CN106295313B - 对象身份管理方法、装置和电子设备 - Google Patents
对象身份管理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN106295313B CN106295313B CN201610626976.9A CN201610626976A CN106295313B CN 106295313 B CN106295313 B CN 106295313B CN 201610626976 A CN201610626976 A CN 201610626976A CN 106295313 B CN106295313 B CN 106295313B
- Authority
- CN
- China
- Prior art keywords
- identity
- feature
- database
- sample data
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
Abstract
公开了一种对象身份管理方法、装置和电子设备。所述方法包括:接收采集器件所采集的样本数据序列;从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;以及响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息。因此,无需对象经历显式的注册过程,充分提升了身份管理过程中的工作效率。
Description
技术领域
本申请涉及身份识别领域,且更具体地涉及一种对象身份管理方法、装置、电子设备、计算机程序产品和计算机可读存储介质。
背景技术
近年来,由于计算机、互联网、人工智能等技术的迅猛发展,具有人机交互功能的电子设备已经越发普及。如何能够快速、正确识别用户的身份,从而实现区分对待,是电子设备与人进行交互的前提和基础。
传统上,用户身份的识别可以通过多种技术实现,如输入登录密码、刷权限卡等。这些技术虽然应用广泛,而且唯一性、保密性较好,但是对于服务于人的服务型电子设备而言,其并不是很好的解决方案。这是因为人们更希望这些电子设备能够像人一样进行自然交流,而不是以通过输入密码、刷卡等繁琐的方式获取操控权。
为此,在人机交互领域中提出了基于特征识别的身份认证手段,例如人脸识别、指纹认证、虹膜比对等,其具备简单、自然、无需特别携带或记忆的优点。
发明内容
然而,通过分析发现,现有的特征识别技术仍存在着固有缺陷,即识别需要以显式的注册过程为前提。以基于图像采集的人脸识别技术为例,在实现用户识别之前,其需要用户预先执行注册过程,其中需要被识别人多次提供正脸、侧脸等进行配合,完成特征采集以供后续识别使用。因此,传统的特征识别技术使用起来非常不方便,灵活性较差,用户体验舒适度较低。
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种对象身份管理方法、装置、电子设备、计算机程序产品和计算机可读存储介质,其避免了传统特征识别技术中的显式注册过程,而是采用模拟人类的认知过程,无需用户执行繁琐的配合操作,即可自动完成注册。
根据本申请的一个方面,提供了一种对象身份管理方法,包括:接收采集器件所采集的样本数据序列;从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;以及响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息。
在本申请的一个实施例中,从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征包括:在每一帧样本数据中检测身份特征区域;以及从所述身份特征区域中提取所述对象的身份特征。
在本申请的一个实施例中,根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息包括:判断在所述身份数据库中是否存在与所述对象的身份特征相匹配的基准身份特征;以及响应于在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,确定在所述身份数据库中存在所述对象的身份信息,否则,确定在所述身份数据库中不存在所述对象的身份信息。
在本申请的一个实施例中,判断在所述身份数据库中是否存在与所述对象的身份特征相匹配的基准身份特征包括:将所述身份数据库中的每一个基准身份特征与所述对象的身份特征进行比较,以确定与所述对象的身份特征具有最大相似性的基准身份特征;判断所述最大相似性是否大于或等于第一阈值;以及响应于所述最大相似性大于或等于所述第一阈值,确定在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,否则,确定在所述身份数据库中不存在与所述对象的身份特征相匹配的基准身份特征。
在本申请的一个实施例中,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息包括:只要在所述身份数据库中不存在所述对象的身份信息,就根据所述对象的身份特征来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
在本申请的一个实施例中,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息包括:在所述样本数据序列中对所述对象进行跟踪;在跟踪到所述对象的每一帧样本数据中提取所述对象的身份特征;通过对所述对象的身份特征进行聚类来生成所述对象的身份特征类;以及根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
在本申请的一个实施例中,根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征包括:确定所述对象的身份特征类之中身份特征的个数和每一个身份特征与所述身份特征类的类中心之间的偏差程度;判断所述样本数据的个数是否大于或等于第二阈值并且所述偏差程度是否小于或等于第三阈值;以及响应于所述样本数据的个数大于或等于所述第二阈值并且所述偏差程度小于或等于所述第三阈值,根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征。
在本申请的一个实施例中,根据所述对象的身份特征类来生成所述对象的基准身份特征包括:将所述类中心所表示的身份特征确定为所述对象的基准身份特征。
在本申请的一个实施例中,所述对象身份管理方法还包括:响应于在所述身份数据库中不存在所述对象的身份信息,记录与所述对象相关联的关于一电子设备的操作设置信息。
在本申请的一个实施例中,所述对象身份管理方法还包括:响应于在所述身份数据库中存在所述对象的身份信息,根据所述对象的身份特征来更新所述对象在所述身份数据库中的身份信息。
在本申请的一个实施例中,根据所述对象的身份特征来更新所述对象在所述身份数据库中的身份信息包括:向所述对象的身份特征分配一权重;以及使用所述权重和所述对象的身份特征来更新所述对象在所述身份数据库中的基准身份特征。
在本申请的一个实施例中,所述对象身份管理方法还包括:响应于在所述身份数据库中存在所述对象的身份信息,读取与所述对象相关联的关于一电子设备的操作设置信息,使得所述电子设备根据所述操作设置信息来进行操作。
根据本申请的另一方面,提供了一种对象身份管理装置,包括:接收单元,用于接收采集器件所采集的样本数据序列;提取单元,用于从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;判断单元,用于根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;以及创建单元,用于响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息。
根据本申请的另一方面,提供了一种电子设备,包括:处理器;存储器;以及存储在所述存储器中的计算机程序指令,所述计算机程序指令在被所述处理器运行时执行上述的对象身份管理方法。
在本申请的一个实施例中,所述电子设备还包括:采集器件,被配置为采集所述样本数据序列。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行上述的对象身份管理方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行上述的对象身份管理方法。
与现有技术相比,采用根据本申请实施例的对象身份管理方法、装置、电子设备、计算机程序产品和计算机可读存储介质,无需对象经历显式的注册过程,通过采集对象的身份特征,自动地将同一个对象的身份特征记录下来,根据一预定策略将此对象的身份特征注册到身份数据库中,同时分配一个对象ID,从而充分提升了身份管理过程中的工作效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的对象身份管理的应用场景的示意图。
图2图示了根据本申请第一实施例的对象身份管理方法的流程图。
图3图示了根据本申请实施例的提取对象的身份特征步骤的流程图。
图4图示了根据本申请实施例的创建对象身份信息步骤的流程图。
图5图示了根据本申请另一实施例的创建对象身份信息步骤的流程图。
图6图示了根据本申请第二实施例的对象身份管理方法的流程图。
图7图示了根据本申请实施例的身份信息更新步骤的流程图。
图8图示了根据本申请第三实施例的对象身份管理方法的流程图。
图9图示了根据本申请实施例的对象身份管理装置的框图。
图10图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,现有的特征识别技术都包括两个过程,即注册过程和识别过程。仍然以基于图像采集的人脸识别技术为例,在注册过程中,其需要用户配合采集多张人脸图像,从中提取人脸特征,并将此用户的身份标识符(ID)和人脸特征存储在数据库中。在接下来的识别过程中,其采集待识别用户的图像并提取人脸特征,与数据库中预先存储的人脸特征进行匹配,如果匹配成功,则将与该匹配结果对应的用户ID作为识别结果返回,以便为用户完成后续操作。
通过分析可以看出,现有的特征识别技术存在以下缺点:用户必须执行显式的注册过程,即用户必须经历特征采集与用户ID输入的过程,在此期间往往需要用户进行多次配合,注册流程复杂,交互体验差。
针对该技术问题,本申请的基本构思是提出一种新的对象身份管理方法、装置、电子设备、计算机程序产品和计算机可读存储介质,其采集对象的身份特征,根据采集到的对象的身份特征在数据库中查询该对象是否已注册,如果其并未注册,则根据一预定策略自动地将对象的身份特征记录下来并将该对象注册到数据库中。显然,根据该基本构思的对象身份管理方法无需进行显式的注册过程即可完成对于对象身份的管理,大大简化了管理对象身份的流程。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
应用场景总览
图1图示了根据本申请实施例的对象身份管理的应用场景的示意图。
如图1所示,用于管理对象身份的应用场景包括对象和身份管理装置。
该对象可以是任何类型的对象,包括有生命的物体和无生命的物体。例如,有生命的物体可以包括人、动物和植物等;而无生命的物体可以包括机器人、汽车、水瓶等。
该身份管理装置用于管理对象的身份。例如,该身份管理装置可以用于接收采集器件所采集的样本数据序列;从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;并且响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息。
此外,该身份管理装置还可以进一步响应于在所述身份数据库中存在所述对象的身份信息,执行一个或多个功能。替换地,该身份管理装置本身也可以不执行任何功能,而是与一个或多个电子设备进行通信,并且响应于在所述身份数据库中存在所述对象的身份信息,向所述电子设备发送触发信号,以触发所述电子设备执行一个或多个功能。
例如,该身份管理装置可以应用于门禁系统,用于验证人或动物的身份来开启大门;或者应用于灌溉系统,用于验证植物的品种来执行浇水操作;或者应用于维修系统,用于验证机器人的身份和汽车的型号来进行维修;或者应用于饮料分配系统,用于验证水瓶的容量和形状来注入饮料等等。
需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施例不限于此。相反,本申请的实施例可以应用于可能适用的任何场景。例如,该对象可以是一个或多个,类似地,该身份管理装置也可以为一个或多个。
示例性方法
下面结合图1的应用场景,参考图2来描述根据本申请第一实施例的对象身份管理方法。
图2图示了根据本申请第一实施例的对象身份管理方法的流程图。
如图2所示,根据本申请第一实施例的对象身份管理方法可以包括:
在步骤S110中,接收采集器件所采集的样本数据序列。
为了使得身份管理装置能够对对象进行身份管理,可以通过采集器件来采集样本数据序列,以便从中提取对象的身份特征。
例如,该采集器件可以是用于捕捉图像数据序列的图像传感器,其可以是摄像头或摄像头阵列。例如,图像传感器所采集到的图像数据序列可以是连续图像数据序列(即,视频流)或离散图像数据序列(即,在预定采样时间点采样到的图像数据组)等。
又如,该采集器件也可以是用于捕捉音频数据序列的音频传感器,其可以是麦克风或麦克风阵列。例如,音频传感器所采集到的音频数据序列可以是连续音频数据序列(即,音频流)或离散音频数据序列(即,在预定采样时间段采样到的音频数据组)等。
需要说明的是,该采集器件不限于图像传感器和音频传感器,取决于不同的应用场景,其可以是适于采集任何类型的样本数据序列的任何传感器。例如,在诸如医疗或体检机构的应用场景下,该采集器件还可以是生物传感器,例如,其可以是以下各项中的至少一个:用于检测心率数据序列的心率传感器、用于检测脉搏数据序列的脉搏传感器、用于检测体温数据序列的体温传感器、和用于检测血压数据序列的血压传感器等。
该采集器件可以直接集成在该身份管理装置上;也可以与该身份管理装置分立地、但能够与之进行通信地设置,以便向其发送所采集的样本数据序列。
在步骤S120中,从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征。
在从采集器件接收到所采集的样本数据序列中的每一帧样本数据之后,可以从所述每一帧样本数据中提取对象的身份特征。例如,该对象的身份特征取决于不同的对象,可以包括不同的类型。例如,一般地,身份特征可以包括可视特征、可听特征和可测量特征等。
人的可视特征例如包括脸部特征(例如,眉目鼻口等的位置)、指纹和/或掌纹特征(纹线的起点、终点、结合点和分叉点等的位置)、虹膜特征(像冠、水晶体、细丝、斑点、凹点、凸点、射线、皱纹和条纹等的位置)、体形特征(肢体和躯干的形状)、骨骼特征(骨架关节点的位置)、动作姿态特征(站立、行走、下蹲、跳跃等动作的姿态),可听特征例如包括声纹特征(音高、音强、音长、音色等)、语言特征(口头语),可测量特征例如包括生物特征(心率、脉搏、体温、血压等)。动物的身份特征基本上与人相似。植物的可视特征例如包括植物整体和/或局部的外形特征等,可测量特征例如包括植物的组织液特征等。无生命物体的可视特征例如包括物体整体和/或局部的外形特征等,可听特征例如包括物体发出声音的特征(例如,机器人的声波特征)等,可测量特征例如包括因特网协议(IP)地址、设备标识符等。
取决于身份识别的准确度要求和身份特征本身用于识别对象身份能力的强弱程度等因素,在本方法中可以从每一帧样本数据中提取对象的一种或多种身份特征来对对象的身份进行识别和管理。
图3图示了根据本申请实施例的提取对象的身份特征步骤的流程图。
如图3所示,步骤S120可以包括:
在子步骤S121中,在每一帧样本数据中检测身份特征区域。
由于大部分的身份特征(例如,脸部特征、指纹特征、掌纹特征、虹膜特征等)往往仅仅存在于对象的某一部分区域中,而与其他区域无关,所以为了减小后续操作的计算量、防止引入不必要的噪声,可以在提取对象的身份特征之前,首先在每一帧样本数据中确定仅仅包含该身份特征的身份特征区域。
这里,以人作为对象来举例说明。例如,脸部特征仅仅关注人的脸部区域的特征,而图像传感器采集到的往往是一个固定成像范围内的全部图像,其中可能包括人的全部或部分身体区域以及其他背景区域。这时,可以先从整幅图像中检测人的脸部区域,以便随后从中提取其脸部特征。又如,声纹特征仅仅关注人的声音分量的特征,而音频传感器采集到的往往是一个场景内的全部声音,其中可能包括人的声音分量和其他背景声音。这时,可以先从整个音频中检测人的声音分量,以便随后从中提取其声纹特征。
下面,为了便于描述,将以人作为对象、以脸部关键点作为身份特征为例进行说明,但是,显然本申请不限于此,对象可以是其他任何有生命或无生命物体,且身份特征可以是上面提及的或本领域目前或将来公知的一种或多种其他特征来实现。
例如,可以通过任何的人脸检测算法来确定在图像传感器所采集的图像中是否包含人脸,并且在包含人脸的情况下,在图像传感器所采集的图像中定位出人脸区域。例如,可以利用预先训练好的人脸检测器来在图像传感器所采集的图像中定位人脸区域。具体地,可以预先利用哈尔(Haar)算法、自适应增强(AdaBoost)算法、卷积神经网络(CNN)、支持向量机(SVM)等人脸检测算法在大量图片的基础上训练出人脸检测器,对于输入的单帧图像,该预先训练好的人脸检测器能够快速地定位出人脸区域。此外,对于图像传感器连续采集的多帧图像,在首帧图像中定位出人脸区域之后,还可以基于当前帧图像的前一帧图像中人脸区域的位置来实时地跟踪在当前帧图像中人脸区域的位置。例如,人脸跟踪可以基于先前帧的人脸移动的速度、方向以及人脸的模式,对当前帧的局部范围内进行人脸搜索,以确定在先前帧中检查到的人脸在当前帧的位置。
在子步骤S122中,从所述身份特征区域中提取所述对象的身份特征。
在检测到例如脸部区域的身份特征区域之后,可以通过分析每一帧的脸部图像来获得人脸的关键点位置作为脸部特征。如上所述,人脸关键点可以是脸部一些表征能力强的关键点,例如眼睛、眼角、眼睛中心、眉毛、鼻子、鼻尖、嘴巴、嘴角和脸部轮廓等。可以利用预先训练好的关键点定位器来在人脸区域中定位人脸关键点,确定关键点的位置和尺寸。例如,可以预先利用级联回归方法在大量人工标注的人脸图片的基础上训练出关键点定位器。替换地,也可以采用传统的人脸关键点定位方法,其基于参数形状模型,根据关键点附近的表观特征,学习出一个参数模型,在使用时迭代地优化关键点的位置,最后得到关键点坐标。此外,也可以采用主成分分析算法(PCA)、线性判别分析(LDA)、度量学习(metriclearning)等算法,基于度量损失函数来提取脸部特征。
接下来,可以生成用于描述所述对象的每一个身份特征的描述子。所述描述子与所述身份特征为一一对应的关系,每一个描述子用于描述每一个身份特征所包含的特征信息,即,局部特征信息。可以通过多种方式来生成身份特征的描述子。
在第一示例中,可以采用基于学习的方式,通过使用离线训练的卷积神经网络来生成所述描述子。
具体地,可以对于每个身份特征,以所述身份特征为诸如中心的预定参考点而归一化尺寸,从而得到特征区域图像。然后,对离线训练好的卷积神经网络输入所述特征区域图像,以获得所述描述子。所述离线训练好的卷积神经网络包括输入层、卷积层(conv)、子采样层(pooling)、全连接层、输出层(分类器)。卷积层和子采样层可以分别有若干个。全连接层相当于多层感知机中的隐含层。并且,所述输出层(或描述子生成器)可以采用多分类的逻辑斯特回归(softmax)来表示。
在第二示例中,可以基于人脸区域图像的梯度,根据所述身份特征直接生成人脸区域图像的梯度作为描述子。
具体地,首先,可以对于每个身份特征,以所述身份特征为预定参考点而确定身份特征区域。例如,可以在每个身份特征附近,以所述身份特征为中心确定一预定形状(例如,正方形)的身份特征区域。接下来,将所述身份特征区域划分为多个(例如,4x4个)子区域,并计算每个子区域的梯度信息。然后,基于所述梯度信息,计算每个子区域的多维(例如,128维)梯度直方图,并将落入所述多维梯度直方图的每一维的点数连接成身份特征向量以得到所述身份特征的描述子。当然,所连接的身份特征向量可进一步经过诸如归一化的处理等而得到所述描述子。
应了解本申请不受具体采用的人脸检测方法、人脸关键点定位方法和描述子生成方法的限制,无论是现有的、还是将来开发的人脸检测方法、人脸关键点定位方法和描述子生成方法,都可以应用于根据本申请实施例的对象身份管理方法中,并且也应包括在本申请的保护范围内。
下面,返回参考图2来继续描述根据本申请实施例的对象身份管理方法。
在步骤S130中,根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息。
在提取到对象的身份特征之后,可以根据所述对象的身份特征来判断所述对象是否为已注册对象,在身份数据库中保存有所述已注册对象的身份信息,例如,身份信息可以包括身份标识符及其基准身份特征等。该身份数据库可以存储在身份管理装置本地,也可以存储于与身份管理装置分立的且可以与身份管理装置进行通信的其他电子设备中。
例如,可以首先判断在所述身份数据库中是否存在与所述对象的身份特征相匹配的基准身份特征。然后,响应于在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,确定在所述身份数据库中存在所述对象的身份信息,否则,确定在所述身份数据库中不存在所述对象的身份信息。
关于身份特征是否匹配的判断可以等价于身份特征之间相似性的判断。例如,可以将所述身份数据库中的每一个基准身份特征与所述对象的身份特征进行比较,以确定与所述对象的身份特征具有最大相似性的基准身份特征。然后,可以判断所述最大相似性是否大于或等于第一阈值。最后,响应于所述最大相似性大于或等于所述第一阈值,确定在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,否则,确定在所述身份数据库中不存在与所述对象的身份特征相匹配的基准身份特征。
当采用描述子来描述所述对象的每一个身份特征时,身份特征之间的相似性又可以采用描述子之间的距离来衡量。在此情况下,首先,计算待识别用户的所有脸部特征点的描述子与在身份数据库中存储的每一个已注册用户的所有脸部特征点的描述子之间的欧式距离。然后,对计算所得到的各个欧氏距离进行排序,取其中最小的欧式距离,并且判断该最小的欧式距离是否小于或等于某个阈值thresh_distance。如果是,则可以确定所述待识别用户的身份,例如,这时可以返回在身份数据库中存储的、其特征描述子与待识别用户的特征描述子具有最小欧式距离的该已注册用户的身份信息。否则,则判断出所述待识别的用户为未注册用户。
需要说明的是,本申请不限于此。例如,除了采用欧式距离之外,还可以使用加权欧式距离、最大似然比等其他度量来判断两个身份特征之间的相似性。
响应于在所述身份数据库中存在所述对象的身份信息,也就是说,一旦判断出待识别用户是存在于身份数据库中的已注册用户,则本方法结束。
在步骤S140中,响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息。
一旦判断出待识别用户不是存在于身份数据库中的已注册用户,可以根据一预定策略和所述对象的身份特征来对其进行注册。
在第一示例中,该预定策略可以是无条件地触发注册。例如,只要在所述身份数据库中不存在所述对象的身份信息,就根据所述对象的身份特征来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
也就是说,一旦通过特征匹配发现待识别用户是未注册用户,可以直接将在步骤120中提取到的所述用户的脸部特征作为所述用户的基准身份特征。然后,可以为所述用户分配一个在身份数据库中未使用的身份标识符(ID)。例如,该身份标识符可以简单地是一个数字,其代表用户在身份数据库中的顺序码,或者该身份标识符也可以是一串字符(数字、字母等的组合),其可以表明用户被注册的时间、地点、以及是哪一个电子设备完成注册过程等信息,以便在后续向该用户提供更准确的服务时使用。最后,可以在身份数据库中为用户分配一个存储空间,以用于存储该用户的ID及其基准身份特征并且建立两者之间的关联关系。
这种无条件触发注册的方式将只要出现在摄像头成像范围内的用户都注册成为已注册用户,这可能会使得数据库中存在许多无意义的数据,例如,偶然经过成像区域的路人也会被注册成为已注册用户。而且,该方式还可能会导致出现以下情况,即当用户以不同姿态出现在摄像头前时由于其当前被捕捉到的脸部区域可能与先前被捕捉的脸部区域不同,所以同一个用户可能会被识别为两个不同的用户,这显然与实际情况不符。
为了解决上述问题,在第二示例中,该预定策略可以是有条件地触发注册。触发注册的条件可以与采集到样本的个数、时间、频率、地点、采集到的样本数据的准确度、是否收到注册触发信号等中的一个或多个相关。例如,该预定策略可以简单地是只有在捕捉到用户的足够多的脸部图像时才对该用户进行注册。或者,该预定策略也可以是只有在连续地捕捉到用户足够多的脸部图像时才对该用户进行注册。或者,该预定策略也可以是其他情况,例如只有在连续三天中的每天上午9点到10点分别捕捉到100张用户的脸部图像时才对该用户进行注册。或者,该预定策略也可以基于对象身份管理装置从某个其他电子设备接收到注册触发信号(例如,该触发信号例如可以在用户使用该其他电子设备时发出)、且捕捉到同一个用户足够多的脸部图像时才对该用户进行注册。
下面,将在一个例子中对有条件触发注册的方式进行具体描述。
图4图示了根据本申请实施例的创建对象身份信息步骤的流程图。
如图4所示,步骤S140可以包括:
在子步骤S141中,响应于在所述身份数据库中不存在所述对象的身份信息,在所述样本数据序列中对所述对象进行跟踪。
例如,一旦在当前帧中判断出待识别用户不是已注册用户,可以在随后帧中使用跟踪算法来跟踪所述待识别用户的脸部。如上所述,人脸跟踪可以基于先前帧的人脸移动的速度、方向以及人脸的模式,对当前帧的局部范围内进行人脸搜索,以确定在先前帧中检查到的人脸在当前帧的位置。
在子步骤S142中,在跟踪到所述对象的每一帧样本数据中提取所述对象的身份特征。
接下来,可以通过分析每一帧的脸部图像来获得人脸的关键点位置作为脸部特征,并且可以生成用于描述所述对象的每一个脸部特征的描述子。
在子步骤S143中,通过对所述对象的身份特征进行聚类来生成所述对象的身份特征类。
将不同的人脸对应到特定用户ID上采用的是人脸跟踪和特征聚类技术,可以认为在一个跟踪序列中的人脸特征属于同一个人,不同跟踪序列中的人脸特征通过在线学习(Online Learning)的聚类技术将其聚合在一起。具体地,在跟踪到该用户的脸部区域的身份特征区域之后,通过分析每帧脸部图像来获得人脸的关键点位置作为人脸特征并对其进行描述子表示。可以将针对该用户所提取到的身份特征划分为N(N为自然数)类,用于分别表示不同姿态和光照下的人脸特征状态。然后,可以将跟踪到的图像序列的前N个身份特征填入这N类中,并且将同一个人的后续跟踪序列身份特征按最近距离(例如,描述子之间的欧式距离最小)原则加权聚类到N类中最近的一个类中。
在子步骤S144中,根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
具体地,本子步骤S144可以包括:确定所述对象的身份特征类之中身份特征的个数和每一个身份特征与所述身份特征类的类中心之间的偏差程度;判断所述样本数据的个数是否大于或等于第二阈值并且所述偏差程度是否小于或等于第三阈值;以及响应于所述样本数据的个数大于或等于所述第二阈值并且所述偏差程度小于或等于所述第三阈值,生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征。其中,根据所述对象的身份特征类来生成所述对象的基准身份特征可以包括:将所述类中心所表示的身份特征确定为所述对象的基准身份特征。
例如,根据聚类的结果,当发现聚类的样本个数超过阈值thresh_num并且类内方差小于阈值thresh_var时,便启动将该类中心所表示的人脸特征注册到人脸数据库中。
可以看出,无论是无条件触发注册的方式、还是上述的有条件触发注册的方式,它们都没有关注该新注册用户是否有权限获得注册,这可能导致无关的或者有恶意的用户在得到注册之后获得对于特定设备、特定功能的使用权限,这显然是不希望的。
为了解决上述问题,该预定策略也可以是基于鉴权结果触发注册。触发注册的条件可以与预设的白名单或黑名单、所提取的辅助特征等中的一个或多个相关。例如,该预定策略可以简单地是预先设置的一个白名单,其中存储有希望被注册成为已注册用户的图像,只有在捕捉到的用户图像与该白名单中的至少一幅图像在身份特征上匹配时,才对该用户进行注册。或者,该预定策略可以简单地是预先设置的一个黑名单,其中存储有不希望被注册成为已注册用户的图像,只有在捕捉到的用户图像与该黑名单中的所有图像在身份特征上都不匹配时,才对该用户进行注册。或者,该预定策略也可以是除了采集用户的身份特征,还可以进一步采集用户的辅助特征,利用辅助特征来对用户进行鉴权,只有在鉴权通过时,才对该用户进行注册。
下面,将在另一例子中对基于鉴权的有条件触发注册的方式进行具体描述。
图5图示了根据本申请另一实施例的创建对象身份信息步骤的流程图。
如图5所示,步骤S140可以包括:
在子步骤S145中,从所述样本数据序列之中的每一帧样本数据中提取所述对象的辅助特征。
该对象的辅助特征取决于不同的对象,也可以包括不同的类型。下面,以辅助特征是可视特征为例进行说明。在对象是人的情况下,例如,可视的辅助特征可以是其所穿着的校服或员工服上的徽标(logo)、其所佩戴的工牌的样式、其手持的门票上的图案等任何具有一定识别作用的物体。可以假定只有带有这种辅助特征的人才是有注册权限的人。当然,本申请不限于此。该辅助特征也可以是可听特征和可测量特征等中的一种或多种。
例如,本子步骤可以采用与步骤S120中相同的方式,与步骤S120同时地、响应于在步骤S130中判断出在所述身份数据库中不存在所述对象的身份信息、或在其他时间点执行。
在子步骤S146中,判断是否存在与所述对象的辅助特征相匹配的基准辅助特征。
该辅助特征可以与身份特征一起存储在身份数据库中,也可以存储在一个单独的辅助数据库中。
本子步骤S146可以采用与步骤S130中相同的方式(即,利用特征描述子之间的欧式距离),或采用其他方式执行。
在子步骤S147中,响应于存在与所述对象的辅助特征相匹配的基准辅助特征,根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
一旦判断出所述对象的辅助特征是预设的基准辅助特征,就可以根据所述对象的身份特征对该对象进行注册,或者也可以对该对象进行跟踪和特征聚类并基于跟踪和聚类的结果来对该对象进行注册。
由此可见,采用根据本申请第一实施例的对象身份管理方法,无需对象经历显式的注册过程,通过采集对象的身份特征,自动地将同一个对象的身份特征记录下来,根据一预定策略将此对象的身份特征注册到身份数据库中,同时分配一个对象ID,从而充分提升了身份管理过程中的工作效率。
在第一实施例中,在未识别出对象时,通过采集对象的身份特征来自动地对对象执行注册操作,而在已识别出对象时,不再进行任何操作。然而,这样做可能导致:受到采集次数的限制,在身份数据库中存储的关于该已注册对象的身份特征可能是有限的。例如,也许在该身份数据库中仅仅包括了用户的左脸区域和右脸区域,而并未包括用户处于抬头和低头等姿态下的脸部特征。这可能会导致后续无法得到正确的识别结果。也就是说,用户一旦注册完成,不能针对不同用户进行自适应和再学习,注册信息即固定,不能自适应地通过用户的使用习惯来更新模型,适用的场合可能有限。
为了解决上述问题,在本申请的第二实施例中提出:可以在已识别出对象时,根据当前提取到的身份特征对该对象进行更新,以进一步完善身份数据库中的基准身份特征。
下面仍然结合图1的应用场景,参考图6来描述根据本申请第二实施例的对象身份管理方法。
图6图示了根据本申请第二实施例的对象身份管理方法的流程图。
在图6中,采用了相同的附图标记来指示与图2相同的步骤。因此,图6中的步骤S110-S140与图2的步骤S110-S140相同,并可以参见上面结合图2到图5进行的描述。图6与图2的不同之处在于增加了步骤S150。
在步骤S150中,响应于在所述身份数据库中存在所述对象的身份信息,根据所述对象的身份特征来更新所述对象在所述身份数据库中的身份信息。
一旦判断出待识别用户是存在于身份数据库中的已注册用户,可以使用在步骤S120中提取到的对象的身份特征来对身份数据库存储中的该对象的基准身份特征进行更新。
该特征更新可以是替换更新,即,使用新提取到的身份特征来替换已存储的基准身份特征。然而,由于新提取到的身份特征同样存在局限性,所以可能仍然存在一定问题。或者,该特征更新可以是增量更新,即,将新提取到的身份特征追加到身份数据库中。这样做可能会导致身份数据库的存储成本过大。替换地,可以考虑基于权重的特征更新,作为前述两者的折衷方案。
图7图示了根据本申请实施例的身份信息更新步骤的流程图。
如图7所示,步骤S150可以包括:
在子步骤S151中,向所述对象的身份特征分配一权重。
该权重可以根据经验值来设置。在一个示例中,由于在数据库中存储的基准特征往往是根据从多帧样本数据跟踪和聚类所得到的基准身份特征,其具有更强的权威性,所以可以向这些已有身份特征分配一个较大值的权重,而向新识别到的身份特征分配一个较小值的权重。例如,向已有身份特征分配的权重可以是0.9,而向新识别身份特征分配的权重可以是0.1。当然,权重的具体数字不限于此,可以根据经验或其他需求进行设置。
在子步骤S152中,使用所述权重和所述对象的身份特征来更新所述对象在所述身份数据库中的基准身份特征。
例如,可以按照以下公式来执行身份特征更新:
new_representation=alpha*old_representation+(1-alpha)*cur_representation其中,new_representation是更新后的身份特征,alpha是权重,old_representation是已有的身份特征,而cur_representation是新识别到的身份特征。
这样,即使用户脸部的小部分区域由于受伤或者衰老或其他原因而出现微小变化时,也可以使得身份数据库能够获得及时更新,以保证身份识别算法的准确性。
更进一步的,为了获得更好的更新效果,本步骤S150也可以包括:响应于在所述身份数据库中存在所述对象的身份信息,在所述样本数据序列中对所述对象进行跟踪;在跟踪到所述对象的每一帧样本数据中提取所述对象的身份特征;通过对所述对象的身份特征进行聚类来生成所述对象的身份特征类;确定所述对象的身份特征类之中身份特征的个数和每一个身份特征与所述身份特征类的类中心之间的偏差程度;以及响应于身份特征的个数和偏差程度满足一定条件,使用权重和所述类中心所表示的身份特征来更新所述对象在所述身份数据库中的基准特征。由于跟踪和聚类的步骤已经在前一实施例中进行描述,在此不再赘述。
由此可见,采用根据本申请第二实施例的对象身份管理方法,不但可以在对象没有被注册的情况下,自动将此对象的特征注册到身份数据库中,而且还可以在对象已经被注册的情况下,自动对此对象在身份数据库中的身份特征进行更新。
具体地,以人脸识别为例,采用根据本申请第二实施例的对象身份管理方法,避免了传统人脸识别中的显式注册过程,而是模拟人的认知过程,无需用户配合,通过采集用户在摄像头前出现的人脸,自动地将同一人的人脸记录下来,优选地,当系统判断该人已经足够熟悉后,也就是采集到该人足够多的人脸,便将此人的人脸特征注册到人脸数据库中,同时分配一个ID,完成注册。此外,本申请的第二实施例还可以在人机交互过程中不断更新人脸特征,使得识别效果随使用时间变得越来越好。
在第二实施例中,在已识别出对象时,根据当前提取到的身份特征来对该对象在身份数据库中的基准身份特征进行更新。然而,在设备应用场景,身份识别往往会与操作执行密切关联。第二实施例并没有进一步基于识别结果来触发执行任何应用层面上的操作,这并没有全面地满足对象与机器交互(例如,人机交互)过程的整体需求。
为了解决上述问题,在本申请的第三实施例中提出:在已经识别出对象是已注册对象时,基于识别结果来获取与该对象相关联的操作设置信息,以使得所述电子设备根据所述操作设置信息来进行操作。为了获得该操作设置信息,在本实施例中还可以包括:在对对象执行注册操作时,记录与该对象相关联的关于一个或多个电子设备的操作设置信息。
下面仍然结合图1的应用场景,参考图8来描述根据本申请第三实施例的对象身份管理方法。
图8图示了根据本申请第三实施例的对象身份管理方法的流程图。
在图8中,采用了相同的附图标记来指示与图6相同的步骤。因此,图8中的步骤S110-S140和S150与图6的步骤S110-S150相同,并可以参见上面结合图2到图7进行的描述。图8与图6的不同之处在于增加了步骤S145和步骤S155中的至少一个。
在步骤S145中,记录与所述对象相关联的关于一电子设备的操作设置信息。
一旦判断出待识别用户不是存在于身份数据库中的已注册用户,可以与新对象的身份信息注册过程同时地或者在该身份信息注册完之前或之后,进一步记录与所述对象相关联的关于一电子设备的操作设置信息。
在一个示例中,对象可以是电子设备的操作主体,相应地,该操作设置信息可以是对象在操作电子设备时对于该电子设备的设置信息,其可以反映出对象对于电子设备的特定操作习惯。例如,在对象是用户、电子设备是音响的情况下,该设置信息可以是用户在音响上设置的该用户喜欢的播放列表、音量大小、播放方式(单曲循环、连续播放、随机播放等)、渲染音效等。
在另一示例中,对象也可以不是电子设备的操作主体,而是在电子设备进行操作时出现在该电子设备附近的物体,相应地,该操作设置信息可以是对象出现在电子设备附近时该电子设备被操作的设置信息,其可以反映出对象对于电子设备操作状态的特定需求。例如,在对象是动物、电子设备是空调的情况下,该设置信息可以是由其他人(例如,饲养员)或物体(例如,智能温控器)对空调设置的适于该动物生活的室内温度、湿度、噪声等级等。
例如,该操作设置信息可以直接记录在身份数据库中,并且作为一个附加字段,与对象的身份信息(例如,身份标识符和基准身份特征)关联地存储在一起。替换地,该操作设置信息也可以记录在其他数据库中,并且通过该对象的身份标识符进行索引和存取。
在步骤S155中,读取与所述对象相关联的关于一电子设备的操作设置信息,使得所述电子设备根据所述操作设置信息来进行操作。
一旦判断出待识别用户是存在于身份数据库中的已注册用户,可以与已注册对象的身份信息更新过程同时地或者在该身份信息更新完之前或之后,进一步读取与所述对象相关联的关于一电子设备的操作设置信息。
例如,该操作设置信息可以是在步骤S145中预先生成的,或者也可以是用户人为设置的、系统自动生成的、从其他设备读取的、或通过其他方式获得的,并且该操作设置信息还可以随着对象身份信息的更新而不断更新。
接下来,可以触发该电子设备基于该操作设置信息来执行一个或多个功能。例如,在对象身份管理装置位于电子设备本地时,该装置可以直接触发电子设备进行相关操作;而在对象身份管理装置与电子设备是分立的时,该装置可以首先将该操作设置信息发送给电子设备,然后触发电子设备进行相关操作。
例如,在对象是用户、电子设备是音响的情况下,在识别出该用户的身份之后,可以调取与该用户相关联的用于该音响的操作设置信息,并触发音响以用户常用的音量大小、渲染音效等来播放用户喜欢的音频文件。又如,在对象是动物、电子设备是空调的情况下,在识别出该动物的身份之后,可以调取与该动物相关联的用于该空调的操作设置信息,并触发空调向动物提供适宜其生活的温度、湿度等,例如,为企鹅提供寒冷且潮湿的生活环境、为骆驼提供炎热企鹅干燥的生活环境等。
需要说明的是,根据本申请各个实施例的对象身份管理方法可以应用于身份管理装置中,由身份管理装置自主地执行一个或多个功能,也可以应用于与身份管理装置分立的且可以与身份管理装置进行通信的其他电子设备中,以触发该电子设备执行一个或多个功能。
示例性装置
下面,参考图9来描述根据本申请实施例的对象身份管理装置。
图9图示了根据本申请实施例的对象身份管理装置的框图。
如图9所示,根据本申请实施例的对象身份管理装置100可以包括:接收单元110,用于接收采集器件所采集的样本数据序列;提取单元120,用于从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;判断单元130,用于根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;以及创建单元140,用于响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息。
在一个示例中,所述提取单元120包括:检测模块,用于在每一帧样本数据中检测身份特征区域;以及第一提取模块,用于从所述身份特征区域中提取所述对象的身份特征。
在一个示例中,所述判断单元130包括:判断模块,用于判断在所述身份数据库中是否存在与所述对象的身份特征相匹配的基准身份特征;以及确定模块,用于响应于在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,确定在所述身份数据库中存在所述对象的身份信息,否则,确定在所述身份数据库中不存在所述对象的身份信息。
在一个示例中,所述判断模块将所述身份数据库中的每一个基准身份特征与所述对象的身份特征进行比较,以确定与所述对象的身份特征具有最大相似性的基准身份特征;判断所述最大相似性是否大于或等于第一阈值;并且响应于所述最大相似性大于或等于所述第一阈值,确定在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,否则,确定在所述身份数据库中不存在与所述对象的身份特征相匹配的基准身份特征。
在一个示例中,所述创建单元140只要在所述身份数据库中不存在所述对象的身份信息,就根据所述对象的身份特征来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
在一个示例中,所述创建单元140包括:跟踪模块,用于在所述样本数据序列中对所述对象进行跟踪;第二提取模块,用于在跟踪到所述对象的每一帧样本数据中提取所述对象的身份特征;生成模块,用于通过对所述对象的身份特征进行聚类来生成所述对象的身份特征类;以及创建模块,用于根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
在一个示例中,所述创建模块确定所述对象的身份特征类之中身份特征的个数和每一个身份特征与所述身份特征类的类中心之间的偏差程度;判断所述样本数据的个数是否大于或等于第二阈值并且所述偏差程度是否小于或等于第三阈值;并且响应于所述样本数据的个数大于或等于所述第二阈值并且所述偏差程度小于或等于所述第三阈值,根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征。
在一个示例中,所述创建模块将所述类中心所表示的身份特征确定为所述对象的基准身份特征。
在一个示例中,所述对象身份管理装置100还可以包括:记录单元145,用于响应于在所述身份数据库中不存在所述对象的身份信息,记录与所述对象相关联的关于一电子设备的操作设置信息。
在一个示例中,所述对象身份管理装置100还可以包括:更新单元150,用于响应于在所述身份数据库中存在所述对象的身份信息,根据所述对象的身份特征来更新所述对象在所述身份数据库中的身份信息。
在一个示例中,所述更新模块包括:分配模块,用于向所述对象的身份特征分配一权重;以及更新模块,用于使用所述权重和所述对象的身份特征来更新所述对象在所述身份数据库中的基准身份特征。
在一个示例中,所述对象身份管理装置100还可以包括:读取单元155,用于响应于在所述身份数据库中存在所述对象的身份信息,读取与所述对象相关联的关于一电子设备的操作设置信息,使得所述电子设备根据所述操作设置信息来进行操作。
上述对象身份管理装置100中的各个单元和模块的具体功能和操作已经在上面参考图1到图8描述的对象身份管理方法中详细介绍,并因此,将省略其重复描述。
由此可见,采用根据本申请实施例的对象身份管理装置,无需对象经历显式的注册过程,通过采集对象的身份特征,自动地将同一个对象的身份特征记录下来,根据一预定策略将此对象的身份特征注册到身份数据库中,同时分配一个对象ID,从而使得身份管理装置能够像人一样进行自然交流,充分提升了身份管理过程中的工作效率。
需要说明的是,根据本申请实施例的对象身份管理装置100可以作为一个软件模块和/或硬件模块而集成到该电子设备中,换言之,该电子设备可以包括该对象身份管理装置100。例如,该对象身份管理装置100可以是该电子设备的操作系统中的一个软件模块,或者可以是针对于该电子设备所开发的一个应用程序;当然,该对象身份管理装置100同样可以是该电子设备的众多硬件模块之一。
替换地,在另一示例中,该对象身份管理装置100与该电子设备也可以是分立的设备(例如,服务器),并且该对象身份管理装置100可以通过有线和/或无线网络连接到该电子设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图10来描述根据本申请实施例的电子设备。该电子设备可以是计算机或服务器或其他设备。
图10图示了根据本申请实施例的电子设备的框图。
如图10所示,电子设备200包括一个或多个处理器210和存储器220。
处理器210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备200中的其他组件以执行期望的功能。
存储器220可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器210可以运行所述程序指令,以实现上文所述的本申请的实施例的对象身份管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如样本数据序列、对象的身份特征、身份数据库、辅助数据库、各种阈值和权重等。
在一个示例中,电子设备200还可以包括:输入装置230和输出装置240,这些组件通过总线系统250和/或其他形式的连接机构(未示出)互连。应当注意,图10所示的电子设备200的组件和结构只是示例性的,而非限制性的,根据需要,电子设备200也可以具有其他组件和结构。
例如,该输入装置230可以是采集器件。采集器件用于采集样本数据序列,并且将所采集的样本数据序列存储在存储器220中以供其他组件使用。当然,也可以利用其他集成或分立的采集器件来采集该样本数据序列,并且将它发送到电子设备200。
输出装置240可以向外部(例如,用户)输出各种信息,例如图像信息、声音信息、识别结果,并且可以包括显示器、扬声器等中的一个或多个。
尽管未示出,电子设备200还可以包括通信装置等,通信装置可以通过网络或其他技术与其他装置(例如,个人计算机、服务器、移动台、基站等)通信,所述网络可以是因特网、无线局域网、移动通信网络等,所述其他技术例如可以包括蓝牙通信、红外通信等。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的对象身份管理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的对象身份管理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种对象身份管理方法,包括:
接收采集器件所采集的样本数据序列;
从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;
根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;以及
响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息,
其中,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息包括:
从所述样本数据序列中的每一帧样本数据中提取所述对象的辅助特征,所述辅助特征为具有识别作用的物体的特征;
判断在所述身份数据库或一辅助数据库中是否存在与所述对象的辅助特征相匹配的基准辅助特征;
响应于在所述身份数据库或所述辅助数据库中存在与所述对象的辅助特征相匹配的基准辅助特征,根据所述对象的身份特征来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
2.根据权利要求1的方法,其中,根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息包括:
判断在所述身份数据库中是否存在与所述对象的身份特征相匹配的基准身份特征;以及
响应于在所述身份数据库中存在与所述对象的身份特征相匹配的基准身份特征,确定在所述身份数据库中存在所述对象的身份信息,否则,确定在所述身份数据库中不存在所述对象的身份信息。
3.根据权利要求1的方法,其中,从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征包括:
在所述样本数据序列中对所述对象进行跟踪;
在跟踪到所述对象的每一帧样本数据中提取所述对象的身份特征,
其中,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息包括:
通过对从所述每一帧样本数据中提取的所述对象的身份特征进行聚类来生成所述对象的身份特征类;以及
根据所述对象的身份特征类来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
4.根据权利要求3的方法,其中,根据所述对象的身份特征类来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征包括:
确定所述对象的身份特征类之中身份特征的个数和每一个身份特征与所述身份特征类的类中心之间的偏差程度;
判断所述样本数据的个数是否大于或等于第二阈值并且所述偏差程度是否小于或等于第三阈值;以及
响应于所述样本数据的个数大于或等于所述第二阈值并且所述偏差程度小于或等于所述第三阈值,根据所述对象的身份特征类来生成所述对象的基准身份特征、向所述对象分配身份标识符、并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征。
5.根据权利要求4的方法,其中,根据所述对象的身份特征类来生成所述对象的基准身份特征包括:
将所述类中心所表示的身份特征确定为所述对象的基准身份特征。
6.根据权利要求1的方法,所述方法还包括:
响应于在所述身份数据库中不存在所述对象的身份信息,记录与所述对象相关联的关于一电子设备的操作设置信息。
7.根据权利要求1的方法,所述方法还包括:
响应于在所述身份数据库中存在所述对象的身份信息,读取与所述对象相关联的关于一电子设备的操作设置信息,使得所述电子设备根据所述操作设置信息来进行操作。
8.一种对象身份管理装置,包括:
接收单元,用于接收采集器件所采集的样本数据序列;
提取单元,用于从所述样本数据序列之中的每一帧样本数据中提取对象的身份特征;
判断单元,用于根据所述对象的身份特征来判断在身份数据库中是否存在所述对象的身份信息;以及
创建单元,用于响应于在所述身份数据库中不存在所述对象的身份信息,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息;
其中,根据一预定策略和所述对象的身份特征来在所述身份数据库中创建所述对象的身份信息包括:
从所述样本数据序列中的每一帧样本数据中提取所述对象的辅助特征,所述辅助特征为具有识别作用的物体的特征;
判断在所述身份数据库或一辅助数据库中是否存在与所述对象的辅助特征相匹配的基准辅助特征;
响应于在所述身份数据库或所述辅助数据库中存在与所述对象的辅助特征相匹配的基准辅助特征,根据所述对象的身份特征来生成所述对象的基准身份特征,向所述对象分配身份标识符,并在所述身份数据库中关联地存储所述对象的身份标识符和所述对象的基准身份特征,作为所述对象的身份信息。
9.一种电子设备,包括:
处理器;
存储器;以及
存储在所述存储器中的计算机程序指令,所述计算机程序指令在被所述处理器运行时执行根据权利要求1-7中任一项的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行根据权利要求1-7中任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610626976.9A CN106295313B (zh) | 2016-08-03 | 2016-08-03 | 对象身份管理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610626976.9A CN106295313B (zh) | 2016-08-03 | 2016-08-03 | 对象身份管理方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106295313A CN106295313A (zh) | 2017-01-04 |
CN106295313B true CN106295313B (zh) | 2020-06-23 |
Family
ID=57664581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610626976.9A Active CN106295313B (zh) | 2016-08-03 | 2016-08-03 | 对象身份管理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295313B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704520B (zh) * | 2017-09-05 | 2020-09-11 | 绿湾网络科技有限公司 | 基于人脸识别的多文件检索方法和装置 |
CN107562204B (zh) * | 2017-09-14 | 2021-10-01 | 深圳Tcl新技术有限公司 | 电视交互方法、电视及计算机可读存储介质 |
CN107833145A (zh) * | 2017-09-19 | 2018-03-23 | 翔创科技(北京)有限公司 | 牲畜的数据库建立方法和溯源方法、存储介质和电子设备 |
CN107862249B (zh) * | 2017-10-18 | 2021-08-17 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN107729852A (zh) * | 2017-10-24 | 2018-02-23 | 贵阳宏益房地产开发有限公司 | 面部信息注册方法、装置及系统 |
CN108134920B (zh) * | 2017-11-28 | 2019-01-18 | 特斯联(北京)科技有限公司 | 一种实现楼宇访客识别与通行管理的智能系统和方法 |
CN108734114A (zh) * | 2018-05-02 | 2018-11-02 | 浙江工业大学 | 一种结合面部和声纹的宠物识别方法 |
CN111199606A (zh) * | 2018-10-31 | 2020-05-26 | 深圳云天励飞技术有限公司 | 基于人脸识别的交通管理方法、装置、设备及存储介质 |
CN110213682A (zh) * | 2019-06-27 | 2019-09-06 | 温州众智科技有限公司 | 一种智能音响 |
CN110321835A (zh) * | 2019-07-01 | 2019-10-11 | 杭州创匠信息科技有限公司 | 人脸门禁方法、系统及设备 |
CN110287940B (zh) * | 2019-07-03 | 2021-08-20 | 山东浪潮科学研究院有限公司 | 一种基于人工智能的掌纹识别方法及系统 |
CN111488825A (zh) * | 2020-04-09 | 2020-08-04 | 贵州爱信诺航天信息有限公司 | 基于物联网和大数据技术的人脸识别与身份证核验系统 |
CN112102551A (zh) * | 2020-09-27 | 2020-12-18 | 北京市商汤科技开发有限公司 | 设备控制方法、装置、电子设备及存储介质 |
CN113065447A (zh) * | 2021-03-29 | 2021-07-02 | 南京掌控网络科技有限公司 | 一种图像集中自动识别商品的方法和设备 |
TWI792693B (zh) * | 2021-11-18 | 2023-02-11 | 瑞昱半導體股份有限公司 | 用於進行人物重辨識的方法與裝置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239881B (zh) * | 2013-06-08 | 2020-04-24 | 杭州海康威视数字技术股份有限公司 | 监控视频中目标自动发现和注册方法及其系统 |
US9594890B2 (en) * | 2013-09-25 | 2017-03-14 | Intel Corporation | Identity-based content access control |
CN104008320A (zh) * | 2014-05-19 | 2014-08-27 | 惠州Tcl移动通信有限公司 | 基于人脸识别的使用权限和用户模式控制方法及系统 |
-
2016
- 2016-08-03 CN CN201610626976.9A patent/CN106295313B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106295313A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295313B (zh) | 对象身份管理方法、装置和电子设备 | |
CN108875833B (zh) | 神经网络的训练方法、人脸识别方法及装置 | |
US11704907B2 (en) | Depth-based object re-identification | |
Kumar et al. | The p-destre: A fully annotated dataset for pedestrian detection, tracking, and short/long-term re-identification from aerial devices | |
JP5008269B2 (ja) | 情報処理装置、情報処理方法 | |
JP5792320B2 (ja) | 顔登録の方法 | |
CN105913507B (zh) | 一种考勤方法及系统 | |
Lozano-Monasor et al. | Facial expression recognition in ageing adults: from lab to ambient assisted living | |
Ravì et al. | Real-time food intake classification and energy expenditure estimation on a mobile device | |
WO2021031817A1 (zh) | 情绪识别方法、装置、计算机装置及存储介质 | |
KR20160101973A (ko) | 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법 | |
US20240087368A1 (en) | Companion animal life management system and method therefor | |
CN106485232B (zh) | 一种基于呼吸过程中鼻子图像特征的人员识别方法 | |
Saeed | Facial micro-expressions as a soft biometric for person recognition | |
Samadiani et al. | A multiple feature fusion framework for video emotion recognition in the wild | |
CN110929570B (zh) | 虹膜快速定位装置及其定位方法 | |
KR102325250B1 (ko) | 반려동물 식별 시스템 및 그 방법 | |
Saraswat et al. | Anti-spoofing-enabled contactless attendance monitoring system in the COVID-19 pandemic | |
Abbasnejad et al. | Complex event detection using joint max margin and semantic features | |
CN109117800A (zh) | 基于卷积神经网络的人脸性别识别方法及系统 | |
Liu et al. | Self-boosted gesture interactive system with ST-Net | |
Kumar et al. | Secure and sustainable framework for cattle recognition using wireless multimedia networks and machine learning techniques | |
Chaudhari et al. | Real Time Face Recognition Based Attendance System using Multi Task Cascaded Convolutional Neural Network | |
Yong et al. | Facial expression monitoring system using pca-bayes classifier | |
Giannakeris et al. | First-person activity recognition from micro-action representations using convolutional neural networks and object flow histograms |
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 |