CN113283312B - 一种改进的LeNet-5嵌入式人脸识别方法及系统 - Google Patents
一种改进的LeNet-5嵌入式人脸识别方法及系统 Download PDFInfo
- Publication number
- CN113283312B CN113283312B CN202110498531.8A CN202110498531A CN113283312B CN 113283312 B CN113283312 B CN 113283312B CN 202110498531 A CN202110498531 A CN 202110498531A CN 113283312 B CN113283312 B CN 113283312B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- face
- convolution
- lenet
- 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.)
- Active
Links
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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
- 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
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种改进的LeNet‑5人脸识别方法及系统,以其能适用于资源及计算能力有限的嵌入式系统,本发明通过对典型卷积神经网络LeNet‑5的结构进行改进,设计为两个卷积采样层、一个全连接隐藏层和一个分类输出层,降低了网络结构复杂度,同时减少卷积核的个数、改进池化方式以及分类输出方式,降低了计算复杂度,实验证明,本发明在保证训练和测试精度的同时,提高了在嵌入式平台上进行单人脸识别的速度。
Description
技术领域
本发明属于图形图像处理领域,具体涉及一种改进的LeNet-5嵌入式人脸识别方法及系统。
背景技术
目前,我国信息化水平正不断提高,信息安全问题成为热门话题。在这样的背景下,信息安全和个人隐私保护己经引起人们的密切关注。利用生物特征识别技术来进行身份的识别已成为最有潜力的验证手段。人脸作为一种人体生物特征,具有伪造难、丢失难和便捷易用等独特优点。计算机人脸识别技术是人工智能领域的一个研究热点,每年都有许多相应的研究成果发表。人脸识别技术已经开始走进人们的学习、生活和工作。传统的人脸识别系统大多是基于PC平台,而且是联机应用。但在实际应用中往往对人脸识别系统要求有更高的便携性、易用性和廉价性,因此产生了嵌入式人脸识别技术。但是人脸识别是一个融合了多个学科理论方法且富有挑战性的前沿课题,仍然具有很多的问题亟待进一步的研究和解决。
目前嵌入式人脸识别技术也应用到了人员的出入控制、身份验证等领域,但由于嵌入式设备本身的局限性,嵌入式人脸识别技术在实用性方面仍然存在识别速率慢等问题。譬如考虑到嵌入式设备本身性能的问题,人脸识别并不能具有较好的实时性;亦或是需要调用各类开源的人脸识别平台API;又比如在用户不配合、采集条件不理想的情况下,识别率将陡然下降的问题。
发明内容
发明目的:针对现有技术的不足,本发明给出了一种改进的LeNet-5人脸识别方法,以其能适用于资源及计算能力有限的嵌入式系统。
技术方案:一种改进的LeNet-5嵌入式人脸识别方法,包括以下步骤:
步骤1:构建权值共享且局部特征相连接的卷积神经网络LeNet-5模型,所述卷积神经网络LeNet-5模型由第一卷积采样层、第二卷积采样层、一个完全连接隐藏层和一个分类输出层构成;
步骤2:将训练数据输入至卷积神经网络LeNet-5模型中,其中,于第一卷积采样层中提取训练数据中的人脸图像的第一图像特征信息;于第二卷积采样层中提取第一图像特征信息中的第二图像特征信息;于完全连接隐藏层中,根据第二图像特征信息,提取图像全局人脸特征;于分类输出层中,根据图像全局人脸特征,计算得到本次训练的代价函数的输出值;
循环执行步骤2,利用训练数据对卷积神经网络LeNet-5模型进行迭代训练,直到代价函数的输出值稳定在预设范围内时完成训练,得到训练好的卷积神经网络LeNet-5模型;
步骤3:将待识别的人脸图像输入至训练好的卷积神经网络LeNet-5模型中,得到人脸识别结果。
进一步的,所述的于第一卷积采样层中提取训练数据中的人脸图像的第一图像特征信息,具体包括以下过程:各卷积核依次与输入层中相同大小的区域内积并加上一个偏置bx以获得卷积层;
采用最大采样,取卷积层不重叠的相邻n×n领域特征值的最大值,提取关键特征,得到第一图像特征信息;其中,n为相邻领域大小。
进一步的,所述的于第二卷积采样层中提取第一图像特征信息中的第二图像特征信息,具体过程为:
以第一图像特征信息作为输入信息,各卷积核依次与输入信息中相同大小的区域内积并加上一个偏置bx以获得卷积层;
采用最大采样,取卷积层不重叠的相邻n’×n’领域特征值的最大值,提取关键特征,得到第二图像特征信息;其中,n’为相邻领域大小。
进一步的,所述的于完全连接隐藏层中,根据第二图像特征信息,提取图像全局人脸特征,具体包括以下过程:
将第二图像特征信息用向量x表示,得到图像全局人脸特征S(wix+bj),其中,wi为权重,bj为偏置,S()为Sigmoid激活函数。
进一步的,所述的于分类输出层中,根据图像全局人脸特征,计算得到本次训练的代价函数的输出值,具体包括以下步骤:
给定某个人脸样本(xk,yk),对于每个神经元随机生成连接参数W和偏置b,通过公式(5)进行前向运算得到各层输出值;
O(l+1)=f(W(l)x+b(l)) (5)
因此对于分类输出层的每个输出神经元,得到输出为:
式中,θ为网络训练参数;
所述的代价函数为:
对于分类输出层的每个输出神经元,采用反向传播算法,通过对公式(7)求偏导计算其残差
同理再计算其他各个层的残差
最后根据残差计算每一层的偏导数值:
在求得单个人脸样本的代价函数对连接参数和偏置的偏导后,得出整体代价函数的偏导,最后带入公式(12)、(13)更新连接参数和偏置:
经过多次迭代训练后,连接参数和偏置稳定在预设范围内时完成训练,得到训练好的卷积神经网络LeNet-5模型。
本发明还公开了一种人脸识别系统,包括嵌入式平台和移植在所述嵌入式平台中的人脸识别方法,所述人脸识别方法采用上述的一种改进的LeNet-5嵌入式人脸识别方法。
有益效果:本发明与现有技术相比,具有以下优点:
(1)针对现有技术中嵌入式设备上存在的人脸识别速率不高的问题,对卷积神经网络LeNet-5算法进行改进,对原网络结构中的卷积核个数、池化方式以及分类输出方式等进行优化。将LeNet-5的网络结构设计为两个卷积采样层、一个完全连接隐藏层和一个分类输出层,降低了网络结构计算复杂度;
(2)本发明方法提高了在嵌入式平台上进行单人脸识别的速度,同时在训练和测试精度方面也有明显的改善;
(3)本发明方法在计算能力有限的嵌入式平台上实现了具有实时性、识别率较好的人脸识别;
(4)本发明方法可以广泛地应用于各类可靠性高、成本低廉、可移植性强的嵌入式人脸识别应用系统中(如门禁系统、小规模考勤等小型身份识别系统),具有较了的普遍性和广泛的应用前景。
附图说明
图1改进的LeNet-5卷积神经网络结构;
图2卷积采样过程;
图3完全连接过程;
图4分类输出过程;
图5第二次卷积核个数对训练精度的影响;
图6(a)第一次卷积平均采样后的特征图;
图6(b)第一次卷积最大采样后的特征图;
图7(a)第二次卷积平均采样后的特征图;
图7(b)第二次卷积最大采样后的特征图。
具体实施方式
现结合附图和实施例进一步阐述本发明的技术方案。
为了能适用于资源及计算能力有限的嵌入式系统,本发明提出了一种改进的LeNet-5人脸识别方法,该方法对典型卷积神经网络LeNet-5的结构进行改进,具体改进后的结构为采用两个卷积采样层、一个全连接隐藏层和一个分类输出层构成卷积神经网络LeNet-5,同时通过减少卷积核的个数、改进池化方式以及分类输出方式,降低了计算复杂度。实验证明,本发明在保证训练和测试精度的同时,提高了在嵌入式平台上进行单人脸识别的速度。
现对改进后的卷积神经网络LeNet-5的结构进行详细说明:
参见图2,改进后的卷积神经网络LeNet-5中的卷积采样层:第一次卷积使用6个卷积核,第二次卷积使用10个卷积核,卷积核的大小为5×5,它们依次与输入层中相同大小的区域内积再加上一个偏置bx以获得卷积层。采样层是根据图像局部相关对特征图像进行采样。本方法采用最大采样(Max pooling),它取卷积层不重叠的相邻2×2领域特征值的最大值,提取关键特征得到采样层。这样做的优点在于可以减少数据处理量、节约计算力,并且最大采样比平均采样更能减小卷积参数误差造成估计均值的偏移,避免了平均采样的模糊化效果。
参见图3,完全连接隐藏层为改进的LeNet-5结构的第五层,作用在于更完整地提取人脸特征,增强网络结构的映射能力。假设S4层用向量x表示,则完全连接隐藏层的输出即为S(wix+bj),wi是权重,bj是偏置,函数S为Sigmoid激活函数。但是并非上一层所有的信号都可以激活下一层,函数表达式为:
参见图4,分类输出层采用的是Softmax回归函数,该函数学习速度更快,分类能力更强。
假设特征训练集为{(x(1),y(1)),…,(x(m),y(m))},设输出概率p(y=j|x)表示输入x的情况下,人脸特征样本被判断为类别j的概率,同时根据概率较大者进行分类。因而k类分类器输出的k维向量为:
其中,θ为网络训练参数;
是对输出概率分布进行归一化的操作,使得输出k个数的和为1,每个数则代表每一个人脸特征出现的概率。
便于表示,令1{…}表示示性函数,括号内表达式值为真时,函数取值1,反之取0。由此得到Softmax的代价函数为:
通常还需给代价函数加上权重衰减项:
其中,λ是权重衰减系数,目的在于减小那些权重过大的参数对全局特征提取的影响。
根据上述网络结构设计,整体思路如下:
给定某个人脸样本(xk,yk),对于每个神经元随机生成较小的连接参数W和偏置b,通过公式(5)进行前向运算得到各层输出值。
O(l+1)=f(W(l)x+b(l)) (5)
因此对于输出层的每个输出神经元,得到输出为:
网络模型代价函数为:
对于输出层的每个输出神经元,采用经典反向传播算法,通过对公式(7)求偏导计算其残差
同理再计算其他各个层的残差
最后根据残差计算每一层的偏导数值:
在求得单个人脸样本的代价函数对连接参数和偏置的偏导后,可得出整体代价函数的偏导,最后带入公式(12)、(13)更新连接参数和偏置:
重复迭代训练N次,使得误差足够小,权值和偏置稳定,得出最终的神经网络。
实施例:
为了验证上述改进的LeNet-5网络结构比现有的LeNet-5网络结构更适用于嵌入式平台上的人脸识别系统,在保证一定识别率的同时,其速度有所加快,本实施例采用自建的小规模本实验室人脸数据库进行实验,库中人脸图像来自于本实验室的6位成员,共5880张人脸图像。
所有实验均在嵌入式平台树莓派3B(Raspberry Pi 3B)上进行测试,树莓派3B是一款基于ARM的1.2GHz的64位四核处理器的开发板,每张输入图像为64×64大小。
卷积核的个数是影响卷积神经网络结构提取特征的关键因素之一,根据实验验证得到并非卷积核个数越多训练集精度越高,本实施例在第一次卷积中的卷积核个数确定为6个,训练迭代次数为10,改变第二次卷积采样中卷积核数量得出实验结果,如图5所示。
从图5中可以看出第二次卷积核个数为10个时,训练集精度最高,并且当卷积核过多时,反而会造成训练精度的降低。因为当数据集中训练的特征样本规模和学习训练的参数较少时,则无法满足更多的卷积核的学习要求。
卷积采样特征提取可视化过程如下:获取实验室人脸库样本进行特征提取,第一次卷积平均采样后提取的人脸特征按1:1融合后特征图如图6(a)所示,第一次卷积最大采样后提取的人脸特征按1:1融合后特征图如图6(b)所示。第二次卷积平均采样提取的特征并按1:1融合后特征图如图7(a)所示,第二次卷积最大采样提取的特征并按1:1融合后特征图如图7(b)所示。显然最大采样可更好的避免图像模糊化问题。第一次卷积采样提取纹理、细节特征,第二次卷积采样提取鼻子眼睛嘴巴特征,但第一次卷积采样包含更多特征,也具备提取关键特征能力。
在不同数量人脸数据库下,本发明的LeNet-5训练精度均略优于原网络结构的训练精度。实验结果如表1所示。
表1不同数据量人脸库上的训练精度
人脸库数据量 | 500 | 700 | 1000 |
LeNet-5网络结构 | 96.20% | 97.50% | 98.20% |
本发明的LeNet-5 | 97.00% | 98.10% | 98.80% |
由表1可知,改进的LeNet-5结构比原结构更有优势,随着数据量的增加,改进的LeNet-5结构的训练精度也随之提高。
在人脸数据库同约为1000张/每人的情况下,训练集与测试集采用交叉验证的方法随机分配。改进的LeNet-5网络结构虽然测试集精度比原网络结构低了1.29%,但是识别速度是原网络结构的7倍有余。同时为了进一步验证本发明算法的性能,将其与较为常用的特征脸(EigenFace)算法进行比较。实验结果如表2所示。
表2在实验室人脸库上的识别率
识别算法 | 识别速度 | 训练集识别率 | 测试集识别率 |
LeNet-5网络结构 | 379.0ms | 98.20% | 91.93% |
改进的LeNet-5 | 50.0ms | 98.80% | 90.64% |
OpenCV(EigenFace) | 33.0ms | 82.50% | 79.80% |
从表2可以看出改进的LeNet-5网络结构在嵌入式设备上的训练集精度达到98.80%,测试集精度达到90.64%,有较好的识别效果,且识别速度可以达到50ms,在资源和计算能力有限的嵌入式平台(树莓派)上几乎达到实时识别的效果。与此同时,虽然Eigenface算法在树莓派上的识别速度较快,但是其识别率相对较低,因此并无优势。
为了进一步验证本发明改进的卷积神经网络结构LeNet-5的性能,使得实验结果更具说服力,分别选取国外典型的人脸数据库YALE人脸库B和ORL人脸库中任意6位志愿者的人脸图像,并对图像进行镜像及旋转的批量扩展后约2400张图像进行实验。YALE人脸库B的采集严格控制姿态和光照变化。ORL人脸库是有剑桥大学AT&T实验室创建,图像包含了人物姿态、表情和面部装饰物的变化,实验结果如表3所示。
表3不同数据库下实验结果比对
人脸数据库 | LeNet-5网络结构 | 改进的LeNet-5 |
YALE人脸库B | 87.80% | 89.46% |
ORL人脸库 | 93.85% | 95.28% |
从表3可以看出本文所改进的方法在YALE人脸库B上训练精度达89.46%,在ORL人脸库上训练精度达95.28%,较之原方法均有一定的提高。因此本文改进的人脸识别方法在嵌入式设备上取得较好的实验效果,具有较好的通用性。
Claims (5)
1.一种改进的LeNet-5嵌入式人脸识别方法,其特征在于:包括以下步骤:
步骤1:构建权值共享且局部特征相连接的卷积神经网络LeNet-5模型,所述卷积神经网络LeNet-5模型由第一卷积采样层、第二卷积采样层、一个完全连接隐藏层和一个分类输出层构成;
步骤2:将训练数据输入至卷积神经网络LeNet-5模型中,其中,于第一卷积采样层中提取训练数据中的人脸图像的第一图像特征信息;于第二卷积采样层中提取第一图像特征信息中的第二图像特征信息;于完全连接隐藏层中,根据第二图像特征信息,提取图像全局人脸特征;于分类输出层中,根据图像全局人脸特征,计算得到本次训练的代价函数的输出值;
循环执行步骤2,利用训练数据对卷积神经网络LeNet-5模型进行迭代训练,直到代价函数的输出值稳定在预设范围内时完成训练,得到训练好的卷积神经网络LeNet-5模型;
步骤3:将待识别的人脸图像输入至训练好的卷积神经网络LeNet-5模型中,得到人脸识别结果;
所述的于分类输出层中,根据图像全局人脸特征,计算得到本次训练的代价函数的输出值,具体包括以下步骤:
给定某个人脸样本(xk,yk),对于每个神经元随机生成连接参数W和偏置b,通过公式(5)进行前向运算得到各层输出值;
O(l+1)=f(W(l)x+b(l)) (5)
因此对于分类输出层的每个输出神经元,得到输出为:
式中,θ为网络训练参数;p(·)表示输出概率;
所述的代价函数为:
对于分类输出层的每个输出神经元,采用反向传播算法,通过对公式(7)求偏导计算其残差
同理再计算其他各个层的残差
最后根据残差计算每一层的偏导数值:
在求得单个人脸样本的代价函数对连接参数和偏置的偏导后,得出整体代价函数的偏导,最后带入公式(12)、(13)更新连接参数和偏置:
经过多次迭代训练后,连接参数和偏置稳定在预设范围内时完成训练,得到训练好的卷积神经网络LeNet-5模型。
2.根据权利要求1所述的一种改进的LeNet-5嵌入式人脸识别方法,其特征在于:所述的于第一卷积采样层中提取训练数据中的人脸图像的第一图像特征信息,具体包括以下过程:各卷积核依次与输入层中相同大小的区域内积并加上一个偏置bx以获得卷积层;
采用最大采样,取卷积层不重叠的相邻n×n领域特征值的最大值,提取关键特征,得到第一图像特征信息;其中,n为相邻领域大小。
3.根据权利要求1所述的一种改进的LeNet-5嵌入式人脸识别方法,其特征在于:所述的于第二卷积采样层中提取第一图像特征信息中的第二图像特征信息,具体过程为:
以第一图像特征信息作为输入信息,各卷积核依次与输入信息中相同大小的区域内积并加上一个偏置bx以获得卷积层;
采用最大采样,取卷积层不重叠的相邻n’×n’领域特征值的最大值,提取关键特征,得到第二图像特征信息;其中,n’为相邻领域大小。
4.根据权利要求1所述的一种改进的LeNet-5嵌入式人脸识别方法,其特征在于:所述的于完全连接隐藏层中,根据第二图像特征信息,提取图像全局人脸特征,具体包括以下过程:
将第二图像特征信息用向量x表示,得到图像全局人脸特征S(wix+bj),其中,wi为权重,bj为偏置,S()为Sigmoid激活函数。
5.一种人脸识别系统,其特征在于:包括嵌入式平台和移植在所述嵌入式平台中的人脸识别方法,所述人脸识别方法采用权利要求1至4任意一项所述的一种改进的LeNet-5嵌入式人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498531.8A CN113283312B (zh) | 2021-05-08 | 2021-05-08 | 一种改进的LeNet-5嵌入式人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498531.8A CN113283312B (zh) | 2021-05-08 | 2021-05-08 | 一种改进的LeNet-5嵌入式人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283312A CN113283312A (zh) | 2021-08-20 |
CN113283312B true CN113283312B (zh) | 2023-10-17 |
Family
ID=77278269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110498531.8A Active CN113283312B (zh) | 2021-05-08 | 2021-05-08 | 一种改进的LeNet-5嵌入式人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283312B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427921A (zh) * | 2018-02-28 | 2018-08-21 | 辽宁科技大学 | 一种基于卷积神经网络的人脸识别方法 |
CN110688966A (zh) * | 2019-09-30 | 2020-01-14 | 华东师范大学 | 语义指导的行人重识别方法 |
CN111556294A (zh) * | 2020-05-11 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 安全监测方法、装置、服务器、终端及可读存储介质 |
CN115470895A (zh) * | 2022-05-16 | 2022-12-13 | 珠海市杰理科技股份有限公司 | 图像卷积电路、方法、图像识别方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2017279806B2 (en) * | 2017-05-29 | 2023-10-12 | Saltor Pty Ltd | Method and system for abnormality detection |
-
2021
- 2021-05-08 CN CN202110498531.8A patent/CN113283312B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427921A (zh) * | 2018-02-28 | 2018-08-21 | 辽宁科技大学 | 一种基于卷积神经网络的人脸识别方法 |
CN110688966A (zh) * | 2019-09-30 | 2020-01-14 | 华东师范大学 | 语义指导的行人重识别方法 |
CN111556294A (zh) * | 2020-05-11 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 安全监测方法、装置、服务器、终端及可读存储介质 |
CN115470895A (zh) * | 2022-05-16 | 2022-12-13 | 珠海市杰理科技股份有限公司 | 图像卷积电路、方法、图像识别方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
Research on Face Recognition System based on Embedded Processor and Deep Neural Network;Bowen Du 等;Research on Face Recognition System based on Embedded Processor and Deep Neural Network;全文 * |
一种改进的LeNet-5嵌入式人脸识别方法;黄帅凤 等;计算技术与自动化;全文 * |
深度学习处理器基准测试程序的设计与实现;徐青青;中国优秀硕士学位论文全文数据库 (信息科技辑);I138-324 * |
Also Published As
Publication number | Publication date |
---|---|
CN113283312A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian | Artificial intelligence image recognition method based on convolutional neural network algorithm | |
CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
CN101419671B (zh) | 基于模糊支持向量机的人脸性别识别方法 | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
Zhai et al. | BeautyNet: Joint multiscale CNN and transfer learning method for unconstrained facial beauty prediction | |
Ilmini et al. | Persons’ personality traits recognition using machine learning algorithms and image processing techniques | |
Sinha | Study of assessment of cognitive ability of human brain using deep learning | |
CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
CN109993199A (zh) | 一种针对高阶张量数据的处理方法 | |
Therar et al. | Multibiometric system for iris recognition based convolutional neural network and transfer learning | |
Huang et al. | Design and Application of Face Recognition Algorithm Based on Improved Backpropagation Neural Network. | |
CN116229179A (zh) | 基于宽度学习系统的双松弛图像分类方法 | |
Wu et al. | Parallel multi-path age distinguish network for cross-age face recognition | |
Kale et al. | Age, gender and ethnicity classification from face images with CNN-based features | |
Jadhav et al. | HDL-PI: hybrid DeepLearning technique for person identification using multimodal finger print, iris and face biometric features | |
Mi et al. | Principal component analysis based on block-norm minimization | |
Du et al. | Block dictionary learning-driven convolutional neural networks for fewshot face recognition | |
CN108510080A (zh) | 一种基于dwh模型对多关系型数据的多角度度量学习方法 | |
CN113283312B (zh) | 一种改进的LeNet-5嵌入式人脸识别方法及系统 | |
CN111325162A (zh) | 基于虚拟样本和残差融合的权重稀疏表示的人脸识别方法 | |
Zhang et al. | Computer-aided diagnosis of digestive tract tumor based on deep learning for medical images | |
Wang | Improved facial expression recognition method based on gan | |
Al-jaberi et al. | Palm vein recognition based on convolution neural network | |
Zhang et al. | Projective label propagation by label embedding: A deep label prediction framework for representation and classification | |
Yi | (Retracted) Estimation of human age by features of face and eyes based on multilevel feature convolutional neural network |
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 |