CN112200154A - 一种戴口罩人脸识别方法、装置、电子设备及存储介质 - Google Patents

一种戴口罩人脸识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112200154A
CN112200154A CN202011291128.XA CN202011291128A CN112200154A CN 112200154 A CN112200154 A CN 112200154A CN 202011291128 A CN202011291128 A CN 202011291128A CN 112200154 A CN112200154 A CN 112200154A
Authority
CN
China
Prior art keywords
face
mask
network
student
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.)
Pending
Application number
CN202011291128.XA
Other languages
English (en)
Inventor
王力
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.)
Suzhou Founder Purvar Information Technology Co ltd
Original Assignee
Suzhou Founder Purvar Information 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 Suzhou Founder Purvar Information Technology Co ltd filed Critical Suzhou Founder Purvar Information Technology Co ltd
Priority to CN202011291128.XA priority Critical patent/CN112200154A/zh
Publication of CN112200154A publication Critical patent/CN112200154A/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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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

Landscapes

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

Abstract

本发明提供一种戴口罩人脸识别方法、装置、电子设备及存储介质，该方法包括：将arcface人脸识别模型拆分成主干网络和教师网络；将主干网络输出特征的下半部分置为零，模拟戴口罩后特征减少的特征图；构建学生网络，将特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；输入人脸图像，将教师网络和学生网络得到的特征向量分别存入数据库中；根据待识别人脸是否佩戴口罩，将教师网络或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。该方案可以减少模型训练中样本采集标注过程的工作量，训练速度快，实现过程简单，且识别结果准确可靠。

Description

一种戴口罩人脸识别方法、装置、电子设备及存储介质
技术领域
本发明涉及人脸识别领域，尤其涉及一种戴口罩人脸识别方法、装置、电子设备及存储介质。
背景技术
随着人们的卫生逐渐增强，对流行疾病的防范意识有显著提高，越来越多人在出入各种公共场合时会选择佩戴口罩，然而佩戴口罩会导致人脸识别准确率大大下降，因此有必要对现有的人脸识别模型进行改进以适应戴口罩人脸检测场景。
当前，由于戴口罩会导致人脸可用的像素区域减少，目前业内公开的真实的戴口罩人脸的人脸识别数据集较少，无法直接作为模型训练的数据使用，需要重新采集大量的数据来对模型进行训练，而这样不仅训练过程慢，同时也大大增加工作量。
发明内容
有鉴于此，本发明实施例提供了一种戴口罩人脸识别方法、装置、电子设备及存储介质，以解决现有戴口罩人脸识别训练过程慢，且工作量大的问题。
在本发明实施例的第一方面，提供了一种戴口罩人脸识别方法，包括：
将开源的arcface人脸识别模型拆分成主干网络和教师网络；
将主干网络输出特征的下半部分置为零，模拟人脸戴口罩后特征减少的特征图；
构建学生网络，将人脸戴口罩后特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；
定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；
输入未戴口罩人脸至训练好的人脸识别模型中，将教师网络和学生网络得到特征向量分别存入人脸识别数据库中；
根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。
在本发明实施例的第二方面，提供了一种用于戴口罩人脸识别的装置，包括：
拆分单元，用于将开源的arcface人脸识别模型拆分成主干网络和教师网络；
模拟单元，用于将主干网络输出特征的下半部分置为零，模拟人脸戴口罩后特征减少的特征图；
构建单元，用于构建学生网络，将人脸戴口罩后特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；
训练单元，用于定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；
输入单元，用于输入未戴口罩人脸至训练好的人脸识别模型中，将教师网络和学生网络得到特征向量分别存入人脸识别数据库中；
比对单元，用于根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。
在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面，提供了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程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中，通过对现有开源的人脸识别模型拆分，将主干网络输出特征置为0，模拟戴口罩后特征减少后的人脸，构建学生网络，定义距离损失和三元组损失作为联合损失函数进行模型训练，基于教师网络和学生网络，从而可以对戴口罩和未戴口罩人脸分别进行特征比对，识别人脸。省略了传统的softmax分类层，减少大量模型参数，并基于掩膜模拟戴口罩人脸特征丢失，方便使用人脸数据集进行模型训练，减少样本采集标注的工作量在已有的人脸检测模型基础上，同时提取戴口罩和未戴口罩人脸特征，相对于现有采集样本训练的方法，减少了模型参数和计算量，训练过程简单高效，由此，解决了现有戴口罩人脸识别训练过程慢，且工作量大的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种戴口罩人脸识别方法的流程示意图；
图2为本发明的一个实施例提供的一种戴口罩人脸识别模型的结构示意图；
图3为本发明的一个实施例提供的一种用于戴口罩人脸识别的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1，图1为本发明一个实施例提供的一种戴口罩人脸识别方法的流程示意图，包括：
S101、将开源的arcface人脸识别模型拆分成主干网络和教师网络；
具体的，使用开源的arcface人脸识别模型做为基线，从中间的特征层开始，选择上半部分作为arcface模型主干，下半部分作为教师网络。教师网络可以输出512维度的特征向量。
S102、将主干网络输出特征的下半部分置为零，模拟人脸戴口罩后特征减少的特征图；
示例性的，取主干网络输出的特征层为特征f，将特征图f的下3/7区域的特征值置为0，用于模拟带口罩后导致的人脸特征减少，记为fm。
S103、构建学生网络，将人脸戴口罩后特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；
在已有的人脸特征图上，增加掩膜，将特征减少后的人脸特征作为学生网络的输入。
S104、定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；
定义距离损失为：
Figure BDA0002783891230000041
表示最小化vm与v之间的距离，其意义为使得二者更为靠近。
定义三元组损失为：
Figure BDA0002783891230000051
其中，
Figure BDA0002783891230000052
表示同类的距离，
Figure BDA0002783891230000053
表示不同类间的距离，
Figure BDA0002783891230000054
表示锚定人脸通过学生模型得到的特征向量，
Figure BDA0002783891230000055
表示与锚定人脸同一类别的人脸通过学生模型得到的特征向量，
Figure BDA0002783891230000056
表示与锚定人脸不同类的人脸通过学生模型得到的特征向量，α表示同类距离和不同类距离间的间隔，值越大表示二者应该离得越远。
所述联合损失函数为：L＝Lcos+LTriplet，其中，Lcos表示特征之间的余弦距离损失，其值越大表示特征向量间距离越大，越不相似，LTriplet表示三元组损失。
