CN113723188A - 一种结合人脸与步态特征的着装一致人员身份核验方法 - Google Patents
一种结合人脸与步态特征的着装一致人员身份核验方法 Download PDFInfo
- Publication number
- CN113723188A CN113723188A CN202110857553.9A CN202110857553A CN113723188A CN 113723188 A CN113723188 A CN 113723188A CN 202110857553 A CN202110857553 A CN 202110857553A CN 113723188 A CN113723188 A CN 113723188A
- Authority
- CN
- China
- Prior art keywords
- face
- gait
- features
- identity verification
- 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.)
- Granted
Links
- 230000005021 gait Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012795 verification Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005457 optimization Methods 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
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种结合人脸与步态特征的着装一致人员身份核验方法。本发明对场景中待识别对象同时提取人脸与步态特征，当识别场景中人脸清晰可见时，优先调用人脸识别方法，实现快速身份核验；否则，调用步态识别方法，利用多层卷积神经网络提取时序步态轮廓图的步态特征，将待测试人员与已注册人员身份库的步态特征信息进行匹配，获取欧式距离最小的对象，从而完成身份核验。本发明利用多种生物特征对作业人员进行身份识别，具有灵活性与鲁棒性；该方法广泛适用于配备视频监控的作业现场，可对着装一致人员完成高效、精准的身份核验。
Description
技术领域
本申请涉及视频流图像识别技术领域，尤其是一种结合人脸与步态特征的着装一致人员身份核验方法。
背景技术
用于工厂、车间等作业现场中着装一致人员的身份核验任务主要面临如下几个挑战：
1)作业人员因工作需求统一着装，无法应用现有的主要基于衣着服饰等纹理信息的全身行人重识别算法；
2)视频序列长，检索目标需要高效去除大部分无效信息以缩小检索范围，数据预处理效率低；
3)同一个视频序列中存在多人员，需要人脸和体态的联合检测，且存在行人重叠。
目前存在成熟的人脸识别的身份核验方法，但是存在以下问题：
1)作业人员在作业场景中会以任意角度和方向朝向摄像头；
2)远距离场景下人脸因模糊而无法识别；
3)现场实时视频需要大量人工查看；
4)单独使用基于图片的检测方法并没有充分利用到监控视频的时序信息，核验准确度有限。
上述基于人脸识别的身份核验方法仅使用单一特征，有待进一步提高精度。步态特征在视频监控应用中是一种有效且不易伪造的人体识别特征，然而现有的步态识别方法因标注复杂、受附属物变化等影响而缺乏单帧图像鉴别性，识别性能亦可改善。
发明内容
为解决上述问题，本发明提供一种人脸识别与步态识别相结合的人员身份核验方法。
本发明采用如下的技术方案：一种结合人脸与步态特征的着装一致人员身份核验方法，其结合人脸识别方法和步态识别方法，对作业现场中着装一致人员进行身份核验，分为数据集构建、数据预处理、模型离线训练与模型在线使用四个阶段，所述的四个阶段具体内容如下：
1)数据集构建阶段，把视频按照设定的帧速率进行压缩、截取，选取存在行人且不存在多人遮挡的关键帧构建数据集；
2)数据预处理阶段，对于人脸数据集，使用人脸检测算法提取图片中的人脸部分，保证提取后人脸部分区域像素大小大于100x100；对于步态数据集，利用目标检测算法MaskR-CNN检测出关键帧中的行人，并提取行人边界框图像，同时分割获得人体轮廓图；结合半监督方法MixMatch与人工方法对上述人体轮廓图进行标注，从而构建人员身份库；
3)模型离线训练阶段，利用InceptionResnetV1模型对人脸图片进行人脸特征提取，将提取后的人脸特征输入全连接层将其映射到隐层特征空间，人脸特征向量的最终维度为256；对于提取的人体轮廓图，首先基于经典步态识别网络GaitSet提取初步的步态特征，并利用三元损失函数约束样本空间距离，而后通过步态特征重映射网络，其由批归一化层、Dropout层以及全连接层构成多层卷积网络，将由GaitSet网络输出的62x256特征重映射为256维特征，对于提取的人脸与步态特征，采取维度拼接构成最终512维度联合特征表征向量；
4)模型在线使用阶段，首先判断图像中人脸部分图像像素大小是否不低于100x100，若是，则采用人脸识别，使用人脸特征提取器InceptionResnetV1提取特征，并与已注册的人脸特征进行对比，从而完成身份核验；否则，采用步态识别方法，本阶段使用的模型采取与阶段3)中相同的多层卷积网络结构，与此不同的是此时身份真值未知，将待测试人员的特征与已有特征进行对比，衡量特征空间的距离，与阶段1)中的人员身份库中的特征距离最小的即为识别结果，进而完成身份核验。
进一步地，在模型离线训练阶段使用三元损失函数与交叉熵损失函数进行联合约束，优化特征空间聚类。
更进一步地，所述的三元损失函数计算公式为：
Ltriplet＝max(||f(A)-f(P)||2-||f(A)-f(N)||2+α,0)
其中，A是锚点样本特征，P是与A相同类别的正样本特征，N是与A不同类别的负样本特征，α是调整正负样本对间距离的阈值系数，f为特征映射函数。
更进一步地，所述的交叉熵损失函数计算公式为：
其中，yi代表图片i的标签，
为通过网络预测出的身份属性，M为一个训练批次的样本数量；
得到的联合损失函数公式为：
Ltotal＝Lce+Ltriplet。
进一步地，所述的多层卷积网络优化改进步态识别网络GaitSet，对其输出的特征进行强化并将其维度从62x256压缩至256。
进一步地，人脸特征提取器采用在VggFace数据集上的预训练模型，并将其输出特征通过全连接映射为256的维度。
进一步地，在模型离线训练阶段时，同时提取人脸与步态特征，通过优化后的人脸特征提取器与步态识别网络进行特征映射，最终融合多种特征进行训练。
进一步地，在模型在线使用阶段，优先选取人脸特征进行目标匹配，若无清晰人脸图像则使用步态特征进行目标匹配；与已知身份特征间欧式距离最小的即为身份核验结果。
进一步地，所述的人脸检测算法采用轻量级快速人脸检测器(ultra-light-fast-generic-face-detector)。
本发明利用多种生物特征对作业人员进行身份识别，具有灵活性与鲁棒性；该方法广泛适用于配备视频监控的作业现场，可对着装一致人员完成高效、精准的身份核验。
附图说明
图1是本发明的流程示意图；
图2是本发明所使用多层卷积网络的结构示意图。
具体实施方式
为使发明的上述目的、特征和优点更加通俗易懂，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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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。
如图1所示，本发明提供的结合人脸与步态特征的着装一致人员身份核验方法，包括数据集构建、数据预处理、模型离线训练、与模型在线使用四个主要步骤。
步骤1：把视频按照设定的帧速率进行压缩、截取，选取存在行人且不存在多人遮挡的关键帧构建数据集。
步骤2：对于人脸数据集，使用人脸检测算法ultra-light-fast-generic-face-detector，提取图片中的人脸部分(保证提取后人脸部分区域像素大小大于100x100)。对于步态数据集，利用目标检测算法Mask R-CNN检测出关键帧中的行人，并提取行人边界框图像,同时分割获得人体轮廓图。人体轮廓图标注时，使用半监督学习方法MixMatch协助人工标注数据以构建人员身份库。
步骤3：利用在VggFace数据集上预训练的InceptionResnetV1模型对人脸图片进行人脸特征提取，将提取后的特征输入全连接层将其映射到隐层特征空间，人脸特征向量的最终维度为256。对于提取的人体轮廓图，首先使用GaitSet网络提取步态特征并利用三元损失函数约束样本空间距离。而后通过由批归一化层、Dropout层以及全连接层构成的步态特征重映射网络，将由GaitSet网络输出的62x256特征重映射为256维特征。对于提取的人脸与步态特征，采取维度拼接，最终构成512维度的联合特征表征向量。
如图2所示，使用三元损失函数与交叉熵损失函数对提取的特征进行约束。
所述的三元损失函数计算公式为：
Ltriplet＝max(||f(A)-f(p)||2-||f(A)-f(N)||2+α,0)
其中，A是锚点样本特征，P是与A相同类别的正样本特征，N是与A不同类别的负样本特征，α是调整正负样本对间距离的阈值系数，f为特征映射函数。
所述的交叉熵损失函数计算公式为：
其中，yi代表图片i的标签，
为通过网络预测出的身份属性，M为一个训练批次的样本数量。
得到的联合损失函数公式为：
Ltotal＝Lce+Ltriplet
利用上式中的联合损失函数对特征进行约束，使模型加强对同一身份的特征聚类与不同身份的特征区分。
步骤4：模型在线使用时首先判断图像中人脸部分图像像素大小是否不低于100x100，若是，则使用人脸特征提取器InceptionResnetV1提取特征，并与已注册的人脸特征进行对比，从而完成身份核验；否则，采用所提出的步态识别方法。采取与训练相同的网络结构的步态识别模型，对待测人员提取步态特征，而后将待测试人员的特征与已注册的身份特征库进行对比，衡量特征空间的距离，与步骤1所述中的身份库中的特征距离最小的即为识别结果，进而完成身份核验。如图1所示，步骤4的实施步骤具体如下：
步骤4-1，判断图像中有无清晰人脸(人脸区域面积大于100x100像素)；
步骤4-2，如有清晰人脸则使用人脸特征提取器InceptionResnetV1提取人脸特征，并与已处理的人脸数据库中数据进行匹配，进而完成身份核验；
步骤4-3，如无法获得清晰人脸，则通过Mask R-CNN方法提取步态轮廓序列图；
步骤4-4，利用已经训练好的多层卷积网络模型对步骤4-3的序列图提取步态特征，获得维度为256的步态特征；
步骤4-5，将步骤4-4提取的步态特征与已准备的步态特征数据库进行对比，获取欧式距离最小值的数据库身份ID，进而完成身份核验。
以上对本发明所提供的结合人脸与步态特征的着装一致人员身份核验进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，结合人脸识别方法和步态识别方法，对作业现场中着装一致人员进行身份核验，分为数据集构建、数据预处理、模型离线训练与模型在线使用四个阶段，所述四个阶段的具体内容如下：
1)数据集构建阶段，把视频按照设定的帧速率进行压缩和截取，选取存在行人且不存在多人遮挡的关键帧构建数据集；
2)数据预处理阶段，对于人脸数据集，使用人脸检测算法提取图片中的人脸部分，保证提取后人脸部分区域像素大小大于100x100；对于步态数据集，利用目标检测算法Mask R-CNN检测出关键帧中的行人，并提取行人边界框图像，同时分割获得人体轮廓图；结合半监督方法MixMatch与人工方法对上述人体轮廓图进行标注，从而构建人员身份库；
3)模型离线训练阶段，利用InceptionResnetV1模型对人脸图片进行人脸特征提取，将提取后的人脸特征输入全连接层将其映射到隐层特征空间，人脸特征向量的最终维度为256；对于提取的人体轮廓图，首先基于经典步态识别网络GaitSet提取初步的步态特征，并利用三元损失函数约束样本空间距离，而后通过步态特征重映射网络，其由批归一化层、Dropout层以及全连接层构成多层卷积网络，将由GaitSet网络输出的62x256特征重映射为256维特征，对于提取的人脸与步态特征，采取维度拼接构成最终512维度联合特征表征向量；
4)模型在线使用阶段，首先判断图像中人脸部分图像像素大小是否不低于100x100，若是，则采用人脸识别，用人脸特征提取器提取待识别人脸的特征后与已注册的人脸特征进行对比，从而完成身份核验；否则，采用步态识别方法，本阶段使用的模型采取与阶段3)中相同的多层卷积网络结构，与此不同的是此时身份真值未知，将待测试人员的特征与已有特征进行对比，衡量特征空间的距离，与阶段1)中的人员身份库中的特征距离最小的即为识别结果，进而完成身份核验。
2.根据权利要求1所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，在模型离线训练阶段使用三元损失函数与交叉熵损失函数进行联合约束，优化特征空间聚类。
3.根据权利要求2所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，所述的三元损失函数计算公式为：
Ltriplet＝max(||f(A)-f(p)||2-||f(A)-f(N)||2+α,0)
其中，A是锚点样本特征，P是与A相同类别的正样本特征，N是与A不同类别的负样本特征，α是调整正负样本对间距离的阈值系数，f为特征映射函数。
4.根据权利要求3所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，所述的交叉熵损失函数计算公式为：
其中，yi代表图片i的标签，
为通过网络预测出的身份属性，M为一个训练批次的样本数量；
得到的联合损失函数公式为：
Ltotal＝Lce+Ltriplet。
5.根据权利要求1所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，所述的多层卷积网络优化改进步态识别网络GaitSet，对其输出的特征进行强化并将其维度从62x256压缩至256。
6.根据权利要求1所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，使用在VggFace数据集上预训练的InceptionResnetV1模型作为人脸特征提取器，并将其输出特征通过全连接映射为256的维度。
7.根据权利要求1所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，在模型离线训练阶段时，同时提取人脸与步态特征，通过优化后的人脸特征提取器与步态识别网络进行特征映射，最终融合多种特征进行训练。
8.根据权利要求1所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，在模型在线使用阶段，优先选取人脸特征进行目标匹配，若无清晰人脸图像则使用步态特征进行目标匹配；与已知身份特征间欧式距离最小的即为身份核验结果。
9.根据权利要求1所述的结合人脸与步态特征的着装一致人员身份核验方法，其特征在于，所述的人脸检测算法采用轻量级快速人脸检测器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110857553.9A CN113723188B (zh) | 2021-07-28 | 2021-07-28 | 一种结合人脸与步态特征的着装一致人员身份核验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110857553.9A CN113723188B (zh) | 2021-07-28 | 2021-07-28 | 一种结合人脸与步态特征的着装一致人员身份核验方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723188A true CN113723188A (zh) | 2021-11-30 |
| CN113723188B CN113723188B (zh) | 2024-06-21 |
Family
ID=78674160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110857553.9A Active CN113723188B (zh) | 2021-07-28 | 2021-07-28 | 一种结合人脸与步态特征的着装一致人员身份核验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723188B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023107065A1 (en) * | 2021-12-06 | 2023-06-15 | Bartin Üni̇versi̇tesi̇ | Intelligent system that detects suspects with gait analysis and facial recognition hybrid model |
