CN111814760B - 人脸识别方法及系统 - Google Patents

人脸识别方法及系统 Download PDF

Info

Publication number
CN111814760B
CN111814760B CN202010854368.XA CN202010854368A CN111814760B CN 111814760 B CN111814760 B CN 111814760B CN 202010854368 A CN202010854368 A CN 202010854368A CN 111814760 B CN111814760 B CN 111814760B
Authority
CN
China
Prior art keywords
face
features
class
face recognition
feature
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
Application number
CN202010854368.XA
Other languages
English (en)
Other versions
CN111814760A (zh
Inventor
夏东
黎佳志
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.)
Hunan Vision Miracle Intelligent Technology Co ltd
Original Assignee
Hunan Vision Miracle Intelligent 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 Hunan Vision Miracle Intelligent Technology Co ltd filed Critical Hunan Vision Miracle Intelligent Technology Co ltd
Priority to CN202010854368.XA priority Critical patent/CN111814760B/zh
Publication of CN111814760A publication Critical patent/CN111814760A/zh
Application granted granted Critical
Publication of CN111814760B publication Critical patent/CN111814760B/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
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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

Abstract

本发明公开了一种人脸识别方法及系统，通过获取待识别的人脸图像和多个已知身份的对比人脸图像；采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征；从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述人脸的身份，采用分布式计算框架对人脸类中心特征的计算和更新，能够提升系统对大规模人脸特征类中心计算的能力，进而更加快速的识别人脸。

