TW201013546A - Hierarchical face recognition training method and hierarchical face recognition method thereof - Google Patents
Hierarchical face recognition training method and hierarchical face recognition method thereof Download PDFInfo
- Publication number
- TW201013546A TW201013546A TW097136083A TW97136083A TW201013546A TW 201013546 A TW201013546 A TW 201013546A TW 097136083 A TW097136083 A TW 097136083A TW 97136083 A TW97136083 A TW 97136083A TW 201013546 A TW201013546 A TW 201013546A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- sub
- face
- training
- face recognition
- Prior art date
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Description
201013546 九、發明說明: 【發明所屬之技術領域】 種根據待測影像中的臉部 一種人臉辨識方法,特別有關於一 角度進行階層式的人臉辨識方法。 【先前技術】 人類臉部辨識系統在近幾年廣泛受到研究學 度重視,亦抑麟計算機裝置㈤如為數位相機、t人電界ΓΙ) 對於數位树的人臉觸上財優異的表現。但是心 的人臉辨識纽,待測影像中的人臉會㈣不
致計算機裝置對人臉判斷的錯誤。 用度向V 白知的人臉辨識流程可以區分成訓練與辨識兩個部分 知的人臉辨識的調練過程,係對所有訓練樣本中的臉 進行分類學f。舉例來說,假設臉部角度係幻度作為分_位 的話’那麼0度〜360度則被區分成360個分類區間。計算 曰對所有的雜樣本分獅進行每—個肢辨識訓練。、 除了角度辨識訓練的過程中會產生上述關題外,在進行臉 P角度的觸抵也會歧相應的關。承續上例,因為在訓練 的過程中係糊丨度作為分義區間。所以對於每—個辨識樣本 ,要^做次的臉部角度辨識,從36G次的分類結果:找出 最適田的結果。以M張辨識樣本對N個分類區間進行學習訓練/ 辨識而吕’每—次的角度的訓練/辨識的複雜度係為(M*N)。使得 201013546 這樣=作法會導致下列問題].需要耗費冗長的訓練時間;2.需耗 費的錢體空間。這樣—來,在臉部賴識過程巾就會耗費 許多時間在進行其他不需要的臉部角度麟,並浪 降 體空間與時間。 、 已憶 【發明内容】 鑒於以上的問題,本發_主要目的在於提供—種人、 ❺之階層式訓練方法,利用計算機裝置對複數個钏練樣本進_: 階層中的子影像偵測器之人臉特徵訓練。 為達域目的’本發騎赌之人_叙崎式訓 ^列步驟:__本。執行訓練手段,根據複數個^ 用以將訓練樣本細分至複數個子影像義,並對每 , 類別相應的子影像偵測器進行複數個人臉特徵之訓練。= 子影像類別執行訓練手段,藉以產生子影像類別 ^ ❿影像_,直至符合細分條件為止。 層之子 從本發明的另一觀點,本發明提出一種 子影像_器對待測影像進行階層式人臉辨識方法^用 機裝置對待測影像進行各子影像偵測器的人臉特徵辨識。十异 =上述目的,本發鴨揭露之—種利用上述訓練方 =偵測器對待測影像進行階層式人臉辨識方法包括=子 載入-待測影像。將同一層中的每一該 下步驟. 測影像進行該人臉辨識手段,用以取得每1二=該待 201013546 .,測影像之-相似度,再從該些子影像_时選料該相似度 取_該子影像制器。重複對所選出的該子影像_器對待測 ^=:r怖㈣制峨峨-層的該些 從本發明的另一觀點,本發明提出—種對待測影像的階層式 =^_物細細输㈣像偵測器 目的’本發糊露之職影像的階層式人臉辨 據触列步驟··取得複數個訓練樣本。執行訓練手段,根 個角度區間用以將訓練樣本細分至複數個子 ::::像_應的子影像細進行複數個人臉特徵之; 的次―:之:二:類:執行訓練手段’藉以產生子影像類別 人層之子衫像類別,直至符合細分條 、 執行人臉辨識手段,根據待測影像用以同=知像。 :影像偵測器。重複對所選出的子影物器==:的 如辨=將ί 繊後一層的子影像_為:。人 本發明將具有相近的臉部角度之辨識樣本 別的分類依據。再將各子影像_遞迴的建㈣肝衫像類 y使得根影像集合與子影像細 者,將待測影像與各個子影像類別中之相應的臉部角㈣2 201013546 歸類至與其相近的子影像類別中,再重複 直至待測影像被歸類到具有符合的臉部角 如此一來,就不需要重複的對每一個角 有關本發明的特徵與實 明如下。 ❹ 【實施方式】 發月ir、為種對待測影像的階層式人臉辨識方法,其利 處理a的電子裳置(例如,數位相機或個人電腦等)進行各子 與辨識兩個部分御=明的人臉辨識流程亦可分為訓練 的影像偵卿⑽Λ 輸物—峨式架構 ( teCt〇r),母—個影像偵測器根據不同的臉部角度 Ο 比對,使得待測影像被 遞迴的進行比對程序, 度之子影像類別中為止 度進行分類的動作。 作,茲配合圖示作最佳實施例詳細說 ^ A層的子測i'。並且分賴每-個影像侧器 進=臉辨識_練,㈣產生每—個子影像_器的人臉特徵。 17月參考「繁1 {S| ^ ^ 」不,其係分別為本發明人臉辨識之階層 11”.方法之運作流㈣。人臉辨識之階層式訓練方法包括下列 =…取侍複數個訓練樣本(步驟S110)。判斷訓練樣本的例 Z數量衫滿足職(步驟⑽)。若鱗樣本林包括有人臉 :則將樣樣本細分至例外類別(步驟S121),再完成步驟⑽ 後執行步驟S130。 lJ卜類別的數量超過閥值時,則執行訓練手段(步驟 201013546 S13〇) ’根據複數個角度區間用以將這些·樣本細分至不同的子 影像類別中,並對每一個子影德井 餘化料 別相應的子影像偵測器進行複 數個人祕叙訓練。接著,判斷崎樣本 _別(步驟S140)。若還有子影像⑽^于汾傢類 ^snn 、、j未!過訓練手段時,則重複步 ‘驟S13G直至元成所有子影像類別為止。 請參^度第區=的是场在影像中的與水平線的夹角角度區間。 ❹ ' &」所7^ ’其係為人臉旋轉方向示:S®。對於不同 ^臉鶴^奴對應的纽_。在本發财所指的人臉旋 施_==為域’再以主軸與水平線的夾角。在其他的實 ’二,部角度也可叹主軸與垂直線的夾角。除此之外, 人臉凝轉也可以是人朗轉麵度。請參考「㈣圖」所示,立 係為人臉轉頭方向示意圖。 /、 ^影像偵測器用以侧相應的子影像類別的人臉特徵。人臉 ❹^ ’_用„嶙樣本的整體人臉作為人臉特徵;也可以從訓練樣 本的人臉中選擇至少一眉毛、耳朵、眼睛、鼻子或嘴巴之相對位 :臉特级。細分條件由這些子影像類別之生成階層數量, 亦或疋鱗-相這好影細職量所妓。 成斤有子衫像類別的訓練手段後,即可產生呈 的子影像偵測器。請參考「第3圖」所示,其係為本發日^之 降層式人臉辨識架構示意圖。在「第3圖」最上方的係代表的是 所有丨東樣本的集合’在此將其稱之為根影像集合310。根影像集 201013546 剛⑽㈣子影像類別 中。根據細二=丨=1樣本=分至所屬的子影像類別320 測、、對子#像類別32G相應的子影像偵 類別320再—次^騎母一個生成的子影像 _ ' 生相應的子影像類別32〇〇 在完錢^场__後,g卩可 臉辨識方法。請參層式人 臉辨^ ^ 4 l所不’其縣本發_階層式人 …之運作流程圖。载入待測影像(步驟 辨識手段_卿用以比對同一層中 := Γ=败树,終層^_卿=2 L 一㈣边㈣之子影像偵測器。其中,子影像侧器係選擇 乂 一人臉特徵作為處理相似度之依據。若臉部辨識手段之處理 2不符合臨界條件時,以相似度最高的子影像制輯待測影 純订人臉_手段(步驟⑽)。若臉部_手段之處理結果符 奸顧料,制影像細細耕_巾(倾顯)。重 複對所選出的子影像制器對制影像執行人臉辨識手段,直至 待測影像完成最後-層的這些子影像_器為止(步驟s例。 為了能清楚解說本實施例係以樹的結構來解釋本發明人臉辨 識之階層式繼方法與辨識方法。請參考「第5圖」所示其係為 本實施例之階層示意圖。根影縣合的細岐細係以0 度到360纟。在此以生成三個子影像類別為例,影像集合31〇 201013546 根據三個紐㈣細分成三個子影像酬。三釘影像類別分別 為第一子影像類別510 '第二子影像_ 52〇與第三子影像類別 530 ’將這三個子影像_視為同—層的子影像類別。第—子影像 類別5K)的角度區間設定為〇度到12〇度;第二子影像類別, 的角度區間設定為121度到度;而第三子影像類別53〇的角 度區間設定為241度到360度。 錢’將臉部角度為0度到120度的訓練樣本分類至第一子 影像類別510中’根據這些訓練樣本進行第—子影像類別51〇的 子影像制器之人臉特徵訓練。其巾人臉特徵的訓練方法可以是 j一不限疋為支持向量機(supp〇rt彻恤腿址$谓)、類神經網路 或主軸元件分析方法等。同理,將臉部角度為⑵度到度的 訓練樣本分類至第二子影像類別520 _,並進行第二子影像類別 520的子影像偵測器之人臉特徵訓練。將臉部角度為241度到勤 藝度的訓練樣本分類至第三子影像類別53G中,並進行第三子影像 類別530的子影像偵測器之人臉特徵訓練。 接下來,以第一子影像類別510為例再進行步驟sl3〇,將第 子〜像類別51〇細分出三個子影像類別,其係分別為第四子影 像類別511帛五子影像類別512與第六子影像類別M3。第四子 影像類別511的角度區間設定為〇度到40度;第五子影像類別512 的角度區間設定為41度到80度;而第六子影像類別513的角度 °° 疋為81度到120度。將第四子影像類別511的訓練樣本依 11 201013546 據^臉角度,將其分類至對應的子影像類別中 各自的進行其子影像侧器的人臉特徵爾=像類別在 影像類別執行步㈣3。’直至符合細分條件為止每= 有的訓練樣本會逐—相產生不_子影像 ^ 猶如樹狀結構—樣。 1具組成關係 ❹ 參 r辨人臉賴之階層式崎方法所剌的結果進行人 1制職絲雜集細柯影_別進行相 似度“。同—相子影像制錄據人臉特徵進行待測 =算。特別的是,在進行相似度計算時子影像二 取心的人臉特徵作為相似度處理的依據。舉例來說,奸^ 像制4要進行1G項的人臉特徵的訓練,則會從這 = 取一部份的項蛾全部項规猶·她度計算。 、l ==測影像中的臉部角度係為75:,並將根影像集合 歧=編料㉟物人臉特徵相似 3二子影像類別510中具有根影像集合臉部角度為。 又Ji度的_樣本。因為待測影像中的臉部角度為乃度,所 =ΓΓ類別51G的子影像偵測器之相似度會高於其他子影 像類別。因而選擇第一子影像類別510作為進行下一次辨識的子 景嫌類別。接著,將娜像與第—子影像她的所有特徵進 盯人臉辨齡段。若人麟齡段之處雜料合邮條件時, 則將制影像細分至例外類別中。轉條件的設定係根據各項人 12 201013546 Z欲之差騎決I若是人臉辨識手段之處理絲*符合臨界 Μ時’則進行次—層子影像類別對待測影像的相似度計算。 同理’將待測影像與第一子影像類別训所生成的子影像類 (別為第四子衫像類別51卜第五子影像類別Η2與第六子影 J像類別513)進行相似度的比對。並第四子影像類別Μ卜第五子影 像類:512與第六子影像類別513中選出與待測影像相似度最高/ ❹;Μ像類W在本實施例中,與待測影像相似度最高的係為第 姓/像類別512。接著,將待測影像與第五子影像侧器的所有 二::人臉辨識手段。因為第五子影像類別512係為本實施例 、、層的子影像類別。所以可以判斷待測影像中係具有W度 到8〇度人臉的影像。若是要更為精準職出人臉角度,可以設定 更為多層的子影像類別。 7本發明係重複的選出次—層的子影像類別,並逐—的分層比 參播測办像與&些子影像類別的相似度。所以本發明不需對全部 2子影像_11雜輯_作。轉從所勒辭影像類财 遞迴的進仃分類,就可以避免對不相關的偵測角度進行分類。本 發明的複雜度係為log M *N,與習知分類的複雜度_)有 顧的降极。 本發明將具有減的臉部纽之觸樣本作為柯子影像類 崎,各子影像_遞_建立其賴的子影像類 別,使練雜集合與子鱗_的組顔伽彡成—雜結構。 13 201013546 複遞
,直至待測影像被歸類到具有符合的臉部角度 之·^像_中為止。如此—來除了可以利用較少的運算量以及 =憶體容#就可崎算出待測影射是否具有臉部區域。 定本=本她前述之較佳實施例揭露如上,然其並非用以限 内二可作Γ蝴相像技藝者’在不脫離本發明之精神和範圍 才__,㈣本购之專護範圍綱 本說軋所附之中請專利範圍所界定者為準。 【圖式簡單說明】
f 1圖係分顺本發明人臉觸之階層式繼方法之運 程圖。 ;IL 第2a圖係為人臉旋轉方向示意圖。 第2b ϋ係為人臉轉頭方向示意圖。 第圖心、為本發明之階層式人臉辨識架構示意圖。 第4圖係為本發明的階層式人臉辨識方法之運作流程圖。 弟5圖係為本實施例之階層示意圖。 【主要元件符號說明】 310 根影像集合 320 子影像類別 510 第—子影像類別 14 201013546 520 第二子影像類別 530 第三子影像類別 511 第四子影像類別 512 第五子影像類別 513 第六子影像類別
15
Claims (1)
- 201013546 十、申請專利範圍: 1· -種人臉辨識之階層式靖方法,細—計算機裝置對複數個 训練樣本進行每一階層中的子影像偵測器之人臉特徵训練,該 . 建立方法包括以下步驟: . 取得該些訓練樣本; 執行一訓練手段,根據複數個角度區間用以將該些訓 鲁 練樣本細分至複數個子影像類別,並對每一該子影像類別 相應的一子影像偵測器進行複數個人臉特徵之訓練;以及 重複對每一該子影像類別執行該訓練手段,藉以產生 该子影像類別的次一層之該些子影像類別,直至符合—細 分條件為止。 α 。月求項1所述之人臉辨識之階層式訓練方法,i 些訓練樣本後更包括下步驟: 〃取㈣ ® 進行一人臉辨識,用以辨識該些訓練樣本是否包括有 人臉部分; 若該訓練樣本中包括有人臉部&,則執行該訓練手 奴;以及 若該訓練樣本中不包括有人臉部分,則將該訓練樣本 、,’田为至一例外類別。 .方法’其令係利用該 .如睛求項1所述之人臉辨識之階層式訓練 δ斗練樣本的整體人臉作為該人臉特徵。 16 201013546 4. 其中係從該訓 鼻子或嘴巴之 如請求項1所述之人臉辨識之階層式訓練方法 練樣本的人臉中選擇至少一眉毛、耳朵、呢目主 相對位置作為該人臉特徵。 5·如請求項1所述之人臉辨識之階層式訓練方法,复上 件係由該些子影像類別之生成階層數量所決定。、中°亥細分條 6·如請求項1所述之人臉辨識之階層式训練方法,其 件係由每-層的該些子影像類別數量所決定。 該細分條 β 7. -種姻請求項1的子影像偵·對待測影像進 辨識方法’利用-計算機裝置對待測影像進行各伸:人臉 的人臉特徵辨識,該辨識方法包括以下步驟:〜 載入一待測影像; ….R-d的每—該子影像侧器分別對該待測 進行該人賴财段,用卿縣—該子影_測哭對該待測影像之—她度,再㈣些子影像_器中選擇出: 相似度最南的該子影像偵測器;以及 入 影像執行該人 的該些子影像 重複對所選出的該子影像偵測器對待測 臉辨識手段,直雜細影像完成最後一層 偵測器為止。 8.如凊求項7所述之子影像細_制影像進行_式人臉辨 識方法’其中在取得相似度後更包括以下步驟: 使用相似度最高的該子影像侧㈣該待測影像執行 17 201013546 一人臉辨識手段;以及 上若該臉部_手狀處雜果符合—臨祕件時,則 將5亥待測影像細分至一例外類別中。 9,=請求項7所述之子影像侧器對待測影像進行階層式人臉辨 識H,其中在執行該人臉辨識手段中該子影像偵測器係選擇 至少—該人臉特徵作為處理相似度之依據。10’ i對待測影像的階層式人臉辨識方法,利用一計算機裝置對 2測〜像it彳了各子影侧·的人臉特徵賴,鞠識方法包 括下列步驟: 取得複數個訓練樣本; t執仃一訓練手段’根據複數個角度區間用以將該些訓 練樣本細分至複數個子影像類別,並對每-該子影像類別 相應的-子影像侧器妨複數個人臉特徵之訓練; 上重複對每一該子影像類別執行該訓練手段,藉以產生 D亥子影像_的次-層找好影像_ 分條件為止; 戴入一待測影像; 居執人臉辨識手段,根據該待測影像用以比對同一 二中的母—該子影像摘測器對該待測影像之—相似度,從 同層中選擇出該相似度最高的該子影像偵測器;以及 重设對所選出的該子影像偵測器對待測影像執行該人 18 201013546 臉辨硪手段,直至該待測影像完成最後—層的該些子影像 偵測器為止。 如請求们G項所述之對待測影像的階層4人臉辨識方法,其 中在取得5亥些訓練樣本後更包括下步驟: , 進行—人臉觸,用關識該些姆樣本是否包括有 人臉部分; ❹ 辑樣材包财人臉料,難行該訓練手 +又,以及 若_練樣本林包括有人臉部分,則將該訓練樣本 細分至一例外類別。 12 Θ求貞10所权對制影像的階層式人臉觸方法, 係利用該訓練樣本的整體人臉作為該人臉特徵。 、 ^求項10所奴對辆f彡像的階料人臉顺方法,其 ·=構樣本的人臉中選擇至少一眉毛、耳朵、眼睛、鼻子 5驚巴之相對位置作為該人臉特徵。 月求項10所权對待測f彡像的階層式人輯識方法,其 ls , ^, 二子〜像類別之生細層數量所決定。 測影像的階層式人臉辨齡法,其中 層的_子影像類麻量所決定。 19
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW097136083A TW201013546A (en) | 2008-09-19 | 2008-09-19 | Hierarchical face recognition training method and hierarchical face recognition method thereof |
US12/350,378 US8306282B2 (en) | 2008-09-19 | 2009-01-08 | Hierarchical face recognition training method and hierarchical face recognition method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW097136083A TW201013546A (en) | 2008-09-19 | 2008-09-19 | Hierarchical face recognition training method and hierarchical face recognition method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201013546A true TW201013546A (en) | 2010-04-01 |
Family
ID=42037712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW097136083A TW201013546A (en) | 2008-09-19 | 2008-09-19 | Hierarchical face recognition training method and hierarchical face recognition method thereof |
Country Status (2)
Country | Link |
---|---|
US (1) | US8306282B2 (zh) |
TW (1) | TW201013546A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI704505B (zh) * | 2019-05-13 | 2020-09-11 | 和碩聯合科技股份有限公司 | 人臉辨識系統、建立人臉辨識之資料之方法及其人臉辨識之方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9613258B2 (en) | 2011-02-18 | 2017-04-04 | Iomniscient Pty Ltd | Image quality assessment |
US8380711B2 (en) | 2011-03-10 | 2013-02-19 | International Business Machines Corporation | Hierarchical ranking of facial attributes |
US8457367B1 (en) | 2012-06-26 | 2013-06-04 | Google Inc. | Facial recognition |
US8411909B1 (en) | 2012-06-26 | 2013-04-02 | Google Inc. | Facial recognition |
US8542879B1 (en) | 2012-06-26 | 2013-09-24 | Google Inc. | Facial recognition |
US8856541B1 (en) | 2013-01-10 | 2014-10-07 | Google Inc. | Liveness detection |
CN103927530B (zh) * | 2014-05-05 | 2017-06-16 | 苏州大学 | 一种最终分类器的获得方法及应用方法、系统 |
CN103927529B (zh) * | 2014-05-05 | 2017-06-16 | 苏州大学 | 一种最终分类器的获得方法及应用方法、系统 |
US10275684B2 (en) | 2015-11-04 | 2019-04-30 | Samsung Electronics Co., Ltd. | Authentication method and apparatus, and method and apparatus for training a recognizer |
CN105654070A (zh) * | 2016-02-04 | 2016-06-08 | 山东理工大学 | 一种低分辨率人脸识别方法 |
US10528799B2 (en) * | 2016-12-23 | 2020-01-07 | Samsung Electronics Co., Ltd. | Electronic apparatus and operation method thereof |
US11087121B2 (en) * | 2018-04-05 | 2021-08-10 | West Virginia University | High accuracy and volume facial recognition on mobile platforms |
CN110781856B (zh) * | 2019-11-04 | 2023-12-19 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
CN111814553B (zh) * | 2020-06-08 | 2023-07-11 | 浙江大华技术股份有限公司 | 人脸检测方法、模型的训练方法及其相关装置 |
CN112084856A (zh) * | 2020-08-05 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 一种人脸姿态检测方法、装置、终端设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7194134B2 (en) * | 2001-01-02 | 2007-03-20 | Microsoft Corporation | Hierarchical, probabilistic, localized, semantic image classifier |
DE60130742T2 (de) * | 2001-05-28 | 2008-07-17 | Honda Research Institute Europe Gmbh | Mustererkennung mit hierarchischen Netzen |
US7043075B2 (en) * | 2001-09-27 | 2006-05-09 | Koninklijke Philips Electronics N.V. | Computer vision system and method employing hierarchical object classification scheme |
JP4532915B2 (ja) * | 2004-01-29 | 2010-08-25 | キヤノン株式会社 | パターン認識用学習方法、パターン認識用学習装置、画像入力装置、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
-
2008
- 2008-09-19 TW TW097136083A patent/TW201013546A/zh unknown
-
2009
- 2009-01-08 US US12/350,378 patent/US8306282B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI704505B (zh) * | 2019-05-13 | 2020-09-11 | 和碩聯合科技股份有限公司 | 人臉辨識系統、建立人臉辨識之資料之方法及其人臉辨識之方法 |
Also Published As
Publication number | Publication date |
---|---|
US20100074479A1 (en) | 2010-03-25 |
US8306282B2 (en) | 2012-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201013546A (en) | Hierarchical face recognition training method and hierarchical face recognition method thereof | |
WO2020107847A1 (zh) | 基于骨骼点的跌倒检测方法及其跌倒检测装置 | |
Vera-Rodriguez et al. | Comparative analysis and fusion of spatiotemporal information for footstep recognition | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
Bishay et al. | Schinet: Automatic estimation of symptoms of schizophrenia from facial behaviour analysis | |
WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
Zhang et al. | Computer models for facial beauty analysis | |
Fong et al. | A biometric authentication model using hand gesture images | |
Ding et al. | HMM with improved feature extraction-based feature parameters for identity recognition of gesture command operators by using a sensed Kinect-data stream | |
CN112800892B (zh) | 一种基于openpose的人体姿态识别方法 | |
WO2015165227A1 (zh) | 人脸识别方法 | |
El Saddik et al. | A novel biometric system for identification and verification of haptic users | |
JP2011039934A (ja) | 感情推定システム及びそれを利用した学習システム | |
Mendels et al. | User identification for home entertainment based on free-air hand motion signatures | |
Zeng et al. | Gait recognition across different walking speeds via deterministic learning | |
Al-Nima et al. | Human authentication with finger textures based on image feature enhancement | |
Shukla et al. | Identification of with face mask and without face mask using face recognition model | |
Hsieh et al. | A distance computer vision assisted yoga learning system | |
Ding et al. | Two user adaptation-derived features for biometrical classifications of user identity in 3D-sensor-based body gesture recognition applications | |
CN113869105A (zh) | 一种人体行为识别方法 | |
Van Balen et al. | A behavioral biometrics based approach to online gender classification | |
Das | Activity recognition using histogram of oriented gradient pattern history | |
Ubah et al. | Biometrics Authentication Techniques in E-Learning Assessment | |
Khadilkar et al. | Face identification based on discrete wavelet transform and neural networks | |
Narang et al. | Generating virtual avatars with personalized walking gaits using commodity hardware |