CN103503000A - 面部识别 - Google Patents
面部识别 Download PDFInfo
- Publication number
- CN103503000A CN103503000A CN201280018045.0A CN201280018045A CN103503000A CN 103503000 A CN103503000 A CN 103503000A CN 201280018045 A CN201280018045 A CN 201280018045A CN 103503000 A CN103503000 A CN 103503000A
- Authority
- CN
- China
- Prior art keywords
- user identifier
- user
- face
- digital photos
- template
- 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.)
- Granted
Links
Images
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
- G06V40/172—Classification, e.g. identification
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
用于执行面部识别的方法、系统和装置,包括编码在计算机存储介质上的计算机程序。在一个方面中,方法包括访问第一数字照片。为在第一数字照片中检测到的每一个面部,生成第一面部模板。确定与第一用户标识符相关联的第二用户标识符。访问照片、用户标识符以及用户标识符所识别的用户的面部位于其中的数字照片中的区域的数字照片索引。选择第二用户标识符,并且从数字照片中的用户的面部生成第二面部模板。识别与第二面部模板相匹配的第一面部模板,并且为与第二面部模板相匹配的每一个第一面部模板,生成指定第二用户的面部位于其中的第一数字照片中的区域的数据。
Description
优先权申明
本申请根据35USC§119(e)要求于2011年2月18日提交的美国专利申请序列号No.61/444,425的优先权,特此通过引用合并其全部内容。
背景技术
本说明书涉及用于在不需要生物计量信息的长期存储的情况下执行面部识别的过程。现今存在其中可以对数字图像进行处理来识别人脸的存在和位置的系统。这些系统中的部分确定特征值(例如,眼睛、鼻子、下颌的相对位置和间距)来确定在图像中存在人脸。
现今还存在用于对所识别的面部进行识别来为面部自动识别名称的系统。这些系统中的许多基于制定已知人的面部的生物计量模型,并且以面部识别模板的形式存储该生物计量模型。当稍后在数字图像中检测到未知面部时,对该未知面部进行分析来提取特征信息,并且将该信息与已存储的已知面部的生物计量模型集合进行比较来确定接近的匹配。然后,将该未知面部与和匹配的生物计量模型相关联的标识符相关联。
然而,通常不切实际的是,维护这样的模板的数据库。不切实际可能由于系统资源限制和其他非系统资源限制两者。例如,存储器存储(例如,系统资源限制)和隐私问题、法律规定、当事人之间的协议(非系统资源限制)可以限制维护模板数据库的能力。一个解决方案是“即时”即在需要面部识别过程时生成面部识别模板。然而,系统可能维护数百万的相片,并且对模板的生成可能是耗时的,因为需要许多资源来对照片进行处理。
发明内容
本说明书描述了与下述有关的技术:用于在基本上不使用已存储的生物计量信息的情况下,执行自动面部识别的方法和技术。
总的来说,在本说明书中所述的主题的一个创新方面可以在包括下述动作的方法中具体化:在数据处理装置处,访问第一数字照片;为在第一数字照片中检测到的每一个面部生成第一面部模板;确定与第一用户标识符相关联的第二用户标识符,第一用户标识符和第二用户标识符识别用户;访问数字照片索引,其通过用户标识符对照片进行索引,并且为每一个数字照片和对该数字照片进行索引的每一个用户标识符,指定用户标识符所识别的用户的面部位于其中的该数字照片中的区域;选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在该第二用户标识符所索引的数字照片的预定义区域中的用户的面部中的每一个为该第二用户标识符生成第二面部模板;识别与第二面部模板相匹配的第一面部模板;以及为与第二面部模板相匹配的每一个第一面部模板,生成指定第二面部模板的第二用户标识符所识别的第二用户的面部位于其中的第一数字照片中的区域的数据。本方面的其他实施例包括被配置成执行所述方法的动作、被编码在计算机存储设备上的对应系统、装置以及计算机程序。
各种实施例可以包括下述特征中的部分、全部或不包括下述特征。每一个面部模板可以被存储在非持久性存储器中,并且可以在识别与第二面部模板相匹配的第一面部模板之后不被存留。确定与第一用户标识符相关联的第二用户标识符可以包括为多个第二用户标识符中的每一个,生成亲密性分值,其表示第一用户标识符所识别的第一用户与第二用户标识符所识别的第二用户的关系;以及确定具有满足阈值的亲密性分值的第二用户标识符与第一用户标识符相关联。所述动作可以进一步包括根据亲密性分值对第二用户标识符进行排序,并且根据该排序来选择第二用户标识符、为第二用户标识符生成第二面部模板、并识别与第二面部模板相匹配的第一面部模板。为多个第二用户标识符中的每一个生成亲密性分值可以包括为第一用户标识符所索引的每一个数字照片,确定对该数字照片进行索引的第二用户标识符,以及为每一个第二用户标识符,部分基于与通过第一用户标识符和第二用户标识符两者索引的数字照片的数量成比例的值来确定亲密性分值。亲密性分值可以进一步部分基于数字照片中的每一个被生成的时间。为多个第二用户标识符中的每一个生成亲密性分值可以包括部分基于与第二用户的数字照片的数量成比例的值来确定亲密性分值,其中所述第一用户已用所述第二用户的所述标识符来标记所述第二用户的所述数字照片。亲密性分值可以进一步部分基于第一用户标记数字照片中的每一个的时间。确定与第一用户标识符相关联的第二用户标识符可以包括通过用于第一用户标识符的联系人列表来选择与第一用户标识符相关联的第二用户标识符。所述动作可以进一步包括选择第三用户标识符,每一个第三用户标识符是对在数字照片索引中的、还由第一用户标识符和第二用户标识符中的一个或多个索引的数字照片进行索引的用户标识符,对于所选择的第三用户标识符中的每一个,从在该第三用户标识符所索引的数字照片的预定义区域中的用户的面部为该第三用户标识符生成第三面部模板,识别与第三面部模板相匹配的第一面部模板,以及为与第三面部模板相匹配的每一个第一面部模板,生成指定第三面部模板的第三用户标识符所识别的第三用户的面部位于其中的第一数字照片中的区域的数据。所述动作可以进一步包括对于与第二用户标识符的第二面部模板相匹配的每一个第一面部模板,为该第一面部模板生成质量分值,确定该质量分值是否超过质量分值阈值,以及如果该质量分值超过质量分值阈值,则将通过第二用户标识符对第一照片进行索引的数据存储在数字照片索引中,并且指定第二用户标识符所识别的第二用户的面部位于其中的数字照片中的区域。
在本说明书中所述的主题的另一个创新方面可以在包括下述动作的方法中具体化:在数据处理装置处,访问第一数字照片;为在第一数字照片中检测到的每一个面部生成面部模板;对于每一个面部模板:确定用户标识符,每一个用户标识符识别其在第一数字照片中的检测到的面部被用来生成了该面部模板的用户,为该面部模板生成质量分值,确定该质量分值是否超过质量分值阈值,以及如果该质量分值超过质量分值阈值,则将通过为该面部模板确定的用户标识符对第一照片进行索引的数据、该质量分值以及指定第一用户标识符所识别的用户的面部位于其中的第一数字照片中的区域的数据存储在数字照片索引中。本方面的其他实施例包括被配置成执行所述方法的动作、被编码在计算机存储设备上的对应系统、装置以及计算机程序。
各种实施例可以包括下述特征中的部分、全部或不包括下述特征。确定质量分值是否超过质量分值阈值包括:通过用户标识符访问数字照片索引;从数字照片索引检索该用户标识符所识别的用户的其他面部模板的质量分值,该其他面部模板中的每一个从用户标识符所识别的用户的面部位于其中的不同数字照片中的区域生成;以及当第一数字照片的面部模板的质量分值超过从数字照片索引检索到的用户标识符所识别的用户的其他面部模板的质量分值中的至少一个时,确定质量分值超过质量分值阈值。响应于确定第一数字照片的面部模板超过从数字照片索引检索到的用户标识符所识别的用户的其他面部模板的质量分值中的至少一个,从数字照片索引移除对用户标识符所识别的用户的面部位于其中的不同数字照片进行索引,以及从其生成质量分值中的该一个所对应的面部模板的数据。
可以实现在本说明书中所述的主题的特定实施例,以使实现下述优势中的一个或多个。通过为所选择的用户标识符集选择性地生成面部模板,相对于为大得多的照片集生成面部模板,减少了执行面部识别过程所需的处理资源和时间。所需的时间可以使得如用户所察觉到的延迟不导致用户体验的降低。另外,面部模板不必被存留来长期存储,并且可以在执行面部识别过程之后从存储器移除,从而确保遵守一个或多个非系统资源限制。
在附图和下面描述中阐述了在本说明书中所述的主题的一个或多个实施例的细节。根据描述、附图和权利要求,该主题的其他特征、方面和优势将变得显而易见。
附图说明
图1是根据本公开的实施例的、用于执行在数字图像中的面部识别的系统的框图。
图2图示根据本公开的实施例的、用于在面部识别过程中使用面部图像的概念模型。
图3图示根据本公开的实施例的、用于在面部识别过程中使用数字相片中的面部图像的另一个概念模型。
图4是根据本公开的实施例的、用于执行面部识别的示例过程的流程图。
图5是根据本公开的实施例的、用于选择待为其执行面部识别的用户的用户标识符的示例过程的流程图。
图6是根据本公开的实施例的、用于识别数字图像中的所选择的用户的示例过程的流程图。
图7是根据本公开的实施例的、用于更新数字图像索引以在面部识别过程中使用的示例过程的流程图。
图8是可编程处理系统的框图。
在各附图中,相同的参考数字和标记指示相同的元素。
具体实施方式
本文档描述了根据本公开的实施例的用于尤其在社交网络的情境内,在不使用已存储的生物计量数据的情况下,执行面部识别的系统和技术。如下所述,为被提交给计算机系统的数字相片中的面部图像手动、半自动或自动标记来将所述面部图像与它们所属的人的标识符相关联。对于选择参加这样的系统并且准许他们的面部被自动识别的人,具有识别的面部的数字相片集合与拍摄在相片中的各种人的在线标识符相关联。当需要时,对与特定人相关联的相片集合或在它们内的面部图像进行分析来为该人创建临时面部识别模型。接着,将该模型与从未知面部图像提取的特征进行比较来识别可能的匹配,然后,删除该模型。
与其中保留与所识别的人相关联的模板或其他生物计量数据以供未来识别操作的某些面部识别系统不同。生物计量数据的长期存储可能在各种人中引发隐私担忧,并且在某些司法管辖区,生物计量数据的这样的长期存储可能受制于法律规定。下述系统和技术通过为自动面部识别消除生物计量数据的长期存储,解决了这些问题。
图1是根据本公开的实施例的、用于执行在数字图像中的面部识别的系统100的框图。总的来说,用户可以向系统100提交数字照片,并且系统100将试图识别该照片中的人的面部,所述面部属于与该用户相关联的其他用户组(例如,枚举的标识符列表、联系人组、朋友列表或基于可以用来定义用户标识符集的其他关系)中的其他人。