Description

人脸识别方法及系统
技术领域
本发明涉及人脸识别领域，尤其涉及人脸识别方法及系统。
背景技术
近年来，随着人工智能的发展，人脸识别精度的大幅提升，使得该技术在社会生活领域得到广泛应用，包括人脸识别门禁、人脸支付、人脸考勤、身份认证。深度学习技术是当前实现高精度人脸识别的一个重要手段，通过设计更优的神经网络结构以及更优的损失函数，可以获得高精度的人脸识别模型。GPU性能的提升以及大规模开放人脸数据集的出现，也为高精度人脸算法模型的训练提供强了有力的支撑。
无约束条件下的人脸识别依然存在一些难题，如大姿态识别、跨年龄段识别、异质人脸识别等等，特别是受现场复杂的光照环境影响，可能导致识别率下降。
发明内容
本发明提供了人脸识别方法及系统，用以解决现有的人脸识别方法的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种人脸识别方法，包括以下步骤：
获取待识别的人脸图像和多个已知身份的对比人脸图像；
采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征；
从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述人脸的身份。
优选的，将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配是通过人脸识别模块实现的，所述人脸识别模块是将EfficientNet（Google 公司在2019年在ICML公开的开源神经网络模型）网络模型的最后一层用一个全连接层替换得到。
优选的，所述人脸识别模块包括：依次连接的
Figure 65060DEST_PATH_IMAGE001
第一深度分类卷积层、
Figure 247779DEST_PATH_IMAGE001
第 二深度分离卷积层、
Figure 637304DEST_PATH_IMAGE002
第三深度分离卷积层、
Figure 298092DEST_PATH_IMAGE001
第四深度分离卷积层、
Figure 925514DEST_PATH_IMAGE002
第五深度 分离卷积层、
Figure 75872DEST_PATH_IMAGE002
第六深度分离卷积层、
Figure 77326DEST_PATH_IMAGE001
第七深度分离卷积层以及全连接层。
优选的，将当前抽取的人脸特征与底库中的多个不同类别的类中心样本特征进行相似度比对，并根据相似度比对的结果判断所述人脸的身份，具体包括以下步骤：
计算从待识别的人脸图像抽取的人脸特征与不同类别的类中心样本特征之间的余弦距离，并判断所述余弦距离是否大于预设的阈值，若所述余弦距离大于预设的阈值，判断所述余弦距离对应的类中心样本特征对应的身份为待识别的人脸图像的身份。
优选的，所述类中心样本特征通过以下公式计算得到：
Figure 558117DEST_PATH_IMAGE003
，其中，M代表某一分类的类中心样本特征向量，
Figure 23734DEST_PATH_IMAGE004
为某一分类的第
Figure 548256DEST_PATH_IMAGE005
个 特征向量值，n为当前分类下的特征向量总数。
优选的，所述类中心样本特征通过Hadoop（海杜普，是一个由Apache基金会所开发的分布式系统基础架构）中的MapReduce（MapReduce是由Google公司研究提出的一种面向大规模数据处理的并行计算模型和方法）框架分布式并行计算得到。
优选的，将所述人脸特征通过预设的人脸识别模型与预设的样本特征进行比对前，还包括以下步骤：
选取评价指标，对所述人脸图像的质量进行评估，并将评估合格的人脸图像通过预设的人脸识别模型与预设的样本特征进行比对，所述评价指标至少包括画面清晰度、人脸侧脸角度、人脸遮挡度等一种或任意几种的组合，对所述人脸图像的质量进行评估是通过梯度大小相似偏差算法实现的，其中，检测算子采用检测图像边缘的Sobel算子（索贝尔算子）。
优选的，根据相似度匹配的结果判断所述人脸的身份，还包括以下步骤：
当所述人脸特征与预设的样本特征的相似度大于预设的相似度阈值，判断所述人脸特征与样本特征为同一身份，否则，判断所述人脸特征与样本特征非同一身份。
优选的，当所述人脸特征与样本特征为同一身份时，还包括以下步骤：
控制门禁系统为所述人脸特征对应的待通行者放行
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明具有以下有益效果：
1、本发明中的人脸识别方法及系统，采用分布式计算框架对人脸类中心特征的计算以及特征底库的更新，能够提升系统对大规模人脸特征类中心计算的能力，进而更加快速的识别人脸。
2、在优选方案中，本发明中的人脸识别方法及系统，基于EfficientNet的轻量级神经网络具备图像分辨率、模型深度、卷积核大小三个维度的可扩展能力，通过模型的扩张在满足实时性需求的条件下更好的发挥硬件的性能，从而提升模型的识别性能。采用人脸的类中心特征作为底库进行匹配，能够实现底库的自动更新，降低系统维护的人力成本。为了更好的适配人脸识别任务，提升模型的识别精度，将原EfficientNet网络模型的最后一部分用一个全连接层（Fully connected Layers，FC）进行了替换，去掉了在全连接层之上的1x1的卷积层和池化层。采用全连接层作为整个卷积神经网络的“分类器”，全连接层将学到的“分布式特征表示”映射到样本标记空间。全连接层在模型表示能力迁移过程中充当“防火墙”的作用，对于人脸识别这类源域与目标域差异较大的识别任务。全连接层可保持较大的模型容量，保证模型表示能力的迁移。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明中的一种人脸识别方法的流程图；
图2是本发明优选实施例中的神经网络框架；
图3是本发明优选实施例中的嵌入式前端子系统的结构简图；
图4是本发明优选实施例中的私有云服务子系统的结构简图；
图5是本发明优选实施例中的人脸识别系统的工作流程；
图6是本发明优选实施例中的私有云服务子系统人脸特征底库更新流程图；
图7是本发明优选实施例中的人脸识别系统的结构简图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一：
如图1所示，本发明公开了一种人脸识别方法，包括以下步骤：
获取待识别的人脸图像和多个已知身份的对比人脸图像；
采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征；
从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述人脸的身份。
此外，在本实施例中还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明中的人脸识别方法及系统，采用分布式计算框架对人脸类中心特征的计算以及特征底库的更新，能够提升系统对大规模人脸特征类中心计算的能力，进而更加快速的识别人脸。
实施例二：
实施例二是实施例的拓展实施例，其与实施例一的不同之处在于对人脸识别系统的结构和功能进行了细化，具体包括：
在本实施例中，如图7所示，公开了一种基于类中心的社区人脸识别系统、设备，系统由两部分构成，包括嵌入式前端子系统和私有云服务子系统。所述嵌入式前端子系统实现人脸检测、人脸识别以及门禁控制三大功能；所述私有云服务子系统包含了人脸特征中心计算和人脸特征底库更新的功能。
其中，如图3所示，所述嵌入式前端子系统包括：
图像获取模块，用于获取摄像头图像；
人脸检测模块，用于检测图像中的人脸；
图像质量评估模块，用于对人脸图像进行多维度质量评估，包括但不限于画面清晰度、人脸侧脸角度、人脸遮挡程度这些指标作为评估人脸图像质量的维度；
人脸识别模块，用于对人脸进行特征抽取、比对识别，采用类中心特征底库，每个人的人脸特征集构成一类；
控制模块，用于执行门禁的控制指令，控制人员通行；
数据同步模块，用于前端设备与私有云直接的通信与数据同步，同步的数据包括但不限于人脸图像、人脸特征、底库特征、控制记录；
其中，如图4所示，私有云服务子系统包括：
人脸类中心计算模块，用于人脸类中心（即实施例1中的类中心样本特征）的计算，采用Hadoop的MapReduce框架实现分布式并行计算，从而提高批量处理大规模人脸特征数据的效率；类中心计算公式如下：
Figure 37006DEST_PATH_IMAGE006
其中，M代表一个分类的类中心特征向量，
Figure 570756DEST_PATH_IMAGE004
为某一分类的第
Figure 828562DEST_PATH_IMAGE005
个特征向量值，n为 当前分类下的特征向量总数。该计算过程利用MapReduce框架并行求解，每一类的类中心特 征向量在一个Map线程中进行计算求解。
底库更新模块，用于特征底库的更新，采用Hadoop的MapReduce框架实现；
数据同步模块，用于私有云与前端嵌入式设备之间的通信与数据同步，同步的数据包括但不限于人脸图像、人脸特征、底库特征、控制记录；
在本实施例中，如图5所述，人脸识别系统的工作流程具体包括以下步骤：
S100：从摄像头获取图像；
S110：利用MTCNN（Multi-task convolutional neural network，多任务卷积神经网络）算法对图像进行人脸检测，如果检测到人脸，将得到人脸矩形框以及双眼、鼻、左右嘴角五个地标点位置；
S120：对检测到人脸的图像进行质量评估，包括但不限于画面清晰度、人脸侧脸角度、人脸遮挡这些指标作为评估人脸图像质量的维度，并进行评价打分。图像质量评估模块采用梯度大小相似偏差（GMSD）方法实现高效的图片质量评估。GMSD计算公式为：
Figure 805876DEST_PATH_IMAGE007
其中，GMS（gradient magnitude similarity，梯度相似映射）计算公式如下：
Figure 781922DEST_PATH_IMAGE008
其中，
Figure 853784DEST_PATH_IMAGE009
和
Figure 231675DEST_PATH_IMAGE010
为图像在水平方向和垂直方向的梯度幅值，其计算公式为：
Figure 363579DEST_PATH_IMAGE011
Figure 826922DEST_PATH_IMAGE012
这里采用Sobel算子进行图像的边缘检测，它结合了高斯平滑和微分求导。Sobel 算子与Prewitt算子（普里威特算子）区别在于增加了权重概念。相邻点的距离远近对当前 像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大。利用Sobel算子能实 现图像锐化并突出边缘轮廓。Sobel算子模板如下所示，
Figure 702474DEST_PATH_IMAGE013
和
Figure 934872DEST_PATH_IMAGE014
分别代表水平方向和垂直 方向：
Figure 988410DEST_PATH_IMAGE015
我们在GMS的映射图上应用平均池化，将图像质量评估(IQA, image qualityassessment)模型称为梯度大小相似度均值(GMSM, Gradient Magnitude SimilarityMean),其计算公式为：
Figure 939048DEST_PATH_IMAGE016
图像质量评分公式定义为：
Figure 618291DEST_PATH_IMAGE017
其中 0 <
Figure 501934DEST_PATH_IMAGE018
< 1, 0 <
Figure 178903DEST_PATH_IMAGE019
, Q表示质量分值，
Figure 413575DEST_PATH_IMAGE020
代表每一个维度的分值，
Figure 568613DEST_PATH_IMAGE018
代表每 一个维度在质量评估中所占权重，n代表评估的维度总数，权重
Figure 588653DEST_PATH_IMAGE018
满足：
Figure 436523DEST_PATH_IMAGE021
S130：判断图像质量是否符合设定标准，S120中得到的Q值大于设定阈值，则进入S140；
S140：利用如图2所示的轻量级的神经网络模型对人脸图像进行特征抽取，该模型 基于EfficientNet构建，所述轻量级的神经网络模型包括依次连接的
Figure 158491DEST_PATH_IMAGE001
第一深度分类卷 积层、
Figure 117220DEST_PATH_IMAGE001
第二深度分离卷积层、
Figure 975455DEST_PATH_IMAGE002
第三深度分离卷积层、
Figure 994226DEST_PATH_IMAGE001
第四深度分离卷积层、
Figure 203491DEST_PATH_IMAGE002
第五深度分离卷积层、
Figure 965910DEST_PATH_IMAGE002
第六深度分离卷积层、
Figure 694963DEST_PATH_IMAGE001
第七深度分离卷积层以及全连 接层，可以根据嵌入式设备硬件性能及实时性的要求确定具体的模型结构，并在嵌入式设 备中利用GPU实现算法的加速执行，提升算法执行效率；
S150: 将S140中得到的人脸特征与人脸中心特征底库的类中心样本特征进行比对，计算相识度，找到与被检测人脸最相似的底库中的对象，并得到其相似度值；
其中，相似度值指的是计算从待识别的人脸图像抽取的人脸特征与不同类别的类中心样本特征之间的余弦距离；
S160:判断S150中得到的最相似对象相似度是否符合预设的阈值，如果符合，则表示识别成功；
S170: 识别成功，则控制通过，让被检测人员放行；
S180: 将人脸数据同步到私有云，包括但不限于人脸图像、人脸特征、底库特征、控制记录；
在本实施例中，如图6所示，私有云服务子系统人脸特征底库更新流程包括：
S210：利用Hadoop中的Map模块（地图模块）实现人脸特征中心的分布式并行计算，提升大规模人脸特征数据的并行处理能力；
S220：利用Hadoop中的Reduce模块（更新模块）实现人脸特征中心底库的自动更新；
S230：将人脸中心特征底库同步至嵌入式前端设备，从而实现前端设备人脸底库的自动更新。
本发明中的人脸识别系统在应用的过程中，用户人脸特征数据不断积累，人脸特征中心将发生迁移，人脸特征中心将适应年龄的变化、面部的变化以及光照环境的变化。以人脸特征中心作为人脸特征底库能够实现人脸识别底库的自动更新，一方面能降低系统人工运维成本，另一方面能够提升系统的人脸识别准确率。
综上所述，本发明中的人脸识别方法及系统，基于EfficientNet的轻量级神经网络具备图像分辨率、模型深度、卷积核大小三个维度的可扩展能力，通过模型的扩张在满足实时性需求的条件下更好的发挥硬件的性能，从而提升模型的识别性能。采用人脸的类中心特征作为底库进行匹配，能够实现底库的自动更新，降低系统维护的人力成本。为了更好的适配人脸识别任务，提升模型的识别精度，将原EfficientNet网络模型的最后一部分用一个全连接层（Fully connected Layers，FC）进行了替换，去掉了在全连接层之上的1x1的卷积层和池化层。采用全连接层作为整个卷积神经网络的“分类器”，全连接层将学到的“分布式特征表示”映射到样本标记空间。全连接层在模型表示能力迁移过程中充当“防火墙”的作用，对于人脸识别这类源域与目标域差异较大的识别任务，全连接层层可保持较大的模型容量，保证模型表示能力的迁移。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种人脸识别方法，其特征在于，具体包括以下步骤：
获取待识别的人脸图像和多个已知身份的对比人脸图像；
采用分布式计算框架对所述对比人脸图像进行特征分类，并计算/更新每个类别的对比人脸特征的类中心样本特征，其中，将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配是通过人脸识别模块实现的，所述人脸识别模块是将EfficientNet网络模型的最后一层用一个全连接层替换得到；其中，每个人的多个特征向量构成一类；
从所述人脸图像中抽取人脸特征，并将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，并根据相似度匹配的结果判断所述待识别的人脸的身份，其中，将所述人脸特征与多个不同类别的类中心样本特征进行相似度匹配，具体为：
将人脸特征与人脸中心特征底库的类中心样本特征进行比对，计算相识度，找到与被检测人脸最相似的底库中的对象，并得到其相似度值，
所述类中心样本特征通过以下公式计算得到：
Figure FDA0003029169600000011
其中，M代表某一分类的类中心样本特征向量，Ci为某一分类的第i个特征向量值，n为当前分类下的特征向量总数。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸识别模块包括：依次连接的3×3第一深度分类卷积层、3×3第二深度分离卷积层、5×5第三深度分离卷积层、3×3第四深度分离卷积层、5×5第五深度分离卷积层、5×5第六深度分离卷积层、3×3第七深度分离卷积层以及全连接层。
3.根据权利要求2所述的人脸识别方法，其特征在于，将当前抽取的人脸特征与底库中的多个不同类别的类中心样本特征进行相似度比对，并根据相似度比对的结果判断所述人脸的身份，具体包括以下步骤：
计算从待识别的人脸图像抽取的人脸特征与不同类别的类中心样本特征之间的余弦距离，并判断所述余弦距离是否大于预设的阈值，若所述余弦距离大于预设的阈值，判断所述余弦距离对应的类中心样本特征对应的身份为待识别的人脸图像的身份。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述类中心样本特征的计算和更新通过Hadoop中的MapReduce框架分布式并行计算实现。
5.根据权利要求1至4中任意一项中所述的人脸识别方法，其特征在于，将所述人脸特征通过预设的人脸识别模型与预设的样本特征进行比对前，还包括以下步骤：
选取评价指标，对所述人脸图像的质量进行评估，并将评估合格的人脸图像通过预设的人脸识别模型与预设的样本特征进行比对，所述评价指标至少包括画面清晰度、人脸侧脸角度、人脸遮挡度一种或任意几种的组合，对所述人脸图像的质量进行评估是通过梯度大小相似偏差算法实现的，其中，检测算子采用检测图像边缘的Sobel算子。
6.根据权利要求5所述的人脸识别方法，其特征在于，根据相似度匹配的结果判断所述人脸的身份，还包括以下步骤：
当所述人脸特征与预设的样本特征的相似度大于预设的相似度阈值，判断所述人脸特征与样本特征为同一身份，否则，判断所述人脸特征与样本特征非同一身份。
7.根据权利要求6所述的人脸识别方法，其特征在于，当所述人脸特征与样本特征为同一身份时，还包括以下步骤：
控制门禁系统为所述人脸特征对应的待通行者放行。
8.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。
CN202010854368.XA 2020-08-24 2020-08-24 人脸识别方法及系统 Active CN111814760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010854368.XA CN111814760B (zh) 2020-08-24 2020-08-24 人脸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010854368.XA CN111814760B (zh) 2020-08-24 2020-08-24 人脸识别方法及系统

Publications (2)

Publication Number Publication Date
CN111814760A CN111814760A (zh) 2020-10-23
CN111814760B true CN111814760B (zh) 2021-06-01

Family

ID=72860310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010854368.XA Active CN111814760B (zh) 2020-08-24 2020-08-24 人脸识别方法及系统

Country Status (1)

Country Link
CN (1) CN111814760B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364828B (zh) * 2020-11-30 2022-01-04 天津金城银行股份有限公司 人脸识别方法及金融系统
CN112614109A (zh) * 2020-12-24 2021-04-06 四川云从天府人工智能科技有限公司 图像质量评估方法、装置以及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207889A (zh) * 2013-01-31 2013-07-17 重庆大学 一种基于Hadoop的海量人脸图像的检索方法
CN103235825A (zh) * 2013-05-08 2013-08-07 重庆大学 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法
WO2016168556A1 (en) * 2015-04-17 2016-10-20 Vizio Inscape Technologies, Llc Systems and methods for reducing data density in large datasets
CN106845357A (zh) * 2016-12-26 2017-06-13 银江股份有限公司 一种基于多通道网络的视频人脸检测和识别方法
CN109583322A (zh) * 2018-11-09 2019-04-05 长沙小钴科技有限公司 一种人脸识别深度网络训练方法和系统
CN110929644A (zh) * 2019-11-22 2020-03-27 南京甄视智能科技有限公司 基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8238615B2 (en) * 2009-09-25 2012-08-07 Eastman Kodak Company Method for comparing photographer aesthetic quality
US10580272B1 (en) * 2018-10-04 2020-03-03 Capital One Services, Llc Techniques to provide and process video data of automatic teller machine video streams to perform suspicious activity detection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207889A (zh) * 2013-01-31 2013-07-17 重庆大学 一种基于Hadoop的海量人脸图像的检索方法
CN103235825A (zh) * 2013-05-08 2013-08-07 重庆大学 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法
WO2016168556A1 (en) * 2015-04-17 2016-10-20 Vizio Inscape Technologies, Llc Systems and methods for reducing data density in large datasets
CN106845357A (zh) * 2016-12-26 2017-06-13 银江股份有限公司 一种基于多通道网络的视频人脸检测和识别方法
CN109583322A (zh) * 2018-11-09 2019-04-05 长沙小钴科技有限公司 一种人脸识别深度网络训练方法和系统
CN110929644A (zh) * 2019-11-22 2020-03-27 南京甄视智能科技有限公司 基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质

Also Published As

Publication number Publication date
CN111814760A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
US11837017B2 (en) System and method for face recognition based on dynamic updating of facial features
CN111241989B (zh) 图像识别方法及装置、电子设备
CN107153817B (zh) 行人重识别数据标注方法和装置
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN108288051B (zh) 行人再识别模型训练方法及装置、电子设备和存储介质
CN105224947B (zh) 分类器训练方法和系统
WO2020001084A1 (zh) 一种在线学习的人脸识别方法
CN103440645A (zh) 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法
CN105701467A (zh) 一种基于人体形态特征的多人异常行为识别方法
CN111814760B (zh) 人脸识别方法及系统
CN111368683A (zh) 基于模约束CentreFace的人脸图像特征提取方法及人脸识别方法
CN108256454B (zh) 一种基于cnn模型的训练方法、人脸姿态估测方法及装置
CN110222572A (zh) 跟踪方法、装置、电子设备及存储介质
CN109033955A (zh) 一种人脸跟踪方法和系统
US20230041943A1 (en) Method for automatically producing map data, and related apparatus
CN109447036A (zh) 一种图像数字分割与识别方法及系统
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
KR20210151773A (ko) 대상 재인식 방법 및 장치, 단말 및 저장 매체
CN110751027A (zh) 一种基于深度多示例学习的行人重识别方法
CN115527269A (zh) 一种人体姿态图像智能识别方法及系统
CN109635649B (zh) 一种无人机侦察目标的高速检测方法及系统
CN112883827B (zh) 图像中指定目标的识别方法、装置、电子设备和存储介质
CN112633222B (zh) 基于对抗网络的步态识别方法、装置、设备及介质
CN113723164A (zh) 获取边缘差异信息的方法、装置、设备及存储介质
CN116310993A (zh) 目标检测方法、装置、设备及存储介质

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