CN116912904A - 基于cma-es算法的柜员机人脸识别优化加速方法和装置 - Google Patents
基于cma-es算法的柜员机人脸识别优化加速方法和装置 Download PDFInfo
- Publication number
- CN116912904A CN116912904A CN202310704563.8A CN202310704563A CN116912904A CN 116912904 A CN116912904 A CN 116912904A CN 202310704563 A CN202310704563 A CN 202310704563A CN 116912904 A CN116912904 A CN 116912904A
- Authority
- CN
- China
- Prior art keywords
- feature data
- facial feature
- cma
- teller machine
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 230000001133 acceleration Effects 0.000 title claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims abstract description 155
- 238000005070 sampling Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及柜员机人脸识别技术领域,提供一种基于CMA‑ES算法的柜员机人脸识别优化加速方法、装置、柜员机和存储介质,可以加速优化柜员机的人脸识别,可用在银行的ATM机上。本申请中,通过柜员机机载摄像头采集人脸图像;基于所述人脸图像,得到第一面部特征数据;基于所述第一面部特征数据,利用CMA‑ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
Description
技术领域
本申请涉及柜员机人脸识别技术领域,特别是涉及一种基于CMA-ES算法的柜员机人脸识别优化加速方法、装置、柜员机、存储介质和计算机程序产品。
背景技术
当前使用智能柜员机办理业务,有着大量需要使用人脸识别的场景,通过使用机上图像采集设备采集当前办理业务客户的面部信息,与数据库存储的面部特征信息作匹配。
但是,目前柜员机使用的人脸识别算法识别速度不高,需加速优化。
发明内容
基于此,有必要针对上述技术问题,提供一种基于CMA-ES算法的柜员机人脸识别优化加速方法、装置、柜员机、存储介质和计算机程序产品。
本申请提供一种基于CMA-ES算法的柜员机人脸识别优化加速方法,所述方法包括:
通过柜员机机载摄像头采集人脸图像;
基于所述人脸图像,得到第一面部特征数据;
基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
在一个实施例中,基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据,包括:
利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;
将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
在一个实施例中,所述参数包括均值、步长、协方差矩阵与演化路径。
在一个实施例中,基于所述人脸图像,得到第一面部特征数据,包括:
从所述人脸图像中获取区分度高于阈值的若干个特征点;
基于所述若干个特征点,得到第一面部特征数据。
在一个实施例中,基于所述若干个特征点,得到第一面部特征数据,包括:
将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
本申请提供一种基于CMA-ES算法的柜员机人脸识别优化加速装置,所述装置包括:
图像采集模块,用于通过柜员机机载摄像头采集人脸图像;
图像处理模块,用于基于所述人脸图像,得到第一面部特征数据;
性能计算模块,用于基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
比对模块,用于将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
本申请提供一种柜员机,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行上述方法。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述方法。
本申请提供一种计算机程序产品,其上存储有计算机程序,所述计算机程序被处理器执行上述方法。
上述基于CMA-ES算法的柜员机人脸识别优化加速方法、装置、柜员机、存储介质和计算机程序产品,通过柜员机机载摄像头采集人脸图像;基于所述人脸图像,得到第一面部特征数据;基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。本申请使用CMA-ES算法拟合面部特征数据,提高人脸识别效率。
附图说明
图1为一个实施例中基于CMA-ES算法的柜员机人脸识别优化加速方法的应用环境图;
图2为一个实施例中提取特征点的流程示意图;
图3为另一个实施例中基于CMA-ES算法的柜员机人脸识别优化加速方法的流程示意图;
图4为一个实施例中基于CMA-ES算法的柜员机人脸识别优化加速装置的结构框图;
图5为一个实施例中柜员机的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本申请提供的基于CMA-ES算法的柜员机人脸识别优化加速方法,包括图1示出的步骤:
步骤S101,通过柜员机机载摄像头采集人脸图像;
步骤S102,基于所述人脸图像,得到第一面部特征数据;
进一步地,基于所述人脸图像,得到第一面部特征数据,具体包括图2示出的步骤:步骤S201,从所述人脸图像中获取区分度高于阈值的若干个特征点;步骤S202,基于所述若干个特征点,得到第一面部特征数据。
更进一步地,基于所述若干个特征点,得到第一面部特征数据,具体包括:将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
步骤S103,基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
CMA-ES算法(Covariance Matrix Adaptation Evolution Strategy,协方差矩阵自适应演化策略)是一种优化算法,高度依赖数学计算达到迭代目标。该算法自身具有迭代快、演化方向明确的特点,在人脸识别本身上具有较好的性能表现。且该算法无需前期训练模型,将大幅降低该方法的实现、部署成本。
步骤S104,将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
上述实施例中,通过柜员机机载摄像头采集人脸图像;基于所述人脸图像,得到第一面部特征数据;基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别,使用CMA-ES算法拟合面部特征数据,提高人脸识别效率。
在一个实施例中,基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据,包括:利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
其中,所述参数包括均值、步长、协方差矩阵与演化路径。
图3示出CMA-ES算法迭代拟合的具体流程,具体地:在得到人脸图像后,可以从人脸图像中提取出若干个特征点,将特征点编码成一维数组,得到第一面部特征数据;接着,可以利用CMA-ES算法的采样单元对第一面部特征数据进行上采样,利用评价函数计算上采样结果与第一面部特征数据之间的差异,若差异未达条件,则继续上采样,在下一次上采样前,进行均值更新、步长与演化路径更新、协方差矩阵与演化路径更新,利用更新后的参数,进行下一次的上采样,得到下一次的上采样结果,并计算下一次上采样结果与第一面部特征数据之间的差异,若差异满足条件,则停止上采样,并将该次上采样结果作为第二面部特征数据。
上述实施例中,利用CMA-ES算法持续对第一面部特征数据进行上采样,并在上采样前进行相应参数的更新,得到更加拟合的第二面部特征数据。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于CMA-ES算法的柜员机人脸识别优化加速装置,包括:
图像采集模块401,用于通过柜员机机载摄像头采集人脸图像;
图像处理模块402,用于基于所述人脸图像,得到第一面部特征数据;
性能计算模块403,用于基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
比对模块404,用于将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
在一个实施例中,性能计算模块403,还用于利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
在一个实施例中,所述参数包括均值、步长、协方差矩阵与演化路径。
在一个实施例中,图像处理模块402,还用于从所述人脸图像中获取区分度高于阈值的若干个特征点;基于所述若干个特征点,得到第一面部特征数据。
在一个实施例中,图像处理模块402,还用于将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
关于基于CMA-ES算法的柜员机人脸识别优化加速装置的具体限定可以参见上文中对于基于CMA-ES算法的柜员机人脸识别优化加速方法的限定,在此不再赘述。上述基于CMA-ES算法的柜员机人脸识别优化加速装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于柜员机中的处理器中,也可以以软件形式存储于柜员机中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种柜员机,其内部结构图可以如图5所示。该柜员机包括通过系统总线连接的处理器、存储器和网络接口。其中,该柜员机的处理器用于提供计算和控制能力。该柜员机的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该柜员机的数据库用于存储基于CMA-ES算法的柜员机人脸识别优化加速数据。该柜员机的网络接口用于与外部的终端通过网络连接通信。该柜员机还包括输入输出接口,输入输出接口是处理器与外部设备之间交换信息的连接电路,它们通过总线与处理器相连,简称I/O接口。该计算机程序被处理器执行时以实现一种基于CMA-ES算法的柜员机人脸识别优化加速方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的柜员机的限定,具体的柜员机可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种柜员机,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如下步骤:
通过柜员机机载摄像头采集人脸图像;
基于所述人脸图像,得到第一面部特征数据;
基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:
利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;
将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
在一个实施例中,所述参数包括均值、步长、协方差矩阵与演化路径。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:从所述人脸图像中获取区分度高于阈值的若干个特征点;基于所述若干个特征点,得到第一面部特征数据。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如下步骤:
通过柜员机机载摄像头采集人脸图像;
基于所述人脸图像,得到第一面部特征数据;
基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:
利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;
将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
在一个实施例中,所述参数包括均值、步长、协方差矩阵与演化路径。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:从所述人脸图像中获取区分度高于阈值的若干个特征点;基于所述若干个特征点,得到第一面部特征数据。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
在一个实施例中,提供了一种计算机程序产品,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
通过柜员机机载摄像头采集人脸图像;
基于所述人脸图像,得到第一面部特征数据;
基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:
利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;
将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
在一个实施例中,所述参数包括均值、步长、协方差矩阵与演化路径。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:从所述人脸图像中获取区分度高于阈值的若干个特征点;基于所述若干个特征点,得到第一面部特征数据。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上的实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于CMA-ES算法的柜员机人脸识别优化加速方法,其特征在于,所述方法包括:
通过柜员机机载摄像头采集人脸图像;
基于所述人脸图像,得到第一面部特征数据;
基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
2.根据权利要求1所述的方法,其特征在于,基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据,包括:
利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;
将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
3.根据权利要求2所述的方法,其特征在于,所述参数包括均值、步长、协方差矩阵与演化路径。
4.根据权利要求1所述的方法,其特征在于,基于所述人脸图像,得到第一面部特征数据,包括:
从所述人脸图像中获取区分度高于阈值的若干个特征点;
基于所述若干个特征点,得到第一面部特征数据。
5.根据权利要求4所述的方法,其特征在于,基于所述若干个特征点,得到第一面部特征数据,包括:
将所述若干个特征点,编码为一维数组数据,得到第一面部特征数据。
6.一种基于CMA-ES算法的柜员机人脸识别优化加速装置,其特征在于,所述装置包括:
图像采集模块,用于通过柜员机机载摄像头采集人脸图像;
图像处理模块,用于基于所述人脸图像,得到第一面部特征数据;
性能计算模块,用于基于所述第一面部特征数据,利用CMA-ES算法进行迭代拟合,得到第二面部特征数据;所述第二面部特征数据的维度高于所述第一面部特征数据的维度;
比对模块,用于将迭代拟合得到的面部特征数据与数据库预存的面部特征数据比对,以完成柜员机人脸识别。
7.根据权利要求6所述的装置,其特征在于,所述性能计算模块,还用于:
利用CMA-ES算法的采样单元,对所述第一面部特征数据进行持续的上采样,直至上采样结果与所述第一面部特征数据之间的差异达到停止条件;其中,每次上采样前,对当次上采样所用的参数进行更新;
将差异达到停止条件时的上采样结果作为最拟合的面部特征数据,得到第二面部特征数据。
8.一种柜员机,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310704563.8A CN116912904A (zh) | 2023-06-14 | 2023-06-14 | 基于cma-es算法的柜员机人脸识别优化加速方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310704563.8A CN116912904A (zh) | 2023-06-14 | 2023-06-14 | 基于cma-es算法的柜员机人脸识别优化加速方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912904A true CN116912904A (zh) | 2023-10-20 |
Family
ID=88363765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310704563.8A Pending CN116912904A (zh) | 2023-06-14 | 2023-06-14 | 基于cma-es算法的柜员机人脸识别优化加速方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912904A (zh) |
-
2023
- 2023-06-14 CN CN202310704563.8A patent/CN116912904A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846355B (zh) | 图像处理方法、人脸识别方法、装置和计算机设备 | |
CN111738244B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN109492674B (zh) | 用于目标检测的ssd框架的生成方法及装置 | |
CN111488985B (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
CN110991311A (zh) | 一种基于密集连接深度网络的目标检测方法 | |
CN109710402A (zh) | 处理资源获取请求的方法、装置、计算机设备和存储介质 | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN114419570B (zh) | 一种点云数据识别方法、装置、电子设备及存储介质 | |
CN111104954A (zh) | 一种对象分类的方法与装置 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN111709415B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
CN113361567B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN115344805A (zh) | 素材审核方法、计算设备及存储介质 | |
US11410016B2 (en) | Selective performance of deterministic computations for neural networks | |
CN111666932A (zh) | 单据审核方法、装置、计算机设备及存储介质 | |
CN112257689A (zh) | 人脸识别模型的训练和识别方法、存储介质及相关设备 | |
CN116226681B (zh) | 一种文本相似性判定方法、装置、计算机设备和存储介质 | |
CN116912904A (zh) | 基于cma-es算法的柜员机人脸识别优化加速方法和装置 | |
CN115438054A (zh) | 基于专家统计特征的增量计算更新方法、电子设备、介质 | |
CN111368864A (zh) | 识别方法、可用性评估方法及装置、电子设备、存储介质 |
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 |