CN105913051B - 一种识别人脸图像的模版库的更新装置及方法 - Google Patents
一种识别人脸图像的模版库的更新装置及方法 Download PDFInfo
- Publication number
- CN105913051B CN105913051B CN201610363373.4A CN201610363373A CN105913051B CN 105913051 B CN105913051 B CN 105913051B CN 201610363373 A CN201610363373 A CN 201610363373A CN 105913051 B CN105913051 B CN 105913051B
- Authority
- CN
- China
- Prior art keywords
- template
- angle value
- value
- user
- facial image
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种识别人脸图像的模版库的更新装置及方法,该更新方法包括:根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的该用户的人脸图像的匹配度值;根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,可以使更新后的模版库中包括最近一次采集的用户的人脸图像,从而可以使模版库能够随着用户的外貌的细微变化得到不断地更新,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种识别人脸图像的模版库的更新装置及方法。
背景技术
目前,人脸识别技术已经被广泛应用到视频监控、考勤记录、门禁等场合。
在现有的人脸识别装置中,一般设置有一个模版库,该模版库中针对每个用户保存有一个固定的模版,人脸识别装置通过采集用户的人脸图像并与模版库中保存的该用户的模版进行比对来识别用户。
在用户长期使用人脸识别装置的过程中,用户的外貌可能会发生变化,比如肥瘦程度的改变,发型的改变,化妆、素颜的改变等。现有的人脸识别装置的模版库针对每个用户仅保存一个固定的模版,已经不能满足对于人脸识别的高准确度和高效率的要求。
因此,如何更新人脸识别装置的模版库,是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此,本发明实施例提供了一种识别人脸图像的模版库的更新装置及方法,用以更新人脸识别装置的模版库。
因此,本发明实施例提供了一种识别人脸图像的模版库的更新方法,包括:
根据当前采集的人脸图像,计算所述模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库。
在一种可能的实现方式中,在本发明实施例提供的上述更新方法中,所述根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
在该用户的所有模版中选择所述匹配度值最低的模版从所述模版库中删除。
在一种可能的实现方式中,在本发明实施例提供的上述更新方法中,所述根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将该用户的所有模版按照所述匹配度值从大到小的顺序排列,保留前N个模版,删除其他模版;其中,N为正整数。
在一种可能的实现方式中,在本发明实施例提供的上述更新方法中,所述根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将计算出的该用户的所有模版的所述匹配度值与阈值进行比较;
确定所述匹配度值小于所述阈值的模版的数量是否大于预设值;
若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前M个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,M为大于1的正整数;在所述匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择所述匹配度值最低的模版从所述模版库中删除。
本发明实施例还提供了一种识别人脸图像的模版库的更新方法,包括:
根据当前采集的人脸图像,计算所述模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
对于计算次数达到第一预设值k的模版,根据最近k次计算出的该模版的所述匹配度值,计算该模版的加权匹配度值;其中,k为大于1的正整数;
根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库。
在一种可能的实现方式中,在本发明实施例提供的上述更新方法中,所述根据最近k次计算出的该模版的所述匹配度值,计算该模版的加权匹配度值,具体包括:
根据下面的公式计算该模版的加权匹配度值:
其中,V是该模版的加权匹配度值,Pa是第a次计算出的该模版的匹配度值,wa是Pa对应的权重。
在一种可能的实现方式中,在本发明实施例提供的上述更新方法中,所述根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值进行比较,将数值最低的模版从所述模版库中删除。
在一种可能的实现方式中,在本发明实施例提供的上述更新方法中,所述根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值分别与阈值进行比较;
确定所述匹配度值小于所述阈值的模版的数量和所述加权匹配度值小于所述阈值的模版的数量之和是否大于第二预设值;
若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量、所述加权匹配度值小于所述阈值的模版的对应的特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值以及所述加权匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前Q个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,Q为大于1的正整数;在所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择数值最低的模版从所述模版库中删除。
