CN113807165A - 一种基于视频人脸序列的人脸识别方法及系统 - Google Patents
一种基于视频人脸序列的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN113807165A CN113807165A CN202110864456.2A CN202110864456A CN113807165A CN 113807165 A CN113807165 A CN 113807165A CN 202110864456 A CN202110864456 A CN 202110864456A CN 113807165 A CN113807165 A CN 113807165A
- Authority
- CN
- China
- Prior art keywords
- face
- sequence
- video
- recognition
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008569 process Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频人脸序列的人脸识别方法及系统，该方法包括如下步骤：采集人脸2D序列图；对2D序列图进行标注，并作为InsightFaceLoss的训练标签输入；将3D设备采集到的3D人脸序列图和Struct From Motion算法生成的3D特征图，作为SmoothL1Loss的训练标签输入；训练完成后得到人脸特征提取模型；将前端2D人脸采集设备采集到的视频序列进行人脸检测，将检测到的人脸序列作为人脸特征提取模型的输入，提取人脸特征，完成人脸识别。本发明采用一个序列的多涨人脸2D图，代替3D人脸采集设备做人脸识别，大大节约了应用消耗的成本，同时由于2D序列对距离和光照没有限制，大大提升了人脸识别的应用场景。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种基于视频人脸序列的人脸识别方法及系统。
背景技术
人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度；它属于生物特征识别技术，是对生物体(一般特指人)本身的生物特征来区分生物体个体。在人脸识别过程中，通常包括人脸检测、人脸特征提取和人脸识别步骤，特征提取是影响识别效果的一个重要环节。
人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。
人脸的表达模型分为2D人脸和3D人脸。2D人脸识别研究的时间相对较长，方法流程也相对成熟，在多个领域都有使用，但由于2D信息存在深度数据丢失的局限性，无法完整的表达出真实人脸，所以在实际应用中存在着一些不足，例如识别准确率不高、活体检测准确率不高等。3D人脸模型比2D人脸模型有更强的描述能力，能更好的表达出真实人脸，所以基于3D数据的人脸识别不管识别准确率还是活体检测准确率都有很大的提高。但是采用3D人脸采集设备做人脸识别，会大大增加应用消耗的成本，且会受到距离和光照的限制。
发明内容
为了解决上述问题，本发明一方面提供了一种基于视频人脸序列的人脸识别方法，旨在解决进行人脸识别时，采用3D人脸采集设备，成本过高，且应用场景有限的技术问题。
该方法包括以下步骤：
S1：采集人脸2D序列图；
S2：对2D序列图进行标注，并作为InsightFaceLoss的训练标签输入；
S3：将3D设备采集到的3D人脸序列图和Struct From Motion算法生成的3D特征图，作为SmoothL1Loss的训练标签输入；
S4：训练完成后得到人脸特征提取模型；
S5：将前端采集到的视频序列进行人脸检测，将检测到的人脸序列作为人脸特征提取模型的输入，提取人脸特征，完成人脸识别。
进一步的，所述步骤S2中对2D序列图进行标注的方法为：采用RestNet构建网络的backbone生成人脸特征向量embedding。
进一步的，将步骤S2中InsightFaceLoss作为人脸识别的损失函数，用以增加类外距离，减少类内距离。
进一步的，所述步骤S3中Struct From Motion算法生成3D特征图包括以下子步骤：
S31：输入有序或无序的图像集；
S32：整体特征提取、匹配，并构建scene graph；
S33：初始化，选取最优的图像，并进行一次光束法平差；
S34：选取下一张最优图像进行位姿解算；
S35：对新增的一张图像进行三角化新的地图点；
S36：局部迭代光束法优化新增的一张图像地图点及位姿；
S37：进行一次整体光束法平差。
进一步的，所述SmoothL1Loss将3D特征图通过反向传递让人脸特征向量embedding更多的表达出3D人脸特征，用以增加人脸的可区分性。
进一步的，所述步骤S5中采用MTCNN人脸检测算法检测图像中所有的人脸，为了保证每个序列人脸为同一个人，同时增加了人脸跟踪算法。
本发明的另一方面提供了一种基于视频人脸序列的人脸识别系统，该系统包括：
2D和3D采集设备：用于采集人脸图像序列；
人脸特征向量生成模块：用于将采集到的2D人脸序列图生成为人脸特征向量；
人脸特征提取模型生成模块：用于生成人脸特征提取模型；
人脸检测模块：将前端采集到的视频序列进行人脸检测，保证每个序列人脸为同一个人；
识别模块：将检测到的人脸序列输入人脸特征提取模型，增加人脸的可区分性。
本发明的有益效果在于：采用一个序列的多涨人脸2D图，代替3D人脸采集设备做人脸识别，大大节约了应用消耗的成本，同时由于2D序列对距离和光照没有限制，大大提升了人脸识别的应用场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明的流程图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
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，所描述的实施例仅是本发明的一部分实施例，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作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。
参阅图1，本发明提出了一种实施例：
实施例1：
一种基于视频人脸序列的人脸识别方法包括以下步骤：
步骤一：利用2D人脸采集设备，采集人脸2D序列图，作为训练样本；
步骤二：对采集到的人脸2D序列图进行标注，分别标注不同的人脸标签label，作为InsightFaceLoss的训练标签输入；
步骤三：利用3D人脸采集设备采集3D人脸序列图，并将3D人脸序列图和StructFrom Motion算法生成的3D特征图，作为SmoothL1Loss的训练标签输入；
步骤四：训练完成后得到人脸特征提取模型；
步骤五：将前端2D人脸采集设备采集到的视频序列进行人脸检测，将检测到的人脸序列作为人脸特征提取模型的输入，提取人脸特征，完成人脸识别。
具体的，步骤二中对2D序列图进行标注的方法为：采用RestNet构建网络的backbone生成人脸特征向量embedding，最后采用当前效果最好的InsightFaceLoss作为人脸特征提取模型的损失函数，用以增加类外距离，减少类内距离。
具体的，步骤三中Struct From Motion（SFM）算法生成3D特征图包括以下子步骤：
S31：输入有序或无序的图像集；
S32：整体特征提取、匹配，并构建scene graph；
S33：初始化，选取最优的图像，并进行一次光束法平差；
S34：选取下一张最优图像进行位姿解算；
S35：对新增的一张图像进行三角化新的地图点；
S36：局部迭代光束法优化新增的一张图像地图点及位姿；
S37：进行一次整体光束法平差。
可以理解的，SFM算法作为人脸特征提取模型的监督模块，基于生成人脸特征向量embedding，通过向上卷积来生成3D特征图；同时根据3D人脸采集设备采集到的3D人脸与生成的3D特征图进行SmoothL1Loss的损失函数，该损失函数可以在反向传递时让人脸特征向量embedding学习到人脸的3D特征，这样就增强了人脸特征向量embedding去学习表达3D的人脸特征，从而增加人脸的可区分性。由于处理后的人脸特征向量embedding包含了3D的人脸信息所以精度较2D人脸更高。
SFM算法是数十年来一直是计算机视觉领域的热门研究方向之一，它实现了众多实际应用，尤其在近景三维重建中，该算法从获取的目标物系列影像出发，最终获取较高精度的目标物稀疏三维点云。
具体的，步骤五中采用MTCNN人脸检测算法检测图像中所有的人脸，由于视频中可能同时存在多个人脸，为了区分不同的人脸，保证每个序列人脸为同一个人，同时增加了人脸跟踪算法，通过人脸跟踪算法可以更容易的确定视频序列中的人脸ID，例如：可以将一个视频序列中的A和B两个人脸，通过人脸跟踪生成A的人脸序列和B的人脸序列，在本实施例当中，序列的长度设置为5帧，采集时间为2秒。人脸特征提取模型的数据输入使用采集到的2D人脸序列图，区别于以前的一张2D图像。
本发明另一方面提供了一种基于视频人脸序列的人脸识别系统，该系统包括：
2D和3D采集设备：用于采集人脸图像序列；
人脸特征向量生成模块：用于将采集到的2D人脸序列图生成为人脸特征向量；
人脸特征提取模型生成模块：用于生成人脸特征提取模型；
人脸检测模块：将前端采集到的视频序列进行人脸检测，保证每个序列人脸为同一个人；
识别模块：将检测到的人脸序列输入人脸特征提取模型，增加人脸的可区分性。
可以理解的，本发明只需在人脸特征提取模型的训练阶段使用3D人脸采集设备获取人脸3D结构图，在测试阶段可以直接根据人脸序列无需3D设备也能达到3D识别的目的。具体根据人脸在摄像头下的运动序列图，作为人脸识别的输入，根据SFM理论运动的图像序列可以获得图像的3D信息，所以采用的运动人脸数据会潜在的包含人脸的3D信息，所以根据人脸的序列做识别可以有效的利用高维的人脸信息，从而提高人脸识别的准确率。更进一步的，通过人脸特征向量embedding生成的3D特征图，基于该3D特征图增加SmoothL1Loss，让该3D特征图尽可能的还原人脸的3D信息，该3D特征图通过反向传递，让人脸特征向量embedding更多的表达出3D的人脸特征，从而让2D的序列达到3D识别的目的。
实施例2：
一种基于视频人脸序列的人脸识别方法，该方法包括以下步骤：
步骤一：利用2D人脸采集设备，采集人脸2D序列图，作为训练样本；
步骤二：对采集到的人脸2D序列图进行标注，分别标注不同的人脸标签label，作为InsightFaceLoss的训练标签输入；
步骤三：利用3D人脸采集设备采集3D人脸序列图，并将3D人脸序列图和StructFrom Motion算法生成的3D特征图，作为SmoothL1Loss的训练标签输入；
步骤四：训练完成后得到人脸特征提取模型；
步骤五：将前端2D人脸采集设备采集到的视频序列进行人脸检测，将检测到的人脸序列作为人脸特征提取模型的输入，提取人脸特征，完成人脸识别。
具体的，步骤二中对2D序列图进行标注的方法为：采用RestNet构建网络的backbone生成人脸特征向量embedding，最后采用当前效果最好的InsightFaceLoss作为人脸特征提取模型的损失函数，用以增加类外距离，减少类内距离。
具体的，步骤三中Struct From Motion（SFM）算法生成3D特征图包括以下子步骤：
S31：输入有序或无序的图像集；
S32：整体特征提取、匹配，并构建scene graph；
S33：初始化，选取最优的图像，并进行一次光束法平差；
S34：选取下一张最优图像进行位姿解算；
S35：对新增的一张图像进行三角化新的地图点；
S36：局部迭代光束法优化新增的一张图像地图点及位姿；
S37：进行一次整体光束法平差。
可以理解的，SFM算法作为人脸特征提取模型的监督模块，基于生成人脸特征向量embedding，通过向上卷积来生成3D特征图；同时根据3D人脸采集设备采集到的3D人脸与生成的3D特征图进行SmoothL1Loss的损失函数，该损失函数可以在反向传递时让人脸特征向量embedding学习到人脸的3D特征，这样就增强了人脸特征向量embedding去学习表达3D的人脸特征，从而增加人脸的可区分性。由于处理后的人脸特征向量embedding包含了3D的人脸信息所以精度较2D人脸更高。
SFM算法是数十年来一直是计算机视觉领域的热门研究方向之一，它实现了众多实际应用，尤其在近景三维重建中，该算法从获取的目标物系列影像出发，最终获取较高精度的目标物稀疏三维点云。
具体的，步骤五中采用MTCNN人脸检测算法检测图像中所有的人脸，由于视频中可能同时存在多个人脸，为了区分不同的人脸，保证每个序列人脸为同一个人，同时增加了人脸跟踪算法，通过人脸跟踪算法可以更容易的确定视频序列中的人脸ID，例如：可以将一个视频序列中的A和B两个人脸，通过人脸跟踪生成A的人脸序列和B的人脸序列。
优选的，在本实施例当中，为了保证人脸识别的精度，序列的长度优选设置为10帧，采集时间优选设置为1秒。人脸特征提取模型的数据输入使用采集到的2D人脸序列图，区别于以前的一张2D图像。
可以理解的，本发明只需在人脸特征提取模型的训练阶段使用3D人脸采集设备获取人脸3D结构图，在测试阶段可以直接根据人脸序列无需3D设备也能达到3D识别的目的。具体根据人脸在摄像头下的运动序列图，作为人脸识别的输入，根据SFM理论运动的图像序列可以获得图像的3D信息，所以采用的运动人脸数据会潜在的包含人脸的3D信息，所以根据人脸的序列做识别可以有效的利用高维的人脸信息，从而提高人脸识别的准确率。更进一步的，通过人脸特征向量embedding生成的3D特征图，基于该3D特征图增加SmoothL1Loss，让该3D特征图尽可能的还原人脸的3D信息，该3D特征图通过反向传递，让人脸特征向量embedding更多的表达出3D的人脸特征，从而让2D的序列达到3D识别的目的。
本发明采用一个序列的多涨人脸2D序列图，代替3D人脸采集设备做人脸识别，大大节约了应用消耗的成本，同时由于2D序列对距离和光照没有限制，所以本发明也能大大提升人脸识别的应用场景。
需要说明的是，对于前述的实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请所必须的。
上述实施例中，描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于视频人脸序列的人脸识别方法，其特征在于，包括以下步骤：
S1：采集人脸2D序列图；
S2：对2D序列图进行标注，并作为InsightFaceLoss的训练标签输入；
S3：将3D设备采集到的3D人脸序列图和Struct From Motion算法生成的3D特征图，作为SmoothL1Loss的训练标签输入；
S4：训练完成后得到人脸特征提取模型；
S5：将前端采集到的视频序列进行人脸检测，将检测到的人脸序列作为人脸特征提取模型的输入，提取人脸特征，完成人脸识别。
2.如权利要求1所述的一种基于视频人脸序列的人脸识别方法，其特征在于，所述步骤S2中对2D序列图进行标注的方法为：采用RestNet构建网络的backbone生成人脸特征向量embedding。
3.如权利要求1所述的一种基于视频人脸序列的人脸识别方法，其特征在于，将步骤S2中InsightFaceLoss作为人脸识别的损失函数，用以增加类外距离，减少类内距离。
4. 如权利要求1所述的一种基于视频人脸序列的人脸识别方法，其特征在于，所述步骤S3中Struct From Motion算法生成3D特征图包括以下子步骤：
S31：输入有序或无序的图像集；
S32：整体特征提取、匹配，并构建scene graph；
S33：初始化，选取最优的图像，并进行一次光束法平差；
S34：选取下一张最优图像进行位姿解算；
S35：对新增的一张图像进行三角化新的地图点；
S36：局部迭代光束法优化新增的一张图像地图点及位姿；
S37：进行一次整体光束法平差。
5.如权利要求1所述的一种基于视频人脸序列的人脸识别方法，其特征在于，所述SmoothL1Loss将3D特征图通过反向传递让人脸特征向量embedding更多的表达出3D人脸特征，用以增加人脸的可区分性。
6.如权利要求1所述的一种基于视频人脸序列的人脸识别方法，其特征在于，所述步骤S5中采用MTCNN人脸检测算法检测图像中所有的人脸，为了保证每个序列人脸为同一个人，同时增加了人脸跟踪算法。
7.一种基于视频人脸序列的人脸识别系统，其特征在于，包括：
2D和3D采集设备：用于采集人脸图像序列；
人脸特征向量生成模块：用于将采集到的2D人脸序列图生成为人脸特征向量；
人脸特征提取模型生成模块：用于生成人脸特征提取模型；
人脸检测模块：将前端采集到的视频序列进行人脸检测，保证每个序列人脸为同一个人；
识别模块：将检测到的人脸序列输入人脸特征提取模型，增加人脸的可区分性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864456.2A CN113807165A (zh) | 2021-07-29 | 2021-07-29 | 一种基于视频人脸序列的人脸识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864456.2A CN113807165A (zh) | 2021-07-29 | 2021-07-29 | 一种基于视频人脸序列的人脸识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807165A true CN113807165A (zh) | 2021-12-17 |
Family
ID=78942600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110864456.2A Pending CN113807165A (zh) | 2021-07-29 | 2021-07-29 | 一种基于视频人脸序列的人脸识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807165A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102458A (zh) * | 2020-08-31 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 |
| CN112329736A (zh) * | 2020-11-30 | 2021-02-05 | 姜召英 | 人脸识别方法及金融系统 |
| CN113066163A (zh) * | 2021-03-17 | 2021-07-02 | 内蒙古工业大学 | 一种基于二维图像的人体体型三维重建方法 |
-
2021
- 2021-07-29 CN CN202110864456.2A patent/CN113807165A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102458A (zh) * | 2020-08-31 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 |
| CN112329736A (zh) * | 2020-11-30 | 2021-02-05 | 姜召英 | 人脸识别方法及金融系统 |
| CN113066163A (zh) * | 2021-03-17 | 2021-07-02 | 内蒙古工业大学 | 一种基于二维图像的人体体型三维重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
| CN110363140B (zh) | 一种基于红外图像的人体动作实时识别方法 | |
| CN110689025B (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
| CN109948475B (zh) | 一种基于骨架特征和深度学习的人体动作识别方法 | |
| CN108596102B (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
| CN104851099A (zh) | 一种基于表示学习的图像融合方法 | |
| CN111597946B (zh) | 图像生成器的处理方法、图像生成方法及装置 | |
| CN109086754A (zh) | 一种基于深度学习的人体姿态识别方法 | |
| CN104268138A (zh) | 融合深度图和三维模型的人体运动捕捉方法 | |
| CN114998934B (zh) | 基于多模态智能感知和融合的换衣行人重识别和检索方法 | |
| CN114612987B (zh) | 一种表情识别方法及装置 | |
| CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
| CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
| CN112052771B (zh) | 一种对象重识别方法及装置 | |
| CN114170537A (zh) | 一种多模态三维视觉注意力预测方法及其应用 | |
| CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
| CN112307892A (zh) | 一种基于第一视角rgb-d数据的手部动作识别方法 | |
| CN116682140A (zh) | 基于注意力机制多模态融合的三维人体姿态估计算法 | |
| CN113792807B (zh) | 皮肤病分类模型训练方法、系统、介质和电子设备 | |
| CN118038494A (zh) | 一种损坏场景鲁棒的跨模态行人重识别方法 | |
| Yang et al. | Semantic perceptive infrared and visible image fusion Transformer | |
| Huang et al. | On the Concept Trustworthiness in Concept Bottleneck Models | |
| CN118097709A (zh) | 一种猪只姿态估计方法及装置 | |
| CN114913368B (zh) | 基于自步双向对抗学习的融合遥感图像分类方法 | |
| CN113807165A (zh) | 一种基于视频人脸序列的人脸识别方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211217 |
|
| RJ01 | Rejection of invention patent application after publication |