CN106682068A - 用于适应性更新用于用户认证的注册数据库的方法和设备 - Google Patents

用于适应性更新用于用户认证的注册数据库的方法和设备 Download PDF

Info

Publication number
CN106682068A
CN106682068A CN201610987098.3A CN201610987098A CN106682068A CN 106682068 A CN106682068 A CN 106682068A CN 201610987098 A CN201610987098 A CN 201610987098A CN 106682068 A CN106682068 A CN 106682068A
Authority
CN
China
Prior art keywords
feature vector
input picture
vector
registration database
distance
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
CN201610987098.3A
Other languages
English (en)
Other versions
CN106682068B (zh
Inventor
韩在濬
金亭培
李宣旼
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics 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
Priority claimed from KR1020160027745A external-priority patent/KR102427853B1/ko
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN106682068A publication Critical patent/CN106682068A/zh
Application granted granted Critical
Publication of CN106682068B publication Critical patent/CN106682068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2393—Updating materialised views
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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
    • 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
    • G06F21/36—User authentication by graphic or iconic representation
    • 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
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1335—Combining adjacent partial images (e.g. slices) to create a composite input or reference pattern; Tracking a sweeping finger movement
    • 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
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • 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
    • 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
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • 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
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种用于适应性更新用于用户认证的注册数据库的方法和设备。公开了一种适应性更新注册数据库的方法。所述方法可包括：从输入图像提取第一特征矢量，输入图像包括用户的面部；基于第一特征矢量、注册图像的第二特征矢量和代表性矢量，确定是否将输入图像注册在注册数据库中，注册图像的第二特征矢量被注册在注册数据库中，并且代表性矢量代表第二特征矢量；基于确定的结果，将输入图像注册在注册数据库中。

Description

用于适应性更新用于用户认证的注册数据库的方法和设备
本申请要求于2015年11月11日提交到韩国知识产权局的第10-2015-0158148号韩国专利申请和于2016年3月8日提交到韩国知识产权局的第10-2016-0027745号韩国专利申请的优先权，所述韩国专利申请中的每个的全部内容通过引用全部包含于此。
技术领域
至少一个示例实施例涉及用于用户认证的注册数据库的适应性更新方法和/或设备。
背景技术
诸如智能电话和可穿戴装置的各种移动装置可在安全认证中使用用户的生物信息，例如，手指、虹膜、面部、语音和血管。
发明内容
由于面部识别具有随时间推移的例如妆容样式、头发样式、胡须和用户的体重的多个改变要素，因此面部识别会具有通过将初始注册图像与待输入面部图像进行比较来执行认证的问题。
至少一个示例实施例涉及注册数据库的适应性更新方法。
根据示例实施例，一种适应性更新注册数据库的方法包括：从输入图像提取第一特征矢量，输入图像包括用户的面部；基于第一特征矢量、注册图像的第二特征矢量和代表性矢量，确定是否将输入图像注册在注册数据库中，注册图像的第二特征矢量被注册在注册数据库中，并且代表性矢量代表第二特征矢量；基于确定的结果，将输入图像注册在注册数据库中。
示例实施例提供的确定是否注册输入图像的步骤包括以下步骤中的至少一个：基于第一特征矢量、第二特征矢量和代表性矢量，确定输入图像是否是离群值；基于第一特征矢量和第二特征矢量，确定是否增大注册数据库的特征范围。
示例实施例提供的确定是否注册输入图像的步骤包括：基于第一特征矢量、第二特征矢量和代表性矢量，确定输入图像是否是离群值，确定输入图像是否是离群值的步骤包括：计算第一特征矢量和第二特征矢量之间的最小距离，计算第一特征矢量和代表性矢量之间的代表性距离，基于最小距离和代表性距离，确定输入图像是离群值。
示例实施例提供的确定输入图像是离群值的步骤基于最小距离是否小于第一阈值并且代表性距离是否小于第二阈值，确定输入图像是离群值。
示例实施例提供基于第一特征矢量和第二特征矢量，确定是否增大注册数据库的特征范围，确定是否扩展注册数据库的特征范围的步骤包括，确定与矢量集合中的各矢量对应的累加特征距离，矢量集合包括第一特征矢量和第二特征矢量，累加特征距离基于矢量集合中的对应矢量和剩余矢量之间的距离确定，以及确定对应于第一特征矢量的累加特征距离是否大于对应于第二特征矢量的累加特征距离中的至少一个。
示例实施例提供的将输入图像注册在注册数据库中的步骤可包括：如果对应于第一特征矢量的累加特征距离大于对应于第二特征矢量的累加特征距离中的至少一个，则使用输入图像取代注册图像中的一个注册图像。
示例实施例提供的取代注册图像中的一个注册图像的步骤：取代与具有累加特征距离之中的最小累加特征距离的第二特征矢量对应的注册图像。
示例实施例提供的确定是否注册输入图像的步骤可包括：将注册在注册数据库中的注册图像的数量与注册数据库的最大注册数量进行比较。
示例实施例提供的将输入图像注册在注册数据库中的步骤可包括：如果注册图像的数量小于最大注册数量，则将输入图像添加到注册数据库中；当注册图像的数量等于最大注册数量时，使用输入图像取代注册在注册数据库中的注册图像中的任一个注册图像。
示例实施例提供的将输入图像添加到注册数据库的步骤是如果输入图像不是离群值并且注册图像的数量小于最大注册数量，则将输入图像添加到注册数据库中。
示例实施例提供的确定是否注册输入图像的步骤可包括：基于第一特征矢量、第二特征矢量和代表性矢量来对用户进行认证。
示例实施例提供对用户进行认证的步骤可包括：计算第一特征矢量和第二特征矢量之间的最小距离；计算第一特征和代表性矢量之间的代表性距离；基于最小距离、代表性距离和至少一个距离阈值来对用户进行认证。
示例实施例提供的确定是否注册输入图像的步骤：基于对用户进行认证，来确定是否将输入图像注册在注册数据库中。
示例实施例提供的所述方法还可包括：当输入图像被注册在注册数据库中时，通过第一特征矢量来更新代表性矢量。
至少一个示例实施例涉及注册数据库的适应性更新设备。
根据另一个示例实施例，一种注册数据库的适应性更新设备包括：存储器，被配置为存储注册数据库并且存储计算机可读指令；一个或多个处理器，被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为从输入图像提取第一特征矢量，输入图像包括用户的面部，并且处理器还被配置为通过基于第一特征矢量、注册图像的第二特征矢量和代表性矢量确定是否将输入图像注册在注册数据库中来注册输入图像，注册图像的第二特征矢量被注册在注册数据库中，并且代表性矢量代表第二特征矢量。
示例实施例提供的所述一个或多个处理器可被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为确定以下中的至少一个：(i)基于第一特征矢量、第二特征矢量和代表性矢量，确定输入图像是否是离群值；(ii)基于第一特征矢量和第二特征矢量，确定是否增大注册数据库的特征范围。
示例实施例提供的所述一个或多个处理器可被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为计算第一特征矢量和第二特征矢量之间的最小距离，计算第一特征矢量和代表性矢量之间的代表性距离，并且基于最小距离和代表性距离，确定输入图像是否是离群值。
示例实施例提供的所述一个或多个处理器可被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于矢量集合中的对应矢量和剩余矢量之间的距离来确定与矢量集合中的各矢量对应的累加特征距离，矢量集合包括第一特征矢量和第二特征矢量，并且所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器还被配置为基于对应于第一特征矢量的累加特征距离是否大于对应于第二特征矢量的累加特征距离中的至少一个，确定是否扩展注册数据库的特征范围。
示例实施例提供的所述一个或多个处理器可被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为：如果对应于第一特征矢量的累加特征距离大于对应于第二特征矢量的累加特征距离中的至少一个，则使用输入图像取代注册图像之中的与具有最小累加特征距离的第二特征矢量对应的注册图像。
示例实施例提供的所述一个或多个处理器可被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于注册在注册数据库中的注册图像的数量和注册数据库的最大注册数量，确定是将输入图像添加在注册数据库中还是取代注册数据库中的注册图像中的一个注册图像。
示例实施例提供的所述一个或多个处理器可被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于第一特征矢量、第二特征矢量和代表性矢量来对用户进行认证，所述一个或多个处理器还被配置为执行所述计算机可读指令，使得所述一个或多个处理器被配置为基于对用户进行认证，来确定是否将输入图像注册在注册数据库中。
至少一个示例实施例涉及适应性更新注册数据库的方法。
根据另一示例实施例，一种适应性更新注册数据库的方法包括：对输入图像进行认证；确定输入图像是否是离群值；确定是否通过输入图像增大注册数据库的特征范围；基于确定是否通过输入图像增大注册数据库的特征范围，使用输入图像取代注册数据库中的注册图像中的一个注册图像。
示例实施例提供的确定输入图像是否是离群值的步骤可包括：计算从输入图像提取的第一特征矢量和第二特征矢量之间的最小距离，第二特征矢量从注册数据库中的注册图像提取；计算第一特征矢量和代表性矢量之间的代表性距离，代表性矢量代表第二特征矢量；确定是否满足与最小距离关联的第一条件和与代表性距离关联的第二条件。
示例实施例提供的确定是否通过输入图像增大注册数据库的特征范围的步骤可包括：计算与矢量集合中的各矢量对应的累加特征距离，矢量集合包括第一特征矢量和第二特征矢量，第一特征矢量从输入图像提取并且第二特征矢量从注册数据库中的注册图像提取；确定对应于第一特征矢量的累加特征距离是否大于对应于第二特征矢量的累加特征距离中的至少一个。
示例实施例提供的计算对应于各矢量的累加特征距离的步骤可包括：将矢量集合中对应于累加特征距离的矢量和剩余矢量之间的距离相加。
至少一个示例实施例涉及注册数据库的适应性更新设备。
根据另一示例实施例，一种注册数据库的适应性更新设备可包括：存储器，存储计算机可读指令；一个或多个处理器，被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于注册数据库来对输入图像进行认证，基于代表性矢量来确定输入图像是否是离群值，代表性矢量代表注册数据库中的注册图像，所述一个或多个处理器还被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于认证的结果和确定的结果，适应性更新注册数据库。
示例实施例提供，为了确定输入图像是否是离群值，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为计算第一特征矢量和第二特征矢量之间的最小距离，第一特征矢量从输入图像提取并且第二特征矢量从注册数据库中的注册图像提取，所述一个或多个处理器还被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为计算第一特征矢量和代表性矢量之间的代表性距离，并且确定是否满足与最小距离关联的第一条件和与代表性距离关联的第二条件。
示例实施例提供的所述一个或多个处理器可被配置为当输入图像被注册在注册数据库中时，通过第一特征矢量更新代表性矢量。
示例实施例的另外的方面将在下面描述中部分进行阐述，部分从该描述将是清楚的，或者可以通过本公开的实践获知。
附图说明
通过下面结合附图对示例实施例进行的描述，这些和其他方面将变得清楚并且更容易理解，在附图中：
图1是示出根据至少一个示例实施例的注册数据库的适应性更新方法的流程图；
图2A至图2C示出根据至少一个示例实施例的通过适应性更新注册数据库来增大用户认证率的方法；
图3A和图3B示出根据至少一个示例实施例的确定输入图像是否是离群值的方法；
图4是示出根据至少一个示例实施例的注册数据库的适应性更新算法的流程图；
图5是示出根据至少一个示例实施例的确定阈值的方法的曲线图；
图6A至图6C示出根据至少一个示例实施例的确定是否通过输入图像扩展注册数据库的特征范围的方法；
图7示出根据至少一个示例实施例的注册数据库中的适应性更新的注册图像；
图8示出根据至少一个示例实施例的注册数据库中的初始注册的注册图像的特征距离和最后更新的注册图像的特征距离；
图9是示出根据至少一个示例实施例的注册数据库的适应性更新设备的框图；
图10示出根据至少一个示例实施例的用于设置音频视频内容的系统中的注册数据库的适应性更新设备；以及
图11示出根据至少一个示例实施例的用于强制停车的系统中的注册数据库的适应性更新设备。
具体实施方式
下文中，将参照附图详细描述一些示例实施例。关于分派给附图中的元件的参考标号，应该注意，在任何可能的情况下，即使相同的元件在不同的附图中被示出，也将通过相同的参考标号来指示相同的元件。此外，在对实施例的描述中，当认为公知的现有结构或功能的详细描述将模糊本公开的说明时，将省略公知的现有结构或功能的详细描述。
然而，应该理解并不意在将本公开限制到所公开的特定示例实施例。相反地，示例实施例将涵盖落入示例实施例的范围内的所有修改、等同物和替代。贯穿附图的描述，相同的标号表示相同的元件。
此外，这里可使用诸如第一、第二、A、B、(a)、(b)等术语来描述组件。这些术语中的每个并不用于限定对应组件的本质、次序或顺序，而仅仅是用于将对应组件与其他组件区分开。应该注意，如果在说明书中一个组件被描述为“连接”、“结合”、或“接合”到另一个组件，则尽管第一组件可直接连接、结合或接合到第二组件，但第三组件可“连接”、“结合”、或“接合”在第一组件和第二组件之间。
这里使用的术语只是出于描述特定实施例的目的，而不意在限制。如这里使用的，除非上下文另外明确地指示，否则单数形式也意在包括复数形式。还将理解，当在此使用时，术语“包括”、“包含”和/或变型指定存在所述特征、整数、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组。
还应该注意，在一些选择性的实施例中，示出的功能/动作可不按附图中示出的次序来出现。例如，根据所涉及的功能/动作，连续示出的两个附图可实际上大体同时地执行或者可有时按倒序执行。
现在，将参照其中示出一些示例实施例的附图来更充分地描述各种示例实施例。在附图中，为了清楚起见，夸大了层和区域的厚度。
除非另外定义，否则这里使用的所有术语(包括技术术语和科技术语)具有与示例实施例所属领域的普通技术人员通常理解的含义相同的含义。还将理解，除非这里明确地如此定义，否则术语(诸如，在通用字典中定义的术语)应该被解释为具有与相关领域的背景下它们的含义一致的含义，而不应该理想地或者过于正式地解释它们的含义。
示例实施例和对应的具体描述的部分是依据计算机存储器内的软件或对数据位运算的算法和符号表示来表现的。这些描述和表示是普通技术人员通过其将他们工作的内容有效传达给本领域其它普通技术人员的描述和表示。算法(当该术语在这里使用时并且当一般使用它时)被认为到是导致期望结果的前后一致的一系列步骤。这些步骤是需要对物理量进行物理操作的步骤。通常，但不是必须地，这些量采取能够被存储、传递、组合、比较和以其他方式操作的光、电、或磁信号的形式。
在下面的描述中，将参照操作的动作和符号表示来描述示例性实施例(例如，以流程图形式)，操作可被实现为包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等的程序模块或功能处理并且可使用现有硬件来实现。
除非另外具体阐述，或者如从讨论中显而易见的，否则诸如“处理”或“运算”或“计算”或“确定”或“显示”等术语是指将表示为计算机系统的寄存器或存储器内的物理量、电子量的数据操作并转换为被类似地表示为计算机系统存储器或寄存器或其他这种信息存储、传输或显示装置内的物理量的其他数据的计算机系统或类似的电子计算装置的动作和处理。
还要注意，示例实施例的由软件实现的方面通常被编码在某种形式的非暂时性计算机可读存储介质上。
示例实施例可用于识别用户的面部。识别用户面部的操作可包括对用户进行认证或识别的操作。在示例中，对用户进行认证的操作可包括确定用户是否是预注册用户的操作。在这个示例中，对用户进行认证的结果可被输出为真或假。在另一个示例中，对用户进行识别的操作可包括确定用户对应于多个预注册用户之中的任一个用户的操作。在这个示例中，对用户进行识别的结果可被输出为任一个预注册用户的标识(ID)。当用户不对应于多个预注册用户之中的任一个用户时，可输出通知没有识别到用户的信号。
示例实施例可被实现为各种类型的产品，例如，个人计算机、便携式计算机、平板计算机、智能电话、电视机、智能家电、智能车辆、售货亭和可穿戴装置。例如，可应用这些示例使用诸如智能电话、移动装置和智能家居系统的装置/系统来认证用户。以同一方式，可应用示例实施例，通过用户认证进行支付服务。还可将示例实施例应用于智能车辆系统，以通过用户认证自动地启动车辆。下文中，现在将参照附图详细引用示例，其中，相同的参考标号始终表示相同的元件。
图1是示出根据至少一个示例实施例的注册数据库的适应性更新方法的示例的流程图。例如，用于执行适应性更新方法的更新设备可被包括在用户认证设备中或者可被设置为额外的设备。更新设备可被设置为被配置为执行软件、硬件、或其组合(诸如，固件)的硬件。注册数据库可被称为注册模板。
参照图1，在操作110中，更新设备从包括用户面部的输入图像提取第一特征矢量。第一特征矢量可被理解为指示从输入图像提取的用于面部识别的特征的矢量。更新设备可基于各种方案(诸如，局部二值模式(LBP)方案、Gabor方案、或深度学习方案)，从输入图像提取第一特征矢量。
在操作120中，更新设备确定输入图像是否将被注册在注册数据库中。例如，更新设备可执行输入图像的认证，确定输入图像是否是离群值，并且确定输入图像是否将被注册在注册数据库中。
更新设备可使用第一特征矢量、第二特征矢量和代表性矢量。第二特征矢量可被理解为指示从注册在注册数据库中的注册图像提取的用于面部识别的特征的矢量。可基于LBP方案、Gabor方案和深度学习方案，提取第二特征矢量。代表性矢量可以是代表第二特征矢量的矢量，可基于第二特征矢量的统计学计算(例如，中值、平均值和标准偏差)来计算代表性矢量。
通过更新设备如等式1中所示从注册图像X1、X2、…、Xn来确定第二特征矢量xi和代表性矢量
[等式1]
xi＝f(xi)(i＝1、…、n)
在等式1中，n指代注册在注册数据库中的注册图像的数量。
更新设备可基于第一特征矢量、第二特征矢量和代表性矢量来执行输入图像的认证。在示例中，更新设备可通过将集合{第二特征矢量和代表性矢量}中的矢量与第一特征矢量进行比较来执行输入图像的认证。
更新设备可计算第一特征矢量和集合{第二特征矢量和代表性矢量}中的矢量之间的最小距离。第一特征矢量和集合{第二特征矢量和代表性矢量}中的矢量之间的距离可被理解为例如与特征矢量之间的近似度成反比的欧氏距离(Euclidean distance)。更新设备可使用等式2来计算最小距离dn。
[等式2]
在等式2中，y指代第一特征矢量，x1至xn指代第二特征矢量，指代代表性矢量，dn指代第一特征矢量和集合{第二特征矢量和代表性矢量}中的矢量之间的最小距离。
当最小距离dn小于第一阈值距离时，更新设备可确定输入图像的认证成功。第一阈值距离可以是预定的和/或被选择为对应于误接受率(FAR)的1％的距离。FAR可以是将另一用户误识别为用户的比率。
更新设备可使用近似度来替代距离。在这个示例中，更新设备可计算第一特征矢量和集合{第二特征矢量和代表性矢量}中的矢量之间的最大近似度。当最大近似度大于第一阈值近似度时，更新设备可确定输入图像的认证成功。第一阈值近似度可以是预定的和/或被选择为对应于1％的FAR的近似度。
在另一个示例中，更新设备通过将第一特征矢量与第二特征矢量进行比较，来确定输入图像的认证是成功还是失败。
即使当输入图像的认证成功时，实际上也可能误接受输入图像。例如，即使基于确定结果输入图像对应于认证处理中的用户，输入图像也可实际上对应于另一个用户的图像。为了防止误接受的输入图像被注册在注册数据库中，更新设备可基于比用于认证的第一条件更严格的第二条件，确定输入图像是否将被注册在注册数据库中。第二条件可以是确定输入图像是否是离群值的条件。
在这个示例中，离群值可被理解为与除当认证成功时的用户之外的另一个用户对应的图像。
更新设备可基于第一特征矢量、第二特征矢量和代表性矢量来确定输入图像是否是离群值。例如，更新设备可检验两个条件。首先，更新设备可检验第一特征矢量和第二特征矢量之间的最小距离是否小于预定的和/或选定的第二阈值距离。在这个示例中，对于输入图像的认证而言，第二阈值距离可被确定为比第一阈值距离更严格。例如，第二阈值距离可以是对应于0.01％的FAR的距离。其次，更新设备可检验第一特征矢量和代表性矢量之间的距离是否小于预定的和/或选定的第三阈值距离。第三阈值距离可被确定为与第二阈值距离相同，或者被确定与第二阈值距离不同。
例如，更新设备可使用近似度来替代距离。在这个示例中，更新设备可检验第一特征矢量和第二特征矢量之间的最大近似度是否大于预定的和/或选定的第二阈值近似度。第二阈值近似度可以是例如对应于0.01％的FAR的近似度。更新设备可检验第一特征矢量和代表性特征矢量之间的近似度是否大于预定的和/或选定的第三阈值近似度。
当通过了以上提到的两个条件时，更新设备可确定输入图像不是离群值。当输入图像不是离群值时，更新设备可确定输入图像将被注册在注册数据库中。当输入图像是离群值时，更新设备可确定输入图像将不被注册在注册数据库中。在操作130中，基于确定输入图像将被注册在注册数据库中的结果，更新设备将输入图像注册在注册数据库中。注册可被理解为将输入图像添加到注册数据库中，并且当注册图像的数量等于或大于预定的和/或选定的阈值数量时，取代注册数据库中的输入图像内的注册图像中的任一个。
在示例中，当注册数据库中包括的注册图像的数量小于预定的和/或选定的阈值数量(例如，10个)时，注册可指更新设备将输入图像添加到注册数据库中。应该理解，阈值数量可大于或小于10个。
在另一个示例中，当注册数据库中包括的注册图像的数量等于阈值数量时，更新设备可基于是否通过输入图像扩展注册数据库的特征范围，而使用输入图像取代注册图像中的任一个。在这个示例中，扩展注册数据库的特征范围可被理解为变化基于注册数据库中包括的注册图像而识别的用户的面部改变。可因各种要素(例如，妆容样式、头发样式、胡须和体重)引起用户的面部改变。
更新设备可基于第一特征矢量和第二特征矢量，确定输入图像是否扩展注册数据库的特征范围。将参照图6描述确定是否扩展注册数据库的特征范围的方法。
更新设备可防止对应于另一个用户的图像被注册在注册数据库中，并且可适应性更新注册数据库，使得对应于认证用户的各种图像被包括在注册数据库中。可基于适应性更新的注册数据库来增强用户认证率。图2A至图2C示出根据至少一个示例实施例的通过适应性更新注册数据库来增大用户认证速率的方法。参照图2A至图2C，当注册数据库中的注册图像被适应性添加或取代时，可改进注册数据库中的注册图像的认证范围，以有效覆盖对应于用户的范围。从各注册图像以半径形式示出的各圆形代表对应注册图像的认证范围。
参照图2A，示出当注册图像X1被注册在注册数据库中时注册图像X1的认证范围。如上所述，由于面部具有例如照明、妆容样式、头发样式、胡须和体重的各种改变要素，因此单个注册图像不能有效覆盖对应于用户的认证范围。因此，例如验证率(VR)的识别率会低并且误拒绝率(FRR)会大。识别率可以是恰当地识别用户的比率，FRR可以是误拒绝用户的比率。尽管在附图中未示出，但注册图像X1的认证范围可能需要被扩展至使另一个用户被误识别为该用户的范围，以仅使用注册图像X1来完全覆盖对应于该用户的范围。
参照图2B，示出将多个注册图像X1、X2、X3、X4和X5添加到注册数据库中时的认证范围。当将多个注册图像X2、X3、X4和X5添加到注册数据库中时，相比于当将一个注册图像X1注册在注册数据库中时，识别率可增大。
在示例中，可通过将各个注册图像的认证范围设置成相对窄来减小误接受率(FAR)，而使用多个注册图像的特征(例如，第二特征矢量)和注册图像的代表性特征(例如，平均矢量)来增大识别率。
参照图2C，示出当使用注册图像X1'、X2'、X3'、X4'和X5'取代注册数据库时的认证范围。当注册图像X1'、X2'、X3'、X4'和X5'大范围设置在对应于用户的范围中时，相对于用户的各种改变的面部的识别率可增大。
在示例中，注册图像可被取代(周期性、动态地和/或在所指示时间)，以保持注册在注册数据库中的注册图像之间的距离，从而增大注册图像之间的宽度(例如，达到最大期望宽度)，使得识别率增大，由此增加适应用户面部改变的能力。在这个示例中，保持和/或增大注册图像之间的距离可被理解为减小注册图像之间的近似度，以允许注册图像来代表用户的各种改变。在这个示例中，即使当注册图像之间的距离被保持和/或增大时，也会需要从注册图像中排除离群值。将参照图3描述从注册图像排除离群值的方法。
在示例中，如图2B和图2C中所示，可通过添加注册图像X1'、X2'、X3'、X4'和X5'并且使用X1'、X2'、X3'、X4'和X5'取代注册图像X1、X2、X3、X4和X5来有效覆盖对应于用户的范围，由此增大针对输入图像的识别率，同时减小FAR和FRR。
图3A和图3B示出根据至少一个示例实施例的确定输入图像是否是离群值的方法的示例。可通过更新设备来执行图3A至图3B中示出的方法。图3A示出输入图像被确定为离群值的情况，图3B示出输入图像被确定为不是离群值的情况。注册数据库可包括注册图像的第二特征矢量x1、x2、x3、x4和x5以及代表第二特征矢量x1、x2、x3、x4和x5的代表性矢量代表性矢量可对应于注册图像的代表性特征，例如，平均特征。
参照图3A，第一输入图像的第一特征矢量y1和存储在注册数据库中的第四注册图像的特征矢量x4之间的距离小于预定的和/或选定的第二阈值距离，但第一特征矢量y1和注册图像的代表性矢量之间的距离可大于预定的和/或选定的第三阈值距离。在这个示例中，即使当第一输入图像近似于第四注册图像时，也可确定，第一输入图像不与代表存储在注册数据库中的注册图像的图像近似。
即使当输入图像被确定近似于存储在注册数据库中的注册图像中的至少一个时，在确定输入图像不近似于代表注册图像的图像时，更新设备也可不将输入图像注册在注册数据库中。因此，示例实施例可防止离群值被包括在注册数据库中。
参照图3B，第二输入图像的第一特征矢量y2和存储在注册数据库中的第四注册图像的特征矢量x4之间的距离小于第二阈值距离，第一特征矢量y2和代表性矢量之间的距离可小于第三阈值距离。因此，第二输入图像可指示第二输入图像具有大于或等于预定的和/或参考所有注册图像选定的距离。更新设备可确定对应于第一特征矢量y2的第二输入图像为对应于用户的图像，并且将第二输入图像注册在注册数据库中。
图4是示出根据至少一个示例实施例的注册数据库的适应性更新算法的示例的流程图。参照图4，在操作410中，更新设备接收输入图像Y。更新设备可从输入图像Y提取第一特征矢量。在操作420中，更新设备确定用户认证成功还是失败。例如，更新设备可使用第一特征矢量和注册数据库来执行用户认证。当用户认证失败时，更新设备可终止操作，而不将输入图像Y注册在注册数据库中。
在操作430中，当用户认证成功时，更新设备确定输入图像Y是否是离群值。更新设备可通过检验参照图1描述的两个条件，来确定输入图像Y是否是离群值。
更新设备可使用用于确定输入图像是否是离群值的各种条件。例如，更新设备可使用等式3来确定输入图像是否是离群值。
[等式3]
如果且则y是注册更新候选项。
在等式3中，y指代第一特征矢量，xi指代第i第二特征矢量，N指代第二特征矢量的数量，指代代表性矢量。d(xi,y)指代第一特征矢量y和第i第二特征矢量xi之间的距离并且指代第一特征矢量y和代表性矢量之间的距离。
基于等式3，在N个第二特征矢量之中，当更新设备确定与第一特征矢量y的距离小于阈值T3的第二特征矢量的数量大于或等于2并且第一特征矢量y和代表性矢量之间的距离小于阈值T3时，第一特征矢量可被确定是注册更新候选项，不是离群值。在另一个示例实施例中，d(xi,y)<T2取代d(xi,y)<T3，其中，T2是第二阈值距离/近似度。
当更新设备确定输入图像Y是离群值时，更新设备可终止操作，而不将输入图像Y注册在注册数据库中。
在操作440中，当更新设备确定输入图像Y不是离群值时，更新设备可将注册数据库中注册的注册图像的数量n与注册数据库的最大注册数量N进行比较。
在操作445中，当更新设备确定注册图像的数量n小于最大注册数量N时，更新设备可将输入图像Y添加到注册数据库中。当将输入图像Y添加到注册数据库中时，更新设备可更新代表注册数据库的代表性矢量例如，当将输入图像Y添加到注册数据库中时，可如等式4中所示更新代表性矢量
[等式4]
xn+1＝y
n←n+1
在操作450中，当注册图像的数量n大于或等于最大注册数量N时，更新设备确定是否通过输入图像Y扩展注册数据库的特征范围。将参照图6A至图6C描述确定是否通过输入图像Y扩展注册数据库的特征范围的方法。当注册数据库的特征范围被确定为不由输入图像Y被扩展时，更新设备可终止操作，而不将输入图像Y注册在注册数据库中。在操作455中，当注册数据库的特征范围被确定为通过输入图像Y被扩展时，更新设备使用输入图像Y来取代注册在注册数据库中的注册图像中的任一个。在示例中，更新设备可使用等式5确定是否要将输入图像Y注册在注册数据库中。
[等式5]
令xN+1＝y
如果imin≤N，则注册y
更详细地，更新设备可将第一特征矢量y设置为第N+1第二特征矢量xN+1。更新设备可计算与N+1个第二特征矢量中的每个对应的累加特征距离Si。当累加特征距离之中的最小累加特征距离的指标imin小于或等于N时，更新设备可使用输入图像Y取代第imin图像。当输入图像Y具有最小累加特征距离时，更新设备可不执行取代。当现有的注册图像具有最小累加特征距离时，更新设备可使用输入图像Y取代对应的注册图像(具有最小累加特征距离的注册图像)。
当输入图像Y取代注册数据库的注册图像中的任一个时，代表注册数据库的代表性矢量可被更新。
在示例中，当输入图像Y不是离群值并且输入图像Y扩展注册图像的特征范围(例如，认证范围)时，输入图像Y可取代现有注册图像，以确保注册数据库中包括的注册图像的多样性。
因为操作410对应于图1的操作110，操作420和430对应于图1的操作120，操作440、445、450和455对应于图1的操作130，所以为了更加清楚和简明起见，将省略重复描述。
图5是示出根据至少一个示例实施例的确定阈值的方法的曲线图。可使用该方法来确定用于用户认证的阈值距离和阈值近似度和用于离群值确定的阈值距离和阈值近似度。可基于各种性能指标来确定阈值。例如，可基于识别率、误接受率(FAR)、误拒绝率(FRR)及其各种组合来确定阈值。
参照图5，示出针对用户的图像之间的特征距离的正态分布曲线510和针对另一用户的图像之间的特征距离的正态分布曲线530。这里，特征距离可被理解为与图像之间的近似度成反比的距离。在图5的曲线图中，x轴指示两个图像之间的特征距离，y轴指示对应于特征距离的概率密度函数的值。
在示例中，为了将用于用户认证的第一阈值距离设置为对应于1％的FAR的距离，更新设备可将边界线550的特征距离设置为第一阈值距离，边界线550将针对另一用户的图像之间的特征距离的正态分布曲线530的整个区域的底部1％的区域区分开。
图6A至图6C示出根据至少一个示例实施例的是确定否通过输入图像扩展注册数据库的特征范围的方法的示例。图6A示出当接收到输入图像时输入图像的第一特征矢量y和包括注册图像的第二特征矢量x1、x2、x3、x4和x5的矢量集合。
更新设备可基于如图6A中所示的矢量集合中的任一个矢量和剩余矢量之间的距离之和来确定如图6B中所示的对应于各矢量的累加特征距离。例如，更新设备可通过将第二特征矢量x1和第一特征矢量y之间的距离与第二特征矢量x1和剩余特征矢量x2、x3、x4和x5中的每个之间的距离相加，来确定对应于第二特征矢量x1的累加特征距离s1。基于以上方法，更新设备可确定对应于第一特征矢量y的累加特征距离sy和分别对应于剩余的第二特征矢量x2、x3、x4和x5的累加特征距离s2、s3、s4和s5。
更新设备可确定对应于第一特征矢量y的累加特征距离sy是否大于对应于第二特征矢量x1、x2、x3、x4和x5的累加特征距离s1、s2、s3、s4和s5中的一个。当对应于第一特征矢量y的累加特征距离sy大于对应于第二特征矢量x1、x2、x3、x4和x5的累加特征距离s1、s2、s3、s4和s5中的一个时，更新设备可使用输入图像取代注册图像。更新设备可用输入图像取代与具有累加特征距离之中的最小累加特征距离的第二特征矢量对应的注册图像。
例如，当各特征矢量的累加特征距离sy、s1、s2、s3、s4和s5的长度是s4<s5<sY<s3<s1<s2时，对应于第一特征矢量y的累加特征距离sy可大于对应于第二特征矢量x4和x5的累加特征距离s4和s5。更新设备可使用输入图像取代与具有累加特征距离s4和s5的第二特征矢量x4和x5对应的注册图像中的任一个。更新设备可使用输入图像取代与具有最小累加特征距离s4的第二特征矢量x4对应的注册图像。图6C中示出使用输入图像取代对应于第二特征矢量x4的注册图像的结果。在另一个示例实施例中，更新设备可使用输入图像取代与具有非最小累加特征距离(第二特征矢量x5)的第二特征矢量对应的注册图像。
更新设备可加宽注册图像之间的特征距离，以通过取代并且比较输入图像和注册图像的特征距离，来增大针对各种改变的输入图像的识别率。
图7示出根据至少一个示例实施例的注册数据库中的适应性更新的注册图像的示例，图8示出根据至少一个示例实施例的注册数据库中的图7中的初始注册的注册图像的特征距离和最后更新的注册图像的特征距离的示例。
图7示出初始注册图像A1710，添加的9个注册图像A2、A3、A4、A5、A6、A7、A8、A9和A10730，以及最后取代的10个注册图像A1”'、A2、A3'、A4'、A5”'、A6”、A7、A8”、A9和A10”'750。在图7中，A1'指示被取代一次以对应于初始注册图像A1 710的图像，A1″指示被取代两次的图像，A1”'指示被取代三次的图像。对于9个注册图像730，适用相同的标记法。
在图8中，上部的图代表初始注册在注册数据库中的注册图像之间的特征距离，下部的图代表最后注册在注册数据库中的注册图像之间的特征距离。参照图8，相比于初始注册的注册图像之间的特征距离，最后注册的注册图像之间的特征距离可具有相对大的值。
在示例中，可通过添加并且取代注册图像，来将注册图像之间的特征距离保持得相对宽，从而可增强针对各种改变的面部图像的认证性能。
图9是示出根据至少一个示例实施例的注册数据库的适应性更新设备的示例的框图。参照图9，更新设备900包括处理器910、存储器920和图像传感器930。处理器910、存储器920和图像传感器930可通过总线940彼此通信。
处理器910使用预注册的注册图像和包括用户面部的输入图像来更新注册数据库。
处理器910从包括用户面部的输入图像提取第一特征矢量。处理器910基于第一特征矢量、注册在注册数据库中的注册图像的第二特征矢量、代表第二特征矢量的代表性矢量，确定输入图像是否将被注册在注册数据库中。处理器910基于确定的结果，将输入图像注册在注册数据库中。
处理器910进行以下中的至少一种确定：基于第一特征矢量、第二特征矢量和代表性矢量来确定输入图像是否是离群值，和基于第一特征矢量和第二特征矢量来确定注册数据库的特征范围是否被扩展。当输入图像不是离群值并且注册图像的数量小于最大注册数量时，处理器910将输入图像添加到注册数据库中。当注册图像的数量大于或等于最大注册数量时，处理器910另外确定注册数据库的特征范围是否被扩展。当特征范围被扩展时，处理器910使用输入图像取代注册图像中的任一个。
处理器910可执行参照图1至图8描述的方法中的至少一种。
处理器910通过执行存储在存储器920中的计算机可读指令来执行更新设备900的功能和参照图1至图8描述的功能。处理器910可以是一个或多个处理器。更新设备900可通过输入和输出装置(未示出)连接到外部装置(例如，个人计算机或网络)，并且可交换数据。
存储器920存储包括预注册的注册图像的注册数据库925。存储器920包括第一特征矢量、注册图像的第二特征矢量、代表从注册图像提取的第二特征矢量的代表性矢量。存储器920存储新注册的输入图像和通过新注册的输入图像而更新的代表性矢量。存储器920可以是易失性存储器或非易失性存储器。图像传感器930捕获包括用户面部的输入图像。
更新设备900可被设置成软件模块和硬件的组合。可由处理器执行软件所提供的功能，可由对应硬件执行硬件所提供的功能。处理器和硬件可通过输入和输出总线来交换信号。
更新设备900可包括诸如移动电话、智能电话、PDA、平板计算机、便携式计算机等的移动装置，诸如个人计算机、平板计算机、网本等的计算装置，以及诸如TV、智能TV、用于门控的安全装置等各种电子系统。
图10示出根据至少一个示例实施例的用于设置音频视频内容的系统中的注册数据库的适应性更新设备。
如图10中所示，接收器1001接收音频视频内容1002。音频视频内容1002可经由网络103(例如，互联网)被存储在联接接收器的服务器上。接收器包括存储器1005。存储器1005能够存储接收到的音频视频内容1002。音频视频内容1002还可被存储在物理介质1004(例如，蓝光盘)上。接收器1001包括处理器1007，处理器1007被配置为在接收到存储器1005上存储的足够指令集合时，在渲染音频视频内容1002之前将其解码。可选地，接收器1001包括适于读取物理介质1004上存储的音频视频内容1002的媒体读取器1006(例如，蓝光读取器)。存储器1005还存储包括预注册的注册图像的注册数据库925。系统包括用于渲染音频视频内容1002的装置(例如，显示装置1008)。显示装置1008包括图像传感器1010。图像传感器1010使用显示装置1008得到用户的图像。此外，处理器1007、注册数据库925和图像传感器1010可形成适应性更新设备。处理器1007通过执行存储器1005中存储的计算机可读指令，来执行适应性更新设备的功能和参照图1至图8描述的功能。
音频视频内容1002包含与观看级别关联的帧。观看级别是指示音频视频内容1002攻击(offensive)部分的程度的指示(诸如，暴力级别)。观看级别可以基于音频视频内容1002的图像、音频部分、字幕的文本、或其任何组合。观看级别可例如采取成对的一方面攻击性内容的分类(例如，暴力、色情、恐怖)和另一方面与这个分类关联的值(这可以是例如介于1和10之间的值：这个值越大，根据所选择分类，所关联的内容更有攻击性)。
音频视频内容1002可包含分别与观看级别关联的音频视频片段和/或帧；假定帧和片段二者代表音频视频内容1002的部分或整体的攻击程度。观看级别可以是音频视频内容1002的元数据的部分。在制作音频视频内容1002的过程中，还可非常早地手动注释观看级别。片段或帧还可按自动方式与观看级别关联。例如，如果观看级别对应于暴力规模，则将根据暴力规模检测并分级与暴力场景相关的音频视频片段和/或帧。允许这些检测的方法和技术是已知的，可见于其全部内容特此以引用方式并入的例如Gong等人的“DetectingViolent Scenes in Movies by Auditory and Visual Cues”(9th Pacific RimConference on Multimedia,NatlCheng Kung Univ.Tainan TAIWAN，2008年12月9至13日，第317-326页)。
一旦接收器1001接收到音频视频内容1002，则处理器1007执行存储器1005上存储的指令。一旦处理器1007分析了音频视频内容1002，则允许在显示装置1008上显示至少两个帧，各帧分别与观看级别关联。处理器1007然后选择要显示对应于使用显示装置1008的通过认证的用户的哪个帧。如参照图1至图8描述的，用户通过自适宜性更新设备被认证。
更具体地，存储器1005存储与通过认证的用户关联的期望观看级别。处理器1007选择帧，使得与所选择的帧关联的观看级别不超过与使用显示装置1008的通过认证的用户关联的期望观看级别。
图11示出根据至少一个示例实施例的用于强制停车的系统中的注册数据库的适应性更新设备。
如图11中所示，停车位强制系统1110使用适应性更新设备(例如，处理器1128、相机1116和存储器1130)和接近传感器1120(例如，一个或多个超声传感器)来检测进入指定残障人士使用的停车空间或停车位内或者保留的停车位的车辆，并且用于认证车辆的驾驶员或乘客。处理器1128通过执行存储器1130中存储的计算机可读指令来执行适应性更新设备的功能和参照图1至图8描述的功能。
还与停车位相邻地设置警报1126，如果驾驶员和/或乘客没有通过认证，则警报1126被启动预设的时间段(诸如，例如，30秒)。警报1126可以是任何合适类型的警报，诸如音频警报(诸如，用扬声器产生警告)的警报、或视频警报(诸如，用光源产生可视警告)、或其组合。还与停车位相邻地设置用于捕获驾驶员和/或乘客的摄影图像的相机1116。
应该理解，例如，就这点而言，可利用各种合适类型的相机中的任一种和/或各种类型的可视传感器或图像传感器。警报1126、相机1116、接近传感器1120和线传感器1122、1124(以下将描述)均与控制器1118电通信。
处理器1128和存储器1130使用相机1116拍摄的图片来如以上参照图1至图8所述认证驾驶员和/或乘客。此外，线传感器1122、1124被设置用于检测车辆是否正确停在停车空间或停车场的指定边界内。例如，如果车辆停在线标记中的一个上(即，部分停在相邻空间中)，则可启动警报1126。
应该注意，接近传感器1120和线传感器1122、1124可以是用于检测车辆存在的各种合适类型的传感器中的任一种。
可使用硬件组件和软件组件实现这里描述的单元和/或模块。例如，硬件组件可包括麦克风、放大器、带通滤波器、音频-数字转换器和处理装置。可使用一个或多个硬件装置来实现处理装置，硬件装置被配置为通过执行算术、逻辑、和输入/输出运算来执行和/或运行程序代码。处理装置可包括处理器、控制器和算术逻辑单元、数字信号处理器、微计算机、现场可编程阵列、可编程逻辑单元、微处理器或能够以所限定的方式响应于和执行指令的任何其他装置。处理装置可运行操作系统(OS)和在OS上运行的一个或多个软件应用。处理装置还可响应于软件的执行来访问、存储、操作、处理和创建数据。出于简化的目的，使用单数的处理装置的描述；然而，本领域的技术人员应该理解，处理装置可包括多个处理元件和多种类型的处理元件。例如，处理装置可包括多个处理器或处理器和控制器。此外，诸如并行处理器的不同处理构造是可能的。
软件可包括用于独立地或共同地指示和/或配置处理装置使其根据需要进行操作从而将处理装置转变成专用处理器的计算机程序、一条代码、指令、或其某种组合。可在任何类型的机器、组件、物理或虚拟设备、计算机存储介质或装置中或者以能够将指令或数据提供给处理装置或被处理装置解释的传输信号波来永久地或暂时地实施软件和数据。软件还可被分布于联网的计算机系统，使得软件以分布式方式进行存储和执行。可通过一个或多个非暂态计算机可读记录介质来存储软件和数据。
根据上述示例实施例的方法可被记录在包括用于实现上述示例实施例的各种操作的程序指令的非暂时性计算机可读介质中。介质还可包括单独的或与程序指令组合的数据文件、数据结构等。记录在介质上的程序指令可以是出于示例实施例的目的专门设计和构造的程序指令，或者它们可以属于计算机软件领域中的技术人员熟知和可用的种类。非暂时性计算机可读介质的示例包括诸如硬盘、软盘和磁带的磁性介质；诸如CD-ROM盘、DVD和/或蓝光盘的光学介质；诸如光盘的磁-光介质；诸如只读存储器(ROM)、随机存取存储器(RAM)、闪存存储器(例如，USB闪存驱动、存储卡、记忆棒等)的被专门配置为存储并且执行程序指令的硬件装置等。程序指令的示例既包括诸如由编译器生成的机器代码，又包括包含可由计算机使用解释器执行的更高级代码的文件。上述装置可被配置为充当一个或多个软件模块，以执行上述示例实施例的操作，或反之亦然。
以上已经描述了多个示例实施例。然而，应理解，可对这些示例实施例进行各种修改。例如，注册数据库的适应性更新设备的示例实施例可在当使用交通卡登巴士时，对乘客的面部进行捕获或认证时被实施，并可另外地被视为额外的示例。此外，注册数据库的适应性更新设备的示例实施例可在对针对移动银行的用户进行认证和在门锁系统中对允许成员的认证中被实施。
例如，如果描述的技术以不同的顺序被执行，和/或如果描述的系统、架构、装置或电路中的组件以不同的方式被组合和/或被其它组件或其等同物代替或补充，则可实现合适的结果。因此，其他实现方式在所附权利要求书的范围内。

Claims (29)

1.一种适应性更新注册数据库的方法，所述方法包括：
从输入图像提取第一特征矢量，输入图像包括用户的面部；
基于第一特征矢量、注册图像的第二特征矢量和代表性矢量，确定是否将输入图像注册在注册数据库中，注册图像的第二特征矢量被注册在注册数据库中，并且代表性矢量代表第二特征矢量；
基于确定的结果，将输入图像注册在注册数据库中。
2.根据权利要求1所述的方法，其中，确定是否注册输入图像的步骤包括以下步骤中的至少一个：
(i)基于第一特征矢量、第二特征矢量和代表性矢量，确定输入图像是否是离群值；
(ii)基于第一特征矢量和第二特征矢量，确定是否增大注册数据库的特征范围。
3.根据权利要求2所述的方法，其中，确定是否注册输入图像的步骤包括：
基于第一特征矢量、第二特征矢量和代表性矢量，确定输入图像是否是离群值，确定输入图像是否是离群值的步骤包括：
计算第一特征矢量和第二特征矢量之间的最小距离，
计算第一特征矢量和代表性矢量之间的代表性距离，
基于最小距离和代表性距离，确定输入图像是否是离群值。
4.根据权利要求3所述的方法，其中，确定输入图像是否是离群值的步骤基于最小距离是否小于第一阈值并且代表性距离是否小于第二阈值，确定输入图像是否是离群值。
5.根据权利要求2所述的方法，其中，确定是否注册输入图像的步骤包括：
基于第一特征矢量和第二特征矢量，确定是否增大注册数据库的特征范围，确定是否增大注册数据库的特征范围的步骤包括：
确定与矢量集合中的各矢量对应的累加特征距离，矢量集合包括第一特征矢量和第二特征矢量，累加特征距离基于矢量集合中的对应矢量和剩余矢量之间的距离确定，
确定对应于第一特征矢量的累加特征距离是否大于对应于第二特征矢量的累加特征距离中的至少一个。
6.根据权利要求5所述的方法，其中，将输入图像注册在注册数据库中的步骤包括：
如果对应于第一特征矢量的累加特征距离大于对应于第二特征矢量的累加特征距离中的至少一个，则使用输入图像取代注册图像中的一个注册图像。
7.根据权利要求6所述的方法，其中，取代注册图像中的一个注册图像的步骤包括：取代与具有累加特征距离之中的最小累加特征距离的第二特征矢量对应的注册图像。
8.根据权利要求1所述的方法，其中，确定是否注册输入图像的步骤包括：
将注册在注册数据库中的注册图像的数量与注册数据库的最大注册数量进行比较。
9.根据权利要求8所述的方法，其中，将输入图像注册在注册数据库中的步骤包括：
如果注册图像的数量小于最大注册数量，则将输入图像添加到注册数据库中；
如果注册图像的数量等于最大注册数量，则使用输入图像取代注册在注册数据库中的注册图像中的一个注册图像。
10.根据权利要求9所述的方法，其中，将输入图像添加到注册数据库的步骤包括：如果输入图像不是离群值并且注册图像的数量小于最大注册数量，则将输入图像添加到注册数据库中。
11.根据权利要求1所述的方法，其中，确定是否注册输入图像的步骤包括：
基于第一特征矢量、第二特征矢量和代表性矢量来对用户进行认证。
12.根据权利要求11所述的方法，其中，对用户进行认证的步骤包括：
计算第一特征矢量和第二特征矢量之间的最小距离；
计算第一特征和代表性矢量之间的代表性距离；
基于最小距离、代表性距离和至少一个距离阈值来对用户进行认证。
13.根据权利要求11所述的方法，其中，确定是否注册输入图像的步骤基于对用户进行认证，来确定是否将输入图像注册在注册数据库中。
14.根据权利要求1所述的方法，还包括：
如果输入图像被注册在注册数据库中，则基于第一特征矢量来更新代表性矢量。
15.一种非暂时性计算机可读介质，包括：当由处理器执行时致使处理器执行根据权利要求1所述的方法的程序代码。
16.一种注册数据库的适应性更新设备，所述设备包括：
存储器，被配置为存储注册数据库并且存储计算机可读指令；
一个或多个处理器，被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为从输入图像提取第一特征矢量，输入图像包括用户的面部，并且处理器还被配置为通过基于第一特征矢量、注册图像的第二特征矢量和代表性矢量确定是否将输入图像注册在注册数据库中来注册输入图像，注册图像的第二特征矢量被注册在注册数据库中，并且代表性矢量代表第二特征矢量。
17.根据权利要求16所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为确定以下中的至少一个：(i)基于第一特征矢量、第二特征矢量和代表性矢量，确定输入图像是否是离群值；(ii)基于第一特征矢量和第二特征矢量，确定是否增大注册数据库的特征范围。
18.根据权利要求17所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为计算第一特征矢量和第二特征矢量之间的最小距离，计算第一特征矢量和代表性矢量之间的代表性距离，并且基于最小距离和代表性距离，确定输入图像是否是离群值。
19.根据权利要求17所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于矢量集合中的对应矢量和剩余矢量之间的距离来确定与矢量集合中的各矢量对应的累加特征距离，矢量集合包括第一特征矢量和第二特征矢量，并且所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器还被配置为基于对应于第一特征矢量的累加特征距离是否大于对应于第二特征矢量的累加特征距离中的至少一个，确定是否增大注册数据库的特征范围。
20.根据权利要求19所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为：如果对应于第一特征矢量的累加特征距离大于对应于第二特征矢量的累加特征距离中的至少一个，则使用输入图像取代注册图像之中的与具有最小累加特征距离的第二特征矢量对应的注册图像。
21.根据权利要求16所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于注册在注册数据库中的注册图像的数量和注册数据库的最大注册数量，确定是将输入图像添加在注册数据库中还是取代注册数据库中的注册图像中的一个注册图像。
22.根据权利要求16所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于第一特征矢量、第二特征矢量和代表性矢量来对用户进行认证，所述一个或多个处理器还被配置为执行所述计算机可读指令，使得所述一个或多个处理器被配置为基于对用户进行认证，来确定是否将输入图像注册在注册数据库中。
23.根据权利要求16所述的设备，其中，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为：如果输入图像被注册在注册数据库中，则使用第一特征矢量来更新代表性矢量。
24.一种适应性更新注册数据库的方法，所述方法包括：
对输入图像进行认证；
确定输入图像是否是离群值；
确定是否通过输入图像增大注册数据库的特征范围；
基于确定通过输入图像增大注册数据库的特征范围，使用输入图像取代注册数据库中的注册图像中的一个注册图像。
25.根据权利要求24所述的方法，其中，确定输入图像是否是离群值的步骤包括：
计算第一特征矢量和注册图像的第二特征矢量之间的最小距离，第一特征矢量从输入图像提取并且第二特征矢量从注册数据库中的注册图像提取；
计算第一特征矢量和代表性矢量之间的代表性距离，代表性矢量代表第二特征矢量；
确定是否满足与最小距离关联的第一条件和与代表性距离关联的第二条件。
26.根据权利要求24所述的方法，其中，确定是否通过输入图像增大注册数据库的特征范围的步骤包括：
计算与矢量集合中的各矢量对应的累加特征距离，矢量集合包括第一特征矢量和第二特征矢量，第一特征矢量从输入图像提取并且第二特征矢量从注册数据库中的注册图像提取；
确定对应于第一特征矢量的累加特征距离是否大于对应于第二特征矢量的累加特征距离中的至少一个。
27.根据权利要求26所述的方法，其中，计算对应于各矢量的累加特征距离的步骤包括：
将矢量集合中对应于累加特征距离的矢量和剩余矢量之间的距离相加。
28.一种注册数据库的适应性更新设备，所述设备包括：
存储器，存储计算机可读指令；
一个或多个处理器，被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于注册数据库来对输入图像进行认证，基于代表性矢量来确定输入图像是否是离群值，代表性矢量代表注册数据库中的注册图像，所述一个或多个处理器还被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为基于认证的结果和确定的结果，适应性更新注册数据库。
29.根据权利要求28所述的设备，其中，为了确定输入图像是否是离群值，所述一个或多个处理器被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为计算第一特征矢量和第二特征矢量之间的最小距离，第一特征矢量从输入图像提取并且第二特征矢量从注册数据库中的注册图像提取，所述一个或多个处理器还被配置为执行计算机可读指令，使得所述一个或多个处理器被配置为计算第一特征矢量和代表性矢量之间的代表性距离，并且确定是否满足与最小距离关联的第一条件和与代表性距离关联的第二条件。
CN201610987098.3A 2015-11-11 2016-11-09 用于适应性更新用于用户认证的注册数据库的方法和设备 Active CN106682068B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20150158148 2015-11-11
KR10-2015-0158148 2015-11-11
KR1020160027745A KR102427853B1 (ko) 2015-11-11 2016-03-08 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
KR10-2016-0027745 2016-03-08

Publications (2)

Publication Number Publication Date
CN106682068A true CN106682068A (zh) 2017-05-17
CN106682068B CN106682068B (zh) 2022-10-14

Family

ID=57017984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610987098.3A Active CN106682068B (zh) 2015-11-11 2016-11-09 用于适应性更新用于用户认证的注册数据库的方法和设备

Country Status (4)

Country Link
US (3) US10769255B2 (zh)
EP (1) EP3168777A1 (zh)
JP (1) JP6802039B2 (zh)
CN (1) CN106682068B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325327A (zh) * 2017-08-01 2019-02-12 苹果公司 用于更新在面部识别中所使用的模板的过程
TWI671685B (zh) * 2018-09-19 2019-09-11 和碩聯合科技股份有限公司 臉部識別方法與使用此方法的電子裝置
CN111641640A (zh) * 2020-05-28 2020-09-08 青岛海尔科技有限公司 一种设备绑定处理方法及装置
WO2021056450A1 (zh) * 2019-09-27 2021-04-01 深圳市汇顶科技股份有限公司 图像模板的更新方法、设备及存储介质

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176377B2 (en) 2015-11-02 2019-01-08 Fotonation Limited Iris liveness detection for mobile devices
WO2017173228A1 (en) * 2016-03-31 2017-10-05 Princeton Identity, Inc. Biometric enrollment systems and methods
CN107870666B (zh) * 2016-09-28 2020-12-29 腾讯科技（深圳）有限公司 一种终端控制方法及终端
KR102476756B1 (ko) * 2017-06-20 2022-12-09 삼성전자주식회사 사용자 인증을 위한 등록 데이터베이스의 적응적 갱신 방법 및 장치
US10210381B1 (en) 2017-08-01 2019-02-19 Apple Inc. Multiple enrollments in facial recognition
WO2019027506A1 (en) 2017-08-01 2019-02-07 Apple Inc. DETERMINATION OF CLEAR-PATTERN LIGHTING VERSUS DENSE
KR102558741B1 (ko) 2017-12-12 2023-07-24 삼성전자주식회사 사용자 등록 장치 및 방법
US10666681B2 (en) 2017-12-31 2020-05-26 Rapid7, Inc. Detecting malicious actors
CN108268838B (zh) * 2018-01-02 2020-12-29 中国科学院福建物质结构研究所 人脸表情识别方法及人脸表情识别系统
CN108491794B (zh) * 2018-03-22 2023-04-07 腾讯科技（深圳）有限公司 面部识别的方法和装置
CN108806050A (zh) * 2018-06-27 2018-11-13 北京安恒数通信息技术有限公司 出入管理方法和系统
US11216541B2 (en) 2018-09-07 2022-01-04 Qualcomm Incorporated User adaptation for biometric authentication
CN109544745A (zh) * 2018-11-20 2019-03-29 北京千丁互联科技有限公司 一种智能门锁控制方法、装置及系统
KR102570070B1 (ko) * 2018-12-27 2023-08-23 삼성전자주식회사 일반화된 사용자 모델을 이용한 사용자 인증 방법 및 장치
US10635918B1 (en) * 2019-01-30 2020-04-28 StradVision, Inc. Method and device for managing smart database for face recognition based on continual learning
CN110287202B (zh) * 2019-05-16 2022-02-15 北京百度网讯科技有限公司 数据更新方法、装置、电子设备及存储介质
CN110136309A (zh) * 2019-05-18 2019-08-16 深圳智云镖科技有限公司 一种基于智能门锁的智能家居控制方法及系统
US11899765B2 (en) * 2019-12-23 2024-02-13 Dts Inc. Dual-factor identification system and method with adaptive enrollment
WO2021176544A1 (ja) * 2020-03-03 2021-09-10 富士通株式会社 制御方法、制御プログラムおよび情報処理装置
CN111970328A (zh) * 2020-07-23 2020-11-20 江苏信息职业技术学院 一种基于物联网的健康防疫管理系统
US11983965B2 (en) 2020-11-05 2024-05-14 Samsung Electronics Co., Ltd. Electronic device for biometric authentication and method for operating the same
CN112446364B (zh) * 2021-01-29 2021-06-08 中国科学院自动化研究所 高清人脸替换视频生成方法及系统
US20220347524A1 (en) * 2021-04-28 2022-11-03 PJB Co.,ltd Moving bike device controlling contents playing according to contents properties and driving method thereof
US20230198983A1 (en) * 2021-12-02 2023-06-22 Ford Global Technologies, Llc Enhanced biometric authorization
US11912234B2 (en) 2021-12-02 2024-02-27 Ford Global Technologies, Llc Enhanced biometric authorization
CN114417294A (zh) * 2022-01-13 2022-04-29 中国银联股份有限公司 特征向量数据库的更新方法、装置、设备及介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060123239A1 (en) * 2004-12-07 2006-06-08 Emin Martinian Biometric based user authentication with syndrome codes
US20100189342A1 (en) * 2000-03-08 2010-07-29 Cyberextruder.Com, Inc. System, method, and apparatus for generating a three-dimensional representation from one or more two-dimensional images
CN101937513A (zh) * 2009-06-30 2011-01-05 索尼公司 信息处理设备、信息处理方法和程序
CN102045367A (zh) * 2011-01-10 2011-05-04 软库创投（北京）科技有限公司 实名认证的注册方法及认证服务器
US20110135165A1 (en) * 2009-06-02 2011-06-09 Harry Wechsler Robust Human Authentication Using Holistic Anthropometric and Appearance-Based Features and Boosting
WO2011140605A1 (en) * 2010-05-13 2011-11-17 National Ict Australia Limited Automatic identity enrolment
CN102682309A (zh) * 2011-03-14 2012-09-19 汉王科技股份有限公司 一种基于模板学习的人脸注册方法及装置
US8312291B2 (en) * 2006-12-28 2012-11-13 Telecom Italia S.P.A. Method and system for biometric authentication and encryption
CN103080975A (zh) * 2010-08-05 2013-05-01 松下电器产业株式会社 面部图像注册设备和方法
CN103403760A (zh) * 2011-03-14 2013-11-20 欧姆龙株式会社 图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法
US20130318351A1 (en) * 2011-02-22 2013-11-28 Mitsubishi Electric Corporation Similarity degree calculation system, similarity degree calculation apparatus, computer program, and similarity degree calculation method
CN103544337A (zh) * 2012-05-29 2014-01-29 通用汽车环球科技运作有限责任公司 汽车乘员的对话模型
CN104200146A (zh) * 2014-08-29 2014-12-10 华侨大学 一种结合视频人脸和数字唇动密码的身份验证方法
US20150092996A1 (en) * 2013-09-30 2015-04-02 Kabushiki Kaisha Toshiba Authentication apparatus, authentication system, and authentication method

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004302644A (ja) 2003-03-28 2004-10-28 Sony Corp 顔識別装置、顔識別方法、記録媒体、及びロボット装置
US7415152B2 (en) 2005-04-29 2008-08-19 Microsoft Corporation Method and system for constructing a 3D representation of a face from a 2D representation
JP4618058B2 (ja) * 2005-09-01 2011-01-26 株式会社日立製作所 背景画像生成方法とその装置及び画像監視システム
KR100886557B1 (ko) 2007-05-03 2009-03-02 삼성전자주식회사 적응형 학습에 기반한 얼굴 인식 시스템 및 방법
JP5123037B2 (ja) 2008-04-16 2013-01-16 パナソニック株式会社 顔認証装置及び顔認証方法
JP5791364B2 (ja) 2011-05-16 2015-10-07 キヤノン株式会社 顔認識装置、顔認識方法、顔認識プログラム、およびそのプログラムを記録した記録媒体
US8660322B2 (en) * 2011-08-25 2014-02-25 King Saud University Passive continuous authentication method
JP6035059B2 (ja) 2012-06-18 2016-11-30 株式会社日立情報通信エンジニアリング 認証システム、認証方法
KR101180471B1 (ko) 2011-09-27 2012-09-07 (주)올라웍스 한정된 메모리 환경 하에서 얼굴 인식 성능 향상을 위한 참조 얼굴 데이터베이스 관리 방법, 장치 및 컴퓨터 판독 가능한 기록 매체
JP2013077068A (ja) 2011-09-29 2013-04-25 Sogo Keibi Hosho Co Ltd 顔認証データベース管理方法、顔認証データベース管理装置及び顔認証データベース管理プログラム
US8942431B2 (en) 2012-06-24 2015-01-27 Neurologix Security Group Inc Biometrics based methods and systems for user authentication
JP2014126865A (ja) 2012-12-27 2014-07-07 Fujitsu Ltd 暗号処理装置および方法
US9530052B1 (en) 2013-03-13 2016-12-27 University Of Maryland System and method for sensor adaptation in iris biometrics
JP6268960B2 (ja) 2013-11-15 2018-01-31 オムロン株式会社 画像認識装置及び画像認識装置に対するデータ登録方法
CA2902093C (en) * 2014-08-28 2023-03-07 Kevin Alan Tussy Facial recognition authentication system including path parameters
US9830506B2 (en) * 2015-11-09 2017-11-28 The United States Of America As Represented By The Secretary Of The Army Method of apparatus for cross-modal face matching using polarimetric image data

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100189342A1 (en) * 2000-03-08 2010-07-29 Cyberextruder.Com, Inc. System, method, and apparatus for generating a three-dimensional representation from one or more two-dimensional images
US20060123239A1 (en) * 2004-12-07 2006-06-08 Emin Martinian Biometric based user authentication with syndrome codes
US8312291B2 (en) * 2006-12-28 2012-11-13 Telecom Italia S.P.A. Method and system for biometric authentication and encryption
US20110135165A1 (en) * 2009-06-02 2011-06-09 Harry Wechsler Robust Human Authentication Using Holistic Anthropometric and Appearance-Based Features and Boosting
CN101937513A (zh) * 2009-06-30 2011-01-05 索尼公司 信息处理设备、信息处理方法和程序
WO2011140605A1 (en) * 2010-05-13 2011-11-17 National Ict Australia Limited Automatic identity enrolment
CN103080975A (zh) * 2010-08-05 2013-05-01 松下电器产业株式会社 面部图像注册设备和方法
CN102045367A (zh) * 2011-01-10 2011-05-04 软库创投（北京）科技有限公司 实名认证的注册方法及认证服务器
US20130318351A1 (en) * 2011-02-22 2013-11-28 Mitsubishi Electric Corporation Similarity degree calculation system, similarity degree calculation apparatus, computer program, and similarity degree calculation method
CN102682309A (zh) * 2011-03-14 2012-09-19 汉王科技股份有限公司 一种基于模板学习的人脸注册方法及装置
CN103403760A (zh) * 2011-03-14 2013-11-20 欧姆龙株式会社 图像比对装置、图像处理系统、图像比对程序、计算机可读取的记录介质以及图像比对方法
CN103544337A (zh) * 2012-05-29 2014-01-29 通用汽车环球科技运作有限责任公司 汽车乘员的对话模型
US20150092996A1 (en) * 2013-09-30 2015-04-02 Kabushiki Kaisha Toshiba Authentication apparatus, authentication system, and authentication method
CN104200146A (zh) * 2014-08-29 2014-12-10 华侨大学 一种结合视频人脸和数字唇动密码的身份验证方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RICHA SINGH 等: "Online learning in biometrics: A case study in face classifier update", 《2009 IEEE 3RD INTERNATIONAL CONFERENCE ON BIOMETRICS: THEORY, APPLICATIONS, AND SYSTEMS》 *
马俊伟: "基于人脸特征的身份认证系统的研究与设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325327A (zh) * 2017-08-01 2019-02-12 苹果公司 用于更新在面部识别中所使用的模板的过程
CN109325327B (zh) * 2017-08-01 2021-08-03 苹果公司 用于更新在面部识别中所使用的模板的过程
TWI671685B (zh) * 2018-09-19 2019-09-11 和碩聯合科技股份有限公司 臉部識別方法與使用此方法的電子裝置
CN110929555A (zh) * 2018-09-19 2020-03-27 和硕联合科技股份有限公司 脸部识别方法与使用此方法的电子装置
US11403877B2 (en) 2018-09-19 2022-08-02 Pegatron Corporation Face recognition method and electronic device using same
WO2021056450A1 (zh) * 2019-09-27 2021-04-01 深圳市汇顶科技股份有限公司 图像模板的更新方法、设备及存储介质
CN111641640A (zh) * 2020-05-28 2020-09-08 青岛海尔科技有限公司 一种设备绑定处理方法及装置
CN111641640B (zh) * 2020-05-28 2022-10-28 青岛海尔科技有限公司 一种设备绑定处理方法及装置

Also Published As

Publication number Publication date
JP6802039B2 (ja) 2020-12-16
US10769256B2 (en) 2020-09-08
US11537698B2 (en) 2022-12-27
US20170199996A1 (en) 2017-07-13
US10769255B2 (en) 2020-09-08
CN106682068B (zh) 2022-10-14
EP3168777A1 (en) 2017-05-17
JP2017091520A (ja) 2017-05-25
US20170132408A1 (en) 2017-05-11
US20200257786A1 (en) 2020-08-13

Similar Documents

Publication Publication Date Title
CN106682068A (zh) 用于适应性更新用于用户认证的注册数据库的方法和设备
US11544497B2 (en) Method and apparatus for recognizing object, and method and apparatus for training recognition model
CN108229314B (zh) 目标人物的搜索方法、装置和电子设备
US20230376527A1 (en) Generating congruous metadata for multimedia
CN108921204B (zh) 电子装置、图片样本集生成方法和计算机可读存储介质
CN111581433A (zh) 视频处理方法、装置、电子设备及计算机可读介质
US20160217198A1 (en) User management method and apparatus
US10275684B2 (en) Authentication method and apparatus, and method and apparatus for training a recognizer
Kwon et al. Learning self-similarity in space and time as generalized motion for video action recognition
CN110232340B (zh) 建立视频分类模型以及视频分类的方法、装置
CN103198316A (zh) 用于识别图像中的干扰元素的方法、装置和系统
Smith et al. Temporalboost for event recognition
CN107679457A (zh) 用户身份校验方法及装置
CN110807368B (zh) 一种注入攻击的识别方法、装置及设备
JP2021028848A (ja) 登録データベースの適応的更新方法及び装置
CN107025425A (zh) 认证方法和设备以及用于训练识别器的方法和设备
US20160147825A1 (en) Method and electronic device for updating the registered fingerprint datasets of fingerprint recognition
CN115700845B (zh) 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN112492397A (zh) 视频处理方法、计算机设备和存储介质
CN109272429A (zh) 基于物联网校园管理的信息推送方法及系统
CN114842411A (zh) 一种基于互补时空信息建模的群体行为识别方法
CN113705666A (zh) 分割网络训练方法、使用方法、装置、设备及存储介质
CN109886185B (zh) 一种目标识别方法、装置、电子设备和计算机存储介质
CN113420677B (zh) 确定合理图像的方法、装置、电子设备及存储介质
CN106657965A (zh) 识别3d格式视频的方法、装置及用户终端

Legal Events

Date Code Title Description
PB01 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