CN115249370A - 应用于人脸识别系统的处理电路及处理方法 - Google Patents
应用于人脸识别系统的处理电路及处理方法 Download PDFInfo
- Publication number
- CN115249370A CN115249370A CN202110382777.9A CN202110382777A CN115249370A CN 115249370 A CN115249370 A CN 115249370A CN 202110382777 A CN202110382777 A CN 202110382777A CN 115249370 A CN115249370 A CN 115249370A
- Authority
- CN
- China
- Prior art keywords
- face recognition
- threshold value
- threshold
- recognition system
- value
- 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
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种应用于人脸识别系统的处理电路,其包括一特征值计算模块、一判断电路及一门槛值计算模块。该特征值计算模块用以接收一影像,并对该影像进行处理以产生一特定特征值;在该人脸识别系统操作于一人脸识别阶段时,该判断电路分别计算该特定特征值与多个参考特征值之间的多个差值,并判断在该多个差值中是否至少有一差值低于一门槛值,以产生一判断结果;以及在该人脸识别系统操作于一人脸登录阶段时,该门槛值计算模块根据该特定特征值与该多个参考值之间的差值,以决定出一新门槛值,以供更新该判断电路所使用的该门槛值。
Description
技术领域
本发明涉及人脸识别系统。
背景技术
目前的人脸识别系统,使用深度学习或类神经网络(Neural Network)的方式来对影像进行分析处理,并通过比对资料库内的人脸特征信息以进行人脸识别。人脸识别系统的操作主要分为两个部分,即人脸登录以及人脸识别,其中人脸登录主要是在资料库中建立人物身份及对应的人脸特征,具体来说,人脸识别系统可以拍摄需要进行人脸登录的用户,并将人脸影像输入到深度学习模型中,而深度学习模型会输出一个向量以作为此人脸影像的人脸特征,再将此向量与用户身份存储至资料库中。另外,关于人脸识别,当人脸识别系统拍摄到人脸时,此人脸影像会被输入到深度学习模型中以产生一个向量,而此时人脸识别系统再将此向量与资料库中的多个参考向量进行比对,以识别出目前人脸识别系统所拍摄到的人脸的身份。在目前的人脸资料库比对中,人脸识别系统会分别计算深度学习模型产生的向量与资料库中多个参考向量的距离,若向量与某个参考向量之间的距离小于一门槛值,则判断目前人脸识别系统所拍摄到的人脸为对应到该参考向量的用户身份;若向量与每一个参考向量之间的距离都大于该门槛值,则判断目前人脸识别系统所拍摄到的人脸为未知身份。
在上述的人脸资料库比对中,门槛值是通过人工预先决定的,门槛值的高低会对人脸识别系统的可靠度与便利性有很大的影响。具体来说,若是将门槛值定义得越严谨(例如,门槛值越低),则可以降低人脸识别时发生身份误判的机率,但是会增加身份漏判的机率,其中身份误判指的是人脸识别系统将人物B误判为身份A,而身份漏判指的是人脸识别系统无法将人物A判定为身份A(因为目前人物A的影像与当初在人脸登录时的影像有差异)。另一方面,若是将门槛值定义得越宽松(例如,门槛值越高),则可以降低人脸识别时发生身份漏判的机率,但是会增加身份误判的机率。因此,门槛值的设定对于技术人员来说是一个困扰。
另一方面,随着资料库中人物身份数量的改变、以及因为人物身份改变而造成的参考向量的不同,人脸资料库在向量比对上的表现上也会受到影响。
发明内容
因此,本发明的目的之一在于提出一种可以自动调整门槛值的方法,以解决先前技术中所述的问题。
在本发明的一个实施例中,公开了一种应用于一人脸识别系统的处理电路,其包括一特征值计算模块、一判断电路及一门槛值计算模块。该特征值计算模块用以接收一影像,并对该影像进行处理以产生一特定特征值;在该人脸识别系统操作于一人脸识别阶段时,该判断电路分别计算该特定特征值与多个参考特征值之间的多个差值,并判断该多个差值中是否至少有一差值低于一门槛值,以产生一判断结果;以及在该人脸识别系统操作于一人脸登录阶段时,该门槛值计算模块根据该特定特征值与该多个参考值之间的差值,以决定出一新门槛值,以供更新该判断电路中所使用的该门槛值。
