CN111814613A - 一种人脸识别方法、设备及计算机可读存储介质 - Google Patents
一种人脸识别方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111814613A CN111814613A CN202010592173.2A CN202010592173A CN111814613A CN 111814613 A CN111814613 A CN 111814613A CN 202010592173 A CN202010592173 A CN 202010592173A CN 111814613 A CN111814613 A CN 111814613A
- Authority
- CN
- China
- Prior art keywords
- angle
- face
- loss
- attitude
- predicted
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000036544 posture Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/172—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
- G06V40/10—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
Abstract
本申请公开了一种人脸识别方法、设备及计算机可读存储介质，该人脸识别方法包括获取人脸图像；获取人脸图像中人脸的姿态角；在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。通过上述方式，本申请能够提高人脸识别的识别精度。
Description
技术领域
本申请涉及图像识别技术领域，特别是涉及人脸识别方法、设备及计算机可读存储介质。
背景技术
随着平安城市建设的推进，很多城市已经部署了大量的安防监控摄像头，因此对产生的海量视频数据进行视频智能化、实时化分析是个极大的挑战。人脸识别以其隐蔽性强、方便可靠等优点，被应用于视频监控系统中，是视频监控系统智能化发展的方向之一。近年来，基于深度学习的人脸识别方法在人脸识别领域中取得了许多突破，使人脸识别在检测性能和识别精度上有了很大程度的提高。
然而，在智能监控系统中，一般会采用单摄像头获取包含待识别人脸的图像，由于安防监控场景较为复杂，光线、遮挡、人脸姿态等因素对人脸识别的识别精度影响较大，导致人脸识别的识别精度降低。
发明内容
本申请主要解决的技术问题是提供一种人脸识别方法、设备及计算机可读存储介质，能够提高人脸识别的识别精度。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种人脸识别方法，该人脸识别方法包括获取人脸图像；获取人脸图像中人脸的姿态角；在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。
其中，姿态角为欧拉角，欧拉角包括俯仰角、偏航角和翻滚角，预设的小角度姿态角包括：俯仰角的小角度范围为-30°～30°，翻滚角的小角度范围为-45°～45°。
其中，获取人脸图像中人脸的姿态角包括：调用人脸姿态估计模型对人脸图像进行识别，获取人脸图像中人脸的姿态角，人脸姿态估计模型为多损失卷积神经网络模型，多损失卷积神经网络模型至少结合了两种损失函数计算模型损失。
其中，调用人脸姿态估计模型对人脸图像进行识别，获取人脸图像中人脸的姿态角之前还包括：调用人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别和预测姿态角；将预测姿态类别与实际姿态类别进行比较，计算分类损失；将预测姿态角与实际姿态角进行比较，计算角度损失；结合分类损失和角度损失得总损失；其中实际姿态类别是根据样本标签将样本图像按照人脸姿态角的角度区间进行分类得到的，样本标签标识有样本图像中人脸的实际姿态角；将总损失进行梯度反传，更新网络参数，对人脸姿态估计模型进行修正。
其中，将预测姿态类别与实际姿态类别进行比较，计算分类损失；将预测姿态角与实际姿态角进行比较，计算角度损失；结合分类损失和角度损失得总损失包括：计算预测姿态类别与实际姿态类别的交叉熵损失，得到分类损失；计算预测姿态角与实际姿态角的回归损失，得到角度损失；将分类损失与角度损失进行加权求和得到总损失。
其中，调用人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别和预测姿态角包括：人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别；利用姿态类别与姿态角的对应关系，得到与预测姿态类别对应的预测姿态角。
其中，人脸姿态角为欧拉角，欧拉角包括俯仰角、偏航角和翻滚角，人脸姿态估计模型为多分支卷积神经网络，多分支卷积神经网络至少包括一个俯仰角分支、一个偏航角分支和一个翻滚角分支，分别用于识别获取俯仰角、偏航角和翻滚角。
其中，获取人脸图像包括：利用单摄像头获取得到人脸图像；或利用单摄像头获取得到视频流，在视频流中检测出待识别人脸的位置和大小，并进行跟踪，获取得到人脸图像。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种人脸识别设备，人脸识别设备包括处理器，处理器用于执行指令以实现上述的人脸识别方法。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质用于存储指令/程序数据，指令/程序数据能够被执行以实现上述的人脸识别方法。
本申请的有益效果是：区别于现有技术的情况，本申请将人脸姿态角估计嵌入到人脸识别系统中，并滤除大姿态角的人脸，抓取合适的小姿态角人脸进行人脸识别，能够提高人脸识别系统的识别精度。
附图说明
图1是本申请实施方式中一人脸识别方法的流程示意图；
图2是本申请实施方式中一人脸坐标系的示意图；
图3是本申请实施方式中一人脸姿态估计模型的示意图；
图4是本申请实施方式中一人脸姿态估计模型训练的示意图；
图5是本申请实施方式中另一人脸识别方法的流程示意图；
图6是本申请实施方式中人脸识别装置的结构示意图；
图7是本申请实施方式中人脸识别设备的结构示意图；
图8为本申请实施方式中计算机可读存储介质的结构示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。
本申请提供一种人脸识别方法，通过将人脸姿态角估计嵌入到人脸识别系统中，并滤除大姿态角的人脸，抓取合适的小姿态角人脸进行人脸识别，能够提高人脸识别系统的识别精度。
请参阅图1，图1是本申请实施方式中一人脸识别方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施方式包括：
S110：获取人脸图像。
其中，可以利用摄像设备实时采集获取人脸图像，也可以从本地存储的图片中读取。摄像设备指的是可以实时获取图像数据的设备，比如，摄像头、相机、摄录机或摄影机等，为了描述方便，在本申请实施例中，均以摄像头为例进行说明。
S120：获取人脸图像中人脸的姿态角。
人脸姿态可分为正面、偏航和俯仰。偏航分为左偏和右偏；俯仰分为上仰和下俯。确定人脸图像中人脸的姿态角是确定人脸图像所示的人脸的姿态的角度。可使用人脸对齐方法算出人脸姿态角，也可以利用深度学习模型识别获取人脸姿态角。
在一实施方式中，可使用欧拉角来表示人脸姿态角，欧拉角是指由欧拉提出的，用来确定定点转动刚体位置的3个一组独立角参量。请参阅图2，图2是本申请实施方式中一人脸坐标系的示意图。以人的头部的中心或重心为原点，由人脸的一侧耳朵指向另一侧耳朵的方向为X轴方向，由人的头部顶端指向脖子的方向为Y轴，由人的脸部指向后脑的方向为Z轴，欧拉角包含俯仰角、偏航角和翻滚角三个角度，俯仰角θ(pitch)是围绕X轴旋转的角度，偏航角ψ(yaw)是围绕Y轴旋转的角度；翻滚角Φ(roll)是围绕Z轴旋转的角度。
S130：在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。
可以根据人脸识别系统应用场景的实际情况，为人脸姿态角设定合适的阈值pitch[-τ°,τ°],yaw[-θ°,θ°],roll[-ε°,ε°]，仅对符合要求的小角度范围内的人脸图像进行识别。
该实施方式中，通过滤除大姿态角的人脸图像，能够提高人脸识别系统的识别精度。因为大姿态角的人脸图像是人脸的大角度侧脸，特征点少，识别失败的概率较大。通过滤除大姿态角的人脸图像，能够避免大姿态角下人脸关键点识别失败所带来的人脸角度识别精度下降的问题。
请参阅图3，图3是本申请实施方式中一人脸姿态估计模型的示意图。在该实施方式中，可利用人脸姿态估计模型获取人脸图像中人脸的姿态角。如图3所示，该人脸姿态估计模型为多分支卷积神经网络模型，多分支卷积神经网络至少包括一个俯仰角(pitch)分支、一个偏航角(yaw)分支和一个翻滚角(roll)分支，分别用于识别获取人脸姿态角的俯仰角(pitch)、偏航角(yaw)和翻滚角(roll)。
其中，该人脸姿态估计模型还是一种多损失卷积神经网络模型，该多损失卷积神经网络模型至少结合了两种损失函数计算模型损失。
请结合参阅图3和图4，图4是本申请实施方式中一人脸姿态估计模型训练的示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图4所示，该实施方式包括：
S210：获取样本图像。
通常是选一系列具有便于区分及统计的标识特征的图像作为训练样本图像。如可搜集各种人脸图像。这些图像各式各样，图像中人脸的角度和姿态等均不同，且差异性较大。训练样本图像个数应足够多，可选用几万甚至几十万张样本图像。可把训练样本图像分为两部分，一部分用于模型训练，一部分用于验证和测试。
S220：调用人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别和预测姿态角。
其中，可分别对人脸姿态角(pitch，yaw，roll)按角度区间进行分类。如偏航角(yaw)的预设角度范围是(-90°～90°)，设角度间隔为3度，可以将偏航角yaw(-90°～90°)分成180/3＝60个姿态类别；同样地，也可以用同样的方式对俯仰角pitch和翻滚角roll进行角度间隔分类。
通过对样本图像进行姿态类别识别，可得到样本图像中人脸的预测姿态类别，再利用姿态类别与姿态角的对应关系，获取样本图像中人脸的预测姿态角。当角度间隔为3时，可利用公式预测姿态角＝预测姿态类别*3°-90°得到预测姿态角。
如上文，当角度间隔为3度时，可将(-90°～90°)范围内的姿态角分成180/3＝60个姿态类别，分别记为0类、1类、2类……59类，0类的角度范围为-90°～-87°、1类的角度范围为-86°～-84°……59类的角度范围为87°～90°。该实施方式中，姿态角与姿态类别的对应关系为：姿态角＝姿态类别*3°-90°。如，当时识别出的预测姿态类别为0类时，对应的姿态角为0*3°-90°＝-90°。
S230：将预测姿态类别与实际姿态类别进行比较，计算分类损失；将预测姿态角与实际姿态角进行比较，计算角度损失。
该实施方式中，人脸姿态估计模型的训练是有标签的监督训练，可以预先利用样本标签中标识的样本图像中人脸的实际姿态角对样本图像进行分类，得到样本图像的实际姿态类别。
识别出预测姿态类别后，将预测姿态类别与实际姿态类别进行比较，计算预测姿态类别与实际姿态类别的交叉熵损失，得到分类损失。
识别出预测姿态角后，将预测姿态角与实际姿态角进行比较，计算预测姿态角与实际姿态角的回归损失，得到角度损失。
S240：分别计算人脸姿态估计模型中各网络分支的总损失。
其中，该人脸姿态估计模型是一种多损失卷积神经网络模型，该多损失卷积神经网络模型至少结合了两种损失函数计算模型损失。
该实施方式中，多损失卷积神经网络模型结合了分类损失和角度损失两种损失得到总损失，可将分类损失与角度损失进行加权求和得到总损失，具体如下：
其中，α为权重系数，lcross-entropy为交叉熵损失，
为回归损失，y为预测姿态角，
为实际姿态角。
通过结合分类损失和角度损失两种损失函数，能够使所得人脸姿态估计模型更稳定，识别精度更高。
S250：将总损失进行梯度反传，更新网络参数，对人脸姿态估计模型进行修正。
该实施方式中训练所得人脸姿态估计模型可嵌入人脸识别系统中使用，用于获取人脸姿态角度，该模型结合了分类损失和角度损失两种损失函数，模型更稳定，且该模型进行检测时不依赖于人脸关键点，在获取人脸姿态角时不需要对人脸特征进行识别，模型轻便，时效性强，精度高。
请参阅图5，图5是本申请实施方式中另一人脸识别方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图5所示的流程顺序为限。如图5所示，本实施方式包括：
S310：采集包含待识别人脸的视频流。
该实施方式中，采集视频流时，仅使用单摄像头即可采集获取包含待识别人脸的视频流，不需要多摄像头从多角度获取，适合大规模智能安防场景部署；无需做多视角人脸图像融合，大大的缩短了视频采集和图像处理的耗时。
S320：通过人脸检测技术检测出视频流中待识别人脸的位置和大小。
S330：使用人脸跟踪技术对检测到的人脸进行动态目标追踪，记录单一人脸的帧序列号。
S340：调用人脸姿态估计模型对追踪到的单一身份的每一帧人脸进行识别，输出人脸姿态角。
其中，所用人脸姿态估计模型为利用上文中的训练方法训练得出的。该人脸姿态估计模型输出的人脸姿态角的范围为：pitch(-60°～70°)，yaw(-90°～90°)，roll(-90°～90°)。即若实际人脸姿态角大于这个角度范围，使用该模型检测时，输出的是该角度范围中的最大值。如在俯仰角方向上，实际姿态是-70°，使用该模型检测时，输出的俯仰角值为-60°。
S350：筛选属于预设小角度姿态角的人脸图像。
可根据智能视频监控场景的实际情况，为人脸姿态角设定合适的阈值，如可设置俯仰角(pitch)的小角度范围为-30°～30°，翻滚角(roll)的小角度范围为-45°～45°，该方法中不对偏航角(yaw)的角度范围做设定，该角度方向上，可进行图像对齐操作。从跟踪的人脸序列中抽取人脸姿态角在上述阈值范围内的人脸进行人脸抓图，滤除人脸姿态角在阈值范围外的视频序列中的人脸。
S360：对属于预设小角度姿态角的人脸图像中的人脸进行识别。
对人脸图像中的人脸进行人脸关键点检测，送入后续的特征提取模型中提取有效特征向量，与底库人脸进行比对识别。
以上实施方式中，通过将人脸姿态角估计嵌入到人脸识别系统中，并滤除大姿态角的人脸，抓取合适的小姿态角人脸进行人脸识别，能够提高人脸识别系统的识别精度。不需要多角度的布置多台采集设备，不需要生成不同姿态人脸的底库，采用的人脸角度估计算法也不依赖于人脸关键点，能够避免大姿态角下人脸关键点估计失败所带来的人脸角度估计精度下降的问题。
请参阅图6，图6是本申请实施方式中人脸识别装置的结构示意图。该实施方式中，人脸识别装置包括第一获取模块61、第二获取模块62和识别模块63。
其中第一获取模块61用于获取人脸图像；第二获取模块62用于获取人脸图像中人脸的姿态角；识别模块63用于在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。该人脸识别装置用于人脸识别时，可滤除大姿态角的人脸，抓取合适的小姿态角人脸进行人脸识别，能够提高人脸识别系统的识别精度。
请参阅图7，图7是本申请实施方式中人脸识别设备的结构示意图。该实施方式中，人脸识别设备10包括处理器11。
处理器11还可以称为CPU(Central Processing Unit，中央处理单元)。处理器11可能是一种集成电路芯片，具有信号的处理能力。处理器11还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器11也可以是任何常规的处理器等。
人脸识别设备10可以进一步包括存储器(图中未示出)，用于存储处理器11运行所需的指令和数据。
处理器11用于执行指令以实现上述本申请人脸识别方法任一实施例及任意不冲突的组合所提供的方法。
请参阅图8，图8为本申请实施方式中计算机可读存储介质的结构示意图。本申请实施例的计算机可读存储介质20存储有指令/程序数据21，该指令/程序数据21被执行时实现本申请人脸识别方法任一实施例以及任意不冲突的组合所提供的方法。其中，该指令/程序数据21可以形成程序文件以软件产品的形式存储在上述存储介质20中，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)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质20包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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 (10)
1.一种人脸识别方法，其特征在于，包括：
获取人脸图像；
获取所述人脸图像中人脸的姿态角；
在所述姿态角属于预设的小角度姿态角时，对所述人脸图像中的人脸进行识别。
2.根据权利要求1所述的人脸识别方法，其特征在于，
所述姿态角为欧拉角，所述欧拉角包括俯仰角、偏航角和翻滚角，所述预设的小角度姿态角包括：所述俯仰角的小角度范围为-30°～30°，所述翻滚角的小角度范围为-45°～45°。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述获取人脸图像中人脸的姿态角包括：
调用人脸姿态估计模型对所述人脸图像进行识别，获取所述人脸图像中人脸的姿态角，所述人脸姿态估计模型为多损失卷积神经网络模型，所述多损失卷积神经网络模型至少结合了两种损失函数计算模型损失。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述调用人脸姿态估计模型对所述人脸图像进行识别，获取所述人脸图像中人脸的姿态角之前还包括：
调用所述人脸姿态估计模型对样本图像进行识别，获取所述样本图像中人脸的预测姿态类别和预测姿态角；
将所述预测姿态类别与实际姿态类别进行比较，计算分类损失；将所述预测姿态角与实际姿态角进行比较，计算角度损失；结合所述分类损失和所述角度损失得总损失；其中所述实际姿态类别是根据样本标签将所述样本图像按照人脸姿态角的角度区间进行分类得到的，所述样本标签标识有所述样本图像中人脸的实际姿态角；
将所述总损失进行梯度反传，更新网络参数，对所述人脸姿态估计模型进行修正。
5.根据权利要求4所述的人脸识别方法，其特征在于，所述将预测姿态类别与实际姿态类别进行比较，计算分类损失；将所述预测姿态角与实际姿态角进行比较，计算角度损失；结合所述分类损失和所述角度损失得总损失包括：
计算所述预测姿态类别与所述实际姿态类别的交叉熵损失，得到所述分类损失；
计算所述预测姿态角与所述实际姿态角的回归损失，得到所述角度损失；
将所述分类损失与所述角度损失进行加权求和得到所述总损失。
6.根据权利要求4所述的人脸识别方法，其特征在于，所述调用人脸姿态估计模型对所述样本图像进行识别，获取所述样本图像中人脸的预测姿态类别和预测姿态角包括：
所述人脸姿态估计模型对所述样本图像进行识别，获取所述样本图像中人脸的预测姿态类别；
利用姿态类别与姿态角的对应关系，得到与所述预测姿态类别对应的预测姿态角。
7.根据权利要求3所述的人脸识别方法，其特征在于，
所述人脸姿态角为欧拉角，所述欧拉角包括俯仰角、偏航角和翻滚角，所述人脸姿态估计模型为多分支卷积神经网络，所述多分支卷积神经网络至少包括一个俯仰角分支、一个偏航角分支和一个翻滚角分支，分别用于识别获取所述俯仰角、偏航角和翻滚角。
8.根据权利要求1所述的人脸识别方法，其特征在于，所述获取人脸图像包括：
利用单摄像头获取得到所述人脸图像；或
利用单摄像头获取得到视频流，在所述视频流中检测出待识别人脸的位置和大小，并进行跟踪，获取得到所述人脸图像。
9.一种人脸识别设备，其特征在于，包括处理器，所述处理器用于执行指令以实现如权利要求1-8任一项所述的人脸识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储指令/程序数据，所述指令/程序数据能够被执行以实现如权利要求1-8任一项所述的人脸识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010592173.2A CN111814613A (zh) | 2020-06-24 | 2020-06-24 | 一种人脸识别方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010592173.2A CN111814613A (zh) | 2020-06-24 | 2020-06-24 | 一种人脸识别方法、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814613A true CN111814613A (zh) | 2020-10-23 |
Family
ID=72855088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010592173.2A Pending CN111814613A (zh) | 2020-06-24 | 2020-06-24 | 一种人脸识别方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814613A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231400A1 (zh) * | 2022-05-31 | 2023-12-07 | 青岛云天励飞科技有限公司 | 人脸角度预测方法、装置、设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160272217A1 (en) * | 2013-10-29 | 2016-09-22 | Jae-Chul Kim | Two-step sleepy driving prevention apparatus through recognizing operation, front face, eye, and mouth shape |
| CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
| CN108268864A (zh) * | 2018-02-24 | 2018-07-10 | 达闼科技（北京）有限公司 | 人脸识别方法、系统、电子设备和计算机程序产品 |
| CN109034013A (zh) * | 2018-07-10 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 一种人脸图像识别方法、装置及存储介质 |
| CN110096965A (zh) * | 2019-04-09 | 2019-08-06 | 华东师范大学 | 一种基于头部姿态的人脸识别方法 |
| CN110197099A (zh) * | 2018-02-26 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 跨年龄人脸识别及其模型训练的方法和装置 |
| CN110647865A (zh) * | 2019-09-30 | 2020-01-03 | 腾讯科技（深圳）有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
-
2020
- 2020-06-24 CN CN202010592173.2A patent/CN111814613A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160272217A1 (en) * | 2013-10-29 | 2016-09-22 | Jae-Chul Kim | Two-step sleepy driving prevention apparatus through recognizing operation, front face, eye, and mouth shape |
| CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
| CN108268864A (zh) * | 2018-02-24 | 2018-07-10 | 达闼科技（北京）有限公司 | 人脸识别方法、系统、电子设备和计算机程序产品 |
| CN110197099A (zh) * | 2018-02-26 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 跨年龄人脸识别及其模型训练的方法和装置 |
| CN109034013A (zh) * | 2018-07-10 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 一种人脸图像识别方法、装置及存储介质 |
| CN110096965A (zh) * | 2019-04-09 | 2019-08-06 | 华东师范大学 | 一种基于头部姿态的人脸识别方法 |
| CN110647865A (zh) * | 2019-09-30 | 2020-01-03 | 腾讯科技（深圳）有限公司 | 人脸姿态的识别方法、装置、设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231400A1 (zh) * | 2022-05-31 | 2023-12-07 | 青岛云天励飞科技有限公司 | 人脸角度预测方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Human fall detection in surveillance video based on PCANet | |
| Sarfraz et al. | Head Pose Estimation in Face Recognition Across Pose Scenarios. | |
| CN105095905A (zh) | 目标识别方法和目标识别装置 | |
| Zhang et al. | Robust multimodal recognition via multitask multivariate low-rank representations | |
| CN112800825B (zh) | 基于关键点的关联方法、系统及介质 | |
| Bedagkar-Gala et al. | Gait-assisted person re-identification in wide area surveillance | |
| Zeng et al. | A hierarchical spatio-temporal graph convolutional neural network for anomaly detection in videos | |
| CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
| CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| CN109902550A (zh) | 行人属性的识别方法和装置 | |
| CN111178129B (zh) | 一种基于人脸和姿态的多模态人员识别方法 | |
| CN116092119A (zh) | 基于多维度特征融合的人体行为识别系统及其工作方法 | |
| CN110909612A (zh) | 一种基于深度神经网络与机器视觉的步态识别方法及系统 | |
| CN109299702B (zh) | 一种基于深度时空图的人体行为识别方法及系统 | |
| CN109002776B (zh) | 人脸识别方法、系统、计算机设备和计算机可读存储介质 | |
| Bugarin et al. | Machine vision-based fall detection system using mediapipe pose with iot monitoring and alarm | |
| CN113963426A (zh) | 模型训练、戴口罩人脸识别方法、电子设备及存储介质 | |
| CN111814613A (zh) | 一种人脸识别方法、设备及计算机可读存储介质 | |
| Deng et al. | Attention-aware dual-stream network for multimodal face anti-spoofing | |
| CN113269010B (zh) | 一种人脸活体检测模型的训练方法和相关装置 | |
| Parate et al. | Anomaly detection in residential video surveillance on edge devices in iot framework | |
| WO2022134916A1 (zh) | 身份特征生成方法、设备及存储介质 | |
| CN112541576B (zh) | Rgb单目图像的生物活体识别神经网络构建方法 | |
| CN114387670A (zh) | 基于时空特征融合的步态识别方法、装置及存储介质 | |
| CN202472689U (zh) | 一种人脸姿态检测系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |