CN112396016A - 一种基于大数据技术的人脸识别系统 - Google Patents

一种基于大数据技术的人脸识别系统 Download PDF

Info

Publication number
CN112396016A
CN112396016A CN202011357642.9A CN202011357642A CN112396016A CN 112396016 A CN112396016 A CN 112396016A CN 202011357642 A CN202011357642 A CN 202011357642A CN 112396016 A CN112396016 A CN 112396016A
Authority
CN
China
Prior art keywords
image
face
module
identified
unit
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
CN202011357642.9A
Other languages
English (en)
Other versions
CN112396016B (zh
Inventor
陈敏
邓院林
赵志超
许力
万军
梁映霞
朱闻昊
邵大发
李文迪
杨硕
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.)
Wuhan Hongshu Information Technology Co ltd
Original Assignee
Wuhan Hongshu 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 Wuhan Hongshu Information Technology Co ltd filed Critical Wuhan Hongshu Information Technology Co ltd
Priority to CN202011357642.9A priority Critical patent/CN112396016B/zh
Publication of CN112396016A publication Critical patent/CN112396016A/zh
Application granted granted Critical
Publication of CN112396016B publication Critical patent/CN112396016B/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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于大数据技术的人脸识别系统，其包括图像获取模块、图像传输模块、图像识别模块和结果展示模块；所述图像获取模块用于获取待识别图像，并传输至所述图像传输模块；所述图像传输模块用于将所述待识别图像转发至所述图像识别模块；所述图像识别模块用于使用预先训练完毕的神经网络模型对所述待识别图像进行人脸区域定位，确定人脸区域，并对所述人脸区域进行人脸识别处理，获得识别结果；所述结果展示模块用于展示所述识别结果。本申请的神经网络模型由大量的不同场景下的人脸图像训练得到，因此，本申请的神经网络模型可以在各种场景中准确对人脸进行定位得到人脸区域，并对人脸区域进行人脸识别，从而加快人脸识别的速度。

