CN115631528A - 一种基于深度学习的智能人脸识别方法及系统 - Google Patents
一种基于深度学习的智能人脸识别方法及系统 Download PDFInfo
- Publication number
- CN115631528A CN115631528A CN202211598063.2A CN202211598063A CN115631528A CN 115631528 A CN115631528 A CN 115631528A CN 202211598063 A CN202211598063 A CN 202211598063A CN 115631528 A CN115631528 A CN 115631528A
- Authority
- CN
- China
- Prior art keywords
- face
- face recognition
- deep learning
- detected
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Abstract
本发明涉及人脸识别技术领域,公开了一种基于深度学习的智能人脸识别方法及系统,包括:获取本地成员人脸图像建立本地人脸数据库;基于所述深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;基于所述深度学习模型对待检测人员进行人脸检测及特征提取;基于两次特征信息及人脸检测结果确定人脸识别结果。本发明能够提高人脸识别技术的识别率以及安全性能。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于深度学习的智能人脸识别方法及系统。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。采用摄像机或摄像头采集含有人脸的图像或视频帧,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术,通常也叫做人像识别、面部识别。
现有的人脸识别技术,对于限定在一定条件下的人脸图像,例如,正面人脸、光照条件良好、无遮挡物体、无眼镜反光情况下获取的人脸图像,其识别率可以满足一些民用领域的低端应用(如门禁、考勤等)的要求。然而,现有的人脸视频布控主要利用城市中已有的监控摄像机采集人脸图像,因此很容易受到光照、姿态、遮挡、外表附属物以及图像采集设备的影响,大大降低识别效果。再者,当数据库规模达到一定数量级后(如百万级),目前人脸识别系统的误报警率与漏检率会大幅升高,降低人脸识别技术的识别率。
发明内容
本发明提供了一种基于深度学习的智能人脸识别方法及系统,能够提高人脸识别技术的识别率以及安全性能。
本发明为实现上述目的,本发明采用的技术方案如下:本发明提供一种基于深度学习的智能人脸识别方法,包括:
获取本地成员人脸图像建立本地人脸数据库;
基于深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;
基于所述深度学习模型对待检测人员进行人脸检测及特征提取;
基于两次特征信息及人脸检测结果确定人脸识别结果。
在其中一个实施例中,还包括:对本地人脸数据库进行人群分类,所述分类包括普通群体、高危群体、特殊人员群体。
在其中一个实施例中,对待检测人员进行人脸检测和特征提取时,包括:
确认当前环境是否符合人脸检测环境;
基于判断结果,确定人脸识别的方法。
在其中一个实施例中,所述基于判断结果,确定人脸识别的方法,包括:
当判断结果为适合采用待识别目标的彩色图像进行人脸识别时,采用所述待识别目标的彩色图像和所述待识别目标的三维图像进行人脸识别;
若判断结果为不适合采用待识别目标的彩色图像进行人脸识别时,采用所述待识别目标的红外图像和所述待识别目标的三维图像进行人脸识别。
在其中一个实施例中,所述特征信息包括:眼角位置信息、眉毛位置信息、嘴角位置信息、鼻子位置信息、耳朵位置和瞳孔信息;
所述深度学习模型的建立包括:定义输入层和输出层,选取眼角位置信息、眉毛位置信息、嘴角位置信息、鼻子位置信息、耳朵位置和瞳孔信息作为输入变量,输入维数m=6;以个人信息作为输出变量,输出维数n=1;
选择隐层数和隐层单元数,采用单隐层,并根据穷举法确定隐层节点数为7。
在其中一个实施例中,基于两次特征信息及人脸检测结果确定人脸识别结果,包括:
确定所述待检测人员的人脸,即样本A;
获取本地人脸数据库中相似的人脸,即样本B;
将样本A和样本B进行相同的编码,并嵌入一个高维的向量空间;
使用损失函数softmax loss对两个样本嵌入向量的拼接做二分类训练,输出两个样本之间的相似度;
当所述相似度超过预设阈值时,确认为同一人的人脸。
在其中一个实施例中,当所述待检测人员佩戴口罩时,样本B可能为多个;
当样本B为多个时,将样本A与不同的样本B进行分组,即每组为样本A与样本Bi,i为样本B的个数;
计算不同分组中两个样本之间的相似度;
确认所述相似度超过预设阈值的分组是否唯一,若是,所述相似度超过预设阈值的分组中的样本A与样本B为同一人的人脸;
若否,则提醒待所述检测人员进行活体检测,确认待检测人员的人脸识别结果。
在其中一个实施例中,当检测到所述待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门。
在其中一个实施例中,当检测距离不满足检测要求时,发出提醒消息,提醒所述待检测人员进入检测范围内进行人脸检测。
为实现上述目的,本发明还提供了一种基于深度学习的智能人脸识别系统,包括:
人脸输入单元,用于获取待检测人员的人脸特征信息;
人脸分析单元,所述人脸分析单元包括多个信息处理部;所述人脸分析单元用于获取本地成员人脸图像建立本地人脸数据库;基于深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;基于所述深度学习模型对待检测人员进行人脸检测及特征提取;基于两次特征信息及人脸检测结果确定人脸识别结果;
输出单元,用于输出人脸识别结果;
通知单元,用于当检测到所述待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门。
本发明的技术效果:通过深度学习模型进行人脸检测及特征提取,提高分析精度;基于两次特征信息及人脸检测结果确定人脸识别结果,提高提高人脸识别技术的识别率以及安全性能。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于深度学习的智能人脸识别方法的流程图;
图2是本发明实施例提供的基于所述深度学习模型对待检测人员进行人脸检测及特征提取的流程图;
图3是本发明实施例提供的基于判断结果,确定人脸识别的方法的流程图;
图4是本发明实施例提供的基于两次特征信息及人脸检测结果确定人脸识别结果的流程图;
图5是本发明实施例提供的当所述待检测人员佩戴口罩时,确认待检测人员的人脸识别结果的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不是用来限制本发明的范围。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
在人工智能技术的快速发展进程下,现在很多小区或办公楼已经用上了人脸识别智能门禁系统。如今很多地方出入写字楼不用刷卡识别,直接刷脸就可以进入大楼。新型的生物识别代替了传统的识别方式。人脸识别任务,分为二部分,人脸特征提取与人脸验证,现有的人脸视频布控主要利用城市中已有的监控摄像机采集人脸图像,因此很容易受到光照、姿态、遮挡、外表附属物以及图像采集设备的影响。
如图1所示,本实施例公开了一种基于深度学习的智能人脸识别方法及系统,包括:步骤S1,获取本地成员人脸图像建立本地人脸数据库;
步骤S2,基于所述深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;
步骤S3,基于所述深度学习模型对待检测人员进行人脸检测及特征提取;
步骤S4,基于两次特征信息及人脸检测结果确定人脸识别结果。
可以理解的是,上述实施例中,通过深度学习模型进行人脸检测及特征提取,提高分析精度;基于两次特征信息及人脸检测结果确定人脸识别结果,提高人脸识别技术的识别率以及安全性能。
如图2所示,在一些具体实施例中,在步骤S3中,基于所述深度学习模型对待检测人员进行人脸检测及特征提取,包括:
步骤S31,确认当前环境是否符合人脸检测环境;
步骤S32,基于判断结果,确定人脸识别的方法。
如图3所示,具体的,在步骤S32中,所述基于判断结果,确定人脸识别的方法,包括:
步骤S321,当判断结果为适合采用待识别目标的彩色图像进行人脸识别时,采用所述待识别目标的彩色图像和所述待识别目标的三维图像进行人脸识别;
步骤S322,若判断结果为不适合采用待识别目标的彩色图像进行人脸识别时,采用所述待识别目标的红外图像和所述待识别目标的三维图像进行人脸识别。
可以理解的是,上述实施例中,通过传感器等光强感应单元对环境光的光强进行感应,以判断待识别目标的彩色图像是否进行人脸识别,具有缺陷型,容易受到光强变化的影响,造成人脸识别准确性不高;采用图像亮度对彩色图像进行亮度分析,能够更为准确的检测彩色图像的亮度情况,在逆光等环境情况下,不只是考虑环境光的光强,也考虑彩色图像中的实际光强情况,例如,逆光情况下,环境光强强但彩色图像光强弱,更为准确的确定该彩色图像是否适合于进行人脸识别。所以不同的环境下采用不同的人脸识别方法,以提高人脸检测精度。
在一些具体实施例中,所述特征信息包括:眼角位置信息、眉毛位置信息、嘴角位置信息、鼻子位置信息、耳朵位置和瞳孔信息;
所述深度学习模型的建立包括:定义输入层和输出层,选取眼角位置信息、眉毛位置信息、嘴角位置信息、鼻子位置信息、耳朵位置和瞳孔信息作为输入变量,输入维数m=6;以个人信息作为输出变量,输出维数n=1;
选择隐层数和隐层单元数,采用单隐层,并根据穷举法确定隐层节点数为7。
可以理解的是,上述实施例中,通过构建深度学习模型,高速寻找优化解,提高检测效率及准确率。
如图4所示,在一些具体实施例中,在步骤S4中,基于两次特征信息及人脸检测结果确定人脸识别结果,包括:
步骤S41,确定所述待检测人员的人脸,即样本A;
步骤S42,获取本地人脸数据库中相似的人脸,即样本B;
步骤S43,将样本A和样本B进行相同的编码,并嵌入一个高维的向量空间;
步骤S44,使用损失函数softmax loss对两个样本嵌入向量的拼接做二分类训练,输出两个样本之间的相似度;
步骤S45,当所述相似度超过预设阈值时,确认为同一人的人脸。
可以理解的是,上述实施例中,当相似度超过预设阈值时,确认为同一人的人脸,通过对比相似度提高人脸检测准确率。
通过用孪生网络(Siamese Network)进行分析,进一步的提高人脸检测精度。
如图5所示,在一些具体实施例中,当所述待检测人员佩戴口罩时,样本B可能为多个;
步骤S041,当样本B为多个时,将样本A与不同的样本B进行分组,及每组为样本A与样本Bi,i为样本B的个数;
步骤S042,计算不同分组中两个样本之间的相似度;
步骤S043,确认所述相似度超过预设阈值的分组是否唯一,若是,所述相似度超过预设阈值的分组中的样本A与样本B为同一人的人脸;
步骤S044,若否,则提醒待所述检测人员进行活体检测,确认待检测人员的人脸识别结果。
可以理解的是,上述实施例中,待检测人员佩戴口罩的会影响检测精度,本地人脸数据库中可能会出现多个检测结果,此时需要进一步的进行活体检测,即系统通过提示用户完成一些动作来判断用户是否为活体(比如眨眼,摇头)。
在一些具体实施例中,还包括:对本地人脸数据库进行人群分类,所述分类包括普通群体、高危群体、特殊人员群体。
当检测到所述待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门。
可以理解的是,上述实施例中,当检测到待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门,等待不同的信息部门进行反馈,需要说明的时,提醒信息为私发,并不能将提醒信息发送给待检测人员,避免造成社会混乱。
在一些具体实施例中,当检测距离不满足检测要求时,发出提醒消息,提醒所述待检测人员进入检测范围内进行人脸检测。
为实现上述目的,本发明还提供了一种基于深度学习的智能人脸识别系统,包括:
人脸输入单元,用于获取待检测人员的人脸特征信息;
人脸分析单元,所述人脸分析单元包括多个信息处理部;所述人脸分析单元用于获取本地成员人脸图像建立本地人脸数据库;基于所述深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;基于所述深度学习模型对待检测人员进行人脸检测及特征提取;基于两次特征信息及人脸检测结果确定人脸识别结果;
输出单元,用于输出人脸识别结果;
通知单元,用于当检测到所述待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门。
可以理解的是,上述实施例中,通过智能人脸识别系统提高人脸识别技术的识别率以及安全性能。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
领域普通技术人员可以理解:以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的智能人脸识别方法,其特征在于,包括:
获取本地成员人脸图像建立本地人脸数据库;
基于深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;
基于所述深度学习模型对待检测人员进行人脸检测及特征提取;
基于两次特征信息及人脸检测结果确定人脸识别结果。
2.根据权利要求1所述的基于深度学习的智能人脸识别方法,其特征在于,还包括:对本地人脸数据库进行人群分类,所述分类包括普通群体、高危群体、特殊人员群体。
3.根据权利要求1所述的基于深度学习的智能人脸识别方法,其特征在于,对待检测人员进行人脸检测和特征提取时,包括:
确认当前环境是否符合人脸检测环境;
基于判断结果,确定人脸识别的方法。
4.根据权利要求3所述的基于深度学习的智能人脸识别方法,其特征在于,所述基于判断结果,确定人脸识别的方法,包括:
当判断结果为适合采用待识别目标的彩色图像进行人脸识别时,采用所述待识别目标的彩色图像和所述待识别目标的三维图像进行人脸识别;
若判断结果为不适合采用待识别目标的彩色图像进行人脸识别时,采用所述待识别目标的红外图像和所述待识别目标的三维图像进行人脸识别。
5.根据权利要求1所述的基于深度学习的智能人脸识别方法,其特征在于,所述特征信息包括:眼角位置信息、眉毛位置信息、嘴角位置信息、鼻子位置信息、耳朵位置和瞳孔信息;
所述深度学习模型的建立包括:定义输入层和输出层,选取眼角位置信息、眉毛位置信息、嘴角位置信息、鼻子位置信息、耳朵位置和瞳孔信息作为输入变量,输入维数m=6;以个人信息作为输出变量,输出维数n=1;
选择隐层数和隐层单元数,采用单隐层,并根据穷举法确定隐层节点数为7。
6.根据权利要求1所述的基于深度学习的智能人脸识别方法,其特征在于,基于两次特征信息及人脸检测结果确定人脸识别结果,包括:
确定所述待检测人员的人脸,即样本A;
获取本地人脸数据库中相似的人脸,即样本B;
将样本A和样本B进行相同的编码,并嵌入一个高维的向量空间;
使用损失函数softmax loss对两个样本嵌入向量的拼接做二分类训练,输出两个样本之间的相似度;
当所述相似度超过预设阈值时,确认为同一人的人脸。
7.根据权利要求6所述的基于深度学习的智能人脸识别方法,其特征在于,当所述待检测人员佩戴口罩时,样本B可能为多个;
当样本B为多个时,将样本A与不同的样本B进行分组,即每组为样本A与样本Bi,i为样本B的个数;
计算不同分组中两个样本之间的相似度;
确认所述相似度超过预设阈值的分组是否唯一,若是,所述相似度超过预设阈值的分组中的样本A与样本B为同一人的人脸;
若否,则提醒待所述检测人员进行活体检测,确认待检测人员的人脸识别结果。
8.根据权利要求7所述的基于深度学习的智能人脸识别方法,其特征在于,当检测到所述待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门。
9.根据权利要求1所述的基于深度学习的智能人脸识别方法,其特征在于,当检测距离不满足检测要求时,发出提醒消息,提醒所述待检测人员进入检测范围内进行人脸检测。
10.一种基于深度学习的智能人脸识别系统,其特征在于,包括:
人脸输入单元,用于获取待检测人员的人脸特征信息;
人脸分析单元,所述人脸分析单元包括多个信息处理部;所述人脸分析单元用于获取本地成员人脸图像建立本地人脸数据库;基于深度学习模型对本地人脸数据库的人脸图像进行人脸检测及特征提取;基于所述深度学习模型对待检测人员进行人脸检测及特征提取;基于两次特征信息及人脸检测结果确定人脸识别结果;
输出单元,用于输出人脸识别结果;
通知单元,用于当检测到所述待检测人员为高危群体、特殊人员群体时,发送不同的提醒信息给不同的信息部门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598063.2A CN115631528A (zh) | 2022-12-14 | 2022-12-14 | 一种基于深度学习的智能人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598063.2A CN115631528A (zh) | 2022-12-14 | 2022-12-14 | 一种基于深度学习的智能人脸识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631528A true CN115631528A (zh) | 2023-01-20 |
Family
ID=84910077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211598063.2A Pending CN115631528A (zh) | 2022-12-14 | 2022-12-14 | 一种基于深度学习的智能人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631528A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229377A (zh) * | 2023-05-06 | 2023-06-06 | 成都三合力通科技有限公司 | 一种人员管控报警系统及方法 |
-
2022
- 2022-12-14 CN CN202211598063.2A patent/CN115631528A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229377A (zh) * | 2023-05-06 | 2023-06-06 | 成都三合力通科技有限公司 | 一种人员管控报警系统及方法 |
CN116229377B (zh) * | 2023-05-06 | 2023-08-04 | 成都三合力通科技有限公司 | 一种人员管控报警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458101B (zh) | 基于视频与设备结合的服刑人员体征监测方法及设备 | |
US10963681B2 (en) | Face concealment detection | |
Cardinaux et al. | Video based technology for ambient assisted living: A review of the literature | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
Zhou et al. | Activity analysis, summarization, and visualization for indoor human activity monitoring | |
CN109598242B (zh) | 一种活体检测方法 | |
Gowsikhaa et al. | Suspicious Human Activity Detection from Surveillance Videos. | |
CN109887234B (zh) | 一种防儿童走失方法、装置、电子设备及存储介质 | |
CN111540105A (zh) | 一种控制门禁的方法、系统、设备及存储介质 | |
CN109902780A (zh) | 基于多模态人脸识别的人证合一核验终端和系统及方法 | |
CN101763671A (zh) | 通过使用摄像机来监控人的系统 | |
CN111507592B (zh) | 一种面向服刑人员的主动改造行为的评估方法 | |
CN109190475A (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN110717389A (zh) | 基于生成对抗和长短期记忆网络的驾驶员疲劳检测方法 | |
Planinc et al. | Robust fall detection by combining 3D data and fuzzy logic | |
RU2315352C2 (ru) | Способ и система для автоматического обнаружения трехмерных образов | |
CN115631528A (zh) | 一种基于深度学习的智能人脸识别方法及系统 | |
CN111079694A (zh) | 一种柜面助手履职监控装置和方法 | |
CN111862413A (zh) | 实现抗疫情非接触多维身份快速识别的方法及其系统 | |
CN109063643A (zh) | 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法 | |
CN112132048A (zh) | 一种基于计算机视觉的社区巡更分析方法及系统 | |
Amaro et al. | Evaluation of machine learning techniques for face detection and recognition | |
Lu et al. | Visual guided deep learning scheme for fall detection | |
Kumar et al. | Robotic Attendance Scheme in the Classroom Using Artificial Intelligence and Internet of Things | |
CN113080855B (zh) | 一种基于深度信息的面部疼痛表情识别方法及系统 |
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 |