专利标题 公开号/公告号 公开日期 摘要 专利状态
行人归档方法、装置、计算机设备及存储介质 CN201911277660.3 2022-12-16 本发明涉及人脸匹配技术领域，提供了一种行人归档方法、装置、计算机设备及存储介质，该行人归档方法包括：从获取的行人图像中提取属于同一行人的目标图像；计算目标图像中人脸的质量评估系数，当质量评估系数小于第一预设阈值时，将目标图像归类为无人脸子集；计算无人脸子集中的目标图像与预先归档的用户图像的匹配程度；当匹配程度未达到第一预设要求时，提取目标图像的属性信息；将属性信息和目标图像添加至新增行人档案，并根据属性信息生成唯一归档标识。通过本发明的实施，能够解决现有的行人归档方法存在行人图像的信息利用率较低的问题。 专利权的变更
目标对象的搜索方法、装置、计算机设备及存储介质 CN201911277543.7 2022-12-16 本发明涉及人脸匹配技术领域，提供了一种目标对象的搜索方法、装置、计算机设备及存储介质，该目标对象的搜索方法包括：获取用于描述同一目标的目标外观信息和目标轨迹信息；根据同一目标的目标外观信息和目标轨迹信息在数据库中检索，将目标外观信息与数据库中存储的实体外观数据进行匹配，将目标轨迹信息与数据库中存储的实体轨迹数据进行匹配，获得包含有相同目标的目标视频；从目标视频中提取包含有目标的视频片段；输出视频片段。通过本实施例的实施，能够解决现有的检索视频方法存在获得目标的效率较低的问题。 专利权的变更
人脸活体检测方法及系统、计算机可读取的存储介质 CN201911011281.X 2023-08-25 本发明公开了一种人脸活体检测方法及系统、计算机可读取的存储介质。本发明的人脸活体检测方法及系统，基于多帧3D深度图像进行人脸活体检测，相对于现有的基于BGR图像进行人脸活体检测的方式，其不受环境光照变化的影响，检测准确率和泛化能力更好，并且构建了循环注意力网络模型对多帧3D深度图像进行处理，引入了注意力机制，结合前后多帧深度图像动态选择有利于检测是否为活体的深度图像区域，从而进一步提升了人脸活体检测的准确率和泛化能力，避免出现由于用户距离较远导致单帧3D深度图像不明显从而导致出现误判的情况。 专利权的变更
基于深度学习VGG16框架的车牌检测方法及系统、存储介质 CN201910577106.0 2021-05-07 本发明公开了一种基于深度学习VGG16框架的车牌检测方法、系统及计算机可读取的存储介质。本发明的基于深度学习VGG16框架的车牌检测方法、系统及计算机可读取的存储介质，首先准备输入图片数据集，并且基于深度学习VGG16框架来搭建车牌定位网络模型，再基于准备的图片数据集制作训练数据，并利用制作的训练数据训练搭建的网络模型，然后利用训练好的网络模型进行车牌检测和模型评估，在提高车牌定位准确率的同时还提高了车牌检测速度，可以很好地满足车牌检测的实时化需求。   专利权的变更
人脸图像超分辨率重建方法及计算机可读取的存储介质 CN201910323776.X 2023-06-23 本发明公开了一种人脸图像超分辨率重建方法。本发明的人脸图像超分辨率重建方法，独创性地提取了两种人脸语义先验知识，将两种人脸先验信息和人脸超分辨率重建网络的编码部分拼接合并后作为人脸超分辨率重建网络的解码部分的输入，确保了重构的人脸图像包含更多的人脸先验信息，并且将人脸超分辨率重建网络和多任务人脸语义先验知识提取网络共同作为生成对抗网络的生成器，使得重建后的高分辨率人脸图像更加真实逼真，执行速度也很快，对于不同程度低分辨率的人脸图像都具有良好的鲁棒性。本发明的人脸图像超分辨率重建方法，对于由于采集设备和环境以及网络传输介质、图像压缩等因素引起的低分辨率图像的超分辨率重建具有良好的应用效果。 专利权的变更
适用于狭小空间的智能行为分析方法及智能行为分析设备 CN201910162118.7 2021-03-30 本发明公开了一种适用于狭小空间的智能行为分析方法，用于在狭小空间内对人的行为动作进行识别分析，包括以下步骤：步骤S1：利用深度相机获取狭小空间内的深度图像；步骤S2：基于深度图像将人体分为多个身体组件；步骤S3：基于多个身体组件分别进行分类判断并生成人体骨架系统；步骤S4：对人体骨架系统的运动轨迹进行跟踪分析以识别出人体的行为状态；及步骤S5：根据识别结果判断是否产生预警。本发明的适用于狭小空间的智能行为分析方法及设备，可以在狭小空间内针对多个目标人物的行为状态进行准确识别分析，识别准确度很高，在识别完成之后在设备端即可完成预警，无需传输至后台服务器处理之后再进行预警，时效性更好。   专利权的变更
指静脉识别的快速比对方法及计算机可读取的存储介质 CN201910040065.1 2021-01-26 本发明公开了一种指静脉识别的快速比对方法，包括以下步骤：步骤S1：建立Gabor滤波模板；步骤S2：利用Gabor滤波模板提取测试目标的原始Gabor特征；步骤S3：对提取的原始Gabor特征进行特征降维处理以得到测试目标的详细特征向量和粗略特征向量；及步骤S4：将测试目标的粗略特征向量与比对库中所有目标模板的粗略特征向量进行相似度比对以筛选出一期候选目标，再依次采用中等精度匹配策略和高精度匹配策略将测试目标详细特征向量与一期候选目标的详细特征向量进行相似度比对。本发明的指静脉识别的快速比对方法，采用多级串联比对方法，具有比对速度快、比对准确度高的优点。   专利权的变更
指静脉特征提取方法、比对方法、存储介质及处理器 CN201811357879.X - 本发明公开了一种指静脉特征提取方法、比对方法、存储介质及处理器，指静脉特征提取方法包括：将指静脉图像先在水平方向上和g(x，σ1)cos(k1 x)卷积，再在垂直方向上和g(y，σ1)cos(k2 y)卷积得到第一中间结果；将指静脉图像在水平方向上和g(x，σ1)sin(k1 x)卷积，再在垂直方向上和g(y，σ1)sin(k2 y)卷积得到第二中间结果；将指静脉图像在水平、垂直方向进行高斯卷积并乘得到第三中间结果；将第一中间结果减去第二中间结果、第三中间的和得到最终结果，也就是Gabor的滤波结果，即提取出图像的Gabor特征。本发明有效降低了计算量，提升了特征提取速度，有效降低计算开销非常惊人和消耗内存，满足实时性要求，且计算复杂度低。 专利申请的驳回
图像去网格方法、存储介质 CN201811330137.8 2021-06-04 本发明公开了一种图像去网格方法和存储介质，用于对带网格的图像进行去网格处理，该方法包括：采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入生成对抗网络模型进行训练，直到生成器生成的图像为真实；取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入预训练模型的进行特征约束训练，直到生成器生成的图像为真实；采用上一步训练好的生成器对需去网格的图像进行去网格处理。 专利权的变更
基于单摄像头的人脸识别活体检测方法及系统、存储介质 CN201811323383.0 - 本发明公开了一种基于单摄像头的人脸识别活体检测方法，其包括以下步骤：步骤S100：利用单摄像头获取视频流；步骤S200：从视频流中提取出不同尺寸的图像；及步骤S300：利用深度学习神经网络判断图像是否为活体，其中针对不同尺寸的图像采用不同的深度学习模型进行判定。本发明的基于单摄像头的人脸识别活体检测方法及系统和计算机可读取的存储介质，通过输入不同尺寸的图像至多模型融合的深度学习神经网络，采用不同深度学习模型对不同尺寸的图像进行检测，不仅确保了检测准确度，而且提升了检测效率，可以有效地抵御照片攻击和视频攻击。 专利申请的驳回