CN114220142A - 一种深度学习算法的人脸特征识别方法 - Google Patents
一种深度学习算法的人脸特征识别方法 Download PDFInfo
- Publication number
- CN114220142A CN114220142A CN202111403750.XA CN202111403750A CN114220142A CN 114220142 A CN114220142 A CN 114220142A CN 202111403750 A CN202111403750 A CN 202111403750A CN 114220142 A CN114220142 A CN 114220142A
- Authority
- CN
- China
- Prior art keywords
- person
- face
- current
- current person
- storage space
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明的实施例公开了一种深度学习算法的人脸特征识别方法,涉及图像识别技术领域。所述方法包括,识别采集到的人脸图像中当前人员人脸每个部位局部特征点;根据此局部特征点,计算当前人员人脸每个部位的相对中心位置;根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号并组成第一集合;根据第一集合,计算当前人员与存储空间中记录的人员编号对应人员的部位重叠比例;根据此比例,判断当前人员是否是存储空间中记录过的人员;是则将第一集合中出现次数最多的人员编号确定为当前人员的人员编号。本发明具有强抗干扰能力。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种深度学习算法的人脸特征识别方法。
背景技术
伴随信息技术、人工智能、模式识别、计算机视觉等新技术的快速发展,人脸识别已被广泛应用在公共安全、信息安全、金融、交通等领域,近几年已成为图像处理等领域的研究热点。人脸识别的实质就是借助计算机工具来分析人脸面部图像,采用不同的特征表示方法提取有效地人脸特征,是可用来辨识身份的一门自动处理技术。
人脸特征提取是实现人脸识别技术的前提和基础,一旦提取出现问题,提取的信息不准确,将直接影响人脸识别的精度。目前人脸特征识别方法都是针对整个人脸,没有细分的应用场景和应用部分,抗干扰能力非常弱,往往受到人脸采集角度、光线等因素的干扰,使得人脸识别的精度低,从而易导致误识别情况的发生。
发明内容
有鉴于此,本发明实施例提供一种深度学习算法的人脸特征识别方法,用于解决目前人脸特征识别方法,抗干扰能力弱,降低了人脸识别的精度,导致易出现误识别的问题。本发明单独提取人的面部特征,然后进行局部的、单个的特征识别,提高了人脸特征识别抗干扰能力,继而提高了人脸识别的准确度。
本发明实施例提供一种深度学习算法的人脸特征识别方法,包括以下步骤:
采集当前人员的人脸图像;
识别所述人脸图像中当前人员人脸每个部位的局部特征点;
根据所述当前人员人脸每个部位的局部特征点,计算当前人员人脸每个部位的相对中心位置;
根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定所述存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,得到由与当前人员人脸的所有部位的差异值最小的人脸部位对应的人员编号组成的第一集合;其中,所述局部特征数据包括人脸部位的相对中心位置和局部特征点位置,所述存储空间中记录有人员编号及其对应的人脸局部特征数据;
根据所述第一集合,计算当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例;
根据计算出的部位重叠比例,判断当前人员是否是所述存储空间中记录过的人员;
若当前人员是所述存储空间中记录过的人员,则将所述第一集合中出现次数最多的人员编号确定为所述当前人员的人员编号。
在一可选实施例中,在所述采集当前人员的人脸图像之后,识别所述人脸图像中当前人员人脸每个部位的局部特征点之前,还包括:
在所述当前人员的人脸图像中建立二维直角坐标系;所述二维直角坐标系以所述当前人员的人脸图像的左下顶点为原点,以所述当前人员的人脸图像的左侧边缘向上为Y轴,以所述当前人员的人脸图像的下边缘向右为X轴,所述X轴的单位长度为所述当前人员的人脸图像中相邻两个横向像素点的距离值,所述Y轴的单位长度为所述当前人员的人脸图像中相邻两个纵向像素点的距离值;
所述识别所述人脸图像中当前人员人脸每个部位的局部特征点,包括:
识别所述人脸图像中当前人员人脸每个部位的局部特征点;
获取当前人员人脸每个部位的局部特征点在所述二维直角坐标系中的坐标。
在一可选实施例中,所述根据所述当前人员人脸每个部位的局部特征点,计算当前人员人脸每个部位的相对中心位置,包括:
根据以下第一公式计算当前人员人脸每个部位的相对中心位置:
在第一公式中,(Xa,Ya)表示当前人员人脸的第a个部位的相对中心位置在所述二维直角坐标系中的坐标;Xa(i)表示当前人员人脸的第a个部位的第i个局部特征点在所述二维直角坐标系中的横坐标;Ya(i)表示当前人员人脸的第a个部位的第i个局部特征点在所述二维直角坐标系中的纵坐标,i=1,2,…,na;na表示当前人员人脸的第a个部位的局部特征点总数。
在一可选实施例中,所述根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定所述存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,包括:
对于当前人员人脸每个部位,根据第二公式计算存储空间中记录的每个人脸部位与当前人员人脸该部位的差异值;
筛选出与当前人员人脸各部位的差异值最小的人脸部位对应的人员编号,组成第一集合;
其中,所述第二公式为:
在第二公式中,表示当前人员人脸的第a个部位与存储空间中记录的第t个人的第e个人脸部位的差异值,(Xt,e(j),Yt,e(j))表示存储空间中第t个人的第e个人脸部位的第j个局部特征点坐标;(Xt,e,Yt,e)表示存储空间中第t个人的第e个人脸部位的相对中心位置坐标。
在一可选实施例中,所述根据所述第一集合,计算当前人员与所述存储空间中记录的人员编号对应的人员的部位重叠比例,包括:
根据以下第三公式计算当前人员与所述存储空间中记录的人员编号对应的人员的部位重叠比例:
在第三公式中,μ表示所述当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例;ta,0表示所述第一集合中与当前人员人脸的第a个部位差异值最小的人脸部位对应的人员编号;ta+k,0表示所述第一集合中与当前人员人脸的第a+k个部位差异值最小的人脸部位对应的人员编号;η()表示数值零检测函数,当括号内的数值为0时函数值为1,当括号内的数值不为0时函数值为0;a=1,2,…,m;m表示识别所述人脸图像后得到的当前人员人脸部位的总数。
在一可选实施例中,所述根据计算出的部位重叠比例,确定当前人员是否是所述存储空间中记录过的人员,包括:
判断计算出的部位重叠比例是否不小于预定比例;
若计算出的部位重叠比例不小于预定比例,则确定当前人员是所述存储空间中记录过的人员。
在一可选实施例中,所述预定比例为95%。
在一可选实施例中,所述若当前人员是所述存储空间中记录过的人员,则将所述第一集合中出现次数最多的人员编号确定为所述当前人员的人员编号,还包括:
将记录的当前人员编号的重复次数加1。
在一可选实施例中,在所述判断当前人员是否是所述存储空间中记录过的人员之后,还包括:
若当前人员不是所述存储空间中记录过的人员,则将当前人员的人脸局部特征数据和当前人员编号对应关系存储到所述存储空间中。
本发明提供了一种新的深度学习算法的人脸特征识别方法,首先识别采集到的人脸图像中当前人员人脸每个部位的局部特征点,接着根据这些局部特征点,计算当前人员人脸每个部位的相对中心位置;然后根据当前人员人脸每个部位的局部特征数据,确定存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,最后计算当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例,并在此部位重叠比例超过一定阈值时,确定当前人员为存储空间中的人员。本发明单独提取人的面部特征,然后进行局部的、单个的特征识别,提高了人脸特征识别抗干扰能力,继而提高了人脸识别的准确度。
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获得其它的附图。
图1为本发明实施例提供的一种深度学习算法的人脸特征识别方法实施例一流程图;
图2为本发明实施例提供的一种深度学习算法的人脸特征识别方法实施例二流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种深度学习算法的人脸特征识别方法实施例一流程图。参见图1,包括如下步骤S101-S107:
S101:采集当前人员的人脸图像。
本实施例中,可以使用双目/3D结构光摄像头,通过活体检测方式检测到有人经过摄像头时,立即进行拍照,获得当前经过摄像头人员的人脸图像,便于后续进行特征数据的提取。
S102:识别所述人脸图像中当前人员人脸每个部位的局部特征点。
本实施例中,采集到人脸图像后,可利用深度学习算法进行局部的、单个部位的特征识别(包括各个部位的相对位置),如左眼睛、右眼睛、鼻子、嘴巴等部位,进而可识别到面部特征中每个部位的多个局部特征点。
作为一可选实施例,本步骤S102之前,还包括:
在所述当前人员的人脸图像中建立二维直角坐标系;所述二维直角坐标系以所述当前人员的人脸图像的左下顶点为原点,以所述当前人员的人脸图像的左侧边缘向上为Y轴,以所述当前人员的人脸图像的下边缘向右为X轴,所述X轴的单位长度为所述当前人员的人脸图像中相邻两个横向像素点的距离值,所述Y轴的单位长度为所述当前人员的人脸图像中相邻两个纵向像素点的距离值。
本步骤S102,包括:
S1021:识别所述人脸图像中当前人员人脸每个部位的局部特征点。
S1022:获取当前人员人脸每个部位的局部特征点在所述二维直角坐标系中的坐标。
本实施例中,为人脸每个部位的局部特征点制定坐标,便于了解和掌握每个特征点的位置关系,同时也便于后续对人脸每个部位的相对中心位置进行计算。
S103:根据所述当前人员人脸每个部位的局部特征点,计算当前人员人脸每个部位的相对中心位置。
优选地,可以根据以下第一公式计算当前人员人脸每个部位的相对中心位置:
在第一公式中,(Xa,Ya)表示当前人员人脸的第a个部位的相对中心位置在所述二维直角坐标系中的坐标;Xa(i)表示当前人员人脸的第a个部位的第i个局部特征点在所述二维直角坐标系中的横坐标;Ya(i)表示当前人员人脸的第a个部位的第i个局部特征点在所述二维直角坐标系中的纵坐标,i=1,2,…,na;na表示当前人员人脸的第a个部位的局部特征点总数。
本实施例中,根据当前待识别人员每个部位的多个局部特征点的位置坐标信息,得到当前待识别人员每个部位的相对中心位置,进而保证了后续人脸每个部位特征识别的准确性。
S104:根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定所述存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,得到由与当前人员人脸的所有部位的差异值最小的人脸部位对应的人员编号组成的第一集合。
其中,所述局部特征数据包括人脸部位的相对中心位置和局部特征点位置,所述存储空间中记录有人员编号及其对应的人脸局部特征数据。
作为一可选实施例,本步骤S104,包括步骤S1041-S1042:
S1041:对于当前人员人脸每个部位,根据第二公式计算存储空间中记录的每个人脸部位与当前人员人脸该部位的差异值。
优选地,所述第二公式为:
在第二公式中,表示当前人员人脸的第a个部位与存储空间中记录的第t个人的第e个人脸部位的差异值,(Xt,e(j),Yt,e(j))表示存储空间中第t个人的第e个人脸部位的第j个局部特征点坐标;(Xt,e,Yt,e)表示存储空间中第t个人的第e个人脸部位的相对中心位置坐标。公式中,将t的值从1取值到T(其中T表示存储空间中保存的人员人脸数据个数),并且随着t值的变化将e的值也从1取值到Et(其中Et表示存储空间中储存的第t个人的人脸局部部位数据个数),得到使得取得最小值时的t值并将此t值记作ta,0,则所述ta,0即为存储空间中与当前识别人员人脸的第a个部位匹配程度最大的人员编号。并且为了保证读取和存储数据的方便和效率,所述存储空间为数据库。
本实施例中,根据当前待识别人员每个部位的每个局部特征点到其相对中心位置的距离和角度与数据库中每个部位的每个局部特征点到其相对中心位置的距离和角度进行匹配,得到数据库中与每个部位匹配程度最大的人员编号,进而将当前待识别人员的每个人脸部位进行拆分匹配,保证后续匹配重复人员的可靠性,即保证了人脸识别的准确性。
S1042:筛选出与当前人员人脸各部位的差异值最小的人脸部位对应的人员编号,组成第一集合。
本实施例中,因为人脸部位很多,如鼻子,嘴巴,眼睛,额头等,所以差异值最小的人脸部位对应的人员编号也是多个,如鼻子差异值最小的人员编号为1,嘴巴差异值最小的人员编号为1,眼睛差异值最小的人员编号为2,额头差异值最小的人员编号为1,则组成第一集合为{1,1,2,1}。
S105:根据所述第一集合,计算当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例。
优选地,根据以下第三公式计算当前人员与所述存储空间中记录的人员编号对应的人员的部位重叠比例:
在第三公式中,μ表示所述当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例;ta,0表示所述第一集合中与当前人员人脸的第a个部位差异值最小的人脸部位对应的人员编号;ta+k,0表示所述第一集合中与当前人员人脸的第a+k个部位差异值最小的人脸部位对应的人员编号;η()表示数值零检测函数,当括号内的数值为0时函数值为1,当括号内的数值不为0时函数值为0;a=1,2,…,m;m表示识别所述人脸图像后得到的当前人员人脸部位的总数。
本实施例中,后续根据数据库中与每个部位匹配值最大的人员编号的重叠比例判断所述当前识别人员是否为数据库中的重复人员,进而将经常出现在摄像头下方的人员进行记录,并记录出现次数,保证人脸识别的可靠性以及记录所述重复人员可以在发生情况时有效提供可疑人员信息。
S106:根据计算出的部位重叠比例,判断当前人员是否是所述存储空间中记录过的人员,是则执行S107。
本实施例中,部位重叠比例越大,则说明当前人员与存储空间中记录过的某个/某些人员非常相似和匹配,当部位重叠比例超过一定阈值时,就可以判定这个人为存储空间中记录过的人员,此判定方法达到了即简单就准确的目的。
S107:将所述第一集合中出现次数最多的人员编号确定为所述当前人员的人员编号。
本实施例中,在部位重叠比例超过一定阈值的条件下,第一集合中出现次数最多的人员编号即为最与待识别人员匹配的人员,则可以确定此编号人员就为待识别人员。
本发明实施例提供的一种深度学习算法的人脸特征识别方法,首先识别采集到的人脸图像中当前人员人脸每个部位的局部特征点,接着根据这些局部特征点,计算当前人员人脸每个部位的相对中心位置;然后根据当前人员人脸每个部位的局部特征数据,确定存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,最后计算当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例,并在此部位重叠比例超过一定阈值时,确定当前人员为存储空间中的人员。本发明单独提取人的面部特征,然后进行局部的、单个的特征识别,提高了人脸特征识别抗干扰能力,继而提高了人脸识别的准确度。
图2为本发明实施例提供的一种深度学习算法的人脸特征识别方法实施例二流程图。参见图2,包括如下步骤S201-S208:
S201:采集当前人员的人脸图像。
S202:识别所述人脸图像中当前人员人脸每个部位的局部特征点。
S203:根据所述当前人员人脸每个部位的局部特征点,计算当前人员人脸每个部位的相对中心位置。
S204:根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定所述存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,得到由与当前人员人脸的所有部位的差异值最小的人脸部位对应的人员编号组成的第一集合;其中,所述局部特征数据包括人脸部位的相对中心位置和局部特征点位置,所述存储空间中记录有人员编号及其对应的人脸局部特征数据。
S205:根据所述第一集合,计算当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例。
S206:判断计算出的部位重叠比例是否不小于预定比例,是则执行S207,否则执行S208;
优选地,所述预定比例为95%。
S207:确定当前人员是所述存储空间中记录过的人员,并执行步骤S209;
作为一可选实施例,本步骤S207,还包括:将记录的当前人员编号的重复次数加1。
本实施例中,检测到当前待识别人员为数据库中的重复人员,则记录其重复次数,进而完成人脸识别并记录重复人员次数,通过记录重复人员次数,便于后续在发生异常情况时,有效提供可疑人员信息。
S208:将当前人员的人脸局部特征数据和当前人员编号对应关系存储到所述存储空间中。
本实施例中,检测到当前待识别人员不为数据库中的人员时,则将其每个部位的局部特征点对应的坐标点以及每个部位的相对中心位置对应的坐标点保存至数据库中,便于后续开展人脸识别工作。
S209:将所述第一集合中出现次数最多的人员编号确定为所述当前人员的人员编号。
本发明实施例提供的一种深度学习算法的人脸特征识别方法,若检测到当前识别人员是数据库中的重复人员则记录其重复次数,便于后续在发生异常情况时,有效提供可疑人员信息;若检测到当前待识别人员不为数据库中的人员时,则将其每个部位的局部特征点对应的坐标点以及每个部位的相对中心位置对应的坐标点保存至数据库中,便于后续开展人脸识别工作。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种深度学习算法的人脸特征识别方法,其特征在于,包括以下步骤:
采集当前人员的人脸图像;
识别所述人脸图像中当前人员人脸每个部位的局部特征点;
根据所述当前人员人脸每个部位的局部特征点,计算当前人员人脸每个部位的相对中心位置;
根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定所述存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,得到由与当前人员人脸的所有部位的差异值最小的人脸部位对应的人员编号组成的第一集合;其中,所述局部特征数据包括人脸部位的相对中心位置和局部特征点位置,所述存储空间中记录有人员编号及其对应的人脸局部特征数据;
根据所述第一集合,计算当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例;
根据计算出的部位重叠比例,判断当前人员是否是所述存储空间中记录过的人员;
若当前人员是所述存储空间中记录过的人员,则将所述第一集合中出现次数最多的人员编号确定为所述当前人员的人员编号。
2.如权利要求1所述的一种深度学习算法的人脸特征识别方法,其特征在于,在所述采集当前人员的人脸图像之后,识别所述人脸图像中当前人员人脸每个部位的局部特征点之前,还包括:
在所述当前人员的人脸图像中建立二维直角坐标系;所述二维直角坐标系以所述当前人员的人脸图像的左下顶点为原点,以所述当前人员的人脸图像的左侧边缘向上为Y轴,以所述当前人员的人脸图像的下边缘向右为X轴,所述X轴的单位长度为所述当前人员的人脸图像中相邻两个横向像素点的距离值,所述Y轴的单位长度为所述当前人员的人脸图像中相邻两个纵向像素点的距离值;
所述识别所述人脸图像中当前人员人脸每个部位的局部特征点,包括:
识别所述人脸图像中当前人员人脸每个部位的局部特征点;
获取当前人员人脸每个部位的局部特征点在所述二维直角坐标系中的坐标。
4.如权利要求3所述的一种深度学习算法的人脸特征识别方法,其特征在于,所述根据当前人员人脸每个部位的局部特征数据和预先设置的存储空间中记录的人脸部位的局部特征数据,确定所述存储空间中与当前人员人脸每个部位的差异值最小的部位对应的人员编号,包括:
对于当前人员人脸每个部位,根据第二公式计算存储空间中记录的每个人脸部位与当前人员人脸该部位的差异值;
筛选出与当前人员人脸各部位的差异值最小的人脸部位对应的人员编号,组成第一集合;
其中,所述第二公式为:
5.如权利要求4所述的一种深度学习算法的人脸特征识别方法,其特征在于,所述根据所述第一集合,计算当前人员与所述存储空间中记录的人员编号对应的人员的部位重叠比例,包括:
根据以下第三公式计算当前人员与所述存储空间中记录的人员编号对应的人员的部位重叠比例:
在第三公式中,μ表示所述当前人员与所述存储空间中记录的人员编号对应人员的部位重叠比例;ta,0表示所述第一集合中与当前人员人脸的第a个部位差异值最小的人脸部位对应的人员编号;ta+k,0表示所述第一集合中与当前人员人脸的第a+k个部位差异值最小的人脸部位对应的人员编号;η()表示数值零检测函数,当括号内的数值为0时函数值为1,当括号内的数值不为0时函数值为0;a=1,2,…,m;m表示识别所述人脸图像后得到的当前人员人脸部位的总数。
6.如权利要求1所述的一种深度学习算法的人脸特征识别方法,其特征在于,所述根据计算出的部位重叠比例,确定当前人员是否是所述存储空间中记录过的人员,包括:
判断计算出的部位重叠比例是否不小于预定比例;
若计算出的部位重叠比例不小于预定比例,则确定当前人员是所述存储空间中记录过的人员。
7.如权利要求6所述的一种深度学习算法的人脸特征识别方法,其特征在于,所述预定比例为95%。
8.如权利要求1-7任一项所述的一种深度学习算法的人脸特征识别方法,其特征在于,所述若当前人员是所述存储空间中记录过的人员,则将所述第一集合中出现次数最多的人员编号确定为所述当前人员的人员编号,还包括:
将记录的当前人员编号的重复次数加1。
9.如权利要求1-7任一项所述的一种深度学习算法的人脸特征识别方法,其特征在于,在所述判断当前人员是否是所述存储空间中记录过的人员之后,还包括:
若当前人员不是所述存储空间中记录过的人员,则将当前人员的人脸局部特征数据和当前人员编号对应关系存储到所述存储空间中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403750.XA CN114220142B (zh) | 2021-11-24 | 2021-11-24 | 一种深度学习算法的人脸特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403750.XA CN114220142B (zh) | 2021-11-24 | 2021-11-24 | 一种深度学习算法的人脸特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114220142A true CN114220142A (zh) | 2022-03-22 |
CN114220142B CN114220142B (zh) | 2022-08-23 |
Family
ID=80698092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111403750.XA Active CN114220142B (zh) | 2021-11-24 | 2021-11-24 | 一种深度学习算法的人脸特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220142B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036411A (zh) * | 2023-08-21 | 2023-11-10 | 深圳伯德睿捷健康科技有限公司 | 人脸健康特征对象的跟踪方法、系统及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510257A (zh) * | 2009-03-31 | 2009-08-19 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
CN104680154A (zh) * | 2015-03-13 | 2015-06-03 | 合肥工业大学 | 一种基于人脸特征和掌纹特征融合的身份识别方法 |
CN105095867A (zh) * | 2015-07-21 | 2015-11-25 | 哈尔滨多智科技发展有限公司 | 基于深度学习的快速动态人脸提取、识别方法 |
CN106548165A (zh) * | 2016-11-28 | 2017-03-29 | 中通服公众信息产业股份有限公司 | 一种基于图像分块加权的卷积神经网络的人脸识别方法 |
CN107862301A (zh) * | 2017-11-29 | 2018-03-30 | 厦门瑞为信息技术有限公司 | 降低人脸识别误识率的方法 |
CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
CN109978989A (zh) * | 2019-02-26 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 三维人脸模型生成方法、装置、计算机设备及存储介质 |
CN110263673A (zh) * | 2019-05-31 | 2019-09-20 | 合肥工业大学 | 面部表情识别方法、装置、计算机设备及存储介质 |
CN110427826A (zh) * | 2019-07-04 | 2019-11-08 | 深兰科技(上海)有限公司 | 一种手掌识别方法、装置、电子设备及存储介质 |
CN110532887A (zh) * | 2019-07-31 | 2019-12-03 | 郑州大学 | 一种基于面部特征融合的疲劳驾驶检测方法及系统 |
CN110929239A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于唇语指令的终端解锁方法 |
CN111860047A (zh) * | 2019-04-26 | 2020-10-30 | 美澳视界(厦门)智能科技有限公司 | 一种基于深度学习的人脸快速识别方法 |
CN113128369A (zh) * | 2021-04-01 | 2021-07-16 | 重庆邮电大学 | 一种融合均衡损失的轻量级网络人脸表情识别方法 |
-
2021
- 2021-11-24 CN CN202111403750.XA patent/CN114220142B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510257A (zh) * | 2009-03-31 | 2009-08-19 | 华为技术有限公司 | 一种人脸相似度匹配方法及装置 |
CN104680154A (zh) * | 2015-03-13 | 2015-06-03 | 合肥工业大学 | 一种基于人脸特征和掌纹特征融合的身份识别方法 |
CN105095867A (zh) * | 2015-07-21 | 2015-11-25 | 哈尔滨多智科技发展有限公司 | 基于深度学习的快速动态人脸提取、识别方法 |
CN106548165A (zh) * | 2016-11-28 | 2017-03-29 | 中通服公众信息产业股份有限公司 | 一种基于图像分块加权的卷积神经网络的人脸识别方法 |
CN107862301A (zh) * | 2017-11-29 | 2018-03-30 | 厦门瑞为信息技术有限公司 | 降低人脸识别误识率的方法 |
CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
CN109978989A (zh) * | 2019-02-26 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 三维人脸模型生成方法、装置、计算机设备及存储介质 |
CN111860047A (zh) * | 2019-04-26 | 2020-10-30 | 美澳视界(厦门)智能科技有限公司 | 一种基于深度学习的人脸快速识别方法 |
CN110263673A (zh) * | 2019-05-31 | 2019-09-20 | 合肥工业大学 | 面部表情识别方法、装置、计算机设备及存储介质 |
CN110427826A (zh) * | 2019-07-04 | 2019-11-08 | 深兰科技(上海)有限公司 | 一种手掌识别方法、装置、电子设备及存储介质 |
CN110532887A (zh) * | 2019-07-31 | 2019-12-03 | 郑州大学 | 一种基于面部特征融合的疲劳驾驶检测方法及系统 |
CN110929239A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于唇语指令的终端解锁方法 |
CN113128369A (zh) * | 2021-04-01 | 2021-07-16 | 重庆邮电大学 | 一种融合均衡损失的轻量级网络人脸表情识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036411A (zh) * | 2023-08-21 | 2023-11-10 | 深圳伯德睿捷健康科技有限公司 | 人脸健康特征对象的跟踪方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114220142B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428581B (zh) | 人脸遮挡检测方法及系统 | |
CN111523480B (zh) | 一种面部遮挡物的检测方法、装置、电子设备及存储介质 | |
CN109145742B (zh) | 一种行人识别方法及系统 | |
US10262190B2 (en) | Method, system, and computer program product for recognizing face | |
CN105095829B (zh) | 一种人脸识别方法及系统 | |
CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
CN112016353B (zh) | 一种基于视频的人脸图像进行身份识别方法及装置 | |
CN106056079B (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
CN109766785B (zh) | 一种人脸的活体检测方法及装置 | |
CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
CN103870824B (zh) | 一种在人脸检测跟踪过程中的人脸捕捉方法及装置 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN104102903A (zh) | 一种基于src的二次人脸识别方法 | |
CN113837065A (zh) | 一种图像处理方法和装置 | |
CN114220142B (zh) | 一种深度学习算法的人脸特征识别方法 | |
CN109146913B (zh) | 一种人脸跟踪方法及装置 | |
CN113496215A (zh) | 一种活体人脸检测的方法、装置及电子设备 | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN112347988A (zh) | 口罩识别模型的训练方法、装置、计算机设备和可读存储介质 | |
Guo et al. | Iris extraction based on intensity gradient and texture difference | |
CN112949606B (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 | |
CN116229502A (zh) | 基于图像的摔倒行为识别方法及设备 | |
Saparudin et al. | Segmentation of fingerprint image based on gradient magnitude and coherence |
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 |