TWI415011B - 人臉辨識方法及應用此方法之系統 - Google Patents
人臉辨識方法及應用此方法之系統 Download PDFInfo
- Publication number
- TWI415011B TWI415011B TW098143391A TW98143391A TWI415011B TW I415011 B TWI415011 B TW I415011B TW 098143391 A TW098143391 A TW 098143391A TW 98143391 A TW98143391 A TW 98143391A TW I415011 B TWI415011 B TW I415011B
- Authority
- TW
- Taiwan
- Prior art keywords
- feature vector
- data
- training
- database
- face
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Description
本發明是有關於一種人臉辨識方法,且特別是有關於一種同時應用多個倒傳遞類神經網路(Back Propagation Neural Network,BPNN)來對待辨識資料及資料庫中多筆資料庫特徵向量進行比對與辨識操作之特定成員人臉辨識方法。
在科技發展日新月異的現今時代中,智慧型機器人技術係蓬勃發展,而廣泛地被應用來便利人們的生活。一般來說,若要使機器人可以和人有所互動且自主決定其行為,前提是可靠且即時的影像辨識介面,藉此使機器人可以從外界擷取重要的訊息,並據以做出相對應的回應。這樣一來,在例如是家庭機器人的應用中,可以實現出可對不同身份之互動者做出不同回應的自主式行為,使得機器人不再是冷冰冰的機器,甚而成為家庭中之生活伴侶。據此,如何設計出可更為即時地完成人臉辨識操作之人臉辨識方法為業界不斷致力的方向之一。
先前技術如2006年11月28日公告之美國專利第07142697號(此後稱為專利文獻1)所揭露之一種假設人臉姿態不變下之人臉辨識方法。其方法為在獲得影像中之人臉位置後,利用訓練資料來決定輸入影像之人臉姿態類別並擷取其特徵。在辨識部份採用類神經網路,當某一輸出單元(Output unit)為主動(Active)時,則此單元對應之人臉即為該成員,若沒有任一輸出單元為主動時,則表示此輸入影像不屬於資料庫中之成員。惟專利文獻1所揭露之技術為直接使用單一之類神經網路架構,其網路組成複雜,且當有新的成員資料需擴充時,需將整個類神經網路重新訓練,其過程複雜且緩慢。
再者,2007年11月13日所公告之美國專利第07295687號(此後稱為專利文獻2)係揭露一種利用人工智慧類神經網路之人臉辨識方法。其方法為以特徵像素選擇單元(Eigenpaxel selection unit)來產生人臉特徵,再以特徵濾波單元(Eigenfiltering unit)來對輸入影像做前處理,依據特徵像素數量來決定類神經網路之神經元數目。當輸入影像進入此系統後,將會在類神經網路之輸出端獲得不同數值,然後選擇數值最大者所對應之特徵像素作為判斷辨識結果之依據。惟專利文獻2所揭露之技術在當測試者不為資料庫成員時,此方法會將待測試人員誤判為資料庫中之某一位。
本發明係有關於一種人臉辨識方法,其係應用多個倒傳遞類神經網路(Back Propagation Neural Network,BPNN),來對待辨識資料及資料庫中多筆資料庫特徵向量進行辨識操作之人臉辨識方法。據此,相較於傳統人臉辨識方法,本發明相關之人臉辨識方法具有可提供更即時且可更方便彈性增減可辨認人臉之人臉辨識能力之優點。
根據本發明之一方面,提出一種人臉辨識方法,用以對待辨識資料進行辨識操作。其中待辨識資料包括輸入特徵向量,其人臉辨識系統包括下列之步驟。首先根據多筆第一訓練特徵資料訓練得到第一組隱藏層(Hidden Layer)參數,並根據多筆第二訓練特徵資料訓練得到第二組隱藏層參數,其分別對應至第一及第二資料庫特徵向量。接著分別根據第一及第二組隱藏層參數建立第一及第二倒傳遞類神經網路(Back Propagation Neural Network,BPNN)。然後提供待辨識資料至第一BPNN以找出第一輸出特徵向量。接著判斷第一輸出特徵向量是否滿足辨識條件;若否則提供待辨識資料至第二BPNN,以找出第二輸出特徵向量。然後判斷第二輸出特徵向量是否滿足該辨識條件;若是,則辨識待辨識資料對應至第二資料庫特徵向量。