本发明实施例还提供了一种识别人脸图像的模版库的更新装置,包括:
计算模块,用于根据当前采集的人脸图像,计算模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
更新模块,用于根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库。
在一种可能的实现方式中,在本发明实施例提供的上述更新装置中,所述更新模块,具体用于在该用户的所有模版中选择所述匹配度值最低的模版从所述模版库中删除。
在一种可能的实现方式中,在本发明实施例提供的上述更新装置中,所述更新模块,具体用于将该用户的所有模版按照所述匹配度值从大到小的顺序排列,保留前N个模版,删除其他模版;其中,N为正整数。
在一种可能的实现方式中,在本发明实施例提供的上述更新装置中,所述更新模块,具体用于将计算出的该用户的所有模版的所述匹配度值与阈值进行比较;确定所述匹配度值小于所述阈值的模版的数量是否大于预设值;若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前M个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,M为大于1的正整数;在所述匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择所述匹配度值最低的模版从所述模版库中删除。
本发明实施例还提供了一种识别人脸图像的模版库的更新装置,包括:
第一计算模块,用于根据当前采集的人脸图像,计算所述模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
第二计算模块,用于对于计算次数达到第一预设值k的模版,根据最近k次计算出的该模版的所述匹配度值,计算该模版的加权匹配度值;其中,k为大于1的正整数;
更新模块,用于根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库。
在一种可能的实现方式中,在本发明实施例提供的上述更新装置中,所述第二计算模块,具体用于根据下面的公式计算该模版的加权匹配度值:
其中,V是该模版的加权匹配度值,Pa是第a次计算出的该模版的匹配度值,wa是Pa对应的权重。
在一种可能的实现方式中,在本发明实施例提供的上述更新装置中,所述更新模块,具体用于将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值进行比较,将数值最低的模版从所述模版库中删除。
在一种可能的实现方式中,在本发明实施例提供的上述更新装置中,所述更新模块,具体用于将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值分别与阈值进行比较;确定所述匹配度值小于所述阈值的模版的数量和所述加权匹配度值小于所述阈值的模版的数量之和是否大于第二预设值;若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量、所述加权匹配度值小于所述阈值的模版的对应的特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值以及所述加权匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前Q个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,Q为大于1的正整数;在所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择数值最低的模版从所述模版库中删除。
本发明实施例提供的上述识别人脸图像的模版库的更新装置及方法,该更新方法包括:根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的该用户的人脸图像的匹配度值;根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,可以使更新后的模版库中包括最近一次采集的用户的人脸图像,从而可以使模版库能够随着用户的外貌的细微变化得到不断地更新,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
附图说明
图1-图4分别为本发明实施例提供的识别人脸图像的模版库的更新方法的流程图之一;
图5为本发明实施例提供的识别人脸图像的模版库的更新装置的结构示意图之一;
图6-图8分别为本发明实施例提供的识别人脸图像的模版库的更新方法的流程图之二;
图9为本发明实施例提供的识别人脸图像的模版库的更新装置的结构示意图之二。
具体实施方式
下面结合附图,对本发明实施例提供的识别人脸图像的模版库的更新装置及方法的具体实施方式进行详细地说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的一种识别人脸图像的模版库的更新方法,如图1所示,包括:
S101、根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的人脸图像的匹配度值;
S102、根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库。
本发明实施例提供的上述更新方法,可以使更新后的模版库中包括最近一次采集的用户的人脸图像,从而可以使模版库能够随着用户的外貌的细微变化得到不断地更新,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
需要说明的是,在本发明实施例提供的上述更新方法中,每个用户保存在模版库中的模版的数量可以根据实际情况(例如系统资源)进行设定,在系统资源允许的情况下,模版库中每个用户的模版的数量越多,人脸识别的准确度越高,但会导致人脸识别的耗时越长,因此,综合考虑,可以将每个用户保存在模版库中的模版的数量控制在5-10张的范围内,在此不做具体限定。
在具体实施时,在本发明实施例提供的上述更新方法中,在最初始的状态下,每个用户在模版库中只保存有一张模版,在后续的人脸识别过程中,每采集一张用户的人脸图像,就将采集的该用户的人脸图像保存在模版库中作为该用户的模版,直至该用户在模版库中保存的模版的数量达到预设的数量。
在具体实施时,在本发明实施例提供的上述更新方法中,在采集用户的人脸图像后,在识别当前采集的人脸图像为用户A时,仅对模版库中用户A的模版进行更新,不对模版库中其他用户的模版做出改变;在当前采集的人脸图像没有任何匹配的用户时,不对模版库中的各用户的模版做出改变。
在具体实施时,在执行本发明实施例提供的上述更新方法中的步骤S102,根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库时,如图2所示,具体可以包括如下步骤:
S201、在该用户的所有模版中选择匹配度值最低的模版从模版库中删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,每采集一次用户的人脸图像,则对模版库中该用户的模版进行一次更新,并且,使更新后的模版库中每个用户的模版包括与该用户的当前外貌匹配度值最高的多张模版和最近一次采集的该用户的人脸图像,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
在具体实施时,在本发明实施例提供的上述更新方法中,并非局限于如图2所示的在模版库中用户的模版的数量达到预设的数量之后,每次采集一次用户的人脸图像则更新一次该用户的模版,还可以在模版库中用户的模版的数量达到预设的数量之后,在每次采集用户的人脸图像之后暂时不对该用户的模版进行更新,而是在设备维护的时候再对所有用户的模版同时进行更新,即在执行本发明实施例提供的上述人脸识别方法中的步骤S102,根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库时,如图3所示,具体可以包括如下步骤:
S301、将该用户的所有模版按照匹配度值从大到小的顺序排列,保留前N个模版,删除其他模版,将当前采集的人脸图像作为该用户的模版存入模版库;其中,N为正整数;具体地,N比模版库中该用户保存的模板的数量小1,即保留的前N个模版和当前采集的人脸图像即为模版库中该用户保存的模板;这样,通过在设备维护时完成对模版库的更新,使更新后的模版库中每个用户的模版包括与该用户的当前外貌匹配度值最高的多张模版和最近一次采集的该用户的人脸图像,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
在具体实施时,在本发明实施例提供的上述更新方法中,在用户的外貌突然发生大的变化时,例如,戴眼镜、刮胡子等,可能会出现用户的某张或某些模版在历史识别过程中匹配度值极高而在最近一次识别过程中匹配度值极低,或者,用户的大部分模版在最近一次识别过程中匹配度值极低的现象,这样,对模版库中该用户的模版进行更新可能会出现在历史识别过程中匹配度值极高的部分或全部模版被删除的问题,从而可能会影响人脸识别的准确度和效率。
基于此,在执行本发明实施例提供的上述更新方法中的步骤S102,根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库时,如图4所示,具体可以包括如下步骤:
S401、将计算出的该用户的所有模版的匹配度值与阈值进行比较;
具体地,阈值的大小可以根据实际情况进行设定,在此不做限定;
S402、确定匹配度值小于阈值的模版的数量是否大于预设值;若是,则执行步骤S403-步骤S406;
具体地,预设值的大小可以根据实际情况进行设定,在此不做限定;例如,可以在用户的所有模版中有一半甚至一半以上的模版的匹配度值小于阈值时,执行步骤S403-步骤S406;
S403、分别计算匹配度值小于阈值的模版的多个特征分量以及当前采集的人脸图像的对应的特征分量;
具体地,特征分量可以包括:嘴角点的距离、鼻尖位置、眼的宽度、鼻尖与双眼连线的垂直距离、人脸左右边界的距离、嘴巴的宽度、两眼中心与左嘴角水平距离、两眼外侧的水平距离、外侧眼角与鼻项的水平距离、嘴巴中点与鼻尖的垂直距离以及鼻尖与嘴角的距离等;例如,可以计算匹配度值小于阈值的模版的嘴角点的距离、鼻尖位置和眼的宽度这三个特征分量,并计算当前采集的人脸图像的嘴角点的距离、鼻尖位置和眼的宽度这三个特征分量;
S404、分别计算匹配度值小于阈值的模版的各特征分量与当前采集的人脸图像的对应的特征分量的差值;
例如,可以计算匹配度值小于阈值的模版的嘴角点的距离与当前采集的人脸图像的嘴角点的距离的差值,计算匹配度值小于阈值的模版的鼻尖位置与当前采集的人脸图像的鼻尖位置的差值,计算匹配度值小于阈值的模版的眼的宽度与当前采集的人脸图像的眼的宽度的差值;
S405、针对每个特征分量,将匹配度值小于阈值的模版按照该特征分量的差值从大到小的顺序排列,在前M个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,M为大于1的正整数;
例如,针对嘴角点的距离这个特征分量,将匹配度值小于阈值的模版按照该特征分量的差值从大到小的顺序排列,选择前M个模版,即这M个模版的嘴角点的距离这个特征分量与当前采集的人脸图像的嘴角点的距离这个特征分量的差值较大,需要说明的是,M的大小可以根据实际情况进行设定,在此不做限定;然后从这M个模版中选择除了嘴角点的距离这个特征分量外的其他特征分量的差值的平方和最小的模版为特征模版,即特征模版的欧式距离最小,欧式距离满足如下公式:其中,de为欧式距离,Rb为模版除了嘴角点的距离这个特征分量以外的其他特征分量中的第b个特征分量,Xb为当前采集的人脸图像与模版的特征分量Rb对应的特征分量,m为大于1的整数;
S406、在匹配度值小于阈值的模版中除了特征模版以外的其他模版中选择匹配度值最低的模版从模版库中删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,可以在用户的某张或某些模版在历史识别过程中匹配度值极高而在最近一次识别过程中匹配度值极低,或者,用户的大部分模版在最近一次识别过程中匹配度值极低时,采用定位五官特征点综合识别人脸图像的方法对模版库中用户的模版进行二次判断,从而可以避免在用户的外貌突然发生大的变化时,例如,戴眼镜、刮胡子等,对模版库中该用户的模版进行更新可能会出现在历史识别过程中匹配度值极高的部分或全部模版被删除的问题,从而可以进一步地降低对模版库中用户的模版进行更新的随机性和不确定性,进而可以进一步地提高人脸识别的准确度和效率。
基于同一发明构思,本发明实施例还提供了一种识别人脸图像的模版库的更新装置,如图5所示,包括:
计算模块501,用于根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的人脸图像的匹配度值;
更新模块502,用于根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库。
在具体实施时,在本发明实施例提供的上述更新装置中,如图5所示,更新模块502,具体用于在该用户的所有模版中选择匹配度值最低的模版从模版库中删除。
在具体实施时,在本发明实施例提供的上述更新装置中,如图5所示,更新模块502,具体用于将该用户的所有模版按照匹配度值从大到小的顺序排列,保留前N个模版,删除其他模版;其中,N为正整数。
在具体实施时,在本发明实施例提供的上述更新装置中,如图5所示,更新模块502,具体用于将计算出的该用户的所有模版的匹配度值与阈值进行比较;确定匹配度值小于阈值的模版的数量是否大于预设值;若是,分别计算匹配度值小于阈值的模版的多个特征分量以及当前采集的人脸图像的对应的特征分量;分别计算匹配度值小于阈值的模版的各特征分量与当前采集的人脸图像的对应的特征分量的差值;针对每个特征分量,将匹配度值小于阈值的模版按照该特征分量的差值从大到小的顺序排列,在前M个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,M为大于1的正整数;在匹配度值小于阈值的模版中除了特征模版以外的其他模版中选择匹配度值最低的模版从模版库中删除。
需要说明的是,本发明实施例提供的上述更新装置的具体实施可以参见上述更新方法的实施例,重复之处不再赘述。
基于同一发明构思,本发明实施例还提供了一种识别人脸图像的模版库的更新方法,如图6所示,包括:
S601、根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的人脸图像的匹配度值;
S602、对于计算次数达到第一预设值k的模版,根据最近k次计算出的该模版的匹配度值,计算该模版的加权匹配度值;其中,k为大于1的正整数;
S603、根据计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值、计算次数达到第一预设值的模版的加权匹配度值以及预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库。
本发明实施例提供的上述更新方法,可以使更新后的模版库中包括最近一次采集的用户的人脸图像,从而可以使模版库能够随着用户的外貌的细微变化得到不断地更新,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率;并且,在对模版库中每个用户的模版进行更新时,并非仅以最近一次采集的该用户的人脸图像作为标准计算该用户的各模版的匹配度值,而是兼顾了最近k次采集的该用户的人脸图像的综合考量,从而可以降低对该用户的模版进行更新的随机性和不确定性,进而可以进一步地提高人脸识别的准确度和效率。
需要说明的是,在本发明实施例提供的上述更新方法中,每个用户保存在模版库中的模版的数量可以根据实际情况(例如系统资源)进行设定,在系统资源允许的情况下,模版库中每个用户的模版的数量越多,人脸识别的准确度越高,但会导致人脸识别的耗时越长,因此,综合考虑,可以将每个用户保存在模版库中的模版的数量控制在5-10张的范围内,在此不做具体限定。
在具体实施时,在本发明实施例提供的上述更新方法中,在最初始的状态下,每个用户在模版库中只保存有一张模版,在后续的人脸识别过程中,每采集一张用户的人脸图像,就将采集的该用户的人脸图像保存在模版库中作为该用户的模版,直至该用户在模版库中保存的模版的数量达到预设的数量。
在具体实施时,在本发明实施例提供的上述更新方法中,在采集用户的人脸图像后,在识别当前采集的人脸图像为用户A时,仅对模版库中用户A的模版进行更新,不对模版库中其他用户的模版做出改变;在当前采集的人脸图像没有任何匹配的用户时,不对模版库中的各用户的模版做出改变。
在具体实施时,在执行本发明实施例提供的上述更新方法中的步骤S602,根据最近k次计算出的该模版的匹配度值,计算该模版的加权匹配度值时,具体可以通过以下方式来实现:
根据下面的公式计算该模版的加权匹配度值:
其中,V是该模版的加权匹配度值,Pa是第a次计算出的该模版的匹配度值,wa是Pa对应的权重。具体地,以第一预设值k=6为例,P1是该用户的该模版第一次保存的匹配度值,w1是P1对应的权重,P2是该用户的该模版第二次保存的匹配度值,w2是P2对应的权重,以此类推,P6是该用户的该模版第六次即最近一次保存的匹配度值,w6是P6对应的权重,显然,距离当前的时间越近,该用户的该模版保存的匹配度值所占的权重越大,即w1<w2<w3<w4<w5<w6,并且,w1+w2+w3+w4+w5+w6=1。
在具体实施时,在执行本发明实施例提供的上述更新方法中的步骤S603,根据计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值、计算次数达到第一预设值的模版的加权匹配度值以及预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库时,如图7所示,具体可以包括如下步骤:
S701、将计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值和计算次数达到第一预设值的模版的加权匹配度值进行比较,将数值最低的模版从模版库中删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,每采集一次用户的人脸图像,则对模版库中该用户的模版进行一次更新,并且,使更新后的模版库中每个用户的模版包括与该用户的当前外貌匹配度值最高或加权匹配度值最高的多张模版和最近一次采集的该用户的人脸图像,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
在具体实施时,在本发明实施例提供的上述更新方法中,在用户的外貌突然发生大的变化时,例如,戴眼镜、刮胡子等,可能会出现用户的某张或某些模版在历史识别过程中匹配度值极高而在最近一次识别过程中匹配度值极低,或者,用户的大部分模版在最近一次识别过程中匹配度值极低的现象,这样,对模版库中该用户的模版进行更新可能会出现在历史识别过程中匹配度值极高的部分或全部模版被删除的问题,从而可能会影响人脸识别的准确度和效率。
基于此,在执行本发明实施例提供的上述更新方法中的步骤S603,根据计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值、计算次数达到第一预设值的模版的加权匹配度值以及预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库时,如图8所示,具体可以包括如下步骤:
S801、将计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值和计算次数达到第一预设值的模版的加权匹配度值分别与阈值进行比较;
具体地,阈值的大小可以根据实际情况进行设定,在此不做限定;
S802、确定匹配度值小于阈值的模版的数量和加权匹配度值小于阈值的模版的数量之和是否大于第二预设值;若是,则执行步骤S803-步骤S806;
具体地,第二预设值的大小可以根据实际情况进行设定,在此不做限定;例如,可以在匹配度值小于阈值的模版的数量和加权匹配度值小于阈值的模版的数量之和达到用户的模版的数量的一半甚至一半以上时,执行步骤S803-步骤S806;
S803、分别计算匹配度值小于阈值的模版的多个特征分量、加权匹配度值小于阈值的模版的对应的特征分量以及当前采集的人脸图像的对应的特征分量;
具体地,特征分量可以包括:嘴角点的距离、鼻尖位置、眼的宽度、鼻尖与双眼连线的垂直距离、人脸左右边界的距离、嘴巴的宽度、两眼中心与左嘴角水平距离、两眼外侧的水平距离、外侧眼角与鼻项的水平距离、嘴巴中点与鼻尖的垂直距离以及鼻尖与嘴角的距离等;例如,可以计算匹配度值小于阈值的模版的嘴角点的距离、鼻尖位置和眼的宽度这三个特征分量,计算加权匹配度值小于阈值的模版的嘴角点的距离、鼻尖位置和眼的宽度这三个特征分量,并计算当前采集的人脸图像的嘴角点的距离、鼻尖位置和眼的宽度这三个特征分量;
S804、分别计算匹配度值小于阈值的模版的各特征分量与当前采集的人脸图像的对应的特征分量的差值以及加权匹配度值小于阈值的模版的各特征分量与当前采集的人脸图像的对应的特征分量的差值;
例如,可以计算匹配度值小于阈值的模版的嘴角点的距离与当前采集的人脸图像的嘴角点的距离的差值,计算匹配度值小于阈值的模版的鼻尖位置与当前采集的人脸图像的鼻尖位置的差值,计算匹配度值小于阈值的模版的眼的宽度与当前采集的人脸图像的眼的宽度的差值;计算加权匹配度值小于阈值的模版的嘴角点的距离与当前采集的人脸图像的嘴角点的距离的差值,计算加权匹配度值小于阈值的模版的鼻尖位置与当前采集的人脸图像的鼻尖位置的差值,计算加权匹配度值小于阈值的模版的眼的宽度与当前采集的人脸图像的眼的宽度的差值;
S805、针对每个特征分量,将匹配度值小于阈值的模版和加权匹配度值小于阈值的模版按照该特征分量的差值从大到小的顺序排列,在前Q个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,Q为大于1的正整数;
例如,针对嘴角点的距离这个特征分量,将匹配度值小于阈值的模版和加权匹配度值小于阈值的模版按照该特征分量的差值从大到小的顺序排列,选择前Q个模版,即这Q个模版的嘴角点的距离这个特征分量与当前采集的人脸图像的嘴角点的距离这个特征分量的差值较大,需要说明的是,Q的大小可以根据实际情况进行设定,在此不做限定;然后从这Q个模版中选择除了嘴角点的距离这个特征分量外的其他特征分量的差值的平方和最小的模版为特征模版,即特征模版的欧式距离最小,欧式距离满足如下公式:其中,de为欧式距离,Rb为模版除了嘴角点的距离这个特征分量以外的其他特征分量中的第b个特征分量,Xb为当前采集的人脸图像与模版的特征分量Rb对应的特征分量,m为大于1的整数;
S806、在匹配度值小于阈值的模版和加权匹配度值小于阈值的模版中除了特征模版以外的其他模版中选择数值最低的模版从模版库中删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,可以在用户的某张或某些模版在历史识别过程中匹配度值极高而在最近一次识别过程中匹配度值极低,或者,用户的大部分模版在最近一次识别过程中匹配度值极低时,采用定位五官特征点综合识别人脸图像的方法对模版库中用户的模版进行二次判断,从而可以避免在用户的外貌突然发生大的变化时,例如,戴眼镜、刮胡子等,对模版库中该用户的模版进行更新可能会出现在历史识别过程中匹配度值极高的部分或全部模版被删除的问题,从而可以进一步地降低对模版库中用户的模版进行更新的随机性和不确定性,进而可以进一步地提高人脸识别的准确度和效率。
基于同一发明构思,本发明实施例还提供了一种识别人脸图像的模版库的更新装置,如图9所示,包括:
第一计算模块901,用于根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的人脸图像的匹配度值;
第二计算模块902,用于对于计算次数达到第一预设值k的模版,根据最近k次计算出的该模版的匹配度值,计算该模版的加权匹配度值;其中,k为大于1的正整数;
更新模块903,用于根据计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值、计算次数达到第一预设值的模版的加权匹配度值以及预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库。
在具体实施时,在本发明实施例提供的上述更新装置中,如图9所示,第二计算模块902,具体用于根据下面的公式计算该模版的加权匹配度值:
其中,V是该模版的加权匹配度值,Pa是第a次计算出的该模版的匹配度值,wa是Pa对应的权重。
在具体实施时,在本发明实施例提供的上述更新装置中,如图9所示,更新模块903,具体用于将计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值和计算次数达到第一预设值的模版的加权匹配度值进行比较,将数值最低的模版从模版库中删除。
在具体实施时,在本发明实施例提供的上述更新装置中,如图9所示,更新模块903,具体用于将计算次数小于第一预设值的模版相对于当前采集的人脸图像的匹配度值和计算次数达到第一预设值的模版的加权匹配度值分别与阈值进行比较;确定匹配度值小于阈值的模版的数量和加权匹配度值小于阈值的模版的数量之和是否大于第二预设值;若是,分别计算匹配度值小于阈值的模版的多个特征分量、加权匹配度值小于阈值的模版的对应的特征分量以及当前采集的人脸图像的对应的特征分量;分别计算匹配度值小于阈值的模版的各特征分量与当前采集的人脸图像的对应的特征分量的差值以及加权匹配度值小于阈值的模版的各特征分量与当前采集的人脸图像的对应的特征分量的差值;针对每个特征分量,将匹配度值小于阈值的模版和加权匹配度值小于阈值的模版按照该特征分量的差值从大到小的顺序排列,在前Q个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,Q为大于1的正整数;在匹配度值小于阈值的模版和加权匹配度值小于阈值的模版中除了特征模版以外的其他模版中选择数值最低的模版从模版库中删除。
需要说明的是,本发明实施例提供的上述更新装置的具体实施可以参见上述更新方法的实施例,重复之处不再赘述。
本发明实施例提供的一种识别人脸图像的模版库的更新装置及方法,该更新方法包括:根据当前采集的人脸图像,计算模版库中该用户的各模版相对于当前采集的该用户的人脸图像的匹配度值;根据计算出的该用户的各模版的匹配度值和预设的删除策略,将该用户的各模版中满足删除策略的模版删除,将当前采集的人脸图像作为该用户的模版存入模版库;这样,可以使更新后的模版库中包括最近一次采集的用户的人脸图像,从而可以使模版库能够随着用户的外貌的细微变化得到不断地更新,这样,利用采用上述更新方法进行更新的模版库进行人脸识别,与现有的仅通过初始保存的一张固定的模版进行识别相比,可以提高人脸识别的准确度和效率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种识别人脸图像的模版库的更新方法,其特征在于,包括:
根据当前采集的人脸图像,计算所述模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库;
所述根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将计算出的该用户的所有模版的所述匹配度值与阈值进行比较;
确定所述匹配度值小于所述阈值的模版的数量是否大于预设值;
若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前M个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,M为大于1的正整数;在所述匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择所述匹配度值最低的模版从所述模版库中删除。
2.如权利要求1所述的更新方法,其特征在于,所述根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
在该用户的所有模版中选择所述匹配度值最低的模版从所述模版库中删除。
3.如权利要求1所述的更新方法,其特征在于,所述根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将该用户的所有模版按照所述匹配度值从大到小的顺序排列,保留前N个模版,删除其他模版;其中,N为正整数。
4.一种识别人脸图像的模版库的更新方法,其特征在于,包括:
根据当前采集的人脸图像,计算所述模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
对于计算次数达到第一预设值k的模版,根据最近k次计算出的该模版的所述匹配度值,计算该模版的加权匹配度值;其中,k为大于1的正整数;
根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库。
5.如权利要求4所述的更新方法,其特征在于,所述根据最近k次计算出的该模版的所述匹配度值,计算该模版的加权匹配度值,具体包括:
根据下面的公式计算该模版的加权匹配度值:
其中,V是该模版的加权匹配度值,Pa是第a次计算出的该模版的匹配度值,wa是Pa对应的权重。
6.如权利要求4或5所述的更新方法,其特征在于,所述根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值进行比较,将数值最低的模版从所述模版库中删除。
7.如权利要求4或5所述的更新方法,其特征在于,所述根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,具体包括:
将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值分别与阈值进行比较;
确定所述匹配度值小于所述阈值的模版的数量和所述加权匹配度值小于所述阈值的模版的数量之和是否大于第二预设值;
若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量、所述加权匹配度值小于所述阈值的模版的对应的特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值以及所述加权匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前Q个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,Q为大于1的正整数;在所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择数值最低的模版从所述模版库中删除。
8.一种识别人脸图像的模版库的更新装置,其特征在于,包括:
计算模块,用于根据当前采集的人脸图像,计算模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
更新模块,用于根据计算出的该用户的各模版的所述匹配度值和预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库;
所述更新模块,具体用于将计算出的该用户的所有模版的所述匹配度值与阈值进行比较;确定所述匹配度值小于所述阈值的模版的数量是否大于预设值;若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前M个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,M为大于1的正整数;在所述匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择所述匹配度值最低的模版从所述模版库中删除。
9.如权利要求8所述的更新装置,其特征在于,所述更新模块,具体用于在该用户的所有模版中选择所述匹配度值最低的模版从所述模版库中删除。
10.如权利要求8所述的更新装置,其特征在于,所述更新模块,具体用于将该用户的所有模版按照所述匹配度值从大到小的顺序排列,保留前N个模版,删除其他模版;其中,N为正整数。
11.一种识别人脸图像的模版库的更新装置,其特征在于,包括:
第一计算模块,用于根据当前采集的人脸图像,计算所述模版库中该用户的各模版相对于所述当前采集的人脸图像的匹配度值;
第二计算模块,用于对于计算次数达到第一预设值k的模版,根据最近k次计算出的该模版的所述匹配度值,计算该模版的加权匹配度值;其中,k为大于1的正整数;
更新模块,用于根据计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值、计算次数达到所述第一预设值的模版的所述加权匹配度值以及预设的删除策略,将该用户的各模版中满足所述删除策略的模版删除,将所述当前采集的人脸图像作为该用户的模版存入所述模版库。
12.如权利要求11所述的更新装置,其特征在于,所述第二计算模块,具体用于根据下面的公式计算该模版的加权匹配度值:
其中,V是该模版的加权匹配度值,Pa是第a次计算出的该模版的匹配度值,wa是Pa对应的权重。
13.如权利要求11或12所述的更新装置,其特征在于,所述更新模块,具体用于将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值进行比较,将数值最低的模版从所述模版库中删除。
14.如权利要求11或12所述的更新装置,其特征在于,所述更新模块,具体用于将计算次数小于所述第一预设值的模版相对于所述当前采集的人脸图像的所述匹配度值和计算次数达到所述第一预设值的模版的所述加权匹配度值分别与阈值进行比较;确定所述匹配度值小于所述阈值的模版的数量和所述加权匹配度值小于所述阈值的模版的数量之和是否大于第二预设值;若是,分别计算所述匹配度值小于所述阈值的模版的多个特征分量、所述加权匹配度值小于所述阈值的模版的对应的特征分量以及所述当前采集的人脸图像的对应的特征分量;分别计算所述匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值以及所述加权匹配度值小于所述阈值的模版的各所述特征分量与所述当前采集的人脸图像的对应的特征分量的差值;针对每个所述特征分量,将所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版按照该特征分量的差值从大到小的顺序排列,在前Q个模版中选择除了该特征分量外的其他特征分量的差值的平方和最小的模版为特征模版;其中,Q为大于1的正整数;在所述匹配度值小于所述阈值的模版和所述加权匹配度值小于所述阈值的模版中除了所述特征模版以外的其他模版中选择数值最低的模版从所述模版库中删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363373.4A CN105913051B (zh) | 2016-05-26 | 2016-05-26 | 一种识别人脸图像的模版库的更新装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363373.4A CN105913051B (zh) | 2016-05-26 | 2016-05-26 | 一种识别人脸图像的模版库的更新装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913051A CN105913051A (zh) | 2016-08-31 |
CN105913051B true CN105913051B (zh) | 2019-10-18 |
Family
ID=56741679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610363373.4A Active CN105913051B (zh) | 2016-05-26 | 2016-05-26 | 一种识别人脸图像的模版库的更新装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913051B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022331B (zh) * | 2016-11-01 | 2022-02-18 | 腾讯科技(深圳)有限公司 | 门禁系统中实现人脸识别的方法和装置 |
CN107133221A (zh) * | 2017-06-09 | 2017-09-05 | 北京京东尚科信息技术有限公司 | 信息审核方法、装置、计算机可读介质和电子设备 |
CN107369209A (zh) * | 2017-07-07 | 2017-11-21 | 深圳市华琥技术有限公司 | 一种数据处理方法 |
CN107909097B (zh) * | 2017-11-08 | 2021-07-30 | 创新先进技术有限公司 | 样本库中样本的更新方法及装置 |
CN108280422B (zh) * | 2018-01-22 | 2022-06-14 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN108446387A (zh) * | 2018-03-22 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于更新人脸注册库的方法和装置 |
CN108491813A (zh) * | 2018-03-29 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 用于更新信息的方法和装置 |
CN108416865A (zh) * | 2018-04-03 | 2018-08-17 | 郑州云海信息技术有限公司 | 一种基于云计算的人脸识别数据自动修正方法及系统 |
CN109063691B (zh) * | 2018-09-03 | 2021-04-20 | 武汉普利商用机器有限公司 | 一种人脸识别底库优化方法及系统 |
CN109492560A (zh) * | 2018-10-26 | 2019-03-19 | 深圳力维智联技术有限公司 | 基于时间尺度的人脸图像特征融合方法、装置和存储介质 |
CN109948734B (zh) * | 2019-04-02 | 2022-03-29 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN110765303A (zh) * | 2019-10-10 | 2020-02-07 | 武汉普利商用机器有限公司 | 一种更新数据库的方法及系统 |
CN114429663B (zh) * | 2022-01-28 | 2023-10-20 | 北京百度网讯科技有限公司 | 人脸底库的更新方法、人脸识别方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231691A (zh) * | 2007-12-24 | 2008-07-30 | 浙江金指码科技有限公司 | 通过指纹数据数量调整的学习型智能指纹识别比对方法 |
CN102254167A (zh) * | 2011-08-16 | 2011-11-23 | 杭州晟元芯片技术有限公司 | 一种降低指纹比对拒真率的方法 |
CN105303176A (zh) * | 2015-10-19 | 2016-02-03 | 广东欧珀移动通信有限公司 | 指纹模板更新方法及装置 |
CN105389566A (zh) * | 2015-11-13 | 2016-03-09 | 广东欧珀移动通信有限公司 | 指纹识别方法、指纹模板的更新方法、装置和移动终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053365B2 (en) * | 2013-09-16 | 2015-06-09 | EyeVerify, Inc. | Template update for biometric authentication |
-
2016
- 2016-05-26 CN CN201610363373.4A patent/CN105913051B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231691A (zh) * | 2007-12-24 | 2008-07-30 | 浙江金指码科技有限公司 | 通过指纹数据数量调整的学习型智能指纹识别比对方法 |
CN102254167A (zh) * | 2011-08-16 | 2011-11-23 | 杭州晟元芯片技术有限公司 | 一种降低指纹比对拒真率的方法 |
CN105303176A (zh) * | 2015-10-19 | 2016-02-03 | 广东欧珀移动通信有限公司 | 指纹模板更新方法及装置 |
CN105389566A (zh) * | 2015-11-13 | 2016-03-09 | 广东欧珀移动通信有限公司 | 指纹识别方法、指纹模板的更新方法、装置和移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN105913051A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913051B (zh) | 一种识别人脸图像的模版库的更新装置及方法 | |
US11403874B2 (en) | Virtual avatar generation method and apparatus for generating virtual avatar including user selected face property, and storage medium | |
US10061909B2 (en) | Device authentication based on behavior classification using convolution neural network | |
CN104317391B (zh) | 一种基于立体视觉的三维手掌姿态识别交互方法和系统 | |
CN109033938A (zh) | 一种基于可区分性特征融合的人脸识别方法 | |
CN103473564B (zh) | 一种基于敏感区域的正面人脸检测方法 | |
CN106250858A (zh) | 一种融合多种人脸识别算法的识别方法及系统 | |
KR20230107415A (ko) | 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을실행하기 위한 모바일 디바이스 | |
CN103810490A (zh) | 一种确定人脸图像的属性的方法和设备 | |
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 | |
CN103207986A (zh) | 一种基于lbp-hf的人脸识别方法 | |
CN106295585B (zh) | 一种兼顾实时性及人脸质量的过滤选择方法及系统 | |
CN106503686A (zh) | 检索人脸图像的方法和系统 | |
CN111028216A (zh) | 图像评分方法、装置、存储介质及电子设备 | |
CN109726619A (zh) | 一种基于参数共享的卷积神经网络人脸识别方法及系统 | |
KR20210100592A (ko) | 휴리스틱 가우스 클라우드 변환에 기반하는 얼굴인식 기술 | |
CN111985332B (zh) | 一种基于深度学习的改进损失函数的步态识别方法 | |
CN110197098A (zh) | 基于人脸和虹膜特征的身份认证方法 | |
CN107153806B (zh) | 一种人脸检测方法及装置 | |
CN105809085B (zh) | 人眼定位方法及装置 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN111191527B (zh) | 属性识别方法、装置、电子设备及可读存储介质 | |
CN111126456B (zh) | 神经网络模型的处理方法、装置、设备及存储介质 | |
CN104794487A (zh) | 一种基于颅像重合原理的照片与照片的同一认定方法 | |
CN115205943A (zh) | 图像处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |