[go: up one dir, main page]

TW201917636A - 一種基於線上學習的人臉辨識方法與系統 - Google Patents

一種基於線上學習的人臉辨識方法與系統 Download PDF

Info

Publication number
TW201917636A
TW201917636A TW106135640A TW106135640A TW201917636A TW 201917636 A TW201917636 A TW 201917636A TW 106135640 A TW106135640 A TW 106135640A TW 106135640 A TW106135640 A TW 106135640A TW 201917636 A TW201917636 A TW 201917636A
Authority
TW
Taiwan
Prior art keywords
similarity
image
face
target image
images
Prior art date
Application number
TW106135640A
Other languages
English (en)
Other versions
TWI670653B (zh
Inventor
倪嗣堯
藍元宗
Original Assignee
大猩猩科技股份有限公司
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 大猩猩科技股份有限公司 filed Critical 大猩猩科技股份有限公司
Priority to TW106135640A priority Critical patent/TWI670653B/zh
Priority to US15/880,552 priority patent/US20190114470A1/en
Publication of TW201917636A publication Critical patent/TW201917636A/zh
Application granted granted Critical
Publication of TWI670653B publication Critical patent/TWI670653B/zh

Links

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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1916—Validation; Performance evaluation
    • 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

本發明揭露一種基於線上學習的人臉辨識方法，該方法包含：擷取一特定情境下之多個第一人臉影像；分別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度以分別形成該多個第一人臉影像相對於該目標影像之相似度分佈； 根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下相對於一目標影像之相似度大於該目標影像之相似度臨界值的人。

Description

一種基於線上學習的人臉辨識方法與系統
本發明係有關一種人臉辨識方法，特別是一種線上學習的人臉辨識方法。
近年來人臉辨識的技術蓬勃發展，尤其是導入深度學習的方法後，相較於過去使用的方法，使用深度學習的人臉辨識技術，將人臉辨識應用推展到一個新的高度，例如門禁監控、照片分類等。人臉辨識技術雖然近年來已有長足進步，但實際應用上仍是容易受到情境光源、人臉角度、表情等因素影響，在不同的情境所能取得的辨識率及誤判率差異很大。例如目前使用深度學習方法的人臉辨識技術，一般都是採用網路上公開的人臉資料庫，其中大部分為西方人，由此而來的人臉辨識技術，在一些未曾學習過的人臉影像類型，例如東方人人臉，其辨識率就會大幅下降。
人臉辨識在實務使用中，亦很難用一通用臨界值，適用於所有情境。針對不同的情境，也很難事先計算得到理想的臨界值。例如一般用於考勤的人臉辨識系統，為方便使用，其所要求的辨識通過率較高，並容許稍高的誤判率，以減少使用者的不便。然而若用作門禁管制用的人臉辨識系統，則因安全等級較高，僅容許非常低的誤判率，以達到安全監控的目的。
另外，在使用舊照片找尋特定人士如逃犯時，很難用逃犯舊照片來比對過往行人或一環境中之人。因此需要一個新的方法來解決這些問題。
本發明之一目的是提供一種基於線上學習的人臉辨識方法與系統，在實際應用中，人臉辨識系統安裝至客戶端後，可利用客戶端現有大量的人臉影像資料進行線上學習。藉由線上學習的方式，針對特定情境及影像類型，學習及強化特定類型特徵。
本發明之一目的是提供一種基於線上學習的人臉辨識方法與系統，在使用舊照片找尋特定人士如逃犯時，不同情境下擷取人臉影像會產生不同之影像品質，本方法與系統可以用於不同情境，本發明之基於線上學習的人臉辨識方法與系統可自動學習以決定在該情境下理想的一相似度臨界值，以供後續過濾出在不同情境中相對於該舊照片之相似度大於該相似度臨界值的人。
本發明的一實施例中提出一種基於線上學習的人臉辨識方法，該方法包含：擷取人臉影像；人臉特徵擷取；人臉特徵分類器線上學習；以及線上臨界值學習。
本發明的一實施例中提出一種基於線上學習以辨識人臉之方法，該方法包含：擷取一特定情境下之多個第一人臉影像；分別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度以分別形成該多個第一人臉影像相對於該目標影像之相似度分佈；根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下被擷取之人臉影像，所述被擷取之人臉影像相對於一目標影像之相似度大於該目標影像之相似度臨界值。
在一實施例中，該預先設定之規則為一預先設定之比例值，其中該多個第一人臉影像總數目乘以該預先設定之比例值之人臉影像總數在該相似度分佈中對應之相似度被決定為該相似度臨界值。在一實施例中，該預先設定之規則為根據該相似度分佈之平均值(mean)及標準差(standard deviation)與一期望誤判率，計算得到該相似度臨界值。
在一實施例中，每一個所述第一人臉影像之相似度介於一範圍內以使該相似度分佈不包含離群之樣本。
在一實施例中，可同時處理多個目標人臉影像，其中每一目標人臉影像在該特定情境下能夠得到一相對應之相似度臨界值。
本發明的一實施例中提出一種基於線上學習的人臉辨識系統，該系統包含：一影像接收模組，用以接收一特定情境下被擷取之多個第一人臉影像；影像辨識模組，分別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度； 統計模組，分別形成該多個第一人臉影像相對於該目標影像之相似度分佈，且根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下被擷取之人臉影像，所述被擷取之人臉影像相對於一目標影像之相似度大於該目標影像之相似度臨界值。
有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的呈現。然而，要說明的是，以下實施例並非用以限定本發明。
有別於離線的使用海量的資料進行深度學習，線上學習機制，係指除了透過離線學習得到具鑑別力的人臉特徵外，在上線使用時，透過線上學習機制，學得每個特定人的人臉分類器。在本發明中，人臉特徵可先透過深度學習的方法，離線使用海量的人臉影像進行學習，以學習得人臉特徵的表述方式；唯實際應用中，人臉特徵並不限於使用深度學習方式所習得，亦可採用其他傳統方法所習得的人臉特徵，應用在本發明中。在實務使用中，很難用一通用臨界值，適用於所有情境。 因此，本發明也提出一種線上臨界值的學習機制，讓系統使用者可根據不同情境，設定預期的誤判率後，由系統自動學習在該情境下理想的臨界值。相較於習知技術，本發明可減少人工標記影像的時間，系統經由統計的方式，即可自動計算出臨界值。
本發明主要提出一種基於線上學習的人臉辨識方法，請參考圖1所示的一種基於線上學習的人臉辨識方法，此實施例流程主要包含有以下步驟: 步驟101: 擷取人臉影像，從影像來源接收影像，經由一些影像前處理及必要分析，取得人臉在影像上的位置、人臉角度及五官位置，分析結果再傳送至下一步驟進行人臉特徵擷取；步驟102: 人臉特徵擷取，係從前一步驟101分析所取得的資訊，經由必要的一些前處理，例如人臉轉正後，再將人臉影像轉換為人臉特徵向量。在本實施例中，人臉特徵可事先透過深度學習的方法，離線使用海量的人臉影像進行學習，以學習得人臉特徵的表述方式；唯實際應用中，人臉特徵並不限於使用深度學習方式所習得，亦可採用其他傳統方法所習得的人臉特徵，應用在本發明中；步驟103:人臉特徵分類器線上學習，經由前一個步驟102，將每張人臉影像轉換為人臉特徵後，在本步驟103中針對每個人，使用機器學習的方式單獨訓練一個分類器。請參考圖2，進一步瞭解本步驟103的實施方式；步驟104: 線上臨界值學習，係針對前一步驟103所得的人臉分類器，將由大量人臉影像比對，取得相似度分佈後，由系統自動計算取得個人化臨界值。請參考圖3，進一步瞭解本步驟的實施方式。
請參考圖2所示關於本發明關於人臉特徵分類器線上學習步驟的實施例。有別於離線的使用海量的資料進行深度學習，線上學習機制，係指除了透過離線學習得到具鑑別力的人臉特徵外，在上線使用時，透過線上學習機制，學得每個特定人的人臉分類器。學習方法為，首先取得每個人臉影像的特徵，再來針對每個人，以其所有人臉影像所轉換的特徵做為正樣本201，其他所有人臉影像所轉換的特徵做為負樣本202，正樣本201通過擷取人臉特徵203，負樣本202通過人擷取人臉特徵204，以進行分類器學習205，再進行人臉特徵分類器206學習。為增加負樣本202多樣性，可事先加入從資料庫隨機挑選的大量不同人影像，將轉換後的特徵加入分類器學習中的負樣本202。同時，為避免正負樣本的樣本數比例過於懸殊，除於學習中增加正樣本的權重外，亦可以透過預處理的方式，增加正樣本201的多樣性，例如透過鏡像、旋轉、位移、改變對比度等方法，增加正樣本的數量時亦維持多樣性。
請參考圖3所示關於本發明關於線上臨界值學習步驟的實施例。如圖3所示，步驟301先線上隨機挑選人臉，步驟302進行人臉特徵分類器學習，步驟303形成非本人人臉相似度分佈，步驟304根據人臉相似度分佈計算臨界值。在實務使用中，很難用一通用臨界值，適用於所有情境。個人化臨界值的計算，可以克服其他人容易被誤認為該人的情況。同時，可根據應用情境，由管理者設定預期的誤判率，經由系統自動計算後，取得適當的臨界值。計算方法為，首先針對需要做個人化臨界值計算的本體，取得人臉特徵值並經由學習得到分類器。所有其他人的影像與該分類器做相似度比對，得到非本人影像的相似度分布(distribution of impostor scores)，計算所有相似度分數的統計值，包含平均(mean)、標準差(standard deviation)，若其他人的人臉影像為隨機選取且數量足夠，則形成的相似度分佈將呈現高斯分佈(Gaussian distribution, or Normal distribution)，經由統計方式，可得到相似度分佈平均值(mean)及標準差(standard deviation)，根據相似度分佈平均值(mean)及標準差(standard deviation)以及期望的誤判率，即可計算得到適合的臨界值。每個人的人臉影像特徵或分類器都各自經過計算，得到各自的臨界值，藉由此種個人化臨界值的設定，可解決其他人容易被誤認為此人的問題，同時又維持一定的準確度。
在實際使用時，為了能達到最大的自動化，減少人工作業，因此本發明所提出的線上臨界值學習，係採用非監督式方式自動挑選非本人影像作為計算相似度分佈的基礎，而為避免少量本人影像被加入，在計算統計分佈平均值(mean)及標準差(standard deviation)前，會先針對相似度分佈計算出一相似度樣本範圍以排除離群樣本，以達到不需人工介入即可計算更為精準的統計數值。本方法不限於採用非監督式自動挑選，實際應用中，亦可採用監督式方式以增加準確性，亦即由人工事先標記影像，再由本發明提出的方法自動計算臨界值。
第4圖說明本發明的另一實施例中的基於線上學習的人臉辨識方法之流程圖，請參閱第4圖。該基於線上學習的人臉辨識方法包含下列步驟: 在步驟S411中，擷取一特定情境下之多個第一人臉影像；在步驟S412中，分別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度以分別形成該多個第一人臉影像相對於該目標影像之相似度分佈；在步驟S413中，根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下被擷取之人臉影像，所述被擷取之人臉影像相對於一目標影像之相似度大於該目標影像之相似度臨界值。
在一實施例中，該預先設定之規則為一預先設定之比例值，其中該多個第一人臉影像總數目乘以該預先設定之比例值之人臉影像總數在該相似度分佈中對應之相似度被決定為該相似度臨界值。在一實施例中，該預先設定之規則為根據該相似度分佈之平均值(mean)及標準差(standard deviation)與一期望誤判率，計算得到該相似度臨界值。
在一實施例中，每一個所述第一人臉影像之相似度介於一範圍內以使該相似度分佈不包含離群之樣本。
在一實施例中，可同時處理多個目標人臉影像，其中每一目標人臉影像在該特定情境下能夠得到一相對應之相似度臨界值。
第5圖說明本發明的另一實施例中的基於線上學習的人臉辨識系統500之示意圖。請參閱第5圖。基於線上學習的人臉辨識系統500包含：一影像接收模組503，用以接收一特定情境502下被攝影裝置501擷取之多個第一人臉影像；影像辨識模組504，別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度；統計模組505，分別形成該多個第一人臉影像相對於該目標影像之相似度分佈，且根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下相對於一目標影像之相似度大於該目標影像之相似度臨界值的人。在一實施例中，該預先設定之規則為一預先設定之比例值，其中該多個第一人臉影像總數目乘以該預先設定之比例值之人臉影像總數在該相似度分佈中對應之相似度被決定為該相似度臨界值。在一實施例中，該預先設定之規則為根據該相似度分佈之平均值(mean)及標準差(standard deviation)與一期望誤判率，計算得到該相似度臨界值。上述之影像接收模組503，影像辨識模組504與統計模組505之每一模組可以包含軟體或硬體或軟體或及硬體之組合來實現其功能。
在一實施例中，每一個所述第一人臉影像之相似度介於一範圍內以使該相似度分佈不包含離群之樣本。
在一實施例中，可同時處理多個目標人臉影像，其中每一目標人臉影像在該特定情境下能夠得到一相對應之相似度臨界值。
本發明之基於線上學習的人臉辨識方法與系統，在使用舊照片為目標人臉影像以找尋特定人士如逃犯時，不同情境下擷取人臉影像會產生不同之影像品質，本方法與系統可以用於不同情境，本發明之基於線上學習的人臉辨識方法與系統可自動學習在該情境下理想的相似度臨界值，以供後續過濾出在不同情境中相對於該目標人臉影像(該舊照片)之相似度大於該相似度臨界值的人。請參閱第6圖。不同情境所擷取之人臉影像相似度分佈會有所不同，第6圖之相似度分佈601與相似度分佈602因不同情境而不相同。根據一預先設定之規則，相似度分佈601之相似度臨界值為43，而相似度分佈602之相似度臨界值為58。
如上所述，本發明的優點是提供一種基於線上學習的人臉辨識方法與系統，在實際應用中，人臉辨識系統安裝至客戶端後， 可利用客戶端現有大量的人臉影像資料進行線上學習。藉由線上學習的方式，針對特定情境及影像類型，學習及強化特定類型特徵。同時本發明之線上臨界值的學習機制，讓系統使用者可根據不同情境，設定一預定之規則後，由系統自動學習在該情境下理想的臨界值，以供後續選取在該特定情境下相對於一目標影像之相似度大於該目標影像之相似度臨界值的人。
201‧‧‧人臉正樣本
202‧‧‧人臉負樣本
203‧‧‧擷取人臉特徵
204‧‧‧擷取人臉特徵
205‧‧‧分類器學習
206‧‧‧人臉特徵分類器
301‧‧‧線上隨機挑選人臉
302‧‧‧人臉特徵分類器
303‧‧‧非本人人臉相似度分佈
304‧‧‧計算臨界值
500‧‧‧人臉辨識系統
501‧‧‧攝影裝置
502‧‧‧特定情境
503‧‧‧影像接收模組
504‧‧‧影像辨識模組
505‧‧‧統計模組
601‧‧‧相似度分佈
602‧‧‧相似度分佈
第1圖說明本發明的一實施例中的基於線上學習的人臉辨識方法之流程圖。 第2圖說明本發明的一實施例中的人臉特徵分類器線上學習之流程圖。 第3圖說明本發明的一實施例中的線上臨界值學習之流程圖。 第4圖說明本發明的另一實施例中的基於線上學習的人臉辨識方法之流程圖。 第5圖說明本發明的另一實施例中的基於線上學習的人臉辨識系統之示意圖。 第6圖說明本發明的另一實施例中的相似度分佈與相似度臨界值之示意圖。

Claims (10)

  1. 一種基於線上學習以辨識人臉之方法，包含： 擷取一特定情境下之多個第一人臉影像； 分別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度以分別形成該多個第一人臉影像相對於該目標影像之相似度分佈； 以及 根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下被擷取之人臉影像，所述被擷取之人臉影像相對於一目標影像之相似度大於該目標影像之相似度臨界值。
  2. 如第1項所述之方法，其中該預先設定之規則為一預先設定之比例值，其中該多個第一人臉影像總數目乘以該預先設定之比例值之人臉影像總數在該相似度分佈中對應之相似度被決定為該相似度臨界值。
  3. 如第1項所述之方法，其中該預先設定之規則為根據該相似度分佈之平均值(mean)及標準差(standard deviation)與一期望誤判率，計算得到該相似度臨界值。
  4. 如第1項所述之方法，其中每一個所述第一人臉影像之相似度介於一範圍內以使該相似度分佈不包含離群之樣本。
  5. 如第1項所述之方法，可同時處理多個目標人臉影像，其中每一目標人臉影像在該特定情境下能夠得到一相對應之相似度臨界值。
  6. 一種基於線上學習的人臉辨識系統，包含： 一影像接收模組，用以接收一特定情境下被擷取之多個第一人臉影像； 一影像辨識模組，別計算出每一所述第一人臉影像與至少一目標影像中每一目標影像之相似度；以及 一統計模組，分別形成該多個第一人臉影像相對於該目標影像之相似度分佈，且根據一預先設定之規則以及所述每一相似度分佈，分別決定相對於每一目標影像之相似度臨界值，以供後續選取在該特定情境下被擷取之人臉影像，所述被擷取之人臉影像相對於一目標影像之相似度大於該目標影像之相似度臨界值。
  7. 如第6項所述之系統，可同時處理多個目標人臉影像，其中每一目標人臉影像在該特定情境下能夠得到一相對應之相似度臨界值。
  8. 如第6項所述之系統，其中該預先設定之規則為一預先設定之比例值，其中該多個第一人臉影像總數目乘以該預先設定之比例值之人臉影像總數在該相似度分佈中對應之相似度被決定為該相似度臨界值。
  9. 如第6項所述之系統，其中該預先設定之規則為根據該相似度分佈之平均值(mean)及標準差(standard deviation)與一期望誤判率，計算得到該相似度臨界值。
  10. 如第6項所述之系統，其中每一個所述第一人臉影像之相似度介於一範圍內以使該相似度分佈不包含離群之樣本。
TW106135640A 2017-10-18 2017-10-18 一種基於線上學習的人臉辨識方法與系統 TWI670653B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW106135640A TWI670653B (zh) 2017-10-18 2017-10-18 一種基於線上學習的人臉辨識方法與系統
US15/880,552 US20190114470A1 (en) 2017-10-18 2018-01-26 Method and System for Face Recognition Based on Online Learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106135640A TWI670653B (zh) 2017-10-18 2017-10-18 一種基於線上學習的人臉辨識方法與系統

Publications (2)

Publication Number Publication Date
TW201917636A true TW201917636A (zh) 2019-05-01
TWI670653B TWI670653B (zh) 2019-09-01

Family

ID=66096481

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106135640A TWI670653B (zh) 2017-10-18 2017-10-18 一種基於線上學習的人臉辨識方法與系統

Country Status (2)

Country Link
US (1) US20190114470A1 (zh)
TW (1) TWI670653B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN112084893A (zh) * 2020-08-24 2020-12-15 中国银联股份有限公司 生物识别终端异常检测方法、装置、设备及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110189111A (zh) * 2019-06-06 2019-08-30 名创优品（横琴）企业管理有限公司 考勤方法及装置
CN110222662B (zh) * 2019-06-12 2020-11-03 北京博雅英杰科技股份有限公司 对象的识别方法、装置及存储介质
US11651447B2 (en) * 2019-10-31 2023-05-16 Kyndryl, Inc. Ledger-based image distribution permission and obfuscation
CN112199998B (zh) * 2020-09-09 2023-06-20 浙江大华技术股份有限公司 一种人脸识别方法、装置、设备及介质
CN112883946A (zh) * 2021-04-29 2021-06-01 南京视察者智能科技有限公司 一种自适应阈值的选取方法及人脸识别方法
CN113221774A (zh) * 2021-05-19 2021-08-06 重庆幸尚付科技有限责任公司 人脸识别系统及考勤装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5450504A (en) * 1992-05-19 1995-09-12 Calia; James Method for finding a most likely matching of a target facial image in a data base of facial images
US6173068B1 (en) * 1996-07-29 2001-01-09 Mikos, Ltd. Method and apparatus for recognizing and classifying individuals based on minutiae
CN100474328C (zh) * 2004-02-02 2009-04-01 皇家飞利浦电子股份有限公司 具有在线学习能力的连续面貌识别系统及方法
US7657100B2 (en) * 2005-05-09 2010-02-02 Like.Com System and method for enabling image recognition and searching of images
CN104866553A (zh) * 2007-12-31 2015-08-26 应用识别公司 利用脸部签名来标识和共享数字图像的方法、系统和计算机程序
JP5675145B2 (ja) * 2010-03-30 2015-02-25 キヤノン株式会社 パターン認識装置及びパターン認識方法

Cited By (4)

* Cited by examiner, † Cited by third party
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
CN112084893A (zh) * 2020-08-24 2020-12-15 中国银联股份有限公司 生物识别终端异常检测方法、装置、设备及存储介质
CN112084893B (zh) * 2020-08-24 2024-05-17 中国银联股份有限公司 生物识别终端异常检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20190114470A1 (en) 2019-04-18
TWI670653B (zh) 2019-09-01

Similar Documents

Publication Publication Date Title
KR102596897B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
TWI670653B (zh) 一種基於線上學習的人臉辨識方法與系統
JP5010905B2 (ja) 顔認証装置
CN108090406B (zh) 人脸识别方法及系统
Reese et al. A comparison of face detection algorithms in visible and thermal spectrums
CN106778496A (zh) 活体检测方法及装置
KR20080033486A (ko) 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별
Yustiawati et al. Analyzing of different features using Haar cascade classifier
CN106682578A (zh) 基于眨眼检测的人脸识别方法
CN110276252B (zh) 一种基于生成式对抗网络的抗表情干扰的人脸识别方法
Kurban et al. A multi-biometric recognition system based on deep features of face and gesture energy image
Lee et al. An automated video-based system for iris recognition
Mady et al. Efficient real time attendance system based on face detection case study “MEDIU staff”
Shrivastava et al. Conceptual model for proficient automated attendance system based on face recognition and gender classification using Haar-Cascade, LBPH algorithm along with LDA model
Jindal et al. Sign language detection using convolutional neural network (CNN)
Rajput et al. Attendance management system using facial recognition
Rathinamala et al. Automatic attendance monitoring system using LBPH and HAAR algorithm
Sharma et al. Face recognition using haar cascade and local binary pattern histogram in opencv
Tee et al. Facial recognition using enhanced facial features k-nearest neighbor (k-NN) for attendance system
KR20200119425A (ko) 도메인 적응 기반 객체 인식 장치 및 그 방법
CN115331280A (zh) 人脸身份识别方法、装置及电子设备
CN104751144B (zh) 一种面向视频监控的正面人脸快速评价方法
CN104615985B (zh) 一种人脸相似度的识别方法
CN114863515B (zh) 基于微表情语义的人脸活体检测方法及装置
Sharma et al. Study and implementation of face detection algorithm using Matlab