CN109492560A - 基于时间尺度的人脸图像特征融合方法、装置和存储介质 - Google Patents

基于时间尺度的人脸图像特征融合方法、装置和存储介质 Download PDF

Info

Publication number
CN109492560A
CN109492560A CN201811266951.8A CN201811266951A CN109492560A CN 109492560 A CN109492560 A CN 109492560A CN 201811266951 A CN201811266951 A CN 201811266951A CN 109492560 A CN109492560 A CN 109492560A
Authority
CN
China
Prior art keywords
feature vector
fusion
fused
facial image
vector
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.)
Pending
Application number
CN201811266951.8A
Other languages
English (en)
Inventor
薛鹏
何俊豪
刘强
曹友盛
蔡振伟
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.)
Shenzhen Liwei Zhilian Technology Co Ltd
Original Assignee
Shenzhen Liwei Zhilian 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 Shenzhen Liwei Zhilian Technology Co Ltd filed Critical Shenzhen Liwei Zhilian Technology Co Ltd
Priority to CN201811266951.8A priority Critical patent/CN109492560A/zh
Publication of CN109492560A publication Critical patent/CN109492560A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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

Abstract

本发明公开了一种基于时间尺度的人脸图像特征融合方法，基于时间尺度的人脸图像特征融合方法包括以下步骤：在采集到人脸图像后，提取人脸图像对应的待处理特征向量，并判断待处理特征向量是否有匹配的预存特征向量；在待处理特征向量含有匹配的预存特征向量时，将匹配的预存特征向量中的各个已融合特征向量以及待处理特征向量作为待融合特征向量；确定各个待融合特征向量对应的目标融合权重，其中，待融合特征向量对应的提取时间点越晚，待融合特征向量对应的目标融合权重越大；根据各个目标融合权重，对各个待融合特征向量进行加权融合。本发明还公开一种基于时间尺度的人脸图像特征融合装置和存储介质。本发明提高了人脸识别的准确率。

Description

基于时间尺度的人脸图像特征融合方法、装置和存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于时间尺度的人脸图像特征融合方法、装置和存储介质。
背景技术
随着深度学习技术在图像特征提取领域的突破以及不断发展，人脸识别技术日渐成熟，业已被广泛的应用到诸如视频安防、智慧社区等公共安全领域。
人脸识别主要包括：采集人脸检测图像、人脸图像预处理、人脸检测、人脸对齐、提取人脸图像特征、将提取到的特征向量与已有中的人脸特征向量进行比对、进而给出最终的识别结果，其中是人脸特征比对是主要耗时过程。为加快人脸特征比对速度，现有方法主要根据同一人脸的不同人脸特征向量进行聚类或者特征融合，再将待检测人脸图像特征与聚类中心或者融合后特征进行比对从而减小计算量，以加快人脸识别的速率。
在根据聚合图像的人脸识别实际应用场景中，随着儿童成长发育、人的胖瘦变化、苍老乃至季节更迭都会造成同一人脸的不同图像之间的差异，也即使得采集的人脸图像与预存人脸图像存在较大差异，从而导致人脸识别的准确率较低。
发明内容
本发明的主要目的在于提供一种基于时间尺度的人脸图像特征融合方法、装置和存储介质，旨在解决人脸识别的准确率较低的问题。
为实现上述目的，本发明提供的一种基于时间尺度的人脸图像特征融合方法，所述基于时间尺度的人脸图像特征融合方法包括以下步骤：
在采集到人脸图像后，提取所述人脸图像对应的特征向量，并判断所述待处理特征向量是否有匹配的预存特征向量；
在所述待处理特征向量含有匹配的预存特征向量时，将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
确定各个所述待融合特征向量对应的目标融合权重，其中，所述待融合特征向量对应的提取时间点越晚，所述待融合特征向量对应的目标融合权重越大；
根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合。
在一实施例中，所述确定各个所述待融合特征向量对应的目标融合权重的步骤包括：
确定各个所述待融合特征向量的第一数量，以及各个所述待融合特征向量上一次融合的历史融合权重，并获取预存的融合权重公式；
将所述第一数量以及各个所述历史融合权重代入预存的融合权重公式，以得到各个所述待融合特征向量对应的目标融合权重。
在一实施例中，所述确定各个所述待融合特征向量对应的目标融合权重的步骤包括：
确定各个所述待融合特征向量对应的提取时间点；
按照从早到晚的提取顺序对各个所述提取时间点进行排序，以确定各个所述待融合特征向量对应的排序序号；
根据各个所述排序序号，确定各个所述待融合特征向量对应的目标融合权重，其中，在排序序列中，所述排序序号越靠前，所述排序序号对应的待融合特征向量的目标融合权重越小。
在一实施例中，所述判断所述待处理特征向量是否有匹配的预存特征向量的步骤之后，还包括：
在所述待处理特征向量含有匹配的预存特征向量时，确定匹配的所述预存特征向量中的各个已融合特征向量的第二数量；
判断所述第二数量是否小于预设数量；
在所述第二数量小于预设数量时，执行所述将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量的步骤。
在一实施例中，所述判断所述第二数量是否小于预设数量的步骤之后，还包括：
在所述第二数量等于预设数量时，将提取时间点最早的已融合特征向量剔除，并将其他的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
获取各个所述待融合特征向量对应的提取时间点，并按照从早到晚的提取顺序确定各个所述提取时间点对应的提取序号；
确定所述提取序号对应的设定融合权重，以将所述设定融合权重，作为所述提取序号对应的所述待融合特征向量的目标融合权重，其中，所述提取时间点越晚，所述设定融合权重越大；
执行所述根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合的步骤。
在一实施例中，所述判断所述待处理特征向量是否有匹配的预存特征向量的步骤包括：
分别计算所述待处理特征向量与数据库中各个预存特征向量之间的相似度；
判断最大的相似度是否大于预设阈值，其中，在最大的相似度大于预设阈值时，判定所述待处理特征向量含有匹配的预存特征向量。
在一实施例中，所述根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合的步骤包括：
依次选取所述待融合特征向量的各个维度作为目标维度；
获取各个所述待融合特征向量在所述目标维度上的特征值；
根据各个所述目标融合权重，对各个所述特征值进行加权计算，以得到所述更新后的预存特征向量在所述目标维度上的特征值。
在一实施例中，所述判断所述待处理特征向量是否有匹配的预存特征向量的步骤之后，还包括：
在所述待处理特征向量未含有匹配的预存特征向量时，获取所述人脸图像的对应用户信息；
将所述用户信息与所述待处理特征向量关联，并将关联的所述待处理特征向量与所述用户信息保存。
为实现上述目的，本发明还提供一种基于时间尺度的人脸图像特征融合装置，所述基于时间尺度的人脸图像特征融合装置包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的基于时间尺度的人脸图像特征融合程序，所述基于时间尺度的人脸图像特征融合程序被所述处理器执行时实现如上所述的基于时间尺度的人脸图像特征融合方法的各个步骤。
为实现上述目的，本发明还提供一种存储介质，所述存储介质存储有基于时间尺度的人脸图像特征融合程序，所述基于时间尺度的人脸图像特征融合程序被所述处理器执行时实现如上所述的基于时间尺度的人脸图像特征融合方法的各个步骤。
本发明提供的基于时间尺度的人脸图像特征融合方法、装置和存储介质，基于时间尺度的人脸图像特征融合装置在采集到人脸图像后，提取人脸图像的待处理特征向量，并确定待处理特征向量匹配的预存特征向量，从而将预存特征向量中的各个已融合特征向量以及待处理特征向量作为待融合特征向量，然后确定各个待融合特征向量对应的目标融合权重，以根据各个目标融合权重对各个待融合特征向量进行融合，从而更新人脸图像；由于基于时间尺度的人脸图像特征融合装置赋予用户最新面貌最大的融合权重，并结合用户的历史面貌对人脸识别准确性，将该最新面貌对应的图像融入用户对应的预存图像中，从而减小了融合后的预存图像与用户人脸图像的差异，提高了人脸识别的准确率。
附图说明
图1为本发明实施例涉及的基于时间尺度的人脸图像特征融合装置的硬件结构示意图；
图2为本发明基于时间尺度的人脸图像特征融合方法第一实施例的流程示意图；
图3为图2中步骤S10的细化流程示意图；
图4为图2中步骤S40的细化流程示意图；
图5为本发明基于时间尺度的人脸图像特征融合方法第二实施例的流程示意图；
图6为本发明基于时间尺度的人脸图像特征融合方法第三实施例的流程示意图；
图7为本发明基于时间尺度的人脸图像特征融合方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：在采集到人脸图像后，提取所述人脸图像对应的特征向量，并判断所述待处理特征向量是否有匹配的预存特征向量；在所述待处理特征向量含有匹配的预存特征向量时，将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；确定各个所述待融合特征向量对应的目标融合权重，其中，所述待融合特征向量对应的提取时间点越晚，所述待融合特征向量对应的目标融合权重越大；根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合。
由于基于时间尺度的人脸图像特征融合装置赋予用户最新面貌最大的融合权重，并结合用户的历史面貌对人脸识别准确性，并将该最新面貌对应的图像融入用户对应的预存图像中，从而减小了融合后的预存图像与用户人脸图像的差异，提高了人脸识别的准确率。
作为一种实现方案，基于时间尺度的人脸图像特征融合装置可以如图1所示。
本发明实施例方案涉及的是基于时间尺度的人脸图像特征融合装置，基于时间尺度的人脸图像特征融合装置包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机存储介质的存储器103中可以包括基于时间尺度的人脸图像特征融合程序；而处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
在采集到人脸图像后，提取所述人脸图像对应的特征向量，并判断所述待处理特征向量是否有匹配的预存特征向量；
在所述待处理特征向量含有匹配的预存特征向量时，将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
确定各个所述待融合特征向量对应的目标融合权重，其中，所述待融合特征向量对应的提取时间点越晚，所述待融合特征向量对应的目标融合权重越大；
根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
确定各个所述待融合特征向量的第一数量，以及各个所述待融合特征向量上一次融合的历史融合权重，并获取预存的融合权重公式；
将所述第一数量以及各个所述历史融合权重代入预存的融合权重公式，以得到各个所述待融合特征向量对应的目标融合权重。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
确定各个所述待融合特征向量对应的提取时间点；
按照从早到晚的提取顺序对各个所述提取时间点进行排序，以确定各个所述待融合特征向量对应的排序序号；
根据各个所述排序序号，确定各个所述待融合特征向量对应的目标融合权重，其中，在排序序列中，所述排序序号越靠前，所述排序序号对应的待融合特征向量的目标融合权重越小。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
在所述待处理特征向量含有匹配的预存特征向量时，确定匹配的所述预存特征向量中的各个已融合特征向量的第二数量；
判断所述第二数量是否小于预设数量；
在所述第二数量小于预设数量时，执行所述将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量的步骤。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
在所述第二数量等于预设数量时，将提取时间点最早的已融合特征向量剔除，并将其他的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
获取各个所述待融合特征向量对应的提取时间点，并按照从早到晚的提取顺序确定各个所述提取时间点对应的提取序号；
确定所述提取序号对应的设定融合权重，以将所述设定融合权重，作为所述提取序号对应的所述待融合特征向量的目标融合权重，其中，所述提取时间点越晚，所述设定融合权重越大；
执行所述根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合的步骤。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
分别计算所述待处理特征向量与数据库中各个预存特征向量之间的相似度；
判断最大的相似度是否大于预设阈值，其中，在最大的相似度大于预设阈值时，判定所述待处理特征向量含有匹配的预存特征向量。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
依次选取所述待融合特征向量的各个维度作为目标维度；
获取各个所述待融合特征向量在所述目标维度上的特征值；
根据各个所述目标融合权重，对各个所述特征值进行加权计算，以得到所述更新后的预存特征向量在所述目标维度上的特征值。
在一实施例中，处理器101可以用于调用存储器102中存储的基于时间尺度的人脸图像特征融合程序，并执行以下操作：
在所述待处理特征向量未含有匹配的预存特征向量时，获取所述人脸图像的对应用户信息；
将所述用户信息与所述待处理特征向量关联，并将关联的所述待处理特征向量与所述用户信息保存。
本实施例根据上述方案，基于时间尺度的人脸图像特征融合装置在采集到人脸图像后，提取人脸图像的待处理特征向量，并确定待处理特征向量匹配的预存特征向量，从而将预存特征向量中的各个已融合特征向量以及待处理特征向量作为待融合特征向量，然后确定各个待融合特征向量对应的目标融合权重，以根据各个目标融合权重对各个待融合特征向量进行融合，从而更新人脸图像；由于基于时间尺度的人脸图像特征融合装置赋予用户最新面貌最大的融合权重，并结合用户的历史面貌对人脸识别准确性，将该最新面貌对应的图像融入用户对应的预存图像中，从而减小了融合后的预存图像与用户人脸图像的差异，提高了人脸识别的准确率。
基于上述基于时间尺度的人脸图像特征融合装置的硬件构架，提出本发明基于时间尺度的人脸图像特征融合方法的实施例。
参照图2，图2为本发明基于时间尺度的人脸图像特征融合方法的第一实施例，所述基于时间尺度的人脸图像特征融合方法包括以下步骤：
步骤S10，在采集到人脸图像后，提取所述人脸图像对应的特征向量，并判断所述待处理特征向量是否有匹配的预存特征向量；
在本发明中，基于时间尺度的人脸图像特征融合装置包括图像采集模块，图像采集模块用于采集人脸图像，图像采集模块可外置在小区入口、安检入口的公共安全区域，图像采集模块将采集的人脸图像发送至基于时间尺度的人脸图像特征融合装置的图像处理模块；
图像处理模块对人脸图像进行滤波去噪、直方图均衡化、图像锐化等处理后，再将该处理后的图像发送至基于时间尺度的人脸图像特征融合装置中的人脸检测模块；
人脸检测模块将处理后的图像的人脸从背景检测出来，人脸检测模块通常采用HAAR特征和Adaboost算法训练级联分类器，以对处理后的图像(将处理后的图像分为多个矩形区域)的每一块进行分类，若某一矩形区域通过了级联分类器，该矩形区域则被判别为人脸图像，人脸检测模块再将人脸图像发送至基于时间尺度的人脸图像特征融合装置中人脸特征提取模块；
人脸特征提取模块提取人脸图像中的人脸特征，人脸特征指的是通过一些数字来表征人脸信息，此类数字即为人脸特征提取模块所要提取的，然后采用深度学习神经网络算法计算提取到的数字，从而得到人脸图像对应的多维度特征向量，在本发明中，多维度特征向量为512维特征向量，当然，特征向量的维度并不限于512维度。
基于时间尺度的人脸图像特征融合装置包括前端和后端，前端包括图像采集模块、图像处理模块、人脸检测模块以及人脸特征提取模块，后端即为后台服务器，后台服务器中设有数据库，数据库中存储有多个用户对应的预存特征向量，预存特征向量为用户多个图像对应的特征向量融合而成，也即预存特征向量中含有多个已融合特征向量。
在当后台服务器接收到512维特征向量后，为了便于后续的计算，可将512维特征向量进行归一化处理，归一化处理后的512维特征向量即为待处理特征向量；后台服务器遍历数据库中各个预存特征向量，以判断待处理特征向量是否有匹配的预存特征向量。具体的，请参照图3，即步骤S10中判断所述待处理特征向量是否有匹配的预存特征向量的步骤包括：
步骤S11，分别计算所述待处理特征向量与数据库中各个预存特征向量之间的相似度；
步骤S12，判断最大的相似度是否大于预设阈值，其中，在最大的相似度大于预设阈值时，判定所述待处理特征向量含有匹配的预存特征向量；
后台服务器会计算待处理特征向量与数据库中各个预存特征向量之间的相似度，相似度采用余弦相似度；在计算得到各个余弦相似度后，提取其中最大的余弦相似度，并判断最大的余弦相似度是否大于预设阈值，若是大于预设阈值，该最大的余弦相似度对应的预存特征向量与待处理特征向量匹配。需要说明的是，为了便于预设阈值的选取，可将各个余弦相似度进行值域转换(分布从[-1,1]到[0,1])。
步骤S20，在所述待处理特征向量含有匹配的预存特征向量时，将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
在当待处理特征向量含有匹配的预存特征向量时，后台服务器将匹配的预存特征向量中的各个已融合特征向量以及待处理特征向量作为待融合特征向量，从而对各个待融合特征向量重新进行融合。例如，匹配的预存特征向量有5个已融合特征向量融合而成，那么待处理特征向量的数量为6个。
步骤S30，确定各个所述待融合特征向量对应的目标融合权重，其中，所述待融合特征向量对应的提取时间点越晚，所述待融合特征向量对应的目标融合权重越大；
在各个待融合特征向量融合前，需要确定各个待融合特征向量的目标融合权重。
匹配的预存特征向量是由多个已融合特征向量融合而成，每一个已融合特征具有唯一的提取时间点(已融合特征由人脸图像提取得到，每一张人脸图像具有唯一的提取时间点，每一个已融合特征具有唯一的提取时间点)。由于时间的关系，人脸会有一定程度的变化，越早采集的人脸图像的参考的价值越小，也即提取时间点越早的已融合特征向量对应的目标融合权重越小，而待处理特征向量的目标融合权重最大，并将该原理作为目标融合权重的设定规则；另外，各个目标融合权重的总和为1。
后台服务器可根据各个待融合特征向量对应的提取时间点的提取顺序、目标融合权重的设定规则、以及各个目标融合权重的总和公式，来确定每一个待融合特征向量对应的目标融合权重。
步骤S40，根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合；
在确定各个待融合特征向量对应的目标融合权重后，对各个带融合特征向量进行加权融合，从而更新人脸图像。具体的，请参照图4，即步骤S40包括：
步骤S41，依次选取所述待融合特征向量的各个维度作为目标维度；
步骤S42，获取各个所述待融合特征向量在所述目标维度上的特征值；
步骤S43，根据各个所述目标融合权重，对各个所述特征值进行加权计算，以得到所述更新后的预存特征向量在所述目标维度上的特征值；
在本发明中，每一个待融合特征向量均为512维特征向量，后台服务器需要对每一维度进行加权计算，具体的，后台服务器依次将各个维度作为目标维度，然后，获取各个待融合特征向量在目标维度上的特征值，然后根据目标融合权重对特征值进行加权计算，从而得到更新后的预存特征向量在目标温度上的特征值。
例如，具有3个待融合特征向量，第一个待融合特征向量的目标融合权重K1，第二个待融合特征向量的目标融合权重K2，第二个待融合特征向量的目标融合权重K3，V为特征值
在目标维度为第一维度时，V1＝K1*V1a+K2*V1b+K3*V1c，其中，V1a为第一待融合特征向量在第一维度上的特征值，V1b为第二待融合特征向量在第一维度上的特征值，V1c为第三待融合特征向量在第一维度上的特征值，V1为更新后的预存特征向量在第一维度上的特征值；
在目标维度为第二维度时，V2＝K1*V2a+K2*V2b+K3*V2c，
在目标维度为第三维度时，V3＝K1*V3a+K2*V3b+K3*V3c，
...
...
...
在目标维度为第512维度时，V512＝K1*V512a+K2*V512b+K3*V512c。
通过上述公式，即可更新预存特征向量。
在一些人脸识别应用领域，比如小区，由于小区内的人员较为固定，采集的同一人脸图像比较密集，若是在每次采集人脸图像均进行人脸图像的更新，势必会增大基于时间尺度的人脸图像特征融合装置的工作量，从而影响该装置的使用寿命。基于此，在采集的人脸图像时，并对该人脸图像进行识别后，也即确定人脸图像对应的预存特征向量后，确定预存特征向量中各个已融合特征向量的对应的提取时间点，并选取最晚的提取时间点，然后计算最晚时间点与采集时间点之间的间隔时长，若隔间时长大于或等于预设间隔时长，则更新预存特征向量。另外，预设间隔时长可以根据人脸对应的用户的年龄来做适应的调整，比如发育较快的儿童，可将预设间隔时长适当的减小，而将容貌变化不大的年老用户对应的预设间隔时长适当增大，可以理解的是，可以根据用户的年龄段来确定预设间隔时长，年龄段越大，预设间隔时长越小。
需要说明的是，在当基于时间尺度的人脸图像特征融合装置在确定待处理特征向量未含有匹配的预存特征向量时，会获取该人脸图像对应的用户信息，也即基于时间尺度的人脸图像特征融合装置在识别失败后，会发出警示信息以拦截该用户，从而获取该用户对应的信息，在用户信息有效后，再对用户放行，同时，将用户信息与待处理特征向量关联，并保存，使得待处理特征向量作为用户信息对应的预存特征向量，从而便于该用户的下次访问的人脸识别。
本发明赋予采集的图像对应的特征向量最大的融合权重，再将该特征向量融合进特征向量对应的预存特征向量中，并同时充分考虑以前采集的人脸图像对人脸识别的影响，使得预存特征向量得到及时的更新，提高了人脸识别的准确率
在本实施例提供的技术方案中，基于时间尺度的人脸图像特征融合装置在采集到人脸图像后，提取人脸图像的待处理特征向量，并确定待处理特征向量匹配的预存特征向量，从而将预存特征向量中的各个已融合特征向量以及待处理特征向量作为待融合特征向量，然后确定各个待融合特征向量对应的目标融合权重，以根据各个目标融合权重对各个待融合特征向量进行融合，从而更新人脸图像；由于基于时间尺度的人脸图像特征融合装置赋予用户最新面貌最大的融合权重，并结合用户的历史面貌对人脸识别准确性，将该最新面貌对应的图像融入用户对应的预存图像中，从而减小了融合后的预存图像与用户人脸图像的差异，提高了人脸识别的准确率。
参照图5，图5为本发明基于时间尺度的人脸图像特征融合方法的第二实施例，基于第一实施例，所述步骤S30包括：
步骤S31，确定各个所述待融合特征向量的第一数量，以及各个所述待融合特征向量上一次融合的历史融合权重，并获取预存的融合权重公式；
步骤S32，将所述第一数量以及各个所述历史融合权重代入预存的融合权重公式，以得到各个所述待融合特征向量对应的目标融合权重；
在本实施例中，人脸图像的识别装置有预存的融合权重公式，人脸图像的识别装置可以根据该融合权重公式来确定各个待融合特征向量对应的目标融合权重，融合权重公式为：
[2VN/(N+1)]+[(N-1)*M/(N+1)]，
其中，VN为待处理特征向量对应的目标融合权重，M为匹配的预存特征向量中各个已融合特征向量上一次融合时对应的历史融合权重，N为待融合特征向量的数量，也即第一数量。
对此，人脸图像的识别装置先确定各个待融合特征向量的第一数量，也即确定N的具体数值，然后，确定各个待融合特征向量上一次的历史融合权重，也即确定M(采集的人脸图像对应的待处理特征向量的历史融合权重为零)，然后将第一数量以及各个历史融合权重带入融合权重公式，即可得到各个待融合特征向量对应的目标融合权重。
例如，在第一数量N为2，那么M＝V1，带入公式，(2/3)V2+(1/3)V1，也即第一待融合特征向量V1的目标融合权重为1/3，第二待融合特征向量V2的目标融合权重为2/3；
在第一数量N为3，M＝(2/3)V2+(1/3)V1，代入目标融合公式，(2/4)V3+(1/2)(2/3)V2+(1/2)(1/3)V1＝(3/6)V3+(2/6)V2+(1/6)V1，也即第一待融合特征向量V1的目标融合权重为1/6，第二待融合特征向量V2的目标融合权重为2/6，第三待融合特征向量V3的目标融合权重为3/6。
当然，此公式也需遵循目标融合权重的设定规则，也即上述第三待融合特征向量的提取时间点最晚，第一待融合特征向量的提取时间点最早。
在本实施例中，基于时间尺度的人脸图像特征融合装置在确定各个待融合特征向量后，确定各个待融合特征向量的数量，并确定各个待融合特征向量对应的历史融合权重，以将数量以及各个历史融合权重带入融合公式中，从而得到各个待融合特征向量对应的目标融合权重，基于时间尺度的人脸图像特征融合装置能够根据该融合公式快速的确定各个待融合特征向量的目标融合权重，从而加快的人脸图像的更新速率。
参照图6，图6为本发明基于时间尺度的人脸图像特征融合装置的第三实施例，基于第一实施例，所述步骤S30包括：
步骤S33，确定各个所述待融合特征向量对应的提取时间点；
步骤S34，按照从早到晚的提取顺序对各个所述提取时间点进行排序，以确定各个所述待融合特征向量对应的排序序号；
步骤S35，根据各个所述排序序号，确定各个所述待融合特征向量对应的目标融合权重，其中，在排序序列中，所述排序序号越靠前，所述排序序号对应的待融合特征向量的目标融合权重越小；
在本实施例中，基于时间尺度的人脸图像特征融合装置确定各个待融合特征向量对应的提取时间点，然后按照从早到晚的提取顺序对各个提取时间点进行排序，由此，使得每一个提取时间点有对应的排序序号，而根据目标融合权重的设定规则，排序序号越靠前，目标融合权重越大。
例如，有4个待融合特征向量，排序序号分为为1、2、3以及4(排序序号为1对应的待融合特征向量的提取时间点最早，排序序号为4对应的待融合特征向量的提取时间点最晚)，也即V1+V2+V3+V4＝1(V1为排序序号为1对应的待融合特征向量的目标融合权重，以此类推，得到V2、V3、V4的含义)，V1＜V2＜V3＜V4，根据上述二个规则，随机为各个待融合特征向量分配对应的目标融合权重，比如，V1＝0.1，V2＝0.2，V3＝0.3，V4＝0.4。
在本实施例提供的技术方案中，人脸图像的识别装置在确定各个待融合特征向量后，确定各个待融合特征向量对应的提取时间点，从而对各个提取时间点进行排序，再根据排序得到的排序序号来确定待融合特征向量对应的目标融合权重，从而根据时间顺序合理为各个待融合特征向量配置对应的目标融合权重。
参照图7，图7为本发明基于时间尺度的人脸图像特征融合方法的第四实施例，基于第一至第三中任一实施例，所述步骤S10之后，还包括：
步骤S50，在所述待处理特征向量含有匹配的预存特征向量时，确定匹配的所述预存特征向量中的各个已融合特征向量的第二数量；
步骤S60，判断所述第二数量是否小于预设数量；
步骤S70，在所述第二数量小于预设数量时，执行所述将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量的步骤；
步骤S80，在所述第二数量等于预设数量时，将提取时间点最早的已融合特征向量剔除，并将其他的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
步骤S90，获取各个所述待融合特征向量对应的提取时间点，并按照从早到晚的提取顺序确定各个所述提取时间点对应的提取序号；
步骤S100，确定所述提取序号对应的设定融合权重，以将所述设定融合权重，作为所述提取序号对应的所述待融合特征向量的目标融合权重，其中，所述提取时间点越晚，所述设定融合权重越大；
步骤S110，执行所述根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合的步骤；
在一实施例中，采用融合权重公式来确定各个待融合特征向量的目标融合权重，在当第一数量较多时，也即待融合特征向量较多时，最早提取到的待融合特征向量对应的目标融合权重会变得较小，也即最早提取的待融合特征向量比重很小，对加权融合得到的预存特征向量并未多大的影响，加上待融合特征向量的数据过多时，必然会增大基于时间尺度的人脸图像特征融合装置的工作量，从而影响其运行速率以及使用寿命。对此，装置对预存特征向量的特征向量的融合数量进行限定，也即设置预设数量，使得预存特征向量中融合的特征向量的数值最多为预设数量。
故，在当基于时间尺度的人脸图像特征融合装置在确定待处理特征向量匹配的预存特征向量后，需确定该匹配的预存特征向量中已融合特征向量的数量，也即第二数量，若是第二数量小于预设数量，此时可采融合权重公式计算各个待融合特征向量的目标融合权重，也即可采用步骤S31-S32，或者采用步骤S33-S35计算目标融合权重；若是第二数量等于预设数量时，而此时需要将待处理融合特征向量融合进来，故需要对匹配的预存特征向量的已融合特征向量进行剔除，而提取时间点越高的已融合特征向量的参考价值越低，故剔除提取时间点最早的已融合特征向量，并将其他的各个已融合特征向量以及待处理特征向量作为待融合特征向量；最后确定各个待融合特征向量对应的目标融合权重。需要说明的是，预设数量可为任意合适的数值。
因匹配的预存特征向量中各个已融合特征向量的数量已达到预设数量，在更新该预存特征向量时，并不需要添加新的目标融合权重(融合数量相同)，故可以根据已融合特征向量对应的融合权重，来确定待融合特征向量对应的目标融合权重。具体的，人脸图像的识别装置确定匹配的预存特征向量的各个已融合特征向量对应的融合权重，并根据各个融合特征向量对应的提取时间点对各个融合权重进行排序(按照从早到晚的提取顺序排序)，每一个排序序号对应一个融合权重，该融合权重即为排序序号对应的设定融合权重；然后，对各个待融合特征向量对应的提取时间点，按照从早到晚的提取顺序排序，也即得到各个待融合特征向量对应的排序序号，由此根据排序序号确定对应的设定融合权重，该设定融合权重即为待融合特征向量对应的目标融合权重。
例如，预设数量为5，排序序号为1的已融合特征向量对应的设定融合权重为VR1，排序序号为2的已融合特征向量对应的设定融合权重为VR2，排序序号为3的已融合特征向量对应的设定融合权重为VR3，排序序号为4的已融合特征向量对应的设定融合权重为VR4，排序序号为5的已融合特征向量对应的设定融合权重为VR5；那么，排序序号为1的待融合特征向量对应的目标融合权重为VR1，排序序号为2的待融合特征向量对应的目标融合权重为VR2，排序序号为3的待融合特征向量对应的目标融合权重为VR3，排序序号为4的待融合特征向量对应的目标融合权重为VR4，排序序号为5的待融合特征向量对应的目标融合权重为VR5。
在本实施例提供的技术方案中，在确定待处理特征向量含有匹配的预存特征向量后，确定该预存特征向量中各个已融合特征向量的数量，并判断该数量是否大于预设数量，从而根据判断结果采用对应的方式计算待融合特征向量的目标融合权重，基于时间尺度的人脸图像特征融合装置的智能化程度高。
本发明还提供一种基于时间尺度的人脸图像特征融合装置，所述基于时间尺度的人脸图像特征融合装置包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的基于时间尺度的人脸图像特征融合程序，所述基于时间尺度的人脸图像特征融合程序被所述处理器执行时实现如上实施例所述的基于时间尺度的人脸图像特征融合方法的各个步骤。
本发明还提供一种存储介质，所述存储介质存储有基于时间尺度的人脸图像特征融合程序，所述基于时间尺度的人脸图像特征融合程序被所述处理器执行时实现如上实施例所述的基于时间尺度的人脸图像特征融合方法的各个步骤。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于时间尺度的人脸图像特征融合方法，其特征在于，所述基于时间尺度的人脸图像特征融合方法包括以下步骤：
在采集到人脸图像后，提取所述人脸图像对应的待处理特征向量，并判断所述待处理特征向量是否有匹配的预存特征向量；
在所述待处理特征向量含有匹配的预存特征向量时，将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
确定各个所述待融合特征向量对应的目标融合权重，其中，所述待融合特征向量对应的提取时间点越晚，所述待融合特征向量对应的目标融合权重越大；
根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合。
2.如权利要求1所述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述确定各个所述待融合特征向量对应的目标融合权重的步骤包括：
确定各个所述待融合特征向量的第一数量，以及各个所述待融合特征向量上一次融合的历史融合权重，并获取预存的融合权重公式；
将所述第一数量以及各个所述历史融合权重代入预存的融合权重公式，以得到各个所述待融合特征向量对应的目标融合权重。
3.如权利要求1所述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述确定各个所述待融合特征向量对应的目标融合权重的步骤包括：
确定各个所述待融合特征向量对应的提取时间点；
按照从早到晚的提取顺序对各个所述提取时间点进行排序，以确定各个所述待融合特征向量对应的排序序号；
根据各个所述排序序号，确定各个所述待融合特征向量对应的目标融合权重，其中，在排序序列中，所述排序序号越靠前，所述排序序号对应的待融合特征向量的目标融合权重越小。
4.如权利要求1所述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述判断所述待处理特征向量是否有匹配的预存特征向量的步骤之后，还包括：
在所述待处理特征向量含有匹配的预存特征向量时，确定匹配的所述预存特征向量中的各个已融合特征向量的第二数量；
判断所述第二数量是否小于预设数量；
在所述第二数量小于预设数量时，执行所述将匹配的所述预存特征向量中的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量的步骤。
5.如权利要求4述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述判断所述第二数量是否小于预设数量的步骤之后，还包括：
在所述第二数量等于预设数量时，将提取时间点最早的已融合特征向量剔除，并将其他的各个已融合特征向量以及所述待处理特征向量作为待融合特征向量；
获取各个所述待融合特征向量对应的提取时间点，并按照从早到晚的提取顺序确定各个所述提取时间点对应的提取序号；
确定所述提取序号对应的设定融合权重，以将所述设定融合权重，作为所述提取序号对应的所述待融合特征向量的目标融合权重，其中，所述提取时间点越晚，所述设定融合权重越大；
执行所述根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合的步骤。
6.如权利要求1-5任一项所述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述判断所述待处理特征向量是否有匹配的预存特征向量的步骤包括：
分别计算所述待处理特征向量与数据库中各个预存特征向量之间的相似度；
判断最大的相似度是否大于预设阈值，其中，在最大的相似度大于预设阈值时，判定所述待处理特征向量含有匹配的预存特征向量。
7.如权利要求1-5任一项所述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述根据各个所述目标融合权重，对各个所述待融合特征向量进行加权融合的步骤包括：
依次选取所述待融合特征向量的各个维度作为目标维度；
获取各个所述待融合特征向量在所述目标维度上的特征值；
根据各个所述目标融合权重，对各个所述特征值进行加权计算，以得到所述更新后的预存特征向量在所述目标维度上的特征值。
8.如权利要求1-5任一项所述的基于时间尺度的人脸图像特征融合方法，其特征在于，所述判断所述待处理特征向量是否有匹配的预存特征向量的步骤之后，还包括：
在所述待处理特征向量未含有匹配的预存特征向量时，获取所述人脸图像的对应用户信息；
将所述用户信息与所述待处理特征向量关联，并将关联的所述待处理特征向量与所述用户信息保存。
9.一种基于时间尺度的人脸图像特征融合装置，其特征在于，所述基于时间尺度的人脸图像特征融合装置包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的基于时间尺度的人脸图像特征融合程序，所述基于时间尺度的人脸图像特征融合程序被所述处理器执行时实现如权利要求1-8任一项所述的基于时间尺度的人脸图像特征融合方法的各个步骤。
10.一种存储介质，其特征在于，所述存储介质存储有基于时间尺度的人脸图像特征融合程序，所述基于时间尺度的人脸图像特征融合程序被所述处理器执行时实现如权利要求1-8任一项所述的基于时间尺度的人脸图像特征融合方法的各个步骤。
CN201811266951.8A 2018-10-26 2018-10-26 基于时间尺度的人脸图像特征融合方法、装置和存储介质 Pending CN109492560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811266951.8A CN109492560A (zh) 2018-10-26 2018-10-26 基于时间尺度的人脸图像特征融合方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811266951.8A CN109492560A (zh) 2018-10-26 2018-10-26 基于时间尺度的人脸图像特征融合方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN109492560A true CN109492560A (zh) 2019-03-19

Family

ID=65693253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811266951.8A Pending CN109492560A (zh) 2018-10-26 2018-10-26 基于时间尺度的人脸图像特征融合方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN109492560A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934197A (zh) * 2019-03-21 2019-06-25 深圳力维智联技术有限公司 人脸识别模型的训练方法、装置和计算机可读存储介质
CN110223421A (zh) * 2019-05-09 2019-09-10 特斯联（北京）科技有限公司 自适应人脸动态变化的门禁方法及系统
CN110516586A (zh) * 2019-08-23 2019-11-29 深圳力维智联技术有限公司 一种人脸图像聚类方法、系统、产品及介质
CN110737793A (zh) * 2019-09-19 2020-01-31 深圳云天励飞技术有限公司 一种图像搜索方法、装置、计算机可读存储介质及数据库
CN111401230A (zh) * 2020-03-13 2020-07-10 深圳市商汤科技有限公司 姿态估计方法及装置、电子设备和存储介质
CN111553271A (zh) * 2020-04-28 2020-08-18 江苏日颖慧眼智能设备有限公司 一种人脸特征融合的方法
CN111723831A (zh) * 2019-03-20 2020-09-29 北京嘀嘀无限科技发展有限公司 一种数据融合方法及装置
CN111814570A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
WO2020252928A1 (zh) * 2019-06-20 2020-12-24 平安科技（深圳）有限公司 视频中的人脸追踪方法、装置、计算机设备和存储介质
CN112906728A (zh) * 2019-12-04 2021-06-04 杭州海康威视数字技术股份有限公司 一种特征比对方法、装置及设备
CN114529962A (zh) * 2020-11-23 2022-05-24 深圳爱根斯通科技有限公司 图像特征处理方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178768A (zh) * 2006-11-08 2008-05-14 索尼株式会社 图像处理设备和方法以及个人识别设备
CN101187979A (zh) * 2006-11-21 2008-05-28 索尼株式会社 个人识别设备及方法和识别辞典数据的更新方法及程序
CN101246543A (zh) * 2008-03-18 2008-08-20 苏州纳米技术与纳米仿生研究所 基于仿生与生物特征识别的考试者身份鉴定系统
CN105224582A (zh) * 2014-07-03 2016-01-06 联想(北京)有限公司 信息处理方法和设备
CN105550671A (zh) * 2016-01-28 2016-05-04 北京麦芯科技有限公司 一种人脸识别的方法及装置
CN105913051A (zh) * 2016-05-26 2016-08-31 京东方科技集团股份有限公司 一种识别人脸图像的模版库的更新装置及方法
CN107491965A (zh) * 2017-07-31 2017-12-19 阿里巴巴集团控股有限公司 一种生物特征库的建立方法和装置
CN107527008A (zh) * 2017-07-07 2017-12-29 珠海格力电器股份有限公司 人脸识别系统及其控制方法和控制装置
CN107808149A (zh) * 2017-11-17 2018-03-16 腾讯数码（天津）有限公司 一种人脸信息标注方法、装置和存储介质
CN107818301A (zh) * 2017-10-16 2018-03-20 阿里巴巴集团控股有限公司 更新生物特征模板的方法、装置和电子设备
CN108460365A (zh) * 2018-03-27 2018-08-28 百度在线网络技术（北京）有限公司 身份认证方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178768A (zh) * 2006-11-08 2008-05-14 索尼株式会社 图像处理设备和方法以及个人识别设备
CN101187979A (zh) * 2006-11-21 2008-05-28 索尼株式会社 个人识别设备及方法和识别辞典数据的更新方法及程序
CN101246543A (zh) * 2008-03-18 2008-08-20 苏州纳米技术与纳米仿生研究所 基于仿生与生物特征识别的考试者身份鉴定系统
CN105224582A (zh) * 2014-07-03 2016-01-06 联想(北京)有限公司 信息处理方法和设备
CN105550671A (zh) * 2016-01-28 2016-05-04 北京麦芯科技有限公司 一种人脸识别的方法及装置
CN105913051A (zh) * 2016-05-26 2016-08-31 京东方科技集团股份有限公司 一种识别人脸图像的模版库的更新装置及方法
CN107527008A (zh) * 2017-07-07 2017-12-29 珠海格力电器股份有限公司 人脸识别系统及其控制方法和控制装置
CN107491965A (zh) * 2017-07-31 2017-12-19 阿里巴巴集团控股有限公司 一种生物特征库的建立方法和装置
CN107818301A (zh) * 2017-10-16 2018-03-20 阿里巴巴集团控股有限公司 更新生物特征模板的方法、装置和电子设备
CN107808149A (zh) * 2017-11-17 2018-03-16 腾讯数码（天津）有限公司 一种人脸信息标注方法、装置和存储介质
CN108460365A (zh) * 2018-03-27 2018-08-28 百度在线网络技术（北京）有限公司 身份认证方法和装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723831B (zh) * 2019-03-20 2023-11-14 北京嘀嘀无限科技发展有限公司 一种数据融合方法及装置
CN111723831A (zh) * 2019-03-20 2020-09-29 北京嘀嘀无限科技发展有限公司 一种数据融合方法及装置
CN109934197A (zh) * 2019-03-21 2019-06-25 深圳力维智联技术有限公司 人脸识别模型的训练方法、装置和计算机可读存储介质
CN110223421A (zh) * 2019-05-09 2019-09-10 特斯联（北京）科技有限公司 自适应人脸动态变化的门禁方法及系统
CN110223421B (zh) * 2019-05-09 2020-07-21 重庆特斯联智慧科技股份有限公司 自适应人脸动态变化的门禁方法及系统
WO2020252928A1 (zh) * 2019-06-20 2020-12-24 平安科技（深圳）有限公司 视频中的人脸追踪方法、装置、计算机设备和存储介质
CN110516586A (zh) * 2019-08-23 2019-11-29 深圳力维智联技术有限公司 一种人脸图像聚类方法、系统、产品及介质
CN110737793A (zh) * 2019-09-19 2020-01-31 深圳云天励飞技术有限公司 一种图像搜索方法、装置、计算机可读存储介质及数据库
CN112906728A (zh) * 2019-12-04 2021-06-04 杭州海康威视数字技术股份有限公司 一种特征比对方法、装置及设备
CN112906728B (zh) * 2019-12-04 2023-08-25 杭州海康威视数字技术股份有限公司 一种特征比对方法、装置及设备
CN111401230A (zh) * 2020-03-13 2020-07-10 深圳市商汤科技有限公司 姿态估计方法及装置、电子设备和存储介质
CN111401230B (zh) * 2020-03-13 2023-11-28 深圳市商汤科技有限公司 姿态估计方法及装置、电子设备和存储介质
CN111553271A (zh) * 2020-04-28 2020-08-18 江苏日颖慧眼智能设备有限公司 一种人脸特征融合的方法
CN111814570A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN111814570B (zh) * 2020-06-12 2024-04-30 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN114529962A (zh) * 2020-11-23 2022-05-24 深圳爱根斯通科技有限公司 图像特征处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109492560A (zh) 基于时间尺度的人脸图像特征融合方法、装置和存储介质
CN106997629B (zh) 门禁控制方法、装置及系统
CN104915351B (zh) 图片排序方法及终端
CN103207898B (zh) 一种基于局部敏感哈希的相似人脸快速检索方法
CN109697416A (zh) 一种视频数据处理方法和相关装置
CN108229335A (zh) 关联人脸识别方法和装置、电子设备、存储介质、程序
Katakis et al. An ensemble of classifiers for coping with recurring contexts in data streams
CN110210276A (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
CN109784274B (zh) 识别尾随的方法及相关产品
CN109800682B (zh) 驾驶员属性识别方法及相关产品
CN109544754B (zh) 一种基于人脸识别的门禁方法及系统、计算机设备
CN109173263A (zh) 一种图像数据处理方法和装置
CN110427800A (zh) 视频物体加速检测方法、装置、服务器及存储介质
CN110443120A (zh) 一种人脸识别方法及设备
CN109815842A (zh) 一种确定待识别对象的属性信息的方法及装置
CN107918688A (zh) 场景模型动态估计方法、数据分析方法及装置、电子设备
CN111597978B (zh) 基于StarGAN网络模型实现行人重识别图片自动生成的方法
CN109583375A (zh) 一种多特征融合的人脸图像光照识别方法及系统
CN112257650A (zh) 一种乘客画像方法、装置、存储介质及电子设备
CN106789572A (zh) 一种实现自适应消息过滤的即时通讯系统和即时通讯方法
CN107315984A (zh) 一种行人检索的方法及装置
CN108681928A (zh) 一种智能广告投放方法
CN110321801B (zh) 一种基于自编码网络的换衣行人重识别方法及系统
CN110134810A (zh) 检索图像的方法及装置
Zaidan et al. A new hybrid module for skin detector using fuzzy inference system structure and explicit rules

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190319

RJ01 Rejection of invention patent application after publication