置。异质人脸识别模型训练方法包括:将可见光人脸图像和异质人脸图像联合生成可见光‑异质联合图像;通过可见光‑异质联合图像、可见光人脸图像样本集和异质人脸图像样本集对异质人脸识别模型进行训练。通过本申请的训练方法训练的异质人脸识别模型可以利用可见光照片底库对异质人脸图像进行识别,可以无需使用异质图片底库进行对比,提高异质人脸识别方法的实用性。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及异质人脸识别模型训练方法、人脸识别方法及相关装置。
背景技术
目前在安防领域内,当遇到夜晚等光线比较暗的场景时,为了从抓拍到的图像内提取到有价值的信息,通常的做法是在相机旁边架设能够提高成像质量和清晰度的补光灯,这种做法虽然能够在很大程度上解决照度不均衡的问题,但是补光灯也给面对镜头的人们带来了并不友好的体验,尤其是在道路上的相机,甚至会对驾驶员带来一定的安全隐患。
目前带有红外功能的设备在一定程度上可以缓解光线等外界环境对人脸识别算法的影响,但是目前业界主流的方案还是通过采集目标人员的红外证件照底库用于进行后期比对,但是这种方法的成本以及实用性不如基于普通证件照作为底库的方案,此外,要想在大规模场景下应用,获取大规模的红外底库是不现实的。与识别红外图片类似,通过构建的素描图片底库等异质图片底库对异质图片进行识别的方法实用性不高。
发明内容
本申请提供异质人脸识别模型训练方法、人脸识别方法及相关装置,通过本申请的训练方法训练的异质人脸识别模型可以利用可见光照片底库对异质人脸图像进行识别,可以无需使用异质图片底库进行对比,提高异质人脸识别方法的实用性。
为解决技术问题,本申请提供一种异质人脸识别模型训练方法,该方法包括:将可见光人脸图像和异质人脸图像联合生成可见光-异质联合图像;通过可见光-异质联合图像、可见光人脸图像样本集和异质人脸图像样本集对异质人脸识别模型进行训练。
为解决技术问题,本申请提供一种人脸识别方法,该人脸识别方法包括:
获取异质人脸图像或可见光人脸图像;
通过异质人脸识别模型对异质人脸图像或可见光人脸图像进行识别;
其中,异质人脸识别模型是通过上述异质人脸识别模型的训练方法进行训练得到的。
为解决上述技术问题,本申请提供一种智能装置,该智能装置包括存储器和处理器;
存储器用于存储实现如上述的异质人脸识别模型的训练方法的程序指令;和/或,存储器用于存储实现如上述的人脸识别方法;
处理器用于执行存储器存储的程序指令。
为解决技术问题,本申请提供一种计算机存储介质,其中存储有计算机程序,计算机程序被执行时实现上述异质人脸识别模型的训练方法和人脸识别方法中的步骤。
本申请的方法是:通过可见光人脸图像和异质人脸图像联合生成可见光-异质联合图像,并将可见光-异质联合图像作为异质人脸识别模型的训练样本,可以充分地增加模型训练样本数,对可见光-异质联合图像对应的人员的可见光照片和异质照片进行充分的采样,可以提高异质人脸识别模型的训练效果,这样通过上述方法训练好的异质人脸识别模型识别异质人脸图像时可以仅利用可见光照片底库,可以无需使用异质图片底库进行对比,提高异质人脸识别方法的实用性,可以解决异质数据匮乏导致异质图片底库难以建立的问题。
附图说明
为了更清楚地说明本申请实施方式中的技术方案,下面将对实施方式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申请的一些实施方式,对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他的附图。
图1是本申请异质人脸识别模型的训练方法一实施方式的流程示意图;
图2是本申请异质人脸识别模型的训练方法中可见光-异质联合图像的生成方法的流程示意图;
图3是本申请异质人脸识别模型的训练方法中可见光-异质联合图像的生成方法的示意图;
图4是本申请异质人脸识别模型的训练方法中可见光人脸信息和异质人脸信息关联方法的原理示意图;
图5是本申请异质人脸识别模型的训练方法中解码过程中各个维度之间交互学习的示意图;
图6是本申请异质人脸识别模型的训练方法中解码过程的示意图;
图7是本申请人脸识别方法一实施方式的流程示意图;
图8是本申请智能装置一实施方式的结构示意图;
图9是本申请计算机存储介质一实施方式的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案,下面结合附图和具体实施方式对本申请所提供的异质人脸识别模型训练方法、人脸识别方法及相关装置做进一步详细描述。
具体请参阅图1,图1是本申请异质人脸识别模型的训练方法一实施方式的流程示意图。如图1所示,本实施方式异质人脸识别模型的训练方法包括以下步骤。
S110:将可见光人脸图像和异质人脸图像联合生成可见光-异质联合图像。
将可见光人脸图像和异质人脸图像联合生成可见光-异质联合图像,可以充分增加异质人脸识别模型的样本数据,可以实现对同一个人的可见光和异质图像进行充分的采样,提高异质人脸识别模型的训练效果。
另外,可以将可见光人脸图像和至少一种模态的异质人脸图像联合生成可见光-异质联合图像。其中,至少一种模态的异质人脸图像可以包括红外人脸图像、素描人脸图像和3D人脸图像中的一种或多种模态。可以理解的是,每一种模态的图像可以只选取一张图像,用来与其他模态的图像联合生成可见光-异质联合图像。