| CN116740821A (zh) * | 2023-08-16 | 2023-09-12 | 南京迅集科技有限公司 | 基于边缘计算的智能车间控制方法和系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663371A (zh) * | 2012-04-25 | 2012-09-12 | 山东大学 | 一种耦合步态特征的低分辨率人脸识别方法 |
| CN103942577A (zh) * | 2014-04-29 | 2014-07-23 | 上海复控华龙微系统技术有限公司 | 视频监控中基于自建立样本库及混合特征的身份识别方法 |
| US20140314283A1 (en) * | 2013-04-16 | 2014-10-23 | Imageware Systems, Inc. | Multi-modal biometric database searching methods |
| CN105095715A (zh) * | 2015-06-30 | 2015-11-25 | 国网山东莒县供电公司 | 一种电力系统网络的身份认证方法 |
| JP2016057908A (ja) * | 2014-09-10 | 2016-04-21 | 宮田 清蔵 | 万引き予防システム及びソフトウエア |
| US20160217319A1 (en) * | 2012-10-01 | 2016-07-28 | The Regents Of The University Of California | Unified face representation for individual recognition in surveillance videos and vehicle logo super-resolution system |
| CN105844132A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院上海微系统与信息技术研究所 | 基于移动终端的人脸识别方法及系统 |
| CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
| CN107403084A (zh) * | 2017-07-21 | 2017-11-28 | 中国计量大学 | 一种基于步态数据的身份识别方法 |
| CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
| CN110414336A (zh) * | 2019-06-21 | 2019-11-05 | 中国矿业大学 | 一种三元组边缘中心损失的深度互补分类器行人搜索方法 |
| CN110503000A (zh) * | 2019-07-25 | 2019-11-26 | 杭州电子科技大学 | 一种基于人脸识别技术的教学抬头率测量方法 |
| CN111126219A (zh) * | 2019-12-16 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于人工智能的变电站人员的身份识别系统和方法 |
| CN111160189A (zh) * | 2019-12-21 | 2020-05-15 | 华南理工大学 | 一种基于动态目标训练的深度神经网络人脸表情识别方法 |
| CN111488804A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| CN112149638A (zh) * | 2020-10-23 | 2020-12-29 | 贵州电网有限责任公司 | 基于多模态生物特征的人员身份识别系统构建及使用方法 |
| EP3796214A1 (en) * | 2019-09-17 | 2021-03-24 | Tsinghua University | Object recognition system and method |
| CN112818808A (zh) * | 2021-01-27 | 2021-05-18 | 南京大学 | 一种结合两个向量嵌入空间的高精度步态识别方法 |
| CN112966638A (zh) * | 2021-03-22 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 基于多种特征的变电站作业人员鉴别及定位方法 |
| CN113177501A (zh) * | 2021-05-12 | 2021-07-27 | 湖南国科锐承电子科技有限公司 | 一种基于深度学习的黑暗环境下人员身份识别方法 |
-
2021
- 2021-07-28 CN CN202110857553.9A patent/CN113723188B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663371A (zh) * | 2012-04-25 | 2012-09-12 | 山东大学 | 一种耦合步态特征的低分辨率人脸识别方法 |
| US20160217319A1 (en) * | 2012-10-01 | 2016-07-28 | The Regents Of The University Of California | Unified face representation for individual recognition in surveillance videos and vehicle logo super-resolution system |
| US20140314283A1 (en) * | 2013-04-16 | 2014-10-23 | Imageware Systems, Inc. | Multi-modal biometric database searching methods |
| CN103942577A (zh) * | 2014-04-29 | 2014-07-23 | 上海复控华龙微系统技术有限公司 | 视频监控中基于自建立样本库及混合特征的身份识别方法 |
| JP2016057908A (ja) * | 2014-09-10 | 2016-04-21 | 宮田 清蔵 | 万引き予防システム及びソフトウエア |
| CN105095715A (zh) * | 2015-06-30 | 2015-11-25 | 国网山东莒县供电公司 | 一种电力系统网络的身份认证方法 |
| CN105844132A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院上海微系统与信息技术研究所 | 基于移动终端的人脸识别方法及系统 |
| CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
| CN107403084A (zh) * | 2017-07-21 | 2017-11-28 | 中国计量大学 | 一种基于步态数据的身份识别方法 |
| CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
| CN110414336A (zh) * | 2019-06-21 | 2019-11-05 | 中国矿业大学 | 一种三元组边缘中心损失的深度互补分类器行人搜索方法 |
| CN110503000A (zh) * | 2019-07-25 | 2019-11-26 | 杭州电子科技大学 | 一种基于人脸识别技术的教学抬头率测量方法 |
| EP3796214A1 (en) * | 2019-09-17 | 2021-03-24 | Tsinghua University | Object recognition system and method |
| CN111126219A (zh) * | 2019-12-16 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于人工智能的变电站人员的身份识别系统和方法 |
| CN111160189A (zh) * | 2019-12-21 | 2020-05-15 | 华南理工大学 | 一种基于动态目标训练的深度神经网络人脸表情识别方法 |
| CN111488804A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| CN112149638A (zh) * | 2020-10-23 | 2020-12-29 | 贵州电网有限责任公司 | 基于多模态生物特征的人员身份识别系统构建及使用方法 |
| CN112818808A (zh) * | 2021-01-27 | 2021-05-18 | 南京大学 | 一种结合两个向量嵌入空间的高精度步态识别方法 |
| CN112966638A (zh) * | 2021-03-22 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 基于多种特征的变电站作业人员鉴别及定位方法 |
| CN113177501A (zh) * | 2021-05-12 | 2021-07-27 | 湖南国科锐承电子科技有限公司 | 一种基于深度学习的黑暗环境下人员身份识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| HAIPING ZHU;YUHENG ZHANG;GUOHAO LI;JUNPING ZHANG;HONGMING SHAN;: "Ordinal distribution regression for gait-based age estimation", SCIENCE CHINA(INFORMATION SCIENCES), no. 02 * |
| 何逸炜;张军平;: "步态识别的深度学习:综述", 模式识别与人工智能, no. 05, 15 May 2018 (2018-05-15) * |
| 李一波;孟迪;: "仿生模式识别理论在45°视角的步态识别中的应用", 计算机应用与软件, no. 01 * |
| 王刘旺等: "人工智能在变电站运维管理中的应用综述", 《高电压技术》 * |
| 王海龙;王怀斌;王荣耀;王海涛;刘强;张鲁洋;蒋梦浩;: "基于视频监控的人脸识别方法", 计算机测量与控制, no. 04 * |
| 闫河;罗成;李焕;李彦;: "基于步态能量图与VGG结合的步态识别方法", 重庆理工大学学报(自然科学), no. 05 * |
| 闫河;罗成;李焕;李彦;: "基于步态能量图与VGG结合的步态识别方法", 重庆理工大学学报(自然科学), no. 05, 15 May 2020 (2020-05-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023107065A1 (en) * | 2021-12-06 | 2023-06-15 | Bartin Üni̇versi̇tesi̇ | Intelligent system that detects suspects with gait analysis and facial recognition hybrid model |
| CN116740821A (zh) * | 2023-08-16 | 2023-09-12 | 南京迅集科技有限公司 | 基于边缘计算的智能车间控制方法和系统 |
| CN116740821B (zh) * | 2023-08-16 | 2023-10-24 | 南京迅集科技有限公司 | 基于边缘计算的智能车间控制方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723188B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084156B (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
| EP3872650A1 (en) | Method for footprint image retrieval | |
| CN106815566B (zh) | 一种基于多任务卷积神经网络的人脸检索方法 | |
| CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
| WO2020108362A1 (zh) | 人体姿态检测方法、装置、设备及存储介质 | |
| CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
| CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
| CN106991370B (zh) | 基于颜色和深度的行人检索方法 | |
| CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
| CN105574515B (zh) | 一种无重叠视域下的行人再识别方法 | |
| CN105976383A (zh) | 一种基于极限学习机图像识别的输电设备故障诊断方法 | |
| CN107491720A (zh) | 一种基于改进型卷积神经网络的车型识别方法 | |
| CN110991315A (zh) | 一种基于深度学习的安全帽佩戴状态实时检测方法 | |
| Jammalamadaka et al. | Has my algorithm succeeded? an evaluator for human pose estimators | |
| CN108280411A (zh) | 一种具有空间变换能力的行人搜索方法 | |
| CN107066969A (zh) | 一种人脸识别方法 | |
| CN113723188B (zh) | 一种结合人脸与步态特征的着装一致人员身份核验方法 | |
| CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
| CN111160291A (zh) | 基于深度信息与cnn的人眼检测方法 | |
| CN111639580A (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
| CN112132157B (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
| CN111738211A (zh) | 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法 | |
| CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN114092478B (zh) | 一种异常检测方法 | |
| Guo et al. | Small aerial target detection using trajectory hypothesis and verification |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220512 Address after: The eight district of Hangzhou city in Zhejiang province 310014 Huadian Zhaohui under No. 1 Lane Applicant after: STATE GRID ZHEJIANG ELECTRIC POWER COMPANY LIMITED ELECTRIC POWER Research Institute Applicant after: Yongjia County power supply company of State Grid Zhejiang Electric Power Co.,Ltd. Applicant after: ZHEJIANG University Address before: The eight district of Hangzhou city in Zhejiang province 310014 Huadian Zhaohui under No. 1 Lane Applicant before: STATE GRID ZHEJIANG ELECTRIC POWER COMPANY LIMITED ELECTRIC POWER Research Institute Applicant before: Yongjia Electric Power Industry Co.,Ltd. Applicant before: ZHEJIANG University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |