CN112446345A - 一种低质量三维人脸识别方法、系统、设备和存储介质 - Google Patents

一种低质量三维人脸识别方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN112446345A
CN112446345A CN202011429698.0A CN202011429698A CN112446345A CN 112446345 A CN112446345 A CN 112446345A CN 202011429698 A CN202011429698 A CN 202011429698A CN 112446345 A CN112446345 A CN 112446345A
Authority
CN
China
Prior art keywords
dimensional face
quality
low
distribution
gaussian distribution
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
CN202011429698.0A
Other languages
English (en)
Other versions
CN112446345B (zh
Inventor
余璀璨
张子辉
李慧斌
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011429698.0A priority Critical patent/CN112446345B/zh
Publication of CN112446345A publication Critical patent/CN112446345A/zh
Application granted granted Critical
Publication of CN112446345B publication Critical patent/CN112446345B/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
    • G06N3/045—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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

一种低质量三维人脸识别方法、系统、设备和存储介质，将采集的低质量三维人脸投影，得到三维人脸法向量图像；利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。本发明在三维人脸识别任务中将低质量三维人脸通过深度卷积神经网络映射到特征分布，有利于刻画低质量三维人脸数据的噪声带来的不确定性，并实现在特征空间去噪。本发明采用形式自由的分布代替固定形式的分布，更准确地近似低质量三维人脸真实的后验分布。

Description

一种低质量三维人脸识别方法、系统、设备和存储介质
技术领域
本发明属于三维人脸识别技术领域，具体涉及一种低质量三维人脸识别方法、系统、设备和存储介质。
背景技术
由于具备几何信息的优越性，三维人脸识别技术取得了巨大的成功。现有的方法主要是面对高质量的三维人脸数据提出的，然而在实际情况下采用高质量三维人脸进行识别是不现实的做法，相比之下，低质量的三维人脸识别更符合实际的场景。低质量的数据与生俱来噪声很大，因此，探索对噪声鲁棒的低质量三维人脸识别成为一个迫切而富有挑战性的问题。
目前对于低质量三维人脸识别的研究很少。一些传统的方法如ICP，PCA被用于低质量三维人脸识别，由于这些传统方法能力有限，难以应对带有大量噪声的低质量样本。现有的基于深度学习的低质量三维人脸识别方法采用RGB-D图像或法向量训练卷积神经网络用于识别，多采用数据增强的方式增加数据多样性，但人工进行数据增强的方式有限，而低质量三维人脸数据不确定性高，旋转、加噪声等数据增强方式难以覆盖到低质量三维人脸数据的各种情况。因此，低质量三维人脸识别仍存在较大的提升空间。
发明内容
本发明的目的是提供一种简单且有效的一种低质量三维人脸识别方法、系统、设备和存储介质。
为实现上述目的，本发明采用的技术方案如下：
一种低质量三维人脸识别方法，将采集的低质量三维人脸投影，得到三维人脸法向量图像；
利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。
本发明进一步的改进在于，优化后的卷积神经网络通过以下过程得到：
采集低质量三维人脸数据集，预处理后得到预处理后的训练集；
将预处理后的训练集中的低质量三维人脸点云投影，得到三维人脸法向量图像；
利用卷积神经网络将三维人脸法向量图像映射到高斯分布，输出高斯分布的均值和标准差，从高斯分布中通过重参数化方式采样，得到符合高斯分布的样本；
通过连续归一化流将符合高斯分布的样本变换，得到形式自由分布样本；
将形式自由分布样本作为输入的低质量人脸的特征，根据形式自由分布样本预测这个低质量三维人脸对应的身份类别，根据预测的身份类别和真实的类别计算损失函数，根据损失函数通过梯度反向传播优化卷积神经网络的参数，得到优化后的卷积神经网络。
本发明进一步的改进在于，预处理的具体过程为：对低质量三维人脸检测出鼻尖点，以鼻尖点为中心切割，去除人脸以外的部分，得到预处理后的训练集。
本发明进一步的改进在于，符合高斯分布的样本z通过下式得到：
z＝u+∈·σ，∈～N(0，I)
其中，μ表示高斯分布的均值，σ表示高斯分布的标准差，∈表示一个随机种子，N(0，I)表示标准高斯分布，I表示单位矩阵。
本发明进一步的改进在于，形式自由分布样本z′通过下式得到：
Figure BDA0002826185530000031
其中，z(t0)为初值，z(t)为t时刻的特征，t0为初始时刻，t1为终止时刻，t为当前时刻，h为连续映射。
本发明进一步的改进在于，损失函数为交叉熵损失函数。
本发明进一步的改进在于，损失函数通过以下过程计算得到：
Figure BDA0002826185530000032
其中，L是损失函数，K是总的身份类别数量，yi是真实的类别标签，若类别是i则yi＝1，否则yi＝0，pi是深度卷积神经网络的预测结果。
一种低质量三维人脸识别系统，包括：
投影模块，用于将采集的低质量三维人脸投影，得到三维人脸法向量图像；
识别模块，用于利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。
一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的低质量三维人脸识别方法。
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，所述计算机程序当被处理器执行时使所述处理器执行上述的低质量三维人脸识别方法。
与现有技术相比，本发明具有的有益效果：
由于低质量三维人脸带有大量噪声，若使用确定性的特征表示，则特征也会带有噪声。本发明学习每个低质量三维人脸与这个人脸对应的后验分布之间的映射关系。具体而言，本发明将每个低质量三维人脸映射到对应的特征分布(如高斯分布)，用于近似真实的后验分布。根据极大似然理论，该高斯分布的均值可以近似地看作去噪后的特征，即干净的特征。本发明在三维人脸识别任务中将低质量三维人脸通过深度卷积神经网络映射到特征分布，有利于刻画低质量三维人脸数据的噪声带来的不确定性，并实现在特征空间去噪。将低质量三维人脸的特征建模为一个分布时，若采用固定形式的特征分布，如高斯分布或其他任何形式的分布，该分布的表达能力都会受限于分布的形式。每一个低质量三维人脸都存在一个对应的特征分布，固定形式的特征分布难以涵盖所有情况。本发明采用形式自由的分布代替固定形式的分布，能更准确地近似低质量三维人脸真实的后验分布。
附图说明
图1为使用高斯分布和形式自由的分布近似后验分布示意图。
其中，(a)为一个低质量三维人脸(带有噪声)的特征分布，该分布上每个点对应一个特征，根据极大似然理论，概率最大位置对应的是干净的特征，即无噪声的三维人脸对应的特征。(b)为用高斯分布近似真实的后验分布。(c)为用形式自由的分布近似真实的后验分布。相比于形式固定的高斯分布，形式自由的分布可以更好地近似真实后验分布。
图2为本发明训练阶段流程图，其中，CNN f为深度卷积神经网络，CNF g为连续归一化流，低质量三维人脸投影成法向量图作为深度卷积神经网络的输入，深度卷积神经网络输出高斯分布的均值μ和标准差σ，从高斯分布P(z|X)＝N(μ，σ2)中采样z，通过连续归一化流将高斯分布中的样本z可逆地变换为形式自由分布P(z′|X)中的样本z′，将z′用于人脸识别。
图3为低质量三维人脸以及高斯分布近似的后验分布可视化和形式自由分布近似的后验分布可视化。(a)-(f)为任意的六幅原始低质量预处理后的三维人脸，(a)为第一幅，(b)为第二幅，(c)为第三幅，(d)为第四幅，(e)为第五福，(f)为第六幅，(g)-(l)为图(a)-(f)对应的高斯形式的低质量三维人脸特征分布，(g)为图(a)的高斯形式的低质量三维人脸特征分布，(h)为图(b)的高斯形式的低质量三维人脸特征分布，(i)为图(c)的高斯形式的低质量三维人脸特征分布，(j)为图(d)的高斯形式的低质量三维人脸特征分布，(k)为图(e)的高斯形式的低质量三维人脸特征分布，(l)为图(f)的高斯形式的低质量三维人脸特征分布，(n)-(s)为图(g)-(l)的形式自由的低质量三维人脸特征分布，图(n)为图(g)变换后的形式自由的低质量三维人脸特征分布，图(o)为图(h)变换后的形式自由的低质量三维人脸特征分布，图(p)为图(i)变换后的形式自由的低质量三维人脸特征分布，图(q)为图(j)变换后的形式自由的低质量三维人脸特征分布，图(r)为图(k)变换后的形式自由的低质量三维人脸特征分布，图(s)为图(l)变换后的形式自由的低质量三维人脸特征分布。
具体实施方式
下面结合附图对本发明进行详细说明。
从低质量(带有大量噪声)三维人脸提取到的特征也带有噪声，为了消除特征层面的噪声，本发明利用深度卷积神经网络学习带噪特征的分布，即低质量三维人脸的真实后验分布。
本发明的具体过程为：首先采集带噪的低质量三维人脸图像，将带噪的低质量三维人脸映射到特征分布，可以从这个特征分布近似地推断出该三维人脸的干净特征，如图1中(a)所示，(a)为一个低质量三维人脸(带有噪声)的特征分布，该分布上每个点对应一个特征，根据极大似然理论，概率最大位置对应的是干净的特征，即无噪声的三维人脸对应的特征。将特征分布中概率最高位置对应的特征作为三维人脸的表示。为了学习这种特征分布，可以用一种参数化分布(例如高斯分布)来近似它。为了得到对后验分布更准确的近似，进一步利用连续归一化流可逆地将上述参数化分布(高斯分布)转换为一个形式自由的分布，从而摆脱后验分布的形式假设，实现对三维人脸更准确的表示。图1中的(b)和(c)分别是用高斯分布和形式自由分布近似真实的后验分布，相比于形式固定的高斯分布，形式自由的分布能够更好地近似三维人脸的真实后验分布，进一步地，从这个更好的近似分布中推断出的特征更接近三维人脸的干净特征，从而实现对特征去噪。
具体的，本发明是通过如下的步骤实现的：
一、数据采集及预处理
采集低质量三维人脸数据集，将数据集划分为训练集和测试集。对训练集和测试集检测出鼻尖点，以鼻尖点为中心切割以去除人脸以外的部分，预处理后的效果图如图3(a)-(f)所示，得到预处理后的训练集和测试集。
二、训练阶段
参见图2，图中，CNN f为深度卷积神经网络，CNF g为连续归一化流，低质量三维人脸投影成法向量图作为深度卷积神经网络的输入，深度卷积神经网络输出高斯分布的均值μ和标准差σ，从高斯分布P(z|X)中采样z，通过连续归一化流将高斯分布中的样本z可逆地变换为形式自由分布P(z′|X)中的样本，变换后的z用于人脸识别。本发明训练阶段具体有如下步骤：
步骤1：将预处理后的训练集中的低质量三维人脸点云投影得到对应的法向量图像，得到三维人脸法向量图像，以便作为卷积神经网络f的输入X。
步骤2：将三维人脸法向量图像输入到卷积神经网络f中，利用卷积神经网络f将输入的三维人脸法向量图像映射到高斯分布，输出高斯分布的均值μ和标准差σ，使特征服从的分布P(z|X)等于高斯分布N(μ，σ2)，通过重参数化方式从P(z|X)中采样，得到样本z：
z＝u+∈·σ，∈～N(0，I)
其中，μ表示高斯分布的均值，σ表示高斯分布的标准差，∈表示一个随机种子，∈服从标准高斯分布。N(0，I)表示标准高斯分布，I表示单位矩阵，X表示卷积神经网络的输入。
步骤3：通过连续归一化流(Continuous Normalizing Flow)将步骤2中从高斯分布中采样得到的样本z可逆地变换到形式自由分布P(z′|X)中的样本，即得到形式自由分布样本z′，所服从的分布是形式自由的。
Figure BDA0002826185530000071
其中，z′＝z(t1)，z(t0)为初值，连续归一化流(Continuous Normalizing Flow)将连续映射h定义为常微分方程的解，即
Figure BDA0002826185530000072
初值z(t0)＝z～N(u，σ2)，t0为初始时刻，t1为终止时刻，t为当前时刻，h为连续映射。
上述常微分方程通过采用文献【Tian Qi Chen，Yulia Rubanova，JesseBettencourt，David Duvenaud：Neural Ordinary Differential Equations.NeurIPS2018：6572-6583】中的方法进行求解。
步骤4：将形式自由分布的样本z′作为输入的低质量人脸的特征，根据形式自由分布的样本z′预测这个低质量三维人脸对应的身份类别，根据预测的身份类别和真实的类别计算损失函数，损失函数为常用的交叉熵损失，根据计算的损失函数通过梯度反向传播优化卷积神经网络的参数，得到优化后的卷积神经网络。
其中，损失函数通过以下过程计算得到：
Figure BDA0002826185530000081
其中，L是损失函数，K是总的身份类别数量，yi是真实的类别标签，若类别是i则yi＝1，否则yi＝0，pi是深度卷积神经网络的预测结果，即pi表示输入的低质量三维人脸的身份类别是i的概率。
三、测试阶段
当训练完成后，测试阶段步骤如下：
步骤1：将测试集中的低质量三维人脸点云投影得到对应的法向量图像，得到三维人脸法向量图像，以便作为优化后的卷积神经网络的输入X。
步骤2：三维人脸法向量图像输入到优化后的卷积神经网络中，利用卷积神经网络将输入的三维人脸法向量图像映射到高斯分布N(μ，σ2)。
步骤3：经过连续归一化流g将步骤2中高斯分布的均值μ可逆地变换到形式自由分布中的样本μ′，将形式自由分布中的样本μ′作为输入的低质量三维人脸对应的干净特征，用于识别身份类别。
一种低质量三维人脸识别系统，包括：
投影模块，用于将采集的低质量三维人脸投影，得到三维人脸法向量图像；
识别模块，用于利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。
一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的低质量三维人脸识别方法。
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，所述计算机程序当被处理器执行时使所述处理器执行上述的低质量三维人脸识别方法。
实施例1
在公开的低质量三维人脸数据集Lock3DFace验证本发明所提供方法的有效性，在Lock3DFace数据集中509名受试者的第一个中性表情视频中平均采样6帧进行数据增强，共39702帧作为训练集，余下四种类型的低质量三维人脸视频数据(FE，OC，PS，TM)作为测试集。表1比较了本发明提供的方法与现有的基于深度学习的方法在低质量人脸识别数据集Lock3DFace四种测试集上的识别率以及平均识别率，Ours*代表采用高斯分布表示低质量三维人脸得到的识别率，Ours代表采用形式自由的分布表示低质量三维人脸得到的识别率。
表1低质量三维人脸识别率以及平均识别率比较
Figure BDA0002826185530000091
从表1可以看出，本发明提出的用分布表示低质量三维人脸有利于提升低质量三维人脸的识别率，并且采用形式自由的分布能够更准确地近似低质量三维人脸真实的后验分布，从而达到更高的识别效果。将高斯后验分布以及变换得到的形式自由的后验分布分别可视化，如图3中(g)-(l)和(n)-(s)所示。

Claims (10)

1.一种低质量三维人脸识别方法，其特征在于，
将采集的低质量三维人脸投影，得到三维人脸法向量图像；
利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。
2.根据权利要求1所述的一种低质量三维人脸识别方法，其特征在于，优化后的卷积神经网络通过以下过程得到：
采集低质量三维人脸数据集，预处理后得到预处理后的训练集；
将预处理后的训练集中的低质量三维人脸点云投影，得到三维人脸法向量图像；
利用卷积神经网络将三维人脸法向量图像映射到高斯分布，输出高斯分布的均值和标准差，从高斯分布中通过重参数化方式采样，得到符合高斯分布的样本；
通过连续归一化流将符合高斯分布的样本变换，得到形式自由分布样本；
将形式自由分布样本作为输入的低质量人脸的特征，根据形式自由分布样本预测这个低质量三维人脸对应的身份类别，根据预测的身份类别和真实的类别计算损失函数，根据损失函数通过梯度反向传播优化卷积神经网络的参数，得到优化后的卷积神经网络。
3.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，预处理的具体过程为：对低质量三维人脸检测出鼻尖点，以鼻尖点为中心切割，去除人脸以外的部分，得到预处理后的训练集。
4.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，符合高斯分布的样本z通过下式得到：
z＝u+∈·σ,∈～N(0,I)
其中，μ表示高斯分布的均值，σ表示高斯分布的标准差，∈表示一个随机种子，N(0,I)表示标准高斯分布，I表示单位矩阵。
5.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，形式自由分布样本z′通过下式得到：
Figure FDA0002826185520000021
其中，z(t0)为初值，z(t0)＝z，z(t)为t时刻的特征，t0为初始时刻，t1为终止时刻，t为当前时刻，h为连续映射。
6.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，损失函数为交叉熵损失函数。
7.根据权利要求2所述的一种低质量三维人脸识别方法，其特征在于，损失函数通过以下过程计算得到：
Figure FDA0002826185520000022
其中，L是损失函数，K是总的身份类别数量，yi是真实的类别标签，若类别是i则yi＝1，否则yi＝0，pi是深度卷积神经网络的预测结果。
8.一种低质量三维人脸识别系统，其特征在于，包括：
投影模块，用于将采集的低质量三维人脸投影，得到三维人脸法向量图像；
识别模块，用于利用优化后的卷积神经网络将三维人脸法向量图像映射到高斯分布，通过连续归一化流将高斯分布的均值变换到形式自由分布中的样本，将形式自由分布中的样本作为低质量三维人脸对应的干净特征，识别身份类别。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-7中任意一项所述的低质量三维人脸识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-7中任意一项所述的低质量三维人脸识别方法。
CN202011429698.0A 2020-12-09 2020-12-09 一种低质量三维人脸识别方法、系统、设备和存储介质 Active CN112446345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011429698.0A CN112446345B (zh) 2020-12-09 2020-12-09 一种低质量三维人脸识别方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011429698.0A CN112446345B (zh) 2020-12-09 2020-12-09 一种低质量三维人脸识别方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112446345A true CN112446345A (zh) 2021-03-05
CN112446345B CN112446345B (zh) 2024-04-05

Family

ID=74739187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011429698.0A Active CN112446345B (zh) 2020-12-09 2020-12-09 一种低质量三维人脸识别方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112446345B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966670A (zh) * 2021-04-08 2021-06-15 北京的卢深视科技有限公司 人脸识别方法、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679477A (zh) * 2017-09-27 2018-02-09 深圳市未来媒体技术研究院 基于空洞卷积神经网络的人脸深度和表面法向量预测方法
CN109934195A (zh) * 2019-03-21 2019-06-25 东北大学 一种基于信息融合的反欺骗三维人脸识别方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679477A (zh) * 2017-09-27 2018-02-09 深圳市未来媒体技术研究院 基于空洞卷积神经网络的人脸深度和表面法向量预测方法
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
CN109934195A (zh) * 2019-03-21 2019-06-25 东北大学 一种基于信息融合的反欺骗三维人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯小荣;惠康华;柳振东;: "基于卷积特征和贝叶斯分类器的人脸识别", 智能系统学报, no. 05 *
李睿;李科;孙家炜;: "基于二维纹理重建三维人脸深度图像后的人脸识别", 现代计算机(专业版), no. 10 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966670A (zh) * 2021-04-08 2021-06-15 北京的卢深视科技有限公司 人脸识别方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN112446345B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN109859147B (zh) 一种基于生成对抗网络噪声建模的真实图像去噪方法
CN110009013B (zh) 编码器训练及表征信息提取方法和装置
CN110163258B (zh) 一种基于语义属性注意力重分配机制的零样本学习方法及系统
EP3298576B1 (en) Training a neural network
CN111488865B (zh) 图像优化方法、装置、计算机存储介质以及电子设备
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN109271958B (zh) 人脸年龄识别方法及装置
CN110929622A (zh) 视频分类方法、模型训练方法、装置、设备及存储介质
CN107784288B (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN112541864A (zh) 一种基于多尺度生成式对抗网络模型的图像修复方法
CN114998695B (zh) 一种提高图像识别速度的方法及系统
CN112215119A (zh) 一种基于超分辨率重建的小目标识别方法、装置及介质
CN104036296B (zh) 一种图像的表示和处理方法及装置
CN108875655A (zh) 一种基于多特征的实时目标视频跟踪方法及系统
CN114038055A (zh) 一种基于对比学习和生成对抗网络的图像生成方法
CN112365551A (zh) 一种图像质量处理系统、方法、设备和介质
CN109871790A (zh) 一种基于混合神经网络模型的视频去色方法
CN113393385B (zh) 基于多尺度融合的无监督去雨方法、系统、装置及介质
CN112446345B (zh) 一种低质量三维人脸识别方法、系统、设备和存储介质
CN113313179A (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法
CN113409307A (zh) 基于异质噪声特性的图像去噪方法、设备及介质
CN109902720B (zh) 基于子空间分解进行深度特征估计的图像分类识别方法
Trevithick et al. What You See is What You GAN: Rendering Every Pixel for High-Fidelity Geometry in 3D GANs
CN114841887B (zh) 一种基于多层次差异学习的图像恢复质量评价方法
CN114565964B (zh) 情绪识别模型的生成方法、识别方法、装置、介质和设备

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