CN113239739A - 一种佩戴物的识别方法及识别装置 - Google Patents
一种佩戴物的识别方法及识别装置 Download PDFInfo
- Publication number
- CN113239739A CN113239739A CN202110419933.4A CN202110419933A CN113239739A CN 113239739 A CN113239739 A CN 113239739A CN 202110419933 A CN202110419933 A CN 202110419933A CN 113239739 A CN113239739 A CN 113239739A
- Authority
- CN
- China
- Prior art keywords
- wearing
- image
- classification
- label
- identified
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理的技术领域,提供一种佩戴物的识别方法及识别装置,所述识别方法包括:获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果。上述方案,实现了对不同类型佩戴物的识别,巧妙地缩减了多个识别模型间的冗余计算量,且无需对待识别图像进行分割处理,提高了识别效率。
Description
技术领域
本申请属于图像处理的技术领域,尤其涉及一种佩戴物的识别方法及识别装置。
背景技术
人脸识别技术是一种常见的身份识别手段。广泛应用于考勤、安检、门禁以及人脸支付等场景。其原理是基于人的脸部特征,将采集的待识别图像与已知的历史图像中的人脸信息进行对比,进而得到待识别图像对应的身份信息。
然而,在进行人脸识别的过程中,往往容易受到佩戴物(例如:眼镜以及口罩等等)的影响,造成识别失败或识别精度较低的问题。故,在进行人脸识别之前,需对佩戴物进行识别,进而提醒用户摘除佩戴物,进行人脸识别。
其中,传统的佩戴物识别技术,往往需要将人脸分割为不同区域,并针对不同区域分别采用不同的识别模型进行逐一识别。由于不仅需要进行分割处理,还需要多个识别模型逐一识别,故计算较大且识别效率较低。
发明内容
有鉴于此,本申请实施例提供了一种佩戴物的识别方法、识别装置、终端设备以及计算机可读存储介质,可以解决传统的佩戴物识别技术不仅需要进行分割处理,还需要多个识别模型逐一识别,故计算较大且识别效率较低的技术问题。
本申请实施例的第一方面提供了一种佩戴物的识别方法,所述识别方法包括:
获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;
通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;
通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;
通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
本申请实施例的第二方面提供了一种佩戴物的识别装置,所述识别装置包括:
获取单元,用于获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;
第一处理单元,用于通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;
第二处理单元,用于通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;
第三处理单元,用于通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
本申请实施例的第三方面提供了一种终端设备,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上述第一方面所述方法的步骤。
本申请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上述第一方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:由于传统的佩戴物识别技术中的多个识别模型,在处理待识别图像时,需要分别进行特征提取,无法共享特征信息,导致过多的冗余计算量。故本申请采用单个佩戴物识别模型对不同类型佩戴物进行识别。其中,佩戴物识别模型中的初始网络可以提取不同类型佩戴物共同所需的初始特征信息,并通过多个分类网络分别提取初始特征信息中不同类型佩戴物的佩戴物特征信息,进而根据佩戴物特征信息进行分类识别。即实现了对不同类型佩戴物的识别,又巧妙地缩减了多个识别模型间的冗余计算量,且无需对待识别图像进行分割处理,进一步减少计算量,提高了识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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得其它的附图。
图1示出了本申请提供的一种佩戴物的识别方法的示意性流程图;
图2示出了本申请提供的一种佩戴物的识别方法中步骤101具体示意性流程图;
图3示出了本申请提供的佩戴物识别模型的网络架构示意图;
图4示出了本申请提供的一种佩戴物的识别方法中步骤104具体示意性流程图;
图5示出了本申请提供的一种佩戴物的识别方法中步骤1041具体示意性流程图;
图6示出了本申请提供的一种佩戴物的识别方法中步骤A1具体示意性流程图;
图7示出了本申请提供的一种佩戴物的识别方法中步骤A2具体示意性流程图;
图8示出了本申请提供的另一种佩戴物的识别方法的示意性流程图;
图9示出了本申请提供的一种佩戴物的识别装置的示意图;
图10是本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了更好地理解本申请解决的技术问题,故在此对上述背景技术进行进一步说明:
传统佩戴物识别技术在识别佩戴物时,需进行两大步骤:①先对人脸区域进行分割,得到多个脸部区域的图片,例如:鼻子区域的图片、眼睛区域的图片或嘴巴区域的图片;②调用多个识别模型,依次对多个脸部区域进行识别。
然而,采用上述传统佩戴物识别技术往往容易导致如下几个问题:
问题一:传统佩戴物识别技术默认佩戴物均会出现在预设区域(如:眼镜出现在眼睛区域,口罩出现在鼻子区域或嘴巴区域)。假设用户偶然性将眼镜提拉至额头处或将口罩提拉至下巴处,由于不同的识别模型在某一区域仅针对性地识别一种佩戴物,故导致在佩戴物不处于常规位置时,传统佩戴物识别技术无法识别佩戴物。
问题二:由于传统佩戴物识别技术需将人脸区域进行分割处理,得到多个脸部区域的图片。也就意味着,在模型训练阶段采集训练数据时,不仅需要获取不同佩戴物的标签,还要获取不同佩戴物在训练图像中的不同位置,故采集训练数据的过程较为繁琐。
问题三:由于传统佩戴物识别技术不仅需要进行分割处理,还需要多个识别模型对不同佩戴物进行逐一识别,故计算较大且识别效率较低。
有鉴于此,本申请实施例提供了一种佩戴物的识别方法、识别装置、终端设备以及计算机可读存储介质,可以解决上述技术问题。
首先,本申请提供了一种佩戴物的识别方法,所述识别方法具体包括如下内容:
请参见图1,图1示出了本申请提供的一种佩戴物的识别方法的示意性流程图。如图1所示,该识别方法可以包括如下步骤:
步骤101,获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中。
待识别图像可以为未处理的原始图像(原始图像是指直接由摄像模块采集的图像),也可以为处理后的原始图像。优选地,由于在佩戴物识别过程中,有效数据为人脸区域的图像,故可针对原始图像进行预处理,得到待识别图像,减少不必要的计算量,预处理过程如下图2可选实施例所示:
作为本申请的一个可选实施例,步骤101包括如下步骤1011至步骤1013。请参见图2,图2示出了本申请提供的一种佩戴物的识别方法中步骤101具体示意性流程图。
步骤1011,获取原始图像,提取所述原始图像中的人脸图像。
通过人脸检测算法,得到原始图像中的人脸框,并提取人脸框中的人脸图像。人脸检测算法包括但不限于单镜头多箱式人脸检测(single shotMulti-boxes detector,SSD)以及目标检测(you only look once,YOLO)等一种或多种算法之间的结合。
为了确保得到完整的人脸图像,防止佩戴物的图像区域溢出人脸框之外,故可将人脸框扩大至预设尺寸。其中,预设尺寸可以为固定大小(即预先给定一个尺寸定值),预设尺寸也可以是为根据预设比例得到的尺寸,即将人脸框的尺寸与预设比例相乘得到预设尺寸。
步骤1012,对所述人脸图像进行人脸对齐,得到初始图像。
通过人脸对齐算法对所述人脸图像进行人脸对齐。人脸对齐算法为常规技术手段,在此不再赘述。
步骤1013,调整所述初始图像的图像尺寸,得到所述待识别图像。
为了提高佩戴物识别模型的处理效率,可将原始图像的图像尺寸缩小至预设尺寸,减少佩戴物识别模型的计算量,以提高模型识别效率。
可以理解的是,所述“将原始图像的图像尺寸缩小至预设尺寸”是指将整个初始图像缩小至预设尺寸,而不是指在初始图像中截取预设尺寸的区域。
值得注意的,随着待识别图像的图像尺寸无限小时,佩戴物识别模型的识别精度随之下降。而待识别图像的图像尺寸较大时,佩戴物识别模型的识别精度较高,但计算量大。故可根据实际应用场景的识别精度和计算效率等综合需求,拟定较为适宜的预设尺寸。优选地,可将初始图像调整为256像素×256像素,得到待识别图像。
在得到待识别图像后输入训练后的佩戴物识别模型中。请参见图3,图3示出了本申请提供的佩戴物识别模型的网络架构示意图。如图3所示,佩戴物识别模型的网络架构包括初始网络、多个分类网络以及多个分类网络各自对应的分类器。需要说明的是,图3仅仅用于示例,对于图3中分类网络的数量以及分类器的数量不做任何限定。在实际应用过程中,每一种佩戴物都可采用各自对应的分类网络以及分类器,例如:对于口罩的识别,采用第一分类网络和第一分类器;对于眼镜的识别,可采用第二分类网络和第二分类器;对于帽子的识别,可采用第三分类网络和第三分类器等等,依次类推。
步骤102,通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息。
由初始网络提取不同类型佩戴物共同的特征信息,即初始特征信息。优选地,初始网络可采用mobilenet网络的前7层。
步骤103,通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息。