在本发明的一个实施例中,公开了一种应用于一人脸识别系统的处理方法,其包括以下步骤:接收一影像,并对该影像进行处理以产生一特定特征值;当该人脸识别系统操作于一人脸识别阶段时,分别计算该特定特征值与多个参考特征值之间的多个差值,并判断该多个差值中是否至少有一差值低于一门槛值,以产生一判断结果;以及当该人脸识别系统操作于一人脸登录阶段时,根据该特定特征值与该多个参考值之间的差值,以决定出一新门槛值,以供更新该人脸识别系统操作于该人脸识别阶段时所使用的该门槛值。
附图说明
图1为根据本发明一实施例的人脸识别系统的示意图。
图2为人脸识别系统的操作方法的流程图。
图3为根据本发明一实施例的决定新门槛值的流程图。
图4为特定向量与多个参考向量中的每一个在决定出相对于其他向量的最小距离的示意图。
图5为对多个最小距离进行排序以供进行选择的示意图。
具体实施方式
图1为根据本发明一实施例的人脸识别系统100的示意图。如图1所示,人脸识别系统100包括了一影像拍摄装置102以及一电子装置104。在本实施例中,影像拍摄装置102可以是一照相机、一录影机或是任何可以拍摄单一影像或是连续影像资料的装置,而电子装置104可以是任何具有影像识别功能的电子装置,例如具有特定硬件电路的专属影像识别装置,或是安装特定软件以具有影像识别功能的电脑主机/服务器。在本实施例中,人脸识别系统100可以应用于需要对多个人物进行身份识别的环境,例如住宅社区、建筑物、公司、实验室等需要在门口进行管制的环境。此外,虽然图1中将影像拍摄装置102设置在电子装置104的外部,但本发明并不以此为限,在其他的实施例中,影像拍摄装置102也可以设置在电子装置104的内部。
电子装置104包括一处理电路110以及一存储元件120,其中处理电路110包括一特征值计算模块112、一判断电路114以及一门槛值计算模块116,而存储元件120包括了一人物信息122,其中人物信息122包括多个身份及对应的参考特征值。人脸识别系统100的操作主要可以分为两个部分,即人脸登录阶段以及人脸识别阶段,其中人脸登录阶段主要是在存储元件120中建立人物身份及对应的特征值,而人脸识别阶段则是判断影像拍摄装置102所拍摄的影像的特征值是否与存储元件120中的特征值相符,以判断出影像拍摄装置102所拍摄影像中的人物的身份。如先前技术中所述,在人脸识别的过程中所使用的门槛值会对人脸识别系统的可靠度与便利性有很大的影响,因此,本实施例中提出了一种调整门槛值的方法,其可以在人脸登录阶段时根据影像拍摄装置102所拍摄影像的特征值及存储元件120中的参考特征值来决定一新门槛值,以更新目前的门槛值,以供后续在人脸识别阶段时使用。如此一来,可以在仅少量增加系统负担的情形下,自动地将门槛值调整至一个适合的准位,以在人脸识别系统100的身份误判与身份漏判之间达到一个平衡。
具体来说,参考图2所示的人脸识别系统100的操作方法的流程图。在步骤200中,流程开始,人脸识别系统100上电且开始运作。在步骤202中,处理电路110判断目前是处于人脸登录阶段或是人脸识别阶段,其中,若人脸识别系统100目前处于人脸登录阶段,则流程进入步骤204;若人脸识别系统100目前处于人脸识别阶段,则流程进入步骤212。在本实施例中,对处于人脸登录阶段或人脸识别阶段的判断是根据一使用者输入指令来进行的,例如人脸识别系统100的管理者可以控制电子装置104进入人脸登录阶段。
在步骤204中,电子装置110的处理电路112获得一影像,其中该影像可源自影像拍摄装置102拍摄一人物所产生的影像,或是从其他来源获得的包括一人物的影像。在步骤206中,特征值计算模块112使用深度学习或类神经网络的方式来对该影像进行处理,例如对影像资料进行多次卷积运算以得到一特定特征值,其中该特定特征值可以表示为一个多维度的向量,例如维度为‘512’的向量。为了方便描述,在以下内容中,以“向量”一词来表示“特征值”,即特征值计算模块112所产生的是一个特定向量,而存储元件120中的人物信息122所包括的是多个身份及对应的参考向量。需注意的是,由于使用深度学习或类神经网络的方式来产生影像特征值的技术已为本领域中具有普通知识的技术人员所熟知,在此对细节不再赘述。
在人脸登录阶段,步骤206所计算出的特定向量连同其身份被写入到存储元件120中,以作为人物信息122的一部分。
在步骤208中,门槛值计算模块116接收来自特征值计算模块112产生的特定向量,并从存储元件120中读取人物信息122所包括的多个参考向量,以计算出一新门槛值。具体来说,参考图3所示的根据本发明一实施例的决定新门槛值的流程图。在步骤300,流程开始。在步骤304,针对特征值计算模块112所产生的特定向量以及人物信息122所包括的多个参考向量中的每一个向量,计算出每一个向量与其他向量之间的一最小距离。举例来说,参考图4,假设人物信息122包括了N个参考向量,其中每一个参考向量对应到一个人物身份,则首先门槛值计算模块116分别计算特定向量与N个参考向量之间的距离(例如,欧式距离(L2 norm)),以分别产生N个向量距离,之后再取N个向量距离中的最小值以作为对应至特定向量的一最小距离;接着,门槛值计算模块116分别计算参考向量#1与特定向量及参考向量#2~参考向量#N之间的距离,以分别产生N个向量距离,之后再取N个向量距离中的最小值以作为对应至参考向量#1的一最小距离;接着,门槛值计算模块116分别计算参考向量#2与特定向量、参考向量#1、参考向量#3~参考向量#N之间的距离,以分别产生N个向量距离,之后再取N个向量距离中的最小值以作为对应至参考向量#2的一最小距离;以此类推,门槛值计算模块116依次计算出对应到参考向量#3~参考向量#N的最小距离。
需注意的是,图4的例子假设的是每一个人物身份只有一个参考向量,然而,在其他的实施例中,每一个人物身份可以具有多个参考向量,在人脸登录阶段时特征值计算模块112也可以产生多个特定向量。而在每一个人物身份具有多个参考向量的情形下,多个特定向量以及多个参考向量中的每一向量仍然需要和其他所有向量进行距离计算,以决定出一最小距离。
在步骤304,门槛值计算模块116将对步骤302所计算出的多个最小距离进行排序,例如由小到大进行排序、或是由大到小进行排序。在步骤306,门槛值计算模块116根据一需求设定以从排序后的多个最小距离中选择其一。举例来说,参考图5,最小距离#1~最小距离#(N+1)可以由小到大进行排序,以产生由小到大的排序数值#1~排序数值#(N+1),之后再根据需求设定,例如百分之一的位置(若有100笔排序数值则选择排序数值#1,即最小的数值)、或是百分之二的位置(若有100笔排序数值则选择排序数值#2,即倒数第二小的数值)、或是其他任何具有特定比例上的位置,以选择出一排序数值(以下称所选择之最小距离)。
在步骤308,门槛值计算模组模块116根据所选择的最小距离来产生输出门槛值,例如直接使用所选择的最小距离来作为输出门槛值,或是对所选择之的最小距离进行一些计算后产生输出门槛值。
在步骤310,门槛值计算模块116判断输出门槛值是否小于一初始门槛值,若是,流程进入步骤312;若否,流程进入步骤314。在步骤312,门槛值计算模块116选择输出门槛值来作为新门槛值。在步骤314,门槛值计算模块116选择初始门槛值来作为新门槛值。
步骤310中将所选择的最小距离与初始门槛值进行比较的原因是避免人物信息122所包括的参考向量的数量太少,而使得输出门槛值的数值太大,进而造成身份误判的问题。
接着,回到步骤210,门槛值计算模块116使用新门槛值来更新判断电路114目前所使用的门槛值,之后流程回到步骤202。
关于人脸识别阶段,在步骤212,电子装置110的处理电路112获得一影像,其中该影像为影像拍摄装置102拍摄一人物所产生的影像。在步骤214中,特征值计算模块112使用深度学习或类神经网络的方式来对该影像进行处理,例如对影像资料进行多次卷积运算以得到一特定向量。在步骤216中,判断电路114从存储元件120中读取人物信息122所包括的多个参考向量,并计算特定向量与每一个参考向量之间的向量距离,若有一向量距离小于门槛值,则判断影像拍摄装置102所拍摄的人物影像对应于该向量距离的参考向量的身份,并在步骤218输出判断结果。需注意的是,若有两个或以上的向量距离小于门槛值,则可以判断影像拍摄装置102所拍摄的人物影像对应于这些向量距离中最小向量距离的参考向量的身份,并在步骤218输出判断结果。另一方面,若没有向量距离小于门槛值,则判断影像拍摄装置102所拍摄的人物影像具有未知身份,并在步骤218输出判断结果。
在本发明的上述实施例中,判断电路114所使用的门槛值会在每次人脸登录阶段自动调整至一个适当的数值,以供后续人脸识别阶段时使用,因此可以有效地解决先前技术中门槛值设定不易的问题。此外,由于上述门槛值调整的操作仅在人脸登录阶段执行,因此并不会对人脸识别系统100造成太大的负担,且本实施例中的判断电路114是使用单一门槛值来进行人脸识别以降低系统复杂度的。
以上所述仅是本发明的优选实施例,凡是根据本发明专利申请范围作出的相等变化与修饰,均应在本发明的涵盖范围内。
附图标记说明:
100:人脸识别系统
102:影像拍摄装置
104:电子装置
110:处理电路
112:特征值计算模块
114:判断电路
116:门槛值计算模块
120:存储元件
122:人物信息
200~218:步骤
300~312:步骤
Claims (10)
1.一种应用于一人脸识别系统的处理电路,包括:
一特征值计算模块,用以接收一影像,并对所述影像进行处理以产生一特定特征值;
一判断电路,耦接于所述特征值计算模块,其中在所述人脸识别系统操作于一人脸识别阶段时,所述判断电路分别计算所述特定特征值与多个参考特征值之间的多个差值,并判断所述多个差值中是否至少有一差值低于一门槛值,以产生一判断结果;以及
一门槛值计算模块,耦接于所述特征值计算模块,其中当所述人脸识别系统操作于一人脸登录阶段时,所述门槛值计算模块根据所述特定特征值与所述多个参考值之间的差值,决定出一新门槛值,以供更新所述判断电路中所使用的所述门槛值。
2.根据权利要求1所述的处理电路,其特征在于,所述门槛值计算模块只会在所述人脸识别系统操作于所述人脸登录阶段时才会产生所述新门槛值,以供更新所述判断电路中所使用的所述门槛值。
3.根据权利要求1所述的处理电路,其特征在于,所述判断电路只会使用单一门槛值来对所述多个差值进行判断,以产生所述判断结果。
4.根据权利要求1所述的处理电路,其特征在于,针对所述特定特征值以及所述多个参考特征值中的每一特征值,所述门槛值计算模块计算出每一特征值与其他特征值之间的一最小距离,并根据对应于所述特定特征值以及所述多个参考特征值的多个最小距离来决定出所述新门槛值,以供更新所述判断电路中所使用的所述门槛值。
5.根据权利要求4所述的处理电路,其特征在于,所述门槛值计算模块对所述多个最小距离进行排序,并根据一需求设定以从所述多个最小距离中选择其一;以及所述门槛值计算模块根据所选择的最小距离来计算出一输出门槛值,以供决定出所述新门槛值。
6.根据权利要求5所述的处理电路,其特征在于,所述需求设定为在所述多个最小距离中位于一特定比例或是一特定百分比的位置。
7.根据权利要求5所述的处理电路,其特征在于,所述门槛值计算模块判断所述输出门槛值是否大于一初始门槛值,若所述输出门槛值小于所述初始门槛值,则所述门槛值计算模块根据输出门槛值来决定出所述新门槛值;以及若所述输出门槛值不小于所述初始门槛值,则所述门槛值计算模块根据所述初始门槛值来决定出所述新门槛值。
8.一种应用于一人脸识别系统的处理方法,包括:
接收一影像,并对所述影像进行处理以产生一特定特征值;
当所述人脸识别系统操作于一人脸识别阶段时,分别计算所述特定特征值与多个参考特征值之间的多个差值,并判断所述多个差值中是否至少有一差值低于一门槛值,以产生一判断结果;以及
当所述人脸识别系统操作于一人脸登录阶段时,根据所述特定特征值与所述多个参考值之间的差值,以决定出一新门槛值,以供更新所述人脸识别系统操作于所述人脸识别阶段时所使用的所述门槛值。
9.根据权利要求8所述的处理方法,其特征在于,根据所述特定特征值与所述多个参考值之间的差值以决定出所述新门槛值,以使更新所述人脸识别系统操作于所述人脸识别阶段时所使用的所述门槛值的步骤只有在所述人脸识别系统操作于所述人脸登录阶段时才会被执行。
10.根据权利要求8所述的处理方法,其特征在于,所述人脸识别系统操作于一人脸识别阶段时,仅会使用单一个门槛值来对所述多个差值进行判断,以产生所述判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110382777.9A CN115249370A (zh) | 2021-04-09 | 2021-04-09 | 应用于人脸识别系统的处理电路及处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110382777.9A CN115249370A (zh) | 2021-04-09 | 2021-04-09 | 应用于人脸识别系统的处理电路及处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115249370A true CN115249370A (zh) | 2022-10-28 |
Family
ID=83695765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110382777.9A Pending CN115249370A (zh) | 2021-04-09 | 2021-04-09 | 应用于人脸识别系统的处理电路及处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249370A (zh) |
-
2021
- 2021-04-09 CN CN202110382777.9A patent/CN115249370A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180342067A1 (en) | Moving object tracking system and moving object tracking method | |
US8320643B2 (en) | Face authentication device | |
US8242881B2 (en) | Method of adjusting reference information for biometric authentication and apparatus | |
CN101281595B (zh) | 用于面部确认的装置和方法 | |
US7366330B2 (en) | Method, apparatus, and program for detecting faces | |
JP7163159B2 (ja) | オブジェクト認識装置及び方法 | |
US20080192991A1 (en) | Magnetic Resonance Imaging at Several Rf Frequencies | |
US8929611B2 (en) | Matching device, digital image processing system, matching device control program, computer-readable recording medium, and matching device control method | |
JP5355446B2 (ja) | 移動物体追跡システムおよび移動物体追跡方法 | |
JP2001307096A (ja) | 画像認識装置及び方法 | |
JP6941966B2 (ja) | 人物認証装置 | |
US11403875B2 (en) | Processing method of learning face recognition by artificial intelligence module | |
WO2004042539A9 (en) | Video-based face recognition using probabilistic appearance manifolds | |
JP2019117556A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111507396B (zh) | 缓解神经网络对未知类样本产生错误分类的方法及装置 | |
CN115249370A (zh) | 应用于人脸识别系统的处理电路及处理方法 | |
TWI806030B (zh) | 應用於人臉辨識系統的處理電路及處理方法 | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
Ding et al. | Sequential sample consensus: A robust algorithm for video-based face recognition | |
US20220114837A1 (en) | Image processing apparatus, image processing method, image input apparatus, image processing system, and program | |
CN112699810B (zh) | 一种提升室内监控系统人物识别精度的方法及装置 | |
US11562173B2 (en) | Method, device, and computer program product for model updating | |
US11716448B2 (en) | Information processing apparatus, information processing method, and storage medium | |
US20230143070A1 (en) | Learning device, learning method, and computer-readable medium | |
CN115497146B (zh) | 模型的训练方法和装置、身份验证方法和装置 |
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 |