CN112131997A - 一种基于深度学习的人脸识别系统和方法 - Google Patents

一种基于深度学习的人脸识别系统和方法 Download PDF

Info

Publication number
CN112131997A
CN112131997A CN202010980684.1A CN202010980684A CN112131997A CN 112131997 A CN112131997 A CN 112131997A CN 202010980684 A CN202010980684 A CN 202010980684A CN 112131997 A CN112131997 A CN 112131997A
Authority
CN
China
Prior art keywords
module
face
deep learning
layer
convolutional
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
Application number
CN202010980684.1A
Other languages
English (en)
Inventor
马宏兵
刘涛
费庆
武利强
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.)
Nanjing Zhining Artificial Intelligence Research Institute Co ltd
Original Assignee
Nanjing Zhining Artificial Intelligence Research Institute 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 Nanjing Zhining Artificial Intelligence Research Institute Co ltd filed Critical Nanjing Zhining Artificial Intelligence Research Institute Co ltd
Priority to CN202010980684.1A priority Critical patent/CN112131997A/zh
Publication of CN112131997A publication Critical patent/CN112131997A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19639—Details of the system layout
    • G08B13/19645—Multiple cameras, each having view on one of a plurality of scenes, e.g. multiple cameras for multi-room surveillance or for tracking an object by view hand-over

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的人脸识别系统和方法，包括：人脸采集模块、特征提取模块、匹配识别模块、深度学习训练模块和人脸数据库，特征提取模块分别与人脸采集模块、匹配识别模块和深度学习训练模块连接，人脸数据库与深度学习训练模块连接；卷积神经网络模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层和全连接层。本发明通过深度学习训练模块训练得到卷积神经网络模型，实现了卷积神经网络模型对人脸识别过程中的特征提取，解决了现有人脸识别正确率和效率低的问题。

Description

一种基于深度学习的人脸识别系统和方法
技术领域
本发明涉及计算机视觉与模式识别技术领域，更具体的说是涉及一种基于深度学习的人脸识别系统和方法。
背景技术
人脸识别问题一直是图像处理领域中一个热门的方向，在传统的图像识别领域，基本上是人工提取特征，不仅费时而且费力，更无法保证特征的有效性，而利用深度学习进行特征提取则回避了这个问题。
深度学习是机器学习中一种基于对数据进行表征学习的方法。采用非监督式或半监督式的特征学习和分层特征替代手工获取特征。在人脸识别领域拥有很强的鲁棒性，以及极高的识别率。
因此，如何提供一种基于深度学习的人脸识别系统和方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于深度学习的人脸识别系统和方法，提高人脸识别精确度以及识别效率。
为了实现上述目的，本发明采用如下技术方案：
一种基于深度学习的人脸识别系统，包括：人脸采集模块、特征提取模块、匹配识别模块、深度学习训练模块和人脸数据库，所述特征提取模块分别与所述人脸采集模块、所述匹配识别模块和所述深度学习训练模块连接，所述人脸数据库与所述深度学习训练模块连接；
所述人脸数据库用于为训练模型提供面部图像样本；
所述深度学习训练模块采用卷积神经网络算法对人脸数据库图像进行训练，获取卷积神经网络模型；
所述人脸采集模块用于采集待识别的人脸图像；
所述特征提取模块根据训练好的所述卷积神经网络模型对人脸图像进行特征提取；
所述匹配识别模块用于根据人脸特征进行对比识别，得到人脸识别结果；
所述卷积神经网络模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层和全连接层，所述第一卷积层和所述第一池化层之间、所述第二卷积层和所述第二池化层之间、所述第三卷积层和所述第四卷积层之间以及所述第五卷积层和所述第三池化层之间分别设置有Relu函数。
进一步，还包括人员信息存储模块，所述人员信息存储模块分别与所述特征提取模块和所述匹配识别模块连接，用于存储人脸信息。
进一步，还包括报警模块，所述报警模块与所述匹配识别模块连接，用于当所述匹配识别模块检测不到与待识别人员匹配的样本图像时生成报警信号，所述报警信号的标识为未知人员闯入。
进一步，还包括显示模块，所述显示模块分别与所述人脸采集模块和所述匹配识别模块连接，用于信息显示。
进一步，所述人脸采集模块包括多路摄像头。
一种基于深度学习的人脸识别方法，包括以下步骤：
步骤1：通过人脸数据库中的训练样本训练卷积神经网络模型，得出训练好的网络参数；
步骤2：人脸采集模块采集待识别的人脸图像，特征提取模块通过训练好的卷积神经网络模型对所述人脸图像进行特征提取；
步骤3：匹配识别模块将提取的人脸特征与人员信息存储模块中的人脸信息进行对比识别，输出人脸识别结果。
进一步，还包括以下：
当所述匹配识别模块检测不到与待识别人员匹配的样本图像时，报警模块生成报警信号，所述报警信号的标识为未知人员闯入。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的人脸识别系统和方法，通过深度学习训练模块训练得到卷积神经网络模型，实现了卷积神经网络模型对人脸识别过程中的特征提取，解决了现有人脸识别正确率和效率低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的实施例，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获得其他的附图。
图1附图为本发明提供的基于深度学习的人脸识别系统结构示意图。
图2附图为本发明提供的基于深度学习的人脸识别方法流程图。
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。
实施例1，如图1所示，本发明实施例公开了一种基于深度学习的人脸识别系统，包括：人脸采集模块、特征提取模块、匹配识别模块、深度学习训练模块和人脸数据库，特征提取模块分别与人脸采集模块、匹配识别模块和深度学习训练模块连接，人脸数据库与深度学习训练模块连接；
人脸数据库用于为训练模型提供面部图像样本；
深度学习训练模块采用卷积神经网络算法对人脸数据库图像进行训练，获取卷积神经网络模型；
人脸采集模块用于采集待识别的人脸图像；
特征提取模块根据训练好的卷积神经网络模型对人脸图像进行特征提取；
匹配识别模块用于根据人员信息存储模块中预先存储的人脸信息与人脸特征进行对比识别，得到人脸识别结果；
在该实施例中，特征识别模型为卷积神经网络，卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和第三池化层。
在深度神经网络中，通常使用修正线性单元(Rectifiedlinearunit，Relu)作为神经元的激活函数。通过Relu实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据。因此，在该实施例中，第一卷积层和第一池化层之间、第二卷积层和第二池化层之间、第三卷积层和第四卷积层之间以及第五卷积层和第三池化层之间分别设置有一Relu函数。
卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。池化层由多个特征面组成，它的每一个特征面对应于其上一层的一个特征面，不会改变特征面的个数。池化层旨在通过降低特征面的分辨率来获得具有空间不变性的特征。池化层起到二次提取特征的作用，它的每个神经元对局部接受域进行池化操作。常用的池化方法有最大池化即取局部接收域中值最大的点、均值池化即对局部接收域中的所有值求均值、随机池化等，本实例主要采用最大池化方法。因此，卷积层和池化层的合理配合可以更好地提取人脸特征。
在本实施例中，为了防止未知人员闯入，设置有报警模块，报警模块与匹配识别模块连接，用于当匹配识别模块检测不到与待识别人员匹配的样本图像时生成报警信号。
在本实施例中，还包括显示模块，显示模块分别与人脸采集模块和匹配识别模块连接，当匹配识别模块未匹配到相似人脸时，显示模块显示“未匹配到识别结果”。
实施例2，如图2所示，本发明实施例公开了一种基于深度学习的人脸识别方法，包括：
步骤1：通过人脸数据库中的训练样本训练卷积神经网络模型，得出训练好的网络参数；
步骤2：人脸采集模块采集待识别的人脸图像，特征提取模块通过训练好的卷积神经网络对人脸图像进行特征提取；
步骤3：匹配识别模块将提取的人脸特征与人员信息存储模块中的人脸信息进行对比识别，当匹配时，输出人脸识别结果；
当匹配识别模块检测不到与待识别人员匹配的样本图像时，报警模块生成报警信号，报警信号的标识为未知人员闯入，同时显示模块显示“未匹配到识别结果”。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于深度学习的人脸识别系统，其特征在于，包括：人脸采集模块、特征提取模块、匹配识别模块、深度学习训练模块和人脸数据库，所述特征提取模块分别与所述人脸采集模块、所述匹配识别模块和所述深度学习训练模块连接，所述人脸数据库与所述深度学习训练模块连接；
所述人脸数据库用于为训练模型提供面部图像样本；
所述深度学习训练模块采用卷积神经网络算法对人脸数据库图像进行训练，获取卷积神经网络模型；
所述人脸采集模块用于采集待识别的人脸图像；
所述特征提取模块根据训练好的所述卷积神经网络模型对人脸图像进行特征提取；
所述匹配识别模块用于根据人脸特征进行对比识别，得到人脸识别结果；
所述卷积神经网络模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层和全连接层，所述第一卷积层和所述第一池化层之间、所述第二卷积层和所述第二池化层之间、所述第三卷积层和所述第四卷积层之间以及所述第五卷积层和所述第三池化层之间分别设置有Relu函数。
2.根据权利要求1所述的一种基于深度学习的人脸识别系统，其特征在于，还包括人员信息存储模块，所述人员信息存储模块分别与所述特征提取模块和所述匹配识别模块连接，用于存储人脸信息。
3.根据权利要求2所述的一种基于深度学习的人脸识别系统，其特征在于，还包括报警模块，所述报警模块与所述匹配识别模块连接，用于当所述匹配识别模块检测不到与待识别人员匹配的样本图像时生成报警信号，所述报警信号的标识为未知人员闯入。
4.根据权利要求1～3任意一项所述的一种基于深度学习的人脸识别系统，其特征在于，还包括显示模块，所述显示模块分别与所述人脸采集模块和所述匹配识别模块连接，用于信息显示。
5.根据权利要求4所述的一种基于深度学习的人脸识别系统，其特征在于，所述人脸采集模块包括多路摄像头。
6.一种基于深度学习的人脸识别方法，其特征在于，包括以下步骤：
步骤1：通过人脸数据库中的训练样本训练卷积神经网络模型，得出训练好的网络参数；
步骤2：人脸采集模块采集待识别的人脸图像，特征提取模块通过训练好的卷积神经网络模型对所述人脸图像进行特征提取；
步骤3：匹配识别模块将提取的人脸特征与人员信息存储模块中的人脸信息进行对比识别，输出人脸识别结果。
7.根据权利要求6所述的一种基于深度学习的人脸识别方法，其特征在于，还包括以下：
当所述匹配识别模块检测不到与待识别人员匹配的样本图像时，报警模块生成报警信号，所述报警信号的标识为未知人员闯入。
CN202010980684.1A 2020-09-17 2020-09-17 一种基于深度学习的人脸识别系统和方法 Pending CN112131997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010980684.1A CN112131997A (zh) 2020-09-17 2020-09-17 一种基于深度学习的人脸识别系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010980684.1A CN112131997A (zh) 2020-09-17 2020-09-17 一种基于深度学习的人脸识别系统和方法

