CN115035562A - 一种基于FaceNet改进的口罩遮挡下的人脸识别方法 - Google Patents

一种基于FaceNet改进的口罩遮挡下的人脸识别方法 Download PDF

Info

Publication number
CN115035562A
CN115035562A CN202210449077.1A CN202210449077A CN115035562A CN 115035562 A CN115035562 A CN 115035562A CN 202210449077 A CN202210449077 A CN 202210449077A CN 115035562 A CN115035562 A CN 115035562A
Authority
CN
China
Prior art keywords
face
facenet
mask
training
model
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
Application number
CN202210449077.1A
Other languages
English (en)
Inventor
张开玉
时宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210449077.1A priority Critical patent/CN115035562A/zh
Publication of CN115035562A publication Critical patent/CN115035562A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其包括如下步骤：(1)下载原始人脸数据集(2)输入MTCNN网络中进行人脸检测，裁剪和对齐(3)将预处理后的数据集附上模拟口罩(4)将数据集划分为训练集，验证集和测试集，并分别创建csv表格文件保存所有图像路径并设置标签(5)将训练集输入改进的FaceNet网络模型中进行训练(6)将验证集输入训练好的网络模型中，并与其它图像进行配对，通过计算特征向量之间的欧氏距离来判断人脸相似度(7)利用训练好的网络模型对测试集进行人脸识别。本发明改进的FaceNet算法在保证了识别速度的前提下，提高了对戴口罩人脸的识别准确率，具有较强的泛化能力。

Description

一种基于FaceNet改进的口罩遮挡下的人脸识别方法
技术领域
本发明涉及人工智能，深度学习和目标检测领域，具体涉及一种基于FaceNet改进的口罩遮挡下的人脸识别方法。
背景技术
随着计算机的信息化发展和人工智能的崛起，涌现出了许多用于深度学习的算法，并且还在持续地改进和优化，其中人脸识别作为计算机视觉任务中的基础任务，其研究意义和使用场景非常广泛。然而，现在关于人脸识别的研究几乎都是建立在标准人脸之上的，不能出现姿态、面部表情、遮挡及光照不理想等情况。但在现实情况中总是不能采集到高质量的人脸图像，从而使人脸识别性能收到比较大的影响。
关于口罩人脸这种更加极端的现实场景，几乎没有相关的研究，其主要原因是研究难度大，同时也没有成型规范的口罩人脸数据集提供。除此之外，标准人脸识别几乎达到了识别精度饱和的状态。
目前主流的基于深度学习的人脸检测算法主要可以分为两类：一类是主干网络没有RPN的One-stage 系列算法，另一类是主干网络有RPN的Two-stage系列算法。其中One-stage目标检测算法的典型代表有 YOLO,SSD等，它的具体检测步骤是直接使用卷积神经网络对目标进行特征提取得到特征向量，也是一种端到端的检测算法。Two-stage目标检测算法的典型代表有MTCNN、R-CNN、Fast R-CNN和Faster R-CNN等，它的具体检测步骤是先使用卷积神经网络对目标进行特征提取，接着通过RPN网络提取候选区域，最后再通过全连接层得到特征向量。
MTCNN是张开鹏发布的用于人脸检测，对齐和裁剪的卷积神经网络。他的研究团队提出了一个深度级联的多任务框架，利用检测、对齐和裁剪之间的内在相关性来提高它们的性能。由于精心设计的级联架构、在线硬样本挖掘策略和联合人脸对齐学习，MTCNN在人脸检测、对齐和裁剪方面获得了高性能。目前，很多人脸识别系统都会先应用MTCNN模型进行人脸检测、对齐和裁剪，然后再将图像拟合到人脸识别中。这个动作可以减少无用的背景或噪声对人脸识别模型性能的影响。
由于MTCNN仅能对人脸检测出眼睛、鼻子和嘴巴等五个关键点，而戴上口罩的人脸已经遮挡住鼻子和嘴巴，因此，本发明只利用MTCNN的人脸检测，对齐和裁剪功能，除去人脸关键点检测功能。该模型主要采用了三个级联的网络：P-Net，R-Net和O-Net。P-Net的基本构造是一个全卷积网络，对上一步构建完成的图像金字塔进行初步特征提取与定边框，并进行边界框回归调整窗口与NMS进行大部分窗口过滤。 R-Net相对于第一层的P-Net来说，增加了一个全连接层，在图片经过后，会留下许多预测窗口，它会滤除大量效果比较差的候选框，最后对选定的候选框进行边界框回归和NMS进一步优化预测结果。O-Net相对于R-Net来说多了一个卷积层，区别在于这一层结构会通过更多的监督来识别面部的区域。
基于深度学习的人脸识别技术在学术界和工业界也取得了很多令人瞩目的成果，在FaceNet中作者针对人脸识别提出了一种新的损失函数Triplet loss，它的原理是从训练数据集中随机选取一个样本，该样本称为Anchor，Negative为负样本，与Anchor不属于同一个人，Positive为正样本，与Anchor同属于一个人。模型训练时，计算Anchor与正负样本之间的欧氏距离，不断增大Anchor与负样本之间距离的同时减小 Anchor与正样本的距离，通过这种方式实现距离大于类内距离的目的，最后得到有区分度的人脸特征。
虽然FaceNet在已有数据集上的识别率已经超过了人工，但它在模型训练过程表现很不稳定，不能够获得更好的特征提取能力，并需要花较长时间来根据结果不断调节参数。因此，需要对FaceNet算法进行改进，在保证识别实时性的前提下，以满足目标较小的戴口罩人脸的高识别准确率。
发明内容
为解决上述问题，本发明提供一种基于FaceNet改进的口罩遮挡下的人脸识别方法，在保证了识别速度的前提下，提高了对戴口罩人脸的识别准确率。
实现本发明目的的技术方案是：
基于FaceNet改进的口罩遮挡条件下的人脸识别方法，包括以下步骤：
(1)下载CASIA和LFW原始数据集，并输入MTCNN网络中进行人脸检测，对齐和裁剪；
(2)对预处理后的CASIA和LFW数据集附上模拟口罩，并分别命名为Mask-CASIA和Mask-LFW；
(3)创建csv格式的表格文件保存所有图像路径并设置标签；
(4)构建改进的FaceNet网络模型，并采用戴口罩人脸训练集对改进后的网络模型进行训练；
(5)将戴口罩人脸验证集输入进训练好的改进的FaceNet网络模型中，并与其它图像进行配对，通过计算特征向量之间的欧氏距离来判断人脸相似度；
(6)将戴口罩人脸测试集输入进训练好的改进的FaceNet网络模型中，进行人脸识别；
(7)调试参数，保存最优结果。
所述方法的具体步骤如下：
步骤(1)中所述的具体过程如下：
(1-1)将附上口罩的人脸数据集输入P-Net网络中生成人脸候选回归框，并利用NMS算法来合并高度重叠的候选框；
(1-2)将生成的人脸候选回归框输入R-Net网络中以进行更严格地筛选,并利用NMS算法来输出筛选后的回归特征；
(1-3)将筛选后的人脸候选框输入O-Net网络中以进行更为精确地筛选，并利用NMS算法来输出最准确的人脸候选框；
(1-4)将所有最准确的人脸候选框进行对齐并裁剪为128×128的图像尺寸大小；
步骤(2)中所述的对预处理后的CASIA和LFW数据集附上模拟口罩包括；
MaskTheFace是一个可以将不同种类的口罩附着在人脸图像的Github包，使用此工具在CASIA- Webface数据集和LFW数据集中的图像中添加五种不同类别的口罩，包括绿色外科口罩、蓝色外科口罩、白色N95口罩、白色KN-95口罩和黑色布口罩；
步骤(3)中所述的创建csv文件保存所有图像路径并设置标签包括：
对Mask-CASIA和Mask-LFW数据集进行标注，将Mask-CASIA数据集中取出492800张图像作为训练集，将Mask-LFW数据集中取出57600张图像作为验证集，取出6400张与验证集不同的图像作为测试集，然后新建四个csv表格文件，并分别将训练集，验证集和测试集中每个人脸图像设置其标签和图像路径；
步骤(4)中改进的FaceNet网络模型的改进过程包括：
(4-1)将SE-ResNeXt50卷积神经网络作为FaceNet的主干网络；
(4-2)将FaceNet网络模型中的平均池化层改为广义平均池化层GeM(generalizedmean pooling)；
(4-3)将FaceNet网络模型中的Triplet Loss损失函数替换为ArcFace Loss损失函数；
本发明的有益成果是：
(1)由于应用MTCNN模型进行人脸检测、对齐和裁剪，然后再将图像拟合到人脸识别中。这样可以减少无用的背景或噪声对人脸识别模型性能的影响；
(2)由于在FaceNet网络模型中使用SE-ResNeXt50网络作为主干网络，其中的SENet模块通过对通道进行加权，提升了有效信息的权重并削弱了无效信息的权重，使得模型训练达到更好的结果，提高了模型的泛化能力，并提高了戴口罩人脸识别的准确率；
(3)由于最大池化层和平均池化层都是不可学习的，而广义平均池化层GeM介于平均池化层和最大池化层之间，通过学习一个最合适的参数，能够有效地加权每个特征的贡献，达到特征降维的目的；
(4)由于在FaceNet网络模型中使用ArcFace Loss作为损失函数，进行训练时可以取得更有区分度的特征。
附图说明
图1为本发明方法的流程图；
图2为本发明的MTCNN算法流程图；
图3为本发明改进后的FaceNet模型结构图；
图4为SE-Resnext50的残差单元结构图；
具体实施方法
下面将结合附图和具体实施例对本发明作进一步详细的说明。
实施例：
本实施例所选择的操作系统为Windows10，FaceNet网络模型的深度学习框架为Pytorch，硬件环境为 Intel Core i7处理器，Nvidia RTX 3060显卡，配置6GB显存和16GB内存，具体服务器配置参数如表1 所示。
表1具体服务器配置参数
Figure BDA0003617919040000031
如图1所示，本发明提出的基于FaceNet改进的口罩遮挡下的人脸识别方法实现步骤如下：
(1)如图2所示用MTCNN算法对CASIA和LFW原始数据集进行检测，同时对人脸进行裁剪和对齐，具体措施如下：
将CASIA和LFW原始人脸数据集输入全连接的卷积神经网络P-Net中生成人脸候选框并得到回归向量，并利用NMS算法来合并高度重叠的候选框；
将生成的人脸候选回归框输入比P-Net多一层128的全连接层的R-Net网络中以进行更严格地筛选, 利用NMS算法计算人脸候选框与目标重合区域IoU，并与阈值进行对比以剔除不符合区域分数的人脸候选框，输出筛选后的回归特征；
将筛选后的人脸候选框输入比R-Net多一层卷积层的O-Net网络中以进行更为精确地筛选，并利用NMS 算法来输出最准确的人脸候选框；
将所有最准确的人脸候选框进行对齐并裁剪为128×128的图像尺寸大小。
(2)制作CASIA和LFW人脸口罩数据集，并分别命名为Mask-CASIA和Mask-LFW。
登录github官网，从中找到一个名为MaskTheFace的package包，它可以添加不同种类的口罩并附着在人脸上，生成的戴口罩人脸图像质量也比较清晰，能够利用在大量的公开数据集上。所以计划在原始 CASIA和LFW数据集中的图像添加五种不同类别的口罩，包括绿色外科口罩、蓝色外科口罩、白色N95口罩、白色KN-95口罩和黑色布口罩，使得网络模型对图像中的口罩颜色或类型不那么敏感，具有更好的鲁棒性。
(3)创建csv格式的表格文件保存所有图像路径并设置标签。
分别创建并命名为train，eval_diff，eval_same和test四个csv格式的表格文件，在train.csv 里定义3个字段：2个标签字段，id和target，1个图像路径字段path。在eval_diff.csv，eval_same.csv 和test.csv里分别定义5个字段：3个标签字段，id，target和pair_target，2个图像路径字段path 和pair_path。
将Mask-CASIA口罩数据集中取出492800张人脸图片作为训练集，将它们以数字方式按顺序依次命名 id，target并分别输入train.csv的id表格列和target表格列里，然后标出图片的位置路径信息并输入 train.csv的path表格列里。
将Mask-LFW口罩数据集中取出57600张人脸图片作为验证集，先将它们都与同一类中的其它图像配对，将验证集和配对图像以数字方式按顺序依次命名id，target和pair_target并分别输入eval_same.csv 的id表格列，target表格列和pair_target表格列里，标出验证集和配对图像的位置路径信息并分别输入eval_same.csv的path表格列和pair_path表格列里。再将它们都与来自不同类中的其它图像配对，将验证集和配对图像以数字方式按顺序依次命名id，target和pair_target并分别输入eval_diff.csv的 id表格列，target表格列和pair_target表格列里，标出验证集和配对图像的位置路径信息并分别输入 eval_diff.csv的path表格列和pair_path表格列里。
将Mask-LFW口罩数据集中取出与验证集不同的6400张人脸图片作为测试集，取其中一半与同一类中的其它图像配对，另一半与来自不同类中的其它图像配对，将测试集和配对图像以数字方式按顺序依次命名id，target和pair_target并分别输入test.csv的id表格列，target表格列和pair_target表格列里，标出测试集和配对图像的位置路径信息并分别输入test.csv的path表格列和pair_path表格列里。
(4)如图3所示对原FaceNet模型进行改进，具体改进措施如下：
传统的卷积神经网络在传递信息的过程中会产生信息丢失进而导致梯度发散，为了能够获得对戴口罩人脸识别更高的准确率，故采用SE-ResNeXt50作为FaceNet的backbone网络，它是由通道注意力机制模块SENet和具有50层卷积层和全连接层的残差网络ResNeXt50改进而成。
由于ResNeXt50提出了残差学习的思想，它的创新之处在于可以在不增加参数复杂度的前提下提高准确率，同时还减少了超参数的数量。
SENet是通道注意力机制的模块，它是在(1×1卷积+3×3卷积+1×1卷积)完整卷积操作后直接加入全连接层以学习通道间依赖关系，再将学习到的通道权重加权回原向量来提升性能，很容易加载到现有的网络模型框架中，提升了网络的泛化能力。
如图4所示为SE-Resnext50的残差单元结构图，通过学习的方式自动获取每个特征通道的重要程度，并且利用得到的重要程度来提升特征并抑制对当前任务不重要的特征。
由于最大池化层和平均池化层都是不可学习的，而广义平均池化层GeM介于平均池化层和最大池化层之间，能够有效地加权每个特征的贡献，达到特征降维的目的。GeM有一个可学习的池参数，可作为反向传播的一部分，其原理是以特征图χ∈RW×H×C作为池化层的输入，其中H是特征图的高，W是特征图的宽， C是特征图的通道数。χκ∈RW×H表示第κ张特征图，其中1≤κ≤C，经过池化操作后，会产生C个值，用fκ表示每张特征图池化后的输出，以向量f作为池化层的最终输出，由向量[f1···fκ···fC]T表示。因为它是一个可微操作，所以整个网络可以以端到端的方式进行训练，GeM的表达式如下：
Figure BDA0003617919040000041
(5)使用改进后的模型对训练数据进行训练。
对网络模型参数进行初始化；
图片输入尺寸设置为128×128大小，epoch设置为25，权重衰减系数设置为5×10-4，初始learning rate设置为0.05，每5epoch衰减10倍，训练迭代次数为3850次，batchsize设置为128，dropout设置为0.3，优化器设置为Adadelta；
经过多次迭代后损失值会趋于稳定，将此时的网络参数保存为模型。
(6)使用验证集对训练最佳模型进行验证，并与其它图像进行配对，通过计算特征向量之间的欧氏距离来判断人脸相似度。
(7)使用测试集对训练最佳模型进行测试，验证改进后的模型对戴口罩人脸的识别效果。

Claims (10)

1.一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，包括如下计算步骤：
步骤1：下载原始人脸数据集，并输入MTCNN网络中进行人脸检测，对齐和裁剪；
步骤2：将预处理后的数据集附上模拟口罩；
步骤3：创建csv表格文件保存所有图像路径并设置标签；
步骤4：改进FaceNet人脸识别算法；
步骤401：将SE-ResNeXt50网络作为FaceNet的主干网络；
步骤402：将FaceNet中的全局平均池化层改为广义平均池化层GeM(generalized meanpooling)；
步骤403：将FaceNet中的Triplet Loss损失函数替换为ArcFace Loss损失函数；
步骤5：将训练集输入改进后的FaceNet网络进行训练，并保存最佳的网络模型；
步骤6：将验证集输入训练最佳网络模型中，验证改进后模型的训练效果；
步骤7：将测试集输入训练最佳网络模型中，测试改进后模型的识别效果。
2.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤1中，由于精心设计的级联架构、在线硬样本挖掘策略和联合人脸对齐学习，MTCNN在人脸检测、对齐和裁剪方面获得了高性能。目前，很多人脸识别系统都会先应用MTCNN模型进行人脸检测、对齐和裁剪，然后再将图像拟合到人脸识别中。这个动作可以减少无用的背景或噪声对人脸识别模型性能的影响。
3.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤2中，使用一个名为MaskTheFace的工具来模拟基于CASIA和LFW人脸图像数据集的口罩遮挡下的人脸图像，并选择几个不同的面具来模拟，包括绿色外科口罩、蓝色外科口罩、白色N95口罩、白色KN-95口罩和黑色布口罩。
4.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤3中，将预处理后的CASIA数据集中取出492800张图像作为训练集，将预处理后的LFW数据集中取出57600张图像作为验证集，取出6400张与验证集不同的图像作为测试集。最终对它们分别创建csv文件来保存所有的图像路径和设置其标签，为输入FaceNet网络模型做准备。
5.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤401中，为了提高模型的准确率，降低其训练误差和测试误差，所以使用通道注意力机制模块SENet和具有50层卷积层和全连接层的残差网络ResNeXt50的混合模型SE-ResNeXt50作为FaceNet的主干网络。
6.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤402中，由于最大池化层和平均池化层都是不可学习的，而广义平均池化层GeM介于平均池化层和最大池化层之间，通过学习一个最合适的参数，能够有效地加权每个特征的贡献，达到特征降维的目的。
7.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤403中,由于Triplet Loss损失函数不能对不同人脸进行很好的区分且无法确定一个合理的距离阈值，所以使用ArcFace Loss损失函数可以取得更有区分度的特征。
8.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤5中，配置网络环境，选择Windows10为操作系统和Pytorch框架进行训练，图片输入尺寸为128×128大小，采用动态学习率改善模型在不同训练阶段的收敛速度，在模型收敛后得到保存每个epoch训练完得到的权重文件。
9.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤6中，采用相同人脸的配对图像和不同人脸的配对图像所生成的特征向量之间的欧氏距离分布直方图的重叠区域作为验证指标来验证所述改进的FaceNet网络模型的训练效果。
10.根据权利要求1所述的一种基于FaceNet改进的口罩遮挡条件下的人脸识别方法，其特征在于，所述步骤7中，采用准确率，召回率和F值作为性能指标来测试所述改进的FaceNet网络模型对戴口罩人脸的识别能力。
CN202210449077.1A 2022-04-27 2022-04-27 一种基于FaceNet改进的口罩遮挡下的人脸识别方法 Pending CN115035562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210449077.1A CN115035562A (zh) 2022-04-27 2022-04-27 一种基于FaceNet改进的口罩遮挡下的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210449077.1A CN115035562A (zh) 2022-04-27 2022-04-27 一种基于FaceNet改进的口罩遮挡下的人脸识别方法

Publications (1)

Publication Number Publication Date
CN115035562A true CN115035562A (zh) 2022-09-09

Family

ID=83118486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210449077.1A Pending CN115035562A (zh) 2022-04-27 2022-04-27 一种基于FaceNet改进的口罩遮挡下的人脸识别方法

Country Status (1)

Country Link
CN (1) CN115035562A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078507A (zh) * 2023-08-18 2023-11-17 上海凌立健康管理股份有限公司 一种基于ai技术的虚拟数字人动态追溯监管方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078507A (zh) * 2023-08-18 2023-11-17 上海凌立健康管理股份有限公司 一种基于ai技术的虚拟数字人动态追溯监管方法与系统
CN117078507B (zh) * 2023-08-18 2024-05-14 上海凌立健康管理股份有限公司 一种基于ai技术的虚拟数字人动态追溯监管方法与系统

Similar Documents

Publication Publication Date Title
WO2021077984A1 (zh) 对象识别方法、装置、电子设备及可读存储介质
CN109961034B (zh) 基于卷积门控循环神经单元的视频目标检测方法
US11487995B2 (en) Method and apparatus for determining image quality
CN109033938A (zh) 一种基于可区分性特征融合的人脸识别方法
CN111027378B (zh) 行人重识别的方法、装置、终端及存储介质
CN109409297B (zh) 一种基于双通道卷积神经网络的身份识别方法
CN110349136A (zh) 一种基于深度学习的篡改图像检测方法
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
US10169683B2 (en) Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium
Zheng et al. Attention-based spatial-temporal multi-scale network for face anti-spoofing
US20230033052A1 (en) Method, apparatus, device, and storage medium for training image processing model
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN110414299B (zh) 一种基于计算机视觉的猴脸亲缘关系分析方法
CN108960047B (zh) 基于深度二次树的视频监控中人脸去重方法
US11194997B1 (en) Method and system for thermal infrared facial recognition
CN112150493A (zh) 一种基于语义指导的自然场景下屏幕区域检测方法
CN111767900A (zh) 人脸活体检测方法、装置、计算机设备及存储介质
JP7136500B2 (ja) ノイズチャネルに基づくランダム遮蔽回復の歩行者再識別方法
CN113569615A (zh) 基于图像处理的目标识别模型的训练方法和装置
CN110348331A (zh) 人脸识别方法及电子设备
CN112200176B (zh) 人脸图像的质量检测方法、系统和计算机设备
CN111460980A (zh) 基于多语义特征融合的小目标行人的多尺度检测方法
CN110795975B (zh) 人脸误检优化方法及装置
CN110472495B (zh) 一种基于图形推理全局特征的深度学习人脸识别方法

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