[go: up one dir, main page]

CN111104852B - 一种基于启发式高斯云变换的人脸识别技术 - Google Patents

一种基于启发式高斯云变换的人脸识别技术 Download PDF

Info

Publication number
CN111104852B
CN111104852B CN201911075387.6A CN201911075387A CN111104852B CN 111104852 B CN111104852 B CN 111104852B CN 201911075387 A CN201911075387 A CN 201911075387A CN 111104852 B CN111104852 B CN 111104852B
Authority
CN
China
Prior art keywords
face
neural network
network model
image
face recognition
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.)
Active
Application number
CN201911075387.6A
Other languages
English (en)
Other versions
CN111104852A (zh
Inventor
袁正午
查徐鹏
李林
梁星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Shennengda Intelligent Technology Co ltd
Yunnan Chenshuang Information Technology Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911075387.6A priority Critical patent/CN111104852B/zh
Publication of CN111104852A publication Critical patent/CN111104852A/zh
Application granted granted Critical
Publication of CN111104852B publication Critical patent/CN111104852B/zh
Priority to PCT/CN2020/122249 priority patent/WO2021088640A1/zh
Priority to KR1020217009596A priority patent/KR102593835B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像识别技术领域，尤其涉及一种基于启发式高斯云变换的人脸识别方法。该方法包括以下内容：利用摄像头获取目标人脸图像；将目标人脸图像输入到MTCNN神经网络模型中，输出一个只有五官对齐人脸切割后的正方形人脸脸框图像；构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数；将经过预处理的人脸图像数据集CASIA‑WebFace对已构造的神经网络模型进行预训练，并保留训练后的模型的结构和参数；将目标人脸图像与人脸数据库中人脸图像输入到神经网络模型中，然后利用启发式高斯云变换算法得到含混度来判断人脸识别结果。该方法提供了一种基于启发式高斯云变换的人脸识别方法，定义了一种新的人脸识别损失函数，代替了softmax分类方法，不再需要考虑识别对象的样本数少、分类类别多等问题，从而提高了精度。

Description

一种基于启发式高斯云变换的人脸识别技术
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于启发式高斯云变换的人脸识别技术。
背景技术
在现代社会，个人身份认证的应用越来越广泛，其中基于指纹、虹膜、以及人脸的生物特征认证技术所应用的领域在不断增加，例如：手机指纹解锁、门禁虹膜认证、以及车站人脸识别通道等等，尽管它们都具有很高的准确度和可靠性，但是人脸识别最为自然和方便，不需要用户特别做出某种动作或姿势，特别是针对人流量大的地方进行身份认证是人脸识别的最大优势。在未来的生活中，人脸识别将会有着更大的应用前景。
人脸识别是基于数字图像处理、计算机视觉和机器学习等技术，借助于计算机处理技术，对数据库中人脸图像进行分析比较的过程。目前，人脸识别技术主要是利用深度卷积神经网络的卷积训练操作来提取人脸特征，对于同一个人的两张人脸图像，对应的特征属于同一类；反之，对于不同一个人的两张人脸图像，对应的特征属于不同的类，所以在人脸识别模型中，一个人就对应一种类别。在早期的神经网络模型中，直接使用Softmax分类得到每类的概率，选取其中概率最大或概率前几位作为识别结果，但这种技术由于训练集少，种类多等原因，造成识别精度低。
发明内容
为了解决上述问题，本发明提供了一种基于启发式高斯云变换的人脸识别技术，定义了一种新的人脸识别的损失函数，代替了softmax分类方法，不再需要考虑识别对象的样本数少、分类类别多等问题，从而提高了精度。
为达到上述目的，本发明的技术方案是：一种基于启发式高斯云变换的人脸识别技术，包括如下步骤：
步骤1)、利用摄像头获取目标人脸图像；
步骤2)、将目标人脸图像输入到MTCNN神经网络模型中，输出一个只有五官对齐人脸切割后的正方形人脸脸框图像；
步骤3)、构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数；
步骤4)、将经过预处理的人脸图像数据集CASIA-WebFace对已构造的神经网络模型进行预训练，并保留训练后的模型的结构和参数；
步骤5)、将目标人脸图像与人脸数据库中人脸图像输入到神经网络模型中，然后利用启发式高斯云变换算法得到含混度来判断人脸识别结果。
作为优选，所述步骤3)中构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数的过程包括：
步骤3-1、搭建神经网络模型并将每一层的激活函数都设置成random_nomal；
步骤3-2、定义神经网络模型的损失函数loss；
作为优选，定义神经网络模型的损失函数loss的过程如下：
将人脸图像输入到神经网络模型中，提取每张人脸图像的特征向量，而且每一张人脸图像的特征维度都是相同的；每次训练都从训练集中随机选取3张人脸图像，分别是人脸样本特征anchor、anchor的正样本(属于同一个人)positive、anchor的负样本(不属于同一个人) negative，将它们输入到神经网络模型后，得到所对应的特征向量。
将启发式高斯云变换算法的概念个数设置为2，把anchor样本的特征向量和positive样本的特征向量合并，然后作为算法的数据样本集，经过启发式高斯云变换得到2个高斯分布 G(μk,σk)|k＝1,2；对于第k个高斯分布，计算其标准差的缩放比αk，然后计算出高斯云的含混度CDk＝(1-αk)/(1+σk)，分别为CD1、CD2；同理，把anchor样本的特征向量和negative 样本的特征向量合并，然后作为算法的数据样本集输入，也得到2个含混度，分别为CD3、CD4。
对于同一个人，我们希望它们的特征向量属于同一类，也就是同一个概念，那么对应的含混度大；反之，不属于同一个概念，那么对应的含混度小。由于
Figure GDA0002301812350000021
我们期望
Figure GDA0002301812350000022
越大，
Figure GDA0002301812350000023
越小，因此，在训练模型时，只要不断优化
Figure GDA0002301812350000024
Figure GDA0002301812350000025
的结果，使它不断接近0。因此，定义人脸识别的损失函数loss为：
Figure GDA0002301812350000026
作为优选，步骤5)中将数据库的人脸图像输入到训练好了神经网络模型中，将得到的人脸特征向量覆盖数据库中所对应的原始人脸图像，最终，得到一个由人脸特征向量组成的人脸数据库。
作为优选，所述步骤5)中，将目标人脸特征向量与人脸数据库中人脸图像的特征向量合并，然后通过启发式高斯云变换算法，最后得到目标图像与人脸数据库中图像的相似度。
有益效果，本发明揭示的一种基于启发式高斯云变换的人脸识别技术，具有如下有益效果：
1)、提出一种基于启发式高斯云变换的人脸图像损失定义，为人脸识别技术提供了一种新的技术，不再通过softmax分类方法来识别人脸，解决了训练集少、分类类别多、准确度低等问题。
2)、人脸数据库不再利用人脸图像来存储个人人脸信息，转换成人脸图像所对应的特征向量来存储，不光保护了用户的隐私，减小了存储空间，同时在识别的时候只需通过判断两组人脸图像特征向量的含混度，就可以得出它们的相似度，这样的识别方式缩短了人脸的识别时间。
3)、在更新数据库时，不再需要重新训练模型，只需将新的人脸图像输入到训练好的神经网络模型中，把得到的人脸图像的特征向量添加到数据库即可。
附图说明
图1是本发明损失函数loss的求值流程示意图。
具体实施方式
下面结合本发明所提供的附图对本发明的技术作进一步说明：
本发明所揭示的是一种基于启发式高斯云变换的人脸识别技术，详细步骤如下：
步骤1)、利用摄像头获取目标人脸图像；
步骤2)、将目标人脸图像输入到MTCNN神经网络模型中，输出一个只有五官对齐人脸切割后的正方形人脸脸框图像；
步骤3)、构造基于random_normal激活函数的神经网络模型，并添加新的人脸识别损失函数；
步骤4)、将经过预处理的人脸图像数据集CASIA-WebFace对已构造的神经网络模型进行预训练，并保留训练后的模型的结构和参数；
步骤5)、将目标人脸图像与人脸数据库中人脸图像输入到神经网络模型中，然后利用启发式高斯云变换算法得到含混度来判断人脸识别结果。
下面对上述步骤进行详细描述，其中步骤1)目标人脸图像可以利用智能手机或者其他智能设备进行获取，且获取一个效果好的人脸图像的方式是通过摄像头对目标人物进行正面、水平、近距离获取；
在所述步骤2)中将目标人脸图像输入到MTCNN神经网络模型中，输出一个只有五官对齐人脸切割后的方形人脸脸框图像的过程包括：
步骤2-1、采用P-Net网络获得候选窗体和边界回归量，同时候选窗体根据边界框进行校准，再利用NMS方法去除重叠窗体；
步骤2-2、将P-Net网络确定的包含候选窗体的图片在R-Net网络中训练，利用边界框向量微调候选框体，再利用NMS方法去除重叠窗体；
步骤2-3、利用O-Net网络在去除候选窗体，同时显示五个人脸关键点定位。
通过上述步骤，目标人脸图像经过处理后得到了一个经过五官对齐人脸切割后的方形人脸脸框图像。
所述步骤3)中构造基于random_normal激活函数的神经网络模型，并添加新的人脸识别损失函数的过程包括：
步骤3-1、搭建神经网络模型并将每一层的激活函数都设置成random_nomal，使每层输出的特征都呈现一种正态分布的状态；
步骤3-2、定义一种新的神经网络模型的损失函数loss，从而完成对神经网络模型的构建；
如图1所示，神经网络模型的损失函数loss的过程如下：
将人脸图像输入到神经网络模型，提取每张人脸图像的特征向量，而且每一张人脸图像的特征维度都是相同的；每次训练都从训练集中随机选取3张人脸图像，分别是人脸样本特征anchor、anchor的正样本(属于同一个人)positive、anchor的负样本(不属于同一个人) negative，将它们输入到神经网络模型后，得到所对应的特征向量。
将启发式高斯云变换算法的概念个数设置为2，把anchor样本的特征向量和positive样本的特征向量合并，然后作为算法的数据样本集，经过启发式高斯云变换得到2个高斯分布 G(μk,σk)|k＝1,2；对于第k个高斯分布，计算其标准差的缩放比αk，然后计算出高斯云的含混度CDk＝(1-αk)/(1+σk)，分别为CD1、CD2；同理，把anchor样本的特征向量和negative 样本的特征向量合并，然后作为算法的数据样本集输入，也得到2个含混度，分别为CD3、CD4。
对于同一个人，我们希望它们的特征向量属于同一类，也就是同一个概念，那么对应的含混度大；反之，不属于同一个概念，那么对应的含混度小。由于
Figure GDA0002301812350000061
我们期望
Figure GDA0002301812350000062
越大，
Figure GDA0002301812350000063
越小，因此，在训练模型时，只要不断优化
Figure GDA0002301812350000064
Figure GDA0002301812350000065
的结果，使它不断接近0。因此，定义人脸识别的损失函数loss为：
Figure GDA0002301812350000066
经过定义新的损失函数loss后，得到神经网络模型。
所述步骤4)中将经过预处理的人脸图像数据集CASIA-WebFace对已构造的神经网络模型进行预训练，当模型不再收敛的时候，保存网络模型结构和参数；
所述步骤5)中将目标人脸图像的特征向量与人脸数据库中人脸图像的特征向量合并，将启发式高斯云变换算法的概念个数设置为2，同时将合并后的向量作为算法的数据样本集输入，得到2个混合度CD1、CD2，将
Figure GDA0002301812350000067
的值作为目标人脸图像和人脸数据库中人脸图像的相似度。在实际使用过程中(如考勤系统、用户验证系统)，设定一个阈值，如果得到的相似度值高于阈值，则判断为相似图片，认定验证通过，如果低于阈值，则判断为不同图片，表示认证失败；这里的阈值既可以通过人为设定，也可以根据训练的结果来设置。
本发明的技术内容及技术特征已揭示如上，然而熟悉本领域的技术人员仍可能基于本发明的揭示而作种种不背离本发明精神的替换及修饰，因此，本发明保护范围应不限于实施例所揭示的内容，而应包括各种不背离本发明的替换及修饰，并为本专利申请权利要求所涵盖。

Claims (5)

1.一种基于启发式高斯云变换的人脸识别方法，其特征在于：该方法包括以下步骤：
步骤1)、利用摄像头获取目标人脸图像；
步骤2)、将目标人脸图像输入到MTCNN神经网络模型中，输出一个只有五官对齐人脸切割后的正方形人脸脸框图像；
步骤3)、构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数；
步骤4)、将经过MTCNN模型预处理的人脸图像数据集CASIA-WebFace对已构造的神经网络模型进行预训练，并保留训练后的模型的结构和参数；
步骤5)、将目标人脸图像与人脸数据库中人脸图像输入到步骤4)已构造的神经网络模型中，然后利用启发式高斯云变换算法得到含混度来判断人脸识别结果。
2.根据权利要求1所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述步骤3)中构造基于random_normal激活函数的神经网络模型，并定义新的人脸识别损失函数的过程包括：
步骤3-1、搭建神经网络模型并将每一层的激活函数都设置成random_nomal；
步骤3-2、定义神经网络模型的损失函数loss。
3.根据权利要求2所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述的定义神经网络模型的损失函数loss的过程如下：
将人脸图像输入到神经网络模型中，提取每张人脸图像的特征向量，而且每一张人脸图像的特征维度都是相同的；每次训练都从训练集中随机选取3张人脸图像，分别是人脸样本特征anchor、属于同一个人anchor的正样本positive、不属于同一个人anchor的负样本negative，将它们输入到神经网络模型后，得到所对应的特征向量；
将启发式高斯云变换算法的概念个数设置为2，把anchor样本的特征向量和positive样本的特征向量合并，然后作为算法的数据样本集，经过启发式高斯云变换得到2个高斯分布G(μk,σk)|k＝1,2；对于第k个高斯分布，计算其标准差的缩放比αk，然后计算出高斯云的含混度CDk＝(1-αk)/(1+σk)，分别为CD1、CD2；同理，把anchor样本的特征向量和negative样本的特征向量合并，然后作为算法的数据样本集输入，也得到2个含混度，分别为CD3、CD4；
对于同一个人，我们希望它们的特征向量属于同一类，也就是同一个概念，那么对应的含混度大；反之，不属于同一个概念，那么对应的含混度小；由于
Figure FDA0002639970800000021
Figure FDA0002639970800000022
我们期望
Figure FDA0002639970800000023
越大，
Figure FDA0002639970800000024
越小，因此，在训练模型时，只要不断优化
Figure FDA0002639970800000025
的结果，使它不断接近0；因此，定义人脸识别的损失函数loss为：
Figure FDA0002639970800000026
4.根据权利要求1所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述步骤5)中将数据库的人脸图像输入到训练好了神经网络模型中，将得到的人脸特征向量覆盖数据库中所对应的原始人脸图像，最终，得到一个由人脸特征向量组成的人脸数据库。
5.根据权利要求1所述的一种基于启发式高斯云变换的人脸识别方法，其特征在于：所述步骤5)中将目标人脸特征向量与人脸数据库中人脸图像的特征向量合并，然后通过启发式高斯云变换算法，最后得到目标图像与人脸数据库中图像的相似度。
CN201911075387.6A 2019-11-06 2019-11-06 一种基于启发式高斯云变换的人脸识别技术 Active CN111104852B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911075387.6A CN111104852B (zh) 2019-11-06 2019-11-06 一种基于启发式高斯云变换的人脸识别技术
PCT/CN2020/122249 WO2021088640A1 (zh) 2019-11-06 2020-10-20 一种基于启发式高斯云变换的人脸识别技术
KR1020217009596A KR102593835B1 (ko) 2019-11-06 2020-10-20 휴리스틱 가우스 클라우드 변환에 기반하는 얼굴인식 기술

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075387.6A CN111104852B (zh) 2019-11-06 2019-11-06 一种基于启发式高斯云变换的人脸识别技术

Publications (2)

Publication Number Publication Date
CN111104852A CN111104852A (zh) 2020-05-05
CN111104852B true CN111104852B (zh) 2020-10-16

Family

ID=70420664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075387.6A Active CN111104852B (zh) 2019-11-06 2019-11-06 一种基于启发式高斯云变换的人脸识别技术

Country Status (3)

Country Link
KR (1) KR102593835B1 (zh)
CN (1) CN111104852B (zh)
WO (1) WO2021088640A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104852B (zh) * 2019-11-06 2020-10-16 重庆邮电大学 一种基于启发式高斯云变换的人脸识别技术
CN113806578A (zh) * 2021-09-01 2021-12-17 浪潮卓数大数据产业发展有限公司 一种基于人工智能和大数据的遗失人员询查方法及系统
CN115880727A (zh) * 2023-03-01 2023-03-31 杭州海康威视数字技术股份有限公司 人体识别模型的训练方法和装置
CN117475091B (zh) * 2023-12-27 2024-03-22 浙江时光坐标科技股份有限公司 高精度3d模型生成方法和系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530866B (zh) * 2012-12-31 2016-08-31 刘玉超 一种基于高斯云变换的图像处理方法及装置
US10198626B2 (en) * 2016-10-19 2019-02-05 Snap Inc. Neural networks for facial modeling
KR102587254B1 (ko) * 2016-10-31 2023-10-13 한국전자통신연구원 Ｃｎｎ과 ｒｎｎ을 이용한 얼굴인식 기반 키 생성 방법 및 장치
CN107609459B (zh) * 2016-12-15 2018-09-11 平安科技（深圳）有限公司 一种基于深度学习的人脸识别方法及装置
CN107423690B (zh) * 2017-06-26 2020-11-13 广东工业大学 一种人脸识别方法及装置
CN107341463B (zh) * 2017-06-28 2020-06-05 苏州飞搜科技有限公司 一种结合图像质量分析与度量学习的人脸特征识别方法
GB201710560D0 (en) * 2017-06-30 2017-08-16 Norwegian Univ Of Science And Tech (Ntnu) Detection of manipulated images
KR102117050B1 (ko) * 2017-09-08 2020-05-29 삼성전자주식회사 이미지 내 휴먼 분리를 위한 전자 장치 및 방법
CN109165566B (zh) * 2018-08-01 2021-04-27 中国计量大学 一种基于新型损失函数的人脸识别卷积神经网络训练方法
CN109543606B (zh) * 2018-11-22 2022-09-27 中山大学 一种加入注意力机制的人脸识别方法
CN109447053A (zh) * 2019-01-09 2019-03-08 江苏星云网格信息技术有限公司 一种基于双重限制注意力神经网络模型的人脸识别方法
CN110135236A (zh) * 2019-03-21 2019-08-16 云南路普斯数据科技有限公司 一种基于小波变换及神经网络算法的视频人脸识别方法
CN111104852B (zh) * 2019-11-06 2020-10-16 重庆邮电大学 一种基于启发式高斯云变换的人脸识别技术

Also Published As

Publication number Publication date
KR20210100592A (ko) 2021-08-17
WO2021088640A1 (zh) 2021-05-14
CN111104852A (zh) 2020-05-05
KR102593835B1 (ko) 2023-10-25

Similar Documents

Publication Publication Date Title
William et al. Face recognition using facenet (survey, performance test, and comparison)
CN106372581B (zh) 构建及训练人脸识别特征提取网络的方法
Gao et al. Discriminative multiple canonical correlation analysis for information fusion
CN111104852B (zh) 一种基于启发式高斯云变换的人脸识别技术
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN112801054B (zh) 人脸识别模型的处理方法、人脸识别方法及装置
CN116259075A (zh) 基于提示微调预训练大模型的行人属性识别方法
CN113205002B (zh) 非受限视频监控的低清人脸识别方法、装置、设备及介质
WO2019174131A1 (zh) 身份认证方法、服务器及计算机可读存储介质
CN110348416A (zh) 一种基于多尺度特征融合卷积神经网络的多任务人脸识别方法
CN106372624B (zh) 人脸识别方法及系统
CN106339719A (zh) 一种图像识别方法及装置
CN109858362A (zh) 一种基于倒置残差结构和角度联合损失函数的移动端人脸检测方法
CN108875907A (zh) 一种基于深度学习的指纹识别方法和装置
CN108985200A (zh) 一种基于终端设备的非配合式的活体检测算法
CN115512399A (zh) 一种基于局部特征和轻量级网络人脸融合攻击检测的方法
CN107220598A (zh) 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法
CN108564040A (zh) 一种基于深度卷积特征的指纹活性检测方法
US20250278917A1 (en) Image processing method and apparatus, computer device, and storage medium
CN115795394A (zh) 层级多模态和高级增量学习的生物特征融合身份识别方法
CN116386099A (zh) 人脸多属性识别方法及其模型获取方法、装置
Bouadjenek et al. Fuzzy integrals for combining multiple SVM and histogram features for writer's gender prediction
CN111898400A (zh) 一种基于多模态特征融合的指纹活性检测方法
CN110263726A (zh) 一种基于深度相关性特征学习的指静脉识别方法及装置
Shankar et al. Frames extracted from video streaming to recognition of face: LBPH, FF and CNN

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231108

Address after: 530007 Production and R&D Building, No. 2, East Section of Gaoxin Avenue, Gaoxin District, Nanning City, Guangxi Zhuang Autonomous Region

Patentee after: GUANGXI SHENNENGDA INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: No. 6103-2, Office Building, No.1 Tiyuan Road, Dianchi National Tourism Resort, Kunming City, Yunnan Province, 650228

Patentee before: Yunnan Chenshuang Information Technology Co.,Ltd.

Effective date of registration: 20231108

Address after: No. 6103-2, Office Building, No.1 Tiyuan Road, Dianchi National Tourism Resort, Kunming City, Yunnan Province, 650228

Patentee after: Yunnan Chenshuang Information Technology Co.,Ltd.

Address before: 400065 No. 2, Chongwen Road, Nan'an District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS