CN111881770A - 一种人脸识别方法及系统 - Google Patents
一种人脸识别方法及系统 Download PDFInfo
- Publication number
- CN111881770A CN111881770A CN202010639685.XA CN202010639685A CN111881770A CN 111881770 A CN111881770 A CN 111881770A CN 202010639685 A CN202010639685 A CN 202010639685A CN 111881770 A CN111881770 A CN 111881770A
- Authority
- CN
- China
- Prior art keywords
- face
- mask
- recognition
- feature vector
- recognizer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 25
- 230000015654 memory Effects 0.000 description 18
- 210000000887 face Anatomy 0.000 description 11
- 230000005291 magnetic effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- XILIYVSXLSWUAI-UHFFFAOYSA-N 2-(diethylamino)ethyl n'-phenylcarbamimidothioate;dihydrobromide Chemical compound Br.Br.CCN(CC)CCSC(N)=NC1=CC=CC=C1 XILIYVSXLSWUAI-UHFFFAOYSA-N 0.000 description 1
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 241000370001 Hantavirus Liu Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 230000003936 working memory Effects 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
Abstract
本发明涉及人脸识别技术领域,提供了一种人脸识别方法及系统,其方法包括:S1:对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;S2:利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;S3:将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。通过MASK‑MTCNN、结合ResNet50等深度学习方法,能够对佩戴有口罩的人脸进行检测与识别。
Description
技术领域
本发明涉及人脸识别的技术领域,尤其涉及一种人脸识别方法及系统。能够准确的识别人脸,并且在包括戴有口罩等的有遮挡的情况下准确的识别人脸,在防疫等情况下为安防、考勤等提供了便利。
背景技术
人脸识别是指能够识别或验证图像或视频中的主体的身份技术。首个人脸识别算法诞生于七十年代初[M.D.Kelly,“Visual identification of people by computer.,”tech.rep.,STANFORD UNIV CALIF DEPT OF COMPUTER SCIENCE,1970.],而后,人脸识别的准确率已大幅提升。现在相比于指纹或虹膜识别[K.Delac and M.Grgic,“A survey ofbiometric recognition methods,”in 46th International Symposium Electronics inMarine,vol.46,pp.16–18,2004.]等传统上被认为更加稳健的识别方法,人们更偏爱于人脸识别;指纹识别需要用户将手指按在传感器上,虹膜识别需要用户处于相机的视野内。这使得人脸识别成为了对用户最友好的生物识别方法。传统方法依赖于人工设计的特征(比如边和纹理的描述量)与机器学习技术(主成分分析、线性判断或支持向量机等)的组合。人工设计在无约束环境中对不同变化情况稳健的特征是很困难的,这使得过去的研究者侧重研究针对每种变化类型的专用方法,比如能应对不同年龄的方法[U.Park,Y.Tong,andA.K.Jain,“Age-invariant face recognition,”IEEE transactions on patternanalysis and machine intelligence,vol.32,no.5,pp.947–954,2010;Z.Li,U.Park,andA.K.Jain,“A discriminative model for age invariant face recognition,”IEEEtransactions on information forensics and security,vol.6,no.3,pp.1028–1037,2011.]、能应对不同姿势的方法[C.Ding and D.Tao,“A comprehensive survey on pose-invariant face recognition,”ACM Transactions on intelligent systems andtechnology(TIST),vol.7,no.3,p.37,2016.]、能应对不同光照条件的方法[D.-H.Liu,K.-M.Lam,and L.-S.Shen,“Illumination invariant face recognition,”PatternRecognition,vol.38,no.10,pp.1705–1716,2005;X.Tan and B.Triggs,“Enhanced localtexture feature sets for face recognition under difficult lightingconditions,”IEEE transactions on image processing,vol.19,no.6,pp.1635–1650,2010.]等。传统的人脸识别方法[周杰,人脸自动识别方法综述[J],电子学报,2000],还有基于几何特征方法,一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的集合形状为分类特征[R.Brunelli,T.Poggio.IEEE Trans.PAMI,1993,15:1042~1052];一般几何特征只描述了部件的基本形状与结构关系,忽略了局部的细微特征,造成部分信息的丢失,从而对识别的准确度也造成一定程度的影响。还有采用神经网络降维方法然而传统的神经网络在面对巨大的网络参数问题时,会束手无策,还会有过拟合等问题,不能高效的训练数据量大的原始图像集,特征提取精度也会随之降低。总而言之,传统的人脸识别算法存在以下问题:其所产生并使用的特征可以被认为属于浅层特征,而且不能从原始图像中获取更加深入的高语义特征以及其深度特征;为了获得更好的识别效果,这些传统人脸识别算法必须结合人造特征的帮助,而人为设定的特征提取和识别过程中通常会带来不可期望的人为因素和误差;在没有人为干预的情况下,传统人脸识别算法往往不能自动地从原始图像中提取有用的识别特征,而且当面对大数据的情况下,传统方法往往展现出自身存在的不足和困难。
基于卷积神经网络(CNN)的深度学习方法,能够利用大量的数据集进行训练,从而学习到表征这些数据的最佳特征。然而在训练过程中,深度CNN模型难以训练,而后产生了VGG19网络,能够获得能够更加完整的图像特征;从经验来看,网络的深度对模型的性能至关重要,当增加网络层数后,网络可以进行更加复杂的特征模式的提取,然而随着网络深度(层数)的不断增加,网络准确度出现饱和,甚至下降。
进一步地,基于在当前存在疫情的背景下,人们一般都会佩戴口罩,传统的人脸识别方法,无法对佩戴有口罩的人脸进行识别。
发明内容
针对上述问题,本发明的目的在于提供一种人脸识别方法及系统,在疫情当下,通过MASK-MTCNN、结合ResNet50等深度学习方法,对佩戴有口罩的人脸进行检测与识别,并且检测出当前人是否正确佩戴口罩,对未进行正确佩戴的人进行识别,并对其进行相关提醒以正确佩戴口罩;同时,可对企业员工进行人脸考勤,可在无需去下口罩的情况下,对员工进行面部识别,以辅助考勤系统。
首先,对采集到的图片或者视频,利用人脸检测器对人脸进行检测,检测其是否佩戴口罩;如果佩戴有口罩,第一人脸识别器将其进行识别;如果没有正确佩戴口罩或者未戴口罩,第二人脸识别器将其进行相应的识别,并对未佩戴口罩和没有正确佩戴口罩的人进行相应的提醒(此处正确佩戴口罩为遮住口鼻时)。
本发明的上述发明目的是通过以下技术方案得以实现的:
一种人脸识别方法,包括以下步骤:
S1:对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;
S2:利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;
S3:将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。
进一步地,在步骤S2中,还包括:
通过L2正则化方法对所述第一人脸特征向量和所述第二人脸特征向量进行处理。
进一步地,人脸识别方法,还包括:
所述人脸检测器采用MASK-MTCNN网络,为具有遮罩型多任务级卷积神经网络;所述MASK-MTCNN网络将人脸检测数据集进行了扩充,包含了带有口罩的人脸数据集;所述MASK-MTCNN网络由P-Net、R-Net、MO-Net网络串联组成,检测人脸和特征点定位,以及判断人脸是否为带有口罩的人脸。
进一步地,所述人脸检测器通过采用MASK-MTCNN网络,检测人脸和特征点定位,以及判断人脸是否为带有口罩的人脸,具体为:
A:给定图像,将图像调整到不同的比例,构建出图像金字塔;使用P-Net通过浅层的CNN框架生成候选框及其边框回归向量,使用边框回归的方法校正所述候选框,使用非极大值抑制NMS合并重叠的所述候选框;
其检测人脸时使用交叉熵损失函数:
边框回归使用平方和损失函数:
B:使用R-Net改善所述候选框,将通过P-Net的候选框输入R-Net中,拒绝掉大部分false的所述候选框,继续使用边框回归于非极大值抑制NMS合并;
C:使用MO-Net输出最终的人脸框和特征点位置,及检测是否戴口罩;
其人脸特征点定位使用平方和损失函数:
判断是否戴口罩时利用公式:
当(4)式值接近于0时,检测为戴有口罩,当值接近于1时,检测为没戴口罩。
进一步地,人脸识别方法,其特征在于,还包括:判断图像是否为人脸,具体为:
计算如下的det的损失函数:
其中,α表示任务的重要性。
进一步地,所述第一人脸特征向量为M*512维的人脸特征向量c1,所述第二人脸特征向量为N*512维的人脸特征向量c2,其中,M、N为特征样本数;利用L2正则化方法对所述第一人脸特征向量和所述第二人脸特征向量进行处理后分别得到人脸特征向量C1和C2。
进一步地,将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别,具体为:
所述待识别人脸样本T与人脸特征向量C1和C2分别进行如下计算:
A1=C1T*T,A2=C2T*T;
若A1>0.5,通过第一人脸识别器识别所述待识别人脸样本,且得到识别结果;
若A2>0.5,通过第二人脸识别器识别所述待识别人脸样本,且得到识别结果。
进一步地,还包括步骤:
S4:识别完成后,对未佩戴口罩或者未正确佩戴口罩的人员进行提醒以佩戴口罩,并用于考勤制度。
一种采用如权利要求1-8任一项所述的人脸识别方法识别的人脸识别系统,包括:
人脸检测模块,用于对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;
人脸训练模块,用于利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;
人脸识别模块,用于将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。
与现有技术相比,本发明包括以下至少一种有益效果是:
(1)通过提供一种人脸识别方法,具体包括:对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。上述技术方案,能够对佩戴有口罩的人脸进行检测与识别,尤其适用于当前存在疫情的背景下,人类无需要摘掉口罩即可以识别出人脸。
(2)通过对第一人脸特征向量和第二人脸特征向量采用L2正则化方法进行处理,加快了人脸检测的速度,提高了人脸识别系统的整体效率。
(3)在识别完成后,对未佩戴口罩或者未正确佩戴口罩的人员进行提醒以佩戴口罩,同时,可对企业员工进行人脸考勤,可在无需去下口罩的情况下,对员工进行面部识别,以辅助考勤系统。
附图说明
图1为本发明一种人脸识别方法的整体流程图;
图2为本发明人脸识别方法的网络结构图;
图3为本发明不同深度的ResNet网络示意图;
图4为本发明残差学习的结构图;
图5为本发明选择不同人脸识别器进行识别的示意图;
图6为本发明一种人脸识别系统的整体结构图;
图7为本发明没有正确佩戴口罩时,相关考勤系统中发出提示的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
第一实施例
如图1所示为人脸识别方法的整体流程图,如图2所示为人脸识别方法的网络结构图,本实施例提供了一种人脸识别方法,包括以下步骤:
S1:对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸。
进一步地,所述人脸检测器采用MASK-MTCNN(MASK Multi-task CascadedConvolutional Networks)网络,为具有遮罩型多任务级卷积神经网络;所述MASK-MTCNN网络将人脸检测数据集进行了扩充,包含了带有口罩的人脸数据集;所述MASK-MTCNN网络由P-Net、R-Net、MO-Net网络串联组成,检测人脸和特征点定位,以及判断人脸是否为带有口罩的人脸,是一个由粗到细的过程。具体为:
A:给定图像,将图像调整到不同的比例,构建出图像金字塔;使用P-Net,为一个全卷积网络,通过浅层的CNN(Convolutional Neural Network)框架生成候选框及其边框回归向量,使用边框回归(Bounding box regression)的方法校正所述候选框,使用非极大值抑制NMS(Non-Maximum Suppression)合并重叠的所述候选框。
其检测人脸时使用交叉熵损失函数:
其中,L为Loss损失函数简称,det为detection的缩写;对于每个样本xi经过网络以后,检测为人脸的概率为pi,y为真实标签,属于{0,1},在训练网络时,使得上式(1)值最小化,当L接近于0时,检测到人脸,接近于1时,检测不到人脸。
边框回归使用平方和损失函数:
B:使用R-Net改善所述候选框,将通过P-Net的候选框输入R-Net中,拒绝掉大部分false的所述候选框,继续使用边框回归(Bounding box regression)与非极大值抑制NMS合并。
C:使用MO-Net输出最终的人脸框和特征点位置,及检测是否戴口罩;和第二步类似,但不同的是生成5个特征点位置及检测是否戴口罩。
其人脸特征点定位使用平方和损失函数:
其中,(Llandmark表示人脸特征点定位的损失函数;为第i个样本的实际关键点位置,为经过网络得到的关键点位置,此处有五个面部标定,包含左眼睛、右眼睛、鼻子、左嘴角、右嘴角,在训练过程中,使得上式(3)最小化,让网络更加逼近真实值)。
判断是否戴口罩时利用公式:
其中,Lmask为戴口罩时损失函数,yi为带口罩时的真实标签,属于{0,1},对于样本xi经过网络计算后,戴口罩的人脸概率为pi。
当(4)式值接近于0时,检测为戴有口罩,当值接近于1时,检测为没戴口罩。
在整个CNN框架上有多种不同的任务,不是每种任务都需要执行以上三种损失函数,如果只判断图像是否为人脸,只需要计算det的损失函数具体为:
计算如下的det的损失函数:
其中,α表示任务的重要性,N为训练样本数,其中α表示权重值,β表示样本标签,取值范围为(0,1),L为式(1)-(4)的损失函数;其中det,box,landmark,mask对应于上式(1)-(4)中不同损失函数的标记,譬如人脸检测损失函数为Ldet等;对于P-Net、R-Net更关注检测框定位的准确性,而较少关注关键点定位的准确性,所以关键点定位损失权重较小,αdet=1,αbox=0.5,αlandmark=0.5,αmask=1,而对于MO-Net则更关注关键点定位准确性,所欲此时关键点定位损失权重较大αdet=1,αbox=0.5,αlandmark=1,αmask=1,此时最小化上式,为检测得到人脸。
S2:利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量。所述第一人脸特征向量为M*512维的人脸特征向量c1,所述第二人脸特征向量为N*512维的人脸特征向量c2,其中,M、N为特征样本数。
ResNet(Residual Network)为残差网络,通过短路机制加入了残差单元。其直接使用stride(卷积时步长)为2,并且网络的最后一层采用global average pool;ResNet的设计原则是,当feature map大小降低一半时,feature map的数量增加一倍;ResNet相比普通的网络每两层间增加了短路机制,从而形成了残差学习。其中ResNet50对输入进行卷积操作,之后包含4个残差块(ResidualBlock),最后进行全连接操做以便于进行分类任务,ResNet则包含50个convd操作。如图3所示,为不同深度的ResNet网络示意图。
其中ResNet网络构建过程为:
1.对输入的图像先进行zero padding:pad(3,3)
2.2D卷积有64个(7,7)的filters,stride为(2,2),名字为“conv1”;然后使用BatchNorm对输入数据进行正则化处理;使用(3,3)的窗口和(2,2)的stride进行最大池化。
3.①卷积块使用三个[64,64,256]的filters,filter的长和宽都为3,步长为1;②识别块使用三个[64,64,256]的filters,filter的长和宽也都为3;
4.①卷积块使用三个[128,128,512]的filters,filter的长和宽都为3,步长为1;②两个识别块使用三个[128,128,512]的filters,filter的长和宽也都为3;
5.①卷积块使用三个[256,256,1024]的filters,filter的长和宽都为3,步长为1;②三个识别块使用三个[256,256,1024]的filters,filter的长和宽也都为3;
6.①卷积块使用三个[512,512,2048]的filters,filter的长和宽都为3,步长为1;②五个识别块使用三个[512,512,2048]的filters,filter的长和宽也都为3;
7.使用2D的(2,2)平均池化,名为‘avg_pool’;全连接层使用一个softmax激活函数将输入降低到类别数。
利用残差学习来解决网络退化问题的ResNet网络,对于一个堆积层结构(几层堆积而成)当输入为x时其学习到的特征记为H(x),现在我们希望其可以学习到残差F(x)=H(x)-x,这样其实原始的学习特征是f(x)+x。之所以这样是因为残差学习相比原始特征直接学习更容易。当残差为0时,此时堆积层仅仅做了恒等映射,至少网络性能不会下降,实际上残差不会为0,这也会使得堆积层在输入特征基础上学习到新的特征,从而拥有更好的性能。残差学习的结构如下图4所示。这有点类似与电路中的“短路”,所以是一种短路连接(shortcut connection)。如果需要更好的效果,需采用适合自己数据集深度的网络结构。
进一步地,通过L2正则化方法对所述第一人脸特征向量和所述第二人脸特征向量进行处理,处理后分别得到人脸特征向量C1和C2。
数据经过MTCNN网络和ResNet网络后,还采用了L2正则化方法。L2正则化为机器学习中损失函数的惩罚项,所谓“惩罚”是指对损失函数中的某些参数做一些限制。具体的L2正则化指权值向量w中各个元素的平方和然后再求平方根,通常表示为||w||2。以线性回归中的梯度下降法为例,假设要求解的参数为θ,有y个样本,hθ(x)为假设函数,则代价函数为:
其中,θ为待求解的参数,m为常量,i代表第i个样本。
经过梯度下降法,得到迭代参数θj的计算为
其中α为学习率,j代表第j个参数,也即θj。上式加入L2正则化项之后变为下式:
其中λ即为正则化参数。从上式中可以看到,与未添加L2正则化的迭代公式相比,每一次迭代,θj都要先乘以一个小于1的因子,从而使得θj不断减小。
S3:将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别(如图5所示),具体为:
所述待识别人脸样本T与人脸特征向量C1和C2分别进行如下计算:
A1=C1T*T,A2=C2T*T;
若A1>0.5,通过第一人脸识别器识别所述待识别人脸样本,且得到识别结果;
若A2>0.5,通过第二人脸识别器识别所述待识别人脸样本,且得到识别结果。
在此利用MASK-MTCNN网络,结合ResNet50网络,对戴有口罩的人脸进行检测和识别。利用了全人脸(整张人脸)和半张人脸(鼻子以上部位)数据集,输入本专利所述网络结构中,能够准确的识别佩戴口罩及未佩戴口罩时的人脸;且在网络末端加入L2正则化方法,加快了人脸检测的速度,提高了人脸识别系统的整体效率。
本实施例还包括步骤:
S4:识别完成后,对未佩戴口罩或者未正确佩戴口罩的人员进行提醒以佩戴口罩,并用于考勤制度。
在识别完成后,对未佩戴口罩或者未正确佩戴口罩的人员进行提醒以佩戴口罩,同时,可对企业员工进行人脸考勤,可在无需去下口罩的情况下,对员工进行面部识别,以辅助考勤系统。
如下图7所示,如果没有正确佩戴口罩,相关考勤系统中会有提示,并显示其工号与姓名,可“点击查看图片”,对未正确佩戴口罩的人员进行查看,并进行相应的提醒。
第二实施例
如图6所示,本实施例提供了一种采用第一实施例中的人脸识别方法识别的人脸识别系统,包括:
人脸检测模块1,用于对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;
人脸训练模块2,用于利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;
人脸识别模块3,用于将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。
一种计算机可读存储介质,计算机可读存储介质存储有计算机代码,当计算机代码被执行时,如上述方法被执行。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个功能或步骤的电路。如本说明书实施例所示实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Net work Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子系统执行时,使得所述电子系统执行实施例一所述的方法。在此不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(P RAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(tr ansitory media),如调制的数据信号和载波。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRA M)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEP ROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory me dia),如调制的数据信号和载波。还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
Claims (10)
1.一种人脸识别方法,其特征在于,包括以下步骤:
S1:对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;
S2:利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;
S3:将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。
2.根据权利要求1所述的人脸识别方法,其特征在于,在步骤S2中,还包括:
通过L2正则化方法对所述第一人脸特征向量和所述第二人脸特征向量进行处理。
3.根据权利要求1所述的人脸识别方法,其特征在于,还包括:
所述人脸检测器采用MASK-MTCNN网络,为具有遮罩型多任务级卷积神经网络;
所述MASK-MTCNN网络将人脸检测数据集进行了扩充,包含了带有口罩的人脸数据集;
所述MASK-MTCNN网络由P-Net、R-Net、MO-Net网络串联组成,检测人脸和特征点定位,以及判断人脸是否为带有口罩的人脸。
4.根据权利要求3所述的人脸识别方法,其特征在于,所述人脸检测器通过采用MASK-MTCNN网络,检测人脸和特征点定位,以及判断人脸是否为带有口罩的人脸,具体为:
A:给定图像,将图像调整到不同的比例,构建出图像金字塔;使用P-Net通过浅层的CNN框架生成候选框及其边框回归向量,使用边框回归的方法校正所述候选框,使用非极大值抑制NMS合并重叠的所述候选框;
其检测人脸时使用交叉熵损失函数:
边框回归使用平方和损失函数:
B:使用R-Net改善所述候选框,将通过P-Net的候选框输入R-Net中,拒绝掉大部分false的所述候选框,继续使用边框回归与非极大值抑制NMS合并;
C:使用MO-Net输出最终的人脸框和特征点位置,及检测是否戴口罩;
其人脸特征点定位使用平方和损失函数:
判断是否戴口罩时利用公式:
当(4)式值接近于0时,检测为戴有口罩,当值接近于1时,检测为没戴口罩。
6.根据权利要求2所述的人脸识别方法,其特征在于,还包括:
所述第一人脸特征向量为M*512维的人脸特征向量c1,所述第二人脸特征向量为N*512维的人脸特征向量c2,其中,M、N为特征样本数;
利用L2正则化方法对所述第一人脸特征向量和所述第二人脸特征向量进行处理后分别得到人脸特征向量C1和C2。
7.根据权利要求6所述的人脸识别方法,其特征在于,将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别,具体为:
所述待识别人脸样本T与人脸特征向量C1和C2分别进行如下计算:
A1=C1T*T,A2=C2T*T;
若A1>0.5,通过第一人脸识别器识别所述待识别人脸样本,且得到识别结果;
若A2>0.5,通过第二人脸识别器识别所述待识别人脸样本,且得到识别结果。
8.根据权利要求1所述的人脸识别方法,其特征在于,还包括步骤:
S4:识别完成后,对未佩戴口罩或者未正确佩戴口罩的人员进行提醒以佩戴口罩,并用于考勤制度。
9.一种采用如权利要求1-8任一项所述的人脸识别方法识别的人脸识别系统,其特征在于,包括:
人脸检测模块,用于对采集到的包含人脸的图像进行数据预处理,利用人脸检测器检测人脸,判断被检测的人脸是否为带有口罩的人脸;
人脸训练模块,用于利用ResNet50网络对佩戴口罩的人脸数据进行训练,得到第一人脸特征向量;对包括未佩戴口罩、未正确佩戴口罩的人脸数据进行训练,得到第二人脸特征向量;
人脸识别模块,用于将待识别人脸样本分别与所述第一人脸特征向量和第二人脸特征向量进行计算,根据计算结果选择包括识别佩戴有口罩的人脸的第一人脸识别器、识别未佩戴口罩的人脸第二人脸识别器在内的人脸识别器进行识别。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机代码,当所述计算机代码被执行时,如权利要求1至8中任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639685.XA CN111881770B (zh) | 2020-07-06 | 2020-07-06 | 一种人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639685.XA CN111881770B (zh) | 2020-07-06 | 2020-07-06 | 一种人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881770A true CN111881770A (zh) | 2020-11-03 |
CN111881770B CN111881770B (zh) | 2024-05-31 |
Family
ID=73150974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010639685.XA Active CN111881770B (zh) | 2020-07-06 | 2020-07-06 | 一种人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881770B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036519A (zh) * | 2020-11-06 | 2020-12-04 | 中科创达软件股份有限公司 | 基于多位sigmoid的分类处理方法、装置及电子设备 |
CN112597867A (zh) * | 2020-12-17 | 2021-04-02 | 佛山科学技术学院 | 戴口罩人脸识别方法、系统、计算机设备及存储介质 |
CN112766208A (zh) * | 2021-01-28 | 2021-05-07 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN112818901A (zh) * | 2021-02-22 | 2021-05-18 | 成都睿码科技有限责任公司 | 一种基于眼部注意力机制的戴口罩人脸识别方法 |
CN112912893A (zh) * | 2021-01-28 | 2021-06-04 | 深圳市锐明技术股份有限公司 | 佩戴口罩的检测方法、装置、终端设备及可读存储介质 |
CN113420675A (zh) * | 2021-06-25 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种口罩佩戴规范度的检测方法及装置 |
CN113435273A (zh) * | 2021-06-15 | 2021-09-24 | 北京的卢深视科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
CN114360033A (zh) * | 2022-03-18 | 2022-04-15 | 武汉大学 | 基于图卷积融合网络的口罩人脸识别方法、系统及设备 |
WO2022213349A1 (zh) * | 2021-04-09 | 2022-10-13 | 鸿富锦精密工业(武汉)有限公司 | 戴口罩人脸识别方法、装置、计算机存储介质 |
CN115527254A (zh) * | 2022-09-21 | 2022-12-27 | 北京的卢深视科技有限公司 | 人脸识别、模型训练方法、装置、电子设备及存储介质 |
CN115620380A (zh) * | 2022-12-19 | 2023-01-17 | 成都成电金盘健康数据技术有限公司 | 一种佩戴医用口罩人脸识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
CN107808120A (zh) * | 2017-09-30 | 2018-03-16 | 平安科技(深圳)有限公司 | 眼镜定位方法、装置及存储介质 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN108985155A (zh) * | 2018-06-06 | 2018-12-11 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN110363091A (zh) * | 2019-06-18 | 2019-10-22 | 广州杰赛科技股份有限公司 | 侧脸情况下的人脸识别方法、装置、设备及存储介质 |
CN110532979A (zh) * | 2019-09-03 | 2019-12-03 | 深圳市华芯技研科技有限公司 | 一种三维图像人脸识别方法及系统 |
CN110705337A (zh) * | 2018-07-10 | 2020-01-17 | 普天信息技术有限公司 | 一种针对眼镜遮挡的人脸识别方法及装置 |
CN110826519A (zh) * | 2019-11-14 | 2020-02-21 | 深圳市华付信息技术有限公司 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-07-06 CN CN202010639685.XA patent/CN111881770B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
CN107808120A (zh) * | 2017-09-30 | 2018-03-16 | 平安科技(深圳)有限公司 | 眼镜定位方法、装置及存储介质 |
CN108985155A (zh) * | 2018-06-06 | 2018-12-11 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN110705337A (zh) * | 2018-07-10 | 2020-01-17 | 普天信息技术有限公司 | 一种针对眼镜遮挡的人脸识别方法及装置 |
CN110363091A (zh) * | 2019-06-18 | 2019-10-22 | 广州杰赛科技股份有限公司 | 侧脸情况下的人脸识别方法、装置、设备及存储介质 |
CN110532979A (zh) * | 2019-09-03 | 2019-12-03 | 深圳市华芯技研科技有限公司 | 一种三维图像人脸识别方法及系统 |
CN110826519A (zh) * | 2019-11-14 | 2020-02-21 | 深圳市华付信息技术有限公司 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036519A (zh) * | 2020-11-06 | 2020-12-04 | 中科创达软件股份有限公司 | 基于多位sigmoid的分类处理方法、装置及电子设备 |
CN112597867A (zh) * | 2020-12-17 | 2021-04-02 | 佛山科学技术学院 | 戴口罩人脸识别方法、系统、计算机设备及存储介质 |
CN112597867B (zh) * | 2020-12-17 | 2024-04-26 | 佛山科学技术学院 | 戴口罩人脸识别方法、系统、计算机设备及存储介质 |
CN112766208A (zh) * | 2021-01-28 | 2021-05-07 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN112912893A (zh) * | 2021-01-28 | 2021-06-04 | 深圳市锐明技术股份有限公司 | 佩戴口罩的检测方法、装置、终端设备及可读存储介质 |
CN112818901A (zh) * | 2021-02-22 | 2021-05-18 | 成都睿码科技有限责任公司 | 一种基于眼部注意力机制的戴口罩人脸识别方法 |
WO2022213349A1 (zh) * | 2021-04-09 | 2022-10-13 | 鸿富锦精密工业(武汉)有限公司 | 戴口罩人脸识别方法、装置、计算机存储介质 |
CN113435273A (zh) * | 2021-06-15 | 2021-09-24 | 北京的卢深视科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
WO2022268182A1 (en) * | 2021-06-25 | 2022-12-29 | Zhejiang Dahua Technology Co., Ltd. | Method and device for detecting standardization of wearing mask |
CN113420675A (zh) * | 2021-06-25 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种口罩佩戴规范度的检测方法及装置 |
EP4278298A4 (en) * | 2021-06-25 | 2024-05-22 | Zhejiang Dahua Technology Co., Ltd | METHOD AND DEVICE FOR DETECTING THE STANDARDIZATION OF MASK WEARING |
CN114360033A (zh) * | 2022-03-18 | 2022-04-15 | 武汉大学 | 基于图卷积融合网络的口罩人脸识别方法、系统及设备 |
CN114360033B (zh) * | 2022-03-18 | 2022-06-14 | 武汉大学 | 基于图卷积融合网络的口罩人脸识别方法、系统及设备 |
CN115527254A (zh) * | 2022-09-21 | 2022-12-27 | 北京的卢深视科技有限公司 | 人脸识别、模型训练方法、装置、电子设备及存储介质 |
CN115620380A (zh) * | 2022-12-19 | 2023-01-17 | 成都成电金盘健康数据技术有限公司 | 一种佩戴医用口罩人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111881770B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881770B (zh) | 一种人脸识别方法及系统 | |
Song et al. | EDRNet: Encoder–decoder residual network for salient object detection of strip steel surface defects | |
Yang et al. | Faceness-net: Face detection through deep facial part responses | |
Rowley et al. | Neural network-based face detection | |
Garcia et al. | A neural architecture for fast and robust face detection | |
CN109376631B (zh) | 一种基于神经网络的回环检测方法及装置 | |
CN110348335A (zh) | 行为识别的方法、装置、终端设备及存储介质 | |
CN102938065B (zh) | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 | |
Marín et al. | Occlusion handling via random subspace classifiers for human detection | |
US20120057763A1 (en) | method for recognizing the identity of user by biometrics of palm vein | |
Wang et al. | A survey on masked facial detection methods and datasets for fighting against COVID-19 | |
WO2021031817A1 (zh) | 情绪识别方法、装置、计算机装置及存储介质 | |
Hu et al. | Towards real-time eyeblink detection in the wild: Dataset, theory and practices | |
Sanil et al. | 2d-3d facial image analysis for identification of facial features using machine learning algorithms with hyper-parameter optimization for forensics applications | |
Chen et al. | A multi-scale fusion convolutional neural network for face detection | |
CN116884045B (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
CN114118303A (zh) | 基于先验约束的人脸关键点检测方法及装置 | |
CN112750071A (zh) | 一种用户自定义的表情制作方法及系统 | |
CN113221660A (zh) | 一种基于特征融合的跨年龄人脸识别方法 | |
Hasan et al. | Gesture feature extraction for static gesture recognition | |
Chuan et al. | Head pose estimation via multi-task cascade CNN | |
Abbood et al. | Fingerprint classification techniques: A review | |
CN113158788B (zh) | 人脸表情识别方法、装置、终端设备及存储介质 | |
Gupta et al. | Three dimensional face recognition based on geodesic and euclidean distances | |
Awad et al. | Fingerprint singularity detection: A comparative study |
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 |