CN113743308B - 基于特征质量的人脸识别方法、装置、存储介质及系统 - Google Patents
基于特征质量的人脸识别方法、装置、存储介质及系统 Download PDFInfo
- Publication number
- CN113743308B CN113743308B CN202111038171.XA CN202111038171A CN113743308B CN 113743308 B CN113743308 B CN 113743308B CN 202111038171 A CN202111038171 A CN 202111038171A CN 113743308 B CN113743308 B CN 113743308B
- Authority
- CN
- China
- Prior art keywords
- feature
- face
- quality
- preset
- target
- 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 32
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于特征质量的人脸识别方法、装置、存储介质及系统,包括以下步骤:基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;基于第一人脸特征,确定待识别人脸图像为预设的目标人脸特征库中的第一目标人脸;应用预设的质量判断规则,比较第一特征质量分和第一目标人脸的第二特征质量分;当比较结果符合质量判断规则时,将第一人脸特征添加至第一目标人脸在目标人脸特征库的第二人脸特征位置处,并将第一特征质量分添加至第一目标人脸在目标人脸特征库的第二特征质量分位置处。本发明的基于特征质量的人脸识别方法、装置、存储介质及系统,改善了场景条件不足情况下的人脸识别精度;提高人脸识别算法的鲁棒性。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及一种基于特征质量的人脸识别方法、装置、存储介质及系统。
背景技术
随着深度学习技术的发展和落地,人脸识别技术已广泛应用到安防、支付和客流统计等多个领域,成为现阶段人工智能落地最成熟、应用最广泛的技术。现有技术中的人脸识别是将待查询的人脸图像特征与目标人脸图像特征进行相似度比对以判断是否为同一人脸。
现有技术的这种处理方法对人脸图像的场景要求较高,比如支付领域中的人脸识别,人脸距离采集设备的距离较近,预先对人脸的采集区域有约束限定,并且人脸多为正面、清晰的图像;这些限定条件导致当由于光照、遮挡或相机搭载位置的关系等原因导致采集到的目标人脸和待查询人脸的图像质量较低或非正脸的情况时,人脸识别的精度并不理想。
因此,因场景条件不足导致人脸识别的精度不理想是一个亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于特征质量的人脸识别方法、装置、存储介质及系统,用于解决现有技术中因场景条件不足导致人脸识别的精度不理想的问题。
为实现上述目的及其他相关目的,本发明提供一种基于特征质量的人脸识别方法、装置、存储介质及系统,包括以下步骤:基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,所述目标人脸特征库包括各目标人脸的人脸特征和特征质量分;应用预设的质量判断规则,比较所述第一特征质量分和所述第一目标人脸的第二特征质量分;当所述比较结果符合所述质量判断规则时,将所述第一人脸特征添加至所述第一目标人脸在所述目标人脸特征库的第二人脸特征位置处,并将所述第一特征质量分添加至所述第一目标人脸在所述目标人脸特征库的所述第二特征质量分位置处。
于本发明的一实施例中,所述预设的特征提取模型包括特征提取模块和质量模块;所述基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分之前,还包括:获取待训练的人脸图像的数据集;基于所述数据集和预设的损失函数,应用卷积神经网络模型,确定所述特征提取模块的第一模型参数;保持所述第一模型参数不变,添加所述质量模块,并将质量参数带入所述损失函数中,训练所述特征提取模型,确定所述质量模块的第二模型参数。
于本发明的一实施例中,所述损失函数的表达式为:
其中,L1为所述损失函数;m1为预设的第一间隔参数;m2为预设的第二间隔参数;m3为预设的第三间隔参数;θ为将特征距离约束到角度空间内的参数;s为预设的固定尺度参数;k为对应人脸特征的第一向量;j为对应人脸特征的第二向量。
将所述质量参数带入所述损失函数后的表达式为:
其中,L2为带入所述质量参数的损失函数;Qi为所述质量参数。
于本发明的一实施例中,所述基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,包括:基于所述第一人脸特征和所述目标人脸特征库,确定所述第一人脸特征和所述目标人脸特征库中各目标人脸的人脸特征的相似度得分;基于所述相似度得分,确定得分最高的第一相似度得分对应的第一目标人脸的第二人脸特征和第二特征质量分;将所述第一相似度得分和预设的相似度阈值比较,当所述第一相似度得分大于所述相似度阈值时,确定所述待识别人脸图像为所述第一目标人脸。
于本发明的一实施例中,所述将所述第一相似度得分和预设的相似度阈值比较之后,还包括:当所述第一相似度得分小于或等于所述相似度阈值时,确定所述待识别人脸图像为新的目标人脸;并将所述第一人脸特征和所述第一特征质量分增加至所述目标人脸特征库中所述新的目标人脸的对应位置处。
于本发明的一实施例中,所述比较所述第一特征质量分和所述第一目标人脸的第二特征质量分之后,还包括:当所述比较结果不符合所述质量判断规则时,所述目标人脸特征库保持不变。
对应地,本发明提供一种基于特征质量的人脸识别装置,其特征在于,包括:获取模块,用于基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;确定模块,用于基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,所述目标人脸特征库包括各目标人脸的人脸特征和特征质量分;第一处理模块,用于应用预设的质量判断规则,比较所述第一特征质量分和所述第一目标人脸的第二特征质量分;第二处理模块,用于当所述比较结果符合所述质量判断规则时,将所述第一人脸特征添加至所述第一目标人脸在所述目标人脸特征库的第二人脸特征位置处,并将所述第一特征质量分添加至所述第一目标人脸在所述目标人脸特征库的所述第二特征质量分位置处。
于本发明的一实施例中,所述预设的特征提取模型包括特征提取模块和质量模块;所述装置还用于:获取待训练的人脸图像的数据集;基于所述数据集和预设的损失函数,应用卷积神经网络模型,确定所述特征提取模块的第一模型参数;保持所述第一模型参数不变,添加所述质量模块;并将质量参数带入所述损失函数中,训练所述特征提取模型,确定所述质量模块的第二模型参数。
本发明提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的应用于人脸图像的年龄估计方法。
本发明提供一种人脸识别系统,包括存储器,用于存储计算机程序;处理器,用于运行所述计算机程序以实现上述的基于特征质量的人脸识别方法。
如上所述,本发明的基于特征质量的人脸识别方法、装置、存储介质及系统,具有以下有益效果:
(1)改善场景条件不足情况下的人脸识别精度。
(2)增加的人脸特征质量分的判断,能够提高人脸识别算法的鲁棒性。
附图说明
图1显示为本发明的基于特征质量的人脸识别方法于一实施例中的流程图。
图2显示为本发明的基于特征质量的人脸识别方法于一实施例中的特征提取模型处理流程图。
图3显示为本发明的基于特征质量的人脸识别方法于一实施例中的识别匹配逻辑图。
图4显示为本发明的基于特征质量的人脸识别装置于一实施例中的结构示意图。
图5显示为本发明的基于特征质量的人脸识别装置于一实施例中的人脸识别系统。
元件标号说明
41 获取模块
42 确定模块
43 第一处理模块
44 第二处理模块
51 处理器
52 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明的基于特征质量的人脸识别方法、装置、存储介质及系统,改善了场景条件不足情况下的人脸识别精度;增加的人脸特征质量分的判断,能够提高人脸识别算法的鲁棒性。
如图1所示,于一实施例中,本发明的基于特征质量的人脸识别方法包括以下步骤:
步骤S1、基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;
具体地,预设的特征提取模型包括特征提取模块和质量模块,如图2所示,于本实施例中,本发明的特征提取模型处理流程图,输入待识别人脸图像,应用特征提取模型进行特征提取,将提取到的特征通过特征拉平降维成一维特征向量,将一维特征向量通过特征提取模块中的全连接层处理,输出得到最终的第一人脸特征;再同时将一维特征向量通过质量模块中的全连接层、批标准化层、修正线性单元、全连接层以及激活函数的处理,输出得到第一特征质量分。
举例来说,待识别人脸图像为112*112的图像,应用特征提取模型进行特征提取,然后通过特征拉平降维至(1,512*14*14)的一维特征向量,对(1,512*14*14)的一维特征向量通过特征提取模块中的全连接层处理,输出得到(1,512)的第一人脸特征;同时对(1,512*14*14)的一维特征向量通过质量模块进行处理,输出得到第一特征质量分数为0.7。
进一步具体地,获取待训练的人脸图像的数据集;基于所述数据集和预设的损失函数,应用卷积神经网络模型,确定所述特征提取模块的第一模型参数;保持所述第一模型参数不变,添加所述质量模块,并将质量参数带入所述损失函数中,训练所述特征提取模型,确定所述质量模块的第二模型参数。
进一步具体地,所述损失函数的表达式为:
其中,L1为所述损失函数;m1为预设的第一间隔参数;m2为预设的第二间隔参数;m3为预设的第三间隔参数;θ为将特征距离约束到角度空间内的参数;s为预设的固定尺度参数;k为对应人脸特征的第一向量;j为对应人脸特征的第二向量。
将所述质量参数带入所述损失函数后的表达式为:
其中,L2为带入所述质量参数的损失函数;Qi为所述质量参数。
步骤S2、基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,所述目标人脸特征库包括各目标人脸的人脸特征和特征质量分;
具体地,预先对目标人脸特征库中的各目标人脸应用特征提取模型得到各目标人脸的人脸特征和特征质量分;基于所述第一人脸特征和所述目标人脸特征库,确定所述第一人脸特征和所述目标人脸特征库中各目标人脸的人脸特征的相似度得分;基于所述相似度得分,确定得分最高的第一相似度得分对应的第一目标人脸的第二人脸特征和第二特征质量分;将所述第一相似度得分和预设的相似度阈值比较,当所述第一相似度得分大于所述相似度阈值时,确定所述待识别人脸图像为所述第一目标人脸。
举例来说,将第一人脸特征和目标人脸特征库中的各目标人脸的人脸特征逐个进行相似度计算,得到相应的相似度得分;将相似度得分进行从高到低的降序排列,将最高的相似度得分和预设的相似度阈值进行比较,当最高的相似度得分大于相似度阈值时,确定待识别人脸图像为最高相似度得分对应的目标人脸特征库中的第一目标人脸;以及确定得到第一目标人脸对应的第二人脸特征和第二特征质量分。
进一步具体地,当所述第一相似度得分小于或等于所述相似度阈值时,确定所述待识别人脸图像为新的目标人脸;并将所述第一人脸特征和所述第一特征质量分增加至所述目标人脸特征库中所述新的目标人脸的对应位置处。
步骤S3、应用预设的质量判断规则,比较所述第一特征质量分和所述第一目标人脸的第二特征质量分;
具体地,预设的质量判断规则为k*第一特征质量分大于第二特征质量分,比如k取值为0.9。
步骤S4、当所述比较结果符合所述质量判断规则时,将所述第一人脸特征添加至所述第一目标人脸在所述目标人脸特征库的第二人脸特征位置处,并将所述第一特征质量分添加至所述第一目标人脸在所述目标人脸特征库的所述第二特征质量分位置处。
具体地,当比较结果为k*第一特征质量分大于第二特征质量分时,将待识别人脸图像的第一人脸特征、第一特征质量分,和第一目标人脸的第二人脸特征、第二特征质量分对应合并整合,以形成目标人脸特征库中第一目标人脸的新的人脸特征和新的特征质量分。
其中,新的人脸特征是将第一人脸特征添加至第一目标人脸在目标人脸特征库的第二人脸特征位置处得到;新的特征质量分是将第一特征质量分添加至第一目标人脸在目标人脸特征库的第二特征质量分位置处得到。
进一步具体地,当所述比较结果不符合所述质量判断规则时,所述目标人脸特征库保持不变。
如图3所示,于本实施例中,本发明的识别匹配逻辑图,通过上述S1-S4的步骤处理,在确定出待识别人脸图像为预设的目标人脸特征库中的第一目标人脸之后,再对待识别人脸图像和第一目标人脸的特征质量分进行判断比较,在比较结果符合质量判断规则时,将待识别人脸图像的人脸特征和特征质量分分别并入第一目标人脸的人脸特征和特征质量分中,以完善目标人脸特征库中同一人脸图像的特征多样性,进而在后续的人脸图像识别中提高人脸识别的精度。
如图4所示,于一实施例中,本发明的基于特征质量的人脸识别装置包括:
获取模块41,用于基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;
确定模块42,用于基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,所述目标人脸特征库包括各目标人脸的人脸特征和特征质量分;
第一处理模块43,用于应用预设的质量判断规则,比较所述第一特征质量分和所述第一目标人脸的第二特征质量分;
第二处理模块44,用于当所述比较结果符合所述质量判断规则时,将所述第一人脸特征添加至所述第一目标人脸在所述目标人脸特征库的第二人脸特征位置处,并将所述第一特征质量分添加至所述第一目标人脸在所述目标人脸特征库的所述第二特征质量分位置处。
其中,所述预设的特征提取模型包括特征提取模块和质量模块;所述装置还用于:
获取待训练的人脸图像的数据集;
基于所述数据集和预设的损失函数,应用卷积神经网络模型,确定所述特征提取模块的第一模型参数;
保持所述第一模型参数不变,添加所述质量模块;并将质量参数带入所述损失函数中,训练所述特征提取模型,确定所述质量模块的第二模型参数。
本实施例的基于特征质量的人脸识别装置具体实现的技术特征与实施例1中基于特征质量的人脸识别方法中的各步骤的原理基本相同,方法和装置之间可以通用的技术内容不作重复赘述。
本发明的存储介质上存储有计算机程序,该程序被处理器执行时实现上述的基于特征质量的人脸识别方法。
如图5所示,于一实施例中,本发明的人脸识别系统包括:处理器51及存储器52。
所述存储器52用于存储计算机程序。
所述存储器52包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器51与所述存储器52相连,用于执行所述存储器52存储的计算机程序,以使所述人脸识别系统执行上述的基于特征质量的人脸识别方法。
优选地,上述的处理器51可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGate Array,简称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。
综上所述,本发明的基于特征质量的人脸识别方法、装置、存储介质及系统,改善了场景条件不足情况下的人脸识别精度;增加了人脸特征质量分的判断,能够提高人脸识别算法的鲁棒性。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于特征质量的人脸识别方法,其特征在于,所述人脸识别方法包括以下步骤:
基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;
基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,所述目标人脸特征库包括各目标人脸的人脸特征和特征质量分;
应用预设的质量判断规则,比较所述第一特征质量分和所述第一目标人脸的第二特征质量分;
当所述比较结果符合所述质量判断规则时,将所述第一人脸特征添加至所述第一目标人脸在所述目标人脸特征库的第二人脸特征位置处,并将所述第一特征质量分添加至所述第一目标人脸在所述目标人脸特征库的所述第二特征质量分位置处;
所述预设的特征提取模型包括特征提取模块和质量模块;所述基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分之前,还包括:
获取待训练的人脸图像的数据集;
基于所述数据集和预设的损失函数,应用卷积神经网络模型,确定所述特征提取模块的第一模型参数;
保持所述第一模型参数不变,添加所述质量模块,并将质量参数带入所述损失函数中,训练所述特征提取模型,确定所述质量模块的第二模型参数;
所述损失函数的表达式为:
其中,L1为所述损失函数;m1为预设的第一间隔参数;m2为预设的第二间隔参数;m3为预设的第三间隔参数;θ为将特征距离约束到角度空间内的参数;s为预设的固定尺度参数;k为对应人脸特征的第一向量;j为对应人脸特征的第二向量;
将所述质量参数带入所述损失函数后的表达式为:
其中,L2为带入所述质量参数的损失函数;Qi为所述质量参数。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,包括:
基于所述第一人脸特征和所述目标人脸特征库,确定所述第一人脸特征和所述目标人脸特征库中各目标人脸的人脸特征的相似度得分;
基于所述相似度得分,确定得分最高的第一相似度得分对应的第一目标人脸的第二人脸特征和第二特征质量分;
将所述第一相似度得分和预设的相似度阈值比较,当所述第一相似度得分大于所述相似度阈值时,确定所述待识别人脸图像为所述第一目标人脸。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一相似度得分和预设的相似度阈值比较之后,还包括:
当所述第一相似度得分小于或等于所述相似度阈值时,确定所述待识别人脸图像为新的目标人脸;并将所述第一人脸特征和所述第一特征质量分增加至所述目标人脸特征库中所述新的目标人脸的对应位置处。
4.根据权利要求1所述的方法,其特征在于,所述比较所述第一特征质量分和所述第一目标人脸的第二特征质量分之后,还包括:
当所述比较结果不符合所述质量判断规则时,所述目标人脸特征库保持不变。
5.一种基于特征质量的人脸识别装置,其特征在于,包括:
获取模块,用于基于预设的特征提取模型获取待识别人脸图像的第一人脸特征和第一特征质量分;
确定模块,用于基于所述第一人脸特征,确定所述待识别人脸图像为预设的目标人脸特征库中的第一目标人脸,所述目标人脸特征库包括各目标人脸的人脸特征和特征质量分;
第一处理模块,用于应用预设的质量判断规则,比较所述第一特征质量分和所述第一目标人脸的第二特征质量分;
第二处理模块,用于当所述比较结果符合所述质量判断规则时,将所述第一人脸特征添加至所述第一目标人脸在所述目标人脸特征库的第二人脸特征位置处,并将所述第一特征质量分添加至所述第一目标人脸在所述目标人脸特征库的所述第二特征质量分位置处;
所述预设的特征提取模型包括特征提取模块和质量模块;所述装置还用于:
获取待训练的人脸图像的数据集;
基于所述数据集和预设的损失函数,应用卷积神经网络模型,确定所述特征提取模块的第一模型参数;
保持所述第一模型参数不变,添加所述质量模块,并将质量参数带入所述损失函数中,训练所述特征提取模型,确定所述质量模块的第二模型参数;
所述损失函数的表达式为:
其中,L1为所述损失函数;m1为预设的第一间隔参数;m2为预设的第二间隔参数;m3为预设的第三间隔参数;θ为将特征距离约束到角度空间内的参数;s为预设的固定尺度参数;k为对应人脸特征的第一向量;j为对应人脸特征的第二向量;
将所述质量参数带入所述损失函数后的表达式为:
其中,L2为带入所述质量参数的损失函数;Qi为所述质量参数。
6.一种存储介质,存储有程序指令,其中,所述程序指令被执行时实现如权利要求1至权利要求4任一项所述的基于特征质量的人脸识别方法的步骤。
7.一种人脸识别系统,其特征在于:包括存储器,用于存储计算机程序;处理器,用于运行所述计算机程序以实现如权利要求1至权利要求4任一权利要求所述的基于特征质量的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038171.XA CN113743308B (zh) | 2021-09-06 | 2021-09-06 | 基于特征质量的人脸识别方法、装置、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038171.XA CN113743308B (zh) | 2021-09-06 | 2021-09-06 | 基于特征质量的人脸识别方法、装置、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743308A CN113743308A (zh) | 2021-12-03 |