Publications (1)

Publication Number Publication Date
CN112131997A true CN112131997A (zh) 2020-12-25

Family

ID=73846055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010980684.1A Pending CN112131997A (zh) 2020-09-17 2020-09-17 一种基于深度学习的人脸识别系统和方法

Country Status (1)

Country Link
CN (1) CN112131997A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076915A (zh) * 2021-04-19 2021-07-06 北京交通大学 一种机器学习的人脸识别装置
CN113255544A (zh) * 2021-06-02 2021-08-13 通号智慧城市研究设计院有限公司 一种基于深度学习模型的人脸识别方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803301A (zh) * 2017-03-28 2017-06-06 广东工业大学 一种基于深度学习的人脸识别门禁方法及系统
CN107247949A (zh) * 2017-08-02 2017-10-13 北京智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
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
CN107992844A (zh) * 2017-12-14 2018-05-04 合肥寰景信息技术有限公司 基于深度学习的人脸识别系统及方法
CN109376679A (zh) * 2018-11-05 2019-02-22 绍兴文理学院 一种基于深度学习的人脸识别系统及方法
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803301A (zh) * 2017-03-28 2017-06-06 广东工业大学 一种基于深度学习的人脸识别门禁方法及系统
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
CN107247949A (zh) * 2017-08-02 2017-10-13 北京智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN107992844A (zh) * 2017-12-14 2018-05-04 合肥寰景信息技术有限公司 基于深度学习的人脸识别系统及方法
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN109376679A (zh) * 2018-11-05 2019-02-22 绍兴文理学院 一种基于深度学习的人脸识别系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076915A (zh) * 2021-04-19 2021-07-06 北京交通大学 一种机器学习的人脸识别装置
CN113076915B (zh) * 2021-04-19 2024-02-02 北京交通大学 一种机器学习的人脸识别装置
CN113255544A (zh) * 2021-06-02 2021-08-13 通号智慧城市研究设计院有限公司 一种基于深度学习模型的人脸识别方法和系统

Similar Documents

Publication Publication Date Title
Alsmirat et al. Impact of digital fingerprint image quality on the fingerprint recognition accuracy
Lee et al. Intra-class variation reduction using training expression images for sparse representation based facial expression recognition
CN112016401B (zh) 基于跨模态行人重识别方法及装置
CN102737234B (zh) 基于Gabor滤波和联合稀疏模型的人脸识别方法
Wang et al. P2snet: Can an image match a video for person re-identification in an end-to-end way?
Seal et al. Human face recognition using random forest based fusion of à-trous wavelet transform coefficients from thermal and visible images
Gudigar et al. Local texture patterns for traffic sign recognition using higher order spectra
CN111931548B (zh) 人脸识别系统、建立人脸识别数据的方法及人脸识别方法
CN112131997A (zh) 一种基于深度学习的人脸识别系统和方法
US20200193117A1 (en) Method and system for neural fingerprint enhancement for fingerprint recognition
Kamboj et al. CED-Net: context-aware ear detection network for unconstrained images
Wu et al. Comparative analysis and application of LBP face image recognition algorithms
Sharma et al. An efficient partial occluded face recognition system
Viedma et al. Relevant features for gender classification in NIR periocular images
Behera et al. Twin deep convolutional neural network-based cross-spectral periocular recognition
Ibsen et al. Impact of facial tattoos and paintings on face recognition systems
Saha et al. Topomorphological approach to automatic posture recognition in ballet dance
Haq et al. Notice of retraction: Face recognition by svm using local binary patterns
Lohith et al. Multimodal biometric person authentication using face, ear and periocular region based on convolution neural networks
El-Sayed et al. An identification system using eye detection based on wavelets and neural networks
Yang et al. Face recognition based on Weber symmetrical local graph structure
Li et al. Facial expression recognition based on Gabor and conditional random fields
Shilpa et al. Hybrid deep learning approach for face spoofing detection
CN112380369A (zh) 图像检索模型的训练方法、装置、设备和存储介质
Sehgal Palm recognition using LBP and SVM

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