CN105005774B - 一种基于卷积神经网络的人脸亲属关系识别方法及装置 - Google Patents
一种基于卷积神经网络的人脸亲属关系识别方法及装置 Download PDFInfo
- Publication number
- CN105005774B CN105005774B CN201510451033.2A CN201510451033A CN105005774B CN 105005774 B CN105005774 B CN 105005774B CN 201510451033 A CN201510451033 A CN 201510451033A CN 105005774 B CN105005774 B CN 105005774B
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- facial image
- kinship
- full articulamentum
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001815 facial effect Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012876 topography Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005267 amalgamation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于卷积神经网络的人脸亲属关系识别方法及装置，主要用于根据人脸图像进行亲属关系识别等领域。所述方法包括人脸识别、人脸关键点位置切分、人脸区域位置切分、卷积神经网络建立及训练、亲属关系识等。所述方法提出的卷积神经网络具有强大的提取亲属关系特征的功能，对于输入图片具有较强的鲁棒能力。该方法提出的基于人脸关键点以及人脸不同区域特征的卷积神经网络方法，实现了更好的亲属识别功能。该方法可以获得优于传统基于人脸的亲属关系识别效果。
Description
技术领域
本发明涉及模式识别、计算机视觉，特别涉及一种基于卷积神经网络的亲属关系识别方法及装置。
背景技术
生物学家发现人脸图像是判断两个人是否有亲属关系的重要因素，伴随着一些诸如失踪儿童找回、儿童领养、寻找模仿者等应用需求的增长，根据人脸判断两人是否有亲属关系获得了越来越多人的关注。一些传统的方法是首先提取人脸的多种低水平特征，然后通过复杂的融合方式将多种低水平特征进行融合，最后送入分类器中进行分类判断。然而这些手工设计的低水平特征表达，无法很好的表达出人脸中蕴含的亲属关系信息。此外，传统方法没有考虑人脸关键点以及局部区域的相似度对亲属识别的重要性，因此不利于实现亲属识别。
发明内容
为了解决现有技术存在的问题，本发明的目的是提供一种基于深度卷积神经网络的亲属关系识别方法及装置。其利用深度卷积神经网络提取人脸中蕴含的亲属关系特征，并且在学习特征时，考虑了人脸关键点以及局部区域相似性的影响。该方法可以获得优于传统方法的亲属识别效果。
本发明所提出的一种基于深度卷积神经网络的亲属关系识别方法，包括：对于训练集中的图像，检测出人脸位置，得到人脸图像；
针对所得到的每张人脸图像，根据关键点位置进行切分，得到第一组局部图像；；
针对所得到的每张人脸图像，根据区域位置进行切分，得到第二组局部图像；；
建立多个卷积神经网络，所述卷积神经网络包括多个卷积层和至少一个全连接层，所述多个卷积神经网络的最后一个全连接层连接至一个全局全连接层，所述全局全连接层的输出送入一个二值分类器；其中，每个卷积神经网络对应所述第一组局部照片和第二组局部照片中的每一个；
将一对人脸图像对应位置处的第一组局部图像和第二组局部图像成对输入至所述多个卷积神经网络，并根据所述二值分类器的结果调整所述卷积神经网络的权重，重复利用该步骤，训练所述多个卷积神经网络；其中所述一对人脸图像是从所述训练集中得到具有亲属关系或非亲属关系的一对人脸图像；
将待检测的一对人脸图像进行关键点位置和区域位置进行切分，并将对应局部图像输入至训练好的所述多个卷积神经网络，最终根据所述二值分类器的结果识别出所述待检测的一对人脸图像的亲属关系。
本发明还提出了一种基于卷积神经网络的人脸亲属关系识别装置，包括：
人脸检测模块，对于训练集中的图像，检测出人脸位置，得到人脸图像；
关键点切分模块，针对所得到的每张人脸图像，根据关键点位置进行切分，得到第一组局部图像；
区域位置切分模块，针对所得到的每张人脸图像，根据区域位置进行切分，得到第二组局部图像；；
神经网络建立模块，建立多个卷积神经网络，所述卷积神经网络包括多个卷积层和至少一个全连接层，所述多个卷积神经网络的最后一个全连接层连接至一个全局全连接层，所述全局全连接层的输出送入一个二值分类器；其中，每个卷积神经网络对应所述第一组局部照片和第二组局部照片中的每一个；
