CN113609931A - 基于神经网络的人脸识别方法及系统 - Google Patents
基于神经网络的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN113609931A CN113609931A CN202110817250.4A CN202110817250A CN113609931A CN 113609931 A CN113609931 A CN 113609931A CN 202110817250 A CN202110817250 A CN 202110817250A CN 113609931 A CN113609931 A CN 113609931A
- Authority
- CN
- China
- Prior art keywords
- face image
- image recognition
- equipment
- target
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 262
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 230000001815 facial effect Effects 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Image Processing (AREA)
Abstract
本申请提供的基于神经网络的人脸识别方法及系统,获取目标信息以及人脸图像互动信息,并对人脸图像识别设备进行图像识别,得到人脸图像识别设备的设备图像识别,进而,依据设备图像识别,确定人脸图像互动描述,对人脸图像识别设备进行异常检测,以确定人脸图像识别设备是否存在人脸图像互动异常,针对人脸图像中的人脸图像互动,关注的是人脸图像设备和管控设备之间的交互互动,而不是人脸图像设备和管控设备自身的设备异常,通过依据人脸图像识别设备的人脸图像互动描述构建设备图像识别,分析人脸图像识别设备是否存在人脸图像互动的异常,实现了自动化的人脸图像识别设备人脸图像互动异常检测,提高了人脸图像识别的准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及基于神经网络的人脸识别方法及系统。
背景技术
人工神经网络(Artificial Neural Networks,简写为ANNs),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。
通过神经网络对人脸进行识别,这样能有效的提高人脸识别的效率,就能有效的降低时间成本。
但是在人脸识别技术中还存在一些缺陷。
发明内容
鉴于此,本申请提供了基于神经网络的人脸识别方法及系统。
第一方面,提供一种基于神经网络的人脸识别方法,,所述方法包括:
依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息;其中,所述人脸图像识别设备的人脸描述内容信息通过次要检测人脸描述内容的检测模型得到,所述目标信息包括设备标签信息,所述人脸图像识别设备包括管控设备和人脸图像设备;
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,得到所述人脸图像识别设备的设备图像识别;其中,所述设备图像识别为映射关系的图像特征;
依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述;
依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测,以确定所述人脸图像识别设备是否存在人脸图像互动异常。
进一步地,所述获取人脸图像识别设备的目标信息以及人脸图像互动信息之后,还包括:
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队;
所述目标信息列队用于记载各管控设备与各人脸图像设备之间是否存在人脸图像互动;
所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,包括:依据所述目标信息列队,对所述人脸图像识别设备进行图像识别。
进一步地,所述目标信息列队的第一位面和第二位面分别对应不同类别的识别设备,所述不同类别的识别设备包括管控设备和人脸图像设备;所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队,包括:
对于待处理的识别设备,依据该识别设备的类别在目标信息列队中与该类别对应的位面递增特征向量,并依据该识别设备与目标信息列队中识别设备之间是否存在人脸图像互动,配置新增特征向量中各项的目标向量;
对于获取到的其中人脸图像互动信息,确定该人脸图像互动信息对应的目标管控设备和目标人脸图像设备,并将所述目标信息列队中与所述目标管控设备和所述目标人脸图像设备对应的向量配置为第二向量;其中,所述第二向量用于表征管控设备和人脸图像设备之间存在人脸图像互动;
其中,所述方法还包括:
以二值化信息集合的方式存储所述目标管控设备和所述目标人脸图像设备之间的人脸图像互动信息;其中,所述二值化信息集合包括所述目标管控设备的标签、所述目标人脸图像设备的标签、人脸图像互动发生的先后、人脸图像互动类别以及人脸图像互动结果;
当所述目标管控设备和所述目标人脸图像设备之间存在多次人脸图像互动时,各人脸图像互动信息依照先后顺序进行排序;
其中,所述依据所述目标信息列队,对所述人脸图像识别设备进行图像识别,包括:
对于其中人脸图像识别设备,生成以该人脸图像识别设备为关键内容的设备图像识别;
搜索所述目标信息列队,确定第一目标人脸图像识别设备,所述第一目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的另一类别人脸图像识别设备;
对于其中第一目标人脸图像识别设备,在该设备图像识别中递增该第一目标人脸图像识别设备对应的内容,并递增该内容与关键内容之间的关联关系。
进一步地,所述方法还包括:
依据该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量,确定该内容与该关键内容之间的关联关系的紧密;其中,该内容与该关键内容之间的关联关系的联系越小,表征该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量越多。
进一步地,所述依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述,包括:
对于其中人脸图像识别设备,依据该人脸图像识别设备的设备图像识别确定第二目标人脸图像识别设备,所述第二目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的人脸图像识别设备;
从第二目标人脸图像识别设备与该人脸图像识别设备之间的人脸图像互动信息中,确定预先设置的时间段内的目标人脸图像互动信息;
依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述;
其中,所述依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述,包括:
对于其中目标人脸图像互动信息,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将该目标人脸图像互动信息转换为二值化信息集合,并将对应相同第二目标人脸图像识别设备的多个二值化信息集合整合为多姿态数据集;
对所述多姿态数据集进行降维处理,得到人脸图像互动描述向量。
第二方面,提供一种基于神经网络的人脸识别系统,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息;其中,所述人脸图像识别设备的人脸描述内容信息通过次要检测人脸描述内容的检测模型得到,所述目标信息包括设备标签信息,所述人脸图像识别设备包括管控设备和人脸图像设备;
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,得到所述人脸图像识别设备的设备图像识别;其中,所述设备图像识别为映射关系的图像特征;
依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述;
依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测,以确定所述人脸图像识别设备是否存在人脸图像互动异常。
进一步地,所述数据处理终端具体还用于:
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队;
所述目标信息列队用于记载各管控设备与各人脸图像设备之间是否存在人脸图像互动;
所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,包括:依据所述目标信息列队,对所述人脸图像识别设备进行图像识别。
进一步地,所述数据处理终端具体用于:
对于待处理的识别设备,依据该识别设备的类别在目标信息列队中与该类别对应的位面递增特征向量,并依据该识别设备与目标信息列队中识别设备之间是否存在人脸图像互动,配置新增特征向量中各项的目标向量;
对于获取到的其中人脸图像互动信息,确定该人脸图像互动信息对应的目标管控设备和目标人脸图像设备,并将所述目标信息列队中与所述目标管控设备和所述目标人脸图像设备对应的向量配置为第二向量;其中,所述第二向量用于表征管控设备和人脸图像设备之间存在人脸图像互动;
其中,所述数据处理终端具体还用于:
以二值化信息集合的方式存储所述目标管控设备和所述目标人脸图像设备之间的人脸图像互动信息;其中,所述二值化信息集合包括所述目标管控设备的标签、所述目标人脸图像设备的标签、人脸图像互动发生的先后、人脸图像互动类别以及人脸图像互动结果;
当所述目标管控设备和所述目标人脸图像设备之间存在多次人脸图像互动时,各人脸图像互动信息依照先后顺序进行排序;
其中,所述数据处理终端具体用于:
对于其中人脸图像识别设备,生成以该人脸图像识别设备为关键内容的设备图像识别;
搜索所述目标信息列队,确定第一目标人脸图像识别设备,所述第一目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的另一类别人脸图像识别设备;
对于其中第一目标人脸图像识别设备,在该设备图像识别中递增该第一目标人脸图像识别设备对应的内容,并递增该内容与关键内容之间的关联关系。
进一步地,所述数据处理终端具体还用于:
依据该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量,确定该内容与该关键内容之间的关联关系的紧密;其中,该内容与该关键内容之间的关联关系的联系越小,表征该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量越多。
进一步地,所述数据处理终端具体用于:
对于其中人脸图像识别设备,依据该人脸图像识别设备的设备图像识别确定第二目标人脸图像识别设备,所述第二目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的人脸图像识别设备;
从第二目标人脸图像识别设备与该人脸图像识别设备之间的人脸图像互动信息中,确定预先设置的时间段内的目标人脸图像互动信息;
依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述;
其中,所述数据处理终端具体用于:
对于其中目标人脸图像互动信息,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将该目标人脸图像互动信息转换为二值化信息集合,并将对应相同第二目标人脸图像识别设备的多个二值化信息集合整合为多姿态数据集;
对所述多姿态数据集进行降维处理,得到人脸图像互动描述向量。
本申请实施例所提供的基于神经网络的人脸识别方法及系统,通过次要检测人脸描述内容的检测模型对人脸图像识别设备的人脸描述内容信息进行检测,以获取人脸图像识别设备的人脸描述内容信息,不产生干扰人脸描述内容、不需要预知目标信息、不需要设备提供信息,避免了信息获取对人脸图像识别设备的依赖;通过依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息,并依据人脸图像识别设备的目标信息以及人脸图像互动信息,对人脸图像识别设备进行图像识别,得到人脸图像识别设备的设备图像识别,进而,依据人脸图像识别设备的设备图像识别,确定人脸图像识别设备的人脸图像互动描述,并依据人脸图像识别设备的人脸图像互动描述,对人脸图像识别设备进行异常检测,以确定人脸图像识别设备是否存在人脸图像互动异常,针对人脸图像中的人脸图像互动,关注的是人脸图像设备和管控设备之间的交互互动,而不是人脸图像设备和管控设备自身的设备异常,通过依据人脸图像识别设备的人脸图像互动描述构建设备图像识别,分析人脸图像识别设备是否存在人脸图像互动的异常,实现了自动化的人脸图像识别设备人脸图像互动异常检测,提高了人脸图像识别的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,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,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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。
图1为本申请实施例所提供的一种基于神经网络的人脸识别方法的流程图。
图2为本申请实施例所提供的一种基于神经网络的人脸识别设备的框图。
图3为本申请实施例所提供的一种基于神经网络的人脸识别系统的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种基于神经网络的人脸识别方法,该方法可以包括以下步骤100-步骤400所描述的技术方案。
步骤100,依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息。
示例性的,所述人脸图像识别设备的人脸描述内容信息通过次要检测人脸描述内容的检测模型得到,所述目标信息包括设备标签信息,所述人脸图像识别设备包括管控设备和人脸图像设备。
步骤200,依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,得到所述人脸图像识别设备的设备图像识别。
示例性的,所述设备图像识别为映射关系的图像特征。
步骤300,依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述。
步骤400,依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测,以确定所述人脸图像识别设备是否存在人脸图像互动异常。
可以理解,在执行上述步骤100-步骤400所描述的技术方案时,通过次要检测人脸描述内容的检测模型对人脸图像识别设备的人脸描述内容信息进行检测,以获取人脸图像识别设备的人脸描述内容信息,不产生干扰人脸描述内容、不需要预知目标信息、不需要设备提供信息,避免了信息获取对人脸图像识别设备的依赖;通过依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息,并依据人脸图像识别设备的目标信息以及人脸图像互动信息,对人脸图像识别设备进行图像识别,得到人脸图像识别设备的设备图像识别,进而,依据人脸图像识别设备的设备图像识别,确定人脸图像识别设备的人脸图像互动描述,并依据人脸图像识别设备的人脸图像互动描述,对人脸图像识别设备进行异常检测,以确定人脸图像识别设备是否存在人脸图像互动异常,针对人脸图像中的人脸图像互动,关注的是人脸图像设备和管控设备之间的交互互动,而不是人脸图像设备和管控设备自身的设备异常,通过依据人脸图像识别设备的人脸图像互动描述构建设备图像识别,分析人脸图像识别设备是否存在人脸图像互动的异常,实现了自动化的人脸图像识别设备人脸图像互动异常检测,提高了人脸图像识别的准确性。
基于上述基础,获取人脸图像识别设备的目标信息以及人脸图像互动信息之后,还可以包括以下步骤q1-步骤q3所描述的技术方案。
步骤q1,依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队。
步骤q2,所述目标信息列队用于记载各管控设备与各人脸图像设备之间是否存在人脸图像互动。
步骤q3,述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,包括:依据所述目标信息列队,对所述人脸图像识别设备进行图像识别。
可以理解,在执行上述步骤q1-步骤q3所描述的技术方案时,通过修护目标信息列队,从而提高人脸图像识别设备进行图像识别的精度。
在一种可替换的实施例中,发明人发现,目标信息列队的第一位面和第二位面分别对应不同类别的识别设备,所述不同类别的识别设备包括管控设备和人脸图像设备;所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息时,存在配置新增特征向量中各项的目标向量不准确的问题,从而难以准确地修护目标信息列队,为了改善上述技术问题,步骤q1所描述的目标信息列队的第一位面和第二位面分别对应不同类别的识别设备,所述不同类别的识别设备包括管控设备和人脸图像设备;所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队的步骤,具体可以包括以下步骤q11和步骤q12所描述的技术方案。
步骤q11,对于待处理的识别设备,依据该识别设备的类别在目标信息列队中与该类别对应的位面递增特征向量,并依据该识别设备与目标信息列队中识别设备之间是否存在人脸图像互动,配置新增特征向量中各项的目标向量。
步骤q12,对于获取到的其中人脸图像互动信息,确定该人脸图像互动信息对应的目标管控设备和目标人脸图像设备,并将所述目标信息列队中与所述目标管控设备和所述目标人脸图像设备对应的向量配置为第二向量;其中,所述第二向量用于表征管控设备和人脸图像设备之间存在人脸图像互动。
可以理解,在执行上述步骤q11和步骤q12所描述的技术方案时,目标信息列队的第一位面和第二位面分别对应不同类别的识别设备,所述不同类别的识别设备包括管控设备和人脸图像设备;所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息时,改善配置新增特征向量中各项的目标向量不准确的问题,从而能够准确地修护目标信息列队。
基于上述基础,还可以包括以下步骤w1和步骤w2所描述的技术方案。
步骤w1,以二值化信息集合的方式存储所述目标管控设备和所述目标人脸图像设备之间的人脸图像互动信息;其中,所述二值化信息集合包括所述目标管控设备的标签、所述目标人脸图像设备的标签、人脸图像互动发生的先后、人脸图像互动类别以及人脸图像互动结果。
步骤w2,当所述目标管控设备和所述目标人脸图像设备之间存在多次人脸图像互动时,各人脸图像互动信息依照先后顺序进行排序。
可以理解,在执行上述步骤w1和步骤w2所描述的技术方案时,通过人脸图像互动信息,提高各人脸图像互动信息依照先后顺序进行排序的准确性。
在一种可替换的实施例中,发明人发现,依据所述目标信息列队,对所述人脸图像识别设备进行图像识别时,存在关键内容的设备图像识别不准确的问题,从而难以准确地对所述人脸图像识别设备进行图像识别,为了改善上述技术问题,步骤q3所描述的依据所述目标信息列队,对所述人脸图像识别设备进行图像识别的步骤,具体可以包括以下步骤q31-步骤q33所描述的技术方案。
步骤q31,对于其中人脸图像识别设备,生成以该人脸图像识别设备为关键内容的设备图像识别。
步骤q32,搜索所述目标信息列队,确定第一目标人脸图像识别设备,所述第一目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的另一类别人脸图像识别设备。
步骤q33,对于其中第一目标人脸图像识别设备,在该设备图像识别中递增该第一目标人脸图像识别设备对应的内容,并递增该内容与关键内容之间的关联关系。
可以理解,在执行上述步骤q31-步骤q33所描述的技术方案时,依据所述目标信息列队,对所述人脸图像识别设备进行图像识别时,改善关键内容的设备图像识别不准确的问题,从而能够准确地对所述人脸图像识别设备进行图像识别。
基于上述基础,还可以包括以下步骤r1所描述的技术方案。
步骤r1,依据该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量,确定该内容与该关键内容之间的关联关系的紧密;其中,该内容与该关键内容之间的关联关系的联系越小,表征该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量越多。
可以理解,在执行上述步骤r1所描述的技术方案时,通过人脸图像互动的数量,能够精确地确定该内容与该关键内容之间的关联关系的紧密。
在一种可替换的实施例中,发明人发现,依据所述人脸图像识别设备的设备图像识别时,存在人脸图像互动信息不精确的问题,从而难以精确地确定所述人脸图像识别设备的人脸图像互动描述,为了改善上述技术问题,步骤300所描述的依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述的步骤,具体可以包括以下步骤t1-步骤t3所描述的技术方案。
步骤t1,对于其中人脸图像识别设备,依据该人脸图像识别设备的设备图像识别确定第二目标人脸图像识别设备,所述第二目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的人脸图像识别设备。
步骤t2,从第二目标人脸图像识别设备与该人脸图像识别设备之间的人脸图像互动信息中,确定预先设置的时间段内的目标人脸图像互动信息。
步骤t3,依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述。
可以理解,在执行上述步骤t1-步骤t3所描述的技术方案时,依据所述人脸图像识别设备的设备图像识别时,改善人脸图像互动信息不精确的问题,从而能够精确地确定所述人脸图像识别设备的人脸图像互动描述。
在一种可替换的实施例中,发明人发现,依据所述目标人脸图像互动信息时,存在目标人脸图像互动信息不准确的问题,从而难以准确地确定所述人脸图像识别设备的人脸图像互动描述,为了改善上述技术问题,步骤t3所描述的依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述的步骤,具体可以包括以下步骤t31和步骤t32所描述的技术方案。
步骤t31,对于其中目标人脸图像互动信息,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将该目标人脸图像互动信息转换为二值化信息集合,并将对应相同第二目标人脸图像识别设备的多个二值化信息集合整合为多姿态数据集。
步骤t32,对所述多姿态数据集进行降维处理,得到人脸图像互动描述向量。
可以理解,在执行上述步骤t31和步骤t32所描述的技术方案时,依据所述目标人脸图像互动信息时,改善目标人脸图像互动信息不准确的问题,从而能够准确地确定所述人脸图像识别设备的人脸图像互动描述。
在一种可替换的实施例中,发明人发现,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果时,存在属性的向量不精确的问题,从而难以精确地将该目标人脸图像互动信息转换为二值化信息集合,为了改善上述技术问题,步骤t31所描述的依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将该目标人脸图像互动信息转换为二值化信息集合的步骤,具体可以包括以下步骤y1所描述的技术方案。
步骤y1,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将预先设置的数据集模板中对应的属性的向量由第一向量更新为第二向量,得到该目标人脸图像互动信息对应的二值化信息集合。
可以理解,在执行上述步骤y1所描述的技术方案时,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果时,改善属性的向量不精确的问题,从而能够精确地将该目标人脸图像互动信息转换为二值化信息集合。
在一种可能的实施例中,发明人发现,依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测时,存在误差步骤准确的问题,从而难以精确地进行异常检测,为了改善上述技术问题,步骤400所描述的依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测的步骤,具体可以包括以下步骤s1和步骤s2所描述的技术方案。
步骤s1,依据人脸图像识别设备的类别,对相同类别的人脸图像识别设备的人脸图像互动描述进行整合,以确定是否存在误差。
步骤s2,和/或,确定相同人脸图像识别设备在不同时间段内的人脸图像互动描述之间的相似度,并依据该人脸图像识别设备在不同时间段内的人脸图像互动描述之间的相似度确定该人脸图像识别设备是否存在人脸图像互动异常。
可以理解,在执行上述步骤s1和步骤s2所描述的技术方案时,依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测时,改善误差步骤准确的问题,从而能够精确地进行异常检测。
在上述基础上,请结合参阅图2,提供了一种基于神经网络的人脸识别设备200,应用于数据处理终端,所述装置包括:
信息获取模块210,用于依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息;其中,所述人脸图像识别设备的人脸描述内容信息通过次要检测人脸描述内容的检测模型得到,所述目标信息包括设备标签信息,所述人脸图像识别设备包括管控设备和人脸图像设备;
图像识别模块220,用于依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,得到所述人脸图像识别设备的设备图像识别;其中,所述设备图像识别为映射关系的图像特征;
互动描述模块230,用于依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述;
异常确定模块240,用于依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测,以确定所述人脸图像识别设备是否存在人脸图像互动异常。
在上述基础上,请结合参阅图3,示出了一种基于神经网络的人脸识别系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,通过次要检测人脸描述内容的检测模型对人脸图像识别设备的人脸描述内容信息进行检测,以获取人脸图像识别设备的人脸描述内容信息,不产生干扰人脸描述内容、不需要预知目标信息、不需要设备提供信息,避免了信息获取对人脸图像识别设备的依赖;通过依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息,并依据人脸图像识别设备的目标信息以及人脸图像互动信息,对人脸图像识别设备进行图像识别,得到人脸图像识别设备的设备图像识别,进而,依据人脸图像识别设备的设备图像识别,确定人脸图像识别设备的人脸图像互动描述,并依据人脸图像识别设备的人脸图像互动描述,对人脸图像识别设备进行异常检测,以确定人脸图像识别设备是否存在人脸图像互动异常,针对人脸图像中的人脸图像互动,关注的是人脸图像设备和管控设备之间的交互互动,而不是人脸图像设备和管控设备自身的设备异常,通过依据人脸图像识别设备的人脸图像互动描述构建设备图像识别,分析人脸图像识别设备是否存在人脸图像互动的异常,实现了自动化的人脸图像识别设备人脸图像互动异常检测,提高了人脸图像识别的准确性。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于神经网络的人脸识别方法,其特征在于,所述方法包括:
依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息;其中,所述人脸图像识别设备的人脸描述内容信息通过次要检测人脸描述内容的检测模型得到,所述目标信息包括设备标签信息,所述人脸图像识别设备包括管控设备和人脸图像设备;
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,得到所述人脸图像识别设备的设备图像识别;其中,所述设备图像识别为映射关系的图像特征;
依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述;
依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测,以确定所述人脸图像识别设备是否存在人脸图像互动异常。
2.根据权利要求1所述的方法,其特征在于,所述获取人脸图像识别设备的目标信息以及人脸图像互动信息之后,还包括:
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队;
所述目标信息列队用于记载各管控设备与各人脸图像设备之间是否存在人脸图像互动;
所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,包括:依据所述目标信息列队,对所述人脸图像识别设备进行图像识别。
3.根据权利要求2所述的方法,其特征在于,所述目标信息列队的第一位面和第二位面分别对应不同类别的识别设备,所述不同类别的识别设备包括管控设备和人脸图像设备;所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队,包括:
对于待处理的识别设备,依据该识别设备的类别在目标信息列队中与该类别对应的位面递增特征向量,并依据该识别设备与目标信息列队中识别设备之间是否存在人脸图像互动,配置新增特征向量中各项的目标向量;
对于获取到的其中人脸图像互动信息,确定该人脸图像互动信息对应的目标管控设备和目标人脸图像设备,并将所述目标信息列队中与所述目标管控设备和所述目标人脸图像设备对应的向量配置为第二向量;其中,所述第二向量用于表征管控设备和人脸图像设备之间存在人脸图像互动;
其中,所述方法还包括:
以二值化信息集合的方式存储所述目标管控设备和所述目标人脸图像设备之间的人脸图像互动信息;其中,所述二值化信息集合包括所述目标管控设备的标签、所述目标人脸图像设备的标签、人脸图像互动发生的先后、人脸图像互动类别以及人脸图像互动结果;
当所述目标管控设备和所述目标人脸图像设备之间存在多次人脸图像互动时,各人脸图像互动信息依照先后顺序进行排序;
其中,所述依据所述目标信息列队,对所述人脸图像识别设备进行图像识别,包括:
对于其中人脸图像识别设备,生成以该人脸图像识别设备为关键内容的设备图像识别;
搜索所述目标信息列队,确定第一目标人脸图像识别设备,所述第一目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的另一类别人脸图像识别设备;
对于其中第一目标人脸图像识别设备,在该设备图像识别中递增该第一目标人脸图像识别设备对应的内容,并递增该内容与关键内容之间的关联关系。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
依据该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量,确定该内容与该关键内容之间的关联关系的紧密;其中,该内容与该关键内容之间的关联关系的联系越小,表征该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量越多。
5.根据权利要求1所述的方法,其特征在于,所述依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述,包括:
对于其中人脸图像识别设备,依据该人脸图像识别设备的设备图像识别确定第二目标人脸图像识别设备,所述第二目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的人脸图像识别设备;
从第二目标人脸图像识别设备与该人脸图像识别设备之间的人脸图像互动信息中,确定预先设置的时间段内的目标人脸图像互动信息;
依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述;
其中,所述依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述,包括:
对于其中目标人脸图像互动信息,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将该目标人脸图像互动信息转换为二值化信息集合,并将对应相同第二目标人脸图像识别设备的多个二值化信息集合整合为多姿态数据集;
对所述多姿态数据集进行降维处理,得到人脸图像互动描述向量。
6.一种基于神经网络的人脸识别系统,其特征在于,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息;其中,所述人脸图像识别设备的人脸描述内容信息通过次要检测人脸描述内容的检测模型得到,所述目标信息包括设备标签信息,所述人脸图像识别设备包括管控设备和人脸图像设备;
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,得到所述人脸图像识别设备的设备图像识别;其中,所述设备图像识别为映射关系的图像特征;
依据所述人脸图像识别设备的设备图像识别,确定所述人脸图像识别设备的人脸图像互动描述;
依据所述人脸图像识别设备的人脸图像互动描述,对所述人脸图像识别设备进行异常检测,以确定所述人脸图像识别设备是否存在人脸图像互动异常。
7.根据权利要求6所述的系统,其特征在于,所述数据处理终端具体还用于:
依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,修护目标信息列队;
所述目标信息列队用于记载各管控设备与各人脸图像设备之间是否存在人脸图像互动;
所述依据所述人脸图像识别设备的目标信息以及人脸图像互动信息,对所述人脸图像识别设备进行图像识别,包括:依据所述目标信息列队,对所述人脸图像识别设备进行图像识别。
8.根据权利要求7所述的系统,其特征在于,所述数据处理终端具体用于:
对于待处理的识别设备,依据该识别设备的类别在目标信息列队中与该类别对应的位面递增特征向量,并依据该识别设备与目标信息列队中识别设备之间是否存在人脸图像互动,配置新增特征向量中各项的目标向量;
对于获取到的其中人脸图像互动信息,确定该人脸图像互动信息对应的目标管控设备和目标人脸图像设备,并将所述目标信息列队中与所述目标管控设备和所述目标人脸图像设备对应的向量配置为第二向量;其中,所述第二向量用于表征管控设备和人脸图像设备之间存在人脸图像互动;
其中,所述数据处理终端具体还用于:
以二值化信息集合的方式存储所述目标管控设备和所述目标人脸图像设备之间的人脸图像互动信息;其中,所述二值化信息集合包括所述目标管控设备的标签、所述目标人脸图像设备的标签、人脸图像互动发生的先后、人脸图像互动类别以及人脸图像互动结果;
当所述目标管控设备和所述目标人脸图像设备之间存在多次人脸图像互动时,各人脸图像互动信息依照先后顺序进行排序;
其中,所述数据处理终端具体用于:
对于其中人脸图像识别设备,生成以该人脸图像识别设备为关键内容的设备图像识别;
搜索所述目标信息列队,确定第一目标人脸图像识别设备,所述第一目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的另一类别人脸图像识别设备;
对于其中第一目标人脸图像识别设备,在该设备图像识别中递增该第一目标人脸图像识别设备对应的内容,并递增该内容与关键内容之间的关联关系。
9.根据权利要求8所述的系统,其特征在于,所述数据处理终端具体还用于:
依据该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量,确定该内容与该关键内容之间的关联关系的紧密;其中,该内容与该关键内容之间的关联关系的联系越小,表征该人脸图像识别设备与该另一类别人脸图像识别设备之间存在的人脸图像互动的数量越多。
10.根据权利要求6所述的系统,其特征在于,所述数据处理终端具体用于:
对于其中人脸图像识别设备,依据该人脸图像识别设备的设备图像识别确定第二目标人脸图像识别设备,所述第二目标人脸图像识别设备为与该人脸图像识别设备存在人脸图像互动的人脸图像识别设备;
从第二目标人脸图像识别设备与该人脸图像识别设备之间的人脸图像互动信息中,确定预先设置的时间段内的目标人脸图像互动信息;
依据所述目标人脸图像互动信息,确定所述人脸图像识别设备的人脸图像互动描述;
其中,所述数据处理终端具体用于:
对于其中目标人脸图像互动信息,依据该目标人脸图像互动信息包括的先后、人脸图像互动类别以及人脸图像互动结果,将该目标人脸图像互动信息转换为二值化信息集合,并将对应相同第二目标人脸图像识别设备的多个二值化信息集合整合为多姿态数据集;
对所述多姿态数据集进行降维处理,得到人脸图像互动描述向量。
通过次要检测人脸描述内容的检测模型对人脸图像识别设备的人脸描述内容信息进行检测,以获取人脸图像识别设备的人脸描述内容信息,不产生干扰人脸描述内容、不需要预知目标信息、不需要设备提供信息,避免了信息获取对人脸图像识别设备的依赖;通过依据检测得到的人脸图像识别设备的人脸描述内容信息,获取人脸图像识别设备的目标信息以及人脸图像互动信息,并依据人脸图像识别设备的目标信息以及人脸图像互动信息,对人脸图像识别设备进行图像识别,得到人脸图像识别设备的设备图像识别,进而,依据人脸图像识别设备的设备图像识别,确定人脸图像识别设备的人脸图像互动描述,并依据人脸图像识别设备的人脸图像互动描述,对人脸图像识别设备进行异常检测,以确定人脸图像识别设备是否存在人脸图像互动异常,针对人脸图像中的人脸图像互动,关注的是人脸图像设备和管控设备之间的交互互动,而不是人脸图像设备和管控设备自身的设备异常,通过依据人脸图像识别设备的人脸图像互动描述构建设备图像识别,分析人脸图像识别设备是否存在人脸图像互动的异常,实现了自动化的人脸图像识别设备人脸图像互动异常检测,提高了人脸图像识别的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110817250.4A CN113609931B (zh) | 2021-07-20 | 2021-07-20 | 基于神经网络的人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110817250.4A CN113609931B (zh) | 2021-07-20 | 2021-07-20 | 基于神经网络的人脸识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609931A true CN113609931A (zh) | 2021-11-05 |
CN113609931B CN113609931B (zh) | 2024-06-21 |
Family
ID=78337978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110817250.4A Active CN113609931B (zh) | 2021-07-20 | 2021-07-20 | 基于神经网络的人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609931B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322448A (zh) * | 2018-01-09 | 2018-07-24 | 财付通支付科技有限公司 | 身份验证方法、装置、系统、存储介质和计算机设备 |
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN109409330A (zh) * | 2018-11-19 | 2019-03-01 | 中铁程科技有限责任公司 | 基于移动终端的人脸识别方法、装置和计算机设备 |
CN109508694A (zh) * | 2018-12-10 | 2019-03-22 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
CN109658572A (zh) * | 2018-12-21 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110276246A (zh) * | 2019-05-09 | 2019-09-24 | 威比网络科技(上海)有限公司 | 课程指数检测告警方法、装置、电子设备、存储介质 |
WO2020006727A1 (zh) * | 2018-07-05 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 人脸识别方法、装置和服务器 |
WO2020114132A1 (zh) * | 2018-12-06 | 2020-06-11 | 西安光启未来技术研究院 | 一种信息关联性处理方法、装置及系统 |
WO2020125406A1 (zh) * | 2018-12-20 | 2020-06-25 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
CN112308001A (zh) * | 2020-11-06 | 2021-02-02 | 江西高创保安服务技术有限公司 | 一种智慧社区的数据分析方法及人员追踪方法、系统 |
WO2021027540A1 (zh) * | 2019-08-13 | 2021-02-18 | 深圳壹账通智能科技有限公司 | 走失人员信息匹配方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-20 CN CN202110817250.4A patent/CN113609931B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322448A (zh) * | 2018-01-09 | 2018-07-24 | 财付通支付科技有限公司 | 身份验证方法、装置、系统、存储介质和计算机设备 |
WO2020006727A1 (zh) * | 2018-07-05 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 人脸识别方法、装置和服务器 |
CN109034102A (zh) * | 2018-08-14 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
CN109409330A (zh) * | 2018-11-19 | 2019-03-01 | 中铁程科技有限责任公司 | 基于移动终端的人脸识别方法、装置和计算机设备 |
WO2020114132A1 (zh) * | 2018-12-06 | 2020-06-11 | 西安光启未来技术研究院 | 一种信息关联性处理方法、装置及系统 |
CN109508694A (zh) * | 2018-12-10 | 2019-03-22 | 上海众源网络有限公司 | 一种人脸识别方法及识别装置 |
WO2020125406A1 (zh) * | 2018-12-20 | 2020-06-25 | Oppo广东移动通信有限公司 | 安全监护方法、装置、终端及计算机可读存储介质 |
CN109658572A (zh) * | 2018-12-21 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110276246A (zh) * | 2019-05-09 | 2019-09-24 | 威比网络科技(上海)有限公司 | 课程指数检测告警方法、装置、电子设备、存储介质 |
WO2021027540A1 (zh) * | 2019-08-13 | 2021-02-18 | 深圳壹账通智能科技有限公司 | 走失人员信息匹配方法、装置、计算机设备和存储介质 |
CN112308001A (zh) * | 2020-11-06 | 2021-02-02 | 江西高创保安服务技术有限公司 | 一种智慧社区的数据分析方法及人员追踪方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113609931B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378554B (zh) | 一种医疗信息智能交互的方法及系统 | |
CN113886468A (zh) | 基于互联网的在线互动数据挖掘方法及系统 | |
CN114187552A (zh) | 一种机房动力环境监控方法及系统 | |
CN113380363B (zh) | 基于人工智能的医疗数据质量评价方法及系统 | |
CN113610373A (zh) | 基于智能制造的信息决策处理方法及系统 | |
CN113609931A (zh) | 基于神经网络的人脸识别方法及系统 | |
CN113626538B (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
CN113947709A (zh) | 基于人工智能的图像处理方法及系统 | |
CN113360562A (zh) | 基于人工智能与大数据的接口配对方法、系统及云平台 | |
CN113626688A (zh) | 基于软件定义的智能化医疗数据采集方法及系统 | |
CN115756576B (zh) | 软件开发包的翻译方法及软件开发系统 | |
CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及系统 | |
CN113627490B (zh) | 基于多核异构处理器的运维多模态决策方法及系统 | |
CN114661980B (zh) | 一种网页数据推送方法、系统及云平台 | |
CN115374368A (zh) | 基于互联网的网签数据处理方法及系统 | |
CN114662464A (zh) | 基于模板匹配和字符相似度的微服务参数处理方法及系统 | |
CN115371848A (zh) | 一种热能信息监控方法及系统 | |
CN115374839A (zh) | 一种能耗感知决策的数据管理方法及系统 | |
CN114168999A (zh) | 基于数据中心的综合安保方法及系统 | |
CN114169437A (zh) | 一种智能关键数据属性融合方法及系统 | |
CN113239332A (zh) | 一种账号智能填充登录处理方法、系统及云平台 | |
CN116185963A (zh) | 一种电力数据文件的处理系统和方法 | |
CN113611425A (zh) | 基于软件定义的智能化区域医疗集成数据库的方法及系统 | |
CN113609362A (zh) | 基于5g的数据管理方法及系统 | |
CN115345143A (zh) | 基于数据中心的能耗检测方法及系统 |
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 |