CN106056083A - 一种信息处理方法及终端 - Google Patents

一种信息处理方法及终端 Download PDF

Info

Publication number
CN106056083A
CN106056083A CN201610380397.0A CN201610380397A CN106056083A CN 106056083 A CN106056083 A CN 106056083A CN 201610380397 A CN201610380397 A CN 201610380397A CN 106056083 A CN106056083 A CN 106056083A
Authority
CN
China
Prior art keywords
fisrt feature
information
image
feature information
calculate
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
Application number
CN201610380397.0A
Other languages
English (en)
Other versions
CN106056083B (zh
Inventor
汪铖杰
李季檩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610380397.0A priority Critical patent/CN106056083B/zh
Publication of CN106056083A publication Critical patent/CN106056083A/zh
Application granted granted Critical
Publication of CN106056083B publication Critical patent/CN106056083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明实施例公开了一种信息处理方法及终端。所述方法包括：获得第一图像和第二图像，以及获得第二特征信息；其中，所述第一图像和所述第二图像均包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；分别提取所述第一图像的第一特征和所述第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；比较所述第一特征信息与所述第二特征信息；当所述相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。

Description

一种信息处理方法及终端
技术领域
本发明涉及信息处理技术，具体涉及一种信息处理方法及终端。
背景技术
本申请发明人在实现本申请实施例技术方案的过程中，至少发现相关技术中存在如下技术问题：
在现有生活中，有很多需要对两张人脸图像进行匹配认证的场景，例如对用户身份核实时，通过对用户人脸进行图像采集，再将采集的图像在数据库中进行比对，比对一致表明用户身份通过认证。在这种人脸图像匹配过程中，通常通过人脸验证算法计算两张人脸图像之间的相似度，从而确定两张人脸图像中的人脸是否是同一人。
但这种方式在五官长相比较相似的两张图像进行比对时，很容易会误判为同一人，导致身份认证失误的情况发生。然而，现有技术中，相关问题目前尚无有效解决方案。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种信息处理方法及终端，能够解决现有技术中五官长相比较相似的两张图像比对误判的问题。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种信息处理方法，所述方法包括：
获得第一图像和第二图像，以及获得第二特征信息；其中，所述第一图像和所述第二图像均包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；
分别提取所述第一图像的第一特征和所述第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；
基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；
比较所述第一特征信息与所述第二特征信息；
当所述相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。
上述方案中，所述基于所述第一特征按预设方法计算第一特征信息，包括：基于所述第一特征按预设方法计算至少两类第一特征信息；
相应的，所述第二特征信息包括至少两类第二特征信息；
其中，所述至少两类第一特征信息和所述至少两类第一特征信息包括以下信息的至少之二：年龄信息、性别信息、人种信息。
上述方案中，所述第一特征信息与所述第二特征信息一致，包括：
所述至少两类第一特征信息中，每类第一特征信息与所述至少两类第二特征信息中属于同类的第二特征信息一致。
上述方案中，所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第一预设学习模型将采集到的样本特征进行特征分类，获得表征男性的第一特征分类和表征女性的第二特征分类；
所述基于所述第一特征按预设方法计算第一特征信息，包括：
将所述第一特征按照所述第一预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的性别属性信息作为所述第一特征信息。
上述方案中，所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第二预设学习模型将采集到的样本特征进行特征分类，获得表征预设年龄分段的多个特征分类；
则所述基于所述第一特征按预设方法计算第一特征信息，包括：
将所述第一特征按照所述第二预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的年龄分段作为所述第一特征信息。
上述方案中，所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第三预设学习模型将采集到的样本特征进行回归训练，获得表征年龄属性的函数；
则所述基于所述第一特征按预设方法计算第一特征信息，包括：
基于所述第一特征按照所述函数进行计算，获得年龄值，将所述年龄值作为所述第一特征信息。
本发明实施例还提供了一种终端，所述终端包括：第一获取单元、第二获取单元、数据分析单元和匹配单元；其中，
所述第一获取单元，用于获得第一图像；所述第一图像包含人脸特征；
所述第二获取单元，用于获得第二图像，以及获得第二特征信息；所述第二图像包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；
所述数据分析单元，用于分别提取所述第一获取单元获得的第一图像的第一特征和所述第二获取单元获得的第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；
所述匹配单元，用于比较所述数据分析单元获得的第一特征信息与所述第二获取单元获得的第二特征信息；当所述数据分析单元计算的相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。
上述方案中，所述数据分析单元，用于基于所述第一特征按预设方法计算至少两类第一特征信息；
相应的，所述第二特征信息包括至少两类第二特征信息；
其中，所述至少两类第一特征信息和所述至少两类第一特征信息包括以下信息的至少之二：年龄信息、性别信息、人种信息。
上述方案中，所述匹配单元，用于比较所述数据分析单元获得的第一特征信息与所述第二获取单元获得的第二特征信息；当所述数据分析单元计算的相似度参数大于预设阈值、且所述至少两类第一特征信息中，每类第一特征信息与所述至少两类第二特征信息中属于同类的第二特征信息一致时，确定所述第一图像和所述第二图像一致。
上述方案中，所述数据分析单元，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第一预设学习模型将采集到的样本特征进行特征分类，获得表征男性的第一特征分类和表征女性的第二特征分类；
相应的，所述数据分析单元，用于将所述第一特征按照所述第一预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的性别属性信息作为所述第一特征信息。
上述方案中，所述数据分析单元，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第二预设学习模型将采集到的样本特征进行特征分类，获得表征预设年龄分段的多个特征分类；
相应的，所述数据分析单元，用于将所述第一特征按照所述第二预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的年龄分段作为所述第一特征信息。
上述方案中，所述数据分析单元，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第三预设学习模型将采集到的样本特征进行回归训练，获得表征年龄属性的函数；
相应的，所述数据分析单元，用于基于所述第一特征按照所述函数进行计算，获得年龄值，将所述年龄值作为所述第一特征信息。
本发明实施例提供的信息处理方法及终端，所述方法包括：获得第一图像和第二图像，以及获得第二特征信息；其中，所述第一图像和所述第二图像均包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；分别提取所述第一图像的第一特征和所述第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；比较所述第一特征信息与所述第二特征信息；当所述相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。如此，采用本发明实施例的技术方案，通过对第一图像中的人脸表征的属性类别(例如性别、年龄等属性类别)进行识别以及匹配，避免了由于五官长相比较相似的两幅图像误判的情况发生，大大提升了图像中人脸比对的准确率。
附图说明
图1为本发明实施例一的信息处理方法的流程示意图；
图2为本发明实施例二的信息处理方法的流程示意图；
图3为本发明实施例中进行信息交互的各方硬件实体的示意图；
图4为本发明实施例的终端的组成结构示意图；
图5为本发明实施例的终端的一个硬件组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
实施例一
本发明实施例提供了一种信息处理方法，所述信息处理方法应用于终端中。图1为本发明实施例的信息处理方法的流程示意图；如图1所示，所述信息处理方法包括：
步骤101：获得第一图像和第二图像，以及获得第二特征信息；其中，所述第一图像和所述第二图像均包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息。
步骤102：分别提取所述第一图像的第一特征和所述第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数。
步骤103：基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息。
步骤104：比较所述第一特征信息与所述第二特征信息。
步骤105：当所述相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。
本实施例步骤101中，获得的第一图像可以为输入的图像，所述输入的图像可以是通过摄像头采集的图像，也可以是通过有线或无线网络传输的图像，例如通过数据线从一电脑中传输到终端的图像，或者通过无线保真(WiFi)技术或蓝牙技术传输至终端的图像。
本实施例步骤101中，获得的第二图像可以是预先存储在数据库中的图像，相应的，所述第二特征信息伴随所述第二图像存储在所述数据库中。其中，所述数据库具体可以为官方的资料数据库，例如身份证资料数据库、社会保险资料数据库或者护照资料数据库等等；所述数据库中通常存储有在用户办理身份证、社会保险或者护照时，采集的用于证明用户身份的个人信息以及图像信息等等。基于此，在本步骤中，所述获得第二图像具体可以为：与数据库建立连接；通过输入的用户标识查询所述数据库，获得与所述用户标识对应的第二图像以及第二特征信息；其中，输入的用户标识具体可以是身份证号码、护照号码、军官证号码等表征用户身份的号码。
本实施例中，所述第一图像和所述第二图像均为包含有人脸特征的图像；其中，所包含的人脸特征至少能够识别出人脸的五官特征。更进一步地，所述第一图像和所述第二图像中的人脸部分所占据的比例大于预设阈值，例如，人脸部分占据的比例需大于50％，这样，在后续的图像识别过程中，更便于人脸特征的提取。
本实施例步骤102是基于人脸特征提取从而计算相似度参数的过程。其中，可通过对所述第一图像和所述第二图像进行图像分块，通过尺度不变特征(SIFT)算法寻找出匹配特征点；统计每个图像分块中的匹配特征点的数量，获得匹配向量；判断两幅图像中的匹配特征点的数量是否达到阈值；若达到预设阈值则计算两幅图像的匹配向量相似度；若相似度达到标准则可确定本实施例中所述的相似度参数大于预设阈值。当然，除上述实现方式以外，本实施例步骤102中所述分别提取所述第一图像的第一特征和所述第二图像的第二特征、按预设验证方法计算所述第一特征和所述第二特征的相似度参数还可采用高位特征人脸验证方法或者深度卷积神经网络(CNN，Convolutional NeuralNetwork)方法进行相似度参数的计算。
本实施例步骤103中，所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息，具体例如年龄信息、性别信息、人种信息等等。基于不同属性的特征信息可采用不同的处理方式进行计算。本实施例中，所计算的第一特征信息可以为至少两类，例如分别计算表征年龄属性类别的第一特征信息和表征性别属性类别的第一特征信息，后续在步骤104中分别针对表征年龄属性类别的第一特征信息和表征性别属性类别的第一特征信息进行比对，以确保两张图像的判定的准确率。则所述基于所述第一特征按预设方法计算第一特征信息，包括：基于所述第一特征按预设方法计算至少两类第一特征信息；相应的，所述第二特征信息包括至少两类第二特征信息；其中，所述至少两类第一特征信息和所述至少两类第一特征信息包括以下信息的至少之二：年龄信息、性别信息、人种信息。所述第一特征信息与所述第二特征信息一致，包括：所述至少两类第一特征信息中，每类第一特征信息与所述至少两类第二特征信息中属于同类的第二特征信息一致。
当所述第一特征信息为人脸表征的性别属性类别的特征信息时，则针对性别属性，在执行步骤103以前，即所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第一预设学习模型将采集到的样本特征进行特征分类，获得表征男性的第一特征分类和表征女性的第二特征分类；
所述基于所述第一特征按预设方法计算第一特征信息，包括：
将所述第一特征按照所述第一预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的性别属性信息作为所述第一特征信息。
具体的，对应于本步骤中的第一预设学习模型，在提取所述第一图像的第一特征时，可采用方向梯度直方图(HOG，Histogram of Oriented Gradient)方式提取所述第一图像中的第一特征用于所述第一特征信息的计算。相应的，在进行学习训练过程中，也可采用HOG方式提取样本图像的特征；其中，所述样本图像为多个已确定性别属性类别的图像。具体的，采用HOG方式提取图像中的特征包括以下步骤：
1：将图像灰度化。
2：采用Gamma校正法对图像进行颜色空间的标准化(即归一化)，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时还可以抑制噪音的干扰。
3：计算图像每个像素的梯度，包括大小和方向，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
具体的，像素梯度的计算方式可按照以下表达式(1)和(2)所示：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (1)
Gy(x,y)＝H(x,y+1)-H(x,y-1) (2)
其中，Gx(x,y)、Gy(x,y)和H(x,y)分别表示像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值。
则像素点(x，y)处的梯度幅值和梯度方向分别为表达式(3)和(4)：
G ( x , y ) = G x ( x , y ) 2 + G y ( x , y ) 2 - - - ( 3 )
α ( x , y ) = tan - 1 ( G y ( x , y ) G x ( x , y ) ) - - - ( 4 )
4：将图像划分为小单元，例如6*6像素/单元。
5：统计每个单元的梯度直方图，即可形成每个单元的描述符号(descriptor)。
6：将每几个单元组成一个块，例如3*3个单元/块，一个块内所有单元的特征descriptor串联起来便可以得到该块的HOG特征descriptor。
7：将图像内的所有块的HOG特征descriptor串联起来可以得到所述图像的HOG特征descriptor。
样本图像的特征提取完成后，可使用支持向量机(SVM，Support Vector Machine)对提取的样本特征进行训练学习，或者采用CNN方式对提取的样本特征进行训练学习，获得样本特征的特征分类，即获得表征男性的第一特征分类和表征女性的第二特征分类。在针对所述第一图像按照HOG方式进行第一特征提取后，也可按照相同的训练学习方式(例如SVM或CNN)进行计算，获得所述第一特征对应的特征分类，从而将所述特征分类对应的性别属性信息作为计算获得的第一特征信息，也即计算获得所述第一图像中的人脸表征的性别属性是男性或是女性。
当所述第一特征信息为人脸表征的年龄属性类别的特征信息时，则针对年龄属性，作为一种实施方式，在执行步骤103以前，即所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第二预设学习模型将采集到的样本特征进行特征分类，获得表征预设年龄分段的多个特征分类；
所述基于所述第一特征按预设方法计算第一特征信息，包括：
将所述第一特征按照所述第二预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的年龄分段作为所述第一特征信息。
作为另一种实施方式，在执行步骤103以前，即所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：按照第三预设学习模型将采集到的样本特征进行回归训练，获得表征年龄属性的函数；
则所述基于所述第一特征按预设方法计算第一特征信息，包括：
基于所述第一特征按照所述函数进行计算，获得年龄值，将所述年龄值作为所述第一特征信息。
上述两种实施方式的区别在于，第一种实施方式是将样本特征进行分类，计算表征年龄属性类别的第一特征信息处于哪个分类中。例如将年龄1-100岁共设置100个分类，或者按照预设的年龄分段进行分类，例如每隔10岁设置为一类，如1-10岁为第一分类，11至20为第二分类，以此类推。第二种实施方式是利用样本特征进行回归训练，获得表征年龄属性的函数，再通过表征年龄属性类别的第一特征信息以及回归获得的函数进行计算，获得所述第一特征信息对应的函数值，也即年龄值。
具体的，第一种实施方式中，在提取第一图像的第一特征，以及样本图像的特征时，可采用HOG的方式进行提取，具体的提取过程可参照上述描述，这里不再赘述。样本图像的特征提取完成后，可利用SVM对提取出的特征进行训练学习，或者采用CNN方式对提取的样本特征进行训练学习，获得样本特征的年龄分类，例如将年龄1至100岁按照每10岁的年龄间隔进行分类。在针对所述第一图像按照HOG方式进行第一特征提取后，也可按照相同的训练学习方式(例如SVM或CNN)进行计算，获得所述第一特征对应的年龄分类，从而将所述特征分类对应的年龄属性信息作为计算获得的第一特征信息，也即计算获得所述第一图像中的人脸表征的年龄。
在第二种实施方式中，对于样本图像以及第一图像，采用HOG的方式进行特征的提取，具体可参照上述描述，这里不再赘述。样本图像的特征提取完成后，可利用支持向量回归(SVR，Support Vector Regressor)对提取出的特征进行回归训练拟合，获得表征年龄属性的函数。在针对所述第一图像按照HOG方式进行第一特征提取后，按照所述SVR以及获得的函数对所述第一特征进行回归拟合，获得所述第一特征对应的函数值，也即获得年龄值，将所述年龄值作为计算获得的第一特征信息，也即计算获得所述第一图像中的人脸表征的年龄。当然，本发明实施例中不限于采用SVR回归方式进行年龄值的计算，也可以使用欧式距离的计算方法进行年龄值的计算。
本实施例中，所述第一特征信息计算完成后，比较计算获得的第一特征信息以及从数据库中获得的第二特征信息。具体例如，比较计算获得的第一图像中人脸表征的性别属性类别和/或年龄属性类别与所述数据库中记载的性别属性类别和/或年龄属性类别是否一致。并且，比较步骤102中计算获得的相似度参数与预设阈值的大小。
当所述相似度参数大于预设阈值时，表明所述第一图像和所述第二图像中的人脸图像非常相似。进一步比较所述第一特征信息与所述第二特征信息是否一致；当所述第一特征信息与所述第二特征信息一致时，例如年龄属性类别相同和/或性别属性类别相同时，可最终确定所述第一图像和所述第二图像一致，也即所述第一图像中的人脸和所述第二图像中的人脸表征同一个人脸。
采用本发明实施例的技术方案，通过对第一图像中的人脸表征的属性类别(例如性别、年龄等属性类别)进行识别以及匹配，避免了由于遗传等原因导致五官长相比较相似的两幅图像误判的情况发生，例如“爸爸和儿子”、“妈妈和儿子”、“妈妈和女儿”、“爸爸和女儿”等由于遗传等原因五官长相具有较高的相似度从而误判为同一人的情况，大大提升了图像中人脸比对的准确率。
基于上述描述，本发明实施例的信息处理方法可应用于对比两幅图像中的人脸是否是同一人脸的应用场景，以对用户的身份进行核实。例如：采集图像或者上传照片，比对采集的图像或上传的照片与身份证上的照片是否是同一人。本发明实施例的用于对用户的身份进行核实的信息处理方法可应用于互联网、金融、考试等多个场景下。
实施例二
基于具体的应用场景，本发明实施例还提供了一种信息处理方法。图2为本发明实施例二的信息处理方法的流程示意图；如图2所示，所述信息处理方法包括：
步骤201：通过扫描身份证或者手动输入身份证号码的方式获得身份证号码。
步骤202：根据获得的身份证号码从证件中心数据库获取身份证人脸照片、以及年龄、性别数据。
步骤203：通过摄像头采集用户人脸照片。
步骤204：基于采集的用户人脸照片进行特征提取，以及性别和年龄的识别；以及对获得的身份证人脸照片进行特征提取。
步骤205：对采集的用户人脸照片和身份证人脸照片进行匹配；匹配一致后，执行步骤208；匹配不一致时，执行步骤209。
步骤206：基于采集的用户人脸照片识别出的性别与证件中心获取到的性别数据进行匹配；匹配一致后，执行步骤208；匹配不一致时，执行步骤209。
步骤207：基于采集的用户人脸照片识别出的年龄与证件中心获取到的年龄数据进行匹配；匹配一致后，执行步骤208；匹配不一致时，执行步骤209。
本实施例步骤204至步骤205中进行特征提取、以及性别和年龄的识别过程、以及采集的用户人脸照片和身份证人脸照片进行匹配的过程具体可参照实施例一中所述，这里不再赘述。
步骤208：如果人脸特征验证匹配一致、且性别匹配一致、且年龄匹配一致时，则表明采集的用户人脸照片与身份证照片中的人脸为同一人，用户身份认证通过，进一步允许用户进行后续相关操作。
步骤209：如果人脸特征验证匹配不一致、或者性别匹配不一致、或者年龄匹配不一致时，则表明采集的用户人脸照片与身份证照片中的人脸为不同人，用户身份认证不通过。
图3为本发明实施例中进行信息交互的各方硬件实体的示意图；如图3所示，包括终端24和服务器11；所述终端24和所述服务器11可通过有线网络或无线网络建立网络连接。所述终端24具体可以为各种个人计算机(PC)，例如台式电脑、笔记本电脑、一体机电脑等等，所述终端24也可以为智能手机、平板电脑等便携终端。所述服务器11具体可以为证件(例如身份证、护照、港澳通行证、社会保险、军官证等)中心的服务器；所述服务器11与证件中心数据库12相连接。则所述终端在查询用户身份识别号码(例如身份证号码)时，通过查询证件中心数据库12，获得所述用户身份识别号码对应的图像以及个人信息。
上述图3的例子只是实现本发明实施例的一个系统架构实例，本发明实施例并不限于上述图3所述的系统结构，基于该系统架构，提出本发明各个实施例。
实施例三
基于实施例一和实施例二的描述，本发明实施例还提供了一种终端。图4为本发明实施例的终端的组成结构示意图；如图4所示，所述终端包括：第一获取单元41、第二获取单元42、数据分析单元43和匹配单元44；其中，
所述第一获取单元41，用于获得第一图像；所述第一图像包含人脸特征；
所述第二获取单元42，用于获得第二图像，以及获得第二特征信息；所述第二图像包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；
所述数据分析单元43，用于分别提取所述第一获取单元41获得的第一图像的第一特征和所述第二获取单元42获得的第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；
所述匹配单元44，用于比较所述数据分析单元43获得的第一特征信息与所述第二获取单元42获得的第二特征信息；当所述数据分析单元43计算的相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。
本实施例中，所述第一获取单元41获得的第一图像可以为输入的图像，所述输入的图像可以是通过摄像头采集的图像，也可以是通过有线或无线网络传输的图像，例如通过数据线从一电脑中传输到终端的图像，或者通过无线保真(WiFi)技术或蓝牙技术传输至终端的图像。
本实施例中，所述第二获取单元42获得的第二图像可以是预先存储在数据库中的图像，相应的，所述第二特征信息伴随所述第二图像存储在所述数据库中。其中，所述数据库具体可以为官方的资料数据库，例如身份证资料数据库、社会保险资料数据库或者护照资料数据库等等；所述数据库中通常存储有在用户办理身份证、社会保险或者护照时，采集的用于证明用户身份的个人信息以及图像信息等等。基于此，在本步骤中，所述获得第二图像具体可以为：所述第二获取单元42与数据库建立连接；通过输入的用户标识查询所述数据库，获得与所述用户标识对应的第二图像以及第二特征信息；其中，输入的用户标识具体可以是身份证号码、护照号码、军官证号码等表征用户身份的号码。
本实施例中，所述第一图像和所述第二图像均为包含有人脸特征的图像；其中，所包含的人脸特征至少能够识别出人脸的五官特征。更进一步地，所述第一图像和所述第二图像中的人脸部分所占据的比例大于预设阈值，例如，人脸部分占据的比例需大于50％，这样，在后续的图像识别过程中，更便于人脸特征的提取。
本实施例中，所述数据分析单元43分别提取所述第一获取单元41获得的第一图像的第一特征和所述第二获取单元42获得的第二图像的第二特征、按预设验证方法计算所述第一特征和所述第二特征的相似度参数是基于人脸特征提取从而计算相似度参数的过程。其中，所述数据分析单元43可通过对所述第一图像和所述第二图像进行图像分块，通过尺度不变特征(SIFT)算法寻找出匹配特征点；统计每个图像分块中的匹配特征点的数量，获得匹配向量；判断两幅图像中的匹配特征点的数量是否达到阈值；若达到预设阈值则计算两幅图像的匹配向量相似度；若相似度达到标准则可确定本实施例中所述的相似度参数大于预设阈值。当然，除上述实现方式以外，本实施例中所述数据分析单元43分别提取所述第一图像的第一特征和所述第二图像的第二特征、按预设验证方法计算所述第一特征和所述第二特征的相似度参数还可采用高位特征人脸验证方法或者深度CNN方法进行相似度参数的计算。
本实施例中，所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息，具体例如年龄信息、性别信息、人种信息等等。基于不同属性的特征信息可采用不同的处理方式进行计算。本实施例中，所述数据分析单元43计算的第一特征信息可以为至少两类，例如分别计算表征年龄属性类别的第一特征信息和表征性别属性类别的第一特征信息，后续分别针对表征年龄属性类别的第一特征信息和表征性别属性类别的第一特征信息进行比对，以确保两张图像的判定的准确率。则所述数据分析单元43，用于基于所述第一特征按预设方法计算至少两类第一特征信息；相应的，所述第二特征信息包括至少两类第二特征信息；其中，所述至少两类第一特征信息和所述至少两类第一特征信息包括以下信息的至少之二：年龄信息、性别信息、人种信息。其中，所述匹配单元44比较所述数据分析单元43获得的第一特征信息与所述第二获取单元42获得的第二特征信息；当所述数据分析单元43计算的相似度参数大于预设阈值、且所述至少两类第一特征信息中，每类第一特征信息与所述至少两类第二特征信息中属于同类的第二特征信息一致时，确定所述第一图像和所述第二图像一致。
当所述第一特征信息为人脸表征的性别属性类别的特征信息时，则针对性别属性，所述数据分析单元43，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第一预设学习模型将采集到的样本特征进行特征分类，获得表征男性的第一特征分类和表征女性的第二特征分类；
相应的，所述数据分析单元43，用于将所述第一特征按照所述第一预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的性别属性信息作为所述第一特征信息。
具体的，对应于第一预设学习模型，所述数据分析单元43在提取所述第一图像的第一特征时，可采用方向梯度直方图(HOG)方式提取所述第一图像中的第一特征用于所述第一特征信息的计算。相应的，在进行学习训练过程中，所述数据分析单元43也可采用HOG方式提取样本图像的特征；其中，所述样本图像为多个已确定性别属性类别的图像。具体的，采用HOG方式提取图像中的特征包括以下步骤：1：将图像灰度化。2：采用Gamma校正法对图像进行颜色空间的标准化(即归一化)，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时还可以抑制噪音的干扰。3：计算图像每个像素的梯度，包括大小和方向，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。4：将图像划分为小单元，例如6*6像素/单元。5：统计每个单元的梯度直方图，即可形成每个单元的描述符号(descriptor)。6：将每几个单元组成一个块，例如3*3个单元/块，一个块内所有单元的特征descriptor串联起来便可以得到该块的HOG特征descriptor。7：将图像内的所有块的HOG特征descriptor串联起来可以得到所述图像的HOG特征descriptor。
样本图像的特征提取完成后，可使用SVM对提取的样本特征进行训练学习，或者采用CNN方式对提取的样本特征进行训练学习，获得样本特征的特征分类，即获得表征男性的第一特征分类和表征女性的第二特征分类。在针对所述第一图像按照HOG方式进行第一特征提取后，也可按照相同的训练学习方式(例如SVM或CNN)进行计算，获得所述第一特征对应的特征分类，从而将所述特征分类对应的性别属性信息作为计算获得的第一特征信息，也即计算获得所述第一图像中的人脸表征的性别属性是男性或是女性。
当所述第一特征信息为人脸表征的年龄属性类别的特征信息时，则针对年龄属性，作为一种实施方式，所述数据分析单元43，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第二预设学习模型将采集到的样本特征进行特征分类，获得表征预设年龄分段的多个特征分类；
相应的，所述数据分析单元43，用于将所述第一特征按照所述第二预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的年龄分段作为所述第一特征信息。
作为另一种实施方式，所述数据分析单元43，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第三预设学习模型将采集到的样本特征进行回归训练，获得表征年龄属性的函数；
相应的，所述数据分析单元43，用于基于所述第一特征按照所述函数进行计算，获得年龄值，将所述年龄值作为所述第一特征信息。
上述两种实施方式的区别在于，第一种实施方式是将样本特征进行分类，计算表征年龄属性类别的第一特征信息处于哪个分类中。例如将年龄1-100岁共设置100个分类，或者按照预设的年龄分段进行分类，例如每隔10岁设置为一类，如1-10岁为第一分类，11至20为第二分类，以此类推。第二种实施方式是利用样本特征进行回归训练，获得表征年龄属性的函数，再通过表征年龄属性类别的第一特征信息以及回归获得的函数进行计算，获得所述第一特征信息对应的函数值，也即年龄值。
具体的，第一种实施方式中，所述数据分析单元43在提取第一图像的第一特征，以及样本图像的特征时，可采用HOG的方式进行提取，具体的提取过程可参照上述描述，这里不再赘述。样本图像的特征提取完成后，可利用SVM对提取出的特征进行训练学习，或者采用CNN方式对提取的样本特征进行训练学习，获得样本特征的年龄分类，例如将年龄1至100岁按照每10岁的年龄间隔进行分类。在针对所述第一图像按照HOG方式进行第一特征提取后，也可按照相同的训练学习方式(例如SVM或CNN)进行计算，获得所述第一特征对应的年龄分类，从而将所述特征分类对应的年龄属性信息作为计算获得的第一特征信息，也即计算获得所述第一图像中的人脸表征的年龄。
在第二种实施方式中，对于样本图像以及第一图像，所述数据分析单元43可采用HOG的方式进行特征的提取，具体可参照上述描述，这里不再赘述。样本图像的特征提取完成后，所述数据分析单元43可利用支持向量回归(SVR，Support Vector Regressor)对提取出的特征进行回归训练拟合，获得表征年龄属性的函数。在针对所述第一图像按照HOG方式进行第一特征提取后，按照所述SVR以及获得的函数对所述第一特征进行回归拟合，获得所述第一特征对应的函数值，也即获得年龄值，将所述年龄值作为计算获得的第一特征信息，也即计算获得所述第一图像中的人脸表征的年龄。当然，本发明实施例中不限于采用SVR回归方式进行年龄值的计算，也可以使用欧式距离的计算方法进行年龄值的计算。
本实施例中，所述第一特征信息计算完成后，所述匹配单元44比较计算获得的第一特征信息以及从数据库中获得的第二特征信息。具体例如，比较计算获得的第一图像中人脸表征的性别属性类别和/或年龄属性类别与所述数据库中记载的性别属性类别和/或年龄属性类别是否一致。并且，比较所述数据分析单元43计算获得的相似度参数与预设阈值的大小。
当所述相似度参数大于预设阈值时，表明所述第一图像和所述第二图像中的人脸图像非常相似。进一步比较所述第一特征信息与所述第二特征信息是否一致；当所述第一特征信息与所述第二特征信息一致时，例如年龄属性类别相同和/或性别属性类别相同时，可最终确定所述第一图像和所述第二图像一致，也即所述第一图像中的人脸和所述第二图像中的人脸表征同一个人脸。
本发明实施例中，所述终端中的数据分析单元43和匹配单元44，在实际应用中均可由所述终端中的中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，Microcontroller Unit)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现；所述终端中的第一获取单元41，在实际应用中均可由所述终端中的摄像头实现；所述终端中的第二获取单元42，在实际应用中可通过通信模组(包含：基础通信套件、操作系统、通信模块、标准化接口和协议等)及收发天线实现。
采用本发明实施例的技术方案，通过对第一图像中的人脸表征的属性类别(例如性别、年龄等属性类别)进行识别以及匹配，避免了由于遗传等原因导致五官长相比较相似的两幅图像误判的情况发生，例如“爸爸和儿子”、“妈妈和儿子”、“妈妈和女儿”、“爸爸和女儿”等由于遗传等原因五官长相具有较高的相似度从而误判为同一人的情况，大大提升了图像中人脸比对的准确率。
本实施例中，所述终端作为硬件实体的一个示例如图5所示。所述装置包括处理器61、存储介质62以及至少一个外部通信接口63；所述处理器61、存储介质62以及外部通信接口63均通过总线64连接。当然，作为另一种实施方式，即所述第一图像需要通过图像采集方式获得时，所述终端中还包括摄像头，所述摄像头也通过所述总线64与所述处理器61、存储介质62连接。
这里需要指出的是：以上涉及终端的描述，与上述方法描述是类似的，同方法的有益效果描述，不做赘述。对于本发明终端实施例中未披露的技术细节，请参照本发明方法实施例的描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前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，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (12)

1.一种信息处理方法，其特征在于，所述方法包括：
获得第一图像和第二图像，以及获得第二特征信息；其中，所述第一图像和所述第二图像均包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；
分别提取所述第一图像的第一特征和所述第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；
基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；
比较所述第一特征信息与所述第二特征信息；
当所述相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征按预设方法计算第一特征信息，包括：基于所述第一特征按预设方法计算至少两类第一特征信息；
相应的，所述第二特征信息包括至少两类第二特征信息；
其中，所述至少两类第一特征信息和所述至少两类第一特征信息包括以下信息的至少之二：年龄信息、性别信息、人种信息。
3.根据权利要求2所述的方法，其特征在于，所述第一特征信息与所述第二特征信息一致，包括：
所述至少两类第一特征信息中，每类第一特征信息与所述至少两类第二特征信息中属于同类的第二特征信息一致。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第一预设学习模型将采集到的样本特征进行特征分类，获得表征男性的第一特征分类和表征女性的第二特征分类；
所述基于所述第一特征按预设方法计算第一特征信息，包括：
将所述第一特征按照所述第一预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的性别属性信息作为所述第一特征信息。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第二预设学习模型将采集到的样本特征进行特征分类，获得表征预设年龄分段的多个特征分类；
则所述基于所述第一特征按预设方法计算第一特征信息，包括：
将所述第一特征按照所述第二预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的年龄分段作为所述第一特征信息。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征按预设方法计算第一特征信息之前，所述方法包括：
按照第三预设学习模型将采集到的样本特征进行回归训练，获得表征年龄属性的函数；
则所述基于所述第一特征按预设方法计算第一特征信息，包括：
基于所述第一特征按照所述函数进行计算，获得年龄值，将所述年龄值作为所述第一特征信息。
7.一种终端，其特征在于，所述终端包括：第一获取单元、第二获取单元、数据分析单元和匹配单元；其中，
所述第一获取单元，用于获得第一图像；所述第一图像包含人脸特征；
所述第二获取单元，用于获得第二图像，以及获得第二特征信息；所述第二图像包含人脸特征；所述第二特征信息为所述第二图像相关联的人脸表征的属性类别信息；
所述数据分析单元，用于分别提取所述第一获取单元获得的第一图像的第一特征和所述第二获取单元获得的第二图像的第二特征；按预设验证方法计算所述第一特征和所述第二特征的相似度参数；基于所述第一特征按预设方法计算第一特征信息；所述第一特征信息为所述第一图像包含的人脸表征的属性类别信息；
所述匹配单元，用于比较所述数据分析单元获得的第一特征信息与所述第二获取单元获得的第二特征信息；当所述数据分析单元计算的相似度参数大于预设阈值、且所述第一特征信息与所述第二特征信息一致时，确定所述第一图像和所述第二图像一致。
8.根据权利要求7所述的终端，其特征在于，所述数据分析单元，用于基于所述第一特征按预设方法计算至少两类第一特征信息；
相应的，所述第二特征信息包括至少两类第二特征信息；
其中，所述至少两类第一特征信息和所述至少两类第一特征信息包括以下信息的至少之二：年龄信息、性别信息、人种信息。
9.根据权利要求8所述的终端，其特征在于，所述匹配单元，用于比较所述数据分析单元获得的第一特征信息与所述第二获取单元获得的第二特征信息；当所述数据分析单元计算的相似度参数大于预设阈值、且所述至少两类第一特征信息中，每类第一特征信息与所述至少两类第二特征信息中属于同类的第二特征信息一致时，确定所述第一图像和所述第二图像一致。
10.根据权利要求7所述的终端，其特征在于，所述数据分析单元，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第一预设学习模型将采集到的样本特征进行特征分类，获得表征男性的第一特征分类和表征女性的第二特征分类；
相应的，所述数据分析单元，用于将所述第一特征按照所述第一预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的性别属性信息作为所述第一特征信息。
11.根据权利要求7所述的终端，其特征在于，所述数据分析单元，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第二预设学习模型将采集到的样本特征进行特征分类，获得表征预设年龄分段的多个特征分类；
相应的，所述数据分析单元，用于将所述第一特征按照所述第二预设学习模型进行计算，获得所述第一特征对应的特征分类，将所述特征分类对应的年龄分段作为所述第一特征信息。
12.根据权利要求7所述的终端，其特征在于，所述数据分析单元，还用于基于所述第一特征按预设方法计算第一特征信息之前，按照第三预设学习模型将采集到的样本特征进行回归训练，获得表征年龄属性的函数；
相应的，所述数据分析单元，用于基于所述第一特征按照所述函数进行计算，获得年龄值，将所述年龄值作为所述第一特征信息。
CN201610380397.0A 2016-05-31 2016-05-31 一种信息处理方法及终端 Active CN106056083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610380397.0A CN106056083B (zh) 2016-05-31 2016-05-31 一种信息处理方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610380397.0A CN106056083B (zh) 2016-05-31 2016-05-31 一种信息处理方法及终端

Publications (2)

Publication Number Publication Date
CN106056083A true CN106056083A (zh) 2016-10-26
CN106056083B CN106056083B (zh) 2019-08-13

Family

ID=57172480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610380397.0A Active CN106056083B (zh) 2016-05-31 2016-05-31 一种信息处理方法及终端

Country Status (1)

Country Link
CN (1) CN106056083B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649710A (zh) * 2016-12-20 2017-05-10 北京奇虎科技有限公司 图片推选方法、装置和移动终端
CN106980819A (zh) * 2017-03-03 2017-07-25 竹间智能科技（上海）有限公司 基于人脸五官的相似度判别系统
CN109446171A (zh) * 2017-08-30 2019-03-08 腾讯科技（深圳）有限公司 一种数据处理方法和装置
CN109636867A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
WO2020038136A1 (zh) * 2018-08-24 2020-02-27 深圳前海达闼云端智能科技有限公司 面部识别方法、装置、电子设备及计算机可读介质
CN111723229A (zh) * 2020-06-24 2020-09-29 重庆紫光华山智安科技有限公司 数据比对方法、装置、计算机可读存储介质和电子设备
WO2020192112A1 (zh) * 2019-03-22 2020-10-01 北京市商汤科技开发有限公司 人脸识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615248A (zh) * 2009-04-21 2009-12-30 华为技术有限公司 年龄估计方法、设备和人脸识别系统
CN102298709A (zh) * 2011-09-07 2011-12-28 江西财经大学 复杂环境下多特征融合的节能型智能识别数字标牌
CN102708497A (zh) * 2012-01-13 2012-10-03 合一网络技术(北京)有限公司 一种基于VideoBag特征的精准广告投放系统及方法
CN103294982A (zh) * 2012-02-24 2013-09-11 北京明日时尚信息技术有限公司 一种网络图片中人物检测、身体部位定位、年龄估计和性别识别的方法及系统
CN105069016A (zh) * 2015-07-13 2015-11-18 小米科技有限责任公司 相册管理方法、装置以及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615248A (zh) * 2009-04-21 2009-12-30 华为技术有限公司 年龄估计方法、设备和人脸识别系统
CN102298709A (zh) * 2011-09-07 2011-12-28 江西财经大学 复杂环境下多特征融合的节能型智能识别数字标牌
CN102708497A (zh) * 2012-01-13 2012-10-03 合一网络技术(北京)有限公司 一种基于VideoBag特征的精准广告投放系统及方法
CN103294982A (zh) * 2012-02-24 2013-09-11 北京明日时尚信息技术有限公司 一种网络图片中人物检测、身体部位定位、年龄估计和性别识别的方法及系统
CN105069016A (zh) * 2015-07-13 2015-11-18 小米科技有限责任公司 相册管理方法、装置以及终端设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649710A (zh) * 2016-12-20 2017-05-10 北京奇虎科技有限公司 图片推选方法、装置和移动终端
CN106980819A (zh) * 2017-03-03 2017-07-25 竹间智能科技（上海）有限公司 基于人脸五官的相似度判别系统
CN109446171A (zh) * 2017-08-30 2019-03-08 腾讯科技（深圳）有限公司 一种数据处理方法和装置
WO2020038136A1 (zh) * 2018-08-24 2020-02-27 深圳前海达闼云端智能科技有限公司 面部识别方法、装置、电子设备及计算机可读介质
CN109636867A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
WO2020192112A1 (zh) * 2019-03-22 2020-10-01 北京市商汤科技开发有限公司 人脸识别方法及装置
CN111723229A (zh) * 2020-06-24 2020-09-29 重庆紫光华山智安科技有限公司 数据比对方法、装置、计算机可读存储介质和电子设备

Also Published As

Publication number Publication date
CN106056083B (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN106056083A (zh) 一种信息处理方法及终端
Dua et al. Biometric iris recognition using radial basis function neural network
US10534957B2 (en) Eyeball movement analysis method and device, and storage medium
US20190228211A1 (en) Au feature recognition method and device, and storage medium
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
Lee et al. Vasir: an open-source research platform for advanced iris recognition technologies
Anand et al. An improved local binary patterns histograms techniques for face recognition for real time application
Hassanat et al. Victory sign biometrie for terrorists identification: Preliminary results
CN109190456B (zh) 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
Rattani et al. Gender prediction from mobile ocular images: A feasibility study
Roy et al. A novel quaternary pattern of local maximum quotient for heterogeneous face recognition
WO2015131571A1 (zh) 一种实现图片排序的方法及终端
Gou et al. mom: Mean of moments feature for person re-identification
KR101174103B1 (ko) 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법
Deng et al. Attention-aware dual-stream network for multimodal face anti-spoofing
Olivares-Mercado et al. Face recognition system for smartphone based on lbp
Nguyen et al. Reliable detection of eye features and eyes in color facial images using ternary eye-verifier
Benlamoudi Multi-modal and anti-spoofing person identification
Wasnik et al. Improved fingerphoto verification system using multi-scale second order local structures
Becerra-Riera et al. Age and gender classification using local appearance descriptors from facial components
CN109711260B (zh) 疲劳状态的检测方法、终端设备及介质
Sehgal Palm recognition using LBP and SVM
Kehinde et al. Hand geometry recognition: an approach for closed and separated fingers

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