-
公开(公告)号：CN107944395A
公开(公告)日：2018-04-20
申请号：CN201711207467.3
申请日：2017-11-27
Applicant: 浙江大学
Abstract: 本发明公开了一种验证人证合一的验证方法及系统，所述验证方法用于验证身份证上的人和拍摄照图像上的人是否为同一个人，分别采集持有身份证的人的身份证图像和所述拍摄照图像；将所述身份证图像和所述拍摄照图像进行人脸检测，获得身份证人脸位置坐标和拍摄照人脸位置坐标，并经过同一个仿射变换，获得尺寸相同的身份证变换图像和拍摄照变换图像；利用改进卷积神经网络算法提取所述身份证变换图像和所述拍摄照变换图像的特征向量，验证身份证上的人和拍摄照图像上的人是否为一个人。通过利用改进卷积神经网络算法提取身份证变换图像和拍摄照变换图像的特征向量，在光线较暗，人多的环境中引起的人脸图像差异较大情况，提高了验证结果的准确度。
-
公开(公告)号：CN107766811A
公开(公告)日：2018-03-06
申请号：CN201710935978.0
申请日：2017-10-10
Applicant: 浙江大学
CPC classification number: G06K9/00228 , G06K9/00281 , G06K9/00288 , G06K9/00973 , G06K9/6215 , G06K9/6267
Abstract: 本发明公开了一种基于复杂流型结构的人脸识别方法及系统，该方法包括目标人脸检测、目标人脸特征提取及人脸特征数据库建立、人脸特征比对与判定等步骤。待检测图片是一张高维的具有冗余度的图片，检测目标人脸使用改进的MTCNN获得较准确的人脸位置与关键点，基于一种流型结构训练的卷积神经网络，将检测到的人脸映射成欧氏空间可分的低维的特征向量作为此人脸的比对基准特征，当有新的人脸信息进入，比对新人脸的特征与已有基准特征的欧式L2距离，判定人脸归属。本发明脱离服务器端的卷积神经网络架构，基于C++相关库、Armadillo矩阵库，在RK3288嵌入式平台上构造人脸识别系统，经优化后系统帧率最高可达15FPS，为现实推广卷积神经网络的使用做出了一定的贡献。
-
Patent Agency Ranking
公开(公告)号：CN107944395B
公开(公告)日：2020-08-18
申请号：CN201711207467.3
申请日：2017-11-27
Applicant: 浙江大学
Abstract: 本发明公开了一种验证人证合一的验证方法及系统，所述验证方法用于验证身份证上的人和拍摄照图像上的人是否为同一个人，分别采集持有身份证的人的身份证图像和所述拍摄照图像；将所述身份证图像和所述拍摄照图像进行人脸检测，获得身份证人脸位置坐标和拍摄照人脸位置坐标，并经过同一个仿射变换，获得尺寸相同的身份证变换图像和拍摄照变换图像；利用改进卷积神经网络算法提取所述身份证变换图像和所述拍摄照变换图像的特征向量，验证身份证上的人和拍摄照图像上的人是否为一个人。通过利用改进卷积神经网络算法提取身份证变换图像和拍摄照变换图像的特征向量，在光线较暗，人多的环境中引起的人脸图像差异较大情况，提高了验证结果的准确度。
-
公开(公告)号：CN106096557A
公开(公告)日：2016-11-09
申请号：CN201610427189.1
申请日：2016-06-15
Applicant: 浙江大学
CPC classification number: G06K9/00308 , G06K9/6259 , G06K9/6269
Abstract: 本发明公开了一种基于模糊训练样本的半监督学习人脸表情识别方法，本发明首先对人脸数据库数据预处理，然后使用改进的SVM算法进行人脸表情识别，最后对未知表情图像进行识别。本发明在使用相同数量的有标记样本时通过加入大量无标记样本将表情识别率提高3％～7％；在使用少量标记样本情况下，该方法通过STSVM算法将识别率提升至与使用大量标记样本得到的SVM分类器识别率相当的水平。
-
公开(公告)号：CN107729835B
公开(公告)日：2020-10-16
申请号：CN201710937045.5
申请日：2017-10-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法，使用传统的局部二值模式特征、局部方向数特征等与深度神经网络特征分别训练人脸表情分类器，然后利用这些分类器投票，进行人脸表情识别。该表情识别方法使用了近年来流行的深度学习方法，收集大量人脸表情数据解决训练神经网络困难的问题，使用了一个简单卷积神经网络提取深度特征，并创新地与人脸关键点区域的传统生物特征进行融合，进行人脸表情的识别。本发明主要有人脸表情数据预处理、人脸区域检测、人脸表情特征提取、人脸表情分类器训练等步骤。使用该表情识别方法得到的识别率，相比只使用传统特征表情识别方法的识别率提升1％‑2％。
-
公开(公告)号：CN106096557B
公开(公告)日：2019-01-18
申请号：CN201610427189.1
申请日：2016-06-15
Applicant: 浙江大学
Abstract: 本发明公开了一种基于模糊训练样本的半监督学习人脸表情识别方法，本发明首先对人脸数据库数据预处理，然后使用改进的SVM算法进行人脸表情识别，最后对未知表情图像进行识别。本发明在使用相同数量的有标记样本时通过加入大量无标记样本将表情识别率提高3％～7％；在使用少量标记样本情况下，该方法通过STSVM算法将识别率提升至与使用大量标记样本得到的SVM分类器识别率相当的水平。
-
公开(公告)号：CN107729835A
公开(公告)日：2018-02-23
申请号：CN201710937045.5
申请日：2017-10-10
Applicant: 浙江大学
CPC classification number: G06K9/00281 , G06K9/00275 , G06K9/00288 , G06K9/00302 , G06K9/6276 , G06K2009/4666
Abstract: 本发明公开了一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法，使用传统的局部二值模式特征、局部方向数特征等与深度神经网络特征分别训练人脸表情分类器，然后利用这些分类器投票，进行人脸表情识别。该表情识别方法使用了近年来流行的深度学习方法，收集大量人脸表情数据解决训练神经网络困难的问题，使用了一个简单卷积神经网络提取深度特征，并创新地与人脸关键点区域的传统生物特征进行融合，进行人脸表情的识别。本发明主要有人脸表情数据预处理、人脸区域检测、人脸表情特征提取、人脸表情分类器训练等步骤。使用该表情识别方法得到的识别率，相比只使用传统特征表情识别方法的识别率提升1％-2％。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
