CN112200176A - 人脸图像的质量检测方法、系统和计算机设备 - Google Patents

人脸图像的质量检测方法、系统和计算机设备 Download PDF

Info

Publication number
CN112200176A
CN112200176A CN202011431524.8A CN202011431524A CN112200176A CN 112200176 A CN112200176 A CN 112200176A CN 202011431524 A CN202011431524 A CN 202011431524A CN 112200176 A CN112200176 A CN 112200176A
Authority
CN
China
Prior art keywords
face
uncertainty
neural network
network model
deep neural
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
CN202011431524.8A
Other languages
English (en)
Other versions
CN112200176B (zh
Inventor
陈俊逸
陈凯
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.)
Changsha Xiaogu Technology Co ltd
Original Assignee
Changsha Xiaogu 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 Changsha Xiaogu Technology Co ltd filed Critical Changsha Xiaogu Technology Co ltd
Priority to CN202011431524.8A priority Critical patent/CN112200176B/zh
Publication of CN112200176A publication Critical patent/CN112200176A/zh
Application granted granted Critical
Publication of CN112200176B publication Critical patent/CN112200176B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06V40/172—Classification, e.g. identification

Landscapes

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

Abstract

本发明涉及一种人脸图像的质量检测方法和基于该方法的质量检测系统及计算机设备，其核心在于基于深度神经网络模型和不确定估计反馈补偿，构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度，同时预测人脸身份不确定度和人脸关键点不确定度，并据此判定待检测人脸图像是否合格，使得后续人脸识别过程中可以仅对合格人脸图像进行人脸识别，让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单，且对输入图像的任何干扰噪音都有辨识功能，大大提高了人脸识别的效率和准确率，保障人脸识别的安全性和可靠性。

Description

人脸图像的质量检测方法、系统和计算机设备
技术领域
本发明涉及一种图像识别领域，特别是涉及一种人脸图像的质量检测方法、系统和计算机设备。
背景技术
近年来，人脸识别技术迅猛发展，已广泛应用于监控、支付、门禁、娱乐等各行各业，为人身财产安全保驾护航。但是，在人脸识别技术中，人脸识别模型容易受到输入噪声的干扰，例如低光照、大姿态、大表情、遮挡和模糊等情况都会导致输入的人脸图像难以识别，甚至造成误识。以人脸识别技术应用于门禁为例，在输入的人脸图像难以识别甚至误识时，轻则降低门径安全检测效率、造成拥堵；重则无法起到门禁的安全保障作用，造成人身财产损失。因此，需要在人脸识别过程中对输入的人脸图像进行质量审查，过滤掉受噪声干扰大、质量低、不符合识别条件的人脸图像，提高人脸识别的可靠性和安全性，使其更好更优的服务于需要人脸识别的各行各业。
目前，人脸图像的质量审查主要是对人脸图像的多个质量指标（常用质量指标包括：人脸像素大小和人脸瞳孔间距的像素大小、人脸清晰度、人脸关键部位是否存在遮挡、眼睛是否自然睁开、人脸表情程度、人脸姿态、光照等）进行分析，只有满足所有指标的图像才通过检测。这种方式，一方面仅仅利用人脸图像的属性特征，并没有与人脸识别模型直接联系，不能保证输入的人脸图像适合后续的识别模型；另一方面需要对各个指标，建立数据集并训练预测模型，其多模型预测形式增加了调试和部署的难度，可谓耗财耗力。
近年来，随着计算能力的提升和人脸数据规模的增加，深度学习的神经网络模型成功应用于人脸识别技术中，以减少识别模型调试和部署的难度。以CN110349152A为例，使用深度神经网络对人脸的关键点进行检测，并对关键点的可见性进行分析和融合，从而预测人脸图像的质量。但是，该方法只能用于由人脸角度导致关键点不可见而难以识别甚至是误识的情况，无法解决由手部、头发等物体遮挡或其它问题所导致的人脸图像难以识别甚至误识的问题。因此，如何解决现有人脸识别技术中人脸质量指标众多、模型复杂、调试难度高、可靠性不强等现状，是目前人脸识别技术中亟待解决的技术问题。
发明内容
基于此，有必要针对现有人脸识别技术中人脸质量指标众多、模型复杂、调试难度高、可靠性不强等至少一个或多个技术问题提供一种人脸图像的质量检测方法，包括步骤：
获取待检测人脸图像和人脸标签数据；
构造人脸识别深度神经网络模型，用于学习人脸特征和人脸识别不确定度；
根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；
构造人脸质量深度神经网络模型，用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；
根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；
处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度；根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。
进一步地，所述构造人脸识别深度神经网络模型的步骤，包括：
通过人脸识别分类损失学习所述人脸特征；
通过人脸识别不确定性回归损失学习所述人脸识别不确定度。
进一步地，所述人脸识别分类损失的计算公式为：softmax的交叉熵分类损失；
所述人脸识别不确定性回归损失的计算公式为：
Figure DEST_PATH_IMAGE001
则，所述人脸识别深度神经网络模型的训练损失的计算公式为：
Figure 205115DEST_PATH_IMAGE002
；
其中，m代表所述待检测人脸图像的样本个数，D代表所述人脸特征的长度，i取1~m的整数，j取1~D的整数，
Figure DEST_PATH_IMAGE003
代表第i个样本，
Figure 858207DEST_PATH_IMAGE004
代表第i个样本的所述人脸识别不确定度，
Figure 639212DEST_PATH_IMAGE005
代表第i个样本的类别，
Figure 63240DEST_PATH_IMAGE006
代表第i个样本的类别的权重，
Figure 617587DEST_PATH_IMAGE007
代表第i个样本的所述人脸特征，
Figure 92562DEST_PATH_IMAGE008
代表所述人脸识别分类损失，
Figure 540074DEST_PATH_IMAGE009
代表所述人脸识别不确定性回归损失，
Figure 451398DEST_PATH_IMAGE010
代表所述人脸识别深度神经网络模型的训练损失。
进一步地，所述构建人脸识别深度神经网络模型的步骤，还包括：
计算m个样本的所述人脸识别不确定度的平均值，计算公式为：
Figure 232273DEST_PATH_IMAGE011
计算所述人脸识别不确定性回归损失的正则项，计算公式为：
Figure 765016DEST_PATH_IMAGE012
计算正则约束后的所述人脸识别不确定性回归损失，计算公式为：
Figure 917518DEST_PATH_IMAGE013
；
计算所述人脸识别深度神经网络模型正则约束后的训练损失，计算公式为：
Figure 847297DEST_PATH_IMAGE014
；
其中，
Figure 713753DEST_PATH_IMAGE015
代表所述人脸识别不确定度的平均值，
Figure 615849DEST_PATH_IMAGE016
代表所述人脸识别不确定性回归损失的正则项，
Figure 614286DEST_PATH_IMAGE017
代表所述人脸识别不确定回归损失的权重，
Figure 500202DEST_PATH_IMAGE018
代表所述人脸识别不确定性回归损失的正则项的权重，
Figure 357300DEST_PATH_IMAGE019
代表正则约束后的所述人脸识别不确定性回归损失，
Figure 661373DEST_PATH_IMAGE020
代表所述人脸识别深度神经网络模型正则约束后的训练损失。
进一步地，所述构建人脸质量深度神经网络模型的步骤，包括：
通过人脸识别不确定度匹配损失学习所述人脸身份不确定度；
通过人脸关键点不确定性回归损失学习所述人脸关键点和所述人脸关键点不确定度。
进一步地，所述人脸识别不确定度匹配损失的计算公式为：
Figure 844093DEST_PATH_IMAGE021
所述人脸关键点不确定性回归损失的计算公式为：
Figure 200994DEST_PATH_IMAGE022
则，所述人脸质量深度神经网络模型的训练损失的计算公式为：
Figure 861782DEST_PATH_IMAGE023
；
其中，
Figure 754783DEST_PATH_IMAGE024
代表第i个样本输入训练好的所述人脸识别深度神经网络模型后输出的所述人脸识别不确定度，
Figure 842825DEST_PATH_IMAGE025
代表第i个样本的所述人脸身份不确定度，
Figure 437754DEST_PATH_IMAGE026
代表所述人脸识别不确定度匹配损失，K代表所述人脸关键点的个数，
Figure 172009DEST_PATH_IMAGE027
取1~K*2的整数，
Figure 168784DEST_PATH_IMAGE028
代表第i个样本的第
Figure 427727DEST_PATH_IMAGE027
个关键点的人脸关键点不确定度，
Figure 260685DEST_PATH_IMAGE029
代表第
Figure 60014DEST_PATH_IMAGE027
个关键点的标签，
Figure 98246DEST_PATH_IMAGE030
代表第i个样本的第
Figure 855986DEST_PATH_IMAGE027
个所述人脸关键点，
Figure 363191DEST_PATH_IMAGE031
代表所述人脸关键点不确定性回归损失，
Figure 716943DEST_PATH_IMAGE032
代表所述人脸质量深度神经网络模型的训练损失。
进一步地，所述构建人脸质量深度神经网络模型的步骤，还包括：
计算m个样本的所述人脸关键点不确定度的平均值，计算公式为：
Figure DEST_PATH_IMAGE033
；
计算所述人脸关键点不确定性回归损失的正则项，计算公式为：
Figure 206086DEST_PATH_IMAGE034
；
计算正则约束后的所述人脸关键点不确定性回归损失，计算公式为：
Figure DEST_PATH_IMAGE035
；
计算所述人脸质量深度神经网络模型正则约束后的训练损失，计算公式为：
Figure 134728DEST_PATH_IMAGE036
；
其中，
Figure 879961DEST_PATH_IMAGE037
代表所述人脸关键点不确定度的平均值，
Figure 286672DEST_PATH_IMAGE038
代表所述人脸关键点不确定性回归损失的正则项，
Figure 50229DEST_PATH_IMAGE039
代表所述人脸关键点不确定性回归损失的权重，
Figure 399039DEST_PATH_IMAGE040
代表所述人脸关键点不确定性回归损失的正则项的权重，
Figure 615257DEST_PATH_IMAGE041
代表正则约束后的所述人脸关键点不确定性回归损失，
Figure 576391DEST_PATH_IMAGE042
代表所述人脸质量深度神经网络模型正则约束后的训练损失。
进一步地， 所述根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格的步骤，包括：
判断所述人脸身份不确定度是否小于设定阈值；
判断所述人脸关键点不确定度是否小于设定阈值
Figure 522350DEST_PATH_IMAGE044
；
在所述人脸身份不确定度小于设定阈值
Figure 976815DEST_PATH_IMAGE043
和所述人脸关键点不确定度小于设定阈值
Figure 742646DEST_PATH_IMAGE045
同时成立时，判定所述待检测人脸图像合格。
另一方面，本发明还提供一种人脸图像的质量检测系统，包括：
获取模块，用于获取待检测人脸图像和人脸标签数据；
第一构造模块，用于构造人脸识别深度神经网络模型，以学习人脸特征和人脸识别不确定度；
第一训练模块，用于根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；
第二构造模块，用于构造人脸质量深度神经网络模型，以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；
第二训练模块，用于根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；
处理模块，用于处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度，根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。
另一方面，本发明还提供一种计算机设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以执行上述任意的人脸图像的质量检测方法。
本发明提出的人脸图像的质量检测方法，核心在于基于深度神经网络模型和不确定估计反馈补偿，构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度，提前预测人脸身份不确定度和人脸关键点不确定度，并据此判定待检测人脸图像是否合格，使得后续人脸识别过程中可以仅对噪声干扰小、质量高、符合识别条件的合格人脸图像进行人脸识别，让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单，且对输入图像的任何干扰噪音都有辨识功能，大大提高了人脸识别的效率和准确率，保障人脸识别的安全性和可靠性。在此基础上提出的人脸图像的质量检测系统和计算机设备由于采用对应技术手段而具备对应功能和有益效果，在此不再赘述。
附图说明
图1为本发明人脸图像的质量检测方法的一个实施例的流程图；
图2为本发明人脸图像的质量检测方法的一个实施例中，模型构建的示意图；
图3为本发明人脸图像的质量检测方法的一个实施例中，步骤S2的另一个实施例的流程图；
图4为本发明人脸图像的质量检测方法的一个实施例中，步骤S4的另一个实施例的流程图；
图5为本发明人脸图像的质量检测方法的一个实施例中，步骤S6的流程示意图；
图6为本发明人脸图像的质量检测系统的一个实施例的结构图。
具体实施方式
如图1所示，本发明提供了一种人脸图像的质量检测方法，包括步骤：
S1：获取待检测人脸图像和人脸标签数据。
具体的，该待检测人脸图像可选但不仅限于从摄像头、照相机等拍摄的若干图片或视频中获取，人脸标签数据可选但不仅限于预先存储或直接从单位、企业等的数据库中直接调用，可选但不仅限于包括身份信息和关键点坐标（可选但不仅限于采用XY组成的直角坐标表示），二者可为独立数据集，也可允许有数据的交叉。
更为具体的，该身份信息，可选但不仅限于为一个身份（对于每个人所标注的唯一标识，如身份证号、户口本号、护照号等）所对应的各种姿态（如正面、背面、侧面、近镜头、远镜头等）、环境（白天、黑夜、强光、柔光等）、状态（长头发、短头发、披发、扎发、戴帽、不戴帽等）下的人脸图像；该关键点坐标，可选但不仅限于包括两眼、鼻、嘴这四个关键点的坐标，还可包括下巴、眉毛、脸颊、耳朵、颧骨等关键点的坐标。
S2：构造人脸识别深度神经网络模型，用于学习人脸特征和人脸识别不确定度。值得注意的，该人脸特征可选但不仅限于采用表征身份信息的一串数字代码，用来计算两张人脸图像的相似度，相似度越高，两张图片越可能是同一个身份信息所对应的个人；该人脸识别不确定度用来表征人脸识别的准确性，用于补偿学习该人脸识别深度神经网络模型的可靠性。
具体的，如图2所示，该人脸识别深度神经网络模型，可选但不仅限于采用多层神经网络模型，优选为多层卷积神经网络模型，最后一个卷积层（即输出层）可选但不仅限于连接至少两个分开的全连接层，分别输出人脸特征和人脸识别不确定度，用于分别学习人脸特征和人脸识别不确定度。
更为具体的，该人脸特征，可选但不仅限于通过人脸识别分类函数，如softmax的交叉熵分类损失（人脸识别分类损失）、基于margin的softmax分类损失或Triplet比对损失等学习。该人脸识别不确定度，可选但不仅限于通过人脸识别不确定性回归损失学习，计算公式为：
Figure 428842DEST_PATH_IMAGE046
进而可知，最终人脸识别深度神经网络模型的训练损失的计算公式为：
Figure 980040DEST_PATH_IMAGE047
；
其中，m代表待检测人脸图像的样本个数（在待检测人脸图像的样本个数非常大时，可采取其子集mini-batch的个数为子样本个数），D代表人脸特征的长度，i取1~m的整数，j取1~D的整数，
Figure 155807DEST_PATH_IMAGE048
代表第i个样本，
Figure 392622DEST_PATH_IMAGE049
Figure 679247DEST_PATH_IMAGE050
Figure 757055DEST_PATH_IMAGE051
代表第i个样本的人脸识别不确定度，
Figure 369302DEST_PATH_IMAGE052
代表第i个样本的类别，代表第i个样本的类别的权重（也可以看做是类别中心点），
Figure 47408DEST_PATH_IMAGE053
代表第i个样本的人脸特征，
Figure 655501DEST_PATH_IMAGE054
代表人脸识别分类损失，
Figure 102663DEST_PATH_IMAGE055
代表人脸识别不确定性回归损失，
Figure 370964DEST_PATH_IMAGE056
代表人脸识别深度神经网络模型的训练损失。
进一步地，由于直接使用上述人脸识别不确定性回归损失对人脸识别不确定度进行学习以优化更新，容易导致不确定性估计的过拟合，因此为避免不确定性估计的过拟合，构建人脸识别深度神经网络模型的步骤，更为优选的还包括：
正则约束已经获得的人脸识别不确定性回归损失，得到正则约束后的人脸识别不确定性回归损失，通过正则约束后的人脸识别不确定性回归损失学习人脸识别不确定度；具体的如图3所示，该步骤包括：
S2a：计算m个样本的人脸识别不确定度的平均值，计算公式为：
Figure 536366DEST_PATH_IMAGE057
S2b：计算人脸识别不确定性回归损失的正则项，计算公式为：
Figure 430373DEST_PATH_IMAGE058
S2c：计算正则约束后的人脸识别不确定性回归损失，计算公式为：
Figure 43626DEST_PATH_IMAGE059
；
S2d：计算人脸识别深度神经网络模型正则约束后的训练损失，计算公式为：
Figure 669779DEST_PATH_IMAGE060
；
其中，
Figure 135526DEST_PATH_IMAGE062
代表人脸识别不确定度的平均值，
Figure 770907DEST_PATH_IMAGE064
代表人脸识别不确定性回归损失的正则项，
Figure 989399DEST_PATH_IMAGE066
代表人脸识别不确定回归损失的权重，
Figure 298371DEST_PATH_IMAGE068
代表人脸识别不确定性回归损失的正则项的权重，
Figure 235103DEST_PATH_IMAGE070
代表正则约束后的人脸识别不确定性回归损失，
Figure 674174DEST_PATH_IMAGE072
代表人脸识别深度神经网络模型正则约束后的训练损失。
S3：根据待检测人脸图像和人脸标签数据，训练人脸识别深度神经网络模型，并固定训练好的人脸识别深度神经网络模型。具体的，每次采样m个待检测人脸图像（当待检测人脸图像数量巨大时，可从中每次采样m个待检测样本作为样本子集）输入人脸识别深度神经网络模型，利用样本的类别标签计算识别深度神经网络模型的训练损失
Figure 763484DEST_PATH_IMAGE074
或正则约束后的训练损失
Figure 997019DEST_PATH_IMAGE076
，然后利用反向传播算法进行人脸识别深度神经网络模型权重的迭代优化。更为具体的，期间利用的优化器可选但不仅限于采用随机梯度下降SGD算法，学习率从0.1开始，逐步降低到10e-4，最终固定训练好的人脸识别深度神经网络模型。
S4：构造人脸质量深度神经网络模型，用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度。
具体的，如图2所示，该人脸质量深度神经网络模型，可选但不仅限于采用多层神经网络模型，优选为多层卷积神经网络模型，最后一个卷积层（即输出层）可选但不仅限于连接至少三个分开的全连接层，分别输出人脸身份不确定度、人脸关键点和人脸关键点不确定度。
更为具体的，该人脸身份不确定度，可选但不仅限于通过人脸识别不确定度匹配损失来学习，其标签采用上述训练好的人脸识别深度神经网络模型输出的人脸识别不确定度，其计算公式为：
Figure DEST_PATH_IMAGE077
该人脸关键点和人脸关键点不确定度，可选但不仅限于通过人脸关键点不确定性回归损失学习，其计算公式为：
Figure 935894DEST_PATH_IMAGE078
进而可知，最终人脸质量深度神经网络模型的训练损失的计算公式为：
Figure 975394DEST_PATH_IMAGE079
其中，代表第i个样本输入训练好的所述人脸识别深度神经网络模型后输出的所述人脸识别不确定度（值得注意的，该人脸识别不确定度
Figure 856894DEST_PATH_IMAGE081
与上文的人脸识别不确定度
Figure 323647DEST_PATH_IMAGE082
本质上是同一意义，都是人脸识别深度神经网络模型输出的人脸识别不确定度，只是输出时间不同，
Figure 221590DEST_PATH_IMAGE083
是人脸识别深度神经网络模型被训练好固定后，输入待检测人脸图像所输出的人脸识别不确定度；
Figure 736885DEST_PATH_IMAGE084
是人脸识别深度神经网络模型训练前，输入待检测人脸图像所输出的人脸识别不确定度。此处将待检测人脸图像输入训练好的人脸识别深度神经网络模型，输出对应该待检测人脸图像的人脸识别不确定度，以作为后续训练人脸质量深度神网络模型的人脸身份不确定度的标签，通过人脸识别不确定度匹配损失学习人脸身份不确定度），
Figure 331945DEST_PATH_IMAGE085
代表第i个样本的人脸身份不确定度，
Figure 704021DEST_PATH_IMAGE087
代表人脸识别不确定度匹配损失，K代表人脸关键点的个数，
Figure 305903DEST_PATH_IMAGE027
取1~K*2的整数（此处优选
Figure 874157DEST_PATH_IMAGE027
取1~K*2的整数是因为对应每个关键点优选利用X/Y两个坐标值来表示），
Figure 776254DEST_PATH_IMAGE089
代表第i个样本的第
Figure 335542DEST_PATH_IMAGE027
个关键点的人脸关键点不确定度，
Figure 893562DEST_PATH_IMAGE090
代表第
Figure 78556DEST_PATH_IMAGE027
个关键点的标签，
Figure 284760DEST_PATH_IMAGE092
代表第i个样本的第
Figure 264217DEST_PATH_IMAGE027
个人脸关键点，
Figure 575113DEST_PATH_IMAGE094
代表人脸关键点不确定性回归损失，
Figure 48950DEST_PATH_IMAGE095
代表人脸质量深度神经网络模型的训练损失。
进一步地，由于直接使用上述人脸关键点不确定性回归损失对人脸关键点不确定度补偿学习以优化更新，容易导致不确定性估计的过拟合，因此为了避免不确定性估计的过拟合，构建人脸质量深度神经网络模型的步骤，更为优选的还包括：
正则约束已经获得的人脸关键点不确定性回归损失，得到正则约束后的人脸关键点不确定性回归损失，通过正则约束后的人脸关键点不确定性回归损失学习人脸关键点和人脸关键点不确定度。具体的，如图4所示，该步骤包括：
S4a：计算m个样本的人脸关键点不确定度的平均值，计算公式为：
Figure DEST_PATH_IMAGE096
；
S4b：计算人脸关键点不确定性回归损失的正则项，计算公式为：
Figure 440486DEST_PATH_IMAGE097
；
S4c：计算正则约束后的人脸关键点不确定性回归损失，计算公式为：
Figure DEST_PATH_IMAGE098
；
S4d：计算人脸质量深度神经网络模型正则约束后的训练损失，计算公式为：
Figure 122003DEST_PATH_IMAGE099
；
其中，
Figure 405348DEST_PATH_IMAGE101
代表人脸关键点不确定度的平均值， 代表人脸关键点不确定性回归损失的正则项， 代表人脸关键点不确定性回归损失的权重， 代表人脸关键点不确定性回归损失的正则项的权重， 代表正则约束后的人脸关键点不确定性回归损失， 代表人脸质量深度神经网络模型正则约束后的训练损失。
S5：根据待检测人脸图像、人脸标签数据和训练好的人脸识别深度神经网络模型，训练人脸质量深度神经网络模型，并固定训练好的人脸质量深度神经网络模型。具体的，每次采样m个待检测人脸图像（当待检测人脸图像数量巨大时，可从中每次采样m个待检测样本作为样本子集）输入训练好的人脸识别深度神经网络模型，输出人脸识别不确定度作为后续匹配人脸身份不确定度损失的标签。同时，将m个样本输入到人脸质量深度神经网络模型，利用样本的关键点坐标和人脸识别不确定度来计算训练损失
Figure DEST_PATH_IMAGE102
或正则约束后的训练损失
Figure 197724DEST_PATH_IMAGE103
，然后利用反向传播算法进行人脸质量深度神经网络模型权重的迭代优化。更为具体的，期间利用的优化器可选但不仅限于采用随机梯度下降SGD算法，学习率从0.1开始，逐步降低到10e-4，最终固定训练好的人脸质量深度神经网络模型。
S6：处理待检测人脸图像，将处理后的待检测人脸图像输入训练好的人脸质量深度神经网络模型，输出人脸身份不确定度和人脸关键点不确定度（值得注意的，每个待检测人脸图像输入至人脸质量深度神经网络模型后，将输出一个人脸身份不确定度和多个人脸关键点不确定度，其每个人脸关键点不确定度对应一个关键点），根据人脸身份不确定度和人脸关键点不确定度，判断待检测人脸图像是否合格。
具体的，如图5所示，利用人脸检测器得到待检测人脸图像上人脸所在区域（可选但不仅限于为人脸的左上角坐标X/Y ，以及人脸的宽W和高H），裁剪待检测人脸图像，得到只包含人脸所在区域的图片，输入训练好的人脸质量深度神经网络模型中，可选但不仅限于在输出的人脸身份不确定度小于设定阈值和人脸关键点不确定度小于设定阈值
Figure 181117DEST_PATH_IMAGE044
时，才判定待检测人脸图像为合格图像。
本发明提出的人脸图像的质量检测方法，根本核心在于基于深度神经网络模型和不确定估计反馈补偿，通过构建人脸识别深度神经网络模型以学习人脸特征和人脸识别不确定度、构建人脸质量深度神经网络模型以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度，同时预测人脸身份不确定度和人脸关键点不确定度，并据此判定待检测人脸图像是否合格，使得后续人脸识别过程中可以仅对噪声干扰小、质量高、符合识别条件的合格人脸图像进行人脸识别，让人脸识别技术更好更优的服务于需要人脸识别的各行各业。该方法模型单一、调试简单，且对输入图像的任何干扰噪音都有辨识功能，大大提高了人脸识别的效率和准确率，保障人脸识别的安全性和可靠性。
进一步地，为方便与人脸识别装置兼容，更便利的应用于后续人脸识别，如图5所示，本发明的人脸图像的质量检测方法，还包括步骤：
在判定待检测人脸图像合格后，根据得到的人脸关键点对合格的待检测人脸图像进行人脸对齐，并输入到人脸识别深度神经网络中，得到人脸特征和人脸识别不确定度，判断人脸识别不确定度是否小于设定阈值
Figure DEST_PATH_IMAGE104
，在人脸识别不确定度小于
Figure 518688DEST_PATH_IMAGE104
时，输出人脸特征，以更好的与后续人脸识别兼容。
进一步地，如图6所示，本发明还提供一种人脸图像的质量检测系统，包括：
获取模块110，用于获取待检测人脸图像和人脸标签数据；
第一构造模块120，用于构造人脸识别深度神经网络模型，以学习人脸特征和人脸识别不确定度；
第一训练模块130，用于根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；
第二构造模块140，用于构造人脸质量深度神经网络模型，以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；
第二训练模块150，用于根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；
处理模块160，用于处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度，根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。
值得注意的，上述人脸图像的质量检测系统与上述人脸图像的质量检测方法相对应，其各模块及整个系统的具体实现形式、优选替代方案、功能作用和有益效果均与该方法相对应，在此不再赘述。
进一步地，本发明还提供一种计算机设备，包括存储器和处理器。该存储器用于存储计算机程序；处理器，用于执行上述计算机程序以实现作为本发明核心的人脸图像的质量检测方法，其具体实现形式、功能作用和有益效果均与该方法相对应，在此不再赘述。
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。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸图像的质量检测方法，其特征在于，包括步骤：
获取待检测人脸图像和人脸标签数据；
构造人脸识别深度神经网络模型，用于学习人脸特征和人脸识别不确定度；
根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；
构造人脸质量深度神经网络模型，用于学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；
根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；
处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度；根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。
2.根据权利要求1所述的人脸图像的质量检测方法，其特征在于，所述构造人脸识别深度神经网络模型的步骤，包括：
通过人脸识别分类损失学习所述人脸特征；
通过人脸识别不确定性回归损失学习所述人脸识别不确定度。
3.根据权利要求2所述的人脸图像的质量检测方法，其特征在于，
所述人脸识别分类损失的计算公式为：softmax的交叉熵分类损失；
所述人脸识别不确定性回归损失的计算公式为：
Figure 851338DEST_PATH_IMAGE002
则，所述人脸识别深度神经网络模型的训练损失的计算公式为：
Figure 620711DEST_PATH_IMAGE004
；
其中，m代表所述待检测人脸图像的样本个数，D代表所述人脸特征的长度，i取1~m的整数，j取1~D的整数，
Figure 391221DEST_PATH_IMAGE005
代表第i个样本，
Figure 955057DEST_PATH_IMAGE006
Figure 811018DEST_PATH_IMAGE007
Figure 649661DEST_PATH_IMAGE008
代表第i个样本的所述人脸识别不确定度，
Figure 740589DEST_PATH_IMAGE010
代表第i个样本的类别，
Figure 740906DEST_PATH_IMAGE012
代表第i个样本的类别的权重，
Figure 818584DEST_PATH_IMAGE014
代表第i个样本的所述人脸特征，
Figure 460917DEST_PATH_IMAGE016
代表所述人脸识别分类损失，
Figure 674861DEST_PATH_IMAGE018
代表所述人脸识别不确定性回归损失，
Figure 111659DEST_PATH_IMAGE020
代表所述人脸识别深度神经网络模型的训练损失。
4.根据权利要求3所述的人脸图像的质量检测方法，其特征在于，所述构建人脸识别深度神经网络模型的步骤，还包括：
计算m个样本的所述人脸识别不确定度的平均值，计算公式为：
Figure 411053DEST_PATH_IMAGE022
计算所述人脸识别不确定性回归损失的正则项，计算公式为：
Figure 591499DEST_PATH_IMAGE024
计算正则约束后的所述人脸识别不确定性回归损失，计算公式为：
Figure 659949DEST_PATH_IMAGE026
；
计算所述人脸识别深度神经网络模型正则约束后的训练损失，计算公式为：
Figure 267648DEST_PATH_IMAGE028
；
其中，
Figure 54338DEST_PATH_IMAGE030
代表所述人脸识别不确定度的平均值，
Figure 772895DEST_PATH_IMAGE032
代表所述人脸识别不确定性回归损失的正则项，
Figure 427343DEST_PATH_IMAGE034
代表所述人脸识别不确定回归损失的权重，
Figure 205943DEST_PATH_IMAGE036
代表所述人脸识别不确定性回归损失的正则项的权重，
Figure 479930DEST_PATH_IMAGE038
代表正则约束后的所述人脸识别不确定性回归损失，
Figure 2178DEST_PATH_IMAGE040
代表所述人脸识别深度神经网络模型正则约束后的训练损失。
5.根据权利要求1所述的人脸图像的质量检测方法，其特征在于，所述构建人脸质量深度神经网络模型的步骤，包括：
通过人脸识别不确定度匹配损失学习所述人脸身份不确定度；
通过人脸关键点不确定性回归损失学习所述人脸关键点和所述人脸关键点不确定度。
6.根据权利要求5所述的人脸图像的质量检测方法，其特征在于，
所述人脸识别不确定度匹配损失的计算公式为：
Figure 45220DEST_PATH_IMAGE042
所述人脸关键点不确定性回归损失的计算公式为：
Figure 729143DEST_PATH_IMAGE044
则，所述人脸质量深度神经网络模型的训练损失的计算公式为：
Figure 224846DEST_PATH_IMAGE046
；
其中，
Figure 285206DEST_PATH_IMAGE048
代表第i个样本输入训练好的所述人脸识别深度神经网络模型后输出的所述人脸识别不确定度，
Figure 182755DEST_PATH_IMAGE050
代表第i个样本的所述人脸身份不确定度，
Figure 706752DEST_PATH_IMAGE052
代表所述人脸识别不确定度匹配损失，K代表所述人脸关键点的个数，
Figure 955331DEST_PATH_IMAGE054
取1~K*2的整数，
Figure 163590DEST_PATH_IMAGE056
代表第i个样本的第
Figure 181224DEST_PATH_IMAGE058
个关键点的人脸关键点不确定度，
Figure 472528DEST_PATH_IMAGE060
代表第
Figure 942824DEST_PATH_IMAGE062
个关键点的标签，
Figure 610566DEST_PATH_IMAGE064
代表第i个样本的第
Figure 217128DEST_PATH_IMAGE066
个所述人脸关键点，
Figure 944912DEST_PATH_IMAGE068
代表所述人脸关键点不确定性回归损失，
Figure 899574DEST_PATH_IMAGE070
代表所述人脸质量深度神经网络模型的训练损失。
7.根据权利要求6所述的人脸图像的质量检测方法，其特征在于，所述构建人脸质量深度神经网络模型的步骤，还包括：
计算m个样本的所述人脸关键点不确定度的平均值，计算公式为：
Figure 105428DEST_PATH_IMAGE072
；
计算所述人脸关键点不确定性回归损失的正则项，计算公式为：
Figure 97654DEST_PATH_IMAGE074
；
计算正则约束后的所述人脸关键点不确定性回归损失，计算公式为：
Figure 730761DEST_PATH_IMAGE076
；
计算所述人脸质量深度神经网络模型正则约束后的训练损失，计算公式为：
Figure DEST_PATH_IMAGE078
；
其中，
Figure DEST_PATH_IMAGE080
代表所述人脸关键点不确定度的平均值，
Figure DEST_PATH_IMAGE082
代表所述人脸关键点不确定性回归损失的正则项，
Figure DEST_PATH_IMAGE084
代表所述人脸关键点不确定性回归损失的权重，
Figure DEST_PATH_IMAGE086
代表所述人脸关键点不确定性回归损失的正则项的权重，
Figure DEST_PATH_IMAGE088
代表正则约束后的所述人脸关键点不确定性回归损失，
Figure DEST_PATH_IMAGE090
代表所述人脸质量深度神经网络模型正则约束后的训练损失。
8.根据权利要求1-7任意一项所述的人脸图像的质量检测方法，其特征在于，所述根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格的步骤，包括：
判断所述人脸身份不确定度是否小于设定阈值
Figure DEST_PATH_IMAGE092
；
判断所述人脸关键点不确定度是否小于设定阈值
Figure DEST_PATH_IMAGE094
；
在所述人脸身份不确定度小于设定阈值
Figure 329976DEST_PATH_IMAGE092
和所述人脸关键点不确定度小于设定阈值
Figure DEST_PATH_IMAGE095
同时成立时，判定所述待检测人脸图像合格。
9.一种人脸图像的质量检测系统，其特征在于，包括：
获取模块，用于获取待检测人脸图像和人脸标签数据；
第一构造模块，用于构造人脸识别深度神经网络模型，以学习人脸特征和人脸识别不确定度；
第一训练模块，用于根据所述待检测人脸图像和所述人脸标签数据，训练所述人脸识别深度神经网络模型，并固定训练好的所述人脸识别深度神经网络模型；
第二构造模块，用于构造人脸质量深度神经网络模型，以学习人脸身份不确定度、人脸关键点和人脸关键点不确定度；
第二训练模块，用于根据所述待检测人脸图像、所述人脸标签数据和训练好的所述人脸识别深度神经网络模型，训练所述人脸质量深度神经网络模型，并固定训练好的所述人脸质量深度神经网络模型；
处理模块，用于处理所述待检测人脸图像，将处理后的所述待检测人脸图像输入训练好的所述人脸质量深度神经网络模型，输出所述人脸身份不确定度和所述人脸关键点不确定度，根据所述人脸身份不确定度和所述人脸关键点不确定度，判断所述待检测人脸图像是否合格。
10.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以执行权利要求1-8任意一项所述的人脸图像的质量检测方法。
CN202011431524.8A 2020-12-10 2020-12-10 人脸图像的质量检测方法、系统和计算机设备 Active CN112200176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011431524.8A CN112200176B (zh) 2020-12-10 2020-12-10 人脸图像的质量检测方法、系统和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011431524.8A CN112200176B (zh) 2020-12-10 2020-12-10 人脸图像的质量检测方法、系统和计算机设备

Publications (2)

Publication Number Publication Date
CN112200176A true CN112200176A (zh) 2021-01-08
CN112200176B CN112200176B (zh) 2021-03-02

Family

ID=74033777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011431524.8A Active CN112200176B (zh) 2020-12-10 2020-12-10 人脸图像的质量检测方法、系统和计算机设备

Country Status (1)

Country Link
CN (1) CN112200176B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240092A (zh) * 2021-05-31 2021-08-10 深圳市商汤科技有限公司 神经网络训练及人脸识别方法、装置、设备及存储介质
CN113835973A (zh) * 2021-11-26 2021-12-24 腾讯科技（深圳）有限公司 一种模型训练方法及相关装置
WO2023137905A1 (zh) * 2022-01-21 2023-07-27 小米科技(武汉)有限公司 图像处理方法、装置、电子设备以及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288027A (zh) * 2017-12-28 2018-07-17 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和系统
US20190114760A1 (en) * 2017-10-18 2019-04-18 Gorilla Technology Inc. Method of Evaluating the Quality of Images
CN110826402A (zh) * 2019-09-27 2020-02-21 深圳市华付信息技术有限公司 一种基于多任务的人脸质量估计方法
CN111814620A (zh) * 2020-06-28 2020-10-23 浙江大华技术股份有限公司 人脸图像质量评价模型建立方法、优选方法、介质及装置
CN111862040A (zh) * 2020-07-20 2020-10-30 中移（杭州）信息技术有限公司 人像图片质量评价方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190114760A1 (en) * 2017-10-18 2019-04-18 Gorilla Technology Inc. Method of Evaluating the Quality of Images
CN108288027A (zh) * 2017-12-28 2018-07-17 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
CN109360183A (zh) * 2018-08-20 2019-02-19 中国电子进出口有限公司 一种基于卷积神经网络的人脸图像质量评估方法和系统
CN110826402A (zh) * 2019-09-27 2020-02-21 深圳市华付信息技术有限公司 一种基于多任务的人脸质量估计方法
CN111814620A (zh) * 2020-06-28 2020-10-23 浙江大华技术股份有限公司 人脸图像质量评价模型建立方法、优选方法、介质及装置
CN111862040A (zh) * 2020-07-20 2020-10-30 中移（杭州）信息技术有限公司 人像图片质量评价方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIE CHANG，ZHONGHAO LAN，CHANGMAO CHENG，YICHEN WEI: "Data Uncertainty Learning in Face Recognition", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240092A (zh) * 2021-05-31 2021-08-10 深圳市商汤科技有限公司 神经网络训练及人脸识别方法、装置、设备及存储介质
WO2022252527A1 (zh) * 2021-05-31 2022-12-08 深圳市商汤科技有限公司 神经网络训练及人脸识别方法、装置、设备及存储介质
CN113835973A (zh) * 2021-11-26 2021-12-24 腾讯科技（深圳）有限公司 一种模型训练方法及相关装置
CN113835973B (zh) * 2021-11-26 2022-03-01 腾讯科技（深圳）有限公司 一种模型训练方法及相关装置
WO2023137905A1 (zh) * 2022-01-21 2023-07-27 小米科技(武汉)有限公司 图像处理方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
CN112200176B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN110427867B (zh) 基于残差注意力机制的面部表情识别方法及系统
CN111325115B (zh) 带有三重约束损失的对抗跨模态行人重识别方法和系统
CN111310731B (zh) 基于人工智能的视频推荐方法、装置、设备及存储介质
CN112200176B (zh) 人脸图像的质量检测方法、系统和计算机设备
Mohandes et al. Arabic sign language recognition using the leap motion controller
CN109657533A (zh) 行人重识别方法及相关产品
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN112766158A (zh) 基于多任务级联式人脸遮挡表情识别方法
US9330312B2 (en) Multispectral detection of personal attributes for video surveillance
Bhavana et al. Hand sign recognition using CNN
CN112784763A (zh) 基于局部与整体特征自适应融合的表情识别方法及系统
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
Hebbale et al. Real time COVID-19 facemask detection using deep learning
CN112381987A (zh) 基于人脸识别的智能门禁防疫系统
Xia et al. Face occlusion detection using deep convolutional neural networks
Zuobin et al. Feature regrouping for cca-based feature fusion and extraction through normalized cut
Chen et al. A multi-scale fusion convolutional neural network for face detection
CN113158828A (zh) 一种基于深度学习的面部情感校准方法及系统
Al-obidi et al. Facial Features Recognition Based on Their Shape and Color Using YOLOv8
Trottier et al. Multi-task learning by deep collaboration and application in facial landmark detection
CN116959098A (zh) 一种基于双粒度三模态度量学习的行人重识别方法及系统
Yanakova et al. Facial recognition technology on ELcore semantic processors for smart cameras
Jeny et al. Deep Learning Framework for Face Mask Detection
Vinay et al. Dominant feature based convolutional neural network for faces in videos
Saurova et al. ARTIFICIAL INTELLIGENCE BASED METHODS OF IDENTIFICATION AND AUTHENTICATION BY FACE IMAGE

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
CB03 Change of inventor or designer information

Inventor after: Chen Junyi

Inventor before: Chen Junyi

Inventor before: Chen Kai

CB03 Change of inventor or designer information