CN111860454A - 一种基于人脸识别的模型切换算法 - Google Patents

一种基于人脸识别的模型切换算法 Download PDF

Info

Publication number
CN111860454A
CN111860454A CN202010772437.2A CN202010772437A CN111860454A CN 111860454 A CN111860454 A CN 111860454A CN 202010772437 A CN202010772437 A CN 202010772437A CN 111860454 A CN111860454 A CN 111860454A
Authority
CN
China
Prior art keywords
face
feature
recognition
features
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
Application number
CN202010772437.2A
Other languages
English (en)
Other versions
CN111860454B (zh
Inventor
袁培江
宋博
史震云
李建民
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.)
Beijing Sensing Tech Co ltd
Original Assignee
Beijing Sensing Tech 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 Beijing Sensing Tech Co ltd filed Critical Beijing Sensing Tech Co ltd
Priority to CN202010772437.2A priority Critical patent/CN111860454B/zh
Publication of CN111860454A publication Critical patent/CN111860454A/zh
Application granted granted Critical
Publication of CN111860454B publication Critical patent/CN111860454B/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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种基于人脸识别的交换算法，包括如下步骤：S1、对人脸空间进行图像分部特征的构造，并进行识别检测；S2、人脸识别检测完成后，对局部特征进行切换和选取，并对局部特征进行统计；S3、将人脸特征数据进行切换，根据人脸特征数据进行人脸模型的塑造；S4、提取局部特征进行针对性计算，并对数据进行比对；S5、对比完成后对于数据模型进行切换，然后进行输出。本发明实施例提供一种基于人脸识别的模型切换算法，以解决现有技术中由于人脸识别的模型切换算法对于切换的算法不够准确，对于局部特征的切换不够明显，进而无法形成明显与正确的人脸识别切换的问题。

Description

一种基于人脸识别的模型切换算法
技术领域
本发明实施例涉及人脸识别技术领域，具体涉及一种基于人脸识别的模型切换算法。
背景技术
人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化
但是目前市场上的人脸识别的模型切换算法对于切换的算法不够准确，造成局部特征的切换不够明显，从而无法形成明显与正确的进行人脸识别切换。
发明内容
为此，本发明实施例提供一种基于人脸识别的模型切换算法，以解决现有技术中由于人脸识别的模型切换算法对于切换的算法不够准确，对于局部特征的切换不够明显，进而无法形成明显与正确的人脸识别切换的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例公开的一种基于人脸识别的交换算法，包括如下步骤：
S1、对人脸空间进行图像分部特征的构造，并进行识别检测；
S2、人脸识别检测完成后，对局部特征进行切换和选取，并对局部特征进行统计；
S3、将人脸特征数据进行切换，根据人脸特征数据进行人脸模型的塑造；
S4、提取局部特征进行针对性计算，并对数据进行比对；
S5、对比完成后对于数据模型进行切换，然后进行输出。
进一步地，在步骤S1中，人脸检测的方法包括参考模办法、人脸规则法、样品学习法、肤色模型法和/或特征子脸法，同时采用摄像头进行图像的识别和采集。
进一步地，所述参考模板法先设计数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；所述人脸规则法提取脸部特征生成相应的规则以判断测试样品是否包含人脸；所述样品学习法采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；所述肤色模型法依据面貌肤色在色彩空间中分布相对集中的规律来进行检测；所述特征子脸法将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。
进一步地，在步骤S2中，提取眼睛、面颊和下颚构成局部特征，根据面轮廓曲线确定若干显著点，提取这些显著点并导出一组用于识别的特征度量，正面灰度图中线附近的积分投影模拟侧面轮廓图采用几何特征进行正面人脸识别，通过提取眼睛、面颊、下颌重要特征点的位置的几何形状作为分类特征，设计一个参数可调的器官模型，定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即作为该器官的几何特征。
进一步地，在步骤S3中，将眼睛、面颊和下颚的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，且特征眼、特征颌和特征唇统称特征子脸，特征子脸在相应的图像空间中生成子脸空间，计算出测试窗口图像在子脸空间的投影距离；若窗口图像满足阈值比较条件，则判断其为人脸，基于特征分析的方法，将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数构成识别特征向量，保留人脸部件之间的拓扑关系及各部件本身的信息，通过提取的局部轮廓信息及灰度信息来设计具体的识别算法。
进一步地，在步骤S4中，将局部特征的数据进行识别和模型切换，将当前面像的面纹编码与档案库中的面纹编码进行检索比对。
进一步地，在步骤S5中，首先设定N个点，则点数个数X为X＝{X1,X2,X3…XN}，eachXi∈RD,其中D属于高维空间，输出所得的点Y＝[y1,y2,y3…yN],eachYi∈RD,此处d《D，则可以将人脸识别的模型进行切换。
进一步地，在步骤S5中，对于人脸模型进行切换，对于眼睛、面颊和下颌构成的局部特征进行二次切换计算。
进一步地，在步骤S5中，对局部特征进行分类提取，对各区域采用纹理特征提取。
进一步地，对提取的纹理特征进行降维，对降维后的特征进行纹理分类。
本发明实施例具有如下优点：
本发明结构科学合理，使用安全方便，通过多个人脸检测法相互配合，从而便于提取脸部的数据，保证了数据的正常与稳定，而对于数据通过眼睛、面颊、下颌构成局部特征进行单独的提取，保证了大数据的稳定与协调，并且将人脸特征数据进行切换，并对于人脸模型进行塑造，从而便于脸部塑造中的高效性，并通过对于脸部平面模型进行切换，对于眼睛、面颊、下颌构成局部特征进行二次切换计算，提高模型切换的高保真率，而对非重要区域采用对纹理信息描述力一般进行纹理特征提取，对上一步中提取的LBP纹理特征进行降维，对降维后的特征进行纹理分类，形成主次分明的模型切换。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例提供的一种基于人脸识别的交换算法的流程结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1所示，本发明实施例公开了一种基于人脸识别的模型切换算法，包括如下步骤：S1、对人脸空间进行图像分部特征的构造，并进行识别检测；S2、人脸识别检测完成后，对局部特征进行切换和选取，并对局部特征进行统计；S3、将人脸特征数据进行切换，根据人脸特征数据进行人脸模型的塑造；S4、提取局部特征进行针对性计算，并对数据进行比对；S5、对比完成后对于数据模型进行切换，然后进行输出。
在步骤S1中，人脸检测的方法包括参考模办法、人脸规则法、样品学习法、肤色模型法和/或特征子脸法，同时采用摄像头进行图像的识别和采集。
参考模板法先设计数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；所述人脸规则法提取脸部特征生成相应的规则以判断测试样品是否包含人脸；所述样品学习法采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；所述肤色模型法依据面貌肤色在色彩空间中分布相对集中的规律来进行检测；所述特征子脸法将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。
根据上述技术方案，步骤S2中提取眼睛、面颊、下颌构成局部特征，根据则面轮廓曲线确定若干显著点，抽这些显著点导出一组用于识别的特征度量，正面灰度图中线附近的积分投影模拟侧面轮廓图采用几何特征进行正面人脸识别一般是通过提取眼睛、面颊、下颌重要特征点的位置的几何形状作为分类特征，设计一个参数可调的器官模型，定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即作为该器官的几何特征。
根据上述技术方案，步骤S3中将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸，特征子脸在相应的图像空间中生成子空间，称为子脸空间，计算出测试图像窗口在子脸空间的投影距离；若窗口图像满足阈值比较条件，则判断其为人脸，基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。
根据上述技术方案，步骤S4中将局部特征的数据进行识别与模型切换，即将步骤S1获取的当前面像的面纹编码与档案库存中的面纹编码进行检索比对，上述的“面纹编码”方式是根据人体面貌脸部的本质特征和步骤S2中局部特征来制作的，面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，防止了由于光线造成的误差。
根据上述技术方案，步骤S5中根据之前步骤的计算，设定N个点，则点数个数X为X＝{X1,X2,X3…XN}，eachXi∈RD,其中D属于高维空间，输出所得的点Y＝[y1,y2,y3…yN],eachYi∈RD,此处d《D，则可以将人脸识别的模型进行切换。
根据上述技术方案，步骤S5中对于脸部平面模型进行切换，对于眼睛、面颊、下颌构成局部特征进行二次切换计算。
根据上述技术方案，步骤S5中分类局部特征提取，对重要区域采用对纹理信息描述力更强的纹理特征提取。
根据上述技术方案，步骤S5中对非重要区域采用对纹理信息描述力一般进行纹理特征提取，对上一步中提取的LBP纹理特征进行降维，对降维后的特征进行纹理分类。
本发明结构设计科学合理，使用安全方便，通过多个人脸检测法相互配合，从而便于提取脸部的数据，保证了数据的正常与稳定，而对于数据通过眼睛、面颊、下颌构成局部特征进行单独的提取，保证了大数据的稳定与协调，并且将人脸特征数据进行切换，并对于人脸模型进行塑造，从而便于脸部塑造中的高效性，并通过对于脸部平面模型进行切换，对于眼睛、面颊、下颌构成局部特征进行二次切换计算，提高模型切换的高保真率，而对非重要区域采用对纹理信息描述力一般进行纹理特征提取，对上一步中提取的LBP纹理特征进行降维，对降维后的特征进行纹理分类，形成主次分明的模型切换。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于人脸识别的交换算法，其特征在于，包括如下步骤：
S1、对人脸空间进行图像分部特征的构造，并进行识别检测；
S2、人脸识别检测完成后，对局部特征进行切换和选取，并对局部特征进行统计；
S3、将人脸特征数据进行切换，根据人脸特征数据进行人脸模型的塑造；
S4、提取局部特征进行针对性计算，并对数据进行比对；
S5、对比完成后对于数据模型进行切换，然后进行输出。
2.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S1中，人脸检测的方法包括参考模办法、人脸规则法、样品学习法、肤色模型法和/或特征子脸法，同时采用摄像头进行图像的识别和采集。
3.根据权利要求2所述的一种基于人脸识别的交换算法，其特征在于：所述参考模板法先设计数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；所述人脸规则法提取脸部特征生成相应的规则以判断测试样品是否包含人脸；所述样品学习法采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；所述肤色模型法依据面貌肤色在色彩空间中分布相对集中的规律来进行检测；所述特征子脸法将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。
4.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S2中，提取眼睛、面颊和下颚构成局部特征，根据面轮廓曲线确定若干显著点，提取这些显著点并导出一组用于识别的特征度量，正面灰度图中线附近的积分投影模拟侧面轮廓图采用几何特征进行正面人脸识别，通过提取眼睛、面颊、下颌重要特征点的位置的几何形状作为分类特征，设计一个参数可调的器官模型，定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即作为该器官的几何特征。
5.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S3中，将眼睛、面颊和下颚的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，且特征眼、特征颌和特征唇统称特征子脸，特征子脸在相应的图像空间中生成子脸空间，计算出测试窗口图像在子脸空间的投影距离；若窗口图像满足阈值比较条件，则判断其为人脸，基于特征分析的方法，将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数构成识别特征向量，保留人脸部件之间的拓扑关系及各部件本身的信息，通过提取的局部轮廓信息及灰度信息来设计具体的识别算法。
6.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S4中，将局部特征的数据进行识别和模型切换，将当前面像的面纹编码与档案库中的面纹编码进行检索比对。
7.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S5中，首先设定N个点，则点数个数X为X＝{X1,X2,X3…XN}，eachXi∈RD,其中D属于高维空间，输出所得的点Y＝[y1,y2,y3…yN],eachYi∈RD,此处d《D，则可以将人脸识别的模型进行切换。
8.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S5中，对于人脸模型进行切换，对于眼睛、面颊和下颌构成的局部特征进行二次切换计算。
9.根据权利要求1所述的一种基于人脸识别的交换算法，其特征在于：在步骤S5中，对局部特征进行分类提取，对各区域采用纹理特征提取。
10.根据权利要求9所述的一种基于人脸识别的交换算法，其特征在于：对提取的纹理特征进行降维，对降维后的特征进行纹理分类。
CN202010772437.2A 2020-08-04 2020-08-04 一种基于人脸识别的模型切换算法 Active CN111860454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010772437.2A CN111860454B (zh) 2020-08-04 2020-08-04 一种基于人脸识别的模型切换算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010772437.2A CN111860454B (zh) 2020-08-04 2020-08-04 一种基于人脸识别的模型切换算法

Publications (2)

Publication Number Publication Date
CN111860454A true CN111860454A (zh) 2020-10-30
CN111860454B CN111860454B (zh) 2024-02-09

Family

ID=72953273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010772437.2A Active CN111860454B (zh) 2020-08-04 2020-08-04 一种基于人脸识别的模型切换算法

Country Status (1)

Country Link
CN (1) CN111860454B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346030A (zh) * 2013-08-01 2015-02-11 腾讯科技（深圳）有限公司 显示方向切换方法、装置及电子设备
WO2016145940A1 (zh) * 2015-03-19 2016-09-22 北京天诚盛业科技有限公司 人脸认证方法和装置
WO2017219391A1 (zh) * 2016-06-24 2017-12-28 深圳市唯特视科技有限公司 一种基于三维数据的人脸识别系统
CN108573211A (zh) * 2018-03-05 2018-09-25 重庆邮电大学 一种基于局部特征与深度学习的人脸特征提取方法
KR20190056457A (ko) * 2017-11-10 2019-05-27 전자부품연구원 보행자 의상 특징 추출을 통한 보행자 추적 방법
US20190228211A1 (en) * 2017-08-17 2019-07-25 Ping An Technology (Shenzhen) Co., Ltd. Au feature recognition method and device, and storage medium
CN110135361A (zh) * 2019-05-19 2019-08-16 北京深醒科技有限公司 一种基于红外摄像头下的多姿态人脸识别方法
WO2019174131A1 (zh) * 2018-03-12 2019-09-19 平安科技（深圳）有限公司 身份认证方法、服务器及计算机可读存储介质
CN110263670A (zh) * 2019-05-30 2019-09-20 湖南城市学院 一种面部局部特征分析系统
US20190318158A1 (en) * 2016-12-14 2019-10-17 South China University Of Technology Multi-pose face feature point detection method based on cascade regression
CN110389662A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 应用程序的内容展示方法、装置、存储介质和计算机设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346030A (zh) * 2013-08-01 2015-02-11 腾讯科技（深圳）有限公司 显示方向切换方法、装置及电子设备
WO2016145940A1 (zh) * 2015-03-19 2016-09-22 北京天诚盛业科技有限公司 人脸认证方法和装置
WO2017219391A1 (zh) * 2016-06-24 2017-12-28 深圳市唯特视科技有限公司 一种基于三维数据的人脸识别系统
US20190318158A1 (en) * 2016-12-14 2019-10-17 South China University Of Technology Multi-pose face feature point detection method based on cascade regression
US20190228211A1 (en) * 2017-08-17 2019-07-25 Ping An Technology (Shenzhen) Co., Ltd. Au feature recognition method and device, and storage medium
KR20190056457A (ko) * 2017-11-10 2019-05-27 전자부품연구원 보행자 의상 특징 추출을 통한 보행자 추적 방법
CN108573211A (zh) * 2018-03-05 2018-09-25 重庆邮电大学 一种基于局部特征与深度学习的人脸特征提取方法
WO2019174131A1 (zh) * 2018-03-12 2019-09-19 平安科技（深圳）有限公司 身份认证方法、服务器及计算机可读存储介质
CN110135361A (zh) * 2019-05-19 2019-08-16 北京深醒科技有限公司 一种基于红外摄像头下的多姿态人脸识别方法
CN110263670A (zh) * 2019-05-30 2019-09-20 湖南城市学院 一种面部局部特征分析系统
CN110389662A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 应用程序的内容展示方法、装置、存储介质和计算机设备

Also Published As

Publication number Publication date
CN111860454B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
WO2020063527A1 (zh) 基于多特征检索和形变的人体发型生成方法
CN111339990B (zh) 一种基于人脸特征动态更新的人脸识别系统和方法
CN107358206A (zh) 一种基于感兴趣区域的光流特征矢量模值和角度结合的微表情检测方法
Agarwal et al. Face recognition using eigen faces and artificial neural network
Bourel et al. Robust facial expression recognition using a state-based model of spatially-localised facial dynamics
CN109389074B (zh) 一种基于人脸特征点提取的表情识别方法
CN110781829A (zh) 一种轻量级深度学习的智慧营业厅人脸识别方法
CN107911643B (zh) 一种视频通信中展现场景特效的方法和装置
CN108629336A (zh) 基于人脸特征点识别的颜值计算方法
CN106203284B (zh) 基于卷积神经网络和条件随机场的人脸检测方法
CN111666845B (zh) 基于关键帧采样的小样本深度学习多模态手语识别方法
CN106650574A (zh) 基于PCANet的人脸识别方法
WO2022257456A1 (zh) 头发信息识别方法、装置、设备及存储介质
CN113239839B (zh) 基于dca人脸特征融合的表情识别方法
JP2000030065A (ja) パターン認識装置及びその方法
CN106127112A (zh) 基于dlle模型的数据降维与特征理解方法
Angadi et al. Face recognition through symbolic modeling of face graphs and texture
CN110175578B (zh) 应用于刑侦的基于深度森林的微表情识别方法
CN110598719A (zh) 一种依据视觉属性描述自动生成人脸图像的方法
CN113705466A (zh) 用于遮挡场景、尤其高仿遮挡下的人脸五官遮挡检测方法
Sharma et al. 3D face recognition techniques-a review
Zhou et al. Real-time gender recognition based on eigen-features selection from facial images
CN111860454B (zh) 一种基于人脸识别的模型切换算法
Kim et al. Emotion detection algorithm using frontal face image
Karungaru et al. Face recognition in colour images using neural networks and genetic algorithms

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