CN103902961B - 一种人脸识别方法及装置 - Google Patents
一种人脸识别方法及装置 Download PDFInfo
- Publication number
- CN103902961B CN103902961B CN201210587618.3A CN201210587618A CN103902961B CN 103902961 B CN103902961 B CN 103902961B CN 201210587618 A CN201210587618 A CN 201210587618A CN 103902961 B CN103902961 B CN 103902961B
- Authority
- CN
- China
- Prior art keywords
- facial image
- feature
- template
- face
- identified
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种人脸识别方法及装置，该方法包括：对经过预处理模板人脸图像和待识别人脸图像进行聚类特征提取；将提取的聚类特征输入到预先训练的聚类类别模型，确定聚类类别；对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；分别计算待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据确定的聚类类别选择预先确定的最佳权值组合及动态阈值，对提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；选择获得待识别人脸图像与模板人脸图像的综合相似度得分最高的与动态阈值比较；不小于动态阈值，通过识别；小于动态阈值，则拒识。
Description
技术领域
本发明涉及数字图像处理及基于计算机视觉的模式识别领域，特别涉及一种人脸识别方法及装置。
背景技术
生物特征识别技术是身份识别的有效技术，近来发展最快的是人脸识别技术以及与人脸识别技术相融合的生物特征识别技术。
为了提高人脸识别分类器的性能，目前普遍采用多特征加权融合。对于不同的特征，识别性能不尽相同，加权就是对不同的特征采用不同的权值进行融合。每个特征的权值是由该特征本身的特性(可分性，识别率等)所决定的，不同的融合特征对应不同的融合权值。对识别性能好的特征赋予较大的权值，而识别性能差的特征赋予较小的权重。
然而在实际应用过程中，由于应用场景的不同(如安防和现场监控等场景)或者识别对象外貌的遮挡信息特征的不同(如识别对象的眼镜、刘海和胡子等人脸遮挡物的变化)，使得不同条件下的特征融合的最佳权值也在发生变化，若固定各特征的融合权值以进行不同条件下的人脸识别，则将导致人脸识别的性能下降。
在安防和现场监控等场景中，模板库中数万张的人脸图片本身就存在光源差异，即采集设备迥异导致图片质量存在重大差异。例如：在不同光源下同一个人的人脸图片，三张图片分别为光线昏暗状态下的红外人脸图像，专业相机采集的闪光灯下的证件照，普通可见光摄像头采集的人脸图像。上述三种不同光源条件下采集成像的差异图片给人脸识别带来较大困难。
在识别对象外貌的遮挡信息特征不同的情况下，例如：识别人脸的外貌的遮挡信息特征由于有眼镜、刘海和胡子等人脸遮挡物的变化，从而使得一个人在不同环境下的差异性大于不同人相同环境下的差异性。在无约束场景应用中，人脸遮挡物的变化在增加识别困难的同时，也会影响不同场景中不同特征的识别性能。如注册图片和识别图片都戴眼镜，以及注册图片戴眼镜识别图片不戴眼镜，用来识别的某个特征的识别性能是有差异的。
因此，在人脸识别的应用过程中，在不同光源条件下或者在人脸外貌的遮挡信息特征的不同遮挡条件下，人脸的各个特征的识别性能并不恒定。如果在不同光源条件下或者不同外貌的遮挡信息特征条件下，仍然采用恒定的人脸识别的多特征的权值，则人脸识别的误判率增加，通过率降低。
发明内容
本发明的目的是提出一个自适应的多特征权值融合的人脸识别方案，解决识别条件变化，如光源不同或者外貌的遮挡信息特征发生变化等导致不同特征性能发生改变时，固定权值方案识别性能下降的问题。
本发明提供一种人脸识别方法，包括：
聚类特征提取步骤，用于对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
类别确定步骤，将提取的聚类特征输入到预先训练的聚类类别模型，确定所述模板人脸图像和待识别人脸图像的聚类类别；
识别特征提取步骤，用于对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
计算步骤，用于分别计算所述待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据所述类别确定步骤中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；
识别步骤，用于将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
本发明还提供一种人脸识别装置，包括：
聚类特征提取单元，用于对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
类别确定单元，将提取的聚类特征输入预先训练的聚类类别模型，确定所述模板人脸图像和待识别人脸图像的聚类类别；
识别特征提取单元，用于对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
计算单元，用于分别计算所述待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据所述类别确定步骤中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；
识别单元，用于将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
本发明提供的人脸识别方法及装置，采用了自适应的多特征融合的人脸识别方案，通过所述方案中获取到的所述N种识别特征与其在预先注册的人脸模板中的对应特征的相似度，并根据在所述确定步骤中确定的聚类特征(光源信息特征，和\或，遮挡信息特征)的类别，确定所述N种识别特征在进行加权融合时的最佳权值组合及对应的动态阈值，以获得所述人脸图像与所述人脸模板的综合相似度得分，从而使得该权值方案更灵活，能使人脸识别过程中的多特征融合性能始终保持最佳或接近于最佳，可以同时适应用于多种场景。与此同时，本发明技术方案还预设了动态阈值，通过将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识，从而可以鲁棒地反映图片采集环境的光源条件和/或遮挡条件，基于聚类的思想进行自适应识别，在判断光源场景和/或遮挡场景的同时，提升了识别通过率。
附图说明
图1为本发明实施例提供的一种人脸识别方法的流程图；
图2为本发明提供的一种人脸识别方法的实现原理框图；
图3为本发明实施例一提供的人脸识别方法的实现原理框图；
图4为本发明实施例二提供的人脸识别方法的实现原理框图；
图5为本发明实施例提供的一种人脸识别装置的结构示意图。
具体实施方式
在本发明技术方案实现的过程中，首先需要采集多种聚类特征条件下的人脸图像样本，以构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集；然后对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征。所述特征提取的主要内容是从人脸图片中提取可以反映外界不同光源环境信息特征或者可以反映人脸面部遮挡信息特征。再次根据从训练样本集中提取出的聚类特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数；所述聚类方法包括有监督聚类方法和无监督聚类方法；所述有监督的聚类方法包括LVQ方法、SVM方法、BP神经网络方法，所述无监督聚类方法包括K-均值方法、统计参数建模方法，ISODATA方法、竞争学习方法。最后根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取N种识别特征，并计算N种识别特征的相似度；根据人脸图像样本的最大化识别率或最小化等错率或最大化通过率获得所述测试人脸图像和注册人脸图像对的最佳权值的组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。人脸识别应用时，对测试人脸图像分别提取用于判断聚类类别的光源信息特征和\外貌的遮挡信息特征，以及用于身份识别的多类识别特征。根据光源信息特征和\外貌的遮挡信息特征将待识别图像划分到最近的聚类中心对应的类别中，获取相应的最佳权值及其对应的动态阈值，，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分，最后将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
如图1所示，为本发明实施例子提供的一种人脸识别方法，该方法包括：包括训练过程和识别过程；
所述训练过程包括：样本采集步骤、样本聚类特征提取步骤、分类模型生成步骤、最佳权值和动态阈值计算步骤；
所述样本采集步骤，用于采集多种聚类特征条件下的人脸图像样本，以构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集；
所述样本聚类特征提取步骤，用于对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
所述分类模型生成步骤，用于根据从训练样本集中提取出的聚类特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数；
所述最佳权值和动态阈值计算步骤，用于根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取N种识别特征，并计算N种识别特征的相似度；根据人脸图像样本的最大化识别率或最小化等错率或最大化通过率获得所述测试人脸图像和注册人脸图像对的最佳权值的组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。
所述识别过程包括：聚类特征提取步骤、类别确定步骤、识别特征提取步骤、计算步骤及识别步骤。
所述聚类特征提取步骤，用于对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
所述类别确定步骤，将提取的聚类特征输入到预先训练的聚类类别模型，确定所述模板人脸图像和待识别人脸图像的聚类类别；
所述识别特征提取步骤，用于对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
所述计算步骤，用于分别计算所述待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据所述类别确定步骤中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别步骤，用于将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
需要说明的是，本发明采用的动态阈值的通过判断方法，还可以通过选择所属类别的相似度调整量来修正综合相似度得分，进行通过判断。
因此，所述计算步骤还可以包括：获取所述待识别人脸图像与所有的模板人脸图像中第k个类别对应的相似度调整量；根据所述获取的相似度调整量，对所述获得待识别人脸图像与模板人脸图像的综合相似度得分进行调整，获取修正的待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别步骤还包括：选择所述获取的修正待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的修正综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
有关训练过程及识别过程的具体实现方式将通过两个具体实施例进行详细说明。
实施例一，设聚类特征为光源信息特征，如图2和图3所示为采用本发明人脸识别方法的实现原理框图其具体实现过程如下：
所述聚类特征为光源信息特征时，所述人脸识别方法的训练过程具体如下：
该实施例设注册集无光源环境变化，测试集有光源环境变化的情况。
步骤1：采集多种聚类特征条件下的人脸图像样本，构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集。
所述训练样本集涵盖各样光源条件下的样本。在本发明技术方案中，需要采集不同光源下的近红外图片、不同型号下的可见光图片，以及专业设备采集的证件照图片等，保证不同光源条件下都有对应的人脸图片集，并且图片数据量基本一致。在完成采样过程后，通常还需要对样本图像进行预处理。在本发明实施例中，对原始人脸图像进行的预处理主要包括人脸定位、图像对齐、尺寸调整、图像的灰度及方差的归一化处理。经过预处理后，所有图像尺寸相同、灰度统一到标准水平，且灰度层次比较分明。
步骤2：对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征；所述聚类特征包括：光源信息特征。
输入训练样本，提取光源信息特征，所述光源信息特征包括但不限于灰度均值、方差等特征。提取图像的灰度均值、方差的方法是本领域技术人员所公知的技术，本实施例不再赘述。
步骤3：分类模型生成。
根据从训练样本集中提取出的光源信息聚类特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数。所述聚类方法包括有监督聚类方法和无监督聚类方法；所述有监督的聚类方法包括LVQ方法、SVM方法、BP神经网络方法，所述无监督聚类方法包括K-均值方法、统计参数建模方法，ISODATA方法、竞争学习方法。
步骤4：最佳权值和动态阈值的获取，其具体获取过程如下：
首先，需要提取识别特征；根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取用于识别的P(P>＝2)种特征，包括但不限于局部二元模式特征(LBP)。
其次，分别计算K类样本的各识别特征的最佳权值组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。即对步骤3中已划分好的K类训练样本分别计算各识别特征的最佳权值，并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。
所述最佳权值可通过衡量各类样本的最大化识别率、最小化等错率、最大化通过率等方式获取。本发明采用识别率最大时的权值作为最佳权值，具体实施方式如下：
假设模板集T内共有人脸样本M个，T＝{t1，t2，…，tM}，模板ti对应标签为labelti(i＝1，…，M)。训练集X中被划分为第k类光源的集合Xk内共有人脸样本N个，Xk＝{x1，x2，…，xM}，训练样本xj对应标签为labelxj(j＝1，…，N)。用于识别的特征为P类。假设第k类最佳权值组合中第1个特征的权重为第k类最佳权值Wk可表示为总体最佳阈值W可表示为W＝{Wk，k＝1，…，K}。
给定一个训练样本xn与一个模板tm，各个特征之间的欧氏距离分别为给定某一组权值ω1，…，ωP，则训练样本xn和模板tm之间的综合距离为
将上述过程扩展到整个模板集T。给定一个训练样本xn，与模板集T的综合距离序列为模板集T中与训练样本xn最相近的模板距离为假设该最小距离对应的模板为tm，根据最近邻法则，判定该给定权值下样本xn与模板tm匹配。如果labeltm＝labelxn，则识别正确，否则识别错误。
将上述过程扩展到整个训练集合Xk和整个模板集T。给定训练集Xk，与模板集T的最小的综合距离序列为对应的匹配模板标签为labelrj(j＝1，…，N)，识别正确样本数识别率RecRate＝RecNum/N*100％。
按固定步长遍历权值组合，可得到不同的识别率，选择最大的识别率对应的权值组合记为该类最佳权值Wk，将错误接受率0.1％对应的相似度值记为阈值Tk。
其他类训练样本的最佳权值和动态阈值均可由此获得。
所述聚类特征为光源信息特征时，所述人脸识别方法的识别过程具体如下：
步骤1：采集待识别人脸图像，并采用与上述训练过程中相同的方法对采集的人脸图像进行预处理。所述预处理过程与上述训练过程中的预处理步骤一致，此处不再赘述。
步骤2：对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征；
所述提取过程与上述训练过程中的光源信息特征提取步骤一致。
步骤3：根据所述待识别人脸图像中提取出的所述聚类特征，从训练集的模板人脸图像聚类特征中获取与所述经过预处理的待识别人脸图像相匹配的聚类特征类别，从而确定所述待识别人脸图像的聚类特征的分类。具体的讲，就是根据所述光源信息特征，将测试图像光源类型划分到最近的训练模型中聚类中心对应的类别。
步骤4：提取识别特征，对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
所述提取识别特征步骤与上述训练过程中的识别特征提取步骤一致，此处不再赘述。
步骤5：通过多特征加权融合方法，获得所述人脸图像与所述人脸模板的综合相似度，并根据所述类别确定步骤中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分。该步骤具体实现过程如下：
首先，选取最佳权值；如果采样图像光源分类为第k类，则对应的最佳权值为Wk，相应阈值为Tk。
其次，假设注册集T内共有人脸样本M个，T＝{t1，t2，…，tM}，模板ti对应标签为labelti(i＝1，…，M)。将待识别人脸y与模板人脸tm的第l类特征值之间的欧式距离作为相似度按照上述获取的最佳权值Wk进行相似度融合，待识别人脸y和模板tm之间的综合相似度距离为：遍历整个注册集T，待识别人脸y与注册集T的综合距离序列为最相近的模板距离为假设该最小距离s0对应的模板为tm，则待识别人脸y与模板tm模板匹配。
步骤6：获得识别结果，将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
通过比较步骤5得到的最小欧氏距离，即最大相似度s0与预设阈值Tk的大小。如果s0≥Tk，则判断识别成功，识别结果为模板tm的标签labeltm；如果s0＜Tk，则拒识。
需要说明的是，本发明采用的动态阈值的通过判断方法，还可以通过选择所属类别的相似度调整量来修正综合相似度得分，进行通过判断。
因此，所述计算步骤还可以包括：获取所述待识别人脸图像与所有的模板人脸图像中第k个类别对应的相似度调整量；根据所述获取的相似度调整量，对所述获得待识别人脸图像与模板人脸图像的综合相似度得分进行调整，获取修正的待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别步骤还包括：选择所述获取的修正待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的修正综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
进一步的，可将本发明实施例推广至注册集和测试集均涉及光源变化的情况。将模板集和训练集分别聚类为K个类别，形成K*K个光源组合，分别获取各个光源组合下的最佳权值和阈值。人脸识别应用时，分别判断注册图像和测试图像所属的聚类类别，选择最佳权值进行识别特征的融合，提高识别性能。
还需要说明的是，所述的聚类特征，在实际应用不同的情况下，可以构造出不同的包含注册信息和识别信息的聚类特征。所述聚类特征可由三部分信息组成：识别图片的光源特征、对应的注册图片的光源特征以及识别得分。所述聚类特征也可以只有两部分组成：识别图片的光源特征，对应的注册图片的光源特征。
本发明提出一种基于聚类学习的动态多特征权值设定规则，这种规则涵盖了不同光源条件下人脸识别的多特征权值设定方案。对于新的测试样例，通过判断其光源类别或者注册-识别对的光源类别来自适应的选择通过多特征权值。相对固定权值方案，在不提升误识的同时提高识别通过率。
实施例二，设聚类特征为外貌的遮挡信息特征，即可以反映人脸面部遮挡信息特征，如图2和图4所示为采用本发明人脸识别方法的实现原理框图，其具体实现过程如下：其中，所述遮挡因素此实施例设为眼镜和眼镜反光组合。
所述聚类特征为反映人脸面部遮挡信息特征时，所述人脸识别方法的训练过程具体如下：
步骤1：采集多种聚类特征条件下的人脸图像样本，构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集。
所述训练样本集涵盖各样遮挡条件下样本。在本发明技术方案中，需要采集不戴眼镜、戴不同眼镜、不同眼镜反光下的人脸图片，保证不同遮挡条件下都有对应的人脸样本，并且采样人脸样本数据量基本一致。在完成采样过程后，通常还需要对样本图像进行预处理。在本发明实施例中，对原始人脸图像进行的预处理主要包括人脸定位、图像对齐、尺寸调整、图像的灰度及方差的归一化处理。经过预处理后，所有图像尺寸相同、灰度统一到标准水平，且灰度层次比较分明。
步骤2：对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征；所述聚类特征包括：遮挡信息特征。
输入训练样本，提取与反映人脸面部遮挡信息特征，所述遮挡信息特征包括但不限于灰度均值、方差等特征。提取图像的灰度均值、方差的方法是本领域技术人员所公知的技术，本实施例不再赘述。
步骤3：分类模型生成。
根据所述提取到的反映人脸面部遮挡信息特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数。所述聚类方法包括有监督聚类方法和无监督聚类方法；所述有监督的聚类方法包括LVQ方法、SVM方法、BP神经网络方法，所述无监督聚类方法包括K-均值方法、统计参数建模方法，ISODATA方法、竞争学习方法。
步骤4：最佳权值和动态阈值的获取，其具体获取过程如下：
首先，需要提取识别特征；
根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取用于识别的P(P>＝2)种特征，包括但不限于局部二元模式特征(LBP)。
其次，分别计算K类样本的各识别特征的最佳权值组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。即对步骤3中已划分好的K类训练样本分别计算各识别特征的最佳权值，并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。
所述最佳权值可通过衡量各类样本的最大化识别率、最小化等错率、最大化通过率等方式获取。本发明采用识别率最大时的权值作为最佳权值，具体实施方式如下：
假设模板集T内共有人脸样本M个，T＝{t1，t2，…，tM}，模板ti对应标签为labelti(i＝1，…，M)。训练集X中被划分为第k类遮挡的集合Xk内共有人脸样本N个，Xk＝{x1，x2，…，xM}，训练样本xj对应标签为labelxj(j＝1，…，N)。用于识别的特征为P类。假设第k类最佳权值组合中第1个特征的权重为第k类最佳权值Wk可表示为总体最佳阈值W可表示为W＝{Wk，k＝1，…，K}。
给定一个训练样本xn与一个模板tm，各个特征之间的欧氏距离分别为给定某一组权值ω1，…，ωP，则训练样本xn和模板tm之间的综合距离为
将上述过程扩展到整个模板集T。给定一个训练样本xn，与模板集T的综合距离序列为模板集T中与训练样本xn最相近的模板距离为假设该最小距离对应的模板为tm，根据最近邻法则，判定该给定权值下样本xn与模板tm匹配。如果labeltm＝labelxn，则识别正确，否则识别错误。
将上述过程扩展到整个训练集合Xk和整个模板集T。给定训练集Xk，与模板集T的最小的综合距离序列为对应的匹配模板标签为labelrj(j＝1，…，N)，识别正确样本数识别率RecRate＝RecNum/N*100％。
按固定步长遍历权值组合，可得到不同的识别率，选择最大的识别率对应的权值组合记为该类最佳权值Wk，将错误接受率0.1％对应的相似度值记为阈值Tk。
其他类训练样本的最佳权值和阈值均可由此获得。
所述聚类特征为反映人脸面部遮挡信息特征时，所述人脸识别方法的识别过程具体如下：
步骤1：采集人脸图像，并采用与上述训练过程中相同的方法对采集的人脸图像进行预处理。所述预处理过程与上述训练过程中的预处理步骤一致，此处不再赘述。
步骤2：对预处理后的图像提取反映人脸面部遮挡信息特征；
所述提取过程与上述训练过程中提取所述遮挡信息特征步骤一致，此处不再赘述。
步骤3：根据所述待识别人脸图像中提取出的所述聚类特征，从训练集的模板人脸图像聚类特征中获取与所述经过预处理的待识别人脸图像相匹配的聚类特征类别，从而确定所述待识别人脸图像的聚类特征的分类。具体的讲，就是根据所述光源信息特征，将测试图像光源类型划分到最近的训练模型中聚类中心对应的类别。
步骤4：提取识别特征，对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
所述提取识别特征步骤与上述训练过程中的识别特征提取步骤一致，此处不再赘述。
步骤5：通过多特征加权融合方法，，获得所述人脸图像与所述人脸模板的综合相似度，并根据所述类别确定步骤中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分。该步骤具体实现过程如下：
首先，选取最佳权值；
如果采样图像遮挡分类为第k类，则对应的最佳权值为Wk，相应阈值为Tk。
其次，假设注册集T内共有人脸样本M个，T＝{t1，t2，…，tM}，模板ti对应标签为labelti(i＝1，…，M)。将待识别人脸y与模板人脸tm的第l类特征值之间的欧式距离作为相似度按照所述获取的最佳权值Wk进行相似度融合，待识别人脸y和模板tm之间的综合相似度距离为：遍历整个注册集T，待识别人脸y与注册集T的综合距离序列为最相近的模板距离为假设该最小距离s0对应的模板为tm，则待识别人脸y与模板tm模板匹配。
步骤6：获得识别结果，将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
通过比较步骤5得到的最小欧氏距离，即最大相似度s0与预设阈值Tk的大小。如果s0≥Tk，则判断识别成功，识别结果为模板tm的标签labeltm；如果s0＜Tk，则拒识。
需要说明的是，本发明采用的动态阈值的通过判断方法，还可以通过选择所属类别的相似度调整量来修正综合相似度得分，进行通过判断。
因此，所述计算步骤还可以包括：获取所述待识别人脸图像与所有的模板人脸图像中第k个类别对应的相似度调整量；根据所述获取的相似度调整量，对所述获得待识别人脸图像与模板人脸图像的综合相似度得分进行调整，获取修正的待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别步骤还包括：选择所述获取的修正待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的修正综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
进一步的，可将本发明实施推广至注册集和测试集均涉及遮挡变化的情况。将模板集和训练集分别聚类为K个类别，形成K*K个遮挡组合，分别获取各个遮挡组合下的最佳权值和阈值。人脸识别应用时，分别判断注册图像和测试图像所属的聚类类别，选择最佳权值进行识别特征的融合，提高识别性能。
还需要说明的是，所述的聚类特征，在实际应用不同的情况下，可以构造出不同的包含注册信息和识别信息的聚类特征。所述聚类特征可由三部分信息组成：识别图片的光源特征、对应的注册图片的光源特征以及识别得分。所述聚类特征也可以只有两部分组成：识别图片的光源特征，对应的注册图片的光源特征。
本发明提出一种基于聚类学习的动态多特征权值设定规则，这种规则涵盖了不同遮挡条件下人脸识别的多特征权值设定方案。对于新的测试样例，通过判断其遮挡类别或者注册-识别对的遮挡类别来自适应的选择通过多特征权值。相对固定权值方案，在不提升误识的同时提高识别通过率。
如图5所示，为本发明实施例提供的一种人脸识别装置，该装置包括：
聚类特征提取单元501，用于对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
类别确定单元502，将提取的聚类特征输入到预先训练的聚类类别模型，确定所述模板人脸图像和待识别人脸图像的聚类类别；
识别特征提取单元503，用于对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
计算单元504，用于分别计算所述待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据所述类别确定单元中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；
识别单元505，用于将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
需要说明的是，本发明采用的动态阈值的通过判断方法，还可以通过选择所属类别的相似度调整量来修正综合相似度得分，进行通过判断。
因此，所述计算单元还可以用于获取所述待识别人脸图像与所有的模板人脸图像中第k个类别对应的相似度调整量；根据所述获取的相似度调整量，对所述获得待识别人脸图像与模板人脸图像的综合相似度得分进行调整，获取修正的待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别单元还可以用于选择所述获取的修正待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的修正综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
还需要说明的是，该装置还包括：
样本采集单元506，用于采集多种聚类特征条件下的人脸图像样本，以构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集；
样本聚类特征提取单元507，用于对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征；
分类模型生成单元508，用于根据从训练样本集中提取出的聚类特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数；
最佳权值和动态阈值计算单元509，用于根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取N种识别特征，并计算N种识别特征的相似度；根据人脸图像样本的最大化识别率或最小化等错率或最大化通过率获得所述测试人脸图像和注册人脸图像对的最佳权值的组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。
以上所述聚类方法包括有监督聚类方法和无监督聚类方法；所述有监督的聚类方法包括LVQ方法、SVM方法、BP神经网络方法，所述无监督聚类方法包括K-均值方法、统计参数建模方法，ISODATA方法、竞争学习方法。所述光源信息特征包括：人脸图像样本的灰度均值特征、方差特征；所述遮挡信息特征包括：人脸图像样本的灰度均值特征、方差特征、LBP特征。
本发明提供的人脸识别方法及装置，采用了自适应的多特征融合的人脸识别方案，通过所述方案中获取到的所述N种识别特征与其在预先注册的人脸模板中的对应特征的相似度，并根据在所述确定步骤中确定的聚类特征(光源信息特征，和\或，遮挡信息特征)的类别，确定所述N种识别特征在进行加权融合时的最佳权值组合，以获得所述人脸图像与所述人脸模板的综合相似度。从而使得该权值方案更灵活，能使人脸识别过程中的多特征融合性能始终保持最佳或接近于最佳，可以同时适应用于多种场景。与固定权值方案相比，本发明实现方案在不提升误识的同时提高识别通过率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如下步骤：(方法的步骤)，所述的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种人脸识别方法，其特征在于，包括：
聚类特征提取步骤，用于对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
类别确定步骤，将提取的聚类特征输入到预先训练的聚类类别模型，确定所述模板人脸图像和待识别人脸图像的聚类类别；
识别特征提取步骤，用于对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
计算步骤，用于分别计算所述待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据所述类别确定步骤中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；
识别步骤，用于将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
2.根据权利要求1所述的人脸识别方法，其特征在于，
所述计算步骤还包括：获取所述待识别人脸图像与所有的模板人脸图像中第k个类别对应的相似度调整量；根据所述获取的相似度调整量，对所述获得的待识别人脸图像与模板人脸图像的综合相似度得分进行调整，获取修正的待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别步骤还包括：选择所述获取的修正的待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的修正综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
3.根据权利要求1或2所述的人脸识别方法，其特征在于，在识别特征提取步骤之前包括：
样本采集步骤，用于采集多种聚类特征条件下的人脸图像样本，以构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集；
样本聚类特征提取步骤，用于对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征；
分类模型生成步骤，用于根据从训练样本集中提取出的聚类特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数；
最佳权值和动态阈值计算步骤，用于根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取N种识别特征，并计算N种识别特征的相似度；根据人脸图像样本的最大化识别率或最小化等错率或最大化通过率获得所述测试人脸图像和注册人脸图像对的最佳权值的组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述聚类方法包括有监督聚类方法和无监督聚类方法；所述有监督的聚类方法包括LVQ方法、SVM方法、BP神经网络方法，所述无监督聚类方法包括K-均值方法、统计参数建模方法，ISODATA方法、竞争学习方法。
5.根据权利要求4所述的人脸识别方法，其特征在于，所述光源信息特征包括：人脸图像样本的灰度均值特征、方差特征；所述遮挡信息特征包括：人脸图像样本的灰度均值特征、方差特征、LBP特征。
6.一种人脸识别装置，其特征在于，包括：
聚类特征提取单元，用于对经过预处理的模板人脸图像和待识别人脸图像进行聚类特征提取；所述聚类特征包括：光源信息特征，和\或，遮挡信息特征；
类别确定单元，将提取的聚类特征输入到预先训练的聚类类别模型，确定所述模板人脸图像和待识别人脸图像的聚类类别；
识别特征提取单元，用于对经过预处理的模板人脸图像与待识别人脸图像分别进行N种识别特征的提取，其中N为大于1的自然数；
计算单元，用于分别计算所述待识别人脸图像的与模板人脸图像的N种识别特征的相似度，并根据所述类别确定单元中确定的聚类类别选择预先确定的最佳权值组合及对应的动态阈值，对所述提取的N种识别特征的相似度进行加权融合，获得待识别人脸图像与模板人脸图像的综合相似度得分；
识别单元，用于将待识别人脸图像与所有的模板人脸图像进行匹配，选择所述获得待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
7.根据权利要求6所述的人脸识别装置，其特征在于，
所述计算单元，还用于获取所述待识别人脸图像与所有的模板人脸图像中第k个类别对应的相似度调整量；根据所述获取的相似度调整量，对所述获得的待识别人脸图像与模板人脸图像的综合相似度得分进行调整，获取修正的待识别人脸图像与模板人脸图像的综合相似度得分；
所述识别单元，还用于选择所述获取的修正的待识别人脸图像与模板人脸图像的综合相似度得分最高的；将所述最高的修正综合相似度得分与所述动态阈值比较，如果不小于所述动态阈值，判断所述待识别人脸图像为综合相似度最高得分对应的人脸模板，通过识别；如果小于所述动态阈值，则拒识。
8.根据权利要求6或7所述的人脸识别装置，其特征在于，还包括：
样本采集单元，用于采集多种聚类特征条件下的人脸图像样本，以构造训练样本集，所述训练样本集包括：测试人脸图像集和注册人脸图像集；
样本聚类特征提取单元，用于对训练样本集中的测试人脸图像和注册人脸图像分别提取特征，组成聚类特征；
分类模型生成单元，用于根据从训练样本集中提取出的聚类特征，采用聚类方法得到K类聚类类别模型，其中，K为正整数；
最佳权值和动态阈值计算单元，用于根据所述聚类类别模型将所述测试人脸图像和注册人脸图像对划分为多个样本集，对每个样本集中的测试人脸图像和注册人脸图像对分别提取N种识别特征，并计算N种识别特征的相似度；根据人脸图像样本的最大化识别率或最小化等错率或最大化通过率获得所述测试人脸图像和注册人脸图像对的最佳权值的组合；并根据所述每个样本集中的测试人脸图像和注册人脸图像对的识别结果设定在人脸识别过程中的给定误识下的动态阈值。
9.根据权利要求8所述的人脸识别装置，其特征在于，所述聚类方法包括有监督聚类方法和无监督聚类方法；所述有监督的聚类方法包括LVQ方法、SVM方法、BP神经网络方法，所述无监督聚类方法包括K-均值方法、统计参数建模方法，ISODATA方法、竞争学习方法。
10.根据权利要求9所述的人脸识别装置，其特征在于，所述光源信息特征包括：人脸图像样本的灰度均值特征、方差特征；所述遮挡信息特征包括：人脸图像样本的灰度均值特征、方差特征、LBP特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210587618.3A CN103902961B (zh) | 2012-12-28 | 2012-12-28 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210587618.3A CN103902961B (zh) | 2012-12-28 | 2012-12-28 | 一种人脸识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103902961A CN103902961A (zh) | 2014-07-02 |
| CN103902961B true CN103902961B (zh) | 2017-02-15 |
Family
ID=50994274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210587618.3A Active CN103902961B (zh) | 2012-12-28 | 2012-12-28 | 一种人脸识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103902961B (zh) |
Families Citing this family (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573642B (zh) * | 2014-12-26 | 2018-09-04 | 小米科技有限责任公司 | 人脸识别方法及装置 |
| CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
| CN105741267B (zh) * | 2016-01-22 | 2018-11-20 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
| CN105760817A (zh) * | 2016-01-28 | 2016-07-13 | 深圳泰首智能技术有限公司 | 用人脸识别认证解锁加密存储空间的方法及装置 |
| CN105868695B (zh) * | 2016-03-24 | 2019-04-02 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
| CN108121943B (zh) * | 2016-11-30 | 2022-05-06 | 阿里巴巴集团控股有限公司 | 基于图片的判别方法及装置和计算设备 |
| CN108241836A (zh) * | 2016-12-23 | 2018-07-03 | 同方威视技术股份有限公司 | 用于安检的方法及装置 |
| TWI731919B (zh) * | 2017-01-19 | 2021-07-01 | 香港商斑馬智行網絡（香港）有限公司 | 圖像識別方法與裝置及度量學習方法與裝置 |
| CN107832657A (zh) * | 2017-09-19 | 2018-03-23 | 浙江广锐信息科技有限公司 | 图像处理方法和装置 |
| CN109583278B (zh) * | 2017-09-29 | 2021-08-24 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| CN107766807A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技（深圳）有限公司 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
| CN107766824A (zh) * | 2017-10-27 | 2018-03-06 | 广东欧珀移动通信有限公司 | 人脸识别方法、移动终端以及计算机可读存储介质 |
| CN107784309A (zh) * | 2017-11-01 | 2018-03-09 | 深圳汇生通科技股份有限公司 | 一种对车型识别的实现方法及系统 |
| CN108052864B (zh) * | 2017-11-17 | 2019-04-26 | 平安科技（深圳）有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
| CN108229321B (zh) * | 2017-11-30 | 2021-09-21 | 北京市商汤科技开发有限公司 | 人脸识别模型及其训练方法和装置、设备、程序和介质 |
| CN108154092B (zh) * | 2017-12-13 | 2022-02-22 | 北京小米移动软件有限公司 | 人脸特征预测方法及装置 |
| CN110032912A (zh) * | 2018-01-11 | 2019-07-19 | 富士通株式会社 | 人脸验证方法和装置及计算机存储介质 |
| CN108733819B (zh) * | 2018-05-22 | 2021-07-06 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
| CN110555338A (zh) * | 2018-05-30 | 2019-12-10 | 北京三星通信技术研究有限公司 | 对象识别方法和装置、神经网络生成方法和装置 |
| CN108764348B (zh) * | 2018-05-30 | 2020-07-10 | 口口相传(北京)网络技术有限公司 | 基于多个数据源的数据采集方法及系统 |
| CN108985174A (zh) * | 2018-06-19 | 2018-12-11 | 杭州创匠信息科技有限公司 | 会员认证方法和装置 |
| CN109002796B (zh) * | 2018-07-16 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种图像采集方法、装置和系统以及电子设备 |
| CN109508658B (zh) * | 2018-10-29 | 2020-07-14 | 国家电网有限公司 | 一种多生物特征联合识别方法及装置 |
| CN109583326A (zh) * | 2018-11-12 | 2019-04-05 | 平安科技（深圳）有限公司 | 基于人脸识别验证外包员工的方法、装置和计算机设备 |
| CN111191655B (zh) * | 2018-11-14 | 2024-04-16 | 佳能株式会社 | 对象识别方法和装置 |
| CN111401112B (zh) * | 2019-01-03 | 2024-06-18 | 北京京东尚科信息技术有限公司 | 人脸识别方法和装置 |
| CN109800699A (zh) * | 2019-01-15 | 2019-05-24 | 珠海格力电器股份有限公司 | 图像识别方法、系统及装置 |
| CN109815887B (zh) * | 2019-01-21 | 2020-10-16 | 浙江工业大学 | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 |
| CN109902581B (zh) * | 2019-01-28 | 2020-11-10 | 重庆邮电大学 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
| CN111860062B (zh) * | 2019-04-29 | 2023-11-24 | 中国移动通信集团河北有限公司 | 人脸识别样本处理方法及装置 |
| CN110222789B (zh) * | 2019-06-14 | 2023-05-26 | 腾讯科技（深圳）有限公司 | 图像识别方法及存储介质 |
| CN110569826B (zh) * | 2019-09-18 | 2022-05-24 | 深圳市捷顺科技实业股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
| CN112766013A (zh) * | 2019-10-21 | 2021-05-07 | 深圳君正时代集成电路有限公司 | 一种人脸识别中进行多级筛选的识别方法 |
| CN110969189B (zh) * | 2019-11-06 | 2023-07-25 | 杭州宇泛智能科技有限公司 | 人脸检测方法、装置及电子设备 |
| CN110991314B (zh) * | 2019-11-28 | 2023-11-10 | 以萨技术股份有限公司 | 一种基于人脸聚类精准度的测试方法及系统 |
| SG10202000100YA (en) * | 2020-01-06 | 2020-07-29 | Alipay Labs Singapore Pte Ltd | Biometric based user identity verification |
| TWI792017B (zh) * | 2020-07-01 | 2023-02-11 | 義隆電子股份有限公司 | 生物特徵的辨識系統及辨識方法 |
| CN112347842B (zh) * | 2020-09-11 | 2024-05-24 | 博云视觉（北京）科技有限公司 | 一种基于关联图的离线人脸聚类方法 |
| CN112417184B (zh) * | 2020-11-23 | 2021-05-25 | 上海点泽智能科技有限公司 | 多场景特征信息存储结构及其比对方法、设备和存储介质 |
| CN112818867B (zh) * | 2021-02-02 | 2024-05-31 | 浙江大华技术股份有限公司 | 人像聚类方法、设备及存储介质 |
| CN113377984B (zh) * | 2021-06-08 | 2023-09-15 | 中山大学 | 一种基于数据库的人脸搜索方法 |
| CN113255594B (zh) * | 2021-06-28 | 2024-09-17 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、神经网络 |
| CN113553261B (zh) * | 2021-07-22 | 2023-09-15 | 上汽通用五菱汽车股份有限公司 | 软件自动化测试方法、设备及计算机可读存储介质 |
| CN113807319B (zh) * | 2021-10-15 | 2024-09-24 | 云从科技集团股份有限公司 | 人脸识别优化方法、装置、设备和介质 |
| CN113989886B (zh) * | 2021-10-22 | 2024-04-30 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
| CN114038047A (zh) * | 2021-11-26 | 2022-02-11 | 华中科技大学鄂州工业技术研究院 | 一种人脸验证方法、装置及存储介质 |
| CN115019365B (zh) * | 2022-05-23 | 2024-04-09 | 北京计算机技术及应用研究所 | 一种基于模型适用性度量的分级人脸识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1908960A (zh) * | 2005-08-02 | 2007-02-07 | 中国科学院计算技术研究所 | 一种基于特征分组的多分类器组合人脸识别方法 |
| CN101587543A (zh) * | 2009-06-19 | 2009-11-25 | 电子科技大学 | 一种人脸识别方法 |
| CN101777131A (zh) * | 2010-02-05 | 2010-07-14 | 西安电子科技大学 | 双模人脸识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070297675A1 (en) * | 2006-06-26 | 2007-12-27 | Shih-Jong J. Lee | Method of directed feature development for image pattern recognition |
-
2012
- 2012-12-28 CN CN201210587618.3A patent/CN103902961B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1908960A (zh) * | 2005-08-02 | 2007-02-07 | 中国科学院计算技术研究所 | 一种基于特征分组的多分类器组合人脸识别方法 |
| CN101587543A (zh) * | 2009-06-19 | 2009-11-25 | 电子科技大学 | 一种人脸识别方法 |
| CN101777131A (zh) * | 2010-02-05 | 2010-07-14 | 西安电子科技大学 | 双模人脸识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103902961A (zh) | 2014-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103902961B (zh) | 一种人脸识别方法及装置 | |
| CN101216884B (zh) | 一种人脸认证的方法及系统 | |
| CN103902962B (zh) | 一种遮挡或光源自适应人脸识别方法和装置 | |
| CN103136504B (zh) | 人脸识别方法及装置 | |
| CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
| CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
| CN106650693A (zh) | 一种用于人脸比对的多特征融合识别算法 | |
| KR100944247B1 (ko) | 얼굴 인식 방법 및 시스템 | |
| CN106529414A (zh) | 一种通过图像比对实现结果认证的方法 | |
| CN105426875A (zh) | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 | |
| CN107438854A (zh) | 使用移动设备捕获的图像执行基于指纹的用户认证的系统和方法 | |
| CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
| CN106056064A (zh) | 一种人脸识别方法及人脸识别装置 | |
| CN105138954A (zh) | 一种图像自动筛选查询识别系统 | |
| CN106650574A (zh) | 基于PCANet的人脸识别方法 | |
| CN109377429A (zh) | 一种人脸识别素质教育智慧评价系统 | |
| CN113221655A (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
| CN109977887A (zh) | 一种抗年龄干扰的人脸识别方法 | |
| CN109977867A (zh) | 一种基于机器学习多特征融合的红外活体检测方法 | |
| CN111797696A (zh) | 一种现场自主学习的人脸识别系统和方法 | |
| CN110119695A (zh) | 一种基于特征融合和机器学习的虹膜活性检测方法 | |
| CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
| CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
| Gale et al. | Evolution of performance analysis of iris recognition system by using hybrid methods of feature extraction and matching by hybrid classifier for iris recognition system | |
| CN110443577A (zh) | 一种基于人脸识别的校园考勤系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |