[go: up one dir, main page]

CN111860047A - 一种基于深度学习的人脸快速识别方法 - Google Patents

一种基于深度学习的人脸快速识别方法 Download PDF

Info

Publication number
CN111860047A
CN111860047A CN201910345927.1A CN201910345927A CN111860047A CN 111860047 A CN111860047 A CN 111860047A CN 201910345927 A CN201910345927 A CN 201910345927A CN 111860047 A CN111860047 A CN 111860047A
Authority
CN
China
Prior art keywords
face
picture
feature point
point data
deep learning
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.)
Granted
Application number
CN201910345927.1A
Other languages
English (en)
Other versions
CN111860047B (zh
Inventor
陈美林
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.)
Meiao Shijie Xiamen Intelligent Technology Co ltd
Original Assignee
Meiao Shijie Xiamen Intelligent Technology Co ltd
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 Meiao Shijie Xiamen Intelligent Technology Co ltd filed Critical Meiao Shijie Xiamen Intelligent Technology Co ltd
Priority to CN201910345927.1A priority Critical patent/CN111860047B/zh
Publication of CN111860047A publication Critical patent/CN111860047A/zh
Application granted granted Critical
Publication of CN111860047B publication Critical patent/CN111860047B/zh
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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的人脸快速识别方法，收集N个带有人脸的图片，处理生成对应N个人脸样本图片，并将N个所述人脸样本图片提取人脸特征点数据存入数据库中；对N个所述人脸图片进行深度学习，建立学习模型；将输入的视频流与所述学习模型比对，对视频人脸进行采集形成人脸图片；提取人脸特征点数据；将该人脸特征点数据与数据库中已存储的人脸特征点数据进行比对判断，采用本发明人脸快速识别方法不仅提高了人脸识别效率而且人脸识别的精度。

Description

一种基于深度学习的人脸快速识别方法
技术领域
本发明涉及人脸识别技术领域，具体涉及一种基于深度学习的人脸快速识别方法。
背景技术
人脸识别，通常也叫做人像识别、面部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，以达到识别不同人身份的目的。
目前的人脸识别技术存在如下以下的不足或缺陷：
(1)人脸识别速度慢，现有人脸识别系统大多需要用户配合，用户按照要求执行相应指令后，在采集条件比较理想的情况下，才能完成识别检测；
(2)人脸识别精确度低，导致识别效率低，如光照不均匀，阴阳脸，分辨率低，背景干扰等)，有各种遮挡的情况下，都会导致识别率将大大降低。
(3)采用深度学习算法进行特征提取，避免人为干涉，通过设备的自身学习寻找最优特征。但其也存在海量样本库，训练周期长，对设备配置要求高等缺点。
发明内容
本发明的目的在于克服现有技术问题，提出一种基于深度学习的人脸快速识别方法。
为达成上述目的，本发明采用如下技术方案：
本发明提供了一种基于深度学习的人脸快速识别方法，包括如下步骤：
步骤一，收集N个带有人脸的图片，处理生成对应N个人脸样本图片，并将N个所述人脸样本图片提取人脸特征点数据存入数据库中；
所述人脸样本图片的生成方式为，先将带有人脸的图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪人脸图像形成人脸样本图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤二，对N个所述人脸图片进行深度学习，建立学习模型；
步骤三，将输入的视频流与所述学习模型比对，对视频人脸进行采集形成人脸图片；先将视频流截取带有人脸的图片，并在所述图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪所述图像形成人脸图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤四，从采集到的所述人脸图片，提取人脸特征点数据；
步骤五，将该人脸特征点数据与数据库中已存储的人脸特征点数据进行比对，判断该人脸特征点数据与数据库中已存储的人脸特征点数是否相似，若相似，则调取数据库已存储的人脸特征点对应的人脸样本信息，否则，结束。
上述基于深度学习的人脸快速识别方法，通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点数据。
进一步地，所述人脸特征点包括器官特征点和轮廓特征点以及器官位置点。
上述基于深度学习的人脸快速识别方法的步骤四中，提取人脸特征点数据前，将采集到的所述人脸图片的图片分辨率调整为人脸样本图片相同的分辨率。
在本发明的另一实施例中，所述的基于深度学习的人脸快速识别方法的步骤一，还包括N个所述人脸样本图片处理成M种分辨率的所述人脸样本图片，并分别提取对应M种人脸特征点数据存入数据库的M个子数据库中。
上述的基于深度学习的人脸快速识别方法的步骤四为，判断采集到的所述人脸图片的分辨率，并查找M种分辨率最接近的分辨率并将所述人脸图片的分辨率调整为最接近的分辨率，再提取人脸特征点数据；步骤五为，将该人脸特征点数据与最接近的分辨率的子数据库中已存储的人脸特征点数据进行比对，判断该人脸特征点数据与数据库中已存储的人脸特征点数是否相似，若相似，则调取数据库已存储的人脸特征点对应的人脸样本信息，否则，结束。
通过本发明的基于深度学习的人脸快速识别方法，与现有技术相比，具备如下的有益效果：
(1)采用本发明的人脸快速识别方法与现有人脸快速识别方法相比较，人脸样本图片进行处理后再提取人脸特征点数据存入数据库，不仅提高了人脸识别效率而且人脸识别的精度；
(2)通过持续不间断的深度学习，不断提高人脸识别精度；
(3)另同时N个所述人脸样本图片处理成M种分辨率的所述人脸样本图片，并分别提取对应M种人脸特征点数据存入数据库的M个子数据库中，调整采集人脸图像的分辨率，并将该人脸特征点数据与最接近的分辨率的子数据库中已存储的人脸特征点数据进行比对，在不降低识别的准确度的前提下，进一步提升识别的效率。
附图说明
此处所说明的附图用来提供对发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例1的基于深度学习的人脸快速识别方法的流程示意图；
图2为本发明实施例2的基于深度学习的人脸快速识别方法的流程示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本发明实施例提供了一基于深度学习的人脸快速识别方法，如附图1所示，包括如下步骤：
本发明提供了一种基于深度学习的人脸快速识别方法，包括如下步骤：
步骤S11，收集N个带有人脸的图片，处理生成对应N个人脸样本图片，并将N个所述人脸样本图片提取人脸特征点数据存入数据库中；
所述人脸样本图片的生成方式为，先将带有人脸的图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪人脸图像形成人脸样本图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤S12，对N个所述人脸图片进行深度学习，建立学习模型；
步骤S13，将输入的视频流与所述学习模型比对，对视频人脸进行采集形成人脸图片，具体为，先将视频流截取带有人脸的图片，并在所述图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪所述图像形成人脸图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤S14，从采集到的所述人脸图片，提取人脸特征点数据；
步骤S15，将该人脸特征点数据与数据库中已存储的人脸特征点数据进行比对，判断该人脸特征点数据与数据库中已存储的人脸特征点数据是否相似，若相似，则调取数据库已存储的人脸特征点对应的人脸样本信息，否则，结束。
上述基于深度学习的人脸快速识别方法，通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点数据。
进一步地，所述人脸特征点包括器官特征点和轮廓特征点以及器官位置点。
上述基于深度学习的人脸快速识别方法的步骤S14中，提取人脸特征点数据前，将采集到的所述人脸图片的图片分辨率调整为人脸样本图片相同的分辨率。
实施例2
本发明实施例提供了另一基于深度学习的人脸快速识别方法，如附图2所示，包括如下步骤：
步骤S21，收集N个带有人脸的图片，处理生成对应N个人脸样本图片，并将N个所述人脸样本图片处理成M种分辨率的所述人脸样本图片，并分别提取对应M种人脸特征点数据存入数据库的M个子数据库中；
所述人脸样本图片的生成方式为，先将带有人脸的图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪人脸图像形成人脸样本图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤S22，对N个所述人脸图片进行深度学习，建立学习模型；
步骤S23，将输入的视频流与所述学习模型比对，对视频人脸进行采集形成人脸图片；先将视频流截取带有人脸的图片，并在所述图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪所述图像形成人脸图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤S24，判断采集到的所述人脸图片的分辨率，并查找M种分辨率最接近的分辨率并将所述人脸图片的分辨率调整为最接近的分辨率，再提取人脸特征点数据；
步骤S25，将该人脸特征点数据与最接近的分辨率的子数据库中已存储的人脸特征点数据进行比对，判断该人脸特征点数据与数据库中已存储的人脸特征点数据是否相似，若相似，则调取数据库已存储的人脸特征点对应的人脸样本信息，否则，结束。
上述基于深度学习的人脸快速识别方法，通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点数据。
进一步地，所述人脸特征点包括器官特征点和轮廓特征点以及器官位置点。
上述说明描述了本发明的优选实施例，但应当理解本发明并非局限于上述实施例，且不应看作对其他实施例的排除。通过本发明的启示，本领域技术人员结合公知或现有技术、知识所进行的改动也应视为在本发明的保护范围内。

Claims (6)

1.一种基于深度学习的人脸快速识别方法，其特征在于，
包括如下步骤：
步骤一，收集N个带有人脸的图片，处理生成对应N个人脸样本图片，并将N个所述人脸样本图片提取人脸特征点数据存入数据库中；
所述人脸样本图片的生成方式为，先将带有人脸的图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪人脸图像形成人脸样本图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤二，对N个所述人脸图片进行深度学习，建立学习模型；
步骤三，将输入的视频流与所述学习模型比对，对视频人脸进行采集形成人脸图片；先将视频流截取带有人脸的图片，并在所述图片识别出人眼区域图像、鼻子区域图形、嘴巴区域图形，并定位出两个眼睛、鼻子、嘴巴的中心位置，将人眼区域图像的两眼位置对齐在同一水平线上、两个眼睛、鼻子、嘴巴的中心位置在同一垂直线上进行旋转和/或平移处理图片，通过矩形框式裁剪所述图像形成人脸图片，所述矩形框垂直中心线对准两眼之间的中心位置；
步骤四，从采集到的所述人脸图片，提取人脸特征点数据；
步骤五，将该人脸特征点数据与数据库中已存储的人脸特征点数据进行比对，判断该人脸特征点数据与数据库中已存储的人脸特征点数是否相似，若相似，则调取数据库已存储的人脸特征点对应的人脸样本信息，否则，结束；
其中N为正整数。
2.根据权利要求1所述的基于深度学习的人脸快速识别方法，其特征在于
通过卷积神经网络中的深度学习模型定位人脸图像中的人脸特征点数据。
3.根据权利要求1所述的基于深度学习的人脸快速识别方法，其特征在于
所述人脸特征点包括器官特征点和轮廓特征点以及器官位置点。
4.根据权利要求1所述的基于深度学习的人脸快速识别方法，其特征在于，
步骤四中，提取人脸特征点数据前，将采集到的所述人脸图片的图片分辨率调整为人脸样本图片相同的分辨率。
5.根据权利要求1所述的基于深度学习的人脸快速识别方法，其特征在于，
步骤一，还包括N个所述人脸样本图片处理成M种分辨率的所述人脸样本图片，并分别提取对应M种人脸特征点数据存入数据库的M个子数据库中，其中M为正整数。
6.根据权利要求5所述的基于深度学习的人脸快速识别方法，其特征在于，
步骤四，判断采集到的所述人脸图片的分辨率，并查找M种分辨率最接近的分辨率并将所述人脸图片的分辨率调整为最接近的分辨率，再提取人脸特征点数据；
步骤五，将该人脸特征点数据与最接近的分辨率的子数据库中已存储的人脸特征点数据进行比对，判断该人脸特征点数据与数据库中已存储的人脸特征点数是否相似，若相似，则调取数据库已存储的人脸特征点对应的人脸样本信息，否则，结束。
CN201910345927.1A 2019-04-26 2019-04-26 一种基于深度学习的人脸快速识别方法 Active CN111860047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910345927.1A CN111860047B (zh) 2019-04-26 2019-04-26 一种基于深度学习的人脸快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910345927.1A CN111860047B (zh) 2019-04-26 2019-04-26 一种基于深度学习的人脸快速识别方法

Publications (2)

Publication Number Publication Date
CN111860047A true CN111860047A (zh) 2020-10-30
CN111860047B CN111860047B (zh) 2024-06-11

Family

ID=72951784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910345927.1A Active CN111860047B (zh) 2019-04-26 2019-04-26 一种基于深度学习的人脸快速识别方法

Country Status (1)

Country Link
CN (1) CN111860047B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220142A (zh) * 2021-11-24 2022-03-22 慧之安信息技术股份有限公司 一种深度学习算法的人脸特征识别方法
CN115830671A (zh) * 2022-11-16 2023-03-21 武汉爱迪科技股份有限公司 一种用于不同设备人脸数据分发的方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101174103B1 (ko) * 2011-12-28 2012-08-14 (주)로복전자 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN107392182A (zh) * 2017-08-17 2017-11-24 宁波甬慧智能科技有限公司 一种基于深度学习的人脸采集识别方法及装置
CN109063696A (zh) * 2018-09-30 2018-12-21 中山市昭歌云视频安防科技有限公司 一种人脸识别方法及系统
WO2019033571A1 (zh) * 2017-08-17 2019-02-21 平安科技（深圳）有限公司 面部特征点检测方法、装置及存储介质
WO2019033572A1 (zh) * 2017-08-17 2019-02-21 平安科技（深圳）有限公司 人脸遮挡检测方法、装置及存储介质
CN109508700A (zh) * 2018-12-28 2019-03-22 广州粤建三和软件股份有限公司 一种人脸识别方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101174103B1 (ko) * 2011-12-28 2012-08-14 (주)로복전자 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN107392182A (zh) * 2017-08-17 2017-11-24 宁波甬慧智能科技有限公司 一种基于深度学习的人脸采集识别方法及装置
WO2019033571A1 (zh) * 2017-08-17 2019-02-21 平安科技（深圳）有限公司 面部特征点检测方法、装置及存储介质
WO2019033572A1 (zh) * 2017-08-17 2019-02-21 平安科技（深圳）有限公司 人脸遮挡检测方法、装置及存储介质
CN109063696A (zh) * 2018-09-30 2018-12-21 中山市昭歌云视频安防科技有限公司 一种人脸识别方法及系统
CN109508700A (zh) * 2018-12-28 2019-03-22 广州粤建三和软件股份有限公司 一种人脸识别方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张成成;李思成;王艳双;陈磊磊;张;: "基于深度学习的人脸识别技术在课堂签到上的应用", 时代汽车, no. 04 *
陈章斌;: "基于深度学习人脸识别技术在高校课堂点名中的设计及实现", 兰州文理学院学报(自然科学版), no. 06 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220142A (zh) * 2021-11-24 2022-03-22 慧之安信息技术股份有限公司 一种深度学习算法的人脸特征识别方法
CN114220142B (zh) * 2021-11-24 2022-08-23 慧之安信息技术股份有限公司 一种深度学习算法的人脸特征识别方法
CN115830671A (zh) * 2022-11-16 2023-03-21 武汉爱迪科技股份有限公司 一种用于不同设备人脸数据分发的方法、装置及存储介质

Also Published As

Publication number Publication date
CN111860047B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN109919977B (zh) 一种基于时间特征的视频运动人物跟踪与身份识别方法
CN110490158B (zh) 一种基于多级模型的鲁棒人脸对齐方法
WO2022121039A1 (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN109117797A (zh) 一种基于人脸质量评价的人脸抓拍识别方法
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
WO2021036436A1 (zh) 一种人脸识别方法及装置
CN110827432B (zh) 一种基于人脸识别的课堂考勤方法及系统
CN104050448B (zh) 一种人眼定位、人眼区域定位方法及装置
CN104731964A (zh) 基于人脸识别的人脸摘要方法、视频摘要方法及其装置
CN111968152B (zh) 一种动态身份识别方法及装置
CN110728225A (zh) 一种用于考勤的高速人脸搜索方法
CN111310662A (zh) 一种基于集成深度网络的火焰检测识别方法及系统
CN105022999A (zh) 一种人码伴随实时采集系统
CN105389574A (zh) 一种检测图片中人眼虹膜的方法及系统
CN102110225A (zh) 户外人脸识别方法及系统
CN110991398A (zh) 一种基于改进步态能量图的步态识别方法及系统
CN104156729B (zh) 一种教室人数统计方法
CN109711309A (zh) 一种自动识别人像图片是否闭眼的方法
CN111860047B (zh) 一种基于深度学习的人脸快速识别方法
CN111898533A (zh) 一种基于时空特征融合的步态分类方法
CN111597894A (zh) 一种基于人脸检测技术的人脸库更新方法
CN111738059A (zh) 一种面向无感场景的人脸识别方法
CN111582195B (zh) 一种汉语唇语单音节识别分类器构建方法
CN112733732A (zh) 一种基于特征分析的人脸检测与识别方法
CN111222473B (zh) 一种对视频中人脸进行聚类的分析识别方法

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
GR01 Patent grant
GR01 Patent grant