CN112069895A - 一种小目标的人脸识别方法及装置 - Google Patents
一种小目标的人脸识别方法及装置 Download PDFInfo
- Publication number
- CN112069895A CN112069895A CN202010770852.4A CN202010770852A CN112069895A CN 112069895 A CN112069895 A CN 112069895A CN 202010770852 A CN202010770852 A CN 202010770852A CN 112069895 A CN112069895 A CN 112069895A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- face
- face recognition
- pixel
- 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 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000001629 suppression Effects 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research 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
- G06V40/161—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
Abstract
本发明实施例提供一种小目标的人脸识别方法及装置，所述方法包括：对获取到的小目标图像进行背景滤除，得到第一图像；对所述第一图像进行噪声抑制，得到目标图像；将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。本发明实施例能够提高人脸识别的准确率。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种小目标的人脸识别方法及装置。
背景技术
人脸识别技术是利用人体面部特征来对待检测目标进行身份认证的技术，如今人脸识别技术已广泛应用。基于主成分分析算法的人脸识别方法是人脸识别最经典的算法之一，其将从人脸采集到的数据信息从高纬空间投影到低纬空间，获得基于原始图像的低维特征，从而利用低维特征信息完成人脸识别分类。在该算法的基本思想下，出现了许多新的人脸识别方法，例如：基于线性判别分析方法、稀疏表示。
近年来，将深度学习技术应用到人脸识别成为研究热点。基于深度深度学习的人脸识别方法的核心思想是通过构建多层的神经网络模型，并进行大量样本的训练后自动提取图像特征，并将其融合为更高层次的特征表示。与传统的方法相比，深度学习通过大量训练可以获得数据更深层的特征，能够对目标进行更精准的分类。
现有的基于深度学习的人脸识别方法，对待检测目标的要求为人脸图像必须清楚，人脸占整个图像的比例较大，然而，在实际应用中，人脸所占的比例往往不是很大，干扰信息很多，因此现有的人脸识别方法的人脸识别结果的准确率并不是很高，还有待提升。
发明内容
本发明实施例提供一种一种小目标的人脸识别方法及装置，以解决现有人脸识别方法要求人脸面积占图像面积较大的，而实际视频得到的人脸图像所占图像面积较小。导致识别准确率不高的技术问题，本发明实施例能够提高人脸识别的准确率。
实施例1：
本发明实施例提供一种小目标的人脸识别方法：包括：
对获取到的小目标图像进行背景滤除，得到第一图像；
对所述第一图像进行噪声抑制，得到目标图像；
将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。
进一步地，所述对所述获取到的小目标图像，得到第一图像，具体为：
采用传播滤波算法对所述小目标图像进行处理，获得背景图像；
采用所述小目标图像减去所述背景图像获得第一图像。
进一步地，所述对所述第一图像进行噪声抑制，得到目标图像，具体为：
采用阈值分割方法从所述第一图像中分割出所述目标图像。
进一步地，所述采用传播滤波算法对所述小目标图像进行处理，获得背景图像，具体为：
根据以下公式对所述小目标图像进行处理，得到所述背景图像：
Yi＝∑j∈Ω(i)WijXj
其中，X为所述小目标图像，Y背景图像，Wij表示像素i和像素j的滤波权重。
进一步地，所述采用阈值分割方法从所述第一图像中分割出所述目标图像，具体为:
将所述第一图像转换为灰度图像，并通过阈值确定方法确定阈值；
对于所述灰度图像中的每个像素，分别计算其邻域像素的数量，若所述数量小于所述阈值，则所述像素为噪声点，否则所述像素为目标像素；
对于每个目标像素，分别使用其相邻相关像素增强其亮度，得到目标图像。
进一步地，所述将所述第一图像转换为灰度图像，并通过阈值确定方法确定
阈值，具体为：
将所述第一图像转换为灰度图像，并统计所述灰度图像中灰度值小于1的像素的个数及获取所述灰度值小于1的像素的灰度值；
根据所述灰度值小于1的像素的个数和所述灰度值确定阈值。
进一步地，所述卷积神经网络的结构为改进的卷积神经网络的结构，所述改进的卷积神经网络结构为：
第一层为卷积层，使用32个卷积核，每个卷积核为3*3；
第二层、第三层为卷积层、使用32个卷积核，每个卷积核为3*3，并且每层连接的激活函数为Relu函数；
第四层为池化层，采用最大值池化法，池化窗口为2*2；
第五层为Dropout为层；
分类器：由两个全连接层核SoftMax层组成。
进一步地，所述分类器的分类损失函数为：
其中，xi为输入图像，θf为特征提取器的参数，Gf为特征提取器，θc为分类器的参数，Gc为分类器，yi为真实标注，Lc为分类损失计算函数。
本发明实施例还提供一种小目标的人脸识别装置：包括：
背景滤除单元，用于对获取到的小目标图像进行背景滤除，得到第一图像；
噪声抑制单元，用于对所述第一图像进行噪声抑制，得到目标图像；
人脸识别单元，用于将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。
进一步地，所述卷积神经网络的结构为改进的卷积神经网络的结构，所述改进的卷积神经网络结构为：
第一层为卷积层，使用32个卷积核，每个卷积核为3*3；
第二层、第三层为卷积层、使用32个卷积核，每个卷积核为3*3，并且每层连接的激活函数为Relu函数；
第四层为池化层，采用最大值池化法，池化窗口为2*2；
第五层为Dropout为层；
分类器：由两个全连接层核SoftMax层组成；
所述分类器的分类损失函数为：
其中，xi为输入图像，θf为特征提取器的参数，Gf为特征提取器，θc为分类器的参数，Gc为分类器，yi为真实标注，Lc为分类损失计算函数。
相比于现有技术，本发明实施例的有益效果在于，
本发明实施例通过对获取到的小目标图像进行背景滤除，得到第一图像；
对所述第一图像进行噪声抑制，得到目标图像；将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。本发明实施例能够提高人脸识别的准确率。
附图说明
图1是本发明实施例提供的小目标的人脸识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
本发明实施例提供一种小目标的人脸识别方法：包括步骤S1-S3
S1、对获取到的小目标图像进行背景滤除，得到第一图像。
在本发明实施例中，小目标图像指的是人脸面积所占图像面积较少的图像，可通过摄像机采集得到。由于获取得到的小目标图像包括背景图像、目标图像以及噪音图像。因此，对所述获取到的小目标图像进行背景滤除后，得到的第一图像为包括目标和噪音的图像。获取到的小目标图像，可用以下公式表示：
F(x,y)＝T(x,y)+B(x,y)+N(x,y)
其中，F是获得的小目标图像，即观测图像，T表示目标图像，B是背景图像，N是噪声图像，(x,y)表示图像的像素坐标。
作为本发明实施例的一种举例，所述对所述获取到的小目标图像，得到第一图像，具体为：
采用传播滤波算法对所述小目标图像进行处理，获得背景图像；
采用所述小目标图像减去所述背景图像获得第一图像。
在本发明实施例中，该获得背景图像的方法是基于传播滤波的原理，其理论基础是：一副图像滤波时可通过一个像素点的周围邻域进行估计，即可根据以下对所述小目标图像进行处理，得到所述背景图像：
Yi＝∑j∈Ω(i)WijXj
其中，X为所述小目标图像，Y背景图像，Wij表示像素i和像素j的滤波权重，并且传播滤波将其表达为:
其中，G(·；σ)表示方差为σ高斯核函数，Xi,Xj为像素i和像素j的空间位置坐标，
为像素i到像素j的几何距离，
为最短路径上各点与像素i的距离之和。
在得到背景图像之后，通过将摄像机获得的图像，即通过获得的小目标图像减去背景图像便可得到目标和噪音的图像。
S2、对所述第一图像进行噪声抑制，得到目标图像。
作为发明实施例的一种举例，所述第所述第一图像进行噪声抑制，得到目标图像，具体为：
采用阈值分割方法从所述第一图形中分割出所述目标图像。
作为本发明实施例的一种举例，所述采用阈值分割方法从所述第一图像中分割出所述目标图像，具体为:
将所述第一图像转换为灰度图像，并通过阈值确定方法确定阈值；
对于所述灰度图像中的每个像素，分别计算其邻域像素的数量，若所述数量小于所述阈值，则所述像素为噪声点，否则所述像素为目标像素；
对于每个目标像素，分别使用其相邻相关像素增强其亮度，得到目标图像。
在本发明实施例中，优选的，对于所述灰度图像的每一个像素，分别计算其5x5邻域像素的数量，如果该数量小于所述阈值，则认为该像素为噪声点，否则，则为认为是目标像素。在判断其为目标像素后，使用相邻相关像素增强其自身的亮度，具体的，对以该像素为中心的5x5邻域的像素进行卷积，把卷积结果替换为该像素的像素值，即可增强目标像素的亮度。由于图像由像素组成，因此，当每个目标像素亮度增强后，便可得到目标图像。
作为本发明实施例的一种举例，所述将所述第一图像转换为灰度图像，并通过阈值确定方法确定阈值，具体为：
将所述第一图像转换为灰度图像，并统计所述灰度图像中灰度值小于1的像素的个数及获取所述灰度值小于1的像素的灰度值；
根据所述灰度值小于1的像素的个数和所述灰度值确定阈值。
在本发明实施例中，所述根据所述灰度值小于1的像素的个数和所述灰度值确定阈值，具体为:
根据以下公式确定阈值：
其中，M代表灰度值均值，作为本发明实施例的阈值，n代表灰度值小于1的像素个数，I(i)代表第i个像素的灰度值。
优选地，当所述第一图像的灰度值较低时，选取M/2作为阈值。
S3、将所述目标图像输入到人脸识别模型进行人脸识别，输出人脸识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。
作为本发明实施例的一种举例，所述卷积神经网络的结构为改进的卷积神经网络的结构，所述改进的卷积神经网络结构为：
第一层为卷积层，使用32个卷积核，每个卷积核为3*3；
第二层、第三层为卷积层、使用32个卷积核，每个卷积核为3*3，并且每层连接的激活函数为Relu函数；
第四层为池化层，采用最大值池化法，池化窗口为2*2；
第五层为Dropout为层；
分类器：由两个全连接层核SoftMax层组成。
作为本发明实施例的一种举例，所述分类器的分类损失函数为：
其中，xi为输入图像，θf为特征提取器的参数，Gf为特征提取器，θc为分类器的参数，Gc为分类器，yi为真实标注，Lc为分类损失计算函数
综上，本发明实施例通过将获得的图像进行背景滤除，消除了无关信息的干扰，得到人脸表达更为精准的数据，因此，本发明实施例能够提高人脸识别结果。外，基于卷积神经网络的人脸识别模型也进一步提高了人脸识别结果的准确率，最后，采用改进的神经网络结构和分类损失函数又能够进一步提高人脸识别结果的准确率。
实施例2：
本发明实施例还提供一种小目标的人脸识别装置：包括：
背景滤除单元，用于对获取到的小目标图像进行背景滤除，得到第一图像；
噪声抑制单元，用于对所述第一图像进行噪声抑制，得到目标图像；
人脸识别单元，用于将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。
作为本发明实施例的一种举例，所述卷积神经网络的结构为改进的卷积神经网络的结构，所述改进的卷积神经网络结构为：
第一层为卷积层，使用32个卷积核，每个卷积核为3*3；
第二层、第三层为卷积层、使用32个卷积核，每个卷积核为3*3，并且每层连接的激活函数为Relu函数；
第四层为池化层，采用最大值池化法，池化窗口为2*2；
第五层为Dropout为层；
分类器：由两个全连接层核SoftMax层组成；
所述分类器的分类损失函数为：
其中，xi为输入图像，θf为特征提取器的参数，Gf为特征提取器，θc为分类器的参数，Gc为分类器，yi为真实标注，Lc为分类损失计算函数。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种小目标的人脸识别方法：其特征在于，包括：
对获取到的小目标图像进行背景滤除，得到第一图像；
对所述第一图像进行噪声抑制，得到目标图像；
将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。
2.根据权利要求1所述的小目标的人脸识别方法，其特征在于，所述对所述获取到的小目标图像，得到第一图像，具体为：
采用传播滤波算法对所述小目标图像进行处理，获得背景图像；
采用所述小目标图像减去所述背景图像获得第一图像。
3.根据权利要求1所述的小目标人脸识别方法，其特征在于，所述对所述第一图像进行噪声抑制，得到目标图像，具体为：
采用阈值分割方法从所述第一图像中分割出所述目标图像。
4.根据权利要求2所述的小目标的人脸识别方法，其特征在于，所述采用传播滤波算法对所述小目标图像进行处理，获得背景图像，具体为：
根据以下公式对所述小目标图像进行处理，得到所述背景图像：
Yi＝∑j∈Ω(i)WijXj
其中，X为所述小目标图像，Y背景图像，Wij表示像素i和像素j的滤波权重。
5.根据权利要求3所述的小目标的人脸识别方法，其特征在于，所述采用阈值分割方法从所述第一图像中分割出所述目标图像，具体为:
将所述第一图像转换为灰度图像，并通过阈值确定方法确定阈值；
对于所述灰度图像中的每个像素，分别计算其邻域像素的数量，若所述数量小于所述阈值，则所述像素为噪声点，否则所述像素为目标像素；
对于每个目标像素，分别使用其相邻相关像素增强其亮度，得到目标图像。
6.根据权利要求5所述的小目标的人脸识别方法，其特征在于，所述将所述第一图像转换为灰度图像，并通过阈值确定方法确定阈值，具体为：
将所述第一图像转换为灰度图像，并统计所述灰度图像中灰度值小于1的像素的个数及获取所述灰度值小于1的像素的灰度值；
根据所述灰度值小于1的像素的个数和所述灰度值确定阈值。
7.根据权利要求1所述的小目标的人脸识别方法，其特征在于，所述卷积神经网络的结构为改进的卷积神经网络的结构，所述改进的卷积神经网络结构为：
第一层为卷积层，使用32个卷积核，每个卷积核为3*3；
第二层、第三层为卷积层、使用32个卷积核，每个卷积核为3*3，并且每层连接的激活函数为Relu函数；
第四层为池化层，采用最大值池化法，池化窗口为2*2；
第五层为Dropout为层；
分类器：由两个全连接层核SoftMax层组成。
8.根据权利要求7所述的小目标的人脸识别方法，其特征在于，所述分类器的分类损失函数为：
其中，xi为输入图像，θf为特征提取器的参数，Gf为特征提取器，θc为分类器的参数，Gc为分类器，yi为真实标注，Lc为分类损失计算函数。
9.一种小目标的人脸识别装置：其特征在于，包括：
背景滤除单元，用于对获取到的小目标图像进行背景滤除，得到第一图像；
噪声抑制单元，用于对所述第一图像进行噪声抑制，得到目标图像；
人脸识别单元，用于将所述目标图像输入到人脸识别模型进行人脸识别，输出识别结果；其中，所述人脸识别模型通过采用人脸图像及与所述人脸图像对应的标签作为卷积神经网络的训练集训练得到。
10.根据权利要求9所述的小目标的人脸识别装置，其特征在于，所述卷积神经网络的结构为改进的卷积神经网络的结构，所述改进的卷积神经网络结构为：
第一层为卷积层，使用32个卷积核，每个卷积核为3*3；
第二层、第三层为卷积层、使用32个卷积核，每个卷积核为3*3，并且每层连接的激活函数为Relu函数；
第四层为池化层，采用最大值池化法，池化窗口为2*2；
第五层为Dropout为层；
分类器：由两个全连接层核SoftMax层组成；
所述分类器的分类损失函数为：
其中，xi为输入图像，θf为特征提取器的参数，Gf为特征提取器，θc为分类器的参数，Gc为分类器，yi为真实标注，Lc为分类损失计算函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770852.4A CN112069895A (zh) | 2020-08-03 | 2020-08-03 | 一种小目标的人脸识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770852.4A CN112069895A (zh) | 2020-08-03 | 2020-08-03 | 一种小目标的人脸识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112069895A true CN112069895A (zh) | 2020-12-11 |
Family
ID=73656263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010770852.4A Pending CN112069895A (zh) | 2020-08-03 | 2020-08-03 | 一种小目标的人脸识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069895A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631296A (zh) * | 2015-12-30 | 2016-06-01 | 北京工业大学 | 一种基于cnn特征提取器的安全人脸认证系统设计方法 |
| CN106250877A (zh) * | 2016-08-19 | 2016-12-21 | 深圳市赛为智能股份有限公司 | 近红外人脸识别方法及装置 |
| CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
| CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
| CN107609459A (zh) * | 2016-12-15 | 2018-01-19 | 平安科技（深圳）有限公司 | 一种基于深度学习的人脸识别方法及装置 |
| CN108427921A (zh) * | 2018-02-28 | 2018-08-21 | 辽宁科技大学 | 一种基于卷积神经网络的人脸识别方法 |
| CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
| CN110084216A (zh) * | 2019-05-06 | 2019-08-02 | 苏州科达科技股份有限公司 | 人脸识别模型训练和人脸识别方法、系统、设备及介质 |
| CN110135313A (zh) * | 2019-05-07 | 2019-08-16 | 西安募格网络科技有限公司 | 一种基于卷积神经网络的年龄判断方法 |
| CN110197102A (zh) * | 2018-02-27 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 人脸识别方法及装置 |
| CN110458097A (zh) * | 2019-08-09 | 2019-11-15 | 软通动力信息技术有限公司 | 一种人脸图片识别方法、装置、电子设备及存储介质 |
| CN111079514A (zh) * | 2019-10-28 | 2020-04-28 | 湖北工业大学 | 一种基于clbp和卷积神经网络的人脸识别方法 |
-
2020
- 2020-08-03 CN CN202010770852.4A patent/CN112069895A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631296A (zh) * | 2015-12-30 | 2016-06-01 | 北京工业大学 | 一种基于cnn特征提取器的安全人脸认证系统设计方法 |
| CN106250877A (zh) * | 2016-08-19 | 2016-12-21 | 深圳市赛为智能股份有限公司 | 近红外人脸识别方法及装置 |
| CN107609459A (zh) * | 2016-12-15 | 2018-01-19 | 平安科技（深圳）有限公司 | 一种基于深度学习的人脸识别方法及装置 |
| CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
| CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
| CN110197102A (zh) * | 2018-02-27 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 人脸识别方法及装置 |
| CN108427921A (zh) * | 2018-02-28 | 2018-08-21 | 辽宁科技大学 | 一种基于卷积神经网络的人脸识别方法 |
| CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
| CN110084216A (zh) * | 2019-05-06 | 2019-08-02 | 苏州科达科技股份有限公司 | 人脸识别模型训练和人脸识别方法、系统、设备及介质 |
| CN110135313A (zh) * | 2019-05-07 | 2019-08-16 | 西安募格网络科技有限公司 | 一种基于卷积神经网络的年龄判断方法 |
| CN110458097A (zh) * | 2019-08-09 | 2019-11-15 | 软通动力信息技术有限公司 | 一种人脸图片识别方法、装置、电子设备及存储介质 |
| CN111079514A (zh) * | 2019-10-28 | 2020-04-28 | 湖北工业大学 | 一种基于clbp和卷积神经网络的人脸识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋琼: "红外图像质量增强及小目标检测算法研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 1, pages 135 - 14 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845487B (zh) | 一种端到端的车牌识别方法 | |
| Rao et al. | Selfie video based continuous Indian sign language recognition system | |
| CN109344701B (zh) | 一种基于Kinect的动态手势识别方法 | |
| US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
| US8233676B2 (en) | Real-time body segmentation system | |
| CN106297755B (zh) | 一种用于乐谱图像识别的电子设备及识别方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| KR20160143494A (ko) | 현저성 정보 취득 장치 및 현저성 정보 취득 방법 | |
| CN110378324B (zh) | 一种基于质量维度的人脸识别算法评估方法 | |
| CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
| CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
| CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
| CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
| CN110097050B (zh) | 行人检测方法、装置、计算机设备及存储介质 | |
| KR102132407B1 (ko) | 점진적 딥러닝 학습을 이용한 적응적 영상 인식 기반 감성 추정 방법 및 장치 | |
| CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
| WO2019167784A1 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
| CN112883941A (zh) | 一种基于并行神经网络的人脸表情识别方法 | |
| CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
| CN110852292B (zh) | 一种基于跨模态多任务深度度量学习的草图人脸识别方法 | |
| CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
| CN111507252A (zh) | 人体跌倒检测装置、方法、电子终端及存储介质 | |
| KR20180092453A (ko) | Cnn과 스테레오 이미지를 이용한 얼굴 인식 방법 | |
| CN110910497A (zh) | 实现增强现实地图的方法和系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No.95, Yingbin Avenue, Huadu District, Guangzhou, Guangdong 510000 Applicant after: CLP Science and Technology Co.,Ltd. Address before: 510310 No. 381 middle Xingang Road, Guangzhou, Guangdong, Haizhuqu District Applicant before: GCI SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231019 Address after: No.95, Yingbin Avenue, Huadu District, Guangzhou, Guangdong 510000 Applicant after: CLP Science and Technology Co.,Ltd. Applicant after: Jiangxi military civilian integration Research Institute Address before: No.95, Yingbin Avenue, Huadu District, Guangzhou, Guangdong 510000 Applicant before: CLP Science and Technology Co.,Ltd. |