CN112818901A - 一种基于眼部注意力机制的戴口罩人脸识别方法 - Google Patents

一种基于眼部注意力机制的戴口罩人脸识别方法 Download PDF

Info

Publication number
CN112818901A
CN112818901A CN202110197389.3A CN202110197389A CN112818901A CN 112818901 A CN112818901 A CN 112818901A CN 202110197389 A CN202110197389 A CN 202110197389A CN 112818901 A CN112818901 A CN 112818901A
Authority
CN
China
Prior art keywords
face
mask
model
face image
training
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
CN202110197389.3A
Other languages
English (en)
Other versions
CN112818901B (zh
Inventor
张静
肖利
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.)
Chengdu Ruima Technology Co ltd
Original Assignee
Chengdu Ruima 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 Chengdu Ruima Technology Co ltd filed Critical Chengdu Ruima Technology Co ltd
Priority to CN202110197389.3A priority Critical patent/CN112818901B/zh
Publication of CN112818901A publication Critical patent/CN112818901A/zh
Application granted granted Critical
Publication of CN112818901B publication Critical patent/CN112818901B/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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Collating Specific Patterns (AREA)

Abstract

一种基于眼部注意力机制的戴口罩人脸识别方法，包括预处理、检测模型训练、识别模型训练和识别结合，预处理包括以下步骤，通过人脸关键点算法对人脸数据集中每个人脸图像中的人脸关键点进行检测，对人脸数据集中的每个人脸图像进行模拟口罩遮挡；检测模型训练包括以下步骤，确定人脸数据集中每个人脸图像在进行模拟口罩遮挡后的人脸框及人脸关键点；使用检测模型对人脸数据集中的人脸图像进行检测人脸图像中人脸框、人脸5个关键点、人脸是否佩戴口罩的检测训练；所述识别模型训练中的识别模型包括戴口罩识别模型和未戴口罩识别模型。

Description

一种基于眼部注意力机制的戴口罩人脸识别方法
技术领域
本发明涉及图像识别领域，特别涉及一种基于眼部注意力机制的戴口罩人脸识别方法。
背景技术
近年来人脸识别技术得到了快速发展且是计算机视觉中落地较成熟的一项技术，人脸识别技术的基本流程为：人脸检测、人脸质量判断、人脸对齐、人脸提特征、人脸比对。人脸识别算法的原理：系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。但是基于有遮挡的人脸识别仍是一个值得攻克的难题。
现有的实现口罩人脸识别的技术方案，其主要实现方案的特点为：
1、训练样本集构建：人为给现有数据集的人脸带上口罩；
2、以arcface为基线训练人脸提特征模型；
3、提取眉、眼特征进行注意力加权；
4、损失函数采用softmaxloss和triple loss。
现有的实现戴口罩人脸识别的技术方案，其缺点为：
1、戴口罩的人脸检测精度不高，导致人脸对齐的效果不好；
2、仅在计算损失之前加入注意力机制，效果不显著；
3、现实场景中戴口罩人脸识别模型对于未戴口罩的人脸识别率较低。
发明内容
本发明的目的在于：提供了一种基于眼部注意力机制的戴口罩人脸识别方法，将人脸数据集中的每个人脸图像均进行模拟口罩遮挡，使得同一个人脸图像有无口罩遮挡和有口罩遮挡这两种人脸图像，同时进行识别模型训练，并且在有口罩遮挡的人脸图像的识别训练中加入空间注意力权重，解决了上述问题。
本发明采用的技术方案如下：
一种基于眼部注意力机制的戴口罩人脸识别方法，包括预处理、检测模型训练、识别模型训练和识别结合，
所述预处理包括以下步骤，步骤S101：通过人脸关键点算法对人脸数据集中每个人脸图像中的人脸关键点进行检测，检测得出每个人脸图像中的68个人脸关键点；
步骤S102：对人脸数据集中的每个人脸图像进行模拟口罩遮挡；
所述检测模型训练包括以下步骤，步骤S201：确定人脸数据集中每个人脸图像在进行模拟口罩遮挡后的人脸框及人脸关键点；
步骤S202：融合模拟口罩遮挡前及进行模拟口罩遮挡后的人脸图像到人脸数据集，并给每个人脸图像增加是否佩戴口罩的标签A；
步骤S203：使用检测模型对人脸数据集中的人脸图像进行检测人脸图像中人脸框、人脸5个关键点、人脸是否佩戴口罩的检测训练；
所述人脸5个关键点为左眼、右眼、鼻尖、左嘴角和右嘴角；
所述识别模型训练中的识别模型包括戴口罩识别模型和未戴口罩识别模型，训练戴口罩识别模型包括以下步骤，步骤S301：通过检测模型训练中的检测模型对融合后的人脸数据集中的每个人脸图像进行人脸框及人脸关键点定位；
步骤S302：通过人脸框及人脸5个关键点对人脸进行对齐，每个人脸图像生成一个正方形图片A；
步骤S303：在步骤S302生成的所有正方形图片A中，定位人脸框鼻梁以上区域为感兴趣矩形区域ROI；
步骤S304：在arcface模型中输入每个正方形图片，对每个正方形图片A的每一层特征层增加空间注意力权重；
步骤S305：使用arcface loss损失函数对增加空间注意力权重后的正方形图片A进行识别训练；
训练未戴口罩识别模型包括以下步骤，步骤S401：通过检测模型训练中的检测模型对步骤S101中的人脸数据集中的未进行模拟口罩遮挡的人脸图像进行人脸框及人脸关键点定位；
步骤S402：通过人脸框及人脸5个关键点对人脸进行对齐，每个人脸图像生成一个正方形图片B；
步骤S403：使用arcface loss损失函数对生成的正方形图片B进行识别训练。
为了更好地实现本方案，进一步地，所述识别结合为，根据监测模型中判断出的人脸图像是否有口罩遮挡来选择人脸识别模型，当判断结果为人脸图像无口罩遮挡时，通过未戴口罩识别模型来进行人脸识别；当判断结果为人脸图像有口罩遮挡时，通过戴口罩识别模型来进行人脸识别。
为了更好地实现本方案，进一步地，所述步骤S304中的增加空间注意力权重的方式为：
计算saliency map，提取特征层产生的feature map的大小为W*H*K，其中所有K层相同位置的激活值相加后求和，形成W*H；然后进行归一化，使所有值处于[0，1]；
将感兴趣矩形区域ROI映射到feature map上形成区域RI；
在saliency map中将区域RI内的激活值置为1，其他区域激活值不变；
特征层产生的每一层的W*H的feature map区域为：
Figure BDA0002947543020000031
其中
Figure BDA0002947543020000032
λ1＝0.5，λ2＝0.4，
Figure BDA0002947543020000033
为了更好地实现本方案，进一步地，所述步骤S303中的感兴趣矩形区域ROI覆盖人脸的两只眉毛和两只眼睛。
为了更好地实现本方案，进一步地，所述步骤S203中的检测模型基于retinaface模型。
为了解决现有能实现戴口罩人脸识别的技术方案中的三个缺点，设计了本方案。为了解决缺点1，在预处理步骤模块中，将人脸数据集中的每个人脸图像均进行模拟口罩遮挡，使得同一个人脸图像有无口罩遮挡和有口罩遮挡这两种人脸图像，对这两种人脸图像同时进行识别模型训练，使得检测模型能够检测出人脸图像是否佩戴口罩。而在识别模型中，将人脸图像生成一个正方形图片，然后将人脸框鼻梁以上覆盖人脸的两只眉毛和两只眼睛的区域设置为感兴趣矩形区域ROI，并且在arcface模型中输入每个正方形图片，对每个正方形图片的每一层特征层增加空间注意力权重，然后使用arcface loss损失函数对增加空间注意力权重后的正方形图片进行识别训练，提高戴口罩的人脸检测精度。
为了解决问题2，我们将增加空间注意力权重的步骤，改为在arcface模型中输入每个正方形图片后，就直接在每个正方形图片的每一层特征层增加空间注意力权重，而不是类似现有技术中在识别训练后计算损失时增加注意力权重，这样使得空间注意力权重是直接加入到计算正方形图片的每层特征层里，效果更明显。
为了解决问题3，我们在方案中加入识别结合模块，根据监测模型中判断出的人脸图像是否有口罩遮挡来选择人脸识别模型，当判断结果为人脸图像无口罩遮挡时，通过匹配人脸图像中的68个关键点来进行人脸识别；当判断结果为人脸图像有口罩遮挡时，通过识别模型来进行人脸识别，这种设置，将戴口罩的人脸和未戴口罩的人脸分开识别，提高了未戴口罩的人脸识别率。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明所述的一种基于眼部注意力机制的戴口罩人脸识别方法，将人脸数据集中的每个人脸图像均进行模拟口罩遮挡，使得同一个人脸图像有无口罩遮挡和有口罩遮挡这两种人脸图像，同时进行识别模型训练，提高戴口罩的人脸检测精度；
2.本发明所述的一种基于眼部注意力机制的戴口罩人脸识别方法，将增加空间注意力权重的步骤，改为在arcface模型中输入每个正方形图片后，这样使得空间注意力权重是直接加入到计算正方形图片的每层特征层里，效果更明显；
3.本发明所述的一种基于眼部注意力机制的戴口罩人脸识别方法，在方案中加入识别结合模块，根据监测模型中判断出的人脸图像是否有口罩遮挡来选择人脸识别模型，将戴口罩的人脸和未戴口罩的人脸分开识别，提高了未戴口罩的人脸识别率。
附图说明
为了更清楚地说明本技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，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得其他相关的附图，其中：
图1是本发明的流程框图；
图2是本发明的人脸图像68个关键点及感兴趣矩形区域ROI示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，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，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图2对本发明作详细说明。
实施例1
一种基于眼部注意力机制的戴口罩人脸识别方法，包括预处理、检测模型训练、识别模型训练和识别结合，
所述预处理包括以下步骤，步骤S101：通过人脸关键点算法对人脸数据集中每个人脸图像中的人脸关键点进行检测，检测得出每个人脸图像中的68个人脸关键点，人脸图像68个关键点示意图如图2；
步骤S102：对人脸数据集中的每个人脸图像进行模拟口罩遮挡；
所述检测模型训练包括以下步骤，步骤S201：确定人脸数据集中每个人脸图像在进行模拟口罩遮挡后的人脸框及人脸关键点；
步骤S202：融合模拟口罩遮挡前及进行模拟口罩遮挡后的人脸图像到人脸数据集，并给每个人脸图像增加是否佩戴口罩的标签A；
步骤S203：使用检测模型对人脸数据集中的人脸图像进行检测人脸图像中人脸框、人脸5个关键点、人脸是否佩戴口罩的检测训练；
所述人脸5个关键点为左眼、右眼、鼻尖、左嘴角和右嘴角；
所述识别模型训练中的识别模型包括戴口罩识别模型和未戴口罩识别模型，训练戴口罩识别模型包括以下步骤，步骤S301：通过检测模型训练中的检测模型对融合后的人脸数据集中的每个人脸图像进行人脸框及人脸关键点定位；
步骤S302：通过人脸框及人脸5个关键点对人脸进行对齐，每个人脸图像生成一个正方形图片A；
步骤S303：在步骤S302生成的所有正方形图片A中，定位人脸框鼻梁以上区域为感兴趣矩形区域ROI，如图2；
步骤S304：在arcface模型中输入每个正方形图片，对每个正方形图片A的每一层特征层增加空间注意力权重；
步骤S305：使用arcface loss损失函数对增加空间注意力权重后的正方形图片A进行识别训练；
训练未戴口罩识别模型包括以下步骤，步骤S401：通过检测模型训练中的检测模型对步骤S101中的人脸数据集中的未进行模拟口罩遮挡的人脸图像进行人脸框及人脸关键点定位；
步骤S402：通过人脸框及人脸5个关键点对人脸进行对齐，每个人脸图像生成一个正方形图片B；
步骤S403：使用arcface loss损失函数对生成的正方形图片B进行识别训练。
工作原理：为了解决背景技术中提到的现有能实现戴口罩人脸识别的技术方案中的三个缺点，设计了本方案。为了解决缺点1，在预处理步骤模块中，将人脸数据集中的每个人脸图像均进行模拟口罩遮挡，使得同一个人脸图像有无口罩遮挡和有口罩遮挡这两种人脸图像，对这两种人脸图像同时进行识别模型训练，使得检测模型能够检测出人脸图像是否佩戴口罩。而在识别模型中，将人脸图像生成一个正方形图片，然后将人脸框鼻梁以上覆盖人脸的两只眉毛和两只眼睛的区域设置为感兴趣矩形区域ROI，并且在arcface模型中输入每个正方形图片，对每个正方形图片的每一层特征层增加空间注意力权重，然后使用arcface loss损失函数对增加空间注意力权重后的正方形图片进行识别训练，提高戴口罩的人脸检测精度。
为了解决问题2，我们将增加空间注意力权重的步骤，改为在arcface模型中输入每个正方形图片后，就直接在每个正方形图片的每一层特征层增加空间注意力权重，而不是类似现有技术中在识别训练后计算损失时增加注意力权重，这样使得空间注意力权重是直接加入到计算正方形图片的每层特征层里，效果更明显。
实施例2
本实施例在实施例1的基础上，如图1，所述识别结合为，根据监测模型中判断出的人脸图像是否有口罩遮挡来选择人脸识别模型，当判断结果为人脸图像无口罩遮挡时，通过未戴口罩识别模型来进行人脸识别；当判断结果为人脸图像有口罩遮挡时，通过戴口罩识别模型来进行人脸识别。
进行人脸识别时，对比人脸和每个人脸图像的关键点，当人脸和一个人脸图像中所有的关键点的总误差阈值不超过预设误差阈值时，则判定为该人脸图像对应的人脸；当人脸和所有人脸图像中所有的关键点的总误差阈值超过预设误差阈值时，则判定为无匹配的人脸图像。
所述步骤S304中的增加空间注意力权重的方式为：
计算saliency map，提取特征层产生的feature map的大小为W*H*K，其中所有K层相同位置的激活值相加后求和，形成W*H；然后进行归一化，使所有值处于[0，1]；
将感兴趣矩形区域ROI映射到feature map上形成区域RI；
在saliency map中将区域RI内的激活值置为1，其他区域激活值不变；
特征层产生的每一层的W*H的feature map区域为：
Figure BDA0002947543020000061
其中
Figure BDA0002947543020000062
λ1＝0.5，λ2＝0.4，
Figure BDA0002947543020000063
所述步骤S303中的感兴趣矩形区域ROI覆盖人脸的两只眉毛和两只眼睛。
所述步骤S203中的检测模型基于retinaface模型。
工作原理：为了解决背景技术中的问题3，我们在方案中加入识别结合模块，根据监测模型中判断出的人脸图像是否有口罩遮挡来选择人脸识别模型，当判断结果为人脸图像无口罩遮挡时，通过匹配人脸图像中的68个关键点来进行人脸识别；当判断结果为人脸图像有口罩遮挡时，通过识别模型来进行人脸识别，这种设置，将戴口罩的人脸和未戴口罩的人脸分开识别，提高了未戴口罩的人脸识别率。
本实施例的其他部分与上述实施例1相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (5)

1.一种基于眼部注意力机制的戴口罩人脸识别方法，包括预处理、检测模型训练、识别模型训练和识别结合，其特征在于：
所述预处理包括以下步骤，步骤S101：通过人脸关键点算法对人脸数据集中每个人脸图像中的人脸关键点进行检测，检测得出每个人脸图像中的68个人脸关键点；
步骤S102：对人脸数据集中的每个人脸图像进行模拟口罩遮挡；
所述检测模型训练包括以下步骤，步骤S201：确定人脸数据集中每个人脸图像在进行模拟口罩遮挡后的人脸框及人脸关键点；
步骤S202：融合模拟口罩遮挡前及进行模拟口罩遮挡后的人脸图像到人脸数据集，并给每个人脸图像增加是否佩戴口罩的标签A；
步骤S203：使用检测模型对人脸数据集中的人脸图像进行检测人脸图像中人脸框、人脸5个关键点、人脸是否佩戴口罩的检测训练；
所述人脸5个关键点为左眼、右眼、鼻尖、左嘴角和右嘴角；
所述识别模型训练中的识别模型包括戴口罩识别模型和未戴口罩识别模型，训练戴口罩识别模型包括以下步骤，步骤S301：通过检测模型训练中的检测模型对融合后的人脸数据集中的每个人脸图像进行人脸框及人脸关键点定位；
步骤S302：通过人脸框及人脸5个关键点对人脸进行对齐，每个人脸图像生成一个正方形图片A；
步骤S303：在步骤S302生成的所有正方形图片A中，定位人脸框鼻梁以上区域为感兴趣矩形区域ROI；
步骤S304：在arcface模型中输入每个正方形图片，对每个正方形图片A的每一层特征层增加空间注意力权重；
步骤S305：使用arcface loss损失函数对增加空间注意力权重后的正方形图片A进行识别训练；
训练未戴口罩识别模型包括以下步骤，步骤S401：通过检测模型训练中的检测模型对步骤S101中的人脸数据集中的未进行模拟口罩遮挡的人脸图像进行人脸框及人脸关键点定位；
步骤S402：通过人脸框及人脸5个关键点对人脸进行对齐，每个人脸图像生成一个正方形图片B；
步骤S403：使用arcface loss损失函数对生成的正方形图片B进行识别训练。
2.根据权利要求1所述的一种基于眼部注意力机制的戴口罩人脸识别方法，其特征在于：所述识别结合为，根据监测模型中判断出的人脸图像是否有口罩遮挡来选择人脸识别模型，当判断结果为人脸图像无口罩遮挡时，通过未戴口罩识别模型来进行人脸识别；当判断结果为人脸图像有口罩遮挡时，通过戴口罩识别模型来进行人脸识别。
3.根据权利要求1所述的一种基于眼部注意力机制的戴口罩人脸识别方法，其特征在于：所述步骤S304中的增加空间注意力权重的方式为：
计算saliency map，提取特征层产生的feature map的大小为W*H*K，其中所有K层相同位置的激活值相加后求和，形成W*H；然后进行归一化，使所有值处于[0，1]；
将感兴趣矩形区域ROI映射到feature map上形成区域RI；
在saliency map中将区域RI内的激活值置为1，其他区域激活值不变；
特征层产生的每一层的W*H的feature map区域为：
Figure FDA0002947543010000021
其中
Figure FDA0002947543010000022
λ1＝0.5，λ2＝0.4，
Figure FDA0002947543010000023
4.根据权利要求1所述的一种基于眼部注意力机制的戴口罩人脸识别方法，其特征在于：所述步骤S303中的感兴趣矩形区域ROI覆盖人脸的两只眉毛和两只眼睛。
5.根据权利要求1所述的一种基于眼部注意力机制的戴口罩人脸识别方法，其特征在于：所述步骤S203中的检测模型基于retinaface模型。
CN202110197389.3A 2021-02-22 2021-02-22 一种基于眼部注意力机制的戴口罩人脸识别方法 Active CN112818901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110197389.3A CN112818901B (zh) 2021-02-22 2021-02-22 一种基于眼部注意力机制的戴口罩人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110197389.3A CN112818901B (zh) 2021-02-22 2021-02-22 一种基于眼部注意力机制的戴口罩人脸识别方法

Publications (2)

Publication Number Publication Date
CN112818901A true CN112818901A (zh) 2021-05-18
CN112818901B CN112818901B (zh) 2023-04-07

Family

ID=75864652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110197389.3A Active CN112818901B (zh) 2021-02-22 2021-02-22 一种基于眼部注意力机制的戴口罩人脸识别方法

Country Status (1)

Country Link
CN (1) CN112818901B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114267111A (zh) * 2021-12-06 2022-04-01 中国铁道科学研究院集团有限公司电子计算技术研究所 一种多合一通行管控方法、系统及设备
CN114937300A (zh) * 2022-05-20 2022-08-23 北京数美时代科技有限公司 一种遮挡人脸识别方法和系统
TWI786969B (zh) * 2021-11-30 2022-12-11 財團法人工業技術研究院 眼球定位方法及其影像處理裝置與影像處理系統
CN115527254A (zh) * 2022-09-21 2022-12-27 北京的卢深视科技有限公司 人脸识别、模型训练方法、装置、电子设备及存储介质
CN114821704B (zh) * 2022-03-16 2024-05-24 桂林理工大学 一种基于关键点注意力机制的口罩人脸识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010008101A (ja) * 2008-06-24 2010-01-14 Toyota Motor Corp 顔面の覆体及び顔面部位特定方法
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
CN110135406A (zh) * 2019-07-09 2019-08-16 北京旷视科技有限公司 图像识别方法、装置、计算机设备和存储介质
CN111414876A (zh) * 2020-03-26 2020-07-14 西安交通大学 一种基于时序引导空间注意力的暴力行为识别方法
CN111460962A (zh) * 2020-03-27 2020-07-28 武汉大学 一种口罩人脸识别方法及系统
CN111626193A (zh) * 2020-05-26 2020-09-04 北京嘀嘀无限科技发展有限公司 一种面部识别方法、面部识别装置及可读存储介质
CN111783596A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111860393A (zh) * 2020-07-28 2020-10-30 浙江工业大学 一种安防系统上的人脸检测识别方法
CN111881770A (zh) * 2020-07-06 2020-11-03 上海序言泽网络科技有限公司 一种人脸识别方法及系统
CN112115818A (zh) * 2020-09-01 2020-12-22 燕山大学 口罩佩戴识别方法
CN112287918A (zh) * 2020-12-31 2021-01-29 湖北亿咖通科技有限公司 一种人脸识别方法、装置及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010008101A (ja) * 2008-06-24 2010-01-14 Toyota Motor Corp 顔面の覆体及び顔面部位特定方法
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
CN110135406A (zh) * 2019-07-09 2019-08-16 北京旷视科技有限公司 图像识别方法、装置、计算机设备和存储介质
CN111414876A (zh) * 2020-03-26 2020-07-14 西安交通大学 一种基于时序引导空间注意力的暴力行为识别方法
CN111460962A (zh) * 2020-03-27 2020-07-28 武汉大学 一种口罩人脸识别方法及系统
CN111626193A (zh) * 2020-05-26 2020-09-04 北京嘀嘀无限科技发展有限公司 一种面部识别方法、面部识别装置及可读存储介质
CN111783596A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111881770A (zh) * 2020-07-06 2020-11-03 上海序言泽网络科技有限公司 一种人脸识别方法及系统
CN111860393A (zh) * 2020-07-28 2020-10-30 浙江工业大学 一种安防系统上的人脸检测识别方法
CN112115818A (zh) * 2020-09-01 2020-12-22 燕山大学 口罩佩戴识别方法
CN112287918A (zh) * 2020-12-31 2021-01-29 湖北亿咖通科技有限公司 一种人脸识别方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANDE LI等: "Cropping and attention based approach for masked face recognition", 《APPLIED INTELLIGENCE》 *
张修宝等: "全天候自然场景下的人脸佩戴口罩识别技术", 《中国科学:信息科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
TWI786969B (zh) * 2021-11-30 2022-12-11 財團法人工業技術研究院 眼球定位方法及其影像處理裝置與影像處理系統
CN114267111A (zh) * 2021-12-06 2022-04-01 中国铁道科学研究院集团有限公司电子计算技术研究所 一种多合一通行管控方法、系统及设备
CN114821704B (zh) * 2022-03-16 2024-05-24 桂林理工大学 一种基于关键点注意力机制的口罩人脸识别方法
CN114937300A (zh) * 2022-05-20 2022-08-23 北京数美时代科技有限公司 一种遮挡人脸识别方法和系统
CN115527254A (zh) * 2022-09-21 2022-12-27 北京的卢深视科技有限公司 人脸识别、模型训练方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112818901B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112818901B (zh) 一种基于眼部注意力机制的戴口罩人脸识别方法
CN109670441B (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN111460962B (zh) 一种口罩人脸识别方法及系统
CN100423020C (zh) 一种基于结构主元分析的人脸识别方法
CN106407911A (zh) 基于图像的眼镜识别方法及装置
CN112633144A (zh) 人脸遮挡检测方法、系统、设备及存储介质
CN101390128B (zh) 脸部器官的位置的检测方法及检测系统
Boehnen et al. A fast multi-modal approach to facial feature detection
CN104616438A (zh) 一种用于疲劳驾驶检测的打哈欠动作检测方法
EP3680794A1 (en) Device and method for user authentication on basis of iris recognition
CN111898413A (zh) 人脸识别方法、装置、电子设备和介质
CN112434562B (zh) 口罩佩戴状态的检测方法、设备、电子装置和存储介质
CN103996033B (zh) 一种基于人脸五官坐标跟踪的真人识别方法
CN111598021B (zh) 面部遮挡物的佩戴检测方法、装置、电子设备及存储介质
CN110705454A (zh) 一种具有活体检测功能的人脸识别方法
CN111862413A (zh) 实现抗疫情非接触多维身份快速识别的方法及其系统
CN111597910A (zh) 一种人脸识别方法、装置、终端设备及介质
CN114120426A (zh) 一种基于局部分块注意力双支路优化的口罩人脸识别方法
CN113963237B (zh) 模型训练、戴口罩状态检测方法、电子设备及存储介质
CN112115835A (zh) 一种基于人脸关键点的证件照局部异常检测方法
CN111738078A (zh) 一种人脸识别方法和装置
CN113705466A (zh) 用于遮挡场景、尤其高仿遮挡下的人脸五官遮挡检测方法
Gunduz et al. Facial feature extraction using topological methods
CN113989886A (zh) 基于人脸识别的船员身份验证方法
RU2365995C2 (ru) Система и способ регистрации двухмерных изображений

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