CN113743308B true CN113743308B (zh) | 2023-12-12 |
Family
ID=78735987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038171.XA Active CN113743308B (zh) | 2021-09-06 | 2021-09-06 | 基于特征质量的人脸识别方法、装置、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743308B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216884A (zh) * | 2007-12-29 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸认证的方法及系统 |
CN106778679A (zh) * | 2017-01-05 | 2017-05-31 | 唐常芳 | 一种基于大数据机器学习的特定人群视频识别方法及系统 |
CN107563343A (zh) * | 2017-09-18 | 2018-01-09 | 南京甄视智能科技有限公司 | 基于人脸识别技术的FaceID数据库的自我完善方法和系统 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN111027385A (zh) * | 2019-11-08 | 2020-04-17 | 新大陆数字技术股份有限公司 | 聚类访客统计方法、系统、设备及计算机可读存储介质 |
CN111160307A (zh) * | 2019-12-31 | 2020-05-15 | 帷幄匠心科技(杭州)有限公司 | 一种人脸识别方法及人脸识别打卡系统 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111445252A (zh) * | 2019-01-16 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 一种生物特征库的建立方法、装置及设备 |
CN111460893A (zh) * | 2020-03-02 | 2020-07-28 | 平安科技(深圳)有限公司 | 人脸特征向量动态调整方法及相关设备 |
CN111553271A (zh) * | 2020-04-28 | 2020-08-18 | 江苏日颖慧眼智能设备有限公司 | 一种人脸特征融合的方法 |
CN112001280A (zh) * | 2020-08-13 | 2020-11-27 | 浩鲸云计算科技股份有限公司 | 一种实时、可在线优化的人脸识别系统和方法 |
CN112036446A (zh) * | 2020-08-06 | 2020-12-04 | 汇纳科技股份有限公司 | 目标识别特征融合的方法、系统、介质及装置 |
CN112084903A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 一种更新人脸识别底库照片的方法及系统 |
CN112287753A (zh) * | 2020-09-23 | 2021-01-29 | 武汉天宝莱信息技术有限公司 | 一种基于机器学习提升人脸识别精度的系统及其算法 |
WO2021104128A1 (zh) * | 2019-11-26 | 2021-06-03 | 中兴通讯股份有限公司 | 特征库更新方法和装置、推理服务器及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326816A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种面部识别系统及面部识别方法 |
-
2021
- 2021-09-06 CN CN202111038171.XA patent/CN113743308B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216884A (zh) * | 2007-12-29 | 2008-07-09 | 北京中星微电子有限公司 | 一种人脸认证的方法及系统 |
CN106778679A (zh) * | 2017-01-05 | 2017-05-31 | 唐常芳 | 一种基于大数据机器学习的特定人群视频识别方法及系统 |
CN107563343A (zh) * | 2017-09-18 | 2018-01-09 | 南京甄视智能科技有限公司 | 基于人脸识别技术的FaceID数据库的自我完善方法和系统 |
CN111445252A (zh) * | 2019-01-16 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 一种生物特征库的建立方法、装置及设备 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN111027385A (zh) * | 2019-11-08 | 2020-04-17 | 新大陆数字技术股份有限公司 | 聚类访客统计方法、系统、设备及计算机可读存储介质 |
WO2021104128A1 (zh) * | 2019-11-26 | 2021-06-03 | 中兴通讯股份有限公司 | 特征库更新方法和装置、推理服务器及存储介质 |
CN112949346A (zh) * | 2019-11-26 | 2021-06-11 | 中兴通讯股份有限公司 | 一种特征库更新方法、装置、推理服务器及存储介质 |
CN111160307A (zh) * | 2019-12-31 | 2020-05-15 | 帷幄匠心科技(杭州)有限公司 | 一种人脸识别方法及人脸识别打卡系统 |
CN111460893A (zh) * | 2020-03-02 | 2020-07-28 | 平安科技(深圳)有限公司 | 人脸特征向量动态调整方法及相关设备 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111553271A (zh) * | 2020-04-28 | 2020-08-18 | 江苏日颖慧眼智能设备有限公司 | 一种人脸特征融合的方法 |
CN112036446A (zh) * | 2020-08-06 | 2020-12-04 | 汇纳科技股份有限公司 | 目标识别特征融合的方法、系统、介质及装置 |
CN112001280A (zh) * | 2020-08-13 | 2020-11-27 | 浩鲸云计算科技股份有限公司 | 一种实时、可在线优化的人脸识别系统和方法 |
CN112084903A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 一种更新人脸识别底库照片的方法及系统 |
CN112287753A (zh) * | 2020-09-23 | 2021-01-29 | 武汉天宝莱信息技术有限公司 | 一种基于机器学习提升人脸识别精度的系统及其算法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743308A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
CN109063776B (zh) | 图像再识别网络训练方法、装置和图像再识别方法及装置 | |
CN103295022A (zh) | 图像相似度计算系统及方法 | |
CN112085701A (zh) | 一种人脸模糊度检测方法、装置、终端设备及存储介质 | |
CN110909663A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN112037287A (zh) | 相机标定方法、电子设备及存储介质 | |
CN114170654A (zh) | 年龄识别模型的训练方法、人脸年龄识别方法及相关装置 | |
CN117274072A (zh) | 一种基于二维多模态范围图像的点云去噪方法及装置 | |
CN113807166B (zh) | 图像处理方法、装置及存储介质 | |
CN110826534A (zh) | 一种基于局部主成分分析的人脸关键点检测方法及系统 | |
CN113743308B (zh) | 基于特征质量的人脸识别方法、装置、存储介质及系统 | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113344145B (zh) | 字符识别方法、装置、电子设备和存储介质 | |
CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN112036446B (zh) | 目标识别特征融合的方法、系统、介质及装置 | |
CN114820755A (zh) | 一种深度图估计方法及系统 | |
CN113888498A (zh) | 图像异常检测方法、装置、电子设备及存储介质 | |
CN112084874A (zh) | 一种物体检测方法、装置及终端设备 | |
CN112418098A (zh) | 视频结构化模型的训练方法及相关设备 | |
CN112464740A (zh) | 一种用于自顶向下姿态识别过程的图像处理方法及系统 | |
CN112069885A (zh) | 人脸属性识别方法、装置及移动终端 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201203 No. 6, Lane 55, Chuanhe Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Winner Technology Co.,Ltd. Address before: 201505 Room 216, 333 Tingfeng Highway, Tinglin Town, Jinshan District, Shanghai Applicant before: Winner Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |