CN114005152A - 一种人脸识别的智能阈值控制方法 - Google Patents
一种人脸识别的智能阈值控制方法 Download PDFInfo
- Publication number
- CN114005152A CN114005152A CN202010737813.4A CN202010737813A CN114005152A CN 114005152 A CN114005152 A CN 114005152A CN 202010737813 A CN202010737813 A CN 202010737813A CN 114005152 A CN114005152 A CN 114005152A
- Authority
- CN
- China
- Prior art keywords
- face
- value
- threshold value
- intelligent
- influence
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种人脸识别的智能阈值控制方法，包括：S1，人脸识别中的人脸跟踪；S2，采用加权计算的方法进行人脸角度检测、人脸活体检测、模糊检测中人脸角度值、活体检测值和模糊值这三个值的计算；S3，计算人脸识别的智能阈值：根据人脸角度值、模糊值、活体检测值，以及人脸边长尺寸和连续帧个数影响程度，最终计算得到：人脸识别的智能阈值＝最小人脸识别阈值+(最大人脸识别阈值‑最小人脸识别阈值)*(人脸角度值对阈值的影响程度+模糊值对智能阈值的影响程度+活体检测值对智能阈值的影响程度+人脸大小对智能阈值的影响程度+连续帧个数对智能阈值的影响程度)。在模型不变的情况下，提升人脸识别率，更接近模型的最佳识别效果。
Description
技术领域
本发明涉及人脸识别技术领域，特别涉及一种人脸识别的智能阈值控制方法。
背景技术
当今社会，人工智能领域中神经网络技术发展迅猛。在人脸识别领域中，现有技术是通过使用固定阈值进行判断是否为注册人脸的。但是，现有技术中采用固定阈值造成人脸识别模型的识别率下降，无法达到模型的最佳识别效果。
此外，现有技术包括以下常用的技术术语：
人脸检测：是在一副图像中判断是否有人脸，若有则返回人脸的大小、位置等信息。
人脸识别：是在已经检测出人脸的情况下，根据人脸的特征判断人的身份等信息。
阈值：临界值的意思。
智能阈值：根据外界变化而随之变化的临界值
人脸活体检测：是一种检测器，用来判断采集的图像是真人图像还是图片图片，若果是真人图像就是活体，否则就是非活体。
模糊检测：是一种检测器，用来检测人脸图片的模糊程度，越模糊数值越大。
Iou：两个区域面积的交集与这两个区域面积的并集的比值。
发明内容
为了解决上述问题，本发明的目的在于：提供一种人脸识别的智能阈值控制方法，通过人脸识别跟踪方法；人脸角度值、人脸活体值、模糊值的加权计算方法；以及智能阈值的计算方法克服现有技术中存在的问题。
具体地，本发明提供一种人脸识别的智能阈值控制方法，所述方法包括以下步骤：
S1，人脸识别中的人脸跟踪：前一次检测出的人脸与当前人脸位置上的iou小于0.5，同时两次时间间隔小于200ms,视为同一人，否则视为不同人，视为跟踪失败；
S2，采用加权计算的方法进行人脸角度检测、人脸活体检测、模糊检测中人脸角度值、活体检测值和模糊值这三个值的计算：
S2.1，初始化，开始记录的第一张人脸，第一张不会提交给人脸识别处理，从第二张开始进行提交给人脸识别；
S2.2，加权计算；
S2.3，当人脸跟踪失败，从检测到的第一张开始计算；
S3，计算人脸识别的智能阈值：根据人脸角度值、模糊值、活体检测值，以及人脸边长尺寸和连续帧个数影响程度，最终计算得到：人脸识别的智能阈值＝最小人脸识别阈值+(最大人脸识别阈值-最小人脸识别阈值)*(人脸角度值对阈值的影响程度+模糊值对智能阈值的影响程度+活体检测值对智能阈值的影响程度+人脸大小对智能阈值的影响程度+连续帧个数对智能阈值的影响程度)。
所述步骤S1进一步包括：计算最大值为5张，超过五张，只记录最新的五张信息。
所述步骤S2.1中进一步包括：
设三个方向的人脸角度值分别为yaw、pitch和roll，模糊值为blur，活体检测值faceLiveness，第n张人脸的三个方向的人脸角度值分别为yaw_n、pitch_n和roll_n，模糊值为blur_n，活体检测值faceLiveness_n，其中n≥1。
所述步骤S2.2加权计算中进一步包括：
S2.2.1,当n＝1时，即第一张人脸，
yaw＝yaw_1
pitch＝pitch_1
roll＝roll_1
blur＝blur_1
faceLiveness＝faceLiveness_1；
S2.2.2,当n＝2时，即第二张人脸，
yaw＝0.5*yaw_1+0.5*yaw_2
pitch＝0.5*pitch_1+0.5*pitch_2
roll＝0.5*roll_1+0.5*roll_2
blur＝0.5*blur_1+0.5*blur_2
faceLiveness＝0.5*faceLiveness_1+0.5*faceLiveness_2；
S2.2.3,当n≥3时，即第三张或以后的连续人脸，
yaw＝0.6*yaw+0.4*yaw_n
pitch＝0.6*pitch+0.4*pitch_n
roll＝0.6*roll+0.4*roll_n
blur＝0.6*blur+0.4*blur_n
faceLiveness＝0.65*faceLiveness+0.35*faceLiveness_n。
所述步骤S2.2.1中由于只有两张，所以采用均值，采用均值更有利于三张及以上人脸图片的计算；
所述步骤S 2.2.2中由于人脸角度检测和模糊对当前值的依赖性很强，所以当前值的权重大，设为0.4，但为了消除误差带来的影响，所以对以前结果又存在依赖，所以非当前值总和的权重为0.6；人脸活体检测对当前的依赖性比较差，可以使用较强的非当前结果，所以当前结果权重为0.35，非当前结果权重为0.65。
所述步骤S3进一步包括：
S3.1，人脸角度的范围为[-90,90]，模糊值的范围为[0,1]，数值越大则越模糊；活体检测值的范围为[0,1]，数值越小活体可能性越高；设连续帧个数为m，5≥m≥2，m为整数，人脸的正方形边长为w；
S3.2,对进入人脸识别的人脸图片的人脸角度值、模糊值、活体检测值、人脸边长尺寸和连续帧个数设置相应的阈值；人脸角度值的绝对值小于其相应的阈值，模糊值小于其相应的阈值，活体检测值小于其相应的阈值，人脸边长大于等于其相应的阈值，连续帧数大于等于其相应的阈值，满足条件，则该人脸进入到识别；
S3.3，最小人脸识别阈值为min_threg，最大人脸识别阈值max_threg，智能阈值为threg，其中智能阈值threg条件的范围是在[min_threg,max_threg]；
S3.4，根据人脸角度值、模糊值、活体检测值、人脸边长尺寸和连续帧个数影响程度，设置加权系数依次为0.3,0.3,0.25，0.1，0.05；计算得到：人脸角度值对阈值的影响程度；模糊值对智能阈值的影响程度；活体检测值对智能阈值的影响程度；人脸大小对智能阈值的影响程度；连续帧个数对智能阈值的影响；最终获得：人脸识别的智能阈值。
所述S3.2设人脸角度值的三个方向的阈值分别为th_yaw、th_roll、th_pitch，模糊值为th_blur，活体检测值为th_facelive，人脸边长尺寸为th_w和连续帧个数为th_n。
所述的步骤S3.4进一步包括：
所述人脸角度值对阈值的影响程度:
affect_angle＝0.3*(1-yaw/th_yaw)*(1-roll/th_roll)*(1-pitch/th_pitch)；
所述模糊值对智能阈值的影响程度：
affect_blur＝0.3*(1-blur/th_blur)；
所述活体检测值对智能阈值的影响程度：
affect_facelive＝0.25*(1-facelive/th_facelive)；
所述人脸大小对智能阈值的影响程度：
当边长大于96时：affect_w＝0.1*1
当边长小于96时：affect_w＝0.1*(1-w/th_w)；
所述连续帧个数对智能阈值的影响：affect_m＝0.05*m/5；
所述人脸识别的智能阈值为：
threg＝min_threg+(max_threg-min_threg)*(affect_angle+
affect_blur+affect_facelive+affect_w+affect_m)。
所述设置相应的阈值是必须的，否则会出现识别异常情况。
由此，本申请的优势在于：本方法采用的方法简单有效，在所述方法中设置阈值，所述阈值大小根据人脸角度大小、人脸大小、人脸活体检测程度、模糊程度、连续帧情况综合进行评价后生成。在模型不变的情况下，提升人脸识别率，更接近模型的最佳识别效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1是本发明方法的流程示意图。
图2是本发明方法中的步骤S3的具体流程示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容及优点，现结合附图对本发明进行进一步的详细说明。
本方法采用智能阈值的方法设置阈值，阈值大小根据人脸角度大小、人脸大小、人脸活体检测程度、模糊程度、连续帧情况综合进行评价后生成。具体情况：前端人脸识别包括人脸检测、人脸角度检测、人脸活体检测、模糊检测和人脸识别。在低功耗芯片上运行，只能实现其满足实际要求，无法实现实时帧的每帧都进行人脸识别。人脸识别是一套流程，先检测到人脸，也就是人脸检测，再进行人脸识别。对于人脸识别，整套流程是人脸检测、人脸角度检测、人脸活体检测、模糊检测和“人脸识别”，这里的人脸识别，更确切说就是人脸比对或判断。
如图1所示，本发明涉及一种人脸识别的智能阈值控制方法，所述方法包括以下步骤：
S1，人脸识别中的人脸跟踪：前一次检测出的人脸与当前人脸位置上的iou小于0.5，同时两次时间间隔小于200ms,视为同一人，否则视为不同人，视为跟踪失败；
S2，采用加权计算的方法进行人脸角度检测、人脸活体检测、模糊检测中人脸角度值、活体检测值和模糊值这三个值的计算：
S2.1，初始化，开始记录的第一张人脸，第一张不会提交给人脸识别处理，从第二张开始进行提交给人脸识别；
S2.2，加权计算；
S2.3，当人脸跟踪失败，从检测到的第一张开始计算；
S3，计算人脸识别的智能阈值：根据人脸角度值、模糊值、活体检测值，以及人脸边长尺寸和连续帧个数影响程度，最终计算得到：人脸识别的智能阈值＝最小人脸识别阈值+(最大人脸识别阈值-最小人脸识别阈值)*(人脸角度值对阈值的影响程度+模糊值对智能阈值的影响程度+活体检测值对智能阈值的影响程度+人脸大小对智能阈值的影响程度+连续帧个数的影响程度)。
其中，所述S1中计算最大值为5张，超过五张，只记录最新的五张信息。所述S2中由于人脸角度检测、人脸活体检测、模糊检测存在一定误差，为了消除误差，采用加权计算这三个值的方法进行计算。
所述步骤S2.1中进一步包括：
设三个方向的人脸角度值分别为yaw、pitch和roll，模糊值为blur，活体检测值faceLiveness，第n张人脸的三个方向的人脸角度值分别为yaw_n、pitch_n和roll_n，模糊值为blur_n，活体检测值faceLiveness_n，其中n≥1。
所述步骤S2.2加权计算中进一步包括：
S2.2.1,当n＝1时，即第一张人脸，
yaw＝yaw_1
pitch＝pitch_1
roll＝roll_1
blur＝blur_1
faceLiveness＝faceLiveness_1
S2.2.2,当n＝2时，即第二张人脸
yaw＝0.5*yaw_1+0.5*yaw_2
pitch＝0.5*pitch_1+0.5*pitch_2
roll＝0.5*roll_1+0.5*roll_2
blur＝0.5*blur_1+0.5*blur_2
faceLiveness＝0.5*faceLiveness_1+0.5*faceLiveness_2
由于只有两张，所以采用均值，采用均值更有利于三张及更多张的计算。
S2.2.3,当n≥3时，即第三张或以后的连续人脸
yaw＝0.6*yaw+0.4*yaw_n
pitch＝0.6*pitch+0.4*pitch_n
roll＝0.6*roll+0.4*roll_n
blur＝0.6*blur+0.4*blur_n
faceLiveness＝0.65*faceLiveness+0.35*faceLiveness_n
人脸角度检测和模糊对当前值的依赖性很强，所以当前值权重很大，是0.4，非当前值的总和的权重为0.6；但为了消除误差带来的影响，所以对以前结果又存在依赖，所以非当前总和权重为0.6。人脸活体检测对当前的依赖性比较差，可以使用较强的非当前结果，所以当前结果权重为0.35，非当前结果权重为0.65。
如图2所示，本发明中实现步骤S3人脸识别智能阈值的计算的具体方法可以描述如下：
S3.1，人脸角度范围为[-90,90]。模糊值的范围为[0,1]，数值越大越模糊。活体检测值的范围为[0,1]，数值越小活体可能性越高。设连续帧书为m(6>m>1)m为整数。正方形人脸边长为w。
S3.2，对进入人脸识别的人脸图片的人脸角度值、模糊值、活体检测值，人脸边长尺寸和连续帧个数都有相应的阈值要求。这里必须设置相应的阈值，否则会出现识别异常情况。设人脸角度值阈值为(th_yaw,th_roll,th_pitch)，模糊值th_blur、活体检测值th_facelive，人脸边长尺寸th_w和连续帧个数th_n。
人脸角度值的绝对值小于其阈值，模糊值小于其阈值，活体检测值小于其阈值，人脸边长大于等于其阈值，连续帧数大于等于其阈值，满足上面条件，该人脸可以进入到识别。
S3.3，最小人脸识别阈值为min_threg，最大人脸识别阈值max_threg，智能阈值为threg。智能阈值条件的范围是在[min_threg,max_threg]。
S3.4，根据人脸角度值、模糊值、活体检测值、人脸边长尺寸和连续帧个数影响程度，设置加权系数依次为0.3,0.3,0.25，0.1，0.05。
人脸角度值对阈值的影响程度:affect_angle＝0.3*(1-yaw/th_yaw)*(1-roll/th_roll)*(1-pitch/th_pitch)
模糊值对智能阈值的影响程度affect_blur＝0.3*(1-blur/th_blur)
活体检测值值对智能阈值的影响程度affect_facelive＝0.25*(1-facelive/th_facelive)
人脸大小对智能阈值的影响程度
当边长大于96时：affect_w＝0.1*1
当边长小于96时：affect_w＝0.1*(1-w/th_w)
连续帧个数对智能阈值的影响：affect_m＝0.05*m/5
人脸识别的智能阈值为：
threg＝min_threg+(max_threg-min_threg)*(affect_angle+affect_blur+affect_facelive+affect_w+affect_m)。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。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 (9)
1.一种人脸识别的智能阈值控制方法，其特征在于，所述方法包括以下步骤：
S1，人脸识别中的人脸跟踪：前一次检测出的人脸与当前人脸位置上的iou小于0.5，同时两次时间间隔小于200ms,视为同一人，否则视为不同人，视为跟踪失败；
S2，采用加权计算的方法进行人脸角度检测、人脸活体检测、模糊检测中人脸角度值、活体检测值和模糊值这三个值的计算：
S2.1，初始化，开始记录的第一张人脸，第一张不会提交给人脸识别处理，从第二张开始进行提交给人脸识别；
S2.2，加权计算；
S2.3，当人脸跟踪失败，从检测到的第一张开始计算；
S3，计算人脸识别的智能阈值：根据人脸角度值、模糊值、活体检测值，以及人脸边长尺寸和连续帧个数影响程度，最终计算得到：人脸识别的智能阈值＝最小人脸识别阈值+(最大人脸识别阈值-最小人脸识别阈值)*(人脸角度值对阈值的影响程度+模糊值对智能阈值的影响程度+活体检测值对智能阈值的影响程度+人脸大小对智能阈值的影响程度+连续帧个数对智能阈值的影响程度)。
2.根据权利要求1所述的一种人脸识别的智能阈值控制方法，其特征在于，所述步骤S1进一步包括：计算最大值为5张，超过五张，只记录最新的五张信息。
3.根据权利要求1所述的一种人脸识别的智能阈值控制方法，其特征在于，所述步骤S2.1中进一步包括：
设三个方向的人脸角度值分别为yaw、pitch和roll，模糊值为blur，活体检测值faceLiveness，第n张人脸的三个方向的人脸角度值分别为yaw_n、pitch_n和roll_n，模糊值为blur_n，活体检测值faceLiveness_n，其中n≥1。
4.根据权利要求3所述的一种人脸识别的智能阈值控制方法，其特征在于，所述步骤S2.2加权计算中进一步包括：
S2.2.1,当n＝1时，即第一张人脸，
yaw＝yaw_1
pitch＝pitch_1
roll＝roll_1
blur＝blur_1
faceLiveness＝faceLiveness_1；
S2.2.2,当n＝2时，即第二张人脸，
yaw＝0.5*yaw_1+0.5*yaw_2
pitch＝0.5*pitch_1+0.5*pitch_2
roll＝0.5*roll_1+0.5*roll_2
blur＝0.5*blur_1+0.5*blur_2
faceLiveness＝0.5*faceLiveness_1+0.5*faceLiveness_2；
S2.2.3,当n≥3时，即第三张或以后的连续人脸，
yaw＝0.6*yaw+0.4*yaw_n
pitch＝0.6*pitch+0.4*pitch_n
roll＝0.6*roll+0.4*roll_n
blur＝0.6*blur+0.4*blur_n
faceLiveness＝0.65*faceLiveness+0.35*faceLiveness_n。
5.根据权利要求4所述的一种人脸识别的智能阈值控制方法，其特征在于，所述步骤S2.2.1中由于只有两张，所以采用均值，采用均值更有利于三张及以上人脸图片的计算；
所述步骤S 2.2.2中由于人脸角度检测和模糊对当前值的依赖性很强，所以当前值的权重大，设为0.4，但为了消除误差带来的影响，所以对以前结果又存在依赖，所以非当前值总和的权重为0.6；人脸活体检测对当前的依赖性比较差，可以使用较强的非当前结果，所以当前结果权重为0.35，非当前结果权重为0.65。
6.根据权利要求4所述的一种人脸识别的智能阈值控制方法，其特征在于，所述步骤S3进一步包括：
S3.1，人脸角度的范围为[-90,90]，模糊值的范围为[0,1]，数值越大则越模糊；活体检测值的范围为[0,1]，数值越小活体可能性越高；设连续帧个数为m,5≥m≥2,m为整数，人脸的正方形边长为w；
S3.2,对进入人脸识别的人脸图片的人脸角度值、模糊值、活体检测值、人脸边长尺寸和连续帧个数设置相应的阈值；人脸角度值的绝对值小于其相应的阈值，模糊值小于其相应的阈值，活体检测值小于其相应的阈值，人脸边长大于等于其相应的阈值，连续帧数大于等于其相应的阈值，满足条件，则该人脸进入到识别；
S3.3，最小人脸识别阈值为min_threg，最大人脸识别阈值max_threg，智能阈值为threg，其中智能阈值threg条件的范围是在[min_threg,max_threg]；
S3.4，根据人脸角度值、模糊值、活体检测值、人脸边长尺寸和连续帧个数影响程度，设置加权系数依次为0.3,0.3,0.25，0.1，0.05；计算得到：人脸角度值对阈值的影响程度；模糊值对智能阈值的影响程度；活体检测值对智能阈值的影响程度；人脸大小对智能阈值的影响程度；连续帧个数对智能阈值的影响；最终获得：人脸识别的智能阈值。
7.权利要求6所述的一种人脸识别的智能阈值控制方法，其特征在于，所述S3.2设人脸角度值的三个方向的阈值分别为th_yaw、th_roll、th_pitch，模糊值为th_blur，活体检测值为th_facelive，人脸边长尺寸为th_w和连续帧个数为th_n。
8.根据权利要求7所述的一种人脸识别的智能阈值控制方法，其特征在于，所述的步骤S3.4进一步包括：
所述人脸角度值对阈值的影响程度:
affect_angle＝0.3*(1-yaw/th_yaw)*(1-roll/th_roll)*(1-pitch/th_pitch)；
所述模糊值对智能阈值的影响程度：
affect_blur＝0.3*(1-blur/th_blur)；
所述活体检测值对智能阈值的影响程度：
affect_facelive＝0.25*(1-facelive/th_facelive)；
所述人脸大小对智能阈值的影响程度：
当边长大于96时：affect_w＝0.1*1
当边长小于96时：affect_w＝0.1*(1-w/th_w)；
所述连续帧个数对智能阈值的影响：affect_m＝0.05*m/5
所述人脸识别的智能阈值为：
threg＝min_threg+(max_threg-min_threg)*(affect_angle+affect_blur+affect_facelive+affect_w+affect_m)。
9.根据权利要求6所述的一种人脸识别的智能阈值控制方法，其特征在于，所述设置相应的阈值是必须的，否则会出现识别异常情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737813.4A CN114005152A (zh) | 2020-07-28 | 2020-07-28 | 一种人脸识别的智能阈值控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737813.4A CN114005152A (zh) | 2020-07-28 | 2020-07-28 | 一种人脸识别的智能阈值控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114005152A true CN114005152A (zh) | 2022-02-01 |
Family
ID=79920427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010737813.4A Pending CN114005152A (zh) | 2020-07-28 | 2020-07-28 | 一种人脸识别的智能阈值控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114005152A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599837A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 基于多图像输入的人脸识别方法及装置 |
| CN108875452A (zh) * | 2017-05-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法、装置、系统和计算机可读介质 |
| CN109598211A (zh) * | 2018-11-16 | 2019-04-09 | 恒安嘉新（北京）科技股份公司 | 一种实时动态人脸识别方法及系统 |
| WO2019085403A1 (zh) * | 2017-10-31 | 2019-05-09 | 平安科技（深圳）有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
| CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
| CN110991249A (zh) * | 2019-11-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸检测方法、装置、电子设备及介质 |
-
2020
- 2020-07-28 CN CN202010737813.4A patent/CN114005152A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599837A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 基于多图像输入的人脸识别方法及装置 |
| CN108875452A (zh) * | 2017-05-11 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别方法、装置、系统和计算机可读介质 |
| WO2019085403A1 (zh) * | 2017-10-31 | 2019-05-09 | 平安科技（深圳）有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
| CN109598211A (zh) * | 2018-11-16 | 2019-04-09 | 恒安嘉新（北京）科技股份公司 | 一种实时动态人脸识别方法及系统 |
| CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
| CN110991249A (zh) * | 2019-11-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸检测方法、装置、电子设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| HSIN-RUNG CHOU等: "Data-specific Adaptive Threshold for Face Recognition and Authentication", ARXIV, 26 October 2018 (2018-10-26), pages 1 - 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929566B (zh) | 基于可见光和近红外双目摄像头的人脸活体检测方法 | |
| JP5127583B2 (ja) | 対象物判定装置及びプログラム | |
| Feris et al. | Detection and tracking of facial features in video sequences | |
| CN115116132B (zh) | 一种物联网边缘服务环境下深度感知的人体行为分析方法 | |
| US8630453B2 (en) | Image processing device, image processing method and program | |
| US20100277586A1 (en) | Method and apparatus for updating background | |
| CN104361332B (zh) | 一种用于疲劳驾驶检测的人脸眼睛区域定位方法 | |
| CN111523559B (zh) | 一种基于多特征融合的异常行为检测方法 | |
| CN114495150B (zh) | 一种基于时序特征的人体摔倒检测方法及系统 | |
| CN113642490A (zh) | 一种目标检测跟踪一体化方法及装置 | |
| CN118097628A (zh) | 一种面向遮挡脸部的驾驶员疲劳检测方法及装置 | |
| Foedisch et al. | Adaptive road detection through continuous environment learning | |
| CN105046285B (zh) | 一种基于运动约束的异常行为辨识方法 | |
| JP2010003116A (ja) | 対象物判定装置及びプログラム | |
| CN113657137A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN114005152A (zh) | 一种人脸识别的智能阈值控制方法 | |
| JP7524713B2 (ja) | 情報処理装置および情報処理方法 | |
| CN118297996B (zh) | 一种电梯内监控摄像头的遮挡检测方法、装置、电子设备 | |
| CN117727091A (zh) | 一种基于计算机视觉的人体动作识别系统及方法 | |
| CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
| CN118570261A (zh) | 一种低功耗轻量级人脸检测追踪方法及系统 | |
| CN113506272B (zh) | 一种虚假视频的检测方法及系统 | |
| CN116453283A (zh) | 基于ai学习的餐厨智能监测及预警系统 | |
| KR20060121503A (ko) | 무인 감시 로봇에서 중요 얼굴 추적 장치 및 방법 | |
| CN112598707A (zh) | 一种实时视频流对象检测和跟踪方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220201 |