进一步地,如图2和图3所示,步骤S110可以包括以下步骤。
S111:利用同样的编码方法分别将可见光人脸图像和异质人脸图像编码成可见光人脸信息和异质人脸信息。
在一实现方式中,编码方法为一种重参数化技巧,即通过重参数化技巧将可见光人脸图像Xn和异质人脸图像Xv分别映射到隐空间,以获得可见光人脸信息ZN和异质人脸信息Zv。
其中,通过重参数化技巧将可见光人脸图像Xn和异质人脸图像Xv分别映射到隐空间的步骤可以包括:分别确定可见光人脸图像和异质人脸图像对应的分布的标准差和均值;由多变量的标准高斯分布采样得到参数;利用可见光人脸图像和异质人脸图像各自的标准差和均值、参数得到可见光人脸信息和异质人脸信息。
具体通过下述公式得到可见光人脸信息或异质人脸信息:
zi=μi+σi⊙ε;
其中,i=N或V,i=N时,代表将可见光人脸图像作为待编码图像并通过上述的重参数化技巧得到隐空间中的可见光人脸信息ZN;i=V时,代表将异质人脸图像作为待编码图像并通过上述的重参数化技巧得到隐空间中的异质人脸信息ZV;μi和σi分别表示待编码图像对应的正态分布的均值和标准差;⊙表示阿达玛乘积;ε是由多变量的标准高斯分布采样得到的参数。
在另一种实现方式中,可以通过分形编码算法、小波变换压缩算法或基于模型的压缩算法等其他编码方法将可见光人脸图像和异质人脸图像编码成可见光人脸信息和异质人脸信息。
S112:将可见光人脸信息和异质人脸信息关联,以获得关联信息。
在通过步骤S111中所述的编码方法得到可见光人脸信息和异质人脸信息这两种独立的分布之后,可以将可见光人脸信息和异质人脸信息关联起来,以得到关联信息ZI。
在一实现方式中,可以通过变分自编码器(VAEs)将可见光人脸信息和异质人脸信息关联起来。其中,变分自编码器的原理如图4所示,假定输出的数据是X,X由隐变量Z产生,由Z→X是生成模型pθ(X│Z),从自编码器的角度来看,就是解码器;而从X→Z是识别模型,从自编码器的角度来看就是编码器。VAEs被广泛应用于图像生成领域,当生成模型pθ(X│Z)训练好了以后,便可以利用其生成图像。在本质上,变分自动编码是一种旨在将输入编码到低维潜在空间然后将其解码回来的网络——通过编码器模块拍摄图像,将其映射到潜在的矢量空间,然后通过解码器模块将其解码回与原始图像具有相同尺寸的输出。
S113:将关联信息解码得到可见光-异质联合图像。
在一实现方式中,得到关联信息后,可以直接对关联信息进行解码得到可见光-异质联合图像。
在另一实现方式中,可以先将关联信息中可见光人脸信息和异质人脸信息进行交互,以得到联合信息;然后再对联合信息进行解码得到可见光-异质联合图像。
可选地,可以利用KL散度将关联信息中的可见光人脸信息和异质人脸信息进行交互。具体地,利用KL散度计算出关联信息中可见光人脸信息和异质人脸信息的后验分布;然后根据后验分布得到联合信息。
后验分布的计算公式如下所示;
Lkl=DKL(qΦN(zN|xN)||p(zN))+DKL(qΦV(zV|xV)||p(zV));
其中,qфN和qфV分别表示的是异质和可见光两个分支的编码表示,先验分布p(zN)以及p(zV)都来自于多变量的标准高斯分布。
另外,具体通过下述公式得到联合信息:
Lrec=-EqΦN(zN|xN)∪qΦV(zV|xV)log pθ(xN,xV|ZI)。
进一步地,在对关联信息或联合信息进行解码时,关联信息或联合信息中各个维度之间的信息并不是相互独立的,而是如图5所示地各个维度之间进行交互学习,类似于shufflenet之间不同通道间进行信息交互,这样可以保证可见光人脸图像和异质人脸图像之间的信息得到信息共享。将关联信息或联合信息解码后可以得到(3*参与生成可见光-异质联合图像的图像张数)通道数据,每3个通道的数据生成一张图像。
例如,如图6所示,通过一张可见光人脸图像和一张红外人脸图像生成可见光-异质联合图像过程中,可见光人脸图像和红外人脸图像经过编码之后得到的隐空间中信息维度分别为512维信息,可见光人脸信息和红外人脸信息关联后得到1024维的关联信息ZI,对这1024维关联信息进行解码可以得到6通道的数据,对应的前3和后3通道分别生成可见光图像和红外图像,以得到可见光-异质联合图像。
S114:基于从可见光-异质联合图像提取到的可见光人脸数据和异质人脸数据的相似性确认可见光人脸图像和异质人脸图像对应的人员是否相同。
为了保证联合生成的可见光-异质联合图像中的可见光图像和异质图像对应的人员相同,在生成可见光-异质联合图像后,可以通过从可见光-异质联合图像提取到的可见光人脸数据和异质人脸数据的相似性确认可见光人脸图像和异质人脸图像对应的人员是否相同;在对应的人员相同时,将联合生成的可见光-异质联合图像作为异质人脸识别模型的训练样本,这样可以监督联合生成的可见光-异质联合图像中可见光部分和异质部分的身份的一致性。在对应的人员不相同时,不将此次联合生成的可见光-异质联合图像作为异质人脸识别模型的训练样本,并可以提示用户。
另外,可以通过特征提取器Fip对可见光-异质联合图像进行特征提取,以保证生成的数据和输入属于同一身份信息。可选地,可以使用轻量级网络作为特征提取器。
S120:通过可见光-异质联合图像、可见光人脸图像样本集和异质人脸图像样本集对异质人脸识别模型进行训练。
可以将上述步骤S110生成的可见光-异质联合图像作为训练样本,用来对异质人脸识别模型进行训练,以增加训练样本数量,提高异质人脸识别模型的训练效果。
另外,还可以将可见光人脸图像样本集和异质人脸图像样本集作为训练样本。
在训练过程中,可以基于训练过程中计算到的损失不断优化异质人脸识别模型,最终得到训练好的异质人脸识别模型。
具体地,可以通过联合损失函数计算损失。联合损失函数包括第一损失函数和第二损失函数。其中,联合损失函数的计算公式如下所示:
Lhfr=LSoftmax+α1Lpair;
其中,LSoftmax为通过第一损失函数计算出的第一损失;Lpair为通过第二损失函数计算出的第二损失;α1为平衡参数,在训练过程中,α1为常量。
在本实施例中,第一损失函数用于监督训练可见光人脸图像样本集和异质人脸图像样本集。具体地,第一损失函数可为Softmax损失函数。
另外,第二损失函数用于监督训练可见光-异质联合图像。第二损失函数的公式如下所述:
通过上述的第二损失函数计算出的第二损失监督训练异质人脸识别模型时,可以实现不同模态之间数据差异的最小化,可以让异质人脸识别模型利用可见光的底库照片可以更加准确地识别可见光人脸图像和异质人脸图像。即通过本申请的联合损失函数对异质人脸识别模型监督训练,可以消除不同模态之间的数据差异性。
在本实施例中,通过可见光人脸图像和异质人脸图像联合生成可见光-异质联合图像,并将可见光-异质联合图像作为异质人脸识别模型的训练样本,可以充分地增加模型训练样本数,对可见光-异质联合图像对应的人员的可见光照片和异质照片进行充分的采样,可以提高异质人脸识别模型的训练效果,提高异质人脸识别模型的识别效果,这样通过上述方法训练好的异质人脸识别模型识别异质人脸图像时可以仅利用可见光照片底库,可以解决异质数据匮乏导致异质照片底库难以建立的问题。
请参见图7,图7为本申请人脸识别方法一实施例的流程示意图。如图7所示,本申请人脸识别方法包括下述步骤。
S210:获取异质人脸图像或可见光人脸图像。
S220:通过异质人脸识别模型对异质人脸图像或可见光人脸图像进行识别。
其中,异质人脸识别模型是上述实施例中异质人脸识别模型的训练方法训练好的。
因为本申请的异质人脸识别模型在训练过程中,通过可见光-异质联合图像的生成对可见光人脸图像和异质人脸图像进行充分的采样,这样很好地训练了异质人脸识别模型,使得通过可见光底库对可见光人脸图像和异质人脸图像都可以进行识别,通过异质图像底库对可见光人脸图像和异质人脸图像也都可以进行识别,本申请的异质人脸识别模型对异质人脸图像或可见光人脸图像进行识别时,可以仅使用可见光照片底库,可以解决异质数据匮乏导致异质照片底库难以建立的问题。
上述异质人脸识别模型的训练方法和人脸识别方法一般由智能装置实现,因而本申请还提出一种智能装置。请参阅图8,图8是本申请智能装置一实施方式的结构示意图。本申请中智能装置10包括处理器12和存储器11;存储器11中存储有计算机程序,处理器12用于执行计算机程序以实现如上述异质人脸识别模型的训练方法和人脸识别方法中的步骤。
上述异质人脸识别模型的训练方法和人脸识别方法的逻辑过程以计算机程序呈现,在计算机程序方面,若其作为独立的软件产品销售或使用时,其可存储在计算机存储介质中,因而本申请提出一种计算机存储介质。请参阅图9,图9是本申请计算机存储介质一实施方式的结构示意图,本实施方式计算机存储介质20中存储有计算机程序21,计算机程序被处理器执行时实现上述异质人脸识别模型的训练方法和人脸识别方法中的步骤。
该计算机存储介质20具体可以为U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory,)、磁碟或者光盘等可以存储计算机程序的介质,或者也可以为存储有该计算机程序的服务器,该服务器可将存储的计算机程序发送给其他设备运行,或者也可以自运行该存储的计算机程序。该计算机存储介质20从物理实体上来看,可以为多个实体的组合,例如多个服务器、服务器加存储器、或存储器加移动硬盘等多种组合方式。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种异质人脸识别模型的训练方法,其特征在于,所述方法包括:
利用同样的编码方法分别将可见光人脸图像和异质人脸图像编码成可见光人脸信息和异质人脸信息;
将所述可见光人脸信息和所述异质人脸信息关联,以获得关联信息;
将所述关联信息解码得到可见光-异质联合图像;
通过所述可见光-异质联合图像、可见光人脸图像样本集和异质人脸图像样本集对异质人脸识别模型进行训练;
其中,在将所述关联信息解码时,被解码的信息中各个维度之间进行交互学习。
2.根据权利要求1所述的异质人脸识别模型的训练方法,其特征在于:所述利用同样的编码方法分别将可见光人脸图像和异质人脸图像编码成可见光人脸信息和异质人脸信息;以及将所述可见光人脸信息和所述异质人脸信息关联,以获得关联信息,包括:
通过重参数化技巧将所述可见光人脸图像和所述异质人脸图像编码成所述可见光人脸信息和所述异质人脸信息;通过变分自编码器将所述可见光人脸信息和所述异质人脸信息关联,获得所述关联信息。
3.根据权利要求2所述的异质人脸识别模型的训练方法,其特征在于,所述通过重参数化技巧将所述可见光人脸图像和所述异质人脸图像编码成所述可见光人脸信息和所述异质人脸信息,包括:
分别确定所述可见光人脸图像和所述异质人脸图像对应的分布的标准差和均值;由多变量的标准高斯分布采样得到参数;
利用所述可见光人脸图像和所述异质人脸图像各自的标准差和均值、参数得到可见光人脸信息和异质人脸信息。
4.根据权利要求1所述的异质人脸识别模型的训练方法,其特征在于,所述将所述关联信息解码得到所述可见光-异质联合图像,包括:
利用KL散度将所述关联信息中的可见光人脸信息和异质人脸信息进行交互,以得到联合信息;
将所述联合信息解码得到所述可见光-异质联合图像。
5.根据权利要求1所述的异质人脸识别模型的训练方法,其特征在于,
所述将所述关联信息解码得到所述可见光-异质联合图像,之后包括:基于从所述可见光-异质联合图像提取到的可见光人脸数据和异质人脸数据的相似性确认所述可见光人脸图像和所述异质人脸图像对应的人员是否相同;
对应的人员相同时,执行所述通过所述可见光-异质联合图像对异质人脸识别模型进行训练。
6.根据权利要求1所述的异质人脸识别模型的训练方法,其特征在于,所述通过所述可见光-异质联合图像、可见光人脸图像样本集和异质人脸图像样本集对异质人脸识别模型进行训练,包括:
基于所述可见光-异质联合图像、可见光人脸图像样本集和异质人脸图像样本集使用联合损失函数对异质人脸识别模型进行训练;
其中,所述联合损失函数包括第一损失函数和第二损失函数,所述第一损失函数用于监督训练所述可见光人脸图像样本集和所述异质人脸图像样本集;所述第二损失函数用于监督训练所述可见光-异质联合图像。
7.一种人脸识别方法,其特征在于,所述方法包括:
获取异质人脸图像或可见光人脸图像;
通过异质人脸识别模型对所述异质人脸图像或所述可见光人脸图像进行识别;
其中,所述异质人脸识别模型是通过权利要求1-6中任一项所述的异质人脸识别模型的训练方法进行训练得到的。
8.一种智能装置,其特征在于,所述智能装置包括存储器和处理器;
所述存储器用于存储实现如权利要求1-6任一项所述的异质人脸识别模型的训练方法的程序指令;和/或,所述存储器用于存储实现如权利要求7所述的人脸识别方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319293.5A CN111582066B (zh) | 2020-04-21 | 2020-04-21 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319293.5A CN111582066B (zh) | 2020-04-21 | 2020-04-21 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582066A CN111582066A (zh) | 2020-08-25 |
CN111582066B true CN111582066B (zh) | 2023-10-03 |
Family
ID=72111609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319293.5A Active CN111582066B (zh) | 2020-04-21 | 2020-04-21 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582066B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132230B (zh) * | 2020-10-09 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 图像分类方法及装置 |
CN112364825B (zh) * | 2020-11-30 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 用于人脸识别的方法、装置和计算机可读存储介质 |
CN112613489A (zh) * | 2021-01-08 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种数据采集方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009087072A (ja) * | 2007-09-28 | 2009-04-23 | Fujifilm Corp | トレーニング支援装置、トレーニング支援システム、及びプログラム |
CN103136516A (zh) * | 2013-02-08 | 2013-06-05 | 上海交通大学 | 可见光与近红外信息融合的人脸识别方法及系统 |
CN104700087A (zh) * | 2015-03-23 | 2015-06-10 | 上海交通大学 | 可见光与近红外人脸图像的相互转换方法 |
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
AU2016225819A1 (en) * | 2015-11-11 | 2017-05-25 | Adobe Inc. | Structured knowledge modeling and extraction from images |
CN108427939A (zh) * | 2018-03-30 | 2018-08-21 | 百度在线网络技术(北京)有限公司 | 模型生成方法和装置 |
CN108710910A (zh) * | 2018-05-18 | 2018-10-26 | 中国科学院光电研究院 | 一种基于卷积神经网络的目标识别方法及系统 |
CN108776786A (zh) * | 2018-06-04 | 2018-11-09 | 北京京东金融科技控股有限公司 | 用于生成用户真伪识别模型的方法和装置 |
CN108830384A (zh) * | 2018-06-29 | 2018-11-16 | 北京奇虎科技有限公司 | 建立跨域联合分布匹配模型的方法、装置及其应用 |
EP3428843A1 (en) * | 2017-07-14 | 2019-01-16 | GB Group plc | Improvements relating to face recognition |
CN109919887A (zh) * | 2019-02-25 | 2019-06-21 | 中国人民解放军陆军工程大学 | 一种基于深度学习的无监督图像融合方法 |
CN110009052A (zh) * | 2019-04-11 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 一种图像识别的方法、图像识别模型训练的方法及装置 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
CN110781856A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
AU2020100178A4 (en) * | 2020-02-04 | 2020-03-19 | Huang, Shuying DR | Multiple decision maps based infrared and visible image fusion |
-
2020
- 2020-04-21 CN CN202010319293.5A patent/CN111582066B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009087072A (ja) * | 2007-09-28 | 2009-04-23 | Fujifilm Corp | トレーニング支援装置、トレーニング支援システム、及びプログラム |
CN103136516A (zh) * | 2013-02-08 | 2013-06-05 | 上海交通大学 | 可见光与近红外信息融合的人脸识别方法及系统 |
CN104700087A (zh) * | 2015-03-23 | 2015-06-10 | 上海交通大学 | 可见光与近红外人脸图像的相互转换方法 |
AU2016225819A1 (en) * | 2015-11-11 | 2017-05-25 | Adobe Inc. | Structured knowledge modeling and extraction from images |
CN105608450A (zh) * | 2016-03-01 | 2016-05-25 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
EP3428843A1 (en) * | 2017-07-14 | 2019-01-16 | GB Group plc | Improvements relating to face recognition |
CN108427939A (zh) * | 2018-03-30 | 2018-08-21 | 百度在线网络技术(北京)有限公司 | 模型生成方法和装置 |
CN108710910A (zh) * | 2018-05-18 | 2018-10-26 | 中国科学院光电研究院 | 一种基于卷积神经网络的目标识别方法及系统 |
CN108776786A (zh) * | 2018-06-04 | 2018-11-09 | 北京京东金融科技控股有限公司 | 用于生成用户真伪识别模型的方法和装置 |
CN108830384A (zh) * | 2018-06-29 | 2018-11-16 | 北京奇虎科技有限公司 | 建立跨域联合分布匹配模型的方法、装置及其应用 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN109919887A (zh) * | 2019-02-25 | 2019-06-21 | 中国人民解放军陆军工程大学 | 一种基于深度学习的无监督图像融合方法 |
CN110009052A (zh) * | 2019-04-11 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 一种图像识别的方法、图像识别模型训练的方法及装置 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
CN110781856A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
AU2020100178A4 (en) * | 2020-02-04 | 2020-03-19 | Huang, Shuying DR | Multiple decision maps based infrared and visible image fusion |
Non-Patent Citations (1)
Title |
---|
黄怀波."基于生成模型的人脸图像合成与分析".《CNKI博士电子期刊》.2020,(第undefined期),第71-76页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111582066A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582066B (zh) | 异质人脸识别模型训练方法、人脸识别方法及相关装置 | |
Liu et al. | Shadow removal by a lightness-guided network with training on unpaired data | |
Ciftci et al. | How do the hearts of deep fakes beat? deep fake source detection via interpreting residuals with biological signals | |
Kusakunniran et al. | Recognizing gaits across views through correlated motion co-clustering | |
US20180373929A1 (en) | Method and apparatus for comparing objects in images | |
Weinland et al. | Free viewpoint action recognition using motion history volumes | |
US8675926B2 (en) | Distinguishing live faces from flat surfaces | |
CN110866958A (zh) | 一种文本到图像的方法 | |
CN111242097A (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
US20190171905A1 (en) | Method, system and apparatus for comparing objects in images | |
CN116803079A (zh) | 视频和相关特征的可分级译码 | |
CN113361489B (zh) | 基于解耦表示的人脸正面化模型构建方法和训练方法 | |
CN112766217B (zh) | 基于解纠缠和特征级差异学习的跨模态行人重识别方法 | |
Li et al. | Face liveness detection and recognition using shearlet based feature descriptors | |
Dogonadze et al. | Deep face forgery detection | |
CN111382601A (zh) | 生成对抗网络模型的光照人脸图像识别预处理系统及方法 | |
Wu et al. | Comparative analysis and application of LBP face image recognition algorithms | |
CN111680618B (zh) | 基于视频数据特性的动态手势识别方法、存储介质和设备 | |
US20140376822A1 (en) | Method for Computing the Similarity of Image Sequences | |
Geetha et al. | 3D face recognition using Hadoop | |
AU2017279676A1 (en) | Method, system and apparatus for comparing objects in images | |
Hadjkacem et al. | Multi-shot human re-identification using a fast multi-scale video covariance descriptor | |
Barnich | Motion detection and human recognition in video sequences | |
Soni et al. | Synthetic Data Approach for Unconstrained Low-Resolution Face Recognition in Surveillance Applications✱ | |
CN117558064A (zh) | 开集场景下防深度伪造的讲话人认证方法及系统 |
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 |