组例如基于用户与其他用户的关系的分类。在一些示例中,关系可以是隐式或显式的。例如,用户可以指定其社交联网联系人,并且更好地控制社交联网帖子的分发和可见性。
出于说明性目的,在组的情境下描述了示例实施方式。组通过定义在计算机实现的社交联网服务中相互关联的联系人集合的数据集来定义。可以从是在社交上相互联系的人的特定集合的中心的个人角度、或从在社交上相互联系的人的集合的总体角度对组进行描述。在一些示例中,组可以具有狭义定义的边界。例如,某些组可能拥有相互熟悉的成员,并且对于成员加入组可能需要准许。在一些实施方式中,社交联网服务的用户定义组,并且作为定义联系人集合的数据集的该组可以反映该用户的现实生活中的社交组。这些是如在本说明书中使用的组的示例。然而,组不必限于这些示例。
隐式关系所识别的组的示例是被隐式地识别,以使形成不同于更大的所有用户组的组的用户。这样的隐式关系可以基于在用户和其他用户之间的频繁联系、该用户和其他用户在照片中的同现、该用户拍摄的用户、以及已拍摄的用户,仅列出一些。
例如,系统100可以检查用户的联系人列表、通信(例如,该用户经常与之发电子邮件的人)、第二和更高程度的联系人(例如,朋友的朋友)、社交联网组和隶属机构(例如,跟随的爱好者页面、校友组成员)、或特定社交组定义的其他用户组,来识别该用户与之具有社交关系的其他用户。然后,使用这些其他用户的先前识别的图像来在非持久性存储器中构建临时面部识别模型。然后,将临时面部识别模型与为位于所提交的照片中的面部生成的临时面部识别模板进行比较。如果找到匹配,则将匹配的标识符与在所提交的照片中识别的面部相关联。在一些实施方式中,不存留临时面部识别模板;在执行面部识别操作之后从存储器释放临时面部模板。
在系统100的示例中,用户“布拉德”与用户设备104(例如,个人计算机、蜂窝电话、平板型(pad)计算机、平板(tablet)计算机、个人数字助理、被配置成上载相片的相机)交互来通过网络110(例如,无线或有线公共网络,诸如因特网)将数字照片106上载到服务器设备108。数字照片106包括用户布拉德的面部图像112、用户强尼的面部图像114以及用户尼尔的面部图像116。
在一些实施方式中,服务器系统108可以是执行web服务器、通信服务、社交联网服务、数字相片托管服务、或可以接受数字照片的提交的其他适当计算机服务的功能的单个服务器或服务器计算机集合。服务器系统108将数字照片106存储在数字照片索引118中。数字照片索引118是可以用来存储数字照片和用于用户提交的照片的用户标识符的电子文件储存库或数据库。
用户布拉德与在图示中被标记为“UID1”的用户标识符120相关联。服务器设备108因此将数字照片106与用户布拉德的标识符“UID1”120相关联。在一些实施方式中,数字照片106可以与提交了数字照片106的用户的标识符相关联。在一些实施方式中,数字照片可以与拍摄了该照片的用户的标识符(例如,作为元数据嵌入在该照片中的用户ID)、或与和被用来拍摄该照片的设备相关联的用户的标识符(例如,已知由特定用户管理的网络相机的媒体访问控制(MAC)ID)相关联。
用户布拉德的标识符“UID1”120与其他用户标识符集合122相关联。其他用户标识符集合122包括在用户布拉德的社交组中的其他用户的标识符。在一些实施方式中,其他用户标识符集合122可以包括显式确定的联系人。例如,用户布拉德可以向服务器108声明用户强尼是他的妻子(例如,作为配置在线简档的部分)、或凭借通过社交联网服务与用户尼尔“做朋友”来向服务器108进行声明。在另一个示例中,用户布拉德可以将联系人显式地添加到电子邮件联系人集合。
在一些实施方式中,其他标识符集合122可以包括隐式确定的联系人。例如,集合122可以自动包括下述的标识符:用户布拉德经常与之发电子邮件或通信的人、用户布拉德经常与之一起拍照的人、是公共社交联网组或俱乐部的成员的人、共同的人或主题的爱好者或追随者、或可以用来将两个用户相互隐式关联的其他适当关联。在一些实施方式中,两个或更多个用户可以基于独立声明的、共同特征来相互隐式关联。例如,社交联网站点可以请求用户识别其高中和毕业年份,以及该信息可以被用来将用户布拉德的标识符“UID1”120与其同学的标识符隐式地关联。
服务器系统108对数字照片106进行分析来检测人类面部的图像的存在。例如,服务器系统108可以为一般出现在人脸外观中的特征图案(例如,带有间隔开的、形成与鼻梁大致垂直的线的两个眼睛的半圆头)对数字照片106进行扫描。如果在数字照片106内检测到一个或多个人脸的存在,则服务器系统108基于布拉德的标识符“UID1”120、其他用户标识符集合122、布拉德先前已提交给数字照片索引118的其他数字照片、以及在其他用户标识符集合122中识别的其他用户上载到数字照片索引118的其他数字照片,来构建临时面部模板。
在所图示的示例中,使用用户布拉德的标识符“UID1”来识别数字照片集合130a-130n,其包括已知包括用户布拉德的面部的图像的面部区域集合132a-132n。总的来说,面部区域是数字照片的子区域,并且基本上被单独的人脸的图像占据,即,每一个面部区域是用户标识符所识别的用户的面部位于其中的数字照片中的区域。
可以通过数个不同的过程将存储在数字照片索引118中的数字照片与用户标识符相关联。在一些实施方式中,可以手动完成该关联。例如,用户可以使用服务器系统108所提供的工具来查阅数字照片、识别在该照片内的一个或多个面部区域并且识别出现在面部区域中的用户。在一些实施方式中,可以半自动地执行该关联。例如,服务器系统108可以检测人脸在数字照片内的所识别的面部区域中的存在,并且请求用户将面部区域与其相应用户标识符相关联。在另一个示例中,服务器系统108可以更进一步为在照片内检测到的面部确定建议的用户标识符,并且请求用户确认或拒绝建议。在一些实施方式中,可以自动执行该关联。例如,服务器系统108在基本上没有用户干预的情况下,确定在未识别的面部和已知用户的外观之间的相互关联超过了预先确定的阈值,并且将已知用户身份与未识别的面部相关联。
识别用户尼尔并且被包括在其他用户标识符集合122中的标识符“UIDZ”124被用来识别数字照片集合140a-140m。数字照片140a-140m包括用户尼尔的面部的面部区域集合142a-142m。还将为特定用户标识符描述相应面部区域的数据存储在索引118中,以指定面部区域的位置并且排除每次对特定照片进行处理时初始面部识别扫描的必要性。
在一些实施方式中,一些数字照片可能在多于一个集合中出现。在所图示的示例中,数字照片130a和140a是相同的照片,其中用户布拉德和尼尔两个均出现在“相片1”的不同面部区域中。“相片1”作为数字照片130a出现在与用户布拉德相关联的集合130a-130n中,并且作为数字照片140a出现在与用户尼尔相关联的相片集合140a-140m中。
对面部区域集合132a-132n、142a-142m进行处理来为在其中成像的用户创建临时面部识别模板。对面部区域132a-132n进行分析来确定临时面部模板集合134a-134n(例如,在面部图像中可见的结构的地标或其他机器可识别的特性)。例如,可以通过对面部区域集合132a-132n、142a-142m进行处理来测量在面部的所有特征(例如,眼睛、耳朵、鼻子、嘴角、颧骨)之间的距离,并且可以为那些距离产生比较率,来创建临时面部识别模板。然后,在数学上对临时面部模板集合134a-134n进行组合来形成与用户布拉德的标识符“UID1”120相关联的临时面部模型150a。同样地,可以对面部区域142a-142m进行分析来确定临时面部模板集合144a-144m。然后,在数学上对临时面部模板集合144a-144m进行组合来形成与用户尼尔的标识符“UIDz”124相关联的临时面部模型150z。例如,在一些实施方式中,每一个临时面部模型150是面部模板集。例如,临时面部模型150a是如由集合符号{FTa1,FTa2,...FTan}指示的面部模板集134a、134b、......134n。在其他实施方式中,临时面部模型150a可以是基于集合中的构成的面部模板中的每一个的测量的单个面部模板。单个面部模板可以例如基于集中趋势值,其基于在面部模板集中的对应值。
然后,使用临时面部模型150a-150z,以试图识别拍摄在数字照片106中的面部图像112-116。将在图2-7的描述中描述用于使用这些临时面部模型150a-150z的过程。当识别过程基本上完成时,销毁而不是存储临时面部模板134a-134n、144a-144m以及临时面部模型150a-150z。替选地,不销毁模板和模型,而是将其缓存在存储器中,并不是将它们移送到永久档案存储。只要缓存资源可用,模板和模型将保持在存储器中。
在一些实施方式中,服务器系统108可以按照确定的顺序构建和/或使用临时面部模型150a-150z。例如,服务器系统108可以通过首先使用临时面部模型150a进行构建开始,因为提交了相片的用户(例如,用户布拉德,UID1)可能极有可能被拍摄在该相片中。类似地,服务器系统108可以按照反映提交用户到其他用户的顺序构建临时面部模板并且搜索它们表示的面部。例如,处理和搜索顺序可以包括查找提交用户自身、经常被提交用户拍照的其他用户、提交用户经常与之一起被拍照的其他用户、经常为提交用户拍照的其他用户、在提交用户的联系人列表上的联系人、提交用户经常与之通信的其他人、提交用户的联系人的朋友以及其他适当用户。
在一些实施方式中,通过试图按照确定的顺序识别面部,可以避免不必要的处理。例如,通过按照确定的顺序(例如,首先搜索最重要或可能的面部)处理并识别面部,可以在该过程中提早识别面部,并且避免构建另外的临时面部模板的需求。
图2图示根据本公开的实施例的、用于在面部识别过程中使用面部图像的概念模型200。在模型200中,对数字照片106进行处理来确定人脸的存在,并且识别包括所确定的人脸的面部区域。在所图示的示例中,在数字照片106中已识别了面部区域202a、面部区域202b以及面部区域202c。
对面部区域202a-202c进行分析,以基于包括在面部区域202a中的面部来形成临时面部模板210a,基于包括在面部区域202b中的面部来形成临时面部模板210b,以及基于包括在面部区域202c中的面部来形成临时面部模板210c。
从先前已与用户布拉德的标识符120相关联的图像形成临时面部模型220a,以及从先前已与用户尼尔的标识符“UIDZ”124相关联的图像形成临时面部模型220c。从与提交用户具有社交关系的其他用户(例如,图1的其他用户标识符集合122所识别的用户),诸如与标识符“UID5”222相关联的用户,的先前识别的图像形成另外的临时面部模型,诸如临时面部模型220b。
模板匹配过程230将临时面部模板210a-210c与临时面部模型220a-220z进行比较来将拍摄在数字照片106中的未知的人与先前已被识别的已知的人的标识符相关联。例如,可以将面部模板FTa与每一个面部模型FM中的每一个面部模板进行比较,并且如果存在面部模板FTa与面部模型FM的模板集中的模板中的一个的匹配,则确定面部模板FTa与面部模型FM相匹配。
在所图示的示例中,已找到临时面部模板210a与临时面部模型220a具有对应关系(FTa=FM1),并且已找到临时面部模板210c与临时面部模型220z具有对应关系(FTc=FMz)。然而,对于临时面部模板210b,没有找到匹配(FTb=null)(例如,用户强尼和用户布拉德可能在社交网络上不是朋友,用户强尼可能在社交网络上没有标识符,可能不存在其中先前识别了用户强尼的数字照片等)。在已识别了数字照片106中的模板匹配和对应的人之后,临时面部模板和模型被销毁、或替选地,被浸存在缓存中。