多个分类网络在初始特征信息的基础上,分别针对不同的佩戴物类型,提取不同佩戴物类型的佩戴物特征信息,例如:采用第一分类网络提取口罩的佩戴物特征信息,采用第二分类网络提取眼镜的佩戴物特征信息。
步骤104,通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
不同佩戴物类型包括但不限于口罩、眼镜或帽子等一种或多种佩戴物类型之间的组合。不同佩戴物类型可采用相同的分类器(即共用一个分类器),不同佩戴物类型也可采用不同的分类器。优选地,由于不同佩戴物类型的标签种类数量不同(例如:口罩的标签种类数量为两种,分别用于表示待识别图像中是否存在口罩;眼镜的标签种类数量为三种,分别用于表示待识别图像中存在普通眼镜、存在墨镜或不存在眼镜),故优先采用不同的分类器。不同分类器的分类过程如下图4可选实施例所示:
作为本申请的一个可选实施例,所述多个分类网络包括第一分类网络和第二分类网络;所述分类器包括二分类器和多分类器;所述多分类器用于对标签种类大于2的佩戴物进行分类,步骤104包括如下步骤1041至步骤1043。请参见图4,图4示出了本申请提供的一种佩戴物的识别方法中步骤104具体示意性流程图。
步骤1041,通过所述第一分类网络对应的所述二分类器,对所述分类网络提取的第一佩戴物特征信息进行分类,得到第一分类结果。
第一分类结果包括但不限于第一置信度,第一置信度用于表示第一佩戴物特征信息为第一佩戴物的概率。
二分类器用于分类两种标签类型,例如:0和1(0表示不存在第一佩戴物,1表示存在第一佩戴物)。二分类器包括但不限于Sigmoid函数等。
步骤1042,通过所述第二分类网络对应的所述多分类器,对所述第二分类网络提取的第二佩戴物特征信息进行分类,得到第二分类结果。
第一分类结果包括但不限于佩戴物类型以及第二置信度,第二置信度用于表示第二佩戴物特征信息为第二佩戴物的概率。
多分类器用于对标签种类大于2的佩戴物进行分类,例如:0、1和2(0表示不存在第二佩戴物,1表示存在第一子佩戴物,2表示存在第二子佩戴物,其中,第二佩戴物包括第一子佩戴物和第二子佩戴物)。多分类器包括但不限于Softmax函数。
步骤1043,根据所述第一分类结果和所述第二分类结果,得到所述目标识别结果。
可将第一分类结果和第二分类结果直接作为目标识别结果。然而,由于第一分类结果和第二分类结果为置信度,故数据直观性较差。可依据第一分类结果和第二分类结果,得到不同佩戴物对应的标签,并作为目标识别结果,具体过程如下图5可选实施例所示:
作为本申请的一个可选实施例,不同类型佩戴物包括第一佩戴物和第二佩戴物,所述第二佩戴物包括多个子佩戴物,步骤1043包括如下步骤A1至步骤A2。请参见图5,图5示出了本申请提供的一种佩戴物的识别方法中步骤1041具体示意性流程图。
步骤A1,根据所述第一分类结果中的第一置信度,输出二分类标签;所述二类分标签用于标注所述待识别图像中是否存在所述第一佩戴物。
步骤A1的执行过程如下图6可选实施例所示:
作为本申请的一个可选实施例,二分类标签包括第一标签和第二标签,步骤A1包括如下步骤A11至步骤A12。请参见图6,图6示出了本申请提供的一种佩戴物的识别方法中步骤A1具体示意性流程图。
步骤A11,若所述第一置信度大于第一阈值,则输出第一标签;所述第一标签用于标注所述待识别图像中存在所述第一佩戴物。
步骤A12,若所述第一置信度不大于第一阈值,则输出第二标签;所述第二标签用于标注所述待识别图像中不存在所述第一佩戴物。
示例性地,第一置信度的数值范围为0至1,可将第一阈值设为0.5。若第一置信度大于0.5,则输出第一标签。若置信度小于0.5,则输出第二标签。例如:当口罩(第一类型佩戴物)的第一置信度为0.7时,输出1(第一标签,表示待识别图像中存在口罩);当口罩的第一置信度为0.4时,输出0(第二标签,表示待识别图像中不存在口罩)。
步骤A2,根据所述第二分类结果中的分类置信度,输出多分类标签;所述多分类标签用于标注所述待识别图像中是否存在所述子佩戴物。
步骤A2的执行过程如下图7可选实施例所示:
作为本申请的一个可选实施例,多个所述子佩戴物包括第一子佩戴物和第二子佩戴物;所述分类置信度包括第一分类置信度、第二分类置信度以及第三分类置信度;所述多分类标签包括第三标签、第四标签以及第五标签,步骤A2包括如下步骤A21至步骤A23。请参见图7,图7示出了本申请提供的一种佩戴物的识别方法中步骤A2具体示意性流程图。
步骤A21,若在所述分类置信度中,所述第一分类置信度的最大,则输出所述第一分类置信度对应的所述第三标签;所述第三标签用于标注所述待识别图像中存在所述第一子佩戴物。
步骤A22,若在所述分类置信度中,所述第二分类置信度的最大,则输出所述第二分类置信度对应的所述第四标签;所述第四标签用于标注所述待识别图像中存在所述第二子佩戴物。
步骤A23,若在所述分类置信度中,所述第三分类置信度的最大,则输出所述第三分类置信度对应的所述第五标签;所述第五标签用于标注所述待识别图像中不存在所述第一子佩戴物和所述第二子佩戴物。
示例性地,以眼镜(第二佩戴物)为例,眼镜包括两种子佩戴物:墨镜和非墨镜,即第一子佩戴物为墨镜,第二子佩戴物为非墨镜。当第二分类结果为:墨镜的第一分类置信度为0.7、非墨镜的第二分类置信度为0.1以及不存在墨镜以及非墨镜的第三分类置信度为0.2时,输出1(第三标签,表示待识别图像中存在墨镜)。当第二分类结果为:墨镜的第一分类置信度为0.2、非墨镜的第二分类置信度为0.6以及不存在墨镜以及非墨镜的第三分类置信度为0.2时,输出2(第四标签,表示待识别图像中存在非墨镜)。当第三分类结果为:墨镜的第一分类置信度为0.1、非墨镜的第二分类置信度为0.1以及不存在墨镜以及非墨镜的第三分类置信度为0.8时,输出3(第五标签,表示待识别图像中存在墨镜和非墨镜)。其中,第一分类置信度、第二分类置信度以及第三分类置信度的总和为1。
步骤A3,将所述二分类标签、所述第二分类标签对应的所述第一佩戴物的类型、所述多分类标签以及所述多分类标签对应的子佩戴物的类型,作为所述目标识别结果。
示例性地,目标识别结果如表1所示:
表1:
第一待识别图像 | 口罩:1 | 眼镜:1 | 帽子:1 |
第二待识别图像 | 口罩:0 | 眼镜:2 | 帽子:0 |
第三待识别图像 | 口罩:1 | 眼镜:2 | 帽子:0 |
第四待识别图像 | 口罩:1 | 眼镜:0 | 帽子:1 |
第五待识别图像 | 口罩:0 | 眼镜:0 | 帽子:0 |
值得注意的是,由于佩戴物识别模型中的多个分类网络是在初始特征信息的基础上进行分别提取不同佩戴物类型的佩戴物特征信息,故无需仅限于佩戴物在人脸上的位置。克服了传统佩戴物识别技术的局限性。
在本实施例中,由于传统的佩戴物识别技术中的多个识别模型,在处理待识别图像时,需要分别进行特征提取,无法共享特征信息,导致过多的冗余计算量。故本申请采用单个佩戴物识别模型对不同类型佩戴物进行识别。其中,佩戴物识别模型中的初始网络可以提取不同类型佩戴物共同所需的初始特征信息,并通过多个分类网络分别提取初始特征信息中不同类型佩戴物的佩戴物特征信息,进而根据佩戴物特征信息进行分类识别。即实现了对不同类型佩戴物的识别,又巧妙地缩减了多个识别模型间的冗余计算量,且无需对待识别图像进行分割处理,进一步减少计算量,提高了识别效率。
可选地,在上述图1所示实施例的基础上,在步骤101之前,还包括如下步骤801至步骤805,请参见图8,图8示出了本申请提供的另一种佩戴物的识别方法的示意性流程图。本实施例中步骤806至步骤809,与图1所示实施例中步骤101至步骤104相同,具体请参阅图1所示实施例中步骤101至步骤104的相关描述,此处不赘述。
步骤801,获取多个样本图像训练集;每个所述样本图像训练集中包括样本图像以及所述样本图像中不同类型佩戴物的训练标签。
首先,采集不同场景下的样本图像,例如:采集歪头、摆头、抬头以及低头等动作的人脸图像,采集单独佩戴口罩、眼镜或帽子等佩戴物的人脸图像,采集口罩、眼镜以及帽子等佩戴物两两组合佩戴的人脸图像,采集佩戴物不在常规位置的人脸图像,例如:佩戴墨镜时抬到额头上面等,保证佩戴物的识别不受特定位置的影响。
然后,标注样本图像的训练标签,例如,未佩戴任何佩戴物的标签为:{口罩:0,眼镜:0,帽子:0};只佩戴了口罩和眼镜的标签为:{口罩:1,眼镜:1,帽子:0};只佩戴了墨镜的标签为:{口罩:0,眼镜:2,帽子:0};同时佩戴三种佩戴物的标签为:{口罩:1,眼镜:1,帽子:1}。
将采集的样本图像以及样本图像对应的训练标签分为训练集和验证集。训练集执行步骤802至步骤805。验证集用于验证由步骤802至步骤805得到的佩戴物识别模型的收敛性。
步骤802,将所述样本图像输入初始模型中,得到由所述初始模型输出的所述样本图像对应的初始识别结果。
步骤803,根据所述初始识别结果以及所述训练标签,计算损失函数。
步骤804,根据所述损失函数,调整所述初始模型中的参数。
步骤805,将所述多个样本图像训练集循环执行所述将所述样本图像输入初始模型中,得到由所述初始模型输出的所述样本图像对应的初始识别结果的步骤以及后续步骤,得到所述训练后的佩戴物识别模型。
步骤806,获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中。
步骤807,通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息。
步骤808,通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息。
步骤809,通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
在本实施例中,获取训练数据时,无需对样本图像进行分割处理,也无需标注样本图像中不同的脸部区域,提高了模型训练效率。
如图9本申请提供了一种佩戴物的识别装置9,请参见图9,图9示出了本申请提供的一种佩戴物的识别装置的示意图,如图9所示一种佩戴物的识别装置包括:
获取单元91,用于获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;
第一处理单元92,用于通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;
第二处理单元93,用于通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;
第三处理单元94,用于通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
本申请提供的一种佩戴物的识别装置,采用单个佩戴物识别模型对不同类型佩戴物进行识别。其中,佩戴物识别模型中的初始网络可以提取不同类型佩戴物共同所需的初始特征信息,并通过多个分类网络分别提取初始特征信息中不同类型佩戴物的佩戴物特征信息,进而根据佩戴物特征信息进行分类识别。即实现了对不同类型佩戴物的识别,又巧妙地缩减了多个识别模型间的冗余计算量,且无需对待识别图像进行分割处理,进一步减少计算量,提高了识别效率。
图10是本发明一实施例提供的一种终端设备的示意图。如图10所示,该实施例的一种终端设备100包括:处理器1001、存储器1002以及存储在所述存储器1002中并可在所述处理器1001上运行的计算机程序1003,例如一种佩戴物的识别程序。所述处理器1001执行所述计算机程序1003时实现上述各个一种佩戴物的识别方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器1001执行所述计算机程序1003时实现上述各装置实施例中各单元的功能,例如图9所示单元91至94的功能。
示例性的,所述计算机程序1003可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器1002中,并由所述处理器1001执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序1003在所述一种终端设备100中的执行过程。例如,所述计算机程序1003可以被分割成获取单元和计算单元各单元具体功能如下:
获取单元,用于获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;
第一处理单元,用于通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;
第二处理单元,用于通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;
第三处理单元,用于通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
所述一种终端设备可包括,但不仅限于,处理器1001、存储器1002。本领域技术人员可以理解,图10仅仅是一种终端设备100的示例,并不构成对一种终端设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器1001可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器1002可以是所述一种终端设备100的内部存储单元,例如一种终端设备100的硬盘或内存。所述存储器1002也可以是所述一种终端设备100的外部存储设备,例如所述一种终端设备100上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器1002还可以既包括所述一种终端设备100的内部存储单元也包括外部存储设备。所述存储器1002用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器1002还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的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,而不应对本申请实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
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。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种佩戴物的识别方法,其特征在于,所述识别方法包括:
获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;
通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;
通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;
通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
2.如权利要求1所述识别方法,其特征在于,所述多个分类网络包括第一分类网络和第二分类网络;所述分类器包括二分类器和多分类器;所述多分类器用于对标签种类大于2的佩戴物进行分类;
所述通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的识别结果,包括:
通过所述第一分类网络对应的所述二分类器,对所述分类网络提取的第一佩戴物特征信息进行分类,得到第一分类结果;
通过所述第二分类网络对应的所述多分类器,对所述第二分类网络提取的第二佩戴物特征信息进行分类,得到第二分类结果;
根据所述第一分类结果和所述第二分类结果,得到所述目标识别结果。
3.如权利要求2所述识别方法,其特征在于,所述不同类型佩戴物包括第一佩戴物和第二佩戴物;所述第二佩戴物包括多个子佩戴物;
所述根据所述第一分类结果和所述第二分类结果,得到所述识别结果,包括:
根据所述第一分类结果中的第一置信度,输出二分类标签;所述二分类标签用于标注所述待识别图像中是否存在所述第一佩戴物;
根据所述第二分类结果中的分类置信度,输出多分类标签;所述多分类标签用于标注所述待识别图像中是否存在所述子佩戴物;
将所述二分类标签、所述第二分类标签对应的所述第一佩戴物的类型、所述多分类标签以及所述多分类标签对应的子佩戴物的类型,作为所述目标识别结果。
4.如权利要求3所述识别方法,其特征在于,所述二分类标签包括第一标签和第二标签;
所述根据所述第一分类结果中的第一置信度,输出二分类标签,包括:
若所述第一置信度大于第一阈值,则输出第一标签;所述第一标签用于标注所述待识别图像中存在所述第一佩戴物;
若所述第一置信度不大于第一阈值,则输出第二标签;所述第二标签用于标注所述待识别图像中不存在所述第一佩戴物。
5.如权利要求3所述识别方法,其特征在于,多个所述子佩戴物包括第一子佩戴物和第二子佩戴物;所述分类置信度包括第一分类置信度、第二分类置信度以及第三分类置信度;所述多分类标签包括第三标签、第四标签以及第五标签;
所述根据所述第二分类结果中的分类置信度,输出多分类标签,包括:
若在所述分类置信度中,所述第一分类置信度的最大,则输出所述第一分类置信度对应的所述第三标签;所述第三标签用于标注所述待识别图像中存在所述第一子佩戴物;
若在所述分类置信度中,所述第二分类置信度的最大,则输出所述第二分类置信度对应的所述第四标签;所述第四标签用于标注所述待识别图像中存在所述第二子佩戴物;
若在所述分类置信度中,所述第三分类置信度的最大,则输出所述第三分类置信度对应的所述第五标签;所述第五标签用于标注所述待识别图像中不存在所述第一子佩戴物和所述第二子佩戴物。
6.如权利要求1所述识别方法,其特征在于,所述获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中,包括:
获取原始图像,提取所述原始图像中的人脸图像;
对所述人脸图像进行人脸对齐,得到初始图像;
调整所述初始图像的图像尺寸,得到所述待识别图像。
7.如权利要求1所述识别方法,其特征在于,在所述获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中之前,还包括:
获取多个样本图像训练集;每个所述样本图像训练集中包括样本图像以及所述样本图像中不同类型佩戴物的训练标签;
将所述样本图像输入初始模型中,得到由所述初始模型输出的所述样本图像对应的初始识别结果;
根据所述初始识别结果以及所述训练标签,计算损失函数;
根据所述损失函数,调整所述初始模型中的参数;
将所述多个样本图像训练集循环执行所述将所述样本图像输入初始模型中,得到由所述初始模型输出的所述样本图像对应的初始识别结果的步骤以及后续步骤,得到所述训练后的佩戴物识别模型。
8.一种佩戴物的识别装置,其特征在于,所述识别装置包括:
获取单元,用于获取待识别图像,将所述待识别图像输入训练后的佩戴物识别模型中;
第一处理单元,用于通过所述训练后的佩戴物识别模型中的初始网络,提取所述待识别图像中的初始特征信息;
第二处理单元,用于通过所述训练后的佩戴物识别模型中的多个分类网络,提取所述初始特征信息中不同佩戴物类型的佩戴物特征信息;
第三处理单元,用于通过所述训练后的佩戴物识别模型中的分类器,对所述不同佩戴物类型的佩戴物特征信息进行分类,得到所述待识别图像中佩戴物的目标识别结果;所述目标识别结果包括不同佩戴物类型以及不同佩戴物类型对应的标签;所述标签用于表示所述待识别图像中是否存在佩戴物。
9.一种终端设备,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,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7任一项所述方法的步骤。
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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419933.4A CN113239739B (zh) | 2021-04-19 | 2021-04-19 | 一种佩戴物的识别方法及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419933.4A CN113239739B (zh) | 2021-04-19 | 2021-04-19 | 一种佩戴物的识别方法及识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239739A true CN113239739A (zh) | 2021-08-10 |
CN113239739B CN113239739B (zh) | 2023-08-01 |
Family
ID=77128566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110419933.4A Active CN113239739B (zh) | 2021-04-19 | 2021-04-19 | 一种佩戴物的识别方法及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239739B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387652A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 图像识别方法、识别模型的训练方法、装置和电子设备 |
CN114821702A (zh) * | 2022-03-15 | 2022-07-29 | 电子科技大学 | 一种基于遮挡人脸的热红外人脸识别方法 |
CN115460502A (zh) * | 2022-11-11 | 2022-12-09 | 成都智元汇信息技术股份有限公司 | 一种基于缩小目标区域的戴耳机识别方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205158399U (zh) * | 2015-06-16 | 2016-04-13 | 征图新视(江苏)科技有限公司 | 多光谱视觉成像大叶农作物叶片分级系统 |
CN105975949A (zh) * | 2016-05-26 | 2016-09-28 | 大连理工大学 | 一种基于视觉信息的汽车识别方法 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN109993201A (zh) * | 2019-02-14 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置和可读存储介质 |
CN111160139A (zh) * | 2019-12-13 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 心电信号的处理方法、装置及终端设备 |
CN111318470A (zh) * | 2019-07-02 | 2020-06-23 | 王多 | 一种识别物品类型的方法及识别物品类型的装置 |
CN111428604A (zh) * | 2020-03-19 | 2020-07-17 | 上海东普信息科技有限公司 | 面部佩戴口罩识别方法、装置、设备及存储介质 |
CN111597985A (zh) * | 2020-05-15 | 2020-08-28 | 全程(上海)智能科技有限公司 | 设备佩戴的动态识别方法、装置和电子设备 |
CN111950481A (zh) * | 2020-08-17 | 2020-11-17 | 广州华多网络科技有限公司 | 图像中面部表情量化、识别方法及其装置、设备与介质 |
CN112115818A (zh) * | 2020-09-01 | 2020-12-22 | 燕山大学 | 口罩佩戴识别方法 |
CN112215066A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业信息技术研究中心 | 家畜脸部图像识别方法及装置 |
CN112347824A (zh) * | 2019-08-09 | 2021-02-09 | 中移信息技术有限公司 | 佩戴物识别方法、装置、设备及存储介质 |
-
2021
- 2021-04-19 CN CN202110419933.4A patent/CN113239739B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205158399U (zh) * | 2015-06-16 | 2016-04-13 | 征图新视(江苏)科技有限公司 | 多光谱视觉成像大叶农作物叶片分级系统 |
CN105975949A (zh) * | 2016-05-26 | 2016-09-28 | 大连理工大学 | 一种基于视觉信息的汽车识别方法 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN109993201A (zh) * | 2019-02-14 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置和可读存储介质 |
CN111318470A (zh) * | 2019-07-02 | 2020-06-23 | 王多 | 一种识别物品类型的方法及识别物品类型的装置 |
CN112347824A (zh) * | 2019-08-09 | 2021-02-09 | 中移信息技术有限公司 | 佩戴物识别方法、装置、设备及存储介质 |
CN111160139A (zh) * | 2019-12-13 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 心电信号的处理方法、装置及终端设备 |
CN111428604A (zh) * | 2020-03-19 | 2020-07-17 | 上海东普信息科技有限公司 | 面部佩戴口罩识别方法、装置、设备及存储介质 |
CN111597985A (zh) * | 2020-05-15 | 2020-08-28 | 全程(上海)智能科技有限公司 | 设备佩戴的动态识别方法、装置和电子设备 |
CN111950481A (zh) * | 2020-08-17 | 2020-11-17 | 广州华多网络科技有限公司 | 图像中面部表情量化、识别方法及其装置、设备与介质 |
CN112115818A (zh) * | 2020-09-01 | 2020-12-22 | 燕山大学 | 口罩佩戴识别方法 |
CN112215066A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业信息技术研究中心 | 家畜脸部图像识别方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387652A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 图像识别方法、识别模型的训练方法、装置和电子设备 |
CN114821702A (zh) * | 2022-03-15 | 2022-07-29 | 电子科技大学 | 一种基于遮挡人脸的热红外人脸识别方法 |
CN115460502A (zh) * | 2022-11-11 | 2022-12-09 | 成都智元汇信息技术股份有限公司 | 一种基于缩小目标区域的戴耳机识别方法及系统 |
CN115460502B (zh) * | 2022-11-11 | 2023-02-14 | 成都智元汇信息技术股份有限公司 | 一种基于缩小目标区域的戴耳机识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113239739B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10789465B2 (en) | Feature extraction and matching for biometric authentication | |
CN113239739B (zh) | 一种佩戴物的识别方法及识别装置 | |
CN110569756B (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
US20190138807A1 (en) | Iris liveness detection for mobile devices | |
Zhang et al. | Fast and robust occluded face detection in ATM surveillance | |
Bai et al. | A novel eye location algorithm based on radial symmetry transform | |
WO2015149534A1 (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
CN111898413A (zh) | 人脸识别方法、装置、电子设备和介质 | |
CN107844742B (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
CN112434578A (zh) | 口罩佩戴规范性检测方法、装置、计算机设备和存储介质 | |
CN111914748B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112528866A (zh) | 跨模态人脸识别方法、装置、设备及存储介质 | |
CN111611849A (zh) | 一种用于门禁设备的人脸识别系统 | |
CN113392699A (zh) | 用于人脸遮挡检测的多标签深度卷积神经网络方法、装置和电子设备 | |
US20220198224A1 (en) | Face recognition method, terminal device using the same, and computer readable storage medium | |
Mohandas et al. | On the use of deep learning enabled face mask detection for access/egress control using TensorFlow Lite based edge deployment on a Raspberry Pi | |
CN112818728B (zh) | 年龄识别的方法及相关产品 | |
CN113902030A (zh) | 行为的识别方法、装置、终端设备及存储介质 | |
Sehgal | Palm recognition using LBP and SVM | |
Paul et al. | Automatic adaptive facial feature extraction using CDF analysis | |
CN110110623A (zh) | 一种基于Android平台的人脸识别系统及设计方法 | |
Abboud et al. | Quality based approach for adaptive face recognition | |
CN111723612A (zh) | 人脸识别和人脸识别网络的训练方法和装置、存储介质 | |
CN112069885A (zh) | 人脸属性识别方法、装置及移动终端 | |
Paul et al. | Extraction of facial feature points using cumulative distribution function by varying single threshold group |
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 |