Description

一种基于大数据技术的人脸识别系统
技术领域
本发明涉及识别领域，尤其涉及一种基于大数据技术的人脸识别系统。
背景技术
现有技术中，针对图像中的人脸识别往往需要先对人脸区域进行定位，然后再对人脸区域进一步提取特征信息来完成人脸的识别。但是，现有技术中，人脸区域定位算法往往只针对单一的场景，不能很好地实现在不同的场景中对人脸进行准确定位，因此，算法不具备多场景的普遍适用性，识别速度比较慢。
发明内容
鉴于上述问题，本发明的目的在于提供一种基于大数据技术的人脸识别系统。
本发明提供了一种基于大数据技术的人脸识别系统，其包括图像获取模块、图像传输模块、图像识别模块和结果展示模块；
所述图像获取模块用于获取待识别图像，并传输至所述图像传输模块；
所述图像传输模块用于将所述待识别图像转发至所述图像识别模块；
所述图像识别模块用于使用预先训练完毕的神经网络模型对所述待识别图像进行人脸区域定位，确定人脸区域，并对所述人脸区域进行人脸识别处理，获得识别结果；
所述结果展示模块用于展示所述识别结果。
优选地，所述图像获取模块包括拍摄单元、质量判断单元和传输单元；
所述拍摄单元用于获取待识别图像，并发送至质量判断单元；
所述质量判断单元用于对所述待识别图像是否符合预设的质量要求进行判断，获得判断结果，若所述判断结果为所述待识别图像符合预设的质量要求，则将所述待识别图像发送至传输单元，若所述判断结果为所述待识别图像不符合预设的质量要求，则将所述判断结果发送至所述拍摄单元；
所述传输单元用于接收所述待识别图像，并将所述待识别图像转发至所述图像识别模块；
所述拍摄单元还用于在接收到所述判断结果后，重新获取待识别图像，并将重新获取的待识别图像发送至质量判断单元。
优选地，所述图像识别模块包括图像存储子模块、训练子模块和图像识别子模块；
所述图像存储子模块用于对传输单元发送过来的待识别图像进行存储；
所述训练子模块用于使用Hadoop框架训练得到用于进行人脸区域定位的神经网络模型；
所述图像识别子模块用于从所述存储子模块中获取所述待识别图像，并使用所述神经网络模型对所述待识别图像进行人脸区域定位，并对所述人脸区域进行人脸识别处理，获得识别结果。
优选地，所述识别结果包括所述待识别图像中的包含的人脸所对应的身份信息。
优选地，所述训练子模块包括人脸图像集存储单元、神经网络模型生成单元和神经网络模型训练单元；
所述人脸图像集存储单元用于使用HDFS系统存储用于进行训练的人脸图像集合；
所述神经网络模型生成单元用于生成用于对人脸区域进行定位的初步神经网络模型；
所述训练单元用于基于MapReduce框架，使用所述人脸图像集合对所述初步神经网络模型进行训练，从而得到训练好的神经网络模型。
与现有技术相比，本发明的优点在于：
通过神经网络模型对待识别的图像进行定位，然后对定位得到的人脸区域进一步进行人脸识别处理。由于神经网络模型由大量的不同场景下的人脸图像训练得到，因此，本申请的神经网络模型可以在各种场景中准确对人脸进行定位得到人脸区域，并对人脸区域进行人脸识别，从而加快人脸识别的速度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明一种基于大数据技术的人脸识别系统的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明提供了一种基于大数据技术的人脸识别系统，其包括图像获取模块、图像传输模块、图像识别模块和结果展示模块；
所述图像获取模块用于获取待识别图像，并传输至所述图像传输模块；
所述图像传输模块用于将所述待识别图像转发至所述图像识别模块；
所述图像识别模块用于使用预先训练完毕的神经网络模型对所述待识别图像进行人脸区域定位，确定人脸区域，并对所述人脸区域进行人脸识别处理，获得识别结果；
所述结果展示模块用于展示所述识别结果。
图像传输模块主要是用于将图像进行远程传输，使得本系统可以随时随地对获取的人脸图像进行识别处理。
结果展示的方式包括但不限于投影显示、显示屏显示和全息显示。
在一种实施例中，所述图像获取模块包括拍摄单元、质量判断单元和传输单元；
所述拍摄单元用于获取待识别图像，并发送至质量判断单元；