图3图示根据本公开的实施例的、用于在面部识别过程中使用在数字照片106中找到的面部图像112-116的另一个概念模型300。总的来说,概念模型300是图2的概念模型200所表示的过程的扩展。其中概念模型200图示了从提交用户的社交网络的图像构建临时面部模型,概念模型300图示了除图2的面部模板外,可以基于第二或更高层级联系人来构建临时面部模型。在一些实施方式中,更高层级联系人可以包括朋友的朋友、出现在与其他用户相同的照片中的用户、分离地出现在基本上相同的位置拍摄的照片中的用户、分离地出现在基本上大约相同时间拍摄的照片中的用户、或能够通过共同的人、场所和时间相互间接联系的其他用户。
在概念模型200的示例中,没有为临时面部模板210b找到匹配。再次参考图3和概念模型300,为临时面部模板210b寻找匹配。
模板匹配过程230识别更高层级用户标识符。用户尼尔的标识符“UIDZ”124与其他用户标识符集合310相关联。在一些实施方式中,其他用户标识符集合310可以包括用户尼尔的社交联网朋友、电子邮件联系人、用户尼尔与之频繁通信的人、用户尼尔频繁为其照相的人、为用户尼尔照相的人、频繁地与用户尼尔一起出现在相片中的人、出现在与用户尼尔出现在其中的其他相片基本上在相同场所和/或位置拍摄的相片中的人、或其他适当的用户标识符。同样地,用户标识符“UID5”222与其他用户标识符集合320相关联。其他用户标识符集合310和320两者均包括用户布拉德的标识符“UID1”,因为用户尼尔和与用户标识符“UID5”222相关联的用户通过社交网络与用户布拉德相互联系。
对于包括在其他用户标识符集合310、320中的用户标识符中的所选择的用户标识符中的每一个,从先前已在数字照片中识别的那些用户的面部的图像构建临时面部模板。作为示例,用户标识符“UID51”330与用户标识符“UID5”相关联(例如,UID5和UID51所表示的用户通过社交网络联系)。然后,从其中先前已识别了UID51所表示的用户的现有照片集合(未示出)获取临时面部模板集合340。在数学上将临时面部模板集合340进行组合来形成临时面部模型350。模板匹配过程230然后确定临时面部模型350与临时面部模板210b具有相互关联(FM51=FTb)。在已识别了数字照片106中的模板匹配和对应的人之后,临时面部模板和模型被销毁、或替选地,被存储在缓存中。
因此,鉴于图2的过程对两个级别的用户标识符和相关联的照片数据(例如,用户标识符UID1作为第一用户标识符,以及用户标识符UID2、UID5......UIDZ作为第二用户标识符)进行处理,图3的过程对多个级别的用户标识符进行处理。例如,为第二级别用户标识符UID5选择第三用户标识符UID1、UID51、UID52......UID5z。每一个第三用户标识符是对在数字照片索引中的、还由第二用户标识符中的一个或多个进行索引的数字照片进行索引的用户标识符。然后,将从每一个第三用户标识符所索引的照片数据生成的模板与从相片106生成的模板进行比较。
图4是根据本公开的实施例的、用于执行面部识别的示例过程400的流程图。在一些实施方式中,过程400可以由图1的服务器系统108执行、或可以是图2和3的模板匹配过程230。
过程400在步骤405开始,在那时检测数字照片中的面部。例如,服务器系统108可以对数字照片106进行分析来找出在数字照片106内的可能是人脸的图案(例如,分析眼睛、嘴巴、鼻子的图案和间距)。照片由第一用户标识符所识别的用户提交。
在步骤410,构建数字相片中的每一个未知面部的临时面部模板。例如,数字照片106包括三个面部图像112、114和116。为面部图像112-116中的每一个,构建临时面部模板。
在步骤415,进行对用户的联系人、频繁地与用户一起出现在相片中的人以及用户为其拍照的人的识别,导致对第二用户标识符的识别。在一些实施方式中,可以进行对与用户间接交往的其他用户的识别。例如,可以识别是共同联系人的朋友的用户。在另一个示例中,用户可以上载社交事件的数字照片,诸如班级重聚。与用户不显式关联的其他用户可能提交相同社交事件的相片。服务器系统108可以(例如,通过时间戳和地理标签)检测到该两个相片集108在基本上相同的时间和场所被拍摄,并且确定该两个用户隐式联系(例如,他们是老同学)。
在步骤420,查找与用户标识符中的一个相对应的用户的面部照片的索引。例如,数字照片106由具有用户标识符“UID1”120的用户布拉德提交,因此,过程400从布拉德的用户标识符开始。从数字照片索引118检索包括用户布拉德的面部的图像的面部区域集合132a-132n。在步骤425,为每一个相片中的用户的面部生成临时用户面部模板。例如,为面部区域集合132a-132n,生成对应的临时面部模板134a-134n,并且将其存储在非持久性存储器中。
在步骤430,从所生成的临时用户面部模板集识别最好用户面部模板集合。例如,可能从其中对象的面部翻转、部分模糊、模糊、不适当照亮、焦点没对准、或另外不太适合进行临时面部模板的创建的面部区域构建临时面部模板134a-134n中的部分。服务器系统108可以按照临时面部模板134a-134n在面部识别过程中用于所选择的用户的合适性,对临时面部模板134a-134n进行排名,并且维护最好临时面部模板在数字照片内的相应面部区域的索引。当在存储在数字照片索引118中的数字照片中识别了用户的面部的另外示例时,可以将新识别的面部区域确定为更适于执行面部识别,并且与那些面部区域相关联的照片可以替换索引中的现有、不那么合适的照片。在图7的描述中论述了用于确定数字图像索引以在面部识别过程中使用的示例过程。
在步骤435,将用户面部模板中的每一个与每一个未知面部模板进行比较来识别可能的匹配。在一些实施方式中,可以在数学上将用户面部模板组合成组合的模板面部模型,其中可以将未知面部模板与之进行比较。例如,如果面部模型是用户面部模板集,则将用户面部模板中的每一个与每一个未知面部模板进行比较来识别可能的匹配。替选地,如果面部模型是从用户面部模板中的每一个得到的单个面部模板,则可以将该单个模板与每一个未知面部模板进行比较。
在步骤440,作出关于是否待处理另外的用户标识符的确定。如果待处理另外的用户标识符(例如,已为用户显式或隐式地识别了另外的联系人或人,以及并非从上载的照片生成的所有模板均已被匹配),则在步骤445选择用户标识符中的另一个,并且该过程在步骤420继续。然而,如果不再有用户标识符仍然待被处理,则过程400结束。
在一些实施方式中,临时面部模板和模型不会被存留比过程400需要它们长很多;当过程400结束时,从非持久性存储器删除临时面部模板和模型。
图5是根据本公开的实施例的、用于选择待为其执行面部识别的用户的用户标识符的示例过程500的流程图。总的来说,出于识别数字照片中的面部并且区分其相应面部模板的处理的优先次序的目的,过程500识别提交用户可能知道的其他用户,并且滤除与提交用户具有较弱关系或没有关系的其他用户。在一些实施方式中,过程500可以由图1的服务器系统108执行、或可以是图2和3的模板匹配过程230。在一些实施方式中,过程500可以是图4的步骤415的部分。
过程500在步骤510开始,其中从所识别的第二用户标识符集合选择与第一用户标识符相关联的第二用户标识符。例如,服务器系统108可以选择从所有用户集合、或具有第一、第二或其他适当预先确定的更高层级的与第一用户的隐式或显式联系的用户集合取得的用户标识符。
在步骤520,生成表示第一用户与第二用户的关系的亲密性分值。例如,第二用户可以是第一用户的联系人,可能出现在第一用户所拍摄的多个相片中,以及可能经常与第一用户通信,那么这些交互可以指示在该两个用户之间的强社交关系,因此可以被给予相对高的亲密性分值。在另一个示例中,第二用户可以是第一用户的朋友的朋友,其中在该两个之间没有其他已知联系,那么这些事实可以指示可以被给予相对低的亲密性分值的弱社交关系。
在一些实施方式中,可以通过为通过提交用户的标识符索引的每一个数字照片确定还对该数字照片进行索引的其他用户标识符,来生成亲密性分值。为其他用户标识符中的每一个,部分基于与通过提交用户的标识符和该其他用户的标识符两者索引的数字照片的数量成比例的值来确定亲密性分值。在一些实施方式中,亲密性分值还可以部分基于数字照片中的每一个被生成的时间。例如,如果两个用户两者均在最近相片中被识别,则亲密性分值可以比可以为不那么近拍摄的相似相片生成的亲密性分值相对更高。
在一些实施方式中,提交用户和另一个用户的亲密性分值可以部分基于与该另一个用户的数字照片的数量成比例的值,其中提交用户已用该另一个用户的所述标识符来标记该另一个用户的所述数字照片。在一些实施方式中,这些亲密性分值可以进一步部分基于提交用户标记数字照片中的每一个的时间。例如,亲密性分值对于提交用户最近已标记的其他用户可以相对更高,以及亲密性分值对于不久前被标记的用户可以相对更低。
在步骤530,作出确定。如果亲密性分值不满足阈值,则过程500在步骤540继续。例如,如果在第一用户和第二用户之间的社交关系太弱,则不使第二用户标识符与第一用户标识符相关联。然而在步骤530,如果亲密性分值满足阈值,则在步骤550,使第二用户标识符与第一用户标识符相关联。例如,可以将第二用户标识符添加到与用户布拉德的标识符“UID1”120相关联的其他用户标识符集合122。
在步骤540,作出确定。如果在所识别的第二用户标识符集合中存在另外的第二用户标识符,则过程500在步骤510继续。如果不再存在第二用户标识符,则过程500结束。
图6是根据本公开的实施例的、用于识别数字图像中的所选择的用户的示例过程的流程图。总的来说,出于识别数字照片中的面部的目的,过程600根据其他用户与提交用户的社交联网关系的明显强度来对其他用户进行排名。在一些实施方式中,过程600可以由图1的服务器系统108执行、或可以是图2和3的模板匹配过程230。在一些实施方式中,过程600可以是过程500的继续。
过程600在步骤610开始,其中根据亲密性分值对第二用户标识符进行排序。例如,可以根据在图5的步骤520确定的亲密性分值对其他用户标识符集合122进行排名。
在步骤620,选择第二用户标识符,并且在步骤630,为所述第二用户标识符生成第二面部模板。例如,对于其他用户标识符122中的每一个,从服务器系统108检索已知包括所选择的其他用户的图像的图像集合,并且对其进行处理来生成所选择的其他用户的面部模板。
在步骤640,根据顺序来识别与第二面部模板相匹配的第一面部模板。例如,服务器系统108可以首先试图将数字照片106中的未知面部与提交用户112的面部相匹配,然后试图匹配用户112的联系人的面部,然后频繁地与用户112一起出现在相片中的其他用户的面部,然后用户112频繁地为其拍照的用户等。
在一些实施方式中,可以限制搜索。例如,当已识别了数字照片中的所有面部时,搜索可以结束。在另一个示例中,仅针对数字照片中的有足够质量的面部进行搜索(例如,可以跳过背景中的人的面部,因为他们太小或焦点没对准)。在另一个示例中,可以将预先确定数量的仅仅具有最高亲密性分值的第二用户与数字照片中的未知面部进行比较。在又另一个示例中,在预先确定的时间量已流逝或预先确定的处理努力已被耗尽(例如,为了限制带有大量面部的相片和/或具有非常大的社交网络的用户被搜遍所消耗的处理负载量)之后,可以结束搜索。
图7是根据本公开的实施例的、用于更新数字图像索引以供在面部识别过程中使用的示例过程700的流程图。总的来说,可以通过下述来增强面部识别的过程:预先识别包括可以用来创建高质量临时面部模板的所选择的用户的面部的图像的相片集合,识别在那些相片内的面部区域,并且与所选择的用户的标识符相关联地存储信息,使得可以快速检索预先识别的面部区域并且对其进行处理来创建临时面部模型。临时面部模板和模型可以用来识别数字相片中的面部,然后被删除,而不是被存留。
在一些实施方式中,可以将相片集合限制在预先确定数量的照片。例如,可以将集合限制在最好“N”(例如,10、20、50、100)个索引的照片。当识别了面部区域的更好示例时,先前索引但是不那么适当的照片可以在索引中由新识别的照片替换。如此,用来生成临时面部模型的索引的总体质量可以随着使用改进。在一些实施方式中,过程700可以由图1的服务器系统108执行。
过程700在步骤710开始,在那时访问数字照片。例如,服务器系统108可以从数字照片索引118检索数字照片106。在步骤720,为在数字照片中检测到的每一个面部生成面部模板。例如,服务器系统108可以从面部区域202a-202c生成临时面部模板210a-210c。
在步骤730,选择所生成的面部模板中的一个。在步骤740,确定识别其的检测到的面部用来生成所选择的面部模板的用户的用户标识符。例如,服务器系统108可以确定临时面部模板210c是临时面部模型220a的匹配,并且确定面部区域202c描绘用户尼尔的标识符“UIDz”124。
在步骤750,生成面部模板的质量分值。例如,可以对临时面部模板210c和/或面部区域202c进行分析,以及面部模板的质量可以部分基于从之获取模板的相片的模糊度或清晰度、相片中的光照条件(例如,太亮或太暗可以使测量不准确)、或模板与现有模板的相似程度(例如,不需要保留相同模板的两个副本)。在一些实施方式中,不同的模板可以用于模型。例如,其中用户在微笑、皱眉、大笑、从不同角度来看、在各种光照条件下来看、或用户的其他适当视图的模板可以用来改进该用户的临时面部模型。
在步骤760,作出质量分值是否满足阈值的确定。如果质量分值不满足阈值,则过程700在步骤730继续,其中选择另一个面部模板。如果在步骤760,质量分值满足阈值,则过程700在步骤770继续。在步骤770,存储质量分值和指定所识别的用户的面部位于其中的区域的数据。例如,服务器系统108可以将质量分值、数字照片106的标识符、用户标识符以及面部区域202c的描述存储在数字照片索引118中。
在一些实施方式中,质量分值可能超过先前与对应用户标识符相关联地存储的质量分值,并且可以使用与更高的质量分值相对应的信息来替换与更低的质量分值相关地存储的信息。例如,可以将与用户标识符相关联的最低质量分值用作为质量分值阈值。当为相关联的用户确定了更高的质量分值时,该更高的质量分值和与其相关联的信息替换与质量分值阈值相关联的信息。因此,对数字照片索引进行持续更新来为每一个用户标识符索引最前N个质量评定的照片。
在本说明书中所述的主题的实施例和操作可以以数字电子电路、或以计算机软件、固件或硬件,包括在本说明书中公开的结构及其结构等价物、或以它们中的一个或多个的组合来实现。可以将在本说明书中所述的主题的实施例实现为一个或多个计算机程序,即编码在计算机存储介质上、供数据处理装置执行或控制数据处理装置的操作的一个或多个计算机程序指令模块。计算机存储介质可以是下述或被包括在下述中:计算机可读存储设备、计算机可读存储基片、随机或串行存取存储器阵列或设备、或以上的一个或多个的组合。计算机存储介质还可以是下述或被包括在下述中:一个或多个单独的物理组件或介质(例如,多个CD、盘或其他存储设备)。
可以将在本说明书中所述的操作实现为数据处理装置针对存储在一个或多个计算机可读存储设备上或从其他源接收的数据执行的操作。
用语“数据处理装置”包含用于处理数据的所有类型的装置、设备以及机器,包括例如可编程处理器、计算机、片上系统、或多个前述或前述的组合。所述装置可以包括专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除硬件外,所述装置还可以包括为讨论中的计算机程序创建执行环境的代码,例如构成处理器固件、协议堆栈、数据库管理系统、操作系统、跨平台运行时环境、虚拟机或以上一个或多个的组合的代码。所述装置和执行环境可以实现各种不同的计算模型基础结构,诸如web服务、分布式计算和网格计算基础结构。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)可以以任何形式的编程语言编写,包括编译或解释语言、说明性或过程性语言,并且其可以以任何形式部署,包括作为独立程序或作为模块、组件、子程序、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必对应于文件系统中的文件。可以将程序存储在保持其他程序或数据的文件(例如,存储在标记语言文档中的一个或多个脚本)的一部分、专用于讨论中的程序的单个文件或者多个协调文件(例如,存储一个或多个模块、子程序或部分代码的文件)中。可以将计算机程序部署为在一个计算机上或者在位于一个地点或跨多个地点分布并且通过通信网络互连的多个计算机上执行。
在本说明书中所述的过程和逻辑流可以由执行一个或多个计算机程序的一个或多个可编程处理器执行,以通过操作输入数据并且生成输出来执行动作。所述过程和逻辑流还可以由专用逻辑电路执行,以及装置还可以被实现为专用逻辑电路,该专用逻辑电路例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
适于执行计算机程序的处理器包括例如通用和专用微处理器两者,以及任何类型的数字计算机的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的主要元件是用于根据指令执行动作的处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个海量存储设备,例如磁的、磁光盘或光盘,或可操作地耦接以从所述一个或多个海量存储设备接收数据或向所述一个或多个海量存储设备传送数据,或两者。然而,计算机不必具有这样的设备。此外,可以将计算机嵌入另一个设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏控制台、全球定位系统(GPS)接收器或便携式存储设备(例如,通用串行总线(USB)闪存驱动器),仅列出一些。适于存储计算机程序指令和数据的设备包括所有形式的非易失性存储器、介质和存储器设备,包括例如:半导体存储器设备,例如EPROM、EEPROM和闪存设备;磁盘,例如内部硬盘或可移动盘;磁光盘;以及CD-ROM和DVD-ROM盘。处理器和存储器可以由专用逻辑电路补充,或合并入专用逻辑电路。
为了提供与用户的交互,本说明书中所述的主题的实施例可以在具有下述的计算机上实现:用于向用户显示信息的显示设备,例如CRT(阴极射线管)或LCD(液晶显示)监视器;以及用户通过其可以向计算机提供输入的键盘和指示设备,例如鼠标或跟踪球。也可以使用其他类型的设备来提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感知反馈,例如视觉反馈、听觉反馈或触觉反馈;以及可以以任何形式,包括声学、话音或触觉输入,接收来自用户的输入。另外,计算机可以通过向用户所使用的设备发送文档并且从该设备接收文档来与用户交互;例如,通过响应于从用户的客户端设备上的web浏览器接收的请求而向该web浏览器发送网页。
在本说明书中所述的主题的实施例可以在计算系统中实现,所述计算系统包括后端组件,例如作为数据服务器;或包括中间件组件,例如应用服务器;或包括前端组件,例如具有用户通过其可以与在本说明书中所述的主题的实现交互的图形用户界面或Web浏览器的客户端计算机;或一个或多个这样的后端、中间件或前端组件的任何组合。系统的组件可以通过任何形式或介质的数字数据通信互连,例如通信网络。通信网络的示例包括局域网("LAN")和广域网("WAN")、互联网络(例如,因特网)以及对等网络(例如,自组织对等网络)。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离并且典型地通过通信网络交互。客户端和服务器的关系依靠在各个计算机上运行并且彼此具有客户端-服务器关系的计算机程序产生。在一些实施例中,服务器(例如,出于向与客户端设备交互的用户显示数据并且从该用户接收用户输入的目的)向客户端设备传输数据(例如,HTML页面)。可以在服务器处从客户端设备接收在客户端设备处生成的数据(例如,用户交互的结果)。
图8中示出了一个这样的类型的计算机的示例,其中示出了适于实现装置或执行在本说明书中所述的主题的各个方面的方法的可编程处理系统800的框图。系统800包括通过处理器(CPU)总线850耦接的处理器810、随机存取存储器(RAM)820、存储设备830以及输入/输出(I/O)控制器840。系统800可以例如在ROM中被预编程、或其可以通过加载来自另一个源(例如,来自软盘、CD-ROM或另一个计算机)的程序被编程(并且重新编程)。
存储设备830适于存储可执行计算机程序,包括使在本说明书中所述的主题的方面具体化的程序,以及数据,包括数字照片、用户标识符、面部区域信息、用户关系、亲密性分值、质量分值、将用户标识符与数字照片相关联的信息以及其他适当的数据。
I/O控制器840通过诸如串行链路、局域网、无线链路以及并行链路的通信链路以模拟或数字形式接收及传输数据(例如,用于导入到合成物中的静止画面、图片、电影以及动画)。
同样耦接到I/O控制器840的是输出设备860,其在各种实施例中,可以包括显示器、键盘、打印机以及其他输入和输出外围设备。
虽然本说明书包含许多具体实施方式细节,但是这些细节不应当被解释为对任何发明或可以主张的内容的范围的限制,而应当被解释为对可以具体到特定发明的特定实施例的特征的描述。还可以将在本说明书中在分离的实施例的情境中描述的某些特征组合在单个实施例中实现。相反地,也可以将在单个实施例的情境中描述的各种特征分离地在多个实施例中实现或在任何适当的子组合中实现。此外,尽管可能在上面将特征描述为在某些组合中起作用,甚至最初主张如此,但是可以在一些情况下,将来自所主张的组合的一个或多个特征从该组合中删去,并且所主张的组合可以针对子组合或子组合的变体。
类似地,虽然在附图中按照特定顺序描绘了操作,但是不应当将这理解为需要按照所示的特定顺序或按照连续顺序执行这样的操作、或者需要执行所有图示的操作,才能达到期望的结果。在某些情况下,多任务以及并行处理可以是有利的。此外,不应当将在上述实施例中的各种系统组件的分离理解为在所有实施例中均需要这样的分离,而应当理解的是,通常可以将所述程序组件和系统集成到一起成为单个软件产品或封装为多个软件产品。
因此,已描述了本主题的特定实施例。其他实施例在所附权利要求的范围内。在一些情况下,可以按照不同的顺序来执行权利要求中记载的动作并且仍然达到期望的结果。另外,在附图中描绘的过程不一定需要所示的特定顺序或连续顺序,才能达到期望的结果。在某些实施方式中,多任务以及并行处理可以是有利的。
Claims (32)
1.一种由数据处理装置执行的方法,所述方法包括:
在数据处理装置处,访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成第一面部模板;
确定与第一用户标识符相关联的第二用户标识符,所述第一用户标识符和第二用户标识符识别用户;
访问数字照片索引,所述数字照片索引通过用户标识符对照片进行索引,并且为每一个数字照片和对所述数字照片进行索引的每一个用户标识符,指定通过用户标识符识别的用户的面部所位于的所述数字照片中的区域;
选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在通过所述第二用户标识符索引的所述数字照片的预定义区域中的用户的面部中的每一个为所述第二用户标识符生成第二面部模板;
识别与第二面部模板相匹配的第一面部模板;以及
为与第二面部模板相匹配的每一个第一面部模板,生成指定通过所述第二面部模板的所述第二用户标识符识别的第二用户的面部所位于的所述第一数字照片中的区域的数据。
2.根据权利要求1所述的方法,其中每一个面部模板被存储在非持久性存储器中,并且在识别与第二面部模板相匹配的第一面部模板之后不被存留。
3.根据权利要求1所述的方法,其中:
确定与所述第一用户标识符相关联的第二用户标识符包括:
为多个第二用户标识符中的每一个,生成亲密性分值,所述亲密性分值表示通过所述第一用户标识符识别的第一用户与通过所述第二用户标识符识别的第二用户的关系;以及
确定具有满足阈值的亲密性分值的第二用户标识符与所述第一用户标识符相关联。
4.根据权利要求3所述的方法,进一步包括:
根据所述亲密性分值对所述第二用户标识符进行排序;以及
根据所述排序来选择所述第二用户标识符、为所述第二用户标识符生成所述第二面部模板、并且识别与所述第二面部模板相匹配的第一面部模板。
5.根据权利要求3所述的方法,其中为多个第二用户标识符中的每一个生成亲密性分值包括:
为通过所述第一用户标识符索引的每一个数字照片,确定对所述数字照片进行索引的第二用户标识符;以及
为每一个第二用户标识符,部分基于与通过所述第一用户标识符和所述第二用户标识符两者索引的数字照片的数量成比例的值来确定所述亲密性分值。
6.根据权利要求5所述的方法,其中所述亲密性分值进一步部分基于所述数字照片中的每一个被生成的时间。
7.根据权利要求3所述的方法,其中为多个第二用户标识符中的每一个生成亲密性分值包括:部分基于与所述第二用户的数字照片的数量成比例的值来确定所述亲密性分值,其中所述第一用户已用所述第二用户的所述标识符来标记所述第二用户的所述数字照片。
8.根据权利要求7所述的方法,其中所述亲密性分值进一步部分基于所述第一用户标记所述数字照片中的每一个的时间。
9.根据权利要求1所述的方法,其中:
确定与所述第一用户标识符相关联的第二用户标识符包括:
通过用于所述第一用户标识符的联系人列表来选择与所述第一用户标识符相关联的第二用户标识符。
10.根据权利要求1所述的方法,进一步包括:
选择第三用户标识符,每一个第三用户标识符是对在所述数字照片索引中的、还由所述第一用户标识符和第二用户标识符中的一个或多个索引的数字照片进行索引的用户标识符;
对于所选择的第三用户标识符中的每一个,从在通过所述第三用户标识符索引的所述数字照片的预定义区域中的用户的面部中的每一个为所述第三用户标识符生成第三面部模板;
识别与第三面部模板相匹配的第一面部模板;以及
为与第三面部模板相匹配的每一个第一面部模板,生成指定通过所述第三面部模板的所述第三用户标识符识别的第三用户的面部所位于的所述第一数字照片中的区域的数据。
11.根据权利要求1所述的方法,进一步包括,对于与用于第二用户标识符的第二面部模板相匹配的每一个第一面部模板:
为所述第一面部模板生成质量分值;
确定所述质量分值是否超过质量分值阈值;以及
如果所述质量分值超过所述质量分值阈值,则将通过第二用户标识符对所述第一照片进行索引的数据存储在所述数字照片索引中,并且所述数据指定通过第二用户标识符识别的第二用户的面部所位于的所述数字照片中的区域。
12.一种编码有计算机程序的计算机存储介质,所述程序包括当由数据处理装置执行时促使所述数据处理装置执行操作的指令,所述操作包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成第一面部模板;
确定与第一用户标识符相关联的第二用户标识符,所述第一用户标识符和第二用户标识符识别用户;
访问数字照片索引,所述数字照片索引通过用户标识符对照片进行索引,并且为每一个数字照片和对所述数字照片进行索引的每一个用户标识符,指定通过用户标识符识别的用户的面部所位于的所述数字照片中的区域;
选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在通过所述第二用户标识符索引的数字照片的预定义区域中的用户的面部中的每一个为所述第二用户标识符生成第二面部模板;
识别与第二面部模板相匹配的第一面部模板;以及
为与第二面部模板相匹配的每一个第一面部模板,生成指定通过所述第二面部模板的所述第二用户标识符识别的第二用户的面部所位于的所述第一数字照片中的区域的数据。
13.根据权利要求12所述的计算机存储介质,其中:
确定与所述第一用户标识符相关联的第二用户标识符包括:
为多个第二用户标识符中的每一个,生成亲密性分值,所述亲密性分值表示通过所述第一用户标识符识别的第一用户与通过所述第二用户标识符识别的第二用户的关系;以及
确定具有满足阈值的亲密性分值的第二用户标识符与所述第一用户标识符相关联。
14.根据权利要求13所述的计算机存储介质,所述操作进一步包括:
根据所述亲密性分值对所述第二用户标识符进行排序;以及
根据所述排序来选择所述第二用户标识符、为所述第二用户标识符生成所述第二面部模板、并且识别与所述第二面部模板相匹配的第一面部模板。
15.根据权利要求14所述的计算机存储介质,其中为多个第二用户标识符中的每一个生成亲密性分值包括:
为通过所述第一用户标识符索引的每一个数字照片,确定对所述数字照片进行索引的第二用户标识符;以及
为每一个第二用户标识符,部分基于与通过所述第一用户标识符和所述第二用户标识符两者索引的数字照片的数量成比例的值来确定所述亲密性分值。
16.根据权利要求12所述的计算机存储介质,所述操作进一步包括,对于与用于第二用户标识符的第二面部模板相匹配的每一个第一面部模板:
为所述第一面部模板生成质量分值;
确定所述质量分值是否超过质量分值阈值;以及
如果所述质量分值超过所述质量分值阈值,则将通过第二用户标识符对所述第一照片进行索引的数据存储在所述数字照片索引中,并且所述数据指定通过第二用户标识符识别的第二用户的面部所位于的所述数字照片中的区域。
17.一种系统,包括:
数据处理装置;以及
与所述数据处理装置数据通信并且存储指令的存储器存储装置,所述指令可由所述数据处理装置执行并且在这样的执行时,促使所述数据处理装置执行操作,所述操作包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成第一面部模板;
确定与第一用户标识符相关联的第二用户标识符,所述第一用户标识符和第二用户标识符识别用户;
访问数字照片索引,所述数字照片索引通过用户标识符对照片进行索引,并且为每一个数字照片和对所述数字照片进行索引的每一个用户标识符,指定通过用户标识符识别的用户的面部所位于的所述数字照片中的区域;
选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在通过所述第二用户标识符索引的数字照片的预定义区域中的用户的面部中的每一个为所述第二用户标识符生成第二面部模板;
识别与第二面部模板相匹配的第一面部模板;以及
为与第二面部模板相匹配的每一个第一面部模板,生成指定通过所述第二面部模板的所述第二用户标识符识别的第二用户的面部所位于的所述第一数字照片中的区域的数据。
18.根据权利要求17所述的系统,其中:
确定与所述第一用户标识符相关联的第二用户标识符包括:
为多个第二用户标识符中的每一个,生成亲密性分值,所述亲密性分值表示通过所述第一用户标识符识别的第一用户与通过所述第二用户标识符识别的第二用户的关系;以及
确定具有满足阈值的亲密性分值的第二用户标识符与所述第一用户标识符相关联。
19.根据权利要求17所述的系统,其中为多个第二用户标识符中的每一个生成亲密性分值包括:
为通过所述第一用户标识符索引的每一个数字照片,确定对所述数字照片进行索引的第二用户标识符;以及
为每一个第二用户标识符,部分基于与通过所述第一用户标识符和所述第二用户标识符索引的数字照片的数量成比例的值来确定所述亲密性分值。
20.根据权利要求17所述的系统,所述操作进一步包括,对于与用于第二用户标识符的第二面部模板相匹配的每一个第一面部模板:
为所述第一面部模板生成质量分值;
确定所述质量分值是否超过质量分值阈值;以及
如果所述质量分值超过所述质量分值阈值,则将通过第二用户标识符对所述第一照片进行索引的数据存储在所述数字照片索引中,并且所述数据指定通过第二用户标识符识别的第二用户的面部所位于的所述数字照片中的区域。
21.一种由数据处理装置执行的方法,所述方法包括:
在数据处理装置处,访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成面部模板;
对于每一个面部模板:
确定用户标识符,每一个用户标识符识别用户,其中该用户的在所述第一数字照片中被检测到的面部被用来生成了所述面部模板;
为所述面部模板生成质量分值;
确定所述质量分值是否超过质量分值阈值;以及
如果所述质量分值超过所述质量分值阈值,则将通过为所述面部模板确定的用户标识符对所述第一照片进行索引的数据、所述质量分值以及指定通过第一用户标识符识别的用户的面部所位于的所述第一数字照片中的区域的数据存储在数字照片索引中。
22.根据权利要求21所述的方法,其中确定所述质量分值是否超过质量分值阈值包括:
通过所述用户标识符访问所述数字照片索引;
从所述数字照片索引检索通过所述用户标识符识别的所述用户的其他面部模板的质量分值,所述其他面部模板中的每一个从通过用户标识符识别的所述用户的面部所位于的不同数字照片中的区域生成;以及
当用于所述第一数字照片的所述面部模板的所述质量分值超过从所述数字照片索引检索到的通过所述用户标识符识别的所述用户的其他面部模板的所述质量分值中的至少一个时,确定所述质量分值超过质量分值阈值。
23.根据权利要求22所述的方法,进一步包括:
响应于确定所述第一数字照片的所述面部模板超过从所述数字照片索引检索到的通过所述用户标识符识别的所述用户的其他面部模板的所述质量分值中的至少一个,从所述数字照片索引移除对通过用户标识符识别的所述用户的所述面部所位于的所述不同数字照片进行索引的、以及从其生成所述质量分值中的所述一个所对应的所述面部模板的数据。
24.根据权利要求21所述的方法,进一步包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成第一面部模板;
确定与第一用户标识符相关联的第二用户标识符,所述第一用户标识符和第二用户标识符识别用户;
访问所述数字照片索引;
选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在所述数字照片索引中通过所述第二用户标识符索引的数字照片的预定义区域中的用户的面部中的每一个为所述第二用户标识符生成第二面部模板;
识别与第二面部模板相匹配的第一面部模板;以及
为与第二面部模板相匹配的每一个第一面部模板,生成指定通过所述第二面部模板的第二用户标识符识别的第二用户的面部所位于的所述第一数字照片中的区域的数据。
25.一种编码有计算机程序的计算机存储介质,所述程序包括当由数据处理装置执行时促使所述数据处理装置执行操作的指令,所述操作包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成面部模板;
对于每一个面部模板:
确定用户标识符,每一个用户标识符识别其在所述第一数字照片中的检测到的面部被用来生成了所述面部模板的用户;
为所述面部模板生成质量分值;
确定所述质量分值是否超过质量分值阈值;以及
如果所述质量分值超过所述质量分值阈值,则将通过为所述面部模板确定的用户标识符对所述第一照片进行索引的数据、所述质量分值以及指定通过第一用户标识符识别的用户的面部所位于的所述第一数字照片中的区域的数据存储在数字照片索引中。
26.根据权利要求25所述的计算机存储介质,其中确定所述质量分值是否超过质量分值阈值包括:
通过所述用户标识符访问所述数字照片索引;
从所述数字照片索引检索通过所述用户标识符识别的所述用户的其他面部模板的质量分值,所述其他面部模板中的每一个从通过用户标识符识别的所述用户的面部所位于的不同数字照片中的区域生成;以及
当所述第一数字照片的所述面部模板的所述质量分值超过从所述数字照片索引检索到的通过所述用户标识符识别的所述用户的其他面部模板的所述质量分值中的至少一个时,确定所述质量分值超过质量分值阈值。
27.根据权利要求26所述的计算机存储介质,所述操作进一步包括:
响应于确定用于所述第一数字照片的所述面部模板超过从所述数字照片索引检索到的通过所述用户标识符识别的所述用户的其他面部模板的所述质量分值中的至少一个,从所述数字照片索引移除对通过用户标识符识别的所述用户的所述面部所位于的所述不同数字照片进行索引的、以及从其生成所述质量分值中的所述一个所对应的所述面部模板的数据。
28.根据权利要求25所述的计算机存储介质,所述操作进一步包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成第一面部模板;
确定与第一用户标识符相关联的第二用户标识符,所述第一用户标识符和第二用户标识符识别用户;
访问所述数字照片索引;
选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在所述数字照片索引中通过所述第二用户标识符索引的数字照片的预定义区域中的用户的面部中的每一个为所述第二用户标识符生成第二面部模板;
识别与第二面部模板相匹配的第一面部模板;以及
为与第二面部模板相匹配的每一个第一面部模板,生成指定通过所述第二面部模板的第二用户标识符识别的第二用户的面部所位于的所述第一数字照片中的区域的数据。
29.一种系统,包括:
数据处理装置;以及
与所述数据处理装置数据通信并且存储指令的存储器存储装置,所述指令可由所述数据处理装置执行并且在这样的执行时,促使所述数据处理装置执行操作,所述操作包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成面部模板;
对于每一个面部模板:
确定用户标识符,每一个用户标识符识别其在所述第一数字照片中的检测到的面部被用来生成了所述面部模板的用户;
为所述面部模板生成质量分值;
确定所述质量分值是否超过质量分值阈值;以及
如果所述质量分值超过所述质量分值阈值,则将通过为所述面部模板确定的用户标识符对所述第一照片进行索引的数据、所述质量分值以及指定通过第一用户标识符识别的用户的面部所位于的所述第一数字照片中的区域的数据存储在数字照片索引中。
30.根据权利要求29所述的系统,其中确定所述质量分值是否超过质量分值阈值包括:
通过所述用户标识符访问所述数字照片索引;
从所述数字照片索引检索通过所述用户标识符识别的所述用户的其他面部模板的质量分值,所述其他面部模板中的每一个从通过用户标识符识别的所述用户的面部所位于的不同数字照片中的区域生成;以及
当用于所述第一数字照片的所述面部模板的所述质量分值超过从所述数字照片索引检索到的通过所述用户标识符识别的所述用户的其他面部模板的所述质量分值中的至少一个时,确定所述质量分值超过质量分值阈值。
31.根据权利要求30所述的系统,所述操作进一步包括:
响应于确定用于所述第一数字照片的所述面部模板超过从所述数字照片索引检索到的通过所述用户标识符识别的所述用户的其他面部模板的所述质量分值中的至少一个,从所述数字照片索引移除对通过用户标识符识别的所述用户的所述面部所位于的所述不同数字照片进行索引的、以及从其生成所述质量分值中的所述一个所对应的所述面部模板的数据。
32.根据权利要求29所述的系统,所述操作进一步包括:
访问第一数字照片;
为在所述第一数字照片中检测到的每一个面部生成第一面部模板;
确定与第一用户标识符相关联的第二用户标识符,所述第一用户标识符和第二用户标识符识别用户;
访问所述数字照片索引;
选择第二用户标识符,并且对于所选择的第二用户标识符中的每一个,从在所述数字照片索引中通过所述第二用户标识符索引的数字照片的预定义区域中的用户的面部中的每一个为所述第二用户标识符生成第二面部模板;
识别与第二面部模板相匹配的第一面部模板;以及
为与第二面部模板相匹配的每一个第一面部模板,生成指定通过所述第二面部模板的第二用户标识符识别的第二用户的面部所位于的所述第一数字照片中的区域的数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161444425P | 2011-02-18 | 2011-02-18 | |
US61/444,425 | 2011-02-18 | ||
PCT/US2012/025934 WO2012112992A2 (en) | 2011-02-18 | 2012-02-21 | Facial recognition |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103503000A true CN103503000A (zh) | 2014-01-08 |
CN103503000B CN103503000B (zh) | 2017-09-12 |
Family
ID=45809669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280018045.0A Active CN103503000B (zh) | 2011-02-18 | 2012-02-21 | 面部识别 |
Country Status (8)
Country | Link |
---|---|
US (2) | US9135500B2 (zh) |
EP (1) | EP2676222B1 (zh) |
JP (1) | JP5795650B2 (zh) |
KR (1) | KR101551417B1 (zh) |
CN (1) | CN103503000B (zh) |
AU (1) | AU2012219277B2 (zh) |
BR (1) | BR112013021009B1 (zh) |
WO (1) | WO2012112992A2 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105657250A (zh) * | 2015-12-24 | 2016-06-08 | 广东欧珀移动通信有限公司 | 拍照控制方法及装置、显示控制方法及装置及拍照系统 |
CN105721778A (zh) * | 2016-03-25 | 2016-06-29 | 宇龙计算机通信科技(深圳)有限公司 | 拍摄数据的处理方法、拍摄数据的处理装置和终端 |
CN112449701A (zh) * | 2018-07-30 | 2021-03-05 | 谷歌有限责任公司 | 学习模板表示库 |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9143573B2 (en) | 2008-03-20 | 2015-09-22 | Facebook, Inc. | Tag suggestions for images on online social networks |
WO2009116049A2 (en) | 2008-03-20 | 2009-09-24 | Vizi Labs | Relationship mapping employing multi-dimensional context including facial recognition |
WO2012046583A1 (ja) * | 2010-10-04 | 2012-04-12 | 日本電気株式会社 | アクセス制御装置、アクセス制御システム、アクセス制御方法、及び、アクセス制御プログラム |
CN103503000B (zh) | 2011-02-18 | 2017-09-12 | 谷歌公司 | 面部识别 |
WO2014194020A1 (en) * | 2013-05-30 | 2014-12-04 | Facebook, Inc. | Tag suggestions for images on online social networks |
KR101534808B1 (ko) * | 2013-12-30 | 2015-07-08 | 주식회사 시어스랩 | 얼굴 인식 기술을 이용한 전자 앨범 관리 방법 및 시스템 |
KR102200950B1 (ko) * | 2014-03-14 | 2021-01-12 | 삼성전자주식회사 | 오브젝트 인식 장치 및 그 제어 방법 |
US9721143B2 (en) * | 2014-03-21 | 2017-08-01 | International Business Machines Corporation | Modification of visual depictions |
US20160012423A1 (en) | 2014-07-11 | 2016-01-14 | Google Inc. | Hands-free transactions with voice recognition |
US10460317B2 (en) | 2014-07-11 | 2019-10-29 | Google Llc | Hands-free transaction tokens via payment processor |
JP2016021184A (ja) * | 2014-07-15 | 2016-02-04 | 東芝テック株式会社 | 顔識別装置及びプログラム |
KR102077260B1 (ko) | 2014-08-08 | 2020-02-13 | 삼성전자주식회사 | 확룔 모델에 기반한 신뢰도를 이용하여 얼굴을 인식하는 방법 및 장치 |
WO2016044442A1 (en) * | 2014-09-16 | 2016-03-24 | Jiwen Liu | Identification of individuals in images and associated content delivery |
US9171352B1 (en) * | 2014-12-04 | 2015-10-27 | Google Inc. | Automatic processing of images |
BR112017024609A2 (pt) * | 2015-05-21 | 2018-07-31 | Facewatch Ltd | sistemas, métodos, e dispositivos para compartilhamento e coincidência de informações |
JP6785305B2 (ja) | 2015-07-15 | 2020-11-18 | 15 セカンズ オブ フェイム,インコーポレイテッド | 顔認識及びコンテキストビデオストリームで個人を識別するためのビデオ解析技術のための装置及び方法 |
US10863003B2 (en) | 2015-09-10 | 2020-12-08 | Elliot Berookhim | Methods, devices, and systems for determining a subset for autonomous sharing of digital media |
SG10201912947XA (en) | 2015-10-21 | 2020-02-27 | 15 Seconds Of Fame Inc | Methods and apparatus for false positive minimization in facial recognition applications |
JP6787391B2 (ja) | 2016-02-26 | 2020-11-18 | 日本電気株式会社 | 顔照合システム、顔照合方法、及びプログラム |
KR102195222B1 (ko) * | 2016-03-01 | 2020-12-24 | 구글 엘엘씨 | 핸즈-프리 트랜잭션들의 직접 정산 |
KR102084174B1 (ko) | 2016-03-01 | 2020-04-23 | 구글 엘엘씨 | 핸즈 프리 거래용 얼굴 프로필 수정 |
US10198625B1 (en) | 2016-03-26 | 2019-02-05 | Videomining Corporation | Association of unique person to a mobile device using repeat face image matching |
US10083358B1 (en) | 2016-07-26 | 2018-09-25 | Videomining Corporation | Association of unique person to point-of-sale transaction data |
KR102314098B1 (ko) | 2016-07-31 | 2021-10-18 | 구글 엘엘씨 | 자동 핸즈프리 서비스 요청 |
CN106899567B (zh) * | 2016-08-24 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用户核身方法、装置及系统 |
US10614436B1 (en) | 2016-08-25 | 2020-04-07 | Videomining Corporation | Association of mobile device to retail transaction |
CN106778585B (zh) * | 2016-12-08 | 2019-04-16 | 腾讯科技(上海)有限公司 | 一种人脸关键点跟踪方法和装置 |
US10552471B1 (en) * | 2017-04-21 | 2020-02-04 | Stripe, Inc. | Determining identities of multiple people in a digital image |
US10395056B2 (en) * | 2017-05-01 | 2019-08-27 | International Business Machines Corporation | Protecting privacy of digital images |
US10679443B2 (en) * | 2017-10-13 | 2020-06-09 | Alcatraz AI, Inc. | System and method for controlling access to a building with facial recognition |
CN107679235B (zh) * | 2017-10-25 | 2021-09-21 | 成都尽知致远科技有限公司 | 基于云平台的检索系统 |
AU2018201311B2 (en) * | 2018-02-22 | 2023-11-30 | Artlife Solutions Pty Ltd | A system and method for sorting digital images |
CN108882033B (zh) * | 2018-07-19 | 2021-12-14 | 上海影谱科技有限公司 | 一种基于视频语音的人物识别方法、装置、设备和介质 |
JP7027280B2 (ja) * | 2018-08-10 | 2022-03-01 | 本田技研工業株式会社 | 個人識別装置および個人識別方法 |
CN110875060A (zh) | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 语音信号处理方法、装置、系统、设备和存储介质 |
US10936856B2 (en) | 2018-08-31 | 2021-03-02 | 15 Seconds of Fame, Inc. | Methods and apparatus for reducing false positives in facial recognition |
CN109543638A (zh) * | 2018-11-29 | 2019-03-29 | 与德科技有限公司 | 一种人脸识别方法、装置、设备及存储介质 |
US11568451B2 (en) * | 2019-03-04 | 2023-01-31 | Iris.TV Inc. | Dual-optimization of targeted digital assets under volume and position constraints |
US11010596B2 (en) | 2019-03-07 | 2021-05-18 | 15 Seconds of Fame, Inc. | Apparatus and methods for facial recognition systems to identify proximity-based connections |
CN110472077A (zh) * | 2019-07-12 | 2019-11-19 | 浙江执御信息技术有限公司 | 人像识别前置校验方法、系统、介质及电子设备 |
US11341351B2 (en) | 2020-01-03 | 2022-05-24 | 15 Seconds of Fame, Inc. | Methods and apparatus for facial recognition on a user device |
WO2022147411A1 (en) | 2020-12-30 | 2022-07-07 | Assa Abloy Ab | Facial expression to augment face id and presentation attack detection |
US20220374839A1 (en) * | 2021-05-24 | 2022-11-24 | Celential.ai Inc | System and method for artificial intelligence (ai)-driven information collection and analysis for virtual recruiting |
KR102308373B1 (ko) | 2021-06-08 | 2021-10-06 | 주식회사 스누아이랩 | 얼굴인식을 위한 비디오 디블러링장치 및 그 장치의 구동방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159011A (zh) * | 2006-08-04 | 2008-04-09 | 索尼株式会社 | 面部检测装置、成像设备、和面部检测方法 |
US20090252383A1 (en) * | 2008-04-02 | 2009-10-08 | Google Inc. | Method and Apparatus to Incorporate Automatic Face Recognition in Digital Image Collections |
CN101601053A (zh) * | 2006-12-01 | 2009-12-09 | 谷歌公司 | 使用面部识别识别图像 |
US20100054600A1 (en) * | 2008-08-28 | 2010-03-04 | Microsoft Corporation | Tagging Images With Labels |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6606398B2 (en) | 1998-09-30 | 2003-08-12 | Intel Corporation | Automatic cataloging of people in digital photographs |
JP2003150617A (ja) * | 2001-11-12 | 2003-05-23 | Olympus Optical Co Ltd | 画像処理装置およびプログラム |
US20050197846A1 (en) | 2004-03-04 | 2005-09-08 | Peter Pezaris | Method and system for generating a proximity index in a social networking environment |
US7669123B2 (en) | 2006-08-11 | 2010-02-23 | Facebook, Inc. | Dynamically providing a news feed about a user of a social network |
US8402094B2 (en) | 2006-08-11 | 2013-03-19 | Facebook, Inc. | Providing a newsfeed based on user affinity for entities and monitored actions in a social network environment |
US7945653B2 (en) | 2006-10-11 | 2011-05-17 | Facebook, Inc. | Tagging digital media |
US7783085B2 (en) | 2006-05-10 | 2010-08-24 | Aol Inc. | Using relevance feedback in face recognition |
US8031914B2 (en) * | 2006-10-11 | 2011-10-04 | Hewlett-Packard Development Company, L.P. | Face-based image clustering |
US20080270425A1 (en) | 2007-04-27 | 2008-10-30 | James Cotgreave | System and method for connecting individuals in a social networking environment based on facial recognition software |
WO2009116049A2 (en) | 2008-03-20 | 2009-09-24 | Vizi Labs | Relationship mapping employing multi-dimensional context including facial recognition |
US8670597B2 (en) | 2009-08-07 | 2014-03-11 | Google Inc. | Facial recognition with social network aiding |
AU2009243486B2 (en) * | 2009-12-02 | 2012-12-13 | Canon Kabushiki Kaisha | Processing captured images having geolocations |
US20110243397A1 (en) * | 2010-03-30 | 2011-10-06 | Christopher Watkins | Searching digital image collections using face recognition |
CN103503000B (zh) | 2011-02-18 | 2017-09-12 | 谷歌公司 | 面部识别 |
-
2012
- 2012-02-21 CN CN201280018045.0A patent/CN103503000B/zh active Active
- 2012-02-21 EP EP12707445.8A patent/EP2676222B1/en active Active
- 2012-02-21 WO PCT/US2012/025934 patent/WO2012112992A2/en active Application Filing
- 2012-02-21 US US13/401,076 patent/US9135500B2/en active Active
- 2012-02-21 KR KR1020137024614A patent/KR101551417B1/ko active IP Right Grant
- 2012-02-21 JP JP2013554676A patent/JP5795650B2/ja active Active
- 2012-02-21 AU AU2012219277A patent/AU2012219277B2/en active Active
- 2012-02-21 BR BR112013021009-5A patent/BR112013021009B1/pt active IP Right Grant
-
2015
- 2015-08-11 US US14/823,863 patent/US9996735B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159011A (zh) * | 2006-08-04 | 2008-04-09 | 索尼株式会社 | 面部检测装置、成像设备、和面部检测方法 |
CN101601053A (zh) * | 2006-12-01 | 2009-12-09 | 谷歌公司 | 使用面部识别识别图像 |
US20090252383A1 (en) * | 2008-04-02 | 2009-10-08 | Google Inc. | Method and Apparatus to Incorporate Automatic Face Recognition in Digital Image Collections |
US20100054600A1 (en) * | 2008-08-28 | 2010-03-04 | Microsoft Corporation | Tagging Images With Labels |
Non-Patent Citations (3)
Title |
---|
JAE YOUNG CHOI,ET AL.: "Collaborative Face Recognition for Improved Face Annotation in Personal Photo Collections Shared on Online Social Networks", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
RALPH GROSS,ET AL.: "Information Revelation and Privacy in Online Social Networks", 《PROCEEDINGS OF THE 2005 ACM WORKSHOP ON PRIVACY IN THE ELECTRONIC SOCIETY》 * |
ZAK STONE,ET AL.: "Toward Large-Scale Face Recognition Using Social Network Context", 《PROCEEDINGS OF THE IEEE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105657250A (zh) * | 2015-12-24 | 2016-06-08 | 广东欧珀移动通信有限公司 | 拍照控制方法及装置、显示控制方法及装置及拍照系统 |
CN105721778A (zh) * | 2016-03-25 | 2016-06-29 | 宇龙计算机通信科技(深圳)有限公司 | 拍摄数据的处理方法、拍摄数据的处理装置和终端 |
CN112449701A (zh) * | 2018-07-30 | 2021-03-05 | 谷歌有限责任公司 | 学习模板表示库 |
Also Published As
Publication number | Publication date |
---|---|
AU2012219277B2 (en) | 2016-10-20 |
EP2676222B1 (en) | 2018-09-19 |
WO2012112992A3 (en) | 2013-03-07 |
CN103503000B (zh) | 2017-09-12 |
KR101551417B1 (ko) | 2015-09-08 |
KR20130139338A (ko) | 2013-12-20 |
US9135500B2 (en) | 2015-09-15 |
BR112013021009B1 (pt) | 2022-03-03 |
US20160070957A1 (en) | 2016-03-10 |
JP2014515842A (ja) | 2014-07-03 |
WO2012112992A2 (en) | 2012-08-23 |
BR112013021009A2 (pt) | 2016-10-11 |
EP2676222A2 (en) | 2013-12-25 |
US20120213420A1 (en) | 2012-08-23 |
JP5795650B2 (ja) | 2015-10-14 |
AU2012219277A1 (en) | 2013-05-09 |
US9996735B2 (en) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103503000A (zh) | 面部识别 | |
US11941912B2 (en) | Image scoring and identification based on facial feature descriptors | |
US10755084B2 (en) | Face authentication to mitigate spoofing | |
US8416997B2 (en) | Method of person identification using social connections | |
JP5509753B2 (ja) | 認識結果を生成するためのシステム及び方法 | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
US9053357B2 (en) | Identifying images using face recognition | |
TWI724552B (zh) | 識別風險商家的方法及裝置 | |
CN109978033A (zh) | 同操作人识别模型的构建与同操作人识别的方法和装置 | |
WO2021189911A1 (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN111860377A (zh) | 基于人工智能的直播方法、装置、电子设备及存储介质 | |
WO2021139493A1 (zh) | 基于机器学习的访客身份认证方法、装置及计算机设备 | |
CN108334602B (zh) | 数据标注方法和装置、电子设备、计算机存储介质 | |
US20210019553A1 (en) | Information processing apparatus, control method, and program | |
CA2827639C (en) | Facial recognition | |
WO2021164122A1 (zh) | 智能化用户识别方法、装置及计算机可读存储介质 | |
CN114973374A (zh) | 基于表情的风险评测方法、装置、设备及存储介质 | |
Hoshino et al. | Inferencing the best AI service using Deep Neural Networks | |
KR102347028B1 (ko) | 공유 저작물 권리관리정보 제공 시스템 및 방법 | |
CN116127129A (zh) | 基于面审视频的团案识别方法、装置、电子设备及介质 | |
CN113920582A (zh) | 人体动作评分方法、装置、设备及存储介质 | |
CN114511856A (zh) | 医疗单类型的判断方法、系统、设备及介质 | |
CN113591916A (zh) | 基于二分类模型的数据处理方法及装置 | |
CN115459952A (zh) | 攻击检测方法、电子设备和计算机可读存储介质 | |
CN112559875A (zh) | 基于应用启动画面的资源推荐方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: American California Patentee after: Google limited liability company Address before: American California Patentee before: Google Inc. |
|
CP01 | Change in the name or title of a patent holder |