其中，挑选锚定人脸，以及与其类别相同的人脸和类别不同的人脸作为合适的三元组，形成同一批次的图像输入到网络中。
可以理解的是，本发明实施例中使用已经训练好的arcface模型作为基线，因此联合损失函数计算得到的梯度只用于训练学生网络。
S105、输入未戴口罩人脸至训练好的人脸识别模型中，将教师网络和学生网络得到特征向量分别存入人脸识别数据库中；
对于训练后的模型，输入一张未戴口罩的人脸图像，可以通过教师模型和学生模型获得两个特征向量，将两个特征向量分别存入人脸识别数据库
S106、根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。
具体的，通过开源的retinaface人脸检测模型检测判断待识别人脸是否佩戴口罩；
若未佩戴口罩，将检测到的人脸图像输入模型中，得到教师模型向量，将其与数据库中教师模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果，其中，人脸特征相似度通过余弦距离衡量；
若佩戴口罩，则将检测到的人脸图像输入模型中得到学生网络模型向量，并与数据库中学生模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果。
在一个实施例中，如图2所示，对于输入的人脸图像，通过arcface模型的主干网络提取人脸特征图，将其输入教师网络中，可以得到未戴口罩的人脸特征向量。在人脸特征图中增加掩膜(mask)后，输入学生网络，可以得到戴口罩人脸特征向量。由此，可以分别对人脸戴口罩和未戴口罩进行检测识别。
本实施例提供的方法，省略了传统的softmax分类层，减少了大量的模型参数。针对真实的戴口罩人脸识别数据集较少的问题，使用掩膜来模拟戴口罩导致的人脸特征的丢失，使用已有的人脸识别训练数据集即可完成训练，训练速度快、流程简单，减少工作量。同时，可以实现对戴口罩人脸和未戴口罩人脸特征向量的提取，仅增加一小部分的参数和计算量。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种用于戴口罩人脸识别的装置的结构示意图，该装置包括：
拆分单元310，用于将开源的arcface人脸识别模型拆分成主干网络和教师网络；
模拟单元320，用于将主干网络输出特征的下半部分置为零，模拟人脸戴口罩后特征减少的特征图；
构建单元330，用于构建学生网络，将人脸戴口罩后特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；
训练单元340，用于定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；
其中，所述联合损失函数为L＝Lcos+LTriplet，其中，Lcos表示特征之间的余弦距离损失，其值越大表示特征向量间距离越大，越不相似。LTriplet表示三元组损失，
Figure BDA0002783891230000071
Figure BDA0002783891230000072
表示同类的距离，
Figure BDA0002783891230000073
表示不同类间的距离，
Figure BDA0002783891230000074
表示锚定人脸通过学生模型得到的特征向量，
Figure BDA0002783891230000075
表示与锚定人脸同一类别的人脸通过学生模型得到的特征向量，
Figure BDA0002783891230000076
表示与锚定人脸不同类的人脸通过学生模型得到的特征向量，α表示同类距离和不同类距离间的间隔，值越大表示二者应该离得越远。
进一步的，挑选锚定人脸，以及与锚定人脸类别相同的人脸和类别不同的人脸作为合适的三元组，形成同一批次的图像输入至学生网络中。
输入单元350，用于输入未戴口罩人脸至训练好的人脸识别模型中，将教师网络和学生网络得到特征向量分别存入人脸识别数据库中；
比对单元360，用于根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。
具体的，所述比对单元360包括：
判断模块，用于通过开源的retinaface人脸检测模型检测判断待识别人脸是否佩戴口罩；
第一比对模块，若未佩戴口罩，将检测到的人脸图像输入教师模型中，并与数据库中教师模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果，其中，人脸特征相似度通过余弦距离衡量；
第二比对模块，若佩戴口罩，则将检测到的人脸图像输入学生模型中，并与数据库中学生模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果。
可以理解的是，在一个实施例中，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序执行如实施例一中步骤S101～S106，处理器执行所述计算机程序时实现戴口罩人脸识别模型的训练，以及对输入人脸的识别。
本领域普通技术人员可以理解实现上述实施例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，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤S101～S106，所述的存储介质包括如：ROM/RAM、磁碟、光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种戴口罩人脸识别方法，其特征在于，包括：
将开源的arcface人脸识别模型拆分成主干网络和教师网络；
将主干网络输出特征的下半部分置为零，模拟人脸戴口罩后特征减少的特征图；
构建学生网络，将人脸戴口罩后特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；
定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；
输入未戴口罩人脸至训练好的人脸识别模型中，将教师网络和学生网络得到特征向量分别存入人脸识别数据库中；
根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。
2.根据权利要求1所述方法，其特征在于，所述联合损失函数为L＝Lcos+LTriplet，其中，Lcos表示特征之间的余弦距离损失，LTriplet表示三元组损失，
Figure FDA0002783891220000011
Figure FDA0002783891220000012
表示同类的距离，
Figure FDA0002783891220000013
表示不同类间的距离，
Figure FDA0002783891220000014
表示锚定人脸通过学生模型得到的特征向量，
Figure FDA0002783891220000015
表示与锚定人脸同一类别的人脸通过学生模型得到的特征向量，
Figure FDA0002783891220000016
表示与锚定人脸不同类的人脸通过学生模型得到的特征向量，α表示同类距离和不同类距离间的间隔。
3.根据权利要求1所述方法，其特征在于，所述定义距离损失和三元组损失作为联合损失函数对学生模型进行训练还包括：
挑选锚定人脸，以及与锚定人脸类别相同的人脸和类别不同的人脸作为合适的三元组，形成同一批次的图像输入至学生网络中。
4.根据权利要求1所述方法，其特征在于，所述根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果具体为：
通过开源的retinaface人脸检测模型检测判断待识别人脸是否佩戴口罩；
若未佩戴口罩，将检测到的人脸图像输入教师模型中，并与数据库中教师模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果，其中，人脸特征相似度通过余弦距离衡量；
若佩戴口罩，则将检测到的人脸图像输入学生模型中，并与数据库中学生模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果。
5.一种用于戴口罩人脸识别的装置，其特征在于，包括：
拆分单元，用于将开源的arcface人脸识别模型拆分成主干网络和教师网络；
模拟单元，用于将主干网络输出特征的下半部分置为零，模拟人脸戴口罩后特征减少的特征图；
构建单元，用于构建学生网络，将人脸戴口罩后特征减少的特征图输入学生网络得到掩膜处理后的人脸特征向量；
训练单元，用于定义距离损失和三元组损失作为联合损失函数对学生模型进行训练；
输入单元，用于输入未戴口罩人脸至训练好的人脸识别模型中，将教师网络和学生网络得到特征向量分别存入人脸识别数据库中；
比对单元，用于根据待识别人脸是否佩戴口罩，将教师网络的人脸特征向量或学生网络的人脸特征向量与待识别人脸特征进行比对，输出人脸识别结果。
6.根据权利要求5所述装置，其特征在于，所述联合损失函数为L＝Lcos+LTriplet，其中，Lcos表示特征之间的余弦距离损失，LTriplet表示三元组损失，
Figure FDA0002783891220000031
Figure FDA0002783891220000032
表示同类的距离，
Figure FDA0002783891220000033
表示不同类间的距离，
Figure FDA0002783891220000034
表示锚定人脸通过学生模型得到的特征向量，
Figure FDA0002783891220000035
表示与锚定人脸同一类别的人脸通过学生模型得到的特征向量，
Figure FDA0002783891220000036
表示与锚定人脸不同类的人脸通过学生模型得到的特征向量，α表示同类距离和不同类距离间的间隔。
7.根据权利要求5所述装置，其特征在于，所述定义距离损失和三元组损失作为联合损失函数对学生模型进行训练还包括：
挑选锚定人脸，以及与锚定人脸类别相同的人脸和类别不同的人脸作为合适的三元组，形成同一批次的图像输入至学生网络中。
8.根据权利要求5所述装置，其特征在于，所述比对单元包括：
判断模块，用于通过开源的retinaface人脸检测模型检测判断待识别人脸是否佩戴口罩；
第一比对模块，若未佩戴口罩，将检测到的人脸图像输入教师模型中，并与数据库中教师模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果，其中，人脸特征相似度通过余弦距离衡量；
第二比对模块，若佩戴口罩，则将检测到的人脸图像输入学生模型中，并与数据库中学生模型对应的人脸特征向量进行比对，选择相似度最大且超过预设阈值的人脸作为识别结果。
9.一种电子设备，包括处理器、存储器以及存储在所述存储器中并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如权利要求1至4中任一项所述戴口罩人脸识别方法的步骤。
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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述戴口罩人脸识别方法的步骤。
CN202011291128.XA 2020-11-17 2020-11-17 一种戴口罩人脸识别方法、装置、电子设备及存储介质 Pending CN112200154A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011291128.XA CN112200154A (zh) 2020-11-17 2020-11-17 一种戴口罩人脸识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011291128.XA CN112200154A (zh) 2020-11-17 2020-11-17 一种戴口罩人脸识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112200154A true CN112200154A (zh) 2021-01-08

