CN113378660B - 一种低数据成本的人脸识别的方法及装置 - Google Patents
一种低数据成本的人脸识别的方法及装置 Download PDFInfo
- Publication number
- CN113378660B CN113378660B CN202110569931.3A CN202110569931A CN113378660B CN 113378660 B CN113378660 B CN 113378660B CN 202110569931 A CN202110569931 A CN 202110569931A CN 113378660 B CN113378660 B CN 113378660B
- Authority
- CN
- China
- Prior art keywords
- kslope
- face
- cut
- converter
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012300 Sequence Analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000010276 construction Methods 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种低数据成本的人脸识别的方法,构建KSlope‑curve转换器并对KSlope‑curve转换器进行训练;进行人脸识别的时候就可以通过转换器将人脸特征转成KSlope‑curve曲线,通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算,本发明对算法网络结构不做任何操作,不会增加任何额外的计算量。该技术通过一个特殊的转换器对原始人脸进行加工处理,转化成一种更为容易识别的曲线来辅助进行人脸识别,该曲线是通过深度学习中的图像技术和音频技术共同生成,相较于人脸有着特征明显、易识别、抗噪性强等优点,只需要用百万级人脸数据就能达到千万级人脸数据训练的效果,对于侧脸、强光、逆光、低头这种困难人脸也有很好的识别效果。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种低数据成本的人脸识别的方法及装置。
背景技术
人脸识别,属于生物识别技术的范畴,它通过人的脸部特征来对不同人进行区分。涉及到人脸识别的系统都需要经过严格把关,在确定性能指标达标之后,才能流入市场。每一个高精度的人脸识别算法都需要千万级、甚至上亿级别的人脸数据的支撑,要拿到这么多数据是很难的。
在数据不够的情况下提升人脸识别精度,目前主要有两种方法:1)更换人脸算法网络结构,尽可能用一些比较复杂、涉及数学运算比较多的网络结构,如果网络结构运用合理,在原人脸算法基础上提升20%以上准确率是可以达到的,但是相比原人脸算法,时间成本和运算成本往往是几倍的增长,加大了项目落地的难度;2)人脸数据图片生成,就是用人脸生成技术生成大批量的“假人脸”,这种技术现如今虽然已能达到以假乱真的目的,但是假的毕竟是假的,仔细看还是能看出跟真实人脸的巨大差异,人脸算法在这些假数据上进行训练,会产生很多无效的运算和特征,并且该技术目前只对正常人脸比较友好,对于侧脸、强光、逆光、低头这种类型的人脸生成往往是很难达到算法构建的要求。
因此,我们需要一种更加强大有效的方法来减少人脸数据成本。
发明内容
本次发明的技术不同于任何主流的方法,它的侧重点在数据处理上,对算法网络结构不做任何操作,不会增加任何额外的计算量,因此也不会对人脸算法落地造成额外的计算成本和时间的成本。该技术通过一个特殊的转换器对原始人脸进行加工处理,转化成一种更为容易识别的曲线来辅助进行人脸识别,该曲线是通过深度学习中的图像技术和音频技术共同生成,相较于人脸有着特征明显、易识别、抗噪性强等优点,只需要用百万级人脸数据就能达到千万级人脸数据训练的效果,对于侧脸、强光、逆光、低头这种困难人脸也有很好的识别效果。
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明公开了一种低数据成本的人脸识别的方法,所述方法包括如下步骤:
步骤1,构建KSlope-curve转换器并对KSlope-curve转换器进行训练以得到一个高精准度的转换器;
步骤2,在完成KSlope-curve转换器的训练后,进行人脸识别的时候就可以通过转换器将人脸特征转成KSlope-curve曲线,通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算。
更进一步地,所述步骤1进一步包括如下步骤:
步骤101,数据增强拼接,对每一张人脸图片做4种不同的数据增强操作,分别是:水平翻转、单通道灰度图转换、直方图均衡化、人脸区域随机遮挡,将得到的4张结果图片跟原始图片按照通道维度进行拼接,这样就得到了一张包含13个通道的人脸特征图;
步骤102,提取图片特征,用深度学习技术中卷积神经网络对所述步骤101得到的图片进行特征提取,采用大宽度的网络结构,提取5种不同操作的同一张人脸图中的共性特征,得到一张四维的特征图,最后通过特征展平的方式将其拉成一维的特征向量,并做L2归一化,具体公式为:
V=Norml2(flat(f(x,w)))
其中,x为网络输入的图片特征,w为网络参数,Norm表示l2归一化;
步骤103,时序特征分析处理:将所述步骤102归一化后得到的特征整体综合起来进行时序分析;
步骤104,KSlope-curve曲线拐点坐标生成,通过线性或非线性回归的方式将所述步骤103中得到的特征向量统计分析,最终得到长度为2n的特征向量,所代表的就是KSlope-curve曲线n个拐点的X和Y坐标值;
步骤105,损失函数计算,在得到的每一个拐点坐标信息后,计算每两个相邻点的斜率K,将每个K进行拼接就得到了KSlope-curve曲线总的斜率分布,计算损失函数,并完成对KSlope-curve转换器进行训练。
更进一步地,所述步骤103进一步包括:采用具有记忆能力的网络,在所述网络的结构中设置特殊的隐含层,所述隐含层将重要的特征记录、汇总、输出,其中,在进行时序分析时不改变特征向量的维度。
更进一步地,所述步骤103进一步包括:用sigmoid函数对得到的坐标进行归一化处理,这使得输出值在0到1之间,接下来每个坐标都相加一个常数,常数大小跟拐点的索引位置有关,索引位置越大,常数就越大,通过这种方式可以保证拐点之间的连线一定是一条沿着X轴方向递延的曲线。
更进一步地,所述通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算进一步包括:同一个人不同的人脸图片得到的KSlope-curve斜率分布是相似的,可通过均方差误差求差值,具体公式如下:
其中,m代表相邻k的个数,k表示两个相邻点的斜率。
本发明进一步公开了一种低数据成本的人脸识别的装置,包括:KSlope-curve转换器,构建KSlope-curve转换器并对KSlope-curve转换器进行训练以得到一个高精准度的转换器;在完成KSlope-curve转换器的训练后,进行人脸识别的时候就可以通过转换器将人脸特征转成KSlope-curve曲线,通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算。
更进一步地,所述构建KSlope-curve转换器包括如下模块:
数据增强拼接模块,对每一张人脸图片做4种不同的数据增强操作,分别是:水平翻转、单通道灰度图转换、直方图均衡化、人脸区域随机遮挡,将得到的4张结果图片跟原始图片按照通道维度进行拼接,这样就得到了一张包含13个通道的人脸特征图;
提取图片特征模块,用深度学习技术中卷积神经网络对所述数据增强拼接模块得到的图片进行特征提取,采用大宽度的网络结构,提取5种不同操作的同一张人脸图中的共性特征,得到一张四维的特征图,最后通过特征展平的方式将其拉成一维的特征向量,并做L2归一化,具体公式为:
V=Norml2(flat(f(x,w)))
其中,x为网络输入的图片特征,w为网络参数,Norm表示l2归一化;
时序特征分析处理模块:将所述提取图片特征模块归一化后得到的特征整体综合起来进行时序分析;
KSlope-curve曲线拐点坐标生成模块,通过线性或非线性回归的方式将所述时序特征分析处理模块中得到的特征向量统计分析,最终得到长度为2n的特征向量,所代表的就是KSlope-curve曲线n个拐点的X和Y坐标值;
损失函数计算模块,在得到的每一个拐点坐标信息后,计算每两个相邻点的斜率K,将每个K进行拼接就得到了KSlope-curve曲线总的斜率分布,计算损失函数,并完成对KSlope-curve转换器进行训练。
更进一步地,所述时序特征分析处理模块进一步包括:采用具有记忆能力的网络,在所述网络的结构中设置特殊的隐含层,所述隐含层将重要的特征记录、汇总、输出,其中,在进行时序分析时不改变特征向量的维度。
更进一步地,所述时序特征分析处理模块进一步包括:用sigmoid函数对得到的坐标进行归一化处理,这使得输出值在0到1之间,接下来每个坐标都相加一个常数,常数大小跟拐点的索引位置有关,索引位置越大,常数就越大,通过这种方式可以保证拐点之间的连线一定是一条沿着X轴方向递延的曲线。
更进一步地,所述通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算进一步包括:同一个人不同的人脸图片得到的KSlope-curve斜率分布是相似的,可通过均方差误差求差值,具体公式如下:
其中,m代表相邻k的个数,k表示两个相邻点的斜率。
与现有技术相比,本发明的有益效果为:它的侧重点在数据处理上,对算法网络结构不做任何操作,不会增加任何额外的计算量,因此也不会对人脸算法落地造成额外的计算成本和时间的成本。该技术通过一个特殊的转换器对原始人脸进行加工处理,转化成一种更为容易识别的曲线来辅助进行人脸识别,该曲线是通过深度学习中的图像技术和音频技术共同生成,相较于人脸有着特征明显、易识别、抗噪性强等优点,只需要用百万级人脸数据就能达到千万级人脸数据训练的效果,对于侧脸、强光、逆光、低头这种困难人脸也有很好的识别效果。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在图中,在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明逻辑流程示意图。
具体实施方式
实施例一
名词说明:
KSlope-curve:K斜率曲线,属于自定义名词。是一种通过我们的深度学习技术得到的人脸特征曲线,可以反应出不同人脸的特征分布。
技术的核心在于KSlope-curve转换器的构建,总共分为五步:数据增强拼接,提取图片特征,时序特征分析处理,KSlope-curve曲线拐点坐标生成,损失函数计算。
第一步,数据增强拼接:对每一张人脸图片做4种不同的数据增强操作,分别是:水平翻转、单通道灰度图转换、直方图均衡化、人脸区域随机遮挡。将得到的4张结果图片跟原始图片按照通道维度进行拼接,这样就得到了一张包含13个通道的人脸特征图。
第二步,提取图片特征:用深度学习技术中卷积神经网络对上一步得到的图片进行特征提取,在这一步中应采用宽度较大的网络结构,它会将5种不同操作的同一张人脸图中的共性特征拿到,得到一张四维的特征图,最后我们通过特征展平的方式将其拉成一维的特征向量,并做L2归一化,具体公式为:
V=Norml2(flat(f(x,w)))
其中x为网络输入的图片特征,w为网络参数,Norm表示l2归一化。
第三步,时序特征分析处理:人脸特征是具有连续性的,这一步中主要是将上一步归一化后得到的特征整体综合起来进行时序分析,而不是将眼睛、耳朵、鼻子、嘴巴等器官拆开进行特征分析。这就用到了具有记忆能力的网络,这种结构有一些特殊的隐含层,可以将重要的特征记录、汇总、输出。这一步不改变特征向量的维度。
第四步,KSlope-curve曲线拐点坐标生成:通过线性或非线性回归的方式将上一步得到的特征向量统计分析,最终得到长度为512的特征向量,所代表的的就是KSlope-curve曲线256个拐点的X和Y坐标值。用sigmoid函数对得到的坐标进行归一化处理,这使得输出值在0到1之间,接下来每个坐标都相加一个常数,常数大小跟拐点的索引位置有关,索引位置越大,常数就越大,通过这种方式可以保证拐点之间的连线一定是一条沿着X轴方向递延的曲线。
第五步,损失函数计算:有了上一步得到的每一个拐点坐标信息,就可以得到每两个相邻点的斜率K,将每个K进行拼接就得到了KSlope-curve曲线总的斜率分布。损失函数的目标是:同一个人不同的人脸图片得到的KSlope-curve斜率分布是相似的,可通过均方差误差求差值,具体公式如下:
其中,m代表相邻k的个数。
通过以上五个步骤对KSlope-curve转换器进行训练,最后就能得到一个精准度很高的转换器,再进行人脸识别的时候就可以通过转换器将人脸特征转成KSlope-curve曲线,计算曲线之间斜率分布的均方差误差即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (2)
1.一种低数据成本的人脸识别的方法,其特征在于,所述方法包括如下步骤:步骤1,构建KSlope-curve转换器并对KSlope-curve转换器进行训练以得到一个高精准度的转换器,其中,所述步骤1进一步包括如下步骤:
步骤101,数据增强拼接,对每一张人脸图片做4种不同的数据增强操作,分别是:水平翻转、单通道灰度图转换、直方图均衡化、人脸区域随机遮挡,将得到的4张结果图片跟原始图片按照通道维度进行拼接,这样就得到了一张包含13个通道的人脸特征图;
步骤102,提取图片特征,用深度学习技术中卷积神经网络对所述步骤101得到的图片进行特征提取,采用大宽度的网络结构,提取5种不同操作的同一张人脸图中的共性特征,得到一张四维的特征图,最后通过特征展平的方式将其拉成一维的特征向量,并做L2归一化,具体公式为:
V=NormL2(flat(f(x,w)))
其中,x为网络输入的图片特征,w为网络参数,NormL2表示L2归一化;
步骤103,时序特征分析处理:将所述步骤102归一化后得到的特征整体综合起来进行时序分析,采用具有记忆能力的网络,在所述网络的结构中设置特殊的隐含层,所述隐含层将重要的特征记录、汇总、输出,其中,在进行时序分析时不改变特征向量的维度,用sigmoid函数对得到的坐标进行归一化处理,这使得输出值在0到1之间,接下来每个坐标都相加一个常数,常数大小跟拐点的索引位置有关,索引位置越大,常数就越大,通过这种方式保证拐点之间的连线是一条沿着X轴方向递延的曲线;
步骤104,KSlope-curve曲线拐点坐标生成,通过线性或非线性回归的方式将所述步骤103中得到的特征向量统计分析,最终得到长度为2n的特征向量,所代表的就是KSlope-curve曲线n个拐点的X和Y坐标值;
步骤105,损失函数计算,在得到的每一个拐点坐标信息后,计算每两个相邻点的斜率K,将每个K进行拼接就得到了KSlope-curve曲线总的斜率分布,计算损失函数,并完成对KSlope-curve转换器进行训练;
步骤2,在完成KSlope-curve转换器的训练后,进行人脸识别的时候通过转换器将人脸特征转成KSlope-curve曲线,通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算,其中,所述通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算进一步包括:同一个人不同的人脸图片得到的KSlope-curve斜率分布是相似的,通过均方差误差求差值,具体公式如下:
其中,m代表相邻k的个数,k表示两个相邻点的斜率。
2.一种低数据成本的人脸识别的装置,其特征在于,包括:KSlope-curve转换器,构建KSlope-curve转换器并对KSlope-curve转换器进行训练以得到一个高精准度的转换器,其中,所述KSlope-curve转换器包括如下模块:
数据增强拼接模块,对每一张人脸图片做4种不同的数据增强操作,分别是:水平翻转、单通道灰度图转换、直方图均衡化、人脸区域随机遮挡,将得到的4张结果图片跟原始图片按照通道维度进行拼接,这样就得到了一张包含13个通道的人脸特征图;
提取图片特征模块,用深度学习技术中卷积神经网络对所述数据增强拼接模块得到的图片进行特征提取,采用大宽度的网络结构,提取5种不同操作的同一张人脸图中的共性特征,得到一张四维的特征图,最后通过特征展平的方式将其拉成一维的特征向量,并做L2归一化,具体公式为:
V=NormL2(flat(f(x,w)))
其中,x为网络输入的图片特征,w为网络参数,NormL2表示L2归一化;
时序特征分析处理模块:将所述提取图片特征模块归一化后得到的特征整体综合起来进行时序分析,采用具有记忆能力的网络,在所述网络的结构中设置特殊的隐含层,所述隐含层将重要的特征记录、汇总、输出,其中,在进行时序分析时不改变特征向量的维度,用sigmoid函数对得到的坐标进行归一化处理,这使得输出值在0到1之间,接下来每个坐标都相加一个常数,常数大小跟拐点的索引位置有关,索引位置越大,常数就越大,通过这种方式保证拐点之间的连线是一条沿着X轴方向递延的曲线;
KSlope-curve曲线拐点坐标生成模块,通过线性或非线性回归的方式将所述时序特征分析处理模块中得到的特征向量统计分析,最终得到长度为2n的特征向量,所代表的就是KSlope-curve曲线n个拐点的X和Y坐标值;
损失函数计算模块,在得到的每一个拐点坐标信息后,计算每两个相邻点的斜率K,将每个K进行拼接就得到了KSlope-curve曲线总的斜率分布,计算损失函数,并完成对KSlope-curve转换器进行训练;在完成KSlope-curve转换器的训练后,进行人脸识别的时候通过转换器将人脸特征转成KSlope-curve曲线,通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算,其中,所述通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算进一步包括:同一个人不同的人脸图片得到的KSlope-curve斜率分布是相似的,通过均方差误差求差值,具体公式如下:
其中,m代表相邻k的个数,k表示两个相邻点的斜率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569931.3A CN113378660B (zh) | 2021-05-25 | 2021-05-25 | 一种低数据成本的人脸识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569931.3A CN113378660B (zh) | 2021-05-25 | 2021-05-25 | 一种低数据成本的人脸识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378660A CN113378660A (zh) | 2021-09-10 |
CN113378660B true CN113378660B (zh) | 2023-11-07 |
Family
ID=77571857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110569931.3A Active CN113378660B (zh) | 2021-05-25 | 2021-05-25 | 一种低数据成本的人脸识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378660B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19980035969A (ko) * | 1996-11-15 | 1998-08-05 | 배순훈 | 화상 회의 시스템의 회의자 추적 방법 및 장치 |
CN101894254A (zh) * | 2010-06-13 | 2010-11-24 | 南开大学 | 一种基于等高线法的三维人脸识别方法 |
CN102779269A (zh) * | 2012-06-13 | 2012-11-14 | 合肥工业大学 | 基于图像传感器成像系统的人脸识别算法 |
CN107423701A (zh) * | 2017-07-17 | 2017-12-01 | 北京智慧眼科技股份有限公司 | 基于生成式对抗网络的人脸非监督特征学习方法及装置 |
CN108052912A (zh) * | 2017-12-20 | 2018-05-18 | 安徽信息工程学院 | 一种基于矩傅里叶描述子的立体面像识别方法 |
CN109784325A (zh) * | 2017-11-10 | 2019-05-21 | 富士通株式会社 | 开集识别方法和设备及计算机可读存储介质 |
CN110516544A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于深度学习的人脸识别方法、装置及计算机可读存储介质 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN111695527A (zh) * | 2020-06-15 | 2020-09-22 | 内蒙古大学 | 一种蒙古文在线手写体识别方法 |
CN112001231A (zh) * | 2020-07-09 | 2020-11-27 | 哈尔滨工业大学(深圳) | 加权多任务稀疏表示的三维人脸识别方法、系统及介质 |
CN112733758A (zh) * | 2021-01-15 | 2021-04-30 | 哈尔滨工业大学(深圳) | 黎曼几何不变性下基于曲线的三维人脸识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222700A (zh) * | 2019-05-30 | 2019-09-10 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
CN113593262B (zh) * | 2019-11-14 | 2022-09-27 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
-
2021
- 2021-05-25 CN CN202110569931.3A patent/CN113378660B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19980035969A (ko) * | 1996-11-15 | 1998-08-05 | 배순훈 | 화상 회의 시스템의 회의자 추적 방법 및 장치 |
CN101894254A (zh) * | 2010-06-13 | 2010-11-24 | 南开大学 | 一种基于等高线法的三维人脸识别方法 |
CN102779269A (zh) * | 2012-06-13 | 2012-11-14 | 合肥工业大学 | 基于图像传感器成像系统的人脸识别算法 |
CN107423701A (zh) * | 2017-07-17 | 2017-12-01 | 北京智慧眼科技股份有限公司 | 基于生成式对抗网络的人脸非监督特征学习方法及装置 |
CN109784325A (zh) * | 2017-11-10 | 2019-05-21 | 富士通株式会社 | 开集识别方法和设备及计算机可读存储介质 |
CN108052912A (zh) * | 2017-12-20 | 2018-05-18 | 安徽信息工程学院 | 一种基于矩傅里叶描述子的立体面像识别方法 |
CN110516544A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于深度学习的人脸识别方法、装置及计算机可读存储介质 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN111695527A (zh) * | 2020-06-15 | 2020-09-22 | 内蒙古大学 | 一种蒙古文在线手写体识别方法 |
CN112001231A (zh) * | 2020-07-09 | 2020-11-27 | 哈尔滨工业大学(深圳) | 加权多任务稀疏表示的三维人脸识别方法、系统及介质 |
CN112733758A (zh) * | 2021-01-15 | 2021-04-30 | 哈尔滨工业大学(深圳) | 黎曼几何不变性下基于曲线的三维人脸识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
基于 Curvelet 变换特征的人脸识别算法;杨晋吉 等;《计算机应用与软件》;第35卷(第01期);第169-174页 * |
基于RNN的心电信号异常检测研究;李锋 等;《智慧健康》;第4卷(第31期);第5-8页 * |
基于TMR传感器的车辆检测分类算法研究;吴兆明;《声学技术》;第36卷(第06期);第596-601页 * |
基于曲线表示的人脸表情合成;刘宏 等;《吉林大学学报(理学版)》;第53卷(第01期);第80-88页 * |
基于曲面等高线特征的不同姿态三维人脸深度图识别;叶长明 等;《模式识别与人工智能》;第26卷(第2期);第219-224页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378660A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084216B (zh) | 人脸识别模型训练和人脸识别方法、系统、设备及介质 | |
CN109522818B (zh) | 一种表情识别的方法、装置、终端设备及存储介质 | |
CN111160533B (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
EP3399460A1 (en) | Captioning a region of an image | |
CN111931795B (zh) | 基于子空间稀疏特征融合的多模态情感识别方法及系统 | |
CN110069985B (zh) | 基于图像的目标点位置检测方法、装置、电子设备 | |
CN112818861A (zh) | 一种基于多模态上下文语义特征的情感分类方法及系统 | |
CN111582044A (zh) | 基于卷积神经网络和注意力模型的人脸识别方法 | |
CN112418166B (zh) | 一种基于多模态信息的情感分布学习方法 | |
CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
CN113806609B (zh) | 一种基于mit和fsm的多模态情感分析方法 | |
CN110097096B (zh) | 一种基于tf-idf矩阵和胶囊网络的文本分类方法 | |
Elmadany et al. | Multiview learning via deep discriminative canonical correlation analysis | |
CN114549850B (zh) | 一种解决模态缺失问题的多模态图像美学质量评价方法 | |
CN110570443A (zh) | 一种基于结构约束条件生成模型的图像线状目标提取方法 | |
CN116912924B (zh) | 一种目标图像识别方法和装置 | |
CN113378660B (zh) | 一种低数据成本的人脸识别的方法及装置 | |
CN116775873A (zh) | 一种多模态对话情感识别方法 | |
CN116701996A (zh) | 基于多元损失函数的多模态情感分析方法、系统、设备及介质 | |
CN114881668A (zh) | 一种基于多模态的欺骗检测方法 | |
CN116030295A (zh) | 物品识别方法、装置、电子设备及存储介质 | |
CN110826726B (zh) | 目标处理方法、目标处理装置、目标处理设备及介质 | |
CN114529911A (zh) | 基于改进yolo9000算法的验证码识别方法及系统 | |
Panagos et al. | Compressing audio visual speech recognition models with parameterized hypercomplex layers | |
Wu et al. | Blind forensic method based on convolutional neural networks for image splicing detection |
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 |