CN111652018A - 一种人脸注册方法和认证方法 - Google Patents

一种人脸注册方法和认证方法 Download PDF

Info

Publication number
CN111652018A
CN111652018A CN201910254146.1A CN201910254146A CN111652018A CN 111652018 A CN111652018 A CN 111652018A CN 201910254146 A CN201910254146 A CN 201910254146A CN 111652018 A CN111652018 A CN 111652018A
Authority
CN
China
Prior art keywords
face
facial feature
feature points
registration
authentication
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
CN201910254146.1A
Other languages
English (en)
Other versions
CN111652018B (zh
Inventor
熊杰成
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.)
Shanghai Re Sr Information Technology Co ltd
Original Assignee
Shanghai Re Sr 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 Shanghai Re Sr Information Technology Co ltd filed Critical Shanghai Re Sr Information Technology Co ltd
Priority to CN201910254146.1A priority Critical patent/CN111652018B/zh
Publication of CN111652018A publication Critical patent/CN111652018A/zh
Application granted granted Critical
Publication of CN111652018B publication Critical patent/CN111652018B/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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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

Landscapes

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

Abstract

本发明涉及安防认证领域，提出了一种人脸注册方法，该注册方法包括：获取人脸的正面照、右侧面照和左侧面照；对所述正面照进行面部特征点识别，提取面部特征向量以完成所述2D人脸注册；分别识别右侧面照和左侧面照中的面部特征点位置，并与所述正面照中对应的面部特征点合成各面部特征点的三维空间坐标；以所述各面部特征点的三维空间坐标完成所述3D注册。同时本发明还提出了一种相应的人脸认证方法。本发明结合了人脸二维识别和三维识别的优点，提高了安全性，且减小了算法的复杂度。

Description

一种人脸注册方法和认证方法
技术领域
本发明涉及安防认证领域，尤其涉及一种人脸注册方法和人脸认证方法。
背景技术
人脸识别作为一种生物特征识别，对于身份确认有着举足轻重的意义。它比指纹识别、虹膜识别、语音识别更容易采集特征信息。传统的人脸识别是指正面2D人脸识别，它有着识别率很难提高的瓶颈，一般正确识别率只能达到95％。
现今有人提出了3D人脸识别的方法，由于它充分利用了人脸侧面的信息，所以能够很大程度上提高识别率。但是，它又遇到了像指纹识别、虹膜识别、语音识别一样的问题，即生物特征信息不易采集，因为对人脸进行三维扫描需要人的密切配合。另外一种改进方法，是对人脸进行拍摄，得到视频流；从所述视频流中提取出符合预设要求的M帧人脸图像，所述M为大于1的整数；根据所述M帧人脸图像生成人脸模板图像。可以从视频流中选取多帧人脸，用以生成人脸模板，如此，能够使人脸模板具有更多更好的特征，得到的人脸模板鲁棒性更强，提升了人脸识别效率。上述方案虽然用了多帧人脸图像生成人脸模板，但是本质上还是只用了2D人脸注册和识别，没有对三维空间的特征点计算坐标，安全性仍然不高。
为此，在中国专利申请CN201010598999中，揭示了一种利用侧面和正面照进行人脸识别的方法，采用两个普通摄像头，包括如下步骤：步骤1：第一摄像头提取人脸的正面图像，将提取的人脸的正面图像输入计算机；步骤2：第二摄像头提取人脸的侧面图像，将提取的人脸的侧面图像输入计算机；步骤3：计算机对提取的人脸正面图像和人脸侧面图像进行预处理及特征提取，得到人脸正面图像特征和人脸侧面图像特征的两个人脸特征向量；步骤4：将两个人脸特征向量融合为一个特征向量，然后映射成高维空间的一个点；步骤5：采用高维空间点分布分析方法，分析同一个人在高维空间的点分布，确定覆盖样本子空间的近似几何形体，构建训练网络模型；步骤 6：用构建的训练网络模型对人脸进行识别。该专利虽然引入了人脸侧面的特征，但是侧面的主要贡献还是识别面部特征点的，并且使用两个摄像头只能采集正面和单一侧面，并非人脸全貌，因此该方式实质上也并没有真正实现3D人脸认证。
在中国专利申请CN200510108136中，揭示了一种正交图像的快速个性化人脸建模方法，包括步骤：利用摄像机拍摄两幅正交人脸图像，即正面人脸图像和侧面人脸图像；对两幅图像进行归一化处理，通过对通用人脸网格模型的投影，得到和正交图像对应的两个方向的投影网格；在人脸图像和投影网格上选择对应的特征点，利用匹配算法求得二者之间的最佳匹配参数，然后对所有的投影网格进行匹配，得到匹配后的网格特征点的位置，并利用径向基函数插值算法对结果进行插值，得到精确的匹配结果；然后从两个匹配后的投影网格恢复其三维信息，得到个性化的人脸网格模型；再对该网格模型进行纹理映射，获得最终的个性化人脸模型。该专利方案通过两幅正交的人脸图像，对人脸部特征点位置进行计算，但是该专利使用的仍然是两幅正交图像，及正面和一副侧面图像，这种方式对人脸全貌的识别还是无法解决，并且单一的认证方式对安全性的要求也无法满足。
因此，寻找一种新的人脸注册及认证方法，解决上述技术问题，是当前安防识别领域的重要课题。
发明内容
有鉴于此，本发明提出了一种融合2D(二维空间)和3D(三维空间) 的人脸注册和认证方法，结合人脸二维识别和三维识别的优点，提高了人脸识别的安全性。
基于本发明的目的提出的一种人脸注册方法，融合了2D人脸注册和3D 人脸注册，包括：
获取人脸的正面照、右侧面照和左侧面照；
对所述正面照进行面部特征点识别，提取面部特征向量以完成所述2D 人脸注册；
分别识别右侧面照和左侧面照中的面部特征点位置，并与所述正面照中对应的面部特征点合成各面部特征点的三维空间坐标；
以所述各面部特征点的三维空间坐标完成所述3D注册。
优选的，所述面部特征点位置通过一多任务卷积神经网络识别得到。
优选的，所述多任务卷积神经网络识别包括步骤：
对所述目标图片缩放，形成多个不同尺度下的图像金字塔；
使用P-Net生成每张图片中人脸区域的候选窗和边框回归向量，对所述候选窗使用边框回归方法进行校正，使用非极大值抑制法合并重叠的候选框；
使用R-Net改善所述候选窗，将通过P-Net的所述候选窗输入R-Net中，拒绝掉错误的窗口，并继续使用边框回归和非极大值抑制法处理所述候选框；
使用O-Net输出最终的人脸框和面部特征点位置。
优选的，所述各面部特征点的三维空间坐标合成包括：
将正面照中的面部特征点映射在xoz平面得到第一坐标；
将左侧面照中对应正面照中的面部特征点映射在yoz平面得到第二坐标；
将右侧面照中对应正面照中的面部特征点映射在yoz平面得到第三坐标；
合成所有特征点在xoz平面的坐标和在yoz平面的坐标，解算出各面部特征点的三维空间坐标(x,y,z)。
优选的，对所述正面照、右侧面照、左侧面照中的面部特征点位置识别之后，进一步包括归一化处理步骤，所述归一化处理步骤用以使该三张照片中相同面部特征点之间的尺寸相同。
优选的，所述面部特征点至少包括左眼、右眼、鼻尖、左嘴角和右嘴角。
同时，本发明还提出了一种人脸认证方法，包括：
使用上述的人脸注册方法，完成人脸的注册，并存储至一认证设备；
采集一人脸照片，提取所述人脸照片中的面部特征点，与所述注册的人脸进行认证比对，并输出认证结果。
优选的，采集的人脸照片与注册的人脸比对时，分为与2D人脸注册的人脸比对和3D人脸注册的人脸比对两个过程。
优选的，所述2D人脸认证的比对过程，包括：对采集的人脸照片提取面部特征向量，并和注册的面部特征向量进行余弦距离计算，当余弦距离小于设置的余弦距离阈值时，通过2D人脸认证。
优选的，所述3D人脸认证的比对过程，包括：对采集的人脸照片解算出当前的面部特征点的位置坐标，与注册的面部特征点的3D坐标对比，相似度达到设置的相似度阈值时则通过3D人脸认证。
本发明提出了一种融合2D(二维空间)和3D(三维空间)的人脸注册方法，2D注册采用注册人的脸部的正面照，经过人脸特征提取网络提取特征向量进行存储，完成2D注册。3D注册需采集注册人的脸部的正面照、左偏 90°的侧面照、右偏90°的侧面照，通过检测这三种角度的照片中部分特征点(比如双眼、鼻子尖、两个嘴角5个特征点)，将三个图片归一化成相同尺度(即同一个人的三个图片中鼻子尖到眼睛的高度相等)，将归一化后的三个图片的特征点的位置坐标提取出来，得到这些特征点在xoz平面的坐标和在yoz平面的坐标，再解算出这这些特征点的3D坐标(x,y,z)，对特征点的3D坐标进行存储，完成3D注册。
优点：结合了人脸二维识别和三维识别的优点，注册了人脸的二维特征信息和三维特征点坐标信息，提高了安全性；在3D注册中只针对部分特征点的三维坐标进行计算，相对于对整个人脸的点建模计算减小了算法的复杂度。
附图说明
图1是本发明提出的一种人脸注册方法的流程示意图。
图2是MTCNN的网络结构图。
图3a为人脸正面照映射在xoz平面的坐标图；图3b为右偏90°的右侧面照映射在yoz平面的坐标图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
本发明针对当前人脸识别领域中人脸3D识别算法复杂，2D识别安全性不高等问题，提出了一种融合2D和3D人脸注册的方法。请参见图1，图1 是本发明提出的一种人脸注册方法的流程示意图，该方法包括：
S1、获取人脸的正面照、右侧面照和左侧面照；
S2、对所述正面照进行面部特征点识别，提取面部特征向量以完成所述 2D人脸注册；
S3、分别识别右侧面照和左侧面照中的面部特征点位置，并与所述正面照中对应的面部特征点合成各面部特征点的三维空间坐标；
S4、以所述各面部特征点的三维空间坐标完成所述3D注册。
步骤S2中，2D注册采用注册人的脸部的正面照，经过人脸特征提取网络提取特征向量进行存储，完成2D注册。在一种优选的实施方式中，人脸特征提取网络为多任务卷积神经网络(Multi-task convolutional neural network；MTCNN)。该算法将人脸检测对齐放在一个网络里，通过CNN模型级联实现了多任务学习网络，实现了人脸检测与面部特征点标定的模型。特别地，该算法能够对人脸上的左眼、右眼、鼻尖、左嘴角和右嘴角这5个特征点进行标定，相对其它算法，所需识别的面部特征点大大减少，提升了人脸识别的速度和精度。
整个模型分为三个阶段，第一阶段通过一个浅层的CNN网络快速产生一系列的候选窗口；第二阶段通过一个能力更强的CNN网络过滤掉绝大部分非人脸候选窗口；第三阶段通过一个能力更加强的网络找到人脸上面的五个标记点，即5个面部特征点。
请参见图2，图2是MTCNN的网络结构图，如图所示，MTCNN网络 1由3个网络结构组成：P-Net11、R-Net12、O-Net13。
P-Net11(Proposal Network)：该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制(Non-Maximum Suppression,NMS)来合并高度重叠的候选框。
R-Net12(Refine Network)：该网络结构还是通过边界框回归和NMS来去掉那些误报(false-positive)区域。只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制false-positive的作用。
O-Net13(Output Network)：该网络结构比R-Net网络结构又多了一层卷基层，所以处理的结果会更加精细。作用和R-Net12作用一样。但是该网络结构对人脸区域进行了更多的监督，同时还会输出5个地标(landmark)。
完整的MTCNN处理步骤如下：
对所述目标图片缩放，形成多个不同尺度下的图像金字塔；
使用P-Net生成每张图片中人脸区域的多个候选窗和边框回归向量，对所述多个候选窗使用边框回归方法进行校正，使用非极大值抑制法合并重叠的候选框；
使用R-Net改善所述候选窗，将通过P-Net的所述候选窗输入R-Net中，拒绝掉错误的窗口，并继续使用边框回归和非极大值抑制法处理所述候选框；
使用O-Net输出最终的人脸框和面部特征点位置。
步骤S3、S4中的3D注册需采集注册人的脸部的正面照、左偏90°的侧面照、右偏90°的侧面照，通过检测这三种角度的照片中对应的面部特征点，包括双眼、鼻子尖、两个嘴角，然后将正面图片中得到的5个特征点映射在xoz平面得到第一坐标，左侧面照得到左眼、鼻子尖、左嘴角特征点映射在yoz平面得到第二坐标，右侧面照得到右眼、鼻子尖、右嘴角特征点映射在yoz平面得到第三坐标，如此5个特征点在xoz平面的坐标和在yoz平面的坐标全部得到，可以解算出这5个特征点的3D坐标(x,y,z)。对这些特征点的3D坐标进行存储，完成3D注册。
如图3，以右眼和鼻尖的特征点为例，图3a为人脸正面照，映射在xoz 平面，左眼21的坐标(x1,z1)，右眼22的坐标(x2,z2)，鼻尖23的坐标(x3,z3)，图3b为右偏90°的右侧面照，映射在yoz平面，右眼22的坐标(y2,z2)，鼻尖23的坐标(y3,z3)。那么在三维空间xyz坐标系中右眼22的坐标为(x2,y2,z2)，鼻尖23的坐标(x3,y3,z3)。对特征点的3D坐标进行存储，完成3D注册。
在一种优选实施方式中，还包括将三个照片归一化成相同尺度(即同一个人的三个图片中鼻子尖到眼睛的高度相等)，将归一化后的三个图片的特征点的位置坐标提取出来，然后按照上述步骤执行3D注册。这样做可以让不同角度下获取的人脸照片中，相同面部特征点之间的尺寸相同。
需要注意的是，本发明中例举的MTCNN算法标定人脸5个面部特征点，仅是一种优选的实施方式，现行的其它算法，只要能对少量的面部特征点进行识别，同样可以实现本发明的发明精神。
用户在人脸认证识别时，先使用上述的人脸注册方法，完成人脸的注册，并存储至一认证设备；然后采集一人脸照片，提取所述人脸照片中的面部特征点，与所述注册的人脸进行认证比对，并输出认证结果。
由于人脸注册时，完成了2D和3D的注册，因此认证时，也需要对2D 和3D的人脸信息进行认证。
首先进行2D的人脸认证，即采集的待认证人脸照片要满足2D人脸特征向量的匹配：用户当前采集到的照片经过人脸特征提取网络提取到的特征向量和2D注册的特征向量计算余弦距离，余弦距离越小，说明匹配度越高，如果小于设置的余弦距离阈值则认证通过。
第二进行3D认证，即要满足3D人脸特征点坐标的匹配：用户通过采集图片解算出当前的五个特征点的位置坐标，与3D注册中5个特征点的3D坐标对比，相似度达到设置的相似度阈值则认证通过。
综上所述，本发明提供了一种融合2D(二维空间)和3D(三维空间) 的人脸注册方法和认证方法，2D注册采用注册人的脸部的正面照，经过人脸特征提取网络提取特征向量进行存储，完成2D注册。3D注册需采集注册人的脸部的正面照、左侧面照、右侧面照，通过检测这三种角度的照片中部分特征点(比如双眼、鼻子尖、两个嘴角5个特征点)，得到这些特征点在xoz 平面的坐标和在yoz平面的坐标，再解算出这这些特征点的3D坐标(x,y,z)，对特征点的3D坐标进行存储，完成3D注册。本发明结合了人脸二维识别和三维识别的优点，注册了人脸的二维特征信息和三维特征点坐标信息，提高了安全性；在3D注册中只针对部分特征点的三维坐标进行计算，相对于对整个人脸的点建模计算减小了算法的复杂度。
尽管为示例目的，已经公开了本发明的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下，各种改进、增加以及取代是可能的。

Claims (10)

1.一种人脸注册方法，其特征在于，所述人脸注册方法融合了2D人脸注册和3D人脸注册，包括：
获取人脸的正面照、右侧面照和左侧面照；
对所述正面照进行面部特征点识别，提取面部特征向量以完成所述2D人脸注册；
分别识别右侧面照和左侧面照中的面部特征点位置，并与所述正面照中对应的面部特征点合成各面部特征点的三维空间坐标；
以所述各面部特征点的三维空间坐标完成所述3D注册。
2.如权利要求1所述的人脸注册方法，其特征在于，所述面部特征点位置通过一多任务卷积神经网络识别得到。
3.如权利要求2所述的人脸注册方法，其特征在于，所述多任务卷积神经网络识别包括步骤：
对所述目标图片缩放，形成多个不同尺度下的图像金字塔；
使用P-Net生成每张图片中人脸区域的候选窗和边框回归向量，对所述候选窗使用边框回归方法进行校正，使用非极大值抑制法合并重叠的候选框；
使用R-Net改善所述候选窗，将通过P-Net的所述候选窗输入R-Net中，拒绝掉错误的窗口，并继续使用边框回归和非极大值抑制法处理所述候选框；使用O-Net输出最终的人脸框和面部特征点位置。
4.如权利要求1所述的人脸注册方法，其特征在于，所述各面部特征点的三维空间坐标合成包括：
将正面照中的面部特征点映射在xoz平面得到第一坐标；
将左侧面照中对应正面照中的面部特征点映射在yoz平面得到第二坐标；
将右侧面照中对应正面照中的面部特征点映射在yoz平面得到第三坐标；
合成所有特征点在xoz平面的坐标和在yoz平面的坐标，解算出各面部特征点的三维空间坐标(x,y,z)。
5.如权利要求1所述的人脸注册方法，其特征在于，对所述正面照、右侧面照、左侧面照中的面部特征点位置识别之后，进一步包括归一化处理步骤，所述归一化处理步骤用以使该三张照片中相同面部特征点之间的尺寸相同。
6.如权利要求1-5任一项所述的人脸注册方法，其特征在于，所述面部特征点至少包括左眼、右眼、鼻尖、左嘴角和右嘴角。
7.一种人脸认证方法，其特征在于，包括：
使用权利要求1-6任一项所述的人脸注册方法，完成人脸的注册，并存储至一认证设备；
采集一人脸照片，提取所述人脸照片中的面部特征点，与所述注册的人脸进行认证比对，并输出认证结果。
8.如权利要求7所述的人脸认证方法，其特征在于，采集的人脸照片与注册的人脸比对时，分为与2D人脸注册的人脸比对和3D人脸注册的人脸比对两个过程。
9.如权利要求8所述的人脸认证方法，其特征在于，所述2D人脸认证的比对过程包括：对采集的人脸照片提取面部特征向量，并和注册的面部特征向量进行余弦距离计算，当余弦距离小于设置的余弦距离阈值时，通过2D人脸认证。
10.如权利要求8所述的人脸认证方法，其特征在于，所述3D人脸认证的比对过程包括：对采集的人脸照片解算出当前的面部特征点的位置坐标，与注册的面部特征点的3D坐标对比，相似度达到设置的相似度阈值时则通过3D人脸认证。
CN201910254146.1A 2019-03-30 2019-03-30 一种人脸注册方法和认证方法 Active CN111652018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910254146.1A CN111652018B (zh) 2019-03-30 2019-03-30 一种人脸注册方法和认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910254146.1A CN111652018B (zh) 2019-03-30 2019-03-30 一种人脸注册方法和认证方法

Publications (2)

Publication Number Publication Date
CN111652018A true CN111652018A (zh) 2020-09-11
CN111652018B CN111652018B (zh) 2023-07-11

Family

ID=72352376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910254146.1A Active CN111652018B (zh) 2019-03-30 2019-03-30 一种人脸注册方法和认证方法

Country Status (1)

Country Link
CN (1) CN111652018B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3989183A1 (de) * 2020-10-22 2022-04-27 Bundesdruckerei GmbH Verfahren und anordnung zur optischen erfassung eines kopfes einer zu überprüfenden person an einer zutrittskontrollstation
WO2022185126A1 (en) * 2021-03-01 2022-09-09 Alipay Labs (singapore) Pte. Ltd. User authentication method and system
CN116883003A (zh) * 2023-07-10 2023-10-13 国家电网有限公司客户服务中心 基于生物探针技术的移动端支付购电反欺诈方法、系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222576A (ja) * 1999-01-29 2000-08-11 Nec Corp 人物識別方法及び装置と人物識別プログラムを記録した記録媒体ならびにロボット装置
CN102087703A (zh) * 2009-12-07 2011-06-08 三星电子株式会社 确定正面的脸部姿态的方法
KR101494874B1 (ko) * 2014-05-12 2015-02-23 김호 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체
CN108898673A (zh) * 2018-06-13 2018-11-27 东莞时谛智能科技有限公司 一种重构脚部三角网格模型处理方法及系统
CN109003331A (zh) * 2018-06-13 2018-12-14 东莞时谛智能科技有限公司 一种图像重构方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222576A (ja) * 1999-01-29 2000-08-11 Nec Corp 人物識別方法及び装置と人物識別プログラムを記録した記録媒体ならびにロボット装置
CN102087703A (zh) * 2009-12-07 2011-06-08 三星电子株式会社 确定正面的脸部姿态的方法
KR101494874B1 (ko) * 2014-05-12 2015-02-23 김호 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체
CN108898673A (zh) * 2018-06-13 2018-11-27 东莞时谛智能科技有限公司 一种重构脚部三角网格模型处理方法及系统
CN109003331A (zh) * 2018-06-13 2018-12-14 东莞时谛智能科技有限公司 一种图像重构方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卜宇;刘俊霞;陈卫东;: "基于坐标系人脸注册和集成分类器的3D人脸识别方法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3989183A1 (de) * 2020-10-22 2022-04-27 Bundesdruckerei GmbH Verfahren und anordnung zur optischen erfassung eines kopfes einer zu überprüfenden person an einer zutrittskontrollstation
WO2022185126A1 (en) * 2021-03-01 2022-09-09 Alipay Labs (singapore) Pte. Ltd. User authentication method and system
CN116883003A (zh) * 2023-07-10 2023-10-13 国家电网有限公司客户服务中心 基于生物探针技术的移动端支付购电反欺诈方法、系统

Also Published As

Publication number Publication date
CN111652018B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
JP4653606B2 (ja) 画像認識装置、方法およびプログラム
US9818023B2 (en) Enhanced face detection using depth information
JP5771413B2 (ja) 姿勢推定装置、姿勢推定システム、および姿勢推定方法
JP4946730B2 (ja) 顔画像処理装置及び顔画像処理方法、並びにコンピュータ・プログラム
JP5715833B2 (ja) 姿勢状態推定装置および姿勢状態推定方法
JP5517858B2 (ja) 画像処理装置、撮像装置、画像処理方法
Medioni et al. Identifying noncooperative subjects at a distance using face images and inferred three-dimensional face models
KR101647803B1 (ko) 3차원 얼굴모델 투영을 통한 얼굴 인식 방법 및 시스템
JPWO2010122721A1 (ja) 照合装置、照合方法および照合プログラム
CN111652018B (zh) 一种人脸注册方法和认证方法
Li et al. Efficient 3D face recognition handling facial expression and hair occlusion
KR20170092533A (ko) 얼굴 포즈 교정 방법 및 장치
Ouanan et al. Facial landmark localization: Past, present and future
JP4952267B2 (ja) ３次元形状処理装置、３次元形状処理装置の制御方法、および３次元形状処理装置の制御プログラム
KR20020022295A (ko) 3차원 정보를 이용한 얼굴 인식 장치 및 방법
KR101053253B1 (ko) 3차원 정보를 이용한 얼굴 인식 장치 및 방법
Zhou et al. Human recognition at a distance in video by integrating face profile and gait
JP2013218605A (ja) 画像認識装置、画像認識方法及びプログラム
Strupczewski Commodity camera eye gaze tracking
Takeuchi et al. Multimodal soft biometrie verification by hand shape and handwriting motion in the air
Quan et al. Statistical shape modelling for expression-invariant face analysis and recognition
JP2008059108A (ja) 画像処理装置，画像処理方法、そのプログラムおよび人流監視システム
KR20230004259A (ko) 얼굴 인증 시스템
JP4061405B2 (ja) 顔画像分類登録装置
Lin et al. A novel framework for automatic 3D face recognition using quality assessment

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