CN114898416A - 一种人脸识别方法、装置、电子设备及可读存储介质 - Google Patents
一种人脸识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114898416A CN114898416A CN202210069201.1A CN202210069201A CN114898416A CN 114898416 A CN114898416 A CN 114898416A CN 202210069201 A CN202210069201 A CN 202210069201A CN 114898416 A CN114898416 A CN 114898416A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- preset
- target
- standard
- 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 55
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 239000000523 sample Substances 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 125000004122 cyclic group Chemical group 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例中提供了一种人脸识别方法、装置、电子设备及可读存储介质,属于人脸识别技术领域,该方法包括:对目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列;基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列;根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。通过预设人脸检测模型和预设目标跟踪模型对人脸图像的处理,能够有效提高人脸信息获取的准确度,提升人脸识别的精确度。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及一种人脸识别方法、装置、电子设备及可读存储介质。
背景技术
随着我国城市化程度的不断加深,对公共设施发展的需求也日益增加。而城市公共设施往往面临高峰时段接待人数大量的情况,因此常常产生高峰时段人员在公共设施处排队等待通过的现象。在排队场景下既要快速处理任务保证人流通畅,又要准确报警异常情况保证公共安全。
排队场景下的抓拍任务往往是以识别行人身份、报警非法身份为主要目的。现有技术通过闸机限制排队人流通过,同时利用人脸识别技术检测行人身份。
人脸检测为保证精准性需要被检人员稳定停留在摄像头前一段时间,往往要配合闸机或者安检人员阻拦排队队伍,导致排队前进缓慢,不便捷。
发明内容
为了解决上述技术问题,本申请实施例提供一种人脸识别方法、装置、电子设备及可读存储介质,具体方案如下:
第一方面,本申请实施例提供了一种人脸识别方法,所述人脸识别方法包括:
获取目标区域的视频数据;
对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列;
基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列;
根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;
在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。
根据本申请实施例的一种具体实现方式,对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列的步骤,包括:
对所述视频数据进行切帧处理,以得到连续的初始图片序列;
对所述初始图片序列进行预设标准化处理和预设滤波处理,以得到图片尺寸相同的标准图片序列。
根据本申请实施例的一种具体实现方式,所述预设的人脸检测模型为RetinaFace人脸检测模型,所述预设目标跟踪模型为KCF人脸跟踪模型,基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列的步骤,包括:
将标准图像序列中每相邻两帧标准图像划分为一个备用图像组合,得到图像组合序列,其中,每个备用图像组合均包括前一帧图像和后一帧图像,每个备用图像组合的后一帧图像与后向邻接的备用图像组合的前一帧图像重合;
分别针对每个备用图像组合执行替换处理步骤,得到人脸图像序列;
其中,对每个备用图像组合执行替换处理步骤,包括:
根据所述RetinaFace人脸检测模型获取第一标准图像和第二标准图像中的初始人脸信息,其中,所述初始人脸信息包括第一人脸边界框和第一人脸关键点,所述第一标准图像为所述前一帧图像,所述第二标准图像为所述后一帧图像;
根据预设的KCF人脸跟踪模型在预设图像范围中进行跟踪预测,以得到对应所述第二标准图像的预测人脸信息,其中,所述预测人脸信息包括第二人脸边界框和第二人脸关键点,所述预设图像范围包括所述标准图片序列的第一标准图像及排序在所述第一标准图像之前的所有图像;
将所述第二标准图像的预测人脸信息和所述第二标准图像的初始人脸信息进行融合判断,以得到第二标准图像的目标人脸信息;
将所述第二标准图像的目标人脸信息添加至所述人脸图像序列中。
根据本申请实施例的一种具体实现方式,将所述第二标准图像的预测人脸信息和所述第二标准图像的初始人脸信息进行融合判断,以得到第二标准图像的目标人脸信息的步骤,包括:
计算所述第二标准图像的预测人脸信息与所述第二标准图像的初始人脸信息的交并比;
若所述交并比大于预设偏移阈值,将所述第二标准图像的预测人脸信息添加至所述人脸图像序列中;
若所述交并比小于预设偏移阈值且大于零,将所述第二标准图像的初始人脸信息添加至所述人脸图像序列中;
若所述交并比等于零,创建新的人脸图像序列,并重新跟踪所述第二标准图像。
根据本申请实施例的一种具体实现方式,所述RetinaFace人脸检测模型为RetinaFace单步人脸检测器,根据预设的RetinaFace人脸检测模型获取标准图像中的人脸信息的步骤,包括:
基于预设主干网络提取所述标准图像中的人脸特征;
基于特征金字塔网络和SSH人脸检测网络对所述人脸特征进行特征加强处理;
基于ClassHead网络、BoxHead网络、LandmarkHead网络三个并行的预测网络分别对所述人脸特征的人脸置信度、人脸边界框位置、人脸关键点位置进行检测;
对所述人脸边界框位置和所述人脸关键点位置的检测进行解码;
通过NMS非极大值抑制方法去除重复检测值,以得到所述人脸信息。
根据本申请实施例的一种具体实现方式,根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像的步骤,包括:
根据预设参数评分算法分别计算所述人脸图像序列中所有图像的亮度得分、清晰度得分、姿态得分、分辨率得分和遮挡得分;
根据预设的重要度权重、所述亮度得分、所述清晰度得分、所述姿态得分、所述分辨率得分和所述遮挡得分计算每一图像的得分加权平均值;
选取得分加权平均值最高的人脸图像作为目标人脸图像。
根据本申请实施例的一种具体实现方式,所述预设的图像数据库为黑名单数据库,在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果的步骤,包括:
在所述黑名单数据库中查找所述目标人脸图像;
当所述黑名单数据库中包括所述目标人脸图像时,向预设报警装置发送报警信号。
第二方面,本申请实施例提供了一种人脸识别装置,所述人脸识别装置包括:
获取模块,用于获取目标区域的视频数据;
预处理模块,用于对所述目标区域的视频数据进行预处理,以得到目标区域的标准图片序列;
人脸提取模块,用于基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到人脸图像序列;
人脸筛选模块,用于根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;
人脸比对模块,用于在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。
第三方面,本申请实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的人脸识别方法。
第四方面,本申请实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的人脸识别方法。
本申请实施例中的一种人脸识别方法、装置、电子设备及可读存储介质,所述方法包括:获取目标区域的视频数据;对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列;基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列;根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。通过预设人脸检测模型和预设目标跟踪模型对于人脸图像的处理,能够有效提高人脸信息获取的准确度,提升人脸识别的精确度。
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,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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为本申请实施例提供的一种人脸识别方法的方法流程示意图;
图2为本申请实施例提供的一种人脸识别方法中对初始人脸信息和预测人脸信息进行融合判断步骤的交互示意图;
图3为本申请实施例提供的一种人脸识别装置的装置模块示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,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公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开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,在没有背离本公开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。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开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。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本申请实施例提供一种人脸识别方法。本实施例提供的人脸识别方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参考图1,为本申请实施例提供的一种人脸识别方法的方法流程示意图,本申请实施例提供的一种人脸识别方法,如图1所示,所述人脸识别方法包括:
步骤S101,获取目标区域的视频数据;
在具体实施例中,所述目标区域可以选择任意排队场景下,能够保证获取人体对象的人脸信息的区域。例如设置在城市公共设施中任意闸道口位置,在地铁站进出口排队进站的闸口位置设置一个摄像装置,用于获取进出闸口排队人员的通过视频数据。
所述视频数据为通过任意可以拍摄视频的电子设备获取的视频流数据。
步骤S102,对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列;
在具体实施例中,在获取排队通过区域的视频数据后,需要对所述视频数据进行相应的转换处理,从而能够得到与预设的图像数据库中的人脸图像进行比较的图片序列。
根据本申请实施例的一种具体实现方式,对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列的步骤,包括:
对所述视频数据进行切帧处理,以得到连续的初始图片序列;
对所述初始图片序列进行预设标准化处理和预设滤波处理,以得到图片尺寸相同的标准图片序列。
在具体实施例中,对视频进行切帧处理,即能够得到连续的初始图片序列,对所述初始图片序列中的所有初始图片进行标准化处理,即能够得到具有相同尺寸的初始图片,其中,所述尺寸的选择可以根据实际应用场景进行自适应选择,此处不作限定。
在得到相同尺寸的初始图片后,对所有初始图片进行高斯滤波,过滤所有初始图片中的噪声影响,以得到尺寸统一且平滑的标准图片序列。
步骤S103,基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列;
在具体实施例中,预设的人脸检测模型可以为现有的任意一种支持实时快速检测的人脸检测模型,本实施例采用的是基于RetinaFace人脸检测算法构建的RetinaFace人脸检测模型。
预设的目标跟踪模型可以为现有的能够快速进行预测的目标跟踪模型,本实施例采用的是基于KCF跟踪算法构建的KCF人脸跟踪模型。
具体的,通过所述RetinaFace人脸检测模型和所述KCF人脸跟踪模型处理分别获取所述标准图片序列中的人脸图像信息后,会根据两种人脸图像信息进行分析融合,以得到最终能够进行比对的人脸图像。
在通过上述模型处理所述标准图片序列中的图像时,可能会舍弃其中部分不符合预设要求的图像。所述连续的人脸图像序列中的人脸图像数量会小于所述标准图片序列中的图片数量。
根据本申请实施例的一种具体实现方式,所述预设的人脸检测模型为RetinaFace人脸检测模型,所述预设目标跟踪模型为KCF人脸跟踪模型,基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列的步骤,包括:
将标准图像序列中每相邻两帧标准图像划分为一个备用图像组合,得到图像组合序列,其中,每个备用图像组合均包括前一帧图像和后一帧图像,每个备用图像组合的后一帧图像与后向邻接的备用图像组合的前一帧图像重合;
分别针对每个备用图像组合执行替换处理步骤,得到人脸图像序列;
其中,对每个备用图像组合执行替换处理步骤,包括:
根据所述RetinaFace人脸检测模型获取第一标准图像和第二标准图像中的初始人脸信息,其中,所述初始人脸信息包括第一人脸边界框和第一人脸关键点,所述第一标准图像为所述前一帧图像,所述第二标准图像为所述后一帧图像;
根据预设的KCF人脸跟踪模型在预设图像范围中进行跟踪预测,以得到对应所述第二标准图像的预测人脸信息,其中,所述预测人脸信息包括第二人脸边界框和第二人脸关键点,所述预设图像范围包括所述标准图片序列的第一标准图像及排序在所述第一标准图像之前的所有图像;
将所述第二标准图像的预测人脸信息和所述第二标准图像的初始人脸信息进行融合判断,以得到第二标准图像的目标人脸信息;
将所述第二标准图像的目标人脸信息添加至所述人脸图像序列中。
在具体实施例中,所述第一人脸关键点和所述第二人脸关键点中的关键点位置均为两眼中心、嘴角两端和鼻尖五个关键点。
在基于所述RetinaFace人脸检测模型和所述KCF人脸跟踪模型处理所述标准序列中的图像前,还需要对所述标准序列中的图像进行预处理。
所述标准图像序列中包括的是连续多帧标准图像,选取所述标准图像序列中的第K帧图像为初始图像,并将所述第K帧图像及第K+1帧图像划分为一个备用图像组合。其中,所述第K帧图像可以为所述标准图像序列中的第一张图片,也可以为所述标准图像序列中间部分的图片,根据实际应用场景进行自适应变换,此处不作具体限定。
在划分好第K帧图像及第K+1帧图像的备用图像组合后,继续往后一帧图像执行备用图像组合划分动作,即将第K+1帧图像和第K+2帧图像划分为备用图像组合。连续执行上述备用图像组合划分步骤,直至获得预设数量的备用图像组合,以组成能够用于后续检测的图像组合序列。其中,所述预设数量可-以根据实际应用场景中预设人脸检测模型和预设目标检测模型的检测效果进行自使用选择,此处不作具体限定。
在得到连续的图像组合序列后,分别针对所述图像组合序列中的每个备用图像组合执行替换处理步骤,从而得到对应每个备用图像组合的人脸图像信息,基于所述图像组合序列的排列顺序,就可以得到进行人脸比对分析的所述人脸图像序列。
根据本申请实施例的一种具体实现方式,所述RetinaFace人脸检测模型为RetinaFace单步人脸检测器,根据预设的RetinaFace人脸检测模型获取标准图像中的人脸信息的步骤,包括:
基于预设主干网络提取所述标准图像中的人脸特征;
基于特征金字塔网络和SSH人脸检测网络对所述人脸特征进行特征加强处理;
基于ClassHead网络、BoxHead网络、LandmarkHead网络三个并行的预测网络分别对所述人脸特征的人脸置信度、人脸边界框位置、人脸关键点位置进行检测;
对所述人脸边界框位置和所述人脸关键点位置的检测进行解码;
通过NMS非极大值抑制方法去除重复检测值,以得到所述人脸信息。
在具体实施例中,所述预设主干网络可以采用如mobilene0.25作为主干网络进行特征图提取,从所述标准图像中提取预设的初始人脸特征图。
在得到所述初始人脸特征图后,使用特征金字塔网络(Feature PyramidNetwork,简称FPN)特征金字塔网络与SSH(Single Stage Headless)网络对初始人脸特征图进行加强处理,以提升所获取的人脸特征图的精度。其中,所述特征金字塔网络和所述SSH网络均可以采用现有的神经网络方法进行设置,此处不作赘述。
再利用ClassHead网络预测人脸置信度,利用BoxHead网络预测人脸边界框位置,利用LandmarkHead网络预测人脸关键点位置,需知的,所述ClassHead网络、所述BoxHead网络和所述LandmarkHead网络是并行的预测网络,即同时获得所述标准图像中的人脸置信度、人脸边界框位置和人脸关键点位置。其中,所述ClassHead网络、所述BoxHead网络和所述LandmarkHead网络均可采用常规的神经网络构建方法进行构建,此处不作赘述。
因为通过所述BoxHead网络和所述LandmarkHead网络预测得到的人脸边界框位置和人脸关键点位置时基于特征图编码得到的,因此,还需要对所述人脸边界框位置和所述人脸关键点位置检测进行decode解码。具体的,所述decode解码可以将得到的人脸边界框位置特征和人脸关键点位置特征从3D到2D的映射,从而能够通过dicode解码后的人脸边界框位置和人脸关键点位置进行具体的偏移分析。
在得到所述人脸边界框位置和所述人脸关键点位置后,还需要通过NMS非极大值抑制方法处理得到的多个人脸边界框和多个人脸关键点,其中,对于同一区域的人脸边界框和同一区域的人脸关键点,均选取置信度最高的人脸边界框和置信度最高的人脸关键点,以去除重复检测值,得到对应所述标准图像的人脸信息。
所述RetinaFace单步人脸检测器的训练可以采用手动标注的人脸数据集。
具体的,先计算所有真实框和所有先验框的重合程度,将与目标真实框的交并比iou大于0.35的先验框标注为可以用来预测获得所述目标真实框。再对和真实框重合程度比较大的所有先验框进行编码。
利用处理完的真实框与对应图片的预测结果计算损失值Loss。
根据本实施例的一种具体实现方式,根据预设的KCF人脸跟踪模型在预设图像范围中进行跟踪预测,以得到对应所述第二标准图像的预测人脸信息的步骤,包括:
所述KCF人脸跟踪模型是基于核相关滤波算法(Kernel Correlation Filter,简称KCF)获得的,所述人脸跟踪模块的具体步骤为:在当前帧图像选取与前一帧图像的检测目标所在区域相同的目标区域坐标,提取所述目标区域坐标作为基本候选样本,设置当前帧图像的目标区域坐标的样本大小为w*h的图像块,其中,w表示宽,h表示高。
建立目标区域模型Gi,通过在预设图像范围循环位移获取一系列样本集合,其中,所述预设图像范围为包括所述当前帧图像以及排序在所述当前帧图像的全部标准图像。通过循环执行上述目标区域坐标获取步骤,可以得到目标区域模型Gi(i∈{0,1,2,...,w-1}x{0,1,2,...,h-1})。
对所述目标区域模型中的每个基本候选样本进行权值系数计算,再通过加权求和方式计算检测样本与目标区域模型中候选样本的相似度,得到下一帧的响应值。为了提高运行速度,求解转换频域如下式所示S=F-1[F(k)·F(δ)]。
更具体的,KCF人脸跟踪算法的使用过程包括三个步骤,分别为模型建立步骤、在线匹配步骤和模板更新步骤。
所述模型建立步骤,包括:在K帧处初始化模型,用RetinaFace人脸检测器在该帧检测到的人脸边界框作为跟踪目标,其位置记为Ok,对跟踪目标应用循环矩阵移位采样作为训练样本,其位置集合记为K(Ok)。由所述训练样本可以训练出一个回归器,训练公式为所述回归器能计算一个小窗口采样的响应。
KCF跟踪算法将训练过程看作一个岭回归问题,或者正则化最小二乘问题,即训练是为了寻找回归函数f(z)=wTz,以使得残差函数得到最小值,即其中,z为待跟踪样本,w为分类器的权重向量,wT为其转置;xi为第i个采样图像,yi为其对应目标位置,即回归值,λ为为防止过拟合的正则化参数。所以训练样本将被表示为{(x1,y1),(x2,y2)...,(xi,yi),...},所述训练样本由跟踪目标应用循环矩阵移位采样得到。
对残差函数的解求极值,将w微分至导数为0,得到最小值w=(XTX+λI)-1XTy,其中,X=[x1,x2,...,xn],每一列代表一个训练样本的特征向量,y为列向量,每个元素代表一个样本标签,即回归值yi,I为单位矩阵,λ为防止过拟合的正则化参数。
由于训练样本的计算需在傅里叶空间中进行,在此给出复数下的求解结果为w=(XHX+λI)-1XHy,其中,XH为X的共轭转置矩阵。
根据上式可以计算权重向量w,从而计算残差函数的值;并在残差函数的值最小时,获得正则风险最小KCF跟踪器(即残差函数的值最小时对应的回归函数)。
虽然上述方法可以获得正则风险最小KCF跟踪器,但求解过程存在大量逆运算,由于训练样本数量很大,导致消耗较大算力。所以利用循环矩阵的性质避开矩阵求逆的运算,其过程为:
首先训练样本是由跟踪目标应用循环矩阵移位采样取得的,循环矩阵表示为:
其中,x={x1,x2,x3...xn}表示循环矩阵的第一行,xi为第i个采样图像。
然后在傅里叶空间中利用循环矩阵计算KCF跟踪器中分类器的权重向量,由于于循环矩阵X具备的性质,其中为x的傅里叶变换,即 F为傅里叶变换矩阵。因此,傅里叶空间内的求解结果可简化为: 其中,w*为w的共轭,⊙为向量对应元素相乘;变换后权重向量w的求解变换到傅里叶空间中,从而减少了计算量。
为解决非线性问题的求解,引入高位核函数概念,在高维空间中非线性问题w的求解可以变成一个线性问题,设核函数为φ(x),则回归器权重向量变为w=∑αiφ(x),则求解问题由求解w变为求解α,其中α={α1,α2,...,αn}T。记训练样本乘积的核函数为Kij=k(xi,yj)。经此,回归函数变换为:
继续结合循环矩阵特性进行简化。上式变换后的回归函数求解得其正则最小二乘解为α=(K+λI)-1y,其中α表示学习系数,K为不同的训练样本乘积的核函数组成的矩阵,如Gauss核函数、多项式核函数,y为样本回归值yi组成的列向量,I为单位矩阵,λ为防止过拟合的正则化参数。利用核方法,得到:其中,kxx是训练核函数循环矩阵的第一行元素组成的向量;α*为α的共轭。
所述模板更新步骤,包括:用k+1处的跟踪目标位置应用循环矩阵移位采样作为训练样本,重新训练回归器,应用于下一帧的检测,即重复在线匹配步骤。
根据本申请实施例的一种具体实现方式,将所述第二标准图像的预测人脸信息和所述第二标准图像的初始人脸信息进行融合判断,以得到第二标准图像的目标人脸信息的步骤,包括:
计算所述第二标准图像的预测人脸信息与所述第二标准图像的初始人脸信息的交并比;
若所述交并比大于预设偏移阈值,将所述第二标准图像的预测人脸信息添加至所述人脸图像序列中;
若所述交并比小于预设偏移阈值且大于零,将所述第二标准图像的初始人脸信息添加至所述人脸图像序列中;
若所述交并比等于零,创建新的人脸图像序列,并重新跟踪所述第二标准图像。
在具体实施例中,通过计算所述第二标准图像的预测人脸信息与所述第二标准图像的初始人脸信息的交并比IOU。若IOU>β,其中β为偏移阈值,则认为目标跟踪无偏移,将KCF人脸跟踪模型得到的预测人脸信息添加到所述人脸图像序列中。
若0<IOU<β,则认为目标发生偏移,将RetinaFace人脸检测模型得到的初始人脸信息添加到所述人脸图像序列中,并用所述初始人脸信息重新初始化KCF人脸跟踪模型。
若IOU=0,则认为目标丢失,创建新的人脸图像序列,并重新跟踪目标。
步骤S104,根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;
在具体实施例中,获得所述人脸图像序列后,还需要在所述人脸图像序列中进行图像筛选,以选取最优的目标人脸图像进行最后的图像库比对步骤。以最大化的提升人脸识别的准确性。
具体的,根据预设参数评分算法计算所述人脸图像序列中的所有人脸图像的参数指标分数,并综合所有参数指标分数得到对应各人脸图像的得分。选择所有人脸图像中得分最高的人脸图像,作为目标人脸图像。
根据本申请实施例的一种具体实现方式,根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像的步骤,包括:
根据预设参数评分算法分别计算所述人脸图像序列中所有图像的亮度得分、清晰度得分、姿态得分、分辨率得分和遮挡得分;
根据预设的重要度权重、所述亮度得分、所述清晰度得分、所述姿态得分、所述分辨率得分和所述遮挡得分计算每一图像的得分加权平均值;
选取得分加权平均值最高的人脸图像作为目标人脸图像。
在具体实施例中,首先利用SeetaFace6人脸识别算法中提供的人脸质量判断模块对人脸序列进行评分。取用其中的亮度评估模块评估人脸区域内的亮度值是否均匀正常,得到亮度得分scoreQB、取用其中的清晰度评估模块通过对二次模糊后图像信息损失程度统计来评估人脸图像是否清晰,得到清晰度得分scoreQC、取用其中的姿态评估模块通过人脸五个关键点的坐标值评估姿态是否为正面,得到姿态得分scoreQP、取用其中的分辨率评估计算人脸分辨率,得到分辨率得分scoreQR、取用其中的遮挡评估模块计算5个关键点被遮挡的程度,得到遮挡得分scoreQS。
其中,ωQB、ωQC、ωQP、ωQR与ωQS分别为对应得分的重要度权重。对每条序列内的全部人脸图像进行评分,选取得分最高的人脸作为该人脸图像序列的最优人脸图像。
步骤S105,在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。
在具体实施例中,预设的人脸图像库可以根据实际应用场景进行自适应设置,例如当所述摄像设备设置在小区进出入口时,所述预设的人脸图像库可以为对应的小区住户图像;当所述摄像设备设置在写字楼进出入口时,所述预设的人脸图像库可以为对应的写字楼办公人员图像。
在实际应用场景中,输出人脸识别通过的比对结果后,可以添加与不同终端之间的交互来实现不同的功能。例如,在预设的人脸图像库为小区住户图像时,通过与门禁终端之间的交互,实现人脸识别通过后自动开启门禁设备的功能。
根据本申请实施例的一种具体实现方式,所述预设的图像数据库为黑名单数据库,在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果的步骤,包括:
在所述黑名单数据库中查找所述目标人脸图像;
当所述黑名单数据库中包括所述目标人脸图像时,向预设报警装置发送报警信号。
在具体实施例中,可以将预设的图像数据库设置为黑名单数据库,通过设置预设图像数据库为黑名单数据库,并添加与报警终端之间的交互程序。能够实现当在所述黑名单数据库中查找到对应的目标人脸图像时,通过所述报警终端直接进行报警动作。
具体的,所述报警终端可以为蜂鸣器、显示器等直接展示报警信息的终端设备,也可以为计算机、手机等发送报警信息至预设对象端的终端设备。具体的,所述报警终端的设置可以根据实际应用场景进行自适应设置。
具体的,在所述黑名单数据库中查找所述目标人脸图像的步骤,包括将每条序列的目标人脸图像上传黑名单数据库,并通过SeetaFace6人脸识别算法中提供的人脸特征比对模块计算该序列目标人脸图像与所述黑名单数据库内黑名单人脸图像的相似度,当所述相似度大于报警阈值thAlarm时产生报警信号。
本实施例提供的人脸识别方法通过不同的算法检测器检测同一图像中的人脸信息,并对获得的两类人脸信息进行融合和筛选,从而得到进行人脸识别的目标人脸图像,有效提升了人脸识别的精度和速度。另外,通过设置预设的图像数据库为黑名单数据库,能够实现在公共场合快速识别排队人群的人脸图像,并在发现黑名单人员时直接进行报警,在保证人流通畅的情况下准确报警异常情况,保障了公共场合的安全。
参考图3,为本申请实施例提供的一种人脸识别装置的装置模块300示意图,本申请实施例提供的人脸识别装置300,如图3所示,所述人脸识别装置300包括:
获取模块301,用于获取目标区域的视频数据;
预处理模块302,用于对所述目标区域的视频数据进行预处理,以得到目标区域的标准图片序列;
人脸提取模块303,用于基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到人脸图像序列;
人脸筛选模块304,用于根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;
人脸比对模块305,用于在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。
图3所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
另外,本申请实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的人脸识别方法。
本申请实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的人脸识别方法。
综上所述,本申请实施例提供了一种人脸识别方法、装置、电子设备及可读存储介质,本申请提供的人脸识别方法,基于两种支持实时快速检测的人脸检测模型,RetinaFace人脸检测模型和KCF人脸跟踪模型分别对同一标准图像进行人脸信息预测,并根据获得的两类人脸信息进行预设修正处理,以得到最终进行人脸识别的目标人脸图像,在保证了检测速度的同时保障了人脸识别的准确度。通过设置黑名单数据库的方式,能够将所述人脸识别方法应用在需要保证人流通畅的任意公共场合排队场景下,对黑名单人员进行准确识别的同时,不妨碍人员正常通行。极大提升了人脸识别的效率,并扩展了人脸识别的使用范围。
本申请实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人脸识别方法,其特征在于,所述人脸识别方法包括:
获取目标区域的视频数据;
对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列;
基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列;
根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;
在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。
2.根据权利要求1所述的人脸识别方法,其特征在于,对所述目标区域的视频数据进行预处理,以得到所述目标区域的标准图片序列的步骤,包括:
对所述视频数据进行切帧处理,以得到连续的初始图片序列;
对所述初始图片序列进行预设标准化处理和预设滤波处理,以得到图片尺寸相同的标准图片序列。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述预设的人脸检测模型为RetinaFace人脸检测模型,所述预设目标跟踪模型为KCF人脸跟踪模型,基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到连续的人脸图像序列的步骤,包括:
将标准图像序列中每相邻两帧标准图像划分为一个备用图像组合,得到图像组合序列,其中,每个备用图像组合均包括前一帧图像和后一帧图像,每个备用图像组合的后一帧图像与后向邻接的备用图像组合的前一帧图像重合;
分别针对每个备用图像组合执行替换处理步骤,得到人脸图像序列;
其中,对每个备用图像组合执行替换处理步骤,包括:
根据所述RetinaFace人脸检测模型获取第一标准图像和第二标准图像中的初始人脸信息,其中,所述初始人脸信息包括第一人脸边界框和第一人脸关键点,所述第一标准图像为所述前一帧图像,所述第二标准图像为所述后一帧图像;
根据预设的KCF人脸跟踪模型在预设图像范围中进行跟踪预测,以得到对应所述第二标准图像的预测人脸信息,其中,所述预测人脸信息包括第二人脸边界框和第二人脸关键点,所述预设图像范围包括所述标准图片序列的第一标准图像及排序在所述第一标准图像之前的所有图像;
将所述第二标准图像的预测人脸信息和所述第二标准图像的初始人脸信息进行融合判断,以得到第二标准图像的目标人脸信息;
将所述第二标准图像的目标人脸信息添加至所述人脸图像序列中。
4.根据权利要求3所述的人脸识别方法,其特征在于,将所述第二标准图像的预测人脸信息和所述第二标准图像的初始人脸信息进行融合判断,以得到第二标准图像的目标人脸信息的步骤,包括:
计算所述第二标准图像的预测人脸信息与所述第二标准图像的初始人脸信息的交并比;
若所述交并比大于预设偏移阈值,将所述第二标准图像的预测人脸信息添加至所述人脸图像序列中;
若所述交并比小于预设偏移阈值且大于零,将所述第二标准图像的初始人脸信息添加至所述人脸图像序列中;
若所述交并比等于零,创建新的人脸图像序列,并重新跟踪所述第二标准图像。
5.根据权利要求3所述的人脸识别方法,其特征在于,所述RetinaFace人脸检测模型为RetinaFace单步人脸检测器,根据预设的RetinaFace人脸检测模型获取标准图像中的人脸信息的步骤,包括:
基于预设主干网络提取所述标准图像中的人脸特征;
基于特征金字塔网络和SSH人脸检测网络对所述人脸特征进行特征加强处理;
基于ClassHead网络、BoxHead网络、LandmarkHead网络三个并行的预测网络分别对所述人脸特征的人脸置信度、人脸边界框位置、人脸关键点位置进行检测;
对所述人脸边界框位置和所述人脸关键点位置的检测进行解码;
通过NMS非极大值抑制方法去除重复检测值,以得到所述人脸信息。
6.根据权利要求1所述的人脸识别方法,其特征在于,根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像的步骤,包括:
根据预设参数评分算法分别计算所述人脸图像序列中所有图像的亮度得分、清晰度得分、姿态得分、分辨率得分和遮挡得分;
根据预设的重要度权重、所述亮度得分、所述清晰度得分、所述姿态得分、所述分辨率得分和所述遮挡得分计算每一图像的得分加权平均值;
选取得分加权平均值最高的人脸图像作为目标人脸图像。
7.根据权利要求1所述的人脸识别方法,其特征在于,所述预设的图像数据库为黑名单数据库,在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果的步骤,包括:
在所述黑名单数据库中查找所述目标人脸图像;
当所述黑名单数据库中包括所述目标人脸图像时,向预设报警装置发送报警信号。
8.一种人脸识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标区域的视频数据;
预处理模块,用于对所述目标区域的视频数据进行预处理,以得到目标区域的标准图片序列;
人脸提取模块,用于基于预设人脸检测模型以及预设目标跟踪模型处理所述标准图片序列,以得到人脸图像序列;
人脸筛选模块,用于根据预设参数评分算法在所述人脸图像序列中选取目标人脸图像,所述目标人脸图像为所述人脸图像序列中分数最高的人脸图像;
人脸比对模块,用于在预设的人脸图像库中查找所述目标人脸图像,当所述预设的图像数据库中包括所述目标人脸图像时,输出人脸识别通过的比对结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的人脸识别方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069201.1A CN114898416A (zh) | 2022-01-21 | 2022-01-21 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210069201.1A CN114898416A (zh) | 2022-01-21 | 2022-01-21 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114898416A true CN114898416A (zh) | 2022-08-12 |
Family
ID=82716135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210069201.1A Pending CN114898416A (zh) | 2022-01-21 | 2022-01-21 | 一种人脸识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898416A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273210A (zh) * | 2022-09-30 | 2022-11-01 | 平安银行股份有限公司 | 抗图像旋转的合影图像识别方法、装置、电子设备及介质 |
CN115601717A (zh) * | 2022-10-19 | 2023-01-13 | 中诚华隆计算机技术有限公司(Cn) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
CN117649692A (zh) * | 2023-10-24 | 2024-03-05 | 广州像素数据技术股份有限公司 | 基于多人脸图像特征图融合的人脸识别方法及相关设备 |
CN117671589A (zh) * | 2023-12-04 | 2024-03-08 | 中国矿业大学 | 一种基于新型视频分析方法的矿工排队秩序异常报警系统 |
-
2022
- 2022-01-21 CN CN202210069201.1A patent/CN114898416A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273210A (zh) * | 2022-09-30 | 2022-11-01 | 平安银行股份有限公司 | 抗图像旋转的合影图像识别方法、装置、电子设备及介质 |
CN115273210B (zh) * | 2022-09-30 | 2022-12-09 | 平安银行股份有限公司 | 抗图像旋转的合影图像识别方法、装置、电子设备及介质 |
CN115601717A (zh) * | 2022-10-19 | 2023-01-13 | 中诚华隆计算机技术有限公司(Cn) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
CN115601717B (zh) * | 2022-10-19 | 2023-10-10 | 中诚华隆计算机技术有限公司 | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
CN117649692A (zh) * | 2023-10-24 | 2024-03-05 | 广州像素数据技术股份有限公司 | 基于多人脸图像特征图融合的人脸识别方法及相关设备 |
CN117671589A (zh) * | 2023-12-04 | 2024-03-08 | 中国矿业大学 | 一种基于新型视频分析方法的矿工排队秩序异常报警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378264B (zh) | 目标跟踪方法及装置 | |
Li et al. | Efficient violence detection using 3d convolutional neural networks | |
CN114898416A (zh) | 一种人脸识别方法、装置、电子设备及可读存储介质 | |
CN112699786B (zh) | 一种基于空间增强模块的视频行为识别方法及系统 | |
CN110070029B (zh) | 一种步态识别方法及装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
Jiang et al. | A self-attention network for smoke detection | |
CN112560827A (zh) | 模型训练方法、装置、预测方法、电子设备及介质 | |
CN112270246A (zh) | 视频行为识别方法及装置、存储介质、电子设备 | |
CN115577768A (zh) | 半监督模型训练方法和装置 | |
CN114943937A (zh) | 行人重识别方法、装置、存储介质及电子设备 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN111709762B (zh) | 信息匹配度的评估方法、装置、设备及存储介质 | |
CN116740607A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN116704433A (zh) | 基于上下文感知关系预测编码的自监督群体行为识别方法 | |
CN113869163B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112949777B (zh) | 相似图像确定方法及装置、电子设备和存储介质 | |
CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
CN114422848A (zh) | 视频分割方法、装置、电子设备及存储介质 | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN113642443A (zh) | 模型的测试方法、装置、电子设备及存储介质 | |
CN113158720A (zh) | 一种基于双模特征和注意力机制的视频摘要方法及装置 | |
CN111062337B (zh) | 人流方向检测方法及装置、存储介质和电子设备 |
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 |