所述质量判断单元用于对所述待识别图像是否符合预设的质量要求进行判断，获得判断结果，若所述判断结果为所述待识别图像符合预设的质量要求，则将所述待识别图像发送至传输单元，若所述判断结果为所述待识别图像不符合预设的质量要求，则将所述判断结果发送至所述拍摄单元；
所述传输单元用于接收所述待识别图像，并将所述待识别图像转发至所述图像识别模块；
所述拍摄单元还用于在接收到所述判断结果后，重新获取待识别图像，并将重新获取的待识别图像发送至质量判断单元。
优选地，对所述待识别图像是否符合预设的质量要求进行判断，获得判断结果，包括：
将所述待识别图像划分为多个区块；
计算每个区块的质量分数；
计算总的质量分数；
基于所述总的质量分数判断所述待识别图像是否符合预设的质量要求。
将所述待识别图像划分为多个区块，包括：
将所述待识别图像从RGB颜色空间转换到Lab颜色空间，获取所述待识别图像在Lab颜色空间中的L分量的图像PL；
使用四叉树划分算法对PL进行迭代划分，获得多个区块；
对于获得的某个区块，若其满足下述条件，则不再对其进一步进行划分：
所述区块的面积小于预设的面积阈值或所述区块的分区指数小于预设的分区阈值；
所述分区指数通过如下方式进行计算：
Figure BDA0002803060550000031
式中，scidx表示所述区块的分区指数，α1和α2表示预设的权重系数，α1+α2＝1，qz表示取值函数，表示取括号内的数值，K表示所述区块内的所有像素点的集合，fi表示K内的像素点i的像素值，aveKf表示K中的所有像素点的像素值的均值，ti表示K内的像素点i的梯度值，aveKt示K中的所有像素点的梯度值的均值。
将待识别图像划分为多个区块，主要是为了避免传统的全局图像质量评价算法容易出现的评价不够准确的问题。传统的全局质量评价算法，例如针对光照进行评价时，由于一般采用求均值的方式得到光照的质量评价值，但是，对于光照条件相同的前景像素点和背景像素点，显然两者的重要性并不相同，而传统的求均值的方式将两者的权重设为一致，这样显然是不够准确的。而划分区块后，分别对不同的区块进行图像质量评价，然后再使用加权求和的方式得到图像的质量评价值，准确度更高。而在划分区块时，主要是考虑了区块内的元素的差异性，使同一区块内的像素点尽可能相似，有利于提高质量评价的准确性。
传统的图像质量评价一般是在灰度图像中进行，而灰度图像一般是通过R、G、B三个分量加权求和得到，这样就导致光照条件不同的两个像素点，在灰度图像中灰度是一样的，这就出现了信息不准确的问题。而所以本申请创造性的在Lab颜色空间中进行计算，很好地避免了在灰度图像中计算时容易出现的像素点信息不准确的问题。
计算每个区块的质量分数，包括：
对于第R个区块，将其划分为面积相等的上下两个区域，将上区域记为Pab，将下区域记为Pbl，R∈[1,numk]，式中，numk表示划分得到的区块的总数；
使用下述公式计算质量分数：
Figure BDA0002803060550000041
式中，zlidx(R)表示第R个区块的质量分数，gd(Pab)表示Pab中所有像素点的像素值的标准差，gd(Pbl)表示Pbl中所有像素点的像素值的标准差，avef(Pab)和avef(Pbl)分别表示Pab和Pbl中的像素点的像素值的均值，
Figure BDA0002803060550000042
sg(Pab,Pbl)表示Pab和Pbl的关联度，nofPab表示Pab中的像素点的总数。
在质量分数的计算上，本申请将区块划分为面积相等的上下两个区域，实现了对区块的无参考图像的质量分数计算，现有技术中，一般是通过将需要计算的图像与标准图像进行对比计算，从而得到需要计算的图像的质量分数，但是由于标准图像往往比较难得到，因此，实现有参考图像，即标准图像的质量分数计算较为困难，而本申请能够很好地解决这个问题。
计算总的质量分数，包括：
计算每个区块的权重系数：
对于第R个区块，其权重系数如下：
Figure BDA0002803060550000051
式中，weic(R)表示第R个区块的权重系数，numR表示第R个区块中的像素点的总数，noft表示所述待识别图像中的像素点的总数；
总的质量分数通过如下方式进行计算：
Figure BDA0002803060550000052
式中，nume表示所述待识别图像中像素点的像素值落入预设的区间范围的像素点的总数，totalidx表示总的质量分数。
总的质量分数是通过不同区块的质量分数加权计算得到的，不同的权值反映了不同区块的重要程度，使得总的质量分数的计算更具有自适应性，即可以根据图像的不同，区块划分的不同，为不同的区块自动生成不同的权重，从而提高质量分数计算的准确性。进而提升对图像质量进行评价的准确性。
在一种实施例中，所述预设的区间范围为[2s,8s]，s∈[29,31]，s为正整数，s的具体取值本领域技术人员可以根据实际情况进行设置。
在一种实施例中，基于所述总的质量分数判断所述待识别图像是否符合预设的质量要求，包括：
将所述总的质量分数与预设的质量分数阈值进行比较，若所述质量分数大于所述质量分数阈值，则判断所述待识别图像符合预设的质量要求，否则，判断所述待识别图像不符合预设的质量要求。
在一种实施例中，所述图像识别模块包括图像存储子模块、训练子模块和图像识别子模块；
所述图像存储子模块用于对传输单元发送过来的待识别图像进行存储；
所述训练子模块用于使用Hadoop框架训练得到用于进行人脸区域定位的神经网络模型；
所述图像识别子模块用于从所述存储子模块中获取所述待识别图像，并使用所述神经网络模型对所述待识别图像进行人脸区域定位，并对所述人脸区域进行人脸识别处理，获得识别结果。
在一种实施例中，所述识别结果包括所述待识别图像中的包含的人脸所对应的身份信息。
在一种实施例中，所述训练子模块包括人脸图像集存储单元、神经网络模型生成单元和神经网络模型训练单元；
所述人脸图像集存储单元用于使用HDFS系统存储用于进行训练的人脸图像集合；
所述神经网络模型生成单元用于生成用于对人脸区域进行定位的初步神经网络模型；
所述训练单元用于基于MapReduce框架，使用所述人脸图像集合对所述初步神经网络模型进行训练，从而得到训练好的神经网络模型。
所述人脸图像集合包括了多种场景下的人脸图像，因此，训练得到的神经网络模型具有普遍适用性，能够在不同的场景中准确对人脸进行定位。而采用MapReduce框架和HDFS系统进行搭配，首先是解决了人脸图像集合的存储问题，因为人脸图像集合往往需要超大的存储空间进行存储。其次，解决了如何缩短训练时间的问题，MapReduce框架可以使用大规模的计算节点对神经网络模型进行并行训练，即，可以同时采用不同的权值对所述神经网络模型进行训练，大大地加快了训练的速度，从而能够更快地得到训练好的神经网络模型。
在一种实施例中，对所述人脸区域进行人脸识别处理，获得识别结果，包括：
将所述人脸区域记为blo；
对blo进行灰度化处理，获得图像blogray；
对blogray进行降噪处理，得到图像blonoired；
对blonoired提取特征信息，并将所述特征信息与特征数据库中预存的人脸的特征信息进行匹配，从而确定所述待识别图像中的包含的人脸的身份；
确定所述待识别图像的拍摄时间和拍摄地点；
基于所述身份、所述拍摄时间和所述拍摄地点生成识别结果。
在一种实施方式中，对blogray进行降噪处理，得到图像blonoired，包括：
使用下述函数对blogray进行降噪处理：
Figure BDA0002803060550000061
式中，(x,y)表示像素点的位置，blonoired(x,y)表示降噪处理后得到的图像blonoired中位置为(x,y)的像素点的像素值，δ1、δ2为预设的比例系数，δ1+δ2＝1，nei(x,y)表示blogray中位置为(x,y)的像素点的r×r大小的邻域中的像素点的坐标集合，blogray(i,j)表示nei(x,y)中位置为(i,j)的像素点的像素值，
Figure BDA0002803060550000071
式中，GS表示对blogray使用高斯平滑处理时采用的尺度参数，le[(i,j),(x,y)]表示位置为(i,j)的像素点和位置为(x,y)的像素点的像素值的差，he表示nei(x,y)中的所有元素所对应像素点与位置为(x,y)的像素点的像素值的差的标准差，
Figure BDA0002803060550000072
式中，lab(x,y)和lab(i,j)分别表示位置为(x,y)的像素点和位置为(i,j)的像素点在Lab颜色空间中的L分量的像素值，nofnie(x,y)表示nei(x,y)中的元素的总数。
在对blogray进行降噪时，不仅考虑了像素点与预设大小的邻域中的像素点在位置、在灰度图像中的像素值的关系，而且，还考虑了它们在Lab颜色空间中的L分量上的像素值的关系，能够充分考虑当前处理的像素点与其邻居像素点之间的差异，使得降噪结果更为准确。通过L分量对灰度图像中容易出现的不同亮度的像素点被转换为同一灰度值的像素点这一问题进行修正，在降噪过程中带入更多更为准确的信息，进一步提升降噪的准确性。有利于为后续的识别处理提供高质量的图像，从而使得本系统快速准确地完成人脸识别。
与现有技术相比，本发明的优点在于：
通过神经网络模型对待识别的图像进行定位，然后对定位得到的人脸区域进一步进行人脸识别处理。由于神经网络模型由大量的不同场景下的人脸图像训练得到，因此，本申请的神经网络模型可以在各种场景中准确对人脸进行定位得到人脸区域，并对人脸区域进行人脸识别，从而加快人脸识别的速度。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于大数据技术的人脸识别系统，其特征在于，其包括图像获取模块、图像传输模块、图像识别模块和结果展示模块；
所述图像获取模块用于获取待识别图像，并传输至所述图像传输模块；
所述图像传输模块用于将所述待识别图像转发至所述图像识别模块；
所述图像识别模块用于使用预先训练完毕的神经网络模型对所述待识别图像进行人脸区域定位，确定人脸区域，并对所述人脸区域进行人脸识别处理，获得识别结果；
所述结果展示模块用于展示所述识别结果。
2.根据权利要求1所述的一种基于大数据技术的人脸识别系统，其特征在于，所述图像获取模块包括拍摄单元、质量判断单元和传输单元；
所述拍摄单元用于获取待识别图像，并发送至质量判断单元；
所述质量判断单元用于对所述待识别图像是否符合预设的质量要求进行判断，获得判断结果，若所述判断结果为所述待识别图像符合预设的质量要求，则将所述待识别图像发送至传输单元，若所述判断结果为所述待识别图像不符合预设的质量要求，则将所述判断结果发送至所述拍摄单元；
所述传输单元用于接收所述待识别图像，并将所述待识别图像转发至所述图像识别模块；
所述拍摄单元还用于在接收到所述判断结果后，重新获取待识别图像，并将重新获取的待识别图像发送至质量判断单元。
3.根据权利要求1所述的一种基于大数据技术的人脸识别系统，其特征在于，所述图像识别模块包括图像存储子模块、训练子模块和图像识别子模块；
所述图像存储子模块用于对传输单元发送过来的待识别图像进行存储；
所述训练子模块用于使用Hadoop框架训练得到用于进行人脸区域定位的神经网络模型；
所述图像识别子模块用于从所述存储子模块中获取所述待识别图像，并使用所述神经网络模型对所述待识别图像进行人脸区域定位，并对所述人脸区域进行人脸识别处理，获得识别结果。
4.根据权利要求1所述的一种基于大数据技术的人脸识别系统，其特征在于，所述识别结果包括所述待识别图像中的包含的人脸所对应的身份信息。
5.根据权利要求3所述的一种基于大数据技术的人脸识别系统，其特征在于，所述训练子模块包括人脸图像集存储单元、神经网络模型生成单元和神经网络模型训练单元；
所述人脸图像集存储单元用于使用HDFS系统存储用于进行训练的人脸图像集合；
所述神经网络模型生成单元用于生成用于对人脸区域进行定位的初步神经网络模型；
所述训练单元用于基于MapReduce框架，使用所述人脸图像集合对所述初步神经网络模型进行训练，从而得到训练好的神经网络模型。
CN202011357642.9A 2020-11-26 2020-11-26 一种基于大数据技术的人脸识别系统 Active CN112396016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357642.9A CN112396016B (zh) 2020-11-26 2020-11-26 一种基于大数据技术的人脸识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357642.9A CN112396016B (zh) 2020-11-26 2020-11-26 一种基于大数据技术的人脸识别系统

Publications (2)

Publication Number Publication Date
CN112396016A true CN112396016A (zh) 2021-02-23
CN112396016B CN112396016B (zh) 2021-07-23

Family

ID=74605446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357642.9A Active CN112396016B (zh) 2020-11-26 2020-11-26 一种基于大数据技术的人脸识别系统

Country Status (1)

Country Link
CN (1) CN112396016B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273185A (zh) * 2022-07-18 2022-11-01 广州智算信息技术有限公司 一种基于5g网络的智慧园区管理系统
CN116059601A (zh) * 2023-04-06 2023-05-05 北京奥康达体育产业股份有限公司 一种基于智能传感技术的考核训练系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235825A (zh) * 2013-05-08 2013-08-07 重庆大学 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法
US8873836B1 (en) * 2012-06-29 2014-10-28 Emc Corporation Cluster-based classification of high-resolution data
CN104992147A (zh) * 2015-06-09 2015-10-21 中国石油大学(华东) 一种基于快慢结合云计算环境的深度学习的车牌识别方法
CN105654047A (zh) * 2015-12-21 2016-06-08 中国石油大学(华东) 云环境下基于深度学习的在线视频智能处理系统
CN106023150A (zh) * 2016-05-09 2016-10-12 重庆大学 一种针对数字全息图噪声干扰的实时客观质量评价方法
CN107886074A (zh) * 2017-11-13 2018-04-06 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测系统
CN108154093A (zh) * 2017-12-13 2018-06-12 北京小米移动软件有限公司 人脸信息识别方法及装置、电子设备、机器可读存储介质
CN109002765A (zh) * 2018-06-21 2018-12-14 北京蜂盒科技有限公司 一种动态人脸识别数据处理方法及系统
US20190182496A1 (en) * 2017-12-07 2019-06-13 Tencent America LLC Method and apparatus for video coding
CN110298923A (zh) * 2018-03-22 2019-10-01 诺瓦夸克公司 向用户动态显示虚拟世界的对象的方法和平台及存储介质
CN110414305A (zh) * 2019-04-23 2019-11-05 苏州闪驰数控系统集成有限公司 人工智能卷积神经网络人脸识别系统
CN110505444A (zh) * 2019-07-10 2019-11-26 广西盛源行电子信息股份有限公司 基于大数据的安防监控系统
CN110866466A (zh) * 2019-10-30 2020-03-06 平安科技（深圳）有限公司 一种人脸识别方法、装置、存储介质和服务器
CN111107368A (zh) * 2018-10-26 2020-05-05 北京字节跳动网络技术有限公司 用于分割树决定的快速方法
CN111160535A (zh) * 2019-12-31 2020-05-15 北京计算机技术及应用研究所 基于Hadoop的DGCNN模型加速方法
WO2020151753A1 (en) * 2019-01-25 2020-07-30 Mediatek Inc. Method and apparatus of transform coefficient coding with tb-level constraint
CN111757110A (zh) * 2020-07-02 2020-10-09 中实燃气发展(西安)有限公司 视频编码方法及编码树单元划分方法、系统、设备及可读存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8873836B1 (en) * 2012-06-29 2014-10-28 Emc Corporation Cluster-based classification of high-resolution data
CN103235825A (zh) * 2013-05-08 2013-08-07 重庆大学 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法
CN104992147A (zh) * 2015-06-09 2015-10-21 中国石油大学(华东) 一种基于快慢结合云计算环境的深度学习的车牌识别方法
CN105654047A (zh) * 2015-12-21 2016-06-08 中国石油大学(华东) 云环境下基于深度学习的在线视频智能处理系统
CN106023150A (zh) * 2016-05-09 2016-10-12 重庆大学 一种针对数字全息图噪声干扰的实时客观质量评价方法
CN107886074A (zh) * 2017-11-13 2018-04-06 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测系统
US20190182496A1 (en) * 2017-12-07 2019-06-13 Tencent America LLC Method and apparatus for video coding
CN108154093A (zh) * 2017-12-13 2018-06-12 北京小米移动软件有限公司 人脸信息识别方法及装置、电子设备、机器可读存储介质
CN110298923A (zh) * 2018-03-22 2019-10-01 诺瓦夸克公司 向用户动态显示虚拟世界的对象的方法和平台及存储介质
CN109002765A (zh) * 2018-06-21 2018-12-14 北京蜂盒科技有限公司 一种动态人脸识别数据处理方法及系统
CN111107368A (zh) * 2018-10-26 2020-05-05 北京字节跳动网络技术有限公司 用于分割树决定的快速方法
WO2020151753A1 (en) * 2019-01-25 2020-07-30 Mediatek Inc. Method and apparatus of transform coefficient coding with tb-level constraint
CN110414305A (zh) * 2019-04-23 2019-11-05 苏州闪驰数控系统集成有限公司 人工智能卷积神经网络人脸识别系统
CN110505444A (zh) * 2019-07-10 2019-11-26 广西盛源行电子信息股份有限公司 基于大数据的安防监控系统
CN110866466A (zh) * 2019-10-30 2020-03-06 平安科技（深圳）有限公司 一种人脸识别方法、装置、存储介质和服务器
CN111160535A (zh) * 2019-12-31 2020-05-15 北京计算机技术及应用研究所 基于Hadoop的DGCNN模型加速方法
CN111757110A (zh) * 2020-07-02 2020-10-09 中实燃气发展(西安)有限公司 视频编码方法及编码树单元划分方法、系统、设备及可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIANGZHIBAI等: "Quadtree-based multi-focus image fusion using a weighted focus-measure", 《INFORMATION FUSION》 *
囧到没边际: "MATLAB四叉树分割遥感图像", 《HTTPS://BLOG.CSDN.NET/QQ_34844814/ARTICLE/DETAILS/85729863》 *
尉冰: "基于Faster R-CNN的人脸检测与识别算法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王元炜等: "一种自适应四叉树分块的图像拼接算法", 《宁波大学学报(理工版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273185A (zh) * 2022-07-18 2022-11-01 广州智算信息技术有限公司 一种基于5g网络的智慧园区管理系统
CN116059601A (zh) * 2023-04-06 2023-05-05 北京奥康达体育产业股份有限公司 一种基于智能传感技术的考核训练系统

Also Published As

Publication number Publication date
CN112396016B (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
WO2020207423A1 (zh) 肤质检测方法、肤质等级分类方法及肤质检测装置
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN108764071B (zh) 一种基于红外和可见光图像的真实人脸检测方法及装置
CN111401324A (zh) 图像质量评估方法、装置、存储介质及电子设备
CN109117755B (zh) 一种人脸活体检测方法、系统和设备
CN110570435B (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN112396016B (zh) 一种基于大数据技术的人脸识别系统
CN108470178B (zh) 一种结合深度可信度评价因子的深度图显著性检测方法
CN109725721B (zh) 用于裸眼3d显示系统的人眼定位方法及系统
CN111178276B (zh) 图像处理方法、图像处理设备及计算机可读存储介质
CN116309607B (zh) 基于机器视觉的船艇式智能水上救援平台
WO2022116104A1 (zh) 图像处理方法、装置、设备及存储介质
CN111597933A (zh) 人脸识别方法和装置
CN108960142A (zh) 基于全局特征损失函数的行人再识别方法
CN112633221A (zh) 一种人脸方向的检测方法及相关装置
CN112200056A (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN113706472A (zh) 公路路面病害检测方法、装置、设备及存储介质
CN113344796A (zh) 一种图像处理方法、装置、设备及存储介质
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
WO2021051382A1 (zh) 白平衡处理方法和设备、可移动平台、相机
CN111709305A (zh) 一种基于局部图像块的人脸年龄识别方法
CN104065958A (zh) 一种led显示屏亮度采集系统
CN112651962A (zh) 一种ai智能诊断系统平台
CN111274851A (zh) 一种活体检测方法及装置

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