神经网络训练模块，将一对人脸图像对应位置处的第一组局部图像和第二组局部图像成对输入至所述多个卷积神经网络，并根据所述二值分类器的结果调整所述卷积神经网络的权重，重复利用该步骤，训练所述多个卷积神经网络；其中所述一对人脸图像是从所述训练集中得到具有亲属关系或非亲属关系的一对人脸图像；
检测模块，将待检测的一对人脸图像进行关键点位置和区域位置进行切分，并将对应局部图像输入至训练好的所述多个卷积神经网络，最终根据所述二值分类器的结果识别出所述待检测的一对人脸图像的亲属关系。
本发明的有益效果：
本发明方法利用深度卷积神经网络学习人脸中蕴含的亲属关系特征，避免了使用复杂的手工标注特征以及特征融合过程，能够提取到高水平的亲属关系特征；并且该方法考虑了人脸关键点以及人脸局部区域相似度对亲属关系识别的影响，分别对人脸各个部分进行特征学习，具有更强的亲属关系识别能力。
附图说明
图1是本发明中基于深度卷积神经网络的亲属识别方法流程图。
图2是本发明中切分出的人脸关键点以及人脸局部区域示意图。
图3是本发明中针对两张人脸关键点或者人脸局部区域所使用的卷积神经网络示意图。
图4是本发明中结合了人脸关键点以及局部区域的整体深度卷积网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。应当指出的是，所描述的实施例仅旨在便于理解，对本发明不起任何限定作用。
本发明提出了一种基于卷积神经网络的亲属识别方法。该方法利用深度卷积神经网络提取人脸中蕴含的亲属关系信息，并且考虑了人脸关键点以及人脸局部区域相似性对亲属识别的影响。以下详细说明本发明设计的关键步骤。
图1示是本发明利用基于深度卷积神经网络的亲属识别方法，所述方法包括以下步骤：
步骤S1，对于训练集中的每张图像，使用人脸检测方法，将人脸位置检测出来，得到人脸图像。
步骤S2，对于检测出来的人脸图像，根据人脸图像的关键点位置，将其进行切分形成多个人脸关键点区域，得到第一组局部照片；具体地，使用关键点定位技术，检测出人脸中左眼、右眼、鼻子、左嘴角、右嘴角等多个关键点的位置，然后分别在原图上切分出以各个关键点为中心的多个人脸关键点区域，如图2中第一行所示。
步骤S3，针对上述所检测出来的人脸图像，按区域位置进行切分形成多个人脸位置区域，得到第二组局部照片，例如以左上、右上、左下、右下和人脸中间等不同区域，将一张人脸图片切分形成多个人脸特征区域，如图2中第二行所示。
步骤S4，建立多个带有多个层卷积层和至少一层全连接层的卷积神经网络，该网络所有权重均随机初始化。其中，所建立的卷积神经网络的个数为所获得的第一组局部照片和第二组局部照片的数量之和。所述卷积神经网络的第一层为输入层，之后为多个卷积层，之后是所述至少一个全连接层，最后是输出层。其中，所述卷积神经网络中每两个卷积层之间可以具有一池化层，用于防止过拟合。
优选地，所述卷积层的数量在2-4个之间，优选为3，所述全连接层优选为1个。
其中，卷积层的激活函数均为ReLU函数。每个卷积层的步长、卷积子大小、卷积子的个数均可以自由设置。所述卷积神经网络的输入为两张人脸照片，即两张有亲属关系或没有亲属关系的人脸照片被切分得到的对应位置处的一对局部照片，如图3所示，具体描述见下面实施例。
步骤S5，将所有卷积神经网络的最后一层全连接层连接到一个全局全连接层上，所述全局全连接层的神经元个数与所述卷积神经网络的个数相同。其中，该连接方法的定义如下：
其中，yi是该全局全连接层第i个神经元激活函数的输出值，是第i个卷积神经网络的输出与该全局全连接层第i个神经元之间的权重，f(·)选择sigmoid函数，xj，k为第k个卷积神经网络的第j个输出值，bi为所述全局连接层第j个神经元的偏置项。
步骤S6，将所述全局全连接层的所有输出送入到一个二值分类器中进行训练，监督信息是该对照片是否有某种亲属关系。通过梯度下降法调整各层权重，如图4所示。
针对某一种亲属关系进行训练时，将样本分成有该种亲属关系以及没有该种亲属关系的成对照片，将每对人脸照片所对应的切分区域结合起来，送入多个在步骤S4构建的卷积神经网络中，如图4所示，即每个卷积神经网络的输入层接收所述成对照片在步骤2和步骤3中被切分得到的一对局部照片，该对局部照片的切分位置对应一致所述输入层的大小为一对局部照片的维度大小之和。将所述对应的每对局部照片分别输入到所述多个卷积神经网络后，使用梯度下降法和反向传播算法来优化所述卷积神经网络中的各个参数。每个卷积层的输入与该层权重相乘之后，会得到一个数值，ReLU函数的原理就是，如果这个数值大于0，那么输出值就保存这个计算值，如果这个计算值小于0，那么输出值就保存成0。当然，ReLU函数也可以换成其他的激活函数。
步骤S7，转到S4，重复训练所述多个卷积神经网络，直到所述二值分类器输出的结果与所输入成对照片的实际亲属关系一致为止；
步骤S8，将待检测的一对人脸照片按照步骤S2和S3进行切分得到人脸局部照片，并将对应位置处的多对人脸局部照片分别输入至训练得到的所述卷积神经网络中，最终得到检测结果。
实施例：
为了详细说明本发明的具体实施方法，接下来以某亲属关系数据库为例对本发明方法进行进一步的说明。该数据库包含1000对彩色照片，共包括4类不同的亲属关系，分别是父子关系、父女关系、母子关系、母女关系，每对亲属关系包含250对照片。对于每种亲属关系，分别训练一个如图4所示的深度卷积神经网络。在使用本发明进行亲属关系识别时，按照以下步骤进行：
步骤S1，使用人脸检测方法，将人脸位置检测出来。
步骤S2，使用关键点定位技术，检测出人脸中左眼、右眼、鼻子、左嘴角、右嘴角等5个关键点的位置，然后分别在原图上切分出以各个关键点为中心的人脸区域，形成多张人脸照片，如图2中第一行所示。
步骤S3，根据人脸图像的左上、右上、左下、右下和人脸中间等5个区域，将一张人脸图片切分，形成多张人脸照片，如图2中第二行所示。
步骤S4，建立多个带有3层卷积层和1层全连接层的卷积神经网络，该网络所有权重均随机初始化。其中卷积层的激活函数均为ReLU函数。送入的照片为一对64×64大小的彩色图片，第一层卷积层采用16个尺寸为5×5×6的卷积子，第一层池化层尺寸为2×2×16；第二层卷积层采用64个尺寸为5×5×16的卷积子，第二层池化层尺寸为2×2×64；第三层卷积层采用128个尺寸为5×5×64的卷积子；后面连接到一个640维的全连接层上，如图3所示。针对某一种亲属关系进行训练时，将样本分成有该种亲属关系以及没有该种亲属关系的成对照片，将每对人脸照片所对应的切分区域结合起来，送入多个S4构建的卷积神经网络中，如图4所示。
步骤S5，将所有卷积神经网络的最后一层全连接层连接到一个6400维度的全连接层上，该连接方法的定义如下：
其中，yj是该全连接层第i个神经元激活函数的输出值，是前一层的输出于该层第i个神经元之间的权重，f(·)选择sigmoid函数。
步骤S6，将最后的全连接层输出送入到一个softmax分类器中进行训练，监督信息是该对照片是否有某种亲属关系。通过梯度下降法调整各层权重，如图4所示。
步骤S7，转到S4，重复训练4组如图4所示的卷积神经网络，实现4种亲属关系的识别。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于卷积神经网络的人脸亲属关系识别方法，包括：
对于训练集中的图像，检测出人脸位置，得到人脸图像；
针对所得到的每张人脸图像，根据关键点位置进行切分，得到第一组局部图像；
针对所得到的每张人脸图像，根据区域位置进行切分，得到第二组局部图像；
建立多个卷积神经网络，所述卷积神经网络包括多个卷积层和至少一个全连接层，所述多个卷积神经网络的最后一个全连接层连接至一个全局全连接层，所述全局全连接层的输出送入一个二值分类器；其中，每个卷积神经网络对应所述第一组局部图像和第二组局部图像中的每一个；
将一对人脸图像对应位置处的第一组局部图像和第二组局部图像成对输入至所述多个卷积神经网络，并根据所述二值分类器的结果调整所述卷积神经网络的权重，重复利用以上步骤，训练所述多个卷积神经网络；其中所述一对人脸图像是从所述训练集中得到具有亲属关系或非亲属关系的一对人脸图像；
将待检测的一对人脸图像进行关键点位置和区域位置进行切分，并将对应局部图像输入至训练好的所述多个卷积神经网络，最终根据所述二值分类器的结果识别出所述待检测的一对人脸图像的亲属关系；
其中，所述全局全连接层的神经元个数与所述多个卷积神经网络的个数相同，且所述全局全连接层如下定义：
其中，yi是该所述全连接层第i个神经元激活函数的输出值，是第i个卷积神经网络的输出与该全局全连接层第i个神经元之间的权重， f( · ) 选择sigmoid函数，xj，k为第k个卷积神经网络的第j个输出值，bi为所述全局全连接层第i个神经元的偏置项。
2.根据权利要求1所述的方法，其中，所述根据关键点位置进行切分包括：
使用关键点定位技术，检测出人脸图像中左眼、右眼、鼻子、左嘴角、右嘴角五个关键点位置，并以所述五个关键点位置为中心进行切分。
3.根据权利要求1所述的方法，其中，所述根据区域位置进行切分包括：
按照左上、右上、左下、右下和中间五个不同区域将所述人脸图像进行切分。
4.根据权利要求1所述的方法，其中，所述卷积神经网络的卷积层为3个，所述全连接层为1个。
5.根据权利要求1所述的方法，其中，所述卷积神经网络中卷积层的激活函数为ReLU函数，其神经元个数为第一组局部图像和第二组局部图像的数量之和。
6.根据权利要求1所述的方法，其中，所述多个卷积神经网络的训练终止条件为：所述二值分类器输出的结果与所输入的一对人脸图像的实际亲属关系一致。
7.一种基于卷积神经网络的人脸亲属关系识别装置，包括：
人脸检测模块，对于训练集中的图像，检测出人脸位置，得到人脸图像；
关键点切分模块，针对所得到的每张人脸图像，根据关键点位置进行切分，得到第一组局部图像；
区域位置切分模块，针对所得到的每张人脸图像，根据区域位置进行切分，得到第二组局部图像；
神经网络建立模块，建立多个卷积神经网络，所述卷积神经网络包括多个卷积层和至少一个全连接层，所述多个卷积神经网络的最后一个全连接层连接至一个全局全连接层，所述全局全连接层的输出送入一个二值分类器；其中，每个卷积神经网络对应所述第一组局部图像和第二组局部图像中的每一个；
神经网络训练模块，将一对人脸图像对应位置处的第一组局部图像和第二组局部图像成对输入至所述多个卷积神经网络，并根据所述二值分类器的结果调整所述卷积神经网络的权重，重复利用以上步骤，训练所述多个卷积神经网络；其中所述一对人脸图像是从所述训练集中得到具有亲属关系或非亲属关系的一对人脸图像；
检测模块，将待检测的一对人脸图像进行关键点位置和区域位置进行切分，并将对应局部图像输入至训练好的所述多个卷积神经网络，最终根据所述二值分类器的结果识别出所述待检测的一对人脸图像的亲属关系；
其中，所述全局全连接层的神经元个数与所述多个卷积神经网络的个数相同，且所述全局全连接层如下定义：
其中，yi是该所述全连接层第i个神经元激活函数的输出值，是第i个卷积神经网络的输出与该全局全连接层第i个神经元之间的权重， f( · ) 选择sigmoid函数，xj，k为第k个卷积神经网络的第j个输出值，bi为所述全局全连接层第i个神经元的偏置项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510451033.2A CN105005774B (zh) | 2015-07-28 | 2015-07-28 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510451033.2A CN105005774B (zh) | 2015-07-28 | 2015-07-28 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105005774A CN105005774A (zh) | 2015-10-28 |
| CN105005774B true CN105005774B (zh) | 2019-02-19 |
Family
ID=54378439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510451033.2A Active CN105005774B (zh) | 2015-07-28 | 2015-07-28 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105005774B (zh) |
Families Citing this family (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488463B (zh) * | 2015-11-25 | 2019-01-29 | 康佳集团股份有限公司 | 基于人脸生物特征的直系亲属关系识别方法及系统 |
| CN105426963B (zh) * | 2015-12-01 | 2017-12-26 | 北京天诚盛业科技有限公司 | 用于人脸识别的卷积神经网络的训练方法、装置及应用 |
| CN105512624B (zh) * | 2015-12-01 | 2019-06-21 | 天津中科智能识别产业技术研究院有限公司 | 一种人脸图像的笑脸识别方法及其装置 |
| CN106874296B (zh) * | 2015-12-14 | 2021-06-04 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
| CN105512638B (zh) * | 2015-12-24 | 2018-07-31 | 王华锋 | 一种基于融合特征的人脸检测与对齐方法 |
| CN105678292A (zh) * | 2015-12-30 | 2016-06-15 | 成都数联铭品科技有限公司 | 基于卷积及递归神经网络的复杂光学文字序列识别系统 |
| CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
| CN105678232B (zh) * | 2015-12-30 | 2019-01-22 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
| CN105678248B (zh) * | 2015-12-31 | 2018-11-27 | 上海科技大学 | 基于深度学习的人脸关键点对齐算法 |
| CN107045618B (zh) * | 2016-02-05 | 2020-07-03 | 北京陌上花科技有限公司 | 一种人脸表情识别方法及装置 |
| CN105975914B (zh) * | 2016-04-28 | 2018-12-28 | 东南大学 | 基于线性组合特征的夫妇与孩子间三人亲属关系判别方法 |
| CN107516061B (zh) * | 2016-06-17 | 2020-04-07 | 北京市商汤科技开发有限公司 | 一种影像分类方法和系统 |
| CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
| CN106295521B (zh) * | 2016-07-29 | 2019-06-04 | 厦门美图之家科技有限公司 | 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备 |
| CN106295566B (zh) * | 2016-08-10 | 2019-07-09 | 北京小米移动软件有限公司 | 人脸表情识别方法及装置 |
| CN107871101A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN106548179B (zh) * | 2016-09-29 | 2019-09-17 | 北京市商汤科技开发有限公司 | 物体和服饰关键点的检测方法、装置和电子设备 |
| CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
| CN106778526B (zh) * | 2016-11-28 | 2019-11-12 | 中通服公众信息产业股份有限公司 | 一种基于汉明距离的大规模高效人脸识别方法 |
| CN106548165B (zh) * | 2016-11-28 | 2019-07-16 | 中通服公众信息产业股份有限公司 | 一种基于图像分块加权的卷积神经网络的人脸识别方法 |
| CN106845383B (zh) * | 2017-01-16 | 2023-06-06 | 腾讯科技（上海）有限公司 | 人头检测方法和装置 |
| CN106709532B (zh) * | 2017-01-25 | 2020-03-10 | 京东方科技集团股份有限公司 | 图像处理方法和装置 |
| CN106980830A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络自亲缘关系识别方法与装置 |
| CN106951858A (zh) * | 2017-03-17 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络的人物亲缘关系识别方法与装置 |
| CN106709482A (zh) * | 2017-03-17 | 2017-05-24 | 中国人民解放军国防科学技术大学 | 基于自编码器的人物亲缘关系识别方法 |
| CN108229493A (zh) * | 2017-04-10 | 2018-06-29 | 商汤集团有限公司 | 对象验证方法、装置和电子设备 |
| CN107153873B (zh) * | 2017-05-08 | 2018-06-01 | 中国科学院计算技术研究所 | 一种二值卷积神经网络处理器及其使用方法 |
| CN108229288B (zh) * | 2017-06-23 | 2020-08-11 | 北京市商汤科技开发有限公司 | 神经网络训练及衣服颜色检测方法、装置、存储介质、电子设备 |
| CN107437081A (zh) * | 2017-08-07 | 2017-12-05 | 北京中星微电子有限公司 | 基于深度卷神经网络的人脸识别方法、装置和存储介质 |
| CN107563319A (zh) * | 2017-08-24 | 2018-01-09 | 西安交通大学 | 一种基于图像的亲子间人脸相似性度量计算方法 |
| CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
| CN107679466B (zh) * | 2017-09-21 | 2021-06-15 | 百度在线网络技术（北京）有限公司 | 信息输出方法和装置 |
| CN108182384B (zh) * | 2017-12-07 | 2020-09-29 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
| CN108491812B (zh) * | 2018-03-29 | 2022-05-03 | 百度在线网络技术（北京）有限公司 | 人脸识别模型的生成方法和装置 |
| CN108537206B (zh) * | 2018-04-23 | 2021-08-10 | 山东浪潮科学研究院有限公司 | 一种基于卷积神经网络的人脸验证方法 |
| CN110414299B (zh) * | 2018-04-28 | 2024-02-06 | 中山大学 | 一种基于计算机视觉的猴脸亲缘关系分析方法 |
| CN109740536B (zh) * | 2018-06-12 | 2020-10-02 | 北京理工大学 | 一种基于特征融合神经网络的亲属识别方法 |
| CN109344759A (zh) * | 2018-06-12 | 2019-02-15 | 北京理工大学 | 一种基于角度损失神经网络的亲属识别方法 |
| CN109784144A (zh) * | 2018-11-29 | 2019-05-21 | 北京邮电大学 | 一种亲属关系识别方法及系统 |
| CN111353325A (zh) * | 2018-12-20 | 2020-06-30 | 北京京东尚科信息技术有限公司 | 关键点检测模型训练方法及装置 |
| CN109903248B (zh) * | 2019-02-20 | 2021-04-16 | 厦门美图之家科技有限公司 | 一种生成自动白平衡模型的方法和图像处理方法 |
| CN110334588A (zh) * | 2019-05-23 | 2019-10-15 | 北京邮电大学 | 基于局部特征注意网络的亲属关系识别方法及装置 |
| CN110348285B (zh) * | 2019-05-23 | 2021-07-20 | 北京邮电大学 | 基于语义增强网络的社会关系识别方法及装置 |
| CN111339827A (zh) * | 2020-01-18 | 2020-06-26 | 中国海洋大学 | 基于多区域卷积神经网络的sar图像变化检测方法 |
| CN112966585A (zh) * | 2021-03-01 | 2021-06-15 | 淮阴师范学院 | 缓解信息孤岛影响的人脸图像亲属关系验证方法 |
| CN113869366B (zh) * | 2021-08-27 | 2024-05-28 | 深延科技(北京)有限公司 | 模型训练方法、亲属关系分类方法、检索方法及相关装置 |
| CN113920573B (zh) * | 2021-11-22 | 2022-05-13 | 河海大学 | 基于对抗学习的人脸变化解耦的亲属关系验证方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8606020B2 (en) * | 2011-05-16 | 2013-12-10 | Kabushiki Kaisha Toshiba | Search skip region setting function generation method, search skip region setting method, object search method, search skip region setting function generation apparatus, search skip region setting apparatus, and object search apparatus |
| CN104299011A (zh) * | 2014-10-13 | 2015-01-21 | 吴亮 | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 |
| CN104504376A (zh) * | 2014-12-22 | 2015-04-08 | 厦门美图之家科技有限公司 | 一种人脸图像的年龄分类方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101686057B (zh) * | 2008-09-28 | 2012-02-29 | 扬智科技股份有限公司 | 数字模拟转换器 |
-
2015
- 2015-07-28 CN CN201510451033.2A patent/CN105005774B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8606020B2 (en) * | 2011-05-16 | 2013-12-10 | Kabushiki Kaisha Toshiba | Search skip region setting function generation method, search skip region setting method, object search method, search skip region setting function generation apparatus, search skip region setting apparatus, and object search apparatus |
| CN104299011A (zh) * | 2014-10-13 | 2015-01-21 | 吴亮 | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 |
| CN104504376A (zh) * | 2014-12-22 | 2015-04-08 | 厦门美图之家科技有限公司 | 一种人脸图像的年龄分类方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 反向传导算法;Kandeng;《Ufldl，http://ufldl.standford.edu/wiki/index.php/%E5%8F%8D%E5%90%91%E4%BC%A0%E5%AF%BC%E7%AE%97%E5%B3%95》;20130731;第1-4页 * |
| 基于大间隔双线性分类器进行亲子关系验证;秦晓倩;《计算机科学与探索》;20150710;第4卷(第10期);第524-532页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105005774A (zh) | 2015-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105005774B (zh) | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 | |
| CN105512624B (zh) | 一种人脸图像的笑脸识别方法及其装置 | |
| CN113158862B (zh) | 一种基于多任务的轻量级实时人脸检测方法 | |
| CN104978580B (zh) | 一种用于无人机巡检输电线路的绝缘子识别方法 | |
| CN106203331B (zh) | 一种基于卷积神经网络的人群密度估算方法 | |
| CN110427813A (zh) | 基于姿态指导行人图像生成的孪生生成式对抗网络的行人重识别方法 | |
| CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、系统及设备 | |
| CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
| CN110458844A (zh) | 一种低光照场景的语义分割方法 | |
| CN108197606A (zh) | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 | |
| CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
| CN107766850A (zh) | 基于结合人脸属性信息的人脸识别方法 | |
| CN109858466A (zh) | 一种基于卷积神经网络的人脸关键点检测方法及装置 | |
| CN107368831A (zh) | 一种自然场景图像中的英文文字和数字识别方法 | |
| CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
| CN104992167A (zh) | 一种基于卷积神经网络的人脸检测方法及装置 | |
| CN106548165A (zh) | 一种基于图像分块加权的卷积神经网络的人脸识别方法 | |
| CN107066955B (zh) | 一种从局部人脸区域还原整张人脸的方法 | |
| CN108052884A (zh) | 一种基于改进残差神经网络的手势识别方法 | |
| CN107735795A (zh) | 用于社会关系识别的方法和系统 | |
| CN106778852A (zh) | 一种修正误判的图像内容识别方法 | |
| CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
| CN107066916A (zh) | 基于反卷积神经网络的场景语义分割方法 | |
| CN110956158A (zh) | 一种基于教师学生学习框架的遮挡行人再标识方法 | |
| CN110414483A (zh) | 一种基于深度神经网络和随机森林的人脸识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |