CN111626172A - 一种加速人脸特征相似度分析的装置及方法 - Google Patents
一种加速人脸特征相似度分析的装置及方法 Download PDFInfo
- Publication number
- CN111626172A CN111626172A CN202010435467.4A CN202010435467A CN111626172A CN 111626172 A CN111626172 A CN 111626172A CN 202010435467 A CN202010435467 A CN 202010435467A CN 111626172 A CN111626172 A CN 111626172A
- Authority
- CN
- China
- Prior art keywords
- neural network
- analysis
- intermediate node
- pair
- network model
- 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
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
- 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
- G06V40/172—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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种加速人脸特征相似度分析的方法,针对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征;针对每次获取的中间节点特征,判断该层中间节点特征的特征相似度是否大于对应的中间阈值,若大于等于对应的中间阈值,则输出所述分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,判断末端节点特征的特征相似度是否大于末端阈值,并输出判断结论。本发明提供的一种加速人脸特征相似度分析的装置及方法,利用神经网络模型的中间节点特征进行人脸特征相似度分析,可以提高分析效率以及分析结果的准确性。
Description
技术领域
本发明涉及人脸识别,具体涉及一种加速人脸特征相似度分析的装置及方法。
背景技术
由于视频监控正在快速普及,众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术,以求远距离快速确认人员身份,实现智能预警。人脸识别技术无疑是最佳的选择,采用快速人脸检测技术可以从监控视频图象中实时查找人脸,并与人脸数据库进行实时比对,从而实现快速身份识别。
人脸识别过程中多采用深度神经网络,然而深度神经网络由于计算量大往往具有较高延时,在手机等嵌入式设备中,往往采用较浅的神经网络以达到更低的延时,但是相应的准确率也会降低。
通常人脸识别包括1:1和1:X测试。1:1测试指两张人脸图像是否为同一人,1:X测试指一张人脸图像是否存在于X张人脸图像构成的数据库中。神经网络对人脸图片的训练通常先对人脸图片进行哑变量编码,然后利用softmax-交叉熵损失函数对数据训练。所以神经网络的最后几层一般依次为特征层(可能是全连接层、全局池化层等形式)、全连接层、softmax激活层、交叉熵损失函数。对1:1测试的应用通常是将特征层的特征与数据库中的特征进行欧式距离的计算,判断是否为同一人。1:N测试可以是上述方法持续N次。
卷积神经网络任意一层的输出可以视为一组特征,层数越深对特征加工越精细。当模型在验证集或测试集上得分很高时,代表模型在该数据集上对于特征的提取是几乎没有丢失有效信息的。但有效信息本身无法凭空产生,所以在卷积神经网络的每一层输出所包含的有效信息量应当不小于最终输出的有效信息量。由于神经网络末端输出能够判别两个人是否为同一人,因此神经网络中间节点产生的特征在某个判别域上应当也可以区分两个人是否为同一人,若能采用中间节点特征进行判断,则会大大增加判断的准确性以及效率。
发明内容
本发明的目的是提供一种加速人脸特征相似度分析的装置及方法,利用神经网络模型的中间节点特征进行人脸特征相似度分析,可以提高分析效率以及分析结果的准确性。
为了实现上述目的,本发明采用如下技术方案:一种加速人脸特征相似度分析的方法,包括如下步骤:
S01:采用训练集训练神经网络模型,得出训练之后的神经网络模型;所述训练集包括M个训练对,所述训练对包括两张人脸图片以及是否为同一人的标签;M为大于0的整数;
S02:对测试集进行神经网络模型运算,获取w层中间节点特征;并确定每层中间节点特征对应的中间阈值;所述测试集包括N个测试对,所述测试对包括两张人脸图片以及是否为同一人的标签;N和w均为大于0的整数,w小于所述神经网络模型的输出总层数;
S03:针对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征;所述分析对包括两张人脸图片;针对每次获取的中间节点特征,判断该层中间节点特征的特征相似度是否大于对应的中间阈值,若大于等于对应的中间阈值,则输出所述分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,进入步骤S04;
S04:判断末端节点特征的特征相似度是否大于末端阈值,若大于等于末端阈值,则输出所述分析对中两张人脸图片为同一人的结论,若小于末端阈值,则输出所述分析对中两张人脸图片不为同一人的结论。
进一步地,所述中间阈值和末端阈值为欧氏距离阈值或马氏距离阈值。
进一步地,所述步骤S02确定第i层中间阈值的具体方法为:
S021:分别获取每个测试对中两张图片的第i层中间节点特征;i小于所述神经网络模型的输出总层数;
S022:分别计算每个测试对中两张图片第i层中间节点特征的马氏距离;
S023:根据每个测试对的马氏距离以及该测试对是否为同一人的标签,确定马氏距离阈值。
进一步地,所述步骤S022中计算马氏距离方法为:
对测试集内第k个测试对进行神经网络模型运算,获取两张图片的第i层中间节点特征的Ni个特征分别为Ai,k=[ai,1,k,ai,2,k,…,ai,Ni,k]、Bi,k=[bi,1,k,bi,2,k,…,bi,Ni,k];
计算第i层中间节点特征的协方差系数阵列Ci,其中,所述协方差系数阵列Ci中第m行第n列系数为测试对中第一张图片的第m个特征与第二张图片的第n个特征的方差;
利用协方差系数阵列Ci的逆矩阵计算该测试对第i层中间节点特征的马氏距离。
进一步地,所述步骤S03分析对的其中一张图片通过感知器获得;另外一张图片从数据库中获得;所述数据库中包括X个人脸样品;X为大于0的整数。
进一步地,感知器获得的图片与X个人脸样品组成X个分析对,重复步骤S03-S04(X-1)次,对所述感知器获得图片进行确认。
一种加速人脸特征相似度分析的装置,包括神经网络加速单元、存储单元和主处理单元,所述神经网络加速单元对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征,并将其存储在所述存储单元中;针对每次获取的中间节点特征,所述主处理单元判断该层中间节点特征的特征相似度是否大于对应的中间阈值;若大于等于对应的中间阈值,则输出所述分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,所述主处理单元判断末端节点特征的特征相似度是否大于末端阈值,若大于等于末端阈值,则输出所述分析对中两张人脸图片为同一人的结论,若小于末端阈值,则输出所述分析对中两张人脸图片不为同一人的结论;其中,w为大于0的整数,且w小于神经网络模型的输出总层数。
进一步地,所述神经网络加速单元输出第i层中间节点特征时,所述神经网络加速单元向所述主处理单元发送中断信号,所述主处理单元接收中断信号后,先控制第i层中间节点特征存储在存储单元中,再向所述神经网络加速单元发送中断复位信号;i小于神经网络模型的输出总层数。
进一步地,所述神经网络加速单元输出第i层中间节点特征,并将第i层中间节点特征通过直接存储器访问方式传输至存储单元中,当传输完成后,所述神经网络加速单元向所述主处理单元发送中断信号;i小于神经网络模型的输出总层数。
本发明具有如下有益效果:本发明确定中间阈值之后,利用神经网络模型的中间节点特征进行人脸特征相似度分析,可以提高分析效率以及分析结果的准确性;并且中间节点距离末端距离保持一定的网络深度,确保加速效果明显。
附图说明
附图1为本发明一种加速人脸特征相似度分析方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施方式做进一步的详细说明。
如附图1所示,本发明提供的一种加速人脸特征相似度分析的方法,包括如下步骤:
S01:采用训练集训练神经网络模型,得出训练之后的神经网络模型;训练集包括M个训练对,训练对包括两张人脸图片以及是否为同一人的标签;M为大于0的整数。通过多个训练对的训练,可以得到参数准确的神经网络模型,在后续的计算过程中,均采用该训练之后的神经网络模型。
S02:对测试集进行神经网络模型运算,获取w层中间节点特征;并确定每层中间节点特征对应的中间阈值;测试集包括N个测试对,测试对包括两张人脸图片以及是否为同一人的标签;N和w均为大于0的整数,w小于所述神经网络模型的输出总层数。测试集和训练集的组成基本相同,只是在功能上进行区分,训练集用于训练神经网络模型,测试集用于确定中间阈值。本发明中第i层中间节点可以为末端节点之前的任意节点,本发明可以设置多个中间节点,且第一个设置的中间节点距离末端节点距离较大,确保加速效果明显。
判断测试对或训练对中两张人脸图片是否为同一人时,可以采用欧氏距离或者马氏距离进行判断;当两张图片为同一人时,中间节点特征之间的马氏距离和末端节点特征之间的马氏距离较小,当两张图片不为同一人时,中间节点特征之间的马氏距离和末端节点特征之间的马氏距离较大。因此,本发明中间阈值和末端阈值均可以为欧氏距离阈值或马氏距离阈值。
由于特征在神经网络中传播会受到池化层和激活层的筛选,受到卷积层、全连接层的组合,所以神经网络中间节点的特征距离可以用马氏距离进行近似,马氏距离的系数可以通过全概率公式求解。利用欧式距离判断是否为同一人的方案可以通过阈值的方式来约束准确率这个指标。阈值设置越小,准确率越高,由于中间节点的马氏距离判定是一个近似解,所以马氏距离阈值的设定应当参照欧式距离下同一准确率进行设置。以下以中间阈值为马氏距离阈值为例进行说明,当中间阈值为欧式距离或者其他表征值时,确定中间阈值的方法类似;马氏距离阈值的确定方法具体包括:
S021:分别获取每个测试对中两张图片的第i层中间节点特征;i小于神经网络模型的输出总层数;
S022:分别计算每个测试对中两张图片第i层中间节点特征特征的马氏距离;对测试集内第k个测试对进行神经网络模型运算,获取两张图片的第i层中间节点特征的Ni个特征分别为Ai,k=[ai,1,k,ai,2,k,…,ai,Ni,k]、Bi,k=[bi,1,k,bi,2,k,…,bi,Ni,k];
计算第i层中间节点特征的协方差系数阵列Ci,其中,协方差系数阵列Ci中第m行第n列系数为测试对中第一张图片的第m个特征与第二张图片的第n个特征的方差;
利用协方差系数阵列Ci的逆矩阵计算该测试对第i层中间节点特征的马氏距离,具体的计算方法如现有技术所述,在此不再详细说明。
S023:根据每个测试对的马氏距离以及该测试对是否为同一人的标签,同时还要考虑允许的误识别率确定马氏距离阈值。
本发明中末端阈值也可以采用上述方法进行确定,可以将末端节点特征当成特殊的中间节点特征进行处理;也可以采用现有技术中任意方式确定末端阈值。
S03:针对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征;分析对包括两张人脸图片。其中,当本发明应用于1:1的确定模式时,分析对中两张图片分别为通过感知器获得的图片和待比较的图片。当本发明应用于1:X的确定模式时,分析对的其中一张图片通过感知器获得;另外一张图片从数据库中获得;所述数据库中包括X个人脸样品;X为大于0的整数。感知器获得的图片与X个人脸样品组成X个分析对,重复步骤S03-S04 X-1次,对所述感知器获得图片进行确认。注意:步骤S01-S02的目的是为了获取神经网络模型以及中间阈值,而本步骤中分析对中通过感知器获得的其中一种图片才是本发明所要判断的图片,目的是为了判断该图片是否与数据库中X个人脸样品为同一人。
针对每次获取的中间节点特征,判断该层中间节点特征的特征相似度是否大于对应的中间阈值,若大于等于对应的中间阈值,则输出分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,进入步骤S04。
本发明中间节点特征的输出与中间节点特征的特征相似度的判断是分开的两个过程,神经网络加速单元对分析对进行神经网络模型运算,获取中间节点和末端节点;主处理单元对中间节点特征的特征相似度进行判断。值得说明的是,本发明中神经网络模型输出第i层中间节点特征之后,会继续进行运算,输出下一个中间节点特征或末端节点特征,而在神经网络模型继续进行运算的过程中,主处理单元针对输出的中间节点特征进行特征相似度的判断,若该层中间节点特征的特征相似度大于等于对应的中间阈值,则输出分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算,即整个分析过程结束。
本发明的创新之处在于将中间节点特征进行输出,并利用中间节点特征进行人脸相似度判断,若中间节点特征已经判断二者为同一人,则可以不对末端节点特征进行判断,直接输出结论;若所有的中间节点均判断二者不为同一人,此时,继续进行末端节点判断。在这种判断模式下,可以加速判断效率。
S04:判断末端节点特征的特征相似度是否大于末端阈值,若大于等于末端阈值,则输出分析对中两张人脸图片为同一人的结论;若小于末端阈值,则输出分析对中两张人脸图片不为同一人的结论。
本发明提供的一种加速人脸特征相似度分析的装置,包括神经网络加速单元、存储单元和主处理单元,神经网络加速单元对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征,并将其存储在存储单元中;针对每次获取的中间节点特征,主处理单元根据存储单元中存储的中间节点特征及对应的中间阈值判断该层中间节点特征的特征相似度是否大于对应的中间阈值;若大于等于对应的中间阈值,则输出分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,主处理单元根据存储单元中存储的末端节点特征及对应的末端阈值判断末端节点特征的特征相似度是否大于末端阈值,若大于等于末端阈值,则输出分析对中两张人脸图片为同一人的结论,若小于末端阈值,则输出分析对中两张人脸图片不为同一人的结论;其中,w为大于0的整数,且w小于神经网络模型的输出总层数。本发明将中间节点特征进行输出,并利用中间节点特征进行人脸相似度判断,若其中一个中间节点特征已经判断二者为同一人,则可以不对后续中间节点及末端节点特征进行判断,并输出结论;在这种判断模式下,可以加速判断效率。若所有中间节点特征判断二者不为同一人,为了确保判断的准确性,可以再采用末端节点特征进行判断,并输出结论。
本发明增加了中间节点特征的输出和判断,因此在硬件中存储单元的设置上具有不同于现有技术的地方,且神经网络加速单元采用神经网络模型进行中间节点特征和末端节点特征输出,且神经网络模型中间节点的输出应该以不干扰神经网络进一步计算为前提。具体可以采用如下两者方式进行存储单元的设置:
第一,神经网络加速单元输出第i层中间节点特征时,中间节点特征应当存储在有效存储区域且不被后续结果覆盖;此时,神经网络加速单元向主处理单元发送中断信号,主处理单元接收中断信号后,先控制第i层中间节点特征存储在存储单元中,再向神经网络加速单元发送中断复位信号,然后主处理单元对中间节点特征进行判断。本发明中神经网络加速单元对主处理单元发送中断信号的次数应当有代码确定,但向主处理单元发送中间中断信号的次数上限应当受限于存储单元非覆盖保存形式下有小存储区域的大小以及中间节点特征和末端节点特征的大小。当主处理单元对末端节点特征判断完成后,可以清理存储区间中间节点特征以及末端节点特征对应的存储数据。注意,神经网络加速单元可以不止一次的输出中间节点特征。
第二,神经网络加速单元输出第i层中间节点特征时,将中间节点特征通过直接存储器访问方式(DMA)传输至存储单元中,当DMA传输完成前禁止该区域写入;当DMA传输完成后,神经网络加速单元向主处理单元发送中断信号,主处理单元对存储单元中中间节点特征进行判断。当主处理单元判断完成但无有效存储区域可以书写时,神经网络加速单元挂起,直至存储单元中存在有效区域可书写时再次启动写入。
本发明确定中间阈值之后,利用神经网络模型的中间节点特征进行人脸特征相似度分析,可以提高分析效率以及分析结果的准确性;并且中间节点距离末端距离保持一定的网络深度,确保加速效果明显。
以上所述仅为本发明的优选实施例,所述实施例并非用于限制本发明的专利保护范围,因此凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明所附权利要求的保护范围内。
Claims (9)
1.一种加速人脸特征相似度分析的方法,其特征在于,包括如下步骤:
S01:采用训练集训练神经网络模型,得出训练之后的神经网络模型;所述训练集包括M个训练对,所述训练对包括两张人脸图片以及是否为同一人的标签;M为大于0的整数;
S02:对测试集进行神经网络模型运算,获取w层中间节点特征;并确定每层中间节点特征对应的中间阈值;所述测试集包括N个测试对,所述测试对包括两张人脸图片以及是否为同一人的标签;N和w均为大于0的整数,w小于所述神经网络模型的输出总层数;
S03:针对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征;所述分析对包括两张人脸图片;针对每次获取的中间节点特征,判断该层中间节点特征的特征相似度是否大于对应的中间阈值,若大于等于对应的中间阈值,则输出所述分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,进入步骤S04;
S04:判断末端节点特征的特征相似度是否大于末端阈值,若大于等于末端阈值,则输出所述分析对中两张人脸图片为同一人的结论,若小于末端阈值,则输出所述分析对中两张人脸图片不为同一人的结论。
2.根据权利要求1所述的一种加速人脸特征相似度分析的方法,其特征在于,所述中间阈值和末端阈值为欧氏距离阈值或马氏距离阈值。
3.根据权利要求2所述的一种加速人脸特征相似度分析的方法,其特征在于,所述步骤S02确定第i层中间阈值的具体方法为:
S021:分别获取每个测试对中两张图片的第i层中间节点特征;i小于所述神经网络模型的输出总层数;
S022:分别计算每个测试对中两张图片第i层中间节点特征的马氏距离;
S023:根据每个测试对的马氏距离以及该测试对是否为同一人的标签,确定马氏距离阈值。
4.根据权利要求3所述的一种加速人脸特征相似度分析的方法,其特征在于,所述步骤S022中计算马氏距离方法为:
对测试集内第k个测试对进行神经网络模型运算,获取两张图片的第i层中间节点特征的Ni个特征分别为Ai,k=[ai,1,k,ai,2,k,…,ai,Ni,k]、Bi,k=[bi,1,k,bi,2,k,…,bi,Ni,k];
计算第i层中间节点特征的协方差系数阵列Ci,其中,所述协方差系数阵列Ci中第m行第n列系数为测试对中第一张图片的第m个特征与第二张图片的第n个特征的方差;
利用协方差系数阵列Ci的逆矩阵计算该测试对第i层中间节点特征的马氏距离。
5.根据权利要求1所述的一种加速人脸特征相似度分析的方法,其特征在于,所述步骤S03分析对的其中一张图片通过感知器获得;另外一张图片从数据库中获得;所述数据库中包括X个人脸样品;X为大于0的整数。
6.根据权利要求5所述的一种加速人脸特征相似度分析的方法,其特征在于,感知器获得的图片与X个人脸样品组成X个分析对,重复步骤S03-S04(X-1)次,对所述感知器获得图片进行确认。
7.一种加速人脸特征相似度分析的装置,其特征在于,包括神经网络加速单元、存储单元和主处理单元,所述神经网络加速单元对分析对进行神经网络模型运算,获取w层中间节点特征和末端节点特征,并将其存储在所述存储单元中;针对每次获取的中间节点特征,所述主处理单元判断该层中间节点特征的特征相似度是否大于对应的中间阈值;若大于等于对应的中间阈值,则输出所述分析对中两张人脸图片为同一人的结论,同时停止对分析对的神经网络模型运算;若w层中间节点特征的特征相似度均小于对应的中间阈值,所述主处理单元判断末端节点特征的特征相似度是否大于末端阈值,若大于等于末端阈值,则输出所述分析对中两张人脸图片为同一人的结论,若小于末端阈值,则输出所述分析对中两张人脸图片不为同一人的结论;其中,w为大于0的整数,且w小于神经网络模型的输出总层数。
8.根据权利要求7所述的一种加速人脸特征相似度分析的装置,其特征在于,所述神经网络加速单元输出第i层中间节点特征时,所述神经网络加速单元向所述主处理单元发送中断信号,所述主处理单元接收中断信号后,先控制第i层中间节点特征存储在存储单元中,再向所述神经网络加速单元发送中断复位信号;i小于神经网络模型的输出总层数。
9.根据权利要求7所述的一种加速人脸特征相似度分析的装置,其特征在于,所述神经网络加速单元输出第i层中间节点特征,并将第i层中间节点特征通过直接存储器访问方式传输至存储单元中,当传输完成后,所述神经网络加速单元向所述主处理单元发送中断信号;i小于神经网络模型的输出总层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435467.4A CN111626172B (zh) | 2020-05-21 | 2020-05-21 | 一种加速人脸特征相似度分析的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435467.4A CN111626172B (zh) | 2020-05-21 | 2020-05-21 | 一种加速人脸特征相似度分析的装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626172A true CN111626172A (zh) | 2020-09-04 |
CN111626172B CN111626172B (zh) | 2023-09-08 |
Family
ID=72271042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010435467.4A Active CN111626172B (zh) | 2020-05-21 | 2020-05-21 | 一种加速人脸特征相似度分析的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626172B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
-
2020
- 2020-05-21 CN CN202010435467.4A patent/CN111626172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626172B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427807B (zh) | 一种时序事件动作检测方法 | |
CN109882019B (zh) | 一种基于目标检测和动作识别的汽车电动尾门开启方法 | |
Bigun et al. | Multimodal biometric authentication using quality signals in mobile communications | |
CN107967695B (zh) | 一种基于深度光流和形态学方法的运动目标检测方法 | |
CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
CN109190470B (zh) | 行人重识别方法及装置 | |
CN110378219B (zh) | 活体检测方法、装置、电子设备及可读存储介质 | |
CN111401171B (zh) | 一种人脸图像的识别方法、装置、电子设备和存储介质 | |
CN107784215B (zh) | 基于智能终端的声音装置进行唇读的用户认证方法及系统 | |
CN113886792A (zh) | 一种声纹识别和人脸识别相结合的印控仪应用方法和系统 | |
CN105844204B (zh) | 人体行为识别方法和装置 | |
CN112183449A (zh) | 一种驾驶员身份验证方法、装置、电子设备及存储介质 | |
CN113343198B (zh) | 一种基于视频的随机手势认证方法及系统 | |
CN110175578A (zh) | 应用于刑侦的基于深度森林的微表情识别方法 | |
CN113785304A (zh) | 人脸识别方法和装置 | |
CN111626172B (zh) | 一种加速人脸特征相似度分析的装置及方法 | |
US10803875B2 (en) | Speaker recognition system and method of using the same | |
CN114626412B (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
Bigun et al. | Combining biometric evidence for person authentication | |
CN115862634A (zh) | 一种声纹识别方法及嵌入式装置 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN113887357B (zh) | 一种人脸表示攻击检测方法、系统、装置及介质 | |
CN112669836B (zh) | 命令的识别方法、装置及计算机可读存储介质 | |
CN110458219B (zh) | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 | |
CN110096941A (zh) | 一种基于siamese网络的步态识别系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201203 Address after: 201210, Zhangjiang Road, Zhangjiang, Pudong New Area, No. 497, Gauss Road, Shanghai Applicant after: SHANGHAI IC R & D CENTER Co.,Ltd. Applicant after: Shanghai IC equipment Material Industry Innovation Center Co.,Ltd. Address before: 201210, Zhangjiang Road, Zhangjiang, Pudong New Area, No. 497, Gauss Road, Shanghai Applicant before: SHANGHAI IC R & D CENTER Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |