CN117665807A - 基于毫米波多人零样本的人脸识别方法 - Google Patents
基于毫米波多人零样本的人脸识别方法 Download PDFInfo
- Publication number
- CN117665807A CN117665807A CN202311636645.XA CN202311636645A CN117665807A CN 117665807 A CN117665807 A CN 117665807A CN 202311636645 A CN202311636645 A CN 202311636645A CN 117665807 A CN117665807 A CN 117665807A
- Authority
- CN
- China
- Prior art keywords
- face
- millimeter wave
- point cloud
- neural network
- data
- 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 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008447 perception Effects 0.000 claims abstract description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于毫米波多人零样本的人脸识别方法,在离线阶段通过构造包括可变形卷积分支和注意力感知分支的神经网络,并以点集配准算法(CPD)处理后的聚类点云数据作为训练集对神经网络进行训练;并在在先阶段采用训练后的神经网络进行实时人脸识别。本发明利用毫米波技术,具有零样本学习能力,可以用于机场安检、公共交通、金融机构等多个领域,提高安全性和便捷性。
Description
技术领域
本发明涉及的是一种人脸识别领域的技术,具体是一种基于毫米波多人零样本的人脸识别方法。
背景技术
基于毫米波雷达的人脸识别技术受限于有限天线数量、低分辨率、稀疏点云和环境干扰。多人情境下的面部分割、毫米波信号的敏感性和大数据集对模型训练的重要性,构成技术上的挑战。在小型数据集上训练的模型难以完整捕捉人脸特征,使其在面对新的人脸类别时面临巨大挑战。克服这些问题需要综合硬件和算法创新。现有基于毫米波4D雷达的人脸识别技术无法解决因为距离、角度和环境变化而导致误差问题、无法提取更加精细的面部语义特征的同时,无法做到隐私保护、无法解决零样本的开放集识别问题。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于毫米波多人零样本的人脸识别方法,利用毫米波技术,具有零样本学习能力,可以用于机场安检、公共交通、金融机构等多个领域,提高安全性和便捷性。
本发明是通过以下技术方案实现的:
本发明涉及一种基于毫米波多人零样本的人脸识别方法,在离线阶段通过构造包括可变形卷积分支和注意力感知分支的神经网络,并以点集配准算法(CPD)处理后的聚类点云数据作为训练集对神经网络进行训练;并在在先阶段采用训练后的神经网络进行实时人脸识别。
本发明涉及一种实现上述方法的系统,包括:信号预处理单元、数据后处理单元、模型构建单元、特征提取单元和用户认证单元,其中:信号预处理单元根据毫米波雷达采集到的信号进行三次FFT处理,得到原始数据立方体;数据后处理单元根原始数据立方体,进行多人人脸分割和人脸对齐,得到处理后的点云数据;模型构建单元根据点云数据和对应的label构建神经网络模型;特征提取单元在实时监测阶段将处理后的点云数据输入构建得到的神经网络模型中,得到对应的特征向量;用户认证单元在认证阶段根据特征向量与已注册用户对应特征向量进行比对,确定该用户是已注册用户还是非注册用户。
技术效果
与现有技术相比,本发明使用稀疏点云数据来获取空间信息,从而可以用于人脸分割和人脸对齐等任务。稀疏点云数据的使用还带来计算速度的提升,因为处理稀疏数据通常更加高效。本发明仅使用根据FMCW波本身的性质设计的自适应带通滤波器完成对数据的降噪,这意味着在数据预处理过程中不需要额外的复杂降噪方法,从而简化处理流程。本发明在特征提取方面充分利用点云数据的2.5D分层信息和球坐标系下的三维空间信息。球坐标系下的点云数据隐含一种注意力机制,更加注重雷达探测范围内的信息,这更符合雷达硬件的特性,可以提高检测和识别的准确性。
附图说明
图1为本发明流程图;
图2为基于模板的人脸对齐算法示意图;
图3为主干神经网络示意图;其中a为主干神经网络,b为可变形卷积残差块设计详情,c为注意力残差模块设计详情;
图4为模型构建系统流程图;
图5为模型训练拟合曲线示意图;
图6为实施例中整体用户认证ACC、FAR和FRR;
图7为实施例中不同主干网络类型性能对比示意图;
图8为实施例中不同开放度下与基线方法对比的开放集识别精度示意图;
图9为实施例中不同环境下认证精确度示意图;
图10为实施例中不同径向距离下认证精确度示意图;
图11为实施例中不同角度下认证精确度示意图;
具体实施方式
如图1所示,为本实施例涉及一种基于毫米波多人零样本的人脸识别方法,包括:
步骤1)原始雷达信号预处理,具体包括:
1.1)对采集到的原始数据立方体,采用恒定虚警率算法(CFAR)通过动态确定采样阈值进行过滤,获得稀疏数据,即每个点的位置(r,φ,θ)以及物理位置信息组成的点云。
1.2)对稀疏数据采用基于密度的DBSCAN算法进行多人人脸的分割:设置DBSCAN算法初始参数半径(ε,epsilon)为毫米波雷达的距离分辨率,最小点数(MinPts)为5。运行DBSCAN算法,得到多个人脸对应的聚类点云数据。
1.3)对获得的聚类点云数据采用统计离群值去除滤波器处理以去除异常点:计算每个人脸质心坐标u=(ux,uy,uz),得到每个人脸质心距离雷达的相对距离/>后,使用自适应的带通滤波器仅保留在频率在/>之间的信号,其中:Δd为阈值。
1.4)如图2所示,对聚类点云数据采用基于模板的人脸对齐算法,采集到人脸点云数据X和模板人脸点云数据Y作为点集配准算法(CPD)算法输入,经过若干轮的迭代得到X到Y的空间刚性变换参数,即旋转矩阵R、平移相连参数t和缩放比例参数s,再将空间刚性变换参数作用于人脸点云数据Y,得到对齐后的人脸点云数据Y’。
1.5)将原始雷达数据转化为主干神经网络的输入矩阵,转化公式为:C'=B-1(sB(C)RT+1tT)。其中B为球坐标系到笛卡尔坐标系的坐标变换,B-1为笛卡尔坐标系到球坐标系的坐标变换,C为原始数据立方体,C'为处理后的雷达数据,R、t、s分别为上个步骤得到的空间刚性变换参数。
步骤2)构造如图3所示的主干网络,该主干网络为伪孪生骨干网络(pseudo-siamese backbone),包括:由可变形三维卷积残差块(D3C)构成的可变形卷积分支、由分层注意力残差块(APM)构成的注意力感知分支和若干全连接层,其中:雷达输入矩阵X分别经过可变形卷积分支特征提取得到人脸三维特征向量x1,经过注意力感知分支得到人脸层次化二维特征向量x2;经全连接层分别将特征x1和特征x2进行自学习特征融合得到输出特征向量x。
所述的可变形三维卷积残差块中的卷积核,通过可学习的ΔH,ΔW,ΔD三个偏移量,分别沿高度、宽度和深度三个方向移动其采样点,具体为: 其中:p0是输出特征图y上的某个位置,pn表示使用3D卷积核采样的点,Δpn表示ΔH,ΔW,ΔD中第n个值对应的偏移,N=27是采样卷积核的大小。
所述的分层注意力残差块将输入特征图依次与一维通道注意力图和二维空间注意力图逐元素相乘,得到输出特征图,具体为:输出特征图其中:x为输入特征图,Mc为一维通道注意力图,Ms为二维空间注意力图,/>表示逐元素相乘。在矩阵逐元素相乘的过程中,如果矩阵的维度不匹配,则遵循广播原则。
步骤3)如图4所示,主干网络的输出特征向量x通过多分类器和Guardian Loss损失函数以进一步增强特征向量开放集识别能力,具体包括:
3.1)多分类器通过Arcmax函数计算得到各个类别的后验概率,具体为: 其中:pi代表类别i的输出后验概率,x是经过主干神经网络提取的特征向量,Wi和bi是与类别i相关的最后一个全连接层的权重和偏差;/>可以变形为||Wi||||x||cos(θi),其中θi可以看做为Wi和x之间的角度。
本实施例中偏差b为0。
本实施例对Wi和x进行归一化后每个类别的后验概率仅取决于θi,参数m表示当前类别和其他类别之间的边界,即θi+m。
3.2)计算Guardian Loss损失函数:其中:/>代表cross-entropy损失函数;第一项对应于优化增强输出以匹配ground truthlabel,并保持闭集分类器中的性能;第二项中虚拟分类器/>意味着去除ground truth label对应的后验概率值,即将/>设置为0。然后将上述的后验概率与类别C+1进行匹配,迫使虚拟分类器输出第二大的概率。
通过Guardian Loss损失函数学习正确地分类已知实例并训练虚拟分类器以置于目标和非目标类别之间。损失是用所有训练数据计算的,不需要新的类实例。
所述的虚拟分类器和和闭集分类器W是共享嵌入层φ(·),并且仅创建额外的线性层/>然后这些增强后后的logit通过ArcMax层产生后验概率。
的。(x),(x)\\经过具体实验,在毫米波开发板上构建一个的毫米波雷达系统作为的毫米波收发平台。为捕获和分析毫米波雷达系统返回的数据,采用DCA 1000EVM采样器。这一设备的主要作用是将雷达系统接收到的回波数据进行精密采样和数字化处理,以便进行后续的信号处理和分析。通过将DCA 1000EVM采样器与IWR1443-BOOST毫米波开发板相结合,构建一个高效的数据前端系统,确保毫米波雷达系统的可靠性和性能。雷达配备有三个发射天线和四个接收天线。配置雷达定期发送毫米波频率调制信号,线性频率范围从77kHz到81kHz。雷达以每秒50帧的速率运行,每帧包含128个调制信号,每个调制信号包含256个采样点。
在本次实验中一共招募16名志愿者(男8名,女6名)。为评估在不同条件下的性能,随机选择其中12名成员,分别在不同径向距离下、不同姿势、不同用户人数和不同的环境背景下进行数据采集。其中整个实验场景覆盖范围为1*1。在四种不同的环境进行实验,即走廊、实验室、操场和人行道。在实验过程中在距离一次数据采集整体用户人数不超过3人,志愿者可以在距离雷达不同距离的地方任意的姿势。从每个志愿者那里收集5000帧雷达数据,其中4500帧用于训练模型,其余500帧用于测试验证。训练和测试的数据在单独的会话中收集。剩余三名志愿者,在相同的采集场景,每个志愿者采集5000帧雷达数据。这三名志愿者收集的所有数据仅作为开放集识别中未知用户测试数据,不会出现在模型训练中。
本次训练使用带有Intel Corei9-12900 K和NVIDIA GeForce RTX 3090的台式机作为神经网络训练设备。训练参数分别为learning_rate=0.05,epoch=10,batch_size=512。训练拟合过程如图5所示。最终训练结果为loss=0.013,训练集平均精确度train_acc=0.996,测试平均集精确度test_acc=0.924。
实验结果分析包括如下:整体结果分析、主干网络性能分析、开放度分析、现有方法比较、环境影响、距离影响和角度影响
整体结果分析:首先在12个已知用户(表示为U1,U2,...,U12)和6个未知用户(表示为UU)上的整体认证性能进行评估。图6展示每个用户的认证准确率(ACC),合法用户的未授权用户被接受为合法用户的概率(FAR),以及合法用户被拒绝为未授权用户的概率(FRR)。可以看到,所有合法用户的认证准确率都高于90%,单个用户的最高认证准确率为95.5%。单个用户的最高和最低认证准确率之间的差距为5.4个百分点,显示对不同用户的稳健性。此外,每个合法用户的FRR始终低于5%,所有合法用户的平均FRR为1.6%。这低的FRR表明OpenFace保持拒绝合法用户的概率较低,确保积极的用户体验。此外,未经授权用户的FAR为1.8%,进一步说明本方法对于错误接受未经授权用户的倾向较低。
主干网络性能分析:比较集成模块后网络和基线网络的认证精确度。其中Plain代表基线神经网络Resnet-18,AMP和D3C代表替换残差块为APM或者D3C后的Resnet-18,APM&D3C代表同时使用APM和D3C的伪孪生神经网络。从图7中可以看出,使用APM和D3C都提高识别ACC和FRR。这表明APM和D3C两个模块,都增加神经网络的特征提取能力。
开放度分析:作为代表开放集任务的复杂性的度量指标,开放度(Openness)定义为:其中:Ntrain是训练期间看到的已知类别的数量,Ntest是测试期间未知类别的数量。利用之前提到得实验设备,在之前采集到的数据基础上再次采集36名未知用户相关数据。这样已知类别的数量为12,未知类别的数量从12到36不等,这意味着开放度从29%到49%不等。实验结果如图8所示。其中Softmax代表传统闭集分类器,ArcMax代表前一个基础上仅修改分类器为Arcmax,Dummy代表同时使用Arxmax和Dummy Loss。参数C对应于虚拟分类器单元的个数。从图中可以看出使用Arcmax和Arcmax、Dummy Loss都提高神经网络的开放集识别能力。此外学习多个虚拟分类器单元比学习一个虚拟分类器单元更能提高性能,这表明虚拟分类器的多样性很重要。随着开放度的增加,任务变得更加复杂,所有方法的趋势都在下降。其中使用传统闭集分类器时,性能迅速下降。但是采用Arcmax和虚拟分类器单元的趋势更加平稳。因此Arxmax和虚拟分类器自适应学习未知类实例的边界阈值,并且能较好的适应未知类空间的分布变化。
现有方法比较:实验结果如下表所示,对在已知类识别和未知类识别明显优于基线方法Softmax和已知其他现有方法OpenMax和CROSR。
表1已知类识别和未知类识别精确度与现有方法比较
环境影响:验证本方法对环境变化的鲁棒性。实验在四种环境中进行,即走廊(静态且嘈杂)、实验室(静态且安静)、操场(动态且中等噪音)和人行道(动态且显著噪音)。用户在单个环境中注册,系统的性能在所有实验环境中进行评估。如图9所示,本方法在四种身份验证环境中的平均身份验证准确率分别为95.2%、94.3%、91.6%和91.0%。室内环境(实验室和走廊)中的认证准确性略高于室外环境(建筑物入口和人行道)。这是由于室外环境的复杂性更高,其中行人或车辆等的存在会对毫米波信号的传播产生影响。此外,当用户在同一环境中注册和认证时,本方法的平均认证准确率超过95%。当在不同的环境下进行注册和认证时,本方法仍然保持90%以上的平均认证准确率。作为示例,对于在走廊环境中注册的用户,四种认证环境中的认证准确率分别为96.4%、96.9%、91.6%和91.8%。这些结果归因于信号预处理中环境无关的采用,其有效地从毫米波信号中去除环境杂波。
距离影响:为研究目标用户与毫米波雷达距离的影响,评估不同距离(用户与雷达之间的距离为0.3到1米)的认证性能。结果如图10所示。可以观察到,本方法在0.3到1.0米的范围内提供令人满意的认证精度,这满足大多数真实场景的要求,例如建筑物入口和走廊。在大约0.6米左右的距离处实现最佳性能,认证准确率为93.4%。当用户距离雷达小于0.4米时,雷达的视野无法覆盖整个人脸,导致人脸特征提取不完整,对用户认证产生不利影响。相反,当用户距离雷达超过0.7米时,距离的增加会导致雷达捕捉到不太详细的信息,从而导致人脸特征模糊。捕获数据质量的这种下降也会对身份验证性能产生负面影响。
角度影响:进行一个实验,从0度(直接面向雷达)开始,志愿者需要向左转(表示为负度)和右转(表示为正度),增量为15度,最多为60度,并在每个方向上评估系统性能。图11示出不同方向上的认证精度。当用户的角度在±30度范围内时,认证准确率超过90%。随着角度的增加,能检测到的人脸有效区域逐渐减少,认证精度降低,从而阻碍特征提取。
综上,本发明通过基于FMCW性质的自适应带通滤波器来滤除环境中无关的杂波;采用基于模板的人脸对齐算法,使得采集到的人脸数据处于相同的距离和角度下,对齐后的人脸更容易进行特征提取和匹配;本发明通过可变形三维卷积模块(D3D)用于提取球坐标系下的人脸精细三维空间特征,提出一种分层分层注意力残差块(APM)用于提取人脸平面空间特征;本发明通过基于角度间隔的分类器ArcMax代替传统分类器SoftMax解决于毫米波的人脸识别经常面临由于设备的不同、距离远近、姿势、年龄引起的类内差异大和类间差异小和整体特征分布在空间中非常弥散的问题,通过预留分类占位符GuardianLoss损失函数来解决零样本开放集识别问题,以在没有预先存储的人脸数据的情况下进行人脸识别。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (7)
1.一种基于毫米波多人零样本的人脸识别方法,其特征在于,在离线阶段通过构造包括可变形卷积分支和注意力感知分支的神经网络,并以点集配准算法处理后的聚类点云数据作为训练集对神经网络进行训练;并在在先阶段采用训练后的神经网络进行实时人脸识别。
2.根据权利要求1所述的基于毫米波多人零样本的人脸识别方法,其特征是,所述的训练集,通过以下方式得到:
1.1)对采集到的原始数据立方体,采用恒定虚警率算法通过动态确定采样阈值进行过滤,获得稀疏数据,即每个点的位置(r,φ,θ)以及物理位置信息组成的点云;
1.2)对稀疏数据采用基于密度的DBSCAN算法进行多人人脸的分割:设置DBSCAN算法初始参数半径(ε,epsilon)为毫米波雷达的距离分辨率;运行DBSCAN算法,得到多个人脸对应的聚类点云数据;
1.3)对获得的聚类点云数据采用统计离群值去除滤波器处理以去除异常点:计算每个人脸质心坐标得到每个人脸质心距离雷达的相对距离/>后,使用自适应的带通滤波器仅保留在频率在之间的信号,其中:Δd为阈值;
1.4)对聚类点云数据采用基于模板的人脸对齐算法,采集到人脸点云数据X和模板人脸点云数据Y作为点集配准算法算法输入,经过若干轮的迭代得到X到Y的空间刚性变换参数,即旋转矩阵R、平移相连参数t和缩放比例参数s,再将空间刚性变换参数作用于人脸点云数据Y,得到对齐后的人脸点云数据Y’;
1.5)将原始雷达数据转化为主干神经网络的输入矩阵,转化公式为:C'=B-1(sB(C)RT+1tT);其中B为球坐标系到笛卡尔坐标系的坐标变换,B-1为笛卡尔坐标系到球坐标系的坐标变换,C为原始数据立方体,C'为处理后的雷达数据,R、t、s分别为上个步骤得到的空间刚性变换参数。
3.根据权利要求1所述的基于毫米波多人零样本的人脸识别方法,其特征是,所述的神经网络为伪孪生骨干网络,包括:由可变形三维卷积残差块构成的可变形卷积分支、由分层注意力残差块构成的注意力感知分支和若干全连接层,其中:雷达输入矩阵X分别经过可变形卷积分支特征提取得到人脸三维特征向量x1,经过注意力感知分支得到人脸层次化二维特征向量x2;经全连接层分别将特征x1和特征x2进行自学习特征融合得到输出特征向量x。
4.根据权利要求3所述的基于毫米波多人零样本的人脸识别方法,其特征是,所述的可变形三维卷积残差块中的卷积核,通过可学习的ΔH,ΔW,ΔD三个偏移量,分别沿高度、宽度和深度三个方向移动其采样点,具体为:其中:p0是输出特征图y上的某个位置,pn表示使用3D卷积核采样的点,Δpn表示ΔH,ΔW,ΔD中第n个值对应的偏移,N是采样卷积核的大小。
5.根据权利要求3所述的基于毫米波多人零样本的人脸识别方法,其特征是,所述的分层注意力残差块将输入特征图依次与一维通道注意力图和二维空间注意力图逐元素相乘,得到输出特征图,具体为:输出特征图其中:/>x为输入特征图,Mc为一维通道注意力图,Ms为二维空间注意力图,/>表示逐元素相乘,在矩阵逐元素相乘的过程中,如果矩阵的维度不匹配,则遵循广播原则。
6.根据权利要求1所述的基于毫米波多人零样本的人脸识别方法,其特征是,所述的训练,是指:主干网络的输出特征向量x通过多分类器和Guardian Loss损失函数以进一步增强特征向量开放集识别能力,具体包括:
3.1)多分类器通过Arcmax函数计算得到各个类别的后验概率,具体为: 其中:pi代表类别i的输出后验概率,x是经过主干神经网络提取的特征向量,Wi和bi是与类别i相关的最后一个全连接层的权重和偏差;/>变形为||Wi||||x||cos(θi),其中θi看做为Wi和x之间的角度;
3.2)计算Guardian Loss损失函数:其中:/>代表cross-entropy损失函数;第一项对应于优化增强输出以匹配ground truthlabel,并保持闭集分类器中的性能;第二项中虚拟分类器/> 意味着去除ground truth label对应的后验概率值,即将/>设置为0;然后将上述的后验概率与类别C+1进行匹配,迫使虚拟分类器输出第二大的概率。
7.一种实现权利要求1-6中任一所述方法的基于毫米波多人零样本的人脸识别系统,包括:信号预处理单元、数据后处理单元、模型构建单元、特征提取单元和用户认证单元,其中:信号预处理单元根据毫米波雷达采集到的信号进行三次FFT处理,得到原始数据立方体;数据后处理单元根原始数据立方体,进行多人人脸分割和人脸对齐,得到处理后的点云数据;模型构建单元根据点云数据和对应的label构建神经网络模型;特征提取单元在实时监测阶段将处理后的点云数据输入构建得到的神经网络模型中,得到对应的特征向量;用户认证单元在认证阶段根据特征向量与已注册用户对应特征向量进行比对,确定该用户是已注册用户还是非注册用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311636645.XA CN117665807A (zh) | 2023-12-01 | 2023-12-01 | 基于毫米波多人零样本的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311636645.XA CN117665807A (zh) | 2023-12-01 | 2023-12-01 | 基于毫米波多人零样本的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117665807A true CN117665807A (zh) | 2024-03-08 |
Family
ID=90078308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311636645.XA Pending CN117665807A (zh) | 2023-12-01 | 2023-12-01 | 基于毫米波多人零样本的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117665807A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912086A (zh) * | 2024-03-19 | 2024-04-19 | 中国科学技术大学 | 基于撒切尔效应驱动的人脸识别方法、系统、设备及介质 |
CN117912086B (zh) * | 2024-03-19 | 2024-05-31 | 中国科学技术大学 | 基于撒切尔效应驱动的人脸识别方法、系统、设备及介质 |
-
2023
- 2023-12-01 CN CN202311636645.XA patent/CN117665807A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912086A (zh) * | 2024-03-19 | 2024-04-19 | 中国科学技术大学 | 基于撒切尔效应驱动的人脸识别方法、系统、设备及介质 |
CN117912086B (zh) * | 2024-03-19 | 2024-05-31 | 中国科学技术大学 | 基于撒切尔效应驱动的人脸识别方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
Dong et al. | SAR target recognition via joint sparse representation of monogenic signal | |
Molchanov et al. | Classification of small UAVs and birds by micro-Doppler signatures | |
Radman et al. | Fast and reliable iris segmentation algorithm | |
Tivive et al. | Classification of micro‐Doppler signatures of human motions using log‐Gabor filters | |
Malof et al. | A large-scale multi-institutional evaluation of advanced discrimination algorithms for buried threat detection in ground penetrating radar | |
Johnson et al. | AutoGAD: An improved ICA-based hyperspectral anomaly detection algorithm | |
Noreen et al. | Using pattern recognition with HOG to automatically detect reflection hyperbolas in ground penetrating radar data | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN108564040B (zh) | 一种基于深度卷积特征的指纹活性检测方法 | |
Ni et al. | Gait-based person identification and intruder detection using mm-wave sensing in multi-person scenario | |
Xia et al. | Person identification with millimeter-wave radar in realistic smart home scenarios | |
Ni et al. | Open-set human identification based on gait radar micro-Doppler signatures | |
CN110703221A (zh) | 基于极化特征的城市低空小目标分类识别系统 | |
Huynh-The et al. | Rf-uavnet: High-performance convolutional network for rf-based drone surveillance systems | |
Khan et al. | Texture representation through overlapped multi-oriented tri-scale local binary pattern | |
Shah et al. | Data portability for activities of daily living and fall detection in different environments using radar micro-doppler | |
Elmikaty et al. | Car detection in aerial images of dense urban areas | |
Aydın et al. | Development of a new light-weight convolutional neural network for acoustic-based amateur drone detection | |
Pham et al. | Convolutional neural network for people counting using UWB impulse radar | |
Rahulkar et al. | Fast discrete curvelet transform based anisotropic iris coding and recognition using k-out-of-n: A fused post-classifier | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
CN117665807A (zh) | 基于毫米波多人零样本的人脸识别方法 | |
CN115937977A (zh) | 一种基于多维特征融合的少样本人体动作识别方法 | |
CN114663916A (zh) | 一种基于深度抽象特征的热红外人体目标识别方法 |
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 |