根據本發明之另一方面,提出一種人臉辨識系統,用以對待辨識資料進行辨識操作,待辨識資料包括輸入特徵向量,人臉辨識系統包括人臉偵測電路、特徵分析電路及辨識電路。人臉偵測電路用以從第一及第二組訓練影像資料中分別圈選出第一及第二人臉偵測資料。特徵分析電路對第一及第二人臉偵測資料進行維度(Dimensional)化簡操作,以分別根據第一及第二人臉偵測資料得到多筆第一及多筆第二訓練特徵資料。辨識電路包括訓練模組、模擬模組及控制模組。訓練模組根據此些第一及此些第二訓練特徵資料分別訓練得到第一組及第二組隱藏層參數,其分別對應至第一資料庫特徵向量及第二資料庫特徵向量。模擬模組根據第一及第二組隱藏層參數分別建立第一及第二BPNN。模擬電路更將待辨識資料輸入第一BPNN,以找出第一輸出特徵向量。控制模組判斷第一輸出特徵向量是否滿足辨識條件,若否則控制電路控制模擬電路提供待辨識資料至第二BPNN,以找出第二輸出特徵向量。控制電路更判斷第二輸出特徵向量是否滿足辨識條件,若是則控制電路辨識待辨識資料對應至第二資料庫特徵向量。
為讓本發明之上述內容能更明顯易懂,下文特舉實施例,並配合所附圖式,作詳細說明如下:
本發明實施例之人臉辨識方法係應用多個倒傳輸類神經網路(Back Propagation Neural Network,BPNN)來進行人臉辨識操作。
請參照第1圖,其繪示依照本發明實施例之人臉辨識系統的方塊圖。人臉辨識系統1包括人臉偵測電路10、特徵分析電路12及辨識電路14。舉例來說,人臉辨識系統1包括訓練階段(Training)操作及辨識階段操作。在訓練階段操作中,人臉辨識系統1中之人臉偵測電路10、特徵分析電路12及辨識電路14用以根據訓練資料,於辨識電路14中建立多個BPNN,分別對應至多個資料庫特徵向量,各資料庫特徵向量分別對應至一個資料庫成員之多個臉部特徵。
在辨識階段操作中,人臉辨識系統1對輸入之待辨識資料Dvin進行辨識操作。舉例來說,待辨識資料Dvin包括輸入特徵向量,而人臉辨識系統1中之辨識電路14係依序經由前述多個BPNN,來分別根據此輸入特徵向量產生對應之多筆輸出特徵向量,並將此些輸出特徵向量與各前述多個資料庫特徵向量進行比較,以實現對待辨識資料進行辨識之操作。
本發明實施例之人臉辨識系統1訓練出多個類神經網路分別與資料庫中之多個資料庫成員對應。接下來係舉例,來對本發明實施例之人臉辨識系統1之訓練階段操作做進一步之說明。
人臉偵測電路10從第一組訓練影像資料Dv1_1、Dv1_2、…、Dv1_M中圈選出第一人臉偵測資料Dvf1,並從第二組訓練影像資料Dv2_1、Dv2_2、…、Dv2_M’中圈選出第二人臉偵測資料Dvf2,M及M’為大於1之自然數。
在一個操作實例中,第一組訓練影像資料Dv1_1-Dv1_M為第一資料庫成員之M筆圖像資料(例如是M張不同之個人照片),而人臉偵測電路10從第一組訓練影像資料Dv1_1-Dv1_M中各筆訓練影像資料中圈選出人臉影像區域,以得到人臉偵測資料Dvf1。舉例來說,人臉偵測電路10根據人臉膚色之色彩資訊,經由人臉膚色分割技術找出第一組訓練影像資料Dv1_1-Dv1_M中對應至人臉的影像區域。人臉偵測電路10更應用型態學的閉合運算,來對前述人臉影像區域進行空洞部份及不連續部份之修補,藉此,以找出第一人臉偵測資料Dvf1。在一個例子中,人臉偵測電路10更應用投影長寬比機制,來篩選前述人臉影像區域中可能不屬於人臉的區域。在另一個例子中,人臉偵測電路10更應用專注式串聯法技術(Attentional Cascade),來判斷前述人臉影像區域是否對應至人臉的正面,並據此篩選出對應至人臉正面的人臉偵測資料Dvf1。
相似於人臉偵測電路10找出人臉偵測資料Dvf1之操作,人臉偵測電路10更執行相似之操作,以根據第二組訓練影像資料Dv2_1-Dv2_M’找出人臉偵測資料Dvf2。
特徵分析電路12用以對第一及第二人臉偵測資料Dvf1及Dvf2進行維度(Dimensional)化簡操作,以分別根據第一人臉偵測資料Dvf1得到多筆第一訓練特徵資料Dvc1及根據第二人臉偵測資料Dvf2得到多筆第二訓練特徵資料Dvc2。舉例來說,特徵分析電路12係應用圖形識別和影像壓縮技術領域中之卡忽南拉維(Karhunen-Loeve)轉換技術,來將第一及第二人臉偵測資料Dvf1及Dvf2投影到由已知的向量模板所形成的一個較小維度子空間上,藉此達到化簡第一及第二人臉偵測資料Dvf1及Dvf2資料量的技術功效。
請參照第2圖,其繪示乃第1圖之辨識電路14的詳細方塊圖。辨識電路14包括訓練模組14a、模擬模組14b及控制模組14c。訓練模組14a係根據此些第一訓練特徵資料Dvc1訓練得到第一組隱藏層(Hidden Layer)參數,並根據此些第二訓練特徵資料Dvc2訓練得到第二組隱藏層參數。模擬電路14b係根據第一及第二組隱藏層參數分別建立第一BPNN N1及第二BPNN N2。
舉例來說,第一BPNN及第二BPNN分別如第3圖及第4圖所示。就第一BPNN N1來說,X1-XN為此些訓練特徵資料Dvc1中各筆訓練特徵資料中之N個分量;Wij及Wk為此第一組隱藏層參數,其中Wij決定各分量X1-XN與第一隱藏層L1間之權重參數(Weighting),Wk決定各第一隱藏層L1中之元素之權重參數;Y為第一資料庫輸出特徵向量。相似地,第二BPNN N2中各參數X’1-X’N、W’ij、W’k及Y’亦具有相似之定義,於此並不再對其進行贅述。在可將各第一訓練特徵資料Dvc1對應至第一資料庫特徵向量Y之第一BPNN N1及可將各第二訓練特徵資料Dvc2對應至第二資料庫特徵向量Y’之第二BPNN N2建立完畢時,係完成訓練階段操作。在一個例子中,訓練階段操作結束後模擬電路14b係完成建立包括兩個BPNN(即是分別對應至第一及第二資料庫成員之第一BPNN N1及第二BPNN N2)之資料庫的操作,其中此資料庫的示意圖如第5A圖所示。
而當本發明實施例之人臉辨識系統1進入辨識階段時,輸入之人臉特徵資料會依序地送到對應至各個資料庫成員的類神經網路,各個類神經網路則對應地得到一輸出值。例如輸入之人臉特徵資料首先輸入至對應至第一個資料庫成員之第一個類神經網路。接著,本發明實施例之人臉辨識系統1依照所設定之門檻值,來判斷此輸入之人臉資料是否與類神經網路資料庫中之此第一個資料庫成員對應;若否,本發明實施例之人臉辨識系統1將輸入之人臉特徵資料送到對應至第二個資料庫成員之第二個類神經系統,並判斷此輸入之人臉資料是否與此第二個資料庫成員對應。類推前述相似之步驟,以依序地判斷輸入之人臉特徵資料是否與資料庫中之各個資料庫成員對應。若判斷輸入之人臉特徵資料不與任何一個資料庫成員對應,則判定此輸入之人臉特徵資料為非資料庫成員。接下來係舉例,來對本發明實施例之人臉辨識系統1之辨識階段操作做進一步之說明。
在辨識階段操作中,模擬電路14b首先將待辨識資料Dvin輸入第一BPNN N1,以得到對應之第一輸出特徵向量Vo1。
控制電路14c判斷第一輸出特徵向量Vo1是否滿足辨識條件。舉例來說,此辨識條件為第一輸出特徵向量Vo1與第一資料庫特徵向量間之距離小於一門檻值(Threshold Value)之條件。據此,控制電路14c經由判斷第一輸出特徵向量Vo1是否與第一資料庫特徵向量對應,以判斷待辨識資料Dvin是否對應至第一資料庫成員之影像畫面。當第一輸出特徵向量Vo1不滿足此辨識條件時,表示待辨識資料Dvin不與第一資料庫特徵向量近似,即是待辨識資料Dvin顯示之影像內容不與第一資料庫成員之臉部特徵對應。
在判斷待辨識資料Dvin不與第一資料庫成員之影像畫面對應時,控制電路14c控制模擬電路14b提供待辨識資料Dvin至第二BPNN,以對應地找出第二輸出特徵向量Vo2。控制電路14c更判斷第二輸出特徵向量Vo2是否滿足該辨識條件。當第二輸出特徵向量Vo2滿足辨識條件時,表示待辨識資料Dvin與第二資料庫特徵向量近似,即是待辨識資料Dvin顯示之影像內容與第二資料庫成員之臉部特徵對應。據此,控制電路14c輸出辨識結果資料Drs,指示其將待辨識資料Dvin辨識為對應至第二資料庫成員之臉部影像。
在本實施例中,雖僅以人臉辨識系統1建立對應至兩個資料庫特徵向量之BPNN N1及N2,並據以判斷待辨識資料Dvin是否對應至兩個資料庫成員任何之一之人臉辨識操作的情形為例做說明,然,本實施例之人臉辨識系統1並不侷限於此,而更可建立三個或三個以上之BPNN,並據以判斷待辨識資料Dvin是否對應至三個或三個以上資料庫成員的任何之一。舉例來說,人臉辨識系統1係在訓練階段操作中建立三個BPNN N1、N2及N3,其中包括三個BPNN N1、N2及N3之資料庫的示意圖如第5B圖所示。據此,當第二輸出特徵向量Vo2不滿足辨識條件時,控制電路14c更控制模擬電路14b提供待辨識資料Dvin至第三BPNN,以對應地找出第三輸出特徵向量;而控制電路14c更判斷第三輸出特徵向量是否滿足辨識條件,以判斷待辨識資料Dvin是否對應至第三資料庫成員之臉部影像。
請參照第6圖,其繪示依照本發明實施例之人臉辨識方法的流程圖。本發明實施例之人臉辨識方法用以對待辨識資料Dvin進行辨識操作,其包括下列之步驟。首先如步驟(a),模擬模組14b根據多筆第一訓練特徵資料Dv1_1-Dv1_M訓練得到第一組隱藏層參數,並根據多筆第二訓練特徵資料Dv2_1-Dv2_M’訓練得到第二組隱藏層參數,第一及第二組隱藏層參數分別對應至第一資料庫特徵向量及第二資料庫特徵向量。接著如步驟(b),模擬模組14b分別根據第一及第二組隱藏層參數建立第一BPNN及第二BPNN。
然後如步驟(c),模擬模組14b提供待辨識資料Dvin至第一BPNN以找出第一輸出特徵向量Vo1。接著如步驟(d),控制模組14c判斷第一輸出特徵向量Vo1是否滿足辨識條件;若否,則執行步驟(e),模擬模組14b提供待辨識資料Dvin至第二BPNN,以找出第二輸出特徵向量Vo2。然後執行步驟(f),控制模組14c判斷第二輸出特徵向量Vo2是否滿足該辨識條件;若是,執行步驟(g),控制模組14c輸出辨識結果資料Drs,指示待辨識資料Din被辨識為對應至第二資料庫特徵向量(即是第二資料庫成員之臉部特徵)之影像資料。
請參照第7圖,其繪示依照本發明實施例之人臉辨識方法的部份流程圖。於步驟(d)之後,當第一輸出特徵向量Vo1滿足辨識條件時執行步驟(g’),控制模組14c係輸出辨識結果資料Drs,指示待辨識資料Din被辨識為對應至第一資料庫特徵向量(即是第一資料庫成員之臉部特徵)之影像資料。
請參照第8圖,其繪示依照本發明實施例之人臉辨識方法的部份流程圖。在一個例子中,於步驟(a)及(b)中,模擬模組14b更分別根據多筆第三訓練特徵資料訓練得到第三組隱藏層參數,及根據第三組隱藏層參數建立第三BPNN。於步驟(f)之後,當第二輸出特徵向量Vo2不滿足辨識條件時執行步驟(h),模擬模組14b提供待辨識資料Dvin至第三BPNN,以找出第三輸出特徵向量。接著如步驟(i),控制模組14c判斷第三輸出特徵向量是否滿足辨識條件;若是,執行步驟(g"),控制模組14c輸出辨識結果資料Drs,指示待辨識資料Din被辨識為對應至第三資料庫特徵向量(即是第三資料庫成員之臉部特徵)之影像資料;若否,執行步驟(j),控制模組14c輸出辨識結果資料Drs,指示待辨識資料Din並未被辨識為任何第一至第三資料庫特徵向量,而不與第一至第三資料庫成員任一之臉部特徵對應。
本發明首先根據多筆各個成員之人臉訓練特徵資料分別建立代表各個成員之倒傳遞類神經網路(Back Propagation Neural Network,BPNN)。當待辨識人臉資料進入辨識系統時,將待辨識人臉特徵資料依序提供至每位成員之BPNN以找出各別之輸出特徵向量。然後判斷此輸出特徵向量是否滿足辨識條件;若是,則將該待辨識資料辨識為對應之成員。若否,則提供待辨識資料至下位成員之BPNN,以找出下一個輸出特徵向量。當待辨識資料提供至每位資料庫中成員之BPNN後,且其所有輸出特徵向量皆不滿足辨識條件時,則將該待辨識資料辨識為非資料庫成員。
根據本發明之另一方面,提出一種人臉辨識系統,用以對待辨識資料進行辨識操作,待辨識資料包括輸入特徵向量,人臉辨識系統包括人臉偵測電路、特徵分析電路及辨識電路。人臉偵測電路用以從各組訓練影像資料中分別圈選出個別人臉偵測輸出資料。特徵分析電路則分別對每個人臉偵測輸出資料進行維度化簡操作,用以分別根據人臉偵測資料得到多筆各成員之訓練特徵資料。辨識電路包括訓練模組、模擬模組及控制模組。訓練模組係根據各成員之訓練特徵資料分別訓練得到各成員之隱藏層參數,其分別對應至各成員之資料庫特徵向量及。模擬模組係根據各成員之隱藏層參數分別建立各成員之BPNN。模擬電路更將待辨識資料輸入各成員之BPNN,以找出各成員之輸出特徵向量。控制模組係判斷各成員之輸出特徵向量是否滿足辨識條件,若否則由特徵分析電路提供模擬模組將待辨識資料送至另一成員之BPNN,以找出對應輸出特徵向量。控制電路更判斷對應之輸出特徵向量是否滿足辨識條件,若是則控制電路辨識待辨識資料對應至對應資料庫成員。
本發明實施例之人臉辨識方法係應用多個BPNN,來分別對待辨識資料及資料庫中多筆資料庫特徵向量進行辨識操作。這樣一來,一旦要對資料庫中之資料庫特徵向量進行增減,可以簡單地經由提供新的訓練資料來訓練新的BPNN,或刪除現有訓練得到之BPNN即可完成。據此,相較於傳統人臉辨識方法,本發明實施例之人臉辨識方法具有資料庫特徵向量的更動彈性較高之優點。
另外,本發明實施例之人臉辨識方法更應用卡忽南拉維度轉換技術來降低特徵向量的維度。據此,相較於傳統人臉辨識方法,本發明實施例之人臉辨識方法更具有可提供更即時之人臉辨識能力之優點。
在一實施例中,本發明實施例之人臉辨識方法係應用於機器人之家庭成員辨識的實際應用場合中,使機器人能辨識資料庫成員是否為已知家庭成員,並據以自主決定合宜的互動反應。據此,應用本發明實施例之人臉辨識方法的機器人除了可辨認出待辨識之人臉對應至家庭成員以外的成員,而更可對不同的家庭成員做出不同的互動,進一步達成對家人照護陪伴或對訪客招待之功能。
本發明實施例之人臉辨識方法針對人臉辨識資料庫內之所有家庭成員,分別建立多個對應之類神經網路。相較於以多個人臉辨識資料建立單一之複雜網路架構之習知技術,本發明實施例之人臉辨識方法除了可提高辨識率,亦更可方便彈性地增減欲辨識之家庭成員時,使人臉辨辨識系統之訓練學習較有效率。
綜上所述,雖然本發明已以實施例揭露如上,然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾。因此,本發明之保護範圍當視後附之申請專利範圍所界定者為準。
1...人臉辨識系統
10...人臉偵測電路
12...特徵分析電路
14...辨識電路
14a...訓練模組
14b...模擬模組
14c...控制模組
第1圖繪示依照本發明實施例之人臉辨識系統的方塊圖。
第2圖繪示乃第1圖之辨識電路14的詳細方塊圖。
第3及第4圖繪示乃第一及第二倒傳遞類神經網路的示意圖。
第5A圖繪示乃本發明實施例之模擬電路14b於訓練階段操作中建立之資料庫的示意圖。
第5B圖繪示乃本發明實施例之模擬電路14b於訓練階段操作中建立之資料庫的另一示意圖。
第6圖繪示依照本發明實施例之人臉辨識方法的流程圖。
第7圖繪示依照本發明實施例之人臉辨識方法的部份流程圖。
第8圖繪示依照本發明實施例之人臉辨識方法的部份流程圖。
(a)-(g)...操作步驟
Claims (14)
- 一種人臉辨識方法,用以對一待辨識資料進行辨識操作,該待辨識資料包括一輸入特徵向量,該人臉辨識方法包括:根據複數筆第一訓練特徵資料訓練得到一第一組隱藏層(Hidden Layer)參數,並根據複數筆第二訓練特徵資料訓練得到一第二組隱藏層參數,分別對應至一第一資料庫特徵向量及一第二資料庫特徵向量;分別根據該第一及該第二組隱藏層參數建立一第一倒傳遞類神經網路(Back Propagation Neural Network,BPNN)及一第二BPNN;提供該待辨識資料至該第一BPNN,以找出一第一輸出特徵向量;判斷該第一輸出特徵向量是否滿足一辨識條件;當該第一輸出特徵向量不滿足該辨識條件時,提供該待辨識資料至該第二BPNN,以找出一第二輸出特徵向量;判斷該第二輸出特徵向量是否滿足該辨識條件;以及當該第二輸出特徵向量滿足該辨識條件時,係辨識該待辨識資料對應至該第二資料庫特徵向量。
- 如申請專利範圍第1項所述之人臉辨識方法,其中於判斷該第一輸出特徵向量是否滿足該辨識條件之步驟後更包括:當該第一輸出特徵向量滿足該辨識條件時,係辨識該待辨識資料對應至該第一資料庫特徵向量。
- 如申請專利範圍第1項所述之人臉辨識方法,其中訓練得到該第一組及該第二組隱藏層參數之步驟及建立該第一及該第二BPNN之步驟更分別包括:根據複數筆第三訓練特徵資料訓練得到一第三組隱藏層參數,對應至一第三資料庫特徵向量;及根據該第三組隱藏層參數建立一第三BPNN。
- 如申請專利範圍第3項所述之人臉辨識方法,其中,於判斷該第二輸出特徵向量是否滿足該辨識條件之步驟後更包括:當該第二輸出特徵向量不滿足該辨識條件時,提供該待辨識資料至該第三BPNN,以找出一第三輸出特徵向量;判斷該第三輸出特徵向量是否滿足該辨識條件;及當該第三輸出特徵向量滿足該辨識條件時,辨識該待辨識資料對應至該第三資料庫特徵向量。
- 如申請專利範圍第4項所述之人臉辨識方法,其中,於判斷該第三輸出特徵向量是否滿足該辨識條件之步驟後,更包括:當該第三輸出特徵向量不滿足該辨識條件時,係辨識該待辨識資料對應至該第一至該第三資料庫特徵向量以外之特徵向量。
- 如申請專利範圍第1項所述之人臉辨識方法,更包括:應用人臉膚色分割、型態學空洞填補及專注式串聯法(Attentional Cascade)技術,來從一第一組訓練影像資料中圈選出一第一人臉偵測資料及從一第二組訓練影像資料中圈選出一第二人臉偵測資料;及對該第一人臉偵測資料及該第二人臉偵測資料進行維度(Dimensional)化簡操作,以分別根據該第一及該第二人臉偵測資料得到該些第一訓練特徵資料及該些第二訓練特徵資料。
- 如申請專利範圍第6項所述之人臉辨識方法,其中對該第一及該第二人臉偵測資料進行化簡操作之步驟係應用卡忽南拉維(Karhunen-Loeve)轉換,來對該第一組及該第二組訓練特徵資料進行維度化簡操作。
- 一種人臉辨識系統,用以對一待辨識資料進行辨識操作,該待辨識資料包括一輸入特徵向量,該人臉辨識系統包括:一人臉偵測電路,用以從一第一組訓練影像資料中圈選出一第一人臉偵測資料及從一第二組訓練影像資料中圈選出一第二人臉偵測資料;一特徵分析電路,用以對該第一人臉偵測資料及該第二人臉偵測資料進行維度(Dimensional)化簡操作,以分別根據該第一及該第二人臉偵測資料得到複數筆第一訓練特徵資料及複數筆第二訓練特徵資料;以及一辨識電路,包括:一訓練模組,用以根據該些第一訓練特徵資料訓練得到一第一組隱藏層(Hidden Layer)參數,並根據該些第二訓練特徵資料訓練得到一第二組隱藏層參數,分別對應至一第一資料庫特徵向量及一第二資料庫特徵向量;一模擬模組,用以根據該第一及該第二組隱藏層參數分別建立一第一倒傳遞類神經網路(Back Propagation Neural Network,BPNN)及一第二BPNN,該模擬電路更將該待辨識資料輸入該第一BPNN,以找出一第一輸出特徵向量;及一控制模組,用以判斷該第一輸出特徵向量是否滿足一辨識條件,當該第一輸出特徵向量不滿足該辨識條件時,該控制電路控制該模擬電路提供該待辨識資料至該第二BPNN,以找出該一第二輸出特徵向量;其中,該控制電路更判斷該第二輸出特徵向量是否滿足該辨識條件,當該第二輸出特徵向量滿足該辨識條件時,該控制電路辨識該待辨識資料對應至該第二資料庫特徵向量。
- 如申請專利範圍第8項所述之人臉辨識系統,其中當該第一輸出特徵向量滿足該辨識條件時,該控制電路係辨識該待辨識資料對應至該第一資料庫特徵向量。
- 如申請專利範圍第8項所述之人臉辨識系統,其中該訓練電路更根據複數筆第三訓練特徵資料訓練得到一第三組隱藏層參數,對應至一第三資料庫特徵向量;其中,該模擬電路更根據該第三組隱藏層參數建立一第三BPNN。
- 如申請專利範圍第10項所述之人臉辨識系統,其中當該第二輸出特徵向量不滿足該辨識條件時,該控制電路更判斷該第三輸出特徵向量是否滿足該辨識條件;其中,當該第三輸出特徵向量滿足該辨識條件時,該控制電路係辨識該待辨識資料對應至該第三資料庫特徵向量。
- 如申請專利範圍第11項所述之人臉辨識系統,其中當該第三輸出特徵向量不滿足該辨識條件時,該控制電路係辨識該待辨識資料對應至該第一至該第三資料庫特徵向量以外之特徵向量。
- 如申請專利範圍第8項所述之人臉辨識系統,其中該人臉偵測電路應用人臉膚色分割、型態學空洞填補及專注式串聯法(Attentional Cascade)技術,來選出該第一及該第二人臉偵測資料。
- 如申請專利範圍第8項所述之人臉辨識系統,其中該特徵分析電路應用卡忽南拉維(Karhunen-Loeve)轉換,來對該第一及該第二人臉偵測資料進行維度化簡操作。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW098143391A TWI415011B (zh) | 2009-12-17 | 2009-12-17 | 人臉辨識方法及應用此方法之系統 |
US12/830,519 US20110150301A1 (en) | 2009-12-17 | 2010-07-06 | Face Identification Method and System Using Thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW098143391A TWI415011B (zh) | 2009-12-17 | 2009-12-17 | 人臉辨識方法及應用此方法之系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201123030A TW201123030A (en) | 2011-07-01 |
TWI415011B true TWI415011B (zh) | 2013-11-11 |
Family
ID=44151182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW098143391A TWI415011B (zh) | 2009-12-17 | 2009-12-17 | 人臉辨識方法及應用此方法之系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20110150301A1 (zh) |
TW (1) | TWI415011B (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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679185B (zh) * | 2012-08-31 | 2017-06-16 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
US9811718B2 (en) | 2014-04-11 | 2017-11-07 | Beijing Sensetime Technology Development Co., Ltd | Method and a system for face verification |
CN104134103B (zh) * | 2014-07-30 | 2017-12-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
US10839226B2 (en) * | 2016-11-10 | 2020-11-17 | International Business Machines Corporation | Neural network training |
CN106778621A (zh) * | 2016-12-19 | 2017-05-31 | 四川长虹电器股份有限公司 | 人脸表情识别方法 |
CN106874941A (zh) * | 2017-01-19 | 2017-06-20 | 四川大学 | 一种分布式数据识别方法及系统 |
CN107832219B (zh) * | 2017-11-13 | 2020-08-25 | 北京航空航天大学 | 基于静态分析和神经网络的软件故障预测技术的构建方法 |
CN112116580B (zh) * | 2020-09-22 | 2023-09-05 | 中用科技有限公司 | 用于摄像头支架的检测方法、系统及设备 |
CN112560725A (zh) * | 2020-12-22 | 2021-03-26 | 四川云从天府人工智能科技有限公司 | 关键点检测模型及其检测方法、装置及计算机存储介质 |
KR102445257B1 (ko) * | 2022-02-23 | 2022-09-23 | 주식회사 룰루랩 | 인공신경망에 기반하여 모공을 검출하고 검출된 모공을 시각화하는 방법 및 장치 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6944319B1 (en) * | 1999-09-13 | 2005-09-13 | Microsoft Corporation | Pose-invariant face recognition system and process |
DE60216411T2 (de) * | 2001-08-23 | 2007-10-04 | Sony Corp. | Robotervorrichtung, gesichtserkennungsverfahren und gesichtserkennungsvorrichtung |
US7027619B2 (en) * | 2001-09-13 | 2006-04-11 | Honeywell International Inc. | Near-infrared method and system for use in face detection |
KR100442835B1 (ko) * | 2002-08-13 | 2004-08-02 | 삼성전자주식회사 | 인공 신경망을 이용한 얼굴 인식 방법 및 장치 |
US20050063568A1 (en) * | 2003-09-24 | 2005-03-24 | Shih-Ching Sun | Robust face detection algorithm for real-time video sequence |
-
2009
- 2009-12-17 TW TW098143391A patent/TWI415011B/zh active
-
2010
- 2010-07-06 US US12/830,519 patent/US20110150301A1/en not_active Abandoned
Non-Patent Citations (4)
Title |
---|
吳宗翰, 逢甲大學資訊電機工程碩士在學專班, 以PDA 為平台的無線人臉辨識之身 分辨別系統, 97 年7 月 * |
周煜書, 義守大學資訊管理系, 基於類神經網路技術建構人臉偵測與辨識系統, 97 年7 月 * |
簡逸聰, 中央大學資訊工程系, 一個以膚色為基礎之互補人臉偵測策略, 90 年6 月19 日 * |
蔡奇男, 朝陽科技大學資訊工程系, 以小波類神經網路實現彩色影像之臉部偵測, 93 年6 月24 日 * |
Cited By (2)
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 |
US11281922B2 (en) | 2019-05-13 | 2022-03-22 | Pegatron Corporation | Face recognition system, method for establishing data of face recognition, and face recognizing method thereof |
Also Published As
Publication number | Publication date |
---|---|
TW201123030A (en) | 2011-07-01 |
US20110150301A1 (en) | 2011-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI415011B (zh) | 人臉辨識方法及應用此方法之系統 | |
CN110619319A (zh) | 一种基于改进的mtcnn模型人脸检测方法和系统 | |
CN103279936B (zh) | 基于画像的人脸伪照片自动合成及修正方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN110889672A (zh) | 一种基于深度学习的学生打卡及上课状态的检测系统 | |
Zhao et al. | Applying contrast-limited adaptive histogram equalization and integral projection for facial feature enhancement and detection | |
CN112991371B (zh) | 一种基于着色溢出约束的图像自动着色方法及系统 | |
Gao et al. | Automatic facial attractiveness prediction by deep multi-task learning | |
KR20190128933A (ko) | 시공간 주의 기반 감정 인식 장치 및 방법 | |
CN112069916A (zh) | 人脸美丽预测方法、装置、系统及可读存储介质 | |
CN113657272B (zh) | 一种基于缺失数据补全的微视频分类方法及系统 | |
CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
Afroze et al. | An empirical framework for detecting speaking modes using ensemble classifier | |
CN116543001B (zh) | 彩色图像边缘检测方法及装置、设备、存储介质 | |
Cowie et al. | An intelligent system for facial emotion recognition | |
CN110163049B (zh) | 一种人脸属性预测方法、装置及存储介质 | |
CN116433920A (zh) | 一种基于深度特征引导的图像生成方法、装置及存储介质 | |
JP7362924B2 (ja) | データ増強基盤空間分析モデル学習装置及び方法 | |
Hiremani et al. | Human and Machine Vision Based Indian Race Classification Using Modified-Convolutional Neural Network. | |
Liu et al. | Spatial-temporal convolutional attention for mapping functional brain networks | |
CN114663910A (zh) | 基于多模态学习状态分析系统 | |
Singla et al. | Age and gender detection using Deep Learning | |
CN112614048A (zh) | 一种基于对偶生成对抗网络的模仿化妆图像虚拟卸妆方法 | |
CN112115779A (zh) | 可解释性课堂学生情感分析方法、系统、装置及介质 | |
CN110717434B (zh) | 一种基于特征分离的表情识别方法 |