Family

ID=74033180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011291128.XA Pending CN112200154A (zh) 2020-11-17 2020-11-17 一种戴口罩人脸识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112200154A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688793A (zh) * 2021-09-22 2021-11-23 万章敏 人脸模型的训练方法及人脸识别系统
CN113807332A (zh) * 2021-11-19 2021-12-17 珠海亿智电子科技有限公司 口罩鲁棒的人脸识别网络、方法、电子设备及存储介质
CN113963183A (zh) * 2021-12-22 2022-01-21 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN113963237A (zh) * 2021-12-22 2022-01-21 北京的卢深视科技有限公司 模型训练、戴口罩状态检测方法、电子设备及存储介质
CN114743234A (zh) * 2022-02-25 2022-07-12 华南农业大学 基于深度学习的人脸口罩高效识别方法
CN115641637A (zh) * 2022-11-11 2023-01-24 杭州海量信息技术有限公司 一种戴口罩人脸识别方法及系统
WO2023051140A1 (zh) * 2021-09-28 2023-04-06 北京有竹居网络技术有限公司 用于图像特征表示生成的方法、设备、装置和介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688793A (zh) * 2021-09-22 2021-11-23 万章敏 人脸模型的训练方法及人脸识别系统
WO2023051140A1 (zh) * 2021-09-28 2023-04-06 北京有竹居网络技术有限公司 用于图像特征表示生成的方法、设备、装置和介质
CN113807332A (zh) * 2021-11-19 2021-12-17 珠海亿智电子科技有限公司 口罩鲁棒的人脸识别网络、方法、电子设备及存储介质
CN113963183A (zh) * 2021-12-22 2022-01-21 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN113963237A (zh) * 2021-12-22 2022-01-21 北京的卢深视科技有限公司 模型训练、戴口罩状态检测方法、电子设备及存储介质
CN113963237B (zh) * 2021-12-22 2022-03-25 北京的卢深视科技有限公司 模型训练、戴口罩状态检测方法、电子设备及存储介质
CN113963183B (zh) * 2021-12-22 2022-05-31 合肥的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN114743234A (zh) * 2022-02-25 2022-07-12 华南农业大学 基于深度学习的人脸口罩高效识别方法
CN114743234B (zh) * 2022-02-25 2024-05-03 华南农业大学 基于深度学习的人脸口罩高效识别方法
CN115641637A (zh) * 2022-11-11 2023-01-24 杭州海量信息技术有限公司 一种戴口罩人脸识别方法及系统

Similar Documents

Publication Publication Date Title
CN112200154A (zh) 一种戴口罩人脸识别方法、装置、电子设备及存储介质
CN110502965B (zh) 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法
CN104143079B (zh) 人脸属性识别的方法和系统
CN106295567A (zh) 一种关键点的定位方法及终端
CN108446617A (zh) 抗侧脸干扰的人脸快速检测方法
CN110796018B (zh) 一种基于深度图像和彩色图像的手部运动识别方法
CN111601088B (zh) 一种基于单目摄像头坐姿识别技术的坐姿监控系统
CN105740780A (zh) 人脸活体检测的方法和装置
CN108182409A (zh) 活体检测方法、装置、设备及存储介质
WO2021047185A1 (zh) 基于人脸识别的监测方法、装置、存储介质及计算机设备
CN109685713B (zh) 化妆模拟控制方法、装置、计算机设备及存储介质
CN105740779A (zh) 人脸活体检测的方法和装置
CN106650670A (zh) 活体人脸视频的检测方法及装置
CN107316029A (zh) 一种活体验证方法及设备
CN115205764B (zh) 基于机器视觉的在线学习专注度监测方法、系统及介质
CN115565207B (zh) 一种融合特征模仿的遮挡场景下行人检测方法
CN113723530A (zh) 基于视频分析和电子心理沙盘的智能心理评估系统
CN109784140A (zh) 驾驶员属性识别方法及相关产品
CN113642466A (zh) 活体检测和模型训练方法、设备及介质
RU2005100267A (ru) Способ и система автоматической проверки присутствия живого лица человека в биометрических системах безопасности
CN115171042A (zh) 一种学生课堂行为的识别方法、装置、终端设备及介质
Jiang et al. A classroom concentration model based on computer vision
CN110675312A (zh) 图像数据处理方法、装置、计算机设备以及存储介质
Abdulhamied et al. Real-time recognition of American sign language using long-short term memory neural network and hand detection
CN113989886B (zh) 基于人脸识别的船员身份验证方法

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